CN115049129A - 一种基于机器学习的农作物及害虫互作的预测管控系统 - Google Patents
一种基于机器学习的农作物及害虫互作的预测管控系统 Download PDFInfo
- Publication number
- CN115049129A CN115049129A CN202210694890.5A CN202210694890A CN115049129A CN 115049129 A CN115049129 A CN 115049129A CN 202210694890 A CN202210694890 A CN 202210694890A CN 115049129 A CN115049129 A CN 115049129A
- Authority
- CN
- China
- Prior art keywords
- pest
- data
- crop
- farmland
- disaster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 161
- 238000010801 machine learning Methods 0.000 title claims abstract description 24
- 230000003993 interaction Effects 0.000 title claims abstract description 18
- 238000007726 management method Methods 0.000 claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 36
- 238000012423 maintenance Methods 0.000 claims abstract description 22
- 241000238631 Hexapoda Species 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000013500 data storage Methods 0.000 claims abstract description 4
- 238000011282 treatment Methods 0.000 claims abstract description 3
- 230000012010 growth Effects 0.000 claims description 50
- 238000011161 development Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 8
- 241001556089 Nilaparvata lugens Species 0.000 description 6
- 241000209094 Oryza Species 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 206010052428 Wound Diseases 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 241000269350 Anura Species 0.000 description 1
- 241000239290 Araneae Species 0.000 description 1
- 241000221662 Sclerotinia Species 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013601 eggs Nutrition 0.000 description 1
- 230000017448 oviposition Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000028327 secretion Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004071 soot Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 235000000346 sugar Nutrition 0.000 description 1
- 150000008163 sugars Chemical class 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Animal Husbandry (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的农作物及害虫互作的预测管控系统，包括：用于采集农作物与害虫数据的数据采集模块、对虫灾情况与处理进行分析的综合分析模块、实时获取农作物与害虫情况的农田监测模块、用于存储农作物与害虫数据的数据存储模块、用于生成农作物养护方案与虫灾预测的预警模块、根据分析预测结果采取相应措施、并进行农作物养护的后台管理模块。本发明绿色高效，在对虫灾进行有效防治的同时还可保护农田的生态环境，为农作物的绿色安全生产提供了保障。
Description
技术领域
本发明属于害虫防治领域，特别是涉及一种基于机器学习的农作物及害虫互作的预测管控系统。
背景技术
褐飞虱是农田中最主要的害虫，褐飞虱产卵时，产卵器划破植株茎秆和叶片组织，形成大量伤口，使植株丧失水分的同时，输导组织破坏，加速植株倒伏；产卵产生的伤口，也是水稻小球菌核病直接入侵稻株的途径，同时褐飞虱还会传播锯龄叶矮缩病、水稻草丛状矮缩病，其分泌物富含各种糖类、氨基酸类，覆盖在稻株上，极易招致煤烟病菌的滋生，造成间接危害，严重影响作物生产。
长期以来，褐飞虱的防治主要依靠生物防治与化学防治，其中生物防治通过投放青蛙、蜘蛛等天敌进行防治，但投放天敌的生物时间必须与害虫发生或产卵时间吻合，才能起到良好效果，由此造成耗时费力，以及防治效果不稳定的缺陷，化学防治通过使用化学药剂进行防治，如吡虫啉、噻嗪酮，但随着褐飞虱对化学药剂的抗性越来越大，造成防治效果逐渐不理想，同时化学药剂的使用会造成农田中土壤、空气环境的污染，为农作物绿色安全生产带来了较大的压力。
发明内容
本发明的目的是提供一种基于机器学习的农作物及害虫互作的预测管控系统，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种基于机器学习的农作物及害虫互作的预测管控系统，包括：
数据采集模块、综合分析模块、农田监测模块、存储数据库模块、预警模块、后台管理模块；
所述数据采集模块用于采集农田虫灾数据，对所述农田虫灾数据进行预处理，并传输至所述综合分析模块；
所述综合分析模块用于基于所述农田虫灾数据对虫灾情况进行分析，输出分析结果至所述后台管理模块，同时将所述农田虫灾数据与所述分析结果传输至所述存储数据库模块；
所述农田监测模块用于实时监测农田环境变化数据，并将所述农田环境变化数据传输至所述存储数据库模块；
所述存储数据库模块用于存储所述农田虫灾数据、所述分析结果与所述农田环境变化数据；
所述预警模块用于基于所述存储数据库模块中的农田虫灾数据与农田环境变化数据生成农田养护方案，并生成虫灾预测结果，将所述农田养护方案与所述虫灾预测结果传输至所述后台管理模块；
所述后台管理模块用于对农田进行日常养护并进行虫灾治理。
可选地，所述农田虫灾数据包括农作物数据、害虫数据与受灾区域数据；
所述农作物数据包括农作物长势、农作物受灾程度、受灾区域；
所述害虫数据包括害虫规模、害虫分布、害虫外形。
可选地，所述预处理包括：对所述农田虫灾数据中的害虫发育特征、农田受灾区域、农作物受灾部位进行标记并将所述害虫发育特征与所述农作物受灾部位进行匹配。
可选地，所述存储数据模块还用于基于互联网大数据技术存储害虫常规发育数据与农作物常规生长数据；
所述害虫常规发育数据包括害虫不同生长阶段的外观特征与各生长阶段的周期；
所述农作物常规生长数据包括农作物不同生长阶段的植株特征与各生长阶段的周期。
可选地，所述综合分析模块对所述农田虫灾数据进行特征提取，将农作物数据与农作物常规生长数据进行比对，将害虫数据与害虫常规发育数据进行比对，确定害虫与农作物的生长阶段；
将所述农作物数据与所述害虫数据代入卷积网络模型进行训练，输出农作物与害虫的特征数据，基于所述特征数据进行分析，获取分析结果。
可选地，所述农田环境变化数据包括农田湿度变化数据、农作物长势变化数据、害虫生长变化数据、受灾区域变化数据。
可选地，所述预警模块基于所述农田湿度变化数据构建湿度变化曲线，基于所述农作物长势变化数据构建农作物变化曲线，基于所述害虫生长变化数据构建害虫变化曲线，基于所述受灾区域变化数据构建受灾变化曲线；
基于所述湿度变化曲线、所述农作物变化曲线、所述害虫变化曲线与所述受灾变化曲线构建多机器学习模型并进行数据集训练，输出农作物养护方案与虫灾预测结果。
可选地，所述预警模块还用于基于受灾区域数据与受灾变化曲线设置阈值对突发虫灾进行判断，并生成预警信息传输至所述后台管理模块。
可选地，当所述受灾区域数据超出所述受灾变化曲线的变化范围大于30％时，则生成预警信息传输至后台管理模块。
可选地，所述后台管理模块基于所述分析结果进行害虫治理，基于所述农田养护方案对农田环境以及农作物进行日常养护，还用于基于所述虫灾预测结果对农田进行处理措施。
本发明的技术效果为：
本发明提供了一种可实现实时虫灾防治、预测虫灾危害发生、生成农作物日常养护方案、突发虫灾预警的预警管控系统，通过互联网技术与卷积神经网络识别虫灾发生时害虫与农作物的状况，并生成处理方案，通过采集农作物的长势数据与害虫的发育状况并绘制曲线、构建数据集进行训练，获得植物养护方案与虫灾预测结果，同时能够根据实时采集受灾区域情况与受灾面积曲线进行对比，可有效识别大规模虫灾的发生并及时预警。本发明绿色高效，在对虫灾进行有效防治的同时还可保护农田的生态环境，为农作物的绿色安全生产提供了保障。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例中的基于机器学习的农作物及害虫互作的预测管控系统流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种基于机器学习的农作物及害虫互作的预测管控系统，包括：
数据采集模块、综合分析模块、农田监测模块、存储数据库模块、预警模块、后台管理模块；
数据采集模块用于采集农田虫灾数据，对农田虫灾数据进行预处理，并传输至综合分析模块；
综合分析模块用于基于农田虫灾数据对虫灾情况进行分析，输出分析结果至后台管理模块，同时将农田虫灾数据与分析结果传输至存储数据库模块；
农田监测模块用于实时监测农田环境变化数据，并将所述农田环境变化数据传输至所述存储数据库模块；
存储数据库模块用于存储农田虫灾数据、分析结果与农田环境变化数据；
预警模块用于基于存储数据库模块中的农田虫灾数据与农田环境变化数据生成农田养护方案，并生成虫灾预测结果，将农田养护方案与虫灾预测结果传输至后台管理模块；
后台管理模块用于对农田进行日常养护并进行虫灾治理。
农田虫灾数据包括农作物数据、害虫数据与受灾区域数据；
农作物数据包括农作物长势、农作物受灾程度、受灾区域；
害虫数据包括害虫规模、害虫分布、害虫外形。
预处理包括：对农田虫灾数据中的害虫发育特征、农田受灾区域、农作物受灾部位进行标记并将害虫发育特征与农作物受灾部位进行匹配。
存储数据模块还用于基于互联网大数据技术存储害虫常规发育数据与农作物常规生长数据；
害虫常规发育数据包括害虫不同生长阶段的外观特征与各生长阶段的周期；
农作物常规生长数据包括农作物不同生长阶段的植株特征与各生长阶段的周期。
综合分析模块对所述农田虫灾数据进行特征提取，将农作物数据与农作物常规生长数据进行比对，将害虫数据与害虫常规发育数据进行比对，确定害虫与农作物的生长阶段；
综合分析模块用于基于农田虫灾数据对虫灾情况进行分析的过程中，具体包括如下步骤：
从农作物数据与害虫数据、农作物常规生长数据与害虫常规发育数据中提取可用于配准的特征，包括：
农作物长势、农作物受灾程度、害虫规模、害虫外形、农作物不同生长阶段的植株特征、害虫不同生长阶段的外形特征。
对所提取出的所有特征数据进行包括旋转、翻转和位移等空间变换操作，建立农作物数据与农作物常规生长数据的空间对应关系组、害虫数据与害虫常规发育数据的空间对应关系组。建立空三维间坐标系，分别根据两个空间对应关系组中几何畸变的情况，选择能最佳拟合两组数据之间变化的几何变换模型，然后进行坐标变换，将农作物数据与害虫数据做对应的参数变换，使其与常规数据处于同一个坐标系下。
根据所有特征处于空间坐标系下的位置，对提取出的特征数据进行转换，提取出用于配准的数据参数，用于配准的参数的变化幅度为10％，每超出10％，则确定农作物与害虫增加一个生长阶段。
将农作物数据与害虫数据代入卷积网络模型进行训练，输出农作物与害虫的特征数据，基于特征数据进行分析，获取分析结果。
农田环境变化数据包括农田湿度变化数据、农作物长势变化数据、害虫生长变化数据、受灾区域变化数据。
预警模块基于农田湿度变化数据构建湿度变化曲线，基于农作物长势变化数据构建农作物变化曲线，基于害虫生长变化数据构建害虫变化曲线，基于受灾区域变化数据构建受灾变化曲线；
基于农作物变化曲线、害虫变化曲线、湿度变化曲线、湿度变化曲线受灾变化曲线，生成虫灾危险评价训练集及测试集，其中，训练集及测试集均包括多个虫灾样本点及多个非虫灾样本点。
随机划分70％的虫灾点作为训练集的虫灾样本点，30％作为测试集的虫灾样本点。
选取虫灾危险评价的评价因子，提取评价因子，基于因子共线性分析方法对评价因子的选取进行合理性评价。
评价因子选取包括害虫不同生长阶段的外观、农作物不同生长阶段的植株结构成分、受灾严重区域的植株生长特征、受灾区域的土壤湿度。
基于不同机器学习算法的原理构建多机器学习模型，并依据确定的评价因子数据集与训练集训练模型；基于测试集对多机器学习模型的预测精度进行评价，输出农作物养护方案与虫灾预测结果。
预警模块还用于基于受灾区域数据与受灾变化曲线设置阈值对突发虫灾进行判断，并生成预警信息传输至后台管理模块。
当受灾区域数据超出受灾变化曲线的变化范围大于30％时，则生成预警信息传输至后台管理模块。
后台管理模块基于分析结果进行害虫治理，基于农田养护方案对农田环境以及农作物进行日常养护，基于虫灾预测结果对农田进行处理措施。
本实施例中的基于机器学习的农作物及害虫互作的预测管控系统工作原理包括：在发生虫灾时，数据采集模块采集农田的虫灾数据，进行预处理后，传输至综合分析模块进行分析，综合分析模块基于虫灾数据，与存储数据库模块通过互联网获取的农作物与害虫常规生长数据进行特征提取并对比，确定农作物与害虫的生长阶段，并将虫灾数据输入卷积神经网络模型，输出用于治理虫灾的分析结果，将分析结果传输至后台管理模块执行防治方案；
农田监测模块实时监测农田环境变化数据并传输至存储数据库模块，预警模块将农田环境变化数据绘制成变化曲线，并将变化曲线构建数据集进行训练，输出农作物的日常养护方案与虫灾预测结果。
预警模块基于受灾区域数据与受灾变化曲线设置阈值对突发虫灾进行判断，并生成预警信息传输至后台管理模块进行应急措施。
以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，包括：数据采集模块、综合分析模块、农田监测模块、存储数据库模块、预警模块、后台管理模块；
所述数据采集模块用于采集农田虫灾数据，对所述农田虫灾数据进行预处理，并传输至所述综合分析模块；
所述综合分析模块用于基于所述农田虫灾数据对虫灾情况进行分析，输出分析结果至所述后台管理模块，同时将所述农田虫灾数据与所述分析结果传输至所述存储数据库模块；
所述农田监测模块用于实时监测农田环境变化数据，并将所述农田环境变化数据传输至所述存储数据库模块；
所述存储数据库模块用于存储所述农田虫灾数据、所述分析结果与所述农田环境变化数据；
所述预警模块用于基于所述存储数据库模块中的农田虫灾数据与农田环境变化数据生成农田养护方案，并生成虫灾预测结果，将所述农田养护方案与所述虫灾预测结果传输至所述后台管理模块；
所述后台管理模块用于对农田进行日常养护并进行虫灾治理。
2.根据权利要求1所述的基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，所述农田虫灾数据包括农作物数据、害虫数据与受灾区域数据；
所述农作物数据包括农作物长势、农作物受灾程度、受灾区域；
所述害虫数据包括害虫规模、害虫分布、害虫外形。
3.根据权利要求1所述的基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，所述预处理包括：对所述农田虫灾数据中的害虫发育特征、农田受灾区域、农作物受灾部位进行标记并将所述害虫发育特征与所述农作物受灾部位进行匹配。
4.根据权利要求1所述的基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，所述存储数据模块还用于基于互联网大数据技术存储害虫常规发育数据与农作物常规生长数据；
所述害虫常规发育数据包括害虫不同生长阶段的外观特征与各生长阶段的周期；
所述农作物常规生长数据包括农作物不同生长阶段的植株特征与各生长阶段的周期。
5.根据权利要求1所述的基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，所述综合分析模块对所述农田虫灾数据进行特征提取，将农作物数据与农作物常规生长数据进行比对，将害虫数据与害虫常规发育数据进行比对，确定害虫与农作物的生长阶段；
将所述农作物数据与所述害虫数据代入卷积网络模型进行训练，输出农作物与害虫的特征数据，基于所述特征数据进行分析，获取分析结果。
6.根据权利要求1所述的基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，所述农田环境变化数据包括农田湿度变化数据、农作物长势变化数据、害虫生长变化数据、受灾区域变化数据。
7.根据权利要求6所述的基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，所述预警模块基于所述农田湿度变化数据构建湿度变化曲线，基于所述农作物长势变化数据构建农作物变化曲线，基于所述害虫生长变化数据构建害虫变化曲线，基于所述受灾区域变化数据构建受灾变化曲线；
基于所述湿度变化曲线、所述农作物变化曲线、所述害虫变化曲线与所述受灾变化曲线构建多机器学习模型并进行数据集训练，输出农作物养护方案与虫灾预测结果。
8.根据权利要求1所述的基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，所述预警模块还用于基于受灾区域数据与受灾变化曲线设置阈值对突发虫灾进行判断，并生成预警信息传输至所述后台管理模块。
9.根据权利要求8所述的基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，当所述受灾区域数据超出所述受灾变化曲线的变化范围大于30％时，则生成预警信息传输至后台管理模块。
10.根据权利要求1所述的基于机器学习的农作物及害虫互作的预测管控系统，其特征在于，所述后台管理模块基于所述分析结果进行害虫治理，基于所述农田养护方案对农田环境以及农作物进行日常养护，还用于基于所述虫灾预测结果对农田进行处理措施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210694890.5A CN115049129A (zh) | 2022-06-20 | 2022-06-20 | 一种基于机器学习的农作物及害虫互作的预测管控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210694890.5A CN115049129A (zh) | 2022-06-20 | 2022-06-20 | 一种基于机器学习的农作物及害虫互作的预测管控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115049129A true CN115049129A (zh) | 2022-09-13 |
Family
ID=83162636
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210694890.5A Withdrawn CN115049129A (zh) | 2022-06-20 | 2022-06-20 | 一种基于机器学习的农作物及害虫互作的预测管控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049129A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759628A (zh) * | 2022-11-17 | 2023-03-07 | 中国科学院空天信息创新研究院 | 一种基于空天地多源数据融合的数字乡村构建系统 |
| CN116884041A (zh) * | 2023-09-05 | 2023-10-13 | 肥城市林业保护发展中心 | 基于区域历史数据的林业虫灾预测方法及系统 |
-
2022
- 2022-06-20 CN CN202210694890.5A patent/CN115049129A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115759628A (zh) * | 2022-11-17 | 2023-03-07 | 中国科学院空天信息创新研究院 | 一种基于空天地多源数据融合的数字乡村构建系统 |
| CN116884041A (zh) * | 2023-09-05 | 2023-10-13 | 肥城市林业保护发展中心 | 基于区域历史数据的林业虫灾预测方法及系统 |
| CN116884041B (zh) * | 2023-09-05 | 2023-11-10 | 肥城市林业保护发展中心 | 基于区域历史数据的林业虫灾预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115049129A (zh) | 一种基于机器学习的农作物及害虫互作的预测管控系统 | |
| CN115204689B (zh) | 一种基于图像处理的智慧农业管理系统 | |
| CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
| CN109991911A (zh) | 一种基于物联网的果园综合监控系统 | |
| Victorino et al. | Yield components detection and image-based indicators for non-invasive grapevine yield prediction at different phenological phases | |
| CN111767802A (zh) | 一种对象异常状态的检测方法和装置 | |
| Lin et al. | A review on computer vision technologies applied in greenhouse plant stress detection | |
| Paliwal et al. | Image processing-based intelligent robotic system for assistance of agricultural crops | |
| CN117057946A (zh) | 一种智慧农业园区数据监控装置及方法 | |
| CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管系统 | |
| CN117173400B (zh) | 一种荔枝虫害的低碳治理方案推荐方法及系统 | |
| Traylor et al. | Compositional attributes of invaded forests drive the diversity of insect functional groups | |
| CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
| Lin et al. | IoT-based strawberry disease detection with wall-mounted monitoring cameras | |
| CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
| Widiyanto et al. | Monitoring the growth of tomatoes in real time with deep learning-based image segmentation | |
| CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
| Dahiya et al. | An effective detection of litchi disease using deep learning | |
| Ghaiwat et al. | Cotton leaf disease detection by feature extraction | |
| Kaur et al. | Tea Leaf Disease Detection using Deep Learning Convolutional Neural Network Model | |
| CN118115903B (zh) | 基于ai技术松材线虫病智能识别处理系统 | |
| CN118279755B (zh) | 一种农作物生长模式的确定方法、装置及电子设备 | |
| Nandhini et al. | Interactive Agriculture relying on Artificial Intelligence and Convolution Neural Network | |
| Tiwari et al. | Transfer Learning-Based Optimized Deep Learning Model to Characterize Mango Leaf Disease | |
| Waoo et al. | Artificial Intelligence in Agricultural Engineering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220913 |