CN115053685B - 一种水生蔬菜种植用肥水管控系统 - Google Patents
一种水生蔬菜种植用肥水管控系统 Download PDFInfo
- Publication number
- CN115053685B CN115053685B CN202210639630.8A CN202210639630A CN115053685B CN 115053685 B CN115053685 B CN 115053685B CN 202210639630 A CN202210639630 A CN 202210639630A CN 115053685 B CN115053685 B CN 115053685B
- Authority
- CN
- China
- Prior art keywords
- information
- water
- planting
- fertilizer
- pest
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 331
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 117
- 239000003337 fertilizer Substances 0.000 title claims abstract description 70
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 119
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 35
- 238000013441 quality evaluation Methods 0.000 claims abstract description 16
- 238000010191 image analysis Methods 0.000 claims abstract description 9
- 238000004457 water analysis Methods 0.000 claims abstract description 7
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical compound [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 claims description 36
- 241000238631 Hexapoda Species 0.000 claims description 33
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 33
- 229910052760 oxygen Inorganic materials 0.000 claims description 33
- 239000001301 oxygen Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 29
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 24
- 229910001385 heavy metal Inorganic materials 0.000 claims description 18
- 239000011780 sodium chloride Substances 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 16
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 12
- 229910052757 nitrogen Inorganic materials 0.000 claims description 12
- 229910052698 phosphorus Inorganic materials 0.000 claims description 12
- 239000011574 phosphorus Substances 0.000 claims description 12
- 239000003795 chemical substances by application Substances 0.000 claims description 11
- 230000000749 insecticidal effect Effects 0.000 claims description 7
- 239000000575 pesticide Substances 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 4
- 238000005507 spraying Methods 0.000 claims description 4
- 206010021143 Hypoxia Diseases 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 7
- 241000196324 Embryophyta Species 0.000 description 31
- 239000003621 irrigation water Substances 0.000 description 5
- 230000017074 necrotic cell death Effects 0.000 description 3
- 235000003283 Pachira macrocarpa Nutrition 0.000 description 2
- 240000001085 Trapa natans Species 0.000 description 2
- 235000014364 Trapa natans Nutrition 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 210000003608 fece Anatomy 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000010871 livestock manure Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000009165 saligot Nutrition 0.000 description 2
- 235000006506 Brasenia schreberi Nutrition 0.000 description 1
- 244000267222 Brasenia schreberi Species 0.000 description 1
- 244000211187 Lepidium sativum Species 0.000 description 1
- 235000007849 Lepidium sativum Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
- A01C23/007—Metering or regulating systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本发明公开了一种水生蔬菜种植用肥水管控系统，包括种植水采集模块、种植水分析模块、种植面积采集模块、肥水调整模块、管道信息采集模块、管道评估模块、水质采集模块、水质评估模块、种植影像分析模块、虫害评估模块与虫害治理模块。本发明在种植过程中，采集种植影像，对水生蔬菜的生长状态进行评估，生成对应的评估信息，让管理人员能够了解到蔬菜生长状态，从而进行更加科学的水肥调整，实现了全面的水生蔬菜的水肥管控，让水生蔬菜能够更好更快的生长，增加种植水生蔬菜的经济收益，从而让该系统更加值得推广使用。
Description
技术领域
本发明涉及蔬菜种植领域，具体涉及一种水生蔬菜种植用肥水管控系统。
背景技术
水生蔬菜指生长在水里可供食用的一类蔬菜。分为深水和浅水两大类。能适应深水的有莲藕、菱、莼菜等，作浅水栽培的有茭白、水芹、慈菇、荸荠等。
在进行规模化的水生蔬菜种植过程中，需要对其进行智能化的肥水管控，在进行肥水管控过程中，即需要使用到肥水管控系统。
现有的肥水管控系统，防肥水管控效果差，功能单一，导致水生蔬菜生长慢，出产率低经济效益低，给肥水管控系统的使用带来了一定的影响，因此，提出一种水生蔬菜种植用肥水管控系统。
发明内容
本发明所要解决的技术问题在于：如何解决现有的肥水管控系统，防肥水管控效果差，功能单一，导致水生蔬菜生长慢，出产率低经济效益低，给肥水管控系统的使用带来了一定的影响的问题，提供了一种水生蔬菜种植用肥水管控系统。
本发明是通过以下技术方案解决上述技术问题的，本发明包括：
管道信息采集模块，所述管道信息采集模块用于采集输送肥水的管道流量信息与水压信息；
管道评估模块，所述管道评估模块用于对管道流量信息与水压信息进行处理生成管道警示信息；
水质采集模块，所述水质采集模块用于采集外部供水水源的水质信息；
水质评估模块，所述水质评估模块用于对外部供水水源的水质信息进行分析生成水质评估信息；
种植影像采集模块，所述种植影像采集模块用于采集水生蔬菜种植过程中的水生蔬菜影像信息；
影像分析模块，所述影像分析模块用于对水生蔬菜影像信息进行分析处理，生成蔬菜生长评估信息与虫害警示信息；
虫害评估模块，所述虫害评估模块用于在虫害警示信息生成后，对虫害警示信息进行处理生成虫害警示信息；
虫害治理模块，所述虫害治理模块用于对虫害警示信息进行处理生成虫害治理信息；
种植面积采集模块，所述种植面积采集模块用于采集水生蔬菜的种植面积信息；
种植水采集模块，所述种植水采集模块用于种植水的水质信息与水位信息，种植水水质信息包括含氧量信息、氮含量信息与磷含量信息；
种植水分析模块，所述种植水分析模块用于对种植水的水质信息进行分析生成种植水评估信息，同时种植水分析模块对水位信息进行分析生成水位调整信息；
肥水调整模块，所述肥水调整模块用于根据实际接收到的调控信息进行肥水添加管控和杀虫药剂添加管控。
进一步在于，所述管道评估模块对管道流量信息与水压信息进行处理生成管道警示信息的具体过程如下：
步骤一：提取出采集到的管道流量信息与水压信息，水压信息为进水口水压与出水口水压，将管道流量信息标记为K流，将进水口水压标记为K1压，将出水口水压标记为K2压；
步骤二：连续采集x次管道流量信息K流，当x次管道流量信息K流逐渐变小时，或者管道流量信息K流出现为0数值时即生成管道警示信息；
步骤三：当无法采集到流量信息时，即提取出进水口水压K1压和出水口水压K2压，计算出进水口水压K1压和出水口水压K2压之间的差值，得到水压差K差，当水压差K差小于预设值或者出水口水压K2压为0时，即生成管道警示信息。
进一步在于，所述水质评估信息包括不使用水源信息、一级水质、二级水质、三级水质与四级水质，所述水质评估模块对外部供水水源的水质信息进行分析生成水质评估信息的具体过程如下：
S1：提取出采集到外部供水水源的水质信息，外部供水水源的水质信息包括水的pH值信息、悬浮物含量信息、氯化钠含量信息、溶解氧含量信息、重金属含量信息，将pH值信息标记为Q、悬浮物含量信息标记为P1、氯化钠含量信息标记为P2、溶解氧含量信息标记为P3、重金属含量信息标记为P4；
S2：当供水水源pH值信息在预设范围内时，进水水质评估，当供水水源pH值信息在预设范围外时，即生成不使用水源信息；
S3：当悬浮物含量信息P1小于预设值、氯化钠含量信息P2小于预设值、溶解氧含量信息P3大于预设值、重金属含量信息P4小于预设值时，即生成一级水质信息；
S4：当悬浮物含量信息、氯化钠含量信息P2与重金属含量信息P4中，溶解氧含量信息P3中任意一项大于预设值，且溶解氧含量信息P3大于预设值、即生成二级水质信息；
S5：当悬浮物含量信息、氯化钠含量信息P2与重金属含量信息P4中，溶解氧含量信息P3中任意两项大于预设值，且溶解氧含量信息P3大于预设值、即生成三级水质信息；
S6：当悬浮物含量信息、氯化钠含量信息P2与重金属含量信息P4中，溶解氧含量信息P3中均大于预设值，无论溶解氧含量信息P3为何值，都生成四级水质信息。
进一步在于，所述蔬菜生长评估信息包括生长较差信息、生长一般信息与生长快速信息，所述影像分析模块对水生蔬菜影像信息进行分析处理，生成蔬菜生长评估信息与虫害警示信息的具体过程如下：
SS1：提取出采集到的水生蔬菜影像信息，水生蔬菜影像信息为每隔预设时长即采集一次的影像信息；
SS2：提取出第一次采集到的植物影像信息植物对其进行处理得到第一植物高度信息，将其标记为H1，再提取出最后一次采集到的植物影像信息植物对其进行处理得到第二植物高度信息，将其标记为H2；
SS3：计算出第二植物高度信息H2与第一植物高度信息H1之间的差值得到高度差H差；
SS4：再计算出第一次采集到的植物影像信息与最后一次采集到的植物影像信息植物之间的时间差得到生长时长T；
SS5：计算出高度差H差与生长时长T之间的比值得到单位生长长度信息Ht；
SS6：当单位生长长度信息Ht小于预设值，生长时长T大于预设时长，第二植物高度信息H2小于预设值时，即生成生长较差信息；
当单位生长长度信息Ht在预设值范围内，第二植物高度信息H2在预设值范围内时，即生成生长一般信息；
当单位生长长度信息Ht大于预设值，第二植物高度信息H2大于预设值，生长时长T小于预设时长，即生成生长快速信息；
SS7：对采集到的水生蔬菜影像信息进行颜色采集，获取到水生蔬菜的主体颜色信息；
SS8：当后续采集到水生蔬菜影像信息中出现占地面积小于预设值的异常颜色块时，且该颜色块发生位移时，对异常颜色块影像进行放大并进行清晰化处理后上传互联网中进行识别害虫识别，当识别出该颜色块属于害虫时，即生成虫害警示信息，虫害警示信息中包含了具体害虫种类信息与治理害虫药剂种类信息。
进一步在于，所述对异常颜色块影像进行放大并进行清晰化处理的具体过程如下：通过深度学习进行超分重建的算法是SRCNN算法，对输入的异常颜色块影像进行处理，SRCNN首先使用双立方插值将其放大至目标尺寸，然后利用一个三层的卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射，最后将网络输出的结果作为重建后的高分辨率图像，即高清的放大后的异常颜色块影像。
进一步在于，所述虫害治理信息包括全面杀虫信息与区域杀虫信息，所述虫害治理模块用于对虫害警示信息进行处理生成虫害治理信息的具体过程如下：提取采集到的虫害警示信息，同时采集到发现虫害警示信息出现的个数信息，再提取出种植面积信息，将种植面积信息标记为Y，将虫害警示信息出现的个数信息标记为P，计算出通过公式得到虫害占比信息Yp，z为修正值，0.9≤z≤1.1，当虫害占比信息Yp大于预设值时，即生成全面杀虫信息，当虫害占比信息Yp小于预设值时，即生成区域杀虫信息；
同时虫害治理模块同时将具体害虫种类信息与治理害虫药剂种类信息导入到虫害治理信息中。
进一步在于，所述虫害治理信息被发送到肥水调整模块后，肥水调整模块根据接收到具体害虫种类信息与治理害虫药剂种类信息，将药剂导入到喷洒设备后，根据虫害治理信息具体内容进行全面杀虫或区域杀虫。
进一步在于，所述种植水评估信息包括缺氧信息与缺肥信息，所述种植水评估信息与水位调整信息的具体处理过程如下：提取出采集到的种植水水质信息，从种植水水质信息中获取到种植水的含氧量信息、氮含量信息与磷含量信息，将含氧量信息标记为M1、氮含量信息标记为M2、磷含量信息标记为M3，当含氧量信息低于预设值时，即生成缺氧信息，当氮含量信息M2和磷含量信息M3小于预设值即生成缺肥信息；
所述缺氧信息与缺肥信息生成后被发送到水肥管控模块，所述水肥管控模块进行对种植水进行更换和补肥作业；
同时当提取出采集到的水位信息，水位信息低于预设值时，即生成水位调整信息。
进一步在于，所述影像处理模块获取到影像信息后同时对采集到影像内的蔬菜种类进行分析，得到蔬菜种类信息，蔬菜种类信息被发送到水肥管控模块，所述水肥管控模块将蔬菜种类信息上传到互联网，从互联网中获取到该种类蔬菜的最佳水肥信息，并根据最佳水肥信息进行水肥管控；
同时获取到蔬菜种类信息后，从互联网中获取到该种蔬菜的最佳种植水位信息，当水位调整信息生成时，水肥管控模块即根据获取到的蔬菜的最佳种植水位信息进行水位调整。
本发明相比现有技术具有以下优点：该水生蔬菜种植用肥水管控系统，在进行肥水管控过程中，实时监测了肥水管道，在肥水管道异常时，及时的发出警示信息，避免肥水管道堵塞等原因导致的水生蔬菜肥水供应不足水生蔬菜生长变慢等状况发生，并且在供水前，对灌溉水源进行综合分析评估，避免了灌溉水源水质差导致的水生蔬菜坏死的状况发生，同时在种植过程中，采集种植影像，对水生蔬菜的生长状态进行评估，生成对应的评估信息，让管理人员能够了解到蔬菜生长状态，从而进行更加科学的水肥调整，实现了全面的水生蔬菜的水肥管控，让水生蔬菜能够更好更快的生长，增加种植水生蔬菜的经济收益，从而让该系统更加值得推广使用。
附图说明
图1是本发明的系统框图。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，本实施例提供一种技术方案：一种水生蔬菜种植用肥水管控系统，包括：管道信息采集模块，所述管道信息采集模块用于采集输送肥水的管道流量信息与水压信息；管道评估模块，所述管道评估模块用于对管道流量信息与水压信息进行处理生成管道警示信息；所述管道评估模块对管道流量信息与水压信息进行处理生成管道警示信息的具体过程如下：
步骤一：提取出采集到的管道流量信息与水压信息，水压信息为进水口水压与出水口水压，将管道流量信息标记为K流，将进水口水压标记为K1压，将出水口水压标记为K2压；
步骤二：连续采集x次管道流量信息K流，当x次管道流量信息K流逐渐变小时，或者管道流量信息K流出现为0数值时即生成管道警示信息；
步骤三：当无法采集到流量信息时，即提取出进水口水压K1压和出水口水压K2压，计算出进水口水压K1压和出水口水压K2压之间的差值，得到水压差K差，当水压差K差小于预设值或者出水口水压K2压为0时，即生成管道警示信息。
通过实时的监测肥水的管道状态，在发生管道堵塞时，及时的发出警示信息，从而减少因为管道堵塞未被发现导致的废水输送不到位，水生蔬菜肥水供给不足导致的水生蔬菜生长慢或者坏死的状况发生。
水质采集模块，所述水质采集模块用于采集外部供水水源的水质信息；
水质评估模块，所述水质评估模块用于对外部供水水源的水质信息进行分析生成水质评估信息；
所述水质评估信息包括不使用水源信息、一级水质、二级水质、三级水质与四级水质，所述水质评估模块对外部供水水源的水质信息进行分析生成水质评估信息的具体过程如下：
S1：提取出采集到外部供水水源的水质信息，外部供水水源的水质信息包括水的pH值信息、悬浮物含量信息、氯化钠含量信息、溶解氧含量信息、重金属含量信息，将pH值信息标记为Q、悬浮物含量信息标记为P1、氯化钠含量信息标记为P2、溶解氧含量信息标记为P3、重金属含量信息标记为P4；
S2：当供水水源pH值信息在预设范围内时，进水水质评估，当供水水源pH值信息在预设范围外时，即生成不使用水源信息；
S3：当悬浮物含量信息P1小于预设值、氯化钠含量信息P2小于预设值、溶解氧含量信息P3大于预设值、重金属含量信息P4小于预设值时，即生成一级水质信息；
S4：当悬浮物含量信息、氯化钠含量信息P2与重金属含量信息P4中，溶解氧含量信息P3中任意一项大于预设值，且溶解氧含量信息P3大于预设值、即生成二级水质信息；
S5：当悬浮物含量信息、氯化钠含量信息P2与重金属含量信息P4中，溶解氧含量信息P3中任意两项大于预设值，且溶解氧含量信息P3大于预设值、即生成三级水质信息；
S6：当悬浮物含量信息、氯化钠含量信息P2与重金属含量信息P4中，溶解氧含量信息P3中均大于预设值，无论溶解氧含量信息P3为何值，都生成四级水质信息。
通过上述过程，实现了灌溉用水的综合评估，让管理人员能够了解到灌溉用水的水质信息，从而减少了因为灌溉水质差导致的水生蔬菜品质变低、生长变慢和坏死的状况发生，降低了水生蔬菜的种植风险。
种植影像采集模块，所述种植影像采集模块用于采集水生蔬菜种植过程中的水生蔬菜影像信息；影像分析模块，所述影像分析模块用于对水生蔬菜影像信息进行分析处理，生成蔬菜生长评估信息与虫害警示信息；
所述蔬菜生长评估信息包括生长较差信息、生长一般信息与生长快速信息，所述影像分析模块对水生蔬菜影像信息进行分析处理，生成蔬菜生长评估信息与虫害警示信息的具体过程如下：
SS1：提取出采集到的水生蔬菜影像信息，水生蔬菜影像信息为每隔预设时长即采集一次的影像信息；
SS2：提取出第一次采集到的植物影像信息植物对其进行处理得到第一植物高度信息，将其标记为H1，再提取出最后一次采集到的植物影像信息植物对其进行处理得到第二植物高度信息，将其标记为H2；
SS3：计算出第二植物高度信息H2与第一植物高度信息H1之间的差值得到高度差H差；
SS4：再计算出第一次采集到的植物影像信息与最后一次采集到的植物影像信息植物之间的时间差得到生长时长T；
SS5：计算出高度差H差与生长时长T之间的比值得到单位生长长度信息Ht；
SS6：当单位生长长度信息Ht小于预设值，生长时长T大于预设时长，第二植物高度信息H2小于预设值时，即生成生长较差信息；
当单位生长长度信息Ht在预设值范围内，第二植物高度信息H2在预设值范围内时，即生成生长一般信息；
当单位生长长度信息Ht大于预设值，第二植物高度信息H2大于预设值，生长时长T小于预设时长，即生成生长快速信息；
SS7：对采集到的水生蔬菜影像信息进行颜色采集，获取到水生蔬菜的主体颜色信息；
SS8：当后续采集到水生蔬菜影像信息中出现占地面积小于预设值的异常颜色块时，且该颜色块发生位移时，对异常颜色块影像进行放大并进行清晰化处理后上传互联网中进行识别害虫识别，当识别出该颜色块属于害虫时，即生成虫害警示信息，虫害警示信息中包含了具体害虫种类信息与治理害虫药剂种类信息；所述对异常颜色块影像进行放大并进行清晰化处理的具体过程如下：通过深度学习进行超分重建的算法是SRCNN算法，对输入的异常颜色块影像进行处理，SRCNN首先使用双立方插值将其放大至目标尺寸，然后利用一个三层的卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射，最后将网络输出的结果作为重建后的高分辨率图像，即高清的放大后的异常颜色块影像；
同时蔬菜高度的获取过程如下；提取任意一张种植影像信息，从种植影像信息中获取到水平面，再获取到影像中水生蔬菜的最高点，将其标记为点A1，以获取到水平面基准面，以点A1为端点做垂直于水平面的线段得到线段L1，测量出线段L1的长度即获取到蔬菜高度信息。
通过上述过程，采集了水生蔬菜影像信息，对水生蔬菜影像信息进行处理能够得到蔬菜生长的评估信息，通过蔬菜生长评估信息了解到蔬菜的生长状态，在发现蔬菜生长状态差时，及时的进行肥水补给，为蔬菜提供更多的养分，从而促进蔬菜生长，提升蔬菜出产率，即增加了用户经济收益，同时也通过影像分析能够了解到水生蔬菜是否发生虫害。
虫害评估模块，所述虫害评估模块用于在虫害警示信息生成后，对虫害警示信息进行处理生成虫害警示信息；虫害治理模块，所述虫害治理模块用于对虫害警示信息进行处理生成虫害治理信息；
同时虫害治理模块同时将具体害虫种类信息与治理害虫药剂种类信息导入到虫害治理信息中，所述虫害治理信息包括全面杀虫信息与区域杀虫信息，所述虫害治理模块用于对虫害警示信息进行处理生成虫害治理信息的具体过程如下：提取采集到的虫害警示信息，同时采集到发现虫害警示信息出现的个数信息，再提取出种植面积信息，将种植面积信息标记为Y，将虫害警示信息出现的个数信息标记为P，计算出通过公式得到虫害占比信息Yp，z为修正值，0.9≤z≤1.1，当虫害占比信息Yp大于预设值时，即生成全面杀虫信息，当虫害占比信息Yp小于预设值时，即生成区域杀虫信息；同时虫害治理模块同时将具体害虫种类信息与治理害虫药剂种类信息导入到虫害治理信息中；所述虫害治理信息被发送到肥水调整模块后，肥水调整模块根据接收到具体害虫种类信息与治理害虫药剂种类信息，将药剂导入到喷洒设备后，根据虫害治理信息具体内容进行全面杀虫或区域杀虫。
通过获取到具体的害虫信息进行精准化的害虫杀灭，加快了灭虫速度，并且通过设置的全面杀虫信息与区域杀虫信息，能够避免害虫出现即进行大范围灭杀导致的未发生害虫的蔬菜也遭受到药剂喷洒的状况发生。
种植面积采集模块，所述种植面积采集模块用于采集水生蔬菜的种植面积信息；
种植水采集模块，所述种植水采集模块用于种植水的水质信息与水位信息，种植水水质信息包括含氧量信息、氮含量信息与磷含量信息；
种植水分析模块，所述种植水分析模块用于对种植水的水质信息进行分析生成种植水评估信息，同时种植水分析模块对水位信息进行分析生成水位调整信息；
肥水调整模块，所述肥水调整模块用于根据实际接收到的调控信息进行肥水添加管控和杀虫药剂添加管控。
所述种植水评估信息包括缺氧信息与缺肥信息，所述种植水评估信息与水位调整信息的具体处理过程如下：提取出采集到的种植水水质信息，从种植水水质信息中获取到种植水的含氧量信息、氮含量信息与磷含量信息，将含氧量信息标记为M1、氮含量信息标记为M2、磷含量信息标记为M3，当含氧量信息低于预设值时，即生成缺氧信息，当氮含量信息M2和磷含量信息M3小于预设值即生成缺肥信息；
所述缺氧信息与缺肥信息生成后被发送到水肥管控模块，所述水肥管控模块进行对种植水进行更换和补肥作业；
同时当提取出采集到的水位信息，水位信息低于预设值时，即生成水位调整信息。
所述影像处理模块获取到影像信息后同时对采集到影像内的蔬菜种类进行分析，得到蔬菜种类信息，蔬菜种类信息被发送到水肥管控模块，所述水肥管控模块将蔬菜种类信息上传到互联网，从互联网中获取到该种类蔬菜的最佳水肥信息，并根据最佳水肥信息进行水肥管控；获取到蔬菜种类信息后，从互联网中获取到该种蔬菜的最佳种植水位信息，当水位调整信息生成时，水肥管控模块即根据获取到的蔬菜的最佳种植水位信息进行水位调整；
通过上述过程，能够实现精准供水供肥，让种植的水生蔬菜能够更加安全快速的生长，从而保证水生蔬菜的出产率，增加经济收益。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种水生蔬菜种植用肥水管控系统，其特征在于，包括：
管道信息采集模块，所述管道信息采集模块用于采集输送肥水的管道流量信息与水压信息；
管道评估模块，所述管道评估模块用于对管道流量信息与水压信息进行处理生成管道警示信息；
水质采集模块，所述水质采集模块用于采集外部供水水源的水质信息；
水质评估模块，所述水质评估模块用于对外部供水水源的水质信息进行分析生成水质评估信息；
种植影像采集模块，所述种植影像采集模块用于采集水生蔬菜种植过程中的水生蔬菜影像信息；
影像分析模块，所述影像分析模块用于对水生蔬菜影像信息进行分析处理，生成蔬菜生长评估信息与虫害警示信息；
虫害评估模块，所述虫害评估模块用于在虫害警示信息生成后，对虫害警示信息进行处理生成虫害警示信息；
虫害治理模块，所述虫害治理模块用于对虫害警示信息进行处理生成虫害治理信息；
种植面积采集模块，所述种植面积采集模块用于采集水生蔬菜的种植面积信息；
种植水采集模块，所述种植水采集模块用于种植水的水质信息与水位信息，种植水水质信息包括含氧量信息、氮含量信息与磷含量信息；
种植水分析模块，所述种植水分析模块用于对种植水的水质信息进行分析生成种植水评估信息，同时种植水分析模块对水位信息进行分析生成水位调整信息；
肥水调整模块，所述肥水调整模块用于根据实际接收到的调控信息进行肥水添加管控和杀虫药剂添加管控；
所述蔬菜生长评估信息包括生长较差信息、生长一般信息与生长快速信息，所述影像分析模块对水生蔬菜影像信息进行分析处理，生成蔬菜生长评估信息与虫害警示信息的具体过程如下：
SS1：提取出采集到的水生蔬菜影像信息，水生蔬菜影像信息为每隔预设时长即采集一次的影像信息；
SS2：提取出第一次采集到的植物影像信息植物对其进行处理得到第一植物高度信息，将其标记为H1，再提取出最后一次采集到的植物影像信息植物对其进行处理得到第二植物高度信息，将其标记为H2；
SS3：计算出第二植物高度信息H2与第一植物高度信息H1之间的差值得到高度差H差；
SS4：再计算出第一次采集到的植物影像信息与最后一次采集到的植物影像信息植物之间的时间差得到生长时长T；
SS5：计算出高度差H差与生长时长T之间的比值得到单位生长长度信息Ht；
SS6：当单位生长长度信息Ht小于预设值，生长时长T大于预设时长，第二植物高度信息H2小于预设值时，即生成生长较差信息；
当单位生长长度信息Ht在预设值范围内，第二植物高度信息H2在预设值范围内时，即生成生长一般信息；
当单位生长长度信息Ht大于预设值，第二植物高度信息H2大于预设值，生长时长T小于预设时长，即生成生长快速信息；
SS7：对采集到的水生蔬菜影像信息进行颜色采集，获取到水生蔬菜的主体颜色信息；
SS8：当后续采集到水生蔬菜影像信息中出现占地面积小于预设值的异常颜色块时，且该颜色块发生位移时，对异常颜色块影像进行放大并进行清晰化处理后上传互联网中进行识别害虫识别，当识别出该颜色块属于害虫时，即生成虫害警示信息，虫害警示信息中包含了具体害虫种类信息与治理害虫药剂种类信息。
2.根据权利要求1所述的一种水生蔬菜种植用肥水管控系统，其特征在于：所述管道评估模块对管道流量信息与水压信息进行处理生成管道警示信息的具体过程如下：
步骤一：提取出采集到的管道流量信息与水压信息，水压信息为进水口水压与出水口水压，将管道流量信息标记为K流，将进水口水压标记为K1压，将出水口水压标记为K2压；
步骤二：连续采集x次管道流量信息K流，当x次管道流量信息K流逐渐变小时，或者管道流量信息K流出现为0数值时即生成管道警示信息；
步骤三：当无法采集到流量信息时，即提取出进水口水压K1压和出水口水压K2压，计算出进水口水压K1压和出水口水压K2压之间的差值，得到水压差K差，当水压差K差小于预设值或者出水口水压K2压为0时，即生成管道警示信息。
3.根据权利要求1所述的一种水生蔬菜种植用肥水管控系统，其特征在于：所述水质评估信息包括不使用水源信息、一级水质、二级水质、三级水质与四级水质，所述水质评估模块对外部供水水源的水质信息进行分析生成水质评估信息的具体过程如下：
S1：提取出采集到外部供水水源的水质信息，外部供水水源的水质信息包括水的pH值信息、悬浮物含量信息、氯化钠含量信息、溶解氧含量信息、重金属含量信息，将pH值信息标记为Q、悬浮物含量信息标记为P1、氯化钠含量信息标记为P2、溶解氧含量信息标记为P3、重金属含量信息标记为P4；
S2：当供水水源pH值信息在预设范围内时，进水水质评估，当供水水源pH值信息在预设范围外时，即生成不使用水源信息；
S3：当悬浮物含量信息P1小于预设值、氯化钠含量信息P2小于预设值、溶解氧含量信息P3大于预设值、重金属含量信息P4小于预设值时，即生成一级水质信息；
S4：当悬浮物含量信息、氯化钠含量信息P2与重金属含量信息P4中，溶解氧含量信息P3中任意一项大于预设值，且溶解氧含量信息P3大于预设值、即生成二级水质信息；
S5：当悬浮物含量信息、氯化钠含量信息P2与重金属含量信息P4中，溶解氧含量信息P3中任意两项大于预设值，且溶解氧含量信息P3大于预设值、即生成三级水质信息；
S6：当悬浮物含量信息、氯化钠含量信息P2与重金属含量信息P4中，溶解氧含量信息P3中均大于预设值，无论溶解氧含量信息P3为何值，都生成四级水质信息。
4.根据权利要求1所述的一种水生蔬菜种植用肥水管控系统，其特征在于：所述对异常颜色块影像进行放大并进行清晰化处理的具体过程如下：通过深度学习进行超分重建的算法是SRCNN算法，对输入的异常颜色块影像进行处理，SRCNN首先使用双立方插值将其放大至目标尺寸，然后利用一个三层的卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射，最后将网络输出的结果作为重建后的高分辨率图像，即高清的放大后的异常颜色块影像。
5.根据权利要求1所述的一种水生蔬菜种植用肥水管控系统，其特征在于：所述虫害治理信息包括全面杀虫信息与区域杀虫信息，所述虫害治理模块用于对虫害警示信息进行处理生成虫害治理信息的具体过程如下：提取采集到的虫害警示信息，同时采集到发现虫害警示信息出现的个数信息，再提取出种植面积信息，将种植面积信息标记为Y，将虫害警示信息出现的个数信息标记为P，计算出通过公式*z，得到虫害占比信息/>，z为修正值，0.9≤z≤1.1，当虫害占比信息/>大于预设值时，即生成全面杀虫信息，当虫害占比信息/>小于预设值时，即生成区域杀虫信息；
同时虫害治理模块同时将具体害虫种类信息与治理害虫药剂种类信息导入到虫害治理信息中。
6.根据权利要求1或5所述的一种水生蔬菜种植用肥水管控系统，其特征在于：所述虫害治理信息被发送到肥水调整模块后，肥水调整模块根据接收到具体害虫种类信息与治理害虫药剂种类信息，将药剂导入到喷洒设备后，根据虫害治理信息具体内容进行全面杀虫或区域杀虫。
7.根据权利要求1所述的一种水生蔬菜种植用肥水管控系统，其特征在于：所述种植水评估信息包括缺氧信息与缺肥信息，所述种植水评估信息与水位调整信息的具体处理过程如下：提取出采集到的种植水水质信息，从种植水水质信息中获取到种植水的含氧量信息、氮含量信息与磷含量信息，将含氧量信息标记为M1、氮含量信息标记为M2、磷含量信息标记为M3，当含氧量信息低于预设值时，即生成缺氧信息，当氮含量信息M2和磷含量信息M3小于预设值即生成缺肥信息；
所述缺氧信息与缺肥信息生成后被发送到水肥管控模块，所述水肥管控模块进行对种植水进行更换和补肥作业；
同时当提取出采集到的水位信息，水位信息低于预设值时，即生成水位调整信息。
8.根据权利要求1所述的一种水生蔬菜种植用肥水管控系统，其特征在于：所述影像分析模块获取到影像信息后同时对采集到影像内的蔬菜种类进行分析，得到蔬菜种类信息，蔬菜种类信息被发送到水肥管控模块，所述水肥管控模块将蔬菜种类信息上传到互联网，从互联网中获取到该种类蔬菜的最佳水肥信息，并根据最佳水肥信息进行水肥管控；
同时获取到蔬菜种类信息后，从互联网中获取到该种蔬菜的最佳种植水位信息，当水位调整信息生成时，水肥管控模块即根据获取到的蔬菜的最佳种植水位信息进行水位调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210639630.8A CN115053685B (zh) | 2022-06-07 | 2022-06-07 | 一种水生蔬菜种植用肥水管控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210639630.8A CN115053685B (zh) | 2022-06-07 | 2022-06-07 | 一种水生蔬菜种植用肥水管控系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115053685A CN115053685A (zh) | 2022-09-16 |
| CN115053685B true CN115053685B (zh) | 2023-11-28 |
Family
ID=83199577
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210639630.8A Active CN115053685B (zh) | 2022-06-07 | 2022-06-07 | 一种水生蔬菜种植用肥水管控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115053685B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202054455U (zh) * | 2010-10-12 | 2011-11-30 | 刘成华 | 可控制料位的散装头 |
| CN102621283A (zh) * | 2011-09-02 | 2012-08-01 | 中国环境科学研究院 | 一种适用于海河流域水体的利用沉水植物快速评价水质的技术方法 |
| CN103424366A (zh) * | 2013-07-30 | 2013-12-04 | 上海丰凸通讯科技有限公司 | 一种多光谱精准识别的智能施肥实施方法 |
| CN106001014A (zh) * | 2016-07-20 | 2016-10-12 | 安徽朗坤物联网有限公司 | 基于物联网的农业滴灌管道检测系统 |
| CN107290495A (zh) * | 2017-07-11 | 2017-10-24 | 中国科学院南京地理与湖泊研究所 | 基于多参数指标的河流水质评价方法 |
| CN107998735A (zh) * | 2016-11-30 | 2018-05-08 | 佛山市美的清湖净水设备有限公司 | 检测滤芯寿命的装置、净水器及检测滤芯寿命的方法 |
| CN108059541A (zh) * | 2018-01-12 | 2018-05-22 | 厦门市银农种苗有限公司 | 一种育苗基质及其制备方法 |
| CN108872508A (zh) * | 2018-05-08 | 2018-11-23 | 苏州科技大学 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
| CN109492619A (zh) * | 2018-12-17 | 2019-03-19 | 北京精禾大数据科技有限公司 | 集遥感、模型、算法为一体的变量施农药方法及系统 |
| CN109581953A (zh) * | 2019-01-08 | 2019-04-05 | 安徽省农业科学院水产研究所 | 一种棒花鱼养殖环境智能监控系统 |
| CN112243846A (zh) * | 2020-11-03 | 2021-01-22 | 山东汇金海智慧农业研究院有限公司 | 农作物沙培基质中水肥含量精准补给系统及控制方法 |
| CN112335631A (zh) * | 2020-10-12 | 2021-02-09 | 安徽军松现代农业科技有限公司 | 一种大棚种植用病虫害监测调控系统 |
| CN113575268A (zh) * | 2021-08-15 | 2021-11-02 | 合肥陶新生态农业发展有限公司 | 一种基于物联网的智能化葡萄大棚种植系统 |
| CN215492001U (zh) * | 2021-05-18 | 2022-01-11 | 四川华辰豫安能源工程有限公司 | 一种管嘴流量校准装置 |
| CN114577262A (zh) * | 2022-02-28 | 2022-06-03 | 湖南艾伦食品有限公司 | 一种具有病理分析功能的农作物监控系统 |
-
2022
- 2022-06-07 CN CN202210639630.8A patent/CN115053685B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN202054455U (zh) * | 2010-10-12 | 2011-11-30 | 刘成华 | 可控制料位的散装头 |
| CN102621283A (zh) * | 2011-09-02 | 2012-08-01 | 中国环境科学研究院 | 一种适用于海河流域水体的利用沉水植物快速评价水质的技术方法 |
| CN103424366A (zh) * | 2013-07-30 | 2013-12-04 | 上海丰凸通讯科技有限公司 | 一种多光谱精准识别的智能施肥实施方法 |
| CN106001014A (zh) * | 2016-07-20 | 2016-10-12 | 安徽朗坤物联网有限公司 | 基于物联网的农业滴灌管道检测系统 |
| CN107998735A (zh) * | 2016-11-30 | 2018-05-08 | 佛山市美的清湖净水设备有限公司 | 检测滤芯寿命的装置、净水器及检测滤芯寿命的方法 |
| CN107290495A (zh) * | 2017-07-11 | 2017-10-24 | 中国科学院南京地理与湖泊研究所 | 基于多参数指标的河流水质评价方法 |
| CN108059541A (zh) * | 2018-01-12 | 2018-05-22 | 厦门市银农种苗有限公司 | 一种育苗基质及其制备方法 |
| CN108872508A (zh) * | 2018-05-08 | 2018-11-23 | 苏州科技大学 | 一种ga-bp优化tsfnn的富营养水质评价方法 |
| CN109492619A (zh) * | 2018-12-17 | 2019-03-19 | 北京精禾大数据科技有限公司 | 集遥感、模型、算法为一体的变量施农药方法及系统 |
| CN109581953A (zh) * | 2019-01-08 | 2019-04-05 | 安徽省农业科学院水产研究所 | 一种棒花鱼养殖环境智能监控系统 |
| CN112335631A (zh) * | 2020-10-12 | 2021-02-09 | 安徽军松现代农业科技有限公司 | 一种大棚种植用病虫害监测调控系统 |
| CN112243846A (zh) * | 2020-11-03 | 2021-01-22 | 山东汇金海智慧农业研究院有限公司 | 农作物沙培基质中水肥含量精准补给系统及控制方法 |
| CN215492001U (zh) * | 2021-05-18 | 2022-01-11 | 四川华辰豫安能源工程有限公司 | 一种管嘴流量校准装置 |
| CN113575268A (zh) * | 2021-08-15 | 2021-11-02 | 合肥陶新生态农业发展有限公司 | 一种基于物联网的智能化葡萄大棚种植系统 |
| CN114577262A (zh) * | 2022-02-28 | 2022-06-03 | 湖南艾伦食品有限公司 | 一种具有病理分析功能的农作物监控系统 |
Non-Patent Citations (2)
| Title |
|---|
| 森林病虫害发生程度的评价方法;谢大洋;福建林学院学报(第03期);全文 * |
| 灰色聚类法评价淀山湖水质状况;王旭晨;王丽卿;彭自然;;上海水产大学学报(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115053685A (zh) | 2022-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110455340B (zh) | 一种基于大数据的农产品种植环境检测系统 | |
| CN111480557A (zh) | 一种基于大数据物联网的农业灌溉实时监测调控系统 | |
| CN109874477B (zh) | 一种农业园区施肥机托管方法及系统 | |
| CN108614607B (zh) | 一种基于即时监控数据的农业生产多因素管理决策系统 | |
| WO2019081567A1 (de) | Ertragsabschätzung beim anbau von kulturpflanzen | |
| CN106688705A (zh) | 一种智能种植大棚及其采用的监测方法 | |
| CN112001242B (zh) | 一种智能园艺管理方法和装置 | |
| CN113196929A (zh) | 水肥一体化智能控制系统及其控制方法 | |
| CN111460998B (zh) | 一种动态喷洒方法及其系统 | |
| CN113469112A (zh) | 农作物生长状况图像识别方法及系统 | |
| CN112526909A (zh) | 一种基于物联网的智慧农业设备系统 | |
| DE202022103610U1 (de) | IoT-basiertes intelligentes Landwirtschaftssystem mit künstlicher Intelligenz | |
| CN115053685B (zh) | 一种水生蔬菜种植用肥水管控系统 | |
| Eswara Prasad et al. | Analysis of On-Farm Trials and Level of Technology on Oilseeds and Pulse Crop in Northern Telangana Zone of Andhra Pradesh | |
| CN114004458A (zh) | 一种多态势感知融合的植物生长管理系统 | |
| CN110089308B (zh) | 一种应用智能系统培育植物的方法 | |
| CN109819956A (zh) | 一种农药喷洒植保作业分析模型及分析方法 | |
| CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
| CN116616019A (zh) | 基于物联网和人工智能的油茶水肥一体化滴灌方法及系统 | |
| CN106713414A (zh) | 一种生命周期模型解决种植问题的服务系统 | |
| CN110583198A (zh) | 一种智能水肥一体自动化灌溉方法 | |
| CN114902936B (zh) | 基于传感器感知技术的智能排碱层结构及系统 | |
| CN214623733U (zh) | 一种基于bim的农业大棚设施设备综合管控系统 | |
| CN111563824B (zh) | 一种基于油松人工林地研究系统及方法 | |
| TW201909093A (zh) | 智能排程系統及其方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |