CN115238964A - 一种水稻收成预测评估方法及系统 - Google Patents
一种水稻收成预测评估方法及系统 Download PDFInfo
- Publication number
- CN115238964A CN115238964A CN202210747186.1A CN202210747186A CN115238964A CN 115238964 A CN115238964 A CN 115238964A CN 202210747186 A CN202210747186 A CN 202210747186A CN 115238964 A CN115238964 A CN 115238964A
- Authority
- CN
- China
- Prior art keywords
- rice
- information
- harvest
- stage
- parameter
- 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.)
- Pending
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 362
- 235000009566 rice Nutrition 0.000 title claims abstract description 362
- 238000003306 harvesting Methods 0.000 title claims abstract description 191
- 238000011156 evaluation Methods 0.000 title claims abstract description 75
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 361
- 230000000694 effects Effects 0.000 claims abstract description 62
- 235000013339 cereals Nutrition 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims description 39
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 19
- 238000013526 transfer learning Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 5
- 238000005065 mining Methods 0.000 claims description 4
- 235000015097 nutrients Nutrition 0.000 abstract description 7
- 238000009825 accumulation Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 238000012271 agricultural production Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 239000008267 milk Substances 0.000 description 2
- 210000004080 milk Anatomy 0.000 description 2
- 235000013336 milk Nutrition 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Animal Behavior & Ethology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种水稻收成预测评估方法及系统,所述方法包括:通过对水稻收成关键期的阶段生长参数进行分析,可以构建知识图谱,利用图谱中的参数进行其他相关知识关系的检索,获取需要的对应的生长条件,然后在判断出水稻的生长阶段后,与所述关键期参数图谱进行参数匹配,得到阶段性的影响参数,最后将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。解决了现有技术中存在无法准确的根据影响水稻收成的相关因素对水稻收成进行预测评估,确定收获时间的技术问题,达到了在水稻籽粒重量最大、养分积累量最多的时候进行采收,实现了水稻的高产优产,准确进行水稻收成预测评估的技术效果。
Description
技术领域
本申请涉及数字农业领域,尤其涉及一种水稻收成预测评估方法及系统。
背景技术
我国是农业大国,随着经济的飞速发展,新型的农业生产模式也在不断地被探索,包括与食品加工、医药等多个方面联合起来,将新型科学技术应用到农业生产上,加强农业基础研究和应用基础研究,这对于我国农业的新型发展有着重要的意义。
目前,存在采用传感器将田间实验数据集中起来,通过数据分析来处理海量信息,通过分析与水稻的成长相关的因素来对水稻的收成进行预测,通过长期对一些指标进行跟踪,对具体数据进行采集、从而评估水稻的收获量。
现有技术中在获得影响水稻收成的相关因素后,由于数据繁多,各个因素之间的相互作用的程度不清楚,无法准确判断对于水稻收成的影响程度,进而不能准确预测水稻的收成,甚至由于对水稻的收获量和收获时间预测不准确,导致没有提前发现影响水稻收成的因素变化或错误判断收割水稻的时间,影响水稻的高产优收,存在无法准确的根据影响水稻收成的相关因素对水稻收成进行预测评估,确定收获时间的技术问题。
发明内容
本申请的目的是提供一种水稻收成预测评估方法及系统,用以解决现有技术中存在无法准确的根据影响水稻收成的相关因素对水稻收成进行预测评估,确定收获时间的技术问题。
鉴于上述问题,本申请提供了一种水稻收成预测评估方法及系统。
第一方面,本申请提供了一种水稻收成预测评估方法,所述方法通过一种水稻收成预测评估系统实现,其中,所述方法包括:根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱;通过所述图像采集设备获得第一水稻图像信息,对所述第一水稻图像信息进行特征分析,确定水稻生长阶段;判断所述水稻生长阶段是否处于水稻收成关键期,当处于时,根据所述水稻生长阶段、所述关键期参数图谱进行参数匹配,获得阶段影响参数信息;根据所述阶段影响参数信息进行参数对应数据获取,得到影响数据;基于所述水稻生长阶段,对所述第一水稻图像信息进行水稻生长状态特征分析,获得籽粒状态信息、叶片颜色活性;将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。
另一方面,本申请还提供了一种水稻收成预测评估系统,用于执行如第一方面所述的一种水稻收成预测评估方法,其中,所述系统包括:第一构建单元,所述第一构建单元用于根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱;第一确定单元,所述第一确定单元用于通过图像采集设备获得第一水稻图像信息,对所述第一水稻图像信息进行特征分析,确定水稻生长阶段;第一获得单元,所述第一获得单元用于判断所述水稻生长阶段是否处于水稻收成关键期,当处于时,根据所述水稻生长阶段、所述关键期参数图谱进行参数匹配,获得阶段影响参数信息;第二获得单元,所述第二获得单元用于根据所述阶段影响参数信息进行参数对应数据获取,得到影响数据;第三获得单元,所述第三获得单元用于基于所述水稻生长阶段,对所述第一水稻图像信息进行水稻生长状态特征分析,获得籽粒状态信息、叶片颜色活性;第四获得单元,所述第四获得单元用于将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。
第三方面,本申请还提供了一种水稻收成预测评估系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
第四方面,一种计算机可读存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述第一方面中任一项所述的方法。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的方法通过根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱,进而通过所述图像采集设备获得第一水稻图像信息,对所述第一水稻图像信息进行特征分析,确定水稻生长阶段,然后判断所述水稻生长阶段是否处于水稻收成关键期,当处于时,根据所述水稻生长阶段、所述关键期参数图谱进行参数匹配,获得阶段影响参数信息,通过所述阶段影响参数信息来获取参数对应的数据,在获得所述水稻生长阶段后,对所述第一水稻图像信息进行水稻生长状态特征分析,获得籽粒状态信息、叶片颜色活性,将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。本申请通过对水稻收成关键期的阶段生长参数进行分析,可以构建知识图谱,进而可以利用图谱中的参数进行其他相关知识关系的检索,获取需要的对应的生长条件,应该有的生长状态,以及当前的生长状态对收成的影响关系,然后在判断出水稻的生长阶段后,与所述关键期参数图谱进行参数匹配,得到阶段性的影响参数,进而可以通过对参数的准确分析来实现水稻收成的准确预测评估,最后将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。经过训练好的模型,可以通过获得的准确数据来精确得出水稻收成的预测评估值,进而实现水稻的高产优产,在水稻籽粒重量最大、养分积累量最多的时候进行采收,达到水稻收成品质好、精米率高、产量大的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请一种水稻收成预测评估方法的流程示意图;
图2为本申请一种水稻收成预测评估方法中根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱的流程示意图;
图3为本申请一种水稻收成预测评估方法中对所述第一水稻图像信息进行特征分析,确定水稻生长阶段的流程示意图;
图4为本申请一种水稻收成预测评估方法中将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值的流程示意图;
图5为本申请一种水稻收成预测评估系统的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一构建单元11,第一确定单元12,第一获得单元13,第二获得单元14,第三获得单元15,第四获得单元16,电子设备300,存储器301,处理器301,通信接口303,总线架构304。
具体实施方式
本申请通过提供一种水稻收成预测评估方法及系统,解决了现有技术中存在无法准确的根据影响水稻收成的相关因素对水稻收成进行预测评估,确定收获时间的技术问题。达到了可以通过获得的准确数据来精确得出水稻收成的预测评估值,进而实现水稻的高产优产的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
申请概述
随着经济与科技的快速发展,拓展新型农业生产模式势在必行,主要包括与食品加工、医药等多个方面联合起来,加强农业科技创新,将新型科学技术应用到农业生产上,促进农业的快速发展。
目前,存在采用传感器将田间实验数据集中起来,通过数据分析来处理海量信息,通过获取影响水稻收成的相关因素,进而长期对一些指标进行跟踪,采集具体的指标参数,获取数据信息后对水稻的收获量进行评估。
现有技术中在获得影响水稻收成的相关因素后,由于数据繁多,无法确定不同阶段对水稻收成影响的因素,进而无法准确判断影响因素对于水稻收成的影响程度,无法准确预测水稻的收成,影响水稻的高产优收,存在无法准确的根据影响水稻收成的相关因素对水稻收成进行预测评估,确定收获时间的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请提供了一种水稻收成预测评估方法,所述方法应用于一种水稻收成预测评估系统,其中,所述方法包括:通过某方法根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱;通过所述图像采集设备获得第一水稻图像信息,对所述第一水稻图像信息进行特征分析,确定水稻生长阶段;判断所述水稻生长阶段是否处于水稻收成关键期,当处于时,根据所述水稻生长阶段、所述关键期参数图谱进行参数匹配,获得阶段影响参数信息根据所述阶段影响参数信息进行参数对应数据获取,得到影响数据;基于所述水稻生长阶段,对所述第一水稻图像信息进行水稻生长状态特征分析,获得籽粒状态信息、叶片颜色活性;将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如附图1所示,本申请提供了一种水稻收成预测评估方法,其中,所述方法应用于一种水稻收成预测评估系统,所述系统包括图像采集设备,所述方法具体包括如下步骤:
步骤S100:根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱;
具体而言,所述水稻收成关键期是在水稻生长过程中会影响水稻的收获量的关键阶段,所述阶段生长参数分析是对影响水稻的收获量的所述阶段生长参数进行分析,所述构建关键期参数图谱是根据所述阶段生长参数构建的有关参数,对参数进行分析处理后,对数据和信息进行凝练、总结,获得的参数之间的关系,从关系的角度来发现隐藏的对水稻收成影响的关键信息。
进一步而言,所述水稻收成关键期是水稻从开始抽穗到发育成熟的四个阶段,具体是乳熟期、蜡熟期、完熟期、枯熟期。所述阶段生长参数包括环境影响参数和水稻成长参数,所述环境影响参数包括:光照、养分、排水供水、催熟等,所述水稻成长参数包括籽粒状态信息、叶片颜色活性等。通过所述构建关键期参数图谱,可以实现将获取到的参数信息构建成图谱信息,利用关键期参数图谱将各关键期对应的影响参数、水稻状态、收成结果等生长参数之间的关系进行描述,能够掌握关键期中对于水稻生长状态各参数的知识网络关联性,进一步为准确的对水稻收成预测评估奠定基础的技术效果。
步骤S200:通过所述图像采集设备获得第一水稻图像信息,对所述第一水稻图像信息进行特征分析,确定水稻生长阶段;
具体而言,所述图像采集设备是用来采集所述第一水稻图像信息的装置,优选的,所述图像采集设备可以是红外摄像机、相机或其他带有拍照功能的设备,所述第一水稻图像信息是水稻的籽粒状态图像和叶片颜色活性等可以反应水稻的生长状态的图像信息,其中,所述对所述第一水稻图像信息进行特征分析是指对所述第一水稻图像信息中反应的水稻生长状态的特征进行分析,进一步准确的判断所述水稻生长阶段。
示例性的,如果采集到的所述第一水稻图像信息显示水稻的籽粒状态为灌浆饱满充实且叶片颜色为青色较多时,说明此时水稻处于乳熟期,在这个阶段水稻没有全部成熟好,籽粒中的养分物质、粒重都没有达到最大化,此时籽粒中的水分含量比较大,在这时采收会降低水稻的总产量。
示例性的,如果采集到的所述第一水稻图像信息显示水稻的籽粒状态为饱满充分且叶片颜色全面变黄,捕捉到这些特征,进一步分析出此时水稻处于完熟期,此时籽粒中的含水量已经处于比较适合收获的阶段,由此,可以实现通过判断对水稻的图像信息进行分析,实现水稻的高产优产的技术效果。
步骤S300:判断所述水稻生长阶段是否处于水稻收成关键期,当处于时,根据所述水稻生长阶段、所述关键期参数图谱进行参数匹配,获得阶段影响参数信息;
具体而言,本申请实施例主要针对水稻收成关键期进行收成评估,因而针对水稻生长阶段进行预判断,当水稻生长阶段为收成关键期,则继续后续预测分析,对于水稻生长的其他阶段由于与收成预测结果存在一定的偏差值,因而不做具体的预测,由于水稻收成关键期中的状态与水稻的收成结果具有密切的关系,直接影响到水稻的产量,对该阶段的水稻进行预测评估,以提高预测结果的可靠性,为有效提高水稻产量提供准确支撑,同时利用水稻当前的生长阶段与关键期参数图谱中找到对应的参数信息,可以实现快速获得影响水稻收成的相关参数的技术效果。所述根据所述水稻生长阶段、所述关键期参数图谱进行参数匹配是在获取到所述水稻生长阶段后,通过利用图谱中的参数进行其他知识关系的检索,获取到于水稻生长阶段相关的参数信息,示例性的,所述阶段影响参数信息包括:需要的生长条件,正常状态下水稻籽粒状态信息和叶片颜色活性信息,水量情况、日照信息等。通过进行参数匹配,可以识别、发现、推断水稻的生长关键期参数信息与水稻收成之间的复杂关系,实现更好地预测水稻收成的技术效果。
步骤S400:根据所述阶段影响参数信息进行参数对应数据获取,得到影响数据;
具体而言,所述根据所述阶段影响参数信息进行参数对应数据获取,得到影响水稻生长的数据,影响数据为与阶段影响参数信息相对应的采集数据,如在当前的生长阶段,日照强度、土壤养分为阶段影响参数,只要保证了阶段影响参数中的要求才能保证水稻的生长要求,利用阶段影响参数信息中要求的参数内容进行对应数据的采集提取,举例而言,日照强度可以通过大数据获取天气预报中的日照时长,可选的,设定日照采集器、土壤检测器,通过日照采集器对水稻所在地的日照进行采集,获得日照数据,通过土壤检测器对土壤的养分进行采集和处理,将采集到的数据同步至水稻收成预测评估系统,利用水稻生长阶段的影响参数要求进行相关参数数据的采集和传输,从而可以对所述影响数据进行分析,来实现提高根据参数信息预测评估水稻参数的准确性的技术效果。
步骤S500:基于所述水稻生长阶段,对所述第一水稻图像信息进行水稻生长状态特征分析,获得籽粒状态信息、叶片颜色活性;
具体而言,所述对所述第一水稻图像信息进行水稻生长状态特征分析,获得所述籽粒状态信息、所述叶片颜色活性是用来获取准确的水稻当前的所述籽粒状态信息、所述叶片颜色活性作为分析水稻当前状态的表征信息,为后续作为输入数据输入到预测模型中,提供准确的输入数据奠定了基础。
步骤S600:将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。
具体而言,所述预测模型是用来基于与水稻收成相关的一些数据或信息,即所述影响数据、所述籽粒状态信息、所述叶片颜色活性,来对水稻收成进行预测评估,通过所述预测模型可以实现快速处理数据,得出准确稳定的结果,进而更好的预测水稻收成,提高水稻收成,促进水稻高产优产的技术效果。
其中,预测模型为机器学习的计算机模型,通过包含影响数据、籽粒状态信息、叶片颜色活性及标识了水稻收成结果的标识信息经过训练和收敛获得的。
进一步的,如附图2所示,所述根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱中,本申请实施例步骤S100还包括:
步骤S110:获得水稻种植记录数据库,其中,所述水稻种植记录数据库包括生长阶段、种植参数、收成信息;
步骤S120:基于所述生长阶段、种植参数、收成信息进行知识抽取,获得知识要素信息,所述知识要素信息包括阶段实体信息、抽取关系信息、抽取属性信息;
步骤S130:对所述知识要素信息进行知识融合,消除知识之间歧义,并以所述阶段实体信息对齐,根据所述抽取关系信息、抽取属性信息,构建知识关系库;
步骤S140:对所述知识关系库进行隐含知识关系挖掘,构建所述关键期参数图谱。
具体而言,所述关键期参数图谱的构建,利用知识图谱技术进行构建,是通过先获得所述水稻种植记录数据库,具体的,通过记录水稻的各个生长阶段、种植参数、收成信息作为基础数据,为后续的所述知识抽取奠定基础,其中,所述知识抽取,获得所述知识要素信息主要是通过NLP处理技术,以实体抽取、实体关系抽取、属性抽取等,对应的,所述知识要素信息包括:所述阶段实体信息、所述抽取关系信息、所述抽取属性信息。所述阶段实体信息是指反应实际水稻生长状态的信息,如:水稻的所述籽粒状态信息,所述叶片颜色活性等。所述抽取关系信息是指所述生长阶段、种植参数、收成信息,能够反映其与影响水稻收成之间的关系的信息,如:水稻处于完熟期的时候,籽粒发育最饱满充分,此时水稻收成最好,可以反映出水稻生长阶段与水稻收成之间的关系信息。所述抽取属性信息是指抽取与事物本身的认知相关的信息,如:种植不同品种的水稻收成量不相同,不同时间采收水稻的收成量不相同有关等。
具体的,在获得所述知识要素后,所述对所述知识要素信息进行知识融合,消除知识之间歧义,并以所述阶段实体信息对齐,可以将获得的知识要素以阶段实体信息为准,进行调整、融合,使融合后的知识信息是以水稻这个实体相关的,可以起到提高知识库数据的准确度,进而提高水稻收成预测评估准确性,实现水稻高产优产的技术效果。
具体的,所述根据所述抽取关系信息、抽取属性信息,构建知识关系库中,所述知识关系库是以水稻为实体的相关知识关系库,通过对所述知识关系库进行隐含知识关系挖掘,构建所述关键期参数图谱,所述关键期参数图谱用来利用图谱中的参数进行水稻其他知识关系的检索,如按照输入的水稻生长阶段进行相关知识关系查找,确定水稻生长阶段需要的生长条件,以及水稻的生长状态对收成的影响关系,建立起参数图谱后,大大提高了查找影响水稻收成的相关参数的效率,实现了更加方便快捷、准确的预测评估水稻收成的技术效果。
进一步的,如附图3所示,所述对所述第一水稻图像信息进行特征分析,确定水稻生长阶段中,本申请实施例步骤S200还包括:
步骤S210:获得水稻生长指标参数;
步骤S220:基于所述水稻生长指标参数,确定指标识别特征;
步骤S230:根据所述指标识别特征对所述第一水稻图像信息进行特征遍历,获得图像指标特征;
步骤S240:根据所述图像指标特征与水稻生长阶段特征集进行比较,确定所述水稻生长阶段。
具体而言,所述水稻生长指标参数是反映水稻生长状态的标志性参数,包括:所述籽粒状态信息、所述叶片颜色活性等,所述基于所述水稻生长指标参数,确定指标识别特征是指将所述水稻生长指标参数转化为计算机可以识别的所述指标识别特征。其中,根据所述指标识别特征对所述第一水稻图像信息进行特征遍历,是指计算机根据所述指标识别特征在所述第一水稻图像中进行特征寻找,找到所述图像指标特征,所述图像指标特征是指在所述水稻当前阶段的所述水稻生长指标参数对应的实际情况,如:当前阶段水稻的籽粒状态信息、当前阶段水稻的叶片颜色活性。进一步的,将获得的所述图像指标特征与所述水稻生长阶段特征集进行比较,所述水稻生长阶段特征集为水稻正常生长状态下在不同的阶段应该有的籽粒状态信息和叶片颜色活性信息。通过根据所述图像指标特征与水稻生长阶段特征集进行比较,确定出所述水稻生长阶段,为下一步判断水稻收成情况作了铺垫,有利于根据不同的水稻生长阶段来获得不同阶段影响水稻收成的参数信息,提高了预测水稻收成的准确度。
进一步的,如附图4所示,所述将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,本申请实施例步骤S600还包括:
步骤S610:构建神经网络模型;
步骤S620:利用水稻种植记录数据库,确定训练数据、校验数据,其中,所述训练数据、校验数据均包括影响数据、籽粒状态信息、叶片颜色活性及具有收成评估结果的标签信息;
步骤S630:通过所述训练数据对所述神经网络模型进行训练,通过所述校验数据对所述神经网络模型进行校验,直到所述神经网络模型达到收敛要求时,确定所述预测模型;
步骤S640:将待评估水稻的所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入所述预测模型中,获得所述收成预测评估值。
具体而言,所述构建所述神经网络模型包括:神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。所述神经网络模型中具有输入层,多卷积层(不少于2层),输出层和全连接层。人工神经网络,是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述影响数据、所述籽粒状态信息、所述叶片颜色活性及具有收成评估结果的标签信息作为训练数据、校验数据输入神经网络模型,则输出所述收成预测评估值。
具体的,所述训练的过程实质为监督学习的过程,每一组校验数据都包括所述影响数据、所述籽粒状态信息、所述叶片颜色活性及具有收成评估结果的标签信息,将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入到神经网络模型中,根据具有收成评估结果的标签信息,所述模型进行不断的自我修正、调整,直至获得的输出结果与所述标签信息一致,则结束监督学习,进行下一组数据监督学习;当所述神经网络模型的输出信息达到预定的准确率时,则监督学习过程结束。通过对所述模型的监督学习,进而使得所述模型处理所述输入信息更加准确,进而获得更加准确适合的所述收成预测评估值。
本申请通过构建神经网络模型,基于所述水稻种植记录数据库,能够对所述影响数据、所述籽粒状态信息、所述叶片颜色活性进行分析处理,得出所述收成预测评估值,达到提高预测评估水稻收成的准确性,实现水稻高产优产的技术效果。
进一步的,本申请步骤S600还包括:
步骤S650:获得新水稻品种信息;
步骤S660:基于所述新水稻品种信息与当前水稻品种信息进行差异性分析,获得收成参数差异信息;
步骤S670:根据所述收成参数差异信息对所述预测模型进行迁移学习,构建新品种预测模型;
步骤S680:将所述新水稻品种信息输入所述新品种预测模型中,获得新品种预测收成结果。
具体而言,可以利用已有水稻品种预测收成模型,进行新水稻品种的收成预测。其中,所述基于所述新水稻品种信息与当前水稻品种信息进行差异性分析,主要分析两种水稻的籽粒状态信息差和所述叶片颜色活性差,获得所述收成参数差异信息,根据所述收成差异信息进行迁移学习构建新模型。所述迁移学习是指将已经训练好的模型参数迁移到新的模型来帮助新模型训练。由于都是对水稻收成进行预测,两个训练模型的数据是存在相关性的,所以可以通过迁移学习将已经学到的模型参数分享给新模型从而加快并优化模型的学习效率。
具体的,迁移学习分为数据层面的迁移学习和模型层面的迁移学习,本申请采用的是模型层面的数据迁移,由于水稻不同品种之间存在着共同性,对于收成的预测具有关联性,通过将已经学习到的水稻收成预测模型知识应用到新品种水稻的收成预测上,构建新品种预测模型后,将所述新水稻品种信息作为输入数据输入到所述新品种预测模型中,获得新品种预测收成结果。基于模型的迁移学习有三种,本申请采用的是Fine-tuning,即冻结预测模型的部分卷积层,通常是靠近输入的多数卷积层,因为这些层保留了大量底层信息,甚至不冻结任何网络层,训练剩下的靠近输出的部分卷积层和全连接层,将神经网络的结构进行直接迁移。可以缩短新品种收成预测模型的构建时间,起到进一步提高预测的效率的技术效果。
进一步的,所述根据所述收成参数差异信息对所述预测模型进行迁移学习,构建新品种预测模型中,本申请实施例步骤S670还包括:
步骤S6710:根据所述预测模型,获得预测模型卷积层信息、全连接层信息;
步骤S6720:根据所述预测模型卷积层信息,确定第一卷积层,所述第一卷积层为靠近输出层的卷积层;
步骤S6730:基于所述收成参数差异信息,对所述第一卷积层、全连接层进行训练,获得所述新品种预测模型。
具体而言,所述预测模型中具有卷积层和全连接层,从所述预测模型中获得模型卷积层信息和全连接层信息,将除所述第一卷积层,即靠近输出层的卷积层和全连接层外的其余卷积层信息进行冻结,基于所述收成参数差异信息对所述第一卷积层和全连接层进行训练,可以获得所述新品种预测模型。
具体的,将所述收成参数差异信息作为输入数据输入所述预测模型后,训练靠近输出端的所述第一卷积层和全连接层,进行针对新品种的训练,可以得出新品种预测模型,可以快速处理信息数据,基于所述预测模型的框架和底层数据,得到准确的新品种预测模型,进而实现对新品种水稻的收成预测评估提供又准确又快速的判断的技术效果。
进一步的,所述对所述第一水稻图像信息进行特征分析,确定水稻生长阶段中,所述本申请实施例步骤S200还包括:
步骤S250:当所述水稻生长阶段为预设收成阶段时;
步骤S260:根据所述第一水稻图像信息,确定籽粒颜色信息、颜色分布信息;
步骤S270:根据所述籽粒颜色信息、所述籽粒状态信息,获得籽粒成熟状态;
步骤S280:基于所述颜色分布信息,获得成熟颜色占比;
步骤S290:根据所述籽粒成熟状态、所述成熟颜色占比进行收成时间预测,获得收成预测时间。
具体而言,所述水稻的收成与其收成时间有很大的关系,当判断除所述水稻生长阶段为预设收成阶段时,其中,所述预设收成阶段为水稻的完熟期,在获得所述第一水稻图像后,确定所述水稻的籽粒颜色信息和颜色分布信息,由于水稻生长状态与籽粒颜色相关,可以通过判断籽粒颜色信息和籽粒状态信息获得水稻籽粒的成熟状态。具体的,可以根据所述颜色分布信息,获得成熟颜色占比来判断水稻的成熟比例,进一步的根据所述籽粒成熟状态和所述成熟颜色占比判断除水稻的收成时间。
示例性的,当所述籽粒颜色信息为黄色,籽粒状态饱满充分时,可以判断籽粒处于成熟状态,获得水稻田中的籽粒颜色分布信息,获得田中成熟颜色占比,当田中成熟颜色比例达到95%时,可以进行水稻收割。由此可以实现准确根据水稻的籽粒状态,判断除水稻最佳的收割时间,利用预测评估的收成数据与收成时间进行结合,可进一步实现水稻的优产高产的技术效果。进而解决了现有技术中存在无法准确的根据影响水稻收成的相关因素对水稻收成进行预测评估,确定收获时间的技术问题。
综上所述,本申请所提供的一种水稻收成预测评估方法具有如下技术效果:
1.通过对水稻收成关键期的阶段生长参数进行分析,可以构建知识图谱,进而可以利用图谱中的参数进行其他相关知识关系的检索,获取需要的对应的生长条件,应该有的生长状态,以及当前的生长状态对收成的影响关系,然后在判断出水稻的生长阶段后,与所述关键期参数图谱进行参数匹配,得到阶段性的影响参数,进而可以通过对参数的准确分析来实现水稻收成的准确预测评估,最后将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。经过训练好的模型,可以通过获得的准确数据来精确得出水稻收成的预测评估值,进而实现水稻的高产优产,在水稻籽粒重量最大、养分积累量最多的时候进行采收,达到水稻收成品质好、精米率高、产量大的技术效果。
2.在获得所述知识要素后,所述对所述知识要素信息进行知识融合,消除知识之间歧义,并以所述阶段实体信息对齐,可以将获得的知识要素以阶段实体信息为准,进行调整、融合,使融合后的知识信息是以水稻这个实体相关的,可以起到提高知识库数据的准确度,进而提高水稻收成预测评估准确性,实现水稻高产优产的技术效果。
3.通过根据所述图像指标特征与水稻生长阶段特征集进行比较,确定出所述水稻生长阶段,为下一步判断水稻收成情况作了铺垫,有利于根据不同的水稻生长阶段来获得不同阶段影响水稻收成的参数信息,提高了预测水稻收成的准确度。
实施例二
基于与前述实施例中一种水稻收成预测评估方法同样的发明构思,如图5所示,本申请还提供了一种水稻收成预测评估系统,所述系统包括:
第一构建单元11,所述第一构建单元11用于根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱;
第一确定单元12,所述第一确定单元12用于通过图像采集设备获得第一水稻图像信息,对所述第一水稻图像信息进行特征分析,确定水稻生长阶段;
第一获得单元13,所述第一获得单元13用于判断所述水稻生长阶段是否处于水稻收成关键期,当处于时,根据所述水稻生长阶段、所述关键期参数图谱进行参数匹配,获得阶段影响参数信息;
第二获得单元14,所述第二获得单元14用于根据所述阶段影响参数信息进行参数对应数据获取,得到影响数据;
第三获得单元15,所述第三获得单元15用于基于所述水稻生长阶段,对所述第一水稻图像信息进行水稻生长状态特征分析,获得籽粒状态信息、叶片颜色活性;
第四获得单元16,所述第四获得单元16用于将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。
进一步的,所述系统还包括:
第五获得单元,所述第五获得单元用于获得水稻种植记录数据库,其中,所述水稻种植记录数据库包括生长阶段、种植参数、收成信息;
第六获得单元,所述第六获得单元用于基于所述生长阶段、种植参数、收成信息进行知识抽取,获得知识要素信息,所述知识要素信息包括阶段实体信息、抽取关系信息、抽取属性信息;
第二构建单元,所述第二构建单元用于对所述知识要素信息进行知识融合,消除知识之间歧义,并以所述阶段实体信息对齐,根据所述抽取关系信息、抽取属性信息,构建知识关系库;
第三构建单元,所述第三构建单元用于对所述知识关系库进行隐含知识关系挖掘,构建所述关键期参数图谱。
进一步的,所述系统还包括:
第七获得单元,所述第七获得单元用于获得水稻生长指标参数;
第二确定单元,所述第二确定单元用于基于所述水稻生长指标参数,确定指标识别特征;
第八获得单元,所述第八获得单元用于根据所述指标识别特征对所述第一水稻图像信息进行特征遍历,获得图像指标特征;
第三确定单元,所述第三确定单元用于根据所述图像指标特征与水稻生长阶段特征集进行比较,确定所述水稻生长阶段。
进一步的,所述系统还包括:
第四构建单元,所述第四构建单元用于构建神经网络模型;
第四确定单元,所述第四确定单元用于利用水稻种植记录数据库,确定训练数据、校验数据,其中,所述训练数据、校验数据均包括影响数据、籽粒状态信息、叶片颜色活性及具有收成评估结果的标签信息;
第五确定单元,所述第五确定单元用于通过所述训练数据对所述神经网络模型进行训练,通过所述校验数据对所述神经网络模型进行校验,直到所述神经网络模型达到收敛要求时,确定所述预测模型;
第九获得单元,所述第九获得单元用于将待评估水稻的所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入所述预测模型中,获得所述收成预测评估值。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于获得新水稻品种信息;
第十一获得单元,所述第十一获得单元用于基于所述新水稻品种信息与当前水稻品种信息进行差异性分析,获得收成参数差异信息;
第五构建单元,所述第五构建单元用于根据所述收成参数差异信息对所述预测模型进行迁移学习,构建新品种预测模型;
第十二获得单元,所述第十二获得单元用于将所述新水稻品种信息输入所述新品种预测模型中,获得新品种预测收成结果。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于根据所述预测模型,获得预测模型卷积层信息、全连接层信息;
第十四获得单元,所述第十四获得单元用于根据所述预测模型卷积层信息,确定第一卷积层,所述第一卷积层为靠近输出层的卷积层;
第十五获得单元,所述第十五获得单元用于基于所述收成参数差异信息,对所述第一卷积层、全连接层进行训练,获得所述新品种预测模型。
进一步的,所述系统还包括:
第六确定单元,所述第六确定单元用于当所述水稻生长阶段为预设收成阶段时;根据所述第一水稻图像信息,确定籽粒颜色信息、颜色分布信息;
第十六获得单元,所述第十六获得单元用于根据所述籽粒颜色信息、所述籽粒状态信息,获得籽粒成熟状态;
第十七获得单元,所述第十七获得单元用于基于所述颜色分布信息,获得成熟颜色占比;
第十八获得单元,所述第十八获得单元用于根据所述籽粒成熟状态、所述成熟颜色占比进行收成时间预测,获得收成预测时间。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种水稻收成预测评估方法和具体实例同样适用于本实施例的一种水稻收成预测评估系统,通过前述对一种水稻收成预测评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种水稻收成预测评估系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
实施例三
基于与前述实施例中一种水稻收成预测评估方法相同的发明构思,本申请还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一的方法。
示例性电子设备
下面参考图6来描述本申请的电子设备,
基于与前述实施例中一种水稻收成预测评估方法相同的发明构思,本申请还提供了一种水稻收成预测评估系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行实施例一所述方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种水稻收成预测评估方法。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidState Disk,SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (10)
1.一种水稻收成预测评估方法,其特征在于,所述方法应用于水稻收成预测评估系统,所述系统包括图像采集设备,所述方法包括:
根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱;
通过所述图像采集设备获得第一水稻图像信息,对所述第一水稻图像信息进行特征分析,确定水稻生长阶段;
判断所述水稻生长阶段是否处于水稻收成关键期,当处于时,根据所述水稻生长阶段、所述关键期参数图谱进行参数匹配,获得阶段影响参数信息;
根据所述阶段影响参数信息进行参数对应数据获取,得到影响数据;
基于所述水稻生长阶段,对所述第一水稻图像信息进行水稻生长状态特征分析,获得籽粒状态信息、叶片颜色活性;
将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。
2.如权利要求1所述的方法,其特征在于,根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱,包括:
获得水稻种植记录数据库,其中,所述水稻种植记录数据库包括生长阶段、种植参数、收成信息;
基于所述生长阶段、种植参数、收成信息进行知识抽取,获得知识要素信息,所述知识要素信息包括阶段实体信息、抽取关系信息、抽取属性信息;
对所述知识要素信息进行知识融合,消除知识之间歧义,并以所述阶段实体信息对齐,根据所述抽取关系信息、抽取属性信息,构建知识关系库;
对所述知识关系库进行隐含知识关系挖掘,构建所述关键期参数图谱。
3.如权利要求1所述的方法,其特征在于,所述对所述第一水稻图像信息进行特征分析,确定水稻生长阶段,包括:
获得水稻生长指标参数;
基于所述水稻生长指标参数,确定指标识别特征;
根据所述指标识别特征对所述第一水稻图像信息进行特征遍历,获得图像指标特征;
根据所述图像指标特征与水稻生长阶段特征集进行比较,确定所述水稻生长阶段。
4.如权利要求2所述的方法,其特征在于,所述将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值,包括:
构建神经网络模型;
利用水稻种植记录数据库,确定训练数据、校验数据,其中,所述训练数据、校验数据均包括影响数据、籽粒状态信息、叶片颜色活性及具有收成评估结果的标签信息;
通过所述训练数据对所述神经网络模型进行训练,通过所述校验数据对所述神经网络模型进行校验,直到所述神经网络模型达到收敛要求时,确定所述预测模型;
将待评估水稻的所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入所述预测模型中,获得所述收成预测评估值。
5.如权利要求4所述的方法,其特征在于,所述方法还包括:
获得新水稻品种信息;
基于所述新水稻品种信息与当前水稻品种信息进行差异性分析,获得收成参数差异信息;
根据所述收成参数差异信息对所述预测模型进行迁移学习,构建新品种预测模型;
将所述新水稻品种信息输入所述新品种预测模型中,获得新品种预测收成结果。
6.如权利要求5所述的方法,其特征在于,所述根据所述收成参数差异信息对所述预测模型进行迁移学习,构建新品种预测模型,包括:
根据所述预测模型,获得预测模型卷积层信息、全连接层信息;
根据所述预测模型卷积层信息,确定第一卷积层,所述第一卷积层为靠近输出层的卷积层;
基于所述收成参数差异信息,对所述第一卷积层、全连接层进行训练,获得所述新品种预测模型。
7.如权利要求1所述的方法,其特征在于,所述方法还包括:
当所述水稻生长阶段为预设收成阶段时;
根据所述第一水稻图像信息,确定籽粒颜色信息、颜色分布信息;
根据所述籽粒颜色信息、所述籽粒状态信息,获得籽粒成熟状态;
基于所述颜色分布信息,获得成熟颜色占比;
根据所述籽粒成熟状态、所述成熟颜色占比进行收成时间预测,获得收成预测时间。
8.一种水稻收成预测评估系统,其特征在于,所述系统应用于权利要求1~7任一所述方法,所述系统包括:
第一构建单元,所述第一构建单元用于根据水稻收成关键期进行阶段生长参数分析,构建关键期参数图谱;
第一确定单元,所述第一确定单元用于通过图像采集设备获得第一水稻图像信息,对所述第一水稻图像信息进行特征分析,确定水稻生长阶段;
第一获得单元,所述第一获得单元用于判断所述水稻生长阶段是否处于水稻收成关键期,当处于时,根据所述水稻生长阶段、所述关键期参数图谱进行参数匹配,获得阶段影响参数信息;
第二获得单元,所述第二获得单元用于根据所述阶段影响参数信息进行参数对应数据获取,得到影响数据;
第三获得单元,所述第三获得单元用于基于所述水稻生长阶段,对所述第一水稻图像信息进行水稻生长状态特征分析,获得籽粒状态信息、叶片颜色活性;
第四获得单元,所述第四获得单元用于将所述影响数据、所述籽粒状态信息、所述叶片颜色活性输入预测模型中,获得收成预测评估值。
9.一种水稻收成预测评估系统,其特征在于,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210747186.1A CN115238964A (zh) | 2022-06-28 | 2022-06-28 | 一种水稻收成预测评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210747186.1A CN115238964A (zh) | 2022-06-28 | 2022-06-28 | 一种水稻收成预测评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238964A true CN115238964A (zh) | 2022-10-25 |
Family
ID=83671305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210747186.1A Pending CN115238964A (zh) | 2022-06-28 | 2022-06-28 | 一种水稻收成预测评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238964A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575111A (zh) * | 2024-01-16 | 2024-02-20 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
CN110929933A (zh) * | 2019-11-22 | 2020-03-27 | 吉林农业大学 | 基于知识图谱的水稻病害预测与诊断方法 |
CN111194694A (zh) * | 2020-03-04 | 2020-05-26 | 聊城大学 | 一种植物新品种聊红椿的组培快繁方法 |
CN112785036A (zh) * | 2020-12-31 | 2021-05-11 | 航天信息股份有限公司 | 一种基于农作物的关键生育时期对产量进行预测的方法及系统 |
-
2022
- 2022-06-28 CN CN202210747186.1A patent/CN115238964A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
CN110929933A (zh) * | 2019-11-22 | 2020-03-27 | 吉林农业大学 | 基于知识图谱的水稻病害预测与诊断方法 |
CN111194694A (zh) * | 2020-03-04 | 2020-05-26 | 聊城大学 | 一种植物新品种聊红椿的组培快繁方法 |
CN112785036A (zh) * | 2020-12-31 | 2021-05-11 | 航天信息股份有限公司 | 一种基于农作物的关键生育时期对产量进行预测的方法及系统 |
Non-Patent Citations (1)
Title |
---|
魏周会等: "作物产量预测的时间序列神经网络模型", 《节水灌溉》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117575111A (zh) * | 2024-01-16 | 2024-02-20 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
CN117575111B (zh) * | 2024-01-16 | 2024-04-12 | 安徽农业大学 | 一种基于迁移学习的农业遥感图像时空序列预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Growth monitoring of greenhouse lettuce based on a convolutional neural network | |
CN109784408A (zh) | 一种边缘端的嵌入式时间序列决策树分类方法及系统 | |
CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN115238964A (zh) | 一种水稻收成预测评估方法及系统 | |
Sun et al. | Remote estimation of grafted apple tree trunk diameter in modern orchard with RGB and point cloud based on SOLOv2 | |
CN107103355A (zh) | 一种基于改进人工鱼群算法的智能车slam数据关联方法 | |
CN114372412A (zh) | 一种低温冷冻食品均衡回温智能解冻方法及系统 | |
CN117322214A (zh) | 一种基于神经网络的农作物肥料精准施用方法与系统 | |
CN111709775A (zh) | 一种房产价格评估方法、装置、电子设备及存储介质 | |
CN114584406B (zh) | 一种联邦学习的工业大数据隐私保护系统及方法 | |
CN117589767B (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
CN115409153A (zh) | 一种基于注意力lstm的畜牧指标预测方法及预测系统 | |
He et al. | Recognition of soybean pods and yield prediction based on improved deep learning model | |
CN116612386A (zh) | 基于分级检测双任务模型的辣椒病虫害识别方法及系统 | |
CN114332570B (zh) | 基于cdl深度学习进行作物迁移分类的方法和系统 | |
CN115039549B (zh) | 一种农作物种植施肥信息处理方法及系统 | |
Wu et al. | A Dense Litchi Target Recognition Algorithm for Large Scenes | |
CN115131670B (zh) | 一种水稻图片智能审核方法、系统、装置及设备 | |
CN110352832A (zh) | 基于Spark的MLR模型红富士苹果树精准灌溉方法 | |
Poleshchenko et al. | Detection of Sunflower Plants in UAV Photos | |
Guo et al. | Automatic and accurate acquisition of stem-related phenotypes of mature soybean based on deep learning and directed search algorithms | |
Geetha et al. | A time-series based yield forecasting model using stacked lstm to predict the yield of paddy in cauvery delta zone in tamilnadu | |
Zhang et al. | Suitability Evaluation of Crop Variety via Graph Neural Network | |
CN108022113A (zh) | 验证追溯信息准确性的方法、服务器及存储介质 | |
CN113140320A (zh) | 一种用于先心病手术患儿术后远期营养不良的预测模型的构建方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221025 |
|
RJ01 | Rejection of invention patent application after publication |