CN115291541A - 一种农作物病虫害监测系统与方法 - Google Patents
一种农作物病虫害监测系统与方法 Download PDFInfo
- Publication number
- CN115291541A CN115291541A CN202210053516.7A CN202210053516A CN115291541A CN 115291541 A CN115291541 A CN 115291541A CN 202210053516 A CN202210053516 A CN 202210053516A CN 115291541 A CN115291541 A CN 115291541A
- Authority
- CN
- China
- Prior art keywords
- pest
- analysis unit
- prevention
- convolution layer
- coincidence
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 125
- 201000010099 disease Diseases 0.000 title claims abstract description 58
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000003068 static effect Effects 0.000 claims abstract description 29
- 238000012806 monitoring device Methods 0.000 claims abstract description 28
- 239000000575 pesticide Substances 0.000 claims abstract description 20
- 238000005507 spraying Methods 0.000 claims abstract description 16
- 238000004891 communication Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 9
- 239000007921 spray Substances 0.000 claims abstract description 4
- 230000002265 prevention Effects 0.000 claims description 49
- 238000011161 development Methods 0.000 claims description 20
- 241000238631 Hexapoda Species 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 5
- 230000006806 disease prevention Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004148 unit process Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 1
- 238000000556 factor analysis Methods 0.000 claims 1
- 230000018109 developmental process Effects 0.000 description 15
- 230000012010 growth Effects 0.000 description 6
- 238000001228 spectrum Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000003698 anagen phase Effects 0.000 description 4
- 230000007480 spreading Effects 0.000 description 4
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000012851 eutrophication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 208000037824 growth disorder Diseases 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开一种农作物病虫害监测系统与方法,包括中央处理器、静态监测装置、动态监测无人机和农药喷洒装置,所述中央处理器内设有通信单元,分别与所述静态监测装置、所述动态监测无人机和所述农药喷洒装置通信,所述中央处理器内设有智能图像处理模块,所述智能图像处理模块设有卷积层一和卷积层二,所述卷积层一处理来自所述静态监测装置采集的图像,所述卷积层二处理来自所述动态监测无人机采集的图像,所述农药喷洒装置通过所述中央处理器给出的病虫害区域与病虫害种类反馈的农药配比进行农药喷洒,并将实际喷洒反馈给所述中央处理器,本发明解决了病虫害监测系统布置成本高、监测准确率不佳,普及难度高,病虫害预防不准确的问题。
Description
技术领域
本发明涉及农业种植病虫害防治技术领域,具体为一种农作物病虫害监测系统与方法。
背景技术
小麦玉米等作物是粮食安全的重要根基,做好小麦玉米等粮食作物生长过程病虫害监测防治对于增产增效,保重粮食安全具有重要意义。国内目前土地现状下,小麦玉米等作物种植特点为种植面积大但种植地块分散,即使近几年土地承包开始形成具有一定规模的农场,但是也很难做到集中管理,这就给作物生长病虫害监测、预防带来一定的难度。农作物病虫害应该以预防为主,若是已经发生再去治理,农作物已经遭到病虫害破坏,损失已经造成。
现有技术针对病虫害预防现状提出的技术方案虽然一定程度上解决了病虫害监测,但是预防的模型不成熟;其次,这些系统方法主要依靠卫星遥感等成本高、监测准确率不佳的技术路线,普及难度高。
发明内容
本发明提供一种农作物病虫害监测系统与方法,解决农作物病虫害预防难度高、基础建设成本投入高、普及难度高、预测功能差等问题。
为解决上述问题,本发明所述的一种农作物病虫害监测系统,包括中央处理器、静态监测装置、动态监测无人机和农药喷洒装置,所述中央处理器内设有通信单元,分别与所述静态监测装置、所述动态监测无人机和所述农药喷洒装置通信,所述中央处理器内设有智能图像处理模块,所述智能图像处理模块设有卷积层一和卷积层二,所述卷积层一处理来自所述静态监测装置采集的图像,所述卷积层一将处理后的图像同时传递给数据库和匹配分析单元,同时所述匹配分析单元从所述数据库获取相似病虫害形态图像做可能病虫害分析;所述卷积层二处理来自所述动态监测无人机采集的图像,所述卷积层二将处理后的图像传递给预防重合分析单元,所述预防重合分析单元内置病虫害预防模型和动态权重分配单元,可通过不断学习优化。所述预防重合分析单元将分析结果记入所述数据库,并传给外部显示与预警终端;所述农药喷洒装置通过所述中央处理器给出的病虫害区域与病虫害种类反馈的农药配比进行农药喷洒,并将实际喷洒反馈给所述中央处理器。
进一步的,所述静态监测装置包括支架、环境监测模块、太阳能电池板、通信模块和图像采集模块,所述支架下部设有螺旋支架;所述环境监测模块设置在下部,根据作物品种和导致病虫害关键环境层设置离地间距;所述通信模块与所述图像采集模块设置在所述支架顶端,所述图像采集模块内置智能摄像头模组和图像暂存模块,所述智能摄像头模组内置自动拍照程序,可自动改变摄像头焦距、摄像头旋转和间歇拍照,对作物远近及局部拍照,并将图像存入所述图像暂存模块,并通过所述通信模块将图像上传至所述中央处理器。
进一步的,所述静态监测装置交错固定在农田内,相邻三个所述静态监测装置连线形成的三角形为等边三角形。
本发明包含一种农作物病虫害监测系统的工作方法,步骤包括:
步骤S01,静态监测装置按照预设周期采集农作物图像,并实时传递给中央处理器中的卷积层一;
步骤S02,卷积层一接收并分析卷积层一传来的图像,包含图像颜色、形状、斑点、目标交错和环境因素等解析并将结果存入数据库;
步骤S03,匹配分析单元接收卷积层一解析后的图像并从数据库中搜寻近似病虫害性状模型;
步骤S04,匹配分析单元初步给出病虫害结果,若正常做忽略处理,若匹配到至少一种病虫害相似模型则发出白虫害区域标记和报警信息,报警信息中包含可能的病虫害名称、发生位置、相关图像原始图、解析图、模型重合图和紧急程度;
步骤S05,人工确认警报,人工分析报警信息,排除误判后触发动态监测无人机300;
步骤S06,动态监测无人机对标记为病虫害的区域及相邻一定范围的区域进行全面取样;
步骤S07,卷积层二接收动态监测无人机的取样数据并进行解析;
步骤S08,预防重合分析单元接收卷积层二解析数据并从数据库中获取卷积层一解析数据;
步骤S09,预防重合分析单元调取病虫害预防模型与权重对步骤S08获取的数据施加当下气候环境权重结合病虫害预防模型生成以时间为横轴的病虫害发展图谱,并生成报警信息,报警信息包含病虫害发展图谱与紧急程度;
步骤S10,预防重合分析单元数据自我学习重建病虫害预防模型和动态权重分配规则,以及将相关数据存入数据库。
所述步骤S09中预防重合分析单元病虫害发展图谱生成生成方法具体步骤如下:
步骤S901,预防重合分析单元处理有病虫害报警的卷积层一解析数据,并获取位置坐标;
步骤S902,预防重合分析单元获取病虫害位置坐标的最近相邻的6至8个静态监测装置获取的卷积层一解析的图像与相关数据;
步骤S903,预防重合分析单元对图像进行拼合分析,结合病虫害预防模型确认病虫害发生的中心点;
步骤S904,预防重合分析单元处理卷积层二发来的区域病虫害数据,锁定受害范围;
步骤S905,预防重合分析单元对卷积层一与卷积层二图像做分析找出同区域关键点,进行对点重合、优化,生成当下病虫害光谱图。
步骤S906,预防重合分析单元针对当下病虫害光谱图结合当下气候环境权重结合病虫害预防模型生成以时间为横轴的病虫害发展图谱。
进一步的,所述环境系数k取值范围为0.34至3.2。
本发明有效的解决了病虫害监测系统布置成本高、监测准确率不佳,普及难度高,病虫害预防不准确的问题。
附图说明
图1为本发明整体工作框架示意图;
图2为本发明静态监测装置的结构组成示意图;
图3为本发明静态监测装置农田分布示意图;
图4为本发明中央处理器结构示意图;
图5为本发明工作流程示意图;
图6为本发明预防重合分析单元病虫害发展图谱生成工作流程示意图;
图7为本发明病虫害发展图谱示意图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
请参阅图1和图4,一种农作物病虫害监测系统,包括中央处理器100、静态监测装置200、动态监测无人机300和农药喷洒装置400,中央处理器100内设有通信单元,分别与静态监测装置200、动态监测无人机300和农药喷洒装置400通信,中央处理器100内设有智能图像处理模块,智能图像处理模块设有卷积层一和卷积层二,卷积层一处理来自静态监测装置200采集的图像,卷积层一将处理后的图像同时传递给数据库和匹配分析单元,同时匹配分析单元从数据库获取相似病虫害形态图像做可能病虫害分析;卷积层二处理来自动态监测无人机300采集的图像,卷积层二将处理后的图像传递给预防重合分析单元,预防重合分析单元内置病虫害预防模型和动态权重分配单元,可通过不断学习优化。预防重合分析单元将分析结果记入数据库,并传给外部显示与预警终端,便于人工查阅核实;农药喷洒装置400通过中央处理器100给出的病虫害区域与病虫害种类反馈的农药配比进行农药喷洒,并将实际喷洒反馈给中央处理器100。
请再次参阅图1和图2,静态监测装置200包括支架201、环境监测模块202、太阳能电池板203、通信模块204和图像采集模块205,支架201下部设有螺旋支架,可埋入土内,增加抗风能力与整体稳定性,减少土地占用;环境监测模块202设置在下部,根据作物品种和导致病虫害关键环境层设置离地间距;通信模块204与图像采集模块205设置在支架201顶端,图像采集模块205内置智能摄像头模组和图像暂存模块,智能摄像头模组内置自动拍照程序,可自动改变摄像头焦距、摄像头旋转和间歇拍照,对作物远近及局部拍照,并将图像存入图像暂存模块,并通过通信模块204将图像上传至中央处理器100,图像暂存模块可避免信号不好时导致图像无法上传的丢失。
请再次参阅图3,静态监测装置200交错固定在农田内,相邻三个静态监测装置200连线形成的三角形为等边三角形,减少静态监测装置200布置数量又能获得最大范围覆盖。
请再次参阅图1、图4和图5,本发明一种农作物病虫害监测系统的工作方法,方法步骤包括:
步骤S01,静态监测装置200按照预设周期采集农作物图像,并实时传递给中央处理器100中的卷积层一;
步骤S02,卷积层一接收并分析卷积层一传来的图像,包含图像颜色、形状、斑点、目标交错和环境因素等解析并将结果存入数据库;
步骤S03,匹配分析单元接收卷积层一解析后的图像并从数据库中搜寻近似病虫害性状模型;
步骤S04,匹配分析单元初步给出病虫害结果,若正常做忽略处理,若匹配到至少一种病虫害相似模型则发出白虫害区域标记和报警信息,报警信息中包含可能的病虫害名称、发生位置、相关图像原始图、解析图、模型重合图和紧急程度;
步骤S05,人工确认警报,人工分析报警信息,排除误判后触发动态监测无人机300;
步骤S06,动态监测无人机300对标记为病虫害的区域及相邻一定范围的区域进行全面取样;
步骤S07,卷积层二接收动态监测无人机300的取样数据并进行解析;
步骤S08,预防重合分析单元接收卷积层二解析数据并从数据库中获取卷积层一解析数据;
步骤S09,预防重合分析单元调取病虫害预防模型与权重对步骤S08获取的数据施加当下气候环境权重结合病虫害预防模型生成以时间为横轴的病虫害发展图谱,并生成报警信息,报警信息包含病虫害发展图谱与紧急程度;
步骤S10,预防重合分析单元数据自我学习重建病虫害预防模型和动态权重分配规则,以及将相关数据存入数据库。
请再次参阅图1、图4、图5和图6,以下对步骤S09中预防重合分析单元病虫害发展图谱生成做详细说明,具体步骤如下:
步骤S901,预防重合分析单元处理有病虫害报警的卷积层一解析数据,并获取位置坐标;
步骤S902,预防重合分析单元获取病虫害位置坐标的最近相邻的6至8个静态监测装置200获取的卷积层一解析的图像与相关数据;
步骤S903,预防重合分析单元对图像进行拼合分析,结合病虫害预防模型确认病虫害发生的中心点;
步骤S904,预防重合分析单元处理卷积层二发来的区域病虫害数据,锁定受害范围;
步骤S905,预防重合分析单元对卷积层一与卷积层二图像做分析找出同区域关键点,进行对点重合、优化,生成当下病虫害光谱图。
步骤S906,预防重合分析单元针对当下病虫害光谱图结合当下气候环境权重结合病虫害预防模型生成以时间为横轴的病虫害发展图谱。
请再次参阅图7,以下对步骤S09中预防重合分析单元病虫害发展图谱蔓延范围D做详细说明,病虫害发展图谱是以时间t为单位的病虫害蔓延范围D的图谱,需要说明的是,图中“0”点是当下作物病虫害对数生长期中心点,此处的发展图谱基本统计标准是病虫害在一定农作物范围均发展到生物生长“S”型曲线的对数生长期所用的时间,对数生长期下的病虫害会飞速生长传播,必须将病虫害控制在对数生长期以内;
生物生长最重要的是环境因素,影响生物生长最重要的是温度T、湿度H、富养N,为了便于在后续由环境因素导致的病虫害蔓延速度变化,需要得到环境系数k。
k取值范围为0.34至3.2,
蔓延范围是时间因素的不断累积,扩散速度V也因扩散的距离而成下降趋势,最终随着生物生长而进入死亡期,扩散速度最终趋于0,所以,扩散范围是时间t与扩散速度变化积累的结果:
ΔDn=Dn-Dn-l,
Δtn=tn-tn-1,
瞬时速度Vn由病虫害预防模型预测得出,受环境因素与生物生长“S”曲线影响,所以,
虽然在上文中已经参考实施例对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施例中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施例,而是包括落入权利要求的范围内的所有技术方案。
Claims (7)
1.一种农作物病虫害监测系统,其特征在于:包括中央处理器(100)、静态监测装置(200)、动态监测无人机(300)和农药喷洒装置(400),所述中央处理器(100)内设有通信单元,分别与所述静态监测装置(200)、所述动态监测无人机(300)和所述农药喷洒装置(400)通信,所述中央处理器(100)内设有智能图像处理模块,所述智能图像处理模块设有卷积层一和卷积层二,所述卷积层一处理来自所述静态监测装置(200)采集的图像,所述卷积层一将处理后的图像同时传递给数据库和匹配分析单元,同时所述匹配分析单元从所述数据库获取相似病虫害形态图像做可能病虫害分析;所述卷积层二处理来自所述动态监测无人机(300)采集的图像,所述卷积层二将处理后的图像传递给预防重合分析单元,所述预防重合分析单元内置病虫害预防模型和动态权重分配单元,可通过不断学习优化,所述预防重合分析单元将分析结果记入所述数据库,并传给外部显示与预警终端;所述农药喷洒装置(400)通过所述中央处理器(100)给出的病虫害区域与病虫害种类反馈的农药配比进行农药喷洒,并将实际喷洒反馈给所述中央处理器(100)。
2.根据权利要求1所述的一种农作物病虫害监测系统,其特征在于:所述静态监测装置(200)包括支架(201)、环境监测模块(202)、太阳能电池板(203)、通信模块(204)和图像采集模块(205),所述支架(201)下部设有螺旋支架;所述环境监测模块(202)设置在下部,根据作物品种和导致病虫害关键环境层设置离地间距;所述通信模块(204)与所述图像采集模块(205)设置在所述支架(201)顶端,所述图像采集模块(205)内置智能摄像头模组和图像暂存模块,所述智能摄像头模组内置自动拍照程序,可自动改变摄像头焦距、摄像头旋转和间歇拍照,对作物远近及局部拍照,并将图像存入所述图像暂存模块,并通过所述通信模块(204)将图像上传至所述中央处理器(100)。
3.根据权利要求2所述的一种农作物病虫害监测系统,其特征在于:所述静态监测装置(200)交错固定在农田内,相邻三个所述静态监测装置(200)连线形成的三角形为等边三角形。
4.一种农作物病虫害监测系统的工作方法,其特征在于:步骤包括:
步骤S01,静态监测装置按照预设周期采集农作物图像,并实时传递给中央处理器中的卷积层一;
步骤S02,卷积层一接收并分析卷积层一传来的图像,包含图像颜色、形状、斑点、目标交错和环境因素解析并将结果存入数据库;
步骤S03,匹配分析单元接收卷积层一解析后的图像并从数据库中搜寻近似病虫害性状模型;
步骤S04,匹配分析单元初步给出病虫害结果,若正常做忽略处理,若匹配到至少一种病虫害相似模型则发出白虫害区域标记和报警信息,报警信息中包含可能的病虫害名称、发生位置、相关图像原始图、解析图、模型重合图和紧急程度;
步骤S05,人工确认警报,人工分析报警信息,排除误判后触发动态监测无人机300;
步骤S06,动态监测无人机对标记为病虫害的区域及相邻一定范围的区域进行全面取样;
步骤S07,卷积层二接收动态监测无人机的取样数据并进行解析;
步骤S08,预防重合分析单元接收卷积层二解析数据并从数据库中获取卷积层一解析数据;
步骤S09,预防重合分析单元调取病虫害预防模型与权重对步骤S08获取的数据施加当下气候环境权重结合病虫害预防模型生成以时间为横轴的病虫害发展图谱,并生成报警信息,报警信息包含病虫害发展图谱与紧急程度;
步骤S10,预防重合分析单元数据自我学习重建病虫害预防模型和动态权重分配规则,以及将相关数据存入数据库。
5.根据权利要求4所述的一种农作物病虫害监测系统的工作方法,其特征在于,所述步骤S09中预防重合分析单元病虫害发展图谱生成方法具体步骤如下:
步骤S901,预防重合分析单元处理有病虫害报警的卷积层一解析数据,并获取位置坐标;
步骤S902,预防重合分析单元获取病虫害位置坐标的最近相邻的6至8个静态监测装置获取的卷积层一解析的图像与相关数据;
步骤S903,预防重合分析单元对图像进行拼合分析,结合病虫害预防模型确认病虫害发生的中心点;
步骤S904,预防重合分析单元处理卷积层二发来的区域病虫害数据,锁定受害范围;
步骤S905,预防重合分析单元对卷积层一与卷积层二图像做分析找出同区域关键点,进行对点重合、优化,生成当下病虫害光谱图;
步骤S906,预防重合分析单元针对当下病虫害光谱图结合当下气候环境权重结合病虫害预防模型生成以时间为横轴的病虫害发展图谱。
7.根据权利要求6所述的一种农作物病虫害监测系统的工作方法,其特征在于:环境系数k取值范围为0.34至3.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210053516.7A CN115291541A (zh) | 2022-01-18 | 2022-01-18 | 一种农作物病虫害监测系统与方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210053516.7A CN115291541A (zh) | 2022-01-18 | 2022-01-18 | 一种农作物病虫害监测系统与方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115291541A true CN115291541A (zh) | 2022-11-04 |
Family
ID=83819545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210053516.7A Pending CN115291541A (zh) | 2022-01-18 | 2022-01-18 | 一种农作物病虫害监测系统与方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115291541A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
CN117544843A (zh) * | 2024-01-08 | 2024-02-09 | 广东海洋大学 | 一种自调式农业病虫害全方位识别报警装置及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
CN207742179U (zh) * | 2018-01-11 | 2018-08-17 | 无锡百盛传感网络有限公司 | 一种植物生长情况及环境监测装置 |
CN108541683A (zh) * | 2018-04-18 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络芯片的无人机农药喷洒系统 |
CN109379557A (zh) * | 2018-09-30 | 2019-02-22 | 田东县文设芒果专业合作社 | 基于图像识别的芒果虫害智能监控系统 |
CN109409170A (zh) * | 2017-08-18 | 2019-03-01 | 广州极飞科技有限公司 | 农作物的虫害识别方法和装置 |
CN110213376A (zh) * | 2019-06-05 | 2019-09-06 | 黑龙江省七星农场 | 一种用于虫害预防的信息处理系统及方法 |
CN110703661A (zh) * | 2019-10-29 | 2020-01-17 | 铜陵市清华宝能源设备有限责任公司 | 一种农作物病虫害监控系统及其控制方法 |
CN112841154A (zh) * | 2020-12-29 | 2021-05-28 | 长沙湘丰智能装备股份有限公司 | 一种基于人工智能的病虫害防治系统 |
-
2022
- 2022-01-18 CN CN202210053516.7A patent/CN115291541A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180058049A (ko) * | 2016-11-23 | 2018-05-31 | 세종대학교산학협력단 | 작물의 병해충 진단 장치 및 방법 |
CN109409170A (zh) * | 2017-08-18 | 2019-03-01 | 广州极飞科技有限公司 | 农作物的虫害识别方法和装置 |
CN207742179U (zh) * | 2018-01-11 | 2018-08-17 | 无锡百盛传感网络有限公司 | 一种植物生长情况及环境监测装置 |
CN108541683A (zh) * | 2018-04-18 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络芯片的无人机农药喷洒系统 |
CN109379557A (zh) * | 2018-09-30 | 2019-02-22 | 田东县文设芒果专业合作社 | 基于图像识别的芒果虫害智能监控系统 |
CN110213376A (zh) * | 2019-06-05 | 2019-09-06 | 黑龙江省七星农场 | 一种用于虫害预防的信息处理系统及方法 |
CN110703661A (zh) * | 2019-10-29 | 2020-01-17 | 铜陵市清华宝能源设备有限责任公司 | 一种农作物病虫害监控系统及其控制方法 |
CN112841154A (zh) * | 2020-12-29 | 2021-05-28 | 长沙湘丰智能装备股份有限公司 | 一种基于人工智能的病虫害防治系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
CN115965875B (zh) * | 2023-03-16 | 2023-06-20 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
CN117544843A (zh) * | 2024-01-08 | 2024-02-09 | 广东海洋大学 | 一种自调式农业病虫害全方位识别报警装置及方法 |
CN117544843B (zh) * | 2024-01-08 | 2024-04-16 | 广东海洋大学 | 一种自调式农业病虫害全方位识别报警装置及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582055B (zh) | 一种无人机的航空施药航线生成方法及系统 | |
CN108693119B (zh) | 基于无人机高光谱遥感的病虫害智能察打系统 | |
AU2019238712B2 (en) | Plant planting data measuring method, working route planning method, device and system | |
US20200193589A1 (en) | Mapping field anomalies using digital images and machine learning models | |
Anthony et al. | On crop height estimation with UAVs | |
US20210209490A1 (en) | Using optical remote sensors and machine learning models to predict agronomic field property data | |
CN110956381A (zh) | 一种远程农业信息智能分析系统及农业环境调控方法 | |
US11889793B2 (en) | Internet-of-things management and control system for intelligent orchard | |
CN115291541A (zh) | 一种农作物病虫害监测系统与方法 | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
US20220065835A1 (en) | Autonomous crop monitoring system and method | |
Zhu et al. | Optimization of multi-source UAV RS agro-monitoring schemes designed for field-scale crop phenotyping | |
CN114863369B (zh) | 激光雷达监测玉米倒伏的方法、装置、设备及介质 | |
CN112819227A (zh) | 一种县级尺度冬小麦单产预测方法及系统 | |
JP2020146030A (ja) | 農業システム | |
CN107491724B (zh) | 一种冬小麦穗分化期识别方法及装置 | |
CN113720793B (zh) | 一种用于图形图像转换的快速定标系统 | |
DE202022102591U1 (de) | System zur Überwachung des Gesundheitszustands von Pflanzen in der Präzisionslandwirtschaft mittels Bildverarbeitung und Faltungsneuronalem Netz | |
CN113505920B (zh) | 一种预测小麦收获期呕吐毒素含量的方法及系统 | |
Sadiq et al. | A review on the imaging approaches in agriculture with crop and soil sensing methodologies | |
CN112167212A (zh) | 一种无人机喷药控制系统及方法 | |
CN112565726B (zh) | 作业处方图的确定方法、作业控制方法及相关装置 | |
Wiecha et al. | Computer Control Systems Used in Precision Agriculture | |
Vinci et al. | Use of Drones with Multispectral and Thermal Cameras to Assess the Biometric Characteristics and Water Status of Different Hazelnut Cultivars | |
TW202244655A (zh) | 農田監控系統 |
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 |