CN115564109A - 一种基于改进卷积神经网络结构的果树生长预测方法 - Google Patents
一种基于改进卷积神经网络结构的果树生长预测方法 Download PDFInfo
- Publication number
- CN115564109A CN115564109A CN202211210165.2A CN202211210165A CN115564109A CN 115564109 A CN115564109 A CN 115564109A CN 202211210165 A CN202211210165 A CN 202211210165A CN 115564109 A CN115564109 A CN 115564109A
- Authority
- CN
- China
- Prior art keywords
- fruit tree
- neural network
- sub
- data
- growth
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 125
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 17
- 230000000694 effects Effects 0.000 claims abstract description 12
- 238000009313 farming Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000001125 extrusion Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 6
- 230000002779 inactivation Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000003213 activating effect Effects 0.000 claims description 2
- 238000005056 compaction Methods 0.000 claims 1
- 230000005284 excitation Effects 0.000 claims 1
- 239000000575 pesticide Substances 0.000 abstract description 5
- 230000004720 fertilization Effects 0.000 abstract description 4
- 241000238631 Hexapoda Species 0.000 abstract description 3
- 241000607479 Yersinia pestis Species 0.000 abstract description 3
- 201000010099 disease Diseases 0.000 abstract description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 239000002689 soil Substances 0.000 description 7
- 235000005976 Citrus sinensis Nutrition 0.000 description 5
- 240000002319 Citrus sinensis Species 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000035784 germination Effects 0.000 description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 230000007704 transition Effects 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
- 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—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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智慧农业领域及深度学习领域,尤其涉及一种基于改进卷积神经网络结构的果树生长预测方法,包括:设计由多个子卷积神经网络模型组成的果树生长预测模型,确定各子卷积神经网络模型的输入输出,设计子卷积神经网络模型,建立果树生长信息资源库,数据化果树种植理论知识、经验知识,训练子卷积神经网络模型,链接训练好的子卷积神经网络模型,生成果树生长预测模型,应用果树生长预测模型生成的预测数据指引农事活动。本发明新颖的将果树每个阶段的生长状态用一个子神经网络模型来拟合,为各农事活动的实施及施肥、施药等的用量进行了更精准的把控,对果树病虫害等亚健康状态提前预警,为果树的健康成长提供了更精准的科学依据。
Description
【技术领域】
本发明涉及智慧农业领域及深度学习领域,尤其涉及一种基于改进卷积神经网络结构的果树生长预测方法。
【背景技术】
对果树的生长状态进行精准预测,1、能提前发现果树的病虫害等亚健康状态,从而更早的治理及防护,减少亚健康状态对果树的持续危害;2、对果树生长预测数据进行分析,结合果树种植理论知识及先验知识,为各农事活动的实施及施肥、施药等的用量提供更精准的把控;3、通过传感器及预测系统,农户能足不出户掌握果树生长的实时状态,节省了劳动力;4、果树生长预测模型是智慧农业大数据平台中不可缺少的模块。
然而果树生长预测模型的搭建存在以下难点:1、影响果树生长状态的因素很多,如果没有全盘考虑的话,那就不能对果树生长状态进行精准预测;2、影响果树生长状态的因素如何数据化及如何结合在一起,从而生成预测模型;3、果树的生长状态是动态的,且与果树之前的生长状态有关;4、果树生长状态的预测还有果树种植理论知识及经验知识有关,如何把种植技术融入到预测模型中?
因此,急需能融合果树历史生长状态、当前的环境数据、果树种植理论知识及经验知识,能动态预测、实时更新的果树生长预测模型。
【发明内容】
本发明的目的是克服上述现有技术的缺点,提供了提出一种基于改进卷积神经网络结构的果树生长预测方法。首先设计果树生长预测模型;接着确定各子卷积神经网络模型的输入输出,再根据预测模型的特征及输入输出的数据特点设计子卷积神经网络模型;同时建立果树生长信息数据库及数据化果树种植理论知识、经验知识;再应用果树生长信息数据库训练子卷积神经网络模型并采用数据化的果树种植理论知识、经验知识进行监督学习;接着链接训练好的子卷积神经网络模型,形成果树生长预测模型;最后应用果树生长预测模型生成的预测数据指引农事活动。
本发明可以通过以下技术方案来实现:
一种基于改进卷积神经网络结构的果树生长预测方法,所述方法包含以下步骤:
S1,设计由多个子卷积神经网络模型组成的果树生长预测模型;
S2,确定各子卷积神经网络模型的输入输出;
S3,设计子卷积神经网络模型;
S4,建立果树生长信息资源库;
S5,数据化果树种植理论知识、经验知识;
S6,训练子卷积神经网络模型;
S7,链接训练好的子卷积神经网络模型,形成果树生长预测模型;
S8,应用果树生长预测模型生成的预测数据指引农事活动。
进一步的,在S1中:该预测模型综合考虑了果树生长周期、果树生长状态的历史数据及当前环境数据,该预测模型由多级子卷积神经网络模型级联组合而成,果树生长状态的历史数据即是前级子卷积神经网络模型的输出。
进一步的,在S3中,子卷积神经网络是由改进的ResNet构成。
进一步的,在S4中,果树生长及相关环境数据按果树的品种、果树的树龄分门归类,同一树龄及品种的不同果树的相关生长及环境数据被归为同一数据集,该数据集将用于子卷积神经网络模型的训练。
进一步的,在S6中,训练子卷积神经网络模型除了应用S4中的数据外,还应用S5中的果树种植理论知识数据及经验数据进行监督学习。
进一步的,改进的ResNet为对经典ResNet进行了裁剪,使其符合输入输出数据的特点;在裁剪后的ResNet中增加挤积块(Squeeze and ExcitationBlock)。
进一步的,所述改进的ResNet由23层构成,包括20层增加了挤积块的残差卷积层及两层全连接层和一层分类层,输入数据首先经过包含了残差结构的卷积层,卷积核为3*3*64,再通过批归一化处理及最大池化,最后到挤积块;输入数据后到挤积块的过程重复十次,形成20层卷积层;然后进入全连接层(全连接层由1024个节点组成),批归一化处理,Relu激活函数,再到随机失活函数,再接一个全连接层,再接softmax分类器,处理后的数据通过输出层输出。
本发明与现有的技术相比有如下优点:
将果树每个阶段的生长状态用一个子神经网络模型来拟合,将历史数据(上一个子神经网络模型的输出)及当前环境参数数据做为当前子神经网络模型的输入,实现了模型与当前果树生长时期的更精准匹配,也解决了历史生长数据与当前环境数据融合问题;在模型训练时加入先验知识及理论知识,解决了理论知识与环境参数相融的问题,完善了果树生长参数的类别,提高了果树生长参数预测的准确性;对果树生长状态实时监控及分析,为各农事活动的实施及施肥、施药等的用量进行了更精准的把控,对果树病虫害等亚健康状态提前预警,为果树的健康成长提供了更精准的科学依据。
【附图说明】
下面结合附图对本发明的具体实施方式作进一步详细说明,其中:
图1为果树生长预测模型;
图2为改进的残差网络模型;
图3为挤积块的结构;
图4为精准农事活动预测步骤;
【具体实施方式】
下面结合附图对本发明的实施方式作详细说明:
本发明所提果树生长预测模型如图1所示;
本发明公开了一种基于改进卷积神经网络结构的果树生长预测方法,根据果树生长周期确定,确定果树生长过程中的预测节点,每个预测节点对一个子卷积神经网络,本发明中的子卷积神经网络采用改进的残差网络IResnet,该残差网络的输入由当前的环境参数及上级子卷积神经网络的输出组成,ɑn,1……P代表第n级的输入环境参数,小标逗号的左边数字为子卷积神经网络的级数,逗号右边代表输入环境参数的种类及序号;On,1……m代表第n级子卷积神经网络的输出,即果树生长的预测数据,将传输至智慧农业数据终端进行显示,或者发送至农户手机APP上。
本发明所提改进残差网络即IResnet如图2所示:对经典Resnet(残差网络)进行了裁剪,使其符合输入输出数据的特点,在裁剪后的ResNet中增加挤积块(SqueezeandExcitationBlock)。改进的ResNet由23层构成,包括20层增加了挤积块的残差卷积层及两层全连接层和一层分类层。输入数据首先经过包含了残差结构的卷积层,卷积核为3*3*64,再通过批归一化处理及最大池化,最大池化选用2*2,最后到挤积块;上述过程重复十次,形成20层卷积层;然后进入全连接层(全连接层由1024个节点组成),批归一化处理,Relu激活函数,再到随机失活函数,再接一个全连接层,再接softmax分类器,处理后的数据通过输出层输出。Relu激活函数和随机失活函数Dropout穿插其间。
IResnet中包含的挤积块如图3所示:输入的卷积层先经过全局池化滤除奇异点,再平展开输入到包含1024个节点的全连接层,通过sigmoid激活函数后,与原始平展的节点累加,从而强化了靠近平均值且经常出现的数据而滤除了数据偏差大又出现次数少的数据,进而达到给卷积层中的数据按贡献度重新分配权重的效果。
本发明中预测模型的训练步骤如下:果树的生长数据及相关环境数据将按照果树的品种、果树的树龄分门归类,同一树龄及品种的不同果树的相关生长及环境数据被归为同一数据集,该数据集将用于子卷积神经网络模型的训练,每个子卷积神经网络模型都是单独进行训练,训练完成后再连接成一个整体。训练子卷积神经网络模型除了应用脐橙生长数据外,还应用了数据化的果树种植理论知识及经验进行了监督学习。
精准农事活动预测方法如图4所示:应用预测的生长数据及当下节点的最优数据进行数据分析,判断当前果树的生长状态,进而应用数据化的种植理论及经验知识确定进行农事活动的时间及肥料、农药等的用量。
实施例:
以赣南脐橙果树为例展开具体实施方案,在发明内容的基础上,从如何按照赣南脐橙的生长周期设定子卷积神经网络的个数、模型的输入输出、子卷积神经网络模型的训练次数、学习率、初始权重参数等的设定各方面加以说明。
1、根据脐橙果树生长周期确定节点数
脐橙生长周期分为五个阶段:萌芽期(第一年,一般在2月底春芽萌发)、春梢抽发蕾期(第二年)、开花期(第三年)、发果期(第三至六年)、盛果期(第七至十五年),减产期(第十五年到第三十年),衰果期(第三十年到四十年)。
萌芽期是果树生长的关键时期,要求能精准、及时地预测果树生长状态,因此每半个月为节点建立子卷积神经网络模型,共24个子卷积神经网络模型;
春梢抽发蕾期为果树成熟过渡期,每两个月为节点建立子卷积神经网络模型,共6个子卷积神经网络模型;
开花期预示着果树进入“青春期”,这个阶段要多施肥浇水,保证果树生长充足的养分,每个月为节点,建立12个子卷积神经网络模型;
发果期共三年,需要实时监控果树生长状态,从而发现预测分析果树增产与各环境数据积果树生长数据的关系,从而发现果树多产的规律。每半个月一个子卷积神经网络共计72个节点;
盛果期时期,果树的产量处在一个稳定期,第一年跟最后一年每个月一个节点,中间年份每两个月一个节点,共42个节点,共计66个节点;
减产期需要发现分析产量的减少与果树状态参数的关系,找到果树减产的原因,寻求阻止果树减产的方法;每个月两个节点,共360个子卷积神经网络;
当检测到果树进入无法逆转的衰果期后,应该停止其生长模型的建立,因而每两个月建立一个子卷积神经网络模型,直到检测到衰果期为止。
2、确定子卷积神经网络模型的参数
子卷积神经网络模型由23层改进的ResNet构成,包括20层增加了挤积块的残差卷积层及两层全连接层和一层分类层。输入数据首先经过包含了残差结构的卷积层,卷积核为3*3*64,再通过批归一化处理及最大池化(步长为2),最后到挤积块;上述过程重复十次,形成20层卷积层;然后进入全连接层(全连接层由1024个节点组成),批归一化处理,Relu激活函数,再到随机失活函数,再接一个全连接层,再接softmax分类器,处理后的数据通过输出层输出。
3、训练数据的结构、数量及模型训练方法
果树生长及相关环境数据按果树的品种、果树的树龄分门归类,同一树龄及品种的不同果树的相关生长及环境数据被归为同一数据集,即为每个生长周期节点对应的子卷积神经网络建立一个数据集,该数据集包括:输入参数(降雨量、日照时长、空气温度、空气相对湿度、昼夜温差、风力、风向、风速、土壤温度、土壤湿度、土壤中的氧含量、土壤孔隙度、土壤酸碱度、土壤中的微量元素含量、土壤有机质含量、土壤中含磷、钾、氮含量)及标注参数(主干高度、树高、整株冠幅、主干径粗、主枝径粗、叶片平均厚度、叶片平均面积、叶果比、单株开花数、单株结果数)。每个节点准备1000份数据,其中包含了优、良、中、差、不合格五种果树的生长参数及环境数据。
训练IResnet时,块尺寸被设为128,动量值为0.96,惩罚权重项为0.002;学习率被设置为0.02,当准确率提升速度缓慢时,将以5的倍数变小,直到最后变成5*10-3;dropout层的失活概率为0.5,初始权重参数设置成0-1的随机正态分布;模型训练的迭代次数为20K。
果树生长数据预测模型能为不同树龄果树匹配不同的子卷积神经网络,从而进行果树生长状态不间断地监控与预测;应用预测的生长数据及当下节点的最优数据进行数据分析,判断当前果树的生长状态,进而应用数据化的种植理论及经验知识确定进行农事活动的时间及肥料、农药等的用量。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,可以对这些实施例进行多种变化、修改、替换和变型,这些变化、修改、替换和变型,也应视为本发明的保护范围。
Claims (7)
1.一种基于改进卷积神经网络结构的果树生长预测方法,其特征在于:所述方法包含以下步骤:
S1,设计由多个子卷积神经网络模型组成的果树生长预测模型;
S2,确定各子卷积神经网络模型的输入输出;
S3,设计子卷积神经网络模型;
S4,建立果树生长信息资源库;
S5,数据化果树种植理论知识、经验知识;
S6,训练子卷积神经网络模型;
S7,链接训练好的子卷积神经网络模型,形成果树生长预测模型;
S8,应用果树生长预测模型生成的预测数据指引农事活动。
2.根据权利要求1所述的基于改进卷积神经网络结构的果树生长预测方法,其特征在于:在S1中:该预测模型综合考虑了果树生长周期、果树生长状态的历史数据及当前环境数据,该预测模型由多级子卷积神经网络模型级联组合而成,果树生长状态的历史数据即是前级子卷积神经网络模型的输出。
3.根据权利要求1所述的基于改进卷积神经网络结构的果树生长预测方法,其特征在于:在S3中,子卷积神经网络是由改进的ResNet构成。
4.根据权利要求1所述的基于改进卷积神经网络结构的果树生长预测方法,其特征在于:在S4中,果树生长及相关环境数据按果树的品种、果树的树龄分门归类,同一树龄及品种的不同果树的相关生长及环境数据被归为同一数据集,该数据集将用于子卷积神经网络模型的训练。
5.根据权利要求1所述的基于改进卷积神经网络结构的果树生长预测方法,其特征在于:在S6中,训练子卷积神经网络模型除了应用S4中的数据外,还应用S5中的果树种植理论知识数据及经验数据进行监督学习。
6.根据权利要求3所述的基于改进卷积神经网络结构的果树生长预测方法,其特征在于:改进的ResNet为对经典ResNet进行了裁剪,使其符合输入输出数据的特点;在裁剪后的ResNet中增加挤积块(Squeeze and Excitation Block)。
7.根据权利要求6所述的基于改进卷积神经网络结构的果树生长预测方法,其特征在于:所述改进的ResNet由23层构成,包括20层增加了挤积块的残差卷积层及两层全连接层和一层分类层,输入数据首先经过包含了残差结构的卷积层,卷积核为3*3*64,再通过批归一化处理及最大池化,最后到挤积块;输入数据后到挤积块的过程重复十次,形成20层卷积层;然后进入全连接层(全连接层由1024个节点组成),批归一化处理,Relu激活函数,再到随机失活函数,再接一个全连接层,再接softmax分类器,处理后的数据通过输出层输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210165.2A CN115564109A (zh) | 2022-09-30 | 2022-09-30 | 一种基于改进卷积神经网络结构的果树生长预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211210165.2A CN115564109A (zh) | 2022-09-30 | 2022-09-30 | 一种基于改进卷积神经网络结构的果树生长预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564109A true CN115564109A (zh) | 2023-01-03 |
Family
ID=84742874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211210165.2A Pending CN115564109A (zh) | 2022-09-30 | 2022-09-30 | 一种基于改进卷积神经网络结构的果树生长预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564109A (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 |
CN117574096A (zh) * | 2024-01-15 | 2024-02-20 | 西安道法数器信息科技有限公司 | 基于大数据的农林有害生物预测方法 |
-
2022
- 2022-09-30 CN CN202211210165.2A patent/CN115564109A/zh active Pending
Cited By (3)
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 |
CN117574096A (zh) * | 2024-01-15 | 2024-02-20 | 西安道法数器信息科技有限公司 | 基于大数据的农林有害生物预测方法 |
CN117574096B (zh) * | 2024-01-15 | 2024-04-05 | 西安道法数器信息科技有限公司 | 基于大数据的农林有害生物预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Suma | Internet-of-Things (IoT) based smart agriculture in India-an overview | |
CN115564109A (zh) | 一种基于改进卷积神经网络结构的果树生长预测方法 | |
Jain et al. | Machine Learning convergence for weather based crop selection | |
CN112450056A (zh) | 一种基于机器学习算法的水肥药一体化智能灌溉系统 | |
CN102496077A (zh) | 林业有害生物灾害预测系统和方法 | |
CN108781926A (zh) | 基于神经网络预测的大棚灌溉系统及方法 | |
CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
Tangwannawit et al. | An optimization clustering and classification based on artificial intelligence approach for internet of things in agriculture | |
Nandanwar et al. | A survey of application of ML and data mining techniques for smart irrigation system | |
Hassan et al. | Advances in deep learning algorithms for agricultural monitoring and management | |
CN116776290A (zh) | 一种烟草大数据模型构建方法 | |
Meenachi et al. | Multi class ensemble classification for crop recommendation | |
Skobelev et al. | Further advances in models and methods for digital twins of plants | |
Masare et al. | The system for maximize the yielding rate of crops using machine learning algorithm | |
Tayde et al. | Applying data mining technique to predict annual yield of major crops | |
Jiao et al. | [Retracted] Prediction Model of Rice Seedling Growth and Rhizosphere Fertility Based on the Improved Elman Neural Network | |
Venkatachalam et al. | Future IoT Applications using Artificial Intelligence-based Sensors: Agriculture | |
Hashni et al. | Smart Farming Approaches Towards Sustainable Agriculture—A Survey | |
CN117970985B (zh) | 基于知识图谱的营养液浓度调控方法、装置及存储介质 | |
Tripathi et al. | 2 Food security and farming through IoT and machine learning | |
Muhamediyeva | Forecasting export options for fruit and vegetable products | |
Jinger et al. | Maize Yield Prediction Considering Growth Stages using Fuzzy Logic Modelling | |
Orakwe et al. | Advanced decision support and data acquisition systems for field irrigation management: a review | |
Mabayoje | A DESIGN OF A DECISION SUPPORT SYSTEM FOR CASSAVA FARMING IN NIGERIA | |
Mathur et al. | Smart Farming Through Deep Learning |
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 |