CN115690609A - 一种作物生育期长势监测的方法 - Google Patents

Abstract

本发明公开一种作物生育期长势监测的方法，包括监测准备步骤和监测实施步骤；所述监测准备步骤包括以下步骤：将种植作物的地域划分若干个种植区；在每个种植区布局气象监测装置、灾害监测装置和营养检测装置；建立种植区平日数据分析模型；建立作物库；制定航拍无人机航拍完整个种植作物的地域的飞行线路；制定航拍飞机的监测周期；建立图像分割标记模块；建立生长期长势判别模型，输入经过图像分割标记模块获得的图像数据，输出每个图像数据的作物长势情况。本发明具有科学客观性，省时省力，能够结合整片种植区作物的生态环境和每个作物的自身生长状况信息进行正确的分析，且能掌控每一批次作物不同生长周期的变化。

Description

一种作物生育期长势监测的方法

技术领域

本发明涉及作物生育期长势监测技术领域，更具体地，涉及一种作物生育期长势监测的方法。

背景技术

作物的生育期指作物从播种至成熟过程中出现某一典型发育特征的生长阶段，是反映作物生长发育过程的重要标志，对植株同化产物向不同器官按比例分配、产量和品质形成以及农田管理适宜时间具有指导意义。

监测生育期的长势可以掌握作物的生长状态及发育速度，因此生育期判定在作物品质评估、营养诊断、产量预估、低温胁迫、水肥配给、品种选育、农时监测等领域具有关键作用。

在传统农业中，主要通过人工监测的方法进行生育期判别。人工监测法是依靠专业的观测人员进入田间，根据作物生长形态，在实地按照相关生产规范中的定义进行辨别。由于依赖人为操作，人工观测法具有主观性强，耗时费力，随机误差较大等问题。

目前，现有技术中还有通过将互联网与农业相结合，通过云平台大数据分析计算对农作物的生长态势进行实时监控，及时掌握农作物生长情况，以及了解农作物是否有条件得到匹配的生态环境，同时对自然界中突发的病虫害信息情况进行获知，以便根据实际情况对农作物种植方式进行调整，然而现有的农作物长势监控方法与系统还存在以下问题：

现有的农作物长势监控方法与系统在对农作物长势进行监控时，无法结合整片种植区域作物的生态环境和每个作物的自身生长状况信息进行分析，容易出现长势分析错误，且种植区域过大的情况下，不能掌控每一批次作物不同生长周期的变化，使的监控获得的信息不够全面，不便于指导农户进行接下来的种植方式，也不便于发现作物的问题。

发明内容

本发明的目的在于提供一种作物生育期长势监测的方法，该方法具有科学客观性，省时省力，能够结合整片种植区作物的生态环境和每个作物的自身生长状况信息进行正确的分析，且能掌控每一批次作物不同生长周期的变化。

为达到上述目的，提供了一种作物生育期长势监测的方法，包括监测准备步骤和监测实施步骤；

所述监测准备步骤包括以下步骤：

将种植作物的地域划分若干个种植区；

在每个种植区布局气象监测装置、灾害监测装置和营养检测装置；所述气象监测装置用于实时监测对应种植区内的气象数据；所述灾害监测装置用于实时监测对应种植区内的灾害数据；所述营养检测装置用于实时监测对应种植区内的营养数据；

建立种植区平日数据分析模型，输入当日实时监测该种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、平均灾害数据、平均营养数据，并输入种植天数，输出对应种植区平日长势情况；所述种植区平日长势情况为依据作物的生长周期划分的长势分数；设定种植区平日长势情况的阈值；

建立作物库，将每个种植区的每个作物根据所在种植区的相对位置设定唯一的序号并录入至作物库；

制定航拍无人机航拍完整个种植作物的地域的飞行线路；

制定航拍飞机的监测周期；

建立图像分割标记模块，输入已进行图像处理的俯瞰照片通过边缘识别算法分割出每个作物的图像数据，并调取作物库，在图像数据中根据所在种植区的相对位置对应俯瞰照片的位置标记作物对应的序号；

建立生长期长势判别模型，输入经过图像分割标记模块获得的图像数据，输出每个图像数据的作物长势情况；所述作物长势情况为依据作物的生长周期划分的长势分数；

所述监测实施步骤包括以下步骤：

步骤一，气象监测装置、灾害监测装置和营养检测装置分别实时监测对应种植区内的气象数据、灾害数据、营养数据；

步骤二，将步骤一中当日实时监测该种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、灾害数据、营养数据和种植天数输入至种植区平日数据分析模型，输出对应种植区平日长势情况；

步骤三，将种植区平日长势情况与种植区平日长势情况的阈值进行对比；若种植区平日长势情况低于该阈值则农户需要对该种植区的作物进行单独考察；

步骤四，航拍无人机根据监测周期和飞行路线对所有种植区拍摄俯瞰照片；

步骤五，对俯瞰照片进行图像处理；

步骤六，将步骤五获得的俯瞰照片输入图像分割标记模块获得每个作物的图像数据并标记作物对应的序号；

步骤七，输入步骤六获得的图像数据至生长期长势判别模型，输出每个图像数据的作物长势情况。

特别的，所述气象监测装置包括温度传感器、湿度传感器、气压传感器、风向传感器、风速传感器、降雨量传感器、PM2.5传感器、二氧化硫传感器、二氧化氮传感器、臭氧传感器和一氧化碳传感器；所述气象数据包括温度数据、湿度数据、气压数据、风向数据、风速数据、降雨量数据、粉尘浓度数据、二氧化硫含量数据、二氧化氮数据、臭氧含量数据和一氧化碳含量数据。

特别的，所述灾害监测装置包括虫害监测装置、烟雾检测装置、洪水检测系统；所述灾害数据包括虫害种类数据、虫害程度数据、烟雾含量数据、洪水水深数据。

特别的，所述营养检测装置包括叶绿素检测装置、钾元素检测装置、氮元素检测装置、磷元素检测装置；所述营养数据包括作物叶绿素含量数据、土壤钾元素含量、土壤氮元素含量数据、土壤磷含量数据。

特别的，所述图像分割模块还包括覆盖识别模块；所述覆盖识别模块用于根据边缘识别算法分割出每个作物的图像数据获取图像数据的轮廓，根据轮廓形状对比作物正常轮廓形状的相似度，并设置相似度阈值，若相似度低于相似度阈值判断为被覆盖，则中断操作；若相似度低于相似度阈值判断为未被覆盖，则继续下面的操作。

特别的，所述图像处理模型对输入的俯瞰照片进行图像处理的具体操作为将俯瞰照片进行放大、旋转、对比度调整、亮化、锐化的操作。

特别的，所述建立种植区平日数据分析模型的具体步骤为将海量平均气象数据、平均灾害数据、平均营养数据、种植天数及专业人士判断出的种植区平日长势情况构成数据集；划分70％数据集用做模型构建，30％数据集用做模型验证；采用机器学习方法建模，获得种植区平日数据分析模型。

特别的，所述建立生长期长势判别模型的具体步骤为将海量作物图片数据、种植天数及专业人士判断出的作物长势情况构成图像数据集；划分70％图像数据集用做模型构建，30％图像数据集用做模型验证；采用机器学习方法建模，获得种植区平日数据分析模型。一种作物生育期长势监测方法的系统，包括：

分别布局于每个种植区的气象监测装置、灾害监测装置和营养检测装置；所述气象监测装置用于实时监测对应种植区内的气象数据；所述灾害监测装置用于实时监测对应种植区内的灾害数据；所述营养检测装置用于实时监测对应种植区内的营养数据；

种植区平日数据分析模块；所述种植区平日数据分析模块存储有种植区平日数据分析模型；所述种植区平日数据分析模型输入当日实时监测该种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、平均灾害数据、平均营养数据，并输入种植天数，输出对应种植区平日长势情况；所述种植区平日长势情况为依据作物的生长周期划分的长势分数；

作物库，用于将每个种植区的每个作物根据所在种植区的相对位置设定唯一的序号并录入；

无人机航拍俯瞰照片输入模块，用于接收航拍无人机根据监测周期和飞行路线对所有种植区拍摄的俯瞰照片；

图像处理模块，用于对俯瞰照片进行图像处理；

图像分割标记模块，输入已进行图像处理的俯瞰照片通过边缘识别算法分割出每个作物的图像数据，并调取作物库，在图像数据中根据所在种植区的相对位置对应俯瞰照片的位置标记作物对应的序号；

生长期长势判别模块，存储有生长期长势判别模型；所述生长期长势判别模型输入经过图像分割标记模块获得的图像数据，输出每个图像数据的作物长势情况；所述作物长势情况为依据作物的生长周期划分的长势分数；

处理器，用于控制气象监测装置、灾害监测装置、营养检测装置、种植区平日数据分析模块、作物库、无人机航拍俯瞰照片输入模块、图像处理模块、图像分割标记模块、生长期长势判别模块；所述处理器分别连接气象监测装置、灾害监测装置、营养检测装置、种植区平日数据分析模块、作物库、无人机航拍俯瞰照片输入模块、图像处理模块、图像分割标记模块、生长期长势判别模块。

本发明的有益效果如下所示：

本发明提出的一种作物生育期长势监测的方法，通过每日实时监测种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、平均灾害数据、平均营养数据，并输入种植天数，输出对应种植区平日长势情况，结合整片种植区域作物的生态环境和每个作物的自身生长状况信息进行分析，对作物的长势分析较为准确；通过航拍无人机根据监测周期和飞行路线对所有种植区拍摄俯瞰照片，并结合图像处理、机器学习的技术，输出每个图像数据的作物长势情况，每个作物的生长期长势都做具体分析，便于掌控每一批次作物不同生长周期的变化，使的监控获得的信息大至种植区，小至每个作物都进行了全面获取和分析，便于指导农户进行接下来的种植方式，也能很快发现作物的问题，省时省力，科学客观。

附图说明

为了更清楚地说明本发明实施例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本发明的一些实施例，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，还可以根据这些附图获得其他的附图。

图1为本发明实施例的流程图。

具体实施方式

下面结合附图对本发明的优选实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

如图1所示，本发明实施例的一种作物生育期长势监测的方法，包括监测准备步骤和监测实施步骤；

监测准备步骤包括以下步骤：

将种植作物的地域划分若干个种植区；

在每个种植区布局气象监测装置、灾害监测装置和营养检测装置；气象监测装置用于实时监测对应种植区内的气象数据；灾害监测装置用于实时监测对应种植区内的灾害数据；营养检测装置用于实时监测对应种植区内的营养数据；

建立种植区平日数据分析模型，输入当日实时监测该种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、平均灾害数据、平均营养数据，并输入种植天数，输出对应种植区平日长势情况；种植区平日长势情况为依据作物的生长周期划分的长势分数；设定种植区平日长势情况的阈值；

建立作物库，将每个种植区的每个作物根据所在种植区的相对位置设定唯一的序号并录入至作物库；

制定航拍无人机航拍完整个种植作物的地域的飞行线路；

制定航拍飞机的监测周期；

建立图像分割标记模块，输入已进行图像处理的俯瞰照片通过边缘识别算法分割出每个作物的图像数据，并调取作物库，在图像数据中根据所在种植区的相对位置对应俯瞰照片的位置标记作物对应的序号；

建立生长期长势判别模型，输入经过图像分割标记模块获得的图像数据，输出每个图像数据的作物长势情况；作物长势情况为依据作物的生长周期划分的长势分数；

监测实施步骤包括以下步骤：

步骤一，气象监测装置、灾害监测装置和营养检测装置分别实时监测对应种植区内的气象数据、灾害数据、营养数据；

步骤二，将步骤一中当日实时监测该种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、灾害数据、营养数据和种植天数输入至种植区平日数据分析模型，输出对应种植区平日长势情况；

步骤三，将种植区平日长势情况与种植区平日长势情况的阈值进行对比；若种植区平日长势情况低于该阈值则农户需要对该种植区的作物进行单独考察；

步骤四，航拍无人机根据监测周期和飞行路线对所有种植区拍摄俯瞰照片；

步骤五，对俯瞰照片进行图像处理；

步骤六，将步骤五获得的俯瞰照片输入图像分割标记模块获得每个作物的图像数据并标记作物对应的序号；

步骤七，输入步骤六获得的图像数据至生长期长势判别模型，输出每个图像数据的作物长势情况。

气象监测装置包括温度传感器、湿度传感器、气压传感器、风向传感器、风速传感器、降雨量传感器、PM2.5传感器、二氧化硫传感器、二氧化氮传感器、臭氧传感器和一氧化碳传感器；气象数据包括温度数据、湿度数据、气压数据、风向数据、风速数据、降雨量数据、粉尘浓度数据、二氧化硫含量数据、二氧化氮数据、臭氧含量数据和一氧化碳含量数据。

灾害监测装置包括虫害监测装置、烟雾检测装置、洪水检测系统；灾害数据包括虫害种类数据、虫害程度数据、烟雾含量数据、洪水水深数据。

营养检测装置包括叶绿素检测装置、钾元素检测装置、氮元素检测装置、磷元素检测装置；营养数据包括作物叶绿素含量数据、土壤钾元素含量、土壤氮元素含量数据、土壤磷含量数据。

图像分割模块还包括覆盖识别模块；覆盖识别模块用于根据边缘识别算法分割出每个作物的图像数据获取图像数据的轮廓，根据轮廓形状对比作物正常轮廓形状的相似度，并设置相似度阈值，若相似度低于相似度阈值判断为被覆盖，则中断操作；若相似度低于相似度阈值判断为未被覆盖，则继续下面的操作。

图像处理模型对输入的俯瞰照片进行图像处理的具体操作为将俯瞰照片进行放大、旋转、对比度调整、亮化、锐化的操作。

建立种植区平日数据分析模型的具体步骤为将海量平均气象数据、平均灾害数据、平均营养数据、种植天数及专业人士判断出的种植区平日长势情况构成数据集；划分70％数据集用做模型构建，30％数据集用做模型验证；采用机器学习方法建模，获得种植区平日数据分析模型。

建立生长期长势判别模型的具体步骤为将海量作物图片数据、种植天数及专业人士判断出的作物长势情况构成图像数据集；划分70％图像数据集用做模型构建，30％图像数据集用做模型验证；采用机器学习方法建模，获得种植区平日数据分析模型。一种作物生育期长势监测方法的系统，包括：

分别布局于每个种植区的气象监测装置、灾害监测装置和营养检测装置；气象监测装置用于实时监测对应种植区内的气象数据；灾害监测装置用于实时监测对应种植区内的灾害数据；营养检测装置用于实时监测对应种植区内的营养数据；

种植区平日数据分析模块；种植区平日数据分析模块存储有种植区平日数据分析模型；种植区平日数据分析模型输入当日实时监测该种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、平均灾害数据、平均营养数据，并输入种植天数，输出对应种植区平日长势情况；种植区平日长势情况为依据作物的生长周期划分的长势分数；

作物库，用于将每个种植区的每个作物根据所在种植区的相对位置设定唯一的序号并录入；

无人机航拍俯瞰照片输入模块，用于接收航拍无人机根据监测周期和飞行路线对所有种植区拍摄的俯瞰照片；

图像处理模块，用于对俯瞰照片进行图像处理；

图像分割标记模块，输入已进行图像处理的俯瞰照片通过边缘识别算法分割出每个作物的图像数据，并调取作物库，在图像数据中根据所在种植区的相对位置对应俯瞰照片的位置标记作物对应的序号；

生长期长势判别模块，存储有生长期长势判别模型；生长期长势判别模型输入经过图像分割标记模块获得的图像数据，输出每个图像数据的作物长势情况；作物长势情况为依据作物的生长周期划分的长势分数。

虽然结合附图描述了本发明的实施方式，但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改，只要不超过本发明的权利要求所描述的保护范围，都应当在本发明的保护范围之内。

Claims (9)

1.一种作物生育期长势监测的方法，包括监测准备步骤和监测实施步骤；其特征在于：

所述监测准备步骤包括以下步骤：

将种植作物的地域划分若干个种植区；

在每个种植区布局气象监测装置、灾害监测装置和营养检测装置；所述气象监测装置用于实时监测对应种植区内的气象数据；所述灾害监测装置用于实时监测对应种植区内的灾害数据；所述营养检测装置用于实时监测对应种植区内的营养数据；

建立种植区平日数据分析模型，输入当日实时监测该种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、平均灾害数据、平均营养数据，并输入种植天数，输出对应种植区平日长势情况；所述种植区平日长势情况为依据作物的生长周期划分的长势分数；设定种植区平日长势情况的阈值；

建立作物库，将每个种植区的每个作物根据所在种植区的相对位置设定唯一的序号并录入至作物库；

制定航拍无人机航拍完整个种植作物的地域的飞行线路；

制定航拍飞机的监测周期；

建立图像分割标记模块，输入已进行图像处理的俯瞰照片通过边缘识别算法分割出每个作物的图像数据，并调取作物库，在图像数据中根据所在种植区的相对位置对应俯瞰照片的位置标记作物对应的序号；

建立生长期长势判别模型，输入经过图像分割标记模块获得的图像数据，输出每个图像数据的作物长势情况；所述作物长势情况为依据作物的生长周期划分的长势分数；

所述监测实施步骤包括以下步骤：

步骤一，气象监测装置、灾害监测装置和营养检测装置分别实时监测对应种植区内的气象数据、灾害数据、营养数据；

步骤二，将步骤一中当日实时监测该种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、灾害数据、营养数据和种植天数输入至种植区平日数据分析模型，输出对应种植区平日长势情况；

步骤三，将种植区平日长势情况与种植区平日长势情况的阈值进行对比；若种植区平日长势情况低于该阈值则农户需要对该种植区的作物进行单独考察；

步骤四，航拍无人机根据监测周期和飞行路线对所有种植区拍摄俯瞰照片；

步骤五，对俯瞰照片进行图像处理；

步骤六，将步骤五获得的俯瞰照片输入图像分割标记模块获得每个作物的图像数据并标记作物对应的序号；

步骤七，输入步骤六获得的图像数据至生长期长势判别模型，输出每个图像数据的作物长势情况。

2.根据权利要求1所述的一种作物生育期长势监测的方法，其特征在于：所述气象监测装置包括温度传感器、湿度传感器、气压传感器、风向传感器、风速传感器、降雨量传感器、PM2.5传感器、二氧化硫传感器、二氧化氮传感器、臭氧传感器和一氧化碳传感器；所述气象数据包括温度数据、湿度数据、气压数据、风向数据、风速数据、降雨量数据、粉尘浓度数据、二氧化硫含量数据、二氧化氮数据、臭氧含量数据和一氧化碳含量数据。

3.根据权利要求1所述的一种作物生育期长势监测的方法，其特征在于：所述灾害监测装置包括虫害监测装置、烟雾检测装置、洪水检测系统；所述灾害数据包括虫害种类数据、虫害程度数据、烟雾含量数据、洪水水深数据。

4.根据权利要求1所述的一种作物生育期长势监测的方法，其特征在于：所述营养检测装置包括叶绿素检测装置、钾元素检测装置、氮元素检测装置、磷元素检测装置；所述营养数据包括作物叶绿素含量数据、土壤钾元素含量、土壤氮元素含量数据、土壤磷含量数据。

5.根据权利要求1所述的一种作物生育期长势监测的方法，其特征在于：所述图像分割模块还包括覆盖识别模块；所述覆盖识别模块用于根据边缘识别算法分割出每个作物的图像数据获取图像数据的轮廓，根据轮廓形状对比作物正常轮廓形状的相似度，并设置相似度阈值，若相似度低于相似度阈值判

断为被覆盖，则中断操作；若相似度低于相似度阈值判断为未被覆盖，则继续下面的操作。

6.根据权利要求1所述的一种作物生育期长势监测的方法，其特征在于：所述图像处理模型对输入的俯瞰照片进行图像处理的具体操作为将俯瞰照片进行放大、旋转、对比度调整、亮化、锐化的操作。

7.根据权利要求1所述的一种作物生育期长势监测的方法，其特征在于：所述建立种植区平日数据分析模型的具体步骤为将海量平均气象数据、平均灾害数据、平均营养数据、种植天数及专业人士判断出的种植区平日长势情况构成数据集；划分70％数据集用做模型构建，30％数据集用做模型验证；采用机器学习方法建模，获得种植区平日数据分析模型。

8.根据权利要求1所述的一种作物生育期长势监测的方法，其特征在于：所述建立生长期长势判别模型的具体步骤为将海量作物图片数据、种植天数及专业人士判断出的作物长势情况构成图像数据集；划分70％图像数据集用做模型构建，30％图像数据集用做模型验证；采用机器学习方法建模，获得种植区平日数据分析模型。

9.一种作物生育期长势监测方法的系统，其特征在于，包括：

分别布局于每个种植区的气象监测装置、灾害监测装置和营养检测装置；所述气象监测装置用于实时监测对应种植区内的气象数据；所述灾害监测装置用于实时监测对应种植区内的灾害数据；所述营养检测装置用于实时监测对应种植区内的营养数据；

种植区平日数据分析模块；所述种植区平日数据分析模块存储有种植区平日数据分析模型；所述种植区平日数据分析模型输入当日实时监测该种植区内的气象数据、灾害数据、营养数据计算出来的平均气象数据、平均灾害数据、平均营养数据，并输入种植天数，输出对应种植区平日长势情况；所述种植区平日长势情况为依据作物的生长周期划分的长势分数；

作物库，用于将每个种植区的每个作物根据所在种植区的相对位置设定唯一的序号并录入；

无人机航拍俯瞰照片输入模块，用于接收航拍无人机根据监测周期和飞行路线对所有种植区拍摄的俯瞰照片；

图像处理模块，用于对俯瞰照片进行图像处理；

图像分割标记模块，输入已进行图像处理的俯瞰照片通过边缘识别算法分割出每个作物的图像数据，并调取作物库，在图像数据中根据所在种植区的相对位置对应俯瞰照片的位置标记作物对应的序号；

生长期长势判别模块，存储有生长期长势判别模型；所述生长期长势判别模型输入经过图像分割标记模块获得的图像数据，输出每个图像数据的作物长势情况；所述作物长势情况为依据作物的生长周期划分的长势分数；

处理器，用于控制气象监测装置、灾害监测装置、营养检测装置、种植区平日数据分析模块、作物库、无人机航拍俯瞰照片输入模块、图像处理模块、图像分割标记模块、生长期长势判别模块；所述处理器分别连接气象监测装置、灾害监测装置、营养检测装置、种植区平日数据分析模块、作物库、无人机航拍俯瞰照片输入模块、图像处理模块、图像分割标记模块、生长期长势判别模块。

Images