CN115755739A - 基于深度学习的农机运行监控系统 - Google Patents
基于深度学习的农机运行监控系统 Download PDFInfo
- Publication number
- CN115755739A CN115755739A CN202211611340.9A CN202211611340A CN115755739A CN 115755739 A CN115755739 A CN 115755739A CN 202211611340 A CN202211611340 A CN 202211611340A CN 115755739 A CN115755739 A CN 115755739A
- Authority
- CN
- China
- Prior art keywords
- planting
- value
- real
- time
- environment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000013135 deep learning Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 20
- 239000002689 soil Substances 0.000 claims description 93
- 230000006399 behavior Effects 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 7
- 241001465754 Metazoa Species 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000255789 Bombyx mori Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009341 apiculture Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Abstract
本发明公开了基于深度学习的农机运行监控系统，涉及农业领域，解决了当下农业机械多为人工手动操控，人工手动操控无法满足农作物种植需求的问题，包括环境监测模块、深度学习模块和大数据模块，大数据模块依据农作物名称将农作物的标准种植参数发送至深度学习模块和将标准种植环境参数发送至服务器，所述服务器将标准种植环境参数发送至环境监测模块；所述环境监测模块用于对农机所在区域的种植环境进行监测，生成环境正常信号或环境异常信号；所述深度学习模块用于对农机的当前种植参数进行调整，得到农作物的目标种植深度，本发明结合农作物的生长习性和性种植习性，将农业机械进行智能精确化调整，从而有效满足农作物的种植需求。
Description
技术领域
本发明涉及农业机械技术领域，尤其涉及基于深度学习的农机运行监控系统。
背景技术
农业机械是指在作物种植业和畜牧业生产过程中，以及农、畜产品初加工和处理过程中所使用的各种机械。农业机械包括农用动力机械、农田建设机械、土壤耕作机械、种植和施肥机械、植物保护机械、农田排灌机械、作物收获机械、农产品加工机械、畜牧业机械和农业运输机械等。广义的农业机械还包括林业机械、渔业机械和蚕桑、养蜂、食用菌类培植等农村副业机械。农业机械属于相对概念，指用于农业、畜牧业、林业和渔业所有机械的总称，农业机械属于农机具的范畴。推广使用农业机械称为农业机械化。
当下农业机械在运作时，其机械结构的调整为人工手动操控，由于不同农作物的生长习性不同、性种植习性不同，人工手动操控难以满足农作物的种植需求；
为此，我们提出基于深度学习的农机运行监控系统。
发明内容
本发明的目的在于：为了解决上述问题，而提出的基于深度学习的农机运行监控系统，以解决上述背景技术中提出的农业机械多为人工手动操控，无法满足农作物种植需求的问题。
为了实现上述目的，本发明采用了如下技术方案：
基于深度学习的农机运行监控系统，包括农机以及农机上安装的处理器，所述处理器连接有驱动组件、数据采集模块和服务器，所述服务器连接有环境监测模块、深度学习模块、大数据模块和用户终端，所述用户终端用于输入农作物名称并发送至服务器，所述服务器将农作物名称发送至大数据模块，大数据模块依据农作物名称将农作物的标准种植参数发送至深度学习模块和将标准种植环境参数发送至服务器，所述服务器将标准种植环境参数发送至环境监测模块；
所述数据采集模块用于采集农机所在作业区域内的实时种植环境数据并发送至处理器，所述处理器将实时种植环境数据发送至服务器，所述服务器将实时种植环境数据发送至环境监测模块；所述环境监测模块用于对农机所在区域的种植环境进行监测，生成环境正常信号或环境异常信号；
所述深度学习模块用于对农机的当前种植参数进行调整，得到农作物的目标种植深度反馈至服务器，所述服务器将农作物的目标种植深度发送至处理器，所述处理器依据目标种植深度控制驱动组件将农机的当前种植参数进行调整。
进一步地，标准种植环境参数为农作物的标准土壤湿度区间和标准土壤温度区间；
标准种植参数为农作物的标准种植深度；
实时种植环境数据为农机所在区域的实时土壤湿度值和实时土壤温度值。
进一步地，所述环境监测模块的监测过程具体如下：
设定固定时长的监测时段，并将监测时段内设定若干个时间点；
在若干个时间点时获取农机所在区域的实时土壤湿度值和实时土壤温度值；
将若干个时间点时的实时土壤湿度值相加求和除以时间点的数量，得到农机所在区域在监测时段内的土壤湿度均值；
同理，计算农机所在区域在监测时段内的土壤温度均值；
若土壤湿度均值属于标准种植湿度区间，且土壤温度均值属于标准种植温度区间，则生成环境正常信号；
若土壤湿度均值不属于标准种植湿度区间或土壤温度均值不属于标准种植温度区间，则生成环境异常信号。
进一步地，所述环境监测模块将环境正常信号或环境异常信号反馈至服务器；
若服务器接收到环境正常信号，则不进行任何操作；
若服务器接收到环境异常信号，则将环境异常信号发送至用户终端和深度学习模块。
进一步地，所述深度学习模块的工作过程具体如下：
获取标准种植湿度区间和标准种植温度区间的上限值和下限值；
若土壤湿度均值小于标准种植湿度区间的下限值或土壤温度均值大于标准种植温度区间的上限值，计算土壤湿度均值与标准种植湿度区间下限值的差值得到农作物的种植湿度降低值，计算土壤温度均值与标准种植温度区间的上限值的差值得到农作物的种植温度增加值，依据种植湿度降低值或种植温度增加值得到农作物的种植深度调整值；
若土壤湿度均值大于标准种植湿度区间的上限值或土壤温度均值小于标准种植温度区间的下限值，计算土壤湿度均值与标准种植湿度区间的上限值得到农作物的种植湿度增加值，计算土壤温度均值与标准种植温度区间的下限值的差值得到农作物的种植温度降低值，依据种植湿度增加值或种植温度降低值得到农作物的种植深度调整值；
获取农作物的标准种植参数，得到农作物的标准种植深度，在标准种植深度的基础结合种植深度调整值进行调整得到农作物的目标种植深度。
进一步地，土壤湿度与农作物的种植深度成反比，湿度越大，种植深度越浅；
土壤温度与农作物的种植深度成正比，温度越大，种植深度越深；
种植湿度降低值或种植温度增加值与农作物的种植深度调整值成正比，种植湿度增加值或种植温度降低值与农作物的种植深度调整值成正比。
进一步地，所述处理器还连接有警报组件，所述服务器还连接有存储模块和姿态分析模块；
所述数据采集模块用于采集农机的实时行为数据，并将实时行为数据发送至处理器，所述处理器将实时行为数据发送至服务器，所述服务器将实时行为数据发送至姿态分析模块；
所述存储模块用于存储农机的预设运行数据，所述姿态分析模块用于对农机的运行行为进行分析，分析生成运行正常信号、二级警报信号或一级警报信号反馈至服务器，若服务器接收到运行正常信号则不进行任何操作，若服务器接收到二级警报信号或一级警报信号，则生成警报指令发送至处理器，处理器依据警报指令控制警报组件进行工作。
进一步地，实时运行数据为农机的实时运行速度和实时运行角速度。
进一步地，所述姿态分析模块的分析过程具体如下：
获取农机的实时运行速度和实时运行角速度；
而后获取农机的预设运行速度和预设运行角速度；
若实时运行速度小于等于预设运行速度，且实时运行角速度小于等于预设运行角速度，则生成运行正常信号；
若实时运行速度大于预设运行速度或实时运行角速度大于预设运行角速度，则生成二级警报信号；
若实时运行速度大于预设运行速度，且实时运行角速度大于预设运行角速度，则生成一级警报信号；
其中，一级警报信号的级别高于二级警报信号的级别。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明首先通过环境监测模块对农机所在区域的种植环境进行监测，生成环境正常信号或环境异常信号，若生成环境异常信号则通过深度学习模块对农机的当前种植参数进行调整，深度学习得到农作物的目标种植深度，依据目标种植深度控制驱动组件将农机的当前种植参数进行调整，本发明改变机械结构人工手动操控的方式，从农业机械所在地的环境出发，并结合农作物的生长习性和性种植习性，将农业机械进行智能精确化调整，从而有效满足农作物的种植需求。
附图说明
为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
图1为本发明的整体系统框图；
图2为本发明的又一系统框图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1和图2，本发明提供一种技术方案：基于深度学习的农机运行监控系统，系统主要用于农机种植农作物的作业监控，包括农机以及农机上安装的处理器，所述处理器连接有警报组件、驱动组件、数据采集模块和服务器，所述服务器连接有环境监测模块、深度学习模块、大数据模块、用户终端、存储模块以及姿态分析模块；
具体的，处理器具体可以设置在农机的控制盒内，警报组件为农机的声光警报器，驱动组件为安装在农机上的驱动设备，驱动设备可以调节挖坑深度、播种间距、喷药半径等，在本实施例中，主要为调节农作物的种植深度；
在具体实施时，所述用户终端用于工作人员注册登录系统，并将个人信息发送至服务器，其中，个人信息包括工作人员的姓名、实名认证的手机号码等；
所述用户终端用于输入农作物名称，并将农作物名称发送至服务器，所述服务器将农作物名称发送至大数据模块，大数据模块与外界互联网相连接用于获取不同农作物的标准种植参数和标准种植环境参数，大数据模块依据农作物名称将农作物的标准种植参数发送至深度学习模块，同时，所述大数据模块还将标准种植环境参数发送至服务器，所述服务器将标准种植环境参数发送至环境监测模块；
需要具体说明的是，标准种植环境参数为农作物的标准土壤湿度区间和标准土壤温度区间，标准种植参数为农作物的标准种植深度；
所述数据采集模块用于采集农机所在作业区域内的实时种植环境数据和农机的实时行为数据，并将实时种植环境数据和实时行为数据发送至处理器，所述处理器将实时种植环境数据和实时行为数据发送至服务器，所述服务器将实时行为数据发送至姿态分析模块，所述服务器将实时种植环境数据发送至环境监测模块；
需要具体说明的是，实时种植环境数据为农机所在区域的实时土壤湿度值、实时土壤温度值等；实时运行数据为农机的实时运行速度、实时运行角速度等，实时运行角速度主要为农机上转向节的角速度，实时运行速度为农机的行驶速度；其中，数据采集模块为安装在农机上的计时器、角度传感器、传感器组件和环境检测设备，传感器组件包括温度传感器、湿度传感器、速度传感器等，环境检测设备包括土壤湿度检测仪、土壤温度检测仪等；
所述环境监测模块用于对农机所在区域的种植环境进行监测，监测过程具体如下：
设定固定时长的监测时段，并将监测时段内设定若干个时间点；
在若干个时间点时获取农机所在区域的实时土壤湿度值和实时土壤温度值；
将若干个时间点时的实时土壤湿度值相加求和除以时间点的数量，得到农机所在区域在监测时段内的土壤湿度均值；
同理，按照上述方法计算得到农机所在区域在监测时段内的土壤温度均值；
若土壤湿度均值属于标准种植湿度区间，且土壤温度均值属于标准种植温度区间，则生成环境正常信号；
若土壤湿度均值不属于标准种植湿度区间或土壤温度均值不属于标准种植温度区间，则生成环境异常信号；
所述环境监测模块将环境正常信号或环境异常信号反馈至服务器，若服务器接收到环境正常信号，则不进行任何操作，若服务器接收到环境异常信号，则将环境异常信号发送至用户终端和深度学习模块；
同时，在农机进行运行前，所述深度学习模块用于对农机的当前种植参数进行调整，工作过程具体如下：
获取标准种植湿度区间和标准种植温度区间的上限值和下限值；
若土壤湿度均值小于标准种植湿度区间的下限值或土壤温度均值大于标准种植温度区间的上限值，计算土壤湿度均值与标准种植湿度区间下限值的差值得到农作物的种植湿度降低值，计算土壤温度均值与标准种植温度区间的上限值的差值得到农作物的种植温度增加值，依据种植湿度降低值或种植温度增加值得到农作物的种植深度调整值；
举例说明的是，若种植湿度降低值为2，则种植深度调整值（农作物的根部需要深种植，土壤湿度低不易腐烂农作物根部）为1，若种植湿度降低值为4，则种植深度调整值为2，若种植温度增加值为3，则种植深度调整值（农作物的根部需要深种植，土壤温度大防止烧坏农作物根部）为2，若种植温度增加值为5，则种植深度调整值为3，此处只是为了便于理解，数值为示例；
若土壤湿度均值大于标准种植湿度区间的上限值或土壤温度均值小于标准种植温度区间的下限值，计算土壤湿度均值与标准种植湿度区间的上限值得到农作物的种植湿度增加值，计算土壤温度均值与标准种植温度区间的下限值的差值得到农作物的种植温度降低值，依据种植湿度增加值或种植温度降低值得到农作物的种植深度调整值；
举例说明的是，若种植湿度增加值为2，则种植深度调整值（农作物的根部需要浅种植，土壤湿度大易腐烂农作物根部）为1，若种植湿度增加值为4，则种植深度调整值为2，若种植温度降低值为3（农作物的根部可以浅种植，土壤温度小不易烧坏农作物根部），则种植深度调整值为2，若种植温度降低值为5，则种植深度调整值为3，此处只是为了便于理解，数值为示例；
需要具体说明的是，土壤湿度与农作物的种植深度成反比，湿度越大，种植深度越浅，土壤温度与农作物的种植深度成正比，温度越大，种植深度越深；同理，种植湿度降低值或种植温度增加值与农作物的种植深度调整值成正比，种植湿度增加值或种植温度降低值与农作物的种植深度调整值成正比，湿度差值或者温度差值越大，农作物的种植深度调整幅度越大；
获取农作物的标准种植参数，得到农作物的标准种植深度，在标准种植深度的基础结合种植深度调整值进行调整得到农作物的目标种植深度；
所述深度学习模块将农作物的目标种植深度反馈至服务器，所述服务器将农作物的目标种植深度发送至处理器，所述处理器依据目标种植深度控制驱动组件将农机的当前种植参数进行调整，调整内容可以包括农作物的种植深度；
在农机的当前种植参数调整完毕进行工作时，所述存储模块用于存储农机的预设运行数据，所述姿态分析模块用于对农机的运行行为进行分析，分析过程具体如下：
获取农机的实时运行速度和实时运行角速度；
而后获取农机的预设运行速度和预设运行角速度；
若实时运行速度小于等于预设运行速度，且实时运行角速度小于等于预设运行角速度，则生成运行正常信号；
若实时运行速度大于预设运行速度或实时运行角速度大于预设运行角速度，则生成二级警报信号；
若实时运行速度大于预设运行速度，且实时运行角速度大于预设运行角速度，则生成一级警报信号；其中，一级警报信号的级别高于二级警报信号的级别；
所述姿态分析模块将运行正常信号、二级警报信号或一级警报信号反馈至服务器，若服务器接收到运行正常信号则不进行任何操作，若服务器接收到二级警报信号或一级警报信号，则生成警报指令发送至处理器，处理器依据警报指令控制警报组件进行工作；
其中，警报组件接收到一级警报信号时，警报组件为声音警报，警报组件接收到一级警报信号时，警报组件为声光警报；
上述公式均是去量纲取其数值计算，权重系数和比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，关于权重系数和比例系数的大小，只要不影响参数与量化后数值的比例关系即可。
实施例二
基于同一发明的又一构思，现提出一种基于深度学习的农机运行监控系统的工作方法，工作方法包括如下步骤：
步骤S100，用户终端用于输入农作物名称，并将农作物名称发送至服务器，服务器将农作物名称发送至大数据模块，大数据模块依据农作物名称将农作物的标准种植参数发送至深度学习模块，大数据模块还将标准种植环境参数发送至服务器，服务器将标准种植环境参数发送至环境监测模块，数据采集模块采集农机所在作业区域内的实时种植环境数据，并将实时种植环境数据发送至处理器，处理器将实时种植环境数据发送至服务器，服务器将实时种植环境数据发送至环境监测模块；
步骤S200，通过环境监测模块对农机所在区域的种植环境进行监测，设定固定时长的监测时段，并将监测时段内设定若干个时间点，在若干个时间点时获取农机所在区域的实时土壤湿度值和实时土壤温度值，将若干个时间点时的实时土壤湿度值相加求和除以时间点的数量，得到农机所在区域在监测时段内的土壤湿度均值，同理，按照计算得到农机所在区域在监测时段内的土壤温度均值，若土壤湿度均值属于标准种植湿度区间，且土壤温度均值属于标准种植温度区间，则生成环境正常信号，若土壤湿度均值不属于标准种植湿度区间或土壤温度均值不属于标准种植温度区间，则生成环境异常信号，环境监测模块将环境正常信号或环境异常信号反馈至服务器，若服务器接收到环境正常信号，则不进行任何操作，若服务器接收到环境异常信号，则将环境异常信号发送至用户终端和深度学习模块；
步骤S300，同时在农机进行运行前，通过深度学习模块对农机的当前种植参数进行调整，获取标准种植湿度区间和标准种植温度区间的上限值和下限值，若土壤湿度均值小于标准种植湿度区间的下限值或土壤温度均值大于标准种植温度区间的上限值，计算土壤湿度均值与标准种植湿度区间下限值的差值得到农作物的种植湿度降低值，计算土壤温度均值与标准种植温度区间的上限值的差值得到农作物的种植温度增加值，依据种植湿度降低值或种植温度增加值得到农作物的种植深度调整值，若土壤湿度均值大于标准种植湿度区间的上限值或土壤温度均值小于标准种植温度区间的下限值，计算土壤湿度均值与标准种植湿度区间的上限值得到农作物的种植湿度增加值，计算土壤温度均值与标准种植温度区间的下限值的差值得到农作物的种植温度降低值，依据种植湿度增加值或种植温度降低值得到农作物的种植深度调整值，最后获取农作物的标准种植参数，得到农作物的标准种植深度，在标准种植深度的基础结合种植深度调整值进行调整得到农作物的目标种植深度，深度学习模块将农作物的目标种植深度反馈至服务器，服务器将农作物的目标种植深度发送至处理器，处理器依据目标种植深度控制驱动组件将农机的当前种植参数进行调整；
步骤S400，数据采集模块还采集农机的实时行为数据，并将实时行为数据发送至处理器，处理器将实时行为数据发送至服务器，服务器将实时行为数据发送至姿态分析模块，同时存储模块存储农机的预设运行数据；
步骤S500，通过姿态分析模块对农机的运行行为进行分析，获取农机的实时运行速度和实时运行角速度，而后获取农机的预设运行速度和预设运行角速度，若实时运行速度小于等于预设运行速度，且实时运行角速度小于等于预设运行角速度，则生成运行正常信号，若实时运行速度大于预设运行速度或实时运行角速度大于预设运行角速度，则生成二级警报信号，若实时运行速度大于预设运行速度，且实时运行角速度大于预设运行角速度，则生成一级警报信号，姿态分析模块将运行正常信号、二级警报信号或一级警报信号反馈至服务器，若服务器接收到运行正常信号则不进行任何操作，若服务器接收到二级警报信号或一级警报信号，则生成警报指令发送至处理器，处理器依据警报指令控制警报组件进行工作。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.基于深度学习的农机运行监控系统，包括农机以及农机上安装的处理器，其特征在于，所述处理器连接有驱动组件、数据采集模块和服务器，所述服务器连接有环境监测模块、深度学习模块、大数据模块和用户终端，所述用户终端用于输入农作物名称并发送至服务器，所述服务器将农作物名称发送至大数据模块，大数据模块依据农作物名称将农作物的标准种植参数发送至深度学习模块和将标准种植环境参数发送至服务器，所述服务器将标准种植环境参数发送至环境监测模块；
所述数据采集模块用于采集农机所在作业区域内的实时种植环境数据并发送至处理器，所述处理器将实时种植环境数据发送至服务器，所述服务器将实时种植环境数据发送至环境监测模块；所述环境监测模块用于对农机所在区域的种植环境进行监测，生成环境正常信号或环境异常信号；
所述深度学习模块用于对农机的当前种植参数进行调整，得到农作物的目标种植深度反馈至服务器，所述服务器将农作物的目标种植深度发送至处理器，所述处理器依据目标种植深度控制驱动组件将农机的当前种植参数进行调整。
2.根据权利要求1所述的基于深度学习的农机运行监控系统，其特征在于，标准种植环境参数为农作物的标准土壤湿度区间和标准土壤温度区间；
标准种植参数为农作物的标准种植深度；
实时种植环境数据为农机所在区域的实时土壤湿度值和实时土壤温度值。
3.根据权利要求1所述的基于深度学习的农机运行监控系统，其特征在于，所述环境监测模块的监测过程具体如下：
设定固定时长的监测时段，并将监测时段内设定若干个时间点；
在若干个时间点时获取农机所在区域的实时土壤湿度值和实时土壤温度值；
将若干个时间点时的实时土壤湿度值相加求和除以时间点的数量，得到农机所在区域在监测时段内的土壤湿度均值；
同理，计算农机所在区域在监测时段内的土壤温度均值；
若土壤湿度均值属于标准种植湿度区间，且土壤温度均值属于标准种植温度区间，则生成环境正常信号；
若土壤湿度均值不属于标准种植湿度区间或土壤温度均值不属于标准种植温度区间，则生成环境异常信号。
4.根据权利要求3所述的基于深度学习的农机运行监控系统，其特征在于，所述环境监测模块将环境正常信号或环境异常信号反馈至服务器；
若服务器接收到环境正常信号，则不进行任何操作；
若服务器接收到环境异常信号，则将环境异常信号发送至用户终端和深度学习模块。
5.根据权利要求4所述的基于深度学习的农机运行监控系统，其特征在于，所述深度学习模块的工作过程具体如下：
获取标准种植湿度区间和标准种植温度区间的上限值和下限值；
若土壤湿度均值小于标准种植湿度区间的下限值或土壤温度均值大于标准种植温度区间的上限值，计算土壤湿度均值与标准种植湿度区间下限值的差值得到农作物的种植湿度降低值，计算土壤温度均值与标准种植温度区间的上限值的差值得到农作物的种植温度增加值，依据种植湿度降低值或种植温度增加值得到农作物的种植深度调整值；
若土壤湿度均值大于标准种植湿度区间的上限值或土壤温度均值小于标准种植温度区间的下限值，计算土壤湿度均值与标准种植湿度区间的上限值得到农作物的种植湿度增加值，计算土壤温度均值与标准种植温度区间的下限值的差值得到农作物的种植温度降低值，依据种植湿度增加值或种植温度降低值得到农作物的种植深度调整值；
获取农作物的标准种植参数，得到农作物的标准种植深度，在标准种植深度的基础结合种植深度调整值进行调整得到农作物的目标种植深度。
6.根据权利要求5所述的基于深度学习的农机运行监控系统，其特征在于，土壤湿度与农作物的种植深度成反比，湿度越大，种植深度越浅；
土壤温度与农作物的种植深度成正比，温度越大，种植深度越深；
种植湿度降低值或种植温度增加值与农作物的种植深度调整值成正比，种植湿度增加值或种植温度降低值与农作物的种植深度调整值成正比。
7.根据权利要求1所述的基于深度学习的农机运行监控系统，其特征在于，所述处理器还连接有警报组件，所述服务器还连接有存储模块和姿态分析模块；
所述数据采集模块用于采集农机的实时行为数据，并将实时行为数据发送至处理器，所述处理器将实时行为数据发送至服务器，所述服务器将实时行为数据发送至姿态分析模块；
所述存储模块用于存储农机的预设运行数据，所述姿态分析模块用于对农机的运行行为进行分析，分析生成运行正常信号、二级警报信号或一级警报信号反馈至服务器，若服务器接收到运行正常信号则不进行任何操作，若服务器接收到二级警报信号或一级警报信号，则生成警报指令发送至处理器，处理器依据警报指令控制警报组件进行工作。
8.根据权利要求7所述的基于深度学习的农机运行监控系统，其特征在于，实时运行数据为农机的实时运行速度和实时运行角速度。
9.根据权利要求7所述的基于深度学习的农机运行监控系统，其特征在于，所述姿态分析模块的分析过程具体如下：
获取农机的实时运行速度和实时运行角速度；
而后获取农机的预设运行速度和预设运行角速度；
若实时运行速度小于等于预设运行速度，且实时运行角速度小于等于预设运行角速度，则生成运行正常信号；
若实时运行速度大于预设运行速度或实时运行角速度大于预设运行角速度，则生成二级警报信号；
若实时运行速度大于预设运行速度，且实时运行角速度大于预设运行角速度，则生成一级警报信号；
其中，一级警报信号的级别高于二级警报信号的级别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211611340.9A CN115755739A (zh) | 2022-12-15 | 2022-12-15 | 基于深度学习的农机运行监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211611340.9A CN115755739A (zh) | 2022-12-15 | 2022-12-15 | 基于深度学习的农机运行监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115755739A true CN115755739A (zh) | 2023-03-07 |
Family
ID=85346112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211611340.9A Pending CN115755739A (zh) | 2022-12-15 | 2022-12-15 | 基于深度学习的农机运行监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115755739A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829626A (zh) * | 2019-01-03 | 2019-05-31 | 固安京蓝云科技有限公司 | 一种农机作业分析模型生成方法、模型、分析方法及管理方法 |
| CN112330149A (zh) * | 2020-11-04 | 2021-02-05 | 北京博创联动科技有限公司 | 一种作物管理系统、方法、装置及电子设备 |
| CN113570240A (zh) * | 2021-07-27 | 2021-10-29 | 蒋俊伟 | 一种基于农作物全生命周期管理的智慧农场平台 |
| CN114630576A (zh) * | 2019-10-03 | 2022-06-14 | 精密种植有限责任公司 | 用于行单元的农业种沟深度调节 |
| CN114723113A (zh) * | 2022-03-26 | 2022-07-08 | 黄勇 | 一种农业自动化生产管理系统 |
-
2022
- 2022-12-15 CN CN202211611340.9A patent/CN115755739A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109829626A (zh) * | 2019-01-03 | 2019-05-31 | 固安京蓝云科技有限公司 | 一种农机作业分析模型生成方法、模型、分析方法及管理方法 |
| CN114630576A (zh) * | 2019-10-03 | 2022-06-14 | 精密种植有限责任公司 | 用于行单元的农业种沟深度调节 |
| CN112330149A (zh) * | 2020-11-04 | 2021-02-05 | 北京博创联动科技有限公司 | 一种作物管理系统、方法、装置及电子设备 |
| CN113570240A (zh) * | 2021-07-27 | 2021-10-29 | 蒋俊伟 | 一种基于农作物全生命周期管理的智慧农场平台 |
| CN114723113A (zh) * | 2022-03-26 | 2022-07-08 | 黄勇 | 一种农业自动化生产管理系统 |
Non-Patent Citations (1)
| Title |
|---|
| 乔晓君: "《温室蔬菜花卉高效栽培技术》", 中国三峡出版社, pages: 101 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10769733B2 (en) | Forecasting national crop yield during the growing season using weather indices | |
| Mat et al. | Smart agriculture using internet of things | |
| AU2017308526B2 (en) | Automatically detecting outlier values in harvested data | |
| EP3882829A1 (en) | Generating digital models of crop yield based on crop planting dates and relative maturity values | |
| Verma et al. | An internet of things (IoT) architecture for smart agriculture | |
| US20230360150A1 (en) | Computer implemented method for providing test design and test instruction data for comparative tests on yield, gross margin, efficacy or vegetation indices for at least two products or different application timings of the same product | |
| CN112330149A (zh) | 一种作物管理系统、方法、装置及电子设备 | |
| EP4208000A1 (en) | Detecting contamination or feature mixing within harvest polygons at a vector level | |
| CN115755739A (zh) | 基于深度学习的农机运行监控系统 | |
| CN116234430A (zh) | 基于土壤、作物、田地和天气相关数据做出的实时施肥和/或作物保护决策，其中土壤相关数据由土壤传感器获得 | |
| RU2322780C2 (ru) | Способ приствольной обработки почвы у деревьев и кустарников | |
| Jasim et al. | Effective use of fertilizers and analysis of soil using precision agriculture techniques | |
| CN114766131B (zh) | 一种打窝机控制系统以及打窝机 | |
| Caswell et al. | Economic implications of drip irrigation | |
| US20230385957A1 (en) | Systems and methods for use in identifying trials in fields | |
| Yogatama et al. | Optimization of Agricultural Technology with Irrigation Control in Rice Plants Based on Internet of Things | |
| Gnanasekaran et al. | Smart Organic Agriculture in Traditional South Indian-Based Farming System | |
| CN214670287U (zh) | 一种基于物联网的智慧农业种植数据监测系统 | |
| CN111698318A (zh) | 应用于智慧农业的农业机器精准控制方法 | |
| Marin et al. | Precision agriculture: key concepts | |
| CN114550409A (zh) | 一种基于家庭农场的机械化种植设备系统 | |
| US20220391999A1 (en) | System and method for determining an agricultural cultivation strategy | |
| US20230360149A1 (en) | Computer implemented method for providing test design and test instruction data for comparative tests for yield, gross margin, efficacy and/or effects on vegetation indices on a field for different rates or application modes of one product | |
| Alikulov | THE IMPORTANCE OF USING THE ELEMENTS OF" INTELLIGENT AGRICULTURE" IN THE PRODUCTION OF AGRICULTURAL PRODUCTS | |
| Çanakcı et al. | Development of computer software for determination of optimum tractor power and machinery sizes |
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 |