CN115903568A - 一种基于区块链大数据的智能农业监管系统及方法 - Google Patents
一种基于区块链大数据的智能农业监管系统及方法 Download PDFInfo
- Publication number
- CN115903568A CN115903568A CN202211252089.1A CN202211252089A CN115903568A CN 115903568 A CN115903568 A CN 115903568A CN 202211252089 A CN202211252089 A CN 202211252089A CN 115903568 A CN115903568 A CN 115903568A
- Authority
- CN
- China
- Prior art keywords
- growth
- information
- block chain
- expert
- crops
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000012010 growth Effects 0.000 claims abstract description 274
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000000284 extract Substances 0.000 claims abstract description 9
- 230000001850 reproductive effect Effects 0.000 claims description 28
- 230000009105 vegetative growth Effects 0.000 claims description 27
- 241000607479 Yersinia pestis Species 0.000 claims description 22
- 201000010099 disease Diseases 0.000 claims description 21
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 21
- 241000238631 Hexapoda Species 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 18
- 230000008635 plant growth Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 235000015097 nutrients Nutrition 0.000 claims description 7
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 239000003337 fertilizer Substances 0.000 abstract description 17
- 241000196324 Embryophyta Species 0.000 description 60
- 241000209094 Oryza Species 0.000 description 35
- 235000007164 Oryza sativa Nutrition 0.000 description 35
- 235000009566 rice Nutrition 0.000 description 35
- 244000068988 Glycine max Species 0.000 description 20
- 235000010469 Glycine max Nutrition 0.000 description 20
- 241000209140 Triticum Species 0.000 description 20
- 235000021307 Triticum Nutrition 0.000 description 20
- 240000008042 Zea mays Species 0.000 description 14
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 14
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 14
- 235000005822 corn Nutrition 0.000 description 14
- 239000002689 soil Substances 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 4
- 230000004720 fertilization Effects 0.000 description 4
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 230000003698 anagen phase Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 235000006286 nutrient intake Nutrition 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Abstract
本发明涉及农业数据处理技术领域，特别是涉及一种基于区块链大数据的智能农业监管系统及方法，包括控制单元、数据采集单元、专家识别单元和云端；云端内存储有若干识别模型；数据采集单元采集农作物生长信息，并将该生长信息上传至区块链中；控制单元提取区块链中的生长信息，将植株高度标注在农作物图像中，并将标注后的农作物图像推送至专家识别单元；专家识别单元识别农作物所处的大范围生长周期和农作物种类，控制单元根据该专家识别结果调取对应的识别模型，识别农作物所处的小范围生长周期；控制单元根据识别结果和生长环境信息，判断农作物是否健康。通过本系统及方法，能有效解决农业大数据可靠性低和水肥量供给不科学的问题。
Description
技术领域
本发明涉及农业数据处理技术领域，特别是涉及一种基于区块链大数据的智能农业监管系统及方法。
背景技术
现有农业大数据是融合了农业地域性、季节性、多样性、周期性等自身特征后产生的来源广泛、类型多样、结构复杂、具有潜在价值，并难以应用通常方法处理和分析的数据集合，农业大数据保留了大数据自身具有的规模巨大、类型多样、价值密度低、处理速度快、精确度高和复杂度高等基本特征，并使农业内部的信息流得到了延展和深化。
农业大数据是大数据理念、技术和方法在农业的实践，农业大数据涉及到耕地、播种、施肥、杀虫、收割、存储、育种等各环节，是跨行业、跨专业、跨业务的数据分析与挖掘，以及数据可视化的过程。根据农业的产业链条划分，农业大数据主要集中在农业环境与资源、农业生产、农业市场和农业管理等领域。农业自然资源与环境数据。主要包括土地资源数据、水资源数据、气象资源数据、生物资源数据和灾害数据。农业生产数据包括种植业生产数据。其中，种植业生产数据包括良种信息、地块耕种历史信息、育苗信息、播种信息、农药信息、化肥信息、农膜信息、灌溉信息、农机信息和农情信息。
现有的农业信息数据是存储在数据中心内，农业数据容易被篡改，使得数据不安全和信任度大大降低。
现有农业监管系统虽然能够在一定程度上实现自动信息检测与控制，比如检测农作物土壤湿度，根据预设参数当土壤湿度达到一定值时自动控制喷头对农作物进行喷灌，保持培养土湿度适中。土壤养分检测与控制方式同上。这种农作物种植技术虽然能够使作物生长所需水分与养分得到一定程度上的保障，但普遍存在可靠性较差的缺陷，农作物在不同生长周期内所需水分与养分是不同的，不能仅根据土壤湿度与肥度进行喷灌与施肥，导致喷灌用水量及养分量供给与农作物实际生长周期内所需相悖，从而增加了不必要成本，甚至影响农作物产量。
发明内容
为解决上述技术问题，本发明提出了一种基于区块链大数据的智能农业监管系统及方法，能有效解决农业大数据可靠性低和水肥量供给不科学的问题。
本发明是通过采用下述技术方案实现的：
一种基于区块链大数据的智能农业监管系统，其特征在于：包括控制单元、数据采集单元、专家识别单元和云端；
所述云端，用于存储已经训练完成的识别模型；
所述数据采集单元，用于采集农作物生长信息，并将采集到的生长信息上传至区块链中；所述生长信息至少包括农作物图像和农作物生长环境信息；
所述控制单元，用于提取区块链中的生长信息，对生长信息中包含的农作物图像进行处理，并对农作物的植株高度进行标注，并将标注后的农作物图像推送至专家识别单元，再根据专家识别单元反馈的专家识别结果中的大范围生长周期和农作物种类，从云端调取对应的识别模型，识别所采集农作物所处的小范围生长周期；再根据识别出的小范围生长周期和农作物生长环境，判断农作物的健康状况，并进行相应的控制，同时将该健康状况再次上传至区块链；
所述专家识别单元，用于根据控制单元推送的标注后的农作物图像，识别农作物的种类和农作物所处的大范围生长周期，并将专家识别结果发送至控制单元；
其中，每个大范围生长周期都包括若干小范围生长周期；所述大范围生长周期的种类包括营养生长阶段、营养生长与生殖生长并进阶段和生殖生长阶段；所述营养生长阶段对应的小范围生长周期包括幼苗期、分枝期、返青期、分蘖期和拔节期，所述营养生长与生殖生长并进阶段对应的小范围生长周期包括孕穗期、抽穗期和开花期，所述生殖生长阶段对应的小范围生长周期包括灌浆期、结荚期和成熟期。
所述云端，还用于存储若干农作物在不同小范围生长周期内的生长数据，所述生长数据包括植株高度数据；
所述控制单元，还用于根据识别出的小范围生长周期，将农作物的实际植株高度与最低平均值进行对比；所述最低平均值为对同一小范围生长周期内的植株高度数据进行平均后，得到平均值，再将历年的平均值进行排序后得到的最低值。
还包括移动设备，所述移动设备包括身份认证模块、编码生成模块、动态秘钥生成模块、信息保存模块、信息加密模块和信息读取模块；所述身份认证模块用于认证用户的身份信息，认证通过后登陆移动设备；所述编码生成模块用于生成唯一终端编码标识；所述动态秘钥生成模块用于动态获得私钥和公钥，所述信息保存模块用于保存相关信息；所述信息加密模块用于将手动输入的生长信息上传至区块链中，所述区块链用于对上传的生长信息进行共识存储；所述信息读取模块用于从区块链中提取识别出的健康状况。
所述识别模型都是经过卷积神经网络训练后获得，所述卷积神经网络包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4和全连接层F5；其中输入层的输入样本为16*16的图像；所述卷积层C1的卷积核为5*5，含有32个特征映射，滑动步长为1，边界补两个0；所述池化层S2含有32个特征映射，采用最大值池化，大小为2*2，滑动步长为2；所述卷积层C3的卷积核为5*5，含有64个特征映射，滑动步长为1，边界补两个0；所述池化层S4含有64个特征映射，采用最大值池化，大小为2*2，滑动步长为2；所述全连接层F5的输出维度为256；
其中，所述卷积神经网络的激活函数为：
，
其中，x为输入数据。
一种基于区块链大数据的智能农业监管方法，其特征在于：包括以下步骤：
S1. 数据采集及上传：数据采集单元或移动设备采集农作物在不同生长周期内的生长信息，并将该生长信息上传到区块链；其中，所述生长信息包括农作物图像和农作物生长环境信息；
S2. 判断农作物所处的生长周期，所述生长周期包括若干大范围生长周期，每个大范围生长周期都包括若干小范围生长周期；具体包括以下步骤：
S21. 判断农作物所处的大范围生长周期：控制单元提取区块链中的生长信息，并对生长信息中的农作物图像进行处理，将植株高度标注在农作物图像中，并将标注后的农作物图像推送至专家识别单元；专家识别单元中的专家根据农作物图像以及对应的植株高度，识别农作物的种类以及所处的大范围生长周期，并将该专家识别结果发送至控制单元；
S22. 判断农作物所处的小范围生长周期：控制单元根据该专家识别结果调取云端中对应的识别模型，并将处理后的农作物图像输入该识别模型中，对农作物所处的小范围生长周期进行识别，并将该最终识别结果发送至控制单元；
S3. 判断农作物是否健康，判断是否健康的标准包括水分和养分：控制单元根据最终识别结果，将提前设置的阈值与提取到的农作物生长环境信息进行对比，判断农作物是否健康；
S4. 若识别过程中采用的是数据采集单元采集的生长信息，且判断结果为农作物不健康，则进行相应的控制，并将该最终识别结果和判断结果上传至区块链中，若判断结果为农作物健康，则继续监控，并将该最终识别结果和判断结果上传至区块链中；若识别过程中采用的是移动设备采集的生长信息，则直接将该最终识别结果和判断结果上传至区块链中，移动设备经过再次认证后，从区块链中提取该最终识别结果和判断结果。
还包括步骤S5，判断是否有病虫害：依次将植株高度、植株生长速度和叶片颜色进行判断，即将植株高度与历年来同一小范围生长周期内的植株高度数据的最低平均值进行对比，将植株生长速度与历年来同一小范围生长周期内的生长速度的最低平均值进行对比，若植株高度或植株生长速度低于历年的最低平均值，则判断有病虫害，若判断叶片颜色有异常，则判断有病虫害；若植株高度、植株生长速度和叶片颜色都无异常，则判断无病虫害。
还包括对病虫害的危害程度进行等级划分，即依据植株高度、植株生长速度和叶片颜色对农作物在生长过程中的重要程度，赋予其对应的权重，权重的总和为1；将出现异常情况的对应权重相加，得到指标值，若指标值在0~0.3的范围内，危害程度属于轻微状态，若指标值在0.4~0.6的范围内，危害程度属于一般状态，若指标值在0.7~0.1的范围内，危害程度属于严重状态。
所述步骤S1中，将该生长信息上传到区块链时，进行加密后再上传至区块链；所述步骤S21中，控制单元提取区块链中的生长信息时，先对生长信息进行解密；其中解密和加密采用非对称式加密系统。
所述步骤S22中，还包括专家识别单元中的专家识别农作物所处的小范围生长周期，并将该识别结果发送至控制单元；所述控制单元判断专家识别单元中的各专家的识别结果是否一致，若一致，则将该识别结果确认为专家最终识别结果；若不一致，则统计各相同识别结果所占比例，若其中一个识别结果所占比例超过95%，则将该识别结果确认为专家最终识别结果，若所占比例都低于95%，则专家识别单元中的专家重新识别，直至得到专家最终识别结果，并将该专家最终识别结果发送至控制单元；
控制单元将专家最终识别结果与识别模型的识别结果进行比对；若一致，则确认为最后的识别结果，若不一致，判断识别出该专家最终识别结果的专家人数是否超过5人，若是，则以专家最终识别结果为最后的识别结果，并在线训练和更新该识别模型；若没有超过5人，则专家识别单元和识别模型都分别重新进行识别，直至满足要求。
与现有技术相比，本发明的有益效果表现在：
1、由于农作物在不同的生长周期时，所需的水分和肥料是不同的。通过本监管系统和监管方法，能快速准确的识别出农作物的具体生长周期，便于精确控制农作物的水肥，控制农作物的生长状态，便于提高产量。
在判断农作物的生长周期时，由于农作物相邻生长阶段的状态比较类似，直接利用识别模型进行处理时，容易出现效率慢和准确率低的问题。本发明包括专家识别单元，能预先判断农作物所处的大范围生长周期，实现快速筛选，便于缩小识别模型的识别范围，便于提高识别模型的识别效率和识别准确率。
专家能根据农作物图像时，判断农作物所处的大范围生长周期，由于提前将植株高度标注在农作物图像中，专家能通过核对植株高度来进一步确认农作物所处的大范围生长周期，双重保障，避免专家识别出错。
数据采集单元采集农作物生长信息，并将该生长信息上传至区块链中，通过区块链实现对应信息的存储，便于提高数据保存的完整性和可靠性。
2、本发明中，通过上述卷积神经网络能将不易被检测的特征提取出来，即最能表征农作物在不同小范围生长周期的特征，使得后期识别的准确率更高。并且激活函数采用ReLU函数，不存在梯度消失的问题，并且能减少过拟合现象。
3、本发明还可以针对农作物图像，判断是否发生病虫害。通过使用大数据，将植株高度、植株生长速度与历年来最低平均值进行对比，并且通过叶片颜色来进一步判断是否发生病虫害，使能监测农作物生长状态，便于及时采用相应的措施来进行病虫害的防治，避免影响农作物的产量。
4、本发明还包括对病虫害的危害程度进行等级划分，便于确定病虫害发生的厉害程度，便于根据该厉害程度进行相应的病虫害防治。
5、生长信息上传时需要加密，提取生长信息时需要解密，并且解密和加密采用非对称式加密系统，保证生长信息在使用过程中不会造成隐私泄露，提高数据使用的安全性。
6、由于小范围生长周期的识别复杂性，专家识别单元中的专家还会识别农作物所处的小范围生长周期，实现对识别困难的小范围生长周期进行双重识别，确保识别效果的准确性。
更进一步的，通过核对专家识别结果，能避免专家失误，同时当专家最终识别结果与识别模型的识别结果不符时，采取了相应的规划，只有当一定数量的专家的识别结果都相同时，采用专家最终识别结果作为最后的识别结果，并对识别模型进行训练和更新，便于提高识别模型下次识别的准确性。
7、本发明还包括移动设备，认证通过的用户都能通过相应的移动设备进行农业监管，使得本监管系统和方法的使用范围更广，利用率更高。
附图说明
下面将结合说明书附图和具体实施方式对本发明作进一步的详细说明，其中：
图1为本发明中监管系统的结构示意图；
图2为本发明中监管方法的流程示意图；
图3为本发明中移动设备的应用流程示意图；
图4为本发明中卷积神经网络的结构示意图；
图5为本发明中最大值池化的示意图。
具体实施方式
实施例1
作为本发明基本实施方式，本发明包括一种基于区块链大数据的智能农业监管系统，包括控制单元、数据采集单元、专家识别单元和云端。所述云端内存储有若干已经训练完成的识别模型。该识别模型可以根据历年农作物生长数据进行训练后得到的。该识别模型的训练方法采用现有的训练方法，本实施例不对其进行改进。
所述数据采集单元采集农作物生长信息，并将该生长信息上传至区块链中。所述生长信息包括农作物图像和农作物生长环境信息，其中，农作物生长环境信息可以包括温度、湿度、土壤水分和土壤养分等，该农作物生长环境信息可以通过各种传感器检测得到。本实施例中的农作物可以以玉米为例。所述控制单元提取区块链中的生长信息，对农作物图像进行处理，该处理包括对农作物图像进行图像增强处理，利用阈值分割、二维Otsu算法、改进的Kmeans在RGB颜色空间进行图像分割，利用图像分割后的特征，识别植株高度。该识别植株高度的方法可以采用现有技术，本实施例不对其进行改进。当玉米的植株高度识别出来后，控制单元可以将该植株高度上传到区块链中，并且将植株高度标注在农作物图像中，并将标注后的农作物图像推送至专家识别单元。
所述专家识别单元中的专家接收到推送的标注后的农作物图像，根据标注后的农作物图像识别农作物所处的大范围生长周期，并识别农作物的种类，并将专家识别结果发送至控制单元。其中，该大范围生长周期为一个比较宽泛的范围，使得专家能快速识别，并且识别的准确率很高，例如，玉米的大范围生长周期可以包括营养生长阶段、营养生长与生殖生长并进阶段和生殖生长阶段。
所述控制单元根据该专家识别结果调取对应的识别模型，通过识别模型识别玉米所处的小范围生长周期，并将模型识别结果发送至控制单元。更为具体的，将分割后的玉米图像输入识别模型，识别模型可以根据苗个数变化量、植株像素数、雄穗数量等判断玉米所处的小范围生长周期。当专家识别结果为营养生长阶段，则识别模型识别玉米是处于幼苗期或拔节期。当专家识别结果为营养生长与生殖生长并进阶段，则识别模型识别玉米是处于孕穗期或开花期。当专家识别结果为生殖生长阶段，则识别模型识别玉米是处于灌浆期或成熟期。
控制单元根据识别出的小范围生长周期和生长环境信息，提取玉米在小范围生长周期中的水肥标准，通过判断玉米是否缺水、是否缺肥或者是否同时缺水缺肥来判断农作物是否健康，并进行相应的控制，同时将该健康状况再次上传至区块链中进行保存。其中，相应控制包括：缺水时就喷灌水，缺肥就撒肥，若同时缺水缺肥，就可以同时喷水喷肥，直至满足玉米在相应小范围生长周期中的生长需求。
实施例2
作为本发明一较佳实施方式，本发明包括一种基于区块链大数据的智能农业监管系统，包括控制单元、数据采集单元、专家识别单元和云端。所述云端内存储有若干已经训练完成的识别模型。所述云端中还存储有若干农作物在不同小范围生长周期的植株高度数据。所述数据采集单元采集农作物生长信息，并将该生长信息加密后上传至区块链中。所述生长信息包括农作物图像和农作物生长环境信息。本实施例中的农作物以大豆为例。所述控制单元对生长信息进行解密后，提取区块链中的生长信息，对大豆图像进行处理，得到大豆的植株高度，并将植株高度标注在大豆图像中，将标注后的大豆图像推送至专家识别单元。
所述专家识别单元根据标注后的大豆图像识别大豆所处的大范围生长周期和农作物的种类，并将专家识别结果发送至控制单元。例如判断大豆是处于营养生长阶段、营养生长与生殖生长并进阶段或生殖生长阶段。所述控制单元根据该专家识别结果调取对应的识别模型，识别大豆所处的小范围生长周期。即，当专家识别结果为营养生长阶段，则识别模型识别大豆处于幼苗期或分枝期。当专家识别结果为营养生长与生殖生长并进阶段，则识别模型识别大豆处于开花期。当专家识别结果为生殖生长阶段，则识别模型识别大豆处于结荚期或成熟期。
控制单元根据识别出的小范围生长周期，调取大豆在相应小范围生长周期内所需水肥的标准数据，控制单元将该标准数据和生长环境信息进行对比，判断大豆是否缺水/和缺肥，并进行相应的控制，同时将该健康状况再次上传至区块链。
更进一步的，为了监控大豆的生长速率，分别计算每年在相同小范围生长周期内大豆植株高度的平均值，并将历年的平均值进行对比，找出最低平均值，将大豆的实际植株高度与该最低平均值进行对比，判断大豆的生长是否滞缓。
实施例3
作为本发明另一较佳实施方式，本发明包括一种基于区块链大数据的智能农业监管方法，以冬小麦为例，包括以下步骤：
S1. 数据采集及上传：数据采集单元采集冬小麦在不同生长周期内的生长信息，并将该生长信息上传到区块链。其中，所述生长信息包括冬小麦图像和冬小麦生长环境信息，该冬小麦生长环境信息包括温度、湿度、土壤水分和土壤养分等，该生长环境信息可以通过各种传感器检测得到。
S2. 判断冬小麦所处的生长周期。所述生长周期包括若干大范围生长周期，即营养生长阶段、营养生长与生殖生长并进阶段和生殖生长阶段。每个大范围生长周期都包括若干小范围生长周期，即营养生长阶段包括幼苗期、分蘖期和拔节期，营养生长与生殖生长并进阶段包括孕穗期和开花期，所述生殖生长阶段包括成熟期。
具体包括以下步骤：
S21. 判断冬小麦所处的大范围生长周期：控制单元提取区块链中的生长信息，并对生长信息中的冬小麦图像进行处理，将植株高度标注在冬小麦图像中，并将标注后的冬小麦图像推送至专家识别单元。专家识别单元中的专家根据冬小麦图像以及对应的植株高度，识别冬小麦所处的大范围生长周期，并将该专家识别结果发送至控制单元。
S22. 判断冬小麦所处的小范围生长周期：控制单元根据该专家识别结果调取云端中对应的识别模型，并将标注后的冬小麦图像输入该识别模型中，对冬小麦所处的小范围生长周期进行识别，并将该最终识别结果发送至控制单元。
S3. 判断冬小麦是否缺水/和缺肥：控制单元根据最终识别结果，将提前设置的阈值与提取到的冬小麦生长环境信息进行对比，判断冬小麦是否缺水/和缺肥。其中，阈值可以为冬小麦在各小范围生长周期的水肥标准值。
S4. 若判断结果为农作物不健康，则进行相应的控制，包括喷水/和施肥，并将该最终识别结果和判断结果上传至区块链中；若判断结果为农作物健康，则继续监控，并将该最终识别结果和判断结果上传至区块链中。
实施例4
作为本发明最佳实施方式，本发明包括一种基于区块链大数据的智能农业监管系统，参照说明书附图1，包括控制单元、数据采集单元、移动设备、专家识别单元和云端。本实施例以水稻为例进行监管。
所述数据采集单元，用于采集农作物生长信息，并将采集到的生长信息上传至区块链中。所述生长信息至少包括水稻图像和水稻生长环境信息。其中水稻生长环境信息可以包括温度、湿度、土壤水分和土壤养分等，该水稻生长环境信息可以通过各种传感器检测得到。所述控制单元，用于提取区块链中的生长信息，对生长信息中包含的农作物图像进行处理，并对农作物的植株高度进行标注，并将标注后的农作物图像推送至专家识别单元，再根据专家识别单元反馈的专家识别结果从云端调取对应的识别模型，识别所采集农作物所处的小范围生长周期；再根据识别出的小范围生长周期和农作物生长环境，判断农作物的健康状况，并进行相应的控制。
所述专家识别单元，用于根据控制单元推送的标注后的农作物图像，识别农作物的种类和农作物所处的大范围生长周期，并将专家识别结果发送至控制单元。
其中，水稻的生长周期包括若干大范围生长周期，每个大范围生长周期都包括若干小范围生长周期；所述大范围生长周期包括营养生长阶段、营养生长与生殖生长并进阶段和生殖生长阶段。所述营养生长阶段对应的小范围生长周期包括返青期和分蘖期，所述营养生长与生殖生长并进阶段对应的小范围生长周期包括孕穗期和开花期，所述生殖生长阶段对应的小范围生长周期包括灌浆期和成熟期。
所述云端，用于存储已经训练完成的三种识别模型。一种为营养生长阶段识别模型，一种为营养生长与生殖生长并进阶段识别模型，另一种为生殖生长阶段模型。每种识别模型都是经过卷积神经网络训练后获得，参照说明书附图4，所述卷积神经网络包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4和全连接层F5；其中输入层的输入样本为16*16的图像；所述卷积层C1的卷积核为5*5，含有32个特征映射，滑动步长为1，边界补两个0；所述池化层S2含有32个特征映射，采用最大值池化，大小为2*2，滑动步长为2；所述卷积层C3的卷积核为5*5，含有64个特征映射，滑动步长为1，边界补两个0；所述池化层S4含有64个特征映射，采用最大值池化，大小为2*2，滑动步长为2；所述全连接层F5的输出维度为256。全连接层F5的卷积核尺寸和最后一个池化层的输出相同，能保证输出一维向量。
参照说明书附图5，本实施例采用一个2×2的卷积核，滑动步长为2，在原特征图上寻找最大值作为池化特征，对特征实现降采样。
其中，所述卷积神经网络的激活函数为：
，
其中，x为输入数据。
训练时，分别用不同小范围周期内的水稻图像即返青期、分蘖期、孕穗期、开花期、灌浆期和成熟期的水稻图像进行训练测试，并且水稻图像的大小都提前归一化为16*16。
所述云端，还用于存储若干农作物在不同小范围生长周期内的生长数据，包括植株高度、植株生长速度和叶片颜色等数据。
所述移动设备包括身份认证模块、编码生成模块、动态秘钥生成模块、信息保存模块、信息加密模块和信息读取模块。所述身份认证模块用于认证用户的身份信息，认证通过后登陆移动设备。所述编码生成模块用于生成唯一终端编码标识。所述动态秘钥生成模块用于动态获得私钥和公钥，所述信息保存模块用于保存相关信息。所述信息加密模块用于将手动输入的生长信息上传至区块链中，所述区块链用于对上传的生长信息进行共识存储。所述信息读取模块用于从区块链中提取识别出的健康状况。
参照说明书附图2，利用上述管控系统实现一种基于区块链大数据的智能农业监管方法，包括以下步骤：
S1. 数据采集及上传。
数据采集单元采集水稻在不同生长周期内的生长信息，并将该生长信息进行加密后上传到区块链。其中，所述生长信息包括水稻图像和水稻生长环境信息。该数据采集单元包括固定在农作物种植区域的各种传感器和图像采集装置等。
当数据采集单元不能使用或者有额外的用户需要使用本系统和本监管方法时，也可以授权其他用户，在经认证后的移动设备上上传生长信息进行农作物健康状况的识别，并将识别结果传递至移动设备中。参照说明书附图3，更为具体的，可以按照实际要求，分别安装不同的客户端或浏览器。开始注册登陆。注册成功后，通过身份认证模块认证用户的身份信息，认证成功后登陆移动设备，通过编码生成模块生成唯一终端编码标识，通过动态秘钥生成模块动态获得私钥和公钥，相关信息保存在信息保存模块。在移动设备上手动输入生长信息，可以包括水稻图像以及手动测量的各生长环境信息。移动设备可以将上述生长信息通过信息加密模块上传至区块链中，所述区块链用于对上传的生长信息进行共识存储。
其中，用户通过身份认证模块认证通过后的身份信息，结合摄像头、话筒、指纹采集器等设备采集使用者的活体生物信息，通过动态密钥生成模块中采用的非对称加密算法，结合随机数形成移动设备的动态私钥。
S2. 判断水稻所处的生长周期。所述生长周期包括若干大范围生长周期，每个大范围生长周期都包括若干小范围生长周期。具体包括以下步骤：
S21. 判断水稻所处的大范围生长周期，是处于营养生长阶段、营养生长与生殖生长并进阶段或生殖生长阶段。具体包括：
控制单元解密后，提取区块链中的生长信息。其中，该解密和加密采用非对称式加密系统，即该非对称式加密系统可以采用公钥和私钥进行配合。控制单元对生长信息中的水稻图像进行处理，具体可以包括对水稻图像进行图像分割，识别出水稻的主干，获取主干的高度，基于主干的高度获得水稻的植株高度，将植株高度标注在水稻图像中，并将标注后的水稻图像推送至专家识别单元。专家识别单元中的专家根据水稻图像识别水稻所处的大范围生长周期以及农作物的种类为水稻，并利用对应的植株高度，再次确认该识别结果，最终将确认后的专家识别结果发送至控制单元。
其中，为了便于后期提高识别模型的识别准确率，对生长信息中的水稻图像进行处理还包括在水稻图像上进行随机裁剪得到的图像上实现对数据集增强处理。其中，通常使用的图像增强方法包括图像翻转、对图像添加随机噪声、对图像进行裁剪等。
S22. 判断水稻所处的小范围生长周期，包括识别模型和专家识别单元中的专家分别识别水稻所处的小范围生长周期。
当专家识别单元中的专家进行识别时，各专家分别将识别结果发送至控制单元。控制单元判断专家识别单元中的专家的识别结果是否一致，若一致，则确认该识别结果，得到识别结果1。若不一致，则控制单元统计相同识别结果所占比例，若其中一个识别结果所占比例超过95%，则得到识别结果1，若所占比例都低于95%，则专家识别单元中的专家重新识别，直至满足要求。最后将识别结果1发送至控制单元。
控制单元根据专家识别出的大范围生长周期，调取云端中对应的识别模型，并将处理后的水稻图像输入该识别模型中，对水稻所处的小范围生长周期进行识别，得到识别结果2，并将该识别结果2发送至控制单元。
控制单元将识别结果1和识别结果2进行对比，判断是否一致。若一致，则确认为最终的结果。若不一致，判断识别出识别结果1的专家人数是否超过5人，若是，则以专家识别结果为准，即以识别结果1为准，并以此在线训练和更新该识别模型；若否，即识别出识别结果1的专家人数不超过5人，则专家识别单元和识别模型都再次重新识别该小范围生长周期，直至符合要求。
S3. 判断水稻是否健康，具体可以判断水稻是否缺水/和缺肥：控制单元根据最终识别结果，将提前设置的阈值与提取到的水稻生长环境信息进行对比，判断水稻是否缺水/和缺肥。
S4. 当识别过程中使用的是数据采集单元采集的生长信息时，若判断结果为农作物不健康，则进行相应的控制，包括喷水/和施肥，并将该最终识别结果和判断结果上传至区块链中；若判断结果为农作物健康，则继续监控，并将该最终识别结果和判断结果上传至区块链中。若识别过程中使用的是移动设备上传的生长信息时，则将该最终识别结果和判断结果上传至区块链中。所述移动设备经过再次通过认证后，可以利用信息读取模块从区块链中提取最终识别结果和判断结果。
S5. 判断是否有病虫害。
将植株高度、植株生长速度和叶片颜色等数据进行初步处理，包括分别计算植株高度在同一小范围生长周期内的平均值，将历年的平均值进行对比，找出植株高度最低平均值。同理计算植株生长速度的最低平均值。
依次将植株高度、植株生长速度和叶片颜色进行判断。将实际植株高度与植株高度最低平均值进行对比，若判断实际植株高度小于植株高度最低平均值，则判断存在病虫害。将实际植株生长速度与植株生长速度的最低平均值进行对比，若判断实际植株生长速度小于植株生长速度最低平均值，则判断存在病虫害。将叶片颜色和历年数据进行比对，或者可以根据经验来判断是否存在病虫害，包括叶片颜色是否不正常发黄、叶片上是否有斑点等。
对病虫害的危害程度进行等级划分，即依据植株高度、植株生长速度和叶片颜色对水稻在生长过程中的重要程度，赋予其对应的权重，权重的总和为1。本实施例中，植株高度的权重可以为0.3，植株生长速度的权重可以为0.2，叶片颜色的权重可以为0.5。
将出现异常情况的对应权重相加，得到指标值，若指标值在0~0.3的范围内，危害程度属于轻微状态，可以进行再观察；若指标值在0.4~0.6的范围内，危害程度属于一般状态，可以开始安排病虫害防治；若指标值在0.7~0.1的范围内，危害程度属于严重状态，需要立马进行病虫害处理。
通过本系统和方法，能实现对农作物的生长状态的监管，使得农业监管更加智能化。
综上所述，本领域的普通技术人员阅读本发明文件后，根据本发明的技术方案和技术构思无需创造性脑力劳动而作出的其他各种相应的变换方案，均属于本发明所保护的范围。
Claims (9)
1.一种基于区块链大数据的智能农业监管系统，其特征在于：包括控制单元、数据采集单元、专家识别单元和云端；
所述云端，用于存储已经训练完成的识别模型；
所述数据采集单元，用于采集农作物生长信息，并将采集到的生长信息上传至区块链中；所述生长信息至少包括农作物图像和农作物生长环境信息；
所述控制单元，用于提取区块链中的生长信息，对生长信息中包含的农作物图像进行处理，并对农作物的植株高度进行标注，并将标注后的农作物图像推送至专家识别单元，再根据专家识别单元反馈的专家识别结果中的大范围生长周期和农作物种类，从云端调取对应的识别模型，识别所采集农作物所处的小范围生长周期；再根据识别出的小范围生长周期和农作物生长环境，判断农作物的健康状况，并进行相应的控制，同时将该健康状况再次上传至区块链；
所述专家识别单元，用于根据控制单元推送的标注后的农作物图像，识别农作物的种类和农作物所处的大范围生长周期，并将专家识别结果发送至控制单元；
其中，每个大范围生长周期都包括若干小范围生长周期；所述大范围生长周期的种类包括营养生长阶段、营养生长与生殖生长并进阶段和生殖生长阶段；所述营养生长阶段对应的小范围生长周期包括幼苗期、分枝期、返青期、分蘖期和拔节期，所述营养生长与生殖生长并进阶段对应的小范围生长周期包括孕穗期、抽穗期和开花期，所述生殖生长阶段对应的小范围生长周期包括灌浆期、结荚期和成熟期。
2.根据权利要求1所述的一种基于区块链大数据的智能农业监管系统，其特征在于：所述云端，还用于存储若干农作物在不同小范围生长周期内的生长数据，所述生长数据包括植株高度数据；
所述控制单元，还用于根据识别出的小范围生长周期，将农作物的实际植株高度与最低平均值进行对比；所述最低平均值为对同一小范围生长周期内的植株高度数据进行平均后，得到平均值，再将历年的平均值进行排序后得到的最低值。
3.根据权利要求1所述的一种基于区块链大数据的智能农业监管系统，其特征在于：还包括移动设备，所述移动设备包括身份认证模块、编码生成模块、动态秘钥生成模块、信息保存模块、信息加密模块和信息读取模块；所述身份认证模块用于认证用户的身份信息，认证通过后登陆移动设备；所述编码生成模块用于生成唯一终端编码标识；所述动态秘钥生成模块用于动态获得私钥和公钥，所述信息保存模块用于保存相关信息；所述信息加密模块用于将手动输入的生长信息上传至区块链中，所述区块链用于对上传的生长信息进行共识存储；所述信息读取模块用于从区块链中提取识别出的健康状况。
4.根据权利要求1或2所述的一种基于区块链大数据的智能农业监管系统，所述识别模型都是经过卷积神经网络训练后获得，所述卷积神经网络包括输入层、卷积层C1、池化层S2、卷积层C3、池化层S4和全连接层F5；其中输入层的输入样本为16*16的图像；所述卷积层C1的卷积核为5*5，含有32个特征映射，滑动步长为1，边界补两个0；所述池化层S2含有32个特征映射，采用最大值池化，大小为2*2，滑动步长为2；所述卷积层C3的卷积核为5*5，含有64个特征映射，滑动步长为1，边界补两个0；所述池化层S4含有64个特征映射，采用最大值池化，大小为2*2，滑动步长为2；所述全连接层F5的输出维度为256；
其中，所述卷积神经网络的激活函数为：
，
其中，x为输入数据。
5.一种基于区块链大数据的智能农业监管方法，其特征在于：包括以下步骤：
S1. 数据采集及上传：数据采集单元或移动设备采集农作物在不同生长周期内的生长信息，并将该生长信息上传到区块链；其中，所述生长信息包括农作物图像和农作物生长环境信息；
S2. 判断农作物所处的生长周期，所述生长周期包括若干大范围生长周期，每个大范围生长周期都包括若干小范围生长周期；具体包括以下步骤：
S21. 判断农作物所处的大范围生长周期：控制单元提取区块链中的生长信息，并对生长信息中的农作物图像进行处理，将植株高度标注在农作物图像中，并将标注后的农作物图像推送至专家识别单元；专家识别单元中的专家根据农作物图像以及对应的植株高度，识别农作物的种类以及所处的大范围生长周期，并将该专家识别结果发送至控制单元；
S22. 判断农作物所处的小范围生长周期：控制单元根据该专家识别结果调取云端中对应的识别模型，并将处理后的农作物图像输入该识别模型中，对农作物所处的小范围生长周期进行识别，并将该最终识别结果发送至控制单元；
S3. 判断农作物是否健康，判断是否健康的标准包括水分和养分：控制单元根据最终识别结果，将提前设置的阈值与提取到的农作物生长环境信息进行对比，判断农作物是否健康；
S4. 若识别过程中采用的是数据采集单元采集的生长信息，且判断结果为农作物不健康，则进行相应的控制，并将该最终识别结果和判断结果上传至区块链中，若判断结果为农作物健康，则继续监控，并将该最终识别结果和判断结果上传至区块链中；若识别过程中采用的是移动设备采集的生长信息，则直接将该最终识别结果和判断结果上传至区块链中，移动设备经过再次认证后，从区块链中提取该最终识别结果和判断结果。
6.根据权利要求5所述的一种基于区块链大数据的智能农业监管方法，其特征在于：还包括步骤S5，判断是否有病虫害：依次将植株高度、植株生长速度和叶片颜色进行判断，即将植株高度与历年来同一小范围生长周期内的植株高度数据的最低平均值进行对比，将植株生长速度与历年来同一小范围生长周期内的生长速度的最低平均值进行对比，若植株高度或植株生长速度低于历年的最低平均值，则判断有病虫害，若判断叶片颜色有异常，则判断有病虫害；若植株高度、植株生长速度和叶片颜色都无异常，则判断无病虫害。
7.根据权利要求6所述的一种基于区块链大数据的智能农业监管方法，其特征在于：还包括对病虫害的危害程度进行等级划分，即依据植株高度、植株生长速度和叶片颜色对农作物在生长过程中的重要程度，赋予其对应的权重，权重的总和为1；将出现异常情况的对应权重相加，得到指标值，若指标值在0~0.3的范围内，危害程度属于轻微状态，若指标值在0.4~0.6的范围内，危害程度属于一般状态，若指标值在0.7~0.1的范围内，危害程度属于严重状态。
8.根据权利要求5或6所述的一种基于区块链大数据的智能农业监管方法，其特征在于：所述步骤S1中，将该生长信息上传到区块链时，进行加密后再上传至区块链；所述步骤S21中，控制单元提取区块链中的生长信息时，先对生长信息进行解密；其中解密和加密采用非对称式加密系统。
9.根据权利要求8所述的一种基于区块链大数据的智能农业监管方法，其特征在于：所述步骤S22中，还包括专家识别单元中的专家识别农作物所处的小范围生长周期，并将该识别结果发送至控制单元；所述控制单元判断专家识别单元中的各专家的识别结果是否一致，若一致，则将该识别结果确认为专家最终识别结果；若不一致，则统计各相同识别结果所占比例，若其中一个识别结果所占比例超过95%，则将该识别结果确认为专家最终识别结果，若所占比例都低于95%，则专家识别单元中的专家重新识别，直至得到专家最终识别结果，并将该专家最终识别结果发送至控制单元；
控制单元将专家最终识别结果与识别模型的识别结果进行比对；若一致，则确认为最后的识别结果，若不一致，判断识别出该专家最终识别结果的专家人数是否超过5人，若是，则以专家最终识别结果为最后的识别结果，并在线训练和更新该识别模型；若没有超过5人，则专家识别单元和识别模型都分别重新进行识别，直至满足要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211252089.1A CN115903568A (zh) | 2022-10-13 | 2022-10-13 | 一种基于区块链大数据的智能农业监管系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211252089.1A CN115903568A (zh) | 2022-10-13 | 2022-10-13 | 一种基于区块链大数据的智能农业监管系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115903568A true CN115903568A (zh) | 2023-04-04 |
Family
ID=86486158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211252089.1A Pending CN115903568A (zh) | 2022-10-13 | 2022-10-13 | 一种基于区块链大数据的智能农业监管系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115903568A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
| CN117854012B (zh) * | 2024-03-07 | 2024-05-14 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
-
2022
- 2022-10-13 CN CN202211252089.1A patent/CN115903568A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
| CN117854012B (zh) * | 2024-03-07 | 2024-05-14 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113439727B (zh) | 大棚农作物的除虫方法、装置、设备及存储介质 | |
| CN114418040B (zh) | 一种园林绿化养护监测及预警的方法与系统 | |
| CN109991911A (zh) | 一种基于物联网的果园综合监控系统 | |
| CN102945376A (zh) | 一种农作物病害的诊断方法 | |
| CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
| Li et al. | Improvement Of In-season Crop Mapping For Illinois Cropland Using Multiple Machine Learning Classifiers | |
| Moghaddam et al. | Estimation of single leaf chlorophyll content in sugar beet using machine vision | |
| CN115204689A (zh) | 一种基于图像处理的智慧农业管理系统 | |
| EP4081959A1 (en) | Agricultural decision support system | |
| CN114359746A (zh) | 机器学习的多光谱遥感影像作物秸秆离田提取方法与系统 | |
| CN115631421A (zh) | 耕地智慧保护方法及保护系统 | |
| CN111832448A (zh) | 一种用于葡萄果园的病害识别方法及系统 | |
| Manfrini et al. | Innovative approaches to orchard management: Assessing the variability in yield and maturity in a ‘Gala’apple orchard using a simple management unit modeling approach | |
| Arango et al. | Identification of agricultural management zones through clustering algorithms with thermal and multispectral satellite imagery | |
| CN115903568A (zh) | 一种基于区块链大数据的智能农业监管系统及方法 | |
| Tripathy et al. | Image processing techniques aiding smart agriculture | |
| CN116757707A (zh) | 一种农作物果实生长溯源方法及系统 | |
| Duman et al. | Design of a smart vertical farming system using image processing | |
| Chellaswamy et al. | Soil test based smart agriculture management system | |
| Patil et al. | Pre and Post Harvesting using Deep Learning Techniques: A comprehensive study | |
| CN112164041A (zh) | 基于多尺度深度神经网络的黄龙病自动诊疗系统及方法 | |
| CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
| CN109615272A (zh) | 一种基于互联网及智能的农业种植系统 | |
| Sanghavi | Design of effective techniques for prevention and detection of grape diseases at real time using IoT and Image Processing | |
| Nandi et al. | Cloud-Based IoT Controlled System Model for Plant Disease Monitoring |
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 |