CN116109268A - 一种基于物联网的智慧农业监管系统及方法 - Google Patents

Abstract

本发明公开了一种基于物联网的智慧农业监管系统及方法，涉及智慧农业技术领域，数据采集模块用于对农作物生长过程中的各项信息数据进行采集；数据分析模块用于对数据采集模块所采集的各项参数数据进行分析；图像分析模块用于对数据采集模块所采集的图像数据进行智能化分析；所述成熟度分析模块用于根据数据分析模块和图像分析模块的分析结果对农作物生长的成熟度进行分析；可以从农作物生长过程中的参数数据和拍摄的图像数据对农作物的成熟度进行分析，提高对于农作物成熟度分析的精准度，为后期农作物的收割提供数据支撑，并且，通过数据采集模块对农作物生长过程中的各项参数数据进行采集，可以实现对农作物生长过程中的智能监管。

Description

一种基于物联网的智慧农业监管系统及方法

技术领域

本发明涉及智慧农业技术领域，具体是一种基于物联网的智慧农业监管系统及方法。

背景技术

智慧农业就是将物联网技术运用到传统农业中去，运用传感器和软件通过移动平台或者电脑平台对农业生产进行监管和控制，使传统农业更具有“智慧”，使得传统农业更加的可控，效率更高，产量更高，质量更高；

中国发明专利(CN112734083A)公开了“一种基于机器视觉的水稻机路径规划控制系统”，具体公开了：包括稻田图像采集模块、稻田图像处理模块、路径规划模块；稻田图像采集模块采集各块稻田的稻田图像；稻田图像处理模块从稻田图像中提取出苗线；路径规划模块根据苗线规划各块稻田的水稻收割路径；本发明能根据水稻成熟度和稻田图像规划收割路径，可以规划不规则的稻田的收割路径，让水稻在成熟时被收割；

在现有的农作物监管过程中，对于水稻的成熟度分析，并未考虑自然环境因素对农作物生长的影响，单单通过图像分析无法精准的判断农作物的成熟度，同时，在进行农作物收割过程中，虽然根据成熟度进行了收割路径的顺序规划，但是并未充分考虑农作物收割后的装载问题，也并未考虑农作物生长不足对装载点造成的影响，无法实现农作物收割装载点的精准定位的，导致装载车的利用率降低，导致收割成本增加；

所以，人们急需一种基于物联网的智慧农业监管系统及方法来解决上述技术问题。

发明内容

本发明的目的在于提供一种基于物联网的智慧农业监管系统及方法，以解决现有技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于物联网的智慧农业监管系统，该监管系统包括数据采集模块、数据分析模块、图像分析模块、装载点分析模块、成熟度分析模块和收割规划模块；

所述数据采集模块用于对农作物生长过程中的各项信息数据进行采集，以便于对农作物的生长过程进行实时的监控和管理，提高农作物产量；

所述数据分析模块用于对数据采集模块所采集的各项参数数据进行分析，确定人工干预农作物生长的时间点，使得农作物的生长在缺乏自然环境的条件时，人工进行补偿，以便于提高农作物产量；

所述图像分析模块用于对数据采集模块所采集的图像数据进行智能化分析，确定农作物生长的不足之处，并通过比对分析，确定生长不足的原因，目的是为了方便后期进行农作物种植时，避免因为人为原因导致农作物生长不足，导致产量降低，也方便在进行农作物的收割时，精准的确定装载车的农作物装载点；

所述装载点分析模块用于根据图像分析模块的分析结果，确定不同位置的农作物产量，对农作物收割过程中装载点进行分析，使得可以在农作物收割过程中，提高装载车的利用率，降低无效的往返路径，节约收割成本；

所述成熟度分析模块用于根据数据分析模块和图像分析模块的分析结果对农作物生长的成熟度进行分析；

所述收割规划模块用于根据成熟度分析模块的分析结果，对农作物收割的路径进行规划，合理安排收割顺序，可以最大程度的保证农作物的收割处于最佳时机，提高农作物的质量。

根据上述技术方案，所述数据分析模块包括时间点记录单元和数据比对单元；

所述时间点记录单元用于从农作物种植时间点开始进行时间的记录；所述数据比对单元用于将数据采集模块所采集的各项信息数据与历史信息数据进行比对；

所述图像分析模块包括图像处理单元、异常点确定单元、区域划分单元和产量确定单元；

所述图像处理单元用于对数据采集模块所采集的图像数据进行处理，得到图像轮廓图；所述异常点确定单元用于对得到的图像轮廓图进行分析，确定农作物生长不足的异常点；所述区域划分单元用于对农作物生长不足的异常点进行异常区域的确定；所述产量确定单元用于对异常区域的农作物产量进行独立分析，确定异常区域的农作物产量。

根据上述技术方案，所述成熟度分析模块包括智能排序单元、深度估计单元、面积框划单元和数据标注单元；

所述智能排序单元用于根据数据分析模块的分析结果，对不同区域的农作物人工干预的次数进行统计并排序；所述深度估计单元采用双目深度估计方法对图像分析模块分析得出的灰度图像进行图像深度分析，得到深度图像；所述面积框划单元用于对深度图像的像素点进行分析，框划出深度图像中不同深度之间的边界线；所述数据标注单元用于结合智能排序单元的排序结果对框划边界线的深度图像进行农作物成熟度的标注，得到成熟度分布图。

根据上述技术方案，所述收割规划模块包括初步规划单元、二次规划单元、起点确定单元和终点确定单元；

所述初步规划单元用于根据农作物的成熟度分布图对不同区域的农作物收割顺序进行规划，对于农作物成熟度高的区域先进行收割，以保证不同区域的农作物收割之后的成熟度基本保持一致，提高农作物的产量；所述二次规划单元用于对任一区域的农作物收割轨迹进行规划，在初步规划单元确定的收割顺序的基础上，确定任一区域的农作物收割轨迹，保证所有区域的收割轨迹相连为初步规划单元所规划的收割顺序；所述起点确定单元用于不同区域的农作物收割顺序和任一区域的农作物收割轨迹的起点进行确定；所述终点确定单元用于对不同区域的农作物收割顺序和任一区域的农作物收割轨迹的终点进行确定，通过起点确定单元和终点确定单元对收割顺序和收割轨迹的起点和终点进行确认，可以保证在进行农作物收割时，收割机少走弯路，提高农作物收割的效率，降低收割成本。

根据上述技术方案，所述装载点分析模块包括产量计算单元、装载量计算单元和坐标点确定单元；

所述产量计算单元用于对农作物的产量进行计算，以便于根据收割机的收割宽度以及收割机收割的距离，确定农作物在一定轨迹距离内的收割量；所述装载量确定单元用于对装载车的装载量进行确定；所述坐标点确定单元用于根据装载车的装载量以及收割机的收割量确定装载点的坐标位置，通过产量确定单元所确定的异常区域产量以及产量计算单元所计算的产量，可以精准的确定收割量，使得对于装载点的定位更加的精准。

一种基于物联网的智慧农业监管方法，该监管方法包括以下步骤：

S1、对农作物生长过程中的各项信息数据进行采集；

S2、对S1中采集的各项信息数据进行预处理；

S3、根据S2预处理之后的信息数据，对农作物的成熟度进行分析；

S4、根据S3分析得到的成熟度，对农作物的收割顺序和路径进行规划；

S5、根据S4规划的收割顺序和路径对装载车的装载点进行确定。

根据上述技术方案，在S1中，所述各项信息数据包括某一区域的农作物生长过程中的各项参数数据以及农田的图像数据，各项所述参数数据组成集合Z＝{Z₁,Z₂,Z₃,…,Z_n}，其中，Z₁,Z₂,Z₃,…,Z_n分别表示农作物生长过程中n种参数数据的集合，

其中，

分别表示农作物生长过程中m个第i种参数数据和对应的采集时间点距离种植时间点的时长数据；

在S2中，利用数据分析模块对各项参数数据进行分析；

采集的参数数据为

表示第i中参数数据中的第j个数据，

所对应的采集时间点距离种植时间点的时长数据为

调取历史信息数据的平均值

和其对应的采集时间点距离种植时间点的时长数据为

其中

计算参数数据

与历史信息数据的平均值

之间的差值为

当

时，表明参数数据

异常，异常次数+1，并提醒进行人工干预；

当

时，表明参数数据

正常，无需进行人工干预，其中δ表示设定的阈值；

利用图像分析模块对采集的图像数据进行分析，包括以下步骤：

S201、利用浮点算法对图像数据进行灰度处理，得到灰度图像；

S202、利用高斯模糊算法对得到的灰度图像进行平滑处理；

S203、利用边缘检测算法对S202得到的灰度图像进行边缘检测。

根据上述技术方案，在S3中，对同一片农田下的每一个区域的农作物分别进行成熟度的分析；

建立成熟度与参数数据采集异常的次数和灰度值之间的关系模型：

ω＝α₁*u₁+α₂*u₂+β；

其中，ω表示成熟度，α₁和α₂分别表示关系系数，u₁表示参数数据采集异常的次数，u₂表示具体区域的灰度值，β表示误差系数；

得到同一片农田下的每一个区域的农作物成熟度集合W＝{ω₁,ω₂,ω₃,…,ω_s}，其中，s表示一片农田下有s个区域；并将每一个区域的农作物的成熟度标注在图像数据上的对应位置，以便于更加的直观的了解同一片农田下的每一个区域的农作物成熟度。

根据上述技术方案，在S4中，根据S3的分析结果，首先对同一片农田下的每一个区域的收割顺序进行规划，然后对每一个区域的收割轨迹进行规划；

S401、确定集合W中的成熟度最大值ω^max和最小值ω^min；

当同一片农田下最大值ω^max有且仅有一个，则最大值ω^max所对应的区域作为同一片农田最先收割的区域；

当同一片农田下最小值ω^min有且仅有一个，则最小值ω^min所对应的区域作为同一片农田最后收割的区域；

剩余的区域按照农作物成熟度进行排序，按照顺序收割；

若除最大值ω^max和最小值ω^min之外，还存在相同成熟度的区域，则进行排列组合；

当同一片农田下最大值ω^max至少为两个，且同一片农田下最小值ω^min至少为两个时，对同一片农田下的每一个区域的收割顺序进行排列组合，得到收割顺序的集合A＝{a₁,a₂,a₃,…,a_o}，其中a₁,a₂,a₃,…,a_o分别表示每一种收割顺序，o＝e*f，其中，e表示同一片农田下最大值ω^max的数量，f表示同一片农田下最小值ω^min的数量；

S402、对同一片农田下每一个区域排列组合的收割顺序对应的轨迹长度进行计算；

S403、按照S402确定的收割顺序，对于收割轨迹的规划，确保每一片区域下，最终的收割点与下一片区域相连。

根据上述技术方案，在S5中，收割机对于农作物的理论收割重量计算公式如下：

其中，V₀表示农作物的理论收割重量，C表示收割机的收割宽度，L表示收割机的收割距离，D表示农作物的亩产量；

其中，σ表示亩产穗数，τ表示穗粒数，ε表示千粒数；

设定装载车的装载量为R；

当收割机的收割轨迹上存在农作物生长异常区域时，根据下列公式对实际收割重量V₁进行计算：

其中，S_K表示第k个农作物生长异常区域的面积，Y_k表示第k个农作物生长区域的实际产量，M表示收割轨迹上存在M个农作物生长异常区域；

当满足V₁＝R时，所对应的坐标点为装载车的装载坐标点，装载车只需在此等待即可。在上述技术方案中，对于装载车的停靠装载点的确定，充分考虑了农田的农作物存在生长异常的区域，而对应生长异常区域，不能完全按照实际的产量进行估算，使得最终对应装载车的停靠等待装载点的确定更加的精准。

与现有技术相比，本发明的有益效果是：

1、本发明设置有设置有数据分析模块、图像分析模块和成熟度分析模块，使得可以从农作物生长过程中的参数数据和拍摄的图像数据对农作物的成熟度进行分析，提高对于农作物成熟度分析的精准度，为后期农作物的收割提供数据支撑，并且，通过数据采集模块对农作物生长过程中的各项参数数据进行采集，可以实现对农作物生长过程中的智能监管。

2、本发明设置有收割规划模块和装载点分析模块，使得可以根据农作物的成熟度对同一片农田下的每一个区域进行收割顺序的规划，同时，根据收割顺序对每一个区域的收割轨迹进行规划，使得收割机在最短的运动路径下实现对一片农田的收割，同时，通过图像分析模块对图像数据的分析，确定农作物生长异常区域，并将农作物生长异常区域考虑到实际收割产量中去，使得可以精确的确定装载车进行农作物装载的停靠等待点，提高农作物生产的效率，节约能耗。

附图说明

图1为本发明一种基于物联网的智慧农业监管系统的模块连接结构示意图；

图2为本发明一种基于物联网的智慧农业监管系统的具体连接结构示意图；

图3为本发明一种基于物联网的智慧农业监管方法的步骤流程结构示意图；

图4为本发明一种基于物联网的智慧农业监管方法的农田农作物成熟度分布结构示意图。

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。

如图1～图2所示，本发明提供以下技术方案，一种基于物联网的智慧农业监管系统，该监管系统包括数据采集模块、数据分析模块、图像分析模块、装载点分析模块、成熟度分析模块和收割规划模块；

所述数据采集模块用于对农作物生长过程中的各项信息数据进行采集，例如：水稻的播种时间数据，水稻生长过程中光照强度数据、日照时长数据、降雨量数据、土壤湿度数据等，以便于对农作物的生长过程进行实时的监控和管理，提高农作物产量；

所述数据分析模块用于对数据采集模块所采集的各项参数数据进行分析，确定人工干预农作物生长的时间点，使得农作物的生长在缺乏自然环境的条件时，人工进行补偿，以便于提高农作物产量，例如：土壤湿度数据和降雨量数据较低，则进行人工补水；

所述图像分析模块用于对数据采集模块所采集的图像数据进行智能化分析，确定农作物生长的不足之处，并通过比对分析，确定生长不足的原因，目的是为了方便后期进行农作物种植时，避免因为人为原因导致农作物生长不足，导致产量降低，也方便在进行农作物的收割时，精准的确定装载车的农作物装载点；

所述装载点分析模块用于根据图像分析模块的分析结果，确定不同位置的农作物产量，对农作物收割过程中装载点进行分析，使得可以在农作物收割过程中，提高装载车的利用率，降低无效的往返路径，节约收割成本；

所述成熟度分析模块用于根据数据分析模块和图像分析模块的分析结果对农作物生长的成熟度进行分析，例如：通过图像比对稻田的颜色变化，通过土壤湿度数据分析水稻生成的成熟度，并利用百分比标注的方式对不同位置的水稻成熟度进行标注；

所述收割规划模块用于根据成熟度分析模块的分析结果，对农作物收割的路径进行规划，合理安排收割顺序，例如：稻田的水稻根据分布情况和成熟度来进行收割顺序的规划，可以最大程度的保证农作物的收割处于最佳时机，提高农作物的质量。

根据上述技术方案，所述各项信息数据包括通过高清摄像头拍摄的稻田图像数据、手动输入的种植数据、光照传感器采集的光照强度数据、计时器统计的日照时长数据、降雨量传感器采集的降雨量数据和湿度传感器采集的土壤湿度数据；所述数据分析模块包括时间点记录单元和数据比对单元；

所述时间点记录单元用于从农作物种植时间点开始进行时间的记录；所述数据比对单元用于将数据采集模块所采集的各项信息数据与历史信息数据进行比对，所述历史信息数据是指与数据采集模块所采集的距离农作物种植时间点的时长相同，类型相同的历史信息数据，例如：将数据采集模块所采集的土壤湿度数据与历史土壤湿度数据进行比对，数据采集模块进行土壤湿度数据采集时，时间记录单元所记录的时间点为18天，则历史土壤湿度数据也来源于距离农作物种植时间点18天的土壤湿度数据；

所述图像分析模块包括图像处理单元、异常点确定单元、区域划分单元和产量确定单元；

所述图像处理单元用于对数据采集模块所采集的图像数据进行处理，得到图像轮廓图，对图像数据进行处理得到图像轮廓图的过程为现有技术实现，因此，在本申请中不做过多的赘述；所述异常点确定单元用于对得到的图像轮廓图进行分析，确定农作物生长不足的异常点，主要是通过分析图像轮廓图中的轮廓线，当农作物生长不足时，该区域的农作物无论是从生长密度，还是从生长高度来看，都是不同于周围农作物的，那么在图像轮廓图上，就存在着分布密集的轮廓线；所述区域划分单元用于对农作物生长不足的异常点进行异常区域的确定，以图像轮廓图的轮廓线密度变化点为边界进行异常区域的确定；所述产量确定单元用于对异常区域的农作物产量进行独立分析，确定异常区域的农作物产量。

根据上述技术方案，所述成熟度分析模块包括智能排序单元、深度估计单元、面积框划单元和数据标注单元；

所述智能排序单元用于根据数据分析模块的分析结果，对不同区域的农作物人工干预的次数进行统计并排序，以此来作为农作物成熟度的参考，因为在农作物的实际生长过程中，人工干预的次数越多，代表农作物在实际生长过程中出现问题的可能性越大，那么农作物生长的成熟时间将会越长，那么在同等时间下，人工干预次数越多的农作物，在同一时间点，成熟度将会越低；所述深度估计单元采用双目深度估计方法对图像分析模块分析得出的灰度图像进行图像深度分析，得到深度图像，此处采用的双目深度估计方法属于现有技术，因此，在本申请中不做过多的赘述；所述面积框划单元用于对深度图像的像素点进行分析，框划出深度图像中不同深度之间的边界线；所述数据标注单元用于结合智能排序单元的排序结果对框划边界线的深度图像进行农作物成熟度的标注，得到成熟度分布图。

根据上述技术方案，所述收割规划模块包括初步规划单元、二次规划单元、起点确定单元和终点确定单元；

所述初步规划单元用于根据农作物的成熟度分布图对不同区域的农作物收割顺序进行规划，对于农作物成熟度高的区域先进行收割，以保证不同区域的农作物收割之后的成熟度基本保持一致，提高农作物的产量；所述二次规划单元用于对任一区域的农作物收割轨迹进行规划，在初步规划单元确定的收割顺序的基础上，确定任一区域的农作物收割轨迹，保证所有区域的收割轨迹相连为初步规划单元所规划的收割顺序；所述起点确定单元用于不同区域的农作物收割顺序和任一区域的农作物收割轨迹的起点进行确定；所述终点确定单元用于对不同区域的农作物收割顺序和任一区域的农作物收割轨迹的终点进行确定，通过起点确定单元和终点确定单元对收割顺序和收割轨迹的起点和终点进行确认，可以保证在进行农作物收割时，收割机少走弯路，提高农作物收割的效率，降低收割成本。

根据上述技术方案，所述装载点分析模块包括产量计算单元、装载量计算单元和坐标点确定单元；

所述产量计算单元用于对农作物的产量进行计算，以便于根据收割机的收割宽度以及收割机收割的距离，确定农作物在一定轨迹距离内的收割量；所述装载量确定单元用于对装载车的装载量进行确定；所述坐标点确定单元用于根据装载车的装载量以及收割机的收割量确定装载点的坐标位置，通过产量确定单元所确定的异常区域产量以及产量计算单元所计算的产量，可以精准的确定收割量，使得对于装载点的定位更加的精准。

实施例一：如图3所示，一种基于物联网的智慧农业监管方法，该监管方法包括以下步骤：

S1、对农作物生长过程中的各项信息数据进行采集；

在S1中，所述各项信息数据包括某一区域的农作物生长过程中的各项参数数据以及农田的图像数据，各项所述参数数据组成集合Z＝{Z₁,Z₂,Z₃,…,Z_n}，其中，Z₁,Z₂,Z₃,…,Z_n分别表示农作物生长过程中n种参数数据的集合，

其中，

分别表示农作物生长过程中m个第i种参数数据和对应的采集时间点距离种植时间点的时长数据，例如：

表示3号稻田的土壤湿度为75％，采集时间点距离水稻种植时间点18天；

S2、对S1中采集的各项信息数据进行预处理；

在S2中，利用数据分析模块对各项参数数据进行分析；

采集的参数数据为

表示第i中参数数据中的第j个数据，

所对应的采集时间点距离种植时间点的时长数据为

调取历史信息数据的平均值

和其对应的采集时间点距离种植时间点的时长数据为

其中

计算参数数据

与历史信息数据的平均值

之间的差值为

当

时，表明参数数据

异常，异常次数+1，并提醒进行人工干预；

当

时，表明参数数据

正常，无需进行人工干预，其中δ表示设定的阈值；

利用图像分析模块对采集的图像数据进行分析，包括以下步骤：

S201、利用浮点算法对图像数据进行灰度处理，得到灰度图像；

S202、利用高斯模糊算法对得到的灰度图像进行平滑处理；

S203、利用边缘检测算法对S202得到的灰度图像进行边缘检测，具体的，利用Matlab图像处理工具箱中的edge函数，分别使用Roberts算子、Sobel算子、Prewitt算子对其进行边缘检测。

S3、根据S2预处理之后的信息数据，对农作物的成熟度进行分析；

在S3中，对同一片农田下的每一个区域的农作物分别进行成熟度的分析；

建立成熟度与参数数据采集异常的次数和灰度值之间的关系模型：

ω＝α₁*u₁+α₂*u₂+β；

其中，ω表示成熟度，α₁和α₂分别表示关系系数，u₁表示参数数据采集异常的次数，u₂表示具体区域的灰度值，β表示误差系数；

u₁通过S2中的数据分析模块进行分析和统计，u₂通过S201的灰度处理后得到具体位置的灰度值，α₁、α₂和β均通过大数据分析计算得出；

得到同一片农田下的每一个区域的农作物成熟度集合W＝{ω₁,ω₂,ω₃,…,ω_s}，其中，s表示一片农田下有s个区域；并将每一个区域的农作物的成熟度标注在图像数据上的对应位置，以便于更加的直观的了解同一片农田下的每一个区域的农作物成熟度。

S4、根据S3分析得到的成熟度，对农作物的收割顺序和路径进行规划；

在S4中，根据S3的分析结果，首先对同一片农田下的每一个区域的收割顺序进行规划，然后对每一个区域的收割轨迹进行规划；

S401、确定集合W中的成熟度最大值ω^max和最小值ω^min；

当同一片农田下最大值ω^max有且仅有一个，则最大值ω^max所对应的区域作为同一片农田最先收割的区域；

当同一片农田下最小值ω^min有且仅有一个，则最小值ω^min所对应的区域作为同一片农田最后收割的区域；

剩余的区域按照农作物成熟度进行排序，按照顺序收割；

若除最大值ω^max和最小值ω^min之外，还存在相同成熟度的区域，则进行排列组合；

当同一片农田下最大值ω^max至少为两个，且同一片农田下最小值ω^min至少为两个时，对同一片农田下的每一个区域的收割顺序进行排列组合，得到收割顺序的集合A＝{a₁,a₂,a₃,…,a_o}，其中a₁,a₂,a₃,…,a_o分别表示每一种收割顺序，o＝e*f，其中，e表示同一片农田下最大值ω^max的数量，f表示同一片农田下最小值ω^min的数量；

S402、对同一片农田下每一个区域排列组合的收割顺序对应的轨迹长度进行计算；

在S3中标注农作物成熟度的图像数据上建立平面直角坐标系，并赋予图像数据上的每一个坐标点以坐标值(x_g,y_h)，其中，同一片农田下每一个区域的中心点坐标组成坐标值的集合Q＝{(x₁,y₁),(x₂,y₂),(x₃,y₃),…,(x_s,y_s)}，按照收割顺序和集合A中的坐标值，对排列组合后的每一个收割顺序所对应的长度进行计算，得到收割顺序长度的集合P＝{p₁,p₂,p₃,…,p_o}，从集合P中挑选出长度最小的所对应的收割顺序作为该农田下的所有区域的收割顺序；

S403、按照S402确定的收割顺序，对于收割轨迹的规划，确保每一片区域下，最终的收割点与下一片区域相连。

S5、根据S4规划的收割顺序和路径对装载车的装载点进行确定。

在S5中，收割机对于农作物的理论收割重量计算公式如下：

其中，V₀表示农作物的理论收割重量，C表示收割机的收割宽度，L表示收割机的收割距离，D表示农作物的亩产量；

其中，σ表示亩产穗数，τ表示穗粒数，ε表示千粒数；

设定装载车的装载量为R；

当收割机的收割轨迹上存在农作物生长异常区域时，根据下列公式对实际收割重量V₁进行计算：

其中，S_K表示第k个农作物生长异常区域的面积，Y_k表示第k个农作物生长区域的实际产量，M表示收割轨迹上存在M个农作物生长异常区域；

当满足V₁＝R时，所对应的坐标点为装载车的装载坐标点，装载车只需在此等待即可。

实施例二，如图4所示，对一片稻田的水稻进行收割，该片稻田的水稻由七个区域组成；

首先对同一片农田下的每一个区域的收割顺序进行规划，然后对每一个区域的收割轨迹进行规划；

S401、确定集合W中的成熟度最大值ω^max＝100％和最小值ω^min＝93％；

该稻田的成熟度最大值ω^max有且仅有一个ω^max＝100％，则最大值ω^max＝100％所对应的区域作为该片农田最先收割的区域；

该稻田的成熟度最小值ω^min＝93％有且仅有一个，则最小值ω^min＝93％所对应的区域作为该片农田最后收割的区域；

剩余的区域按照农作物成熟度进行排序，按照顺序收割，则按照农作物成熟进行收割，收割顺序为：100％-99％-99％-98％-97％-95％-93％；

按照收割顺序，对于收割轨迹的规划，确保每一片区域下，最终的收割点与下一片区域相连，具体的，如图4所示，98％的区域97％的区域，那么，98％的区域进行收割轨迹规划时，最终的收割点为98％的区域与97％的区域的连接处。

实施例三：

收割机对于农作物的理论收割重量计算公式如下：

其中，V₀表示农作物的理论收割重量，C表示收割机的收割宽度，L表示收割机的收割距离，D表示农作物的亩产量；

其中，σ表示亩产穗数，τ表示穗粒数，ε表示千粒数；

设定装载车的装载量为R＝3000斤；

当收割机的收割轨迹上存在农作物生长异常区域时，根据下列公式对实际收割重量V₁进行计算：

其中，S_K表示第k个农作物生长异常区域的面积，Y_k表示第k个农作物生长区域的实际产量，M表示收割轨迹上存在M个农作物生长异常区域；

当满足

时，得出：当L＝300m时，所对应的坐标点为装载车的装载坐标点，装载车只需在此等待即可。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.一种基于物联网的智慧农业监管系统，其特征在于：该监管系统包括数据采集模块、数据分析模块、图像分析模块、装载点分析模块、成熟度分析模块和收割规划模块；

所述数据采集模块用于对农作物生长过程中的各项信息数据进行采集；

所述数据分析模块用于对数据采集模块所采集的各项参数数据进行分析，确定人工干预农作物生长的时间点；

所述图像分析模块用于对数据采集模块所采集的图像数据进行智能化分析，确定农作物生长的不足之处，并通过比对分析，确定生长不足的原因；

所述装载点分析模块用于根据图像分析模块的分析结果，确定不同位置的农作物产量，对农作物收割过程中装载点进行分析；

所述成熟度分析模块用于根据数据分析模块和图像分析模块的分析结果对农作物生长的成熟度进行分析；

所述收割规划模块用于根据成熟度分析模块的分析结果，对农作物收割的路径进行规划，合理安排收割顺序。

2.根据权利要求1所述的一种基于物联网的智慧农业监管系统，其特征在于：所述数据分析模块包括时间点记录单元和数据比对单元；

所述时间点记录单元用于从农作物种植时间点开始进行时间的记录；所述数据比对单元用于将数据采集模块所采集的各项信息数据与历史信息数据进行比对；

所述图像分析模块包括图像处理单元、异常点确定单元、区域划分单元和产量确定单元；

所述图像处理单元用于对数据采集模块所采集的图像数据进行处理，得到图像轮廓图；所述异常点确定单元用于对得到的图像轮廓图进行分析，确定农作物生长不足的异常点；所述区域划分单元用于对农作物生长不足的异常点进行异常区域的确定；所述产量确定单元用于对异常区域的农作物产量进行独立分析，确定异常区域的农作物产量。

3.根据权利要求2所述的一种基于物联网的智慧农业监管系统，其特征在于：所述成熟度分析模块包括智能排序单元、深度估计单元、面积框划单元和数据标注单元；

所述智能排序单元用于根据数据分析模块的分析结果，对不同区域的农作物人工干预的次数进行统计并排序；所述深度估计单元采用双目深度估计方法对图像分析模块分析得出的灰度图像进行图像深度分析，得到深度图像；所述面积框划单元用于对深度图像的像素点进行分析，框划出深度图像中不同深度之间的边界线；所述数据标注单元用于结合智能排序单元的排序结果对框划边界线的深度图像进行农作物成熟度的标注，得到成熟度分布图。

4.根据权利要求3所述的一种基于物联网的智慧农业监管系统，其特征在于：所述收割规划模块包括初步规划单元、二次规划单元、起点确定单元和终点确定单元；

所述初步规划单元用于根据农作物的成熟度分布图对不同区域的农作物收割顺序进行规划；所述二次规划单元用于对任一区域的农作物收割轨迹进行规划；所述起点确定单元用于不同区域的农作物收割顺序和任一区域的农作物收割轨迹的起点进行确定；所述终点确定单元用于对不同区域的农作物收割顺序和任一区域的农作物收割轨迹的终点进行确定。

5.根据权利要求4所述的一种基于物联网的智慧农业监管系统，其特征在于：所述装载点分析模块包括产量计算单元、装载量计算单元和坐标点确定单元；

所述产量计算单元用于对农作物的产量进行计算；所述装载量确定单元用于对装载车的装载量进行确定；所述坐标点确定单元用于根据装载车的装载量以及收割机的收割量确定装载点的坐标位置。

6.一种基于物联网的智慧农业监管方法，其特征在于，该监管方法包括以下步骤：

S1、对农作物生长过程中的各项信息数据进行采集；

S2、对S1中采集的各项信息数据进行预处理；

S3、根据S2预处理之后的信息数据，对农作物的成熟度进行分析；

S4、根据S3分析得到的成熟度，对农作物的收割顺序和路径进行规划；

S5、根据S4规划的收割顺序和路径对装载车的装载点进行确定。

7.根据权利要求6所述的一种基于物联网的智慧农业监管方法，其特征在于：在S1中，所述各项信息数据包括某一区域的农作物生长过程中的各项参数数据以及农田的图像数据，各项所述参数数据组成集合Z＝{Z₁,Z₂,Z₃,…,Z_n}，其中，Z₁,Z₂,Z₃,…,Z_n分别表示农作物生长过程中n种参数数据的集合，

其中，

分别表示农作物生长过程中m个第i种参数数据和对应的采集时间点距离种植时间点的时长数据；

在S2中，利用数据分析模块对各项参数数据进行分析；

采集的参数数据为

表示第i中参数数据中的第j个数据，

所对应的采集时间点距离种植时间点的时长数据为

调取历史信息数据的平均值

和其对应的采集时间点距离种植时间点的时长数据为

其中

计算参数数据

与历史信息数据的平均值

之间的差值为

当

时，表明参数数据

异常，异常次数+1，并提醒进行人工干预；

当

时，表明参数数据

正常，无需进行人工干预，其中δ表示设定的阈值；

利用图像分析模块对采集的图像数据进行分析，包括以下步骤：

S201、利用浮点算法对图像数据进行灰度处理，得到灰度图像；

S202、利用高斯模糊算法对得到的灰度图像进行平滑处理；

S203、利用边缘检测算法对S202得到的灰度图像进行边缘检测。

8.根据权利要求7所述的一种基于物联网的智慧农业监管方法，其特征在于：在S3中，对同一片农田下的每一个区域的农作物分别进行成熟度的分析；

建立成熟度与参数数据采集异常的次数和灰度值之间的关系模型：

ω＝α₁*u₁+α₂*u₂+β；

其中，ω表示成熟度，α₁和α₂分别表示关系系数，u₁表示参数数据采集异常的次数，u₂表示具体区域的灰度值，β表示误差系数；

得到同一片农田下的每一个区域的农作物成熟度集合W＝{ω₁,ω₂,ω₃,…,ω_s}，其中，s表示一片农田下有s个区域；并将每一个区域的农作物的成熟度标注在图像数据上的对应位置。

9.根据权利要求8所述的一种基于物联网的智慧农业监管方法，其特征在于：在S4中，根据S3的分析结果，首先对同一片农田下的每一个区域的收割顺序进行规划，然后对每一个区域的收割轨迹进行规划；

S401、确定集合W中的成熟度最大值ω^max和最小值ω^min；

当同一片农田下最大值ω^max有且仅有一个，则最大值ω^max所对应的区域作为同一片农田最先收割的区域；

当同一片农田下最小值ω^min有且仅有一个，则最小值ω^min所对应的区域作为同一片农田最后收割的区域；

剩余的区域按照农作物成熟度进行排序，按照顺序收割；

若除最大值ω^max和最小值ω^min之外，还存在相同成熟度的区域，则进行排列组合；

当同一片农田下最大值ω^max至少为两个，且同一片农田下最小值ω^min至少为两个时，对同一片农田下的每一个区域的收割顺序进行排列组合，得到收割顺序的集合A＝{a₁,a₂,a₃,…,a_o}，其中a₁,a₂,a₃,…,a_o分别表示每一种收割顺序，o＝e*f，其中，e表示同一片农田下最大值ω^max的数量，f表示同一片农田下最小值ω^min的数量；

S402、对同一片农田下每一个区域排列组合的收割顺序对应的轨迹长度进行计算；

S403、按照S402确定的收割顺序，对于收割轨迹的规划，确保每一片区域下，最终的收割点与下一片区域相连。

10.根据权利要求9所述的一种基于物联网的智慧农业监管方法，其特征在于：在S5中，收割机对于农作物的理论收割重量计算公式如下：

其中，V₀表示农作物的理论收割重量，C表示收割机的收割宽度，L表示收割机的收割距离，D表示农作物的亩产量；

其中，σ表示亩产穗数，τ表示穗粒数，ε表示千粒数；

设定装载车的装载量为R；

当收割机的收割轨迹上存在农作物生长异常区域时，根据下列公式对实际收割重量V₁进行计算：

其中，S_K表示第k个农作物生长异常区域的面积，Y_k表示第k个农作物生长区域的实际产量，M表示收割轨迹上存在M个农作物生长异常区域；

当满足V₁＝R时，所对应的坐标点为装载车的装载坐标点，装载车只需在此等待即可。

Images