CN116227758A - 基于遥感技术和深度学习的农产品成熟度预测方法及系统 - Google Patents
基于遥感技术和深度学习的农产品成熟度预测方法及系统 Download PDFInfo
- Publication number
- CN116227758A CN116227758A CN202310519316.0A CN202310519316A CN116227758A CN 116227758 A CN116227758 A CN 116227758A CN 202310519316 A CN202310519316 A CN 202310519316A CN 116227758 A CN116227758 A CN 116227758A
- Authority
- CN
- China
- Prior art keywords
- maturity
- agricultural product
- remote sensing
- maturation
- data set
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005516 engineering process Methods 0.000 title claims abstract description 30
- 238000013135 deep learning Methods 0.000 title claims abstract description 29
- 230000035800 maturation Effects 0.000 claims abstract description 66
- 230000006870 function Effects 0.000 claims abstract description 49
- 238000011160 research Methods 0.000 claims abstract description 40
- 238000013136 deep learning model Methods 0.000 claims abstract description 36
- 238000012216 screening Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 11
- 230000005070 ripening Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 239000002420 orchard Substances 0.000 abstract description 13
- 235000013399 edible fruits Nutrition 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 2
- 241000219109 Citrullus Species 0.000 description 38
- 235000012828 Citrullus lanatus var citroides Nutrition 0.000 description 38
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000012271 agricultural production Methods 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 3
- 238000005314 correlation function Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000005307 time correlation function Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004345 fruit ripening Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Biomedical Technology (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
本发明公开了基于遥感技术和深度学习的农产品成熟度预测方法及系统,预测方法包括以下步骤:采集研究区域在预设时间内生成的图片数据集构建深度学习模型;采集研究区域内遥感信息数据集;根据遥感信息数据集筛选成熟影响因子,对成熟影响因子进行权重计算;构建不同成熟阶段的成熟需求量指数函数;收集待预测的研究区域在未来时间内的预测遥感信息数据集,计算出农产品成熟需求量指数函数;将预测结果进行可视化。本发明具有以下优点:本发明综合运用成熟需求量指数函数,实现对农产品成熟情况的更加准确评估和未来采摘日期的模拟预测,能够为果农提供更为科学的采摘日期选择和销售决策,提升果园的经济效益和市场竞争力。
Description
技术领域
本发明属于遥感图像处理与深度学习、目标检测处理领域,具体为基于遥感技术和深度学习的农产品成熟度预测方法及系统。
背景技术
农产品的生产和销售是农业生产的重要环节,而农产品的成熟日期是农民选择采摘时间和市场销售的关键因素之一。传统的农业生产方式通常依赖于农民的经验和天气情况,这种方法存在着很大的不确定性和风险,可能导致采摘时间不当、产品质量下降、浪费资源等问题。遥感技术、深度学习和目标检测技术的不断发展,让技术对农业生产进行优化和智能化已成为可能。遥感技术可以获取大量的农业生产信息,如土地利用、植被覆盖、气象数据等,这些信息可以为农民提供更准确的决策依据。深度学习和目标检测技术可以对农产品的生长状态、成熟度等进行精准的检测和分析,为农民提供更加精确的采摘时间和销售决策。
基于以上背景,本发明提出了一种成熟需求量指数(MDI),通过综合多种方法评估未来农产品的成熟状况,能够有效地预测农产品的成熟日期,从而为果农提供更加准确的采摘日期选择和市场销售决策。该方法结合了遥感技术、深度学习和目标检测技术,可以对农产品的生长状态、成熟度等进行精准地检测和分析,在节省时间和人力成本的同时,也为果农提供了更为准确和可靠的决策依据,同时也可以提高农产品的质量和产量,促进农业生产的可持续发展。
发明内容
针对目前农产品成熟度情况判断仍然依赖果农经验等问题,本发明提出了一种基于遥感技术和深度学习的农产品成熟度预测方法及系统,可以对农产品的生长状态、成熟度等进行精准的检测和分析,能够有效地预测农产品的成熟日期。
本发明采用的技术方案如下:基于遥感技术和深度学习的农产品成熟度预测方法,包括以下步骤:
步骤1,根据研究区域生成对应的研究任务,采集研究区域在预设时间内生成的图片数据集;
步骤2,基于生成的图片数据集构建深度学习模型,对深度学习模型进行评估并获得最优权重;
步骤3,再次采集研究区域在预设时间内生成的遥感信息数据集;
步骤4,根据遥感信息数据集筛选成熟影响因子,对成熟影响因子进行权重计算;
步骤5,根据成熟影响因子权重,构建不同成熟阶段的成熟需求量指数函数;
步骤6,收集待预测的研究区域在未来时间内的预测遥感信息数据集,计算出农产品成熟需求量指数函数;
步骤7,计算农产品成熟需求量指数函数后,将预测结果进行可视化。
进一步的,步骤S1中根据研究区域生成对应的研究任务,采集研究区域在预设时间内生成的图片数据集;具体为:
步骤11,在研究区域内采集大量的单个农产品图片数据集,单个农产品图片数据集包括不同品种、不同成熟度、不同光照条件下的图片,采集的单个农产品图片覆盖各种场景,包括无人机拍摄的图片;
步骤12,对采集的单个农产品图片进行预处理操作,预处理操作包括图像缩放、图像裁剪、归一化操作,保证单个农产品图片的数据一致性和可用性;
步骤13,同时采集每日的单个农产品数据,采集的单个农产品数据包括日期和成熟度数据,基于成熟度数据对单个农产品数据进行标记成熟状况;
步骤14,对成熟状况按照0-100进行赋值,定义0表示完全不熟,100表示完全成熟。
进一步的,步骤S2中基于生成的图片数据集构建深度学习模型,对深度学习模型进行评估并获得最优权重;具体为:
步骤21,深度学习模型采用YOLO目标检测算法,YOLO目标检测算法训练过程中需要进行设置训练参数和对深度学习模型进行优化操作;
步骤22,使用YOLO目标检测算法的深度学习模型,通过输入单个农产品的图片,深度学习模型判断出农产品的成熟状况,并返回对应的成熟值。
进一步的,步骤S3中采集研究区域在预设时间内生成的遥感信息数据集;具体为:
步骤31,获取历史的覆盖整个单个农产品生长周期的遥感信息数据集,遥感信息数据集包括温度数据、降雨数据、湿度数据、日照强度,为逐小时均值数据;
步骤32,对遥感信息数据集进行预处理操作,预处理操作包括辐射校正、图像拼接、地理配准以及波段合成图像处理;
步骤33,将遥感信息数据集统一栅格化为30m分辨率,形成处理后的遥感信息数据集。
进一步的,步骤S4中根据遥感信息数据集筛选成熟影响因子,对成熟影响因子进行权重计算;成熟影响因子是遥感信息数据集中与单个农产品的成熟度增长呈正相关性的单个信息数据;具体为:
将影响因子累积量为自变量x,单个农产品成熟度变化量为因变量y,进行计算得一次函数y=kx+b,计算遥感信息数据集影响因子与成熟度之间的关系,将影响因子累积量m为自变量 x,单个农产品成熟度变化量平均值n为因变量 y,代入y=kx+b,计算可得k与b的值,即n=km+b,解得k=n/m,b=0,即一次函数关系为y=n/m·x;
即解得遥感信息数据集中的单个信息数据和单个农产品的成熟度增长呈正相关性,单个信息数据视为成熟影响因子;解得遥感信息数据集中的单个信息数据和单个农产品的成熟度增长不正相关性,单个信息数据不视为成熟影响因子。
进一步的,步骤S5中根据成熟影响因子权重,构建不同成熟阶段的成熟需求量指数函数;具体为:成熟需求量指数函数如公式(1)所示:
其中,MDI为成熟需求量,b为单个农产品初始成熟度,c为单个农产品目标成熟度;为成熟影响因子的总数;/>为第i个成熟影响因子的权重;/>表示第i个成熟影响因子的累积值;通过成熟需求量指数函数能够求出单个农产品的不同初始成熟度到目标成熟度需求量。
进一步的,步骤S6中收集待预测的研究区域在未来时间内的预测遥感信息数据集,计算出农产品成熟需求量指数函数;具体为:
步骤61,待预测的研究区域即为需要预测单个农产品成熟度的区域,预测遥感信息数据集是通过步骤4筛选成熟影响因子;
步骤62,采集单个农产品图片,综合分析每张单个农产品图片的农产品信息和坐标信息,通过坐标信息获取单个农产品的真实地理坐标,通过深度学习模型预测农产品成熟度;
步骤63,根据成熟影响因子和成熟度情况确定成熟需求量指数函数。
进一步的,步骤S7中计算农产品成熟需求量指数函数后,将预测结果进行可视化;具体为:
步骤71,根据预测遥感信息数据集中的温度数据、降雨数据、湿度数据、日照强度的累积值代入成熟需求量指数函数计算出单个农产品的成熟度和时间的关系;
步骤72,根据单个农产品的真实地理坐标和成熟度制作成熟情况分布图, 成熟情况分布图反映出不同地区的农产品成熟情况,同时根据需要产生不同类型分布图,包括成熟情况分布图,成熟度预测日期分布图。
本发明采用另外一种技术方案:一种基于遥感技术和深度学习的农产品成熟度预测系统,包括采集装置和服务器装置;
采集装置包括第一通讯模块、拍摄模块、GPS模块、雷达模块和第一存储模块;服务器装置包括第二通讯模块、预处理模块、深度学习模块和第二存储模块;
采集装置的第一通讯模块和服务器装置的第二通讯模块进行通讯;
拍摄模块用于采集单个农产品图片;
GPS模块用于采集单个农产品的坐标信息;
雷达模块用于采集单个农产品的信息;
第一存储模块用于存储采集装置的信息;
预处理模块用于对采集的单个农产品图片进行预处理操作和对遥感信息数据集进行预处理操作;
深度学习模块即使用YOLO目标检测算法的深度学习模型;
第二存储模块用于服务器装置的信息。
本发明具有以下优点和积极效果:
(1)本发明综合运用成熟需求量指数函数,实现对农产品成熟情况的更加准确评估和未来采摘日期的模拟预测,能够为果农提供更为科学的采摘日期选择和销售决策,提升了果园的经济效益和市场竞争力。
(2)本发明采用遥感图像处理技术,能够快速、准确地获取大面积果树生长和果实成熟情况,大大提高果园管理的效率和精度,这项技术可以极大地减少果农的工作负担,实现果园管理的智能化和自动化。
(3)本发明的适用范围广泛,可用于各种农产品管理和成熟情况评估,该技术提高了农产品质量,能够帮助果农在最佳成熟期内采摘农产品,从而提高农产品口感和市场竞争力。其实用性和推广价值也因此得以极大提升。
附图说明
图1为本发明的农产品成熟度预测方法流程图。
图2为本发明的农产品成熟度预测系统模块图。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相应地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
如图1所示,基于遥感技术和深度学习的农产品成熟度预测方法,包括以下步骤:
步骤1,根据研究区域生成对应的研究任务,采集研究区域在预设时间内生成的图片数据集;
步骤2,基于生成的图片数据集构建深度学习模型,对深度学习模型进行评估并获得最优权重;
步骤3,再次采集研究区域在预设时间内生成的遥感信息数据集;
步骤4,根据遥感信息数据集筛选成熟影响因子,对成熟影响因子进行权重计算;
步骤5,根据成熟影响因子权重,构建不同成熟阶段的成熟需求量指数函数;
步骤6,收集待预测的研究区域在未来时间内的预测遥感信息数据集,计算出农产品成熟需求量指数函数;
步骤7,计算农产品成熟需求量指数函数后,将预测结果进行可视化。
如图2所示,基于遥感技术和深度学习的农产品成熟度预测系统,包括采集装置和服务器装置;
采集装置包括第一通讯模块、拍摄模块、GPS模块、雷达模块和第一存储模块;服务器装置包括第二通讯模块、预处理模块、深度学习模块和第二存储模块;
采集装置的第一通讯模块和服务器装置的第二通讯模块进行通讯;
拍摄模块用于采集单个农产品图片;
GPS模块用于采集单个农产品的坐标信息;
雷达模块用于采集单个农产品的信息;
第一存储模块用于存储采集装置的信息;
预处理模块用于对采集的单个农产品图片进行预处理操作和对遥感信息数据集进行预处理操作;
深度学习模块即使用YOLO目标检测算法的深度学习模型;
第二存储模块用于服务器装置的信息。
本发明关于根据研究区域生成对应的研究任务,采集研究区域在预设时间内生成的图片数据集;具体为:
如选择西瓜果园作为研究区域,用于研究该果园农产品成熟日期预测。首先需要采集大量的西瓜图片数据集,包括不同品种、不同成熟度、不同光照条件下的西瓜图片。采集的西瓜图片应尽可能覆盖各种场景,包括但不限制于无人机照片,以保证训练出的模型具有较好的泛化能力。对采集的西瓜图片进行预处理,包括图像缩放、裁剪、归一化等操作,以保证训练数据的一致性和可用性。同时采集每日西瓜数据,该数据含有西瓜甜度数据和日期。基于西瓜甜度数据对西瓜进行标记成熟状况。便于理解,可视为包括但不限于按照0-100进行赋值表示成熟状况。其中0表示完全不熟,100表示完全成熟。
本发明关于基于生成的图片数据集构建深度学习模型,对深度学习模型进行评估并获得最优权重;具体为:
本实施例采用YOLO目标检测算法,需要首先实时根据用户的实际需求选取出当前采集的目标物的目标图像,并进一步通过YOLO目标检测算法对选取出的目标物的目标图像进行训练与验证处理,从而能够获取到对应的最优权重,且在该服务器的内部将上述获取到的最优权重替换掉当前默认的初始权重,以提升目标地物的识别率。
基于数据集构建深度学习模型,对深度学习模型进行评估并获得最优权重。该深度学习模型包括但不限于YOLO目标检测算法,训练过程中需要设置训练参数,如学习率、迭代次数等。训练过程中还需要对深度学习模型进行优化,如使用正则化、批量归一化等技术,以提高深度学习模型的泛化能力。
基于深度学习模型和该权重能够通过果树照片判断西瓜的成熟状况,便于理解,本实例使用YOLO深度学习模型,YOLO(You Only Look Once)是一种目标检测算法,它结合了卷积神经网络和非极大值抑制(NMS)等技术,可以在图像或视频中快速准确地找到物体的位置和类别。在本实例中使用YOLO能够通过输入果树照片判断出当前西瓜的成熟状况,并返回对应的成熟值。具体来说,用户输入相应的照片至该深度学习模型,深度学习模型将输出该照片及对应的成熟值。比如用户提供一张成熟度为5的西瓜照片输入该深度学习模型中,该深度学习模型能够识别并输出该照片中西瓜的位置和成熟度为5。
本发明关于再次采集研究区域在预设时间内生成的遥感信息数据集,具体为:
获取历史的覆盖西瓜果园的遥感信息数据集,遥感信息数据集包括但不限于温度数据、降雨数据、湿度数据、日照强度。本实例以温度数据、降雨数据、湿度数据、日照强度为例。
便于理解,本发明以获取历史覆盖整个西瓜生长周期的西瓜果园的遥感信息数据集为例。所述遥感信息数据集包括温度数据、降雨数据、湿度数据和日照强度,为逐小时均值数据。同时,对所述数据集进行相关预处理操作,包括但不限于辐射校正、图像拼接、地理配准以及波段合成等图像处理。最终,将所述数据集统一栅格化为30m分辨率,即单个像元代表地理范围为30米的正方形,形成处理后的遥感信息数据集。
本发明关于根据遥感信息数据集筛选成熟影响因子,对成熟影响因子进行权重计算;具体为:
将从遥感信息数据集中通过构造函数筛选出影响因子,包括但不限于一次函数。若遥感信息数据中的某一个数据的累积变化情况与农场品的成熟度增长呈正相关性,则该数据为农场品的成熟影响因子。
便于理解,优选的,开始分析遥感信息数据集与成熟度之间的关系。以温度数据为例,计算出上述中温度数据的影响因子的系数,以影响因子累积量为自变量,西瓜成熟度变化量为因变量。进一步的,为了便于理解,优选的,以初始成熟度0变成目标成熟度3为例,通过代入历史数据取系数的平均值为因子。从平均成熟度为0变成3,和温度平均累积量为200摄氏度开始分析影响因子与西瓜成熟度的影响。解得上述遥感信息数据集中的温度数据和成熟度呈正相关性,即温度的累积量越多,成熟度的值变大的速度越快,即一次相关性函数为:y=3x-597。若此处通过代入遥感信息数据集中历史数据解得该类数据和成熟度不呈正相关性,则该因子不视为成熟影响因子。
同理可得其他系数的因子,包括降雨数据一次相关性函数为:y=1x-2.3、湿度数据一次相关性函数为:y=1x-34、日照强度一次相关性函数为:y=4x+2.5。进一步确定出当前影响因子的权重比,即为相关性函数的系数之比,本实例中的温度数据:降雨数据:湿度数据:日照强度之间的权重比为3:1:1:4。
本发明关于根据成熟影响因子权重,构建不同成熟阶段的成熟需求量指数函数;具体为:
其中,MDI为成熟需求量,b为单个农产品初始成熟度,c为单个农产品目标成熟度;为成熟影响因子的总数;/>为第i个成熟影响因子的权重;/>表示第i个成熟影响因子的累积值;通过成熟需求量指数函数能够求出单个农产品的不同初始成熟度到目标成熟度需求量。比如能够求出初始成熟度为0,1,2,...100到目标成熟度为1,2,3,4,...100的成熟需求量指数函数。
便于理解,优选的,以初始成熟度成0变成目标成熟度3为例,需要累积温度200摄氏度,累积降雨20毫米,累积湿度200%,累积日照9000勒克斯。根据确认的影响因子的权重比,温度数据:降雨数据:湿度数据:日照强度之间的权重比为3:1:1:4,成熟需求量指数函数:。其中/>为温度数据累值的累积量,单位为摄氏度;/>为降雨数据值累积量,单位为毫米;/>为湿度数据值累积量,单位为相对湿度;/>为日照数据值累积量,单位为勒克斯。根据成熟需求量指数函数:/>,解得/>,即初始成熟度成0变成目标成熟度3的过程中成熟度需求量为36622,成熟需求量函数为/>。同理可得处于不同初始成熟度的西瓜到不同目标成熟度的成熟需求量及指数函数。例如初始成熟度0成长为目标成熟度5的情况下则成熟需求量指数函数为/>;初始成熟度3成长为目标成熟度6的情况下则成熟需求量指数函数为/>。
本发明关于收集待预测的研究区域在未来时间内的预测遥感信息数据集,计算出农产品成熟需求量指数函数;具体为:
待预测研究区域为需要预测农产品成熟度的区域,收集待预测研究区域在未来时间内的预测遥感信息数据集,预测遥感信息数据集为通过步骤4筛选出来的成熟影响因子,在本实例中为温度数据、降雨数据、湿度数据、日照强度。
便于理解,优选的,根据西瓜果园区域收集在未来2个月的预设遥感信息数据集,其中包括温度数据、降雨数据、湿度数据、日照强度。同时,对所述数据集进行相关预处理操作,包括但不限于辐射校正、图像拼接、地理配准以及波段合成等图像处理。最终,将所述数据集统一栅格化为30m分辨率,即单个像元代表地理范围为30米的正方形,形成遥感信息预测数据集。
便于理解,优选的,收集到的未来2个月的预设遥感信息数据集中,平均温度为17摄氏度,平均降雨量为3毫米,平均湿度为18%,平均日照强度为150勒克斯。
通过拍摄模块采集西瓜果园中的西瓜照片,通过GPS模块、拍摄模块与雷达模块,综合分析可得每张照片中的西瓜图片信息和坐标信息,通过坐标信息可以获得西瓜的真实地理坐标。通过深度学习模型预测该西瓜成熟度。根据成熟度情况确定农产品成熟需求量指数函数。便于理解,优选的,例如该果园中有初始成熟度为0的西瓜和初始成熟度为3的西瓜。在初始成熟度0成长为目标成熟度3的情况下则成熟需求量函数为;初始成熟度3成长为初始成熟度6的情况下则成熟需求量指数函数为。同理可得整个西瓜果园的每一个西瓜的/>函数。
本发明关于计算农产品成熟需求量指数函数后,将预测结果进行可视化,具体为:
根据预设遥感信息数据集计算出每个西瓜时间与成熟度的函数关系,其中包括温度数据、降雨数据、湿度数据、日照强度。根据温度数据、降雨数据、湿度数据、日照强度的累积值代入成熟需求量指数函数计算得出西瓜的成熟度和时间的关系。
便于理解,优选的,根据收集的预设遥感信息数据集,未来2个月的预设遥感信息数据集中,平均温度为17摄氏度,平均降雨量为3毫米,平均湿度为18%,平均日照强度为150勒克斯。计算初始成熟度为0的西瓜成长为目标成熟度为3的西瓜所需要的时间。在初始成熟度0成长为目标成熟度3的情况下则成熟需求量函数为;代入预设遥感信息数据集即/>,其中t单位为时间,为小时。解得t=55.98,说明在平均温度为17摄氏度,平均降雨量为3毫米,平均湿度为18%平均日照强度为150勒克斯的预期情况下,初始成熟度0成长为目标成熟度3需要55.98小时。同理可得整个西瓜果园每个西瓜的变成不同目标成熟度的时间。
同时根据每一颗西瓜的真实地理坐标和成熟度制作成熟情况分布图,该成熟情况分布图可以反映出不同地区的西瓜成熟情况,同时可以根据需要产生不同类型的图,包括但不限于成熟情况分布图,成熟度预测日期分布图。结果为后续的销售和物流安排提供有力参考。
一种成熟需求量指数(MDI),根据该指数和遥感数据通过绘图方法评估未来农产品的成熟状况,该方法结合了遥感技术、深度学习和目标检测技术,可以对农产品的生长状态、成熟度等进行精准的检测和分析,能够有效地预测农产品的成熟日期,从而为果农提供更加准确的采摘日期选择和市场销售决策。
Claims (9)
1.基于遥感技术和深度学习的农产品成熟度预测方法,其特征在于:包括以下步骤:
步骤1,根据研究区域生成对应的研究任务,采集研究区域在预设时间内生成的图片数据集;
步骤2,基于生成的图片数据集构建深度学习模型,对深度学习模型进行评估并获得最优权重;
步骤3,再次采集研究区域在预设时间内生成的遥感信息数据集;
步骤4,根据遥感信息数据集筛选成熟影响因子,对成熟影响因子进行权重计算;
步骤5,根据成熟影响因子权重,构建不同成熟阶段的成熟需求量指数函数;
步骤6,收集待预测的研究区域在未来时间内的预测遥感信息数据集,计算出农产品成熟需求量指数函数;
步骤7,计算农产品成熟需求量指数函数后,将预测结果进行可视化。
2.根据权利要求1所述的基于遥感技术和深度学习的农产品成熟度预测方法,其特征在于:
步骤S1中根据研究区域生成对应的研究任务,采集研究区域在预设时间内生成的图片数据集;具体为:
步骤11,在研究区域内采集大量的单个农产品图片数据集,单个农产品图片数据集包括不同品种、不同成熟度、不同光照条件下的图片,采集的单个农产品图片覆盖各种场景;
步骤12,对采集的单个农产品图片进行预处理操作,预处理操作包括图像缩放、图像裁剪、归一化操作,保证单个农产品图片的数据一致性和可用性;
步骤13,同时采集每日的单个农产品数据,采集的单个农产品数据包括日期和成熟度数据,基于成熟度数据对单个农产品数据进行标记成熟状况;
步骤14,对成熟状况按照0-100进行赋值,定义0表示完全不熟,100表示完全成熟。
3.根据权利要求1所述的基于遥感技术和深度学习的农产品成熟度预测方法,其特征在于:
步骤S2中基于生成的图片数据集构建深度学习模型,对深度学习模型进行评估并获得最优权重;具体为:
步骤21,深度学习模型采用YOLO目标检测算法,YOLO目标检测算法训练过程中需要进行设置训练参数和对深度学习模型进行优化操作;
步骤22,使用YOLO目标检测算法的深度学习模型,通过输入单个农产品的图片,深度学习模型判断出农产品的成熟状况,并返回对应的成熟值。
4.根据权利要求1所述的基于遥感技术和深度学习的农产品成熟度预测方法,其特征在于:
步骤S3中采集研究区域在预设时间内生成的遥感信息数据集;具体为:
步骤31,获取历史的覆盖整个单个农产品生长周期的遥感信息数据集,遥感信息数据集包括温度数据、降雨数据、湿度数据、日照强度,为逐小时均值数据;
步骤32,对遥感信息数据集进行预处理操作,预处理操作包括辐射校正、图像拼接、地理配准以及波段合成图像处理;
步骤33,将遥感信息数据集统一栅格化为30m分辨率,形成处理后的遥感信息数据集。
5.根据权利要求1所述的基于遥感技术和深度学习的农产品成熟度预测方法,其特征在于:
步骤S4中根据遥感信息数据集筛选成熟影响因子,对成熟影响因子进行权重计算;成熟影响因子是遥感信息数据集中与单个农产品的成熟度增长呈正相关性的单个信息数据;具体为:
将影响因子累积量为自变量x,单个农产品成熟度变化量为因变量y,进行计算得一次函数y=kx+b,计算遥感信息数据集影响因子与成熟度之间的关系,将影响因子累积量m为自变量 x,单个农产品成熟度变化量平均值n为因变量 y,代入y=kx+b,计算可得k与b的值,即n=km+b,解得k=n/m,b=0,即一次函数关系为y=n/m·x;
即解得遥感信息数据集中的单个信息数据和单个农产品的成熟度增长呈正相关性,单个信息数据视为成熟影响因子;解得遥感信息数据集中的单个信息数据和单个农产品的成熟度增长不正相关性,单个信息数据不视为成熟影响因子。
7.根据权利要求1所述的基于遥感技术和深度学习的农产品成熟度预测方法,其特征在于:
步骤S6中收集待预测的研究区域在未来时间内的预测遥感信息数据集,计算出农产品成熟需求量指数函数;具体为:
步骤61,待预测的研究区域即为需要预测单个农产品成熟度的区域,预测遥感信息数据集是通过步骤4筛选成熟影响因子;
步骤62,采集单个农产品图片,综合分析每张单个农产品图片的农产品信息和坐标信息,通过坐标信息获取单个农产品的真实地理坐标,通过深度学习模型预测农产品成熟度;
步骤63,根据成熟影响因子和成熟度情况确定成熟需求量指数函数。
8.根据权利要求1所述的基于遥感技术和深度学习的农产品成熟度预测方法,其特征在于:
步骤S7中计算农产品成熟需求量指数函数后,将预测结果进行可视化;具体为:
步骤71,根据预测遥感信息数据集中的温度数据、降雨数据、湿度数据、日照强度的累积值代入成熟需求量指数函数计算出单个农产品的成熟度和时间的关系;
步骤72,根据单个农产品的真实地理坐标和成熟度制作成熟情况分布图, 成熟情况分布图反映出不同地区的农产品成熟情况,同时根据需要产生不同类型分布图。
9.一种用于实现权利要求1所述的基于遥感技术和深度学习的农产品成熟度预测方法的农产品成熟度预测系统,其特征在于:设有采集装置和服务器装置;
采集装置包括第一通讯模块、拍摄模块、GPS模块、雷达模块和第一存储模块;服务器装置包括第二通讯模块、预处理模块、深度学习模块和第二存储模块;
采集装置的第一通讯模块和服务器装置的第二通讯模块进行通讯;
拍摄模块用于采集单个农产品图片;
GPS模块用于采集单个农产品的坐标信息;
雷达模块用于采集单个农产品的信息;
第一存储模块用于存储采集装置的信息;
预处理模块用于对采集的单个农产品图片进行预处理操作和对遥感信息数据集进行预处理操作;
深度学习模块即使用YOLO目标检测算法的深度学习模型;
第二存储模块用于服务器装置的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310519316.0A CN116227758B (zh) | 2023-05-10 | 2023-05-10 | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310519316.0A CN116227758B (zh) | 2023-05-10 | 2023-05-10 | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227758A true CN116227758A (zh) | 2023-06-06 |
CN116227758B CN116227758B (zh) | 2023-08-08 |
Family
ID=86571677
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310519316.0A Active CN116227758B (zh) | 2023-05-10 | 2023-05-10 | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227758B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236825A (zh) * | 2023-11-15 | 2023-12-15 | 南京龟兔赛跑软件研究院有限公司 | 农产品供应链运输管理系统及方法 |
CN117788200A (zh) * | 2024-02-28 | 2024-03-29 | 杨凌职业技术学院 | 一种基于多源遥感数据的农产品成熟度预测系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4219819B2 (ja) * | 2002-02-13 | 2009-02-04 | 株式会社環境総合テクノス | リモートセンシング高解像度データによる森林・樹木のバイオマス推定方法 |
CN103345707A (zh) * | 2013-06-04 | 2013-10-09 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的农作物成熟期遥感预测方法 |
CN111931988A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
US20210110157A1 (en) * | 2019-10-15 | 2021-04-15 | A.U.G. Signals Ltd. | Crop phenology estimation and tracking with remote sensing imagery |
CN113269716A (zh) * | 2021-04-08 | 2021-08-17 | 塔里木大学 | 一种基于多源遥感数据的香梨成熟期遥感预测方法 |
CN114092839A (zh) * | 2021-11-23 | 2022-02-25 | 黑龙江八一农垦大学 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
CN114187257A (zh) * | 2021-12-09 | 2022-03-15 | 江苏业派生物科技有限公司 | 基于数据可视化的农产品展示系统及方法 |
KR20220036433A (ko) * | 2020-09-15 | 2022-03-23 | 제노테크주식회사 | 과일 생장 모니터링 시스템 및 이를 이용한 과일 생장 모니터링 방법 |
CN114898000A (zh) * | 2022-05-06 | 2022-08-12 | 塔里木大学 | 考虑环境因素的红枣成熟采摘分析方法、系统及终端 |
US20220383098A1 (en) * | 2021-05-31 | 2022-12-01 | Cibo Technologies, Inc. | Method and apparatus for employing deep learning neural network to infer regenerative cover crop practices |
CN115546195A (zh) * | 2022-11-04 | 2022-12-30 | 华南农业大学 | 一种基于改进型yolov5算法的荔枝晚秋梢检测方法及处理终端 |
CN115690521A (zh) * | 2022-11-30 | 2023-02-03 | 仲恺农业工程学院 | 一种芥蓝成熟度识别方法 |
-
2023
- 2023-05-10 CN CN202310519316.0A patent/CN116227758B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4219819B2 (ja) * | 2002-02-13 | 2009-02-04 | 株式会社環境総合テクノス | リモートセンシング高解像度データによる森林・樹木のバイオマス推定方法 |
CN103345707A (zh) * | 2013-06-04 | 2013-10-09 | 中国科学院遥感与数字地球研究所 | 一种基于多源遥感数据的农作物成熟期遥感预测方法 |
US20210110157A1 (en) * | 2019-10-15 | 2021-04-15 | A.U.G. Signals Ltd. | Crop phenology estimation and tracking with remote sensing imagery |
CN111931988A (zh) * | 2020-07-09 | 2020-11-13 | 黑龙江省农业科学院农业遥感与信息研究所 | 遥感影像、作物模型与气象预报融合水稻成熟期预测方法 |
KR20220036433A (ko) * | 2020-09-15 | 2022-03-23 | 제노테크주식회사 | 과일 생장 모니터링 시스템 및 이를 이용한 과일 생장 모니터링 방법 |
CN113269716A (zh) * | 2021-04-08 | 2021-08-17 | 塔里木大学 | 一种基于多源遥感数据的香梨成熟期遥感预测方法 |
US20220383098A1 (en) * | 2021-05-31 | 2022-12-01 | Cibo Technologies, Inc. | Method and apparatus for employing deep learning neural network to infer regenerative cover crop practices |
CN114092839A (zh) * | 2021-11-23 | 2022-02-25 | 黑龙江八一农垦大学 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
CN114187257A (zh) * | 2021-12-09 | 2022-03-15 | 江苏业派生物科技有限公司 | 基于数据可视化的农产品展示系统及方法 |
CN114898000A (zh) * | 2022-05-06 | 2022-08-12 | 塔里木大学 | 考虑环境因素的红枣成熟采摘分析方法、系统及终端 |
CN115546195A (zh) * | 2022-11-04 | 2022-12-30 | 华南农业大学 | 一种基于改进型yolov5算法的荔枝晚秋梢检测方法及处理终端 |
CN115690521A (zh) * | 2022-11-30 | 2023-02-03 | 仲恺农业工程学院 | 一种芥蓝成熟度识别方法 |
Non-Patent Citations (2)
Title |
---|
JIN XU ET AL.: "Use of remote sensing to predict the optimal harvest date of corn", 《FIELD CROPS RESEARCH》, vol. 236, pages 252 - 13 * |
杨栋等: "浙江水蜜桃成熟期集合预报模型", 《中国农业气象》, vol. 39, no. 6, pages 421 - 430 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117236825A (zh) * | 2023-11-15 | 2023-12-15 | 南京龟兔赛跑软件研究院有限公司 | 农产品供应链运输管理系统及方法 |
CN117236825B (zh) * | 2023-11-15 | 2024-04-05 | 南京龟兔赛跑软件研究院有限公司 | 农产品供应链运输管理系统及方法 |
CN117788200A (zh) * | 2024-02-28 | 2024-03-29 | 杨凌职业技术学院 | 一种基于多源遥感数据的农产品成熟度预测系统 |
CN117788200B (zh) * | 2024-02-28 | 2024-05-10 | 杨凌职业技术学院 | 一种基于多源遥感数据的农产品成熟度预测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116227758B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11751499B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that detects disease in crops | |
US10838936B2 (en) | Computer-implemented methods, computer readable medium and systems for generating an orchard data model for a precision agriculture platform | |
CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
CN110956381A (zh) | 一种远程农业信息智能分析系统及农业环境调控方法 | |
US10748081B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform that identifies generic anomalies in crops | |
US10395355B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform | |
US10410334B2 (en) | Computer-implemented methods, computer readable medium and systems for a precision agriculture platform with a satellite data model | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
US10943173B2 (en) | Computer-implemented methods, computer readable medium and systems for generating a satellite data model for a precision agriculture platform | |
CN114863289B (zh) | 一种基于土地利用的动态遥感监测方法与系统 | |
CN112434569B (zh) | 一种无人机热成像系统 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
Rahmana et al. | Comparative study of extraction features and regression algorithms for predicting drought rates | |
Singla et al. | Spatiotemporal analysis of LANDSAT Data for Crop Yield Prediction. | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
Rouze et al. | Evaluating unoccupied aerial systems (UAS) imagery as an alternative tool towards cotton-based management zones | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
Koutroumpas et al. | A Sentinel based agriculture monitoring scheme for the control of the CAP and food security | |
Mongkolnithithada et al. | Rice Yield Estimation Based on Machine Learning Approaches using MODIS 250 m Data | |
Shao et al. | Lightweight Transformer Model for Winter Wheat Yield Prediction Based on Multi-source Data | |
CN117454074A (zh) | 作物面积的估算方法及其装置 | |
Kuang | Prediction of corn yield in New York state by harnessing satellite remote sensing and deep learning | |
CN116644837A (zh) | 基于网格化区域气象条件预测烟叶产量的方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |