CN116260842B - 温室大棚的物联网数据采集方法、系统、装置及介质 - Google Patents

温室大棚的物联网数据采集方法、系统、装置及介质 Download PDF

Info

Publication number
CN116260842B
CN116260842B CN202310145653.8A CN202310145653A CN116260842B CN 116260842 B CN116260842 B CN 116260842B CN 202310145653 A CN202310145653 A CN 202310145653A CN 116260842 B CN116260842 B CN 116260842B
Authority
CN
China
Prior art keywords
images
optimized
data
original
crop growth
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.)
Active
Application number
CN202310145653.8A
Other languages
English (en)
Other versions
CN116260842A (zh
Inventor
甘峰
晏秘
龙晓波
赵健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhi Biotechnology Co ltd
Original Assignee
Huazhi Biotechnology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhi Biotechnology Co ltd filed Critical Huazhi Biotechnology Co ltd
Priority to CN202310145653.8A priority Critical patent/CN116260842B/zh
Publication of CN116260842A publication Critical patent/CN116260842A/zh
Application granted granted Critical
Publication of CN116260842B publication Critical patent/CN116260842B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/14—Greenhouses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L49/00—Packet switching elements
    • H04L49/30—Peripheral units, e.g. input or output ports
    • H04L49/3018—Input queuing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L49/00—Packet switching elements
    • H04L49/30—Peripheral units, e.g. input or output ports
    • H04L49/3027—Output queuing
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L49/00—Packet switching elements
    • H04L49/90—Buffering arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Environmental Sciences (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了温室大棚的物联网数据采集方法、系统、装置及介质，方法包括：获取环境数据和农作物生长视频数据；根据农作物生长视频数据进行优化处理，得到缩短后的优化视频数据，以删除相似度高的多余帧和预设算法类型的非关键帧；加入环境数据至第一FIFO缓存队列中，加入优化视频数据至第二FIFO缓存队列中，并分别通过ZETA‑H协议发送至ZETA网关模块，以通过ZETA网关模块实现数据网关本地存储和发送环境数据和优化视频数据至远程监控端。本发明实施例的温室大棚的物联网数据采集方法，能够实现远距离稳定数据传输，且成本低，还能有效提高监控视频的处理效率，并保证处理后的视频清晰度。

Description

温室大棚的物联网数据采集方法、系统、装置及介质
技术领域
本发明涉及物联网相关技术领域，尤其是涉及温室大棚的物联网数据采集方法、系统、装置及介质。
背景技术
在数字农业项目中，很多物联网设备采用主流的4G/5G/NB-IoT技术，但是很多偏远山区并没有覆盖以上网络，导致数据无法上传。或者如果某个项目数据采集节点数量很多，如果每个节点都采用4G等蜂窝网络，成本较高。基于以上原因常常会考虑采用LoRa搭建私有物联网将数据上传。LoRa是一种基于扩频技术的远距离无线传输技术，其实也是诸多LPWAN(Low-Power Wide-Area Network，低功率广域网络)通信技术中的一种，但是随着近年来一些国际市场环境变化背景下，由于LoRa是国外公司创建的低功耗无线标准，终端和网关芯片IP专利由国外公司垄断，未来存在芯片被禁售等安全隐患，因此芯片国产化的发展十分重要。此外，在偏远区域的农业项目中需要采集图像和视频数据，受限于LoRa协议的最大传输速度，LoRa常用于小数据量传感器数据的采集，而图像、视频采集往往需要依赖网线、光纤等搭建一套图像视频传输网络，在偏远山区施工难度及成本非常高。
我们一般通过监控视频对棚内农作物生长情况进行监控，以及对农作物进行防偷盗和防野生动物入侵破坏的监控，传统视频监控的FPS(Frame Per Second)，即每秒钟的传输的图像帧数量大，不仅占用内存空间大，且存在很多不必要的监控视频，因为农作物生长的变化速度很慢，所以在两个变化状态之间的监控视频可能都是没用的，因为看不出作物的变化。另外，传统视频监控的FPS还通常会大于图像算法(如计算人体入侵和常见野生动物入侵的算法)所需要的数量，直接将原视频流上传并进行计算会浪费没有人体入侵和常见野生动物入侵的数据的计算资源，视频处理效率低，若对原视频流进行后期过度压缩，则视频画面质量会严重受损。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种温室大棚的物联网数据采集方法，能够实现远距离稳定数据传输，且成本低，还能有效提高监控视频的处理效率，并保证处理后的视频清晰度。
本发明还提供了一种温室大棚的物联网数据采集系统、温室大棚的物联网数据采集装置以及计算机可读存储介质。
根据本发明的第一方面实施例的温室大棚的物联网数据采集方法，包括以下步骤：
获取环境数据和农作物生长视频数据；
根据所述农作物生长视频数据进行优化处理，得到缩短后的优化视频数据，以删除相似度高的多余帧和预设算法类型的非关键帧；
加入所述环境数据至第一FIFO缓存队列中，加入所述优化视频数据至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，以通过所述ZETA网关模块实现数据网关本地存储和发送所述环境数据和所述优化视频数据至远程监控端。
根据本发明实施例的温室大棚的物联网数据采集方法，至少具有如下有益效果：
通过对农作物生长视频数据进行优化处理，删除相似度高的多余帧和预设算法类型的非关键帧，可以得到缩短后的优化视频数据，仅保留所需的重点帧，从而缩小视频数据占用的内存大小，避免对于相似度高的多余帧和预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。缩短后的优化视频数据的数据量小，可以保证处理后的视频清晰度。通过将环境数据加入至第一FIFO缓存队列中，将化视频数据加入至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，可以保障数据通信的连续性和稳定性，从而实现远距离稳定数据传输。本发明实施例的温室大棚的物联网数据采集方法，能够实现远距离稳定数据传输，且成本低，还能有效提高监控视频的处理效率，并保证处理后的视频清晰度。
根据本发明的一些实施例，所述农作物生长视频数据包括连续的多个农作物生长图像，所述根据所述农作物生长视频数据进行优化处理，得到缩短后的优化视频数据，包括以下步骤：
根据多个所述农作物生长图像一一对应得到多个入侵结果，所述入侵结果用于表征所述农作物生长图像中是否存在入侵对象；
基于多个所述入侵结果对多个所述农作物生长图像进行优化处理，得到多个优化生长图像，所述优化生长图像的数量少于所述农作物生长图像的数量；
根据多个所述优化生长图像得到所述优化视频数据。
根据本发明的一些实施例，所述基于多个所述入侵结果对多个所述农作物生长图像进行优化处理，得到多个优化生长图像，包括以下步骤：
依次确定多个所述农作物生长图像的所述入侵结果，若所述入侵结果表征所述农作物生长图像中存在所述入侵对象，将所述农作物生长图像记作第一原始图像，若所述入侵结果表征所述农作物生长图像中不存在所述入侵对象，将所述农作物生长图像记作第二原始图像；
根据所有所述第一原始图像进行非关键帧删减处理，得到多个第一子优化图像；
根据所有所述第二原始图像进行相似性删减处理，得到多个第二子优化图像；
根据多个所述第一子优化图像和多个所述第二子优化图像得到多个所述优化生长图像。
根据本发明的一些实施例，所述根据所有所述第一原始图像进行非关键帧删减处理，得到多个第一子优化图像，包括以下步骤：
提取所有所述第一原始图像中的所述入侵对象，并确定所述入侵对象的对象类型；
根据所述对象类型和预设类型对所有所述第一原始图像进行非关键帧删减处理，得到多个所述第一子优化图像。
根据本发明的一些实施例，所述对象类型由以下步骤确定得到：
获取所述入侵对象的运动速度；
若所述运动速度大于等于预设速度阈值，将所述对象类型确定为干扰信号；
若所述运动速度小于所述预设速度阈值，将所述对象类型确定为异常目标对象。
根据本发明的一些实施例，所述根据所述对象类型和预设类型对所有所述第一原始图像进行非关键帧删减处理，得到多个所述第一子优化图像，包括以下步骤：
保留所述对象类型为所述异常目标对象的所有所述第一原始图像中，符合所述预设类型对应关键帧的所述第一原始图像；
若存在连续的多个所述对象类型为所述干扰信号或不符合所述预设类型对应关键帧的所述第一原始图像，且数量大于等于预设舍弃阈值，每连续的所述预设舍弃阈值个所述第一原始图像中保留最后一个所述第一原始图像；
若存在连续的多个所述对象类型为所述干扰信号或不符合所述预设类型对应关键帧的所述第一原始图像，且数量小于所述预设舍弃阈值，皆保留；
将保留的所述第一原始图像记为所述第一子优化图像，得到多个所述第一子优化图像。
根据本发明的一些实施例，所述根据所有所述第二原始图像进行相似性删减处理，得到多个第二子优化图像，包括以下步骤：
若存在连续的多个所述第二原始图像且连续的所述第二原始图像的数量大于等于预设舍弃阈值，每连续的所述预设舍弃阈值个所述第二原始图像中保留最后一个所述第二原始图像；
若连续的所述第二原始图像的数量小于所述预设舍弃阈值，皆保留；
将保留的所述第二原始图像记为所述第二子优化图像，得到多个所述第二子优化图像。
根据本发明的第二方面实施例的温室大棚的物联网数据采集系统，包括：
数据采集单元，用于采集环境数据和农作物生长视频数据；
优化处理单元，用于根据所述农作物生长视频数据进行优化处理，得到缩短后的优化视频数据，以删除相似度高的多余帧和预设算法类型的非关键帧；
数据传输单元，用于加入所述环境数据至第一FIFO缓存队列中，加入所述优化视频数据至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，以通过所述ZETA网关模块实现数据网关本地存储和发送所述环境数据和所述优化视频数据至远程监控端。
根据本发明实施例的温室大棚的物联网数据采集系统，至少具有如下有益效果：
通过对农作物生长视频数据进行优化处理，删除相似度高的多余帧和预设算法类型的非关键帧，可以得到缩短后的优化视频数据，仅保留所需的重点帧，从而缩小视频数据占用的内存大小，避免对于相似度高的多余帧和预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。缩短后的优化视频数据的数据量小，可以保证处理后的视频清晰度。通过将环境数据加入至第一FIFO缓存队列中，将优化视频数据加入至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，可以保障数据通信的连续性和稳定性，从而实现远距离稳定数据传输。本发明实施例的温室大棚的物联网数据采集系统，能够实现远距离稳定数据传输，且成本低，还能有效提高监控视频的处理效率，并保证处理后的视频清晰度。
根据本发明的第三方面实施例的温室大棚的物联网数据采集装置，包括：
ZETA节点模块，用于采集环境数据和农作物生长视频数据，根据所述农作物生长视频数据进行优化处理，得到缩短后的优化视频数据，以删除相似度高的多余帧和预设算法类型的非关键帧，加入所述环境数据至第一FIFO缓存队列中，加入所述优化视频数据至第二FIFO缓存队列中，并分别通过ZETA-H协议发送出去；
ZETA网关模块，用于通过所述ZETA-H协议接收所述环境数据和所述优化视频数据，以实现数据网关本地存储和发送所述环境数据和所述优化视频数据至远程监控端。
根据本发明实施例的温室大棚的物联网数据采集装置，至少具有如下有益效果：
通过对农作物生长视频数据进行优化处理，删除相似度高的多余帧和预设算法类型的非关键帧，可以得到缩短后的优化视频数据，仅保留所需的重点帧，从而缩小视频数据占用的内存大小，避免对于相似度高的多余帧和预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。缩短后的优化视频数据的数据量小，可以保证处理后的视频清晰度。通过将环境数据加入至第一FIFO缓存队列中，将优化视频数据加入至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，可以保障数据通信的连续性和稳定性，从而实现远距离稳定数据传输。本发明实施例的温室大棚的物联网数据采集装置，能够实现远距离稳定数据传输，且成本低，还能有效提高监控视频的处理效率，并保证处理后的视频清晰度。
根据本发明的第四方面实施例的计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行如上述第一方面实施例所述的温室大棚的物联网数据采集方法。由于计算机可读存储介质采用了上述实施例的温室大棚的物联网数据采集方法的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的温室大棚的物联网数据采集方法的流程图；
图2是本发明一实施例的温室大棚的物联网数据采集装置的示意图；
图3是本发明一实施例的ZETA节点模块的数据采集示意图；
图4是本发明一实施例的媒体处理平台的工作流程示意图；
图5是本发明一实施例的FIFO缓存数据结构的示意图；
图6是本发明一实施例的节点数据流向的示意图；
图7是本发明一实施例的网关数据流向的示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下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，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。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
下面将结合图1至图7对本发明第一方面实施例的温室大棚的物联网数据采集方法进行清楚、完整的描述，显然，以下所描述的实施例是本发明一部分实施例，并非全部实施例。
根据本发明第一方面实施例的温室大棚的物联网数据采集方法，包括以下步骤：
获取环境数据和农作物生长视频数据；
根据农作物生长视频数据进行优化处理，得到缩短后的优化视频数据，以删除相似度高的多余帧和预设算法类型的非关键帧；
加入所述环境数据至第一FIFO缓存队列中，加入所述优化视频数据至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，以通过ZETA网关模块实现数据网关本地存储和发送环境数据和优化视频数据至远程监控端。
环境数据包括温室大棚内的空气温度数据、空气湿度数据、光照强度数据、二氧化碳浓度数据、土壤温度数据、土壤湿度数据、土壤电导率数据(EC值)。发送环境数据至ZETA网关模块，通过ZETA网关集成MQTT(Message Queuing Telemetry Transport，消息队列遥测传输)实现云态组网。环境数据被发送至远程监控端后，可以通过远程监控端远程控制各种环境管理设备譬如内外遮阳设备，通风设备，降温等设备以控制环境数据，让农作物始终保持在适宜生长的环境下，提高生产效率。
删除农作物生长视频数据中相似度高的多余帧和预设算法类型的非关键帧，可以得到缩短后的优化视频数据，仅保留所需的重点帧，从而缩小视频数据占用的内存大小，避免对于相似度高的多余帧和预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。缩短后的优化视频数据的数据量小，可以保证处理后的视频清晰度。
如图5所示，FIFO缓存数据封装中，采用循环队列线性数据结构，其操作表现基于FIFO(先进先出)原则并且队尾被连接在队首之后以形成一个循环。在普通队列线性数据结构中，一旦一个队列满了，即使在队列前面仍有空间也不能插入下一个元素。但是使用循环队列线性数据结构，可利用这些空间去存储新的值。通过将环境数据至第一FIFO缓存队列中，将优化视频数据加入至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，可以有效提高数据序列化的速率，有效利用ZETA网关模块的多线程系统资源，保障数据通信的连续性和稳定性。需要说明的是，ZETA节点模块包括传感器采集模块和图像采集模块，传感器采集模块用于采集环境数据，加入环境数据至第一FIFO缓存队列中，并通过ZETA-H协议发送至ZETA网关模块；图像采集模块用于采集农作物生长视频数据，加入农作物生长视频数据至第二FIFO缓存队列中，并通过ZETA-H协议发送至ZETA网关模块，传感器采集模块和图像采集模块的FIFO缓存队列独立工作，互不影响。另外，FIFO的工作原理为本领域技术人员可知的现有技术，在此不作赘述。
ZETA是完全拥有国产知识产权认证及资质的低功耗物联网通信技术标准，不会出现技术“卡脖子”问题，并且由于“低功耗、泛连接、低成本、广覆盖、强安全”等特点，特别适用于农业场景。ZETA信号覆盖距离理论可达15km，ZETA-H协议具有“Mesh自组网、大帧数据传输、资源调度、远程批量升级”的特点，无需配置自动组网，断点自愈，高健壮更稳定，功耗更低，可以实现在复杂环境中的远距离稳定传输。此外，ZETA拥有智能路由技术，智能路由由电池供电，可将网络覆盖延伸到AP(access point，接入点)信号不能到达的角落，并可以节省70％的网络部署成本。ZETA的信道带宽为0.6～120kHz，支持20bps～200kbps的传输速率，并可以通过复杂的网络机制保障数据上行100％成功率，具有超强的抗干扰性和高接收灵敏度，在干扰源等复杂环境下也能进行稳定的数据传输。对比4G、5G无线组网，ZETA不依赖于运营商网络，不产生流量费，具有巨大的成本优势。需要说明的是，ZETA的工作原理为本领域技术人员可知的现有技术，在此不作赘述。
根据本发明实施例的温室大棚的物联网数据采集方法，通过对农作物生长视频数据进行优化处理，删除相似度高的多余帧和预设算法类型的非关键帧，可以得到缩短后的优化视频数据，仅保留所需的重点帧，从而缩小视频数据占用的内存大小，避免对于相似度高的多余帧和预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。缩短后的优化视频数据的数据量小，可以保证处理后的视频清晰度。通过将环境数据加入至第一FIFO缓存队列中，将优化视频数据加入至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，可以保障数据通信的连续性和稳定性，从而实现远距离稳定数据传输。本发明实施例的温室大棚的物联网数据采集方法，能够实现远距离稳定数据传输，且成本低，还能有效提高监控视频的处理效率，并保证处理后的视频清晰度。
在本发明的一些实施例中，农作物生长视频数据包括连续的多个农作物生长图像，根据农作物生长视频数据进行优化处理，得到缩短后的优化视频数据，包括以下步骤：
根据多个农作物生长图像一一对应得到多个入侵结果，入侵结果用于表征农作物生长图像中是否存在入侵对象；
基于多个入侵结果对多个农作物生长图像进行优化处理，得到多个优化生长图像，优化生长图像的数量少于农作物生长图像的数量；
根据多个优化生长图像得到优化视频数据。
可以采用基于帧差和背景差相结合的运动目标分割算法对农作物生长图像进行计算分析，以确定农作物生长图像中是否存在入侵对象。首先利用帧间差分对运动图像进行初分割，读入相邻两个农作物生长图像，在做帧间差分之前对读入的相邻两个农作物生长图像进行光照变化干扰检测，当检测到有光照干扰时先计算光照干扰量，做相应的补偿，然后进行帧间差分运算，对差分运算的结果依次进行中值滤波、形态学滤波运算去除噪声干扰，最后做阴影检测与去除运算，获得的图片即为帧间差分算法分割的结果。对检测的结果进行初步判断，若无入侵对象存在则用当前图片来更新背景图像；通过帧间差分判断后若有入侵对象则对运动区域进行背景差分运算进一步提取完整的运动目标(入侵对象)，此时的运作目标中可能满足我们需要的人体或其他野生动物目标，背景差分的过程与帧间差分类似，在做背景差分之前先进行光照干扰检测与去除处理，然后依次对背景差分后的图像进行中值滤波、形态学滤波、阴影检测与去除处理，最后获得的差分结果即为完整的运动目标。
需要说明的是，运动目标分割算法为本领域技术人员可知的现有技术，在此不作详细说明。
删除农作物生长视频数据中相似度高的多余帧和预设算法类型的非关键帧，可以得到缩短后的优化视频数据，仅保留所需的重点帧，从而缩小视频数据占用的内存大小，避免对于相似度高的多余帧和预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。缩短后的优化视频数据的数据量小，可以保证处理后的视频清晰度。
在本发明的一些实施例中，基于多个入侵结果对多个农作物生长图像进行优化处理，得到多个优化生长图像，包括以下步骤：
依次确定多个农作物生长图像的入侵结果，若入侵结果表征农作物生长图像中存在入侵对象，将农作物生长图像记作第一原始图像，若入侵结果表征农作物生长图像中不存在入侵对象，将农作物生长图像记作第二原始图像；
根据所有第一原始图像进行非关键帧删减处理，得到多个第一子优化图像；
根据所有第二原始图像进行相似性删减处理，得到多个第二子优化图像；
根据多个第一子优化图像和多个第二子优化图像得到多个优化生长图像。
若检测到第一原始图像中有入侵对象，入侵对象有可能是人在进行偷盗或野生动物在进行入侵破坏，也可能是干扰信号造成的，预设类型为异常目标对象(即人或动物)。若入侵对象的对象类型为干扰信号，则该第一原始图像属于预设算法类型(如计算人体入侵和常见野生动物入侵的算法)的非关键帧，可以将对应的第一原始图像进行删减；若入侵对象的对象类型为异常目标对象(即人或动物)，则该第一原始图像属于预设算法类型(如计算人体入侵和常见野生动物入侵的算法)的关键帧，需要保留对应的第一原始图像。通过删除第一原始图像中预设算法类型(如计算人体入侵和常见野生动物入侵的算法)的非关键帧，从而减少第一原始图像的数量，得到删减后的多个第一子优化图像。
若存在连续的多个第二原始图像，则表示农作物生长图像中没有入侵对象，而农作物生长的变化速度很慢，所以在两个变化状态之间的监控视频可能都是没用的，因为看不出作物的变化，所以通过舍弃第二原始图像中相似度高的多余帧来缩小视频数据占用的内存大小，避免对于相似度高的多余帧的计算资源浪费，可以有效提高监控视频的处理效率。
通过将多个第一子优化图像和多个第二子优化图像依次按原本顺序序列化后写入Q.front队列，可以生成新序列化的优化视频数据，避免对于相似度高的多余帧和预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。缩短后的优化视频数据的数据量小，可以保证处理后的视频清晰度。
在本发明的一些实施例中，根据所有第一原始图像进行非关键帧删减处理，得到多个第一子优化图像，包括以下步骤：
提取所有第一原始图像中的入侵对象，并确定入侵对象的对象类型；
根据对象类型和预设类型对所有第一原始图像进行非关键帧删减处理，得到多个第一子优化图像。
具体的入侵对象提取过程参考上述对运动目标分割算法的说明，在此不再进行赘述。提取入侵对象后，以预设类型为人体入侵为例，基于图像的人体识别基本思想是先建立人体模型，然后通过各种算法从图像中找出与人体模型最匹配的区域，根据匹配的程度来确定该区域是否为人体目标。基于几何特征的人体目标识别就是根据运动人体的几何特征参量建立模型，然后对运动区域的几何特征进行分析，将其与运动人体的几何特征匹配来完成人体识别工作。在本发明的一些实施例中，建立了4种人体模型如下：
1、人体高宽比(Lthwth_ratio)模型
通过对监控视频中人体运动区域的高度与宽度比值进行统计、分析和计算，得到了人体运动区域的高宽比的统计分布，大量实验结果显示，其概率密度函数服从于高斯分布，即Lthwth_ratio～N(μ，σ2)，其中μ为均值，σ为标准差。根据正太分布3σ原则，正态分布在(μ+3σ，μ-3σ)以外的取值概率不到0.3％，几乎不可能发生，称为小概率事件，则可以将运动区域高宽比满足|Lthwth_ratio-μ|<3σ作为该区域有人体运动的一个必要条件。
2、图像与运动区域面积比(area_ratio)模型
通过对监控视频中图像面积与运动人体区域面积的比值进行统计、分析和计算，得出图像与运动区域面积比area_ratio的分布规律。area_ratio取值的分布和运动区域高度与图片高度比pichHratio密切相关，当人体距离摄像机比较远时，pichHratio的取值偏小，人体在摄像机中所占的面积也偏小，area_ratio的取值自然偏大；相反，当人体距离摄像机比较近时，pichHratio的取值偏大，人体在摄像机中所占的面积也偏大，area_ratia的取值自然偏小。
针对pichHratio>0.5与pichHratio<0.5两种情况进行统计分析，归纳了两种情况下图像与运动区域面积比参量area_ratio和图像与人体面积比的匹配程度area_match之间的函数关系，它们近似服从正态分布，即area_match～N(x，2)。根据正太分布3σ原则，可以将图像与运动区域面积比满足|area_ratio-μ|<3σ作为该区域有人体运动的一个必要条件。
3、人体重心相对高度(humanhH_ratio)模型
通过对监控视频中人体重心高度与人体高度的比值进行分析、统计和计算，得出人体重心相对高度humanhH_ratio的分布规律。大量实验数据显示，人体重心相对人体的高度humanhH_ratio近似服从高斯分布，即humanhH_ratio～N(μ，σ2)，其中μ为人体重心相对人体高度的均值，σ为标准差。根据正太分布3σ原则，可以将运动区域重心相对高度满足|humanhH_ratio-μ|<3σ作为该区域有人体运动的一个必要条件。
4、人体运动速度模型
在室外环境里，成人的平均行走速度为1.5m/s左右，在视频监控中，可以利用运动目标的行动速度对行人做一个筛选，设置运动目标的预设速度阈值为V0，当V>V0时，运动区域变化的速度过大，认为是干扰信号；当V<V0时，运动区域的变化速度在行人正常的行走速度范围内，需要对运动区域做进一步的识别。
运动区域的速度可以通过重心坐标的位移计算得到，设相邻两帧图片中运动区域的重心坐标分别为(gx1，gy1)，(gx2，gy2)，两帧图片之间的时间间隔为DT，则可以得出运动区域的速度公式：
通过大量实验数据可以得知行人的运动速度在2m/s以内，则可以设置预设速度阈值为2m/s。
当入侵对象的运动速度小于预设速度阈值，对近似服从正太分布的三个几何特征参量：人体高宽比、图像与运动区域面积比、人体重心相对高度进行判断，若三个特征参量同时满足公式：μ-2σ<X≤μ+2σ，则直接判断该运动区域有人体出现。
需要说明的是，对象类型为动物或其他未知运动体的情况与人的类似，在此不作详细说明。
若检测到第一原始图像中有入侵对象，入侵对象有可能是人在进行偷盗或野生动物在进行入侵破坏，也可能是干扰信号造成的，预设类型为异常目标对象(即人或动物)。若入侵对象的对象类型为干扰信号，则该第一原始图像属于预设算法类型(如计算人体入侵和常见野生动物入侵的算法)的非关键帧，可以将对应的第一原始图像进行删减；若入侵对象的对象类型为异常目标对象(即人或动物)，则该第一原始图像属于预设算法类型(如计算人体入侵和常见野生动物入侵的算法)的关键帧，需要保留对应的第一原始图像。通过删除第一原始图像中预设算法类型(如计算人体入侵和常见野生动物入侵的算法)的非关键帧，从而减少第一原始图像的数量，得到删减后的多个第一子优化图像，缩小占用内存大小，避免对于预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。
在本发明的一些实施例中，对象类型由以下步骤确定得到：
获取入侵对象的运动速度；
若运动速度大于等于预设速度阈值，将对象类型确定为干扰信号；
若运动速度小于预设速度阈值，将对象类型确定为异常目标对象。
预设速度阈值表征人或动物的平均行走速度，若入侵对象的运动速度大于等于预设速度阈值，则表示运动速度过大，可以确定是干扰信号。若入侵对象的运动速度小于预设速度阈值，则可以认为入侵对象为人或动物，有被偷盗和野生动物入侵破坏的可能。需要说明的是，具体的预设速度阈值需要根据实际情况确定，在此不作限定。
异常目标对象包括人、动物、其他未知运动体，以异常目标对象为人为例，若运动速度小于预设速度阈值，对近似服从正太分布的三个几何特征参量：人体高宽比、图像与运动区域面积比、人体重心相对高度进行判断，若三个特征参量同时满足公式：μ-2σ<X≤μ+2σ，则直接判断该运动区域有人体出现。其中，X为人体高宽比、图像与运动区域面积比或人体重心相对高度，μ为对应参量正太分布的均值，σ为对应参量正太分布的标准差。
需要说明的是，异常目标对象为动物或其他未知运动体的情况与人的类似，在此不作详细说明。
在本发明的一些实施例中，根据对象类型和预设类型对所有第一原始图像进行非关键帧删减处理，得到多个第一子优化图像，包括以下步骤：
保留对象类型为异常目标对象的所有第一原始图像中，符合预设类型对应关键帧的第一原始图像；
若存在连续的多个对象类型为干扰信号或不符合预设类型对应关键帧的第一原始图像，且数量大于等于预设舍弃阈值，每连续的预设舍弃阈值个第一原始图像中保留最后一个第一原始图像；
若存在连续的多个对象类型为干扰信号或不符合预设类型对应关键帧的第一原始图像，且数量小于预设舍弃阈值，皆保留；
将保留的第一原始图像记为第一子优化图像，得到多个第一子优化图像。
预设类型为异常目标对象，对应的算法为计算人体入侵和常见野生动物入侵的算法。如图5所示，以预设舍弃阈值为5为例，正常摄像图传输为25fps，农作物生长视频数据首先进入FIFO环形缓存区，在环形缓存区存放了25帧农作物生长图像，将对象类型为干扰信号和不符合预设类型对应关键帧的第一原始图像皆记为false，将符合预设类型对应关键帧的第一原始图像记为true，每5帧连续false舍弃4帧第一原始图像，保留所有为true的第一原始图像，得到多个第一子优化图像。
在本发明的一些实施例中，根据所有第二原始图像进行相似性删减处理，得到多个第二子优化图像，包括以下步骤：
若存在连续的多个第二原始图像且连续的第二原始图像的数量大于等于预设舍弃阈值，每连续的预设舍弃阈值个第二原始图像中保留最后一个第二原始图像；
若连续的第二原始图像的数量小于预设舍弃阈值，皆保留；
将保留的第二原始图像记为第二子优化图像，得到多个第二子优化图像。
若存在连续的多个第二原始图像，则表示农作物生长图像中没有入侵对象，而农作物生长的变化速度很慢，所以在两个变化状态之间的监控视频可能都是没用的，因为看不出作物的变化，所以通过舍弃第二原始图像中相似度高的多余帧来缩小视频数据占用的内存大小，避免对于相似度高的多余帧的计算资源浪费，可以有效提高监控视频的处理效率。
如图5所示，以预设舍弃阈值为5，所有农作物生长图像皆为第二原始图像为例，正常摄像图传输为25fps，农作物生长视频数据首先进入FIFO环形缓存区，在环形缓存区存放了25帧第二原始图像，此时25帧图像对象关系数据库关系映射表为1到25帧第二原始图像的入侵结果都表征不存在入侵对象(false)，则按每5帧连续false舍弃4帧第二原始图像的规则，保留初始的第1帧、以及第5帧、第10帧、第15帧、第20帧、第25帧，得到多个第二子优化图像。
将多个第一子优化图像和多个第二子优化图像依次按原本顺序序列化后写入Q.front队列，生成新序列化的优化视频数据。
根据本发明的第二方面实施例的温室大棚的物联网数据采集系统，包括数据采集单元、优化处理单元、数据传输单元。数据采集单元，用于采集环境数据和农作物生长视频数据；优化处理单元，用于根据农作物生长视频数据进行优化处理，得到缩短后的优化视频数据，以删除相似度高的多余帧和预设算法类型的非关键帧；数据传输单元，用于加入环境数据至第一FIFO缓存队列中，加入优化视频数据至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，以通过ZETA网关模块实现数据网关本地存储和发送环境数据和优化视频数据至远程监控端。
由于温室大棚的物联网数据采集系统采用了上述实施例的温室大棚的物联网数据采集方法的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果。
根据本发明实施例的温室大棚的物联网数据采集系统，通过对农作物生长视频数据进行优化处理，删除相似度高的多余帧和预设算法类型的非关键帧，可以得到缩短后的优化视频数据，仅保留所需的重点帧，从而缩小视频数据占用的内存大小，避免对于相似度高的多余帧和预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。缩短后的优化视频数据的数据量小，可以保证处理后的视频清晰度。通过将环境数据加入至第一FIFO缓存队列中，将优化视频数据加入至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，可以保障数据通信的连续性和稳定性，从而实现远距离稳定数据传输。本发明实施例的温室大棚的物联网数据采集系统，能够实现远距离稳定数据传输，且成本低，还能有效提高监控视频的处理效率，并保证处理后的视频清晰度。
根据本发明的第三方面实施例的温室大棚的物联网数据采集装置，包括ZETA节点模块和ZETA网关模块。ZETA节点模块，用于采集环境数据和农作物生长视频数据，根据农作物生长视频数据进行优化处理，得到缩短后的优化视频数据，以删除相似度高的多余帧和预设算法类型的非关键帧，加入环境数据至第一FIFO缓存队列中，加入优化视频数据至第二FIFO缓存队列中，并分别通过ZETA-H协议发送出去；ZETA网关模块，用于通过ZETA-H协议接收环境数据和优化视频数据，以实现数据网关本地存储和发送环境数据和优化视频数据至远程监控端。
如图2所示，ZETA节点模块包括传感器采集模块和图像采集模块，传感器采集模块用于采集环境数据，图像采集模块用于采集农作物生长视频数据。图像采集模块包括摄像头模组和无线通信模块，无线通信模块的核心片采用ZTG1323B，摄像头模组的核心片可以采用海思Hi3616A芯片，利用海思提供的媒体处理平台(MPP)采集高清摄像头感应到的农作物生长视频数据，根据农作物生长视频数据进行优化处理并进行压缩编码，最后基于ZETA-H协议发送给ZETA网关模块。如图4所示，MPP包括视频输入(VI)、视频处理(VPSS)、视频编码(VENC)、视频解码(VDEC)、视频输出(VO)、视频侦测分析(VDA)、区域管理(REGION)，本发明实施例用到的包括VI、VPSS、VENC和REGION，具体的工作原理和过程为本领域技术人员可知的现有技术，在此不作赘述。
ZETA网关模块包括网关主控模块、数据收发模块和EMMC存储模块，网关主控模块的核心采用RK3568，利用RK3568丰富的GPIO口和多线程资源，通过驱动多路数据收发模块可支持多路海思Hi3616A的农作物生长视频数据和环境数据采集。网关主控模块基于OpenHarmony内核实现Sqlite数据库，接收到的环境数据存储到Sqlite数据库，可根据信息分类生成专用数据库，实现本地查询修改等功能。农作物生长视频数据存储到EMMC存储模块，EMMC存储模块可以满足视频存储和扩展的需求。数据收发模块的核心片采用ZTG1323B，功耗低，性能好。
需要说明的是，上述提到的所有器件的具体型号皆不能看作是对本发明的限定，可以根据实际情况进行型号选择。
在一些实施例中，ZETA网关模块还提供HDMI高清接口，可外接高清大屏，以图形化展示环境数据和农作物生长视频数据。
在一些实施例中，ZETA节点模块和ZETA网关模块之间实现自动重发功能，判断发射端与接收端是否成功握手，以保障数据的连续性，具体过程为本领域技术人员可知的现有技术，在此不再对其工作原理进行赘述。
在一些实施例中，为保障数据收发模块的接收机稳定工作，可以使用晶体振荡器配合数据收发模块，为锁相环提供基准时钟。
根据本发明实施例的温室大棚的物联网数据采集装置，通过对农作物生长视频数据进行优化处理，删除相似度高的多余帧和预设算法类型的非关键帧，可以得到缩短后的优化视频数据，仅保留所需的重点帧，从而缩小视频数据占用的内存大小，避免对于相似度高的多余帧和预设算法类型的非关键帧的计算资源浪费，可以有效提高监控视频的处理效率。缩短后的优化视频数据的数据量小，可以保证处理后的视频清晰度。通过将环境数据加入至第一FIFO缓存队列中，将优化视频数据加入至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，可以保障数据通信的连续性和稳定性，从而实现远距离稳定数据传输。本发明实施例的温室大棚的物联网数据采集装置，能够实现远距离稳定数据传输，且成本低，还能有效提高监控视频的处理效率，并保证处理后的视频清晰度。
另外，本发明的一个实施例还提供了一种控制装置，该控制装置包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序。处理器和存储器可以通过总线或者其他方式连接。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的温室大棚的物联网数据采集方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的温室大棚的物联网数据采集方法。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
此外，本发明第四方面实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个处理器或控制器执行，例如，被上述控制装置的处理器执行，可使得上述处理器执行上述实施例中的温室大棚的物联网数据采集方法。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (4)

1.一种温室大棚的物联网数据采集方法，其特征在于，包括以下步骤：
获取环境数据和农作物生长视频数据，所述农作物生长视频数据包括连续的多个农作物生长图像；
根据多个所述农作物生长图像一一对应得到多个入侵结果，所述入侵结果用于表征所述农作物生长图像中是否存在入侵对象；
依次确定多个所述农作物生长图像的所述入侵结果，若所述入侵结果表征所述农作物生长图像中存在所述入侵对象，将所述农作物生长图像记作第一原始图像，若所述入侵结果表征所述农作物生长图像中不存在所述入侵对象，将所述农作物生长图像记作第二原始图像；
提取所有所述第一原始图像中的所述入侵对象，并确定所述入侵对象的对象类型，所述对象类型由以下步骤确定得到：获取所述入侵对象的运动速度，若所述运动速度大于等于预设速度阈值，将所述对象类型确定为干扰信号，若所述运动速度小于所述预设速度阈值，将所述对象类型确定为异常目标对象；
保留所述对象类型为所述异常目标对象的所有所述第一原始图像中，符合所述预设类型对应关键帧的所述第一原始图像；
若存在连续的多个所述对象类型为所述干扰信号或不符合所述预设类型对应关键帧的所述第一原始图像，且数量大于等于预设舍弃阈值，每连续的所述预设舍弃阈值个所述第一原始图像中保留最后一个所述第一原始图像；
若存在连续的多个所述对象类型为所述干扰信号或不符合所述预设类型对应关键帧的所述第一原始图像，且数量小于所述预设舍弃阈值，皆保留；
将保留的所述第一原始图像记为第一子优化图像，得到多个所述第一子优化图像；
若存在连续的多个所述第二原始图像且连续的所述第二原始图像的数量大于等于预设舍弃阈值，每连续的所述预设舍弃阈值个所述第二原始图像中保留最后一个所述第二原始图像；
若连续的所述第二原始图像的数量小于所述预设舍弃阈值，皆保留；
将保留的所述第二原始图像记为第二子优化图像，得到多个所述第二子优化图像；
根据多个所述第一子优化图像和多个所述第二子优化图像得到多个优化生长图像；
根据多个所述优化生长图像得到优化视频数据；
加入所述环境数据至第一FIFO缓存队列中，加入所述优化视频数据至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，以通过所述ZETA网关模块实现数据网关本地存储和发送所述环境数据和所述优化视频数据至远程监控端，所述第一FIFO缓存队列和所述第二FIFO缓存队列皆采用循环队列线性数据结构。
2.一种温室大棚的物联网数据采集系统，其特征在于，包括：
数据采集单元，用于采集环境数据和农作物生长视频数据，所述农作物生长视频数据包括连续的多个农作物生长图像；
入侵结果确定单元，用于根据多个所述农作物生长图像一一对应得到多个入侵结果，所述入侵结果用于表征所述农作物生长图像中是否存在入侵对象；
原始图像区分单元，用于依次确定多个所述农作物生长图像的所述入侵结果，若所述入侵结果表征所述农作物生长图像中存在所述入侵对象，将所述农作物生长图像记作第一原始图像，若所述入侵结果表征所述农作物生长图像中不存在所述入侵对象，将所述农作物生长图像记作第二原始图像；
对象类型确定单元，用于提取所有所述第一原始图像中的所述入侵对象，并确定所述入侵对象的对象类型，所述对象类型由以下步骤确定得到：获取所述入侵对象的运动速度，若所述运动速度大于等于预设速度阈值，将所述对象类型确定为干扰信号，若所述运动速度小于所述预设速度阈值，将所述对象类型确定为异常目标对象；
第一图像处理单元，用于保留所述对象类型为所述异常目标对象的所有所述第一原始图像中，符合所述预设类型对应关键帧的所述第一原始图像；
第二图像处理单元，用于若存在连续的多个所述对象类型为所述干扰信号或不符合所述预设类型对应关键帧的所述第一原始图像，且数量大于等于预设舍弃阈值，每连续的所述预设舍弃阈值个所述第一原始图像中保留最后一个所述第一原始图像；
第三图像处理单元，用于若存在连续的多个所述对象类型为所述干扰信号或不符合所述预设类型对应关键帧的所述第一原始图像，且数量小于所述预设舍弃阈值，皆保留；
第一子优化图像确定单元，用于将保留的所述第一原始图像记为第一子优化图像，得到多个所述第一子优化图像；
第四图像处理单元，用于若存在连续的多个所述第二原始图像且连续的所述第二原始图像的数量大于等于预设舍弃阈值，每连续的所述预设舍弃阈值个所述第二原始图像中保留最后一个所述第二原始图像；
第五图像处理单元，用于若连续的所述第二原始图像的数量小于所述预设舍弃阈值，皆保留；
第二子优化图像确定单元，用于将保留的所述第二原始图像记为第二子优化图像，得到多个所述第二子优化图像；
优化生长图像确定单元，用于根据多个所述第一子优化图像和多个所述第二子优化图像得到多个优化生长图像；
优化视频数据确定单元，用于根据多个所述优化生长图像得到优化视频数据；
数据传输单元，用于加入所述环境数据至第一FIFO缓存队列中，加入所述优化视频数据至第二FIFO缓存队列中，并分别通过ZETA-H协议发送至ZETA网关模块，以通过所述ZETA网关模块实现数据网关本地存储和发送所述环境数据和所述优化视频数据至远程监控端，所述第一FIFO缓存队列和所述第二FIFO缓存队列皆采用循环队列线性数据结构。
3.一种温室大棚的物联网数据采集装置，其特征在于，包括：
ZETA节点模块，用于采集环境数据和农作物生长视频数据，所述农作物生长视频数据包括连续的多个农作物生长图像；根据多个所述农作物生长图像一一对应得到多个入侵结果，所述入侵结果用于表征所述农作物生长图像中是否存在入侵对象；依次确定多个所述农作物生长图像的所述入侵结果，若所述入侵结果表征所述农作物生长图像中存在所述入侵对象，将所述农作物生长图像记作第一原始图像，若所述入侵结果表征所述农作物生长图像中不存在所述入侵对象，将所述农作物生长图像记作第二原始图像；提取所有所述第一原始图像中的所述入侵对象，并确定所述入侵对象的对象类型，所述对象类型由以下步骤确定得到：获取所述入侵对象的运动速度，若所述运动速度大于等于预设速度阈值，将所述对象类型确定为干扰信号，若所述运动速度小于所述预设速度阈值，将所述对象类型确定为异常目标对象；保留所述对象类型为所述异常目标对象的所有所述第一原始图像中，符合所述预设类型对应关键帧的所述第一原始图像；若存在连续的多个所述对象类型为所述干扰信号或不符合所述预设类型对应关键帧的所述第一原始图像，且数量大于等于预设舍弃阈值，每连续的所述预设舍弃阈值个所述第一原始图像中保留最后一个所述第一原始图像；若存在连续的多个所述对象类型为所述干扰信号或不符合所述预设类型对应关键帧的所述第一原始图像，且数量小于所述预设舍弃阈值，皆保留；将保留的所述第一原始图像记为第一子优化图像，得到多个所述第一子优化图像；若存在连续的多个所述第二原始图像且连续的所述第二原始图像的数量大于等于预设舍弃阈值，每连续的所述预设舍弃阈值个所述第二原始图像中保留最后一个所述第二原始图像；若连续的所述第二原始图像的数量小于所述预设舍弃阈值，皆保留；将保留的所述第二原始图像记为第二子优化图像，得到多个所述第二子优化图像；根据多个所述第一子优化图像和多个所述第二子优化图像得到多个优化生长图像；根据多个所述优化生长图像得到优化视频数据；加入所述环境数据至第一FIFO缓存队列中，加入所述优化视频数据至第二FIFO缓存队列中，并分别通过ZETA-H协议发送出去，所述第一FIFO缓存队列和所述第二FIFO缓存队列皆采用循环队列线性数据结构；
ZETA网关模块，用于通过所述ZETA-H协议接收所述环境数据和所述优化视频数据，以实现数据网关本地存储和发送所述环境数据和所述优化视频数据至远程监控端。
4.一种计算机可读存储介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令用于执行如权利要求1所述的物联网数据采集方法。
CN202310145653.8A 2023-02-21 2023-02-21 温室大棚的物联网数据采集方法、系统、装置及介质 Active CN116260842B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310145653.8A CN116260842B (zh) 2023-02-21 2023-02-21 温室大棚的物联网数据采集方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310145653.8A CN116260842B (zh) 2023-02-21 2023-02-21 温室大棚的物联网数据采集方法、系统、装置及介质

Publications (2)

Publication Number Publication Date
CN116260842A CN116260842A (zh) 2023-06-13
CN116260842B true CN116260842B (zh) 2024-01-23

Family

ID=86678901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310145653.8A Active CN116260842B (zh) 2023-02-21 2023-02-21 温室大棚的物联网数据采集方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN116260842B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780323A (zh) * 2016-11-23 2017-05-31 湖北大学 一种基于智能手机的农情采集与实时更新方法及系统
CN108391098A (zh) * 2018-04-28 2018-08-10 广州泽霖信息科技有限公司 物联网实验装置
CN109495566A (zh) * 2018-11-15 2019-03-19 合肥思博特软件开发有限公司 一种用于农业监测的物联网系统
CN109544892A (zh) * 2018-12-04 2019-03-29 四川奥地建筑设计有限公司 一种智慧农业物联网网关系统
CN110661793A (zh) * 2019-09-19 2020-01-07 广芯微电子（广州）股份有限公司 一种基于zeta的文物保护系统
CN110913012A (zh) * 2019-12-05 2020-03-24 金陵科技学院 一种基于农业物联网的高速并行数据的处理方法
KR20210158094A (ko) * 2020-06-23 2021-12-30 김수진 스마트팜 시스템 및 그의 동작 방법
CN114998335A (zh) * 2022-08-02 2022-09-02 江苏三棱智慧物联发展股份有限公司 物联网视频监控系统及其监控方法
EP4054171A1 (en) * 2019-10-30 2022-09-07 Sony Group Corporation Information processing system, information processing method, imaging device, and information processing device
CN115328233A (zh) * 2022-09-13 2022-11-11 湖南化工职业技术学院（湖南工业高级技工学校） 一种温室大棚环境智能调节管理系统
CN115379150A (zh) * 2022-10-25 2022-11-22 广州艾米生态人工智能农业有限公司 可远程自动化生成水稻生长过程动态视频的系统和方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10942767B2 (en) * 2018-02-27 2021-03-09 Microsoft Technology Licensing, Llc Deep neural network workload scheduling

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106780323A (zh) * 2016-11-23 2017-05-31 湖北大学 一种基于智能手机的农情采集与实时更新方法及系统
CN108391098A (zh) * 2018-04-28 2018-08-10 广州泽霖信息科技有限公司 物联网实验装置
CN109495566A (zh) * 2018-11-15 2019-03-19 合肥思博特软件开发有限公司 一种用于农业监测的物联网系统
CN109544892A (zh) * 2018-12-04 2019-03-29 四川奥地建筑设计有限公司 一种智慧农业物联网网关系统
CN110661793A (zh) * 2019-09-19 2020-01-07 广芯微电子（广州）股份有限公司 一种基于zeta的文物保护系统
EP4054171A1 (en) * 2019-10-30 2022-09-07 Sony Group Corporation Information processing system, information processing method, imaging device, and information processing device
CN110913012A (zh) * 2019-12-05 2020-03-24 金陵科技学院 一种基于农业物联网的高速并行数据的处理方法
KR20210158094A (ko) * 2020-06-23 2021-12-30 김수진 스마트팜 시스템 및 그의 동작 방법
CN114998335A (zh) * 2022-08-02 2022-09-02 江苏三棱智慧物联发展股份有限公司 物联网视频监控系统及其监控方法
CN115328233A (zh) * 2022-09-13 2022-11-11 湖南化工职业技术学院（湖南工业高级技工学校） 一种温室大棚环境智能调节管理系统
CN115379150A (zh) * 2022-10-25 2022-11-22 广州艾米生态人工智能农业有限公司 可远程自动化生成水稻生长过程动态视频的系统和方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"A key frame extraction method for processing greenhouse vegetables production monitoring video";Ma, JC等;《Computers and Electronics in Agriculture》;全文 *
"基于视频监测的作物病害识别";孙云云;《中国优秀硕士学位论文全文数据库》;全文 *
基于物联网的粮情监控系统中入侵检测研究;宋雪桦;汪盼;邓壮来;解晖;;安庆师范大学学报(自然科学版)(01);全文 *
最优距离聚类和特征融合表达的关键帧提取;孙云云;江朝晖;单桂朋;刘海秋;饶元;;南京理工大学学报(04);全文 *
蔬菜病害识别诊断与预警物联网技术研究与应用;张领先;李鑫星;;蔬菜(08);全文 *

Also Published As

Publication number Publication date
CN116260842A (zh) 2023-06-13

Similar Documents

Publication Publication Date Title
CN109872341B (zh) 一种基于计算机视觉的高空抛物检测方法与系统
CN108109385B (zh) 一种输电线防外破的车辆识别与危险行为判别系统与方法
Hengstler et al. Mesheye: a hybrid-resolution smart camera mote for applications in distributed intelligent surveillance
US7869935B2 (en) Method and system for detecting traffic information
EP4261778A1 (en) Posture estimation method related apparatus
US20070003146A1 (en) Information-based self-organization of sensor nodes of a sensor network
CN103716584A (zh) 基于上下文感知的智能移动终端现场监测方法
CN111462155B (zh) 移动侦测方法、装置、计算机设备和存储介质
CN102034240A (zh) 一种静态前景检测和跟踪方法
CN205232359U (zh) 一种人流量估计电子设备
WO2018176162A1 (en) Unusual motion detection method and system
CN109948474A (zh) Ai热成像全天候智能监控方法
CN115393681A (zh) 一种目标融合方法、装置、电子设备及存储介质
US20200250945A1 (en) Intrusion detection methods and devices
CN111241928A (zh) 人脸识别底库优化方法、系统、设备、可读存储介质
JP2021013146A (ja) 画像処理装置、画像処理方法
CN116260842B (zh) 温室大棚的物联网数据采集方法、系统、装置及介质
CN108009491A (zh) 一种解决快速背景运动中的目标物识别方法及系统
CN111402301A (zh) 积水检测方法及装置、存储介质及电子装置
US20240048672A1 (en) Adjustment of shutter value of surveillance camera via ai-based object recognition
CN114724378B (zh) 一种基于深度学习的车辆追踪统计系统及方法
US20210329285A1 (en) Image processing apparatus, image processing method, and non-transitory computer-readable storage medium
CN114299451A (zh) 一种深度学习监控视频遮挡的识别系统及方法
CN110913333B (zh) 一种基于Wi-Fi探针的户外人流量告警方法
CN214256471U (zh) 一种基于无线通信与智能网关的农业图像传输系统

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