CN116295662B - 作物生长状态的监测方法、装置、电子设备及介质 - Google Patents
作物生长状态的监测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116295662B CN116295662B CN202310581572.2A CN202310581572A CN116295662B CN 116295662 B CN116295662 B CN 116295662B CN 202310581572 A CN202310581572 A CN 202310581572A CN 116295662 B CN116295662 B CN 116295662B
- Authority
- CN
- China
- Prior art keywords
- result
- crop
- target area
- abnormal
- prediction
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 145
- 238000012795 verification Methods 0.000 claims abstract description 74
- 241000607479 Yersinia pestis Species 0.000 claims description 54
- 201000010099 disease Diseases 0.000 claims description 46
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 46
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 38
- 238000003973 irrigation Methods 0.000 claims description 21
- 230000002262 irrigation Effects 0.000 claims description 21
- 239000001569 carbon dioxide Substances 0.000 claims description 19
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 19
- 241000238631 Hexapoda Species 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 18
- 235000013619 trace mineral Nutrition 0.000 claims description 18
- 239000011573 trace mineral Substances 0.000 claims description 18
- 230000005856 abnormality Effects 0.000 claims description 16
- 230000007812 deficiency Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 239000003337 fertilizer Substances 0.000 claims description 8
- 239000007921 spray Substances 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 239000002917 insecticide Substances 0.000 claims description 6
- 239000004576 sand Substances 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 235000013601 eggs Nutrition 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000012806 monitoring device Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000009546 growth abnormality Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明提供一种作物生长状态的监测方法、装置、电子设备及介质,涉及作物生长监测领域,该方法包括:在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的;接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息。本发明通过将作物生长预测系统与机器人现场勘验相结合,提高了预设监测终端所获取的预测结果的准确性,从而降低了工作人员的管理负担,提高了监测效率。
Description
技术领域
本发明涉及作物生长监测领域,尤其涉及一种作物生长状态的监测方法、装置、电子设备及介质。
背景技术
通常,采用神经网络模型对作物生长的日常监测数据进行预测,会出现误报的情况,管控人员到现场查验误报不仅会增加管控人员的工作负担,还会对相关监测设备产生不信任,从而导致设备的大量闲置,严重制约了设施农业的智能化发展。
发明内容
本发明提供一种作物生长状态的监测方法、装置、电子设备及介质,用以解决现有技术中作物生长预测不准确的技术缺陷,提供了一种基于机器人对产生异常预测的区域进行二次核验,以提高监测精度的技术方案。
第一方面,本发明提供了一种作物生长状态的监测方法,包括:
在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的;
接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息。
根据本发明提供的作物生长状态的监测方法,在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,所述方法还包括:
获取每一目标区域的作物采集数据;
对于每一作物采集数据,根据作物生长预测系统处理所述作物采集数据,生成作物预测结果,所述作物预测结果包括异常预测结果或正常监测结果;
所述作物采集数据包括作物生长数据以及作物环境数据;
所述作物生长数据包括当前作物图像、作物品种、作物生长地域以及作物生育期;
所述作物环境数据包括当前温度、当前湿度、当前灌溉量、当前光照量、当前二氧化碳指数以及当前土壤中微量元素含量。
根据本发明提供的作物生长状态的监测方法,所述作物生长预测系统包括预设虫害预测模型、预设病害预测模型以及预设生长模型;
其中,所述根据作物生长预测系统处理所述作物采集数据,生成作物预测结果,包括:
输入所述作物环境数据至预设虫害预测模型,获取所述预设虫害预测模型输出的虫害预测结果,输入所述作物环境数据至预设病害预测模型,获取所述预设病害预测模型输出的病害预测结果,输入所述当前作物图像至预设生长模型,获取所述预设生长模型输出的状态预测结果;
根据所述虫害预测结果、所述病害预测结果以及所述状态预测结果确定作物预测结果;
所述预设虫害预测模型是根据所述作物品种、所述作物生长地域以及所述作物生育期确定所有虫害类型,并根据每一虫害类型从虫卵成长至成虫所需的生长环境数据作为第一样本数据训练而确定的;
所述预设病害预测模型是根据所述作物品种、所述作物生长地域以及所述作物生育期确定所有病害类型,并根据每一病害类型发生所需的环境条件参数作为第二样本数据训练而确定的;
所述预设生长模型是将根据所述作物品种、所述作物生长地域、所述作物生育期所确定的作物生长期内每日的样本生长图片、样本灌溉量、样本光照量、样本二氧化碳指数以及样本土壤中微量元素含量作为第三样本数据训练而确定的。
根据本发明提供的作物生长状态的监测方法,在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,所述方法还包括:
确定以所述目标区域为中心,以预设长度为半径的预设范围内,所有处于空闲状态的待作业机器人;
确定与所述目标区域的直线距离最短的待作业机器人为目标机器人;
向所述目标机器人发送所述调用指令;
所述调用指令用于指示目标机器人行驶至目标区域,确定所述异常预测结果中存在异常的虫害预测结果,和/或,存在异常的病害预测结果,和/或,存在异常的状态预测结果进行核验,生成所述核验监测结果。
根据本发明提供的作物生长状态的监测方法,所述异常预测结果包括目标虫害结果、目标病害结果、光照不足异常结果、灌溉不足异常结果、二氧化碳指数异常结果、土壤中微量元素含量异常结果以及环境温湿度指数异常结果中的至少一种。
根据本发明提供的作物生长状态的监测方法,在接收核验监测结果之后,所述方法还包括:
在所述核验监测结果与所述土壤中微量元素含量异常结果相同的情况下,生成第一指示指令;
在所述核验监测结果与所述目标虫害结果相同的情况下,生成第二指示指令;
在所述核验监测结果与所述目标病害结果相同的情况下,生成第三指示指令;
在所述核验监测结果与所述光照不足异常结果相同的情况下,生成第四指示指令;
在所述核验监测结果与所述灌溉不足异常结果相同的情况下,生成第五指示指令;
在所述核验监测结果与所述二氧化碳指数异常结果相同的情况下,生成第六指示指令;
在所述核验监测结果与所述环境温湿度指数异常结果相同的情况下,生成第七指示指令;
所述第一指示指令用于指示向目标区域施料肥,所述第二指示指令用于指示向目标区域喷洒目标虫害对应的杀虫剂,所述第三指示指令用于指示向目标区域喷洒目标病害对应的药剂,所述第四指示指令用于指示向目标区域进行补光,所述第五指示指令用于指示向目标区域灌溉,所述第六指示指令用于指示向目标区域施气肥,所述第七指示指令用于指示向目标区域进行环境控制。
根据本发明提供的作物生长状态的监测方法,在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,所述方法还包括:
获取预设时段内的气象数据;
在所述气象数据存在非晴天天气的情况下,生成第八指示指令;
所述非晴天天气至少包括雨天、雪天、雾霾天以及沙尘暴;
所述第八指示指令用于阻止所述目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验。
第二方面,提供了一种作物生长状态的监测装置,包括:
第一控制单元:用于在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的;
第二控制单元:用于接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息。
第三方面,本发明还提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的作物生长状态的监测方法。
第四方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述作物生长状态的监测方法。
本发明提供了一种作物生长状态的监测方法、装置、电子设备及介质,根据作物生长预测系统实时地对所有目标区域的作物生长数据进行采集并预测,在任一目标区域生成异常预测结果的情况下,并不直接生成警报结果发送给管控人员,而是指示目标机器人行驶至目标区域后,对目标区域的异常预测结果进行二次核验,生成所述核验监测结果,只有在所述核验监测结果与所述异常预测结果相同的情况下,才会指示向预设监测终端发送所述异常预测结果,本发明通过将作物生长预测系统与机器人现场勘验相结合,提高了预设监测终端所获取的预测结果的准确性,从而降低了工作人员的管理负担,提高了监测效率,为设施农业智能化发展奠定了夯实的基础并提供了稳定的保障。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的作物生长状态的监测方法的流程示意图之一;
图2是本发明提供的作物生长状态的监测方法的流程示意图之二;
图3是本发明提供的生成作物预测结果的流程示意图;
图4是本发明提供的作物生长状态的监测方法的流程示意图之三;
图5是本发明提供的作物生长状态的监测装置的结构示意图;
图6是本发明提供的作物生长状态的监测交互的拓扑连接图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明提供的作物生长状态的监测方法的流程示意图之一,所述作物生长状态的监测方法,包括:
步骤101、在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的;
步骤102、接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息。
在步骤101中,本发明可以间隔预设时段采集一次作物生长数据,例如,每隔30分钟或1小时,采集一次作物生长数据,本发明中的所有目标区域中均存在作物生长数据的采集设备,以使得对于所有目标区域的作物生长数据采集以及预测,所述作物生长预测系统用于对作物在生长过程中的各个数据进行分析,可选地,根据预设神经网络模型处理这些作物生长数据,并确定出可能存在异常的区域,根据所述作物生长预测系统对作物生长数据进行预测,从而获取正常预测结果以及异常预测结果,所述异常预测结果可以是病虫害发病概率的预测,干旱潮湿状态的预测,倒伏状态的预测等等。
可选地,在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的,本发明区别于现有技术中在获取异常预测结果的情况下会及时处理这些异常预测结果,在获取所述异常预测结果的情况下,会进一步地指示目标机器人行驶至目标区域后,对目标区域的异常预测结果进行核验,生成所述核验监测结果,即会安排指定机器人进入到所述目标区域,对目标区域的实时状态进行采集,例如获取目标区域的温湿度、目标区域的图像数据以及视频数据等等,通过自动分析或上传至监测系统的方式,再次对异常预测结果进行二次核验,从而确保异常预测结果的准确性。
在步骤102中,接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息,所述核验监测结果可以为确认异常预测结果预测正确的结果表征,也可以是确认异常预测结果预测错误的结果表征,在确认异常预测结果预测错误的结果表征的情况下,将直接过滤掉所述异常预测结果,不会向管控人员发送监测异常提示。
只有在所述核验监测结果为确认异常预测结果预测正确的结果表征的情况下,才会控制所述目标机器人向预设监测终端发送预测结果异常的信息,所述预设监测终端关联管控人员,如果缺少步骤102,直接将异常预测结果发送给管控人员,可能会在预测结果不够准确的情况下,导致管控人员错误的前往目标区域,以期对作物生长状态进行调整,但当看见作物处于正常生长状态时,不仅会浪费管控人员的时间,降低管控人员的工作效率,还会使得管控人员对预测系统产生不信任,尤其是对于缺少管控人员的区域,以及技术生产水平较低的区域,会直接使得这些采集设备以及预测系统处于闲置状态,从而不利于设施农业现代化以及智能化的建设,作为设施农业向智能化方向发展的过渡,本发明提供了一种二次核验异常预测结果的方案,以确保异常预测结果的准确性,提升管控人员对智能化设备的信任感。
可选地,所述异常预测结果包括目标虫害结果、目标病害结果、光照不足异常结果、灌溉不足异常结果、二氧化碳指数异常结果、土壤中微量元素含量异常结果以及环境温湿度指数异常结果中的至少一种。
可选地,所述异常预测结果可以是作物在自然生长过程中所遇到的所有可能的异常风险,本发明将通过作物生长预测系统对所采集的作物生长数据进行分析,从而预测生长状态是否存在异常,本发明结合神经网络模型,对作物生长数据、作物环境数据、当前作物图像、作物品种、作物生长地域、作物生育期、所述作物环境数据包括当前温度、当前湿度、当前灌溉量、当前光照量、当前二氧化碳指数以及当前土壤中微量元素含量等数据进行监测,本发明通过输入日常采集的作物数据至预设神经网络模型,获取各预设神经网络模型输出的目标预测结果,确定目标虫害结果、目标病害结果、光照不足异常结果、灌溉不足异常结果、二氧化碳指数异常结果以及土壤中微量元素含量异常结果等。
可选地,在接收核验监测结果之后,所述方法还包括:
在所述核验监测结果与所述土壤中微量元素含量异常结果相同的情况下,生成第一指示指令;
在所述核验监测结果与所述目标虫害结果相同的情况下,生成第二指示指令;
在所述核验监测结果与所述目标病害结果相同的情况下,生成第三指示指令;
在所述核验监测结果与所述光照不足异常结果相同的情况下,生成第四指示指令;
在所述核验监测结果与所述灌溉不足异常结果相同的情况下,生成第五指示指令;
在所述核验监测结果与所述二氧化碳指数异常结果相同的情况下,生成第六指示指令;
在所述核验监测结果与所述环境温湿度指数异常结果相同的情况下,生成第七指示指令;
所述第一指示指令用于指示向目标区域施料肥,所述第二指示指令用于指示向目标区域喷洒目标虫害对应的杀虫剂,所述第三指示指令用于指示向目标区域喷洒目标病害对应的药剂,所述第四指示指令用于指示向目标区域进行补光,所述第五指示指令用于指示向目标区域灌溉,所述第六指示指令用于指示向目标区域施气肥,所述第七指示指令用于指示向目标区域进行环境控制。
可选地,本发明不仅可以在所述核验监测结果与所述异常预测结果相同的情况下,指示目标机器人向预设监测终端发送所述异常预测结果,还可以当管控人员处于忙碌状态或目标区域暂时处于无人监管的情况下,通过目标区域中内设的自动化设备对当前作物生长环境进行干预,例如在所述核验监测结果与所述土壤中微量元素含量异常结果相同的情况下,生成第一指示指令,所述第一指示指令用于指示向目标区域施料肥,本发明可以根据所述土壤中微量元素含量异常中,具体何种微量元素含量存在异常,针对性地向目标区域施料肥。
可选地,在所述核验监测结果与所述目标虫害结果相同的情况下,说明目标区域存在虫害风险的概率非常高,此时生成第二指示指令,所述第二指示指令用于指示向目标区域喷洒目标虫害对应的杀虫剂,此时可以通过预设在目标区域中的喷洒设备实现向目标区域喷洒目标虫害对应的杀虫剂。
可选地,在所述核验监测结果与所述目标病害结果相同的情况下,说明目标区域存在病害风险的概率非常高,此时生成第三指示指令,所述第三指示指令用于指示向目标区域喷洒目标病害对应的药剂,此时可以通过预设在目标区域中的喷洒设备实现向目标区域喷洒目标病害对应的药剂。
可选地,在所述核验监测结果与所述光照不足异常结果相同的情况下,说明目标区域存在光照不足的概率非常高,此时生成第四指示指令,所述第四指示指令用于指示向目标区域进行补光,本发明可以在所述目标区域中预设补光灯,通过控制所述补光灯的启闭,实现对于目标区域是否进行补光的控制。
可选地,在所述核验监测结果与所述灌溉不足异常结果相同的情况下,说明目标区域存在干旱情况的概率非常高,生成第五指示指令,所述第五指示指令用于指示向目标区域灌溉,本发明可以在所述目标区域中预设灌溉设备,通过控制所述灌溉设备的启闭,实现对于目标区域是否进行灌溉的控制。
可选地,在所述核验监测结果与所述二氧化碳指数异常结果相同的情况下,生成第六指示指令,所述第六指示指令用于指示向目标区域施气肥,本发明可以直接将气肥,例如碳酸氢铵施于目标区域的地面,光照会加热使气肥分解产生二氧化碳。
可选地,在所述核验监测结果与所述环境温湿度指数异常结果相同的情况下,生成第七指示指令,所述第七指示指令用于指示向目标区域进行环境控制,例如降温、升温、加湿或干燥。
可选地,在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,所述方法还包括:
获取预设时段内的气象数据;
在所述气象数据存在非晴天天气的情况下,生成第八指示指令;
所述非晴天天气至少包括雨天、雪天、雾霾天以及沙尘暴;
所述第八指示指令用于阻止所述目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验。
可选地,由于本发明中所提供的二次核验,需要机器人前往目标区域进行现场勘验,故机器人可能会经过露天区域,为了延长机器人的使用寿命,避免因为恶劣天气导致机器人的损害,故只有在晴天才会派遣机器人进行二次核验,此时,本发明结合当前时间或未来一定时间内的天气预报信息,分析可能存在的恶劣天气,在预设时段内的气象数据为所述非晴天天气,即雨天、雪天、雾霾天以及沙尘暴的情况下,生成第七指示指令,阻止所述目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验。
本发明提供了一种作物生长状态的监测方法、装置、电子设备及介质,根据作物生长预测系统实时地对所有目标区域的作物生长数据进行采集并预测,在任一目标区域生成异常预测结果的情况下,并不直接生成警报结果发送给管控人员,而是指示目标机器人行驶至目标区域后,对目标区域的异常预测结果进行二次核验,生成所述核验监测结果,只有在所述核验监测结果与所述异常预测结果相同的情况下,才会指示向预设监测终端发送所述异常预测结果,本发明通过将作物生长预测系统与机器人现场勘验相结合,提高了预设监测终端所获取的预测结果的准确性,从而降低了工作人员的管理负担,提高了监测效率,为设施农业智能化发展奠定了夯实的基础并提供了稳定的保障。
图2是本发明提供的作物生长状态的监测方法的流程示意图之二,在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,所述方法还包括:
步骤201、获取每一目标区域的作物采集数据;
步骤202、对于每一作物采集数据,根据作物生长预测系统处理所述作物采集数据,生成作物预测结果,所述作物预测结果包括异常预测结果或正常监测结果;
所述作物采集数据包括作物生长数据以及作物环境数据;
所述作物生长数据包括当前作物图像、作物品种、作物生长地域以及作物生育期;
所述作物环境数据包括当前温度、当前湿度、当前灌溉量、当前光照量、当前二氧化碳指数以及当前土壤中微量元素含量。
在步骤201中,在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,需要获取每一目标区域的作物采集数据,本发明可以预先根据不同作物种类、不同温室类型、不同土壤环境等等,分设多个不同的目标区域,分别采集不同目标区域中的作物采集数据。
可选地,所述作物采集数据包括作物生长数据以及作物环境数据,所述作物生长数据包括当前作物图像、作物品种、作物生长地域以及作物生育期,本发明可以通过摄像头获取当前作物图片,通过图像识别技术确定作物品种,结合作物生长的经纬度确定作物生长地域,根据所述作物品种确定作物生育期,所述作物生长数据还包括株高、茎粗、开花情况、挂果情况、果实转色以及果实大小。
可选地,所述作物环境数据包括当前温度、当前湿度、当前灌溉量、当前光照量、当前二氧化碳指数以及当前土壤中微量元素含量,本发明可以通过预设在目标区域内的传感器获取相应的环境数据,例如通过温度传感器获取当前温度,通过湿度传感器获取当前湿度,通过流量传感器获取当前灌溉量,通过光照传感器获取当前光照量等,通过二氧化碳传感器获取当前二氧化碳指数,通过微量元素检测传感器获取当前土壤中微量元素含量。
在步骤202中,对于每一作物采集数据,根据作物生长预测系统处理所述作物采集数据,生成作物预测结果,所述作物预测结果包括异常预测结果或正常监测结果,本发明将根据不同的目标区域,分别分析每一目标区域所对应的作物采集数据,而对于所述作物采集数据而言,所述作物生长预测系统中包括多个不同预测类型的预测模型,以根据所述作物采集数据中的其中一个或多个,分别确定不同的预测类型相对应的作物预测结果,例如虫害、病害、干旱等等。
图3是本发明提供的生成作物预测结果的流程示意图,所述作物生长预测系统包括预设虫害预测模型、预设病害预测模型以及预设生长模型;
其中,所述根据作物生长预测系统处理所述作物采集数据,生成作物预测结果,包括:
步骤301、输入所述作物环境数据至预设虫害预测模型,获取所述预设虫害预测模型输出的虫害预测结果,输入所述作物环境数据至预设病害预测模型,获取所述预设病害预测模型输出的病害预测结果,输入所述当前作物图像至预设生长模型,获取所述预设生长模型输出的状态预测结果;
步骤302、根据所述虫害预测结果、所述病害预测结果以及所述状态预测结果确定作物预测结果;
所述预设虫害预测模型是根据所述作物品种、所述作物生长地域以及所述作物生育期确定所有虫害类型,并根据每一虫害类型从虫卵成长至成虫所需的生长环境数据作为第一样本数据训练而确定的;
所述预设病害预测模型是根据所述作物品种、所述作物生长地域以及所述作物生育期确定所有病害类型,并根据每一病害类型发生所需的环境条件参数作为第二样本数据训练而确定的;
所述预设生长模型是将根据所述作物品种、所述作物生长地域、所述作物生育期所确定的作物生长期内每日的样本生长图片、样本灌溉量、样本光照量、样本二氧化碳指数以及样本土壤中微量元素含量作为第三样本数据训练而确定的。
可选地,本发明中的所述作物生长预测系统包括预设虫害预测模型、预设病害预测模型以及预设生长模型中的一个或多个,输入所述作物环境数据至预设虫害预测模型,获取所述预设虫害预测模型输出的虫害预测结果,本发明首先根据所述作物品种、所述作物生长地域以及所述作物生育期确定所有虫害类型,例如,作物番茄容易受到棉铃虫、白粉虱的侵蚀,则对应于棉铃虫以及白粉虱,根据每一虫害类型从虫卵成长至成虫所需的生长环境数据作为第一样本数据训练确定所述预设虫害预测模型,主要用于预测番茄受到棉铃虫、白粉虱的侵蚀的概率。
可选地,输入所述作物环境数据至预设病害预测模型,获取所述预设病害预测模型输出的病害预测结果,本发明首先根据所述作物品种、所述作物生长地域以及所述作物生育期确定所有病害类型,还是以番茄为例,番茄主要的病虫害有番茄晚疫病、病毒病、青枯病、灰霉病以及绵腐病,此时,针对不同的病害类型,确定每一病害类型发生所需的环境条件参数,并将其作为第二样本数据训练而确定所述预设病害预测模型,主要用于预测番茄得番茄晚疫病、病毒病、青枯病、灰霉病或绵腐病的概率。
可选地,输入所述当前作物图像至预设生长模型,获取所述预设生长模型输出的状态预测结果,本发明首先根据所述作物品种、所述作物生长地域、所述作物生育期确定作物生长期内每日的样本生长图片、样本灌溉量、样本光照量、样本二氧化碳指数以及样本土壤中微量元素含量,并将这些数据作为第三样本数据训练确定预设生长模型,以使得将所述当前作物图像至预设生长模型,获取所述预设生长模型输出的状态预测结果,本发明还可以对当前温度、当前湿度、当前灌溉量、当前光照量、当前二氧化碳指数以及当前土壤中微量元素含量进行实时监测,例如,在当前温度过高,且持续时间超过预设时间的目标区域确定为异常区域,并生成异常监测结果;又例如,在当前灌溉量少于目标灌溉量的情况下,生成异常监测结果等,这些可以通过将其输入至预设生长模型中,获取预设生长模型输出的异常预测结果,也可以无需经过预设生长模型,实时监测每一时段内的各项数据,并及时反馈异常监测结果。
图4是本发明提供的作物生长状态的监测方法的流程示意图之三,在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,所述方法还包括:
步骤401、确定以所述目标区域为中心,以预设长度为半径的预设范围内,所有处于空闲状态的待作业机器人;
步骤402、确定与所述目标区域的直线距离最短的待作业机器人为目标机器人;
步骤403、向所述目标机器人发送所述调用指令;
所述调用指令用于指示目标机器人行驶至目标区域,确定所述异常预测结果中存在异常的虫害预测结果,和/或,存在异常的病害预测结果,和/或,存在异常的状态预测结果进行核验,生成所述核验监测结果。
在步骤401中,本发明可以存在多个目标区域,并在不同的目标区域内设置多个机器人,由于本发明能够实现多个不同目标区域的实时监控,而不同目标区域所存在的情况也不同,进而使得有的机器人处于工作状态,有的机器人处于空闲状态,本发明可以以所述目标区域为中心,向周围的所有机器人发送请求指令,以获取反馈指令,任一机器人在接收到所述请求指令后,若其处于工作状态,将不再向目标区域发送反馈指令,若其处于空闲状态,则向目标区域发送反馈指令,接收预设时间内所所获取的所有反馈指令,根据所述所有反馈指令确定出所有处于空闲状态的待作业机器人。
在步骤402中,确定与所述目标区域的直线距离最短的待作业机器人为目标机器人,本发明可以根据声波、红外灯测距传感器确定每一待作业机器人与所述目标区域的直线距离,将与所述目标区域的直线距离最短的待作业机器人确定为目标机器人。
在步骤403中,向所述目标机器人发送所述调用指令,所述目标机器人接收到所述调用指令后,行驶至目标区域,确定所述异常预测结果中存在异常的虫害预测结果,和/或,存在异常的病害预测结果,和/或,存在异常的状态预测结果进行核验,生成所述核验监测结果。
本领域技术人员理解,所述异常预测结果可能为异常的虫害预测结果、异常的病害预测结果以及异常的状态预测结果中的一个或多个,可选地,本发明旨在根据不同的异常预测结果,指示机器人针对性的对于不同的异常预测结果进行核验,例如,对于异常的病虫害预测结果,机器人可以采取近距离图像识别的方式确定虫害情况,对于异常的状态预测结果,则可以进一步地采集目标区域中的温湿度、二氧化碳浓度等方式,排除目标区域中采集设备故障的可能性,从而实现对于目标区域内环境数据的先预测,再监测的双重核验,提高数据监测的准确性。
图5是本发明提供的作物生长状态的监测装置的结构示意图,本发明提供了一种作物生长状态的监测装置,包括第一控制单元1:用于在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的,所述第一控制单元1的工作原理可以参考前述步骤101,在此不予赘述。
所述作物生长状态的监测装置还包括第二控制单元2:用于接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息,所述第二控制单元2的工作原理可以参考前述步骤102,在此不予赘述。
本发明提供了一种作物生长状态的监测方法、装置、电子设备及介质,根据作物生长预测系统实时地对所有目标区域的作物生长数据进行采集并预测,在任一目标区域生成异常预测结果的情况下,并不直接生成警报结果发送给管控人员,而是指示目标机器人行驶至目标区域后,对目标区域的异常预测结果进行二次核验,生成所述核验监测结果,只有在所述核验监测结果与所述异常预测结果相同的情况下,才会指示向预设监测终端发送所述异常预测结果,本发明通过将作物生长预测系统与机器人现场勘验相结合,提高了预设监测终端所获取的预测结果的准确性,从而降低了工作人员的管理负担,提高了监测效率,为设施农业智能化发展奠定了夯实的基础并提供了稳定的保障。
图6是本发明提供的作物生长状态的监测交互的拓扑连接图,为了更好的体现出本发明中各执行主体间的数据交互,本发明给出了在多个目标区域内,实现作物生长状态监测的交互过程,如图6所示,在每一目标区域内均设置有作物生长预测系统,所有作物生长预测系统连接所述作物生长状态的监测装置,所述作物生长状态的监测装置与所有机器人实现信息交互,并能够在任一目标区域出现异常预测结果的情况下,确定目标机器人,指示目标机器人前往目标区域进行二次核验,在所述核验监测结果与所述异常预测结果相同的情况下,目标机器人向所述预设监测终端发送所述异常预测结果。
图7是本发明提供的电子设备的结构示意图。如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行作物生长状态的监测方法,该方法包括:在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的;接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息。
此外,上述的存储器730中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的一种作物生长状态的监测方法,该方法包括:在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的;接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的作物生长状态的监测方法,该方法包括:在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的;接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息。
以上所描述的装置实施例仅仅是示意性的,其中所述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,作为单元显示的部件可以是或者也可以不是物理单元,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。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种作物生长状态的监测方法,其特征在于,包括:
在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的;
接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息;
在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,所述方法还包括:
获取预设时段内的气象数据;
在所述气象数据存在非晴天天气的情况下,生成第八指示指令;
所述非晴天天气至少包括雨天、雪天、雾霾天以及沙尘暴;
所述第八指示指令用于阻止所述目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验;
在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,所述方法还包括:
确定以所述目标区域为中心,以预设长度为半径的预设范围内,所有处于空闲状态的待作业机器人;
确定与所述目标区域的直线距离最短的待作业机器人为目标机器人;
向所述目标机器人发送调用指令;
所述调用指令用于指示目标机器人行驶至目标区域,确定所述异常预测结果中存在异常的虫害预测结果,和/或,存在异常的病害预测结果,和/或,存在异常的状态预测结果进行核验,生成所述核验监测结果。
2.根据权利要求1所述的作物生长状态的监测方法,其特征在于,在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,所述方法还包括:
获取每一目标区域的作物采集数据;
对于每一作物采集数据,根据作物生长预测系统处理所述作物采集数据,生成作物预测结果,所述作物预测结果包括异常预测结果或正常监测结果;
所述作物采集数据包括作物生长数据以及作物环境数据;
所述作物生长数据包括当前作物图像、作物品种、作物生长地域以及作物生育期;
所述作物环境数据包括当前温度、当前湿度、当前灌溉量、当前光照量、当前二氧化碳指数以及当前土壤中微量元素含量。
3.根据权利要求2所述的作物生长状态的监测方法,其特征在于,所述作物生长预测系统包括预设虫害预测模型、预设病害预测模型以及预设生长模型;
其中,所述根据作物生长预测系统处理所述作物采集数据,生成作物预测结果,包括:
输入所述作物环境数据至预设虫害预测模型,获取所述预设虫害预测模型输出的虫害预测结果,输入所述作物环境数据至预设病害预测模型,获取所述预设病害预测模型输出的病害预测结果,输入所述当前作物图像至预设生长模型,获取所述预设生长模型输出的状态预测结果;
根据所述虫害预测结果、所述病害预测结果以及所述状态预测结果确定作物预测结果;
所述预设虫害预测模型是根据所述作物品种、所述作物生长地域以及所述作物生育期确定所有虫害类型,并根据每一虫害类型从虫卵成长至成虫所需的生长环境数据作为第一样本数据训练而确定的;
所述预设病害预测模型是根据所述作物品种、所述作物生长地域以及所述作物生育期确定所有病害类型,并根据每一病害类型发生所需的环境条件参数作为第二样本数据训练而确定的;
所述预设生长模型是将根据所述作物品种、所述作物生长地域、所述作物生育期所确定的作物生长期内每日的样本生长图片、样本灌溉量、样本光照量、样本二氧化碳指数以及样本土壤中微量元素含量作为第三样本数据训练而确定的。
4.根据权利要求1所述的作物生长状态的监测方法,其特征在于,所述异常预测结果包括目标虫害结果、目标病害结果、光照不足异常结果、灌溉不足异常结果、二氧化碳指数异常结果、土壤中微量元素含量异常结果以及环境温湿度指数异常结果中的至少一种。
5.根据权利要求4所述的作物生长状态的监测方法,其特征在于,在接收核验监测结果之后,所述方法还包括:
在所述核验监测结果与所述土壤中微量元素含量异常结果相同的情况下,生成第一指示指令;
在所述核验监测结果与所述目标虫害结果相同的情况下,生成第二指示指令;
在所述核验监测结果与所述目标病害结果相同的情况下,生成第三指示指令;
在所述核验监测结果与所述光照不足异常结果相同的情况下,生成第四指示指令;
在所述核验监测结果与所述灌溉不足异常结果相同的情况下,生成第五指示指令;
在所述核验监测结果与所述二氧化碳指数异常结果相同的情况下,生成第六指示指令;
在所述核验监测结果与所述环境温湿度指数异常结果相同的情况下,生成第七指示指令;
所述第一指示指令用于指示向目标区域施料肥,所述第二指示指令用于指示向目标区域喷洒目标虫害对应的杀虫剂,所述第三指示指令用于指示向目标区域喷洒目标病害对应的药剂,所述第四指示指令用于指示向目标区域进行补光,所述第五指示指令用于指示向目标区域灌溉,所述第六指示指令用于指示向目标区域施气肥,所述第七指示指令用于指示向目标区域进行环境控制。
6.一种作物生长状态的监测装置,其特征在于,包括:
第一控制单元:用于在任一目标区域对作物生长情况生成长势异常的预测结果时,控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验,并控制所述目标机器人发送核验监测结果;其中,所述预测结果是根据作物生长预测系统对作物生长数据进行预测后确定的;
第二控制单元:用于接收所述核验监测结果,在所述核验监测结果与所述预测结果相同的情况下,控制所述目标机器人向预设监测终端发送预测结果异常的信息;
在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,还包括:
获取预设时段内的气象数据;
在所述气象数据存在非晴天天气的情况下,生成第八指示指令;
所述非晴天天气至少包括雨天、雪天、雾霾天以及沙尘暴;
所述第八指示指令用于阻止所述目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验;
在控制目标机器人行驶至所述目标区域以对所述目标区域的异常预测结果进行核验之前,还包括:
确定以所述目标区域为中心,以预设长度为半径的预设范围内,所有处于空闲状态的待作业机器人;
确定与所述目标区域的直线距离最短的待作业机器人为目标机器人;
向所述目标机器人发送调用指令;
所述调用指令用于指示目标机器人行驶至目标区域,确定所述异常预测结果中存在异常的虫害预测结果,和/或,存在异常的病害预测结果,和/或,存在异常的状态预测结果进行核验,生成所述核验监测结果。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的作物生长状态的监测方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5中任一项所述的作物生长状态的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310581572.2A CN116295662B (zh) | 2023-05-23 | 2023-05-23 | 作物生长状态的监测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310581572.2A CN116295662B (zh) | 2023-05-23 | 2023-05-23 | 作物生长状态的监测方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116295662A CN116295662A (zh) | 2023-06-23 |
CN116295662B true CN116295662B (zh) | 2023-08-29 |
Family
ID=86815335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310581572.2A Active CN116295662B (zh) | 2023-05-23 | 2023-05-23 | 作物生长状态的监测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116295662B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760872A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 精细化农业农作物生长告警与干预装置 |
CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治系统 |
CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
TW202008239A (zh) * | 2018-07-23 | 2020-02-16 | 大陸商浙江立鏢機器人有限公司 | 用於機器人場地回流的方法和裝置 |
CN211149296U (zh) * | 2019-12-04 | 2020-07-31 | 山东沐雨天禾智慧农业有限公司 | 一种基于人工智能水肥一体化系统 |
CN113542014A (zh) * | 2021-06-24 | 2021-10-22 | 深圳华远云联数据科技有限公司 | 巡检方法、装置、设备管理平台及存储介质 |
CN114091700A (zh) * | 2021-11-22 | 2022-02-25 | 珠海优特电力科技股份有限公司 | 电力设备的运维方法、装置、运维管理设备和运维机器人 |
CN115061168A (zh) * | 2022-06-27 | 2022-09-16 | 安徽农业大学 | 一种移动巡检式农作物生长监测系统及方法 |
CN115407771A (zh) * | 2022-08-10 | 2022-11-29 | 广州大学 | 一种基于机器视觉的农作物监测方法、系统以及装置 |
CN115482465A (zh) * | 2022-09-20 | 2022-12-16 | 广东交通职业技术学院 | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 |
-
2023
- 2023-05-23 CN CN202310581572.2A patent/CN116295662B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103760872A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 精细化农业农作物生长告警与干预装置 |
CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治系统 |
TW202008239A (zh) * | 2018-07-23 | 2020-02-16 | 大陸商浙江立鏢機器人有限公司 | 用於機器人場地回流的方法和裝置 |
CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
CN211149296U (zh) * | 2019-12-04 | 2020-07-31 | 山东沐雨天禾智慧农业有限公司 | 一种基于人工智能水肥一体化系统 |
CN113542014A (zh) * | 2021-06-24 | 2021-10-22 | 深圳华远云联数据科技有限公司 | 巡检方法、装置、设备管理平台及存储介质 |
CN114091700A (zh) * | 2021-11-22 | 2022-02-25 | 珠海优特电力科技股份有限公司 | 电力设备的运维方法、装置、运维管理设备和运维机器人 |
CN115061168A (zh) * | 2022-06-27 | 2022-09-16 | 安徽农业大学 | 一种移动巡检式农作物生长监测系统及方法 |
CN115407771A (zh) * | 2022-08-10 | 2022-11-29 | 广州大学 | 一种基于机器视觉的农作物监测方法、系统以及装置 |
CN115482465A (zh) * | 2022-09-20 | 2022-12-16 | 广东交通职业技术学院 | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116295662A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN209517198U (zh) | 一种智慧农业标准化管理系统 | |
CN109991944A (zh) | 一种分布式农业植保网络服务系统 | |
KR20160080889A (ko) | 다수의 온실 환경 정보를 이용한 클라우드 온실 제어 시스템 및 그 방법 | |
CN115185220B (zh) | 一种基于物联网的农林病虫害监控系统 | |
US11631475B2 (en) | Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents | |
Murugamani et al. | Machine learning technique for precision agriculture applications in 5G-based internet of things | |
KR20220071405A (ko) | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 | |
KR20180106355A (ko) | 골프장의 환경 제어시스템 | |
CN107450449A (zh) | 一种农业监控系统 | |
CN113273449A (zh) | 用于日光温室精准监测的数字孪生体构造方法 | |
US20220414795A1 (en) | Crop disease prediction and treatment based on artificial intelligence (ai) and machine learning (ml) models | |
CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
CN115390504A (zh) | 一种基于5g物联网的智慧农业种植系统 | |
Nyakuri et al. | IoT and AI based smart soil quality assessment for data-driven irrigation and fertilization | |
CN115238237A (zh) | 虫情监测方法、装置及系统 | |
CN116295662B (zh) | 作物生长状态的监测方法、装置、电子设备及介质 | |
CN117575169A (zh) | 一种基于数据处理的智慧农业管理系统 | |
CN112019607A (zh) | 基于可视化云平台的智慧农场综合控制方法及系统 | |
CN113349188A (zh) | 一种基于云端杀草谱的草坪及牧草精准除草方法 | |
CN110308710A (zh) | 一种番茄种植监控平台 | |
AU2021105327A4 (en) | A computer implemented and IoT based method for increasing crop production using machine learning model | |
CN116452358A (zh) | 基于物联网的智慧农业管理系统 | |
WO2021039465A1 (ja) | 病害予測システム、病害予測方法及びプログラム | |
CN211908856U (zh) | 一种基于物联网的植物数据采集系统 | |
CN114543869A (zh) | 一种基于物联网技术的农业支撑系统 |
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 |