CN116309480B - 一种基于深度学习的作物生长智能决策系统及方法 - Google Patents
一种基于深度学习的作物生长智能决策系统及方法 Download PDFInfo
- Publication number
- CN116309480B CN116309480B CN202310290440.4A CN202310290440A CN116309480B CN 116309480 B CN116309480 B CN 116309480B CN 202310290440 A CN202310290440 A CN 202310290440A CN 116309480 B CN116309480 B CN 116309480B
- Authority
- CN
- China
- Prior art keywords
- crop
- crops
- abnormal
- target area
- area
- 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
- 238000000034 method Methods 0.000 title claims description 25
- 238000013135 deep learning Methods 0.000 title claims description 14
- 230000002159 abnormal effect Effects 0.000 claims abstract description 109
- 238000005286 illumination Methods 0.000 claims abstract description 72
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 31
- 230000002262 irrigation Effects 0.000 claims abstract description 28
- 238000003973 irrigation Methods 0.000 claims abstract description 28
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 13
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 230000001960 triggered effect Effects 0.000 claims abstract description 10
- 238000001931 thermography Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 51
- 201000010099 disease Diseases 0.000 claims description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 37
- 238000001514 detection method Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000007812 deficiency Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000005068 transpiration Effects 0.000 description 8
- 239000000575 pesticide Substances 0.000 description 6
- 238000005507 spraying Methods 0.000 description 6
- 239000011148 porous material Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Abstract
本发明涉及作物生长智能决策技术领域。具体为一种基于深度学习的作物生长智能决策系统及方法,所述作物生长智能决策系统包括数据采集模块、作物告警模块、数据分析模块、灌溉决策模块;所述数据采集模块对目标区域内作物的图片信息进行采集并且对目标区域内作物的光照条件进行检测;所述作物告警模块在作物生长状态出现异常时,触发作物报警模块;所述数据分析模块是根据红外热成像仪生成的图片信息分析目标区域内生长状态出现异常的作物,根据光照条件对作物异常情况进行分析;所述灌溉决策模块对目标区域内作物的灌溉以及除害等情况解决方案进行决策管理。本发明针对红外热成像的图片进一步的分析减少作物遭受灾害和缺水情况的误判。
Description
技术领域
本发明涉及作物生长智能决策技术领域,具体为一种基于深度学习的作物生长智能决策系统及方法。
背景技术
目前,判断植物是否受病害胁迫主要是用过人工感官判定和理化检测,但是人工感官判定易受一些主客观因素的影响,而理化检测步骤繁冗,会造成植物体破损。由于红外热成像仪成像技术对温度具有高敏感性,能在线检测物体表面温度,在电气、航空和医学等领域已有比较成熟的研究成果并已经被实际运用。随着热成像技术的进一步发展,其应用领域也在不断拓宽,如红外热成像仪成像技术能够应用在植物病害检测中,通过红外热成像仪能够对大面积的种植区域进行病害检测。
在现有的技术下,红外热成像仪是通过植物遭受病害时,气孔会发生异质性开闭,从而引起蒸腾强度发生变化使得作物叶表面温度变化异常;由于作物处于缺水的状态下时,气孔也会发生关闭为了减少蒸腾作用从而减少水分散失;红外热成像仪无法准确的进行精准的判断作物是遭遇病害还是处于缺水状态,无法进一步的分析,并且对后续除害以及灌溉的处理方案无法起到决策作用。
发明内容
本发明的目的在于提供一种基于深度学习的作物生长智能决策系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于深度学习的作物生长智能决策方法,所述作物生长智能决策方法包括以下具体步骤:
S100、通过红外热成像技术获取目标区域内作物的图片信息,根据所述作物的图片信息对目标区域内作物的生长状态进行初步分析;通过红外热成像的图片信息对目标区域内作物气孔异质性开闭的作物进行分析识别,初步的筛选出在目标区域内存在遭受病害或者缺水的作物;
S200、根据所述目标区域内作物的生长状态,采集目标区域内作物的光照条件对影响目标区域内作物生长状态的因素进行最终的分析判断;在目标区域内作物的生长状态出现异常情况时,通过作物的光照条件分析影响目标区域内作物生长状态的最终因素;
S300、根据目标区域内作物生长状态的影响因素通过决策模型实现对目标区域内作物决策管理,在得到影响目标区域内作物生长状态的最终因素时,基于目标区域内作物病害或者缺水情况以及相对应的处理方法的历史数据集训练深度学习生成决策模型,其中决策模型在得到目标区域内作物病害等数据信息后对目标区域内作物的灌溉以及除害等情况解决方案进行决策管理。
进一步的,所述S100中对目标区域内作物的生长状态进行初步分析的具体方法如下:
S101、通过红外成像仪对目标区域内的作物进行实时监测,红外成像仪生成图像Tn,其中Tn表示为红外成像仪在时间间隔T中生成的第n张图片,T为常数;红外成像仪在每隔T时间内采集一次目标区域内的图片信息,通过每隔一段时间采集目标区域内的图片信息能够有效及时的发现目标区域内作物的生长状态,并且根据作物的生长状态做出相应的决策管理;
S102、将红外成像仪生成的图像信息映射到一维空间中,能够得到在时间间隔T中红外成像仪生成图片为Tn,选取红外成像仪生成图片中的两个相邻图片为Tiz和T(i+1)z,利用欧式距离计算得到两个相邻图片之间的相似值为,选取红外成像仪在U和I中生成的两张图片利用欧式距离计算所述两张图片的相似度为d’,其中U和I为表示为时间段;其中选取两个时间段的图片进行相似度比较是为了获取到在作物气孔开放度最大以及最小时两个图片的相似度对比,其中在一般情况下U为上午9到10时左右,I为夜间或者正午时分;在上午9到10时该时间段中气温适宜,植物进行蒸腾作用,作物的气孔开放度为最大;在夜间和正午时分时,作物需要减少物质能量消耗以及防止在过强的阳光下蒸腾作用导致叶片失水过多作物气孔闭合;
S103、当计算得到任意两个相邻图片之间的相似值D∈(d’-d,d’)时,说明目标区域内存在生长状态出现异常的作物,其中d为常数且d<d’。
进一步的,根据所述S103中目标区域存在生长状态出现异常的作物时,通过图像颜色对比分析单元对Ti和Ti+1的红外热成像仪生成的图片进行颜色对比分析,将Ti和Ti+1图片进行对比后灰度保持不变的区域标记为常温区域,将图片中的常温区域筛除后,所述常温区域为土壤区域或者其他的空白无作物种植温度保持稳定状态的区域;由于图片像素与像素之间存在颜色差异,根据像素之间的颜色差异能够区别出图片异常部分;对图片中颜色进行对比区分能够计算的到目标区域内生长状态出现异常作物的区域记为异常区域S,目标区域中除异常区域以外的区域为正常区域P。
进一步的,所述S200中对影响目标区域内作物生长状态的因素进行最终分析判断的具体方法如下:
S201、利用光照检测单元对异常区域S和正常区域P内的光照条件进行检测,其中光照条件为在一天中接受到光照时间的长短,获取到异常区域S的光照条件为US以及正常区域P的光照条件为UP;
S202、异常区域的光照条件与正常区域的光照条件相比,当0<|US-UP|<U1时,说明异常区域的光照条件与正常区域的光照条件相似,异常和正常两个区域之间不存在任意一个区域因为长时间处于光照环境下导致所述任意一个区域有缺水的情况出现;异常区域的作物属于遭受病害情况,进行告警提醒,在告警模块触发后发送信号至高清摄像头,利用高清摄像头分析异常区域内作物的空间覆盖率为LS并且对异常区域作物的病害情况进行拍摄上传到终端设备,便于工作人员确认作物遭受的病害类别;当|US-UP|>U1时,说明异常区域的光照条件与正常区域的光照条件不相似,存在其中任意一个区域因为长时间处于光照环境下导致所述任意一个区域有缺水的情况出现,从而使得在对红外热成像仪生成的图片进行初步分析时,两个区域出现了颜色差异;异常区域的作物属于缺水情况,进行告警提醒,在告警模块触发后发送信号至高清摄像头,利用高清摄像头分析异常区域内作物的空间覆盖率为LS,其中U1为常数,LS为百分比。
进一步的,所述S300中对实现对目标区域内作物精准灌溉以及除害的具体方法如下:
S301、将基于目标区域内作物病害或者缺水情况以及作物空间覆盖率的历史样本数据集送入前馈神经网络模型的输入层,将作物病害或者缺水情况对应的处理结果的历史样本数据集送入到前反馈神经网络模型的输出层,通过对历史样本数据集进行训练得到决策模型;
S302、所述决策模型的变换关系为,/>,其中/>表示为激活函数,/>为作物病害或者缺水情况对应处理结果的输出量,/>表示为/>到/>的连接权,/>表示输入量,/>表示为偏置项,其中/>,/>为常数,,/>为常数;
S303、将实时检测到的作物生长状态异常以及作物的空间覆盖率输入到决策模型中,输出得到作物生长状态异常的处理方案,根据所述处理方案对生长状态异常的作物进行处理;根据作物生长状态异常的区域进行定向处理,并且根据作物的覆盖率选择相应的改良量或者农药喷洒量。
一种基于深度学习的作物生长智能决策系统,所述作物生长智能决策系统包括数据采集模块、作物告警模块、数据分析模块、灌溉决策模块;所述数据采集模块是通过红外热成像仪对目标区域内作物的图片信息进行采集并且对目标区域内作物的光照条件进行检测,通过红外热成像仪生成的图片以及光照条件能够分析出目标区域内作物病害以及缺水情况;所述作物告警模块在作物生长状态出现异常时,触发作物报警模块进行报警提醒,在作物生长状态出现异常时及时进行报警提醒,使得工作人员能够对生长状态出现异常的作物作出对应的处理;所述数据分析模块是根据红外热成像仪生成的图片信息分析目标区域内生长状态出现异常的作物,并且根据光照条件对作物异常情况进行分析;所述灌溉决策模块通过对历史样本数据集进行训练得到决策模型,对目标区域内作物的灌溉以及除害等情况解决方案进行决策管理。
进一步的,所述数据采集模块包括图片信息采集单元、光照检测单元和高清摄像头;所述图片信息采集单元的输出端与图像颜色对比度分析单元的输入端连接,所述光照检测单元的输出端与作物异常情况分析单元的出入端连接,所述高清摄像头的输出端与空间覆盖率分析单元和终端显示单元的输入端连接;所述图片信息采集单元是对红外热成像仪生成的图片进行信息采集,根据红外热成像仪生成的图片能够对目标区域内作物的蒸腾作用进行分析;所述光照检测单元检测目标区域内作物一天中的光照条件,通过光照条件能够进一步作物的异常情况作出进一步的分析;所述高清摄像头对目标区域内生长状态出现异常的作物区域进行拍摄,在触发告警模块后发送信号至高清摄像头,对生长状态出现异常的作物区域进行拍摄后传输到终端,为工作人员检测作物遭受病害的情况提供充足的依据,避免误判的情况出现。
进一步的,所述数据分析模块包括作物异常情况分析单元、图像颜色对比度分析单元和空间覆盖率分析单元;所述图像颜色对比度分析单元的输出端与作物异常情况分析单元的输入端连接;所述作物异常情况分析单元是对影响作物生长状态异常的原因进行分析,在得到影响作物生长状态异常的原因后,能够针对该原因进行相应的处理;所述图像颜色对比度分析单元是通过图像颜色的对比分析出目标区域内正常区域和异常区域;所述空间覆盖率分析单元分析作物的空间覆盖率,根据作物的空间覆盖率与作物的灌溉量或者农药喷洒量有着必要关联关系,灌溉量或者农药喷洒量是与空间覆盖率成正比变化。
进一步的,所述灌溉决策模块包括终端显示单元和智能决策单元;所述终端显示单元是显示通过高清摄像头拍摄的图片,为工作人员检测作物遭受病害的情况提供充足的依据;所述智能决策单元是对目标区域内作物的灌溉以及除害等情况解决方案进行决策管理。
与现有技术相比,本发明所达到的有益效果是:本发明通过对利用红外热成像仪生成的图片信息以及光照条件对作物导致异常生长原因进行分析,减少因为热成像的缘故导致病害情况的误判,作物导致异常生长原因进异步分析对后续的除害或者灌溉起到决策作用。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是一种基于深度学习的作物生长智能决策系统的结构示意图。
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。
请参阅图1,本发明提供技术方案: 一种基于深度学习的作物生长智能决策方法,所述作物生长智能决策方法包括以下具体步骤:
S100、通过红外热成像技术获取目标区域内作物的图片信息,根据所述作物的图片信息对目标区域内作物的生长状态进行初步分析;通过红外热成像的图片信息对目标区域内作物气孔异质性开闭的作物进行分析识别,初步的筛选出在目标区域内存在遭受病害或者缺水的作物;
S200、根据所述目标区域内作物的生长状态,采集目标区域内作物的光照条件对影响目标区域内作物生长状态的因素进行最终的分析判断;在目标区域内作物的生长状态出现异常情况时,通过作物的光照条件分析影响目标区域内作物生长状态的最终因素;
S300、根据目标区域内作物生长状态的影响因素通过决策模型实现对目标区域内作物决策管理,在得到影响目标区域内作物生长状态的最终因素时,基于目标区域内作物病害或者缺水情况以及相对应的处理方法的历史数据集训练深度学习生成决策模型,其中决策模型在得到目标区域内作物病害等数据信息后对目标区域内作物的灌溉以及除害等情况解决方案进行决策管理。
进一步的,所述S100中对目标区域内作物的生长状态进行初步分析的具体方法如下:
S101、通过红外成像仪对目标区域内的作物进行实时监测,红外成像仪生成图像Tn,其中Tn表示为红外成像仪在时间间隔T中生成的第n张图片,T为常数;红外成像仪在每隔T时间内采集一次目标区域内的图片信息,通过每隔一段时间采集目标区域内的图片信息能够有效及时的发现目标区域内作物的生长状态,并且根据作物的生长状态做出相应的决策管理;
S102、将红外成像仪生成的图像信息映射到一维空间中,能够得到在时间间隔T中红外成像仪生成图片为Tn,选取红外成像仪生成图片中的两个相邻图片为Tiz和T(i+1)z,利用欧式距离计算得到两个相邻图片之间的相似值为,选取红外成像仪在U和I中生成的两张图片利用欧式距离计算所述两张图片的相似度为d’,其中U和I为表示为时间段;其中选取两个时间段的图片进行相似度比较是为了获取到在作物气孔开放度最大以及最小时两个图片的相似度对比,其中在一般情况下U为上午9到10时左右,I为夜间或者正午时分;在上午9到10时该时间段中气温适宜,植物进行蒸腾作用,作物的气孔开放度为最大;在夜间和正午时分时,作物需要减少物质能量消耗以及防止在过强的阳光下蒸腾作用导致叶片失水过多作物气孔闭合;
S103、当计算得到任意两个相邻图片之间的相似值D∈(d’-d,d’)时,说明目标区域内存在生长状态出现异常的作物,其中d为常数且d<d’。
进一步的,根据所述S103中目标区域存在生长状态出现异常的作物时,通过图像颜色对比分析单元对Ti和Ti+1的红外热成像仪生成的图片进行颜色对比分析,将Ti和Ti+1图片进行对比后灰度保持不变的区域标记为常温区域,将图片中的常温区域筛除后,所述常温区域为土壤区域或者其他的空白无作物种植温度保持稳定状态的区域;由于图片像素与像素之间存在颜色差异,根据像素之间的颜色差异能够区别出图片异常部分;对图片中颜色进行对比区分能够计算的到目标区域内生长状态出现异常作物的区域记为异常区域S,目标区域中除异常区域以外的区域为正常区域P。
进一步的,所述S200中对影响目标区域内作物生长状态的因素进行最终分析判断的具体方法如下:
S201、利用光照检测单元对异常区域S和正常区域P内的光照条件进行检测,其中光照条件为在一天中接受到光照时间的长短,获取到异常区域S的光照条件为US以及正常区域P的光照条件为UP;
S202、异常区域的光照条件与正常区域的光照条件相比,当0<|US-UP|<U1时,说明异常区域的光照条件与正常区域的光照条件相似,异常和正常两个区域之间不存在任意一个区域因为长时间处于光照环境下导致所述任意一个区域有缺水的情况出现;异常区域的作物属于遭受病害情况,进行告警提醒,在告警模块触发后发送信号至高清摄像头,利用高清摄像头分析异常区域内作物的空间覆盖率为LS并且对异常区域作物的病害情况进行拍摄上传到终端设备,便于工作人员确认作物遭受的病害类别;当|US-UP|>U1时,说明异常区域的光照条件与正常区域的光照条件不相似,存在其中任意一个区域因为长时间处于光照环境下导致所述任意一个区域有缺水的情况出现,从而使得在对红外热成像仪生成的图片进行初步分析时,两个区域出现了颜色差异;异常区域的作物属于缺水情况,进行告警提醒,在告警模块触发后发送信号至高清摄像头,利用高清摄像头分析异常区域内作物的空间覆盖率为LS,其中U1为常数,LS为百分比。
进一步的,所述S300中对实现对目标区域内作物精准灌溉以及除害的具体方法如下:
S301、将基于目标区域内作物病害或者缺水情况以及作物空间覆盖率的历史样本数据集送入前馈神经网络模型的输入层,将作物病害或者缺水情况对应的处理结果的历史样本数据集送入到前反馈神经网络模型的输出层,通过对历史样本数据集进行训练得到决策模型;
S302、所述决策模型的变换关系为,/>,其中/>表示为激活函数,/>为作物病害或者缺水情况对应处理结果的输出量,/>表示为/>到/>的连接权,/>表示输入量,/>表示为偏置项,其中/>,/>为常数,,/>为常数;前馈神经网络模型是人工神经网络的一种前馈神经网络采用一种单向多层结构;其中每一层包含若干个神经元。在此种神经网络中,各神经元可以接收前一层神经元的信号,并产生输出到下一层。第零层叫输入层,最后一层叫输出层,其他中间层叫做隐含层;前馈神经网络的结构简单且应用广泛,能够以任意精度逼近任意连续函数及平方可积函数,而且能够精确的实现任意有限训练样本集,符合本发明中根据作物的病害或者缺水结合作物的空间覆盖率的情况输出对应决策方案;
S303、将实时检测到的作物生长状态异常以及作物的空间覆盖率输入到决策模型中,输出得到作物生长状态异常的处理方案,根据所述处理方案对生长状态异常的作物进行处理;根据作物生长状态异常的区域进行定向处理,并且根据作物的覆盖率选择相应的改良量或者农药喷洒量。
一种基于深度学习的作物生长智能决策系统,所述作物生长智能决策系统包括数据采集模块、作物告警模块、数据分析模块、灌溉决策模块;所述数据采集模块是通过红外热成像仪对目标区域内作物的图片信息进行采集并且对目标区域内作物的光照条件进行检测,通过红外热成像仪生成的图片以及光照条件能够分析出目标区域内作物病害以及缺水情况;所述作物告警模块在作物生长状态出现异常时,触发作物报警模块进行报警提醒,在作物生长状态出现异常时及时进行报警提醒,使得工作人员能够对生长状态出现异常的作物作出对应的处理;所述数据分析模块是根据红外热成像仪生成的图片信息分析目标区域内生长状态出现异常的作物,并且根据光照条件对作物异常情况进行分析;所述灌溉决策模块通过对历史样本数据集进行训练得到决策模型,对目标区域内作物的灌溉以及除害等情况解决方案进行决策管理。
进一步的,所述数据采集模块包括图片信息采集单元、光照检测单元和高清摄像头;所述图片信息采集单元的输出端与图像颜色对比度分析单元的输入端连接,所述光照检测单元的输出端与作物异常情况分析单元的出入端连接,所述高清摄像头的输出端与空间覆盖率分析单元和终端显示单元的输入端连接;所述图片信息采集单元是对红外热成像仪生成的图片进行信息采集,根据红外热成像仪生成的图片能够对目标区域内作物的蒸腾作用进行分析;所述光照检测单元检测目标区域内作物一天中的光照条件,通过光照条件能够进一步作物的异常情况作出进一步的分析;所述高清摄像头对目标区域内生长状态出现异常的作物区域进行拍摄,在触发告警模块后发送信号至高清摄像头,对生长状态出现异常的作物区域进行拍摄后传输到终端,为工作人员检测作物遭受病害的情况提供充足的依据,避免误判的情况出现。
进一步的,所述数据分析模块包括作物异常情况分析单元、图像颜色对比度分析单元和空间覆盖率分析单元;所述图像颜色对比度分析单元的输出端与作物异常情况分析单元的输入端连接;所述作物异常情况分析单元是对影响作物生长状态异常的原因进行分析,在得到影响作物生长状态异常的原因后,能够针对该原因进行相应的处理;所述图像颜色对比度分析单元是通过图像颜色的对比分析出目标区域内正常区域和异常区域;所述空间覆盖率分析单元分析作物的空间覆盖率,根据作物的空间覆盖率与作物的灌溉量或者农药喷洒量有着必要关联关系,灌溉量或者农药喷洒量是与空间覆盖率成正比变化。
进一步的,所述灌溉决策模块包括终端显示单元和智能决策单元;所述终端显示单元是显示通过高清摄像头拍摄的图片,为工作人员检测作物遭受病害的情况提供充足的依据;所述智能决策单元是对目标区域内作物的灌溉以及除害等情况解决方案进行决策管理。
在本实施例中:
实施例1:用光照检测单元对异常区域S和正常区域P内的光照条件进行检测,其中光照条件为在一天中接受到光照时间的长短,获取到异常区域S的光照条件为US=5.5H以及正常区域P的光照条件为UP=6H;当0<|US-UP|<U1=1H时,说明异常区域S不存在作物长时间处于光照环境下导致的缺水,则说明异常区域S中的作物遭受病害。
实施例2:用光照检测单元对异常区域S和正常区域P内的光照条件进行检测,其中光照条件为在一天中接受到光照时间的长短,获取到异常区域S的光照条件为US=7H以及正常区域P的光照条件为UP=3H;|US-UP|=4H>U1=1H,说明异常区域S的作物由于时间处于光照环境下导致的缺水。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于深度学习的作物生长智能决策方法,其特征在于:所述作物生长智能决策方法包括以下具体步骤:
S100、通过红外热成像技术获取目标区域内作物的图片信息,根据所述作物的图片信息对目标区域内作物的生长状态进行初步分析;
S200、根据所述目标区域内作物的生长状态,采集目标区域内作物的光照条件对影响目标区域内作物生长状态的因素进行最终的分析判断;
S300、根据目标区域内作物生长状态的影响因素通过决策模型实现对目标区域内作物决策管理;
所述S100中对目标区域内作物的生长状态进行初步分析的具体方法如下:S101、通过红外成像仪对目标区域内的作物进行实时监测,红外成像仪生成图像Tn,其中Tn表示为红外成像仪在时间间隔T中生成的第n张图片,T为常数;
S102、将红外成像仪生成的图像信息映射到一维空间中,能够得到在时间间隔T中红外成像仪生成图片的为Tn,选取红外成像仪生成图片中的两个相邻的图片为Tiz和T(i+1)z,利用欧式距离计算得到两个相邻图片之间的相似值为,选取红外成像仪在U和I中生成的两张图片利用欧式距离计算所述两张图片的相似度为d’,其中U和I为表示为时间段,U和I分别表示作物气孔开放度最大以及最小的时间段;
S103、当计算得到任意两个相邻图片之间的相似值D∈(d’-d,d’)时,说明目标区域内存在生长状态出现异常的作物,其中d为常数且d<d’;
根据所述S103中目标区域存在生长状态出现异常的作物时,通过图像颜色对比分析单元对Ti和Ti+1的红外热成像仪生成的图片进行颜色对比分析,将Ti和Ti+1图片进行对比后灰度保持不变的区域标记为常温区域,将图片中的常温区域筛除后;对图片中颜色进行对比区分能够计算的到目标区域内生长状态出现异常作物的区域记为异常区域S,目标区域中除异常区域以外的区域为正常区域P;
所述S200中对影响目标区域内作物生长状态的因素进行最终分析判断的具体方法如下:S201、利用光照检测单元对异常区域S和正常区域P内的光照条件进行检测,获取到异常区域S的光照条件为US以及正常区域P的光照条件为UP;
S202、异常区域的光照条件与正常区域的光照条件相比,当0<|US-UP|<U1时,异常区域的作物属于遭受病害情况,进行告警提醒,在告警模块触发后发送信号至高清摄像头,利用高清摄像头分析异常区域内作物的空间覆盖率为LS并且对异常区域作物的病害情况进行拍摄上传到终端设备;当|US-UP|>U1时,异常区域的作物属于缺水情况,进行告警提醒,在告警模块触发后发送信号至高清摄像头,利用高清摄像头分析异常区域内作物的空间覆盖率为LS,其中U1为常数表示为时间阈值,LS为百分比。
2.根据权利要求1所述的一种基于深度学习的作物生长智能决策方法,其特征在于:所述S300中对实现对目标区域内作物精准灌溉以及除害的具体方法如下:
S301、将基于目标区域内作物病害或者缺水情况以及作物空间覆盖率的历史样本数据集送入前馈神经网络模型的输入层,将作物病害或者缺水情况对应的处理结果的历史样本数据集送入到前反馈神经网络模型的输出层,通过对历史样本数据集进行训练得到决策模型;
S302、所述决策模型的变换关系为,/>,其中/>表示为激活函数,/>为作物病害或者缺水情况对应处理结果的输出量,/>表示为/>到/>的连接权,表示输入量,/>表示为偏置项,其中/>,/>为常数,/>,为常数;
S303、将实时检测到的作物生长状态异常以及作物的空间覆盖率输入到决策模型中,输出得到作物生长状态异常的处理方案,根据所述处理方案对生长状态异常的作物进行处理。
3.一种应用权利要求1-2中任意一项所述的基于深度学习的作物生长智能决策方法的作物生长智能决策系统,其特征在于:所述作物生长智能决策系统包括数据采集模块、作物告警模块、数据分析模块、灌溉决策模块;所述数据采集模块是通过红外热成像仪对目标区域内作物的图片信息进行采集并且对目标区域内作物的光照条件进行检测;所述作物告警模块在作物生长状态出现异常时,触发作物报警模块进行报警提醒;所述数据分析模块是根据红外热成像仪生成的图片信息分析目标区域内生长状态出现异常的作物,并且根据光照条件对作物异常情况进行分析;所述灌溉决策模块通过对历史样本数据集进行训练得到决策模型,对目标区域内作物的灌溉以及除害情况解决方案进行决策管理。
4.根据权利要求3所述的作物生长智能决策系统,其特征在于:所述数据采集模块包括图片信息采集单元、光照检测单元和高清摄像头;所述图片信息采集单元的输出端与图像颜色对比度分析单元的输入端连接,所述光照检测单元的输出端与作物异常情况分析单元的出入端连接,所述高清摄像头的输出端与空间覆盖率分析单元和终端显示单元的输入端连接;所述图片信息采集单元是对红外热成像仪生成的图片进行信息采集;所述光照检测单元检测目标区域内作物一天中的光照条件;所述高清摄像头对目标区域内生长状态出现异常的作物区域进行拍摄。
5.根据权利要求4所述的作物生长智能决策系统,其特征在于:所述数据分析模块包括作物异常情况分析单元、图像颜色对比度分析单元和空间覆盖率分析单元;所述图像颜色对比度分析单元的输出端与作物异常情况分析单元的输入端连接;所述作物异常情况分析单元是对影响作物生长状态异常的原因进行分析;所述图像颜色对比度分析单元是通过图像颜色的对比分析出目标区域内正常区域和异常区域;所述空间覆盖率分析单元分析作物的空间覆盖率。
6.根据权利要求5所述的作物生长智能决策系统,其特征在于:所述灌溉决策模块包括终端显示单元和智能决策单元;所述终端显示单元是显示通过高清摄像头拍摄的图片;所述智能决策单元是对目标区域内作物的灌溉以及除害情况解决方案进行决策管理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310290440.4A CN116309480B (zh) | 2023-03-23 | 2023-03-23 | 一种基于深度学习的作物生长智能决策系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310290440.4A CN116309480B (zh) | 2023-03-23 | 2023-03-23 | 一种基于深度学习的作物生长智能决策系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116309480A CN116309480A (zh) | 2023-06-23 |
CN116309480B true CN116309480B (zh) | 2024-01-30 |
Family
ID=86784843
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310290440.4A Active CN116309480B (zh) | 2023-03-23 | 2023-03-23 | 一种基于深度学习的作物生长智能决策系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309480B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106527310A (zh) * | 2016-10-31 | 2017-03-22 | 深圳前海弘稼科技有限公司 | 农作物大棚的自动监控方法和装置 |
CN206820788U (zh) * | 2017-06-22 | 2017-12-29 | 成都大学 | 一种植物工厂植物长势记录和种植建议系统 |
KR20180041463A (ko) * | 2016-10-14 | 2018-04-24 | 주식회사미디어플로우 | 작물 생육 장치 |
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 |
CN113763304A (zh) * | 2020-05-19 | 2021-12-07 | 中移(成都)信息通信科技有限公司 | 农作物病虫害识别方法、装置、设备及介质 |
KR20220011878A (ko) * | 2020-07-22 | 2022-02-03 | 농업회사법인유창주식회사 | 인공지능 기반 병충해 및 생육 감시 방법 |
EP3961568A1 (en) * | 2020-08-25 | 2022-03-02 | Korea Institute of Science and Technology | Crop growth measurement system based on crop images, and method thereof |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
CN115690582A (zh) * | 2022-10-31 | 2023-02-03 | 滁州学院 | 一种基于高光谱数据的冬小麦识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11771016B2 (en) * | 2018-02-16 | 2023-10-03 | 9282181 Canada Inc. | System and method for growing plants and monitoring growth of plants |
-
2023
- 2023-03-23 CN CN202310290440.4A patent/CN116309480B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180041463A (ko) * | 2016-10-14 | 2018-04-24 | 주식회사미디어플로우 | 작물 생육 장치 |
CN106527310A (zh) * | 2016-10-31 | 2017-03-22 | 深圳前海弘稼科技有限公司 | 农作物大棚的自动监控方法和装置 |
CN206820788U (zh) * | 2017-06-22 | 2017-12-29 | 成都大学 | 一种植物工厂植物长势记录和种植建议系统 |
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 |
CN113763304A (zh) * | 2020-05-19 | 2021-12-07 | 中移(成都)信息通信科技有限公司 | 农作物病虫害识别方法、装置、设备及介质 |
KR20220011878A (ko) * | 2020-07-22 | 2022-02-03 | 농업회사법인유창주식회사 | 인공지능 기반 병충해 및 생육 감시 방법 |
EP3961568A1 (en) * | 2020-08-25 | 2022-03-02 | Korea Institute of Science and Technology | Crop growth measurement system based on crop images, and method thereof |
CN114332621A (zh) * | 2021-12-30 | 2022-04-12 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
CN115690582A (zh) * | 2022-10-31 | 2023-02-03 | 滁州学院 | 一种基于高光谱数据的冬小麦识别方法 |
Non-Patent Citations (2)
Title |
---|
Intensity based feature extraction for tomato plant disease recognition by classification using decision tree;Sabrol H等;《International Journal of Computer Science and Information Security》;第14卷(第9期);第622-666页 * |
深度学习在花卉养护技术中的应用;黄宏梅等;《计算机系统应用》(第3期);第265-272页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116309480A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220211013A1 (en) | Agricultural monitoring system using image analysis | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
CN109325495B (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
CN110109193B (zh) | 一种基于drnn神经网络的茄子温室温度智能化检测装置 | |
CN115185220B (zh) | 一种基于物联网的农林病虫害监控系统 | |
CN106295558A (zh) | 一种猪只行为节律分析方法 | |
CN108958204A (zh) | 一种基于专家系统知识库的食用菌栽培测控方法 | |
Radha et al. | A polyhouse: plant monitoring and diseases detection using CNN | |
Murugamani et al. | Machine learning technique for precision agriculture applications in 5G-based internet of things | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
EP3937098A1 (en) | Crop yield amount prediction program and cultivation environment assessment program | |
CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
CN115601585A (zh) | 基于图片分析的农业病虫害诊断方法及装置 | |
Tay et al. | Decision support system for Western Flower Thrips management in roses production | |
CN116309480B (zh) | 一种基于深度学习的作物生长智能决策系统及方法 | |
CN114298615A (zh) | 一种农作物种植风险预防方法、装置、存储介质和设备 | |
CN117575169A (zh) | 一种基于数据处理的智慧农业管理系统 | |
CN111507295B (zh) | 一种水产养殖管理系统 | |
CN113326743A (zh) | 一种养殖背景条件下鱼群运动行为参数提取和分析方法 | |
CN106128105B (zh) | 一种交通路口行人行为监测系统 | |
CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
Tidake et al. | Design efficient model to increase crop yield using deep learning | |
CN111815202B (zh) | 一种蜂蜜生产的预测方法及系统 | |
Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
Sakkan et al. | Disease Assessment in Rice with Pervasive Stationary and Mobile Sensing-Learnings from Rabi 2019-20 |
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 |