CN116310815A - 一种适用于智能化茶园的病虫害预警及自学习方法 - Google Patents
一种适用于智能化茶园的病虫害预警及自学习方法 Download PDFInfo
- Publication number
- CN116310815A CN116310815A CN202310214955.6A CN202310214955A CN116310815A CN 116310815 A CN116310815 A CN 116310815A CN 202310214955 A CN202310214955 A CN 202310214955A CN 116310815 A CN116310815 A CN 116310815A
- Authority
- CN
- China
- Prior art keywords
- tea
- growth
- model
- growth state
- self
- 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.)
- Pending
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 49
- 201000010099 disease Diseases 0.000 title claims abstract description 47
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 47
- 241001122767 Theaceae Species 0.000 title 1
- 230000012010 growth Effects 0.000 claims abstract description 137
- 235000009024 Ceanothus sanguineus Nutrition 0.000 claims abstract description 90
- 240000003553 Leptospermum scoparium Species 0.000 claims abstract description 90
- 235000015459 Lycium barbarum Nutrition 0.000 claims abstract description 90
- 244000269722 Thea sinensis Species 0.000 claims abstract description 64
- 241000238631 Hexapoda Species 0.000 claims abstract description 31
- 238000011158 quantitative evaluation Methods 0.000 claims abstract description 29
- 230000000694 effects Effects 0.000 claims abstract description 21
- 241000196324 Embryophyta Species 0.000 claims abstract description 19
- 238000011002 quantification Methods 0.000 claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 238000013139 quantization Methods 0.000 claims description 32
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 16
- 235000006468 Thea sinensis Nutrition 0.000 claims description 9
- 230000008635 plant growth Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000036962 time dependent Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 208000020358 Learning disease Diseases 0.000 claims 5
- 230000002262 irrigation Effects 0.000 abstract description 8
- 238000003973 irrigation Methods 0.000 abstract description 8
- 230000004720 fertilization Effects 0.000 abstract description 7
- 238000012790 confirmation Methods 0.000 description 11
- 239000002689 soil Substances 0.000 description 7
- 230000002787 reinforcement Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 238000003704 image resize Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 239000004016 soil organic matter Substances 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
Abstract
本发明提供一种适用于智能化茶园的病虫害预警及自学习方法,包括:包括茶树生长情况量化、生长环境参数预调控、病虫害预警及模型自更新;通过茶树生长情况量化获得生长状态量化评估值,利用生长状态量化评估值配合茶园环境监测参数进行预调控,利用生长状态量化评估值配合广角摄像机图像进行病虫害告警,利用生长情况参数预调控效果、茶树的生长状态量化评估值与茶树生长状态稳定性进行自监督与自更新。该方法能够确保智能化茶园种植、能够适用于不同种植区以及茶树的不同生长阶段,预测获得灌溉量及施肥量误差小、准确性高,同时病虫害预警及时,进而保证茶树的产量与品质。
Description
技术领域
本发明涉及茶叶种植技术领域,具体涉及一种适用于智能化茶园的病虫害预警及自学习方法。
背景技术
茶叶是我国的重要经济作物之一,在我国已具有几千年的栽培历史;传统茶园的病虫害危害程度的诊断、灌溉和施肥用量等主要依靠种植人员的经验判断,而通过经验判断一是误差大、人为影响因素高、准确性低,易造成灌溉量过多或过少、或病虫害判断失误等问题,二是对于种植人员的要求较高,三是大量浪费劳动生产力。
随着科技的进步,智能化种植技术逐步应用于茶园的种植过程中,例如:通过人工智能技术完成对茶树幼苗的筛查、生长情况的监测与病虫害的预测及防治等;然而,茶树的生长情况受种植环境,如海拔、降水量、气温、光照等因素影响,难以使用统一的模型对不同种植区的茶树进行监测,进而完成茶园的智能化灌溉和施肥;同时,病虫害的习性也与种植环境有关;针对固定种植区域的茶树,由于茶树的生长,其不同生长阶段所对应的管理情况也存在差异,采用固定模型对茶树的生长情况、病虫害等进行监测与管理,会随着茶树的生长出现误差累积的情况,无法实现长期、连续性的监测与管理,预测误差大、准确性低,极易造成茶叶品质差,甚至导致茶园减产。
发明内容
针对以上现有技术存在的问题,本发明的目的在于提供一种适用于智能化茶园的病虫害预警及自学习方法,该方法通过对茶树的生长状态进行量化,从而分别获得茶园的浇灌量、施肥量以及病虫害防治预测;同时,该方法还能完成自监督、根据茶树生长状态变化或茶园环境变化而进行自更新,从而确保智能化茶园种植方法能够适用于不同种植区及茶树的不同生长阶段,预测获得灌溉量及施肥量误差小、准确性高,且病虫害预警及时,进而保证茶树的产量与品质。
本发明的目的通过以下技术方案实现:
一种适用于智能化茶园的病虫害预警及自学习方法,其特征在于:包括茶树生长情况量化、生长环境参数预调控、病虫害预警及模型自更新;
所述茶树生长情况量化具体为:采用生长状态量化模型对摄像头采集获得的茶树图像进行评估,进而获得茶树的生长状态量化评估值;
所述生长情况参数预调控具体为:根据获得的茶树生长情况(即生长状态量化评估值)、配合茶园环境监测模块获得的茶园环境监测参数,利用预调控模型,调控当前的茶树环境;
所述病虫害预警具体为:通过茶树的生长状态量化评估值以及广角摄像机获得图像,采用病虫害预警模型,实现病虫害告警;
所述模型自更新具体为:预设综合评分门限值Sd,通过生长情况参数预调控效果、茶树的生长状态量化评估值与茶树生长状态稳定性获得茶树的综合评分S;综合评分S小于综评分门限值Sd时,触发预调控模型的自动更新、完成生长环境调控的自适应。
作进一步优化,所述生长状态量化模型采用预先训练完成的深度神经网络模型,其输入为摄像头间隔固定时间的两帧图像、输出为生长状态量化评估值;
所述间隔固定时间的两帧图像,为评估时间摄像头拍摄的图像、以及固定时间间隔T前摄像头抓拍的图像。
优选的,所述固定时间间隔T通过大量的实验数据获得。
作进一步优化,所述预调控模型采用预先训练完成的深度神经网络模型,其输入为茶园环境监测参数与生长状态量化评估值、输出为(当前)茶树所需浇灌量和施肥量。
优选的,所述茶园环境监测参数包括土壤酸碱度(即pH值)、土壤有机质含量、土壤微量元素含量、土壤温湿度、茶园日照量及茶园温湿度环境。
作进一步优化,所述病虫害预警模型采用预先训练完成的深度神经网络模型,其输入为生长状态量化评估值与广角摄像机拍摄图像的融合特征、采用预处理方法对生长状态量化评估值与广角摄像机拍摄图像进行融合,输出为病虫害告警值。
优选的,所述广角摄像机拍摄图像为三通道的RGB图像。
优选的,所述预处理方法具体为:将广角摄像机拍摄图像resize到固定像素上,增加大小未固定像素的第四通道,其值全为茶树生长状态量化的评估值。
优选的,所述病虫害预警模型内预设告警门限值,当病虫害告警值大于告警门限值时,进行病虫害告警。
作进一步优化,所述生长情况参数预调控效果e(t)通过茶树的生长状态量化评估值获得,具体为:
式中:ρ(t)表示t时刻下茶树的生长状态量化评估值,ρ′(t)为其一阶导数,表示茶树的生长状态量化评估值的变化情况、用于反应预调控模型的调控效果;Δt表示茶园模型误差统计周期时间,t0表示预调控模型对茶树生长影响最大的延时时间、由实验统计获得;λ为时间影响衰变因子,其表示距时间t0间隔越远的时间、对误差计算的影响越小,通过实验获得。
作进一步优化,所述茶树生长状态稳定性通过统计阶段内所有时刻的茶树生长状态量化评估值的方差获得。
作进一步优化,所述茶树的综合评分S通过抽取系统中M个时刻的状态获得,具体为:
式中:ω1、ω2、ω3分别表示预调控参数效果评估权重、茶树生长最低容忍权重及茶树生长稳定性权重,其中,ω1+ω2+ω3=1;ρth表示茶树生长最低容忍门限、通过大量实验数据获得;varth表示茶树生长波动最大方差、通过大量实验数据获得;
作进一步优化,所述预调控模型的自动更新包括预调控模型自动更新数据集生成、以及预调控模型参数在线调优方法;
所述预调控模型自动更新数据集生成主要生成用于模型调优的参数集;参数集为数据对形式,包含两组预调控模型的输入、以及对应的智能化茶园调参效果;
所述预调控模型参数在线调优为在原有的预调控模型基础上,通过新增加的调优参数集,对模型进行微调,得到满足要求的模型参数。
上述智能化茶园中,依靠自监督和评价完成预调控模型的自更新管理,在整个过程中,依赖生长状态量化模型对茶树生长状态进行评估,因此,生长状态量化模型的精度至关重要,作进一步优化,所述生长状态量化模型通过将人工协助的强化学习引入生长状态量化模型的自动更新机制中,进一步确保系统的稳定运行;
所述人工协助的强化学习包括主动确认方法、生长状态量化模型误差评估方法及生长状态量化模型自动更新方法;
主动确认方法具体为:系统按照主动确认数据推送时间周期,推送待人工确认的数据,等待人工确认结果;待人工确认的数据为生长状态量化模型、即摄像头间隔固定时间的两帧图像;人工确认结果为根据上述两帧图像进行茶树生长状态量化评分;
生长状态量化模型误差评估方法具体为:
err=ρ-ρl;
式中:ρ表示生长状态量化模型获得的获得茶树的生长状态量化评估值,ρl表示对应的人工确认结果;
所述数据推送时间周期,根据生长状态量化模型误差评估值进行动态调整,误差越大、推送周期越短;具体为:
式中:Ti+1表示第(i+1)个主动推荐周期,Tmin表示最小推送周期时间,α为衰减因子,errth表示允许误差的最大值(errth>0),均由实验数据预先获得;
生长状态量化模型自动更新方法具体为:在原有生长状态量化模型的参数基础上,使用最新的人工协助确认的评价结果,对模型进行微调,获得满足误差允许需求的模型参数,完成系统模型参数的更新。
本发明具有如下技术效果:
本申请首先利用生长状态量化模型对茶树的生长状态进行量化,获得生长状态量化评估值;利用生长状态量化评估值配合茶园环境监测参数,获得茶园的灌溉量与施肥量的预调控;利用生长状态量化评估值配合广角摄像机拍摄图像,获得病虫害告警值,进而实现病虫害预警;同时通过生长情况参数预调控效果、茶树的生长状态量化评估值与茶树生长状态稳定性获得茶树的综合评分,利用综合评分实现茶树的自监督与自更新,从而针对不同区域的茶园种植或不同生长阶段的茶树种植进行自适应调节,避免人工调节出现的调节效率低、浪费人力物力、人为影响因素大、误差大、准确性低等问题,保证不同阶段的灌溉量与施肥量均能有效满足茶树的生长,避免过多造成资源浪费、土壤富营养化等问题,极少出现茶树生长不良、枯萎等问题。此外,本申请方法能够有效确保根据茶树的生长情况对于茶园的病虫害进行精准预测、误差小,进而实现茶园的自动化调控、管理,有效提高茶叶的产量、保证产业质量。
此外,本申请还通过人工协助进行干预调节,进一步确保了获取数据的精确性、降低数据误差,保证智能化系统的准确、有效性。
具体实施方式
下面将通过实施例对本发明技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例1:
一种适用于智能化茶园的病虫害预警及自学习方法,其特征在于:包括茶树生长情况量化、生长环境参数预调控、病虫害预警及模型自更新;
茶树生长情况量化具体为:采用生长状态量化模型对摄像头采集获得的茶树图像进行评估,进而获得茶树的生长状态量化评估值;
摄像头可使用直接架设在茶树上空的广角摄像机、也可使用无人机搭载的广角摄像机进行拍摄。生长状态量化模型采用预先训练完成的深度神经网络模型,其输入为摄像头间隔固定时间的两帧图像、输出为生长状态量化评估值;间隔固定时间的两帧图像,为评估时间摄像头拍摄的图像以及固定时间间隔T前摄像头抓拍的图像,固定时间间隔T通过大量的实验数据获得。
生长情况参数预调控具体为:根据获得的茶树生长情况(即生长状态量化评估值),配合茶园环境监测模块获得的监测参数,利用预调控模型,调控当前的茶树环境;预调控模型采用预先训练完成的深度神经网络模型,其输入为茶园环境监测参数与生长状态量化评估值、输出为(当前)茶树所需浇灌量和施肥量,茶园环境监测参数包括土壤酸碱度(即pH值)、土壤有机质含量、土壤微量元素含量、土壤温湿度、茶园日照量及茶园温湿度环境等(分别通过各种传感器或自动检测仪获得)。
病虫害预警模型采用预先训练完成的深度神经网络模型,其输入为生长状态量化评估值与广角摄像机拍摄图像的融合特征、采用预处理方法对生长状态量化评估值与广角摄像机拍摄图像进行融合,输出为病虫害告警值;病虫害预警模型内预设告警门限值(本实施例中:告警门限值为0.5),当病虫害告警值大于告警门限值时,进行病虫害告警。
广角摄像机架设在茶蓬上方、其拍摄图像为三通道的RGB图像。
预处理方法具体为:将广角摄像机拍摄图像resize到固定像素上,增加大小未固定像素的第四通道(此为本领域的常规手段),其值全为茶树生长状态量化的评估值。
预调控模型自动更新具体为:预设综合评分门限值Sd(根据大量的经验数据与实验数据获得),通过生长情况参数预调控效果、茶树的生长状态量化评估值与茶树生长状态稳定性获得茶树的综合评分S;
生长情况参数预调控效果e(t)通过茶树的生长状态量化评估值获得,具体为:
式中:ρ(t)表示t时刻下茶树的生长状态量化评估值,ρ′(t)为其一阶导数,表示茶树的生长状态量化评估值的变化情况、用于反应预调控模型的调控效果;Δt表示茶园模型误差统计周期时间,t0表示预调控模型对茶树生长影响最大的延时时间、由大量的实验数据获得;λ为时间影响衰变因子,其表示离时间t0间隔越远的时间、对误差计算的影响越小,通过实验获得。
茶树生长状态稳定性通过统计阶段内所有时刻的茶树生长状态量化评估值的方差获得,针对M个时刻的状态、茶树生长状态稳定性为var{ρ(t1),ρ(t2),...,ρ(tM)};
茶树的综合评分S通过抽取系统中M个时刻的状态获得,具体为:
式中:ω1、ω2、ω3分别表示预调控参数效果评估权重、茶树生长最低容忍权重及茶树生长稳定性权重,其中,ω1+ω2+ω3=1(各个权重值根据实际情况与实验进行分配);ρth表示茶树生长最低容忍门限、通过大量实验数据获得;varth表示茶树生长波动最大方差、通过大量实验数据获得;
综合评分S小于综评分门限值Sd时,触发预调控模型的自动更新;反之,综合评分S大于综评分门限值Sd时,不进行更新;
预调控模型的自动更新包括预调控模型自动更新数据集生成、以及预调控模型参数在线调优方法;预调控模型自动更新数据集生成主要生成用于模型调优的参数集;参数集为数据对形式,包含两组预调控模型的输入、以及对应的智能化茶园调参效果;预调控模型参数在线调优为在原有的预调控模型基础上,通过新增加的调优参数集,对模型进行微调,得到满足要求的模型参数。
实施例2:
上述智能化茶园中,依靠自监督和评价完成预调控模型的自更新管理,在整个过程中,依赖生长状态量化模型对茶树生长状态进行评估,因此,生长状态量化模型的精度至关重要,作为对本申请方案的进一步优化,在实施例1的基础上,生长状态量化模型通过将人工协助的强化学习引入生长状态量化模型的自动更新机制中,进一步确保系统的稳定运行;
人工协助的强化学习包括主动确认方法、生长状态量化模型误差评估方法及生长状态量化模型自动更新方法;
主动确认方法具体为:系统按照主动确认数据推送时间周期,推送待人工确认的数据,等待人工确认结果;待人工确认的数据为生长状态量化模型、即摄像头间隔固定时间的两帧图像;人工确认结果为根据上述两帧图像进行茶树生长状态量化评分;
生长状态量化模型误差评估方法具体为:
err=ρ-ρl;
式中:ρ表示生长状态量化模型获得的获得茶树的生长状态量化评估值,ρl表示对应的人工确认结果;
数据推送时间周期,根据生长状态量化模型误差评估值进行动态调整,误差越大、推送周期越短;具体为:
式中:Ti+1表示第(i+1)个主动推荐周期,Tmin表示最小推送周期时间,α为衰减因子,errth表示允许误差的最大值(errth>0),均由实验数据预先获得;
生长状态量化模型自动更新方法具体为:在原有生长状态量化模型的参数基础上,使用最新的人工协助确认的评价结果,对模型进行微调,获得满足误差允许需求的模型参数,完成系统模型参数的更新。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种适用于智能化茶园的病虫害预警及自学习方法,其特征在于:包括茶树生长情况量化、生长环境参数预调控、病虫害预警及模型自更新;
所述茶树生长情况量化具体为:采用生长状态量化模型对摄像头采集获得的茶树图像进行评估,进而获得茶树的生长状态量化评估值;
所述生长情况参数预调控具体为:根据获得的茶树生长情况、配合茶园环境监测模块获得的茶园环境监测参数,利用预调控模型,调控当前的茶树环境;
所述病虫害预警具体为:通过茶树的生长状态量化评估值以及广角摄像机获得图像,采用病虫害预警模型,实现病虫害告警;
所述模型自更新具体为:预设综合评分门限值Sd,通过生长情况参数预调控效果、茶树的生长状态量化评估值与茶树生长状态稳定性获得茶树的综合评分S;综合评分S小于综评分门限值Sd时,触发预调控模型的自动更新、完成生长环境调控的自适应。
2.根据权利要求1所述的一种适用于智能化茶园的病虫害预警及自学习方法,其特征在于:所述生长状态量化模型采用预先训练完成的深度神经网络模型,其输入为摄像头间隔固定时间的两帧图像、输出为生长状态量化评估值;
所述间隔固定时间的两帧图像,为评估时间摄像头拍摄的图像、以及固定时间间隔T前摄像头抓拍的图像。
3.根据权利要求1或2所述的一种适用于智能化茶园的病虫害预警及自学习方法,其特征在于:所述预调控模型采用预先训练完成的深度神经网络模型,其输入为茶园环境监测参数与生长状态量化评估值、输出为茶树所需浇灌量和施肥量。
4.根据权利要求1~3任一项所述的一种适用于智能化茶园的病虫害预警及自学习方法,其特征在于:所述病虫害预警模型采用预先训练完成的深度神经网络模型,其输入为生长状态量化评估值与广角摄像机拍摄图像的融合特征、采用预处理方法对生长状态量化评估值与广角摄像机拍摄图像进行融合,输出为病虫害告警值。
5.根据权利要求4所述的一种适用于智能化茶园的病虫害预警及自学习方法,其特征在于:所述病虫害预警模型内预设告警门限值,当病虫害告警值大于告警门限值时,进行病虫害告警。
8.根据权利要求7所述的一种适用于智能化茶园的病虫害预警及自学习方法,其特征在于:所述预调控模型的自动更新包括预调控模型自动更新数据集生成、以及预调控模型参数在线调优方法;
所述预调控模型自动更新数据集生成主要生成用于模型调优的参数集;参数集为数据对形式,包含两组预调控模型的输入、以及对应的智能化茶园调参效果;
所述预调控模型参数在线调优为在原有的预调控模型基础上,通过新增加的调优参数集,对模型进行微调,得到满足要求的模型参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310214955.6A CN116310815A (zh) | 2023-03-08 | 2023-03-08 | 一种适用于智能化茶园的病虫害预警及自学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310214955.6A CN116310815A (zh) | 2023-03-08 | 2023-03-08 | 一种适用于智能化茶园的病虫害预警及自学习方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116310815A true CN116310815A (zh) | 2023-06-23 |
Family
ID=86819829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310214955.6A Pending CN116310815A (zh) | 2023-03-08 | 2023-03-08 | 一种适用于智能化茶园的病虫害预警及自学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116310815A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876823A (zh) * | 2024-03-11 | 2024-04-12 | 浙江甲骨文超级码科技股份有限公司 | 一种茶园图像检测方法及其模型训练方法和系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634332A (zh) * | 2019-01-16 | 2019-04-16 | 青岛农业大学 | 一种现代化温室的智能调控系统 |
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
CN114637351A (zh) * | 2022-03-14 | 2022-06-17 | 江西省农业科学院园艺研究所 | 一种设施作物温室环境调控方法及系统 |
CN115292753A (zh) * | 2022-07-01 | 2022-11-04 | 电子科技大学中山学院 | 一种基于区块链的农业大棚数据溯源与管理方法 |
CN115393786A (zh) * | 2022-07-27 | 2022-11-25 | 峰景园林工程集团有限公司 | 一种基于人工智能的园林绿化维护智能监测方法及系统 |
-
2023
- 2023-03-08 CN CN202310214955.6A patent/CN116310815A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109634332A (zh) * | 2019-01-16 | 2019-04-16 | 青岛农业大学 | 一种现代化温室的智能调控系统 |
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
CN114637351A (zh) * | 2022-03-14 | 2022-06-17 | 江西省农业科学院园艺研究所 | 一种设施作物温室环境调控方法及系统 |
CN115292753A (zh) * | 2022-07-01 | 2022-11-04 | 电子科技大学中山学院 | 一种基于区块链的农业大棚数据溯源与管理方法 |
CN115393786A (zh) * | 2022-07-27 | 2022-11-25 | 峰景园林工程集团有限公司 | 一种基于人工智能的园林绿化维护智能监测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117876823A (zh) * | 2024-03-11 | 2024-04-12 | 浙江甲骨文超级码科技股份有限公司 | 一种茶园图像检测方法及其模型训练方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103838144B (zh) | 基于物联网土壤分析的甘蔗精细种植滴灌建模控制方法 | |
CN109874477B (zh) | 一种农业园区施肥机托管方法及系统 | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
CN110214506A (zh) | 水肥管控方法及系统 | |
CN112068623A (zh) | 基于互联网的温室大棚群智慧管理系统 | |
CN107991969A (zh) | 一种基于物联网的智慧烟草种植管理系统 | |
CN116824380B (zh) | 一种智慧农业云平台监控系统 | |
CN116310815A (zh) | 一种适用于智能化茶园的病虫害预警及自学习方法 | |
CN112711900A (zh) | 一种农作物数字孪生建模方法 | |
CN112540563A (zh) | 一种基于物联网的智慧农业控制系统及控制方法 | |
CN105547360A (zh) | 基于情景感知的作物冠层图像采集方法 | |
CN111026200A (zh) | 一种农业病虫害与生长状况预测防控物联网及方法 | |
CN112258329A (zh) | 一种山地农业种植园区地理信息管理系统 | |
CN115393786A (zh) | 一种基于人工智能的园林绿化维护智能监测方法及系统 | |
CN116776290A (zh) | 一种烟草大数据模型构建方法 | |
CN116486253A (zh) | 一种用于茶园病虫害及生长情况的监测管理系统 | |
CN107121927B (zh) | 一种基于广义预测控制的灌溉系统 | |
CN114967801A (zh) | 智能生产调控曲线与大数据平台 | |
CN113361377A (zh) | 一种植物生长管控模型构建方法、电子设备、存储介质 | |
Weng et al. | Greenhouse environment control based on computational experiments | |
Cai et al. | Intelligent control system and pests mathematical prediction model based on machine learning | |
KR20220065556A (ko) | 스마트팜의 생산량과 환경에 대한 최적선형모델 구축 방법 | |
CN107015480A (zh) | 一种基于广义预测控制与物联网的智能温室灌溉系统 | |
CN214708748U (zh) | 农作物精准营养灌溉管控系统 | |
LU102426B1 (en) | A Smart Agriculture System Based on Big Data |
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 |