CN116341920A - 一种基于云计算的农业风险预警系统及方法 - Google Patents
一种基于云计算的农业风险预警系统及方法 Download PDFInfo
- Publication number
- CN116341920A CN116341920A CN202310610557.6A CN202310610557A CN116341920A CN 116341920 A CN116341920 A CN 116341920A CN 202310610557 A CN202310610557 A CN 202310610557A CN 116341920 A CN116341920 A CN 116341920A
- Authority
- CN
- China
- Prior art keywords
- crop
- early warning
- module
- image sets
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 189
- 238000012545 processing Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 23
- 238000012544 monitoring process Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 5
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000026267 regulation of growth Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于云计算的农业风险预警系统及方法,涉及数据处理技术领域,对目标农田进行区域划分获得M个栅格区域,基于N个预设时间点进行图像采集获取M个作物图像集合,处理筛选并输入第一通道和第二通道内进行特征提取并输入长势分析模块内,基于长势分析结果计算预警输入信息,输入风险预警分支进行分析示警,解决了现有技术中应用于农业中的风险预警技术较为局限,监测处理层面较为浅显,对于数据的分析深度与严谨度不足,导致风险预警不够精准及时的技术问题,通过进行区域划分与针对性图像采集,针对不同处理维度配置适配性处理通道进行图像的精准有效处理,精准定位生长异常并示警,保障农产品的生长管理效果。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于云计算的农业风险预警系统及方法。
背景技术
农业生长的监测预警是现代农业日常管理工作中的基础手段,通过进行生长态势识别分析,精准定位作物生长状态,以及时采取应对措施辅助形成生产对策。目前,多基于实时生长监测与专家经验辅助进行作物生长管理,由于技术的欠缺导致风险处理受限。
现有技术中,应用于农业中的风险预警技术较为局限,监测处理层面较为浅显,对于数据的分析深度与严谨度不足,导致风险预警不够精准及时。
发明内容
本申请提供了一种基于云计算的农业风险预警系统及方法,用于针对解决现有技术中存在的应用于农业中的风险预警技术较为局限,监测处理层面较为浅显,对于数据的分析深度与严谨度不足,导致风险预警不够精准及时的技术问题。
鉴于上述问题,本申请提供了一种基于云计算的农业风险预警系统及方法。
第一方面,本申请提供了一种基于云计算的农业风险预警方法,所述方法包括:
对待进行风险预警的目标农田进行区域划分,获得M个栅格区域,其中,所述目标农田内种植有预设农业作物,M为大于1的整数;
基于N个预设时间点,对所述M个栅格区域内进行图像采集,获取M个作物图像集合,每个作物图像集合内包括所述N个预设时间点的N个作物图像,每两个预设时间点之间存在预设时间跨度,N为大于1的整数;
分别对所述M个作物图像集合进行处理,获得M个第一作物图像集合和M个第二作物图像集合,并分别将M个第一作物图像集合和M个第二作物图像集合输入作物长势分析模型内的特征分析模块内的第一通道和第二通道内,获得M个作物特征集合,其中,第一作物图像集合内的图像数量大于第二作物图像集合内的图像数量;
将所述M个作物特征集合输入所述作物长势分析模型内所述特征分析模块连接的长势分析模块内,获得M个作物长势分析结果,在存在不合格的作物长势分析结果时,获得O个不合格长势分析结果以及O个不合格等级信息,其中,O为大于等于1小于等于M的整数;
根据所述O个不合格等级信息,计算获得预警输入信息,输入所述作物长势分析模型内的风险预警分支内,获得预警等级信息,在所述目标农田进行预警。
第二方面,本申请提供了一种基于云计算的农业风险预警系统,所述系统包括:
区域划分模块,所述区域划分模块用于对待进行风险预警的目标农田进行区域划分,获得M个栅格区域,其中,所述目标农田内种植有预设农业作物,M为大于1的整数;
图像采集模块,所述图像采集模块用于基于N个预设时间点,对所述M个栅格区域内进行图像采集,获取M个作物图像集合,每个作物图像集合内包括所述N个预设时间点的N个作物图像,每两个预设时间点之间存在预设时间跨度,N为大于1的整数;
特征分析模块,所述特征分析模块用于分别对所述M个作物图像集合进行处理,获得M个第一作物图像集合和M个第二作物图像集合,并分别将M个第一作物图像集合和M个第二作物图像集合输入作物长势分析模型内的特征分析模块内的第一通道和第二通道内,获得M个作物特征集合,其中,第一作物图像集合内的图像数量大于第二作物图像集合内的图像数量;
长势分析模块,所述长势分析模块用于将所述M个作物特征集合输入所述作物长势分析模型内所述特征分析模块连接的长势分析模块内,获得M个作物长势分析结果,在存在不合格的作物长势分析结果时,获得O个不合格长势分析结果以及O个不合格等级信息,其中,O为大于等于1小于等于M的整数;
风险预警模块,所述风险预警模块用于根据所述O个不合格等级信息,计算获得预警输入信息,输入所述作物长势分析模型内的风险预警分支内,获得预警等级信息,在所述目标农田进行预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于云计算的农业风险预警方法,对待进行风险预警的目标农田进行区域划分,获得M个栅格区域,基于N个预设时间点,对所述M个栅格区域内进行图像采集,获取M个作物图像集合,分别对所述M个作物图像集合进行处理,获得M个第一作物图像集合和M个第二作物图像集合,分别输入作物长势分析模型内的特征分析模块内的第一通道和第二通道内,获得M个作物特征集合,将所述M个作物特征集合输入所述作物长势分析模型内所述特征分析模块连接的长势分析模块内,获得M个作物长势分析结果,包括O个不合格长势分析结果以及O个不合格等级信息,根据所述O个不合格等级信息,计算获得预警输入信息,输入所述作物长势分析模型内的风险预警分支内,获得预警等级信息进行示警,解决了现有技术中存在的应用于农业中的风险预警技术较为局限,监测处理层面较为浅显,对于数据的分析深度与严谨度不足,导致风险预警不够精准及时的技术问题,通过进行区域划分与针对性图像采集,针对不同处理维度配置适配性处理通道进行图像的精准有效处理,精准定位生长异常并示警,保障农产品的生长管理效果。
附图说明
图1为本申请提供了一种基于云计算的农业风险预警方法流程示意图;
图2为本申请提供了一种基于云计算的农业风险预警方法中M个作物图像集合筛选处理流程示意图;
图3为本申请提供了一种基于云计算的农业风险预警方法中预警等级信息获取流程示意图;
图4为本申请提供了一种基于云计算的农业风险预警系统结构示意图。
附图标记说明:区域划分模块11,图像采集模块12,特征分析模块13,长势分析模块14,风险预警模块15。
具体实施方式
本申请通过提供一种基于云计算的农业风险预警系统及方法,对目标农田进行区域划分获得M个栅格区域,基于N个预设时间点进行图像采集获取M个作物图像集合,处理获得M个第一作物图像集合和M个第二作物图像集合,输入第一通道和第二通道内获得M个作物特征集合,输入长势分析模块内获得M个作物长势分析结果,计算预警输入信息输入风险预警分支,获得预警等级信息进行示警,用于解决现有技术中存在的应用于农业中的风险预警技术较为局限,监测处理层面较为浅显,对于数据的分析深度与严谨度不足,导致风险预警不够精准及时的技术问题。
实施例一:
如图1所示,本申请提供了一种基于云计算的农业风险预警方法,所述方法包括:
步骤S100:对待进行风险预警的目标农田进行区域划分,获得M个栅格区域,其中,所述目标农田内种植有预设农业作物,M为大于1的整数;
具体而言,农业生长的监测预警是现代农业日常管理工作中的基础手段,通过进行生长态势识别分析,精准定位作物生长状态,以及时采取应对措施辅助形成生产对策。本申请提供的一种基于云计算的农业风险预警方法,基于预设采集要求采集作物检测图像并基于需求进行筛选处理,搭建不同处理通道进行针对性特征分析,两者相结合以精准有效确定作物生长态势进行预警应对。
具体的,对待进行风险预警的目标农田进行区域界定,设定区域划分要求,例如均分数量、单项划分尺寸等,基于所述区域划分要求对所述目标农田进行区域划分,获取所述M个栅格区域,M为大于1的整数。对所述M个栅格区域进行标号,以便进行监测区分。所述预设农作物为所述目标农田中的种植作物,比如小麦,所述预设农作物为待进行生长态势监测预警的目标作物,于划分的所述M个栅格区域进行所述预设农作物的图像采集。
步骤S200:基于N个预设时间点,对所述M个栅格区域内进行图像采集,获取M个作物图像集合,每个作物图像集合内包括所述N个预设时间点的N个作物图像,每两个预设时间点之间存在预设时间跨度,N为大于1的整数;
具体而言,所述N个预设时间点为进行所述目标农田生长监测的均匀分布的时间节点,任意相邻两个预设时间节点存在所述预设时间跨度,所述预设时间跨度为基于作物生长监测需求自定义设定的时间区间,例如一周或者一天,采集的作物图像集合内就可以看到小麦以肉眼可见的速度生长。基于所述N个预设时间点,对所述M个栅格区域同时进行图像采集,所述M个栅格区域的图像采集方式相同,优选以水平角度,图像内下端拍摄到农田,且以固定位置进行多次图像采集。基于栅格归属与同时序归属对采集图像进行整合,获取所述M个作物图像集合,所述M个作物图像集合中分别对应M个栅格区域采集的N个作物图像的时序排列,所述M个作物图像集合为进行所述预设农作物生长态势分析的待评源数据。
步骤S300:分别对所述M个作物图像集合进行处理,获得M个第一作物图像集合和M个第二作物图像集合,并分别将M个第一作物图像集合和M个第二作物图像集合输入作物长势分析模型内的特征分析模块内的第一通道和第二通道内,获得M个作物特征集合,其中,第一作物图像集合内的图像数量大于第二作物图像集合内的图像数量;
进一步而言,如图2所示,分别对所述M个作物图像集合进行处理,本申请步骤S300还包括:
步骤S310:按照第一步长,分别从所述M个作物图像集合内选取图像,获得M个待处理第一作物图像集合;
步骤S320:对所述M个待处理第一作物图像集合内的图像进行下采样处理,获得所述M个第一作物图像集合;
步骤S330:按照第二步长,从所述M个待处理第一作物图像集合内选取图像,获得所述M个第二作物图像集合,所述第二步长大于所述第一步长。
进一步而言,分别将M个第一作物图像集合和M个第二作物图像集合输入作物长势分析模型内的特征分析模块内的第一通道和第二通道内,获得M个作物特征集合,本申请还存在步骤S340,包括:
步骤S341:基于SLOWFAST模型,构建所述第一通道和第二通道,获得所述特征分析模块;
步骤S342:分别将所述M个第一作物图像集合和M个第二作物图像集合输入所述第一通道和第二通道内,获得所述M个作物特征集合。
进一步而言,基于SLOWFAST模型,构建所述第一通道和第二通道,本申请步骤S341还包括:
步骤S3411:根据所述第二步长,获取所述第一通道和所述第二通道内的卷积核数量,获得第一数量和第二数量,其中,所述第二数量和所述第一数量的比值为所述第二步长;
步骤S3412:基于SLOWFAST模型、第一数量和第二数量,构建所述第一通道和第二通道,并将所述第一通道侧向连接所述第二通道,获得所述特征分析模块。
具体而言,对所述M个作物图像集合进行特征识别前,需执行多帧图像抽取,以适配后步图像分析需求。对各个作物图像集合分别基于相同抽取手段进行图像抽取,获取所述M个待处理第一作物图像集合与所述M个第二作物图像集合。具体的,设定所述第一步长与所述第二步长,即进行图像采样抽取的限制条件,所述第一步长与所述第二步长的比值优选为4,第一作物图像集合和第二作物图像集合内的图像数量比值为8。
基于所述第一步长对所述M个作物图像集合进行抽取,例如第一步长为2,即每两张作物图像选取一个作物图像,一般选择16张图像,作为一秒内的影像,作为待处理第一作物图像集合,获取映射于所述M个作物图像集合的所述M个待处理第一作物图像集合。进一步对所述M个待处理第一作物图像集合执行下采样处理,以降低图像分辨率,减少图像细节,便于进行图像快速变化特征的感知,无需关注自身细节特征,以提升计算速度,图像下采样处理可基于现有手段进行实现,所述M个第一作物图像集合用于进行动态特征捕捉。同理,基于所述第二步长对所述M个待处理第一作物图像集合进行采样抽取,例如第二步长为8,即在待处理第一作物图像集合内,每8张作物图像选取一张,一般选择2张图像,作为一秒内的影像,作为第二作物图像集合,获取所述M个第二作物图像集合,所述M个第二作物图像集合具有高分辨率,用于进行图像细节特征提取。
进一步的,所述作物长势分析模型为基于输入图像进行所述预设农业作物态势分析的辅助分析工具,包括所述特征分析模块与所述长势分析模块,所述长势分析模块后置连接于所述特征分析模块。所述作物长势分析模型与云平台连接,于云平台中进行运算处理,同步将处理结果传输至对应的模块处理节点,延续后步处理,于云平台中提供需求算力进行处理执行,提高处理效率。所述特征分析模块由所述第一通道与所述第二通道构成,即FAST通道与SLOW通道,其针对性图像处理维度不同,其中,所述第一通道关注于输入图像的动态特征,例如作物长大的速度等;所述第二通道关注于输入图像的具体内容,例如作物的大小等。基于SLOWFAST模型,构建所述第一通道和所述第二通道。
具体的,所述第一通道内的卷积核数量较少,以提取第一作物图像集合内快速长大的作物的动作信息;所述第二通道内的卷积核数量较多,以提取更为细节的静态图像特征,例如不同第二作物图像内作物的大小。获取所述第一通道的卷积核数量,作为所述第一数量,所述第一数量可基于特征提取需求进行自定义设定,基于所述第一数量,结合所述第二步长计算所述第二数量,即将所述第二步长与所述第一数量的乘积作为所述第二通道内的卷积核数量,所述第二数量和所述第一数量的比值为8。进一步的,基于所述SLOWFAST模型确定主体架构,结合所述第一数量与所述第二数量,构建所述第一通道与所述第二通道,所述第一通道与所述第二通道可视为存在执行逻辑相似,执行处理方向存异的卷积特征提取层,可基于样本数据进行卷积神经网络训练生成。将所述第一通道侧向连接所述第二通道,构成所述特征分析模块。来自所述第一通道,即FAST通道的数据通过侧向连接被送入所述第二通道,即SLOW通道,这使得所述第二通道可以了解所述第一通道的处理结果。
进一步的,基于所述特征分析模块,将所述M个第一作物图像集合与所述M个第二作物图像集合输入所述特征分析模块内对应的所述第一通道与所述第二通道,分别进行输入图像的卷积特征识别提取与整合,获取所述M个作物特征集合,所述M个作物特征集合包括动态维度与静态维度,具有特征完备性与精准度。
步骤S400:将所述M个作物特征集合输入所述作物长势分析模型内所述特征分析模块连接的长势分析模块内,获得M个作物长势分析结果,在存在不合格的作物长势分析结果时,获得O个不合格长势分析结果以及O个不合格等级信息,其中,O为大于等于1小于等于M的整数;
进一步而言,将所述M个作物特征集合输入所述作物长势分析模型内的长势分析模块,获得M个作物长势分析结果,本申请步骤S400还包括:
步骤S410:根据所述目标农田过去预设历史时间范围内的作物监测数据,获取多个历史作物图像集合和多个历史作物长势分析结果,每个历史作物长势分析结果包括长势是否合格以及若不合格的不合格等级信息;
步骤S420:按照所述第一步长,分别从所述多个历史作物图像集合内选取图像,并进行下采样处理,获得多个历史第一作物图像集合;
步骤S430:按照所述第二步长,分别从未进行下采样处理的所述多个历史第一作物图像集合内选取图像,获得多个历史第二作物图像集合;
步骤S440:基于SLOWFAST模型内的全连接层,构建所述长势分析模块,所述长势分析模块连接所述特征分析模块内的第一通道和第二通道;
步骤S450:采用所述多个历史第一作物图像集合、多个历史第二作物图像集合和多个历史作物长势分析结果作为训练数据,对所述长势分析模块进行训练,直到达到预设条件;
步骤S460:将所述M个作物特征集合输入所述作物长势分析模型内的长势分析模块,获得所述M个作物长势分析结果。
进一步而言,采用所述多个历史第一作物图像集合、多个历史第二作物图像集合和多个历史作物长势分析结果作为训练数据,对所述长势分析模块进行训练,直到达到预设条件,本申请步骤S450还包括:
步骤S451:采用所述多个历史第一作物图像集合、多个历史第二作物图像集合和多个历史作物长势分析结果,对连接的所述特征分析模块和长势分析模块进行监督训练,通过预期输出和所述长势分析模块的实际输出的误差对网络参数进行调整,直到达到收敛条件;
步骤S452:对所述特征分析模块和长势分析模块进行验证和测试,若符合所述预设条件,获得所述长势分析模块。
具体而言,所述长势分析模块后置连接于所述特征分析模块,将所述特征分析模块特征提取输出的所述M个作物特征集合输入所述长势分析模块内进行作物长势分析。具体的,所述预设历史时间范围为自定义设定,且与当前时间节点接壤的用于进行检测数据调用的时间区间,对所述目标农田进行所述预设历史时间范围内的作物监测数据调取,识别提取映射对应的所述多个历史作物图像集合与所述多个历史作物长势分析结果,确定不同生长阶段的临界合格长势,对所述多个历史作物长势分析结果进行识别进行评定与合格状态标识,例如,若长势合格标识为0,若长势不合格,针对不合格等级标识为1-1、1-2,随着标识数据递增长势趋向于劣势。进一步的,于所述多个历史作物图像集合中分别筛选满足所述第一步长的图像,并执行下采样处理,以降低图像分辨率,进行动态特征提取,获取所述多个历史第一作物图像集合;于未进行下采样处理的所述多个历史第一作物图像集合中筛选满足所述第二步长的图像,作为所述多个历史第二作物图像集合。
进一步基于所述SLOWFAST模型内的全连接层构建所述长势分析模块,所述长势分析模块同源于前馈神经网络,直接与所述第一通道与所述第二通道连接,根据提取到的图像特征进行小麦长势的分析。对所述多个历史第一作物图像集合、所述多个历史第二作物图像集合与所述多个历史作物长势分析结果进行映射关联,生成多个样本数据集,设定数据划分比例将所述多个样本数据集划分为训练集、验证集与测试集,基于所述训练集对连接的所述特征分析模块与所述长势分析模块进行监督训练,获取实际输出的作物长势分析结果,并与所述训练集进行映射校对,计算结果差值作为输出误差,基于输出误差确定参数调整方向与调幅,对网络参数进行调整,直至达到收敛条件停止进行网络参数调整,例如满足最大调整次数。
进一步基于所述验证集与所述测试集合对所述特征分析模块与所述长势分析模块进行验证与测试,判断是否符合所述预设条件,例如,实际输出结果与样本映射数据的误差满足精度要求,若满足获取构建完成的所述长势分析模块,若不符合,重新进行抽样与训练验证,直至符合所述预设条件,以保障分析结果的准确度。所述M个作物特征集合为中间流转数据,直接基于所述第一通道与所述第二通道的输出端传输至所述长势分析模块中,基于模块训练机制分析输出所述M个作物长势分析结果,对存在不合格的作物长势分析结果进行识别标识,获得O个不合格长势分析结果以及O个不合格等级信息,其中,O为大于等于1小于等于M的整数,针对不合格的作物生长分析结果进行后步示警。
步骤S500:根据所述O个不合格等级信息,计算获得预警输入信息,输入所述作物长势分析模型内的风险预警分支内,获得预警等级信息,在所述目标农田进行预警。
进一步而言,如图3所示,根据所述O个不合格等级信息,计算获得预警输入信息,输入所述作物长势分析模型内的风险预警分支内,获得预警等级信息,本申请步骤S500还包括:
步骤S510:将所述O个不合格等级信息进行加和,获得所述预警输入信息;
步骤S520:获取历史预警输入信息集合和历史预警等级信息集合,其中,历史预警输入信息和历史预警等级信息正相关;
步骤S530:构建所述历史预警输入信息集合内多个历史预警输入信息和历史预警等级信息集合内多个历史预警等级信息的映射关系,获得所述风险预警分支;
步骤S540:将所述预警输入信息输入所述风险预警分支内,获得所述预警等级信息。
具体而言,识别不合格标识信息,对所述O个不合格等级信息进行加和,作为所述预警输入信息。调用与当前时间节点相接壤的预定时间区间内的历史预警数据,进行数据整合确定映射对应的所述历史预警输入信息集合与所述历史预警等级信息集合,所述历史预警输入信息与所述历史预警等级正相关,即输入信息越高,对应的预警等级越高。对所述历史预警输入信息中多个历史预警输入信息与所述历史预警等级信息集合中多个历史预警等级信息的映射关系,确定多个预警序列,进一步对所述多个预警序列进行提炼与排序规整,确定具有一定等级阶层的代表性序列,集成生成所述风险预警分支。进一步将所述预警输入信息输入所述风险预警分支内,通过进行信息匹配,确定匹配序列映射目标为所述预警等级信息。基于所述预警等级信息进行作物生长示警,后步执行针对性生长调控。
实施例二:
基于与前述实施例中一种基于云计算的农业风险预警方法相同的发明构思,如图4所示,本申请提供了一种基于云计算的农业风险预警系统,所述系统包括:
区域划分模块11,所述区域划分模块11用于对待进行风险预警的目标农田进行区域划分,获得M个栅格区域,其中,所述目标农田内种植有预设农业作物,M为大于1的整数;
图像采集模块12,所述图像采集模块12用于基于N个预设时间点,对所述M个栅格区域内进行图像采集,获取M个作物图像集合,每个作物图像集合内包括所述N个预设时间点的N个作物图像,每两个预设时间点之间存在预设时间跨度,N为大于1的整数;
特征分析模块13,所述特征分析模块13用于分别对所述M个作物图像集合进行处理,获得M个第一作物图像集合和M个第二作物图像集合,并分别将M个第一作物图像集合和M个第二作物图像集合输入作物长势分析模型内的特征分析模块内的第一通道和第二通道内,获得M个作物特征集合,其中,第一作物图像集合内的图像数量大于第二作物图像集合内的图像数量;
长势分析模块14,所述长势分析模块14用于将所述M个作物特征集合输入所述作物长势分析模型内所述特征分析模块连接的长势分析模块内,获得M个作物长势分析结果,在存在不合格的作物长势分析结果时,获得O个不合格长势分析结果以及O个不合格等级信息,其中,O为大于等于1小于等于M的整数;
风险预警模块15,所述风险预警模块15用于根据所述O个不合格等级信息,计算获得预警输入信息,输入所述作物长势分析模型内的风险预警分支内,获得预警等级信息,在所述目标农田进行预警。
进一步而言,所述系统还包括:
第一作物图像集合获取模块,所述第一作物图像集合获取模块用于按照第一步长,分别从所述M个作物图像集合内选取图像,获得M个待处理第一作物图像集合;
图像处理模块,所述图像处理模块用于对所述M个待处理第一作物图像集合内的图像进行下采样处理,获得所述M个第一作物图像集合;
第二作物图像集合获取模块,所述第二作物图像集合获取模块用于按照第二步长,从所述M个待处理第一作物图像集合内选取图像,获得所述M个第二作物图像集合,所述第二步长大于所述第一步长。
进一步而言,所述系统还包括:
通道构建模块,所述通道构建模块用于基于SLOWFAST模型,构建所述第一通道和第二通道,获得所述特征分析模块;
特征获取模块,所述特征获取模块用于分别将所述M个第一作物图像集合和M个第二作物图像集合输入所述第一通道和第二通道内,获得所述M个作物特征集合。
进一步而言,所述系统还包括:
卷积核数量获取模块,所述卷积核数量获取模块用于根据所述第二步长,获取所述第一通道和所述第二通道内的卷积核数量,获得第一数量和第二数量,其中,所述第二数量和所述第一数量的比值为所述第二步长;
特征分析模块构建模块,所述特征分析模块构建模块用于基于SLOWFAST模型、第一数量和第二数量,构建所述第一通道和第二通道,并将所述第一通道侧向连接所述第二通道,获得所述特征分析模块。
进一步而言,所述系统还包括:
历史数据获取模块,所述历史数据获取模块用于根据所述目标农田过去预设历史时间范围内的作物监测数据,获取多个历史作物图像集合和多个历史作物长势分析结果,每个历史作物长势分析结果包括长势是否合格以及若不合格的不合格等级信息;
历史第一作物图像集合获取模块,所述历史第一作物图像集合获取模块用于按照所述第一步长,分别从所述多个历史作物图像集合内选取图像,并进行下采样处理,获得多个历史第一作物图像集合;
历史第二作物图像集合获取模块,所述历史第二作物图像集合获取模块用于按照所述第二步长,分别从未进行下采样处理的所述多个历史第一作物图像集合内选取图像,获得多个历史第二作物图像集合;
长势分析模块构建模块,所述长势分析模块构建模块用于基于SLOWFAST模型内的全连接层,构建所述长势分析模块,所述长势分析模块连接所述特征分析模块内的第一通道和第二通道;
训练模块,所述训练模块用于采用所述多个历史第一作物图像集合、多个历史第二作物图像集合和多个历史作物长势分析结果作为训练数据,对所述长势分析模块进行训练,直到达到预设条件;
结果获取模块,所述结果获取模块用于将所述M个作物特征集合输入所述作物长势分析模型内的长势分析模块,获得所述M个作物长势分析结果。
进一步而言,所述系统还包括:
监督训练模块,所述监督训练模块用于采用所述多个历史第一作物图像集合、多个历史第二作物图像集合和多个历史作物长势分析结果,对连接的所述特征分析模块和长势分析模块进行监督训练,通过预期输出和所述长势分析模块的实际输出的误差对网络参数进行调整,直到达到收敛条件;
验证测试模块,所述验证测试模块用于对所述特征分析模块和长势分析模块进行验证和测试,若符合所述预设条件,获得所述长势分析模块。
进一步而言,所述系统还包括:
信息获取模块,所述信息获取模块用于将所述O个不合格等级信息进行加和,获得所述预警输入信息;
历史预警信息获取模块,所述历史预警信息获取模块用于获取历史预警输入信息集合和历史预警等级信息集合,其中,历史预警输入信息和历史预警等级信息正相关;
风险预警分支获取模块,所述风险预警分支获取模块用于构建所述历史预警输入信息集合内多个历史预警输入信息和历史预警等级信息集合内多个历史预警等级信息的映射关系,获得所述风险预警分支;
预警等级信息获取模块,所述预警等级信息获取模块用于将所述预警输入信息输入所述风险预警分支内,获得所述预警等级信息。
本说明书通过前述对一种基于云计算的农业风险预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于云计算的农业风险预警系统及方法,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于云计算的农业风险预警系统,其特征在于,所述系统包括:
区域划分模块,所述区域划分模块用于对待进行风险预警的目标农田进行区域划分,获得M个栅格区域,其中,所述目标农田内种植有预设农业作物,M为大于1的整数;
图像采集模块,所述图像采集模块用于基于N个预设时间点,对所述M个栅格区域内进行图像采集,获取M个作物图像集合,每个作物图像集合内包括所述N个预设时间点的N个作物图像,每两个预设时间点之间存在预设时间跨度,N为大于1的整数;
特征分析模块,所述特征分析模块用于分别对所述M个作物图像集合进行处理,获得M个第一作物图像集合和M个第二作物图像集合,并分别将M个第一作物图像集合和M个第二作物图像集合输入作物长势分析模型内的特征分析模块内的第一通道和第二通道内,获得M个作物特征集合,其中,第一作物图像集合内的图像数量大于第二作物图像集合内的图像数量;
长势分析模块,所述长势分析模块用于将所述M个作物特征集合输入所述作物长势分析模型内所述特征分析模块连接的长势分析模块内,获得M个作物长势分析结果,在存在不合格的作物长势分析结果时,获得O个不合格长势分析结果以及O个不合格等级信息,其中,O为大于等于1小于等于M的整数;以及
风险预警模块,所述风险预警模块用于根据所述O个不合格等级信息,计算获得预警输入信息,输入所述作物长势分析模型内的风险预警分支内,获得预警等级信息,在所述目标农田进行预警。
2.根据权利要求1所述的系统,其特征在于,所述特征分析模块,包括:
第一作物图像集合获取模块,所述第一作物图像集合获取模块用于按照第一步长,分别从所述M个作物图像集合内选取图像,获得M个待处理第一作物图像集合;
图像处理模块,所述图像处理模块用于对所述M个待处理第一作物图像集合内的图像进行下采样处理,获得所述M个第一作物图像集合;
第二作物图像集合获取模块,所述第二作物图像集合获取模块用于按照第二步长,从所述M个待处理第一作物图像集合内选取图像,获得所述M个第二作物图像集合,所述第二步长大于所述第一步长。
3.根据权利要求2所述的系统,其特征在于,所述特征分析模块,包括:
通道构建模块,所述通道构建模块用于基于SLOWFAST模型,构建所述第一通道和第二通道,获得所述特征分析模块;
特征获取模块,所述特征获取模块用于分别将所述M个第一作物图像集合和M个第二作物图像集合输入所述第一通道和第二通道内,获得所述M个作物特征集合。
4.根据权利要求3所述的系统,其特征在于,所述通道构建模块,包括:
卷积核数量获取模块,所述卷积核数量获取模块用于根据所述第二步长,获取所述第一通道和所述第二通道内的卷积核数量,获得第一数量和第二数量,其中,所述第二数量和所述第一数量的比值为所述第二步长;
特征分析模块构建模块,所述特征分析模块构建模块用于基于SLOWFAST模型、第一数量和第二数量,构建所述第一通道和第二通道,并将所述第一通道侧向连接所述第二通道,获得所述特征分析模块。
5.根据权利要求4所述的系统,其特征在于,所述长势分析模块,获得M个作物长势分析结果,包括:
历史数据获取模块,所述历史数据获取模块用于根据所述目标农田过去预设历史时间范围内的作物监测数据,获取多个历史作物图像集合和多个历史作物长势分析结果,每个历史作物长势分析结果包括长势是否合格以及若不合格的不合格等级信息;
历史第一作物图像集合获取模块,所述历史第一作物图像集合获取模块用于按照所述第一步长,分别从所述多个历史作物图像集合内选取图像,并进行下采样处理,获得多个历史第一作物图像集合;
历史第二作物图像集合获取模块,所述历史第二作物图像集合获取模块用于按照所述第二步长,分别从未进行下采样处理的所述多个历史第一作物图像集合内选取图像,获得多个历史第二作物图像集合;
长势分析模块构建模块,所述长势分析模块构建模块用于基于SLOWFAST模型内的全连接层,构建所述长势分析模块,所述长势分析模块连接所述特征分析模块内的第一通道和第二通道;
训练模块,所述训练模块用于采用所述多个历史第一作物图像集合、多个历史第二作物图像集合和多个历史作物长势分析结果作为训练数据,对所述长势分析模块进行训练,直到达到预设条件;
结果获取模块,所述结果获取模块用于将所述M个作物特征集合输入所述作物长势分析模型内的长势分析模块,获得所述M个作物长势分析结果。
6.根据权利要求5所述的系统,其特征在于,所述训练模块,包括:
监督训练模块,所述监督训练模块用于采用所述多个历史第一作物图像集合、多个历史第二作物图像集合和多个历史作物长势分析结果,对连接的所述特征分析模块和长势分析模块进行监督训练,通过预期输出和所述长势分析模块的实际输出的误差对网络参数进行调整,直到达到收敛条件;
验证测试模块,所述验证测试模块用于对所述特征分析模块和长势分析模块进行验证和测试,若符合所述预设条件,获得所述长势分析模块。
7.根据权利要求1所述的系统,其特征在于,所述风险预警模块,包括:
信息获取模块,所述信息获取模块用于将所述O个不合格等级信息进行加和,获得所述预警输入信息;
历史预警信息获取模块,所述历史预警信息获取模块用于获取历史预警输入信息集合和历史预警等级信息集合,其中,历史预警输入信息和历史预警等级信息正相关;
风险预警分支获取模块,所述风险预警分支获取模块用于构建所述历史预警输入信息集合内多个历史预警输入信息和历史预警等级信息集合内多个历史预警等级信息的映射关系,获得所述风险预警分支;
预警等级信息获取模块,所述预警等级信息获取模块用于将所述预警输入信息输入所述风险预警分支内,获得所述预警等级信息。
8.一种基于云计算的农业风险预警方法,其特征在于,所述方法包括:
对待进行风险预警的目标农田进行区域划分,获得M个栅格区域,其中,所述目标农田内种植有预设农业作物,M为大于1的整数;
基于N个预设时间点,对所述M个栅格区域内进行图像采集,获取M个作物图像集合,每个作物图像集合内包括所述N个预设时间点的N个作物图像,每两个预设时间点之间存在预设时间跨度,N为大于1的整数;
分别对所述M个作物图像集合进行处理,获得M个第一作物图像集合和M个第二作物图像集合,并分别将M个第一作物图像集合和M个第二作物图像集合输入作物长势分析模型内的特征分析模块内的第一通道和第二通道内,获得M个作物特征集合,其中,第一作物图像集合内的图像数量大于第二作物图像集合内的图像数量;
将所述M个作物特征集合输入所述作物长势分析模型内所述特征分析模块连接的长势分析模块内,获得M个作物长势分析结果,在存在不合格的作物长势分析结果时,获得O个不合格长势分析结果以及O个不合格等级信息,其中,O为大于等于1小于等于M的整数;以及根据所述O个不合格等级信息,计算获得预警输入信息,输入所述作物长势分析模型内的风险预警分支内,获得预警等级信息,在所述目标农田进行预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610557.6A CN116341920A (zh) | 2023-05-29 | 2023-05-29 | 一种基于云计算的农业风险预警系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310610557.6A CN116341920A (zh) | 2023-05-29 | 2023-05-29 | 一种基于云计算的农业风险预警系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341920A true CN116341920A (zh) | 2023-06-27 |
Family
ID=86879076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310610557.6A Pending CN116341920A (zh) | 2023-05-29 | 2023-05-29 | 一种基于云计算的农业风险预警系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341920A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627090A (zh) * | 2023-07-19 | 2023-08-22 | 太仓庄正数控设备有限公司 | 基于切削状态诊断的数控机床调控方法及系统 |
CN117455246A (zh) * | 2023-12-25 | 2024-01-26 | 江苏濠汉信息技术有限公司 | 基于边缘计算的电气火灾风险动态预警方法及系统 |
CN117592600A (zh) * | 2023-11-15 | 2024-02-23 | 中国铁塔股份有限公司辽宁省分公司 | 北斗高精度形变监测管理预警方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510490A (zh) * | 2018-03-30 | 2018-09-07 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
CN112580491A (zh) * | 2020-12-15 | 2021-03-30 | 广州极飞科技有限公司 | 作物生长阶段的确定方法、装置、非易失性存储装置 |
CN112579807A (zh) * | 2020-12-18 | 2021-03-30 | 杭州宣迅电子科技有限公司 | 一种基于云计算和大数据分析的智慧农业全周期种植数据云共享平台 |
CN113724210A (zh) * | 2021-08-13 | 2021-11-30 | 广州华农大智慧农业科技有限公司 | 一种作物长势识别方法和系统 |
CN115938083A (zh) * | 2022-12-06 | 2023-04-07 | 云南大学 | 一种基于移动终端农业监测预警方法及系统 |
CN116029860A (zh) * | 2023-03-29 | 2023-04-28 | 山东科翔智能科技有限公司 | 基于gis的智慧农业种植区域规划辅助决策系统 |
-
2023
- 2023-05-29 CN CN202310610557.6A patent/CN116341920A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510490A (zh) * | 2018-03-30 | 2018-09-07 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
CN112580491A (zh) * | 2020-12-15 | 2021-03-30 | 广州极飞科技有限公司 | 作物生长阶段的确定方法、装置、非易失性存储装置 |
CN112579807A (zh) * | 2020-12-18 | 2021-03-30 | 杭州宣迅电子科技有限公司 | 一种基于云计算和大数据分析的智慧农业全周期种植数据云共享平台 |
CN113724210A (zh) * | 2021-08-13 | 2021-11-30 | 广州华农大智慧农业科技有限公司 | 一种作物长势识别方法和系统 |
CN115938083A (zh) * | 2022-12-06 | 2023-04-07 | 云南大学 | 一种基于移动终端农业监测预警方法及系统 |
CN116029860A (zh) * | 2023-03-29 | 2023-04-28 | 山东科翔智能科技有限公司 | 基于gis的智慧农业种植区域规划辅助决策系统 |
Non-Patent Citations (1)
Title |
---|
CHRISTOPH FEICHTENHOFER 等: "SlowFast Networks for Video Recognition", 《HTTPS://ARXIV.ORG/PDF/1812.03982V3.PDF》, pages 1 - 10 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116627090A (zh) * | 2023-07-19 | 2023-08-22 | 太仓庄正数控设备有限公司 | 基于切削状态诊断的数控机床调控方法及系统 |
CN116627090B (zh) * | 2023-07-19 | 2023-11-10 | 太仓庄正数控设备有限公司 | 基于切削状态诊断的数控机床调控方法及系统 |
CN117592600A (zh) * | 2023-11-15 | 2024-02-23 | 中国铁塔股份有限公司辽宁省分公司 | 北斗高精度形变监测管理预警方法及系统 |
CN117455246A (zh) * | 2023-12-25 | 2024-01-26 | 江苏濠汉信息技术有限公司 | 基于边缘计算的电气火灾风险动态预警方法及系统 |
CN117455246B (zh) * | 2023-12-25 | 2024-04-12 | 江苏濠汉信息技术有限公司 | 基于边缘计算的电气火灾风险动态预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116341920A (zh) | 一种基于云计算的农业风险预警系统及方法 | |
JP6638121B1 (ja) | 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム | |
CN112198857B (zh) | 一种基于监测数据的工业设备控制优化方法及系统 | |
CN115185220B (zh) | 一种基于物联网的农林病虫害监控系统 | |
CN107273924A (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
CN113408068A (zh) | 一种随机森林分类的机泵故障诊断方法及装置 | |
CN108198268B (zh) | 一种生产设备数据标定方法 | |
CN116993302A (zh) | 基于大数据的农业信息智能管理方法及系统 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
DE102017216634A1 (de) | Verfahren und Trainingsdatengenerator zum Konfigurieren eines technischen Systems sowie Steuereinrichtung zum Steuern des technischen Systems | |
KR102130272B1 (ko) | 경험모델 기반 예측 알고리즘의 최적화 방법 | |
CN113868948A (zh) | 一种面向用户的动态阈值模型训练系统及方法 | |
CN117077893A (zh) | 耕地智保数据分析方法及装置 | |
CN117575094A (zh) | 一种基于数字孪生的农作物产量预测与优化方法及设备 | |
CN115600747B (zh) | 一种基于物联网的隧道状态监测管理方法及系统 | |
CN116452358A (zh) | 基于物联网的智慧农业管理系统 | |
CN115545962A (zh) | 一种基于多传感器系统的作物生长周期管控方法及系统 | |
CN118076929A (zh) | 尤其使用自组织映射来监控材料板、尤其工程木质板的生产 | |
CN110659843A (zh) | 核电常规岛给水系统可靠性评估方法及装置 | |
CN118228165A (zh) | 一种基于人工智能风电场的等值建模异常分析方法及系统 | |
CN117332360A (zh) | 基于5g技术的温室大棚设备故障监测方法及系统 | |
KR20230165997A (ko) | 분석/예측에 최적화된 시계열 데이터와 인공지능모듈 제공 방법 | |
Naidu et al. | Evaluation of Reference Evapotranspiration Estimation Methods and Development of crop Coefficient Models | |
CN117892861A (zh) | 一种农作物长势预测方法及系统 | |
CN118014115A (zh) | 一种基于长短时记忆网络的产线损耗监测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230627 |
|
RJ01 | Rejection of invention patent application after publication |