CN116399401B - 一种基于人工智能的农业种植系统及方法 - Google Patents
一种基于人工智能的农业种植系统及方法 Download PDFInfo
- Publication number
- CN116399401B CN116399401B CN202310399576.9A CN202310399576A CN116399401B CN 116399401 B CN116399401 B CN 116399401B CN 202310399576 A CN202310399576 A CN 202310399576A CN 116399401 B CN116399401 B CN 116399401B
- Authority
- CN
- China
- Prior art keywords
- planting
- module
- intelligent
- array
- soil
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000002689 soil Substances 0.000 claims abstract description 82
- 230000007613 environmental effect Effects 0.000 claims abstract description 58
- 238000005286 illumination Methods 0.000 claims abstract description 34
- 238000003973 irrigation Methods 0.000 claims abstract description 28
- 230000002262 irrigation Effects 0.000 claims abstract description 28
- 239000003621 irrigation water Substances 0.000 claims abstract description 21
- 238000009331 sowing Methods 0.000 claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 35
- 230000010365 information processing Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 5
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000013139 quantization Methods 0.000 claims description 4
- 238000010899 nucleation Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000035764 nutrition Effects 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
- A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/246—Earth materials for water content
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N2033/245—Earth materials for agricultural purposes
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Environmental Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Food Science & Technology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Tourism & Hospitality (AREA)
- Pathology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Geology (AREA)
- Environmental & Geological Engineering (AREA)
- Operations Research (AREA)
- Soil Sciences (AREA)
- Botany (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及智慧农业技术领域,尤其涉及一种基于人工智能的农业种植系统及方法,该系统包括:智能用户终端,用以获取第一种植阵列,智能农田监测终端,用以获取影像数据和土壤湿度、空气湿度、土壤PH值和光照强度,并得到地理参数评分和环境参数评分,智能计划确定终端,用以根据地理参数评分、环境参数评分确定最终种植阵列,智能农田装备分派终端,携带最终种植阵列中选取的农作物种子的无人机群进行播种,智能计算灌溉的水量,并进行灌溉。本发明能够根据农田的地理信息、环境信息,智能、有效地根据农田的环境智能的选取适合种植的农作物,用以解决现有技术中盲目栽种,栽种过程中智能化低的问题。
Description
技术领域
本发明涉及智慧农业技术领域,尤其涉及一种基于人工智能的农业种植系统及方法。
背景技术
智慧农田是现代生态农田利用“互联网+”的思维,结合大数据、云计算、移动互联网、物联网、空间地理信息GIS等先进技术,实现农田智慧化服务与管理。其主要应用一方面表现在如通过利用物联网,设立各种传感点,感知农田的土壤情况、气象情况等,通过数据分析,实现农田管理的智能灌溉、智能预警与分析、专家线上指导等等,实现农田管理的信息化、现代化、标准化、可视化、智能化、精细化。
中国专利公开号CN111964719A公开了一种基于人工智能的农业传感器作物精准营养系统及方法,其属于智慧农业管理技术领域,尤其涉及一种基于人工智能的农业传感器作物精准营养系统及方法。系统包括中心工作站、智能用户端及云端系统;中心工作站的服务范围覆盖整个农业种植区,采用农业传感器进行农业信息采集,并完成包括但不限于数据传输与营养供给的农业服务;智能用户端用于展示信息、采集异常苗情图像与购买营养供给服务;云端系统对信息进行处理分析。然而现有技术中仅仅通过传感器获取湿度温度等信息,没有加入农田的地理信息进行参考,也没有确定最合适种植的农作物品种和种植面积。
发明内容
为此,本发明提供一种基于人工智能的农业种植系统及方法,采用人工智能算法,该种植系统可以综合考量农田的地理信息和环境信息选择适合的种植品种,确定种植阵列、播种过程实现全自动化。
为实现上述目的,本发明一方面提供一种基于人工智能的农业种植系统,包括:
智能用户终端,用以获取第一种植阵列;
智能农田监测终端,包括信息获取模块、传感器模块和信息处理模块,用以获取影像数据和土壤湿度、空气湿度、土壤pH值和光照强度,用以派发无人机到达预定高度后镜头垂直向下获取区域图片,根据区域图片确定航行轨迹拍摄影像数据,并根据影像数据得到地理参数评分,根据土壤湿度、空气湿度、土壤pH值和光照强度得到环境参数评分;
智能计划确定终端,分别与所述智能用户终端和所述智能农田监测终端连接,包括数据库模块、种植阵列评估模块和种植阵列确定模块,用以根据所述地理参数评分、所述环境参数评分和所述第一种植阵列确定最终种植阵列;
智能农田装备分派终端,与智能计划确定终端相连接,包括无人机播种终端,用以根据K-均值算法智能分派携带所述最终种植阵列中选取的农作物种子的无人机群进行播种,还包括智能滴灌终端,用以根据所述湿度参数评分通过哈希算法智能计算灌溉的水量,并进行灌溉。
进一步地,所述智能用户终端包括输入模块、再确认模块和云端模块,
所述输入模块,用以获取第一预种植阵列,所述第一预种植阵列包括农作物的品种以及品种对应的种植面积;
所述再确认模块,与输入模块相连接,用以发送再确认信号,并根据再确认信号的接收结果对获取到的所述第一预种植阵列进行再确认;
所述云端模块,与所述再确认模块相连接,用以将再确认后的第一预种植阵列作为所述第一种植阵列并进行上传。
进一步地,所述智能农田监测终端包括信息获取模块、传感器模块和信息处理模块,其中,
信息获取模块,包括预设单元,农田边界线确定单元和航迹确定单元,用以派发具备摄像功能无人机,根据农田边界线和农田的土壤状态获取影像数据;
传感器模块,包括土壤湿度传感器、空气湿度传感器、土壤pH值传感器和光照强度传感器,用以分别获取土壤湿度、空气湿度、土壤pH值和光照强度;
信息处理模块,分别与所述无人机派发模块和传感器模块相连接,用以根据所述影像数据得到地理参数评分C,根据所述土壤湿度Wt、空气湿度Wk、土壤pH值H和光照强度P得到环境参数评分R。
进一步地,所述信息获取模块,包括预设单元,农田边界线确定单元和航迹确定单元,其中,
预设单元预设有第一预设高度H,目标灰度值Db和预定公差L用以派发无人机到达预定高度后镜头垂直向下获取区域图片;
农田边界线确定单元用以获取所述区域图片中的灰度值Dm,规定Dm≥Db为第一区域,Dm<Db为第二区域,确定农田边界线为第一区域与第二区域的边界线;
航迹确定单元用以获取区域图片中所述第一区域的平均灰度值Dp,若Dp≥2Db,判定农田土壤肥沃,无人机采取第一航行轨迹进行航行拍摄获取影像数据,所述影像数据为农田区域的高清画面,为若Dp<2Db,判定农田土壤贫瘠,无人机采取第二航行轨迹进行拍摄获取影像数据,依次进行航行第一航行轨迹为在农田边界线上选取任意三点,分别为第一航行点,第二航行点和第三航行点,依次进行航行,所述第二航行轨迹为从所述农田边界线上任意一点为第四航行点,以预定初始值为0公差为L的等差数列为间隔轨迹长度选取第五、第六、第七...航行点,直至历遍整个农田边界线,依次进行航行。
进一步地,所述信息处理模块包括图像信息处理单元和数据信息处理单元,其中,
图像信息处理单元,预设有第二预设高度,获取所述影像数据中垂直高度高于第二预设高度的面积S1,低于第二预设高度的面积S2,影像数据中色度值为(0.255.0)的面积S3,根据公式(1)计算得到所述地理参数评分,
数据信息处理单元,包括降雨量检测子单元和计算子单元;
进一步地,所述数据信息处理单元,包括降雨量检测子单元、因子确定子单元和计算子单元,其中,
降雨量检测子单元用以获取实时降雨量Q;
因子确定子单元用以根据所述实时降雨量确定环境影响因子β,当实时降雨量符合第一判断条件时,β=1,当实时降雨量不符合第一判断条件时,通过公式(2)确定环境影响因子,
计算子单元用以根据所述环境影响因子、所述土壤湿度Wt、所述空气湿度Wk、所述土壤pH值H和所述光照强度P通过公式(3)得到环境参数评分R,
进一步地,所述智能计划确定终端包括数据库模块、种植阵列评估模块和种植阵列确定模块,其中,数据库模块分别与种植阵列评估模块和种植阵列确定模块相连接,种植阵列确定与种植阵列评估模块相连接,
数据库模块,用以存储各类农作物的品种的地理环境参数纠缠因子Rn;
种植阵列评估模块,用以根据所述地理参数评分和环境参数评分评估第一种植阵列;
种植阵列确定模块,用以根据所述评估结果,获取最终种植阵列。
所述种植阵列评估模块包括获取单元、计算单元和输出单元,
所述获取单元用以根据所述第一种植阵列中农作物的品种获取对应的地理环境参数纠缠因子Rn;
所述计算单元根据所述地理环境参数纠缠因子Rn、所述地理参数评分C和环境参数评分R,通过公式(4)计算最低环境参数评分Ri,
若所述最低环境参数评分符合第一判断条件,则所述输出单元输出第一评估结果;
若所述最低环境参数评分不符合第一判断条件,则所述输出单元输出第二评估结果,其中,所述第一判断条件为R≥Ri。
进一步地,所述种植阵列确定模块包括智能种植阵列学习子模块和种植阵列推荐子模块,其中,
当所述种植阵列评估模块输出第一评估结果时,种植阵列推荐子模块将第一种植阵列作为最终种植阵列;
进一步地,所述智能农田装备分派终端包括智能播种终端和智能灌溉终端,其中,
智能播种终端,用以携带所述最终种植阵列中选取的农作物种子的无人机群进行播种;
智能灌溉终端,包括灌溉水量确定模块和实施模块,用以根据湿度参数评分计算灌溉的水量,并进行灌溉;
所述灌溉水量确定模块用以通过公式(5)获取湿度参数评分Wp,通过公式(6)计算灌溉水量Lw单位为毫升,
Wp=R/Wt(5),
Lw=10×Wp(6);
所述实施模块用以根据灌溉水量Lw以滴灌的方式对农田进行灌溉。
当所述种植阵列评估模块输出第二评估结果时,所述智能种植阵列学习子模块根据所述环境参数评分通过人工智能线性回归算法智能搜索数据库模块选取匹配度最高的农作物种类,根据所述地理参数评分通过学习矢量量化确定种植面积,从而确定第二种植计划;
种植阵列推荐子模块将第二种植计划作为最终种植阵列。
本发明另一方面还提供一种基于所述基于人工智能的农业种植系统的种植方法,该方法包括:
获取第一种植阵列;
获取影像数据和土壤湿度、空气湿度、土壤pH值和光照强度,并根据影像数据得到地理参数评分,根据土壤湿度、空气湿度、土壤pH值和光照强度得到环境参数评分
根据地理参数评分、环境参数评分和第一种植阵列确定最终种植阵列;
用以携带最终种植阵列中选取的农作物种子的无人机群进行播种,还包括智能滴灌终端,用以根据湿度参数评分,并进行灌溉。
与现有技术相比,本发明的有益效果在于,本发明中优先获取第一种植阵列,通过获取影像数据和土壤湿度、空气湿度、土壤pH值和光照强度,并根据影像数据得到地理参数评分,根据土壤湿度、空气湿度、土壤pH值和光照强度得到环境参数评分,实际考量了农田的地理信息,根据所述农田的地理参数评分、环境参数评分评估第一种植阵列,当第一种植阵列与地理参数评分、环境参数评分不匹配时,智能的确定最终种植阵列,并通过无人机自动播种,实现种植的智能化,自动化。
尤其,本发明的智能农田监测终端,包括信息获取模块、传感器模块和信息处理模块,根据农田边界线和农田的土壤状态获取影像数据,根据土壤湿度传感器、空气湿度传感器、土壤pH值传感器和光照强度传感器,用以分别获取土壤湿度、空气湿度、土壤pH值和光照强度,例如山区的环境可能允许种植小麦等经济作物,但很明显地理因素限制了其种植农作物的品种,本发明综合考量了农田的地理因素和环境因素,使得种植阵列的确定更加合理智能。
尤其,本发明的信息获取模块,包括预设单元,农田边界线确定单元和航迹确定单元,先派发无人机到达预定高度后镜头垂直向下获取区域图片,根据区域图片确定农田的边界线,使得农田的区域得到具体确认,并通过农田土壤状态在农田的边界线上选择合适的航程轨迹,例如一片比较肥沃的土壤一般比较平整,那无人机的航行可以进行优化,节省不必要的时间成本,而一块比较贫瘠的土壤,为了保证评分的准确性,需要进行确定多个航程点从而保证评分的准确性。
尤其,本发明的信息处理模块包括图像信息处理单元和数据信息处理单元,通过对获取到的影像数据进行多条件、多区域划分并加以处理,从而精准的得到地理参数评分参数。
尤其,本发明的数据信息处理单元,包括降雨量检测子单元、因子确定子单元和计算子单元,通过降雨量设定环境影响因子,排除突然降雨的因素对环境评分的影响,使得评分更加精准智能。
尤其,本发明的智能计划确定终端包括数据库模块、种植阵列评估模块和种植阵列确定模块,根据地理参数评分和环境参数评分确定最终种植阵列综合考量了农田的地理因素和环境因素,使得种植阵列的确定更加合理智能。
尤其,本发明的种植阵列确定模块包括智能种植阵列学习子模块和种植阵列推荐子模块,其中智能种植阵列学习子模块根据不同的人工智能算法连接网络数据库智能根据地理参数评分和环境参数评分确定最终种植阵列,使农田的种植效率达到最高。
附图说明
图1为本发明实施例提供的基于人工智能的农业种植系统的一种结构示意图;
图2为本发明实施例提供的基于人工智能的农业种植系统的另一种结构示意图;
图3为本发明实施例提供的基于人工智能的农业种植方法的示意图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,本发明实施例提供一种基于人工智能的农业种植系统包括:
智能用户终端10,用以获取第一种植阵列;
智能农田监测终端20,智能农田监测终端,包括信息获取模块、传感器模块和信息处理模块,用以获取影像数据和土壤湿度、空气湿度、土壤pH值和光照强度,用以派发无人机到达预定高度后镜头垂直向下获取区域图片,根据区域图片确定航行轨迹拍摄影像数据,并根据影像数据得到地理参数评分,根据土壤湿度、空气湿度、土壤pH值和光照强度得到环境参数评分;
智能计划确定终端30,分别与所述智能用户终端和所述智能农田监测终端连接,包括数据库模块、种植阵列评估模块和种植阵列确定模块,用以根据所述地理参数评分、所述环境参数评分和所述第一种植阵列确定最终种植阵列;
智能农田装备分派终端40,与智能计划确定终端相连接,包括无人机播种终端,用以根据K-均值算法智能分派携带所述最终种植阵列中选取的农作物种子的无人机群进行播种,还包括智能滴灌终端,用以根据所述湿度参数评分通过哈希算法智能计算灌溉的水量,并进行灌溉。
本发明通过获取农作物的品种和种植面积,派发具备摄影功能的无人机,获取农田土地的影像数据,使用土壤湿度传感器、空气湿度传感器、土壤pH值传感器和光照强度传感器,用以获取土壤湿度、空气湿度、土壤pH值和光照强度通过人工智能线性回归算法智能搜索数据库模块选取匹配度最高的农作物种类,根据所述地理参数评分通过学习矢量量化确定种植面积,确定最终种植阵列。
具体而言,本发明通过人工智能算法智能、有效地根据农田的环境智能的选取适合种植的农作物,解决现有技术中盲目栽种,栽种过程中智能化低的问题。
所述智能用户终端包括输入模块、再确认模块和云端模块,
所述输入模块,用以获取第一预种植阵列,所述第一预种植阵列包括农作物的品种以及品种对应的种植面积;
所述再确认模块,与输入模块相连接,用以发送再确认信号,并根据再确认信号的接收结果对获取到的所述第一预种植阵列进行再确认;
所述云端模块,与所述再确认模块相连接,用以将再确认后的第一预种植阵列作为所述第一种植阵列并进行上传。
具体而言,智能农田监测终端包括信息获取模块、传感器模块和信息处理模块,其中,
信息获取模块,包括预设单元,农田边界线确定单元和航迹确定单元,用以派发具备摄像功能无人机,根据农田边界线和农田的土壤状态获取影像数据;
传感器模块,包括土壤湿度传感器、空气湿度传感器、土壤pH值传感器和光照强度传感器,用以分别获取土壤湿度、空气湿度、土壤pH值和光照强度;
信息处理模块,分别与所述无人机派发模块和传感器模块相连接,用以根据所述影像数据得到地理参数评分C,根据所述土壤湿度Wt、空气湿度Wk、土壤pH值H和光照强度P得到环境参数评分R。
如图3所示,本发明通过信息获取模块21,派发具备摄像功能无人机,根据农田边界线和农田的土壤状态获取影像数据,传感器模块22,获取土壤湿度、空气湿度、土壤pH值和光照强度,信息处理模块23,分别与所述无人机派发模块和传感器模块相连接,用以根据所述影像数据得到地理参数评分C,根据所述土壤湿度Wt、空气湿度Wk、土壤pH值H和光照强度P得到环境参数评分R。
具体而言,本发明通过摄像无人机获取特征图片,获取影像数据,根据土壤湿度传感器、空气湿度传感器、土壤pH值传感器和光照强度传感器,用以分别获取土壤湿度、空气湿度、土壤pH值和光照强度本发明综合考量了农田的地理因素和环境因素,使得种植阵列的确定更加合理智能。
具体而言,所述信息获取模块,包括预设单元,农田边界线确定单元和航迹确定单元,其中,
预设单元预设有第一预设高度H,目标灰度值Db和预定公差L用以派发无人机到达预定高度后镜头垂直向下获取区域图片;
农田边界线确定单元用以获取所述区域图片中的灰度值Dm,规定Dm≥Db为第一区域,Dm<Db为第二区域,确定农田边界线为第一区域与第二区域的边界线;
航迹确定单元用以获取区域图片中所述第一区域的平均灰度值Dp,若Dp≥2Db,判定农田土壤肥沃,无人机采取第一航行轨迹进行航行拍摄获取影像数据,所述影像数据为农田区域的高清画面,为若Dp<2Db,判定农田土壤贫瘠,无人机采取第二航行轨迹进行拍摄获取影像数据,依次进行航行第一航行轨迹为在农田边界线上选取任意三点,分别为第一航行点,第二航行点和第三航行点,依次进行航行,所述第二航行轨迹为从所述农田边界线上任意一点为第四航行点,以预定初始值为0公差为L的等差数列为间隔轨迹长度选取第五、第六、第七...航行点,直至历遍整个农田边界线,依次进行航行。
本发明通过获取区域图片,根据灰度值将区域图片划分为两部分,从而确定农田边界线,根据农田区域的平均灰度值确定农田土壤状态,从而确定航行轨迹在保证评分的准确性的前提下节约了时间成本。
具体而言,所述信息处理模块包括图像信息处理单元和数据信息处理单元,其中,
图像信息处理单元,预设有第二预设高度,获取所述影像数据中垂直高度高于第二预设高度的面积S1,低于第二预设高度的面积S2,影像数据中色度值为(0.255.0)的面积S3,根据公式(1)计算得到地理参数评分,
数据信息处理单元,包括降雨量检测子单元和计算子单元;
具体而言,本发明预设的条件获取影像数据中各区域面积,通过对获取到的影像数据进行多条件、多区域划分并加以处理,从而精准的得到地理参数评分参数。
具体而言,所述数据信息处理单元,包括降雨量检测子单元、因子确定子单元和计算子单元,其中,
降雨量检测子单元用以获取实时降雨量Q;
因子确定子单元用以根据所述实时降雨量确定环境影响因子β,当实时降雨量符合第一判断条件时,β=1,当实时降雨量不符合第一判断条件时,通过公式(2)确定环境影响因子,
计算子单元用以根据所述环境影响因子、所述土壤湿度Wt、所述空气湿度Wk、所述土壤pH值H和所述光照强度P通过公式(3)得到环境参数评分R,
具体而言,本发明的数据信息处理单元包括降雨量检测子单元、因子确定子单元和计算子单元,通过降雨量设定环境影响因子,排除突然降雨的因素对环境评分的影响,使得评分更加精准智能。
具体而言,所述智能计划确定终端包括数据库模块、种植阵列评估模块和种植阵列确定模块,其中,数据库模块分别与种植阵列评估模块和种植阵列确定模块相连接,种植阵列确定与种植阵列评估模块相连接,
数据库模块,用以存储各类农作物的品种的地理环境参数纠缠因子Rn;
种植阵列评估模块,用以根据所述地理参数评分和环境参数评分评估第一种植阵列;
种植阵列确定模块,用以根据所述评估结果,获取最终种植阵列。
本发明通过数据库模块,根据智能算法以及专家经验,获取地理环境参数纠缠因子,根据所述地理参数评分和环境参数评分评估第一种植阵列,并根据评估结果确定最终种植阵列。
具体而言,所述种植阵列评估模块包括获取单元、计算单元和输出单元,
所述获取单元用以根据所述第一种植阵列中农作物的品种获取对应的地理环境参数纠缠因子Rn;
所述计算单元根据所述地理环境参数纠缠因子Rn、所述地理参数评分C和环境参数评分R,通过公式(4)计算最低环境参数评分Ri,
若所述最低环境参数评分符合第一判断条件,则所述输出单元输出第一评估结果;
若所述最低环境参数评分不符合第一判断条件,则所述输出单元输出第二评估结果,其中,所述第一判断条件为R≥Ri。
本发明中的地理和环境不可能是完全独立的,通过预设的地理环境参数纠缠因子Rn,将地理参数评分和环境参数评分从各自独立的评价标准变成整体的评价标准,该参数的确定可以但不限于预先安排测试人员根据地理参数评分和环境参数评分,已经实地考察后的主观评分,从1-100中确定主观地理环境参数纠缠因子,通过大量测试人员的主观地理环境参数纠缠因子,设置筛选条件,例如该测试人员的主观地理环境参数纠缠因子的方差大于5,则该测试人员的主观地理环境参数纠缠因子作废,通过对大量测试人员的主观地理环境参数纠缠因子进行均质计算,从而获取最终的地理环境参数纠缠因子。
本发明通过预先进行测试获取大量的测试环境参数评分,将数据库中存储的各种农作物的地理环境参数纠缠因子进行由小到大进行线性排列,将大量的测试环境参数评分由小到大进行线性排列,将得到的环境参数评分根据线性排列的测试环境评分进行线性回归,寻找匹配位置,记录位置查询对应的地理环境参数纠缠因子,进而查询对应的农作物品种,通过将农田区域进行划分,分为5立方米的等面积正方向区域,通过任意一区域作为起始区域,起始区域的相邻区域作为竞争区域,获取竞争区域的产量,选取产量最大的区域作为起始区域,依次直到历遍整个农田区域,最终确定种植面积。
所述种植阵列确定模块包括智能种植阵列学习子模块和种植阵列推荐子模块,其中;
当所述种植阵列评估模块输出第一评估结果时,种植阵列推荐子模块将第一种植阵列作为最终种植阵列;
当所述种植阵列评估模块输出第二评估结果时,所述智能种植阵列学习子模块根据所述环境参数评分通过人工智能线性回归算法智能搜索数据库模块选取匹配度最高的农作物种类,根据所述地理参数评分通过学习矢量量化确定种植面积,从而确定第二种植计划;
种植阵列推荐子模块将第二种植计划作为最终种植阵列。
具体而言,所述智能农田装备分派终端包括,智能播种终端和智能灌溉终端,其中,
智能播种终端,用以携带所述最终种植阵列中选取的农作物种子的无人机群进行播种;
智能灌溉终端,包括灌溉水量确定模块和实施模块,用以根据湿度参数评分计算灌溉的水量,并进行灌溉;
所述灌溉水量确定模块用以通过公式(5)获取湿度参数评分Wp,通过公式(6)计算灌溉水量Lw单位为毫升,
Wp=R/Wt(5),
Lw=10×Wp(6);
所述实施模块用以根据灌溉水量Lw以滴灌的方式对农田进行灌溉。
具体而言,本发明的种植阵列确定模块包括智能种植阵列学习子模块和种植阵列推荐子模块,其中智能种植阵列学习子模块根据不同的人工智能算法连接网络数据库智能根据地理参数评分和环境参数评分确定最终种植阵列,使农田的种植效率达到最高。
如图3所示,本发明实施例还提供一种基于所述基于人工智能的农业种植系统的种植方法,该方法包括:
S100:获取第一种植阵列;
S200:获取影像数据和土壤湿度、空气湿度、土壤pH值和光照强度,并根据影像数据得到地理参数评分,根据土壤湿度、空气湿度、土壤pH值和光照强度得到环境参数评分;
S300:根据地理参数评分、环境参数评分和第一种植阵列确定最终种植阵列;
S400:用以携带最终种植阵列中选取的农作物种子的无人机群进行播种,还包括智能滴灌终端,用以根据湿度参数评分智能计算灌溉的水量,并进行灌溉。
具体而言,本发明实施例中的人工智能的农业种植方法,能够实现与上述人工智能的农业种植方法系统相同的技术效果,在此不再赘述。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。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 (7)
1.一种基于人工智能的农业种植系统,其特征在于,包括:
智能用户终端,用以获取第一种植阵列;
智能农田监测终端,用以获取影像数据和土壤湿度、空气湿度、土壤pH值和光照强度,用以派发无人机获取区域图片,根据区域图片确定航行轨迹拍摄影像数据,并根据影像数据得到地理参数评分,根据土壤湿度、空气湿度、土壤pH值和光照强度得到环境参数评分;
智能计划确定终端,分别与所述智能用户终端和所述智能农田监测终端连接,用以根据所述地理参数评分、所述环境参数评分和所述第一种植阵列确定最终种植阵列;
智能农田装备分派终端,与智能计划确定终端相连接,用以携带所述最终种植阵列中选取的农作物种子的无人机群进行播种,并根据湿度参数评分通过哈希算法智能计算灌溉的水量,并进行灌溉;
所述智能农田监测终端包括信息获取模块、传感器模块和信息处理模块,
所述信息获取模块,用以派发具备摄像功能无人机,根据农田边界线和农田的土壤状态获取影像数据;
所述传感器模块,用以分别获取土壤湿度、空气湿度、土壤pH值和光照强度;
所述信息处理模块,分别与所述无人机派发模块和传感器模块相连接,用以根据所述影像数据得到地理参数评分C,根据所述土壤湿度Wt、空气湿度Wk、土壤pH值H和光照强度P得到环境参数评分R;
所述信息获取模块包括预设单元、农田边界线确定单元和航迹确定单元,
所述预设单元预设有第一预设高度H,目标灰度值Db和预定公差L用以派发无人机到达预定高度后镜头垂直向下获取区域图片;
所述农田边界线确定单元用以获取所述区域图片中的灰度值Dm,规定Dm≥Db为第一区域,Dm<Db为第二区域,确定农田边界线为第一区域与第二区域的边界线;
所述航迹确定单元与所述农田边界线确定单元连接,用以获取区域图片中所述第一区域的平均灰度值Dp,若Dp≥2Db,判定农田土壤肥沃,无人机采取第一航行轨迹进行航行拍摄获取影像数据,所述影像数据为农田区域的高清画面,若Dp<2Db,判定农田土壤贫瘠,无人机采取第二航行轨迹进行拍摄获取影像数据,第一航行轨迹为在农田边界线上选取任意三点,分别为第一航行点,第二航行点和第三航行点依次进行航行,所述第二航行轨迹为从所述农田边界线上任意一点为第四航行点,以第四航行点为航行起点,以预设间隔L为轨迹长度间隔选取第五航行点、第六航行点、第七航行点...第n航行点,直至历遍整个农田边界线,依次进行航行;
所述信息处理模块包括图像信息处理单元和数据信息处理单元,
所述图像信息处理单元,预设有第二预设高度,获取所述影像数据中垂直高度高于第二预设高度的面积S1,低于第二预设高度的面积S2,影像数据中色度值为(0.255.0)的面积S3,根据公式(1)计算得到所述地理参数评分,
所述数据信息处理单元,包括降雨量检测子单元、因子确定子单元和计算子单元,其中,
所述降雨量检测子单元用以获取实时降雨量Q;
所述因子确定子单元用以根据所述实时降雨量确定环境影响因子β,当实时降雨量符合第一判断条件时,β=1,当实时降雨量不符合第一判断条件时,通过公式(2)确定环境影响因子,
所述计算子单元用以根据所述环境影响因子、所述土壤湿度Wt、所述空气湿度Wk、所述土壤pH值H和所述光照强度P通过公式(3)得到环境参数评分R,
2.根据权利要求1所述的基于人工智能的农业种植系统,其特征在于,所述智能用户终端包括输入模块、再确认模块和云端模块,
所述输入模块,用以获取第一预种植阵列,所述第一预种植阵列包括农作物的品种以及品种对应的种植面积;
所述再确认模块,与输入模块相连接,用以发送再确认信号,并根据再确认信号的接收结果对获取到的所述第一预种植阵列进行再确认;
所述云端模块,与所述再确认模块相连接,用以将再确认后的第一预种植阵列作为所述第一种植阵列并进行上传。
3.根据权利要求2所述的基于人工智能的农业种植系统,其特征在于,所述智能计划确定终端包括数据库模块、种植阵列评估模块和种植阵列确定模块,数据库模块分别与种植阵列评估模块和种植阵列确定模块相连接,种植阵列确定模块与种植阵列评估模块相连接:
所述数据库模块,用以存储各类农作物的品种的地理环境参数纠缠因子Rn;
所述种植阵列评估模块,用以根据所述地理参数评分和环境参数评分评估第一种植阵列;
所述种植阵列确定模块,用以根据所述评估结果获取最终种植阵列。
4.根据权利要求3所述的基于人工智能的农业种植系统,其特征在于,所述种植阵列评估模块包括获取单元、计算单元和输出单元,
所述获取单元用以根据所述第一种植阵列中农作物的品种获取对应的地理环境参数纠缠因子Rn;
所述计算单元根据所述地理环境参数纠缠因子Rn、所述地理参数评分C和环境参数评分R,通过公式(4)计算最低环境参数评分Ri,
若所述最低环境参数评分符合第一判断条件,则所述输出单元输出第一评估结果;
若所述最低环境参数评分不符合第一判断条件,则所述输出单元输出第二评估结果,其中,所述第一判断条件为R≥Ri。
5.根据权利要求4所述的基于人工智能的农业种植系统,其特征在于,所述种植阵列确定模块包括智能种植阵列学习子模块和种植阵列推荐子模块,其中,
所述种植阵列推荐子模块在所述种植阵列评估模块输出所述第一评估结果时,将第一种植阵列作为最终种植阵列;
所述种植阵列评估模块在输出所述第二评估结果时,所述智能种植阵列学习子模块根据所述环境参数评分通过人工智能线性回归算法智能搜索数据库模块选取匹配度最高的农作物种类,根据所述地理参数评分通过学习矢量量化确定种植面积,从而确定第二种植计划;
所述种植阵列推荐子模块将第二种植计划作为最终种植阵列。
6.根据权利要求5所述的基于人工智能的农业种植系统,其特征在于,所述智能农田装备分派终端包括智能播种终端和智能灌溉终端,其中,
智能播种终端,用以携带所述最终种植阵列中选取的农作物种子的无人机群进行播种;
智能灌溉终端,用以根据湿度参数评分计算灌溉的水量,并进行灌溉,智能灌溉终端包括灌溉水量确定模块和实施模块;
所述灌溉水量确定模块用以通过公式(5)获取湿度参数评分Wp,通过公式(6)计算灌溉水量Lw单位为毫升,
Wp=R/Wt (5),
Lw=10×Wp (6),
所述实施模块用以根据灌溉水量Lw以滴灌的方式对农田进行灌溉。
7.一种应用权利要求1-6任一项的基于人工智能的农业种植系统的农业种植方法,其特征在于,包括:
获取第一种植阵列;
用以获取影像数据和土壤湿度、空气湿度、土壤pH值和光照强度,用以派发无人机获取区域图片,根据区域图片确定航行轨迹拍摄影像数据,并根据影像数据得到地理参数评分,根据土壤湿度、空气湿度、土壤pH值和光照强度得到环境参数评分;
根据所述地理参数评分、所述环境参数评分和所述第一种植阵列确定最终种植阵列;
携带所述最终种植阵列中选取的农作物种子的无人机群进行播种,并根据湿度参数评分计算灌溉的水量,并进行灌溉。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310399576.9A CN116399401B (zh) | 2023-04-14 | 2023-04-14 | 一种基于人工智能的农业种植系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310399576.9A CN116399401B (zh) | 2023-04-14 | 2023-04-14 | 一种基于人工智能的农业种植系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116399401A CN116399401A (zh) | 2023-07-07 |
CN116399401B true CN116399401B (zh) | 2024-02-09 |
Family
ID=87015733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310399576.9A Active CN116399401B (zh) | 2023-04-14 | 2023-04-14 | 一种基于人工智能的农业种植系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116399401B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975789B (zh) * | 2023-09-21 | 2023-12-05 | 北京建工环境修复股份有限公司 | 一种基于大数据的农田场地智能分析方法、系统及介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002148540A (ja) * | 2000-11-07 | 2002-05-22 | Ricoh Co Ltd | 走査光学装置及びそれを備えた画像形成装置 |
CN101349561A (zh) * | 2007-07-17 | 2009-01-21 | 农业部规划设计研究院 | 大尺度作物种植面积车载调查方法与系统 |
RU2371910C1 (ru) * | 2008-05-21 | 2009-11-10 | Государственное учреждение "Научный центр проблем аэрокосмического мониторинга" - ЦПАМ "АЭРОКОСМОС" | Способ определения состава насаждений |
CN102183288A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 基于远程红外监测的精炼铝用量控制方法 |
CN102495887A (zh) * | 2011-12-08 | 2012-06-13 | 西南科技大学 | 一种基于关键区域色彩矩阵的视频镜头分割方法及其应用 |
JP2012208839A (ja) * | 2011-03-30 | 2012-10-25 | Kobe Univ | 植物体の画像領域抽出方法、植物体の画像領域抽出装置、および植物体の生育監視システム |
CN104809481A (zh) * | 2015-05-21 | 2015-07-29 | 中南大学 | 一种基于自适应色彩聚类的自然场景文本检测的方法 |
CN107238574A (zh) * | 2017-06-07 | 2017-10-10 | 江苏大学 | 面向棉花靶向施肥的植株长势检测与诊断方法 |
WO2020038065A1 (zh) * | 2018-08-21 | 2020-02-27 | 中兴通讯股份有限公司 | 一种图像处理方法、终端及计算机存储介质 |
CN111596689A (zh) * | 2020-06-10 | 2020-08-28 | 张玉红 | 一种基于大数据物联网的智慧农业植保作业控制系统 |
CN111951119A (zh) * | 2020-08-11 | 2020-11-17 | 成都大象分形智能科技有限公司 | 基于云端人工智能的农作物精准营养管理系统及方法 |
CN111964719A (zh) * | 2020-08-11 | 2020-11-20 | 成都大象分形智能科技有限公司 | 基于人工智能的农业传感器作物精准营养系统及方法 |
CN112116514A (zh) * | 2020-09-10 | 2020-12-22 | 深圳文科园林股份有限公司 | 植物种植推荐方法、装置、设备及计算机可读存储介质 |
CN112198916A (zh) * | 2020-10-22 | 2021-01-08 | 合肥集知云信息科技有限公司 | 一种基于大数据的农业种植环境智能监测灌溉系统 |
CN113673279A (zh) * | 2020-05-14 | 2021-11-19 | 明谷农业生技股份有限公司 | 植物生长辨识方法及其系统 |
CN113850132A (zh) * | 2021-08-23 | 2021-12-28 | 湖北工程学院 | 农作物识别方法、装置、设备及存储介质 |
CN114246043A (zh) * | 2022-01-04 | 2022-03-29 | 史丹利农业集团股份有限公司 | 基于土壤和植物检测的番茄施肥校正方法及装置 |
CN114694047A (zh) * | 2022-04-12 | 2022-07-01 | 中国农业科学院作物科学研究所 | 一种玉米播种质量的评价方法及装置 |
CN115362811A (zh) * | 2022-08-11 | 2022-11-22 | 贵州电子科技职业学院 | 一种基于数字孪生的山地农作物智慧栽培系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
US11010915B2 (en) * | 2019-07-11 | 2021-05-18 | Zebra Technologies Corporation | Three-dimensional (3D) depth imaging systems and methods for dynamic container auto-configuration |
-
2023
- 2023-04-14 CN CN202310399576.9A patent/CN116399401B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002148540A (ja) * | 2000-11-07 | 2002-05-22 | Ricoh Co Ltd | 走査光学装置及びそれを備えた画像形成装置 |
CN101349561A (zh) * | 2007-07-17 | 2009-01-21 | 农业部规划设计研究院 | 大尺度作物种植面积车载调查方法与系统 |
RU2371910C1 (ru) * | 2008-05-21 | 2009-11-10 | Государственное учреждение "Научный центр проблем аэрокосмического мониторинга" - ЦПАМ "АЭРОКОСМОС" | Способ определения состава насаждений |
CN102183288A (zh) * | 2011-03-03 | 2011-09-14 | 浙江大学 | 基于远程红外监测的精炼铝用量控制方法 |
JP2012208839A (ja) * | 2011-03-30 | 2012-10-25 | Kobe Univ | 植物体の画像領域抽出方法、植物体の画像領域抽出装置、および植物体の生育監視システム |
CN102495887A (zh) * | 2011-12-08 | 2012-06-13 | 西南科技大学 | 一种基于关键区域色彩矩阵的视频镜头分割方法及其应用 |
CN104809481A (zh) * | 2015-05-21 | 2015-07-29 | 中南大学 | 一种基于自适应色彩聚类的自然场景文本检测的方法 |
CN107238574A (zh) * | 2017-06-07 | 2017-10-10 | 江苏大学 | 面向棉花靶向施肥的植株长势检测与诊断方法 |
WO2020038065A1 (zh) * | 2018-08-21 | 2020-02-27 | 中兴通讯股份有限公司 | 一种图像处理方法、终端及计算机存储介质 |
CN113673279A (zh) * | 2020-05-14 | 2021-11-19 | 明谷农业生技股份有限公司 | 植物生长辨识方法及其系统 |
CN111596689A (zh) * | 2020-06-10 | 2020-08-28 | 张玉红 | 一种基于大数据物联网的智慧农业植保作业控制系统 |
CN111951119A (zh) * | 2020-08-11 | 2020-11-17 | 成都大象分形智能科技有限公司 | 基于云端人工智能的农作物精准营养管理系统及方法 |
CN111964719A (zh) * | 2020-08-11 | 2020-11-20 | 成都大象分形智能科技有限公司 | 基于人工智能的农业传感器作物精准营养系统及方法 |
CN112116514A (zh) * | 2020-09-10 | 2020-12-22 | 深圳文科园林股份有限公司 | 植物种植推荐方法、装置、设备及计算机可读存储介质 |
CN112198916A (zh) * | 2020-10-22 | 2021-01-08 | 合肥集知云信息科技有限公司 | 一种基于大数据的农业种植环境智能监测灌溉系统 |
CN113850132A (zh) * | 2021-08-23 | 2021-12-28 | 湖北工程学院 | 农作物识别方法、装置、设备及存储介质 |
CN114246043A (zh) * | 2022-01-04 | 2022-03-29 | 史丹利农业集团股份有限公司 | 基于土壤和植物检测的番茄施肥校正方法及装置 |
CN114694047A (zh) * | 2022-04-12 | 2022-07-01 | 中国农业科学院作物科学研究所 | 一种玉米播种质量的评价方法及装置 |
CN115362811A (zh) * | 2022-08-11 | 2022-11-22 | 贵州电子科技职业学院 | 一种基于数字孪生的山地农作物智慧栽培系统 |
Non-Patent Citations (2)
Title |
---|
孙家抦.《遥感原理与应用 第3版高等学校摄影测量与遥感系列教材》.武汉大学出版社,2013,(第3版),第281-282页. * |
李征宇 等.《计算机类高等学校应用型本科"十三五"规划教材 人工智能及其应用》.哈尔滨工业大学出版社,2017,(第1版),第158-162页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116399401A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shafi et al. | A multi-modal approach for crop health mapping using low altitude remote sensing, internet of things (IoT) and machine learning | |
US11440659B2 (en) | Precision agriculture implementation method by UAV systems and artificial intelligence image processing technologies | |
US11631166B2 (en) | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle | |
CA3073291A1 (en) | Generating a yield map for an agricultural field using classification and regression methods | |
WO2019179270A1 (zh) | 植株种植数据测量方法、作业路线规划方法及装置、系统 | |
US11087132B2 (en) | Systems and methods for mapping emerged plants | |
CN110188962B (zh) | 基于农业物联网的水稻供应链信息处理方法 | |
CN110197308B (zh) | 一种用于农业物联网的作物监测系统及方法 | |
CN110213376B (zh) | 一种用于虫害预防的信息处理系统及方法 | |
CN116399401B (zh) | 一种基于人工智能的农业种植系统及方法 | |
CN111985724B (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
CN114442705B (zh) | 一种基于物联网的智慧农业系统及控制方法 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
CN114743100A (zh) | 一种农产品长势监测方法和系统 | |
CN113795846A (zh) | 确定作物种植信息的方法、装置及计算机存储介质 | |
Li et al. | Estimation of nitrogen content in wheat using indices derived from RGB and thermal infrared imaging | |
CN113435345A (zh) | 生长阶段确定方法、装置、农业系统、设备及存储介质 | |
CN111951119A (zh) | 基于云端人工智能的农作物精准营养管理系统及方法 | |
CN115620151A (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN113377062B (zh) | 一种具有病虫害和旱情监控的多功能预警系统 | |
CN113492981B (zh) | 播撒控制方法、装置、终端设备、无人设备及介质 | |
CN110161970B (zh) | 一种农业物联网综合服务管理系统 | |
CN114219227A (zh) | 一种精准施肥决策及地块级展示方法和系统 | |
CN116912702B (zh) | 杂草覆盖度确定方法、系统、装置及电子设备 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 |
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 |