CN116756604B - 用于夏花生精量播种的智能调控系统 - Google Patents
用于夏花生精量播种的智能调控系统 Download PDFInfo
- Publication number
- CN116756604B CN116756604B CN202311040155.3A CN202311040155A CN116756604B CN 116756604 B CN116756604 B CN 116756604B CN 202311040155 A CN202311040155 A CN 202311040155A CN 116756604 B CN116756604 B CN 116756604B
- Authority
- CN
- China
- Prior art keywords
- sowing
- data
- abnormal
- ridge
- seeding
- 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
- 238000010899 nucleation Methods 0.000 title claims abstract description 91
- 241001553178 Arachis glabrata Species 0.000 title claims abstract description 23
- 235000020232 peanut Nutrition 0.000 title claims abstract description 23
- 235000017060 Arachis glabrata Nutrition 0.000 title claims abstract description 20
- 235000010777 Arachis hypogaea Nutrition 0.000 title claims abstract description 20
- 235000018262 Arachis monticola Nutrition 0.000 title claims abstract description 20
- 238000009331 sowing Methods 0.000 claims abstract description 236
- 230000002159 abnormal effect Effects 0.000 claims abstract description 122
- 238000001514 detection method Methods 0.000 claims abstract description 93
- 238000004458 analytical method Methods 0.000 claims abstract description 71
- 230000005856 abnormality Effects 0.000 claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 38
- 238000007405 data analysis Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 9
- 238000010234 longitudinal analysis Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 52
- 238000009826 distribution Methods 0.000 claims description 21
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Sowing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于数据处理技术领域,提供了用于夏花生精量播种的智能调控系统,包括:数据采集模块、异常检测模块、数据分析模块、效果评价模块、调控模块;数据分析模块,包括:播种数量相关性分析单元、横向分析单元、纵向分析单元、综合分析单元、异常数据分析单元。本发明提供的系统增加了异常检测结果的准确性及可信性,大大提高系统对异常数据分析进而调整结果的有效性,保障了播种过程中每次播种结果的精密性,提高了播种效率。
Description
技术领域
本申请涉及数据处理技术领域,尤其涉及用于夏花生精量播种的智能调控系统。
背景技术
随着现代农业技术的快速发展,农业自动化得到了广泛应用。传感器、控制器、机器视觉和数据分析等技术逐渐成熟,为农业生产提供了更多智能化的解决方案。
传统的花生种植方法往往依赖于人工操作,存在种子播撒不均匀、浪费种子、劳动强度大等问题。而精量播种技术可以提高种子利用率,减少劳动成本,并且有助于保证作物的均匀生长。精准农业是指通过科学的数据采集和分析,实现农业生产过程中资源和管理的精准化。精量播种作为精准农业的一部分,能够实现种子的精准投放和管理,提高农田的利用效率和产量。
为了解决花生种子播种均匀性问题,亟需一种可以用于夏花生精量播种的智能调控系统。
发明内容
为了以上技术问题,本申请提供了用于夏花生精量播种的智能调控系统。
提供的一种用于夏花生精量播种的智能调控系统,所述系统包括:数据采集模块、异常检测模块、数据分析模块、效果评价模块;
所述数据分析模块,包括:
播种数量相关性分析单元,用以分析播种机播种历史数据和当前数据中相同位置播种数量的相关性,获得历史播种数量相关性和当前播种数量相关性;
横向分析单元,用以分析播种机播种当前数据与其同一垄不同列位置处播种数量的差异性,获得列间播种数量差异性;
纵向分析单元,用以分析播种机播种当前数据与其同一列不同垄位置处播种数量的差异性,获得垄间播种数量差异性;
综合分析单元,用以根据所述历史播种数量相关性、所述列间播种数量差异性和所述垄间播种数量差异性,计算获取当前数据异常可能性;
异常数据分析单元,用以将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,和,用以分析异常播种数据的分布情况,和,用以分析当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异;
所述效果评价模块,用以根据所述异常数据分析单元获得的分析结果,评价异常检测效果;
所述调控模块,用以根据分析结果和评价异常检测效果,获取播种机的调节参数。
在本发明的一些实施例中,所述数据采集模块,用以采集播种数据,所述播种数据包括播种机播种数量和播种机运动速度。
在本发明的一些实施例中,所述异常检测模块,用以使用SOS随机异常检测算法对所述播种数据进行异常检测,获得异常播种数据。
在本发明的一些实施例中,所述历史播种数量相关性计算方法为:
其中,表示第u垄与第v垄垄间相同位置处的历史播种数量相关性,a表示播种机可参考的历史播种次数,/>表示第i次播种时播种机对应第u垄与第v垄播种位置对应播种数量的差异;
和,当前播种数量相关性计算方法为:
其中,表示第q次播种时第u垄与第v垄垄间相同位置处的播种数量相关性,b表示播种机播种次数,/>表示第q次播种时播种机对应第u垄与第v垄播种位置对应播种数量的差异。
在本发明的一些实施例中,所述列间播种数量差异性计算方法为:
其中,表示列间播种数量差异性,/>表示当前位置处的播种数量与其在同一垄第j列间播种数量的差异,c表示播种机播种列数。
在本发明的一些实施例中,所述垄间播种数量差异性计算方法为:
其中,表示垄间播种数量差异性,n表示播种机播种垄数,/>表示当前位置处的播种数量与其在同一列第t垄间播种数量的差异。
在本发明的一些实施例中,当前数据异常可能性计算方法为:
其中,表示垄间播种数量差异性,/>表示列间播种数量差异性,n表示播种机对应可以同时播种的垄数,/>表示当前分析数据所在u垄与第v个垄垄间相同位置处的播种数量相关性,b表示当前分析数据对应垄播种的次数,/>表示当前分析数据对应第v个垄下第i次播种时对应的列间播种数量差异性。
在本发明的一些实施例中,所述异常数据分析单元包括:
历史对比分析子单元,用以将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,分析公式为:
其中,表示将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,/>表示使用当前播种机已播种的次数,n表示播种机一次播种的垄数,表示第q次播种机播种后对应第u垄与第v垄播种数量之间的相关性,/>表示根据历史数据分析获取的第u垄与第v垄播种数量之间的相关性;
分布情况分析子单元,用以分析异常播种数据的分布情况,分析公式为:
其中,表示异常播种数据的分布情况,norm()表示归一化函数,sos表示SOS随机异常检测算法中根据K-means聚类算法获取的聚类簇内元素对应平均异常可能性最大的聚类簇对应的异常可能性的平均值,/>表示对应该聚类簇内元素对应使用DBSCAN聚类算法得到的聚类簇内元素数量的平均值,/>表示SOS随机异常检测算法中根据K-means聚类算法获取的聚类簇内元素对应平均异常可能性最小的聚类簇对应的异常可能性的平均值,/>表示对应该聚类簇内元素对应使用DBSCAN聚类算法得到的聚类簇内元素数量的平均值。
在本发明的一些实施例中,所述异常数据分析单元还包括:
SOS对比分析子单元,用以分析当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异,分析公式为:
其中,表示当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异,norm()表示归一化函数,/>表示当前采集得到的数据总量,表示第o个采集数据对应异常可能性,/>表示根据SOS随机异常检测算法得到的第o个数据对应异常可能性。
在本发明的一些实施例中,所述评价异常检测效果的公式为:
其中,表示异常检测评价效果,/>表示根据SOS随机异常检测算法中基于聚类分析获取的异常检测效果,/>表示将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,/>表示当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异。
由以上实施例可见,本申请实施例提供的用于夏花生精量播种的智能调控系统,具有的有益效果如下:
本发明通过分析采集数据中各个数据的异常性与异常检测所得异常值的差异,分析结果异常检测后对异常值去除后各个数据与历史数据之间的关系,以及检测过程中对异常数据进行分析,共同对使用SOS异常检测算法异常检测效果进行评价,获取优选邻居数目,进而增加异常检测结果的准确性及可信性,大大提高系统对异常数据分析进而调整结果的有效性,保障了播种过程中每次播种结果的精密性,提高了播种效率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种用于夏花生精量播种的智能调控系统基本组成示意图。
序号说明:10、数据采集模块;20、异常检测模块;30、数据分析模块;40、效果评价模块;50、调控模块;31、播种数量相关性分析单元;32、横向分析单元;33、纵向分析单元;34、综合分析单元;35、异常数据分析单元;351、历史对比分析子单元;352、分布情况分析子单元;353、SOS对比分析子单元。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面将结合附图,对本实施例提供的用于夏花生精量播种的智能调控系统进行详细介绍。
图1为本申请实施例提供的数据采集模块、异常检测模块、数据分析模块、效果评价模块。
具体的,数据采集模块10,用以采集播种数据,播种数据包括播种机播种数量和播种机运动速度。
使用现有设备获取播种机播种数量。同时获取播种机运动速度。由于播种机大多为S型进行播种,且播种时往往同时对好几垄地进行播种,故可将每次播种数据记为一个大小为n*m的矩阵,n表示播种机一次播种对应垄数,m表示播种机播种一垄对应次数,矩阵元素对应每次播种对应播种数量。
播种机在地里进行播种,由于播种路径上可能出现各种情况导致播种机在个别情况下可能出现多播种或少播种的情况,需要将这些情况进行排除,进而根据多数情况数据分析调控花生播种量。
异常数据的产生也可能是由于采集设备的原因,尤其是形状相似种子在同一时间下落,可能导致在进行识别时,识别为一个种子,进而导致识别时出现种子数量出现异常。
具体展开如下:
异常检测模块20,用以使用SOS随机异常检测算法对播种数据进行异常检测,获得异常播种数据。
本发明使用现有 (Stochastic Outlier Selection,SOS)随机异常检测算法对采集获得的播种数据进行异常检测。在使用SOS随机异常检测算法进行异常检测时,其中参数邻居数目P为一较为重要参数,而一般该参数为人为设定参数,对于不同场景不同数据时,不同参数会得到不同检测结果,故需要根据不同场景进行分析,进而获取较为有效准确的异常检测结果。本发明中邻居数目P初始值为2,取值范围为[2,10]。
数据分析模块30包括;播种数量相关性分析单元31、横向分析单元32、纵向分析单元33、综合分析单元34、异常数据分析单元35。
进一步的,播种数量相关性分析单元31,用以分析播种机播种历史数据和当前数据中相同位置播种数量的相关性,获得历史播种数量相关性和当前播种数量相关性。
对历史数据进行分析,由于播种机在地里播种时是一个来回可以播种好几垄的,故可以分析获取每次播种时,对应不同垄即不同播种机上对应位置之间播种数量的相关性。
播种数量相关性分析单元31被配置为可以分析播种机播种历史数据中相同位置播种数量的相关性,获得历史播种数量相关性。历史播种数量相关性计算方法为:
其中,表示第u垄与第v垄垄间相同位置处的历史播种数量相关性,a表示播种机可参考的历史播种次数,/>表示第i次播种时播种机对应第u垄与第v垄播种位置对应播种数量的差异。即当所求差异越小,则说明对应播种机第u,v个位置播种出现的播种差异越小,对应第u,v个播种位置相关性越高。
另外,播种数量相关性分析单元31还被配置为可以分析播种机播种当前数据中相同位置播种数量的相关性,获得当前播种数量相关性。当前播种数量相关性计算方法为:
其中,表示第q次播种时第u垄与第v垄垄间相同位置处的播种数量相关性,b表示播种机当前已播种次数,/>表示第q次播种时播种机对应第u垄与第v垄播种位置对应播种数量的差异。
横向分析单元32,用以分析播种机播种当前数据与其同一垄不同列位置处播种数量的差异性,获得列间播种数量差异性。
横向分析单元32被配置为可以分析播种机播种当前数据与其同一垄不同列位置处播种数量的差异性,获得列间播种数量差异性,列间播种数量差异性计算方法为:
其中,表示列间播种数量差异性,/>表示当前位置处的播种数量与其在同一垄第j列间播种数量的差异,c表示播种机播种列数。即,当所求当前位置播种数量与其他相同垄下不同位置的播种数量的差异越大,则说明当前位置下对应播种数量越可能为异常播种数量。
纵向分析单元33,用以分析播种机播种当前数据与其同一列不同垄位置处播种数量的差异性,获得垄间播种数量差异性。
纵向分析单元33被配置为可以分析播种机播种当前数据与其同一列不同垄位置处播种数量的差异性,获得垄间播种数量差异性,垄间播种数量差异性计算方法为:
其中,表示垄间播种数量差异性,n表示播种机播种垄数,/>表示当前位置处的播种数量与其在同一列第t垄间播种数量的差异。即,当所求当前分析播种数据与其同一列播种数据差异越大,则说明当前播种数据可能为异常播种数据。
综合分析单元34,用以根据历史播种数量相关性、列间播种数量差异性和垄间播种数量差异性,计算获取当前数据异常可能性。
综合分析单元34被配置为可以根据历史播种数量相关性、列间播种数量差异性和垄间播种数量差异性,计算获取当前数据异常可能性,当前数据异常可能性计算方法为:
其中,表示垄间播种数量差异性,/>表示列间播种数量差异性,n表示播种机对应可以同时播种的垄数,/>表示当前分析数据所在u垄与第v个垄垄间相同位置处的播种数量相关性,b表示播种机当前已播种次数,/>表示当前分析数据对应第v个垄下第i次播种时对应的列间播种数量差异性。即,当前数据与其所在相同位置下方的花生种子的数量异常程度越低,且在同一列方向上播种的种子数量的异常程度也越低,对应同一行播种种子数量的异常程度也越低,则说明当前分析数据对应播种种子数量异常可能性越小。
异常数据分析单元35,用以将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,和,用以分析异常播种数据的分布情况,和,用以分析当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异。
在本发明发一些实施例中,异常数据分析单元35、包括:历史对比分析子单元351、分布情况分析子单元352、SOS对比分析子单元353。
具体的,异常数据的存在可能会导致原本数据之间的关系发生变化,故将使用SOS随机异常检测算法进行异常检测后获取的异常数据进行剔除后,得到的数据对应之间的关系,故将剔除异常数据后的数据进行分析,获取异常数据检测效果评价。
基于以上分析,历史对比分析子单元351被配置为可以将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,用以以评价数据异常检测效果。相关性差异分析公式为:
其中,表示将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,b表示播种机当前已播种次数,n表示播种机一次播种的垄数,/>表示第q次播种机播种后对应第u垄与第v垄播种数量之间的相关性,/>表示根据历史数据分析获取的第u垄与第v垄播种数量之间的相关性。
当所求当前播种次数下,所得播种机在去除异常数据后,对应播种机各垄之间的相关性与根据历史数据所得对应两垄之间的相关性差异越小,则说明当前异常检测效果越好。其中异常数据的判断方法如下:设置阈值μ=0.7,将根据SOS随机异常检测算法所求异常值大于阈值的异常值记为异常数据。
对于将异常数据进行识别后,根据异常数据进行分析异常数据分布,分析其异常原因,进而获取对应异常数据是否需要剔除。由于本发明目的是将花生播种过程中获取的影响判断的异常数据进行剔除,其中某些数据异常的原因是机械等因素造成的,即这些异常为噪声数据,而有些异常数据则是因为本发明场景下,随着播种机运行,随着地势变化等因素造成的播种机种数量出现多种异常情况,故需要根据异常检测结果,对异常数据的分布情况进行分析,进而分析获取异常检测结果。根据上述分析可知,设置阈值μ=0.7,将所求异常值大于阈值的异常值提取出来,并将所有异常值标记在图像中,图像即为播种土地的映射,图像长度即为播种地一垄的长度,宽度即为垄数,对应为异常值的播种区域将其对应异常值标记为图像像素值,无异常播种区域则标记为0。对获取的异常值像素点,使用基于异常值以及对应图像中坐标作为聚类距离,使用基于密度的聚类算法(Density-BasedSpatial Clustering of Applications with Noise,DBSCAN)对这些异常像素点进行聚类,并获取聚类结果。根据聚类结果,对聚类簇元素内数量以及聚类簇平均异常值进行聚类,其中聚类算法使用K=2的K-means聚类算法也就是k均值聚类算法,根据聚类结果分析可知,聚类簇内异常值越大,对应聚类簇内元素越少,故当所求聚类结果越接近此先验时,说明异常检测得到的异常检测效果越好。
基于以上分析,将分布情况分析子单元352被配置为可以分析异常播种数据的分布情况,用以以评价数据异常检测效果。分布情况分析公式为:
其中,表示异常播种数据的分布情况,norm()表示归一化函数,sos表示SOS随机异常检测算法中根据K-means聚类算法获取的聚类簇内元素对应平均异常可能性较大的聚类簇对应的异常可能性的平均值,/>表示对应该聚类簇内元素对应使用DBSCAN聚类算法得到的聚类簇内元素数量的平均值,/>表示SOS随机异常检测算法中根据K-means聚类算法获取的聚类簇内元素对应平均异常可能性较小的聚类簇对应的异常可能性的平均值,/>表示对应该聚类簇内元素对应使用DBSCAN聚类算法得到的聚类簇内元素数量的平均值。
当所求根据SOS随机异常检测算法进行异常检测后得到的数据异常值,其中异常值较高的对应分布散乱,异常值次高的分布较为紧密,则说明检测效果越符合播种机种因为其他原因导致的数据噪声异常,越符合因为地势播种机参数等原因导致的集中异常的现象。当所求Rw越大,则说明检测效果越好。
另外,为了更精确的对异常数据进行分析,本发明还对各个采集数据之间相关性分析获取的数据异常值与使用SOS随机异常检测算法分析得到异常值进行分析,用以以评价数据异常检测效果。
SOS对比分析子单元353被配置为可以分析当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异,分析公式为:
其中,表示当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异,norm()表示归一化函数,/>表示当前采集得到的数据总量,表示第o个采集数据对应异常可能性,/>表示根据SOS随机异常检测算法得到的第o个数据对应异常可能性。
即当所求根据上述分析得到的数据异常值与根据SOS随机异常检测算法得到的数据异常值越接近,则说明对应数据异常检测效果越好。即所求X越小,说明检测效果越好。
效果评价模块40被配置为根据异常数据分析单元35获得的分析结果,评价异常检测效果。
效果评价模块40根据将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,异常播种数据的分布情况,以及当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异,综合评价异常检测效果,评价异常检测效果的公式为:
其中,表示异常检测评价效果,/>表示根据SOS随机异常检测算法中基于聚类分析获取的异常检测效果,/>表示将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,/>表示当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异。
当所求Rw越大,X越小、To越小,则说明当前邻居数目P下对应SOS异常检测算法结果较好。使用此邻居数目P对应异常检测结果进行后续分析,否则,邻居数目P加一,重复上述操作,直至满足结果。
调控模块50被配置为根据分析结果和评价异常检测效果,获取播种机的调节参数。
将使用SOS异常检测算法中检测出来的异常值进行分析,将异常检测得到的异常数据通过上述模块进行分析,剔除分布散乱且异常值大的异常数据。调控模块50被配置为根据分析结果和评价异常检测效果,获取播种机的调节参数。即将剔除后剩下的异常结果输入至现有神经网络中,进而获取对应播种机调节参数。根据获得的调节参数对播种机的播种参数进行相应的调节,进而保障了播种过程中每次播种结果的精密性,提高了播种效率。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
需要说明的是,除非另有规定和限定,诸如术语“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电路结构、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物品或者设备所固有的要素。在没有更多限制的情况下,有语句“包括一个……”限定的要素,并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。另外,本文使用的术语“和\或”包括一个或多个相关的所列项目的任一的和所有的组合。
本领域技术人员在考虑说明书及实践这里发明的发明后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (8)
1.一种用于夏花生精量播种的智能调控系统,其特征在于,所述系统包括:数据采集模块(10)、异常检测模块(20)、数据分析模块(30)、效果评价模块(40)、调控模块(50);
所述数据分析模块(30),包括:
播种数量相关性分析单元(31),用以分析播种机播种历史数据和当前数据中相同位置播种数量的相关性,获得历史播种数量相关性和当前播种数量相关性;
横向分析单元(32),用以分析播种机播种当前数据与其同一垄不同列位置处播种数量的差异性,获得列间播种数量差异性;
纵向分析单元(33),用以分析播种机播种当前数据与其同一列不同垄位置处播种数量的差异性,获得垄间播种数量差异性;
综合分析单元(34),用以根据所述历史播种数量相关性、所述列间播种数量差异性和所述垄间播种数量差异性,计算获取当前数据异常可能性;
异常数据分析单元(35),用以将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,和,用以分析异常播种数据的分布情况,和,用以分析当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异;
所述效果评价模块(40),用以根据所述异常数据分析单元(35)获得的分析结果,评价异常检测效果;
所述调控模块(50),用以根据分析结果和评价异常检测效果,获取播种机的调节参数;
所述异常数据分析单元(35)包括:
历史对比分析子单元(351),用以将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,分析公式为:
其中,表示将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,/>表示使用当前播种机已播种的次数,n表示播种机一次播种的垄数,/>表示第q次播种机播种后对应第u垄与第v垄播种数量之间的相关性,/>表示根据历史数据分析获取的第u垄与第v垄播种数量之间的相关性;
分布情况分析子单元(352),用以分析异常播种数据的分布情况,分析公式为:
其中,表示异常播种数据的分布情况,norm()表示归一化函数,sos表示SOS随机异常检测算法中根据K-means聚类算法获取的聚类簇内元素对应平均异常可能性最大的聚类簇对应的异常可能性的平均值,/>表示对应该聚类簇内元素对应使用DBSCAN聚类算法得到的聚类簇内元素数量的平均值,/>表示SOS随机异常检测算法中根据K-means聚类算法获取的聚类簇内元素对应平均异常可能性最小的聚类簇对应的异常可能性的平均值,表示对应该聚类簇内元素对应使用DBSCAN聚类算法得到的聚类簇内元素数量的平均值;
所述异常数据分析单元(35)还包括:
SOS对比分析子单元(353),用以分析当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异,分析公式为:
其中,表示当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异,norm()表示归一化函数,/>表示当前采集得到的数据总量,/>表示第o个采集数据对应异常可能性,/>表示根据SOS随机异常检测算法得到的第o个数据对应异常可能性。
2.根据权利要求1所述的用于夏花生精量播种的智能调控系统,其特征在于,所述数据采集模块(10),用以采集播种数据,所述播种数据包括播种机播种数量和播种机运动速度。
3.根据权利要求1所述的用于夏花生精量播种的智能调控系统,其特征在于,所述异常检测模块(20),用以使用SOS随机异常检测算法对所述播种数据进行异常检测,获得异常播种数据。
4.根据权利要求1所述的用于夏花生精量播种的智能调控系统,其特征在于,所述历史播种数量相关性计算方法为:
其中,表示第u垄与第v垄垄间相同位置处的历史播种数量相关性,a表示播种机可参考的历史播种次数,/>表示第i次播种时播种机对应第u垄与第v垄播种位置对应播种数量的差异;
和,当前播种数量相关性计算方法为:
其中,表示第q次播种时第u垄与第v垄垄间相同位置处的播种数量相关性,b表示播种机播种次数,/>表示第q次播种时播种机对应第u垄与第v垄播种位置对应播种数量的差异。
5.根据权利要求1所述的用于夏花生精量播种的智能调控系统,其特征在于,所述列间播种数量差异性计算方法为:
其中,表示列间播种数量差异性,/>表示当前位置处的播种数量与其在同一垄第j列间播种数量的差异,c表示播种机播种列数。
6.根据权利要求1所述的用于夏花生精量播种的智能调控系统,其特征在于,所述垄间播种数量差异性计算方法为:
其中,表示垄间播种数量差异性,n表示播种机播种垄数,/>表示当前位置处的播种数量与其在同一列第t垄间播种数量的差异。
7.根据权利要求1所述的用于夏花生精量播种的智能调控系统,其特征在于,当前数据异常可能性计算方法为:
其中,表示垄间播种数量差异性,/>表示列间播种数量差异性,n表示播种机对应可以同时播种的垄数,/>表示当前分析数据所在u垄与第v个垄垄间相同位置处的播种数量相关性,b表示当前分析数据对应垄播种的次数,/>表示当前分析数据对应第v个垄下第i次播种时对应的列间播种数量差异性。
8.根据权利要求1所述的用于夏花生精量播种的智能调控系统,其特征在于,所述评价异常检测效果的公式为:
其中,表示异常检测评价效果,/>表示根据SOS随机异常检测算法中基于聚类分析获取的异常检测效果,/>表示将异常播种数据剔除后分析当前播种数量相关性和历史播种数量相关性差异,/>表示当前数据异常可能性与使用SOS随机异常检测算法获取的相同位置处的数据异常可能性的差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040155.3A CN116756604B (zh) | 2023-08-18 | 2023-08-18 | 用于夏花生精量播种的智能调控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311040155.3A CN116756604B (zh) | 2023-08-18 | 2023-08-18 | 用于夏花生精量播种的智能调控系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116756604A CN116756604A (zh) | 2023-09-15 |
CN116756604B true CN116756604B (zh) | 2023-10-27 |
Family
ID=87950076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311040155.3A Active CN116756604B (zh) | 2023-08-18 | 2023-08-18 | 用于夏花生精量播种的智能调控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116756604B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106489327A (zh) * | 2016-11-30 | 2017-03-15 | 山东省农业机械科学研究院 | 一种玉米免耕深松施肥播种机监控系统和方法 |
CN109874466A (zh) * | 2019-04-19 | 2019-06-14 | 安徽农业大学 | 一种精确定量多行分种器 |
CN110338008A (zh) * | 2019-05-10 | 2019-10-18 | 山东省蚕业研究所 | 一种适用于滨海盐碱地的藜麦育苗移栽种植方法 |
CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测系统 |
CN113167779A (zh) * | 2018-12-10 | 2021-07-23 | 克莱米特公司 | 使用数字图像和机器学习模型对田地异常绘制地图 |
CN114793567A (zh) * | 2022-06-07 | 2022-07-29 | 山东农业大学 | 基于机器视觉的穴盘式育苗机漏播检测与补种装置及方法 |
CN114997612A (zh) * | 2022-05-19 | 2022-09-02 | 宿迁聚谷智能科技有限公司 | 一种面向大型粮堆异常信息的聚类分析方法和装置 |
CN116150861A (zh) * | 2023-04-20 | 2023-05-23 | 陕西建工集团股份有限公司 | 一种高烈度区剪力墙施工数据智能处理系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8850997B2 (en) * | 2011-04-25 | 2014-10-07 | Deere & Company | Planter and method of operating a planter with individual meter control |
-
2023
- 2023-08-18 CN CN202311040155.3A patent/CN116756604B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106489327A (zh) * | 2016-11-30 | 2017-03-15 | 山东省农业机械科学研究院 | 一种玉米免耕深松施肥播种机监控系统和方法 |
CN113167779A (zh) * | 2018-12-10 | 2021-07-23 | 克莱米特公司 | 使用数字图像和机器学习模型对田地异常绘制地图 |
CN109874466A (zh) * | 2019-04-19 | 2019-06-14 | 安徽农业大学 | 一种精确定量多行分种器 |
CN110338008A (zh) * | 2019-05-10 | 2019-10-18 | 山东省蚕业研究所 | 一种适用于滨海盐碱地的藜麦育苗移栽种植方法 |
CN111061620A (zh) * | 2019-12-27 | 2020-04-24 | 福州林科斯拉信息技术有限公司 | 一种混合策略的服务器异常智能检测方法及检测系统 |
CN114997612A (zh) * | 2022-05-19 | 2022-09-02 | 宿迁聚谷智能科技有限公司 | 一种面向大型粮堆异常信息的聚类分析方法和装置 |
CN114793567A (zh) * | 2022-06-07 | 2022-07-29 | 山东农业大学 | 基于机器视觉的穴盘式育苗机漏播检测与补种装置及方法 |
CN116150861A (zh) * | 2023-04-20 | 2023-05-23 | 陕西建工集团股份有限公司 | 一种高烈度区剪力墙施工数据智能处理系统 |
Non-Patent Citations (3)
Title |
---|
Implementation of ECO Friendly Automatic Seed Sowing Machine;S. Vinod 等;《2022 International Conference on Computer, Power and Communications (ICCPC)》;527-530 * |
播种机的播量自动控制及防漏播技术研究;李晓燕;《农机使用与维修》(第4期);43-44 * |
花生精量播种漏播检测及补偿系统设计与试验;聂秀展 等;《青岛农业大学学报(自然科学版)》;第37卷(第2期);140-145 * |
Also Published As
Publication number | Publication date |
---|---|
CN116756604A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20180322344A1 (en) | System and method for remote nitrogen monitoring and prescription | |
WO2015164791A1 (en) | System and method for sensor-based crop management | |
CN106845806A (zh) | 农田种植状态的遥感监测方法和系统 | |
CN105095957A (zh) | 一种基于图像分割的蚕茧计数方法 | |
CN111242007A (zh) | 一种农事行为监管方法 | |
CN105095958A (zh) | 一种蚕茧计数方法 | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
Ma et al. | Automatic detection of crop root rows in paddy fields based on straight-line clustering algorithm and supervised learning method | |
Shi et al. | Automatic corn plant location and spacing measurement using laser line-scan technique | |
Chen et al. | Sugarcane nodes identification algorithm based on sum of local pixel of minimum points of vertical projection function | |
Karimi et al. | Development of pixel-wise U-Net model to assess performance of cereal sowing | |
CN114998335A (zh) | 物联网视频监控系统及其监控方法 | |
CN116756604B (zh) | 用于夏花生精量播种的智能调控系统 | |
Moghaddam et al. | A new method in assessing sugar beet leaf nitrogen status through color image processing and artificial neural network | |
CN116897668B (zh) | 一种电驱农作物播种施肥控制方法及系统 | |
Van Wychen et al. | Accuracy and cost effectiveness of GPS-assisted wild oat mapping in spring cereal crops | |
Ramos et al. | Defining management zones based on soil attributes and soybean productivity | |
Moghaddam et al. | Developing a selective thinning algorithm in sugar beet fields using machine vision system | |
CN114372611A (zh) | 水资源优化分配方法和装置 | |
Kabir et al. | Variable fertilizer recommendation for grass production by image–based growth status | |
CN113505987A (zh) | 一种基于大数据的苗木播种施肥一体化监管反馈系统 | |
Lou et al. | Combining shape and crop models to detect soybean growth stages | |
CN111886982A (zh) | 一种旱地栽植作业质量实时检测系统和检测方法 | |
CN116897670B (zh) | 作物施肥方法、装置、电子设备和存储介质 | |
Singh et al. | Rice tiller number estimation by field robot and deep learning (Part 1) |
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 |