CN116757867B - 一种基于多源数据融合的数字乡村构建方法及系统 - Google Patents

一种基于多源数据融合的数字乡村构建方法及系统 Download PDF

Info

Publication number
CN116757867B
CN116757867B CN202311042177.3A CN202311042177A CN116757867B CN 116757867 B CN116757867 B CN 116757867B CN 202311042177 A CN202311042177 A CN 202311042177A CN 116757867 B CN116757867 B CN 116757867B
Authority
CN
China
Prior art keywords
crop
area
weed
image
pixel
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
Application number
CN202311042177.3A
Other languages
English (en)
Other versions
CN116757867A (zh
Inventor
王征
刘帅
闫文忠
王猛
陈明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Zhengtu Information Technology Co ltd
Original Assignee
Shandong Zhengtu Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Zhengtu Information Technology Co ltd filed Critical Shandong Zhengtu Information Technology Co ltd
Priority to CN202311042177.3A priority Critical patent/CN116757867B/zh
Publication of CN116757867A publication Critical patent/CN116757867A/zh
Application granted granted Critical
Publication of CN116757867B publication Critical patent/CN116757867B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Processing (AREA)

Abstract

本申请涉及信息技术领域，尤其涉及一种基于多源数据融合的数字乡村构建方法及系统，方法包括：获取目标区域内作物的多个生长阶段的多源数据；计算获得第一时段数据与第二时段数据；对作物图像进行图像处理和识别，计算作物的发芽率、幼苗叶片面积及杂草率；将第一时段数据、第二时段数据、发芽率、杂草率、幼苗叶片面积及作物产量作为特征，构建决策树模型；在决策树模型中，作物产量所在的层的下一层节点表示的特征判定为目标特征，目标特征为对作物产量影响最大的特征，根据目标特征，生成建议清单及产量预测清单。本申请具有通过依照作物不同生长阶段的不同特征，为作物产量的提高提供依据的效果。

Description

一种基于多源数据融合的数字乡村构建方法及系统
技术领域
本发明涉及信息技术领域，尤其涉及一种基于多源数据融合的数字乡村构建方法及系统。
背景技术
多源数据融合是指将来自不同来源或不同类型的数据进行整合和组合，以获得更全面、准确和有用的信息。数字乡村技术是指利用现代信息技术和数字化手段，推动农村地区的经济、社会和生活方式的数字化升级和转型。数字乡村的目标是促进农村地区的数字化发展，提升农村地区的生产力、生活水平和社会服务水平。
随着数字乡村的建设和多源数据融合技术的发展，给农村农业生产带来了新的技术和方法，通过对农业生产中产生的多源数据进行分析，给农业的整个种植、生长、收获过程提供科学客观的指导，进而提高农业生产效率，提高作物产量。
目前，公开号为CN115796374A的专利文件公开了一种农作物产量预测方法及系统，该方法通过分析影响作物产量的因素对作物产量进行预测，其中，对农作物产量的预测主要是根据作物生长的环境气候，如光照，湿度等。现有技术没有考虑作物不同生长阶段的状况，不能依照作物不同生长阶段为作物产量的提高提供依据。
发明内容
为了通过依照作物不同生长阶段的不同特征为作物产量的提高提供依据，获得对作物产量影响最大的特征以提供种植建议，本申请提供一种基于多源数据融合的数字乡村构建方法及系统。
第一方面，本申请提供一种基于多源数据融合的数字乡村构建方法，采用如下的技术方案：
一种基于多源数据融合的数字乡村构建方法，包括以下步骤：获取目标区域内作物的多个生长阶段的历史数据，进行数据处理，得到作物生长的多源数据，所述历史数据包括：作物图像、环境数据、阶段时间数据及收割阶段的作物产量；计算获得第一时段数据与第二时段数据，所述第一时段数据中的所述环境数据符合预设的正常环境阈值，第二时段数据中的所述环境数据符合预设的异常环境阈值；对所述作物图像进行图像处理和识别，计算作物发芽阶段的发芽率、幼苗阶段的幼苗叶片面积及成长阶段的杂草率，所述发芽率的计算公式为：，其中，M为发芽作物棵数，N为记录的播种数，q为发芽率；所述幼苗叶片面积计算公式为：/>，其中，A为幼苗区域像素点个数，B为幼苗图像中灰度图像的边长像素值个数，/>为所述幼苗叶片面积，/>表示所述目标区域的面积;
所述杂草率的计算公式为：，C表示所述作物图像中杂草区域的像素点个数，D表示图像中作物的叶片区域的像素点个数；将所述第一时段数据、所述第二时段数据、所述发芽率、所述杂草率、所述幼苗阶段的叶片面积及所述作物产量作为特征，构建决策树模型；在所述决策树模型中，所述作物产量所在的层的下一层节点表示的特征判定为目标特征，所述目标特征为对作物产量影响最大的特征，根据所述目标特征，生成建议清单及产量预测清单。
通过采用上述技术方案，通过决策树模型，能够计算出目标区域对于产量影响较大的特征，表示出产量与如发芽率、杂草率等特征之间的影响关系，并提供建议清单，根据不同特征对作物产量的影响程度，为提高产量提供帮助。根据目标区域内的历史数据，构建决策树模型，通过采集实时的环境、图像等数据，通过对作物不同阶段生长状况、环境进行分析，给作物生长过程提供客观数据，通过决策树模型，能够预测作物产量，根据作物生长多阶段的多源数据，使产量的预测结果较为准确和实用。
可选的，所述杂草率计算中，包括以下步骤：确定作物区域；根据所述作物区域，确定叶片区域及杂草区域，统计所述叶片区域的像素点个数；统计所述杂草区域的像素点个数，其中，设置所述叶片区域像素值为0，获得杂草阈值分割图，在所述杂草阈值分割图中，杂草区域的像素值为1，其他区域为0；根据所述叶片区域的像素点个数及所述杂草区域的像素点个数，计算所述杂草率。
通过采用上述技术方案，根据图像处理技术，将图像中的作物区域与背景区域进行区分，再从作物区域中分出杂草区域和作物叶片区域，从而计算杂草率。
可选的，所述确定作物区域中，包括以下步骤：获取作物深度图像，根据所述作物深度图像中的深度信息判定垄高及垄的位置，所述深度信息指图像中每个像素点到相机的距离信息；根据所述作物深度图像的颜色信息和所述深度信息，判定作物的高度和位置，所述颜色信息是指图像中每个像素点的颜色值；统计所述作物深度图像上像素点高度满足高度条件的点，确定所述作物区域，所述高度条件为：，其中，/>为垄高，/>为垄与垄之间沟谷的高度差，/>为作物的模板高度，/>为作物深度图像上第i个像素点的高度。
通过采用上述技术方案，设定杂草的高度比作物的高度低，建立上述高度条件，当图像上的满足高度条件，则该点可能是作物的位置，被划分在作物区域内，以高度信息及颜色信息划分处作物区域。
可选的，将所述作物区域的图像转换为灰度图像，使用阈值分割的算法提取叶片区域，获得阈值分割后的图像；提取阈值分割后图像的连通域，根据距离变换，将所述连通域中每个目标点与所述连通域边缘的最近棋盘距离作为所述目标点的值，获得所述连通域中间一条像素值最大的目标线及像素值序列；计算所述目标线的像素值序列与作物叶片距离变换后得到的模板线像素值序列的动态时间规整距离，记为；计算所述目标线的像素值序列与杂草叶片距离变换后得到的模板线像素值序列的动态时间规整距离，记为；计算所述目标线的像素值序列和作物叶片像素值序列的相似性，所述相似性计算公式为：/>，其中，/>是作物叶片像素值模板序列的像素值之和，是杂草叶片像素值模板序列的像素值之和，/>为相似性，/>为所述作物叶片像素值模板序列的序列值，j为所述作物叶片像素值模板序列中的第j个数,/>为所述杂草叶片像素值模板序列的序列值，k为所述杂草叶片像素值模板序列中的第k个数；以相似性大于3的像素值序列的所述连通域作为所述作物叶片区域。
通过采用上述技术方案，相似性计算中，考虑模板像素值大小之和是为了避免叶片大小对相似性的影响，大叶片的像素值序列较大，得到的DTW也越大，小叶片像素值序列较小，得到的DTW也越小。相似性越大说明该序列对应的连通域越可能是作物叶片区域。
可选的，所述发芽率计算中，通过目标追踪算法计数发芽作物棵数。
第二方面，本申请提供一种基于多源数据融合的数字乡村构建系统，采用如下的技术方案：
一种基于多源数据融合的数字乡村构建系统，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据本申请所述的基于多源数据融合的数字乡村构建方法。
本申请具有以下技术效果：
1、通过决策树模型，能够计算出目标区域对于产量影响较大的特征，表示出产量与如发芽率、杂草率等特征之间的影响关系，并提供建议清单，根据不同特征对作物产量的影响程度，为提高产量提供帮助。
2、根据目标区域内的历史数据，构建决策树模型，通过采集实时的环境、图像等数据，通过对作物不同阶段生长状况、环境进行分析，给作物生长过程提供客观数据，通过决策树模型，能够预测作物产量，根据作物生长多阶段的多源数据，使产量的预测结果较为准确和实用。
3、分析幼苗阶段、生长阶段拍摄的图像，根据幼苗阶段作物叶片的面积判断作物长势，根据生长阶段作物的高低、叶片面积、杂草面积确定作物长势，进而给除草施肥等工作提供信息。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1是本申请实施例一种基于多源数据融合的数字乡村构建方法中步骤S1-S5的方法流程图。
图2是本申请实施例一种基于多源数据融合的数字乡村构建方法中步骤S30-S33的方法流程图。
图3是本申请实施例一种基于多源数据融合的数字乡村构建方法中步骤S300-S302的方法流程图。
图4是本申请实施例一种基于多源数据融合的数字乡村构建方法中步骤S310-S315的方法流程图。
图5是本申请实施例一种基于多源数据融合的数字乡村构建方法中示出连通域的示例图，白色区域为提取到的连通域。
图6是本申请实施例一种基于多源数据融合的数字乡村构建方法中示出距离变换后得到连通域中像素值最大的线的示例图。
图7是本申请实施例一种基于多源数据融合的数字乡村构建系统的逻辑框架图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
应当理解，当本申请的权利要求、说明书及附图使用术语“第一”、“第二”等时，其仅是用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请实施例公开一种基于多源数据融合的数字乡村构建方法，本申请的具体应用场景为：利用多源数据融合构建数字乡村，实现作物各生长阶段监测、产量预测和提高产量，参照图1，包括步骤S1-S5，具体如下：
S1:获取目标区域内作物的多个生长阶段的历史数据，进行数据处理，得到作物生长的多源数据。
历史数据包括：作物图像、环境数据、阶段时间数据及作物产量等数据，用温度传感器、湿度传感器等传感设备，采集作物不同生长阶段环境中的温度，湿度等环境指标，用无人机和深度相机拍摄不同生长阶段作物的图像，作物产量为统计获得的历史产量。
作物的生长阶段包括：发芽阶段，幼苗阶段、成长阶段、开花授粉阶段，结果阶段和收割阶段。发芽阶段中，种子萌发，幼小的根和茎开始生长；幼苗阶段中，开始生出幼小的叶片，根系和茎继续发育；成长阶段为主要的生长期，作物的根茎发育的较为粗壮，叶片的数量与面积较大；开花授粉阶段，作物开始产生花蕾并开花授粉，结果阶段中，作物开始结出果实或产生种子，收割阶段指果实完全成熟，植物的生长停止，农民进行收割的过程。
对采集到的数据进行预处理，将采集到的数据进行去噪处理，去除明显不合理的数据，如采集的温度数据：20℃，25℃，27℃，50℃，26℃，50℃是不合理的数据，图像去除拍摄模糊的图像。
S2:计算获得第一时段数据与第二时段数据，第一时段数据中的环境数据符合预设的正常环境阈值，第二时段数据中的环境数据符合预设的异常环境阈值。
获取作物种类，确定作物种类需要匹配的环境阈值，匹配每个作物较为适宜的环境阈值作为正常环境阈值，其中，正常环境阈值指适宜作物生长的环境数据，例如，如玉米适宜的生长温度范围为20℃-30℃，适宜的生长湿度范围为50%-70%，统计温度在20℃-30℃，湿度在50%-70%的时间段，作为第一时段数据。
异常环境阈值为极端温度、干旱以及大风、大雨等天气，例如，开花授粉阶段影响授粉是大风、大雨天气，统计开花授粉阶段大风，大雨等天气出现的次数及对应的时间段。
S3:对作物图像进行图像处理和识别，计算作物发芽阶段的发芽率、幼苗阶段的幼苗叶片面积及成长阶段的杂草率。
发芽率计算中，设置发芽率的计算公式为：，M为使用目标追踪算法计数的发芽作物棵数，N为记录的播种数，q为发芽率。具体的，拍摄作物发芽阶段的图像，选取一块地的四个角和中间的图像，用Deepsort算法（目标追踪算法）计数一共有多少发芽的作物，记录为共有M棵发芽的作物，根据预先确定的区域中播种的N棵种子，根据发芽率计算公式，计算发芽率。
幼苗叶片面积计算中，拍摄作物幼苗阶段图像，从幼苗深度图像中把RGB（Red,Green,Blue，红，绿，蓝）颜色通道数据取出来，得到作物幼苗颜色图像，将幼苗颜色图像转化为幼苗灰度图像，通过阈值分割的方法，将幼苗区域提取出来，统计幼苗区域像素点的个数，得到幼苗叶片面积，计算公式为：，其中，A为幼苗区域像素点个数，B为幼苗图像中灰度图像的边长像素值个数，/>幼苗叶片面积，/>表示目标区域的面积。
参照图2，杂草率计算具体包括步骤S30-S33:
S30:确定作物区域。参照图3，步骤S30包括步骤S300-S302，具体如下：
S300:获取作物深度图像，根据作物深度图像中的深度信息判定垄高及垄的位置。深度信息指图像中每个像素点到相机的距离信息。
S301:根据作物深度图像的颜色信息和深度信息，判定作物的高度和位置。
颜色信息是指图像中每个像素点的颜色值。例如，可以将较亮或较暗的颜色区域判定为作物。
S302:统计作物深度图像上像素点高度满足高度条件的点，确定作物区域。
在正常的作物生长环境里，杂草的高度比作物的高度低，且杂草叶片和作物叶片的形状与大小不同。
设定高度条件为：
其中，为垄高，/>为垄与垄之间沟谷的高度差，/>为作物的模板高度，为用户设定，/>为作物深度图像上第i个像素点的高度。具体地，垄高是指土地种植时，尤其是耕作时，将土地上的土壤整理成一条条或一段段的畦，畦与畦之间的高度差称为垄高。农田中，种植作物时，垄与垄之间沟谷的高度差为垄下或垄沟高度。
S31:根据作物区域，确定叶片区域及杂草区域，统计叶片区域的像素点个数。参照图4，步骤S31包括步骤S310-S315,具体如下：
确定作物区域为确定作物的大致区域，确定叶片区域为确定作物的精准区域。
S310:将作物区域的图像转换为灰度图像，使用阈值分割的算法提取叶片区域，获得阈值分割后的图像。
在实际环境中，根据颜色、高度直观特征并不能完全将作物和杂草区分开，所以在这些直观特征的基础上加入相似性度量来判断图像中的作物和杂草。
S311:提取阈值分割后图像的连通域，根据距离变换，将连通域中每个目标点与连通域边缘的最近棋盘距离作为目标点的值，获得连通域中间一条像素值最大的目标线及像素值序列。
对阈值分割后的图像进行连通域提取，这时的一个连通域可能有几个叶片组成，连通域内的叶片所对应的高度信息不同，因此根据连通域内像素点对应的高度信息提取到连通域中一个完整叶片的连通域，例如，参照图5，白色部分为提取到的连通域，对该连通域使用距离变换，将连通域中每个点与连通域边缘的最近棋盘距离作为该点的值。其中，棋盘距离是定义图像上一点到其8邻域的距离都为1，其中，8邻域（8-neighborhood）也称为8连通域，是指在二维平面中，与特定像素周围相邻的八个像素点。
距离变换后可得到连通域中间一条像素值最大的线，参照图6，示例性的给出这条线的像素值序列（1，2，2，4，6，9，15，25，23，17，13，10，6，3，1）。这个序列表示了一个灰度图像中连续帧的像素值。每个数值代表一个像素点的灰度值，序列中的值逐渐增加，表示在连续的帧中灰度值逐渐变亮的过程，序列中的值逐渐降低，表示在连续的帧中灰度值逐渐变暗的过程。
S312:计算目标线的像素值序列与作物叶片距离变换后得到的模板线像素值序列的动态时间规整距离。
S313:计算目标线的像素值序列与杂草叶片距离变换后得到的模板线像素值序列的动态时间规整距离；
本申请中，步骤S312以及步骤S313中，通过计算欧式距离计算DTW距离（时间规整距离）。步骤S312获得的时间规整距离记为，步骤S313:获得的时间规整距离记为。
S314:计算目标线的像素值序列和作物叶片像素值序列的相似性。
DTW算法不要求两个序列的长度一样且可以得到两个序列轨迹的相似性，相似性计算公式为：
其中，为相似性，/>是作物叶片像素值模板序列的像素值之和，/>是杂草叶片像素值模板序列的像素值之和。/>为作物叶片像素值模板序列的序列值，j为作物叶片像素值模板序列中的第j个数,/>为杂草叶片像素值模板序列的序列值，k为杂草叶片像素值模板序列中的第k个数。
考虑模板像素值大小之和是为了避免叶片大小对相似性的影响，大叶片的像素值序列较大，得到的DTW也越大，小叶片像素值序列较小，得到的DTW也越小。越大说明该序列对应的连通域越可能是作物叶片区域。
S315:以相似性大于3的像素值序列的连通域作为作物叶片区域。
S32:统计杂草区域的像素点个数，其中，设置叶片区域像素值为0，获得杂草阈值分割图，在杂草阈值分割图中，杂草区域的像素值为1，其他区域为0。
对杂草阈值分割图做腐蚀和膨胀的形态学操作，去除图像中的噪声，并提升了杂草叶片各区域在图像上的连通性，统计形态学操作后图像上连通区域的像素点个数C。
其中，腐蚀操作会使得图像边缘向内收缩，并将亮白区域缩小，能够减少噪声的影响，在腐蚀操作后，再使用一个膨胀核对图像进行膨胀操作。膨胀操作会使得图像边缘膨胀扩张，并将亮白区域放大，有助于填充空洞和增加杂草区域的连通性。通过腐蚀和膨胀的交替操作，可以有效去除噪声并提取出更为连续和准确的杂草区域。
S33:根据叶片区域的像素点个数及杂草区域的像素点个数，计算杂草率。
计算杂草的区域和作物叶片面积的比值得到作物的杂草率，杂草率的计算公式为：
其中，C表示作物图像中杂草区域的像素点个数，D表示图像中作物的叶片区域的像素点个数，P为杂草率。
S4：将第一时段数据、第二时段数据、发芽率、杂草率、幼苗阶段的叶片面积及作物产量作为特征，构建决策树模型。
构建决策树模型，产量所在层的下一层节点表示特征中对作物产量信息增益最大的属性，也就是对作物产量影响最大的特征。假设产量在第二层，第三层为杂草率特征，则杂草率特征对产量的影响最大。将采集的多源数据输入决策树模型，可以进行产量的预测。
S5:在决策树模型中，作物产量所在的层的下一层节点表示的特征判定为目标特征，目标特征为对作物产量影响最大的特征，根据目标特征，生成建议清单及产量预测清单。
通过决策树模型的结果，对产量进行预测，并且得到对产量影响最大的特征，通过决策树模型，能够计算出目标区域对于产量影响较大的特征，表示出产量与如发芽率、杂草率等特征之间的影响关系，并提供建议清单，根据不同特征对作物产量的影响程度，为提高产量提供帮助，如在生产过程中将影响较大的特征向着提升产量的方向发展，根据生产过程中各生长阶段的特征和外部环境特征对产量进行预测。
例如，得到的决策树模型中，假设产量在第二层，杂草率特征在第三层，幼苗叶片面积在第四层节点上，说明该目标区域内，作物生长阶段的杂草率对粮食产量的影响较大，幼苗叶片面积对于粮食产量的影响小，所以想要提高产量需要在作物生长阶段严格控制杂草。幼苗叶片面积在第四层节点上，意味着幼苗叶片面积数据的环境数据对于杂草率的影响较大，幼苗叶片面积对粮食产量的影响相对较小，相较于杂草的控制来说，它对粮食产量的影响不太明显。
根据目标区域内的历史数据，构建决策树模型，通过采集实时的环境、图像等数据，通过对作物不同阶段生长状况、环境进行分析，给作物生长过程提供客观数据，通过决策树模型，能够预测作物产量，根据作物生长多阶段的多源数据，使产量的预测结果较为准确和实用。
本申请实施例一种基于多源数据融合的数字乡村构建方法的实施原理为：通过对作物不同阶段生长状况、环境进行分析，给作物生长过程提供客观数据，并结合传感器获得的不同生长阶段的温度，湿度数据，根据多个特征，如发芽率，杂草率、天气适宜情况、极端天气情况等，建立决策树模型，通过决策树模型，判定特征中对于产量影响较大的具体特征，预测作物产量，同时根据不同属性对作物产量的影响程度，为提高产量提供帮助。
本申请实施例还公开一种基于多源数据融合的数字乡村构建系统，参照图7，包括处理器和存储器，存储器存储有计算机程序指令，当计算机程序指令被处理器执行时实现根据本申请的基于多源数据融合的数字乡村构建方法。
上述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件，其设置和功能为本领域中已知，因此在此不再赘述。
在本发明中，前述的存储器可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质，比如，阻变式存储器RRAM（ResistiveRandomAccessMemory）、动态随机存取存储器DRAM（DynamicRandomAccessMemory）、静态随机存取存储器SRAM（StaticRandom-AccessMemory）、增强动态随机存取存储器EDRAM（EnhancedDynamicRandomAccessMemory）、高带宽内存HBM（High-BandwidthMemory）、混合存储立方HMC（HybridMemoryCube）等等，或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各种替代方案。
以上均为本申请的较佳实施例，并非依此限制本申请的保护范围，故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。

Claims (3)

1.一种基于多源数据融合的数字乡村构建方法，
其特征在于，包括以下步骤：
获取目标区域内作物的多个生长阶段的历史数据，进行数据处理，得到作物生长的多源数据，所述历史数据包括：作物图像、环境数据、阶段时间数据及收割阶段的作物产量；
计算获得第一时段数据与第二时段数据，所述第一时段数据中的所述环境数据符合预设的正常环境阈值，第二时段数据中的所述环境数据符合预设的异常环境阈值；
对所述作物图像进行图像处理和识别，计算作物发芽阶段的发芽率、幼苗阶段的幼苗叶片面积及成长阶段的杂草率，
所述发芽率的计算公式为：，其中，M为发芽作物棵数，N为记录的播种数，q为发芽率；
所述幼苗叶片面积计算公式为：，其中，A为幼苗区域像素点个数，B为幼苗图像中灰度图像的边长像素值个数，S1为所述幼苗叶片面积，S2表示所述目标区域的面积;
所述杂草率的计算公式为：，C表示所述作物图像中杂草区域的像素点个数，D表示图像中作物的叶片区域的像素点个数；
将所述第一时段数据、所述第二时段数据、所述发芽率、所述杂草率、所述幼苗阶段的叶片面积及所述作物产量作为特征，构建决策树模型；
在所述决策树模型中，所述作物产量所在的层的下一层节点表示的特征判定为目标特征，所述目标特征为对作物产量影响最大的特征，根据所述目标特征，生成建议清单及产量预测清单；
所述杂草率的计算中，包括以下步骤：
确定作物区域；
根据所述作物区域，确定所述叶片区域及所述杂草区域，统计所述叶片区域的像素点个数；
统计所述杂草区域的像素点个数，其中，设置所述叶片区域像素值为0，获得杂草阈值分割图，在所述杂草阈值分割图中，杂草区域的像素值为1，其他区域为0；
根据所述叶片区域的像素点个数及所述杂草区域的像素点个数，计算所述杂草率；
确定所述作物区域及所述杂草区域中，包括以下步骤：
获取作物深度图像，根据所述作物深度图像中的深度信息判定垄高及垄的位置，所述深度信息指图像中每个像素点到相机的距离信息；
根据所述作物深度图像的颜色信息和所述深度信息，判定作物的高度和位置，所述颜色信息是指图像中每个像素点的颜色值；
统计所述作物深度图像上像素点高度满足高度条件的点，确定所述作物区域，所述高度条件为：，其中，H1为垄高，H2为垄与垄之间沟谷的高度差，HC为预设的作物的模板高度，Xi为作物深度图像上第i个像素点的高度；
根据所述作物区域，确定叶片区域中，包括以下步骤：
将所述作物区域的图像转换为灰度图像，使用阈值分割的算法提取叶片区域，获得阈值分割后的图像；
提取阈值分割后图像的连通域，根据距离变换，将所述连通域中每个目标点与所述连通域边缘的最近棋盘距离作为所述目标点的值，获得所述连通域中间一条像素值最大的目标线及像素值序列；
计算所述目标线的像素值序列与作物叶片距离变换后得到的模板线像素值序列的动态时间规整距离，记为DTW1；
计算所述目标线的像素值序列与杂草叶片距离变换后得到的模板线像素值序列的动态时间规整距离，记为DTW2；
计算所述目标线的像素值序列和作物叶片像素值序列的相似性，所述相似性的计算公式为：
其中，ρ为所述相似性，ΣjXj是作物叶片像素值模板序列的像素值之和，ΣkXk是杂草叶片像素值模板序列的像素值之和，Xj为所述作物叶片像素值模板序列的序列值，j为所述作物叶片像素值模板序列中的第j个数, Xk为所述杂草叶片像素值模板序列的序列值，k为所述杂草叶片像素值模板序列中的第k个数；
以相似性大于3的像素值序列的所述连通域作为所述叶片区域。
2.根据权利要求1所述的基于多源数据融合的数字乡村构建方法，其特征在于，所述发芽率的计算中，通过目标追踪算法计数发芽作物棵数。
3.一种基于多源数据融合的数字乡村构建系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1或2所述的基于多源数据融合的数字乡村构建方法。
CN202311042177.3A 2023-08-18 2023-08-18 一种基于多源数据融合的数字乡村构建方法及系统 Active CN116757867B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311042177.3A CN116757867B (zh) 2023-08-18 2023-08-18 一种基于多源数据融合的数字乡村构建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311042177.3A CN116757867B (zh) 2023-08-18 2023-08-18 一种基于多源数据融合的数字乡村构建方法及系统

Publications (2)

Publication Number Publication Date
CN116757867A CN116757867A (zh) 2023-09-15
CN116757867B true CN116757867B (zh) 2023-11-03

Family

ID=87948298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311042177.3A Active CN116757867B (zh) 2023-08-18 2023-08-18 一种基于多源数据融合的数字乡村构建方法及系统

Country Status (1)

Country Link
CN (1) CN116757867B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001045868A (ja) * 1999-08-10 2001-02-20 Satake Eng Co Ltd 作物の診断方法
CN105409699A (zh) * 2015-12-14 2016-03-23 朱孝军 一种茶油树直播丰产造林的栽培技术
CN109508824A (zh) * 2018-11-07 2019-03-22 西京学院 一种农作物生长态势检测及产量预估方法
CN109891440A (zh) * 2016-10-31 2019-06-14 巴斯夫农化商标有限公司 用于绘制作物产量的方法
CN110222903A (zh) * 2019-06-13 2019-09-10 苏州市农业科学院 一种基于无人机遥感的水稻产量预测方法及系统
CN114692991A (zh) * 2022-04-18 2022-07-01 浙江大学 一种基于深度学习的枸杞产量预测方法及系统
CN115526418A (zh) * 2022-10-17 2022-12-27 东南大学 一种基于贝叶斯网络的乡村生态空间预测方法
WO2023129712A1 (en) * 2021-12-31 2023-07-06 Basf Corporation Crop yield modeling based on yield potential

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001045868A (ja) * 1999-08-10 2001-02-20 Satake Eng Co Ltd 作物の診断方法
CN105409699A (zh) * 2015-12-14 2016-03-23 朱孝军 一种茶油树直播丰产造林的栽培技术
CN109891440A (zh) * 2016-10-31 2019-06-14 巴斯夫农化商标有限公司 用于绘制作物产量的方法
CN109508824A (zh) * 2018-11-07 2019-03-22 西京学院 一种农作物生长态势检测及产量预估方法
CN110222903A (zh) * 2019-06-13 2019-09-10 苏州市农业科学院 一种基于无人机遥感的水稻产量预测方法及系统
WO2023129712A1 (en) * 2021-12-31 2023-07-06 Basf Corporation Crop yield modeling based on yield potential
CN114692991A (zh) * 2022-04-18 2022-07-01 浙江大学 一种基于深度学习的枸杞产量预测方法及系统
CN115526418A (zh) * 2022-10-17 2022-12-27 东南大学 一种基于贝叶斯网络的乡村生态空间预测方法

Also Published As

Publication number Publication date
CN116757867A (zh) 2023-09-15

Similar Documents

Publication Publication Date Title
US11361256B2 (en) Method for mapping crop yields
JP5626056B2 (ja) 農作物画像処理プログラム、農作物画像処理方法及び農作物画像処理装置
CN110909679B (zh) 冬小麦历史种植区的休耕轮作信息遥感识别方法及系统
US20170270446A1 (en) Agronomic systems, methods and apparatuses for determining yield limits
CN109583301A (zh) 一种农作物生长过程最优外部种植条件预测方法及装置
CN113011221A (zh) 作物分布信息的获取方法、装置及测量系统
CN115620151B (zh) 物候期识别方法、装置、电子设备和存储介质
He et al. Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method
Steininger et al. The cropandweed dataset: A multi-modal learning approach for efficient crop and weed manipulation
CN116385885A (zh) 一种病虫害识别方法及系统
Mortensen et al. The oil radish growth dataset for semantic segmentation and yield estimation
CN112001809A (zh) 一种农林区退耕地信息获取方法
CN114937030A (zh) 一种用于智慧农业种植生菜的表型参数计算方法
CN114299393A (zh) 一种基于光学和雷达时序数据的烟稻种植模式识别方法
CN116453003B (zh) 一种基于无人机监测智能识别水稻生长势的方法和系统
CN117456523A (zh) 作物种类识别方法、装置、电子设备及介质
CN116757867B (zh) 一种基于多源数据融合的数字乡村构建方法及系统
Zualkernan et al. Machine Learning for Precision Agriculture Using Imagery from Unmanned Aerial Vehicles (UAVs): A Survey. Drones 2023, 7, 382
CN107340268A (zh) 一种基于遥感时序数据的旱地作物识别方法
Roy et al. Comparative analysis of object based and pixel based classification for mapping of mango orchards in Sitapur district of Uttar Pradesh
Mangla et al. Statistical growth prediction analysis of rice crop with pixel-based mapping technique
CN110232345A (zh) 使用计算机生成杂草识别模型的程序和杂草识别装置
CN115660236B (zh) 作物物候期预测方法、装置、电子设备和存储介质
Li et al. SeedingsNet: Field Wheat Seedling Density Detection Based on Deep Learning
Rezvantalab et al. Identification of production constraints and yield gap monitoring of local rice (Oryza sativa L.) cultivars in Mazandaran province

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A method and system for constructing digital countryside based on multi-source data fusion

Granted publication date: 20231103

Pledgee: Taian Bank Co.,Ltd. Feicheng Branch

Pledgor: SHANDONG ZHENGTU INFORMATION TECHNOLOGY CO.,LTD.

Registration number: Y2024980041453