CN116863403B - 一种农作物大数据环境监测方法、装置及电子设备 - Google Patents
一种农作物大数据环境监测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN116863403B CN116863403B CN202310843887.XA CN202310843887A CN116863403B CN 116863403 B CN116863403 B CN 116863403B CN 202310843887 A CN202310843887 A CN 202310843887A CN 116863403 B CN116863403 B CN 116863403B
- Authority
- CN
- China
- Prior art keywords
- crop
- target crop
- index
- image
- growth stage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 230000012010 growth Effects 0.000 claims abstract description 86
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 40
- 230000008447 perception Effects 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000013016 damping Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000012271 agricultural production Methods 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种农作物大数据环境监测方法、装置及电子设备，属于数据处理技术领域。该方法实时采集目标农作物图像，构建卷积神经网络模型，根据所述卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段，建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性，基于相关性，对作物生长阶段的环境感知参数进行优化监测。本发明能够完成基于周期判定的农作物生长感知参数，实现有效监测，同时，采集高价值的作物全生命周期的相关数据，有利于为其农作物精准管控、降低感知网络能耗、提高网络生命周期奠定关键基础。
Description
技术领域
本发明涉及数据处理技术领域，更具体的说是涉及一种农作物大数据环境监测方法、装置及电子设备。
背景技术
近年来，智慧农业的不断普及，丰富了农业生产环境监测的手段，诸如传感器，无线设备，移动终端等智能监测设备的使用，产生了大量的环境数据。这些环境数据类型繁多，数据体量大，如何快速、高效地完成农作物不同生长阶段相关生长与环境参数的感知与信息收集，成为推动这些农业模式落地、快速进步的重要基础。
目前，在数据采集和存储等领域已经实现智能化，但是存储类型繁多的数据会占用大量的内存资源，而且数据没有经过针对性处理，会存在许多利用价值低的数据。智慧农业的最终目的是要将数据运用到实际的农业生产活动中，创造相应的价值。
但是，尽管以无线传感器网络为代表的农业物联网在农业数据感知层面取得长足的进步，然而当前全生命周期的农作物数据感知鲜有相关研究，同时面临的如下的挑战：
第一，相对有限的工作时长。尽管，电池技术取得长足进步，但是用于作物全生命周期的节点存在工作时间长、感知数据的种类、感知数据大小以及节点处理芯片需要完成工作都在大幅增加；因此相比之下，感知节点工作时长有限配。
第二，采集数据价值密度、相关度等较低。虽然，现在的农业物联网可以感知的参数越来越多，但是作物在不同的生长节点需要感知参数，存在较大差异；现有的感知方法存在感知参数针对性差，以至于采集的数据价值密度低、相关度较低。
第三，感知区域交叠区域大。传统感方法，参与感知节点数目过多存在感知区域交叠区域大、感知能耗大等不足。
第四，智能性低。现有感知节点缺乏计算、存在等能力，不能实现对感知数据进行分析，对感知数据种类实时调整与优化。现有农业环境数据的研究仅限于单一环境因素对生产状态的影响，涉及因素不够全面，而且农业环境对农作物的生长状态是一个动态变化的过程，单一环境因素在不同的农作物生长周期内影响不同，不能够精确预测农作物的生长状态。
因此，如何提供一种有效的农作物大数据环境监测方法、装置及电子设备是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种农作物大数据环境监测方法、装置及电子设备，解决上述现有技术中存在的技术问题。
为了实现上述目的，本发明提供如下技术方案：
一种农作物大数据环境监测方法，包括以下步骤：
实时采集目标农作物图像；
构建卷积神经网络模型，根据所述卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段；
建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性；
基于相关性，对作物生长阶段的环境感知参数进行优化监测。
优选的，所述实时采集目标农作物图像包括采用星光级摄像系统来采集目标农作物图像。
优选的，所述构建卷积神经网络模型，根据所述卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段，包括：
获取目标农作物的目标农作物图像集x[x1，x2，...xh]，其中x1，x2，...xh为目标农作物不同生长阶段的图像；
得到目标农作物图像集x[x1，x2，...xh]中每个生长阶段的样本权值，并根据权值确定不同阶段的代表样本；
构建卷积神经网络模型，将每个阶段的代表样本送入卷积神经网络模型中，进行训练，得到训练好的卷积神经网络模型；
根据训练好的卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物图像的生长阶段。
优选的，所述得到目标农作物图像集x[x1，x2，...xh]中每个生长阶段的样本权值，并根据权值确定不同阶段的代表样本，包括：
划分目标农作物图像集x[x1，x2，...xh]中每个生长阶段图像的像素分布信息，并对应到各生长阶段的权重值；
根据各生长阶段及各生长阶段对应的权重值确定不同生长阶段的代表样本。
优选的，所述划分目标农作物图像集x[x1，x2，...xh]中每个生长阶段图像的像素分布信息，并对应到各生长阶段的权重值，包括计算每个生长阶段的权重，计算公式如下：
式中，D为阻尼系数，W12为第一个目标农作物图像与第二个目标农作物图像的关系权重，w1j为第一目标农作物图像与其中一生长阶段的关系权重，T为一个目标农作物图像的textRank值。
优选的，所述建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性，包括：
建立全指标数据库；
获取生长关系库，确定当前生长阶段对应的关键指标，并生成关键指标集；
计算关键指标集与全指标数据库相关性。
优选的，所述计算关键指标集与全指标数据库相关性包括：
对全指标数据库进行扫描，利用所述关键指标集计算所述全指标数据库中每个指标得分，得到每个指标得分集合；
过滤所述得分集合中的重复指标，余下的所述得分集合中的指标及其得分，关键指标集与全指标数据库相关性。
优选的，所述对全指标数据库进行扫描，利用所述关键指标集计算所述全指标数据库中每个指标得分，得到每个指标得分集合，包括：
对指标数据进行归一化处理；
根据得分公式得到每个指标得分，具体公式如下：
式中，
γ∈(-l,0,l)，βi,l,βi+1,l全指标数据库中的指标，ε为关键指标集中任一关键指标，n为全指标数据库中的指标数据的总数。
一种农作物大数据环境监测系统，包括：
获取模块，实时采集目标农作物图像；
确定模块，与所述获取模块连接，构建卷积神经网络模型，根据所述卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段；
关联模块，与所述确定模块连接，建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性；
监测模块，与所述关联模块连接，基于相关性，对作物生长阶段的环境感知参数进行优化监测。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现农作物大数据环境监测方法。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种农作物大数据环境监测方法、装置及电子设备，通过构建的卷积神经网络模型能够精确的确定出当前目标农作物的生长阶段，然后对目标农作物图像的生长阶段与采集目标农作物不同指标数据进行相关性分析，基于相关性，进而完成基于周期判定的农作物生长感知参数，实现有效监测，同时，采集高价值的作物全生命周期的相关数据，有利于为其农作物精准管控、降低感知网络能耗、提高网络生命周期奠定关键基础。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图；
图2为本发明的系统结构示意图。
具体实施方式
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做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见附图1所示，本发明实施例公开了一种农作物大数据环境监测方法，包括以下步骤：
实时采集目标农作物图像；
构建卷积神经网络模型，根据所述卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段；
建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性；
基于相关性，对作物生长阶段的环境感知参数进行优化监测。
在一个具体实施例中，实时采集目标农作物图像包括采用星光级摄像系统来采集目标农作物图像。
具体的，通过适用于昼夜环境下的果蔬生长形态视觉辨识，采用星光级摄像系统来实时采集目标农作物图像为。星光级摄像系统在白天自然光线下所采集图像与普通摄像系统无甚区别，而在夜间微光情况下无需任何辅助光源，也可以采集较为清晰的彩色图像。
在一个具体实施例中，构建卷积神经网络模型，根据卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段，包括：
获取目标农作物的目标农作物图像集x[x1，x2，...xh]，其中x1，x2，...xh为目标农作物不同生长阶段的图像；
得到目标农作物图像集x[x1，x2，...xh]中每个生长阶段的样本权值，并根据权值确定不同阶段的代表样本；
构建卷积神经网络模型，将每个阶段的代表样本送入卷积神经网络模型中，进行训练，得到训练好的卷积神经网络模型，具体的：
构造24层残差网络，并根据输入的代表样本的图像设计网络中卷积核尺度以及全连接层的大小等参数。
将不同阶段的代表样本依次输入卷积神经网络模型，对卷积神经网络模型进行迭代训练。
根据训练好的卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物图像的生长阶段，具体的：
根据训练好的卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别包括：
实时获取目标农作物图像；选择在目标农作物图像时序前的另一帧图像作为参考图像，将目标农作物图像和参考图像分别经过卷积神经网络中第k层卷积层计算的结果求和，获得目标农作物图像相对卷积神经网络中第k+1层卷积层的原始帧；
将参考图像经过卷积神经网络中第k层卷积层计算的结果和原始帧分别输入至卷积神经网络中的激活函数，并计算两个输出结果的差值，获得目标农作物图像相对卷积神经网络中第k+1层卷积层的差分帧；
将目标农作物图像相对卷积神经网络中第k+1层卷积层的差分帧输入至卷积神经网络中第k+1层卷积层，获得目标农作物图像经过卷积神经网络中第k层卷积层计算的结果；0≤k≤N-1，k和N均为正整数，N表示卷积层的总层数；
更具体的，将目标农作物图像相对卷积神经网络中第k+1层卷积层的差分帧输入至卷积神经网络中第k+1层卷积层，之前还包括：根据差分帧中各像素点的比特数，将差分帧拆分为低比特数据和高比特数据；相应地，将目标农作物图像相对卷积神经网络中第k+1层卷积层的差分帧输入至卷积神经网络中第i+1层卷积层，具体为：若判断输入至用于计算卷积神经网络的计算单元的数据为低比特数据，则将计算单元重构为低比特模式，将低比特数据输入至低比特模式的计算单元的卷积神经网络中第k+1层卷积层；若判断输入至用于计算卷积神经网络的计算单元的数据为高比特数据，则将计算单元重构为高比特模式，将高比特数据输入至高比特模式的计算单元的卷积神经网络中第k+1层卷积层。
通过上述技术方案，利用帧间数据的相似性，结合逐层进行卷积操作的方法，相比现有逐帧处理的技术，能够提高神经网络的运算效率，同时为确定目标农作物图像的生长阶段奠定有利基础。
在一个具体实施例中，确定目标农作物图像的生长阶段包括：
得到目标农作物图像集x[x1，x2，...xh]中每个生长阶段的样本权值，并根据权值确定不同阶段的代表样本，包括：
划分目标农作物图像集x[x1，x2，...xh]中每个生长阶段图像的像素分布信息，并对应到各生长阶段的权重值；
具体的，划分目标农作物图像集x[x1，x2，...xh]中每个生长阶段图像的像素分布信息，并对应到各生长阶段的权重值，包括计算每个生长阶段的权重，计算公式如下：
式中，D为阻尼系数，W12为第一个目标农作物图像与第二个目标农作物图像的关系权重，w1j为第一目标农作物图像与其中一生长阶段的关系权重，T为一个目标农作物图像的textRank值。
根据各生长阶段及各生长阶段对应的权重值确定不同生长阶段的代表样本。
具体的，随着农作物的不断生长，农作物的各种情况都在发生变化。比如，随着农作物的生长，农作物的叶面积指数增大，种植区域中的植被覆盖度逐渐增大；作物个体的叶片数量增加或减少；作物个体的叶片的面积变大；作物的密集程度增加等。目标农作物图像集的图像包括上述任一生长周期图像，将目标农作物图像集按照不同生长周期划分为不同阶段，例如可以划分为萌芽阶段、育苗阶段、定值阶段、结果阶段。
进一步的，由于农作物在不断变化，随之采集的农作物图像的像素分布信息也会发生变化。比如，随着作物生长，种植区域中植被覆盖度逐渐增大，这种种植区域整体样貌的变化，是能够直接在农作物图像中体现出来的。
由此，农作物生长变化情况可以通过一系列的图像的像素分布信息直接关联，如像素分布信息可以包括植被覆盖度、作物的叶片数量、像素分布直方图(图中包括像素值的分布概率或出现频率)、各像素位置及其对应的像素值等。根据目标作物所在的目标区域的像素分布信息对应到各生长阶段的权重值，就可以准确的确定目标农作物的生长阶段。
在一个具体实施例中，建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性，包括：
建立全指标数据库；
获取生长关系库，确定当前生长阶段对应的关键指标，并生成关键指标集；
计算关键指标集与全指标数据库相关性。
在一个具体实施例中，计算关键指标集与全指标数据库相关性包括：
对全指标数据库进行扫描，利用所述关键指标集计算所述全指标数据库中每个指标得分，得到每个指标得分集合；
过滤所述得分集合中的重复指标，余下的所述得分集合中的指标及其得分，关键指标集与全指标数据库相关性。
在一个具体实施例中，对全指标数据库进行扫描，利用所述关键指标集计算所述全指标数据库中每个指标得分，得到每个指标得分集合，包括：
对指标数据进行归一化处理；
根据得分公式得到每个指标得分，具体公式如下：
式中，
γ∈(-l,0,l)，βi,l,βi+1,l全指标数据库中的指标，ε为关键指标集中任一关键指标，n为全指标数据库中的指标数据的总数。
具体的，首先对指标数据进行归一化处理，归一化目的是为了把需要指标数据经过处理后限制在需要的一定范围内，例如使后面数据处理的方便，其次是保证程序运行时收敛加快。由于所涉及到的指标数据为传感器采集上来的数字量和/或物理量，如果是数字量指标数据。则映射到0-1范围之间，如果是物理量指标数据，则一般可以统一度量衡之后归一，实在无法统一的物理量指标数据，则给出一个自定义的概念来描述，如通风效果、光照强度等描述。其作用是归纳统一指标数据。
通过上述技术方案，能够减少无用的冗余计算，能够根据不同的生长阶段选择与该阶段关联性最高的几个特征指标，避免获得一些不重要的参数太多，造成点位采集的轮询周期过长、采集数据价值密度、相关度等较低等问题。
参见附图2所示，一种农作物大数据环境监测系统，包括：
获取模块，实时采集目标农作物图像；
确定模块，与获取模块连接，构建卷积神经网络模型，根据所述卷积神经网络模型对目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段；
关联模块，与确定模块连接，建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性；
监测模块，与关联模块连接，基于相关性，对作物生长阶段的环境感知参数进行优化监测。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现农作物大数据环境监测方法。
对于实施例公开的系统设备而言，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。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。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发明。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发明的精神或范围的情况下，在其它实施例中实现。因此，本发明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 (7)
1.一种农作物大数据环境监测方法，其特征在于，包括以下步骤：
实时采集目标农作物图像；
构建卷积神经网络模型，根据所述卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段；
建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性；
基于相关性，对作物生长阶段的环境感知参数进行优化监测；
其中，所述构建卷积神经网络模型，根据所述卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段，包括：
获取目标农作物的目标农作物图像集x[x1，x2，...xh]，其中x1，x2，...xh为目标农作物不同生长阶段的图像；
得到目标农作物图像集x[x1，x2，...xh]中每个生长阶段的样本权值，并根据权值确定不同阶段的代表样本，包括：
划分目标农作物图像集x[x1，x2，...xh]中每个生长阶段图像的像素分布信息，并对应到各生长阶段的权重值，计算公式如下：
式中，D为阻尼系数，W12为第一个目标农作物图像与第二个目标农作物图像的关系权重，w1j为第一目标农作物图像与其中一生长阶段的关系权重，T为一个目标农作物图像的textRank值；
根据各生长阶段及各生长阶段对应的权重值确定不同生长阶段的代表样本；
构建卷积神经网络模型，将每个阶段的代表样本送入卷积神经网络模型中，进行训练，得到训练好的卷积神经网络模型；
根据训练好的卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物图像的生长阶段。
2.根据权利要求1所述的一种农作物大数据环境监测方法，其特征在于，所述实时采集目标农作物图像包括采用星光级摄像系统来采集目标农作物图像。
3.根据权利要求1所述的一种农作物大数据环境监测方法，其特征在于，所述建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性，包括：
建立全指标数据库；
获取生长关系库，确定当前生长阶段对应的关键指标，并生成关键指标集；
计算关键指标集与全指标数据库相关性。
4.根据权利要求3所述的一种农作物大数据环境监测方法，其特征在于，所述计算关键指标集与全指标数据库相关性包括：
对全指标数据库进行扫描，利用所述关键指标集计算所述全指标数据库中每个指标得分，得到每个指标得分集合；
过滤所述得分集合中的重复指标，根据余下的所述得分集合中的指标及其得分，得到关键指标集与全指标数据库相关性。
5.根据权利要求4所述的一种农作物大数据环境监测方法，其特征在于，所述对全指标数据库进行扫描，利用所述关键指标集计算所述全指标数据库中每个指标得分，得到每个指标得分集合，包括：
对指标数据进行归一化处理；
根据得分公式得到每个指标得分，具体公式如下：
式中，
γ∈(-l,0,l)，βi,l,βi+1,l全指标数据库中的指标，ε为关键指标集中任一关键指标，n为全指标数据库中的指标数据的总数。
6.一种利用权利要求1至5任一项所述的农作物大数据环境监测方法的农作物大数据环境监测系统，其特征在于，包括：
获取模块，实时采集目标农作物图像；
确定模块，与所述获取模块连接，构建卷积神经网络模型，根据所述卷积神经网络模型对所述目标农作物图像中的农作物区域进行识别，并确定目标农作物的生长阶段；
关联模块，与所述确定模块连接，建立目标农作物图像的生长阶段与采集目标农作物不同指标数据的相关性；
监测模块，与所述关联模块连接，基于相关性，对作物生长阶段的环境感知参数进行优化监测。
7.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一所述的农作物大数据环境监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310843887.XA CN116863403B (zh) | 2023-07-11 | 2023-07-11 | 一种农作物大数据环境监测方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310843887.XA CN116863403B (zh) | 2023-07-11 | 2023-07-11 | 一种农作物大数据环境监测方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116863403A CN116863403A (zh) | 2023-10-10 |
| CN116863403B true CN116863403B (zh) | 2024-01-02 |
Family
ID=88233740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310843887.XA Active CN116863403B (zh) | 2023-07-11 | 2023-07-11 | 一种农作物大数据环境监测方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116863403B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117522083B (zh) * | 2024-01-05 | 2024-03-12 | 山西农众物联科技有限公司 | 一种物联网传感数据识别的栽培控制方法及系统 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015188333A (ja) * | 2014-03-27 | 2015-11-02 | 株式会社日立製作所 | 植生生長分析システム及び方法 |
| CN108388914A (zh) * | 2018-02-26 | 2018-08-10 | 中译语通科技股份有限公司 | 一种基于语义计算的分类器构建方法、分类器 |
| CN110097473A (zh) * | 2019-04-26 | 2019-08-06 | 仲恺农业工程学院 | 一种农作物生命全周期的数据采集方法、装置及设备 |
| JP6638121B1 (ja) * | 2018-08-30 | 2020-01-29 | 株式会社エヌ・ティ・ティ・データＣｃｓ | 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 |
| CN111144168A (zh) * | 2018-11-02 | 2020-05-12 | 阿里巴巴集团控股有限公司 | 农作物生长周期的识别方法、设备以及系统 |
| CN111553804A (zh) * | 2020-04-27 | 2020-08-18 | 无锡雪浪数制科技有限公司 | 一种农作物生长周期识别方法 |
| CN113283699A (zh) * | 2021-04-21 | 2021-08-20 | 安徽富驰信息技术有限公司 | 一种基于关键指标分布的自适应评价方法 |
| CN113435345A (zh) * | 2021-06-29 | 2021-09-24 | 广州极飞科技股份有限公司 | 生长阶段确定方法、装置、农业系统、设备及存储介质 |
| WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
| CN114821182A (zh) * | 2022-05-05 | 2022-07-29 | 安徽农业大学 | 一种水稻生长阶段图像识别方法 |
| CN116051996A (zh) * | 2023-01-13 | 2023-05-02 | 大连东软信息学院 | 一种基于多模态信息的二阶段农作物生长预测方法 |
| KR20230061863A (ko) * | 2021-10-29 | 2023-05-09 | 서울대학교산학협력단 | 합성곱신경망과 다층 퍼셉트론의 앙상블 모델을 이용한 과실 발달 단계 예측 장치 및 그 방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11120552B2 (en) * | 2019-02-27 | 2021-09-14 | International Business Machines Corporation | Crop grading via deep learning |
-
2023
- 2023-07-11 CN CN202310843887.XA patent/CN116863403B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015188333A (ja) * | 2014-03-27 | 2015-11-02 | 株式会社日立製作所 | 植生生長分析システム及び方法 |
| CN108388914A (zh) * | 2018-02-26 | 2018-08-10 | 中译语通科技股份有限公司 | 一种基于语义计算的分类器构建方法、分类器 |
| JP6638121B1 (ja) * | 2018-08-30 | 2020-01-29 | 株式会社エヌ・ティ・ティ・データＣｃｓ | 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 |
| CN111144168A (zh) * | 2018-11-02 | 2020-05-12 | 阿里巴巴集团控股有限公司 | 农作物生长周期的识别方法、设备以及系统 |
| CN110097473A (zh) * | 2019-04-26 | 2019-08-06 | 仲恺农业工程学院 | 一种农作物生命全周期的数据采集方法、装置及设备 |
| CN111553804A (zh) * | 2020-04-27 | 2020-08-18 | 无锡雪浪数制科技有限公司 | 一种农作物生长周期识别方法 |
| WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
| CN113283699A (zh) * | 2021-04-21 | 2021-08-20 | 安徽富驰信息技术有限公司 | 一种基于关键指标分布的自适应评价方法 |
| CN113435345A (zh) * | 2021-06-29 | 2021-09-24 | 广州极飞科技股份有限公司 | 生长阶段确定方法、装置、农业系统、设备及存储介质 |
| KR20230061863A (ko) * | 2021-10-29 | 2023-05-09 | 서울대학교산학협력단 | 합성곱신경망과 다층 퍼셉트론의 앙상블 모델을 이용한 과실 발달 단계 예측 장치 및 그 방법 |
| CN114821182A (zh) * | 2022-05-05 | 2022-07-29 | 安徽农业大学 | 一种水稻生长阶段图像识别方法 |
| CN116051996A (zh) * | 2023-01-13 | 2023-05-02 | 大连东软信息学院 | 一种基于多模态信息的二阶段农作物生长预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Research on cloud storage technologies of typical crop growth environment monitoring data;Yuansheng Wang 等;《COMPUTER MODELLING & NEW TECHNOLOGIES 2014》;第18卷(第9期);全文 * |
| 不同生育阶段水/沼液一体化灌溉对番茄生长及产量和品质的影响;郑健 等;《灌溉排水学报》;第41卷(第5期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116863403A (zh) | 2023-10-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106228185A (zh) | 一种基于神经网络的通用图像分类识别系统及方法 | |
| CN116863403B (zh) | 一种农作物大数据环境监测方法、装置及电子设备 | |
| CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
| CN113657326A (zh) | 一种基于多尺度融合模块和特征增强的杂草检测方法 | |
| CN112084977B (zh) | 一种融合图像和时间特征的苹果物候期自动识别方法 | |
| CN105678629A (zh) | 一种基于物联网的种植业问题解决系统 | |
| AU2020103047A4 (en) | Crop Distribution Mapping | |
| CN111563430A (zh) | 一种基于卷积神经的公益林地类图像智能识别方法及系统 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
| CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
| CN115376008A (zh) | 病虫害识别方法、装置、电子设备和存储介质 | |
| CN114494909B (zh) | 一种大豆生长季空间分布图的生成方法和系统 | |
| CN110097473A (zh) | 一种农作物生命全周期的数据采集方法、装置及设备 | |
| CN114332546B (zh) | 一种物候匹配策略的大尺度迁移学习作物分类方法及系统 | |
| CN114581470B (zh) | 一种基于植物群落行为的图像边缘检测方法 | |
| CN115147835A (zh) | 一种基于改进RetinaNet的自然果园场景下的凤梨成熟度检测方法 | |
| CN110210376A (zh) | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 | |
| Zhang et al. | A hierarchical growth method for extracting 3D phenotypic trait of apple tree branch in edge computing | |
| CN111986149A (zh) | 一种基于卷积神经网络的植物病虫害检测方法 | |
| CN111897988A (zh) | 一种高光谱遥感图像分类方法及系统 | |
| CN112036397B (zh) | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 | |
| CN212276431U (zh) | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 | |
| CN113723195A (zh) | 基于图像识别技术的农作物旱情识别系统及管理平台 | |
| Muruganandam et al. | IoT Based Agriculture Monitoring and Prediction of Paddy Growth using Enhanced Conquer Based Transitive Clustering |
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 |