CN116939159A - 一种农田灾害预警方法及系统 - Google Patents

一种农田灾害预警方法及系统 Download PDF

Info

Publication number
CN116939159A
CN116939159A CN202310717226.2A CN202310717226A CN116939159A CN 116939159 A CN116939159 A CN 116939159A CN 202310717226 A CN202310717226 A CN 202310717226A CN 116939159 A CN116939159 A CN 116939159A
Authority
CN
China
Prior art keywords
farmland
determining
period
accuracy
environmental parameters
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.)
Granted
Application number
CN202310717226.2A
Other languages
English (en)
Other versions
CN116939159B (zh
Inventor
张弓
徐春萌
彭欣
王泓霏
吴众望
顾竹
张文鹏
杜腾腾
张艳忠
简敏
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.)
Beijing Jiage Tiandi Technology Co ltd
Original Assignee
Beijing Jiage Tiandi 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 Beijing Jiage Tiandi Technology Co ltd filed Critical Beijing Jiage Tiandi Technology Co ltd
Priority to CN202310717226.2A priority Critical patent/CN116939159B/zh
Publication of CN116939159A publication Critical patent/CN116939159A/zh
Application granted granted Critical
Publication of CN116939159B publication Critical patent/CN116939159B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/50—Constructional details
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Environmental Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Atmospheric Sciences (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Computer Interaction (AREA)
  • Evolutionary Computation (AREA)

Abstract

本发明涉及农田灾害监测技术领域，具体公开了一种农田灾害预警方法及系统，所述方法包括根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率；根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线；对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险；根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告。本发明通过环境监测仪获取环境参数，根据环境参数验证天气预报过程的准确度，基于此，由环境参数和天气预报过程确定含有过去‑未来的参数变化情况，进而对农田灾害进行识别，不仅提高了识别效率，还提高了预测性。

Description

一种农田灾害预警方法及系统
技术领域
本发明涉及农田灾害监测技术领域，具体是一种农田灾害预警方法及系统。
背景技术
农业生产为人类的生存发展提供了必要的物质基础，而气候和天气变化则会直接阻碍农业生产的正常运转，因此，需要实时的对农田进行状态识别。
现有的状态识别任务主要由工作人员完成，偶尔配合监控系统，在这一过程中，工作人员为主导，监控系统为辅，虽然能够保证识别准度，但是实时性难以保证。除此之外，一个人的识别范围是有限的，随着农田面积的提高，人力成本也会随之提高；因此，如何提供一种更加智能化的农田灾害预警方案是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种农田灾害预警方法及系统，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种农田灾害预警方法，所述方法包括：
根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率；
根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线；
对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险；
根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告。
作为本发明进一步的方案：所述根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率的步骤包括：
根据预设的环境监测仪实时获取环境参数；所述环境参数的数值空间由天气预报信息的指标确定；
根据环境参数的时间信息确定增广时段，基于增广时段读取对应的天气预报信息；
判断对应的天气预报信息是否包含环境参数，根据包含关系输出预报准确率；
其中，所述预报准确率由不包含时长和增广时段的比例计算得到。
作为本发明进一步的方案：所述根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线的步骤包括：
根据预报准确率确定延展时段；所述延展时段与预报准确率呈正比；
基于当前时刻连接预设长度的历史时段和所述延展时段，得到基准分析时段；
根据所述基准分析时段统计环境参数，确定参数变化曲线；其中，所述参数变化曲线为数据集，每条曲线均与环境参数的一个类型对应。
作为本发明进一步的方案：所述对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险的步骤包括：
根据预设的时间步长在参数变化曲线确定时间段；
对各个时间段的参数变化曲线进行积分，得到积分值；
根据时间顺序排列积分值，得到积分值数组；
将所述积分值数组输入训练好的数组识别模型，确定采集密度及预测风险。
作为本发明进一步的方案：所述根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告的步骤包括：
根据所述采集密度激活预安装于农田的农田摄像头；
基于农田摄像头获取含有时间信息的农田图像；
根据时间信息查询环境参数，由环境参数确定参考图像；
比对所述参考图像和农田图像，对预测风险进行验证，根据验证结果输出风险报告。
作为本发明进一步的方案：所述根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告的步骤还包括：
在农田图像中定位人员管理区；
当检测到人员时，对人员进行人脸识别，根据人脸识别结果确定人员身份及人员运动方向；
根据人员运动方向实时更新人员管理区的人员数量；
其中，当人员身份确定失败时，标记并上报当前图像。
本发明技术方案还提供了一种农田灾害预警系统，所述系统包括：
准确性判定模块，用于根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率；
变化曲线确定模块，用于根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线；
曲线积分模块，用于对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险；
风险报告输出模块，用于根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告。
作为本发明进一步的方案：所述准确性判定模块包括：
环境参数获取单元，用于根据预设的环境监测仪实时获取环境参数；所述环境参数的数值空间由天气预报信息的指标确定；
天气预报读取单元，用于根据环境参数的时间信息确定增广时段，基于增广时段读取对应的天气预报信息；
准确率输出单元，用于判断对应的天气预报信息是否包含环境参数，根据包含关系输出预报准确率；
其中，所述预报准确率由不包含时长和增广时段的比例计算得到。
作为本发明进一步的方案：所述变化曲线确定模块包括：
延展时段确定单元，用于根据预报准确率确定延展时段；所述延展时段与预报准确率呈正比；
时段连接单元，用于基于当前时刻连接预设长度的历史时段和所述延展时段，得到基准分析时段；
参数统计单元，用于根据所述基准分析时段统计环境参数，确定参数变化曲线；其中，所述参数变化曲线为数据集，每条曲线均与环境参数的一个类型对应。
作为本发明进一步的方案：所述曲线积分模块包括：
时间段确定单元，用于根据预设的时间步长在参数变化曲线确定时间段；
积分值计算单元，用于对各个时间段的参数变化曲线进行积分，得到积分值；
积分值排列单元，用于根据时间顺序排列积分值，得到积分值数组；
积分值识别单元，用于将所述积分值数组输入训练好的数组识别模型，确定采集密度及预测风险。
与现有技术相比，本发明的有益效果是：本发明通过环境监测仪获取环境参数，根据环境参数验证天气预报过程的准确度，基于此，由环境参数和天气预报过程确定含有过去-未来的参数变化情况，进而对农田灾害进行识别，不仅提高了识别效率，还提高了预测性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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一些实施例。
图1为农田灾害预警方法的流程框图。
图2为农田灾害预警方法的第一子流程框图。
图3为农田灾害预警方法的第二子流程框图。
图4为农田灾害预警方法的第三子流程框图。
图5为农田灾害预警方法的第四子流程框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
图1为农田灾害预警方法的流程框图，本发明实施例中，一种农田灾害预警方法，所述方法包括：
步骤S100：根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率；
环境监测仪的作用顾名思义，就是获取环境参数，所述环境参数包括光照强度、风向和风速等；获取不同环境参数所需要的传感器是不同的，需要的参数类型越多，需要的传感器成本越高，本发明技术方案的目的是根据天气预报信息对获取到的环境参数进行检验，因此，传感器采用能够获取天气预报信息的传感器即可。
比对天气预报信息和环境参数，可以判定天气预报过程的准确性。
步骤S200：根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线；
如果预报准确率较高，那么对于分析时段就可以进行延长，采用天气预报数据作为环境参数，确定待分析的参数变化曲线；所述参数变化曲线表示了对应时间段内，农田的环境特征；由于有天气预报信息的存在，参数变化曲线本身具备一定的预测性。
步骤S300：对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险；
对参数变化曲线进行积分，得到环境参数的累加情况，这种累加并不具备实际意义，但是，它与农田的状态是对应的，因为农田状态可以视为环境对农田影响的叠加；基于此，累加环境参数得到的数值，一定程度上反映了农田状态；获取该数值所在的范围，可以判断是否存在风险，数值过大或过小，都可以视为存在风险。
步骤S400：根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告；
在确定预测风险的同时，还确定采集密度，采集密度用于调节农田摄像头的激活数量，在农田中设有多台农田摄像头，处于激活状态的农田摄像头才能够完成风险验证工作，进而输出风险报告。
图2为农田灾害预警方法的第一子流程框图，所述根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率的步骤包括：
步骤S101：根据预设的环境监测仪实时获取环境参数；所述环境参数的数值空间由天气预报信息的指标确定；
上述内容对环境参数的数值空间进行了限定，一般情况下，天气预报信息中包含多少种数据，用于获取环境参数传感器就有多少种。
步骤S102：根据环境参数的时间信息确定增广时段，基于增广时段读取对应的天气预报信息；
环境参数由传感器获取，其获取频率较高，往往以秒为单位，而天气预报信息大都以天为单位，所以，需要确定比对的对应关系，也即，某一时刻的环境参数与哪一天的天气预报信息对应。
步骤S103：判断对应的天气预报信息是否包含环境参数，根据包含关系输出预报准确率；
天气预报信息是一些范围，获取环境参数，判断环境参数是否有超出天气预报信息，即可输出预报准确率。
其中，所述预报准确率由不包含时长和增广时段的比例计算得到。
图3为农田灾害预警方法的第二子流程框图，所述根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线的步骤包括：
步骤S201：根据预报准确率确定延展时段；所述延展时段与预报准确率呈正比；
预报准确率越高，以当前时刻为中心，可以进行更长时间的预测，称为延展时段。
步骤S202：基于当前时刻连接预设长度的历史时段和所述延展时段，得到基准分析时段；
基于当前时刻连接预设长度的历史时段和延展时段，得到基准分析时段，所述基准分析时段包括过去时间和未来时间两个层面。
步骤S203：根据所述基准分析时段统计环境参数，确定参数变化曲线；其中，所述参数变化曲线为数据集，每条曲线均与环境参数的一个类型对应；
根据所述基准分析时段统计环境参数，能够以曲线的形式进行表示；每种类型的环境参数都对应一条参数变化曲线。
图4为农田灾害预警方法的第三子流程框图，所述对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险的步骤包括：
步骤S301：根据预设的时间步长在参数变化曲线确定时间段；
步骤S302：对各个时间段的参数变化曲线进行积分，得到积分值；
步骤S303：根据时间顺序排列积分值，得到积分值数组；
上述计算积分的过程是计算定积分，用于计算各个小时间段内，参数变化值的和，称为积分值；根据时间顺序排列积分值，可以得到积分值数组。
步骤S304：将所述积分值数组输入训练好的数组识别模型，确定采集密度及预测风险；
借助预设的时间范围对积分值数组进行分析，可以得到采集密度及预测风险。
图5为农田灾害预警方法的第四子流程框图，所述根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告的步骤包括：
步骤S401：根据所述采集密度激活预安装于农田的农田摄像头；
步骤S402：基于农田摄像头获取含有时间信息的农田图像；
农田摄像头安装在农田中，根据采集密度激活已经安装的农田摄像头，可以得到农田图像。
步骤S403：根据时间信息查询环境参数，由环境参数确定参考图像；
根据时间信息查询环境参数，由环境参数可以确定参考图像；至少，在白天和黑夜的参考图像是不同的。
步骤S404：比对所述参考图像和农田图像，对预测风险进行验证，根据验证结果输出风险报告。
借助现有的图像识别技术比对所述参考图像和农田图像，即可对上述内容中得到的预测风险进行验证，进而输出风险报告。
在本发明技术方案的一个优选实施例中，所述根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告的步骤还包括：
在农田图像中定位人员管理区；
当检测到人员时，对人员进行人脸识别，根据人脸识别结果确定人员身份及人员运动方向；
根据人员运动方向实时更新人员管理区的人员数量；
其中，当人员身份确定失败时，标记并上报当前图像。
在本发明技术方案的一个实例中，在对农田生长状态进行检测的同时，对工作人员进行同步检测，对工作人员的检测有两个方面，一个是身份识别，另一个是在岗识别，身份识别借助现有的人脸识别技术，可以判断是否存在外来人员；在岗识别用于判断管理区还有多少个人，防止出现脱岗现象。
作为本发明技术方案的一个优选实施例，本发明还提供了一种农田灾害预警系统，所述系统包括：
准确性判定模块，用于根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率；
变化曲线确定模块，用于根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线；
曲线积分模块，用于对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险；
风险报告输出模块，用于根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告。
进一步的，所述准确性判定模块包括：
环境参数获取单元，用于根据预设的环境监测仪实时获取环境参数；所述环境参数的数值空间由天气预报信息的指标确定；
天气预报读取单元，用于根据环境参数的时间信息确定增广时段，基于增广时段读取对应的天气预报信息；
准确率输出单元，用于判断对应的天气预报信息是否包含环境参数，根据包含关系输出预报准确率；
其中，所述预报准确率由不包含时长和增广时段的比例计算得到。
具体的，所述变化曲线确定模块包括：
延展时段确定单元，用于根据预报准确率确定延展时段；所述延展时段与预报准确率呈正比；
时段连接单元，用于基于当前时刻连接预设长度的历史时段和所述延展时段，得到基准分析时段；
参数统计单元，用于根据所述基准分析时段统计环境参数，确定参数变化曲线；其中，所述参数变化曲线为数据集，每条曲线均与环境参数的一个类型对应。
此外，所述曲线积分模块包括：
时间段确定单元，用于根据预设的时间步长在参数变化曲线确定时间段；
积分值计算单元，用于对各个时间段的参数变化曲线进行积分，得到积分值；
积分值排列单元，用于根据时间顺序排列积分值，得到积分值数组；
积分值识别单元，用于将所述积分值数组输入训练好的数组识别模型，确定采集密度及预测风险。
上述农田灾害预警方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述农田灾害预警方法的功能。
处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器(Read-Only Memory，ROM)，所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，在本文中，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过程、方法、物品或者装置不仅包括那些要素，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过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种农田灾害预警方法，其特征在于，所述方法包括：
根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率；
根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线；
对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险；
根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告。
2.根据权利要求1所述的农田灾害预警方法，其特征在于，所述根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率的步骤包括：
根据预设的环境监测仪实时获取环境参数；所述环境参数的数值空间由天气预报信息的指标确定；
根据环境参数的时间信息确定增广时段，基于增广时段读取对应的天气预报信息；
判断对应的天气预报信息是否包含环境参数，根据包含关系输出预报准确率；
其中，所述预报准确率由不包含时长和增广时段的比例计算得到。
3.根据权利要求1所述的农田灾害预警方法，其特征在于，所述根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线的步骤包括：
根据预报准确率确定延展时段；所述延展时段与预报准确率呈正比；
基于当前时刻连接预设长度的历史时段和所述延展时段，得到基准分析时段；
根据所述基准分析时段统计环境参数，确定参数变化曲线；其中，所述参数变化曲线为数据集，每条曲线均与环境参数的一个类型对应。
4.根据权利要求1所述的农田灾害预警方法，其特征在于，所述对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险的步骤包括：
根据预设的时间步长在参数变化曲线确定时间段；
对各个时间段的参数变化曲线进行积分，得到积分值；
根据时间顺序排列积分值，得到积分值数组；
将所述积分值数组输入训练好的数组识别模型，确定采集密度及预测风险。
5.根据权利要求1所述的农田灾害预警方法，其特征在于，所述根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告的步骤包括：
根据所述采集密度激活预安装于农田的农田摄像头；
基于农田摄像头获取含有时间信息的农田图像；
根据时间信息查询环境参数，由环境参数确定参考图像；
比对所述参考图像和农田图像，对预测风险进行验证，根据验证结果输出风险报告。
6.根据权利要求5所述的农田灾害预警方法，其特征在于，所述根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告的步骤还包括：
在农田图像中定位人员管理区；
当检测到人员时，对人员进行人脸识别，根据人脸识别结果确定人员身份及人员运动方向；
根据人员运动方向实时更新人员管理区的人员数量；
其中，当人员身份确定失败时，标记并上报当前图像。
7.一种农田灾害预警系统，其特征在于，所述系统包括：
准确性判定模块，用于根据预设的环境监测仪实时获取环境参数，根据所述环境参数对天气预报信息进行准确性判定，输出预报准确率；
变化曲线确定模块，用于根据预报准确率确定基准分析时段，根据基准分析时段确定参数变化曲线；
曲线积分模块，用于对参数变化曲线进行积分，根据积分结果确定采集密度及预测风险；
风险报告输出模块，用于根据所述采集密度激活农田摄像头，由农田摄像头对预测风险进行验证，输出风险报告。
8.根据权利要求7所述的农田灾害预警系统，其特征在于，所述准确性判定模块包括：
环境参数获取单元，用于根据预设的环境监测仪实时获取环境参数；所述环境参数的数值空间由天气预报信息的指标确定；
天气预报读取单元，用于根据环境参数的时间信息确定增广时段，基于增广时段读取对应的天气预报信息；
准确率输出单元，用于判断对应的天气预报信息是否包含环境参数，根据包含关系输出预报准确率；
其中，所述预报准确率由不包含时长和增广时段的比例计算得到。
9.根据权利要求7所述的农田灾害预警系统，其特征在于，所述变化曲线确定模块包括：
延展时段确定单元，用于根据预报准确率确定延展时段；所述延展时段与预报准确率呈正比；
时段连接单元，用于基于当前时刻连接预设长度的历史时段和所述延展时段，得到基准分析时段；
参数统计单元，用于根据所述基准分析时段统计环境参数，确定参数变化曲线；其中，所述参数变化曲线为数据集，每条曲线均与环境参数的一个类型对应。
10.根据权利要求7所述的农田灾害预警系统，其特征在于，所述曲线积分模块包括：
时间段确定单元，用于根据预设的时间步长在参数变化曲线确定时间段；
积分值计算单元，用于对各个时间段的参数变化曲线进行积分，得到积分值；
积分值排列单元，用于根据时间顺序排列积分值，得到积分值数组；
积分值识别单元，用于将所述积分值数组输入训练好的数组识别模型，确定采集密度及预测风险。
CN202310717226.2A 2023-06-16 2023-06-16 一种农田灾害预警方法及系统 Active CN116939159B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310717226.2A CN116939159B (zh) 2023-06-16 2023-06-16 一种农田灾害预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310717226.2A CN116939159B (zh) 2023-06-16 2023-06-16 一种农田灾害预警方法及系统

Publications (2)

Publication Number Publication Date
CN116939159A true CN116939159A (zh) 2023-10-24
CN116939159B CN116939159B (zh) 2024-03-22

Family

ID=88388568

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310717226.2A Active CN116939159B (zh) 2023-06-16 2023-06-16 一种农田灾害预警方法及系统

Country Status (1)

Country Link
CN (1) CN116939159B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
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
CN108574737A (zh) * 2018-06-13 2018-09-25 成都信息工程大学 基于云技术和zynq平台的农业自动监控系统及方法
CN109839155A (zh) * 2019-02-21 2019-06-04 彭劲松 一种农田生态环境信息智能采集系统
CN114414935A (zh) * 2021-12-15 2022-04-29 国网四川省电力公司信息通信公司 基于大数据的配电网馈线故障区域自动化定位方法和系统
CN114548832A (zh) * 2022-04-22 2022-05-27 北京千尧新能源科技开发有限公司 一种基于大数据的风电设备状态评估方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
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
CN108574737A (zh) * 2018-06-13 2018-09-25 成都信息工程大学 基于云技术和zynq平台的农业自动监控系统及方法
CN109839155A (zh) * 2019-02-21 2019-06-04 彭劲松 一种农田生态环境信息智能采集系统
CN114414935A (zh) * 2021-12-15 2022-04-29 国网四川省电力公司信息通信公司 基于大数据的配电网馈线故障区域自动化定位方法和系统
CN114548832A (zh) * 2022-04-22 2022-05-27 北京千尧新能源科技开发有限公司 一种基于大数据的风电设备状态评估方法及系统

Also Published As

Publication number Publication date
CN116939159B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN114548832B (zh) 一种基于大数据的风电设备状态评估方法及系统
CN114414935A (zh) 基于大数据的配电网馈线故障区域自动化定位方法和系统
CN113419226B (zh) 一种雷达故障检修系统
CN115549313B (zh) 基于人工智能的用电监测方法及系统
CN114581855A (zh) 一种基于大数据的信息收集方法与系统
CN116879831A (zh) 一种基于物联网的电表智能监控方法及系统
CN113592138A (zh) 电力负荷预测方法及装置
Chen The implementation to intelligent linkage service over AIoT hierarchical for material flow management
CN116939159B (zh) 一种农田灾害预警方法及系统
CN115829337B (zh) 一种存储区风险预警方法及系统
CN112906464A (zh) 行人检测识别方法、装置、设备及存储介质
CN114125389B (zh) 一种基于大数据的智慧园林云监管系统
CN115760486A (zh) 临建规模评估方法、装置、设备和可读存储介质
CN115358595A (zh) 实验室任务管理方法、装置、设备及可读存储介质
CN115758240A (zh) 牲畜健康状态智能分类方法、装置、设备及存储介质
CN114841661A (zh) 一种离散加工管理方法及系统
CN114677065A (zh) 数据处理方法和数据处理装置
FI129933B (en) Management of communication network prediction models
CN115985069B (zh) 一种自动消防报警设备管理系统及方法
CN112712097B (zh) 一种基于开放平台的图像识别方法、装置及用户端
CN113888772B (zh) 一种基于mes的信息录入应急系统及其处理方法
CN116072282B (zh) 用于ct设备的远程智能检测分析方法及系统
CN116484428B (zh) 数据安全性检测系统、方法、装置及相关设备
CN117395033B (zh) 一种数据安全监管方法及系统
CN117785491B (zh) 一种gpu云计算资源管理方法、系统及存储介质

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