CN116977112B - 植株培育的方法、装置以及系统 - Google Patents
植株培育的方法、装置以及系统 Download PDFInfo
- Publication number
- CN116977112B CN116977112B CN202311213783.7A CN202311213783A CN116977112B CN 116977112 B CN116977112 B CN 116977112B CN 202311213783 A CN202311213783 A CN 202311213783A CN 116977112 B CN116977112 B CN 116977112B
- Authority
- CN
- China
- Prior art keywords
- height
- cultivation
- plant
- curved surface
- area
- 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
- 238000012364 cultivation method Methods 0.000 title description 5
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000011534 incubation Methods 0.000 claims abstract description 15
- 241000196324 Embryophyta Species 0.000 claims description 151
- 238000003973 irrigation Methods 0.000 claims description 74
- 230000002262 irrigation Effects 0.000 claims description 74
- 239000003337 fertilizer Substances 0.000 claims description 52
- 230000004720 fertilization Effects 0.000 claims description 33
- 238000005507 spraying Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 239000007921 spray Substances 0.000 claims description 2
- 238000003306 harvesting Methods 0.000 abstract description 7
- 230000012010 growth Effects 0.000 description 15
- 230000002159 abnormal effect Effects 0.000 description 12
- 230000008635 plant growth Effects 0.000 description 10
- 238000003062 neural network model Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000003966 growth inhibitor Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Abstract
植株培育的方法、装置以及系统,涉及农业智能控制领域,该方法包括:获取第一图像,将第一图像输入至第一模型,输出第一高度曲面和第一种植信息;根据第一高度曲面,确定第一基准高度;将第一基准高度、第一高度曲面和第一种植信息输入至第二模型,输出第一偏差值;根据第一偏差值,将第一高度曲面纵向划分为多个高度区域,确定各个高度区域的第二高度曲面;将第一种植信息和各个第二高度曲面输入至第三模型,输出第一培育方案,该第一培育方案施用方式和计划培育时长;在经过计划培育时长后,重新执行第一培育操作。基于该方案,使得无人农场能够控制植株群体高度,使收割机能够正常收割。并且定期重复执行培育操作,实现无人农场的良性内循环。
Description
技术领域
本申请涉及农业智能控制领域,更具体地,涉及植株培育的方法、装置以及系统。
背景技术
随着农业自动化、信息化和智能化的技术推进,无人农场的地位越来越重要。并且随着无人农场的相关技术逐步成熟,无人农场的种植规模也逐步扩大。
基于农艺经验可知,若大田作物的高度参差不齐,则会导致大型收割机难以正常收割,还会导致植株群体生长状态分布不均,进而影响植株群体的整体产量。因此,在无人农场中实现合理控制大田作物的生长高度是至关重要的,同时也面临着巨大的挑战。
鉴于此,一种应用于无人农场的植株培育的方法亟待开发。
发明内容
本申请提供一种植株培育的方法、装置以及系统,能够实现在无人农场的场景下,判断植株群体的高度差是否合理,并在判断结果为不合理的情况下,确定并实施针对于不同高度的植株群体的培育方案。
第一方面,提供了一种植株培育的方法,应用于无人农场,该方法包括:针对种植在第一区域的第一植株群体进行第一培育操作,该第一培育操作包括:通过空中巡田平台获取第一图像,并将第一图像输入至第一模型,输出第一高度曲面和第一种植信息, 其中,空中巡田平台包括无人机或者系留气球,该第一图像包括第一植株群体,第一种植信息包括第一植株群体的植株品种和种植密度;根据第一高度曲面,确定第一基准高度,该第一基准高度是第一高度集中的众数,该第一高度集包括构成上述第一高度曲面的多个点所对应的高度值;将第一基准高度、第一高度曲面和第一种植信息输入至第二模型,输出第一偏差值,其中,第一偏差值用于表示第一植株群体的第一高度极差的期望值,第二模型配置有第一标准表,该第一标准表包括第一高度曲面、第一种植信息和第一偏差值之间的第一对应关系;在第一高度极差大于第一偏差值的情况下,根据第一偏差值,将上述第一高度曲面纵向划分为多个高度区域,得到各个高度区域的第二高度曲面;将第一种植信息和各个高度区域的第二高度曲面输入至第三模型,输出第一培育方案,该第一培育方案用于控制上述第一高度极差在第一偏差值内,该第一培育方案包括每个高度区域内的第一植株群体对应的施肥方案,该施肥方案包括施用方式和计划培育时长,施用方式包括基于无人机的空中洒肥方式和/或基于滴灌系统的地面施肥方式;在经过上述计划培育时长后,重新执行上述第一培育操作。
示例地,上述第一图像可以是照片图像,也可以是视频图像,或者,上述第一图像还可以是包括可见光、NDVI等信息的多光谱图像、超声波图像或者激光点云图像。
示例地,在第一高度极差大于第一偏差值时,就植株群体的高度差不合理,所以接下来确定并实施针对于不同高度的植株群体的培育方案。
示例地,上述第一模型可以是一种预先训练好的神经网络模型,将上述第一图像输入至第一模型后,第一模型可以提取出第一图像中第一植株群体的多个顶点,并将该多个顶点连接,从而构成上述第一高度曲面,并将该第一高度曲面输出。此外,该第一模型还可以提取出第一图片中第一植株群体的植物特征及其对应的语义信息,从而确定并输出第一植株群体的种植密度以及第一植株的植株品种,即确定并输出上述第一种植信息。
示例地,上述第二模型可以是预先训练好的神经网络模型,该第二模型就是基于上述第一标准表训练的,上述第一标准表可以通过历史培育经验确定,历史培育经验包括:对于不同植株品种、不同种植密度以及不同植株的基准高度的种植场景,专家给出的培育指导信息,该培育指导信息可以是对于该种植场景中,植株群体的高度偏差值。
示例地,上述第三模型可以是一种预先训练好的专家模型,该模型基于输入的第一种植信息和各个高度区域的第二高度曲面,进行多个迭代周期的计算,最终解算出一个收敛结果,该收敛结果可以用于指示相应的培育方案。
示例地,在重新执行上述第一培育操作后,若确定第一高度极差小于或者等于第一偏差值,则无需进一步生成相应第一培育方案,采取预设的普通培育方案即可,该普通培育方案可以是种植之初确定的培育方案,由此可见,本申请实施例提出的第一培育方案是一种针对植株生长异常状况所采取的应对措施,以使得植株会长状态恢复正常;若确定第一高度极差仍大于第一偏差值,则继续执行后续操作,直至第一高度极差小于或者等于第一偏差值。
基于上述技术方案,使得无人农场能够有效控制指定区域的植株群体的高度,使它们的高度以及高度极差在合理的偏差值内,以便于大型收割机能够正常收割植株群体,并且使植株群体得以正常生长,有助于增加植株群体的整体产量。并且定期重复执行培育操作,根据植株生长的新状况,制定新的培育方案,实现无人农场植株培育的良性内循环。
结合第一方面,在第一方面的某些实现方式中,根据第一培育方案,生成第一处方图,该第一处方图用于表示针对每个高度区域内的第一植株群体所需喷洒的肥量。
基于上述技术方案,通过处方图的形式量化培育方案,从而能够更好地控制无人农场的自动化设备实施培育方案。
结合第一方面,在第一方面的某些实现方式中,在施用方式包括基于无人机的空中洒肥方式时,根据第一处方图和第一区域的范围,确定第一控制信息,该第一控制信息包括无人机的起始点位置、喷洒高度、喷洒时的飞行速度、依次到达的多个航点和在每段航行路径中所需喷洒的肥量;将该第一控制信息发送至无人机。
基于上述技术方案,能够基于确定培育方案,确定针对于无人机的航点、肥量等控制量,并且通过控制信息的方式,指示无人机执行相应的培育工作,控制指定子区域的植株群体按的生长速度,进而能够控制整个区域的植株群体的高度,并使高度极差在期望的偏差内。
结合第一方面,在第一方面的某些实现方式中,根据第一处方图和第一区域的范围,确定滴灌系统的动态轮灌区对应的阀区集合;根据滴灌系统的滴灌管网能力、水泵参数和历史全网压力分布,确定第二控制信息,该第二控制信息包括针对阀区集合中每个阀门的控制量和对应的肥料浓度,以使得滴灌系统执行肥料浓度先高后低的轮灌工作;将该第二控制信息发送至滴灌系统。
基于上述技术方案,能够基于确定培育方案,确定针对于滴灌系统阀门集合的控制量,并且通过控制信息的方式,指示滴灌系统执行相应的培育工作,控制指定子区域的植株群体按的生长速度,进而能够控制整个区域的植株群体的高度,并使高度极差在期望的偏差内。
第二方面,提供了一种植株培育的系统,应用于无人农场,该系统包括:
总控中心,用于指示系统针对种植在第一区域的第一植株群体进行第一培育操作,该总控中心包括:
空中巡田平台,用于获取第一图像,该第一图像包括第一植株群体,上述空中巡田平台包括无人机或者系留气球;
数字图像处理设备,用于将第一图像输入至第一模型,输出第一高度曲面和第一种植信息,该第一种植信息包括第一植株群体的植株品种和种植密度;
数据处理设备,用于根据第一高度曲面,确定第一基准高度,该第一基准高度是第一高度集中的众数,该第一高度集包括构成上述第一高度曲面的多个点所对应的高度值;还用于将第一基准高度、第一高度曲面和第一种植信息输入至第二模型,输出第一偏差值,第一偏差值用于表示第一植株群体的第一高度极差的期望值,第二模型配置有第一标准表,第一标准表包括第一高度曲面、第一种植信息和第一偏差值之间的第一对应关系;还用于在第一高度极差大于第一偏差值的情况下,根据第一偏差值,将第一高度曲面纵向划分为多个高度区域,得到各个高度区域的第二高度曲面;
专家系统,用于将第一种植信息和各个高度区域的第二高度曲面输入至第三模型,输出第一培育方案,第一培育方案用于第一高度极差在第一偏差值内,第一培育方案包括每个高度区域内的第一植株群体对应的施肥方案,施肥方案包括施用方式和计划培育时长,施用方式包括基于无人机的空中洒肥方式和/或基于滴灌系统的地面施肥方式;
上述总控中心还用于,在经过上述计划培育时长后,重新执行上述第一培育操作。
结合第二方面,在第二方面的某些实现方式中,上述专家系统还用于:
根据第一培育方案,生成第一处方图,该第一处方图用于表示针对每个高度区域内的第一植株群体所需喷洒的肥量。
结合第二方面,在第二方面的某些实现方式中,上述系统还包括:
远程控制设备,用于在上述施用方式包括基于无人机的空中洒肥方式时,根据第一处方图和第一区域的范围,确定第一控制信息,该第一控制信息包括无人机的起始点位置、喷洒高度、喷洒时的飞行速度、依次到达的多个航点和在每段航行路径中所需喷洒的肥量;将该第一控制信息发送至无人机。
结合第二方面,在第二方面的某些实现方式中,上述远程控制设备还用于:
根据第一处方图和第一区域的范围,确定滴灌系统的动态轮灌区对应的阀区集合;根据滴灌系统的滴灌管网能力、水泵参数和历史全网压力分布,确定第二控制信息,该第二控制信息包括针对阀区集合中每个阀门的控制量和对应的肥料浓度,以使得滴灌系统执行肥料浓度先高后低的轮灌工作;将该第二控制信息发送至滴灌系统。
第三方面,提供了一种植株培育的装置,包括处理器和存储器,其中,处理器和存储器相连,其中,存储器用于存储程序代码,处理器用于调用程序代码,以执行上述第一方面的方法设计中任意一种可能的实现方式中的方法。
第四方面,提供了一种芯片系统,芯片系统应用于电子设备;芯片系统包括一个或多个接口电路,以及一个或多个处理器;接口电路和处理器通过线路互联;接口电路用于从电子设备的存储器回波信号,并向处理器发送信号,信号包括存储器中存储的计算机指令;当处理器执行计算机指令时,电子设备执行上述第一方面的方法设计中任意一种可能的实现方式中的方法。
第五方面,提供了一种计算机可读存储介质,存储有计算机程序或指令,该计算机程序或指令用于实现第一方面的方法设计中任意一种可能的实现方式中的方法。
第六方面,提供了一种计算机程序产品,包括计算机程序或指令,该计算机程序代码或指令在计算机上执行时,使得计算机执行上述第一方面的方法设计中任意一种可能的实现方式中的方法。
附图说明
图1是本申请实施例提供的一种植株培育的系统100的示意性框图。
图2是本申请实施例提供的一种植株培育的方法的示意性框图。
图3是本申请实施例提供的一种划分高度区域的示意图。
图4是本申请实施例提供的一种实施施肥方案的方法的示意性框图。
图5是本申请实施例提供的又一种实施施肥方案的方法的示意性框图。
图6是本申请实施例提供的又一种植株培育的系统600的示意性框图。
具体实施方式
在本申请实施例的描述中,除非另有说明,“/”表示或的意思,例如,A/B可以表示A或B;本文中的“和/或”是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。本申请中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
本申请实施例中采用诸如“第一”、“第二”的前缀词,仅仅为了区分不同的描述对象,对被描述对象的位置、顺序、优先级、数量或内容等没有限定作用。本申请实施例中对序数词等用于区分描述对象的前缀词的使用不对所描述对象构成限制,对所描述对象的陈述参见权利要求或实施例中上下文的描述,不应因为使用这种前缀词而构成多余的限制。
下面将结合附图,对本申请实施例中的技术方案进行描述。
无人农场是指在人工不进入农场的情况下,采用物联网、大数据、人工智能、第五代(5th generation,5G)通信系统、机器人技术等新一代信息技术,通过对农场设施、装备、机械等远程控制或智能装备与机器人的自主决策、自主作业,完成所有农场生产、管理任务的一种全天候、全过程、全空间的无人化生产作业模式。
在植株培育的过程中,控制大田中植株之间的高度差是至关重要的。因为,大型收割机对收割对象的高度一致性具有较高要求,另外,植株之间的高度差过大,会导致较矮的植株接收不到足量的光照,造成会使较矮的植株和正常生长的植株生长状况差距过大,进而会影响植株群体的整体产量。
鉴于此,本申请实施例提出了一种植株培育的方法、装置以及系统,应用于无人农场,以获取指定区域种植的植株群体的生长高度,并进行分析,以生成针对于该区域植株群体的培育策略,并指示相关设备执行该策略。
图1是本申请实施例提供的一种植株培育的系统100的示意性框图。
在一些可能的实施例中,上述系统100包括:采集设备110、数据处理设备120、智能决策设备130以及自动化设备140。这些设备可以通过无线网络建立连接,以实现设备之间的数据交互。
其中,采集设备110主要用于采集植株群体的相关数据,并且将这些数据传输至数据处理设备120和智能决策设备130。采集设备110包括:单目相机、双目相机、航拍无人机或者毫米波雷达等。
数据处理设备120主要用于基于从采集设备110接收到的植株群体的相关数据,进行数据处理以及分析,确定植株群体的生长状况,例如植株群体的高度极差、植株群体的植株高度曲面信息等,并将处理结果传输至决策设备130。
在一些可能的实施例中,上述数据处理设备120可以包括专用于数字图像处理的神经网络模型,并基于该神经网络模型实现对图像特征的提取以及分析,分析结果用于表示上述植株群体的生长状况。
决策设备130主要用于基于接收到的数据,生成针对当前植株群体的培育方案,并将培育方案传输至自动化设备140。
在一些可能的实施例中,决策设备130中包括专用于决策的神经网络模型,并存储有作物培育经验库,该经验库中保存着不同种植场景下对应的植株培育方案。
自动化设备140主要用于基于接收到的培育方案,进行指定的培育工作,例如,空中洒肥、地面施肥等。自动化设备140包括被赋予指定功能的农用机械,例如,农用无人机、灌溉系统等。
基于上述系统100,本申请实施例提出了一种植株培育的方法。
图2是本申请实施例提供的一种培育的方法的示意性框图。该方法可以应用于无人农场。
应理解,该无人农场配置有用于培育植株的自动化设备。
S210:针对种植在第一区域的第一植株群体进行第一培育操作。
其中,第一培育操作的流程如下:
S211:通过空中巡田平台获取第一图像,并将第一图像输入至第一模型,输出第一高度曲面和第一种植信息。
其中,上述空中巡田平台包括无人机或者系留气球,该第一图像包括第一植株群体,上述第一种植信息包括第一植株群体的植株品种和种植密度。
在一些可能的实施例中,上述第一图像可以是照片图像,也可以是视频图像,或者,上述第一图像还可以是包括可见光、NDVI等信息的多光谱图像、超声波图像或者激光点云图像。
应理解,植株高度是指植株的根颈部到顶部之间的距离,其中顶部是指植株的主茎顶部。
在一些可能的实施例中,上述第一模型可以是一种预先训练好的神经网络模型,将上述第一图像输入至第一模型后,第一模型可以提取出第一图像中第一植株群体的多个顶点,并将该多个顶点连接,从而构成上述第一高度曲面,并将该第一高度曲面输出。此外,该第一模型还可以提取出第一图片中第一植株群体的植物特征及其对应的语义信息,从而确定并输出第一植株群体的种植密度以及第一植株的植株品种,即确定并输出上述第一种植信息。
在一些可能的实施例中,上述多个第一植株的高度可以通过上述系统100中的采集设备110获取。
S212:根据第一高度曲面,确定第一基准高度。
其中,第一基准高度是第一高度集中的众数,该第一高度集包括构成第一高度曲面的多个点所对应的高度值。
应理解,上述第一基准高度可以用于表示第一植株在正常生长的条件下,当前第一植株群体应当达到的期望高度。
S213:将第一基准高度、第一高度曲面和第一种植信息输入至第二模型,输出第一偏差值。
其中,第一偏差值用于表示第一植株群体的第一高度极差的期望值,该第一高度极差用于表示第一植株群体中最高的植株和最矮的植株之间的高度差,第二模型配置有第一标准表,该第一标准表包括第一高度曲面、第一种植信息和第一偏差值之间的第一对应关系。
在一些可能的实施例中,上述第二模型可以是预先训练好的神经网络模型,该第二模型就是基于上述第一标准表训练的,上述第一标准表可以通过历史培育经验确定,历史培育经验包括:对于不同植株品种、不同种植密度以及不同植株的基准高度的种植场景,专家给出的培育指导信息,该培育指导信息可以是对于该种植场景中,植株群体的高度偏差值。
S214:在第一高度极差大于第一偏差值的情况下,根据第一偏差值,将第一高度曲面纵向划分为多个高度区域,得到各个高度区域的第二高度曲面。
图3是本申请实施例提出的一种划分高度区域的示意图。
在一些可能的实施例中,上述高度区域对应的区间长度可以等于第一偏差值,即参考图3所示的示例,也可以是第一偏差值的倍数,该倍数相较于第一偏差值可以是整数倍,也可以是非整数倍。
参考图3所示,第一高度曲面被分为三个高度区域内的三个第二高度曲面,即每个高度区域内的第二高度曲面都对应于第一高度曲面的一部分。其中,这三个高度区域的分界面是与重力方向垂直的平面,也就是用于划分上述第一高度曲面的横切面。
在一些可能的实施例中,在第一高度极差小于或者等于第一偏差值的情况下,说明该第一植株群体的生长状态良好,暂时不需要针对该第一植株群体采取特殊的培育计划。并且在经过预设的第一时长后,重新执行上述S210即可。由此可知,本申请实施例提出的植株培育的方法是一个长期执行且具有重复性的方法。基于该方案,能够定期观测植株群体的生长状态,进而比较及时地发现植株群体的生长状态是否良好。
S215:将第一种植信息和各个高度区域的第二高度曲面输入至第三模型,输出第一培育方案。
其中,第一培育方案用于控制上述第一高度极差在第一偏差值内,该第一培育方案包括每个高度区域内的第一植株群体对应的施肥方案,该施肥方案包括施用方式和计划培育时长,施用方式包括基于无人机的空中洒肥方式和/或基于滴灌系统的地面施肥方式。
在一些可能的实施例中,上述第三模型可以是一种预先训练好的专家模型,该模型基于输入的第一种植信息和各个高度区域的第二高度曲面,进行多个迭代周期的计算,最终解算出一个收敛结果,该收敛结果可以用于指示相应的培育方案。
应理解,在确定高度区域的边界线的情况下,也意味着确定了该高度区域的边界线的高度信息,该高度信息能够被上述第三模型提取出来,并且作为确定第一培育方案的依据。
此外,上述高度区域的边界线也隐含了该高度区域对应于第一区域的横向范围区域,进而能够确定该横向范围区域内对应的第一植株群体,类似地,这些信息也能够被上述第三模型提取出来,并作为确定第一培育方案的依据。
在一些可能的实施例中,参考图3所示,在该培育场景中,上述第一高度曲面被划分为三个高度区域,为了描述方便,这里将这三个高度区域按照从低到高的顺序依次记作第一高度区域、第二高度区域和第三高度区域。
当上述第一基准高度落入第二高度区域时,可以说明高度位于第二高度区域的第一植株生长状态良好,植株高度合理,那么,高度位于第一高度区域的第一植株生长状态较差,植株高度过矮,高度位于第三高度区域的第一植株生长状态较差,植株高度过高。所以在第一培育方案中,针对于第一高度区域对应第一植株群体,需要适当增加施用的肥量,使这些第一植株高度达到标准高度区间;针对于第二高度区域对应第一植株群体,不需要调整施用的肥量,使这些第一植株保持当前的生长状态,正常生长;针对于第三高度区域对应第一植株群体,需要适当减少施用的肥量,或者适当增施作物品种对应的生长抑制剂,使这些第一植株高度回到标准高度区间。
当上述第一基准高度落入第一高度区域时,基于上述相同的原理,在第一培育方案中,针对第一高度区域不需要调整施用的肥量;针对第二高度区域需要减少施用的肥量;针对第三高度区域需要进一步减少施用的肥量。
当上述第一基准高度落入第三高度区域时,基于上述相同的原理,在第一培育方案中,针对第三高度区域不需要调整施用的肥量;针对第二高度区域需要增加施用的肥量;针对第一高度区域需要进一步增加施用的肥量。
应理解,在上述第一高度曲面被划分为N个高度区域时,同样适用于上述方案。
至此,上述S210提出的第一培育操作完成,以输出上述第一培育方案为完成标志。
S220:在经过计划培育时长后,重新执行第一培育操作。
在一些可能的实施例中,在重新执行上述第一培育操作后,若确定第一高度极差小于或者等于第一偏差值,则无需进一步生成相应第一培育方案,采取预设的普通培育方案即可,该普通培育方案可以是种植之初确定的培育方案,由此可见,本申请实施例提出的第一培育方案是一种针对植株生长异常状况所采取的应对措施,以使得植株会长状态恢复正常;若确定第一高度极差仍大于第一偏差值,则继续执行后续操作,直至第一高度极差小于或者等于第一偏差值。
基于上述技术方案,使得无人农场能够有效控制指定区域的植株群体的高度,使它们的高度以及高度极差在合理的偏差值内,以便于大型收割机能够正常收割植株群体,并且使植株群体得以正常生长,有助于增加植株群体的整体产量。并且定期重复执行培育操作,根据植株生长的新状况,制定新的培育方案,实现无人农场植株培育的良性内循环。
在一些可能的实施例中,在确定第一培育方案后,还需要确定如何控制相应的自动化设备,例如无人机或者滴灌系统等。具体操作如下:
根据上述第一培育方案,生成第一处方图,该第一处方图用于表示针对每个高度区域内的第一植株群体所需喷洒的肥量。
图4是本申请实施例提出的一种实施施肥方案的方法的示意性框图。
在一些可能的实施例中,在上述方案施用方式为基于无人机的空中洒肥方式时,可以执行如下操作:
S410:根据第一处方图和第一区域的范围,确定第一控制信息。
其中,第一控制信息包括无人机的起始点位置、喷洒高度、喷洒时的飞行速度、依次到达的多个航点和在每段航行路径中所需喷洒的肥量。
在一些可能的实施例中,由于第一高度曲面被分为多个高度区域,那么第一区域也对应地被划分为多个第一子区域,对应地,各个第一子区域的第一植株群体也对应着不同的高度区域。所以无人机在经过不同的第一子区域上方时,所要喷洒的肥量是不同的,例如,对于第一植株群体所在高度区域较低的第一子区域,无人机需要喷洒的肥量较多;对于第一植株群体所在高度区域较高的第一子区域,无人机需要喷洒的肥量较少。
S420:将第一控制信息发送至无人机。
基于上述技术方案,能够基于确定培育方案,确定针对于无人机的航点、肥量等控制量,并且通过控制信息的方式,指示无人机执行相应的培育工作,控制指定子区域的植株群体按的生长速度,进而能够控制整个区域的植株群体的高度,并使高度极差在期望的偏差内。
图5是本申请实施例提出的又一种实施施肥方案的方法的示意性框图。
在一些可能的实施例中,在上述方案施用方式为基于滴灌系统的地面施肥方式时,可以执行如下操作:
S510:根据第一处方图和第一区域的范围,确定滴灌系统的动态轮灌区对应的阀区集合。
应理解,滴灌系统的灌溉功能通过多个阀门控制的,而这些阀门构成了阀区。由于滴灌系统的部署规模通常很大,上述第一区域通常是滴灌系统覆盖的部分范围,所以针对于第一区域部署的部分滴灌系统对应的阀区,构成了上述阀区集合。
S520:根据滴灌系统的滴灌管网能力、水泵参数和历史全网压力分布,确定第二控制信息。
其中,第二控制信息包括针对上述阀区集合中每个阀门的控制量和对应的肥料浓度,以使得上述滴灌系统执行肥料浓度先高后低的轮灌工作。
应理解,阀门的控制量可以是一种阀门开度的控制量,以控制单位时间内向喷水管道混合肥料的肥量,进而控制肥料浓度。
在一些可能的实施例中,上述历史全网压力分布可以是最近一次检测的全网压力分布。
在一些可能的实施例中,与上述基于无人机的空中洒肥方式类似,对于第一植株群体所在高度区域较低的第一子区域,滴灌系统的对应阀门的开启控制量较大,对应的肥料浓度也较大;对于第一植株群体所在高度区域较高的第一子区域,滴灌系统的对应阀门的开启控制量较小,对应的肥料浓度也较小。
S530:将第二控制信息发送至上述滴灌系统。
基于上述技术方案,能够基于确定培育方案,确定针对于滴灌系统阀门集合的控制量,并且通过控制信息的方式,指示滴灌系统执行相应的培育工作,控制指定子区域的植株群体按的生长速度,进而能够控制整个区域的植株群体的高度,并使高度极差在期望的偏差内。
在一些可能的实施例中,上述第一培育方案还可以将上述基于无人机的空中洒肥方式和上述基于滴灌系统的地面施肥方式相结合。
在一些可能的实施例中,在滴灌系统的部分阀门发生故障时,滴灌系统确定第一异常区域范围,该第一异常区域是滴灌系统的灌溉范围无法覆盖第一区域的部分区域。然后,滴灌系统可以将上述第一处方图和第一异常区域范围发送至无人机,以使得无人机代替该滴灌系统完成针对于异常区域的培育工作。与此同时,滴灌系统还可以向无人农场的指挥中心发送第一异常信息,该第一异常信息用于表示滴灌系统的上述部分阀门发生故障,以使得指挥中心值守人员及时采取抢修措施。
类似地,在无人机发生偏航时,无人机确定第二异常区域范围,该第二异常区域是无人机当前航径无法覆盖第一区域的部分区域,然后,无人机可以将上述第一处方图和第二异常区域范围发送至滴灌系统,以使得滴灌系统代替该无人机完成针对于异常区域的培育工作。与此同时,无人机还可以向无人农场的指挥中心发送第二异常信息,该第二异常信息用于表示无人机发生偏航,以使得指挥中心值守人员及时采取抢修措施。
在一些可能的实施例中,在上述滴灌系统和无人机互相配合也无法完成培育方案的情况下,滴灌系统或无人机可以向指挥中心发送告警信息,该告警信息用于指示当前的施用方式无法完成当前的培育方案,以使得指挥中心值守人员联系相关人员对滴灌系统和无人机进行故障排查,若未发现故障,则引入相应的自动化设备,以实现培育方案的实施。
基于上述技术方案,将无人机和滴灌系统建立通信连接,在其中一方面的设备在执行培育方案过程中发生故障时,能够指示另一方面的设备辅助其完成培育方案,增加了本方案的鲁棒性,有助于避免因设备故障导致的停工现象。
此外,本申请实施例还提供用于实现以上任一种方法的系统。图6是本申请实施例提供的又一种植株培育的系统600的示意性框图。该系统可以应用于无人农场,如图6所示,该系统600包括:
总控中心610,用于指示系统针对种植在第一区域的第一植株群体进行第一培育操作,该总控中心610包括:
空中巡田平台611,用于获取第一图像,该第一图像包括第一植株群体,该空中巡田平台包括无人机或者系留气球;
数字图像处理设备612,用于将第一图像输入至第一模型,输出第一高度曲面和第一种植信息,该第一种植信息包括第一植株群体的植株品种和种植密度;
数据处理设备613,用于根据第一高度曲面,确定第一基准高度,该第一基准高度是第一高度集中的众数,该第一高度集包括构成上述第一高度曲面的多个点所对应的高度值;还用于将第一基准高度、第一高度曲面和第一种植信息输入至第二模型,输出第一偏差值,第一偏差值用于表示第一植株群体的第一高度极差的期望值,第二模型配置有第一标准表,第一标准表包括第一高度曲面、第一种植信息和第一偏差值之间的第一对应关系;还用于在第一高度极差大于第一偏差值的情况下,根据第一偏差值,将第一高度曲面纵向划分为多个高度区域,得到各个高度区域的第二高度曲面;
专家系统614,用于将将第一种植信息和各个高度区域的第二高度曲面输入至第三模型,输出第一培育方案,第一培育方案用于第一高度极差在第一偏差值内,第一培育方案包括每个高度区域内的第一植株群体对应的施肥方案,施肥方案包括施用方式和计划培育时长,施用方式包括基于无人机的空中洒肥方式和/或基于滴灌系统的地面施肥方式;
总控中心610还用于,在经过上述计划培育时长后,重新执行上述第一培育操作。
在一些可能的实施例中,上述专家系统614还用于根据第一培育方案,生成第一处方图,该第一处方图用于表示针对每个高度区域内的第一植株群体所需喷洒的肥量。
在一些可能的实施例中,上述系统600还包括:
远程控制设备620,用于在上述施用方式包括基于无人机的空中洒肥方式时,根据第一处方图和第一区域的范围,确定第一控制信息,该第一控制信息包括无人机的起始点位置、喷洒高度、喷洒时的飞行速度、依次到达的多个航点和在每段航行路径中所需喷洒的肥量;并将该第一控制信息发送至无人机。
在一些可能的实施例中,上述远程控制设备620还用于根据第一处方图和第一区域的范围,确定滴灌系统的动态轮灌区对应的阀区集合;根据滴灌系统的滴灌管网能力、水泵参数和历史全网压力分布,确定第二控制信息,该第二控制信息包括针对阀区集合中每个阀门的控制量和对应的肥料浓度,以使得滴灌系统执行肥料浓度先高后低的轮灌工作;并将该第二控制信息发送至滴灌系统。
基于上述系统,能够有效控制指定区域的植株群体的高度,使它们的高度以及高度极差在合理的偏差值内,以便于大型收割机能够正常收割植株群体,并且使植株群体得以正常生长,有助于增加植株群体的整体产量。并且定期重复执行培育操作,根据植株生长的新状况,制定新的培育方案,实现无人农场植株培育的良性内循环。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种植株培育的方法,其特征在于,应用于无人农场,所述方法包括:
针对种植在第一区域的第一植株群体进行第一培育操作,所述第一培育操作包括:
通过空中巡田平台获取第一图像,并将所述第一图像输入至第一模型,输出第一高度曲面和第一种植信息, 所述空中巡田平台包括无人机或者系留气球,所述第一图像包括所述第一植株群体,所述第一种植信息包括所述第一植株群体的植株品种和种植密度;
根据所述第一高度曲面,确定第一基准高度,所述第一基准高度是第一高度集中的众数,所述第一高度集包括构成所述第一高度曲面的多个点所对应的高度值;
将所述第一基准高度、所述第一高度曲面和所述第一种植信息输入至第二模型,输出第一偏差值,所述第一偏差值用于表示所述第一植株群体的第一高度极差的期望值,所述第二模型配置有第一标准表,所述第一标准表包括所述第一高度曲面、第一种植信息和所述第一偏差值之间的第一对应关系;
在所述第一高度极差大于所述第一偏差值的情况下,根据所述第一偏差值,将所述第一高度曲面纵向划分为多个高度区域,得到各个高度区域的第二高度曲面;
将所述第一种植信息和所述各个高度区域的第二高度曲面输入至第三模型,输出第一培育方案,所述第一培育方案用于控制所述第一高度极差在所述第一偏差值内,所述第一培育方案包括每个所述高度区域内的第一植株群体对应的施肥方案,所述施肥方案包括施用方式和计划培育时长;
根据所述第一培育方案,生成第一处方图,所述第一处方图用于表示针对每个所述高度区域内的第一植株群体所需喷洒的肥量;
在所述施用方式包括基于无人机的空中洒肥方式时,根据所述第一处方图和所述第一区域的范围,确定第一控制信息,所述第一控制信息包括所述无人机的起始点位置、喷洒高度、喷洒时的飞行速度、依次到达的多个航点和在每段航行路径中所需喷洒的肥量,并将所述第一控制信息发送至所述无人机;和/或,
在所述施用方式包括基于滴灌系统的地面施肥方式时,根据所述第一处方图和所述第一区域的范围,确定所述滴灌系统的动态轮灌区对应的阀区集合,根据所述滴灌系统的滴灌管网能力、水泵参数和历史全网压力分布,确定第二控制信息,所述第二控制信息包括针对所述阀区集合中每个阀门的控制量和对应的肥料浓度,以使得所述滴灌系统执行肥料浓度先高后低的轮灌工作,并将所述第二控制信息发送至所述滴灌系统;
在经过所述计划培育时长后,重新执行所述第一培育操作。
2.一种植株培育的系统,其特征在于,应用于无人农场,所述系统包括:
总控中心,用于指示所述系统针对种植在第一区域的第一植株群体进行第一培育操作,所述总控中心包括:
空中巡田平台,用于获取第一图像,所述第一图像包括所述第一植株群体,所述空中巡田平台包括无人机或者系留气球;
数字图像处理设备,用于将所述第一图像输入至第一模型,输出第一高度曲面和第一种植信息,所述第一种植信息包括所述第一植株群体的植株品种和种植密度;
数据处理设备,用于根据所述第一高度曲面,确定第一基准高度,所述第一基准高度是第一高度集中的众数,所述第一高度集包括构成所述第一高度曲面的多个点所对应的高度值;还用于将所述第一基准高度、所述第一高度曲面和所述第一种植信息输入至第二模型,输出第一偏差值,所述第一偏差值用于表示所述第一植株群体的第一高度极差的期望值,所述第二模型配置有第一标准表,所述第一标准表包括所述第一高度曲面、第一种植信息和所述第一偏差值之间的第一对应关系;还用于在所述第一高度极差大于所述第一偏差值的情况下,根据所述第一偏差值,将所述第一高度曲面纵向划分为多个高度区域,得到各个高度区域的第二高度曲面;
专家系统,用于将所述第一种植信息和所述各个高度区域的第二高度曲面输入至第三模型,输出第一培育方案,所述第一培育方案用于控制所述第一高度极差在所述第一偏差值内,所述第一培育方案包括每个所述高度区域内的第一植株群体对应的施肥方案,所述施肥方案包括施用方式和计划培育时长,所述施用方式包括基于无人机的空中洒肥方式和/或基于滴灌系统的地面施肥方式;还用于根据所述第一培育方案,生成第一处方图,所述第一处方图用于表示针对每个所述高度区域内的第一植株群体所需喷洒的肥量;
远程控制设备,用于在所述施用方式包括基于无人机的空中洒肥方式时,根据所述第一处方图和所述第一区域的范围,确定第一控制信息,所述第一控制信息包括所述无人机的起始点位置、喷洒高度、喷洒时的飞行速度、依次到达的多个航点和在每段航行路径中所需喷洒的肥量,并将所述第一控制信息发送至所述无人机,和/或,在所述施用方式包括基于滴灌系统的地面施肥方式时,根据所述第一处方图和所述第一区域的范围,确定所述滴灌系统的动态轮灌区对应的阀区集合,根据所述滴灌系统的滴灌管网能力、水泵参数和历史全网压力分布,确定第二控制信息,所述第二控制信息包括针对所述阀区集合中每个阀门的控制量和对应的肥料浓度,以使得所述滴灌系统执行肥料浓度先高后低的轮灌工作,并将所述第二控制信息发送至所述滴灌系统;
所述总控中心还用于,在经过所述计划培育时长后,重新执行所述第一培育操作。
3.一种植株培育的装置,其特征在于,包括处理器和存储器,其中,所述处理器和存储器相连,其中,所述存储器用于存储程序代码,所述处理器用于调用所述程序代码,以执行如权利要求1所述的方法。
4.一种芯片系统,其特征在于,所述芯片系统应用于电子设备;所述芯片系统包括一个或多个接口电路,以及一个或多个处理器;所述接口电路和所述处理器通过线路互联;所述接口电路用于从所述电子设备的存储器接收信号,并向所述处理器发送所述信号,所述信号包括所述存储器中存储的计算机指令;当所述处理器执行所述计算机指令时,所述电子设备执行如权利要求1所述的方法。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行以实现如权利要求1所述的方法。
6.一种计算机程序产品,其特征在于,包括计算机程序代码或指令,所述计算机程序代码或指令在计算机上执行时,使得所述计算机执行如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213783.7A CN116977112B (zh) | 2023-09-20 | 2023-09-20 | 植株培育的方法、装置以及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311213783.7A CN116977112B (zh) | 2023-09-20 | 2023-09-20 | 植株培育的方法、装置以及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116977112A CN116977112A (zh) | 2023-10-31 |
CN116977112B true CN116977112B (zh) | 2023-12-08 |
Family
ID=88479889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311213783.7A Active CN116977112B (zh) | 2023-09-20 | 2023-09-20 | 植株培育的方法、装置以及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116977112B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476149A (zh) * | 2020-04-03 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 一种植物培育控制方法和系统 |
CN112180987A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 协同作业方法、系统、装置、计算机设备及存储介质 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN114303598A (zh) * | 2020-10-09 | 2022-04-12 | 迪尔公司 | 使用预测图进行的机器控制 |
CN114747349A (zh) * | 2022-04-28 | 2022-07-15 | 河南科技大学 | 基于群体长势遥感检测与分级的小麦健壮群体培育方法 |
CN115035410A (zh) * | 2022-06-21 | 2022-09-09 | 华南师大(清远)科技创新研究院有限公司 | 一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法 |
-
2023
- 2023-09-20 CN CN202311213783.7A patent/CN116977112B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476149A (zh) * | 2020-04-03 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 一种植物培育控制方法和系统 |
CN112180987A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 协同作业方法、系统、装置、计算机设备及存储介质 |
CN114303598A (zh) * | 2020-10-09 | 2022-04-12 | 迪尔公司 | 使用预测图进行的机器控制 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN114747349A (zh) * | 2022-04-28 | 2022-07-15 | 河南科技大学 | 基于群体长势遥感检测与分级的小麦健壮群体培育方法 |
CN115035410A (zh) * | 2022-06-21 | 2022-09-09 | 华南师大(清远)科技创新研究院有限公司 | 一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法 |
Non-Patent Citations (1)
Title |
---|
中国大田作物智慧种植目标、关键技术与区域模式;李莉 等;智慧农业(中英文);第4卷(第4期);第26页-第33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116977112A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110297483B (zh) | 待作业区域边界获取方法、装置,作业航线规划方法 | |
US11751558B2 (en) | Autonomous agricultural treatment system using map based targeting of agricultural objects | |
US20180286117A1 (en) | System and method of virtual plant field modelling | |
US11751559B2 (en) | Detecting and treating a target from a moving platform | |
EP3770830A1 (en) | Plant planting data measuring method, working route planning method, device and system | |
CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
US11785873B2 (en) | Detecting multiple objects of interest in an agricultural environment | |
US11694434B2 (en) | Precision agricultural treatment based on growth stage in real time | |
CN112154447A (zh) | 地表特征识别方法、设备、无人机及计算机可读存储介质 | |
CN113920474B (zh) | 一种智能监管柑橘种植态势的物联网系统及方法 | |
CN115204689B (zh) | 一种基于图像处理的智慧农业管理系统 | |
Matsuzaki et al. | 3D semantic mapping in greenhouses for agricultural mobile robots with robust object recognition using robots' trajectory | |
Vikram | Agricultural Robot–A pesticide spraying device | |
Dharmasena et al. | Autonomous cloud robotic system for smart agriculture | |
CN116977112B (zh) | 植株培育的方法、装置以及系统 | |
CN111984026A (zh) | 无人机的控制方法和装置 | |
US20230309459A1 (en) | Method for determining output data from crop plant characteristics for a crop plant, method for controlling operation of an agricultural machine, agricultural machine, and computer program product | |
CN115761475A (zh) | 一种用于玉米小麦幼苗的在线监控识别系统 | |
CN111982096A (zh) | 一种作业路径生成方法、装置及无人飞行器 | |
WO2019237412A1 (zh) | 一种用于自动操控的无人机植保监控系统及方法 | |
CN113126650A (zh) | 一种无人机自动除草作业方法 | |
Karouta et al. | Autonomous platforms | |
Arif et al. | Computer vision based navigation module for sustainable broad-acre agriculture robots. | |
CN115963821A (zh) | 露地蔬菜自动化生产作业方法、装置、设备及介质 | |
US20220383042A1 (en) | Generating labeled synthetic training data |
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 |