CN116993059A - 一种基于大数据的物联网智能农业植保系统 - Google Patents
一种基于大数据的物联网智能农业植保系统 Download PDFInfo
- Publication number
- CN116993059A CN116993059A CN202311249478.3A CN202311249478A CN116993059A CN 116993059 A CN116993059 A CN 116993059A CN 202311249478 A CN202311249478 A CN 202311249478A CN 116993059 A CN116993059 A CN 116993059A
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- crops
- module
- plant protection
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 99
- 241000196324 Embryophyta Species 0.000 claims description 64
- 241000607479 Yersinia pestis Species 0.000 claims description 53
- 239000000575 pesticide Substances 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 26
- 238000007726 management method Methods 0.000 claims description 25
- 241000238631 Hexapoda Species 0.000 claims description 21
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 230000008014 freezing Effects 0.000 claims description 18
- 238000007710 freezing Methods 0.000 claims description 18
- 239000002689 soil Substances 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000005507 spraying Methods 0.000 claims description 13
- 238000013523 data management Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 239000007921 spray Substances 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002363 herbicidal effect Effects 0.000 claims description 3
- 239000004009 herbicide Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 abstract description 4
- 230000002349 favourable effect Effects 0.000 abstract description 3
- 238000012384 transportation and delivery Methods 0.000 description 16
- 201000010099 disease Diseases 0.000 description 6
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
- A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
- A01M21/043—Apparatus for destruction by steam, chemicals, burning, or electricity by chemicals
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- 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
-
- 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"
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Environmental Sciences (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Development Economics (AREA)
- Pest Control & Pesticides (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Insects & Arthropods (AREA)
- Marine Sciences & Fisheries (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Educational Administration (AREA)
- Toxicology (AREA)
Abstract
本发明公开了一种基于大数据的物联网智能农业植保系统,该系统包括传感器模块、农作物检测模块、农作物虫害识别模块、数据传输模块、农药精准喷撒模块、农药流通管理模块、输水管道管理模块、数据库及数据管理模块。本发明对植保区域内输水管道破裂数量预测,辅助植保人员准备新的输水管道,及时对破损的输水管道进行更换,避免供水不及时、不均匀的问题;通过对采集的农业植保数据进行聚类分析,有利于后续植保人员发现高价值信息,并通过对农业植保数据的完整性进行验证,保证了农业植保数据的完整性。
Description
技术领域
本发明涉及农业管理领域,具体来说,涉及一种基于大数据的物联网智能农业植保系统。
背景技术
植保的意思就是植物保护。植保工作对于农业病虫害防治具有很高的价值,通过对病虫害防治方案进行探讨如何降低对农作物的破坏,以此提高农作物的产量及数量。植保技术在一定程度上会有效节约自然资源、提高资源利用率,对于促进农业经济发展具有重要作用,在生态农业发展背景下,植物保护核心技术更加强调物理与生物技术的融合,减少了化学农药等造成的污染。在现代化农业技术依托下,现代植保得到了越来越广泛的应用。不仅可以实现对农业病虫害的无害化预防,而且能够使用多元化方式采取综合防治措施,对于进一步提升现代农业的生产效率,改善农业服务理念具有重要的意义。
大数据技术是指采用统计学原理和方法,通过精细化分析、聚类、总结海量数据,找出有价值的目标数据资源,得出有价值的结论。植保大数据技术能够在一定的范围内有效地防治病虫害,节约生产成本,减少环境污染,促进生态农业发展。同时在植物保护领域,利用智能农业物联网技术可以自动探测和记录区域内的微气候以及温湿度等环境信息,可以利用图像识别系统记录虫口基数,结合植物保护专家系统来更精确地预测病虫害的发生,为实现农业可持续发展具有十分重要的意义。
例如,中国专利201811122245.6,公开了一种大数据农业管理系统,其包括物联网传感器平台、大数据分析平台、气象预警预报平台、病虫害防治与灾害预警平台、实时移动监测平台、农业管理和生产预测平台,其提供的大数据农业管理系统实现了对农业温室中各农业数据的采集。但是在具体应用时上述系统还存在以下不足:由于水是人类农业植保过程中必不可少的宝贵资源,通过水量的调节和分配,以满足植物对水资源的需要,在农业灌溉方面也需要大量的水。用于灌溉的输水管道的正常使用至关重要,而现有技术中缺乏对农业植保系统中的输水管道进行管理,若无法及时对破损的输水管道进行发现、维修及更换,可能会造成供水不及时、不均匀的问题,影响农作物的正常生长。同时由于农业植保系统会对农作物的生产作业数据、病虫害数据等进行采集并存储,数据量较大,需要对农作物相关数据进行管理,因此现在亟需设计一种基于大数据的物联网智能农业植保系统,解决上述提出的问题。
发明内容
针对相关技术中的问题,本发明提出一种基于大数据的物联网智能农业植保系统,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于大数据的物联网智能农业植保系统,该系统包括传感器模块、农作物检测模块、农作物虫害识别模块、数据传输模块、农药精准喷撒模块、农药流通管理模块、输水管道管理模块、数据库及数据管理模块;
其中,所述传感器模块与所述农作物检测模块连接,所述农作物检测模块与所述农作物虫害识别模块连接,所述传感器模块、所述农作物检测模块及所述农作物虫害识别模块与所述数据传输模块连接,所述数据传输模块与所述数据库连接,所述数据库分别与所述农药精准喷撒模块、所述农药流通管理模块、所述输水管道管理模块及所述数据管理模块连接;
所述传感器模块,用于通过预先在农田土壤中及土壤之上配置好的传感器对农作物周围环境的数据进行采集;
所述农作物检测模块,用于通过视觉检测技术对任一区域内各种农作物、杂草进行特征提取及识别,并将杂草与农作物秧苗进行分离,同时对杂草区域进行除草剂的喷撒;
所述农作物虫害识别模块,用于通过视觉检测技术对任一区域内昆虫图像进行采集,并将昆虫部分与背景进行分割,实现昆虫轮廓的提取及昆虫的鉴别,同时当鉴别出害虫时,针对不同种类的害虫进行虫害防护;
所述数据传输模块,用于将采集的农作物周围环境的数据、农作物数据及农作物虫害数据传输至所述数据库;
所述农药精准喷撒模块,用于在通过喷头向目标农作物喷撒农药时,基于机器视觉导向技术获取目标农作物的宽度,并自动调节喷头相对于前进方向的偏转角度保证喷头的雾滴宽度与目标农作物的宽度一致;
所述农药流通管理模块,用于对任一区域的农药总体用量进行获取,对农药总体用量超标区域进行提醒;
所述输水管道管理模块,用于对农田输水管道的基本信息进行采集,并获得输水管道处的气温信息,且根据农田输水管道的基本信息及输水管道处的气温信息预测输水管道的破损数量,同时根据预测的输水管道的破损数量准备新的输水管道,并到农田处将破损的输水管道更换为新的输水管道;
所述数据库,用于存储采集的农作物周围环境的数据、农作物数据及农作物虫害数据;
所述数据管理模块,用于对数据库内存储的数据进行管理。
进一步的,所述传感器模块包括土壤湿度传感器、土壤水分传感器、土壤pH传感器、气压传感器、温度传感器、湿度传感器及二氧化碳传感器。
进一步的,所述通过视觉检测技术对任一区域内各种农作物、杂草进行特征提取及识别,并将杂草与农作物秧苗进行分离时,将农作物生长状态信息与对应农作物的正常值进行对比,若出现异常时发出提醒信息。
进一步的,所述根据农田输水管道的基本信息及输水管道处的气温信息预测输水管道的破损数量还包括以下步骤:
获取历史上任一区域输水管道的破损数据以及该区域的气温数据,并对输水管道的破损数据以及该区域的气温数据中的异常值及缺失数据进行处理;
对不同天气温度下对应的管道破损数量进行统计,确定天气因素冰冻指标的冰冻阈值,其中冰冻阈值为3摄氏度;
确定天气因素指标的时间步长及代表性天气指标;其中,时间步长设置为90天;
采用BPNN和GEP方法建立输水管道破损数的隐式和显式预测模型,并采用历史上A年到B年之间输水管道破损数据建立训练数据集,隐式和显式预测模型输入为输水管道的管径、管龄、管长、代表性天气指标,隐式和显式预测模型输出为输出管道破损数,其中,代表性天气指标为冰冻指标,冰冻指标的计算公式为:
式中,m为非零自然数,为冰冻阈值,/>为第j天的平均温度。
进一步的,所述采用历史上A年到B年之间输水管道破损数据建立训练数据集之后,确定B年之后一年内的输水管道破损数据建立验证集,用于验证隐式和显式预测模型的准确性。
进一步的,所述验证隐式和显式预测模型的准确性还包括以下步骤:
采用决定系数作为隐式和显式预测模型的准确指标;
所述决定系数的计算公式为:
式中,为第i个预测值,/>为第i个实际值,/>为所有预测值的均值,n为非零自然数,若R 2 越接近1则隐式和显式预测模型的准确指标越好。
进一步的,所述对数据库内存储的数据进行管理还包括以下步骤:
数据库的存储框架采用HDFS框架,且默认设定HDFS中数据块大小为64MB;
对采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行聚类划分;
通过数据库存储数据时,验证存储数据的完整性。
进一步的,所述对采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行聚类划分还包括以下步骤:
利用HDFS框架的分布式内存技术将采集的农作物周围环境的数据、农作物数据及农作物虫害数据分发至数据库的各个节点;
每个节点执行Map操作并计算每个数据条目的分形维数特征量;
根据计算得到的特征量与采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行比较;
若某一节点距离小于预先设定的阈值,则将相应的数据条目标记为相同的聚类,若节点中某一数据与所有数据的距离大于预先设定的阈值,则标记为异常数据;
对异常数据进行过滤,并基于DBSCAN算法进行聚类划分,根据聚类结果更新数据库。
进一步的,所述对采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行聚类划分之后,若采集的农作物周围环境的数据、农作物数据及农作物虫害数据增加,则重新进行聚类划分。
进一步的,所述通过数据库存储数据时,验证存储数据的完整性还包括以下步骤:
验证人将若干带有密钥的哈希函数插入到数据库存储数据的任意位置;
证明人通过带有密钥的哈希函数返回的数量对数据库存储数据的完整性进行检测。
本发明的有益效果为:
(1)本发明的一种基于大数据的物联网智能农业植保系统,通过对农业植保区域内的输水管道历年来不同温度下破裂的数量进行统计,并通过加入气温因素的输水管道破损数的隐式和显式预测模型对区域内输水管道破裂数量的预测,从而辅助植保人员准备新的输水管道,且若预测输水管道具有破损,则进行检查及对破损的输水管道进行更换,避免供水不及时、不均匀的问题。
(2)通过对采集的农业植保数据进行聚类分析,有利于后续植保人员发现高价值信息,并通过对农业植保数据的完整性进行验证,保证了农业植保数据的完整性。
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,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于大数据的物联网智能农业植保系统的原理框图。
图中:
1、传感器模块;2、农作物检测模块;3、农作物虫害识别模块;4、数据传输模块;5、农药精准喷撒模块;6、农药流通管理模块;7、输水管道管理模块;8、数据库;9、数据管理模块。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于大数据的物联网智能农业植保系统。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于大数据的物联网智能农业植保系统,该系统包括传感器模块1、农作物检测模块2、农作物虫害识别模块3、数据传输模块4、农药精准喷撒模块5、农药流通管理模块6、输水管道管理模块7、数据库8及数据管理模块9;
其中,所述传感器模块1与所述农作物检测模块2连接,所述农作物检测模块2与所述农作物虫害识别模块3连接,所述传感器模块1、所述农作物检测模块2及所述农作物虫害识别模块3与所述数据传输模块4连接,所述数据传输模块4与所述数据库8连接,所述数据库8分别与所述农药精准喷撒模块5、所述农药流通管理模块6、所述输水管道管理模块7及所述数据管理模块9连接;
所述传感器模块1,用于通过预先在农田土壤中及土壤之上配置好的传感器对农作物周围环境的数据进行采集;
在一个实施例中,所述传感器模块包括土壤湿度传感器、土壤水分传感器、土壤pH传感器、气压传感器、温度传感器、湿度传感器及二氧化碳传感器。
所述农作物检测模块2,用于通过视觉检测技术对任一区域内各种农作物、杂草进行特征提取及识别,并将杂草与农作物秧苗进行分离,同时对杂草区域进行除草剂的喷撒;
在一个实施例中,所述通过视觉检测技术对任一区域内各种农作物、杂草进行特征提取及识别,并将杂草与农作物秧苗进行分离时,将农作物生长状态信息与对应农作物的正常值进行对比,若出现异常时发出提醒信息。
所述农作物虫害识别模块3,用于通过视觉检测技术对任一区域内昆虫图像进行采集,并将昆虫部分与背景进行分割,实现昆虫轮廓的提取及昆虫的鉴别,同时当鉴别出害虫时,针对不同种类的害虫进行虫害防护;
所述数据传输模块4,用于将采集的农作物周围环境的数据、农作物数据及农作物虫害数据传输至所述数据库8;
所述农药精准喷撒模块5,用于在通过喷头向目标农作物喷撒农药时,基于机器视觉导向技术获取目标农作物的宽度,并自动调节喷头相对于前进方向的偏转角度保证喷头的雾滴宽度与目标农作物的宽度一致;
所述农药流通管理模块6,用于对任一区域的农药总体用量进行获取,对农药总体用量超标区域进行提醒;
所述输水管道管理模块7,用于对农田输水管道的基本信息进行采集,并获得输水管道处的气温信息,且根据农田输水管道的基本信息及输水管道处的气温信息预测输水管道的破损数量,同时根据预测的输水管道的破损数量准备新的输水管道,并到农田处将破损的输水管道更换为新的输水管道;
在一个实施例中,所述根据农田输水管道的基本信息及输水管道处的气温信息预测输水管道的破损数量还包括以下步骤:
获取历史上任一区域输水管道的破损数据以及该区域的气温数据,并对输水管道的破损数据以及该区域的气温数据中的异常值及缺失数据进行处理;
对不同天气温度下对应的管道破损数量进行统计,确定天气因素冰冻指标的冰冻阈值,其中冰冻阈值为3摄氏度;
确定天气因素指标的时间步长及代表性天气指标;其中,时间步长设置为90天;随着时间步长的增加,预测模型精度提升,90天后预测模型精度出现下降。
采用BPNN和GEP方法建立输水管道破损数的隐式和显式预测模型,并采用历史上A年到B年之间输水管道破损数据建立训练数据集,隐式和显式预测模型输入为输水管道的管径、管龄、管长、代表性天气指标,隐式和显式预测模型输出为输出管道破损数,其中,代表性天气指标为冰冻指标,冰冻指标的计算公式为:
式中,m为非零自然数,为冰冻阈值,/>为第j天的平均温度。
在一个实施例中,所述采用历史上A年到B年之间输水管道破损数据建立训练数据集之后,确定B年之后一年内的输水管道破损数据建立验证集,用于验证隐式和显式预测模型的准确性。
在一个实施例中,所述验证隐式和显式预测模型的准确性还包括以下步骤:
采用决定系数作为隐式和显式预测模型的准确指标;
所述决定系数的计算公式为:
式中,为第i个预测值,/>为第i个实际值,/>为所有预测值的均值,n为非零自然数,若R 2 越接近1则隐式和显式预测模型的准确指标越好。
误差反向传播神经网络(BPNN)是一种前向多层反向传播学习算法。基因表达式编程(GEP)在传统的遗传算法和遗传编程的基础上提出的一种新型演化算法。
所述数据库8,用于存储采集的农作物周围环境的数据、农作物数据及农作物虫害数据;
所述数据管理模块9,用于对数据库8内存储的数据进行管理;
在一个实施例中,所述对数据库内存储的数据进行管理还包括以下步骤:
数据库的存储框架采用HDFS框架,且默认设定HDFS中数据块大小为64MB;
对采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行聚类划分;
通过数据库存储数据时,验证存储数据的完整性。
在一个实施例中,所述对采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行聚类划分还包括以下步骤:
利用HDFS框架的分布式内存技术将采集的农作物周围环境的数据、农作物数据及农作物虫害数据分发至数据库的各个节点;
每个节点执行Map操作并计算每个数据条目的分形维数特征量;
根据计算得到的特征量与采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行比较;
若某一节点距离小于预先设定的阈值,则将相应的数据条目标记为相同的聚类,若节点中某一数据与所有数据的距离大于预先设定的阈值,则标记为异常数据;
对异常数据进行过滤,并基于DBSCAN算法进行聚类划分,根据聚类结果更新数据库。
在一个实施例中,所述对采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行聚类划分之后,若采集的农作物周围环境的数据、农作物数据及农作物虫害数据增加,则重新进行聚类划分。通过聚类分析,有利于后续植保人员发现高价值信息。
在一个实施例中,所述通过数据库存储数据时,验证存储数据的完整性还包括以下步骤:
验证人将若干带有密钥的哈希函数插入到数据库存储数据的任意位置;
证明人通过带有密钥的哈希函数返回的数量对数据库存储数据的完整性进行检测。
综上所述,本发明的一种基于大数据的物联网智能农业植保系统,通过对农业植保区域内的输水管道历年来不同温度下破裂的数量进行统计,并通过加入气温因素的输水管道破损数的隐式和显式预测模型对区域内输水管道破裂数量的预测,从而辅助植保人员准备新的输水管道,且若预测输水管道具有破损,则进行检查及对破损的输水管道进行更换,避免供水不及时、不均匀的问题。通过对采集的农业植保数据进行聚类分析,有利于后续植保人员发现高价值信息,并通过对农业植保数据的完整性进行验证,保证了农业植保数据的完整性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的物联网智能农业植保系统,其特征在于,该系统包括传感器模块、农作物检测模块、农作物虫害识别模块、数据传输模块、农药精准喷撒模块、农药流通管理模块、输水管道管理模块、数据库及数据管理模块;
其中,所述传感器模块与所述农作物检测模块连接,所述农作物检测模块与所述农作物虫害识别模块连接,所述传感器模块、所述农作物检测模块及所述农作物虫害识别模块与所述数据传输模块连接,所述数据传输模块与所述数据库连接,所述数据库分别与所述农药精准喷撒模块、所述农药流通管理模块、所述输水管道管理模块及所述数据管理模块连接;
所述传感器模块,用于通过预先在农田土壤中及土壤之上配置好的传感器对农作物周围环境的数据进行采集;
所述农作物检测模块,用于通过视觉检测技术对任一区域内各种农作物、杂草进行特征提取及识别,并将杂草与农作物秧苗进行分离,同时对杂草区域进行除草剂的喷撒;
所述农作物虫害识别模块,用于通过视觉检测技术对任一区域内昆虫图像进行采集,并将昆虫部分与背景进行分割,实现昆虫轮廓的提取及昆虫的鉴别,同时当鉴别出害虫时,针对不同种类的害虫进行虫害防护;
所述数据传输模块,用于将采集的农作物周围环境的数据、农作物数据及农作物虫害数据传输至所述数据库;
所述农药精准喷撒模块,用于在通过喷头向目标农作物喷撒农药时,基于机器视觉导向技术获取目标农作物的宽度,并自动调节喷头相对于前进方向的偏转角度保证喷头的雾滴宽度与目标农作物的宽度一致;
所述农药流通管理模块,用于对任一区域的农药总体用量进行获取,对农药总体用量超标区域进行提醒;
所述输水管道管理模块,用于对农田输水管道的基本信息进行采集,并获得输水管道处的气温信息,且根据农田输水管道的基本信息及输水管道处的气温信息预测输水管道的破损数量,同时根据预测的输水管道的破损数量准备新的输水管道,并到农田处将破损的输水管道更换为新的输水管道;
所述数据库,用于存储采集的农作物周围环境的数据、农作物数据及农作物虫害数据;
所述数据管理模块,用于对数据库内存储的数据进行管理。
2.根据权利要求1所述的一种基于大数据的物联网智能农业植保系统,其特征在于,所述传感器模块包括土壤湿度传感器、土壤水分传感器、土壤pH传感器、气压传感器、温度传感器、湿度传感器及二氧化碳传感器。
3.根据权利要求1所述的一种基于大数据的物联网智能农业植保系统,其特征在于,所述通过视觉检测技术对任一区域内各种农作物、杂草进行特征提取及识别,并将杂草与农作物秧苗进行分离时,将农作物生长状态信息与对应农作物的正常值进行对比,若出现异常时发出提醒信息。
4.根据权利要求1所述的一种基于大数据的物联网智能农业植保系统,其特征在于,所述根据农田输水管道的基本信息及输水管道处的气温信息预测输水管道的破损数量还包括以下步骤:
获取历史上任一区域输水管道的破损数据以及该区域的气温数据,并对输水管道的破损数据以及该区域的气温数据中的异常值及缺失数据进行处理;
对不同天气温度下对应的管道破损数量进行统计,确定天气因素冰冻指标的冰冻阈值,其中冰冻阈值为3摄氏度;
确定天气因素指标的时间步长及代表性天气指标;其中,时间步长设置为90天;
采用BPNN和GEP方法建立输水管道破损数的隐式和显式预测模型,并采用历史上A年到B年之间输水管道破损数据建立训练数据集,隐式和显式预测模型输入为输水管道的管径、管龄、管长、代表性天气指标,隐式和显式预测模型输出为输出管道破损数,其中,代表性天气指标为冰冻指标,冰冻指标的计算公式为:
式中,m为非零自然数,为冰冻阈值,/>为第j天的平均温度。
5.根据权利要求4所述的一种基于大数据的物联网智能农业植保系统,其特征在于,所述采用历史上A年到B年之间输水管道破损数据建立训练数据集之后,确定B年之后一年内的输水管道破损数据建立验证集,用于验证隐式和显式预测模型的准确性。
6.根据权利要求5所述的一种基于大数据的物联网智能农业植保系统,其特征在于,所述验证隐式和显式预测模型的准确性还包括以下步骤:
采用决定系数作为隐式和显式预测模型的准确指标;
所述决定系数的计算公式为:
式中,为第i个预测值,/>为第i个实际值,/>为所有预测值的均值,n为非零自然数,若R 2 越接近1则隐式和显式预测模型的准确指标越好。
7.根据权利要求1所述的一种基于大数据的物联网智能农业植保系统,其特征在于,所述对数据库内存储的数据进行管理还包括以下步骤:
数据库的存储框架采用HDFS框架,且默认设定HDFS中数据块大小为64MB;
对采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行聚类划分;
通过数据库存储数据时,验证存储数据的完整性。
8.根据权利要求7所述的一种基于大数据的物联网智能农业植保系统,其特征在于,所述对采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行聚类划分还包括以下步骤:
利用HDFS框架的分布式内存技术将采集的农作物周围环境的数据、农作物数据及农作物虫害数据分发至数据库的各个节点;
每个节点执行Map操作并计算每个数据条目的分形维数特征量;
根据计算得到的特征量与采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行比较;
若某一节点距离小于预先设定的阈值,则将相应的数据条目标记为相同的聚类,若节点中某一数据与所有数据的距离大于预先设定的阈值,则标记为异常数据;
对异常数据进行过滤,并基于DBSCAN算法进行聚类划分,根据聚类结果更新数据库。
9.根据权利要求8所述的一种基于大数据的物联网智能农业植保系统,其特征在于,所述对采集的农作物周围环境的数据、农作物数据及农作物虫害数据进行聚类划分之后,若采集的农作物周围环境的数据、农作物数据及农作物虫害数据增加,则重新进行聚类划分。
10.根据权利要求9所述的一种基于大数据的物联网智能农业植保系统,其特征在于,所述通过数据库存储数据时,验证存储数据的完整性还包括以下步骤:
验证人将若干带有密钥的哈希函数插入到数据库存储数据的任意位置;
证明人通过带有密钥的哈希函数返回的数量对数据库存储数据的完整性进行检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249478.3A CN116993059A (zh) | 2023-09-26 | 2023-09-26 | 一种基于大数据的物联网智能农业植保系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249478.3A CN116993059A (zh) | 2023-09-26 | 2023-09-26 | 一种基于大数据的物联网智能农业植保系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993059A true CN116993059A (zh) | 2023-11-03 |
Family
ID=88521778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311249478.3A Pending CN116993059A (zh) | 2023-09-26 | 2023-09-26 | 一种基于大数据的物联网智能农业植保系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993059A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540908A (zh) * | 2023-11-07 | 2024-02-09 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751279A (zh) * | 2015-03-25 | 2015-07-01 | 中国农业科学院农业信息研究所 | 一种农业生产管理方法、装置及系统 |
CN109991944A (zh) * | 2019-04-03 | 2019-07-09 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种分布式农业植保网络服务系统 |
CN111159406A (zh) * | 2019-12-30 | 2020-05-15 | 内蒙古工业大学 | 基于并行改进的K-means算法的大数据文本聚类方法及系统 |
CN116050547A (zh) * | 2023-01-12 | 2023-05-02 | 哈尔滨工业大学 | 一种基于自注意力集成学习的起落架性能预测方法 |
CN116391690A (zh) * | 2023-04-24 | 2023-07-07 | 北星空间信息技术研究院(南京)有限公司 | 一种基于物联网大数据的智慧农业种植监测系统 |
CN116453307A (zh) * | 2023-04-11 | 2023-07-18 | 嵊州市浙江工业大学创新研究院 | 一种在线检测管道安全预警系统及其方法 |
-
2023
- 2023-09-26 CN CN202311249478.3A patent/CN116993059A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104751279A (zh) * | 2015-03-25 | 2015-07-01 | 中国农业科学院农业信息研究所 | 一种农业生产管理方法、装置及系统 |
CN109991944A (zh) * | 2019-04-03 | 2019-07-09 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种分布式农业植保网络服务系统 |
CN111159406A (zh) * | 2019-12-30 | 2020-05-15 | 内蒙古工业大学 | 基于并行改进的K-means算法的大数据文本聚类方法及系统 |
CN116050547A (zh) * | 2023-01-12 | 2023-05-02 | 哈尔滨工业大学 | 一种基于自注意力集成学习的起落架性能预测方法 |
CN116453307A (zh) * | 2023-04-11 | 2023-07-18 | 嵊州市浙江工业大学创新研究院 | 一种在线检测管道安全预警系统及其方法 |
CN116391690A (zh) * | 2023-04-24 | 2023-07-07 | 北星空间信息技术研究院(南京)有限公司 | 一种基于物联网大数据的智慧农业种植监测系统 |
Non-Patent Citations (1)
Title |
---|
侯本伟,肖恒圣,吴珊: "考虑天气因素的给水管道漏损预测模型", 哈尔滨工业大学学报, vol. 54, no. 2, pages 8 - 16 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117540908A (zh) * | 2023-11-07 | 2024-02-09 | 北京佳格天地科技有限公司 | 基于大数据的农业资源整合方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Subeesh et al. | Automation and digitization of agriculture using artificial intelligence and internet of things | |
CN114972843B (zh) | 一种基于大数据的农业病虫害诊断与预警系统 | |
EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
CN111369093A (zh) | 基于机器学习的灌溉方法和装置 | |
US11833313B2 (en) | Systems and methods for monitoring and regulating plant productivity | |
US20150302305A1 (en) | Generating an agriculture prescription | |
TWI704513B (zh) | 用於疾病預測及控制之方法及系統 | |
CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
CN114418040A (zh) | 一种园林绿化养护监测及预警的方法与系统 | |
CN116993059A (zh) | 一种基于大数据的物联网智能农业植保系统 | |
Shinde et al. | Review paper on prediction of crop disease using IoT and machine learning | |
Murugamani et al. | Machine learning technique for precision agriculture applications in 5G-based internet of things | |
CN116738766B (zh) | 基于数字孪生的智慧农业线上产业化服务系统 | |
CN112116206A (zh) | 一种基于大数据的智慧农业系统 | |
CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
CN115205695B (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
Sarkar et al. | A comprehensive study on the emerging effect of artificial intelligence in agriculture automation | |
CN115631061A (zh) | 一种基于共享农机智慧数字化农业方法、系统和介质 | |
US20220132724A1 (en) | Advanced crop manager for crops stress mitigation | |
CN113435825B (zh) | 一种基于土传病害防治的智能管理方法、系统及存储介质 | |
CN116523182A (zh) | 一种生态果园的构建和生产管理方法、系统及存储介质 | |
CN115903568A (zh) | 一种基于区块链大数据的智能农业监管系统及方法 | |
Khort et al. | Development of an automated weather complex for managing agricultural technologies in horticulture | |
Rajkumar et al. | IoT-Enabled Smart Irrigation with Machine Learning Models for Precision Farming | |
Lakshmi et al. | Analysing agricultural information through machine learning and artificial intelligence for SMART IRRIGATION |
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 |