CN117132934B - 一种打药安全间隔期监管系统及方法 - Google Patents
一种打药安全间隔期监管系统及方法 Download PDFInfo
- Publication number
- CN117132934B CN117132934B CN202311092350.0A CN202311092350A CN117132934B CN 117132934 B CN117132934 B CN 117132934B CN 202311092350 A CN202311092350 A CN 202311092350A CN 117132934 B CN117132934 B CN 117132934B
- Authority
- CN
- China
- Prior art keywords
- image
- target
- time point
- determining
- pesticide spraying
- 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 36
- 238000012377 drug delivery Methods 0.000 title description 2
- 239000000575 pesticide Substances 0.000 claims abstract description 131
- 238000005507 spraying Methods 0.000 claims abstract description 95
- 238000003306 harvesting Methods 0.000 claims abstract description 54
- 238000012544 monitoring process Methods 0.000 claims abstract description 44
- 239000003814 drug Substances 0.000 claims abstract description 29
- 229940079593 drug Drugs 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 18
- 238000013136 deep learning model Methods 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 10
- 239000007921 spray Substances 0.000 claims description 8
- 239000008141 laxative Substances 0.000 claims description 6
- 230000002475 laxative effect Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 235000013305 food Nutrition 0.000 abstract description 10
- 230000006399 behavior Effects 0.000 description 11
- 238000001514 detection method Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 240000006108 Allium ampeloprasum Species 0.000 description 3
- 235000005254 Allium ampeloprasum Nutrition 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005282 brightening Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000006199 nebulizer Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- 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
- H04L67/50—Network services
- H04L67/55—Push-based network services
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Social Psychology (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种打药安全间隔期监管系统及方法，该方法包括：获取目标农作物区域对应的在历史时间段的图像数据集；基于农药喷洒图像识别算法，确定所述图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点；基于农作物收割图像识别算法，确定所述图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点；根据所述第一图像时间点和所述第二图像时间点之间的时间差，确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果。可见，本发明能够实现更加智能和自动化的农作物农药安全的监测，减少农药超标的农作物进入市场，保障食品安全，减少食品安全事故。
Description
技术领域
本发明涉及农作物智能监测数据处理技术领域，尤其涉及一种打药安全间隔期监管系统及方法。
背景技术
种植户在实际生产过程中，往往不会严格按照技术规程执行植保措施，故时常发生不在安全间隔期内用药的情况，因此自动化识别打药行为和智能监管提醒非常有必要。
现有的安全监测技术在实现安全监测时往往只考虑对打药行为或违规行为的监测，没有考虑到对打药行为和收割行为之间的时间差进行监测，因此其监测效果一般。可见，现有技术存在缺陷，亟需解决。
发明内容
本发明所要解决的技术问题在于，提供一种打药安全间隔期监管系统及方法，实现了更加智能和自动化的农作物农药安全的监测，减少农药超标的农作物进入市场，保障食品安全，减少食品安全事故。
为了解决上述技术问题，本发明第一方面公开了一种打药安全间隔期监管方法，所述方法包括：
获取目标农作物区域对应的在历史时间段的图像数据集；
基于农药喷洒图像识别算法，确定所述图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点；
基于农作物收割图像识别算法，确定所述图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点；
根据所述第一图像时间点和所述第二图像时间点之间的时间差，确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果。
作为一种可选的实施方式，在本发明第一方面中，所述基于农药喷洒图像识别算法，确定所述图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点，包括：
对于所述图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在人目标和打药器目标，得到第一判断结果；
若所述第一判断结果为是，根据该图像中的所述人目标和打药器目标，判断该图像是否属于农药喷洒场景，得到第二判断结果；
若所述第二判断结果为是，将该图像确定为第一图像，以及将该图像的获取时间点确定为第一图像时间点。
作为一种可选的实施方式，在本发明第一方面中，所述根据该图像中的所述人目标和打药器目标，判断该图像是否属于农药喷洒场景，包括：
获取该图像的图像获取时间点以及该图像对应的前后相邻的多张相邻图像；
将所述图像获取时间点以及所述多张相邻图像，输入至训练好的时间可能性预测模型，得到输出的打药可能性参数；所述时间可能性预测模型通过包括有多个训练图像和时间点和对应的打药可能性标注的训练数据集训练得到；
计算所述人目标和所述打药器目标分别对应的模型预测概率的平均值，得到模型预测概率参数；
计算所述人目标和所述打药器目标之间的目标距离值的倒数，得到预测距离参数；
计算所述打药可能性参数、所述模型预测概率参数和所述预测距离参数的加权求和平均值，得到该图像对应的农药喷洒预测参数；
判断所述农药喷洒预测参数是否大于预设的第一参数阈值。
作为一种可选的实施方式，在本发明第一方面中，所述基于农作物收割图像识别算法，确定所述图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点，包括：
对于所述图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在收割后农作物目标和裸露土地目标，得到第三判断结果；
若所述第三判断结果为是，根据该图像中的所述收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景，得到第四判断结果；
若所述四判断结果为是，将该图像确定为第二图像，以及将该图像的获取时间点确定为第二图像时间点。
作为一种可选的实施方式，在本发明第一方面中，所述根据该图像中的所述收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景，包括：
计算所述收割后农作物目标的第一目标面积；
计算所述裸露土地目标的第二目标面积；
计算所述第一目标面积和所述第二目标面积的比值；
计算1与所述比值的差值；
计算所述收割后农作物目标与所述裸露土地目标的目标距离；
计算所述差值和所述目标距离的加权求和平均值，得到该图像对应的农作物收割表征参数；
判断所述农作物收割表征参数是否小于预设的第二参数阈值。
作为一种可选的实施方式，在本发明第一方面中，所述根据所述第一图像时间点和所述第二图像时间点之间的时间差，确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果，包括：
计算所述第一图像时间点和所述第二图像时间点之间的时间差；
判断所述时间差是否小于预设的时间差阈值，若是，则确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果为不安全，否则确定所述打药安全间隔期监测结果为安全。
作为一种可选的实施方式，在本发明第一方面中，所述方法还包括：
当所述打药安全间隔期监测结果为不安全时，获取所述第一图像和第二图像对应的视频流文件；
将所述视频流文件推送至目标用户的微信小程序端进行展示和报警。
本发明第二方面公开了一种打药安全间隔期监管系统，所述系统包括：
获取模块，用于获取目标农作物区域对应的在历史时间段的图像数据集；
第一识别模块，用于基于农药喷洒图像识别算法，确定所述图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点；
第二识别模块，用于基于农作物收割图像识别算法，确定所述图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点；
确定模块，用于根据所述第一图像时间点和所述第二图像时间点之间的时间差，确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果。
作为一种可选的实施方式，在本发明第二方面中，所述第一识别模块基于农药喷洒图像识别算法，确定所述图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点的具体方式，包括：
对于所述图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在人目标和打药器目标，得到第一判断结果；
若所述第一判断结果为是，根据该图像中的所述人目标和打药器目标，判断该图像是否属于农药喷洒场景，得到第二判断结果；
若所述第二判断结果为是，将该图像确定为第一图像，以及将该图像的获取时间点确定为第一图像时间点。
作为一种可选的实施方式，在本发明第二方面中，所述第一识别模块根据该图像中的所述人目标和打药器目标，判断该图像是否属于农药喷洒场景的具体方式，包括：
获取该图像的图像获取时间点以及该图像对应的前后相邻的多张相邻图像；
将所述图像获取时间点以及所述多张相邻图像，输入至训练好的时间可能性预测模型，得到输出的打药可能性参数；所述时间可能性预测模型通过包括有多个训练图像和时间点和对应的打药可能性标注的训练数据集训练得到；
计算所述人目标和所述打药器目标分别对应的模型预测概率的平均值，得到模型预测概率参数；
计算所述人目标和所述打药器目标之间的目标距离值的倒数，得到预测距离参数；
计算所述打药可能性参数、所述模型预测概率参数和所述预测距离参数的加权求和平均值，得到该图像对应的农药喷洒预测参数；
判断所述农药喷洒预测参数是否大于预设的第一参数阈值。
作为一种可选的实施方式，在本发明第二方面中，所述第二识别模块基于农作物收割图像识别算法，确定所述图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点的具体方式，包括：
对于所述图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在收割后农作物目标和裸露土地目标，得到第三判断结果；
若所述第三判断结果为是，根据该图像中的所述收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景，得到第四判断结果；
若所述四判断结果为是，将该图像确定为第二图像，以及将该图像的获取时间点确定为第二图像时间点。
作为一种可选的实施方式，在本发明第二方面中，所述第二识别模块根据该图像中的所述收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景的具体方式，包括：
计算所述收割后农作物目标的第一目标面积；
计算所述裸露土地目标的第二目标面积；
计算所述第一目标面积和所述第二目标面积的比值；
计算1与所述比值的差值；
计算所述收割后农作物目标与所述裸露土地目标的目标距离；
计算所述差值和所述目标距离的加权求和平均值，得到该图像对应的农作物收割表征参数；
判断所述农作物收割表征参数是否小于预设的第二参数阈值。
作为一种可选的实施方式，在本发明第二方面中，所述确定模块根据所述第一图像时间点和所述第二图像时间点之间的时间差，确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果的具体方式，包括：
计算所述第一图像时间点和所述第二图像时间点之间的时间差；
判断所述时间差是否小于预设的时间差阈值，若是，则确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果为不安全，否则确定所述打药安全间隔期监测结果为安全。
作为一种可选的实施方式，在本发明第二方面中，所述系统还包括报警模块，用于执行以下操作：
当所述打药安全间隔期监测结果为不安全时，获取所述第一图像和第二图像对应的视频流文件；
将所述视频流文件推送至目标用户的微信小程序端进行展示和报警。
本发明第三方面公开了另一种打药安全间隔期监管系统，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的打药安全间隔期监管方法中的部分或全部步骤。
本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的打药安全间隔期监管方法中的部分或全部步骤。
与现有技术相比，本发明具有以下有益效果：
本发明能够利用图像识别算法来识别出区域图像中的农药喷洒时间点和农作物收割时间点，并根据时间差来进行安全监测，从而实现更加智能和自动化的农作物农药安全的监测，减少农药超标的农作物进入市场，保障食品安全，减少食品安全事故。
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，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是本发明实施例公开的一种打药安全间隔期监管方法的流程示意图；
图2是本发明实施例公开的一种打药安全间隔期监管系统的结构示意图；
图3是本发明实施例公开的另一种打药安全间隔期监管系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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作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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种打药安全间隔期监管系统及方法，能够利用图像识别算法来识别出区域图像中的农药喷洒时间点和农作物收割时间点，并根据时间差来进行安全监测，从而实现更加智能和自动化的农作物农药安全的监测，减少农药超标的农作物进入市场，保障食品安全，减少食品安全事故。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种打药安全间隔期监管方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该打药安全间隔期监管方法可以包括以下操作：
101、获取目标农作物区域对应的在历史时间段的图像数据集。
可选的，图像数据集可以为通过视频获取设备对目标农作物区域进行拍摄而得到区域对应的在历史时间段的视频文件。
102、基于农药喷洒图像识别算法，确定图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点。
可选的，可以确定出多个第一图像并获得多个第一图像对应的多个第一图像时间点，并计算多个第一图像时间点的中间值以作为后续计算时间差的数据基础。
103、基于农作物收割图像识别算法，确定图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点。
可选的，可以确定出多个第二图像并获得多个第二图像对应的多个第二图像时间点，并计算多个第二图像时间点的中间值以作为后续计算时间差的数据基础。
104、根据第一图像时间点和第二图像时间点之间的时间差，确定第一图像和第二图像对应的农作物的打药安全间隔期监测结果。
可选的，可以计算多个第一图像时间点的中间值，与多个第二图像时间点的中间值的时间差，来作为确定第一图像和第二图像对应的农作物的打药安全间隔期监测结果的数据基础。
可见，实施本发明实施例所描述的方法能够利用图像识别算法来识别出区域图像中的农药喷洒时间点和农作物收割时间点，并根据时间差来进行安全监测，从而实现更加智能和自动化的农作物农药安全的监测，减少农药超标的农作物进入市场，保障食品安全，减少食品安全事故。
作为一种可选的实施例，上述步骤中的，基于农药喷洒图像识别算法，确定图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点，包括：
对于图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在人目标和打药器目标，得到第一判断结果；
若第一判断结果为是，根据该图像中的人目标和打药器目标，判断该图像是否属于农药喷洒场景，得到第二判断结果；
若第二判断结果为是，将该图像确定为第一图像，以及将该图像的获取时间点确定为第一图像时间点。
作为一种可选的实施例，上述步骤中的，根据该图像中的人目标和打药器目标，判断该图像是否属于农药喷洒场景，包括：
获取该图像的图像获取时间点以及该图像对应的前后相邻的多张相邻图像；
将图像获取时间点以及多张相邻图像，输入至训练好的时间可能性预测模型，得到输出的打药可能性参数；时间可能性预测模型通过包括有多个训练图像和时间点和对应的打药可能性标注的训练数据集训练得到；
计算人目标和打药器目标分别对应的模型预测概率的平均值，得到模型预测概率参数；
计算人目标和打药器目标之间的目标距离值的倒数，得到预测距离参数；
计算打药可能性参数、模型预测概率参数和预测距离参数的加权求和平均值，得到该图像对应的农药喷洒预测参数；
判断农药喷洒预测参数是否大于预设的第一参数阈值。
可选的，模型预测概率为训练好的深度学习模型预测出该人目标或该打药器目标对应的预测概率值。
可选的，本发明中的目标距离值，可以为两个目标的几何中心点之间的距离。
可选的，时间可能性预测模型可以为CNN结构、RNN结构或LTSM结构的神经网络模型，操作人员可以根据具体的训练数据的特性来选择，本发明不做限定。
通过上述实施例，能够实现根据打药可能性参数、模型预测概率参数和预测距离参数来综合判断图像对应的农药喷洒可能性，这其中，通过时间可能性预测模型对图像获取时间点的农药喷洒可能性这一因素进行了考虑，而目标距离值的倒数则对人目标和打药器目标的距离进行了考虑，以避免错误预测的目标带来的影响，从而能够有效提高农药喷洒监测的准确率。
作为一种可选的实施例，上述步骤中的，基于农作物收割图像识别算法，确定图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点，包括：
对于图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在收割后农作物目标和裸露土地目标，得到第三判断结果；
若第三判断结果为是，根据该图像中的收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景，得到第四判断结果；
若四判断结果为是，将该图像确定为第二图像，以及将该图像的获取时间点确定为第二图像时间点。
作为一种可选的实施例，上述步骤中的，根据该图像中的收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景，包括：
计算收割后农作物目标的第一目标面积；
计算裸露土地目标的第二目标面积；
计算第一目标面积和第二目标面积的比值；
计算1与比值的差值；
计算收割后农作物目标与裸露土地目标的目标距离；
计算差值和目标距离的加权求和平均值，得到该图像对应的农作物收割表征参数；
判断农作物收割表征参数是否小于预设的第二参数阈值。
通过上述实施例，能够结合目标面积的比值与1的接近程度，以及收割后农作物目标与裸露土地目标的目标距离，从而能够利用一般图像识别场景中，农作物收割图像的特点，如收割后农作物的面积会与裸露土地的面积相接近，以及两者一般距离不会相差太远等场景特点，进一步判断图像对应的农作物收割的可能性，可以有效提高监测的准确率。
作为一种可选的实施例，上述步骤中的，根据第一图像时间点和第二图像时间点之间的时间差，确定第一图像和第二图像对应的农作物的打药安全间隔期监测结果，包括：
计算第一图像时间点和第二图像时间点之间的时间差；
判断时间差是否小于预设的时间差阈值，若是，则确定第一图像和第二图像对应的农作物的打药安全间隔期监测结果为不安全，否则确定打药安全间隔期监测结果为安全。
可选的，时间差阈值可以为7天，或其他操作人员根据经验或实验得到的数据。
作为一种可选的实施例，该方法还包括：
当打药安全间隔期监测结果为不安全时，获取第一图像和第二图像对应的视频流文件；
将视频流文件推送至目标用户的微信小程序端进行展示和报警。
在本发明实施例的一个具体实施方案中，搭建了一个农作物安全监管系统，主要用于监管韭菜田的农药安全。系统主要分为田间设备、前端界面显示、后端服务器存储与算法服务模块。田间设备主要是视频采集设备和连接公网的路由设备。前端开发成可直接部署在Android和iOS等手机上的微信小程序，主要功能包括视频监控、人及打药喷雾器目标检测以及用户登录等。后端使用Django开发服务器端程序，并且使用实时性较强的深度学习算法识别打农药行为。为了方便的部署和使用，后端服务器代码部署在云服务器。系统正常运行时，首先在后端读取视频流，再调用深度学习算法进行识别检测，将检测的结果以视频流的方式在用户在微信小程序端上展示，并进行主动提醒。
具体的，利用高清设备采集田间的视频流数据，并利用深度学习模型进行目标检测，如果同是检测出人与喷雾器，且两个目标之间满足上述的数据规则，则记录打农药的时间，如果同时检测出收割后的韭菜茬以及裸漏的土地块，，且两个目标之间满足上述的数据规则，认为是收割期并记录收割时间。然后比较打农药的时间与收割时间是否大于安全间隔期（如7天），如果大于7天就自动允许收割本批的韭菜，否则将在系统进行报警提醒。
具体的，通过在网络获取图片和到田地里人工采集图片相结合的方法采集样本。打农药行为图像采集完成后，图片的质量参差不齐，需要手工剔除掉不合适的图片。深度学习模型的识别结果，需要依赖大量的数据集，但通过网络和人工采集的图片数量有限。为了构建大量的打农药行为数据集，需要对收集的图片进行数据增强操作。常见的数据增强手段包括水平翻转、垂直翻转、随机旋转、图像增亮、高斯噪声以及椒盐噪声等，模拟不同环境下的打农药行为的图片。通过数据增强手段，可以增加样本数量，满足深度学习训练时对样本数据量的要求。
建立打农药行为数据集后，采用LabelImg标注软件对数据集每副图片的人与打药喷雾器位置进行标注以及定位。数据集标签分为2类，分别为人（person）和打药喷雾器(sprayer)。当一幅图片包含多个目标对象时，需要标记出每个目标对象。用labelImag完成标记后，保存格式为YOLO模型训练用的txt文件。生成的txt文件中，第一行代表标注的一个目标，第一个数字代表标注的目标类别，后面4个数字分别代表归一化后的目标边框的中心坐标和标注框的相对宽和高的位置。
为了快速识别打农药行为，需要使用目标检测算法来识别图片中田地里人与打药喷雾器。目标检测算法需要识别对象的分类和位置。传统机器学习算法由于需要手工提取大量的特征，运算量偏大，且识别准确率和实时性都相对不高。随着深度学习的快速发展，基于深度学习的目标检测可以解决传统的机器学习在目标识别方面面临的缺陷。目前，针对目标检测主流的算法模型有two-stage和one-stage两大类。two-stage算法模型把物体识别和物体定位分为两个过程完成，识别精度高，但检测的速度慢以及实时性较差，常见模型算法如Faster-RCNN等。One-stage模型通过一个步骤完成物体分类和定位，能满足实时性的需求，常见的模型算法如YOLO等。YOLO模型在固定监控的场景可以识别出远处的小目标（人、打药喷雾器），识别的速度也远快于两阶段的目标检测算法，符合现代农业的实时检测的要求。为了达到快速识别人、打药喷雾器的目标，本项目采用实时性更强的YOLO算法。YOLOv5模型主要包括YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x这4种架构，由于YOLOv5s的网络模型深度和宽度低，更适合应用在实时性要求较强的场景，采用YOLOv5s模型在打农药行为数据集上训练网络和测试。
实施例二
请参阅图2，图2是本发明实施例公开的一种打药安全间隔期监管系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：
获取模块201，用于获取目标农作物区域对应的在历史时间段的图像数据集；
第一识别模块202，用于基于农药喷洒图像识别算法，确定图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点；
第二识别模块203，用于基于农作物收割图像识别算法，确定图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点；
确定模块204，用于根据第一图像时间点和第二图像时间点之间的时间差，确定第一图像和第二图像对应的农作物的打药安全间隔期监测结果。
作为一种可选的实施例，第一识别模块202基于农药喷洒图像识别算法，确定图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点的具体方式，包括：
对于图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在人目标和打药器目标，得到第一判断结果；
若第一判断结果为是，根据该图像中的人目标和打药器目标，判断该图像是否属于农药喷洒场景，得到第二判断结果；
若第二判断结果为是，将该图像确定为第一图像，以及将该图像的获取时间点确定为第一图像时间点。
作为一种可选的实施例，第一识别模块202根据该图像中的人目标和打药器目标，判断该图像是否属于农药喷洒场景的具体方式，包括：
获取该图像的图像获取时间点以及该图像对应的前后相邻的多张相邻图像；
将图像获取时间点以及多张相邻图像，输入至训练好的时间可能性预测模型，得到输出的打药可能性参数；时间可能性预测模型通过包括有多个训练图像和时间点和对应的打药可能性标注的训练数据集训练得到；
计算人目标和打药器目标分别对应的模型预测概率的平均值，得到模型预测概率参数；
计算人目标和打药器目标之间的目标距离值的倒数，得到预测距离参数；
计算打药可能性参数、模型预测概率参数和预测距离参数的加权求和平均值，得到该图像对应的农药喷洒预测参数；
判断农药喷洒预测参数是否大于预设的第一参数阈值。
作为一种可选的实施例，第二识别模块203基于农作物收割图像识别算法，确定图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点的具体方式，包括：
对于图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在收割后农作物目标和裸露土地目标，得到第三判断结果；
若第三判断结果为是，根据该图像中的收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景，得到第四判断结果；
若四判断结果为是，将该图像确定为第二图像，以及将该图像的获取时间点确定为第二图像时间点。
作为一种可选的实施例，第二识别模块203根据该图像中的收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景的具体方式，包括：
计算收割后农作物目标的第一目标面积；
计算裸露土地目标的第二目标面积；
计算第一目标面积和第二目标面积的比值；
计算1与比值的差值；
计算收割后农作物目标与裸露土地目标的目标距离；
计算差值和目标距离的加权求和平均值，得到该图像对应的农作物收割表征参数；
判断农作物收割表征参数是否小于预设的第二参数阈值。
作为一种可选的实施例，确定模块204根据第一图像时间点和第二图像时间点之间的时间差，确定第一图像和第二图像对应的农作物的打药安全间隔期监测结果的具体方式，包括：
计算第一图像时间点和第二图像时间点之间的时间差；
判断时间差是否小于预设的时间差阈值，若是，则确定第一图像和第二图像对应的农作物的打药安全间隔期监测结果为不安全，否则确定打药安全间隔期监测结果为安全。
作为一种可选的实施例，系统还包括报警模块，用于执行以下操作：
当打药安全间隔期监测结果为不安全时，获取第一图像和第二图像对应的视频流文件；
将视频流文件推送至目标用户的微信小程序端进行展示和报警。
具体的，上述模块和步骤的具体技术细节和技术效果，可以参见实施例一中的表述，在此不再赘述。
实施例三
请参阅图3，图3是本发明实施例公开的另一种打药安全间隔期监管系统的结构示意图。如图3所示，该系统可以包括：
存储有可执行程序代码的存储器301；
与存储器301耦合的处理器302；
处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的打药安全间隔期监管方法中的部分或全部步骤。
实施例四
本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的打药安全间隔期监管方法中的部分或全部步骤。
以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（Read-Only Memory，ROM）、随机存储器（Random Access Memory，RAM）、可编程只读存储器（Programmable Read-only Memory，PROM）、可擦除可编程只读存储器（ErasableProgrammable Read Only Memory，EPROM）、一次可编程只读存储器（One-timeProgrammable Read-Only Memory，OTPROM）、电子抹除式可复写只读存储器（Electrically-Erasable Programmable Read-Only Memory，EEPROM）、只读光盘（CompactDisc Read-Only Memory，CD-ROM）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种打药安全间隔期监管系统及方法所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (9)
1.一种打药安全间隔期监管方法，其特征在于，所述方法包括：
获取目标农作物区域对应的在历史时间段的图像数据集；
基于农药喷洒图像识别算法，确定所述图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点；
基于农作物收割图像识别算法，确定所述图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点；
计算所述第一图像时间点和所述第二图像时间点之间的时间差；
判断所述时间差是否小于预设的时间差阈值，若是，则确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果为不安全，否则确定所述打药安全间隔期监测结果为安全。
2.根据权利要求1所述的打药安全间隔期监管方法，其特征在于，所述基于农药喷洒图像识别算法，确定所述图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点，包括：
对于所述图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在人目标和打药器目标，得到第一判断结果；
若所述第一判断结果为是，根据该图像中的所述人目标和打药器目标，判断该图像是否属于农药喷洒场景，得到第二判断结果；
若所述第二判断结果为是，将该图像确定为第一图像，以及将该图像的获取时间点确定为第一图像时间点。
3.根据权利要求2所述的打药安全间隔期监管方法，其特征在于，所述根据该图像中的所述人目标和打药器目标，判断该图像是否属于农药喷洒场景，包括：
获取该图像的图像获取时间点以及该图像对应的前后相邻的多张相邻图像；
将所述图像获取时间点以及所述多张相邻图像，输入至训练好的时间可能性预测模型，得到输出的打药可能性参数；所述时间可能性预测模型通过包括有多个训练图像和时间点和对应的打药可能性标注的训练数据集训练得到；
计算所述人目标和所述打药器目标分别对应的模型预测概率的平均值，得到模型预测概率参数；
计算所述人目标和所述打药器目标之间的目标距离值的倒数，得到预测距离参数；
计算所述打药可能性参数、所述模型预测概率参数和所述预测距离参数的加权求和平均值，得到该图像对应的农药喷洒预测参数；
判断所述农药喷洒预测参数是否大于预设的第一参数阈值。
4.根据权利要求1所述的打药安全间隔期监管方法，其特征在于，所述基于农作物收割图像识别算法，确定所述图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点，包括：
对于所述图像数据集中的任一图像，基于训练好的深度学习模型，判断该图像中是否存在收割后农作物目标和裸露土地目标，得到第三判断结果；
若所述第三判断结果为是，根据该图像中的所述收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景，得到第四判断结果；
若所述四判断结果为是，将该图像确定为第二图像，以及将该图像的获取时间点确定为第二图像时间点。
5.根据权利要求4所述的打药安全间隔期监管方法，其特征在于，所述根据该图像中的所述收割后农作物目标和裸露土地目标，判断该图像是否属于农作物收割场景，包括：
计算所述收割后农作物目标的第一目标面积；
计算所述裸露土地目标的第二目标面积；
计算所述第一目标面积和所述第二目标面积的比值；
计算1与所述比值的差值；
计算所述收割后农作物目标与所述裸露土地目标的目标距离；
计算所述差值和所述目标距离的加权求和平均值，得到该图像对应的农作物收割表征参数；
判断所述农作物收割表征参数是否小于预设的第二参数阈值。
6.根据权利要求1所述的打药安全间隔期监管方法，其特征在于，所述方法还包括：
当所述打药安全间隔期监测结果为不安全时，获取所述第一图像和第二图像对应的视频流文件；
将所述视频流文件推送至目标用户的微信小程序端进行展示和报警。
7.一种打药安全间隔期监管系统，其特征在于，所述系统包括：
获取模块，用于获取目标农作物区域对应的在历史时间段的图像数据集；
第一识别模块，用于基于农药喷洒图像识别算法，确定所述图像数据集中属于农药喷洒场景的第一图像和对应的第一图像时间点；
第二识别模块，用于基于农作物收割图像识别算法，确定所述图像数据集中属于农作物收割场景的第二图像和对应的第二图像时间点；
确定模块，用于根据所述第一图像时间点和所述第二图像时间点之间的时间差，确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果，具体包括：
计算所述第一图像时间点和所述第二图像时间点之间的时间差；
判断所述时间差是否小于预设的时间差阈值，若是，则确定所述第一图像和第二图像对应的农作物的打药安全间隔期监测结果为不安全，否则确定所述打药安全间隔期监测结果为安全。
8.一种打药安全间隔期监管系统，其特征在于，所述系统包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-6任一项所述的打药安全间隔期监管方法。
9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-6任一项所述的打药安全间隔期监管方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311092350.0A CN117132934B (zh) | 2023-08-28 | 2023-08-28 | 一种打药安全间隔期监管系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311092350.0A CN117132934B (zh) | 2023-08-28 | 2023-08-28 | 一种打药安全间隔期监管系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117132934A CN117132934A (zh) | 2023-11-28 |
| CN117132934B true CN117132934B (zh) | 2024-03-01 |
Family
ID=88862364
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311092350.0A Active CN117132934B (zh) | 2023-08-28 | 2023-08-28 | 一种打药安全间隔期监管系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117132934B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446958A (zh) * | 2018-10-18 | 2019-03-08 | 广州极飞科技有限公司 | 施药效果的确定方法及装置、系统 |
| CN111516877A (zh) * | 2020-05-25 | 2020-08-11 | 湖北同诚通用航空有限公司 | 一种直升机农药喷洒单位面积喷洒量控制调节系统及方法 |
| CN112116206A (zh) * | 2020-08-21 | 2020-12-22 | 淮北市盛世昊明科技服务有限公司 | 一种基于大数据的智慧农业系统 |
| CN113207511A (zh) * | 2021-03-31 | 2021-08-06 | 广西中烟工业有限责任公司 | 一种基于农药抗性监测的农药施用方法、系统及可读存储介质 |
| CN114239716A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技（深圳）有限公司 | 基于农作物长势的双轴交互方法、装置、设备及介质 |
| 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 |
| CN114946807A (zh) * | 2022-05-05 | 2022-08-30 | 中国农业大学 | 一种基于视觉深度学习和物联网的精准喷药装置 |
| CN115187943A (zh) * | 2022-06-29 | 2022-10-14 | 南京理工大学 | 一种空地一体化植物生长状态智能感知系统及方法 |
| CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
| CN116300608A (zh) * | 2023-03-13 | 2023-06-23 | 衡阳晟达信息技术有限公司 | 一种基于大数据的智慧农业远程监控系统 |
| 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 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10402919B2 (en) * | 2016-06-06 | 2019-09-03 | The Climate Corporation | Data assimilation for calculating computer-based models of crop growth |
| US11120552B2 (en) * | 2019-02-27 | 2021-09-14 | International Business Machines Corporation | Crop grading via deep learning |
-
2023
- 2023-08-28 CN CN202311092350.0A patent/CN117132934B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446958A (zh) * | 2018-10-18 | 2019-03-08 | 广州极飞科技有限公司 | 施药效果的确定方法及装置、系统 |
| CN111516877A (zh) * | 2020-05-25 | 2020-08-11 | 湖北同诚通用航空有限公司 | 一种直升机农药喷洒单位面积喷洒量控制调节系统及方法 |
| CN112116206A (zh) * | 2020-08-21 | 2020-12-22 | 淮北市盛世昊明科技服务有限公司 | 一种基于大数据的智慧农业系统 |
| 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 |
| CN113207511A (zh) * | 2021-03-31 | 2021-08-06 | 广西中烟工业有限责任公司 | 一种基于农药抗性监测的农药施用方法、系统及可读存储介质 |
| CN114239716A (zh) * | 2021-12-15 | 2022-03-25 | 平安科技（深圳）有限公司 | 基于农作物长势的双轴交互方法、装置、设备及介质 |
| CN114946807A (zh) * | 2022-05-05 | 2022-08-30 | 中国农业大学 | 一种基于视觉深度学习和物联网的精准喷药装置 |
| CN115187943A (zh) * | 2022-06-29 | 2022-10-14 | 南京理工大学 | 一种空地一体化植物生长状态智能感知系统及方法 |
| CN116300608A (zh) * | 2023-03-13 | 2023-06-23 | 衡阳晟达信息技术有限公司 | 一种基于大数据的智慧农业远程监控系统 |
| CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
| 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 (4)
| Title |
|---|
| Practical experiences with a system for site-specificweed control in arable crops using real-time imageanalysis and GPS-controlled patch spraying;R GERHARDS等;《Weed Research》;第46卷;第185-193页 * |
| 基于HACCP的生鲜农产品质量控制研究——以临沂市韭菜种植为例;吕静等;《农产品加工》(第4期);第77-81页 * |
| 基于无人机RGB图像的玉米播种质量监测与产量分析;郝嘉永;《中国优秀硕士学位论文全文数据库 农业科技辑》(第5期);第D047-149页 * |
| 智能施药机器人关键技术研究现状及发展趋势;兰玉彬等;《农业工程学报》;第38卷(第20期);第30-40页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117132934A (zh) | 2023-11-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190034734A1 (en) | Object classification using machine learning and object tracking | |
| CN108073908B (zh) | 害虫识别方法及装置、计算机装置及存储介质 | |
| US20170071188A1 (en) | Methods, Systems and Devices Relating to Real-Time Object Identification | |
| CN109984054B (zh) | 发情检测方法、发情检测装置和发情检测系统 | |
| CN109446958B (zh) | 施药效果的确定方法及装置、系统 | |
| CN110795963A (zh) | 一种基于人脸识别的监控方法、装置及设备 | |
| US20190130582A1 (en) | Exclusion zone in video analytics | |
| CN109522899B (zh) | 咖啡成熟果实的检测方法、装置及电子设备 | |
| Majeed et al. | Estimating the trajectories of vine cordons in full foliage canopies for automated green shoot thinning in vineyards | |
| CN111401296A (zh) | 一种行为分析方法、设备及装置 | |
| CN116630663A (zh) | 一种基于物联网的智能施药方法及系统 | |
| CN107064159B (zh) | 一种依据植物黄叶检测判断生长趋势的装置及系统 | |
| CN111476119B (zh) | 一种基于时空上下文的昆虫行为识别方法及装置 | |
| CN111028266B (zh) | 畜禽盘点方法、装置、电子设备和存储介质 | |
| CN114241012B (zh) | 一种高空抛物的判定方法及装置 | |
| CN114973573A (zh) | 目标入侵确定方法、装置、存储介质及电子装置 | |
| CN117132934B (zh) | 一种打药安全间隔期监管系统及方法 | |
| CN114550848A (zh) | 作物病害处理方法、装置、电子设备及计算机可读介质 | |
| CN113762229A (zh) | 一种建筑场地内建筑器材的智能识别方法及系统 | |
| US20220392214A1 (en) | Scouting functionality emergence | |
| CN112053382A (zh) | 出入口监测方法、设备及计算机可读存储介质 | |
| CN116686814A (zh) | 一种植保无人机的施药控制方法、系统及介质 | |
| WO2021022427A1 (zh) | 一种社区流浪动物监测系统及监测方法 | |
| CN110874582A (zh) | 电信诈骗的确定方法及装置、存储介质、电子装置 | |
| US20200134339A1 (en) | Image Processing for Identifying Individuals |
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 |