CN117150785B - 一种大豆生长全生育期仿真方法及系统 - Google Patents
一种大豆生长全生育期仿真方法及系统 Download PDFInfo
- Publication number
- CN117150785B CN117150785B CN202311139124.3A CN202311139124A CN117150785B CN 117150785 B CN117150785 B CN 117150785B CN 202311139124 A CN202311139124 A CN 202311139124A CN 117150785 B CN117150785 B CN 117150785B
- Authority
- CN
- China
- Prior art keywords
- growth
- state
- soybean
- parameters
- matrix
- 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
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 124
- 244000068988 Glycine max Species 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004088 simulation Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 86
- 239000011159 matrix material Substances 0.000 claims abstract description 73
- 238000012795 verification Methods 0.000 claims abstract description 10
- 238000013507 mapping Methods 0.000 claims description 25
- 238000009434 installation Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 description 15
- 238000004590 computer program Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000007226 seed germination Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Computing Systems (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及大豆生长监测技术领域,具体公开了一种大豆生长全生育期仿真方法及系统,所述方法包括根据预设的传感器定时获取大豆的生长环境参数;所述生长环境参数为含有时间索引的矩阵组;根据所述生长环境参数确定大豆的生长参数;根据监控设备获取大豆的生长状态,将生长状态向人工端发送;根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程。本发明在保证了真实度的情况下,将生长状态由图像转换为其他数据,比如文本数据,降低了数据量,缓解了数据压力。
Description
技术领域
本发明涉及大豆生长监测技术领域,具体是一种大豆生长全生育期仿真方法及系统。
背景技术
大豆的一生要经历种子萌发、出苗、幼苗生长、分枝、开花、结荚、鼓粒、成熟等过程,随着采集样本的增多,大豆的生长过程几乎都处于已统计的状态,几乎很少有超出已有数据库的生长情况,这使得基于电子设备的植物仿真过程成为可能。
植物仿真过程需要实时的获取植物的生长状态,植物的生长状态可以由图像表示,但是,当植物数量较多时,需要获取的图像数量较大,数据量较大,数据传输压力很大;因此,如何在尽量保证真实度的前提下,降低数据传输压力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大豆生长全生育期仿真方法及系统,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:
一种大豆生长全生育期仿真方法,所述方法包括:
根据预设的传感器定时获取大豆的生长环境参数;所述生长环境参数为含有时间索引的矩阵组;
根据所述生长环境参数确定大豆的生长参数;
根据监控设备获取大豆的生长状态,将生长状态向人工端发送;
根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程。
作为本发明进一步的方案:所述根据预设的传感器定时获取大豆的生长环境参数的步骤包括:
查询备案的传感器类型,根据传感器类型统计安装位置;
以传感器类型为索引,定时获取传感数据,建立以传感器类型为标签的矩阵;其中,所述矩阵中的元素位置用于表征安装位置,元素值用于表征传感数据;
根据预设的类型顺序统计矩阵,得到矩阵组。
作为本发明进一步的方案:所述根据所述生长环境参数确定大豆的生长参数的步骤包括:
依次读取传感器类型,查询该传感器类型下各传感数据对大豆生长过程的瞬时影响量;所述瞬时影响量为矢量,包括数值和方向;所述方向由偏移角度和当前生长角度表示;
统计所有瞬时影响量,得到影响量矩阵;
叠加所有传感器类型对应的影响量矩阵,得到生长影响矩阵;
查询大豆的种植位置,根据种植位置在生长影响矩阵中查询该大豆的生长参数。
作为本发明进一步的方案:所述根据监控设备获取大豆的生长状态,将生长状态向人工端发送的步骤包括:
获取监控设备的监控点位及监控参数;
根据所述监控点位及监控参数确定图像-实际的映射关系;
读取监控设备的监控图像,基于对应的映射关系确定大豆的生长状态;
将生长状态向人工端发送;
其中,当监控设备不唯一且由所有监控设备判定的生长状态的差异小于预设的数据条件时,生长状态取均值。
作为本发明进一步的方案:所述根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程的步骤包括:
读取生长参数,根据生长状态和生长参数计算预设时长后的预测状态;
读取并比对同一时刻的预测状态和生长状态,得到状态差值;
将所述状态差值与预设的差值阈值进行比对,根据状态差值达到的差值阈值更新图像-实际的映射关系。
作为本发明进一步的方案:所述查询大豆的种植位置,根据种植位置在生长影响矩阵中查询该大豆的生长参数的步骤包括:
选取待分析大豆,查询大豆的种植位置及当前生长状态;
根据当前生长状态获取大豆尾部,作为种植位置;
以种植位置为中心,在生长影响矩阵中选取影响区域;
根据预设的高斯权重统计影响区域中的元素值,计算得到生长参数;
所述高斯权重为:
本发明技术方案还提供了一种大豆生长全生育期仿真系统,所述系统包括:
环境监测模块,用于根据预设的传感器定时获取大豆的生长环境参数;所述生长环境参数为含有时间索引的矩阵组;
生长参数确定模块,用于根据所述生长环境参数确定大豆的生长参数;
生长状态判定模块,用于根据监控设备获取大豆的生长状态,将生长状态向人工端发送;
判定过程修正模块,用于根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程。
作为本发明进一步的方案:所述环境监测模块包括:
安装位置统计单元,用于查询备案的传感器类型,根据传感器类型统计安装位置;
矩阵创建单元,用于以传感器类型为索引,定时获取传感数据,建立以传感器类型为标签的矩阵;其中,所述矩阵中的元素位置用于表征安装位置,元素值用于表征传感数据;
矩阵统计单元,用于根据预设的类型顺序统计矩阵,得到矩阵组。
作为本发明进一步的方案:所述生长参数确定模块包括:
影响量查询单元,用于依次读取传感器类型,查询该传感器类型下各传感数据对大豆生长过程的瞬时影响量;所述瞬时影响量为矢量,包括数值和方向;所述方向由偏移角度和当前生长角度表示;
影响量统计单元,用于统计所有瞬时影响量,得到影响量矩阵;
影响量叠加单元,用于叠加所有传感器类型对应的影响量矩阵,得到生长影响矩阵;
查询执行单元,用于查询大豆的种植位置,根据种植位置在生长影响矩阵中查询该大豆的生长参数。
作为本发明进一步的方案:所述生长状态判定模块包括:
数据获取单元,用于获取监控设备的监控点位及监控参数;
映射建立单元,用于根据所述监控点位及监控参数确定图像-实际的映射关系;
映射应用单元,用于读取监控设备的监控图像,基于对应的映射关系确定大豆的生长状态;
状态发送单元,用于将生长状态向人工端发送;
其中,当监控设备不唯一且由所有监控设备判定的生长状态的差异小于预设的数据条件时,生长状态取均值。
与现有技术相比,本发明的有益效果是:本发明通过传感器获取环境参数,进而确定大豆的生长参数,根据生长参数可以对大豆的生长状态进行预测;然后,通过监控设备获取监控图像,进而判断大豆的实际生长状态,根据预测状态和生长状态实时修正实际生长状态的判定过程,保证了真实度的情况下,将生长状态由图像转换为其他数据,比如文本数据,降低了数据量,缓解了数据压力。
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为大豆生长全生育期仿真方法的流程框图。
图2为大豆生长全生育期仿真方法的第一子流程框图。
图3为大豆生长全生育期仿真方法的第二子流程框图。
图4为大豆生长全生育期仿真方法的第三子流程框图。
图5为大豆生长全生育期仿真方法的第四子流程框图。
图6为大豆生长全生育期仿真系统的组成结构框图。
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为大豆生长全生育期仿真方法的流程框图,本发明实施例中,一种大豆生长全生育期仿真方法,所述方法包括:
步骤S100:根据预设的传感器定时获取大豆的生长环境参数;所述生长环境参数为含有时间索引的矩阵组;
传感器的功能为获取数据,获取到的数据类型与传感器的类型相关;比如,温度传感器用于获取温度信息,光敏传感器用于获取光照参数;此外,对力学传感器和运动学传感器进行简易调整(安装叶片),可以获取到风力参数;上述温度信息、光照参数和风力参数统称为生长环境参数;由于不同传感器的位置不同,按照各个位置统计各个传感器在某一时刻获取到的数据,可以建立多个矩阵,称为矩阵组。
步骤S200:根据所述生长环境参数确定大豆的生长参数;
由上述内容可知,所述生长环境参数为矩阵组,对所述矩阵组进行分析,可以确定大豆的生长参数;这一过程存在一个矩阵-数值之间的映射关系,该映射关系一般由工作人员预先确定。
步骤S300:根据监控设备获取大豆的生长状态,将生长状态向人工端发送;
监控设备一般采用现有的摄像头,在不同位置处安装摄像头,可以获取大豆的生长图像,根据生长图像和实际坐标系中的对应关系,可以获取到大豆的当前生长状态,将生长状态向人工端发送即可;这一过程中,无须将获取到的生长图像向人工端发送,极大地降低了传输数据量。
步骤S400:根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程;
在某一时刻,生长图像和实际坐标系的对应关系是确定的(监控设备的位置、采集角度和采集范围固定),给定一个生长图像可以确定输出一个生长状态,但是随着时间的推移,大豆不断地生长,其生长方向是三维的,而图像是二维数据,由二维数据反映三维特征肯定会存在一些偏差,因此,在本发明技术方案中,引入了预测过程,根据预测过程的准确性来调整对应关系。
例如,如果预测数据与实际输出的生长状态的差异较大,此时,就说明预测过程或者生长状态的判定过程存在问题,此时,需要对生长状态和预测过程进行同步检测;一般情况下,预测过程的检测意义不大(准度都比较低),重点在于对应关系的更新。
值得一提的是,上述内容中的步骤S300是图像采集过程,其重点在于图像采集,涉及到的监控设备可以由无人机代替,比如:
通过无人机对大豆种植区进行拍摄,拍摄时H2 0T相机设为5倍变焦,飞行高度9至10米,以拍全当前品种所有植株且不包含相邻品种植株为宜。
此外,若采用多光谱相机拍摄方式,那么无人机的参数为:飞行高度30米,旁向重叠率70%,航向重叠率80%。
图2为大豆生长全生育期仿真方法的第一子流程框图,所述根据预设的传感器定时获取大豆的生长环境参数的步骤包括:
步骤S101:查询备案的传感器类型,根据传感器类型统计安装位置;
步骤S102:以传感器类型为索引,定时获取传感数据,建立以传感器类型为标签的矩阵;其中,所述矩阵中的元素位置用于表征安装位置,元素值用于表征传感数据;
步骤S103:根据预设的类型顺序统计矩阵,得到矩阵组。
获取管理方安装了多少种传感器,依次对每一种传感器进行分析,统计该类型下所有传感器的位置,建立基本矩阵(安装位置处数据为1,非安装位置处数据为0);然后,根据预设的时间步长读取传感数据,将传感数据存储至基本矩阵中的对应元素处即可,得到当前时刻下,每个类型对应的矩阵。
根据预设的顺序依次统计各个矩阵,得到矩阵组。
图3为大豆生长全生育期仿真方法的第二子流程框图,所述根据所述生长环境参数确定大豆的生长参数的步骤包括:
步骤S201:依次读取传感器类型,查询该传感器类型下各传感数据对大豆生长过程的瞬时影响量;所述瞬时影响量为矢量,包括数值和方向;所述方向由偏移角度和当前生长角度表示;
步骤S202:统计所有瞬时影响量,得到影响量矩阵;
步骤S203:叠加所有传感器类型对应的影响量矩阵,得到生长影响矩阵;
步骤S204:查询大豆的种植位置,根据种植位置在生长影响矩阵中查询该大豆的生长参数。
上述内容提供了一种具体的确定生长参数的方案,首先,根据传感数据的大小确定对大豆生长过程的瞬时影响量,比如,如果光照条件接收标准光强需求,那么瞬时影响量就是正值;需要说明的是,所述瞬时影响量用于表示大豆往哪个方向长多少度;传感数据和瞬时影响量的关系由管理方预先确定。
然后,统计某一类型下的所有瞬时影响量,得到影响量矩阵,叠加多个类型下的影响量矩阵,得到生长影响矩阵;所述生长影响矩阵反映了当前时刻的环境参数对各个点位的生长过程的影响程度。
生长影响矩阵包括了所有点位,而大豆种植位置却不一定包括所有位置,因此,根据大豆的种植位置在生长影响矩阵中查询生长参数即可。
图4为大豆生长全生育期仿真方法的第三子流程框图,所述根据监控设备获取大豆的生长状态,将生长状态向人工端发送的步骤包括:
步骤S301:获取监控设备的监控点位及监控参数;
步骤S302:根据所述监控点位及监控参数确定图像-实际的映射关系;
步骤S303:读取监控设备的监控图像,基于对应的映射关系确定大豆的生长状态;
步骤S304:将生长状态向人工端发送;
其中,当监控设备不唯一且由所有监控设备判定的生长状态的差异小于预设的数据条件时,生长状态取均值。
获取监控设备的监控点位及监控参数,所述监控参数包括监控角度和监控广角,通过监控参数可以获取到该监控设备在拍摄哪一区域的图像;当图像确定后,在图像选取点位,在实际场景中选取与该点位对应的位置,即可建立图像-实际的映射关系;当监控设备获取到新图像时,将新图像输入建立的图像一实际的映射关系,即可得到生长状态;获取到生长状态后,向人工端发送。
图5为大豆生长全生育期仿真方法的第四子流程框图,所述根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程的步骤包括:
步骤S401:读取生长参数,根据生长状态和生长参数计算预设时长后的预测状态;
步骤S402:读取并比对同一时刻的预测状态和生长状态,得到状态差值;
步骤S403:将所述状态差值与预设的差值阈值进行比对,根据状态差值达到的差值阈值更新图像-实际的映射关系。
读取生长参数和生长状态,生长参数代表了大豆将要往哪个方向生长,因此,根据生长参数和生长状态,可以获取到未来一段时间内的预测状态;随着时间推移,当时间达到预测状态对应的时间时,比对预测状态和实际的生长状态,根据比对结果对图像-实际的映射关系进行调整,一般情况下,是在输出上增设一个附加量。
作为本发明技术方案的一个优选实施例,所述查询大豆的种植位置,根据种植位置在生长影响矩阵中查询该大豆的生长参数的步骤包括:
选取待分析大豆,查询大豆的种植位置及当前生长状态;
根据当前生长状态获取大豆尾部,作为种植位置;
以种植位置为中心,在生长影响矩阵中选取影响区域;
根据预设的高斯权重统计影响区域中的元素值,计算得到生长参数;
上述内容提供了一种具体的生长参数查询方案,其原理在于,以种植位置为中心,在一个区域内读取环境参数,比如3*3、5*5或更大的区域,由一个区域的综合数据对生长状态进行分析,确定生长参数。
其中,种植位置采用当前生长状态的尾部,通过监控图像获取到的生长状态确定,一个区域的综合数据由高斯权重统计。
其中,所述高斯权重为:
权重之和为1。
图6为大豆生长全生育期仿真系统的组成结构框图,本发明实施例中,一种大豆生长全生育期仿真系统,所述系统10包括:
环境监测模块11,用于根据预设的传感器定时获取大豆的生长环境参数;所述生长环境参数为含有时间索引的矩阵组;
生长参数确定模块12,用于根据所述生长环境参数确定大豆的生长参数;
生长状态判定模块13,用于根据监控设备获取大豆的生长状态,将生长状态向人工端发送;
判定过程修正模块14,用于根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程。
进一步的,所述环境监测模块11包括:
安装位置统计单元,用于查询备案的传感器类型,根据传感器类型统计安装位置;
矩阵创建单元,用于以传感器类型为索引,定时获取传感数据,建立以传感器类型为标签的矩阵;其中,所述矩阵中的元素位置用于表征安装位置,元素值用于表征传感数据;
矩阵统计单元,用于根据预设的类型顺序统计矩阵,得到矩阵组。
具体的,所述生长参数确定模块12包括:
影响量查询单元,用于依次读取传感器类型,查询该传感器类型下各传感数据对大豆生长过程的瞬时影响量;所述瞬时影响量为矢量,包括数值和方向;所述方向由偏移角度和当前生长角度表示;
影响量统计单元,用于统计所有瞬时影响量,得到影响量矩阵;
影响量叠加单元,用于叠加所有传感器类型对应的影响量矩阵,得到生长影响矩阵;
查询执行单元,用于查询大豆的种植位置,根据种植位置在生长影响矩阵中查询该大豆的生长参数。
此外,所述生长状态判定模块13包括:
数据获取单元,用于获取监控设备的监控点位及监控参数;
映射建立单元,用于根据所述监控点位及监控参数确定图像-实际的映射关系;
映射应用单元,用于读取监控设备的监控图像,基于对应的映射关系确定大豆的生长状态;
状态发送单元,用于将生长状态向人工端发送;
其中,当监控设备不唯一且由所有监控设备判定的生长状态的差异小于预设的数据条件时,生长状态取均值。
上述大豆生长全生育期仿真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大豆生长全生育期仿真方法的功能。
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(Centra1 Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signa1 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”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 (4)
1.一种大豆生长全生育期仿真方法,其特征在于,所述方法包括:
根据预设的传感器定时获取大豆的生长环境参数;所述生长环境参数为含有时间索引的矩阵组;
根据所述生长环境参数确定大豆的生长参数;
根据监控设备获取大豆的生长状态,将生长状态向人工端发送;
根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程;
所述根据预设的传感器定时获取大豆的生长环境参数的步骤包括:
查询备案的传感器类型,根据传感器类型统计安装位置;
以传感器类型为索引,定时获取传感数据,建立以传感器类型为标签的矩阵;其中,所述矩阵中的元素位置用于表征安装位置,元素值用于表征传感数据;
根据预设的类型顺序统计矩阵,得到矩阵组;
所述根据所述生长环境参数确定大豆的生长参数的步骤包括:
依次读取传感器类型,查询该传感器类型下各传感数据对大豆生长过程的瞬时影响量;所述瞬时影响量为矢量,包括数值和方向;所述方向由偏移角度和当前生长角度表示;
统计所有瞬时影响量,得到影响量矩阵;
叠加所有传感器类型对应的影响量矩阵,得到生长影响矩阵;
查询大豆的种植位置,根据种植位置在生长影响矩阵中查询该大豆的生长参数;
所述根据监控设备获取大豆的生长状态,将生长状态向人工端发送的步骤包括:
获取监控设备的监控点位及监控参数;
根据所述监控点位及监控参数确定图像-实际的映射关系;
读取监控设备的监控图像,基于对应的映射关系确定大豆的生长状态;
将生长状态向人工端发送;
其中,当监控设备不唯一且由所有监控设备判定的生长状态的差异小于预设的数据条件时,生长状态取均值。
2.根据权利要求1所述的大豆生长全生育期仿真方法,其特征在于,所述根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程的步骤包括:
读取生长参数,根据生长状态和生长参数计算预设时长后的预测状态;
读取并比对同一时刻的预测状态和生长状态,得到状态差值;
将所述状态差值与预设的差值阈值进行比对,根据状态差值达到的差值阈值更新图像-实际的映射关系。
3.根据权利要求2所述的大豆生长全生育期仿真方法,其特征在于,所述查询大豆的种植位置,根据种植位置在生长影响矩阵中查询该大豆的生长参数的步骤包括:
选取待分析大豆,查询大豆的种植位置及当前生长状态;
根据当前生长状态获取大豆尾部,作为种植位置;
以种植位置为中心,在生长影响矩阵中选取影响区域;
根据预设的高斯权重统计影响区域中的元素值,计算得到生长参数;
所述高斯权重为:
4.一种大豆生长全生育期仿真系统,其特征在于,所述系统包括:
环境监测模块,用于根据预设的传感器定时获取大豆的生长环境参数;所述生长环境参数为含有时间索引的矩阵组;
生长参数确定模块,用于根据所述生长环境参数确定大豆的生长参数;
生长状态判定模块,用于根据监控设备获取大豆的生长状态,将生长状态向人工端发送;
判定过程修正模块,用于根据生长状态和生长参数确定预测状态,根据预测状态实时验证生长状态,根据验证结果修正大豆的生长状态的判定过程;
所述环境监测模块包括:
安装位置统计单元,用于查询备案的传感器类型,根据传感器类型统计安装位置;
矩阵创建单元,用于以传感器类型为索引,定时获取传感数据,建立以传感器类型为标签的矩阵;其中,所述矩阵中的元素位置用于表征安装位置,元素值用于表征传感数据;
矩阵统计单元,用于根据预设的类型顺序统计矩阵,得到矩阵组;
所述生长参数确定模块包括:
影响量查询单元,用于依次读取传感器类型,查询该传感器类型下各传感数据对大豆生长过程的瞬时影响量;所述瞬时影响量为矢量,包括数值和方向;所述方向由偏移角度和当前生长角度表示;
影响量统计单元,用于统计所有瞬时影响量,得到影响量矩阵;
影响量叠加单元,用于叠加所有传感器类型对应的影响量矩阵,得到生长影响矩阵;
查询执行单元,用于查询大豆的种植位置,根据种植位置在生长影响矩阵中查询该大豆的生长参数;
所述生长状态判定模块包括:
数据获取单元,用于获取监控设备的监控点位及监控参数;
映射建立单元,用于根据所述监控点位及监控参数确定图像-实际的映射关系;
映射应用单元,用于读取监控设备的监控图像,基于对应的映射关系确定大豆的生长状态;
状态发送单元,用于将生长状态向人工端发送;
其中,当监控设备不唯一且由所有监控设备判定的生长状态的差异小于预设的数据条件时,生长状态取均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139124.3A CN117150785B (zh) | 2023-09-05 | 2023-09-05 | 一种大豆生长全生育期仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311139124.3A CN117150785B (zh) | 2023-09-05 | 2023-09-05 | 一种大豆生长全生育期仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117150785A CN117150785A (zh) | 2023-12-01 |
CN117150785B true CN117150785B (zh) | 2024-05-24 |
Family
ID=88886517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311139124.3A Active CN117150785B (zh) | 2023-09-05 | 2023-09-05 | 一种大豆生长全生育期仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117150785B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
CN111814952A (zh) * | 2020-06-01 | 2020-10-23 | 珠海格力电器股份有限公司 | 植被生长监测方法、装置、设备及存储介质 |
CN114324336A (zh) * | 2021-12-31 | 2022-04-12 | 四川农业大学 | 一种大豆全生育期生物量无损测量方法 |
CN114911174A (zh) * | 2022-02-09 | 2022-08-16 | 北大荒信息有限公司 | 一种植物仿生的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109816267A (zh) * | 2019-01-31 | 2019-05-28 | 中国农业科学院农业信息研究所 | 一种智能大豆生产管理方法及系统 |
-
2023
- 2023-09-05 CN CN202311139124.3A patent/CN117150785B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
CN111814952A (zh) * | 2020-06-01 | 2020-10-23 | 珠海格力电器股份有限公司 | 植被生长监测方法、装置、设备及存储介质 |
CN114324336A (zh) * | 2021-12-31 | 2022-04-12 | 四川农业大学 | 一种大豆全生育期生物量无损测量方法 |
CN114911174A (zh) * | 2022-02-09 | 2022-08-16 | 北大荒信息有限公司 | 一种植物仿生的方法和装置 |
Non-Patent Citations (2)
Title |
---|
Deriving corn and soybeans fractions with Land Remote-Sensing Satellite (System, Landsat) imagery by accounting for endmember variability on Google Earth Engine;Li, K (Li, Ke) ,Wang, L (Wang, Le),Yin, DM (Yin, Dameng);INTERNATIONAL JOURNAL OF REMOTE SENSING;20210618;第42卷(第12期);全文 * |
基于LabVIEW的植物生长状态监控系统研究;关蓓蓓;李猛;黄斌;刘闯;;科技创新与应用;20200128(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117150785A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN112183212B (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
CN114548832B (zh) | 一种基于大数据的风电设备状态评估方法及系统 | |
CN115330887B (zh) | 一种智能变电站保护装置的自动测试系统及测试方法 | |
CN115858831B (zh) | 一种数据库用数据存储方法 | |
CN116506223B (zh) | 一种协同式网络防护方法及系统 | |
CN111008561A (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
CN116879831A (zh) | 一种基于物联网的电表智能监控方法及系统 | |
CN110232130B (zh) | 元数据管理谱系生成方法、装置、计算机设备和存储介质 | |
CN117150785B (zh) | 一种大豆生长全生育期仿真方法及系统 | |
CN114324336A (zh) | 一种大豆全生育期生物量无损测量方法 | |
CN116563841B (zh) | 配电网设备标识牌的检测方法、检测装置和电子设备 | |
CN115829337B (zh) | 一种存储区风险预警方法及系统 | |
CN113155784A (zh) | 水体透明度检测方法、终端设备及存储介质 | |
CN115633321B (zh) | 一种无线通信网络监控方法及系统 | |
CN112598616B (zh) | 一种电子设备曝光参数的确定方法及成像方法 | |
CN116208465A (zh) | 一种电力信息通信状况智能监测预警方法及系统 | |
US20240011792A1 (en) | Method and apparatus for updating confidence of high-precision map | |
CN112668448B (zh) | 一种生态进程变化分析方法、装置、介质及终端设备 | |
CN112527442A (zh) | 一种环境数据多维显示方法、装置、介质及终端设备 | |
CN116939159B (zh) | 一种农田灾害预警方法及系统 | |
CN116844075B (zh) | 一种耕地环境判定方法及系统 | |
CN117036954B (zh) | 一种植物区长势识别方法及系统 | |
US20240144633A1 (en) | Image recognition method, electronic device and storage medium | |
CN116405532B (zh) | 基于物联网的工业控制及自动化方法、装置及电子设备 |
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 |