CN117274828B - 基于机器学习的农田智能监测与作物管理系统 - Google Patents
基于机器学习的农田智能监测与作物管理系统 Download PDFInfo
- Publication number
- CN117274828B CN117274828B CN202311568864.9A CN202311568864A CN117274828B CN 117274828 B CN117274828 B CN 117274828B CN 202311568864 A CN202311568864 A CN 202311568864A CN 117274828 B CN117274828 B CN 117274828B
- Authority
- CN
- China
- Prior art keywords
- crop
- farmland
- data
- crops
- soil
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 49
- 238000010801 machine learning Methods 0.000 title claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 82
- 201000010099 disease Diseases 0.000 claims abstract description 54
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 54
- 238000010586 diagram Methods 0.000 claims abstract description 53
- 238000003973 irrigation Methods 0.000 claims abstract description 26
- 230000002262 irrigation Effects 0.000 claims abstract description 22
- 230000004720 fertilization Effects 0.000 claims abstract description 9
- 239000002689 soil Substances 0.000 claims description 80
- 241000607479 Yersinia pestis Species 0.000 claims description 43
- 241000238631 Hexapoda Species 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 26
- 235000015097 nutrients Nutrition 0.000 claims description 21
- 239000005416 organic matter Substances 0.000 claims description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 239000010902 straw Substances 0.000 claims description 11
- 239000000575 pesticide Substances 0.000 claims description 8
- 238000005507 spraying Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 abstract description 6
- 229940079593 drug Drugs 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 26
- 238000005192 partition Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000001575 pathological effect Effects 0.000 description 7
- 240000008042 Zea mays Species 0.000 description 5
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 5
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- -1 n Species 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- 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
- G06V10/70—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
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Abstract
本发明涉及智能监测管理技术领域，公开了基于机器学习的农田智能监测与作物管理系统，包括：质量监测模型α，在农田内部建立多个采集点（Q1，Q2，Q3，…，Qn），多个采集点Qn组成采集覆盖网Q（Q1，Q2，Q3，…，Qn），根据采集覆盖网Q（Q1，Q2，Q3，…，Qn）内农田以及农作物数据建立农田质量分布图D7以及农作物长势分布图D4，图像识别模型β，对农作物生长阶段进行识别，图像识别模型β配置于采集点Qn内，采集点Qn距离每个被测农作物的距离相同，本发明在农田内设置多个采集点组成采集矩阵，根据分布图不同区域长势以及病态的不同进行针对性灌溉、用药、施肥，平衡农田内作物长势，针对性的对不同区域的病态进行治理。
Description
技术领域
本发明涉及智能监测管理技术领域，具体为基于机器学习的农田智能监测与作物管理系统。
背景技术
农田智能监测与作物管理是利用现代信息技术，如人工智能、物联网、大数据、云计算等，对农业环境和农作物生长状况进行实时监测、分析和控制，从而提高农业生产效率和质量，降低成本和风险，实现农业现代化和数字化的一种方式。
现有的农田智能监测应用深度不够，在进行农田管理时大多通过各种数据对农作物环境进行分析，即对土壤、水气、光照、热量等环境因子进行连续监测，并利用电磁阀来实现远程控制的自动灌溉。
中国专利公告号CN114418251B公开了用于永久基本农田的智能监测系统及监测方法，该发明通过，自学习模块根据无人机对待监测基本农田边缘区域进行初步巡航建立待监测区域；巡航定制模块根据自学习模块获取的待监测区域与存储模块存储的当前基本农田区域获取的待监测区域相似度将待监测区域划分为若干待监测分区；中控模块根据待监测分区面积和不规则度获取待监测分区的复杂度，中控模块根据待监测分区的复杂度与预设复杂度相比较，选取无人机在当前待监测分区巡航停留时间；中控模块通过无人机获取当前待监测分区农田作物生长信息数据，与作物生长模型库预测当前农作物生长信息数据相比较，判定当前待监测分区的农田质量。
农田内农作物的生长环境较为复杂，同一片农田内的农作物依然会出现农作物生长的差别，而农田智能监测所监测的位置土壤、水气、光照、热量为单点位置，因此，通过土壤、水气、光照、热量等环境因子进行农田农作物灌溉状态的监测较为片面，农田内部的农作物所接收到的养分以及药物一致，无法改变农田内农作物长势、病态不一的情况。
发明内容
本发明的目的之一在于提供基于机器学习的农田智能监测与作物管理系统，通过对农田内部的作物以及土地进行多点监测，生成土地以及农作物的长势分布图，基于分布图实现对农作物的长势以及病态监测，以便于根据农作物的状态进行相应的管理操作。
为实现以上目的，本发明通过以下技术方案予以实现：基于机器学习的农田智能监测与作物管理系统，包括：
质量监测模型α，在农田内部建立多个采集点（Q 1 ，Q 2 ，Q 3 ，…，Q n ），多个采集点Q n 组成采集覆盖网Q（Q 1 ，Q 2 ，Q 3 ，…，Q n ），根据采集覆盖网Q（Q 1 ，Q 2 ，Q 3 ，…，Q n ）内农田以及农作物数据建立农田质量分布图D7以及农作物长势分布图D4，采集覆盖网Q（Q 1 ，Q 2 ，Q 3 ，…，Q n ）中配置多个灌溉节点S，灌溉节点S实现对农作物的灌溉、施肥以及喷药，灌溉节点S均为单节点分开控制；
图像识别模型β，对农作物生长阶段进行识别，图像识别模型β配置于采集点Q n 内，采集点Q n 距离每个被测农作物的距离相同，图像识别模型β采集被测农作物图像β 1 以及图像识别模型β周围农田地面投影；
补偿量计算模型，基于质量监测模型α以及图像识别模型β采集被测农作物图像β 1 以及图像识别模型β周围农田地面投影，计算每个采集点（Q 1 ，Q 2 ，Q 3 ，…，Q n ）的补偿量数据Y n ，并将补偿量数据Y n 反馈至各灌溉节点S。
在本发明一或多个实施方式中，采集点Q n 均匀分布于农田内，采集点Q n 均配置土壤监测设备对农田内土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 以及土壤温度数据P 6 进行采集，生成土壤质量数据包P a ，并将土壤质量数据包P a 传输至补偿量计算模型以及质量监测模型α。
在本发明一或多个实施方式中，土壤数据包在被传输至质量监测模型α进行农田质量分布图D7的绘制，绘制方法如下：
步骤一、生成多个农田缩小比例图纸，将采集点Q n 根据缩小比例生成于图纸中；
步骤二、将采集点Q n 中所采集土壤质量数据包P a 中的各项数据分别代入至不同图纸的采集点Q n 中；
步骤三、计算采集点Q n1 中数据影响区域阈值B并根据图纸中采集点Q n 数据以及采集点Q n 数据影响区域阈值B的不同生成分布图。
在本发明一或多个实施方式中，针对采集点Q n 中数据影响区域阈值B的计算如下：
；
其中，A C 为所计算采集点Q n1 数据，A n 为影响区域内第n个辅助采集点Q n2 数据，L为计算采集点Q n1 与辅助采集点Q n2 之间的距离，单位为厘米，计算采集点Q n1 与每个辅助采集点Q n2 的距离相同，在式中A C ＞A 1 、A 2 、…、 A n 。
在本发明一或多个实施方式中，质量监测模型α所生成的分布图包括：土壤含水量分布图D1、土壤养分分布图D2、有机质含量分布图D3以及土壤温度分布图D6，并将分布图传输至补偿量计算模型中，分布图中不同区域通过不同颜色标记，分界线位于不同区域之间。
在本发明一或多个实施方式中，图像识别模型β对于被测农作物的识别如下：
步骤一、获取天气信息数据、农田所处地理位置以及阳光照射角度；
步骤二、在阳光照射采集点Q n 位置时间区间内采集被测农作物图像β 1 ；
步骤三、对多个采集点Q n 内所采集的农作物图像β 1 进行对比，分析农作物长势；
步骤四、获取采集点Q n 在阳光照射时间区间内农作物投射在地面的阴影图像β 2 ，分析阴影图像β 2 中农作物状态；
步骤五、基于农作物长势以及土壤质量数据包P a 进行农田内不同采集点Q n 位置的农田质量数据，并生成农田质量分布图D7；
步骤六、基于农作物图像β 1 以及阴影图像β 2 分析农作物病虫害分布图D5；
步骤七、基于农作物长势分布图D4、病虫害分布图D5结合质量监测模型α所生成的分布图进行农田内部不同区域补偿量数据Y n 的计算；
步骤八、将补偿量数据Y n 计算结果传输至灌溉节点S。
在本发明一或多个实施方式中，采集点Q n 采集农作物图像β 1 时，太阳、被测农作物以及采集点Q n 形成的夹角为75°-30°之间，采集点Q n 采集阴影图像β 2 时，太阳、被测农作物以及采集点Q n 形成的夹角为75°-105°之间。
在本发明一或多个实施方式中，对比农作物图像β 1 作物长势，根据秸秆以及叶片尺寸分析，获取最大秸秆以及叶片尺寸，并计算每个农作物图像β 1 中秸秆以及叶片尺寸，计算公式如下：
；
其中，R n 为第n个采集点Q n 中农作物长势比例，E max 为最大农作物尺寸，E n 为第n个采集点Q n 中农作物尺寸，基于农作物长势比例数据生成农作物长势分布图D4。
在本发明一或多个实施方式中，对农作物图像β 1 以及阴影图像β 2 进行处理，图像识别模型β深度学习叶片投影，分析阴影图像β 2 中的孔洞以及叶片完整性，计算农作物图像β 1 中的病虫害程度值P 5 ，计算公式如下：
；
其中， t n 为第n采集点Q n 中绿色像素面积，t max 为采集点Q n 中区别于绿色像素面积，基于病虫害程度值P 5 获取病虫害分布图D5。
在本发明一或多个实施方式中，根据土壤含水量分布图D1、土壤养分分布图D2、有机质含量分布图D3、农作物长势分布图D4以及病虫害分布图D5中采集点Q n 所采集数据进行农田质量数据计算，计算公式如下：
；
其中，K n 为农田质量数据，M max 为5，P B-1 —P B-5 对应土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 、农作物长势比例P 4 或病虫害程度值P 5 的标准值，基于农田质量数据建立农田质量分布图D7；
根据农田质量数据计算每个采集点Q n 的补偿量数据Y n ，计算公式如下：
；
其中，P n 中n为1-5中一个数值，对应采集点Q n 土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 、农作物长势比例P 4 或病虫害程度值P 5 中一种，P B-n 中n为1-5中一个数值，对应土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 、农作物长势比例P 4 或病虫害程度值P 5 标准值中的一种。
通过上述技术方案。本发明具备以下有益效果：
1、本发明在农田内设置多个采集点组成采集矩阵，采集农田内的作物长势以及病态辐射情况，形成农作物长势分布图D4，从而能够根据分布图不同区域长势以及病态的不同进行针对性灌溉、用药、施肥，平衡农田内作物长势，针对性的对不同区域的病态进行治理。
2、在针对农田内部的作物进行多点监测时，根据作物多点的位置生成关于该农田作物长势以及病害情况分布图，根据分布图分析农作物的异常情况，能够针对性的对农作物生长期间所呈现的状态进行施肥以及打药计划的调整，提高对农作物管理的针对性。
3、针对农作物的生长状态进行定期采集，能够获取到不同区域农作物之间的生长差距，而对于土壤监测设备而言，所监测到的土壤区域有限，不能够兼顾农作物汲取营养的所有位置，因此，基于土壤监测设备以及农作物生长的状态能够获取到更深度的土壤信息。
4、通过对农田内部农作物状态以及土地状态监测的分布图能够对z整片土地内的状态进行监测，通过灌溉节点覆盖农田，根据不同灌溉节点中农作物的生长状态调整灌溉量以及药量，将农田内的农作物长势保持在一定的范围内，避免出现农田头尾出现长势不同的问题。
附图说明
图1为本发明的系统框图；
图2为本发明的农田质量分布图示意图；
图3为本发明的太阳照射角度示意图；
图4为本发明的采集点采集区域俯视图。
具体实施方式
以下将以附图揭露本发明的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明部分实施方式中，这些实务上的细节是非必要的。且若实施上为可能，不同实施例的特征是可以交互应用。
除非另有定义，本文所使用的所有词汇（包括技术和科学术语）具有其通常的意涵，其意涵能够被熟悉此领域者所理解。更进一步的说，上述的词汇在普遍常用的字典中的定义，在本说明书的内容中应被解读为与本发明相关领域一致的意涵。除非有特别明确定义，这些词汇将不被解释为理想化的或过于正式的意涵。
请参阅图1-图4，本发明提供基于机器学习的农田智能监测与作物管理系统，针对农田以及农作物状态生成农田质量以及农作物长势分布图D4，根据分布图中辐射程度的不同进行针对性的灌溉和用药。包括：
质量监测模型α，在农田内部建立多个采集点（Q 1 ，Q 2 ，Q 3 ，…，Q n ），多个采集点Q n 组成采集覆盖网Q（Q 1 ，Q 2 ，Q 3 ，…，Q n ），根据采集覆盖网Q（Q 1 ，Q 2 ，Q 3 ，…，Q n ）内农田以及农作物数据建立农田质量分布图D7以及农作物长势分布图D4，采集覆盖网Q（Q 1 ，Q 2 ，Q 3 ，…，Q n ）中配置多个灌溉节点S，灌溉节点S实现对农作物的灌溉、施肥以及喷药，灌溉节点S均为单节点分开控制；
图像识别模型β，对农作物生长阶段进行识别，图像识别模型β配置于采集点Q n 内，采集点Q n 距离每个被测农作物的距离相同，图像识别模型β采集被测农作物图像β 1 以及图像识别模型β周围农田地面投影；
补偿量计算模型，基于质量监测模型α以及图像识别模型β采集被测农作物图像β 1 以及图像识别模型β周围农田地面投影，计算每个采集点（Q 1 ，Q 2 ，Q 3 ，…，Q n ）的补偿量数据Y n ，并将补偿量数据Y n 反馈至各灌溉节点S。
在本实施例中，基于农作物长势以及农田数据进行相应的农田质量监测，能够避免采集点Q n 采集农田数据较为片面的问题，即农作物的根系系统较为复杂，农田内的养分数据、含水量数据受采集位置的影响，并不代表农作物根系所接触到的所有土地位置，而农田内的养分数据以及含水量数据直接影响到农作物的长势，因此，基于所采集的农田数据以及农作物长势能够更精准的进行农田数据的判断。
对于农作物的病虫害而言，往往会直接反映在农作物上，在出现病虫害的位置出现反常颜色，通常出现病虫害的位置会出现不属于农作物生长阶段的颜色，即在绿色叶片或秸秆上出现黄斑，再有就是农作物的叶片上出现的虫害呈现不同于绿色植株的害虫，在被虫害侵蚀的叶片也会出现虫洞、卷曲的情况，基于上述情况通过图像识别模型β进行农作物的识别。
而农作物长势不同则通过采集点Q n 与被测农作物距离相同来实现，通过定期进行农作物图像β 1 的采集，并对农作物长势进行对比，判断农作物的长势情况，根据农作物的长势以及农田质量进行灌溉、施肥或喷药作业。
在一种实施例中，采集点Q n 均匀分布于农田内，采集点Q n 均配置土壤监测设备对农田内土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 以及土壤温度数据P 6 进行采集，生成土壤质量数据包P a ，并将土壤质量数据包P a 传输至补偿量计算模型以及质量监测模型α。
在本实施例中，采集点Q n 配置土壤监测设备对农田数据进行监测，能够生成关于该采集点Q n 位置的土壤质量数据包P a ，能够根据数据包中各项关于土壤的数据进行土壤质量的计算，进而能够计算出土壤所欠缺的成分，以便于对该区域的土壤进行补偿。
在一种实施例中，土壤数据包在被传输至质量监测模型α进行农田质量分布图D7的绘制，绘制方法如下：
步骤一、生成多个农田缩小比例图纸，将采集点Q n 根据缩小比例生成于图纸中；
步骤二、将采集点Q n 中所采集土壤质量数据包P a 中的各项数据分别代入至不同图纸的采集点Q n 中；
步骤三、计算采集点Q n1 中数据影响区域阈值B并根据图纸中采集点Q n 数据以及采集点Q n 数据影响区域阈值B的不同生成分布图。
在本实施例中，根据土壤数据包内不同的数据来生成不同的分布图，能够计算不同数据的影响区域阈值B，进而能够针对不同采集点Q n 所采集的土壤数据包数据不同来进行相应的调整，以便于针对不同的成分对土壤质量进行控制，以保证农作物的长势稳定。
在一种实施例中，针对采集点Q n 中数据影响区域阈值B的计算如下：
；
其中，A C 为所计算采集点Q n1 数据，A n 为影响区域内第n个辅助采集点Q n2 数据，L为计算采集点Q n1 与辅助采集点Q n2 之间的距离，单位为厘米，计算采集点Q n1 与每个辅助采集点Q n2 的距离相同，在式中A C ＞A 1 、A 2 、…、 A n 。
在本实施例中，计算每个采集点Q n 数据的影响区域阈值B，能够分析在一厘米内采集点Q n 数据的变化，从而能够根据采集点Q n 数据的变化来进行影响区域的计算，进而能够根据采集点Q n 内数据变化的影响进行分布图位置的计算，从而能够完善采集点Q n 的周围分布图的界线边缘，生成较为精确的分界线。
在另外的实施例中，所计算采集点Q n1 朝向每个辅助采集点Q n2 的影响区域阈值B进行分别计算，即获取计算采集点Q n1 与辅助采集点Q n2 之间的数据差值并根据两采集点Q n 之间的距离，计算每厘米的数据变化，生成更为精确的分界线。
示例性的，计算平均影响区域阈值B如下表所示：
计算精准影响区域阈值B如下表所示：
在一种实施例中，质量监测模型α所生成的分布图包括：土壤含水量分布图D1、土壤养分分布图D2、有机质含量分布图D3以及土壤温度分布图D6，并将分布图传输至补偿量计算模型中，分布图中不同区域通过不同颜色标记，分界线位于不同区域之间。
在本实施例中，划分不同的区域，能够便于补偿量计算模型对分布图中不同位置的采集点Q n 进行识别，以便于针对分布图中不同区域的成分进行配置不同的针对性作业，而由于分区的存在，也能够根据分区位置来进行对应环境的分析。
在一种实施例中，图像识别模型β对于被测农作物的识别如下：
步骤一、获取天气信息数据、农田所处地理位置以及阳光照射角度；
步骤二、在阳光照射采集点Q n 位置时间区间内采集被测农作物图像β 1 ；
步骤三、对多个采集点Q n 内所采集的农作物图像β 1 进行对比，分析农作物长势；
步骤四、获取采集点Q n 在阳光照射时间区间内农作物投射在地面的阴影图像β 2 ，分析阴影图像β 2 中农作物状态；
步骤五、基于农作物长势以及土壤质量数据包P a 进行农田内不同采集点Q n 位置的农田质量数据，并生成农田质量分布图D7；
步骤六、基于农作物图像β 1 以及阴影图像β 2 分析农作物病虫害分布图D5；
步骤七、基于农作物长势分布图D4、病虫害分布图D5结合质量监测模型α所生成的分布图进行农田内部不同区域补偿量数据Y n 的计算；
步骤八、将补偿量数据Y n 计算结果传输至灌溉节点S。
在本实施例中，采集阳光照射时间内农作物图像β 1 以及阴影图像β 2 ，能够减少采集图像所产生的颜色差，而农作物在不同生长阶段时所呈现的颜色深度也具有一定的差异，因此，在阳光照射时间内进行图像采集，能够尽可能的减少外部环境的影响。
农作物在病虫害的不同阶段也会呈现在植株上，因此，进行阳光下图像的采集能够更容易识别植株中所出现异于正常颜色的变化，能够在早期被发现，从而确保在了能够在图像识别时的精准，而植株在不同的阶段会呈现不同的边缘化形状，因此，在农作物生长到一定阶段时，也能够根据阶段的过渡来进行长势的识别。
在一种实施例中，采集点Q n 采集农作物图像β 1 时，太阳、被测农作物以及采集点Q n 形成的夹角为75°-30°之间，采集点Q n 采集阴影图像β 2 时，太阳、被测农作物以及采集点Q n 形成的夹角为75°-105°之间。
在本实施例中，限定农作物图像β 1 以及阴影图像β 2 的采集角度，能够确保图像采集的质量，而农作物图像β 1 以及阴影图像β 2 的采集时间太阳位于不同的角度，能够将阴影的范围限制在一定范围内，从而能够保证阴影部分不会出现过大的形变。
随着季节的变化，太阳照射农作物所形成的影子长短存在差距，因此，冬天的太阳、被测农作物以及采集点Q n 所形成的夹角角度限制在80°-100°之间，避免冬天所采集的农作物影子过长。
在一种实施例中，对比农作物图像β 1 作物长势，根据秸秆以及叶片尺寸分析，获取最大秸秆以及叶片尺寸，并计算每个农作物图像β 1 中秸秆以及叶片尺寸，计算公式如下：
；
其中，R n 为第n个采集点Q n 中农作物长势比例，E max 为最大农作物尺寸，E n 为第n个采集点Q n 中农作物尺寸，基于农作物长势比例数据生成农作物长势分布图D4。
在本实施例中，生成农作物长势分布图D4能够获取农作物的长势，根据农作物的长势不同能够对应性的进行相应的作业处理，而基于农作物图像β 1 进行病虫害的识别，分析叶片、秸秆中的病虫害数据，从而能够获取到病虫害的信息，并对病虫害信息以及程度进行识别，分析病虫害的程度。
在一种实施例中，对农作物图像β 1 以及阴影图像β 2 进行处理，图像识别模型β深度学习叶片投影，分析阴影图像β 2 中的孔洞以及叶片完整性，计算农作物图像β 1 中的病虫害程度值P 5 ，计算公式如下：
；
其中， t n 为第n采集点Q n 中绿色像素面积，t max 为采集点Q n 中区别于绿色像素面积，基于病虫害程度值P 5 获取病虫害分布图D5。
计算病虫害程度值P 5 所获取的分布图能够得到病虫害的扩散区域，以便于针对性的对于病虫害进行控制，而分布图中不同区域的病虫害能够分析获取到病虫害的始发生区域，以便于能够对病虫害的原因进行分析，而农作物图像β 1 中区别于绿色像素的面积越大，则病虫害程度值P 5 越大。
对于阴影图像β 2 的分析，采集一段时间内的阴影图像β 2 ，并分析阴影中的图像信息，示例性的，拿玉米叶片距离，玉米叶片为长条状，且边缘位置呈弧线形，且弧度较小，在叶梢位置为弧线相连接出，而病虫害时的玉米叶片会呈现卷曲状，且叶片不满孔洞，因此，在进行阴影图像β 2 识别时，识别区别于正常叶片投影，叶片内部具有孔洞即能够分析病虫害，结合农作物图像β 1 中所计算的病虫害程度值P 5 能够更好的分析。
在一种实施例中，根据土壤含水量分布图D1、土壤养分分布图D2、有机质含量分布图D3、农作物长势分布图D4以及病虫害分布图D5中采集点Q n 所采集数据进行农田质量数据计算，计算公式如下：
；
其中，K n 为农田质量数据，M max 为5，P B-1 —P B-5 对应土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 、农作物长势比例P 4 或病虫害程度值P 5 的标准值，基于农田质量数据建立农田质量分布图D7；
根据农田质量数据计算每个采集点Q n 的补偿量数据Y n ，计算公式如下：
；
其中，P n 中n为1-5中一个数值，对应采集点Q n 土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 、农作物长势比例P 4 或病虫害程度值P 5 中一种，P B-n 中n为1-5中一个数值，对应土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 、农作物长势比例P 4 或病虫害程度值P 5 标准值中的一种。
在本实施例中，通过计算不同成分的补偿量数据Y n ，能够分析每个区域位置的补偿量，从而能够通过灌溉节点S对农田进行灌溉，确保农田中所缺失的部分能够被补偿，而病虫害程度值P 5 依据农药的喷洒来进行治理，病虫害程度值P 5 的补偿量越高，则农药的药量越多。
针对不同分区进行农田的智能监测以及农作物的管理，能够做到针对用药，且不同分区进行分别补偿，能够进一步的保证农田内的各种成分处于平衡状态，使农田内的农作物保持在健康的长势内。
示例性的，采集点农田质量数据如下表所示：
综上所述，本发明上述实施方式所揭露的技术方案至少具有以下优点：
1、本发明在农田内设置多个采集点Q n 组成采集矩阵，采集农田内的作物长势以及病态辐射情况，形成农作物长势分布图D4，从而能够根据分布图不同区域长势以及病态的不同进行针对性灌溉、用药、施肥，平衡农田内作物长势，针对性的对不同区域的病态进行治理。
2、在针对农田内部的作物进行多点监测时，根据作物多点的位置生成关于该农田作物长势以及病害情况分布图，根据分布图分析农作物的异常情况，能够针对性的对农作物生长期间所呈现的状态进行施肥以及打药计划的调整，提高对农作物管理的针对性。
3、针对农作物的生长状态进行定期采集，能够获取到不同区域农作物之间的生长差距，而对于土壤监测设备而言，所监测到的土壤区域有限，不能够兼顾农作物汲取营养的所有位置，因此，基于土壤监测设备以及农作物生长的状态能够获取到更深度的土壤信息。
4、通过对农田内部农作物状态以及土地状态监测的分布图能够对整片土地内的状态进行监测，通过灌溉节点S覆盖农田，根据不同灌溉节点S中农作物的生长状态调整灌溉量以及药量，将农田内的农作物长势保持在一定的范围内，避免出现农田头尾出现长势不同的问题。
虽然结合以上实施方式公开了本发明，然而其并非用以限定本发明，任何熟悉此技艺者，在不脱离本发明的精神和范围内，可作各种的更动与润饰，因此本发明的保护范围应当以所附的权利要求所界定的为准。
Claims (3)
1.基于机器学习的农田智能监测与作物管理系统，其特征在于，包括：
质量监测模型α，在农田内部建立多个采集点（Q 1 ，Q 2 ，Q 3 ，…，Q n ），多个采集点Q n 组成采集覆盖网Q（Q 1 ，Q 2 ，Q 3 ，…，Q n ），根据采集覆盖网Q（Q 1 ，Q 2 ，Q 3 ，…，Q n ）内农田以及农作物数据建立农田质量分布图D7以及农作物长势分布图D4，采集覆盖网Q（Q 1 ，Q 2 ，Q 3 ，…，Q n ）中配置多个灌溉节点S，灌溉节点S实现对农作物的灌溉、施肥以及喷药，灌溉节点S均为单节点分开控制；
图像识别模型β，对农作物生长阶段进行识别，图像识别模型β配置于采集点Q n 内，采集点Q n 距离每个被测农作物的距离相同，图像识别模型β采集被测农作物图像β 1 以及图像识别模型β周围农田地面投影；
补偿量计算模型，基于质量监测模型α以及图像识别模型β采集农作物图像β 1 以及图像识别模型β周围农田地面投影，计算每个采集点（Q 1 ，Q 2 ，Q 3 ，…，Q n ）的补偿量数据Y n ，并将补偿量数据Y n 反馈至各灌溉节点S；
采集点Q n 均匀分布于农田内，采集点Q n 均配置土壤监测设备对农田内土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 以及土壤温度数据P 6 进行采集，生成土壤质量数据包P a ，并将土壤质量数据包P a 传输至补偿量计算模型以及质量监测模型α；
质量监测模型α所生成的分布图包括：土壤含水量分布图D1、土壤养分分布图D2、有机质含量分布图D3以及土壤温度分布图D6，并将分布图传输至补偿量计算模型中，分布图中不同区域通过不同颜色标记，分界线位于不同区域之间；
对比农作物图像β 1 作物长势，根据秸秆以及叶片尺寸分析，获取最大秸秆以及叶片尺寸，并计算每个农作物图像β 1 中秸秆以及叶片尺寸，计算公式如下：
；
其中，R n 为第n个采集点Q n 中农作物长势比例，E max 为最大农作物尺寸，E n 为第n个采集点Q n 中农作物尺寸，基于农作物长势比例数据生成农作物长势分布图D4；
对农作物图像β 1 以及阴影图像β 2 进行处理，图像识别模型β深度学习叶片投影，分析阴影图像β 2 中的孔洞以及叶片完整性，计算农作物图像β 1 中的病虫害程度值P 5 ，计算公式如下：
；
其中， t n 为第n采集点Q n 中绿色像素面积，t max 为采集点Q n 中区别于绿色像素面积，基于病虫害程度值P 5 获取病虫害分布图D5；
根据土壤含水量分布图D1、土壤养分分布图D2、有机质含量分布图D3、农作物长势分布图D4以及病虫害分布图D5中采集点Q n 所采集数据进行农田质量数据计算，计算公式如下：
；
其中，K n 为农田质量数据，M max 为5，P B-1 —P B-5 对应土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 、农作物长势比例P 4 或病虫害程度值P 5 的标准值，基于农田质量数据建立农田质量分布图D7；
根据农田质量数据计算每个采集点Q n 的补偿量数据Y n ，计算公式如下：
；
其中，P n 中n为1-5中一个数值，对应采集点Q n 土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 、农作物长势比例P 4 或病虫害程度值P 5 中一种，P B-n 中n为1-5中一个数值，对应土壤含水量数据P 1 、土壤养分数据P 2 、有机质含量数据P 3 、农作物长势比例P 4 或病虫害程度值P 5 标准值中的一种。
2.根据权利要求1所述的基于机器学习的农田智能监测与作物管理系统，其特征在于，图像识别模型β对于被测农作物的识别如下：
步骤一、获取天气信息数据、农田所处地理位置以及阳光照射角度；
步骤二、在阳光照射采集点Q n 位置时间区间内采集被测农作物图像β 1 ；
步骤三、对多个采集点Q n 内所采集的农作物图像β 1 进行对比，分析农作物长势；
步骤四、获取采集点Q n 在阳光照射时间区间内农作物投射在地面的阴影图像β 2 ，分析阴影图像β 2 中农作物状态；
步骤五、基于农作物长势以及土壤质量数据包P a 进行农田内不同采集点Q n 位置的农田质量数据，并生成农田质量分布图D7；
步骤六、基于农作物图像β 1 以及阴影图像β 2 分析农作物病虫害分布图D5；
步骤七、基于农作物长势分布图D4、病虫害分布图D5结合质量监测模型α所生成的分布图进行农田内部不同区域补偿量数据Y n 的计算；
步骤八、将补偿量数据Y n 计算结果传输至灌溉节点S。
3.根据权利要求2所述的基于机器学习的农田智能监测与作物管理系统，其特征在于，采集点Q n 采集农作物图像β 1 时，太阳、被测农作物以及采集点Q n 形成的夹角为75°-30°之间，采集点Q n 采集阴影图像β 2 时，太阳、被测农作物以及采集点Q n 形成的夹角为75°-105°之间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311568864.9A CN117274828B (zh) | 2023-11-23 | 2023-11-23 | 基于机器学习的农田智能监测与作物管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311568864.9A CN117274828B (zh) | 2023-11-23 | 2023-11-23 | 基于机器学习的农田智能监测与作物管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274828A CN117274828A (zh) | 2023-12-22 |
| CN117274828B true CN117274828B (zh) | 2024-02-02 |
Family
ID=89209109
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311568864.9A Active CN117274828B (zh) | 2023-11-23 | 2023-11-23 | 基于机器学习的农田智能监测与作物管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274828B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11313594A (ja) * | 1998-04-30 | 1999-11-16 | Omron Corp | 農作業決定支援装置および方法、並びに記録媒体 |
| CN106815587A (zh) * | 2015-11-30 | 2017-06-09 | 浙江宇视科技有限公司 | 图像处理方法及装置 |
| CN109596533A (zh) * | 2018-12-18 | 2019-04-09 | 北京航天泰坦科技股份有限公司 | 一种基于无人机高光谱数据的马铃薯种植管理方法 |
| CN109886207A (zh) * | 2019-02-25 | 2019-06-14 | 上海交通大学 | 基于图像风格迁移的广域监测系统及方法 |
| CN110514245A (zh) * | 2019-09-05 | 2019-11-29 | 广州图测智能科技有限公司 | 一种基于时空大数据的智慧农业质量安全监管系统及方法 |
| CN112419356A (zh) * | 2020-12-08 | 2021-02-26 | 江苏科技大学 | 一种大棚中小树种植生长检测和记录方法及其装置 |
| WO2021147300A1 (zh) * | 2020-01-22 | 2021-07-29 | 中国农业机械化科学研究院 | 一种多源异构农田大数据产量预测方法、系统与装置 |
| CN113269690A (zh) * | 2021-05-27 | 2021-08-17 | 山东大学 | 一种叶片病变区域检测方法及系统 |
| CN114418251A (zh) * | 2022-04-01 | 2022-04-29 | 北京新兴科遥信息技术有限公司 | 用于永久基本农田的智能监测系统及监测方法 |
| CN114926732A (zh) * | 2022-04-12 | 2022-08-19 | 北京艾尔思时代科技有限公司 | 一种多传感器融合的农作物深度学习识别方法及系统 |
| KR20220118010A (ko) * | 2021-02-18 | 2022-08-25 | 한국전자통신연구원 | 그림자 영역 검출을 위한 학습 장치 및 학습 방법 |
| CN116030343A (zh) * | 2022-12-14 | 2023-04-28 | 宁夏农林科学院农作物研究所（宁夏回族自治区农作物育种中心） | 一种基于机器视觉识别的农作物病虫害监管系统 |
| CN116258643A (zh) * | 2023-01-17 | 2023-06-13 | 中南民族大学 | 图像阴影消除方法、装置、设备及存储介质 |
| US11763916B1 (en) * | 2019-04-19 | 2023-09-19 | X Development Llc | Methods and compositions for applying machine learning to plant biotechnology |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016049102A (ja) * | 2014-08-29 | 2016-04-11 | 株式会社リコー | 圃場管理システム、圃場管理方法、プログラム |
| CA3125794A1 (en) * | 2019-02-06 | 2020-08-13 | Farmers Edge Inc. | Shadow and cloud masking for agriculture applications using convolutional neural networks |
| US20230091677A1 (en) * | 2021-09-17 | 2023-03-23 | 6th Grain Corporation | Monitoring and intelligence generation for farm field |
| CN114600751A (zh) * | 2022-03-23 | 2022-06-10 | 西安建筑科技大学 | 一种基于计算机视觉监测的灌溉系统及方法 |
-
2023
- 2023-11-23 CN CN202311568864.9A patent/CN117274828B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11313594A (ja) * | 1998-04-30 | 1999-11-16 | Omron Corp | 農作業決定支援装置および方法、並びに記録媒体 |
| CN106815587A (zh) * | 2015-11-30 | 2017-06-09 | 浙江宇视科技有限公司 | 图像处理方法及装置 |
| CN109596533A (zh) * | 2018-12-18 | 2019-04-09 | 北京航天泰坦科技股份有限公司 | 一种基于无人机高光谱数据的马铃薯种植管理方法 |
| CN109886207A (zh) * | 2019-02-25 | 2019-06-14 | 上海交通大学 | 基于图像风格迁移的广域监测系统及方法 |
| US11763916B1 (en) * | 2019-04-19 | 2023-09-19 | X Development Llc | Methods and compositions for applying machine learning to plant biotechnology |
| CN110514245A (zh) * | 2019-09-05 | 2019-11-29 | 广州图测智能科技有限公司 | 一种基于时空大数据的智慧农业质量安全监管系统及方法 |
| WO2021147300A1 (zh) * | 2020-01-22 | 2021-07-29 | 中国农业机械化科学研究院 | 一种多源异构农田大数据产量预测方法、系统与装置 |
| CN112419356A (zh) * | 2020-12-08 | 2021-02-26 | 江苏科技大学 | 一种大棚中小树种植生长检测和记录方法及其装置 |
| KR20220118010A (ko) * | 2021-02-18 | 2022-08-25 | 한국전자통신연구원 | 그림자 영역 검출을 위한 학습 장치 및 학습 방법 |
| CN113269690A (zh) * | 2021-05-27 | 2021-08-17 | 山东大学 | 一种叶片病变区域检测方法及系统 |
| CN114418251A (zh) * | 2022-04-01 | 2022-04-29 | 北京新兴科遥信息技术有限公司 | 用于永久基本农田的智能监测系统及监测方法 |
| CN114926732A (zh) * | 2022-04-12 | 2022-08-19 | 北京艾尔思时代科技有限公司 | 一种多传感器融合的农作物深度学习识别方法及系统 |
| CN116030343A (zh) * | 2022-12-14 | 2023-04-28 | 宁夏农林科学院农作物研究所（宁夏回族自治区农作物育种中心） | 一种基于机器视觉识别的农作物病虫害监管系统 |
| CN116258643A (zh) * | 2023-01-17 | 2023-06-13 | 中南民族大学 | 图像阴影消除方法、装置、设备及存储介质 |
Non-Patent Citations (9)
| Title |
|---|
| A Survey on IoT Based Agricultural Crop Growth Monitoring and Quality Control;Jayvant Devare等;2019 International Conference on Communication and Electronics Systems (ICCES);第1624-1630页 * |
| 典型农田用地管理方式下东北黑土区益害昆虫关系及生物多样性格局研究;刘金文;中国博士学位论文全文数据库 基础科学辑(第01期);第A006-372页 * |
| 农业大棚空气温湿度智能控制系统设计;胡保玲等;兰州文理学院学报(自然科学版);第37卷(第05期);第68-74页 * |
| 农作物-农田环境系统关键信息采集规范研究与应用;何绮云等;中国农学通报;第28卷(第06期);第288-292页 * |
| 农田建设现场巡查管理简易工具的实现方法;周劲松;中国农业综合开发;第38-40页 * |
| 基于GIS的农田管理信息系统研究;张浩等;农业网络信息(第06期);第14-17页 * |
| 基于多光谱影像的县域农田质量信息提取与快速评价;赵丹;中国优秀硕士学位论文全文数据库农业科技辑(第01期);第D043-10页 * |
| 基于无人机遥感影像的收获期后残膜识别方法;吴雪梅等;农业机械学报;第51卷(第08期);第189-195页 * |
| 基于高光谱参数的竹叶叶绿素质量分数估算模型;李恒凯;欧彬;刘雨婷;;东北林业大学学报;第45卷(第05期);第44-48页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274828A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100416590C (zh) | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 | |
| Krishnan et al. | Robotics, IoT, and AI in the automation of agricultural industry: a review | |
| CN111488017A (zh) | 基于物联网的智慧农业管理控制系统 | |
| CN109191074A (zh) | 智慧果园种植管理系统 | |
| CN102708289B (zh) | 一种基于冬小麦种植制度利用中分辨率卫星数据提取黄淮平原区冬小麦种植面积的方法 | |
| CN115204689B (zh) | 一种基于图像处理的智慧农业管理系统 | |
| CN111504371A (zh) | 大数据服务系统 | |
| CN104764533A (zh) | 基于无人机图像采集和红外热像仪的智能农业系统 | |
| Joshi et al. | Plant leaf disease detection and control: A survey | |
| CN112335631A (zh) | 一种大棚种植用病虫害监测调控系统 | |
| CN112699729A (zh) | 一种无人机察打一体除草方法 | |
| Avigal et al. | Learning seed placements and automation policies for polyculture farming with companion plants | |
| Xu et al. | Research and application on corn crop identification and positioning method based on Machine vision | |
| CN103226709B (zh) | 一种美国白蛾幼虫网幕图像识别方法 | |
| CN114740930A (zh) | 用于温室大棚智能管控平台系统及管控处理方法 | |
| Mortensen et al. | The oil radish growth dataset for semantic segmentation and yield estimation | |
| Zhangzhong et al. | Development of an evapotranspiration estimation method for lettuce via mobile phones using machine vision: Proof of concept | |
| Yi et al. | Exploring the potential of UAV imagery for variable rate spraying in cotton defoliation application | |
| CN117274828B (zh) | 基于机器学习的农田智能监测与作物管理系统 | |
| CN112640870A (zh) | 一种基于植保无人机的病虫害防治系统及方法 | |
| CN115424151A (zh) | 一种基于图像处理的农业智能平台 | |
| CN113361377A (zh) | 一种植物生长管控模型构建方法、电子设备、存储介质 | |
| Evans | Maximum potato yield in the United Kingdom | |
| LU502599B1 (en) | Intelligent agricultural management system based on image processing | |
| CN117281016B (zh) | 基于无人机遥感的间作系统的灌溉决策方法、装置和系统 |
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 |