CN117352083B - 一种基于物联网技术的土壤精准施肥方法 - Google Patents
一种基于物联网技术的土壤精准施肥方法 Download PDFInfo
- Publication number
- CN117352083B CN117352083B CN202311271024.6A CN202311271024A CN117352083B CN 117352083 B CN117352083 B CN 117352083B CN 202311271024 A CN202311271024 A CN 202311271024A CN 117352083 B CN117352083 B CN 117352083B
- Authority
- CN
- China
- Prior art keywords
- growth
- soil
- image
- crop
- fertilizer
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 161
- 230000004720 fertilization Effects 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000005516 engineering process Methods 0.000 title claims abstract description 16
- 239000003337 fertilizer Substances 0.000 claims abstract description 189
- 238000003892 spreading Methods 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 239000000618 nitrogen fertilizer Substances 0.000 description 15
- 241000196324 Embryophyta Species 0.000 description 10
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 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
- 238000012271 agricultural production Methods 0.000 description 5
- 235000005822 corn Nutrition 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 229910052757 nitrogen Inorganic materials 0.000 description 4
- 239000011574 phosphorus Substances 0.000 description 4
- 229910052698 phosphorus Inorganic materials 0.000 description 4
- 239000011591 potassium Substances 0.000 description 4
- 229910052700 potassium Inorganic materials 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- MMDJDBSEMBIJBB-UHFFFAOYSA-N [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] Chemical compound [O-][N+]([O-])=O.[O-][N+]([O-])=O.[O-][N+]([O-])=O.[NH6+3] MMDJDBSEMBIJBB-UHFFFAOYSA-N 0.000 description 1
- 238000005904 alkaline hydrolysis reaction Methods 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000009360 aquaculture Methods 0.000 description 1
- 244000144974 aquaculture Species 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- -1 organic matters Substances 0.000 description 1
- 230000033116 oxidation-reduction process Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000002688 soil aggregate Chemical group 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- 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
- G06Q50/06—Energy or water supply
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Crystallography & Structural Chemistry (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Agronomy & Crop Science (AREA)
- Chemical & Material Sciences (AREA)
- Soil Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Animal Husbandry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Environmental Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Marine Sciences & Fisheries (AREA)
Abstract
本发明公开了一种基于物联网技术的土壤精准施肥方法，包括：通过土质检测仪采集其对应位置上的土壤状态参数，通过无人机采集农田作物的生长图像；将土壤状态参数以及生长图像并上传至云端平台；分别建立土壤状态参数以及生长图像在二维平面上的位置对应关系；基于任意位置上作物的生长图像对作物的生长状态进行分析确定作物的肥耗需求，并基于土壤状态参数确定肥料缺口；基于各处位置所对应的肥料缺口制定对应的施肥策略，并将施肥策略下发至撒肥设备执行。本发明能够通过物联网实现对土壤数据、作物情况的自动采集以及分析工作，并基于作物的类型以及生长状态预测其对应土壤成分的缺失情况，最终实现对土壤进行针对性的精准施肥工作。
Description
技术领域
本发明属于农业规划技术领域，具体涉及一种基于物联网技术的土壤精准施肥方法。
背景技术
智慧农业主要是利用信息化的管理方式开展农业生产经营。在生产环节，通过“35”技术可以及时获取感知农作物生产的环境因素如湿度、温度等，并通过“物物相联”自动调节生产条件、干预生产过程，从而有效提高农产品质量、提高农业生产效率和竞争力。在传统农业生产过程中，因人口原因逐渐扩大开垦面积，导致很多地区出现资源过度开发现象，影响生态环境，严重的还会出现水土流失等问题。
由于实际灌溉利用率并不高，农业生产使用水资源在我国水资源消耗中占比较大。通过发展智慧农业，实现对农业生产过程的精准化管理，可以显著提高各类生产资源的配置水平和应用效果，对保护生态环境、节约水资源具有重要意义。目前我国智慧农业的发展还处于探索和起步阶段，各地在温室种植、畜牧及水产养殖等领域进行了诸多成功的示范应用，也积累了一定的经验。但总体上，我国智慧农业相关技术与设备并不完善。
在智慧农业的布局过程当中，基于智慧农业的土壤精准施肥方法是一个值得深入研究的课题，传统的智慧农业往往根据土壤中成分的含量来判断作物是否出现缺肥的情况，并及时对土壤进行施肥作业，但是却缺少一种能够自动判断作物的种类以及生长状态并预测土壤成分的缺失情况，最终来实现对土壤进行针对性的精准施肥工作的方法。
发明内容
有鉴于此，本发明的目的在于提出了一种基于物联网技术的土壤精准施肥方法，能够通过物联网实现对土壤数据、作物情况的自动采集以及分析工作，并基于作物的类型以及生长状态预测其对应土壤成分的缺失情况，最终实现对土壤进行针对性的精准施肥工作。
为达到上述目的，本发明提供如下技术方案：
本发明所提供的一种基于物联网技术的土壤精准施肥方法，包括：
通过分布在农田各处的土质检测仪采集其对应位置上的土壤状态参数，并通过无人机采集农田各处位置上作物的生长图像；
通过预设的物联网端口分别获取所采集的土壤状态参数以及生长图像并上传至云端平台；
通过云端分析平台分别建立土壤状态参数以及生长图像在二维平面上的位置对应关系，并生成观测模型；
基于观测模型任意位置上作物的生长图像对作物的生长状态进行分析确定作物的肥耗需求，并基于该位置上的土壤状态参数确定肥料缺口；
通过云端平台基于各处位置所对应的肥料缺口制定对应的施肥策略，并将施肥策略下发至撒肥设备执行。
优选的，通过云端分析平台分别建立土壤状态参数以及生长图像在二维平面上的位置对应关系，并生成观测模型包括：
预先建立二维平面坐标系，确定土壤参数所对应土质检测仪在二维平面坐标系上所对应的坐标参数，并基于坐标参数将土壤状态参数在二维平面坐标系上进行标注；
获取无人机所采集的生长图像以及无人机在采集生长图像的飞行过程当中的位置定位信息，基于时间线确定所采集的生长图像与位置定位信息的对应关系并利用生长图像在二维平面坐标系上相对应位置进行标注；
基于二维平面坐标系所标注的土壤状态参数以及生长图像生成观测模型。
优选的，基于观测模型任意位置上作物的生长图像对作物的生长状态进行分析确定作物的肥耗需求包括：
对生长图像中的作物图像进行分割并提取作物特征，并根据作物特征基于预设的作物特征对比库进行生长图像中作物类型的识别，确定作物类型；
基于所提取的作物特征以及生长图像的拍摄角度，测量并计算作物的植株高度、叶数、叶长、叶宽、叶间距以及花期状态作为作物的生长状态特征集合；
将生长状态特征集合与预设的该作物类型在各个生长阶段的理想生长状态特征集合分别进行匹配，确定匹配度最高的理想生长状态特征集合所对应的生长阶段；
确定该生长阶段所映射存储的作物对各种肥料的肥耗需求。
优选的，对生长图像中的作物图像进行分割包括：
通过颜色分割获得生长图像中的绿色区域，在分割过程当中利用3个颜色矩阵扫描采用RGB模型的生长图像，将图像中G分量小于R分量或者B分量的像素点进行删除，得到第一类图像；
对第一类图像进行平滑处理，在进行平滑处理的过程当中，对于第一类图像中的每一个像素点，通过以下公式计算该像素点在第一类图像中的平滑度：
其中，Smooth(i)表示像素点i在第一类图像中的平滑度，D表示以像素点i为中心的一个固定大小的图像区域，K表示区域D中的像素总数量，j表示区域D中第j个不为i的像素点，ψ()表示取像素点对应的R，G，B分量值，μ表示平滑度修正系数；
对第一类图像中平滑度高于预设的第一阈值的像素点进行删除，得到第二类图像；
对第二类图像进行边界腐蚀处理后，对于图像中存在的任意一个G分量非零的第一类像素点，检查该第一类像素点周围的8个相邻像素点，并确定其中G分量非零的相邻像素点与该第一类像素点之间形成一个连通域，从而将第二类图像分割成多个连通域；
设定第二阈值并统计每个连通域内G分量非零的像素点个数，对第二类图像中G分量非零的像素点个数小于第二阈值的连通域进行删除，得到第二类图像存在的多个保留区域；
对生长图像进行基于第二类图像的位置对应关系，并对生长图像中对应保留区域的像素点进行保留，得到第三类图像；
基于第三类图像进行膨胀处理并确定膨胀处理后的图像轮廓，基于图像轮廓对生长图像进行切割，得到作物图像。
优选的，基于生长图像对作物的生长状态进行分析确定作物的肥耗需求还包括：
对生长图像中的作物图像进行分割，并计算生长图像中作物叶面的生长密度；
基于历史数据计算作物生长密度的变化速率以及不同生长密度情况下作物对土壤中各种肥料的消耗速率，并拟合随生长密度变化的作物对土壤中各种肥料的消耗速率的第一函数曲线；
基于作物的生长密度的变化速率预测作物在预设的第一时间段后的第二生长密度；
基于第二生长密度以及第一函数曲线计算第二生长密度下作物对土壤中各种肥料的消耗速率；
基于当前生长密度下作物对土壤中各种肥料的消耗速率至第二生长密度下作物对土壤中各种肥料的消耗速率做定积分计算，得到作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量。
优选的，通过云端平台基于各处位置所对应作物的肥料缺口制定对应的施肥策略，并将施肥策略下发至撒肥设备执行包括：
基于云端平台预先存储的作物数据库，查找确定当前所种植的作物类型在各个生长阶段当中对各种肥料的最优区间，其中，当土壤中任意一种肥料处于其对应的最优区间内时，该种类型的作物不会因该种肥料的含量高低出现异常生长情况；
基于当前所种植的作物类型在各个生长阶段当中对各种肥料的最优区间，以及作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量，建立以任意位置在第一时间段内土壤内所对应的任意一种肥料始终处于最优区间为目标约束，以第一时间段的长度为优化目标的优化模型；
对优化模型求解得到第二时间段，并根据第二时间段确定该位置进行施肥工作的绝限期；
确定预设的一个工作区块内多个位置点各自对应的绝限期，选取绝限期最近的一个时间点作为该工作区块进行下一次施肥工作的第一时间点；
基于优化模型，预测计算该工作区块内各个位置在第一时间点时土壤中各种肥料的剩余含量，并按照最优区间确定各处位置的最大肥料缺口数据；
基于最大肥料缺口数据以及第一时间点构建施肥策略并下发至撒肥设备执行。
优选的，撒肥设备在执行施肥策略时包括以下步骤：
获取云端平台下发的施肥策略，根据施肥策略确定第一时间点为其所对应的工作区块的施肥作业时间点；
根据撒肥设备所绑定的多个工作区块，确定每个工作区块各自对应的施肥作业时间点；
对于施肥作业时间点最近的一个工作区块，基于施肥策略确定该工作区块内各处位置的最大肥料缺口数据，统计确定撒肥设备在进行区块撒肥时对各种肥料的携带需求并进行分类携带；
撒肥设备在进行撒肥作业的过程中路过任意一个位置时，基于该位置的最大肥料缺口数据确定对各种肥料的播撒量，并在分别基于播撒量进行各种肥料的定量掺入、混合、搅拌均匀工作后通过播撒装置进行播撒。
本发明至少取得了以下有益效果：
1.能够通过物联网实现对土壤数据、作物情况的自动采集以及分析工作，并基于作物的类型以及生长状态预测其对应土壤成分的缺失情况，最终实现对土壤进行针对性的精准施肥工作。
2.利用作物的生长状态特征实现了对作物生长阶段的简单识别，并根据预设的关于作物生长阶段与作物所需吸收的肥料类型，确定作物在当前状态下对各种肥料的需求状况，方便后面对作物进行针对性施肥量的计算。
3.实现了对生长图像中作物图像的准确分割，并且成功将生长图像中的杂草图像进行辨别以及删除工作。
4.实现了对不同生长密度下肥料的消耗速率的计算，并基于生长密度的变化速率对土壤中各种肥料的消耗速率做定积分计算，最终得到作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量的预测结果。
本发明的其他优点、目标和特征将在随后的说明书中进行阐述，并且在某种程度上对本领域技术人员而言是显而易见的，或者本领域技术人员可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明实施例中一种基于物联网技术的土壤精准施肥方法的步骤流程图；
图2为本发明实施例中施肥策略生成的步骤流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明所提供的一种基于物联网技术的土壤精准施肥方法，参照图2，包括：
步骤S1、通过分布在农田各处的土质检测仪采集其对应位置上的土壤状态参数，并通过无人机采集农田各处位置上作物的生长图像；
步骤S2、通过预设的物联网端口分别获取所采集的土壤状态参数以及生长图像并上传至云端平台；
步骤S3、通过云端分析平台分别建立土壤状态参数以及生长图像在二维平面上的位置对应关系，并生成观测模型；
步骤S4、基于观测模型任意位置上作物的生长图像对作物的生长状态进行分析确定作物的肥耗需求，并基于该位置上的土壤状态参数确定肥料缺口，其中，本申请中所提到的肥料、肥、肥力等等都只是方便于理解，在具体实施过程当中主要还是表现为具体的土壤成分；
步骤S5、通过云端平台基于各处位置所对应的肥料缺口制定对应的施肥策略，并将施肥策略下发至撒肥设备执行，其中，撒肥设备只是一种较为容易理解的撒肥技术手段，在本发明的具体实施过程当中，包括但不限于撒肥车撒肥、无人机撒肥、水肥一体化撒肥设备等等。
上述技术方案的工作原理和有益效果为：通过分布在农田各处的土质检测仪采集其对应位置上的土壤状态参数，并通过无人机采集农田各处位置上作物的生长图像，从而实现对土壤内各种成分的含量的检测采集工作以及对作物生长情况的采集工作；通过预设的物联网端口分别获取所采集的土壤状态参数以及生长图像并上传至云端平台，实现对数据的自动采集工作；通过云端分析平台分别建立土壤状态参数以及生长图像在二维平面上的位置对应关系，并生成观测模型，在观测模型上能够确定任意位置坐标的土壤状态参数以及其上生长的作物的生长图像；云端平台自动基于观测模型任意位置上作物的生长图像对作物的生长状态进行分析确定作物的肥耗需求，并基于该位置上的土壤状态参数确定肥料缺口，从而能够基于作物的生长状态进行基于土壤状态参数的精准施肥；通过云端平台基于各处位置所对应的肥料缺口制定对应的施肥策略，从而确定针对任意的一个地点确定其土壤内某项成分的缺失并进行针对性的施肥，并将施肥策略下发至撒肥设备执行。本发明能够通过物联网实现对土壤数据、作物情况的自动采集以及分析工作，并基于作物的类型以及生长状态预测其对应土壤成分的缺失情况，从而实现对土壤进行针对性的精准施肥工作，实现数据采集、分析、施肥工作的智能化、一体化。
在一个优选实施例种，土质检测仪包括但不限于以下种类：
土壤墒情检测仪：用于检测土壤温度、水分、盐分、PH等原位测量；土壤养分检测仪：用于检测土壤中氮磷钾、有机质、中微量元素等；氧化还原电位仪：用于现场原位测试新鲜或湿润土壤的氧化还原电位；紧实度测定仪：紧实的土壤可阻止水分的渗入，检测土壤紧实度；土壤有机碳检测仪：土壤有机碳的测定；高智能测土配方施肥仪：用于测土壤水分、pH、含盐量、铵态氮、有效磷、速效钾、有机质。可扩展检测：土壤：碱解氮、硝态氮、有效钙、有效镁、有效硫、有效铁、有效锰、有效硼、有效锌、有效铜、有效氯、有效硅、全氮、全磷、全钾；土壤团粒结构分析仪：适用于土壤，环境，地遥，地质水土流失等实验室对团聚体的分析。通过上述土质检测仪实现对土壤的全方位检测。
在一个优选实施例中，通过云端分析平台分别建立土壤状态参数以及生长图像在二维平面上的位置对应关系，并生成观测模型包括：
预先建立二维平面坐标系，确定土壤参数所对应土质检测仪在二维平面坐标系上所对应的坐标参数，并基于坐标参数将土壤状态参数在二维平面坐标系上进行标注；
获取无人机所采集的生长图像以及无人机在采集生长图像的飞行过程当中的位置定位信息，基于时间线确定所采集的生长图像与位置定位信息的对应关系并利用生长图像在二维平面坐标系上相对应位置进行标注；
基于二维平面坐标系所标注的土壤状态参数以及生长图像生成观测模型。
上述技术方案的工作原理和有益效果为：通过预先建立二维平面坐标系，确定土壤参数所对应土质检测仪在二维平面坐标系上所对应的坐标参数，并基于坐标参数将土壤状态参数在二维平面坐标系上进行标注；获取无人机所采集的生长图像以及无人机在采集生长图像的飞行过程当中的位置定位信息，基于时间线确定所采集的生长图像与位置定位信息的对应关系并利用生长图像在二维平面坐标系上相对应位置进行标注；基于二维平面坐标系所标注的土壤状态参数以及生长图像生成观测模型。从而实现对土壤与位置、生长图像与位置之间的绑定，并通过观测模型能够快速定位确定各个位置的相关参数，方便管理人员进行有效管理。
在一个优选实施例中，基于观测模型任意位置上作物的生长图像对作物的生长状态进行分析确定作物的肥耗需求包括：
对生长图像中的作物图像进行分割并提取作物特征，并根据作物特征基于预设的作物特征对比库进行生长图像中作物类型的识别，确定作物类型；
基于所提取的作物特征以及生长图像的拍摄角度，测量并计算作物的植株高度、叶数、叶长、叶宽、叶间距以及花期状态作为作物的生长状态特征集合；
将生长状态特征集合与预设的该作物类型在各个生长阶段的理想生长状态特征集合分别进行匹配，确定匹配度最高的理想生长状态特征集合所对应的生长阶段；
确定该生长阶段所映射存储的作物对各种肥料的肥耗需求。
上述技术方案的工作原理和有益效果为：在根据生长图像对作物的生长状态进行分析的过程当中，通过对生长图像中的作物图像进行分割并提取作物特征，并根据作物特征基于预设的作物特征对比库进行生长图像中作物类型的识别，从而确定作物的类型；基于所提取的作物特征以及生长图像的拍摄角度，测量并计算作物的植株高度、叶数、叶长、叶宽、叶间距以及花期状态作为作物的生长状态特征集合，在无人机进行飞行拍摄的过程当中，可通过在田间预设的标志物或者根据无人机的拍摄角度、拍摄高度、拍摄缩放比例来对所拍摄的生长图像中的作物的尺度进行计算，从而确定作物的植株高度、叶数、叶长、叶宽、叶间距以及花期状态作为作物的生长状态特征集合，根据生长状态特征集合能够确定作物的生长阶段，例如基于玉米抽叶的数量进行玉米生长阶段的确定，并且能够根据生长状态特征集合来判断作物是否处于异常的生长状态，例如在浇水过量的情况下植物容易发生徒长，其叶间距与叶长、叶宽之间的比例也将会出现异常等等；将生长状态特征集合与预设的该作物类型在各个生长阶段的理想生长状态特征集合分别进行匹配，确定匹配度最高的理想生长状态特征集合所对应的生长阶段，确定该生长阶段所映射存储的作物对各种肥料的肥耗需求。从而利用作物的生长状态特征实现了对作物生长阶段的简单识别，并根据预设的关于作物生长阶段与作物所需吸收的肥料类型，确定作物在当前状态下对各种肥料的需求状况，方便后面对作物进行针对性施肥量的计算。
在一个优选实施例中，对生长图像中的作物图像进行分割包括：
通过颜色分割获得生长图像中的绿色区域，在分割过程当中利用3个颜色矩阵扫描采用RGB模型的生长图像，将图像中G分量小于R分量或者B分量的像素点进行删除，得到第一类图像；
对第一类图像进行平滑处理，在进行平滑处理的过程当中，对于第一类图像中的每一个像素点，通过以下公式计算该像素点在第一类图像中的平滑度：
其中，Smooth(i)表示像素点i在第一类图像中的平滑度，D表示以像素点i为中心的一个固定大小的图像区域，K表示区域D中的像素总数量，j表示区域D中第j个不为i的像素点，ψ()表示取像素点对应的R，G，B分量值，μ表示平滑度修正系数；
对第一类图像中平滑度高于预设的第一阈值的像素点进行删除，得到第二类图像；
对第二类图像进行边界腐蚀处理后，对于图像中存在的任意一个G分量非零的第一类像素点，检查该第一类像素点周围的8个相邻像素点，并确定其中G分量非零的相邻像素点与该第一类像素点之间形成一个连通域，从而将第二类图像分割成多个连通域；
设定第二阈值并统计每个连通域内G分量非零的像素点个数，对第二类图像中G分量非零的像素点个数小于第二阈值的连通域进行删除，得到第二类图像存在的多个保留区域；
对生长图像进行基于第二类图像的位置对应关系，并对生长图像中对应保留区域的像素点进行保留，得到第三类图像；
基于第三类图像进行膨胀处理并确定膨胀处理后的图像轮廓，基于图像轮廓对生长图像进行切割，得到作物图像。
上述技术方案的工作原理和有益效果为：在对生长图像种的作物图像进行分割的工作过程当中，通过颜色分割获得生长图像中的绿色区域，在分割过程当中利用3个颜色矩阵扫描采用RGB模型的生长图像，将图像中G分量小于R分量或者B分量的像素点进行删除，得到第一类图像，从而实现对生长图像中绿色像素点的保留，该技术在实际实施过程当中对于其他格式的生长图像也可采用类似的手段对绿色像素点的保留，例如通过对固定大小的像素区块中的绿色光成分的分析确定该像素区块是否为绿色区块，均属于类似的同种技术手段；对第一类图像进行平滑处理，在进行平滑处理的过程当中，对于第一类图像中的每一个像素点，通过以下公式计算该像素点在第一类图像中的平滑度：
其中，Smooth(i)表示像素点i在第一类图像中的平滑度，D表示以像素点i为中心的一个固定大小的图像区域，K表示区域D中的像素总数量，j表示区域D中第j个不为i的像素点，ψ()表示取像素点对应的R，G，B分量值，μ表示平滑度修正系数，平滑处理的过程主要是计算一个像素点与其周围预设大小的一个像素区块内平滑度的计算，在该计算的过程当中不断选取区块内其他像素点对应的R，G，B分量值分别与选定的像素点做差值运算并取绝对值得到该像素点与其他像素点之间的差异程度，当该差异程度过大，则确定该像素点与周围像素相比较为粗糙，而对于完整且连续的绿色植物对应图像中像素点均是绿色或者偏绿的，不会出现以上情况；从而对第一类图像中平滑度高于预设的第一阈值的像素点进行删除，得到第二类图像，第二类图像相对于第一类图像缺少了散乱不连续的绿色像素点，从而通过该种方式对图像中残余的不成连续图像的杂草类图像的删除，从而有效提高系统对作物分割的识别程度，第一阈值可根据实际需要而定；对第二类图像进行边界腐蚀处理后，边界腐蚀的目的是对图像中残余的不成连续图像像素的进一步处理工作，从而实现对图像中残余噪声的去除，腐蚀程度可根据实际需要进行确定，对于图像中存在的任意一个G分量非零的第一类像素点，检查该第一类像素点周围的8个相邻像素点(亦或者是周围的24各相邻像素点，可根据实际需要进行确定)，并确定其中G分量非零的相邻像素点与该第一类像素点之间形成一个连通域，从而将第二类图像分割成多个连通域；设定第二阈值并统计每个连通域内G分量非零的像素点个数，对第二类图像中G分量非零的像素点个数小于第二阈值的连通域进行删除，得到第二类图像存在的多个保留区域；对生长图像进行基于第二类图像的位置对应关系，并对生长图像中对应保留区域的像素点进行保留，得到第三类图像，从而实现对平滑处理筛选以及腐蚀后失真图像的内容的补充，对于一片作物的叶子，其中的经络很容易因为其颜色不为纯粹的绿色(例如白色经络)导致被误删以及腐蚀工作而出现识别失真的情况，通过以上计技术手段能够对失真的部分进行再次找回；基于第三类图像进行膨胀处理并确定膨胀处理后的图像轮廓，基于图像轮廓对生长图像进行切割，得到作物图像，通过膨胀处理，能够对腐蚀工作过程中对作物图像上边缘腐蚀的部分图像进行再次找回。通过以上技术方案，最终实现了对生长图像中作物图像的准确分割，并且成功将生长图像中的杂草图像进行辨别以及删除工作。
在一个优选实施例中，基于生长图像对作物的生长状态进行分析确定作物的肥耗需求还包括：
对生长图像中的作物图像进行分割，并计算生长图像中作物叶面的生长密度；
基于历史数据计算作物生长密度的变化速率以及不同生长密度情况下作物对土壤中各种肥料的消耗速率，并拟合随生长密度变化的作物对土壤中各种肥料的消耗速率的第一函数曲线；
基于作物的生长密度的变化速率预测作物在预设的第一时间段后的第二生长密度；
基于第二生长密度以及第一函数曲线计算第二生长密度下作物对土壤中各种肥料的消耗速率；
基于当前生长密度下作物对土壤中各种肥料的消耗速率至第二生长密度下作物对土壤中各种肥料的消耗速率做定积分计算，得到作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量。
上述技术方案的工作原理和有益效果为：在基于生长图像对作物的生长状态进行分析确定作物的肥耗需求的过程当中，通过对生长图像中的作物图像进行分割，并计算生长图像中作物叶面的生长密度，然后基于历史数据中随时间跨度变化的生长密度计算作物生长密度的变化速率，以及基于随时间跨度变化的肥料的消耗速率确定不同生长密度情况下作物对土壤中各种肥料的消耗速率，并拟合随生长密度变化的作物对土壤中各种肥料的消耗速率的第一函数曲线；然后基于作物的生长密度的变化速率预测作物在预设的第一时间段后的第二生长密度；基于第二生长密度以及第一函数曲线计算第二生长密度下作物对土壤中各种肥料的消耗速率；最后基于当前生长密度下作物对土壤中各种肥料的消耗速率至第二生长密度下作物对土壤中各种肥料的消耗速率做定积分计算，得到作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量。通过以上的技术方案，实现对不同生长密度下肥料的消耗速率的计算，并基于生长密度的变化速率对土壤中各种肥料的消耗速率做定积分计算，最终得到作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量的预测结果。
在一个优选实施例中，参照图2，通过云端平台基于各处位置所对应作物的肥料缺口制定对应的施肥策略，并将施肥策略下发至撒肥设备执行包括：
步骤S51、基于云端平台预先存储的作物数据库，查找确定当前所种植的作物类型在各个生长阶段当中对各种肥料的最优区间，其中，当土壤中任意一种肥料处于其对应的最优区间内时，该种类型的作物不会因该种肥料的含量高低出现异常生长情况；
步骤S52、基于当前所种植的作物类型在各个生长阶段当中对各种肥料的最优区间，以及作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量，建立以任意位置在第一时间段内土壤内所对应的任意一种肥料始终处于最优区间为目标约束，以第一时间段的长度为优化目标的优化模型；
步骤S53、对优化模型求解得到第二时间段，并根据第二时间段确定该位置进行施肥工作的绝限期；
步骤S54、确定预设的一个工作区块内多个位置点各自对应的绝限期，选取绝限期最近的一个时间点作为该工作区块进行下一次施肥工作的第一时间点；
步骤S55、基于优化模型，预测计算该工作区块内各个位置在第一时间点时土壤中各种肥料的剩余含量，并按照最优区间确定各处位置的最大肥料缺口数据；
步骤S56、基于最大肥料缺口数据以及第一时间点构建施肥策略并下发至撒肥设备执行。
上述技术方案的工作原理和有益效果为：云端平台基于各处位置所对应作物的肥料缺口制定对应的施肥策略的过程当中，基于云端平台预先存储的作物数据库，查找确定当前所种植的作物类型在各个生长阶段当中对各种肥料的最优区间，其中，当土壤中任意一种肥料处于其对应的最优区间内时，该种类型的作物不会因该种肥料的含量高低出现异常生长情况，例如玉米在结果的阶段平均对氮、磷、钾需求量分别为35-50mg/kg、25-55mg/kg和300-500mg/kg。基于当前所种植的作物类型在各个生长阶段当中对各种肥料的最优区间，以及作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量，建立以任意位置在第一时间段内土壤内所对应的任意一种肥料始终处于最优区间为目标约束，以第一时间段的长度为优化目标的优化模型，对优化模型求解得到第二时间段，并根据第二时间段确定该位置进行施肥工作的绝限期，例如在一个简化的优化模型当中，以对氮肥为例，其对应的最优区间为35-50mg/kg，并以其对应的玉米从当前状态生长第一时间段后对土壤中氮肥的消耗总量为基础，建立以某个位置在第一时间段内土壤内所对应的任意一种肥料始终处于最优区间为目标约束，以第一时间段的长度为优化目标的优化模型，若确定该位置的氮肥含量为49mg/kg，则基于玉米从当前状态生长第一时间段后对土壤中氮肥的消耗总量为基础，计算该位置的氮肥含量从49mg/kg降至35mg/kg所需要花费的第二时间段，并基于第二时间段确定该位置的玉米在生长过第二时间段后该位置土壤的氮肥含量过低将会对玉米的生长产生影响，则确定第二时间段后的时间点为施肥工作的绝限期，从而避免因土壤肥力不足限制了作物的生长的情况，在该项技术的具体实施过程当中，由于土壤所含成分的种类是多样的，可对每种成分进行单独计算确定每种成分各种对应的绝限期选出最短的作为优化模型的解。然后确定预设的一个工作区块内多个位置点各自对应的绝限期，选取绝限期最近的一个时间点作为该工作区块进行下一次施肥工作的第一时间点，从而实现对工作区块内土壤施肥工作的同步处理；基于优化模型，预测计算该工作区块内各个位置在第一时间点时土壤中各种肥料的剩余含量，并按照最优区间确定各处位置的最大肥料缺口数据，在确定第一时间点为施肥工作时间点后，预测第一时间点时该工作区块内土壤中各种肥料成分的剩余含量情况，并基于最优区间确定施肥量，例如对于氮肥含量，在确定第一时间点该位置地点的氮肥含量为37mg/kg时，基于最优区块确定可施肥量在0～12mg/kg之间，为了避免进行频繁的施肥工作，可直按12mg/kg的施肥量作为最大肥料缺口数据进行参考来施肥，从而能够管较长的时间；最后基于最大肥料缺口数据以及第一时间点构建施肥策略并下发至撒肥设备执行。通过以上的技术方案，实现了对施肥时间以及施肥量的准确计算，在本具体实施方案中，主要考虑节省施肥时间成本的投入，选择了最大跨度的施肥工作频率来对施肥量进行选择，并选择了土壤最低肥料含量作为约束条件来对施肥时间来进行优化计算。
在一个优选实施例中，撒肥设备在执行施肥策略时包括以下步骤：
获取云端平台下发的施肥策略，根据施肥策略确定第一时间点为其所对应的工作区块的施肥作业时间点；
根据撒肥设备所绑定的多个工作区块，确定每个工作区块各自对应的施肥作业时间点；
对于施肥作业时间点最近的一个工作区块，基于施肥策略确定该工作区块内各处位置的最大肥料缺口数据，统计确定撒肥设备在进行区块撒肥时对各种肥料的携带需求并进行分类携带；
撒肥设备在进行撒肥作业的过程中路过任意一个位置时，基于该位置的最大肥料缺口数据确定对各种肥料的播撒量，并在分别基于播撒量进行各种肥料的定量掺入、混合、搅拌均匀工作后通过播撒装置进行播撒。
上述技术方案的工作原理和有益效果为：撒肥设备在执行施肥策略时，通过获取云端平台下发的施肥策略，根据施肥策略确定第一时间点为其所对应的工作区块的施肥作业时间点；根据撒肥设备所绑定的多个工作区块，确定每个工作区块各自对应的施肥作业时间点；对于施肥作业时间点最近的一个工作区块，基于施肥策略确定该工作区块内各处位置的最大肥料缺口数据，统计确定撒肥设备在进行区块撒肥时对各种肥料的携带需求并进行分类携带；撒肥设备在进行撒肥作业的过程中路过任意一个位置时，基于该位置的最大肥料缺口数据确定对各种肥料的播撒量，并在分别基于播撒量进行各种肥料的定量掺入、混合、搅拌均匀工作后通过播撒装置进行播撒，例如对于位置点A土壤需要的氮肥含量为5mg/kg，通过计算确定该位置点周围区域需要均匀播撒1kg的氮肥，则通过撒肥设备自动计量并进行均匀播撒工作，而对于位置点B需要的氮肥含量为10mg/kg，通过计算确定该位置点周围区域需要均匀播撒2kg的氮肥，则通过撒肥设备自动计量并进行均匀播撒工作。通过上述技术方案，实现根据施肥策略针对每一个不同的位置点分别通过计量后掺入不同分量的肥料进行自动播撒，从而实现对土壤的精准施肥工作。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (5)
1.一种基于物联网技术的土壤精准施肥方法，其特征在于，包括：
通过分布在农田各处的土质检测仪采集其对应位置上的土壤状态参数，并通过无人机采集农田各处位置上作物的生长图像；
通过预设的物联网端口分别获取所采集的土壤状态参数以及生长图像并上传至云端平台；
通过云端分析平台分别建立土壤状态参数以及生长图像在二维平面上的位置对应关系，并生成观测模型；
基于观测模型任意位置上作物的生长图像对作物的生长状态进行分析确定作物的肥耗需求，并基于该位置上的土壤状态参数确定肥料缺口；
通过云端平台基于各处位置所对应的肥料缺口制定对应的施肥策略，并将施肥策略下发至撒肥设备执行；
所述基于观测模型任意位置上作物的生长图像对作物的生长状态进行分析确定作物的肥耗需求包括：
对生长图像中的作物图像进行分割并提取作物特征，并根据作物特征基于预设的作物特征对比库进行生长图像中作物类型的识别，确定作物类型；
基于所提取的作物特征以及生长图像的拍摄角度，测量并计算作物的植株高度、叶数、叶长、叶宽、叶间距以及花期状态作为作物的生长状态特征集合；
将生长状态特征集合与预设的该作物类型在各个生长阶段的理想生长状态特征集合分别进行匹配，确定匹配度最高的理想生长状态特征集合所对应的生长阶段；
确定该生长阶段所映射存储的作物对各种肥料的肥耗需求；
所述对生长图像中的作物图像进行分割包括：
通过颜色分割获得生长图像中的绿色区域，在分割过程当中利用3个颜色矩阵扫描采用RGB模型的生长图像，将图像中G分量小于R分量或者B分量的像素点进行删除，得到第一类图像；
对第一类图像进行平滑处理，在进行平滑处理的过程当中，对于第一类图像中的每一个像素点，通过以下公式计算该像素点在第一类图像中的平滑度：
其中，表示像素点i在第一类图像中的平滑度，/>表示以像素点i为中心的一个固定大小的图像区域，/>表示区域D中的像素总数量，/>表示区域D中第j个不为i的像素点，表示取像素点对应的R，G，B分量值，/>表示平滑度修正系数；
对第一类图像中平滑度高于预设的第一阈值的像素点进行删除，得到第二类图像；
对第二类图像进行边界腐蚀处理后，对于图像中存在的任意一个G分量非零的第一类像素点，检查该第一类像素点周围的8个相邻像素点，并确定其中G分量非零的相邻像素点与该第一类像素点之间形成一个连通域，从而将第二类图像分割成多个连通域；
设定第二阈值并统计每个连通域内G分量非零的像素点个数，对第二类图像中G分量非零的像素点个数小于第二阈值的连通域进行删除，得到第二类图像存在的多个保留区域；
对生长图像进行基于第二类图像的位置对应关系，并对生长图像中对应保留区域的像素点进行保留，得到第三类图像；
基于第三类图像进行膨胀处理并确定膨胀处理后的图像轮廓，基于图像轮廓对生长图像进行切割，得到作物图像。
2.根据权利要求1所述的一种基于物联网技术的土壤精准施肥方法，其特征在于，所述通过云端分析平台分别建立土壤状态参数以及生长图像在二维平面上的位置对应关系，并生成观测模型包括：
预先建立二维平面坐标系，确定土壤参数所对应土质检测仪在二维平面坐标系上所对应的坐标参数，并基于坐标参数将土壤状态参数在二维平面坐标系上进行标注；
获取无人机所采集的生长图像以及无人机在采集生长图像的飞行过程当中的位置定位信息，基于时间线确定所采集的生长图像与位置定位信息的对应关系并利用生长图像在二维平面坐标系上相对应位置进行标注；
基于二维平面坐标系所标注的土壤状态参数以及生长图像生成观测模型。
3.根据权利要求1所述的一种基于物联网技术的土壤精准施肥方法，其特征在于，所述基于生长图像对作物的生长状态进行分析确定作物的肥耗需求还包括：
对生长图像中的作物图像进行分割，并计算生长图像中作物叶面的生长密度；
基于历史数据计算作物生长密度的变化速率以及不同生长密度情况下作物对土壤中各种肥料的消耗速率，并拟合随生长密度变化的作物对土壤中各种肥料的消耗速率的第一函数曲线；
基于作物的生长密度的变化速率预测作物在预设的第一时间段后的第二生长密度；
基于第二生长密度以及第一函数曲线计算第二生长密度下作物对土壤中各种肥料的消耗速率；
基于当前生长密度下作物对土壤中各种肥料的消耗速率至第二生长密度下作物对土壤中各种肥料的消耗速率做定积分计算，得到作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量。
4.据权利要求3所述的一种基于物联网技术的土壤精准施肥方法，其特征在于，所述通过云端平台基于各处位置所对应作物的肥料缺口制定对应的施肥策略，并将施肥策略下发至撒肥设备执行包括：
基于云端平台预先存储的作物数据库，查找确定当前所种植的作物类型在各个生长阶段当中对各种肥料的最优区间，其中，当土壤中任意一种肥料处于其对应的最优区间内时，该种类型的作物不会因该种肥料的含量高低出现异常生长情况；
基于当前所种植的作物类型在各个生长阶段当中对各种肥料的最优区间，以及作物从当前状态生长第一时间段后对土壤中各种肥料的消耗总量，建立以任意位置在第一时间段内土壤内所对应的任意一种肥料始终处于最优区间为目标约束，以第一时间段的长度为优化目标的优化模型；
对优化模型求解得到第二时间段，并根据第二时间段确定该位置进行施肥工作的绝限期；
确定预设的一个工作区块内多个位置点各自对应的绝限期，选取绝限期最近的一个时间点作为该工作区块进行下一次施肥工作的第一时间点；
基于优化模型，预测计算该工作区块内各个位置在第一时间点时土壤中各种肥料的剩余含量，并按照最优区间确定各处位置的最大肥料缺口数据；
基于最大肥料缺口数据以及第一时间点构建施肥策略并下发至撒肥设备执行。
5.据权利要求4所述的一种基于物联网技术的土壤精准施肥方法，其特征在于，所述撒肥设备在执行施肥策略时包括以下步骤：
获取云端平台下发的施肥策略，根据施肥策略确定第一时间点为其所对应的工作区块的施肥作业时间点；
根据撒肥设备所绑定的多个工作区块，确定每个工作区块各自对应的施肥作业时间点；
对于施肥作业时间点最近的一个工作区块，基于施肥策略确定该工作区块内各处位置的最大肥料缺口数据，统计确定撒肥设备在进行区块撒肥时对各种肥料的携带需求并进行分类携带；
撒肥设备在进行撒肥作业的过程中路过任意一个位置时，基于该位置的最大肥料缺口数据确定对各种肥料的播撒量，并在分别基于播撒量进行各种肥料的定量掺入、混合、搅拌均匀工作后通过播撒装置进行播撒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311271024.6A CN117352083B (zh) | 2023-09-28 | 2023-09-28 | 一种基于物联网技术的土壤精准施肥方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311271024.6A CN117352083B (zh) | 2023-09-28 | 2023-09-28 | 一种基于物联网技术的土壤精准施肥方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117352083A CN117352083A (zh) | 2024-01-05 |
| CN117352083B true CN117352083B (zh) | 2024-05-14 |
Family
ID=89362382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311271024.6A Active CN117352083B (zh) | 2023-09-28 | 2023-09-28 | 一种基于物联网技术的土壤精准施肥方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117352083B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117598084B (zh) * | 2023-12-28 | 2024-05-10 | 日照市农业科学研究院 | 一种大豆栽培智能施肥方法及系统 |
| CN117882546B (zh) * | 2024-03-13 | 2024-05-24 | 山西诚鼎伟业科技有限责任公司 | 一种面向农业作业机器人的智能化种植方法 |
| CN118202918A (zh) * | 2024-04-02 | 2024-06-18 | 中藜高科(北京)科技有限公司 | 一种藜麦智慧种植系统 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682307A (zh) * | 2012-05-03 | 2012-09-19 | 苏州多捷电子科技有限公司 | 基于图像处理的可编辑答题卡系统及其实现方法 |
| CN107367300A (zh) * | 2017-07-25 | 2017-11-21 | 广东容祺智能科技有限公司 | 一种基于无人机的作物生长环境监测系统 |
| CN110959358A (zh) * | 2019-12-30 | 2020-04-07 | 河南省土壤肥料站 | 夏玉米轻简化施肥方法 |
| CN111480557A (zh) * | 2020-04-23 | 2020-08-04 | 顾晓东 | 一种基于大数据物联网的农业灌溉实时监测调控系统 |
| CN112017134A (zh) * | 2020-10-26 | 2020-12-01 | 广东博智林机器人有限公司 | 一种路径规划方法、装置、设备及存储介质 |
| CN112197819A (zh) * | 2020-12-07 | 2021-01-08 | 宏景科技股份有限公司 | 一种基于生产基地的植物生长精准控制方法 |
| CN112348781A (zh) * | 2020-10-26 | 2021-02-09 | 广东博智林机器人有限公司 | 一种基准面高度检测方法、装置、设备及存储介质 |
| CN112715120A (zh) * | 2020-12-18 | 2021-04-30 | 重庆电子工程职业学院 | 一种智慧农业物联网系统 |
| CN113243012A (zh) * | 2018-12-10 | 2021-08-10 | 克莱米特公司 | 基于图像的灌溉建议 |
| CN113408961A (zh) * | 2021-07-24 | 2021-09-17 | 榆林学院 | 一种基于农业物联网的农业监管平台 |
| CN113626627A (zh) * | 2021-08-11 | 2021-11-09 | 河北时代电子有限公司 | 一种农业大数据特征分析的方法及系统 |
| CN114868561A (zh) * | 2022-05-30 | 2022-08-09 | 李振源 | 一种节能型百香果育苗的装置与方法 |
| CN114998767A (zh) * | 2022-05-26 | 2022-09-02 | 广西鸣鸣果业有限公司 | 一种沃柑田间农事信息采集方法 |
| CN116776129A (zh) * | 2023-08-22 | 2023-09-19 | 贵州中昂科技有限公司 | 一种多源农业数据的采集管理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9349165B2 (en) * | 2013-10-23 | 2016-05-24 | Adobe Systems Incorporated | Automatically suggesting regions for blur kernel estimation |
-
2023
- 2023-09-28 CN CN202311271024.6A patent/CN117352083B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102682307A (zh) * | 2012-05-03 | 2012-09-19 | 苏州多捷电子科技有限公司 | 基于图像处理的可编辑答题卡系统及其实现方法 |
| CN107367300A (zh) * | 2017-07-25 | 2017-11-21 | 广东容祺智能科技有限公司 | 一种基于无人机的作物生长环境监测系统 |
| CN113243012A (zh) * | 2018-12-10 | 2021-08-10 | 克莱米特公司 | 基于图像的灌溉建议 |
| CN110959358A (zh) * | 2019-12-30 | 2020-04-07 | 河南省土壤肥料站 | 夏玉米轻简化施肥方法 |
| CN111480557A (zh) * | 2020-04-23 | 2020-08-04 | 顾晓东 | 一种基于大数据物联网的农业灌溉实时监测调控系统 |
| CN112348781A (zh) * | 2020-10-26 | 2021-02-09 | 广东博智林机器人有限公司 | 一种基准面高度检测方法、装置、设备及存储介质 |
| CN112017134A (zh) * | 2020-10-26 | 2020-12-01 | 广东博智林机器人有限公司 | 一种路径规划方法、装置、设备及存储介质 |
| CN112197819A (zh) * | 2020-12-07 | 2021-01-08 | 宏景科技股份有限公司 | 一种基于生产基地的植物生长精准控制方法 |
| CN112715120A (zh) * | 2020-12-18 | 2021-04-30 | 重庆电子工程职业学院 | 一种智慧农业物联网系统 |
| CN113408961A (zh) * | 2021-07-24 | 2021-09-17 | 榆林学院 | 一种基于农业物联网的农业监管平台 |
| CN113626627A (zh) * | 2021-08-11 | 2021-11-09 | 河北时代电子有限公司 | 一种农业大数据特征分析的方法及系统 |
| CN114998767A (zh) * | 2022-05-26 | 2022-09-02 | 广西鸣鸣果业有限公司 | 一种沃柑田间农事信息采集方法 |
| CN114868561A (zh) * | 2022-05-30 | 2022-08-09 | 李振源 | 一种节能型百香果育苗的装置与方法 |
| CN116776129A (zh) * | 2023-08-22 | 2023-09-19 | 贵州中昂科技有限公司 | 一种多源农业数据的采集管理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117352083A (zh) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117352083B (zh) | 一种基于物联网技术的土壤精准施肥方法 | |
| CN111399508A (zh) | 智慧农业系统和智慧农业方法 | |
| Punalekar et al. | Application of Sentinel-2A data for pasture biomass monitoring using a physically based radiative transfer model | |
| CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
| CN109002604B (zh) | 一种基于贝叶斯最大熵的土壤含水量预测方法 | |
| Carrow et al. | Precision turfgrass management: Challenges and field applications for mapping turfgrass soil and stress | |
| CN111368736B (zh) | 基于sar和光学遥感数据的水稻精细化估产方法 | |
| CN109757175B (zh) | 一种基于无人机监测的玉米水肥一体化变量施肥方法 | |
| CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
| Oliver et al. | Quantifying the spatial pattern of the yield gap within a farm in a low rainfall Mediterranean climate | |
| CN116957207B (zh) | 一种实时数据采集的草地生态健康监测方法 | |
| CN109033032B (zh) | 基于农机轨迹和地块格网化计算农机有效作业面积的方法 | |
| Corwin | Site-specific management and delineating management zones | |
| CN115393704A (zh) | 一种面向对象的稻虾田遥感自动化监测方法 | |
| CN115810170A (zh) | 一种利用多源遥感数据监测旱情的方法 | |
| CN118297315A (zh) | 一种用于园林绿化植物浇灌的智慧管理方法及系统 | |
| CN118410999A (zh) | 一种基于智能化的农作物喷洒施肥混合系统 | |
| CN117634738B (zh) | 基于人工智能的物联网农业环保一体化平台 | |
| Meena et al. | Information and Communication Technologies for Sustainable Natural Resource Management | |
| Chellaswamy et al. | Soil test based smart agriculture management system | |
| Wang et al. | Delineation and optimization of cotton farmland management zone based on time series of soil-crop properties at landscape scale in south Xinjiang, China | |
| Haneklaus et al. | Self‐surveying—a strategy for efficient mapping of the spatial variability of time constant soil parameters | |
| CN118376761B (zh) | 一种基于土壤数据的检测方法、设备及介质 | |
| Morales et al. | Spatial and temporal variability of Mehlich-1 extractable Fe, Mn and Zn over a rice field as a function of lime amendment | |
| CN115600829A (zh) | 一种养殖水质的预测方法及装置 |
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 |