CN117530164B - 一种基于机器视觉的智能决策立体循环育秧方法和系统 - Google Patents
一种基于机器视觉的智能决策立体循环育秧方法和系统 Download PDFInfo
- Publication number
- CN117530164B CN117530164B CN202410029881.3A CN202410029881A CN117530164B CN 117530164 B CN117530164 B CN 117530164B CN 202410029881 A CN202410029881 A CN 202410029881A CN 117530164 B CN117530164 B CN 117530164B
- Authority
- CN
- China
- Prior art keywords
- seedling
- service terminal
- seedlings
- growth
- image data
- 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 30
- 230000012010 growth Effects 0.000 claims abstract description 98
- 238000005070 sampling Methods 0.000 claims abstract description 51
- 238000005286 illumination Methods 0.000 claims abstract description 49
- 238000005507 spraying Methods 0.000 claims abstract description 41
- 230000004438 eyesight Effects 0.000 claims abstract description 25
- 230000000007 visual effect Effects 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 21
- 230000035784 germination Effects 0.000 claims abstract description 7
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 6
- 230000007613 environmental effect Effects 0.000 claims description 26
- 241000238631 Hexapoda Species 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 14
- 230000006378 damage Effects 0.000 claims description 11
- 241000607479 Yersinia pestis Species 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 8
- 239000000575 pesticide Substances 0.000 claims description 8
- 239000000758 substrate Substances 0.000 claims description 8
- 239000011490 mineral wool Substances 0.000 claims description 6
- 230000008635 plant growth Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 239000000645 desinfectant Substances 0.000 claims description 4
- 239000002917 insecticide Substances 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 239000007921 spray Substances 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 2
- 230000002068 genetic effect Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 201000010099 disease Diseases 0.000 description 11
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 239000002689 soil Substances 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 239000012224 working solution Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 239000003415 peat Substances 0.000 description 3
- 239000010451 perlite Substances 0.000 description 3
- 235000019362 perlite Nutrition 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 239000010455 vermiculite Substances 0.000 description 3
- 235000019354 vermiculite Nutrition 0.000 description 3
- 229910052902 vermiculite Inorganic materials 0.000 description 3
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 244000052769 pathogen Species 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 208000002720 Malnutrition Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000001963 growth medium Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011534 incubation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000000824 malnutrition Nutrition 0.000 description 1
- 230000001071 malnutrition Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 239000003895 organic fertilizer Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Abstract
本发明公开了一种基于机器视觉的智能决策立体循环育秧方法和系统,方法为每个种植区设置视觉采样装置,由视觉采样装置采集种植区的秧苗图像信息并发送到服务终端,秧苗处于幼苗期时,配置视觉采样装置设置第一工作模式;服务终端配置预估时间,服务终端判断幼苗生长状态;秧苗处于发芽期,配置视觉采样装置设置第二工作模式;服务终端配置预生长范围,服务终端判断秧苗生长状况;系统为育秧室配置对应的喷淋设备、光照设备和控温设备;育秧室外部还配置有服务终端,服务终端用于远程控制育秧室的喷淋设备、光照设备和控温设备,期望改善机械辅助种植区隔断时,其秧苗生长状态出现异常,不便于及时察觉和纠正,无法保障秧苗成苗率问题。
Description
技术领域
本发明涉及农业养殖,具体涉及一种基于机器视觉的智能决策立体循环育秧方法和系统。
背景技术
目前育秧多采用棚内多层搭架的方式,棚内多层搭架虽然提高了棚内面积的利用率,但由于高层与底层存在温度、湿度、CO2浓度等差异,以及阴面与阳面采光波动,容易造成的秧苗生长不平衡的情况,每次出现生长不均衡的情况都需要工人人工攀爬取放育秧盘并通过浇水、控温的方式调整秧苗生长状态,导致人工投入多且劳动强度大。目前随着技术发展,研究近年育秧过程中已经可以通过育秧设备进行辅助操作。
目前机械设备更多是采用机械化的结构对育秧室的工作人员进行辅助,以及通过机械手段对育秧室进行种植区隔断或连通的设置方式,该方式具有两个优势,其一是秧苗幼苗期保障每个种植区相互独立, 使相邻的秧苗幼苗期在种植区单独隔离管理以防病虫害蔓延,其二是秧苗在发芽期取消种植区的隔断,使得发芽期的秧苗更容易生长,同时取消隔断可以让空气流通,降低局部环境湿度,从而降低病害发生的概率。但是这种控制方式主要是保障秧苗需要逐步适应更为接近自然环境的条件,其秧苗在该过程中经常出现异常状态,在机械设备影响下,若不及时察觉和纠正,可能无法保障秧苗成苗率,从而出现成苗率时高时低,秧苗质量参差不齐的情况。因此如何根据生长状态适应性的监测并调控秧苗生长所需的各项条件,对于保证育秧安全可靠和高产稳产,是值得研究的。
发明内容
本发明的目的在于提供一种基于机器视觉的智能决策立体循环育秧方法和系统,以期望改善机械辅助种植区隔断时,其秧苗生长状态出现异常,不便于及时察觉和纠正,无法保障秧苗成苗率问题。
为解决上述的技术问题,本发明采用以下技术方案:
一种基于机器视觉的智能决策立体循环育秧方法,育秧室配置对应每个种植区的喷淋设备、光照设备和控温设备;育秧室外部还配置有服务终端,上述服务终端用于远程控制育秧室的喷淋设备、光照设备和控温设备;将育秧室设置若干个种植区,每个种植区设置视觉采样装置,由视觉采样装置采集种植区的秧苗图像信息并发送到服务终端。
其中,秧苗处于幼苗期时,配置视觉采样装置设置第一工作模式;服务终端配置预估时间,第一工作模式下视觉采样装置在{T1}时间集中的多个固定时间节点上将采集秧苗图像数据并实时发送到服务器终端;上述服务终端用于接收秧苗图像数据并从图像数据上确定秧苗从岩棉或者海绵顶部突出的初始时间节点;若初始时间节点在预估时间范围内,则表示幼苗正常;若初始时间节点在预估时间范围外,则表示幼苗异常,上述服务终端发出警报。
其中,秧苗处于发芽期,配置视觉采样装置设置第二工作模式;服务终端配置预生长范围,第二工作模式下视觉采样装置在{T2}时间集中的时间节点上将采集图像数据并实时发送到服务器终端;服务终端接收秧苗图像数据并从图像数据上确定岩棉或者海绵顶部突出的苗芽长度;若图像数据表示的苗芽长度在预生长范围内,则表示秧苗生长状况正常,上述服务终端整理数据备查;若图像数据表示的苗芽长度在预生长范围外,则表示秧苗生长状况异常,上述服务终端发出警报;若图像数据上显示苗芽上存在虫孔,则表示生长状况为虫害,上述服务器终端控制育秧室的喷淋设备工作,使喷淋设备向虫害种植区和周边的种植区喷淋杀虫剂。
作为优选,上述{T1}时间集中的固定时间点包括完成放置后的初始时间点,以及以初始时间点为基准的,间隔3分钟、间隔15分钟和间隔1小时的固定时间点;其中{T2}时间集中的每个时间点的时间间隔相同,其间隔时间使用分钟为单位。
作为优选,在整个育秧过程中,上述服务终端配置曝光范围参数,上述服务器终端用于分析图像数据的曝光强度;服务器终端根据图像数据确定种植区采光强度,并控制光照设备使每个种植区的光照强度趋于一致。
进一步的技术方案是,上述服务器终端根据图像数据确定种植区采光强度时,所有种植区图像数据的曝光强度在曝光范围参数内,则表示正常;若某个种植区图像数据的曝光强度大于或小于曝光范围参数,则表示种植区异常;由服务终端通过光照设备调整种植区局部光照强度。
作为优选,上述种植区设置温度传感器和湿度传感器,由湿度传感器和温度传感器实时对种植区温度和湿度进行采样,并将温度和湿度信息发送至服务终端;上述服务终端配置湿度范围,服务终端接收到种植区的湿度低于设定湿度范围,服务终端则控制喷淋设备向种植区进行增湿,直至种植区的湿度达到湿度范围。
作为优选,上述育秧室分割的若干个种植区尺寸相同,且每个种植区的视觉采样装置相对独立,每个视觉采样装置与服务终端信号连接,由视觉采样装置将对应种植区的秧苗进行图像采样并将图像输出传递至服务终端。
作为优选,秧苗种植之前,使用消毒剂对育苗基质进行消毒处理,将所有种植区的环境参数调节至相同,上述环境参数包括育秧基质比例、温度和湿度。
本发明还公开了一种基于机器视觉的智能决策立体循环育秧系统, 使用上述的方法, 系统包括视觉采样装置、喷淋装置、温度传感器、湿度传感器、红外轮廓传感器、服务终端和上位机;上述服务终端分别与视觉采样装置、喷淋装置、温度传感器、湿度传感器、红外轮廓传感器连接,上述上位机与服务终端信号交互; 其中,上述温度传感器用于获取育秧室多个种植区的温度信息;由服务终端记录种植区的温度变化信息; 其中,上述湿度传感器用于获取育秧多个种植区的湿度信息;由服务终端记录种植区的湿度变化信息; 其中,上述红外轮廓传感器用于获取育秧室中的秧苗轮廓信息;且秧苗轮廓信息用于对比服务终端接收秧苗图像数据进行校对;同时服务终端进行秧苗轮廓信息变化的数据记录,以及温度变化信息、湿度变化信息的数据记录; 上述服务终端定期将记录的所有信息发送至上位机,上述上位机用于根据数据记录并分析秧苗特征与生长环境之间的关系或训练模型来预测生长趋势。
作为优选,上述喷淋装置安装多个输入泵作为输入端,每个输入泵对应不同的工作液种类,上述喷淋装置输出口对应每个种植区,且每个输出口上设有电磁阀。
进一步的技术方案是,上述工作液包括清水源、肥料源和液体农药,当需要进行试剂对秧苗影响试验时,上述上位机向服务终端发送指令,上述服务终端根据指令确定工作液种类和喷淋装置对应的目标区域,由服务终端控制喷淋装置的输入泵和电磁阀工作,将清水源、肥料源或液体农药择一送入到目标区域。
与现有技术相比,本发明的有益效果至少是:
本发明能够通过高度自动化的方式结合远程控制以及视觉感知,便于工作人员在整个育秧过程中进行精准的监控和及时的策略调整,其方法主要通过视觉采样装置收集的图像数据,可以对秧苗的生长状况进行实时监控,有效预测和评估幼苗期和发芽期的生长状态。
本发明的服务终端能够根据图像分析结果发出正常或异常的指示,并在检测到异常情况下立即采取响应措施,降低异常环境因素导致的培育风险。
本发明利用视觉采样便于对于病虫害的早期发现与处理,有效减少人工巡查的需求。同时,本发明还通过服务终端迅速反应并采取预防措施,减少病虫害对作物进一步的影响,有利提高成苗率。
本发明的还对育秧室内环境条件进行检测和精确控制。利用光照、温度和水分的监测和管理结合图像识别结果,从而优化种植条件,有助于提高育秧的质量和一致性。有效改善温度、湿度、CO2浓度等差异,阴面与阳面采光不均会造成秧苗生长不平衡的情况。
本发明的系统主要采用自动化监管,和远程控制喷淋处理,不需要工人经常爬上爬下取放育秧盘,有效降低人工投入,改善成苗率时高时低状态。同时系统通过上位机的设置有利于后期试验过程中,将不同时间点获取的图像和数据进行融合,重建秧苗的3D模型,更准确地反映其生长状态和生物量分布以及分析秧苗特征与生长环境之间的关系,其记录的数据还可以用于训练模型来预测生长趋势和诊断潜在问题。
附图说明
图1为本发明流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,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。
目前,秧室中采用机械化结构和设备来辅助管理,其主要目的是在保证育苗效率和质量的同时,减少人力成本和差错。这种方式确实具有一定的优点,比如可以有效隔离病虫害、方便空气流通。同时培育室的机械化系统已经能够按照预定条件控制温度、湿度、光照等因素。但是目前的机械结构无法有效模拟自然环境中的微小变化。如果控制系统的设置不够精确或者没有根据实际情况适时调整,可能导致不适宜秧苗生长的环境条件。
更为关键的是,采用机械化的隔离机制可以防止病虫害的蔓延,但是机械化设备往往难以及时发现和处理早期的病虫害问题,而且由于机械化的设置,人工巡视过程中存在一定的视野遮挡,并不能及时发现虫害,导致当发现问题时,秧苗已经受到严重影响。而且,在秧苗生长的过程中,不同种植区的秧苗之间可能存在一定的差异,机械化系统进行一定的程序化调整,但往往缺乏及时的观察和处理能力,无法有效根据秧苗的具体状况来进行微调管理。
参考图1所示,本发明的一个实施例是,一种基于机器视觉的智能决策立体循环育秧方法,育秧室配置对应每个种植区的喷淋设备、光照设备和控温设备;其中喷淋设备、光照设备和控温设备均为现有机械设备。育秧室外部还配置有服务终端,其中服务终端是现有的控制终端,服务终端设置允许工作人员或者系统管理者通过网络远程操控,上述服务终端用于远程控制育秧室的喷淋设备、光照设备和控温设备;其中服务终端主要用于接收操作指令,并向喷淋设备、光照设备和控温设备的控制单元发送执行指令,从而调节喷淋设备来控制水分供给,调整光照设备以配合植物生长需求,以及控温设备以保持最适宜的温度条件。
为了便于管理,降低培育风险,将育秧室设置若干个种植区,每个种植区设置视觉采样装置,其中视觉采样装置可以是现有的摄像头或高分辨率传感器。通过在每个种植区安装视觉采样装置实时监测和记录秧苗的生长情况,其视觉采样装置可以获取的图像信息包含了秧大小、颜色、形状等特征,通过视觉采样装置采集种植区的秧苗图像信息并发送到服务终端。
其中,在秧苗生长到发芽期时,相邻的两个种植区相对独立,为了通过视觉采样装置捕获并分析苗芽的图像数据,以评估其生长状态。秧苗处于幼苗期时,配置视觉采样装置设置第一工作模式;服务终端配置预估时间。
第一工作模式下视觉采样装置在{T1}时间集中的多个固定时间节点上将采集秧苗图像数据并实时发送到服务器终端;该模式下主要用于检测秧苗在生长过程中,秧苗能够均匀的突破覆盖物,确保种植区中的秧苗健康分布。
其中,设置的{T1}时间集,主要用于配合秧苗生长周期,进行阶段性的采样,从而对比前后时差与突破覆盖物的秧苗数量。
其中,秧苗证书幼苗期需要覆盖物遮盖,一方面覆盖物能够防止水分过快蒸发,维持土壤或生长介质的湿润状态,为幼苗提供稳定的水分供应,另一方面覆盖物能充当隔热层,帮助保持稳定的土壤温度。必要时还可以降低培育室内光照对幼苗带来光强压力。
上述服务终端用于接收秧苗图像数据并从图像数据上确定秧苗从岩棉或者海绵顶部突出的初始时间节点。通过服务终端自动记录秧苗的图像数据,从而基于图像上秧苗突破覆盖物的密度,确定的生长数据,便于追踪和分析整批苗木的生长状况,对未来的作物管理提供数据支持,需要说明的是,考虑到秧苗在幼苗期处于被覆盖状态,通常不建议翻开查看,更多是采用工作人员随机检查的方式,但是手工检测大量秧苗的生长状况费时费力,而采用视觉采样装置在秧苗突破覆盖物的第一时间确定,可以判断秧苗在这一周期过程的生长时间,利用生长时间进行判断,从而尽可能的减少人工成本。
考虑到秧苗处于被覆盖状态下,且秧苗图像数据无法直接判断秧苗异常原因,因此在幼苗的早期检测到生长异常时,主要是利用预定时间辅助确定:其中,初始时间节点在预估时间范围内,则表示幼苗正常。其中,初始时间节点在预估时间范围外,则表示幼苗异常,上述服务终端发出警报。其警报主要用于通知工作人员,通过工作人员现场查看或云端数据分析幼苗异常原因,再采用调整湿度、光照或营养供给的多种联合方式进行纠正,减少不良植株的总数。
秧苗处于发芽期,其发芽期是秧苗生长的关键阶段,为了更加精准地收集对于秧苗生长状况至关重要的数据,配置视觉采样装置设置第二工作模式;服务终端配置预生长范围,第二工作模式下视觉采样装置在{T2}时间集中的时间节点上将采集图像数据并实时发送到服务器终端;其视觉采样装置设置为在{T2}时间集中的特定节点上自动执行采集任务,主要用于减少了人工作业的负担,确保视觉采样装置的工作频率能够满足检测需求,服务终端接收秧苗图像数据并从图像数据上确定岩棉或者海绵顶部突出的苗芽长度。通过定时监控苗芽的长度比对预生长范围,可以及时发现潜在的生长问题,如营养缺乏、水分过多或者不足等,从而在问题成为严重威胁之前就采取相应的措施。同时在{T2}时间集上采集的图像数据,可以提供数据支持。
通过设定了一个预生长范围作为衡量秧苗生长状态的参考标准,其中预生长范围是基于早期培育试验确定的一个明确的量化指标。通过预生长范围来评估秧苗的健康和生长进度。
若图像数据表示的苗芽长度在预生长范围内,则表示秧苗生长状况正常,上述服务终端整理数据备查; 其中,预生长范围可以是上一次育苗的植物生长数据得出的,预生长范围反映了在特定生长阶段秧苗应有的正常生长速度和大小。若图像数据显示的苗芽长度处在预生长范围内,意味着秧苗的生长速率符合预期,既不过快也不过慢,表明秧苗得到了适宜的水分、营养、环境温度、光照等生长条件。
参考性的,被查数据支持作用可以用于后期研究,一方面利于后期将数据与湿度、光照、温度等环境参数进行融合,确定优化育苗条件模型。另一方面服务终端在连续记录视觉采样装置上传的数据可以用来追踪秧苗的成长情况,便于未来回顾和分析。
若图像数据表示的苗芽长度在预生长范围外,则表示秧苗生长状况异常,上述服务终端发出警报;当图像数据显示的苗芽长度处在预生长范围外,则可以认为这些秧苗目前存在生长发育上的显著问题,其秧苗生理机能正常运作出现偏差,需要对生长环境进行控制和调整。特别是局部秧苗出现异常,则表面秧苗的生长很大程度上是受到环境条件的影响。
此时上述服务终端发出警报,便于工作人员关注,同时服务终端筛查环境参数数据,核对相应环境参数是否存在波动,以便于协助工作人员确定异常原因。必要时,服务终端可以录入异常处理的数据条件,当核对相应环境参数满足条件时,进行自动化处理,例如按照预设方式喷洒一定量的营养剂或者调整环境温度和湿度等。
需要说明的是,当所有图像数据表示的苗芽长度在预生长范围外,则环境参数并未异常时,其秧苗的生长很大程度上受到基因潜力影响,需要通知工作人员进行试验确定。
若图像数据上显示苗芽上存在虫孔,则表示生长状况为虫害,通过图像数据能够实现及时的在生长过程中监测和虫害现象,为了自动化干预避免人工延误,上述服务器终端控制育秧室的喷淋设备工作,使喷淋设备向虫害种植区和周边的种植区喷淋杀虫剂。利用图像数据识别出虫孔等虫害迹象,一旦检出虫害,服务器终端会立即控制育秧室的喷淋设备,在虫害出现的种植区及其周边区域喷洒杀虫剂。
参考性的,虫害区域喷洒杀虫剂的浓度向周边区域喷洒浓度逐渐递减,通过阶梯式的喷洒方式,局部化喷洒减少杀虫剂的使用量,既保证了作物健康生长,又提高了生产效率。避免农药在整个育秧区的使用总量,有益于维护生态环境的平衡,符合现代农业发展的环保和高效生产要求。通过这种智能化的育秧管理方式,农业工作变得更加精细化,助力提高作物产量和品质,同时降低工人的劳动强度。
基于上述实施例,本发明的另一个实施例是,由于{T1}时间集和{T2}时间集分别在秧苗处于幼苗期和秧苗处于发芽期采用不同的检测策略,能够紧跟秧苗的生长周期变化,尤其在生长初期,植物生长较快。上述{T1}时间集中的固定时间点包括完成放置后的初始时间点,以及以初始时间点为基准的,间隔3分钟、间隔15分钟和间隔1小时的固定时间点;其中{T2}时间集中的每个时间点的时间间隔相同,其间隔时间使用分钟为单位。
其中,{T1}时间集和{T2}时间集,主要是用于设置了固定的时间点去执行特定的检测任务策略,在{T1}时间集中于完成放置后的初始时间点,接着是恒间隔的时间点,如间隔3分钟、15分钟和1小时,而在{T2}时间集中的每个时间点的间隔时间则统一使用分钟来衡量。秧苗处于幼苗期通过固定的时间点来跟踪生长,确保了对秧苗生长状况的细致观察和快速反应。而秧苗处于发芽期存在交叉风险,通过短时间间隔的检测有利于尽早发现任何潜在问题,例如水分不足、养分供应不良或病虫害,从而可以迅速采取相应措施,调整环境条件或进行治疗,最小化损失。
基于上述实施例,本发明的另一个实施例是,为了保证培育过程中光照的稳定性,在整个育秧过程中,上述服务终端配置曝光范围参数,上述服务器终端用于分析图像数据的曝光强度;通过图像数据中的曝光强度分析,可以不仅能体现局部光照条件,也可能指示环境变化,比如光照附近遮挡物导致的光照减少,系统通过分析曝光强度的数据能够对植株的实时需求作出响应和全面分析。
服务器终端根据图像数据确定种植区采光强度,并控制光照设备使每个种植区的光照强度趋于一致。一方面均一的光照环境有助于减少种植区内植株之间的生长差异,这意味着最终的秧苗将具有一致的品质和尺寸,另一方面在规划培育过程中确保每个种植区内光照强度的一致性,保证植株提供均匀的光照在一定范围,有利于使植株能够最好地进行光合作用,从而提高整个育秧区的生产效率。
进一步的是,考虑到光照会影响秧苗光合作用合成营养物质,上述服务器终端根据图像数据确定种植区采光强度时,通过图像数据确定光照强度,若光照条件若出现不合理的强度,可以及时发现,避免光照影响秧苗生长,降低光照不足诱发植株病害的风险。
若所有种植区图像数据的曝光强度在曝光范围参数内,则表示正常。该状态表示光照强度在正常方位内,不需要进行明显的干预;其光照正常也需要持续监测主要是为了避免光照问题波动引起的秧苗疾病风险。
若某个种植区图像数据的曝光强度大于或小于曝光范围参数,则表示种植区异常;由服务终端通过光照设备调整种植区局部光照强度。一方面通过对种植区的光照较强的区域进行调整,使得光照强度满足需求,并且有助于减少不必要的能源浪费,提高能效比。另一方面对于光照不足的区域进行增强,可以满足秧苗足够的光照需求。
基于上述实施例,本发明的另一个实施例是,为了使其能够实时监测并更准确地模拟自然环境,同时更加灵活地适应特定秧苗的需求,上述种植区设置温度传感器和湿度传感器,由湿度传感器和温度传感器实时对种植区温度和湿度进行采样,并将温度和湿度信息发送至服务终端;其中,温度传感器和湿度传感器均为现有商品,通过温度传感器和湿度传感器实时监控种植区的环境变化,并通过服务终端自动控制环境调节设备,不仅为秧苗提供了更优质的生长条件,同时也提高了育秧过程的自动化和智能化水平,促进了资源使用的高效性、环境控制的精确性、生产过程的便捷性以及经济效益的提升。
其中,种植区内设置温度传感器和湿度传感器的目的是实现对种植环境的实时监测,再通过服务终端控制喷淋设备和控温设备调整湿度和温度环境,从而使得培育室能够模拟并维持一个与自然相仿的生长环境。其中湿度传感器和温度传感器将数据传递至服务终端。
上述服务终端配置湿度范围,当服务终端判断温度和湿度低于或高于预设范围时,服务终端可以自动启动相关的调控设备,如增湿或减湿装置,以快速调整环境条件,减少对植物生长有害的环境波动,具体的:
其中,服务终端接收到种植区的湿度低于设定湿度范围,服务终端则控制喷淋设备向种植区进行增湿,直至种植区的湿度达到湿度范围。
其中,当服务终端接收到种植区的湿度高于设定湿度范围,一般不需要进行特殊处理,仅需要保障足够通风状态,通过挥发的方式降低湿度即可。
基于上述实施例,本发明的另一个实施例是,上述育秧室分割的若干个种植区尺寸相同,所有种植区尺寸相同便于实施统一的管理,降低管理复杂性,同时利于标准化数据的收集和分析,且每个种植区的视觉采样装置相对独立,一个视觉采样装置对应一个种植区;同时保障种植区分配到每个区域的水分、养分和光照相对一致,有利于确保种植区内秧苗生长的一致性和均衡性。
每个视觉采样装置与服务终端信号连接,由视觉采样装置将对应种植区的秧苗进行图像采样并将图像输出传递至服务终端。每个种植区具备独立的视觉采样装置,可以分别进行图像采集,保证了监测数据的准确性和实时性。从而任何生长状况的异常都能被单独识别和及时处理。并且独立的视觉采样装置采用高清晰度的图像数据时,服务终端的图像处理还可以基于数据库的图片比对技术,进行识别疾病、营养不良或水分亏缺等情况初步判断,能够提升监测数据的质量和可靠性。
基于上述实施例,本发明的另一个实施例是,为了降低养殖风险,方法包括秧苗种植之前,使用消毒剂对育苗基质进行消毒处理,其中用消毒剂对育苗基质进行消毒可以有效去除土壤中的细菌、真菌、病毒等潜在的病原体和有害生物,避免病原体可以在植物幼苗阶段就对秧苗造成严重的伤害,避免秧苗物批量死亡风险。将所有种植区的环境参数调节至相同,均衡的环境参数有助于秧苗均衡吸收水分和养分,促进健康生长。由于苗期是植物生长最脆弱的阶段,一致的生长环境能最大化的确保秧苗的成活率。上述环境参数包括育秧基质比例、温度和湿度。
其中,基质材料可以是泥炭土、蛭石、珍珠岩、河沙、有机肥料的多种组合,考虑到秧苗结合喷淋系装置存在排水需求,那么基质可以选用泥炭土,珍珠岩、河沙和蛭石:材质,其泥炭土占比50%,珍珠岩、河沙和蛭石等分占剩下的50%。
需要说明的是,在温室或室内环境下,如果喷淋装置可控制的条件不需要排水,其育苗基质也可以根据所需透气性和保水能力进行适应性调整。
本发明的另一个实施例是, 一种基于机器视觉的智能决策立体循环育秧系统,使用上述实施例的方法,系统包括视觉采样装置、喷淋装置、温度传感器、湿度传感器、红外轮廓传感器、服务终端和上位机;上述服务终端分别与视觉采样装置、喷淋装置、温度传感器、湿度传感器、红外轮廓传感器连接,上述上位机与服务终端信号交互。使用温度传感器、湿度传感器、红外轮廓传感器可以非常精确地获取育秧环境信息,再通过服务终端对种植区的环境参数进行实时监控,保证育秧室内的环境条件始终处于设定范围。
其中,上述温度传感器用于获取育秧室多个种植区的温度信息;由服务终端记录种植区的温度变化信息。
其中,上述湿度传感器用于获取育秧多个种植区的湿度信息;由服务终端记录种植区的湿度变化信息。通过湿度传感将数据上传服务终端。服务终端分析传感器数据,服务终端可以自动控制喷淋装置等设备,以调节温度和湿度,维持适宜的生长环境。
其中,红外轮廓传感器为现有产品,上述红外轮廓传感器用于获取育秧室中的秧苗轮廓信息;红外轮廓传感器用于在不同的环境光线条件下稳定捕获植物轮廓,且不会被外界光源干扰捕捉秧苗的轮廓信息,且捕捉秧苗的轮廓信息包括秧苗的大小、形状和生长状态等特征。且秧苗轮廓信息用于对比服务终端接收秧苗图像数据进行校对;将降低图像数据可能会受到拍摄角度、光线等外部因素的影响,并且利用轮廓信息可以提供一个基准的描点,帮助纠正图像数据偏差,提高数据的精度。同时服务终端进行秧苗轮廓信息变化的数据记录,以及温度变化信息、湿度变化信息的数据记录。
上述服务终端定期将记录的所有信息发送至上位机,上述上位机用于根据数据记录并分析秧苗特征与生长环境之间的关系或训练模型来预测生长趋势。服务终端会定期将记录的所有信息发送至上位机。上位机通常是一台计算能力更强的计算机,可以存储大量数据并执行复杂的数据分析任务。从而将数据训练预测模型,从而便于通过预测秧苗的生长趋势来调节模型参数。其整体上有利于后期管理效率和作物的生长品质进行数据支持。
参考性的,其中训练模型方式可以采用现有方式:开始模型拟合之前,进行数据清洗,去除缺失值、异常值,以及将非数值型数据通过编码转换成数值型数据。随后使用种植环境的温度、湿度和秧苗的轮廓信息等作为特征变量。可以通过特征重要性评分、递归特征消除等方法来确定预测模型的关键特征,选用现有Perceptron机器学习模型进行拟合。用选定的特征和模型训练算法对训练数据集进行学习;并调整内部参数以尽可能拟合训练数据。
进一步的,上述喷淋装置安装多个输入泵作为输入端,每个输入泵对应不同的工作液种类,上述喷淋装置输出口对应每个种植区,且每个输出口上设有电磁阀。喷淋装置可以设置传递管路,仅需要在输出端设置雾化喷头作为输出端,从而降低管路的布局程度,有利于降低管路用材。
进一步的,上述工作液包括清水源、肥料源和液体农药,当需要进行试剂对秧苗影响试验时,上述上位机向服务终端发送指令,上述服务终端根据指令确定工作液种类和喷淋装置对应的目标区域,由服务终端控制喷淋装置的输入泵和电磁阀工作,将清水源、肥料源或液体农药择一送入到目标区域。
其中,每个电磁阀独立设置,所有的电磁阀进行编号,并采用一个现有的工控机进行控制,其工控机可以与服务终端信号连接,由服务终端向工控机输出指令,并控制对应电磁阀的开启或关闭。
在本说明书中所谈到的“一个实施例”、“另一个实施例”、 “实施例”、“优选实施例”等,指的是结合该实施例描述的具体特征、结构或者特点包括在本申请概括性描述的至少一个实施例中。在说明书中多个地方出现同种表述不是一定指的是同一个实施例。进一步来说,结合任一实施例描述一个具体特征、结构或者特点时,所要主张的是结合其他实施例来实现这种特征、结构或者特点也落在本发明的范围内。
尽管这里参照本发明的多个解释性实施例对本发明进行了描述,但是,应该理解,本领域技术人员可以设计出很多其他的修改和实施方式,这些修改和实施方式将落在本申请公开的原则范围和精神之内。更具体地说,在本申请公开、附图和权利要求的范围内,可以对主题组合布局的组成部件和/或布局进行多种变型和改进。除了对组成部件和/或布局进行的变形和改进外,对于本领域技术人员来说,其他的用途也将是明显的。
Claims (3)
1.一种基于机器视觉的智能决策立体循环育秧方法,其特征在于:将育秧室设置若干个种植区,育秧室配置对应每个种植区的喷淋设备、光照设备和控温设备;育秧室外部还配置有服务终端,所述服务终端用于远程控制育秧室的喷淋设备、光照设备和控温设备;每个种植区设置视觉采样装置,由视觉采样装置采集种植区的秧苗图像信息并发送到服务终端;
所述育秧室分割的若干个种植区尺寸相同,且每个种植区的视觉采样装置相对独立,每个视觉采样装置与服务终端信号连接,由视觉采样装置将对应种植区的秧苗进行图像采样并将图像输出传递至服务终端;
秧苗处于幼苗期,配置视觉采样装置设置第一工作模式;服务终端配置预估时间,第一工作模式下视觉采样装置在{T1}时间集中的多个固定时间节点上将采集秧苗图像数据并实时发送到服务器终端;所述服务终端用于接收秧苗图像数据并从图像数据上确定秧苗从岩棉或者海绵顶部突出的初始时间节点;若初始时间节点在预估时间范围内,则表示幼苗正常;若初始时间节点在预估时间范围外,则表示幼苗异常,所述服务终端发出警报;
其中,在秧苗生长到发芽期时,相邻的两个种植区相对独立;
其中,设置的{T1}时间集用于配合秧苗生长周期进行阶段性的采样,从而对比前后时差与突破覆盖物的秧苗数量;其中,服务终端自动记录秧苗的图像数据,并基于图像上秧苗突破覆盖物的密度,确定的生长数据;
秧苗处于发芽期,配置视觉采样装置设置第二工作模式;服务终端配置预生长范围,第二工作模式下视觉采样装置在{T2}时间集中的时间节点上将采集图像数据并实时发送到服务器终端;服务终端接收秧苗图像数据并从图像数据上确定岩棉或者海绵顶部突出的苗芽长度;其中,{T2}时间集中的每个时间点的间隔时间则统一使用分钟来衡量;
所述{T1}时间集中的固定时间点包括完成放置后的初始时间点,以及以初始时间点为基准的,间隔3分钟、间隔15分钟和间隔1小时的固定时间点;其中{T2}时间集中的每个时间点的时间间隔相同,其间隔时间使用分钟为单位;
其中,预生长范围为上一次育苗的植物生长数据得出的,且预生长范围用于反映特定生长阶段秧苗应有的正常生长速度和大小;
若图像数据表示的苗芽长度在预生长范围内,则表示秧苗生长状况正常;所述服务终端整理数据备查;
若图像数据表示的苗芽长度在预生长范围外,则表示秧苗生长状况异常;所述服务终端发出警报;当局部出现异常,则表示秧苗的生长很大程度上受到环境条件的影响,同时服务终端筛查环境参数数据,核对相应环境参数是否存在波动;当所有图像数据表示的苗芽长度在预生长范围外,且环境参数并未异常时,则表示秧苗的生长很大程度上受到基因潜力影响;
若图像数据上显示苗芽上存在虫孔,则表示生长状况为虫害,所述服务器终端控制育秧室的喷淋设备工作,使喷淋设备向虫害种植区和周边的种植区喷淋杀虫剂;且虫害区域喷洒杀虫剂的浓度向周边区域喷洒浓度逐渐递减;
在整个育秧过程中,所述服务终端配置曝光范围参数,所述服务器终端用于分析图像数据的曝光强度;服务器终端根据图像数据确定种植区采光强度,并控制光照设备使每个种植区的光照强度趋于一致;
所述服务器终端根据所述图像数据确定种植区采光强度时,所有种植区图像数据的曝光强度在所述曝光范围参数内,则表示正常;若某个种植区图像数据的曝光强度大于或小于所述曝光范围参数,则表示种植区异常;由所述服务终端通过光照设备调整种植区局部光照强度;
其中,通过红外轮廓传感器用于获取育秧室中的秧苗轮廓信息;红外轮廓传感器用于在不同的环境光线条件下稳定捕获植物轮廓;
其中,秧苗轮廓信息用于对比服务终端接收秧苗图像数据进行校对,并且利用轮廓信息提供一个基准的描点,帮助纠正图像数据偏差,同时服务终端进行秧苗轮廓信息变化的数据记录。
2.根据权利要求1所述的基于机器视觉的智能决策立体循环育秧方法,其特征在于:所述种植区设置温度传感器和湿度传感器,由湿度传感器和温度传感器实时对种植区温度和湿度进行采样,并将温度和湿度信息发送至服务终端;所述服务终端配置湿度范围,所述服务终端接收到种植区的湿度低于设定湿度范围,服务终端则控制喷淋设备向种植区进行增湿,直至种植区的湿度达到湿度范围。
3.根据权利要求1所述的基于机器视觉的智能决策立体循环育秧方法,方法包括秧苗种植之前,使用消毒剂对育苗基质进行消毒处理,将所有种植区的环境参数调节至相同,所述环境参数包括育秧基质比例、温度和湿度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029881.3A CN117530164B (zh) | 2024-01-09 | 2024-01-09 | 一种基于机器视觉的智能决策立体循环育秧方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410029881.3A CN117530164B (zh) | 2024-01-09 | 2024-01-09 | 一种基于机器视觉的智能决策立体循环育秧方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117530164A CN117530164A (zh) | 2024-02-09 |
CN117530164B true CN117530164B (zh) | 2024-04-02 |
Family
ID=89794261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410029881.3A Active CN117530164B (zh) | 2024-01-09 | 2024-01-09 | 一种基于机器视觉的智能决策立体循环育秧方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117530164B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004121033A (ja) * | 2002-09-30 | 2004-04-22 | Hamamatsu Photonics Kk | 植物体栽培装置および方法 |
CN103344276A (zh) * | 2013-06-20 | 2013-10-09 | 广州市晶华光学电子有限公司 | 一种种植用监控系统及相机 |
JP2016052293A (ja) * | 2014-09-04 | 2016-04-14 | 国立研究開発法人農業・食品産業技術総合研究機構 | 植物栽培用の環境制御システム |
CN205830590U (zh) * | 2016-07-26 | 2016-12-28 | 天津市东东果蔬种植专业合作社 | 一种温室种子育苗系统 |
CN108513768A (zh) * | 2018-04-18 | 2018-09-11 | 河南科技大学 | 一种自动除草及播种装置 |
US10470379B1 (en) * | 2014-06-12 | 2019-11-12 | Iowa State University Research Foundation, Inc. | High-throughput large-scale plant phenotyping instrumentation |
CN209950003U (zh) * | 2019-03-20 | 2020-01-17 | 周复艳 | 林业育苗种植箱 |
KR20210015016A (ko) * | 2019-07-31 | 2021-02-10 | 대한민국(농촌진흥청장) | 스마트 공정육묘 통합관리시스템 |
CN114521360A (zh) * | 2022-03-08 | 2022-05-24 | 湖州师范学院 | 一种种子发芽试验监测装置及监测方法 |
CN116721236A (zh) * | 2023-07-17 | 2023-09-08 | 厦门农芯数字科技有限公司 | 一种基于数字孪生大棚种植监测方法、系统及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102015221085A1 (de) * | 2015-10-28 | 2017-05-04 | Robert Bosch Gmbh | Verfahren und Informationssystem zum Erkennen zumindest einer auf einem Feld angepflanzten Pflanze |
CN108387262B (zh) * | 2018-01-03 | 2020-05-01 | 江苏大学 | 一种基于悬挂式滑轨平台的温室信息自动监测方法 |
-
2024
- 2024-01-09 CN CN202410029881.3A patent/CN117530164B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004121033A (ja) * | 2002-09-30 | 2004-04-22 | Hamamatsu Photonics Kk | 植物体栽培装置および方法 |
CN103344276A (zh) * | 2013-06-20 | 2013-10-09 | 广州市晶华光学电子有限公司 | 一种种植用监控系统及相机 |
US10470379B1 (en) * | 2014-06-12 | 2019-11-12 | Iowa State University Research Foundation, Inc. | High-throughput large-scale plant phenotyping instrumentation |
JP2016052293A (ja) * | 2014-09-04 | 2016-04-14 | 国立研究開発法人農業・食品産業技術総合研究機構 | 植物栽培用の環境制御システム |
CN205830590U (zh) * | 2016-07-26 | 2016-12-28 | 天津市东东果蔬种植专业合作社 | 一种温室种子育苗系统 |
CN108513768A (zh) * | 2018-04-18 | 2018-09-11 | 河南科技大学 | 一种自动除草及播种装置 |
CN209950003U (zh) * | 2019-03-20 | 2020-01-17 | 周复艳 | 林业育苗种植箱 |
KR20210015016A (ko) * | 2019-07-31 | 2021-02-10 | 대한민국(농촌진흥청장) | 스마트 공정육묘 통합관리시스템 |
CN114521360A (zh) * | 2022-03-08 | 2022-05-24 | 湖州师范学院 | 一种种子发芽试验监测装置及监测方法 |
CN116721236A (zh) * | 2023-07-17 | 2023-09-08 | 厦门农芯数字科技有限公司 | 一种基于数字孪生大棚种植监测方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉算法的水稻秧苗状态识别;陈信新;王福林;宋莹莹;;计算机应用研究;20180531(第5期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117530164A (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2688234C1 (ru) | Способ интеллектуального управления выращиванием и интеллектуальное устройство для выращивания | |
CN109191074A (zh) | 智慧果园种植管理系统 | |
CN110347127A (zh) | 基于云服务的农作物种植托管系统及方法 | |
CN110579987A (zh) | 基于lora通讯的智慧果园信息控制系统及方法 | |
CN1559175A (zh) | 远程无线作物信息反馈和可控环境农业智能化系统 | |
CN111504371A (zh) | 大数据服务系统 | |
CN102954816A (zh) | 作物长势的监测方法 | |
CN111557158A (zh) | 智能灌溉控制方法及系统 | |
CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
CN111459033A (zh) | 水、肥精量灌溉的灰色预测模糊pid控制方法及设备 | |
KR20200043801A (ko) | 인공지능 식물 관리 시스템 | |
KR20210059494A (ko) | 스마트팜 시스템 | |
WO2021237333A1 (en) | Real-time projections and estimated distributions of agricultural pests, diseases, and biocontrol agents | |
KR102071175B1 (ko) | 작물 생육상태에 따른 생장 관리 시스템 | |
CN117530164B (zh) | 一种基于机器视觉的智能决策立体循环育秧方法和系统 | |
CN110308710A (zh) | 一种番茄种植监控平台 | |
Marcheriz et al. | Design of IoT-Based Tomato Plant Growth Monitoring System in The Yard | |
CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
CN112913530B (zh) | 集成化智能种植装置 | |
KR102377963B1 (ko) | 육묘장 관리 시스템 및 방법 | |
CN113837207A (zh) | 一种远程操控的植物照护装置及方法 | |
KR102545118B1 (ko) | 식재도를 이용한 과수원의 관리 방법 및 시스템 | |
KR20130011578A (ko) | 하우스용 농작물 원격감시 스마트단말기 | |
Monisha et al. | An Analysis of Different Smart Agricultural System Using IoT | |
Grant et al. | A Novel AI Method for Efficient and Sustainable Tomato Farming. |
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 |