CN117636056A - 基于大数据的农业信息监控方法及系统 - Google Patents
基于大数据的农业信息监控方法及系统 Download PDFInfo
- Publication number
- CN117636056A CN117636056A CN202311709587.9A CN202311709587A CN117636056A CN 117636056 A CN117636056 A CN 117636056A CN 202311709587 A CN202311709587 A CN 202311709587A CN 117636056 A CN117636056 A CN 117636056A
- Authority
- CN
- China
- Prior art keywords
- crop
- image
- change rate
- weather
- neural network
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims description 28
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及农田数据采集技术领域,具体公开了一种基于大数据的农业信息监控方法及系统,所述方法包括根据天气记录及作物变化率训练神经网络模型;根据预设的传感器实时监测天气信息,根据预设的频率截取天气信息,将所述天气信息输入训练好的神经网络模型,得到作物变化率;根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量。本发明根据大数据技术构建天气信息至作物生长参数的神经网络模型,将监控设备由摄像头转换为天气信息采集传感器,根据传感器获取到的数据控制无人机进行巡检,识别准度几乎不变,成本极大降低,适用于大面积的农业种植场景。
Description
技术领域
本发明涉及农田数据采集技术领域,具体是一种基于大数据的农业信息监控方法及系统。
背景技术
在现有技术背景下,农业种植大都是智能化种植过程,通过一些自动化设备可以替代人工完成种植工作,智能化种植过程中,很重要的一个环节就是种植监控过程,现有的种植监控过程大都依赖于摄像头的实时监测,这种监测方式实时性强,但是仅适用于小范围种植,面对大区域种植环境时,很难铺设足够多的摄像头,这不仅包括摄像头的成本,视频存储设备的需求量也会非常大,因此,如何提供一种成本更低的农业信息监控方案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基于大数据的农业信息监控方法及系统,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:
一种基于大数据的农业信息监控方法,所述方法包括:
基于大数据技术获取天气记录及作物变化率,根据所述天气记录及作物变化率训练神经网络模型;所述神经网络模型的输入为某一时间段内的天气记录,输出为对应时间段内的作物变化率;
根据预设的传感器实时监测天气信息,根据预设的频率截取天气信息,将所述天气信息输入训练好的神经网络模型,得到作物变化率;
根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量;
基于所述实际作物量调节所述频率及神经网络模型。
作为本发明进一步的方案:所述基于大数据技术获取天气记录及作物变化率,根据所述天气记录及作物变化率训练神经网络模型的步骤包括:
查询作物的生长期,根据生长期确定作物变化率的数据结构,基于数据结构统计各个时段的作物变化量,基于作物变化量计算作物变化率;
查询天气记录,根据作物变化率的时段对所述天气记录进行切分,构建天气记录至作物变化率的样本;
根据生长期对样本进行分类,构建训练集、测试集和验证集,基于训练集、测试集和验证集训练神经网络模型。
作为本发明进一步的方案:所述根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量的步骤包括:
判断所述作物变化率是否包含于预设的变化范围,当所述作物变化率超出所述变化范围时,将对应的传感器标记为目标传感器;
以所述目标传感器为中心,预设的数值为尺寸查询农田区域,作为目标区域;
统计所有目标传感器的位置,基于所述位置随机生成预设条数的无人机路径;
查询无人机路径中的采集区域,计算采集区域与目标区域的差集,作为参考区域;
根据预设的参照物对所述参考区域进行遍历匹配,根据匹配结果选取无人机路径;
基于无人机路径对应的参考区域对目标区域进行识别,判定实际作物量。
作为本发明进一步的方案:所述基于无人机路径对应的参考区域对目标区域进行识别,判定实际作物量的步骤包括:
查询无人机路径中的包含参照物的参考区域对应的图像,并将其转换为HSV空间图像;
抽取HSV空间图像中的H分量、S分量和V分量,对各分量进行频域转换,得到参照物的频域图像;所述频域图像包括H频域图像、S频域图像和V频域图像;
将参照物的频域图像与标准频域图像作差,得到H变换层、S变换层和V变换层;
根据预设的权重系数叠加H变换层、S变换层和V变换层,得到变化图层,作为变化基准参数;
基于所述变化基准参数对目标区域对应的图像进行识别,判定实际作物量。
作为本发明进一步的方案:所述基于所述变化基准参数对目标区域对应的图像进行识别,判定实际作物量的步骤包括:
读取目标区域对应的图像,将其转换至HSV空间,并对HSV空间内的图像进行频域转换;
读取变化图层,对频域转换后的图像进行修正,对修正后的图像进行时域转换,得到修正图像;
对所述修正图像进行识别,判定实际作物量。
根据权利要求1所述的基于大数据的农业信息监控方法,其特征在于,所述基于所述实际作物量调节所述频率及神经网络模型的步骤包括:
查询当前实际作物量的检测时刻和前一实际作物量的检测时刻,计算时间段及其实际变化量;
统计所述时间段内的作物变化率,计算理论变化量;
比对所述实际变化量和所述理论变化量,计算预测准度;
根据所述预测准度调节所述频率;其中,频率与预测准度呈反比;
当所述预测准度小于预设的准度阈值时,基于无人机采集数据更新神经网络模型的训练样本。
作为本发明进一步的方案:将图像转换至HSV空间的过程包括:
R'=R/255;
G'=G/255;
B'=B/255;
V=max(R',G',B');
式中,R、G和B分别为RGB空间内的图像色值,H、S和V分别为HSV空间内的图像色值,分别为色调、饱和度和明度。
本发明技术方案还提供了一种基于大数据的农业信息监控系统,所述系统包括:
模型训练模块,用于基于大数据技术获取天气记录及作物变化率,根据所述天气记录及作物变化率训练神经网络模型;所述神经网络模型的输入为某一时间段内的天气记录,输出为对应时间段内的作物变化率;
模型应用模块,用于根据预设的传感器实时监测天气信息,根据预设的频率截取天气信息,将所述天气信息输入训练好的神经网络模型,得到作物变化率;
作物量判定模块,用于根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量;
识别结果应用模块,用于基于所述实际作物量调节所述频率及神经网络模型。
作为本发明进一步的方案:所述模型训练模块包括:
变化率计算单元,用于查询作物的生长期,根据生长期确定作物变化率的数据结构,基于数据结构统计各个时段的作物变化量,基于作物变化量计算作物变化率;
样本构建单元,用于查询天气记录,根据作物变化率的时段对所述天气记录进行切分,构建天气记录至作物变化率的样本;
训练执行单元,用于根据生长期对样本进行分类,构建训练集、测试集和验证集,基于训练集、测试集和验证集训练神经网络模型。
作为本发明进一步的方案:所述模型应用模块包括:
范围比对单元,用于判断所述作物变化率是否包含于预设的变化范围,当所述作物变化率超出所述变化范围时,将对应的传感器标记为目标传感器;
目标查询单元,用于以所述目标传感器为中心,预设的数值为尺寸查询农田区域,作为目标区域;
路径生成单元,用于统计所有目标传感器的位置,基于所述位置随机生成预设条数的无人机路径;
差集计算单元,用于查询无人机路径中的采集区域,计算采集区域与目标区域的差集,作为参考区域;
路径选取单元,用于根据预设的参照物对所述参考区域进行遍历匹配,根据匹配结果选取无人机路径;
识别执行单元,用于基于无人机路径对应的参考区域对目标区域进行识别,判定实际作物量。
与现有技术相比,本发明的有益效果是:本发明根据大数据技术构建天气信息至作物生长参数的神经网络模型,将监控设备由摄像头转换为天气信息采集传感器,根据传感器获取到的数据控制无人机进行巡检,在保证视觉监测架构的基础上,极大地降低了数据获取量,识别准度几乎不变,成本极大降低,适用于大面积的农业种植场景。
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为基于大数据的农业信息监控方法的流程框图。
图2为基于大数据的农业信息监控方法的第一子流程框图。
图3为基于大数据的农业信息监控方法的第二子流程框图。
图4为基于大数据的农业信息监控方法的第三子流程框图。
图5为基于大数据的农业信息监控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为基于大数据的农业信息监控方法的流程框图,本发明实施例中,一种基于大数据的农业信息监控方法,所述方法包括:
步骤S100:基于大数据技术获取天气记录及作物变化率,根据所述天气记录及作物变化率训练神经网络模型;所述神经网络模型的输入为某一时间段内的天气记录,输出为对应时间段内的作物变化率;
一个区域的天气信息容易获取,只需要一些监测器及存储器即可,大部分地区都会记录天气信息;作物变化率是作物在生长过程中变化情况,由生长量比上时间,即可计算出作物变化率,作物变化率与天气信息是相关的,统计同一作物在多个区域下的作物变化率,然后再查询对应的天气记录,可以训练出一个神经网络模型,用于表征天气对作物生长过程的影响程度。
需要说明的是,作物的种植区域有很多,每个种植区域都有着独立的天气记录,这些数据的数据量很大,基于这些数据训练出的神经网络模型,准确率极高。
步骤S200:根据预设的传感器实时监测天气信息,根据预设的频率截取天气信息,将所述天气信息输入训练好的神经网络模型,得到作物变化率;
步骤S200是神经网络模型的应用过程,对于某一个待监控的区域,根据预设的频率查询待监控的区域的天气信息,将其输入训练好的神经网络模型,可以得到作物变化率。
步骤S300:根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量;
对于一个作物来说,不同生长阶段的作物变化率有一个标准范围,只要作物变化率在该标准范围内,就认为生长过程是稳定的,如果超出了该范围,那么就认为其可能存在某些问题,此时,需要借助无人机获取对应的作物图像,进而进行识别,计算实际作物量。
步骤S400:基于所述实际作物量调节所述频率及神经网络模型;
对所述实际作物量进行分析,一方面可以确定是否存在异常,另一方面可以调节数据处理频率,所述数据频率是天气信息的截取频率,每截取一次,本发明技术方案执行一次,当存在异常时,频率需要调节,此时,说明神经网络模型的结果也存在一定的问题,因此,还需要神经网络模型进行更新,更新的方式非常简单,就是更新其训练样本。
图2为基于大数据的农业信息监控方法的第一子流程框图,所述基于大数据技术获取天气记录及作物变化率,根据所述天气记录及作物变化率训练神经网络模型的步骤包括:
步骤S101:查询作物的生长期,根据生长期确定作物变化率的数据结构,基于数据结构统计各个时段的作物变化量,基于作物变化量计算作物变化率;
步骤S102:查询天气记录,根据作物变化率的时段对所述天气记录进行切分,构建天气记录至作物变化率的样本;
步骤S103:根据生长期对样本进行分类,构建训练集、测试集和验证集,基于训练集、测试集和验证集训练神经网络模型。
在本发明技术方案的一个实例中,对神经网络模型的训练过程进行了限定,由于作物的生长期不同,作物变化量的评价标准不同,比如,在根茎期,茎长作为作物变化量的评价标准,在开花期,花瓣半径作为作物变化量的评价标准等;因此,需要根据作物的生长期确定不同的数据结构,进而统计各个时段的作物变化量,计算作物变化量与时间的比值,得到作物变化率,其中,时段的时间跨度越小,消耗的成本越高,作物变化率的计算结果越准确。
作物变化率与天气记录存在时间上的对应关系,因此,需要根据作物变化率的时段查询对应的天气记录,进而构建样本,对样本进行分类,按照8:1:1的比例构建训练集、测试集和验证集,训练神经网络模型即可。
图3为基于大数据的农业信息监控方法的第二子流程框图,所述根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量的步骤包括:
步骤S301:判断所述作物变化率是否包含于预设的变化范围,当所述作物变化率超出所述变化范围时,将对应的传感器标记为目标传感器;
步骤S302:以所述目标传感器为中心,预设的数值为尺寸查询农田区域,作为目标区域;
步骤S303:统计所有目标传感器的位置,基于所述位置随机生成预设条数的无人机路径;
步骤S304:查询无人机路径中的采集区域,计算采集区域与目标区域的差集,作为参考区域;
步骤S305:根据预设的参照物对所述参考区域进行遍历匹配,根据匹配结果选取无人机路径;
步骤S306:基于无人机路径对应的参考区域对目标区域进行识别,判定实际作物量。
在本发明技术方案的一个实例中,将得到的作物变化率与预设的变化范围进行比对,如果作物变化率超出了所述变化范围,就说明当前的作物生长情况可能存在异常,这一异常是由天气情况造成的,因此,需要对对应区域进一步检测。
进一步检测的方式就是,标记存在异常的传感器,以传感器为中心,划定一个区域作为目标区域;一般情况下,划定的目标区域不唯一,由无人机对其进行进一步的图像采集,会涉及到路径问题,统计各个目标区域的中心点,随机连接中心点,确定无人机的运动路径,将运动路径向无人机发送,可以由无人机获取各个目标区域的图像。
在这一过程中,无人机采集的范围不仅包含目标区域,还包含其他区域(比如无人机在运动过程中采集到的非目标区域),计算无人机采集到的总区域和目标区域的差值,得到的区域称为参考区域。
对参考区域进行识别,判断是否存在参照物,所述参照物及其图像特征由工作人员预先设定,考虑到普遍性,所述参照物一般选取电力基站等设置在农田区域中的建筑,工作人员在确定参照物的同时,会确定其标准图像,此时,比对采集到的图像和标准图像,可以在一定程度上剔除环境影响。
作为本发明技术方案的一个优选实施例,所述基于无人机路径对应的参考区域对目标区域进行识别,判定实际作物量的步骤包括:
查询无人机路径中的包含参照物的参考区域对应的图像,并将其转换为HSV空间图像;
抽取HSV空间图像中的H分量、S分量和V分量,对各分量进行频域转换,得到参照物的频域图像;所述频域图像包括H频域图像、S频域图像和V频域图像;
将参照物的频域图像与标准频域图像作差,得到H变换层、S变换层和V变换层;
根据预设的权重系数叠加H变换层、S变换层和V变换层,得到变化图层,作为变化基准参数;
基于所述变化基准参数对目标区域对应的图像进行识别,判定实际作物量。
在本发明技术方案的一个实例中,提供了一种基于参考区域的环境因素剔除过程,在此基础上,对目标区域的图像进行修正,可以极大地提高实际作物量的判定准确率。
具体的,变化基准参数的确定过程为:获取到的图像本身是RGB图像,为了便于分析,可以将其转换为灰度图像,但是将其转换为灰度图像的过程会丢失数据(三维合并为一维),因此,本申请将RGB图像转换为HSV空间图像,所述HSV空间图像包含三个通道:H通道、S通道和V通道,分别代表色调、饱和度和明度。
对三个通道下的图像进行频域转换,可以得到频域尺度下各个图像的特征,称为H频域图像、S频域图像和V频域图像。
对H频域图像、S频域图像和V频域图像进行分析,可以得到三个变化图层,根据预设的权重系数对三个变化图层进行叠加,得到一个整体的图层,称为变化图层;需要说明的是,权重系数可以为零,如果将H频域图像和S频域图像的权重系数都设为零,那么相当于仅由V频域图像确定变化图层。
此外,上述变化图层是频域尺度下的图层,在后续的应用过程中,也需要对频域尺度下的图像进行处理。
作为本发明技术方案的一个优选实施例,所述基于所述变化基准参数对目标区域对应的图像进行识别,判定实际作物量的步骤包括:
读取目标区域对应的图像,将其转换至HSV空间,并对HSV空间内的图像进行频域转换;
读取变化图层,对频域转换后的图像进行修正,对修正后的图像进行时域转换,得到修正图像;
对所述修正图像进行识别,判定实际作物量。
上述内容是目标区域的图像的识别过程,其原理在于,根据参考区域确定的变化图层对目标区域的图像进行修正,对修正后的图像进行识别,进而判断实际作物量;判断实际作物量的过程非常简单,就是对图像进行轮廓识别,定位作物轮廓,根据作物轮廓的占比,极可计算出实际作物量。
需要说明的是,图像修正过程发生在频域,因此,需要将图像转换至频域,再进行修正,修正完成后,再进行时域转换,得到时域图像。
图4为基于大数据的农业信息监控方法的第三子流程框图,所述基于所述实际作物量调节所述频率及神经网络模型的步骤包括:
步骤S401:查询当前实际作物量的检测时刻和前一实际作物量的检测时刻,计算时间段及其实际变化量;
步骤S402:统计所述时间段内的作物变化率,计算理论变化量;
步骤S403:比对所述实际变化量和所述理论变化量,计算预测准度;
步骤S404:根据所述预测准度调节所述频率;其中,频率与预测准度呈反比;
步骤S405:当所述预测准度小于预设的准度阈值时,基于无人机采集数据更新神经网络模型的训练样本。
步骤S401至步骤S405对实际作物量的使用过程进行了描述,实际作物量可以直接作为结果,上报至工作人员;除此之外,统计当前实际作物量和上一次实际作物量的差值,可以计算出一个大时间段的实际变化量,根据神经网络模型的输出,可以计算出理论变化量(作物变化率在时间上的积分),比对实际变化量和理论变化量,可以得到一个反映神经网络模型性能的数值,称为预测准度,当预测准度较低时,提高天气信息的截取频率,进而增加比对次数,提高数据采集量;与此同时,根据实际变化量可以计算出更为准确、更加契合实际的作物变化率,结合天气信息,更新样本集,可以优化神经网络模型。
本发明技术方案中的图像处理过程发生在HSV空间内,将RGB图像转换为HSV图像的过程为:
R'=R/255;
G'=G/255;
B'=B/255;
V=max(R',G',B');
式中,R、G和B分别为RGB空间内的图像色值,H、S和V分别为HSV空间内的图像色值,分别为色调、饱和度和明度。
图5为基于大数据的农业信息监控系统的组成结构框图,本发明实施例中,一种基于大数据的农业信息监控系统,所述系统10包括:
模型训练模块11,用于基于大数据技术获取天气记录及作物变化率,根据所述天气记录及作物变化率训练神经网络模型;所述神经网络模型的输入为某一时间段内的天气记录,输出为对应时间段内的作物变化率;
模型应用模块12,用于根据预设的传感器实时监测天气信息,根据预设的频率截取天气信息,将所述天气信息输入训练好的神经网络模型,得到作物变化率;
作物量判定模块13,用于根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量;
识别结果应用模块14,用于基于所述实际作物量调节所述频率及神经网络模型。
进一步的,所述模型训练模块11包括:
变化率计算单元,用于查询作物的生长期,根据生长期确定作物变化率的数据结构,基于数据结构统计各个时段的作物变化量,基于作物变化量计算作物变化率;
样本构建单元,用于查询天气记录,根据作物变化率的时段对所述天气记录进行切分,构建天气记录至作物变化率的样本;
训练执行单元,用于根据生长期对样本进行分类,构建训练集、测试集和验证集,基于训练集、测试集和验证集训练神经网络模型。
具体的,所述模型应用模块12包括:
范围比对单元,用于判断所述作物变化率是否包含于预设的变化范围,当所述作物变化率超出所述变化范围时,将对应的传感器标记为目标传感器;
目标查询单元,用于以所述目标传感器为中心,预设的数值为尺寸查询农田区域,作为目标区域;
路径生成单元,用于统计所有目标传感器的位置,基于所述位置随机生成预设条数的无人机路径;
差集计算单元,用于查询无人机路径中的采集区域,计算采集区域与目标区域的差集,作为参考区域;
路径选取单元,用于根据预设的参照物对所述参考区域进行遍历匹配,根据匹配结果选取无人机路径;
识别执行单元,用于基于无人机路径对应的参考区域对目标区域进行识别,判定实际作物量。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于大数据的农业信息监控方法,其特征在于,所述方法包括:
基于大数据技术获取天气记录及作物变化率,根据所述天气记录及作物变化率训练神经网络模型;所述神经网络模型的输入为某一时间段内的天气记录,输出为对应时间段内的作物变化率;
根据预设的传感器实时监测天气信息,根据预设的频率截取天气信息,将所述天气信息输入训练好的神经网络模型,得到作物变化率;
根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量;
基于所述实际作物量调节所述频率及神经网络模型。
2.根据权利要求1所述的基于大数据的农业信息监控方法,其特征在于,所述基于大数据技术获取天气记录及作物变化率,根据所述天气记录及作物变化率训练神经网络模型的步骤包括:
查询作物的生长期,根据生长期确定作物变化率的数据结构,基于数据结构统计各个时段的作物变化量,基于作物变化量计算作物变化率;
查询天气记录,根据作物变化率的时段对所述天气记录进行切分,构建天气记录至作物变化率的样本;
根据生长期对样本进行分类,构建训练集、测试集和验证集,基于训练集、测试集和验证集训练神经网络模型。
3.根据权利要求1所述的基于大数据的农业信息监控方法,其特征在于,所述根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量的步骤包括:
判断所述作物变化率是否包含于预设的变化范围,当所述作物变化率超出所述变化范围时,将对应的传感器标记为目标传感器;
以所述目标传感器为中心,预设的数值为尺寸查询农田区域,作为目标区域;
统计所有目标传感器的位置,基于所述位置随机生成预设条数的无人机路径;
查询无人机路径中的采集区域,计算采集区域与目标区域的差集,作为参考区域;
根据预设的参照物对所述参考区域进行遍历匹配,根据匹配结果选取无人机路径;
基于无人机路径对应的参考区域对目标区域进行识别,判定实际作物量。
4.根据权利要求3所述的基于大数据的农业信息监控方法,其特征在于,所述基于无人机路径对应的参考区域对目标区域进行识别,判定实际作物量的步骤包括:
查询无人机路径中的包含参照物的参考区域对应的图像,并将其转换为HSV空间图像;
抽取HSV空间图像中的H分量、S分量和V分量,对各分量进行频域转换,得到参照物的频域图像;所述频域图像包括H频域图像、S频域图像和V频域图像;
将参照物的频域图像与标准频域图像作差,得到H变换层、S变换层和V变换层;
根据预设的权重系数叠加H变换层、S变换层和V变换层,得到变化图层,作为变化基准参数;
基于所述变化基准参数对目标区域对应的图像进行识别,判定实际作物量。
5.根据权利要求4所述的基于大数据的农业信息监控方法,其特征在于,所述基于所述变化基准参数对目标区域对应的图像进行识别,判定实际作物量的步骤包括:
读取目标区域对应的图像,将其转换至HSV空间,并对HSV空间内的图像进行频域转换;
读取变化图层,对频域转换后的图像进行修正,对修正后的图像进行时域转换,得到修正图像;
对所述修正图像进行识别,判定实际作物量。
6.根据权利要求1所述的基于大数据的农业信息监控方法,其特征在于,所述基于所述实际作物量调节所述频率及神经网络模型的步骤包括:
查询当前实际作物量的检测时刻和前一实际作物量的检测时刻,计算时间段及其实际变化量;
统计所述时间段内的作物变化率,计算理论变化量;
比对所述实际变化量和所述理论变化量,计算预测准度;
根据所述预测准度调节所述频率;其中,频率与预测准度呈反比;
当所述预测准度小于预设的准度阈值时,基于无人机采集数据更新神经网络模型的训练样本。
7.根据权利要求4至6任一项所述的基于大数据的农业信息监控方法,其特征在于,将图像转换至HSV空间的过程包括:
R′=R/255;
G′=G/255;
B′=B/255;
V=max(R′,G′,B′);
式中,R、G和B分别为RGB空间内的图像色值,H、S和V分别为HSV空间内的图像色值,分别为色调、饱和度和明度。
8.一种基于大数据的农业信息监控系统,其特征在于,所述系统包括:
模型训练模块,用于基于大数据技术获取天气记录及作物变化率,根据所述天气记录及作物变化率训练神经网络模型;所述神经网络模型的输入为某一时间段内的天气记录,输出为对应时间段内的作物变化率;
模型应用模块,用于根据预设的传感器实时监测天气信息,根据预设的频率截取天气信息,将所述天气信息输入训练好的神经网络模型,得到作物变化率;
作物量判定模块,用于根据所述作物变化率选取传感器,确定目标区域,根据无人机获取所述目标区域的图像,对图像进行识别,判定实际作物量;
识别结果应用模块,用于基于所述实际作物量调节所述频率及神经网络模型。
9.根据权利要求8所述的基于大数据的农业信息监控系统,其特征在于,所述模型训练模块包括:
变化率计算单元,用于查询作物的生长期,根据生长期确定作物变化率的数据结构,基于数据结构统计各个时段的作物变化量,基于作物变化量计算作物变化率;
样本构建单元,用于查询天气记录,根据作物变化率的时段对所述天气记录进行切分,构建天气记录至作物变化率的样本;
训练执行单元,用于根据生长期对样本进行分类,构建训练集、测试集和验证集,基于训练集、测试集和验证集训练神经网络模型。
10.根据权利要求8所述的基于大数据的农业信息监控系统,其特征在于,所述模型应用模块包括:
范围比对单元,用于判断所述作物变化率是否包含于预设的变化范围,当所述作物变化率超出所述变化范围时,将对应的传感器标记为目标传感器;
目标查询单元,用于以所述目标传感器为中心,预设的数值为尺寸查询农田区域,作为目标区域;
路径生成单元,用于统计所有目标传感器的位置,基于所述位置随机生成预设条数的无人机路径;
差集计算单元,用于查询无人机路径中的采集区域,计算采集区域与目标区域的差集,作为参考区域;
路径选取单元,用于根据预设的参照物对所述参考区域进行遍历匹配,根据匹配结果选取无人机路径;
识别执行单元,用于基于无人机路径对应的参考区域对目标区域进行识别,判定实际作物量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709587.9A CN117636056B (zh) | 2023-12-13 | 2023-12-13 | 基于大数据的农业信息监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311709587.9A CN117636056B (zh) | 2023-12-13 | 2023-12-13 | 基于大数据的农业信息监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117636056A true CN117636056A (zh) | 2024-03-01 |
CN117636056B CN117636056B (zh) | 2024-06-18 |
Family
ID=90025201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311709587.9A Active CN117636056B (zh) | 2023-12-13 | 2023-12-13 | 基于大数据的农业信息监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117636056B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162384A (zh) * | 2006-10-12 | 2008-04-16 | 魏珉 | 人工智能植物生长环境调控专家决策系统 |
CN101569281A (zh) * | 2009-05-26 | 2009-11-04 | 重庆大学 | 露天植物浇灌控制系统及其控制方法 |
CN107392317A (zh) * | 2017-07-28 | 2017-11-24 | 中南大学 | 一种智能环境运载机器人识别楼层的神经网络群体混合计算方法 |
WO2019081567A1 (de) * | 2017-10-26 | 2019-05-02 | Basf Se | Ertragsabschätzung beim anbau von kulturpflanzen |
CN111783987A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 基于改进bp神经网络的农田参考作物蒸散量预测方法 |
CN112434569A (zh) * | 2020-11-09 | 2021-03-02 | 吉林化工学院 | 一种无人机热成像系统 |
CN114384826A (zh) * | 2021-06-09 | 2022-04-22 | 李仲先 | 一种基于ai模拟的智能农业监测系统 |
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 |
CN115661547A (zh) * | 2022-11-10 | 2023-01-31 | 广州市景丽园芳信息技术有限公司 | 一种基于知识图谱的植物灌溉养护方法及系统 |
CN116071662A (zh) * | 2022-11-11 | 2023-05-05 | 广西壮族自治区水利科学研究院 | 一种基于遥感影像的农作物识别解译方法及系统 |
CN116076340A (zh) * | 2023-02-13 | 2023-05-09 | 广州大学 | 基于移动式灌溉系统的精准决策与灌溉的精准控制方法 |
CN116757509A (zh) * | 2023-08-18 | 2023-09-15 | 长春市辰奇农业科技有限公司 | 一种生态农业信息化用信息服务管理方法及管理系统 |
CN117114374A (zh) * | 2023-10-25 | 2023-11-24 | 四川省商投信息技术有限责任公司 | 一种基于天气预测的智慧农业灌溉管理系统 |
-
2023
- 2023-12-13 CN CN202311709587.9A patent/CN117636056B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162384A (zh) * | 2006-10-12 | 2008-04-16 | 魏珉 | 人工智能植物生长环境调控专家决策系统 |
CN101569281A (zh) * | 2009-05-26 | 2009-11-04 | 重庆大学 | 露天植物浇灌控制系统及其控制方法 |
CN107392317A (zh) * | 2017-07-28 | 2017-11-24 | 中南大学 | 一种智能环境运载机器人识别楼层的神经网络群体混合计算方法 |
WO2019081567A1 (de) * | 2017-10-26 | 2019-05-02 | Basf Se | Ertragsabschätzung beim anbau von kulturpflanzen |
CN111783987A (zh) * | 2020-07-14 | 2020-10-16 | 中国水利水电科学研究院 | 基于改进bp神经网络的农田参考作物蒸散量预测方法 |
CN112434569A (zh) * | 2020-11-09 | 2021-03-02 | 吉林化工学院 | 一种无人机热成像系统 |
CN114384826A (zh) * | 2021-06-09 | 2022-04-22 | 李仲先 | 一种基于ai模拟的智能农业监测系统 |
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 |
CN115661547A (zh) * | 2022-11-10 | 2023-01-31 | 广州市景丽园芳信息技术有限公司 | 一种基于知识图谱的植物灌溉养护方法及系统 |
CN116071662A (zh) * | 2022-11-11 | 2023-05-05 | 广西壮族自治区水利科学研究院 | 一种基于遥感影像的农作物识别解译方法及系统 |
CN116076340A (zh) * | 2023-02-13 | 2023-05-09 | 广州大学 | 基于移动式灌溉系统的精准决策与灌溉的精准控制方法 |
CN116757509A (zh) * | 2023-08-18 | 2023-09-15 | 长春市辰奇农业科技有限公司 | 一种生态农业信息化用信息服务管理方法及管理系统 |
CN117114374A (zh) * | 2023-10-25 | 2023-11-24 | 四川省商投信息技术有限责任公司 | 一种基于天气预测的智慧农业灌溉管理系统 |
Non-Patent Citations (4)
Title |
---|
JIANQING WU: "Automatic Background Filtering and Lane Identification with Roadside LiDAR Data", 《2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》, 15 March 2018 (2018-03-15) * |
张兵, 袁寿其, 成立, 袁建平, 从小青: "基于L-M优化算法的BP神经网络的作物需水量预测模型", 农业工程学报, no. 06, 30 November 2004 (2004-11-30) * |
熊伟;杨红龙;冯颖竹;: "不同气象数据空间内插对区域玉米生长模拟结果的影响", 生态学报, no. 18, 23 September 2010 (2010-09-23) * |
马建琴;宋智睿;: "基于可变模糊聚类的日参考作物腾发量预报模型及应用", 节水灌溉, no. 09, 5 September 2013 (2013-09-05) * |
Also Published As
Publication number | Publication date |
---|---|
CN117636056B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN113029971B (zh) | 一种作物冠层氮素监测方法及系统 | |
CN113901384A (zh) | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN112557307B (zh) | 天空地一体化湖库水质监测融合数据方法 | |
CN114199800B (zh) | 一种水稻纹枯病识别方法、系统、设备及介质 | |
CN113610040B (zh) | 一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法 | |
CN111985724A (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
CN116882079A (zh) | 一种水泵特性曲线自适应校准及预测方法 | |
CN116310891A (zh) | 一种云边协同输电线路缺陷智能检测系统和方法 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN117805099A (zh) | 一种耕地质量监测方法及系统 | |
CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
CN115147740A (zh) | 基于光谱与图像识别的农林病虫害空基监测系统及方法 | |
CN115169728A (zh) | 一种基于简化神经网络的土壤肥力预测方法 | |
CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
CN117589767A (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
CN117636056B (zh) | 基于大数据的农业信息监控方法及系统 | |
CN115019205B (zh) | 一种基于无人机多光谱影像的油菜花期spad和lai估测方法 | |
CN109658405B (zh) | 一种农作物实景观测中图像数据质量控制方法及系统 | |
CN116052141A (zh) | 作物生育期的识别方法、装置、设备及介质 | |
WO2023131949A1 (en) | A versatile crop yield estimator | |
CN114663652A (zh) | 图像处理方法、装置、管理系统、电子设备和存储介质 | |
CN114663761A (zh) | 作物长势确定方法、装置、设备和存储介质 | |
CN113191536A (zh) | 基于机器学习的近地面环境要素预测模型训练和预测方法 |
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 |