CN117854012A - 一种基于大数据的农作物环境监测方法及系统 - Google Patents
一种基于大数据的农作物环境监测方法及系统 Download PDFInfo
- Publication number
- CN117854012A CN117854012A CN202410259806.6A CN202410259806A CN117854012A CN 117854012 A CN117854012 A CN 117854012A CN 202410259806 A CN202410259806 A CN 202410259806A CN 117854012 A CN117854012 A CN 117854012A
- Authority
- CN
- China
- Prior art keywords
- environmental data
- crops
- insect pests
- data
- plant diseases
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 299
- 238000012549 training Methods 0.000 claims abstract description 26
- 241000607479 Yersinia pestis Species 0.000 claims description 352
- 201000010099 disease Diseases 0.000 claims description 316
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 316
- 241000238631 Hexapoda Species 0.000 claims description 297
- 239000000575 pesticide Substances 0.000 claims description 131
- 238000011161 development Methods 0.000 claims description 42
- -1 /or Species 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 12
- 230000003449 preventive effect Effects 0.000 claims description 10
- 239000004477 pesticide formulation type Substances 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 244000038559 crop plants Species 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 description 10
- 230000002265 prevention Effects 0.000 description 10
- 208000015181 infectious disease Diseases 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000010485 coping Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于大数据的农作物环境监测方法及系统，涉及大数据技术领域。包括获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练，得到可识别农作物种类以及农作物所处生长阶段的识别模型；识别模型对当前农作物进行识别，得出当前农作物的种类以及生长阶段，获取农作物当前生长阶段的各项环境数据适宜范围；获取农作物当前各项环境数据，对农作物的当前各项环境数据进行人为调整至处于环境数据适宜范围之间，避免根据主观判断农作物的适宜生长环境，不再受种植经验所限，做到灵活种植，同时通过传感器采集农作物当前环境数据，避免人为判断农作物是否处在适宜范围内，以及根据需要调整当前各项环境数据的具体数值。
Description
技术领域
本申请涉及大数据技术领域，具体涉及一种基于大数据的农作物环境监测方法及系统。
背景技术
我国的农业具有悠久的发展历史，农业是国民经济的基础，而农业主要是根据农作物的生长发育规律，通过人工培育来获得产品的产业；而近年来，随着信息大爆炸，各种数据扑面而来，大数据技术是以数据为本质的新一代革命性的信息技术，在数据挖潜过程中，能够带动理念、模式、技术及应用实践的创新，因此如何通过大数据与农业结合以提高农业效率，是一大热门研究方向。
目前，随着农业的产业化和规模化发展，很多田地采用了各种传感器对农作物当前所处的环境数据进行获取，通过对当前环境数据进行调整使农作物生长的更好，但是农作物所适宜的环境数据大多需要工作人员根据自身主观经验，对于多种农作物，工作人员难以知晓各种农作物的生长所需，进而无法做到灵活种植，且通过主观经验得出的结果准确度也难以保证，因此亟需一种基于大数据的农作物环境监测方法及系统，可以直接通过图像识别得出当前农作物的种类以及生长阶段，再通过大数据收集匹配各类农作物的各阶段所适宜的环境数据，根据得到的适宜的环境数据进行调整，实现农作物各阶段的生长始终处于适宜环境中，有效提高农作物产量。
发明内容
本申请针对农作物所适宜的环境数据大多需要工作人员根据自身主观经验，对于多种农作物，工作人员难以知晓各种农作物的生长所需，进而无法做到灵活种植，且通过主观经验得出的结果准确度也难以保证，因此通过图像识别得出当前农作物的种类以及生长阶段，再通过大数据收集匹配各类农作物的各阶段所适宜的环境数据，根据得到的适宜的环境数据进行调整，实现农作物各阶段的生长始终处于适宜环境中，有效提高农作物产量，具体技术方案如下：
在本申请的第一方面，提供一种基于大数据的农作物环境监测方法，包括：
获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练，得到可识别农作物种类以及农作物所处生长阶段的识别模型；
通过所述识别模型对当前农作物进行识别，得出当前农作物的种类以及生长阶段，获取农作物当前生长阶段的各项环境数据适宜范围；
获取农作物当前各项环境数据，对农作物的所述当前各项环境数据进行人为调整至处于所述环境数据适宜范围之间。
在本申请一实施例中，获取环境预测数据，得到未来时间环境数据的变化曲线，所述当前各项环境数据中会因为所述环境预测数据升高的为第一环境数据，降低的为第二环境数据；
当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第一环境数据人为调整至所述环境数据适宜范围的最低值；当所述第一环境数据位于所述环境数据适宜范围内，所述第一环境数据不进行人为调整；当所述第一环境数据高于所述环境数据适宜范围的最高值，将所述第一环境数据人为调整维持在所述环境数据适宜范围的最高值；
当所述第二环境数据高于所述环境数据适宜范围的最高值，将所述第二环境数据调整至所述环境数据适宜范围的最高值；当所述第二环境数据位于所述环境数据适宜范围内，所述第二环境数据不进行人为调整；当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第二环境数据人为调整维持在所述环境数据适宜范围的最低值。
在本申请一实施例中，所述获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练的步骤中，还包括：
获取病虫害的现有图像将现有图像输入模型进行训练，使所述识别模型还可以对病虫害进行识别，当所述识别模型识别农作物出现病虫害时，发出病虫害治疗提醒。
在本申请一实施例中，还包括：
获取该地区所有销售农药的种类以及各种类农药的农药说明书；
获取农作物周边的农药销售情况，得出所有农药种类的销量曲线；
通过所述农药说明书获得各种类农药对应可防治的病虫害种类，一种农药可防治多种病虫害，一种病虫害可通过多种农药进行防治，形成农药种类与病虫害种类之间多对多的对应关系；
根据所有农药种类的销量曲线，得到各种病虫害的防治量曲线，每一条所述防治量曲线为农作物周边为防治该种病虫害购买对应各种类农药的总量；
输出预设时间段内所述防治量曲线增长率高于阈值的病虫害种类，农作物针对该病虫害种类进行预防操作。
在本申请一实施例中，所述获取农作物周边的农药销售情况的步骤中，还包括：
获取农药销售点地址，根据所述农药销售点的销售辐射范围划分区域；
获取各区域的所述各类病虫害的所述防治量曲线，当任意区域中出现所述防治量曲线增长率高于阈值的病虫害种类时，该区域作为第一区域，所述防治量曲线增长率高于阈值的病虫害种类作为第一病虫害，对所述第一区域的临近区域进行监控所述第一病虫害的所述防治量曲线增长率；
当任一所述临近区域的所述第一病虫害的防治量曲线增长率高于阈值时，根据该所述临近区域与所述第一区域的相对方向和距离，输出所述第一病虫害的发展方向，同时根据所述第一区域防治量曲线增长率高于阈值的时间和该所述临近区域防治量曲线增长率高于阈值的时间，输出所述第一病虫害从所述第一区域发展到所述临近区域的发展速度，根据所述发展方向和所述发展速度实时预测所述第一病虫害到达农作物的时间，根据所述到达农作物的时间，结合农作物当前生长阶段采取对应操作。
在本申请一实施例中，所述识别模型包括第一监测子模型和第二监测子模型，当农作物周边没有出现所述第一病虫害和/或第二病虫害时，所述第一监测子模型和所述第二监测子模型一起对农作物和病虫害进行识别和监测；当农作物周边出现所述第一病虫害和/或第二病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第二监测子模型独立对所述第一病虫害和/或第二病虫害进行识别。
在本申请一实施例中，还包括，
建立病虫害相关词数据库，收集所述病虫害相关词；
对根据所述农药销售点的销售辐射范围划分的所有区域内的智能终端产生的聊天数据进行采集，对所述病虫害相关词进行提取；
各区域中的智能终端聊天数据出现所述病虫害相关词时，该区域作为第二区域，所述病虫害相关词对应病虫害为第二病虫害，对所述第二区域范围中所述病虫害相关词的出现次数在预设时间内进行统计，出现次数超出第二阈值时，同步信息给所述第二区域内的所述农药销售点，对所述第二区域临近区域进行监控所述第二病虫害对应的所述病虫害相关词的出现次数。
在本申请一实施例中，还包括获取各类病虫害的适宜环境数据，以及农作物的所述当前各项环境数据，输出农作物当前患各类病虫害的概率，农作物的所述当前各项环境数据越接近各类病虫害的适宜环境数据，患病虫害的概率越高，根据农作物患病虫害的概率进行预防操作。
在本申请一实施例中，农作物患各类病虫害的概率超过阈值的病虫害作为第三病虫害，所述识别模型包括第三监测子模型，当不存在所述第三病虫害时，所述第一监测子模型和所述第三监测子模型一起对农作物和病虫害进行识别和监测；当出现所述第三病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第三监测子模型独立对所述第三病虫害进行识别。
在本申请的第二方面，提供一种基于大数据的农作物环境监测系统，包括：
模型训练模块，获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练，得到可识别农作物种类以及农作物所处生长阶段的识别模型；
模型识别模块，通过所述识别模型对当前农作物进行识别，得出当前农作物的种类以及生长阶段，获取农作物当前生长阶段的各项环境数据适宜范围；
数据调整模块，获取农作物当前各项环境数据，对农作物的所述当前各项环境数据进行人为调整至处于所述环境数据适宜范围之间。
在本申请一实施例中，还包括数据预测模块，获取环境预测数据，得到未来时间环境数据的变化曲线，所述当前各项环境数据中会因为所述环境预测数据升高的为第一环境数据，降低的为第二环境数据；
当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第一环境数据人为调整至所述环境数据适宜范围的最低值；当所述第一环境数据位于所述环境数据适宜范围内，所述第一环境数据不进行人为调整；当所述第一环境数据高于所述环境数据适宜范围的最高值，将所述第一环境数据人为调整维持在所述环境数据适宜范围的最高值；
当所述第二环境数据高于所述环境数据适宜范围的最高值，将所述第二环境数据调整至所述环境数据适宜范围的最高值；当所述第二环境数据位于所述环境数据适宜范围内，所述第二环境数据不进行人为调整；当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第二环境数据人为调整维持在所述环境数据适宜范围的最低值。
在本申请一实施例中，所述模型训练模块，还包括病虫害训练子模块：
获取病虫害的现有图像将现有图像输入模型进行训练，使所述识别模型还可以对病虫害进行识别，当所述识别模型识别农作物出现病虫害时，发出病虫害治疗提醒。
在本申请一实施例中，还包括病虫害预测子模块：
获取该地区所有销售农药的种类以及各种类农药的农药说明书；
获取农作物周边的农药销售情况，得出所有农药种类的销量曲线；
通过所述农药说明书获得各种类农药对应可防治的病虫害种类，一种农药可防治多种病虫害，一种病虫害可通过多种农药进行防治，形成农药种类与病虫害种类之间多对多的对应关系；
根据所有农药种类的销量曲线，得到各种病虫害的防治量曲线，每一条所述防治量曲线为农作物周边为防治该种病虫害购买对应各种类农药的总量；
输出预设时间段内所述防治量曲线增长率高于阈值的病虫害种类，农作物针对该病虫害种类进行预防操作。
在本申请一实施例中，所述病虫害预测子模块中，还包括：
获取农药销售点地址，根据所述农药销售点的销售辐射范围划分区域；
获取各区域的所述各类病虫害的所述防治量曲线，当任意区域中出现所述防治量曲线增长率高于阈值的病虫害种类时，该区域作为第一区域，所述防治量曲线增长率高于阈值的病虫害种类作为第一病虫害，对所述第一区域的临近区域进行监控所述第一病虫害的所述防治量曲线增长率；
当任一所述临近区域的所述第一病虫害的防治量曲线增长率高于阈值时，根据该所述临近区域与所述第一区域的相对方向和距离，输出所述第一病虫害的发展方向，同时根据所述第一区域防治量曲线增长率高于阈值的时间和该所述临近区域防治量曲线增长率高于阈值的时间，输出所述第一病虫害从所述第一区域发展到所述临近区域的发展速度，根据所述发展方向和所述发展速度实时预测所述第一病虫害到达农作物的时间，根据所述到达农作物的时间，结合农作物当前生长阶段采取对应操作。
在本申请一实施例中，还包括相关词识别模块，
建立病虫害相关词数据库，收集所述病虫害相关词；
对根据所述农药销售点的销售辐射范围划分的所有区域内的智能终端产生的聊天数据进行采集，对所述病虫害相关词进行提取；
各区域中的智能终端聊天数据出现所述病虫害相关词时，该区域作为第二区域，所述病虫害相关词对应病虫害为第二病虫害，对所述第二区域范围中所述病虫害相关词的出现次数在预设时间内进行统计，出现次数超出第二阈值时，同步信息给所述第二区域内的所述农药销售点，对所述第二区域临近区域进行监控所述第二病虫害对应的所述病虫害相关词的出现次数。
在本申请一实施例中，所述识别模型包括第一监测子模型和第二监测子模型，当农作物周边没有出现所述第一病虫害和/或第二病虫害时，所述第一监测子模型和所述第二监测子模型一起对农作物和病虫害进行识别和监测；当农作物周边出现所述第一病虫害和/或第二病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第二监测子模型独立对所述第一病虫害和/或第二病虫害进行识别。
在本申请一实施例中，还包括获取各类病虫害的适宜环境数据，以及农作物的所述当前各项环境数据，输出农作物当前患各类病虫害的概率，农作物的所述当前各项环境数据越接近各类病虫害的适宜环境数据，患病虫害的概率越高，根据农作物患病虫害的概率进行预防操作。
在本申请一实施例中，农作物患各类病虫害的概率超过阈值的病虫害作为第三病虫害，所述识别模型包括第三监测子模型，当不存在所述第三病虫害时，所述第一监测子模型和所述第三监测子模型一起对农作物和病虫害进行识别和监测；当出现所述第三病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第三监测子模型独立对所述第三病虫害进行识别。
本申请具有以下有益效果：
1、首先获取当前地区历年的环境数据，通过对历年环境数据分析得出适合当前地区种植的农作物种类，为工作人员采购农作物种子提供意见，同时也可以手动添加目标农作物，通过大数据获取适合当前地区种植的农作物种类以及手动添加的目标农作物的各阶段现有图像，通过对适宜农作物和目标农作物的图像采集，减少神经网络模型对该地区无法种植的农作物的学习，减小服务器计算和存储压力，同时提高识别效率；通过所述识别模型自动识别出当前农作物的种类以及当前所处生长阶段；再通过大数据对应得出农作物当前各项环境数据适宜范围；再通过各种传感器获取农作物当前各项环境数据，当各项环境数据中有不在环境数据适宜范围内的数据时，通过人为调整，将农作物的所述当前各项环境数据调整至所述环境数据适宜范围之内，通过大数据获得各种农作物各阶段的适宜范围，避免工作人员根据主观判断当前农作物的适宜生长环境，工作人员不再受自身种植经验所限，做到灵活种植，同时通过传感器采集农作物当前环境数据，避免人为判断农作物当前是否处在适宜范围内，以及需要调整的当前各项环境数据的具体数值。
2、考虑到未来的环境数据变化会直接影响农作物当前各项环境数据，因此对农作物人为调整环境数据时，可结合未来的环境数据变换量进行调整，具体的通过大数据对农作物所在位置未来的环境数据进行预测，得到未来时间环境数据的变化曲线，包括温度，降水量等的变化曲线，而对于所述第一环境数据和所述第二环境数据，例如开始下雨，降雨量从0开始提高时，土壤水分和空气湿度作为所述第一环境数据被所述环境预测数据影响而提高；再例如雨停，降雨量归0时，土壤水分和空气湿度作为所述第二环境数据被所述环境预测数据影响而降低；具体的当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第一环境数据人为调整至所述环境数据适宜范围的最低值；当所述第一环境数据位于所述环境数据适宜范围内，所述第一环境数据不进行人为调整；当所述第一环境数据高于所述环境数据适宜范围的最高值，将所述第一环境数据人为调整维持在所述环境数据适宜范围的最高值；所述第二环境数据对应所述第一环境数据的调整进行调整，最小程度的减少人为调整的量，尤其适用于缺水地区或缺水时节的农作物种植，最大程度利于未来环境的变化，有效节省人工介入资源的同时，也可以使农作物始终处于适宜环境中。
3、在先的实施例中通过农作物的现有图像进行训练神经网络模型，本实施例以所述识别模型为基础，添加农作物会患的各种病害以及虫害图像进行训练，得出可以识别病虫害的所述识别模型，当识别出农作物出现病虫害是，向工作人员发出治疗提醒，实现尽早的对各种病虫害的识别，避免人工识别的主观性，可以尽早的对农作物进行针对性的治疗，减少农作物的损失。
4、考虑到上一实施例中识别模型需要农作物已经感染病虫害才能进行识别，此时农作物进行遭受了损失，因此需要一种病虫害预测方法，在农作物还未感染病虫害时，对感染风险进行预测，当风险高于阈值时，对农作物提前进行防治操作，减少农作物的患病概率，具体的，通常某田地发生病虫害时，田地所属工作人员对购买对应治疗的农药对农作物进行治疗，因此治疗该种病虫害的农药销售量会出现增长，因此获取农作物周边的农药销售情况，得出所有农药种类的销量曲线，结合各种类农药对应防治的病虫害，得到防治各类病虫害的增长率，输出增长率高于阈值的病虫害种类，说明农作物周边可能出现了该种病虫害，在农作物还未感染之前对农作物针对该病虫害种类进行预防操作，有助于帮助工作人员度过感染期，减少农作物损失风险。
5、随着能采集农药销售点销量的增多，农作物周边的范围可以逐渐增大，以获得更大范围的监测，进而获得更长的应对时间，具体的，根据所述农药销售点的销售辐射范围划分区域，如同一区域内包括多个农药销售点时，将多个农药销售点的总销量作为该区域的农药销售量，因此农作物周边包括了远近不同的若干区域，对所述第一区域临近区域进行监控所述第一病虫害的增长率；当临近区域监控的所述第一病虫害的增长率高于阈值时，输出所述第一病虫害的发展方向和发展速度，实时更新预测所述第一病虫害到达农作物的时间，根据到达农作物的时间，结合农作物当前生长阶段采取对应操作，所述第一区域距离越近、向农作物方向发展越快，使用的预防药量越高，所述结合农作物当前生长阶段采取对应操作包括不同阶段采用不同的预防药量，以及包括所述第一区域达到的时间接近农作物成熟阶段时，对农作物进行抢收等操作；进一步的，根据所述第一病虫害的发展方向和发展速度，发展方向沿途的农药销售点可以提前备货，提供充足的农药以供病虫害到来时销售，提高农药销售点应对病虫害的能力，减少病虫害在当地大面积感染时工作人员难以买到对应农药的情况。
6、考虑到规划化农田基地有存药或者专属的供药渠道，这些农药使用量难以准确的体现在农田基地附近的农药销售点，以及某些病虫害发展迅速，导致得出的发展方向和发展速度数据有误，具体为工作人员得知病虫害到购买农药需要时间，以及农药销售点的数据更新需要时间，因此在本实施方式中，对各区域的所述智能终端的聊天记录进行采集，识别出病虫害相关词，当预设时间内出现某种病虫害次数超出阈值时，说明该区域可能感染的该种病虫害，该种方法不需要通过农药销售点的销量体现病虫害，节省了工作人员购买农药以及农药销售点更新销量的时间，更新病虫害的发展方向和发展速度更及时。
7、当农作物周边没有出现所述第一病虫害和/或第二病虫害时，所述第一监测子模型和所述第二监测子模型一起对农作物和病虫害进行识别和监测；当农作物周边出现所述第一病虫害和/或第二病虫害时，说明农作物已经有感染风险，因此调配资源，所述第一监控子模型依旧对农作物和病虫害进行全面的识别和监测，但所述第二监测子模型独立的、针对性的对所述第一病虫害和/或第二病虫害进行识别，实现更多资源对具有风险的所述第一病虫害和/或第二病虫害进行识别，如农作物感染可以尽早发现，有效减少损失。
8、考虑到病虫害还有可能从自己的农田开始感染，也就是无法根据农作物周边的感染情况进行预测病虫害的风险，因此本实施方式，通过大数据直接获取各类病虫害的适宜环境数据，当前农作物的所述当前各项环境数据越接近各类病虫害的适宜环境数据，则农作物当前患各类病虫害的概率越高，根据农作物患病虫害的概率对超过阈值的一种或多种病虫害进行预防操作；进一步的，所述识别模型还可以包括所述第三监控子模型，所述第三监控子模型与所述第二监控子模型类似，作为可调配的监测资源，当农作物患病虫害的概率高于阈值时，独立的、针对性的对所述第三病虫害进行识别，尽早识别出病虫害尽早治疗，甚至可以减少病虫害感染其他区域的风险。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图。
图2是本申请实施例提供的系统架构图。
图3是本申请实施例提供的一种基于大数据的农作物环境监测系统的功能模块示意图不同指标类型分至不同的评价赋值区的效果示意图。
图4是本申请实施例提供的一种基于大数据的农作物环境监测方法的步骤流程图。
图中标识：1001-处理器，1002-通信总线，1003-用户接口，1004-网络接口，1005-存储器，201-第一设备，202-第二设备，203-第三设备，204-第四设备，205-网络。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面结合附图对本申请的方案进一步说明。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器（CentralProcessing Unit，CPU），通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器1005可以是高速的随机存取存储器（RandomAccess Memory，RAM）存储器，也可以是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及电子程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在电子设备中，电子设备通过处理器1001调用存储器1005中存储的一种基于大数据的农作物环境监测方法，并执行本申请实施例提供的一种基于大数据的农作物环境监测系统。
参照图2，示出了本申请实施例的系统架构示意图。该系统架构可以包括第一设备201、第二设备202、第三设备203、第四设备204和网络205。其中，网络205用以在第一设备201、第二设备202、第三设备203和第四设备204之间提供通信链路的介质。网络205可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
在本实施方式中，第一设备201、第二设备202、第三设备203和第四设备204可以是支持网络连接从而提供各种网络服务的硬件设备或软件。当设备为硬件时，其可以是各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机、台式计算机、温度传感器、湿度传感器和服务器等等。这时，作为硬件设备，其可以实现成多个设备组成的分布式设备群，也可以实现成单个设备。当设备为软件时，可以安装在上述所列举的设备中。这时，作为软件，其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
在具体实现中，设备可以通过安装相应的客户端应用或服务端应用来提供相应的网络服务。设备在安装了客户端应用之后，其可以在网络通信中体现为客户端。相应地，在安装了服务端应用之后，其可以在网络通信中体现为服务端。
作为示例，在图2中，第一设备201体现为服务端，第二设备202、第三设备203和第四设备204体现为客户端。具体地，第二设备202、第三设备203和第四设备204可以是安装有信息浏览类应用的客户端，第一设备201可以是信息浏览类应用的后台服务器。需要说明的是，本申请实施例所提供的一种基于大数据的农作物环境监测系统可以由第一设备201执行。
应该理解，图2中的网络和设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的网络和设备。
参照图3，基于前述硬件运行环境和系统架构，在本申请的第一方面，提供一种基于大数据的农作物环境监测方法，包括：
获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练，得到可识别农作物种类以及农作物所处生长阶段的识别模型；
需要说明的是，各地区工作人员会根据当地的气温、降水量等环境数据，会选择性的种植适合当地的农作物，工作人员包括农民、规模化种植基底的农业专家等农业一线人员，通过大数据获取适合当地的农作物的现有图像，以及该农作物生长各阶段的现有图像，通过对现有图像提取特征、标记后对神经网络模型进行训练，得出可以识别出农作物种类，以及当前农作物的生长阶段的所述识别模型；
通过所述识别模型对当前农作物进行识别，得出当前农作物的种类以及生长阶段，获取农作物当前生长阶段的各项环境数据适宜范围；
需要说明的是，不同农作物在不同的生长阶段的水分、温度等需求大多不相同，所述环境数据适宜范围为各种环境数据的最低值和最高值组成的取值范围，包括土壤含水量、空气湿度、温度等。
获取农作物当前各项环境数据，对农作物的所述当前各项环境数据进行人为调整至处于所述环境数据适宜范围之间。
需要说明的是，农作物当前各项环境数据可根据安装的采集各种类环境数据的传感器采，所述人为调整包括补水、放水、覆膜等通过人为干预改变农作物环境的操作；
在本实施方式中，首先获取当前地区历年的环境数据，通过对历年环境数据分析得出适合当前地区种植的农作物种类，为工作人员采购农作物种子提供意见，同时也可以手动添加目标农作物，通过大数据获取适合当前地区种植的农作物种类以及手动添加的目标农作物的各阶段现有图像，通过对适宜农作物和目标农作物的图像采集，减少神经网络模型对该地区无法种植的农作物的学习，减小服务器计算和存储压力，同时提高识别效率；通过所述识别模型自动识别出当前农作物的种类以及当前所处生长阶段；再通过大数据对应得出农作物当前各项环境数据适宜范围；再通过各种传感器获取农作物当前各项环境数据，当各项环境数据中有不在环境数据适宜范围内的数据时，通过人为调整，将农作物的所述当前各项环境数据调整至所述环境数据适宜范围之内，通过大数据获得各种农作物各阶段的适宜范围，避免工作人员根据主观判断当前农作物的适宜生长环境，工作人员不再受自身种植经验所限，做到灵活种植，同时通过传感器采集农作物当前环境数据，避免人为判断农作物当前是否处在适宜范围内，以及需要调整的当前各项环境数据的具体数值。
在本申请一实施例中，获取环境预测数据，得到未来时间环境数据的变化曲线，所述当前各项环境数据中会因为所述环境预测数据升高的为第一环境数据，降低的为第二环境数据；
当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第一环境数据人为调整至所述环境数据适宜范围的最低值；当所述第一环境数据位于所述环境数据适宜范围内，所述第一环境数据不进行人为调整；当所述第一环境数据高于所述环境数据适宜范围的最高值，将所述第一环境数据人为调整维持在所述环境数据适宜范围的最高值；
当所述第二环境数据高于所述环境数据适宜范围的最高值，将所述第二环境数据调整至所述环境数据适宜范围的最高值；当所述第二环境数据位于所述环境数据适宜范围内，所述第二环境数据不进行人为调整；当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第二环境数据人为调整维持在所述环境数据适宜范围的最低值。
在本实施方式中，考虑到未来的环境数据变化会直接影响农作物当前各项环境数据，因此对农作物人为调整环境数据时，可结合未来的环境数据变换量进行调整，具体的通过大数据对农作物所在位置未来的环境数据进行预测，得到未来时间环境数据的变化曲线，包括温度，降水量等的变化曲线，而对于所述第一环境数据和所述第二环境数据，例如开始下雨，降雨量从0开始提高时，土壤水分和空气湿度作为所述第一环境数据被所述环境预测数据影响而提高；再例如雨停，降雨量归0时，土壤水分和空气湿度作为所述第二环境数据被所述环境预测数据影响而降低；具体的当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第一环境数据人为调整至所述环境数据适宜范围的最低值；当所述第一环境数据位于所述环境数据适宜范围内，所述第一环境数据不进行人为调整；当所述第一环境数据高于所述环境数据适宜范围的最高值，将所述第一环境数据人为调整维持在所述环境数据适宜范围的最高值；所述第二环境数据对应所述第一环境数据的调整进行调整，最小程度的减少人为调整的量，尤其适用于缺水地区或缺水时节的农作物种植，最大程度利于未来环境的变化，有效节省人工介入资源的同时，也可以使农作物始终处于适宜环境中。
在本申请一实施例中，所述获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练的步骤中，还包括：
获取病虫害的现有图像将现有图像输入模型进行训练，使所述识别模型还可以对病虫害进行识别，当所述识别模型识别农作物出现病虫害时，发出病虫害治疗提醒。
需要说明的是，病虫害包括病害和虫害，害虫数量也可以作为环境数据的一种，通过大数据获取当前的农作物会患的各种病害以及虫害图像，通过对现有图像提取特征、标记后对神经网络模型进行训练，得出可以识别出各类农作物病虫害的所述识别模型；
在本实施方式中，在先的实施例中通过农作物的现有图像进行训练神经网络模型，本实施例以所述识别模型为基础，添加农作物会患的各种病害以及虫害图像进行训练，得出可以识别病虫害的所述识别模型，当识别出农作物出现病虫害是，向工作人员发出治疗提醒，实现尽早的对各种病虫害的识别，避免人工识别的主观性，可以尽早的对农作物进行针对性的治疗，减少农作物的损失。
在本申请一实施例中，还包括：
获取该地区所有销售农药的种类以及各种类农药的农药说明书；
获取农作物周边的农药销售情况，得出所有农药种类的销量曲线；
通过所述农药说明书获得各种类农药对应可防治的病虫害种类，一种农药可防治多种病虫害，一种病虫害可通过多种农药进行防治，形成农药种类与病虫害种类之间多对多的对应关系；
根据所有农药种类的销量曲线，得到各种病虫害的防治量曲线，每一条所述防治量曲线为农作物周边为防治该种病虫害购买对应各种类农药的总量；
输出预设时间段内所述防治量曲线增长率高于阈值的病虫害种类，农作物针对该病虫害种类进行预防操作。
需要说明的是，由于不同地区容易感染的病虫害不同，因此不同地区销售的农药种类不同，每一种农药对应防治的病虫害通常也不止一种，一种病虫害对应的农药通常也不止一种，所述预防操作包括提前喷晒农药、改变环境数据以及覆膜等；
在本实施方式中，考虑到上一实施例中识别模型需要农作物已经感染病虫害才能进行识别，此时农作物进行遭受了损失，因此需要一种病虫害预测方法，在农作物还未感染病虫害时，对感染风险进行预测，当风险高于阈值时，对农作物提前进行防治操作，减少农作物的患病概率，具体的，通常某田地发生病虫害时，田地所属工作人员对购买对应治疗的农药对农作物进行治疗，因此治疗该种病虫害的农药销售量会出现增长，因此获取农作物周边的农药销售情况，得出所有农药种类的销量曲线，结合各种类农药对应防治的病虫害，得到防治各类病虫害的增长率，输出增长率高于阈值的病虫害种类，说明农作物周边可能出现了该种病虫害，在农作物还未感染之前对农作物针对该病虫害种类进行预防操作，有助于帮助工作人员度过感染期，减少农作物损失风险。
在本申请一实施例中，所述获取农作物周边的农药销售情况的步骤中，还包括：
获取农药销售点地址，根据所述农药销售点的销售辐射范围划分区域；
获取各区域的所述各类病虫害的所述防治量曲线，当任意区域中出现所述防治量曲线增长率高于阈值的病虫害种类时，该区域作为第一区域，所述防治量曲线增长率高于阈值的病虫害种类作为第一病虫害，对所述第一区域的临近区域进行监控所述第一病虫害的所述防治量曲线增长率；
当任一所述临近区域的所述第一病虫害的防治量曲线增长率高于阈值时，根据该所述临近区域与所述第一区域的相对方向和距离，输出所述第一病虫害的发展方向，同时根据所述第一区域防治量曲线增长率高于阈值的时间和该所述临近区域防治量曲线增长率高于阈值的时间，输出所述第一病虫害从所述第一区域发展到所述临近区域的发展速度，根据所述发展方向和所述发展速度实时预测所述第一病虫害到达农作物的时间，根据所述到达农作物的时间，结合农作物当前生长阶段采取对应操作。
在本实施方式中，随着能采集农药销售点销量的增多，农作物周边的范围可以逐渐增大，以获得更大范围的监测，进而获得更长的应对时间，具体的，根据所述农药销售点的销售辐射范围划分区域，如同一区域内包括多个农药销售点时，将多个农药销售点的总销量作为该区域的农药销售量，因此农作物周边包括了远近不同的若干区域，对所述第一区域临近区域进行监控所述第一病虫害的增长率；当临近区域监控的所述第一病虫害的增长率高于阈值时，输出所述第一病虫害的发展方向和发展速度，实时更新预测所述第一病虫害到达农作物的时间，根据到达农作物的时间，结合农作物当前生长阶段采取对应操作，所述第一区域距离越近、向农作物方向发展越快，使用的预防药量越高，所述结合农作物当前生长阶段采取对应操作包括不同阶段采用不同的预防药量，以及包括所述第一区域达到的时间接近农作物成熟阶段时，对农作物进行抢收等操作；进一步的，根据所述第一病虫害的发展方向和发展速度，发展方向沿途的农药销售点可以提前备货，提供充足的农药以供病虫害到来时销售，提高农药销售点应对病虫害的能力，减少病虫害在当地大面积感染时工作人员难以买到对应农药的情况。
在本申请一实施例中，还包括，
建立病虫害相关词数据库，收集所述病虫害相关词；
对根据所述农药销售点的销售辐射范围划分的所有区域内的智能终端产生的聊天数据进行采集，对所述病虫害相关词进行提取；
各区域中的智能终端聊天数据出现所述病虫害相关词时，该区域作为第二区域，所述病虫害相关词对应病虫害为第二病虫害，对所述第二区域范围中所述病虫害相关词的出现次数在预设时间内进行统计，出现次数超出第二阈值时，同步信息给所述第二区域内的所述农药销售点，对所述第二区域临近区域进行监控所述第二病虫害对应的所述病虫害相关词的出现次数。
需要说明的是，病虫害相关词包括病虫害的专业名称以及本地区对各种病虫害的描述词，所述智能终端包括具有联网功能的手机、平板和电脑等设备，大数据平台与采集范围内相关工作人员的手机、平板、电脑以及可穿戴设备建立数据连接，相关工作人员包括个体农户、农田承包商和农药销售员；并向相关工作人员的手机、平板、电脑以及可穿戴设备发送权限认证请求，在获得权限认证后，将手机、平板、电脑以及可穿戴设备的聊天数据进行提取，并存储在大数据平台内，大数据平台并对聊天数据进行关键词提取，所述聊天数据包括文字聊天和语音聊天；
在本实施方式中，考虑到规划化农田基地有存药或者专属的供药渠道，这些农药使用量难以准确的体现在农田基地附近的农药销售点，以及某些病虫害发展迅速，导致得出的发展方向和发展速度数据有误，具体为工作人员得知病虫害到购买农药需要时间，以及农药销售点的数据更新需要时间，因此在本实施方式中，对各区域的所述智能终端的聊天记录进行采集，识别出病虫害相关词，当预设时间内出现某种病虫害次数超出阈值时，说明该区域可能感染的该种病虫害，该种方法不需要通过农药销售点的销量体现病虫害，节省了工作人员购买农药以及农药销售点更新销量的时间，更新病虫害的发展方向和发展速度更及时。
在本申请一实施例中，所述识别模型包括第一监测子模型和第二监测子模型，当农作物周边没有出现所述第一病虫害和/或第二病虫害时，所述第一监测子模型和所述第二监测子模型一起对农作物和病虫害进行识别和监测；当农作物周边出现所述第一病虫害和/或第二病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第二监测子模型独立对所述第一病虫害和/或第二病虫害进行识别。
在本实施方式中，当农作物周边没有出现所述第一病虫害和/或第二病虫害时，所述第一监测子模型和所述第二监测子模型一起对农作物和病虫害进行识别和监测；当农作物周边出现所述第一病虫害和/或第二病虫害时，说明农作物已经有感染风险，因此调配资源，所述第一监控子模型依旧对农作物和病虫害进行全面的识别和监测，但所述第二监测子模型独立的、针对性的对所述第一病虫害和/或第二病虫害进行识别，实现更多资源对具有风险的所述第一病虫害和/或第二病虫害进行识别，如农作物感染可以尽早发现，有效减少损失。
在本申请一实施例中，还包括获取各类病虫害的适宜环境数据，以及农作物的所述当前各项环境数据，输出农作物当前患各类病虫害的概率，农作物的所述当前各项环境数据越接近各类病虫害的适宜环境数据，患病虫害的概率越高，根据农作物患病虫害的概率进行预防操作。
在本申请一实施例中，农作物患各类病虫害的概率超过阈值的病虫害作为第三病虫害，所述识别模型包括第三监测子模型，当不存在所述第三病虫害时，所述第一监测子模型和所述第三监测子模型一起对农作物和病虫害进行识别和监测；当出现所述第三病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第三监测子模型独立对所述第三病虫害进行识别。
在本实施方式中，考虑到病虫害还有可能从自己的农田开始感染，也就是无法根据农作物周边的感染情况进行预测病虫害的风险，因此本实施方式，通过大数据直接获取各类病虫害的适宜环境数据，当前农作物的所述当前各项环境数据越接近各类病虫害的适宜环境数据，则农作物当前患各类病虫害的概率越高，根据农作物患病虫害的概率对超过阈值的一种或多种病虫害进行预防操作；进一步的，所述识别模型还可以包括所述第三监控子模型，所述第三监控子模型与所述第二监控子模型类似，作为可调配的监测资源，当农作物患病虫害的概率高于阈值时，独立的、针对性的对所述第三病虫害进行识别，尽早识别出病虫害尽早治疗，甚至可以减少病虫害感染其他区域的风险。
参见图4，在本申请的第二方面，提供一种基于大数据的农作物环境监测系统，包括：
模型训练模块，获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练，得到可识别农作物种类以及农作物所处生长阶段的识别模型；
模型识别模块，通过所述识别模型对当前农作物进行识别，得出当前农作物的种类以及生长阶段，获取农作物当前生长阶段的各项环境数据适宜范围；
数据调整模块，获取农作物当前各项环境数据，对农作物的所述当前各项环境数据进行人为调整至处于所述环境数据适宜范围之间。
在本申请一实施例中，还包括数据预测模块，获取环境预测数据，得到未来时间环境数据的变化曲线，所述当前各项环境数据中会因为所述环境预测数据升高的为第一环境数据，降低的为第二环境数据；
当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第一环境数据人为调整至所述环境数据适宜范围的最低值；当所述第一环境数据位于所述环境数据适宜范围内，所述第一环境数据不进行人为调整；当所述第一环境数据高于所述环境数据适宜范围的最高值，将所述第一环境数据人为调整维持在所述环境数据适宜范围的最高值；
当所述第二环境数据高于所述环境数据适宜范围的最高值，将所述第二环境数据调整至所述环境数据适宜范围的最高值；当所述第二环境数据位于所述环境数据适宜范围内，所述第二环境数据不进行人为调整；当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第二环境数据人为调整维持在所述环境数据适宜范围的最低值。
在本申请一实施例中，所述模型训练模块，还包括病虫害训练子模块：
获取病虫害的现有图像将现有图像输入模型进行训练，使所述识别模型还可以对病虫害进行识别，当所述识别模型识别农作物出现病虫害时，发出病虫害治疗提醒。
在本申请一实施例中，还包括病虫害预测子模块：
获取该地区所有销售农药的种类以及各种类农药的农药说明书；
获取农作物周边的农药销售情况，得出所有农药种类的销量曲线；
通过所述农药说明书获得各种类农药对应可防治的病虫害种类，一种农药可防治多种病虫害，一种病虫害可通过多种农药进行防治，形成农药种类与病虫害种类之间多对多的对应关系；
根据所有农药种类的销量曲线，得到各种病虫害的防治量曲线，每一条所述防治量曲线为农作物周边为防治该种病虫害购买对应各种类农药的总量；
输出预设时间段内所述防治量曲线增长率高于阈值的病虫害种类，农作物针对该病虫害种类进行预防操作。
在本申请一实施例中，所述病虫害预测子模块中，还包括：
获取农药销售点地址，根据所述农药销售点的销售辐射范围划分区域；
获取各区域的所述各类病虫害的所述防治量曲线，当任意区域中出现所述防治量曲线增长率高于阈值的病虫害种类时，该区域作为第一区域，所述防治量曲线增长率高于阈值的病虫害种类作为第一病虫害，对所述第一区域的临近区域进行监控所述第一病虫害的所述防治量曲线增长率；
当任一所述临近区域的所述第一病虫害的防治量曲线增长率高于阈值时，根据该所述临近区域与所述第一区域的相对方向和距离，输出所述第一病虫害的发展方向，同时根据所述第一区域防治量曲线增长率高于阈值的时间和该所述临近区域防治量曲线增长率高于阈值的时间，输出所述第一病虫害从所述第一区域发展到所述临近区域的发展速度，根据所述发展方向和所述发展速度实时预测所述第一病虫害到达农作物的时间，根据所述到达农作物的时间，结合农作物当前生长阶段采取对应操作。
在本申请一实施例中，所述识别模型包括第一监测子模型和第二监测子模型，当农作物周边没有出现所述第一病虫害和/或第二病虫害时，所述第一监测子模型和所述第二监测子模型一起对农作物和病虫害进行识别和监测；当农作物周边出现所述第一病虫害和/或第二病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第二监测子模型独立对所述第一病虫害和/或第二病虫害进行识别。
在本申请一实施例中，还包括相关词识别模块，
建立病虫害相关词数据库，收集所述病虫害相关词；
对根据所述农药销售点的销售辐射范围划分的所有区域内的智能终端产生的聊天数据进行采集，对所述病虫害相关词进行提取；
各区域中的智能终端聊天数据出现所述病虫害相关词时，该区域作为第二区域，所述病虫害相关词对应病虫害为第二病虫害，对所述第二区域范围中所述病虫害相关词的出现次数在预设时间内进行统计，出现次数超出第二阈值时，同步信息给所述第二区域内的所述农药销售点，对所述第二区域临近区域进行监控所述第二病虫害对应的所述病虫害相关词的出现次数。
在本申请一实施例中，还包括获取各类病虫害的适宜环境数据，以及农作物的所述当前各项环境数据，输出农作物当前患各类病虫害的概率，农作物的所述当前各项环境数据越接近各类病虫害的适宜环境数据，患病虫害的概率越高，根据农作物患病虫害的概率进行预防操作。
在本申请一实施例中，农作物患各类病虫害的概率超过阈值的病虫害作为第三病虫害，所述识别模型包括第三监测子模型，当不存在所述第三病虫害时，所述第一监测子模型和所述第三监测子模型一起对农作物和病虫害进行识别和监测；当出现所述第三病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第三监测子模型独立对所述第三病虫害进行识别。
需要说明的是，本申请实施例的一种基于大数据的农作物环境监测系统的具体实施方式参照前述本申请实施例第一方面提出的一种基于大数据的农作物环境监测方法的具体实施方式，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括要素的物品或者设备中还存在另外的相同要素。
以上对所提供的一种基于大数据的农作物环境监测方法，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的一种基于大数据的农作物环境监测方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种基于大数据的农作物环境监测方法，其特征在于，包括：
获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练，得到可识别农作物种类以及农作物所处生长阶段的识别模型；
通过所述识别模型对当前农作物进行识别，得出当前农作物的种类以及生长阶段，获取农作物当前生长阶段的各项环境数据适宜范围；
获取农作物当前各项环境数据，对农作物的所述当前各项环境数据进行人为调整至处于所述环境数据适宜范围之间；
获取环境预测数据，得到未来时间环境数据的变化曲线，所述当前各项环境数据中会因为所述环境预测数据升高的为第一环境数据，降低的为第二环境数据；
当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第一环境数据人为调整至所述环境数据适宜范围的最低值；当所述第一环境数据位于所述环境数据适宜范围内，所述第一环境数据不进行人为调整；当所述第一环境数据高于所述环境数据适宜范围的最高值，将所述第一环境数据人为调整维持在所述环境数据适宜范围的最高值；
当所述第二环境数据高于所述环境数据适宜范围的最高值，将所述第二环境数据调整至所述环境数据适宜范围的最高值；当所述第二环境数据位于所述环境数据适宜范围内，所述第二环境数据不进行人为调整；当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第二环境数据人为调整维持在所述环境数据适宜范围的最低值。
2.根据权利要求1所述的一种基于大数据的农作物环境监测方法，其特征在于，所述获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练的步骤中，还包括：
获取病虫害的现有图像将现有图像输入模型进行训练，使所述识别模型还对病虫害进行识别，当所述识别模型识别农作物出现病虫害时，发出病虫害治疗提醒。
3.根据权利要求2所述的一种基于大数据的农作物环境监测方法，其特征在于，还包括：
获取该地区所有销售农药的种类以及各种类农药的农药说明书；
获取农作物周边的农药销售情况，得出所有农药种类的销量曲线；
通过所述农药说明书获得各种类农药对应可防治的病虫害种类，一种农药可防治多种病虫害，一种病虫害可通过多种农药进行防治，形成农药种类与病虫害种类之间多对多的对应关系；
根据所有农药种类的销量曲线，得到各种病虫害的防治量曲线，每一条所述防治量曲线为农作物周边为防治该种病虫害购买对应各种类农药的总量；
输出预设时间段内所述防治量曲线增长率高于阈值的病虫害种类，农作物针对该病虫害种类进行预防操作。
4.根据权利要求3所述的一种基于大数据的农作物环境监测方法，其特征在于，所述获取农作物周边的农药销售情况的步骤中，还包括：
获取农药销售点地址，根据所述农药销售点的销售辐射范围划分区域；
获取各区域的所述各类病虫害的所述防治量曲线，当任意区域中出现所述防治量曲线增长率高于阈值的病虫害种类时，该区域作为第一区域，所述防治量曲线增长率高于阈值的病虫害种类作为第一病虫害，对所述第一区域的临近区域进行监控所述第一病虫害的所述防治量曲线增长率；
当任一所述临近区域的所述第一病虫害的防治量曲线增长率高于阈值时，根据该所述临近区域与所述第一区域的相对方向和距离，输出所述第一病虫害的发展方向，同时根据所述第一区域防治量曲线增长率高于阈值的时间和该所述临近区域防治量曲线增长率高于阈值的时间，输出所述第一病虫害从所述第一区域发展到所述临近区域的发展速度，根据所述发展方向和所述发展速度实时预测所述第一病虫害到达农作物的时间，根据所述到达农作物的时间，结合农作物当前生长阶段采取对应操作。
5.根据权利要求4所述的一种基于大数据的农作物环境监测方法，其特征在于，还包括，
建立病虫害相关词数据库，收集所述病虫害相关词；
对根据所述农药销售点的销售辐射范围划分的所有区域内的智能终端产生的聊天数据进行采集，对所述病虫害相关词进行提取；
各区域中的智能终端聊天数据出现所述病虫害相关词时，该区域作为第二区域，所述病虫害相关词对应病虫害为第二病虫害，对所述第二区域范围中所述病虫害相关词的出现次数在预设时间内进行统计，出现次数超出第二阈值时，同步信息给所述第二区域内的所述农药销售点，对所述第二区域临近区域进行监控所述第二病虫害对应的所述病虫害相关词的出现次数。
6.根据权利要求5所述的一种基于大数据的农作物环境监测方法，其特征在于，所述识别模型包括第一监测子模型和第二监测子模型，当农作物周边没有出现所述第一病虫害和/或第二病虫害时，所述第一监测子模型和所述第二监测子模型一起对农作物和病虫害进行识别和监测；当农作物周边出现所述第一病虫害和/或第二病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第二监测子模型独立对所述第一病虫害和/或第二病虫害进行识别。
7.根据权利要求6所述的一种基于大数据的农作物环境监测方法，其特征在于，还包括获取各类病虫害的适宜环境数据，以及农作物的所述当前各项环境数据，输出农作物当前患各类病虫害的概率，农作物的所述当前各项环境数据越接近各类病虫害的适宜环境数据，患病虫害的概率越高，根据农作物患病虫害的概率进行预防操作。
8.根据权利要求7所述的一种基于大数据的农作物环境监测方法，其特征在于，农作物患各类病虫害的概率超过阈值的病虫害作为第三病虫害，所述识别模型包括第三监测子模型，当不存在所述第三病虫害时，所述第一监测子模型和所述第三监测子模型一起对农作物和病虫害进行识别和监测；当出现所述第三病虫害时，所述第一监控子模型对农作物和病虫害进行识别和监测，所述第三监测子模型独立对所述第三病虫害进行识别。
9.一种基于大数据的农作物环境监测系统，其特征在于，包括：
模型训练模块，获取地区所种植农作物各生长阶段的现有图像，将现有图像输入模型进行训练，得到可识别农作物种类以及农作物所处生长阶段的识别模型；
模型识别模块，通过所述识别模型对当前农作物进行识别，得出当前农作物的种类以及生长阶段，获取农作物当前生长阶段的各项环境数据适宜范围；
数据调整模块，获取农作物当前各项环境数据，对农作物的所述当前各项环境数据进行人为调整至处于所述环境数据适宜范围之间；
数据预测模块，获取环境预测数据，得到未来时间环境数据的变化曲线，所述当前各项环境数据中会因为所述环境预测数据升高的为第一环境数据，降低的为第二环境数据；
当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第一环境数据人为调整至所述环境数据适宜范围的最低值；当所述第一环境数据位于所述环境数据适宜范围内，所述第一环境数据不进行人为调整；当所述第一环境数据高于所述环境数据适宜范围的最高值，将所述第一环境数据人为调整维持在所述环境数据适宜范围的最高值；
当所述第二环境数据高于所述环境数据适宜范围的最高值，将所述第二环境数据调整至所述环境数据适宜范围的最高值；当所述第二环境数据位于所述环境数据适宜范围内，所述第二环境数据不进行人为调整；当所述第一环境数据低于所述环境数据适宜范围的最低值，将所述第二环境数据人为调整维持在所述环境数据适宜范围的最低值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410259806.6A CN117854012B (zh) | 2024-03-07 | 2024-03-07 | 一种基于大数据的农作物环境监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410259806.6A CN117854012B (zh) | 2024-03-07 | 2024-03-07 | 一种基于大数据的农作物环境监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117854012A true CN117854012A (zh) | 2024-04-09 |
| CN117854012B CN117854012B (zh) | 2024-05-14 |
Family
ID=90542093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410259806.6A Active CN117854012B (zh) | 2024-03-07 | 2024-03-07 | 一种基于大数据的农作物环境监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117854012B (zh) |
Citations (57)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001154685A (ja) * | 1999-11-30 | 2001-06-08 | Sony Corp | 音声認識装置および音声認識方法、並びに記録媒体 |
| CN107357271A (zh) * | 2017-06-30 | 2017-11-17 | 深圳前海弘稼科技有限公司 | 温室作物病虫害的防治方法、防治系统 |
| WO2017222722A1 (en) * | 2016-06-21 | 2017-12-28 | Iteris, Inc. | Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data |
| WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
| US20180121577A1 (en) * | 2016-11-02 | 2018-05-03 | Facebook, Inc. | Systems and methods for providing forecasts incorporating seasonality |
| WO2018099220A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
| WO2018234639A1 (en) * | 2017-06-22 | 2018-12-27 | Aalto University Foundation Sr. | METHOD AND SYSTEM FOR SELECTING A VEGETABLE VARIETY |
| CN109102422A (zh) * | 2018-09-26 | 2018-12-28 | 中国农业科学院农业信息研究所 | 一种大数据农业管理系统 |
| WO2019049048A1 (en) * | 2017-09-08 | 2019-03-14 | 9337-4791 Quebec, Inc. | SYSTEM AND METHOD FOR CONTROLLING GROWTH ENVIRONMENT OF CULTURE |
| WO2019073472A1 (en) * | 2017-10-13 | 2019-04-18 | Atp Labs Ltd. | SYSTEM AND METHOD FOR MANAGING AND OPERATING A LOGISTIC CHAIN FOR MANUFACTURING AGRICULTURAL PRODUCTS |
| CN109991944A (zh) * | 2019-04-03 | 2019-07-09 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种分布式农业植保网络服务系统 |
| CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
| WO2019206130A1 (en) * | 2018-04-23 | 2019-10-31 | Chen Haoneng | Method and apparatus for product monitoring |
| CN111045467A (zh) * | 2019-03-27 | 2020-04-21 | 桂林航天工业学院 | 一种基于物联网的智能农业机械控制方法 |
| KR20200071862A (ko) * | 2018-12-05 | 2020-06-22 | (주)투비시스템 | 음파 및 IoT 기반의 농작물 생장 제어 및 병해충 방제 시스템 |
| CN111582666A (zh) * | 2020-04-20 | 2020-08-25 | 广州海睿信息科技有限公司 | 智慧农业云平台app |
| WO2020188334A1 (en) * | 2019-03-15 | 2020-09-24 | 3M Innovative Properties Company | Controlling hospital operations using causal models |
| CN112116206A (zh) * | 2020-08-21 | 2020-12-22 | 淮北市盛世昊明科技服务有限公司 | 一种基于大数据的智慧农业系统 |
| KR20210000698A (ko) * | 2018-12-05 | 2021-01-05 | (주)투비시스템 | 음파 및 IoT 기반의 농작물 생장 제어 및 병해충 방제 시스템 |
| 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 |
| WO2021046519A1 (en) * | 2019-09-06 | 2021-03-11 | Sports Data Labs, Inc. | System for generating simulated animal data and models |
| KR20210029893A (ko) * | 2019-09-06 | 2021-03-17 | 주식회사 에피넷 | 영농 의사결정 지원 시스템 |
| CN112581302A (zh) * | 2020-12-28 | 2021-03-30 | 江苏农林职业技术学院 | 一种农业物联管理监测系统 |
| CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
| JP2021082073A (ja) * | 2019-11-20 | 2021-05-27 | キヤノン株式会社 | 農産物の作付け計画提供システム、作付け計画提供方法、およびプログラム |
| KR102273721B1 (ko) * | 2021-01-28 | 2021-07-06 | 주식회사 볼드코퍼레이션 | 컨테이너 조경수 생산 및 유통 관리를 위한 erp 시스템과 그 방법 |
| CN113791650A (zh) * | 2021-08-16 | 2021-12-14 | 北京农业信息技术研究中心 | 一种臭氧浓度的调节方法及系统 |
| CN114170513A (zh) * | 2021-12-08 | 2022-03-11 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
| WO2022118095A1 (en) * | 2021-09-03 | 2022-06-09 | Bagheri Hamed | Hamed fd: farming, ai-based doctor for all |
| CN114868504A (zh) * | 2022-04-21 | 2022-08-09 | 河南省景观规划设计研究院有限公司 | 一种园林植物的生长状态监测方法及装置 |
| CN114911174A (zh) * | 2022-02-09 | 2022-08-16 | 北大荒信息有限公司 | 一种植物仿生的方法和装置 |
| CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警系统 |
| US20220309595A1 (en) * | 2017-10-13 | 2022-09-29 | Atp Labs Ltd. | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain |
| CN115185220A (zh) * | 2022-08-11 | 2022-10-14 | 安徽中昆绿色防控科技有限公司 | 一种基于物联网的农林病虫害监控系统 |
| CN115204689A (zh) * | 2022-07-19 | 2022-10-18 | 郑州航空工业管理学院 | 一种基于图像处理的智慧农业管理系统 |
| CN115376008A (zh) * | 2022-08-23 | 2022-11-22 | 河南讯飞人工智能科技有限公司 | 病虫害识别方法、装置、电子设备和存储介质 |
| KR20220160386A (ko) * | 2021-05-27 | 2022-12-06 | (주)골든플래닛 | 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 |
| CN115685862A (zh) * | 2022-10-19 | 2023-02-03 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的智慧农业检测系统 |
| CN115793756A (zh) * | 2022-11-30 | 2023-03-14 | 合肥创农生物科技有限公司 | 用于调节植物生长周期的种植柜环境控制系统 |
| CN115879773A (zh) * | 2023-02-22 | 2023-03-31 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及系统 |
| CN115903568A (zh) * | 2022-10-13 | 2023-04-04 | 联通(四川)产业互联网有限公司 | 一种基于区块链大数据的智能农业监管系统及方法 |
| CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
| CN116300608A (zh) * | 2023-03-13 | 2023-06-23 | 衡阳晟达信息技术有限公司 | 一种基于大数据的智慧农业远程监控系统 |
| CN116385885A (zh) * | 2023-04-07 | 2023-07-04 | 深圳市金大智能创新科技有限公司 | 一种病虫害识别方法及系统 |
| CN116391690A (zh) * | 2023-04-24 | 2023-07-07 | 北星空间信息技术研究院(南京)有限公司 | 一种基于物联网大数据的智慧农业种植监测系统 |
| US20230251617A1 (en) * | 2022-07-12 | 2023-08-10 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for greenspace cultivation and management in smart cities based on internet of things |
| CN116760719A (zh) * | 2023-05-18 | 2023-09-15 | 汇链通产业供应链数字科技(厦门)有限公司 | 构建智慧养殖多模态物联网信息搜集、预警模型的方法 |
| CN116843188A (zh) * | 2023-05-17 | 2023-10-03 | 南京邮电大学 | 一种基于大数据分析的精细农业栽培与管理平台 |
| US20230329159A1 (en) * | 2022-04-14 | 2023-10-19 | Shandong Academy Of Agricultural Machinery Sciences | Internet-of-things management and control system for intelligent orchard |
| CN117148902A (zh) * | 2023-10-31 | 2023-12-01 | 安徽农业大学 | 智能化菌棒生长环境自适应控制系统及方法 |
| CN117215351A (zh) * | 2023-09-16 | 2023-12-12 | 张家港泽诺科技有限公司 | 一种食用菌种植环境智能监测预警系统 |
| CN117212609A (zh) * | 2023-08-18 | 2023-12-12 | 中国五冶集团有限公司 | 一种城市管道巡检系统、病害诊断系统及方法 |
| US20230413733A1 (en) * | 2022-06-27 | 2023-12-28 | Haber Technologies, Inc. | Framework for monitoring, controlling, reporting, recording and data authentication of grain storage container systems |
| CN117354988A (zh) * | 2023-11-02 | 2024-01-05 | 杭州丰回科技有限公司 | 基于环境光传感的温室led照明闭环控制方法及系统 |
| CN117441532A (zh) * | 2023-10-26 | 2024-01-26 | 江西省农业科学院植物保护研究所 | 一种非农药防治水稻恶苗病的方法 |
| CN117557914A (zh) * | 2024-01-08 | 2024-02-13 | 成都大学 | 一种基于深度学习的农作物病虫害识别方法 |
| CN117634738A (zh) * | 2023-11-28 | 2024-03-01 | 北京发祥地科技发展有限责任公司 | 基于人工智能的物联网农业环保一体化平台 |
-
2024
- 2024-03-07 CN CN202410259806.6A patent/CN117854012B/zh active Active
Patent Citations (57)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001154685A (ja) * | 1999-11-30 | 2001-06-08 | Sony Corp | 音声認識装置および音声認識方法、並びに記録媒体 |
| WO2017222722A1 (en) * | 2016-06-21 | 2017-12-28 | Iteris, Inc. | Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data |
| WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
| US20180121577A1 (en) * | 2016-11-02 | 2018-05-03 | Facebook, Inc. | Systems and methods for providing forecasts incorporating seasonality |
| WO2018099220A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
| WO2018234639A1 (en) * | 2017-06-22 | 2018-12-27 | Aalto University Foundation Sr. | METHOD AND SYSTEM FOR SELECTING A VEGETABLE VARIETY |
| CN107357271A (zh) * | 2017-06-30 | 2017-11-17 | 深圳前海弘稼科技有限公司 | 温室作物病虫害的防治方法、防治系统 |
| WO2019049048A1 (en) * | 2017-09-08 | 2019-03-14 | 9337-4791 Quebec, Inc. | SYSTEM AND METHOD FOR CONTROLLING GROWTH ENVIRONMENT OF CULTURE |
| WO2019073472A1 (en) * | 2017-10-13 | 2019-04-18 | Atp Labs Ltd. | SYSTEM AND METHOD FOR MANAGING AND OPERATING A LOGISTIC CHAIN FOR MANUFACTURING AGRICULTURAL PRODUCTS |
| US20220309595A1 (en) * | 2017-10-13 | 2022-09-29 | Atp Labs Ltd. | System and Method for Managing and Operating an Agricultural-Origin-Product Manufacturing Supply Chain |
| WO2019206130A1 (en) * | 2018-04-23 | 2019-10-31 | Chen Haoneng | Method and apparatus for product monitoring |
| CN109102422A (zh) * | 2018-09-26 | 2018-12-28 | 中国农业科学院农业信息研究所 | 一种大数据农业管理系统 |
| KR20200071862A (ko) * | 2018-12-05 | 2020-06-22 | (주)투비시스템 | 음파 및 IoT 기반의 농작물 생장 제어 및 병해충 방제 시스템 |
| KR20210000698A (ko) * | 2018-12-05 | 2021-01-05 | (주)투비시스템 | 음파 및 IoT 기반의 농작물 생장 제어 및 병해충 방제 시스템 |
| WO2020188334A1 (en) * | 2019-03-15 | 2020-09-24 | 3M Innovative Properties Company | Controlling hospital operations using causal models |
| CN111045467A (zh) * | 2019-03-27 | 2020-04-21 | 桂林航天工业学院 | 一种基于物联网的智能农业机械控制方法 |
| CN109991944A (zh) * | 2019-04-03 | 2019-07-09 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种分布式农业植保网络服务系统 |
| CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
| WO2021046519A1 (en) * | 2019-09-06 | 2021-03-11 | Sports Data Labs, Inc. | System for generating simulated animal data and models |
| KR20210029893A (ko) * | 2019-09-06 | 2021-03-17 | 주식회사 에피넷 | 영농 의사결정 지원 시스템 |
| JP2021082073A (ja) * | 2019-11-20 | 2021-05-27 | キヤノン株式会社 | 農産物の作付け計画提供システム、作付け計画提供方法、およびプログラム |
| CN111582666A (zh) * | 2020-04-20 | 2020-08-25 | 广州海睿信息科技有限公司 | 智慧农业云平台app |
| CN112116206A (zh) * | 2020-08-21 | 2020-12-22 | 淮北市盛世昊明科技服务有限公司 | 一种基于大数据的智慧农业系统 |
| 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 |
| CN112581302A (zh) * | 2020-12-28 | 2021-03-30 | 江苏农林职业技术学院 | 一种农业物联管理监测系统 |
| CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
| KR102273721B1 (ko) * | 2021-01-28 | 2021-07-06 | 주식회사 볼드코퍼레이션 | 컨테이너 조경수 생산 및 유통 관리를 위한 erp 시스템과 그 방법 |
| KR20220160386A (ko) * | 2021-05-27 | 2022-12-06 | (주)골든플래닛 | 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 |
| CN113791650A (zh) * | 2021-08-16 | 2021-12-14 | 北京农业信息技术研究中心 | 一种臭氧浓度的调节方法及系统 |
| WO2022118095A1 (en) * | 2021-09-03 | 2022-06-09 | Bagheri Hamed | Hamed fd: farming, ai-based doctor for all |
| CN114170513A (zh) * | 2021-12-08 | 2022-03-11 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的虫情监测方法、系统及存储介质 |
| CN114911174A (zh) * | 2022-02-09 | 2022-08-16 | 北大荒信息有限公司 | 一种植物仿生的方法和装置 |
| US20230329159A1 (en) * | 2022-04-14 | 2023-10-19 | Shandong Academy Of Agricultural Machinery Sciences | Internet-of-things management and control system for intelligent orchard |
| CN114868504A (zh) * | 2022-04-21 | 2022-08-09 | 河南省景观规划设计研究院有限公司 | 一种园林植物的生长状态监测方法及装置 |
| CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警系统 |
| US20230413733A1 (en) * | 2022-06-27 | 2023-12-28 | Haber Technologies, Inc. | Framework for monitoring, controlling, reporting, recording and data authentication of grain storage container systems |
| US20230251617A1 (en) * | 2022-07-12 | 2023-08-10 | Chengdu Qinchuan Iot Technology Co., Ltd. | Methods and systems for greenspace cultivation and management in smart cities based on internet of things |
| CN115204689A (zh) * | 2022-07-19 | 2022-10-18 | 郑州航空工业管理学院 | 一种基于图像处理的智慧农业管理系统 |
| CN115185220A (zh) * | 2022-08-11 | 2022-10-14 | 安徽中昆绿色防控科技有限公司 | 一种基于物联网的农林病虫害监控系统 |
| CN115376008A (zh) * | 2022-08-23 | 2022-11-22 | 河南讯飞人工智能科技有限公司 | 病虫害识别方法、装置、电子设备和存储介质 |
| CN115903568A (zh) * | 2022-10-13 | 2023-04-04 | 联通(四川)产业互联网有限公司 | 一种基于区块链大数据的智能农业监管系统及方法 |
| CN115685862A (zh) * | 2022-10-19 | 2023-02-03 | 慧之安信息技术股份有限公司 | 一种基于边缘计算的智慧农业检测系统 |
| CN115793756A (zh) * | 2022-11-30 | 2023-03-14 | 合肥创农生物科技有限公司 | 用于调节植物生长周期的种植柜环境控制系统 |
| CN115879773A (zh) * | 2023-02-22 | 2023-03-31 | 广东省农业科学院植物保护研究所 | 一种基于物联网的病虫害智能预警方法及系统 |
| CN116300608A (zh) * | 2023-03-13 | 2023-06-23 | 衡阳晟达信息技术有限公司 | 一种基于大数据的智慧农业远程监控系统 |
| CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
| CN116385885A (zh) * | 2023-04-07 | 2023-07-04 | 深圳市金大智能创新科技有限公司 | 一种病虫害识别方法及系统 |
| CN116391690A (zh) * | 2023-04-24 | 2023-07-07 | 北星空间信息技术研究院(南京)有限公司 | 一种基于物联网大数据的智慧农业种植监测系统 |
| CN116843188A (zh) * | 2023-05-17 | 2023-10-03 | 南京邮电大学 | 一种基于大数据分析的精细农业栽培与管理平台 |
| CN116760719A (zh) * | 2023-05-18 | 2023-09-15 | 汇链通产业供应链数字科技(厦门)有限公司 | 构建智慧养殖多模态物联网信息搜集、预警模型的方法 |
| CN117212609A (zh) * | 2023-08-18 | 2023-12-12 | 中国五冶集团有限公司 | 一种城市管道巡检系统、病害诊断系统及方法 |
| CN117215351A (zh) * | 2023-09-16 | 2023-12-12 | 张家港泽诺科技有限公司 | 一种食用菌种植环境智能监测预警系统 |
| CN117441532A (zh) * | 2023-10-26 | 2024-01-26 | 江西省农业科学院植物保护研究所 | 一种非农药防治水稻恶苗病的方法 |
| CN117148902A (zh) * | 2023-10-31 | 2023-12-01 | 安徽农业大学 | 智能化菌棒生长环境自适应控制系统及方法 |
| CN117354988A (zh) * | 2023-11-02 | 2024-01-05 | 杭州丰回科技有限公司 | 基于环境光传感的温室led照明闭环控制方法及系统 |
| CN117634738A (zh) * | 2023-11-28 | 2024-03-01 | 北京发祥地科技发展有限责任公司 | 基于人工智能的物联网农业环保一体化平台 |
| CN117557914A (zh) * | 2024-01-08 | 2024-02-13 | 成都大学 | 一种基于深度学习的农作物病虫害识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| LIU, W等: "Smart sensors, sensing mechanisms and platforms of sustainable smart agriculture realized through the big data analysis", 《CLUSTER COMPUTING》, vol. 26, no. 5, 31 December 2023 (2023-12-31), pages 2503 - 2517 * |
| 丁文浩: "基于WebGIS的安徽省小麦赤霉病监测预警模型的研究及应用", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 3, 15 March 2021 (2021-03-15), pages 046 - 43 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117854012B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113095555B (zh) | 基于物联网的农作物病虫害监控方法、系统及存储介质 | |
| Hammer et al. | Sugarcane yield prediction through data mining and crop simulation models | |
| WO2019118460A1 (en) | Irrigation system control with predictive water balance capabilities | |
| US11966208B2 (en) | Methods and systems for greenspace cultivation and management in smart cities based on Internet of Things | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| Majumdar et al. | IoT for promoting agriculture 4.0: a review from the perspective of weather monitoring, yield prediction, security of WSN protocols, and hardware cost analysis | |
| KR20210059561A (ko) | 상생형 병해충 관리 시스템 및 그 방법 | |
| CN108776874A (zh) | 一种现代农业监管分析系统 | |
| Ali et al. | A high performance-oriented AI-enabled IoT-based pest detection system using sound analytics in large agricultural field | |
| Nayagam et al. | Control of pests and diseases in plants using iot technology | |
| CN114550848A (zh) | 作物病害处理方法、装置、电子设备及计算机可读介质 | |
| CN117854012B (zh) | 一种基于大数据的农作物环境监测方法及系统 | |
| KR102381491B1 (ko) | 작물 재배 애플리케이션을 통한 적응형 재배 정보 제공 시스템 | |
| Suresh et al. | Real-time automatic detection and classification of groundnut leaf disease using hybrid machine learning techniques | |
| CN116523182B (zh) | 一种生态果园的构建和生产管理方法、系统及存储介质 | |
| WO2020149625A1 (ko) | 블록체인 기반 방제/방역 시스템 및 방법 | |
| EP4136952A1 (en) | Machine learning optimization through randomized autonomous crop planting | |
| CN115903568A (zh) | 一种基于区块链大数据的智能农业监管系统及方法 | |
| WO2021039465A1 (ja) | 病害予測システム、病害予測方法及びプログラム | |
| Manne et al. | Green IoT Towards Environmentally Friendly, Sustainable and Revolutionized Farming | |
| Leichtweis et al. | Envirotype approach for soybean genotype selection through the integration of georeferenced climate and genetic data using artificial neural networks | |
| Chavan et al. | KrishiAI-An IoT and Machine Learning based Mobile Application for Farmers | |
| CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
| KR102202168B1 (ko) | 빅데이터에 기반한 농업 공공 데이터를 수집하는 방법 및 이를 위한 장치 | |
| US20230012721A1 (en) | Systems and methods for modeling disease severity |
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 |