CN117882546B - 一种面向农业作业机器人的智能化种植方法 - Google Patents
一种面向农业作业机器人的智能化种植方法 Download PDFInfo
- Publication number
- CN117882546B CN117882546B CN202410283062.1A CN202410283062A CN117882546B CN 117882546 B CN117882546 B CN 117882546B CN 202410283062 A CN202410283062 A CN 202410283062A CN 117882546 B CN117882546 B CN 117882546B
- Authority
- CN
- China
- Prior art keywords
- real
- crop
- time
- soil
- position point
- 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 70
- 239000002689 soil Substances 0.000 claims abstract description 172
- 230000004720 fertilization Effects 0.000 claims abstract description 93
- 239000003337 fertilizer Substances 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 111
- 238000011156 evaluation Methods 0.000 claims description 36
- 239000013598 vector Substances 0.000 claims description 26
- 235000015097 nutrients Nutrition 0.000 claims description 17
- 230000001276 controlling effect Effects 0.000 claims description 14
- 230000000875 corresponding effect Effects 0.000 claims description 10
- 235000021049 nutrient content Nutrition 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 5
- 239000007921 spray Substances 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 244000038559 crop plants Species 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000618 nitrogen fertilizer Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 230000013278 single fertilization Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 239000002686 phosphate fertilizer Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及农业种植技术领域,尤其涉及一种面向农业作业机器人的智能化种植方法,包括:在本次施肥过程中,控制农业作业机器人在种植区域内沿设定路径移动,并获取农业作业机器人的实时位置点;采集实时位置点的实时土壤信息和实时图像,将实时图像输入训练完毕的农作物分割网络以输出实时图像中的农作物掩码,并将农作物掩码与实时图像相乘,得到实时位置点的实时农作物图像;将实时土壤信息、实时农作物图像和天气数据输入参数预测模型以输出控制参数,控制参数包括每种肥料类型的施肥量;基于控制参数控制农业作业机器人完成实时位置点的施肥作业。本申请的技术方案能够精准控制种植区域内不同位置处的施肥量。
Description
技术领域
本申请一般地涉及农业种植技术领域,尤其涉及一种面向农业作业机器人的智能化种植方法。
背景技术
农业种植过程中,科学合理的施肥是提高农作物产量的关键因素之一。农作物在不同阶段对肥料的需求量不同,施肥过少无法满足农作物的需求,进而无法保障农作物产量,而施肥过多又会导致肥料浪费、环境污染等问题;因此,如何在施肥过程中精准控制施肥量是一个亟待解决的问题。
目前,公开号为CN117158176A的专利申请文件公开了一种农业侧深施肥机的施肥速率控制方法和系统,其中的方法包括:采集农作物根部图像,构建AI模型,确定所需肥料类型和农作物主根长度;实时监测农作物根部土壤湿度和施肥机行进速度;根据肥料类型、农作物根部土壤湿度以及施肥机行进速度,确定施肥速率;根据施肥速率,对农作物进行施肥;记录每次施肥时间、肥料类型、农作物主根长度以及农作物根部土壤湿度;将施肥速率传输到远程监控中心,监控施肥机的运行状态。
然而,上述方法通过控制施肥速率实现施肥量的控制;然而,在同一块种植区域中,不同位置处农作物的长势存在差异,导致不同位置处的植株对肥料的吸收程度不同;上述方法仅根据肥料类型、农作物根部土壤湿度和施肥机行进速度,确定施肥机的施肥速率,无法精准控制同一块种植区域中不同位置处的施肥量。
发明内容
为了解决现有技术中的上述技术问题,本申请提供了一种面向农业作业机器人的智能化种植方法,在对种植区域进行施肥的过程中,能够精准控制种植区域内不同位置处的施肥量。
本申请提供了一种面向农业作业机器人的智能化种植方法,用于在施肥过程中控制所述农业作业机器人在种植区域内每个位置点处每种肥料类型的施肥量,所述种植方法包括:在本次施肥的过程中,控制所述农业作业机器人在所述种植区域内沿设定路径移动,并获取所述农业作业机器人的实时位置点,其中,所述设定路径包括所述种植区域内的所有位置点;采集所述实时位置点的实时土壤信息,其中,所述实时土壤信息包括PH值和养分含量,所述养分含量包括不同养分类型的含量;获取所述实时位置点的实时图像,将所述实时图像输入训练完毕的农作物分割网络以输出所述实时图像中的农作物掩码,并将所述农作物掩码与所述实时图像相乘,得到所述实时位置点的实时农作物图像;将所述实时土壤信息、所述实时农作物图像和本次施肥的天气数据输入训练完毕的参数预测模型以输出所述实时位置点的控制参数,其中,所述控制参数包括每种肥料类型的施肥量;基于所述控制参数控制所述农业作业机器人,以完成所述实时位置点的施肥作业。
在一些实施例中,所述种植区域内阵列分布多个预设土壤传感器,采集所述实时位置点的实时土壤信息包括:计算所述实时位置点到每个预设土壤传感器的欧氏距离;获取欧氏距离的最小值,响应于所述最小值等于0,将所述最小值对应的预设土壤传感器作为目标传感器,响应于所述最小值不等于0,将所有欧氏距离按照从小到大的顺序进行排列,并选取排名靠前的预设数量个欧氏距离对应的预设土壤传感器以作为目标传感器;对欧氏距离进行归一化以计算归一化权重,并基于所述归一化权重对所有目标传感器的数值进行加权求和以确定所述实时位置点的实时土壤信息。
在一些实施例中,所述农作物掩码与所述实时图像的大小相等,且所述农作物掩码中,农作物区域内像素点的取值为1,非农作物区域内像素点的取值为0;其中,所述农作物分割网络的训练方法包括:采集多张农作物样本图像,并将每张农作物样本图像中农作物区域内像素点的取值标记为1,非农作物区域内像素点的取值标记为0,得到所述农作物样本图像的标签图;将任意一张农作物样本图像输入所述农作物分割网络,以获取输出结果,基于所述输出结果和所述农作物样本图像的标签图计算交叉熵损失函数值;依据所述交叉熵损失函数值对所述农作物分割网络进行反向传播,以更新所述农作物分割网络,完成一次训练;迭代地训练所述农作物分割网络,直至所述交叉熵损失函数值小于设定阈值时,得到训练完毕的农作物分割网络。
在一些实施例中,所述参数预测模型包括图像编码子模型和回归子模型,所述图像编码子模型用于对所述实时农作物图像进行特征提取,得到图像编码向量;拼接所述图像编码向量、所述实时土壤信息和所述天气数据,得到拼接向量,所述天气数据包括本次施肥时的温度值、湿度值和降雨量;将所述拼接向量输入所述回归子模型,以输出控制参数;其中,所述参数预测模型的训练方法包括:在任意一次历史施肥的过程中,采集任意位置点的实时土壤信息、实时农作物图像和所述历史施肥的天气数据以作为一组训练样本,并标注所述训练样本的控制参数以获取所述训练样本的样本标签;将所述训练样本输入所述参数预测模型以获取预测结果;计算所述预测结果和所述训练样本的样本标签之间的均方差损失函数值;基于所述均方差损失函数值对所述参数预测模型进行反向传播,以更新所述参数预测模型;迭代地更新所述参数预测模型,直至所述均方差损失函数值小于设定损失值时,得到训练完毕的参数预测模型。
在一些实施例中,在完成所述设定路径上所有位置点的施肥作业后,所述种植方法还包括:间隔设定施肥周期,采集所述设定路径上每个位置点的未来土壤信息和未来农作物图像;获取目标位置点的邻接位置点,基于所述目标位置点和所述邻接位置点的实时土壤信息计算基准土壤梯度,并基于所述目标位置点和所述邻接位置点的未来土壤信息计算未来土壤梯度,其中,所述目标位置点为任意一个位置点;计算所述目标位置点的未来土壤信息和实时土壤信息之间的欧氏距离,作为所述目标位置点的土壤信息变化量;基于所述未来土壤梯度、所述基准土壤梯度和所述土壤信息变化量计算所述目标位置点的土壤评价值,所述土壤评价值与所述目标位置点控制参数的合理性呈负相关;计算所述目标位置点与除所述目标位置点之外的其它位置点之间的未来农作物图像相似度,基于所述未来农作物图像相似度计算农作物评价值,所述农作物评价值与所述目标位置点控制参数的合理性呈正相关;基于所述农作物评价值和所述土壤评价值计算所述目标位置点控制参数的合理性;响应于所述合理性不大于设定合理性,将所述目标位置点的实时土壤信息、实时农作物图像和所述本次施肥的天气数据作为一组新增训练样本,对训练完毕的参数预测模型进行二次训练。
在一些实施例中,所述目标位置点的邻接位置点包括距离所述目标位置点在设定距离内的所有位置点;所述基准土壤梯度满足关系式:
,其中,/>为所述目标位置点的所有邻接位置点的数量,/>为第/>个邻接位置点/>的实时土壤信息,/>为目标位置点/>的实时土壤信息,/>为目标位置点的基准土壤梯度;所述未来土壤梯度满足关系式:
,其中,/>为所述目标位置点/>的所有邻接位置点的数量,/>为第/>个邻接位置点/>的未来土壤信息,/>为目标位置点/>的未来土壤信息,/>为目标位置点的未来土壤梯度;所述土壤评价值满足关系式:
,其中,/>为目标位置点/>的未来土壤梯度,/>为目标位置点的基准土壤梯度,/>为目标位置点/>的未来土壤信息,为目标位置点/>的实时土壤信息,/>为目标位置点/>的土壤评价值。
在一些实施例中,所述农作物评价值满足关系式:
,其中,/>为所述种植区域内所有位置点的数量,/>表示目标位置点的未来农作物图像,/>表示除目标位置点之外的第/>个其它位置点,/>表示目标位置点与第/>个其它位置点之间未来农作物图像相似度,为目标位置点/>的农作物评价值。
在一些实施例中,所述目标位置点控制参数的合理性满足关系式:
,其中,/>为目标位置点/>的土壤评价值,/>为目标位置点/>的农作物评价值,为目标位置点控制参数的合理性。
在一些实施例中,所述对训练完毕的参数预测模型进行二次训练包括:获取所述新增训练样本的样本标签;将所述新增训练样本输入训练完毕的参数预测模型以输出所述新增训练样本的控制参数;基于所述目标位置点控制参数的合理性、所述新增训练样本的控制参数和样本标签计算二次训练第一损失,所述二次训练第一损失满足关系式:
,其中,/>为所述目标位置点控制参数的合理性,/>为所述新增训练样本的控制参数,/>为所述新增训练样本的样本标签,/>为二次训练第一损失的数值;依据所述二次训练第一损失对训练完毕的参数预测模型进行反向传播,完成二次训练。
在一些实施例中,所述土壤信息变化量包括不同养分类型的含量变化量,所述养分类型与所述肥料类型一一对应,所述对训练完毕的参数预测模型进行二次训练包括:获取所述新增训练样本的样本标签;将所述新增训练样本输入训练完毕的参数预测模型以输出所述新增训练样本的控制参数;获取所述土壤信息变化量中每种养分类型的含量变化量,并对所有含量变化量进行归一化以获取含量变化量向量;基于所述含量变化量向量、所述目标位置点控制参数的合理性、所述新增训练样本的控制参数和样本标签计算二次训练第二损失,所述二次训练第二损失满足关系式:
,其中,/>为所述目标位置点控制参数的合理性,/>为所述新增训练样本的控制参数,/>为所述新增训练样本的样本标签,/>为所述含量变化量向量,/>表示计算/>与之间的哈达玛积,/>为二次训练第二损失的数值。
本申请的技术方案具有以下有益技术效果:
本申请实施例提供的上述一种面向农业作业机器人的智能化种植方法,在农业作业机器人本次施肥的过程中,采集任意位置点的实时土壤信息、实时农作物图像和本次施肥的天气数据输入训练完毕的参数预测模型以输出该位置点的控制参数,控制参数包括每种肥料类型的施肥量,并依据控制参数完成农业作业机器人在该位置点的施肥作业;农业作业机器人在种植区域内沿设定路径移动,完成所有位置点的施肥作业后,完成本次施肥,实现种植区域内不同位置处施肥量的精准控制。
进一步地,在完成本次施肥后,在下一次施肥开始前采集种植区域内各位置点的未来土壤信息和未来农作物图像,计算每个位置点控制参数的合理性,依据合理性不满足要求的位置点确定新增训练样本,并对训练完毕的参数预测模型进行二次训练,使得参数预测模型能够在后续施肥过程中输出准确的控制参数,进而精准控制种植区域内不同位置处的施肥量。
附图说明
通过参考附图阅读下文的详细描述,本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本申请的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是根据本申请实施例的一种面向农业作业机器人的智能化种植方法的流程图;
图2是根据本申请实施例的设定路径和设定路径上多个位置点的示意图;
图3是根据本申请实施例的参数预测模型的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,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,本领域技术人员在没有做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。
应当理解,当本申请使用术语“第一”、“第二”等时,其仅是用于区别不同对象,而不是用于描述特定顺序。本申请使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
本申请提供了一种面向农业作业机器人的智能化种植方法,用于在施肥过程中控制所述农业作业机器人在种植区域内每个位置点处每种肥料类型的施肥量。农业作业机器人包括多个储存仓和图像采集设备,图像采集设备用于采集农业作业机器人一侧的图像信息,该图像信息包含农业作业机器人侧方区域的农作物;每个储存仓储存一种肥料类型,所述肥料类型包括氮肥、磷肥或钾肥中的至少一种;一个储存仓上设有一个喷头,用于将对应储存仓内的肥料喷洒至农业作业机器人侧方区域内的农作物上,所述控制参数用于控制每个储存仓内不同肥料类型的喷洒量,也即是每种肥料类型的施肥量。其中,所述农作物可以为小麦、高粱或蔬菜等。
其中,图像采集设备为智能手机或工业相机等具有图像采集功能的设备。在一次施肥过程中,农业作业机器人可沿设定路径在种植区域内移动,并在移动过程中通过喷头将多个储存仓内的肥料喷洒至农业作业机器人侧方区域内的农作物上,当农业作业机器人沿设定路径在种植区域内移动完毕后,即可完成一次施肥。
请参见图1所示,是根据本申请实施例的一种面向农业作业机器人的智能化种植方法的流程图。根据不同的需求,所述流程图中步骤的顺序可以改变,某些步骤可以省略。
S11,在本次施肥的过程中,控制所述农业作业机器人在所述种植区域内沿设定路径移动,并获取所述农业作业机器人的实时位置点,其中,所述设定路径包括所述种植区域内的所有位置点。
在一个实施例中,当种植区域内的农作物需要进行施肥作业时,获取设定路线,该设定路线上包含多个位置点,完成所有位置点施肥作业后,即可完成种植区域内所有农作物的施肥。比如,请参见图2,是根据本申请实施例的设定路径和设定路径上多个位置点的示意图,在种植区域内,相邻两排农作物之间会预留出供行人或农业作业机器人通行的通道,将种植区域内任意两排农作物之间的通道作为设定路径,所述多个位置点在该设定路径上等预设间隔分布,所述预设间隔与储存仓上喷头的喷洒范围有关,本申请中预设间隔的取值为0.5米。
在本次施肥的过程中,农业作业机器人在种植区域内沿着设定路径进行移动,并通过农业作业机器人内设的GPS定位模块获取农业作业机器人的实时位置点,实时位置点为设定路径上的任意一个位置点。
如此,在一次施肥的过程中,能够采集农业作业机器人的实时位置,并将该实时位置作为农业作业机器人的实时位置点。
S12,采集所述实时位置点的实时土壤信息,其中,所述实时土壤信息包括PH值和养分含量,所述养分含量包括不同养分类型的含量。
在一个实施例中,土壤作为农作物生长的基础,为农作物生长提供养分,因此,实时土壤信息直接影响施肥过程中的施肥量。采集所述实时位置点的实时土壤信息包括:所述农业作业机器人还包括土壤传感器,将所述土壤传感器的数值作为所述实时位置点的实时土壤信息。
其中,所述实时土壤信息包括PH值和养分含量,所述养分含量至少包括氮含量、磷含量和钾含量多种养分类型,且所述养分类型与所述肥料类型一一对应。
在另一个实施例中,所述种植区域内阵列分布多个预设土壤传感器,采集所述实时位置点的实时土壤信息包括:计算所述实时位置点到每个预设土壤传感器的欧氏距离;获取欧氏距离的最小值,响应于所述最小值等于0,将所述最小值对应的预设土壤传感器作为目标传感器,响应于所述最小值不等于0,将所有欧氏距离按照从小到大的顺序进行排列,并选取排名靠前的预设数量个欧氏距离对应的预设土壤传感器以作为目标传感器;对欧氏距离进行归一化以计算归一化权重,并基于所述归一化权重对所有目标传感器的数值进行加权求和以确定所述实时位置点的实时土壤信息。
其中,所述预设数量的取值为4。以实时土壤信息为PH值为例,所述实时位置点的实时土壤信息满足关系式:
,其中,/>为所有目标传感器的数量,/>为第/>个目标传感器的欧氏距离,/>为所有目标传感器的欧氏距离之和,/>为第/>个目标传感器的测得的PH值,/>为第/>个目标传感器的归一化权重,/>为实时位置点/>的PH值。
可以理解地,当最小值等于0时,表示该实时位置点刚好与一个预设土壤传感器的位置重合,可直接将该预设土壤传感器的示数作为实时位置点的实时土壤信息;当最小值不等于0时,表示该实时位置点不与任何预设土壤传感器的位置重合,为了保证实时位置点的实时土壤信息的准确性,依据该实时位置点附近预设土壤传感器的数值确定实时位置点的实时土壤信息。
如此,准确获取实时位置点的实时土壤信息,为确定该实时位置点的控制参数提供数据基础。
S13,获取所述实时位置点的实时图像,将所述实时图像输入训练完毕的农作物分割网络以输出所述实时图像中的农作物掩码,并将所述农作物掩码与所述实时图像相乘,得到所述实时位置点的实时农作物图像。
在一个实施例中,利用农业作业机器人的图像采集设备采集该实时位置点的实时图像,所述实时图像能够反映农作物的生长阶段和生长状态,进而判断实时位置点处的农作物所需要的肥料类型和施肥量。比如,当实时图像中农作物的叶片发黄时,表示农作物缺少氮肥;当实时图像中农作物区域的面积较小时,表示农作物生长缓慢,缺少磷肥。
为了能够准确预测出该实时位置点的控制参数,需要精准分割出实时图像中的农作物信息,排除背景区域对农作物特征的影响,因此本申请借助训练完毕的农作物分割网络提取实时图像中的实时农作物图像,具体描述如下。所述农作物分割网络的输入为实时图像,输出为所述实时图像中的农作物掩码,所述农作物掩码与所述实时图像的大小相等,且所述农作物掩码中,农作物区域内像素点的取值为1,非农作物区域内像素点的取值为0。其中,所述农作物分割网络的训练方法包括:采集多张农作物样本图像,并将每张农作物样本图像中农作物区域内像素点的取值标记为1,非农作物区域内像素点的取值标记为0,得到所述农作物样本图像的标签图;将任意一张农作物样本图像输入所述农作物分割网络,以获取输出结果,基于所述输出结果和所述农作物样本图像的标签图计算交叉熵损失函数值;依据所述交叉熵损失函数值对所述农作物分割网络进行反向传播,以更新所述农作物分割网络,完成一次训练;迭代地训练所述农作物分割网络,直至所述交叉熵损失函数值小于设定阈值时,得到训练完毕的农作物分割网络。
其中,所述设定阈值的取值为0.001;所述农作物分割网络为UNet、FCN等现有的语义分割网络。
在一个实施例中,得到训练完毕的农作物分割网络后,将实时图像输入训练完毕的农作物分割网络即可输出该实时图像中的农作物掩码,直接将农作物掩码与实时图像相乘,即可得到实时位置点的实时农作物图像;该实时农作物图像能够避免实时图像中背景区域对农作物特征的影响,精准反映实时位置点处农作物的生长阶段和生长状态,进而准确判断实时位置点处所需要的肥料类型和施肥量。
S14,将所述实时土壤信息、所述实时农作物图像和本次施肥的天气数据输入训练完毕的参数预测模型以输出所述实时位置点的控制参数,其中,所述控制参数包括每种肥料类型的施肥量。
在一个实施例中,所述天气数据包括本次施肥时的温度值、湿度值和降雨量;所述天气数据可直接通过气象局发布的气象数据获取;由于天气数据会影响农作物对不同肥料类型的吸收程度,以及肥料的挥发程度,因此,将天气数据作为确定控制参数的因素之一,能避免肥料的浪费,准确获取各位置点的控制参数。
将实时位置点的实时土壤信息、实时农作物图像以及本次施肥的天气数据输入训练完毕的参数预测模型以输出所述实时位置点的控制参数,所述控制参数包括每种肥料类型的施肥量。
请参见图3,是根据本申请实施例的参数预测模型的结构示意图。所述参数预测模型包括图像编码子模型201和回归子模型202,所述图像编码子模型201用于对所述实时农作物图像进行特征提取,得到图像编码向量;拼接所述图像编码向量、所述实时土壤信息和所述天气数据,得到拼接向量;将所述拼接向量输入所述回归子模型202,以输出控制参数。其中,所述控制参数为B行1列的向量,包括每种肥料类型的施肥量,B为所有肥料类型的数量。
具体地,所述图像编码子模型201可采用ResNet、DenseNet等现有的卷积神经网络结构,所述回归子模型202采用全连接神经网络。所述回归子模型包括输入层、隐藏层和输出层,所述输入层包括多个神经元,且输入层中神经元的数量与所述拼接向量的维度相同,用于接收所述拼接向量;所述隐藏层的层数和每层隐藏层中神经元的数量不做限制,用于对所述拼接向量进行维度变换;所述输出层包括B个神经元,一个神经元的输出结果对应一种肥料类型的施肥量,所述输出层用于将维度变换后的结果回归为B行1列的控制参数。
在一个实施例中,为了确保参数预测模型能够准确输出实时位置点的控制参数,需要对参数预测模型进行训练,以使得训练完毕的参数预测模型能够学习到模型输入(包括实时土壤信息、实时农作物图像和天气数据)与控制参数之间的映射关系。
具体地,所述参数预测模型的训练方法包括:在任意一次历史施肥的过程中,采集任意位置点的实时土壤信息、实时农作物图像和所述历史施肥的天气数据以作为一组训练样本,并标注所述训练样本的控制参数以获取所述训练样本的样本标签;将所述训练样本输入所述参数预测模型以获取预测结果;计算所述预测结果和所述训练样本的样本标签之间的均方差损失函数值;基于所述均方差损失函数值对所述参数预测模型进行反向传播,以更新所述参数预测模型;迭代地更新所述参数预测模型,直至所述均方差损失函数值小于设定损失值时,得到训练完毕的参数预测模型。
其中,所述设定损失值的取值为0.001;标注所述训练样本的控制参数以获取所述训练样本的样本标签的过程中,本领域技术人员根据经验进行标注。
如此,利用训练完毕的参数预测模型能够准确输出实时位置点的控制参数,该控制参数包括每种肥料类型的施肥量。
S15,基于所述控制参数控制所述农业作业机器人,以完成所述实时位置点的施肥作业。
在一个实施例中,得到实时位置点的控制参数后,即可控制农业作业机器人上每个储存仓的喷头在该实时位置的喷洒量,完成该实时位置点的施肥作业。农业作业机器人继续沿着沿设定路径移动,依次完成每一个位置点的施肥作业,直至农业作业机器人遍历设定路径上所有位置点时,完成本次施肥,即一次施肥过程包括所有位置点的施肥作业。
在一个实施例中,由于在参数预测模型的训练过程中,训练样本的样本标签由技术人员根据经验进行标注,无法确保样本标签的准确性,进而导致实时位置点的控制参数出现误差;且在完成实时位置点的施肥作业后,无法判断实时位置点的控制参数是否合理。因此,为了实现不同位置处施肥量的精准控制,在完成所述设定路径上所有位置点的施肥作业后,所述种植方法还包括:间隔设定施肥周期,采集所述设定路径上每个位置点的未来土壤信息和未来农作物图像;获取目标位置点的邻接位置点,基于所述目标位置点和所述邻接位置点的实时土壤信息计算基准土壤梯度,并基于所述目标位置点和所述邻接位置点的未来土壤信息计算未来土壤梯度,其中,所述目标位置点为任意一个位置点;计算所述目标位置点的未来土壤信息和实时土壤信息之间的欧氏距离,作为所述目标位置点的土壤信息变化量;基于所述未来土壤梯度、所述基准土壤梯度和所述土壤信息变化量计算所述目标位置点的土壤评价值,所述土壤评价值与所述目标位置点控制参数的合理性呈负相关;计算所述目标位置点与除所述目标位置点之外的其它位置点之间的未来农作物图像相似度,基于所述未来农作物图像相似度计算农作物评价值,所述农作物评价值与所述目标位置点控制参数的合理性呈正相关;基于所述农作物评价值和所述土壤评价值计算所述目标位置点控制参数的合理性;响应于所述合理性不大于设定合理性,将所述目标位置点的实时土壤信息、实时农作物图像和所述本次施肥的天气数据作为一组新增训练样本,对训练完毕的参数预测模型进行二次训练。
其中,所述设定施肥周期需依据农作物的种类和生长阶段进行设定,间隔设定施肥周期对应的时刻即为下一次施肥过程的开始时刻,本申请实施例中设定施肥周期的取值为7天;一个位置点的未来土壤信息和未来农作物图像能够反映下一次施肥过程开始时,该位置点的土壤信息和农作物的生长情况,能够用于计算本次施肥的过程中该位置点控制参数的合理性。
在一个实施例中,所述目标位置点的邻接位置点包括距离所述目标位置点在设定距离内的所有位置点,所述基准土壤梯度满足关系式:
,其中,/>为所述目标位置点的所有邻接位置点的数量,/>为第/>个邻接位置点/>的实时土壤信息,/>为目标位置点/>的实时土壤信息,/>为目标位置点的基准土壤梯度;所述未来土壤梯度满足关系式:
,其中,/>为所述目标位置点/>的所有邻接位置点的数量,/>为第/>个邻接位置点/>的未来土壤信息,/>为目标位置点/>的未来土壤信息,/>为目标位置点的未来土壤梯度;所述土壤评价值满足关系式:
,其中,/>为目标位置点/>的未来土壤梯度,/>为目标位置点的基准土壤梯度,/>为目标位置点/>的未来土壤信息,为目标位置点/>的实时土壤信息,/>为目标位置点/>的土壤评价值。
其中,所述设定距离的取值为2米。
可以理解地,理想情况下,本次施肥过程中目标位置点施加的肥料在下一次施肥过程开始时能够被农作物完全吸收,在不浪费肥料、污染土壤的前提下,保障所有农作物植株健康生长。需要说明的是,一次施肥过程包括所有位置点的施肥作业,换句话说,完成所有位置点的施肥作业后,表示完成一次施肥过程。
其中,能够反映施肥作业前后目标位置点的土壤信息变化量,用于反映目标位置点的农作物对肥料的吸收程度,土壤信息变化量越大,表示施肥作业时施加的肥料未被农作物吸收的数量越大,则目标位置点的控制参数越不合理;能够反映施肥作业前目标位置点处土壤信息的邻域特征,该邻域特征可视为该目标位置点的属性,也即是说,正常情况下,邻域特征仅与位置点的地理位置有关,且基本保持稳定;/>能够反映施肥作业后目标位置点处土壤信息的邻域特征,能够反映施肥作业前后目标位置点邻域特征的变化量,用于反映施肥作业对目标位置点处土壤的污染程度,该数值越大,表示施肥作业时施加的肥料对土壤的污染程度越大,则目标位置点的控制参数越不合理;因此,土壤评价值综合施肥作业前后目标位置点处土壤信息的变化量和邻域特征的变化量两个因素,反映本次施肥过程中目标位置点处控制参数的合理性。
在一个实施例中,所述农作物评价值满足关系式:
,其中,/>为所述种植区域内所有位置点的数量,/>表示目标位置点的未来农作物图像,/>表示除目标位置点之外的第/>个其它位置点,/>表示目标位置点与第/>个其它位置点之间未来农作物图像相似度,为目标位置点/>的农作物评价值。
其中,未来农作物图像相似度为结构相似度或基于欧氏距离的相似度,本申请不做限制。
可以理解地,在下一次施肥过程开始时,若所有位置点的农作物生长状态相同,则说明每个农作物植株都能够得到所需要的养分,本次施肥的过程中各位置点的控制参数均合理。因此,对于目标位置点而言,农作物评价值越大,表示目标位置点与除目标位置点之外的其它位置点之间的未来农作物图像相似度越大,则目标位置点的控制参数越合理。
在一个实施例中,所述目标位置点控制参数的合理性满足关系式:
,其中,/>为目标位置点/>的土壤评价值,/>为目标位置点/>的农作物评价值,为目标位置点控制参数的合理性。
在一个实施例中,所述设定合理性的取值为0.6,当目标位置点控制参数的合理性不大于设定合理性时,表示目标位置点的控制参数不准确,训练完毕的参数预测模型无法准确输出目标位置点准确的控制参数;故将目标位置点的实时土壤信息、实时农作物图像和本次施肥的天气数据作为一组新增训练样本,对训练完毕的参数预测模型进行二次训练,使得参数预测模型能够在后续施肥过程中输出准确的控制参数。
具体地,所述对训练完毕的参数预测模型进行二次训练包括:获取所述新增训练样本的样本标签;将所述新增训练样本输入训练完毕的参数预测模型以输出所述新增训练样本的控制参数;基于所述目标位置点控制参数的合理性、所述新增训练样本的控制参数和样本标签计算二次训练第一损失,所述二次训练第一损失满足关系式:
,其中,/>为所述目标位置点控制参数的合理性,/>为所述新增训练样本的控制参数,/>为所述新增训练样本的样本标签,/>为二次训练第一损失的数值;依据所述二次训练第一损失对训练完毕的参数预测模型进行反向传播,完成二次训练。
可以理解地,目标位置点控制参数的合理性越小,表示控制参数的误差越大,为了使参数预测模型能够输出准确的控制参数,该目标位置点对应的新增训练样本在二次训练中的价值越大,应在二次训练第一损失中分配较大的权重。
在另一个可选的实施例中,所述土壤信息变化量包括不同养分类型的含量变化量,所述控制参数包括每种肥料类型的施肥量,所述养分类型与所述肥料类型一一对应;为精准控制每种肥料类型的施肥量,在二次训练第二损失中可依据不同养分类型的含量变化量对每种肥料类型的施肥量分配权重,使得二次训练过程更关注含量变化量较大的肥料类型,具体描述如下。所述对训练完毕的参数预测模型进行二次训练包括:获取所述新增训练样本的样本标签;将所述新增训练样本输入训练完毕的参数预测模型以输出所述新增训练样本的控制参数;获取所述土壤信息变化量中每种养分类型的含量变化量,并对所有含量变化量进行归一化以获取含量变化量向量;基于所述含量变化量向量、所述目标位置点控制参数的合理性、所述新增训练样本的控制参数和样本标签计算二次训练第二损失,所述二次训练第二损失满足关系式:
,其中,/>为所述目标位置点控制参数的合理性,/>为所述新增训练样本的控制参数,/>为所述新增训练样本的样本标签,/>为所述含量变化量向量,/>表示计算/>与之间的哈达玛积,/>为二次训练第二损失的数值。
如此,在完成本次施肥后,在下一次施肥开始前采集种植区域内各位置点的未来土壤信息和未来农作物图像,计算每个位置点控制参数的合理性,依据合理性不满足要求的位置点确定新增训练样本,并对训练完毕的参数预测模型进行二次训练,使得参数预测模型能够在后续施肥过程中输出准确的控制参数,进而精准控制种植区域内不同位置处的施肥量。
本申请实施例提供的上述一种面向农业作业机器人的智能化种植方法,在农业作业机器人本次施肥的过程中,采集任意位置点的实时土壤信息、实时农作物图像和本次施肥的天气数据输入训练完毕的参数预测模型以输出该位置点的控制参数,控制参数包括每种肥料类型的施肥量,并依据控制参数完成农业作业机器人在该位置点的施肥作业;农业作业机器人在种植区域内沿设定路径移动,完成所有位置点的施肥作业后,完成本次施肥,实现种植区域内不同位置处施肥量的精准控制。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。
Claims (6)
1.一种面向农业作业机器人的智能化种植方法,其特征在于,用于在施肥过程中控制所述农业作业机器人在种植区域内每个位置点处每种肥料类型的施肥量,所述种植方法包括:
在本次施肥的过程中,控制所述农业作业机器人在所述种植区域内沿设定路径移动,并获取所述农业作业机器人的实时位置点,其中,所述设定路径包括所述种植区域内的所有位置点;
采集所述实时位置点的实时土壤信息,其中,所述实时土壤信息包括PH值和养分含量,所述养分含量包括不同养分类型的含量;
获取所述实时位置点的实时图像,将所述实时图像输入训练完毕的农作物分割网络以输出所述实时图像中的农作物掩码,并将所述农作物掩码与所述实时图像相乘,得到所述实时位置点的实时农作物图像;
将所述实时土壤信息、所述实时农作物图像和本次施肥的天气数据输入训练完毕的参数预测模型以输出所述实时位置点的控制参数,其中,所述控制参数包括每种肥料类型的施肥量;
基于所述控制参数控制所述农业作业机器人,以完成所述实时位置点的施肥作业;
在完成所述设定路径上所有位置点的施肥作业后,所述种植方法还包括:
间隔设定施肥周期,采集所述设定路径上每个位置点的未来土壤信息和未来农作物图像;
获取目标位置点的邻接位置点,基于所述目标位置点和所述邻接位置点的实时土壤信息计算基准土壤梯度,并基于所述目标位置点和所述邻接位置点的未来土壤信息计算未来土壤梯度,其中,所述目标位置点为任意一个位置点;
计算所述目标位置点的未来土壤信息和实时土壤信息之间的欧氏距离,作为所述目标位置点的土壤信息变化量;
基于所述未来土壤梯度、所述基准土壤梯度和所述土壤信息变化量计算所述目标位置点的土壤评价值,所述土壤评价值与所述目标位置点控制参数的合理性呈负相关;
计算所述目标位置点与除所述目标位置点之外的其它位置点之间的未来农作物图像相似度,基于所述未来农作物图像相似度计算农作物评价值,所述农作物评价值与所述目标位置点控制参数的合理性呈正相关;
基于所述农作物评价值和所述土壤评价值计算所述目标位置点控制参数的合理性;
响应于所述合理性不大于设定合理性,将所述目标位置点的实时土壤信息、实时农作物图像和所述本次施肥的天气数据作为一组新增训练样本,对训练完毕的参数预测模型进行二次训练;
所述目标位置点的邻接位置点包括距离所述目标位置点在设定距离内的所有位置点;
所述基准土壤梯度满足关系式:
,其中,/>为所述目标位置点的所有邻接位置点的数量,/>为第/>个邻接位置点/>的实时土壤信息,为目标位置点/>的实时土壤信息,/>为目标位置点/>的基准土壤梯度;
所述未来土壤梯度满足关系式:
,其中,/>为所述目标位置点的所有邻接位置点的数量,/>为第/>个邻接位置点/>的未来土壤信息,/>为目标位置点/>的未来土壤信息,/>为目标位置点的未来土壤梯度;
所述土壤评价值满足关系式:
,其中,为目标位置点/>的未来土壤梯度,/>为目标位置点/>的基准土壤梯度,/>为目标位置点/>的未来土壤信息,/>为目标位置点/>的实时土壤信息,/>为目标位置点/>的土壤评价值;
所述农作物评价值满足关系式:
,其中,/>为所述种植区域内所有位置点的数量,/>表示目标位置点的未来农作物图像,/>表示除目标位置点之外的第/>个其它位置点,表示目标位置点与第/>个其它位置点之间未来农作物图像相似度,/>为目标位置点/>的农作物评价值;
所述目标位置点控制参数的合理性满足关系式:
,其中,/>为目标位置点的土壤评价值,/>为目标位置点/>的农作物评价值,/>为目标位置点控制参数的合理性。
2.如权利要求1所述的一种面向农业作业机器人的智能化种植方法,其特征在于,所述种植区域内阵列分布多个预设土壤传感器,采集所述实时位置点的实时土壤信息包括:
计算所述实时位置点到每个预设土壤传感器的欧氏距离;
获取欧氏距离的最小值,响应于所述最小值等于0,将所述最小值对应的预设土壤传感器作为目标传感器,响应于所述最小值不等于0,将所有欧氏距离按照从小到大的顺序进行排列,并选取排名靠前的预设数量个欧氏距离对应的预设土壤传感器以作为目标传感器;
对欧氏距离进行归一化以计算归一化权重,并基于所述归一化权重对所有目标传感器的数值进行加权求和以确定所述实时位置点的实时土壤信息。
3.如权利要求1所述的一种面向农业作业机器人的智能化种植方法,其特征在于,所述农作物掩码与所述实时图像的大小相等,且所述农作物掩码中,农作物区域内像素点的取值为1,非农作物区域内像素点的取值为0;
其中,所述农作物分割网络的训练方法包括:
采集多张农作物样本图像,并将每张农作物样本图像中农作物区域内像素点的取值标记为1,非农作物区域内像素点的取值标记为0,得到所述农作物样本图像的标签图;
将任意一张农作物样本图像输入所述农作物分割网络,以获取输出结果,基于所述输出结果和所述农作物样本图像的标签图计算交叉熵损失函数值;
依据所述交叉熵损失函数值对所述农作物分割网络进行反向传播,以更新所述农作物分割网络,完成一次训练;
迭代地训练所述农作物分割网络,直至所述交叉熵损失函数值小于设定阈值时,得到训练完毕的农作物分割网络。
4.如权利要求1所述的一种面向农业作业机器人的智能化种植方法,其特征在于,所述参数预测模型包括图像编码子模型和回归子模型,所述图像编码子模型用于对所述实时农作物图像进行特征提取,得到图像编码向量;
拼接所述图像编码向量、所述实时土壤信息和所述天气数据,得到拼接向量,所述天气数据包括本次施肥时的温度值、湿度值和降雨量;
将所述拼接向量输入所述回归子模型,以输出控制参数;
其中,所述参数预测模型的训练方法包括:
在任意一次历史施肥的过程中,采集任意位置点的实时土壤信息、实时农作物图像和所述历史施肥的天气数据以作为一组训练样本,并标注所述训练样本的控制参数以获取所述训练样本的样本标签;
将所述训练样本输入所述参数预测模型以获取预测结果;
计算所述预测结果和所述训练样本的样本标签之间的均方差损失函数值;
基于所述均方差损失函数值对所述参数预测模型进行反向传播,以更新所述参数预测模型;
迭代地更新所述参数预测模型,直至所述均方差损失函数值小于设定损失值时,得到训练完毕的参数预测模型。
5.如权利要求1所述的一种面向农业作业机器人的智能化种植方法,其特征在于,所述对训练完毕的参数预测模型进行二次训练包括:
获取所述新增训练样本的样本标签;
将所述新增训练样本输入训练完毕的参数预测模型以输出所述新增训练样本的控制参数;
基于所述目标位置点控制参数的合理性、所述新增训练样本的控制参数和样本标签计算二次训练第一损失,所述二次训练第一损失满足关系式:
,其中,/>为所述目标位置点控制参数的合理性,/>为所述新增训练样本的控制参数,/>为所述新增训练样本的样本标签,/>为二次训练第一损失的数值;
依据所述二次训练第一损失对训练完毕的参数预测模型进行反向传播,完成二次训练。
6.如权利要求1所述的一种面向农业作业机器人的智能化种植方法,其特征在于,所述土壤信息变化量包括不同养分类型的含量变化量,所述养分类型与所述肥料类型一一对应,所述对训练完毕的参数预测模型进行二次训练包括:
获取所述新增训练样本的样本标签;
将所述新增训练样本输入训练完毕的参数预测模型以输出所述新增训练样本的控制参数;
获取所述土壤信息变化量中每种养分类型的含量变化量,并对所有含量变化量进行归一化以获取含量变化量向量;
基于所述含量变化量向量、所述目标位置点控制参数的合理性、所述新增训练样本的控制参数和样本标签计算二次训练第二损失,所述二次训练第二损失满足关系式:
,其中,/>为所述目标位置点控制参数的合理性,/>为所述新增训练样本的控制参数,/>为所述新增训练样本的样本标签,/>为所述含量变化量向量,/>表示计算/>与/>之间的哈达玛积,/>为二次训练第二损失的数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283062.1A CN117882546B (zh) | 2024-03-13 | 2024-03-13 | 一种面向农业作业机器人的智能化种植方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410283062.1A CN117882546B (zh) | 2024-03-13 | 2024-03-13 | 一种面向农业作业机器人的智能化种植方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117882546A CN117882546A (zh) | 2024-04-16 |
CN117882546B true CN117882546B (zh) | 2024-05-24 |
Family
ID=90647526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410283062.1A Active CN117882546B (zh) | 2024-03-13 | 2024-03-13 | 一种面向农业作业机器人的智能化种植方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117882546B (zh) |
Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825230A (zh) * | 2016-03-15 | 2016-08-03 | 中国农业大学 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
CN107290481A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 |
CN109076761A (zh) * | 2018-08-08 | 2018-12-25 | 安徽省现代农业装备产业技术研究院有限公司 | 一种基于遥感图像变量施肥方法 |
CN111369540A (zh) * | 2020-03-06 | 2020-07-03 | 西安电子科技大学 | 基于掩码卷积神经网络的植物叶片病害识别方法 |
CN111414894A (zh) * | 2020-04-10 | 2020-07-14 | 吉林农业大学 | 一种基于遥感图像的农作物病害识别方法 |
CN112733710A (zh) * | 2021-01-08 | 2021-04-30 | 徐州展皎信息技术服务有限公司 | 用于灌溉装置的灌溉水压控制的神经网络的训练方法 |
CN113065562A (zh) * | 2021-03-23 | 2021-07-02 | 北京工业大学 | 一种基于语义分割网络的作物垄行提取及主导航线选取方法 |
CN113179297A (zh) * | 2021-04-13 | 2021-07-27 | 广州大学 | 一种基于物联网蓝牙采集传输灌溉数据的系统及方法 |
CN113287404A (zh) * | 2021-05-11 | 2021-08-24 | 河北润田节水设备有限公司 | 一种语音识别智能水肥一体化灌溉系统 |
CN113361373A (zh) * | 2021-06-02 | 2021-09-07 | 武汉理工大学 | 一种农业场景下的航拍图像实时语义分割方法 |
CN113366956A (zh) * | 2021-06-16 | 2021-09-10 | 中国农业大学 | 药肥同施的控制方法及药肥同施的装置 |
CN114022872A (zh) * | 2021-09-24 | 2022-02-08 | 中国海洋大学 | 基于动态神经网络的多种类农作物叶病识别方法 |
CN115063252A (zh) * | 2022-06-08 | 2022-09-16 | 山东省农业科学院 | 一种基于神经网络的农作物肥料精准施用方法与系统 |
CN115294562A (zh) * | 2022-07-19 | 2022-11-04 | 广西大学 | 一种植保机器人作业环境智能感知方法 |
WO2022253057A1 (zh) * | 2021-06-01 | 2022-12-08 | 中国农业科学院蔬菜花卉研究所 | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 |
CN115643872A (zh) * | 2022-11-02 | 2023-01-31 | 西南大学 | 一种农业自动精准控制变量施肥控制系统 |
CN115759181A (zh) * | 2022-12-29 | 2023-03-07 | 内蒙古小草数字生态产业有限公司 | 一种基于玉米卷叶监测识别并处理旱情的方法和装置 |
CN115952931A (zh) * | 2023-03-14 | 2023-04-11 | 华智生物技术有限公司 | 一种水稻智能施肥方法、系统、设备及介质 |
CN115997539A (zh) * | 2022-12-16 | 2023-04-25 | 广西华沃特集团股份有限公司 | 一种基于土壤环境大数据的智能施肥方法 |
CN116234430A (zh) * | 2020-09-30 | 2023-06-06 | 巴斯夫农化商标有限公司 | 基于土壤、作物、田地和天气相关数据做出的实时施肥和/或作物保护决策,其中土壤相关数据由土壤传感器获得 |
CN116563543A (zh) * | 2023-05-10 | 2023-08-08 | 山东巍然智能科技有限公司 | 一种全天候河道场景全景分割方法及模型搭建方法 |
CN116821274A (zh) * | 2023-05-18 | 2023-09-29 | 广东工业大学 | 一种施肥信息联合抽取方法及系统 |
CN116918546A (zh) * | 2023-07-11 | 2023-10-24 | 吉林隆源农业服务有限公司 | 一种玉米高产种植施肥方法 |
CN117158176A (zh) * | 2023-11-02 | 2023-12-05 | 江苏苏启智能科技有限公司 | 一种农业侧深施肥机的施肥速率控制方法和系统 |
CN117270081A (zh) * | 2023-09-22 | 2023-12-22 | 联通(广东)产业互联网有限公司 | 气象预测的生成方法及装置、设备、存储介质 |
CN117322214A (zh) * | 2023-11-30 | 2024-01-02 | 余姚市农业技术推广服务总站 | 一种基于神经网络的农作物肥料精准施用方法与系统 |
CN117352083A (zh) * | 2023-09-28 | 2024-01-05 | 中国科学院沈阳应用生态研究所 | 一种基于物联网技术的土壤精准施肥方法 |
CN117409339A (zh) * | 2023-10-13 | 2024-01-16 | 东南大学 | 一种用于空地协同的无人机作物状态视觉识别方法 |
CN117501949A (zh) * | 2023-12-15 | 2024-02-06 | 丹阳市致远塑件有限公司 | 一种基于土壤肥沃度检测的智能化变量施肥系统及方法 |
CN117576195A (zh) * | 2023-12-12 | 2024-02-20 | 东北农业大学 | 一种植物叶片形态识别方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7546181B2 (en) * | 2006-01-20 | 2009-06-09 | Vidovich Nikola V | Method and apparatus using soil conductivity thresholds to control irrigating plants |
WO2017024254A1 (en) * | 2015-08-05 | 2017-02-09 | Iteris, Inc. | Customized land surface modeling for irrigation decision support in a crop and agronomic advisory service in precision agriculture |
US20190050741A1 (en) * | 2017-08-10 | 2019-02-14 | Iteris, Inc. | Modeling and prediction of below-ground performance of agricultural biological products in precision agriculture |
JP7195176B2 (ja) * | 2018-02-27 | 2022-12-23 | 株式会社トプコン | 施肥設計装置、農業用機具、施肥設計方法および施肥設計用プログラム |
US20220015287A1 (en) * | 2020-07-20 | 2022-01-20 | Psimos, Inc | Smart fertilizer delivery system |
US20230032688A1 (en) * | 2021-07-30 | 2023-02-02 | Soilserdem Llc | Optimized soil sampling for digital soil fertility mapping using machine learning and remotely-sensed information |
CN114488921B (zh) * | 2022-04-14 | 2022-08-16 | 山东省农业机械科学研究院 | 一种智慧果园物联网管控系统 |
-
2024
- 2024-03-13 CN CN202410283062.1A patent/CN117882546B/zh active Active
Patent Citations (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105825230A (zh) * | 2016-03-15 | 2016-08-03 | 中国农业大学 | 基于深度置信网络模型的土壤墒情预测方法和系统 |
CN107290481A (zh) * | 2017-05-12 | 2017-10-24 | 淮阴工学院 | 一种基于无线传感器网络的牛舍环境氨气智能检测系统 |
CN109076761A (zh) * | 2018-08-08 | 2018-12-25 | 安徽省现代农业装备产业技术研究院有限公司 | 一种基于遥感图像变量施肥方法 |
CN111369540A (zh) * | 2020-03-06 | 2020-07-03 | 西安电子科技大学 | 基于掩码卷积神经网络的植物叶片病害识别方法 |
CN111414894A (zh) * | 2020-04-10 | 2020-07-14 | 吉林农业大学 | 一种基于遥感图像的农作物病害识别方法 |
CN116234430A (zh) * | 2020-09-30 | 2023-06-06 | 巴斯夫农化商标有限公司 | 基于土壤、作物、田地和天气相关数据做出的实时施肥和/或作物保护决策,其中土壤相关数据由土壤传感器获得 |
CN112733710A (zh) * | 2021-01-08 | 2021-04-30 | 徐州展皎信息技术服务有限公司 | 用于灌溉装置的灌溉水压控制的神经网络的训练方法 |
CN113065562A (zh) * | 2021-03-23 | 2021-07-02 | 北京工业大学 | 一种基于语义分割网络的作物垄行提取及主导航线选取方法 |
CN113179297A (zh) * | 2021-04-13 | 2021-07-27 | 广州大学 | 一种基于物联网蓝牙采集传输灌溉数据的系统及方法 |
CN113287404A (zh) * | 2021-05-11 | 2021-08-24 | 河北润田节水设备有限公司 | 一种语音识别智能水肥一体化灌溉系统 |
WO2022253057A1 (zh) * | 2021-06-01 | 2022-12-08 | 中国农业科学院蔬菜花卉研究所 | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 |
CN113361373A (zh) * | 2021-06-02 | 2021-09-07 | 武汉理工大学 | 一种农业场景下的航拍图像实时语义分割方法 |
CN113366956A (zh) * | 2021-06-16 | 2021-09-10 | 中国农业大学 | 药肥同施的控制方法及药肥同施的装置 |
CN114022872A (zh) * | 2021-09-24 | 2022-02-08 | 中国海洋大学 | 基于动态神经网络的多种类农作物叶病识别方法 |
CN115063252A (zh) * | 2022-06-08 | 2022-09-16 | 山东省农业科学院 | 一种基于神经网络的农作物肥料精准施用方法与系统 |
CN115294562A (zh) * | 2022-07-19 | 2022-11-04 | 广西大学 | 一种植保机器人作业环境智能感知方法 |
CN115643872A (zh) * | 2022-11-02 | 2023-01-31 | 西南大学 | 一种农业自动精准控制变量施肥控制系统 |
CN115997539A (zh) * | 2022-12-16 | 2023-04-25 | 广西华沃特集团股份有限公司 | 一种基于土壤环境大数据的智能施肥方法 |
CN115759181A (zh) * | 2022-12-29 | 2023-03-07 | 内蒙古小草数字生态产业有限公司 | 一种基于玉米卷叶监测识别并处理旱情的方法和装置 |
CN115952931A (zh) * | 2023-03-14 | 2023-04-11 | 华智生物技术有限公司 | 一种水稻智能施肥方法、系统、设备及介质 |
CN116563543A (zh) * | 2023-05-10 | 2023-08-08 | 山东巍然智能科技有限公司 | 一种全天候河道场景全景分割方法及模型搭建方法 |
CN116821274A (zh) * | 2023-05-18 | 2023-09-29 | 广东工业大学 | 一种施肥信息联合抽取方法及系统 |
CN116918546A (zh) * | 2023-07-11 | 2023-10-24 | 吉林隆源农业服务有限公司 | 一种玉米高产种植施肥方法 |
CN117270081A (zh) * | 2023-09-22 | 2023-12-22 | 联通(广东)产业互联网有限公司 | 气象预测的生成方法及装置、设备、存储介质 |
CN117352083A (zh) * | 2023-09-28 | 2024-01-05 | 中国科学院沈阳应用生态研究所 | 一种基于物联网技术的土壤精准施肥方法 |
CN117409339A (zh) * | 2023-10-13 | 2024-01-16 | 东南大学 | 一种用于空地协同的无人机作物状态视觉识别方法 |
CN117158176A (zh) * | 2023-11-02 | 2023-12-05 | 江苏苏启智能科技有限公司 | 一种农业侧深施肥机的施肥速率控制方法和系统 |
CN117322214A (zh) * | 2023-11-30 | 2024-01-02 | 余姚市农业技术推广服务总站 | 一种基于神经网络的农作物肥料精准施用方法与系统 |
CN117576195A (zh) * | 2023-12-12 | 2024-02-20 | 东北农业大学 | 一种植物叶片形态识别方法 |
CN117501949A (zh) * | 2023-12-15 | 2024-02-06 | 丹阳市致远塑件有限公司 | 一种基于土壤肥沃度检测的智能化变量施肥系统及方法 |
Non-Patent Citations (8)
Title |
---|
基于WSN的温室智能灌溉系统软件设计;毛威等;现代电子技术;20170831;第40卷(第16期);第5-9页 * |
基于多传感器数据融合的温室环境控制的研究;程曼等;农机化研究;20090731(第07期);第213-214页 * |
基于多特征融合和SVM分类器的植物病虫害检测方法;蒋龙泉等;计算机应用与软件;20141231(第12期);第186-190页 * |
基于深度可分离卷积的实时农业图像逐像素分类研究;刘庆飞等;中国农业科学;20181031(第19期);第3673-3682页 * |
基于环境信息和深度自编码网络的农作物病害预测模型;张善文等;江苏农业学报;20180228(第02期);第288-292页 * |
大数据时代精准施肥模式实现路径及其技术和方法研究展望;何山等;植物营养与肥料学报;20171231(第06期);第1514-1524页 * |
微润灌溉技术研究进展及展望;邹小阳等;水土保持通报;20170430(第04期);第150-155页 * |
蔬菜大棚智能喷洒机器人的设计;顾潘龙等;电子技术;20180831;第47卷(第08期);第72-76页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117882546A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
McCarthy et al. | Advanced process control of irrigation: the current state and an analysis to aid future development | |
Almeida et al. | Improving the ability of 3‐PG to model the water balance of forest plantations in contrasting environments | |
CN108510107B (zh) | 一种农业种植指导方法、电子设备及存储介质 | |
CN108958329B (zh) | 一种滴灌水肥一体化智能决策方法 | |
Skobelev et al. | Development of models and methods for creating a digital twin of plant within the cyber-physical system for precision farming management | |
RU2537912C2 (ru) | Способ автоматизированного управления состоянием посевов | |
CN111985724B (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
CN102413160A (zh) | 一种猕猴桃果园精准管理系统 | |
CN115530054A (zh) | 灌溉控制方法、装置、电子设备及存储介质 | |
CN115205695B (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
CN117322214A (zh) | 一种基于神经网络的农作物肥料精准施用方法与系统 | |
CN117882546B (zh) | 一种面向农业作业机器人的智能化种植方法 | |
CN117652267A (zh) | 一种用于园林绿化维护的监测管理方法及系统 | |
CN116762539A (zh) | 一种农作物智能施肥方法 | |
CN107491724A (zh) | 一种冬小麦穗分化期识别方法及装置 | |
Zhang et al. | Artificial intelligence in soil management: The new frontier of smart agriculture | |
CN114862338A (zh) | 一种大数据农林智慧监测系统 | |
McGlinchey | Computer crop model applications: developments in Swaziland | |
Gulyaev et al. | On the development of a system for digital remote monitoring of agricultural land | |
Gunasekara et al. | Expert prediction system for spice plants grown in Sri Lanka: An incentive for planters | |
CN112347311A (zh) | 一种灌区渠系与耕地面积分布树叶图标识方法和应用管理系统 | |
Kaivosoja | Role of spatial data uncertainty in executions of precision farming operations | |
CN117035471B (zh) | 一种基于多植被指数图像的施肥决策方法及系统 | |
CN113031547B (zh) | 智慧农业生产系统智能闭环控制方法 | |
CN116883221B (zh) | 一种流域生态监测方法 |
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 |