CN117935138A - 水稻种植监测方法、装置、设备及存储介质 - Google Patents
水稻种植监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117935138A CN117935138A CN202311732777.2A CN202311732777A CN117935138A CN 117935138 A CN117935138 A CN 117935138A CN 202311732777 A CN202311732777 A CN 202311732777A CN 117935138 A CN117935138 A CN 117935138A
- Authority
- CN
- China
- Prior art keywords
- data
- rice
- planting
- monitoring
- paddy field
- 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.)
- Pending
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 228
- 235000009566 rice Nutrition 0.000 title claims abstract description 228
- 238000012544 monitoring process Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 227
- 239000002689 soil Substances 0.000 claims abstract description 68
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000010899 nucleation Methods 0.000 claims abstract description 9
- 238000002372 labelling Methods 0.000 claims description 21
- 238000009333 weeding Methods 0.000 claims description 16
- 238000012806 monitoring device Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 10
- 241000196324 Embryophyta Species 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 8
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 6
- 235000015097 nutrients Nutrition 0.000 description 12
- 239000003337 fertilizer Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 7
- 239000000618 nitrogen fertilizer Substances 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 241000510678 Falcaria vulgaris Species 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 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
- 210000005069 ears Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003779 hair growth Effects 0.000 description 1
- 229910001385 heavy metal Inorganic materials 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- -1 monitored PH value Substances 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及农业监测技术领域,尤其涉及一种水稻种植监测方法、装置、设备及存储介质,包括基于水稻种植区域搭建慢直播监控系统;根据慢直播监控系统获取稻田实时图像数据;对稻田实时图像数据进行预处理,以得到水稻图样数据;根据水稻种植区域获取网络天气数据和土壤监控数据,并根据水稻图样数据、网络天气数据和土壤监控数据构建种植指导模型;利用慢直播监控系统可使农户对稻田进行实时监控,降低农户巡护稻田的频次;通过稻田实时图像数据来分析水稻的种植状态,以便于农户可快速掌握水稻的种植状态;根据网络天气数据及土壤监控数据使农户可快速掌握水稻种植环境的具体情况,利用具有可视化效果的种植指导模型为农户提供良好的指导性意见。
Description
技术领域
本发明涉及农业监测技术领域,尤其涉及一种水稻种植监测方法、装置、设备及存储介质。
背景技术
现有的水稻种植方法主要是基于人为通过经验来判断水稻的生长周期、施肥时间、除草时间等种植条件,但在较多不确定性的环境因素下,农户难以及时和准确地掌握水稻生长时所缺乏的物质。不能有效掌握施肥时机和除草时机,这会导致水稻无法及时得到所需物质的补充,对水稻的生长周期有一定的延续性。
可见,现有技术还有待改进和提高。
发明内容
为了克服现有技术的不足,本发明的目的在于提供一种水稻种植监测方法、装置、设备及存储介质,其通过慢直播监控的方式对水稻当地的天气数据等情况进行实时分析,以使农户可快速确定土壤所需的肥料种类,使水稻可及时得到养分的补充。
本发明第一方面提供了一种水稻种植监测方法,包括:基于水稻种植区域搭建慢直播监控系统;根据慢直播监控系统获取稻田实时图像数据;对稻田实时图像数据进行预处理,以得到水稻图样数据;根据水稻种植区域获取网络天气数据和土壤监控数据,并根据水稻图样数据、网络天气数据和土壤监控数据构建种植指导模型。
可选的,在本发明第一方面的第一种实现方式中,所述基于水稻种植区域搭建慢直播监控系统,包括:根据水稻种植区域获取稻田种植面积;根据稻田种植面积确定监控范围,并对监控范围进行划分,以得到多个监控子区域;根据各个监控子区域建立监控链路,并根据所有监控链路搭建慢直播监控系统。
可选的,在本发明第一方面的第二种实现方式中,所述根据慢直播监控系统获取稻田实时图像数据,包括:根据慢直播监控系统获取各条监控链路的实时视频数据;从实时视频数据中随机截取多张视频画面图,并将所有视频画面图像集合生成稻田实时图像数据。
可选的,在本发明第一方面的第三种实现方式中,所述对稻田实时图像数据进行预处理,以得到水稻图样数据,包括:基于Labelbox构建水稻标注模型;将稻田实时图像数据输入至水稻标注模型中,以得到含有水稻标注信息的水稻标注图样数据;基于SwinTransformer构建水稻分类模型;将水稻标注图样数据输入至水稻分类模型,利用水稻分类模型对水稻标注图样数据进行分类识别,以得到多个不同种植阶段的水稻图样,并根据各个不同种植阶段的水稻图样生成水稻图样数据。
可选的,在本发明第一方面的第四种实现方式中,所述根据水稻种植区域获取网络天气数据和土壤监控数据,包括:获取GeoAPI的数据接口,并根据水稻种植区域获取种植地址;根据种植地址从GeoAPI的数据接口中获取网络天气数据;获取预先部署在水稻种植区域的土壤监测分析仪器的土壤监测数据。
可选的,在本发明第一方面的第五种实现方式中,所述根据水稻图样数据、网络天气数据和土壤监控数据构建种植指导模型,包括:对网络天气数据进行数据分析,以得到温度均值数据、湿度均值数据、光照数据和雨量数据;根据温度均值数据、湿度均值数据、光照数据和雨量数据生成气象图表;对土壤监测数据进行数据分析,以得到土壤PH值数据和土壤成分数据;根据土壤PH值数据和土壤成分数据生成土壤状态图表;根据水稻图样数据获取到不同种植阶段的水稻图样;根据不同种植阶段的水稻图样、气象图表和土壤状态图表分别生成与各个种植阶段的水稻图样对应的种植指导模型。
可选的,在本发明第一方面的第六种实现方式中,所述根据慢直播监控系统获取稻田实时图像数据之后,还包括:对稻田实时图像数据与历史除草图像数据进行图像分析;若稻田实时图像数据中画面的杂草覆盖率大于历史除草图像数据中画面的杂草覆盖率,则生成除草警报指令。
本发明第二方面提供了一种水稻种植监测装置,包括:搭建模块,用于基于水稻种植区域搭建慢直播监控系统;获取模块,用于根据慢直播监控系统获取稻田实时图像数据;预处理模块,用于对稻田实时图像数据进行预处理,以得到水稻图样数据;构建模块,用于根据水稻种植区域获取网络天气数据和土壤监控数据,并根据水稻图样数据、网络天气数据和土壤监控数据构建种植指导模型。
本发明第三方面提供了一种水稻种植监测设备,所述水稻种植监测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;至少一个所述处理器调用所述存储器中的所述指令,以使得所述水稻种植监测设备执行上述任一项所述的水稻种植监测方法的各个步骤。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,所述指令被处理器执行时实现上述任一项所述水稻种植监测方法的各个步骤。
本发明的技术方案中,基于不同水稻种植区域搭建个性化的慢直播监控系统,利用慢直播监控系统可使农户对稻田进行实时监控,降低农户巡护稻田的频次;通过稻田实时图像数据来分析水稻的种植状态,根据稻田实时图像数据来判断移栽阶段、长叶阶段、发根阶段等阶段的生长状态,以便于农户可快速掌握水稻的种植状态;根据水稻种植区域的地理参数获取到线上的天气数据及地面的土壤监控数据,从而使农户可快速掌握水稻种植环境的具体情况,并根据水稻图样数据构建生成具有可视化效果的种植指导模型,使农户可直观地观察到水稻的生长周期、种植环境和养分情况,为农户提供良好的指导性数据,以提高水稻的种植效率和种植质量。
附图说明
图1为本发明实施例提供的水稻种植监测方法的第一种流程图;
图2为本发明实施例提供的水稻种植监测方法的第二种流程图;
图3为本发明实施例提供的水稻种植监测方法的第三种流程图;
图4为本发明实施例提供的水稻种植监测方法的第四种流程图;
图5为本发明实施例提供的水稻种植监测方法的第五种流程图;
图6为本发明实施例提供的水稻种植监测方法的第六种流程图;
图7为本发明实施例提供的水稻种植监测装置的结构示意图;
图8为本发明实施例提供的水稻种植监测设备的结构示意图。
具体实施方式
本发明提供了一种水稻种植监测方法、装置、设备及存储介质,本发明基于不同水稻种植区域搭建个性化的慢直播监控系统,利用慢直播监控系统可使农户对稻田进行实时监控,降低农户巡护稻田的频次;通过稻田实时图像数据来分析水稻的种植状态,根据稻田实时图像数据来判断移栽阶段、长叶阶段、发根阶段等阶段的生长状态,以便于农户可快速掌握水稻的种植状态;根据水稻种植区域的地理参数获取到线上的天气数据及地面的土壤监控数据,从而使农户可快速掌握水稻种植环境的具体情况,并根据水稻图样数据构建生成具有可视化效果的种植指导模型,使农户可直观地观察到水稻的生长周期、种植环境和养分情况,为农户提供良好的指导性数据,以提高水稻的种植效率和种植质量。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中水稻种植监测方法的一个实施例包括:
101、基于水稻种植区域搭建慢直播监控系统;
102、根据慢直播监控系统获取稻田实时图像数据;
在本实施例中,基于不同水稻种植区域搭建个性化的慢直播监控系统,利用慢直播监控系统可使农户对稻田进行实时监控,降低农户巡护稻田的频次;另外,还利用慢直播监控系统随机获取稻田实时图像数据,通过稻田实时图像数据来分析水稻的种植状态,根据稻田实时图像数据来判断移栽阶段、长叶阶段、发根阶段等阶段的生长状态,以便于农户可快速掌握水稻的种植状态。
103、对稻田实时图像数据进行预处理,以得到水稻图样数据;
在本实施例中,在对稻田实时图像数据进行分析之前,需对其进行去噪声、标注等处理,以提高稻田实时图像数据的利用率,并提高后续对水稻生长状态分析的准确性。
104、根据水稻种植区域获取网络天气数据和土壤监控数据,并根据水稻图样数据、网络天气数据和土壤监控数据构建种植指导模型;
在本实施例中,根据水稻种植区域的地理参数获取到线上的天气数据及地面的土壤监控数据,从而使农户可快速掌握水稻种植环境的具体情况,并根据水稻图样数据构建生成具有可视化效果的种植指导模型,使农户可直观地观察到水稻的生长周期、种植环境和养分情况,为农户提供良好的指导性数据,以提高水稻的种植效率和种植质量。
本发明实施例中,基于不同水稻种植区域搭建个性化的慢直播监控系统,利用慢直播监控系统可使农户对稻田进行实时监控,降低农户巡护稻田的频次;通过稻田实时图像数据来分析水稻的种植状态,根据稻田实时图像数据来判断移栽阶段、长叶阶段、发根阶段等阶段的生长状态,以便于农户可快速掌握水稻的种植状态;根据水稻种植区域的地理参数获取到线上的天气数据及地面的土壤监控数据,从而使农户可快速掌握水稻种植环境的具体情况,并根据水稻图样数据构建生成具有可视化效果的种植指导模型,使农户可直观地观察到水稻的生长周期、种植环境和养分情况,为农户提供良好的指导性数据,以提高水稻的种植效率和种植质量。
请参阅图2,本发明实施例中水稻种植监测方法的第二个实施例包括:
201、根据水稻种植区域获取稻田种植面积;
202、根据稻田种植面积确定监控范围,并对监控范围进行划分,以得到多个监控子区域;
203、根据各个监控子区域建立监控链路,并根据所有监控链路搭建慢直播监控系统。
在本实施例中,预先对水稻种植区域进行测算,以得到稻田实际的种植面积(即稻田种植面积),然后根据稻田种植面积来确定需要监控的范围,并根据水稻的分布情况对监控范围进行划分,以得到多个监控子区域,通过设置多个监控子区域可便于农户对稻田进行分区监控,可利于农户根据种植习惯和种植需求有针对性的对各个种植区域进行管理;另外,通过建立多条监控链路可实时获取各个监控子区域的实时画面,以此生成慢直播监控系统。
204、根据慢直播监控系统获取各条监控链路的实时视频数据;
205、从实时视频数据中随机截取多张视频画面图,并将所有视频画面图像集合生成稻田实时图像数据。
在本实施例中,当获取到各条监控链路的实时视频数据后,则基于随机抽样算法随机对实时视频数据进行截图处理,以得到多张视频画面图,根据所有视频画面图集合生成稻田实时图像数据,以为水稻的种植分析提供数据支撑。
请参阅图3,本发明实施例中水稻种植监测方法的第三个实施例包括:
301、基于Labelbox构建水稻标注模型;
302、将稻田实时图像数据输入至水稻标注模型中,以得到含有水稻标注信息的水稻标注图样数据;
在本实施例中,当获取到稻田实时图像数据后,稻田实时图像数据中的画面除了包含水稻的画面还包含其余环境干扰画面,所以需要利用基于Labelbox所构建的水稻标注模型对画面中的水稻特征进行标注,以得到含有水稻标注信息的水稻标注图样数据,便于后续农户对水稻的生长状态进行分析,使农户可快速掌握水稻生长的真实情况。
需要说明的是,LabelBox是一款专业的在线标注工具,支持图像标注和文本标注,可以进行分类、边界框、实体、关系等多种标注类型。Labelbox提供了许多先进的功能,如自动标注、质量控制、标注审核等,可以大大提高标注效率和标注结果的准确度。Labelbox还提供了API接口,可以与其他自然语言处理工具和机器学习平台无缝集成。
303、基于Swin Transformer构建水稻分类模型;
304、将水稻标注图样数据输入至水稻分类模型,利用水稻分类模型对水稻标注图样数据进行分类识别,以得到多个不同种植阶段的水稻图样,并根据各个不同种植阶段的水稻图样生成水稻图样数据。
在本实施例中,由于水稻的生长周期均存在一定差异,所以需要根据水稻生长阶段(如移栽阶段、长叶阶段、发根阶段等)对水稻标注图样数据进行分类,使农户可以根据水稻不同的生长阶段来优化种植策略,有效提高水稻的种植效率;在分类时,利用训练好的水稻分类模型来识别出处于不同生长阶段的水稻图样,将同类生长阶段的水稻图样进行归类,以此生成最终的水稻图样数据。
需要说明的是,Swin Transformer整体结构由以下模块组成:PatchEmbed将图像换分为多个patches,之后接入多个BasicLayer进行处理,再然后将结果做avgpool输出计算结果,最后在进行分类操作(对多个tokens取均值参与最终的分类运算);SwinTransformer采用分层的机构,将输入图像分成多个小块,然后在各个小块上进行Transformer计算,从而减少了模型整体的计算量,提高了分类效率;Swin Transformer采用跨层连接和多尺度特征融合等技术,可有效提高模型的精度;Swin Transformer可以根据不同的任务和数据集进行调整和扩展。
请参阅图4,本发明实施例中水稻种植监测方法的第四个实施例包括:
401、获取GeoAPI的数据接口,并根据水稻种植区域获取种植地址;
402、根据种植地址从GeoAPI的数据接口中获取网络天气数据;
403、获取预先部署在水稻种植区域的土壤监测分析仪器的土壤监测数据。
在本实施例中,GeoAPI的数据接口为和风天气的数据接口,通过水稻种植区域获得种植地的种植地址,根据种植地址对GeoAPI进行定位,从而利用GeoAPI的数据接口获取到网络天气数据,通过这样的方式可实时获取到当地准确的气象信息;另外,需对预先部署在水稻种植区域的土壤监测分析仪器进行实时监测,以使农户可实时掌握稻田的土壤监测数据,通过数据传感器进行数据接收,数据传感器通过5G的方式对监测的数据进行传输,系统通过建立传输通道进行接收土壤监测数据,并将接收的数据存储到系统数据表中,形成土壤监测数据集主要包括监测的PH值、氮磷钾含量、酸碱度、土壤中重金属含量等物质。
请参阅图5,本发明实施例中水稻种植监测方法的第五个实施例包括:
501、对网络天气数据进行数据分析,以得到温度均值数据、湿度均值数据、光照数据和雨量数据;
502、根据温度均值数据、湿度均值数据、光照数据和雨量数据生成气象图表;
503、对土壤监测数据进行数据分析,以得到土壤PH值数据和土壤成分数据;
504、根据土壤PH值数据和土壤成分数据生成土壤状态图表;
505、根据水稻图样数据获取到不同种植阶段的水稻图样;
506、根据不同种植阶段的水稻图样、气象图表和土壤状态图表分别生成与各个种植阶段的水稻图样对应的种植指导模型。
在本实施例中,通过系统对网络天气数据进行数据分析,以分析出一段时间内的天气数据包括农作物所需的温度均值数据、湿度均值数据、光照数据和雨量数据,并生成一段时间内的气象图表,通过气象图表使数据可以更直观的展示给农户,可以起到良好的指导作用;通过系统对土壤监测数据进行数据分析,以分析出一段时间内的土壤数据包括农作物所需的土壤PH值数据和土壤成分数据,并生成一段时间内的土壤状态图表,通过土壤状态图表使数据可以更直观的展示给农户,可以起到良好的指导作用;通过将水稻图样数据获取到不同种植阶段的水稻图样,使系统可根据不同种植阶段的水稻图样进行分析,结合气象图表和土壤状态图表有针对性的对各个种植阶段的水稻图样进行分析,以得到多个不同的种植指导模型。
具体的分析过程如下:结合水稻的生长周期对水稻的营养元素吸收过程的不同,随着移栽返青、长叶、分菜发根营养体的需求逐渐增大,吸肥量也相应提高,到达抽穰前达到最高,受施肥水平、不同营养元素和灌溉的条件不同影响水稻的整个生长周期,系统通过监测的土壤监测数据分析土壤的酸碱度,并结合光照数据对水稻移栽返青时段内对氮肥的需求量得到精准的数据,对水稻监测实施氮肥后每天的土壤进行监测,并可对水稻吸收氮肥后的剩余情况进行监测,及时补充移栽返青后的水稻所需的氮肥提供数据依据,结合当地天气情况提供实施水稻所需肥料的最佳时机。系统可以根据当天的天气情况精准到小时的数据,对水稻移栽返青过程中需要的氮肥提供实施依据。
对水稻的生长周期长叶及分菜发根阶段系统根据监测的土壤监测数据、网络天气数据、水稻图样数据进行分析,通过水稻图样数据可以清晰观察水稻长叶分菜发根阶段时间,系统提供近距离的视频监控通过摄像监控水稻是否长叶及分菜发根阶段,监控的摄像头可以根据需要提供一定距离及覆盖面积的安装数量,达到整片面积稻田的覆盖,系统提供移动端可以通过手机实时监测水稻长叶及分菜发根情况,及时有效补充所需的氮、磷、钾肥料。根据气候条件不同,水稻各生育期吸肥规律不同。温暖地区在移栽至幼糠形成期吸收养分较多,其籽粒形成的养分来源靠出穗后供给多;而寒冷地区籽粒形成的养分主要靠出穗前蕃积的养分供给。因此,在温暖地区栽培水稻应控制基肥、巍肥用量,以免前期生长过旺,注意后期追肥,以免早衰;而寒冷地区,则应重施基肥和麻肥,促进水稻早生快发。
请参阅图6,本发明实施例中水稻种植监测方法的第六个实施例包括:
601、对稻田实时图像数据与历史除草图像数据进行图像分析;
602、若稻田实时图像数据中画面的杂草覆盖率大于历史除草图像数据中画面的杂草覆盖率,则生成除草警报指令。
在本实施例中,利用稻田实时图像数据来监控稻田整体的种植情况,并根据历史除草图像数据(即历史需要除草的图像画面)对稻田实时图像数据进行实时分析,以判断稻田实时图像数据中画面的杂草覆盖率是否到达阈值(即历史除草图像数据中画面的杂草覆盖率),此处,利用画面的帧数进行比对,通过杂草画面的帧数占比进行比较,从而判断稻田是否需要进行除草处理,若稻田实时图像数据中画面的杂草覆盖率达到阈值,则生成除草警报指令以指示农户对稻田进行除草处理。
上面对本发明实施例中水稻种植监测方法进行了描述,下面对本发明实施例中水稻种植监测装置进行描述,请参阅图7,本发明实施例中水稻种植监测装置一个实施例包括:
搭建模块701,用于基于水稻种植区域搭建慢直播监控系统;
获取模块702,用于根据慢直播监控系统获取稻田实时图像数据;
预处理模块703,用于对稻田实时图像数据进行预处理,以得到水稻图样数据;
构建模块704,用于根据水稻种植区域获取网络天气数据和土壤监控数据,并根据水稻图样数据、网络天气数据和土壤监控数据构建种植指导模型。
在本实施例中,搭建模块701基于不同水稻种植区域搭建个性化的慢直播监控系统,利用慢直播监控系统可使农户对稻田进行实时监控,降低农户巡护稻田的频次;获取模块702通过稻田实时图像数据来分析水稻的种植状态,根据稻田实时图像数据来判断移栽阶段、长叶阶段、发根阶段等阶段的生长状态,以便于农户可快速掌握水稻的种植状态;预处理模块703和构建模块704根据水稻种植区域的地理参数获取到线上的天气数据及地面的土壤监控数据,从而使农户可快速掌握水稻种植环境的具体情况,并根据水稻图样数据构建形成具有可视化效果的种植指导模型,使农户可直观地观察到水稻的生长周期、种植环境和养分情况,为农户提供良好的指导性数据,以提高水稻的种植效率和种植质量。
上面图7从模块化功能实体的角度对本发明实施例中的水稻种植监测装置进行详细描述,下面从硬件处理的角度对本发明实施例中水稻种植监测设备进行详细描述。
图8是本发明实施例提供的一种水稻种植监测设备的结构示意图,该水稻种植监测设备800可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)810(例如,一个或一个以上处理器)和存储器820,一个或一个以上存储应用程序833或数据832的存储介质830(例如一个或一个以上海量存储设备)。其中,存储器820和存储介质830可以是短暂存储或持久存储。存储在存储介质830的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对水稻种植监测设备800中的一系列指令操作。更进一步地,处理器810可以设置为与存储介质830通信,在水稻种植监测设备800上执行存储介质830中的一系列指令操作,以实现上述各方法实施例提供的水稻种植监测方法的步骤。
水稻种植监测设备800还可以包括一个或一个以上电源840,一个或一个以上有线或无线网络接口850,一个或一个以上输入输出接口860,和/或,一个或一个以上操作系统831,例如Windows Serve,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图8示出的水稻种植监测设备结构并不构成对基于水稻种植监测设备的限定,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。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行水稻种植监测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统或装置、单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述仅为本发明的优选实例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水稻种植监测方法,其特征在于,包括:
基于水稻种植区域搭建慢直播监控系统;
根据慢直播监控系统获取稻田实时图像数据;
对稻田实时图像数据进行预处理,以得到水稻图样数据;
根据水稻种植区域获取网络天气数据和土壤监控数据,并根据水稻图样数据、网络天气数据和土壤监控数据构建种植指导模型。
2.根据权利要求1所述的水稻种植监测方法,其特征在于,所述基于水稻种植区域搭建慢直播监控系统,包括:
根据水稻种植区域获取稻田种植面积;
根据稻田种植面积确定监控范围,并对监控范围进行划分,以得到多个监控子区域;
根据各个监控子区域建立监控链路,并根据所有监控链路搭建慢直播监控系统。
3.根据权利要求2所述的水稻种植监测方法,其特征在于,所述根据慢直播监控系统获取稻田实时图像数据,包括:
根据慢直播监控系统获取各条监控链路的实时视频数据;
从实时视频数据中随机截取多张视频画面图,并将所有视频画面图像集合生成稻田实时图像数据。
4.根据权利要求1所述的水稻种植监测方法,其特征在于,所述对稻田实时图像数据进行预处理,以得到水稻图样数据,包括:
基于Labelbox构建水稻标注模型;
将稻田实时图像数据输入至水稻标注模型中,以得到含有水稻标注信息的水稻标注图样数据;
基于Swin Transformer构建水稻分类模型;
将水稻标注图样数据输入至水稻分类模型,利用水稻分类模型对水稻标注图样数据进行分类识别,以得到多个不同种植阶段的水稻图样,并根据各个不同种植阶段的水稻图样生成水稻图样数据。
5.根据权利要求1所述的水稻种植监测方法,其特征在于,所述根据水稻种植区域获取网络天气数据和土壤监控数据,包括:
获取GeoAPI的数据接口,并根据水稻种植区域获取种植地址;
根据种植地址从GeoAPI的数据接口中获取网络天气数据;
获取预先部署在水稻种植区域的土壤监测分析仪器的土壤监测数据。
6.根据权利要求4所述的水稻种植监测方法,其特征在于,所述根据水稻图样数据、网络天气数据和土壤监控数据构建种植指导模型,包括:
对网络天气数据进行数据分析,以得到温度均值数据、湿度均值数据、光照数据和雨量数据;
根据温度均值数据、湿度均值数据、光照数据和雨量数据生成气象图表;
对土壤监测数据进行数据分析,以得到土壤PH值数据和土壤成分数据;
根据土壤PH值数据和土壤成分数据生成土壤状态图表;
根据水稻图样数据获取到不同种植阶段的水稻图样;
根据不同种植阶段的水稻图样、气象图表和土壤状态图表分别生成与各个种植阶段的水稻图样对应的种植指导模型。
7.根据权利要求1所述的水稻种植监测方法,其特征在于,所述根据慢直播监控系统获取稻田实时图像数据之后,还包括:
对稻田实时图像数据与历史除草图像数据进行图像分析;
若稻田实时图像数据中画面的杂草覆盖率大于历史除草图像数据中画面的杂草覆盖率,则生成除草警报指令。
8.一种水稻种植监测装置,其特征在于,包括:
搭建模块,用于基于水稻种植区域搭建慢直播监控系统;
获取模块,用于根据慢直播监控系统获取稻田实时图像数据;
预处理模块,用于对稻田实时图像数据进行预处理,以得到水稻图样数据;
构建模块,用于根据水稻种植区域获取网络天气数据和土壤监控数据,并根据水稻图样数据、网络天气数据和土壤监控数据构建种植指导模型。
9.一种水稻种植监测设备,其特征在于,所述水稻种植监测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
至少一个所述处理器调用所述存储器中的所述指令,以使得所述水稻种植监测设备执行如权利要求1-7中任一项所述的水稻种植监测方法的各个步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述水稻种植监测方法的各个步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311732777.2A CN117935138A (zh) | 2023-12-14 | 2023-12-14 | 水稻种植监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311732777.2A CN117935138A (zh) | 2023-12-14 | 2023-12-14 | 水稻种植监测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117935138A true CN117935138A (zh) | 2024-04-26 |
Family
ID=90749516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311732777.2A Pending CN117935138A (zh) | 2023-12-14 | 2023-12-14 | 水稻种植监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117935138A (zh) |
-
2023
- 2023-12-14 CN CN202311732777.2A patent/CN117935138A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11726452B2 (en) | System and method for aggregating test plot results based on agronomic environments | |
Blackmer et al. | Using precision farming technologies to improve management of soil and fertiliser nitrogen | |
CA2663917C (en) | Variable zone crop-specific inputs prescription method and systems therefor | |
US20160309646A1 (en) | Agronomic systems, methods and apparatuses | |
CN110545531A (zh) | 一种基于大数据和云计算的农作物长势监控方法与系统 | |
CN108510107B (zh) | 一种农业种植指导方法、电子设备及存储介质 | |
US11716985B2 (en) | Method for remediating developmentally delayed plants | |
CN114202438A (zh) | 一种基于智慧农业的天空地一体化农业遥感大数据系统 | |
Gawande et al. | Potential of precision farming technologies for eco-friendly agriculture | |
Robert | Precision Agriculture: An Informative Revolution In Agriculture | |
CN102156886A (zh) | 基于统计数据和遥感影像数据的区域化肥投入空间化方法 | |
CN115423643A (zh) | 水肥计算方法、装置、电子设备和存储介质 | |
Tatsumi | Effects of automatic multi-objective optimization of crop models on corn yield reproducibility in the USA | |
Kwanmuang et al. | Small-scale farmers under Thailand’s smart farming system | |
Burlacu et al. | A conceptual model of farm management information system for decision support | |
CN117935138A (zh) | 水稻种植监测方法、装置、设备及存储介质 | |
CN115968760A (zh) | 一种基于马铃薯根系时空分布的在地化灌溉方法 | |
CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
CN110782112A (zh) | 一种农作物生产温室气体减排潜力估算方法及系统 | |
CN114219227A (zh) | 一种精准施肥决策及地块级展示方法和系统 | |
Scurlock | Urban Agriculture in San Diego: Garden Characteristics, Practices, and Environmental Outcomes | |
Sarron et al. | Assessing production gaps at the tree scale: definition and application to mango (Mangifera indica L.) in West Africa | |
Mallarino et al. | Role of precision agriculture in phosphorus management practices | |
Aharari et al. | Development of IoT-based smart agriculture monitoring system for red radish plants production | |
Gunasekara et al. | Expert prediction system for spice plants grown in Sri Lanka: An incentive for planters |
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 |