CN117969771A - 一种番茄植株病害监测方法 - Google Patents
一种番茄植株病害监测方法 Download PDFInfo
- Publication number
- CN117969771A CN117969771A CN202410382061.2A CN202410382061A CN117969771A CN 117969771 A CN117969771 A CN 117969771A CN 202410382061 A CN202410382061 A CN 202410382061A CN 117969771 A CN117969771 A CN 117969771A
- Authority
- CN
- China
- Prior art keywords
- value
- moment
- period
- concentration
- current
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 83
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 83
- 238000012544 monitoring process Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 45
- 240000003768 Solanum lycopersicum Species 0.000 title claims description 69
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 122
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 61
- 239000007789 gas Substances 0.000 claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 31
- 235000007688 Lycopersicon esculentum Nutrition 0.000 claims abstract description 27
- 230000005856 abnormality Effects 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims abstract description 12
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000001717 pathogenic effect Effects 0.000 claims description 11
- 230000002441 reversible effect Effects 0.000 claims description 5
- 238000005530 etching Methods 0.000 claims 1
- 230000003902 lesion Effects 0.000 abstract description 14
- 208000035473 Communicable disease Diseases 0.000 abstract description 6
- 241000519995 Stachys sylvatica Species 0.000 abstract description 6
- 244000052769 pathogen Species 0.000 abstract description 5
- 230000005089 fruit drop Effects 0.000 abstract description 4
- 241000227653 Lycopersicon Species 0.000 abstract 5
- 230000000694 effects Effects 0.000 description 5
- 230000004720 fertilization Effects 0.000 description 5
- IOVCWXUNBOPUCH-UHFFFAOYSA-N Nitrous acid Chemical compound ON=O IOVCWXUNBOPUCH-UHFFFAOYSA-N 0.000 description 4
- 230000006399 behavior Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 230000001546 nitrifying effect Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 230000000844 anti-bacterial effect Effects 0.000 description 2
- 239000003899 bactericide agent Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 1
- ZAMOUSCENKQFHK-UHFFFAOYSA-N Chlorine atom Chemical compound [Cl] ZAMOUSCENKQFHK-UHFFFAOYSA-N 0.000 description 1
- VGGSQFUCUMXWEO-UHFFFAOYSA-N Ethene Chemical compound C=C VGGSQFUCUMXWEO-UHFFFAOYSA-N 0.000 description 1
- 239000005977 Ethylene Substances 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 208000031662 Noncommunicable disease Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000460 chlorine Substances 0.000 description 1
- 229910052801 chlorine Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- HHCCNQLNWSZWDH-UHFFFAOYSA-N n-hydroxymethanimine oxide Chemical compound O[N+]([O-])=C HHCCNQLNWSZWDH-UHFFFAOYSA-N 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/0037—NOx
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明属于番茄病害防治、智能化监测技术领域，提出了一种番茄植株病害监测方法，具体为：初始化番茄种植温室大棚场景，在该场景中布置气体检测仪，利用气体检测仪进行浓度测定，并结合各个测定结果获取浓度特征值，再通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征，最终根据获得的氮量异常特征进行病害监测预警。有效识别浓度变化度在大棚中的规律性，量化了二氧化氮在番茄种植大棚场景中排出量异常行为的发生程度，从而为分析区别有害气体导致的非侵染性疾病与病原体感染的侵染性疾病提供可靠数理依据，从而对番茄植株表现出白斑、水渍状病斑、枯萎、落花落果等病变进行更科学和高效的辨别，进而增强防治效率和质量。
Description
技术领域
本发明属于番茄病害防治、智能化监测技术领域，具体涉及一种番茄植株病害监测方法。
背景技术
番茄是一种营养丰富、对人体健康有益的蔬果，其种植过程受到气候变化和季节更替的影响。为了提高产量和质量，种植人员通常利用温室大棚技术栽培番茄，通过调节温度、湿度和光照等因素，确保番茄能够在良好的环境中生长，达到较高的产量和质量水平，避免了露地种植番茄产量较低或冬季无法供应的问题。
在番茄种植的过程中，常面临各种病害的威胁，如各种真菌或害虫引起的早疫病或晚疫病导致的叶片、叶柄、茎和果实出现白斑、水渍状病斑、萎蔫掉落等，直接影响了番茄种植的效益。为了监测这些问题，目前通常采用图像识别的方法，通过定期获取番茄植株的图像并运用人工智能技术来判断是否存在病害以及病害的类型。
然而，当前的图像识别方法通常仅关注侵染性疾病，即病虫、病菌等病原体侵染番茄植株导致的病变。但是在温室大棚的种植环境中，为了便于管理，其气体环境较为密闭，因此除了侵染性疾病外，番茄植株还容易受到非侵染性疾病的威胁，即温室大棚环境产生的有害气体导致植株病变。这些有害气体通常包括多年灌溉抑制硝化细菌活动导致大量亚硝态酸积累而散发出的二氧化氮、施肥过量和棚内高温产生的氨气、温室大棚加温时产生的二氧化硫以及大棚的塑料膜在暴晒或高温下挥发的乙烯、氯气等。这些有害气体导致的非侵染性疾病也会使番茄植株表现出白斑、水渍状病斑、枯萎、落花落果等病变，与病原体感染的侵染性疾病存在一定程度上的相似，因此使用图像识别的方法会出现误判，导致种植人员根据识别结果使用相对应的杀虫剂或杀菌剂后，不但无法解决病害，还造成了成本浪费，甚至错过了最佳防治时间，大大影响了番茄产量和质量。因此，在监测番茄种植过程中，除了关注侵染性疾病外，还应考虑非侵染性疾病，需要一种番茄植株病害监测方法以确保能够在植株病害扩散前及时采取正确的防治措施。
发明内容
本发明的目的在于提出一种番茄植株病害监测方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
为了实现上述目的，根据本发明的一方面，提供一种番茄植株病害监测方法，所述方法包括以下步骤：
S100，初始化番茄种植温室大棚场景，在该场景中布置气体检测仪；
S200，利用气体检测仪进行浓度测定，并结合各个测定结果获取浓度特征值；
S300，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征；
S400，根据获得的氮量异常特征进行病害监测预警。
进一步地，在步骤S100中，初始化番茄种植温室大棚场景，在该场景中布置气体检测仪的方法是：在同个温室大棚俯视平面中均匀选取若干个点作为第一采集点，定义第一采集点地面上方1.5m~2m处为第二采集点，以第二采集点作为采集单元，在每个采集单元的位置布置气体检测仪，通过气体检测仪测量空气中二氧化氮的浓度值。
进一步地，在步骤S200中，利用气体检测仪进行浓度测定，并结合各个测定结果获取气体浓度特征值的方法是：任一时刻下各个采集单元实时测量并且获得测量值，同一个时刻下各个测量值的标准差记为测量幅值；设立一个时间段作为观测间隔Tgap，Tgap∈[30,120]秒，其中观测间隔至少为实时测量间隔的10倍；每隔Tgap获取一次气体浓度特征值，气体浓度特征值为：选择观测间隔内各个测量幅值中拥有最小值的时刻，在该时刻下各个测量值中的最大值作为气体浓度特征值。
进一步地，在步骤S300中，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征的方法是：设定第一反馈周期FPD,FPD∈[30,60]分钟；设定第二反馈周期SPD,SPD＝2×FPD；设定第三反馈周期TPD,TPD＝4×FPD；
分别计算定义当前FPD时间段、当前SPD时间段以及当前TPD时间段内获得的各个浓度特征值的平均值，所得值分别对应设定为第一周期水平FLv、第二周期水平SLv和第三周期水平TLv；记当前时刻获得的浓度特征值为RFeat；
设定异一阶分类条件：若当前时刻满足FLv＞max{SLv,TLv}，则标记当前时刻为异一阶点，并将异一阶点的阶点系数arf取值为1,否则设定异二阶分类条件：若当前时刻满足FLv＜min{SLv,TLv}，则标记当前时刻为异二阶点，并将异二阶点的阶点系数arf取值为4；若当前时刻不满足二阶分类条件，则为异三阶点，并将异三阶点的阶点系数arf取值为2；根据阶点系数计算当前时刻的阶点残差Scl_Feat为:Scl_Feat＝RFeat(1＋e-arfmax{|FLv－SLv|,|FLv－TLv|})；
若当前时刻较其前一个时刻的浓度特征值数值大，并且当前时刻为异一阶点，则定义当前时刻为准异阶点，计算第一反馈周期内各个第一周期水平中的最大值，所得值与第一反馈周期内准异阶点的数量的比值记为异阶量Seg_vl，将同一时刻下的异阶量和阶点残差构成的二元组记为异阶数组(Seg_vl,Scl_Feat)；将第一反馈周期中各个异阶数组作为输入，通过polyfit函数进行拟合并求得斜率值，所得斜率值记为氮量异常特征。
由于在上述氮量异常特征计算过程中存在时序独立分类行为，即量化过程对当前时刻所得数值的依赖性较强，会导致出现模型过拟合问题，尤其当大棚内昼夜温差较大的时候该问题尤其明显，容易引起预警模型灵敏度过高的误判行为，然而现有技术并无法解决所述的过拟合问题，为了使预警模型精确度更高并解决该问题，消除模型灵敏度过高现象，所以本发明提出了一个更优选的方案如下：
优选地，在步骤S300中，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征的方法是：设定第一反馈周期FPD,FPD∈[30,60]分钟；定义当前FPD时间段内获得的各个浓度特征值的平均值为第一周期水平；
则同时刻下第一周期水平与浓度特征的差值为水平溢出量SDg；则当前FPD时间段内各个水平溢出量的极差为溢出幅值svl；从当前时刻逆时间顺序遍历各个第一周期水平并搜索首个出现的极大值作为当前时刻的回溯峰值，回溯峰值所在时刻与当前时刻的时间间隔为回溯间隔；计算回溯峰值与第一周期水平的差值，并定义所得差值与回溯间隔的比值为溢出效率ORt；定义第一反馈周期内各个溢出效率的平均值为溢出阈值OThs；
设定集性分类条件为：((Ort＞OThs)AND(Ort＞0))OR((Ort＜OThs)AND(Ort＜0))；将第一反馈周期内满足集性分类条件的各个时刻记为偏集刻度，其余时刻记为平集刻度；定义第一反馈周期内偏集刻度与平集刻度数量的比值为偏集比；根据偏集比和水平溢出量计算获得偏集因子SCmp_idx：
；
其中i1为偏集刻度的序号，n_SC为第一反馈周期内偏集刻度的数量；ds{}为极差函数，通过极差函数返回集合中各个元素的极差值；exp为自然常数e为底数的指数函数，SDgi1和SDgi1+1分别代表第i1和第i1+1个偏集刻度的水平溢出量，R(n_SC)表示偏集比；
获取各个时刻下的溢出幅值并构成幅值演变序列；预设演变系数Zig，Zig∈[0.7,0.95]; 在演变序列中，任一元素与其前一个元素中，最小值与最大值元素的比值为该元素对应时刻的演变实值ZRvl，当ZRvl＜Zig则定义该时刻发生急演变；根据偏集因子计算氮量异常特征Rcf：
；
其中i2为累加变量，n_HV为第一反馈周期内发生急演变的时刻数量；e.Svl为第一反馈周期内各个发生急演变的时刻下溢出幅值的平均值，Svli2和SCmp_idxi2分别代表第一反馈周期内第i2个发生急演变的时刻下的溢出幅值和偏集因子,err.SCmp_idx代表第一反馈周期内各个时刻下偏集因子的标准差。
有益效果：在大棚类型的特殊栽培环境中，由于常年比较高温，长时期下的灌溉、施肥或者施肥堆积，则会引起土壤硝化细菌的活动的抑制问题，导致没有办法及时降解亚硝酸类的物质，并进一步引起二氧化氮的大量放出，或者亚硝酸大量释放，同时因为大棚具有封闭性，该类些气体往往无法及时释放最终引起番茄植株的疾病。由于通过氮量异常特征是通过二氧化氮浓度进行计算，有效识别浓度变化度在大棚中的规律性，量化了二氧化氮在番茄种植大棚场景中排出量异常行为的发生程度，从而为分析区别有害气体导致的非侵染性疾病与病原体感染的侵染性疾病提供可靠数理依据，从而对番茄植株表现出白斑、水渍状病斑、枯萎、落花落果等病变进行更科学和高效的辨别，进而增强防治效率和质量。
进一步地，在步骤S400中，根据获得的氮量异常特征进行病害监测预警的方法是：以一个自然日作为一个监测单元，将监测单元平均分成12~48个子时段，各个子时段分别对应自然日中不同的时间段；将子时段内获得的各个氮量异常特征的最大值作为该子时段的第一病害风险，获取各个监测单元同一子时段下的第一病害风险并构成序列，以该序列的上四分位值作为该子时段的病害风险阈值；若当前监测单元任一子时段下的第一病害风险大于该子时段对应病害风险阈值，则定义该子时段为子风险段；若当前监测单元中任意子风险段在前一监测单元中也属于子风险段，则定义该子风险段为实测风险段，当前监测单元中实测风险段的数量作为实测级数，当前监测单元中子风险段的数量作为险段级数；预设正整数RRD作为监测空间，设实测级数与险段级数的比值为氮量致病风险，当氮量致病风险的数值持续在连续RRD个监测单元中增大，则向管理员客户端发出氮量致病预警。
优选地，其中，本发明中所有未定义的变量，若未有明确定义，均可为人工设置的阈值。
本发明还提供了一种番茄植株病害监测系统，所述一种番茄植株病害监测系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种番茄植株病害监测方法中的步骤，所述一种番茄植株病害监测系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：
种植场景布置单元，用于初始化番茄种植温室大棚场景，在该场景中布置气体检测仪；
数据特征提取单元，用于利用气体检测仪进行浓度测定，并结合各个测定结果获取浓度特征值；
氮量异常分析单元，用于通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征；
监测预警单元，用于根据获得的氮量异常特征进行病害监测预警。
本发明的有益效果为：本发明提供一种番茄植株病害监测方法，通过监测温室大棚内有害气体的浓度，对番茄植株非侵染性疾病的风险进行了有效量化，弥补了图像识别方法导致的误判问题，从而真实地判断出番茄非侵染性病害，防止了种植人员误用杀虫剂或杀菌剂引起的成本浪费，在大棚类型的特殊栽培环境中，由于常年比较高温，长时期下的灌溉、施肥或者施肥堆积，则会引起土壤硝化细菌的活动的抑制问题，导致没有办法及时降解亚硝酸类的物质，并进一步引起二氧化氮的大量放出，或者亚硝酸大量释放，同时因为大棚具有封闭性，该类些气体往往无法及时释放最终引起番茄植株的疾病。由于通过氮量异常特征是通过二氧化氮浓度进行计算，有效识别浓度变化度在大棚中的规律性，量化了二氧化氮在番茄种植大棚场景中排出量异常行为的发生程度，从而为分析区别有害气体导致的非侵染性疾病与病原体感染的侵染性疾病提供可靠数理依据，从而对番茄植株表现出白斑、水渍状病斑、枯萎、落花落果等病变进行更科学和高效的辨别，进而增强防治效率和质量。有效地预判番茄病害并发出告警，确保种植人员能够及时采取正确措施，提高了番茄生产效率和效益，为高质高量的番茄供应提供了有力的技术支持。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种番茄植株病害监测方法的流程图；
图2所示为一种番茄植株病害监测系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种番茄植株病害监测方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种番茄植株病害监测方法，所述方法包括以下步骤：
S100，初始化番茄种植温室大棚场景，在该场景中布置气体检测仪；
S200，利用气体检测仪进行浓度测定，并结合各个测定结果获取浓度特征值；
S300，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征；
S400，根据获得的氮量异常特征进行病害监测预警。
进一步地，在步骤S100中，初始化番茄种植温室大棚场景，在该场景中布置气体检测仪的方法是：在同个温室大棚俯视平面中均匀选取若干个点作为第一采集点，定义第一采集点地面上方1.5m处为第二采集点，以第二采集点作为采集单元，在每个采集单元的位置布置气体检测仪，通过气体检测仪测量空气中二氧化氮的浓度值。
其中气体检测仪为半导体式气体检测仪、电化学式气体检测仪或者红外线气体检测仪中的任意一种。
进一步地，在步骤S200中，利用气体检测仪进行浓度测定，并结合各个测定结果获取气体浓度特征值的方法是：任一时刻下各个采集单元实时测量并且获得测量值，同一个时刻下各个测量值的标准差记为测量幅值；设立一个时间段作为观测间隔Tgap，Tgap∈[30,120]秒，其中观测间隔为实时测量间隔的20倍；每隔Tgap获取一次气体浓度特征值，气体浓度特征值为：选择观测间隔内各个测量幅值中拥有最小值的时刻，在该时刻下各个测量值中的最大值作为气体浓度特征值。
进一步地，在步骤S300中，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征的方法是：
设定第一反馈周期FPD,FPD∈[30,60]分钟；设定第二反馈周期SPD,SPD＝2×FPD；设定第三反馈周期TPD,TPD＝4×FPD；
分别计算定义当前FPD时间段、当前SPD时间段以及当前TPD时间段内获得的各个浓度特征值的平均值，所得值分别对应设定为第一周期水平FLv、第二周期水平SLv和第三周期水平TLv；记当前时刻获得的浓度特征值为RFeat；
设定异一阶分类条件：若当前时刻满足FLv＞max{SLv,TLv}，则标记当前时刻为异一阶点，并将异一阶点的阶点系数arf取值为1,否则设定异二阶分类条件：若当前时刻满足FLv＜min{SLv,TLv}，则标记当前时刻为异二阶点，并将异二阶点的阶点系数arf取值为4；若当前时刻不满足二阶分类条件，则为异三阶点，并将异三阶点的阶点系数arf取值为2；根据阶点系数计算当前时刻的阶点残差Scl_Feat为:Scl_Feat＝RFeat(1＋e-arfmax{|FLv－SLv|,|FLv－TLv|})；
其中e为自然常数，arf为当前时刻对应异阶点的阶点系数，其中异一阶点、异二阶点和异三阶点均属于异阶点，当前时刻对应异阶点根据异一阶分类条件和异二阶分类条件依次进行判别并获得指定。
若当前时刻较其前一个时刻的浓度特征值数值大，并且当前时刻为异一阶点，则定义当前时刻为准异阶点，计算第一反馈周期内各个第一周期水平中的最大值，所得值与第一反馈周期内准异阶点的数量的比值记为异阶量Seg_vl，将同一时刻下的异阶量和阶点残差构成的二元组记为异阶数组(Seg_vl,Scl_Feat)；将第一反馈周期中各个异阶数组作为输入，通过polyfit函数进行拟合并求得斜率值，所得斜率值记为氮量异常特征。
其中min{}和max{}分别为最小值函数和最大值函数；
其中polyfit函数的具体输入为：polyfit(ls.Seg_vl,ls.Scl_Feat)=[k,b],式中k为斜率，b为截距, ls.Seg_vl代表在第一反馈周期内各个时刻下异阶量构成的序列，ls.Scl_Feat代表在第一反馈周期内各个时刻下阶点残差构成的序列，最终取用其中k值作为氮量异常特征。
优选地，在步骤S300中，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征的方法是：设定第一反馈周期FPD,FPD∈[30,60]分钟；定义当前FPD时间段内获得的各个浓度特征值的平均值为第一周期水平；
其中当前FPD时间段指的是当前时刻逆时间方向的FPD时间段；
则同时刻下第一周期水平与浓度特征的差值为水平溢出量SDg；则当前FPD时间段内各个水平溢出量的极差为溢出幅值svl；从当前时刻逆时间顺序遍历各个第一周期水平并搜索首个出现的极大值作为当前时刻的回溯峰值，回溯峰值所在时刻与当前时刻的时间间隔为回溯间隔；计算回溯峰值与第一周期水平的差值，并定义所得差值与回溯间隔的比值为溢出效率ORt；定义第一反馈周期内各个溢出效率的平均值为溢出阈值OThs；
设定集性分类条件为：((Ort＞OThs)AND(Ort＞0))OR((Ort＜OThs)AND(Ort＜0))；
其中分类条件中的AND和OR分别为逻辑与符号以及逻辑或符号；由于回溯峰值存在小于第一周期水平的情况，该类情况下存在Ort数值为负数的情况；
将第一反馈周期内满足集性分类条件的各个时刻记为偏集刻度，其余时刻记为平集刻度；定义第一反馈周期内偏集刻度与平集刻度数量的比值为偏集比；根据偏集比和水平溢出量计算获得偏集因子SCmp_idx：
；
其中i1为偏集刻度的序号，n_SC为第一反馈周期内偏集刻度的数量；ds{}为极差函数，通过极差函数返回集合中各个元素的极差值；exp为自然常数e为底数的指数函数，SDgi1和SDgi1+1分别代表第i1和第i1+1个偏集刻度的水平溢出量，R(n_SC)表示偏集比；
获取各个时刻下的溢出幅值并构成幅值演变序列；预设演变系数Zig，Zig∈[0.7,0.95]; 在演变序列中，任一元素与其前一个元素中，最小值与最大值元素的比值为该元素对应时刻的演变实值ZRvl，当ZRvl＜Zig则定义该时刻发生急演变；根据偏集因子计算氮量异常特征Rcf：
；
其中i2为累加变量，n_HV为第一反馈周期内发生急演变的时刻数量；e.Svl为第一反馈周期内各个发生急演变的时刻下溢出幅值的平均值，Svli2和SCmp_idxi2分别代表第一反馈周期内第i2个发生急演变的时刻下的溢出幅值和偏集因子,err.SCmp_idx代表第一反馈周期内各个时刻下偏集因子的标准差。
其中i1数值越大，距离当前时刻越远；任一元素的前一个元素指代的为该元素对应时刻的逆时间方向首个时刻；
进一步地，在步骤S400中，根据获得的氮量异常特征进行病害监测预警的方法是：以一个自然日作为一个监测单元，将监测单元平均分成12~48个子时段，各个子时段分别对应自然日中不同的时间段；将子时段内获得的各个氮量异常特征的最大值作为该子时段的第一病害风险，获取各个监测单元同一子时段下的第一病害风险并构成序列，以该序列的上四分位值作为该子时段的病害风险阈值；若当前监测单元任一子时段下的第一病害风险大于该子时段对应病害风险阈值，则定义该子时段为子风险段；若当前监测单元中任意子风险段在前一监测单元中也属于子风险段，则定义该子风险段为实测风险段，当前监测单元中实测风险段的数量作为实测级数，当前监测单元中子风险段的数量作为险段级数；预设正整数RRD作为监测空间，设实测级数与险段级数的比值为氮量致病风险，当氮量致病风险的数值持续在连续RRD个监测单元中增大，则向管理员客户端发出氮量致病预警。其中RRD为大于等于2的正整数。
当发出氮量致病预警，则认为二氧化氮的放出量出现异常，进一步地，当在基于图像识别算法的病害监测中识别出现白斑、水渍状病斑、枯萎、落花落果等病变，并收到氮量致病预警，则该病变属于非侵染性疾病。
本发明的实施例提供的一种番茄植株病害监测系统，如图2所示为本发明的一种番茄植株病害监测系统结构图，该实施例的一种番茄植株病害监测系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种番茄植株病害监测方法实施例中的步骤。
所述系统包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序运行在以下系统的单元中：
种植场景布置单元，用于初始化番茄种植温室大棚场景，在该场景中布置气体检测仪；
数据特征提取单元，用于利用气体检测仪进行浓度测定，并结合各个测定结果获取浓度特征值；
氮量异常分析单元，用于通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征；
监测预警单元，用于根据获得的氮量异常特征进行病害监测预警。
所述一种番茄植株病害监测系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端服务器等计算设备中。所述一种番茄植株病害监测系统，可运行的系统可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种番茄植株病害监测系统的示例，并不构成对一种番茄植株病害监测系统的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种番茄植株病害监测系统还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种番茄植株病害监测系统运行系统的控制中心，利用各种接口和线路连接整个一种番茄植株病害监测系统可运行系统的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种番茄植株病害监测系统的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。
Claims (7)
1.一种番茄植株病害监测方法，其特征在于，所述方法包括以下步骤：
S100，初始化番茄种植温室大棚场景，在该场景中布置气体检测仪；
S200，利用气体检测仪进行浓度测定，并结合各个测定结果获取浓度特征值；
S300，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征；
S400，根据获得的氮量异常特征进行病害监测预警；
其中S200中，利用气体检测仪进行浓度测定，并结合各个测定结果获取浓度特征值的方法是：根据各个位置进行浓度测定获得的测量值计算测量幅值，根据测量幅值在预设时段中的比较获得浓度特征值；
其中S300中，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征的方法是：按比例预设三个时间段作为反馈周期，分别根据反馈周期内的浓度特征值计算第一周期水平、第二周期水平和第三周期水平，根据各个周期水平的值将当前时刻进行分类并获得阶点系数，根据阶点系数计算当前时刻的阶点残差，通过当前时刻与其前一时刻的浓度特征值选择准异阶点，结合异阶量和阶点残差计算氮量异常特征。
2.根据权利要求1所述的一种番茄植株病害监测方法，其特征在于，在步骤S100中，初始化番茄种植温室大棚场景，在该场景中布置气体检测仪的方法是：在同个温室大棚俯视平面中均匀选取若干个点作为第一采集点，定义第一采集点地面上方1.5m~2m处为第二采集点，以第二采集点作为采集单元，在每个采集单元的位置布置气体检测仪，通过气体检测仪测量空气中二氧化氮的浓度值。
3.根据权利要求1所述的一种番茄植株病害监测方法，其特征在于，在步骤S200中，利用气体检测仪进行浓度测定，并结合各个测定结果获取气体浓度特征值的方法具体是：任一时刻下各个采集单元实时测量并且获得测量值，同一个时刻下各个测量值的标准差记为测量幅值；设立一个时间段作为观测间隔Tgap，Tgap∈[30,120]秒，每隔Tgap获取一次气体浓度特征值，气体浓度特征值为：选择观测间隔内各个测量幅值中拥有最小值的时刻，在该时刻下各个测量值中的最大值作为气体浓度特征值。
4.根据权利要求1所述的一种番茄植株病害监测方法，其特征在于，在步骤S300中，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征的方法具体是：设定第一反馈周期FPD,FPD∈[30,60]分钟；设定第二反馈周期SPD,SPD＝2×FPD；设定第三反馈周期TPD,TPD＝4×FPD；
分别计算定义当前FPD时间段、当前SPD时间段以及当前TPD时间段内获得的各个浓度特征值的平均值，所得值分别对应设定为第一周期水平FLv、第二周期水平SLv和第三周期水平TLv；记当前时刻获得的浓度特征值为RFeat；
设定异一阶分类条件：若当前时刻满足FLv＞max{SLv,TLv}，则标记当前时刻为异一阶点，并将异一阶点的阶点系数arf取值为1,否则设定异二阶分类条件：若当前时刻满足FLv＜min{SLv,TLv}，则标记当前时刻为异二阶点，并将异二阶点的阶点系数arf取值为4；若当前时刻不满足二阶分类条件，则为异三阶点，并将异三阶点的阶点系数arf取值为2；根据阶点系数计算当前时刻的阶点残差Scl_Feat为:Scl_Feat＝RFeat(1＋e-arfmax{|FLv－SLv|,|FLv－TLv|})；
若当前时刻较其前一个时刻的浓度特征值数值大，并且当前时刻为异一阶点，则定义当前时刻为准异阶点，计算第一反馈周期内各个第一周期水平中的最大值，所得值与第一反馈周期内准异阶点的数量的比值记为异阶量Seg_vl，将同一时刻下的异阶量和阶点残差构成的二元组记为异阶数组(Seg_vl,Scl_Feat)；将第一反馈周期中各个异阶数组作为输入，通过polyfit函数进行拟合并求得斜率值，所得斜率值记为氮量异常特征。
5.根据权利要求1所述的一种番茄植株病害监测方法，其特征在于，在步骤S300中，通过连续测量获得的浓度特征值进行氮量异常分析，并获得氮量异常特征的方法可替换为：设定第一反馈周期FPD,FPD∈[30,60]分钟；定义当前FPD时间段内获得的各个浓度特征值的平均值为第一周期水平，则同时刻下第一周期水平与浓度特征的差值为水平溢出量SDg；定义当前FPD时间段内各个水平溢出量的极差为溢出幅值svl；从当前时刻逆时间顺序遍历各个第一周期水平并搜索首个出现的极大值作为当前时刻的回溯峰值，回溯峰值所在时刻与当前时刻的时间间隔为回溯间隔；计算回溯峰值与第一周期水平的差值，并定义所得差值与回溯间隔的比值为溢出效率ORt；定义第一反馈周期内各个溢出效率的平均值为溢出阈值OThs；
设定集性分类条件为：((Ort＞OThs)AND(Ort＞0))OR((Ort＜OThs)AND(Ort＜0))；将第一反馈周期内满足集性分类条件的各个时刻记为偏集刻度，其余时刻记为平集刻度；定义第一反馈周期内偏集刻度与平集刻度数量的比值为偏集比；根据偏集比和水平溢出量计算获得偏集因子；获取各个时刻下的溢出幅值并构成幅值演变序列；预设演变系数Zig，Zig∈[0.7,0.95];在演变序列中，任一元素与其前一个元素中，最小值与最大值元素的比值为该元素对应时刻的演变实值ZRvl，当ZRvl＜Zig则定义该时刻发生急演变；根据急演变的时刻对应各个偏集因子计算氮量异常特征。
6.根据权利要求1所述的一种番茄植株病害监测方法，其特征在于，在步骤S400中，根据获得的氮量异常特征进行病害监测预警的方法是：以一个自然日作为一个监测单元，将监测单元平均分成12~48个子时段，各个子时段分别对应自然日中不同的时间段；将子时段内获得的各个氮量异常特征的最大值作为该子时段的第一病害风险，获取各个监测单元同一子时段下的第一病害风险并构成序列，以该序列的上四分位值作为该子时段的病害风险阈值；若当前监测单元任一子时段下的第一病害风险大于该子时段对应病害风险阈值，则定义该子时段为子风险段；若当前监测单元中任意子风险段在前一监测单元中也属于子风险段，则定义该子风险段为实测风险段，当前监测单元中实测风险段的数量作为实测级数，当前监测单元中子风险段的数量作为险段级数；预设正整数RRD作为监测空间，设实测级数与险段级数的比值为氮量致病风险，当氮量致病风险的数值持续在连续RRD个监测单元中增大，则向管理员客户端发出氮量致病预警。
7.一种番茄植株病害监测系统，其特征在于，所述一种番茄植株病害监测系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-6中任一项所述的一种番茄植株病害监测方法中的步骤，所述一种番茄植株病害监测系统运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心的计算设备中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410382061.2A CN117969771B (zh) | 2024-04-01 | 2024-04-01 | 一种番茄植株病害监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410382061.2A CN117969771B (zh) | 2024-04-01 | 2024-04-01 | 一种番茄植株病害监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117969771A true CN117969771A (zh) | 2024-05-03 |
| CN117969771B CN117969771B (zh) | 2024-05-28 |
Family
ID=90858144
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410382061.2A Active CN117969771B (zh) | 2024-04-01 | 2024-04-01 | 一种番茄植株病害监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117969771B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100116562A (ko) * | 2009-04-22 | 2010-11-01 | 한국화학연구원 | 바실러스 벨레젠시스 ｇ341 균주 및 이를 이용한 식물병 방제방법 |
| CN102621118A (zh) * | 2012-03-18 | 2012-08-01 | 吉林大学 | 温室蔬菜病虫害的预警方法 |
| CN108812109A (zh) * | 2018-07-17 | 2018-11-16 | 蒋学杰 | 温室番茄灰霉病的防治方法 |
| WO2019134453A1 (zh) * | 2018-01-03 | 2019-07-11 | 江苏大学 | 一种基于悬挂式滑轨平台的温室信息自动监测方法 |
| CN112535969A (zh) * | 2020-12-29 | 2021-03-23 | 广东粤恬生物科技有限公司 | 一种可提高成品纯度的圣女果防治水溶性药肥配制装置 |
| CN113597941A (zh) * | 2021-09-03 | 2021-11-05 | 新疆农业科学院农业机械化研究所 | 一种温室智能环境调控系统及装置 |
| KR20220011886A (ko) * | 2020-07-22 | 2022-02-03 | 한국화학연구원 | 프테로카르야 톤키넨시스(Pterocaryatonkinensis) 추출물 또는 이의 분확물을 포함하는 식물병 방제용 조성물 및 상기 조성물을 사용한 식물병 방제 방법 |
| CN114402874A (zh) * | 2021-12-28 | 2022-04-29 | 珠海华宜生态科技有限公司 | 一种温室环境下番茄病毒防治方法 |
| CA3190046A1 (en) * | 2020-11-13 | 2022-05-19 | Stephen P. HUMPSTON | Stereo-spatio-temporal crop condition measurements for plant growth and health optimization |
| CN115756037A (zh) * | 2022-10-31 | 2023-03-07 | 华南农业大学 | 一种设施大棚蔬菜管控方法及系统 |
| CN115907746A (zh) * | 2022-11-18 | 2023-04-04 | 郑州云储智能科技有限公司 | 一种温室大棚综合管理智能控制系统 |
| KR20230097457A (ko) * | 2021-12-24 | 2023-07-03 | (주)아이티 | 농작물 성장 및 병해충 상태를 진단할 수 있는 다목적 이송장치 |
| CN116977863A (zh) * | 2023-08-24 | 2023-10-31 | 仲恺农业工程学院 | 一种番茄植株病虫害检测方法及检测系统 |
-
2024
- 2024-04-01 CN CN202410382061.2A patent/CN117969771B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100116562A (ko) * | 2009-04-22 | 2010-11-01 | 한국화학연구원 | 바실러스 벨레젠시스 ｇ341 균주 및 이를 이용한 식물병 방제방법 |
| CN102621118A (zh) * | 2012-03-18 | 2012-08-01 | 吉林大学 | 温室蔬菜病虫害的预警方法 |
| WO2019134453A1 (zh) * | 2018-01-03 | 2019-07-11 | 江苏大学 | 一种基于悬挂式滑轨平台的温室信息自动监测方法 |
| CN108812109A (zh) * | 2018-07-17 | 2018-11-16 | 蒋学杰 | 温室番茄灰霉病的防治方法 |
| KR20220011886A (ko) * | 2020-07-22 | 2022-02-03 | 한국화학연구원 | 프테로카르야 톤키넨시스(Pterocaryatonkinensis) 추출물 또는 이의 분확물을 포함하는 식물병 방제용 조성물 및 상기 조성물을 사용한 식물병 방제 방법 |
| CA3190046A1 (en) * | 2020-11-13 | 2022-05-19 | Stephen P. HUMPSTON | Stereo-spatio-temporal crop condition measurements for plant growth and health optimization |
| CN112535969A (zh) * | 2020-12-29 | 2021-03-23 | 广东粤恬生物科技有限公司 | 一种可提高成品纯度的圣女果防治水溶性药肥配制装置 |
| CN113597941A (zh) * | 2021-09-03 | 2021-11-05 | 新疆农业科学院农业机械化研究所 | 一种温室智能环境调控系统及装置 |
| KR20230097457A (ko) * | 2021-12-24 | 2023-07-03 | (주)아이티 | 농작물 성장 및 병해충 상태를 진단할 수 있는 다목적 이송장치 |
| CN114402874A (zh) * | 2021-12-28 | 2022-04-29 | 珠海华宜生态科技有限公司 | 一种温室环境下番茄病毒防治方法 |
| CN115756037A (zh) * | 2022-10-31 | 2023-03-07 | 华南农业大学 | 一种设施大棚蔬菜管控方法及系统 |
| CN115907746A (zh) * | 2022-11-18 | 2023-04-04 | 郑州云储智能科技有限公司 | 一种温室大棚综合管理智能控制系统 |
| CN116977863A (zh) * | 2023-08-24 | 2023-10-31 | 仲恺农业工程学院 | 一种番茄植株病虫害检测方法及检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 章月琴等: "野生番茄SpIDD1基因的表达分析及其VIGS载体构建", 分子植物育种, no. 07, 19 October 2018 (2018-10-19), pages 127 - 133 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117969771B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ritchie et al. | Five key findings from the 2022 UN population prospects | |
| CN209517198U (zh) | 一种智慧农业标准化管理系统 | |
| Qin et al. | Water and nitrogen use efficiencies in citrus production: A meta-analysis | |
| Putjaika et al. | A control system in an intelligent farming by using arduino technology | |
| Kaburuan et al. | A design of IoT-based monitoring system for intelligence indoor micro-climate horticulture farming in Indonesia | |
| Khairunniza-Bejo et al. | Application of artificial neural network in predicting crop yield: A review | |
| CN111263920A (zh) | 用于控制作物的生长环境的系统和方法 | |
| CN115204689B (zh) | 一种基于图像处理的智慧农业管理系统 | |
| US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| CN111488017A (zh) | 基于物联网的智慧农业管理控制系统 | |
| US20170238484A1 (en) | Method and apparatus for smart irrigation controller | |
| Alcaras et al. | Responses of several soil and plant indicators to post-harvest regulated deficit irrigation in olive trees and their potential for irrigation scheduling | |
| Carlos et al. | Monitoring system of environmental variables for a strawberry crop using IoT tools | |
| CN111096130A (zh) | 一种使用ai光谱的无人干预种植系统及其控制方法 | |
| CN111639904A (zh) | 基于物联网的果蔬种植管理系统 | |
| Masseroni et al. | Is soil water potential a reliable variable for irrigation scheduling in the case of peach orchards? | |
| CN117969771B (zh) | 一种番茄植株病害监测方法 | |
| Zapata et al. | Software for on-farm irrigation scheduling of stone fruit orchards under water limitations | |
| CN114740930A (zh) | 用于温室大棚智能管控平台系统及管控处理方法 | |
| Yumang et al. | IoT-based Monitoring of Temperature and Humidity with Fuzzy Control in Cherry Tomato Greenhouses | |
| Martinez et al. | Predictive modelling in grape berry weight during maturation process: comparison of data mining, statistical and artificial intelligence techniques | |
| De La Croix et al. | Fuzzy logic-based shiitake mushroom farm control for harvest enhancement | |
| Idoje et al. | Comparative analysis of data using machine learning algorithms: A hydroponics system use case | |
| Iliev et al. | A fuzzy logic based approach for integrated control of protected cultivation | |
| US20230153926A1 (en) | Automated Plant Probe System and Method |
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 |