基于卫星与无人机遥感结合的作物生长预测***及方法
技术领域
本发明涉及信息处理技术,尤其涉及基于卫星与无人机遥感结合的作物生长预测***及方法。
背景技术
卫星遥感技术属于高空遥感技术,目前,卫星高空遥感可用于气象卫星的估算等应用,例如,能够对农作物长势、病虫害及冻害进行监测,对灾害面积进行估计,对农作物收成作出估算,甚至对各种资源,如渔业资源,能进行遥感探测,显示出其独特的本领。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不意图确定本发明的关键或重要部分,也不意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,本发明提供了基于卫星与无人机遥感结合的作物生长预测***及方法,以至少解决现有技术仅仅利用卫星高空遥感进行作物预测而导致预测不够准确的问题。
本发明提供了基于卫星与无人机遥感结合的作物生长预测***,所述基于卫星与无人机遥感结合的作物生长预测***包括无人机低空遥感端、卫星高空遥感端和农业物联网地面控制中心;所述无人机低空遥感端用于采集农业物联网预设种植区域的低空遥感图像,并实时发给农业物联网地面控制中心;所述卫星高空遥感端用于采集农业物联网预设种植区域的高空遥感图像,并实时发给农业物联网地面控制中心;农业物联网地面控制中心包括:第一特征提取单元,用于对来自所述无人机低空遥感端的低空遥感图像进行特征提取,以获得第一图像特征;第二特征提取单元,用于对来自所述卫星高空遥感端的高空遥感图像进行特征提取,以获得第二图像特征;作物生长信息获取单元,用于获得所述农业物联网预设种植区域对应的种植作物的种植信息,以及获得所述农业物联网预设种植区域对应的种植作物的实际产量,其中,所述种植信息包括播种时间、播种量、施肥时间、每次施肥量、给水时间、每次给水量、除虫时间以及每十天平均叶面积指数;预测模型训练单元,用于将所述第一图像特征、所述第二图像特征和所述农业物联网预设种植区域对应的种植作物的种植信息以及实际产量作为训练样本,对预定的产量预测模型进行训练;预测单元,用于根据待预测作物的种植信息以及训练好的所述产量预测模型,获得所述待预测作物的预测产量。
优选地,所述产量预测模型采用光谱复合估产模型。
优选地,在对预定的产量预测模型进行训练的步骤中,使得由所述产量预测模型所得到的所述农业物联网预设种植区域对应的种植作物的预测产量与其实际产量之差小于预定阈值。
本发明的基于卫星与无人机遥感结合的作物生长预测***及方法,能够准确地预测作物产量,克服现有技术不足。
通过以下结合附图对本发明的最佳实施例的详细说明,本发明的这些以及其他优点将更加明显。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,其中在所有附图中使用了相同或相似的附图标记来表示相同或者相似的部件。所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。其中:
图1是示出本发明的基于卫星与无人机遥感结合的作物生长预测***的结构示意图;
图2是示出本发明的基于卫星与无人机遥感结合的作物生长预测方法的一种示例性流程的示意图。
本领域技术人员应当理解,附图中的元件仅仅是为了简单和清楚起见而示出的,而且不一定是按比例绘制的。例如,附图中某些元件的尺寸可能相对于其他元件放大了,以便有助于提高对本发明实施例的理解。
具体实施方式
在下文中将结合附图对本发明的示范性实施例进行描述。为了清楚和简明起见,在说明书中并未描述实际实施方式的所有特征。然而,应该了解,在开发任何这种实际实施例的过程中必须做出很多特定于实施方式的决定,以便实现开发人员的具体目标,例如,符合与***及业务相关的那些限制条件,并且这些限制条件可能会随着实施方式的不同而有所改变。此外,还应该了解,虽然开发工作有可能是非常复杂和费时的,但对得益于本发明内容的本领域技术人员来说,这种开发工作仅仅是例行的任务。
在此,还需要说明的一点是,为了避免因不必要的细节而模糊了本发明,在附图中仅仅示出了与根据本发明的方案密切相关的装置结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
本发明的实施例提供了一种基于卫星与无人机遥感结合的作物生长预测***及方法,基于卫星与无人机遥感结合的作物生长预测***包括无人机低空遥感端、卫星高空遥感端和农业物联网地面控制中心;无人机低空遥感端用于采集农业物联网预设种植区域的低空遥感图像,并实时发给农业物联网地面控制中心;卫星高空遥感端用于采集农业物联网预设种植区域的高空遥感图像,并实时发给农业物联网地面控制中心;农业物联网地面控制中心包括:第一特征提取单元,用于对来自无人机低空遥感端的低空遥感图像进行特征提取,以获得第一图像特征;第二特征提取单元,用于对来自卫星高空遥感端的高空遥感图像进行特征提取,以获得第二图像特征;作物生长信息获取单元,用于获得农业物联网预设种植区域对应的种植作物的种植信息,以及获得农业物联网预设种植区域对应的种植作物的实际产量,其中,种植信息包括播种时间、播种量、施肥时间、每次施肥量、给水时间、每次给水量、除虫时间以及每十天平均叶面积指数;预测模型训练单元,用于将第一图像特征、第二图像特征和农业物联网预设种植区域对应的种植作物的种植信息以及实际产量作为训练样本,对预定的产量预测模型进行训练;预测单元,用于根据待预测作物的种植信息以及训练好的产量预测模型,获得待预测作物的预测产量。
图1示出了本发明的基于卫星与无人机遥感结合的作物生长预测***的结构示意图。
如图1所示,上述作物生长预测***包括无人机低空遥感端1、卫星高空遥感端2和农业物联网地面控制中心3。
无人机低空遥感端1用于采集农业物联网预设种植区域的低空遥感图像,并实时发给农业物联网地面控制中心3。
卫星高空遥感端2用于采集农业物联网预设种植区域的高空遥感图像,并实时发给农业物联网地面控制中心3。
农业物联网地面控制中心3包括第一特征提取单元3-1、第二特征提取单元3-2、作物生长信息获取单元3-3、预测模型训练单元3-4和预测单元3-5。
第一特征提取单元3-1,用于对来自无人机低空遥感端的低空遥感图像进行特征提取,以获得第一图像特征。其中,第一图像特征例如是现有的任一种或多种图像特征。
第二特征提取单元3-2,用于对来自卫星高空遥感端的高空遥感图像进行特征提取,以获得第二图像特征。其中,第二图像特征例如是现有的任一种或多种图像特征。
作物生长信息获取单元3-3,用于获得农业物联网预设种植区域对应的种植作物的种植信息,以及获得农业物联网预设种植区域对应的种植作物的实际产量,其中,种植信息包括播种时间、播种量、施肥时间、每次施肥量、给水时间、每次给水量、除虫时间以及每十天平均叶面积指数。
预测模型训练单元3-4,用于将第一图像特征、第二图像特征和农业物联网预设种植区域对应的种植作物的种植信息以及实际产量作为训练样本,对预定的产量预测模型进行训练。
其中,产量预测模型例如可以采用光谱复合估产模型。
作为示例,在预测模型训练单元3-4对产量预测模型进行训练时,训练好的标准例如是:使得由产量预测模型所得到的农业物联网预设种植区域对应的种植作物的预测产量与其实际产量之差小于预定阈值。其中,预定阈值例如可以根据经验值设定,或者通过试验的方式确定。
预测单元3-5,用于根据待预测作物的种植信息以及训练好的产量预测模型,获得待预测作物的预测产量。
作为示例,上述作物生长预测***例如包括监测子***、气象子***、地下水位监测子***和控制中心子***;监测子***包括多个监测点,其中,每个监测点设有至少一个视频装置、至少一个第一传感器以及第一通信装置,至少一个视频装置用于捕获对应区域的视频数据,至少一个第一传感器用于获取该监测点对应的土壤环境数据,第一通信装置用于将对应监测点获得的视频数据和土壤环境数据发送给控制中心子***;气象子***包括多个气象监测站,其中,每个气象监测站设有多个第二传感器和第二通信装置,多个第二传感器用于获取该气象监测站处对应的空气环境数据,第二通信装置用于将对应气象监测站的空气环境数据发送给控制中心子***;地下水位监测子***包括多个地下水位监测点,其中,每个地下水位监测点设有地下水位监测装置和第三通信装置,地下水位监测装置用于实时获取对应处的地下水位数据,并通过第三通信装置将获取的地下水位数据发送给控制中心子***;以及控制中心子***包括第四通信装置和控制处理装置,第四通信装置用于接收来自监测子***、气象子***、地下水位监测子***的所有数据并发送给控制处理装置;控制处理装置用于:至少基于从监测子***接收到的各监测点对应的视频数据和环境数据,预测对应作物长势以及获取影响作物生长的土壤要素信息;至少基于从气象子***接收到的各气象监测站处对应的空气环境数据,获取影响作物生长的空气中环境要素信息;以及至少基于从地下水位监测子***接收到的各地下水位监测点对应的地下水位数据,监测各地下水位监测点的地下水位变化情况。
作为示例,无人机端适于多次采集农业物联网预设种植区域的低空遥感图像,并将低空遥感图像实时发给服务器端;卫星通讯端适于采集农业物联网预设种植区域的高空遥感图像,并将高空遥感图像实时发给服务器端。
此外,还可以通过服务器端对接收到的低空遥感图像和/或高空遥感图像进行分组,并利用每组图像生成一个待检测视频,得到多个待检测视频;通过服务器端接收目标视频;确定目标视频中的多个场景切换时刻;针对目标视频中的每一个场景切换时刻,获得该目标视频中该场景切换时刻所对应的切换后视频帧;将目标视频的第一帧图像以及目标视频中的所有场景切换时刻对应的切换后视频帧作为多个目标帧图像,将所有目标帧图像的总数记为N,N为非负整数;针对预定视频数据库中的每一个待检测视频,确定该待检测视频中的多个场景切换时刻,获得该待检测视频中每个场景切换时刻对应的切换后视频帧,将该待检测视频的第一帧图像以及该待检测视频中的所有场景切换时刻对应的切换后视频帧作为待测帧图像;针对每一个目标帧图像,计算每个待检测视频的每个待测帧图像与该目标帧图像之间的相似度,将与该目标帧图像之间的相似度高于第一阈值的待测帧图像确定为对应待检测视频的候选帧图像;针对每个待检测视频,计算该待检测视频对应的候选帧图像的个数,记为a1,a1为非负整数,计算与该待检测视频对应的各候选帧图像有关的所有目标帧图像的个数,记为a2,a2为非负整数,根据下式计算该待检测视频的第一得分:S1=q1×a1+q2×a2,其中,S1为该待检测视频的第一得分,q1表示该待检测视频对应的候选帧图像的个数所对应的权重,q2表示与该待检测视频对应的各候选帧图像有关的所有目标帧图像的个数所对应的权重,其中,q1等于预设的第一权重值,当a2=N时q2等于预设的第二权重值,当a2<N时q2等于预设的第三权重值,其中,第二权重值大于第三权重值;根据每个待检测视频的第一得分在待检测视频中确定目标视频的相似视频。
作为示例,还可以通过服务器端按照如下方式来根据每个待检测视频的第一得分在待检测视频中确定目标视频的相似视频:在所有待检测视频中,选择其中第一得分高于第二阈值的待检测视频,作为候选视频;基于目标视频的多个场景切换时刻对目标视频进行分割,获得目标视频对应的多个第一视频片段,将目标视频中所有第一视频片段的总数记为M,M为非负整数;针对每个候选视频,基于该候选视频的多个场景切换时刻对该候选视频进行分割,获得该候选视频对应的多个第二视频片段;针对每个候选视频的每个候选帧图像对应的第二视频片段,在多个第一视频片段中选择与该候选帧图像对应的目标帧图像有关的第一视频片段,将选择的该第一视频片段与该第二视频片段进行相似度计算,若该第一视频片段与该第二视频片段之间的相似度高于第三阈值,将该第二视频片段确定为与该第一视频片段对应的相似片段;针对每个候选视频,计算该候选视频中所包含的相似片段的个数,记为b1,b1为非负整数,计算与该候选视频中所包含的各相似片段有关的所有第一视频片段的个数,记为b2,b2为非负整数,根据下式计算该候选视频的第二得分:S2=q3×b1+q4×b2,其中,S2为该候选视频的第二得分,q3表示该候选视频所包含的相似片段的个数所对应的权重,q4表示与该候选视频所包含的各相似片段有关的所有第一视频片段的个数所对应的权重,其中,q3等于预设的第四权重值,当b2=M时q4等于预设的第五权重值,当b2<M时q4等于预设的第六权重值,其中,第五权重值大于第六权重值;根据每个候选视频的第二得分在候选视频中确定目标视频的相似视频。
作为示例,可以通过服务器端按照如下方式来根据每个候选视频的第二得分在候选视频中确定目标视频的相似视频:在所有候选视频中,选择其中第二得分高于第四阈值的候选视频,作为目标视频的相似视频。
作为示例,可以通过服务器端将历史数据中的每组低空遥感图像和高空遥感图像作为输入,将历史数据中每组低空遥感图像和高空遥感图像对应的真实产量等级作为输出,训练预定卷积神经网络模型,将训练好的预定卷积神经网络模型作为第一预测模型;其中,历史数据包括多组低空遥感图像和高空遥感图像以及和每一组低空遥感图像和高空遥感图像相对应的真实产量等级、对应的天气数据和对应的虫害数据;利用第一预测模型获得历史数据中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级,将历史数据中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级、对应天气数据以及对应虫害数据作为输入,将历史数据中每组低空遥感图像和高空遥感图像对应的真实产量等级作为输出,训练预定BP神经网络模型,将训练好的预定BP神经网络模型作为第二预测模型;将当前待预测的低空遥感图像和高空遥感图像输入第一预测模型,获得当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产量等级;将当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产量等级、当前待预测的低空遥感图像和高空遥感图像所对应的天气数据和虫害数据输入第二预测模型,获得当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级;利用当前待预测的低空遥感图像和高空遥感图像确定对应的相似案例,基于相似案例的真实产量与获得的当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级,计算当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值。
作为示例,可以通过服务器端利用当前待预测的低空遥感图像和高空遥感图像确定对应的相似案例,基于相似案例的真实产量与获得的当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级,计算当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值的步骤包括:针对历史数据中的每一组低空遥感图像和高空遥感图像中的每个图像,计算该图像与当前待预测的低空遥感图像和高空遥感图像中的每个图像之间的相似度,确定在当前待预测的低空遥感图像和高空遥感图像中与该图像之间相似度高于第五阈值的图像数目,作为该图像的第一分数;针对历史数据中的每一组低空遥感图像和高空遥感图像,将该组低空遥感图像和高空遥感图像中的各图像的第一分数之和作为该组低空遥感图像和高空遥感图像的第一分数,将该组低空遥感图像和高空遥感图像对应的天气数据与当前待预测的低空遥感图像和高空遥感图像对应的天气数据之间的相似度,作为该组低空遥感图像和高空遥感图像的第二分数,将该组低空遥感图像和高空遥感图像对应的虫害数据与当前待预测的低空遥感图像和高空遥感图像对应的虫害数据之间的相似度,作为该组低空遥感图像和高空遥感图像的第三分数,计算该组低空遥感图像和高空遥感图像对应的第一分数、第二分数与第三分数的加权和,作为该组低空遥感图像和高空遥感图像的总分数;将总分数最高的前N组低空遥感图像和高空遥感图像所对应的N个历史案例,作为当前待预测的低空遥感图像和高空遥感图像对应的相似案例,其中,N为1、2或3;根据每个相似案例对应的总分数,确定每个相似案例的权重,以根据所确定的权重计算N个相似案例的真实产量的加权和,其中,N个相似案例的权重之和为1,若计算所得的N个相似案例的真实产量的加权和所对应的产量等级与当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级相同,将N个相似案例的真实产量的加权和作为当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值,若计算所得的N个相似案例的真实产量的加权和所对应的产量等级高于当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级,将当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级对应的产量数值范围中的最大值作为当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值,若计算所得的N个相似案例的真实产量的加权和所对应的产量等级低于当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级,将当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级对应的产量数值范围中的最小值作为当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值。
作为示例,还包括存储单元和处理单元。
其中,存储单元用于存储多个已存农产品的图片数据和文字数据,其中,每个已存农产品的图片数据包括一个或多个图片。
此外,处理单元可以接收来自用户端的待搜索产品的待搜索图片和/或待检索文字,并计算存储的每个已存农产品与待搜索产品之间的相似度,对待搜索产品的待搜索图片进行物体检测,获得待搜索图片中的所有识别到的第一物品图像;其中,针对每个已存农产品,通过如下方式计算该已存农产品与待搜索产品之间的相似度:针对该已存农产品的图片数据中的每个图片,对该图片进行物体检测,获得该已存农产品的图片数据中的所有识别到的第二物品图像,对该已存农产品的图片数据中的所有识别到的第二物品图像分别进行轮廓检索,以确定其中每个第二物品图像的第二物品轮廓是否完整,在该已存农产品的图片数据中的所有识别到的第二物品图像中,计算每个第二物品图像与每个第一物品图像之间的相似度,针对该已存农产品的每个第二物品图像,确定与该第二物品图像相似度高于第七阈值的第一物品图像的数量,作为该第二物品图像与待搜索产品的第一相关度,累计计算该已存农产品各个第二物品图像对应的第一相关度之和,针对该已存农产品的轮廓完整的每个第二物品图像,确定与该第二物品图像相似度高于第七阈值的第一物品图像的数量,作为该第二物品图像与待搜索产品的第二相关度,累计计算该已存农产品各个第二物品图像对应的第二相关度之和,计算该已存农产品的文字数据与待搜索产品的待检索文字之间的文字相似度,根据该已存农产品对应的第一相关度之和、第二相关度之和以及文字相似度,确定该已存农产品与待搜索产品的总相似度;将与待搜索产品的总相似度高于第八阈值的已存农产品作为搜索结果展示给用户。
作为示例,服务器端还可以:获得第一传感器的第一感应范围。第一感应范围是预先获知的,或者可以通过试验的方式获得,例如,可能是圆形、扇形、半圆形等,或者也可以是三维形状的范围等。接着,服务器端还可以获得第二传感器的第二感应范围。其中,第二感应范围是预先获知的,或者可以通过试验的方式获得,例如,可能是圆形、扇形、半圆形等,或者也可以是三维形状的范围等。此外,应当说明的是,第一或第二感应范围也可以是虚拟的感应范围,例如,对于诸如温度传感器、湿度传感器或气压传感器等,其本身没有较长距离的感应范围,如只能测检测点位置处的温湿度或气压等,但在实际工作中,对于一定区域范围内的温度、湿度或气压等条件可以认为是相同的,比如,可以假设半径一公里以内的气压条件是相同的,或者可以假设半径10公里以内的温度条件是相同的,诸如此类,这样,可以将温度传感器等的感应范围(第一或第二感应范围)假设成一个半径为R(R例如为500米等)的圆形区域,等等。
接着,服务器端还可以选择多个第一候选位置,作为待重新选择的多个第一传感器的可能位置。例如,可以随机选取多个第一候选位置,使得当按照这样位置布置第一传感器时,根据每个第一传感器的第一感应范围,能够覆盖到所有的监测区域。比如,可以选择每隔500米布置一个气压传感器(作为第一传感器的一个示例)。
可选地,服务器端还可以:判定当前所选取的多个第一传感器的可能位置是否存在不合理位置,若存在,将每个不合理位置剔除,并在剔除的位置附近设置至少一个用于取代该位置的候补位置。其中,不合理的原因可以根据实际情况不同而不同,例如,假设第一传感器需要埋入图中测量土壤湿度等,而实际对应的位置恰好为水域或者岩石等,则该位置被判定为不合理位置。应当理解的是,实际不合理位置并不限于上述所说的水域或岩石,也可能包括其他类型的不合理位置,比如不可破坏的土地等。例如可以采用至少一个候补位置(该例子中采用两个候补位置替换一个不合理位置,在其他例子中,也可以采用一个或其他个数)取代对应处可能位置。服务器端还可以选择多个第二候选位置,作为待重新选择的多个第二传感器的可能位置。例如,可以随机选取多个第二候选位置,使得当按照这样位置布置第二传感器时,根据每个第二传感器的第二感应范围,能够覆盖到所有的监测区域。比如,可以选择随机的方式布置第二传感器。可选地,服务器端还可以:判定当前所选取的多个第二传感器的可能位置是否存在不合理位置,若存在,将每个不合理位置剔除,并在剔除的位置附近设置至少一个用于取代该位置的候补位置。假设第二传感器需要暴露设置等,而实际对应的位置恰好为房屋室内等环境,则该位置被判定为不合理位置。应当理解的是,实际不合理位置并不限于上述所说的情形,也可能包括其他类型的不合理位置。
应当理解的是,对于多个第一候选位置和多个第二候选位置的选取可以相对多一些,也就是说,可以在选取多个第一候选位置时使得各第一候选位置布置的第一传感器的感应范围之间有重叠的部分,但要使得多个第一候选位置的第一传感器的感应范围能够完全覆盖住所要监测的区域;同样,对于多个第二候选位置的选取也可以尽量多一些,可以在选取多个第二候选位置时使得各第二候选位置布置的第二传感器的感应范围之间有重叠的部分,但要使得多个第二候选位置的第二传感器的感应范围能够完全覆盖住所要监测的区域。例如可以采用至少一个候补位置(该例子中采用两个或三个候补位置替换一个不合理位置,在其他例子中,也可以采用一个或其他个数)取代对应处可能位置。
应当理解的是,在本发明的其他一些实施例中,也可以包括不止第一、第二传感器两种类型传感器,例如还可以包括第三传感器(如上述地下水位监测装置等)、第四传感器等等。这样,按照类似的方式,可以获得第三传感器的第三感应范围、第四传感器的第四感应范围,并选择第三、第四等传感器各自对应的候选位置、可能位置等。
在本发明的实施例中,服务器端还可以:确定不同类型传感器之间是否发生相互影响,如是否影响各自的作用范围(传感范围)。此外,针对于实际情况中的地形地貌、天气等环境条件,不同传感器的感应范围可能有所变化,比如,超声波传感器等,因此要基于不同的环境情况获得符合当前情况的感应范围。如若有影响,则可以对被影响的传感范围进行修正,在计算中采用修正后的传感范围。例如,可以通过试验的方式确定不同类型传感器之间是否影响以及影响后的传感范围等。因此,在计算求解各种传感器的各种可能位置时,相比于孤立地考虑单独一种传感器来计算或者没有根据实际情况中的地形地貌、天气等环境变化因素调节传感器感应范围的方式,本发明实施例的计算过程更准确。
然后,在预定监测区域中随机选取N个位置点,其中,N为正整数。例如,N可以大于等于100。接着,在多个第一候选位置和多个第二候选位置之中确定出a个第一候选位置和b个第二候选位置,其中,a和b为正整数,以使得如下第一条件和第二条件成立。第一条件为:使得a与b之和尽量小。第二条件为:在N个位置点中的每一个位置点处,该位置点处能够位于a个第一候选位置中的至少一个第一候选位置上的第一传感器的第一感应范围内、并位于b个第二候选位置中的至少一个第二候选位置上的第二传感器的第二感应范围内。由此,可以确定出a和b的值,以及上述a个第一候选位置和b个第二候选位置各自的位置。下面举例来描述求解上述a和b的过程。
在得到了多个第一候选位置和多个第二候选位置后,服务器端在后续的步骤中,目标是进一步缩减多个第一候选位置和多个第二候选位置的数量,使得最终布置的第一传感器和第二传感器尽可能的少。
比如,选择的多个第一候选位置假设是10个(实际可以更多,此处为描述方便,实际例如可以选取50个、100个、1000个,等等),作为待重新选择的多个第一传感器的可能位置。此外,假设选择的多个第二候选位置假设是10个(实际可以更多,此处为描述方便,实际例如可以选取50个、100个、1000个,等等),作为待重新选择的多个第二传感器的可能位置。
这样,以上述在预定监测区域中随机选取的N个位置点中的某一个为例,假设为位置点l(1),假设位置点l(1)能够处于10个第一候选位置(预先编号)中的第6个和第9个位置上的第一传感器的感应范围中(而不能处于其他位置的第一传感器的感应范围中),并假设位置点l(1)能够处于10个第二候选位置(预先编号)中的第2个和第3个位置上的第一传感器的感应范围中(而不能处于其他位置的第二传感器的感应范围中),则可以将位置点l(1)对应于第一传感器的第一接收变量sig1(l(1))记为sig1(l(1))=(0,0,0,0,0,1,0,0,1,0),将位置点l(1)对应于第二传感器的第二接收变量sig2(l(1))记为sig2(l(1))=(0,1,1,0,0,0,0,0,0,0)。
对于第一接收变量sig1(l(1))来说,该向量中各元素分别表示位置点l(1)是否能够处于对应的第一传感器的感应范围中,比如元素值为0表示不处于对应的那个第一传感器的感应范围中,而元素值为1表示处于对应的那个第一传感器的感应范围中。
类似地,对于第二接收变量sig2(l(1))来说,该向量中各元素分别表示位置点l(2)是否能够处于对应的第二传感器的感应范围中,比如元素值为0表示不处于对应的那个第二传感器的感应范围中,而元素值为1表示处于对应的那个第二传感器的感应范围中。
假设在当前迭代次中,在“多个第一候选位置”(即10个)中确定的a个第一候选位置的a是9个,是第一至第九个第一传感器,则,第一传感器变量c1为(1,1,1,1,1,1,1,1,1,0),其中1表示对应传感器被选入a个第一候选位置中,而0表示没选入。
根据第二条件,对于位置点l(1)来说,例如可以判断下式是否成立:
(0,0,0,0,0,1,0,0,1,0)(1,1,1,1,1,1,1,1,1,0)T>1,且
(0,1,1,0,0,0,0,0,0,0)(1,1,1,1,1,1,1,1,1,0)T>1
若上面二式中任一不成立,则表示当前选取方式不合理。
若上面二式均成立,则保留当前选取方式继续迭代。例如,可以遍历所有选取方式,保留每种满足上述第二条件的选取方式,然后分别迭代计算,直到满足第一条件。
类似地,可以分别处理预定监测区域中随机选取的N个位置点中的每一个位置点。
应当说明的是,在其他示例中,对于不同要求的传感器,比如需要同时接收至少2个某种类型传感器的传感信号时,也可以对应使得上述式子中右边的“1”改为2。
此外,应当说明的是,在本发明的实施例中,对a和b的取值例如可以采用递减式迭代计算方式实现,也即,a的初始值例如可等于“多个第一候选位置”(如10个)的数量,而b的初始值例如可以等于“多个第二候选位置”(如10个)的数量,在计算完a=10的所有轮迭代之后,再计算a=9的情况,注意的是,a=9的情况可有多种(如该例子中可以由10种方式),依此类推。
然后,按照所确定的a个第一候选位置重新布置a个第一传感器,并按照所确定的b个第二候选位置重新布置b个第二传感器。例如,可以至少基于从监测子***接收到的各监测点对应的视频数据和环境数据,预测对应作物长势以及获取影响作物生长的土壤要素信息。例如,还可以至少基于从气象子***接收到的各气象监测站处对应的空气环境数据,获取影响作物生长的空气中环境要素信息。此外,例如还可以至少基于从地下水位监测子***接收到的各地下水位监测点对应的地下水位数据,监测各地下水位监测点的地下水位变化情况。
在上述示例中,举例的是只有一种第一传感器和一种第二传感器的情况,而当第一传感器有多种,第二传感器也有多种的情况下,则第一条件变为:需要对每一种第一传感器确定一个a,对于每一种第二传感器确定一个b,最终要使得所有的a和所有的b之和尽量小;此外,这种情况下第二条件则变为:在N个位置点中的每一个位置点处,该位置点处能够位于每种第一传感器类型对应的a个第一候选位置中的至少一个第一候选位置上的第一传感器的第一感应范围内、并位于每种第二传感器类型的b个第二候选位置中的至少一个第二候选位置上的第二传感器的第二感应范围内。计算的过程类似,这里不再赘述。
此外,本发明的实施例还提供了一种基于卫星与无人机遥感结合的作物生长预测方法,作物生长预测方法包括:采集农业物联网预设种植区域的低空遥感图像;采集农业物联网预设种植区域的高空遥感图像;对低空遥感图像进行特征提取,以获得第一图像特征;对高空遥感图像进行特征提取,以获得第二图像特征;获得农业物联网预设种植区域对应的种植作物的种植信息,以及获得农业物联网预设种植区域对应的种植作物的实际产量,其中,种植信息包括播种时间、播种量、施肥时间、每次施肥量、给水时间、每次给水量、除虫时间以及每十天平均叶面积指数;将第一图像特征、第二图像特征和农业物联网预设种植区域对应的种植作物的种植信息以及实际产量作为训练样本,对预定的产量预测模型进行训练;根据待预测作物的种植信息以及训练好的产量预测模型,获得待预测作物的预测产量。
如图2所示,在步骤201中,采集农业物联网预设种植区域的低空遥感图像。
接着,在步骤202中,采集农业物联网预设种植区域的高空遥感图像。
接着,在步骤203中,对低空遥感图像进行特征提取,以获得第一图像特征。
然后,在步骤204中,对高空遥感图像进行特征提取,以获得第二图像特征。
接着,在步骤205中,获得农业物联网预设种植区域对应的种植作物的种植信息,以及获得农业物联网预设种植区域对应的种植作物的实际产量,其中,种植信息包括播种时间、播种量、施肥时间、每次施肥量、给水时间、每次给水量、除虫时间以及每十天平均叶面积指数。
这样,接着在步骤206中,将第一图像特征、第二图像特征和农业物联网预设种植区域对应的种植作物的种植信息以及实际产量作为训练样本,对预定的产量预测模型进行训练。
然后,在步骤207中,根据待预测作物的种植信息以及训练好的产量预测模型,获得待预测作物的预测产量。
例如,产量预测模型可以采用光谱复合估产模型或其他模型,诸如神经网络模型等。
此外,在对预定的产量预测模型进行训练时,例如可以训练到满足以下条件为止:使得由产量预测模型所得到的农业物联网预设种植区域对应的种植作物的预测产量与其实际产量之差小于预定阈值。
例如,服务器端对接收到的低空遥感图像和/或高空遥感图像进行分组,并利用每组图像生成一个待检测视频,得到多个待检测视频。
然后,接收目标视频。其中,目标视频例如是从外部接收的,比如用户端等。目标视频可以是任意格式的视频文件,也可以是符合预设格式之一的视频文件。预设格式例如包括MPEG-4、AVI、MOV、ASF、3GP、MKV以及FLV等视频格式。
接着,确定目标视频中的多个场景切换时刻。其中,例如可以采用现有技术来检测目标视频中的场景切换时刻,这里不再赘述。
接着,针对目标视频中的每一个场景切换时刻,获得该目标视频中该场景切换时刻所对应的切换后视频帧。也就是说,在每个场景切换点(即场景切换时刻),切换前的那一帧称为切换前视频帧,切换后的那一帧称为切换后视频帧。这样,在一个目标视频中,可以得到一个或多个切换后视频帧(也可能是0个切换后视频帧,就是该视频中没有切换场景,始终是同一个场景)。
然后,将目标视频的第一帧图像以及目标视频中的所有场景切换时刻对应的切换后视频帧作为多个目标帧图像(如果目标视频中没有切换后视频帧的话,则目标帧图像只有一个,即该目标视频的第一帧图像),将所有目标帧图像的总数记为N,N为非负整数。一般来说,N大于等于2。当目标视频中没有切换后视频帧是,N等于1。
接着,针对预定视频数据库中的每一个待检测视频,确定该待检测视频中的多个场景切换时刻,获得该待检测视频中每个场景切换时刻对应的切换后视频帧,将该待检测视频的第一帧图像以及该待检测视频中的所有场景切换时刻对应的切换后视频帧作为待测帧图像。
其中,预定视频数据库中预先存储有多个视频,作为待检测视频。例如,预定视频数据库可以是视频播放平台中存储的数据库,也可是诸如网络云盘等存储器中存储的数据库。
这样,针对每一个目标帧图像,计算每个待检测视频的每个待测帧图像与该目标帧图像之间的相似度,将与该目标帧图像之间的相似度高于第一阈值的待测帧图像确定为对应待检测视频的候选帧图像。第一阈值可以根据经验值设定,例如,第一阈值可为80%或者70%等。
然后,针对每个待检测视频,计算该待检测视频的第一得分。
例如,对于每个待检测视频,可以通过执行如下将要描述的处理来获得该待检测视频的第一得分。
计算该待检测视频对应的候选帧图像的个数,记为a1,a1为非负整数。
接着,计算与该待检测视频对应的各候选帧图像有关的所有目标帧图像的个数,记为a2,a2为非负整数。
然后,根据下式计算该待检测视频的第一得分:S1=q1×a1+q2×a2。
其中,S1为该待检测视频的第一得分,q1表示该待检测视频对应的候选帧图像的个数所对应的权重,q2表示与该待检测视频对应的各候选帧图像有关的所有目标帧图像的个数所对应的权重,其中,q1等于预设的第一权重值。
可选地,第一权重值例如等于0.5,也可以根据经验设定。
当a2=N时,q2等于预设的第二权重值。
当a2<N时,q2等于预设的第三权重值。
其中,第二权重值大于第三权重值。
可选地,第二权重值例如等于1,第三权重值例如等于0.5,或者,第二权重值和第三权重值也可以根据经验设定。
或者,第二权重值可以等于第三权重值的d倍,d为大于1的实数。其中,d可以是整数,也可以是小数,例如,d可以是大于或等于2的整数或小数,比如2、3或5等等。
根据每个待检测视频的第一得分在待检测视频中确定目标视频的相似视频。
可选地,上述根据每个待检测视频的第一得分在待检测视频中确定目标视频的相似视频的步骤可以包括:在所有待检测视频中,选择其中第一得分高于第二阈值的待检测视频,作为目标视频的相似视频。其中,第二阈值可以根据经验值设定,例如,第二阈值可以等于5等,可以根据不同应用条件来设置不同的值。
这样,可以在预定视频数据库中确定出与目标视频相似的相似视频。
这样,基于场景切换点(即场景切换时刻)获取目标视频中的多个目标帧图像,同时基于场景切换点获取每个待检测视频中的多个待测帧图像,其中目标帧图像是目标视频中每个场景切换点对应的切换后视频帧,待测帧图像是每个待检测视频中每个场景切换点对应的切换后视频帧,通过比较目标视频各目标帧图像分别与每个待检测视频中各待测帧图像之间的相似度,得到两种信息,一种信息是每个待检测视频中与目标帧图像有关的待测帧图像数量(即该待检测视频中与目标帧图像相似的所有待测帧图像数量),另一种信息是与每个待检测视频有关的目标帧图像数量(即与该待检测视频中待检测视频相似的所有目标帧图像数量),基于这两种信息相结合来确定待检测视频是否与目标视频相似,一方面能够较高效地获得目标视频的相似视频,另一方面能够为后续的进一步相似视频判定缩小需要检索的范围,大大缩减了工作量。
在一个优选示例(以下称为示例1)中,假设目标视频有3个场景切换点,那么目标视频共有4个切换后视频帧(包括第一帧),即4个目标帧图像,假设分别为p1、p2、p3和p4,即所有目标帧图像的总数N=4;假设某一个待检测视频(假设为v1)有5个场景切换点,那么该待检测视频v1共有6个切换后视频帧,即6个待测帧图像,假设分别为p1’、p2’、p3’、p4’、p5’和p6’。将这个6个待测帧图像中的每一个待测帧图像分别与上述4个目标帧图像中的每一个目标帧图像进行相似度计算,假设,p1’与p1的相似度为x11,p1’与p2的相似度为x12,p1’与p3的相似度为x13,p1’与p4的相似度为x14;p2’与p1的相似度为x21,p2’与p2的相似度为x22,p2’与p3的相似度为x23,p2’与p4的相似度为x24;p3’与p1的相似度为x31,p3’与p2的相似度为x32,p3’与p3的相似度为x33,p3’与p4的相似度为x34;p4’与p1的相似度为x41,p4’与p2的相似度为x42,p4’与p3的相似度为x43,p4’与p4的相似度为x44;p5’与p1的相似度为x51,p5’与p2的相似度为x52,p5’与p3的相似度为x53,p5’与p4的相似度为x54;p6’与p1的相似度为x61,p6’与p2的相似度为x62,p6’与p3的相似度为x63,p6’与p4的相似度为x64。若上面各相似度x11-x14、x21-x24、x31-x34以及x41-x44之中,仅有x11、x21、x23、x31、x33和x43高于第一阈值80%,由此可以计算得到,该待检测视频v1对应的候选帧图像的个数a1=4(包括p1’、p2’、p3’和p4’),而与该待检测视频v1对应的各候选帧图像有关的所有目标帧图像的个数a2=2(包括p1和p3)。而N=4,显然a2小于N,所以q2等于预设的第三权重值。假设第一权重值等于0.5,第二权重值等于1,第三权重值等于0.5,则此时q1=0.5,且q2=0.5。于是,该待检测视频v1的第一得分S1=q1×a1+q2×a2=0.5×4+0.5×2=3分。
假设另一个待检测视频(假设为v2),经过类似处理,得到待检测视频v2对应的候选帧图像的个数a1=4,而与待检测视频v2对应的各候选帧图像有关的所有目标帧图像的个数a2=4,因此a2=N,所以q2=第二权重值=1。于是,待检测视频v2的第一得分S1=q1×a1+q2×a2=0.5×4+1×4=6分。
由此,在示例1中,待检测视频v2的第一得分比待检测视频v1的第一得分高很多,假设第二阈值为5分(在其他例子中可以设置不同值),则待检测视频v2可被确定为目标视频的相似视频,而待检测视频v1不是相似视频。
在一个例子中,在所有待检测视频中,可以选择其中第一得分高于第二阈值的待检测视频,作为候选视频。
接着,基于目标视频的多个场景切换时刻对目标视频进行分割,获得目标视频对应的多个第一视频片段,将目标视频中所有第一视频片段的总数记为M,M为非负整数。
然后,针对每个候选视频,基于该候选视频的多个场景切换时刻对该候选视频进行分割,获得该候选视频对应的多个第二视频片段。
接着,针对每个候选视频的每个候选帧图像对应的第二视频片段,在多个第一视频片段中选择与该候选帧图像对应的目标帧图像有关的第一视频片段,将选择的该第一视频片段与该第二视频片段进行相似度计算,若该第一视频片段与该第二视频片段之间的相似度高于第三阈值,将该第二视频片段确定为与该第一视频片段对应的相似片段。其中,第三阈值可以根据经验值设定,例如,第三阈值可以等于60%或70%或80%或90%等。
其中,两个视频片段之间的相似度计算例如可以采用现有技术实现,这里不再赘述。
然后,针对每个候选视频,计算该候选视频中所包含的相似片段的个数,记为b1,b1为非负整数,计算与该候选视频中所包含的各相似片段有关的所有第一视频片段的个数,记为b2,b2为非负整数,根据下式计算该候选视频的第二得分:S2=q3×b1+q4×b2,其中,S2为该候选视频的第二得分,q3表示该候选视频所包含的相似片段的个数所对应的权重,q4表示与该候选视频所包含的各相似片段有关的所有第一视频片段的个数所对应的权重,其中,q3等于预设的第四权重值,当b2=M时q4等于预设的第五权重值,当b2<M时q4等于预设的第六权重值,其中,第五权重值大于第六权重值。其中,第四权重值、第五权重值和第六权重值也可以根据经验设定。
然后,根据每个候选视频的第二得分在候选视频中确定目标视频的相似视频。
可选地,在所有候选视频中,选择其中第二得分高于第四阈值的候选视频,作为目标视频的相似视频。其中,第四阈值可以根据经验值设定,例如,第四阈值可以等于5等,可以根据不同应用条件来设置不同的值。
这样,在一种实现方式中,可以首先基于场景切换点(即场景切换时刻)获取目标视频中的多个目标帧图像,同时基于场景切换点获取每个待检测视频中的多个待测帧图像,其中目标帧图像是目标视频中每个场景切换点对应的切换后视频帧,待测帧图像是每个待检测视频中每个场景切换点对应的切换后视频帧,通过比较目标视频各目标帧图像分别与每个待检测视频中各待测帧图像之间的相似度,得到两种信息,一种信息是每个待检测视频中与目标帧图像有关的待测帧图像数量(即该待检测视频中与目标帧图像相似的所有待测帧图像数量),另一种信息是与每个待检测视频有关的目标帧图像数量(即与该待检测视频中待检测视频相似的所有目标帧图像数量),基于这两种信息相结合来确定每个待检测视频的第一得分,然后,基于第一得分筛选出一部分待检测视频来作为候选视频,目的是再从这些候选视频中进行二次筛选,从而最终获得目标视频的相似视频,而从这些候选视频中进行二次筛选则是通过计算每个候选视频的第二得分来实现的。在计算第二得分时,首先基于场景切换点对目标视频以及每个候选视频进行视频分割,得到目标视频对应的多个第一视频片段以及每个候选视频对应的多个第二视频片段,通过比较目标视频中第一视频片段和候选视频中第二视频片段的相似度,来获得另外两种信息,一种信息是候选视频中与目标视频有关的第二视频片段数量(即候选视频中所包含的相似片段的个数),另一种信息是与每个候选视频有关的第一视频片段数量(即与每个候选视频中所包含的各相似片段有关的所有第一视频片段的个数),基于这两种信息相结合来确定每个候选视频的第二得分,再根据每个候选视频的第二得分对候选视频进行筛选,确定哪些是与目标视频相似的相似视频。这样,相当于结合四种信息来获得待检测视频(或候选视频)的第一得分与第二得分,并结合了第一得分和第二得分对待检测视频进行了两次筛选,使得筛选得到的相似视频更为准确。
相比于现有技术直接计算两个视频的相似度,本发明能够大大减小工作量,提高处理效率,本发明可以先通过计算第一得分进行一次筛选,而这个计算是基于场景切换后的帧图像来进行的计算,其计算量相比于整个视频的相似度计算要小得多,再对一次筛选的结果进行二次筛选,而且二次筛选也不是将所有候选视频进行相似度计算,并且对于单个候选视频也不是整个视频一起计算相似度,而是基于场景切换点将候选视频分割,对于候选视频中分割后的视频片段中的一部分(即上文所述的相似片段)与目标视频中对应的片段进行相似度计算,这样,相比于现有技术对每两个视频(而且是整个视频)之间计算相似度计算的方式,也大大减小了计算量,提高了效率。
作为示例,按照如下方式来根据每个待检测视频的第一得分在待检测视频中确定目标视频的相似视频:在所有待检测视频中,选择其中第一得分高于第二阈值的待检测视频,作为候选视频;基于目标视频的多个场景切换时刻对目标视频进行分割,获得目标视频对应的多个第一视频片段,将目标视频中所有第一视频片段的总数记为M,M为非负整数;针对每个候选视频,基于该候选视频的多个场景切换时刻对该候选视频进行分割,获得该候选视频对应的多个第二视频片段;针对每个候选视频的每个候选帧图像对应的第二视频片段,在多个第一视频片段中选择与该候选帧图像对应的目标帧图像有关的第一视频片段,将选择的该第一视频片段与该第二视频片段进行相似度计算,若该第一视频片段与该第二视频片段之间的相似度高于第三阈值,将该第二视频片段确定为与该第一视频片段对应的相似片段;针对每个候选视频,计算该候选视频中所包含的相似片段的个数,记为b1,b1为非负整数,计算与该候选视频中所包含的各相似片段有关的所有第一视频片段的个数,记为b2,b2为非负整数,根据下式计算该候选视频的第二得分:S2=q3×b1+q4×b2,其中,S2为该候选视频的第二得分,q3表示该候选视频所包含的相似片段的个数所对应的权重,q4表示与该候选视频所包含的各相似片段有关的所有第一视频片段的个数所对应的权重,其中,q3等于预设的第四权重值,当b2=M时q4等于预设的第五权重值,当b2<M时q4等于预设的第六权重值,其中,第五权重值大于第六权重值;根据每个候选视频的第二得分在候选视频中确定目标视频的相似视频。
作为示例,按照如下方式来根据每个候选视频的第二得分在候选视频中确定目标视频的相似视频:在所有候选视频中,选择其中第二得分高于第四阈值的候选视频,作为目标视频的相似视频。
作为示例,该方法还包括:将历史数据中的每组低空遥感图像和高空遥感图像作为输入,将历史数据中每组低空遥感图像和高空遥感图像对应的真实产量等级作为输出,训练预定卷积神经网络模型,将训练好的预定卷积神经网络模型作为第一预测模型;其中,历史数据包括多组低空遥感图像和高空遥感图像以及和每一组低空遥感图像和高空遥感图像相对应的真实产量等级、对应的天气数据和对应的虫害数据;利用第一预测模型获得历史数据中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级,将历史数据中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级、对应天气数据以及对应虫害数据作为输入,将历史数据中每组低空遥感图像和高空遥感图像对应的真实产量等级作为输出,训练预定BP神经网络模型,将训练好的预定BP神经网络模型作为第二预测模型;将当前待预测的低空遥感图像和高空遥感图像输入第一预测模型,获得当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产量等级;将当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产量等级、当前待预测的低空遥感图像和高空遥感图像所对应的天气数据和虫害数据输入第二预测模型,获得当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级;利用当前待预测的低空遥感图像和高空遥感图像确定对应的相似案例,基于相似案例的真实产量与获得的当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级,计算当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值。
作为示例,利用当前待预测的低空遥感图像和高空遥感图像确定对应的相似案例,基于相似案例的真实产量与获得的当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级,计算当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值的步骤包括:针对历史数据中的每一组低空遥感图像和高空遥感图像中的每个图像,计算该图像与当前待预测的低空遥感图像和高空遥感图像中的每个图像之间的相似度,确定在当前待预测的低空遥感图像和高空遥感图像中与该图像之间相似度高于第五阈值的图像数目,作为该图像的第一分数;针对历史数据中的每一组低空遥感图像和高空遥感图像,将该组低空遥感图像和高空遥感图像中的各图像的第一分数之和作为该组低空遥感图像和高空遥感图像的第一分数,将该组低空遥感图像和高空遥感图像对应的天气数据与当前待预测的低空遥感图像和高空遥感图像对应的天气数据之间的相似度,作为该组低空遥感图像和高空遥感图像的第二分数,将该组低空遥感图像和高空遥感图像对应的虫害数据与当前待预测的低空遥感图像和高空遥感图像对应的虫害数据之间的相似度,作为该组低空遥感图像和高空遥感图像的第三分数,计算该组低空遥感图像和高空遥感图像对应的第一分数、第二分数与第三分数的加权和,作为该组低空遥感图像和高空遥感图像的总分数;将总分数最高的前N组低空遥感图像和高空遥感图像所对应的N个历史案例,作为当前待预测的低空遥感图像和高空遥感图像对应的相似案例,其中,N为1、2或3;根据每个相似案例对应的总分数,确定每个相似案例的权重,以根据所确定的权重计算N个相似案例的真实产量的加权和,其中,N个相似案例的权重之和为1,若计算所得的N个相似案例的真实产量的加权和所对应的产量等级与当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级相同,将N个相似案例的真实产量的加权和作为当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值,若计算所得的N个相似案例的真实产量的加权和所对应的产量等级高于当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级,将当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级对应的产量数值范围中的最大值作为当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值,若计算所得的N个相似案例的真实产量的加权和所对应的产量等级低于当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级,将当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级对应的产量数值范围中的最小值作为当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值。
作为示例,该方法还包括:存储多个已存农产品的图片数据和文字数据,其中,每个已存农产品的图片数据包括一个或多个图片;接收来自用户端的待搜索产品的待搜索图片和/或待检索文字,并计算存储的每个已存农产品与待搜索产品之间的相似度,对待搜索产品的待搜索图片进行物体检测,获得待搜索图片中的所有识别到的第一物品图像;其中,针对每个已存农产品,通过如下方式计算该已存农产品与待搜索产品之间的相似度:针对该已存农产品的图片数据中的每个图片,对该图片进行物体检测,获得该已存农产品的图片数据中的所有识别到的第二物品图像,对该已存农产品的图片数据中的所有识别到的第二物品图像分别进行轮廓检索,以确定其中每个第二物品图像的第二物品轮廓是否完整,在该已存农产品的图片数据中的所有识别到的第二物品图像中,计算每个第二物品图像与每个第一物品图像之间的相似度,针对该已存农产品的每个第二物品图像,确定与该第二物品图像相似度高于第七阈值的第一物品图像的数量,作为该第二物品图像与待搜索产品的第一相关度,累计计算该已存农产品各个第二物品图像对应的第一相关度之和,针对该已存农产品的轮廓完整的每个第二物品图像,确定与该第二物品图像相似度高于第七阈值的第一物品图像的数量,作为该第二物品图像与待搜索产品的第二相关度,累计计算该已存农产品各个第二物品图像对应的第二相关度之和,计算该已存农产品的文字数据与待搜索产品的待检索文字之间的文字相似度,根据该已存农产品对应的第一相关度之和、第二相关度之和以及文字相似度,确定该已存农产品与待搜索产品的总相似度;将与待搜索产品的总相似度高于第八阈值的已存农产品作为搜索结果展示给用户。
根据一个实施例,上述方法还可以包括如下处理:将历史数据中的每组低空遥感图像和高空遥感图像作为输入,将历史数据中每组低空遥感图像和高空遥感图像对应的真实产量等级作为输出,训练预定的卷积神经网络模型,将训练好的预定卷积神经网络模型作为第一预测模型。
这里所说的产量等级(如“真实产量等级”中的“产量等级”,或下文所述的“预测产量等级”中的“产量等级”)是预先设置好的多个不同等级。举例来说,可以根据经验或者试验的方式预设若干产量等级,如预设3个等级(也可以是2个等级、4个等级、5个等级、8个等级或10个等级,等等),其中,第一等级对应于产量x1~x2(如1千公斤~1.2千公斤),第二等级对应于产量范围是x2~x3(如1.2千公斤~1.4千公斤),第三等级对应于产量范围是x3~x4(如1.4千公斤~1.6千公斤)。
比如,若产量为1.5千公斤,则对应的产量等级为第三等级。
其中,若产量恰好等于边界值,可以取较低的那个等级。比如,产量为1.2千公斤,则对应于第一等级。
应当说明的是,上述的每组低空遥感图像和高空遥感图像可以包括不止一幅低空遥感图像,也可以包括不止一幅高空遥感图像。
其中,历史数据包括多组低空遥感图像和高空遥感图像以及和每一组低空遥感图像和高空遥感图像相对应的真实产量等级、对应的天气数据和对应的虫害数据;此外,历史数据中还可以包括每一组低空遥感图像和高空遥感图像相对应的真实产量。每一组低空遥感图像和高空遥感图像(以及其对应的真实产量等级、真实产量、对应的天气数据和对应的虫害数据等)对应于一个历史案例。
其中,天气数据例如可以是向量形式,例如,用(t1,t2)(或者更多维)表示天气数据,其中t1、t2的值为0或1,0表示对应项为否,1表示对应项为真。比如,t1项表示是否干旱,t2项表示是否洪涝,等等。举例来说,天气数据(0,1)表示没有干旱、但有洪涝,而天气数据(0,0)则表示既没有干旱、也没有洪涝。
此外,虫害数据例如可以是向量形式,例如,用(h1,h2,h3,h4,h5)(或者更少或更多维)表示天气数据,其中h1~h5的值为0或1,0表示对应项为否,1表示对应项为真。比如,h1项表示虫害次数是否为0次,h2项表示虫害次数是否为1-3次,h3项表示虫害次数是否为3-5次,h4项表示虫害次数是否为大于5次,h5项表示虫害多次总面积是否超过预定面积(例如可以根据经验设定,或者通过试验的方式确定),等等。举例来说,虫害数据(1,0,0,0,0)表示从未发生虫害,而虫害数据(0,0,1,0,1)则表示发生过3-5次虫害、且虫害发生多次的总面积超过了预定面积。
接着,可以利用第一预测模型获得历史数据中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级,即,在第一预测模型已经训练好之后,将每组低空遥感图像和高空遥感图像输入到第一预测模型,此时的输出结果作为该组低空遥感图像和高空遥感图像对应的第一预测产量等级。
这样,可以将历史数据中的每组低空遥感图像和高空遥感图像对应的第一预测产量等级、对应天气数据以及对应虫害数据作为输入,将历史数据中每组低空遥感图像和高空遥感图像对应的真实产量等级作为输出,训练预定BP神经网络模型,将训练好的预定BP神经网络模型作为第二预测模型;
需要说明的是,在训练上述预定BP神经网络模型的过程中的其中一个输入量选取的是每组低空遥感图像和高空遥感图像对应的“第一预测产量等级”,而没有选取其对应的真实的产量等级(其真实产量和真实产量等级均已知),是因为,在测试阶段,待测的图像也并不知道真实的产量等级(或真实产量),这样训练得到的第二预测模型能够对待测图像的分类(即预测)更加准确。
这样,可以将当前待预测的低空遥感图像和高空遥感图像输入第一预测模型,获得当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产量等级。
接着,可以将当前待预测的低空遥感图像和高空遥感图像所对应的第一预测产量等级、当前待预测的低空遥感图像和高空遥感图像所对应的天气数据和虫害数据输入第二预测模型,将第二预测模型此时的输出结果作为当前待预测的低空遥感图像和高空遥感图像所对应的第二预测产量等级。
这样,能够利用当前待预测的低空遥感图像和高空遥感图像(以下简称待预测图像)在多个历史案例中确定与待预测图像对应的相似案例,基于相似案例的真实产量与待预测图像所对应的第二预测产量等级,计算当前待预测的低空遥感图像和高空遥感图像对应的预测产量数值。
作为一个示例,可以执行如下处理:针对历史数据中的每一组低空遥感图像和高空遥感图像中的每个图像,计算该图像与待预测图像中的每个图像之间的相似度,确定在待预测图像中与该图像之间相似度高于第五阈值的图像数目,作为该图像的第一分数。
举例来说,对于历史数据中的某一组低空遥感图像和高空遥感图像中的某个图像px来说,假设待预测图像中共包括10个图像pd1、pd2、…、pd10,则分别计算该图像px与上述10个图像之间的相似度,也即,px与pd1之间的相似度xs1,px与pd2之间的相似度xs2,…,px与pd10之间的相似度xs10。假设在xs1~xs10之中仅有xs1、xs3和xs8大于上述第五阈值,则待预测图像中与该图像px之间相似度高于第五阈值的图像数目为3,也即,图像px的第一分数为3。
然后,相似案例确定模块可以针对历史数据中的每一组低空遥感图像和高空遥感图像,将该组低空遥感图像和高空遥感图像中的各图像的第一分数之和作为该组低空遥感图像和高空遥感图像的第一分数(以及对应的历史案例的第一分数)。优选地,例如可以将每个历史案例的第一分数进行归一化,或者通过乘以一个系数的方式,使得第一分数乘以一个预定系数后(例如所有的第一分数都乘以0.01或0.05等)介于0与1之间。
例如,对于一个历史案例,假设其对应的那组低空遥感图像和高空遥感图像中包括5个低空遥感图像和5个高空遥感图像(或其他数量),将这10个图像记为图像pl1~pl10。在计算该历史案例的第一分数时,假设图像pl1~pl10的第一分数为spl1~spl10(假设spl1~spl10是已经归一化后的分数),则该历史案例的第一分数为spl1+spl2+spl3+…+spl10,即spl1~spl10之和。
然后,可以将该组低空遥感图像和高空遥感图像对应的天气数据与当前待预测的低空遥感图像和高空遥感图像对应的天气数据之间的相似度,作为该组低空遥感图像和高空遥感图像的第二分数。其中,天气数据例如采用向量形式,上述天气数据之间的相似度可以采用向量相似度的计算方法来计算,这里不再赘述。
然后,可以将该组低空遥感图像和高空遥感图像对应的虫害数据与当前待预测的低空遥感图像和高空遥感图像对应的虫害数据之间的相似度,作为该组低空遥感图像和高空遥感图像的第三分数,其中,虫害数据例如采用向量形式,上述虫害数据之间的相似度可以采用向量相似度的计算方法来计算,这里不再赘述。
接着,可以计算该组低空遥感图像和高空遥感图像对应的第一分数、第二分数与第三分数的加权和,作为该组低空遥感图像和高空遥感图像的总分数。其中,第一分数、第二分数与第三分数各自的权重可以根据经验设定,或者试验确定,例如,第一分数、第二分数与第三分数的权重可以分别为1,或者分别为1/3,等等;或者,第一分数、第二分数与第三分数各自的权重也可以不同。
这样,可以将总分数最高的前N组低空遥感图像和高空遥感图像所对应的N个历史案例,作为当前待预测的低空遥感图像和高空遥感图像对应的相似案例,其中,N为1、2或3,或其他正整数。
在确定出待预测图像的N个相似案例之后,可以执行如下处理:根据每个相似案例对应的总分数,确定每个相似案例的权重,以根据所确定的权重计算N个相似案例的真实产量的加权和,其中,N个相似案例的权重之和为1。
举例来说,假设N为3,得到待预测图像的3个相似案例,假设这3个相似案例的总分数分别为sz1、sz2和sz3,其中,假设sz1小于sz2,且sz2小于sz3。例如,可以将这3个相似案例对应的权重依次设置为qsz1、qsz2和qsz3,使得qsz1:qsz2:qsz3(三者之比)等于sz1:sz2:sz3(三者之比)。
若计算所得的N个相似案例的真实产量的加权和所对应的产量等级与待预测图像所对应的第二预测产量等级相同,可以将N个相似案例的真实产量的加权和作为待预测图像对应的预测产量数值。
若计算所得的N个相似案例的真实产量的加权和所对应的产量等级高于待预测图像所对应的第二预测产量等级,可以将待预测图像所对应的第二预测产量等级对应的产量数值范围中的最大值作为待预测图像对应的预测产量数值。
若计算所得的N个相似案例的真实产量的加权和所对应的产量等级低于待预测图像所对应的第二预测产量等级,可以将待预测图像所对应的第二预测产量等级对应的产量数值范围中的最小值作为待预测图像对应的预测产量数值。
例如,假设待预测图像的3个相似案例(假设实际产量分别为1.1千公斤、1.3千公斤和1.18千公斤)的总分数分别为1、2和2(假设其他历史案例的总分数均小于1),可以将这3个相似案例对应的权重依次设置为0.2、0.4和0.4,则“N个相似案例的真实产量的加权和”=0.2*1.1+0.4*1.3+0.4*1.18=0.22+0.52+0.472=1.212千公斤,对应的产量等级为第二等级x2~x3(如1.2千公斤~1.4千公斤)。
假设待预测图像所对应的第二预测产量等级是第一等级x1~x2(如1千公斤~1.2千公斤),则可以将第一等级对应的产量范围上边界(即1.2千公斤)作为待预测图像对应的预测产量数值。
假设待预测图像所对应的第二预测产量等级是第二等级x2~x3(如1.2千公斤~1.4千公斤),则可以将1.212千公斤作为待预测图像对应的预测产量数值。
假设待预测图像所对应的第二预测产量等级是第三等级x3~x4(如1.4千公斤~1.6千公斤),则可以将第三等级对应的产量范围下边界(即1.4千公斤)作为待预测图像对应的预测产量数值。
通过以上方式,不仅利用了待预测图像自身的预测结果(即第二预测产量等级),还利用了相似案例的信息所得到的预测结果(即N个相似案例的真实产量的加权和),由此所获得的最终产量预测结果更加符合实际情况、更准确。
根据本发明的实施例,上述方法还可以包括农产品搜索处理,其中,农产品搜索处理中,可以利用数据库存储多个已存农产品的图片数据和文字数据,其中,每个已存农产品的图片数据包括一个或多个图片。
在农产品搜索处理中,可以接收来自用户端的待搜索产品的待搜索图片和/或待检索文字,例如可以首先对待搜索产品的待搜索图片进行物体检测,获得待搜索图片中的所有识别到的第一物品图像,例如,用户输入的待搜索图片可能是手持终端设备拍摄的照片,也可能是设备存储的或下载等方式得到的其他图片,该图片可能包含多个物品,比如,可能是一个包含书桌与茶杯两个物品的图片。利用现有的物品检测技术,可以识别出图片中的书桌和茶杯两个第一物品图像。
在农产品搜索处理中,可以计算数据库单元中存储的每个已存农产品与待搜索产品之间的相似度。针对每个已存农产品,例如可以通过如下方式计算该已存农产品与待搜索产品之间的相似度:针对该已存农产品的图片数据中的每个图片,对该图片进行物体检测,获得该已存农产品的图片数据中的所有识别到的第二物品图像(可以采用与上述检测第一物品图像相类似的技术实现,这里不再赘述)。
接着,在农产品搜索处理中,可以对该已存农产品的图片数据中的所有识别到的第二物品图像分别进行轮廓检索,以确定其中每个第二物品图像的第二物品轮廓是否完整。
然后,在该已存农产品的图片数据中的所有识别到的第二物品图像(包含轮廓完整和不完整的)中,可以计算每个第二物品图像与每个第一物品图像之间的相似度(例如可以采用现有的图像相似度计算方法实现)。
接着,可以针对该已存农产品的每个第二物品图像,确定与该第二物品图像相似度高于第七阈值的第一物品图像的数量,作为该第二物品图像与待搜索产品的第一相关度,累计计算该已存农产品各个第二物品图像对应的第一相关度之和。
接着,可以针对该已存农产品的轮廓完整的每个第二物品图像,确定与该第二物品图像相似度高于第七阈值的第一物品图像的数量,作为该第二物品图像与待搜索产品的第二相关度,累计计算该已存农产品各个第二物品图像对应的第二相关度之和。
然后,可以计算该已存农产品的文字数据与待搜索产品的待检索文字之间的文字相似度,例如可以采用现有的字符串相似度计算方法实现。
这样,可以根据该已存农产品对应的第一相关度之和(记为f1)、第二相关度之(记为f2)和以及文字相似度(记为f3),确定该已存农产品与待搜索产品的总相似度,例如,该总相似度可以等于上述f1+f2+f3,或者,也可以等于三者的加权和,比如qq1*f1+qq2*f2+qq3*f3,其中,qq1~qq3分别为f1~f3的预设权重,可以根据经验设定。
这样,可以将与待搜索产品的总相似度高于第八阈值的已存农产品作为搜索结果展示给用户。
应当说明的是,上述第一阈值~第八阈值可以根据经验值设定,或者通过试验的方式确定,这里不再赘述。
在一些实施例中,通过包括监测子***、气象子***、地下水位监测子***和控制中心子***的***来执行处理;在所述监测子***中,通过设置在每个监测点的视频装置、第一传感器以及第一通信装置,将对应监测点获得的视频数据和土壤环境数据发送给所述控制中心子***;在所述气象子***,通过设置在每个气象监测站的第二传感器和第二通信装置,将对应气象监测站的空气环境数据发送给所述控制中心子***;在所述地下水位监测子***,通过设置在每个地下水位监测点的地下水位监测装置和第三通信装置,将获取的地下水位数据发送给所述控制中心子***;这样,所述控制中心子***至少基于从监测子***接收到的各监测点对应的视频数据和环境数据,预测对应作物长势以及获取影响作物生长的土壤要素信息,并且至少基于从所述气象子***接收到的各气象监测站处对应的空气环境数据,获取影响作物生长的空气中环境要素信息,以及至少基于从所述地下水位监测子***接收到的各地下水位监测点对应的地下水位数据,监测各地下水位监测点的地下水位变化情况。由此,本发明的基于农业物联网的水稻供应链信息处理方法能够实现智能化的农业物联网管理和控制。
在一些实现方式中,基于场景切换点(即场景切换时刻)获取目标视频中的多个目标帧图像,同时基于场景切换点获取每个待检测视频中的多个待测帧图像,其中目标帧图像是目标视频中每个场景切换点对应的切换后视频帧,待测帧图像是每个待检测视频中每个场景切换点对应的切换后视频帧,通过比较目标视频各目标帧图像分别与每个待检测视频中各待测帧图像之间的相似度,得到两种信息,一种信息是每个待检测视频中与目标帧图像有关的待测帧图像数量(即该待检测视频中与目标帧图像相似的所有待测帧图像数量),另一种信息是与每个待检测视频有关的目标帧图像数量(即与该待检测视频中待检测视频相似的所有目标帧图像数量),基于这两种信息相结合来确定待检测视频是否与目标视频相似,一方面能够较高效地获得目标视频的相似视频,另一方面能够为后续的进一步相似视频判定缩小需要检索的范围,大大缩减了工作量。
利用无人机挂接多光谱呈像仪,结合低空遥感技术,对作物、环境、长势等影像资料做进一步处理分析,采集作物长势、病虫害发生情况、产量预测等大数据。并且可以利用无人机精准测量农场每个地块的面积,传统测量方式的精确度是2米,利用无人机却可以达到几厘米,大大提高了数据的准确性。
此外,在一个例子中,例如还可以包括如下步骤:获得第一传感器的第一感应范围。第一感应范围是预先获知的,或者可以通过试验的方式获得,例如,可能是圆形、扇形、半圆形等,或者也可以是三维形状的范围等。
接着,获得第二传感器的第二感应范围。其中,第二感应范围是预先获知的,或者可以通过试验的方式获得,例如,可能是圆形、扇形、半圆形等,或者也可以是三维形状的范围等。
此外,应当说明的是,第一或第二感应范围也可以是虚拟的感应范围,例如,对于诸如温度传感器、湿度传感器或气压传感器等,其本身没有较长距离的感应范围,如只能测检测点位置处的温湿度或气压等,但在实际工作中,对于一定区域范围内的温度、湿度或气压等条件可以认为是相同的,比如,可以假设半径一公里以内的气压条件是相同的,或者可以假设半径10公里以内的温度条件是相同的,诸如此类,这样,可以将温度传感器等的感应范围(第一或第二感应范围)假设成一个半径为R(R例如为500米等)的圆形区域,等等。
接着,选择多个第一候选位置,作为待重新选择的多个第一传感器的可能位置。例如,可以随机选取多个第一候选位置,使得当按照这样位置布置第一传感器时,根据每个第一传感器的第一感应范围,能够覆盖到所有的监测区域。比如,可以选择每隔500米布置一个气压传感器(作为第一传感器的一个示例)。
可选地,还可以包括如下步骤:判定当前所选取的多个第一传感器的可能位置是否存在不合理位置,若存在,将每个不合理位置剔除,并在剔除的位置附近设置至少一个用于取代该位置的候补位置。其中,不合理的原因可以根据实际情况不同而不同,例如,假设第一传感器需要埋入图中测量土壤湿度等,而实际对应的位置恰好为水域或者岩石等,则该位置被判定为不合理位置。应当理解的是,实际不合理位置并不限于上述所说的水域或岩石,也可能包括其他类型的不合理位置,比如不可破坏的土地等。
例如可以采用至少一个候补位置(该例子中采用两个候补位置替换一个不合理位置,在其他例子中,也可以采用一个或其他个数)取代对应处可能位置。
选择多个第二候选位置,作为待重新选择的多个第二传感器的可能位置。例如,可以随机选取多个第二候选位置,使得当按照这样位置布置第二传感器时,根据每个第二传感器的第二感应范围,能够覆盖到所有的监测区域。比如,可以选择随机的方式布置第二传感器。
可选地,还可以包括如下步骤:判定当前所选取的多个第二传感器的可能位置是否存在不合理位置,若存在,将每个不合理位置剔除,并在剔除的位置附近设置至少一个用于取代该位置的候补位置。假设第二传感器需要暴露设置等,而实际对应的位置恰好为房屋室内等环境,则该位置被判定为不合理位置。应当理解的是,实际不合理位置并不限于上述所说的情形,也可能包括其他类型的不合理位置。
应当理解的是,对于多个第一候选位置和多个第二候选位置的选取可以相对多一些,也就是说,可以在选取多个第一候选位置时使得各第一候选位置布置的第一传感器的感应范围之间有重叠的部分,但要使得多个第一候选位置的第一传感器的感应范围能够完全覆盖住所要监测的区域;同样,对于多个第二候选位置的选取也可以尽量多一些,可以在选取多个第二候选位置时使得各第二候选位置布置的第二传感器的感应范围之间有重叠的部分,但要使得多个第二候选位置的第二传感器的感应范围能够完全覆盖住所要监测的区域。
例如可以采用至少一个候补位置(该例子中采用两个或三个候补位置替换一个不合理位置,在其他例子中,也可以采用一个或其他个数)取代对应处可能位置。
应当理解的是,在本发明的其他一些实施例中,也可以包括不止第一、第二传感器两种类型传感器,例如还可以包括第三传感器(如上述地下水位监测装置等)、第四传感器等等。这样,按照类似的方式,可以获得第三传感器的第三感应范围、第四传感器的第四感应范围,并选择第三、第四等传感器各自对应的候选位置、可能位置等。
在本发明的实施例中,还可以选择性地包括:确定不同类型传感器之间是否发生相互影响,如是否影响各自的作用范围(传感范围)。此外,针对于实际情况中的地形地貌、天气等环境条件,不同传感器的感应范围可能有所变化,比如,超声波传感器等,因此要基于不同的环境情况获得符合当前情况的感应范围。如若有影响,则可以对被影响的传感范围进行修正,在计算中采用修正后的传感范围。例如,可以通过试验的方式确定不同类型传感器之间是否影响以及影响后的传感范围等。因此,在计算求解各种传感器的各种可能位置时,相比于孤立地考虑单独一种传感器来计算或者没有根据实际情况中的地形地貌、天气等环境变化因素调节传感器感应范围的方式,本发明实施例的计算过程更准确。
然后,在预定监测区域中随机选取N个位置点,其中,N为正整数。
例如,N可以大于等于100。
接着,在多个第一候选位置和多个第二候选位置之中确定出a个第一候选位置和b个第二候选位置,其中,a和b为正整数,以使得如下第一条件和第二条件成立。
第一条件为:使得a与b之和尽量小。
第二条件为:在N个位置点中的每一个位置点处,该位置点处能够位于a个第一候选位置中的至少一个第一候选位置上的第一传感器的第一感应范围内、并位于b个第二候选位置中的至少一个第二候选位置上的第二传感器的第二感应范围内。
由此,可以确定出a和b的值,以及上述a个第一候选位置和b个第二候选位置各自的位置。
下面举例来描述求解上述a和b的过程。
在得到了多个第一候选位置和多个第二候选位置后,在后续的步骤中,目标是进一步缩减多个第一候选位置和多个第二候选位置的数量,使得最终布置的第一传感器和第二传感器尽可能的少。
比如,选择的多个第一候选位置假设是10个(实际可以更多,此处为描述方便,实际例如可以选取50个、100个、1000个,等等),作为待重新选择的多个第一传感器的可能位置。此外,假设选择的多个第二候选位置假设是10个(实际可以更多,此处为描述方便,实际例如可以选取50个、100个、1000个,等等),作为待重新选择的多个第二传感器的可能位置。
这样,以上述在预定监测区域中随机选取的N个位置点中的某一个为例,假设为位置点l(1),假设位置点l(1)能够处于10个第一候选位置(预先编号)中的第6个和第9个位置上的第一传感器的感应范围中(而不能处于其他位置的第一传感器的感应范围中),并假设位置点l(1)能够处于10个第二候选位置(预先编号)中的第2个和第3个位置上的第一传感器的感应范围中(而不能处于其他位置的第二传感器的感应范围中),则可以将位置点l(1)对应于第一传感器的第一接收变量sig1(l(1))记为sig1(l(1))=(0,0,0,0,0,1,0,0,1,0),将位置点l(1)对应于第二传感器的第二接收变量sig2(l(1))记为sig2(l(1))=(0,1,1,0,0,0,0,0,0,0)。
对于第一接收变量sig1(l(1))来说,该向量中各元素分别表示位置点l(1)是否能够处于对应的第一传感器的感应范围中,比如元素值为0表示不处于对应的那个第一传感器的感应范围中,而元素值为1表示处于对应的那个第一传感器的感应范围中。
类似地,对于第二接收变量sig2(l(1))来说,该向量中各元素分别表示位置点l(2)是否能够处于对应的第二传感器的感应范围中,比如元素值为0表示不处于对应的那个第二传感器的感应范围中,而元素值为1表示处于对应的那个第二传感器的感应范围中。
假设在当前迭代次中,在“多个第一候选位置”(即10个)中确定的a个第一候选位置的a是9个,是第一至第九个第一传感器,则,第一传感器变量c1为(1,1,1,1,1,1,1,1,1,0),其中1表示对应传感器被选入a个第一候选位置中,而0表示没选入。
根据第二条件,对于位置点l(1)来说,例如可以判断下式是否成立:
(0,0,0,0,0,1,0,0,1,0)(1,1,1,1,1,1,1,1,1,0)T>1,且
(0,1,1,0,0,0,0,0,0,0)(1,1,1,1,1,1,1,1,1,0)T>1
若上面二式中任一不成立,则表示当前选取方式不合理。
若上面二式均成立,则保留当前选取方式继续迭代。例如,可以遍历所有选取方式,保留每种满足上述第二条件的选取方式,然后分别迭代计算,直到满足第一条件。
类似地,可以分别处理预定监测区域中随机选取的N个位置点中的每一个位置点。
应当说明的是,在其他示例中,对于不同要求的传感器,比如需要同时接收至少2个某种类型传感器的传感信号时,也可以对应使得上述式子中右边的“1”改为2。
此外,应当说明的是,在本发明的实施例中,对a和b的取值例如可以采用递减式迭代计算方式实现,也即,a的初始值例如可等于“多个第一候选位置”(如10个)的数量,而b的初始值例如可以等于“多个第二候选位置”(如10个)的数量,在计算完a=10的所有轮迭代之后,再计算a=9的情况,注意的是,a=9的情况可有多种(如该例子中可以由10种方式),依此类推。
然后,按照所确定的a个第一候选位置重新布置a个第一传感器,并按照所确定的b个第二候选位置重新布置b个第二传感器。
例如,可以至少基于从监测子***接收到的各监测点对应的视频数据和环境数据,预测对应作物长势以及获取影响作物生长的土壤要素信息。
例如,还可以至少基于从气象子***接收到的各气象监测站处对应的空气环境数据,获取影响作物生长的空气中环境要素信息。
此外,例如还可以至少基于从地下水位监测子***接收到的各地下水位监测点对应的地下水位数据,监测各地下水位监测点的地下水位变化情况。
在上述示例中,举例的是只有一种第一传感器和一种第二传感器的情况,而当第一传感器有多种,第二传感器也有多种的情况下,则第一条件变为:需要对每一种第一传感器确定一个a,对于每一种第二传感器确定一个b,最终要使得所有的a和所有的b之和尽量小;此外,这种情况下第二条件则变为:在N个位置点中的每一个位置点处,该位置点处能够位于每种第一传感器类型对应的a个第一候选位置中的至少一个第一候选位置上的第一传感器的第一感应范围内、并位于每种第二传感器类型的b个第二候选位置中的至少一个第二候选位置上的第二传感器的第二感应范围内。计算的过程类似,这里不再赘述。
最后应说明的是:以上实施例仅用以示例性说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明及本发明带来的有益效果进行了详细的说明,本领域的普通技术人员应当理解: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;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求的范围。