CN113778110B - 一种基于机器学习的智能农机控制方法及*** - Google Patents
一种基于机器学习的智能农机控制方法及*** Download PDFInfo
- Publication number
- CN113778110B CN113778110B CN202111330479.1A CN202111330479A CN113778110B CN 113778110 B CN113778110 B CN 113778110B CN 202111330479 A CN202111330479 A CN 202111330479A CN 113778110 B CN113778110 B CN 113778110B
- Authority
- CN
- China
- Prior art keywords
- result
- agricultural machine
- information
- parameter
- intelligent
- 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 85
- 238000010801 machine learning Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 75
- 230000008569 process Effects 0.000 claims abstract description 31
- 230000000694 effects Effects 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000000605 extraction Methods 0.000 claims description 19
- 230000003245 working effect Effects 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000013097 stability assessment Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000005507 spraying Methods 0.000 description 8
- 241000607479 Yersinia pestis Species 0.000 description 7
- 239000002420 orchard Substances 0.000 description 7
- 239000000575 pesticide Substances 0.000 description 6
- 241000258937 Hemiptera Species 0.000 description 3
- 244000141359 Malus pumila Species 0.000 description 3
- 235000011430 Malus pumila Nutrition 0.000 description 3
- 235000015103 Malus silvestris Nutrition 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 241001124076 Aphididae Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0259—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
- G05D1/0263—Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic strips
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Electromagnetism (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于机器学习的智能农机控制方法及***,获得第一农机的基础信息,根据基础信息获得第一农机的稳定性评估参数;获得第一作业区域信息,根据第一作业区域信息获得第一路径规划结果;根据稳定性评估参数和第一路径规划结果进行初始参数设定,通过图像采集装置进行图像采集,获得第一图像集合;对第一图像集合进行特征图像提取,将第一特征图像集合、稳定性评估参数和第一路径规划结果输入智能参数调整模型,获得第一输出结果,进行所述第一设定结果进行调整,进行第一农机的控制。解决了现有技术中在进行农机智能化控制的过程中,存在不能很好地结合农机的信息和工作环境信息,进行农机的智能化、准确化控制的技术问题。
Description
技术领域
本发明涉及数据识别相关领域,尤其涉及一种基于机器学习的智能农机控制方法及***。
背景技术
当前,随着农业机械化的迅速发展,农业机械的普及率、应用率大幅度提高,农业机械化发展已经达到了较高的水平,正大步迈入智慧农业的新时代。农业机械智能化作为智慧农业的重要组成部分,可以显著提高农业作业效率和土地资源利用率,是世界范围内农业现代化发展的方向,同样是我国现代农业发展的必由之路。智能农机具有自动化程度高、安全可靠、高效节本、一机多能、通用性强等多种优势。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术存在如下技术问题:
现有技术中在进行农机智能化控制的过程中,存在不能很好地结合农机的信息和工作环境信息,进行农机的智能化、准确化控制的技术问题。
发明内容
本申请实施例通过提供一种基于机器学习的智能农机控制方法及***,解决了现有技术中在进行农机智能化控制的过程中,存在不能很好地结合农机的信息和工作环境信息,进行农机的智能化、准确化控制的技术问题,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。
鉴于上述问题,提出了本申请实施例提供一种基于机器学习的智能农机控制方法及***。
第一方面,本申请提供了一种基于机器学习的智能农机控制方法,其中,所述方法应用于农机智能控制***,所述***与图像采集装置通信连接,所述方法包括:获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;根据所述基础信息获得所述第一农机的稳定性评估参数;获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;通过所述图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合;对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制。
另一方面,本申请还提供了一种基于机器学习的智能农机控制***,所述***包括:第一获得单元,所述第一获得单元用于获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;第二获得单元,所述第二获得单元用于根据所述基础信息获得所述第一农机的稳定性评估参数;第三获得单元,所述第三获得单元用于获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;第四获得单元,所述第四获得单元用于根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;第一采集单元,所述第一采集单元用于通过图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合;第五获得单元,所述第五获得单元用于对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;第一控制单元,所述第一控制单元用于根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制。
第三方面,本发明提供了一种基于机器学习的智能农机控制***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;根据所述基础信息获得所述第一农机的稳定性评估参数;获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;通过所述图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合;对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制的方式,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于机器学习的智能农机控制方法的流程示意图;
图2为本申请实施例一种基于机器学习的智能农机控制方法的获得第一路径规划结果的流程示意图;
图3为本申请实施例一种基于机器学习的智能农机控制方法的进行路径筛选的流程示意图;
图4为本申请实施例一种基于机器学习的智能农机控制方法的获得所述第一农机的稳定性评估参数的流程示意图;
图5为本申请实施例一种基于机器学习的智能农机控制方法的智能参数调整模型构建的流程示意图;
图6为本申请实施例一种基于机器学习的智能农机控制方法的异常预警的流程示意图;
图7为本申请实施例一种基于机器学习的智能农机控制方法的智能参数调整模型优化的流程示意图;
图8为本申请实施例一种基于机器学习的智能农机控制***的结构示意图;
图9为本申请实施例示例性电子设备的结构示意图。
图中:11.第一获得单元;12.第二获得单元;13.第三获得单元;14.第四获得单元;15.第一采集单元;16.第五获得单元;17.第一控制单元;50.电子设备;51.处理器;52.存储器;53.输入装置;54.输出装置。
具体实施方式
本申请实施例通过提供一种基于机器学习的智能农机控制方法及***,解决了现有技术中在进行农机智能化控制的过程中,存在不能很好地结合农机的信息和工作环境信息,进行农机的智能化、准确化控制的技术问题,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、第二”等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术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、***、产品或设备不必限于那些单元,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单元。
当前,随着农业机械化的迅速发展,农业机械的普及率、应用率大幅度提高,农业机械化发展已经达到了较高的水平,正大步迈入智慧农业的新时代。农业机械智能化作为智慧农业的重要组成部分,可以显著提高农业作业效率和土地资源利用率,是世界范围内农业现代化发展的方向,同样是我国现代农业发展的必由之路。智能农机具有自动化程度高、安全可靠、高效节本、一机多能、通用性强等多种优势。现有技术中在进行农机智能化控制的过程中,不能准确的识别工作环境,不能基于工作环境和农机的历史使用参数,准确结合农机的工作特性进行智能控制的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于机器学习的智能农机控制方法,其中,所述方法应用于农机智能控制***,所述***与图像采集装置通信连接,所述方法包括:获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;根据所述基础信息获得所述第一农机的稳定性评估参数;获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;通过所述图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合;对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于机器学习的智能农机控制方法,其中,所述方法应用于农机智能控制***,所述***与图像采集装置通信连接,所述方法包括:
步骤S100:获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;
步骤S200:根据所述基础信息获得所述第一农机的稳定性评估参数;
具体而言,所述农机智能控制***为进行农机综合控制的控制中心,所述农机智能控制***为可以进行数据处理、数据交互的计算机控制***,所述图像采集装置为集成在农机上的可进行实时图像采集的图像采集装置,且所述农机智能控制***与所述图像采集装置、农机通信连接,可进行相互的数据交互。所述第一农机为智能农机,可通过所述农机智能控制***进行实时的农机参数控制,所述第一农机可以是果园的农药喷洒设备,所述第一农机的基础信息为所述第一农机在历史工作过程中的各类信息,包括历史的工作状态信息、工作质量信息、故障信息、维修信息等,对所述第一农机的历史信息进行采集,根据所述基础信息对所述第一农机的稳定性进行评估。
进一步的,所述稳定性评估的过程为根据所述第一农机的历史工作信息对所述第一农机进行标签标识的过程,稳定性评估的约束参数包括故障信息和工作质量信息。根据所述第一农机的历史工作信息对所述第一农机的工作故障信息进行提取,根据故障的频率和故障的严重程度获得故障评估参数。通过所述第一农机的历史工作信息对所述第一农机的工作质量信息进行提取,根据工作的质量情况获得所述第一农机的质量评估参数,基于所述故障评估参数和所述质量评估参数对所述第一农机的稳定性进行评估。通过稳定性评估结果和基础信息的获取,为后续进行农机进行智能化控制提供了基础数据。
步骤S300:获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;
步骤S400:根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;
具体而言,所述第一作业区域为所述第一农机的作业区域,一般而言,所述作业区域为农作物生长区域或者果园。根据果园的果树分布位置信息和果园的本身的区域信息进行果园的坐标图构建,根据坐标图构建结果进行果树、其他障碍物信息的坐标分布确定,根据坐标分布的确定结果及所述第一农机的基础信息,进行所述第一农机的路径规划,获得第一路径规划结果。进一步来说,根据所述第一农机的尺寸、行进参数、喷洒农药的范围等多个参数获得的路径规划集合,基于所述路径规划集合基于路径长度、喷洒效果等多个维度的评估,根据评估结果获得所述第一路径规划结果。根据所述稳定性评估参数和第一路径规划结果,进行所述第一农机的初始参数设定,所述初始参数包括第一路径参数、农机的路径行进过程的喷洒参数等,获得第一设定结果。通过对路径规划和稳定性参数的综合考量,获得第一设定结果,为后续进行智能化准确化结合工作环境和农机参数奠定了基础。
步骤S500:通过所述图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合;
步骤S600:对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;
步骤S700:根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制。
具体而言,所述图像采集装置为可进行实时智能化图像采集的装置,且所述图像采集装置集成在所述第一农机上,在所述第一农机根据所述第一设定结果进行所述第一作业区域进行作业时,通过所述图像采集装置进行实时的图像采集,获得第一图像集合。举例而言,当所述第一农机沿所述第一路径规划结果进行作业时,行进至第一果树位置,通过所述图像采集装置进行所述第一果树的图像采集,获得第一图像集合,根据采集的第一图像集合进行图像的特征提取,提取的特征包括所述第一果树的异常图像特征,即果树树叶特征、果实特征异常提取,包括病虫害的相关特征、水分是否充足的特征等,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,其中,所述智能参数调整模型为机器学习中的神经网络模型,通过所述智能参数调整模型,根据捕捉的图像特征进行所述第一农机对所述第一果树的作业参数调整,调整的部分包括作业的速率、处理时长、侧重处理部位、路径调整信息等,获得所述智能参数调整模型的第一输出结果,所述第一输出结果包括:作业的速率、处理时长、侧重处理部位、路径调整信息。根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的实时控制,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。
进一步而言,如图2所示,所述获得第一路径规划结果,本申请实施例步骤S300还包括:
步骤S310:获得所述第一作业区域的区域面积信息;
步骤S320:根据所述区域面积信息进行农作物分布分析,获得第一农作物分布分析结果;
步骤S330:根据所述基础信息和所述第一农作物分布分析结果进行所述第一农机的行动安全性路径规划,获得第一路径预规划集合;
步骤S340:对所述第一路径预规划集合进行路径筛选,获得所述第一路径规划结果。
具体而言,通过对所述第一作业区域进行信息采集,获得所述第一作业区域的区域面积信息,即果园的面积信息,根据果园的面积信息进行所述第一作业区域的虚拟坐标系构建,将所述第一作业区域的实际信息进行数字化,根据构建的坐标系依据实际的农作物分布,将所述农作物同样进行数字化处理,根据所述第一作业区域的区域面积细信息的数字化处理结果和第一农作物的分布分析数字化处理结果进行路径规划,其中,所述第一路径预规划集合为所有可安全进行所述第一作业区域的农机行进路径的集合,根据所有第一农机可以完成所述第一作业区域的路径规划结果进行路径筛选,依据所述第一农机的特性和行进效率、路径长度、工作效果多个维度进行评估,根据不同的权重侧重分配,获得所述第一路径规划结果。通过对路径规划的筛选,使得获得的所述第一路径规划结果更加契合所述第一农机和所述第一作业区域,进而使得所述第一农机的控制更加智能化,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。
进一步而言,如图3所示,所述对所述第一路径预规划集合进行路径筛选,获得所述第一路径规划结果,本申请实施例步骤S340还包括:
步骤S341:获得第一效率约束参数,其中,所述第一效率约束参数为所述第一农机在所述第一路径预规划集合的工作效率参数;
步骤S342:获得第一路径长度约束参数;
步骤S343:获得第一农机工作效果评估参数,对所述第一效率约束参数、所述第一路径长度约束参数和所述工作效果评估参数进行权重分布,获得第一权重分布结果;
步骤S344:基于所述第一权重分布结果进行所述第一路径预规划集合路径筛选,获得所述第一路径规划结果。
具体而言,所述第一工作效率约束参数为所述第一农机在依据预定路径行进过程中,进行农机作业的效率评估的参数,根据单位时间所述第一农机进行作业的有效面积进行评估获得。所述第一路径长度约束参数为所述第一农机完成所述第一作业区域的总的路程长度约束参数,所述第一农机工作效果评估参数为对所述第一农机依据预定路径工作时的工作质量的评估参数。依据所述第一效率约束参数、所述第一路径长度约束参数、所述工作效果评估参数进行预设定权重分配,获得第一权重分布结果,基于所述第一权重分布结果进行所述第一路径规划集合中路径的契合度顺序排序,根据顺序排序结果筛选出所述第一路径规划结果。通过所述第一效率约束参数、所述第一路径长度约束参数、所述工作效果评估参数的权重占比分布后的路径评估,使得筛选获得的路径规划结果更加契合需求,即在保证质量的前提下,评选出所述第一农机更加适合所述第一作业区域的工作路径,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。
进一步的,如图4所示,所述根据所述基础信息获得所述第一农机的稳定性评估参数,本申请实施例步骤S200还包括:
步骤S210:根据所述基础信息获得所述第一农机的历史工作信息;
步骤S220:根据所述历史工作信息进行所述第一农机的故障信息提取,获得第一故障信息提取结果;
步骤S230:根据所述历史工作信息进行所述第一农机的工作效果评估,获得第一工作效果提取结果;
步骤S240:根据所述第一故障信息提取结果和所述第一工作效果评估结果对所述第一农机进行稳定性评估,获得所述稳定性评估参数。
具体而言,所述历史工作信息包括所述第一农机的历史工作环境信息和农机的工作参数信息、农机故障信息、故障原因、故障次数、维修参数、维修结果等。根据所述基础信息对所述第一农机的历史工作信息进行提取,根据所述历史工作信息进行故障信息分析,获得所述第一故障信息提取结果。根据所述历史工作信息对所述第一农机在进行作业时的作业效果进行评估,根据不同作业环境、作业参数的设定下的作业效果打分情况,来获得所述第一工作效果提取结果。根据所述第一故障信息提取结果中的故障的次数和程度信息、所述第一工作效果提取结果中的效果打分情况,进行所述第一农机在进行工作过程中的稳定性评估,稳定性评估参数反映了所述第一农机的故障概率,严重故障概率、工作的平稳性等。通过所述稳定性评估参数的获得,为后续进行所述第一农机工作过程的参数设定提供了数据支持,可以降低所述第一农机在工作过程中容易出现异常的特征触发频率,达到对所述第一农机进行更合理的参数设定的技术效果。
进一步的,如图5所示,本申请实施例步骤S600还包括:
步骤S610:构建所述第一作业区域的农作物异常特征集合,其中,所述农作物异常特征集合中的每个异常特征均有与其对应的特征值;
步骤S620:基于所述特征值获得标识路径参数调整的标识信息,通过所述农作物异常特征集合和标识路径参数调整的标识信息进行所述智能参数调整模型构建。
具体而言,根据所述第一农机的作业信息获得所述第一农机针对的作物异常特征。举例而言,当所述第一农机为进行苹果树的绣线菊蚜虫害处理,则所述农作物异常特征集合为苹果树在收到绣线菊蚜虫害后的异常图像,根据收到绣线菊蚜虫害的严重程度的不同具有不同的图像特征,其中,根据虫害的严重程度不同,特征的特征值也不尽相同,虫害越严重,则特征值越大。根据不同的特征的特征值的信息,获得标识路径参数调整的标识信息,特征值越大,则路径调整幅度越大,通过所述农作物异常特征集合和标识路径参数调整的标识信息进行所述智能参数调整模型构建。构建完成后的所述智能参数调整模型可根据采集的图像特征与所述农作物异常特征集合进行特征匹配,根据特征匹配结果和特征值信息,进行作业路径的调整参数输出,进而达到获得更加智能的农机控制参数的技术效果。
进一步的,如图6所示,本申请实施例步骤S500还包括:
步骤S630:获得所述第一特征图像集合中与所述农作物异常特征集合的不匹配特征集合;
步骤S640:对所述不匹配特征集合进行特征位置标识,获得特征位置标识结果;
步骤S650:基于所述特征位置标识结果进行作物异常预警。
具体而言,根据所述农作物异常特征集合进行所述第一特征图像集合中的特征匹配,获得所述第一特征图像集合中未被所述农作物异常特征集合匹配的特征集合。所述不匹配特征集合为所述第一作业区域内的果树存在异常且与本次第一农机进行处理的异常不同的异常集合。所述不匹配特征集合说明此时的第一作业区域内的农作物存在其他异常,如其它虫害、水分异常、腐烂等,根据实时采集的图像集合结合构建的所述第一作业区域的坐标,进行所述不匹配特征的位置标识,获得特征位置标识结果,根据特征的严重程度采用不同颜色的标识结果,为后续通过标识结果进行更加准确的作物异常预警夯实了基础。
进一步的,如图7所示,本申请实施例步骤S800还包括:
步骤S810:通过所述图像采集装置进行所述第一农机的作业完成区域进行图像采集,获得第二图像集合;
步骤S820:根据所述第二图像集合进行所述第一农机的作业效果评估,获得第一评估结果;
步骤S830:根据所述第一评估结果生成第一反馈参数,基于所述第一反馈参数对所述智能参数调整模型优化。
具体而言,在所述第一农机完成第一棵果树的喷洒农药作业时,通过所述图像采集装置进行所述第一棵果树的图像采集,获得所述第二图像集合,对所述第二图像集合中未被特征匹配的部位的农药喷洒均匀程度进行评估,对所述第二图像集合中进行特征匹配的部分的侧重农药喷洒效果进行评估,根据均匀度和侧重度两个维度获得所述第一评估结果。进一步来说,对所述第一作业区域进行时间段的图像采集,根据时间段采集结果对所述第一农机的最终作业效果进行评估,获得所述第一评估结果。根据所述第一评估结果生成第一反馈参数,基于所述第一反馈参数对所述智能参数调整模型优化。通过不断收集反馈信息进行智能参数调整模型的优化,使得所述智能参数调整模型输出的参数更加智能,进而达到深度结合环境信息,进行更合理的参数设定的技术效果。
综上所述,本申请实施例所提供的一种基于机器学习的智能农机控制方法及***具有如下技术效果:
1、由于采用了获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;根据所述基础信息获得所述第一农机的稳定性评估参数;获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;通过所述图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合;对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制的方式,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。
2、由于采用了通过对路径规划的筛选的方式,使得获得的所述第一路径规划结果更加契合所述第一农机和所述第一作业区域,进而使得所述第一农机的控制更加智能化,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。
3、由于采用了对所述第一效率约束参数、所述第一路径长度约束参数、所述工作效果评估参数的权重占比分布后的路径评估的方式,使得筛选获得的路径规划结果更加契合需求,即在保证质量的前提下,评选出所述第一农机更加适合所述第一作业区域的工作路径,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。
4、由于采用了获得所述稳定性评估参数的方式,为后续进行所述第一农机工作过程的参数设定提供了数据支持,可以降低所述第一农机在工作过程中容易出现异常的特征触发频率,达到对所述第一农机进行更合理的参数设定的技术效果。
实施例二
基于与前述实施例中一种基于机器学习的智能农机控制方法同样发明构思,本发明还提供了一种基于机器学习的智能农机控制***,如图8所示,所述***包括:
第一获得单元11,所述第一获得单元11用于获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;
第二获得单元12,所述第二获得单元12用于根据所述基础信息获得所述第一农机的稳定性评估参数;
第三获得单元13,所述第三获得单元13用于获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;
第四获得单元14,所述第四获得单元14用于根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;
第一采集单元15,所述第一采集单元15用于通过图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合;
第五获得单元16,所述第五获得单元16用于对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;
第一控制单元17,所述第一控制单元17用于根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制。
进一步的,所述***还包括:
第六获得单元,所述第六获得单元用于获得所述第一作业区域的区域面积信息;
第七获得单元,所述第七获得单元用于根据所述区域面积信息进行农作物分布分析,获得第一农作物分布分析结果;
第八获得单元,所述第八获得单元用于根据所述基础信息和所述第一农作物分布分析结果进行所述第一农机的行动安全性路径规划,获得第一路径预规划集合;
第九获得单元,所述第九获得单元用于对所述第一路径预规划集合进行路径筛选,获得所述第一路径规划结果。
进一步的,所述***还包括:
第十获得单元,所述第十获得单元用于获得第一效率约束参数,其中,所述第一效率约束参数为所述第一农机在所述第一路径预规划集合的工作效率参数;
第十一获得单元,所述第十一获得单元用于获得第一路径长度约束参数;
第十二获得单元,所述第十二获得单元用于获得第一农机工作效果评估参数,对所述第一效率约束参数、所述第一路径长度约束参数和所述工作效果评估参数进行权重分布,获得第一权重分布结果;
第十三获得单元,所述第十三获得单元用于基于所述第一权重分布结果进行所述第一路径预规划集合路径筛选,获得所述第一路径规划结果。
进一步的,所述***还包括:
第十四获得单元,所述第十四获得单元用于根据所述基础信息获得所述第一农机的历史工作信息;
第十五获得单元,所述第十五获得单元用于根据所述历史工作信息进行所述第一农机的故障信息提取,获得第一故障信息提取结果;
第十六获得单元,所述第十六获得单元用于根据所述历史工作信息进行所述第一农机的工作效果评估,获得第一工作效果提取结果;
第十七获得单元,所述第十七获得单元用于根据所述第一故障信息提取结果和所述第一工作效果评估结果对所述第一农机进行稳定性评估,获得所述稳定性评估参数。
进一步的,所述***还包括:
第一构建单元,所述第一构建单元用于构建所述第一作业区域的农作物异常特征集合,其中,所述农作物异常特征集合中的每个异常特征均有与其对应的特征值;
第十八获得单元,所述第十八获得单元用于基于所述特征值获得标识路径参数调整的标识信息,通过所述农作物异常特征集合和标识路径参数调整的标识信息进行所述智能参数调整模型构建。
进一步的,所述***还包括:
第十九获得单元,所述第十九获得单元用于获得所述第一特征图像集合中与所述农作物异常特征集合的不匹配特征集合;
第二十获得单元,所述第二十获得单元用于对所述不匹配特征集合进行特征位置标识,获得特征位置标识结果;
第一预警单元,所述第一预警单元用于基于所述特征位置标识结果进行作物异常预警。
进一步的,所述***还包括:
第二十一获得单元,所述第二十一获得单元用于通过所述图像采集装置进行所述第一农机的作业完成区域进行图像采集,获得第二图像集合;
第二十二获得单元,所述第二十二获得单元用于根据所述第二图像集合进行所述第一农机的作业效果评估,获得第一评估结果;
第二十三获得单元,所述第二十三获得单元用于将所述第一识别结果输入防治手段列表,获得第一病虫害防治手段;
第一优化单元,所述第一优化单元用于根据所述第一评估结果生成第一反馈参数,基于所述第一反馈参数对所述智能参数调整模型优化。
前述图1实施例一中的一种基于机器学习的智能农机控制方法的各种变化方式和具体实例同样适用于本实施例的一种基于机器学习的智能农机控制***,通过前述对一种基于机器学习的智能农机控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于机器学习的智能农机控制***的实施方法,所以为了说明书的简洁,在此不再详述。
实施例三
下面参考图9来描述本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种基于机器学习的智能农机控制方法的发明构思,本发明还提供一种基于机器学习的智能农机控制***,下面,参考图9来描述根据本申请实施例的电子设备。该电子设备可以是可移动设备本身,或与其独立的单机设备,其上存储有计算机程序,该程序被处理器执行时实现前文所述方法的任一方法的步骤。
如图9所示,电子设备50包括一个或多个处理器51和存储器52。
处理器51可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备50中的其他组件以执行期望的功能。
存储器52可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器51可以运行所述程序指令,以实现上文所述的本申请的各个实施例的方法以及/或者其他期望的功能。
在一个示例中,电子设备50还可以包括:输入装置53和输出装置54,这些组件通过总线***和/或其他形式的连接机构(未示出)互连。
本发明实施例提供的一种基于机器学习的智能农机控制方法,其中,所述方法应用于农机智能控制***,所述***与图像采集装置通信连接,所述方法包括:获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;根据所述基础信息获得所述第一农机的稳定性评估参数;获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;通过所述图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合;对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制。解决了现有技术中在进行农机智能化控制的过程中,存在不能很好地结合农机的信息和工作环境信息,进行农机的智能化、准确化控制的技术问题,达到深度结合农机参数和环境信息,进行农机的智能化准确化控制的技术效果。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的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可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从计算机可读存储介质向另计算机可读存储介质传输,所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
另外,本文中术语“***”和“网络”在本文中常被可互换使用。本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
应理解,在本申请实施例中,“与A相应的B”表示B与A相关联,根据A可以确定B。但还应理解,根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其它信息确定B。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
总之,以上所述仅为本申请技术方案的较佳实施例而已,并非用于限定本申请的保护范围。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于机器学习的智能农机控制方法,其中,所述方法应用于农机智能控制***,所述***与图像采集装置通信连接,所述方法包括:
获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;
根据所述基础信息获得所述第一农机的稳定性评估参数,具体包括:
根据所述基础信息获得所述第一农机的历史工作信息;
根据所述历史工作信息进行所述第一农机的故障信息提取,获得第一故障信息提取结果;
根据所述历史工作信息进行所述第一农机的工作效果评估,获得第一工作效果评估结果;
根据所述第一故障信息提取结果和所述第一工作效果评估结果对所述第一农机进行稳定性评估,获得所述稳定性评估参数;
获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;
根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;
通过所述图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合,其中,所述图像采集装置集成在所述第一农机上;
对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;
根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制;
所述方法还包括:
通过所述图像采集装置进行所述第一农机的作业完成区域进行图像采集,获得第二图像集合;
根据所述第二图像集合进行所述第一农机的作业效果评估,获得第一评估结果;
根据所述第一评估结果生成第一反馈参数,基于所述第一反馈参数对所述智能参数调整模型优化。
2.如权利要求1所述的方法,其中,所述获得第一路径规划结果,还包括:
获得所述第一作业区域的区域面积信息;
根据所述区域面积信息进行农作物分布分析,获得第一农作物分布分析结果;
根据所述基础信息和所述第一农作物分布分析结果进行所述第一农机的行动安全性路径规划,获得第一路径预规划集合;
对所述第一路径预规划集合进行路径筛选,获得所述第一路径规划结果。
3.如权利要求2所述的方法,其中,所述对所述第一路径预规划集合进行路径筛选,获得所述第一路径规划结果,还包括:
获得第一效率约束参数,其中,所述第一效率约束参数为所述第一农机在所述第一路径预规划集合的工作效率参数;
获得第一路径长度约束参数;
获得第一农机工作效果评估参数,对所述第一效率约束参数、所述第一路径长度约束参数和所述工作效果评估参数进行权重分布,获得第一权重分布结果;
基于所述第一权重分布结果进行所述第一路径预规划集合路径筛选,获得所述第一路径规划结果。
4.如权利要求1所述的方法,其中,所述方法还包括:
构建所述第一作业区域的农作物异常特征集合,其中,所述农作物异常特征集合中的每个异常特征均有与其对应的特征值;
基于所述特征值获得标识路径参数调整的标识信息,通过所述农作物异常特征集合和标识路径参数调整的标识信息进行所述智能参数调整模型构建。
5.如权利要求4所述的方法,其中,所述方法还包括:
获得所述第一特征图像集合中与所述农作物异常特征集合的不匹配特征集合;
对所述不匹配特征集合进行特征位置标识,获得特征位置标识结果;
基于所述特征位置标识结果进行作物异常预警。
6.一种基于机器学习的智能农机控制***,其中,所述***包括:
第一获得单元,所述第一获得单元用于获得第一农机的基础信息,其中,所述基础信息包括所述第一农机的历史使用信息;
第二获得单元,所述第二获得单元用于根据所述基础信息获得所述第一农机的稳定性评估参数,具体包括:
第十四获得单元,所述第十四获得单元用于根据所述基础信息获得所述第一农机的历史工作信息;
第十五获得单元,所述第十五获得单元用于根据所述历史工作信息进行所述第一农机的故障信息提取,获得第一故障信息提取结果;
第十六获得单元,所述第十六获得单元用于根据所述历史工作信息进行所述第一农机的工作效果评估,获得第一工作效果评估结果;
第十七获得单元,所述第十七获得单元用于根据所述第一故障信息提取结果和所述第一工作效果评估结果对所述第一农机进行稳定性评估,获得所述稳定性评估参数;
第三获得单元,所述第三获得单元用于获得第一作业区域信息,根据所述第一作业区域信息进行所述第一农机的路径规划,获得第一路径规划结果;
第四获得单元,所述第四获得单元用于根据所述稳定性评估参数和所述第一路径规划结果进行所述第一农机的初始参数设定,获得第一设定结果;
第一采集单元,所述第一采集单元用于通过图像采集装置进行所述第一农机作业过程的作业区域图像采集,获得第一图像集合,其中,所述图像采集装置集成在所述第一农机上;
第五获得单元,所述第五获得单元用于对所述第一图像集合进行特征图像提取,获得第一特征图像集合,将所述第一特征图像集合、所述稳定性评估参数和所述第一路径规划结果输入智能参数调整模型,获得所述智能参数调整模型的第一输出结果;
第一控制单元,所述第一控制单元用于根据所述第一输出结果进行所述第一设定结果进行调整,获得第一调整结果,基于所述第一调整结果进行所述第一农机的控制;
进一步的,所述***还包括:
第二十一获得单元,所述第二十一获得单元用于通过所述图像采集装置进行所述第一农机的作业完成区域进行图像采集,获得第二图像集合;
第二十二获得单元,所述第二十二获得单元用于根据所述第二图像集合进行所述第一农机的作业效果评估,获得第一评估结果;
第一优化单元,所述第一优化单元用于根据所述第一评估结果生成第一反馈参数,基于所述第一反馈参数对所述智能参数调整模型优化。
7.一种基于机器学习的智能农机控制***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111330479.1A CN113778110B (zh) | 2021-11-11 | 2021-11-11 | 一种基于机器学习的智能农机控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111330479.1A CN113778110B (zh) | 2021-11-11 | 2021-11-11 | 一种基于机器学习的智能农机控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113778110A CN113778110A (zh) | 2021-12-10 |
CN113778110B true CN113778110B (zh) | 2022-02-15 |
Family
ID=78873779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111330479.1A Active CN113778110B (zh) | 2021-11-11 | 2021-11-11 | 一种基于机器学习的智能农机控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113778110B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115311452A (zh) * | 2022-09-20 | 2022-11-08 | 深圳市鑫路远电子设备有限公司 | 一种基于机器视觉的精密灌胶评估方法及*** |
CN116167505B (zh) * | 2023-01-09 | 2023-10-31 | 中交公路长大桥建设国家工程研究中心有限公司 | 一种钢筋套料裁剪方法及*** |
CN118196083A (zh) * | 2024-05-14 | 2024-06-14 | 南昌一众铝业有限公司 | 铝合金铸件性能评估方法及设备 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722973B (zh) * | 2012-06-29 | 2018-02-13 | 深圳市赛格导航科技股份有限公司 | 基于gps的智能农业作业***及其作业方法 |
CN107817798A (zh) * | 2017-10-30 | 2018-03-20 | 洛阳中科龙网创新科技有限公司 | 一种基于深度学习***的农用机械避障方法 |
CN110309933A (zh) * | 2018-03-23 | 2019-10-08 | 广州极飞科技有限公司 | 植株种植数据测量方法、作业路线规划方法及装置、*** |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理*** |
CN110138843A (zh) * | 2019-04-23 | 2019-08-16 | 迈赫机器人自动化股份有限公司 | 一种农机制造物联网监控方法及*** |
CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管***及方法 |
KR102347511B1 (ko) * | 2019-11-15 | 2022-01-11 | 동의대학교 산학협력단 | 잔디경계선에 대한 영상처리를 이용한 잔디깍기 로봇 및 이의 제어 방법 |
CN110973102A (zh) * | 2019-12-28 | 2020-04-10 | 山东省科学院自动化研究所 | 一种农药喷洒智能农机作业方法及作业*** |
CN111399508B (zh) * | 2020-03-20 | 2023-12-22 | 中联智慧农业股份有限公司 | 智慧农业***和智慧农业方法 |
CN112462749B (zh) * | 2020-05-12 | 2023-06-06 | 丰疆智能科技股份有限公司 | 农机自动导航方法、农机自动导航***以及农机 |
CN111897332B (zh) * | 2020-07-30 | 2022-10-11 | 国网智能科技股份有限公司 | 一种语义智能变电站机器人仿人巡视作业方法及*** |
CN112464766B (zh) * | 2020-11-17 | 2024-07-02 | 北京农业智能装备技术研究中心 | 一种农田地头自动识别方法及*** |
CN113052369B (zh) * | 2021-03-15 | 2024-05-10 | 北京农业智能装备技术研究中心 | 智能农机作业管理方法及*** |
-
2021
- 2021-11-11 CN CN202111330479.1A patent/CN113778110B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113778110A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113778110B (zh) | 一种基于机器学习的智能农机控制方法及*** | |
CN107609666B (zh) | 使用历史农药使用信息进行害虫预测的***和方法 | |
JP7086203B2 (ja) | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム | |
Deshpande et al. | Grading & identification of disease in pomegranate leaf and fruit | |
CN109197278B (zh) | 作业策略的确定方法及装置、药物喷洒策略的确定方法 | |
US20170039425A1 (en) | System and method for optimizing chemigation of crops | |
CN108052562A (zh) | 一种微型处方图生成方法及装置 | |
JP2022526563A (ja) | 可変散布量を用いた農地の農作物処理のための方法 | |
García-Santillán et al. | Computer vision-based method for automatic detection of crop rows in potato fields | |
CN113631036A (zh) | 用于种植物田地的种植物处理的方法 | |
CN114612896A (zh) | 基于遥感图像的水稻产量预测方法、装置以及设备 | |
KR102478723B1 (ko) | 농작물 병충해 모니터링 방법 및 농작물 병충해 모니터링 시스템 | |
EP4022556A1 (en) | Crop disease prediction and treatment based on artificial intelligence (ai) and machine learning (ml) models | |
JP2021157548A (ja) | 発芽判定装置及びプログラム | |
US10262407B2 (en) | System and method for efficient identification of developmental anomalies | |
CN103226709A (zh) | 一种美国白蛾幼虫网幕图像识别方法 | |
CN111582035B (zh) | 一种果树树龄识别方法、装置、设备及存储介质 | |
US20230252318A1 (en) | Evaluation of inferences from multiple models trained on similar sensor inputs | |
Bhangar et al. | IoT and AI for Next-Generation Farming: Opportunities, Challenges, and Outlook | |
CN108171721A (zh) | 一种大尺度图像的目标对象图像提取方法及装置 | |
Sharipov et al. | Smart implements by leveraging ISOBUS: Development and evaluation of field applications | |
Ganthimathi et al. | Feed forward neural network for plant leaf disease detection and classification | |
Kisliuk et al. | AI in current and future agriculture: an introductory overview | |
Sanghavi | “Design of effective techniques for prevention | |
Nandhini et al. | Interactive Agriculture relying on Artificial Intelligence and Convolution Neural Network |
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 |