CN114298615A - 一种农作物种植风险预防方法、装置、存储介质和设备 - Google Patents
一种农作物种植风险预防方法、装置、存储介质和设备 Download PDFInfo
- Publication number
- CN114298615A CN114298615A CN202210226442.2A CN202210226442A CN114298615A CN 114298615 A CN114298615 A CN 114298615A CN 202210226442 A CN202210226442 A CN 202210226442A CN 114298615 A CN114298615 A CN 114298615A
- Authority
- CN
- China
- Prior art keywords
- historical
- growth
- information
- crops
- influence
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种农作物种植风险预防方法,包括获取监测区域内的农作物的历史生长信息和影响生长因子信息,得到农作物的历史生长数据集;对历史生长数据集进行特征提取,通过协同注意力网络依次将历史影响因子特征进行信息融合后,得到监测区域内的该农作物的种植风险预测信息;采集监测区域的农作物的实时生长信息,确定该农作物的种植风险预测信息。本发明对农作物的各类病虫害、生长状况、产量、质量与施药、施肥、耕作之间的关系建立***性研究,实现了实时、适度和长效地对各种农作物在大面积种植的全过程中实施科学指导与防控,提高了农作物的产量。本发明还涉及一种农作物种植风险预防装置、存储介质和设备。
Description
技术领域
本发明涉及物联网技术领域,尤其涉及一种农作物种植风险预防方法、装置、存储介质和设备。
背景技术
现有技术中对病虫害与生长状况信息采集和处理手段基本上靠人工,费时费力,发生害虫的时候,不能够及时告知农户,导致病虫害预测预报的滞后和失误,信息传递采取广播电视、传真、邮件和书面等落后、被动、低效的手段,使得病虫害测报和防控严重滞后,对各类农作物的各类病虫害、生长状况、产量、质量与施药、施肥、耕作之间的关系缺少***性研究,尤其是缺乏***性研究和建立专家数据库,因而无法做到实时、适度和长效地对各种农作物在大面积种植的全过程中实施科学指导与防控;在现代化农业生产中往往需要采集和分析大量的环境数据,如温度、湿度、日照、二氧化碳浓度等等。然而,由于作业面积大,信息化基础条件有限,大量的数据往往难以获得,提供一种农作物种植风险的预防方法是目前亟需解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种农作物种植风险预防方法、装置、存储介质和设备。
本发明解决上述技术问题的技术方案如下:
一种农作物种植风险预防方法,所述方法包括:
获取监测区域内的农作物的历史生长信息和影响生长因子信息,并对所述历史生长信息和所述影响生长因子信息进行数据预处理后,得到所述监测区域内的该农作物的历史生长数据集;
对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集;
通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到每一个所述历史影响因子特征的影响因子特征注意值;
将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息;
采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,基于所述种植风险预测信息制定相应的预防计划,并将所述预防计划发送给农业防护人员及时对所述监测范围内的该农作物施加预防措施。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步地,所述对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集,具体包括:
确定所述长短期记忆网络LSTM中输入的节点数、隐藏层神经元的个数和输出结果;
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘,得到所述农作物的历史影响生长因子特征集,其中,所述细胞状态由所述长短期记忆网络LSTM中的输入门和遗忘门共同决定。
进一步地,所述通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到每一个所述历史影响因子特征的影响因子特征注意值,具体包括:
将所述历史影响生长因子特征集中的每一个历史影响因子特征经过所述协同注意力网络中的自我注意模块,得到所述历史影响因子特征对应的第一影响因子特征;
将所述历史影响生长因子特征集中的每一个历史影响因子特征通过所述关系注意模块,得到所述历史影响因子特征对应的第二影响因子特征;
利用所述协同注意力网络中的关系注意模块,将所述第一影响因子特征和所述第二影响因子特征进行协同注意,得到所述历史影响因子特征的影响因子特征注意值。
进一步地,所述将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息,具体包括:
将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集;
将所述历史影响生长因子特征集输入至所述农作物种植风险预测模型中的dropout全连接层,得到所述监测区域内的该农作物的种植风险预测信息,其中,在交叉熵损失函数中设置正则项,其中所述农作物种植风险预测模型是将神经网络进行训练得到的。
进一步地,所述采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,具体包括:
在所述监测区域内设置多个采集传感器,采集所述农作物的实时生长信息,所述实时生长信息包括所述农作物的生长高度信息和叶片的图片信息;
将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,并根据所述相似度值确定所述农作物的生长阶段;
从所述农作物的种植风险预测信息中,获取所对应的生长阶段的风险预测信息,从而得到所述监测区域的该农作物的种植风险预测信息。
本方法发明的有益效果是:提出了一种农作物种植风险预防方法,包括获取监测区域内的农作物的历史生长信息和影响生长因子信息,并对所述历史生长信息和所述影响生长因子信息进行数据预处理后,得到所述监测区域内的该农作物的历史生长数据集;对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集;通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到每一个所述历史影响因子特征的影响因子特征注意值;将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息;采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,基于所述种植风险预测信息制定相应的预防计划,并将所述预防计划发送给农业防护人员及时对所述监测范围内的该农作物施加预防措施。本发明对农作物的各类病虫害、生长状况、产量、质量与施药、施肥、耕作之间的关系建立***性研究,实现了实时、适度和长效地对各种农作物在大面积种植的全过程中实施科学指导与防控,提高了农作物的产量。
本发明解决上述技术问题的另一技术方案如下:
一种农作物种植风险预防装置,所述装置包括:
第一采集模块,用于获取监测区域内的农作物的历史生长信息和影响生长因子信息,并对所述历史生长信息和所述影响生长因子信息进行数据预处理后,得到所述监测区域内的该农作物的历史生长数据集;
特征提取模块,用于对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集;
处理模块,用于通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到每一个所述历史影响因子特征的影响因子特征注意值;
预测模块,用于将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息;
预防措施模块,用于采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,基于所述种植风险预测信息制定相应的预防计划,并将所述预防计划发送给农业防护人员及时对所述监测范围内的该农作物施加预防措施。
进一步地,所述特征提取模块,具体用于确定所述长短期记忆网络LSTM中输入的节点数、隐藏层神经元的个数和输出结果;
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘,得到所述农作物的历史影响生长因子特征集,其中,所述细胞状态由所述长短期记忆网络LSTM中的输入门和遗忘门共同决定。
进一步地,所述处理模块,具体用于将所述历史影响生长因子特征集中的每一个历史影响因子特征经过所述协同注意力网络中的自我注意模块,得到所述历史影响因子特征对应的第一影响因子特征;
将所述历史影响生长因子特征集中的每一个历史影响因子特征通过所述关系注意模块,得到所述历史影响因子特征对应的第二影响因子特征;
利用所述协同注意力网络中的关系注意模块,将所述第一影响因子特征和所述第二影响因子特征进行协同注意,得到所述历史影响因子特征的影响因子特征注意值。
此外,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述技术方案中任一项所述的农作物种植风险预防方法的步骤。
本发明还提供一种电子设备,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,所述处理器执行所述程序时实现上述技术方案中任一项所述的农作物种植风险预防方法的步骤。
本发明附加的方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述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。
图1为本发明实施例所示的一种农作物种植风险预防方法的流程示意图;
图2为本发明另一实施例所示的一种农作物种植风险预防装置的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
如图1所示,本发明实施例所述的一种农作物种植风险预防方法包括以下步骤:
110、获取监测区域内的农作物的历史生长信息和影响生长因子信息,并对所述历史生长信息和所述影响生长因子信息进行数据预处理后,得到所述监测区域内的该农作物的历史生长数据集。
120、对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集。
130、通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到每一个所述历史影响因子特征的影响因子特征注意值。
140、将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息。
150、采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,基于所述种植风险预测信息制定相应的预防计划,并将所述预防计划发送给农业防护人员及时对所述监测范围内的该农作物施加预防措施。
基于上述实施例,进一步地,步骤120中具体包括:
确定所述长短期记忆网络LSTM中输入的节点数、隐藏层神经元的个数和输出结果。
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘,得到所述农作物的历史影响生长因子特征集,其中,所述细胞状态由所述长短期记忆网络LSTM中的输入门和遗忘门共同决定。
进一步地,步骤130中具体包括:
将所述历史影响生长因子特征集中的每一个历史影响因子特征经过所述协同注意力网络中的自我注意模块,得到所述历史影响因子特征对应的第一影响因子特征;
将所述历史影响生长因子特征集中的每一个历史影响因子特征通过所述关系注意模块,得到所述历史影响因子特征对应的第二影响因子特征;
利用所述协同注意力网络中的关系注意模块,将所述第一影响因子特征和所述第二影响因子特征进行协同注意,得到所述历史影响因子特征的影响因子特征注意值。
进一步地,步骤140中具体包括:
将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集;
将所述历史影响生长因子特征集输入至所述农作物种植风险预测模型中的dropout全连接层,得到所述监测区域内的该农作物的种植风险预测信息,其中,在交叉熵损失函数中设置正则项,其中所述农作物种植风险预测模型是将神经网络进行训练得到的。
进一步地,步骤150中具体包括:
在所述监测区域内设置多个采集传感器,采集所述农作物的实时生长信息,所述实时生长信息包括所述农作物的生长高度信息和叶片的图片信息;
将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,并根据所述相似度值确定所述农作物的生长阶段;
从所述农作物的种植风险预测信息中,获取所对应的生长阶段的风险预测信息,从而得到所述监测区域的该农作物的种植风险预测信息。
应理解,例如通过监测区域内布置的图像采集装置和各类的测量装置,采集区域内的选定的农作物的生长信息,生长信息包括该农作物的植株高度,叶片的伸展状态和面积等信息,影响生长因子信息包括当时的温度、湿度、土壤酸碱度以及病虫害情况等等,清除异常信息,进行数据预处理并构成历史生长数据集。
通过LSTM对历史生长数据集进行特征提取,获得与时间序列相关的影响生长因子特征集。确定LSTM模型中输入的节点数和隐藏层神经元的个数以及输出结果,由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘得到网络的最后输出,也就是与时间序列相关的历史影响生长因子特征集,也就是与生长信息相关的影响生长因子特征集。
通过协同注意力网络依次对历史影响生长因子特征集中的每一个历史影响生长因子特征进行信息融合,最后再将两者进行协同注意,得到最后的影响因子特征注意值。协同注意力网络模型由两个模块组成,自我注意模块SA和关系注意模块RA,将历史影响生长因子特征集中的每一个历史影响因子特征经过协同注意力网络中的自我注意模块,得到历史影响因子特征对应的第一影响因子特征;将历史影响生长因子特征集中的每一个历史影响因子特征通过协同注意力网络中的关系注意模块,得到历史影响因子特征对应的第二影响因子特征;利用关系注意模块,将第一影响因子特征和第二影响因子特征进行协同注意,得到历史影响因子特征的影响因子特征注意值。
将每一个影响因子特征注意值附加到历史影响生长因子特征集后,将历史影响生长因子特征集输入到农作物种植风险预测模型中,得到监测区域内的该农作物的种植风险预测信息;其中,在交叉熵损失函数中设置正则项,以便防止预测模型过拟合,确保得到的种植风险预测信息的准确。
采集监测区域的农作物的实时生长信息、将实时生长信息与历史生长信息进行相似度计算,得到相似度值,根据相似度值和种植风险预测信息,确定监测区域的该农作物的种植风险预测信息,基于种植风险预测信息制定相应的预防计划,并将预防计划发送给农业防护人员及时对监测范围内的该农作物施加预防措施。
基于上述实施例所提供的一种农作物种植风险预防方法,包括获取监测区域内的农作物的历史生长信息和影响生长因子信息,并对所述历史生长信息和所述影响生长因子信息进行数据预处理后,得到所述监测区域内的该农作物的历史生长数据集;对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集;通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到每一个所述历史影响因子特征的影响因子特征注意值;将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息;采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,基于所述种植风险预测信息制定相应的预防计划,并将所述预防计划发送给农业防护人员及时对所述监测范围内的该农作物施加预防措施。本发明对农作物的各类病虫害、生长状况、产量、质量与施药、施肥、耕作之间的关系建立***性研究,实现了实时、适度和长效地对各种农作物在大面积种植的全过程中实施科学指导与防控,提高了农作物的产量。
如图2所示,一种农作物种植风险预防装置,所述装置包括:
第一采集模块,用于获取监测区域内的农作物的历史生长信息和影响生长因子信息,并对所述历史生长信息和所述影响生长因子信息进行数据预处理后,得到所述监测区域内的该农作物的历史生长数据集。
特征提取模块,用于对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集。
处理模块,用于通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到每一个所述历史影响因子特征的影响因子特征注意值。
预测模块,用于将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息,
预防措施模块,用于采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,基于所述种植风险预测信息制定相应的预防计划,并将所述预防计划发送给农业防护人员及时对所述监测范围内的该农作物施加预防措施。
进一步地,所述特征提取模块,具体用于确定所述长短期记忆网络LSTM中输入的节点数、隐藏层神经元的个数和输出结果;
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘,得到所述农作物的历史影响生长因子特征集,其中,所述细胞状态由所述长短期记忆网络LSTM中的输入门和遗忘门共同决定。
进一步地,所述处理模块,具体用于将所述历史影响生长因子特征集中的每一个历史影响因子特征经过所述协同注意力网络中的自我注意模块,得到所述历史影响因子特征对应的第一影响因子特征;
将所述历史影响生长因子特征集中的每一个历史影响因子特征通过所述关系注意模块,得到所述历史影响因子特征对应的第二影响因子特征;
利用所述协同注意力网络中的关系注意模块,将所述第一影响因子特征和所述第二影响因子特征进行协同注意,得到所述历史影响因子特征的影响因子特征注意值。
此外,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述技术方案中任一项所述的农作物种植风险预防方法的步骤。
本发明还提供一种电子设备,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,所述处理器执行所述程序时实现上述技术方案中任一项所述的农作物种植风险预防方法的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/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,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM, Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以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各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种农作物种植风险预防方法,其特征在于,所述方法包括:
获取监测区域内的农作物的历史生长信息和影响生长因子信息,并对所述历史生长信息和所述影响生长因子信息进行数据预处理后,得到所述监测区域内的该农作物的历史生长数据集;
对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集;
通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到每一个所述历史影响因子特征的影响因子特征注意值;
将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息;
采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,基于所述种植风险预测信息制定相应的预防计划,并将所述预防计划发送给农业防护人员及时对所述监测范围内的该农作物施加预防措施。
2.根据权利要求1所述的农作物种植风险预防方法,其特征在于,所述对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集,具体包括:
确定所述长短期记忆网络LSTM中输入的节点数、隐藏层神经元的个数和输出结果;
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘,得到所述农作物的历史影响生长因子特征集,其中,所述细胞状态由所述长短期记忆网络LSTM中的输入门和遗忘门共同决定。
3.如权利要求1所述的农作物种植风险预防方法,其特征在于,所述通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到所述历史影响因子特征的影响因子特征注意值,具体包括:
将所述历史影响生长因子特征集中的每一个历史影响因子特征经过所述协同注意力网络中的自我注意模块,得到所述历史影响因子特征对应的第一影响因子特征;
将所述历史影响生长因子特征集中的每一个历史影响因子特征通过所述协同注意力网络中的关系注意模块,得到所述历史影响因子特征对应的第二影响因子特征;
利用所述关系注意模块,将所述第一影响因子特征和所述第二影响因子特征进行协同注意,得到所述历史影响因子特征的影响因子特征注意值。
4.如权利要求1所述的农作物种植风险预防方法,其特征在于,所述将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息,具体包括:
将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集;
将所述历史影响生长因子特征集输入至所述农作物种植风险预测模型中的dropout全连接层,得到所述监测区域内的该农作物的种植风险预测信息,其中,在交叉熵损失函数中设置正则项,其中所述农作物种植风险预测模型是将神经网络进行训练得到的。
5.如权利要求1所述的农作物种植风险预防方法,其特征在于,所述采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,具体包括:
在所述监测区域内设置多个采集传感器,采集所述农作物的实时生长信息,所述实时生长信息包括所述农作物的生长高度信息和叶片的图片信息;
将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,并根据所述相似度值确定所述农作物的生长阶段;
从所述农作物的种植风险预测信息中,获取所对应的生长阶段的风险预测信息,从而得到所述监测区域的该农作物的种植风险预测信息。
6.一种农作物种植风险预防装置,其特征在于,所述装置包括:
第一采集模块,用于获取监测区域内的农作物的历史生长信息和影响生长因子信息,并对所述历史生长信息和所述影响生长因子信息进行数据预处理后,得到所述监测区域内的该农作物的历史生长数据集;
特征提取模块,用于对所述历史生长数据集利用长短期记忆网络LSTM,进行特征提取,得到与时间序列相关的该农作物的历史影响生长因子特征集;
处理模块,用于通过协同注意力网络依次将所述历史影响生长因子特征集中的每一个历史影响因子特征进行信息融合后,得到每一个所述历史影响因子特征的影响因子特征注意值;
预测模块,用于将每一个所述影响因子特征注意值附加到所述历史影响生长因子特征集后,将所述历史影响生长因子特征集输入到农作物种植风险预测模型中,得到所述监测区域内的该农作物的种植风险预测信息;
预防措施模块,用于采集所述监测区域的农作物的实时生长信息、将所述实时生长信息与所述历史生长信息进行相似度计算,得到相似度值,根据所述相似度值和所述种植风险预测信息,确定所述监测区域的该农作物的种植风险预测信息,基于所述种植风险预测信息制定相应的预防计划,并将所述预防计划发送给农业防护人员及时对所述监测范围内的该农作物施加预防措施。
7.根据权利要求6所述的农作物种植风险预防装置,其特征在于,
所述特征提取模块,具体用于确定所述长短期记忆网络LSTM中输入的节点数、隐藏层神经元的个数和输出结果;
由tanh函数更新过的细胞状态和经过sigmoid的输出门相乘,得到所述农作物的历史影响生长因子特征集,其中,所述细胞状态由所述长短期记忆网络LSTM中的输入门和遗忘门共同决定。
8.如权利要求6所述的农作物种植风险预防装置,其特征在于,
所述处理模块,具体用于将所述历史影响生长因子特征集中的每一个历史影响因子特征经过所述协同注意力网络中的自我注意模块,得到所述历史影响因子特征对应的第一影响因子特征;
将所述历史影响生长因子特征集中的每一个历史影响因子特征通过所述协同注意力网络中的关系注意模块,得到所述历史影响因子特征对应的第二影响因子特征;
利用所述关系注意模块,将所述第一影响因子特征和所述第二影响因子特征进行协同注意,得到所述历史影响因子特征的影响因子特征注意值。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-5中任一项所述的农作物种植风险预防方法的步骤。
10.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至5中任一项所述的农作物种植风险预防方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226442.2A CN114298615A (zh) | 2022-03-09 | 2022-03-09 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210226442.2A CN114298615A (zh) | 2022-03-09 | 2022-03-09 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114298615A true CN114298615A (zh) | 2022-04-08 |
Family
ID=80978602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210226442.2A Pending CN114298615A (zh) | 2022-03-09 | 2022-03-09 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114298615A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307266A (zh) * | 2023-05-15 | 2023-06-23 | 山东建筑大学 | 作物生长预测方法、装置、电子设备及存储介质 |
CN116569819A (zh) * | 2023-07-13 | 2023-08-11 | 南京佳格耕耘科技有限公司 | 一种农田监测预警*** |
CN117933676A (zh) * | 2024-03-25 | 2024-04-26 | 江苏酷班科技有限公司 | 一种农业种植管理*** |
CN117952497A (zh) * | 2024-03-25 | 2024-04-30 | 江苏酷班科技有限公司 | 一种农业物流管理*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9563852B1 (en) * | 2016-06-21 | 2017-02-07 | Iteris, Inc. | Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data |
CN107767032A (zh) * | 2017-09-27 | 2018-03-06 | 北京农业信息技术研究中心 | 一种农田土壤重金属污染决策***及方法 |
CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
CN109886207A (zh) * | 2019-02-25 | 2019-06-14 | 上海交通大学 | 基于图像风格迁移的广域监测***及方法 |
CN110826531A (zh) * | 2019-11-26 | 2020-02-21 | 李月权 | 基于图像识别的无人植物培养***、装置及方法 |
CN111373425A (zh) * | 2017-11-21 | 2020-07-03 | 克莱米特公司 | 对农艺田地上作物上的病害的数字建模 |
CN113418509A (zh) * | 2021-05-20 | 2021-09-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种用于农业的自动对靶检测装置及检测方法 |
CN113807469A (zh) * | 2021-11-16 | 2021-12-17 | 中国科学院理化技术研究所 | 一种多能源用户价值预测方法、装置、存储介质和设备 |
CN113822469A (zh) * | 2021-08-30 | 2021-12-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于土壤病原菌的风险预测方法、***及可存储介质 |
-
2022
- 2022-03-09 CN CN202210226442.2A patent/CN114298615A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9563852B1 (en) * | 2016-06-21 | 2017-02-07 | Iteris, Inc. | Pest occurrence risk assessment and prediction in neighboring fields, crops and soils using crowd-sourced occurrence data |
CN107767032A (zh) * | 2017-09-27 | 2018-03-06 | 北京农业信息技术研究中心 | 一种农田土壤重金属污染决策***及方法 |
CN111373425A (zh) * | 2017-11-21 | 2020-07-03 | 克莱米特公司 | 对农艺田地上作物上的病害的数字建模 |
CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
CN109886207A (zh) * | 2019-02-25 | 2019-06-14 | 上海交通大学 | 基于图像风格迁移的广域监测***及方法 |
CN110826531A (zh) * | 2019-11-26 | 2020-02-21 | 李月权 | 基于图像识别的无人植物培养***、装置及方法 |
CN113418509A (zh) * | 2021-05-20 | 2021-09-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种用于农业的自动对靶检测装置及检测方法 |
CN113822469A (zh) * | 2021-08-30 | 2021-12-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于土壤病原菌的风险预测方法、***及可存储介质 |
CN113807469A (zh) * | 2021-11-16 | 2021-12-17 | 中国科学院理化技术研究所 | 一种多能源用户价值预测方法、装置、存储介质和设备 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307266A (zh) * | 2023-05-15 | 2023-06-23 | 山东建筑大学 | 作物生长预测方法、装置、电子设备及存储介质 |
CN116569819A (zh) * | 2023-07-13 | 2023-08-11 | 南京佳格耕耘科技有限公司 | 一种农田监测预警*** |
CN116569819B (zh) * | 2023-07-13 | 2023-09-08 | 南京佳格耕耘科技有限公司 | 一种农田监测预警*** |
CN117933676A (zh) * | 2024-03-25 | 2024-04-26 | 江苏酷班科技有限公司 | 一种农业种植管理*** |
CN117952497A (zh) * | 2024-03-25 | 2024-04-30 | 江苏酷班科技有限公司 | 一种农业物流管理*** |
CN117933676B (zh) * | 2024-03-25 | 2024-05-24 | 江苏酷班科技有限公司 | 一种农业种植管理*** |
CN117952497B (zh) * | 2024-03-25 | 2024-05-31 | 江苏酷班科技有限公司 | 一种农业物流管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113095555B (zh) | 基于物联网的农作物病虫害监控方法、***及存储介质 | |
CN114298615A (zh) | 一种农作物种植风险预防方法、装置、存储介质和设备 | |
WO2019081567A1 (de) | Ertragsabschätzung beim anbau von kulturpflanzen | |
Campos | Banana production in Venezuela: Novel solutions to productivity and plant health | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN112116206A (zh) | 一种基于大数据的智慧农业*** | |
CN117322214A (zh) | 一种基于神经网络的农作物肥料精准施用方法与*** | |
CN111754045A (zh) | 一种基于果树生长的预测*** | |
WO2019038325A1 (de) | Ertragsabschätzung beim anbau von kulturpflanzen | |
CN114911174A (zh) | 一种植物仿生的方法和装置 | |
Shah et al. | Crop yield prediction using remote sensing and meteorological data | |
CN112364710B (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
CN113377141A (zh) | 一种人工智能农业自动管理*** | |
WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
CN105184234B (zh) | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 | |
CN116818002A (zh) | 一种基于大数据的智慧农业种植监控*** | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及*** | |
Swetha et al. | Agriculture cloud system based emphatic data analysis and crop yield prediction using hybrid artificial intelligence | |
CN112164041A (zh) | 基于多尺度深度神经网络的黄龙病自动诊疗***及方法 | |
AU2021100096A4 (en) | Ai-based crop recommendation system for smart farming towards agriculture 5.0 | |
Gunasekara et al. | Expert prediction system for spice plants grown in Sri Lanka: An incentive for planters | |
CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
Fondaj et al. | Proposal of Prediction Model for Smart Agriculture Based on IoT Sensor Data | |
Sathish et al. | A Review on Smart Farming based on Soil and Environmental Factors with Deep Learning Techniques |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220408 |