CN114821253B - 一种喷滴灌水肥一体化***的适用性调控方法及*** - Google Patents
一种喷滴灌水肥一体化***的适用性调控方法及*** Download PDFInfo
- Publication number
- CN114821253B CN114821253B CN202210271475.9A CN202210271475A CN114821253B CN 114821253 B CN114821253 B CN 114821253B CN 202210271475 A CN202210271475 A CN 202210271475A CN 114821253 B CN114821253 B CN 114821253B
- Authority
- CN
- China
- Prior art keywords
- crop
- growth
- characteristic
- irrigation
- obtaining
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/005—Following a specific plan, e.g. pattern
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
- A01C23/007—Metering or regulating systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/22—Improving land use; Improving water use or availability; Controlling erosion
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Soil Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Environmental Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种喷滴灌水肥一体化***的适用性调控方法及***,其中,所述方法包括:对可视化图像信息进行图像识别,确定第一种植作物的作物品种特征、种植地形特征和经济价值特征;获得作物品种特征、种植地形特征,经济价值特征的作物卷积特征;对作物卷积特征进行特征融合,获得第一作物灌溉特征;将第一作物灌溉特征进行灌溉模式匹配,获得第一作物灌溉模式,其中,所述第一作物灌溉模式包括第一作业参数;将第一作物灌溉模式和生长情况信息输入作业分析模型中,获得第一作业分析结果;根据第一作业分析结果对所述第一作业参数进行参数调控。解决了现有技术对灌溉参数的选择调整不够准确,导致影响作物种植效果的技术问题。
Description
技术领域
本发明涉及农业控制领域,尤其涉及一种喷滴灌水肥一体化***的适用性调控方法及***。
背景技术
水肥一体化技术是将灌水和施肥融为一体的农业新技术,水肥一体化的大面积推广应用,可提高经济效益和社会效益。众所周知,以色列因喷滴灌技术在世界享有盛誉,近年来新疆兵团在引进吸收以色列滴灌技术的同时,逐渐认识到了该技术需要针对特定的应用场景进行优化调整,而这一应用场景最显著的差别体现在种植主体上,如以色列以设施农业为主,而我国则主要以大田推广应用为主,为此经过多年的科研实践我国又创新的形成了具有自主特色的膜下滴灌水肥一体化技术。
然而,现有技术仍存在水和肥料利用率低的问题,具体地表现在对灌溉参数的选择调整不够准确,导致影响作物种植效果的技术问题。
发明内容
本申请通过提供一种喷滴灌水肥一体化***的适用性调控方法及***,解决了现有技术对灌溉参数的选择调整不够准确,导致影响作物种植效果的技术问题,达到通过喷滴灌水肥一体化***对种植作物进行实时监控,以此对作物进行灌溉模式的个性化匹配,结合作物生长情况对灌溉作业参数适应性调整,提高灌溉参数选择精确度,进而保证作物种植智能化和种植效果的技术效果。
鉴于上述问题,本发明提供了一种喷滴灌水肥一体化***的适用性调控方法及***。
第一方面,本申请提供了一种喷滴灌水肥一体化***的适用性调控方法,所述方法包括:通过喷滴灌水肥一体化***,获得第一种植作物的可视化图像信息;对所述可视化图像信息进行图像识别,确定所述第一种植作物的作物品种特征、种植地形特征和经济价值特征;获得所述作物品种特征的第一作物卷积特征、所述种植地形特征的第二作物卷积特征,所述经济价值特征的第三作物卷积特征;对所述第一作物卷积特征、所述第二作物卷积特征和所述第三作物卷积特征进行特征融合,获得第一作物灌溉特征;将所述第一作物灌溉特征进行灌溉模式匹配,获得第一作物灌溉模式,其中,所述第一作物灌溉模式包括第一作业参数;获得所述第一种植作物的生长情况信息,将所述第一作物灌溉模式和所述生长情况信息输入作业分析模型中,获得第一作业分析结果;根据所述第一作业分析结果对所述第一作业参数进行参数调控。
另一方面,本申请还提供了一种喷滴灌水肥一体化***的适用性调控***,所述***包括:第一获得单元,所述第一获得单元用于通过喷滴灌水肥一体化***,获得第一种植作物的可视化图像信息;第一确定单元,所述第一确定单元用于对所述可视化图像信息进行图像识别,确定所述第一种植作物的作物品种特征、种植地形特征和经济价值特征;第二获得单元,所述第二获得单元用于获得所述作物品种特征的第一作物卷积特征、所述种植地形特征的第二作物卷积特征,所述经济价值特征的第三作物卷积特征;第三获得单元,所述第三获得单元用于对所述第一作物卷积特征、所述第二作物卷积特征和所述第三作物卷积特征进行特征融合,获得第一作物灌溉特征;第四获得单元,所述第四获得单元用于将所述第一作物灌溉特征进行灌溉模式匹配,获得第一作物灌溉模式,其中,所述第一作物灌溉模式包括第一作业参数;第五获得单元,所述第五获得单元用于获得所述第一种植作物的生长情况信息,将所述第一作物灌溉模式和所述生长情况信息输入作业分析模型中,获得第一作业分析结果;第一调控单元,所述第一调控单元用于根据所述第一作业分析结果对所述第一作业参数进行参数调控。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。
本申请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:
由于采用了对***采集得到的可视化图像信息进行图像识别,确定种植作物的作物品种特征、种植地形特征和经济价值特征,并对各特征进行卷积计算,将计算得到的各卷积特征进行特征融合,再将各卷积特征融合后的作物灌溉特征进行灌溉模式匹配,获得相应的作物灌溉模式,将作物灌溉模式结合作物的生长情况信息输入作业分析模型中,最后根据作业分析结果对种植作物的作业参数进行参数调控的技术方案。进而达到通过喷滴灌水肥一体化***对种植作物进行实时监控,以此对作物进行灌溉模式的个性化匹配,结合作物生长情况对灌溉作业参数适应性调整,提高灌溉参数选择精确度,进而保证作物种植智能化和种植效果的技术效果。
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为本申请一种喷滴灌水肥一体化***的适用性调控方法的流程示意图;
图2为本申请一种喷滴灌水肥一体化***的适用性调控方法中对可视化图像信息进行图像识别的流程示意图;
图3为本申请一种喷滴灌水肥一体化***的适用性调控方法中将作物生长特征进行对比的流程示意图;
图4为本申请一种喷滴灌水肥一体化***的适用性调控方法中将作物生长特征向量进行对比的流程示意图;
图5为本申请一种喷滴灌水肥一体化***的适用性调控***的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一确定单元12,第二获得单元13,第三获得单元14,第四获得单元15,第五获得单元16,第一调控单元17,总线1110,处理器1120,收发器1130,总线接口1140,存储器1150,操作***1151,应用程序1152和用户接口1160。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的***、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行***、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一
如图1所示,本申请提供了一种喷滴灌水肥一体化***的适用性调控方法,所述方法包括:
步骤S100:通过喷滴灌水肥一体化***,获得第一种植作物的可视化图像信息;
具体而言,水肥一体化技术是将浇水和施肥融为一体的农业新技术,具有省肥节水、省工省力、省时省电、增产高效的特点,相比传统的大水漫灌,可以节水、省肥、降低人工成本,提高水和肥料的利用率,因此对水肥一体化的大面积推广应用,可提高经济效益和社会效益。所述喷滴灌水肥一体化***具有多种灌溉模式,用于对种植作物的灌溉参数进行具体选择分析,且该***包括图像采集装置,例如摄像机,对种植作物图像进行采集。
所述第一种植作物是需要进行监测灌溉的农作物资源,是农业上栽培的各种植物,包括粮食作物,包括水稻、豆类、薯类、青稞、蚕豆、小麦等;经济作物,包括油籽、蔓青、大芥、花生、萝卜、白菜、芹菜、韭菜、青梅、苹果、桃、玉米等。基于不同生长过程中的种植作物形态信息,采集获得所述第一种植作物的可视化图像信息,所述可视化图像信息包括所述第一种植作物的形态、尺寸、种植方式、种植面积等,为后续种植作物识别提供图像基础。
步骤S200:对所述可视化图像信息进行图像识别,确定所述第一种植作物的作物品种特征、种植地形特征和经济价值特征;
如图2所示,进一步而言,所述对所述可视化图像信息进行图像识别,本申请步骤S200还包括:
步骤S210:通过大数据获得已知作物图像信息集和未知作物图像信息集;
步骤S220:基于生成对抗网络对所述已知作物图像信息集和所述未知作物图像信息集进行图像增强;
步骤S230:根据图像增强后的所述已知作物图像信息集和所述未知作物图像信息集,通过一维卷积残差网络进行建模,获得作物识别模型;
步骤S240:基于所述作物识别模型,对所述可视化图像信息进行图像识别。
具体而言,对所述可视化图像信息进行图像识别,具体步骤为通过大数据获得已知作物图像信息集和未知作物图像信息集,其中作物图像信息集包括各品种种植作物的生长过程的颜色、形态等图像信息,通过大数据获取得到的数据信息更加全面丰富,海量和多样化,具有更强的决策力、洞察发现力和流程优化能力。生成式对抗网络(GAN,GenerativeAdversarial Networks)是一种深度学习模型,主要包括用于判断数据是不是真数据的判别器和用于凭空捏造数据的生成器。基于生成对抗网络对所述已知作物图像信息集和所述未知作物图像信息集进行图像增强,即用所述生成对抗网络中的生成器来构建后续作物识别模型时要用的基础数据信息集。
由于真实环境下既存在已知作物图像,又存在未知作物图像,因此,基于图像增强后的所述已知作物图像信息集和所述未知作物图像信息集进行模型构建。首先将一维卷积层的输出串联残差块,并将残差块的输出连接一维卷积层,如此,构建获得一维卷积残差网络,再基于图像增强后的所述已知作物图像信息集和所述未知作物图像信息集,进行训练数据集和验证数据集的划分,对所述一维卷积残差网络进行训练,训练完毕后得到所述作物识别模型。其中,所述一维卷积残差网络的卷积核是一维的卷积神经网络模型,利用残差结构提高了所述作物识别模型的性能。
在进行作物图像识别的过程中,将所述可视化图像信息输入所述作物识别模型中,便可获得所述模型的训练输出结果即所述第一种植作物的特征信息,包括所述第一种植作物的作物品种特征、种植地形特征和经济价值特征。所述作物品种特征是种植作物的类型,例如水稻、豆类、玉米等;所述种植地形特征是作物的种植地势地形以及种植地土壤成分,不同的地形适合不同的农业种植类型;所述经济价值特征是种植作物的经济价值,经济价值较高,灌溉的投资成本也相应提高。通过利用生成对抗网络构建作物识别模型,能够快速识别提取种植作物的图像特征,保证模型输出准确性,进而提高作物特征的提取效率和提取准确率。
步骤S300:获得所述作物品种特征的第一作物卷积特征、所述种植地形特征的第二作物卷积特征,所述经济价值特征的第三作物卷积特征;
步骤S400:对所述第一作物卷积特征、所述第二作物卷积特征和所述第三作物卷积特征进行特征融合,获得第一作物灌溉特征;
具体而言,通过卷积神经网络分别对所述第一种植作物进行卷积特征提取,卷积神经网络,从字面上包括两个部分:卷积+神经网络。其中,卷积就是特征提取器,而神经网络,可以看作分类器。训练一个卷积神经网络,就是同时训练了特征提取器(卷积)和后面的分类器(神经网络)。分别获得所述作物品种特征的第一作物卷积特征、所述种植地形特征的第二作物卷积特征和所述经济价值特征的第三作物卷积特征,通过所述第一作物卷积特征、所述第二作物卷积特征和所述第三作物卷积特征的卷积计算结果,获得特征融合后的所述第一作物灌溉特征。
所述第一作物灌溉特征是所述第一种植作物的适用灌溉模式,主要包括喷灌和滴灌,喷灌是借助水泵和管道***或利用自然水源的落差,把具有一定压力的水喷到空中,散成小水滴或形成弥雾降落到植物上和地面上的灌溉方式;滴灌是将一定低压的灌溉水,通过低压输、配水管道,输送到设施内最末级管道以及安装在其上的滴头,以较小的流量一滴滴均匀而准确地滴入作物根区附近的土壤表面或作物根系所在的土壤层中的灌溉方法,是局部灌溉法,具有节水、节肥、省工的优点。种植作物的作物品种特征、种植地形特征和经济价值特征不同,对应的灌溉特征也不同。通过卷积神经网络对作物特征进行提取计算,使得作物特征提取结果更加准确合理,从而使得后续对作物灌溉模式匹配更加准确高效。
步骤S500:将所述第一作物灌溉特征进行灌溉模式匹配,获得第一作物灌溉模式,其中,所述第一作物灌溉模式包括第一作业参数;
具体而言,将所述第一作物灌溉特征进行灌溉模式匹配,具体选择根据实际情况来决定,结合地形、作物品种、经济价值特征进行选择。一般来说,喷灌是进行全面灌溉,温室蔬菜大田作物采用滴灌比较好,园林绿化、观赏植物、大田作物等通常采用喷灌,喷灌不宜在多风地区使用,设施蔬菜一般不宜采用喷灌。滴灌较合适用于设施园艺、温室、大棚的果树、蔬菜以及经济作物灌溉,根据具体情况进行相应灌溉方式选择,也可二者结合进行使用。所述第一作业参数包括肥料种类、施肥频次、灌溉方式、水肥剂量和配比等,以保证为种植作物选择合理准确的作业参数。
步骤S600:获得所述第一种植作物的生长情况信息,将所述第一作物灌溉模式和所述生长情况信息输入作业分析模型中,获得第一作业分析结果;
如图3所示,进一步而言,所述获得所述第一种植作物的生长情况信息,本申请步骤S600还包括:
步骤S610:通过传感器组对所述第一种植作物的生长环境进行信息采集,获得第一生长环境信息;
步骤S620:基于所述作物品种特征对所述第一种植作物进行生长阶段分级,获得第一作物生长阶段;
步骤S630:通过图像采集装置获得所述第一作物的生长图像信息,对所述生长图像信息进行识别分析,获得第一作物生长特征;
步骤S640:将所述第一作物生长阶段的预设生长特征和所述第一作物生长特征进行对比,获得所述第一种植作物的生长情况信息。
具体而言,通过传感器组对所述第一种植作物的生长环境进行信息采集,所述传感器组包括温度传感器、湿度传感器、光照传感器、水分含量传感器等,获得采集得到的第一生长环境信息,所述第一生长环境信息是作物的具体种植环境信息。基于所述作物品种特征对所述第一种植作物进行生长阶段分级,获得对应的作物生长阶段,例如水稻生长阶段主要包括幼苗期、分蘖期、抽穗期、结实期。
通过***设置的图像采集装置,例如摄像机对获得所述第一作物的生长图像信息进行采集,再对所述生长图像信息进行识别分析,获得第一作物生长特征,所述第一作物生长特征是作物实时生长状态,包括形态、颜色、生长高度等。将所述第一作物生长阶段的预设生长特征,所述预设生长特征是种植作物在当前生长阶段的合格生长状态,以此和所述第一作物生长特征进行对比,获得所述第一种植作物的生长情况信息,所述生长情况信息用于表明种植作物的当前生长状态是否达标,例如营养不良、营养过剩等。
将所述第一作物灌溉模式和所述生长情况信息输入作业分析模型中,所述作业分析模型为循环神经网络模型,用于根据种植作物的生长状态进行对应的作业参数设置,获得所述模型的训练输出结果即第一作业分析结果,所述第一作业分析结果包括对当前参数的作用效果分析以及作业参数设置的调整措施。通过结合作物的实时生长情况对灌溉参数进行分析,保证分析结果的准确性和合理性,提高分析效率,进而提高灌溉参数选择精确度。
步骤S700:根据所述第一作业分析结果对所述第一作业参数进行参数调控。
具体而言,根据所述第一作业分析结果对所述第一作业参数进行参数调控,例如作物营养不良,需要对水肥配比进行调整,或是增加作物的灌溉次数和灌溉时间,或是在灌溉施肥时调整施肥施加节点和施肥时长。通过喷滴灌水肥一体化***对种植作物进行实时监控,以此对作物进行灌溉模式的个性化匹配,结合作物生长情况对灌溉作业参数适应性调整,提高灌溉参数选择精确度,进而保证作物种植智能化和种植效果。
如图4所示,进一步而言,本申请步骤S640还包括:
步骤S641:获得作物生长特征参数,所述作物生长特征参数包括生长尺寸、表面色泽、病斑情况;
步骤S642:根据所述作物生长特征参数,构建作物生长特征坐标系,其中,所述作物生长特征坐标系为三维坐标系;
步骤S643:将所述第一作物生长特征输入所述作物生长特征坐标系中,获得第一作物生长特征向量;
步骤S644:将预设生长特征向量和所述第一作物生长特征向量进行对比,获得所述第一种植作物的生长情况信息。
具体而言,所述作物生长特征参数是种植作物生长阶段生长情况的评判标准,包括生长尺寸,作物的生长高度、形态、长势等;表面色泽,不同生长阶段作物对应的颜色也不同,表明作物的生长质量;病斑情况,受生长环境以及种植条件,作物会因细菌、病毒等影响出现病斑,进而影响作物生长。根据所述作物生长特征参数,构建作物生长特征坐标系,所述物料优先坐标系为三维坐标系,坐标轴为作物生长特征参数,即生长尺寸、表面色泽、病斑情况。
将所述第一作物生长特征输入所述作物生长特征坐标系中,获得对应的第一作物生长特征向量,所述第一作物生长特征向量表明了作物的生长特征情况。所述预设生长特征向量是将所述第一作物生长阶段的预设生长特征将预设生长特征向量输入所述作物生长特征坐标系的向量结果。将预设生长特征向量和所述第一作物生长特征向量进行对比,获得所述第一种植作物的生长情况信息,所述生长情况信息用于表明种植作物的当前生长状态是否达标。通过构建特征坐标系对作物生长特征向量进行对比,使得作物生长情况的判断更加准确合理,从而保证作物种植生长效果。
进一步而言,本申请步骤S644还包括:
步骤S6441:将所述第一作物生长阶段的预设生长特征输入所述作物生长特征坐标系中,获得所述预设生长特征向量;
步骤S6442:基于所述第一作物生长特征向量的模,获得第一作物生长特征值;
步骤S6443:根据所述预设生长特征向量的模,获得预设生长特征值;
步骤S6444:基于所述第一作物生长特征值和所述预设生长特征值的差值,确定所述第一种植作物的生长情况信息。
具体而言,将所述第一作物生长阶段的预设生长特征输入所述作物生长特征坐标系中,获得对应的所述预设生长特征向量。基于所述第一作物生长特征向量的模,获得第一作物生长特征值,所述第一作物生长特征值用于表明作物生长程度,特征值越大,表明作物的生长状态越好。相应的,根据所述预设生长特征向量的模,获得对应的预设生长特征值,即作物生长状态标准值。基于所述第一作物生长特征值和所述预设生长特征值的差值,确定所述第一种植作物的生长情况信息,所述第一作物生长特征值和所述预设生长特征值的差值越小,表明作物的生长状态越好,对应的生长情况也就越好。通过构建特征坐标系对作物生长特征向量进行具体数值化对比,使得作物生长情况的判断更加准确合理,从而保证作物种植生长效果。
进一步而言,本申请步骤还包括:
步骤S810:通过电导率测试装置对所述第一种植作物进行监测,获得第一作物施肥状况;
步骤S820:根据所述第一作物施肥状况对所述第一作业分析结果进行补充修正,获得第二作业分析结果;
步骤S830:根据所述第二作业分析结果和预期生长目标,获得营养补充系数;
步骤S840:基于所述营养补充系数,对所述第一作业参数进行参数调控。
具体而言,由于水肥一体化所采用的肥料为可溶性固体或液体肥料,按土壤养分含量和作物种类的需肥规律和特点,配兑成的肥液与灌溉水一起灌溉。因此通过电导率测试装置即电导率传感器对所述第一种植作物的生长土壤进行监测,用来测量液体肥料或种植介质中的可溶性离子浓度,获得所测量的第一作物施肥状况。所述第一作物施肥状况用于表明作物的施肥程度,电导率越大,表明土壤里的施肥量越大。根据所述第一作物施肥状况对所述第一作业分析结果进行补充修正,获得修正后的第二作业分析结果。
所述预期生长目标是种植作物需要达到的生长效果,例如种植早季节大棚草莓就需要进行营养补充,根据所述第二作业分析结果和预期生长目标,获得营养补充系数,所述营养补充系数是为达到预期目标需要补充的营养,包括肥料、水分等。基于所述营养补充系数,对所述第一作业参数进行参数调控,例如为种植得到早季节草莓,进行肥料配比调整、灌溉次数增加、肥料种类补充等。结合作物施肥状况和预期目标进行作业参数的适应性调整,提高灌溉参数选择精确度,进而保证作物种植智能化和达到预期种植效果。
进一步而言,本申请步骤还包括:
步骤S910:获得循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
步骤S920:将历史作物灌溉模式和历史作物生长情况信息作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
步骤S930:将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,将历史作业分析结果作为标识信息依次迭代训练,构建所述作业分析模型。
具体而言,为对种植作物的灌溉作业参数进行更准确高效的适应性调控,构建作业分析模型,所述作业分析模型为循环神经网络模型,用于根据种植作物的生长状态进行对应的作业参数设置。循环神经网络是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络,包括输入层,隐藏层和输出层。循环神经网络内处理层处理输入信息的过程中,其除了根据当前输入信息进行处理以外,还会保存上一时序的输出信息,将该输出信息作为当前时序的输入信息一同进行处理,进而得到输出,而随着时序的推进,处理层是不断更新的。
循环神经网络通过使用带自反馈的神经元,使得网络的输出不仅和当前的输入有关,还和上一时刻的输出相关,于是在处理任意长度的时序数据时,就具有短期记忆能力。所述初始隐藏层值可通过自定义的方式进行获得,基于所述初始隐藏层值获得第一输入权重矩阵,在处理的过程中,当前输入信息和上个时序的输出信息按照一定权重比值进行输出信息的预测,即为上述的权重矩阵,且在处理层更新的过程中,该权重矩阵内的权重值是稳定不变的。
为保证模型评估准确性,将多组历史作物灌溉模式和历史作物生长情况信息作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练,将每次的输入层和上一次的隐藏层作为每次的隐藏层,此处的每次的隐藏层即为所述下一次隐藏层值,将对应的历史作业分析结果作为标识信息即输出结果。通过依次迭代训练,当循环神经网络的输出结果达到一定的准确率或收敛时,完成监督训练,构建所述作业分析模型。基于所述作业分析模型,获得输出的所述第一作业分析结果。通过构建作业分析模型对灌溉作业参数进行分析,保证分析结果的准确性和合理性,提高分析效率,进而提高灌溉参数选择精确度。
综上所述,本申请所提供的一种喷滴灌水肥一体化***的适用性调控方法及***具有如下技术效果:
由于采用了对***采集得到的可视化图像信息进行图像识别,确定种植作物的作物品种特征、种植地形特征和经济价值特征,并对各特征进行卷积计算,将计算得到的各卷积特征进行特征融合,再将各卷积特征融合后的作物灌溉特征进行灌溉模式匹配,获得相应的作物灌溉模式,将作物灌溉模式结合作物的生长情况信息输入作业分析模型中,最后根据作业分析结果对种植作物的作业参数进行参数调控的技术方案。进而达到通过喷滴灌水肥一体化***对种植作物进行实时监控,以此对作物进行灌溉模式的个性化匹配,结合作物生长情况对灌溉作业参数适应性调整,提高灌溉参数选择精确度,通过该监测与调控***,使得养分更加集中在作物根区,进而保证作物种植智能化和种植效果的技术效果,提高养分利用率和作物产量。
实施例二
基于与前述实施例中一种喷滴灌水肥一体化***的适用性调控方法同样发明构思,本发明还提供了一种喷滴灌水肥一体化***的适用性调控***,如图5所示,所述***包括:
第一获得单元11,所述第一获得单元11用于通过喷滴灌水肥一体化***,获得第一种植作物的可视化图像信息;
第一确定单元12,所述第一确定单元12用于对所述可视化图像信息进行图像识别,确定所述第一种植作物的作物品种特征、种植地形特征和经济价值特征;
第二获得单元13,所述第二获得单元13用于获得所述作物品种特征的第一作物卷积特征、所述种植地形特征的第二作物卷积特征,所述经济价值特征的第三作物卷积特征;
第三获得单元14,所述第三获得单元14用于对所述第一作物卷积特征、所述第二作物卷积特征和所述第三作物卷积特征进行特征融合,获得第一作物灌溉特征;
第四获得单元15,所述第四获得单元15用于将所述第一作物灌溉特征进行灌溉模式匹配,获得第一作物灌溉模式,其中,所述第一作物灌溉模式包括第一作业参数;
第五获得单元16,所述第五获得单元16用于获得所述第一种植作物的生长情况信息,将所述第一作物灌溉模式和所述生长情况信息输入作业分析模型中,获得第一作业分析结果;
第一调控单元17,所述第一调控单元17用于根据所述第一作业分析结果对所述第一作业参数进行参数调控。
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通过大数据获得已知作物图像信息集和未知作物图像信息集;
第一增强单元,所述第一增强单元用于基于生成对抗网络对所述已知作物图像信息集和所述未知作物图像信息集进行图像增强;
第七获得单元,所述第七获得单元用于根据图像增强后的所述已知作物图像信息集和所述未知作物图像信息集,通过一维卷积残差网络进行建模,获得作物识别模型;
第一识别单元,所述第一识别单元用于基于所述作物识别模型,对所述可视化图像信息进行图像识别。
进一步的,所述***还包括:
第八获得单元,所述第八获得单元用于通过传感器组对所述第一种植作物的生长环境进行信息采集,获得第一生长环境信息;
第九获得单元,所述第九获得单元用于基于所述作物品种特征对所述第一种植作物进行生长阶段分级,获得第一作物生长阶段;
第十获得单元,所述第十获得单元用于通过图像采集装置获得所述第一作物的生长图像信息,对所述生长图像信息进行识别分析,获得第一作物生长特征;
第十一获得单元,所述第十一获得单元用于将所述第一作物生长阶段的预设生长特征和所述第一作物生长特征进行对比,获得所述第一种植作物的生长情况信息。
进一步的,所述***还包括:
第十二获得单元,所述第十二获得单元用于获得作物生长特征参数,所述作物生长特征参数包括生长尺寸、表面色泽、病斑情况;
第一构建单元,所述第一构建单元用于根据所述作物生长特征参数,构建作物生长特征坐标系,其中,所述作物生长特征坐标系为三维坐标系;
第十三获得单元,所述第十三获得单元用于将所述第一作物生长特征输入所述作物生长特征坐标系中,获得第一作物生长特征向量;
第十四获得单元,所述第十四获得单元用于将预设生长特征向量和所述第一作物生长特征向量进行对比,获得所述第一种植作物的生长情况信息。
进一步的,所述***还包括:
第十五获得单元,所述第十五获得单元用于将所述第一作物生长阶段的预设生长特征输入所述作物生长特征坐标系中,获得所述预设生长特征向量;
第十六获得单元,所述第十六获得单元用于基于所述第一作物生长特征向量的模,获得第一作物生长特征值;
第十七获得单元,所述第十七获得单元用于根据所述预设生长特征向量的模,获得预设生长特征值;
第二确定单元,所述第二确定单元用于基于所述第一作物生长特征值和所述预设生长特征值的差值,确定所述第一种植作物的生长情况信息。
进一步的,所述***还包括:
第十八获得单元,所述第十八获得单元用于通过电导率测试装置对所述第一种植作物进行监测,获得第一作物施肥状况;
第十九获得单元,所述第十九获得单元用于根据所述第一作物施肥状况对所述第一作业分析结果进行补充修正,获得第二作业分析结果;
第二十获得单元,所述第二十获得单元用于根据所述第二作业分析结果和预期生长目标,获得营养补充系数;
第二调控单元,所述第二调控单元用于基于所述营养补充系数,对所述第一作业参数进行参数调控。
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获得循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
第一训练单元,所述第一训练单元用于将历史作物灌溉模式和历史作物生长情况信息作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
第一构建单元,所述第一构建单元用于将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,将历史作业分析结果作为标识信息依次迭代训练,构建所述作业分析模型。
前述图1实施例一中的一种喷滴灌水肥一体化***的适用性调控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喷滴灌水肥一体化***的适用性调控***,通过前述对一种喷滴灌水肥一体化***的适用性调控方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种喷滴灌水肥一体化***的适用性调控***的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、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,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
示例性电子设备
具体的,参见图6所示,本申请还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本申请中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述控制输出数据的方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本申请中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线和存储器控制器、***总线、加速图形端口、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构总线、微通道体系结构总线、扩展总线、视频电子标准协会、***部件互连总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器、网络处理器、数字信号处理器、专用集成电路、现场可编程门阵列、复杂可编程逻辑器件、可编程逻辑阵列、微控制单元或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本申请中公开的各方法、步骤和逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本申请所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件和软件模块组合执行完成。软件模块可以位于随机存取存储器、闪存、只读存储器、可编程只读存储器、可擦除可编程只读存储器、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如***设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本申请不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机装置的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本申请中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络、内联网、外联网、虚拟专用网、局域网、无线局域网、广域网、无线广域网、城域网、互联网、公共交换电话网、普通老式电话业务网、蜂窝电话网、无线网络、无线保真网络以和两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信装置、码分多址装置、全球微波互联接入装置、通用分组无线业务装置、宽带码分多址装置、长期演进装置、LTE频分双工装置、LTE时分双工装置、先进长期演进装置、通用移动通信装置、增强移动宽带装置、海量机器类通信装置、超可靠低时延通信装置等。
应理解,本申请中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器、可编程只读存储器、可擦除可编程只读存储器、电可擦除可编程只读存储器,或闪存。
易失性存储器包括:随机存取存储器,其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器、动态随机存取存储器、同步动态随机存取存储器、双倍数据速率同步动态随机存取存储器、增强型同步动态随机存取存储器、同步连接动态随机存取存储器和直接内存总线随机存取存储器。本申请描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本申请中,存储器1150存储了操作***1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作***1151包含各种装置程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务和处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器、浏览器,用于实现各种应用业务。实现本申请方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构和其他执行特定任务或实现特定抽象数据类型的计算机装置可执行指令。
此外,本申请还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述,仅为本申请的具体实施方式,但本申请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申请披露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (5)
1.一种喷滴灌水肥一体化***的适用性调控方法,其特征在于,所述方法包括:
通过喷滴灌水肥一体化***,获得第一种植作物的可视化图像信息;
对所述可视化图像信息进行图像识别,确定所述第一种植作物的作物品种特征、种植地形特征和经济价值特征,其中包括:通过大数据获得已知作物图像信息集和未知作物图像信息集;基于生成对抗网络对所述已知作物图像信息集和所述未知作物图像信息集进行图像增强;根据图像增强后的所述已知作物图像信息集和所述未知作物图像信息集,通过一维卷积残差网络进行建模,获得作物识别模型;基于所述作物识别模型,对所述可视化图像信息进行图像识别;
获得所述作物品种特征的第一作物卷积特征、所述种植地形特征的第二作物卷积特征,所述经济价值特征的第三作物卷积特征;
对所述第一作物卷积特征、所述第二作物卷积特征和所述第三作物卷积特征进行特征融合,获得第一作物灌溉特征;
将所述第一作物灌溉特征进行灌溉模式匹配,获得第一作物灌溉模式,其中,所述第一作物灌溉模式包括第一作业参数;
获得所述第一种植作物的生长情况信息,将所述第一作物灌溉模式和所述生长情况信息输入作业分析模型中,获得第一作业分析结果,其中所述获得所述第一种植作物的生长情况信息,包括:通过传感器组对所述第一种植作物的生长环境进行信息采集,获得第一生长环境信息;基于所述作物品种特征对所述第一种植作物进行生长阶段分级,获得第一作物生长阶段;通过图像采集装置获得所述第一作物的生长图像信息,对所述生长图像信息进行识别分析,获得第一作物生长特征;将所述第一作物生长阶段的预设生长特征和所述第一作物生长特征进行对比,获得所述第一种植作物的生长情况信息,还包括:获得作物生长特征参数,所述作物生长特征参数包括生长尺寸、表面色泽、病斑情况;根据所述作物生长特征参数,构建作物生长特征坐标系,其中,所述作物生长特征坐标系为三维坐标系;将所述第一作物生长特征输入所述作物生长特征坐标系中,获得第一作物生长特征向量;将预设生长特征向量和所述第一作物生长特征向量进行对比,获得所述第一种植作物的生长情况信息,还包括:将所述第一作物生长阶段的预设生长特征输入所述作物生长特征坐标系中,获得所述预设生长特征向量;基于所述第一作物生长特征向量的模,获得第一作物生长特征值;根据所述预设生长特征向量的模,获得预设生长特征值;基于所述第一作物生长特征值和所述预设生长特征值的差值,确定所述第一种植作物的生长情况信息;
根据所述第一作业分析结果对所述第一作业参数进行参数调控;
所述方法还包括:
通过电导率测试装置对所述第一种植作物进行监测,获得第一作物施肥状况;
根据所述第一作物施肥状况对所述第一作业分析结果进行补充修正,获得第二作业分析结果;
根据所述第二作业分析结果和预期生长目标,获得营养补充系数;
基于所述营养补充系数,对所述第一作业参数进行参数调控。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
获得循环神经网络的初始隐藏层值,基于所述初始隐藏层值获得第一输入权重矩阵;
将历史作物灌溉模式和历史作物生长情况信息作为输入层信息,根据所述输入层信息和所述第一输入权重矩阵对所述循环神经网络进行训练;
将所述输入层信息和所述初始隐藏层值作为下一次隐藏层值,将历史作业分析结果作为标识信息依次迭代训练,构建所述作业分析模型。
3.一种喷滴灌水肥一体化***的适用性调控***,其特征在于,所述***包括:
第一获得单元,所述第一获得单元用于通过喷滴灌水肥一体化***,获得第一种植作物的可视化图像信息;
第一确定单元,所述第一确定单元用于对所述可视化图像信息进行图像识别,确定所述第一种植作物的作物品种特征、种植地形特征和经济价值特征;
第六获得单元,所述第六获得单元用于通过大数据获得已知作物图像信息集和未知作物图像信息集;
第一增强单元,所述第一增强单元用于基于生成对抗网络对所述已知作物图像信息集和所述未知作物图像信息集进行图像增强;
第七获得单元,所述第七获得单元用于根据图像增强后的所述已知作物图像信息集和所述未知作物图像信息集,通过一维卷积残差网络进行建模,获得作物识别模型;
第一识别单元,所述第一识别单元用于基于所述作物识别模型,对所述可视化图像信息进行图像识别;
第二获得单元,所述第二获得单元用于获得所述作物品种特征的第一作物卷积特征、所述种植地形特征的第二作物卷积特征,所述经济价值特征的第三作物卷积特征;
第三获得单元,所述第三获得单元用于对所述第一作物卷积特征、所述第二作物卷积特征和所述第三作物卷积特征进行特征融合,获得第一作物灌溉特征;
第四获得单元,所述第四获得单元用于将所述第一作物灌溉特征进行灌溉模式匹配,获得第一作物灌溉模式,其中,所述第一作物灌溉模式包括第一作业参数;
第五获得单元,所述第五获得单元用于获得所述第一种植作物的生长情况信息,将所述第一作物灌溉模式和所述生长情况信息输入作业分析模型中,获得第一作业分析结果;
第八获得单元,所述第八获得单元用于通过传感器组对所述第一种植作物的生长环境进行信息采集,获得第一生长环境信息;
第九获得单元,所述第九获得单元用于基于所述作物品种特征对所述第一种植作物进行生长阶段分级,获得第一作物生长阶段;
第十获得单元,所述第十获得单元用于通过图像采集装置获得所述第一作物的生长图像信息,对所述生长图像信息进行识别分析,获得第一作物生长特征;
第十一获得单元,所述第十一获得单元用于将所述第一作物生长阶段的预设生长特征和所述第一作物生长特征进行对比,获得所述第一种植作物的生长情况信息;
第十二获得单元,所述第十二获得单元用于获得作物生长特征参数,所述作物生长特征参数包括生长尺寸、表面色泽、病斑情况;
第一构建单元,所述第一构建单元用于根据所述作物生长特征参数,构建作物生长特征坐标系,其中,所述作物生长特征坐标系为三维坐标系;
第十三获得单元,所述第十三获得单元用于将所述第一作物生长特征输入所述作物生长特征坐标系中,获得第一作物生长特征向量;
第十四获得单元,所述第十四获得单元用于将预设生长特征向量和所述第一作物生长特征向量进行对比,获得所述第一种植作物的生长情况信息;
第十五获得单元,所述第十五获得单元用于将所述第一作物生长阶段的预设生长特征输入所述作物生长特征坐标系中,获得所述预设生长特征向量;
第十六获得单元,所述第十六获得单元用于基于所述第一作物生长特征向量的模,获得第一作物生长特征值;
第十七获得单元,所述第十七获得单元用于根据所述预设生长特征向量的模,获得预设生长特征值;
第二确定单元,所述第二确定单元用于基于所述第一作物生长特征值和所述预设生长特征值的差值,确定所述第一种植作物的生长情况信息;
第一调控单元,所述第一调控单元用于根据所述第一作业分析结果对所述第一作业参数进行参数调控;
第十八获得单元,所述第十八获得单元用于通过电导率测试装置对所述第一种植作物进行监测,获得第一作物施肥状况;
第十九获得单元,所述第十九获得单元用于根据所述第一作物施肥状况对所述第一作业分析结果进行补充修正,获得第二作业分析结果;
第二十获得单元,所述第二十获得单元用于根据所述第二作业分析结果和预期生长目标,获得营养补充系数;
第二调控单元,所述第二调控单元用于基于所述营养补充系数,对所述第一作业参数进行参数调控。
4.一种喷滴灌水肥一体化***的适用性调控电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-2中任一项所述方法中的步骤。
5.一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,所述计算机程序被处理器执行时实现如权利要求1-2中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210271475.9A CN114821253B (zh) | 2022-03-18 | 2022-03-18 | 一种喷滴灌水肥一体化***的适用性调控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210271475.9A CN114821253B (zh) | 2022-03-18 | 2022-03-18 | 一种喷滴灌水肥一体化***的适用性调控方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114821253A CN114821253A (zh) | 2022-07-29 |
CN114821253B true CN114821253B (zh) | 2023-04-18 |
Family
ID=82530043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210271475.9A Active CN114821253B (zh) | 2022-03-18 | 2022-03-18 | 一种喷滴灌水肥一体化***的适用性调控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114821253B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115482467B (zh) * | 2022-09-29 | 2023-09-05 | 河南省景观规划设计研究院有限公司 | 一种智慧园林的自动灌溉*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107896949A (zh) * | 2017-11-20 | 2018-04-13 | 深圳春沐源控股有限公司 | 一种水肥灌溉自动控制方法及*** |
CN112913436A (zh) * | 2021-03-30 | 2021-06-08 | 西京学院 | 水肥一体化节水灌溉控制***、方法、介质、设备及终端 |
CN113792642A (zh) * | 2021-09-08 | 2021-12-14 | 江苏省工程勘测研究院有限责任公司 | 一种基于智能化技术的河湖生态治理数据处理方法及*** |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109284771B (zh) * | 2018-08-03 | 2020-09-15 | 中国农业大学 | 一种番茄生长模型判定方法及装置 |
CN110169336A (zh) * | 2019-06-21 | 2019-08-27 | 昆山千亿圆生物科技有限公司 | 一种大棚种植灌溉***及方法 |
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 |
CN110533547A (zh) * | 2019-09-27 | 2019-12-03 | 中国农业科学院农业信息研究所 | 果蔬水肥调控方法和装置以及计算机可读存储介质 |
CN110692338A (zh) * | 2019-10-30 | 2020-01-17 | 北京农业智能装备技术研究中心 | 水肥一体化灌溉***控制方法及水肥一体化灌溉*** |
CN111869542A (zh) * | 2020-05-22 | 2020-11-03 | 宇龙计算机通信科技(深圳)有限公司 | 植物灌溉方法、装置、存储介质及水龙头 |
CN111480554A (zh) * | 2020-06-04 | 2020-08-04 | 宁夏大学 | 农田灌区水肥气热药一体化智能灌溉*** |
CN112772384B (zh) * | 2021-01-28 | 2022-12-20 | 深圳市协润科技有限公司 | 一种基于卷积神经网络的农水灌溉***和方法 |
CN112930926A (zh) * | 2021-01-28 | 2021-06-11 | 电凯(常州)新能源技术研究院有限公司 | 一种基于深度学习的植物生产参数调优方法 |
CN113158750A (zh) * | 2021-02-04 | 2021-07-23 | 电凯(常州)新能源技术研究院有限公司 | 一种基于卷积神经网络的植物长势模型的自反馈学习评估方法 |
CN112883230A (zh) * | 2021-02-08 | 2021-06-01 | 山东省农业科学院科技信息研究所 | 马铃薯生产管理*** |
CN114088760A (zh) * | 2021-11-17 | 2022-02-25 | 新疆农业大学 | 基于苹果糖度检测用调控苹果生长的方法、***和装置 |
CN114158336A (zh) * | 2021-11-23 | 2022-03-11 | 南京南瑞信息通信科技有限公司 | 水肥一体优化控制***及方法 |
CN114170509A (zh) * | 2021-12-03 | 2022-03-11 | 杭州睿胜软件有限公司 | 植物识别方法、植物识别设备和植物识别*** |
-
2022
- 2022-03-18 CN CN202210271475.9A patent/CN114821253B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107896949A (zh) * | 2017-11-20 | 2018-04-13 | 深圳春沐源控股有限公司 | 一种水肥灌溉自动控制方法及*** |
CN112913436A (zh) * | 2021-03-30 | 2021-06-08 | 西京学院 | 水肥一体化节水灌溉控制***、方法、介质、设备及终端 |
CN113792642A (zh) * | 2021-09-08 | 2021-12-14 | 江苏省工程勘测研究院有限责任公司 | 一种基于智能化技术的河湖生态治理数据处理方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114821253A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111399508B (zh) | 智慧农业***和智慧农业方法 | |
CN111557159B (zh) | 一种带有农作物养分需求分析功能的水肥一体机控制***及其控制方法 | |
CN110909679B (zh) | 冬小麦历史种植区的休耕轮作信息遥感识别方法及*** | |
Ryan et al. | Nitrogen in rainfed and irrigated cropping systems in the Mediterranean region | |
CN114821253B (zh) | 一种喷滴灌水肥一体化***的适用性调控方法及*** | |
Avigal et al. | Simulating polyculture farming to tune automation policies for plant diversity and precision irrigation | |
CN112330149A (zh) | 一种作物管理***、方法、装置及电子设备 | |
Avigal et al. | Learning seed placements and automation policies for polyculture farming with companion plants | |
CN117236070B (zh) | 基于最佳产量的区域玉米植株磷需求量定量化获取方法 | |
Júnior et al. | Use of intercropping and mulch to improve the water and natural resources use efficiencies of forage cactus and millet production in a semiarid region | |
Marina et al. | Optimizing Soybean Cultivation Efficiency through Agricultural Technology Integration in Plant Monitoring System | |
CN112950399A (zh) | 一种山兰米种植无公害防治***及方法 | |
Ouda et al. | Increasing water productivity of faba bean grown under deficit irrigation at middle Egypt | |
Yang | Modelling phenological development, yield and quality of lucerne (Medicago sativa L.) using APSIM next generation: A thesis submitted in partial fulfillment of the requirement for the Degree of Doctor of Philosophy at Lincoln University | |
Soltani et al. | Mathematical characterization of growth of a local landrace of sorghum from Saudi Arabia | |
Jasim et al. | Effective use of fertilizers and analysis of soil using precision agriculture techniques | |
Kabir et al. | Variable fertilizer recommendation for grass production by image–based growth status | |
Medida et al. | Predictive Analytics for High-Tech Agriculture | |
CN111143601A (zh) | 一种图像处理方法 | |
Yassi et al. | Simulation and production of soybean plant growth (Glycine max (L) Merrill) using the DSSAT model with different scenarios of water supply and compost | |
El-Sadek et al. | Simulation of wheat yield using the RZWQM as affected by supplemental irrigation in the North Western Coast of Egypt | |
CN115349340B (zh) | 基于人工智能的高粱施肥控制方法及*** | |
Zha et al. | In-season calibration of the CERES-Rice model using proximal active canopy sensing data for yield prediction | |
CN109191320A (zh) | 一种农业生产管理指导方法及*** | |
Kinyanjui | Feed the crop, not the soil!: Explaining variability in maize yield responses to nutrient applications in smallholder farms of western Kenya |
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 |