CN115438934A - 一种基于区块链的农作物生长环境监测方法及*** - Google Patents

一种基于区块链的农作物生长环境监测方法及*** Download PDF

Info

Publication number
CN115438934A
CN115438934A CN202211013461.3A CN202211013461A CN115438934A CN 115438934 A CN115438934 A CN 115438934A CN 202211013461 A CN202211013461 A CN 202211013461A CN 115438934 A CN115438934 A CN 115438934A
Authority
CN
China
Prior art keywords
crop
data
constructing
model
pest
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
Application number
CN202211013461.3A
Other languages
English (en)
Inventor
王卓薇
黄焕洲
程良伦
赵艮平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202211013461.3A priority Critical patent/CN115438934A/zh
Publication of CN115438934A publication Critical patent/CN115438934A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Educational Administration (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Operations Research (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于区块链的农作物生长环境监测方法及***，该方法包括：获取地块图像数据并构建地块变化检测模型；获取农作物产量遥感数据并构建农作物产量估算模型；获取农作物病虫害图像数据并构建病虫害检测模型；获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。该***包括：地块检测模块、产量估算模块、病虫害检测模块、农作物溯源模块和监测模块。通过使用本发明，能够解决产业链数据不精准、农业灾害比较突出、农业生产精准化不佳和农产品无法溯源的问题。

Description

一种基于区块链的农作物生长环境监测方法及***
技术领域
本发明涉及农作物生长环境监测领域，尤其涉及一种基于区块链的农作物生长环境监测方法及***。
背景技术
随着信息技术的***式发展，互联网的渗透颠覆了传统的农业模式，而大数据、传感器、物联网、云计算改变了传统手工劳作方式和粗放式的农业生产模式，使传统农业迈向集约化、精准化、智能化和数据化；新一代互联网技术为数字农业的革新提供了重要的支撑，然而随着农业产业化和规模化水平的提高，逐渐暴露出一系列问题：农业全产业链数据不精准、农业灾害比较突出、农业生产精准化不佳、农产品无法溯源、食品安全无法保障等，这些问题的出现又跟农作物的生长环境有着密切的关系，因此监测农作物的生长环境并在必要时采取相应的防范措施是很有必要的。
然而传统的农作物生长环境监测仍然依赖于人工调控，在某些情况下管理者无法及时知晓环境信息，因此无法做出准确的判断，尤其是在一些经济作物种植领域，如果不能准确获得作物的生长环境信息就无法及时进行调控，从而影响最后的产出。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于区块链的农作物生长环境监测方法及***，能够解决产业链数据不精准、农业灾害比较突出、农业生产精准化不佳和农产品无法溯源的问题。
本发明所采用的第一技术方案是：一种基于区块链的农作物生长环境监测方法，包括以下步骤：
获取地块图像数据并构建地块变化检测模型；
获取农作物产量遥感数据并构建农作物产量估算模型；
获取农作物病虫害图像数据并构建病虫害检测模型；
获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；
基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。
进一步，所述获取地块图像数据并构建地块变化检测模型这一步骤，具体包括：
获取地块图像数据并构建地块数据库；
从地块数据库中选取两张待融合地块图像并分别计算对应的信息熵；
对两张待融合地块图像及其对应的信息熵进行小波分解，得到多分辨率结构；
在多分辨率结构上，比较两张待融合地块图像的信息熵在水平、垂直、对角方向对应的小波系数，选择其中一张待融合地块图像的系数作为融合图像在该分辨率上的重建系数；
基于小波系数，通过二维图像小波重建得到融合图像；
在融合图像中标识出发生变化的位置并输出二值化图；
重新选取地块图像数据执行循环训练，得到地块变化检测模型。
进一步，所述获取农作物产量遥感数据并构建农作物产量估算模型这一步骤，具体包括：
获取农作物产量遥感数据并构建农作物产量数据库；
从农作物产量数据库中选取农作物产量遥感数据并进行数据融合；
利用最小二乘拟合方法确定随机森林中决策树的节点；
利用农作物产量遥感数据训练决策树，计算出每个特征平均减少的不纯度作为特征选择的值；
利用特征选择的值和对应的农作物产量训练人工神经网络，得到各个位置的产量并输出产量彩图；
重新选取农作物产量遥感数据执行循环训练，得到农作物产量估算模型。
进一步，所述获取农作物病虫害图像数据并构建病虫害检测模型这一步骤，具体包括：
获取农作物病虫害图片并构建病虫害数据库；
从病虫害数据库中选取训练数据并进行预处理和图像增强，得到图像增强后的预处理数据；
利用图像增强后的预处理数据对残差网络Resnet 50模型进行训练，以focalloss作为损失函数输出病虫害类别分布结果，得到病虫害检测模型。
进一步，所述获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型这一步骤，具体包括：
获取农作物播种数据与生长数据并构建农作物溯源数据库；
以播种数据构建播种链，以生长数据构建生长链，基于联盟区块链整合播种链与生长链，得到农作物溯源模型。
进一步，所述播种链用于记录播种情况，具体包括：
播种前通过记录农作物种子的来源和检测分析报告作为播种链的起始位置；
播种中通过记录肥药施用量和肥药使用记录对播种阶段进行实时数字化描述；
播种后将播种前和播种中的播种情况进行上链。
进一步，所述生长链包括环境精准监测、除草除虫记录、生长收割记录三个节点，具体包括：
所述环境精准监测通过对抗神经网络预测未来天气情况，选择最佳生长收割时间；
所述除草除虫记录用于记录除草除虫所使用的药剂、药量及其时间；
所述生长收割记录用于记录农作物收割数量及其对应的收割时间。
进一步，还包括数据采集步骤，具体包括：
通过高光谱技术与无人机采集第一类数据；
通过卫星遥感技术采集第二类数据；
通过固定式传感器和摄像头采集第三类数据；
将第一类数据、第二类数据和第三类数据进行整合，得到整合数据；
将整合数据进行划分，得到天气数据、地块图像数据、农作物产量遥感数据、农作物病虫害图像数据和农作物播种数据与生长数据。
本发明所采用的第二技术方案是：一种基于区块链的农作物生长环境监测***，包括：
地块检测模块，用于获取地块图像数据并构建地块变化检测模型；
产量估算模块，用于获取农作物产量遥感数据并构建农作物产量估算模型；
病虫害检测模块，用于获取农作物病虫害图像数据并构建病虫害检测模型；
农作物溯源模块，用于获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；
监测模块，基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。
本发明方法及***的有益效果是：本发明实现了一种功能齐全、安全可靠、操作简单的农作物生长环境监测***，首先通过高光谱技术与无人机采集第一类数据、卫星遥感技术采集第二类数据和固定式传感器与摄像头采集第三类数据，实现了高精度多维立体化监测体系，减少了传统人工监测和统计的成本，解决了农业生产精准化不佳的问题；其次通过提供农作物生长环境监测模型，确保种植者对农作物生产过程中地块变化、病虫害情况、农作物产量以及农产品溯源等信息的准确了解，解决了农业现代化出现的农业灾害比较突出、农产品无法溯源等问题；同时利用区块链技术保证数据的真实性和有效性。
附图说明
图1是本发明一种基于区块链的农作物生长环境监测方法的步骤流程图；
图2是本发明一种基于区块链的农作物生长环境监测***的结构框图；
图3是本发明具体实施例待融合第一地块图像示意图；
图4是本发明具体实施例待融合第二地块图像示意图；
图5是本发明具体实施例地块变化检测结果示意图；
图6是本发明具体实施例农作物产量遥感数据示意图；
图7是本发明具体实施例产量估算结果示意图；
图8是本发明具体实施例病虫害检测结果示意图；
图9是本发明具体实施例搭建联盟区块链的流程示意图；
图10是本发明具体实施例农产品溯源流程示意图；
图11是本发明具体实施例农产品溯源结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明提供了一种基于区块链的农作物生长环境监测方法，该方法包括以下步骤：
S1、采集数据；
具体的，首先采集第一类数据、第二类数据和第三类数据，然后将它们进行整合划分，最后得到构建模型所需要的天气数据、地块图像数据、农作物产量遥感数据、农作物病虫害图像数据和农作物播种数据与生长数据，主要利用高空卫星、无人机航测、地面传感器，将遥感技术、地理信息***、全球定位***与区块链、物联网、大数据、云计算、深度学习等多种新一代信息技术在农业中进行深度融合，形成农作物生长环境信息高精度多维立体监测体系，减少了传统人工监测和统计的成本，解决了农业生产精准化不佳的问题。
其中，第一类数据也称“空”基类的数据，其采集主要通过高光谱技术与无人机实现；通过使用无人机遥感技术不仅观测更加灵活，而且分辨率也有较大提高，获取信息的精度更高，满足现代农业的监测和应用需求。
第二类数据也称“天”基类的数据，其采集主要通过卫星遥感技术实现；遥感通过在不同的电磁谱段内周期性地收集地表信息，为精准农业所需空间变异参数的快速、准确、动态获取提供了重要的技术手段。
第三类数据也称“地”基类的数据，其采集使用最为广泛，主要通过固定式传感器和摄像头实现；可以获取气压、温湿度、土壤、光照、天气、水质等数据。
S2、获取地块图像数据并构建地块变化检测模型；
S2.1、获取地块图像数据并构建地块数据库；
S2.2、从地块数据库中选取地块图像数据，并基于改进的图像融合算法构建地块变化检测模型。
具体的，从地块数据库中选取两张待融合地块图像F(i，j)和G(i，j)；
对F(i，j)和G(i，j)分别逐点以3*3区域计算每点的局部信息熵得到X(i，j)和Y(i，j)；
对X(i，j)和Y(i，j)以及F(i，j)和G(i，j)分别进行小波分解，得到各自的多分辨率结构，多分辨率结构是由多个分辨率组成的一种结构；
在每个分辨率上，比较X(i，j)和Y(i，j)在水平、垂直、对角方向对应的小波系数，选择 F(i，j)或者G(i，j)的系数作为融合图像H在该分辨率上的重建系数，融合准则为：
Figure BDA0003811522590000051
其中，k＝1，2，3分别代表水平高频、垂直高频、对角高频分量系数，l为小波分解级数；
利用上式得到的小波系数，通过二维图像小波重建来获得融合图像H，在融合图像H中标识出发生变化的位置并输出二值化图；
重新选取地块图像数据执行循环训练，得到地块变化检测模型。
在进行应用时，如图3、图4和图5所示，将待融合第一地块图像与待融合第二地块图像输入至地块变化检测模型中，基于改进的图像融合算法对第一地块图像和第二地块图像进行矩阵重构，生成融合图像并标识出发生变化的位置，输出二值化图，从而检测出地块的变化。
S3、获取农作物产量遥感数据并构建农作物产量估算模型，得到农作物产量估算模型；
S3.1、获取农作物产量遥感数据并构建农作物产量数据库；
S3.2、从农作物产量数据库中选取农作物产量遥感数据并进行数据融合；
其中，在遥感成像探测领域，多光谱成像技术能够获取观测场景不同波段图像，激光雷达能够获取观测场景精确的三维空间信息；数据融合是指将农作物产量遥感数据中的多光谱数据和激光雷达数据进行融合，从而消除不同模式数据之间的异质性。
S3.3、利用随机森林的平均不纯度减少方法对数据融合后的农作物产量遥感数据进行特征筛选；
具体的，首先随机森林由多个决策树构成，决策树中的每一个节点都是关于某个特征的条件，目的是将农作物产量数据按照不同的响应变量一分为二；然后利用最小二乘拟合方法确定节点；最后利用数据融合后的农作物产量遥感数据训练决策树，计算出每个特征所减少的不纯度，对于一个决策树森林来说，可以算出每个特征平均减少的不纯度，将每个特征平均减少的不纯度作为特征选择的值，根据特征选择值得到每个特征的特征重要性，从而实现农作物产量遥感数据的特征筛选。
S3.4、利用特征选择的值和对应的农作物产量训练人工神经网络，得到各个位置的产量并输出产量彩图；
S3.5、重新选取农作物产量遥感数据执行循环训练，得到农作物产量估算模型。
其中，对应的农作物产量可以从农作物产量遥感数据中得到。
在进行应用时，如图6和图7所示，将农作物产量遥感数据输入至农作物产量估算模型中，估算出各个位置的农作物产量，根据农作物产量的大小以产量彩图作为输出结果。
S4、获取农作物病虫害图像数据并构建病虫害检测模型，得到病虫害检测模型；
S4.1、获取农作物病虫害图片并构建病虫害数据库；
S4.2、从病虫害数据库中选取训练数据并进行预处理和图像增强，得到图像增强后的预处理数据；
具体的，数据预处理主要采用添加噪声，目的是使病虫害的检测可以更加接近真实的图像识别过程，从而有效抑制过拟合问题。高斯噪声的概率密度函数为：
Figure BDA0003811522590000061
上式中，E为样本均值，σ为t的标准差，然后在农作物病虫害图像中加入均值为0、标准差为0.05的高斯噪声。
S4.3、利用图像增强后的预处理数据对残差网络Resnet 50模型进行训练，以focal loss 作为损失函数输出病虫害类别分布结果，得到病虫害检测模型。
具体的，此实施例优选方案所采用的残差网络Resnet 50模型，用两个连续的3*3卷积来代替原来残差网络Resnet 50模型的7*7卷积层和3*3最大池化层，而且这两个卷积后面都需进行3*3最大池化操作，这样可以获得更好的细粒度视觉特征，从而改进对农作物早期病虫害的识别；此外，网络的最后一层由预训练期间输出大小为1056个元素的softmax激活函数的密集层组成；为了减轻因为数据集中病虫害类别分布不均匀带来的误差，选用focal loss作为损失函数；最后，修改全连接之前的pooling层，使用自适应pooling，这样可以使用不同分辨率的数据。
其中，focal loss作为损失函数，其定义如下：
FL(pt)＝-αt(1-pt)γlog(pt)；
上式中，(1-pt)γ为调节因子，γ≥0为可调节的聚焦参数，γ的取值为2。
需要注意的是，在利用图像增强后的预处理数据对残差网络Resnet 50模型进行训练之前，需要初始化模型的权重参数。
在进行应用时，如图8所示，将农作物病虫害图像输入至病虫害检测模型中，得到对应的农作物病虫害类型以及检测时间。
S5、获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型，得到农作物溯源模型；
S5.1、获取农作物播种数据与生长数据并构建农作物溯源数据库；
S5.2、如图10所示，以播种数据构建播种链，以生长数据构建生长链，基于联盟区块链整合播种链与生长链，得到农作物溯源模型。
S5.2.1、以播种数据构建播种链；
具体的，播种链首先记录农作物种子来源、种子检测分析报告，以此作为播种链的起始位置；然后通过记录肥药施用量、肥药使用记录，对播种阶段进行实时数字化描述；播种完成后，将整体播种情况进行上链，并广播全网。
S5.2.2、以生长数据构建生长链；
具体的，生长链主要以环境精准监测、除草除虫记录、生长收割记录为主要上链节点；环境精准监测通过对抗神经网络预测未来天气情况，选择最佳生长收割时间；除草除虫记录用于记录除草除虫所使用的药剂、药量及其时间；生长收割记录用于记录农作物收割数量及其对应的收割时间。
S5.2.3、基于联盟区块链整合播种链与生长链，得到农作物溯源模型。
其中，搭建联盟区块链，如图9所示，首先将***以及排序节点进行初始化操作，然后基于配置文件启动对等节点，并生成通道，最后将带有证书的对等节点加入通道。
在进行应用时，首先对待测农田构建农田三维模型并打上索引标签，将索引标签存入区块链，并将索引地址链接到云数据库中；然后通过对农田三维模型进行变化检测，识别出农作物病虫害受灾区域，并进行精准农药喷洒以及除草除虫；最后的收割环节，则是通过收集地区天气变化情况、结合对抗神经网络预测未来天气情况，从而选择最佳收割时段，并将数据上链，其溯源信息如图11所示，包括品种、产地、收成时间以及收割数量等。
S6、基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。
在进行应用时，首先利用农作物生长环境监测模型，确保种植者对农作物生产过程中地块变化、病虫害情况、农作物产量以及农产品溯源等信息的准确了解，解决了农业现代化出现的农业灾害比较突出、农产品无法溯源等问题；其次利用农作物生长环境监测模型得到的监测结果会实时进行保存于对应的数据库中，而区块链技术在数据存储去中心化、数据不可篡改等方面的特点保证农产品溯源的真实性、有效性和完整性。
如图2所示，一种基于区块链的农作物生长环境监测***，包括：
地块检测模块，用于获取地块图像数据并构建地块变化检测模型；
产量估算模块，用于获取农作物产量遥感数据并构建农作物产量估算模型；
病虫害检测模块，用于获取农作物病虫害图像数据并构建病虫害检测模型；
农作物溯源模块，用于获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；
监测模块，基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。
上述方法实施例中的内容均适用于本***实施例中，本***实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (9)

1.一种基于区块链的农作物生长环境监测方法，其特征在于，包括以下步骤：
获取地块图像数据并构建地块变化检测模型；
获取农作物产量遥感数据并构建农作物产量估算模型；
获取农作物病虫害图像数据并构建病虫害检测模型；
获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；
基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。
2.根据权利要求1所述一种基于区块链的农作物生长环境监测方法，其特征在于，所述获取地块图像数据并构建地块变化检测模型这一步骤，具体包括：
获取地块图像数据并构建地块数据库；
从地块数据库中选取两张待融合地块图像并分别计算对应的信息熵；
对两张待融合地块图像及其对应的信息熵进行小波分解，得到多分辨率结构；
在多分辨率结构上，比较两张待融合地块图像的信息熵在水平、垂直、对角方向对应的小波系数，选择其中一张待融合地块图像的系数作为融合图像在该分辨率上的重建系数；
基于小波系数，通过二维图像小波重建得到融合图像；
在融合图像中标识出发生变化的位置并输出二值化图；
重新选取地块图像数据执行循环训练，得到地块变化检测模型。
3.根据权利要求1所述一种基于区块链的农作物生长环境监测方法，其特征在于，所述获取农作物产量遥感数据并构建农作物产量估算模型这一步骤，具体包括：
获取农作物产量遥感数据并构建农作物产量数据库；
从农作物产量数据库中选取农作物产量遥感数据并进行数据融合；
利用最小二乘拟合方法确定随机森林中决策树的节点；
利用农作物产量遥感数据训练决策树，计算出每个特征平均减少的不纯度作为特征选择的值；
利用特征选择的值和对应的农作物产量训练人工神经网络，得到各个位置的产量并输出产量彩图；
重新选取农作物产量遥感数据执行循环训练，得到农作物产量估算模型。
4.根据权利要求1所述一种基于区块链的农作物生长环境监测方法，其特征在于，所述获取农作物病虫害图像数据并构建病虫害检测模型这一步骤，具体包括：
获取农作物病虫害图片并构建病虫害数据库；
从病虫害数据库中选取训练数据并进行预处理和图像增强，得到图像增强后的预处理数据；
利用图像增强后的预处理数据对残差网络Resnet 50模型进行训练，以focal loss作为损失函数输出病虫害类别分布结果，得到病虫害检测模型。
5.根据权利要求1所述一种基于区块链的农作物生长环境监测方法，其特征在于，所述获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型这一步骤，具体包括：
获取农作物播种数据与生长数据并构建农作物溯源数据库；
以播种数据构建播种链，以生长数据构建生长链，基于联盟区块链整合播种链与生长链，得到农作物溯源模型。
6.根据权利要求5所述一种基于区块链的农作物生长环境监测方法，其特征在于，所述播种链用于记录播种情况，具体包括：
播种前通过记录农作物种子的来源和检测分析报告作为播种链的起始位置；
播种中通过记录肥药施用量和肥药使用记录对播种阶段进行实时数字化描述；
播种后将播种前和播种中的播种情况进行上链。
7.根据权利要求5所述一种基于区块链的农作物生长环境监测方法，其特征在于，所述生长链包括环境精准监测、除草除虫记录、生长收割记录三个节点，具体包括：
所述环境精准监测通过对抗神经网络预测未来天气情况，选择最佳生长收割时间；
所述除草除虫记录用于记录除草除虫所使用的药剂、药量及其时间；
所述生长收割记录用于记录农作物收割数量及其对应的收割时间。
8.根据权利要求1所述一种基于区块链的农作物生长环境监测方法，其特征在于，还包括数据采集步骤，具体包括：
通过高光谱技术与无人机采集第一类数据；
通过卫星遥感技术采集第二类数据；
通过固定式传感器和摄像头采集第三类数据；
将第一类数据、第二类数据和第三类数据进行整合，得到整合数据；
将整合数据进行划分，得到天气数据、地块图像数据、农作物产量遥感数据、农作物病虫害图像数据和农作物播种数据与生长数据。
9.一种基于区块链的农作物生长环境监测***，其特征在于，包括：
地块检测模块，用于获取地块图像数据并构建地块变化检测模型；
产量估算模块，用于获取农作物产量遥感数据并构建农作物产量估算模型；
病虫害检测模块，用于获取农作物病虫害图像数据并构建病虫害检测模型；
农作物溯源模块，用于获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；
监测模块，基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。
CN202211013461.3A 2022-08-23 2022-08-23 一种基于区块链的农作物生长环境监测方法及*** Pending CN115438934A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211013461.3A CN115438934A (zh) 2022-08-23 2022-08-23 一种基于区块链的农作物生长环境监测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211013461.3A CN115438934A (zh) 2022-08-23 2022-08-23 一种基于区块链的农作物生长环境监测方法及***

Publications (1)

Publication Number Publication Date
CN115438934A true CN115438934A (zh) 2022-12-06

Family

ID=84244323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211013461.3A Pending CN115438934A (zh) 2022-08-23 2022-08-23 一种基于区块链的农作物生长环境监测方法及***

Country Status (1)

Country Link
CN (1) CN115438934A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391613A (zh) * 2023-10-08 2024-01-12 菏泽单州数字产业发展有限公司 一种基于物联网的农业产业园管理***

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117391613A (zh) * 2023-10-08 2024-01-12 菏泽单州数字产业发展有限公司 一种基于物联网的农业产业园管理***
CN117391613B (zh) * 2023-10-08 2024-03-15 菏泽单州数字产业发展有限公司 一种基于物联网的农业产业园管理***

Similar Documents

Publication Publication Date Title
US20230292647A1 (en) System and Method for Crop Monitoring
De la Casa et al. Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot
Fang et al. Corn‐yield estimation through assimilation of remotely sensed data into the CSM‐CERES‐Maize model
Vélez et al. Mapping the spatial variability of Botrytis bunch rot risk in vineyards using UAV multispectral imagery
Guan et al. Modeling strawberry biomass and leaf area using object-based analysis of high-resolution images
CN110110595A (zh) 一种基于卫星遥感影像的农田画像及药肥大数据分析方法
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
Escolà et al. Using Sentinel-2 images to implement Precision Agriculture techniques in large arable fields: First results of a case study
CN114882359B (zh) 基于植被指数时序谱特征的大豆种植区提取方法和***
Ohana-Levi et al. Time-series clustering of remote sensing retrievals for defining management zones in a vineyard
Ruiz et al. Automated classification of crop types and condition in a mediterranean area using a fine-tuned convolutional neural network
Huang et al. Use of airborne multi-spectral imagery in pest management systems
CN115438934A (zh) 一种基于区块链的农作物生长环境监测方法及***
KR20230061034A (ko) 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템
Li et al. Analysis of influencing factors on winter wheat yield estimations based on a multisource remote sensing data fusion
Patil et al. Role of remote sensing in precision agriculture
Sisheber et al. Assimilation of Earth Observation data for crop yield estimation in smallholder agricultural systems
Singla et al. Extraction of crop information from reconstructed landsat data in Himalayan foothills region
Poleshchenko et al. Development of a System for Automated Control of Planting Density, Leaf Area Index and Crop Development Phases by UAV Photos
Sianjaya et al. Analysis of paddy productivity using normalized difference vegetation index value of sentinel-2 and UAV multispectral imagery in the rainy season
do Amaral et al. Geoprocessing Applied to Crop Management
Kvande et al. Hybrid Neural Networks with Attention-Based Multiple Instance Learning for Improved Grain Identification and Grain Yield Predictions
Abdullahi et al. Advances of image processing in precision agriculture
EP4250250A1 (en) Carbon soil backend
Taravat et al. Forest Canopy Mapping Using Synthetic Aperture Radar by Means of Pulse Coupled Neural Networks

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