CN116941483A - 一种农作物智能种植方法和*** - Google Patents
一种农作物智能种植方法和*** Download PDFInfo
- Publication number
- CN116941483A CN116941483A CN202311006703.0A CN202311006703A CN116941483A CN 116941483 A CN116941483 A CN 116941483A CN 202311006703 A CN202311006703 A CN 202311006703A CN 116941483 A CN116941483 A CN 116941483A
- Authority
- CN
- China
- Prior art keywords
- planting
- adjustment
- crop
- scheme
- determining
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000007613 environmental effect Effects 0.000 claims abstract description 62
- 239000002689 soil Substances 0.000 claims abstract description 50
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000000547 structure data Methods 0.000 claims abstract description 15
- 238000009331 sowing Methods 0.000 claims abstract description 5
- 230000004720 fertilization Effects 0.000 claims description 40
- 235000015816 nutrient absorption Nutrition 0.000 claims description 30
- 239000000203 mixture Substances 0.000 claims description 22
- 238000013210 evaluation model Methods 0.000 claims description 12
- 238000010899 nucleation Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 230000003750 conditioning effect Effects 0.000 abstract description 7
- 235000013399 edible fruits Nutrition 0.000 description 43
- 235000015097 nutrients Nutrition 0.000 description 32
- 238000010521 absorption reaction Methods 0.000 description 24
- 239000013598 vector Substances 0.000 description 21
- 238000012545 processing Methods 0.000 description 12
- 238000012549 training Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 235000003642 hunger Nutrition 0.000 description 5
- 230000037351 starvation Effects 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000246 remedial effect Effects 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000005078 fruit development Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Environmental Sciences (AREA)
- Medical Informatics (AREA)
- Botany (AREA)
- Software Systems (AREA)
- Animal Husbandry (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Agronomy & Crop Science (AREA)
- Forests & Forestry (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种农作物智能种植方法，基于处理器执行，该方法包括：基于种植区域的土壤结构数据，确定种植密度方案；基于种植区域的农作物的种植特征，确定种植区域的农作物的种植调整方案；控制自动播种装置，以种植密度方案，对种植区域进行播种；控制环境调节设备和无人机中至少一种，以种植调整方案，对种植区域的农作物的种植情况进行调节。其中，种植调整方案通过以下方法确定：获取部署于种植区域的检测装置所采集的检测数据；基于检测数据，确定种植区域的所述农作物的种植特征；基于种植特征，确定所述种植调整方案。
Description
技术领域
本说明书涉及农作物种植技术领域，特别涉及一种农作物智能种植方法和***。
背景技术
传统的作物种植管理更多的是依赖人的经验，缺乏科学的依据和***的管理方法。随着农业发展的现代化，温室大棚的应用越来越广泛，种植问题的解决需要更依靠智能化的管理方法。例如，大棚农作物栽种后，如果发现农作物种植密度不合适，需采取补救措施，来提高作物的成活率、产量、质量。人工调节具有主观性，难以精准地判断合适的种植密度和环境参数、种植参数的调整方案。
针对上述问题，CN112650337A提供了一种农作物环境自动调节的装置及方法，对农作物的生长环境进行实时监测，云存储中农作物生长所需的最佳参数与监测数据进行对比，并通过数据分析判断是否需要对农作物进行环境调节操作。但该技术未提供根据农作物当前情况确定最优调整参数的方法。
因此，希望提供一种农作物智能种植方法，能够根据农作物种植环境和生长情况确定种植方案以及调整方案，从而有针对性的对农作物的种植条件进行优化调整。
发明内容
本说明书一个或多个实施例提供一种农作物智能种植方法，所述方法基于处理器执行，包括：基于种植区域的土壤结构数据，确定种植密度方案；基于所述种植区域的农作物的种植特征，确定所述种植区域的所述农作物的种植调整方案；控制自动播种装置，以所述种植密度方案，对所述种植区域进行播种；控制环境调节设备和无人机中至少一种，以所述种植调整方案，对所述种植区域的所述农作物的种植情况进行调节；其中，所述种植调整方案通过以下方法确定：获取部署于所述种植区域的检测装置所采集的检测数据；基于所述检测数据，确定所述种植区域的所述农作物的所述种植特征；基于所述种植特征，确定所述种植调整方案。
本说明书实施例之一提供一种农作物智能种植***，包括第一确定模块、第二确定模块、第一控制模块和第二控制模块：所述第一确定模块用于基于种植区域的土壤结构数据，确定种植密度方案；所述第二确定模块用于基于所述种植区域的农作物的种植特征，确定所述种植区域的所述农作物的种植调整方案；所述第一控制模块用于控制自动播种装置，以所述种植密度方案，对所述种植区域进行播种；所述第二控制模块用于控制环境调节设备和无人机中至少一种，以所述种植调整方案，对所述种植区域的所述农作物的种植情况进行调节；其中，所述第二确定模块进一步用于：获取部署于所述种植区域的检测装置所采集的检测数据；基于所述检测数据，确定所述种植区域的所述农作物的所述种植特征；基于所述种植特征，确定所述种植调整方案。
本说明书一个或多个实施例提供一种农作物智能种植装置，包括处理器，所述处理器用于执行农作物智能种植方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行农作物智能种植方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的农作物智能种植***的示例性模块图；
图2是根据本说明书一些实施例所示的农作物智能种植方法的示例性流程图；
图3是根据本说明书一些实施例所示的图像处理模型的示例性示意图；
图4是根据本说明书一些实施例所示的确定种植调整方案的示例性示意图；
图5是根据本说明书一些实施例所示的确定第二种植调整方案的示例性示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
对农作物生长参数进行智能化调节的过程中，由于种植农作物的土壤条件不同、农作物所处生长周期不同、农作物的种植密度不同，简单的基于预设参数值(如温度、湿度)进行调整缺乏针对性。CN112650337提供的方法中，将农作物监测数据与预设的最佳参数与进行对比，根据对比结果，判断是否需要对农作物进行环境调节操作。但该方案除了灌溉参数外，没有说明其他数据如何比对，也没有说明如何确定调整参数。
本说明书的一些实施例，可以基于土壤情况确定初始的种植密度，再根据环境数据、农作物生长情况进行判断并给出优化的调节方案。本说明书的一些实施例可以根据农作物不同的生长状况有针对的制定不同的调节方案，使农作物整体的生长状况得到改善。
图1是根据本说明书一些实施例所示的农作物智能种植***的示例性模块图。
在一些实施例中，农作物智能种植***100可以包括第一确定模块110、第二确定模块120、第一控制模块130和第二控制模块140。
在一些实施例中，第一确定模块110用于基于种植区域的土壤结构数据，确定种植密度方案。
在一些实施例中，第二确定模块120用于基于种植区域的农作物的种植特征，确定种植区域的农作物的种植调整方案。进一步的，第二确定模块还可以用于获取部署于种植区域的检测装置所采集的检测数据；基于检测数据，确定种植区域的农作物的种植特征；基于种植特征，确定种植调整方案。在一些实施例中，检测数据包括农作物图像、多组土壤成分数据；种植特征包括生长特征、养分吸收特征。
在一些实施例中，第二确定模块120进一步用于：基于至少一张农作物图像提取农作物生长特征；基于多组土壤成分数据，确定养分吸收特征。其中，多组土壤成分数据对应多组检测点位。
在一些实施例中，第二确定模块120进一步用于：基于种植特征，确定种植区域的调整类型，调整类型包括第一调整和第二调整(第一调整和第二调整相关于种植区域的农作物的种植密度)；响应于调整类型为第一调整，基于种植特征，确定第一种植调整方案，第一种植调整方案包括施肥方案；响应于调整类型为第二调整，基于种植特征，确定第二种植调整方案，第二种植调整方案包括环境调整方案、施肥方案。
在一些实施例中，第二确定模块120进一步用于：基于农作物的生长特征确定环境补偿区域；基于环境补偿区域确定候选环境调整方案；基于评估模型确定候选环境调整方案对应的农作物的未来生长特征；评估模型为机器学习模型；选取未来生长特征满足预设条件的候选环境调整方案，作为第二种植调整方案的目标环境调整方案；基于农作物的养分吸收特征确定施肥方案。
在一些实施例中，第一控制模块130用于控制自动播种装置，以种植密度方案，对种植区域进行播种。
在一些实施例中，第二确定模块用140于基于种植区域的农作物的种植特征，确定种植区域的农作物的种植调整方案。
在一些实施例中，可以把上述模块集成于处理器，并由处理器执行以上操作。在一些实施例中，处理器可以被配置为GPU(Graphics Processing Units，图形处理器)或单板计算机(Single-Board Computers)等。
关于更多细节可以参见其他部分的相关说明，此处不再赘述。
应当理解，图1所示的***及其模块可以利用各种方式来实现。
需要注意的是，以上对于农作物智能种植***及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该***的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子***与其他模块连接。在一些实施例中，图1中披露的第一确定模块、第二确定模块、第一控制模块和第二控制模块可以是一个***中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的农作物智能种植方法的示例性流程图。
在一些实施例中，流程200可以由处理器执行。如图2所示，流程200包括下述步骤：
步骤210，基于种植区域的土壤结构数据，确定种植密度方案。
种植区域是指种植农作物的区域。
土壤结构数据是指表征土壤物理结构的数据，例如土壤的温度、湿度、PH值、孔隙度、松软程度等。在一些实施例中，处理器可以预先对土壤进行取样，通过土壤检测技术获取土壤结构数据。
种植密度方案是指与农作物种植的密度相关的方案。在一些实施例中，种植密度方案可以包括农作物横向和纵向的种植距离。
在一些实施例中，处理器可以基于土壤成分数据、土壤结构数据和环境数据构建当前特征向量；从特征向量库中选取与当前特征向量的向量距离最小的历史特征向量作为参考特征向量；将特征向量库中，与参考特征向量关联存储的种植密度方案作为当前特征向量对应的种植密度方案。特征向量库可以存储多个基于历史土壤成分数据、历史土壤结构数据和历史环境数据构建的历史特征向量，以及每个历史特征向量对应的种植密度方案。
土壤成分数据是指与土壤中所含成分相关的数据，例如土壤中各营养物质的含量等。环境数据是指与种植区域所处环境相关的数据，例如环境温度、湿度、光照强度、海拔等。在一些实施例中，处理器可以通过部署于种植区域的检测点位的检测装置获取土壤成分数据；通过各类传感器获取环境数据。
步骤220，基于种植区域的农作物的种植特征，确定种植区域的农作物的种植调整方案。
种植特征是指与农作物的种植情况有关的特征。在一些实施例中，种植特征可以包括密度特征、农作物的生长特征、养分吸收特征等。
密度特征是指表征种植区域中农作物整体分布间隙的特征，例如农作物间枝叶覆盖情况、农作物间隙等。在一些实施例中，处理器可以通过图像识别、边缘检测等多种技术，从农作物图像中识别出没有种植农作物的土壤面积，将没有种植农作物的土壤面积除以种植区域的总面积以获得空闲比，并将1与空闲比之差作为密度特征。
关于农作物的生长特征、养分吸收特征及农作物图像的更多说明可以参见下文相关描述。
种植调整方案是指对农作物的种植环境和/或施肥情况进行调整的方案。
在一些实施例中，处理器可以获取部署于种植区域的检测装置所采集的检测数据；基于检测数据，确定种植区域的农作物的种植特征；基于种植特征，确定种植调整方案。
检测装置是指用于对种植区域进行检测的装置。在一些实施例中，检测装置可以包括多种传感器和图像采集装置，检测装置可以部署于预先设置的一个或多个检测点位。
检测数据是指由检测装置对种植区域进行检测以获得的数据。在一些实施例中，检测数据可以包括农作物图像和多组土壤成分数据。
在一些实施例中，处理器可以通过检测装置对农作物进行拍摄获取农作物图像。在一些实施例中，多组土壤成分数据对应多组检测点位，关于土壤成分数据的更多内容可以参见前文相关描述。
在一些实施例中，处理器可以基于检测数据，通过多种方式确定种植特征。例如，处理器可以通过查询第一预设表的方式，确定种植特征。第一预设表可以进一步包括检测数据与种植特征之间的关联关系。在一些实施例中，第一预设表可以基于历史数据确定。
在一些实施例中，处理器可以基于至少一张农作物图像提取农作物的生长特征；基于多组土壤成分数据，确定养分吸收特征。
农作物的生长特征是表征种植区域中农作物整体生长发育情况的特征，例如农作物长势、果实发育情况等。在一些实施例中，农作物的生长特征可以包括多个预设子区域的果实品质的一致程度序列和种植区域整体果实品质的一致程度。多个预设子区域的果实品质的一致程度序列是指多个预设子区域的果实品质的一致程度构成的序列。种植区域整体果实品质的一致程度是指用于评价种植区域整体果实品质的一致程度的指标，其获取方式可以参见下文相关描述。预设子区域是指预先将种植区域分成的多个预设形状和/或大小的子区域。
在一些实施例中，处理器分析每个预设子区域果实品质的一致程度，子区域果实品质的一致程度高，证明该子区域农作物整体生长发育情况良好；一致程度不高，证明该子区域农作物整体生长发育情况不一致，存在光照、营养物质摄取不均匀的情况。
在一些实施例中，处理器可以基于农作物图像，通过人工识别或图像识别、边缘检测等技术提取果实的外观特征；基于外观特征确定果实的品质评分；对多个果实的品质评分计算标准差，基于标准差确定果实品质的一致程度。
在一些实施例中，处理器可以通过预先设置的外观特征与的品质评分的对应关系，基于获取的外观特征确定品质评分，并计算多个果实的品质评分的标准差；通过预先设置的标准差与一致程度的对应关系，基于计算得到的标准差确定一致程度，其中，标准差越小，一致程度越高。
外观特征是指与果实外观相关的特征，例如果实大小、形状标准程度、是否皲裂、是否存在突起等。
在一些实施例中，外观特征还可以包括触摸特征。
触摸特征是指与果实的触摸反馈相关的特征。在一些实施例中，触摸特征可以包括弹性序列和形变序列。
弹性序列是指触摸果实时果实的弹力反馈构成的序列。形变序列是指触摸果实造成的形变程度组成的序列。
果实的弹性不同，触摸果实产生的弹力也不同。因此，在一些实施例中，处理器可以使用机械手，通过预设的力度握住不同的果实，采集压力传感器反馈的弹性序列以及该过程的多帧形变图像。处理器可以通过图像识别技术提取每帧形变图像对应的形变程度，多帧形变图像对应的多个形变程度构成形变序列。其中，机械手预设的力度需要基于实际情况确定，避免力度过大将果实捏坏。
本说明书一些实施例，通过机械手握取等方式获取果实的触摸特征，可以更加全面立体地获取果实的外观特征，有助于后续进一步确定农作物的生长特征。
在一些实施例中，处理器可以基于图像处理模型提取农作物的生长特征，更多内容可以参见图2及其相关描述。
养分吸收特征是指表征种植区域中多组检测点位农作物不同营养物质吸收情况(如吸收速率等)的特征。不同检测点位营养物质吸收速率差异较大时，代表农作物营养物质争夺不均匀，后续可以给吸收速率较慢的点位附近增加施肥量。
在一些实施例中，处理器可以根据采集的土壤成分数据计算养分吸收特征。例如，对于某一检测点位，处理器可以获取至少两个邻近历史时刻(如T1、T2)检测装置检测的该点位的土壤成分数据，从而计算该点位的养分吸收特征。以营养物质m为例，其养分吸收特征＝(T1时营养物质m的含量-T2时营养物质m的含量)÷(T2-T1)×100％。
处理器将种植区域分为多个子区域后，每个子区域可以对应一组检测点位，在一些实施例中，检测多组土壤成分数据的检测装置可以设置为可移动，以便根据实际需求对任意点位采集土壤成分数据，进而获取相应点位的养分吸收特征。
本说明书一些实施例，基于农作物图像提取农作物的生长特征，并基于多组土壤成分数据，确定养分吸收特征，有助于得到更准确具体的种植特征，以便基于种植特征确定种植调整方案。
在一些实施例中，处理器可以基于种植特征，通过多种方式确定种植调整方案。例如，处理器可以基于种植特征，通过查询第二预设表的方式，将与当前种植特征类似的历史种植特征对应的种植调整方案确定为当前种植特征对应的种植调整方案。第二预设表可以包括不同的种植特征与种植调整方案间的对应关系。在一些实施例中，第二预设表可以基于历史数据确定。
在一些实施例中，处理器可以基于种植特征确定种植区域的调整类型，进而确定种植调整方案，更多内容可以参见图4及其相关描述。
步骤230，控制自动播种装置，以种植密度方案，对种植区域进行播种。
自动播种装置是指可以自动进行播种的设备，例如无人机、自动播种机器人等。
在一些实施例中，处理器可以通过多种方式控制自动播种装置进行播种。例如，处理器可以生成包含种植密度方案的控制指令，并将其下发至自动播种装置，以控制自动播种装置以种植密度方案，对种植区域进行播种。
步骤240，控制环境调节设备和无人机中至少一种，以种植调整方案，对种植区域的农作物的种植情况进行调节。
环境调节设备是指对种植区域的环境进行调节的设备，例如温度控制装置、湿度控制装置、照明装置、遮阳设备等。其中，温度控制装置可以调节环境温度，湿度控制装置可以调节环境湿度，照明装置和遮阳设备可以调节环境的光照强度，照明装置用于补充光照，遮阳设备用于减少光照。
在一些实施例中，处理器可以通过多种方式控制自动播种装置进行播种。例如，处理器可以生成包含种植调整方案的控制指令，并将其下发至环境调节装置和/或无人机，以控制环境调节装置和/或无人机以种植调整方案，对种植区域的农作物的种植情况进行调节。
本说明书一些实施例，基于种植区域的土壤结构数据，确定种植密度方案，并基于种植区域的农作物的种植特征，确定种植区域的农作物的种植调整方案，可以在播种前确定适合农作物生长的种植密度，在栽种农作物的种植密度不合适时采取补救措施，通过调整种植方案以满足农作物基本的生长需求，实现了农作物种植的智能化。
应当注意的是，上述有关流程的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。
图3是根据本说明书一些实施例所示的图像处理模型的示例性示意图。
在一些实施例中，处理器可以基于农作物图像310，通过图像处理模型320，提取农作物的生长特征340。关于农作物图像310和农作物的生长特征340的更多内容可以参见图2及其相关描述。
图像处理模型320可以是机器学习模型。在一些实施例中，图像处理模型320可以包括特征提取层321和预测层322。
在一些实施例中，特征提取层321可以用于提取至少一张农作物图像310的多组对象框330。
对象框330可以指识别到对象时将对象包围起来的边框，其中，一个对象是指一个完整拍摄的果实。每组对象框对应一个预设子区域，每组对象框中的每个对象框代表一个完整拍摄的果实。
预测层322的输入可以包括多组对象框330，输出可以包括农作物图像310对应的农作物的生长特征340。
在一些实施例中，特征提取层321和预测层322可以是卷积神经网络模型或其他网络结构的机器学习模型。
在一些实施例中，图像处理模型320的特征提取层321和预测层322可以通过第一训练样本联合训练获得。第一训练样本中的每组训练样本可以包括样本农作物图像，第一标签为人工标注的样本农作物图像中农作物的生长特征(可以包括多个预设子区域的果实品质的一致程度序列和种植区域整体果实品质的一致程度)。第一训练样本可以基于历史检测数据获得。
在一些实施例中，处理器可以对样本农作物图像对应的其中一组对象框的多个对象框，计算两两对象框之间的相似度，将多个相似度的平均值作为该组对象框对应的子区域的果实品质的一致程度；对样本农作物图像对应的每组对象框重复前述计算以获取多个预设子区域的果实品质的一致程度序列。
在一些实施例中，处理器可以从样本农作物图像对应的每组对象框中随机选出相同数量的对象框，对选出的多个对象框两两之间计算相似度，将多个相似度的平均值作为种植区域整体果实品质的一致程度。
在一些实施例中，处理器可以将样本农作物图像输入初始特征提取层，确定样本农作物图像的多组对象框；将初始特征提取层的输出输入初始预测层，得到预测的农作物的生长特征；根据初始预测层的输出和第一标签，构建损失函数。基于损失函数对初始特征提取层和初始预测层进行更新，通过参数更新，确定训练好的特征提取层、预测层。
本说明书一些实施例，通过图像处理模型确定农作物的生长特征，利用了机器学习模型自学习的能力；将图像处理模型设置为特征提取层和预测层，基于不同的层分别处理对应的数据，可以进一步提高数据处理效率，提高了农作物的生长特征的准确性。
图3是根据本说明书一些实施例所示的确定种植调整方案的示例性示意图。
在一些实施例中，处理器可以基于种植特征410，确定种植区域的调整类型420；响应于调整类型为第一调整431，基于种植特征410，确定第一种植调整方案440；响应于调整类型为第二调整432，基于种植特征410，确定第二种植调整方案450。
在一些实施例中，调整类型可以包括第一调整431和第二调整432。
在一些实施例中，采用第一调整或第二调整相关于种植区域的农作物的种植密度。
种植区域的农作物的种植密度过于稀疏时，处理器可以确定调整类型为第一调整431；种植区域的农作物的种植密度过于密集时，处理器可以确定调整类型为第二调整432。种植区域的农作物的种植密度可以基于密度特征确定，如密度特征低于预设密度阈值时，即认为农作物的种植密度过于稀疏。关于密度特征的更多内容可以参见图2及其相关描述。
第一种植调整方案440是指第一调整431对应的种植调整方案。在一些实施例中，第一种植调整方案可以包括施肥方案441。
施肥方案441是指与农作物施肥相关的方案，例如施肥频率、施肥次数等。
在一些实施例中，处理器可以多种方式确定第一种植调整方案。例如，处理器可以基于种植特征构建待匹配向量，从向量数据库中查找与待匹配向量相似度最高的参考向量，将参考向量对应的第一种植调整方案作为待匹配向量对应的第一种植调整方案。其中，向量数据库中可以包括由多个历史种植特征构成的多组参考向量，以及各组参考向量对应的第一种植调整方案。
在一些实施例中，施肥方案可以包括无人机的下次施肥时间；处理器可以基于当前土壤成分数据、种植特征中养分吸收特征计算每个营养物质的预估匮乏时点；响应于未来时点满足匮乏营养物质的种类数量超过数量阈值，则确定未来时点为下次施肥时间。
下次施肥时间是指无人机下一次对农作物进行施肥的时间。
预估匮乏时点是指种植区域的土壤中某一营养物质匮乏的时间点。
在一些实施例中，处理器可以基于当前土壤成分数据、种植特征中养分吸收特征计算每个营养物质的预估匮乏时点。例如，在当前时刻T0，营养物质m的含量为a，营养物质m的养分吸收速率为b，预估匮乏时间T＝T0+(a-c)÷b，其中，c为营养物质m的含量阈值，可以根据实际情况确定。
未来时点是指未来的某一时间点，可以基于预设确定，如将下次施肥候选时间点作为未来时点。
数量阈值是评估匮乏营养物质的种类数量是否超过一定范围的值。数量阈值可以基于历史经验确定。
在一些实施例中，数量阈值相关于不同营养物质的吸收速率的差异。
不同营养物质的吸收速率的差异是指不同营养物质中最大吸收速率与最小吸收速率的差值。关于不同营养物质的吸收速率的确定可以参见图2及其相关描述。
在一些实施例中，不同营养物质的吸收速率的差异越大，数量阈值越小。
本说明书一些实施例中，在不同营养物质的吸收速率的差异较大而数量阈值也较大的情况下，可能出现个别营养物质处于极度匮乏的状态，影响农作物存活率，因此，通过将数量阈值相关于不同营养物质的吸收速率的差异，有助于避免个别营养物质极度匮乏才进行施肥的情况，提高了农作物的存活率和果实的品质。
在一些实施例中，未来时点等于或滞后于某类营养物质的预估匮乏时点时，处理器可以判断该未来时点时，该类营养物质匮乏。
在一些实施例中，处理器可以通过多种方式确定下次施肥时间。例如，处理器可以直接将匮乏营养物质的种类数量超过数量阈值的未来时点作为下次施肥时间。
第二种植调整方案450是指第二调整432对应的种植调整方案。在一些实施例中，第二种植调整方案可以包括施肥方案441和环境调整方案451。关于施肥方案441的更多内容可以参见前文相关描述。
环境调整方案451是指对种植区域的环境进行调整的方案，例如与光照、温度、湿度等环境参数的调整相关的方案。
在一些实施例中，处理器可以基于种植特征，通过多种方式确定第二种植调整方案。例如，处理器可以基于种植特征，通过查询第三预设表的方式，将与当前种植特征类似历史种植特征对应的第二种植调整方案确定为当前种植特征对应的第二种植调整方案。第三预设表可以包括不同的种植特征与第二种植调整方案间的对应关系。在一些实施例中，第三预设表可以基于历史数据确定。
关于确定第二种植调整方案的更多内容可以参见图5及其相关描述。
本说明书一些实施例，根据种植特征确定调整类型，可以结合种植区域农作物的实际情况灵活采取合适的种植调整方案，例如，在农作物稀疏的情况下仅涉及施肥方案的调整，在农作物密集的情况下涉及环境和施肥方案的调整，有助于对不同种植特征的种植区域的针对性调整，提高了种植调整的智能性。
图5是根据本说明书一些实施例所示的确定第二种植调整方案的示例性示意图。
在一些实施例中，处理器可以基于农作物的生长特征340确定环境补偿区域510；基于环境补偿区域510确定候选环境调整方案520；基于评估模型530确定候选环境调整方案520对应的农作物的未来生长特征540；选取未来生长特征540满足预设条件的候选环境调整方案520，作为第二种植调整方案的目标环境调整方案560；基于农作物的养分吸收特征550确定施肥方案441。
环境补偿区域510是指需要进行环境参数补偿的子区域，例如，果实品质的一致程度低的子区域等。
在一些实施例中，处理器可以将农作物的生长特征中果实品质的一致程度低于一致度阈值的子区域确定为环境补偿区域。一致度阈值可以基于历史经验设定。关于果实品质的一致程度的更多说明可以参见图2及其相关描述。
候选环境调整方案520是指对种植区域环境进行调整的待选方案。在一些实施例中，候选环境调整方案可以包括对每个环境补偿区域的温度、湿度、光照强度的调整量以及调整执行时间等。
在一些实施例中，移动装置可以带动环境调节设备移动到环境补偿区域，为环境补偿区域提供环境补偿，关于环境调节设备的更多内容可以参见图2及其相关描述。
在一些实施例中，处理器可以在环境参数的预设范围内随机生成预设数量的候选环境调整方案。
在一些实施例中，评估模型530可以是机器学习模型，例如神经网络模型等。
在一些实施例中，评估模型的输入可以包括候选环境调整方案、农作物特征、土壤结构数据、环境数据；输出可以包括候选环境调整方案对应的农作物的未来生长特征540。关于土壤结构数据、环境数据的更多内容可以参见图2及其相关描述。
农作物特征是指与农作物相关的特征，例如农作物种类、农作物性质(如喜阴、喜温等)等。
未来生长特征540是指未来某时刻的农作物的生长特征，关于农作物的生长特征的更多内容可以参见图2及其相关描述。
在一些实施例中，评估模型可以通过多个带有第二标签的第二训练样本训练得到。例如，可以将多个带有第二标签的第二训练样本输入评估模型，通过第二标签和初始评估模型的预测结果构建损失函数，基于损失函数的迭代更新初始评估模型，当初始评估模型的损失函数满足预设条件时训练完成，其中，预设条件可以是损失函数收敛、迭代的次数达到阈值等。
在一些实施例中，第二训练样本可以包括第一历史时间段的样本候选环境调整方案、样本农作物特征、样本土壤结构数据和样本环境数据。在一些实施例中，第二训练样本可以基于历史数据获取。第二标签可以包括第二历史时间段的农作物的生长特征，关于农作物的生长特征的确定可以参见图2及其相关描述。其中，第一历史时间段在环境调整前，第二历史时间段在环境调整后。
本说明书一些实施例，通过评估模型对候选环境调整方案进行处理，可以从大量历史数据中找到规律，有助于更准确地确定未来生长特征，以便后续对目标环境调整方案的确定。
预设条件是指预先设置的候选环境调整方案可以作为目标环境调整方案时未来生长特征所需符合的条件。
例如，预设条件可以是未来生长特征中单个环境补偿区域的果实品质的一致程度均高于第一阈值。又例如，预设条件可以是整个种植区域的整体果实品质的一致程度高于第二阈值。第一阈值和第二阈值可以基于历史经验确定。
目标调整方案是指实际对对种植区域环境进行调整时所选取的环境调整方案。
在一些实施例中，处理器可以通过多种方式确定目标环境调整方案。例如，只有一个满足预设条件的候选环境调整方案时，处理器可以直接将该候选环境调整方案作为目标环境调整方案。又例如，存在多个满足预设条件的候选环境调整方案时，处理器可以选择整个种植区域的整体果实品质的一致程度最高的候选环境调整方案作为目标调整方案。
在一些实施例中，处理器可以基于养分吸收特征550，通过多种方式确定施肥方案。其中，处理器确定施肥方案中无人机的下次施肥时间的方式可可参见图4及其相关描述。
在一些实施例中，施肥方案441还可以包括无人机施肥频率以及多个环境补偿区域无人机停留的时间序列；多个环境补偿区域无人机停留的时间序列，可以基于农作物的养分吸收特征确定。
无人机施肥频率是指无人机对农作物施肥的频率。在一些实施例中，无人机施肥频率可以基于种植特征，通过预设关系确定，其中，预设关系可以是：种植特征中农作物的密度特征越大，无人机施肥频率越大。
无人机停留的时间序列是指无人机在多个环境补偿区域停留的时间构成的序列。
在一些实施例中，无人机执行预设的施肥路径，处理器可以基于农作物的养分吸收特征确定每个环境补偿区域无人机停留的时间，结合施肥路径确定无人机停留的时间序列。其中，种植区域中除环境补偿区域外的其他子区域的无人机停留时间默认为0。
在一些实施例中，每个环境补偿区域无人机停留的时间可以通过步骤S1-S3获取。
步骤S1，基于养分吸收特征，计算该环境补偿区域的综合吸收速率。
综合吸收速率是指环境补偿区域的农作物综合吸收不同营养物质的速率。在一些实施例中，处理器可以将不同营养物质的吸收速率求均值后作为综合吸收速率。
步骤S2，确定所述综合吸收速率与参考速率阈值的差值。
参考速率阈值是指作为综合吸收速率的参考的阈值。
在一些实施例中，参考速率阈值可以是动态阈值，相关于种植区域中除环境补偿区域外的其他子区域的养分吸收特征。
在一些实施例中，处理器可以将其他子区域的营养物质的综合吸收速率加权求和后作为参考速率阈值。
在一些实施例中，加权求和时的权重可以相关于其他子区域的果实品质的一致程度。
在一些实施例中，某个子区域的果实品质的一致程度越大，则该子区域的综合吸收速率的权重越大。
本说明书一些实施例，通过将加权的权重相关于其他子区域的果实品质的一致程度，可以使果实品质一致程度高的子区域的营养物质的综合吸收速率在参考速率阈值的确定中占比更多，可以使参考速率阈值的确定更合理，有助于后续无人机停留时间的计算。
本说明书一些实施例，通过将参考速率阈值设置为动态阈值，相关于除环境补偿区域外的其他子区域的养分吸收特征，可以使参考速率阈值随实际情况进行调整，有助于更合理地确定参考速率阈值。
步骤S3，基于预设关系对照表，确定每个环境补偿区域无人机停留的时间。
预设关系对照表是指预先设置的综合吸收速率与参考速率阈值的差值与无人机在环境补偿区域停留时间间的对应关系表。在一些实施例中，预设关系对照表可以基于历史经验确定。
在一些实施例中，处理器可以基于综合吸收速率与参考速率阈值的差值查询预设关系对照表，获取该差值对应的无人机停留的时间。
本说明书一些实施例，通过养分吸收特征确定无人机停留的时间序列，可以使无人机在农作物营养物种子吸收速率低的环境补偿区域停留时间适当延长，以保证对该环境补偿区域施加更多肥料，有助于使各个环境补偿区域的肥料得到充分补偿。
本说明书的一些实施例，通过农作物的生长特征确定环境补偿区域，基于所述环境补偿区域确定候选环境调整方案，选取未来生长特征满足预设条件的候选环境调整方案，作为目标环境调整方案，并基于农作物的养分吸收特征确定施肥方案，有利于高效准确地确定第二种植调整方案，解决农作物密度不合适导致的农作物生长情况不均匀的问题。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和***的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的***组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的***。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种农作物智能种植方法，所述方法基于处理器执行，包括：
基于种植区域的土壤结构数据，确定种植密度方案；
基于所述种植区域的农作物的种植特征，确定所述种植区域的所述农作物的种植调整方案；
控制自动播种装置，以所述种植密度方案，对所述种植区域进行播种；
控制环境调节设备和无人机中至少一种，以所述种植调整方案，对所述种植区域的所述农作物的种植情况进行调节；
其中，所述种植调整方案通过以下方法确定：
获取部署于所述种植区域的检测装置所采集的检测数据；
基于所述检测数据，确定所述种植区域的所述农作物的所述种植特征；
基于所述种植特征，确定所述种植调整方案。
2.根据权利要求1所述的方法，所述检测数据包括农作物图像、多组土壤成分数据；所述种植特征包括生长特征、养分吸收特征；
所述基于所述检测数据，确定所述种植区域的所述农作物的所述种植特征包括：
基于至少一张所述农作物图像提取农作物生长特征；
基于所述多组土壤成分数据，确定所述养分吸收特征；所述多组土壤成分数据对应多组检测点位。
3.根据权利要求1所述的方法，所述基于所述种植特征，确定所述种植调整方案包括：
基于所述种植特征，确定所述种植区域的调整类型，所述调整类型包括第一调整和第二调整，所述第一调整和所述第二调整相关于所述种植区域的所述农作物的种植密度；
响应于所述调整类型为所述第一调整，基于所述种植特征，确定所述第一种植调整方案，所述第一种植调整方案包括施肥方案；
响应于所述调整类型为第二调整，基于所述种植特征，确定所述第二种植调整方案，所述第二种植调整方案包括环境调整方案、施肥方案。
4.根据权利要求3所述的方法，所述响应于所述调整类型为第二调整，基于所述种植特征，确定所述第二种植调整方案包括：
基于所述农作物的生长特征确定环境补偿区域；
基于所述环境补偿区域确定候选环境调整方案；
基于评估模型确定所述候选环境调整方案对应的所述农作物的未来生长特征；所述评估模型为机器学习模型；
选取所述未来生长特征满足预设条件的所述候选环境调整方案，作为所述第二种植调整方案的目标环境调整方案；
基于所述农作物的养分吸收特征确定所述施肥方案。
5.一种农作物智能种植***，包括第一确定模块、第二确定模块、第一控制模块和第二控制模块；
所述第一确定模块用于基于种植区域的土壤结构数据，确定种植密度方案；
所述第二确定模块用于基于所述种植区域的农作物的种植特征，确定所述种植区域的所述农作物的种植调整方案；
所述第一控制模块用于控制自动播种装置，以所述种植密度方案，对所述种植区域进行播种；
所述第二控制模块用于控制环境调节设备和无人机中至少一种，以所述种植调整方案，对所述种植区域的所述农作物的种植情况进行调节；
其中，所述第二确定模块进一步用于：
获取部署于所述种植区域的检测装置所采集的检测数据；
基于所述检测数据，确定所述种植区域的所述农作物的所述种植特征；
基于所述种植特征，确定所述种植调整方案。
6.根据权利要求5所述的***，所述检测数据包括农作物图像、多组土壤成分数据；所述种植特征包括生长特征、养分吸收特征；
所述第二确定模块进一步用于：
基于至少一张所述农作物图像提取农作物的生长特征；
基于所述多组土壤成分数据，确定所述养分吸收特征；所述多组土壤成分数据对应多组检测点位。
7.根据权利要求5所述的***，所述第二确定模块进一步用于：
基于所述种植特征，确定所述种植区域的调整类型，所述调整类型包括第一调整和第二调整，所述第一调整和所述第二调整相关于所述种植区域的所述农作物的种植密度；
响应于所述调整类型为所述第一调整，基于所述种植特征，确定所述第一种植调整方案，所述第一种植调整方案包括施肥方案；
响应于所述调整类型为第二调整，基于所述种植特征，确定所述第二种植调整方案，所述第二种植调整方案包括环境调整方案、施肥方案。
8.根据权利要求7所述的***，所述第二确定模块进一步用于：
基于所述农作物的生长特征确定环境补偿区域；
基于所述环境补偿区域确定候选环境调整方案；
基于评估模型确定所述候选环境调整方案对应的所述农作物的未来生长特征；所述评估模型为机器学习模型；
选取所述未来生长特征满足预设条件的所述候选环境调整方案，作为所述第二种植调整方案的目标环境调整方案；
基于所述农作物的养分吸收特征确定所述施肥方案。
9.一种农作物智能种植装置，包括处理器，所述处理器用于执行权利要求1～4中任一项所述的农作物智能种植方法。
10.一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～4中任一项所述的农作物智能种植方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006703.0A CN116941483A (zh) | 2023-08-10 | 2023-08-10 | 一种农作物智能种植方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311006703.0A CN116941483A (zh) | 2023-08-10 | 2023-08-10 | 一种农作物智能种植方法和*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116941483A true CN116941483A (zh) | 2023-10-27 |
Family
ID=88449165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311006703.0A Pending CN116941483A (zh) | 2023-08-10 | 2023-08-10 | 一种农作物智能种植方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116941483A (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106054679A (zh) * | 2016-07-21 | 2016-10-26 | 太仓市农业技术推广中心 | 一种基于物联网的农业智能监控***及作物种植方法 |
| CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
| CN112070241A (zh) * | 2020-09-11 | 2020-12-11 | 腾讯科技（深圳）有限公司 | 基于机器学习模型的植物生长预测方法、装置和设备 |
| CN114066033A (zh) * | 2021-11-10 | 2022-02-18 | 青岛农业大学 | 一种智慧农业优化方法和*** |
| US20220075344A1 (en) * | 2018-12-21 | 2022-03-10 | Yield Systems Oy | A method of finding a target environment suitable for growth of a plant variety |
| CN114757326A (zh) * | 2021-06-22 | 2022-07-15 | 布瑞克农业大数据科技集团有限公司 | 一种基于人工智能确定农场作物施肥配方的方法和*** |
| CN115171036A (zh) * | 2022-06-13 | 2022-10-11 | 武汉工程大学 | 一种智能农业大棚的植物管理控制方法和*** |
| CN115292334A (zh) * | 2022-10-10 | 2022-11-04 | 江西电信信息产业有限公司 | 基于视觉智能种植方法、***、电子设备及存储介质 |
| CN116432851A (zh) * | 2023-04-20 | 2023-07-14 | 西昌学院 | 一种烤烟生长状况智能预测方法及*** |
-
2023
- 2023-08-10 CN CN202311006703.0A patent/CN116941483A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106054679A (zh) * | 2016-07-21 | 2016-10-26 | 太仓市农业技术推广中心 | 一种基于物联网的农业智能监控***及作物种植方法 |
| US20220075344A1 (en) * | 2018-12-21 | 2022-03-10 | Yield Systems Oy | A method of finding a target environment suitable for growth of a plant variety |
| CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
| CN112070241A (zh) * | 2020-09-11 | 2020-12-11 | 腾讯科技（深圳）有限公司 | 基于机器学习模型的植物生长预测方法、装置和设备 |
| CN114757326A (zh) * | 2021-06-22 | 2022-07-15 | 布瑞克农业大数据科技集团有限公司 | 一种基于人工智能确定农场作物施肥配方的方法和*** |
| CN114066033A (zh) * | 2021-11-10 | 2022-02-18 | 青岛农业大学 | 一种智慧农业优化方法和*** |
| CN115171036A (zh) * | 2022-06-13 | 2022-10-11 | 武汉工程大学 | 一种智能农业大棚的植物管理控制方法和*** |
| CN115292334A (zh) * | 2022-10-10 | 2022-11-04 | 江西电信信息产业有限公司 | 基于视觉智能种植方法、***、电子设备及存储介质 |
| CN116432851A (zh) * | 2023-04-20 | 2023-07-14 | 西昌学院 | 一种烤烟生长状况智能预测方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| 王在序等: "《怎样种花生》", 上海科学技术出版社, pages: 76 * |
| 王在序等: "《设施园艺学 第3版》", 31 December 2021, 中国农业大学出版社, pages: 128 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | An AIoT based smart agricultural system for pests detection | |
| Kitano et al. | Corn plant counting using deep learning and UAV images | |
| CN110517311A (zh) | 基于叶片病斑面积的病虫害监测方法 | |
| CN112450056A (zh) | 一种基于机器学习算法的水肥药一体化智能灌溉*** | |
| CN113920474B (zh) | 一种智能监管柑橘种植态势的物联网***及方法 | |
| CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
| CN109472801A (zh) | 一种用于多尺度的神经形态检测和分割方法 | |
| CN109344843A (zh) | 水稻秧苗行线提取方法、装置、计算机设备和存储介质 | |
| WO2020014773A1 (en) | Automated monitoring and irrigation of plants in a controlled growing environment | |
| US20220414795A1 (en) | Crop disease prediction and treatment based on artificial intelligence (ai) and machine learning (ml) models | |
| CN110598841A (zh) | 一种基于多输入卷积神经网络的花卉疾病分析方法 | |
| Kutyrev et al. | Recognition and Classification Apple Fruits Based on a Convolutional Neural Network Model. | |
| Patel et al. | Deep Learning-Based Plant Organ Segmentation and Phenotyping of Sorghum Plants Using LiDAR Point Cloud | |
| CN116941483A (zh) | 一种农作物智能种植方法和*** | |
| US20230309464A1 (en) | Method and apparatus for automated crop recipe optimization | |
| CN110555343B (zh) | 典型资源要素中林、灌、草三要素提取方法和*** | |
| Jogi et al. | CNN based Synchronal recognition of Weeds in Farm Crops | |
| Paul et al. | Utilizing Fine-Tuned YOLOv8 Deep Learning Model for Greenhouse Capsicum Detection and Growth Stage Determination | |
| CN114937030A (zh) | 一种用于智慧农业种植生菜的表型参数计算方法 | |
| Das Choudhury | Time series modeling for phenotypic prediction and phenotype-genotype mapping using neural networks | |
| Javeriya | Faster-RCNN based deep learning model for pomegranate diseases detection and classification | |
| CN114916336B (zh) | 一种基于棉花顶叶成熟期分类识别的化学打顶方法 | |
| Johnson et al. | ARTIFICIAL INTELLIGENCE FOR WEED DETECTION-A TECHNO-EFFICIENT APPROACH. | |
| Rangeetha et al. | A Novel Approach for Disease Identification in Grape Leaf Using Machine Learning Algorithm | |
| Satoto et al. | Rice disease classification based on leaf damage using deep learning |
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 |