CN116993302A - 基于大数据的农业信息智能管理方法及*** - Google Patents
基于大数据的农业信息智能管理方法及*** Download PDFInfo
- Publication number
- CN116993302A CN116993302A CN202311244305.2A CN202311244305A CN116993302A CN 116993302 A CN116993302 A CN 116993302A CN 202311244305 A CN202311244305 A CN 202311244305A CN 116993302 A CN116993302 A CN 116993302A
- Authority
- CN
- China
- Prior art keywords
- crop
- crops
- abnormality
- growth condition
- standard
- 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.)
- Withdrawn
Links
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 230000012010 growth Effects 0.000 claims abstract description 151
- 230000005856 abnormality Effects 0.000 claims abstract description 78
- 230000002159 abnormal effect Effects 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 7
- 241000607479 Yersinia pestis Species 0.000 claims description 27
- 201000010099 disease Diseases 0.000 claims description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 24
- 230000007613 environmental effect Effects 0.000 claims description 22
- 241000238631 Hexapoda Species 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000006378 damage Effects 0.000 claims description 5
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 208000027418 Wounds and injury Diseases 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 239000000575 pesticide Substances 0.000 claims description 2
- 230000006870 function Effects 0.000 description 18
- 241000196324 Embryophyta Species 0.000 description 11
- 238000012549 training Methods 0.000 description 9
- 235000013399 edible fruits Nutrition 0.000 description 8
- 230000004075 alteration Effects 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 6
- 241000209094 Oryza Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 230000003213 activating effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 235000021384 green leafy vegetables Nutrition 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000618 nitrogen fertilizer Substances 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002015 leaf growth Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000002786 root growth Effects 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project 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
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (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大数据的农业信息智能管理方法及***,具体涉及农业管理领域,包括采集农作物图像数据,分析农作物的图像数据,得到农作物的生长阶段;根据生长阶段从标准数据库中调用标准图像和标准特征项目参数,从采集的图像数据中获取特征项目参数,将获取的特征项目参数和标准特征项目参数进行对比,计算农作物的生长状况指数;基于农作物的生长状况指数判断是否启动农作物异常分析步骤;农作物异常分析步骤用于获取农作物异常的原因,根据异常原因制定策略消除异常原因,实现了对农业的智能管理,具有可操作性强、能够节省人力的优点。
Description
技术领域
本发明涉及农业管理技术领域,更具体地说,本发明涉及基于大数据的农业信息智能管理方法及***。
背景技术
现有的农业智能管理更多的体现在农作物的播种、施肥、收割方式的机械化,通过机械设备代替人工,完成生产作业。在农作物的生长过程中也有智能管理,但是局限于利用无人机获取农作物的图像数据,基于人工来判断分析农作物的生长状况,这种方式的农业信息智能管理方法是局部智能的,不能够适用于更广阔范围的农业基地。
农作物的生长状况是满足客观规律的,病虫害、环境异常的原因对于农作物的影响都是清晰可见的,因此利用大数据对农作物的生长状况进行监测管理是满足实际情况的。
发明内容
为了实现上述目的,本发明提供基于大数据的农业信息智能管理方法及***,通过采集作物的图像数据,分析农作物的生长状况,评估生长状况指数,分析异常生长的原因,根据原因采取措施消除农作物异常,以实现上述背景技术中提出的现有技术缺少对农作物的生长状况进行智能管理的问题。
技术方案:为实现上述目的,本发明提供如下技术方案:基于大数据的农业信息智能管理方法,包括以下步骤:
采集农作物图像数据,分析农作物的图像数据,得到农作物的生长阶段;
根据生长阶段从标准数据库中调用标准图像和标准特征项目参数,从采集的图像数据中获取特征项目参数,将获取的特征项目参数和标准特征项目参数进行对比,计算农作物的生长状况指数;
基于农作物的生长状况指数判断是否启动农作物异常分析步骤;
农作物异常分析步骤用于获取农作物异常的原因,根据异常原因制定策略消除异常原因;
其中,特征项目参数是反映农作物生长状况的指标参数,标准特征项目参数是农作物在标准生长状况下生长状况的指标参数。
优选的,采集农作物图像数据的步骤中包括根据待测对象的色差和面积确定采样点的数量的步骤,包括下列步骤:
步骤S11、拍摄农作物的图像,获取待测农作物的面积S,按照面积将拍摄的图像等分,得到n个子区域,每个子区域图像表示面积为Sm的农作物对应的图像,满足Sm×n=S,同时对子区域进行编号;
步骤S12、取子区域的颜色平均值,记为(r,g,b),设第i个子区域的像素点记为XS_i=(ri,gi,bi);
步骤S13、获取子区域i和子区域j的色差矩阵SC_ij,得到n个子区域间的色差,满足公式[sc11,sc12,…,sc(n-1)n],所述色差SC_ij的计算满足公式,设置采样规则为:当待测农作物的色差满足阈值时,均匀采样,当色差超出阈值,在均匀采样的基础上,在色差中心点增加采样点,在色差交界处增加采样点,将采样点处的图像数据传输至农作物生长阶段参数获取步骤。
优选的,在农作物生长阶段参数获取步骤中,将采集的图像数据进行归一化处理,降噪、特征增强处理,将处理后的图像数据输入训练好的神经网络模型中,得到农作物的生长阶段参数。
优选的,调用生长阶段对应的标准图像数据和特征项目参数,计算农作物的生长状况指数,包括以下步骤:
步骤S31、搭建标准数据库:从农作物图像数据中挑选得到标准图像,同时标记特征项目参数,以农作物的种类和生长阶段作为分类,将标准图像数据和对应的标准特征项目参数存储标准数据库库中;
步骤S32、获取对应的标准特征项目参数:根据步骤S2获取的生长阶段参数,从标准图像数据库中获取标准图像数据和对应的标准特征项目参数;
步骤S33、获取待测对象的特征项目参数:从待测对象图像中获取待测对象的特征项目参数,获取每个特征项目参数的偏离程度Pi,将偏离程度传输至综合生长状况评估步骤;
步骤S34、综合评估:特征项目参数相对于标准特征项目参数的得到农作物的生长状况指数。
优选的,步骤S33中,将标准特征项目记为[t01,t02,t03,…,t0m],将获取待测对象的特征项目参数记为[t1,t2,t3,…,tm],偏离程度Pi满足公式。
优选的,步骤S34中,农作物的生长状况指数ZPi满足公式,其中wi表示特征项目对应的权重系数。
优选的,特征项目参数包括不限于农作物的叶片面积和叶片颜色、花的数量和大小、果实的数量和大小、根茎的倾斜角度。
优选的,基于生长状况指数判断是否启动农作物异常分析,当农作物的生长状况指数低于阈值TH,表明采样区域的农作物生长状况异常,启动农作物异常分析,当农作物的生长状况指数不低于阈值,不启动农作物异常分析,当设置每个特征项目参数的浮动值为λi,阈值TH满足公式。
优选的,异常原因判断步骤用于判断导致农作物异常的原因是病虫害或环境异常,包括下列步骤:
步骤S501、在采集的农作物图像中标记生长状况指数,得到生长异常的子区域集合A;
步骤S502、间隔d天后,采集同一对象的农作物图像,按照步骤S1-S3的步骤,得到采样区域的生长状况指数,得到生长异常的子区域集合B;
步骤S503、初步判断:当子区域集合B不能覆盖子区域集合A的50%,表明农作物异常不具有发病中心,输出农作物异常的原因为环境异常,否则进入下一步骤;
步骤S504、再次判断:分析比子区域集合A和子区域集合B的面积变化,获取子区域集合A中每个子区域的异常中心点YDa,获取子区域集合B中每个子区域的异常中心点YDb,当异常中心点YDa与异常中心点YDb趋于重合,则有发病中心点,若不趋于重合则没有发病中心点;
步骤S505、若有发病中心点,则农作物异常原因为病虫害,若无发病中心点,则农作物异常原因为环境异常。
优选的,若导致农作物异常的原因是环境异常,获取农作物的标准环境参数,获取农作物的实际环境参数,计算环境参数的差值,根据差值计算需要改变的项目和数量。
优选的,若导致农作物异常的原因是病虫害,基于神经网络模型获取病虫害的类型,基于病虫害类型与消除病虫害措施的映射,得到消除病虫害的措施,基于农作物的生长状况指数得到措施的用量。
优选的,农作物异常分析步骤包括获取发展速度参数的步骤:所述农作物伤情发展速度参数满足公式:,其中S1表示子区域集合A的数量,S2表示子区域集合B的数量,mi表示第i个子区域的面积,ZPi表示第i个子区域的农作物的生长状况指数,其中,k1表示异常区域面积变化速度的系数,k2表示异常区域的生长状况指数变化速度的系数,k1、k2的取值范围在[1-2],当发展速度参数超出预设值,向管理人员发出预警,所述预设值基于历史数据的平均值设置。
为实现上述目的,本发明提供如下技术方案:基于大数据的农业信息智能管理***,农作物图像采集模块、农作物生长状况分析模块、生长状况判断模块、农作物异常分析模块、异常消除模块;
所述农作物图像采集模块用于采集农作物的图像数据,将采集的图像数据发送至农作物生长状况分析模块;农作物图像采集模块包括安装在无人机上的相机;
所述农作物生长状况分析模块用于分析农作物的生长状况,得到农作物的生长阶段参数,根据农作物的生长阶段参数,从标准数据库中获取农作物在该生长阶段参数对应的标准图像数据和标准特征项目参数,基于标准图像数据和标准特征项目参数评估农作物的生长状况,得到农作物生长状况指数;
所述生长状况判断模块用于判断农作物的生长状况是否异常,当生长状况指数低于阈值,表明农作物生长异常,启动农作物异常分析模块;
所述农作物异常分析模块用于分析产生农作物异常的原因;
所述异常消除模块基于获取的农作物异常原因,生成消除异常的措施。
本发明的技术效果和优点:
本发明通过神经网络获取农作物的生长阶段参数,通过生长阶段获得同一生长阶段的标准农作物信息,通过对比得到农作物的生长状况指数,基于生长状况指数判断农作物的生长是否异常,再确认农作物的生长状况异常,通过判断前后日期的异常区域有无发病中心,将异常原因划分为病虫害和环境异常,最后对异常原因的具体内容进行分析,得到异常的具体原因,采取对应的措施,实现了对农业的智能管理,具有可操作性,能够节省人力,解决本发明提出的现有技术缺少对农作物的生长状况进行智能管理的问题。
附图说明
图1为本发明的方法流程图。
图2为本发明的生长状况指数获取流程图。
图3为本发明的***结构框图。
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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前提下所获得的所有其他实施例,都属于本发明保护的范围。
基于大数据的农业信息智能管理是能够解放农作物种植中的人力巡检工作,通过搭载高清相机的无人机采集得到农作物的图像数据,通过智能图像分析,获取农作物的生长状态,农作物的生长情况是遵循植物生长规律的,通过深度学习,建立从植物图像到植物生长阶段的映射,将植物图像和标准图像进行对比,评估植物的生长状况,当植物的生长状况出现异常,需要分析导致植物出现异常的原因,病害的发生具有明显的发病中心,然后迅速向四周扩散,通常成片发生,若不及时防治,可给植物生长造成很大危害。植物的营养、光照、水不符合标准导致植物的异常时,一般无发病中心,以散发为多,若不采取补救措施,会严重影响产量和品质。
当有发病中心时,植物的异常区域沿着异常中心扩散,产生的异常区域能够覆盖一开始的异常区域。
参阅图1-2,本发明提供基于大数据的农业信息智能管理方法,包括下列步骤:
步骤S1、通过无人机搭载的相机获取农作物的图像数据,包括下列内容:
本实施例中将步骤S1中农作物称为待测对象。
进一步的,采集农作物图像数据的步骤中包括根据待测对象的色差和面积确定采样点的数量的步骤,包括下列步骤:
步骤S11、拍摄农作物的图像,获取待测农作物的面积S,按照面积将拍摄的图像等分,得到n个子区域,每个子区域图像表示面积为Sm的农作物对应的图像,满足Sm×n=S,同时对子区域进行编号;
步骤S12、取子区域的颜色平均值,记为(r,g,b),设第i个子区域的像素点记为XS_i=(ri,gi,bi);
步骤S13、获取子区域i和子区域j的色差矩阵SC_ij,得到n个子区域间的色差,满足公式[sc11,sc12,…,sc(n-1)n],所述色差SC_ij的计算满足公式,设置采样规则为:当待测农作物的色差满足阈值时,均匀采样,当色差超出阈值,在均匀采样的基础上,在色差中心点增加采样点,在色差交界处增加采样点,将采样点处的图像数据传输至农作物生长阶段参数获取步骤。
步骤S2、将采集的图像数据输入训练好的神经网络模型A中,得到农作物的生长阶段参数;
所述训练好的神经网络模型A可以是卷积神经网络模型或是其他类型的神经网络模型,本发明不对神经网络的类型做具体限定,在将采集的图像数据输入训练好的神经网络模型A前,包括数据预处理,所述数据预处理是将采集的图像数据进行归一化处理,降噪、特征增强处理,属于常规技术手段,神经网络模型A的训练包括下列步骤:
步骤S21、对神经网络初始化,初始化神经元间的权重系数,偏置函数,激活函数;
步骤S22、向前传播:输入样本数据,输出生长阶段参数,计算损失函数;
步骤S23、根据损失函数调整权重系数,偏置函数,进行向后传播,得到满足损失函数条件的模型;
步骤S24、输入测试样本,验证模型的准确性,精确性,完成对神经网络模型A的训练。
S3、调用生长阶段对应的标准图像数据和特征项目参数,评估农作物的生长状况指数,参见图2,包括:
步骤S31、搭建标准数据库:从农作物图像数据中挑选得到标准图像,同时标记特征项目参数,以农作物的种类和生长阶段作为分类,将标准图像数据和对应的标准特征项目参数存储标准数据库库中;
步骤S32、获取对应的标准特征项目参数:根据步骤S2获取的生长阶段参数,从标准图像数据库中获取标准图像数据和对应的标准特征项目参数;
步骤S33、获取待测对象的特征项目参数:从待测对象图像中获取待测对象的特征项目参数,获取每个特征项目参数的偏离程度Pi,将偏离程度传输至综合生长状况评估步骤;
步骤S34、综合评估:特征项目参数相对于标准特征项目参数的得到农作物的生长状况指数。
进一步的,步骤S33中,将标准特征项目记为[t01,t02,t03,…,t0m],将获取待测对象的特征项目参数记为[t1,t2,t3,…,tm],偏离程度Pi满足公式。
进一步的,步骤S34中,农作物的生长状况指数ZPi满足公式,其中wi表示特征项目对应的权重系数。
进一步的,将标准图像数据和标准特征项目作为神经网络的训练样本,获得特征项目参数提取模型B,特征项目参数提取模型B的搭建包括下列步骤:
步骤S301、对神经网络初始化,初始化神经元间的权重系数,偏置函数,激活函数;
步骤S302、向前传播:输入训练样本,输出特征项目参数,计算输出值与实际值的损失函数;
步骤S303、根据损失函数调整权重系数,偏置函数,进行向后传播,得到满足损失函数条件的模型;
步骤S304、输入测试样本,验证模型的准确性,精确性,完成对神经网络模型的训练,得到特征项目参数提取模型B。
所述特征项目参数是反映农作物生长状况的指标参数,不同农作物的特征项目参数不同,例如水稻的根茎倾斜角度反映了水稻是否倒伏,因此可以将根茎的倾斜角度作为水稻的特征项目参数;例如叶类菜的叶片面积和颜色反映了生长状况,因此可以将叶片的面积和颜色作为叶类菜的特征项目参数,通过对特征项目的监测和量化,得到衡量农作物生长状况的指标;例如果类菜的花的数量和大小,果实的大小、数量、色差反映了果实的生长状况,因此可以将花的数量和大小,果实的数量、大小和色差作为衡量生长状况的特征项目参数,同时在果类菜的生长状况指标中,不同生长阶段的花的指标参数和果实的影响参数对于生长状况的权重不同,该权重wi基于统计分析得出或专家设置。
特征项目参数包括不限于农作物的叶片面积和叶片颜色、花的数量和大小、果实的数量和大小、茎秆的倾斜角度。
进一步的,特征项目可以是叶片面积和叶片颜色、花的数量和大小、果实的数量和大小、根茎的倾斜角度中的一种或多种,所述叶片生长参数偏离率满足公式,se_i0表示待测对象与标准图像的叶面色差,ysi表示待测对象的叶片面积,ys0表示标准图像的叶片面积;所述根茎生长偏离率满足公式,其中θ表示茎秆的倾斜角度。
步骤S4、基于生长状况指数判断是否启动农作物异常分析:
当农作物的生长状况指数低于阈值TH,表明采样区域的农作物生长状况异常,启动农作物异常分析,当农作物的生长状况指数不低于阈值,不启动农作物异常分析;
进一步的,设置每个特征项目参数的浮动值为λi,阈值TH满足公式,设λi的取值在[1%-30%],设每个特征项目的浮动值为λi=10%,则阈值满足公式/>。
步骤S5、获取导致农作物异常的原因,判断导致农作物异常的原因是病虫害或环境异常,包括:
步骤S501、在采集的农作物图像中标记生长状况指数,得到生长异常的子区域集合A;
步骤S502、间隔d天后,采集同一对象的农作物图像,按照步骤S1-S3的步骤,得到采样区域的生长状况指数,得到生长异常的子区域集合B;
进一步的,其中d天取值可以为[1-5];
步骤S503、初步判断:当子区域集合B不能覆盖子区域集合A的50%,表明农作物异常不具有发病中心,输出农作物异常的原因为环境异常,否则进入下一步骤;
步骤S504、再次判断:分析比子区域集合A和子区域集合B的面积变化,获取子区域集合A中每个子区域的异常中心点YDa,获取子区域集合B中每个子区域的异常中心点YDb,当异常中心点YDa与异常中心点YDb趋于重合,则有发病中心点,若不趋于重合则没有发病中心点;
步骤S505、有发病中心点,则农作物异常原因为病虫害,若无发病中心点,则农作物异常原因为环境异常。
进一步的,异常中心点可以选择子区域的几何中心点,异常中心点趋于重合的判断标准可以是异常中心点的直线距离小于10米。
进一步的,农作物异常分析步骤包括获取发展速度参数的步骤:所述农作物伤情发展速度参数满足公式:,其中S1表示子区域集合A的数量,S2表示子区域集合B的数量,mi表示第i个子区域的面积,ZPi表示第i个子区域的农作物的生长状况指数,其中,k1表示异常区域面积变化速度的系数,k2表示异常区域的生长状况指数变化速度的系数,k1、k2的取值范围在[1-2],当发展速度参数超出预设值,向管理人员发出预警,所述预设值基于历史数据的平均值设置。
步骤S6、根据农作物的异常原因制定消除异常的策略,包括若导致农作物异常的原因是环境异常,获取农作物的标准环境参数,获取农作物的实际环境参数,计算环境参数的差值,根据差值计算需要改变的项目和数量,例如水稻在抽穗成长阶段中需要的水溶性氮含量是80mg/L,实际的水溶性氮含量是30mg/L,则环境参数差值是50mg/L,获取水稻的水体积V、氮肥施用量和水溶性氮含量的转化系数γ1,计算得到需要施加的氮肥含量;
若导致农作物异常的原因是病虫害,基于神经网络模型C获取病虫害的类型,基于病虫害类型与消除病虫害措施的映射,得到消除病虫害的措施,基于农作物的生长状况指数得到措施的用量。
其中所述策略包括施洒农药、增加营养的措施和用量。
进一步的,本发明中神经网络模型C的获取基于现有技术,因此不作具体限定,基于神经网络模型获取病虫害的类型包括下列步骤:
近距离采集病虫害高清图像,采集的图像进行归一化处理,降噪、特征增强处理后,得到训练样本的输入,以人工标记的形式获取病虫害高清图像对应的标准病虫害类型参数;将神经网络初始化,初始化神经元间的权重系数,偏置函数,激活函数;输入训练样本,输出病虫害类型参数,计算与标准病虫害类型参数的损失函数;根据损失函数调整权重系数和偏置函数,进行向后传播,得到满足损失函数条件的神经网络模型。
本发明提供了如图3所示的基于大数据的农业信息智能管理***,包括:
农作物图像采集模块、农作物生长状况分析模块、生长状况判断模块、农作物异常分析模块、异常消除模块;
所述农作物图像采集模块用于采集农作物的图像数据,将采集的图像数据发送至农作物生长状况分析模块;农作物图像采集模块包括安装在无人机上的相机;
所述农作物生长状况分析模块用于分析农作物的生长状况,得到农作物的生长阶段参数,根据农作物的生长阶段参数,从标准数据库中获取农作物在该生长阶段参数对应的标准图像数据和标准特征项目参数,基于标准图像数据和标准特征项目参数评估农作物的生长状况,得到农作物生长状况指数;
所述生长状况判断模块用于判断农作物的生长状况是否异常,当生长状况指数低于阈值,表明农作物生长异常,启动农作物异常分析模块;
所述农作物异常分析模块用于分析产生农作物异常的原因;
所述异常消除模块基于获取的农作物异常原因,生成消除异常的措施。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于大数据的农业信息智能管理方法,其特征在于:包括以下步骤:
采集农作物图像数据,分析农作物的图像数据,得到农作物的生长阶段;
根据生长阶段从标准数据库中调用标准图像和标准特征项目参数,从采集的图像数据中获取特征项目参数,将获取的特征项目参数和标准特征项目参数进行对比,计算农作物的生长状况指数;
基于农作物的生长状况指数判断是否启动农作物异常分析步骤;
农作物异常分析步骤用于获取农作物异常的原因,根据异常原因制定策略消除异常原因;
其中,特征项目参数是反映农作物生长状况的指标参数,标准特征项目参数是农作物在标准生长状况下生长状况的指标参数;所述策略包括施洒农药、增加营养的措施和用量。
2.根据权利要求1所述的一种基于大数据的农业信息智能管理方法,其特征在于:在农作物生长阶段参数获取步骤中,将采集的图像数据进行归一化处理,降噪、特征增强处理,将处理后的图像数据输入训练好的神经网络模型中,得到农作物的生长阶段参数。
3.根据权利要求1所述的一种基于大数据的农业信息智能管理方法,其特征在于:调用生长阶段对应的标准图像数据和特征项目参数,计算农作物的生长状况指数,包括以下步骤:
步骤S31、搭建标准数据库:从农作物图像数据中挑选得到标准图像,同时标记特征项目参数,以农作物的种类和生长阶段作为分类,将标准图像数据和对应的标准特征项目参数存储标准数据库库中;
步骤S32、获取对应的标准特征项目参数:根据步骤S2获取的生长阶段参数,从标准图像数据库中获取标准图像数据和对应的标准特征项目参数;
步骤S33、获取待测对象的特征项目参数:从待测对象图像中获取待测对象的特征项目参数,获取每个特征项目参数的偏离程度Pi,将偏离程度传输至综合生长状况评估步骤;
步骤S34、综合评估:特征项目参数相对于标准特征项目参数的得到农作物的生长状况指数。
4.根据权利要求3所述的一种基于大数据的农业信息智能管理方法,其特征在于:将标准特征项目记为[t01,t02,t03,…,t0m],将获取待测对象的特征项目参数记为[t1,t2,t3,…,tm],偏离程度Pi满足公式;农作物的生长状况指数ZPi满足公式,其中wi表示特征项目对应的权重系数。
5.根据权利要求4所述的一种基于大数据的农业信息智能管理方法,其特征在于:基于生长状况指数判断是否启动农作物异常分析,当农作物的生长状况指数低于阈值TH,表明采样区域的农作物生长状况异常,启动农作物异常分析,当农作物的生长状况指数不低于阈值,不启动农作物异常分析,当设置每个特征项目参数的浮动值为λi,阈值TH满足公式。
6.根据权利要求1所述的一种基于大数据的农业信息智能管理方法,其特征在于:
异常原因判断步骤用于判断导致农作物异常的原因是病虫害或环境异常,包括下列步骤:
步骤S501、在采集的农作物图像中标记生长状况指数,得到生长异常的子区域集合A;
步骤S502、间隔d天后,采集同一对象的农作物图像,按照步骤S1-S3的步骤,得到采样区域的生长状况指数,得到生长异常的子区域集合B;
步骤S503、初步判断:当子区域集合B不能覆盖子区域集合A的50%,表明农作物异常不具有发病中心,输出农作物异常的原因为环境异常,否则进入下一步骤;
步骤S504、再次判断:分析比子区域集合A和子区域集合B的面积变化,获取子区域集合A中每个子区域的异常中心点YDa,获取子区域集合B中每个子区域的异常中心点YDb,当异常中心点YDa与异常中心点YDb趋于重合,则有发病中心点,若不趋于重合则没有发病中心点;
步骤S505、若有发病中心点,则农作物异常原因为病虫害,若无发病中心点,则农作物异常原因为环境异常。
7.根据权利要求6所述的一种基于大数据的农业信息智能管理方法,其特征在于:若导致农作物异常的原因是环境异常,获取农作物的标准环境参数,获取农作物的实际环境参数,计算环境参数的差值,根据差值计算需要改变的项目和数量。
8.根据权利要求6所述的一种基于大数据的农业信息智能管理方法,其特征在于:若导致农作物异常的原因是病虫害,基于神经网络模型获取病虫害的类型,基于病虫害类型与消除病虫害措施的映射,得到消除病虫害的措施,基于农作物的生长状况指数得到措施的用量。
9.根据权利要求6所述的一种基于大数据的农业信息智能管理方法,其特征在于:农作物异常分析步骤包括获取发展速度参数的步骤:
所述农作物伤情发展速度参数FS满足公式,其中S1表示子区域集合A的数量,S2表示子区域集合B的数量,mi表示第i个子区域的面积,ZPi表示第i个子区域的农作物的生长状况指数,其中,k1表示异常区域面积变化速度的系数,k2表示异常区域的生长状况指数变化速度的系数,k1、k2的取值范围在[1-2],当发展速度参数超出预设值,向管理人员发出预警。
10.一种基于大数据的农业信息智能管理***,用于实现上述权利要求1-9任一所述的基于大数据的农业信息智能管理方法,其特征在于:包括:
农作物图像采集模块将采集的图像数据发送至农作物生长状况分析模块;农作物图像采集模块包括安装在无人机上的相机;
农作物生长状况分析模块用于分析农作物的生长状况,得到农作物的生长阶段参数,根据农作物的生长阶段参数,从标准数据库中获取农作物在该生长阶段参数对应的标准图像数据和标准特征项目参数,基于标准图像数据和标准特征项目参数评估农作物的生长状况,得到农作物生长状况指数;
生长状况判断模块判断农作物的生长状况是否异常,当生长状况指数低于阈值,表明农作物生长异常,启动农作物异常分析模块;
农作物异常分析模块用于分析产生农作物异常的原因;
异常消除模块基于获取的农作物异常原因,生成消除异常的措施。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311244305.2A CN116993302A (zh) | 2023-09-26 | 2023-09-26 | 基于大数据的农业信息智能管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311244305.2A CN116993302A (zh) | 2023-09-26 | 2023-09-26 | 基于大数据的农业信息智能管理方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116993302A true CN116993302A (zh) | 2023-11-03 |
Family
ID=88532472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311244305.2A Withdrawn CN116993302A (zh) | 2023-09-26 | 2023-09-26 | 基于大数据的农业信息智能管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116993302A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541177A (zh) * | 2023-11-09 | 2024-02-09 | 南京邮电大学 | 一种基于大数据的智慧农业监控管理方法及*** |
CN118095661A (zh) * | 2024-04-24 | 2024-05-28 | 杨凌职业技术学院 | 一种根据农作物图像采集的农业管理*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110545531A (zh) * | 2019-09-20 | 2019-12-06 | 河南工业大学 | 一种基于大数据和云计算的农作物长势监控方法与*** |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
KR20220071405A (ko) * | 2020-11-24 | 2022-05-31 | 김학철 | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 |
CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警*** |
-
2023
- 2023-09-26 CN CN202311244305.2A patent/CN116993302A/zh not_active Withdrawn
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110545531A (zh) * | 2019-09-20 | 2019-12-06 | 河南工业大学 | 一种基于大数据和云计算的农作物长势监控方法与*** |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
KR20220071405A (ko) * | 2020-11-24 | 2022-05-31 | 김학철 | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 |
CN114972843A (zh) * | 2022-04-26 | 2022-08-30 | 黑龙江省农业科学院农业遥感与信息研究所 | 一种基于大数据的农业病虫害诊断与预警*** |
Non-Patent Citations (1)
Title |
---|
李之超 等: "基于"大数据+人工智能"科研范式的黑土地保护与利用智能决策", 数据与计算前沿发展, vol. 5, no. 3, pages 39 - 48 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117541177A (zh) * | 2023-11-09 | 2024-02-09 | 南京邮电大学 | 一种基于大数据的智慧农业监控管理方法及*** |
CN118095661A (zh) * | 2024-04-24 | 2024-05-28 | 杨凌职业技术学院 | 一种根据农作物图像采集的农业管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116993302A (zh) | 基于大数据的农业信息智能管理方法及*** | |
US8335653B2 (en) | System and method of evaluating crop management | |
JP6638121B1 (ja) | 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム | |
CN115185220B (zh) | 一种基于物联网的农林病虫害监控*** | |
Črtomir et al. | Application of Neural Networks and Image Visualization for Early Forecast of Apple Yield. | |
Moghaddam et al. | Estimation of single leaf chlorophyll content in sugar beet using machine vision | |
EP3654272A1 (en) | Crop injury diagnosis system and method | |
CN111754045A (zh) | 一种基于果树生长的预测*** | |
CN116485040B (zh) | 种子活力预测方法、***、电子设备及存储介质 | |
CN110658211A (zh) | 棉花蕾期蚜害棉花冠层光谱特征提取及等级估测方法 | |
CN114298615A (zh) | 一种农作物种植风险预防方法、装置、存储介质和设备 | |
KR102309568B1 (ko) | 이미지 기반 작물 생육정보 자동계측 시스템 | |
CN114723667A (zh) | 一种农业精细化种植及灾害预防控制*** | |
CN117561964A (zh) | 一种基于人工智能的农业数据管理***及方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和*** | |
CN115690580A (zh) | 一种玉米倒伏遥感监测方法、***、电子设备及介质 | |
Moghaddam et al. | A new method in assessing sugar beet leaf nitrogen status through color image processing and artificial neural network | |
CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及*** | |
CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
CN112345467B (zh) | 利用遥感技术估算水稻生理参数的模型及其应用 | |
CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
CN107818565B (zh) | 一种小麦一至三叶期麦苗数量调查方法 | |
WO2023144293A1 (en) | Plant disease detection at onset stage | |
Pourdarbanı et al. | Automatic detection of greenhouse plants pests by image analysis | |
CN112164041A (zh) | 基于多尺度深度神经网络的黄龙病自动诊疗***及方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20231103 |