一种农作物生长管理系统及方法

技术领域

本发明涉及智能管理系统技术领域，具体涉及一种农作物生长管理系统及方法。

背景技术

随着信息技术的快速发展，互联网在社会生产及人们的日常生活中越来越普及，也逐渐影响了农业生产。目前，虽然部分领先的地区已经开始尝试利用网络信息实现农产品的交易和流通，但是，在农作物的种植阶段，仍然是农户自发种植和管理的传统模式。

在农作物种植过程中，由于农户缺乏专业知识，无法进行合理的种植管理，容易导致农业病虫害的发生；在发生病虫害之后，又由于不能及时找到正确的解决方法，引起多种病害的交叉传播和蔓延，不仅增加了防治成本，也给无公害生产带来了很大的难度。

发明内容

针对现有技术中的缺陷，本发明实施例提供一种农作物生长管理系统及方法，通过采集农作物生长数据和生长图像，对农作物的生长情况和病虫害情况进行判断，给出农作物施作解决方案，实现农作物生长过程的精确控制。

第一方面，本发明实施例提供的一种农作物生长管理系统，包括：传感器模块、图像采集模块、图像处理模块、智能分析模块和显示模块，其中；

所述传感器模块用于采集农作物生长环境数据；

所述图像采集模块用于采集农作物生长图像；

所述图像处理模块用于对农作物生长图像进行处理，得到处理后的图像；

所述智能分析模块根据处理后的图像和检测模型判断农作物的生长状况及病虫害情况，根据农作物生长模型和农作物生长环境数据判断农作物生长所需要养分和病虫害情况，作出农作物生长控制策略；

所述显示模块用于显示农作物的生长过程信息。

第二方面，本发明实施例提供的一种农作物生长管理方法，适用于上述实施例描述的农作物生长管理系统，方法包括以下步骤：

获取采集的农作物生长环境数据；

获取采集的农作物生长图像并进行处理，得到处理后的图像；

根据处理后的图像判断农作物的生长状况及病虫害情况，根据农作物生长模型和农作物生长环境数据判断农作物生长所需要养分和病虫害情况，作出农作物生长控制策略；

控制显示模块显示农作物的生长过程信息。

本发明的有益效果：

本发明实施例提供的一种农作物生长管理系统及方法，通过采集农作物生长数据和生长图像，对农作物的生长情况和病虫害情况进行判断，给出农作物施作解决方案，实现农作物生长过程的精确控制，有利于农作物的科学生长。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。

图1示出了本发明第一实施例所提供的一种农作物管理系统的结构框图；

图2示出了本发明第二实施例所提供的一种农作物管理方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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。

应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

如图1所示，示出了本发明第一实施例提供了一种农作物管理系统的结构框图，该系统包括：传感器模块、图像采集模块、图像处理模块、智能分析模块和显示模块，其中；传感器模块用于采集农作物生长环境数据；图像采集模块用于采集农作物生长图像；图像处理模块用于对农作物生长图像进行处理，得到处理后的图像；智能分析模块根据处理后的图像和检测模型判断农作物的生长状况及病虫害情况，根据农作物生长模型和农作物生长环境数据判断农作物生长所需要养分和病虫害情况，作出农作物生长控制策略；显示模块用于显示农作物的生长过程信息。

在本实施例中，传感器模块包括温度传感器、湿度传感器、光照度传感器和二氧化碳传感器。温度传感器用于采集农作物的生长环境温度，湿度传感器采集农作物的土壤湿度，光照度传感器采集光照强度，二氧化碳传感器采集农作物的生长环境的二氧化碳浓度。图像采集模块利用400万像素的CMOS定向无线筒形网络摄像机，采用无线网络摄像机拍摄管理中的农作物图像，图像采集模块将采集的图像传输给图像处理模块，图像处理模块采集的农作物图像进行处理，图像处理的方法包括灰度化、几何变换和图像增强处理，得到处理后的图像。智能分析模块根据处理后的图像和检测模型判断农作物的生长情况和病虫害情况，根据农作物生长模型和农作物生长环境数据判断农作物生长所需的养分和病虫害情况，根据农作物所需要养分给出准确的施肥方案，根据病虫害情况给出相应的病虫害处理方案，通过显示模块显示农作物的生长过程信息。

在本实施例中，人工智能分析模块包括知识图谱构建单元，知识图谱构建单元通过获取农作物病虫害相关数据，并对病虫害数据进行分析和处理，构建知识图谱。通过多种数据接入方式获取农作物病虫害的数据建立知识图谱图数据库。可以通过网络爬虫自动收集检测农作物病虫害的数据，也可以通过数据传输方式接入检测农作物病虫害数据，通过收集充足的数据建立知识图谱图数据库，增强人工智能技术在农作物病虫害领域的应用性。

在本实施例中，知识图谱构建单元包括数据预处理单元、实体抽取单元、关系抽取单元、数据存储单元和实体融合单元，数据预处理单元用于收集的牧草病虫害数据进行过滤、整理和清洗，将非文本数据转化为文本数据；实体抽取单元用于从文本数据中抽取数据中的实体和实体属性；关系抽取单元用于判定实体与实体间的关系；数据存储单元用于对需要存储的实体和实体属性进行数据处理，形成相应的键值存储到数据库中；实体融合单元采用集成实体对齐方法进行实体融合。通过构建不同的知识图谱，可以对不同的农作物和不同的病虫害进行检测。智能分析模块包括检测模型构建单元，检测模型构建单元用于获取农作物图像，对农作物图像上的不良特征所在的有效区域进行标注，有效区域包括不良特征像素点；将正常的农作物图像和具有不良特征的农作物图像作为训练样本训练卷积神经网络模型，将农作物测试集输入训练好的卷积神经网络模型中进行测试，得到病虫害检测模型。智能分析模块还包括检测单元，检测单元利用训练好的病虫害检测模型对处理后的农作物图像进行检测，将检测出的病虫害特征进行标注。智能分析模块通过人工智能技术自动识别农作物的病虫害情况，并能给出相对应的病虫害处理方案。

智能分析模块包括农作物生长模型构建单元和农作物生长判断单元，所述农作物生长模型构建单元根据农作物的施肥数据、灌溉数据、GIS数据和生长过程数据建立农作物生长模型；农作物生长判断单元根据农作物生长模型中的生长数据、采集的农作物生长环境数据和生长图像判断农作物所处的生长阶段和所需要养分。农作物生长构建单元将农作物、土壤、环境相关的农作物生长过程和水分、养分运动规律提取为量化的数学模型，找到影响农作物生长的环境、水分、肥料、品种等不同因素间的动态表示关系，农作物生长判断单元根据模型判断农作物所处的生长阶段和所需养分，从而对农作物生长进行精确控制，有利于农作物的科学生长。

本发明实施例提供的一种农作物生长管理系统，通过采集农作物生长数据和生长图像，对农作物的生长情况和病虫害情况进行判断，给出农作物施作解决方案，实现农作物生长过程的精确控制，有利于农作物的科学生长。

在上述的第一实施例中，提供了一种农作物生长管理系统，与之相对应的，本申请还提供一种农作物生长管理方法。请参考图2，其为本发明第二实施例提供的农作物生长管理方法的流程图。由于方法实施例基本相似于装置实施例，所以描述得比较简单，相关之处参见装置实施例的部分说明即可。下述描述的方法实施例仅仅是示意性的。

如图2所示，示出了本发明第二实施例提供的一种农作物生长管理方法的流程图，该方法适用于第一实施例描述的系统，方法包括以下步骤：

S1:获取采集的农作物生长环境数据。

S2:获取采集的农作物生长图像并进行处理，得到处理后的图像。

S3:根据处理后的图像和检测模型判断农作物的生长状况及病虫害情况，根据农作物生长模型和农作物生长环境数据判断农作物生长所需要养分和病虫害情况，作出农作物生长控制策略。

S4:控制显示模块显示农作物的生长过程信息。

在本实施例中，方法还包括构建知识图谱。

具体地，构建知识图谱具体方法包括：

将获取的农作物病虫害数据进行过滤、整理和清洗，将非文本数据转化为文本数据；

从文本数据中抽取数据中的实体和实体属性；

判定实体与实体间的关系；

对需要存储的实体和实体属性进行数据处理，形成相应的键值存储到数据库中；

采用集成实体对齐方法进行实体融合。

本实施例中，该方法还包括：构建检测模型。

具体地，构建检测模型具体包括以下步骤：

获取农作物图像；

对农作物图像上的不良特征所在的有效区域进行标注，有效区域包括不良特征像素点；

将正常的农作物图像和具有不良特征的农作物图像作为训练样本训练卷积神经网络模型；

将农作物测试集输入训练好的卷积神经网络模型中进行测试，得到病虫害检测模型。

方法还包括：构建农作物生长模型和判断农作物生长情况。

具体地，构建农作物生长模型和判断农作物生长情况具体包括：

根据农作物的施肥数据、灌溉数据、GIS数据和生长过程数据建立农作物生长模型，根据农作物生长模型中的生长数据、采集的农作物生长环境数据和生长图像判断农作物所处的生长阶段和所需要养分。

本发明实施例提供的一种农作物生长管理方法，通过采集农作物生长数据和生长图像，对农作物的生长情况和病虫害情况进行判断，给出农作物施作解决方案，实现农作物生长过程的精确控制，有利于农作物的科学生长。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。