一种基于AI的农作物生长情况预测方法、设备及介质

技术领域

本申请涉及农作物预测技术领域，尤其涉及一种基于AI的农作物生长情况预测方法、设备及介质。

背景技术

传统农作物种植受气候、天气因素影响比较大，且农事作业大都依托种植人员个人经验进行，无法形成标准化种植，产量往往得不到保障。

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，容易导致农作物生长较差的情况发生。农作物生长状况出新问题后，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，增加了农作物生长防治成本。

农作物生长异常的环境参数包括湿度参数、温度参数以及光照参数等，通常需要花费大量的时间和人工成本来分析生长异常的原因，由于响应时间长严重影响农作物的量产。

发明内容

本申请实施例提供了一种基于AI的农作物生长情况预测方法、设备及介质，用于解决如下技术问题：造成农作物生长异常的环境参数，通常需要花费大量的时间和人工成本来分析生长异常的原因，由于响应时间长严重影响农作物的量产。

本申请实施例采用下述技术方案：

本申请实施例提供一种基于AI的农作物生长情况预测方法。包括，基于预置田间监测设备，获取农作物生长信息与农作物生长环境信息；基于预置农作物生长趋势预测模型、农作物生长信息与农作物生长环境信息，得到不同时间段分别对应的农作物生长预测信息；基于时间顺序，对获取到的农作物生长信息与农作物生长环境信息进行聚合，得到第一农作物生长数据集；以及，基于时间顺序，对不同时间段分别对应的农作物生长预测信息进行聚合，得到第二农作物生长数据集；将第一农作物生长数据集与第二农作物生长数据集中，重合时间段对应的数据进行比对，基于比对结果确定出预测误差；基于预测误差与不同时间段分别对应的农作物生长预测信息，对农作物生长环境进行调整，以使农作物的生长情况符合预设要求。

本申请实施例通过收集农作物生长信息与农作物生长环境信息，然后通过这些数据，以及预置的农作物生长趋势预测模型，预测其生长趋势，并根据环境因素进行调整和优化，然后，将得到的结果按照时间角度进行聚合。这种方法能够帮助农户更好地理解农田的生长情况，从而进行有针对性的管理，同时为科研人员提供充足的数据支持，进一步提高农田的产量和效率。其次，本申请实施例通过将获取到的实际数据与预测的数据进行比对，基于比对的差值，确定出相应的误差，以通过该误差对预测结果进行调节，从而使得预测结果更为准确。

在本申请的一种实现方式中，基于时间顺序，对获取到的农作物生长信息与农作物生长环境信息进行聚合，得到第一农作物生长数据集，具体包括：确定获取农作物生长信息与农作物生长环境信息的时间段，以及确定出农作物的地理位置；基于预置时间单位，将时间段进行划分，以得到多个小时间段；基于划分后的小时间段，将相同地理位置的农作物对应的农作物生长信息与农作物生长环境信息进行聚合，以得到不同地理位置的农作物分别对应的第一农作物生长数据集。

在本申请的一种实现方式中，得到第一农作物生长数据集之后，方法还包括：对第一农作物生长数据集进行关键词提取；其中，关键词与农作物生长状况以及农作物生长环境状况相关；基于获取到的关键词构建农作物关键词集合，并将关键词集合与预置关键词数据库中的数据进行相似度计算；其中，预置关键词集合中包括有多个关键词集合以及还包括多个关键词集合分别对应的标签；在预置关键词数据库中确定出相似值最高的参考关键词集合，并将参考关键词集合对应的标签作为第一农作物生长数据集对应的标签；其中标签用于表征农作物的生长状况。

在本申请的一种实现方式中，将第一农作物生长数据集与第二农作物生长数据集中，重合时间段对应的数据进行比对，具体包括：确定出第一农作物生长数据集与第二农作物生长数据集中时间段相同的参考数据；确定出第一农作物生长数据集中参考数据对应的第一数据类型，以及，确定出第一农作物生长数据集中参考数据对应的第二数据类型；将第一数据类型与第二数据类型进行比对，以确定出相同的数据类型，并将相同的数据类型所对应的数据进行比对。

在本申请的一种实现方式中，基于比对结果确定出预测误差，具体包括：基于比对结果，确定出相同的数据类型所对应的相似值与差值；基于相似值与预置相似度等级表，确定出相似值对应的相似度等级；其中，相似度等级表中包括有不同的相似度、不同的相似度分别对应的相似度等级，以及还包括相似度等级对应的误差值；基于差值的正负情况与误差值，确定出相应的预测误差。

在本申请的一种实现方式中，基于预测误差与不同时间段分别对应的农作物生长预测信息，对农作物生长环境进行调整，以使农作物的生长情况符合预设要求，具体包括：基于预测误差，对农作物生长预测信息进行调整，以得到误差调整后的参考预测信息；其中，参考预测信息至少包括预测生长速度、预测叶绿素含量、预测土壤湿度以及病虫害程度中的一项；参考预测信息与预置农作物生长参数表进行比对，以确定出参考预测信息与预置农作物生产参数表中数据的差值；确定出不同的差值分别对应的数据类型，基于数据类型对相应的农作物生长环境进行调节，以使农作物的生长情况符合预设要求。

在本申请的一种实现方式中，基于预测误差，对农作物生长预测信息进行调整，以得到误差调整后的参考预测信息，具体包括：在预测误差小于零的情况下，将农作物生长预测信息与预测误差进行差值计算，以得到误差调整后的参考预测信息；在预测误差大于零的情况下，将农作物生长预测信息与预测误差进行求和值计算，以得到误差调整后的参考预测信息。

在本申请的一种实现方式中，基于预置田间监测设备，获取农作物生长信息与农作物生长环境信息，具体包括：基于预置田间图像监测设备，获取农作物图像信息；通过预置CNN和预置RNN，对农作物图像信息进行特征提取，以得到农作物图像信息对应的关键信息；其中，关键信息至少包括农作物生长信息与农作物病虫害信息中的一项；基于不同预置传感器获取到的农作物生长数据，通过NLP技术进行语义化处理，将其转化为结构化的数据；基于关键信息与结构化数据，得到取农作物生长信息与农作物生长环境信息。

本申请实施例提供一种基于AI的农作物生长情况预测设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：基于预置田间监测设备，获取农作物生长信息与农作物生长环境信息；基于预置农作物生长趋势预测模型、农作物生长信息与农作物生长环境信息，得到不同时间段分别对应的农作物生长预测信息；基于时间顺序，对获取到的农作物生长信息与农作物生长环境信息进行聚合，得到第一农作物生长数据集；以及，基于时间顺序，对不同时间段分别对应的农作物生长预测信息进行聚合，得到第二农作物生长数据集；将第一农作物生长数据集与第二农作物生长数据集中，重合时间段对应的数据进行比对，基于比对结果确定出预测误差；基于预测误差与不同时间段分别对应的农作物生长预测信息，对农作物生长环境进行调整，以使农作物的生长情况符合预设要求。

本申请实施例提供的一种非易失性计算机存储介质，存储有计算机可执行指令，计算机可执行指令设置为：基于预置田间监测设备，获取农作物生长信息与农作物生长环境信息；基于预置农作物生长趋势预测模型、农作物生长信息与农作物生长环境信息，得到不同时间段分别对应的农作物生长预测信息；基于时间顺序，对获取到的农作物生长信息与农作物生长环境信息进行聚合，得到第一农作物生长数据集；以及，基于时间顺序，对不同时间段分别对应的农作物生长预测信息进行聚合，得到第二农作物生长数据集；将第一农作物生长数据集与第二农作物生长数据集中，重合时间段对应的数据进行比对，基于比对结果确定出预测误差；基于预测误差与不同时间段分别对应的农作物生长预测信息，对农作物生长环境进行调整，以使农作物的生长情况符合预设要求。

本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例通过收集农作物生长信息与农作物生长环境信息，然后通过这些数据，以及预置的农作物生长趋势预测模型，预测其生长趋势，并根据环境因素进行调整和优化，然后，将得到的结果按照时间角度进行聚合。这种方法能够帮助农户更好地理解农田的生长情况，从而进行有针对性的管理，同时为科研人员提供充足的数据支持，进一步提高农田的产量和效率。其次，本申请实施例通过将获取到的实际数据与预测的数据进行比对，基于比对的差值，确定出相应的误差，以通过该误差对预测结果进行调节，从而使得预测结果更为准确。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本申请实施例提供的一种基于AI的农作物生长情况预测方法流程图；

图2为本申请实施例提供的一种基于AI的农作物生长情况预测设备的结构示意图。

具体实施方式

本申请实施例提供一种基于AI的农作物生长情况预测方法、设备及介质。

为了使本技术领域的人员更好地理解本申请中的技术方案，下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

下面通过附图对本申请实施例提出的技术方案进行详细的说明。

图1为本申请实施例提供的一种基于AI的农作物生长情况预测方法流程图。如图1所示，基于AI的农作物生长情况预测方法包括如下步骤：

S101、基于预置田间监测设备，获取农作物生长信息与农作物生长环境信息。

在本申请的一个实施例中，基于预置田间图像监测设备，获取农作物图像信息。通过预置CNN和预置RNN，对农作物图像信息进行特征提取，以得到农作物图像信息对应的关键信息；其中，关键信息至少包括农作物生长信息与农作物病虫害信息中的一项。基于不同预置传感器获取到的农作物生长数据，通过NLP技术进行语义化处理，将其转化为结构化的数据。基于关键信息与结构化数据，得到农作物生长信息与农作物生长环境信息。

具体地，本申请实施例通过图像识别、视频分析以及田间监测设备等手段收集作物的图片、视频以及生长环境数据，包括但不限于植物的生长速度、叶绿素含量、土壤湿度等。这些设备可以设置在田间的不同位置，以便从多个角度捕获作物的生长情况。

进一步地，对于作物图片和视频，可以使用CNN和RNN进行特征提取，以识别和提取图像中的关键信息，如作物的生长状态、病虫害情况等。同时，对于图片中的文本信息，利用OCR技术进行识别和提取。对于田间监测数据，利用NLP技术进行语义化处理，将其转化为结构化的数据。

S102、基于预置农作物生长趋势预测模型、所述农作物生长信息与所述农作物生长环境信息，得到不同时间段分别对应的农作物生长预测信息。

在本申请的一个实施例中，预先设置有预置农作物生长趋势预测模型，该模型的训练过程为，将预先采集的历史农作物生长信息数据集，以及采集的农作物当前生长环境信息数据集，作为输入，将该数据集对应的农作物生长信息作为输出，对预置神经网络模型进行训练，以得到该预置农作物生长趋势预测模型。

进一步地，该预置农作物生长趋势预测模型训练完成后，将当前待预测农作物对应的生长信息与当前农作物生长环境信息作为输入，通过该预置农作物生长趋势预测模型完成对该农作物的生长预测，并输出相应的农作物生长预测信息。

S103、基于时间顺序，对获取到的所述农作物生长信息与农作物生长环境信息进行聚合，得到第一农作物生长数据集；以及，基于时间顺序，对所述不同时间段分别对应的农作物生长预测信息进行聚合，得到第二农作物生长数据集。

在本申请的一个实施例中，确定获取农作物生长信息与农作物生长环境信息的时间段，以及确定出农作物的地理位置。基于预置时间单位，将时间段进行划分，以得到多个小时间段。基于划分后的小时间段，将相同地理位置的农作物对应的农作物生长信息与农作物生长环境信息进行聚合，以得到不同地理位置的农作物分别对应的第一农作物生长数据集。

具体地，将得到的结果数据按照时间角度进行聚合。具体来说，可以针对不同的农作物和地理位置，按照日、周、月为单位进行聚合，记录每个时间单位内的农作物数据。

在本申请的一个实施例中，对第一农作物生长数据集进行关键词提取；其中，关键词与农作物生长状况以及农作物生长环境状况相关。基于获取到的关键词构建农作物关键词集合，并将关键词集合与预置关键词数据库中的数据进行相似度计算；其中，预置关键词集合中包括有多个关键词集合以及还包括多个关键词集合分别对应的标签。在预置关键词数据库中确定出相似值最高的参考关键词集合，并将参考关键词集合对应的标签作为第一农作物生长数据集对应的标签；其中标签用于表征农作物的生长状况。

具体地，对获取到的第一农作物生长数据集进行关键词提取，例如，提取的关键词可以为叶绿素含量、土壤湿度、水分含量等不同的词语，且提取的关键词均与农作物生长状况以及农作物生长环境状况相关。

进一步地，将提取到的关键词组合为农作物关键词集合，将该组合后的农作物关键词集合与预置关键词数据库进行比对，以进行相似度计算，从而确定出相似度最高的预置关键词数据集。

进一步地，该预置关键词数据库中包括不同的预置关键词集合，以及还包括不同的预置关键词集合分别对应的标签。确定出该相似度最高的预置关键词数据集所对应的标签，从而将该标签作为该第一农作物生长数据集对应的标签。其中，该标签与该关键词相关，用于表征农作物的生长状况，例如，该标签可以为正常、缺水以及病虫害等不同的词语。

进一步地，将当前获取到的农作物生长状况信息与当前农作物的生长环境信息，输入该预置农作物生长趋势预测模型，得到对该农作物未来时间段的生长预测信息。将获取到的农作物生长趋势预测信息基于时间信后顺序进行聚合，例如，以日、周或者月为单位进行聚合，得到第二农作物生长数据集。并同样对预测的信息进行关键词提取，并基于提取到的关键词在预置关键词数据库中查询到想要的标签，对该第二农作物生长数据集进行标签标注。

S104、将所述第一农作物生长数据集与所述第二农作物生长数据集中，重合时间段对应的数据进行比对，基于比对结果确定出预测误差。

在本申请的一个实施例中，确定出第一农作物生长数据集与第二农作物生长数据集中时间段相同的参考数据。确定出第一农作物生长数据集中参考数据对应的第一数据类型，以及，确定出第一农作物生长数据集中参考数据对应的第二数据类型。将第一数据类型与第二数据类型进行比对，以确定出相同的数据类型，并将相同的数据类型所对应的数据进行比对。

具体地，本申请实施例中的第一农作物生长数据集为实际采集的数据，第二农作物生长数据集为通过模型预测的数据，确定出第一数据集与第二数据集中时间段相同的数据，以将其作为参考数据。确定出该参考数据的数据类型，例如，该参考数据是农作物含水量数据，或者是土壤湿度数据等，将第一数据集第二数据集中相同类型的数据进行比对，以确定出预测的数据与实际数据之间的相似度。

在本申请的一个实施例中，基于比对结果，确定出相同的数据类型所对应的相似值与差值。基于相似值与预置相似度等级表，确定出相似值对应的相似度等级；其中，相似度等级表中包括有不同的相似度、不同的相似度分别对应的相似度等级，以及还包括相似度等级对应的误差值。基于差值的正负情况与误差值，确定出相应的预测误差。

具体地，确定出相同类型的数据之间的相似值，根据该相似值在预置相似度等级表中确定出相似度等级。以及确定出二者之间的差值，其中，该差值可以为正值，也可以为负值。基于该相似值大小，确定出相应的相似度等级，不同的相似度等级，对应不同的误差阈值。基于该差值，确定出该误差阈值的正负情况。

S105、基于所述预测误差与不同时间段分别对应的农作物生长预测信息，对农作物生长环境进行调整，以使农作物的生长情况符合预设要求。

在本申请的一个实施例中，基于所述预测误差，对所述农作物生长预测信息进行调整，以得到误差调整后的参考预测信息；其中，所述参考预测信息至少包括预测生长速度、预测叶绿素含量、预测土壤湿度以及病虫害程度中的一项。将所述参考预测信息与预置农作物生长参数表进行比对，已确定出所述参考预测信息与所述预置农作物生产参数表中数据的差值。确定出不同的差值分别对应的数据类型，基于所述数据类型对相应的农作物生长环境进行调节，以使农作物的生长情况符合预设要求。

在本申请的一个实施例中，根据该预测误差，以及该误差的正负值，对该农作物生长预测信息进行调整，以得到调节后的参考预测误差。

具体地，在预测误差小于零的情况下，将农作物生长预测信息与预测误差进行差值计算，以得到误差调整后的参考预测信息。在预测误差大于零的情况下，将农作物生长预测信息与预测误差进行求和值计算，以得到误差调整后的参考预测信息。

具体地，若预测误差小于零，则说明农作物生长预测的数据值较大，此时将该预测的数据值减去该预测误差，从而减小误差。若预测误差大于零，则说明农作物生长预测的数据值较小，此时通过加上该误差值，可以减小误差，提高预测数据的准确度。

进一步地，得到调整后的参考预测信息后，基于该参考预测信息的类型，将该参考预测信息与预置农作物生长参数表进行比对。例如，将预测的叶绿素含量与预置农作物生长参数表中的叶绿素含量进行比对，并确定出比对差值。

进一步地，基于该差值，对农作物生长环境进行调节，例如，也叶绿含量较低，则增加光照，或者对其施加相应的养分。

本申请实施例通过收集农作物生长信息与农作物生长环境信息，然后通过这些数据，以及预置的农作物生长趋势预测模型，预测其生长趋势，并根据环境因素进行调整和优化，然后，将得到的结果按照时间角度进行聚合。这种方法能够帮助农户更好地理解农田的生长情况，从而进行有针对性的管理，同时为科研人员提供充足的数据支持，进一步提高农田的产量和效率。其次，本申请实施例通过将获取到的实际数据与预测的数据进行比对，基于比对的差值，确定出相应的误差，以通过该误差对预测结果进行调节，从而使得预测结果更为准确。

图2为本申请实施例提供的一种基于AI的农作物生长情况预测设备的结构示意图，如图2所示，基于AI的农作物生长情况预测设备，包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够：基于预置田间监测设备，获取农作物生长信息与农作物生长环境信息；基于预置农作物生长趋势预测模型、所述农作物生长信息与所述农作物生长环境信息，得到不同时间段分别对应的农作物生长预测信息；基于时间顺序，对获取到的所述农作物生长信息与农作物生长环境信息进行聚合，得到第一农作物生长数据集；以及，基于时间顺序，对所述不同时间段分别对应的农作物生长预测信息进行聚合，得到第二农作物生长数据集；将所述第一农作物生长数据集与所述第二农作物生长数据集中，重合时间段对应的数据进行比对，基于比对结果确定出预测误差；基于所述预测误差与不同时间段分别对应的农作物生长预测信息，对农作物生长环境进行调整，以使农作物的生长情况符合预设要求。

本申请实施例还提供一种非易失性计算机存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为：基于预置田间监测设备，获取农作物生长信息与农作物生长环境信息；基于预置农作物生长趋势预测模型、所述农作物生长信息与所述农作物生长环境信息，得到不同时间段分别对应的农作物生长预测信息；基于时间顺序，对获取到的所述农作物生长信息与农作物生长环境信息进行聚合，得到第一农作物生长数据集；以及，基于时间顺序，对所述不同时间段分别对应的农作物生长预测信息进行聚合，得到第二农作物生长数据集；将所述第一农作物生长数据集与所述第二农作物生长数据集中，重合时间段对应的数据进行比对，基于比对结果确定出预测误差；基于所述预测误差与不同时间段分别对应的农作物生长预测信息，对农作物生长环境进行调整，以使农作物的生长情况符合预设要求。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请的实施例可以有各种更改和变化。而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。