[发明专利]一种基于物联网的智能施药方法及系统

权利要求书

1.一种基于物联网的智能施药方法，其特征在于，包括：

采集监测区域农作物的图像信息以及监测区域土壤环境特征信息，对所述采集的信息进行预处理；

建立对比数据库，存储各种作物各生长阶段的图像特征信息、各农作物生长的土壤环境特征信息、各种害虫的图像特征信息、不同生长状况的农作物施药种类和比例信息；

建立深度卷积神经网络模型，通过训练样本数据对所述深度卷积神经网络模型进行深度的学习和训练；

通过深度卷积神经网络模型识别判断监测区域内的农作物生长情况、土壤环境情况、是否存在害虫和是否需要施药以及施药的种类；

根据识别判断后的结果信息，选择施药种类和比例进行调配，通过自适应的工作方式对监测区域施药。

2.根据权利要求1所述的一种基于物联网的智能施药方法，其特征在于，采集监测区域农作物的图像信息以及监测区域环境特征信息，对所述采集的信息进行预处理，具体包括：

采集位于监测区域中的各种农作物的实时图像信息；

采集监测区域中的土壤环境特征信息；

所述环境特征信息包括土壤温度信息、土壤湿度信息，土壤中虫类及微生物信息；

对实时采集的图像信息和环境特征信息进行降噪、滤波和筛选预处理。

3.根据权利要求1所述的一种基于物联网的智能施药方法，其特征在于，建立对比数据库，存储各种作物各生长阶段的图像特征信息、各农作物适宜生长的环境特征信息、各种害虫的图像特征信息、不同生长状况的农作物施药种类信息和比例信息，具体包括：

收集历史出现的各农作物各生长阶段的图像信息；

收集历史出现的害虫图像特征信息；

收集适宜各农作物生长的土壤环境特征信息；

收集不同生长状况的农作物施药的比例信息以及使用种类信息；

建立对比数据库，存储以上所述收集的信息数据。

4.根据权利要求1所述的一种基于物联网的智能施药方法，其特征在于，建立深度卷积神经网络模型，通过测试样本对所述神经网络模型进行深度的学习和训练,具体包括：

建立深度卷积神经网络模型，包括识别深度卷积神经网络模型和预测深度卷积神经网络模型；

收集农作物易患病的土壤环境特征信息和患病作物的图像信息，作为训练样本数据；

通过训练样本数据对所述深度卷积神经网络模型进行深度的学习和训练；

采用自动分割方法对所述建立的神经网络模型进行深度学习和训练，自动学习网络参数及特征。

5.根据权利要求1所述的一种基于物联网的智能施药方法，其特征在于，通过深度卷积神经网络模型识别判断监测区域内的农作物生长情况、土壤环境信息、是否存在害虫和是否需要施药以及施药的种类，具体包括：

将采集的土壤环境特征信息和农作物图像信息输入至识别深度卷积神经网络模型，得到输出值；

采用相似度计算法，将所述输出值与对比数据库中的数据进行相似度计算；

若所述相似度值大于阈值，则得到监测区域中农作物生长状况差、土壤环境差和监测区域存在害虫的任意一种或几种的识别结果信息；

若所述相似度值小于阈值，则得到监测区域中农作物生长状况好、土壤环境好和不存在害虫的任意一种或几种的识别结果信息；

将所述识别结果信息输入值预测深度卷积神经网络模型，预测监测区域土壤中是否含有潜在害虫存在，得到预测结果信息；

根据所述识别结果信息和预测结果信息，判断是否需要施药以及施药的种类和比例，得到判断后的结果信息。

6.根据权利要求1所述的一种基于物联网的智能施药方法，其特征在于，根据识别判断后的结果信息，选择施药种类和比例进行调配，通过自适应的工作方式对监测区域施药，具体包括：

根据所述识别判断后结果信息，工作设备自动按预设的比例调配好农药或肥料；

通过欧式聚类算法将相似的影响因素划为同一类别，设置面对不同情况下的操作基准，实现所述自适应的工作方式；

采用自适应工作方式，适应施药时的各种环境影响因素，自动调节喷洒的方向、喷洒强度以及调节喷洒时间；

以上所述步骤完成后，工作设备在预设区域自动按照预设的轨迹开始喷洒农药。