-
公开(公告)号：CN109816181A
公开(公告)日：2019-05-28
申请号：CN201910197990.5
申请日：2019-03-15
申请人： 合肥工业大学 , 安徽省司尔特肥业股份有限公司
摘要： 本明公开了基于土壤性状监测的农作物种植收成预测方法。涉及农作物收成预测技术领域。本发明包括测定土壤性状对农作物收成的影响系数、测定土壤性状并预测农作物产量。本发明通过测定土壤性状包括土壤的相对湿度、酸碱度、氧气浓度以及二氧化碳浓度对农作物收成的影响系数：相对湿度影响系数sn、酸碱度影响系数hn、氧气浓度影响系数kn、二氧化碳浓度影响系数ln、氮浓度的影响系数Nn、磷浓度的影响系数Pn、钾浓度的影响系数Kn，并通过Tp＝kn*ln*sn*hn*(Nn*Pn*Kn)*T，预测农作物的收成，同时方便对农作物施肥等救助、提高农作物产量。
-
公开(公告)号：CN113873459A
公开(公告)日：2021-12-31
申请号：CN202110808369.5
申请日：2021-07-16
申请人： 合肥工业大学 , 安徽省司尔特肥业股份有限公司
摘要： 本发明提供一种土壤成分采集的多传感器优化部署方法，涉及土壤成分采集技术领域。本发明提出一种两阶段传感器部署方法：第一阶段借助少量传感器采用系统随机法重复多次计算每个部署点的土壤成分值，如果土壤成分分布差异较小，则以最接近单个网格土壤成分平均值的部署点为最终部署方案，否则进入部署第二阶段，使用基于均匀网格化和Delaunay三角剖分的布点算法；使用变异系数对每个三角网内土壤成分的离散程度进行约束，对于离散程度较高的三角网格进行剖分，直至所有三角网均符合要求；本部署方案可以用于作物种植前、种植中以及种植后的土壤成分监测，与农情相结合，从实际角度出发，与现有的传感器部署方案相比，能够科学全面的持续反映土壤成分。
-
公开(公告)号：CN109983899A
公开(公告)日：2019-07-09
申请号：CN201910198012.2
申请日：2019-03-15
申请人： 合肥工业大学 , 安徽省司尔特肥业股份有限公司
IPC分类号： A01C21/00
摘要： 本发明公开了基于土壤肥力检测的个性化配肥方法，涉及农业种植技术领域。本发明包括如下步骤：步骤一，取一正常耕作的待耕地，检测该区域土壤肥力状况，并记录；步骤二，对该耕作区进行细化分区，若各个区域内现有肥力较于该作物正常所需肥比值相差小于5％时进行步骤四，否则进行步骤三；步骤三，残留肥力补平，最高补肥至该作物正常所需肥的40％；步骤四，后续于种植前再次补肥至该作物正常所需肥的60％；步骤五，播种或栽种幼苗，并在苗芽成长期进行追肥，成熟期正常追肥。本发明通过首先对带耕种区内进行肥力检测，针对其各种所需元素进行配肥追肥，减少浪费和污染。
-
公开(公告)号：CN113873459B
公开(公告)日：2024-03-12
申请号：CN202110808369.5
申请日：2021-07-16
申请人： 合肥工业大学 , 安徽省司尔特肥业股份有限公司
摘要： 本发明提供一种土壤成分采集的多传感器优化部署方法，涉及土壤成分采集技术领域。本发明提出一种两阶段传感器部署方法：第一阶段借助少量传感器采用系统随机法重复多次计算每个部署点的土壤成分值，如果土壤成分分布差异较小，则以最接近单个网格土壤成分平均值的部署点为最终部署方案，否则进入部署第二阶段，使用基于均匀网格化和Delaunay三角剖分的布点算法；使用变异系数对每个三角网内土壤成分的离散程度进行约束，对于离散程度较高的三角网格进行剖分，直至所有三角网均符合要求；本部署方案可以用于作物种植前、种植中以及种植后的土壤成分监测，与农情相结合，从实际角度出发，与现有的传感器部署方案相比，能够科学全面的持续反映土壤成分。
-
公开(公告)号：CN114818888B
公开(公告)日：2023-04-07
申请号：CN202210382476.0
申请日：2022-04-13
申请人： 合肥工业大学 , 安徽省司尔特肥业股份有限公司
摘要： 本发明提供一种基于多通道卡尔曼滤波的土壤成分数据融合方法和系统，涉及土壤成分测量技术领域。本发明首先基于数值迭代的思想对自适应加权融合算法计算真实值的方法进行改进，由传统均值计算法替换为迭代中值计算法，该方法不仅可以有效降低融合方差而且可以极大地减小异常值对融合值的影响；其次，在卡尔曼滤波模型处理农业多传感器系统时，可能引起滤波发散的问题。本发明构造出双层的渐消记忆指数加权滤波因子，不仅可以实现土壤中不同传感器的滤波融合，还可以保证恒为误差协方差对称阵，较长时间进行数据滤波。改进后的多通道卡尔曼滤波模型不仅可以实现同时对不同的土壤属性进行融合，而且针对性地赋予每个通道不同的调节能力。
-
公开(公告)号：CN115035512A
公开(公告)日：2022-09-09
申请号：CN202210568094.7
申请日：2022-05-24
申请人： 合肥工业大学
摘要： 本发明提供一种基于多模态深度学习的作物营养状态诊断方法和系统，涉及作物营养状态诊断技术领域。本发明实施例设计了一种多模态特征交互的多头注意力神经网络层，使得各模态信息，例如图片、文本和土壤养分信息实现相互融合，增强了多模态特征的互补性和一致性；为了进一步挖掘作物营养状态诊断过程中各个模态对结果的影响程度，还在LSTM网络的基础上进行改进，创新出一种模态门以自适应赋予每种模态不同的权重。多模态交互注意力机制和增加模态门的LSTM网络的模型设计，不仅实现作物生育期各模态的有机交互，而且自适应的赋予各模态不同的权重，控制每种目标模态的输出，实现作物营养状态的及时、精准、智能诊断，为大规模肥料个性化定制奠定基础。
-
公开(公告)号：CN115035512B
公开(公告)日：2023-04-18
申请号：CN202210568094.7
申请日：2022-05-24
申请人： 合肥工业大学
IPC分类号： G06V20/68 , G06V10/40 , G06V10/80 , G06V10/82 , G06N3/0442 , G06N3/0464 , G06N3/08
摘要： 本发明提供一种基于多模态深度学习的作物营养状态诊断方法和系统，涉及作物营养状态诊断技术领域。本发明实施例设计了一种多模态特征交互的多头注意力神经网络层，使得各模态信息，例如图片、文本和土壤养分信息实现相互融合，增强了多模态特征的互补性和一致性；为了进一步挖掘作物营养状态诊断过程中各个模态对结果的影响程度，还在LSTM网络的基础上进行改进，创新出一种模态门以自适应赋予每种模态不同的权重。多模态交互注意力机制和增加模态门的LSTM网络的模型设计，不仅实现作物生育期各模态的有机交互，而且自适应的赋予各模态不同的权重，控制每种目标模态的输出，实现作物营养状态的及时、精准、智能诊断，为大规模肥料个性化定制奠定基础。
-
公开(公告)号：CN109816181B
公开(公告)日：2022-02-11
申请号：CN201910197990.5
申请日：2019-03-15
申请人： 合肥工业大学 , 安徽省司尔特肥业股份有限公司
摘要： 本明公开了基于土壤性状监测的农作物种植收成预测方法。涉及农作物收成预测技术领域。本发明包括测定土壤性状对农作物收成的影响系数、测定土壤性状并预测农作物产量。本发明通过测定土壤性状包括土壤的相对湿度、酸碱度、氧气浓度以及二氧化碳浓度对农作物收成的影响系数：相对湿度影响系数sn、酸碱度影响系数hn、氧气浓度影响系数kn、二氧化碳浓度影响系数ln、氮浓度的影响系数Nn、磷浓度的影响系数Pn、钾浓度的影响系数Kn，并通过Tp＝kn*ln*sn*hn*(Nn*Pn*Kn)*T，预测农作物的收成，同时方便对农作物施肥等救助、提高农作物产量。
-
公开(公告)号：CN114818888A
公开(公告)日：2022-07-29
申请号：CN202210382476.0
申请日：2022-04-13
申请人： 合肥工业大学 , 安徽省司尔特肥业股份有限公司
摘要： 本发明提供一种基于多通道卡尔曼滤波的土壤成分数据融合方法和系统，涉及土壤成分测量技术领域。本发明首先基于数值迭代的思想对自适应加权融合算法计算真实值的方法进行改进，由传统均值计算法替换为迭代中值计算法，该方法不仅可以有效降低融合方差而且可以极大地减小异常值对融合值的影响；其次，在卡尔曼滤波模型处理农业多传感器系统时，可能引起滤波发散的问题。本发明构造出双层的渐消记忆指数加权滤波因子，不仅可以实现土壤中不同传感器的滤波融合，还可以保证恒为误差协方差对称阵，较长时间进行数据滤波。改进后的多通道卡尔曼滤波模型不仅可以实现同时对不同的土壤属性进行融合，而且针对性地赋予每个通道不同的调节能力。
-
公开(公告)号：CN114282702A
公开(公告)日：2022-04-05
申请号：CN202111338375.5
申请日：2021-11-12
申请人： 合肥工业大学 , 安徽省司尔特肥业股份有限公司
摘要： 本发明提供一种基于IGA‑BP神经网络的土壤调理时间序列预测方法、系统、存储介质和电子设备，涉及土壤调理技术领域。本发明采用IGA算法确定BP神经网络的权值和阈值，并作为最优权值和阈值；根据最优权值和阈值训练BP神经网络，获取IGA‑BP神经网络模型；将土壤墒情数据输入IGA‑BP神经网络模型中，获取待预测土壤养分的预测结果；通过选定不同目标土壤成分，预测得出未来一段时间该区域的具体土壤成分演变规律，同时结合具体作物生长特征和当地土壤养分等级评级体系双向匹配出土壤调理时间序列，最终确定最佳土壤调理所需养分。
-
-
-
-
-
-
-
-
-
搜索结果
12 条记录 (耗时 0.025 秒)
