CN106250899B - 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 - Google Patents
一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 Download PDFInfo
- Publication number
- CN106250899B CN106250899B CN201610607641.2A CN201610607641A CN106250899B CN 106250899 B CN106250899 B CN 106250899B CN 201610607641 A CN201610607641 A CN 201610607641A CN 106250899 B CN106250899 B CN 106250899B
- Authority
- CN
- China
- Prior art keywords
- disease
- image
- insect pests
- matrix
- pest
- 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.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/513—Sparse representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Catching Or Destruction (AREA)
Abstract
一种基于分布式压缩感知WSN的柑桔病虫害监测预警方法，将分布式压缩感知和无线传感器网络应用于柑桔农作物的环境监测以及柑病桔病虫害的预警。包括利用分布式压缩感知技术对无线传感器网络节点所监测到的图像数据进行联合稀疏表示、编码测量和联合信息重构；应用DCNN（深度卷积神经网络）算法进行图像模式识别，建立病虫害参数（图像）特征库；量化柑桔病虫害生物信息和环境信息参数指标，根据决策机制准确及时地发出病虫害灾情预警。本发明利用分布式压缩感知的图像处理技术，减少了大容量图像在无线网络中的传输压力，利用无线传感器网络，建立及时、现场、低功耗、生命力强的无线网络监测体系，提高了农业监测的精度，缩短柑桔病虫害预警周期。
Description
技术领域
本发明涉及一种基于分布式压缩感知WSN的柑桔病虫害监测预警方法，属于农作物病虫害防治技术领域
背景技术
长期以来，我国对重大病虫害的灾变趋势、成灾规律与机理等方面的基础性和公益性研究缺乏足够的认识，对某些全国性及局域性发生的重要病虫害缺乏系统长期的实时监测，难以准确预报，这是造成农作物病虫灾害防不胜防的被动局面的原因之一。柑桔类农作物是我国南方的重要经济作物，其上发生的病虫害种类较多，常见病害有柑桔炭疽病，溃疡病，疮痂病，黄龙病等，常见虫害有红蜘蛛，粉虱，潜叶蛾，木虱等。严重制约柑桔产业的健康发展。某些害虫还可以传播病害，像柑桔木虱可以传播黄龙病。在一些纬度低的地区，这些病虫害可常年发生，给柑桔种植业造成严重经济损失。
目前，在柑桔病虫害综合防治技术中3S技术是应用最广泛的，3S技术是遥感技术(Remote sensing，RS)、地理信息系统(Geography information systems，GIS)和全球定位系统(Global positioning systems，GPS)的融合与应用，它是农业进行抽样调查、获取农作物生长各种影响因素信息(如土壤结构、含水量、地形、病虫害等)的主要技术手段之一。但由于各国农业种植地形复杂多样，种植结构千差万别，种植规模和品种不同，以及农户种植习惯、种植特点等的差异，单纯利用3S技术进行农情监测的精度不够。针对这种柑桔病虫害监测具有低精度、滞后性和资源受限等局限性的特点，本发明基于分布式压缩感知WSN(Wireless Sensor Networks，无线传感器网络)的柑桔病虫害监测预警方法，利用分布式压缩感知技术以及无线传感器网络在时空尺度上监测高精度的优势，建立及时、现场、低功耗、生命力强的无线网络监测体系，能有效地解决3S技术在进行农情监测时的精度不够、小区域内或单个观测点上的数据无法直接获取等问题。
发明内容
本发明的目的是，根据在柑桔病虫害综合防治技术中，单纯利用3S技术进行农情监测的精度不够，针对柑桔病虫害监测具有低精度、滞后性和资源受限等局限性的问题，本发明提出一种基于分布式压缩感知WSN(Wireless Sensor Networks，无线传感器网络)的柑桔病虫害监测预警方法。
实现本发明的技术方案是，一种基于分布式压缩感知WSN的柑桔病虫害监测预警方法，包括基于DCS(Distributed Compressive Sampling，分布式压缩感知)的病虫害监测图像采集与重构、基于DCNN(Deep Convolutional Neural Network，深度卷积神经网络)的病虫害图像特征提取、以及基于WSN的柑桔病虫害监测预警系统构建。
本发明通过无线传感器节点采集到农作物的生物信息和环境信息，利用分布式压缩感知DCS对采集到的数据进行处理，然后通过无线传感器网关节点传输到远端服务器，在远程控制中心采用快速稳健的分布式压缩感知重构算法恢复原始信号。将图像信号输入DCNN进行训练，用于柑桔病虫害的图像识别。最后，建立病虫害监测、传输、图像自动识别的预警系统。
所述基于DCS的病虫害监测图像采集与重构包括以下步骤：
(1)通过无线传感器节点对柑桔病虫害图像的采集。
(2)柑桔病虫害图像信号的稀疏表示：
采用基于信号群的联合稀疏模型(JSM，Joint Sparse Model)中的JSM-2模型架构进行稀疏表示。对于图像信号中稀疏的变换域，用拉普拉斯塔式分解和圆对称轮廓波分别表示图像的光滑成分和边缘部分，采用多成分冗余字典上病虫害图像联合稀疏表示方法，获得病虫害图像的联合稀疏表示系数，并采用JSM-2模型对病虫害图像进行联合稀疏建模。
(3)观测矩阵设计
基于相关性理论,将投影矩阵和观测矩阵的非相关条件等价为Grammar矩阵:Gram:(ACS)TACS
其中，A为观测矩阵；ACS为感知矩阵；T表示矩阵的转置。
首先产生一个随机观测矩阵，然后利用信号的稀疏基的信息，训练学习出一个优化观测矩阵,它与字典矩阵之间具有更低的相干性；采用K-SVD方法求解下式中的优化问题：
其中，A为观测矩阵；Φ为随机初始化投影矩阵；Ψ为变换基；I为随机观测矩阵；ACS为感知矩阵；T为矩阵的转置。
(4)使用基于JSM-2模型的快速且稳健的分布式重构算法对图像信号进行重构。
所述基于DCNN神经网络的病虫害图像特征提取，包括以下步骤：
(1)柑桔病虫害图像卷积和采样
利用卷积神经网络，用于特征提取的卷积神经网络由卷积层和子采样层两种结构交替组成，采用5层结构。卷积和子采样过程包括用一个可训练的滤波器(权值系的组合)去卷积一个输入的图像(第1阶段为输入的图像，其他阶段为特征图)，然后加一个偏置，得到卷积层。子采样过程包括将邻域4个像素通过权值系数求加权和变为1个像素，再加上偏置，然后通过一个sigmoid激活函数产生特征图的1/4大小的特征图。C层可看做是模糊滤波器，用于提取特征，S层的空间分辨率逐层递减，而每层所含的平面数递增，用于压缩数据并产生更多的信息。
(2)柑桔病虫害图像特征提取
对于监测图像中的每一个子块图像，将子块图像中的每一个像素看作神经元，其中第一个卷积层，由多个特征图构成，每个特征图通过一种卷积滤波器提取输入图像的一种特征。特征图中每个神经元与输入图像的某一区域相连。这些卷积滤波器的权值由训练样本训练得到，且对于一个特征图权值共享。下一层子采样层，有对应的多个的特征图。特征图中的每个神经元与卷积层中相对应特征图的某一区域相连。采样层每个神经元的结果由卷积层相邻的多个神经元相加后乘以一个可训练权值参数，再加上一个可训练偏置参数，最后通过sigmoid函数计算得到，下一层层也是卷积层，它同样通过卷积核卷积上一采样层，得到多个特征图。接下来是一个子采样层。最后一层是一个卷积层，使用全连接，每个单元与上一采样的全部区域相连，得到的特征图大小为1。至此可将原始的柑桔病虫害图像子块转变为多维的特征向量，即完成了图像的特征提取。特征提取阶段所需的卷积矩阵权值、偏置值均通过训练得到，以保证特征提取的客观性。
所述基于WSN的柑桔病虫害预警系统构建：
通过WSN监测的生物信息和环境信息传输到网关，再由传输网络从网关到服务器，服务器端软件系统对图像信息进行处理，将图像信息写入到相应的数据库中。对比农作物生物信息和环境信息参数的量化指标(叶面情况、周围环境信息等)，明确无线传感器网络中采集测量的各类参数与病虫害灾情风险之间的关联程度，构建监测及预警系统。
本发明与现有技术比较的有益效果是，本发明可以自动实时监控柑桔农作物的空气温度、湿度及有柑桔生物图像等参数，实现自动化快速监控柑桔生长情况，可以有效预防柑桔病虫害的大面积发生，并减少其发生的次数。与人工或机械方式相比，更好地保护柑桔稳产、高产和优质，有利于保障粮食安全、发展现代农业及绿色食品产业。提高了防治措施的科学合理性以及信息传播速度和应急决策的科学性，全面提升了农业相关部门对农业有害生物的预警和应急控制能力，避免造成重大经济损失，对改善民生具有重要的意义。
附图说明
图1是基于分布式压缩感知WSN的柑桔病虫害监测预警方法的业务流程；
图2是基于分布式压缩感知WSN的柑桔病虫害监测预警系统的网络拓扑；
图3是压缩感知中技术中的观测矩阵优化过程；
图4是柑桔病虫害图像的卷积和子采样过程；
图5是卷积神经网络的柑桔病虫害图像特征提取过程。
具体实施方式
下面结合附图和具体实施，进一步阐明本发明。
图1是本实施例基于分布式压缩感知WSN的柑桔病虫害监测预警方法的业务流程。
本实施例将无线传感器节点部署在农作物上，实时获取农作物的生物信息和环境信息，将信息传输到无线传感器的网关节点，再由网关节点通过无线网络(GPRS)传输到远端服务器进行综合分析决策。具体的监测位置，监测时间点，监测周期，应以所监测的柑桔以往的发病特点，病虫害的生理特点等所定。系统的网络拓扑示意图如图2所示。
本实施例柑桔病虫害监测预警方法主要包括分布式压缩感知的病虫害监测图像采集与重构、基于DCNN的病虫害图像特征提取、以及基于WSN的柑桔病虫害监测预警系统构建3个部分。
(1)基于DCS的病虫害监测图像采集与重构,包括以下步骤：
S1:通过无线传感器节点对柑桔病虫害图像的采集
S2：柑桔病虫害图像信号的稀疏表示
采用基于信号群的联合稀疏模型(JSM，Joint Sparse Model)中的JSM-2模型架构进行稀疏表示。对于图像信号中稀疏的变换域，用拉普拉斯塔式分解和圆对称轮廓波分别表示图像的光滑成分和边缘部分，采用多成分冗余字典上病虫害图像联合稀疏表示方法，获得病虫害图像的联合稀疏表示系数，并采用JSM-2模型对病虫害图像进行联合稀疏建模。
S3：观测矩阵设计
基于相关性理论,将投影矩阵和观测矩阵的非相关条件等价为Grammar矩阵:Gram:(ACS)TACS
其中，A为观测矩阵；ACS为感知矩阵；T表示矩阵的转置。
首先产生一个随机观测矩阵，然后利用信号的稀疏基的信息。训练学习出一个优化观测矩阵,它与字典矩阵之间具有更低的相干性。采用K-SVD方法求解下式中的优化问题
其中，A为观测矩阵；Φ为随机初始化投影矩阵；Ψ为变换基；I为随机观测矩阵；ACS为感知矩阵；T为矩阵的转置；
根据字典矩阵优化求解确定性的观测矩阵，观测矩阵的优化过程如下图3所示。
(2)基于DCNN神经网络的病虫害图像特征提取，主要包括以下步骤：
S1：柑桔病虫害图像卷积和采样
如图4所示，利用卷积神经网络，用于特征提取的卷积神经网络由卷积层和子采样层两种结构交替组成，采用5层结构。卷积和子采样过程如图4所示，包括用一个可训练的滤波器(权值系数的组合)去卷积一个输入的图像(第1阶段为输入的图像，其他阶段为特征图)，然后加一个偏置，得到卷积层。子采样过程包括将邻域4个像素通过权值系数求加权和变为1个像素，再加上偏置，然后通过一个sigmoid激活函数产生特征图的1/4大小的特征图。C层可看作是模糊滤波器，用于提取特征，S层的空间分辨率逐层递减，而每层所含的平面数递增，用于压缩数据并产生更多的信息。
S2：柑桔病虫害图像特征提取
对于监测图像中的每一个子块图像，其处理方式如图5所示，将子块图像中的每一个像素看作神经元，C1层是一个卷积层，由多个特征图构成，每个特征图通过一种卷积滤波器提取输入图像的一种特征。特征图中每个神经元与输入图像的某一区域相连，如图5的C1部分。这些卷积滤波器的权值由训练样本训练得到，且对于一个特征图权值共享。S2层是子采样层，有对应的多个的特征图。特征图中的每个神经元与C1中相对应特征图的某一区域相连。S2层每个神经元的结果由C1层相邻的多个神经元相加后乘以一个可训练权值参数，再加上一个可训练偏置参数，最后通过sigmoid函数计算得到，如图5的S2部分。C3层也是卷积层，它同样通过卷积核卷积S2层，得到多个特征图。S4层是一个子采样层，与S2层类似由多个特征图构成。特征图中的每个单元与C3层中相应特征图的某一区域相连接。C5层是一个卷积层，使用全连接，每个单元与S4的全部区域相连，得到的特征图大小为1。至此可将原始的柑桔病虫害图像子块转变为多维的特征向量，即完成了图像的特征提取。特征提取阶段所需的卷积矩阵权值、偏置值均通过训练得到，以保证特征提取的客观性。
(3)基于WSN的柑桔病虫害预警系统构建：
通过WSN监测的生物信息和环境信息传输到网关，再由传输网络(例如GPRS)从网关到服务器，服务器端软件系统对图像信息进行处理，将图像信息写入到相应的数据库中。对比农作物生物信息和环境信息参数的量化指标(叶面情况、周围环境信息等)，明确无线传感器网络中采集测量的各类参数与病虫害灾情风险之间的关联程度，构建监测及预警系统。
Claims (2)
1.一种基于分布式压缩感知WSN的柑桔病虫害监测预警方法，其特征在于，所述方法通过无线传感器节点采集到农作物的生物信息和环境信息，利用分布式压缩感知DCS对采集到的数据进行处理，然后通过无线传感器网关节点传输到远端服务器，在远程控制中心采用快速稳健的分布式压缩感知重构算法恢复原始信号；将图像信号输入DCNN进行训练，用于柑桔病虫害的图像识别；最后，建立病虫害监测、传输、图像自动识别的预警系统；所述方法包括基于DCS的病虫害监测图像采集与重构、基于DCNN的病虫害图像特征提取、以及基于WSN的柑桔病虫害监测预警系统构建；
所述基于DCS的病虫害监测图像采集与重构包括以下步骤：
(1)通过无线传感器节点对柑桔病虫害图像的采集；
(2)柑桔病虫害图像信号的稀疏表示：采用基于信号群的联合稀疏模型中的JSM-2模型架构进行稀疏表示；对于图像信号中稀疏的变换域，用拉普拉斯塔式分解和圆对称轮廓波分别表示图像的光滑成分和边缘部分，采用多成分冗余字典上病虫害图像联合稀疏表示方法，获得病虫害图像的联合稀疏表示系数，并采用JSM-2模型对病虫害图像进行联合稀疏建模；
(3)观测矩阵设计：基于相关性理论,将投影矩阵和观测矩阵的非相关条件等价为Grammar矩阵:Gram:(ACS)TACS
其中，A为观测矩阵；ACS为感知矩阵；T表示矩阵的转置；
首先产生一个随机观测矩阵，然后利用信号的稀疏基的信息，训练学习出一个优化观测矩阵,它与字典矩阵之间具有更低的相干性；采用K-SVD方法求解下式中的优化问题：
其中，A为观测矩阵；Φ为随机初始化投影矩阵；Ψ为变换基；I为随机观测矩阵；ACS为感知矩阵；T为矩阵的转置；
(4)使用基于JSM-2模型的快速且稳健的分布式重构算法对图像信号进行重构。
2.根据权利要求1所述的一种基于分布式压缩感知WSN的柑桔病虫害监测预警方法，其特征在于，所述基于DCNN神经网络的病虫害图像特征提取，包括以下步骤：
(1)柑桔病虫害图像卷积和采样
利用卷积神经网络，用于特征提取的卷积神经网络由卷积层和子采样层两种结构交替组成，采用5层结构；卷积和子采样过程包括用一个可训练的滤波器去卷积一个输入的图像，然后加一个偏置，得到卷积层；子采样过程包括将邻域4个像素通过权值系数求加权和变为1个像素，再加上偏置，然后通过一个sigmoid激活函数产生特征图的1/4大小的特征图；C层可看做是模糊滤波器，用于提取特征，S层的空间分辨率逐层递减，而每层所含的平面数递增，用于压缩数据并产生更多的信息；
(2)柑桔病虫害图像特征提取：对于监测图像中的每一个子块图像，将子块图像中的每一个像素看作神经元，其中第一个卷积层，由多个特征图构成，每个特征图通过一种卷积滤波器提取输入图像的一种特征；特征图中每个神经元与输入图像的某一区域相连；这些卷积滤波器的权值由训练样本训练得到，且对于一个特征图权值共享；下一层子采样层，有对应的多个的特征图；特征图中的每个神经元与卷积层中相对应特征图的某一区域相连；采样层每个神经元的结果由卷积层相邻的多个神经元相加后乘以一个可训练权值参数，再加上一个可训练偏置参数，最后通过sigmoid函数计算得到，下一层也是卷积层，它同样通过卷积核卷积上一采样层，得到多个特征图；接下来是一个子采样层；最后一层是一个卷积层，使用全连接，每个单元与上一采样的全部区域相连，得到的特征图大小为1；至此，可将原始的柑桔病虫害图像子块转变为多维的特征向量，即完成了图像的特征提取。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610607641.2A CN106250899B (zh) | 2016-07-29 | 2016-07-29 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610607641.2A CN106250899B (zh) | 2016-07-29 | 2016-07-29 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106250899A CN106250899A (zh) | 2016-12-21 |
| CN106250899B true CN106250899B (zh) | 2019-03-22 |
Family
ID=57604029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610607641.2A Expired - Fee Related CN106250899B (zh) | 2016-07-29 | 2016-07-29 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106250899B (zh) |
Families Citing this family (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107330887A (zh) * | 2017-07-11 | 2017-11-07 | 重庆邮电大学 | 一种基于深度学习的农作物病虫害防治方案推荐系统 |
| CN107633272B (zh) * | 2017-10-09 | 2020-10-30 | 东华大学 | 一种基于小样本下压缩感知的dcnn纹理疵点识别方法 |
| CN109697511B (zh) * | 2017-10-24 | 2022-04-05 | 华为技术有限公司 | 数据推理方法、装置及计算机设备 |
| CN107862687B (zh) * | 2017-11-07 | 2022-02-01 | 广东恒宇信息科技有限公司 | 一种用于监测农业病虫害的预警系统 |
| CN107895192B (zh) * | 2017-12-06 | 2021-10-08 | 广州方硅信息技术有限公司 | 深度卷积网络压缩方法、存储介质和终端 |
| CN108510464B (zh) * | 2018-01-30 | 2021-11-30 | 西安电子科技大学 | 基于分块观测的压缩感知网络及全图重构方法 |
| CN109101029A (zh) * | 2018-09-03 | 2018-12-28 | 重庆大学 | 一种果园自动巡逻检害智能小车及其工作方法 |
| CN109366485B (zh) * | 2018-09-04 | 2021-09-10 | 南宁学院 | 一种在线机器学习的现场控制方法 |
| TWI695339B (zh) * | 2018-10-17 | 2020-06-01 | 凌誠科技股份有限公司 | 農作物產期產量管理分析系統 |
| CN109752376A (zh) * | 2018-12-28 | 2019-05-14 | 佛山科学技术学院 | 一种基于计算机视觉的皇帝柑健康监测系统 |
| CN109635802B (zh) * | 2018-12-30 | 2023-04-07 | 北京工业大学 | 农林业病害孢子图像信息远程监测系统 |
| CN111045467B (zh) * | 2019-03-27 | 2021-11-16 | 桂林航天工业学院 | 一种基于物联网的智能农业机械控制方法 |
| CN110187653B (zh) * | 2019-04-08 | 2023-04-21 | 华北水利水电大学 | 一种基于LoRa分层传输的农作物病虫害监测系统及操作方法 |
| CN110245720B (zh) * | 2019-06-22 | 2023-05-26 | 中南林业科技大学 | 一种基于深度学习的柑橘病虫害智能诊断方法及系统 |
| CN111428751B (zh) * | 2020-02-24 | 2022-12-23 | 清华大学 | 基于压缩感知和卷积网络的物体检测方法 |
| CN112883822B (zh) * | 2021-01-28 | 2022-04-19 | 广东技术师范大学 | 集预测与预防为一体的病虫害预测位置分析方法和装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102523953A (zh) * | 2011-12-07 | 2012-07-04 | 北京农业信息技术研究中心 | 作物信息融合方法及病害监测系统 |
| CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
| CN104732508A (zh) * | 2015-04-16 | 2015-06-24 | 湘潭大学 | 基于分布式压缩感知的图像融合方法 |
| CN104850836A (zh) * | 2015-05-15 | 2015-08-19 | 浙江大学 | 基于深度卷积神经网络的害虫图像自动识别方法 |
| CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 北京林业大学 | 基于无人机图像分析的森林病虫害监测预警方法及其系统 |
| CN105676178A (zh) * | 2016-01-13 | 2016-06-15 | 南京邮电大学 | 基于压缩感知和bp神经网络的无线传感器网络定位方法 |
-
2016
- 2016-07-29 CN CN201610607641.2A patent/CN106250899B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102523953A (zh) * | 2011-12-07 | 2012-07-04 | 北京农业信息技术研究中心 | 作物信息融合方法及病害监测系统 |
| CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
| CN104732508A (zh) * | 2015-04-16 | 2015-06-24 | 湘潭大学 | 基于分布式压缩感知的图像融合方法 |
| CN104881865A (zh) * | 2015-04-29 | 2015-09-02 | 北京林业大学 | 基于无人机图像分析的森林病虫害监测预警方法及其系统 |
| CN104850836A (zh) * | 2015-05-15 | 2015-08-19 | 浙江大学 | 基于深度卷积神经网络的害虫图像自动识别方法 |
| CN105676178A (zh) * | 2016-01-13 | 2016-06-15 | 南京邮电大学 | 基于压缩感知和bp神经网络的无线传感器网络定位方法 |
Non-Patent Citations (5)
| Title |
|---|
| Distributed Compressed Estimation for Wireless Sensor Networks Based on Compressive Sensing;Songcen Xu;《IEEE》;20150203;正文第1-5页 |
| 一种基于压缩感知的农业WSN数据传输方法;崔婷婷;《电脑知识与技术》;20160131;第12卷(第3期);正文第1-3页 |
| 基于卷积神经网络的正则化方法;吕国豪;《计算机研究与发展》;20140930;第51卷(第9期);正文第1895-1896页 |
| 基于压缩感知的赣南脐橙WSN监控数据融合方法研究;雷莉霞;《科学技术与工程》;20140131;第14卷(第1期);正文第91-95页 |
| 无线传感器网络中的分布式压缩感知技术;康莉;《信号处理》;20131130;第29卷(第11期);正文第1560-1567页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106250899A (zh) | 2016-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106250899B (zh) | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 | |
| CN106815971B (zh) | 一种基于rbf神经网络的滑坡灾害预报方法 | |
| Chen et al. | A neural network integrated approach for rice crop monitoring | |
| Nie et al. | Sustainable computing in smart agriculture: survey and challenges | |
| CN109508824A (zh) | 一种农作物生长态势检测及产量预估方法 | |
| CN111008733B (zh) | 一种作物生长管控方法和系统 | |
| CN105528754A (zh) | 一种基于双神经网络行为识别模型的老年人信息服务系统 | |
| CN103065149A (zh) | 网纹甜瓜果实表型提取与量化方法 | |
| CN114419431A (zh) | 一种蝗灾潜在高风险区识别方法、装置、设备及存储介质 | |
| Mariadass et al. | EXtreme gradient boosting (XGBoost) regressor and shapley additive explanation for crop yield prediction in agriculture | |
| CN115661544B (zh) | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 | |
| CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
| CN107862687A (zh) | 一种用于监测农业病虫害的预警系统 | |
| CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
| Zhang et al. | Crop disease source location and monitoring system based on diffractive light identification airborne spore sensor network | |
| Xiao et al. | Leaf disease detection based on lightweight deep residual network and attention mechanism | |
| Veeragandham et al. | Effectiveness of convolutional layers in pre-trained models for classifying common weeds in groundnut and corn crops | |
| CN110457989A (zh) | 基于卷积神经网络提取多维度扩展特征的稻田杂草识别方法 | |
| Ibrahim et al. | Palm leaf nutrient deficiency detection using convolutional neural network (CNN) | |
| Xiong et al. | A Study on Weed Detection Based on Improved Yolo v5 | |
| Proietti et al. | Edge Intelligence with Deep Learning in Greenhouse Management. | |
| CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| Ibrahim et al. | Automated monitoring and lorawan control mechanism for swiftlet bird house | |
| Chen et al. | Artificial intelligence for image processing in agriculture | |
| Vasanthi | Crop growth monitoring and leaf area index estimation using wireless sensor network and CNN |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190322 Termination date: 20190729 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |