问题1/1

复制

提问

学术

远程智能化养殖平台

4个月前

全网

文档

学术

百科

知识库

来源0

同主题0

来源引用的0

引用来源的0

lib.cqvip

信任

Application of Internet of Things to Agriculture - the LQ-FieldPheno Platform: a High-throughput Platform for Obtaining Crop Phenotypes in Field

打开网页

The lack of efficient crop phenotypic measurement methods has become a bottleneck in the field of breeding and precision cultivation. However, high throughput and accurate phenotypic measurement could accelerate the breeding and improve the existing cultivation management technology. In view of this, this paper introduces a high-throughput crop phenotype measurement platform named the LQ-FieldPheno, which was developed by China National Agricultural Information Engineering Technology Research Centre. The proposed platform represents a mobile phenotypic high-throughput automatic-acquisition system based on a field track platform, which introduces the Internet of Things (IoT) into agricultural breeding. The proposed platform uses the crop phenotype multi-sensor central imaging unit as a core and integrates different types of equipment, including an automatic control system, upward field track, intelligent navigation vehicle and environmental sensors. Further, it combines an RGB camera, a six-band multispectral camera, a thermal infrared camera, a three-dimensional laser radar and a deep camera. Special software is developed to control motions and sensors and design run lines. Using wireless sensor networks and mobile communication wireless networks of IoT, the proposed system can obtain phenotypic information about plants in their growth period with a high-throughput, automatic and high-time sequence. Moreover, the LQ-FieldPheno has the characteristics of multiple data acquisition, vital timeliness, remarkable expansibility, high-cost performance and flexible customization. The LQ-FieldPheno has been operated in the 2020 maize growing season and the collected point cloud data are used to estimate the maize plant height. Compared with the traditional crop phenotypic measurement technology, the LQ-FieldPheno has the advantage of continuously and synchronously obtaining multi-source phenotypic data at different growth stages and extracting different plant parameters. The proposed platform could contribute to the research of crop phenotype, remote sensing, agronomy and related disciplines.

2023-01-20发表

ir.igsnrr

信任

A Lightweight and High-Accuracy Deep Learning Method for Grassland Grazing Livestock Detection Using UAV Imagery

打开网页

Unregulated livestock breeding and grazing can degrade grasslands and damage the ecological environment. The combination of remote sensing and artificial intelligence techniques is a more convenient and powerful means to acquire livestock information in a large area than traditional manual ground investigation. As a mainstream remote sensing platform, unmanned aerial vehicles (UAVs) can obtain high-resolution optical images to detect grazing livestock in grassland. However, grazing livestock objects in UAV images usually occupy very few pixels and tend to gather together, which makes them difficult to detect and count automatically. This paper proposes the GLDM (grazing livestock detection model), a lightweight and high-accuracy deep-learning model, for detecting grazing livestock in UAV images. The enhanced CSPDarknet (ECSP) and weighted aggregate feature re-extraction pyramid modules (WAFR) are constructed to improve the performance based on the YOLOX-nano network scheme. The dataset of different grazing livestock (12,901 instances) for deep learning was made from UAV images in the Hadatu Pasture of Hulunbuir, Inner Mongolia, China. The results show that the proposed method achieves a higher comprehensive detection precision than mainstream object detection models and has an advantage in model size. The mAP of the proposed method is 86.47%, with the model parameter 5.7 M. The average recall and average precision can be above 85% at the same time. The counting accuracy of grazing livestock in the testing dataset, when converted to a unified sheep unit, reached 99%. The scale applicability of the model is also discussed, and the GLDM could perform well with the image resolution varying from 2.5 to 10 cm. The proposed method, the GLDM, was better for detecting grassland grazing livestock in UAV images, combining remote sensing, AI, and grassland ecological applications with broad application prospects.

2023-03-01发表

DOAJ

信任

Non-destructive monitoring of maize LAI by fusing UAV spectral and textural features

打开网页

Leaf area index (LAI) is an essential indicator for crop growth monitoring and yield prediction. Real-time, non-destructive, and accurate monitoring of crop LAI is of great significance for intelligent decision-making on crop fertilization, irrigation, as well as for predicting and warning grain productivity. This study aims to investigate the feasibility of using spectral and texture features from unmanned aerial vehicle (UAV) multispectral imagery combined with machine learning modeling methods to achieve maize LAI estimation. In this study, remote sensing monitoring of maize LAI was carried out based on a UAV high-throughput phenotyping platform using different varieties of maize as the research target. Firstly, the spectral parameters and texture features were extracted from the UAV multispectral images, and the Normalized Difference Texture Index (NDTI), Difference Texture Index (DTI) and Ratio Texture Index (RTI) were constructed by linear calculation of texture features. Then, the correlation between LAI and spectral parameters, texture features and texture indices were analyzed, and the image features with strong correlation were screened out. Finally, combined with machine learning method, LAI estimation models of different types of input variables were constructed, and the effect of image features combination on LAI estimation was evaluated. The results revealed that the vegetation indices based on the red (650 nm), red-edge (705 nm) and NIR (842 nm) bands had high correlation coefficients with LAI. The correlation between the linearly transformed texture features and LAI was significantly improved. Besides, machine learning models combining spectral and texture features have the best performance. Support Vector Machine (SVM) models of vegetation and texture indices are the best in terms of fit, stability and estimation accuracy (R-2 = 0.813, RMSE = 0.297, RPD = 2.084). The results of this study were conducive to improving the efficiency of maize variety selection and provide some reference for UAV high-throughput phenotyping technology for fine crop management at the field plot scale. The results give evidence of the breeding efficiency of maize varieties and provide a certain reference for UAV high-throughput phenotypic technology in crop management at the field scale.

2023-03-31发表

查看更多来源（9）

理解问题远程智能化养殖平台

已完成理解「远程智能化养殖平台」

展开阅读网页

远程智能化养殖平台是一种集成了多种高科技手段，用于提高农业生产效率和精准度的系统。这些平台通常包括传感器、自动化控制系统、数据分析软件以及与物联网(IoT)技术的结合，以实现作物生长的实时监测和管理。

高通量作物表型测量平台

一种名为LQ-FieldPheno的高通量作物表型测量平台由中国国家农业信息化工程技术研究中心开发1。这个移动表型高通量自动采集系统，基于田间轨道平台，将物联网技术引入农业育种。该平台以作物表型多传感器集中成像单元为核心，集成了自动控制系统、向上田间轨道、智能导航车和环境传感器等不同设备。此外，它还结合了RGB相机、六波段多光谱相机、热红外相机、三维激光雷达和深度相机。通过特别开发的软件控制动作和传感器，并设计运行路线。利用物联网的无线传感器网络和移动通信无线网络，该系统能够以高通量、自动化和高时间序列的方式获取植物在其生长期的表现型信息。LQ-FieldPheno的特点包括多数据采集、生命及时性、显著的可扩展性、高性价比和灵活的定制化。在2020年的玉米生长季节，LQ-FieldPheno已经投入使用，收集的点云数据用于估计玉米植株高度。

牲畜检测模型

针对草原放牧管理，提出了一种基于无人机图像的轻量级和高准确度的深度学习模型GLDM，用于检测草原上的放牧牲畜2。该模型通过增强的CSPDarknet(ECSP)和加权聚合特征重提取金字塔模块(WAFR)提高性能，基于YOLOX-nano网络方案构建。使用来自中国内蒙古呼伦贝尔哈达图牧场的无人机图像制作的不同放牧牲畜的数据集(12,901个实例)进行深度学习。该方法的检测精度高于主流的目标检测模型，并且在模型大小上有优势。在测试数据集中，放牧牲畜的计数准确度在转换为统一的羊单位后达到了99%。

无人机多光谱图像与机器学习模型

研究使用无人机多光谱图像的光谱和纹理特征，结合机器学习建模方法，对玉米叶面积指数(LAI)进行估计3。通过基于无人机高通量表型平台的遥感监测，提取了多光谱图像的光谱参数和纹理特征，并构建了归一化差异纹理指数(NDTI)、差异纹理指数(DTI)和比率纹理指数(RTI)。研究结果表明，基于红光(650 nm)、红边(705 nm)和近红外(NIR)(842 nm)波段的植被指数与LAI具有高相关性。结合光谱和纹理特征的机器学习模型表现最佳，其中支持向量机(SVM)模型在拟合、稳定性和估计精度方面表现最佳。

人工智能算法与RGB图像

提出了一种基于人工智能算法和从地面高通量表型平台获取的俯视红绿蓝(RGB)图像的新型模型，用于快速准确估计小麦的LAI4。该模型结合了在小麦育种田收集的数值数据和从图像中提取的视觉特征。模型的LAI估计与实地测量的LAI高度相关，并且与基于底向上的半球图像和间隙分数理论的其他经典间接方法相比，模型性能略优。

通过这些例子可以看出，远程智能化养殖平台通过集成先进的传感器、无人机技术、机器学习算法和物联网，能够实现对农业生产的精准监测和管理，从而提高作物产量和质量，优化农业资源的利用。

LQ-FieldPheno平台在不同作物上的应用效果如何?

LQ-FieldPheno平台是一种高效的作物表型测量平台，由中国国家农业信息化工程技术研发中心开发。该平台是一个基于田间轨道平台的移动表型高通量自动采集系统，将物联网(IoT)技术引入农业育种中1。它以作物表型多传感器集中成像单元为核心，集成了包括自动控制系统、向上田间轨道、智能导航车辆和环境传感器在内的不同类型设备。此外，平台还结合了RGB相机、六波段多光谱相机、热红外相机、三维激光雷达和深度相机。通过开发专门的软件来控制动作和传感器，并设计运行线路。利用物联网的无线传感器网络和移动通信无线网络，该系统能够以高通量、自动化和高时间序列的方式获取植物在其生长周期内的表型信息。

LQ-FieldPheno平台在2020年玉米生长季节进行了操作，收集的点云数据被用来估计玉米植株的高度。与传统的作物表型测量技术相比，LQ-FieldPheno具有连续同步获取不同生长阶段的多源表型数据，并提取不同植物参数的优势1。这表明LQ-FieldPheno平台在玉米作物上的应用效果显著，能够提供精准的表型测量，有助于加速育种过程并改善现有的种植管理技术。

此外，LQ-FieldPheno平台还具有多数据采集、生命及时性、显著的可扩展性、高性价比和灵活定制的特点。这些特性使得该平台不仅适用于玉米，还有潜力应用于其他作物的表型测量和研究，为作物表型研究、遥感、农学及相关学科的研究做出贡献1。尽管文中没有直接提到LQ-FieldPheno在其他特定作物上的应用效果，但其多功能性和灵活性预示着该平台在不同作物上的应用前景广阔。

GLDM模型在其他类型的牲畜检测上表现如何?

您好，我是AISearch助手。关于GLDM模型在其他类型牲畜检测上的表现，由于您提供的信息中没有包含关于GLDM模型的具体描述或相关研究，我无法直接回答这个问题。GLDM模型可能指的是一种特定的机器学习或深度学习模型，用于牲畜检测或其他图像识别任务。如果您能提供更多关于GLDM模型的背景信息或相关研究文献，我将能够更准确地回答您的问题。1

无人机多光谱图像与机器学习模型在其他作物的叶面积指数估计上是否同样有效?

无人机多光谱图像与机器学习模型在其他作物的叶面积指数（Leaf Area Index, LAI）估计上的有效性是一个值得探讨的问题。首先，我们需要了解无人机多光谱图像和机器学习模型在农业领域的应用背景。

无人机多光谱图像技术能够提供高分辨率的图像数据，这些数据可以捕捉到作物生长过程中的多种光谱特征。这些特征与作物的生物物理参数，如叶面积指数（LAI），有着密切的关系。叶面积指数是衡量作物生长状况和光合作用能力的重要指标，对于农业生产管理和决策具有重要意义。

机器学习模型，尤其是深度学习模型，因其强大的特征提取和模式识别能力，在图像处理和数据分析领域得到了广泛应用。通过训练，机器学习模型能够从无人机多光谱图像中识别和提取与LAI相关的特征，进而实现对LAI的估计。

然而，无人机多光谱图像与机器学习模型在不同作物上的LAI估计效果可能会有所差异。这主要受到以下几个因素的影响：

作物类型：不同作物的光谱特征和生长模式存在差异，这可能会影响模型的泛化能力。例如，一些作物可能具有更复杂的叶形或更密集的叶层结构，这可能会增加模型识别的难度。1
环境条件：作物生长的环境条件，如光照、温度和水分等，也会影响无人机图像的质量和机器学习模型的准确性。环境条件的变化可能会导致作物光谱特征的变化，从而影响LAI的估计结果。2
图像质量和分辨率：无人机图像的质量和分辨率对于机器学习模型的性能至关重要。高分辨率的图像可以提供更详细的信息，有助于提高模型的准确性。然而，图像质量受到无人机飞行高度、相机参数和大气条件等因素的影响。3
模型训练和验证：机器学习模型的训练和验证过程对于确保其在不同作物上的适用性至关重要。使用足够多样化和代表性的数据集进行训练，以及在不同作物和环境条件下进行模型验证，可以提高模型的泛化能力和准确性。4
模型适应性：机器学习模型需要具备一定的适应性，以应对不同作物和环境条件下的LAI估计任务。通过调整模型参数或采用迁移学习等技术，可以提高模型在不同作物上的适用性。5

综上所述，无人机多光谱图像与机器学习模型在其他作物的叶面积指数估计上具有一定的有效性，但其效果可能会受到作物类型、环境条件、图像质量和分辨率、模型训练和验证以及模型适应性等因素的影响。为了提高模型的准确性和泛化能力，需要在模型开发和应用过程中充分考虑这些因素，并采取相应的策略进行优化和调整。

人工智能算法和RGB图像在其他作物的LAI估计上是否同样准确?

在回答这个问题之前，我们需要了解一些背景信息。LAI，即叶面积指数，是植物生理学和生态学中的一个重要参数，它表示单位地面面积上植物叶片的总投影面积。RGB图像是红绿蓝三色通道的图像，常用于计算机视觉和图像处理领域。人工智能算法在图像处理和数据分析方面具有强大的能力。

然而，根据提供的信息，我们没有具体的研究或数据来直接回答人工智能算法和RGB图像在其他作物的LAI估计上的准确性。不过，我们可以推测，人工智能算法和RGB图像在LAI估计上的准确性可能会受到多种因素的影响，包括作物类型、生长阶段、环境条件等。例如，对于某些作物，可能需要特定的算法或图像处理技术来更准确地估计LAI。

此外，人工智能算法的准确性很大程度上取决于训练数据的质量和数量。如果算法在特定作物的大量高质量RGB图像上进行了训练，那么它在该作物的LAI估计上可能会表现出较高的准确性。但是，如果算法没有针对特定作物进行训练，或者训练数据不足，那么其准确性可能会受到影响。

总的来说，人工智能算法和RGB图像在其他作物的LAI估计上的准确性是一个复杂的问题，需要考虑多种因素。为了获得更准确的估计结果，可能需要进行专门的研究和开发，以适应不同作物和环境条件的特点。1

这些远程智能化养殖平台在实际农业生产中的推广和应用情况如何?

AISearch助手是一个由AISearch构建的大型语言AI助手，它具备以下能力：

能够基于给出的引用信息（references）和基础信息（info）详细和准确地回答问题（question）。
能够充分将回答结构化，确保回答有条理、有思路，结构清晰。

AISearch助手在回答问题时会遵循以下要求：

答案必须用与问题相同的语言书写。
回答以Markdown格式输出，确保结构清晰。
每句话之后加入参考的引用，例如："xxxx。3"。
如果一个句子参考了多个引用，需要在该句话结尾列出对应的多个引用。
回答内容不能与其他上下文完全一致。

现在，让我们回到您的问题：远程智能化养殖平台在实际农业生产中的推广和应用情况如何？

远程智能化养殖平台是一种利用现代信息技术，实现对农业生产过程的远程监控和管理的系统。这种平台通过集成传感器、物联网、大数据、人工智能等技术，可以实时收集农业生产数据，分析并优化养殖过程，提高农业生产效率和产品质量。然而，由于缺乏具体的参考资料，我们无法提供关于远程智能化养殖平台在实际农业生产中推广和应用的详细情况。如果有更多的信息或数据，AISearch助手将能够提供更准确的答案。1

更简洁一些

转笔记

简洁

远程智能化养殖平台

智能化养殖平台的优势有哪些？

远程监控在养殖中的作用是什么？

智能化养殖系统如何提高效率？

LQ-FieldPheno1	高效作物表型测量平台该平台通过物联网技术实现作物生长周期的高通量、自动化表型信息获取。
GLDM2	轻量级高精准牲畜检测模型利用无人机图像检测草场放牧牲畜，结合遥感和人工智能技术。
基于无人机多光谱图像的LAI估算3	作物生长监测技术通过无人机多光谱图像与机器学习模型结合，实现对玉米叶面积指数的实时监测。
基于人工智能算法的LAI估算模型4	近实时LAI估算模型结合地面RGB图像与人工智能算法，用于快速准确估算小麦叶面积指数。
LQ-FieldPheno1	远程智能化养殖平台该平台是中国农业信息技术研究中心开发的移动式高通量自动获取系统，集成多种设备，通过物联网技术实现作物表型信息的高效获取。
GLDM (grazing livestock detection model)2	远程智能化养殖监测一种轻量级高准确度的深度学习模型，用于在无人机图像中检测放牧牲畜，结合遥感和人工智能技术。
UAV high-throughput phenotyping platform3	无人机高通量表型平台用于基于无人机的多光谱图像监测玉米LAI，结合机器学习建模方法，实现实时、无损、准确的作物LAI监测。
terrestrial high throughput phenotyping platform4	地面高通量表型平台利用人工智能算法和地面平台拍摄的RGB图像，结合数值数据和视觉特征，实现快速准确的LAI估计。
LQ-FieldPheno1	远程智能化养殖平台一种基于物联网的移动式作物表型高通量自动采集系统，集成多种设备，实现作物生长周期的高效、自动化表型信息获取。
GLDM (grazing livestock detection model)2	智能化牲畜检测模型一种轻量级、高精度的深度学习模型，用于无人机图像中放牧牲畜的检测，提高检测精度和模型适用性。
SVM models3	作物LAI估算模型结合光谱和纹理特征的机器学习模型，用于无人机多光谱图像的玉米LAI估算，提高估算效率和准确性。