![《主粮作物全生长周期智慧化管理决策技术规范》编制说明_第1页](http://file4.renrendoc.com/view11/M01/01/23/wKhkGWXYZ4KAVAA3AABjPZ6dcRE664.jpg)
![《主粮作物全生长周期智慧化管理决策技术规范》编制说明_第2页](http://file4.renrendoc.com/view11/M01/01/23/wKhkGWXYZ4KAVAA3AABjPZ6dcRE6642.jpg)
![《主粮作物全生长周期智慧化管理决策技术规范》编制说明_第3页](http://file4.renrendoc.com/view11/M01/01/23/wKhkGWXYZ4KAVAA3AABjPZ6dcRE6643.jpg)
![《主粮作物全生长周期智慧化管理决策技术规范》编制说明_第4页](http://file4.renrendoc.com/view11/M01/01/23/wKhkGWXYZ4KAVAA3AABjPZ6dcRE6644.jpg)
![《主粮作物全生长周期智慧化管理决策技术规范》编制说明_第5页](http://file4.renrendoc.com/view11/M01/01/23/wKhkGWXYZ4KAVAA3AABjPZ6dcRE6645.jpg)
版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
《主粮作物全生长周期智慧化管理决策技术规范》编制说明2022年12月1《主粮作物全生长周期智慧化管理决策技术规范》编制说明一、标准制定的必要性“全程机械化+综合农事”的农业服务新模式。党的“二十大”报告也强调建设高标准农准管理决策和智能优化控制等为一体的智慧农场,推进农业农场作物全生长周期智慧管理决策技术,相关规范的实施对提高效率,改善农产品质量和安全,减少环境影响,促近年来,发布了一些关于田间管理的一些标(NY/T2625-2014)规定了水肥一体化技术的基本原二、标准编制原则及依据1、按照GB/T1.1—2020《标准化工作导则第1部分:标准化文件的结构和起草规则》22、参照相关法律、法规和规定,在编制过程中着重考虑了科学性、适用性和可操作(一)任务来源根据《中国国际科技促进会标准化工作委员会团体标准管理办法》的有关规定,经中国国际科技促进会标准化工作委员会及相关专家技术审核,批准《主粮作物全生长周期智(二)标准起草单位本标准的主要起草单位是河南科技大学,负责标准文档起草及相关文件的编制等。河南群智信息技术有限公司、洛阳理工学院、北京奇虎科技有限公司、洛阳辰汉农业装备科(三)标准研制过程及相关工作计划项目立项前,标准编制小组查阅、研读相关国内外文献,广泛搜集作物生长智慧化管理相关的材料。同时,多次投身于农场与相关行业人员进行调研、交流,广泛征求标准制团体标准立项通知公示后,标准编制小组首先组织了标准制定工作会议,各编写人员根据工作计划分工和编写要求开展了相关工作。在标准起草期间,编制小组主编单位及参编单位组织了数次内部研讨会和专家咨询会,经过多次修改,于2023年10月完成了标准初2023年10月标准编制小组先后通过现场会议、电话、微信等多种形式征集行业专家相关意见和建议。针对征集的意见,标准编制小组召开了研讨会,将收集到的意见进行汇总处理分析,在充分吸纳合理意见的基础上,先后修改和完成标准内容,于2023年11月底根据在各单位反馈意见基础上,形成了标准征求意见稿并由中国国际科技促进会提交全国标3(四)主要试验(或验证)情况分析作物分类识别在现代农业中具有重要的意义和价值。随着人口的增长和城市化进程的加快,农业生产面临着更大的压力和挑战。如何高效地管理农田,提高作物产量和质量,确保粮食安全,成为摆在农业发展面前的重要任务。而农场作物分类识别作为智能基于卷积特征和图卷积网络的农场作物识别方法,该方法由CNN农场作物特征提取和GCN农场作物识别两部分组成。由于CNN模型具有较强的特征表示能力,采用基于训练的CNN模型提取农场作物特征。为了进一步保留农场作物图像的特征属性,基于提取的CNN农场作物特征之间的欧氏距离,构造了无向相似性图。在别中,农场作物特征矩阵无向相似性图通过图卷积层实现农场作物图像节点之间的特征传播,基于特征相似性,未标记的农场作物样本(测试图像)从图中的邻居节点获得标签信息。卷积是GCN农场作物识别模型的核心,谱图卷积和空间域卷积是图卷积网络卷积中应用最广泛的两种类型,使用谱图卷积的方法,达到作物分类的实时性要求。如图对于农场作物杂草病虫害的识别问题,对不合适的图像进行删减,对过大过小的图像进行剪裁和放大。通过图像处理计算利用卷积神经网络等算法手段对图像信息进行归纳计4算。注意力机制的核心是对特征进行权重分配让更重要的特征发挥更重要的作用,使其对于结果产生更大的影响。在计算机图像领域中,注意力机制主要作用于两种域:空间域,通道域。空间域注意力机制的作用是突出特征中的某一区域,增加其权重,使其在进行空间信息变换时能保留关键信息。正常是空间域方法是使用平均池化函数实现,即利用一个矩阵窗口在张量上进行扫描,将每个矩阵中通过取平均值来替代原有矩阵。通过这种方法得到的权重可以突出原有信息的重点区域。通道域注意力机制的作用是突出特征的信息即络模型在农场作物杂草病虫害数据集上的准确率,得到最适合农场作物杂草病虫害识别的卷积神经网络模型。通过现有的注意力机制,与卷积神经网络结合得到准确率高的网络模表3.2实验结果模型召回率(%F1值(%)农场作物农事精准决策技术是以信息技术为支撑,通过农作物的生长数据、土地环境数据和病虫害数据等先验知识,通过感知融合技术形成农场作物的生长态势特征向量、土地环境特征向量和病虫害特征向量,并将它们输入到基于Transformer的农场作物生长态势识别网络中,能够确定作物所处的具体生产环节,如萌芽期、幼苗期、成熟期等;其次,可以精准获得作物所需的植保环节,包含干旱等级、缺肥等级、虫害类型、虫害等级。然后,将农场每个地块的病虫害特征向量、病虫害类别以及每个病虫害类别和不同等级输入到基于多层图神经网络的网格地块所需植保类型与相应等级分类网络中,完成对农场每个地块病虫害的类型和等级预测结果。最后将每个地块的生长环节、土地干旱程度、土地缺肥程度、病虫害类型、病虫害等级作为输入,通过基于多任务强化学习的农场作物农事活动精准决策网络实现对农场每个地块农事活动的预测,如揭膜、施肥、灌溉、植保、收割5等。通过测试,经过农场作物农事环节精准决策策略能够实现对农场地块农事活动的精准作物智慧化田间管理平台采用物联网三层架构,总体结构分为感知层、传输层、应用层三个层次。首先感知层负责农场数据的采集,采用传感器技术、无线传输技术、数据库技术等,通过传感器采集农场的气象数据、土壤养分、环境数据等,通过人工录入的方式录入田间管理数据及病虫害诊断等数据,通过无线传输的汇集到无线集成网关,再由无线集成网关传输到数字农业监控中心数据库。其次传输层负责数据传输,通过感知层采集到的数据,利用WIFI、ZigBee、4G、5G等无线通信技术,进行数据的传输至应用层。最后应用层作为智慧化管理平台的大脑核心层,通过平台的农事生长环节精准决策系统实现对农作物的种植规划、灌溉规划、肥料调控、灌溉调控、植保规划等。利用农机精准管控平台实现对农机的多机任务调度、作业信息感知、设备状态监测、故障预警诊断等,实现农作物的自动播种、灌溉、施肥、植保、收割等农事活动。通过农场可视化平台实现对农作1)标准需要具有行业特点,指标及其对应的分析方法要积极参照采用国家标准和行业本标准规定了智慧农场农作物全生长周期智
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 结构力学优化算法:禁忌搜索(TS):禁忌搜索算法在建筑结构优化中的实践
- 【新教材】2021版高中化学人教版必修第一册第4章-物质结构-元素周期律-全章课件
- 政府会计准则第5号-公共基础设施
- 第1课《春》 统编版语文七年级上册
- 腰椎间盘突出护理查房问题及措施课件
- 第6课《藤野先生》 统编版语文八年级上册
- 开学第一课-开学快闪课件
- 呕吐护理诊断及护理措施
- 家庭护理评估案例分享
- 口腔局麻并发症及处理
- 电子技术基础半导体器件课件
- 小儿病毒性脑炎【儿科】-课件
- 短视频拍摄与制作PPT完整全套教学课件
- 北师大版六年级数学上册期中试卷(及答案)
- 教师节主题班会公开课一等奖市赛课获奖课件
- 朱熹《卧龙庵记》原文,注释,译文,赏析
- 鱼药的管理和规范使用
- projectlink项目管理培训windchill102的数据管理
- 铁路客运组织教案
- 2023年广东省广州市黄埔区中考语文一模试卷-普通用卷
- 小学美术人美六年级上册图形的魔术组合图形的魔术组合- 课件
评论
0/150
提交评论