一种适用于浙贝母种植的精准栽培系统的制作方法

1.本发明涉及作物栽培技术领域，具体涉及一种适用于浙贝母种植的精准栽培系统。


背景技术：

2.浙贝母为百合科、多年生草本植物，为传统“浙八味”草本中药材，有清热化痰、散结解毒等功效；作为临床医学中常用的中药材，浙贝母近年来用量在逐渐增大。由于浙贝母野生资源的逐渐减少，导致其货源奇缺、供不应求。
3.目前，人工种植浙贝母刚刚起步，其种植与收获方法通常均采用人工进行，极大的浪费人力物力。同时，浙贝母的种植对土壤与水质均存在一定的要求，在种植过程中，不同地势、不同区域的出苗、施肥等情况均不相同；因此，浙贝母种植过程中通常需要一定的专业知识指导；然而，浙贝母种植人员通常不具有专业知识，导致种植过程中浙贝母无法适应环境而出现大量死亡、品质低下、存活率低；若在种植过程中通过远程请教专家进行种植、则易错过最佳种植时机，耗时长、效率低、且消息滞后，同样易出现浙贝母产率低下。


技术实现要素：

4.针对以上现有技术存在的问题，本发明的目的在于提供一种适用于浙贝母种植的精准栽培系统，该系统能够针对栽培地域全域的农业土壤环境进行检测与信息采集，从而完善土壤环境数据，完成浙贝母中药材的农业种植适配性，为提高中药材的产量与品质提供技术支撑。
5.本发明的目的通过以下技术方案实现：一种适用于浙贝母种植的精准栽培系统，其特征在于：包括信息采集模块、信息接收模块、档案数据模块以及信息决策模块；所述信息采集模块包括土壤信息监测器、空气环境监测器以及图片采集器；所述土壤信息监测器均匀分布在浙贝母种植区域的土壤层中、用于定期发送土壤信息报告，土壤信息监测器包括土壤信息监测模块、第一计时模块、第一gps定位模块以及第一蓝牙传输模块；所述空气环境监测器通过支撑架均匀安装在浙贝母的种植区域的土壤层上侧、用于定期发送空气质量报告，空气环境监测器包括空气环境监测模块、第二计时模块、第二gps定位模块以及第二蓝牙传输模块；所述图片采集器通过摄像支架均匀安装在浙贝母的种植区域的土壤层上侧、用于获取种植现场的生长图片，图片采集器包括摄像头、第三gps定位模块、时间模块以及第三蓝牙传输模块；所述信息接收模块分别与第一蓝牙传输模块、第二蓝牙传输模块以及第三蓝牙传输模块远程连接，用于接收第一蓝牙传输模块发送的土壤信息报告、第二蓝牙传输模块发送的空气质量报告、以及第三蓝牙传输模块发送的生长图片；所述土壤信息报告包括第一gps位置信息、土壤信息报告生成时间（通过第一计时模块获得）以及土壤信息监测模块采集的土壤信息；所述空气质量报告包括第二gps位置信息、空气质量报告生成时间（通过第
二计时模块获得）以及空气环境监测模块采集的空气质量；所述生长图片包括浙贝母长势图与疑似病害叶片图，所述浙贝母长势图包括第三gps位置信息、时间戳（通过时间模块获得）以及长势图片信息（即不同时间段的浙贝母的生长图片）；所述档案数据模块与所述信息接收模块连接，根据gps位置信息（即各个第一gps定位模块、第二gps定位模块与第三gps定位模块的定位点不同）进行种植区域的划分，并根据信息接收模块的反馈信息建立各区域的档案数据；所述信息决策模块包括施肥决策器、浇水决策器以及病虫害决策器；所述信息决策模块与所述档案数据模块连接，从而获取档案数据模块的档案数据。
6.作进一步优化，所述土壤信息监测模块包括土壤湿度传感器、ph值传感器、第一温度传感器、盐分传感器以及电解质传感器，用于实时监测并反馈土壤信息各项指标。
7.作进一步优化，所述空气环境监测模块包括粉尘传感器、空气湿度传感器、第二温度传感器以及光照传感器，用于实时监测并反馈空气质量各项指标。
8.作进一步优化，所述档案数据包括gps值（即第一gps定位模块、第二gps定位模块与第三gps定位模块的反馈坐标值）、对应gps值（即第一gps定位模块的反馈坐标值）的土壤信息表、对应gps值（即第二gps定位模块的反馈坐标值）的空气质量表以及对应gps值（即第三gps定位模块的反馈坐标值）的生长图片表；所述土壤信息表为根据第一计时模块反馈的时间序列进行各个土壤信息的排序并记录；所述空气质量表为根据第二计时模块反馈的时间序列进行各个空气质量的排序并记录；所述生长图片表包括浙贝母的种植地域、及根据时间戳进行排列与记录的长势图。
9.作进一步优化，所述施肥决策器包括施肥装置与施肥控制模块，所述施肥装置均匀分布在浙贝母种植区域内，所述施肥控制模块与施肥装置远程连接且施肥控制模块分别与档案数据模块、外部专家库系统连接，从而根据土壤信息表反馈的信息以及外部专家库系统中的对应信息进行施肥判断。
10.作进一步优化，所述浇水决策器包括喷淋管道与浇水控制模块，所述喷淋管道均匀分布在浙贝母种植区域内，所述浇水控制模块与喷淋管道的控制阀远程连接且浇水控制模块分别与档案数据模块、外部专家库系统连接，从而综合土壤信息表与空气质量表的信息以及外部专家库系统中的对应信息进行浇水量的判断。
11.作进一步优化，所述病虫害决策器包括病虫害识别器与病虫害处理器，所述病虫害识别器采用人工智能算法对常见病虫害进行识别，包括采用线下训练完成的深度神经网络；所述线下训练具体为：设置训练集、选择合适的深度神经网络、再采用训练模型训练提高预测精度；所述训练集具体为浙贝母种植过程中不同病虫害发病时植株叶片的图片、同时对病虫害进行分裂标记，形成多组具有标记的训练样本。
12.优选的，所述深度神经网络采用mobilenet v2神经网络。
13.作进一步优化，由于浙贝母常见病虫害标注数据有限，不能使得模型参数得到充分训练，所述训练模型中采用大规模人脸标注数据对mobilenet v2神经网络模型进行预训练，使得模型具备一定的分类性能；再采用训练集数据对模型进行精调，使得模型性能最佳。
14.作进一步优化，所述病虫害处理器分别与病虫害识别器、外部专家库系统连接，通
过病虫害识别器获取的病虫害种类与程度、以及外部专家库系统中针对该病虫害的处理意见进行病虫害处理方案的反馈。
15.本发明具有如下技术效果：本技术系统能够对种植环境进行适应性分区、从而精准采集农业土壤信息以及空气质量，完善农业土壤环境数据，便于进行科学种植，完善浙贝母种植与土壤环境的适配性，从而降低浙贝母种植的死亡率、提高其存活率，增加浙贝母的品质；同时，该系统反应周期短、耗时短，能够快速、准确的做出浙贝母种植的决策分析以及病虫害治理分析，从而避免种植过程中错过最佳防治、处理时间，进一步确保浙贝母的存活率以及品质。
16.同时，该系统还能根据不同土壤性质，避开重金属污染高风险的土壤区域，发展适配性果树及中药材的种植，实现高经济收益以及土壤高效利用的目的。
附图说明
17.图1为本发明实施例中精准栽培系统的结构示意图。
18.其中，100、信息采集模块；101、土壤信息监测器；102、空气环境监测器；103、图片采集器；200、信息接收模块；300、档案数据模块；400、信息决策模块；4011、施肥控制模块；4012、施肥装置；4021、浇水控制模块；4022、喷淋管道；4031、病虫害识别器；4032、病虫害处理器；500、外部专家库系统。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.实施例：如图1所示，一种适用于浙贝母种植的精准栽培系统，其特征在于：包括信息采集模块100、信息接收模块200、档案数据模块300以及信息决策模块400；信息采集模块100包括土壤信息监测器101、空气环境监测器102以及图片采集器103；土壤信息监测器101均匀分布在浙贝母种植区域的土壤层中、用于定期发送土壤信息报告，土壤信息监测器101包括土壤信息监测模块、第一计时模块、第一gps定位模块以及第一蓝牙传输模块，且土壤信息监测模块包括土壤湿度传感器、ph值传感器、第一温度传感器、盐分传感器以及电解质传感器，用于实时监测并反馈土壤信息各项指标（例如实时监测土壤层中的ph值 、湿度、温度以及盐分等参数，从而综合判断后提供更适于浙贝母生长的水分与肥料）。空气环境监测器102通过支撑架均匀安装在浙贝母的种植区域的土壤层上侧、用于定期发送空气质量报告，空气环境监测器102包括空气环境监测模块、第二计时模块、第二gps定位模块以及第二蓝牙传输模块，且空气环境监测模块包括粉尘传感器、空气湿度传感器、第二温度传感器以及光照传感器，用于实时监测并反馈空气质量各项指标（例如实时监测种植区域空气中的温度、湿度、光照、粉尘等参数，从而与土壤信息监测模块综合判断提供适于浙贝母生长的水分）。图片采集器103通过摄像支架均匀安装在浙贝母的种植区域的土壤层上侧、用于获取种植现场的生长图片，图片采集器包括摄像头、第三gps定
位模块、时间模块以及第三蓝牙传输模块；信息接收模块200分别与第一蓝牙传输模块、第二蓝牙传输模块以及第三蓝牙传输模块远程连接，用于接收第一蓝牙传输模块发送的土壤信息报告、第二蓝牙传输模块发送的空气质量报告、以及第三蓝牙传输模块发送的生长图片；土壤信息报告包括第一gps位置信息、土壤信息报告生成时间（通过第一计时模块获得）以及土壤信息监测模块采集的土壤信息；空气质量报告包括第二gps位置信息、空气质量报告生成时间（通过第二计时模块获得）以及空气环境监测模块采集的空气质量；生长图片包括浙贝母长势图与疑似病害叶片图，浙贝母长势图包括第三gps位置信息、时间戳（通过时间模块获得）以及长势图片信息（即不同时间段的浙贝母的生长图片）；档案数据模块300与信息接收模块200连接，根据gps位置信息（即各个第一gps定位模块、第二gps定位模块与第三gps定位模块的定位点不同）进行种植区域的划分（例如：首先根据同一时刻下的土壤信息报告或空气质量报告的相似性，将种植区域划分为若干小区域，然后定位在同一小区域的第一gps定位模块、第二gps定位模块与第三gps定位模块视为该区域的定位点。需要说明的是，区域的划分采用本领域的常见手段，不局限与本技术实施例中的描述），并根据信息接收模块的反馈信息建立各区域的档案数据；档案数据包括gps值（即第一gps定位模块、第二gps定位模块与第三gps定位模块的反馈坐标值）、对应gps值（即第一gps定位模块的反馈坐标值）的土壤信息表、对应gps值（即第二gps定位模块的反馈坐标值）的空气质量表以及对应gps值（即第三gps定位模块的反馈坐标值）的生长图片表；土壤信息表为根据第一计时模块反馈的时间序列进行各个土壤信息的排序并记录（排序方式为由开始种植浙贝母向后依次排列）；空气质量表为根据第二计时模块反馈的时间序列进行各个空气质量的排序并记录（排序方式为由开始种植浙贝母向后依次排列）；生长图片表包括浙贝母的种植地域、及根据时间戳进行排列与记录的长势图。
21.信息决策模块400包括施肥决策器、浇水决策器以及病虫害决策器；信息决策模块400与档案数据300模块连接，从而获取档案数据模块300的档案数据。
22.施肥决策器包括施肥装置4012与施肥控制模块4011，施肥装置4012均匀分布在浙贝母种植区域内，施肥控制模块4011与施肥装置4012远程连接且施肥控制模块4011分别与档案数据模块300、外部专家库系统500连接，从而根据土壤信息表反馈的信息以及外部专家库系统500中的对应信息进行施肥判断。浇水决策器包括喷淋管道4022与浇水控制模块4021，喷淋管道4022均匀分布在浙贝母种植区域内，浇水控制模块4021与喷淋管道4022的控制阀远程连接且浇水控制模块4021分别与档案数据模块300、外部专家库系统500连接，从而综合土壤信息表与空气质量表的信息以及外部专家库系统500中的对应信息进行浇水量的判断。病虫害决策器包括病虫害识别器4031与病虫害处理器4032，病虫害识别器4031采用人工智能算法对常见病虫害进行识别，包括采用线下训练完成的深度神经网络；线下训练具体为：设置训练集、选择合适的深度神经网络、例如mobilenet v2神经网络，再采用训练模型训练提高预测精度（即通过带标注的训练集对mobilenet v2神经网络模型进行训练，使其测试精度达到设定阈值、从而测试精度，然后将训练模型训练后的模型运用于病虫害识别器4031进行识别）；训练集具体为浙贝母种植过程中不同病虫害发病时植株叶片的图片、同时对病虫害进行分裂标记，形成多组具有标记的训练样本。
23.由于浙贝母常见病虫害标注数据有限，不能使得模型参数得到充分训练，训练模型中采用大规模人脸标注数据对mobilenet v2神经网络模型进行预训练，使得模型具备一定的分类性能；再采用训练集数据对模型进行精调，使得模型性能最佳。
24.病虫害处理器4032分别与病虫害识别器4031、外部专家库系统500连接，通过病虫害识别器4031获取的病虫害种类与程度、以及外部专家库系统500中针对该病虫害的处理意见进行病虫害处理方案的反馈。
25.另外，还可以根据之前的决策与效果对信息决策模块400进行微调与纠正（可采用现有算法或系统进行微调和纠正），从而提高信息决策模块400的适配性以及精准度。
26.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。