(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210915377.4 (22)申请日 2022.08.01 (71)申请人 联通 （四川） 产业互联网有限公司 地址 610000 四川省成 都市中国(四川)自 由贸易试验区成都天府新区兴隆街道 成都科学城湖畔路西段99 号天府菁蓉 中心D区 (72)发明人 张远民　廖愈乐　古仁国　庞雅心　 王荻非　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 专利代理师 舒盛 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01)G06V 10/32(2022.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G16Y 10/05(2020.01) G06N 3/04(2006.01) G01D 21/02(2006.01) (54)发明名称 一种智慧农业全过程生产大数据智能分析 方法及系统平台 (57)摘要 本发明提供一种智慧农业全过程生产大数 据智能分析方法及系统平台， 所述方法包括： S1， 实时采集农作物生长态势及生产全过程图像数 据； S2， 对实时采集的图像数据进行预处理； S3， 构建并训练农作物生长态势及生产全过程预测 模型， 包括第一预测子模型和第二预测子模型； S4， 将预处理后的图像数据分别输入第一预测子 模型和第二预测子模型， 得到第一农作物生长态 势及生产全过程预测结果和第二农作物生长态 势及生产全过程预测结果； S5， 加权求和得到最 终的农作物 生长态势及生产全 过程预测结果。 本 发明基于大数据和神经网络技术构建了农业大 数据平台， 能够完全适应农业大数据以及信息智 能分析技 术领域的发展方向。 权利要求书3页 说明书9页 附图4页 CN 114997535 A 2022.09.02 CN 114997535 A 1.一种智慧农业全过程 生产大数据智能分析 方法， 其特 征在于， 包括如下步骤： S1， 实时采集农作物生长态 势及生产全过程图像数据； S2， 对实时采集的农作物生长态 势及生产全过程图像数据进行 预处理； S3， 构建并训练农作物生长态势及生产全过程预测模型； 所述农作物生长态势及生产 全过程预测模型包括第一预测子模型和第二预测子模型； S4， 将预处理后的农作物生长态势及生产全过程图像数据分别输入第 一预测子模型和 第二预测子模型， 得到第一农作 物生长态势及生产全过程预测结果和 第二农作 物生长态势 及生产全过程预测结果； S5， 将第一农作物生长态势及生产全过程预测结果和第 二农作物生长态势及生产全过 程预测结果进行加权求和得到最终的农作物生长态 势及生产全过程预测结果。 2.根据权利要求1所述的智慧农业全过程生产 大数据智能分析方法， 其特征在于， 步骤 S3中构建的农作物生长态势及生产全过程预测模型中第一预测子模型和第二预测子模型 的结构相同； 所述第一预测子模型和第二预测子模型均包括： 依次连接的1个卷积层Conv1、 16个移动翻转瓶颈卷积模块MBConv、 1个卷积层Conv2、 1 个全局平均池化层、 1个全连接层FC和1个softmax层； 其中： 卷积层Co nv1的结构为： 卷积核为3 ×3， 步长为2 ×2； 16个移动翻转 瓶颈卷积模块MBCo nv的结构为： 1个移动翻转 瓶颈卷积模块MBCo nv， 扩张比例为1， 卷积核为3 ×3， 步长为1 ×1； 2个移动翻转 瓶颈卷积模块MBCo nv， 扩张比例为6， 卷积核为3 ×3， 步长为2 ×2； 2个移动翻转 瓶颈卷积模块MBCo nv， 扩张比例为6， 卷积核为5 ×5， 步长为2 ×2； 3个移动翻转 瓶颈卷积模块MBCo nv， 扩张比例为6， 卷积核为3 ×3， 步长为2 ×2； 3个移动翻转 瓶颈卷积模块MBCo nv， 扩张比例为6， 卷积核为5 ×5， 步长为1 ×1； 4个移动翻转 瓶颈卷积模块MBCo nv， 扩张比例为6， 卷积核为5 ×5， 步长为2 ×2； 1个移动翻转 瓶颈卷积模块MBCo nv， 扩张比例为6， 卷积核为3 ×3， 步长为1 ×1； 卷积层Co nv2的结构为： 卷积核为1 ×1， 步长为1 ×1。 3.根据权利要求2所述的智慧农业全过程生产 大数据智能分析方法， 其特征在于， 步骤 S3中训练农作物生长态 势及生产全过程预测模型的方法包括： S31， 基于历史采集的农作物生长态势及生产全过程图像数据， 采用随机均分算法制作 第一样本集和第二样本集； S32， 将第一样本集划分为训练集和测试集后， 输入第一预测子模型进行训练， 得到训 练好的第一预测子模型； S33， 将第二样本集划分为训练集和测试集后， 输入第二预测子模型进行训练， 得到训 练好的第二预测子模型； S34， 将训练好的第一预测子模型和第二预测子模型加权求和为农作物生长态势及生 产全过程预测模型。 4.根据权利要求3所述的智慧农业全过程生产 大数据智能分析方法， 其特征在于， 步骤 S31中采用随机均分算法制作第一样本集和第二样本集的方法包括： S311， 将历史采集的农作物生长态势及生产全过程图像数据进行标注得到对应的生长 态势标签， 将历史采集的农作物生长态势及生产全过程图像数据及其对应的生长态势标签权　利　要　求　书 1/3 页 2 CN 114997535 A 2作为原始数据集； S312， 将原始数据集划分为n个大类和m个小类： 将n个大类记为X1,X2,…,Xn， m个小类记 为Y1,Y2,…,Ym； S313， 将n个大类随机均匀分为两份样本集， 分别为D1和D2： S3131， 将第i个 大类的所有样本从1开始编号至Xi； 令k=1； 其中， 0＜i≤n， i为正整数， 初 始值为1； S3132， 计算第k个随机数xk=(axk‑1+b) mod m； 其中， 乘数a满足a=4p+1， 增量b满足b=2q+ 1， p,q为正整数； S3133， 计算 λk‑xk/m×Xi， 并将编号 为 λk的样本放入数据集D ’1中； S3134， 若k＞ ⌈Xi/2⌉，⌈⌉表示向上取整， 则进入步骤S3135； 否则， 令k=k+1， 进入步骤 S3132； S3135， 将第i个大类中剩余的样本放入数据集D ’2中， i=i+1； S3136， 若i＞n， 则结束步骤S313； 否则进入步骤S3131； S314， 将小类的所有类Y1,Y2,…,Ym分别加入数据集D ’1和D’2， 形成两个样本集： {Y1, Y2,…,Ym,D’1}和{Y1,Y2,…,Ym,D’2}， 记为第一样本集D1和第二样本集D2。 5.根据权利要求3所述的智慧农业全过程生产 大数据智能分析方法， 其特征在于， 步骤 S32和S33中对第一预测子模型和第二预测子模型进行训练的目标函数L 为： 其中， N表示输入第一预测子模型或第二预测子模型的样本数量， K为生长态势标签类 别的数量； yb,c表示第b个样 本预测为第c个生长态势标签类别的结果； pb,c为第b个样 本预测 为第c个生长态 势标签类别的概 率。 6.根据权利要求1所述的智慧农业全过程生产 大数据智能分析方法， 其特征在于， 步骤 S2中对实时采集的农作物生长态 势及生产全过程图像数据进行 预处理的方法包括： S21， 将实时采集的农作物生长态 势及生产全过程图像数据转换为统一图像数据格式； S22， 根据具有统一图像数据格式的农作物生长态势及生产全过程图像数据中的农作 物进行图像对齐； S23， 对图像对齐后的农作物生长态势及生产全过程图像数据进行尺寸变换， 使得图像 数据大小一 致。 7.一种智慧农业全过程生产大数据智能分析系统平台， 其特征在于， 所述智慧农业全 过程生产大数据智能分析系统平台的架构包括感知 层、 网络层、 数据层、 服 务层和应用层； 所述感知层用于通过多种智能传感设备实时采集农作物生长态势及生产全过程相关 数据； 所述农作 物生长态势及生产全过程相关数据包括农作 物生长态势及生产全过程图像 数据以及 农作物生长态 势及生产全过程传感器数据； 所述网络层用于通过构建的融合网络为所述智慧农业全过程生产大数据智能分析系 统平台提供网络支撑； 所述数据层用于为实时采集的农作物生长态势及生产全过程相关数据提供通用的数权　利　要　求　书 2/3 页 3 CN 114997535 A 3