一种基于区块链的农作物生长环境监测方法及系统技术方案

本发明专利技术公开了一种基于区块链的农作物生长环境监测方法及系统，该方法包括：获取地块图像数据并构建地块变化检测模型；获取农作物产量遥感数据并构建农作物产量估算模型；获取农作物病虫害图像数据并构建病虫害检测模型；获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。该系统包括：地块检测模块、产量估算模块、病虫害检测模块、农作物溯源模块和监测模块。通过使用本发明专利技术，能够解决产业链数据不精准、农业灾害比较突出、农业生产精准化不佳和农产品无法溯源的问题。不佳和农产品无法溯源的问题。不佳和农产品无法溯源的问题。

【技术实现步骤摘要】
一种基于区块链的农作物生长环境监测方法及系统


[0001]本专利技术涉及农作物生长环境监测领域，尤其涉及一种基于区块链的农作物生长环境监测方法及系统。

技术介绍

[0002]随着信息技术的爆炸式发展，互联网的渗透颠覆了传统的农业模式，而大数据、传感器、物联网、云计算改变了传统手工劳作方式和粗放式的农业生产模式，使传统农业迈向集约化、精准化、智能化和数据化；新一代互联网技术为数字农业的革新提供了重要的支撑，然而随着农业产业化和规模化水平的提高，逐渐暴露出一系列问题：农业全产业链数据不精准、农业灾害比较突出、农业生产精准化不佳、农产品无法溯源、食品安全无法保障等，这些问题的出现又跟农作物的生长环境有着密切的关系，因此监测农作物的生长环境并在必要时采取相应的防范措施是很有必要的。
[0003]然而传统的农作物生长环境监测仍然依赖于人工调控，在某些情况下管理者无法及时知晓环境信息，因此无法做出准确的判断，尤其是在一些经济作物种植领域，如果不能准确获得作物的生长环境信息就无法及时进行调控，从而影响最后的产出。

技术实现思路

[0004]为了解决上述技术问题，本专利技术的目的是提供一种基于区块链的农作物生长环境监测方法及系统，能够解决产业链数据不精准、农业灾害比较突出、农业生产精准化不佳和农产品无法溯源的问题。
[0005]本专利技术所采用的第一技术方案是：一种基于区块链的农作物生长环境监测方法，包括以下步骤：
[0006]获取地块图像数据并构建地块变化检测模型；
[0007]获取农作物产量遥感数据并构建农作物产量估算模型；
[0008]获取农作物病虫害图像数据并构建病虫害检测模型；
[0009]获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；
[0010]基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。
[0011]进一步，所述获取地块图像数据并构建地块变化检测模型这一步骤，具体包括：
[0012]获取地块图像数据并构建地块数据库；
[0013]从地块数据库中选取两张待融合地块图像并分别计算对应的信息熵；
[0014]对两张待融合地块图像及其对应的信息熵进行小波分解，得到多分辨率结构；
[0015]在多分辨率结构上，比较两张待融合地块图像的信息熵在水平、垂直、对角方向对应的小波系数，选择其中一张待融合地块图像的系数作为融合图像在该分辨率上的重建系数；
[0016]基于小波系数，通过二维图像小波重建得到融合图像；
[0017]在融合图像中标识出发生变化的位置并输出二值化图；
[0018]重新选取地块图像数据执行循环训练，得到地块变化检测模型。
[0019]进一步，所述获取农作物产量遥感数据并构建农作物产量估算模型这一步骤，具体包括：
[0020]获取农作物产量遥感数据并构建农作物产量数据库；
[0021]从农作物产量数据库中选取农作物产量遥感数据并进行数据融合；
[0022]利用最小二乘拟合方法确定随机森林中决策树的节点；
[0023]利用农作物产量遥感数据训练决策树，计算出每个特征平均减少的不纯度作为特征选择的值；
[0024]利用特征选择的值和对应的农作物产量训练人工神经网络，得到各个位置的产量并输出产量彩图；
[0025]重新选取农作物产量遥感数据执行循环训练，得到农作物产量估算模型。
[0026]进一步，所述获取农作物病虫害图像数据并构建病虫害检测模型这一步骤，具体包括：
[0027]获取农作物病虫害图片并构建病虫害数据库；
[0028]从病虫害数据库中选取训练数据并进行预处理和图像增强，得到图像增强后的预处理数据；
[0029]利用图像增强后的预处理数据对残差网络Resnet 50模型进行训练，以focal loss作为损失函数输出病虫害类别分布结果，得到病虫害检测模型。
[0030]进一步，所述获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型这一步骤，具体包括：
[0031]获取农作物播种数据与生长数据并构建农作物溯源数据库；
[0032]以播种数据构建播种链，以生长数据构建生长链，基于联盟区块链整合播种链与生长链，得到农作物溯源模型。
[0033]进一步，所述播种链用于记录播种情况，具体包括：
[0034]播种前通过记录农作物种子的来源和检测分析报告作为播种链的起始位置；
[0035]播种中通过记录肥药施用量和肥药使用记录对播种阶段进行实时数字化描述；
[0036]播种后将播种前和播种中的播种情况进行上链。
[0037]进一步，所述生长链包括环境精准监测、除草除虫记录、生长收割记录三个节点，具体包括：
[0038]所述环境精准监测通过对抗神经网络预测未来天气情况，选择最佳生长收割时间；
[0039]所述除草除虫记录用于记录除草除虫所使用的药剂、药量及其时间；
[0040]所述生长收割记录用于记录农作物收割数量及其对应的收割时间。
[0041]进一步，还包括数据采集步骤，具体包括：
[0042]通过高光谱技术与无人机采集第一类数据；
[0043]通过卫星遥感技术采集第二类数据；
[0044]通过固定式传感器和摄像头采集第三类数据；
[0045]将第一类数据、第二类数据和第三类数据进行整合，得到整合数据；
[0046]将整合数据进行划分，得到天气数据、地块图像数据、农作物产量遥感数据、农作物病虫害图像数据和农作物播种数据与生长数据。
[0047]本专利技术所采用的第二技术方案是：一种基于区块链的农作物生长环境监测系统，包括：
[0048]地块检测模块，用于获取地块图像数据并构建地块变化检测模型；
[0049]产量估算模块，用于获取农作物产量遥感数据并构建农作物产量估算模型；
[0050]病虫害检测模块，用于获取农作物病虫害图像数据并构建病虫害检测模型；
[0051]农作物溯源模块，用于获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；
[0052]监测模块，基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。
[0053]本专利技术方法及系统的有益效果是：本专利技术实现了一种功能齐全、安全可靠、操作简单的农作物生长环境监测系统，首先通过高光谱技术与无人机采集第一类数据、卫星遥感技术采集第二类数据和固定式传感器与摄像头采集第三类数据，实现了高精度多维立体化监测体系，减少了传统人工监测和统计的成本，解决了农业生产精准化不佳的问题；其次通过提供农作物生长环境监测模型，确保种植者对农作物生产过程中地块变化、病虫害情况、农作物产量以及农产品溯源等信息的准确了解，解决了农业现代化出现的农业灾害比较突出、农本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于区块链的农作物生长环境监测方法，其特征在于，包括以下步骤：获取地块图像数据并构建地块变化检测模型；获取农作物产量遥感数据并构建农作物产量估算模型；获取农作物病虫害图像数据并构建病虫害检测模型；获取农作物播种数据与生长数据并基于联盟区块链构建农作物溯源模型；基于区块链技术整合地块变化检测模型、农作物产量估算模型、病虫害检测模型和农作物溯源模型，得到农作物生长环境监测模型。2.根据权利要求1所述一种基于区块链的农作物生长环境监测方法，其特征在于，所述获取地块图像数据并构建地块变化检测模型这一步骤，具体包括：获取地块图像数据并构建地块数据库；从地块数据库中选取两张待融合地块图像并分别计算对应的信息熵；对两张待融合地块图像及其对应的信息熵进行小波分解，得到多分辨率结构；在多分辨率结构上，比较两张待融合地块图像的信息熵在水平、垂直、对角方向对应的小波系数，选择其中一张待融合地块图像的系数作为融合图像在该分辨率上的重建系数；基于小波系数，通过二维图像小波重建得到融合图像；在融合图像中标识出发生变化的位置并输出二值化图；重新选取地块图像数据执行循环训练，得到地块变化检测模型。3.根据权利要求1所述一种基于区块链的农作物生长环境监测方法，其特征在于，所述获取农作物产量遥感数据并构建农作物产量估算模型这一步骤，具体包括：获取农作物产量遥感数据并构建农作物产量数据库；从农作物产量数据库中选取农作物产量遥感数据并进行数据融合；利用最小二乘拟合方法确定随机森林中决策树的节点；利用农作物产量遥感数据训练决策树，计算出每个特征平均减少的不纯度作为特征选择的值；利用特征选择的值和对应的农作物产量训练人工神经网络，得到各个位置的产量并输出产量彩图；重新选取农作物产量遥感数据执行循环训练，得到农作物产量估算模型。4.根据权利要求1所述一种基于区块链的农作物生长环境监测方法，其特征在于，所述获取农作物病虫害图像数据并构建病虫害检测模型这一步骤，具体包括：获取农作物病虫害图片并构建病虫害数据库；从病虫害数据库中选取训练数据并进行预处理和图像增强，得到图像增强后的预处理数据；利用图像增强后的预处理数据对残差网络Resnet 50模型进行训练，以focal loss作...

【专利技术属性】
技术研发人员：王卓薇，黄焕洲，程良伦，赵艮平，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：