CN111964719A - 基于人工智能的农业传感器作物精准营养系统及方法 - Google Patents

Abstract

本发明属于智慧农业管理技术领域，尤其涉及一种基于人工智能的农业传感器作物精准营养系统及方法。系统包括中心工作站、智能用户端及云端系统；中心工作站的服务范围覆盖整个农业种植区，采用农业传感器进行农业信息采集，并完成包括但不限于数据传输与营养供给的农业服务；智能用户端用于展示信息、采集异常苗情图像与购买营养供给服务；云端系统对信息进行处理分析。本发明提供了包括多模态种植参数采集与异常苗情图像采集的农情采样手段。在系统提供的两个阶段的工作流程中，分析对象由大规模的“农业种植区”缩小为小规模的“问题分区”，使得数据分析获取的农化服务方案的针对性与精准性逐渐提升。

Description

基于人工智能的农业传感器作物精准营养系统及方法

技术领域

本发明属于智慧农业管理技术领域，尤其涉及一种基于人工智能的农业传感器作物精准营养系统及方法。

背景技术

种植环境、农作物生长情况监测是农情监测工作的重要组成。通过实时状态监测并根据实际情况调整对策、解决问题，有利于实现水分、光照及营养元素的精准化供给，提高农业生产效率和农产品质量，并促进传统农业绿色发展。

如现有技术中专利号为CN201621183257和CN201910253674的中国发明专利所记载的，农业传感器现已广泛适用于种植环境及农作物生长情况监测工作。在现有技术方案中，种类繁多的农业传感器大量遍布于农田、果园等种植区域，对诸如湿度、光照、土壤水分、土壤营养元素等农情数据进行实时采集，并将采集数据与系统后台预存的、反映农作物理想生长状态和/或适宜农作物生长的理想环境的标准数据进行比较，由此发现农业生产中出现的问题。以此为基础，合理投入人力物力，进行灌溉、给光、养分供给等农业操作计划的及时调整，能够在一定程度上改善水分、肥料等种植要素的按需投入。

然而，基于传感器采集的农情数据进行实际农情判断具有一定的局限：

首先，系统后台标准数据的制定是具有强烈主观性、受限于制定者专业水平的工作。标准数据极可能在专业性、准确性等方面存在限制，无法提供有效的参考；其次，在现有的作物监测技术中，虽然存在采用传感器进行农业数据“分区采集”与“独立分析”的技术方案，然而，鉴于农业生产活动复杂度极高，土壤的种类、含水量、有机质含量、温度等多元化因素都会影响农业传感器的测量精度，导致系统难以获取真实反映种植分区环境及农作物生长情况的准确数值；此外，相较于采集数据，农作物真实的生长状态是能够更加直观反映水分、光照及营养元素施用是否合理的方式。因此，仅仅以传感器数据作为制定灌溉、光照、营养供给等农业操作方案的方法，其精准性、合理性、有效性均难以保证。

发明内容

针对现有技术存在的上述缺陷，本发明提供了一种基于人工智能的农业传感器作物精准营养系统及方法。

为实现上述目的，本申请的具体方案为：

一种基于人工智能的农业传感器作物精准营养系统，包括中心工作站、智能用户端及分别与二者信号相连的云端系统；

其中，中心工作站的服务范围覆盖整个农业种植区，向农业种植区提供包括但不限于农业信息采集、数据传输与营养供给的农业服务；其中，农业种植区包括由至少一名用户负责的多个分区；所述农业信息采集是由设置于农业种植区的传感器组实现的、面向农业种植区进行的整体性数据采集。

智能用户端用于展示信息，拍摄异常苗情，并向用户提供购买营养供给服务的渠道；其中，拍摄异常苗情是面向出现异常苗情的问题分区进行的针对性数据采集。

云端系统对上传自中心工作站及智能用户端的信息进行处理分析，生成农情初诊报告、营养供给方案及其他农业操作建议，并实现数据管理。

进一步地，中心工作站、智能用户端及云端系统通过无线通信技术实现信号连接；再进一步地，实现中心工作站、智能用户端及云端系统信号连接的无线通信技术选自5G网络、4G网络、WiFi网络、蓝牙技术的一种或多种。

进一步地，农业种植区的面积为3000-10000亩，各个种植分区的面积为30-50亩。

中心工作站包括信息采集中心、农作物营养中心及分别与二者信号相连的数据传输中心；

信息采集中心包括分别设于各个分区内的传感器组；设于不同分区的传感器组分别具有与之唯一对应的编号；传感器组根据预设的采集计划进行对应分区的多模态种植参数采集；

数据传输中心用于将多模态种植参数上传至云端系统，接收由云端系统发送的、实施营养供给服务的信号，并接收由云端系统制定的营养供给方案、以及由用户自定义的作物营养方案；

在接收到云端系统发送的实施营养供给服务的信号后，农作物营养中心根据由云端系统制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，完成营养供给服务。

进一步地，各个分区内的传感器组均包括土壤温湿度传感器、空气温湿度传感器、土壤PH值传感器及光照强度传感器。多模态种植参数包括土壤温湿度、空气温湿度、土壤PH值及种植区光照强度。

进一步地，农作物营养中心包括智能营养调配系统及自动滴灌控制系统，营养供给服务包括由智能营养调配系统自动完成营养元素调配，并由自动滴灌控制系统控制完成营养滴灌作业。

进一步地，智能用户端包括显示模块、拍摄模块、商城模块及分别与三者信号相连的数据传输模块；

数据传输模块接收由云端系统传送至智能用户端的农情初诊报告、营养供给方案及其他农业操作建议，并传输至显示模块，向用户进行信息展示；

针对农情初诊报告记载的问题分区内的异常苗情，用户可采用拍摄模块进行问题分区内异常苗情图像的实地采集，异常苗情图像经数据传输模块上传云端系统进行后续智能化精准分析；

用户通过商城模块购买营养供给服务；其中，营养供给服务基于：由云端系统制定的、针对问题分区的营养供给方案，和/或由用户根据个人经验，在商城模块中自定义的作物营养方案；完成购买后的支付信息通过数据传输模块上传云端系统。

可选择地，智能用户端选自智能手机、平板电脑，及其它兼具拍摄、支付、显示与数据传输功能的终端设备的一种或多种。

进一步地，云端系统包括多模态信息分析模块、精准分析模块及分别与二者信号相连的信息管理模块；

多模态信息分析模块根据中心工作站上传的多模态种植参数，分析得出农业种植区中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，并将多个农情初诊报告输出至信息管理模块。其中，异常苗情包括种植环境异常与农作物生长参数异常。

再进一步地，多模态信息分析模块预存符合农作物理想种植条件与理想生长状况的标准参数值；针对中心工作站上传的、采集自不同编号的传感器组的多模态种植参数，多模态信息分析模块进行多模态种植参数与标准参数值的对比，分别判断对应不同传感器组的分区是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，将出现异常情况的分区定义为问题分区，由此生成针对不同问题分区的农情初诊报告。

精准分析模块包括人工神经网络模型，用于对智能用户端上传的问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并输出至信息管理模块。

信息管理模块作为云端系统的数据交互中心，接收由中心工作站上传的多模态种植参数，接收由智能用户端上传的异常苗情图像；向智能用户端发送农情初诊报告、营养供给方案及其他农业操作建议，并在接收智能用户端的支付信息后，向中心工作站发送实施营养供给服务的信号。

信息管理模块预存有农业种植区中各个分区的基本信息。对于多模态分析模块生成的、针对各个问题分区的农情初诊报告，信息管理模块根据预存的分区基本信息，获取问题分区的用户信息，将农情初诊报告发送至对应问题分区的用户的智能用户端。

进一步地，分区基本信息包括但不限于分区农作物类型、用户姓名、用户联系方式等，对于同一用户负责的多个分区而言，分区基本信息还包括该用户自主设定的分区编号。

本发明还提供了一种基于人工智能的农业传感器作物精准营养系统的实现方法，方法包括如下步骤：

S1. 分别设于各个分区的传感器组根据预设的采集计划进行对应分区的多模态种植参数采集，多模态种植参数被上传至云端系统；

S3. 云端系统根据多模态种植参数，分析得出农业种植区中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，云端系统将多个农情初诊报告分别发送至对应的问题分区的用户的智能用户端；

S4. 用户通过智能用户端查看农情初诊报告记载的问题分区内的异常苗情，继而使用智能用户端，对问题分区内的异常苗情图像进行实地采集，并上传异常苗情图像至云端系统；

S5. 云端系统人工智能模型对问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并发送至对应的问题分区的用户的智能用户端。

进一步地，步骤S3的实现方法为：

比较多模态种植参数与预存的、符合农作物理想种植条件与理想生长状况的标准参数值，分别判断对应不同传感器组的分区是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，出现异常的分区被定义为问题分区，由此生成针对不同问题分区的多个农情初诊报告。

进一步地，当用户选择购买营养供给服务时，基于人工智能的农业传感器作物精准营养系统的实现方法还包括如下后续步骤：

S6. 用户通过智能用户端购买营养供给服务并完成支付，云端系统根据智能用户端上传的支付信息，向中心工作站发送实施营养供给服务的信号；农作物营养中心根据由云端系统制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，进行营养元素调配，并控制完成营养滴灌作业。

本申请的优点在于：

与现有技术相比，本发明公开的一种基于人工智能的农业传感器作物精准营养系统及方法，实现了中心工作站与智能用户端、云端系统的信息互联，提供了从多模态种植参数采集到异常苗情图像采集的流程化农情采样手段。在系统的整个实践流程中，数据采集范围由“农业种植区”缩小为“问题分区”，使得数据分析获取的农作物营养供给方案的针对性与精准性逐渐提升。

具体而言，在本申请技术方案涉及的两个数据采集-分析阶段中，设置于各个分区的传感器组，分别对所属分区的多模态种植参数进行无差别式的整体性采集；云端系统基于传感器组编号将出现农情异常的区域定义为问题分区，并生成相应的农情初诊报告；获取农情初诊报告后，用户拍摄异常苗情图像，是针对问题分区进行的针对性数据采集操作。作为小采集范围、高采集精度的异常苗情图像的分析工具，经训练的人工智能模型能够一定程度上达到农资专家的专业性水平。相较于现有技术中用户根据种植经验自行调整营养比例的方案，人工智能模型的分析结果具有极高的专业性、准确性，由此实现化肥等农作物营养元素的精准施用，在提高利用率的同时有效保护农业生态环境。

此外，通过智能用户端提供的农资服务购买渠道，用户能够基于云端系统制定或自定义的方案实施营养供给。本发明贯通了作物精准营养服务中，从分析问题到解决问题的全部环节，实现了智慧农业的应用落地。

附图说明

图1为本发明实施例提供的一种基于人工智能的农业传感器作物精准营养系统的系统设置分布实例图。

图2为本发明实施例提供的一种基于人工智能的农业传感器作物精准营养系统的系统结构图。

具体实施方式

传感器技术现已成为广泛用于现代农业监测的技术手段。通过传感器采集农情信息、及时发现问题，能够减少人工操作的盲目性，使以人力为主的传统农业生产模式向以信息技术为中心的现代农业生产模式转变。此外，人工智能具有优秀的学习能力与强大的数据处理分析能力，其输出的高度经验性与专业性的处理结果，能够为农业操作提供有效的指导依据。

在本发明公开的一种基于人工智能的农业传感器作物精准营养系统及方法中，系统基于传感器数据分析获取农情初诊报告；用户根据智能用户端展示的农情初诊报告前往问题分区进行异常苗情图像的实地采集；云端系统人工智能模型对异常苗情图像进行分析处理，对种植环境异常、农作物生长异常等问题进行经验性判断，智能制定能够改善现有问题的营养供给方案。农作物营养中心根据营养供给方案自动完成营养元素调配与营养滴灌作业控制。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

一种基于人工智能的农业传感器作物精准营养系统，包括中心工作站1、智能用户端2及分别与二者信号相连的云端系统3；

其中，中心工作站1的服务范围覆盖整个农业种植区S，向农业种植区S提供包括但不限于农业信息采集、数据传输与营养供给的农业服务；其中，农业种植区S包括由至少一名用户负责的多个分区S1-Sn；所述农业信息采集是由设置于农业种植区S的传感器组实现的、面向农业种植区S进行的整体性数据采集。

智能用户端2用于展示信息，拍摄异常苗情，并向用户提供购买营养供给服务的渠道；其中，拍摄异常苗情是面向出现异常苗情的问题分区进行的针对性数据采集。

云端系统3对上传自中心工作站1及智能用户端2的信息进行处理分析，生成农情初诊报告、营养供给方案及其他农业操作建议，并实现数据管理。

进一步地，中心工作站1、智能用户端2及云端系统3通过无线通信技术实现信号连接；再进一步地，实现中心工作站1、智能用户端2及云端系统3信号连接的无线通信技术选自5G网络、4G网络、WiFi网络、蓝牙技术的一种或多种。

进一步地，农业种植区S的面积为3000-10000亩，各个分区S1-Sn的面积为30-50亩。

中心工作站1包括信息采集中心11、农作物营养中心12及分别与二者信号相连的数据传输中心13；

信息采集中心11包括分别设于各个分区S1-Sn内的传感器组；设于不同分区S1-Sn的传感器组分别具有与之唯一对应的编号；传感器组根据预设的采集计划进行对应分区S1-Sn的多模态种植参数采集；

数据传输中心13用于将多模态种植参数上传至云端系统3，接收由云端系统3发送的、实施营养供给服务的信号，并接收由云端系统3制定的营养供给方案、以及由用户自定义的作物营养方案；

在接收到云端系统3发送的实施营养供给服务的信号后，农作物营养中心12根据由云端系统3制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，完成营养供给服务。

进一步地，各个分区S1-Sn内的传感器组均包括土壤温湿度传感器、空气温湿度传感器、土壤PH值传感器及光照强度传感器。多模态种植参数包括土壤温湿度、空气温湿度、土壤PH值及种植区光照强度。

进一步地，农作物营养中心12包括智能营养调配系统及自动滴灌控制系统；营养供给服务包括由智能营养调配系统自动完成营养元素调配，并由自动滴灌控制系统控制完成营养滴灌作业。

进一步地，智能用户端2包括显示模块21、拍摄模块22、商城模块23及分别与三者信号相连的数据传输模块24；

数据传输模块24接收由云端系统3传送至智能用户端2的农情初诊报告、营养供给方案及其他农业操作建议，并传输至显示模块21，向用户进行信息展示；

针对农情初诊报告记载的问题分区内的异常苗情，用户可采用拍摄模块22进行问题分区内异常苗情图像的实地采集，异常苗情图像经数据传输模块24上传云端系统3进行后续智能化精准分析；

用户通过商城模块23购买营养供给服务；其中，营养供给服务基于：由云端系统3制定的、针对问题分区的营养供给方案，和/或由用户根据个人经验，在商城模块23中自定义的作物营养方案；完成购买后的支付信息通过数据传输模块24上传云端系统。

可选择地，智能用户端2选自智能手机、平板电脑，及其它兼具拍摄、支付、显示与数据传输功能的终端设备的一种或多种。

进一步地，云端系统3包括多模态信息分析模块31、精准分析模块32及分别与二者信号相连的信息管理模块33。

多模态信息分析模块31根据中心工作站1上传的多模态种植参数，分析得出农业种植区S中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，并将多个农情初诊报告输出至信息管理模块33。其中，异常苗情包括种植环境异常与农作物生长参数异常。

再进一步地，多模态信息分析模块31预存符合农作物理想种植条件与理想生长状况的标准参数值；针对中心工作站1上传的、采集自不同编号的传感器组的多模态种植参数，多模态信息分析模块31进行多模态种植参数与标准参数值的对比，分别判断对应不同传感器组的分区S1-Sn是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，将出现异常情况的分区定义为问题分区，由此生成针对不同问题分区的农情初诊报告。

精准分析模块32包括人工神经网络模型，用于对智能用户端2上传的问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并输出至信息管理模块33。

信息管理模块33作为云端系统3的数据交互中心，接收由中心工作站1上传的多模态种植参数，接收由智能用户端2上传的异常苗情图像；向智能用户端2发送农情初诊报告、营养供给方案及其他农业操作建议，并在接收智能用户端2的支付信息后，向中心工作站1发送实施营养供给服务的信号。

信息管理模块33预存有农业种植区S中各个分区S1-Sn的基本信息。对于多模态分析模块31生成的、针对各个问题分区的农情初诊报告，信息管理模块33根据预存的分区基本信息，获取问题分区的用户信息，将农情初诊报告发送至对应问题分区的用户的智能用户端2。

进一步地，分区基本信息包括但不限于分区农作物类型、用户姓名、用户联系方式等，对于同一用户负责的多个分区而言，分区基本信息还包括该用户自主设定的分区编号。

本发明还提供了一种基于人工智能的农业传感器作物精准营养系统的实现方法，方法包括如下步骤：

S1. 分别设于各个分区S1-Sn的传感器组根据预设的采集计划进行对应分区的多模态种植参数采集，多模态种植参数被上传至云端系统3；

S3. 云端系统3根据多模态种植参数，分析得出农业种植区S中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，云端系统3将多个农情初诊报告分别发送至对应的问题分区的用户的智能用户端2；

S4. 用户通过智能用户端2查看农情初诊报告记载的问题分区内的异常苗情，继而使用智能用户端2，对问题分区内的异常苗情图像进行实地采集，并上传异常苗情图像至云端系统3；

S5. 云端系统3人工智能模型对问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并发送至对应的问题分区的用户的智能用户端2。

进一步地，步骤S3的实现方法为：

比较多模态种植参数与预存的、符合农作物理想种植条件与理想生长状况的标准参数值，分别判断对应不同传感器组的分区S1-Sn是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，出现异常的分区被定义为问题分区，由此生成针对不同问题分区的多个农情初诊报告。

进一步地，当用户选择购买营养供给服务时，基于人工智能的农业传感器作物精准营养系统的实现方法还包括如下后续步骤：

S6. 用户通过智能用户端2购买营养供给服务并完成支付，云端系统3根据智能用户端2上传的支付信息，向中心工作站1发送实施营养供给服务的信号；农作物营养中心12根据由云端系统3制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，进行营养元素调配，并控制完成营养滴灌作业。

以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。

Claims (10)

1.一种基于人工智能的农业传感器作物精准营养系统，其特征在于：包括中心工作站、智能用户端及分别与二者信号相连的云端系统；

其中，中心工作站的服务范围覆盖整个农业种植区，向农业种植区提供包括但不限于农业信息采集、数据传输与营养供给的农业服务；其中，农业种植区包括由至少一名用户负责的多个分区；所述农业信息采集是由设置于农业种植区的传感器组实现的、面向农业种植区进行的整体性数据采集；

智能用户端用于展示信息，拍摄异常苗情，并向用户提供购买营养供给服务的渠道；其中，拍摄异常苗情是面向出现异常苗情的问题分区进行的针对性数据采集；

云端系统对上传自中心工作站及智能用户端的信息进行处理分析，生成农情初诊报告、营养供给方案及其他农业操作建议，并实现数据管理。

2.根据权利要求1所述的一种基于人工智能的农业传感器作物精准营养系统，其特征在于：中心工作站包括信息采集中心、农作物营养中心及分别与二者信号相连的数据传输中心；

信息采集中心包括分别设于各个分区内的传感器组；设于不同分区的传感器组分别具有与之唯一对应的编号；传感器组根据预设的采集计划进行对应分区的多模态种植参数采集；

数据传输中心用于将多模态种植参数上传至云端系统，接收由云端系统发送的、实施营养供给服务的信号，并接收由云端系统制定的营养供给方案、以及由用户自定义的作物营养方案；

在接收到云端系统发送的实施营养供给服务的信号后，农作物营养中心根据由云端系统制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，完成营养供给服务。

3.根据权利要求2所述的一种基于人工智能的农业传感器作物精准营养系统，其特征在于：

农作物营养中心包括智能营养调配系统及自动滴灌控制系统，营养供给服务包括由智能营养调配系统自动完成营养元素调配，并由自动滴灌控制系统控制完成营养滴灌作业。

4.根据权利要求1所述的一种基于人工智能的农业传感器作物精准营养系统，其特征在于：智能用户端包括显示模块、拍摄模块、商城模块及分别与三者信号相连的数据传输模块；

数据传输模块接收由云端系统传送至智能用户端的农情初诊报告、营养供给方案及其他农业操作建议，并传输至显示模块，向用户进行信息展示；

针对农情初诊报告记载的问题分区内的异常苗情，用户可采用拍摄模块进行问题分区内异常苗情图像的实地采集，异常苗情图像经数据传输模块上传云端系统进行后续智能化精准分析；

用户通过商城模块购买营养供给服务；其中，营养供给服务基于：由云端系统制定的、针对问题分区的营养供给方案，和/或由用户根据个人经验，在商城模块中自定义的作物营养方案；完成购买后的支付信息通过数据传输模块上传云端系统。

5.根据权利要求1所述的一种基于人工智能的农业传感器作物精准营养系统，其特征在于：云端系统包括多模态信息分析模块、精准分析模块及分别与二者信号相连的信息管理模块；

多模态信息分析模块根据中心工作站上传的多模态种植参数，分析得出农业种植区中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，并将多个农情初诊报告输出至信息管理模块；

其中，异常苗情包括种植环境异常与农作物生长参数异常；

精准分析模块包括人工神经网络模型，用于对智能用户端上传的问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并输出至信息管理模块；

信息管理模块作为云端系统的数据交互中心，接收由中心工作站上传的多模态种植参数，接收由智能用户端上传的异常苗情图像；向智能用户端发送农情初诊报告、营养供给方案及其他农业操作建议，并在接收智能用户端的支付信息后，向中心工作站发送实施营养供给服务的信号。

6.根据权利要求5所述的一种基于人工智能的农业传感器作物精准营养系统，其特征在于：多模态信息分析模块预存符合农作物理想种植条件与理想生长状况的标准参数值；针对中心工作站上传的、采集自不同编号的传感器组的多模态种植参数，多模态信息分析模块进行多模态种植参数与标准参数值的对比，分别判断对应不同传感器组的分区是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，将出现异常情况的分区定义为问题分区，由此生成针对不同问题分区的农情初诊报告。

7.根据权利要求5所述的一种基于人工智能的农业传感器作物精准营养系统，其特征在于：信息管理模块预存有农业种植区中各个分区的基本信息；

对于多模态分析模块生成的、针对各个问题分区的农情初诊报告，信息管理模块根据预存的分区基本信息，获取问题分区的用户信息，将农情初诊报告发送至对应问题分区的用户的智能用户端。

8.一种如权利要求1-7所述的一种基于人工智能的农业传感器作物精准营养系统的实现方法，其特征在于，方法包括如下步骤：

S1. 分别设于各个分区的传感器组根据预设的采集计划进行对应分区的多模态种植参数采集，多模态种植参数被上传至云端系统；

S3. 云端系统根据多模态种植参数，分析得出农业种植区中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，云端系统将多个农情初诊报告分别发送至对应的问题分区的用户的智能用户端；

S4. 用户通过智能用户端查看农情初诊报告记载的问题分区内的异常苗情，继而使用智能用户端，对问题分区内的异常苗情图像进行实地采集，并上传异常苗情图像至云端系统；

S5. 云端系统人工智能模型对问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并发送至对应的问题分区的用户的智能用户端。

9.根据权利要求8所述的一种基于人工智能的农业传感器作物精准营养系统，其特征在于：步骤S3的实现方法为：

比较多模态种植参数与预存的、符合农作物理想种植条件与理想生长状况的标准参数值，分别判断对应不同传感器组的分区是否出现种植环境异常及农作物生长参数异常，分析异常情况的具体类型及严重程度，出现异常的分区被定义为问题分区，由此生成针对不同问题分区的多个农情初诊报告。

10.根据权利要求8所述的一种基于人工智能的农业传感器作物精准营养系统的实现方法，其特征在于：当用户选择购买营养供给服务时，基于人工智能的农业传感器作物精准营养系统的实现方法还包括如下后续步骤：

S6. 用户通过智能用户端购买营养供给服务并完成支付，云端系统根据智能用户端上传的支付信息，向中心工作站发送实施营养供给服务的信号；农作物营养中心根据由云端系统制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，进行营养元素调配，并控制完成营养滴灌作业。

Images