一种水稻氮肥施肥方法、系统、设备及存储介质与流程

本发明涉及智能施肥相关，尤其是涉及一种水稻氮肥施肥方法、系统、设备及存储介质。

背景技术：

1、水稻作为我国主要粮食作物之一，水稻的产量不仅影响着农业经济的发展，也影响着人们的生活。水稻的生长全生育周期整个过程的管理对其最终的产量及质量发挥着决定性作用，而在水稻生长的全生育周期中施肥直接影响其产量和品质。

2、但目前施肥方法可以归结为测土施肥法、肥料效应函数法和营养诊断法，其中，测土施肥法是一种根据土壤的养分状况来制定精确施肥方案的方法。但测土施肥法需要进行土壤测试，这需要一定的技术和设备支持，成本较高，其次，不同作物对养分的需求不同，需要根据不同作物制定不同的施肥方案，操作较为繁琐，肥料效应函数法的试验周期比较长，需要耗费大量的人力和物力，且需要专业技术人员进行建模和分析，而年份间的重复性又很差，很容易出现“马鞍型”曲线，预测施肥量误差偏大；营养诊断法是一种用于评估植物养分状况的方法，通过分析植物组织中的养分含量，判断植物是否缺乏某种养分或过量吸收，从而指导施肥管理的决策，但为了进行养分诊断，需要进行实验室测试，包括采样、制样和分析，涉及一定的费用和时间成本，而且采样过程可能对结果产生一定的影响，分析和解读养分诊断结果也需要一定的专业知识。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种水稻氮肥施肥方法、系统、设备及存储介质，能够提高肥料利用率，降低施肥成本，提升计划作物的质量。

2、本发明的第一方面，提供了一种水稻氮肥施肥方法，包括如下步骤：

3、获取待施肥区域的待检测水稻照片；

4、将所述待检测水稻照片输入训练好的分类神经网络模型，得到所述待检测水稻照片的预测生长时期以及预测长势等级；

5、当所述预测长势等级小于预设等级，则根据所述预测生长时期计算第一施氮区间；

6、根据所述预测生长时期与预设各时期对应比重计算第二施氮区间；

7、根据所述第一施氮区间和所述第二施氮区间计算所述待检测水稻照片对应的水稻氮肥施肥量。

8、根据本发明的实施例，至少具有如下技术效果：

9、本方法通过获取待施肥区域的待检测水稻照片，将待检测水稻照片输入训练好的分类神经网络模型，得到待检测水稻照片的预测生长时期以及预测长势等级，当预测长势等级小于预设等级，则根据预测生长时期计算第一施氮区间，根据预测生长时期与预设各时期对应比重计算第二施氮区间，根据第一施氮区间和第二施氮区间计算待检测水稻照片对应的水稻氮肥施肥量，提高了肥料利用率，降低了施肥成本，提升了计划作物的质量。

10、根据本发明的一些实施例，所述分类神经网络模型的训练过程包括：

11、获取预处理后的历史水稻照片；

12、根据预设生长时期和预设长势等级对所述预处理后的历史水稻照片进行标记，得到标记后训练图像；

13、构建初始分类神经网络模型，将所述标记后训练图像输入所述初始分类神经网络模型进行训练，得到所述训练好的分类神经网络模型。

14、根据本发明的一些实施例，当所述预测长势等级小于预设等级，则根据所述预测生长时期计算第一施氮区间，包括：

15、获取历史水稻照片的历史spad值和历史氮肥施肥量；

16、根据所述历史spad值和历史氮肥施肥量构建每个预设生长时期对应的拟合方程；

17、当所述预测长势等级小于所述预设等级，则根据所述预测生长时期与对应的拟合方程进行区间计算，得到所述第一施氮区间。

18、根据本发明的一些实施例，根据所述预测生长时期与对应的拟合方程进行区间计算，得到所述第一施氮区间，包括：

19、根据所述预测生长时期与预设生长时期对应spad表格进行数据匹配，得到所述预测生长时期对应的第一spad值区间；

20、根据所述第一spad值区间与预设生长时期对应的预设spad最小值进行spad值计算，得到第二spad值区间；

21、根据所述第二spad值区间与所述对应的拟合方程进行区间计算，得到所述第一施氮区间。

22、根据本发明的一些实施例，根据所述预测生长时期与预设各时期对应比重计算第二施氮区间，包括：

23、获取最佳施氮水平下水稻的产量范围和所述预测生长时期的前一时期施氮量；

24、根据所述最佳施氮水平下水稻的产量范围计算总施氮量；

25、根据所述总施氮量和所述预设各时期对应比重计算所述预测生长时期的预测施氮区间；

26、根据所述预测施氮区间和所述前一时期施氮量进行施氮量计算，得到所述第二施氮区间。

27、根据本发明的一些实施例，根据所述第一施氮区间和所述第二施氮区间计算所述待检测水稻照片对应的水稻氮肥施肥量，包括：

28、获取所述第一施氮区间的最小值和所述第二施氮区间的最小值；并将两个最小值的最大值作为所述待检测水稻照片对应的水稻氮肥施肥量的最小值；

29、获取所述第一施氮区间的最大值和所述第二施氮区间的最大值；并将两个最大值的最小值作为所述待检测水稻照片对应的水稻氮肥施肥量的最大值；

30、根据待检测水稻照片对应的水稻氮肥施肥量的最小值和所述待检测水稻照片对应的水稻氮肥施肥量的最大值得到所述待检测水稻照片对应的水稻氮肥施肥量。

31、根据本发明的一些实施例，所述水稻氮肥施肥方法还包括：

32、获取待购买化肥产品的含氮量；

33、根据所述含氮量和所述水稻氮肥施肥量计算所述待购买化肥产品的购买袋数。

34、本发明的第二方面，提供一种水稻氮肥施肥系统，所述水稻氮肥施肥系统包括：

35、数据获取模块，用于获取待施肥区域的待检测水稻照片；

36、预测模块，用于将所述待检测水稻照片输入训练好的分类神经网络模型，得到所述待检测水稻照片的预测生长时期以及预测长势等级；

37、第一施氮区间计算模块，用于当所述预测长势等级小于预设等级，则根据所述预测生长时期计算第一施氮区间；

38、第二施氮区间计算模块，用于根据所述预测生长时期与预设各时期对应比重计算第二施氮区间；

39、水稻氮肥施肥量计算模块，用于根据所述第一施氮区间和所述第二施氮区间计算所述待检测水稻照片对应的水稻氮肥施肥量。

40、本系统通过获取待施肥区域的待检测水稻照片，将待检测水稻照片输入训练好的分类神经网络模型，得到待检测水稻照片的预测生长时期以及预测长势等级，当预测长势等级小于预设等级，则根据预测生长时期计算第一施氮区间，根据预测生长时期与预设各时期对应比重计算第二施氮区间，根据第一施氮区间和第二施氮区间计算待检测水稻照片对应的水稻氮肥施肥量，提高了肥料利用率，降低了施肥成本，提升了计划作物的质量。

41、本发明的第三方面，提供了一种水稻氮肥施肥电子设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行上述的水稻氮肥施肥方法。

42、本发明的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行上述的水稻氮肥施肥方法。

43、需要注意的是，本发明的第二方面至第四方面与现有技术之间的有益效果与上述的一种水稻氮肥施肥系统与现有技术之间的有益效果相同，此处不再细述。

44、本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。