ОБНАРУЖЕНИЕ БОЛЕЗНЕЙ РАСТЕНИЙ С ПОМОЩЬЮ МНОГОСТАДИЙНОГО, МНОГОМАСШТАБНОГО ГЛУБОКОГО ОБУЧЕНИЯ Российский патент 2024 года по МПК G06F18/2431 G06V10/82 

Описание патента на изобретение RU2820495C2

Уведомление об авторских правах

[0001] Часть раскрытия этого патентного документа содержит материал, который является объектом защиты авторских прав. Владелец авторских прав не возражает против факсимильного воспроизведения кем-либо патентного документа или раскрытия патента, как это указано в патентном файле или записях ведомства по патентам и товарным знакам, но в остальном сохраняет за собой все авторские права или права в целом. © 2015-2019 Climate Corporation.

Область техники, к которой относится настоящее изобретение

[0002] Настоящее раскрытие относится к областям техники обнаружения болезней растений и обучения машины. Настоящее раскрытие также относится к области техники обработки изображения с разными масштабами для распознавания болезней, имеющих симптомы разных размеров.

Предшествующий уровень техники настоящего изобретения

[0003] Подходы, описанные в этом разделе, представляют собой подходы, которые могли бы быть реализованы, но не обязательно подходы, которые были задуманы или реализованы ранее. Следовательно, если не указано иное, не следует допускать, что любой из подходов, описанных в этом разделе, квалифицируется как предшествующий уровень техники только благодаря его включению в этот раздел.

[0004] В сельском хозяйстве важно выявлять болезни растений. В настоящее время автоматизированный подход часто включает классификацию фотографий растений путем изучения образцов фотографий. На каждой фотографии может быть изображен лист, имеющий симптомы болезни. Иногда эти симптомы вызваны множеством болезней. Иногда эти симптомы имеют разные размеры или наложение друг на друга. Было бы полезно иметь эффективный и точный подход распознавания по такой фотографии болезней растений, поражающих лист, не требующий в качестве образцов большого количества фотографий, показывающих различные симптомы этих болезней растений. Краткое раскрытие настоящего изобретения.

[0005] В качестве краткого изложения раскрытия может служить приложенная формула изобретения.

Краткое описание фигур

[0006] На фигурах:

[0007] на фиг. 1 представлена иллюстративная компьютерная система, которая выполнена с возможностью выполнения функций, описанных в данном документе, показанная в полевых условиях с другим устройством, с которым система может взаимодействовать;

[0008] на фиг. 2 представлено два вида иллюстративной логической организации наборов команд в основной памяти, когда иллюстративное мобильное приложение загружают для выполнения;

[009] на фиг. 3 представлен запрограммированный процесс, с помощью которого сельскохозяйственная информационная компьютерная система создает одну или более предварительно сконфигурированную агрономическую модель с использованием агрономических данных, предоставленных одним или более источником данных;

[0010] на фиг. 4 представлена блок-схема, которая иллюстрирует компьютерную систему, в которой может быть реализован вариант осуществления изобретения;

[0011] на фиг. 5 изображен иллюстративный вариант осуществления изображения временной шкалы для ввода данных;

[0012] на фиг. 6 изображен иллюстративный вариант представления электронной таблицы для ввода данных;

[0013] на фиг. 7А представлен иллюстративный подход извлечения образцов изображений по фотографии, показывающих симптомы болезни растения, которые являются относительно небольшими;

[0014] на фиг. 7В представлен иллюстративный подход извлечения образцов изображений по фотографии, показывающих симптомы болезни растения, которые являются относительно большими;

[0015] на фиг. 8 представлен иллюстративный процесс распознавания по изображению болезней растений, имеющих многоразмерные симптомы растения с использованием множества цифровых моделей;

[0016] на фиг. 9А представлена иллюстративная карта прогнозирования, показывающая результаты применения первой цифровой модели к изображению растения для распознавания болезней растений, имеющих относительно небольшие симптомы;

[0017] на фиг. 9В представлена иллюстративная карта прогнозирования, показывающая результаты применения второй цифровой модели к изображению растения для распознавания болезней растений, имеющих относительно большие симптомы;

[0018] на фиг. 10 представлен иллюстративный способ, выполняемый серверным компьютером, который запрограммирован распознавать по изображению растения болезни растений, имеющие многоразмерные симптомы.

Подробное раскрытие настоящего изобретения

[0019] В следующем описании с целью объяснения изложено множество конкретных деталей, чтобы обеспечить тщательное понимание настоящего раскрытия. Однако понятно, что варианты осуществления можно реализовать без этих конкретных деталей. В других случаях хорошо известные конструкции и устройства показаны в форме блок-схемы, чтобы избежать ненужного затруднения понимания настоящего раскрытия. Варианты осуществления раскрыты в разделах согласно следующей схеме:

1. ОБЩИЙ ОБЗОР

2. ИЛЛЮСТРАТИВНАЯ СЕЛЬСКОХОЗЯЙСТВЕННАЯ ИНФОРМАЦИОННАЯ КОМПЬЮТЕРНАЯ СИСТЕМА

2.1. ОБЗОР СТРУКТУРЫ

2.2. ОБЗОР ПРИКЛАДНЫХ ПРОГРАММ

2.3. ПОПАДАНИЕ ДАННЫХ В КОМПЬЮТЕРНУЮ СИСТЕМУ

2.4. ОБЗОР ПРОЦЕССА ОБУЧЕНИЕ АГРОНОМИЧЕСКОЙ МОДЕЛИ

2.5. ПРИМЕР РЕАЛИЗАЦИИ ОБЗОР АППАРАТНЫХ СРЕДСТВ

3. ОПИСАНИЕ ФУНКЦИЙ

3.1 ОБУЧАЮЩИЙ НАБОР И ПОСТРОЕНИЕ ЦИФРОВОЙ МОДЕЛИ

3.2 ВЫПОЛНЕНИЕ ЦИФРОВОЙ МОДЕЛИ

3.3 ИЛЛЮСТРАТИВНЫЕ ПРОЦЕССЫ

4. РАСШИРЕНИЯ И АЛЬТЕРНАТИВЫ

[0020] 1. ОБЩИЙ ОБЗОР

[0021] Раскрыта система распознавания болезней растений, вызывающих многоразмерные симптомы, по фотографии растения. В некоторых вариантах осуществления система запрограммирована строить из множества обучающих наборов множество цифровых моделей, каждая для распознавания болезней растений, имеющих симптомы аналогичных размеров. Каждая цифровая модель может быть реализована с архитектурой глубокого обучения, такой как сверточная нейронная сеть (CNN), которая относит изображение к одному из нескольких классов. Таким образом, для каждого обучающего набора система запрограммирована собирать изображения, показывающие симптомы одной или более болезни растений, имеющей аналогичные размеры. Затем эти изображения присваиваются нескольким классам болезней. Для первого из обучающих наборов, используемых для построения первой цифровой модели, система запрограммирована так, чтобы также включать изображения, которые соответствуют здоровому состоянию, и изображать симптомы, имеющие другие размеры. Затем эти изображения присваиваются классу отсутствия болезней и сборному классу. Затем, получив новое изображение с пользовательского устройства, система запрограммирована применять сначала первую цифровую модель. По меньшей мере для тех частей нового изображения, которые классифицированы первой цифровой моделью в сборный класс, система запрограммирована применять затем другую из цифровых моделей. Система запрограммирована передавать в заключение на пользовательское устройство данные классификации, показывающие, как каждая часть нового изображения отнесена к классу, соответствующему болезни растения или полному отсутствию болезни растения.

[0022] В некоторых вариантах осуществления растение представляет собой кукурузу. Каждое изображение может представлять собой цифровое изображение и обычно фотографию, показывающую лист кукурузы, пораженный одной или более болезнью. Систему можно запрограммировать на построение двух цифровых моделей, первую для распознавания тех болезней кукурузы, которые вызывают относительно небольшие симптомы, и вторую для распознавания тех болезней кукурузы, которые вызывают относительно большие симптомы.

[0023] В некоторых вариантах осуществления для построения первым обучающим набором первой цифровой модели система может быть выполнена с возможностью включения фотографий, показывающих в основном симптомы тех болезней, которые имеют относительно небольшие симптомы. Таким образом, эти фотографии будут иметь относительно небольшие размеры. Альтернативно, система может быть выполнена с возможностью включения масштабированных вариантов этих фотографий, соответствующих полю зрения, аналогичному исходному, но имеющих фиксированный размер. Система может быть выполнена также с возможностью включения фотографий, соответствующих аналогичному полю зрения, но не показывающих никаких симптомов или показывающих симптомы тех болезней, которые имеют относительно большие симптомы. Следовательно, первая цифровая модель выполнена с возможностью отнесения изображения кукурузы к классу, соответствующему одной из тех болезней кукурузы, которые имеют относительно небольшие симптомы, или здоровому состоянию, или к сборному классу, соответствующему комбинации тех болезней кукурузы, которые имеют относительно большие симптомы.

[0024] В некоторых вариантах осуществления для построения вторым обучающим набором второй цифровой модели система может быть выполнена с возможностью включения фотографий, показывающих в основном симптомы тех болезней, которые имеют относительно большие симптомы. Таким образом, эти фотографии будут иметь относительно большие размеры. Альтернативно, система может быть выполнена с возможностью включения масштабированных вариантов этих фотографий, соответствующих полю зрения, аналогичному исходному, но имеющих фиксированный размер. Следовательно, вторая цифровая модель выполнена с возможностью отнесения изображения кукурузы к классу, соответствующему одной из тех болезней кукурузы, которые имеют относительно большие симптомы. Систему можно запрограммировать на построение первой цифровой модели и второй цифровой модели в виде CNN, соответственно, из первого обучающего набора и второго обучающего набора.

[0025] В некоторых вариантах осуществления система запрограммирована получать новое изображение, такое как новая фотография пораженного листа кукурузы, с пользовательского устройства и применять к новому изображению цифровые модели. Конкретно, система запрограммирована применять к новому изображению сначала первую цифровую модель для классификации каждой первой области внутри нового изображения в один из классов, соответствующих болезням кукурузы, имеющим относительно небольшие симптомы, здоровому состоянию или комбинации болезней кукурузы, имеющих относительно большие симптомы. Далее система запрограммирована применять вторую цифровую модель к каждой второй области внутри комбинации первых областей, которые были классифицированы в сборный класс, в один из классов, соответствующих болезням кукурузы, имеющим относительно большие симптомы. Вторая область обычно больше первой области, соответствующей большему симптому или большему полю зрения. Систему можно запрограммировать посылать затем данные классификации, связанные с тем, как каждая первая область или вторая область классифицирована в один из классов, соответствующих болезням кукурузы или здоровому состоянию, на пользовательское устройство.

[0026] Система обеспечивает различные технические преимущества. Система обеспечивает обнаружение множества болезней растений из одного изображения растения. Система также обеспечивает обнаружение одной болезни растения, имеющей относительно небольшие симптомы, даже когда такие симптомы накладываются на относительно большие симптомы другой болезни растения. Кроме того, система также обеспечивает обнаружение болезней растений, имеющих многоразмерные симптомы, из одного изображения растения. Более конкретно, система позволяет связывать каждую из множества областей внутри растения с одной из множества болезней растений или здоровым классом, даже когда симптомы болезней имеют разные размеры. Кроме того, многостадийный подход, когда последовательно применяют разные цифровые модели, выполненные с возможностью идентификации отдельных групп симптомов, обеспечивает точность, требуя в то же время относительно небольшого количества образцов изображений по сравнению с одностадийным подходом одновременного обнаружения разных групп симптомов. В частности, в многостадийном подходе можно использовать множество изображений, извлеченных из изображения, используемого для обучения в одностадийном подходе, причем изображение показывает множество групп симптомов, а каждое извлеченное изображение показывает симптомы только одной из групп.

[0027] Другие аспекты и признаки вариантов осуществления станут понятны из других разделов раскрытия.

[0028] 2. ИЛЛЮСТРАТИВНАЯ СЕЛЬСКОХОЗЯЙСТВЕННАЯ ИНФОРМАЦИОННАЯ КОМПЬЮТЕРНАЯ СИСТЕМА

[0029] 2.1 ОБЗОР СТРУКТУРЫ

[0030] На фиг. 1 представлена иллюстративная компьютерная система, которая выполнена с возможностью выполнения функций, описанных в данном документе, показанная в полевых условиях с другим устройством, с которым система может взаимодействовать. В одном варианте осуществления пользователь 102 владеет, управляет или имеет вычислительное устройство 104 полевого менеджера в местоположении поля или связанное с местоположением поля, например, поля, предназначенного для сельскохозяйственной деятельности, или в местоположении управления одним или более сельскохозяйственным полем. Вычислительное устройство 104 полевого менеджера запрограммировано или выполнено с возможностью предоставления полевых данных 106 в сельскохозяйственную информационную компьютерную систему 130 через одну или более сеть 109.

[0031] Примеры полевых данных 106 включают (а) идентификационные данные (например, площадь, название поля, идентификаторы поля, географические идентификаторы, идентификаторы границ, идентификаторы сельскохозяйственных культур и любые другие подходящие данные, которые можно использовать для идентификации сельскохозяйственных угодий, таких как общая земельная единица (CLU), номер участка и блока, номер земельного участка, географические координаты и границы, серийный номер фермы (FSN), номер фермы, номер делянки, номер поля, район, деревня и/или расстояние), (b) связанные с урожаем данные (например, тип сельскохозяйственной культуры, сорт сельскохозяйственной культуры, севооборот, выращивается ли сельскохозяйственная культура с применением органических удобрений, дата уборки, фактическая история производства (АРН), ожидаемый урожай, урожайность, стоимость урожая, выручка от урожая, влажность зерна, агротехнические приемы и информация о предыдущем вегетационном сезоне), (с) почвенные данные (например, тип, состав, рН, органическое вещество (ОМ), емкость катионного обмена (СЕС)), (d) посевные данные (например, дата посева, тип семян, относительная зрелость (RM) посеянных семян, плотность посева семян), (е) данные по удобрениям (например, тип питательного вещества (азот, фосфор, калий), тип внесения, дата внесения, количество, источник, способ), (f) данные о применении химикатов (например, пестицида, гербицида, фунгицида, другого вещества или смеси веществ, предназначенных для использования в качестве регулятора растений, дефолианта или десиканта, дата внесения, количество, источник, способ), (g) данные о поливе (например, дата применения, количество, источник, способ), (h) метеорологические данные (например, осадки, интенсивность осадков, прогнозируемые осадки, зона и скорость стока воды, температура, ветер, прогноз, давление, видимость, облака, тепловой индекс, точка росы, влажность, высота снежного покрова, качество воздуха, восход, закат), (i) данные изображений (например, информация о спектре света и изображения от датчика сельскохозяйственного устройства, камеры, компьютера, смартфона, планшета, беспилотного летательного аппарата, самолетов или спутника), (j) поисковые наблюдения (фотографии, видео, заметки в произвольной форме, голосовые записи, транскрипции голоса, метеорологические условия (температура, осадки (текущие и в динамике), влажность почвы, стадия роста сельскохозяйственной культуры, скорость ветра, относительная влажность, точка росы, черная точка)), и (k) почва, семена, фенология сельскохозяйственной культуры, отчет о вредителях и болезнях, и источники и базы данных прогнозов.

[0032] Серверный компьютер 108 данных связан с возможностью передачи данных с сельскохозяйственной информационной компьютерной системой 130 и запрограммирован или выполнен с возможностью отправки внешних данных 110 в сельскохозяйственную информационную компьютерную систему 130 по сети (сетям) 109. Серверный компьютер 108 внешних данных может принадлежать или находиться под управлением того же юридического лица или организации, что и сельскохозяйственная информационная компьютерная система 130, или другого лица или организации, такой как правительственное агентство, неправительственная организация (NGO) и/или частный поставщик услуг и данных. Примеры внешних данных включают метеорологические данные, данные изображений, почвенные данные или статистические данные, касающиеся среди прочего урожайности сельскохозяйственных культур. Внешние данные 110 могут состоять из информации того же типа, что и полевые данные 106. В некоторых вариантах осуществления внешние данные 110 предоставляет сервер 108 внешних данных, принадлежащий той же организации, которая владеет и/или управляет сельскохозяйственной информационной компьютерной системой 130. Например, сельскохозяйственная информационная компьютерная система 130 может содержать сервер данных, ориентированный исключительно на тип данных, которые в ином случае можно получить из сторонних источников, например, метеорологические данные. В некоторых вариантах осуществления сервер 108 внешних данных фактически может быть встроен в систему 130.

[0033] Сельскохозяйственное устройство 111 может иметь один или более удаленный датчик 112, прикрепленный к нему, причем датчики соединены с возможностью передачи данных либо прямо, либо непрямо через сельскохозяйственное устройство 111 с сельскохозяйственной информационной компьютерной системой 130 и запрограммированы или выполнены с возможностью отправки данных датчика в сельскохозяйственную информационную компьютерную систему 130. Примеры сельскохозяйственного устройства 111 включают тракторы, комбайны, уборочные машины, сеялки, грузовики, оборудование для внесения удобрений, летательные аппараты, включая беспилотные летательные аппараты, и любой другой элемент физического оборудования или аппаратных средств, обычно мобильных машин, который можно использовать для связанных с сельским хозяйством задач. В некоторых вариантах осуществления один блок устройства 111 может содержать множество датчиков 112, которые локально соединены в сеть на устройстве; сеть контроллеров (CAN) является примером такой сети, которую можно устанавливать в комбайнах, уборочных машинах, распылителях и культиваторах. Контроллер 114 приложения связан с возможностью передачи данных с сельскохозяйственной информационной компьютерной системой 130 по сети (сетям) 109 и запрограммирован или выполнен с возможностью получения одного или более сценария, которые используют для управления рабочим параметром сельскохозяйственного транспортного средства или орудия из сельскохозяйственной информационной компьютерной системы 130. Например, интерфейс шины сети контроллеров (CAN) можно использовать, чтобы обеспечить передачу данных из сельскохозяйственной информационной компьютерной системы 130 в сельскохозяйственное устройство 111, например, как использовать CLIMATE FIELDVIEW DRIVE, поставляемый Climate Corporation, San Francisco, California. Данные датчика могут состоять из информации того же типа, что и полевые данные 106. В некоторых вариантах осуществления удаленные датчики 112 могут быть не прикреплены к сельскохозяйственному устройству 111, но могут находиться удаленно в поле и могут обмениваться данными с сетью 109.

[0034] Устройство 111 может содержать компьютер 115 в кабине, который запрограммирован с помощью приложения для кабины, который может содержать версию или вариант мобильного приложения для устройства 104, который описан дальше в других разделах данного документа. В одном варианте осуществления компьютер 115 в кабине содержит компактный компьютер, часто компьютер размером с планшет или смартфон, с графическим экраном, например, цветным дисплеем, который установлен внутри кабины оператора устройства 111. Компьютер 115 в кабине может выполнять некоторые или все операции и функции, которые описаны дальше в данном документе для мобильного компьютерного устройства 104.

[0035] Сеть (сети) 109 в широком смысле представляет любую комбинацию одной или более сети передачи данных, включая локальные сети, глобальные сети, интерсети или объединенные сети с использованием любых проводных или беспроводных линий связи, включая наземные или спутниковые линии связи. Сеть (сети) может быть реализована с помощью любого носителя или механизма, который обеспечивает обмен данными между различными элементами фиг. 1. Различные элементы фиг. 1 также могут иметь прямые (проводные или беспроводные) каналы связи. Датчики 112, контроллер 114, серверный компьютер 108 внешних данных и другие элементы системы содержат интерфейс, совместимый с сетью (сетями) 109 и запрограммированный или выполненный с возможностью использования стандартизованных протоколов для связи по сетям, таких как TCP/IP, Bluetooth, протокол CAN и протоколы более высокого уровня, такие как HTTP, TLS и тому подобное.

[0036] Сельскохозяйственная информационная компьютерная система 130 запрограммирована или выполнена с возможностью получения полевых данных 106 из вычислительного устройства 104 полевого менеджера, внешних данных 110 из серверного компьютера 108 внешних данных и данных датчика от удаленного датчика 112. Кроме того, сельскохозяйственная информационная компьютерная система 130 может быть выполнена с возможностью размещения, использования или выполнения одной или более компьютерной программы, других программных элементов, логического элемента с цифровым программированием, такого как FPGA или ASIC, или любой их комбинации для выполнения преобразования и хранения значений данных, построения цифровых моделей одной или более сельскохозяйственной культуры на одном или более поле, создания рекомендаций и уведомлений и создания и отправки сценариев в контроллер 114 приложения способом, описанным дальше в других разделах этого раскрытие.

[0037] В одном варианте осуществления сельскохозяйственная информационная компьютерная система 130 запрограммирована или содержит уровень 132 связи, уровень 134 представления, уровень 140 управления данными, уровень 150 аппаратных средств/виртуализации и репозиторий 160 данных модели и поля. «Уровень» в этом контексте относится к любой комбинации электронных цифровых схем интерфейса, микроконтроллеров, встроенного программного обеспечения, такого как драйверы и/или компьютерные программы, или другие программные элементы.

[0038] Уровень 132 связи можно запрограммировать или выполнить с возможностью выполнения интерфейсных функций ввода/вывода, включая отправку запросов в вычислительное устройство 104 полевого менеджера, серверный компьютер 108 внешних данных и удаленный датчик 112 по полевым данным, внешним данным и данным датчика, соответственно. Уровень 132 связи можно запрограммировать или выполнить с возможностью отправки полученных данных в репозиторий 160 данных модели и поля для сохранения в качестве полевых данных 106.

[0039] Уровень 134 представления можно запрограммировать или выполнить с возможностью создания графического пользовательского интерфейса (GUI) для отображения на вычислительном устройстве 104 полевого менеджера, компьютере 115 в кабине или других компьютерах, которые соединены с системой 130 по сети 109. GUI может содержать элементы управления для ввода данных с целью отправки в сельскохозяйственную информационную компьютерную систему 130, создания запросов по моделям и/или рекомендациям и/или отображения рекомендаций, уведомлений, моделей и других полевых данных.

[0040] Уровень 140 управления данными можно запрограммировать или выполнить с возможностью управления операциями считывания и операциями записи, задействуя репозиторий 160 и другие функциональные элементы системы, включая запросы и наборы результатов, передаваемые между функциональными элементами системы и репозиторием. Примеры уровня 140 управления данными включают в себя, среди прочего, JDBC, код интерфейса сервера SQL и/или код интерфейса HADOOP. Репозиторий 160 может содержать базу данных. В рамках настоящего изобретения термин «база данных» может относиться либо к массиву данных, либо к системе управления реляционными базами данных (RDBMS), либо и к тому и другому. В рамках настоящего изобретения база данных может содержать любую совокупность данных, включая иерархические базы данных, реляционные базы данных. Базы данных на плоских файлах, объектно-реляционные базы данных, объектно-ориентированные базы данных, распределенные базы данных и любую другую структурированную совокупность записей или данных, которая хранится в компьютерной системе. Примеры RDBMS включают в себя, но без ограничения. Базы данных, включая ORACLE®, MYSQL, IBM® DB2, MICROSOFT® SQL SERVER, SYBASE® и POSTGRESQL. Однако можно использовать любую базу данных, которая обеспечивает системы и способы, описанные в данном документе.

[0041] Когда полевые данные 106 не предоставляются напрямую в сельскохозяйственную информационную компьютерную систему через одну или более сельскохозяйственную машину или устройства сельскохозяйственной машины, которые взаимодействуют с сельскохозяйственной информационной компьютерной системой, пользователю может быть предложено ввести такую информацию через один или более пользовательский интерфейс на пользовательском устройстве (обслуживаемом сельскохозяйственной информационной компьютерной системой). В иллюстративном варианте осуществления пользователь может указать идентификационные данные, обратившись к карте на пользовательском устройстве (обслуживаемом сельскохозяйственной информационной компьютерной системой) и выбрав конкретные CLU, которые были графически показаны на карте. В альтернативном варианте осуществления пользователь 102 может указать идентификационные данные, обратившись к карте на пользовательском устройстве (обслуживаемом сельскохозяйственной информационной компьютерной системой 130) и нарисовав границы поля на карте. Такой выбор CLU или рисунки на карте отображают географические идентификаторы. В альтернативных вариантах осуществления пользователь может указать идентификационные данные, обратившись к идентификационным данным поля (предоставленным в виде файлов формы или в аналогичном формате) из Агентства обслуживания фермерских хозяйств Министерства сельского хозяйства США или из другого источника через пользовательское устройство и предоставив такие идентификационные данные поля в сельскохозяйственную информационную компьютерную систему.

[0042] В иллюстративном варианте осуществления сельскохозяйственная информационная компьютерная система 130 запрограммирована создавать и вызывать отображение графического пользовательского интерфейса, содержащего систему управления данными для ввода данных. После идентификации одного или более поля с использованием способов, описанных выше, система управления данными может обеспечить один или более виджет графического пользовательского интерфейса, который при выборе может идентифицировать изменения поля, почвы, сельскохозяйственных культур, обработки или методов применения удобрений. Система управления данными может содержать изображение временной шкалы, вид электронной таблицы и/или одну или более редактируемую программу.

[0043] На фиг. 5 изображен иллюстративный вариант осуществления изображения временной шкалы для ввода данных. Используя дисплей, изображенный на фиг. 5, на пользовательском компьютере можно вводить выбор конкретного поля и конкретной даты для добавления события. События, изображенные вверху временной шкалы, могут включать азот, посев, методы применения и почву. Для добавления события внесения азота пользовательский компьютер может обеспечить ввод для выбора вкладки азота. Затем на пользовательском компьютере можно выбрать место на временной шкале для конкретного поля, чтобы указать внесение азота на выбранное поле. В ответ на получение выбора места на временной шкале для конкретного поля система управления данными может отобразить накладной элемент для ввода данных, обеспечивающий введение на пользовательском компьютере данных, относящихся к внесению азота, процедурам посева, почвенной подкормки, процедурам обработки почвы, методам применения полива или к другой информации, касающейся конкретного поля. Например, если на пользовательском компьютере выбрать часть временной шкалы и указать внесение азота, то накладной элемент для ввода данных может содержать поля для введения количества вносимого азота, даты внесения, типа используемого удобрения и любой другой информации, относящейся к внесению азота.

[0044] В одном варианте осуществления система управления данными обеспечивает интерфейс для создания одной или более программы. «Программа» в этом контексте относится к набору данных, относящихся к внесению азота, процедурам посева, почвенной подкормки, процедурам обработки почвы, методам применения полива или другой информации, которая может относиться к одному или более полю и которая может храниться в хранилище цифровых данных для повторного использования в качестве набора в других операциях. После создания программы ее можно концептуально применить на одном или более поле, а ссылки на программу можно сохранить в цифровом хранилище вместе с данными, идентифицирующими поля. Таким образом, вместо ручного ввода идентичных данных, касающихся одного и того же внесения азота для множества разных полей, на пользовательском компьютере можно создать программу, в которой указать конкретное внесение азота, а затем применить программу для множества разных полей. Например, на изображении временной шкалы фиг. 5 две верхние временные шкалы имеют выбираемую программу «весеннее внесение», которая включает внесение 150 фунтов N/акр в начале апреля. Система управления данными может обеспечить интерфейс для редактирования программы. В одном варианте осуществления при редактировании конкретной программы редактируют каждое поле, в котором выбрана конкретная программа. Например, на фиг. 5 при редактировании программы «весеннее внесение» с уменьшением внесения азота до 130 фунтов N/акр два верхних поля могут обновиться с уменьшенным внесением азота на основании отредактированной программы.

[0045] В одном варианте осуществления в ответ на получение корректировок в поле, в котором выбрана программа, система управления данными удаляет соответствие поля выбранной программе. Например, если в верхнее поле на фиг. 5 добавляют внесение азота, интерфейс может обновиться с указанием, что программа «весеннее внесение» к верхнему полю больше не применяется. Хотя внесение азота в начале апреля может остаться, обновления программы «весеннее внесение» не изменят апрельского внесения азота.

[0046] На фиг. 6 изображен иллюстративный вариант представления электронной таблицы для ввода данных. Используя дисплей, изображенный на фиг. 6, пользователь может создавать и редактировать информацию для одного или более поля. Система управления данными может содержать электронные таблицы для введения информации относительно азота, посева, методов применения и почвы, как показано на фиг. 6. Для редактирования конкретной записи на пользовательском компьютере можно выбрать конкретную запись в электронной таблице и обновить значения. Например, на фиг. 6 представлено текущее обновление целевого значения урожайности для второго поля. Кроме того, на пользовательском компьютере можно выбрать одно или более поле для применения одной или более программы. В ответ на получение выбора программы для конкретного поля система управления данными может автоматически заполнять записи для конкретного поля на основе выбранной программы. Как и в случае с видом временной шкалы, система управления данными может обновлять записи для каждого поля, связанные с конкретной программой, в ответ на получение обновления программы. Кроме того, система управления данными может удалить соответствие выбранной программы с полем в ответ на получение редактирования одной из записей для поля.

[0047] В одном варианте осуществления данные модели и поля хранятся в репозиторий 160 данных модели и поля. Данные модели включают данные модели, созданные для одного или более поля. Например, модель сельскохозяйственной культуры может содержать созданную в цифровом виде модель развития сельскохозяйственной культуры на одном или более поле. «Модель» в этом контексте относится к электронному хранящемуся в цифровом виде набору выполняемых команд и значений данных, связанных друг с другом, которые способны принимать и отвечать на программное или другое цифровое требование, вызов или запрос для решения на основе заданных входных значений для получения одного или более сохраненного или расчетного выходного значения, которое, среди прочего, может служить в качестве основы реализуемых компьютером рекомендаций, отображения выходных данных или управления машиной. Специалисты в данной области считают, что модели удобно выражать с помощью математических уравнений, но такая форма выражения не ограничивает модели, раскрытые в данном документе, абстрактными концепциями; вместо этого каждая модель в данном документе имеет практическое применение в компьютере в виде сохраненных исполняемых команд и данных, которые реализуют модель с использованием компьютера. Модель может включать в себя модель прошлых событий на одном или более поле, модель текущего состояния одного или более поля и/или модель прогнозируемых событий на одном или более поле. Данные модели и поля могут храниться в структурах данных в памяти, строках в таблице базы данных, в плоских файлах или электронных таблицах или в других формах сохраненных цифровых данных.

[0048] В одном варианте осуществления сельскохозяйственная информационная компьютерная система 130 запрограммирована так, чтобы содержать серверный компьютер (сервер) 170 управления моделями классификации. Кроме того, сервер 170 выполнен с возможностью содержать команды 174 построения модели, команды 176 выполнения модели и команды 178 пользовательского интерфейса.

[0049] В некоторых вариантах осуществления команды 174 построения модели обеспечивают выполняемые компьютером команды для сборки обучающих наборов и построения цифровых моделей из обучающих наборов для распознавания по изображению растения болезней растений, имеющих многоразмерные симптомы. Каждая цифровая модель выполнена с возможностью распознавания болезней растений, имеющих симптомы с аналогичными размерами. Следовательно, каждый обучающий набор содержит изображения, соответствующие отдельному полю зрения или области определенного размера внутри листа растения. Команды 172 конфигурации модели обеспечивают выполняемые компьютером команды для специфического разделения заданных изображений с помощью скользящего окна на отдельные области для обучающих наборов. Каждая цифровая модель может быть реализована с архитектурой глубокого обучения, которая относит новое изображение к одному из множества классов, каждый из которых соответствует болезни растения, здоровому состоянию или сборной комбинации множества болезней растений.

[0050] В некоторых вариантах осуществления команды 176 выполнения модели обеспечивают выполняемые компьютером команды для применения цифровых моделей к новым изображениям для классификации. Каждое новое изображение может быть новой фотографией растения, показывающей многоразмерные симптомы одной или более болезни растений. К новому изображению применяют первую цифровую модель для распознавания первой группы болезней, имеющих симптомы с размером в пределах первого отдельного диапазона. Более конкретно, новое изображение при необходимости можно масштабировать, и разные первые области нового изображения можно отнести с помощью первой цифровой модели к классу, соответствующему одному из первой группы болезней растений, здоровому состоянию или сборному классу для всех других болезней растений. Размер каждой первой области будет коррелировать с размерами в первом отдельном диапазоне. Затем к комбинации первых областей, отнесенных к сборному классу, применяют вторую цифровую модель для распознавания второй группы болезней, имеющих симптомы с размером в пределах второго отдельного диапазона. Остальной процесс, относящийся к первой цифровой модели, можно аналогичным образом выполнять с помощью второй цифровой модели или дополнительных цифровых моделей до тех пор, пока каждая область нового изображения не будет отнесена по меньшей мере к одному классу, соответствующему одной из болезней растений.

[0051] В некоторых вариантах осуществления команды 178 пользовательского интерфейса обеспечивают выполняемые компьютером команды управления обменом данными с другими устройствами. Обмен данными может включать получение данных исходного изображения из источника изображений с целью обучения, получение новой фотографии для классификации от пользовательского устройства, отправку на пользовательское устройство результатов классификации новой фотографии или отправку цифровых моделей на другое вычислительное устройство.

[0052] Каждый компонент сервера 170 содержит набор из одной или более страницы основной памяти, такой как RAM, в сельскохозяйственной информационной компьютерной системе 130, в которую были загружены выполняемые команды, которые при выполнении обеспечивают выполнение сельскохозяйственной информационной компьютерной системой функций или операций, которые описаны в данном документе со ссылкой на эти модули. Например, модуль 174 построения модели может содержать набор страниц в RAM, которые содержат команды, которые при выполнении обеспечивают выполнение функций выбора местоположения, которые описаны в данном документе. Команды могут быть в выполняемом машиной коде в наборе команд CPU и могут быть скомпилированы на основе исходного кода, написанного на JAVA, С, С++, OBJECTIVE-C или любом другом удобочитаемом языке программирования или среде, отдельно или в комбинации со сценариями в JAVASCRIPT, других языках сценариев и другим исходным текстом программирования. Термин «страницы» предназначен для широкого обозначения любой области в основной памяти, а конкретная терминология, используемая в системе, может изменяться в зависимости от архитектуры памяти или архитектуры процессора. В другом варианте осуществления каждый компонент сервера 170 также может представлять один или более файл или проект исходного кода, которые хранятся в цифровом виде на запоминающем устройстве большой емкости, таком как энергонезависимое RAM или дисковое хранилище, в сельскохозяйственной информационной компьютерной системе 130 или отдельной системе репозитория, которая при компиляции или интерпретации обеспечивает создание выполняемых команд, которые при выполнении обеспечивают выполнение сельскохозяйственной информационной компьютерной системой функций или операций, которые описаны в данном документе со ссылкой на эти модули. Другими словами, изображенная фигура может представлять способ, с помощью которого программисты или разработчики программного обеспечения организуют и упорядочивают исходный код для последующей компиляции в исполняемый или интерпретации в байт-код или эквивалент для выполнения сельскохозяйственной информационной компьютерной системой 130.

[0053] Уровень 150 аппаратных средств/виртуализации содержит один или более центральный блок обработки данных (CPU), контроллеры памяти и другие устройства, компоненты или элементы компьютерной системы, такие как энергозависимая или энергонезависимая память, энергонезависимое запоминающее устройство, такое как диск и устройства или интерфейсы ввода-вывода, как показано и описано, например, в связи с фиг. 4. Уровень 150 также может содержать запрограммированные команды, которые сконфигурированы для поддержки виртуализации, контейнеризации или других технологий.

[0054] В целях иллюстрации наглядного примера на фиг. 1 представлено ограниченное количество примеров некоторых функциональных элементов. Однако в других вариантах осуществления может быть любое количество таких элементов. Например, в вариантах осуществления можно использовать тысячи или миллионы разных мобильных вычислительных устройств 104, связанных с разными пользователями. Кроме того, система 130 и/или серверный компьютер 108 внешних данных может быть реализован с использованием двух или более процессоров, ядер, кластеров или экземпляров физических машин или виртуальных машин, сконфигурированных в дискретном месте или совмещенных с другими элементами в центре обработки данных, совместно используемом вычислительном средстве или средстве облачных вычислений.

[0055] 2.2. ОБЗОР ПРИКЛАДНЫХ ПРОГРАММ

[0056] В одном варианте осуществления реализация описанных в данном документе функций с использованием одной или более компьютерной программы или другого программного элемента, которые загружены и выполняются с использованием одного или более компьютера общего назначения, приведет к конфигурации компьютеров общего назначения в виде отдельной машины или в виде компьютера, который специально адаптирован для выполнения функций, описанных в данном документе. Кроме того, каждая из блок-схем, которые описаны дальше в данном документе, может служить, отдельно или в сочетании с описаниями процессов и функций в тексте настоящего документа, в качестве алгоритмов, планов или указаний, которые можно использовать для программирования компьютера или логического элемента для реализации описанных функций. Другими словами, весь текст данного документа и все изображенные фигуры, вместе предназначены для раскрытия алгоритмов, планов или указаний, которые достаточны для того, чтобы позволить квалифицированному специалисту запрограммировать компьютер для выполнения функций, которые описаны в данном документе, в сочетание с навыками и знаниями такого человека с учетом уровня навыков, который подходит для изобретений и раскрытий этого типа.

[0057] В одном варианте осуществления пользователь 102 взаимодействует с сельскохозяйственной информационной компьютерной системой 130 с использованием вычислительного устройства 104 полевого менеджера, сконфигурированного с операционной системой и одной или более прикладной программой или приложением; вычислительное устройство 104 полевого менеджера также может взаимодействовать с сельскохозяйственной информационной компьютерной системой независимо и автоматически с программным управлением или логическим управлением, и прямое взаимодействие с пользователем не всегда требуется. Вычислительное устройство 104 полевого менеджера в широком смысле представляет одно или более из смартфона, PDA, планшетного вычислительного устройства, портативного компьютера, настольного компьютера, рабочей станции или любого другого вычислительного устройства, способного передавать и принимать информацию и выполнять функции, описанные в данном документе. Вычислительное устройство 104 полевого менеджера может обмениваться данными по сети с использованием мобильного приложения, сохраненного на вычислительном устройстве 104 полевого менеджера, а в некоторых вариантах осуществления устройство может быть соединено с использованием кабеля 113 или соединителя с датчиком 112 и/или контроллером 114. Конкретный пользователь 102 может владеть, управлять или иметь и использовать соединенное с системой 130 более чем одно вычислительное устройство 104 полевого менеджера одновременно.

[0058] Мобильное приложение может предоставлять по сети функциональные возможности на стороне клиента одному или более мобильному вычислительному устройству. В иллюстративном варианте осуществления вычислительное устройство 104 полевого менеджера может иметь доступ к мобильному приложению через веб-браузер или локальное клиентское приложение или программное средство. Вычислительное устройство 104 полевого менеджера может передавать данные и получать данные от одного или более внешнего сервера с использованием сетевых протоколов или форматов, таких как HTTP, XML и/или JSON или специализированных для приложения протоколов. В иллюстративном варианте осуществления данные могут принимать вид запросов и вводимой пользователем информации, такой как полевые данные, в мобильное вычислительное устройство. В некоторых вариантах осуществления мобильное приложение взаимодействует с оборудованием и программным обеспечением отслеживания местоположения на вычислительном устройстве 104 полевого менеджера, которое определяет местоположение вычислительного устройства 104 полевого менеджера с использованием стандартных методов отслеживания, таких как мультилатерация радиосигналов, глобальная система позиционирования (GPS), системы позиционирования Wi-Fi или другие методы мобильного позиционирования. В некоторых случаях данные местоположения или другие данные, связанные с устройством 104, пользователем 102 и/или учетной записью (записями) пользователя, можно получить путем запросов операционной системы устройства или путем запросов приложения на устройстве для получения данных от операционной системы.

[0059] В одном варианте осуществления вычислительное устройство 104 полевого менеджера посылает в сельскохозяйственную информационную компьютерную систему 130 полевые данные 106, содержащие или включающие, но без ограничения, значения данных, представляющих одно или более из: географического местоположения одного или более поля, информации об обработке почвы для одного или более поля, сельскохозяйственных культур, посеянных на одном или более поле, и почвенных данных, полученных с одного или более поля. Вычислительное устройство 104 полевого менеджера может посылать полевые данные 106 в ответ на ввод пользователя 102, указывающего значения данных для одного или более поля. Кроме того, вычислительное устройство 104 полевого менеджера может автоматически посылать полевые данные 106, когда одно или более значение данных становится доступным для вычислительного устройства 104 полевого менеджера. Например, вычислительное устройство 104 полевого менеджера может быть соединено с возможностью передачи данных с удаленным датчиком 112 и/или контроллером 114 приложения, которые включают в себя датчик полива и/или контроллер полива. В ответ на получение данных, показывающих, что контроллер 114 приложения выпустил воду на одно или более поле, вычислительное устройство 104 полевого менеджера может посылать в сельскохозяйственную информационную компьютерную систему 130 полевые данные 106, показывающие, что на одно или более поле была выпущена вода. Полевые данные 106, указанные в этом раскрытии, можно вводить или передавать с использованием электронных цифровых данных, которые передаются между вычислительными устройствами с использованием параметризованных URL-адресов через HTTP или другого подходящего протокола связи или обмена сообщениям.

[0060] Коммерческим примером мобильного приложения является CLIMATE FIELDVIEW, поставляемое на рынок Climate Corporation, San Francisco, California. Приложение CLIMATE FIELDVIEW или другие приложения можно модифицировать, расширить или адаптировать, чтобы оно содержало признаки, функции и выполнение программы, которые не были раскрыты ранее даты подачи настоящего раскрытия. В одном варианте осуществления мобильное приложение содержит встроенную программную платформу, которая позволяет производителю принимать основанные на фактах решения для своей работы, поскольку она объединяет исторические данные о полях производителя с любыми другими данными, которые производитель хочет сравнить. Комбинации и сравнения можно выполнять в реальном времени, и они основаны на научных моделях, которые предоставляют потенциальные сценарии, позволяющие производителю принимать более хорошие и обоснованные решения.

[0061] На фиг. 2 представлено два вида иллюстративной логической организации наборов команд в основной памяти, когда иллюстративное мобильное приложение загружают для выполнения. На фиг. 2 каждый названный элемент представляет область одной или более страниц RAM или другой основной памяти или одного или более блока дискового хранилища или другого энергонезависимого запоминающего устройства и запрограммированные команды внутри этих областей. В одном варианте осуществления на изображении (а) мобильное компьютерное приложение 200 содержит команды 202 совместного получения данных полей учетной записи, команды 204 обзора и предупреждения, команды 206 книги цифровых карт, команды 208 посева и семян, команды 210 по азоту, команды 212 по метеорологическим условиям, команды 214 состояния поля и команды 216 производительности.

[0062] В одном варианте осуществления мобильное компьютерное приложение 200 содержит команды 202 совместного использования учетных записей, полей, получения данных, которые запрограммированы на получение, преобразование и применение полевых данных из сторонних систем посредством ручной загрузки или API. Типы данных могут включать, среди прочего, границы полей, карты урожайности, карты посевов, результаты почвенных испытаний, карты внесения и/или зоны управления. Форматы данных могут включать, среди прочего, векторные файлы, собственные форматы данных третьих сторон и/или экспорт информационных систем управления сельскохозяйственным производством (FMIS). Получение данных может происходить посредством ручной загрузки, электронной почты с вложением, внешних API-интерфейсов, которые направляют данные в мобильное приложение, или команд, которые вызывают API-интерфейсы внешних систем для направления данных в мобильное приложение. В одном варианте осуществления мобильное компьютерное приложение 200 содержит папку входящих данных. В ответ на получение выбора папки входящих данных мобильное компьютерное приложение 200 может отображать графический пользовательский интерфейс для ручной загрузки файлов данных и импорта загруженных файлов в систему управления данными.

[0063] В одном варианте осуществления команды 206 книги цифровых карт содержат уровни данных карты поля, сохраненных в памяти устройства, и запрограммированы с инструментами визуализации данных и геопространственными полевыми записями. Это обеспечивает производителям удобную информацию под рукой для справок, регистрации и визуального анализа производительности поля. В одном варианте осуществления команды 204 обзора и предупреждения запрограммированы так, чтобы обеспечивать общее представление о том, что важно для производителя и своевременные рекомендации для принятия мер или сосредоточения внимания на конкретных проблемах. Это позволяет производителю сосредоточиться на том, что требует внимания, сэкономить время и сохранить урожай в течение всего сезона. В одном варианте осуществления команды 208 посева и семян запрограммированы так, чтобы обеспечивать инструменты выбора семян, комбинированного размещения и создания сценариев, включая создание сценариев с переменной нормой (VR), на основе научных моделей и эмпирических данных. Это позволяет производителям максимизировать урожайность или окупаемость инвестиций за счет оптимизации закупки, размещения и плотности посева семян.

[0064] В одном варианте осуществления команды 205 создания сценариев запрограммированы так, чтобы обеспечивать интерфейс для создания сценариев, включая сценарии продуктивности с переменной нормой (VR). Интерфейс позволяет производителям создавать сценарии для осуществления в поле, такие как внесение удобрений, посев и полив. Например, интерфейс сценариев посева может содержать инструменты для идентификации типа семян для посева. При получении выбора типа семян мобильное компьютерное приложение 200 может отобразить одно или более поле, разбитое на зоны управления, такие как уровни данных карты полей, созданные в качестве части команд 206 книги цифровых карт. В одном варианте осуществления зоны управления содержат зоны почв наряду с панелью, идентифицирующей каждую зону почвы и название, структуру, дренаж почвы для каждой зоны или другие полевые данные. Мобильное компьютерное приложение 200 может также отображать инструменты для редактирования или создания, например, графические инструменты для рисования зон управления, таких как зоны почв, на карте одного или более поля. Процедуры посева можно применять ко всем зонам управления, или к разным подмножествам зон управления можно применять разные процедуры посева. При создании сценария мобильное компьютерное приложение 200 может сделать сценарий доступным для загрузки в формате, читаемом контроллером приложения, например, в архивном или сжатом формате. Дополнительно и/или альтернативно, сценарий можно посылать из мобильного компьютерного приложения 200 прямо в компьютер 115 в кабине и/или загружать на один или более сервер данных и сохранять для дальнейшего использования.

[0065] В одном варианте осуществления команды 210 по азоту запрограммированы так, чтобы обеспечивать инструменты для информирования о решениях по азоту путем визуализации доступности азота для сельскохозяйственных культур. Это позволяет производителям максимизировать урожайность или окупаемость инвестиций за счет оптимального внесения азота в течение сезона. Иллюстративные запрограммированные функции включают, среди прочего, отображение изображений, таких как изображения SSURGO, для обеспечения возможности рисования зон внесения удобрений, и/или изображений, созданных на основе подполя почвенных данных, например, данных, полученных от датчиков, с высоким пространственным разрешением (вплоть до миллиметров или менее, в зависимости от близости и разрешения датчика); загрузку существующих зон, определенных производителем; предоставление графика доступности питательных веществ для растений и/или карты, позволяющей настраивать внесение (внесения) азота в нескольких зонах; вывод сценариев управления механизмами; инструменты для массового ввода и корректировки данных; и/или карты для визуализации данных. «Массовый ввод данных» в этом контексте может означать однократный ввод данных с последующим применением тех же данных к нескольким полям и/или зонам, которые были определены в системе; иллюстративные данные могут включать в себя данные внесения азота, которые являются одинаковыми для многих полей и/или зон одного и того же производителя, но такой массовый ввод данных применим к вводу любого типа полевых данных в мобильное компьютерное приложение 200. Например, команды 210 по азоту могут быть запрограммированы принимать определения программ внесения и методов применения азота и принимать ввод пользователя, определяющий применение этих программ на нескольких полях. «Программы внесения азота» в этом контексте, среди прочего, относится к сохраненным, именованным наборам данных, которые связывают: название, цветовой код или другой идентификатор, одну или более дату внесения, типы материала или продукта для каждой даты и количества, метод внесения или включения, такой как опрыскивание или рассеяние, и/или количества или нормы внесения для каждой из дат, культур или гибридов, которые являются объектом внесения. «Программы методов применения азота» в этом контексте относится к сохраненным, именованным наборам данных, которые связывают: название метода применения; предыдущую сельскохозяйственную культуру; систему обработки почвы; дату первичной обработки почвы; одну или более предыдущую систему обработки почвы, которая была использована; один или более индикатор типа внесения, например, навоза, который был использован. Команды 210 по азоту также можно запрограммировать создавать и вызывать отображение графика азота, который указывает прогнозы использования растениями указанного азота и прогнозирует излишек или дефицит; в некоторых вариантах осуществления разные цветовые индикаторы могут сигнализировать о величине излишка или величине дефицита. В одном варианте осуществления график азота содержит графическое отображение на устройстве отображения компьютера, содержащее множество строк, причем каждая строка связана с полем и идентифицирует его; данные, указывающие, какая посеяна сельскохозяйственная культура в поле, размер поля, расположение поля и графическое изображение периметра поля; в каждой строке временная шкала по месяцам с графическими индикаторами, указывающими каждое внесение азота и количество в точках, коррелированных с названиями месяцев; и числовые и/или цветные индикаторы излишка или дефицита, цвет которых указывает величину.

[0066] В одном варианте осуществления график азота может содержать одну или более особенность пользовательского ввода, например, шкалы или ползунки, для динамического изменения программ методов применения и внесения азота, чтобы пользователь мог оптимизировать график азота. Затем пользователь может использовать оптимизированный график азота и соответствующие программы методов применения и внесения азота для реализации одного или более сценария, включая сценарии продуктивности с переменной нормой (VR). Команды 210 по азоту также можно запрограммировать создавать и вызывать отображение карты азота, которая указывает прогнозы использования растениями заданного азота и прогнозирует излишек или дефицит; в некоторых вариантах осуществления разные цветовые индикаторы могут сигнализировать о величине излишка или величине дефицита. Карта азота может отображать прогнозы использования растениями заданного азота и прогнозирует излишек или дефицит в разные моменты времени в прошлом и будущем (например, ежедневно, еженедельно, ежемесячно или ежегодно) с использованием числовых и/или цветных индикаторов излишка или дефицита, цвет которых указывает величину. В одном варианте осуществления карта азота может содержать одну или более особенность пользовательского ввода, например, шкалы или ползунки, для динамического изменения программ методов применения и внесения азота, чтобы пользователь мог оптимизировать карту азота, например, чтобы получить предпочтительную величину излишка или дефицита. Затем пользователь может использовать оптимизированную карту азота и соответствующие программы методов применения и внесения азота для реализации одного или более сценария, включая сценарии продуктивности с переменной нормой (VR). В других вариантах осуществления команды, аналогичные командам 210 по азоту, можно использовать для внесения других питательных веществ (таких как фосфор и калий), применения пестицидов и программ полива.

[0067] В одном варианте осуществления команды 212 по метеорологическим условиям запрограммированы так, чтобы предоставлять текущие метеорологические данные для конкретного поля и прогнозируемую информацию о погоде. Это позволяет производителям сэкономить время и иметь эффективное интегрированное отображение для принятия ежедневных операционных решений.

[0068] В одном варианте осуществления команды 214 состояния поля запрограммированы так, чтобы предоставлять регулярные изображения дистанционного зондирования, подчеркивающие сезонные отклонения сельскохозяйственных культур и возможные проблемы. Иллюстративные запрограммированные функции, среди прочего, включают проверку облачности для определения возможных облаков или тени от облаков; определение индексов азота на основании изображений поля; графическую визуализацию уровней поиска, включая, например, тех, что относятся к состоянию поля, и просмотр и/или совместное использование поисковых заметок; и/или загрузку спутниковых изображений из множества источников и установление приоритета изображений для производителя.

[0069] В одном варианте осуществления команды 216 производительности запрограммированы так, чтобы предоставлять отчеты, анализ и инструменты анализа с использованием данных предприятия для оценки, понимания и принятия решений. Это позволяет производителю добиваться улучшенных результатов на следующий год за счет основанных на фактах выводов о том, почему окупаемость инвестиций была на прежнем уровне, и понимания факторов, ограничивающих урожай. Команды 216 производительности можно запрограммировать так, чтобы передавать по сети (сетям) 109 во внутренние аналитические программы, выполняемые в сельскохозяйственной информационной компьютерной системе 130 и/или на серверном компьютере 108 внешних данных и сконфигурировать для анализа показателей, таких как, среди прочего, урожайность, разница урожайности, комбинирование, плотность посева, зона SSURGO, тестируемые свойства или профиль почвы. Запрограммированные отчеты и анализ могут включать, среди прочего, анализ изменчивости урожайности, оценку эффекта обработки, сравнительный анализ урожайности и другие показатели по сравнению с другими производителями на основе анонимных данных, собранных от многих производителей, или данных о семенах и посеве.

[0070] Приложения, имеющие инструкции, сконфигурированные таким образом, могут быть реализованы для различных платформ вычислительных устройств, сохраняя при этом один и тот же общий внешний вид пользовательского интерфейса. Например, мобильное приложение можно запрограммировать для выполнения на планшетах, смартфонах или серверных компьютерах, доступ к которым осуществляется с помощью браузеров на клиентских компьютерах. Кроме того, мобильное приложение, сконфигурированное для планшетных компьютеров или смартфонов, может обеспечивать полное взаимодействие с приложением или с приложением в кабине, которое подходит для возможностей отображения и обработки компьютера 115 в кабине. Далее, со ссылкой, например, на вид (b) фиг. 2 в одном варианте осуществления приложение 220 для компьютера в кабине может содержать команды 222 для карт в кабине, команды 224 удаленного просмотра, команды 226 сбора и передачи данных, команды 228 предупреждений по машине, команды 230 передачи сценария и поисковые команды 232 в кабине. Кодовая база для команд вида (b) может быть такой же, как для вида (а), и исполняемые файлы, реализующие код, можно запрограммировать так, чтобы обнаруживать тип платформы, на которой они выполняются, и предоставлять через графический пользовательский интерфейс, только те функции, которые подходят для платформы кабины или всей платформы. Этот подход позволяет системе распознавать совершенно иной опыт пользователя, который подходит для условий в кабине и иных технологических условий в кабине. Команды 222 для карт в кабине можно запрограммировать для предоставления видов карты полей, ферм или регионов, которые полезны для управления работой машины. Команды 224 удаленного просмотра можно запрограммировать для включения, управления и предоставления видов деятельности машины в реальном или близком к реальному времени другим вычислительным устройствам, подключенным к системе 130 через беспроводные сети, проводные соединители или адаптеры и тому подобное. Команды 226 сбора и передачи данных можно запрограммировать для включения, управления и обеспечения передачи данных, собранных датчиками и контроллерами, в систему 130 через беспроводные сети, проводные соединители или адаптеры и тому подобное. Команды 228 предупреждений по машине можно запрограммировать для обнаружения проблем с работой машины или инструментов, которые связаны с кабиной, и генерирования предупреждений оператора. Команды 230 передачи сценария могут быть сконфигурированы для передачи в сценариях команд, которые сконфигурированы для управления операциями машины или сбора данных. Поисковые команды 232 в кабине можно запрограммировать для отображения предупреждений на основе местоположения и информации, полученной из системы 130, на основе местоположения вычислительного устройства 104 полевого менеджера, сельскохозяйственного устройства 111 или датчиков 112 в поле и получения, управления и обеспечения передачи поисковых наблюдений на основе местоположения в систему 130 на основе местоположения сельскохозяйственного устройства 111 или датчиков 112 в поле.

[0071] 2.3. ПОПАДАНИЕ ДАННЫХ В КОМПЬЮТЕРНУЮ СИСТЕМУ

[0072] В одном варианте осуществления серверный компьютер 108 внешних данных хранит внешние данные 110, включая почвенные данные, представляющие состав почвы для одного или более поля, и метеорологические данные, представляющие температуру и осадки на одном или более поле. Метеорологические данные могут включать прошлые и настоящие метеорологические данные, а также прогнозы данных о погоде в будущем. В одном варианте осуществления серверный компьютер 108 внешних данных содержит множество серверов, размещенных на разных объектах. Например, первый сервер может содержать данные о составе почвы, тогда как второй сервер может содержать метеорологические данные. Кроме того, данные о составе почвы могут храниться на многих серверах. Например, один сервер может хранить данные, представляющие процентное содержание песка, ила и глины в почве, тогда как второй сервер может хранить данные, представляющие процентное содержание органического вещества (ОМ) в почве.

[0073] В одном варианте осуществления удаленный датчик 112 включает в себя один или более датчик, который запрограммирован или выполнен с возможностью получения одного или более наблюдения. Удаленный датчик 112 может представлять собой воздушные датчики, например, спутниковые, датчики транспортных средств, датчики посевного оборудования, датчики обработки почвы, датчики внесения удобрений или инсектицидов, датчики уборочных машин любого другого орудия, способные получать данные с одного или более поля. В одном варианте осуществления контроллер 114 приложения запрограммирован или выполнен с возможностью приема команд из сельскохозяйственной информационной компьютерной системы 130. Контроллер 114 приложения может также быть запрограммирован или выполнен с возможностью управления рабочим параметром сельскохозяйственного транспортного средства или орудия. Например, контроллер приложения можно запрограммировать или выполнить с возможностью управления рабочим параметром транспортного средства, такого как трактор, посевное оборудование, почвообрабатывающее оборудование, оборудование для удобрений или инсектицидов, оборудование уборочной машины или других сельскохозяйственных орудий, таких как водяной клапан. В других вариантах осуществления можно использовать любую комбинацию датчиков и контроллеров, из которых следующие являются лишь избранными примерами.

[0074] Система 130 может получать или поглощать данные под управлением пользователя 102 на массовой основе от большого числа производителей, которые предоставили данные в систему с общей базой данных. Эту форму получения данных можно назвать «ручное поглощение данных», поскольку одну или более управляемую пользователем компьютерную операцию запрашивают или запускают для получения данных для использования системой 130. Например, приложение CLIMATE FIELDVIEW, поставляемое на рынок Climate Corporation, San Francisco, California, может экспортировать данные в систему 130 для сохранения в репозиторий 160.

[0075] Например, системы контроля семян могут как управлять компонентами посевного устройства, так и получать данные о посеве, включая сигналы от датчиков семян, через пучок сигналов, который содержит магистраль CAN и двухточечные соединения для регистрации и/или диагностики. Системы контроля семян можно запрограммировать или выполнить с возможностью расстояния между семенами, плотности посева и другой информации для пользователя через компьютер 115 в кабине или другие устройства в системе 130. Примеры раскрыты в патенте США №8738243 и в публикации патента США 20150094916, и настоящее раскрытие предполагает знание этих других раскрытий патентов.

[0076] Аналогичным образом, системы контроля урожайности могут содержать датчики урожайности для уборочного устройства, которые отправляют данные измерения урожайности в компьютер 115 в кабине или другие устройства в системе 130. Системы контроля урожайности могут использовать один или более удаленный датчик 112 для получения измерений влажности зерна в комбайне или другой уборочной машине и передавать эти измерения пользователю через компьютер 115 в кабине или другие устройства в системе 130.

[0077] В одном варианте осуществления примеры датчиков 112, которые можно использовать с любым движущимся транспортным средством или устройством типа, описанного в данном документ в другом месте, включают кинематические датчики и датчики положения. Кинематические датчики могут включать в себя любые датчики скорости, такие как радары или датчики скорости вращения колес, акселерометры или гироскопы. Датчики положения могут включать в себя приемники или приемопередатчики GPS или приложения для определения местоположения или картографирования на основе WiFi, которые запрограммированы для определения местоположения, среди прочего, на основе ближайших точек доступа Wi-Fi.

[0078] В одном варианте осуществления примеры датчиков 112, которые можно использовать с тракторами или другими движущимися транспортными средствами, включают датчики скорости двигателя, датчики расхода топлива, счетчики площади или счетчики расстояния, которые взаимодействуют с сигналами GPS или радаров, датчики скорости РТО (механизма отбора мощности), датчики гидравлики трактора, выполненные с возможностью определения гидравлических параметров, таких как давление или поток, и/или скорость гидравлического насоса, датчики скорости колес или датчики проскальзывания колес. В одном варианте осуществления примеры контроллеров 114, которые можно использовать с тракторами, включают гидравлические контроллеры направления, контроллеры давления и/или контроллеры потока; контроллеры скорости гидронасоса; контроллеры или регуляторы скорости; контроллеры положения навески; или контроллеры положения колес, обеспечивающие автоматическое рулевое управление.

[0079] В одном варианте осуществления примеры датчиков 112, которые можно использовать с оборудованием для посева семян, таким как сажалки, сеялки или пневматические сеялки, включают датчики семян, которые могут быть оптическими, электромагнитными или датчиками удара; датчики прижимной силы, такие как штифты нагрузки, датчики нагрузки, датчики давления; датчики свойств почвы, такие как датчики отражательной способности, датчики влажности, датчики электропроводности, оптические датчики остатков или датчики температуры; датчики рабочих критериев компонентов, такие как датчики глубины посева, датчики давления в прижимном цилиндре, датчики скорости высевающего диска, датчики приводного двигателя для семян, датчики скорости системы транспортера семян или датчики уровня вакуума; или датчики внесения пестицидов, такие как оптические или другие электромагнитные датчики или датчики удара. В одном варианте осуществления примеры контроллеров 114, которые можно использовать с таким оборудованием для посева семян, включают в себя: контроллеры складывания панели инструментов, такие как контроллеры клапанов, связанных с гидроцилиндрами; контроллеры прижимной силы, такие как контроллеры для клапанов, связанных с пневматическими цилиндрами, подушками безопасности или гидроцилиндрами и запрограммированных прикладывать прижимную силу к отдельным высевающим секциям или ко всей раме сеялки; контроллеры глубины посева, такие как линейные исполнительные механизмы; контроллеры дозирования, такие как электрические приводные двигатели дозаторов семян, гидравлические приводные двигатели дозаторов семян или муфты регулирования валков; контроллеры комбинированного выбора, такие как приводные двигатели дозаторов семян или другие исполнительные механизмы, запрограммированные выборочно разрешать или предотвращать подачу семян или воздушно-посевной смеси в дозаторы семян или центральные насыпные бункеры и из них; контроллеры дозирования, такие как электрические приводные двигатели дозаторов семян или гидравлические приводные двигатели дозаторов семян; контроллеры системы транспортера семян, такие как контроллеры двигателя ленточного транспортера для подачи семян; контроллеры маркеров, такие как контроллер пневматического или гидравлического исполнительного механизма; или контроллеры нормы внесения пестицидов, такие как контроллеры привода дозатора, контроллеры размера или положения отверстия.

[0080] В одном варианте осуществления примеры датчиков 112, которые можно использовать с почвообрабатывающим оборудованием, включают датчики положения для инструментов, таких как стойки или диски; датчики положения инструментов для таких инструментов, которые выполнены с возможностью обнаружения глубины, угла батареи или поперечного расстояния; датчики прижимной силы; или датчики силы тяги. В одном варианте осуществления примеры контроллеров 114, которые можно использовать с почвообрабатывающим оборудованием, включают контроллеры прижимной силы или контроллеры положения инструмента, такие как контроллеры, выполненные с возможностью управления глубиной, углом батареи или поперечным расстоянием инструмента.

[0081] В одном варианте осуществления примеры датчиков 112, которые можно использовать в отношении устройства для применения удобрений, инсектицидов, фунгицидов и тому подобное, таких как системы внесения припосадочных удобрений на сеялке, устройства для внесения удобрений в подпочвенный слой или распылители удобрений, включают в себя: датчики критериев системы текучей среды, такие как датчики потока или датчики давления; датчики, указывающие, какие открыты клапаны распылительной головки или клапаны жидкостной линии; датчики, связанные с резервуарами, датчики уровня заполнения; секционные или общесистемные датчики линии подачи или датчики линии подачи для конкретного рядка; или кинематические датчики, такие как акселерометры, расположенные на штангах опрыскивателя. В одном варианте осуществления примеры контроллеров 114, которые можно использовать с таким устройством, включают контроллеры скорости насоса; контроллеры клапанов, которые запрограммированы управлять давлением, потоком, направлением, PWM и тому подобное; или исполнительные механизмы положения, например, высоты штанги, глубины рыхлителя или положения штанги.

[0082] В одном варианте осуществления примеры датчиков 112, которые можно использовать с уборочными машинами, включают блоки контроля урожайности, такие как тензодатчики с ударной пластиной или датчики положения, емкостные датчики потока, датчики нагрузки, датчики веса или датчики крутящего момента, связанные с подъемниками или шнеками, или оптические или другие электромагнитные датчики высоты зерна; датчики влажности зерна, такие как емкостные датчики; датчики потери зерна, включая ударные, оптические или емкостные датчики; датчики рабочих критериев жатки, такие как датчики высоты жатки, типа жатки, зазора между пластинами деки, скорости устройства подачи и скорости мотовила; датчики рабочих критериев сепаратора, такие как датчики зазора подбарабанья, скорости ротора, зазора башмака или зазора мякинного решета; датчики положения, работы или скорости шнека; или датчики оборотов двигателя. В одном варианте осуществления примеры контроллеров 114, которые можно использовать с уборочными машинами, включают контроллеры рабочих критериев жатки для таких элементов, как высота жатки, тип жатки, зазор между пластинами деки, скорость устройства подачи или скорость мотовила; контроллеры рабочих критериев сепаратора для таких признаков, как зазор подбарабанья, скорость ротора, зазор башмака или зазор мякинного решета; или контроллеры положения, работы или скорости шнека.

[0083] В одном варианте осуществления примеры датчиков 112, которые можно использовать с зерновозами, включают датчики массы или датчики положения, работы или скорости шнека. В одном варианте осуществления примеры контроллеров 114, которые можно использовать с зерновозами, включают контроллеры положения, работы или скорости шнека.

[0084] В одном варианте осуществления иллюстративные датчики 112 и контроллеры 114 можно устанавливать в беспилотных летательных аппаратах (UAV) или дронах. Такие датчики могут включать камеры с детекторами, эффективными для любого диапазона электромагнитного спектра, включая видимый свет, инфракрасный, ультрафиолетовый. Ближний инфракрасный (NIR) и тому подобное; акселерометры; высотомеры; датчики температуры; датчики влажности; датчики трубки Пито или другие датчики скорости воздуха или скорости ветра; датчики заряда аккумулятора; или радиолокационные излучатели и устройство обнаружения отраженной радиолокационной энергии; другие электромагнитные излучатели и устройства обнаружения отраженного электромагнитного излучения. Такие контроллеры могут включать устройства наведения или управления двигателем, контроллеры рулевой поверхности, контроллеры камер или контроллеры, запрограммированные включать, приводить в действие, получать данные от любых вышеизложенных датчиков и управлять, и конфигурировать их. Примеры раскрыты в заявке на патент США №14/831165, и настоящее раскрытие предполагает знание этого другого раскрытия патента.

[0085] В одном варианте осуществления датчики 112 и контроллеры 114 можно прикрепить к устройству для отбора проб и измерения почвы, которое выполнено или запрограммировано брать образцы почвы и проводить тесты химического состава почвы, тесты влажности почвы и другие тесты, относящиеся к почве. Например, можно использовать устройство, раскрытое в патенте США №8767194 и патенте США №8712148, и настоящее раскрытие предполагает знание раскрытия этих патентов.

[0086] В одном варианте осуществления датчики 112 и контроллеры 114 могут содержать метеорологические устройства для мониторинга метеорологических условий полей. Например, можно использовать устройство, раскрытое в заявке на патент США №15/551582, поданной 16 августа 2017 года, и настоящее раскрытие предполагает знание раскрытия этих патентов.

[0087] 2.4. ОБЗОР ПРОЦЕССА-ОБУЧЕНИЯ АГРОНОМИЧЕСКОЙ МОДЕЛИ

[0088] В одном варианте осуществления сельскохозяйственная информационная компьютерная система 130 запрограммирована или выполнена с возможностью создавать агрономическую модель. В этом контексте агрономическая модель представляет собой структуру данных в памяти сельскохозяйственной информационной компьютерной системы 130, которая содержит полевые данные 106, такие как идентификационные данные и связанные с урожаем данные для одного или более поля. Агрономическая модель может также содержать расчетные агрономические свойства, которые описывают либо условия, которые могут повлиять на рост одной или более сельскохозяйственной культуры на поле или свойства одной или более сельскохозяйственной культуры, или и то и другое. Кроме того, агрономическая модель может содержать рекомендации на основании агрономических факторов, такие как рекомендации по сельскохозяйственным культурам, рекомендации по поливу, рекомендации по посеву, рекомендации по удобрениям, рекомендации по фунгицидам, рекомендации по пестицидам, рекомендации по уборке и другие рекомендации по выращиванию сельскохозяйственных культур. Агрономические факторы также можно использовать для оценки одного или более результата, связанного с сельскохозяйственной культурой, такого как агрономическая урожайность. Агрономическая урожайность сельскохозяйственной культуры представляет собой оценку полученного количества сельскохозяйственной культуры или в некоторых примерах дохода или прибыли, полученной от выращенной сельскохозяйственной культуры.

[0089] В одном варианте осуществления сельскохозяйственная информационная компьютерная система 130 может использовать предварительно сконфигурированную агрономическую модель для вычисления агрономических свойств, относящихся к полученной в настоящее время информации о местоположении и сельскохозяйственной культуре для одного или более поля. Предварительно сконфигурированная агрономическая модель основана на ранее обработанных полевых данных, включая, но без ограничения, идентификационные данные, связанные с урожаем данные, данные по удобрениям и метеорологические данные. Предварительно сконфигурированная агрономическая модель может пройти перекрестную проверку, чтобы гарантировать точность модели. Перекрестная проверка может включать сравнение с проверкой данных на местности, которая сравнивает прогнозируемые результаты с фактическими результатами на поле, например, сравнение оценки осадков с датчиком дождя или датчиком, предоставляющим метеорологические данные в том же или близлежащем месте, или оценку содержания азота при измерении образцов почвы.

[0090] На фиг. 3 представлен запрограммированный процесс, с помощью которого сельскохозяйственная информационная компьютерная система создает одну или более предварительно сконфигурированную агрономическую модель с использованием полевых данных, предоставленных одним или более источником данных. Фиг. 3 может служить в качестве алгоритма или команды для программирования функциональных элементов сельскохозяйственной информационной компьютерной системы 130 для выполнения описанных далее операций.

[0091] В блоке 305 сельскохозяйственная информационная компьютерная система 130 сконфигурирована или запрограммирована осуществлять предварительную обработку агрономических данных из полевых данных, полученных из одного или более источника данных. Полевые данные, полученные из одного или более источника данных, можно предварительно обработать с целью удаления искажений, искажающих эффектов и мешающих факторов в агрономических данных, включая измеренные выпадающие значения, которые могут отрицательно повлиять на полученные значения полевых данных. Варианты осуществления предварительной обработки агрономических данных могут включать в себя, но без ограничения, удаление значений данных, обычно связанных с выпадающими значениями данных, конкретных измеренных точек данных, которые, как известно, излишне искажают другие значения данных, сглаживание данных, методы агрегации или выборки, используемые для удаления или уменьшения аддитивных или мультипликативных эффектов от искажения и другие методы фильтрации или получения данных, используемые для обеспечения четкого различия между вводом положительных и отрицательных данных.

[0092] В блоке 310 сельскохозяйственная информационная компьютерная система 130 сконфигурирована или запрограммирована выполнять выбор подмножества данных с использованием предварительно обработанных полевых данных, чтобы идентифицировать наборы данных, подходящие для создания исходной агрономической модели. Сельскохозяйственная информационная компьютерная система 130 может реализовывать методы выбора подмножества данных, включая, но без ограничения, метод генетического алгоритма, метод всех подгрупп моделей, метод последовательного поиска, метод ступенчатой регрессии, метод оптимизации роя частиц и метод оптимизации по алгоритму муравьиной колонии. Например, в методе выбора генетического алгоритма используют алгоритм адаптивного эвристического поиска, основанный на эволюционных принципах естественного отбора и генетики, для определения и оценки наборов данных внутри предварительно обработанных агрономических данных.

[0093] В блоке 315 сельскохозяйственная информационная компьютерная система 130 сконфигурирована или запрограммирована осуществлять оценку набора полевых данных. В одном варианте осуществления конкретный набор полевых данных оценивают путем создания агрономической модели и с использованием определенных качественных пороговых значений для созданной агрономической модели. Агрономические модели можно сравнивать и/или проверять с использованием одного или более метода сравнения, такого как, но без ограничения, среднеквадратичная ошибка с перекрестной проверкой исключения по одному (RMSECV), средняя абсолютная ошибка и средняя ошибка в процентах. Например, RMSECV может перекрестно проверять агрономические модели путем сравнения прогнозируемых значений агрономических свойств, созданных с помощью агрономической модели, с собранными и проанализированными историческими значениями агрономических свойств. В одном варианте осуществления логический элемент оценки набора агрономических данных используют в качестве петли обратной связи, когда наборы агрономических данных, которые не соответствуют сконфигурированным качественным пороговым значениям, используют на будущих этапах выбора подмножеств данных (блок 310).

[0094] В блоке 320 сельскохозяйственная информационная компьютерная система 130 сконфигурирована или запрограммирована осуществлять создание агрономической модели на основе наборов агрономических данных с перекрестной проверкой. В одном варианте осуществления при создании агрономической модели можно реализовывать методы многомерной регрессии для создания предварительно сконфигурированных моделей агрономических данных.

[0095] В блоке 325 сельскохозяйственная информационная компьютерная система 130 сконфигурирована или запрограммирована сохранять предварительно сконфигурированные модели агрономических данных для будущей оценки полевых данных.

[0096] 2.5. ПРИМЕР РЕАЛИЗАЦИИ-ОБЗОРА АППАРАТНЫХ СРЕДСТВ

[0097] Согласно одному варианту осуществления методы, описанные в данном документе, осуществляют с помощью одного или более вычислительного устройства специального назначения. Вычислительные устройства специального назначения могут быть аппаратными для выполнения методов или могут содержать цифровые электронные устройства, такие как одна или более специализированная интегральная схема (ASIC) или программируемая вентильная матрица (FPGA), которые целенаправленно запрограммированы на выполнение методов или могут содержать один или более аппаратный процессор общего назначения, запрограммированный для выполнения методов в соответствии с командами программы во встроенном программном обеспечении, памяти, другом хранилище или их комбинации. Такие вычислительные устройства специального назначения также могут сочетать для реализации методов заказные аппаратные логические элементы, ASIC или FPGA с заказным программированием. Для реализации методов вычислительные устройства специального назначения могут быть настольными компьютерными системами, портативными компьютерными системами, портативными устройствами, сетевыми устройствами или любым другим устройством, которое включает в себя аппаратные и/или программные логические элементы.

[0098] Например, на фиг. 4 представлена блок-схема, которая иллюстрирует компьютерную систему 400, в которой может быть реализован вариант осуществления изобретения. Компьютерная система 400 содержит шину 402 или другой механизм передачи данных для передачи информации и аппаратный процессор 404, соединенный с шиной 402 для обработки информации. Аппаратный процессор 404 может быть, например, микропроцессором общего назначения.

[0099] Компьютерная система 400 также содержит основную память 406, такую как оперативная память (RAM) или другое динамическое запоминающее устройство, соединенное с шиной 402, для хранения информации и команд, подлежащих выполнению процессором 404. Основную память 406 также можно использовать для хранения временных переменных или другой промежуточной информации во время выполнения команд, подлежащих выполнению процессором 404. Такие команды, когда они хранятся на энергонезависимом носителе данных, доступном процессору 404, преобразуют компьютерную систему 400 в машину специального назначения, которая настроена на выполнение действий, указанных в командах.

[00100] Компьютерная система 400 дополнительно содержит постоянное запоминающее устройство (ROM) 408 или другое статическое запоминающее устройство, соединенное с шиной 402, для хранения статической информации и команд для процессора 404. Запоминающее устройство 410, такое как магнитный диск, оптический диск или твердотельный накопитель, предоставлено и соединено с шиной 402, для хранения информации и команд.

[00101] Компьютерная система 400 может быть соединена через шину 402 с дисплеем 412, таким как электронно-лучевая трубка (CRT), для отображения информации пользователю компьютера. Устройство 414 ввода, содержащее буквенно-цифровые и другие клавиши, соединено с шиной 402 для передачи информации и выбора команд процессору 404. Другим типом пользовательского устройства ввода является устройство 416 управления курсором, такое как мышь, шаровой манипулятор или клавиши направления курсора для передачи информации о направлении и выбранных командах процессору 404 и для управления перемещением курсора на дисплее 412. Это устройство ввода обычно имеет две степени свободы по двум осям, первой оси (например, х) и второй оси (например, у), что позволяет устройству указывать позиции на плоскости.

[00102] Компьютерная система 400 может реализовывать методы, описанные в данном документе, с использованием настраиваемых аппаратных логических элементов, одной или более ASIC или FPGA, встроенного программного обеспечения и/или программных логических элементов, что в комбинации с компьютерной системой обеспечивает или программирует компьютерную систему 400 с получением машины специального назначения. Согласно одному варианту осуществления методы данного документа выполняются компьютерной системой 400 в ответ на выполнение процессором 404 одной или более последовательности одной или более команды, содержащейся в основной памяти 406. Такие команды можно считывать в основную память 406 с другого носителя данных, такого как запоминающее устройство 410. Выполнение последовательностей команд, содержащихся в основной памяти 406 обеспечивает выполнение процессором 404 этапов процесса, описанных в данном документе. В альтернативных вариантах осуществления вместо команд программы или в сочетании с ними можно использовать аппаратные схемы.

[00103] Термин «носитель данных» в рамках настоящего изобретения относится к любым энергонезависимым носителям, на которых хранятся данные и/или команды, которые обеспечивают работу машины определенным образом. Такие носители данных могут включать в себя энергонезависимые носители и/или энергозависимые носители. Энергонезависимые носители включают в себя, например, оптические диски, магнитные диски или твердотельные накопители, такие как запоминающее устройство 410. Энергозависимые носители включают в себя динамическую память, такую как основная память 406. Обычные формы носителя данных включают в себя, например, флоппи диск, гибкий диск, жесткий диск, твердотельный накопитель, магнитную ленту или любой другой магнитный носитель данных, CD-ROM, любой другой оптический носитель данных, любой физический носитель с группой отверстий, RAM, PROM и EPROM, FLASH-EPROM, NVRAM, любой чип или картридж памяти.

[00104] Носитель данных отличается от среды передачи данных, но его можно использовать в сочетании с ней. Среда передачи данных участвует в передаче информации между носителями данных. Например, среда передачи данных содержит коаксиальные кабели, медный провод и оптоволокно, включая провода, составляющие шину 402. Среда передачи данных может также принимать форму акустических или световых волн, таких как те, которые генерируются при передаче данных в радиоволнах и инфракрасных лучах.

[00105] Различные формы носителей могут быть задействованы в переносе одной или более последовательности одной или более команды в процессор 404 для выполнения. Например, команды могут изначально храниться на магнитном диске или твердотельном накопителе удаленного компьютера. Удаленный компьютер может загружать команды в свою динамическую память и отправлять команды по телефонной линии с помощью модема. Модем, локальный для компьютерной системы 400, может принимать данные по телефонной линии и использовать инфракрасный передатчик для преобразования данных в инфракрасный сигнал. Инфракрасный детектор может принимать данные, переносимые в инфракрасном сигнале, и соответствующая схема может помещать данные в шину 402. Шина 402 переносит данные в основную память 406, из которой процессор 404 извлекает команды и выполняет их. Команды, принятые основной памятью 406, могут необязательно храниться в запоминающем устройстве 410 либо до, либо после выполнения процессором 404.

[00106] Компьютерная система 400 также содержит интерфейс 418 связи, подключенный к шине 402. Интерфейс 418 связи обеспечивает двустороннюю связь передачи данных с сетевым каналом 420, который подключен к локальной сети 422. Например, интерфейсом 418 связи может быть карта цифровой сети с интегрированными услугами (ISDN), кабельный модем, спутниковый модем или модем для обеспечения соединения для передачи данных с соответствующим типом телефонной линии. В качестве другого примера интерфейсом 418 связи может быть карта локальной сети (LAN) для обеспечения соединения для передачи данных с совместимой LAN. Также могут быть реализованы беспроводные линии связи. В любом таком варианте исполнения интерфейс 418 связи отправляет и принимает электрические, электромагнитные или оптические сигналы, которые переносят потоки цифровых данных, представляющих различные типы информации.

[00107] Сетевая линия 420 обычно обеспечивает передачу данных через одну или несколько сетей другим устройствам передачи данных. Например, сетевая линия 420 может обеспечивать соединение через локальную сеть 422 с главным компьютером 424 или с оборудованием передачи данных, управляемым поставщиком Интернет-услуг (ISP) 426. ISP 426, в свою очередь, предоставляет услуги передачи данных через всемирную сеть передачи пакетных данных, теперь обычно называемую «Интернетом» 428. И в локальной сети 422, и в Интернете 428 используются электрические, электромагнитные или оптические сигналы, по которым передаются потоки цифровых данных. Сигналы через различные сети и сигналы на сетевом канале 420 и через интерфейс 418 связи, которые переносят цифровые данные в компьютерную систему 400 и из нее, являются примерами средств передачи.

[00108] Компьютерная система 400 может отправлять сообщения и принимать данные, включая программный код, через сеть (сети), сетевой канал 420 и интерфейс 418 связи. В примере Интернета сервер 430 может передавать запрошенный код для прикладной программы через Интернет 428, ISP 426, локальную сеть 422 и интерфейс 418 связи.

[00109] Принятый код может выполняться процессором 404 по мере его приема и/или сохраняться в запоминающем устройстве 410 или другом энергонезависимом запоминающем устройстве для последующего выполнения.

[00110] 3. ОПИСАНИЕ ФУНКЦИЙ

[00111] 3.1 ОБУЧАЮЩИЙ НАБОР И ПОСТРОЕНИЕ ЦИФРОВОЙ МОДЕЛИ

[00112] В некоторых вариантах осуществления сервер 170 запрограммирован собирать один или более обучающий набор изображений для обучения цифровых моделей распознаванию болезней растений. Для кукурузы один или более обучающий набор изображений может содержать фотографии листьев кукурузы. На каждой фотографии предпочтительно показаны неперекрывающиеся симптомы болезни. Распространенные болезни кукурузы включают антракнозный ожог листьев (ALB), ржавчину кукурузы (CR), пятнистость (EYE), серую пятнистость листьев (GLS), увядание Госса (GW), гельминтоспориоз листьев кукурузы (NLB), северную пятнистость листьев (NLS), глазковую пятнистость листьев кукурузы (SLB) и южную ржавчину (SR). Симптомы разных заболеваний обычно выглядят по-разному. Например, CR, EYE, SR и GLS на ранней стадии (GLS-Early) имеют тенденцию вызывать относительно небольшие поражения, похожие на точки или слегка удлиненные, в то время как GW, NLB и GLS на поздних стадиях (GLS-Late), как правило, образуют относительно большие поражения в виде полос или сильно вытянутые. Следовательно, можно создать по меньшей мере два обучающих набора для обучения по меньшей мере двух цифровых моделей, причем каждая цифровая модель предназначена для классификации входного изображения на один или несколько классов, соответствующих одной или более болезни растений, имеющей симптомы аналогичного размера.

[00113] В некоторых вариантах осуществления, учитывая конкретное изображение, сервер 170 может быть запрограммирован так, чтобы сначала изменять размер конкретного изображения до стандартного размера, а затем извлекать изображения из изображения с измененным размером для обучающего набора, используя скользящее окно с определенным шагом (количество пикселей для перемещения скользящего окна по входному изображению). Сервер 170 может быть запрограммирован так, чтобы дополнительно присваивать метку класса одного из одного или более класса, указанного выше, каждому из извлеченных изображений. В частности, сервер 170 может быть запрограммирован принимать метку класса от эксперта или автоматически определять метку класса на основе изображений известных симптомов болезни. Например, изображение симптома известной болезни при соответствующем разрешении можно сопоставить с извлеченным изображением с использованием любого метода сопоставления, известного специалистам в данной области, и при успешном сопоставлении извлеченному изображению можно присвоить метку класса, соответствующую известной болезни.

[00114] На фиг. 7А представлен иллюстративный подход к извлечению образцов изображений по фотографии, показывающей симптомы болезни растения, которые являются относительно небольшими. В некоторых вариантах осуществления данное изображение представляет собой фотографию листа кукурузы с симптомами SR. Сервер 170 может быть запрограммирован изменять размер данного изображения на изображение 702 с первым размером с первым коэффициентом масштабирования относительно скользящего окна фиксированного размера, например, с 3000 пикселей на 4000 пикселей до 1120 (224*5) пикселей на 1493 пикселя с первым коэффициентом масштабирования, равным 5, относительно скользящего окна, имеющего размер 224 на 224 пикселя, с использованием метода изменения размера, известного специалистам в данной области. Изображение 720 по-прежнему показывает относительно небольшие симптомы SR, такие как поражение в области 710. Сервер 170 запрограммирован таким образом, чтобы затем применить скользящее окно, которое является относительно маленьким, к изображению 702 строка за строкой или столбец за столбцом с определенным шагом, который определяет, где будет следующая позиция скользящего окна относительно текущей позиции. Например, при скользящем окне, имеющем размер 224 на 224 пикселя, шаг может составлять 224 пикселя, что приводит к отсутствию наложения между следующей позицией и текущей позицией, и всего 30 изображений могут быть извлечены, когда изображение 702 имеет 1120 пикселей на 1493 пикселей. Следовательно, из начальной позиции 704 скользящего окна следующей позицией в той же строке будет 706, а следующей позицией в том же столбце будет 708. Часть изображения 702, соответствующая каждой позиции скользящего окна, можно извлечь и присвоить метку класса. В этом примере части, соответствующей позиции 704, может быть назначена метка «SR» для класса болезни SR, учитывая наличие повреждений SR, части, соответствующей позиции 706, может быть также назначена метка «SR», а части, соответствующей положению 706, может быть назначена метка, которая представляет здоровое состояние или отсутствие симптомов болезни для класса отсутствия болезни (ND).

[00115] На фиг. 7В представлен иллюстративный подход к извлечению образцов изображений по фотографии, показывающей симптомы болезни растений, которые являются относительно большими. В некоторых вариантах осуществления изображение может быть фотографией листа кукурузы с симптомами GW. Сервер 170 запрограммирован преобразовывать размер данного изображения в изображение 712 со вторым коэффициентом масштабирования, меньшим, чем первый коэффициент масштабирования, например, с 3000 пикселей на 4000 пикселей до 448 (224*2) пикселей на 597 пикселей со вторым коэффициентом масштабирования, равным 2, используя метод изменения размера, известный специалистам в данной области. Изображение 712 все еще показывает относительно большие симптомы GW, такие как поражение в области 718. Сервер 170 запрограммирован на то, чтобы затем применять скользящее окно, которое является относительно большим по сравнению с изображением, к изображению 712 строка за строкой или столбец за столбцом с определенным шагом, который определяет, где будет следующая позиция скользящего окна относительно текущей позиции. Например, со скользящим окном, имеющим размер 224 на 224 пикселя, шаг может составлять 112 пикселей, что приводит к половинному наложению между следующей позицией и текущей позицией, и всего 12 изображений могут быть извлечены, когда изображение 712 имеет 448 пикселей на 597 пикселей. Следовательно, из начальной позиции 714 скользящего окна следующей позицией в той же строке будет 716. Часть изображения 712, соответствующая каждой позиции скользящего окна, можно извлечь и присвоить метку класса. В этом примере части, соответствующей позиции 714, может быть назначена метка «GW» для класса болезни GW с учетом присутствия поражений GW, а части, соответствующей позиции 716, может быть аналогичным образом назначена метка «GW».

[00116] В некоторых вариантах осуществления сервер 170 запрограммирован обрабатывать ряд изображений для извлечения достаточного количества образцов изображений для каждой из болезней растений. Изображения могут быть получены с серверов изображений или с пользовательских устройств. Изображения предпочтительно показывают симптомы каждой болезни растений в различных условиях, например, в разных точках жизненного цикла растения, в результате различных условий освещения или имеющих разные формы, размеры или масштабы. Для дальнейшего увеличения широты цифровой модели сервер 170 может быть запрограммирован включать большее изображений, показывающих перекрывающиеся симптомы болезни растений, имеющей относительно большие симптомы, и болезни растений, имеющей относительно небольшие симптомы, для улучшения обнаружения относительно небольших симптомов. Например, эти изображения могут отображать перекрывающиеся симптомы GLS-Late (большие) и CR (маленькие), GW (большие) и CR, GW и SR (маленькие), NLB (большие) и CR или NLB и SR. Сервер 170 может быть запрограммирован так, чтобы дополнительно относить каждое изображение, извлеченное из одного из этих изображений, к классу, соответствующему доминирующему заболеванию, на основе общей площади, охваченной симптомами каждой болезни в извлеченном изображении.

[00117] В некоторых вариантах осуществления сервер 170 запрограммирован создавать варианты извлеченных изображений для увеличения обучающего набора. Более конкретно, сервер 170 может быть сконфигурирован поворачивать или дальше масштабировать извлеченные изображения. Для кукурузы может быть по меньшей мере 200 изображений для здорового состояния и для каждой болезни кукурузы, включая менее 10%, которые показывают перекрывающиеся симптомы. Можно построить две цифровые модели: первая для обнаружения болезней кукурузы с относительно небольшими симптомами, а вторая - для обнаружения болезней кукурузы с относительно большими симптомами. Следовательно, первый обучающий набор и второй обучающий набор можно построить с учетом первой цифровой модели и второй цифровой модели, как показано на фиг. 7А и фиг. 7Б. Каждый обучающий набор может содержать изображения, показывающие симптомы болезней кукурузы, которые должны быть обнаружены соответствующей цифровой моделью. В зависимости от того, как цифровые модели должны применяться к пробному изображению, каждый обучающий набор может содержать дополнительные изображения. Когда первая цифровая модель и вторая цифровая модель должны применяться последовательно, как дополнительно обсуждается ниже, первый обучающий набор может содержать дополнительные изображения, которые показывают симптомы тех заболеваний, которые предназначена обнаруживать вторая цифровая модель и которым назначена общая метка, представляющая сборный класс всех этих болезней. Эти дополнительные изображения могут быть сгенерированы путем обработки (масштабирования для захвата определенного поля зрения и т.д.) исходного изображения, используемого для второго обучающего набора, в качестве исходного изображения, используемого для первого обучающего набора.

[00118] В некоторых вариантах осуществления сервер 170 запрограммирован строить цифровые модели для распознавания болезней растений из обучающих наборов. Цифровые модели могут быть любыми классификационными моделями, известными специалистам в данной области, такими как дерево принятия решений или CNN. Для кукурузы сервер 170 может быть запрограммирован строить две цифровые модели из двух обучающих наборов, как описано выше. Первая цифровая модель используется для распознавания болезней кукурузы с относительно небольшими симптомами, таких как CR, EYE, SR или GLS-Early, а вторая цифровая модель используется для распознавания болезней кукурузы с относительно большими симптомами, таких как GW, NLB или GLS-Late. Для реализации каждой цифровой модели в качестве CNN можно использовать публичные библиотеки, такие как пакет ResNet-50, доступный на платформе GitHub.

[00119] 3.2 ВЫПОЛНЕНИЕ ЦИФРОВОЙ МОДЕЛИ

[00120] В некоторых вариантах осуществления сервер 170 запрограммирован получать новое изображение, подлежащее классификации, от пользовательского устройства и применять к новому изображению цифровые модели для получения классификации. Для кукурузы сервер 170 можно запрограммировать последовательно применять две цифровые модели, чтобы сначала выявлять болезни кукурузы, имеющие относительно небольшие симптомы, а затем выявлять болезни кукурузы, имеющие относительно большие симптомы.

[00121] На фиг. 8 представлен иллюстративный процесс распознавания по изображению растения болезней растений, имеющих многоразмерные симптомы, с использованием множества цифровых моделей. В некоторых вариантах осуществления растением является кукуруза, а изображение растения представляет собой фотографию листа кукурузы. Получив новое изображение 802, подлежащее классификации, сервер 170 запрограммирован так, чтобы сначала применить первую цифровую модель для распознавания болезней кукурузы, имеющих относительно небольшие симптомы. В частности, сервер 170 может быть запрограммирован изменять размер нового изображения 802 аналогичным образом с помощью первого коэффициента масштабирования, указанного выше, в изображение с измененным размером, например, с 3000 пикселей на 4000 пикселей до 1120 (224*5) пикселей на 1493 пикселей с первым коэффициентом масштабирования, равным 5. Сервер 170 запрограммирован затем применять относительно маленькое скользящее окно к изображению с измененным размером, строка за строкой или столбец за столбцом с определенным шагом, который определяет, где находится следующая позиция скользящего окна относительно текущей позиции. Размер скользящего окна обычно равен размеру образца изображения (извлеченного изображения), используемого для построения первой цифровой модели. Например, скользящее окно может иметь размер 224 на 224 пикселя, а шаг может быть 224 пикселя. Для каждого положения скользящего окна сервер 170 может быть запрограммирован применять первую цифровую модель 804 к части изображения с измененным размером в скользящем окне, чтобы получить классификацию, соответствующую здоровому состоянию, одной из болезней кукурузы, имеющих относительно небольшие симптомы, или совокупности болезней кукурузы, имеющих относительно большие симптомы. Например, части 806 классифицируют на CR, EYE, SR, GLS-Early или ND, а части 812 классифицируют в класс других заболеваний (OD).

[00122] В некоторых вариантах осуществления сервер 170 можно запрограммировать так, чтобы картировать каждую часть изображения с измененным размером, извлеченную скользящим окном назад в область нового изображения 802. Сервер 170 запрограммирован дальше готовить карту прогнозирования для нового изображения 802, где каждая картированная область показана с индикатором соответствующей классификации.

[00123] На фиг. 9А представлена иллюстративная карта прогнозирования, показывающая результаты применения первой цифровой модели к изображению растения для распознавания болезней растений, имеющих относительно небольшие симптомы. В некоторых вариантах осуществления учитывая масштаб между размером скользящего окна и размером нового изображения, по существу относительно небольшое скользящее окно перемещают через разные положения внутри нового изображения 920, включая положение 902. Каждую область (первую область) нового изображения 920, соответствующую положению скользящего окна, затем метят с соответствующей классификацией на карте 922 прогнозирования согласно легенде 906. Например, область 912 классифицирована в класс OD, представляющий комбинацию болезней кукурузы, имеющих относительно большие симптомы.

[00124] Снова со ссылкой на фиг. 8 в некоторых вариантах осуществления для частей изображения с измененным размером, которые относят к классу OD, соответствующий совокупности болезней кукурузы, имеющих относительно большие симптомы, сервер 170 запрограммирован применять вторую цифровую модель 808 для распознавания болезней кукурузы, имеющих относительно большие симптомы. Снова со ссылкой на фиг. 9А каждая такая часть, например, часть, картированная в область 912, соответствует относительно небольшому полю зрения, и, таким образом, обычно является только частью относительно большого симптома, как показано в области 932. Следовательно, сервер 170 запрограммирован применять вторую цифровую модель 808 сразу к множеству таких частей. Более конкретно, для каждой такой части сервер 170 может быть сконфигурирован так, чтобы также учитывать некоторое количество окружающих частей или определенную часть окружающей части в каждом направлении, чтобы приблизительно соответствовать полю зрения, используемому для построения второй цифровой модели. Например, каждую такую часть, размером 224 пикселя на 224 пикселя можно рассматривать вместе с одной окружающей частью в каждом направлении, что приводит к объединенной части размером 672 (224*3) пикселя на 672 пикселя. Сервер 170 может быть сконфигурирован так, чтобы дальше изменять размер объединенной части до размера входящего изображения для второй цифровой модели, что приводит к коэффициенту масштабирования 5/3. Сервер 170 может быть сконфигурирован так, чтобы затем применять вторую цифровую модель к объединенной части с измененным размером для получения классификации, соответствующий одной из болезней кукурузы, имеющих относительно большие симптомы. Снова со ссылкой на фиг. 8 объединенные части 810 с измененным размером классифицированы в GW, NLB или GLS-Early.

[00125] В некоторых вариантах осуществления вместо включения в объединенную часть, соседнюю с частью, которая не была отнесена к классу ND, сервер 170 может быть запрограммирован так, чтобы маскировать (например, с нулевыми значениями) каждую из множества первых областей в новое изображение 802, которое относят к классу, соответствующему одному из первого множества заболеваний растений или здоровому состоянию. В некоторых вариантах осуществления сервер 170 может быть запрограммирован изменять размер нового изображения 802 с замаскированными частями аналогично с помощью второго коэффициента масштабирования, указанного выше, в изображение с измененным размером, например, с 224 пикселей на 224 пикселей до 448 (224*2) пикселей на 448 пикселей с первым коэффициентом масштабирования, равным 2. Сервер 170 может быть запрограммирован применять затем скользящее окно, которое является относительно большим, к изображению с измененным размером строка за строкой или столбец за столбцом с определенным шагом. Размер скользящего окна обычно равен размеру изображения образца (извлеченного изображения), используемого для обучения второй цифровой модели. Например, скользящее окно может иметь размер 224 пикселя на 224 пикселя, а шаг может составлять 112 или 224 пикселя. Для каждой позиции скользящего окна сервер 170 может быть запрограммирован применять затем вторую цифровую модель 804 к части изображения с измененным размером или части, соответствующей объединенной части, классифицированной в класс OD в скользящем окне, для получения классификации, соответствующей одному из заболеваний кукурузы, имеющих относительно большие симптомы. В других вариантах осуществления сервер 170 запрограммирован включать изображения, соответствующие сборному классу, только во второй обучающий набор и применять к новому изображению вторую цифровую модель перед применением первой цифровой модели.

[00126] Снова со ссылкой на фиг. 8 в некоторых вариантах осуществления сервер 170 можно запрограммировать так, чтобы аналогичным образом картировать каждую часть, классифицированную второй цифровой моделью, назад в область изображения 802. Сервер 170 запрограммирован дальше обновлять карту прогнозирования для изображения 802, где каждая вновь картированная область показана с индикатором соответствующей классификации. Сервер 170 можно запрограммировать так, чтобы затем передавать данные классификации, относящиеся к обновленной карте прогнозирования, на пользовательское устройство.

[00127] На фиг. 9В представлена иллюстративная карта прогнозирования, показывающая результаты применения второй цифровой модели к изображению растения для распознавания болезней растений, имеющих относительно большие симптомы. В некоторых вариантах осуществления, учитывая масштаб между размером скользящего окна и размером нового изображения, по существу относительно большое скользящее окно перемещают через разные позиции в новом изображении 920 или только в пределах части, классифицированной в класс OD первой цифровой моделью, включая позицию 910. Каждую область (вторую область) нового изображения 920, соответствующую позиции скользящего окна, затем метят с соответствующей классификацией на карте 922 прогнозирования, перезаписывая существующие значения. Например, область 912, показанная на фиг. 9А, которая была классифицирована в класс OD, теперь находится в области 908, классифицированной в класс, соответствующий GLS-Late. Следовательно, хотя новое изображение 920 показывает перекрывающиеся симптомы SR и GLS-Late, оба заболевания обнаруживаются в разных областях нового изображения 920.

[00128] В некоторых вариантах осуществления сервер 170 запрограммирован дополнительно обрабатывать обновленную карту прогнозирования. Сервер 170 может быть сконфигурирован вычислять общую площадь, классифицированную в каждый из классов, и делать вывод о том, что болезнь, соответствующая классу, имеющему наибольшую общую площадь, является доминирующим заболеванием в растении, захваченном в новом изображении. Например, обновленная карта 922 прогнозирования показывает, что каждый из симптомов SR и GLS-Late занимает приблизительно половину нового изображения 920 и, таким образом, может рассматриваться как доминирующее заболевание для конкретной кукурузы, захваченное в новом изображении 920. Сервер 170 может быть сконфигурирован дальше передавать доминирующую информацию, связанную с доминирующим заболеванием, на пользовательское устройство.

[00129] 3.3 ИЛЛЮСТРАТИВНЫЕ ПРОЦЕССЫ

[00130] на фиг. 10 представлен иллюстративный способ, выполняемый серверным компьютером, который запрограммирован распознавать по изображению растения болезни растений, имеющей многоразмерные симптомы. Фиг. 10 предназначена для раскрытия алгоритма, плана или схемы, которые можно использовать для реализации одной или более компьютерной программы или других программных элементов, которые при выполнении вызывают выполнение функциональных улучшений и технических достижений, описанных в данном документе. Кроме того. Блок-схемы данного документа описаны на том же уровне детализации, который рядовые специалисты в данной области обычно используют для передачи друг другу алгоритмов, планов или описаний, образующих основу программ, которые они планируют кодировать или реализовывать с использованием своих накопленных навыков и знаний.

[00131] В некоторых вариантах осуществления на этапе 1002 сервер 170 запрограммирован или выполнен с возможностью получения первого обучающего набора, содержащего первую фотографию, показывающую первый симптом одной из первого множества болезней растений, вторую фотографию, показывающую отсутствие симптома, и третью фотографию, показывающую частичный второй симптом одной из второго множества болезней растений. Первое множество болезней растений создает симптомы, имеющие размеры в пределах первого диапазона. Второе множество болезней растений создает симптомы, имеющие размеры в пределах второго диапазона. Первый симптом меньше второго симптома, и первая, вторая и третья фотографии соответствуют полю зрения с общим размером. Сервер 170 может быть сконфигурирован так, чтобы создавать первый обучающий набор из фотографий, показывающих многоразмерные симптомы болезни, с использованием скользящего окна, подходящего для захвата отдельных симптомов первого множества болезней растений.

[00132] В некоторых вариантах осуществления на этапе 1004 сервер 170 запрограммирован или выполнен с возможностью построения первой CNN из первого обучающего набора для отнесения изображения к классу, соответствующий одной из первого множества болезней растений, здоровому состоянию или комбинации второго множества болезней растений. Следовательно, когда первая CNN сконфигурирована для распознавания симптомов болезней k, первая CNN сконфигурирована классифицировать изображение в один из классов k+2. Также возможно объединить класс отсутствия болезней в сборный класс и сконфигурировать вторую CNN классифицировать изображение в класс отсутствия болезней.

[00133] В некоторых вариантах осуществления на этапе 1006 сервер 170 запрограммирован или выполнен с возможностью получения второго обучающего набора, содержащего фотографию, показывающую второй симптом. Сервер 170 может быть аналогичным образом выполнен с возможностью создания второго обучающего набора из фотографий, показывающих многоразмерные симптомы болезни или просто их множество, с использованием скользящего окна, подходящего для захвата отдельных симптомов второго множества болезней растений.

[00134] В некоторых вариантах осуществления сервер 170 запрограммирован или выполнен с возможностью построения второй CNN из второго обучающего набора для отнесения изображения к классу, соответствующий одной из второго множества болезней растений. Сервер 170 может быть сконфигурирован так, чтобы посылать первую и вторую CNN в другое вычислительное устройство, которое тогда может быть выполнено с возможностью применения двух CNN для классификации новой фотографии пораженного растения.

[00135] В некоторых вариантах осуществления на этапе 1008 сервер 170 запрограммирован или выполнен с возможностью получения нового изображения от пользовательского устройства. Новым изображением может быть фотография пораженного растения, показывающая многоразмерные симптомы.

[00136] В некоторых вариантах осуществления на этапе 1010 сервер 170 запрограммирован или сконфигурирован применять первую CNN к множеству первых областей внутри нового изображения для получения множества классификаций. Размер каждой из первых областей подходит для отображения отдельных симптомов первого множества болезней растений.

[00137] В некоторых вариантах осуществления на этапе 1012 сервер 170 запрограммирован или сконфигурирован применять вторую CNN к одной или более второй области внутри комбинации первых областей, классифицированных в класс, соответствующий комбинации второго множества болезней растений, для получения одной или более классификации, причем каждая из множества первых областей меньше одной второй области. Размер каждой из вторых областей подходит для отображения отдельных симптомов второго множества болезней растений.

[00138] В некоторых вариантах осуществления на этапе 1014 сервер 170 запрограммирован или сконфигурирован передавать данные классификации, связанные с множеством классификаций, которые относятся к классу, соответствующему одному из первого множества болезней растений или здорового состояния, и одной или более классификацией, на пользовательское устройстве. Данные классификации могут содержать для одной или более области нового изображения размер области и соответствующую классификацию. Сервер 170 может быть дополнительно выполнен с возможностью идентификации доминирующей болезни для нового изображения, такой как болезнь, к которой отнесена наибольшая область нового изображения, и отправки информации, касающейся доминирующей болезни, в качестве части данных классификации.

[00139] 4. РАСШИРЕНИЯ И АЛЬТЕРНАТИВЫ

[00140] В предшествующем описании варианты осуществления изобретения были описаны со ссылкой на многочисленные конкретные детали, которые могут изменяться от реализации к реализации. Соответственно, описание и фигуры следует рассматривать в иллюстративном, а не ограничительном смысле. Единственным и исключительным показателем объема изобретения и того, что заявители подразумевают в качестве объема изобретения, является буквальный и эквивалентный объем формулы изобретения, вытекающей из этой заявки, в конкретной форме, в которой сформулирована формула изобретения, включая любые последующие исправления.

Похожие патенты RU2820495C2

название год авторы номер документа
ОБНАРУЖЕНИЕ ЗАРАЖЕНИЯ РАСТЕНИЙ БОЛЕЗНЯМИ ПУТЕМ КЛАССИФИКАЦИИ ФОТОСНИМКОВ РАСТЕНИЙ 2019
  • Гуй, Ичуань
  • Гуань, Вей
RU2805670C2
СИСТЕМА И СПОСОБ ПОДДЕРЖКИ ВЫЯВЛЕНИЯ БОЛЕЗНЕЙ РАСТЕНИЙ 2020
  • Пикон Арцай
  • Нахтман Маттиас
  • Зайц Максимилиан
  • Монке Патрик
  • Наварра-Местре Рамон
  • Йоханнес Александер
  • Эггерс Тилль
  • Ортис Барредо Амаия Мария
  • Альварес-Хила Айтор
  • Эчасарра Угет Йоне
RU2815542C2
СПОСОБ И СИСТЕМА АВТОМАТИЗИРОВАННОЙ ДИАГНОСТИКИ СОСУДИСТЫХ ПАТОЛОГИЙ НА ОСНОВАНИИ ИЗОБРАЖЕНИЯ 2020
  • Федин Максим Владимирович
  • Бутова Ксения Григорьевна
  • Шаяхметов Сергей Булатович
RU2741260C1
Способ формирования математических моделей пациента с использованием технологий искусственного интеллекта 2017
  • Дрокин Иван Сергеевич
  • Бухвалов Олег Леонидович
  • Сорокин Сергей Юрьевич
RU2720363C2
СПОСОБ МОНИТОРИНГА СЕЛЬСКОХОЗЯЙСТВЕННЫХ УГОДИЙ 2017
  • Прокудин Илья Геннадьевич
RU2695490C2
РАСПОЗНАВАНИЕ СОРНЯКА В ЕСТЕСТВЕННОЙ СРЕДЕ 2017
  • Кипе Бьёрн
  • Шиллинг Томас
  • Фоис Франко
  • Рехштайнер Даниэль
  • Хелльвег Зебастиан
  • Гладбах Александра
  • Штеппонат Биргит
RU2764872C2
РАСПОЗНАВАНИЕ СОРНЯКОВ В ЕСТЕСТВЕННОЙ СРЕДЕ 2017
  • Кипе Бьёрн
  • Шиллинг Томас
  • Гладбах Александра
  • Штеппонат Биргит
  • Фоис Франко
  • Рехштайнер Даниэль
  • Хелльвег Зебастиан
RU2735151C2
Способ и система поддержки принятия врачебных решений с использованием математических моделей представления пациентов 2017
  • Дрокин Иван Сергеевич
  • Бухвалов Олег Леонидович
  • Сорокин Сергей Юрьевич
RU2703679C2
СПОСОБ РЕГУЛИРОВАНИЯ ПРОИЗВОДСТВА АГРОПРОДУКЦИИ 2003
  • Башилов А.М.
  • Покидов О.В.
  • Сорокотяга А.А.
  • Рукавишников С.В.
  • Козятинский С.А.
  • Башилов С.А.
RU2265989C2
Способ и система диагностирования патологических изменений в биоптате предстательной железы 2021
  • Попов Геннадий Викторович
  • Чуб Александр Андреевич
  • Маевских Павел Андреевич
  • Юровский Владимир Андреевич
RU2757256C1

Иллюстрации к изобретению RU 2 820 495 C2

Реферат патента 2024 года ОБНАРУЖЕНИЕ БОЛЕЗНЕЙ РАСТЕНИЙ С ПОМОЩЬЮ МНОГОСТАДИЙНОГО, МНОГОМАСШТАБНОГО ГЛУБОКОГО ОБУЧЕНИЯ

Группа изобретений относится к области распознавания изображений и может быть использована для распознавания болезней растений. Техническим результатом является повышение точности распознавания. Способ распознавания содержит следующие этапы: получение процессором нового изображения от пользовательского устройства; применение процессором первой цифровой модели, обученной для отнесения множества первых областей внутри нового изображения к множеству классификаций, выбранных из первой группы болезней растений, имеющих симптомы с размером в пределах первого диапазона, здорового состояния или сборного класса для комбинации болезней растений, имеющих симптомы других размеров; применение процессором второй цифровой модели, обученной для отнесения одной или более второй области, которые отнесены первой цифровой моделью к сборному классу, к одной или более классификациям, которые выбраны из болезни растений, имеющей симптомы в пределах второго диапазона, здорового состояния или сборного класса для комбинации множества болезней растений; передача данных классификации на пользовательское устройство. 4 н. и 11 з.п. ф-лы, 12 ил.

Формула изобретения RU 2 820 495 C2

1. Выполняемый с помощью компьютера способ распознавания по изображению растения болезней растений, имеющих многоразмерные симптомы, включающий:

получение процессором нового изображения от пользовательского устройства;

применение процессором первой цифровой модели, обученной для отнесения множества первых областей внутри нового изображения к множеству классификаций, причем указанные классификации выбраны из первой группы болезней растений, имеющих симптомы с размером в пределах первого отдельного диапазона, здорового состояния или сборного класса для комбинации болезней растений, имеющих симптомы, имеющие другие размеры;

применение процессором второй цифровой модели, обученной для отнесения одной или более второй области, причем указанные вторые области отнесены первой цифровой моделью к указанному сборному классу, к одной или более классификациям, причем указанные классификации выбраны из болезни растений, имеющей симптомы в пределах второго отдельного диапазона, здорового состояния или сборного класса для комбинации множества болезней растений;

передачу данных о классификации, связанных с множеством классификаций, в класс, соответствующий одной из первого множества болезней растений или здоровому состоянию и одной или более классификации, на пользовательское устройство.

2. Выполняемый с помощью компьютера способ по п. 1, в котором первая цифровая модель или вторая цифровая модель представляют собой сверточную нейронную сеть (CNN) или дерево принятия решений.

3. Выполняемый с помощью компьютера способ по п. 1,

в котором первое множество болезней растений включает в себя ржавчину кукурузы, пятнистость, южную ржавчину или серую пятнистость листьев на ранней стадии,

второе множество болезней растений включает увядание Госса, гельминтоспориоз листьев кукурузы или серую пятнистость листьев на поздней стадии.

4. Выполняемый с помощью компьютера способ по п. 1, в котором применение первой цифровой модели включает:

изменение размера нового изображения согласно первому размеру изображения для получения первого обновленного изображения;

извлечение первого множества областей из первого обновленного изображения с использованием скользящего окна с первым шагом.

5. Выполняемый с помощью компьютера способ по п. 4, в котором применение второй цифровой модели включает:

маскировку каждой из множества первых областей в новом изображении, которое отнесено к классу, соответствующему одной из первого множества болезней растений или здоровому состоянию, для получения маскированного изображения;

изменение размера маскированного изображения согласно второму размеру изображения для получения второго обновленного изображения;

извлечение одной или более второй области из второго обновленного изображения с использованием скользящего окна со вторым шагом.

6. Выполняемый с помощью компьютера способ по п. 1, в котором применение второй цифровой модели включает изменение размера части комбинации множества первых областей из первого множества областей для получения одной второй области.

7. Выполняемый с помощью компьютера способ по п. 1, дополнительно включающий:

вычисление общего размера множества первых областей и одной или более второй области, отнесенных к каждому из первого набора классов и второго набора классов;

определение доминирующего класса из первого набора классов и второго набора классов таким образом, чтобы общий размер множества первых областей и одной или более второй области, отнесенных к доминирующему классу, был наибольшим;

классификацию данных, включая информацию, касающуюся доминирующего класса.

8. Выполняемый с помощью компьютера способ для получения цифровых моделей распознавания по изображению растения болезней растений, имеющих многоразмерные симптомы, включающий:

получение процессором первого обучающего набора по меньшей мере из первой фотографии, показывающей первые симптомы одной из первого множества болезней растений, имеющих симптомы с размером в пределах первого отдельного диапазона, второй фотографии без симптома, и третьей фотографии, показывающей частичный второй симптом одной из второго множества болезней растений, причем первая, вторая и третья фотографии соответствуют полям зрения с аналогичными размерами;

построение процессором первой цифровой модели из первого обучающего набора для отнесения изображения к классу из первого набора классов, соответствующих первому множеству болезней растений, здоровому состоянию или сборному классу для комбинации болезней растений, имеющих симптомы, имеющие другие размеры;

получение второго обучающего набора по меньшей мере из четвертой фотографии, показывающей вторые симптомы второго множества болезней растений, имеющих симптомы с размером в пределах второго отдельного диапазона;

построение второй цифровой модели из второго обучающего набора для отнесения изображения к классу из второго набора классов, соответствующих второму множеству болезней растений, здоровому состоянию или сборному классу для комбинации множества болезней растений.

9. Выполняемый с помощью компьютера способ по п. 8, в котором получение первого обучающего набора включает:

идентификацию размера скользящего окна;

определение первого коэффициента масштабирования;

определение первого размера изображения на основании размера скользящего окна и первого коэффициента масштабирования;

изменение размера первой фотографии, второй фотографии или третьей фотографии согласно первому размеру изображения для получения первой фотографии с измененным размером, второй фотографии с измененным размером или третьей фотографии с измененным размером.

10. Выполняемый с помощью компьютера способ по п. 9, в котором получение второго обучающего набора включает:

определение второго коэффициента масштабирования, меньшего, чем первый коэффициент масштабирования;

определение второго размера изображения на основании размера скользящего окна и второго коэффициента масштабирования;

изменение размера четвертой фотографии согласно второму размеру изображения для получения четвертой фотографии с измененным размером.

11. Выполняемый с помощью компьютера способ по п. 10, дополнительно включающий:

определение первого шага и второго шага, меньшего, чем первый шаг;

получение первого обучающего набора, дополнительно включающее извлечение первого набора областей из первой фотографии с измененным размером, второй фотографии с измененным размером или третьей фотографии с измененным размером с использованием скользящего окна с первым шагом;

получение второго обучающего набора, дополнительно включающее извлечение второго набора областей из четвертой фотографии с измененным размером с использованием скользящего окна со вторым шагом.

12. Выполняемый с помощью компьютера способ по п. 11, в котором

получение первого обучающего набора дополнительно включает назначение метки класса из первого набора классов каждой из первого набора областей;

построение первой цифровой модели дальше проводят из набора меток, назначенных первому набору областей;

получение второго обучающего набора дополнительно включает назначение метки класса второго набора классов каждой из второго набора областей;

построение второй цифровой модели дальше проводят из набора меток, назначенных второму набору областей.

13. Выполняемый с помощью компьютера способ по п. 8, в котором первый обучающий набор дальше получают из конкретной фотографии, показывающей третий симптом одной из первого множества болезней растений и четвертый симптом одной из второго множества болезней растений, причем четвертый симптом наложен на третий симптом.

14. Энергонезависимый машиночитаемый носитель, на котором хранится одна или более последовательность команд, которые при выполнении обеспечивают выполнение одним или более процессором способа по любому из пп. 1-7.

15. Энергонезависимый машиночитаемый носитель, на котором хранится одна или более последовательность команд, которые при выполнении обеспечивают выполнение одним или более процессором способа по любому из пп. 8-13.

Документы, цитированные в отчете о поиске Патент 2024 года RU2820495C2

KR 20180053003 A, 21.05.2018
CN 107742290 A, 27.02.2018
CN 106682704 A, 17.05.2017
Механизм для преобразования вращательного движения в возвратно-поступательное 1929
  • Пучеров Н.А.
SU25822A1
СПОСОБ ОБНАРУЖЕНИЯ ВОЗБУДИТЕЛЕЙ БОЛЕЗНЕЙ РАСТЕНИЙ В ВОЗДУХЕ 0
  • Авторы Изобретени
SU360921A1

RU 2 820 495 C2

Авторы

Гуй, Ичуань

Гуань, Вэй

Даты

2024-06-04Публикация

2019-10-24Подача