[发明专利]基于边缘计算的农田监控方法、装置、设备及存储介质

说明书

本发明涉及数据检测领域，公开了一种基于边缘计算的农田监控方法、装置、设备及存储介质。本方法包括：通过对采集的农田数据进行数据压缩，得到压缩数据；将压缩数据输入至预先训练好的特征提取模型中并通过特征提取模型对压缩数据进行特征提取，得到压缩数据的特征信息；对特征信息进行分析，确定特征信息中各数据对应的数据类型；基于预置边缘计算规则和数据类型，从预置模型库中调用与数据类型对应的数据处理模型对特征信息进行检测；待检测结果到达到告警阈值时，进行异常告警提示。本方案通过对农田数据进行存储和统一管理，并根据异常检测模型对农田数据进行异常检测及预警，实现对农田的监控。

技术领域

本发明涉及物流运输管理领域，尤其涉及一种基于边缘计算的农田监控方法、装置、设备及存储介质。

背景技术

近年来，随着物联网、云计算等技术的兴起和普及，许多传统行业(如农业、畜牧业、水产养殖业等)都逐渐开始建设基于这两项技术的智能管理系统。在农业领域，多个农业大省、基地已经投入使用了基于物联网、云计算的自动化养殖监控系统，通过收集、处理各类传感器采集的农田光照、温湿度、pH值、等环境相关信息，通过高清摄像头采集农田动态视频信息，再由云处理决策服务器根据各项信息的具体参数综合判断进行预警和自动控制决策。

然而，这种平台由于各种传感器、摄像头等数据采集设备往往距离云处理决策服务中心较远，需要通过互联网进行远程传输，而且采集到的视频信息等数据量巨大，需要消耗大量的网络带宽，可能会导致较大的网络延迟甚至服务中断，对于一些紧急突发事件无法做出实时有效预警、控制和决策。

发明内容

本发明的主要目的是通过调用边缘计算平台对农田数据进行存储和统一管理，并根据异常检测模型对农田环境数据进行异常检测及预警，实现对农田的监控。

本发明第一方面提供了一种基于边缘计算的农田监控方法，包括：采集农田数据，并将所述农田数据存储至边缘计算平台的边缘硬件设备群内，其中，所述农田数据包括农田环境数据和农田视频数据；对所述农田数据进行数据压缩，得到压缩数据；将所述压缩数据输入至预先训练好的特征提取模型中，并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取，得到所述压缩数据的特征信息；对所述特征信息进行分析，确定所述特征信息中各数据对应的数据类型，其中，所述数据类型包括文本数据和视频图像数据；基于预置边缘计算规则和所述数据类型，从预置模型库中调用与所述数据类型对应的数据处理模型对所述特征信息进行检测；确定所述检测结果是否达到预设告警阈值，到达到告警阈值时进行异常告警提示。

可选地，在本发明第一方面的第一种实现方式中，在所述确定所述检测结果是否达到预设告警阈值，到达到告警阈值时进行异常告警提示之后，还包括：将检测后的农田数据将同步至预置本地数据库，并对所述本地数据库进行更新。

可选地，在本发明第一方面的第二种实现方式中，所述对所述农田数据进行数据压缩，得到压缩数据包括：根据所述农田数据生成压缩配置文件，其中，所述压缩配置文件包括具有高压缩率的压缩算法；在所述压缩时间节点触发压缩启动指令；当所述压缩启动指令触发时，根据所述农田数据存储位置查找所述农田数据；根据所述压缩算法对所述农田数据进行压缩。

可选地，在本发明第一方面的第三种实现方式中，在所述将所述压缩数据输入至预先训练好的特征提取模型中，并通过所述特征提取模型中的至少一个卷积单元对所述压缩数据进行特征提取，得到所述压缩数据的特征信息之前，还包括：获取训练数据，所述训练数据包括每个样本数据对应的原始特征；通过所述训练数据训练初始特征提取模型，并得到所述初始特征提取模型的参数值；对所述初始特征提取模型的参数值进行筛选，得到目标参数值；通过所述目标参数值对所述初始特征提取模型进行重构，得到重构后的特征提取模型；将所述训练数据输入至所述重构后的特征提取模型中，得到每个样本数据的衍生特征；根据每个样本数据的衍生特征及每个样本数据对应的原始特征重新训练所述重构后的特征提取模型，直至迭代终止，得到特征提取模型。