CN107357935B - 基于程序云的智能种植设备控制方法 - Google Patents

基于程序云的智能种植设备控制方法 Download PDF

Info

Publication number
CN107357935B
CN107357935B CN201710697982.8A CN201710697982A CN107357935B CN 107357935 B CN107357935 B CN 107357935B CN 201710697982 A CN201710697982 A CN 201710697982A CN 107357935 B CN107357935 B CN 107357935B
Authority
CN
China
Prior art keywords
plant
matching
attribute
operation method
plant growing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710697982.8A
Other languages
English (en)
Other versions
CN107357935A (zh
Inventor
钱家欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Meng Orange Technology Co Ltd
Original Assignee
Hangzhou Meng Orange Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hangzhou Meng Orange Technology Co Ltd filed Critical Hangzhou Meng Orange Technology Co Ltd
Priority to CN201710697982.8A priority Critical patent/CN107357935B/zh
Publication of CN107357935A publication Critical patent/CN107357935A/zh
Application granted granted Critical
Publication of CN107357935B publication Critical patent/CN107357935B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2468—Fuzzy queries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明提供了一种基于程序云的智能种植设备控制方法，其包括以下步骤：获取用户信息和植物信息，所述植物信息包括第一植物属性，所述第一植物属性为植物当前的生长状态信息和/或品种信息。基于所述用户信息，获取用户所绑定的植物种植设备及其功能信息。根据所述功能信息和所述第一植物属性，通过云计算生成最佳的植物种植设备操作方法。本发明所提出的基于程序云的智能种植设备控制方法，可应用到智能植物种植设备上，使不同植物得到其所对应的智能种植培育，以提升植物的成活率，改善植物的营养状态，使得培育方式更为科学合理。

Description

基于程序云的智能种植设备控制方法
技术领域
本发明涉及智能种植领域，特别涉及一种基于程序云的智能种植设备控制方法。
背景技术
随着生活品质的不断提升，为了避免办公室和家里太过呆板、严肃，很多人都喜欢在身边摆上自己喜欢的植物，为生活增添一抹鲜艳的色彩。但是烦恼也来了，工作忙起来时，大家经常会忽略这些花草。
常见的家用种植设备需要人工进行控制，从而实现浇水、施肥、补光等操作。近几年，市场上逐渐推出了智能植物种植机，该种植机可自动对植物进行浇水、施肥和补光。但是植物的品种不同，其种植特性也会有所不同。此外，植物处于不同的生长阶段，其所需要的浇水量、施肥量、光照时间以及适宜的PH环境都会有所差别，而这些种植参数将会极大地影响植物的生成状态。
而现代的城市人甚少接触植物种植，所以很难准确地了解如何种植植物。即使了解如何种植该植物，因为城市人不一定有足够的时间关注种植。同样的，由于智能植物种植设备的技术限制，目前还不存在众多植物所对应的种植程序，所以用户往往会对大多数植物采用相似的种植方法，这样不能保证植物得到最科学的种植，也不能保证植物的成活率。
发明内容
本发明的目的是提出一种基于程序云的智能种植设备控制方法，可以应用到智能植物种植设备上，使不同植物得到其所对应的智能种植培育，以提升植物的成活率，改善植物的营养状态。
为了解决上述技术问题，本发明采用了下述技术方案：
一种基于程序云的智能种植设备控制方法，包括以下步骤：
S1、获取用户信息和植物信息，植物信息包括第一植物属性，第一植物属性为植物当前的生长状态信息和/或品种信息；
S2、基于用户信息，获取用户所绑定的植物种植设备及其功能信息；
S3、根据功能信息和第一植物属性，通过云计算生成最佳的植物种植设备操作方法。通过云计算生成最佳的植物种植设备操作方法的步骤包括通过单目标多属性的匹配代理生成最佳的植物种植设备操作方法，单目标多属性的匹配代理为对预种植植物的第一植物属性与数据库中的植物属性进行匹配。
优选的，匹配代理的方式包括以下步骤：
基于数据库中的植物种植设备操作方法，执行直接匹配，并生成植物信息对应的最佳的植物种植设备操作方法。
优选的，匹配代理的方式包括以下步骤：
基于数据库中的植物种植设备操作方法，执行模糊匹配，模糊匹配的步骤为：对数据库中的m个植物种植设备操作方法中植物属性的属性参数与第一植物属性的属性参数进行偏差度计算，m为正整数，得到m个偏差度值；选取m个偏差度值中数值最小的作为偏差度最小值，并取出偏差度最小值与设定的阈值比较；若偏差度最小值小于或等于阈值，则生成最佳的植物种植设备操作方法，最佳的植物种植设备操作方法取自偏差度最小值所对应的植物种植设备操作方法。
优选的，匹配代理的方式包括以下步骤：
基于数据库中的植物种植设备操作方法，执行基于神经网络的生成匹配，生成匹配的步骤为：基于数据库中所有的最小执行单元代码以及第一植物属性的属性参数，通过神经网络计算得到最佳的植物种植设备操作方法；所有的最小执行单元代码取自数据库中的植物种植设备操作方法，最小执行单元代码为执行一步种植活动的最小执行单元代码。
优选的，当直接匹配未成功后，还包括以下步骤：
基于数据库中的植物种植设备操作方法，执行模糊匹配，模糊匹配的步骤为：对数据库中的m个植物种植设备操作方法中植物属性的属性参数与第一植物属性的属性参数进行偏差度计算，m为正整数，得到m个偏差度值；选取m个偏差度值中数值最小的作为偏差度最小值，并取出偏差度最小值与设定的阈值比较；若偏差度最小值小于或等于阈值，则生成最佳的植物种植设备操作方法并结束匹配代理，最佳的植物种植设备操作方法取自偏差度最小值所对应的植物种植设备操作方法；若偏差度最小值大于阈值，则执行基于神经网络的生成匹配；
基于数据库中的植物种植设备操作方法，执行基于神经网络的生成匹配，生成匹配的步骤为：基于数据库中所有的最小执行单元代码以及第一植物属性的属性参数，通过神经网络计算得到最佳的植物种植设备操作方法；所有的最小执行单元代码取自数据库中的植物种植设备操作方法，最小执行单元代码为执行一步种植活动的最小执行单元代码。
优选的，执行模糊匹配的步骤时，对各个属性参数设定一一对应的权重系数。
优选的，偏差度值的计算公式为Vn＝(X-P)QT，其中，Vn为第n个植物种植设备操作方法的偏差度值，X为第一植物属性的各个属性参数，P为第n个植物种植设备操作方法的各个属性参数，Q为各个属性参数设定一一对应的权重系数，QT为Q的转置。
优选的，最小执行单元代码包括浇水代码块、施肥代码块、补光代码块、温控代码块、酸碱度调节代码块、延时代码块和/或安全检查代码块。
优选的，步骤S1中，还包括获取用户的地理定位信息。
本发明相比于现有技术的有益效果在于：本发明提出的一种基于程序云的智能种植设备控制方法，其包括步骤：获取用户信息和植物信息，植物信息包括第一植物属性，第一植物属性为植物当前的生长状态信息和/或品种信息。基于用户信息，获取用户所绑定的植物种植设备及其功能信息。根据功能信息和第一植物属性，通过云计算生成最佳的植物种植设备操作方法。本发明针对用户所绑定的功能信息和第一植物属性，通过服务器进行云计算生成最佳的植物种植设备操作方法，可使不同植物得到其所对应的智能种植培育，以提升植物的成活率，改善植物的营养状态。针对所绑定的植物种植设备无法实现的种植培育方式，也可通过最佳种植步骤说明进行输出，便于用户参照步骤说明，从而高效地进行植物种植培育。
附图说明
图1为本发明的一实施例提出的基于程序云的智能种植设备控制***和方法；
图2为本发明的另一实施例提出的基于程序云的智能种植设备控制方法。
具体实施方式
以下结合附图，对本发明上述的和另外的技术特征和优点进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的部分实施例，而不是全部实施例。
如图1和2所示，为本发明提出的一实施例，一种基于程序云的智能种植设备控制方法，其包括以下步骤：
S1、获取用户信息和植物信息，植物信息包括第一植物属性，第一植物属性为植物当前的生长状态信息和/或品种信息。
S2、基于用户信息，获取用户所绑定的植物种植设备及其功能信息。
S3、根据功能信息和第一植物属性，通过云计算生成最佳的植物种植设备操作方法。通过云计算生成最佳的植物种植设备操作方法的步骤包括通过单目标多属性的匹配代理生成最佳的植物种植设备操作方法，单目标多属性的匹配代理为对预种植植物的第一植物属性与数据库中的植物属性进行匹配。
本发明提出的另一实施例，一种基于程序云的智能种植设备控制方法，其包括以下步骤：
用户在客户端上输入植物信息和用户信息，客户端将植物信息和用户信息上传至服务器，植物信息包括第一植物属性。客户端可以是手机、平板、笔记本电脑等移动客户端，也可以是台式电脑等固定客户端。植物名称可以是植物的名称和/或自定义编号。第一植物属性为植物当前的生长状态信息和/或品种信息。第一植物属性包括植物高度、宽度、重量、品种和/或叶片颜色等。用户信息可以包括用户名称和/或所绑定的植物种植设备。
服务器基于用户信息，获取用户所绑定的植物种植设备及其功能信息。
根据功能信息和第一植物属性，服务器通过云计算生成最佳的植物种植设备操作方法。
服务器下传最佳的植物种植设备操作方法。最佳的植物种植设备操作方法可包括最佳种植程序指令和/或最佳种植步骤说明。
在本发明的另一实施例中，还包括上传用户的地理定位信息至服务器。根据上传的地理定位信息，服务器获得该用户的天气，从而输出更为合理的最佳的植物种植设备操作方法。可利于计算得到更合适的水分和湿度的控制程序指令或种植步骤说明。
在本发明的另一实施例中，植物种植设备接收并执行最佳种植程序指令。由植物种植设备执行种植程序指令，能够更精确地执行种植，使植物获得更为合理的种植培育。其中，最佳种植程序指令的语言形式可以是标记语言形式、可执行软件形式、源代码形式或二进制流形式。
在本发明的另一实施例中，用户的客户端接收并显示最佳种植步骤说明。当该用户所绑定的植物种植设备无法完全执行所有种植程序指令时，通过输出最佳种植步骤说明，使用户了解如何进行种植培育，以更全面地培育植物。当用户根据最佳种植步骤说明，可按量自行进行培育。
在本发明的另一实施例中，用户信息通过客户端获取；客户端通过采集并识别用户的生物特征信息，以获得用户的用户信息。可减少用户不必要的操作，提高用户输入相关信息的效率，提升用户体验。
在本发明的另一实施例中，通过云计算生成最佳的植物种植设备操作方法的步骤包括通过单目标多属性的匹配代理生成最佳的植物种植设备操作方法，单目标多属性的匹配代理为对预种植植物的第一植物属性与数据库中的植物属性进行匹配。通过单目标多属性的匹配方式，提升最佳的植物种植设备操作方法的种植合理性，综合考虑植物的多重的植物属性，获得匹配当前植物状态的最佳的植物种植设备操作方法。
在本发明的另一实施例中，匹配代理的方式包括以下步骤：基于数据库中的植物种植设备操作方法，执行直接匹配，并生成植物信息对应的最佳的植物种植设备操作方法。
在本发明的另一实施例中，匹配代理的方式包括以下步骤：基于数据库中的植物种植设备操作方法，执行模糊匹配，模糊匹配的步骤为：对数据库中的m个植物种植设备操作方法中植物属性的属性参数与第一植物属性的属性参数进行偏差度计算，m为正整数，得到m个偏差度值；选取m个偏差度值中数值最小的作为偏差度最小值，并取出偏差度最小值与设定的阈值比较；若偏差度最小值小于或等于阈值，则生成最佳的植物种植设备操作方法，最佳的植物种植设备操作方法取自偏差度最小值所对应的植物种植设备操作方法。
在本发明的另一实施例中，匹配代理的方式包括以下步骤：基于数据库中的植物种植设备操作方法，执行基于神经网络的生成匹配，生成匹配的步骤为：基于数据库中所有的最小执行单元代码以及第一植物属性的属性参数，通过神经网络计算得到最佳的植物种植设备操作方法；所有的最小执行单元代码取自数据库中的植物种植设备操作方法，最小执行单元代码为执行一步种植活动的最小执行单元代码。
在本发明的另一实施例中，当直接匹配未成功后，还包括以下步骤：
基于数据库中的植物种植设备操作方法，执行模糊匹配，模糊匹配的步骤为：对数据库中的m个植物种植设备操作方法中植物属性的属性参数与第一植物属性的属性参数进行偏差度计算，m为正整数，得到m个偏差度值；选取m个偏差度值中数值最小的作为偏差度最小值，并取出偏差度最小值与设定的阈值比较；若偏差度最小值小于或等于阈值，则生成最佳的植物种植设备操作方法并结束匹配代理，最佳的植物种植设备操作方法取自偏差度最小值所对应的植物种植设备操作方法；若偏差度最小值大于阈值，则执行基于神经网络的生成匹配；
基于数据库中的植物种植设备操作方法，执行基于神经网络的生成匹配，生成匹配的步骤为：基于数据库中所有的最小执行单元代码以及第一植物属性的属性参数，通过神经网络计算得到最佳的植物种植设备操作方法；所有的最小执行单元代码取自数据库中的植物种植设备操作方法，最小执行单元代码为执行一步种植活动的最小执行单元代码。
在本发明的另一实施例中，执行模糊匹配的步骤时，对各个属性参数设定一一对应的权重系数。可通过修改权重系数，以修改预种植植物的植物属性的参数，从而提高该植物特定需要关注的种植条件参数。
在本发明的另一实施例中，偏差度值的计算公式为Vn＝(X-P)QT，其中，Vn为第n个植物种植设备操作方法的偏差度值，X为第一植物属性的各个属性参数，P为第n个植物种植设备操作方法的各个属性参数，Q为各个属性参数设定一一对应的权重系数，QT为Q的转置。
通过直接匹配、模糊匹配和神经网络的生成程序三种匹配生成方式，可有效得到最佳的植物种植设备操作方法。直接匹配的优势在于可快速得到计算结果。模拟匹配更容易得到最佳的植物种植设备操作方法，可匹配的范围较大，同时计算负荷较小。神经网络的生成程序可计算得到任意植物种植设备的神经网络的生成程序。结合直接匹配、模糊匹配和神经网络的生成程序三者的匹配生成方式，可在保持种植方式合理性的基础上，提升了匹配的效率，并降低了匹配计算的负荷。
在本发明的另一实施例中，最小执行单元代码包括浇水代码块、施肥代码块、补光代码块、温控代码块、酸碱度调节代码块、延时代码块和/或安全检查代码块。通过多种最小执行单元代码可按照植物的具体情况，进行合理匹配，对植物进行全方位的种植培育。
具体的，在本发明的另一实施例中，匹配代理的方式包括以下步骤：
基于服务器的数据库中的植物种植设备操作方法，服务器执行直接匹配。其中，X＝{X1,X2,…Xk,…Xn}为第一植物属性的各个属性参数，Xn为第一植物属性的第n个属性参数。S＝{S1,S2,…Sk,…Sn}为服务器数据库中已经发布的植物种植设备操作方法，Sn为第n个植物种植设备操作方法。每个植物种植设备操作方法都有属性参数P，其中P＝{P1,P2,…Pr,…Pm}，Pm为某个植物种植设备操作方法的第m个属性参数。匹配程序直接在数据库中进行检索匹配，若存在X包含于P的Sn则直接将Sn视作最佳程序输出并关闭匹配代理。若匹配成功，服务器生成植物信息对应的最佳的植物种植设备操作方法，否则模糊匹配。
服务器执行模糊匹配，服务器具有所绑定的植物种植设备的植物种植设备操作方法，对各个植物种植设备操作方法中植物属性的各个属性参数与第一植物属性的各个属性参数进行偏差度计算汇总，取出偏差度最小值与设定的阈值比较。模糊匹配程序中，X＝{X1,X2,…Xk,…Xn}为第一植物属性的各个属性参数，Xn为第一植物属性的第n个属性参数。S＝{S1,S2,…Sk,…Sn}为服务器数据库中已经发布的植物种植设备操作方法，Sn为第n个植物种植设备操作方法。每个植物种植设备操作方法都有属性参数P，其中P＝{P1,P2,…Pr,…Pm}，Pm为某个植物种植设备操作方法的第m个属性参数。模糊匹配为每个Pn都设定了一个权重系数Q。其中，Q＝{Q1,Q2,…Qr,…Qm}，Qm为第m个属性参数所对应的权重系数。可以计算得到每个最佳程序的偏差度Vn＝(X-P)QT。偏差度矩阵V＝{V1,V2,…Vr,…Vm}，选取V中偏差度最小的，且偏差度小于阈值Y的Vmin，Vmin对应的程序Sn作为最佳程序输出并关闭匹配代理，若V中偏差度最低的值仍大于阈值Y，则判定为模糊匹配失败。若偏差度最小值小于或等于阈值，则服务器生成最佳的植物种植设备操作方法，最佳的植物种植设备操作方法取自偏差度最小值所对应的植物种植设备操作方法，否则执行基于神经网络的生成程序。
服务器执行基于神经网络的生成程序，生成程序基于所有的最小执行单元代码和第一植物属性的属性参数，通过神经网络计算得到最佳的植物种植设备操作方法，服务器生成最佳的植物种植设备操作方法。匹配代理开始执行基于神经网络的生成程序，生成程序先基于用户所绑定的植物种植设备，从数据库中获取该植物种植设备所有的最小执行单元代码。神经网络包括输入层、输出层和中间隐藏层。将最小执行单元代码的集合设为D＝{D1,D2,…Dr,…Dm}，该神经网络的输入层的第一植物属性的各个属性参数为X＝{X1,X2,…Xk,…Xn}，通过多个中间隐藏层后得到参数矩阵M＝{M1,M2,…Mr,…Mm}，最终输出为DM＝{D1M1,D2M2,…DrMr,…DmMm}，将DM矩阵输入代码组合生成模块，生成一个最佳程序Sn输出并关闭匹配代理。所有的最小执行单元代码取自服务器中所绑定的植物种植设备的植物种植设备操作方法，最小执行单元代码为执行一步种植活动的执行单元代码。其中，最小执行单元代码包括浇水代码块、施肥代码块、补光代码块、温控代码块、酸碱度调节代码块、延时代码块、安全检查代码块等。其中，延时代码块用于和其他代码块配合使用，如补光开始后，保持补光打开多久时间后关闭。安全检查代码块用于检查整个种植设备运行是否正常，是否存在安全隐患。
以上的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于程序云的智能种植设备控制方法，其特征在于，包括以下步骤：
S1、获取用户信息和植物信息，所述植物信息包括第一植物属性，所述第一植物属性为植物当前的生长状态信息和/或品种信息；
S2、基于所述用户信息，获取用户所绑定的植物种植设备及其功能信息；
S3、根据所述功能信息和所述第一植物属性，通过云计算生成最佳的植物种植设备操作方法；所述通过云计算生成最佳的植物种植设备操作方法的步骤包括通过单目标多属性的匹配代理生成最佳的植物种植设备操作方法，所述单目标多属性的匹配代理为对预种植植物的第一植物属性与数据库中的植物属性进行匹配；
所述匹配代理的方式包括以下步骤：
基于数据库中的植物种植设备操作方法，执行模糊匹配，所述模糊匹配的步骤为：对所述数据库中的m个植物种植设备操作方法中植物属性的属性参数与第一植物属性的属性参数进行偏差度计算，m为正整数，得到m个偏差度值；选取m个偏差度值中数值最小的作为偏差度最小值，并取出偏差度最小值与设定的阈值比较；若偏差度最小值小于或等于所述阈值，则生成最佳的植物种植设备操作方法，所述最佳的植物种植设备操作方法取自偏差度最小值所对应的植物种植设备操作方法。
2.根据权利要求1所述的基于程序云的智能种植设备控制方法，其特征在于，所述匹配代理的方式还包括以下步骤：
基于数据库中的植物种植设备操作方法，执行直接匹配，并生成所述植物信息对应的最佳的植物种植设备操作方法。
3.根据权利要求1所述的基于程序云的智能种植设备控制方法，其特征在于，所述匹配代理的方式包括以下步骤：
基于数据库中的植物种植设备操作方法，执行基于神经网络的生成匹配，所述生成匹配的步骤为：基于数据库中所有的最小执行单元代码以及第一植物属性的属性参数，通过神经网络计算得到最佳的植物种植设备操作方法；所述所有的最小执行单元代码取自数据库中的植物种植设备操作方法，所述最小执行单元代码为执行一步种植活动的最小执行单元代码。
4.根据权利要求2所述的基于程序云的智能种植设备控制方法，其特征在于，当直接匹配未成功后，还包括以下步骤：
基于数据库中的植物种植设备操作方法，执行模糊匹配，所述模糊匹配的步骤为：对所述数据库中的m个植物种植设备操作方法中植物属性的属性参数与第一植物属性的属性参数进行偏差度计算，m为正整数，得到m个偏差度值；选取m个偏差度值中数值最小的作为偏差度最小值，并取出偏差度最小值与设定的阈值比较；若偏差度最小值小于或等于所述阈值，则生成最佳的植物种植设备操作方法并结束匹配代理，所述最佳的植物种植设备操作方法取自偏差度最小值所对应的植物种植设备操作方法；若偏差度最小值大于所述阈值，则执行基于神经网络的生成匹配；
基于数据库中的植物种植设备操作方法，执行基于神经网络的生成匹配，所述生成匹配的步骤为：基于数据库中所有的最小执行单元代码以及第一植物属性的属性参数，通过神经网络计算得到最佳的植物种植设备操作方法；所述所有的最小执行单元代码取自数据库中的植物种植设备操作方法，所述最小执行单元代码为执行一步种植活动的最小执行单元代码。
5.根据权利要求1或4所述的基于程序云的智能种植设备控制方法，其特征在于，执行模糊匹配的步骤时，对各个所述属性参数设定一一对应的权重系数。
6.根据权利要求1或4所述的基于程序云的智能种植设备控制方法，其特征在于，所述偏差度值的计算公式为Vn=(X-P)QT，其中，Vn为第n个植物种植设备操作方法的偏差度值，X为第一植物属性的各个属性参数，P为第n个植物种植设备操作方法的各个属性参数，Q为各个属性参数设定一一对应的权重系数，QT为Q的转置。
7.根据权利要求3或4所述的基于程序云的智能种植设备控制方法，其特征在于，所述最小执行单元代码包括浇水代码块、施肥代码块、补光代码块、温控代码块、酸碱度调节代码块、延时代码块和/或安全检查代码块。
8.根据权利要求1-4任一所述的基于程序云的智能种植设备控制方法，其特征在于，步骤S1中，还包括获取用户的地理定位信息。
CN201710697982.8A 2017-08-15 2017-08-15 基于程序云的智能种植设备控制方法 Expired - Fee Related CN107357935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710697982.8A CN107357935B (zh) 2017-08-15 2017-08-15 基于程序云的智能种植设备控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710697982.8A CN107357935B (zh) 2017-08-15 2017-08-15 基于程序云的智能种植设备控制方法

Publications (2)

Publication Number Publication Date
CN107357935A CN107357935A (zh) 2017-11-17
CN107357935B true CN107357935B (zh) 2020-02-07

Family

ID=60287530

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710697982.8A Expired - Fee Related CN107357935B (zh) 2017-08-15 2017-08-15 基于程序云的智能种植设备控制方法

Country Status (1)

Country Link
CN (1) CN107357935B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107969297A (zh) * 2017-12-20 2018-05-01 佛山市洛克威特科技有限公司 一种智能种植草莓的方法
CN108257038A (zh) * 2018-01-12 2018-07-06 杭州智控网络有限公司 一种基于大数据的植物种植***及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077725A (zh) * 2014-07-14 2014-10-01 内蒙古德辰信息网络科技有限责任公司 马铃薯种植物联网监测、控制及信息服务云平台综合***
CN104699042A (zh) * 2015-02-05 2015-06-10 彭琦 一种基于物联网的设施农业管控***及其控制方法
CN104866970A (zh) * 2015-05-26 2015-08-26 徐吉祥 智能种植管理方法和智能种植设备
CN106331127A (zh) * 2016-08-30 2017-01-11 深圳前海弘稼科技有限公司 种植设备及其管理方法、装置、***以及服务器
CN106506699A (zh) * 2016-12-27 2017-03-15 杭州云锄科技有限公司 一种智慧农业物联网种植平台
CN106709811A (zh) * 2016-12-08 2017-05-24 党兴仁 一种蔬菜生长管理方法及***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104077725A (zh) * 2014-07-14 2014-10-01 内蒙古德辰信息网络科技有限责任公司 马铃薯种植物联网监测、控制及信息服务云平台综合***
CN104699042A (zh) * 2015-02-05 2015-06-10 彭琦 一种基于物联网的设施农业管控***及其控制方法
CN104866970A (zh) * 2015-05-26 2015-08-26 徐吉祥 智能种植管理方法和智能种植设备
CN106331127A (zh) * 2016-08-30 2017-01-11 深圳前海弘稼科技有限公司 种植设备及其管理方法、装置、***以及服务器
CN106709811A (zh) * 2016-12-08 2017-05-24 党兴仁 一种蔬菜生长管理方法及***
CN106506699A (zh) * 2016-12-27 2017-03-15 杭州云锄科技有限公司 一种智慧农业物联网种植平台

Also Published As

Publication number Publication date
CN107357935A (zh) 2017-11-17

Similar Documents

Publication Publication Date Title
Kang et al. From parallel plants to smart plants: intelligent control and management for plant growth
González-Amarillo et al. An IoT-based traceability system for greenhouse seedling crops
Spiertz Nitrogen, sustainable agriculture and food security: a review
CN109874477B (zh) 一种农业园区施肥机托管方法及***
JP2016146039A (ja) 情報処理装置、プログラム及び情報処理方法
CN103605353A (zh) 一种基于云服务的农业智能优化监控***及优化监控方法
CN106960392B (zh) 一种面向中小种植者的种植技术服务方法
CN107357935B (zh) 基于程序云的智能种植设备控制方法
Nada et al. Irrigation expert system for trees
Kolmanič et al. An algorithm for automatic dormant tree pruning
CN104620879B (zh) 一种基于冠层光分布模拟的树木剪枝优化方法
CN108181814A (zh) 植物生长环境监控方法及装置、计算机存储介质
Deepthi et al. Application of expert systems for agricultural crop disease diagnoses—A review
Tripathy et al. Smart farming based on deep learning approaches
CN109191320A (zh) 一种农业生产管理指导方法及***
Venkatachalam et al. Future IoT Applications using Artificial Intelligence-based Sensors: Agriculture
Geeta et al. Automatic irrigation model powered by smart rain prediction device in India
Kumar et al. Monitoring and accelerating plant growth using IoT and Hydroponics
MORIYUKI et al. Profit models based on the growth dynamics of lettuce populations in a plant factory
CN114066061B (zh) 基于神经网络模型的资源优化配置方法、装置以及设备
Lopez et al. Using L-PEACH for dynamic simulation of source-sink behavior of peach trees: Effects of date of thinning on fruit growth
Ali et al. Design and Implementation of Smart Greenhouse and Experiment in Strawberry Cultivation
Lee et al. A Study on the Interaction Structure of Smart Farm in Controlled Horticulture: Focusing on Plant Production Stage
Pai et al. Observing Environmental Conditions in IoT Based Hydroponics Farming for Better Cucumber Cultivation
Idros et al. Design and IoT Implementation of Smart Greenhouse for Urban Agriculture

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20200207

Termination date: 20210815