CN109324509A - 信息调控方法、装置及*** - Google Patents
信息调控方法、装置及*** Download PDFInfo
- Publication number
- CN109324509A CN109324509A CN201811058102.3A CN201811058102A CN109324509A CN 109324509 A CN109324509 A CN 109324509A CN 201811058102 A CN201811058102 A CN 201811058102A CN 109324509 A CN109324509 A CN 109324509A
- Authority
- CN
- China
- Prior art keywords
- plant
- growth
- recognition result
- image
- lesion
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例公开了一种信息调控方法，该方法包括：通过高光谱相机采集植物的生长图像；基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果；若所述识别结果表明所述植物发生病变，则对所述植物的生长要素进行调控。本发明实施例能够及早地发现植物内部是否发生病变，以便在最佳时机及时地对植物的生长要素进行调控。
Description
技术领域
本发明涉及智能设备技术领域，尤其涉及一种信息调控方法、装置及***。
背景技术
随着农业技术的发展，越来越多的经济作物和瓜果蔬菜进入了室内种植，室内种植实现了立体化、集中化、生长环境的可控。
目前，在植物的生长过程中，通常可以通过人工或普通相机成像的方式来对植物进行检测，以便能发现植物的生长态势是否出现问题。
然而，实践中发现，由于人工检测或普通相机成像检测，只能通过植物的外表分辨出植物是否已经发生病变，这样一般是在植物病变比较严重，甚至在植物病变扩大后才能发现问题，这很大程度上已经失去了对植物病变进行治疗的最佳时机。
因此，现有技术中针对植物的生长态势进行检测的方式无法及早地发现植物是否发生病变，从而失去了对植物病变进行治疗的最佳时机。
发明内容
基于此，为解决现有技术中针对植物的生长态势进行检测的方式无法及早地发现植物是否发生病变而失去了对植物病变进行治疗的最佳时机的技术问题，特提出了一种信息调控方法。
一种信息调控方法，包括：
通过高光谱相机采集植物的生长图像；
基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果；
若所述识别结果表明所述植物发生病变，则对所述植物的生长要素进行调控；
其中，所述植物的生长要素处于实时监控的状态。
在其中一个实施例中，所述基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果包括：
将所述生长图像输入至预先训练好的人工神经网络模型；
通过所述人工神经网络模型对所述生长图像进行分类，获得所述植物的识别结果。
在其中一个实施例中，若所述识别结果表明所述植物发生病变，则对所述植物的生长要素进行调控包括：
若所述识别结果表明所述植物发生病变，则确定所述病变的类型；
根据所述病变的类型，对所述植物的生长要素进行调控。
在其中一个实施例中，所述方法还包括：
监测所述植物的生长要素；
判断所述植物的生长要素是否处于标准值的范围内；
若所述植物的生长要素不处于标准值的范围内，则执行所述的通过高光谱相机采集植物的生长图像的步骤。
此外，为解决现有技术中针对植物的生长态势进行检测的方式无法及早地发现植物是否发生病变而失去了对植物病变进行治疗的最佳时机的技术问题，特提出了一种信息调控装置。
一种信息调控装置，包括：
采集模块，用于通过高光谱相机采集植物的生长图像；
识别模块，用于基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果；
调控模块，用于若所述识别结果表明所述植物发生病变，则对所述植物的生长要素进行调控；
其中，所述植物的生长要素处于实时监控的状态。
在其中一个实施例中，所述识别模块基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果包括：
将所述生长图像输入至预先训练好的人工神经网络模型；
通过所述人工神经网络模型对所述生长图像进行分类，获得所述植物的识别结果。
在其中一个实施例中，若所述识别结果表明所述植物发生病变，所述调控模块对所述植物的生长要素进行调控包括：
若所述识别结果表明所述植物发生病变，则确定所述病变的类型；
根据所述病变的类型，对所述植物的生长要素进行调控。
在其中一个实施例中，所述信息调控装置还包括：
监测模块，用于监测所述植物的生长要素；
判断模块，用于判断所述植物的生长要素是否处于标准值的范围内；
采集模块，具体用于若所述判断模块判断所述植物的生长要素不处于标准值的范围内，通过高光谱相机采集植物的生长图像。
此外，为解决现有技术中针对植物的生长态势进行检测的方式无法及早地发现植物是否发生病变而失去了对植物病变进行治疗的最佳时机的技术问题，特提出了一种控制设备。
一种控制设备，所述控制设备包括处理器和存储器，所述处理器执行所述存储器存储的计算机程序以实现所述的信息调控方法。
此外，为解决现有技术中针对植物的生长态势进行检测的方式无法及早地发现植物是否发生病变而失去了对植物病变进行治疗的最佳时机的技术问题，特提出了一种信息控制***。
一种信息控制***，所述信息控制***包括高光谱相机、控制设备、光谱仪、补光装置以及传感器，其中
所述高光谱相机，用于采集植物的生长图像，并将所述生长图像发送至所述控制设备；
所述控制设备，用于基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果；
所述光谱仪，用于探测所述植物接收到的光谱信息；
所述控制设备，还用于根据所述光谱信息，通过所述补光装置给所述植物进行补光；
所述传感器，用于采集所述植物的环境信息；
所述控制设备，还用于若所述识别结果表明所述植物发生病变，根据所述环境信息，对所述植物的生长要素进行调控。
实施本发明实施例，将具有如下有益效果：
采用了上述信息调控方法、装置、设备及***之后，可以通过高光谱相机采集植物的生长图像，其中，该生长图像不仅可以呈现出植物的外形特征，还可以呈现出植物内部的生长状况信息，进一步地，可以基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果，其中，该识别结果可以表明植物是否发生病变，若所述识别结果表明所述植物发生病变，则可以对所述植物的生长要素进行调控。可见，这种方式可以通过植物的高光谱成像信息，并借助人工神经网络模型进行分析，及早地发现植物内部是否发生病变，以便在最佳时机及时地对植物的生长要素进行调控。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例公开的一种信息控制***的示意图；
图2为一个实施例公开的一种信息调控方法的流程示意图；
图3为一个实施例公开的一种高光谱相机成像的示意图；
图4为一个实施例公开的一种人工神经网络模型对植物生长状况进行识别的示意图；
图5为一个实施例公开的另一种信息调控方法的流程示意图；
图6为一个实施例公开的一种信息调控装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例公开了一种信息调控方法、装置及***，可以通过植物的高光谱成像信息，并借助人工神经网络模型进行分析，及早地发现植物内部是否发生病变，以便在最佳时机及时地对植物的生长要素进行调控。以下进行结合附图进行详细描述。
请参阅图1，图1为一个实施例公开的一种信息控制***的示意图。
如图1所示，该信息控制***可以包括：控制设备、高光谱相机11、光谱仪12、补光装置13以及传感器14。此外，图1所示的信息控制***还可以包括导轨装置以及小车等。需要说明的是，图1所示的信息控制***可以包括但不限于图1所示的部件，还可以包括其他的部件，比如电源设备等。
其中，控制设备可以包括但不限于智能手机、笔记本电脑、个人计算机(PersonalComputer，PC)、个人数字助理(Personal Digital Assistant,PDA)、移动互联网设备(Mobile Internet Device，MID)等各类电子设备，其中，该控制设备的操作***可包括但不限于Android操作***、IOS操作***、Symbian(塞班)操作***、Black Berry(黑莓)操作***、Windows Phone8操作***等等，本发明实施例不做限定。
其中，高光谱相机11可以在很宽的光谱波段范围内连续地采集图像，高光谱图像比多光谱图像具有更高的光谱分辨率，通常精度可达到2～3nm。高光谱成像作为一种新型的成像技术，其基本原理是，不同的物质的表面对不同波段的光谱(或者电磁波)具有不同的反射率和折射率。基于此，可以根据不同反射光谱图像获得待测目标更多的特征信息。在成像的过程中，光谱的波段分得越细，得到的物质特征就越多，可以从不同的特征角度反映物体特征情况。因此，高光谱成像能够充分反映植物光谱信息的细微变化。
其中，光谱仪12可以采集植物接收到的光谱信息，为信息控制***调控补光装置提供依据。
其中，补光装置13主要由多个植物补光灯具组成，主要用于为植物补光。该植物补光灯具通常为LED灯具，LED灯具发出的LED光源具有产热低、节能、环保，寿命长，光谱可调节等特点，且LED光源中的RGBW(红绿蓝白)可以实现任意比例调配，使得特定的光谱满足植物某一时期的光照需求。
其中，传感器14可以包括但不限于温度传感器、湿度传感器以及气敏传感器，主要用于测量植物所处环境的环境信息，比如温度、湿度、气味等。
在图1中，高光谱相机11通过云台安装在导轨装置的小车上，小车通过滑轮与导轨连接，高光谱相机11可以对室内植物进行全方位成像；光谱仪12和传感器14均与控制设备连接，光谱仪12和传感器14可以将获取到的信息(比如光谱信息、温度/湿度信息)发送至控制设备，控制设备可以根据接收到的信息对植物的生长要素进行调控，比如通过补光装置13给植物进行补光。
具体的，所述高光谱相机11，用于采集植物的生长图像，并将所述生长图像发送至所述控制设备；所述控制设备，用于基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果；所述光谱仪12，用于探测所述植物接收到的光谱信息；所述控制设备，还用于根据所述光谱信息，通过所述补光装置13给所述植物进行补光；所述传感器14，用于采集所述植物的环境信息；所述控制设备，还用于若所述识别结果表明所述植物发生病变，根据所述环境信息，对所述植物的生长要素进行调控。
在一些应用场景中，图1所描述的信息控制***，控制设备可以通过高光谱相机11采集植物的生长图像，其中，该生长图像不仅可以呈现出植物的外形特征，还可以呈现出植物内部的生长状况信息，进一步地，可以基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果，其中，该识别结果可以表明植物是否发生病变，若所述识别结果表明所述植物发生病变，则可以对所述植物的生长要素进行调控。可见，这种方式可以通过植物的高光谱成像信息，并借助人工神经网络模型进行分析，及早地发现植物内部是否发生病变，以便在最佳时机及时地对植物的生长要素进行调控。
其中，控制设备可以将分析识别的结果发送至云端数据库，通过云端大数据进行分析和处理，以确定对植物生长要素调控的方案是否恰当有效。
在一些应用场景中，图1所描述的信息控制***还可以应用于家庭植物照明装置上，对光照不足的环境下的植物，进行智能光照调节。
在一些应用场景中，图1所描述的信息控制***还可以搭载到手持便携设备(如智能手机、智能手环等)上，应用于卖场(如超市、水果市场)中，诊断蔬菜、水果是否产生病变，而不适合人们食用，这在一定程度上起到食品安全监测的功能。
请参阅图2，图2为一个实施例公开的一种信息调控方法的流程示意图。如图2所示，该信息调控方法可以包括以下步骤：
步骤S201、控制设备通过高光谱相机采集植物的生长图像。
本发明实施例中，高光谱相机所采集的植物的生长图像，不仅可以呈现出植物外形的特征，而且可以成像出植物内部的生长状况信息，如叶子的叶绿素含量变化，初期病变等，这能够快速高效将植物的生长信息反馈至控制设备。
请一并参见图3，图3为一个实施例公开的一种高光谱相机成像的示意图。如图3所示，高光谱相机可以对植物各个生长阶段的多个生长状态进行成像，构成高光谱图像序列，比如果实图像序列、花朵图像序列以及叶片图像序列，通过这些图像序列，能够更好的观察不同时期植物生长状态的细微变化，以便及早地发现植物的内部是否发生病变。
步骤S202、基于人工神经网络模型，控制设备对所述生长图像进行识别，获得所述植物的识别结果。
具体的，所述基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果包括：
将所述生长图像输入至预先训练好的人工神经网络模型；
通过所述人工神经网络模型对所述生长图像进行分类，获得所述植物的识别结果。
本发明实施例中，采用了基于人工神经网络模型的植物生长状况和病变的训练和识别算法，通过深度神经网络，采集多种不同植物生长状况和病变图像进行训练和识别，经过反复的学习，能够精确判断出植物的生长状况和病变类型。比如：事先按照不同的植物样本分别采集100副以上的图像，其中，这些图像能够反映植物的生长状况或病变，利用深度神经网络，对这些图像进行分类训练，能够得到最优的人工神经网络模型。这些人工神经网络模型能够对植物病变作出精准的判断。在识别时，只需要输入高光谱图像进行分类检测，就可以获得所述植物的识别结果，该识别结果比如叶片良好、叶片偏黄、叶片偏小以及虫害等。
请一并参见图4，图4为一个实施例公开的一种人工神经网络模型对植物生长状况进行识别的示意图。如图4所示，将高光谱相机所成的叶片图像输入预先训练好的人工神经网络模型，经过人工神经网络模型的分类检测，就可以得到输出结果(即识别结果)，如良好、偏黄、偏小以及虫害等，图4中的矩形表示每个输出结果所占的概率，从图4中可以看出，通常，叶片良好的概率较大，而叶片有虫害的概率较小。
步骤S203、若所述识别结果表明所述植物发生病变，控制设备对所述植物的生长要素进行调控。
其中，所述植物的生长要素处于实时监控的状态，这样可以提高生长要素的调控时机，以免产生过度补偿的厚度而使植物进入另一种病变。
具体的，所述若所述识别结果表明所述植物发生病变，则对所述植物的生长要素进行调控包括：
若所述识别结果表明所述植物发生病变，则确定所述病变的类型；
根据所述病变的类型，对所述植物的生长要素进行调控。
其中，植物发生病变通常有多种病变类型，比如变色型，通常表现为叶片为淡绿色，黄色甚至白色，又比如萎蔫型，通常植物表现为失水状态，又比如坏死型，通常植物表现为腐烂、溃疡以及斑点等。
其中，所述植物的生长要素可以包括但不限于营养元素、水分、光照、温度以及湿度。
本发明实施例中，控制设备在确定所述病变的类型之后，就可以根据所述病变的类型，对所述植物的生长要素进行调控。比如：在确定植物病变的类型为变色型(如叶片变黄)后，可以控制补光装置对植物进行补光。
其中，实施图2所描述的方法，可以通过高光谱相机采集植物的生长图像，其中，该生长图像不仅可以呈现出植物的外形特征，还可以呈现出植物内部的生长状况信息，进一步地，可以基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果，其中，该识别结果可以表明植物是否发生病变，若所述识别结果表明所述植物发生病变，则可以对所述植物的生长要素进行调控。可见，这种方式可以通过植物的高光谱成像信息，并借助人工神经网络模型进行分析，及早地发现植物内部是否发生病变，以便在最佳时机及时地对植物的生长要素进行调控。
请参阅图5，图5为一个实施例公开的另一种信息调控方法的流程示意图。如图5所示，该信息调控方法可以包括以下步骤：
S501、控制设备监测所述植物的生长要素。
其中，所述植物的生长要素可以包括但不限于营养元素、水分、光照、温度以及湿度。
本发明实施例中，控制设备可以通过各类传感器来检测植物的生长要素，比如可以通过光传感器来监测植物的光照是否充足，又比如可以通过温度传感器来检测植物的温度是否适合。
S502、控制设备判断所述植物的生长要素是否处于标准值的范围内，若否，执行步骤S503，若是，结束本流程。
本发明实施例中，在植物的每个生长阶段，植物所需要的生长要素均有一个标准值，只有符合标准值范围内的生长要素才能满足植物正常生长的需要。比如：辣椒类植物出芽期的适宜温度范围为25～30℃，在适宜温度范围内，辣椒类植物可以正常出芽，否则，温度过高则影响其花芽分化，过低则生长缓慢，均不利于辣椒类植物正常生长。
S503、控制设备通过高光谱相机采集植物的生长图像。
本发明实施例中，控制设备在判断所述植物的生长要素不处于标准值的范围内时，则表明植物的生长有可能出现问题，为了进一步确认，控制设备可以通过高光谱相机采集植物的生长图像，并通过植物的生长图像进行分析识别。
S504、基于人工神经网络模型，控制设备对所述生长图像进行识别，获得所述植物的识别结果。
S505、若所述识别结果表明所述植物发生病变，控制设备对所述植物的生长要素进行调控。
在图5所描述的方法流程中，可以实时监测植物的生长要素是否处于正常水平，若否，可以通过高光谱相机采集植物的生长图像，以判断植物是否发生病变，能够对植物的生长状况以及生长要素进行双向监控，从而能够更好地保证植物长势良好。
请参阅图6，图6为一个实施例公开的一种信息调控装置的结构示意图。如图6所示，其中，图6所描述的信息调控装置可以用于执行图2或图5所描述的信息调控方法中的部分或全部步骤，具体请参见图2或图5中的相关描述，在此不再赘述。如图6所示，该信息调控装置可以包括：
采集模块601，用于通过高光谱相机采集植物的生长图像；
识别模块602，用于基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果；
调控模块603，用于若所述识别结果表明所述植物发生病变，则对所述植物的生长要素进行调控。
作为一种可选的实施方式，所述识别模块602基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果包括：
将所述生长图像输入至预先训练好的人工神经网络模型；
通过所述人工神经网络模型对所述生长图像进行分类，获得所述植物的识别结果。
作为一种可选的实施方式，若所述识别结果表明所述植物发生病变，所述调控模块603对所述植物的生长要素进行调控包括：
若所述识别结果表明所述植物发生病变，则确定所述病变的类型；
根据所述病变的类型，对所述植物的生长要素进行调控。
作为一种可选的实施方式，所述信息调控装置还包括：
监测模块604，用于监测所述植物的生长要素；
判断模块605，用于判断所述植物的生长要素是否处于标准值的范围内；
采集模块601，具体用于若所述判断模块605判断所述植物的生长要素不处于标准值的范围内，通过高光谱相机采集植物的生长图像。
其中，实施图6所描述的信息调控装置，能够通过植物的高光谱成像信息，并借助人工神经网络模型进行分析，及早地发现植物内部是否发生病变，以便在最佳时机及时地对植物的生长要素进行调控。
上述以软件功能模块的形式实现的集成的单元，可以存储在一个计算机可读存储介质中。其中，该计算机可读存储介质可以存储计算机程序，该计算机程序在被处理器执行时，可实现上述各个方法实施例中的步骤。其中，该计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random-Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本发明实施例公开的一种信息调控方法、装置及***进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种信息调控方法，其特征在于，包括：
通过高光谱相机采集植物的生长图像；
基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果；
若所述识别结果表明所述植物发生病变，则对所述植物的生长要素进行调控；
其中，所述植物的生长要素处于实时监控的状态。
2.根据权利要求1所述的方法，其特征在于，所述基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果包括：
将所述生长图像输入至预先训练好的人工神经网络模型；
通过所述人工神经网络模型对所述生长图像进行分类，获得所述植物的识别结果。
3.根据权利要求1所述的方法，其特征在于，若所述识别结果表明所述植物发生病变，则对所述植物的生长要素进行调控包括：
若所述识别结果表明所述植物发生病变，则确定所述病变的类型；
根据所述病变的类型，对所述植物的生长要素进行调控。
4.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：
监测所述植物的生长要素；
判断所述植物的生长要素是否处于标准值的范围内；
若所述植物的生长要素不处于标准值的范围内，则执行所述的通过高光谱相机采集植物的生长图像的步骤。
5.一种信息控制***，其特征在于，所述信息控制***包括高光谱相机、控制设备、光谱仪、补光装置以及传感器，其中
所述高光谱相机，用于采集植物的生长图像，并将所述生长图像发送至所述控制设备；
所述控制设备，用于基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果；
所述光谱仪，用于探测所述植物接收到的光谱信息；
所述控制设备，还用于根据所述光谱信息，通过所述补光装置给所述植物进行补光；
所述传感器，用于采集所述植物的环境信息；
所述控制设备，还用于若所述识别结果表明所述植物发生病变，根据所述环境信息，对所述植物的生长要素进行调控。
6.一种信息调控装置，其特征在于，包括：
采集模块，用于通过高光谱相机采集植物的生长图像；
识别模块，用于基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果；
调控模块，用于若所述识别结果表明所述植物发生病变，则对所述植物的生长要素进行调控；
其中，所述植物的生长要素处于实时监控的状态。
7.根据权利要求6所述的信息调控装置，其特征在于，所述识别模块基于人工神经网络模型，对所述生长图像进行识别，获得所述植物的识别结果包括：
将所述生长图像输入至预先训练好的人工神经网络模型；
通过所述人工神经网络模型对所述生长图像进行分类，获得所述植物的识别结果。
8.根据权利要求6所述的信息调控装置，其特征在于，若所述识别结果表明所述植物发生病变，所述调控模块对所述植物的生长要素进行调控包括：
若所述识别结果表明所述植物发生病变，则确定所述病变的类型；
根据所述病变的类型，对所述植物的生长要素进行调控。
9.根据权利要求6至8任一项所述的信息调控装置，其特征在于，所述信息调控装置还包括：
监测模块，用于监测所述植物的生长要素；
判断模块，用于判断所述植物的生长要素是否处于标准值的范围内；
采集模块，具体用于若所述判断模块判断所述植物的生长要素不处于标准值的范围内，通过高光谱相机采集植物的生长图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811058102.3A CN109324509A (zh) | 2018-09-11 | 2018-09-11 | 信息调控方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811058102.3A CN109324509A (zh) | 2018-09-11 | 2018-09-11 | 信息调控方法、装置及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109324509A true CN109324509A (zh) | 2019-02-12 |
Family
ID=65264942
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811058102.3A Pending CN109324509A (zh) | 2018-09-11 | 2018-09-11 | 信息调控方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109324509A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111638190A (zh) * | 2020-05-09 | 2020-09-08 | 珠海格力电器股份有限公司 | 植物生长监测方法及植物生长柜 |
| CN112867194A (zh) * | 2021-01-18 | 2021-05-28 | 天一智能科技(东莞)有限公司 | 一种led光源的控制方法、控制装置、服务器及介质 |
| WO2023098783A1 (zh) * | 2021-12-02 | 2023-06-08 | 海尔智家股份有限公司 | 操作室内园艺电器中的相机组件的方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993013491A1 (de) * | 1992-01-01 | 1993-07-08 | Robert Massen | Verfahren und anordnung zur optischen qualitätskontrolle und/oder klassifikation von pflanzen |
| CN101329560A (zh) * | 2008-08-01 | 2008-12-24 | 湖南农业大学 | 农业病虫害综合智能管理*** |
| CN101881725A (zh) * | 2010-06-11 | 2010-11-10 | 浙江大学 | 基于反射光谱的大棚作物生长状况自动监测*** |
| CN103134758A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
| CN105021529A (zh) * | 2015-06-11 | 2015-11-04 | 浙江水利水电学院 | 融合光谱和图像信息的作物病虫害识别和区分方法 |
| CN105180018A (zh) * | 2015-10-21 | 2015-12-23 | 广州市光机电技术研究院 | 一种基于组合光谱的led农业照明***及方法 |
| CN106383522A (zh) * | 2016-09-22 | 2017-02-08 | 华南农业大学 | 一种基于虚拟现实的田间农情信息实时监测*** |
| CN106778845A (zh) * | 2016-12-01 | 2017-05-31 | 浙江省柯桥中学 | 一种基于叶色检测的植物生长状况监测方法 |
| CN107392785A (zh) * | 2017-06-30 | 2017-11-24 | 深圳前海弘稼科技有限公司 | 种植参数调控方法和种植参数调控装置 |
| CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及*** |
| CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治*** |
| CN107995306A (zh) * | 2017-12-14 | 2018-05-04 | 柳州市睿亿联电子商务有限公司 | 一种棉花精确种植*** |
| CN108319164A (zh) * | 2017-12-30 | 2018-07-24 | 浙江中睿泽农科技有限公司 | 作物生长环境预测和调控方法 |
| CN108391542A (zh) * | 2018-01-30 | 2018-08-14 | 浙江大学 | 一种自动水肥管理及病害检测的植物培养箱*** |
-
2018
- 2018-09-11 CN CN201811058102.3A patent/CN109324509A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO1993013491A1 (de) * | 1992-01-01 | 1993-07-08 | Robert Massen | Verfahren und anordnung zur optischen qualitätskontrolle und/oder klassifikation von pflanzen |
| CN101329560A (zh) * | 2008-08-01 | 2008-12-24 | 湖南农业大学 | 农业病虫害综合智能管理*** |
| CN101881725A (zh) * | 2010-06-11 | 2010-11-10 | 浙江大学 | 基于反射光谱的大棚作物生长状况自动监测*** |
| CN103134758A (zh) * | 2013-01-29 | 2013-06-05 | 华南农业大学 | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 |
| CN105021529A (zh) * | 2015-06-11 | 2015-11-04 | 浙江水利水电学院 | 融合光谱和图像信息的作物病虫害识别和区分方法 |
| CN105180018A (zh) * | 2015-10-21 | 2015-12-23 | 广州市光机电技术研究院 | 一种基于组合光谱的led农业照明***及方法 |
| CN106383522A (zh) * | 2016-09-22 | 2017-02-08 | 华南农业大学 | 一种基于虚拟现实的田间农情信息实时监测*** |
| CN106778845A (zh) * | 2016-12-01 | 2017-05-31 | 浙江省柯桥中学 | 一种基于叶色检测的植物生长状况监测方法 |
| CN107392785A (zh) * | 2017-06-30 | 2017-11-24 | 深圳前海弘稼科技有限公司 | 种植参数调控方法和种植参数调控装置 |
| CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及*** |
| CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治*** |
| CN107995306A (zh) * | 2017-12-14 | 2018-05-04 | 柳州市睿亿联电子商务有限公司 | 一种棉花精确种植*** |
| CN108319164A (zh) * | 2017-12-30 | 2018-07-24 | 浙江中睿泽农科技有限公司 | 作物生长环境预测和调控方法 |
| CN108391542A (zh) * | 2018-01-30 | 2018-08-14 | 浙江大学 | 一种自动水肥管理及病害检测的植物培养箱*** |
Non-Patent Citations (1)
| Title |
|---|
| 刘思伽 等: "采用二次连续投影法和BP人工神经网络的寒富苹果病害高光谱图像无损检测", 《食品科学》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111638190A (zh) * | 2020-05-09 | 2020-09-08 | 珠海格力电器股份有限公司 | 植物生长监测方法及植物生长柜 |
| CN112867194A (zh) * | 2021-01-18 | 2021-05-28 | 天一智能科技(东莞)有限公司 | 一种led光源的控制方法、控制装置、服务器及介质 |
| CN112867194B (zh) * | 2021-01-18 | 2021-11-30 | 天一智能科技(东莞)有限公司 | 一种led光源的控制方法、控制装置、服务器及介质 |
| WO2023098783A1 (zh) * | 2021-12-02 | 2023-06-08 | 海尔智家股份有限公司 | 操作室内园艺电器中的相机组件的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11445665B2 (en) | Plant treatment based on morphological and physiological measurements | |
| Chen et al. | An AIoT based smart agricultural system for pests detection | |
| Nuske et al. | Automated visual yield estimation in vineyards | |
| Font et al. | Vineyard yield estimation based on the analysis of high resolution images obtained with artificial illumination at night | |
| Bac et al. | Robust pixel-based classification of obstacles for robotic harvesting of sweet-pepper | |
| Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
| CN105548113B (zh) | 一种基于叶绿素荧光和多光谱图像的植物生理监测方法 | |
| Wang et al. | Outdoor color rating of sweet cherries using computer vision | |
| KR20190118562A (ko) | 측정된 물체의 측정 이미지를 포착하는 시스템 및 방법 | |
| Du et al. | Image-based high-throughput detection and phenotype evaluation method for multiple lettuce varieties | |
| Ishak et al. | Image based modeling for oil palm fruit maturity prediction | |
| CN109324509A (zh) | 信息调控方法、装置及*** | |
| US20180373937A1 (en) | Methods and systems for automated micro farming | |
| Wouters et al. | Multispectral detection of floral buds for automated thinning of pear | |
| Ding et al. | Quality and safety inspection of food and agricultural products by LabVIEW IMAQ vision | |
| CN112286263A (zh) | 一种农作物的调控方法、装置、***及通信设备 | |
| Africa et al. | Ripe fruit detection and classification using machine learning | |
| Wouters et al. | Hyperspectral waveband selection for automatic detection of floral pear buds | |
| JP2019191854A (ja) | 画像認識装置、人工授粉システム、およびプログラム | |
| Karki et al. | Classification of strawberry ripeness stages using machine learning algorithms and colour spaces | |
| Negrete | Artificial vision in mexican agriculture for identification of diseases, pests and invasive plants | |
| Muliady et al. | Classification of rice plant nitrogen nutrient status using k-nearest neighbors (k-NN) with light intensity data | |
| Rajkumar et al. | An Adaptive Intelligent Retrieval Approach For Disease And Dissimlarity Detection In Plant Leaves | |
| Buyukarikan et al. | Classification of physiological disorders in apples using deep convolutional neural network under different lighting conditions | |
| Cao | A Low-Cost Depth Imaging Mobile Platform for Canola Phenotyping |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190212 |