CN109583301A - 一种农作物生长过程最优外部种植条件预测方法及装置 - Google Patents
一种农作物生长过程最优外部种植条件预测方法及装置 Download PDFInfo
- Publication number
- CN109583301A CN109583301A CN201811269975.9A CN201811269975A CN109583301A CN 109583301 A CN109583301 A CN 109583301A CN 201811269975 A CN201811269975 A CN 201811269975A CN 109583301 A CN109583301 A CN 109583301A
- Authority
- CN
- China
- Prior art keywords
- plant
- data
- planting
- plantation
- feature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000008569 process Effects 0.000 title claims abstract description 47
- 241000196324 Embryophyta Species 0.000 claims abstract description 107
- 238000012549 training Methods 0.000 claims abstract description 43
- 230000012010 growth Effects 0.000 claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 230000007613 environmental effect Effects 0.000 claims abstract description 12
- 230000008635 plant growth Effects 0.000 claims abstract description 8
- 230000008901 benefit Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 claims description 19
- 241000894007 species Species 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 7
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 230000035784 germination Effects 0.000 claims description 3
- 230000003862 health status Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 3
- 230000002596 correlated effect Effects 0.000 abstract description 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000035800 maturation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种农作物生长过程最优外部种植条件预测方法及装置,通过收集植物物种的相关特征的图片,利用深度学习的卷积神经网络,获取植物图像的深度特征,根据安装在种植棚上面的传感器,动态收集与植物生长相关外部可控条件参数,将收集到的每种品种的种植外部环境条件和植物的每个阶段的生长图片,输入设计的神经网络当中进行关联的训练,并且使用孪生神经网络寻找与新品种相似的品种,根据历史的种植数据可以训练模型寻找出该品种最高种植收益对应的环境条件,根据孪生网络自动根据特征寻找两个特征最相似的品种,使得条件预测的过程完全自动化,节省了大量的人工成本和时间复杂度,使得运算的速度更高效与稳定。
Description
技术领域
本公开涉及人工智能技术领域,具体涉及一种农作物生长过程最优外部种植条件预测方法及装置。
背景技术
人工智能应用到了农业领域,将把农业从直觉种植改造到数据分析种植,通过实时监控数据,提供最优方案,获得农作物产量收益最大化。利用科学精确的数据为农业提供了新的发展模式,通过在计算机视觉和机器学习领域最新的技术来改善我们的农业种植,利用数据分析来了解作物,提供最优种植方式,并相信这项技术将会对农业产生重要的影响,现有的作物品种繁多,并且品种数量一直在增长,但很多作物没有生长模型供农户在种植时参考,实验测定作物生长模型需要的时间长达几年,甚至数十年,较现实需求滞后太多。传统的植物品种特征都是静态地分类和选择相应的植物种植的模式,实际的情况是植物在不断的生长过程中,需要的外部条件会不断地变化。这时不能及时跟据植物的生长变化不断调整外部的条件促进植物的生长。
发明内容
本公开提供一种农作物生长过程最优外部种植条件预测方法及装置,通过收集植物物种的相关特征的图片,利用深度学习的卷积神经网络,获取植物图像的深度特征,根据安装在种植棚上面的传感器,动态收集与植物生长相关外部可控条件参数,将收集到的每种品种的种植外部环境条件和植物的每个阶段的生长图片,输入设计的神经网络当中进行关联的训练,并且使用孪生神经网络寻找与新品种相似的品种,将该品种的种植方式应用在新品种当中。
为了实现上述目的,根据本公开的一方面,提供一种农作物生长过程最优外部种植条件预测方法,所述方法包括以下步骤:
步骤1,进行植物品种的生长过程的图像采集;
步骤2,积累品种的种植环境的数据和种植的效益向量数据作为训练网络模型的数据样本,并且将最好的种植数据和种植效益数据存放在数据库当中以便查找引用;
步骤3,将收集到的植物种植过程的图片训练卷积神经网络获取植物的特征,将卷积神经网络训练出来的特征和每个点对于的环境因素向量作为输入数据放进LSTM递归神经网络中进行训练,得出的是种植的效益向量;
步骤4,将获取新物种的植物图像特征和已有图像库的图像放进孪生网络模型当中进行模型的训练,寻找相似度最高的品种;
步骤5,在数据中查找相似度最高的品种的种植数据,然后将种植数据输出。
进一步地,在步骤1中,所述进行植物品种的生长过程的图像采集为从植物的发芽到死亡,每天定时拍摄50张作物的植物生长图片,随机选出植物品种从幼苗,成熟,开花,结果,凋零每个阶段的生长图片的20张,作为训练的数据样本。
进一步地,在步骤2中,在收集植物生长图片的时刻,将生长环境的相关传感器的参数记录下来,收集相关的生长环境的参数包括:空气的湿度、空气二氧化碳的含量、光照的强大、光照时间长度、土壤的湿度、土壤微元素的含量的环境参数,并且记录了当时植物的健康状况、产量状况、生长的速度情况等等作为植物品种的种植效益。这里使用一个向量进行表达称为种植效益向量。使用这个向量来表达植物品种在当前种植环境下的状态。向量的每个值使用0-1区间表示,值越大表示种植的效益越理想,植物的每个关键生长结点的每个最优种植效益向量下,环境条件向量序列,定义为该作物的最优种植方案。
进一步地,在步骤2中,数据样本包括三类数据,第一类是作物生长过程的图像集合,第二类是生长的环境向量,第三类是种植的效益向量,第三类用于预测作物种植方案下的种植效益,将种植的品种、对应的最优的种植方案和种植的效益向量等等这些数据放在数据库当中进行存储。这个数据库随着种植实践不断地进行更新。
进一步地,在步骤3中,将收集到的植物种植过程的图片训练卷积神经网络获取植物的特征的方法为,将卷积神经网络训练出来的特征和每个点对于的生长环境参数向量作为输入数据放进LSTM递归神经网络中进行训练,训练的结果标签是该品种的种植的最好效益向量。
进一步地,在步骤3中,将植物品种的生长过程的图像数据分为训练数据集和测试数据集,使用训练数据来训练卷积神经网络,然后对图片进行特征的抽取,特征即卷积操作的特征,所述卷积神经网络为VGGNet(深度卷积神经网络),包括5段卷积,每一段内有2~3个卷积层,同时每段尾部会连接一个最大池化层用来缩小图片尺寸,每段内的卷积核数量一样,越靠后的段的卷积核数量越多:64-128-256-512-512,其中经常出现多个完全一样的3*3的卷积层堆叠在一起的情况,两个3*3的卷积层串联相当于1个5*5的卷积层,即一个像素会跟周围5*5的像素产生关联,可以说感受野大小为5*5,感受野即卷积操作的有效区域,而3个3*3的卷积层串联的效果则相当于1个7*7的卷积层,除此之外,3个串联的3*3的卷积层,拥有比1个7*7的卷积层更少的参数量,只有后者的(3*3*3)/(7*7)=55%。最重要的是,3个3*3的卷积层拥有比1个7*7的卷积层更多的非线性变换,前者可以使用三次ReLU激活函数,而后者只有一次,使得CNN对特征的学习能力更强。
进一步地,在步骤4中,将获取新物种的植物图像特征和已有图像库的图像放进孪生网络模型当中进行模型的训练,寻找相似度最高的品种的方法为,为给定一组图像的映射函数Gw(x),其中参数为W,目的就是去找一组参数W,使得当X1和X2属于同一个类别的图像时候,所述X1和X2为新物种的植物图像特征和已有图像库的图像,相似性度Ew(X1、X2)是一个较小的值,当X1和X2属于不同的类别的图像时候,相似性度量Ew(X1、X2)为最高,用训练集中的成对样本进行训练,当X1和X2来自相同类别的时候,最小化损失函数Ew(X1、X2),当X1和X2来自不同类别的时候,最大化Ew(X1,X2),这里的Gw(X)除了需要可微外不需要任何的前提假设,因为针对成对样本输入,这里两个相同的函数G,拥有一份相同的参数W,即这个结构是对称的。
进一步地,在步骤5中,所述相似度最高的品种的种植数据为将新物种的生长过程的关键图片和之前品种生长过程的图片放进孪生神经网络当中,进行形似度的比较,得到最相似的品种,然后使用该品种的种植方案对植物进行种植,通过输入映射到目标空间,在目标空间使用简单的距离进行对比相似度,距离即欧式距离,在训练阶段去最小化来自相同类别的一对样本的损失函数值,最大化来自不同类别的一堆样本的损失函数值。
本发明还提供了一种农作物生长过程最优外部种植条件预测装置,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的单元中:
植物图像采集单元,用于进行植物品种的生长过程的图像采集;
数据样本积累单元,用于积累品种的种植环境的数据和种植的效益向量数据作为训练网络模型的数据样本,并且将最好的种植数据和种植效益数据存放在数据库当中以便查找引用;
卷积特征单提取单元,用于将收集到的植物种植过程的图片训练卷积神经网络获取植物的特征,将卷积神经网络训练出来的特征和每个点对于的环境因素向量作为输入数据放进LSTM递归神经网络中进行训练,得出的是种植的效益向量;
相似度寻找单元,用于将获取新物种的植物图像特征和已有图像库的图像放进孪生网络模型当中进行模型的训练,寻找相似度最高的品种;
种植数据输出单元,用于在数据中查找相似度最高的品种的种植数据,然后将种植数据输出。
本公开的有益效果为:本发明提供一种农作物生长过程最优外部种植条件预测方法及装置,根据历史的种植数据可以训练模型寻找出该品种最高种植收益对应的环境条件,根据孪生网络自动根据特征寻找两个特征最相似的品种,使得条件预测的过程完全自动化,节省了大量的人工成本和时间复杂度,使得运算的速度更高效与稳定。
附图说明
通过对结合附图所示出的实施方式进行详细说明,本公开的上述以及其他特征将更加明显,本公开附图中相同的参考标号表示相同或相似的元素,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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,在附图中:
图1所示为一种农作物生长过程最优外部种植条件预测方法的流程图;
图2所示为一种农作物生长过程最优外部种植条件预测装置图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本公开的目的、方案和效果。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为根据本公开的一种农作物生长过程最优外部种植条件预测方法的流程图,下面结合图1来阐述根据本公开的实施方式的一种农作物生长过程最优外部种植条件预测方法。
本公开提出一种农作物生长过程最优外部种植条件预测方法,具体包括以下步骤:
步骤1,进行植物品种的生长过程的图像采集;
步骤2,积累品种的种植环境的数据和种植的效益向量数据作为训练网络模型的数据样本,并且将最好的种植数据和种植效益数据存放在数据库当中以便查找引用;
步骤3,将收集到的植物种植过程的图片训练卷积神经网络获取植物的特征,将卷积神经网络训练出来的特征和每个点对于的环境因素向量作为输入数据放进LSTM递归神经网络中进行训练,得出的是种植的效益向量;
步骤4,将获取新物种的植物图像特征和已有图像库的图像放进孪生网络模型当中进行模型的训练,寻找相似度最高的品种;
步骤5,在数据中查找相似度最高的品种的种植数据,然后将种植数据输出。
进一步地,在步骤1中,所述进行植物品种的生长过程的图像采集为从植物的发芽到死亡,每天定时拍摄50张作物的植物生长图片,随机选出植物品种从幼苗,成熟,开花,结果,凋零每个阶段的生长图片的20张,作为训练的数据样本。
进一步地,在步骤2中,在收集植物生长图片的时刻,将生长环境的相关传感器的参数记录下来,收集相关的生长环境的参数包括:空气的湿度、空气二氧化碳的含量、光照的强大、光照时间长度、土壤的湿度、土壤微元素的含量的环境参数,并且记录了当时植物的健康状况、产量状况、生长的速度情况等等作为植物品种的种植效益。这里使用一个向量进行表达称为种植效益向量。使用这个向量来表达植物品种在当前种植环境下的状态。向量的每个值使用0-1区间表示,值越大表示种植的效益越理想,植物的每个关键生长结点的每个最优种植效益向量下,环境条件向量序列,定义为该作物的最优种植方案。
进一步地,在步骤2中,数据样本包括三类数据,第一类是作物生长过程的图像集合,第二类是生长的环境向量,第三类是种植的效益向量,第三类用于预测作物种植方案下的种植效益,将种植的品种、对应的最优的种植方案和种植的效益向量等等这些数据放在数据库当中进行存储。这个数据库随着种植实践不断地进行更新。
进一步地,在步骤3中,将收集到的植物种植过程的图片训练卷积神经网络获取植物的特征的方法为,将卷积神经网络训练出来的特征和每个点对于的生长环境参数向量作为输入数据放进LSTM递归神经网络中进行训练,训练的结果标签是该品种的种植的最好效益向量。
进一步地,在步骤3中,将植物品种的生长过程的图像数据分为训练数据集和测试数据集,使用训练数据来训练卷积神经网络,然后对图片进行特征的抽取,特征即卷积操作的特征,所述卷积神经网络为VGGNet(深度卷积神经网络),包括5段卷积,每一段内有2~3个卷积层,同时每段尾部会连接一个最大池化层用来缩小图片尺寸,每段内的卷积核数量一样,越靠后的段的卷积核数量越多:64-128-256-512-512,其中经常出现多个完全一样的3*3的卷积层堆叠在一起的情况,两个3*3的卷积层串联相当于1个5*5的卷积层,即一个像素会跟周围5*5的像素产生关联,可以说感受野大小为5*5,感受野即卷积操作的有效区域,而3个3*3的卷积层串联的效果则相当于1个7*7的卷积层,除此之外,3个串联的3*3的卷积层,拥有比1个7*7的卷积层更少的参数量,只有后者的(3*3*3)/(7*7)=55%。最重要的是,3个3*3的卷积层拥有比1个7*7的卷积层更多的非线性变换,前者可以使用三次ReLU激活函数,而后者只有一次,使得CNN对特征的学习能力更强。
进一步地,在步骤4中,将获取新物种的植物图像特征和已有图像库的图像放进孪生网络模型当中进行模型的训练,寻找相似度最高的品种的方法为,为给定一组图像的映射函数Gw(x),其中参数为W,目的就是去找一组参数W,使得当X1和X2属于同一个类别的图像时候,所述X1和X2为新物种的植物图像特征和已有图像库的图像,相似性度Ew(X1、X2)是一个较小的值,当X1和X2属于不同的类别的图像时候,相似性度量Ew(X1、X2)为最高,用训练集中的成对样本进行训练,当X1和X2来自相同类别的时候,最小化损失函数Ew(X1、X2),当X1和X2来自不同类别的时候,最大化Ew(X1,X2),这里的Gw(X)除了需要可微外不需要任何的前提假设,因为针对成对样本输入,这里两个相同的函数G,拥有一份相同的参数W,即这个结构是对称的。
进一步地,在步骤5中,所述相似度最高的品种的种植数据为将新物种的生长过程的关键图片和之前品种生长过程的图片放进孪生神经网络当中,进行形似度的比较,得到最相似的品种,然后使用该品种的种植方案对植物进行种植,通过输入映射到目标空间,在目标空间使用简单的距离进行对比相似度,距离即欧式距离,在训练阶段去最小化来自相同类别的一对样本的损失函数值,最大化来自不同类别的一堆样本的损失函数值。
本公开的实施例提供的一种农作物生长过程最优外部种植条件预测装置,如图2所示为本公开的一种农作物生长过程最优外部种植条件预测装置图,该实施例的一种农作物生长过程最优外部种植条件预测装置包括:处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述一种农作物生长过程最优外部种植条件预测装置实施例中的步骤。
所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的单元中:
植物图像采集单元,用于进行植物品种的生长过程的图像采集;
数据样本积累单元,用于积累品种的种植环境的数据和种植的效益向量数据作为训练网络模型的数据样本,并且将最好的种植数据和种植效益数据存放在数据库当中以便查找引用;
卷积特征单提取单元,用于将收集到的植物种植过程的图片训练卷积神经网络获取植物的特征,将卷积神经网络训练出来的特征和每个点对于的环境因素向量作为输入数据放进LSTM递归神经网络中进行训练,得出的是种植的效益向量;
相似度寻找单元,用于将获取新物种的植物图像特征和已有图像库的图像放进孪生网络模型当中进行模型的训练,寻找相似度最高的品种;
种植数据输出单元,用于在数据中查找相似度最高的品种的种植数据,然后将种植数据输出。
所述一种农作物生长过程最优外部种植条件预测装置可以运行于桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备中。所述一种农作物生长过程最优外部种植条件预测装置,可运行的装置可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,所述例子仅仅是一种农作物生长过程最优外部种植条件预测装置的示例,并不构成对一种农作物生长过程最优外部种植条件预测装置的限定,可以包括比例子更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述一种农作物生长过程最优外部种植条件预测装置还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述一种农作物生长过程最优外部种植条件预测装置运行装置的控制中心,利用各种接口和线路连接整个一种农作物生长过程最优外部种植条件预测装置可运行装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述一种农作物生长过程最优外部种植条件预测装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
尽管本公开的描述已经相当详尽且特别对几个所述实施例进行了描述,但其并非旨在局限于任何这些细节或实施例或任何特殊实施例,而是应当将其视作是通过参考所附权利要求考虑到现有技术为这些权利要求提供广义的可能性解释,从而有效地涵盖本公开的预定范围。此外,上文以发明人可预见的实施例对本公开进行描述,其目的是为了提供有用的描述,而那些目前尚未预见的对本公开的非实质性改动仍可代表本公开的等效改动。
Claims (9)
1.一种农作物生长过程最优外部种植条件预测方法,其特征在于,所述方法包括以下步骤:
步骤1,进行植物品种的生长过程的图像采集;
步骤2,积累品种的种植环境的数据和种植的效益向量数据作为训练网络模型的数据样本,并且将最好的种植数据和种植效益数据存放在数据库当中以便查找引用;
步骤3,将收集到的植物种植过程的图片训练卷积神经网络获取植物的特征,将卷积神经网络训练出来的特征和每个点对于的环境因素向量作为输入数据放进LSTM递归神经网络中进行训练,得出的是种植的效益向量;
步骤4,将获取新物种的植物图像特征和已有图像库的图像放进孪生网络模型当中进行模型的训练,寻找相似度最高的品种;
步骤5,在数据中查找相似度最高的品种的种植数据,然后将种植数据输出。
2.根据权利要求1所述的一种农作物生长过程最优外部种植条件预测方法,其特征在于,在步骤1中,所述进行植物品种的生长过程的图像采集为从植物的发芽到死亡,每天定时拍摄50张作物的植物生长图片,随机选出植物品种从幼苗,成熟,开花,结果,凋零每个阶段的生长图片的20张,作为训练的数据样本。
3.根据权利要求1所述的一种农作物生长过程最优外部种植条件预测方法,其特征在于,在步骤2中,在收集植物生长图片的时刻,将生长环境的相关传感器的参数记录下来,收集相关的生长环境的参数包括:空气的湿度、空气二氧化碳的含量、光照的强大、光照时间长度、土壤的湿度、土壤微元素的含量的环境参数,并且记录了当时植物的健康状况、产量状况、生长的速度情况作为植物品种的种植效益,这里使用一个向量进行表达称为种植效益向量,向量用来表达植物品种在当前种植环境下的状态,向量的每个值使用0-1区间表示。
4.根据权利要求1所述的一种农作物生长过程最优外部种植条件预测方法,其特征在于,在步骤2中,数据样本包括三类数据,第一类是作物生长过程的图像集合,第二类是生长的环境向量,第三类是种植的效益向量,第三类用于预测作物种植方案下的种植效益,将种植的品种、对应的最优的种植方案和种植的效益向量数据放在数据库当中进行存储。
5.根据权利要求1所述的一种农作物生长过程最优外部种植条件预测方法,其特征在于,在步骤3中,将收集到的植物种植过程的图片训练卷积神经网络获取植物的特征的方法为,将卷积神经网络训练出来的特征和每个点对于的生长环境参数向量作为输入数据放进LSTM递归神经网络中进行训练,训练的结果标签是该品种的种植的最好效益向量。
6.根据权利要求1所述的一种农作物生长过程最优外部种植条件预测方法,其特征在于,在步骤3中,将植物品种的生长过程的图像数据分为训练数据集和测试数据集,使用训练数据来训练卷积神经网络,然后对图片进行特征的抽取,特征即卷积操作的特征,所述卷积神经网络为VGGNet,包括5段卷积,每一段内有2~3个卷积层,同时每段尾部会连接一个最大池化层用来缩小图片尺寸,每段内的卷积核数量一样,越靠后的段的卷积核数量越多。
7.根据权利要求1所述的一种农作物生长过程最优外部种植条件预测方法,其特征在于,在步骤4中,将获取新物种的植物图像特征和已有图像库的图像放进孪生网络模型当中进行模型的训练,寻找相似度最高的品种的方法为,为给定一组图像的映射函数Gw(x),其中参数为W,目的就是去找一组参数W,使得当X1和X2属于同一个类别的图像时候,所述X1和X2为新物种的植物图像特征和已有图像库的图像,相似性度Ew(X1、X2)是一个较小的值,当X1和X2属于不同的类别的图像时候,相似性度量Ew(X1、X2)为最高,用训练集中的成对样本进行训练,当X1和X2来自相同类别的时候,最小化损失函数Ew(X1、X2),当X1和X2来自不同类别的时候,最大化Ew(X1,X2),这里的Gw(X)除了需要可微外不需要任何的前提假设,因为针对成对样本输入,这里两个相同的函数G,拥有一份相同的参数W,即这个结构是对称的。
8.根据权利要求1所述的一种农作物生长过程最优外部种植条件预测方法,其特征在于,在步骤5中,所述相似度最高的品种的种植数据为将新物种的生长过程的关键图片和之前品种生长过程的图片放进孪生神经网络当中,进行形似度的比较,得到最相似的品种,然后使用该品种的种植方案对植物进行种植,通过输入映射到目标空间,在目标空间使用简单的距离进行对比相似度,距离即欧式距离,在训练阶段去最小化来自相同类别的一对样本的损失函数值,最大化来自不同类别的一堆样本的损失函数值。
9.一种农作物生长过程最优外部种植条件预测装置,其特征在于,所述装置包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序运行在以下装置的单元中:
植物图像采集单元,用于进行植物品种的生长过程的图像采集;
数据样本积累单元,用于积累品种的种植环境的数据和种植的效益向量数据作为训练网络模型的数据样本,并且将最好的种植数据和种植效益数据存放在数据库当中以便查找引用;
卷积特征单提取单元,用于将收集到的植物种植过程的图片训练卷积神经网络获取植物的特征,将卷积神经网络训练出来的特征和每个点对于的环境因素向量作为输入数据放进LSTM递归神经网络中进行训练,得出的是种植的效益向量;
相似度寻找单元,用于将获取新物种的植物图像特征和已有图像库的图像放进孪生网络模型当中进行模型的训练,寻找相似度最高的品种;
种植数据输出单元,用于在数据中查找相似度最高的品种的种植数据,然后将种植数据输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811269975.9A CN109583301B (zh) | 2018-10-29 | 2018-10-29 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811269975.9A CN109583301B (zh) | 2018-10-29 | 2018-10-29 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109583301A true CN109583301A (zh) | 2019-04-05 |
CN109583301B CN109583301B (zh) | 2021-08-31 |
Family
ID=65920702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811269975.9A Active CN109583301B (zh) | 2018-10-29 | 2018-10-29 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109583301B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110024648A (zh) * | 2019-04-11 | 2019-07-19 | 哈尔滨工业大学 | 基于深度神经网络的川贝母精准种植方法 |
CN110083190A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测*** |
CN110262435A (zh) * | 2019-07-16 | 2019-09-20 | 河海大学常州校区 | 基于大数据分析的智慧大棚控制***及方法 |
CN111027375A (zh) * | 2019-10-29 | 2020-04-17 | 厦门迈信物联科技股份有限公司 | 一种植物生长品质自动识别方法 |
CN111783946A (zh) * | 2020-06-23 | 2020-10-16 | 珠海格力电器股份有限公司 | 基于图像处理的植物养料自动分离方法、装置及电子设备 |
CN112070241A (zh) * | 2020-09-11 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 基于机器学习模型的植物生长预测方法、装置和设备 |
CN112232549A (zh) * | 2020-09-21 | 2021-01-15 | 中国农业科学院农业信息研究所 | 一种智能农产品数据预测方法及*** |
CN112783228A (zh) * | 2020-12-31 | 2021-05-11 | 遵义师范学院 | 基于神经网络的大型温棚pd控制***及方法 |
CN113408374A (zh) * | 2021-06-02 | 2021-09-17 | 湖北工程学院 | 基于人工智能的产量预估方法、装置、设备及存储介质 |
CN113469112A (zh) * | 2021-07-19 | 2021-10-01 | 三门峡市扶贫开发办公室 | 农作物生长状况图像识别方法及*** |
CN114298615A (zh) * | 2022-03-09 | 2022-04-08 | 浙江大学 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
CN116452358A (zh) * | 2023-03-07 | 2023-07-18 | 陕西天霖瑞腾网络科技有限公司 | 基于物联网的智慧农业管理*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446434A (zh) * | 2016-09-30 | 2017-02-22 | 深圳前海弘稼科技有限公司 | 一种可种植植物确定方法及装置 |
CN107239514A (zh) * | 2017-05-19 | 2017-10-10 | 邓昌顺 | 一种基于卷积神经网络的植物识别方法及*** |
US20170323202A1 (en) * | 2016-05-06 | 2017-11-09 | Fujitsu Limited | Recognition apparatus based on deep neural network, training apparatus and methods thereof |
CN108388888A (zh) * | 2018-03-23 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
-
2018
- 2018-10-29 CN CN201811269975.9A patent/CN109583301B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170323202A1 (en) * | 2016-05-06 | 2017-11-09 | Fujitsu Limited | Recognition apparatus based on deep neural network, training apparatus and methods thereof |
CN106446434A (zh) * | 2016-09-30 | 2017-02-22 | 深圳前海弘稼科技有限公司 | 一种可种植植物确定方法及装置 |
CN107239514A (zh) * | 2017-05-19 | 2017-10-10 | 邓昌顺 | 一种基于卷积神经网络的植物识别方法及*** |
CN108388888A (zh) * | 2018-03-23 | 2018-08-10 | 腾讯科技(深圳)有限公司 | 一种车辆识别方法、装置和存储介质 |
CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
Non-Patent Citations (1)
Title |
---|
仝志民 等: "基于过程神经网络的农作物生长预测算法研究", 《黑龙江八一农垦大学学报》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110024648A (zh) * | 2019-04-11 | 2019-07-19 | 哈尔滨工业大学 | 基于深度神经网络的川贝母精准种植方法 |
CN110083190A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于减法聚类分类器的青椒温室环境智能监测*** |
CN110262435A (zh) * | 2019-07-16 | 2019-09-20 | 河海大学常州校区 | 基于大数据分析的智慧大棚控制***及方法 |
CN111027375A (zh) * | 2019-10-29 | 2020-04-17 | 厦门迈信物联科技股份有限公司 | 一种植物生长品质自动识别方法 |
CN111783946A (zh) * | 2020-06-23 | 2020-10-16 | 珠海格力电器股份有限公司 | 基于图像处理的植物养料自动分离方法、装置及电子设备 |
CN112070241A (zh) * | 2020-09-11 | 2020-12-11 | 腾讯科技(深圳)有限公司 | 基于机器学习模型的植物生长预测方法、装置和设备 |
CN112232549A (zh) * | 2020-09-21 | 2021-01-15 | 中国农业科学院农业信息研究所 | 一种智能农产品数据预测方法及*** |
CN112232549B (zh) * | 2020-09-21 | 2024-07-23 | 中国农业科学院农业信息研究所 | 一种智能农产品数据预测方法及*** |
CN112783228B (zh) * | 2020-12-31 | 2022-03-22 | 遵义师范学院 | 基于神经网络的大型温棚pd控制***及方法 |
CN112783228A (zh) * | 2020-12-31 | 2021-05-11 | 遵义师范学院 | 基于神经网络的大型温棚pd控制***及方法 |
CN113408374A (zh) * | 2021-06-02 | 2021-09-17 | 湖北工程学院 | 基于人工智能的产量预估方法、装置、设备及存储介质 |
CN113408374B (zh) * | 2021-06-02 | 2022-09-23 | 湖北工程学院 | 基于人工智能的产量预估方法、装置、设备及存储介质 |
CN113469112B (zh) * | 2021-07-19 | 2022-06-21 | 三门峡市乡村振兴局 | 农作物生长状况图像识别方法及*** |
CN113469112A (zh) * | 2021-07-19 | 2021-10-01 | 三门峡市扶贫开发办公室 | 农作物生长状况图像识别方法及*** |
CN114298615A (zh) * | 2022-03-09 | 2022-04-08 | 浙江大学 | 一种农作物种植风险预防方法、装置、存储介质和设备 |
CN116452358A (zh) * | 2023-03-07 | 2023-07-18 | 陕西天霖瑞腾网络科技有限公司 | 基于物联网的智慧农业管理*** |
CN116452358B (zh) * | 2023-03-07 | 2024-06-07 | 东莞市众冠网络科技有限公司 | 基于物联网的智慧农业管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN109583301B (zh) | 2021-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583301A (zh) | 一种农作物生长过程最优外部种植条件预测方法及装置 | |
Li et al. | A high-precision detection method of hydroponic lettuce seedlings status based on improved Faster RCNN | |
Kong et al. | Multi-stream hybrid architecture based on cross-level fusion strategy for fine-grained crop species recognition in precision agriculture | |
Yalcin | Plant phenology recognition using deep learning: Deep-Pheno | |
Lachgar et al. | Optimization techniques in deep convolutional neuronal networks applied to olive diseases classification | |
Farjon et al. | Deep-learning-based counting methods, datasets, and applications in agriculture: A review | |
Pratama et al. | Deep learning-based object detection for crop monitoring in soybean fields | |
Veeragandham et al. | A review on the role of machine learning in agriculture | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量*** | |
Aravind et al. | Disease classification in Solanum melongena using deep learning | |
Pandey et al. | Smart agriculture: Technological advancements on agriculture—A systematical review | |
Singh et al. | Semantic segmentation of in-field cotton bolls from the sky using deep convolutional neural networks | |
Wu et al. | Meta‐learning shows great potential in plant disease recognition under few available samples | |
Zhang et al. | YOLO-VOLO-LS: a novel method for variety identification of early lettuce seedlings | |
Zhang et al. | Automatic counting of lettuce using an improved YOLOv5s with multiple lightweight strategies | |
Abbas et al. | An Artificial Intelligence Framework for Disease Detection in Potato Plants | |
Badgujar et al. | Agricultural object detection with You Only Look Once (YOLO) Algorithm: A bibliometric and systematic literature review | |
Zualkernan et al. | Machine Learning for Precision Agriculture Using Imagery from Unmanned Aerial Vehicles (UAVs): A Survey. Drones 2023, 7, 382 | |
Charisis et al. | Deep learning-based instance segmentation architectures in agriculture: A review of the scopes and challenges | |
Dinca et al. | Halyomorpha halys detection in orchard from UAV images using convolutional neural networks | |
AlKameli et al. | Automatic learning in agriculture: a survey | |
Xiao et al. | Phalaenopsis growth phase classification using convolutional neural network | |
Aziz et al. | Chili Ripeness Grading Simulation Using Machine Learning Approach | |
Yuan | AriAplBud: An Aerial Multi-Growth Stage Apple Flower Bud Dataset for Agricultural Object Detection Benchmarking |
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 |