CN109828623A - 温室作物情景感知的生产管理方法及装置 - Google Patents
温室作物情景感知的生产管理方法及装置 Download PDFInfo
- Publication number
- CN109828623A CN109828623A CN201811621530.2A CN201811621530A CN109828623A CN 109828623 A CN109828623 A CN 109828623A CN 201811621530 A CN201811621530 A CN 201811621530A CN 109828623 A CN109828623 A CN 109828623A
- Authority
- CN
- China
- Prior art keywords
- monitoring parameters
- parameter
- crop
- context aware
- information
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种温室作物情景感知的生产管理方法及装置,属于作物种植管理技术领域。该方法包括:获取温室作物的监测参数,并对监测参数作预处理;基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息,并基于决策信息进行生产管理。本发明实施例提供的方法,通过取温室作物的监测参数,并对监测参数作预处理。基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息,并基于决策信息进行生产管理。由于可通过感知作物多项生长、生理指标及环境参数并做出相应决策,从而可改变传统温室作物管理方式,以实现温室作物生产、监测及调控智能化,进而提升温室监测数据利用率。
Description
技术领域
本发明实施例涉及作物种植管理技术领域,尤其涉及一种温室作物情景感知的生产管理方法及装置。
背景技术
目前大多根据经验构建控制***以实现温室生产管理,要实现温室生产的自动化及智能化,一方面要有监测数据进行支撑,另一方面还要有决策***做技术保障。在相关技术中,通常是采集作物的双目图像数据和生长环境数据,利用双目立体视觉***对作物进行双目图像拍摄,采集作物的图像数据,同时利用气象墒情监测***监测作物的生长环境数据,包括光照、温度、水分、土壤参数等指标,将两种数据相结合进行大田生产辅助决策。由于上述过程在利用情景感知数据进行决策时,决策所用算法较为单一,从而当情景信息种类增加时,会造成算法过于复杂冗长,不利于开发人员进行维护和升级,增加整体情景感知***的故障率。
发明内容
为了解决上述问题,本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的温室作物情景感知的生产管理方法及装置。
根据本发明实施例的第一方面,提供了一种温室作物情景感知的生产管理方法,包括:
获取温室作物的监测参数,并对监测参数作预处理,监测参数至少包括生长参数、生理参数及环境参数;
基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息,并基于决策信息进行生产管理。
本发明实施例提供的方法,通过取温室作物的监测参数,并对监测参数作预处理。基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息,并基于决策信息进行生产管理。由于可通过感知作物多项生长、生理指标及环境参数并做出相应决策,从而可改变传统温室作物管理方式,以实现温室作物生产、监测及调控智能化,进而提升温室监测数据利用率。
其次,将情景感知方法及理念用于温室作物生产当中,以温室作物的角度实现情景感知决策,可以通过较低的成本实现温室作物反馈的生产管理。另外,由于采用的是情景感知框架模块化设计,从而可根据不同温室环境及条件进行组合,方便日后进行维护及开发,进而实现多级融合以满足更复杂的生产需求。最后,由于是采用深度学习模型作为情景感知的推理机,从而根据深度网络结构及特点,能够同时处理更多种类的情景信息如数值、文本、图像等,且感知结果准确快速,进而可满足***所需的时效性和鲁棒性。
根据本发明实施例的第二方面,提供了一种温室作物情景感知的生产管理装置,包括:
获取模块,用于获取温室作物的监测参数,监测参数至少包括生长参数、生理参数及环境参数;
预处理模块,用于对监测参数作预处理;
情景感知模块,用于基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息;
生产管理模块,用于基于决策信息进行生产管理。
根据本发明实施例的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与处理器通信连接的至少一个存储器,其中:
存储器存储有可被处理器执行的程序指令,处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的温室作物情景感知的生产管理方法。
根据本发明的第四方面,提供了一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的温室作物情景感知的生产管理方法。
应当理解的是,以上的一般描述和后文的细节描述是示例性和解释性的,并不能限制本发明实施例。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的一种温室作物情景感知的生产管理方法的流程示意图;
图2为本发明实施例提供的一种情景感知框架的结构示意图;
图3为本发明实施例提供的一种数据流程示意图;
图4为本发明实施例提供的一种温室作物情景感知的生产管理装置的结构示意图;
图5为本发明实施例提供的一种电子设备的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
目前大多根据经验构建控制***以实现温室生产管理,要实现温室生产的自动化及智能化,一方面要有监测数据进行支撑,另一方面还要有决策***做技术保障。在相关技术中,通常是采集作物的双目图像数据和生长环境数据,利用双目立体视觉***对作物进行双目图像拍摄,采集作物的图像数据,同时利用气象墒情监测***监测作物的生长环境数据,包括光照、温度、水分、土壤参数等指标,将两种数据相结合进行大田生产辅助决策。由于上述过程在利用情景感知数据进行决策时,决策所用算法较为单一,从而当情景信息种类增加时,会造成算法过于复杂冗长,不利于开发人员进行维护和升级,增加整体情景感知***的故障率。
针对上述情形,本发明实施例提供了一种温室作物情景感知的生产管理方法。参见图1,该方法包括:
101、获取温室作物的监测参数,并对监测参数作预处理,监测参数至少包括生长参数、生理参数及环境参数。
其中,生长参数可通过摄像头和/或TOF(Time of Flight,飞行时差)设备获取,生理参数可通过光合测量仪直接测量获取,环境参数可通过布置在温室内集成各类环境传感器的数据采集器监测获取,本发明实施例对此不作具体限定。需要说明的是,在获取到监测参数后,还可以对获取到的数据进行汇总。具体地,生理参数可利用光合测量仪器进行测量并导出数据进行整理。环境参数信息可利用数据采集器内置的GPRS模块传送至数据库实时存储并提供下载服务。生长参数通过图像处理获取。最后,可将获取的各类数据信息整合成CSV格式数据集,以方便融合***直接对其进行感知决策。
102、基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息,并基于决策信息进行生产管理。
本发明实施例提供的方法,通过取温室作物的监测参数,并对监测参数作预处理。基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息,并基于决策信息进行生产管理。由于可通过感知作物多项生长、生理指标及环境参数并做出相应决策,从而可改变传统温室作物管理方式,以实现温室作物生产、监测及调控智能化,进而提升温室监测数据利用率。
其次,将情景感知方法及理念用于温室作物生产当中,以温室作物的角度实现情景感知决策,可以通过较低的成本实现温室作物反馈的生产管理。另外,由于采用的是情景感知框架模块化设计,从而可根据不同温室环境及条件进行组合,方便日后进行维护及开发,进而实现多级融合以满足更复杂的生产需求。最后,由于是采用深度学习模型作为情景感知的推理机,从而根据深度网络结构及特点,能够同时处理更多种类的情景信息如数值、文本、图像等,且感知结果准确快速,进而可满足***所需的时效性和鲁棒性。
基于上述实施例的内容,作为一种可选实施例,生长参数至少包括作物长势参数、株高及冠层叶面积参数;生理参数至少包括作物净光合速率、冠层温度、蒸腾及作物荧光参数;环境参数至少包括空气温度、空气湿度、土壤温度、土壤湿度、光照强度及CO2浓度。
基于上述实施例的内容,作为一种可选实施例,在对监测参数作预处理之前,还包括:基于温室作为的类型,对监测参数进行筛选。其中,信息筛选是为了根据感知的目标不同,选取不同的情景信息作为融合模型的输入,从而增强***的可扩展性和泛化能力,避免信息冗余造成决策干扰。
基于上述实施例的内容,作为一种可选实施例,关于对监测参数作预处理的方式,本发明实施例对此不作具体限定,包括但不限于:去除监测参数中的缺失值参数,将监测参数中的生长参数、生理参数及环境参数进行匹配,并对匹配后的监测参数进行归一化。需要说明的是,这里的归一化过程可以为可选步骤,也即归一化后对数据的融合及决策并不一定是有益的,从而可以人为选择是否需要归一化。
基于上述实施例的内容,作为一种可选实施例,本发明实施例不对基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息的方式作具体限定,包括但不限于:基于深度学习模型,对监测参数进行融合,得到区域情景信息;基于区域情景信息,获取温室整体感知结果;将温室整体感知结果与预设调控决策进行匹配,得到决策信息。
具体地,可先利用数据集训练基于Tensorflow工具包的深度学习模型;将训练完毕模型用作各中间件的推理机,对数据进行融合得到区域情景信息。再将各区域信息以少数服从多数原则给出温室整体感知结果。将感知结果与定制化调控决策或服务进行匹配,得到决策信息。最后,利用决策信息进行温室作物环境调控或提供相应服务。
基于上述实施例的内容,作为一种可选实施例,决策信息至少包括环境调控信息、水肥管理信息及农事操作信息。
基于上述实施例的内容,作为一种可选实施例,深度学习模型是基于宽深神经网络训练得到的。其中,宽深神经网络可利用其深度网络和宽度网络联合训练及联合分类的特点,负责对输入的环境信息、生长信息和生理信息进行精确分类或预测,从而达到数据融合的效果,并根据分类类别提供温室各区域环境状态决策信息,并给出温室环境调控建议。宽深神经网络由宽度(wide)网络和深度(deep)组合而成,wide网络善于处理稀疏特征(如文本特征),deep网络善于处理高维特征(气象等数值特征),对应数学表达式为:式中Y为分类类别标签、SoftMax(·)为多类别分类函数、为原始特征x的交叉乘积转换、b为模型的偏置、Wwide为wide模型的权重向量、Wdeep为deep网络的权重向量。
基于上述实施例中提供的温室作物情景感知的生产管理方法,现结合实际应用场景,给出该方法的具体应用实例。其中,该方法可以根据需求来调整框架的规模和感知类别;情境信息可以选择手动输入或从数据库中爬取,结合情境信息的特征选取合适的推理机进行适宜的框架搭建。
数据获取方面:情境感知所需的情境信息需要通过均匀分布在温室内的数据采集器获取监测数据,监测设备采用温室云环境数据采集器,各数据采集器可安装在三脚架上。每个数据采集器可以测量空气温度、空气相对湿度、土壤温度、土壤湿度、CO2及光照强度,监测数据种类可以根据具体生产需求进行增减,以设定时间间隔(30min)发送到远端云服务器,情境感知***可对接数据库接口获取实时监测数据,管理员也可以手动输入情境信息进行感知。
数据处理方面:数据预处理需根据推理机算法的特点进行相应的选择,进行数据处理前,统一将数据集调整为CSV文件格式,方便进行数据处理和模型感知。在利用宽深神经网络进行温室区域环境状态信息决策时,根据试验效果对比,输入参数无预处理效果会好于归一化及正则化预处理。因此,感知环境状态信息时不采取数据预处理操作。与此同时,管理员可以根据自身生产特点及感知需求,人工选择模型训练集数据中的异常值是否保留,在保留异常数据时,训练后的宽深神经网络可以实现对异常值数据的识别,并根据识别结果给出警告和传感器故障提示等功能。
情境感知框架构建方面:可选取6个数据采集点,从2017年12月23日到2018年1月2日的4858条数据用于模型训练和测试。其中,训练集4009条数据,测试集849条数据。每条数据均为30min间隔、24h连续采集。将下载数据进行类别标记,并将训练集和测试集用于宽深神经网络的构建,模型结构可选择为7-100-50-7,并训练迭代2000步。感知***搭建环境可为MacOS操作***,模型实现可基于Google开源的Tensorflow工具包,编程语言可以为Python,集成开发环境(IDE)可以为集成在Anaconda中的jupyter notebook。
由于该***采用模块化设计,开发或维护人员可根据具体需求增加或删减框架的层级,每一层级均由数据整合、数据处理及情景融合三个模块组成,将层级整体以感知***中间件的方式实现(该中间件即为编程语言中的类)。中间件可对传感器上传的数据进行封装,即将文本数据转换成稀疏数据,将数值数据转换成tensor类型数据。然后利用中间件的推理机对封装后的数据进行情景感知,感知过程即为对输入特征进行分类,后期验证该***分类准确率(正确分类样本数占总分类样本数的比率)可达98.00%,也即验证可以达到预测期望结果。
依据类别提供相应决策信息,并将感知的决策信息传送至应用层,应用层UI设计采用TKinter工具包编程实现,可极大方便情境感知***对其进行调用。***最后依据融合模型的分类结果给出作物当前生长阶段信息、当前环境信息、相应的服务策略及必要的硬件调控建议,最终可实现对温室作物状态的实时感知,使温室生产相关人员清晰明了的掌握温室作物的生长状态及环境信息,并实现自适应调整的效果。
其中,本发明实施例涉及到的情景感知框架可参考图2,本发明实施例提供的方法的数据流程可参考图3。结合上述具体应用实例,上述具体应用实例的效果如下:
第一、利用模块化思想设计针对温室作物的情景感知框架,可实现对不同温室环境及温室条件的兼容,方便对框架的组件进行增添或是删减,对较多情景信息的复杂环境可实现多级感知达到决策信息更加准确的效果,具有很好的泛化能力。
第二、情景感知框架的核心推理机由深度学习模型构成,因深度学习模型的数据处理能力更强,处理特征种类更多,在增减框架组件的同时可以更好地兼容复杂多变的情景信息且,符合模块化设计的要求。
第三、因情景感知方法能够高效准确的决策温室作物的环境或状态,并提供相应的服务及调控机制,可以在减少人力资源的同时提高管理效率,实现温室作物生产的智能化及自动化。
第四、将情景感知与深度学***台中,实现“与植物对话”的高效、节能、最优管理。以植物自身的变化作为改变其生长环境的依据,改变传统环境控制、决策管理方式。
基于上述实施例的内容,本发明实施例还提供了一种温室作物情景感知的生产管理装置,该装置用于执行上述方法实施例中提供的温室作物情景感知的生产管理方法。参见图4,该装置包括:获取模块401、预处理模块402、情景感知模块403及生产管理模块404;其中,
获取模块401,用于获取温室作物的监测参数,监测参数至少包括生长参数、生理参数及环境参数;
预处理模块402,用于对监测参数作预处理;
情景感知模块403,用于基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息;
生产管理模块404,用于基于决策信息进行生产管理。
基于上述实施例的内容,作为一种可选实施例,生长参数至少包括作物长势参数、株高及冠层叶面积参数;生理参数至少包括作物净光合速率、冠层温度、蒸腾及作物荧光参数;环境参数至少包括空气温度、空气湿度、土壤温度、土壤湿度、光照强度及CO2浓度。
基于上述实施例的内容,作为一种可选实施例,该装置还包括:
筛选模块,用于基于温室作为的类型,对监测参数进行筛选。
基于上述实施例的内容,作为一种可选实施例,预处理模块402,用于去除监测参数中的缺失值参数,将监测参数中的生长参数、生理参数及环境参数进行匹配,并对匹配后的监测参数进行归一化。
基于上述实施例的内容,作为一种可选实施例,情景感知模块403,用于基于深度学习模型,对监测参数进行融合,得到区域情景信息;基于区域情景信息,获取温室整体感知结果;将温室整体感知结果与预设调控决策进行匹配,得到决策信息。
基于上述实施例的内容,作为一种可选实施例,决策信息至少包括环境调控信息、水肥管理信息及农事操作信息。
基于上述实施例的内容,作为一种可选实施例,深度学习模型是基于宽深神经网络训练得到的。
本发明实施例提供的装置,通过取温室作物的监测参数,并对监测参数作预处理。基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息,并基于决策信息进行生产管理。由于可通过感知作物多项生长、生理指标及环境参数并做出相应决策,从而可改变传统温室作物管理方式,以实现温室作物生产、监测及调控智能化,进而提升温室监测数据利用率。
其次,将情景感知方法及理念用于温室作物生产当中,以温室作物的角度实现情景感知决策,可以通过较低的成本实现温室作物反馈的生产管理。另外,由于采用的是情景感知框架模块化设计,从而可根据不同温室环境及条件进行组合,方便日后进行维护及开发,进而实现多级融合以满足更复杂的生产需求。最后,由于是采用深度学习模型作为情景感知的推理机,从而根据深度网络结构及特点,能够同时处理更多种类的情景信息如数值、文本、图像等,且感知结果准确快速,进而可满足***所需的时效性和鲁棒性。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行如下方法:获取温室作物的监测参数,并对监测参数作预处理,监测参数至少包括生长参数、生理参数及环境参数;基于深度学***板电脑等,该PC或者该平板电脑可以采集数据并可具有决策控制功能等,本发明实施例对此不作具体限定。
此外,上述的存储器530中的逻辑指令可以通过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介质中。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介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:获取温室作物的监测参数,并对监测参数作预处理,监测参数至少包括生长参数、生理参数及环境参数;基于深度学习模型,对预处理后的监测参数进行情景感知,得到决策信息,并基于决策信息进行生产管理。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种温室作物情景感知的生产管理方法,其特征在于,包括:
获取温室作物的监测参数,并对所述监测参数作预处理,所述监测参数至少包括生长参数、生理参数及环境参数;
基于深度学习模型,对所述预处理后的监测参数进行情景感知,得到决策信息,并基于所述决策信息进行生产管理。
2.根据权利要求1所述的方法,其特征在于,所述生长参数至少包括作物长势参数、株高及冠层叶面积参数;所述生理参数至少包括作物净光合速率、冠层温度、蒸腾及作物荧光参数;所述环境参数至少包括空气温度、空气湿度、土壤温度、土壤湿度、光照强度及CO2浓度。
3.根据权利要求1所述的方法,其特征在于,所述对所述监测参数作预处理之前,还包括:
基于所述温室作为的类型,对所述监测参数进行筛选。
4.根据权利要求1所述的方法,其特征在于,所述对所述监测参数作预处理,包括:
去除所述监测参数中的缺失值参数,将所述监测参数中的生长参数、生理参数及环境参数进行匹配,并对匹配后的监测参数进行归一化。
5.根据权利要求1所述的方法,其特征在于,所述基于深度学习模型,对所述预处理后的监测参数进行情景感知,得到决策信息,包括:
基于深度学习模型,对监测参数进行融合,得到区域情景信息;
基于所述区域情景信息,获取温室整体感知结果;
将所述温室整体感知结果与预设调控决策进行匹配,得到所述决策信息。
6.根据权利要求1所述的方法,其特征在于,所述决策信息至少包括环境调控信息、水肥管理信息及农事操作信息。
7.根据权利要求1至6中任一项所述的方法,其特征在于,所述深度学习模型是基于宽深神经网络训练得到的。
8.一种温室作物情景感知的生产管理装置,其特征在于,包括:
获取模块,用于获取温室作物的监测参数,所述监测参数至少包括生长参数、生理参数及环境参数;
预处理模块,用于对所述监测参数作预处理;
情景感知模块,用于基于深度学习模型,对所述预处理后的监测参数进行情景感知,得到决策信息;
生产管理模块,用于基于所述决策信息进行生产管理。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621530.2A CN109828623B (zh) | 2018-12-28 | 2018-12-28 | 温室作物情景感知的生产管理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811621530.2A CN109828623B (zh) | 2018-12-28 | 2018-12-28 | 温室作物情景感知的生产管理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109828623A true CN109828623A (zh) | 2019-05-31 |
CN109828623B CN109828623B (zh) | 2021-03-12 |
Family
ID=66861167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811621530.2A Active CN109828623B (zh) | 2018-12-28 | 2018-12-28 | 温室作物情景感知的生产管理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109828623B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108879A (zh) * | 2020-01-03 | 2020-05-08 | 华维节水科技集团股份有限公司 | 一种基于专家决策***的茄果类水肥及环境管理方法 |
CN114008644A (zh) * | 2019-06-17 | 2022-02-01 | 拜耳作物科学株式会社 | 信息处理设备以及方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162384A (zh) * | 2006-10-12 | 2008-04-16 | 魏珉 | 人工智能植物生长环境调控专家决策*** |
CN101953287A (zh) * | 2010-08-25 | 2011-01-26 | 中国农业大学 | 基于多数据的作物需水检测***及检测方法 |
US20120108768A1 (en) * | 2007-12-20 | 2012-05-03 | Chevron Phillips Chemical Company Lp | Continuous Catalyst Activator |
KR101173823B1 (ko) * | 2011-07-01 | 2012-08-20 | 연세대학교 산학협력단 | 공동주택의 에너지 사용량 예측 시스템 및 방법 |
CN102736596A (zh) * | 2012-06-11 | 2012-10-17 | 南京农业大学 | 基于作物信息融合的多尺度温室环境控制*** |
CN103914786A (zh) * | 2014-03-10 | 2014-07-09 | 北京农业信息技术研究中心 | 一种大田农业生产情景感知计算方法及装置 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
CN105005234A (zh) * | 2015-06-02 | 2015-10-28 | 哈尔滨工业大学(威海) | 基于zigbee的智能温室环境遥测与控制*** |
CN106326472A (zh) * | 2016-08-31 | 2017-01-11 | 广东京奥信息科技有限公司 | 一种侦查信息完整性验证方法 |
US20170032258A1 (en) * | 2015-07-30 | 2017-02-02 | Ecoation Innovative Solutions Inc. | Systems and methods for crop health monitoring, assessment and prediction |
CN106971160A (zh) * | 2017-03-23 | 2017-07-21 | 西京学院 | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 |
CN108334139A (zh) * | 2018-03-01 | 2018-07-27 | 深圳春沐源控股有限公司 | 一种基于大数据的温室自动化控制的方法及*** |
CN108983849A (zh) * | 2018-07-12 | 2018-12-11 | 沈阳大学 | 一种利用复合极限学习机神经网络控制温室环境方法 |
CN109086826A (zh) * | 2018-08-06 | 2018-12-25 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
-
2018
- 2018-12-28 CN CN201811621530.2A patent/CN109828623B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162384A (zh) * | 2006-10-12 | 2008-04-16 | 魏珉 | 人工智能植物生长环境调控专家决策*** |
US20120108768A1 (en) * | 2007-12-20 | 2012-05-03 | Chevron Phillips Chemical Company Lp | Continuous Catalyst Activator |
CN101953287A (zh) * | 2010-08-25 | 2011-01-26 | 中国农业大学 | 基于多数据的作物需水检测***及检测方法 |
KR101173823B1 (ko) * | 2011-07-01 | 2012-08-20 | 연세대학교 산학협력단 | 공동주택의 에너지 사용량 예측 시스템 및 방법 |
CN102736596A (zh) * | 2012-06-11 | 2012-10-17 | 南京农业大学 | 基于作物信息融合的多尺度温室环境控制*** |
CN103914786A (zh) * | 2014-03-10 | 2014-07-09 | 北京农业信息技术研究中心 | 一种大田农业生产情景感知计算方法及装置 |
CN104408258A (zh) * | 2014-12-01 | 2015-03-11 | 四川农业大学 | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 |
CN105005234A (zh) * | 2015-06-02 | 2015-10-28 | 哈尔滨工业大学(威海) | 基于zigbee的智能温室环境遥测与控制*** |
US20170032258A1 (en) * | 2015-07-30 | 2017-02-02 | Ecoation Innovative Solutions Inc. | Systems and methods for crop health monitoring, assessment and prediction |
CN106326472A (zh) * | 2016-08-31 | 2017-01-11 | 广东京奥信息科技有限公司 | 一种侦查信息完整性验证方法 |
CN106971160A (zh) * | 2017-03-23 | 2017-07-21 | 西京学院 | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 |
CN108334139A (zh) * | 2018-03-01 | 2018-07-27 | 深圳春沐源控股有限公司 | 一种基于大数据的温室自动化控制的方法及*** |
CN108983849A (zh) * | 2018-07-12 | 2018-12-11 | 沈阳大学 | 一种利用复合极限学习机神经网络控制温室环境方法 |
CN109086826A (zh) * | 2018-08-06 | 2018-12-25 | 中国农业科学院农业资源与农业区划研究所 | 基于图像深度学习的小麦干旱识别方法 |
Non-Patent Citations (1)
Title |
---|
李道亮: "农业物联网技术研究进展与发展趋势分析", 《农业机械学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114008644A (zh) * | 2019-06-17 | 2022-02-01 | 拜耳作物科学株式会社 | 信息处理设备以及方法 |
CN111108879A (zh) * | 2020-01-03 | 2020-05-08 | 华维节水科技集团股份有限公司 | 一种基于专家决策***的茄果类水肥及环境管理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109828623B (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113557890B (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制***及方法 | |
Yalcin | Plant phenology recognition using deep learning: Deep-Pheno | |
CN109919317B (zh) | 一种机器学习模型训练方法和装置 | |
CN109325495B (zh) | 一种基于深度神经网络建模的作物图像分割***及方法 | |
CN108665106A (zh) | 一种水产养殖溶解氧预测方法及装置 | |
CN110148120A (zh) | 一种基于cnn与迁移学习的病害智能识别方法及*** | |
CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
CN106503723A (zh) | 一种视频分类方法及装置 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN115880433A (zh) | 一种基于数字孪生的农作物培育优化方法 | |
Zhao et al. | Crop pest recognition in real agricultural environment using convolutional neural networks by a parallel attention mechanism | |
CN112286263A (zh) | 一种农作物的调控方法、装置、***及通信设备 | |
CN110533547A (zh) | 果蔬水肥调控方法和装置以及计算机可读存储介质 | |
CN108897363A (zh) | 一种基于大数据分析的水族箱智能控制*** | |
CN109828623A (zh) | 温室作物情景感知的生产管理方法及装置 | |
CN112528912A (zh) | 基于边缘计算的作物生长监测嵌入式***及方法 | |
Premkumar et al. | IoT-enabled edge computing model for smart irrigation system | |
WO2023024615A1 (zh) | 一种基于植株萎蔫程度进行精准灌溉的***及方法 | |
Musa et al. | An intelligent plant dissease detection system for smart hydroponic using convolutional neural network | |
CN114627467A (zh) | 基于改进神经网络的水稻生育期识别方法及*** | |
CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及*** | |
Lu et al. | Image classification and identification for rice leaf diseases based on improved WOACW_SimpleNet | |
CN110555343B (zh) | 典型资源要素中林、灌、草三要素提取方法和*** | |
Wei et al. | Small sample and efficient crop pest recognition method based on transfer learning and data transformation | |
Sharma et al. | Crop yield prediction using hybrid deep learning algorithm for smart 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 |