CN114637351B - 一种设施作物温室环境调控方法及*** - Google Patents
一种设施作物温室环境调控方法及*** Download PDFInfo
- Publication number
- CN114637351B CN114637351B CN202210245327.XA CN202210245327A CN114637351B CN 114637351 B CN114637351 B CN 114637351B CN 202210245327 A CN202210245327 A CN 202210245327A CN 114637351 B CN114637351 B CN 114637351B
- Authority
- CN
- China
- Prior art keywords
- information
- crop
- greenhouse
- obtaining
- environment
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Greenhouses (AREA)
Abstract
本发明提供了一种设施作物温室环境调控方法及***,方法包括:采集第一温室内第一作物的作物品种信息和作物状态信息;获得第一作物在所述第一温室内的环境信息;根据作物品种信息、作物状态信息和所环境信息,采用不等权组合预测法对第一作物的生长情况进行预测,获得第一预测结果;获得第一作物的期望生长情况信息;判断第一预测结果是否达到所述期望生长情况信息,未达到所述期望生长情况信息,获得第一调节指令,获得第一温室内的环境信息与作物品种训练集的标准匹配度训练集;训练前馈神经网络,构建环境控制模型;获得第一作物对应的第一温室内的调整环境信息,调整环境信息包括调整光照信息和调整温湿度信息。
Description
技术领域
本发明涉及人工智能相关技术领域,具体涉及一种设施作物温室环境调控方法及***。
背景技术
设施作物指的是在环境可控的条件下,采用工程技术手段,控制环境条件,实现动植物高效生产一种新型农业生产方式,例如设施大棚中种植蔬菜等植物,创造对植物有利的生产环境,排除对植物不利的环境要素的干扰,进而达到提高作物产量及质量的目的。
设施作物的生产中对于作物生长环境的控制是保障作物健康生长最重要的环节,目前对于环境的调节方式一般有两种:其一是针对作物的生长状态对设施环境进行适应性调整,即环境要素已经对作物产生不利影响后进行调整,无法做到预先性调整的目的;其二是对设施作物的生长状态进行预测,进而实现预先性的调整,但是由于对于作物的预测过程评估基准维度较单一,准确性难以保障。
但本申请在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中由于对于作物的预测过程评估基准维度较单一,导致存在准确性难以保障的技术问题。
发明内容
本申请实施例通过提供了一种设施作物温室环境调控方法及***,解决了现有技术中由于对于作物的预测过程评估基准维度较单一,导致存在准确性难以保障的技术问题。通过采集设施作物的品种及生长状态信息,再采集设施内的环境信息,使用不等权组合预测法结合作物的品种及生长状态信息、环境信息进行多种预测再集成得到作物的生长状态预测结果,当生长状态预测结果未达到期望生长情况,构建环境控制模型对设施内的环境信息进行调整,基于不等权组合预测法可以集成多重预测方法的预测结果,达到了提高设施作物温室环境准确性的技术效果。
鉴于上述问题,本申请实施例提供了一种设施作物温室环境调控方法及***。
第一方面,本申请实施例提供了一种设施作物温室环境调控方法,其中,所述方法包括:采集第一温室内第一作物的作物品种信息和作物状态信息;获得所述第一作物在所述第一温室内的环境信息;根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果;获得所述第一作物的期望生长情况信息;判断所述第一预测结果是否达到所述期望生长情况信息;如果所述第一预测结果未达到所述期望生长情况信息,获得第一调节指令;根据所述第一调节指令,获得所述第一温室内的环境信息与作物品种训练集的标准匹配度训练集;根据所述标准匹配度训练集和所述作物品种训练集训练前馈神经网络,构建环境控制模型;将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型,获得所述第一作物对应的所述第一温室内的调整环境信息,所述调整环境信息包括调整光照信息和调整温湿度信息。
另一方面,本申请实施例提供了一种设施作物温室环境调控***,其中,所述***包括:第一采集单元,所述第一采集单元用于采集第一温室内第一作物的作物品种信息和作物状态信息;第一获得单元,所述第一获得单元用于获得所述第一作物在所述第一温室内的环境信息;第一处理单元,所述第一处理单元用于根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果;第二获得单元,所述第二获得单元用于获得所述第一作物的期望生长情况信息;第一判断单元,所述第一判断单元用于判断所述第一预测结果是否达到所述期望生长情况信息;第三获得单元,所述第三获得单元用于如果所述第一预测结果未达到所述期望生长情况信息,获得第一调节指令;第四获得单元,所述第四获得单元用于根据所述第一调节指令,获得所述第一温室内的环境信息与作物品种训练集的标准匹配度训练集;第一构建单元,所述第一构建单元用于根据所述标准匹配度训练集和所述作物品种训练集训练前馈神经网络,构建环境控制模型;第二处理单元,所述第二处理单元用于将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型,获得所述第一作物对应的所述第一温室内的调整环境信息,所述调整环境信息包括调整光照信息和调整温湿度信息。
第三方面,本申请实施例提供了一种设施作物温室环境调控***,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现第一方面任一项所述的方法。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了采集第一温室内第一作物的作物品种信息和作物状态信息;获得所述第一作物在所述第一温室内的环境信息;根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果;获得所述第一作物的期望生长情况信息;判断所述第一预测结果是否达到所述期望生长情况信息;如果所述第一预测结果未达到所述期望生长情况信息,获得第一调节指令;根据所述第一调节指令,获得所述第一温室内的环境信息与作物品种训练集的标准匹配度训练集;根据所述标准匹配度训练集和所述作物品种训练集训练前馈神经网络,构建环境控制模型;将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型,获得所述第一作物对应的所述第一温室内的调整环境信息,所述调整环境信息包括调整光照信息和调整温湿度信息的技术方案,通过采集设施作物的品种及生长状态信息,再采集设施内的环境信息,使用不等权组合预测法结合作物的品种及生长状态信息、环境信息进行多种预测再集成得到作物的生长状态预测结果,当生长状态预测结果未达到期望生长情况,构建环境控制模型对设施内的环境信息进行调整,基于不等权组合预测法可以集成多重预测方法的预测结果,达到了提高设施作物温室环境准确性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种设施作物温室环境调控方法流程示意图;
图2为本申请实施例提供了一种设施作物温室环境调控方法中的进光量的获取方法流程示意图;
图3为本申请实施例提供了一种设施作物温室环境调控方法中的进光强度的获取方法流程示意图;
图4为本申请实施例提供了一种设施作物温室环境调控***结构示意图;
图5为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一采集单元11,第一获得单元12,第一处理单元13,第二获得单元14,第一判断单元15,第三获得单元16,第四获得单元17,第一构建单元18,第二处理单元19,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种设施作物温室环境调控方法及***,解决了现有技术中由于对于作物的预测过程评估基准维度较单一,导致存在准确性难以保障的技术问题。通过采集设施作物的品种及生长状态信息,再采集设施内的环境信息,使用不等权组合预测法结合作物的品种及生长状态信息、环境信息进行多种预测再集成得到作物的生长状态预测结果,当生长状态预测结果未达到期望生长情况,构建环境控制模型对设施内的环境信息进行调整,基于不等权组合预测法可以集成多重预测方法的预测结果,达到了提高设施作物温室环境准确性的技术效果。
申请概述
设施作物指的是在环境可控的条件下,采用工程技术手段,控制环境条件,实现动植物高效生产一种新型农业生产方式,例如设施大棚中种植蔬菜等植物,创造对植物有利的生产环境,排除对植物不利的环境要素的干扰,进而达到提高作物产量及质量的目的,设施作物的生产中对于作物生长环境的控制是保障作物健康生长最重要的环节,目前对于环境的调节方式一般有两种:其一是针对作物的生长状态对设施环境进行适应性调整,即环境要素已经对作物产生不利影响后进行调整,无法做到预先性调整的目的;其二是对设施作物的生长状态进行预测,进而实现预先性的调整,但是由于对于作物的预测过程评估基准维度较单一,准确性难以保障,但现有技术中由于对于作物的预测过程评估基准维度较单一,导致存在准确性难以保障的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种设施作物温室环境调控方法,其中,所述方法包括:采集第一温室内第一作物的作物品种信息和作物状态信息;获得所述第一作物在所述第一温室内的环境信息;根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果;获得所述第一作物的期望生长情况信息;判断所述第一预测结果是否达到所述期望生长情况信息;如果所述第一预测结果未达到所述期望生长情况信息,获得第一调节指令;根据所述第一调节指令,获得所述第一温室内的环境信息与作物品种训练集的标准匹配度训练集;根据所述标准匹配度训练集和所述作物品种训练集训练前馈神经网络,构建环境控制模型;将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型,获得所述第一作物对应的所述第一温室内的调整环境信息,所述调整环境信息包括调整光照信息和调整温湿度信息。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种设施作物温室环境调控方法,其中,所述方法包括:
S100:采集第一温室内第一作物的作物品种信息和作物状态信息;
S200:获得所述第一作物在所述第一温室内的环境信息;
具体而言,设施作物包括:设施种植,例如大棚蔬菜、水果等;设施养殖,例如动物养殖;设施食用菌,例如乳酸菌等有益菌种的培养。不同的设施作物对于生长环境的依赖性不同,总之为了保障作物生长环境要素:诸如温度、湿度、氧浓度、二氧化碳浓度、酸碱度、盐度、光照等信息是完全可控的,一般都是利用大型步入式人工气候室作为作物的生长环境。
所述第一温室指的是为作物提供生长环境的区域,其内生长环境要素必须保障完全可控;所述第一温室内的环境信息指的是第一温室内的各项环境要素信息,示例性地:如大型步入式人工气候室,可以控制室内温度、光照、二氧化碳浓度、酸碱度等环境要素信息。
所述第一作物指的是在第一温室内培养的作物,可以是种植作物、养殖作物和有益菌作物等类型,示例性地:如在大型步入式人工气候室内培养的葡萄作物,在其内不受自然环境的影响,可以依据需求反季节培育葡萄,具有较高的自由度。所述作物品种信息指的是第一作物的类型,示例地如:葡萄、白菜、橘子等品种信息;所述作物状态信息指的是第一作物实时的生长状态指标信息,示例性地:如在大型步入式人工气候室内培养的葡萄的生长状态指标,包括但不限于葡萄大小、葡萄颜色、葡萄叶子颜色、葡萄叶绿素含量、净光合速率、超氧化物歧化酶酶和丙二醛的含量、培育时长等指标信息。
通过对作物品种信息和作物状态信息进行采集,不同的作物品种在相同环境下的理想生长状态不同,通过将作物品种信息和作物状态信息一一对应存储,便于后步根据不同的作物品种信息快速评估实时的作物状态信息的不足之处,方便及时调整。
S300:根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果;
具体而言,所述不等权组合预测法指的是集成多种预测方法对作物品种信息、作物状态信息和环境信息进行处理预测第一作物的生长状态,示例性地,使用回归预测法基于历史数据评估在当前作物品种信息和作物状态信息在未来某个时间节点下的作物状态信息;再使用卡尔曼滤波预测法基于当前作物品种信息和环境信息对作物未来预设时间节点的生长状态进行预测。
进一步的,回归预测法是可以结合历史数据得到作物状态信息随时间变化的趋势关系,进而评估未来某个时间节点下的作物状态信息;卡尔曼滤波预测法可以针对于动态变化的环境信息,只考虑上一个时间节点的作物状态对下一个时间节点的作物状态实现预测。
更进一步的,第一预测结果指的是对两种预测结果赋予不同的权重进行集成得到的表征作物生长状态的信息,赋予权重的方式举不设限制的一例:将两种预测结果输入6个信息交互隔离的基于设施作物专家构建的权重分配通道,得到6个权重分配结果,再分别求取两种预测结果所得权重的均值,得到两种预测结果的权重,再进行集成,得到第一预测结果。
通过不等权组合预测法对第一作物的生长情况进行预测,相比于依赖单一预测手段,集成多个预测结果的第一预测结果可以更加准确客观的表征第一作物的预估生长状态。
S400:获得所述第一作物的期望生长情况信息;
S500:判断所述第一预测结果是否达到所述期望生长情况信息;
具体而言,所述第一作物的期望生长情况信息指的是人为基于理论设定的在第一温室内不同培育时间节点下第一作物的最优生长状态,示例性地:如在大型步入式人工气候室内培养的葡萄作物,其期望生长情况信息的指标和其生长状态指标一一对应,对期望生长情况信息的指标赋予具体值并和葡萄作物的培育时间节点对应存储,便于后步及时调用反馈。
将同一个时间节点下的第一预测结果对应的第一作物的生长状态指标和期望生长情况信息一一进行对比,将第一作物的预测生长状态指标和期望生长情况信息的差异信息进行存储,存储形式示例性地如:[指标类型,不合格度],若是指标信息为葡萄的丙二醛的含量,则形如:[丙二醛的含量,预测值-期望值]等。通过将第一预测结果和期望生长情况信息进行比对,并得到差异指标信息的差异度信息,为后步进行环境调整时提供参考数据。
S600:如果所述第一预测结果未达到所述期望生长情况信息,获得第一调节指令;
具体而言,所述第一调节指令指的是当第一预测结果和期望生长情况信息遍历比对完毕之后,为了保障第一作物的,生长状态满足期望生长情况信息生成对第一温室内的环境信息进行调控的指令。通过对第一温室内的环境信息进行及时调整,避免第一预测结果和期望生长情况信息的差异信息出现,进而达到了预先性的保障第一作物生长状态的技术效果。
S700:根据所述第一调节指令,获得所述第一温室内的环境信息与作物品种训练集的标准匹配度训练集;
具体而言,所述作物品种训练集指的是在第一温室内培育的多种作物品种信息,示例性地如:在大型步入式人工气候室内培育的苹果、橘子、葡萄等品种;所述标准匹配度训练集指的是在不同的作物品种生长状态下,匹配出最优的第一温室内的环境信息,再和当前环境信息进行比对得到的差异度信息,示例性地如:若是大型步入式人工气候室可控的环境要素有温度、光照、酸碱度、干湿度等信息,苹果、橘子、葡萄在同一个时间节点则对应于三组温度、光照、酸碱度、干湿度等信息的具体值;而相同的作物品种在不同的时间节点也对应于多组温度、光照、酸碱度、干湿度等信息的具体值,将匹配到的环境要素信息和实时的环境信息进行比对得到标准匹配度训练集。
当生成第一调节指令,立即生成作物品种训练集和标准匹配度训练集,为后步构建环境控制模型提供训练数据,提高了输出的控制参数和第一作物及第一温室的适配性。
S800:根据所述标准匹配度训练集和所述作物品种训练集训练前馈神经网络,构建环境控制模型;
具体而言,将多组标准匹配度训练集中的最优环境信息作为输出标识信息,将多组作物品种训练集和多组标准匹配度训练集设为输入训练数据集;优选的将相互对应的多组输出标识信息和输入训练数据集划分为9:1的比例,将其中9比例的数据集用来构建模型,将其中1比例的数据集用来度量模型的稳定性。
所述环境控制模型是基于前馈神经网络训练构建的智能化模型,基于前馈神经网络构建神经网络模型框架之后,调用9比例的多组输出标识信息和输入训练数据集对基于前馈神经网络构建神经网络模型框架进行训练,当模型达到预设准确度后,使用1比例的数据集评估模型准确性的稳定性,重复此过程完成多次迭代训练,进而完成环境控制模型的构建,构建完成后的环境控制模型可以在输入作物品种和第一作物的标准匹配度时,匹配到第一温室内的调整环境信息内的较准确的适应于第一作物的最优环境信息。
S900:将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型,获得所述第一作物对应的所述第一温室内的调整环境信息,所述调整环境信息包括调整光照信息和调整温湿度信息。
具体而言,当环境控制模型构建完成后,将第一作物的作物品种信息和第一作物的标准匹配度输入环境控制模型,即可得到能够导向第一作物向期望生长状态生长的环境要素调整信息,示例性的输出形式为:a=[调整指标,调整度],其中,a为向量,记为所述调整环境信息。
进一步的,调整环境信息举优选的几例如:葡萄作物的环境指标调整:调整光照信息:a=[光照信息,光照强度、光照时长等];调整温度信息:b=[温度信息,温度值];调整湿度信息:c=[湿度信息,含水量调整值]等。通过调整环境信息对第一温室的环境信息进行适应性调整,进而保障第一作物的生长状态达到期望生长状态。
进一步的,基于所述根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果,步骤S300包括:
S310:根据所述作物品种信息和所述作物状态信息通过回归预测法,获得第二预测结果;
S320:根据所述作物品种信息和所述环境信息通过卡尔曼滤波预测法,获得第三预测结果;
S330:基于所述第二预测结果和所述第三预测结果,不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果。
具体而言,所述第二预测结果指的是使用回归预测法基于作物品种信息和作物状态信息对未来作物状态信息进行评估得到的预测结果,评估方式优选的通过历史数据采集第一温室内的不同作物品种信息在不同的培育时间节点下的生长状态信息,通过联立随时序存储的多组作物品种信息和生长状态信息,即可得到在当前作物品种信息和作物状态信息的前提下,对后步作物状态信息的变化趋势进行回归评估,实现方式举不设限制的一例:可以使用多组第一温室内的不同作物品种信息在不同的培育时间节点下的生长状态信息训练基于神经网络模型构建的智能化模型,进而得到基于作物品种信息和作物状态信息对未来作物状态信息进行评估的模型,该模型由于处理的数据一般为结构化数据,因此可以采用最简单的反向传播神经网络模型,可以加快训练速度及处理效率。
所述第三预测结果指的是使用卡尔曼滤波预测法对作物品种信息和环境信息对作物后步生长状态进行评估的结果,卡尔曼滤波预测法的特点是只需要知道上一状态的预测结果的误差,即可确定未来状态预测结果,适用于需要动态变化的环境信息,通过卡尔曼滤波预测法可以在确定当前时间节点作物品种在环境信息内的生长状态信息和当前时间节点的期望生长状态信息的偏差,即可得到未来作物生长状态信息的预测结果。
在得到第二预测结果和第三预测结果之后,使用如步骤S300种中的不等权组合预测法对第二预测结果和第三预测结果进行集成,进而得到第一预测结果,通过多个评估维度,提高了预测结果的可信度。
进一步的,基于所述将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型之后,步骤S900还包括:
S910:根据所述标准匹配度训练集和所述作物品种训练集和所述环境控制模型的生成数据,构建并训练鉴别网络;
S920:基于所述鉴别网络,获得所述环境控制模型输出数据的准确率;
S930:根据所述准确率对所述环境控制模型的输出数据进行筛选。
具体而言,为了保障环境控制模型输出信息的准确性,使用训练数据并行构建鉴别网络在后步环境控制模型构建完成进行工作时,评估输出值的准确程度;所述鉴别网络指的是使用标准匹配度训练集和作物品种训练集作为输入训练数据集,使用环境控制模型的满足预设准确度的生成数据作为输出标识数据构建的评估环境控制模型输出信息的准确性的***。
通过鉴别网络可以实现对环境控制模型输出数据的筛选,即环境控制模型输出的环境调整信息并非全部满足预设准确度,只对满足预设准确度的环境调整信息进行调整,将不满足预设准确度的环境调整信息进行标记并发送至工作人员进行处理,提高了模型的容错率。
进一步的,所述方法还包括S1000:
S1010:获得所述第一温室的温室结构;
S1020:根据所述第一温室的温室结构,获得进光量;
S1030:获得所述第一温室的透光材质;
S1040:根据所述透光材质,获得进光强度;
S1060:基于所述调整光照信息,根据所述进光量和所述进光强度,获得第一补光信息。
具体而言,对于光照信息的调整量一般涉及到进光量和进光强度,则需要改变第一温室的透光性即温室结构,其具体实现方式举不设限制的一例如下:
所述第一温室的温室结构指的是第一温室内构造特征,示例性地如:进光区域,进光区域面积,进光角度,温室高度、温室朝光面铺设角度等信息;所述进光量指的是采集预设时间内的第一温室的进光量,优选的使用进光时长进行间接表征,预设时间优选为24小时;所述透光材质指的是第一温室进光面的材料信息,示例性地:如玻璃类型、玻璃颜色、玻璃厚度等信息;所述进光强度指的是依据第一温室进光面的材料信息得到的可接受的进光强度区间以及当下进光强度,其中,进光强度可以使用亮度进行表征。
所述第一补光信息指的是根据调整光照信息对进光量和进光强度进行调整,以达到调整光照信息中的预设调整量之后的结果,进而达到了保障第一温室内第一作物健康生长的技术效果。
进一步的,如图2所示,基于所述根据所述第一温室的温室结构,获得进光量,步骤S1020包括:
S1021:判断所述温室结构是否为单屋面温室;
S1022:如果所述温室结构为单屋面温室,获得所述第一温室的后屋面仰角、前屋面与地面交角和后坡长度;
S1023:根据所述后屋面仰角、所述前屋面与地面交角和所述后坡长度计算获得所述进光量。
具体而言,一般而言,温室结构都会设定为单屋面温室,便于调整光照量,针对于单屋面温室:为了保障阳光的充足照射,一般采用的是东西方向的斜面屋顶;所述后屋面仰角指的是靠近西边一侧的斜面屋顶的相对于地面的扬起角度,所述前屋面与地面交角指的是靠近东方一侧的斜面屋顶的相对于地面的交角角度;所述后坡长度指的是后屋面和前屋面的屋面长度信息。通过后屋面仰角、前屋面与地面交角和后坡长度可以确定单位面积下预设时间内进光时长,记为进光量,便于后步信息反馈处理。
进一步的,如图3所示,基于所述根据所述透光材质,获得进光强度,步骤S1040包括:
S1041:根据所述透光材质,获得所述透光材质的光照衰减强度;
S1042:获得实时光照强度;
S1043:根据所述实时光照强度和所述光照衰减强度,获得所述进光强度。
具体而言,所述透光材质的光照衰减强度指的是当光照接触透光材质外表面和透光材质内表面透过的光照强度之间的差值;所述实时光照强度指的是接触透光材质外表面的实时光照强度,所述进光强度可以使用如下公式计算:进光强度=实时光照强度-光照衰减强度。将计算结果进行存储便于后步信息反馈处理。
进一步的,所述方法还包括步骤S1100:
S1110:对所述透光材质进行抗污等级分析,获得第一抗污等级;
S1120:根据所述第一抗污等级,确定第一清洁周期;
S1130:按照所述第一清洁周期,对所述第一温室进行清洁。
具体而言,所述第一抗污等级指的是表征透光材质留污能力的信息,示例性地确定方式:采集预设时间周期内,相同环境下透光材质留污的面积,面积越大,则透光材质的第一抗污等级越高;面积越小,则透光材质的第一抗污等级越低。
当第一抗污等级满足预设等级时,表明预设时间周期留污面积已经会对透光产生影响,则需要设置所述第一清洁周期对第一温室进行清洁,其中,第一清洁周期小于等于预设时间周期的二分之一。进而保障了环境调整信息的可执行性,保障了第一作物的健康生长。
综上所述,本申请实施例所提供的一种设施作物温室环境调控方法及***具有如下技术效果:
1.本申请实施例通过提供了一种设施作物温室环境调控方法及***,解决了现有技术中由于对于作物的预测过程评估基准维度较单一,导致存在准确性难以保障的技术问题。通过采集设施作物的品种及生长状态信息,再采集设施内的环境信息,使用不等权组合预测法结合作物的品种及生长状态信息、环境信息进行多种预测再集成得到作物的生长状态预测结果,当生长状态预测结果未达到期望生长情况,构建环境控制模型对设施内的环境信息进行调整,基于不等权组合预测法可以集成多重预测方法的预测结果,达到了提高设施作物温室环境准确性的技术效果。
2.通过鉴别网络可以实现对环境控制模型输出数据的筛选,即环境控制模型输出的环境调整信息并非全部满足预设准确度,只对满足预设准确度的环境调整信息进行调整,将不满足预设准确度的环境调整信息进行标记并发送至工作人员进行处理,提高了模型的容错率。
实施例二
基于与前述实施例中一种设施作物温室环境调控方法相同的发明构思,如图4所示,本申请实施例提供了一种设施作物温室环境调控***,其中,所述***包括:
第一采集单元11,所述第一采集单元11用于采集第一温室内第一作物的作物品种信息和作物状态信息;
第一获得单元12,所述第一获得单元12用于获得所述第一作物在所述第一温室内的环境信息;
第一处理单元13,所述第一处理单元13用于根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果;
第二获得单元14,所述第二获得单元14用于获得所述第一作物的期望生长情况信息;
第一判断单元15,所述第一判断单元15用于判断所述第一预测结果是否达到所述期望生长情况信息;
第三获得单元16,所述第三获得单元16用于如果所述第一预测结果未达到所述期望生长情况信息,获得第一调节指令;
第四获得单元17,所述第四获得单元17用于根据所述第一调节指令,获得所述第一温室内的环境信息与作物品种训练集的标准匹配度训练集;
第一构建单元18,所述第一构建单元18用于根据所述标准匹配度训练集和所述作物品种训练集训练前馈神经网络,构建环境控制模型;
第二处理单元19,所述第二处理单元19用于将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型,获得所述第一作物对应的所述第一温室内的调整环境信息,所述调整环境信息包括调整光照信息和调整温湿度信息。
进一步的,所述方法还包括:
第二采集单元,所述第二采集单元用于采集第一温室内第一作物的作物品种信息和作物状态信息;
第五获得单元,所述第五获得单元用于获得所述第一作物在所述第一温室内的环境信息;
第三处理单元,所述第三处理单元用于根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果;
第六获得单元,所述第六获得单元用于获得所述第一作物的期望生长情况信息;
第二判断单元,所述第二判断单元用于判断所述第一预测结果是否达到所述期望生长情况信息;
第七获得单元,所述第七获得单元用于如果所述第一预测结果未达到所述期望生长情况信息,获得第一调节指令;
第八获得单元,所述第八获得单元用于根据所述第一调节指令,获得所述第一温室内的环境信息与作物品种训练集的标准匹配度训练集;
第二构建单元,所述第二构建单元用于根据所述标准匹配度训练集和所述作物品种训练集训练前馈神经网络,构建环境控制模型;
第四处理单元,所述第四处理单元用于将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型,获得所述第一作物对应的所述第一温室内的调整环境信息,所述调整环境信息包括调整光照信息和调整温湿度信息。
进一步的,所述方法还包括:
第九获得单元,所述第九获得单元用于根据所述作物品种信息和所述作物状态信息通过回归预测法,获得第二预测结果;
第十获得单元,所述第十获得单元用于根据所述作物品种信息和所述环境信息通过卡尔曼滤波预测法,获得第三预测结果;
第一预测单元,所述第一预测单元用于基于所述第二预测结果和所述第三预测结果,不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果。
进一步的,所述方法还包括:
第三构建单元,所述第三构建单元用于根据所述标准匹配度训练集和所述作物品种训练集和所述环境控制模型的生成数据,构建并训练鉴别网络;
第十一获得单元,所述第十一获得单元用于基于所述鉴别网络,获得所述环境控制模型输出数据的准确率;
第一筛选单元,所述第一筛选单元用于根据所述准确率对所述环境控制模型的输出数据进行筛选。
进一步的,所述方法还包括:
第十二获得单元,所述第十二获得单元用于获得所述第一温室的温室结构;
第十三获得单元,所述第十三获得单元用于根据所述第一温室的温室结构,获得进光量;
第十四获得单元,所述第十四获得单元用于获得所述第一温室的透光材质;
第十五获得单元,所述第十五获得单元用于根据所述透光材质,获得进光强度;
第十六获得单元,所述第十六获得单元用于基于所述调整光照信息,根据所述进光量和所述进光强度,获得第一补光信息。
进一步的,所述方法还包括:
第三判断单元,所述第三判断单元用于判断所述温室结构是否为单屋面温室;
第十七获得单元,所述第十七获得单元用于如果所述温室结构为单屋面温室,获得所述第一温室的后屋面仰角、前屋面与地面交角和后坡长度;
第十八获得单元,所述第十八获得单元用于根据所述后屋面仰角、所述前屋面与地面交角和所述后坡长度计算获得所述进光量。
进一步的,所述方法还包括:
第十九获得单元,所述第十九获得单元用于根据所述透光材质,获得所述透光材质的光照衰减强度;
第二十获得单元,所述第二十获得单元用于获得实时光照强度;
第二十一获得单元,所述第二十一获得单元用于根据所述光照强度和所述光照衰减强度,获得所述进光强度。
进一步的,所述方法还包括:
第二十二获得单元,所述第二十二获得单元用于对所述透光材质进行抗污等级分析,获得第一抗污等级;
第一确定单元,所述第一确定单元用于根据所述第一抗污等级,确定第一清洁周期;
第一执行单元,所述第一执行单元用于按照所述第一清洁周期,对所述第一温室进行清洁。
示例性电子设备
下面参考图5来描述本申请实施例的电子设备,
基于与前述实施例中一种设施作物温室环境调控方法相同的发明构思,本申请实施例还提供了一种设施作物温室环境调控***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得***以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的***,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种设施作物温室环境调控方法。
本申请实施例提供了一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现实施例一任一项所述的方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例通过提供了一种设施作物温室环境调控方法及***,解决了现有技术中由于对于作物的预测过程评估基准维度较单一,导致存在准确性难以保障的技术问题。通过采集设施作物的品种及生长状态信息,再采集设施内的环境信息,使用不等权组合预测法结合作物的品种及生长状态信息、环境信息进行多种预测再集成得到作物的生长状态预测结果,当生长状态预测结果未达到期望生长情况,构建环境控制模型对设施内的环境信息进行调整,基于不等权组合预测法可以集成多重预测方法的预测结果,达到了提高设施作物温室环境准确性的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程***。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑***,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算***的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (7)
1.一种设施作物温室环境调控方法,其特征在于,所述方法包括:
采集第一温室内第一作物的作物品种信息和作物状态信息;
获得所述第一作物在所述第一温室内的环境信息;
根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果;
获得所述第一作物的期望生长情况信息;
判断所述第一预测结果是否达到所述期望生长情况信息;
如果所述第一预测结果未达到所述期望生长情况信息,获得第一调节指令;
根据所述第一调节指令,获得所述第一温室内的环境信息与作物品种训练集的标准匹配度训练集;
根据所述标准匹配度训练集和所述作物品种训练集训练前馈神经网络,构建环境控制模型;
将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型,获得所述第一作物对应的所述第一温室内的调整环境信息,所述调整环境信息包括调整光照信息和调整温湿度信息;
获得所述第一温室的温室结构;
根据所述第一温室的温室结构,获得进光量;
获得所述第一温室的透光材质;
根据所述透光材质,获得进光强度;
基于所述调整光照信息,根据所述进光量和所述进光强度,获得第一补光信息;
所述根据所述第一温室的温室结构,获得进光量,包括:
判断所述温室结构是否为单屋面温室;
如果所述温室结构为单屋面温室,获得所述第一温室的后屋面仰角、前屋面与地面交角和后坡长度;
根据所述后屋面仰角、所述前屋面与地面交角和所述后坡长度计算获得所述进光量;
所述根据所述透光材质,获得进光强度,包括:
根据所述透光材质,获得所述透光材质的光照衰减强度;
获得实时光照强度;
根据所述光照强度和所述光照衰减强度,获得所述进光强度。
2.如权利要求1所述的方法,其特征在于,所述根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果,包括:
根据所述作物品种信息和所述作物状态信息通过回归预测法,获得第二预测结果;
根据所述作物品种信息和所述环境信息通过卡尔曼滤波预测法,获得第三预测结果;
基于所述第二预测结果和所述第三预测结果,采用所述不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果。
3.如权利要求1所述的方法,其特征在于,所述将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型之后,还包括:
根据所述标准匹配度训练集和所述作物品种训练集和所述环境控制模型的生成数据,构建并训练鉴别网络;
基于所述鉴别网络,获得所述环境控制模型输出数据的准确率;
根据所述准确率对所述环境控制模型的输出数据进行筛选。
4.如权利要求1所述的方法,其特征在于,所述方法还包括:
对所述透光材质进行抗污等级分析,获得第一抗污等级;
根据所述第一抗污等级,确定第一清洁周期;
按照所述第一清洁周期,对所述第一温室进行清洁。
5.一种设施作物温室环境调控***,其特征在于,所述***包括:
第一采集单元,所述第一采集单元用于采集第一温室内第一作物的作物品种信息和作物状态信息;
第一获得单元,所述第一获得单元用于获得所述第一作物在所述第一温室内的环境信息;
第一处理单元,所述第一处理单元用于根据所述作物品种信息、所述作物状态信息和所述环境信息,采用不等权组合预测法对所述第一作物的生长情况进行预测,获得第一预测结果;
第二获得单元,所述第二获得单元用于获得所述第一作物的期望生长情况信息;
第一判断单元,所述第一判断单元用于判断所述第一预测结果是否达到所述期望生长情况信息;
第三获得单元,所述第三获得单元用于如果所述第一预测结果未达到所述期望生长情况信息,获得第一调节指令;
第四获得单元,所述第四获得单元用于根据所述第一调节指令,获得所述第一温室内的环境信息与作物品种训练集的标准匹配度训练集;
第一构建单元,所述第一构建单元用于根据所述标准匹配度训练集和所述作物品种训练集训练前馈神经网络,构建环境控制模型;
第二处理单元,所述第二处理单元用于将所述第一作物的所述作物品种信息和所述第一作物的标准匹配度输入所述环境控制模型,获得所述第一作物对应的所述第一温室内的调整环境信息,所述调整环境信息包括调整光照信息和调整温湿度信息;
第十二获得单元,所述第十二获得单元用于获得所述第一温室的温室结构;
第十三获得单元,所述第十三获得单元用于根据所述第一温室的温室结构,获得进光量;
第十四获得单元,所述第十四获得单元用于获得所述第一温室的透光材质;
第十五获得单元,所述第十五获得单元用于根据所述透光材质,获得进光强度;
第十六获得单元,所述第十六获得单元用于基于所述调整光照信息,根据所述进光量和所述进光强度,获得第一补光信息;
第三判断单元,所述第三判断单元用于判断所述温室结构是否为单屋面温室;
第十七获得单元,所述第十七获得单元用于如果所述温室结构为单屋面温室,获得所述第一温室的后屋面仰角、前屋面与地面交角和后坡长度;
第十八获得单元,所述第十八获得单元用于根据所述后屋面仰角、所述前屋面与地面交角和所述后坡长度计算获得所述进光量;
第十九获得单元,所述第十九获得单元用于根据所述透光材质,获得所述透光材质的光照衰减强度;
第二十获得单元,所述第二十获得单元用于获得实时光照强度;
第二十一获得单元,所述第二十一获得单元用于根据所述光照强度和所述光照衰减强度,获得所述进光强度。
6.一种设施作物温室环境调控***,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,其特征在于,当所述程序被所述处理器执行时,使***以执行如1至4任一项所述的方法。
7.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210245327.XA CN114637351B (zh) | 2022-03-14 | 2022-03-14 | 一种设施作物温室环境调控方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210245327.XA CN114637351B (zh) | 2022-03-14 | 2022-03-14 | 一种设施作物温室环境调控方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114637351A CN114637351A (zh) | 2022-06-17 |
CN114637351B true CN114637351B (zh) | 2023-03-28 |
Family
ID=81947054
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210245327.XA Active CN114637351B (zh) | 2022-03-14 | 2022-03-14 | 一种设施作物温室环境调控方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114637351B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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*** |
CN116310815B (zh) * | 2023-03-08 | 2024-06-14 | 重庆市农业科学院 | 一种适用于智能化茶园的病虫害预警及自学习方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782698A (zh) * | 2009-01-20 | 2010-07-21 | 欧睿控股股份有限公司 | 环境光辅助的液晶显示器及照明装置 |
CN103065055A (zh) * | 2013-01-15 | 2013-04-24 | 北京农业信息技术研究中心 | 日光温室内光分布计算方法 |
CN204968730U (zh) * | 2015-06-05 | 2016-01-20 | 寿光蔬菜产业控股集团有限公司 | 高后墙覆土保温短后坡型日光温室 |
CN110377961A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长环境控制方法、装置、计算机设备及存储介质 |
CN114016870A (zh) * | 2021-10-29 | 2022-02-08 | 珠海华发人居生活研究院有限公司 | 一种自动调节光通量的智能窗 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106373022B (zh) * | 2016-09-13 | 2021-12-24 | 重庆科技学院 | 基于bp-ga的温室农作物种植效率条件优化方法及*** |
EP3679430A4 (en) * | 2017-09-08 | 2021-07-07 | 9337-4791 Quebec, Inc. | CROP GROWTH ENVIRONMENT CONTROL SYSTEM AND PROCESS |
CN108388291A (zh) * | 2018-01-17 | 2018-08-10 | 中国农业大学 | 一种温室集群环境调控方法与*** |
CN109146093B (zh) * | 2018-08-08 | 2020-08-11 | 成都保源酷码科技有限公司 | 一种基于学习的电力设备现场勘查方法 |
CN109856973A (zh) * | 2019-02-25 | 2019-06-07 | 山东省农业机械科学研究院 | 一种基于模糊神经网络的温室环境控制方法及*** |
CN112166885B (zh) * | 2019-07-03 | 2022-05-17 | 青岛农业大学 | 新型前屋面角可变式日光温室 |
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
CN111524023A (zh) * | 2020-04-07 | 2020-08-11 | 中国农业大学 | 温室调节方法及*** |
-
2022
- 2022-03-14 CN CN202210245327.XA patent/CN114637351B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101782698A (zh) * | 2009-01-20 | 2010-07-21 | 欧睿控股股份有限公司 | 环境光辅助的液晶显示器及照明装置 |
CN103065055A (zh) * | 2013-01-15 | 2013-04-24 | 北京农业信息技术研究中心 | 日光温室内光分布计算方法 |
CN204968730U (zh) * | 2015-06-05 | 2016-01-20 | 寿光蔬菜产业控股集团有限公司 | 高后墙覆土保温短后坡型日光温室 |
CN110377961A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长环境控制方法、装置、计算机设备及存储介质 |
CN114016870A (zh) * | 2021-10-29 | 2022-02-08 | 珠海华发人居生活研究院有限公司 | 一种自动调节光通量的智能窗 |
Also Published As
Publication number | Publication date |
---|---|
CN114637351A (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114637351B (zh) | 一种设施作物温室环境调控方法及*** | |
CN107480775B (zh) | 一种基于数据修复的池塘溶解氧预测方法 | |
CN108346142B (zh) | 一种基于植物光照图像的植物生长状态识别方法 | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN106373022B (zh) | 基于bp-ga的温室农作物种植效率条件优化方法及*** | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警***及方法 | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
WO2020128162A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
CN112001242B (zh) | 一种智能园艺管理方法和装置 | |
CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
CN108983849A (zh) | 一种利用复合极限学习机神经网络控制温室环境方法 | |
CN110119086B (zh) | 一种基于anfis神经网络的番茄温室环境参数智能监测装置 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
Kolmanič et al. | An algorithm for automatic dormant tree pruning | |
US20210089947A1 (en) | Aquaculture Decision Optimization System Using A Learning Engine | |
KR20200044604A (ko) | 스마트팜 재배이력을 이용한 스마트팜 재배시스템 | |
Avigal et al. | Learning seed placements and automation policies for polyculture farming with companion plants | |
An et al. | A simulator-based planning framework for optimizing autonomous greenhouse control strategy | |
CN109711590B (zh) | 渔业水质分析监测方法、装置和*** | |
CN106568722A (zh) | 一种基于光谱技术的设施黄瓜病害预警方法及装置 | |
US11825784B1 (en) | Artificial intelligence enabled IoT-fog system in hydroponic automation for heterogeneous plants | |
CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
CN114154694A (zh) | 基于无人机多光谱遥感的棉花打顶期植物生长状态的预测方法 | |
CN114282726A (zh) | 制种田预测处理方法、装置、存储介质及电子装置 | |
Wang | The models of niche and their application |
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 |