CN114662609A - 一种智能大棚农场管理方法及*** - Google Patents
一种智能大棚农场管理方法及*** Download PDFInfo
- Publication number
- CN114662609A CN114662609A CN202210336632.XA CN202210336632A CN114662609A CN 114662609 A CN114662609 A CN 114662609A CN 202210336632 A CN202210336632 A CN 202210336632A CN 114662609 A CN114662609 A CN 114662609A
- Authority
- CN
- China
- Prior art keywords
- plant
- information
- obtaining
- medicament
- environmental
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能大棚农场管理方法及***。获得植株信息。获得环境信息。基于所述植株信息和环境信息,进行关系判断,得到环境条件信息。基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比。分析环境对于植株生长状态的影响。采用将植株信息与环境神经网络中神经元全连接的方式进行连接,并且在训练过程中使用植株开关结构随机进行输入来训练神经网络,使得训练过程的环境神经网络能够更加准确的得到药剂种类。采用聚类的方法得到标注药剂配比,能够更加准确的得到自动获取使得在不同植株种类、不同植株周期和不同环境下使得植株生长状态达到优秀的药剂配比。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种智能大棚农场管理方法及***。
背景技术
目前,传统温室大棚相对简陋,因其材料低成本、取用方便等因素在经济落后时期被广泛使用。植物灌溉施肥等都需要大量的人力物力、生产效率低下,无法及时满足人们的生产需求。在进行浇灌时使用自动化的形式进行浇灌,我们只需要提前在***内设定好各种参数,然后后期由***来逻辑控制各种***的开关,不需要人工定时的去开启***,这就大大地节省了人工。但是目前的药水配比还是采用人工进行配比,不能自动根据植株情况对药水进行配比,从而进行浇灌。
发明内容
本发明的目的在于提供了一种智能大棚农场管理方法及***,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种智能大棚农场管理方法,包括:
获得植株信息;所述植株信息包括植株种类和植株生长周期;所述植株种类表示需要灌溉的植株的信息;所述植株生长周期表示植株当前处于的生长周期;
获得环境信息;所述环境信息包括多个环境种类;所述环境信息为当前植株所在环境信息;
基于所述植株信息和环境信息,进行关系判断,得到环境条件信息;
基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比。
可选的,所述基于所述植株信息和环境信息,进行关系判断,得到环境条件信息,包括:
获得第一植株种类;所述第一植株种类为所述植株信息中的植株种类;
获得第一环境种类;所述第一环境为所述环境信息中的环境种类;
获得第二环境种类;所述第二环境种类为所述环境信息中除第一环境之外的环境种类;
基于所述第一植株种类、第一环境种类和第二环境种类,得到第一环境种类比例;
通过多次获得同一植株种类的多个环境种类之间的环境种类比例,得到整体环境种类比例;通过得到多个植株的整体环境种类比例,得到环境条件信息。
可选的,所述基于所述第一植株种类、第一环境种类和第二环境种类,得到第一环境种类比例,包括
基于所述第一植株种类和第一环境种类,得到第一优质植株;
基于所述第一植株种类和第二环境种类,得到第二优质植株;
基于第一优质植株和第二优质植株,得到植株生长情况散点图;
基于植株生长情况散点图,通过构建植株直线,得到植株数量;所述植株数量包括上植株数量和下植株数量;
基于所述上植株数量和下植株数量,得到第一环境种类比例。
可选的,基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比,包括:
所述自动灌溉模型包括药剂种类神经网络和药剂比例神经网络;
所述药剂种类神经网络包括植株储存结构、植株开关结构和环境神经网络;
所述植株储存结构的输入为植株信息;所述植株开关结构的输入为所述植株储存结构的输出;所述环境神经网络的输入为所述环境信息和所述植株储存结构的输出。
可选的,自动灌溉模型的训练方法:
获得灌溉训练集,所述灌溉训练集包括训练数据和标注数据;所述训练数据包括训练植株信息和训练环境信息集合;所述训练环境信息集合表示植株表示当前状态的环境信息;所述标注数据包括标注药剂种类和标注药剂比值;
基于所述训练植株信息和所述训练环境信息集合,得到标注药剂比值;所述标注药剂比值表示在药水配比中药剂所占的比例;
基于所述训练植株信息和训练环境信息,进行关系判断,得到训练条件环境信息;
将所述训练环境条件信息和所述训练植株信息输入药剂种类神经网络,得到药剂类别;所述药剂类别表示用于进行浇灌的药水采用的药剂种类;
基于所述药剂种类、植株信息和环境信息,通过药剂比例神经网络,得到药剂配比;
基于所述药剂类别和标注药剂类别,得到药剂类别损失值;
基于所述药剂配比和标注药剂配比,得到药剂配比损失值;
获得总损失值;所述总损失值包括药剂类别损失值与所述药剂配比损失值之和;
获得自动灌溉模型当前的训练迭代次数以及预先设定的所述自动灌溉模型训练的最大迭代次数;
当所述总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的自动灌溉模型。
可选的,所述将所述训练环境条件信息和所述训练植株信息输入药剂种类神经网络,得到药剂类别,包括:
将所述植株信息输入植株存储结构,得到植株存储信息;
获得植株开关信息,所述植株开关信息表示由植株开关结构随机获得;
若所述植株开关为1,将所述环境条件信息和植株存储信息输入环境神经网络,得到药剂类别。
可选的,所述基于所述训练植株信息和所述训练环境信息集合,得到标注药剂配比,包括:
获得多个植株生长状态;所述植株生长状态表示在相同环境和植株的条件下,改变药剂比例,得到的生长状态;
基于所述植株生长状态,通过聚类算法,得到多个植株聚类;
获得第一植株聚类集合;所述第一植株聚类集合表示多个植株聚类中的植株聚类;
获得第二植株聚类集合;所述第二植株聚类集合表示多个植株聚类中除第一植株聚类之外的植株聚类;
基于所述第一植株聚类集合,得到第一边界点集合;所述第一边界点集合表示第一植株聚类集合中大于其他值的三个值;
基于所述第二植株聚类集合,得到第二边界点集合;所述第二边界点集合表示第二植株聚类集合中大于其他值的三个值;
基于所述第一边界点集合和第二边界点集合,得到第一药剂边界;
通过多次得到植株聚类集合之间的边界点集合,从而得到多个药剂边界,得到标注药剂配比。
可选的,所述基于所述第一边界点集合和第二边界点集合,得到第一药剂边界,包括:
基于所述第一边界点集合,得到第一边界点平均值;
基于所述第二边界点集合,得到第二边界点平均值;
基于所述第一边界点平均值与第二边界点平均值,得到第一药剂边界。
第二方面,本发明实施例提供了一种智能大棚农场管理***,包括:
获取模块:获得植株信息;所述植株信息包括植株种类和植株生长周期;所述植株种类表示需要灌溉的植株的信息;所述植株生长周期表示植株当前处于的生长周期;获得环境信息;所述环境信息包括多个环境种类;所述环境信息为当前植株所在环境信息;
关系判别模块:基于所述植株信息和环境信息,进行关系判断,得到环境条件信息;
药剂配比模块:基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比。
可选的,所述基于所述植株信息和环境信息,进行关系判断,得到环境条件信息,包括:
获得第一植株种类;所述第一植株种类为所述植株信息中的植株种类;
获得第一环境种类;所述第一环境为所述环境信息中的环境种类;
获得第二环境种类;所述第二环境种类为所述环境信息中除第一环境之外的环境种类;
基于所述第一植株种类、第一环境种类和第二环境种类,得到第一环境种类比例;
通过多次获得同一植株种类的多个环境种类之间的环境种类比例,得到整体环境种类比例;通过得到多个植株的整体环境种类比例,得到环境条件信息。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例还提供了一种智能大棚农场管理方法和***,所述方法包括:获得植株信息。所述植株信息包括植株种类和植株生长周期。所述植株种类表示需要灌溉的植株的信息。所述植株生长周期表示植株当前处于的生长周期。获得环境信息。所述环境信息包括多个环境种类。所述环境信息为当前植株所在环境信息。基于所述植株信息和环境信息,进行关系判断,得到环境条件信息。基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比。
实时采集数据可以利用人工智能分析处理,分析环境对于植株生长状态的影响。同时因为植株的种类和生长周期,与药剂的种类选择较为密切所以采用将植株种类和生长周期与环境神经网络中神经元全连接的方式进行连接,并且在训练过程中使用植株开关结构随机进行输入来训练神经网络,使得训练过程的环境神经网络能够更加准确的得到药剂种类。采用聚类的方法得到标注药剂配比,从而通过药剂比例神经网络更加准确的得到药剂配比。总而言之,能够更加准确的得到自动获取使得在不同植株种类、不同植株周期和不同环境下使得植株生长状态达到优秀的药剂配比。
附图说明
图1是本发明实施例提供的一种智能大棚农场管理方法流程图。
图2是本发明实施例提供的一种智能大棚农场管理方法中植株生长情况散点图。
图3是本发明实施例提供的一种智能大棚农场管理方法中药剂种类神经网络结构示意图。
图4是本发明实施例提供的一种智能大棚农场管理方法中不同药剂比例的植株生长状态散点图。
图5是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1
如图1所示,本发明实施例提供了一种智能大棚农场管理方法,所述方法包括:
S101:获得植株信息;所述植株信息包括植株种类和植株生长周期;所述植株种类表示需要灌溉的植株的信息;所述植株生长周期表示植株当前处于的生长周期。
其中,本实施例中所述植株生长周期包括幼苗期、生长期、开花期和结果期四个阶段。植物的凋零期不需要进行药水浇灌,所以不计入。
S102:获得环境信息。所述环境信息包括多个环境种类。所述环境信息为当前植株所在环境信息。
其中,本实施例中环境种类为温度、湿度、光照度等环境。
S103:基于所述植株信息和环境信息,进行关系判断,得到环境条件信息。
S104:基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比。
其中,使用得到的药剂配比进行混合药水进行自动灌溉。
可选的,所述基于所述植株信息和环境信息,进行关系判断,得到环境条件信息,包括:
获得第一植株种类;所述第一植株种类为所述植株信息中的植株种类;
获得第一环境种类;所述第一环境为所述环境信息中的环境种类;
获得第二环境种类;所述第二环境种类为所述环境信息中除第一环境之外的环境种类;
基于所述第一植株种类、第一环境种类和第二环境种类,得到第一环境种类比例;
通过多次获得同一植株种类的多个环境种类之间的环境种类比例,得到整体环境种类比例。通过得到多个植株的整体环境种类比例,得到环境条件信息。
其中,环境条件信息中的参数应该是存在数据库,表示湿度影响植株生长程度,温度影响植株生长程度等情况。
通过上述方法,得到每个环境种类对于灌溉的不同影响,能更加准确的获得灌溉方式。
可选的,所述基于所述第一植株种类、第一环境种类和第二环境种类,得到第一环境种类比例,包括:
基于第一植株种类和第一环境种类,得到第一优质植株。
其中,所述第一优质植株,在确定第一植株种类后,通过其他环境种类不改变,只改变第一环境种类的情况下,得到第一优质植株。所述第一优质植株表示相同数量植株中分为长势优秀的植株。
基于所述第一植株种类和第二环境种类,得到第二优质植株。
其中,第二优质植株与第一优质植株获取方法相同。
基于第一优质植株和第二优质植株,得到植株生长情况散点图。
其中,如由温度变化,得到生长状态优秀的植株,和由熟读变化得到生长状态优秀的植株构成的所述植株生长情况散点图如图2所示。
基于植株生长情况散点图,通过构建植株直线,得到植株数量;所述植株数量包括上植株数量和下植株数量。
其中,植株直线为y=x。上植株数量表示在植株直线上方的植株数量,下植株数量表示在植株直线下方的植株数量。
基于所述上植株数量和下植株数量,得到第一环境种类比例。
其中,第一环境种类比例为上植株数量与下植株数量相除之商。
通过上述方法,针对同一种类的植株,通过改变变量,得到在不同变量下植株的生长情况,从而得到比例。
可选的,所述将所述环境条件信息输入自动灌溉模型,得到灌溉信息,包括:
所述自动灌溉模型包括药剂种类神经网络和药剂比例神经网络;
所述药剂种类神经网络包括植株储存结构、植株开关结构和环境神经网络;
所述植株储存结构的输入为植株信息;所述植株开关结构的输入为所述植株储存结构的输出;所述环境神经网络的输入为所述环境信息、所述植株储存结构的输出和所述植株储存结构的输出。
通过上述网络,神经网络的作用为通过输入植株信息和比例环境信息,从而得到药剂比例。神经网络做了一个信息关联的作用,相当于求函数的参数,神经网络的设计相当于函数的设计。
可选的,自动灌溉模型的训练方法:
获得灌溉训练集,所述灌溉训练集包括训练数据和标注数据;所述训练数据包括训练植株信息和训练环境信息集合;所述训练环境信息集合表示植株表示当前状态的环境信息;所述标注数据包括标注药剂种类和标注药剂比值。
基于所述训练植株信息和所述训练环境信息集合,得到标注药剂比值;所述标注药剂比值表示在药水配比中药剂所占的比例。
基于所述训练植株信息和训练环境信息,进行关系判断,得到训练条件环境信息;
将所述训练环境条件信息和所述训练植株信息输入药剂种类神经网络,得到药剂类别;所述药剂类别表示用于进行浇灌的药水采用的药剂种类;
基于所述药剂种类、植株信息和环境信息,通过药剂比例神经网络,得到药剂配比;
基于所述药剂类别和标注药剂类别,得到药剂类别损失值。
其中,所述药剂类别损失值通过交叉熵损失函数计算所得。
基于所述药剂配比和标注药剂配比,得到药剂配比损失值。
其中,所述药剂配比损失值通过二元交叉熵损失函数计算所得。
获得总损失值。所述总损失值包括药剂类别损失值与所述药剂配比损失值之和。
获得自动灌溉模型当前的训练迭代次数以及预先设定的所述自动灌溉模型训练的最大迭代次数。
其中,本实施例中,所述自动灌溉模型训练的最大迭代次数为12000。
当所述总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的自动灌溉模型。
可选的,所述将所述训练环境条件信息和所述训练植株信息输入药剂种类神经网络,得到药剂类别,包括:
将所述植株信息输入植株存储结构,得到植株存储信息。
获得植株开关信息,所述植株开关信息表示由植株开关结构随机获得。
若所述植株开关为1,将所述环境条件信息和植株存储信息输入环境神经网络,得到药剂类别。
其中,通过获得0,1的随机数,从而将所述存储在植株存储结构的植株存储信息随机输入环境神经网络中。所述植株存储信息与环境神经网络中的所有神经元采用全连接的方法进行连接,通过0,1的随机数,在计算时隐藏某部分使得不进行计算。
其中,所述植株开关为0表示只将环境条件信息输入环境神经网络,不将植株信息输入环境神经网络。
通过上述方法,植株存储结构中的值与所有环境神经网络中的神经元进行全连接,通过控制植株开关结构,判断是否相连,从而能够使得植株信息在哪个位置输入环境神经网络。由于植株信息的内容较少,并且和药剂比例的关系更为亲密,采用这种方式使得更为准确的将植株信息进行判断。
可选的,所述基于所述训练植株信息和所述训练环境信息集合,得到标注药剂配比,包括:
获得多个植株生长状态;所述植株生长状态表示在相同环境和植株的条件下,改变药剂比例,得到的生长状态。
其中,在不同药剂比例的之下植株生长状态如图4所示。
基于所述植株生长状态,通过聚类算法,得到多个植株聚类;
获得第一植株聚类集合;所述第一植株聚类集合表示多个植株聚类中的植株聚类;
获得第二植株聚类集合;所述第二植株聚类集合表示多个植株聚类中除第一植株聚类之外的植株聚类;
基于所述第一植株聚类集合,得到第一边界点集合;所述第一边界点集合表示第一植株聚类集合中大于其他值的三个值;
基于所述第二植株聚类集合,得到第二边界点集合;所述第二边界点集合表示第二植株聚类集合中大于其他值的三个值;
基于所述第一边界点集合和第二边界点集合,得到第一药剂边界;
通过多次得到植株聚类集合之间的边界点集合,从而得到多个药剂边界,得到药剂配比分类。
通过上述方法,采用聚类的方法得到划分的区域能够更加准确的对某部分药剂配比得到的植株生长状态进行区分,从而通过药剂比例神经网络更加准确的得到药剂配比。
可选的,所述基于所述第一边界点集合和第二边界点集合,得到第一药剂边界,包括:
基于所述第一边界点集合,得到第一边界点平均值;
基于所述第二边界点集合,得到第二边界点平均值;
基于所述第一边界点平均值与第二边界点平均值,得到第一药剂边界。
通过上述方法,分析环境对于植株生长状态的影响,将每类环境影响的系数作为环境条件信息输入药剂种类神经网络。同时因为植株的种类和生长周期,与药剂的种类选择较为密切所以采用将植株种类和生长周期与环境神经网络中神经元全连接的方式进行连接,并且在训练过程中使用植株开关结构随机进行输入来训练神经网络,使得训练过程的环境神经网络能够更加准确的得到药剂种类。在得到药剂种类之后,进行计算得到药剂的配比方式。由于环境的变化和植株生长周期的变化使得药剂的准确配比获取较为困难,所以采取对标注药剂配比进行划分区域的方式进行训练。采用聚类的方法得到划分的区域能够更加准确的对某部分药剂配比得到的植株生长状态进行区分,从而通过药剂比例神经网络更加准确的得到药剂配比。总而言之,能够更加准确的得到自动获取使得在不同植株种类、不同植株周期和不同环境下使得植株生长状态达到优秀的药剂配比。
实施例2
基于上述的一种智能大棚农场管理方法,本发明实施例还提供了一种智能大棚农场管理***,所述***包括:
获取模块:获得植株信息;所述植株信息包括植株种类和植株生长周期;所述植株种类表示需要灌溉的植株的信息;所述植株生长周期表示植株当前处于的生长周期;获得环境信息;所述环境信息包括多个环境种类;所述环境信息为当前植株所在环境信息;
关系判别模块:基于所述植株信息和环境信息,进行关系判断,得到环境条件信息;
药剂配比模块:基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比。
可选的,所述基于所述植株信息和环境信息,进行关系判断,得到环境条件信息,包括:
获得第一植株种类;所述第一植株种类为所述植株信息中的植株种类;
获得第一环境种类;所述第一环境为所述环境信息中的环境种类;
获得第二环境种类;所述第二环境种类为所述环境信息中除第一环境之外的环境种类;
基于所述第一植株种类、第一环境种类和第二环境种类,得到第一环境种类比例;
通过多次获得同一植株种类的多个环境种类之间的环境种类比例,得到整体环境种类比例;通过得到多个植株的整体环境种类比例,得到环境条件信息。
在此关于上述实施例中的***,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图5所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述一种智能大棚农场管理方法的任一方法的步骤。
其中,在图5中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种智能大棚农场管理方法的任一方法的步骤以及上述的所涉及的数据。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种智能大棚农场管理方法,其特征在于,包括:
获得植株信息;所述植株信息包括植株种类和植株生长周期;所述植株种类表示需要灌溉的植株的信息;所述植株生长周期表示植株当前处于的生长周期;
获得环境信息;所述环境信息包括多个环境种类;所述环境信息为当前植株所在环境信息;
基于所述植株信息和环境信息,进行关系判断,得到环境条件信息;
基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比。
2.根据权利要求1所述的一种智能大棚农场管理方法,其特征在于,所述基于所述植株信息和环境信息,进行关系判断,得到环境条件信息,包括:
获得第一植株种类;所述第一植株种类为所述植株信息中的植株种类;
获得第一环境种类;所述第一环境为所述环境信息中的环境种类;
获得第二环境种类;所述第二环境种类为所述环境信息中除第一环境之外的环境种类;
基于所述第一植株种类、第一环境种类和第二环境种类,得到第一环境种类比例;
通过多次获得同一植株种类的多个环境种类之间的环境种类比例,得到整体环境种类比例;通过得到多个植株的整体环境种类比例,得到环境条件信息。
3.根据权利要求2所述的一种智能大棚农场管理方法,其特征在于,所述基于所述第一植株种类、第一环境种类和第二环境种类,得到第一环境种类比例,包括
基于所述第一植株种类和第一环境种类,得到第一优质植株;
基于所述第一植株种类和第二环境种类,得到第二优质植株;
基于第一优质植株和第二优质植株,得到植株生长情况散点图;
基于植株生长情况散点图,通过构建植株直线,得到植株数量;所述植株数量包括上植株数量和下植株数量;
基于所述上植株数量和下植株数量,得到第一环境种类比例。
4.根据权利要求1所述的一种智能大棚农场管理方法,其特征在于,基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比,包括:
所述自动灌溉模型包括药剂种类神经网络和药剂比例神经网络;
所述药剂种类神经网络包括植株储存结构、植株开关结构和环境神经网络;
所述植株储存结构的输入为植株信息;所述植株开关结构的输入为所述植株储存结构的输出;所述环境神经网络的输入为所述环境信息和所述植株储存结构的输出。
5.根据权利要求1所述的一种智能大棚农场管理方法,其特征在于,自动灌溉模型的训练方法:
获得灌溉训练集,所述灌溉训练集包括训练数据和标注数据;所述训练数据包括训练植株信息和训练环境信息集合;所述训练环境信息集合表示植株表示当前状态的环境信息;所述标注数据包括标注药剂种类和标注药剂比值;
基于所述训练植株信息和所述训练环境信息集合,得到标注药剂比值;所述标注药剂比值表示在药水配比中药剂所占的比例;
基于所述训练植株信息和训练环境信息,进行关系判断,得到训练条件环境信息;
将所述训练环境条件信息和所述训练植株信息输入药剂种类神经网络,得到药剂类别;所述药剂类别表示用于进行浇灌的药水采用的药剂种类;
基于所述药剂种类、植株信息和环境信息,通过药剂比例神经网络,得到药剂配比;
基于所述药剂类别和标注药剂类别,得到药剂类别损失值;
基于所述药剂配比和标注药剂配比,得到药剂配比损失值;
获得总损失值;所述总损失值包括药剂类别损失值与所述药剂配比损失值之和;
获得自动灌溉模型当前的训练迭代次数以及预先设定的所述自动灌溉模型训练的最大迭代次数;
当所述总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的自动灌溉模型。
6.根据权利要求5所述的一种智能大棚农场管理方法,其特征在于,所述将所述训练环境条件信息和所述训练植株信息输入药剂种类神经网络,得到药剂类别,包括:
将所述植株信息输入植株存储结构,得到植株存储信息;
获得植株开关信息,所述植株开关信息表示由植株开关结构随机获得;
若所述植株开关为1,将所述环境条件信息和植株存储信息输入环境神经网络,得到药剂类别。
7.根据权利要求5所述的一种智能大棚农场管理方法,其特征在于,所述基于所述训练植株信息和所述训练环境信息集合,得到标注药剂配比,包括:
获得多个植株生长状态;所述植株生长状态表示在相同环境和植株的条件下,改变药剂比例,得到的生长状态;
基于所述植株生长状态,通过聚类算法,得到多个植株聚类;
获得第一植株聚类集合;所述第一植株聚类集合表示多个植株聚类中的植株聚类;
获得第二植株聚类集合;所述第二植株聚类集合表示多个植株聚类中除第一植株聚类之外的植株聚类;
基于所述第一植株聚类集合,得到第一边界点集合;所述第一边界点集合表示第一植株聚类集合中大于其他值的三个值;
基于所述第二植株聚类集合,得到第二边界点集合;所述第二边界点集合表示第二植株聚类集合中大于其他值的三个值;
基于所述第一边界点集合和第二边界点集合,得到第一药剂边界;
通过多次得到植株聚类集合之间的边界点集合,从而得到多个药剂边界,得到标注药剂配比。
8.根据权利要求7所述的一种智能大棚农场管理方法,其特征在于,所述基于所述第一边界点集合和第二边界点集合,得到第一药剂边界,包括:
基于所述第一边界点集合,得到第一边界点平均值;
基于所述第二边界点集合,得到第二边界点平均值;
基于所述第一边界点平均值与第二边界点平均值,得到第一药剂边界。
9.一种智能大棚农场管理***,其特征在于,包括:
获取模块:获得植株信息;所述植株信息包括植株种类和植株生长周期;所述植株种类表示需要灌溉的植株的信息;所述植株生长周期表示植株当前处于的生长周期;获得环境信息;所述环境信息包括多个环境种类;所述环境信息为当前植株所在环境信息;
关系判别模块:基于所述植株信息和环境信息,进行关系判断,得到环境条件信息;
药剂配比模块:基于所述植株信息和环境条件信息,通过自动灌溉模型,得到药剂配比。
10.根据权利要求9所述的一种智能大棚农场管理***,其特征在于,所述基于所述植株信息和环境信息,进行关系判断,得到环境条件信息,包括:
获得第一植株种类;所述第一植株种类为所述植株信息中的植株种类;
获得第一环境种类;所述第一环境为所述环境信息中的环境种类;
获得第二环境种类;所述第二环境种类为所述环境信息中除第一环境之外的环境种类;
基于所述第一植株种类、第一环境种类和第二环境种类,得到第一环境种类比例;
通过多次获得同一植株种类的多个环境种类之间的环境种类比例,得到整体环境种类比例;通过得到多个植株的整体环境种类比例,得到环境条件信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210336632.XA CN114662609B (zh) | 2022-04-01 | 2022-04-01 | 一种智能大棚农场管理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210336632.XA CN114662609B (zh) | 2022-04-01 | 2022-04-01 | 一种智能大棚农场管理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114662609A true CN114662609A (zh) | 2022-06-24 |
CN114662609B CN114662609B (zh) | 2023-04-07 |
Family
ID=82032658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210336632.XA Active CN114662609B (zh) | 2022-04-01 | 2022-04-01 | 一种智能大棚农场管理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114662609B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268784A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种基于物联网的农业小环境监测平台 |
CN108694444A (zh) * | 2018-05-15 | 2018-10-23 | 重庆科技学院 | 一种基于智能数据采集与云服务技术的植物培育方法 |
CN110140704A (zh) * | 2019-05-17 | 2019-08-20 | 安徽舒州农业科技有限责任公司 | 一种用于植保无人机的智能农药喷洒方法及*** |
CN110187688A (zh) * | 2019-06-14 | 2019-08-30 | 青岛农业大学 | 设施农业智能水肥一体化控制***及控制方法 |
CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
CN112488467A (zh) * | 2020-11-16 | 2021-03-12 | 中国科学院合肥物质科学研究院 | 一种基于多尺度生境信息的水培作物施肥装置 |
CN113229123A (zh) * | 2021-06-02 | 2021-08-10 | 湖北工程学院 | 农作物智能灌溉方法、装置、设备及存储介质 |
-
2022
- 2022-04-01 CN CN202210336632.XA patent/CN114662609B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268784A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种基于物联网的农业小环境监测平台 |
CN108694444A (zh) * | 2018-05-15 | 2018-10-23 | 重庆科技学院 | 一种基于智能数据采集与云服务技术的植物培育方法 |
CN110140704A (zh) * | 2019-05-17 | 2019-08-20 | 安徽舒州农业科技有限责任公司 | 一种用于植保无人机的智能农药喷洒方法及*** |
CN110187688A (zh) * | 2019-06-14 | 2019-08-30 | 青岛农业大学 | 设施农业智能水肥一体化控制***及控制方法 |
CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
CN112488467A (zh) * | 2020-11-16 | 2021-03-12 | 中国科学院合肥物质科学研究院 | 一种基于多尺度生境信息的水培作物施肥装置 |
CN113229123A (zh) * | 2021-06-02 | 2021-08-10 | 湖北工程学院 | 农作物智能灌溉方法、装置、设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
叶春等: "基于RGB颜色空间的早稻氮素营养监测研究", 《中国农业大学学报》 * |
罗凯等: "物联网与太阳能发电在智能灌溉***中的应用", 《农机化研究》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114662609B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kalimuthu et al. | Crop prediction using machine learning | |
CN112001242B (zh) | 一种智能园艺管理方法和装置 | |
CN110119176A (zh) | 一种基于土壤元素资源含量数据检测的农作物种植*** | |
Halachmi et al. | A novel computer simulation model for design and management of re-circulating aquaculture systems | |
Nyakuri et al. | IoT and AI based smart soil quality assessment for data-driven irrigation and fertilization | |
Orishev et al. | Promising intelligent technologies for agricultural development | |
CN113359628B (zh) | 一种绿茶加工过程的控制方法和装置 | |
CN114662609B (zh) | 一种智能大棚农场管理方法及*** | |
Ahmad et al. | Intelligent plant monitoring system via IoT and fuzzy system | |
Halachmi | Systems engineering for ornamental fish production in a recirculating aquaculture system | |
Pierre et al. | AI Based Real-Time Weather Condition Prediction with Optimized Agricultural Resources | |
Martin-Clouaire et al. | Using empirical knowledge for the determination of climatic setpoints: An artificial intelligence approach | |
Aji et al. | Smart ecosystem for hydroponic land in the hydroponic farmers group guided by CSR PT. Otsuka Indonesia as an improved quality and quantity of harvest results | |
Kamath et al. | IoT based smart agriculture | |
CN108182643A (zh) | 基于天气预测的种植推荐方法和装置 | |
Htet et al. | Smart irrigation: An intelligent system for growing strawberry plants in different seasons of the year | |
Ng et al. | IoT-enabled system for monitoring and controlling vertical farming operations | |
CN113973559B (zh) | 一种智能施肥方法及装置 | |
Li et al. | Review of the practice, promotion, and perspective of smart agriculture in China | |
Vallejo-Gómez et al. | Smart Irrigation Systems in Agriculture: A Systematic Review. Agronomy 2023, 13, 342 | |
CN114708495B (zh) | 一种多源灌溉信息融合决策方法及*** | |
CN113115679B (zh) | 一种基于苹果病害预测的智能调控方法及其装置 | |
CN214795732U (zh) | 一种基于物联网的智慧园林监控*** | |
Nadhori et al. | Internet of Things based intelligent water management system for plants | |
Tang et al. | Enhanced Backpropagation Neural Network Approach for High Precision Fertilization Method in Greenhouse Vegetable Cultivation |
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 |