CN114911174A - 一种植物仿生的方法和装置 - Google Patents

Abstract

本发明涉及农业生产用智能装备领域，具体公开了一种植物仿生的方法和装置，所述装置包括仿生体，所述仿生体包括智能感知***，用于根据训练好的AI识别算法对获取的感知数据进行智能分析；模型分析***，用于根据设计好的植物生长分析模型和环境变化分析模型对输入的所述感知数据进行仿真分析，得到作物、环境的当前状态和变化趋势等预测推演数据；综合分析***，用于根据作物种植目标和预测推演数据，分析确定作物需求信息；外部连接***，用于建立各***的连接通道。本发明通过传感器+生物和环境模型+人工智能算法+通讯作业协同等一体化集成方式，对农作物进行实时监测，有利于提供精细、***、全面的农作物监测数据，进而有利于辅助农业生产管理人员为农作物提供良好的生长环境和实现更精准的作业管理。

Description

一种植物仿生的方法和装置

技术领域

本发明涉及农业生产用智能装备领域，具体是一种植物仿生的方法和装置。

背景技术

随着物联网、大数据、人工智能、5G、云计算等新一代信息技术的快速发展和广泛应用，我国农业发展正在从机械化、信息化逐步迈向智能化，即智慧农业阶段。智慧农业的生产离不开各种物联网传感器和图像设备获取的作物环境数据和生长数据，然而当前针对农作物自身和生长环境的感知，存在如下问题：

1、各传感器设备分散、独立，烟囱式的采集数据。常规做法一种传感一个数据，各自将采集到的传感数据或图像数据通过物联网平台传输至云端进行线上存储，然后再进行分析反馈处理，这样针对一株作物、一个环境的数据被分割、离散化，无法在时间、空间进行统一的分析，从而失去了很多进行***性根因分析的可能。

2、前端智能化不足，各传感器不管什么信息都往云端传，导致大多数无价值的垃圾数据占用了大量的网络传输带宽和云端存储资源、计算资源。如目前的农业上的多光谱图像相机或者传统视频监控设备只是简单粗放式的定点图像采集，导致大多数图像数据比较冗余，有价值的图像比较少，这样占用宝贵的存储资源同时加剧计算能耗。

3、田间或大棚内作业时，智能装备间并不能利用其他智能装备的能力，各自独立，无法协同，进行更实时、精准的操作。农机作业时，除非自己配置各类专业传感器，否则无法实时获取周边环境、作物状态等方面信息，不能按具体地块、作物、病虫草害进行更精准的作业。

基于上述行业痛点，我们提出一种基于多传感器集成，多作物/环境模型内置，多智能算法融合的智能设备，承载综合感知、自主决策、应激预警的农作物生长监测和协同交互的装置和设备—“植物仿生体”设备，辅助农业生产管理人员为农作物提供良好的生长环境和智能农业设备作业控制管理。本发明集成化、一体化设计，适合在大棚或大田环境下的实施和使用，采用工业化标准制造生产，适合大棚或农田大面积推广和普及。

发明内容

本发明的目的在于提供一种植物仿生的方法和装置，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种植物仿生的装置，所述装置包括仿生体，所述仿生体包括：

智能感知***，用于获取感知数据，对所述感知数据用初始配置或远程实时加载的，已经训练好AI识别算法进行智能分析，获得机器可以理解的包括作物信息和环境信息；

模型分析***，用于根据初始配置或远程实时加载的植物生长分析模型和环境变化分析模型所述感知数据进行仿真分析，得到作物、环境的当前状态和变化趋势等预测推演数据；

综合分析***，用于根据作物种植目标、设定的指标参数、预测推演数据等，确定作物需求信息；

外部连接***，用于建立各***的连接通道；其中，所述外部连接***至少包括智能上报模块，所述智能上报模块用于向将本地缓存的数据上传至决策分析平台进行数据分类存储和记录存档；

设备支撑***，所述设备支撑***包括设备管理模块、数据管理模块、模型算法管理模块和接口管理模块，用于实现各***的运行管理、资源管理和维护管理。

作为本发明进一步的方案：所述智能感知***包括：

数据处理模块，用于建立统一的时间和空间坐标体系，管理和处理各感知设备获取到的感知数据；

智能识别模块，用于根据预设的或实时加载的识别分类模型/算法对感知数据进行识别，根据识别结果将非结构化/半结构化的感知数据转换为结构化的、机器可以理解的感知数据；

其中，所述感知设备包括：

RGB视图传感器；

多光谱传感器；

高光谱传感器；

土壤传感器，用于监测土壤在不同深度处的温度、湿度、土壤酸碱度、电导率、土壤氮磷钾含量和有机质养分；

水位传感器；

光照度传感器；

气象监测设备，用于监测风速、风向、降雨量、太阳辐射、空气湿度和空气温度。

作为本发明进一步的方案：所述识别分类模型包括：

病害识别算法、虫害识别算法、草害识别算法和作物长势识别算法，这些模型算法通过ResNet或DenseNet等深度学习框架，对在采集到相关作物的病害图像样本，虫害图像样本，草害图像、长势光谱图像等样本上进行训练输出得到；

所述识别分类模型、算法可以实时加载和刷新，提升识别精度和性能。

作为本发明进一步的方案：所述植物生长分析模型包括：

作物生长模型以及光合作用模型、作物呼吸模型、水分胁迫模型、蒸腾作用模型、养分吸收模型、干物质转化模型和各项指标特征；其中，所述各项指标特征与作物状态相关；

所述模型均为***初始配置或云端动态加载的机制机理模型，各作物生长模型基于智能感知***获取的感知数据，通过预设的步长迭代模拟仿真，并根据实际生长情况进行矫正和优化模型参数，预测物长势情况，确定作物的管理需求。

作为本发明进一步的方案：所述环境变化分析模型包括：

各类对象演化模型、趋势预测模型、对作物作用和影响模型和各项指标特征，其中，所述各类对象包括天气、土壤、水分、光照和病虫草害；

所述模型均为***初始配置或云端动态加载的机制机理模型，各环境变化分析模型基于智能感知***获取的感知数据，所述包括土壤类型、土壤温度、土壤湿度、土壤水分、土壤养分、土壤电解质和土壤酸碱度、有机质、CO2含量，空气温度和空气湿度，通过预设的步长迭代模拟仿真，并根据实际演化情况进行矫正和优化模型参数，预测环境变化情况，确定农事管理需求。

作为本发明进一步的方案：所述综合分析***包括：

第一设定模块，用于设定智能感知***中各感知设备的参数；

第二设定模块，选择和设定感知数据的识别分类算法；

第三设定模块，选择和设定选用的环境变化分析模型及相关子模型和模型依赖的指标特征库；

第四设定模块，获取智能感知***的实时数据，选择和设定仿真和推理频率，基于仿真和推理结果，根据作物种植目标进行综合运算分析；

数据输出模块，用于根据综合运算分析结果，输出相应交互信号至其他***；

响应模块，用于根据其他***交互数据和指令，进行分析判断和响应。

作为本发明进一步的方案：所述设备支撑***包括：

设备管理模块，所述设备管理模块包括自身单板和芯片的维护和诊断管理单元，仿生体可拔插的各类传感器的管理单元，设备资源管理单元，设备日志管理单元，设备告警管理单元和设备维护管理单元；

数据管理模块，用于根据不同的数据库处理本装置所有数据；其中，处理方式包括存储、备份、查询和转换；

算法模型管理模块，用于标准化封装本装置所有模型和算法，用于各模块调用，远程升级和参数转化。

作为本发明进一步的方案：所述设备管理模块包括电源管理单元和安全防护单元；电源管理单元为提供电力的能源子***，能源子***包括设备本身的太阳能电池板、锂电池储能电池供电和220V的外部电力电缆输入电源安全防护单元包括防雷子单元、防水子单元、防潮子单元、防寒子单元、防高温子单元、防盗子单元、声光报警子单元。

作为本发明进一步的方案：所述外部连接***包括云端平台交互模块、农机交互模块、邻近仿生体交互模块和异构传感器交互模块；所述外部连接***用于：

互联互通和协同处理多个仿生体设备、仿生体和云端智慧农业平台、仿生体和边缘智能的***，仿生体和作业的智能装备；

支持和外部各***间的数据交换和信令控制交互；其中，交换数据包括定位、环境感知、长势感知、胁迫感知、刷新的模型和算法和数据异地备份。

本发明技术方案还提供了一种植物仿生的方法，所述方法包括：

获取感知数据，所述感知数据包括作物信息和环境信息；

根据训练好的智能算法对所述感知数据进行智能识别，获得机器可以理解的作物和环境状态；

根据设计的植物生长分析模型和环境变化分析模型，对作物和环境状态变化进行仿真分析，给出作物预测推演数据；

根据所述预测推演数据，结合作物种植目标，确定作物的需求信息；

建立各***的连接通道。

与现有技术相比，本发明的有益效果是：本发明通过传感器+生物和环境模型+人工智能算法+通讯作业协同等一体化集成方式，对农作物进行实时监测，有利于提供精细、***、全面的农作物监测数据，进而有利于辅助农业生产管理人员为农作物提供良好的生长环境和实现更精准的作业管理。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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。

图1为植物仿生的装置的组成结构框图。

图2为植物仿生的装置中植物生长模型示例图。

图3为植物仿生的方法和装置中外部连接***的组成结构框图。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明公开了一种以作物生长和环境变化机制机理相关模型为基础，利用传感技术和人工智能方法，实时、动态、精准的模拟作物自身的感知和实际“最佳产出生长”需求，实现对农作物生长、环境变化等的实时的、智能的、全面的精准感知并进行***的、综合的分析判断，最后把分析结果通过5G或光传输等通讯网络，和人、智慧农业平台或边缘智能设备、农机等智能作业设备、田间/大棚间的智控设备等实现交互协同的装置和设备。

本发明涉及的传感技术包括且不限于空气、土壤等环境传感器以及可见光（RGB）、红外以及多光谱、高光谱等视图传感器件或设备。本发明涉及的作物生长和环境变化模型包括且不限于作物生长模型、土壤演化模型、光合作用模型、氮/磷/钾等养分吸收模型、淀粉/蛋白等种粮营养转化和储存模型、病虫害演化模型等生命科学、环境化学等领域科研成果；本发明涉及的人工智能技术包括识别分类、预测预警等各类机器学***台、农机设备、农田或大棚智能装备、以及周边植物仿生体的通讯和协同。本发明装置还包括利用太阳能本地储电供电等技术，抗震防水防潮防雷、防寒防高温防腐蚀等可靠性设计，防电击防静电防盗窃等安全性设计。

本发明通过传感器+生物和环境模型+人工智能算法+通讯作业协同等一体化集成方式，对农作物进行实时监测，有利于提供精细、***、全面的农作物监测数据，进而有利于辅助农业生产管理人员为农作物提供良好的生长环境和实现更精准的作业管理，本发明集成化、统一制式的设计适合大田、大棚等各种环境下的实施和使用，同时采用工业化低成本、高性能、高可靠的电子产品流水线制造，适合农田大面积推广和普及。

实施例1

图1示出了植物仿生的装置的组成结构框图，本发明实施例中，一种植物仿生的装置，所述装置包括仿生体，所述仿生体包括：

智能感知***，用于获取感知数据，所述感知数据包括作物信息和环境信息；

模型分析***，用于根据训练好的植物生长分析模型和环境变化分析模型所述感知数据进行仿真分析，得到预测推演数据；

综合分析***，用于根据所述预测推演数据确定作物的需求信息；

外部连接***，用于建立各***的连接通道；其中，所述外部连接***至少包括智能上报模块，所述智能上报模块用于向将本地缓存的数据上传至决策分析平台进行数据分类存储和记录存档；

设备支撑***，所述设备支撑***包括设备管理模块、数据管理模块、模型算法管理模块和接口管理模块，用于实现各***的运行管理、资源管理和维护管理。

本发明公开了一种以作物生长和环境变化机制机理相关模型为基础，利用传感技术和人工智能方法，实时、动态、精准的模拟作物自身的感知和实际“最佳产出生长”需求，实现对农作物生长、环境变化等的实时的、智能的、全面的精准感知并进行***的、综合的分析判断，最后把分析结果通过5G或光传输等通讯网络，和人、智慧农业平台或边缘智能设备、农机等智能作业设备、田间/大棚间的智控设备等实现交互协同的装置和设备。

如图1所示，植物仿生体包括智能感知***（包括各类周边作物传感模块和环境传感器模块，以及相应传感器感知参数的智能分析模块）、模型分析***（包括作物生长分析模型、环境变化分析模型以及综合分析***等）、外部连接***（包括云端平台交互***、近端仿生体交互***、智能装备交互***、异构传感器交互***、综合上报模块、协同处理模块等）、设备支撑***（包括设备管理模块、数据管理模块、接口管理模块、模型算法管理模块等）四大主***以及十几个子***。

作为本发明技术方案的一个优选实施例，所述智能感知***包括：

数据处理模块，用于建立统一的时间和空间坐标体系，统计各感知设备获取到的感知数据；

智能识别模块，用于根据预设的或实时加载的识别分类模型对感知数据进行识别，根据识别结果将非结构化的感知数据转换为结构化的感知数据；

其中，所述感知设备包括：

RGB视图传感器；

多光谱传感器；

高光谱传感器；

土壤传感器，用于监测土壤在不同深度处的温度、湿度、土壤酸碱度、电导率、土壤氮磷钾含量和有机质养分；

水位传感器；

光照度传感器；

气象监测设备，用于监测风速、风向、降雨量、太阳辐射、空气湿度和空气温度。

进一步的，所述识别分类模型包括：

病害识别算法、虫害识别算法、草害识别算法和作物长势识别算法，这些模型算法通过ResNet或DenseNet等深度学习框架，对在采集到相关作物的病害图像样本，虫害图像样本，草害图像、长势光谱图像等样本上进行训练输出得到；

智能感知***可全面、实时获取周边作物的生长参数和环境参数，该模块可集成包括且不限于RGB视图传感器（高分辨率的视频监控设备），多光谱传感器（多光谱相机），高光谱传感器（高光谱仪）、土壤传感器（监测土壤不同深度的温度、湿度、土壤酸碱度、电导率、土壤氮磷钾含量或有机质养分等），水位传感器，光照度传感器，气象监测设备（监测本田田间气象风速、风向、降雨量、太阳辐射、空气湿度、空气温度等指标），病虫草害感知或捕获等传感器件或子***。通过这些集成的多种类型传感器设备，建立统一的时间、空间坐标体系（通过手工设定或定位传感器），一物一档，一地一档，实时采集和记录作物自身性状、生长环境指标、周边胁迫特征等的各项感知数据与指标。例如，多光谱传感器可获取植物、水土等的多光谱图像数据；视频监控设备可记录区域作物长势的RGB图像，同时监控作物周边的害虫、作物病情、杂草生长等各阶段关键变化图像数据；光照度传感器记录作物全生长期的各时间内（以半小时记）的光强和光质数据，为综合分析***根据温度、胁迫和长势情况等进行根因分析提供了可能。

智能感知***中，针对每一类传感参数，都有相应的经过深度学习等AI或机器算法获取的识别分类模型或算法对感知数据进行智能分析和识别，实现从非结构化数据到结构化数据（这些数据机器可以理解，可以作为生长模型等的输入参数）的转换。例如，可见光（RGB，下同）成像的非结构化数据通过AI可以获得植物的结构、宽度、密度、对称性、叶长、叶宽、叶面积、叶角度、叶颜色、叶病斑、虫害、草害等参数；近红外成像可以分析植物的水分分布状态、水力学研究、胁迫生理学研究等，通过根系近红外成像数据可分析植物根系和土柱中的水分分布情况；通过叶面多光谱图像，结合长势识别算法分析出当前叶绿素的含量，从而给出当前长势是否正常的判断分析。

识别分类模型或算法包括且不限于病害识别算法、虫害识别算法、草害识别算法、作物长势识别算法等，这些模型算法通过ResNet或DenseNet等深度学习框架，对在采集到相关作物的病害图像样本，虫害图像样本，草害图像、长势光谱图像等样本上进行训练输出得到。这些算法可以通过云端***进行下载或升级刷新，始终同步最新的AI算法训练成果。

图2示出了植物仿生的装置中植物生长模型示例图，作为本发明技术方案的一个优选实施例，所述植物生成分析模型包括：

作物生长模型以及光合作用模型、作物呼吸模型、水分胁迫模型、蒸腾作用模型、养分吸收模型、干物质转化模型和各项指标特征；其中，所述各项指标特征与作物状态相关；

所述模型均为***初始配置或云端动态加载的机制机理模型，各作物生长模型基于智能感知***获取的感知数据，通过预设的步长迭代模拟仿真，并根据实际生长情况进行矫正和优化模型参数，预测物长势情况，确定作物的管理需求。

模型分析***主要根据智能感知***获取的感知数据，使用植物生长分析模型、环境变化分析模型进行各类模型仿真分析，预测预警模型，综合分析判断当前作物生长的健康情况，周边环境胁迫的严重程度，并及时上报营养不足、地块旱涝、虫草病灾等信息。

植物生长分析模型包括：且不限于作物生长模型以及光合作用模型、作物呼吸模型、水分胁迫模型、蒸腾作用模型、养分（氮/磷/钾/钙/硫/微量元素等）吸收模型、干物质转化模型等作物生长子模型（同时包括模型需要各项指标特征，如作物健康生长时的生长指标数据叶面积指数、株高、叶片氮含量等），这些模型均为***初始配置或云端动态加载的机制机理模型，各生长模型利用智能感知***提供的实时参数，可以通过按时、按天为步长迭代模拟仿真，并根据实际生长情况进行矫正和优化模型参数，从而更精准的预测或判断作物长势情况以及归纳出作物的管理需求。

具体的，所述环境变化分析模型包括：

各类对象演化模型、趋势预测模型、对作物作用和影响模型和各项指标特征，其中，所述各类对象包括天气、土壤、水分、光照和病虫草害；

所述模型均为***初始配置或云端动态加载的机制机理模型，各环境变化分析模型基于智能感知***获取的感知数据，所述包括土壤类型、土壤温度、土壤湿度、土壤水分、土壤养分、土壤电解质和土壤酸碱度、有机质、CO2含量，空气温度和空气湿度，通过预设的步长迭代模拟仿真，并根据实际演化情况进行矫正和优化模型参数，预测环境变化情况，确定农事管理需求。

环境变化分析模型包括且不限于天气、土壤、水分、光照、病虫草害等各类对象演化模型、趋势预测模型、对作物作用和影响模型（同时包括模型需要各项指标特征）等。这些模型均为***初始配置或云端动态加载的机制机理模型，各模型根据智能感知***提供的实时参数（包括但不限于土壤类型、土壤温度、土壤湿度、土壤水分、土壤养分、土壤电解质和土壤酸碱度、有机质、CO2含量，空气温度，空气湿度等），可以通过按时、天、周、月等为步长迭代模拟仿真，并根据实际演化情况进行矫正和优化模型参数，从而更精准的预测或判断环境变化情况以及归纳出环境利用的农事管理需求。

作为本发明技术方案的一个优选实施例，所述综合分析***包括：

第一设定模块，用于设定智能感知***中各感知设备的参数；

第二设定模块，选择和设定感知数据的识别分类算法；

第三设定模块，选择和设定选用的环境变化分析模型及相关子模型和模型依赖的指标特征库；

第四设定模块，获取智能感知***的实时数据，选择和设定仿真和推理频率，基于仿真和推理结果，根据作物种植目标进行综合运算分析；

数据输出模块，用于根据综合运算分析结果，输出相应交互信号至其他***；

响应模块，用于根据其他***交互数据和指令，进行分析判断和响应。

综合分析***，主要根据周边观测作物的生长或种植目标，依据周边小环境的变化分析和预测推演数据，对植物生长仿真模型的结果进行分析判断，给出当前作物的种植管理的需求信号，并把这些信号发送给智慧农业中心平台***、智能边缘***、农事操作智能机器或农业生产管理人员等，他们根据这些信号，可以进行相应的管理和操作。综合分析***作为植物仿生体的主处理***，主要功能有：

1、可以设定智能感知***采集数据的相关参数（如拍照像素）或频率，即传感器采集数据的时间和间隔。如作物生长遭遇病虫草害的高发时间段，自适应动态调整采集图像的时间窗口和采集精度；

2、选择和设定感知参数的识别分类算法。如非关键对象识别时可采用简单高效的识别算法，减少计算资源的占用或降低功耗。

3、选择和设定选用的环境变化分析模型及相关子模型，以及模型依赖的指标特征库。不同地块和小气候场景下，不同模型的精确度，指标特征的数值差异很大；

4、根据智能感知***实时数据，选择和设定仿真和推理频率，并利用仿真或推理结果，利用作物种植目标、进行综合运算分析；

5、根据综合运算分析结果，输出相应交互信号给其他***；

6、可以根据其他***交互数据和指令，进行分析判断和相应。

综合分析***可结合高斯概率分布统计，计算均值和方差，判断当前作物生长阶段在相应环境下的指标变化，若偏差过大则代表当前作物生长指标异常，通过综合上报模块向决策分析平台模块发出预警提示，告知当前异常指标，为农事专家或技术员提供农事处置依据。也可通过预期生长下的环境变化指标情况如土壤水分含量、土壤温度等的阈值确定当前作物是否需要灌溉或排涝的农事操作。

作为本发明技术方案的一个优选实施例，所述设备支撑***包括：

设备管理模块，所述设备管理模块包括自身单板和芯片的维护和诊断管理单元，仿生体可拔插的各类传感器的管理单元，设备资源管理单元，设备日志管理单元，设备告警管理单元和设备维护管理单元；

数据管理模块，用于根据不同的数据库处理本装置所有数据；其中，处理方式包括存储、备份、查询和转换；

算法模型管理模块，用于标准化封装本装置所有模型和算法，用于各模块调用，远程升级和参数转化。

设备支撑***包括设备管理、数据管理、模型算法管理及接口管理等模块。主要实现植物仿生体软件***的运行管理、资源管理和维护管理等。

设备管理包括自身单板和芯片的维护和诊断管理，仿生体可拔插的各类传感器的管理，设备资源管理，设备日志管理，设备告警管理及其他设备维护管理等，设备管理还包括电源管理和安全防护管理两个子模块。电源管理模块为管理为设备提供电力的能源子***，电源子***可包括设备本身的太阳能电池板或者锂电池储能电池供电，也包括110V/220V等的外部电力电缆输入电源。安全防护装置主要包括防雷、防水、防潮、防寒、防高温、防盗防破坏等各类结构设计、电路设计和软件设计功能，并提供声光报警功能。

数据管理负责植物仿生体所有数据的存储、备份、查询、转换等，针对不同的非结构化感知数据和结构化的模型算法数据，有不同的数据库或数据文件格式和存取方法进行管理。

算法模型管理主要是对仿生体***所有使用到的模型和算法进行统一的标准化封装，便于各模块调用，远程升级，参数转化等。本模块是植物仿生体可以持续迭代升级，更准确感知、模型作物生长和环境变化的关键。

进一步的，所述设备管理模块包括电源管理单元和安全防护单元；电源管理单元为提供电力的能源子***，能源子***包括设备本身的太阳能电池板、锂电池储能电池供电和外部电力电缆输入电源安全防护单元包括防雷子单元、防水子单元、防潮子单元、防寒子单元、防高温子单元、防盗子单元、声光报警子单元。

图3示出了植物仿生的方法和装置中外部连接***的组成结构框图，所述外部连接***包括云端平台交互模块、农机交互模块、邻近仿生体交互模块和异构传感器交互模块；所述外部连接***用于：

互联互通和协同处理多个仿生体设备、仿生体和云端智慧农业平台、仿生体和边缘智能的***，仿生体和作业的智能装备；

支持和外部各***间的数据交换和信令控制交互；其中，交换数据包括定位、环境感知、长势感知、胁迫感知、刷新的模型和算法和数据异地备份。

外部连接***包括和云端平台交互***、农机交互***、邻近仿生体交互***、异构传感器交互***等模块，负责多个仿生体设备间、仿生体和云端智慧农业平台或边缘智能的***、作业的智能装备（农机或农具、无人机及其他智能作业装备）、其他传感器等进行互联互通和协同处理，支持和外部各***间的数据交换和信令控制交互，交换数据包括且不限于定位、环境感知、长势感知、胁迫感知、刷新的模型和算法、数据异地备份等。外部连接***有传输模块，传输模块可采用无线通信或有线通讯方式，包括且不限于2G/3G/4G/5G移动通讯、WLAN/Lora/Zigbee/蓝牙等中短距离无线通讯、光纤或电缆的有线通讯等，传输模块采用低功耗的通讯方式。外部连接***包括有智能上报模块，负责按需或定时（按半/小时、天、周或月方式）将本地缓存的传感或图像数据通过传输模块到决策分析平台进行数据分类存储和记录存档，为后续农学专家研究作物算法模型训练提供数据支撑；负责给决策分析平台或终端设备推送作物农事生产过程中的预测预警信息。

植物仿生体作为一个一体化集成装置，可静态***种植作物的田间或大棚土壤中，可独立单点部署或者群体多点部署，通过传输模块进行通信互联和数据传输，做数据一致性或归一化处理。通过综合分析***（或称控制模块），可设为主从设备关系，一定区域内多个仿生体设备可以相互检测工作状态，当其中一个设备异常，则可以向控制中心预警进行检修或者向周围设备发送数据备份请求，该植物仿生体通过传输模块提供外接设备接入数据接口，可兼容已有有线或无线监测设备接入。

本发明技术方案的创新点包括：

1、提出一种结合各类传感器、AI感知算法、生长模型和环境演化模型等来精确模拟感知作物生长需要的方案和设备；

2、提出一种农业田地间、大棚内的一体化集成设备，设备内置环境感知传感器和作物生长观测传感器，环境传感器包括且不限于土壤、空气、光照、水分等传感器，监测参数有包括但不限于土壤类型、土壤温度、土壤湿度、土壤水分、土壤养分、土壤电解质和土壤酸碱度、有机质、CO2含量，空气温度，空气湿度等；作物生长传感器包括且不限于可见光传感、红外传感、多光谱和高光谱传感，监测参数有作物根茎叶穗等个数、高度、叶面积、含氮量、叶绿素含量等；

3、提出一种农业田地间、大棚内的一体化集成设备，设备内置对各种感知数据进行智能分析的AI识别和分类算法，包括且不限于作物长势、病虫草害等识别，并给出综合多维感知信息进行更精准识别；

4、提出一种农业田地间、大棚内的一体化集成设备，设备内置有包括且不限于作物生长模型以及光合作用模型、作物呼吸模型、水分胁迫模型、蒸腾作用模型、养分（氮/磷/钾/钙/硫/微量元素等）吸收模型、干物质转化模型等作物生长子模型（同时包括模型需要各项指标特征，如作物健康生长时的生长指标数据叶面积指数、株高、叶片氮含量等）；

5、提出一种农业田地间、大棚内的一体化集成设备，设备内置有包括且不限于天气、土壤、水分、光照、病虫草害等各类对象演化模型、趋势预测模型、对作物作用和影响模型（同时包括模型需要各项指标特征）等。

6、提出一种农业田地间、大棚内的一体化集成设备，设备内置综合分析***，能结合作物种植目标，给出作物生长当前状态和发展趋势，对环境变化的需求以及可能的风险，超过一定阈值情况并进行报警。

7、提出一种农业田地间、大棚内的一体化集成设备，设备可以和周边仿生体利用通讯模块交换数据和信息，进行更精确的分析和判断。

8、提出一种农业田地间、大棚内的一体化集成设备，设备可以和周边的智能装备交换数据和信息，便于智能装备进行更精准的作业。

9、提出一种农业田地间、大棚内的一体化集成设备，设备可以对接其他传感设备或智能设施进行控制和管理。

实施例2

本发明实施例中，一种植物仿生的方法，所述方法包括：

获取感知数据，所述感知数据包括作物信息和环境信息；

根据训练好的智能算法对所述感知数据进行智能识别，获得机器可以理解的作物和环境状态；

根据设计的植物生长分析模型和环境变化分析模型，对作物和环境状态变化进行仿真分析，给出作物预测推演数据；

根据所述预测推演数据，结合作物种植目标，确定作物的需求信息；

建立各***的连接通道。

所述植物仿生的方法所能实现的功能均由计算机设备完成，所述计算机设备包括一个或多个处理器和一个或多个存储器，所述一个或多个存储器中存储有至少一条程序代码，所述程序代码由所述一个或多个处理器加载并执行以实现所述植物仿生的方法的功能。

处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器（Read-Only Memory，ROM），所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。

示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。

本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，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，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。

上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在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，实现上述终端设备的各种功能。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（比如信息采集模板展示功能、产品信息发布功能等）等；存储数据区可存储根据泊位状态显示***的使用所创建的数据（比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等）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。

终端设备集成的模块/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介质中。基于这样的理解，本发明实现上述实施例***中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个***实施例的功能。其中，计算机程序包括计算机程序代码，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。计算机可读介质可以包括：能够携带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 AccessMemory）、电载波信号、电信信号以及软件分发介质等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种植物仿生的装置，其特征在于，所述装置包括仿生体，所述仿生体包括：

智能感知***，用于获取感知数据，对所述感知数据用训练好的AI算法进行智能分析，获得机器可以理解的包括作物信息和环境信息；

模型分析***，用于根据设计好的植物生长分析模型和环境变化分析模型所述感知数据进行仿真分析，得到作物、环境的当前状态和变化趋势等预测推演数据；

综合分析***，用于根据作物种植目标和预测推演数据，确定作物需求信息；

外部连接***，用于建立各***的连接通道；其中，所述外部连接***至少包括智能上报模块，所述智能上报模块用于向将本地缓存的数据上传至决策分析平台进行数据分类存储和记录存档；

设备支撑***，所述设备支撑***包括设备管理模块、数据管理模块、模型算法管理模块和接口管理模块，用于实现各***的运行管理、资源管理和维护管理。

2.根据权利要求1所述的植物仿生的装置，其特征在于，所述智能感知***包括：

数据处理模块，用于建立统一的时间和空间坐标体系，管理和处理各感知设备获取到的感知数据；

识别模块，用于根据训练好的AI识别分类模型、算法对感知数据进行识别，根据识别结果将非结构化/半结构化的感知数据转换为结构化的，机器可以理解的感知数据；

其中，所述感知设备包括但不限于：

RGB视图传感器；

多光谱传感器；

高光谱传感器；

土壤传感器，用于监测土壤在不同深度处的温度、湿度、土壤酸碱度、电导率、土壤氮磷钾含量和有机质养分；

水位传感器；

光照度传感器；

气象监测设备，用于监测风速、风向、降雨量、太阳辐射、空气湿度和空气温度。

3.根据权利要求2所述的植物仿生的装置，其特征在于，所述识别分类模型包括：

病害识别算法、虫害识别算法、草害识别算法和作物长势识别算法，这些模型算法通过ResNet或DenseNet等深度学习框架或机器学习模型，对在采集到相关作物的病害图像样本，虫害图像样本，草害图像、长势图像和光谱信息等样本上进行训练输出得到；

所述识别分类模型可以远程升级加载，逐步提升识别精度和性能。

4.根据权利要求1所述的植物仿生的装置，其特征在于，所述植物生长分析模型包括：

作物生长模型以及光合作用模型、作物呼吸模型、水分胁迫模型、蒸腾作用模型、养分吸收模型、干物质转化模型和各项指标特征；其中，所述各项指标特征与作物状态相关；

所述模型均为***初始配置或云端动态加载的机制机理模型，各作物生长模型基于智能感知***获取的感知数据，通过预设的步长迭代模拟仿真，并根据实际生长情况进行矫正和优化模型参数，预测物长势情况，确定作物的管理需求。

5.根据权利要求1所述的植物仿生的装置，其特征在于，所述环境变化分析模型包括：

各类对象演化模型、趋势预测模型、对作物作用和影响模型和各项指标特征，其中，所述各类对象包括天气、土壤、养分、水分、光照和病虫草害；

所述模型均为***初始配置或云端动态加载的机制机理模型，各环境变化分析模型基于智能感知***获取的感知数据，所述包括土壤类型、土壤温度、土壤湿度、土壤水分、土壤养分、土壤电解质和土壤酸碱度、有机质、CO2含量，空气温度和空气湿度，通过预设的步长迭代模拟仿真，并根据实际演化情况进行矫正和优化模型参数，预测环境变化情况，确定农事管理需求。

6.根据权利要求1所述的植物仿生的装置，其特征在于，所述综合分析***包括：

第一设定模块，用于设定智能感知***中各感知设备的参数；

第二设定模块，选择和设定感知数据的识别分类算法；

第三设定模块，选择和设定选用的植物生长模型、环境变化分析模型及相关子模型和模型依赖的指标特征库；

第四设定模块，获取智能感知***的实时数据，选择和设定仿真和推理频率，基于仿真和推理结果，根据作物种植目标进行综合运算分析；

数据输出模块，用于根据综合运算分析结果，输出相应交互信号至其他***；

响应模块，用于根据其他***交互数据和指令，进行分析判断和响应。

7.根据权利要求1所述的植物仿生的装置，其特征在于，所述设备支撑***包括：

设备管理模块，所述设备管理模块包括自身单板和芯片的维护和诊断管理单元，仿生体可拔插的各类传感器的管理单元，设备资源管理单元，设备日志管理单元，设备告警管理单元和设备维护管理单元；

数据管理模块，用于根据不同的数据库处理本装置所有数据；其中，处理方式包括存储、备份、查询和转换；

算法模型管理模块，用于标准化封装本装置所有模型和算法，用于各模块调用，远程升级和参数转化。

8.根据权利要求7所述的植物仿生的装置，其特征在于，所述设备管理模块包括电源管理单元和安全防护单元；电源管理单元为提供电力的能源子***，能源子***包括设备本身的太阳能电池板、锂电池储能电池供电和外部电力电缆输入电源安全防护单元包括防雷子单元、防水子单元、防潮子单元、防寒子单元、防高温子单元、防盗子单元、声光报警子单元。

9.根据权利要求1-8任一项所述的植物仿生的装置，其特征在于，所述外部连接***包括云端平台交互模块、农机交互模块、邻近仿生体交互模块和异构传感器交互模块；所述外部连接***用于：

互联互通和协同处理多个仿生体设备、仿生体和云端智慧农业平台、仿生体和边缘智能的***，仿生体和作业的智能装备；

支持和外部各***间的数据交换和信令控制交互；其中，交换数据包括定位、环境感知、长势感知、胁迫感知、刷新的模型和算法和数据异地备份。

10.一种植物仿生的方法，其特征在于，所述方法包括：

获取感知数据，所述感知数据包括作物信息和环境信息；

根据训练好的智能算法对所述感知数据进行智能识别，获得机器可以理解的作物和环境状态；

根据设计的植物生长分析模型和环境变化分析模型，对作物和环境状态变化进行仿真分析，给出作物预测推演数据；

根据所述预测推演数据，结合作物种植目标，确定作物的需求信息；

建立各***的连接通道。

Images