CN115686110A - 温室大棚智能控制方法、***、监控装置、设备及介质 - Google Patents

Abstract

本申请公开了一种温室大棚智能控制方法、***、监控装置、设备及介质，该方法包括：实时获取温室大棚的环境参数，包括温度、湿度、土壤水分含量、光照强度、必要气体浓度及有害气体浓度；判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；若所述环境参数处于预设范围内，将所述环境参数输入至训练好的预测模型，生成对应的环境参数配置方案；若所述环境参数处于预设范围外，触发报警提示。本申请结合实时环境数据，基于预测模型只能分析出当前环境下的最佳参数配置方案，以科学指导种植人员对温室大棚室内环境进行调控，增强农作物的成活率，具有智能化程度高、成本低且操作简单的优点。

Description

温室大棚智能控制方法、***、监控装置、设备及介质

技术领域

本申请涉及温室大棚智能控制技术领域，尤其涉及一种温室大棚智能控制方法、***、监控装置、设备及介质。

背景技术

温室大棚的室内环境与农作物的生长品质有直接关系，若要保证农作物具有较好的生长环境，则需要人工对于温室大棚的室内环境进行实时或者不定时监测，例如监测室内环境参数，通常是监测***采集室内环境数据后，人工依据该环境数据，结合种植经验判断当前环境是否适合农作物生长。若室内环境不利于农作物生长时，则需要人工在温室大棚现场，手动调节环境参数，以使得室内环境恢复到适应农作物生长的环境。

然而，这种方式存在明显的弊端：第一，这种方式下需要人工不定时的进行监测和手动调节，智能化程度低，不仅需要花费大量人力物力，且操作繁琐，不利于大面积温室大棚种植推广。第二，由于监测***采集数据后，是依赖于人工种植经验来判断当下环境状态的，而不同种植人员的水平参差不齐，仅依赖人工经验判断显然无法保证将当前环境调整为最适应农作物生长的环境，也即人工经验下选择的环境参数配置方案，其准确度和合理性都无法保障。第三，现有的监测***对于温室大棚室内环境数据的采集往往也较为单一，通常只是关注了温湿度、光照等常见的环境参数，而仅依赖这些参数忽略其他影响温室大棚的参数，也不能得到最适应农作物生长的温室大棚环境，进而无法为农作物生长提供最佳环境。

发明内容

本申请的目的在于提供一种温室大棚智能控制方法、***、监控装置、设备及介质，以解决现有技术中对温室大棚室内环境监控时存在的智能化程度低、成本高、操作繁琐以及无法为农作物提供最佳生长环境的问题。

为实现上述目的，本申请提供一种温室大棚智能控制方法，包括：

实时获取温室大棚的环境参数，包括温度、湿度、土壤水分含量、光照强度、必要气体浓度及有害气体浓度；

判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

若所述环境参数处于预设范围内，将所述环境参数输入至训练好的预测模型，生成对应的环境参数配置方案；

若所述环境参数处于预设范围外，触发报警提示。

进一步，作为优选地，在所述生成对应的环境参数配置方案之后，还包括：

根据所述环境参数配置方案自动调节温室大棚的环境参数；或，

推送所述环境参数配置方案至移动终端，接收所述移动终端发送的调节指令，根据调节指令对温室大棚的环境参数进行远程调节。

进一步，作为优选地，在所述将所述环境参数输入至训练好的预测模型之前，还包括：

训练得到预测模型，包括：

从数据库中获取温室大棚历史成功种植案例，并获取对应的历史环境参数，作为训练样本；

利用所述训练样本，分别基于Faster-RCNN算法和LSTM算法，训练得到第一模型和第二模型；

将所述第一模型和所述第二模型输入至集成分类器，生成预测模型。

进一步，作为优选地，所述训练得到预测模型，还包括：

以温室大棚内的温度、湿度、土壤水分含量及光照强度为模型输入，以温室大棚内的必要气体浓度及有害气体浓度为模型输出，分别训练第一模型和第二模型；其中，

利用层次分析法，确定温室大棚内的温度、湿度、土壤水分含量及光照强度各指标的权重，以温度、湿度、土壤水分含量及光照强度的加权指标组合作为模型输入。

进一步，作为优选地，基于所述Faster-RCNN算法训练得到第一模型，包括：

对Faster-RCNN算法的RoI卷积神经网络进行改进，包括：

把RoI投射到特征图区域内，将投射结果均匀地划分到一个区域里，在每个区域都布置若干个相同数量的采样点，对每个采样点进行双线性插值；

当每个采样点完成双线性插值后，对该区域内若干个采样点取最大值，得到区域的特征量；

利用改进的Faster-RCNN算法训练得到第一模型。

进一步，作为优选地，基于所述LSTM算法训练得到第二模型，包括：

构建STT-LSTM网络模型，所述STT-LSTM网络模型含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层；

将训练样本传进第一层STT-LSTM网络中的两个LSTM网络，分别训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，得到初步融合结果；

将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第二模型。

本申请还提供一种温室大棚智能控制***，包括：

数据采集单元，用于实时获取温室大棚的环境参数，包括温度、湿度、土壤水分含量、光照强度、必要气体浓度及有害气体浓度；

数据分析单元，用于判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

智能推荐单元，用于若所述环境参数处于预设范围内，将所述环境参数输入至训练好的预测模型，生成对应的环境参数配置方案；

报警单元，用于若所述环境参数处于预设范围外，触发报警提示。

进一步，作为优选地，所述的温室大棚智能控制***，还包括：

自动调节单元，用于根据所述环境参数配置方案自动调节温室大棚的环境参数。

本申请还提供一种温室大棚智能监控装置，包含如上任一项所述的温室大棚智能控制***，还包括：

移动终端，用于当接收到所述温室大棚智能控制***推送的环境参数配置方案时，发送调节指令至所述温室大棚智能控制***，以实现对温室大棚的环境参数的远程调节。

本申请还提供一种计算机设备，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的温室大棚智能控制方法。

本申请还提供一种计算机可读存储介质，其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如上任一项所述的温室大棚智能控制方法。

相对于现有技术，本申请的有益效果在于：

1）本申请基于神经网络算法，对于实时采集的温室大棚室内环境参数进行分析，能够预测并推送出当前环境下的最佳环境参数配置方案，从而科学指导种植人员对温室大棚内的环境进行调控，增强了环境配置的合理性和准确性，有利于提高农作物的成活率和生长品质。

2）本申请提供了自动调节和移动终端远程调节两种模式，当生成智能方案后先由自动调节单元对照参数进行调节，若调节有误或者还需要结合实际情况改动，还可以结合移动终端远程调控，以确定出最优的环境参数配置方案，通过“人机”双重保障，使得温室大棚室内环境调控更加准确、可靠性更强。

3）本申请通过结合Faster-RCNN算法和STT-LSTM网络模型的双重预测，再输入集成分类器输出最终的预测模型，避免了采用单一算法存在的鲁棒性差、耗时长的问题，提高了预测模型的预测精度。

4）本申请在模型训练时，基于层次分析法，以指标加权组合为输入训练模型，能够更准确的分析出各指标的内在联系，避免了采用单一指标训练的模型存在的预测效果差的问题。

5）本申请通过提供阈值法提供报警提示，且根据采集数据与阈值的差值大小，确定出不同的风险等级，并匹配不同的报警提示，从而更加有针对性的进行报警提示，有利于提高人工干预温室大棚环境调控的效率，增强管理能效。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施方式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申请的一些实施方式，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是本申请某一实施例提供的温室大棚智能控制方法的流程示意图；

图2是本申请又一实施例提供的温室大棚智能控制方法的流程示意图；

图3是图1中步骤S30的子步骤的流程示意图；

图4是本申请某一实施例提供的对Faster-RCNN算法中RoI卷积神经网络改进的原理示意图；

图5是本申请某一实施例提供的STT-LSTM网络模型的结构示意图；

图6是图1中步骤S40的子步骤的流程示意图；

图7是本申请某一实施例提供的温室大棚智能控制***的结构示意图；

图8是本申请又一实施例提供的温室大棚智能控制***的结构示意图；

图9是图8中自动调节单元05的结构示意图；

图10是本申请某一实施例提供的温室大棚智能监控装置的结构示意图；

图11是本申请某一实施例提供的终端设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。

应当理解，在本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

第一方面：

请参阅图1，本申请某一实施例提供一种温室大棚智能控制方法。如图1所示，该温室大棚智能控制方法包括步骤S10至步骤S40。各步骤具体如下：

S10、实时获取温室大棚的环境参数，包括温度、湿度、土壤水分含量、光照强度、必要气体浓度及有害气体浓度；

可以理解的是，本步骤的主要目标在于采集温室大棚的能够影响农作物生长的各项参数指标。在现有技术中，通常只是关注了温湿度或光照强度这类影响较为明显的环境参数，但是对于有害气体浓度及土壤水分含量这类参数的影响往往会忽略，因此为了能够从多项参数指标中来综合确定参数配置方案，本步骤中对这6项环境指标均进行了采集。其中，必要气体浓度主要是指CO2，而有害气体浓度包括了NH3、SO2和NO2。

在一个具体地实施方式中，采集各项参数主要是通过传感器和变送器来实现的。其中，温度、湿度以及光照强度可以通过在温室大棚内安装对应的温度传感器、湿度传感器及光照传感器来测量。由于温室大棚内的面积和空间较大，为了确保传感器采集数据的准确性，通常可以设置多个传感器，取平均值来计算温室大棚内气体的温度和湿度。

土壤水分含量测量方法主要包括烘干法、电阻法和土壤温湿度传感器法，土壤温湿度传感器法又包括TDR法和FDR法。其中，烘干法是测定土壤水分极为普遍的方法，也是标准方法。具体为先从温室大棚获取一定量的土壤，然后放到105℃的烘箱中，等待烘干。其中烘干的标准为前后两次称重恒定不变。烘干后失去的水分即为土壤的水分含量。计算公式为土壤含水量=W/M*100%，M为烘干前的土壤重量，W为土壤水分的重量，即M与烘干后土壤重量M的差值。但该方法的操作较为繁琐，实时性较差。

电阻法利用石膏、尼龙、玻璃纤维等的电阻和它们的含水量有关。当把这些中间物加上电极放置在潮湿的土壤中，然后一段时间后，这些东西的含水量达到平衡。由于电阻和含水量间的关系，可以先前标定电阻和百分数间一定的对应关系，然后就可以通过这些组件，得到1~15大气压吸力范围内的水分读数。采用该方法测量出的数据精准，但是实时性较差。

TDR法又称时域反射法，是一种快速监测土壤水分的常见方式，其原理是在一条不匹配的传输线上的波形会发生发射，传输线上任何一点的波形都是原有波形和发射波形的叠加。TDR原理的设备响应时间约为10-20秒，适合移动测量和定点监测。TDR具有较强的独立性，其结果基本不受土壤类型、密度、温度等环境因素影响。此外，TDR能在结冰下测定土壤水分，并能同时监测土壤水盐含量，且前后两次测量的结果几乎没有差别，但是该方法价格昂贵。

FDR法又称高频振荡法，其采用了电磁脉冲的工作原理，根据电磁波在介质中传播频率来测量土壤的表观介电常数，从而得到土壤容积含水量。FDR不仅比TDR便宜，而且测量时间更短，在经过特定的土壤校准之后，测量精度高，而且探头的形状不受限制，可以多深度同时测量，数据采集实现较容易。因此，为了综合测量成本和效率，在一个优选地实施例中，采用FDR法来测量温室大棚内的土壤水分含量。

在一个具体地实施例中，必要气体CO2的浓度、有害气体浓度NH3、SO2和NO2的浓度都可以采用对应的变送器来进行采集。在实际应用中，可根据实际需要选择量程多，测量精度高的变送器，此处不作限定。

S20、判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围。

可以理解的是，在实际种植过程中，若温室大棚的室内环境不利于农作物生长，而又不及时干预，则会严重影响农作物生长质量和产量。因此，为了确保农作物的收成，通常会针对温室大棚室内环境的各个参数设定一个合理的工作范围，即步骤S20中的预设范围。当步骤S10采集到各数据后，步骤S20中对这些数据进行分析，然后判断当下温室大棚的环境数据是否处于预设范围之内，若是则执行步骤S30，若不是则执行步骤S40。其中，预设范围的大小可参考实际科学种植建议的环境参数数值，此处同样不进行任何限定。

S30、若所述环境参数处于预设范围内，将所述环境参数输入至训练好的预测模型，生成对应的环境参数配置方案；

本步骤中，由于环境参数处于预设范围内，因此表示温室大棚内的环境相对安全。但是，当下环境是否为最适宜农作物生长的环境显然需要进一步分析，为了得到最佳的环境参数配置方案，本步骤中将采集的环境参数直接输入至提前训练好的预测模型中，该预测模型基于神经网络和历史种植案例中的环境参数去训练的，能够根据输入的部分环境参数去预测出剩余的环境参数，最终推送出一个较优的环境参数配置方案，以指导种植人员根据该方案去调节温室大棚环境，提高农作物生长品质。

S40、若所述环境参数处于预设范围外，触发报警提示。

本步骤中，由于环境参数处于预设范围外，说明室内环境不利于农作物生长，此时需要触发报警提示，以提醒种植人员及时干预。

综上所述，本实施例提供的温室大棚智能控制方法，通过采集温室大棚室内的温度、湿度、土壤水分含量、光照强度、必要气体浓度及有害气体浓度，并设定对应的预设范围，当处于预设范围外可以触发警报，当处于预设范围内可通过提前训练好的基于人工智能算法的预测模型进行最优环境参数配置方案的推送，以科学指导种植人员种植农作物，提高农作物的成活率和生长质量及产量。

请参阅图2，在一个示例性的实施例中，在所述生成对应的环境参数配置方案之后，还包括步骤S50和S60，如图2所示。具体地，各步骤内容如下：

S50、根据所述环境参数配置方案自动调节温室大棚的环境参数；或，

S60、推送所述环境参数配置方案至移动终端，接收所述移动终端发送的调节指令，根据调节指令对温室大棚的环境参数进行远程调节。

在生成环境参数配置方案之后，将其作为种植人员调节环境参数的依据。本实施例中，为了提高智能化程度，提供了两种调节方式：一种是自动调节温室大棚的环境参数，另一种是将方案推送至移动终端，由移动终端远程进行调控。

可以理解，在实际应用中，采用自动调控和人工远程调控的方式相当于提供了双重保障。通常，当环境参数配置方案生成之后，优先利用自动调节单元根据推荐的环境参数自动调节温室大棚的环境。同时，数据会同步至移动终端，使得种植人员对于调节前后的环境参数都能够及时了解。下面给出几种场景对该调节模式的优点进行说明：

场景1：

环境参数配置方案之后，数据发送至自动调节单元，并同步至移动终端，自动调节单元先根据方案调节温室大棚环境。但是种植人员根据实际种植情况对该方案进行了判断，认为当前环境参数配置方案并非最优，即可以再进一步优化。通常大棚内的光照强度为外界自然光照的40%~60%。推荐范围为0-100klux，在晴天时太阳光的光照在50-100klux，大棚的透光率通常为80%，因此大棚内的光照强度至少为40-80klux。假设当前环境方案中推荐的光照强度为60lux，而种植人员的种植目标为尽量加快农作物成熟速度，因此可以在不影响生长质量的情况下，适当的增强光照强度，例如增加到70lux。此时种植人员就可以通过移动终端修改环境参数配置方案，远程调节光照强度为70lux。

可以理解，上述的光照强度调节只是一个示例性的应用，其他参数，如CO2浓度、温湿度等，也可以通过人工方式进行二次确认。当要依据实际种植需求改变环境参数配置方案时，均可以通过移动终端远程调控环境参数，以使得温室大棚种植环境更符合实际要求。

场景2：

上述场景1中，自动调节单元和移动终端均为正常工作状态，但在实际运行过程中，当自动调节单元接收到环境参数配置方案之后，很可能由于自身故障，导致无法对温室大棚环境参数进行正确调节，包括自动调节单元无法工作或者调节数据不对等。此时，由于数据已同步至移动终端，种植人员可对于调节前后的环境参数及时掌握，一旦发现自动调节单元未能按照推荐方案调节环境参数，即可通过移动终端远程调节，以保证农作物的生长环境。

场景3：

在一个优选的实施方式中，为了让种植人员及时掌握温室大棚室内环境情况，在自动调节单元调节完参数之后，可以发送提示信息至移动终端。同理。若自动调节单元故障，无法正常工作，也可触发报警提示，以使得种植人员及时地通过移动终端对温室大盆参数进行远程调节。

综上所述，本申请实施例通过提供自动调节和移动终端远程调节两种模式，当生成智能方案后先由自动调节单元对照参数进行调节，若调节有误或者还需要结合实际情况改动，还可以结合移动终端远程调控，以确定出最优的环境参数配置方案，通过“人机”双重保障，使得温室大棚室内环境调控更加准确、可靠性更强。

请参阅图3，在一个具体地实施例中，在所述将所述环境参数输入至训练好的预测模型之前，还包括以下步骤：

S301、训练得到预测模型，包括：

S3011、从数据库中获取温室大棚历史成功种植案例，并获取对应的历史环境参数，作为训练样本；

S3012、利用所述训练样本，分别基于Faster-RCNN算法和LSTM算法，训练得到第一模型和第二模型；

S3013、将所述第一模型和所述第二模型输入至集成分类器，生成预测模型。

S302、将所述环境参数输入至训练好的预测模型，生成对应的环境参数配置方案。

需要说明的是，在实际应用中，可以理解的是，Faster-RCNN算法和LSTM算法在应用时都具有各自的优缺点。例如，单一使用Faster-RCNN算法进行数据融合时，虽然具有较高的通用性和鲁棒性，其在多个数据集及任务处理过程上有较优的处理效果，但是其存在的缺点也比较明显，例如提取的特征图仅仅是单层的，分辨率通常也较小，进而会影响数据融合最终的准确度。而LSTM算法虽然在序列建模问题上具有一定优势，具有长时记忆功能，能够解决长序列训练过程中存在的梯度消失和梯度***的问题。但是其缺点是在并行处理上存在劣势，且计算过程十分耗时，效率相对一些最新的神经网络来说较低。因此，为了能够提高预测模型预测结果的准确度，本实施例提供了一种集成分类器，在应用的过程中基于Faster-RCNN算法和LSTM算法分别训练出第一模型和第二模型，然后再输入至集成分类器，得到最终的预测模型。如此，则可以缓冲单独算法预测时的问题，从而有效的提高预测结果的准确度。

在一个示例性的实施方式中，步骤S3011中从数据库中获取温室大棚历史成功种植案例，并获取对应的历史环境参数，作为训练样本，包括：

1）对所述历史环境参数进行数据预处理，包括数据清洗和归一化处理，

2）利用均值滤波算法对预处理后的历史环境参数进行降噪处理，将降噪后的数据作为训练样本。

本实施例中，通过数据清洗，可以消除异常值和填补缺失值。同时，为了保证计算过程的效率，避免不同量纲对于计算过程的干扰，本实施例中还采用了数据归一化处理的方式，加快计算过程。进一步的，本实施例中还采用了均值滤波算法对预处理后的历史环境参数进行降噪处理，以提高训练样本的质量。

在一个具体地实施例中，步骤S301，即训练得到预测模型，还包括：

1）以温室大棚内的温度、湿度、土壤水分含量及光照强度为模型输入，以温室大棚内的必要气体浓度及有害气体浓度为模型输出，分别训练第一模型和第二模型；其中，

2）利用层次分析法，确定温室大棚内的温度、湿度、土壤水分含量及光照强度各指标的权重，以温度、湿度、土壤水分含量及光照强度的加权指标组合作为模型输入。

需要说明的是，层次分析法是将决策问题按总目标、各层子目标、评价准则直至具体的备投方案的顺序分解为不同的层次结构，然后用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终权重，此最终权重最大者即为最优方案。

本实施例中，通过引入层次分析法，能够以温度、湿度、土壤水分含量及光照强度的加权指标组合为输入训练神经网络模型，能够更准确的分析出各指标的内在联系，避免了采用单一指标训练的模型存在的预测效果差的问题。

在一个具体地实施例中，步骤S3012具体包括两部分：

第一，基于所述Faster-RCNN算法训练得到第一模型，包括：

1）对Faster-RCNN算法的RoI卷积神经网络进行改进，包括：

2）把RoI投射到特征图区域内，将投射结果均匀地划分到一个区域里，在每个区域都布置若干个相同数量的采样点，对每个采样点进行双线性插值；

3）当每个采样点完成双线性插值后，对该区域内若干个采样点取最大值，得到区域的特征量；

4）利用改进的Faster-RCNN算法训练得到第一模型。

需要说明的是，在大型目标检测中，Faster-RCNN算法的检测效果较好，但对于目标较小，且与背景区分度不高的情境中，检测受到较大影响，出现了较多的遗漏和错检的现象。因此，本实施例中采用改进的Faster-RCNN算法来训练得到第一模型。

具体的，检测算法过程中，Faster-RCNN算法中的RoI Pooling多次量化会引起像素偏差，本实施例运用双线性插值的RoI Pooling方法来解决偏差问题。整个流程如图4所示，RoI卷积神经网络改进的具体操作为：

1）把RoI 投射到特征图区域内，计算过程不取整且保留小数；

2）把RoI投射特征图的结果均匀地划分到一个2×2的区域里，在这些均分的区域里，每个区域都布置均匀采样点4个，对每个采样点进行双线性插值；

3）每个采样点完成双线性插值后，对该区域里的4个采样点取最大值，即MaxPooling，最后产生2×2区域的特征量；在整个过程中，虽然没有取整操作，但通过这样的双线性插值的对齐RoI Pooling，能够获得更加精确的RoI位置数据，检测值更加精确。

4）最后，利用训练样本对改进的Faster-RCNN算法进行训练，直至模型收敛，得到第一模型。

第二，基于所述LSTM算法训练得到第二模型，包括：

1）构建STT-LSTM网络模型，所述STT-LSTM网络模型含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层；

2）将训练样本传进第一层STT-LSTM网络中的两个LSTM网络，分别训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，得到初步融合结果；

3）将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第二模型。

参见图5，图5提供了该STT-LSTM网络模型的结构示意图。如图5所示，STT-LSTM网络模型含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层，在训练模型时，只需要将输入数据分别从左边的两个LSTM的网络中并行输入，然后经过LSTM网络计算后将输出结果输入至第一个全连接层进行融合，得到初步融合结果；最后，将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第二模型。本实施例中，通过构建两层STT-LSTM网络，保留了原始LSTM的基本建模能力，同时提高了网络的选择性注意能力。

综上，本申请实施例通过结合Faster-RCNN算法和STT-LSTM网络模型的双重预测，再输入集成分类器输出最终的预测模型，避免了采用单一算法存在的鲁棒性差、耗时长的问题，提高了预测模型的预测精度。

请参阅图6，在一个具体的实施方式中，步骤S40，若所述环境参数处于预设范围外，触发报警提示，还包括以下子步骤：

S401、计算所述环境参数与所述预设范围中最大值或最小值的差值；

S402、若所述差值处于第一风险数值范围，触发一级报警提示；

S403、若所述差值处于第二风险数值范围，触发二级报警提示。

可以理解的是，在实际应用中，温室大棚环境参数一旦处于预设范围外需要种植人员及时干预。然而，现有的方法在进行报警提示时，往往缺乏针对性，进而无法使得种植人员及时的掌握操作不当引起的风险程度。由于没有对风险程度进行分门别类，因此在人工干预处理紧急情况时，往往会出现资源浪费、分配不均衡、调度不合理或者人工干预并不能及时解决紧急问题的缺陷。例如，当温室大棚的环境参数所处的风险程度有轻微和严重，若不进行报警提示的区分，很可能导致种植人员的干预警惕性不够，或者说严重是分配的干预种植人员经验不足，并不能及时化解紧急情况，甚至导致不可挽回的损失。

因此，本申请实施例首先在步骤S401中计算所述环境参数与所述预设范围中最大值或最小值的差值；假设该差值处于第一风险数值范围，认为当前风险程度较低，触发一级报警提示，此时即可安排解决该程度问题的种植人员前来干预。假设，该差值处于第二风险数值范围，则触发二级报警提示，此时则匹配能够解决该封风险程度的种植人员前来解除风险。

可以理解的是，在实际应用中，第一预设范围和第二预设范围都可以根据实际情况自行设定，此处不作任何限定。另外，为了方便说明，本实施例的报警提示仅仅分为了一级报警和二级报警。在实际操作中，也可以根据需要设置更多的风险级别，对应提供更加细致、更多级化的报警提示，从而增强种植人员对紧急情况处理结果的能效，减小种植事故发生的概率。此外，作为优选地实施方式，报警提示方法可采用蜂鸣器进行报警，也可以发送提示消息至移动终端进行提示。

第二方面：

请参阅图7，本申请某一实施例还提供了一种温室大棚智能控制***，包括：

数据采集单元01，用于实时获取温室大棚的环境参数，包括温度、湿度、土壤水分含量、光照强度、必要气体浓度及有害气体浓度；

数据分析单元02，用于判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

智能推荐单元03，用于若所述环境参数处于预设范围内，将所述环境参数输入至训练好的预测模型，生成对应的环境参数配置方案；

报警单元04，用于若所述环境参数处于预设范围外，触发报警提示。

在一个具体地实施例中，温室大棚智能控制***，还包括自动调节单元05，如图8所示。具体地，自动调节单元05用于根据所述环境参数配置方案自动调节温室大棚的环境参数。

本实施例中，自动调节环境参数主要由自动调节单元05来实现。参见图9，在一个实施例中，提供了该自动调节单元05的组成结构，包括信号调理电路051、控制器052、各个参数的驱动电路053以及调节设备054。其中，当环境参数配置方案生成之后，会生成对应的调节信号至信号调理电路051，由信号调理电路051将该模拟调节信号转化为数字调节信号，并发送至控制器052。优选地，控制器052可采用PLC控制器。当控制器052对调节信号进行处理后，会生成对应的驱动信号至驱动电路053，其中每个环境参数，包括温湿度、光照强度、土壤水分、必要气体和有害气体等都有对应的驱动电路。当驱动电路053发出驱动信号时，就会驱动调节设备054工作，以对当前的环境参数进行调节。其中，调节设备054可包括加热/降温装置，用于调节温度；通风装置或加湿器/抽湿器，用于调节湿度；遮光装置或者补光灯装置，用于调节光照强度；气体储存/吸收装置，用于改变气体浓度，水分调节装置，用于补充或者吸收土壤水分。

可以理解的是，本实施例提供的温室大棚智能控制***用于执行如上述第一方面中任一项实施例提供的温室大棚智能控制方法，其实现的效果可参见第一方面中方法实施例所描述的效果，此处不再进一步赘述。

第三方面：

请参阅图10，本申请某一实施例还提供一种温室大棚智能监控装置10，包含如上任一项实施例所述的温室大棚智能控制***100，还包括：

移动终端200，用于当接收到所述温室大棚智能控制***推送的环境参数配置方案时，发送调节指令至所述温室大棚智能控制***，以实现对温室大棚的环境参数的远程调节。

本实施例中，温室大棚智能控制***100可与移动终端200进行数据交互，具体为温室大棚智能控制***100调节前后的环境数据可同步至移动终端200，移动终端200可通过远程指令调控温室大棚室内环境参数。其中，二者具体地数据交互过程可参照第一方面所述的温室大棚智能智能控制方法所描述的内容，此处不再进一步赘述。

第四方面：

请参阅图11，本申请某一实施例提供一种计算机设备，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的温室大棚智能控制方法。

处理器用于控制该终端设备的整体操作，以完成上述的温室大棚智能控制方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。

在一示例性实施例中，终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C) 、数字信号处理器(DigitalSignal Processor，简称DSP) 、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD) 、现场可编程门阵列(Field Programmable Gate Array ，简称FPGA) 、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的温室大棚智能控制方法，并达到如上述方法一致的技术效果。

在另一示例性实施例中，还提供一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如上述任一项实施例所述的温室大棚智能控制方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的温室大棚智能控制方法，并达到如上述方法一致的技术效果。

以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本申请的保护范围。

Claims (11)

1.一种温室大棚智能控制方法，其特征在于，包括：

实时获取温室大棚的环境参数，包括温度、湿度、土壤水分含量、光照强度、必要气体浓度及有害气体浓度；

判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

若所述环境参数处于预设范围内，将所述环境参数输入至训练好的预测模型，生成对应的环境参数配置方案；

若所述环境参数处于预设范围外，触发报警提示。

2.根据权利要求1所述的温室大棚智能控制方法，其特征在于，在所述生成对应的环境参数配置方案之后，还包括：

根据所述环境参数配置方案自动调节温室大棚的环境参数；或，

推送所述环境参数配置方案至移动终端，接收所述移动终端发送的调节指令，根据调节指令对温室大棚的环境参数进行远程调节。

3.根据权利要求1所述的温室大棚智能控制方法，其特征在于，在所述将所述环境参数输入至训练好的预测模型之前，还包括：

训练得到预测模型，包括：

从数据库中获取温室大棚历史成功种植案例，并获取对应的历史环境参数，作为训练样本；

利用所述训练样本，分别基于Faster-RCNN算法和LSTM算法，训练得到第一模型和第二模型；

将所述第一模型和所述第二模型输入至集成分类器，生成预测模型。

4.根据权利要求3所述的温室大棚智能控制方法，其特征在于，所述训练得到预测模型，还包括：

以温室大棚内的温度、湿度、土壤水分含量及光照强度为模型输入，以温室大棚内的必要气体浓度及有害气体浓度为模型输出，分别训练第一模型和第二模型；其中，

利用层次分析法，确定温室大棚内的温度、湿度、土壤水分含量及光照强度各指标的权重，以温度、湿度、土壤水分含量及光照强度的加权指标组合作为模型输入。

5.根据权利要求4所述的温室大棚智能控制方法，其特征在于，基于所述Faster-RCNN算法训练得到第一模型，包括：

对Faster-RCNN算法的RoI卷积神经网络进行改进，包括：

把RoI投射到特征图区域内，将投射结果均匀地划分到一个区域里，在每个区域都布置若干个相同数量的采样点，对每个采样点进行双线性插值；

当每个采样点完成双线性插值后，对该区域内若干个采样点取最大值，得到区域的特征量；

利用改进的Faster-RCNN算法训练得到第一模型。

6.根据权利要求4所述的温室大棚智能控制方法，其特征在于，基于所述LSTM算法训练得到第二模型，包括：

构建STT-LSTM网络模型，所述STT-LSTM网络模型含有两层STT-LSTM网络，每层STT-LSTM网络包含有两个LSTM网络和一个全连接层；

将训练样本传进第一层STT-LSTM网络中的两个LSTM网络，分别训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，得到初步融合结果；

将初步融合结果分别传入第二层STT-LSTM网络中两个LSTM网络，训练两个LSTM网络，将两个LSTM网络的输出分别输入到对应的全连接层进行融合，进行不断迭代，直至模型收敛得到第二模型。

7.一种温室大棚智能控制***，其特征在于，包括：

数据采集单元，用于实时获取温室大棚的环境参数，包括温度、湿度、土壤水分含量、光照强度、必要气体浓度及有害气体浓度；

数据分析单元，用于判断当前环境参数与预设范围的关系；其中，每个所述环境参数均对应一个预设范围；

智能推荐单元，用于若所述环境参数处于预设范围内，将所述环境参数输入至训练好的预测模型，生成对应的环境参数配置方案；

报警单元，用于若所述环境参数处于预设范围外，触发报警提示。

8.根据权利要求7所述的温室大棚智能控制***，其特征在于，还包括：

自动调节单元，用于根据所述环境参数配置方案自动调节温室大棚的环境参数。

9.一种温室大棚智能监控装置，包含如权利要求7-8任一项所述的温室大棚智能控制***，其特征在于，还包括：

移动终端，用于当接收到所述温室大棚智能控制***推送的环境参数配置方案时，发送调节指令至所述温室大棚智能控制***，以实现对温室大棚的环境参数的远程调节。

10.一种计算机设备，其特征在于，包括：

一个或多个处理器；

存储器，与所述处理器耦接，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一项所述的温室大棚智能控制方法。

11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的温室大棚智能控制方法。

Images