CN116578047A - 一种用于辣椒生产的精细化智能控制方法及*** - Google Patents
一种用于辣椒生产的精细化智能控制方法及*** Download PDFInfo
- Publication number
- CN116578047A CN116578047A CN202310528858.4A CN202310528858A CN116578047A CN 116578047 A CN116578047 A CN 116578047A CN 202310528858 A CN202310528858 A CN 202310528858A CN 116578047 A CN116578047 A CN 116578047A
- Authority
- CN
- China
- Prior art keywords
- production
- dry matter
- record
- intelligent control
- pepper
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 404
- 238000000034 method Methods 0.000 title claims abstract description 35
- 240000004160 Capsicum annuum Species 0.000 title 1
- 235000002566 Capsicum Nutrition 0.000 claims abstract description 179
- 240000008574 Capsicum frutescens Species 0.000 claims abstract description 121
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 239000001390 capsicum minimum Substances 0.000 claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 42
- 241000758706 Piperaceae Species 0.000 claims abstract description 40
- 230000007613 environmental effect Effects 0.000 claims abstract description 32
- 241000722363 Piper Species 0.000 claims description 121
- 239000006002 Pepper Substances 0.000 claims description 96
- 235000016761 Piper aduncum Nutrition 0.000 claims description 96
- 235000017804 Piper guineense Nutrition 0.000 claims description 96
- 235000008184 Piper nigrum Nutrition 0.000 claims description 96
- 235000015097 nutrients Nutrition 0.000 claims description 71
- 241000196324 Embryophyta Species 0.000 claims description 22
- 235000013399 edible fruits Nutrition 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 15
- 239000000575 pesticide Substances 0.000 claims description 12
- 238000005507 spraying Methods 0.000 claims description 12
- 238000012806 monitoring device Methods 0.000 claims description 9
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 claims description 8
- 229910021529 ammonia Inorganic materials 0.000 claims description 4
- PRORZGWHZXZQMV-UHFFFAOYSA-N azane;nitric acid Chemical compound N.O[N+]([O-])=O PRORZGWHZXZQMV-UHFFFAOYSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002386 leaching Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 235000002568 Capsicum frutescens Nutrition 0.000 claims description 2
- 238000007670 refining Methods 0.000 claims 1
- 241000208293 Capsicum Species 0.000 abstract 3
- 239000002689 soil Substances 0.000 description 25
- 230000006870 function Effects 0.000 description 21
- 230000012010 growth Effects 0.000 description 21
- 239000010410 layer Substances 0.000 description 15
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 13
- 238000005286 illumination Methods 0.000 description 7
- 229910052757 nitrogen Inorganic materials 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 5
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 5
- 230000004720 fertilization Effects 0.000 description 5
- 229910052698 phosphorus Inorganic materials 0.000 description 5
- 239000011574 phosphorus Substances 0.000 description 5
- 239000011591 potassium Substances 0.000 description 5
- 229910052700 potassium Inorganic materials 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000001035 drying Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 235000016709 nutrition Nutrition 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 239000012792 core layer Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 239000003621 irrigation water Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000015816 nutrient absorption Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 229910002651 NO3 Inorganic materials 0.000 description 1
- NHNBFGGVMKEFGY-UHFFFAOYSA-N Nitrate Chemical compound [O-][N+]([O-])=O NHNBFGGVMKEFGY-UHFFFAOYSA-N 0.000 description 1
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 229910001873 dinitrogen Inorganic materials 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000008642 heat stress Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011572 manganese Substances 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 235000021048 nutrient requirements Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
- 239000011701 zinc Substances 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32252—Scheduling production, machining, job shop
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于辣椒生产的精细化智能控制方法及方法,属于智能控制领域,其中包括:对辣椒的全生产周期进行阶段划分,得到生产阶段集;提取生产阶段的第一生产阶段,得到该阶段的第一生产需求和第一干物质量;将第一生产需求与第一干物质量作为智能控制约束,并存储至智能控制模型;对辣椒的实际生产环境进行动态监测,得到辣椒生产环境信息;通过智能控制模型对地下和地上环境数据进行分析,得到模型分析结果;进而生成辣椒的生产控制决策。解决了辣椒过程生产中监测不够细化、对生产过程掌握不精细,进而导致辣椒生产效率低下、质量不稳定的技术问题,达到了提升辣椒生产效率。
Description
技术领域
本发明涉及智能控制领域,具体涉及一种用于辣椒生产的精细化智能控制方法及***。
背景技术
辣椒作为一种世界性的农产品,在各个地区广泛种植。然而,由于缺乏精细化的监测和控制手段,同时,辣椒生产环境具有很大复杂性和不确定性,导致目前的辣椒生产存在生产效率低下、产品质量不稳定等问题。由此,设计一种新的辣椒生产的精细化智能控制方法就变得尤为重要。
发明内容
本申请通过提供了一种用于辣椒生产的精细化智能控制方法及***,旨在解决辣椒过程生产中监测不够细化、对生产过程掌握不精细,进而导致辣椒生产效率低下、质量不稳定的技术问题。
鉴于上述问题,本申请实施例提供了一种用于辣椒生产的精细化智能控制方法及***。
本申请公开的第一个方面,提供了一种用于辣椒生产的精细化智能控制方法,该方法包括:对辣椒的全生产周期进行阶段划分,得到生产阶段集,其中,生产阶段集包括M个生产阶段,且M为大于1的整数;提取M个生产阶段的第一生产阶段,并结合历史辣椒生产记录分析得到第一生产阶段的第一生产需求;以及分析历史辣椒生产记录中的数据得到辣椒在第一生产阶段的第一干物质量;将第一生产需求与第一干物质量作为智能控制约束,并存储至智能控制模型;对辣椒的实际生产环境进行动态监测,得到辣椒生产环境信息,其中,辣椒生产环境信息包括辣椒生产的地下环境数据和地上环境数据;通过智能控制模型对地下环境数据和地上环境数据进行分析,得到模型分析结果,基于模型分析结果生成辣椒的生产控制决策。
本申请公开的另一个方面,提供了一种用于辣椒生产的精细化智能控制***,该***包括生产阶段集模块,用于对辣椒的全生产周期进行阶段划分,得到生产阶段集,其中,生产阶段集包括M个生产阶段,且M为大于1的整数;第一生产需求模块,用于提取M个生产阶段的第一生产阶段,并结合历史辣椒生产记录分析得到第一生产阶段的第一生产需求;以及第一干物质量模块,用于分析历史辣椒生产记录中的数据得到辣椒在第一生产阶段的第一干物质量;智能控制约束模块,用于将第一生产需求与第一干物质量作为智能控制约束,并存储至智能控制模型;生产环境信息模块,用于对辣椒的实际生产环境进行动态监测,得到辣椒生产环境信息,其中,辣椒生产环境信息包括辣椒生产的地下环境数据和地上环境数据;模型分析结果模块,用于通过智能控制模型对地下环境数据和地上环境数据进行分析,得到模型分析结果;生产控制决策模块,用于基于模型分析结果生成辣椒的生产控制决策。
本申请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:
由于采用了对辣椒的全生产周期进行阶段划分,得到生产阶段集,对辣椒生产周期进行精细分割,提取生产阶段的第一生产阶段,并结合历史辣椒生产记录分析得到第一生产阶段的第一生产需求和第一干物质量,得到历史辣椒生产记录的详细数据,并将其作为智能控制约束存储至智能控制模型。然后动态监测辣椒的地上和地下环境数据,实现对辣椒生产环境的详细掌握,通过智能控制模型对环境数据进行分析得到模型分析结果,从而根据模型分析结果生成生产控制决策对辣椒生产进行智能控制的技术方案,解决了现有技术中辣椒生产效率低下、产品质量不稳定的技术问题,达到提升辣椒生产效率,提高并稳定辣椒生产质量的技术效果。
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用于辣椒生产的精细化智能控制方法可能的流程示意图;
图2为本申请实施例提供了一种用于辣椒生产的精细化智能控制方法中得到第一一生产阶段的第一干物质量可能的流程示意图;
图3为本申请实施例提供了一种用于辣椒生产的精细化智能控制方法中得到模型分析结果可能的流程示意图;
图4为本申请实施例提供了一种用于辣椒生产的精细化智能控制***可能的结构示意图。
附图标记说明:生产阶段集模块11,第一生产需求模块12,第一干物质量模块13,智能控制约束模块14,生产环境信息模块15,模型分析结果模块16,生产控制决策模块17。
具体实施方式
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用于辣椒生产的精细化智能控制方法***,通过对辣椒全生产周期进行阶段划分,提取并分析历史辣椒生产记录中的数据,可以得到对辣椒生产的精细化智能控制约束,结合辣椒实际生产环境的动态监测和模型分析结果,用来实现精细化智能控制辣椒生产,通过演绎出不同的辣椒生产控制决策来提高辣椒生产效率和提高并稳定辣椒生产质量。
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用于辣椒生产的精细化智能控制方法,智能控制方法包括:
步骤S100:对辣椒的全生产周期进行阶段划分,得到生产阶段集,其中,所述生产阶段集包括M个生产阶段,且M为大于1的整数;
具体而言,根据辣椒生产的实际经验,将辣椒的全生产周期分为从种植阶段、生长阶段、开花阶段、结果阶段和收获阶段等多个阶段,其中生长结果可以分为幼芽、小苗、幼株、成株等阶段,得到辣椒的M个生产阶段集。生产阶段集是指将辣椒的生产过程的整个过程划分为若干个阶段,并确定每个阶段所需的具体操作和资源,以便在生产过程中有计划地进行管理和监控的集合,对辣椒的全生产周期至少划分为两个阶段,以达到对辣椒生产的精细化管控,为后续根据生产阶段集进行精细化管理提供数据支持。
步骤S200:提取所述M个生产阶段的第一生产阶段,并结合历史辣椒生产记录分析得到所述第一生产阶段的第一生产需求;
具体而言,根据辣椒生产的实际情况将辣椒的全生产周期划分为M个生产阶段,第一生产阶段是指根据辣椒生产到不同阶段而需要对历史数据进行分析以对生产提供指导的阶段数据。对于每个生产阶段,提取其中的历史辣椒生产记录中的第一生产阶段,将所有提取的第一生产阶段数据按照不同阶段进行汇总,得到所述M个生产阶段的第一生产阶段。
针对每个第一生产阶段的历史辣椒生产记录,分析其生长状况、环境要求和营养需求等方面的情况,根据分析结果,确定辣椒在不同生产阶段的生长速度、形态和健康状况等情况,以及该阶段对温度、湿度、光照、氮、磷、钾等环境因素的要求,将不同生产阶段的生产需求进行汇总,得到第一生产阶段的第一生产需求。通过分析第一生产阶段的第一生产需求,可以为后续辣椒生产提供参考数据和精细化管控方向。
步骤S300:分析所述历史辣椒生产记录中的数据得到所述辣椒在所述第一生产阶段的第一干物质量;
具体而言,在历史生产过程中,对不同生产阶段,采集足够数量的辣椒植株,并保证不同阶段植株具有足够范围和随机性。根据生长周期划分分别采集辣椒的叶片、茎秆和果实等不同部分的样本。通过自然晾干和烘干的方法将采集到的样本在合适的温度和湿度条件下进行干燥,并记录样品的编号、重量和干燥时间等信息,记录入历史辣椒生产记录中。
通过SQL语句遍历历史数据库,分析历史辣椒生产的记录中的数据,得到在第一生产阶段中辣椒的干重量,对辣椒不同部分(如叶片、茎秆、果实、根等)的干物质量进行分析、计算,最终得到辣椒整个植株在第一生产阶段的干重量,为后续通过第一干物质量作为智能控制约束对辣椒生产生成控制决策提供支持。
步骤S400:将所述第一生产需求与所述第一干物质量作为智能控制约束,并存储至智能控制模型;
具体而言,智能控制模型是能够根据辣椒实际生长环境信息、实际植株状态信息以及辣椒图像自动生成对辣椒生长控制决策的模型,通过机器学习、数据挖掘、模式识别等实现。将第一生产需求与第一干物质量作为智能控制约束引入到决策过程中,将这些约束作为前提条件,在自动生成控制决策时的控制方案必须满足这些条件。例如,如果第一生产需求中要求较高的温度和湿度,那么在制定生产计划时必须控制相应的环境温湿度,以便辣椒能够生长和发育。又如,当第一干物质量下降时,根据约束推断当前阶段生产效果不佳,需要及时采取相应措施加以改善,稳定辣椒生产的质量。
为了后续进行智能化控制,第一生产需求和第一干物质量约束存储到智能控制模型中,作为决策模型的一部分,以便更好地辅助精细智能化进行智能控制、制定精细控制方案,并做出合理的决策。第一生产需求是某阶生长段辣椒所需要的环境和养分的要求,而第一干物质量是该阶段辣椒的干物质总量,两者合成为智能控制约束,是精细化智能控制的重要依据,作为智能控制约束被存储在智能控制模型中,为后续的控制决策提供指导。
步骤S500:对所述辣椒的实际生产环境进行动态监测,得到辣椒生产环境信息,其中,所述辣椒生产环境信息包括所述辣椒生产的地下环境数据和地上环境数据;
具体而言,地下环境数据包括土壤湿度、土壤温度、有效养分数据等,地上环境数据包括空气温湿度、阳光强度等,这些数据整体组成辣椒生产环境信息。首先,设置区间采集接口,即设置一个时间间隔。这个接口可以在智能监测装置内部或者通过外部控制设备实现在规定的时间间隔内自动收集数据,而无需人工干预。时间间隔根据不同的环境和监测场景来决定的,包括监测环境的复杂程度、变化情况、要求的采样频率和设备性能等。例如在温室设备的监测中,土壤温度、湿度和养分的监测需要设置高频率的时间间隔,一般设置为每10秒或20秒采集一次数据;而空气温度、湿度和二氧化碳浓度的监测可以设置相对较低的时间间隔,每5分钟或10分钟采集一次数据即可。
通过对辣椒的实际生产环境进行动态监测,得到的详细、实时的生产环境信息,用于优化辣椒生产周期中的各种控制参数。例如,如果监测到了土壤温度和湿度等环境参数发生了变化,可根据这些数据动态调整浇水、通风和温度等参数,以达到更优的生产效果。此外,控制养分数据的损失也可以大幅提升作物产量和品质,实现对辣椒生产的智能化、精细化控制。
步骤S600:通过所述智能控制模型对所述地下环境数据和所述地上环境数据进行分析,得到模型分析结果;
具体而言,获取辣椒生产环境信息,包括地下环境和地上环境数据,并对这些数据进行处理和预处理,如去除异常数据、填补缺失值、标准化数据等。对数据进行转换、处理和选择,以提高模型的性能和表现,例如,可以对环境数据进行特征选择。通过智能控制模型对这些数据进行分析,得出地下环境和地上环境数据对辣椒生长产生的影响,例如温度太高或太低、光照不足或过多、养料太多或不足、土壤水分不足等,并根据当前状态对辣椒生长状态进行预测,对辣椒整体进行缺陷检测等。
通过智能控制模型分析地下环境数据和地上环境数据大量的数据,并能够从中提取有用的信息,进行精细化分析,得出模型分析结果,为后续生成生产控制决策提供分析支持。
步骤S700:基于所述模型分析结果生成所述辣椒的生产控制决策。
具体而言,根据历史记录和分析得出的生产需求和干物质量,结合对当前地下和地上环境数据的分析结果,智能控制***自动根据模型分析结果得出应当采取的最优控制决策。
比如当温度比较高时,通过降低环境温度或增加灌溉水量等方式降低辣椒植株受到的热胁迫。若土壤湿度较低,通过增加灌溉水量或改善土壤保水能力等方式增加土壤水分。同时,还可以根据分析结果和历史生产记录进行精细施肥和农药喷洒等管理,利用机器视觉技术进行辣椒病虫害预警,进而实现靶向精准喷药,如模型分析结果中的辣椒生长环境中有特殊需求,在施用农药或肥料时,可以在合适的时间和剂量下进行处理。
通过这些精准的控制策略,可以最大程度地提高生产效率和稳定辣椒质量,使整个生产过程更加符合环境要求。使得生产过程更加智能化和精准化。
进一步的,本申请实施例还包括:
步骤S210:获取所述历史辣椒生产记录中的第一历史记录,其中,所述第一历史记录包括所述辣椒在所述第一生产阶段的第一生产历史记录;
步骤S220:所述第一生产历史记录包括第一生产历史环境记录和所述第一生产历史养分记录;
步骤S230:基于预设环境指标对所述第一生产历史环境记录进行遍历,得到第一遍历结果;
步骤S240:基于预设养分类别对所述第一生产历史养分记录进行遍历,得到第二遍历结果;
步骤S250:依次分析所述第一遍历结果和所述第二遍历结果,并确定所述第一生产需求。
具体而言,首先通过编程语言对历史辣椒生产记录建立数据库,在数据库中建立辣椒生产记录表,并在其中定义辣椒生产阶段的相关字段,如阶段时间、阶段名称、阶段生产状态、阶段施肥状态、阶段辣椒状态等信息。通过SQL语句从数据库中筛选出所有辣椒生产记录,并按照时间顺序排列。找到第一个生产阶段的记录,根据生产记录的标识符找到第一历史记录。
预设环境指标和预设养分指标是指事先设定的用于判断辣椒生产环境和养分是否符合标准要求的指标,根据相关的农业技术、环境监测标准和养分要求等设定。其中环境指标包括土壤温度、土壤湿度、土壤酸碱度、空气湿度、空气温度、光照强度等,养分指标包括氮、磷、钾、镁、钙、铁、锌、铜、锰等。环境指标和养分指标的设定需要根据不同的辣椒品种和生产阶段而有所差异。例如,对于需要高温和干燥环境的辣椒品种,其环境指标需要设定较高的温度和较低的湿度要求;对于生长期较长的辣椒品种,其养分指标需要设定较高的氮、磷、钾等元素含量要求。
接下来,遍历第一生产历史环境记录和第一生产历史养分记录,并得到相应结果。这个过程可以使用编程语言(如Python等)来实现。首先使用SQL语句找到第一生产历史环境记录和第一生产历史养分记录,并将它们作为输入。通过循环结构依次读取每个环境记录中的各项指标,再与预设环境指标进行比较,如果符合要求,则将该记录添加到第一遍历结果中。对于遍历第一生产历史养分记录,同样通过循环结构依次读取每个养分记录中的各种养分类型,再与预设养分类别进行比较,如果符合要求,则将该记录添加到第二遍历结果中。
最后根据第一遍历结果和第二遍历结果,通过计算平均值、方差、标准差等数字特征,或通过推理和分类等方法分析辣椒各阶段第一生产需求。其中第一生产需求包括生长状况需求、环境要求需求、营养需求等。达到对辣椒生产的历史记录的各阶段的生产需求的精准了解,便于后续对辣椒生产进行精准化提升。
进一步的,如图2所示,本申请实施例还包括:
步骤S310:所述第一生产历史记录还包括第一生产历史干物质量记录;
步骤S320:其中,所述第一生产历史干物质量记录包括第一生产历史叶片干物质量记录、第一生产历史茎秆干物质量记录、第一生产历史果实干物质量记录和第一生产历史地下部干物质量记录;
步骤S330:加和所述第一生产历史叶片干物质量记录、所述第一生产历史茎秆干物质量记录、所述第一生产历史果实干物质量记录得到第一生产历史地上部干物质量记录;
步骤S340:所述第一生产历史地上部干物质量记录与所述第一生产历史地下部干物质量记录组合得到所述第一干物质量。
具体而言,第一生产历史记录这是记录植物从出苗、生长、开花到成熟等整个生产过程的历史信息,第一生产历史干物质量记录是记录植物在整个生产过程中的干物质量信息,包括叶片、茎秆、果实和地下部分的干物质量记录。根据历史记录中的各干物质量计算地上部干物质量,将叶片、茎秆和果实的干物质量记录加权,得到地上部分的干物质量记录。然后,将地上部分的干物质量记录和地下部分的干物质量记录相加,得出第一干物质量,为辣椒的全植物的第一干物质量。
以某品种辣椒为例,根据其生长阶段数据分配如下的权值:叶片的权值为0.5,茎的权值为0.3,果实的权值为0.2,因此得出:地上部分加权干物质量=叶片干物质量记录*0.5+茎秆干物质量记录*0.3+果实干物质量记录*0.2。然后将地上部分的加权干物质量和地下部分的干物质量相加,然后乘以地下部分干物质量所占比例的权值,得到全植物的加权干物质量。其中地下部分干物质量所占比例的权值通常按30%—40%设定。
根据具体的植物生产阶段将以上数据进行记录和计算,并使用电子表格或数据库软件将记录保存在相应的数据表或数据库中,将干物质量记录与其他生长指标相结合,可以更好地详细了解辣椒的生产过程。
进一步的,本申请实施例还包括:
步骤S510:将所述预设环境指标和所述预设养分类别作为动态监测指标;
步骤S520:通过智能监测装置基于所述动态监测指标对所述辣椒的实际生产环境进行动态监测,得到动态监测数据,其中,所述动态监测数据包括环境数据和养分数据;
步骤S530:获取预设损失函数;
步骤S540:基于所述预设损失函数对所述养分数据进行损失分析,得到有效养分数据;
步骤S550:将所述环境数据作为所述地上环境数据,将所述有效养分数据作为所述地下环境数据,共同组成所述辣椒生产环境信息。
具体而言,预先定义要监测的环境指标和养分指标,并根据这些指标设置监测设备来收集实时数据,例如,温度、湿度、土壤pH值、氮、磷和钾等指标。选择相应的智能监测装置,将其安装在辣椒种植区域内,并确保其可以准确地监测环境和养分指标。其中,智能监测装置包括温湿度传感器、光照强度传感器、土壤PH值检测器等。根据监测指标,选择适合安装传感器的位置。例如,土壤湿度传感器安装在植物根部附近的土壤中;温湿度传感器和光照强度传感器应该安装在植物上部可以接收到阳光和空气的位置。不同智能监测装置将实时收集数据并将其存储在一个数据库中,其中包含环境和养分指标的数据,养分数据包括对辣椒生长土地的施肥次数、施肥量、施肥频率等。
根据养分数据进行损失函数的设定,可以是均方误差、叉熵损失函数等。预设损失函数是用于根据监测养分数据获取有效养分数据函数,有效养分数据是指辣椒实际吸收和利用的养分,是决定辣椒吸收和利用养分率的重要因素,反映了土壤中辣椒可利用的营养素含量。通过设置的预设损失函数对实时监测的养分数据进行损失分析,得到有效养分数据,进一步细化辣椒在生产过程中对养分的吸收情况,从而为后续提高辣椒的生长、保证辣椒品质和数量提供支持。
进一步的,本申请实施例还包括:
步骤S531:预设损失函数的计算公式如下:
其中,x′i是指所述养分数据,xi是指所述有效养分数据,ε是指变量调节系数,且ε=ε1+ε2+ε3+ε4,其中ε1是指反硝化调节系数,ε2是指氨挥发调节系数,ε3是指硝态氨淋失调节系数,ε4是指径流调节系数,n是指所述预设养分类别中的养分类别总数,n>0。
具体而言,根据实际目标和损失函数特点,选择相应的损失函数公式,并根据不同的编程语言特点将函数编写为损失函数代码。对需要输入函数的数据进行清洗、归一化以及预处理,形成符合输入公式的数据集。例如,要对辣椒在生产过程中对土壤中的养分进行损失分析,对阳光的吸收进行分析等。
根据养分数据设置变量调节系数,即导致土壤中养分流失的系数,例如反硝化调节系数、氨挥发调节系数、硝态氨淋失调节系数、径流调节系数等。其中,在辣椒的生产过程中,在含有硝酸盐的土壤中,如果土壤缺氧,土壤中的细菌会将硝酸盐还原成氮气释放到大气中,从而导致氮素的流失,由降雨和融雪等因素产生径流导致营养流失等,均是容易导致养分损失的原因。为了得到最优的预设损失函数,对损失函数进行求导,计算损失函数的梯度,然后通过梯度下降等优化算法来更新公式参数,从而精确损失函数的值。根据损失函数的计算结果,便于后续精准控制辣椒生产。
进一步的,如图3所示,本申请实施例还包括:
步骤S610:获取所述智能控制模型中的第一控制层;
步骤S620:通过所述第一控制层对所述辣椒生产环境信息与所述智能控制约束中的所述第一生产需求进行分析,得到第一分析结果;
步骤S630:根据所述第一分析结果生成第一控制决策。
具体而言,第一控制层是指智能控制模块中的通过辣椒生产环境信息和智能控制约束进行分析以指导控制决策的数据处理层,是智能控制***和实体环境之间的接口层,是负责将传感器采集的环境信息和生产需求信息进行处理和决策的核心层。
首先从辣椒种植区域内安装的传感器中收集温度、湿度、光照、土壤湿度、土壤温度等环境数据,这些传感器分别安装在辣椒生长环境的不同位置,汇总起来提供全面的环境数据,同时可以在种植过程中记录辣椒生长的种植时间、生长速度、果实产量等相关数据,以便更好地了解和分析植株的生长情况。接下来,将第一生产需求数据添加进来,根据辣椒生产环境信息和不同阶段的生产需求进行分析,对当前阶段的辣椒的生长环境进行评估,并判断是否能满足第一生产需求,得到第一分析结果,包括环境参数异常、预测植物生长、判断是否需要调整措施等。根据第一分析结果,智能控制模型生成第一控制决策。包括对温度、湿度、光照和土壤情况等参数进行自动化控制调整,例如,分析结果中发现土壤的水分过少,因此自动生成控制决策为进行自动化灌溉,调整土壤湿度。如果分析结果中显示温度过低,自动生成控制决策为通过智能化温控设备自动加热,保持适宜的温度等。
通过第一控制层对辣椒生产环境信息与第一生产需求进行分析,得到分析结果,并根据分析结果进行自动生成控制决策,实现对辣椒生产的智能化控制,并根据实际偏差及时且精准地调整控制策略,有助于提升辣椒生产效率,提高并稳定辣椒生产质量。
进一步的,本申请实施例还包括:
步骤S640:对处于所述第一生产阶段的所述辣椒进行植株状态监测,得到辣椒植株状态信息;
其中,所述辣椒植株状态信息包括辣椒叶片干物质量、辣椒茎秆干物质量和辣椒果实干物质量;
步骤S650:获取所述智能控制模型中的第二控制层;并且基于所述智能控制约束中的所述第一干物质量,依次对所述辣椒叶片干物质量、所述辣椒茎秆干物质量和所述辣椒果实干物质量进行分析,得到第二分析结果;
步骤S660:根据所述第二分析结果生成第二控制决策,并结合所述第一控制决策得到所述辣椒的所述生产控制决策。
具体而言,第二控制层是指智能控制模块中的通过辣椒植株状态信息和智能控制约束进行分析以指导控制决策的数据处理层,是智能控制***和实体产品之间的接口层,是负责将采集到的辣椒状态信息和干物质量进行处理和决策的核心层。
首先,采集所控制的生产阶段的辣椒状态信息,根据辣椒植株状态的变化,对辣椒植株状态信息进行监测和收集,包括叶片干物质量、茎秆干物质量、果实干物质量以及其他生长过程数据,以这些数据为基础对辣椒生长进行控制。接下来,将第一干物质量数据添加进来,根据辣椒植株状态信息和不同阶段的辣椒干物质量进行分析,对当前阶段的辣椒植株状态进行评估,并判断叶片干物质量、茎秆干物质量、果实干物质量是否能满足第一干物质量要求,得到第二分析结果。根据第二分析结果,智能控制模型生成第二控制决策。例如,分析结果中辣椒的总体干物质量较低,控制决策为采取增加氮、磷、钾等营养元素的供应量,以提高蛋白质和碳水化合物的含量;分析结果中辣椒的总体干物质量过高,控制决策为适当减少灌溉、减少氮肥的使用等,以降低植株的生长速度,提高其品质。
通过分析不同阶段的辣椒的叶片干物质量、茎秆干物质量和果实干物质量等进行自动生成控制决策,实现对辣椒生产精细智能管控,从而提升辣椒生产效率,稳定辣椒质量。
进一步的,本申请实施例还包括:
所述辣椒植株状态信息还包括辣椒植株图像;
步骤S670:对所述辣椒植株图像进行图像处理,并分析图像处理结果判断是否需要喷药除虫;
步骤S680:若是需要,生成第三控制决策,其中,所述第三控制决策是指对所述辣椒进行喷药除虫的决策;
步骤S690:将所述第三控制决策添加至所述生产控制决策。
具体而言,采用图像获取技术获取辣椒植株的图像信息,如摄像头、无人机遥感、多光谱成像等技术。例如,使用带有镜头的移动机器人,沿着辣椒田的行之间移动,利用摄像头采集每条行上的植株图像信息。采用图像处理和机器视觉算法对辣椒植株图像进行分析和处理,例如,使用OpenCV库等图像处理工具对植株图像进行处理,采用颜色空间转换、自适应二值化、形态学操作等算法,提取出植株的轮廓信息,并用连通域分析算法进行植株分割,得到辣椒的整体信息和叶片的面积,然后通过比对已有的辣椒状态库,判断辣椒是否被害并确定是否需要除虫喷药。
若判断辣椒需要进行除虫喷药,则生成第三控制决策,添加至所述生产控制决策。例如,将喷药除虫控制决策与环境质量控制决策、干物质量控制决策相结合,并将命令发送至农药泵控制设备,控制农药泵的工作参数,实现农药的自动定点精准喷洒。实现对辣椒生产的环境、干物质量、虫害的精细化智能控制生产,从而提升辣椒生产效率,稳定并提高辣椒生产质量。
综上所述,本申请实施例所提供的一种用于辣椒生产的精细化智能控制方法具有如下技术效果:
对辣椒的全生产周期进行阶段划分,得到生产阶段集,其中,生产阶段集包括M个生产阶段,且M为大于1的整数,通过对辣椒全生产周期的不同阶段进行划分,建立相应的生产阶段集合,以便于进行精细化控制。提取M个生产阶段的第一生产阶段,并结合历史辣椒生产记录分析得到第一生产阶段的第一生产需求;以及分析历史辣椒生产记录中的数据得到辣椒在第一生产阶段的第一干物质量;通过第一生产需求和第一干物质量为后续辣椒生产提供标准并设置约束,精细化对辣椒生产进行提升。将第一生产需求与第一干物质量作为智能控制约束,并存储至智能控制模型,用于后续对实施的辣椒生长环境和辣椒植株状态进行分析和决策。对辣椒的实际生产环境进行动态监测,得到辣椒生产环境信息,其中,辣椒生产环境信息包括辣椒生产的地下环境数据和地上环境数据,实现对辣椒生产数据的自动化采集。通过智能控制模型对地下环境数据和地上环境数据进行分析,得到模型分析结果,通过智能控制模型自动分析精细化数据,实现对辣椒生产的精细化智能控制。基于模型分析结果生成辣椒的生产控制决策,基于分析结果智能生成相应的生产控制决策,包括控制参数、控制策略和控制命令等,并以不同的方式将其反馈给生产控制***,以实现对辣椒生产过程的精细智能生产控制。
实施例二
基于与前述实施例中一种用于辣椒生产的精细化智能控制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用于辣椒生产的精细化智能控制***,智能控制***包括:
生产阶段集模块11,用于对辣椒的全生产周期进行阶段划分,得到生产阶段集,其中,所述生产阶段集包括M个生产阶段,且M为大于1的整数;
第一生产需求模块12,提取所述M个生产阶段的第一生产阶段,并结合历史辣椒生产记录分析得到所述第一生产阶段的第一生产需求;
第一干物质量模块13,用于分析所述历史辣椒生产记录中的数据得到所述辣椒在所述第一生产阶段的第一干物质量;
智能控制约束模块14,用于将所述第一生产需求与所述第一干物质量作为智能控制约束,并存储至智能控制模型;
生产环境信息模块15,用于对所述辣椒的实际生产环境进行动态监测,得到辣椒生产环境信息,其中,所述辣椒生产环境信息包括所述辣椒生产的地下环境数据和地上环境数据;
模型分析结果模块16,用于通过所述智能控制模型对所述地下环境数据和所述地上环境数据进行分析,得到模型分析结果;
生产控制决策模块17,用于基于所述模型分析结果生成所述辣椒的生产控制决策。
进一步的,本申请实施例还包括:
第一历史记录模块,用于获取所述历史辣椒生产记录中的第一历史记录,其中,所述第一历史记录包括所述辣椒在所述第一生产阶段的第一生产历史记录;
历史记录包括模块,第一生产历史记录包括第一生产历史环境记录和所述第一生产历史养分记录;
第一遍历结果模块,基于预设环境指标对所述第一生产历史环境记录进行遍历,得到第一遍历结果;以及
第二遍历结果模块,基于预设养分类别对所述第一生产历史养分记录进行遍历,得到第二遍历结果;
第一生产需求模块,用于依次分析所述第一遍历结果和所述第二遍历结果,并确定所述第一生产需求。
进一步的,本申请实施例还包括:
历史记录包括模块,第一生产历史记录还包括第一生产历史干物质量记录;
质量记录包括模块,其中,所述第一生产历史干物质量记录包括第一生产历史叶片干物质量记录、第一生产历史茎秆干物质量记录、第一生产历史果实干物质量记录和第一生产历史地下部干物质量记录;
物质量记录模块,用于加和所述第一生产历史叶片干物质量记录、所述第一生产历史茎秆干物质量记录、所述第一生产历史果实干物质量记录得到第一生产历史地上部干物质量记录;
第一干物质量模块,第一生产历史地上部干物质量记录与所述第一生产历史地下部干物质量记录组合得到所述第一干物质量。
进一步的,本申请实施例还包括:
动态监测指标模块,用于将所述预设环境指标和所述预设养分类别作为动态监测指标;
动态监测数据模块,用于通过智能监测装置基于所述动态监测指标对所述辣椒的实际生产环境进行动态监测,得到动态监测数据,其中,所述动态监测数据包括环境数据和养分数据;
预设损失函数模块,用于获取预设损失函数;
有效养分数据模块,基于所述预设损失函数对所述养分数据进行损失分析,得到有效养分数据;
生产环境信息模块,用于将所述环境数据作为所述地上环境数据,将所述有效养分数据作为所述地下环境数据,共同组成所述辣椒生产环境信息。
进一步的,本申请实施例还包括:
预设损失函数模块,计算公式如下:
其中,x′i是指所述养分数据,xi是指所述有效养分数据,ε是指变量调节系数,且ε=ε1+ε2+ε3+ε4,其中ε1是指反硝化调节系数,ε2是指氨挥发调节系数,ε3是指硝态氨淋失调节系数,ε4是指径流调节系数,n是指所述预设养分类别中的养分类别总数,n>0。
进一步的,本申请实施例还包括:
第一控制层模块,用于获取所述智能控制模型中的第一控制层;
第一分析结果模块,用于通过所述第一控制层对所述辣椒生产环境信息与所述智能控制约束中的所述第一生产需求进行分析,得到第一分析结果;
第一控制决策模块,用于根据所述第一分析结果生成第一控制决策。
进一步的,本申请实施例还包括:
辣椒植株状态信息模块,用于对处于所述第一生产阶段的所述辣椒进行植株状态监测,得到辣椒植株状态信息;
其中,所述辣椒植株状态信息包括辣椒叶片干物质量、辣椒茎秆干物质量和辣椒果实干物质量;
第二控制层模块,用于获取所述智能控制模型中的第二控制层;
第二分析结果模块,用于基于所述智能控制约束中的所述第一干物质量,依次对所述辣椒叶片干物质量、所述辣椒茎秆干物质量和所述辣椒果实干物质量进行分析,得到第二分析结果;
第二控制决策模块,用于根据所述第二分析结果生成第二控制决策,并结合所述第一控制决策得到所述辣椒的所述生产控制决策。
进一步的,本申请实施例还包括:
辣椒植株图像模块,所述辣椒植株状态信息还包括辣椒植株图像;
图像处理模块,用于对所述辣椒植株图像进行图像处理,并分析图像处理结果判断是否需要喷药除虫;
第三控制决策模块,用于若是需要,生成第三控制决策,其中,所述第三控制决策是指对所述辣椒进行喷药除虫的决策;
控制决策添加模块,用于将所述第三控制决策添加至所述生产控制决策。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。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 (9)
1.一种用于辣椒生产的精细化智能控制方法,其特征在于,包括:
对辣椒的全生产周期进行阶段划分,得到生产阶段集,其中,所述生产阶段集包括M个生产阶段,且M为大于1的整数;
提取所述M个生产阶段的第一生产阶段,并结合历史辣椒生产记录分析得到所述第一生产阶段的第一生产需求;以及
分析所述历史辣椒生产记录中的数据得到所述辣椒在所述第一生产阶段的第一干物质量;
将所述第一生产需求与所述第一干物质量作为智能控制约束,并存储至智能控制模型;
对所述辣椒的实际生产环境进行动态监测,得到辣椒生产环境信息,其中,所述辣椒生产环境信息包括所述辣椒生产的地下环境数据和地上环境数据;
通过所述智能控制模型对所述地下环境数据和所述地上环境数据进行分析,得到模型分析结果;
基于所述模型分析结果生成所述辣椒的生产控制决策。
2.根据权利要求1所述的精细化智能控制方法,其特征在于,所述结合所述历史辣椒生产记录分析得到所述第一生产阶段的第一生产需求,包括:
获取所述历史辣椒生产记录中的第一历史记录,其中,所述第一历史记录包括所述辣椒在所述第一生产阶段的第一生产历史记录;
所述第一生产历史记录包括第一生产历史环境记录和所述第一生产历史养分记录;
基于预设环境指标对所述第一生产历史环境记录进行遍历,得到第一遍历结果;以及
基于预设养分类别对所述第一生产历史养分记录进行遍历,得到第二遍历结果;
依次分析所述第一遍历结果和所述第二遍历结果,并确定所述第一生产需求。
3.根据权利要求2所述的精细化智能控制方法,其特征在于,所述分析所述历史辣椒生产记录中的数据得到所述辣椒在所述第一生产阶段的第一干物质量,包括:
所述第一生产历史记录还包括第一生产历史干物质量记录;
其中,所述第一生产历史干物质量记录包括第一生产历史叶片干物质量记录、第一生产历史茎秆干物质量记录、第一生产历史果实干物质量记录和第一生产历史地下部干物质量记录;
加和所述第一生产历史叶片干物质量记录、所述第一生产历史茎秆干物质量记录、所述第一生产历史果实干物质量记录得到第一生产历史地上部干物质量记录;
所述第一生产历史地上部干物质量记录与所述第一生产历史地下部干物质量记录组合得到所述第一干物质量。
4.根据权利要求3所述的精细化智能控制方法,其特征在于,所述对所述辣椒的实际生产环境进行动态监测,得到辣椒生产环境信息,包括:
将所述预设环境指标和所述预设养分类别作为动态监测指标;
通过智能监测装置基于所述动态监测指标对所述辣椒的实际生产环境进行动态监测,得到动态监测数据,其中,所述动态监测数据包括环境数据和养分数据;
获取预设损失函数;并且
基于所述预设损失函数对所述养分数据进行损失分析,得到有效养分数据;
将所述环境数据作为所述地上环境数据,将所述有效养分数据作为所述地下环境数据,共同组成所述辣椒生产环境信息。
5.根据权利要求4所述的精细化智能控制方法,其特征在于,所述预设损失函数的计算公式如下:
其中,x′i是指所述养分数据,xi是指所述有效养分数据,ε是指变量调节系数,且ε=ε1+ε2+ε3+ε4,其中ε1是指反硝化调节系数,ε2是指氨挥发调节系数,ε3是指硝态氨淋失调节系数,ε4是指径流调节系数,n是指所述预设养分类别中的养分类别总数,n>0。
6.根据权利要求5所述的精细化智能控制方法,其特征在于,所述通过所述智能控制模型对所述地下环境数据和所述地上环境数据进行分析,得到模型分析结果,包括:
获取所述智能控制模型中的第一控制层;并且
通过所述第一控制层对所述辣椒生产环境信息与所述智能控制约束中的所述第一生产需求进行分析,得到第一分析结果;
根据所述第一分析结果生成第一控制决策。
7.根据权利要求6所述的精细化智能控制方法,其特征在于,还包括:
对处于所述第一生产阶段的所述辣椒进行植株状态监测,得到辣椒植株状态信息;
其中,所述辣椒植株状态信息包括辣椒叶片干物质量、辣椒茎秆干物质量和辣椒果实干物质量;
获取所述智能控制模型中的第二控制层;并且
基于所述智能控制约束中的所述第一干物质量,依次对所述辣椒叶片干物质量、所述辣椒茎秆干物质量和所述辣椒果实干物质量进行分析,得到第二分析结果;
根据所述第二分析结果生成第二控制决策,并结合所述第一控制决策得到所述辣椒的所述生产控制决策。
8.根据权利要求7所述的精细化智能控制方法,其特征在于,还包括:
所述辣椒植株状态信息还包括辣椒植株图像;
对所述辣椒植株图像进行图像处理,并分析图像处理结果判断是否需要喷药除虫;
若是需要,生成第三控制决策,其中,所述第三控制决策是指对所述辣椒进行喷药除虫的决策;
将所述第三控制决策添加至所述生产控制决策。
9.一种用于辣椒生产的精细化智能控制***,其特征在于,包括:
生产阶段集模块,所述生产阶段集模块用于对辣椒的全生产周期进行阶段划分,得到生产阶段集,其中,所述生产阶段集包括M个生产阶段,且M为大于1的整数;
第一生产需求模块,所述第一生产需求模块用于提取所述M个生产阶段的第一生产阶段,并结合历史辣椒生产记录分析得到所述第一生产阶段的第一生产需求;以及
第一干物质量模块,所述第一干物质量模块用于分析所述历史辣椒生产记录中的数据得到所述辣椒在所述第一生产阶段的第一干物质量;
智能控制约束模块,所述智能控制约束模块用于将所述第一生产需求与所述第一干物质量作为智能控制约束,并存储至智能控制模型;
生产环境信息模块,所述生产环境信息模块用于对所述辣椒的实际生产环境进行动态监测,得到辣椒生产环境信息,其中,所述辣椒生产环境信息包括所述辣椒生产的地下环境数据和地上环境数据;
模型分析结果模块,所述模型分析结果模块用于通过所述智能控制模型对所述地下环境数据和所述地上环境数据进行分析,得到模型分析结果;
生产控制决策模块,所述生产控制决策模块用于基于所述模型分析结果生成所述辣椒的生产控制决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310528858.4A CN116578047B (zh) | 2023-05-11 | 2023-05-11 | 一种用于辣椒生产的精细化智能控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310528858.4A CN116578047B (zh) | 2023-05-11 | 2023-05-11 | 一种用于辣椒生产的精细化智能控制方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116578047A true CN116578047A (zh) | 2023-08-11 |
CN116578047B CN116578047B (zh) | 2024-04-30 |
Family
ID=87539062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310528858.4A Active CN116578047B (zh) | 2023-05-11 | 2023-05-11 | 一种用于辣椒生产的精细化智能控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116578047B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934972A (zh) * | 2024-03-21 | 2024-04-26 | 贵州万德科技有限公司 | 一种辣椒加工用图像筛选方法及其筛选*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180146626A1 (en) * | 2015-05-26 | 2018-05-31 | Jixiang XU | Intelligent growing management method and intelligent growing device |
KR101928763B1 (ko) * | 2018-04-16 | 2018-12-17 | 대한민국 | 양분수지 산정 모델의 전·후처리 수행 장치 및 그 방법 |
US20190318302A1 (en) * | 2018-04-12 | 2019-10-17 | Paksense, Inc. | Systems And Methods For Environmental Monitoring Of Supply Chains |
KR20200060652A (ko) * | 2018-11-22 | 2020-06-01 | (주) 오토이노텍 | 의사결정나무를 이용한 스마트팜의 제어방법 |
KR20200084407A (ko) * | 2018-12-21 | 2020-07-13 | 한국과학기술연구원 | 뉴럴 네트워크 기반의 양액 제어 시스템 및 방법 |
CN113439520A (zh) * | 2021-07-21 | 2021-09-28 | 中国农业科学院农业环境与可持续发展研究所 | 一种农作物灌溉施肥智慧决策方法及*** |
CN115328233A (zh) * | 2022-09-13 | 2022-11-11 | 湖南化工职业技术学院(湖南工业高级技工学校) | 一种温室大棚环境智能调节管理*** |
KR20220168864A (ko) * | 2021-06-17 | 2022-12-26 | 강원대학교산학협력단 | 스마트팜의 작물 생산량 조절을 위한 의사 결정 지원 장치 및 방법 |
-
2023
- 2023-05-11 CN CN202310528858.4A patent/CN116578047B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180146626A1 (en) * | 2015-05-26 | 2018-05-31 | Jixiang XU | Intelligent growing management method and intelligent growing device |
US20190318302A1 (en) * | 2018-04-12 | 2019-10-17 | Paksense, Inc. | Systems And Methods For Environmental Monitoring Of Supply Chains |
KR101928763B1 (ko) * | 2018-04-16 | 2018-12-17 | 대한민국 | 양분수지 산정 모델의 전·후처리 수행 장치 및 그 방법 |
KR20200060652A (ko) * | 2018-11-22 | 2020-06-01 | (주) 오토이노텍 | 의사결정나무를 이용한 스마트팜의 제어방법 |
KR20200084407A (ko) * | 2018-12-21 | 2020-07-13 | 한국과학기술연구원 | 뉴럴 네트워크 기반의 양액 제어 시스템 및 방법 |
KR20220168864A (ko) * | 2021-06-17 | 2022-12-26 | 강원대학교산학협력단 | 스마트팜의 작물 생산량 조절을 위한 의사 결정 지원 장치 및 방법 |
CN113439520A (zh) * | 2021-07-21 | 2021-09-28 | 中国农业科学院农业环境与可持续发展研究所 | 一种农作物灌溉施肥智慧决策方法及*** |
CN115328233A (zh) * | 2022-09-13 | 2022-11-11 | 湖南化工职业技术学院(湖南工业高级技工学校) | 一种温室大棚环境智能调节管理*** |
Non-Patent Citations (3)
Title |
---|
方斌;王光火;: "基于TechnoGIN的果树作物养分因子效应分析", 果树学报, no. 01, 10 January 2006 (2006-01-10), pages 21 - 26 * |
王激清;马文奇;江荣风;张福锁;: "中国农田生态***氮素平衡模型的建立及其应用", 农业工程学报, no. 08, pages 210 - 215 * |
邹德乙;程希雷;: "腐植酸类肥料可降低蔬菜及饮水硝酸盐污染", 腐植酸, no. 02, 20 April 2007 (2007-04-20), pages 50 - 51 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117934972A (zh) * | 2024-03-21 | 2024-04-26 | 贵州万德科技有限公司 | 一种辣椒加工用图像筛选方法及其筛选*** |
CN117934972B (zh) * | 2024-03-21 | 2024-05-28 | 贵州万德科技有限公司 | 一种辣椒加工用图像筛选方法及其筛选*** |
Also Published As
Publication number | Publication date |
---|---|
CN116578047B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
CN105700593B (zh) | 一种植物种植监控***及其方法 | |
CN111369093A (zh) | 基于机器学习的灌溉方法和装置 | |
CN111096130B (zh) | 一种使用ai光谱的无人干预种植***及其控制方法 | |
CN116578047B (zh) | 一种用于辣椒生产的精细化智能控制方法及*** | |
CN111476149A (zh) | 一种植物培育控制方法和*** | |
CN112042353A (zh) | 一种适用于日光温室的水肥精准决策方法及*** | |
CN111459033A (zh) | 水、肥精量灌溉的灰色预测模糊pid控制方法及设备 | |
CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
CN117652267A (zh) | 一种用于园林绿化维护的监测管理方法及*** | |
CN117063818A (zh) | 一种水肥精准调控*** | |
CN111223003A (zh) | 一种面向产区的种植决策服务***与方法 | |
CN117296538B (zh) | 基于植被土壤成分检测的绿植维护方法、装置与*** | |
KR20200056520A (ko) | 클라우드 기반 토마토 생육진단 및 생산성 예측 방법 | |
CN111176238B (zh) | Aipa智慧决策型精准农业*** | |
CN117455062A (zh) | 一种基于多源异构农业数据的农作物产量预测算法 | |
CN116225114B (zh) | 一种基于大数据的作物生长可控农业温室智能环控***及方法 | |
CN116452358A (zh) | 基于物联网的智慧农业管理*** | |
KR102471743B1 (ko) | 스마트팜의 미래 생산량 예측 방법 | |
CN114066033A (zh) | 一种智慧农业优化方法和*** | |
CN110751322B (zh) | 一种基于大数据分析预测的荔枝控梢促花管理方法 | |
Kunhare et al. | Role of Artificial Intelligence in the Agricultural System | |
CN116897670B (zh) | 作物施肥方法、装置、电子设备和存储介质 | |
KR102471742B1 (ko) | 스마트팜의 생산량과 환경에 대한 최적선형모델 구축 방법 | |
CN117689489A (zh) | 一种基于多维度监测的葡萄种植智能控制*** |
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 |