CN117251004A - 一种植物生长的ph值控制*** - Google Patents
一种植物生长的ph值控制*** Download PDFInfo
- Publication number
- CN117251004A CN117251004A CN202311536379.3A CN202311536379A CN117251004A CN 117251004 A CN117251004 A CN 117251004A CN 202311536379 A CN202311536379 A CN 202311536379A CN 117251004 A CN117251004 A CN 117251004A
- Authority
- CN
- China
- Prior art keywords
- data
- value
- plant growth
- unit
- sensor
- 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.)
- Pending
Links
- 230000008635 plant growth Effects 0.000 title claims abstract description 101
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000013480 data collection Methods 0.000 claims abstract description 19
- 238000003066 decision tree Methods 0.000 claims abstract description 14
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000012800 visualization Methods 0.000 claims abstract description 3
- 238000010586 diagram Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 11
- 238000013079 data visualisation Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010413 gardening Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 235000003715 nutritional status Nutrition 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 description 20
- 230000006872 improvement Effects 0.000 description 9
- 238000013138 pruning Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 239000000243 solution Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 239000003929 acidic solution Substances 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 239000012670 alkaline solution Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D21/00—Control of chemical or physico-chemical variables, e.g. pH value
- G05D21/02—Control of chemical or physico-chemical variables, e.g. pH value characterised by the use of electric means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及PH值控制领域,具体为一种植物生长的PH值控制***,包括数据收集模块利用传感器来收集实时植物生长数据,实时植物生长数据包括不同数据特征,公开数据集收集不同的历史植物生长数据,历史植物生长数据包括和实时植物生长数据相同的数据特征,并且将规定的PH值作为历史植物生长数据的标签列,建模模块根据不同的历史植物生长数据中不同的数据特征和标签列之间的关系进行模型训练利用决策树算法进行模型训练,PH值预测模块利用训练好的决策树模型对实时植物生长数据进行规定的PH值的预测和记录影响规定PH值的数据,预测结果处理模块将预测的规定的PH值和影响规定PH值的数据,利用可视化工具进行不同图表的可视化展示。
Description
技术领域
本发明涉及PH值控制领域,具体为一种植物生长的PH值控制***。
背景技术
传统的植物生长的PH值控制***通常使用一些基本的控制原理和技术来调节和维持植物生长环境中的PH值,是基于固定的规则和阈值进行操作的,因此,传统的植物生长的PH值控制***往往会有一些弊端。
一方面,传统的植物生长的PH值控制***往往根据设定的目标PH值和实际测量值之间的差异,决定是否需要进行调节,无法自动适应植物生长时所产生的不同条件;
另一方面,传统的植物生长的PH值控制***往往需要大量专业人员手动分析植物生长数据与PH值之间的关系,不仅会由于主观因素导致的判断失误,而且需要大量人力资源。
发明内容
本发明的目的在于提供一种植物生长的PH值控制***,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:一种植物生长的PH值控制***,其包括数据收集模块、建模模块、PH值预测模块和预测结果处理模块,其中:
所述数据收集模块包括传感器和公开数据集,所述传感器来收集实时植物生长数据,实时植物生长数据包括不同数据特征,所述公开数据集收集不同的历史植物生长数据,历史植物生长数据包括和实时植物生长数据相同的数据特征,并且将规定的PH值作为历史植物生长数据的标签列。
所述建模模块根据不同的历史植物生长数据中不同的数据特征和标签列之间的关系进行模型训练利用决策树算法进行模型训练,PH值预测模块利用训练好的决策树模型对实时植物生长数据进行规定的PH值的预测,并根据决策树算法的特点记录和对实时植物生长数据中不同数据的分析,记录影响规定PH值的数据,所述预测结果处理模块将预测的规定的PH值和影响规定PH值的数据,利用可视化工具进行不同图表的可视化展示。
作为本技术方案的进一步改进,所述数据收集模块包括传感器单元,所述传感器单元利用传感器来收集实时植物生长数据,其中传感器包括PH值传感器、生物高度传感器、光照传感器、温湿度传感器、叶片颜色传感器和图像传感器,并将收集到的实时植物生长数据和数据中的当前PH值发送给PH值预测模块和预测结果处理模块。
作为本技术方案的进一步改进,所述数据收集模块包括历史数据收集单元,所述历史数据收集单元利用研究机构、农业监测***和园艺数据库收集不同的历史植物生长数据,并提取历史植物生长数据中的数据特征,并将其中的植物生长时所规定的PH值作为历史植物生长数据的标签列,将收集到的历史植物生长数据发送给建模模块。
作为本技术方案的进一步改进,所述建模模块包括历史数据接收单元和模型训练单元,所述历史数据接收单元接收历史数据收集单元发送的历史植物生长数据,用于将数据进行标准化处理,并将处理好的数据发送给模型训练单元;所述模型训练单元利用决策树算法根据历史植物生长数据进行模型训练,并将训练好的模型发送给PH值预测模块。
作为本技术方案的进一步改进,所述PH值预测模块包括传感器数据接收单元和模型应用单元,所述传感器数据接收单元接收传感器单元发送的实时植物生长数据,并将数据中的图像数据进行特征处理,将处理好的数据发送给模型应用单元;所述模型应用单元利用模型训练单元训练好的模型对传感器数据接收单元发送的实时植物生长数据进行PH值和影响PH值的数据的预测,并将预测结果发送给预测结果处理模块。
作为本技术方案的进一步改进,所述预测结果处理模块包括预测结果接收单元、PH值调整单元和预测结果整理单元,所述预测结果接收单元接收传感器单元和模型应用单元分别发送的当前PH值和预测结果,将当前PH值和预测结果中预测的PH值发送给PH值调整单元,将预测结果发送给预测结果整理单元;所述PH值调整单元根据当前PH值和预测的PH值的大小比较,对当前植物的PH值进行酸碱性的调整;所述预测结果整理单元利用可视化工具对预测结果中的PH值的和影响PH值的数据进行不同图表的可视化展示。
作为本技术方案的进一步改进,所述传感器单元利用传感器来收集实时植物生长数据,实时植物生长数据包括不同数据特征,具体包括:
PH值传感器:收集的数据是当前植物生长PH值,表示物质的酸碱度;
生物高度传感器:收集到的数据是植物高度的数值,表示单位时间内植物的垂直增长量;
光照传感器:收集到的数据是光照强度的数值,表示环境中可见光的强度水平;
温湿度传感器:收集到的数据是环境的温度和湿度值;
叶片颜色传感器:收集到的数据是叶片颜色的数值,用于评估植物的健康状态和营养状况;
图像传感器:收集到的数据是植物的图像,这些图像数据用于分析和测量植物的形态、数量和颜色
作为本技术方案的进一步改进,所述模型训练单元利用决策树算法通过数据划分、模型训练、模型评估和模型调优来训练模型。
作为本技术方案的进一步改进,所述模型应用单元利用训练好的模型对实时植物生长数据进行PH值的预测,具体包括:
从根节点开始,依次比较样本的特征值与该节点对应的划分特征的取值,根据不同的取值,将样本沿着相应的子节点移动,并记录移动的节点数据;
继续重复上一步,根据当前节点的划分特征和取值,将样本移动到下一个子节点,直到到达叶节点,叶节点对应规定的PH值的数值;
最后输出预测的PH值和记录移动的节点数据,其中的节点数据为影响PH值的数据。
作为本技术方案的进一步改进,所述预测结果整理单元利用Python中的数据可视化库matplotlib来对数据进行折线图、热力图和散点图的多种图表展示。
与现有技术相比,本发明的有益效果是:
1、该一种植物生长的PH值控制***首先利用不同传感器来收集实时植物生长数据,实时植物生长数据包括不同的数据特征,利用研究机构、农业监测***和园艺数据库收集不同的历史植物生长数据,历史植物生长数据包括包括和实时植物生长数据相同的数据特征,并且将规定的PH值作为历史植物生长数据的标签列,根据不同的历史植物生长数据利用决策树算法进行模型训练,利用训练好的决策树模型对实时植物生长数据进行规定的PH值的预测,从而让植物生长能够在不同且复杂的环境中进行有效的调整,增加植物生长的生命力;
2、该一种植物生长的PH值控制***在利用训练好的决策树算法模型根据实时植物生长数据预测出PH值后,还预测出了影响PH值的数据,并利用Python中的数据可视化库matplotlib来对数据进行折线图、热力图和散点图的多种图表展示,以此减少人为手动整理数据而导致的失误,并且节省了人力资源,提高了工作效率。
附图说明
图1为本发明的整体模块示意图;
图2为本发明的数据收集模块单元示意图;
图3为本发明的建模模块单元示意图;
图4为本发明的PH值预测模块单元示意图;
图5为本发明的预测结果处理模块单元示意图;
图中:100、数据收集模块;101、传感器单元;102、历史数据收集单元;200、建模模块;201、历史数据接收单元;202、模型训练单元;300、PH值预测模块;301、传感器数据接收单元;302、模型应用单元;400、预测结果处理模块;401、预测结果接收单元;402、PH值调整单元;403、预测结果整理单元。
具体实施方式
下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-图5,本发明提供一种技术方案:一种植物生长的PH值控制***,包括数据收集模块100、建模模块200、PH值预测模块300和预测结果处理模块400。
为了收集植物生长的实时数据,数据收集模块100中的传感器单元101利用传感器来收集实时植物生长数据,其中传感器包括PH值传感器、生物高度传感器、光照传感器、温湿度传感器、叶片颜色传感器和图像传感器等,具体包括:
PH值传感器:收集的数据是一个数字值(当前植物生长PH值),表示物质的酸碱度,例如,PH值传感器收集到PH值为6.8的液体样品数据,表示该液体为微酸性;
生物高度传感器:收集到的数据是植物高度的数值,表示单位时间内植物的垂直增长量,例如,生物高度传感器记录到植物在24小时内增长了2厘米的数据;
光照传感器:收集到的数据是光照强度的数值,表示环境中可见光的强度水平,例如,光照传感器记录到环境中的光照强度为10000勒克斯,表示该环境接收到较强的自然光;
温湿度传感器:收集到的数据是环境的温度和湿度值,例如,温湿度传感器记录到环境温度为25摄氏度,相对湿度为60%的数据;
叶片颜色传感器:收集到的数据是叶片颜色的数值,用于评估植物的健康状态和营养状况,例如,叶片颜色传感器记录到叶片颜色指数为42,表示植物叶片呈现出良好的绿色;
图像传感器:收集到的数据是植物的图像,这些图像数据用于分析和测量植物的形态、数量和颜色,例如,图像传感器捕捉到一张植物图像,显示植物具有3片叶子,叶子的颜色为深绿色。
传感器单元101将收集到的实时植物生长数据发送给PH值预测模块300中的传感器数据接收单元301,为了让数据满足模型的输入类型,需要对实时路面数据中的图像数据进行特征处理,具体包括:
图像传感器数据:首先对植物图像进行预处理,包括去噪、调整对比度和亮度,接着通过形态学操作和边缘检测算法提取植物的轮廓和边界,然后应用图像分割算法,将植物图像中的不同区域分割出来,以便测量植物的面积和周长,同时,使用特征提取算法获取图像中的纹理、色彩和形状特征,用于区分不同物种和测量颜色偏差,最后,应用颜色识别算法,将图像的颜色信息转换为数字特征,用于测量植物叶片的颜色和颜色分布,通过这些算法和方法,实现对植物图像的智能处理和分析,得出关于形态、数量和颜色的数据,并将这些数据作为实时植物生长数据的特征列。
传感器数据接收单元301将处理好的实时植物生长数据发送给模型应用单元302进行PH值的预测,在进行预测之前,需要训练模型,而训练模型需要历史植物生长数据作为模型训练的依据,因此数据收集模块100中的历史数据收集单元102利用研究机构、农业监测***和园艺数据库等公开数据集收集不同的历史植物生长数据,并提取历史植物生长数据中的数据特征,提取的数据特征为实时植物生长数据特征,以此保证模型输入的统一性,并且将其中的PH值(植物生长时所规定的PH值)作为历史植物生长数据的标签列,以此让模型进行有监督的模型训练,将收集到的历史植物生长数据发送给建模模块200中的历史数据接收单元201,其中有监督的模型训练,表示的是会根据训练数据集中的输入特征和输出标签之间的关系,学习出一个函数或模型,这个函数或模型可以将给定的输入映射到预测的输出,训练的目标是通过调整模型的参数或权重,使模型尽可能准确地预测或分类训练集中的样本,并在未见过的新数据上表现良好。
为了减少异常值和噪声对模型的影响,提高模型对异常值的鲁棒性,减少对模型训练和预测的干扰,从而提高模型的性能和稳定性,历史数据接收单元201通过计算历史植物生长数据中特征列的均值和标准差,将原始值减去均值然后除以标准差,将数据转换为具有均值为0和标准差为1的分布,让特征权重保持平衡,并将标准化后的历史植物生长数据发送给模型训练单元202,模型训练单元202利用机器学习算法中的决策树算法根据历史植物生长数据进行模型训练,具体包括:
数据划分:将数据集切分为两份,百分之80为训练集,百分之20为测试集,训练集用于模型训练,测试集用于模型评估;
模型训练:选择数据中基尼系数最小的一个特征作为根节点,基尼系数的计算公式为:Gini=1-Σ(pi)^2,其中Gini为基尼系数,用来衡量特征的纯度和不确定性;pi为某一类别的概率,表示样本属于该类别的概率;Σ为求和符号,表示对所有类别的概率进行求和;(pi)^2表示某一类别概率的平方,即该类别的概率乘以自身;
接下来,对于根节点下的每个子节点再根据基尼系数的大小继续划分,不停迭代,直到节点达到纯净状态,即节点中的样本属于同一类别,则停止生长;
模型评估:计算出模型预测的标签数组与测试集的标签数组之间准确预测的样本数目,将准确预测的样本数目除以测试集的样本数目乘以百分比得到准确率,当准确率大于等于百分之90,则该模型训练成功,否则进行模型调优;
模型调优:对于每个叶节点,分别计算剪枝前后在测试集上的预测性能差异,即准确率的变化;
如果剪枝后性能没有下降,将该叶节点剪枝成为一个叶节点的父节点,并将该节点预测为在测试集上频率最高的类别,否则,判断下一个叶节点剪枝后的性能;
逐步向上剪枝,直到不能再剪枝为止,即所有叶节点剪枝后的性能会导致准确率<百分之90时为止。
模型训练单元202将训练好的模型发送给PH值预测模块300中的模型应用单元302进行模型应用,模型应用单元302利用训练好的模型对实时植物生长数据进行PH值的预测,具体包括:
从根节点开始,依次比较样本的特征值与该节点对应的划分特征的取值,根据不同的取值,将样本沿着相应的子节点移动,并记录移动的节点数据;
继续重复上一步,根据当前节点的划分特征和取值,将样本移动到下一个子节点,直到到达叶节点,叶节点对应PH值的数值;
最后输出预测的PH值和记录移动的节点数据,其中的节点数据为影响PH值的数据。
模型应用单元302将预测的PH值结果和记录的节点数据发送给预测结果处理模块400中的预测结果接收单元401,并且预测结果接收单元401接收传感器单元101中的PH值传感器收集到的实时PH值,将预测结果中的PH值与实时PH值发送给PH值调整单元402,PH值调整单元402根据预测的PH值与实时PH值的比较大小调整当前PH值,具体包括:
如果预测的PH值小于实时PH值,说明介质过碱性,通过添加酸性溶液来降低PH值,反之亦然,如果预测的PH值大于实时PH值,则添加碱性溶液来提升PH值。
为了节省了检测人员手动整理数据特征与预测结果之间关系的时间,提高工作效率,预测结果接收单元401将预测的PH值结果和记录的节点数据发送给预测结果整理单元403,预测结果整理单元403利用可视化工具(例如Python中的数据可视化库matplotlib)来对数据进行不同图表的可视化展示,具体包括:
折线图:将数据和预测结果以时间为横轴,预测结果(PH值)为纵轴,绘制折线图,显示随时间变化的PH值情况,检测人员通过折线的趋势和变化幅度来了解PH值的变化趋势;
热力图:将记录移动的节点数据和相应的预测结果以热力图的形式展示,通过颜色的变化来表示记录节点数据和预测结果的强度和程度,检测人员能够直观地看到重要数据特征对PH值的影响;
散点图:将数据的不同维度以散点图的形式展示,检测结果以不同颜色或大小的点来表示,帮助检测人员发现数据特征和预测结果的关联关系。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的仅为本发明的优选例,并不用来限制本发明,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种植物生长的PH值控制***,其特征在于:包括数据收集模块(100)、建模模块(200)、PH值预测模块(300)和预测结果处理模块(400),其中:
所述数据收集模块(100)包括传感器和公开数据集,所述传感器来收集实时植物生长数据,实时植物生长数据包括不同数据特征,所述公开数据集收集不同的历史植物生长数据,历史植物生长数据包括和实时植物生长数据相同的数据特征,并且将规定的PH值作为历史植物生长数据的标签列;
所述建模模块(200)根据不同的历史植物生长数据中不同的数据特征和标签列之间的关系进行模型训练利用决策树算法进行模型训练,PH值预测模块(300)利用训练好的决策树模型对实时植物生长数据进行规定的PH值的预测,并根据决策树算法的特点记录和对实时植物生长数据中不同数据的分析,记录影响规定PH值的数据,所述预测结果处理模块(400)将预测的规定的PH值和影响规定PH值的数据,利用可视化工具进行不同图表的可视化展示。
2.根据权利要求1所述的植物生长的PH值控制***,其特征在于:所述数据收集模块(100)包括传感器单元(101),所述传感器单元(101)利用传感器来收集实时植物生长数据,其中传感器包括PH值传感器、生物高度传感器、光照传感器、温湿度传感器、叶片颜色传感器和图像传感器,并将收集到的实时植物生长数据和数据中的当前PH值发送给PH值预测模块(300)和预测结果处理模块(400)。
3.根据权利要求2所述的植物生长的PH值控制***,其特征在于:所述数据收集模块(100)包括历史数据收集单元(102),所述历史数据收集单元(102)利用研究机构、农业监测***和园艺数据库收集不同的历史植物生长数据,并提取历史植物生长数据中的数据特征,并将其中的植物生长时所规定的PH值作为历史植物生长数据的标签列,将收集到的历史植物生长数据发送给建模模块(200)。
4.根据权利要求3所述的植物生长的PH值控制***,其特征在于:所述建模模块(200)包括历史数据接收单元(201)和模型训练单元(202),所述历史数据接收单元(201)接收历史数据收集单元(102)发送的历史植物生长数据,用于将数据进行标准化处理,并将处理好的数据发送给模型训练单元(202);所述模型训练单元(202)利用决策树算法根据历史植物生长数据进行模型训练,并将训练好的模型发送给PH值预测模块(300)。
5.根据权利要求4所述的植物生长的PH值控制***,其特征在于:所述PH值预测模块(300)包括传感器数据接收单元(301)和模型应用单元(302),所述传感器数据接收单元(301)接收传感器单元(101)发送的实时植物生长数据,并将数据中的图像数据进行特征处理,将处理好的数据发送给模型应用单元(302);所述模型应用单元(302)利用模型训练单元(202)训练好的模型对传感器数据接收单元(301)发送的实时植物生长数据进行PH值和影响PH值的数据的预测,并将预测结果发送给预测结果处理模块(400)。
6.根据权利要求5所述的植物生长的PH值控制***,其特征在于:所述预测结果处理模块(400)包括预测结果接收单元(401)、PH值调整单元(402)和预测结果整理单元(403),所述预测结果接收单元(401)接收传感器单元(101)和模型应用单元(302)分别发送的当前PH值和预测结果,将当前PH值和预测结果中预测的PH值发送给PH值调整单元(402),将预测结果发送给预测结果整理单元(403);所述PH值调整单元(402)根据当前PH值和预测的PH值的大小比较,对当前植物的PH值进行酸碱性的调整;所述预测结果整理单元(403)利用可视化工具对预测结果中的PH值的和影响PH值的数据进行不同图表的可视化展示。
7.根据权利要求2所述的植物生长的PH值控制***,其特征在于:所述传感器单元(101)利用传感器来收集实时植物生长数据,实时植物生长数据包括不同数据特征,具体包括:
PH值传感器:收集的数据是当前植物生长PH值,表示物质的酸碱度;
生物高度传感器:收集到的数据是植物高度的数值,表示单位时间内植物的垂直增长量;
光照传感器:收集到的数据是光照强度的数值,表示环境中可见光的强度水平;
温湿度传感器:收集到的数据是环境的温度和湿度值;
叶片颜色传感器:收集到的数据是叶片颜色的数值,用于评估植物的健康状态和营养状况;
图像传感器:收集到的数据是植物的图像,这些图像数据用于分析和测量植物的形态、数量和颜色。
8.根据权利要求4所述的植物生长的PH值控制***,其特征在于:所述模型训练单元(202)利用决策树算法通过数据划分、模型训练、模型评估和模型调优来训练模型。
9.根据权利要求5所述的植物生长的PH值控制***,其特征在于:所述模型应用单元(302)利用训练好的模型对实时植物生长数据进行PH值的预测,具体包括:
从根节点开始,依次比较样本的特征值与该节点对应的划分特征的取值,根据不同的取值,将样本沿着相应的子节点移动,并记录移动的节点数据;
继续重复上一步,根据当前节点的划分特征和取值,将样本移动到下一个子节点,直到到达叶节点,叶节点对应规定的PH值的数值;
最后输出预测的PH值和记录移动的节点数据,其中的节点数据为影响PH值的数据。
10.根据权利要求6所述的植物生长的PH值控制***,其特征在于:所述预测结果整理单元(403)利用Python中的数据可视化库matplotlib来对数据进行折线图、热力图和散点图的多种图表展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536379.3A CN117251004A (zh) | 2023-11-17 | 2023-11-17 | 一种植物生长的ph值控制*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311536379.3A CN117251004A (zh) | 2023-11-17 | 2023-11-17 | 一种植物生长的ph值控制*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117251004A true CN117251004A (zh) | 2023-12-19 |
Family
ID=89126849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311536379.3A Pending CN117251004A (zh) | 2023-11-17 | 2023-11-17 | 一种植物生长的ph值控制*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117251004A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201594181U (zh) * | 2010-02-09 | 2010-09-29 | 高明亮 | 一种植物生长环境智能控制装置 |
CN104898723A (zh) * | 2015-05-27 | 2015-09-09 | 淮阴工学院 | 水产养殖池塘ph值智能控制*** |
CN106200705A (zh) * | 2016-08-22 | 2016-12-07 | 淮阴工学院 | 一种无线传感器网络的养殖池塘ph值控制*** |
CN107357327A (zh) * | 2017-08-29 | 2017-11-17 | 金杲易光电科技(深圳)有限公司 | 一种植物生长的ph值控制***及方法 |
CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
CN112270129A (zh) * | 2020-11-09 | 2021-01-26 | 威海精讯畅通电子科技有限公司 | 一种基于大数据分析的植物长势预测方法 |
CN115357064A (zh) * | 2022-09-19 | 2022-11-18 | 河北工程大学 | 一种可用于植物工厂营养液pH自动调节装置及调节方法 |
CN117036088A (zh) * | 2023-08-21 | 2023-11-10 | 安阳市游园管理站 | 一种ai识别绿化植物生长态势的数据采集分析方法 |
-
2023
- 2023-11-17 CN CN202311536379.3A patent/CN117251004A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN201594181U (zh) * | 2010-02-09 | 2010-09-29 | 高明亮 | 一种植物生长环境智能控制装置 |
CN104898723A (zh) * | 2015-05-27 | 2015-09-09 | 淮阴工学院 | 水产养殖池塘ph值智能控制*** |
CN106200705A (zh) * | 2016-08-22 | 2016-12-07 | 淮阴工学院 | 一种无线传感器网络的养殖池塘ph值控制*** |
CN107357327A (zh) * | 2017-08-29 | 2017-11-17 | 金杲易光电科技(深圳)有限公司 | 一种植物生长的ph值控制***及方法 |
CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
CN112270129A (zh) * | 2020-11-09 | 2021-01-26 | 威海精讯畅通电子科技有限公司 | 一种基于大数据分析的植物长势预测方法 |
CN115357064A (zh) * | 2022-09-19 | 2022-11-18 | 河北工程大学 | 一种可用于植物工厂营养液pH自动调节装置及调节方法 |
CN117036088A (zh) * | 2023-08-21 | 2023-11-10 | 安阳市游园管理站 | 一种ai识别绿化植物生长态势的数据采集分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112101159B (zh) | 多时相林业遥感影像变化监测方法 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
KR20150000435A (ko) | 작물 생장 단계 인식 및 환경 제어 시스템 및 그 방법 | |
CN110427798B (zh) | 一种青菜智能识别及叶色环境变化预测的方法 | |
CN115482465A (zh) | 基于机器视觉的农作物病虫害预测方法、***及存储介质 | |
CN114518143A (zh) | 一种智能环境感知*** | |
CN112949517B (zh) | 基于深度迁移学习的植物气孔密度和开度识别方法及*** | |
CN109960972B (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警*** | |
CN111476197A (zh) | 基于多源卫星遥感影像油棕识别及面积提取的方法和*** | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及*** | |
CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
CN111814866A (zh) | 一种病虫害预警方法、装置、计算机设备及存储介质 | |
CN114596509A (zh) | 一种基于机器视觉的水稻秧苗叶龄期识别方法 | |
CN116882850B (zh) | 一种基于大数据的园林数据智能管理方法以及*** | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和*** | |
CN117251004A (zh) | 一种植物生长的ph值控制*** | |
CN116844043A (zh) | 一种果树状态检测方法及*** | |
CN110580495A (zh) | 一种梨树叶面积与叶面炭疽病病斑数自动化分析方法 | |
CN116416523A (zh) | 一种基于机器学习的水稻生长阶段的识别***和方法 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
CN111476503B (zh) | 利用多源异构数据预测油棕原油产量的方法和*** | |
CN114283344A (zh) | 一种森林生态水文过程自动实时监测方法及*** | |
WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging |
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 |