CN117873238A - 一种植物生长控制方法及其***、计算机设备和存储介质 - Google Patents
一种植物生长控制方法及其***、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117873238A CN117873238A CN202410018071.8A CN202410018071A CN117873238A CN 117873238 A CN117873238 A CN 117873238A CN 202410018071 A CN202410018071 A CN 202410018071A CN 117873238 A CN117873238 A CN 117873238A
- Authority
- CN
- China
- Prior art keywords
- data
- plant
- environmental
- value
- control
- 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 118
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 230000007613 environmental effect Effects 0.000 claims abstract description 202
- 230000012010 growth Effects 0.000 claims abstract description 81
- 238000011217 control strategy Methods 0.000 claims abstract description 37
- 238000007405 data analysis Methods 0.000 claims abstract description 23
- 239000002689 soil Substances 0.000 claims description 59
- 238000005286 illumination Methods 0.000 claims description 52
- 230000015654 memory Effects 0.000 claims description 29
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- 230000002787 reinforcement Effects 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000005507 spraying Methods 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 description 113
- 230000001276 controlling effect Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 10
- 238000001514 detection method Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 8
- 238000007781 pre-processing Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 229910052500 inorganic mineral Inorganic materials 0.000 description 7
- 239000011707 mineral Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000012937 correction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 4
- 238000004140 cleaning Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000029553 photosynthesis Effects 0.000 description 4
- 238000010672 photosynthesis Methods 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- QGZKDVFQNNGYKY-UHFFFAOYSA-N Ammonia Chemical compound N QGZKDVFQNNGYKY-UHFFFAOYSA-N 0.000 description 2
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910021529 ammonia Inorganic materials 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005541 medical transmission Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明涉及一种自适应的植物生长控制方法及其***、计算机设备和存储介质，包括：获取当前植物的植物生长环境中各个环境参数的环境数据；获取所述当前植物的生长数据；通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略；根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据。上述方法能够通过植物生长环境中的实时数据反馈来调整各个环境参数的环境数据，以满足植物不断变化的生长需求。
Description
技术领域
本发明涉及数据处理领域，特别是涉及一种自适应的植物生长控制方法及其***、计算机设备和存储介质。
背景技术
传统耕种模式对环境因素依赖性较强，农业生产设备落后将导致农产品产出不稳定，影响农业经济效益。我国农业温室大棚种植面积广泛，农作物的种植已跨越地区与季节，已成为农业生产构成的重要元素。
然而，当前温室大棚种植中采用人工控制大棚种植环境的各个环境参数的方式配置植物生长环境，此种方式不利于植物生长需求。
发明内容
本发明的目的在于克服现有技术的不足，提供了一种自适应的植物生长控制方法方法及其***、计算机设备和存储介质，能够通过植物生长环境中的实时数据反馈来调整各个环境参数的环境数据，以满足植物不断变化的生长需求。
为了解决上述中至少一个技术问题，本发明实施例提供了一种自适应的植物生长控制方法，包括：
获取当前植物的植物生长环境中各个环境参数的环境数据；
获取所述当前植物的生长数据；
通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略；
根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据。
优选地，所述各个环境参数包括温度、湿度、光照、CO2浓度以及土壤条件，所述各个环境参数的环境数据包括温度值、湿度值、光照值、CO2浓度值以及土壤数据值，所述当前植物的生长数据包括生长状态、生长速率以及叶片状态；
所述通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略，包括：
通过预测模型对所述植物生长环境中温度值、湿度值、光照值、CO2浓度值以及土壤数据值和所述当前植物的生长状态、生长速率以及叶片状态进行数据分析，得到温度控制值、湿度控制值、光照控制值、CO2浓度控制值以及土壤数据控制值；
所述根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据，包括：
根据温度控制值、湿度控制值、光照控制值、CO2浓度控制值以及土壤数据控制值分别控制所述植物生长环境中温度、湿度、光照、CO2浓度以及土壤条件。
优选地，所述方法还包括：
采集所述当前植物的历史数据，所述历史数据包括所述当前植物的植物生长环境中历史温度值、历史湿度值、历史光照值、历史CO2浓度值以及历史土壤数据值和所述当前植物的历史生长状态、历史生长速率以及历史叶片状态；
通过所述当前植物的历史数据对所述预测模型进行训练，得到所述已训练的的预测模型。
优选地，所述预测模型通过PID控制算法、模型预测控制技术、强化学习算法以及自适应控制算法中一个或多个算法构建得到。
优选地，所述获取当前植物的植物生长环境中各个环境参数的环境数据，包括：通过各传感器获得当前植物的植物生长环境中各个环境参数的环境数据；
所述获取所述当前植物的生长数据，包括：
获取所述当前植物的灰度图像；
通过已训练的神经网络模型对所述当前植物的灰度图像进行特征提取，得到所述当前植物的识别结果；
所述通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略，包括：
将所述各个环境参数的环境数据和所述当前植物的识别结果输入所述已训练的预测模型，得到各个环境参数的控制策略。
一种自适应的植物生长控制***，所述控制***包括多个传感器和智能控制器；
所述多个传感器用于获取当前植物的植物生长环境中各个环境参数的环境数据以及所述当前植物的生长数据；
所述智能控制器中配置有已训练的预测模型，并接收各传感器输入的当前植物的植物生长环境中各个环境参数的环境数据以及所述当前植物的生长数据，通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略，根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据。
优选地，所述多个传感器包括温度传感器、湿度传感器、光照传感器、水分传感器、土壤pH传感器以及CO2浓度传感器以及图像传感器，所述各个环境参数的环境数据包括温度值、湿度值、光照值、水分值、土壤pH值以及CO2浓度值，所述当前植物的生长数据包括所述图像传感器获得的当前植物的灰度图；
各个环境参数的控制策略包括温度控制值、湿度控制值、光照控制值、水分控制值、土壤pH控制值以及CO2浓度控制值。
优选地，所述控制***还包括自主移动的机器人；
所述机器人与所述智能控制器通信连接，用于接收所述温度控制值、湿度控制值、光照控制值、水分控制值、土壤pH控制值以及CO2浓度控制值；
所述机器人还用于基于所述温度控制值调节所述植物生长环境中的温度设备，基于所述湿度控制值调节所述植物生长环境中的湿度设备，基于所述光照控制值调节所述植物生长环境中的灯光，基于水分控制值调节所述植物生长环境中的喷洒设备，基于所述土壤pH控制值调节所述植物生长环境中的土壤pH调节设备，基于所述CO2浓度控制值调节所述植物生长环境中的CO2供应设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
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上述任一实施例所述方法的步骤。
上述一种自适应的植物生长控制方法及其***、计算机设备和存储介质，获取当前植物的植物生长环境中各个环境参数的环境数据；获取所述当前植物的生长数据；通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略；根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据。因此，能够通过植物生长环境中的实时数据反馈来调整各个环境参数的环境数据，以满足植物不断变化的生长需求。
附图说明
图1是本发明实施例中的一种自适应的植物生长控制方法的流程示意图；
图2是本发明实施例中的植物生成的环境参数确定流程示意图；
图3是本发明实施例中的基于神经网络结构进行植物识别的示意图；
图4是本发明实施例中的一种自适应的植物生长控制***的结构框图；
图5是本发明实施例中的计算机设备的结构组成示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
本发明实施例提供了一种自适应的植物生长控制方法。如图1所示，一种自适应的植物生长控制方法包括以下步骤：
S101，获取当前植物的植物生长环境中各个环境参数的环境数据。
具体地，各个环境参数包括温度、湿度、光照和水分等环境参数。
S102，获取所述当前植物的生长数据。
具体地，当前植物的生长数据包括生长状态、生长速率以及叶片状态等。
S103，通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略。
在一个示例中，所述预测模型通过PID控制算法、模型预测控制技术、强化学习算法以及自适应控制算法中一个或多个算法构建得到。
具体地，PID控制(比例-积分-微分控制)：PID控制是一种经典的反馈控制算法，适用于对环境参数的即时调整。它可以用于调整温度、湿度、光照等参数，以维持稳定性。优势：简单易实现，可快速响应环境变化，适用于基本的环境控制需求。模型预测控制(MPC)：MPC适用于需要长期规划和优化的情况，例如植物的生长周期。它可以用于预测未来环境变化，以提前调整参数，最大程度地满足植物需求。优势：能够考虑多个变量和约束条件，具有更高的控制精度，适用于复杂的环境控制。强化学习算法：强化学习算法，如深度强化学习，可以用于自主决策和控制。它适用于***需要逐渐学习和适应的情况，能够实现更高级的智能调整。优势：***可以自主学习最佳控制策略，适应不同环境和植物需求的变化。自适应控制算法：能够根据环境变化自动调整控制参数。它适用于环境条件变化频繁或不断变化的情况，如季节性变化或日夜周期。优势：能够实现更灵活的控制，无需手动调整控制参数
具体地，根据控制算法的输出调整环境参数。这可以包括调整温度、湿度、光照强度、CO2供应等。调整过程应确保平稳、逐渐进行，以避免对植物造成不必要的压力。
例如，通过PID控制算法对植物生长环境进行温度控制：
温度是植物生长中重要的环境参数。PID(比例-积分-微分)控制算法可以用于调整温度，以维持稳定的生长条件。具体流程如下：
设置一个目标温度，如25℃。根据植物生长环境中的温度与目标温度之间的差异，计算PID控制输出。控制输出可以用于调整植物生长环境中加热或冷却设备的功率，以逐渐将温度调整到目标温度。通过不断测量和反馈，确保温度保持在目标范围内。
例如，通过PID控制算法对植物生长环境进行光照强度控制：
控制光照强度对于植物的光合作用非常重要。可以使用灯光***来调整光照强度。具体流程如下：
设置目标光照强度水平，例如1000微摄光度(μmol/m^2/s)。使用传感器测量植物生长环境中的实际光照强度，并与目标光照强度进行比较。根据差异，逐渐调整灯光***的亮度，以接近目标光照强度。定期检查光照，确保植物在稳定的光照条件下生长。
例如，通过PID控制算法对植物生长环境进行湿度调整：
控制湿度对于植物的水分吸收和蒸腾过程至关重要。湿度可以通过加湿器或通风***来调整。具体流程如下：
设置目标湿度，例如60％相对湿度。使用湿度传感器来测量植物生长环境中的实际湿度，与目标湿度水平进行比较。根据差异，逐渐调整植物生长环境中的加湿器或通风***的操作，以接近目标湿度。监测湿度变化，以确保植物在适宜的湿度条件下生长。
例如，通过PID控制算法对植物生长环境进行CO2供应调整：
控制CO2供应有助于植物进行光合作用。可以使用CO2供应***来调整CO2浓度。具体流程如下：
设置目标CO2浓度，例如400ppm。使用CO2传感器来测量植物生长环境中的实际CO2浓度，与目标CO2浓度进行比较。根据差异，逐渐调整植物生长环境中的CO2供应***，以接近目标CO2浓度。持续监测CO2浓度，以确保植物在光合作用所需的CO2浓度下生长。
这些示例说明了如何使用不同的控制算法和设备来调整环境参数，以维持植物生长条件在最佳状态。关键是确保调整过程逐渐进行，以避免对植物造成不必要的压力，同时持续监测和反馈，以保持环境参数的稳定性。
在一个示例中，步骤S103之前，还包括数据预处理步骤。步骤S103中预测模型包括分类算法构建的模型。
具体地，针对土壤数据，应使用高级的数据预处理和分类算法，以检测土壤pH异常或特定矿物质的浓度变化。
数据预处理过程：
a.数据采集：首先，通过高分辨率的土壤传感器获取土壤参数数据，如土壤pH值、电导率、温度、湿度等。
b.数据清洗：对于采集到的数据，进行数据清洗，包括去除异常值、处理缺失数据、平滑噪声等。
c.特征工程：从原始土壤数据中提取有用的特征，如均值、方差、频谱分析等，以更好地描述土壤的性质。
d.标准化：对特征进行标准化，以确保不同特征的尺度一致，通常采用均值和方差标准化或归一化方法。
土壤数据的具体处理过程：
a.pH值异常检测：
利用历史数据建立基准范围：通过采集历史土壤pH数据，建立正常范围的基准值。可以使用统计方法，如均值加减标准差，来定义正常范围。
实时检测：新采集的土壤pH数据与基准值进行比较，如果超出正常范围，即可认为发生pH异常。
b.特定矿物质浓度变化检测：
建立矿物质的浓度模型：利用机器学习或统计方法建立矿物质浓度与其他土壤参数之间的关系模型。可以使用多元回归模型或其他适合的算法。
检测变化：实时监测土壤数据，将新采集的数据输入到矿物质浓度模型中，与模型预测值进行比较。如果模型预测值与实际值存在显著偏差，可以认为发生了特定矿物质的浓度变化。
分类算法：
对于土壤数据的分类和异常检测，可以采用以下分类算法：
a.支持向量机(SVM)：用于二元分类问题，可用于检测pH异常等。
b.随机森林(Random Forest)：适用于多类分类和特定特征重要性分析。
c.神经网络：可以用于复杂的分类问题，如检测特定矿物质的浓度变化。
d.K近邻(K-Nearest Neighbors)：可用于检测异常值，如pH异常。]
例如，建立多元回归模型，以准确预测植物的生长速率和产量，考虑到环境参数的多变性。具体地，多元回归模型是一种用于建立多个自变量与一个或多个因变量之间关系的统计模型。可以使用多元回归模型来预测植物的生长速率和产量，考虑到环境参数的多变性。以下是一个简单的多元回归模型示例，用于预测植物的生长速率，其中考虑了一些环境参数：
假设有以下环境参数，作为自变量：光照强度(PAR，光合有效辐射)；温度；相对湿度；土壤pH值；氮、磷、钾等养分浓度。
目标是预测植物的生长速率(单位时间内的增长)。多元回归模型可以表示为:生长速率＝BO+B1*PAR+B2*温度+B3*相对湿度+B4*土壤pH值+B5*氨浓度+B6*磷浓度+B7*钾浓度+E；
其中：
B0是截距项，表示当所有自变量为0时的生长速；
B1、B2、B3、B4、B5、B6、B7是回归系数，表示每个自变量对生长速率的影响。
E是误差项，表示模型不能完美预测的部分。
要建立这个多元回归模型，首先需要采集历史数据，包括植物的生长速率和所有环境参数的值。然后，可以使用统计软件或编程工具(如Python的scikit-learn库)来进行回归分析，拟合模型，估计回归系数(Bo、B1、B2、B3、B4、B5、B6、B7)，并评估模型的拟合程度。
一旦模型建立完成，就可以用来预测未来的植物生长速率。当新的环境参数数据可用时，将这些值代入模型，便可以预测植物的生长速率。如果环境参数发生变化，模型可以帮助调整生长***的运行，以优化植物的生长条件。
S104，根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据。
本实施例中，各个环境参数的控制策略为确定出各个环境参数的控制值，从而根据各个环境参数的控制值控制植物生长环境中各个环境参数的环境数据。
在一个实施例中，所述各个环境参数包括温度、湿度、光照、CO2浓度以及土壤条件，所述各个环境参数的环境数据包括温度值、湿度值、光照值、CO2浓度值以及土壤数据值，所述当前植物的生长数据包括生长状态、生长速率以及叶片状态；所述通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略，包括：通过预测模型对所述植物生长环境中温度值、湿度值、光照值、CO2浓度值以及土壤数据值和所述当前植物的生长状态、生长速率以及叶片状态进行数据分析，得到温度控制值、湿度控制值、光照控制值、CO2浓度控制值以及土壤数据控制值；所述根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据，包括：根据温度控制值、湿度控制值、光照控制值、CO2浓度控制值以及土壤数据控制值分别控制所述植物生长环境中温度、湿度、光照、CO2浓度以及土壤条件。
其中，已训练的的预测模型的训练过程包括：采集所述当前植物的历史数据，所述历史数据包括所述当前植物的植物生长环境中历史温度值、历史湿度值、历史光照值、历史CO2浓度值以及历史土壤数据值和所述当前植物的历史生长状态、历史生长速率以及历史叶片状态；通过所述当前植物的历史数据对所述预测模型进行训练，得到所述已训练的的预测模型。
具体地，收集历史数据和实时传感器数据，用于分析和优化预测模型。使用机器学习算法，如回归分析或深度学习，来预测植物的生长趋势和环境需求。根据数据分析结果，不断调整控制算法和参数，以提高***的准确性和响应性。
数据采集和预处理：定期收集历史数据和实时传感器数据，包括植物的生长数据和环境参数数据。对数据进行预处理，包括数据清洗、处理缺失值、去除异常值、标准化等，以确保数据的质量和可用性。
特征工程：从数据中提取有用的特征，这些特征可能包括环境参数、光照强度、温度、湿度、土壤条件、CO2浓度等，以及植物的生长状态、生长速率、叶片状态等。特征工程可以帮助模型更好地理解数据，并提供更准确的预测。
数据分析和预测模型：使用机器学习算法，如回归分析、深度学习、决策树、随机森林等，来建立预测模型。模型可以根据历史数据和实时数据来预测植物的生长趋势、生长速率以及环境参数的需求。可以使用时间序列分析来预测未来的趋势。
模型训练和验证：使用历史数据来训练模型，调整模型参数以使其适应数据。使用验证数据集来评估模型的性能，确保模型的准确性和泛化能力。
控制算法和参数调整：基于数据分析和模型预测结果，可以调整控制算法和参数，以更好地满足植物的需求。例如，可以根据模型预测结果来调整光照、温度、湿度、灌溉频率等环境参数，以提供更适合植物生长的条件。
实时监控和调整：实时监控植物的生长和环境参数，收集实时反馈信息，将这些信息用于实时调整控制算法和参数，以应对变化的条件。
持续改进和优化：周期性地重复上述过程，以不断改进性能，提高准确性和响应性。随着时间的推移，能够更好地适应不同植物品种和不断变化的环境条件。
在一个实施例中，上述通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析的步骤之后，还包括：对预测模型进行更新，采用更新后的预测模型再次对所述各个环境参数的环境数据和所述生长数据进行数据分析。
具体地，定期更新预测模型，以反映植物的生长过程和环境响应。模型更新应基于实验数据和植物品种的变化，以确保模型的准确性。
数据收集：定期进行实验，收集植物的生长数据和环境参数数据。这可以包括生长速率、植物的健康状态、叶片状态、果实产量等生长相关数据，以及光照、温度、湿度、土壤参数、CO2浓度等环境参数数据。
数据预处理：对收集到的数据进行预处理，包括数据清洗、处理缺失值、去除异常值、对数据进行时间戳标记等，以确保数据的质量和一致性。
模型选择和更新：根据收集到的新数据，选择合适的数学模型来反映植物的生长过程和环境响应。通常，这可以包括生长模型、生理模型、光合作用模型等，这些模型可以用于描述植物的生长特性和与环境参数的相互作用。更新已有的数学模型或重新训练新模型，以反映最新的实验数据和植物品种的变化。
参数估计和校准：使用新数据来估计模型的参数。这可能需要采用参数估计方法，如最小二乘法、贝叶斯估计等，以使模型与实际观测值更为拟合。如果植物品种发生变化，可能需要重新校准模型参数，以考虑不同品种的生长特性。
模型验证和评估：使用验证数据集来评估更新后的模型的性能。这可以帮助确保模型在不同条件下的准确性。如果模型在验证中表现不佳，可能需要进一步调整模型结构或参数。
模型部署：更新后的预测模型可以被部署到植物生长***中，用于实时的环境控制和决策制定。模型可以与自适应控制策略结合使用，以实现智能调整环境参数，以满足不同植物品种和生长阶段的需求。
在一个实施例中，所述获取当前植物的植物生长环境中各个环境参数的环境数据，包括：通过各传感器获得当前植物的植物生长环境中各个环境参数的环境数据；所述获取所述当前植物的生长数据，包括：获取所述当前植物的灰度图像；通过已训练的神经网络模型对所述当前植物的灰度图像进行特征提取，得到所述当前植物的识别结果；所述通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略，包括：将所述各个环境参数的环境数据和所述当前植物的识别结果输入所述已训练的预测模型，得到各个环境参数的控制策略。
具体地，参见图2所示，包含以下几个部分：
1、建立植物图像数据库：采集好足够多的植物图像，并获取植物图像的灰度图。
1.1数据的获取：收集足够多的植物图像数据，可以通过网络爬或手动拍摄的方式获得。
1.2数据的整理：将收集到的植物图像数据通过人工或自动分类的方式，将同种植物的图像归为一个文件夹中。建立一个高效的文件夹目录，以便后续的训练。
1.3数据集的切分：将整个数据集切分成训练集、验证集和测试集三部分，其中训练集用于神经网络的训练，验证集用于模型的调参和优化，测试集用于测试神经网络的准确性。
2、加载神经网络模型：选择适合的神经网络模型，如卷积神经网络，对其进行配置和训练，获取一个准确率较高的模型参数。
2.1神经网络模型的选择：选择合适的神经网络模型，通常使用积神经网络(CNN)进行模型构建。
2.2网络参数的设置：对神经网络的输入输出数据和网络的结构参数进行设置。
2.3神经网络模型的训练：使用训练集对神经网络模型进行训练，不断更新模型参数。模型训练的过程中应该注意防止过拟合现象的发生。
2.4模型参数的保存：当训练完成后，将获得的模型参数保存并用于后续的植物识别。
3、植物图像特征提取与处理
3.1植物图像预处理：对输入的待识别植物图像进行预处理，包括图像的尺寸归一化、对比度增强、灰度化等操作，以消除噪声和提高图像质量。
3.2植物图像特征提取：利用卷积神经网络进行特征提取。对于输入的待识别图像，通过在神经网络中的前向传播，得到图像的特征向量。
其中，神经网络结构如图3所示，输入层：N个神经元，每个神经元为植物图像的灰度图。隐藏层：采用M个神经元，对输入的属性进行学习。输出层：多个神经元，用于输出植物的标签和种类。
4、植物图像识别
4.1输入图像预处理的特征向量：将输入植物图像通过大型的卷积神经网络，生成图像的预处理特征向量。
4.2利用特征向量进行植物识别：将生成的特征向量输入到模型进行计算，输出其所属的植物类别。
上述一种自适应的植物生长控制方法，将通过监测、分析和自动化控制植物生长环境，以实现植物的健康生长和高产量的目标。此外，将使用传感器、数据分析、机器学习和自适应学习方法，为植物提供最佳的生长条件。
本发明还提供一种自适应的植物生长控制***，包括多个传感器和智能控制器；所述多个传感器用于获取当前植物的植物生长环境中各个环境参数的环境数据以及所述当前植物的生长数据；所述智能控制器中配置有已训练的预测模型，并接收各传感器输入的当前植物的植物生长环境中各个环境参数的环境数据以及所述当前植物的生长数据，通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略，根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据。
其中，如图4所示，所述多个传感器包括温度传感器、湿度传感器、光照传感器、水分传感器、土壤pH传感器以及CO2浓度传感器以及图像传感器，所述各个环境参数的环境数据包括温度值、湿度值、光照值、水分值、土壤pH值以及CO2浓度值，所述当前植物的生长数据包括所述图像传感器获得的当前植物的灰度图；各个环境参数的控制策略包括温度控制值、湿度控制值、光照控制值、水分控制值、土壤pH控制值以及CO2浓度控制值。
具体地，智能控制器制定自适应的控制策略包括如下流程：
确定需要适应的植物品种和生长阶段：不同植物品种和生长阶段可能需要不同的环境条件，例如温度、湿度、光照等。定义不同品种和阶段的环境条件需求，这些需求可以作为控制策略的参考点。
强化学习代理的初始化：
初始化一个强化学习代理，代理的任务是学习如何根据当前环境条件和植物的品种/生长阶段来调整环境参数，以满足植物的需求。定义状态空间、动作空间和奖励函数，其中状态包括当前环境参数和植物的品种/生长阶段，动作包括可以调整的环境参数，奖励函数用于评估代理的行动效果。
强化学习训练过程：
使用历史数据或模拟环境来训练强化学习代理，代理通过与环境的交互来学习最佳策略。在每个时间步，代理观察当前状态，根据学到的策略选择动作，并根据奖励信号来更新策略。代理需要不断调整环境参数，以满足不同植物品种和生长阶段的需求。
植物生长环境的自适应调整：根据代理学到的策略，***可以自主调整环境参数，以满足当前植物的需求。***还可以根据植物的品种和生长阶段信息，选择合适的环境条件配置文件，从预定义的配置文件中获取环境参数。
持续监控和改进：***应持续监控植物的生长情况，收集实时反馈信息，包括生长速率、健康状态等。反馈信息将被用于更新奖励函数和改进强化学习代理的策略。***需要不断学习和适应，以满足不同植物品种和生长阶段的需求。
通过这个自适应控制策略，植物生长***可以适应不同植物的需求，并根据实际的生长情况不断优化环境条件。强化学习代理将在实际运行中学到最佳的控制策略，以实现更高的产量和生长效率。这种方法允许***更具弹性地应对不同植物品种和变化的生长条件。
植物生长控制***的智能控制器还包括异常检测与决策校正功能：
***应具备异常检测机制，以及当检测到异常情况时的决策校正能力。如果***检测到不正常的生长状态或传感器故障，能够及时发出警报并采取措施来保护植物。
数据监测：定期监测传感器数据，包括植物的生长状态和环境参数，以寻找异常情况。
阈值检测：设置阈值，如果数据超出预定范围，将触发异常检测。例如，如果温度过高或湿度过低，***会发出警报。
统计分析：使用统计方法，如均值、方差、回归分析等，来检测数据中的异常模式。
机器学习模型：训练异常检测模型，以自动识别不正常的生长状态或传感器故障。
异常警报：一旦检测到异常，应发出警报，通知操作员或负责人。这可以通过消息、电子邮件、短信或其他通信方式来实现。警报信息应包括异常的类型、位置、严重程度和建议的纠正措施。
决策校正：当检测到异常时，应采取适当的决策校正措施，以保护植物。
校正措施可以包括：降低或提高温度、湿度或光照等环境参数，以纠正异常情况。暂停或调整灌溉，以避免根系受损。隔离受感染的植物，以防止病害传播。替换故障传感器，以确保数据的准确性。
数据记录和分析：记录异常事件的详细信息，包括发生时间、原因、校正措施和效果。使用记录的数据来进行根本原因分析，以减少未来异常情况的发生。
自动化校正：在某些情况下，系以自动执行校正措施，以减少操作员的干预。例如，如果温度传感器损坏，可以自动调整附近的加热设备来维持适宜的温度。
周期性维护：定期维护传感器和设备，以减少传感器故障的风险。按计划更换老化的传感器，以确保数据的准确性。
通过实施这些操作，植物生长控制***可以检测和纠正异常情况，以保护植物的健康，并确保***的可靠性和稳定性。异常检测和校正机制有助于提高***的自主性和可靠性。
在一个实施例中，植物生长控制***还包括自主移动的机器人；所述机器人与所述智能控制器通信连接，用于接收所述温度控制值、湿度控制值、光照控制值、水分控制值、土壤pH控制值以及CO2浓度控制值；所述机器人还用于基于所述温度控制值调节所述植物生长环境中的温度设备，基于所述湿度控制值调节所述植物生长环境中的湿度设备，基于所述光照控制值调节所述植物生长环境中的灯光，基于水分控制值调节所述植物生长环境中的喷洒设备，基于所述土壤pH控制值调节所述植物生长环境中的土壤pH调节设备，基于所述CO2浓度控制值调节所述植物生长环境中的CO2供应设备。
本实施例中，增加机器人协同操作功能。具体地，引入机器人技术，实现自主移动的机器人，在监测到植物需求变化时，能够自主前往植物生长区域执行调整操作，例如调整灯光、喷洒水分或进行叶子修剪。机器人还可以监测植物生长环境的微小变化，如风向、温度梯度等，以更好地理解植物生长环境。
在一个实施例中，植物生长控制***还包括可视化设备。例如，如图4所示，智能控制器通过通讯模块将温度控制值、湿度控制值、光照控制值、水分控制值、土壤pH控制值以及CO2浓度控制值上传到云服务器，云服务器将其发送到PC端控制***，由PC端控制***发送到可视化设备，如PC端设备。具体地，植物生长控制***支持可视化，将提供高级的数据可视化工具，用于呈现植物生长和环境参数的动态趋势。还可以，采用专业的仪表板设计，将复杂的数据呈现成直观、易于理解的图表和图形，以协助决策者做出有根据的决策。提供数据报告和关键性能指标(KPIs)，帮助用户更深入地理解***运行情况。
通过以上深化的技术手段，植物生长控制***将实现高级的实时监测、智能分析和精确的调整，确保植物在最优生长条件下茁壮成长，同时提供决策者和操作者具体的技术支持和信息反馈，以使***运作更为卓越和高效。
本发明实施例提供的一种计算机可读存储介质，所述计算机可读存储介质上存储有应用程序，该程序被处理器执行时实现上述实施例中任意一个实施例的一种自适应的植物生长控制方法。其中，所述计算机可读存储介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random AcceSSMemory，随即存储器)、EPROM(EraSable Programmable Read-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically EraSable ProgrammableRead-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，存储设备包括由设备(例如，计算机、手机)以能够读的形式存储或传输信息的任何介质，可以是只读存储器，磁盘或光盘等。
本发明实施例还提供了一种计算机应用程序，其运行在计算机上，该计算机应用程序用于执行上述中任意一个实施例的一种自适应的植物生长控制方法。
此外，图5是本发明实施例中的计算机设备的结构组成示意图。
本发明实施例还提供了一种计算机设备，如图5所示。所述计算机设备包括处理器502、存储器503、输入单元504以及显示单元505等器件。本领域技术人员可以理解，图5示出的设备结构器件并不构成对所有设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件。存储器503可用于存储应用程序501以及各功能模块，处理器502运行存储在存储器503的应用程序501，从而执行设备的各种功能应用以及数据处理。存储器可以是内存储器或外存储器，或者包括内存储器和外存储器两者。内存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)、快闪存储器、或者随机存储器。外存储器可以包括硬盘、软盘、ZIP盘、U盘、磁带等。本发明所公开的存储器包括但不限于这些类型的存储器。本发明所公开的存储器只作为例子而非作为限定。
输入单元504用于接收信号的输入，以及接收用户输入的关键字。输入单元504可包括触控面板以及其它输入设备。触控面板可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程序驱动相应的连接装置；其它输入设备可以包括但不限于物理键盘、功能键(比如播放控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。显示单元505可用于显示用户输入的信息或提供给用户的信息以及终端设备的各种菜单。显示单元505可采用液晶显示器、有机发光二极管等形式。处理器502是终端设备的控制中心，利用各种接口和线路连接整个设备的各个部分，通过运行或执行存储在存储器503内的软件程序和/或模块，以及调用存储在存储器内的数据，执行各种功能和处理数据。
作为一个实施例，所述计算机设备包括：一个或多个处理器502，存储器503，一个或多个应用程序501，其中所述一个或多个应用程序501被存储在存储器503中并被配置为由所述一个或多个处理器502执行，所述一个或多个应用程序501配置用于执行上述实施例中的任意一实施例中的一种自适应的植物生长控制方法。
另外，以上对本发明实施例所提供的一种自适应的植物生长控制方法及其***、计算机设备和存储介质进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种自适应的植物生长控制方法，其特征在于，所述方法包括：
获取当前植物的植物生长环境中各个环境参数的环境数据；
获取所述当前植物的生长数据；
通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略；
根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据。
2.根据权利要求1所述的方法，其特征在于，所述各个环境参数包括温度、湿度、光照、CO2浓度以及土壤条件，所述各个环境参数的环境数据包括温度值、湿度值、光照值、CO2浓度值以及土壤数据值，所述当前植物的生长数据包括生长状态、生长速率以及叶片状态；
所述通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略，包括：
通过预测模型对所述植物生长环境中温度值、湿度值、光照值、CO2浓度值以及土壤数据值和所述当前植物的生长状态、生长速率以及叶片状态进行数据分析，得到温度控制值、湿度控制值、光照控制值、CO2浓度控制值以及土壤数据控制值；
所述根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据，包括：
根据温度控制值、湿度控制值、光照控制值、CO2浓度控制值以及土壤数据控制值分别控制所述植物生长环境中温度、湿度、光照、CO2浓度以及土壤条件。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
采集所述当前植物的历史数据，所述历史数据包括所述当前植物的植物生长环境中历史温度值、历史湿度值、历史光照值、历史CO2浓度值以及历史土壤数据值和所述当前植物的历史生长状态、历史生长速率以及历史叶片状态；
通过所述当前植物的历史数据对所述预测模型进行训练，得到所述已训练的的预测模型。
4.根据权利要求1所述的方法，其特征在于，所述预测模型通过PID控制算法、模型预测控制技术、强化学习算法以及自适应控制算法中一个或多个算法构建得到。
5.根据权利要求1所述的方法，其特征在于，所述获取当前植物的植物生长环境中各个环境参数的环境数据，包括：通过各传感器获得当前植物的植物生长环境中各个环境参数的环境数据；
所述获取所述当前植物的生长数据，包括：
获取所述当前植物的灰度图像；
通过已训练的神经网络模型对所述当前植物的灰度图像进行特征提取，得到所述当前植物的识别结果；
所述通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略，包括：
将所述各个环境参数的环境数据和所述当前植物的识别结果输入所述已训练的预测模型，得到各个环境参数的控制策略。
6.一种自适应的植物生长控制***，其特征在于，所述控制***包括多个传感器和智能控制器；
所述多个传感器用于获取当前植物的植物生长环境中各个环境参数的环境数据以及所述当前植物的生长数据；
所述智能控制器中配置有已训练的预测模型，并接收各传感器输入的当前植物的植物生长环境中各个环境参数的环境数据以及所述当前植物的生长数据，通过已训练的预测模型对所述各个环境参数的环境数据和所述生长数据进行数据分析，得到各个环境参数的控制策略，根据各个环境参数的控制策略控制所述植物生长环境中各个环境参数的环境数据。
7.根据权利要求6所述的控制***，其特征在于，所述多个传感器包括温度传感器、湿度传感器、光照传感器、水分传感器、土壤pH传感器以及CO2浓度传感器以及图像传感器，所述各个环境参数的环境数据包括温度值、湿度值、光照值、水分值、土壤pH值以及CO2浓度值，所述当前植物的生长数据包括所述图像传感器获得的当前植物的灰度图；
各个环境参数的控制策略包括温度控制值、湿度控制值、光照控制值、水分控制值、土壤pH控制值以及CO2浓度控制值。
8.根据权利要求7所述的控制***，其特征在于，所述控制***还包括自主移动的机器人；
所述机器人与所述智能控制器通信连接，用于接收所述温度控制值、湿度控制值、光照控制值、水分控制值、土壤pH控制值以及CO2浓度控制值；
所述机器人还用于基于所述温度控制值调节所述植物生长环境中的温度设备，基于所述湿度控制值调节所述植物生长环境中的湿度设备，基于所述光照控制值调节所述植物生长环境中的灯光，基于水分控制值调节所述植物生长环境中的喷洒设备，基于所述土壤pH控制值调节所述植物生长环境中的土壤pH调节设备，基于所述CO2浓度控制值调节所述植物生长环境中的CO2供应设备。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一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权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018071.8A CN117873238A (zh) | 2024-01-04 | 2024-01-04 | 一种植物生长控制方法及其***、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410018071.8A CN117873238A (zh) | 2024-01-04 | 2024-01-04 | 一种植物生长控制方法及其***、计算机设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117873238A true CN117873238A (zh) | 2024-04-12 |
Family
ID=90594259
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410018071.8A Pending CN117873238A (zh) | 2024-01-04 | 2024-01-04 | 一种植物生长控制方法及其***、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117873238A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970985A (zh) * | 2024-03-29 | 2024-05-03 | 北京市农林科学院智能装备技术研究中心 | 基于知识图谱的营养液浓度调控方法、装置及存储介质 |
-
2024
- 2024-01-04 CN CN202410018071.8A patent/CN117873238A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117970985A (zh) * | 2024-03-29 | 2024-05-03 | 北京市农林科学院智能装备技术研究中心 | 基于知识图谱的营养液浓度调控方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112817354B (zh) | 一种畜禽舍养殖环境温度预测控制***及其调控方法 | |
| KR101811640B1 (ko) | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 | |
| KR20180076766A (ko) | 인공지능 스마트팜 관리 시스템 | |
| CN117873238A (zh) | 一种植物生长控制方法及其***、计算机设备和存储介质 | |
| CN107219759B (zh) | 一种温室环境控制方法及装置 | |
| CN112418498B (zh) | 用于智能温室的温度预测方法及*** | |
| KR20180022159A (ko) | 기계학습을 이용한 양액제어장치 및 방법 | |
| Karuniawati et al. | Optimization of grow lights control in IoT-based aeroponic systems with sensor fusion and random forest classification | |
| CN109116827B (zh) | 基于物联网的日光温室水肥一体化灌溉控制方法及装置 | |
| CN117893346A (zh) | 一种基于物联网的ai智慧农业采收管理***及其应用 | |
| Costa et al. | Greenhouses within the Agricultura 4.0 interface | |
| CN117114448A (zh) | 一种基于机器学习和物联网技术的农业生产管理***及方法 | |
| KR20210114751A (ko) | 작물의 생육량 예측 방법 및 장치 | |
| CN117391482B (zh) | 一种基于大数据监测的大棚温度智能预警方法及*** | |
| Venkatraman et al. | Design and Implementation of Smart Hydroponics Farming for Growing Lettuce Plantation under Nutrient Film Technology | |
| KR20180029381A (ko) | 시설원예 환경 제어 장치 및 방법 | |
| US11687772B2 (en) | Optimization of cyber-physical systems | |
| Ferreira et al. | Evolutionary multiobjective design of radial basis function networks for greenhouse environmental control | |
| Walczuch et al. | Overview of closed-loop control systems and artificial intelligence utilization in greenhouse farming | |
| Mamatha et al. | Remotely monitored web based smart hydroponics system for crop yield prediction using IoT | |
| AU2020298380A1 (en) | Information processing device and method | |
| Pongiannan et al. | AI-Based Autonomous Paddy Farm using Smart and Precise Irrigation System | |
| US20230301247A1 (en) | Machine learning systems for autonomous and semiautonomous plant growth | |
| CN117814097B (zh) | 基于机器学习的高效农田灌溉方法以及*** | |
| Levonevskiy et al. | Proactive monitoring and analysis of technological processes of growing crops in automated greenhouses |
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 |