CN1916790A - 农作物培育监控***及监控方法 - Google Patents
农作物培育监控***及监控方法 Download PDFInfo
- Publication number
- CN1916790A CN1916790A CN 200610030763 CN200610030763A CN1916790A CN 1916790 A CN1916790 A CN 1916790A CN 200610030763 CN200610030763 CN 200610030763 CN 200610030763 A CN200610030763 A CN 200610030763A CN 1916790 A CN1916790 A CN 1916790A
- Authority
- CN
- China
- Prior art keywords
- control point
- data
- critical control
- centerdot
- breed
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种农作物培育监控***及监控方法，通过设定多组不同培育条件，并感测在各组不同培育条件下农作物的关键控制点的数据，再根据农作物在各组培育条件下的生长状况比较各组关键控制点的数据，以获得各关键控制点的数据阈值，实现关键控制点的数据阈值的自动获得，同时通过对数据的分析可得到各关键控制点与农业的生长状况的关系，实现对农业生长状况的有效控制，提高农业培育的经济效益，此外，通过自动感测各关键控制点的数据可提高工作效率，节省人力资源。
Description
技术领域
本发明涉及一种农作物培育监控***及监控方法。
背景技术
随着国际社会对农产品质量的要求越来越高，农产品的安全监控已成为各国关注的焦点。现今，为确保农产品安全，***食品法典委员会已采纳危害分析和关键控制点(hazardanalysis critical control point，HACCP)技术体系，国际上更是将HACCP的控制体系纳入到农业的自动化栽培之中。
以食用菌培育为例，通常，食用菌的栽培工艺包括原料混合、装瓶、灭菌、冷却、接种、培养、搔菌、催蕾、子实体生长及采收包装多道工序，我国于90年代末引进农业的自动化生产流水线，开始使用自动化填料机、消毒设备、接种设备及人工气候设备等进行工厂化生产农业作业，由于起步较晚，众多生产企业未能对可能影响食用菌安全的各个关键控制点实行自动化监控，通常仍采用人工检测人工记录的方式，而关键控制点涉及到用料要求、用水安全及生产环境条件，例如温度、湿度、CO2浓度、用料的含水量、酸碱度等，且每个关键点都需要周期性的纪录，致使人工作业量繁多，更是极易因各关键控制点的数据未能及时处理而影响后续的对各关键控制点的调控，严重时甚至会影响食用菌的品质，给消费者带来安全隐患。
再者，HACCP体系中所涉及的关键控制点多，而由于我国幅员辽阔，各地气候环境及地理条件互不相同，各农业培育商对于前期花费了大量人力物力找寻到各关键控制点的阈值都视为商业机密不予公开，致使各农业培育商在找寻各关键控制点的阈值时都会进行同样重复的劳动，极为不利于提高产业效率，而且由于各关键控点数据是由人工采集，过程极为繁复，且极易出错，如此也易于降低各关键控制点的数据阈值的精度，同时农业培育商也难以得到各关键控制点的数据与农业的生长状况之间的关系，因此，如果农业培育商想改善农业生长状况，仅仅参照所得到的各关键控制点的数据阈值难以进行有效调节。
因此，如何解决现有的农业培育中存在的诸多问题实已成为业界亟待解决的技术课题。
发明内容
本发明的目的在于提供一种农作物培育监控***及监控方法，实现自动获得各关键控制点的阈值，同时通过自动采集关键控制点的数据可提高工作效率，节省人力资源，并能通过对数据的分析实现对农业的生长状况的有效控制，提高农业生产者的经济效益。
为了达到上述目的及其他目的，本发明提供一种农作物培育监控***及监控方法，其中，所述农作物培育监控***至少包括：一用于在农业生长过程中设定多组不同的培育条件的控制部件；一用于感测在所设定的多组培育条件下的相应农作物各关键控制点的数据的感测模块；一与所述感测模块电连接，用于接收感测模块传送至的各关键控制点的数据，并根据农作物在各组培育条件下的生长状况比较各组关键控制点的数据，以确定关键控制点的数据阈值的计算机监控模块。
其中，所述感测装置包括红外线水分测定仪、PH计、电子秤及温度计中的多个或全部，所述控制部件包括自动填料设备、温度调节设备及湿度调节设备，所述计算机监控模块还包括用于根据已经得到多组关键控制点数据与相应的农业生长状况，通过人工神经网络技术进行分析，得到关键控制点与农业的生长状况的关系的关键控制点分析模块。
该农作物培育监控方法包括步骤：1)通过控制部件在农作物生长过程中设定多组培育条件；2)在所设定的多组培育条件下感测相应的农作物关键控制点的数据；以及3)接收传送至的各关键控制点的数据，并根据农作物在各组培育条件下的生长状况比较各组关键控制点的数据，以确定关键控制点的数据阈值。
其中，在所述步骤3)之后还包括步骤：4)根据已经得到多组关键控制点数据与相应的农业生长状况，通过人工神经网络技术进行分析，得到关键控制点与农业的生长状况的关系，所述步骤2)中所感测的数据至少包括装瓶含水量、装瓶PH值、装瓶平均重量、贮藏温度及搔菌PH值，所述控制部件所设定的培育条件包括温度、湿度及用料含水量。
综上所述，本发明的农作物培育监控***及监控方法是通过感测模块获取农业培育的各关键控制点的数据，实现关键控制点的数据的自动采集，提高工作效率，节省人力资源，并能通过对农作物生长状况的分析获得各关键控制点的数据阈值及各关键控制点与农作物的生长状况的关系，实现对农作物的生长状况的有效控制，并可自动获得各关键控制点的数据阈值。
附图说明
图1为本发明农作物培育监控***的结构示意图。
图2为本发明农作物培育监控方法的操作流程示意图。
具体实施方式
请参见图1，本发明提供了一种农作物培育监控***1，其中，在农作物培育中具有多个影响农作物安全、卫生及品质的关键控制点，这些关键控制点已由危害分析与关键控制点技术体系所提出的涉及用料要求、用水安全及生产条件等的关键控制点，在本实施方式中，以食用菌的培育为例进行说明。根据HACCP体系的要求食用菌自动化培育过程中的关键控制点包括原料年度送检情况、装瓶含水量、装瓶PH值、装瓶平均重量、搅拌温度、灭菌时间、培养防污染率、搔菌含水量、搔菌PH值、催蕾第9天感官感测值、瘤盖菇发生率、储藏温度、新风过滤情况、菌落生长情况及整齐度等共15个(如下表1所示)。
表1关键控制点示意表
| 序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 关键控制点名称 | 原料年度送检情况 | 装瓶含水量 | 装瓶PH值 | 装瓶平均重量 | 搅拌温度 | 灭菌时间 | 培养房污染率 | 搔菌含水量 |
| 序号 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | |
| 关键控制点名称 | 搔菌PH值 | 催蕾第9天感官感测值 | 瘤盖菇发生率 | 贮藏温度 | 新风过滤情况 | 菌落生长情况 | 整齐度(搔菌第16天整体出菇情况) |
所述农作物培育监控***1至少包括：一控制部件11、一计算机监控模块12以及一感测模块13(前述各组件的连接关系如图1所示)，以下将对前述各组件予以详细描述。
所述控制部件11是在农作物生长过程中设定多组培育条件，在食用菌培育中，所述控制部件11至少包括自动化填料机、温度调节设备及湿度调节设备，其中，温度调节设备及湿度调节设备是由人工气候设备所代替，如此，所述控制部件11可设定食用菌培育过程中的温度、湿度、装瓶总重量及装瓶含水量，须注意的是，所述控制部件11并非以本实施方式为限，其可根据需要选择不同设备，例如还可包括消毒设备进行污染控制等。
所述感测模块13是与所述计算机监控模块12电连接，用以感测在多组培育条件下的相应各关键控制点的实际数据，在食用菌培育中，所述感测模块13包括用于测试原料年度送检情况的气相色谱仪和原子荧光分光光度计、用于感测装瓶含水量和搔菌含水量的红外线水分测定仪、用于测试装瓶PH值的PH计、用于测试装瓶平均重量的电子秤、用于测试灭菌时间的机器子代自动化监控仪、用于测试搔菌PH值的PH计、用于测试储藏温度的水银温度计及用于测试新风过滤情况的机器开启频率测试装置，须请注意的是，感测模块13所设置的感测装置并非以此为限，使用者可根据实际情形选择所需要的感测装置。
所述计算机监控模块12与所述感测模块13电连接，用于接收感测模块13传送至的各关键控制点的数据，并根据农作物在各组培育条件下的生长状况比较各组关键控制点的数据，以确定关键控制点的数据阈值，其还包括一关键控制点分析模块121，用于根据已经得到多组关键控制点数据与相应的农业生长状况数据，通过人工神经网络技术进行分析，得到关键控制点与农业的生长状况的关系。在食用菌培育中，计算机监控模块12接收了8组关键控制点的数据，并得到8组培育条件下的食用菌的生长状况数据，用每75公斤培养料的食用菌产量(公斤)和质量来体现，如下表2所示：
表2：1-8组关键控制点数据及食用菌的产量和质量记录表
| 组 | 关键控制点值 | 产量 | 质量 |
| 1 | 装瓶含水量63％，搅拌温度118℃，装瓶总重量625，灭菌时间10分钟，原料年度送检情况优...... | 45 | 1级品 |
| 2 | 装瓶含水量63％，搅拌温度120℃，装瓶总重量625，灭菌时间10分钟，原料年度送检情况优...... | 45.1 | 1级品 |
| 3 | 装瓶含水量65％，搅拌温度121℃，瓶装总重量640，灭菌时间10分钟，原料年度送检情况优...... | 45.2 | 1级品 |
| 4 | 装瓶含水量64％，搅拌温度120℃，装瓶总重量625，灭菌时间10分钟，原料年度送检情况优...... | 45.2 | 1级品 |
| 5 | 装瓶含水量64％，搅拌温度118℃，装瓶总重量640，灭菌时间9分钟，原料年度送检情况优...... | 45.2 | 1级品 |
| 6 | 装瓶含水量65％，搅拌温度118℃，装瓶总重量625，灭菌时间10分钟，原料年度送检情况优...... | 45 | 1级品 |
| 7 | 装瓶含水量65％，搅拌温度118℃，装瓶总重量620，灭菌时间10分钟，原料年度送检情况优...... | 42 | 1级品 |
| 8 | 装瓶含水量61％，搅拌温度116℃，装瓶总重量630，灭菌时间10分钟，原料年度送检情况优...... | 45.1 | 1级品 |
根据上表2所得到的食用菌生长状况的数据，计算机监控模块12将各组食用菌产量和质量数据进行比较认为产量在45公斤左右、质量为1级品的食用菌的生长状况较佳，如此即可获得各关键控制点的数据，即表2中第1-6组及第8组关键控制点的数据，并根据该等光键控制点的数据可得到相应的数据阈值，即装瓶含水量的阈值为61％-65％，搅拌温度阈值为116℃-121℃，装瓶总重量阈值为625-630，灭菌时间阈值为9-10分钟等等，须注意的是，由于数据过多，为简化说明，表2中省略了前述的15个关键控制点的数据中的部分数据，但这些数据都可通过相应的设备获得，相应地，该等关键控制点的数据阈值经过计算机监控模块12比较后也能获得，此外，关键控制点分析模块121根据所得到的8组数据，通过人工神经网络技术进行分析，得到关键控制点与食用菌的生长状况的关系，在用人工神经网络技术进行分析之前，计算机监控模块12需要对所获得的8组数据进行预处理，即将该等不可量化的数据进行编码量化，并将各数据经过处理使其数据值在[0，1]范围之内，通常编码量化方法为将相应数据分别分为3级，每一级对应一数值，例如为0.7、0.4、0.1，若某一数据发生了变化，则在其发展方向上增加0.01，若是发生了深刻变化，则在原有基础上增加1级，而产品的质量可依据厂商对质量的要求设定相应等级，在本实施方式中，质量分为3个等级，即1级品、2级品和3级品，分别用数值0、0.5、1来表示，当计算机监控模块12将前述15个数据经过量化处理后，可得到1-8组的关键控制点数据组：
在上式中：每一行代表每组15个关键控制点对应值，每一列代表某个控制点在各组的对应值，将上式作为输入矩阵，相应的输出矩阵则为：
其中，Y1代表食用菌的产量，Y2代表食用菌的质量。
关键控制点分析模块121将1-7组的数据样本作为学习样本，第8组的数据样本作为检验样本，并设定神经网络的输入层神经元为15个，输出神经元为2个，设定BP网络的各训练参数为：隐层神经元的个数为16个，最大容许误差为0.001，网络各层之间的初始权值和各层阈值为[-1，1]内的随即值，学习步长为0.8，最大学习次数为2000次。
首先输入第1组样本，开始训练，训练步骤如下：
(1)计算隐层中第j个神经元的输出a1j，采用对数饱和性(Logsig)映射函数。
(2)计算输出层输出。采用线形(purelin)变换函数，把隐层神经元的输出作为输出层神经。元的输入，可得输出层神经元的输出a2。
(3)计算误差值，设y(i)经归一化处理为y1’，这是可以得到均方误差值：
若误差值小于最大容许误差，转入(5)；若误差值大于最大容许误差，进行下一步，开始调整权值。
(4)调整权值及阈值，首先调整输出层与隐层之间的联结权值及阈值，然后调整隐层与输入层之间的连接权值及阈值。
(5)训练下一组样本，输入下一组样本，转入(1)
(6)记录学习次数，若小于预先设定值2000，训练结束，若大于预先设定值，署名训练失败，调整各可调参数，转入(1)重新训练。
用前7个样本对网络进行学习后，得输入层与隐层之间的连接权值矩阵：
隐层神经元的阈值矩阵：
θ110×1＝[0.054 0.317 ... 1.783]T
隐层与输出层之间的连接权值矩阵：
W21×10＝[4.257 0.884 ... 5.763]
输出层神经元的阈值：
θ2＝1.097
再把第8组样本中的输入量X(8)输入到网络中，得到检验值：
Y(8) 1＝41.2，Y(8) 2＝0.2
与第8组食用菌产量及质量相近，证明预测准确，此时，关键控制点分析模块121即生成各关键控制点与农业的生长状况关系模型，根据所建立的关系模型可知，若各关键控制点的数据不发生变化，则在同样条件下进行培育所得到的相应的食用菌的产量仍可保持在45公斤左右，但若根据市场的需求希望将食用菌的产量提高10公斤，即达到55公斤，则关键控制点分析模块121通过对各关键控制点数据的分析，先尝试将装瓶总重量设置在660-665之间变化，则根据所得到的食用菌的产量和质量与各关键控制点之间的关系模型可预测出相应4组食用菌的产量和质量，如下表3所示：
表3：4组关键控制点值变化预测表
| 组 | 关键控制点值 | 产量 | 质量 |
| 9 | 装瓶含水量63％，搅拌温度118℃，装瓶总重量660，灭菌时间10分钟...... | 51 | 1级品 |
| 10 | 装瓶含水量64％，搅拌温度120℃，装瓶总重量662，灭菌时间10分钟...... | 51.1 | 1级品 |
| 11 | 装瓶含水量64％，搅拌温度121℃，装瓶总重量663，灭菌时间10分钟...... | 51.3 | 1级品 |
| 12 | 装瓶含水量65％，搅拌温度120℃，装瓶总重量665，灭菌时间10分钟...... | 50.2 | 1级品 |
由上表可知，仅仅把装瓶总重量设置在660-665之间变化，则关键控制点分析模块121所预测的产量仅提高了6公斤左右，即为51公斤左右，因此还不符合要求，因此，再进一步调整装瓶含水量的值，使其在58％-60％之间变化，将该装瓶含水量的值输入人工神经网络模型，则可获得相应的食用菌的产量和质量的值(如下表4所示)：
表4：4组关键控制点值变化预测表
| 组 | 关键控制点值 | 产量 | 质量 |
| 9 | 装瓶含水量60％，搅拌温度118℃，装瓶总重量660，灭菌时间10分钟...... | 55 | 1级品 |
| 10 | 装瓶含水量59％，搅拌温度120℃，装瓶总重量662，灭菌时间10分钟...... | 55.1 | 1级品 |
| 11 | 装瓶含水量58％，搅拌温度121℃，装瓶总重量663，灭菌时间10分钟...... | 54.8 | 1级品 |
| 12 | 装瓶含水量60％，搅拌温度120℃，装瓶总重量665，灭菌时间10分钟...... | 55.3 | 1级品 |
由此，经过关键控制点分析模块121分析后获得装瓶总重量阈值为[660，665]及装瓶含水量阈值为[58％，60％]，其他关键控制点阈值不发生变化，控制部件11根据所得到的数据阈值相应设定培育条件，即可改善食用菌的生长状况，将食用菌的产量提高10公斤。
再请参见图2，其为本发明的农作物培育监控方法的操作流程示意图，首先执行步骤S10，，所述控制部件11在食用菌培育过程中设定多组的培育条件，例如，通过调节自动化填料机设定食用菌的原料装瓶总重量及装瓶含水量2个关键控制点的数据，通过调节人工气候设备设定食用菌的培育温度及湿度的关键控制点的数据，接着进至步骤S11。
在步骤S11中，感测装置13感测在所设定的多组不同培育条件下的各关键控制点的实际数据，其包括原料年度送检情况、装瓶含水量、装瓶PH值、装瓶平均重量、搅拌温度、灭菌时间、培养防污染率、搔菌含水量、搔菌PH值、催蕾第9天感官感测值、瘤盖菇发生率、储藏温度、新风过滤情况、菌落生长情况及整齐度等15个关键控制点数据(如上表1所示)，接着进至步骤Sl2。
在步骤S12中，计算机监控模块12接收感测模块13传送至的各关键控制点的数据，根据食用菌在各组培育条件下的生长状况比较各组关键控制点的数据，以确定关键控制点的数据阈值，接着进至步骤S13。
在步骤S13中，关键控制点分析模块121根据已经得到多组关键控制点数据与相应的食用菌生长状况数据，通过人工神经网络技术进行分析，得到关键控制点与食用菌的生长状况的关系模型，并可根据该关系模型进行相关预测，例如，在现有关键控制点条件下，食用菌的产量为45公斤，根据所得到的关键控制点与食用菌的生长状况的关系，如想要使产量提高10公斤，则关键控制点分析模块121可分析出相应的关键控制点数据阈值，根据所分析出的数据阈值控制部件11设定相应培育条件即可改善食用菌的生长状况。
须注意的是，本发明并不仅限于用在食用菌的培育中，也可用于其他农作物的培育中，例如用于大棚蔬菜培育，只是在用于其他农作物培育中，控制部件及感测模块可根据实际需要进行相应的选取，而非以本实施方式中所述各类控制设备及感测装置为限，以黄瓜为例，当本发明用于黄瓜的培育中，相应的，涉及黄瓜培育的关键控制点包括土质、种子的选择、农药制剂及浓度、灌溉水水质、温湿度、有机肥的腐熟程度，相应感测模块则包括测试土质的土质检测仪、测试农药残余的农残检测仪、测试温度的温度计、测试湿度的湿度计及感测灌溉水水质的水质检测仪等，而用于设置黄瓜培育条件的控制装置则包括温度调节设备、湿度调节设备、灌溉设备等。
下表5详细列出多种农作物及相应关键控制点的名称，下表6详细列出各关键控制点及感测各关键控制点数据的感测装置，用以补充说明本发明可以适用于其他农作物。
表5：农作物及对应的关键控制点对照表
| 农作物名称 | 关键控点1 | 关键控点2 | 关键控点3 | 关键控点4 | 关键控点5 | 关键控点6 | 关键控点7 |
| 黄瓜 | 土质 | 种子选择(农药和硝酸盐的富集能力) | 农药制剂及浓度 | 灌溉水水质 | 温湿度 | 有机肥的腐熟程度 | |
| 茭白 | 水质 | 农药制剂及浓度 | 温湿度 | 贮藏期病害预防 | |||
| 小青菜 | 土质 | 种子选择(抗病虫害能力) | 农药制剂及浓度 | 有机肥的腐熟程度 | 移栽期种苗选择 | 灌溉水水质 | 温湿度 |
| 大白菜 | 土质 | 种子选择(抗病虫害能力) | 苗期温湿度 | 移栽期种苗选择 | 农药制剂及浓度 | 贮藏期病害预防 | |
| 西红柿 | 土质 | 种子选择(抗病虫害、抗逆能力) | 育苗时间 | 农药制剂及浓度 | 第一穗果座果后灌溉量 | 成株期发病率 | 贮藏期病害预防 |
| 花椰菜 | 土质 | 种子选择(抗病虫害能力) | 浸种时间 | 病虫害防治方式(化学防治、生物防治、物理防治) | 苗期温湿度 | 农药制剂及浓度 | 贮藏期病害预防 |
表6：各关键控制点与对应的感测装置的对照表
| 关键控点名称 | 土质 | 水质 | 农药 | 温湿度 |
| 感测各关键控制点的装置 | 土壤检测仪 | 水质检测仪 | 农残检测仪 | 温度计湿度计 |
综上所述，本发明之农作物培育监控***及监控方法通过设定多组培育条件，并感测出相应培育条件下的各关键控制点数据以及农作物在相应培育条件下的生长状况数据，对该等数据进行分析以得到各关键控制点的数据阈值，实现关键控制点数据阈值的自动获得，同时通过自动采集关键控制点的数据可提高工作效率，节省人力资源，再者，通过数据分析可获得农作物的生长状况和关键控制点的关系模型，通过该关系模型可实现对农作物生长状况的改善，提高农作物培育的经济效益。
Claims (8)
1.一种农作物培育监控***，其特征在于包括：
控制部件，用于在农作物生长过程中设定多组培育条件；
感测模块，用于在所述控制部件设定的多组培育条件下感测相应的农作物关键控制点的数据；
计算机监控模块，与所述感测模块电连接，用于接收感测模块传送至的各关键控制点的数据，并根据食用菌在各组培育条件下的生长状况比较各组关键控制点的数据，以确定关键控制点的数据阈值。
2.如权利要求1所述的农作物培育监控***，其特征在于：所述感测模块包括红外线水分测定仪、PH计、电子秤及温度计中的多个或全部。
3.如权利要求1所述的农作物培育监控***，其特征在于：所述计算机监控模块还包括关键控制点分析模块，用于根据已经得到多组关键控制点数据与相应的农作物生长状况，通过人工神经网络技术进行分析，得到关键控制点与农作物的生长状况的关系。
4.如权利要求1所述的农作物培育监控***，其特征在于：所述控制部件包括自动填料机、温度调节设备及湿度调节设备。
5.一种农作物培育监控方法，采用如权利1至4任一所述的农作物培育监控***，其特征在于包括以下步骤：
1)通过控制部件在农作物生长过程中设定多组培育条件；
2)在所设定的多组培育条件下感测相应的农作物关键控制点的数据；
3)接收传送至的各关键控制点的数据，比较农作物在所设定的多组培育条件下的生长状况数据选出相应农作物的关键控制点的数据，以确定关键控制点的数据阈值。
6.如权利要求5所述的农作物培育监控方法，其特征在于：所述步骤2)所感测的数据包括装瓶含水量、装瓶PH值、装瓶平均重量、贮藏温度及搔菌PH值。
7.如权利要求5所述的农作物培育监控方法，其特征在于在所述步骤3)之后还包括步骤：4)根据已经得到多组关键控制点数据与相应的农作物生长状况，通过人工神经网络技术进行分析，得到关键控制点与农作物的生长状况的关系。
8.如权利要求5所述的农作物培育监控方法，其特征在于：所述控制部件所设定的培育条件包括温度、湿度及用料含水量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2006100307636A CN100468240C (zh) | 2006-09-01 | 2006-09-01 | 农作物培育监控***及监控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CNB2006100307636A CN100468240C (zh) | 2006-09-01 | 2006-09-01 | 农作物培育监控***及监控方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN1916790A true CN1916790A (zh) | 2007-02-21 |
| CN100468240C CN100468240C (zh) | 2009-03-11 |
Family
ID=37737802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNB2006100307636A Expired - Fee Related CN100468240C (zh) | 2006-09-01 | 2006-09-01 | 农作物培育监控***及监控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN100468240C (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980249A (zh) * | 2010-11-12 | 2011-02-23 | 中国气象局气象探测中心 | 作物发育及长势自动观测方法及装置 |
| CN103077021A (zh) * | 2012-12-28 | 2013-05-01 | 深圳市彩讯科技有限公司 | 一种通用的手机软件综合发展数据分析***及分析方法 |
| CN105812739A (zh) * | 2016-03-23 | 2016-07-27 | 中国农业大学 | 一种自动采集植物生长信息的***和方法 |
| CN106561347A (zh) * | 2016-10-31 | 2017-04-19 | 广东家易科技有限公司 | 一种基于机器学习的植物智能培育***及方法 |
| CN107272781A (zh) * | 2017-06-30 | 2017-10-20 | 周英 | 一种农场监控*** |
| CN108549444A (zh) * | 2018-05-25 | 2018-09-18 | 范诚 | 基于植物生长的数据处理方法及装置 |
| CN109802984A (zh) * | 2017-11-17 | 2019-05-24 | 财团法人交大思源基金会 | 智慧型农业及环境管理*** |
-
2006
- 2006-09-01 CN CNB2006100307636A patent/CN100468240C/zh not_active Expired - Fee Related
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101980249A (zh) * | 2010-11-12 | 2011-02-23 | 中国气象局气象探测中心 | 作物发育及长势自动观测方法及装置 |
| CN101980249B (zh) * | 2010-11-12 | 2012-11-07 | 中国气象局气象探测中心 | 作物发育及长势自动观测方法及装置 |
| CN103077021A (zh) * | 2012-12-28 | 2013-05-01 | 深圳市彩讯科技有限公司 | 一种通用的手机软件综合发展数据分析***及分析方法 |
| CN105812739A (zh) * | 2016-03-23 | 2016-07-27 | 中国农业大学 | 一种自动采集植物生长信息的***和方法 |
| CN105812739B (zh) * | 2016-03-23 | 2019-07-30 | 中国农业大学 | 一种自动采集植物生长信息的***和方法 |
| CN106561347A (zh) * | 2016-10-31 | 2017-04-19 | 广东家易科技有限公司 | 一种基于机器学习的植物智能培育***及方法 |
| CN106561347B (zh) * | 2016-10-31 | 2019-12-03 | 惠州匠韵智能科技有限公司 | 一种基于机器学习的植物智能培育***及方法 |
| CN107272781A (zh) * | 2017-06-30 | 2017-10-20 | 周英 | 一种农场监控*** |
| CN109802984A (zh) * | 2017-11-17 | 2019-05-24 | 财团法人交大思源基金会 | 智慧型农业及环境管理*** |
| CN108549444A (zh) * | 2018-05-25 | 2018-09-18 | 范诚 | 基于植物生长的数据处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN100468240C (zh) | 2009-03-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chahal et al. | Evaluation of commercial soil health tests using a medium-term cover crop experiment in a humid, temperate climate | |
| CN100468240C (zh) | 农作物培育监控***及监控方法 | |
| CN106718363B (zh) | 一种面向精细农业的灌溉试验方法及其试验平台 | |
| Lukeba et al. | Growth and leaf area index simulation in maize (Zea mays L.) under small-scale farm conditions in a Sub-Saharan African Region | |
| CN108377788B (zh) | 一种水稻全生育期耐盐性鉴定评价方法 | |
| Baigorria et al. | Assessing predictability of cotton yields in the southeastern United States based on regional atmospheric circulation and surface temperatures | |
| CN116681169A (zh) | 极端气候对作物产量影响的评估方法 | |
| Rizkiana et al. | Crop growth prediction model at vegetative phase to support the precision agriculture application in plant factory | |
| Valade et al. | ORCHIDEE‐STICS, a process‐based model of sugarcane biomass production: calibration of model parameters governing phenology | |
| CN201000556Y (zh) | 农作物培育监控装置 | |
| Lamour et al. | Spatial analysis and mapping of banana crop properties: issues of the asynchronicity of the banana production and proposition of a statistical method to take it into account | |
| CN116307403B (zh) | 一种基于数字乡村的种植过程推荐方法及*** | |
| CN100451882C (zh) | 食用菌培育监控***及监控方法 | |
| CN201000564Y (zh) | 食用菌培育监控装置 | |
| Aggarwal | Applications of systems simulation for understanding and increasing yield potential of wheat and rice | |
| Anar et al. | Analysis of parameter sensitivity and identifiability of Root Zone Water Quality Model (RZWQM) for dryland sugarbeet modeling | |
| Parsons et al. | Genetic variation for adaptive traits in bottlebrush squirreltail in the northern Intermountain West, United States | |
| CN110378623B (zh) | 一种果园土壤肥力表征方法和*** | |
| Atanasov et al. | Tomato leaf color as predictor of soil moisture value using machine learning techniques | |
| CN1219209C (zh) | 看麦娘对拿捕净产生抗药性的鉴定方法 | |
| Guerra et al. | Determination of cultivar coefficients for the CSM-CROPGRO-Peanut model using variety trial data | |
| CN1219210C (zh) | 看麦娘对高效盖草能产生抗药性的鉴定方法 | |
| Kirui et al. | Calibration and parameterization of APSIM-wheat using earth observation data for wheat simulation in Kenya | |
| Zhou | Using logistic regression models to determine optimum combination of cane yield components among sugarcane breeding populations | |
| CN109840653B (zh) | 南方设施葡萄一年两熟栽培模式的能耗评估方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| ASS | Succession or assignment of patent right |
Owner name: NONGYI IOT (SHANGHAI) CO., LTD. Free format text: FORMER OWNER: SHANGHAI AGRICULTRAL INFORMATION CO., LTD. Effective date: 20150105 |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| COR | Change of bibliographic data |
Free format text: CORRECT: ADDRESS; FROM: 200060 CHANGNING, SHANGHAI TO: 201821 JIADING, SHANGHAI |
|
| TR01 | Transfer of patent right |
Effective date of registration: 20150105 Address after: 201821, room 1166, B District, 1011 Fu Hai Road, 3, Shanghai, Jiading District Patentee after: Barter network (Shanghai) agricultural Co. Ltd. Address before: Shanghai City, Changning District Xikang Road 200060 Lane 1518 No. 16 two floor Patentee before: Shanghai Agricultural Information Co., Ltd. |
|
| C41 | Transfer of patent application or patent right or utility model | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20160127 Address after: 200335 No. 8, No. 33, 245 Canton Road, Shanghai, Changning District Patentee after: Shanghai Agricultural Information Co., Ltd. Patentee after: Shanghai Agricultural Information Technology Co., Ltd. Patentee after: Shanghai Agriculture Internet of Things Engineering Technology Research Center Address before: 201821, room 1166, B District, 1011 Fu Hai Road, 3, Shanghai, Jiading District Patentee before: Barter network (Shanghai) agricultural Co. Ltd. |
|
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20090311 Termination date: 20200901 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |