CN106650212A - 基于数据分析的植物智能培育方法及系统 - Google Patents

Abstract

本发明提供了一种基于数据分析的植物智能培育方法及系统，其中的方法包括：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量；在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；利用MOEA/D算法对植物培育模型进行优化，获得决策变量的一组最优解；将决策变量的该组最优解作为植物的推荐决策通过服务器下发至用户的终端设备进行显示；用户根据终端设备显示的推荐决策培育植物。利用本发明能够确定最优的植物培育方案，营造更好的生活环境。

Description

基于数据分析的植物智能培育方法及系统

技术领域

本发明涉及植物智能培育领域，具体涉及一种基于数据分析的植物智能培育方法及系统。

背景技术

随着国民经济的快速发展，盆栽植物作为一种增加居住舒适度的方式进入了千家万户。但由于大多数植物主人缺乏种植植物经验，使植物长期生长在亚健康的环境。另一方面，由于室内空间有限，植物主人会根据自身情况要求植物有不同的茂密程度，避免空间浪费。

目前，亟需解决的问题是建立一套全面的植物培育模型，并将植物健康指标反馈给用户，让用户能及时对植物培育方案做出调整。影响植物健康程度的各个因素之间往往体现出高度的复杂性和非线性，采用常规预测、分析方法存在一定难度。

发明内容

本发明通过提供一种基于数据分析的植物智能培育方法及系统，以解决现有技术中植物培育过程中因无法为植物提供适宜的生长环境，而导致植物生长情况偏离预期指标的问题。

一方面，本发明提供的基于数据分析的植物智能培育方法，包括：

步骤S1：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量；

步骤S2：在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；

步骤S3：利用MOEA/D算法对植物培育模型进行优化，获得决策变量的一组最优解；

步骤S4：将决策变量的该组最优解作为植物的推荐决策X^*通过服务器下发至用户的终端设备进行显示；

步骤S5：用户根据终端设备显示的推荐决策培育植物。

另一方面，本发明提供的基于数据分析的植物智能培育系统，包括：

数据采集单元，用于采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，所述浇水量、所述施肥量和所述施肥类型构成决策变量；

植物培育模型建立单元，用于在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；

决策变量最优解获取单元，用于利用MOEA/D算法对植物培育模型进行优化，获得决策变量的一组最优解，并将决策变量的该组最优解作为植物的推荐决策X^*；

推荐决策显示单元，用于通过服务器将植物的推荐决策X^*下发至用户的终端设备进行显示。

与现有技术相比，本发明提供的基于数据分析的植物智能培育方法及系统的优点是：利用Elman神经网络建立植物培育模型，再利用MOEA/D算法优化植物培育模型，确定了植物的浇水量、施肥量、施肥种类的最优值，并即时反馈给用户，让用户随时随地都能了解植物当前状况，实现智能培育。

附图说明

图1为根据本发明实施例的基于数据分析的植物智能培育方法的流程示意图；

图2为根据本发明实施例的健康指数预测结果图；

图3为根据本发明实施例的健康指数预测误差图；

图4为根据本发明实施例的用户界面示意图。

具体实施方式

图1示出了根据本发明实施例的基于数据分析的植物智能培育方法的流程。

如图1所示，本发明的基于数据分析的植物智能培育方法，包括：

步骤S1：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量。

通过统计得到对植物的健康指数y₁影响最大的变量为：植物种类x₁、生长时期x₂、土壤湿度x₃、土壤pH值x₄、光照强度x₅、环境温度x₆、环境湿度x₇、图像x₈、浇水量x₉、施肥量x₁₀、施肥类型x₁₁，共11个变量；其中，土壤湿度x₃、土壤pH值x₄、光照强度x₅、环境温度x₆、环境湿度x₇、图像x₈由对应的传感器测量数据，植物种类、生长时期为固有属性，由用户输入，浇水量、施肥量、施肥类型为决策变量。

植物的环境温度x₆通过温度传感器采集获得；植物的土壤湿度x₃与环境湿度x₇通过湿度传感器采集获得；植物的光照强度x₅通过光照度传感器采集获得；植物的土壤pH值x₄通过土壤pH计采集获得；利用采样电路分别与温度传感器、湿度传感器、光照度传感器、土壤pH计进行连接，并将温度传感器、湿度传感器、光照度传感器、土壤pH计分别采集到的环境温度、环境湿度、土壤湿度、光照强度、土壤PH值转换成数字信号。

植物在当前时刻的特征图像通过摄像头采集获得，摄像头将图像信息转换成数字信号。

在本发明中，服务器优选为云服务器。

步骤S2：在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型。

设置X_k＝[x_k1,x_k2,L,x_kM](k＝1,2,L,S)为输入矢量，N为训练样本个数，

为第g次迭代时输入层M与隐层I之间的权值矢量，W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量Y_k(g)＝[y_k1(g),y_k2(g),L,y_kP(g)](k＝1,2,L,S)为第g次迭代时网络的实际输出，d_k＝[d_k1,d_k2,L,d_kP](k＝1,2,L,S)为期望输出，迭代次数g为500。

在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型的过程，包括：

步骤S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)、W_JC(0)一个(0,1)区间的随机值；

步骤S22：随机输入样本X_k；

步骤S23：对输入样本X_k，前向计算Elman神经网络每层神经元的实际输出Y_k(g)；

步骤S24：根据期望输出d_k和实际输出Y_k(g)，计算误差E(g)；

步骤S25：判断误差E(g)是否小于预设的误差值，如果大于或等于，进入步骤S26，如果小于，则进入步骤S29；

步骤S26：判断迭代次数g+1是否大于最大迭代次数，如果大于，进入步骤S29，否则，进入步骤S27；

步骤S27：对输入样本X_k反向计算Elman神经网络每层神经元的局部梯度δ；

步骤S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；

其中，ΔW_ij＝η·δ_ij，η为学习效率；W_ij(g+1)＝W_ij(g)+ΔW_ij(g)；

步骤S29：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22。

在Elman神经网络设计中，隐层节点数的多少是决定Elman神经网络模型好坏的关键，也是Elman神经网络设计中的难点，这里采用试凑法来确定隐层的节点数。

式中，p为隐层神经元节点数，n为输入层神经元数，m为输出层神经元数，k为1-10之间的常数。Elman神经网络的设置参数如下表1所示。

表1 Elman神经网络设置参数

通过上述过程，可得到Elman神经网络预测效果如图2、3所示。智能植物培育的基础是模型的建立，模型精度直接影响输出结果。通过对图2、3分析可知，健康指数预最大测误差为-3.5％，模型预测精度高，满足建模要求。

步骤S3：利用MOEA/D算法(Multi-obiective Evolutionary Algorithm BasedonDecomposition，基于分解的多目标优化算法)对植物培育模型进行优化，获得决策变量的一组最优解。

获得决策变量的一组最优解，也就是获得植物的浇水量、施肥量、施肥类型的一组最优值。

利用MOEA/D算法对植物培育模型进行优化的步骤包括：

步骤S31：初始化植物培育模型；其中，步骤S31包括：

步骤S311：将待优化的多个目标分解为N个单目标，并对每个单目标赋予权重(λ₁,λ₂,…λ_N)；

步骤S312：计算任意两个权重的欧式距离B(i)，对于每个i＝1，2，…N，令B(i)＝{i₁,i₂,…i_T}，则为距离权重向量λⁱ最近的T个权重；

步骤S313：初始化种群x¹L x^N的初始化目标函数最佳值z＝(z₁,...z_m)T，Z_i＝min{f_i(x¹)，...f_i(x^N)}，设置外部存档EP为空；

步骤S32：对单个待优化目标最优值进行重复计算，每次产生的新向量更加接近多目标优化的最优值；

步骤S321：从B(i)中随机选取两个序列号为k和l的子向量，利用遗传算子有x^k，x¹产生一个新的解y，并对解y利用基于测试问题的修复和改进启发产生y'；

步骤S322：更新Z：对于j＝1，...m，如果Z_i＜f_j(y')，则令Z_i＝f_j(y')；

步骤S323：更新邻域解：对于j∈B(i)，如果g^te(y'/λ^j，Z)≤g^te(x/λ^j，Z)，则令x^j＝y'，FV^j＝F(y^j)，其中g^te(x/λ^j,z)表示第j个子问题的目标函数，利用切比雪夫法将多目标优化分解为N个标量优化子问题，具体表达式为：

其中，FV为x的目标函数，FVⁱ＝F(xⁱ)，FVⁱ是xⁱ的F值；

步骤S324：更新外部存档EP：从外部存档EP中移出所有被F(y')支配的向量，加入所有不被支配的F(y')；

步骤S33：判断迭代次数是否达到预设的上限，如果达到，则输出外部存档EP的值，并作为决策变量的一组最优解；如果未达到，则返回步骤S32。

步骤S4：将决策变量的该组最优解作为植物的推荐决策X^*通过服务器下发至用户的终端设备进行显示。

各类传感器每2小时采集一次数据上传至服务器，服务器接数据并通过植物培育模型给出植物当前推荐的浇水量、施肥量和施肥种类。

步骤S5：用户根据终端设备显示的推荐决策X^*培育植物。

用户可以在终端设备上打开智能植物培育界面(如图4所示)，界面显示该植物的简要信息，植物的简要信息包括植物的图像和当前健康指数，用户可在界面设置植物的理想健康指数、理想，由服务器下发推荐浇水量、施肥量、施肥类型，用户可通过手机远程操作完成自动浇水、施肥。

植物的当前健康指数由基于MOEA/D算法对植物培育模型进行优化得到，植物的当前健康指数与决策变量的一组最优解相对应。

本发明提供的基于数据分析的植物智能培育方法，首先，利用传感器、摄像头等硬件采集植物指标参数、植物图像、浇水量、施肥量、施肥类型，然后，将采集到的数据上传至服务器进行存储，在服务器内利用Elman神经网络建立影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型，利用MOEA/D算法对植物培育模型进行优化，得到各决策变量的一组最优值，并将这组最优解作为推荐决策下发至用户的PC或APP终端，最后，用户可根据推荐决策决定植物的浇水量、施肥量、施肥种类，实现远程自动培育。该方法能够确定最优的植物培育方案，为植物营造了更好的生活环境。

与上述方法相对应，本发明提供一种基于数据分析的植物智能培育系统。

本发明提供的基于数据分析的植物智能培育系统，包括：

数据采集单元，用于采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量。数据采集单元采集数据的过程参考上述步骤S1。

植物培育模型建立单元，用于在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型。植物培育模型建立单元建立植物培育模型的具体过程参考上述步骤S2。

决策变量最优解获取单元，用于利用MOEA/D算法对植物培育模型进行优化，获得决策变量的一组最优解，并将决策变量的该组最优解作为植物的推荐决策X^*。决策变量最优解获取单元获取决策变量最优解的具体过程参考上述步骤S3。

推荐决策显示单元，用于通过服务器将植物的推荐决策X^*下发至用户的终端设备进行显示。

用户根据终端设备显示的推荐决策对植物进行培育。

应当指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改性、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种基于数据分析的植物智能培育方法，其特征在于，包括如下步骤：

步骤S1：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，所述浇水量、所述施肥量和所述施肥类型构成决策变量；

步骤S2：在所述服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；

步骤S3：利用MOEA/D算法对所述植物培育模型进行优化，获得所述决策变量的一组最优解；

步骤S4：将所述决策变量的该组最优解作为所述植物的推荐决策X^*通过所述服务器下发至用户的终端设备进行显示；

步骤S5：所述用户根据所述终端设备显示的推荐决策X^*培育所述植物。

2.根据权利要求1所述的基于数据分析的植物智能培育方法，其特征在于，所述植物培育模型中X_k＝[x_k1,x_k2,L,x_kM](k＝1,2,L,S)为输入矢量，S为训练样本的个数，W_MI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，W_JP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，W_JC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Y_k(g)＝[y_k1(g),y_k2(g),L,y_kP(g)](k＝1,2,L,S)为第g次迭代时的实际输出，d_k＝[d_k1,d_k2,L,d_kP](k＝1,2,L,S)为期望输出；以及，

建立所述植物培育模型的步骤包括：

步骤S21：初始化，设迭代次数g初值为0，分别赋给W_MI(0)、W_JP(0)、W_JC(0)一个(0,1)区间的随机值；

步骤S22：随机输入样本X_k；

步骤S23：对输入样本X_k，前向计算所述Elman神经网络每层神经元的实际输出Y_k(g)；

步骤S24：根据期望输出d_k和实际输出Y_k(g)，计算误差E(g)；

步骤S25：判断误差E(g)是否小于预设的误差值，如果大于或等于，进入步骤S26，如果小于，则进入步骤S29；

步骤S26：判断迭代次数g+1是否大于最大迭代次数，如果大于，进入步骤S29，否则，进入步骤S27；

步骤S27：对输入样本X_k反向计算所述Elman神经网络每层神经元的局部梯度δ；

步骤S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；

其中，ΔW_ij＝η·δ_ij，η为学习效率；W_ij(g+1)＝W_ij(g)+ΔW_ij(g)；

步骤S29：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22。

3.根据权利要求1所述的基于数据分析的植物智能培育方法，其特征在于，利用MOEA/D算法对所述植物培育模型进行优化的步骤，包括：

步骤S31：初始化所述植物培育模型；其中，步骤S31包括：

步骤S311：将待优化的多个目标分解为N个单目标，并对每个单目标赋予权重(λ₁,λ₂,…λ_N)；

步骤S312：计算任意两个权重的欧式距离B(i)，对于每个i＝1，2，…N，令B(i)＝{i₁,i₂,…i_T}，则为距离权重向量λⁱ最近的T个权重；

步骤S313：初始化种群x¹ L x^N的初始化目标函数最佳值z＝(z₁,...z_m)T，Z_i＝min{f_i(x¹)，...f_i(x^N)}，设置外部存档EP为空；

步骤S32：对单个待优化目标最优值进行重复计算，每次产生的新向量更加接近多目标优化的最优值；

步骤S321：从B(i)中随机选取两个序列号为k和l的子向量，利用遗传算子有x^k，x¹产生一个新的解y，并对解y利用基于测试问题的修复和改进启发产生y'；

步骤S322：对于j＝1，...m，如果Z_i＜f_j(y')，则令Z_i＝f_j(y')；

步骤S323：对于j∈B(i)，如果g^te(y'/λ^j，Z)≤g^te(x/λ^j，Z)，则令xj＝y'，

FV^j＝F(y^j)，其中g^te(x/λ^j,z)表示第j个子问题的目标函数，利用切比雪夫法将多目标优化分解为N个标量优化子问题，具体表达式为：

$g^{te}=(x/{\mathrm{\λ}}^j,z)=\underset{1\≤i\≤m}{max}\{{\mathrm{\λ}}_i\·|f_i\left(x\right)-z_i\left|\right\},{\mathrm{\λ}}^j={({\mathrm{\λ}}_1^j,{\mathrm{L\λ}}_m^j)}^T;$

其中，FV为x的目标函数，FVⁱ＝F(xⁱ)，FVⁱ是xⁱ的F值；

步骤S324：从外部存档EP中移出所有被F(y')支配的向量，加入所有不被支配的F(y')；

步骤S33：判断迭代次数是否达到预设的上限，如果达到，则输出外部存档EP的值，并作为所述决策变量的一组最优解；如果未达到，则返回步骤S32。

4.根据权利要求1-3中任一项所述的基于数据分析的植物智能培育方法，其特征在于，

利用温度传感器采集所述植物的环境温度；

利用湿度传感器采集所述植物的环境湿度与土壤湿度；

利用光照度传感器采集所述植物的光照强度；

利用土壤PH计采集上述植物的土壤PH值；

利用摄像头采集所述植物在当前时刻的特征，并将图像信息转换成数字信号；以及，

利用采样电路分别与所述温度传感器、所述湿度传感器、所述光照度传感器、所述土壤PH计进行连接，并将所述温度传感器、所述湿度传感器、所述光照度传感器、所述土壤PH计分别采集到的环境温度、环境湿度、土壤湿度、光照强度、土壤PH值转换成数字信号。

5.一种基于数据分析的植物智能培育系统，其特征在于，包括：

数据采集单元，用于采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，所述浇水量、所述施肥量和所述施肥类型构成决策变量；

植物培育模型建立单元，用于在所述服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；

决策变量最优解获取单元，用于利用MOEA/D算法对所述植物培育模型进行优化，获得所述决策变量的一组最优解，并将所述决策变量的该组最优解作为所述植物的推荐决策X^*；

推荐决策显示单元，用于通过所述服务器将所述植物的推荐决策X^*下发至用户的终端设备进行显示。