CN107390753B - 基于物联网云平台的智能植物生长环境调节装置与方法 - Google Patents
基于物联网云平台的智能植物生长环境调节装置与方法 Download PDFInfo
- Publication number
- CN107390753B CN107390753B CN201710754426.XA CN201710754426A CN107390753B CN 107390753 B CN107390753 B CN 107390753B CN 201710754426 A CN201710754426 A CN 201710754426A CN 107390753 B CN107390753 B CN 107390753B
- Authority
- CN
- China
- Prior art keywords
- environment parameter
- growing environment
- growing
- presetting
- plant growth
- 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.)
- Active
Links
- 230000008635 plant growth Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000007246 mechanism Effects 0.000 claims abstract description 36
- 230000002068 genetic effect Effects 0.000 claims abstract description 35
- 230000000243 photosynthetic effect Effects 0.000 claims abstract description 17
- 230000033228 biological regulation Effects 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 12
- 230000004907 flux Effects 0.000 claims description 11
- 230000004075 alteration Effects 0.000 claims description 9
- 230000008649 adaptation response Effects 0.000 claims description 8
- 230000001537 neural effect Effects 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 238000005316 response function Methods 0.000 claims description 7
- 239000000725 suspension Substances 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 241000894007 species Species 0.000 claims description 3
- 241000251468 Actinopterygii Species 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 53
- 238000010586 diagram Methods 0.000 description 11
- 239000002689 soil Substances 0.000 description 11
- 238000003860 storage Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 230000012010 growth Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000009423 ventilation Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 230000029553 photosynthesis Effects 0.000 description 3
- 238000010672 photosynthesis Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000028016 temperature homeostasis Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 244000241257 Cucumis melo Species 0.000 description 1
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 1
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 238000010413 gardening Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 239000011295 pitch Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000004408 titanium dioxide Substances 0.000 description 1
- 235000013311 vegetables Nutrition 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于物联网云平台的智能植物生长环境调节装置与方法，涉及农业领域。通过遗传神经网络训练模型、植物种类、预植物生长周期、多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，初步选取出多组较佳第一生长环境参数；再依据目标值寻优算法模型选取出最佳第一生长环境参数；计算当前第一生长环境参数与最佳第一生长环境参数的调控差值，最后发送调控信号至第一环境参数调节机构，第一环境参数调节机构接收到调控信号后运行，以使当前第一生长环境参数更新为最佳第一生长环境参数，使得调节后的植物生长环境的与植物本身需求的最佳生长环境的匹配度高，调节后的植物生长环境为适宜植物生长的最佳环境。
Description
技术领域
本发明涉及农业领域，具体而言，涉及一种基于物联网云平台的智能植物生长环境调节装置与方法。
背景技术
植物光合速率的好坏取决于当前植物所处生长周期、植物生长环境的优劣，例如，环境光照、二氧化碳浓度、环境温度、空气湿度、土壤水分含量等等，其中，环境光照、二氧化碳浓度、环境温度三个参数对植物的光合速率的影响较大。植物生长环境与植物的种类及生长周期越匹配，则植物的生长情况越好，随着科技与社会的发展，对蔬菜瓜果的大棚种植越来越科学化，以促进植物在良好的环境下生长。
现有技术中，对植物生长环境的调节常常为，利用环境参数采集模块采集模块采集环境数据，当环境数据大于预设的阈值时，即控制执行机构运行，以控制环境数据低于预设定阈值。这样进行调节后的植物生长环境的与植物本身需求的最佳生长环境的匹配度不高，可靠性差，调节后的植物生长环境并不是适宜植物生长的最佳环境，从而导致农场的生产收益不高。
发明内容
有鉴于此，本发明实施例的目的在于提供一种基于物联网云平台的智能植物生长环境调节装置与方法。
第一方面，本发明实施例提供了一种基于物联网云平台的智能植物生长环境调节装置，所述基于物联网云平台的智能植物生长环境调节装置包括：
信息接收单元，用于接收第一环境参数采集模块发送的当前第一生长环境参数；
初始目标值选取单元，用于依据遗传神经网络训练模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述多组第一生长环境参数训练样本选取符合预设定的植物种类、预设定的植物生长周期的多组较佳第一生长环境参数；
环境调节参数生成单元，用于依据目标值寻优算法模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述选取出的多组较佳第一生长环境参数中选取符合预设定的植物种类、预设定的植物生长周期的最佳第一生长环境参数；
调控信号生成单元，计算当前第一生长环境参数与最佳第一生长环境参数的调控差值，并依据所述调控差值生成调控信号；
信息发送单元，发送所述调控信号至第一环境参数调节机构。
第二方面，本发明实施例还提供了一种基于物联网云平台的智能植物生长环境调节方法，所述基于物联网云平台的智能植物生长环境调节方法包括：
接收第一环境参数采集模块发送的当前第一生长环境参数；
依据遗传神经网络训练模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述多组第一生长环境参数训练样本选取符合预设定的植物种类、预设定的植物生长周期的多组较佳第一生长环境参数；
依据目标值寻优算法模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述选取出的多组较佳第一生长环境参数中选取符合预设定的植物种类、预设定的植物生长周期的最佳第一生长环境参数；
计算当前第一生长环境参数与最佳第一生长环境参数的调控差值，并依据所述调控差值生成调控信号；
发送所述调控信号至第一环境参数调节机构。
与现有技术相比，本发明提供的基于物联网云平台的智能植物生长环境调节装置与方法，通过依据遗传神经网络训练模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述多组第一生长环境参数训练样本选取符合预设定的植物种类、预设定的植物生长周期的多组较佳第一生长环境参数；再依据目标值寻优算法模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述选取出的多组较佳第一生长环境参数中选取符合预设定的植物种类、预设定的植物生长周期的最佳第一生长环境参数；并计算当前第一生长环境参数与最佳第一生长环境参数的调控差值，并依据所述调控差值生成调控信号；最后发送所述调控信号至第一环境参数调节机构，第一环境参数调节机构接收到调控信号后，依据调控信号运行，以使当前第一生长环境参数更新为最佳第一生长环境参数，从而使得调节后的植物生长环境的与植物本身需求的最佳生长环境的匹配度高，可靠性高，调节后的植物生长环境为适宜植物生长的最佳环境，显著地提高了农场的生产收益。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。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他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的服务器分别与第一环境参数采集模块、第二环境参数采集模块、第一环境参数调节机构、第二环境参数调节机构以及报警器之间的交互示意图；
图2为本发明实施例提供的服务器的结构框图；
图3为本发明实施例提供的基于物联网云平台的智能植物生长环境调节装置的功能模块示意图；
图4为本发明实施例提供的遗传神经网络训练模型建立单元的具体功能模块示意图；
图5为本发明实施例提供的基于物联网云平台的智能植物生长环境调节方法的流程示意图；
图6为本发明实施例提供的遗传神经网络训练模型建立的流程示意图。
图标：100-第一环境参数采集模块；200-服务器；300-第二环境参数采集模块；400-第一环境参数调节机构；500-报警器；600-日光辐射传感器；700-环境温度传感器；800-CO2浓度传感器；900-土壤温度传感器；1001-土壤含水量传感器；1002-相对湿度传感器；1003-自动灌溉机构；1004-基于物联网云平台的智能植物生长环境调节装置；1005-遮阳布驱动机构；1006-温度调节机构；1007-LED定量补光灯；1008-通风执行机构；101-处理器；102-存储器；103-存储控制器；104-外设接口；301-信息接收单元；302-初始目标值选取单元；303-环境调节参数生成单元；304-调控信号生成单元；305-信息发送单元；306-判断单元；307-报警控制单元；308-遗传神经网络训练模型建立单元；401-神经网络创建子单元；402-种群特征提取子单元；403-自适应函数确定子单元；404-连接权值获得子单元；405-计算子单元；406-选取子单元；407-调整子单元。
具体实施方式
下面将结合本发明实施例中附图，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
本发明较佳实施例所提供的可应用于基于物联网云平台的智能植物生长环境调节装置与方法，如图1所示的应用环境中。如图1所示，第一环境参数采集模块100、第二环境参数采集模块300、第一环境参数调节机构400、第二环境参数调节机构、报警器500及服务器200位于网络中，通过该网络，第一环境参数采集模块100、第二环境参数采集模块300、第一环境参数调节机构400、第二环境参数调节机构、报警器500分别与服务器200进行数据交互。于本发明实施例中，该服务器200可以是，但不限于，网络服务器、数据库服务器，云端服务器等等。网络可以为有线网络也可以为无线网络，图1示出的为无线网络。于本发明实施例中，第一环境参数采集模块100包括日光辐射传感器600、环境温度传感器700以及CO2浓度传感器800；第一环境参数调节机构400包括遮阳布驱动机构1005、温度调节机构1006、LED定量补光灯1007、通风执行机构1008；第二环境参数采集模块300包括土壤温度传感器900、土壤含水量传感器1001以及相对湿度传感器1002，第二环境参数调节机构包括自动灌溉机构1003。
图2示出了一种可应用于本发明实施例中的服务器200的结构框图。服务器200包括基于物联网云平台的智能植物生长环境调节装置1004、处理器101、存储器102、存储控制器103以及外设接口104。
所述存储器102、存储控制器103、外设接口104及处理器101，各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述基于物联网云平台的智能植物生长环境调节装置1004包括至少一个可以软件或固件(firmware)的形式存储于所述存储器102中或固化在所述服务器200的操作系统(operating system，OS)中的软件功能模块。所述处理器101用于执行存储器102中存储的可执行模块，例如，所述基于物联网云平台的智能植物生长环境调节装置1004包括的软件功能模块或计算机程序。
其中，存储器102可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器102Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。其中，存储器102用于存储程序，所述处理器101在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的服务器所执行的方法可以应用于处理器101中，或者由处理器101实现。
处理器101可能是一种集成电路芯片，具有信号的处理能力。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器101也可以是任何常规的处理器101等。
外设接口104将各种输入/输出装置耦合至处理器101以及存储器102。在一些实施例中，外设接口104、处理器101以及存储控制器103可以在单个芯片中实现。在其他一些实例中，他们可以分别由独立的芯片实现。
可以理解，图2所示的结构仅为示意，服务器200还可包括比图2中所示更多或者更少的组件，或者具有与图2所示不同的配置。图2中所示的各组件可以采用硬件、软件或其组合实现。
请参阅图1，本发明实施例提供了一种基于物联网云平台的智能植物生长环境调节装置1004，适用于对种植于大棚内的植物的生长环境参数进行调节。所述基于物联网云平台的智能植物生长环境调节装置1004包括信息接收单元301、初始目标值选取单元302、环境调节参数生成单元303、调控信号生成单元304以及信息发送单元305。
信息接收单元301用于接收第一环境参数采集模块100发送的当前第一生长环境参数。
其中，当前第一生长环境参数包括环境温度、红光通量密度、蓝光通量密度、CO2浓度。其中，环境温度、红光通量密度、蓝光通量密度、CO2浓度对植物的光合速率的影响程度较大。第一环境参数采集模块100包括日光辐射传感器600、环境温度传感器700以及CO2浓度传感器800。
初始目标值选取单元302用于依据遗传神经网络训练模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述多组第一生长环境参数训练样本选取符合预设定的植物种类、预设定的植物生长周期的多组较佳第一生长环境参数。
具体地，所述基于物联网云平台的智能植物生长环境调节装置1004还包括遗传神经网络训练模型建立单元308，如图4所示，所述遗传神经网络训练模型建立单元308包括：
神经网络创建子单元401，用于确定神经网络拓扑结构并创建初始多层前馈神经网络。
此处还可以对试验样本误差剔除、归一化、PAC提取的试验样本剔除。
种群特征提取子单元402，用于提取预存储的第一生长环境参数训练样本的编码类型、编码长度、种群规模、定义交叉、变异率以及中止条件。
其中，编码类型、编码长度、种群规模、定义交叉、变异率以及中止条件即为种群特征，此处的种群即为本实施例中所述的第一生长环境参数训练样本。
自适应函数确定子单元403，用于依据编码类型、编码长度、种群规模、定义交叉、变异率以及中止条件确定自适应度函数。
连接权值获得子单元404，用于依据预存储的第一生长环境参数训练样本生成N个二值基因链码个体，并将N个二值基因链码个体解码为一组连接权值。
计算子单元405，用于依据预存储的第一生长环境参数训练样本、自适应度函数计算每组连接权值对应的多层前馈神经网络的误差以及适应度。
选取子单元406，用于选取误差以及适应度满足预设定条件的连接权值作为网络神经的权值和阈值初始值。
对不满足预设定条件的连接权值的第一生长环境参数训练样本重新进行选择、交叉、变异并产生新的种群重新生成生成N个二值基因链码个体，并继续进行下一步操作。
所述神经网络创建子单元401还用于依据选取出的网络神经的权值和阈值初始值新建当前多层前馈神经网络。
所述计算子单元405还用于计算各层实际输出以及计算实际输出与目标输出的多个误差。
所述基于物联网云平台的智能植物生长环境调节装置1004还包括：
调整子单元407用于依据LM训练法、所述多个误差进行训练并调整各层的权值和阈值初始值。
此处对未完成轮训的第一生长环境参数训练样本进行迭代并重新计算各层实际输出，并继续进行下一步骤。
所述选取子单元406还用于选取出满足预设定条件的多组较佳权值和阈值，并保存遗传神经网络训练模型。
此处对不满足预设定条件的第一生长环境参数训练样本进行迭代并重新计算各层实际输出，并继续进行下一步骤。
通过上述方式利用快速全局的收敛能力对初始权值范围进行确定，既而以此权值完成遗传神经网络训练模型构建。考虑到遗传算法具备全局优化能力强、自适应性强的特点，可以实现大范围内全局最优解邻域的快速获取，但在局部小邻域的寻优精度不高，因此本实施例将遗传算法与BP神经网络算法结合，从而构建上述的遗传神经网络训练模型，可以实现对某种植物在某个生长周期下在不同温度、光通量密度以及CO2浓度下精准预测，并初步选取出适合该植物的温度、光通量密度以及CO2浓度，为下一步目标值寻优提供参考数据，并且显著提高了收敛速度。
环境调节参数生成单元303用于依据目标值寻优算法模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述选取出的多组较佳第一生长环境参数中选取符合预设定的植物种类、预设定的植物生长周期的最佳第一生长环境参数。
本实施例中，目标值寻优算法模型可以采用遗传算法模型或改进型鱼群算法模型。当目标值寻优算法模型采用遗传算法模型时，遗传算法模型对比分析遗传神经网络模型在寻优效率与寻优结果上的差异，从而获得最佳第一生长环境参数。遗传算法模型在运行的过程中，采用嵌套的方式建立多个寻优条件样本集，通过对遗传神经网络模型的实例化得到目标函数。
当目标值寻优算法模型采用改进型鱼群算法模型(与传统的鱼群算法模型不同)时，改进型鱼群算法模型的建立过程如下所述：
首先设置遗人工鱼群算法的寻优初始化参数及随机初始化鱼群、建立多维寻优调节数据样本集并提取一组寻优条件以及预先设定的特定目标函数，其次，计算人工鱼的位置的食物浓度，并对种群空间中的人工鱼进行评价，判断评价结果是否满足预设定的终止条件，如果不满足终止条件，则调节视野和步长的动态调节量，然后在评价结果符合预设定的追尾条件完成追尾行为以及在在评价结果符合预设定的聚类条件时完成聚类行为，在评价结果既不符合预设定的追尾条件也不符合在评价结果符合预设定的聚类条件时完成觅食行为，从而选定最优的行为结果(即从所述选取出的多组较佳第一生长环境参数中选取符合预设定的植物种类、预设定的植物生长周期的最佳第一生长环境参数)。如果上述的评价结果满足终止条件，则直接确定最佳第一生长环境参数。
由于传统的鱼群算法在执行觅食行为、聚类行为、追尾行为以及随机行为时均受到视野步长的影响，若视野范围越大，人工鱼的全局搜索和收敛能力越强，若人工鱼的局部搜索能力强，步长越大，则收敛速度越快，有时会出现振荡现象；反之，则收敛速度越快，求解精度越高，上述的改进型鱼群算法模型实现了对最佳第一生长环境参数在寻优速度以及寻优精度相兼顾平衡的状态，即在有效提供寻优精度的基础上解决了传统人工鱼群算法收敛速度慢的问题。经发明试验，通过上述的方式计算得出的最佳第一生长环境参数与植物实际需求的生长环境参数的误差在6％以内，精度非常高。
调控信号生成单元304计算当前第一生长环境参数与最佳第一生长环境参数的调控差值，并依据所述调控差值生成调控信号。
信息发送单元305发送所述调控信号至第一环境参数调节机构400。
第一环境参数调节机构400接收到调控信号后，依据调控信号运行，以使当前第一生长环境参数更新为最佳第一生长环境参数，从而使得调节后的植物生长环境的与植物本身需求的最佳生长环境的匹配度高，可靠性高，调节后的植物生长环境为适宜植物生长的最佳环境。第一环境参数调节机构400包括遮阳布驱动机构1005、温度调节机构1006、LED定量补光灯1007、通风执行机构1008。当光通量较多时，遮阳布驱动机构1005可以驱动遮阳布对投射到大棚内的阳光进行阻挡，从而减少入射进大棚内的光通量(包括蓝光通量密度和红光通量密度)，当光通量较少时，LED定量补光灯1007点亮可以对光通量密度进行弥补。温度调节机构1006可以调节大棚内的温度，通风执行机构1008可以通过通风调节大棚内的CO2浓度。
另外，所述信息接收单元301还用于接收第二环境参数采集模块300发送的当前第二生长环境参数，其中，所述当前第二生长环境参数为空气湿度或土壤含水量或土壤温度，第二环境参数采集模块300包括土壤温度传感器900、土壤含水量传感器1001以及相对湿度传感器1002，第二环境参数调节机构包括自动灌溉机构1003。
所述基于物联网云平台的智能植物生长环境调节装置1004还包括：
判断单元306，用于判断当前第二生长环境参数是否在预设定的阈值范围以内。
报警控制单元307，用于若当前第二生长环境参数不在预设定的阈值范围以内时，控制报警器500报警。
例如，若土壤的含水量过低，则控制报警器500报警，以提醒工作人员现场进行操作或启动自动灌溉机构1003对植物进行灌溉，直到土壤中的含水量到预设定的阈值。
请参阅图5，本发明实施例还提供了一种基于物联网云平台的智能植物生长环境调节方法，需要说明的是，本发明实施例所提供的基于物联网云平台的智能植物生长环境调节方法，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本发明实施例部分未提及之处，可参考上述的实施例中相应内容。所述基于物联网云平台的智能植物生长环境调节方法包括：
步骤S501：接收第一环境参数采集模块100发送的当前第一生长环境参数。
可以理解地，利用信息发送单元305可以执行步骤S501。
步骤S502：依据遗传神经网络训练模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述多组第一生长环境参数训练样本选取符合预设定的植物种类、预设定的植物生长周期的多组较佳第一生长环境参数。
可以理解地，利用初始目标值选取单元302可以执行步骤S502。
其中，如图6所示，所述遗传神经网络训练模型建立的过程包括：
步骤S5021：确定神经网络拓扑结构并创建初始多层前馈神经网络。
步骤S5022：提取预存储的第一生长环境参数训练样本的编码类型、编码长度、种群规模、定义交叉、变异率以及中止条件。
步骤S5023：依据编码类型、编码长度、种群规模、定义交叉、变异率以及中止条件确定自适应度函数。
步骤S5024：依据预存储的第一生长环境参数训练样本生成N个二值基因链码个体，并将N个二值基因链码个体解码为一组连接权值。
步骤S5025：依据预存储的第一生长环境参数训练样本、自适应度函数计算每组连接权值对应的多层前馈神经网络的误差以及适应度。
步骤S5026：选取误差以及适应度满足预设定条件的连接权值作为网络神经的权值和阈值初始值。
步骤S5027：依据选取出的网络神经的权值和阈值初始值新建当前多层前馈神经网络。
步骤S5028：计算各层实际输出以及计算实际输出与目标输出的多个误差。
步骤S5029：依据LM训练法、所述多个误差进行训练并调整各层的权值和阈值初始值。
步骤S5030：选取出满足预设定条件的多组较佳权值和阈值，并保存遗传神经网络训练模型。
可以理解地，利用遗传神经网络训练模型建立单元308可以执行步骤S5021～步骤S5030。
步骤S503：依据目标值寻优算法模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述选取出的多组较佳第一生长环境参数中选取符合预设定的植物种类、预设定的植物生长周期的最佳第一生长环境参数。
可以理解地，利用环境调节参数生成单元303可以执行步骤S503。
其中，所述目标值寻优算法模型为遗传算法模型或改进型鱼群算法模型。
步骤S504：计算当前第一生长环境参数与最佳第一生长环境参数的调控差值，并依据所述调控差值生成调控信号。
可以理解地，利用调控信号生成单元304可以执行步骤S504。
步骤S505：发送所述调控信号至第一环境参数调节机构400。
可以理解地，利用信息发送单元305可以执行步骤S505。
综上所述，本发明提供的基于物联网云平台的智能植物生长环境调节装置与方法，通过依据遗传神经网络训练模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述多组第一生长环境参数训练样本选取符合预设定的植物种类、预设定的植物生长周期的多组较佳第一生长环境参数；再依据目标值寻优算法模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述选取出的多组较佳第一生长环境参数中选取符合预设定的植物种类、预设定的植物生长周期的最佳第一生长环境参数；并计算当前第一生长环境参数与最佳第一生长环境参数的调控差值，并依据所述调控差值生成调控信号；最后发送所述调控信号至第一环境参数调节机构400，第一环境参数调节机构400接收到调控信号后，依据调控信号运行，以使当前第一生长环境参数更新为最佳第一生长环境参数，从而使得调节后的植物生长环境的与植物本身需求的最佳生长环境的匹配度高，可靠性高，调节后的植物生长环境为适宜植物生长的最佳环境，显著地提高了农场的生产收益。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种基于物联网云平台的智能植物生长环境调节装置，其特征在于，所述基于物联网云平台的智能植物生长环境调节装置包括：
信息接收单元，用于接收第一环境参数采集模块发送的当前第一生长环境参数；
初始目标值选取单元，用于依据遗传神经网络训练模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述多组第一生长环境参数训练样本选取符合预设定的植物种类、预设定的植物生长周期的多组较佳第一生长环境参数；
环境调节参数生成单元，用于依据目标值寻优算法模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述选取出的多组较佳第一生长环境参数中选取符合预设定的植物种类、预设定的植物生长周期的最佳第一生长环境参数，所述目标值寻优算法模型为遗传算法模型或改进型鱼群算法模型；
调控信号生成单元，计算当前第一生长环境参数与最佳第一生长环境参数的调控差值，并依据所述调控差值生成调控信号；
信息发送单元，发送所述调控信号至第一环境参数调节机构。
2.根据权利要求1所述的基于物联网云平台的智能植物生长环境调节装置，其特征在于，所述基于物联网云平台的智能植物生长环境调节装置还包括遗传神经网络训练模型建立单元，所述遗传神经网络训练模型建立单元包括：
神经网络创建子单元，用于确定神经网络拓扑结构并创建初始多层前馈神经网络；
种群特征提取子单元，用于提取预存储的第一生长环境参数训练样本的编码类型、编码长度、种群规模、定义交叉、变异率以及中止条件；
自适应函数确定子单元，用于依据编码类型、编码长度、种群规模、定义交叉、变异率以及中止条件确定自适应度函数；
连接权值获得子单元，用于依据预存储的第一生长环境参数训练样本生成N个二值基因链码个体，并将N个二值基因链码个体解码为一组连接权值；
计算子单元，用于依据预存储的第一生长环境参数训练样本、自适应度函数计算每组连接权值对应的多层前馈神经网络的误差以及适应度；
选取子单元，用于选取误差以及适应度满足预设定条件的连接权值作为网络神经的权值和阈值初始值。
3.根据权利要求2所述的基于物联网云平台的智能植物生长环境调节装置，其特征在于，
所述神经网络创建子单元还用于依据选取出的网络神经的权值和阈值初始值新建当前多层前馈神经网络；
所述计算子单元还用于计算各层实际输出以及计算实际输出与目标输出的多个误差；
所述基于物联网云平台的智能植物生长环境调节装置还包括：
调整子单元，用于依据LM训练法、所述多个误差进行训练并调整各层的权值和阈值初始值；
所述选取子单元还用于选取出满足预设定条件的多组较佳权值和阈值，并保存遗传神经网络训练模型。
4.根据权利要求1所述的基于物联网云平台的智能植物生长环境调节装置，其特征在于，所述信息接收单元还用于接收第二环境参数采集模块发送的当前第二生长环境参数，
所述基于物联网云平台的智能植物生长环境调节装置还包括：
判断单元，用于判断所述当前第二生长环境参数是否在预设定的阈值范围以内；
报警控制单元，用于若当前第二生长环境参数不在预设定的阈值范围以内时，控制报警器报警。
5.根据权利要求1所述的基于物联网云平台的智能植物生长环境调节装置，其特征在于，所述当前第一生长环境参数包括植物生长所处环境的CO2浓度、温度、红光通量密度以及蓝光通量密度。
6.一种基于物联网云平台的智能植物生长环境调节方法，其特征在于，所述基于物联网云平台的智能植物生长环境调节方法包括：
接收第一环境参数采集模块发送的当前第一生长环境参数；
依据遗传神经网络训练模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述多组第一生长环境参数训练样本选取符合预设定的植物种类、预设定的植物生长周期的多组较佳第一生长环境参数；
依据目标值寻优算法模型、预设定的植物种类、预设定的植物生长周期、预存储的多组第一生长环境参数训练样本以及每组第一生长环境参数训练样本对应的植物光合速率，从所述选取出的多组较佳第一生长环境参数中选取符合预设定的植物种类、预设定的植物生长周期的最佳第一生长环境参数，所述目标值寻优算法模型为遗传算法模型或改进型鱼群算法模型；
计算当前第一生长环境参数与最佳第一生长环境参数的调控差值，并依据所述调控差值生成调控信号；
发送所述调控信号至第一环境参数调节机构。
7.根据权利要求6所述的基于物联网云平台的智能植物生长环境调节方法，其特征在于，所述遗传神经网络训练模型建立的过程包括：
确定神经网络拓扑结构并创建初始多层前馈神经网络；
提取预存储的第一生长环境参数训练样本的编码类型、编码长度、种群规模、定义交叉、变异率以及中止条件；
依据编码类型、编码长度、种群规模、定义交叉、变异率以及中止条件确定自适应度函数；
依据预存储的第一生长环境参数训练样本生成N个二值基因链码个体，并将N个二值基因链码个体解码为一组连接权值；
依据预存储的第一生长环境参数训练样本、自适应度函数计算每组连接权值对应的多层前馈神经网络的误差以及适应度；
选取误差以及适应度满足预设定条件的连接权值作为网络神经的权值和阈值初始值。
8.根据权利要求7所述的基于物联网云平台的智能植物生长环境调节方法，其特征在于，在所述选取误差以及适应度满足预设定条件的连接权值作为网络神经的权值和阈值初始值的步骤之后，所述遗传神经网络训练模型建立的过程还包括：
依据选取出的网络神经的权值和阈值初始值新建当前多层前馈神经网络；
计算各层实际输出以及计算实际输出与目标输出的多个误差；
依据LM训练法、所述多个误差进行训练并调整各层的权值和阈值初始值；
选取出满足预设定条件的多组较佳权值和阈值，并保存遗传神经网络训练模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710754426.XA CN107390753B (zh) | 2017-08-29 | 2017-08-29 | 基于物联网云平台的智能植物生长环境调节装置与方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710754426.XA CN107390753B (zh) | 2017-08-29 | 2017-08-29 | 基于物联网云平台的智能植物生长环境调节装置与方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107390753A CN107390753A (zh) | 2017-11-24 |
| CN107390753B true CN107390753B (zh) | 2019-07-30 |
Family
ID=60346965
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710754426.XA Active CN107390753B (zh) | 2017-08-29 | 2017-08-29 | 基于物联网云平台的智能植物生长环境调节装置与方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107390753B (zh) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334139A (zh) * | 2018-03-01 | 2018-07-27 | 深圳春沐源控股有限公司 | 一种基于大数据的温室自动化控制的方法及系统 |
| 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 |
| CN110377961B (zh) * | 2019-06-25 | 2023-04-28 | 北京百度网讯科技有限公司 | 作物生长环境控制方法、装置、计算机设备及存储介质 |
| CN112099557A (zh) * | 2020-09-24 | 2020-12-18 | 苏州七采蜂数据应用有限公司 | 一种基于互联网的家居植物栽植方法及系统 |
| CN112400515B (zh) * | 2020-11-20 | 2023-11-03 | 腾讯科技（深圳）有限公司 | 基于人工智能的植物生长环境控制方法、装置、设备及存储介质 |
| CN112711621B (zh) * | 2021-01-18 | 2024-10-08 | 陈中立 | 万物互联训练平台及控制方法与装置 |
| CN113325761A (zh) * | 2021-05-25 | 2021-08-31 | 哈尔滨工业大学 | 一种基于深度学习的植株生长期识别控制系统及其识别控制方法 |
| CN113570240B (zh) * | 2021-07-27 | 2024-02-27 | 蒋俊伟 | 一种基于农作物全生命周期管理的智慧农场平台 |
| CN115226516B (zh) * | 2022-07-07 | 2023-09-26 | 西北农林科技大学 | 一种设施光与二氧化碳环境协同调控方法 |
| CN116977111B (zh) * | 2023-07-28 | 2024-06-25 | 山东科翔智能科技有限公司 | 一种基于智慧ai农业的玉米种植决策管控系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20020059154A1 (en) * | 2000-04-24 | 2002-05-16 | Rodvold David M. | Method for simultaneously optimizing artificial neural network inputs and architectures using genetic algorithms |
| US6773397B2 (en) * | 2001-10-11 | 2004-08-10 | Draeger Medical Systems, Inc. | System for processing signal data representing physiological parameters |
| CN104374053B (zh) * | 2014-11-25 | 2017-02-22 | 珠海格力电器股份有限公司 | 一种智能控制方法、装置及系统 |
| CN104866970B (zh) * | 2015-05-26 | 2018-07-24 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
| CN205922136U (zh) * | 2016-03-08 | 2017-02-08 | 华中农业大学 | 自动人工嫁接高效愈合系统的控制驱动装置 |
| CN106648654A (zh) * | 2016-12-20 | 2017-05-10 | 深圳先进技术研究院 | 一种数据感知的Spark配置参数自动优化方法 |
-
2017
- 2017-08-29 CN CN201710754426.XA patent/CN107390753B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107390753A (zh) | 2017-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107390753B (zh) | 基于物联网云平台的智能植物生长环境调节装置与方法 | |
| CN107390754B (zh) | 基于物联网云平台的智能植物生长环境调节系统与方法 | |
| CN106842923B (zh) | 基于作物生理和能耗优化的温室环境多因子协调控制方法 | |
| Chaudhary et al. | Application of wireless sensor networks for greenhouse parameter control in precision agriculture | |
| CN108614601B (zh) | 一种融合随机森林算法的设施光环境调控方法 | |
| CN111263920A (zh) | 用于控制作物的生长环境的系统和方法 | |
| Umamaheswari et al. | Integrating scheduled hydroponic system | |
| CN108874004A (zh) | 一种温室大棚作物种植环境物联网智能调控系统和方法 | |
| CN109242201A (zh) | 一种预测农作物产量的方法、装置及计算机可读存储介质 | |
| CN104121998B (zh) | 一种日光温室环境智能监控系统中的温度预警方法 | |
| CN102736596A (zh) | 基于作物信息融合的多尺度温室环境控制系统 | |
| CN107169621A (zh) | 一种水体溶解氧预测方法及装置 | |
| KR20180022159A (ko) | 기계학습을 이용한 양액제어장치 및 방법 | |
| WO2021007363A1 (en) | Irrigation control with deep reinforcement learning and smart scheduling | |
| CN103217905A (zh) | 一种设施农业温室大棚环境参数自适应控制方法 | |
| CN110472840A (zh) | 一种基于神经网络技术的农业水利调度方法及系统 | |
| WO2020199453A1 (zh) | 光照精准预测的苗床调度方法、系统及介质 | |
| CN110119176A (zh) | 一种基于土壤元素资源含量数据检测的农作物种植系统 | |
| CN106022501A (zh) | 一种基于气象数据的淡水养殖水质预测系统 | |
| CN109213240A (zh) | 一种基于自适应控制的草莓大棚无线监测与控制系统 | |
| CN113966680A (zh) | 一种植物补光方法、系统、装置、设备及存储介质 | |
| CN108600307A (zh) | 一种农业物联异构型网络互联互通方法 | |
| Valenzuela et al. | Pre-harvest factors optimization using genetic algorithm for lettuce | |
| CN115407735A (zh) | 一种基于数字孪生的植物工厂管理系统 | |
| Pimentel et al. | Optimization of vertical farms energy efficiency via multiperiodic graph-theoretical approach |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20191224 Address after: 221300 No. 1 Zhangjiagang East Road, Yitang Town, Pizhou City, Xuzhou City, Jiangsu Province Patentee after: Pizhou Binhe SME Management Service Co.,Ltd. Address before: 556000, No. 16, No. 2, building 01, F building, grand landscape, No. 32 Hualian Road, Kaili, Qiandongnan Miao and Dong Autonomous Prefecture, Guizhou Patentee before: GUIZHOU LANLINYANG ENVIRONMENTAL PROTECTION ENERGY TECHNOLOGY CO.,LTD. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20200121 Address after: 450000 No. 7, floor 4, unit 1, building 4, yard 152, Huayuan Road, Jinshui District, Zhengzhou City, Henan Province Patentee after: Henan Ruimin Technology Co.,Ltd. Address before: 221300 No. 1 Zhangjiagang East Road, Yitang Town, Pizhou City, Xuzhou City, Jiangsu Province Patentee before: Pizhou Binhe SME Management Service Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20241017 Address after: Room 709, 12th Floor, No. 28-1 Zhongguancun Street, Haidian District, Beijing 100048 Patentee after: Beijing Penglian Technology Co.,Ltd. Country or region after: China Address before: 450000 room 7, 4th floor, unit 1, building 4, courtyard 152, Huayuan Road, Jinshui District, Zhengzhou City, Henan Province Patentee before: Henan Ruimin Technology Co.,Ltd. Country or region before: China |