CN108388291A - 一种温室集群环境调控方法与系统 - Google Patents
一种温室集群环境调控方法与系统 Download PDFInfo
- Publication number
- CN108388291A CN108388291A CN201810045904.4A CN201810045904A CN108388291A CN 108388291 A CN108388291 A CN 108388291A CN 201810045904 A CN201810045904 A CN 201810045904A CN 108388291 A CN108388291 A CN 108388291A
- Authority
- CN
- China
- Prior art keywords
- weather
- greenhouse
- weather information
- sample
- environment
- 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
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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种温室集群环境调控方法与系统,所示方法包括:若根据给定气象预测模型预测到的外界环境气象信息的值在目标温室内作物的最佳生长环境范围内,则控制关闭所述目标温室内的动力环境调控机构,并使目标温室内环境与外界环境连通;其中,所述给定气象预测模型为预先基于所述目标温室所在温室集群的样本气象信息,利用神经网络算法构建而成的。进一步的,所述系统在包括温室环境调控模块3的基础上,还包括:实际气象信息采集模块1和气象信息预测模块2,温室环境调控模块3能够实现上述方法。本发明能够提供相对标准的气象环境参考,为温室内作物提供最佳生长环境,同时降低资源消耗,提高总体经济效益。
Description
技术领域
本发明涉及农业生产管理信息化技术领域,更具体地,涉及一种温室集群环境调控方法与系统。
背景技术
温室是利用玻璃、薄膜等材料建立而形成的与外界隔离的空间,是设施农业的重要组成部分,是现代化农业发展过程中的重要载体。这种在充分利用当地自然环境条件的基础上的设施农业,是通过温室内建有的各项设施的有效工作,改善作物生长环境或创造出更有利于生长室内气候环境的。
传统控制系统中,温室控制主要通过内部调控机构调节温室环境。常见的温室控制以单因子调控(一般针对温度进行调控)为主,主要通过温室内部的执行机构或者引入温室外部特定的气候条件对温室环境进行优化,例如通过调控机构进行调整,或通过通风窗等设备引入部分外部气候条件。
目前,智能算法越来越多地应用在温室控制中,温室的控制也由单因子控制转变为多因子控制。例如,将环境监测与环境设备结合起来,通过预设的算法进行温室环境的调控。该方法主要通过内部机构进行调节,外部气象对温室内部的环境影响不大。
但是,现有的温室环境控制系统和方法,依然很大程度上依赖于温室内调控机构对温室环境进行调节,资源消耗大,总体经济效益不好,且不利于植物的生长,进而影响对规模化温室的集中控制。
发明内容
为了克服上述问题或者至少部分地解决上述问题,本发明提供一种温室集群环境调控方法与系统,用以为温室内作物提供最佳生长环境,同时降低资源消耗,提高总体经济效益。
一方面,本发明提供一种温室集群环境调控方法,包括:若根据给定气象预测模型预测到的外界环境气象信息的值在目标温室内作物的最佳生长环境范围内,则控制关闭所述目标温室内的动力环境调控机构,并使目标温室内环境与外界环境连通;其中,所述给定气象预测模型为预先基于所述目标温室所在温室集群的样本气象信息,利用神经网络算法构建而成的。
其中,基于所述目标温室所在温室集群的样本环境信息,利用神经网络算法构建所述给定气象预测模型的步骤进一步包括:S1,获取所述动力环境调控机构在运行初始阶段所述温室集群的气象信息作为所述样本气象信息;S2,基于温室环境设定,利用神经网络算法,初始化气象预测模型;S3,以所述样本气象信息作为训练样本,训练初始化的所述气象预测模型,获取所述给定气象预测模型。
其中,所述S3的步骤进一步包括:S31,以所述样本气象信息中时间在前的数据作为网络输入样本、时间在后的对应数据作为期望网络输出样本,构成多个训练样本对和测试样本对;S32,逐个以所述多个训练样本对中的网络输入样本作为所述气象预测模型的输入,计算网络实际输出;S33,通过比较所述网络实际输出与所述期望网络输出样本的差值,逐步修正预测模型网络参数,直至所述差值小于或等于设定阈值,结束训练流程;S34,利用所述测试样本对对训练完成的气象预测模型进行测试,输出满足测试条件的对应神经网络模型作为所述给定气象预测模型。
进一步的,在所述S1的步骤之前,所述方法还包括:采集所述动力环境调控机构在运行初始阶段所述温室集群的多个不同类型原始气象信息,并对所述原始气象信息进行无效数据修复、无效数据清理和归一化预处理,获取预处理气象信息;相应的,所述S1的步骤进一步包括:获取所述预处理气象信息作为所述样本气象信息。
进一步的,所述方法还包括:获取所述温室集群的当前气象数据,并基于所述当前气象数据,利用所述给定气象预测模型预测外界环境气象信息。
进一步的,所述方法还包括:若根据所述温室集群中任一单体温室采集的原始气象信息的值超出设定标准,则对该单体温室对应的原始气象信息进行标定,并在根据所述温室集群的整体原始气象信息进一步判断该标定的原始气象信息异常时,进行传感器故障报警。
进一步的,所述方法还包括:若根据所述当前气象数据预测到的所述外界环境气象信息达到预设的恶劣天气气象阈值,则发出恶劣天气警报信号,并强制停止数据传输。
另一方面,本发明提供一种温室集群环境调控系统,包括:温室环境调控模块,用于若根据给定气象预测模型预测到的外界环境气象信息的值在目标温室内作物的最佳生长环境范围内,则控制关闭所述目标温室内的动力环境调控机构,并使目标温室内环境与外界环境连通;其中,所述给定气象预测模型为预先基于所述目标温室所在温室集群的样本气象信息,利用神经网络算法构建而成的。
进一步的,所述系统还包括:实际气象信息采集模块,用于实时采集所述动力环境调控机构运行过程中所述温室集群的样本气象信息和当前气象信息;气象信息预测模块,用于基于所述温室集群的样本气象信息,利用神经网络算法构建所述给定气象预测模型,并基于所述温室集群的当前气象信息,利用所述给定气象预测模型,预测外界环境气象信息。
其中,所述气象信息预测模块进一步包括:模型构建单元,用于:获取所述动力环境调控机构在运行初始阶段所述温室集群的气象信息作为所述样本气象信息;基于温室环境设定,利用神经网络算法,初始化气象预测模型;以所述样本气象信息作为训练样本,训练初始化的所述气象预测模型,获取所述给定气象预测模型;气象预测单元,用于基于所述温室集群的当前气象信息,利用所述给定气象预测模型,预测外界环境气象信息。
本发明提供的一种温室集群环境调控方法与系统,采用神经网络算法对气象环境进行预测,并根据预测结果合理利用大气环境为温室内作物提供所需的生长条件,能够提供相对标准的气象环境参考,为温室内作物提供最佳生长环境,同时降低资源消耗,提高总体经济效益。另外,数据采集系统实现自动化控制及自动监测,并能结合云服务器自行监测传感器的故障,降低了人力成本,且气象监测系统与温室集群管控系统分离,只通过网络进行通讯,可以方便进行更新升级。
附图说明
图1为本发明实施例一种利用神经网络算法构建气象预测模型的流程图;
图2为本发明实施例一种气象数据预处理流程图;
图3为本发明实施例一种气象预测模型的训练与测试流程图;
图4为本发明实施例一种气象预测模型的训练流程图;
图5为本发明实施例一种气象预测模型的测试流程图;
图6为本发明实施例一种温室集群环境调控系统的结构示意图;
图7为本发明实施例一种气象预测系统结构示意图;
图8为本发明实施例一种气象信息采集模块的结构示意图;
图9为本发明实施例一种温室集群环境调控系统中RS485串口电路的接线原理图;
图10为本发明实施例一种温室集群环境调控系统中处理器核心的通讯连接示意图;
图11为本发明实施例一种气象信息预测模块的结构示意图。
具体实施方式
为使本发明的目的、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的一部分实施例,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。
作为本发明实施例的一个方面,本实施例提供一种温室集群环境调控方法,包括:若根据给定气象预测模型预测到的外界环境气象信息的值在目标温室内作物的最佳生长环境范围内,则控制关闭所述目标温室内的动力环境调控机构,并使目标温室内环境与外界环境连通;其中,所述给定气象预测模型为预先基于所述目标温室所在温室集群的样本气象信息,利用神经网络算法构建而成的。
可以理解为,针对上述问题,考虑到气象环境的复杂性,本实施例事先通过采集与温室环境相关的气象信息,如温度、湿度、CO2浓度和光照强度等,构建气象预测模型,并基于该预测模型进行外界环境气象信息的预测。
其中,在进行外界环境气象信息的预测时,首先获取所述温室集群的当前气象数据,并基于所述当前气象数据,然后利用所述给定气象预测模型预测外界环境气象信息。
可以理解为,利用已知的气象数据进行气象的预测,采集系统采集数据,并将处理好的数据上传到云服务器端,云服务器端计算相应的输出,并将计算结果恢复为带单位的数据,发送给集群系统,为了保证发送过程的稳定性,采用TCP协议发送。
当预测的外界环境气象数据与要求的植物生长环境接近,能够满足温室作物生长发育的需求时,关闭温室内的调控机构,打开温室,使得温室与外界环境连通,从而实现对温室集群内目标温室的内部环境调控。
本发明实施例提供的一种温室集群环境调控方法,采用神经网络算法对气象环境进行预测,并根据预测结果合理利用大气环境为温室内作物提供所需的生长条件,能够提供相对标准的气象环境参考,为温室内作物提供最佳生长环境,同时降低资源消耗,提高总体经济效益,具有很好的工程应用价值。
其中可选的,基于所述目标温室所在温室集群的样本环境信息,利用神经网络算法构建所述给定气象预测模型的进一步处理步骤参考图1,为本发明实施例一种利用神经网络算法构建气象预测模型的流程图,包括:
S1,获取所述动力环境调控机构在运行初始阶段所述温室集群的气象信息作为所述样本气象信息;
S2,基于温室环境设定,利用神经网络算法,初始化气象预测模型;
S3,以所述样本气象信息作为训练样本,训练初始化的所述气象预测模型,获取所述给定气象预测模型。
可以理解为,在利用气象预测模型进行气象信息预测之前,先要根据对目标温室集群内历史气象信息进行采集,构建训练样本和测试样本;再利用这些训练样本和测试样本对根据气象变化规律和温室环境变化规律等,利用神经网络算法初始化构建的气象预测模型进行训练和测试。
对预测神经网络模型的初始化包括对网络的结构和参数的初始化,结构如采用何种神经网络结构,网络输入层、输出层节点的个数,隐含层层数以及每层隐含层节点个数等,网络参数主要设计网络权值的初始化。最后输出满足设定标准的网络模型,作为进行环境气象预测的给定气象预测模型。
即是说,神经网络控制是本发明的核心预测算法。神经网络需要一定的初始数据来进行训练,但是气象环境相对复杂,不同地方的数据不具备通用型,因此,本发明将数据的采集和训练放到了设备运行的初始阶段。
在数据采集阶段不进行神经网络的训练,设定采集次数为N,采集完成后再进行训练。
神经网络的输入和输出可以用两个一维向量表示,输入为t1时刻的温室环境信息,记为X=(x1,x2,...,xn,t1,t2)T,输出为t2时刻的环境信息,记为Y=(y1,y2,...,yn)T。输入包括了输入时刻和输出时刻,其作用在于,利用气象预测模型来基于t1时刻的环境信息预测t2的气候环境信息。
其中,在一个实施例中,每次调控前,需要将相应的输入和输出进行归一化处理,这里采用的是sigmoid函数进行归一化处理。
气象预测功能通过当前时刻的气候环境情况来预测下一时刻的气象环境情况。
为了方便计算,将每一天的时刻进行数字化处理,具体实现参照表1,为本发明实施例一种温室集群环境调控方法的时间数字化列表。
表1,为本发明实施例一种温室集群环境调控方法的时间数字化列表
名称 | 数字化信息 | 示例 |
月份 | 两位数字表示 | 9—〉09,12—〉12 |
日期 | 两位数字表示 | 8—〉08,27—〉27 |
小时 | 两位数字表示 | 7—〉07,23—〉23 |
分钟 | 两位数字表示 | 8—〉08,55—〉55 |
基于上述列表,可以得到一串数字,例如09081105,表示9月8日11时5分。
数字化主要用于时刻的表示,在每次训练时,都要基于当前的数字化,该数字比较大,因此不能采用sigmoid方法进行归一化。在一个实施例中,采用除最大值的方法,公式如下:
式中,y表示归一化后的计算结果,x表示归一化前的数值,xmax表示输入样本集中的最大值。
容易知道,数字化的最大值为1231235959,因此,上式中的xmax=1231235959,x为数字化的时间信息。
神经网络包括输入和输出,基于本发明实施例的设定,输入公式可以表示为下式:
X=(x1,x2,...,xn,t1,t2)T,
其中,t1表示输入的环境信息对应的时刻,t2表示要预测的信息所对应的时刻。
输出公式记为Y=(y1,y2,...,yn)T,输出公式不包含时间信息,只有预测值。
设定了预设公式之后,需要利用训练样本对神经网络进行训练。样本的划分需要按照一定的时间原则进行划分,以保证训练结果有足够的时间跨度,每一个时间点对应的数据都可以与其他时间对应的数据组成一个新的样本,实际上,时间跨度越长,预测结果准确率降低越多,在训练时要特别注意。
为了保证模型的准确性,一般可以设定一小时为预测时间,在实际的样本划分中,可以选定一个时间,每间隔一小时,取一组预测数据,与当前选定时刻对应的数据组成样本,选取完成后,再返回开头,间隔五分钟取下一个点,再重复前面的过程,直到所有的数据组都被划分到了样本里,样本划分完成后进行训练。
其中,在另一个实施例中,在所述S1的步骤之前,所述方法还包括:采集所述动力环境调控机构在运行初始阶段所述温室集群的多个不同类型原始气象信息,并对所述原始气象信息进行无效数据修复、无效数据清理和归一化预处理,获取预处理气象信息;
相应的,所述S1的步骤进一步包括:获取所述预处理气象信息作为所述样本气象信息。
可以理解为,进行预测模型的训练之前,先要根据调节设备运行过程数据准备训练样本和测试样本。具体需完成数据的采集和数据预处理流程。
首先进行数据的采集。数据采集通过传感器进行采集,每隔30s分钟进行一次数据采集,并标注该段数据采集的时间。
然后进行数据的预处理。参考图2,为本发明实施例一种气象数据预处理流程图。数据发送时,不能直接将采集到的数据发送给云服务器,必须先对数据进行清理,对不合格的数据进行删除或者修复。完成数据清理后,需要对数据进行整合,为了去掉数据的单位,采用归一化的方式,将所有数据都换算到(0,1)的范围内。
由于预测模型的建立和训练是在云服务器中进行的,所以对于预处理完成的数据还要上传到云服务器。具体在一个实施例中通过TCP协议,将数据上传到云服务器端,上传时间为每10min一次,上传数据为采集到的最新数据值。
其中可选的,所述S3的进一步处理步骤参考图3,为本发明实施例一种气象预测模型的训练与测试流程图,包括:
S31,以所述样本气象信息中时间在前的数据作为网络输入样本、时间在后的对应数据作为期望网络输出样本,构成多个训练样本对和测试样本对;
S32,逐个以所述多个训练样本对中的网络输入样本作为所述气象预测模型的输入,计算网络实际输出;
S33,通过比较所述网络实际输出与所述期望网络输出样本的差值,逐步修正预测模型网络参数,直至所述差值小于或等于设定阈值,结束训练流程;
S34,利用所述测试样本对对训练完成的气象预测模型进行测试,输出满足测试条件的对应神经网络模型作为所述给定气象预测模型。
可以理解为,本实施例根据采集的样本气象信息建立训练样本集和测试样本集,对构建的神经网络模型进行训练和测试,最终输出理想的气象预测模型。
参考图4,为本发明实施例一种气象预测模型的训练流程图。首先根据上述实施例完成训练样本数据和测试样本数据的采集,再对采集到的样本数据进行样本归一化处理,形成训练样本集和测试样本集。然后在利用训练样本集中的每个训练样本对构建的神经网络模型进行训练之前,判断训练样本集中的样本是否使用完毕,若是,则结束训练流程。否则,采用下一个样本继续训练神经网络模型,根据网络前向计算预测输出,并判断预测输出的误差率,若误差率大于给定阈值,则认为当前网络模型的预测精度还达不到理想标准。根据当前误差率,通过数据反向传播,修正网络参数,即更新网络权值和阈值,利用下一组训练样本,进入下一轮前向计算,如此循环迭代,直至误差率小于或等于给定阈值,结束训练流程。
参考图5,为本发明实施例一种气象预测模型的测试流程图,图中利用上述获取的测试样本对训练完成的网络模型进行测试。对训练完成的神经网络预测模型,逐个利用训练样本集中的训练样本对该预测模型进行测试。若测试结果满足设定标准,则认为建立的神经网络模型已经达到理想精度,即认为预测模型的预测准确率已经达到理想状态,则输出当前网络参数下的网络模型作为给定气象预测模型。
具体的,由于对样本气象信息的采集是在连续时间段内的离散时间点进行数据采集,采集的时间分先、后。通过寻找时间在后的气象数据与时间在先的气象数据的数量关系,建立二者变换模型,即为气象预测模型。
将时间在先的气象数据作为该预测模型的输入,由该预测模型运算的结果即可作为预测的气象数据。为了验证模型预测的准确性,用时间在后的气象数据,即数据采集时刻实际的气象数据与预测的结果进行比较,若二者只差在设定范围内,则说明预测准确率较高,可以用来根据当前气象数据对未来数据进行预测。
而对于根据经验初始化的预测模型,其预测准确率常常不会很高,达不到预设标准。因此先要对预测神经网络模型进行训练,并在训练完成后,用另外的数据,即测试样本进行测试,测试结果符合要求的神经网络模型才作为最终的气象预测模型。
因此,步骤S31中先根据采集到的设备运行初期温室集群中各单体温室内气象信息,建立网络训练样本和测试样本。
对于建立的每一对训练样本对,根据步骤S32,从第一对训练样本开始,以其中时间在先的样本数据为网络输入,通过正向运算,计算网络实际输出。然后根据步骤S33,比较网络实际输出与该训练样本对中时间在后的样本数据,若二者之差大于设定阈值,则认为当前网络模型的预测精度达不到要求。
然后数据反向传播修正网络参数,并用下一对训练样本对对修正参数后的网络模型按上述训练流程进行训练,如此循环迭代,直至网络模型的预测精度能够满足设定标准,认为预测模型训练完毕,输出训练结果模型。
最后根据步骤S34,按照网络训练的处理方法,用测试样本对训练好的预测模型进行测试,通过比较网络测试实际预测结果与测试样本中实际气象数据信息,判断预测精度,若预测精度达到设定标准,则认为训练好的网络模型预测准确性较高,则输出预测精度满足设定标准的网络模型作为给定气象预测模型。
在上述实施例的基础上,所述方法还包括:若根据所述温室集群中任一单体温室采集的原始气象信息的值超出设定标准,则对该单体温室对应的原始气象信息进行标定,并在根据所述温室集群的整体原始气象信息进一步判断该标定的原始气象信息异常时,进行传感器故障报警。
可以理解为,传感器的故障检测由处理器和云服务器共同完成,处理器内部设定有一定的标准,当传感器的数据超出预设标准时,处理器对该段数据进行标定,上传到云服务器中,云服务器识别标定信息,并对比其他处理器上传的对应信息,如果差距不大,则下发无误指令,如果存在一定的差距,则下发继续监测命令,并设定监测次数,如果每次都出现数据不合格的状况,则向集群系统发送传感器故障指令,提醒工作人员检查或者更换传感器。
在上述实施例的基础上,所述方法还包括:若根据所述当前气象数据预测到的所述外界环境气象信息达到预设的恶劣天气气象阈值,则发出恶劣天气警报信号,并强制停止数据传输。
可以理解为,气象预测模型根据温室的当前气象信息预测下一时刻环境气象信息。例如,可以通过采集系统每隔10s采集一次环境数据,在天气状况变化不大的情况下,采集系统按照预设的时间,每隔10min上传一次数据,出现恶劣天气时,采集系统强制进入紧急模式,立即向云服务器发送报警信号。
作为本发明实施例的另一个方面,本实施例提供一种温室集群环境调控系统,包括:温室环境调控模块,用于若根据给定气象预测模型预测到的外界环境气象信息的值在目标温室内作物的最佳生长环境范围内,则控制关闭所述目标温室内的动力环境调控机构,并使目标温室内环境与外界环境连通;其中,所述给定气象预测模型为预先基于所述目标温室所在温室集群的样本气象信息,利用神经网络算法构建而成的。
可以理解为,针对上述问题,考虑到气象环境的复杂性,本实施例事先利用相关功能模块,通过采集与温室环境相关的气象信息,如温度、湿度、CO2浓度和光照强度等,构建气象预测模型,并基于该预测模型进行外界环境气象信息的预测。
其中,相关功能模块在进行外界环境气象信息的预测时,首先获取所述温室集群的当前气象数据,并基于所述当前气象数据,然后利用所述给定气象预测模型预测外界环境气象信息。
可以理解为,利用已知的气象数据进行气象的预测,采集系统采集数据,并将处理好的数据上传到云服务器端,云服务器端计算相应的输出,并将计算结果恢复为带单位的数据,发送给集群系统,为了保证发送过程的稳定性,采用TCP协议发送。
当预测的外界环境气象数据与要求的植物生长环境接近,能够满足温室作物生长发育的需求时,温室环境调控模块控制关闭温室内的调控机构,打开温室,使得温室与外界环境连通,从而实现对温室集群内目标温室的内部环境调控。
本发明实施例提供的一种温室集群环境调控系统,通过设置温室环境调控模块,采用神经网络算法对气象环境进行预测,并根据预测结果合理利用大气环境为温室内作物提供所需的生长条件,能够提供相对标准的气象环境参考,为温室内作物提供最佳生长环境,同时降低资源消耗,提高总体经济效益,具有很好的工程应用价值。
进一步的,参考图6,为本发明实施例一种温室集群环境调控系统的结构示意图,在包括温室环境调控模块3的基础上,所述系统还包括:实际气象信息采集模块1和气象信息预测模块2。其中,
实际气象信息采集模块1用于实时采集所述动力环境调控机构运行过程中所述温室集群的样本气象信息和当前气象信息;
气象信息预测模块2用于基于所述温室集群的样本气象信息,利用神经网络算法构建所述给定气象预测模型,并基于所述温室集群的当前气象信息,利用所述给定气象预测模型,预测外界环境气象信息。
可以理解为,实际气象信息采集模块1和气象信息预测模块2是温室集群系统的下级,二者受温室集群系统的管理和监督。实际气象信息采集模块1主要承担气象数据采集,气象信息预测模块2负责气象预测的功能。实际气象信息采集模块1和气象信息预测模块2组成的气象预测系统结构如图7所示,为本发明实施例一种气象预测系统结构示意图,包括一个气象信息预测模块2和若干实际气象信息采集模块1。其中气象信息预测模块2可以是云服务器,实际气象信息采集模块1可以包括采集系统控制器和每个采集控制器对应的若干气象信息传感器。
实际气象信息采集模块1主要由传感器组成,包括CO2浓度传感器、温度传感器、湿度传感器和光照传感器等。当环境中存在多栋温室时,仅仅依靠一组设备无法完成对整个气象环境的监控,因此,需要依据温室布置的结构,将整个环境分割成数个区域,每一个区域内都要有相同的采集设备。
气象信息预测模块2以ARM-A7处理器为核心,Linux作为底层开发系统。该操作系统为开源系统,具有使用方便,易于深度开发的特点。气象信息预测模块2在硬件上主要由五部分组成,参考图8,为本发明实施例一种气象信息采集模块的结构示意图,包括:处理器核心11,电源模块12,LCD显示屏13,通讯模块14及继电器模块15。
其中,处理器核心11主要用于信息的处理,承担着运算和控制的任务。处理器核心11采用ARM处理器,具有耗电少,性能强大的特点。
电源模块12由两部分组成,一部分将220V的交流电转换为5V直流电,用于驱动继电器的动作,另一部分将5V直流转换为3.3V交流,给处理器供电。
LCD显示屏13采用触摸屏,主要用于现场设备调试及数据显示。
通讯模块14主要包括两部分,一部分是数据传感器与处理器核心11的通讯,另一部分是处理器核心11的网络通讯,包括有线通讯以及无线通讯。
其中,为了保证实际布线时传感器的距离不影响数值读取,在一个实施例中,处理器核心11采用RS485串口与传感器进行数据通讯。RS485模块采用SP3485芯片作为核心处理模块,该芯片耗电量低,数据读取稳定,可以在同一时间读取最多读取32个RS485接口的数据。RS485与处理器核心11的串口相连接。RS485串口电路的原理图如图9所示,为本发明实施例一种温室集群环境调控系统中RS485串口电路的接线原理图。
其中,参考图10,为本发明实施例一种温室集群环境调控系统中处理器核心的通讯连接示意图。其中,气候预测系统通过网络与温室集群系统通讯,网口模块采用LAN8720A。该模块耗电量低,且接口稳定,使用周期长,在一定的恶劣条件下也可以正常工作。
其中,WIFI模块用于外接其他无线通讯设备,WIFI模块采用ESP8266模块。该模块稳定性高,价格便宜,耗电量低的优点。网口模块与WIFI模块与处理器的串口相连接。
继电器模块15主要用于驱动LED灯或其他设备。在一个实施例中,预留8个DO口用于扩展外围设备。
气象预测系统从功能上可以分为三个部分,分别是数据采集功能,数据预处理功能以及通讯功能。
其中,数据采集功能体现在通过系统中安装在温室中的的各数据传感器实时采集温室气象环境数据。
其中,数据预处理功能通过软件实现。为了保证上传数据的准确性,需要对数据进行预处理,处理过程包括数据清理,数据整合两个过程。对采集到的数据,先基于一定的标准对数据进行筛选,对其中不符合要求或者重复的数据,进行删除或者修复,再将数据整合为统一标准的无单位数据格式,便于数据发送以及数据处理。
通讯功能负责数据的传输,数据采集系统通过无线网络将数据发送到云服务器端,为了保证通讯的可靠性与稳定性,采用TCP协议进行通讯。
根据上述的云服务器不需要搭建硬件设备,直接通过编写APP完成相应的功能。云服务器采用Linux系统,运行内存为8GB,云服务器编程语言为C语言。通过调用网络通讯函数,即可以在网络连接的情况下与采集系统通讯。
根据上述的云服务器实现三方面功能:神经网络算法功能、通讯功能及数据存储功能。
其中,神经网络算法功能包含训练及执行两部分,在云服务器端完成。不同的地点气象状态可能有所不同,因此不能用同一组数据进行训练。在一个实施例中,采用先采集后训练的方式进行神经网络的训练,在前期,传感器采集数据训练神经网络,在训练完成后,云服务器进行计算,下发计算结果。
通讯功能在APP内完成,直接调用相应的网络通讯模块即可。为了防止传输过程中连接时间过长的情况,在通讯模块中设置了定时,超过设定时间后,自动断开并等待下一次通讯。例如,当连接超时的次数超过3次后,提示工作人员网络故障。
通讯功能由两部分组成,分别是与采集系统的通讯和与集群系统的通讯。为了防止两部分通讯互相干扰,在正常状态下,两部分通讯系统分别在各自的线程内,当出现特殊情况需要手动干预时,可以在集群系统中,通过集群系统直接管理数据采集系统,云服务器不再参与操作。
其中,在一个实施例中,神经网络训练完成,集群系统可以通过网络直接查询相应的参数及预测结果。
数据存储功能用来存储上传的数据,数据库模块采用oracle数据库进行存储。在一个实施例中,数据库的存储表格如表2所示,为本发明实施例一种温室集群环境调控系统中数据库信息存储表。设置有上限50万条数据,当采集数目超过预设条数时,依次删除最早存储的数据。
表2,为本发明实施例一种温室集群环境调控系统中数据库信息存储表
编号 | 光照强度 | CO2浓度 | 温度 | 湿度 | 采集时间 | 采集设备编号 |
1 | xx | xx | xx | xx | xxxx/xx/xx | xx |
2 | xx | xx | xx | xx | xxxx/xx/xx | xx |
3 | xx | xx | xx | xx | xxxx/xx/xx | xx |
4 | xx | xx | xx | xx | xxxx/xx/xx | xx |
5 | xx | xx | xx | xx | xxxx/xx/xx | xx |
6 | xx | xx | xx | xx | xxxx/xx/xx | xx |
7 | xx | xx | xx | xx | xxxx/xx/xx | xx |
8 | xx | xx | xx | xx | xxxx/xx/xx | xx |
9 | xx | xx | xx | xx | xxxx/xx/xx | xx |
10 | xx | xx | xx | xx | xxxx/xx/xx | xx |
11 | xx | xx | xx | xx | xxxx/xx/xx | xx |
12 | xx | xx | xx | xx | xxxx/xx/xx | xx |
其中,在一个实施例中,气象信息预测模块2的进一步结构参考图11,为本发明实施例一种气象信息预测模块的结构示意图,包括:模型构建单元21和气象预测单元22。其中,
模型构建单元21用于实现以下处理流程:
获取所述动力环境调控机构在运行初始阶段所述温室集群的气象信息作为所述样本气象信息;
基于温室环境设定,利用神经网络算法,初始化气象预测模型;
以所述样本气象信息作为训练样本,训练初始化的所述气象预测模型,获取所述给定气象预测模型。
气象预测单元22用于基于所述温室集群的当前气象信息,利用所述给定气象预测模型,预测外界环境气象信息。
可以理解为,气象信息预测模块2具体至少包括模型构建单元21和气象预测单元22两个功能单元。其中,模型构建单元21负责预测模型的构建,包括网络模型的初始化与训练、测试。其中,气象预测单元22负责根据温室集群的当前气象信息预测外界环境气象信息。
在利用气象预测模型进行气象信息预测之前,模型构建单元21先要根据对目标温室集群内历史气象信息进行采集,构建训练样本和测试样本。然后模型构建单元21利用这些训练样本和测试样本对根据气象变化规律和温室环境变化规律等,利用神经网络算法初始化构建的气象预测模型进行训练和测试。
其中,对预测神经网络模型的初始化包括对网络的结构和参数的初始化,结构如采用何种神经网络结构,网络输入层、输出层节点的个数,隐含层层数以及每层隐含层节点个数等,网络参数主要设计网络权值等。
最后,模型构建单元21输出满足设定标准的网络模型,作为进行环境气象预测的给定气象预测模型。
在根据模型构建单元21完成预测模型的初始化、训练和测试流程之后,输出理想的气象预测模型。气象预测单元22根据温室集群内传感器采集的当前气象信息,利用该理想的气象预测模型,预测外界气象环境信息,以供温室集群环境调控系统根据该预测结果决策目标温室的环境控制策略。
本发明实施例提供的一种温室集群环境调控系统,与大型温室集群系统协同工作,将预测信息发送给温室集群系统,通过集群系统下发到各温室的控制器。本发明无需人工操作、实用性强,满足和适应现代化设施农业的需要,可以创造良好的经济效益,具有工程应用价值。另外,数据采集系统实现自动化控制及自动监测,并能结合云服务器自行监测传感器的故障,降低了人力成本,且气象监测系统与温室集群管控系统分离,只通过网络进行通讯,可以方便进行更新升级。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种温室集群环境调控方法,其特征在于,包括:若根据给定气象预测模型预测到的外界环境气象信息的值在目标温室内作物的最佳生长环境范围内,则控制关闭所述目标温室内的动力环境调控机构,并使目标温室内环境与外界环境连通;其中,所述给定气象预测模型为预先基于所述目标温室所在温室集群的样本气象信息,利用神经网络算法构建而成的。
2.根据权利要求1所述的方法,其特征在于,基于所述目标温室所在温室集群的样本环境信息,利用神经网络算法构建所述给定气象预测模型的步骤进一步包括:
S1,获取所述动力环境调控机构在运行初始阶段所述温室集群的气象信息作为所述样本气象信息;
S2,基于温室环境设定,利用神经网络算法,初始化气象预测模型;
S3,以所述样本气象信息作为训练样本,训练初始化的所述气象预测模型,获取所述给定气象预测模型。
3.根据权利要求2所述的方法,其特征在于,所述S3的步骤进一步包括:
S31,以所述样本气象信息中时间在前的数据作为网络输入样本、时间在后的对应数据作为期望网络输出样本,构成多个训练样本对和测试样本对;
S32,逐个以所述多个训练样本对中的网络输入样本作为所述气象预测模型的输入,计算网络实际输出;
S33,通过比较所述网络实际输出与所述期望网络输出样本的差值,逐步修正预测模型网络参数,直至所述差值小于或等于设定阈值,结束训练流程;
S34,利用所述测试样本对对训练完成的气象预测模型进行测试,输出满足测试条件的对应神经网络模型作为所述给定气象预测模型。
4.根据权利要求2或3所述的方法,其特征在于,在所述S1的步骤之前,还包括:
采集所述动力环境调控机构在运行初始阶段所述温室集群的多个不同类型原始气象信息,并对所述原始气象信息进行无效数据修复、无效数据清理和归一化预处理,获取预处理气象信息;
相应的,所述S1的步骤进一步包括:获取所述预处理气象信息作为所述样本气象信息。
5.根据权利要求1所述的方法,其特征在于,还包括:获取所述温室集群的当前气象数据,并基于所述当前气象数据,利用所述给定气象预测模型预测外界环境气象信息。
6.根据权利要求5所述的方法,其特征在于,还包括:若根据所述温室集群中任一单体温室采集的原始气象信息的值超出设定标准,则对该单体温室对应的原始气象信息进行标定,并在根据所述温室集群的整体原始气象信息进一步判断该标定的原始气象信息异常时,进行传感器故障报警。
7.根据权利要求5或6所述的方法,其特征在于,还包括:若根据所述当前气象数据预测到的所述外界环境气象信息达到预设的恶劣天气气象阈值,则发出恶劣天气警报信号,并强制停止数据传输。
8.一种温室集群环境调控系统,其特征在于,包括:
温室环境调控模块,用于若根据给定气象预测模型预测到的外界环境气象信息的值在目标温室内作物的最佳生长环境范围内,则控制关闭所述目标温室内的动力环境调控机构,并使目标温室内环境与外界环境连通;其中,所述给定气象预测模型为预先基于所述目标温室所在温室集群的样本气象信息,利用神经网络算法构建而成的。
9.根据权利要求8所述的系统,其特征在于,还包括:
实际气象信息采集模块,用于实时采集所述动力环境调控机构运行过程中所述温室集群的样本气象信息和当前气象信息;
气象信息预测模块,用于基于所述温室集群的样本气象信息,利用神经网络算法构建所述给定气象预测模型,并基于所述温室集群的当前气象信息,利用所述给定气象预测模型,预测外界环境气象信息。
10.根据权利要求9所述的系统,其特征在于,所述气象信息预测模块进一步包括:
模型构建单元,用于:
获取所述动力环境调控机构在运行初始阶段所述温室集群的气象信息作为所述样本气象信息;
基于温室环境设定,利用神经网络算法,初始化气象预测模型;
以所述样本气象信息作为训练样本,训练初始化的所述气象预测模型,获取所述给定气象预测模型;
气象预测单元,用于基于所述温室集群的当前气象信息,利用所述给定气象预测模型,预测外界环境气象信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045904.4A CN108388291A (zh) | 2018-01-17 | 2018-01-17 | 一种温室集群环境调控方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810045904.4A CN108388291A (zh) | 2018-01-17 | 2018-01-17 | 一种温室集群环境调控方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108388291A true CN108388291A (zh) | 2018-08-10 |
Family
ID=63077110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810045904.4A Pending CN108388291A (zh) | 2018-01-17 | 2018-01-17 | 一种温室集群环境调控方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108388291A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035853A (zh) * | 2018-08-16 | 2018-12-18 | 安徽超清科技股份有限公司 | 基于视频结构化的城市泊车诱导系统 |
CN109447716A (zh) * | 2018-11-09 | 2019-03-08 | 四川长虹电器股份有限公司 | 基于循环神经网络的销量预测方法及服务器 |
CN109491289A (zh) * | 2018-11-15 | 2019-03-19 | 国家计算机网络与信息安全管理中心 | 一种用于数据中心动力环境监控的动态预警方法及装置 |
CN109657730A (zh) * | 2018-12-27 | 2019-04-19 | 中国农业大学 | 预测温室作物蒸腾量的方法及系统 |
CN110555524A (zh) * | 2019-07-24 | 2019-12-10 | 特斯联(北京)科技有限公司 | 基于室内环境监测的训练样本数据获取方法及装置 |
CN111524023A (zh) * | 2020-04-07 | 2020-08-11 | 中国农业大学 | 温室调节方法及系统 |
CN112527037A (zh) * | 2020-12-24 | 2021-03-19 | 江苏省农业科学院 | 一种具有环境因子预测功能的温室环境调控方法和系统 |
CN114326880A (zh) * | 2021-12-29 | 2022-04-12 | 山东华丰数字科技有限公司 | 一种用于温室大棚的设备智能控制方法及系统 |
CN114637351A (zh) * | 2022-03-14 | 2022-06-17 | 江西省农业科学院园艺研究所 | 一种设施作物温室环境调控方法及系统 |
CN115034136A (zh) * | 2022-06-16 | 2022-09-09 | 深圳市安帕尔科技有限公司 | 一种环境监测方法、系统、终端设备及存储介质 |
CN116679774A (zh) * | 2023-06-06 | 2023-09-01 | 上海华维可控农业科技集团股份有限公司 | 一种基于物联网的低功耗水体智能调控系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0740256A2 (en) * | 1994-05-03 | 1996-10-30 | Yamatake-Honeywell Co. Ltd. | Building management set value decision support apparatus, set value learning apparatus, set value determining apparatus, and neural network operation apparatus |
CN202494915U (zh) * | 2012-03-21 | 2012-10-17 | 常州工学院 | 一种温室环境监控系统 |
CN103235620A (zh) * | 2013-04-19 | 2013-08-07 | 河北农业大学 | 基于全局变量预测模型的温室环境智能控制方法 |
CN103744369A (zh) * | 2013-12-23 | 2014-04-23 | 苏州亚安智能科技有限公司 | 一种实现智能管理农作物监控平台的方法 |
CN104121998A (zh) * | 2014-06-24 | 2014-10-29 | 中国农业大学 | 一种日光温室环境智能监控系统中的温度预警方法 |
CN104200282A (zh) * | 2014-08-26 | 2014-12-10 | 南京信息工程大学 | 一种设施农业环境因子快速预测方法 |
CN105571064A (zh) * | 2015-12-30 | 2016-05-11 | 深圳达实智能股份有限公司 | 一种预测气象数据的方法及系统 |
CN106707757A (zh) * | 2017-01-23 | 2017-05-24 | 中国农业大学 | 一种灌水时间动态调控方法及其系统 |
CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉系统及方法 |
-
2018
- 2018-01-17 CN CN201810045904.4A patent/CN108388291A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0740256A2 (en) * | 1994-05-03 | 1996-10-30 | Yamatake-Honeywell Co. Ltd. | Building management set value decision support apparatus, set value learning apparatus, set value determining apparatus, and neural network operation apparatus |
CN202494915U (zh) * | 2012-03-21 | 2012-10-17 | 常州工学院 | 一种温室环境监控系统 |
CN103235620A (zh) * | 2013-04-19 | 2013-08-07 | 河北农业大学 | 基于全局变量预测模型的温室环境智能控制方法 |
CN103744369A (zh) * | 2013-12-23 | 2014-04-23 | 苏州亚安智能科技有限公司 | 一种实现智能管理农作物监控平台的方法 |
CN104121998A (zh) * | 2014-06-24 | 2014-10-29 | 中国农业大学 | 一种日光温室环境智能监控系统中的温度预警方法 |
CN104200282A (zh) * | 2014-08-26 | 2014-12-10 | 南京信息工程大学 | 一种设施农业环境因子快速预测方法 |
CN105571064A (zh) * | 2015-12-30 | 2016-05-11 | 深圳达实智能股份有限公司 | 一种预测气象数据的方法及系统 |
CN106707757A (zh) * | 2017-01-23 | 2017-05-24 | 中国农业大学 | 一种灌水时间动态调控方法及其系统 |
CN108781926A (zh) * | 2018-06-14 | 2018-11-13 | 淮安信息职业技术学院 | 基于神经网络预测的大棚灌溉系统及方法 |
Non-Patent Citations (1)
Title |
---|
姜万录 等: "《基于混沌和小波的故障信息诊断》", 31 August 2005 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109035853A (zh) * | 2018-08-16 | 2018-12-18 | 安徽超清科技股份有限公司 | 基于视频结构化的城市泊车诱导系统 |
CN109447716A (zh) * | 2018-11-09 | 2019-03-08 | 四川长虹电器股份有限公司 | 基于循环神经网络的销量预测方法及服务器 |
CN109491289A (zh) * | 2018-11-15 | 2019-03-19 | 国家计算机网络与信息安全管理中心 | 一种用于数据中心动力环境监控的动态预警方法及装置 |
CN109657730A (zh) * | 2018-12-27 | 2019-04-19 | 中国农业大学 | 预测温室作物蒸腾量的方法及系统 |
CN110555524A (zh) * | 2019-07-24 | 2019-12-10 | 特斯联(北京)科技有限公司 | 基于室内环境监测的训练样本数据获取方法及装置 |
CN111524023A (zh) * | 2020-04-07 | 2020-08-11 | 中国农业大学 | 温室调节方法及系统 |
CN112527037A (zh) * | 2020-12-24 | 2021-03-19 | 江苏省农业科学院 | 一种具有环境因子预测功能的温室环境调控方法和系统 |
CN112527037B (zh) * | 2020-12-24 | 2022-02-08 | 江苏省农业科学院 | 一种具有环境因子预测功能的温室环境调控方法和系统 |
CN114326880A (zh) * | 2021-12-29 | 2022-04-12 | 山东华丰数字科技有限公司 | 一种用于温室大棚的设备智能控制方法及系统 |
CN114326880B (zh) * | 2021-12-29 | 2023-06-27 | 山东华丰数字科技有限公司 | 一种用于温室大棚的设备智能控制方法及系统 |
CN114637351A (zh) * | 2022-03-14 | 2022-06-17 | 江西省农业科学院园艺研究所 | 一种设施作物温室环境调控方法及系统 |
CN115034136A (zh) * | 2022-06-16 | 2022-09-09 | 深圳市安帕尔科技有限公司 | 一种环境监测方法、系统、终端设备及存储介质 |
CN116679774A (zh) * | 2023-06-06 | 2023-09-01 | 上海华维可控农业科技集团股份有限公司 | 一种基于物联网的低功耗水体智能调控系统及方法 |
CN116679774B (zh) * | 2023-06-06 | 2024-01-30 | 上海华维可控农业科技集团股份有限公司 | 一种基于物联网的低功耗水体智能调控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108388291A (zh) | 一种温室集群环境调控方法与系统 | |
CN104077725B (zh) | 马铃薯种植物联网监测、控制及信息服务云平台综合系统 | |
CN107318534B (zh) | 一种具有温度预测功能的日光温室卷帘机智能控温方法和系统 | |
CN201622464U (zh) | 基于plc技术的农林虫情自动监测预防系统 | |
CN103605385B (zh) | 一种用于日光温室的co2气肥精细调控方法 | |
CN107678410A (zh) | 一种面向温室环境的智能控制方法、系统与控制器 | |
CN213092145U (zh) | 一种植物生长智能管理测控系统 | |
CN105843147A (zh) | 一种智慧农业监控管理系统 | |
CN103763516A (zh) | 一种基于物联网高清摄像一体化网关的畜牧养殖智能管理系统 | |
CN103907571B (zh) | 一种基于物联网的蚕室催青控制方法及系统 | |
CN110741914A (zh) | 一种基于循环神经网络的稻田自动化节水灌溉系统及方法 | |
CN115220506B (zh) | 一种基于物联网终端的多点源冷暖控制系统 | |
CN112596392A (zh) | 基于大数据的猪舍环境控制器参数自动配置及优化方法 | |
CN110378586B (zh) | 基于动态闭环知识管理的变电设备缺陷预警方法及系统 | |
CN116258238A (zh) | 一种基于物联网的农作物管理系统 | |
CN115292753A (zh) | 一种基于区块链的农业大棚数据溯源与管理方法 | |
CN115685862A (zh) | 一种基于边缘计算的智慧农业检测系统 | |
CN110268891A (zh) | 一种基于低温胁迫的卷帘机智能控制方法 | |
CN111026205A (zh) | 一种基于物联网技术的智慧小蚕共育系统 | |
CN212208065U (zh) | 一种基于bim可视化的温室环境监控装置 | |
CN109725620A (zh) | 一种基于即插即用设备的大棚控制系统 | |
CN105259958A (zh) | 温室大棚环境因子智能监控系统 | |
CN106818538B (zh) | 一种鸡舍环境监控系统 | |
CN115442405A (zh) | 一种智慧农业生产管理服务系统 | |
Zhang et al. | A reliable data-driven control method for planting temperature in smart agricultural systems |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180810 |