CN108694444A - 一种基于智能数据采集与云服务技术的植物培育方法 - Google Patents

一种基于智能数据采集与云服务技术的植物培育方法 Download PDF

Info

Publication number
CN108694444A
CN108694444A CN201810458680.XA CN201810458680A CN108694444A CN 108694444 A CN108694444 A CN 108694444A CN 201810458680 A CN201810458680 A CN 201810458680A CN 108694444 A CN108694444 A CN 108694444A
Authority
CN
China
Prior art keywords
plant
particle
cloud service
data acquisition
method based
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
Application number
CN201810458680.XA
Other languages
English (en)
Inventor
张志亮
管雪姿
乔榆玎
李家庆
向明刚
李太福
周伟
段棠少
尹蝶
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Feng Ming Shan Middle School
Chongqing University of Science and Technology
Original Assignee
Chongqing Feng Ming Shan Middle School
Chongqing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Feng Ming Shan Middle School, Chongqing University of Science and Technology filed Critical Chongqing Feng Ming Shan Middle School
Priority to CN201810458680.XA priority Critical patent/CN108694444A/zh
Publication of CN108694444A publication Critical patent/CN108694444A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G22/00—Cultivation of specific crops or plants not otherwise provided for

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Botany (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于智能数据采集与云服务技术的植物培育方法。包括：S1、采集植物生长指标、浇水量、施肥量、施肥类型，构成影响因素矩阵X，并上传至云服务器，其中决策变量为浇水量、施肥量、施肥类型；S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型；S3、利用MOPSO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解以及该最优解对应的植物健康指数；S4、利用S3中模型对实时数据进行预测得到推荐决策X*，并将X*下发至用户终端，在用户界面显示推荐最优的浇水量、施肥量、施肥类型，用户通过用户终端远程操作设备控制传感器完成自动浇水、施肥。

Description

一种基于智能数据采集与云服务技术的植物培育方法
技术领域
本发明涉及智能植物养培领域，具体涉及一种基于智能数据采集与云服务技术的植物培育方法。
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
本发明针对现有植物养培过程中因缺乏养培经验，无法掌控最优的养培方案而导致的营养不良或枯萎的问题，提供一种基于智能数据采集与云服务技术的植物培育方法。
本发明的目的是这样实现的：
一种基于智能数据采集与云服务技术的植物培育方法，包括如下步骤：
S1、采集植物生长指标、浇水量、施肥量、施肥类型，构成影响因素矩阵X，并上传至云服务器，其中决策变量为浇水量、施肥量、施肥类型；
S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型；
S3、利用MOPSO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解以及该最优解对应的植物健康指数；
S4、利用S3中模型对实时数据进行预测得到推荐决策X*，并将X*下发至用户终端，在用户界面显示推荐最优的浇水量、施肥量、施肥类型，用户通过用户终端远程操作完成自动浇水、施肥。
优选地，用户通过用户终端远程操作设备控制传感器完成自动浇水、施肥。所述设备采用现有的植物自动浇水、施肥设备，设备上具有控制浇水、施肥的控制传感器。所述设备同时能将浇水量、施肥量、施肥类型转换成数字信号并上传至云服务器。
优选地，S1中，所述植物生长指标包括：植物种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度。
优选地，所述植物生长指标中的植物种类、生长时期由用户输入并上传至云服务器，植物生长指标中的土壤湿度、土壤pH值、光照强度、环境温度、环境湿度由传感器测量并上传至云服务器。
优选地，传感器测量方法为：包括传感器模块、采样电路，所述传感器模块包括温度传感器、湿度传感器、pH值传感器和光照强度传感器，用于采集植物生长指标中的土壤湿度、土壤pH值、光照强度、环境温度、环境湿度；所述采样电路与传感器模块连接，将传感器模块采集到的植物生长指标及浇水量、施肥类型转换成数字信号并上传至云服务器。
优选地，S2中，综合植物养培用户和专家经验，确定植物的健康指数。
S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型；
优选地，S2中，利用Elman神经网络建立的植物培育模型中，
Xk＝[xk1,xk2,…,xkM](k＝1,2,…,S)为输入矢量，S为训练样本个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出；
建立植物培育模型包括如下步骤：
S21、初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)、WJC(0)一个(0,1)区间的随机值；
S22、随机输入样本Xk；
S23、对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；
S24、根据期望输出dk和实际输出Yk(g)，计算误差E(g)；
S25、判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；
S26、判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；
S27、对输入样本Xk反向计算每层神经元的局部梯度δ；
S28、计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；
S29、判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。
优选地，其特征在于，S3中，利用MOPSO算法对植物培育模型进行优化的方法包括以下步骤：
S31、评价每个粒子的适应度，并根据优劣对个体最优值和全局最优值进行替换：
S32、初始化系统参数，包括种群规模R，最大迭代次数T，随机生成n个粒子x1,x2，…,xn，加速因子c1、c2，其中c1为粒子向个体极值移动的加速权重，c2为粒子向全局最优值移动的加速权重，令外部存档集Q为空；
S33、计算初始适应度，衡量粒子在当前位置的优化程度；
S34、将每个粒子当前适应度pi和个体最优适应度进行比较，若当前适应度pi支配个体最优适应度则将当前适应度pi代替个体最优适应度否则，保留原有的个体最优适应度
S35、更新外部存档集Q，将种群中所有的非支配集加入存档集Q，删除被支配的粒子；
S36、利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个粒子作为全局最优值；
S37、更新粒子自身的速度和位置，其中粒子速度更新公式为：
粒子的位置更新公式为：
S38：判断当前全局最优解是否满足条件或者迭代次数是否达到最大迭代次数T，如果是，则输出当前全局最优解，否则，跳转至步骤S33进行重复计算，直到当前全局最优解满足条件或者迭代次数达到最大迭代次数T。
优选地，S1中，还需采集植物图像，植物图像的采集方法为：包括视频模块，所述视频模块通过摄像头采集植物在当前时刻的枝叶特征，并将图像信息转换成数字信号并上传至云服务器。
优选地，S4中，用户可以在移动终端上打开智能植物养培界面，界面显示该植物信息，所述植物信息包括植物图像、当前植物健康指数，用户可在界面设置理想的植物健康指数，由云服务器下发推荐浇水量、施肥量、施肥类型。
由于采用了上述技术方案，本发明具有如下有益效果：
本发明确定了植物培育浇水量、施肥量以及施肥类型的最优值，让用户随时随地都能了解植物当前状况，实现远程自动浇水、施肥。本发明利用Elman神经网络构建植物养培模型，Elman神经网络对于非线性系统的建模精度高，非常适合植物培育模型的建立。利用MOPSO算法优化植物培育模型，该算法不需要进行交叉、变异操作，因此编码过程简单，更新过程最优值记忆完整。将模型输出的浇水量、施肥量、施肥类型即时反馈给用户，为大数据时代的智能植物培育提供了一种新的思路。
附图说明
图1为本发明的方法框架图；
图2为用户界面示意图；
图3为健康指标预测结果图；
图4为健康指标预测误差图
图5为饥饿(缺水)程度预测结果图；
图6为饥饿(缺水)程度预测误差图。
具体实施方式
本申请实施通过提供一种基于智能数据采集与云服务技术的植物培育方法，以解决现有技术中植物培育过程中因无法为植物提供良好的浇水量、施肥量和施肥类型而导致的植物健康问题。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。
实施例
如图1所示，一种基于智能数据采集与云服务技术的植物培育方法，包括如下步骤：
S1：利用植物智能传感器等硬件采集植物各项环境指标、植物图像、浇水量、施肥量、施肥类型，并构成影响因素矩阵X上传至云服务器，其中决策变量为浇水量、施肥量、施肥类型。
通过对绿罗的生理指标进行统计得到对健康程度y1、缺水量y2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、图像x7、浇水量x8、施肥量x9、施肥类型x10、环境湿度x11共10变量，所有样本数据某绿罗日常生活的数据。
S2：采集时间T内的输入变量X及其对应的健康指数、缺水程度的样本，得到样本矩阵，利用神经网络进行训练、检验，建立植物培育模型；
设置Xk＝[xk1,xk2,…,xkM](k＝1,2,…,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，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量Yk(g)＝[yk1(g),yk2(g),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出，迭代次数g取500；
步骤S2中建立植物生长过程模型具体包括如下步骤：
S21：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)WJC(0)一个(0,1)区间的随机值；
S22：随机输入样本Xk；
S23：对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；
S24：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；
S25：判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；
S26：判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；
S27：对输入样本Xk反向计算每层神经元的局部梯度δ；
S28：计算权值修正量ΔW，并修正权值，计算公式为：ΔWij＝η·δij·aj，Wij(g+1)＝Wij(g)+ΔWij(g)，式中，η为学习效率；令g＝g+1，跳转至步骤S23；
S29：判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。
在神经网络设计中，隐层节点数的多少是决定神经网络模型好坏的关键，也是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。神经网络的设置参数如下表2所示。
表2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3、4、5、6所示。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3、4、5、6分析可知，健康指数预最大测误差为3.1％，缺水程度最大预测误差为-3.2％，模型预测精度高，满足建模要求。
步骤S3中利用MOPSO算法对植物培育模型进行优化的具体方法包括以下步骤：
S31：评价每个粒子的适应度，并根据优劣对个体最优值和全局最优值进行替换：
S32：初始化系统参数，包括种群规模R，最大迭代次数T，随机生成n个粒子x1,x2，…,xn，加速因子c1、c2，其中c1为粒子向个体极值移动的加速权重，c2为粒子向全局最优值移动的加速权重，令外部存档集Q为空；
S33：计算初始适应度，衡量粒子在当前位置的优化程度；
S34：将每个粒子当前适应度pi和个体最优适应度进行比较，若当前适应度pi支配个体最优适应度则将当前适应度pi代替个体最优适应度否则，保留原有的个体最优适应度
S35：更新外部存档集Q，将种群中所有的非支配集加入存档集Q，删除被支配的粒子；
S36：利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个粒子作为全局最优值；
S37更新粒子自身的速度和位置，其中粒子速度更新公式为：
粒子的位置更新公式为：
S38：判断当前全局最优解是否满足条件或者迭代次数是否达到最大迭代次数T，如果是，则输出当前全局最优解，否则，跳转至步骤S33进行重复计算，直到当前全局最优解满足条件或者迭代次数达到最大迭代次数T。
传感器每2小时采集一次数据上传至云服务器，云服务器接数据并通过模型给出当前推荐浇水量、施肥量、施肥类型分别为28、1、3.5。
本申请的上述实施例中，通过提供一种基于云服务的植物健康度评估与智能培育推荐方法，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云服务器进行存储，利用MOEA/D算法建立植物培育模型,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，用户可根据推荐策略和自身经验决定植物的浇水量、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。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (9)

1.一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，包括如下步骤：
S1、采集植物生长指标、浇水量、施肥量、施肥类型，构成影响因素矩阵X，并上传至云服务器，其中决策变量为浇水量、施肥量、施肥类型；
S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型；
S3、利用MOPSO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解以及该最优解对应的植物健康指数；
S4、利用S3中模型对实时数据进行预测得到推荐决策X*，并将X*下发至用户终端，在用户界面显示推荐最优的浇水量、施肥量、施肥类型，用户通过用户终端远程操作完成自动浇水、施肥。
2.根据权利要求1所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，S1中，所述植物生长指标包括：植物种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度。
3.根据权利要求2所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，所述植物生长指标中的植物种类、生长时期由用户输入并上传至云服务器，植物生长指标中的土壤湿度、土壤pH值、光照强度、环境温度、环境湿度由传感器测量并上传至云服务器。
4.根据权利要求3所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，传感器测量方法为：包括传感器模块、采样电路，所述传感器模块包括温度传感器、湿度传感器、pH值传感器和光照强度传感器，用于采集植物生长指标中的土壤湿度、土壤pH值、光照强度、环境温度、环境湿度；所述采样电路与传感器模块连接，将传感器模块采集到的植物生长指标及浇水量、施肥类型转换成数字信号并上传至云服务器。
5.根据权利要求1所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，S2中，综合植物养培用户和专家经验，确定植物的健康指数。
S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型。
6.根据权利要求1所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，S2中，利用Elman神经网络建立的植物培育模型中，
Xk＝[xk1,xk2,…,xkM](k＝1,2,…,S)为输入矢量，S为训练样本个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出；
建立植物培育模型包括如下步骤：
S21、初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)、WJC(0)一个(0,1)区间的随机值；
S22、随机输入样本Xk；
S23、对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；
S24、根据期望输出dk和实际输出Yk(g)，计算误差E(g)；
S25、判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；
S26、判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；
S27、对输入样本Xk反向计算每层神经元的局部梯度δ；
S28、计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；
S29、判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。
7.根据权利要求6所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，S3中，利用MOPSO算法对植物培育模型进行优化的方法包括以下步骤：
S31、评价每个粒子的适应度，并根据优劣对个体最优值和全局最优值进行替换：
S32、初始化系统参数，包括种群规模R，最大迭代次数T，随机生成n个粒子x1,x2，…,xn，加速因子c1、c2，其中c1为粒子向个体极值移动的加速权重，c2为粒子向全局最优值移动的加速权重，令外部存档集Q为空；
S33、计算初始适应度，衡量粒子在当前位置的优化程度；
S34、将每个粒子当前适应度pi和个体最优适应度进行比较，若当前适应度pi支配个体最优适应度则将当前适应度pi代替个体最优适应度否则，保留原有的个体最优适应度
S35、更新外部存档集Q，将种群中所有的非支配集加入存档集Q，删除被支配的粒子；
S36、利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个粒子作为全局最优值；
S37、更新粒子自身的速度和位置，其中粒子速度更新公式为：
式中，为k+1时刻第i个粒子的第d维的速度，h为粒子速度的约束因子，有利于减小振荡，且c'＝c1+c2，w为限制历史速度的惯性因子，w越大，粒子速度越快，有利于跳出局部最小点，w越小，搜索范围越小，有利于算法的收敛，为k时刻第i个粒子的第d维的速度，c1为粒子向个体极值移动的加速权重，c2为粒子向全局最优值移动的加速权重，r1、r2为均匀分布在(0,1)区间的随机数，为k时刻第i个粒子本身的最优位置的第d维变量，为k时刻全局最优位置的第d维变量，为k时刻第i个粒子的位置；
粒子的位置更新公式为：
S38、判断当前全局最优解是否满足条件或者迭代次数是否达到最大迭代次数T，如果是，则输出当前全局最优解，否则，跳转至步骤S33进行重复计算，直到当前全局最优解满足条件或者迭代次数达到最大迭代次数T。
8.根据权利要求1所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，S1中，还需采集植物图像，植物图像的采集方法为：包括视频模块，所述视频模块通过摄像头采集植物在当前时刻的枝叶特征，并将图像信息转换成数字信号并上传至云服务器。
9.根据权利要求8所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，S4中，用户可以在移动终端上打开智能植物养培界面，界面显示该植物信息，所述植物信息包括植物图像、当前植物健康指数，用户可在界面设置理想的植物健康指数，由云服务器下发推荐浇水量、施肥量、施肥类型。
CN201810458680.XA 2018-05-15 2018-05-15 一种基于智能数据采集与云服务技术的植物培育方法 Pending CN108694444A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810458680.XA CN108694444A (zh) 2018-05-15 2018-05-15 一种基于智能数据采集与云服务技术的植物培育方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810458680.XA CN108694444A (zh) 2018-05-15 2018-05-15 一种基于智能数据采集与云服务技术的植物培育方法

Publications (1)

Publication Number Publication Date
CN108694444A true CN108694444A (zh) 2018-10-23

Family

ID=63847448

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810458680.XA Pending CN108694444A (zh) 2018-05-15 2018-05-15 一种基于智能数据采集与云服务技术的植物培育方法

Country Status (1)

Country Link
CN (1) CN108694444A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109566030A (zh) * 2018-11-12 2019-04-05 广西壮族自治区农业科学院 一种智能花生喷药施肥控制系统及方法
CN110471820A (zh) * 2019-08-05 2019-11-19 南开大学 一种基于循环神经网络的云存储系统磁盘故障预测方法
CN110579961A (zh) * 2019-04-10 2019-12-17 深圳市绿粤生态科技有限公司 一种面向立体种植的园林智慧给水方法及系统
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
CN112400515A (zh) * 2020-11-20 2021-02-26 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
WO2021223607A1 (zh) * 2020-05-07 2021-11-11 杭州睿琪软件有限公司 植物状态评估方法、系统及计算机可读存储介质
CN114128605A (zh) * 2021-11-26 2022-03-04 苏州吴林园林发展有限公司 一种高效的园林绿化工程用喷洒装置
CN114445027A (zh) * 2021-12-27 2022-05-06 江西省交通工程集团有限公司 用于喷淋车的出勤频率控制方法与系统
CN114467607A (zh) * 2022-02-08 2022-05-13 新疆维吾尔自治区阿克苏地区林业和草原局 干旱区超大图文模型绿化种植方法
CN114662609A (zh) * 2022-04-01 2022-06-24 电子科技大学成都学院 一种智能大棚农场管理方法及系统
CN114913029A (zh) * 2022-04-29 2022-08-16 腾圣福(广州)农业科技有限公司 一种基于物联网的智能农业监控平台
CN115245122A (zh) * 2021-12-21 2022-10-28 重庆三峡学院 一种适用于浙贝母种植的精准栽培系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140164301A1 (en) * 2011-02-17 2014-06-12 Superior Edge, Inc. Methods, apparatus, and systems for generating a vegetation control plan
CN105447567A (zh) * 2015-11-06 2016-03-30 重庆科技学院 基于bp神经网络与mpso算法的铝电解节能减排控制方法
CN106407711A (zh) * 2016-10-10 2017-02-15 重庆科技学院 基于云数据的宠物喂养推荐方法及系统
CN106444378A (zh) * 2016-10-10 2017-02-22 重庆科技学院 基于物联网大数据分析的植物培育方法及系统
CN106444379A (zh) * 2016-10-10 2017-02-22 重庆科技学院 基于物联网推荐的智能烘干远程控制方法及系统
CN106472412A (zh) * 2016-10-10 2017-03-08 重庆科技学院 基于物联网的宠物喂养方法及系统
CN106482502A (zh) * 2016-10-10 2017-03-08 重庆科技学院 基于云平台大数据推荐的智能烘干远程控制方法及系统
CN106614273A (zh) * 2016-10-10 2017-05-10 重庆科技学院 基于物联网大数据分析的宠物喂养方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140164301A1 (en) * 2011-02-17 2014-06-12 Superior Edge, Inc. Methods, apparatus, and systems for generating a vegetation control plan
CN105447567A (zh) * 2015-11-06 2016-03-30 重庆科技学院 基于bp神经网络与mpso算法的铝电解节能减排控制方法
CN106407711A (zh) * 2016-10-10 2017-02-15 重庆科技学院 基于云数据的宠物喂养推荐方法及系统
CN106444378A (zh) * 2016-10-10 2017-02-22 重庆科技学院 基于物联网大数据分析的植物培育方法及系统
CN106444379A (zh) * 2016-10-10 2017-02-22 重庆科技学院 基于物联网推荐的智能烘干远程控制方法及系统
CN106472412A (zh) * 2016-10-10 2017-03-08 重庆科技学院 基于物联网的宠物喂养方法及系统
CN106482502A (zh) * 2016-10-10 2017-03-08 重庆科技学院 基于云平台大数据推荐的智能烘干远程控制方法及系统
CN106614273A (zh) * 2016-10-10 2017-05-10 重庆科技学院 基于物联网大数据分析的宠物喂养方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
HASITUYA等: "Monitoring Plastic-Mulched Farmland Using Landsat-8 OLI Imagery", 《2015 FOURTH INTERNATIONAL CONFERENCE ON AGRO-GEOINFORMATICS》 *
王磊等: "利用决策树方法建立转基因植物环境生物安全评价诊断平台", 《生物多样性》 *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109566030A (zh) * 2018-11-12 2019-04-05 广西壮族自治区农业科学院 一种智能花生喷药施肥控制系统及方法
CN110579961A (zh) * 2019-04-10 2019-12-17 深圳市绿粤生态科技有限公司 一种面向立体种植的园林智慧给水方法及系统
CN110579961B (zh) * 2019-04-10 2022-06-07 深圳市绿粤生态科技有限公司 一种面向立体种植的园林智慧给水方法及系统
CN110471820A (zh) * 2019-08-05 2019-11-19 南开大学 一种基于循环神经网络的云存储系统磁盘故障预测方法
WO2021223607A1 (zh) * 2020-05-07 2021-11-11 杭州睿琪软件有限公司 植物状态评估方法、系统及计算机可读存储介质
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
CN112400515A (zh) * 2020-11-20 2021-02-26 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
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
CN114128605A (zh) * 2021-11-26 2022-03-04 苏州吴林园林发展有限公司 一种高效的园林绿化工程用喷洒装置
CN115245122A (zh) * 2021-12-21 2022-10-28 重庆三峡学院 一种适用于浙贝母种植的精准栽培系统
CN114445027A (zh) * 2021-12-27 2022-05-06 江西省交通工程集团有限公司 用于喷淋车的出勤频率控制方法与系统
CN114467607A (zh) * 2022-02-08 2022-05-13 新疆维吾尔自治区阿克苏地区林业和草原局 干旱区超大图文模型绿化种植方法
CN114467607B (zh) * 2022-02-08 2023-01-24 新疆维吾尔自治区阿克苏地区林业和草原局 干旱区超大图文模型绿化种植方法
CN114662609A (zh) * 2022-04-01 2022-06-24 电子科技大学成都学院 一种智能大棚农场管理方法及系统
CN114913029A (zh) * 2022-04-29 2022-08-16 腾圣福(广州)农业科技有限公司 一种基于物联网的智能农业监控平台

Similar Documents

Publication Publication Date Title
CN108694444A (zh) 一种基于智能数据采集与云服务技术的植物培育方法
CN106444378B (zh) 基于物联网大数据分析的植物培育方法及系统
CN106482502B (zh) 基于云平台大数据推荐的智能烘干远程控制方法及系统
Bayat et al. Application of artificial neural networks for predicting tree survival and mortality in the Hyrcanian forest of Iran
Channe et al. Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis
CN106472412B (zh) 基于物联网的宠物喂养方法及系统
CN111008733B (zh) 一种作物生长管控方法和系统
CN106472332A (zh) 基于动态智能算法的宠物喂养方法及系统
CN106407711A (zh) 基于云数据的宠物喂养推荐方法及系统
CN107329511A (zh) 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统
CN101796928A (zh) 养殖水体水质参数对养殖生物生长状态影响的预测方法
CN115530054A (zh) 灌溉控制方法、装置、电子设备及存储介质
CN108614422A (zh) 陆基工厂循环水养殖中溶解氧优化控制方法、装置及系统
CN110069032A (zh) 一种基于小波神经网络的茄子温室环境智能检测系统
CN106447117B (zh) 基于宠物日常数据分析的宠物喂养方法及系统
CN110119767A (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
CN115270642A (zh) 基于数字孪生的植物工厂智能管理系统
CN108762084A (zh) 基于模糊控制决策的水田灌溉系统及方法
CN107809461A (zh) 一种基于云端的面向温室集群的管控方法、系统与服务器
CN114859734B (zh) 一种基于改进sac算法的温室环境参数优化决策方法
CN110262604A (zh) 基于云服务的智慧农业管理系统
CN105654242A (zh) 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用
KR102387765B1 (ko) 작물의 생육량 예측 방법 및 장치
CN116595333B (zh) 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法
CN108596779A (zh) 一种融合向量机模型的嵌入式设施二氧化碳优化调控方法与系统

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

Application publication date: 20181023

RJ01 Rejection of invention patent application after publication