CN110134016B - 一种基于人工智能的中草药栽培及药性鉴定标准制定系统 - Google Patents

一种基于人工智能的中草药栽培及药性鉴定标准制定系统 Download PDF

Info

Publication number
CN110134016B
CN110134016B CN201910419655.5A CN201910419655A CN110134016B CN 110134016 B CN110134016 B CN 110134016B CN 201910419655 A CN201910419655 A CN 201910419655A CN 110134016 B CN110134016 B CN 110134016B
Authority
CN
China
Prior art keywords
information
chinese herbal
herbal medicine
growth
data
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
Application number
CN201910419655.5A
Other languages
English (en)
Other versions
CN110134016A (zh
Inventor
孙艺
王天棋
王耘
王梓
马李骏
娄成成
刘世泽
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN201910419655.5A priority Critical patent/CN110134016B/zh
Publication of CN110134016A publication Critical patent/CN110134016A/zh
Application granted granted Critical
Publication of CN110134016B publication Critical patent/CN110134016B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/14—Greenhouses
    • A01G9/16—Dismountable or portable greenhouses ; Greenhouses with sliding roofs
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (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人工智能的中草药栽培及药性鉴定标准制定系统，其特征在于，中草药种植于培养箱内；系统，包括监测端和服务器端；监测端设置于培养箱内；监测端，用于获取培养箱内的环境信息和中草药植物的生长信息，并将环境信息和生长信息向服务器端传输；服务器端，包括数据处理模块、模型构建模块和存储模块；数据处理模块，用于对环境信息和生长信息进行数值化处理，获取环境数据和生长数据；模型构建模块，用于根据环境数据和生长数据，获取中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中至少一种，并向存储模块传输进行存储。

Description

一种基于人工智能的中草药栽培及药性鉴定标准制定系统
技术领域
本发明涉及栽培技术领域，特别涉及一种基于人工智能的中草药栽培及药性鉴定标准制定系统。
背景技术
中药主要由植物药(根、茎、叶、果)和矿物药组成。因植物药占中药的大多数，所以中药也称中草药。中国各地使用的中药已达5000种左右，把各种药材相配伍而形成的方剂，更是数不胜数。
随着人类社会的不断发展，人们开始自己种植中草药；但由于中草药生长环境的差异，人工种植生长出来的中草药良莠不齐，从而使得人工种植的中草药产量较低、不易成活，难以培育。
因此，急需一种基于人工智能的中草药栽培及药性鉴定标准制定系统。
发明内容
为解决上述技术问题，本发明提供一种基于人工智能的中草药栽培及药性鉴定标准制定系统，用以解决传统技术中人工种植中草药产量较低、不易成活的问题。
本发明实施例中提供了一种基于人工智能的中草药栽培及药性鉴定标准制定系统，所述中草药种植于培养箱内；所述系统，包括监测端和服务器端；其中，
所述监测端设置于培养箱内；所述监测端，用于获取所述培养箱内的环境信息和所述中草药植物的生长信息，并将所述环境信息和生长信息向所述服务器端传输；
所述服务器端，包括数据处理模块、模型构建模块和存储模块；所述数据处理模块，用于对所述环境信息和生长信息进行数值化处理，获取环境数据和生长数据；所述模型构建模块，用于根据所述环境数据和生长数据，获取所述中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中至少一种，并向所述存储模块传输进行存储。
在一个实施例中，所述模型构建模块，包括有最优生长模型数据库、最优栽培环境模型数据库、中草药最优性状模型数据库、中草药鉴定模型数据库和学习中心；
所述最优生长模型数据库中含有P1条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P1条记录和n个环境数据和生长数据组成生长信息矩阵B1,同时记录所述P1条记录对应的所需的生长操作，形成向量YY1；
所述最优栽培环境模型数据库中含有P2条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P2条记录和n个环境数据和生长数据组成生长信息矩阵B2,同时记录所述P2条记录对应的所需的栽培操作，形成操作向量YY2；
所述中草药最优性状模型数据库中含有P3条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P3条记录和n个环境数据和生长数据组成生长信息矩阵B3,同时记录所述P3条记录对应的性状操作，形成操作向量YY3；
所述中草药鉴定模型数据库中含有P4条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P4条记录和n个环境数据和生长数据组成生长信息矩阵B4,同时记录所述P4条记录对应的所需的鉴定操作，形成操作向量YY4；
所述学习中心的具体步骤如下所述：
S201根据所需获取的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中的至少一种，首先提取所需获取模型的第一种模型为学习模型；
S202构建学习数据库，将所述学习模型对应的生长信息矩阵定义为矩阵B，所述矩阵B为S行N列，同时提取对应的操作向量形成向量Y1，将所述向量Y1去掉重复值后形成向量Y；
S203利用公式(1)进行脉络学习
C1:W1＝rand(D,S) W2＝rand(D,S)
C2:f＝W2*max(zero(D,1),W1x)
C3:
Figure GDA0003257315360000031
其中，rand(D,S)为生成一个D行S列的矩阵，且矩阵中每个元素的值都为0到1的随机值，W1,W2均为调节系数，D为向量Y的值的个数，C2为X和W1,W2的f映射为W2*max(zero(D,1),W1x)，max(),为括号中的每行的值的最大值组成的向量，zero(D,1)为生成D行1列的全0矩阵，L为激活函数，Xi为矩阵X的第i列的值，fji为Xi与W1,W2进行f映射后形成的向量后的第j个值，其中j＝1、2、3……Y1i-1、Y1i+1……D，Y1i+1为向量Y1中的第i个值对应的在向量Y中的值的位置，Wii,k,t为矩阵Wii的第k行t列的值，i＝1、2、3……N,ii＝1,2；
S203利用公式(2)对调节系数进行调整；
Figure GDA0003257315360000032
Figure GDA0003257315360000033
Figure GDA0003257315360000041
为L对Wii,k,t求偏导，WSii,k,t为求偏导后得到的值，K＝1、2、3……D,t＝1、2、3……S,对矩阵W1,W2中所有元素都调整后，则能得到新的矩阵W1,W2；
S204将新的调节系数W1,W2带入方程公式(1)中的C2和C3，得到新的激活函数；
S205将新的激活函数带入公式(2)，判断WSii,k,t是否全为0，若是，则输出对应的调节系数，若不是，则重复步骤S203到205，直至重复次数达到十万次后输出相应的调节系数W1,W2；
S206将所述调节系数W1,W2带入公式(1)中的C2得到的公式则为所述学习模型；
S207获取所述获取的中草药植物的n个环境数据和生长数据的值形成向量A，带入公式(3)，则能得到各种操作概率向量P
Figure GDA0003257315360000042
其中，At为向量A的第t个值，Pk为求解的P向量的第k个值，K＝1、2、3……D,t＝1、2、3……S,寻找出向量P中的最大值Pz所对应的位置z,z小于等于D，则所述向量Y对应的第z个操作则为获取的中草药植物的环境数据和生长数据在所述学习模型下对应的操作，并将所述获取的中草药植物的环境数据和生长数据作为一条记录添加到所述对应的数据库的生长信息矩阵中，并在相应的操作向量中对应的位置添加得到的所述操作，从而达到对数据库的更新的效果；
S208判断所述学习模型是否为最后一个所需获取模型，若是则模型构建块构建模型完成，若不是则获取下一中所需获取的模型为所述学习模型，重复步骤S202-S208。
在一个实施例中，所述监测端，包括环境监测模块；
所述环境监测模块，包括光照监测单元、土壤监测单元和温度湿度监测单元；所述光照监测单元，用于获取所述中草药植物生长环境的光照信息；所述土壤监测单元，用于获取所述中草药植物生长环境的土壤信息；所述温度湿度监测单元，用于获取所述中草药植物生长环境的温度信息和湿度信息；
所述环境监测模块，用于将所述环境信息向所述服务器端传输；所述环境信息，包括光照信息、土壤信息、温度信息和湿度信息。
在一个实施例中，所述系统，还包括环境控制端；
所述环境控制端，设置于所述培养箱内；
所述环境控制端，用于获取所述服务器端的存储模块中最优栽培环境模型所获取的最优栽培环境信息；
所述环境控制端，包括温度控制模块、湿度控制模块和施肥模块；所述温度控制模块，用于根据所述最优栽培环境信息中的最优温度信息，调整所述培养箱内的温度；所述湿度控制模块，用于根据所述最优栽培环境信息中的最优湿度信息，调整所述培养箱内的湿度；所述施肥模块，用于根据所述最优栽培环境信息中的最优施肥信息，对所述培养箱内的中草药植物进行施肥。
在一个实施例中，所述服务器端，还包括交流模块；
所述系统，还包括客户端；所述客户端，用于用户输入所述中草药植物的相关信息，并向所述交流模块传输；所述交流模块，用于将用户输入的所述中草药植物的相关信息展示。
在一个实施例中，所述客户端，包括具有通讯功能的智能手机、个人电脑或者掌上电脑中的一种或多种。
在一个实施例中，所述监测端，还用于获取所述中草药植物的成品数量信息和所述中草药植物的原材料数量信息，并将所述成品数量信息和原材料数量信息向所述服务器端传输；
所述服务器端，还包括交易模块；所述交易模块，用于接收所述监测端传输的所述中草药植物的成品数量信息和原材料数量信息并显示；
所述客户端，还用于用户根据所述交易模块显示的所述成品数量信息和原材料数量信息，选择需购买的所述中草药植物的数量和种类并向所述服务器端传输；
所述服务器端的交易模块，还用于根据所述客户端传输的所述中草药植物的数量和种类计算需付款金额，并向所述客户端传输需付款金额的数字信息和二维码信息；
所述客户端，用于用户根据所述需付款金额的数字信息和二维码信息进行付款；所述服务器端，还用于在接收到所述客户端付款成功信息后，获取所述客户端的位置信息，并将所述位置信息和用户购买的所述中草药植物的数量和种类向所述监测端传输；
所述监测端，包括信息输出模块；所述信息输出模块，用于通知所述监测端处的工作人员根据所述位置信息、所述中草药植物的数量和种类发货。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明所提供的一种基于人工智能的中草药栽培及药性鉴定标准制定系统的结构示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种基于人工智能的中草药栽培及药性鉴定标准制定系统，中草药种植于培养箱内；系统，如图1所示，包括监测端11和服务器端12；其中，
监测端11设置于培养箱内；监测端11，用于获取培养箱内的环境信息和中草药植物的生长信息，并将环境信息和生长信息向服务器端12传输；
服务器端12，包括数据处理模块121、模型构建模块122和存储模块123；数据处理模块121，用于对环境信息和生长信息进行数值化处理，获取环境数据和生长数据；模型构建模块122，用于根据环境数据和生长数据，获取中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中至少一种，并向存储模块123传输进行存储。
上述系统的工作原理在于；监测端11将培养箱的环境信息与中草药植物的生长信息向服务器端12传输；服务器端12的数据处理模块121将环境信息和生长信息进行数值化处理，获取环境数据和生长数据；模型构建模块122根据环境数据和生长数据，获取中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型，向存储模块123传输进行存储。
上述系统的有益效果在于：通过监测端实现了对中草药植物的生长环境的环境信息和中草药植物的生长信息的获取，并通过服务器端实现了对中草药植物最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型的获取；从而实现了对不同中草药植物最优生长模型、栽培环境、最优性状和药性鉴定的获取，与传统技术相比，上述系统实现了对中草药植物的最有生长信息、最适宜栽培环境信息、最优性状信息和药性信息的获取，从而有效提高了人工种植的中草药植物的产量和质量，大大降低了人工培育中草药植物的难度。
在一个实施例中，模型构建模块，包括有最优生长模型数据库、最优栽培环境模型数据库、中草药最优性状模型数据库、中草药鉴定模型数据库和学习中心；
最优生长模型数据库中含有P1条数据，其中每条数据均含有中草药植物的n个环境数据和生长数据，将P1条记录和n个环境数据和生长数据组成生长信息矩阵B1,同时记录P1条记录对应的所需的生长操作，形成向量YY1；
最优栽培环境模型数据库中含有P2条数据，其中每条数据均含有中草药植物的n个环境数据和生长数据，将P2条记录和n个环境数据和生长数据组成生长信息矩阵B2,同时记录P2条记录对应的所需的栽培操作，形成操作向量YY2；
中草药最优性状模型数据库中含有P3条数据，其中每条数据均含有中草药植物的n个环境数据和生长数据，将P3条记录和n个环境数据和生长数据组成生长信息矩阵B3,同时记录P3条记录对应的性状操作，形成操作向量YY3；
中草药鉴定模型数据库中含有P4条数据，其中每条数据均含有中草药植物的n个环境数据和生长数据，将P4条记录和n个环境数据和生长数据组成生长信息矩阵B4,同时记录P4条记录对应的所需的鉴定操作，形成操作向量YY4；
学习中心的具体步骤如下：
S201根据所需获取的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中的至少一种，首先提取所需获取模型的第一种模型为学习模型；
S202构建学习数据库，将学习模型对应的生长信息矩阵定义为矩阵B，矩阵B为S行N列，同时提取对应的操作向量形成向量Y1，将向量Y1去掉重复值后形成向量Y；
S203利用公式(1)进行脉络学习
C1:W1＝rand(D,S) W2＝rand(D,S)
C2:f＝W2*max(zero(D,1),W1x)
C3:
Figure GDA0003257315360000091
其中，rand(D,S)为生成一个D行S列的矩阵，且矩阵中每个元素的值都为0到1的随机值，W1,W2均为调节系数，D为向量Y的值的个数，C2为X和W1,W2的f映射为W2*max(zero(D,1),W1x)，max(),为括号中的每行的值的最大值组成的向量，zero(D,1)为生成D行1列的全0矩阵，L为激活函数，Xi为矩阵X的第i列的值，
Figure GDA0003257315360000092
为Xi与W1,W2进行f映射后形成的向量后的第j个值，其中j＝1、2、3……Y1i-1、Y1i+1……D，Y1i+1为向量Y1中的第i个值对应的在向量Y中的值的位置，Wii,k,t为矩阵Wii的第k行t列的值，i＝1、2、3……N,ii＝1,2；
利用公式(1)，可以进行脉络学习，并得到调节系数组成的激活函数，方便后面对调节系数进行调整。
S203利用公式(2)对调节系数进行调整；
Figure GDA0003257315360000093
Figure GDA0003257315360000094
Figure GDA0003257315360000095
为L对Wii,k,t求偏导，WSii,k,t为求偏导后得到的值，K＝1、2、3……D,t＝1、2、3……S,对矩阵W1,W2中所有元素都调整后，则能得到新的矩阵W1,W2；
利用公式(2)，可以对调节系数进行调整，提高的学习结果。
S204将新的调节系数W1,W2带入方程公式(1)中的C2和C3，得到新的激活函数；
S205将新的激活函数带入公式(2)，判断WSii,k,t是否全为0，若是，则输出对应的调节系数，若不是，则重复步骤S203到205，直至重复次数达到十万次后输出相应的调节系数W1,W2；
S206将调节系数W1,W2带入公式(1)中的C2得到的公式则为学习模型；
S207获取获取的中草药植物的n个环境数据和生长数据的值形成向量A，带入公式(3)，则能得到各种操作概率向量P
Figure GDA0003257315360000101
其中，At为向量A的第t个值，Pk为求解的P向量的第k个值，K＝1、2、3……D,t＝1、2、3……S,寻找出向量P中的最大值Pz所对应的位置z,z小于等于D，则向量Y对应的第z个操作则为获取的中草药植物的环境数据和生长数据在学习模型下对应的操作，并将获取的中草药植物的环境数据和生长数据作为一条记录添加到对应的数据库的生长信息矩阵中，并在相应的操作向量中对应的位置添加得到的操作，从而达到对数据库的更新的效果；
利用公式(3)，通过不断的学习可以得到最优的学习模型能得到最优模型，以及在模型下获取的中草药植物的环境数据和生长数据所需的操作，并能对数据库进行更新，而达到不断的优化模型的效果。
S208判断学习模型是否为最后一个所需获取模型，若是则模型构建块构建模型完成，若不是则获取下一中所需获取的模型为学习模型，重复步骤S202-S208。
利用上述技术进行不断的学习是的可以获得中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中至少一种，并且在得到模型时，利用同一套运行模板，而调取不同的数据库，使得能够达到一个运行模板解决四个模型的问题，大幅度的降低了模型构建的成本和时间，同时利用上述技术，还能对获取的中草药植物的环境数据和生长数据，得到相应的操作。
在一个实施例中，监测端，包括环境监测模块；
环境监测模块，包括光照监测单元、土壤监测单元和温度湿度监测单元；光照监测单元，用于获取中草药植物生长环境的光照信息；土壤监测单元，用于获取中草药植物生长环境的土壤信息；温度湿度监测单元，用于获取中草药植物生长环境的温度信息和湿度信息；
环境监测模块，用于将环境信息向服务器端传输；环境信息，包括光照信息、土壤信息、温度信息和湿度信息。上述技术方案中通过环境监测模块中的光照监测单元、土壤监测单元和温度湿度监测单元实现了对中草药植物生长环境的光照信息、土壤信息、温度信息和湿度信息的获取，从而实现了监测端对于中草药植物的环境信息的获取。
在一个实施例中，系统，还包括环境控制端；
环境控制端，设置于培养箱内；
环境控制端，用于获取服务器端的存储模块中最优栽培环境模型所获取的最优栽培环境信息；
环境控制端，包括温度控制模块、湿度控制模块和施肥模块；温度控制模块，用于根据最优栽培环境信息中的最优温度信息，调整培养箱内的温度；湿度控制模块，用于根据最优栽培环境信息中的最优湿度信息，调整培养箱内的湿度；施肥模块，用于根据最优栽培环境信息中的最优施肥信息，对培养箱内的中草药植物进行施肥。上述技术方案中环境控制端通过获取最优栽培环境模型所获取的最优栽培环境信息，通过温度控制模块、湿度控制模块、施肥模块实现了对培养箱内温度、湿度和施肥的控制，从而不断改善培养箱内中草药植物的生长环境，进一步地提高了中草药植物的成活率，降低了对中草药植物的培育的难度。
在一个实施例中，服务器端，还包括交流模块；
系统，还包括客户端；客户端，用于用户输入中草药植物的相关信息，并向交流模块传输；交流模块，用于将用户输入的中草药植物的相关信息展示。上述技术方案中用户通过客户端输入中草药植物的相关信息，并向服务器端的交流模块传输进行展示，从而实现了用户基于服务器端关于中草药植物相关信息的交流，进一步地实现了个体栽培研究人员之间的相互学习与交流。
在一个实施例中，客户端，包括具有通讯功能的智能手机、个人电脑或者掌上电脑中的一种或多种。上述技术方案中通过多种电子设备实现了客户端的功能。
在一个实施例中，监测端，还用于获取中草药植物的成品数量信息和中草药植物的原材料数量信息，并将成品数量信息和原材料数量信息向服务器端传输；
服务器端，还包括交易模块；交易模块，用于接收监测端传输的中草药植物的成品数量信息和原材料数量信息并显示；
客户端，还用于用户根据交易模块显示的成品数量信息和原材料数量信息，选择需购买的中草药植物的数量和种类并向服务器端传输；
服务器端的交易模块，还用于根据客户端传输的中草药植物的数量和种类计算需付款金额，并向客户端传输需付款金额的数字信息和二维码信息；
客户端，用于用户根据需付款金额的数字信息和二维码信息进行付款；服务器端，还用于在接收到客户端付款成功信息后，获取客户端的位置信息，并将位置信息和用户购买的中草药植物的数量和种类向监测端传输；
监测端，包括信息输出模块；信息输出模块，用于通知监测端处的工作人员根据位置信息、中草药植物的数量和种类发货。上述技术方案中通过监测端获取中草药植物的成品数量信息和原材料数量信息，并通过服务器端的交易模块实现对客户端的用户显示，用户通过在客户端操作选择需购买的中草药植物的数量和种类并向服务器端传输，交易模块计算用户所需付款的金额，并向客户端传输；用户付款成功后，获取客户端的位置信息，并将位置信息和用户购买的中草药植物的数量和种类向监测端传输；监测端的信息输出模块，通知监测端处的工作人员根据位置信息、中草药植物的数量和种类发货；从而实现了用户通过客户端对中草药植物成品或者原材料的购买，进一步地实现了系统的网上购买功能。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种基于人工智能的中草药栽培及药性鉴定标准制定系统，其特征在于，所述中草药种植于培养箱内；所述系统，包括监测端和服务器端；其中，
所述监测端设置于培养箱内；所述监测端，用于获取所述培养箱内的环境信息和所述中草药植物的生长信息，并将所述环境信息和生长信息向所述服务器端传输；
所述服务器端，包括数据处理模块、模型构建模块和存储模块；所述数据处理模块，用于对所述环境信息和生长信息进行数值化处理，获取环境数据和生长数据；所述模型构建模块，用于根据所述环境数据和生长数据，获取所述中草药植物的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中至少一种，并向所述存储模块传输进行存储；
所述模型构建模块，包括有最优生长模型数据库、最优栽培环境模型数据库、中草药最优性状模型数据库、中草药鉴定模型数据库和学习中心；
所述最优生长模型数据库中含有P1条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P1条记录和n个环境数据和生长数据组成生长信息矩阵B1,同时记录所述P1条记录对应的所需的生长操作，形成向量YY1；
所述最优栽培环境模型数据库中含有P2条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P2条记录和n个环境数据和生长数据组成生长信息矩阵B2,同时记录所述P2条记录对应的所需的栽培操作，形成操作向量YY2；
所述中草药最优性状模型数据库中含有P3条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P3条记录和n个环境数据和生长数据组成生长信息矩阵B3,同时记录所述P3条记录对应的性状操作，形成操作向量YY3；
所述中草药鉴定模型数据库中含有P4条数据，其中每条数据均含有所述中草药植物的n个环境数据和生长数据，将所述P4条记录和n个环境数据和生长数据组成生长信息矩阵B4,同时记录所述P4条记录对应的所需的鉴定操作，形成操作向量YY4；
所述学习中心的具体步骤如下所述：
S201根据所需获取的最优生长模型、最优栽培环境模型、中草药最优性状模型和中草药鉴定模型中的至少一种，首先提取所需获取模型的第一种模型为学习模型；
S202构建学习数据库，将所述学习模型对应的生长信息矩阵定义为矩阵B，所述矩阵B为S行N列，同时提取对应的操作向量形成向量Y1，将所述向量Y1去掉重复值后形成向量Y；
S203利用公式(1)进行脉络学习
C1:W1＝rand(D,S) W2＝rand(D,S)
C2:f＝W2*max(zero(D,1),W1x)
C3:
Figure FDA0003257315350000021
其中，rand(D,S)为生成一个D行S列的矩阵，且矩阵中每个元素的值都为0到1的随机值，W1,W2均为调节系数，D为向量Y的值的个数，C2为X和W1,W2的f映射为W2*max(zero(D,1),W1x)，max(),为括号中的每行的值的最大值组成的向量，zero(D,1)为生成D行1列的全0矩阵，L为激活函数，Xi为矩阵X的第i列的值，
Figure FDA0003257315350000022
为Xi与W1,W2进行f映射后形成的向量后的第j个值，其中j＝1、2、3……Y1i-1、Y1i+1……D，Y1i+1为向量Y1中的第i个值对应的在向量Y中的值的位置，Wii,k,t为矩阵Wii的第k行t列的值，i＝1、2、3……N,ii＝1,2；
S203利用公式(2)对调节系数进行调整；
Figure FDA0003257315350000031
Figure FDA0003257315350000032
Figure FDA0003257315350000033
为L对Wii,k,t求偏导，WSii,k,t为求偏导后得到的值，K＝1、2、3……D,t＝1、2、3……S,对矩阵W1,W2中所有元素都调整后，则能得到新的矩阵W1,W2；
S204将新的调节系数W1,W2带入方程公式(1)中的C2和C3，得到新的激活函数；
S205将新的激活函数带入公式(2)，判断WSii,k,t是否全为0，若是，则输出对应的调节系数，若不是，则重复步骤S203到205，直至重复次数达到十万次后输出相应的调节系数W1,W2；
S206将所述调节系数W1,W2带入公式(1)中的C2得到的公式则为所述学习模型；
S207获取所述获取的中草药植物的n个环境数据和生长数据的值形成向量A，带入公式(3)，则能得到各种操作概率向量P
Figure FDA0003257315350000034
其中，At为向量A的第t个值，Pk为求解的P向量的第k个值，K＝1、2、3……D,t＝1、2、3……S,寻找出向量P中的最大值Pz所对应的位置z,z小于等于D，则所述向量Y对应的第z个操作则为获取的中草药植物的环境数据和生长数据在所述学习模型下对应的操作，并将所述获取的中草药植物的环境数据和生长数据作为一条记录添加到所述对应的数据库的生长信息矩阵中，并在相应的操作向量中对应的位置添加得到的所述操作，从而达到对数据库的更新的效果；
S208判断所述学习模型是否为最后一个所需获取模型，若是则模型构建块构建模型完成，若不是则获取下一中所需获取的模型为所述学习模型，重复步骤S202-S208。
2.如权利要求1所述的系统，其特征在于，
所述监测端，包括环境监测模块；
所述环境监测模块，包括光照监测单元、土壤监测单元和温度湿度监测单元；所述光照监测单元，用于获取所述中草药植物生长环境的光照信息；所述土壤监测单元，用于获取所述中草药植物生长环境的土壤信息；所述温度湿度监测单元，用于获取所述中草药植物生长环境的温度信息和湿度信息；
所述环境监测模块，用于将所述环境信息向所述服务器端传输；所述环境信息，包括光照信息、土壤信息、温度信息和湿度信息。
3.如权利要求1所述的系统，其特征在于，
所述系统，还包括环境控制端；
所述环境控制端，设置于所述培养箱内；
所述环境控制端，用于获取所述服务器端的存储模块中最优栽培环境模型所获取的最优栽培环境信息；
所述环境控制端，包括温度控制模块、湿度控制模块和施肥模块；所述温度控制模块，用于根据所述最优栽培环境信息中的最优温度信息，调整所述培养箱内的温度；所述湿度控制模块，用于根据所述最优栽培环境信息中的最优湿度信息，调整所述培养箱内的湿度；所述施肥模块，用于根据所述最优栽培环境信息中的最优施肥信息，对所述培养箱内的中草药植物进行施肥。
4.如权利要求1所述的系统，其特征在于，
所述服务器端，还包括交流模块；
所述系统，还包括客户端；所述客户端，用于用户输入所述中草药植物的相关信息，并向所述交流模块传输；所述交流模块，用于将用户输入的所述中草药植物的相关信息展示。
5.如权利要求4所述的系统，其特征在于，
所述客户端，包括具有通讯功能的智能手机、个人电脑或者掌上电脑中的一种或多种。
6.如权利要求1所述的系统，其特征在于，
所述监测端，还用于获取所述中草药植物的成品数量信息和所述中草药植物的原材料数量信息，并将所述成品数量信息和原材料数量信息向所述服务器端传输；
所述服务器端，还包括交易模块；所述交易模块，用于接收所述监测端传输的所述中草药植物的成品数量信息和原材料数量信息并显示；
客户端，还用于用户根据所述交易模块显示的所述成品数量信息和原材料数量信息，选择需购买的所述中草药植物的数量和种类并向所述服务器端传输；
所述服务器端的交易模块，还用于根据所述客户端传输的所述中草药植物的数量和种类计算需付款金额，并向所述客户端传输需付款金额的数字信息和二维码信息；
所述客户端，用于用户根据所述需付款金额的数字信息和二维码信息进行付款；所述服务器端，还用于在接收到所述客户端付款成功信息后，获取所述客户端的位置信息，并将所述位置信息和用户购买的所述中草药植物的数量和种类向所述监测端传输；
所述监测端，包括信息输出模块；所述信息输出模块，用于通知所述监测端处的工作人员根据所述位置信息、所述中草药植物的数量和种类发货。
CN201910419655.5A 2019-05-20 2019-05-20 一种基于人工智能的中草药栽培及药性鉴定标准制定系统 Active CN110134016B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910419655.5A CN110134016B (zh) 2019-05-20 2019-05-20 一种基于人工智能的中草药栽培及药性鉴定标准制定系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910419655.5A CN110134016B (zh) 2019-05-20 2019-05-20 一种基于人工智能的中草药栽培及药性鉴定标准制定系统

Publications (2)

Publication Number Publication Date
CN110134016A CN110134016A (zh) 2019-08-16
CN110134016B true CN110134016B (zh) 2021-11-23

Family

ID=67571715

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910419655.5A Active CN110134016B (zh) 2019-05-20 2019-05-20 一种基于人工智能的中草药栽培及药性鉴定标准制定系统

Country Status (1)

Country Link
CN (1) CN110134016B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116134464A (zh) * 2020-07-20 2023-05-16 索尼集团公司 信息处理设备、信息处理方法和程序

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013126023A1 (en) * 2012-02-21 2013-08-29 Vendeka Bilgi Teknolojileri Ticaret Limited Şirketi A plant growth system and monitoring method
CN106104218A (zh) * 2016-06-17 2016-11-09 北京小米移动软件有限公司 植物监测仪、信息生成方法、装置及植物监测系统
CN106774070A (zh) * 2016-12-27 2017-05-31 蔡艾铿 一种植物生长监控方法、装置和系统
CN106779087A (zh) * 2016-11-30 2017-05-31 福建亿榕信息技术有限公司 一种通用机器学习数据分析平台
CN107182639A (zh) * 2017-07-09 2017-09-22 成都天骋科讯科技有限公司 一种农田大棚中草药智能种植方法
CN107886391A (zh) * 2017-10-23 2018-04-06 兰世德 一种跨境垂直电商管理方法
CN109269475A (zh) * 2018-09-29 2019-01-25 成都信息工程大学 一种空地一体植物自动检测系统及方法
CN109613947A (zh) * 2018-11-15 2019-04-12 西北农林科技大学 一种融合光照频率与占空比的嵌入式设施光环境优化调控系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013126023A1 (en) * 2012-02-21 2013-08-29 Vendeka Bilgi Teknolojileri Ticaret Limited Şirketi A plant growth system and monitoring method
CN106104218A (zh) * 2016-06-17 2016-11-09 北京小米移动软件有限公司 植物监测仪、信息生成方法、装置及植物监测系统
CN106779087A (zh) * 2016-11-30 2017-05-31 福建亿榕信息技术有限公司 一种通用机器学习数据分析平台
CN106774070A (zh) * 2016-12-27 2017-05-31 蔡艾铿 一种植物生长监控方法、装置和系统
CN107182639A (zh) * 2017-07-09 2017-09-22 成都天骋科讯科技有限公司 一种农田大棚中草药智能种植方法
CN107886391A (zh) * 2017-10-23 2018-04-06 兰世德 一种跨境垂直电商管理方法
CN109269475A (zh) * 2018-09-29 2019-01-25 成都信息工程大学 一种空地一体植物自动检测系统及方法
CN109613947A (zh) * 2018-11-15 2019-04-12 西北农林科技大学 一种融合光照频率与占空比的嵌入式设施光环境优化调控系统

Also Published As

Publication number Publication date
CN110134016A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
Altieri Agroecology: the science of sustainable agriculture
Pretty The sustainable intensification of agriculture
CN105260894A (zh) 农业物联网农产品质量安全溯源的方法及其物联网系统
CN110363450A (zh) 一种农业物联网综合服务系统
CN106097131A (zh) 基于大数据的农业精准种植方法
CN110134016B (zh) 一种基于人工智能的中草药栽培及药性鉴定标准制定系统
Veenstra et al. Effect of tillers on corn yield: Exploring trait plasticity potential in unpredictable environments
Amare et al. The effect of N and P fertilizers on yield and yield components of sesame (Sesamum indicum L.) in low-fertile soil of north-western Ethiopia
Alves Souza et al. Impact of irrigation frequency and planting density on bean’s morpho-physiological and productive traits
de Oliveira et al. A novel seed treatment-based multiplication approach for cassava planting material
Liu et al. Rice (Oryza sativa L.) growth modeling based on growth degree day (GDD) and artificial intelligence algorithms
Mamann et al. Diffuse system simulating wheat productivity by nitrogen and temperature in the use of biopolymers
Koskey et al. Exploiting plant functional diversity in durum wheat–lentil relay intercropping to stabilize crop yields under contrasting climatic conditions
Koeslin-Findeklee et al. Contribution of nitrogen uptake and retranslocation during reproductive growth to the nitrogen efficiency of winter oilseed-rape cultivars (Brassica napus L.) differing in leaf senescence
Martelloni et al. Using flaming as an alternative method to vine suckering
Maseko et al. Productivity of selected african leafy vegetables under varying water regimes
Alhammad et al. Optimizing productivity of Buffel and Sudan grasses using optimal nitrogen fertilizer application under arid conditions
Kezar et al. Response of soybean yield and certain growth parameters to simulated reproductive structure removal
Bursten et al. Growing knowledge: Epistemic objects in agricultural extension work
Kamruzzaman et al. Technical efficiency of wheat growers in some selected sites of Dinajpur district of Bangladesh
CN107832878A (zh) 一种基于大数据分析和生长模型的作物生长趋势分析方法
CN110019662A (zh) 一种标签重建方法及装置
Fite Southern agriculture since the Civil War: an overview
Bonato et al. Simulation model for maize crop growth based on acquisition and allocation processes for carbohydrate and nitrogen
Herrera et al. Little potential of spring wheat genotypes as a strategy to reduce nitrogen leaching in Central Europe

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