CN110503253A - 一种种植环境自适应控制方法及装置 - Google Patents
一种种植环境自适应控制方法及装置 Download PDFInfo
- Publication number
- CN110503253A CN110503253A CN201910738893.2A CN201910738893A CN110503253A CN 110503253 A CN110503253 A CN 110503253A CN 201910738893 A CN201910738893 A CN 201910738893A CN 110503253 A CN110503253 A CN 110503253A
- Authority
- CN
- China
- Prior art keywords
- data
- growth
- crop
- crop growth
- trained
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 105
- 230000012010 growth Effects 0.000 claims abstract description 165
- 230000008569 process Effects 0.000 claims abstract description 67
- 238000012544 monitoring process Methods 0.000 claims abstract description 57
- 230000007613 environmental effect Effects 0.000 claims abstract description 49
- 230000003698 anagen phase Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 26
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 235000015097 nutrients Nutrition 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 5
- 230000001052 transient effect Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Husbandry (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明实施例提供一种种植环境自适应控制方法及装置，该方法包括：获取环境监测数据和作物生长过程数据；将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。训练好的修正生长预测模型考虑了植物生长过程中人为因素导致作物结构变化等因素，使得预测的作物生长阶段预测信息更加准确，本申请通过训练好的修正生长预测模型更准确得到作物生长阶段预测信息，从而确定该作物生长阶段对应的最优种植环境，实现作物种植环境的自适应高效管理。
Description
技术领域
本发明涉及作物管理技术领域，尤其涉及一种种植环境自适应控制方法及装置。
背景技术
在植物培育的过程中，植物在不同的生长阶段对于环境有不同的需求，对于植物的培育通常需要针对不同的生长阶段来控制不同的参数，来保证其得到最优的培育环境。
现有技术中，对于植物的培育主要通过人为对作为进行生长阶段的判断，人工测量和记录数据，人工调整营养和环境，但是人工方式测量和记录的方式很多时候存在记录上的偏差和记录的不及时，并且人工方式测量和记录的方式费时费力，效率很低。
因此如何进行更高效更准确的生长阶段判断，确定最优培育环境已经成为业界亟待解决的问题。
发明内容
本发明实施例提供一种种植环境自适应控制方法及装置，用以解决上述背景技术中提出的技术问题，或至少部分解决上述背景技术中提出的技术问题。
第一方面，本发明实施例提供一种种植环境自适应控制方法，包括：
获取环境监测数据和作物生长过程数据；
将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；
根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。
更具体的，在将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型的步骤之前，所述方法还包括：
通过初始生长预测模型对第一环境监测数据和第一作物生长过程数据进行识别，得到第一作物生长状态预测信息；
通过训练好的图像识别模型对第一作物生长过程数据进行识别，得到第一图像识别信息；
将所述第一图像识别信息和第一作物生长状态预测信息进行对比，确定修正参数；
根据所述修正参数对所述初始生长预测模型进行训练，得到训练好的修正生长预测模型。
更具体的，在所述通过初始生长预测模型对第一环境监测数据和第一作物生长过程数据进行识别的步骤之前，所述方法还包括：
获取多个样本环境监测数据和多个样本作物生长过程数据；
将每个样本环境监测数据和每个样本作为生长过程数据作为一组训练样本，获取多组训练样本；
利用多组训练样本对预设神经网络进行训练，当满足预设条件时，得到初始生长预测模型。
更具体的，在所述通过训练好的图像识别模型对第一作物生长过程数据进行识别的步骤之前，所述方法还包括：
获取多个样本作物生长过程数据，将每个样本作物生长过程数据作为一个训练样本，获取多个训练样本；
利用多个训练样本对预设神经网络进行训练，当满足预设条件时，得到训练好的图像识别模型。
更具体的，所述环境监测数据包括：温湿度数据、二氧化碳浓度数据、光照强度数据、营养液数据和土壤数据。
更具体的，所述预设生长阶段与种植数据库包括作物生长阶段信息和所述作物生长阶段信息所对应的种植环境参数信息。
第二方面，本发明实施例提供一种种植环境自适应控制装置，包括：
采集模块，用于获取环境监测数据和作物生长过程数据；
分析模块，用于将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；
控制模块，用于根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述种植环境自适应控制方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述种植环境自适应控制方法的步骤。
本发明实施例提供的一种种植环境自适应控制方法及装置，通过将环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，从而准确得到作物生长阶段预测信息，从而确定该作物生长阶段所对应的最优种植环境；其中，训练好的修正生长预测模型是通过考虑了样本环境监测数据、样本作物生长过程数据和人为干预所导致的修正参数进行训练，其考虑了植物生长过程中人为因素导致作物结构变化，使得预测的作物生长阶段预测信息更加准确，从而实现植物种植环境的自适应控制。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例中所描述的种植环境自适应控制方法流程示意图；
图2为本发明一实施例所描述的种植环境自适应控制步骤流程图；
图3为本发明一实施例所描述的种植环境自适应控制装置结构示意图；
图4为本发明一实施例所描述的电子设备结构示意图。
具体实施方式
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。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为本发明一实施例中所描述的种植环境自适应控制方法流程示意图，如图1所示，包括：
步骤S1，获取环境监测数据和作物生长过程数据；
步骤S2，将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；
步骤S3，根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。
具体的，本发明实施例中所描述的环境监测数据可以是指温湿度、二氧化碳浓度、光照强度、营养液数据或土壤等数据。
本发明实施例中所描述的作物生长过程数据可以是指生长过程图像的实时监控图像。
本发明实施例中所描述的训练好的修正生长预测模型具体是指在初始生长预测模型的基础上，额外针对于修正参数进行训练后的预测模型。
本发明实施例中所描述的修正参数是指人为干预所导致的差异值或者是因实际培育过程中因其他因素所导致的差异值；修正参数是通过将第一图像识别信息和第一作物生长状态预测信息进行对比所得到的修正参数；其中，第一图像识别信息是通过训练好的图像识别模型对第一作物生长过程数据进行识别，其中，第一作物生长状态预测信息初始生长预测模型对第一环境监测数据和第一作物生长过程数据进行识别得到。
本发明实施例中所描述的预设生长阶段与种植数据库是基于历史种植环境数据和种植品质结果，选择种植优质种植结果对应的种植环境参数，形成生长阶段与其对应的种植环境参数库，基于不同的生长阶段，给出种植环境参数的调整建议，同时随着优质种植数据的积累和分析优化，更新预设生长阶段与种植数据库。
步骤S1具体为，通过环境监测物联网设备采集生长过程中的实时作物生长过程数据和环境监测数据；
步骤S2具体为，将获取的作物生长过程数据和环境监测数据输入额外进行修正参数训练后的训练好的修正生长预测模型，从而得到作物生长阶段预测信息。
步骤S3具体为，根据该作物生长阶段预测信息，在预设生长阶段与种植数据库找到该作物生长阶段预测信息所对应的种植环境参数，根据其对应的种植环境参数确定环境控制方案。
本发明实施例还包括环境控制装置通过环境控制方案对种植环境进行调控，如温湿度控制系统、二氧化碳浓度控制系统、光照控制系统实现基于环境控制方案对参数实现自适应精确控制，营养液数据循环系统和配比系统，实现营养液数据参数基于作物生长阶段的自适应精确控制。
本发明实施例中所描述的作物生长过程数据包括作物生长过程中的图像信息。
本发明实施例通过将环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，从而准确得到作物生长阶段预测信息，从而确定该作物生长阶段所对应的最优种植环境；其中，训练好的修正生长预测模型是通过考虑了样本环境监测数据、样本作物生长过程数据和人为干预所导致的修正参数进行训练，其考虑了植物生长过程中人为因素导致作物结构变化，使得预测的作物生长阶段预测信息更加准确，从而实现植物种植环境的自适应控制。
在上述实施例的基础上，在将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型的步骤之前，所述方法还包括：
通过初始生长预测模型对第一环境监测数据和第一作物生长过程数据进行识别，得到第一作物生长状态预测信息；
通过训练好的图像识别模型对第一作物生长过程数据进行识别，得到第一图像识别信息；
将所述第一图像识别信息和第一作物生长状态预测信息进行对比，确定修正参数；
根据所述修正参数对所述初始生长预测模型进行训练，得到训练好的修正生长预测模型。
具体的，本发明实施例中所描述的初始生长预测模型是根据样本环境监测数据和样本作物生长过程数据训练得到的预测模型。
基于训练好的初始生长预测模型对采集的第一环境监测数据和第一作物生长过程数据进行识别，评估此时植物当下的生长阶段，得到第一作物生长状态预测信息。
通过训练好的图像识别模型对第一作物生长过程数据中的作物图像进行分析识别，得到植物株高。叶片数量、颜色和大小等特征和结构的变化等识别信息，即第一图像识别信息。
基于训练好的图像识别模型分析得到的第一图像识别信息中的作物识别信息与第一作物生长状态预测信息所对应的作物识别信息进行比较，确定修正参数。
将修正参数输入初始生长预测模型进行训练，对植物的生长过程的预测进行修正，得到训练好的修正生长预测模型。
本发明实施例通过比较初始生长预测模型所预测的生长状态预测信息所对应的作物识别信息与训练好的图像识别模型实际识别得到的图像识别信息进行对比，从而确定预测值与实际值之间存在的差值，将其作为修正参数，并将修正参数输入初始生长预测模型进行训练，从而使得训练好的修正生长预测模型预测的作物生长阶段预测信息更加准确。
在上述实施例的基础上，在所述通过初始生长预测模型对第一环境监测数据和第一作物生长过程数据进行识别的步骤之前，所述方法还包括：
获取多个样本环境监测数据和多个样本作物生长过程数据；
将每个样本环境监测数据和每个样本作为生长过程数据作为一组训练样本，获取多组训练样本；
利用多组训练样本对预设神经网络进行训练，当满足预设条件时，得到初始生长预测模型。
具体的，本发明实施例中所描述的预设条件可以是指预定训练次数，例如训练500次，预设条件也可以是指预设训练时间，例如训练30分钟。
本发明实施例中所描述的预设神经网络可以是指卷积神经网络，也可以是指深度前馈神经网络。
每个样本环境监测数据和每个样本作为生长过程数据作为一组训练样本，获取多组训练样本，进行训练，在满足预设条件时，得到初始生长预测模型。
本发明实施例中所描述的初始生长预测模型可以用于实现对于做作物生长状态预测信息的预测，有利于后续步骤的进行。
在上述实施例的基础上，在所述通过训练好的图像识别模型对第一作物生长过程数据进行识别的步骤之前，所述方法还包括：
获取多个样本作物生长过程数据，将每个样本作物生长过程数据作为一个训练样本，获取多个训练样本；
利用多个训练样本对预设神经网络进行训练，当满足预设条件时，得到训练好的图像识别模型。
具体的，本发明实施例中所描述的预设神经网络可以是指卷积神经网络，也可以是指深度前馈神经网络。
每个样本环境监测数据和每个样本作为生长过程数据作为一组训练样本，获取多组训练样本，进行训练，在满足预设条件时，得到初始生长预测模型。
本发明实施例中所描述的作物生长过程数据是指作物生长过程中的作物图像。
本发明实施例通过利用多个作物生长过程数据对预设神经网络进行训练识别作物图像，得到图像识别信息，有利于后续步骤的进行。
在上述实施例的基础上，所述环境监测数据包括：温湿度数据、二氧化碳浓度数据、光照强度数据、营养液数据和土壤数据。
具体的，其中的环境监测数据可以是通过环境监测物联网设备采集的。
在上述实施例的基础上，所述预设生长阶段与种植数据库包括作物生长阶段信息和所述作物生长阶段信息所对应的种植环境参数信息。
具体的，预设生长阶段与种植数据库是基于历史种植环境数据和种植品质结果，选择种植优质种植结果对应的种植环境参数，形成生长阶段与其对应的种植环境参数库，基于不同的生长阶段，给出种植环境参数的调整建议，同时随着优质种植数据的积累和分析优化，更新预设生长阶段与种植数据库。
图2为本发明一实施例所描述的种植环境自适应控制步骤流程图，如图2所示，包括：
步骤210，分析历史不同种植环境参数与种植品质数据，找出优质的种植参数，形成预设生长阶段与种植数据库，用以指导在不同生长阶段的环境控制方案；
步骤220，基于历史采集的环境数据、生长过程数据和作物图像数据，训练初始生长预测模型和图像识别模型，分别用以预测作物的生长阶段和对采集的作物图像进行准确识别；
步骤230，利用环境监测物联网设备，采集生长过程的实时数据，输入生长预测模型，对作物生长阶段进行预测；
步骤240，对采集的图像进行分析，识别作物当下的实际信息；
步骤250，基于步骤240的识别结果和步骤230的生长预测进行对比，得到差异值，将差异值作为输入更新初始生长预测模型；
步骤260，基于生长阶段的判断，从预设生长阶段与种植数据库中获取该阶段的控制参数，下达给环境控制装置，环境控制装置获取参数控制的命令，进行环境参数的自适应控制和调节。
图3为本发明一实施例所描述的种植环境自适应控制装置结构示意图，如图3所示，包括：采集模块310、分析模块320和控制模块330；其中，采集模块310用于获取环境监测数据和作物生长过程数据；其中，分析模块320用于将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；其中，控制模块330用于根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。
本发明实施例提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
本发明实施例通过将环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，从而准确得到作物生长阶段预测信息，从而确定该作物生长阶段所对应的最优种植环境；其中，训练好的修正生长预测模型是通过考虑了样本环境监测数据、样本作物生长过程数据和人为干预所导致的修正参数进行训练，其考虑了植物生长过程中人为因素导致作物结构变化，使得预测的作物生长阶段预测信息更加准确，从而实现植物种植环境的自适应控制。
图4为本发明一实施例所描述的电子设备结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法：获取环境监测数据和作物生长过程数据；将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元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。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取环境监测数据和作物生长过程数据；将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。
本发明实施例提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储服务器指令，该计算机指令使计算机执行上述各实施例提供的方法，例如包括：获取环境监测数据和作物生长过程数据；将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
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，本领域的普通技术人员应当理解：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 (9)
1.一种种植环境自适应控制方法，其特征在于，包括：
获取环境监测数据和作物生长过程数据；
将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；
根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。
2.根据权利要求1所述种植环境自适应控制方法，其特征在于，在将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型的步骤之前，所述方法还包括：
通过初始生长预测模型对第一环境监测数据和第一作物生长过程数据进行识别，得到第一作物生长状态预测信息；
通过训练好的图像识别模型对第一作物生长过程数据进行识别，得到第一图像识别信息；
将所述第一图像识别信息和第一作物生长状态预测信息进行对比，确定修正参数；
根据所述修正参数对所述初始生长预测模型进行训练，得到训练好的修正生长预测模型。
3.根据权利要求2所述种植环境自适应控制方法，其特征在于，在所述通过初始生长预测模型对第一环境监测数据和第一作物生长过程数据进行识别的步骤之前，所述方法还包括：
获取多个样本环境监测数据和多个样本作物生长过程数据；
将每个样本环境监测数据和每个样本作为生长过程数据作为一组训练样本，获取多组训练样本；
利用多组训练样本对预设神经网络进行训练，当满足预设条件时，得到初始生长预测模型。
4.根据权利要求2所述种植环境自适应控制方法，其特征在于，在所述通过训练好的图像识别模型对第一作物生长过程数据进行识别的步骤之前，所述方法还包括：
获取多个样本作物生长过程数据，将每个样本作物生长过程数据作为一个训练样本，获取多个训练样本；
利用多个训练样本对预设神经网络进行训练，当满足预设条件时，得到训练好的图像识别模型。
5.根据权利要求1所述种植环境自适应控制方法，其特征在于，所述环境监测数据包括：温湿度数据、二氧化碳浓度数据、光照强度数据、营养液数据和土壤数据。
6.根据权利要求1所述种植环境自适应控制方法，其特征在于，所述预设生长阶段与种植数据库包括作物生长阶段信息和所述作物生长阶段信息所对应的种植环境参数信息。
7.一种种植环境自适应控制装置，其特征在于，包括：
采集模块，用于获取环境监测数据和作物生长过程数据；
分析模块，用于将所述环境监测数据和作物生长过程数据输入训练好的修正生长预测模型，得到作物生长阶段预测信息；
控制模块，用于根据所述作物生长阶段预测信息和预设生长阶段与种植数据库，确定环境控制方案。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述种植环境自适应控制方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述种植环境自适应控制方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910738893.2A CN110503253A (zh) | 2019-08-12 | 2019-08-12 | 一种种植环境自适应控制方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910738893.2A CN110503253A (zh) | 2019-08-12 | 2019-08-12 | 一种种植环境自适应控制方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110503253A true CN110503253A (zh) | 2019-11-26 |
Family
ID=68587202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910738893.2A Withdrawn CN110503253A (zh) | 2019-08-12 | 2019-08-12 | 一种种植环境自适应控制方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110503253A (zh) |
Cited By (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523215A (zh) * | 2020-04-15 | 2020-08-11 | 江苏科恒环境科技有限公司 | 一种信息分析、判断、存储的方法 |
| CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
| CN111650976A (zh) * | 2020-05-25 | 2020-09-11 | 南京理工大学 | 草莓温室大棚智能控制系统及温室草莓生长模型构建方法 |
| CN111814952A (zh) * | 2020-06-01 | 2020-10-23 | 珠海格力电器股份有限公司 | 植被生长监测方法、装置、设备及存储介质 |
| CN112255951A (zh) * | 2020-10-28 | 2021-01-22 | 西安中智电气创新技术有限公司 | 一种植物生长管理测控方法、装置及存储介质 |
| 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 |
| CN112930926A (zh) * | 2021-01-28 | 2021-06-11 | 电凯(常州)新能源技术研究院有限公司 | 一种基于深度学习的植物生产参数调优方法 |
| CN113470007A (zh) * | 2021-07-26 | 2021-10-01 | 柒久园艺科技(北京)有限公司 | 一种基于植物生长状态的数据分析方法、系统及存储介质 |
| CN113661866A (zh) * | 2021-08-20 | 2021-11-19 | 上海寻梦信息技术有限公司 | 农产品种植方法、装置、系统、设备及存储介质 |
| CN113934245A (zh) * | 2021-10-18 | 2022-01-14 | 电子科技大学成都学院 | 一种应用于大棚农作物的生长bp神经网络系统及其方法 |
| CN114051869A (zh) * | 2020-08-10 | 2022-02-18 | 鸿富锦精密电子(天津)有限公司 | 植物栽培系统及植物栽培箱的控制方法 |
| 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 |
| CN115666225A (zh) * | 2020-06-03 | 2023-01-31 | 纳米电子成像有限公司 | 生物制品的受控生长系统 |
| CN116058195A (zh) * | 2023-04-06 | 2023-05-05 | 中国农业大学 | 一种叶菜生长环境光照调控方法、系统及装置 |
| CN116307946A (zh) * | 2023-05-19 | 2023-06-23 | 中科航迈数控软件(深圳)有限公司 | 基于加工环境的自适应能耗评估方法、装置、设备及介质 |
| CN116310815A (zh) * | 2023-03-08 | 2023-06-23 | 重庆市农业科学院 | 一种适用于智能化茶园的病虫害预警及自学习方法 |
| CN117036954A (zh) * | 2023-08-22 | 2023-11-10 | 生态环境部南京环境科学研究所 | 一种植物区长势识别方法及系统 |
| CN117150785A (zh) * | 2023-09-05 | 2023-12-01 | 之江实验室 | 一种大豆生长全生育期仿真方法及系统 |
| CN117172958A (zh) * | 2023-10-23 | 2023-12-05 | 江苏新希望生态科技有限公司 | 一种豆芽生长实时数据管理方法 |
-
2019
- 2019-08-12 CN CN201910738893.2A patent/CN110503253A/zh not_active Withdrawn
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111523215A (zh) * | 2020-04-15 | 2020-08-11 | 江苏科恒环境科技有限公司 | 一种信息分析、判断、存储的方法 |
| CN111650976A (zh) * | 2020-05-25 | 2020-09-11 | 南京理工大学 | 草莓温室大棚智能控制系统及温室草莓生长模型构建方法 |
| CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
| CN111814952A (zh) * | 2020-06-01 | 2020-10-23 | 珠海格力电器股份有限公司 | 植被生长监测方法、装置、设备及存储介质 |
| CN115666225A (zh) * | 2020-06-03 | 2023-01-31 | 纳米电子成像有限公司 | 生物制品的受控生长系统 |
| CN114051869A (zh) * | 2020-08-10 | 2022-02-18 | 鸿富锦精密电子(天津)有限公司 | 植物栽培系统及植物栽培箱的控制方法 |
| CN114051869B (zh) * | 2020-08-10 | 2022-11-04 | 富联精密电子(天津)有限公司 | 植物栽培系统及植物栽培箱的控制方法 |
| CN112255951A (zh) * | 2020-10-28 | 2021-01-22 | 西安中智电气创新技术有限公司 | 一种植物生长管理测控方法、装置及存储介质 |
| 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 |
| 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 |
| CN112930926A (zh) * | 2021-01-28 | 2021-06-11 | 电凯(常州)新能源技术研究院有限公司 | 一种基于深度学习的植物生产参数调优方法 |
| CN113470007A (zh) * | 2021-07-26 | 2021-10-01 | 柒久园艺科技(北京)有限公司 | 一种基于植物生长状态的数据分析方法、系统及存储介质 |
| CN113661866A (zh) * | 2021-08-20 | 2021-11-19 | 上海寻梦信息技术有限公司 | 农产品种植方法、装置、系统、设备及存储介质 |
| CN113934245A (zh) * | 2021-10-18 | 2022-01-14 | 电子科技大学成都学院 | 一种应用于大棚农作物的生长bp神经网络系统及其方法 |
| 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 |
| CN116310815B (zh) * | 2023-03-08 | 2024-06-14 | 重庆市农业科学院 | 一种适用于智能化茶园的病虫害预警及自学习方法 |
| CN116310815A (zh) * | 2023-03-08 | 2023-06-23 | 重庆市农业科学院 | 一种适用于智能化茶园的病虫害预警及自学习方法 |
| CN116058195A (zh) * | 2023-04-06 | 2023-05-05 | 中国农业大学 | 一种叶菜生长环境光照调控方法、系统及装置 |
| CN116307946B (zh) * | 2023-05-19 | 2023-08-18 | 中科航迈数控软件(深圳)有限公司 | 基于加工环境的自适应能耗评估方法、装置、设备及介质 |
| CN116307946A (zh) * | 2023-05-19 | 2023-06-23 | 中科航迈数控软件(深圳)有限公司 | 基于加工环境的自适应能耗评估方法、装置、设备及介质 |
| CN117036954A (zh) * | 2023-08-22 | 2023-11-10 | 生态环境部南京环境科学研究所 | 一种植物区长势识别方法及系统 |
| CN117036954B (zh) * | 2023-08-22 | 2024-04-26 | 生态环境部南京环境科学研究所 | 一种植物区长势识别方法及系统 |
| CN117150785A (zh) * | 2023-09-05 | 2023-12-01 | 之江实验室 | 一种大豆生长全生育期仿真方法及系统 |
| CN117150785B (zh) * | 2023-09-05 | 2024-05-24 | 之江实验室 | 一种大豆生长全生育期仿真方法及系统 |
| CN117172958A (zh) * | 2023-10-23 | 2023-12-05 | 江苏新希望生态科技有限公司 | 一种豆芽生长实时数据管理方法 |
| CN117172958B (zh) * | 2023-10-23 | 2024-02-06 | 江苏新希望生态科技有限公司 | 一种豆芽生长实时数据管理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110503253A (zh) | 一种种植环境自适应控制方法及装置 | |
| US11308715B2 (en) | AI-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits | |
| CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
| CN110363355B (zh) | 一种氧化铝生产指标的云-边协同预报系统及方法 | |
| CN112200316B (zh) | 一种针对在线预测任务的gbdt学习方法 | |
| CN115529987B (zh) | 作物设施的风口调控方法、装置、设备及存储介质 | |
| CN111582584A (zh) | 基于航空公司公平性的航段运行时间优化方法 | |
| CN114752996A (zh) | 一种单晶硅放肩阶段开叉的智能调整方法以及存储介质 | |
| CN114637351B (zh) | 一种设施作物温室环境调控方法及系统 | |
| CN114004433A (zh) | 一种养殖鱼类生长环境调控方法及装置 | |
| CN113545280B (zh) | 一种基于植株萎蔫程度进行精准灌溉的系统及方法 | |
| CN110147403A (zh) | 农业大数据融合方法、装置、设备及存储介质 | |
| CN114442686A (zh) | 溶解氧浓度的控制方法、装置、电子设备及存储介质 | |
| CN117873238A (zh) | 一种植物生长控制方法及其系统、计算机设备和存储介质 | |
| CN116523149B (zh) | 微小害虫防治适期预测方法、装置、电子设备和存储介质 | |
| JP7335459B2 (ja) | 調整された育成プロトコル目標値を用いる実験 | |
| CN111524023A (zh) | 温室调节方法及系统 | |
| CN109828623A (zh) | 温室作物情景感知的生产管理方法及装置 | |
| CN115201394A (zh) | 一种多组分变压器油色谱在线监测方法及相关装置 | |
| CN110262410B (zh) | 一种数据驱动的生产线设备调配控制方法 | |
| CN114202500A (zh) | 用于监控机器学习模型的学习过程的显微镜系统和方法 | |
| KR20240052516A (ko) | 이종 환경 및 생육 데이터 통합방법 및 이에 기반한 햄프의 생육 조건 조절방법 | |
| CN115170967A (zh) | 一种茶叶采摘方法、装置、电子设备和存储介质 | |
| CN117530408A (zh) | 一种基于蛋清和蛋黄品质的皮蛋品质控制方法和系统 | |
| CN116859859A (zh) | 一种云平台厂区生产环境调控系统及方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200114 Address after: Room 2701, floor 27, building 4, yard 1, Wangzhuang Road, Haidian District, Beijing 100083 Applicant after: Beijing Huanding Environmental Protection Big Data Research Institute Address before: Room 2701, floor 27, building 4, yard 1, Wangzhuang Road, Haidian District, Beijing 100083 Applicant before: Beijing Huanding Environmental Protection Big Data Research Institute Applicant before: Beijing micro core edge computing Institute |
|
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20191126 |