CN111263920A - 用于控制作物的生长环境的系统和方法 - Google Patents

用于控制作物的生长环境的系统和方法 Download PDF

Info

Publication number
CN111263920A
CN111263920A CN201880068815.XA CN201880068815A CN111263920A CN 111263920 A CN111263920 A CN 111263920A CN 201880068815 A CN201880068815 A CN 201880068815A CN 111263920 A CN111263920 A CN 111263920A
Authority
CN
China
Prior art keywords
crop
growth
index
growing environment
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
Application number
CN201880068815.XA
Other languages
English (en)
Inventor
斯克特·迪克森·达贡东
拉梅恩·索米特·杜塔
阿拉斯泰尔·蒙克
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.)
9337 4791 Quebec Co Ltd
9337-4791魁北克股份有限公司
Original Assignee
9337 4791 Quebec Co Ltd
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 9337 4791 Quebec Co Ltd filed Critical 9337 4791 Quebec Co Ltd
Publication of CN111263920A publication Critical patent/CN111263920A/zh
Pending legal-status Critical Current

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
    • A01G9/18—Greenhouses for treating plants with carbon dioxide or the like
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • 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
    • 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
    • A01G7/00—Botany in general
    • 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
    • A01G7/00—Botany in general
    • A01G7/04—Electric or magnetic or acoustic treatment of plants for promoting growth
    • A01G7/045—Electric or magnetic or acoustic treatment of plants for promoting growth with electric lighting
    • 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
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • 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
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/021—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system in which a variable is automatically adjusted to optimise the performance
    • 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
    • G05B13/048—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 using a predictor
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Environmental Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Botany (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Forests & Forestry (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Soil Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

用于控制作物的生长环境的方法和系统。该方法包括：访问对作物的动态生长协议进行建模的一组控制数据；命令控制装置实现控制值；从位于生长环境内的多个监测装置接收与生长环境有关的监测数据。该方法还包括：计算生长指数；基于预测模型来生成针对作物的产量预测；至少基于监测数据、生长指数和产量预测来生成预测推荐；修改动态生长协议；以及命令控制装置实现经更新的控制值。可以从多个生长环境简档选择针对作物的生长环境的简档并且可以基于后期生长指数来更新所选择的简档，所述多个生长环境简档从各种源获得。

Description

用于控制作物的生长环境的系统和方法
相关申请的交叉引用
本申请要求于2017年9月8日提交的美国临时专利申请第62/555,910号以及于2018年4月5日提交的美国临时专利申请第62/653,480号的优先权，所述两个美国临时专利申请的全部内容通过引用并入本文中。
技术领域
本技术涉及控制作物的生长环境的系统和方法。具体地，所述系统和方法使得能够影响在生长环境例如但不限于温室内的作物的生长。
背景技术
受控生长环境例如温室通常配备有控制装置和/或监测装置(例如，传感器)。控制装置使得能够控制影响生长环境内的作物的生长的环境因素(同样地称为环境条件或生长条件)。根据已知方法，环境因素可以根据由主要种植者和/或农艺师制定的生长配方来手动地改变。
最近的发展使得基于由监测装置收集的数据使控制装置的控制的某些方面自动化成为可能。这样的最近的发展可以在美国专利公开2016/0033943中找到，该专利教导了在控制装置调节条件的同时提供环境条件和植物生长信息的传感器。可以生成计算出的用于植物的生长的数据点，并且可以获得用于生长的最佳输入变量值。可以基于用于实现目标值的目标路径来确定控制装置设置值。
其他最近的发展包括在美国专利公开2017/0161560中描述的技术，该技术涉及用于预测收获产量的系统和方法。该方法包括：接收与作物有关的监测数据；经由机器视觉对多媒体内容元素进行分析；基于该分析来提取与作物的发育有关的特征；以及基于特征和预测模型来生成收获产量预测，该预测模型基于训练输入和对应的训练输出。
即使以上确定的最近的发展可以提供益处，但是仍期望改进。
在背景技术部分中讨论的主题不应当仅仅由于其在背景技术部分中提及而被假设为是现有技术。类似地，在背景技术部分中提及的或与背景技术部分的主题相关联的问题不应当被假设为是在现有技术中先前已经认识到的。背景技术部分中的主题仅仅表示不同的方法。
发明内容
基于开发人员对与现有技术相关联的缺点的理解，已经开发了本技术的实施方式。
具体地，此类缺点可以包括(1)准确地量化作物的生理特征的发育的有限能力；(2)用于生成预测推荐的有限能力；以及/或者(3)用于改善控制装置的控制的自动化和/或用于修改动态生长协议的预测推荐的有限准确性。
在一个方面，本技术的各种实现方式提供了一种用于控制作物的生长环境的方法，该方法包括：
访问对作物的动态生长协议进行建模的一组控制数据；
命令控制装置实现控制值，所述控制值已经基于一组控制数据确定，控制装置位于生长环境内，控制装置至少部分地控制生长环境的环境因素；
从位于生长环境内的多个监测装置接收与生长环境有关的监测数据；
计算生长指数，该生长指数量化了作物的生理特征；
基于预测模型来生成针对作物的产量预测，预测模型包括与生长环境相关联的训练数据；
至少基于监测数据、生长指数和产量预测来生成预测推荐；
通过基于预测推荐更新所述一组控制数据来修改动态生长协议；以及
命令控制装置实现经更新的控制值，经更新的控制值已经基于经更新的一组控制数据而确定。
在其他方面，本技术的各种实现方式提供了一种非暂态计算机可读介质，其存储有用于执行控制作物的生长环境的程序指令，所述程序指令可由基于计算机的系统的处理器执行以执行上述方法中的一个或更多个。
在其他方面，本技术的各种实现方式提供了一种基于计算机的系统，诸如例如但不限于电子装置，该电子装置包括至少一个处理器和存储有用于执行控制作物的生长环境的程序指令的存储器，所述程序指令可由电子装置的至少一个处理器执行以执行上述方法中的一个或更多个。
在另一方面，本技术的各种实现方式提供了一种用于针对作物的生长环境选择简档的方法，该方法包括：
计算针对作物的生长指数，该生长指数量化了作物的生理特征；
获取多个生长环境简档，多个生长环境简档中的每个给定的生长环境简档包括：针对作物的植物表型；以及包括与给定的生长环境简档相关联的训练数据的预测模型；
针对每个给定的生长环境简档：
基于包括在给定的生长环境简档中的预测模型来生成针对作物的产量预测；
将针对作物的产量预测与针对作物的生长指数进行比较；以及
选择与提供生长指数的最佳匹配的产量预测相关联的生长环境简档。
在其他方面，本技术的各种实现方式提供了一种非暂态计算机可读介质，其存储有用于执行针对作物的生长环境选择简档的程序指令，所述程序指令可由基于计算机的系统的处理器执行以执行上述方法中的一个或更多个。
在其他方面，本技术的各种实现方式提供了一种基于计算机的系统，诸如例如但不限于电子装置，该电子装置包括至少一个处理器和存储有用于针对作物的生长环境执行选择简档的程序指令的存储器，所述程序指令可由电子装置的至少一个处理器执行以执行上述方法中的一个或更多个。
在本说明书的上下文中，除非另有明确地说明，否则计算机系统可以指但不限于“电子装置”、“操作系统”、“系统”、“基于计算机的系统”、“控制器单元”、“监测装置”、“控制装置”和/或其适合于当前相关任务的任何组合。
在本说明书的上下文中，除非另有明确地说明，否则表述“计算机可读介质”和“存储器”旨在包括任何性质和种类的介质，介质的非限制性示例包括RAM、ROM、磁盘(CD-ROM、DVD、软盘、硬盘驱动器等)、USB密钥、闪存卡、固态驱动器和磁带驱动器。仍然在本说明书的上下文中，“一种(a)”计算机可读介质和“该(the)”计算机可读介质不应当被解释为是相同的计算机可读介质。相比之下，并且在适当的时候，“一种”计算机可读介质和“该”计算机可读介质也可以被解释为第一计算机可读介质和第二计算机可读介质。
在本说明书的上下文中，除非另有明确地说明，否则词语“第一”、“第二”、“第三”等仅用作形容词出于允许区分它们彼此修饰的名词的目的，而不是出于描述那些名词之间的任何特定关系的目的。
本技术的实现方式均具有上面提及的目的和/或方面中的至少之一，但不一定具有上面提及的目的和/或方面的全部。应当理解，本技术的由于试图实现上面提及的目的而得到的某些方面可能不满足该目的和/或可能满足本文中未具体叙述的其他目的。
根据以下描述、附图和所附权利要求书，本技术的实现方式的附加和/或替选的特征、方面和优点将变得明显。
附图说明
为了更好地理解本技术以及本技术的其他方面和其他特征，参照以下结合附图使用的描述，在附图中：
图1是根据本技术的实施方式的计算环境的图；
图2是根据本技术的实施方式的生长环境的图；
图3是根据本技术的实施方式的实现用于监测和控制生长环境的预测模型的系统；
图4至图11是根据本技术的实施方式的由系统执行的用于监测和控制生长环境的各种模块的图；
图12至图17是根据本技术的实施方式的可以如何计算生长指数的示例性实施方式；
图18示出了根据本技术的实施方式的生成的产量预测的示例；
图19至图21是根据本技术的实施方式的生长日志的示例性实施方式；
图22是示出流程图的图，该流程图示出了实现本技术的实施方式的计算机实现的方法；
图23A和图23B是示出流程图的图，该流程图示出了实现本技术的其他实施方式的计算机实现的方法；
图24是示出常规产量预测、使用本技术获得的产量预测与实际收获结果之间的比较的曲线图；以及
图25示出了根据本技术的实施方式的算法开发处理的流程。
还应当注意，除非本文中另有明确地指定，否则附图没有按比例绘制。
具体实施方式
本文中叙述的示例和条件语言主要地旨在帮助读者理解本技术的原理，而不是将其范围限制为这样的特别叙述的示例和条件。应当理解，本领域技术人员可以设计各种布置，尽管本文中没有明确地描述或示出所述布置，但是它们体现了本技术的原理并且被包括在本技术的精神和范围内。
此外，为了帮助理解，以下描述可以描述本技术的相对简化的实现方式。如本领域技术人员将理解的，本技术的各种实现方式可能具有较大的复杂性。
在某些情况下，也可以阐述被认为是对本技术的修改的有用示例。这样做仅仅是为了帮助理解，并且同样不是为了限定范围或阐述本技术的界限。这些修改不是详尽的列表，并且本领域技术人员可以在仍然保留在本技术的范围内的同时进行其他修改。此外，在未阐述修改的示例的情况下，不应当解释为修改不可行和/或所描述的内容是实现本技术的该元素的唯一方式。
此外，本文中叙述本技术的原理、方面和实现方式的所有陈述以及本技术的具体示例旨在涵盖本技术的结构和功能等同物，无论它们是当前已知的还是将来开发的。因此，例如，本领域技术人员应当理解，本文中的任何框图表示体现本技术原理的说明性电路的概念图。类似地，应当理解，任何流程图、流图、状态转换图、伪代码等表示基本上可以在计算机可读介质中表示并且因此由计算机或处理器执行的各种过程，无论是否明确地示出这样的计算机或处理器。
可以通过使用专用硬件以及能够与适当的软件相关联地执行软件的硬件来提供附图中所示的包括标记为“处理器”的任何功能框的各种元件的功能。当由处理器提供时，功能可以由单个专用处理器、单个共享处理器或其中一些可以共享的多个单独的处理器提供。在本技术的一些实施方式中，处理器可以是通用处理器例如中央处理单元(CPU)或专用于特定目的的处理器例如数字信号处理器(DSP)。此外，术语“处理器”的明确使用不应当被理解为专门地指能够执行软件的硬件，并且可以隐含地包括但不限于专用集成电路(ASIC)、现场可编程门阵列(FPGA)、用于存储软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储器。也可以包括其他常规的和/或定制的硬件。
软件模块或简单地暗示为软件的模块在本文中可以表示为指示处理步骤和/或文本描述的执行的流程图元素或其他元素的任何组合。这样的模块可以由明确地或隐含地所示的硬件执行。此外，应当理解，模块可以包括例如但不限于提供所需能力的计算机程序逻辑、计算机程序指令、软件、堆栈、固件、硬件电路或它们的组合。
总体而言，本技术公开了下述预测模型，该预测模型可以用于设计低误差作物和温室特定的产量预测算法。该预测模型可以用于产生例如每周、每两周、每月、6周和/或8周的收获预测。该预测模型可以应用于使用室内和室外气候数据、来自部署在温室中的传感器的数据、植物的视觉提示、照明数据以及从相关文献获得的机构知识。与在使用常规的预测技术时相比，使用预测模型来估计某些感兴趣的作物的生长已经提供了具有较低的误差率的估计。图24是示出常规产量预测、使用本技术获得的产量预测与实际收获结果之间的比较的曲线图。在曲线图2300上，曲线2310示出了在25周的时间段内的实际收获结果，曲线2320和2330分别示出了常规产量预测和使用本技术获得的产量预测。鉴于实际收获结果210，常规产量预测2320的平均误差在约25％的范围内。鉴于实际收获结果2310，使用本技术获得的产量预测2330的平均误差在约6％的低得多的范围内。
通过这些恰当的基本原理，我们现在将考虑一些非限制性示例以示出本技术的各方面的各种实现方式。
图1示出了根据本技术的实施方式的计算环境100的图。在一些实施方式中，计算环境100可以由以下中的任一种实现：适合于当前相关任务的常规的个人计算机、专用于操作自动化植物栽培的计算机、控制器和/或电子装置(例如但不限于移动装置、平板装置、服务器、控制器单元、控制装置、监测装置等)以及/或者它们的任何组合。在一些实施方式中，计算环境100包括各种硬件部件，所述硬件部件包括由处理器110、固态驱动器120、随机存取存储器130和输入/输出接口150共同表示的一个或更多个单核或多核处理器。计算环境100可以是专门设计用于操作自动化作物栽培的计算机。在一些替选的实施方式中，计算环境100可以是通用计算机系统。
在一些实施方式中，计算环境100还可以是以上列出的系统之一的子系统。在一些其他实施方式中，计算环境100可以是“现成的”通用计算机系统。在一些实施方式中，计算环境100还可以分布在多个系统之中。计算环境100还可以专门致力于本技术的实现方式。如本技术领域的技术人员可以理解的，在不脱离本技术的范围的情况下，可以设想关于如何实现计算环境100的多种变型。
计算环境100的各种部件之间的通信可以通过一个或更多个内部和/或外部总线160(例如，PCI总线、通用串行总线、IEEE 1394“Firewire”总线、SCSI总线、串行ATA总线、ARINC总线等)启用，各种硬件部件电子地耦接至一个或更多个内部和/或外部总线160。
输入/输出接口150可以使得能够启用联网功能例如有线或无线访问。作为示例，输入/输出接口150可以包括联网接口例如但不限于网络端口、网络套接字、网络接口控制器等。可以如何实现联网接口的多个示例对于本技术的领域的技术人员将变得明显。例如但不限于，联网接口可以实现特定的物理层和数据链路层标准例如以太网、光纤信道、Wi-Fi或令牌环。特定的物理层和数据链路层可以为完整的网络协议栈提供基础，从而使得能够在同一局域网(LAN)上的小型计算机组之间进行通信，并且通过可路由协议例如因特网协议(IP)进行大规模网络通信。
根据本技术的实现方式，固态驱动器120存储有适于被加载至随机存取存储器130中并且由处理器110执行的用于执行对作物的生长环境的控制的程序指令。例如，程序指令可以是库或应用的一部分。
参照图2，描绘了生长环境200。在一些实施方式中，生长环境200可以是温室例如常规地用于室内栽培的温室。在一些实施方式中，生长环境200可以被称为生长室。在一些实施方式中，例如对于温室，生长环境使得能够对至少某些环境因素进行高水平控制。这可以与其中较少控制可以是可用的室外栽培形成对比。
生长环境200包括控制器单元210、一个或更多个控制装置220、一个或更多个监测装置230(也称为“传感器”)、一种或更多种作物240、摄像装置250和光源260。在一些实施方式中，控制器单元210连接至控制装置220中的一个或更多个、监测装置230中的一个或更多个、摄像装置250和/或光源260。该连接可以是有线的或无线的。在一些实施方式中，控制器单元210可以以与计算环境100类似的方式来实现，并且可以包括控制逻辑以控制控制装置220中的一个或更多个、监测装置230中的一个或更多个、摄像装置250和/或光源260。在一些实施方式中，控制器单元210可以从控制装置220中的一个或更多个、监测装置230中的一个或更多个、摄像装置250和/或光源260接收数据以及/或者向控制装置220中的一个或更多个、监测装置230中的一个或更多个、摄像装置250和/或光源260发送数据。在一些替选的实施方式中，控制器单元210的功能可以跨控制装置220中的一个或更多个、监测装置230中的一个或更多个、摄像装置250和/或光源260分布，从而致使其中控制装置220中的一个或更多个、监测装置230中的一个或更多个、摄像装置250和/或光源260均包括控制逻辑的配置。在这样的实施方式中，可以不需要作为独立单元的控制器单元210。
在一些实施方式中，控制器单元210可以访问由一组控制数据和/或监测数据进行建模的动态生长协议。如本文中所使用的，表述“动态生长协议”指定鉴于在特定环境中获得针对特定作物的预期产量而要遵循的一组指令。鉴于不时地或连续地从监测装置230获得的并且使用机器学习或其他人工智能技术进行处理的信息，该生长协议是动态的且可适应的。可以依赖于一组控制数据和/或监测数据来控制一个或更多个控制装置220，从而使得能够至少部分地控制作物所位于的生长环境。在一些实施方式中，控制生长环境致使直接地或间接地影响一种或更多种作物240的生长。在一些实施方式中，一个或更多个控制装置220使得能够模仿室外生长条件和/或创建以其他方式在室外不可能的特定生长条件。在一些实施方式中，一个或更多个控制装置220可以系统地重复动态生长协议，从而使得能够通过控制作物的整个栽培来对作物进行系统栽培。因此，可以以作物的第二后续产量可能类似于或高于作物的第一产量的这样的方式来再现作物的第一产量。在一些实施方式中，由生长环境200生成的数据分析被配置成识别改善产量结果的因素并且修改动态生长协议，从而在执行生长周期时改善产量。
在一些实施方式中，一个或更多个控制装置220使得能够控制生长环境200的一个或更多个环境因素。一个或更多个控制装置220中的每一个可以被配置成接收控制值，一个或更多个控制装置220实现控制值以生成期望的输出(例如，温度的升高或降低、CO2水平的升高或降低等)。在一些实施方式中，从控制器单元210接收控制值。控制装置220的非限制性示例可以包括加热器、加热、通风和空气调节(HVAC)单元、pH泵、营养泵、储存器加热器、储存器冷却器、电磁阀、加湿器、除湿器、空气调节器和/或风扇，以及用于饲喂作物的灌溉设备的流量、浓度和持续时间。在一些实施方式中，一个或更多个控制装置220中的每一个可以根据专用控制值来独立地命令。例如但不限于此，控制值可以包括布尔值(风扇_打开、风扇_关闭)、数值(T＝20摄氏度)或对于本技术的领域的技术人员可能明显的其他类型的值。
即使图2中描绘的实施方式示出了与一个或更多个控制装置220不同的光源260，但是应当理解，在一些实施方式中，光源260可以是控制装置本身。在一些实施方式中，光源260可以代替对自然光源270的需求或者与自然光源270结合使用。
在一些实施方式中，一个或更多个监测装置230使得能够经由生长环境200的测量例程来感测一个或更多个环境因素。在一些实施方式中，监测装置230可以是具有简单的输出的电气装置或机电装置或者可以是更复杂的计算实体。一个或更多个监测装置230中的每一个可以被配置成生成并且发送与生长环境200有关的监测数据。在一些实施方式中，监测数据被发送至控制器单元210。监测装置230的非限制性示例可以包括空气温度温度计、土壤温度温度计、液体温度温度计、红外线(IR)温度计、紫外线(UV)传感器、光合有效辐射(PAR)水平传感器、电导率(EC)传感器、总溶解固体(TDS)传感器、氧传感器、气氛湿度传感器、土壤湿度传感器、CO2传感器、气体组分传感器、光水平传感器(light level sensor)、颜色传感器、pH传感器和/或液位传感器。因此，监测数据可以包括温度数据、气氛数据、视觉数据、土壤数据等。在不脱离本技术的范围的情况下，还可以设想监测装置230和/或监测数据的其他示例。
即使图2中描述的实施方式示出了与一个或更多个监测装置230不同的摄像装置250，但是应当理解，在一些实施方式中，摄像装置250可以是监测装置230本身。在一些实施方式中，摄像装置250是生成多媒体文件的图像捕获装置，例如但不限于静态摄像装置、红绿蓝摄像装置、多光谱摄像装置、超光谱摄像装置、视频摄像装置等。在一些实施方式中，摄像装置250可以被配置成捕获作物240的至少一部分的图像和/或视频。所捕获的图像和/或视频(例如，多媒体文件)可以具有各种分辨率(低分辨率、中分辨率或高分辨率)。在一些实施方式中，分辨率足以使得能够量化作物的生理特征(例如，作物240的发育的不同阶段)。在一些实施方式中，分辨率是高清晰度(HD)分辨率例如4K分辨率以提供要计算的足够准确水平的生长指数。在一些实施方式中，摄像装置以相对于作物的角度定位。在一些实施方式中，该角度为45度。在一些其他实施方式中，该角度为约45度。在一些实施方式中，将摄像装置与作物之间的距离确定成使得可以由摄像装置捕获作物的整个冠层，从而使得能够生成整个冠层的生长指数。所捕获的图像和/或视频还可以捕获可见波长范围之外的波长(例如，红外线波长)。摄像装置250还可以包括通信模块，该通信模块使得能够将所捕获的图像和/或视频发送至例如但不限于控制器单元210。在一些实施方式中，摄像装置250与控制器单元210之间的连接是有线连接。在一些其他实施方式中，摄像装置250与控制器单元210之间的连接是无线连接。在再一另外的实施方式中，可以基于对作物的生理特征的手动测量来计算生长指数。无论是基于多媒体文件还是基于手动测量，关于其计算生长指数的作物的生理特征可以包括一个或更多个果实重量、叶大小、茎直径、花簇的数目以及簇中的花的数目。
作物240可以包括一种或更多种类型的作物例如但不限于植物、水果、蔬菜、树、叶等。在一些实施方式中，生长环境200专用于特定类型的作物，从而使得能够应用特定于作物类型的动态生长协议。在一些其他实施方式中，生长环境200可以同时控制两种不同作物(例如，草莓和薄荷)的生长。在示例性实施方式中，即使将控制用于控制两种不同作物的生长，控制也可以依赖于单个动态生长协议。
现在转向图3，描绘了实现用于监测和控制作物的生长环境例如生长环境200的预测模型的系统300。在一些实施方式中，系统300经由通信信道302连接至控制器单元210和/或控制装置220和/或监测装置230。在一些实施方式中，通信信道302可以是因特网和/或内联网。可以设想通信信道302的多个实施方式，并且多个实施方式对于本技术的领域的技术人员将变得明显。在一些实施方式中，系统300可以经由控制器单元210连接至控制装置220和/或监测装置230。可以设想其他数据流，而来自其他控制器单元的数据不同于但可能类似于系统200。在一些实施方式中，第三方控制器306可以通过通信信道302的云基础设施中的应用编程接口(API)或通过使用控制器单元210作为网关来对数据进行流传输。其他传感器和/或控制数据可以使用某种网络协议例如表示状态转移(REST)API 304通过云基础设施直接地连接。在一些其他实施方式中，系统300可以直接地连接至控制装置220和/或监测装置230。在一些替选的实施方式中，系统300在控制器装置210上至少部分地实现。在又一些替选的实施方式中，系统300可以跨控制器单元210和/或控制装置220和/或监测装置230分布。
在一些实施方式中，系统300可以在与计算环境100类似的计算环境上实现。在一些实施方式中，系统300可以托管在安装在生长环境200内或附近的服务器上。在一些替选的实施方式中，系统300可以通过云架构被部分地或全部地虚拟化。
在一些实施方式中，系统300包括入口调查模块310、动态生长协议模块320、生长指数模块330、产量预测模块340、决策者模块350和出口调查模块360。在一些实施方式中，系统300还包括机器学习模块370。机器学习模块370可以访问动态生长协议数据库372和/或训练模型数据库374和/或植物表型数据库(DB)376。植物表型DB 376包含已经通过植物表型分类的数据，使得机器学习模块370可以容易地访问植物表型DB 376。
在一些实施方式中，机器学习模块370可以实现一种或更多种机器学习算法，以利用所获取的数据与在动态生长协议数据库372和/或训练模型数据库374任一中可用的数据。由机器学习模块370实现的机器学习算法的示例可以包括但不限于线性回归、逻辑回归、决策树、支持向量机、朴素贝叶斯、K近邻、K均值、随机森林、降维、神经网络、梯度提升和/或自适应增强。在一些实施方式中，动态生长协议数据库372和/或训练模型数据库374可以通过数据库服务例如但不限于MySQL、PoastgreSQL、MongoDB、MariaDB、Microsoft SQLServer、Oracle、Sybase、SAP HANA、MemSQL和/或IBM DB2来实现。
图4中例示了机器学习模块310的实施方式。在一些实施方式中，机器学习模块370使用从植物表型DB 376获取的数据。此外，使用表型分析模块382将从大学和出版物获得的来自一个或更多个远程源例如开放源数据模型、气候数据源和研究数据源380的数据378连续地馈送至植物表型DB 376中以识别数据。在一些实施方式中，系统370可以根据来自植物表型DB 376的植物表型连续地运行算法训练实例386以来提高算法的效率。可以将算法得分记录在训练模型DB 384中。然后，可以在产量预测API模块的执行700期间调用这些算法。
图5中例示了入口调查模块310的示例性实施方式。在该实施方式中，入口调查模块310被配置成执行方法400的各个步骤，方法400使得能够收集数据，然后可以由系统300使用所述数据来启动针对给定类型的作物的生长周期的执行。在开始新的生长周期时(例如，在种植针对给定类型的作物的种子时)，方法400由步骤410开始，在步骤410期间，用户初始化周期的开始。可以输入或者可以自动地生成识别周期的开始的时间戳。方法400还可以在步骤420处进行收集与植物表型有关的数据。在一些实施方式中，植物表型可以是由于其基因型与给定环境相互作用而得到的植物的一组可观察的特征。作为示例，但不限于此，发现植物山柳菊(Hieracium umbellatum)在瑞典生长在两个不同的生境中。一个生境是多岩石的海边悬崖，在多岩石的海边悬崖中，植物灌木丛生具有宽阔的叶子和膨大的花序；另一个在沙丘中，在沙丘中，植物爬地生长具有狭窄的叶子和紧凑的花序。这些生境沿着瑞典的海岸交替变化，而山柳菊的种子所栖息的生境决定了生长的表型。作为另一示例，第一植物表型可以是在补充照明下生长的基因型早期粉红色番茄。在又一示例中，第二植物表型可以是使用井水和有机营养物以气雾法生长的灵感F1杂交种灯笼椒。在步骤430处，方法400可以进行收集与安装有用于生长周期的生长环境的生长设备有关的数据。数据可以包括与控制装置220和/或监测装置230有关的信息，例如但不限于，控制装置220和/或监测装置230的数目、控制装置220和/或监测装置230的位置、与控制装置220和/或监测装置230有关的细节(例如，特定时间、能力、协议、设置等)。在一些实施方式中，数据还可以包括与生长环境本身有关的信息(例如，生长环境的尺寸)。在步骤440处，方法400可以进行(自动地或手动地)选择生长方法。作为示例，生长方法可以包括一个或更多个步骤，例如(1)使用营养物进行的叶面饲喂；(2)在播种阶段期间的紫外线处理；(3)使用的井水与反渗透水；(4)储存器改变的频率；(5)用于植物生产的营养物和/或用于植物生产的添加剂。在步骤450处，方法400可以进行(自动地或手动地)选择生长介质。作为示例，生长介质可以包括以下中的一种或更多种：(1)水培法或土壤；(2)土壤的类型(例如，沙土、粉砂土、黏土、泥炭土、盐渍土)；(3)水培法的类型(例如，气雾法、芯(wick)、水培涨落法(water culture ebb andflow)、营养液膜技术(NFT))；(4)水培法的生长介质(例如，岩棉、轻质膨胀粘土骨料也称为水玉米(hydrocorn)或生长岩石(grow rock)、椰子纤维(coconut fiber)/椰子片(coconutchips)和/或珍珠岩/蛭石(vermiculite))。在一些实施方式中，在步骤460处，方法400还可以进行选择生长环境的地理位置，这是因为其在某些情况下可能对生长周期产生影响(例如，白天时间量等)。在步骤460处，通过基于位置的服务或通过用户输入来记录地理位置。在一些实施方式中，使用系统300中提供的数据，在步骤465处将植物表型记录至植物表型DB 376中以用于表型分析的目的。在机器学习系统370内可以利用存储在植物表型DB 376中的数据。
然后，在步骤470处，方法400可以进行启动动态生长协议。在一些实施方式中，可以在存储在动态生长协议数据库372中的多个动态生长协议中选择与作物相关联的动态生长协议。在一些实施方式中，可以由系统300基于由执行方法400的入口调查模块310收集的数据来修改所选择的动态生长协议。在一些实施方式中，然后可以将经修改的动态生长协议添加至动态生长协议数据库372。在一些实施方式中，由系统300使用由入口调查模块310收集的数据来例如基于植物表型对经修改的动态生长协议进行分类，使得可以由机器学习模块370影响(leveraged)动态生长协议数据库372的与类似的植物表型相关联的经修改的动态生长协议和预先存在的动态生长协议。在一些实施方式中，机器学习模块370可以聚合来自经修改的动态生长协议和预先存在的动态生长协议的数据，使得当随时间使用系统300时，可以聚合来自给定用户和/或来自多个用户的多个动态生长协议，以提高动态生长协议的相关性和/或效率。
一旦入口调查模块310完成收集数据，就开始由动态生长协议模块320执行动态生长协议。图6中例示了动态生长协议模块320的实施方式。在该实施方式中，动态生长协议模块320被配置成执行方法500的各个步骤，方法500使得能够执行和/或修改动态生长协议。方法500在510处通过记录作物的初始状态而开始。在一些实施方式中，步骤510可以通过用户输入与初始状态有关的信息来手动地完成或者通过系统300例如基于由摄像装置250捕获的图像和/或视频自动地完成。在步骤520处，方法500进行从位于生长环境内的监测装置230获取数据。所获取的数据包括与生长环境有关的监测数据。例如但不限于，监测数据可以包括空气温度、相对湿度、增湿不足、光水平、光合有效辐射(PAR)水平、红/蓝/绿水平、紫外线(UV)水平、红外线(IR)水平、CO2水平、pH水平、电导率(EC)水平、总溶解固体(TDS)水平、储存器温度、储存器水位、溶解氧等。在一些实施方式中，方法500还获取原始设置点，例如与监测装置230相关联的警报和/或与控制装置220相关联的触发点。在一些实施方式中，警报可以是警报设置点，所述警报设置点包括用于在监测装置230已经超出给定范围时通知用户的一组值。作为示例，如果将pH警报设置点设置在5.5至6.5的范围内，并且pH下降至5.0，则可以向用户发送警报。警报可以包括桌面通知、移动通知、电子邮件、SMS和/或打电话。在一些实施方式中，警报设置点可以自动地调整为当生长条件超出针对动态生长协议的理想范围时。可以使用算法来对来自先前的生长日志的数据与类似的植物表型进行比较，并且相应地调整警报设置点。在一些实施方式中，触发点可以是触发设置点，所述触发设置点包括在监测装置230超出给定范围时用于控制装置220的一组值。作为示例，如果增湿器设置点在30％至50％的范围内，则增湿器可以在湿度装置下降至30％以下时切换为“打开”，而在湿度装置在50％处时切换为“关闭”。替选地，如果将除湿器设置点设置在80％至60％的范围内，则除湿器可以在湿度装置上升至80％时切换为“打开”，而在湿度装置在60％处时切换为“关闭”。触发设置点可以自动地调整为模仿在动态生长协议内的最佳生长条件。可以使用算法来对来自先前的生长日志的数据与类似的植物表型进行比较，并且相应地调整触发设置点。
接下来，可以执行迭代步骤530和540。步骤530确保记录由监测装置230检测到的事件变化(即，在给定时间下的温度的变化、在给定时间下的pH水平的变化等)。在一些实施方式中，步骤530可以例如经由用户将事件变化中的至少一些输入至系统中而手动地进行。步骤530在整个作物周期期间迭代。步骤540使得能够以给定的频率(例如，以连续的或在每个给定的时间段处)捕获图像和/或视频。一旦手动地或自动地确定了作物周期的结束，方法500就可以在步骤550处结束。
一旦动态生长协议开始由动态生长协议模块320执行，生长指数模块330就被激活。图7中例示了生长指数模块330的示例性实施方式。在该实施方式中，生长指数模块330被配置成执行方法600的各个步骤，方法600使得能够计算生长指数，该生长指数量化了作物的生理特征。在一些实施方式中，生长指数可以是反映光合作用活性和/或反映作物发育的数值。在一些实施方式中，作物的生理特征可以指示作物的大小和/或作物的健康。在一些实施方式中，作物的生理特征可以指示作物的颜色和/或作物的颜色的变化。
方法600在步骤610处通过确定是否激活了连接至系统的摄像装置例如摄像装置250而开始。如果是这种情况，则方法600通过使用摄像装置捕获图像和/或视频来进行至步骤620。在一些实施方式中，可以将所捕获的图像和/或视频发送至动态生长协议模块320。在一些实施方式中，可以将所捕获的图像和/或视频发送至专用处理API 630。专用处理API630可以由系统300托管，或者可以由通过系统300可访问的专用服务平台托管。专用处理API 630可以包括要执行以基于所捕获的图像和/或视频来生成生长指数的逻辑。这样的逻辑的示例结合图12的描述来详细描述。在步骤640处，方法600返回生长指数，该生长指数可以存储在动态生长协议模块320中和/或发送至动态生长协议模块320。在一些实施方式中，方法600在步骤650处进行压缩和/或存储所捕获的图像和/或视频，使得其后期可以例如用于创建延时视频创建。
图8中例示了产量预测模块340的实施方式。在该实施方式中，产量预测模块340被配置成执行方法700的各个步骤，方法700使用预测模型来生成针对作物的一个或更多个产量预测。当由动态生长协议模块320收集到监测数据和/或控制数据时，产量预测模块可以开始生成一个或更多个产量预测。在一些实施方式中，产量预测模块340可以采用产量预测API的形式。产量预测API可以由系统300托管，或者可以由通过系统300可访问的专用服务平台托管。在一些实施方式中，方法700在步骤710处将监测数据和/或控制数据发送至产量预测API。在步骤715处，对数据进行分析并且将数据与训练模型DB 384的内容进行比较，以找到用于产量预测的适当算法，该算法将给出具有最小可能误差的结果。然后在步骤720处，从训练模型DB 384中检索算法。在一些实施方式中，可以应用过滤监测数据和/或控制数据的步骤725。在一些实施方式中，过滤使得能够选择与产量预测的生成相关的监测数据和/或控制数据，并且丢弃不相关的监测数据和/或控制数据。在步骤730处，执行脚本以生成警报(在步骤740处)和/或产量预测(在步骤750处)。在一些实施方式中，依赖于步骤725来减少在步骤730处要处理的数据量，从而减少响应时间。
在一些实施方式中，产量预测可以依赖于过去的数据来预测当前作物的结果。使用植物科学性状作为用于产量预测算法的特征，可以依赖于外推法来生成与指定的时间段(allotted timeframe)相关联的数据点。然后可以依赖于数据点来生成体积产量预测和/或重量产量预测。在一些实施方式中，如果产量预测超出确定的范围，则可以向用户发送警报。在一些实施方式中，产量预测可以是反映作物收获的体积和/或重量的数值。也可以设想其他变化，例如适用于植物生产的多种表型的通用算法。在一些实施方式中，通用算法依赖于机器视觉对植物基因型进行分类并且然后识别用于确定的分类的对应算法。一旦生成，就可以存储产量预测。
在一些实施方式中，方法700还执行获取由用户输入的实际产量的步骤760。然后，在步骤770处，可以将所获取的实际产量用于执行重量重新计算，并且然后在步骤780处，将所获取的实际产量馈送至经训练的算法。在一些实施方式中，与相同表型的先前生长日记相比，执行了重量重新计算，从而提高了将来产量预测的准确性。在一些实施方式中，步骤730依赖于步骤780来生成警报和/或产量预测。在一些实施方式中，步骤730和/或步骤780由机器学习模块370执行。如可以理解的，在给定作物的生长周期完成时，可以比较和分析预测产量和实际产量连同相关联的监测数据和/或控制数据以提高机器学习模块370的准确性。
在一些实施方式中，方法700还执行循环管线处理790。在实施方式中，在图4的机器学习模块370中连续地运行循环管线处理。循环管线处理790包括第一模块792、第二模块794和第三模块796。第一模块792与特征的处理有关，所述处理包括历史传感器数据的初始设置和对应的产量。可以在第二模块794的算法的一个或更多个中对一组特征进行测试。在一些实施方式中，该组特征可以包括但不限于来自生长环境的一个或更多个条件(例如，辐射、日出、日落)的基本值或由其得出的值。然后可以在第三模块796中对照度量来测量结果。一个评估可以被称为循环管线处理790的一个“周期”。在一些实施方式中，如果第二模块794的结果未满足度量，则生成另一组特征，并且执行循环管线处理790的另一“周期”。循环管线处理790执行“周期”直至识别出满足度量的一组特征和算法组合。然后，产量预测模块340可以依赖于这组特征和算法。
在一些实施方式中，度量可以包括低平均绝对百分比误差(MAPE)、低均方误差(MSE)、低最大绝对百分比误差(Max APE)。在一些实施方式中，MAPE可以测量在给定的测试数据的时间范围内预测中的平均绝对误差。MAPE可以测量算法的平均误差性能。在一些实施方式中，MSE可以包括在给定的测试数据内单个预测与实际产量的平方差的均值。MSE可以测量算法的误差性能的偏差。在一些实施方式中，Max APE可以包括在给定的测试数据内预测中的最大误差。对于相同的时间范围，Max APE可以测量最大的预测误差。
在一些实施方式中，第一模块792可以包括一组特征例如植物科学特征。作为第一示例，一组特征中的一个或更多个特征可以与光、温度、相对湿度和/或CO2有关。关于光，植物科学特征可以包括“较长天数＝较快开花；较快开花＝较快收获”；“藤上番茄(TOV)＝从开花到收获约7周”、“超过14小时不能改善生长”和/或“番茄是日间中性植物”。关于温度，植物科学特征可以包括“日间期间的温暖＝26.5摄氏度”和/或“夜晚期间的凉爽＝15摄氏度至20摄氏度”。关于相对湿度，植物科学特征可以包括“始终地设置在高水平处＝约75％”和/或“湿度的下降＝生长率的下降”。关于CO2，植物科学特征可以包括CO2阈值。
在一些实施方式中，第二模块794可以包括算法例如随机森林回归、套索、弹性网、岭、贝叶斯岭、线性回归、自动相关性确定(ARD)回归、随机梯度下降(SGD)回归、被动攻击回归、k邻回归和/或支持向量回归(SVR)。
因此，预测模型可以包含可以随时间演变的多个算法。在实施方式中，可以使用来自感兴趣的作物生长所在的温室的室内气候数据来开发产量预测算法，该气候数据与来自学术出版物的机构知识以及来自经验丰富的种植者的“最佳实践”建议结合。这种方法提供了一些有趣的结果。在模拟中，在预测模型中使用该组有限的数据使得能够估计平均误差幅度为17％的感兴趣的作物的生长，这相比于使用常规技术的25％的平均误差得到大幅度提高(图24)。
本技术的目标之一是得出参数的最佳组合，该最佳组合驱动正在考虑的作物的特定温室产量。另一实施方式通过添加使得能够周复一周准确且一致地预测作物产量的参数来涵盖作物的当前状态和环境条件的更全面视图。预测模型通过收集一组全面的数据来得出准确的产量预测算法，从而使得允许单独的叠加算法组合并且接受驱动正在考虑的温室中生长的特定作物的产量的最重要基本参数。该叠加算法量化了参数(例如，温度、湿度、照明水平、光谱)将影响作物产量和/或与作物产量相关的可能性。
在这方面，图25示出了根据本技术的实施方式的算法开发处理的流程。在序列2400中，操作2410包括获取针对给定植物表型的全面温室数据和作物数据。在操作2420处，执行对植物表型的产量影响最大的参数的高水平选择。在操作2430处，过滤数据和参数。在操作2440处，使用与给定的生长环境简档相关联的训练数据来训练产量预测算法。在操作2450处，基于度量选择多个算法。在操作2460处，将来自操作2420的参数馈送至在操作2450处选择的多个算法中。在该操作2460中，对多个算法中的每一个进行回测以输出相应的误差。选择产生最小误差的算法，这是因为其表示针对植物表型的最佳算法。在非限制性示例中，度量可以包括：(i)平均绝对百分比误差，其是算法在特定测试时间范围内的平均误差性能；(ii)最大误差，其是算法在给定测试数据中的最差性能；(iii)显著误差的数目，其是算法在给定测试数据内的显著误差(例如，至少15％)的频率；以及(iv)超额计划和/或欠额计划的数目，其是算法超额计划和欠额计划收获的频率。还可以考虑其他度量和度量组合。
图9中例示了决策者模块350的实施方式。在该实施方式中，决策者模块350被配置成执行方法800的各个步骤，方法800使得能够生成与生长环境有关的预测推荐。在一些实施方式中，方法800还可以使得能够基于预测推荐来修改动态生长协议并且命令控制装置220实现经更新的控制值。在一些实施方式中，方法800在步骤810处向用户通知警报。该警报可以已经由动态生长协议模块330和/或产量预测模块340生成。在步骤820处，可以将由动态生长协议模块330和/或产量预测模块340生成和/或获取的数据发送至决策者算法API。决策者算法API可以由系统300托管或者可以由通过系统300可访问的专用服务平台托管。在一些实施方式中，发送至决策者算法API的数据可以包括监测数据和/或控制数据以及/或者计算出的生长指数和/或产量预测。在一些实施方式中，发送至决策者算法API的数据还可以包括与生长环境不直接有关的外部数据。这样的外部数据可以包括可以从系统300访问的专用服务平台获得的天气数据。在一些实施方式中，可以在生成预测推荐之前过滤数据。
在一些实施方式中，使用来自动态生长表型的过去数据，可以在不同场景下运行模拟。所计算的模拟可以使得能够识别可以增加产量、减少电力消耗和/或减少人工干预量的场景。在一些实施方式中，提供最高产量潜力的一个或更多个场景可以用作自动地适应动态生长协议的指导线。作为示例，但不限于此，在将灯转至“关闭”后，湿度可以检测为上升。模拟可以使得能够在将灯转至“关闭”之前确定必须使用除湿器降低湿度。在该示例中，模拟可以评估产量、电力消耗(在特定温度和/或湿度水平下效率更高)和/或人工干预量。可以将由模拟生成的结果发送至决策者模块350。
在一些实施方式中，预测推荐可以由机器学习模块370生成。
一旦生成预测推荐，方法800就可以进行至步骤830和/或步骤840。步骤830包括修改与动态生长协议相关联的预测。该动作可以通过动态生长协议模块320进行。步骤840包括变更生长设置点以匹配动态生长协议。在一些实施方式中，警报设置点和/或触发设置点可以被自动地调整成匹配当前正在使用的动态生长协议。这可以使得植物能够遵循与先前生长的生长指数曲线相同的生长指数曲线。这也可以用作针对未来生长的参考点。此动作可能会致使修改正在执行的动态生长协议。修改动态生长协议可以包括基于预测推荐来更新与动态生长协议相关联的控制数据。在示例中，但不限于此，当将加湿器触发设置点范围设置为在30％至50％处，并且在先前的动态生长协议中，在第23天识别出为40％至60％的改变时，可以在该特定日期(即第23天)时对当前加湿器触发设置点进行调整。然后，方法800在步骤850处可以向用户通知事件变化和产量预测。
在一些实施方式中，决策者模块350可以向用户通知由动态生长协议模块320、生长指数模块330和/或产量预测模块340生成的警报。在一些实施方式中，决策者模块350可以通过从与系统300相关联的应用发送电子邮件、SMS或通知来通知用户。
在一些实施方式中，决策者模块350可以命令控制装置220实现可以基于经更新的控制数据而生成的经更新的控制值。例如，决策者模块350可以自动地使控制装置220修改生长环境的一个或更多个环境因素。例如但不限于，HVAC单元、光源和/或加湿器可以改变它们各自的设置以实现预测推荐。在一些实施方式中，预测推荐可以包括再现存储在动态生长协议数据库372中的过去动态生长协议的事件。
图10中例示了出口调查模块360的实施方式。在该实施方式中，出口调查模块360被配置成执行方法900的各个步骤，方法900使得能够收集数据，然后可以由系统300使用该数据来将实际产量结果与预测产量进行比较和/或存储实际产量结果以供系统300将来使用。在结束作物的生长周期时，系统300和/或用户可以使执行启动出口调查模块900的步骤910。在一些实施方式中，步骤910生成与作物的生长周期的结束相关联的时间戳。在步骤920处，方法900可以进行获取整体产量结果。在步骤930处，方法900可以进行获取反映所使用的营养物的量的值。在步骤940处，方法900可以进行获取和作物相关联的与味道有关的数据。味道标准的一些示例为但不限于风味、香味或甜味。在步骤950处，方法900可以进行获取和作物相关联的与质地有关的数据。质地标准的一些示例为但不限于柔软度、颜色或硬度。在步骤960处，方法900可以进行获取和作物相关联的与整体质量有关的数据。在一些实施方式中，在步骤965处，使用方法900中提供的数据，将植物表型记录至植物表型DB 376中。存储在植物表型DB 376中的数据可以在机器学习系统370内利用。当动态生长协议结束时，方法900在步骤970处结束，这表示生长周期的完成。所获取的数据存储在动态生长协议模块320中。在一些实施方式中，可以使用所获取的数据来生成在生长周期期间应用的动态生长协议的性能的一般评估。
现在转向图11，示出了入口调查模块310、动态生长协议模块320、生长指数模块330、产量预测模块340、决策者模块350和出口调查模块360可以如何一起相互作用的示例性实施方式。在一些实施方式中，模块320至360可以使得能够贯穿多个生长周期以实现恒定结果的高可能性来重复动态生长协议。这可以通过使位于生长环境内的控制装置220在生长周期的每个步骤处再现类似的环境因素来实现。在一些实施方式中，模块320至360可以自动地调整动态生长协议的执行以自动地校正与给定动态生长协议的偏差。在一些实施方式中，模块320至360可以使得能够自动执行作物的完整生长周期(也称为“一键式生长”)，而无需来自用户的任何手动干预。
在一些实施方式中，模块310至360可以使得能够控制在生长环境内影响作物生长的环境因素。在一些实施方式中，入口调查模块310可以获取与生长环境和/或要对其执行生长周期的作物有关的数据。在一些实施方式中，动态生长协议模块320可以识别并且访问对作物的动态生长协议进行建模的一组控制数据。动态生长协议模块320然后可以命令安装在生长环境内的一个或更多个控制装置220实现控制值。控制值可以是控制数据。在一些实施方式中，可以基于控制数据来得出控制值。由一个或更多个控制装置220对控制值的实现致使生成和/或控制在生长环境内的一个或更多个环境因素。动态生长协议模块320还可以接收由一个或更多个监测装置230(例如，传感器)生成的监测数据。监测数据可以告知动态生长协议模块320评估一个或更多个环境因素的多个值。生长指数模块330可以访问多媒体文件例如但不限于所捕获的图像和/或视频。替选地，生长指数模块300可以访问包括对作物的生理特征的手动测量的数据文件。生长指数模块330可以计算生长指数，该生长指数量化了作物的生理特征。产量预测模块340可以生成一个或更多个产量预测。更详细地，图4的植物表型DB 376创建了算法实例，该算法实例被回测以给出确定每个算法实例的置信度的误差率，例如平均绝对百分比误差(MAPE)。将每个算法实例连同其误差率一起记录在训练模块DB 384中，以准备在步骤720处进行算法检索。然后，决策者模块350可以使用监测数据、生长指数和/或一个或更多个产量预测来生成一个或更多个预测推荐。然后，决策者模块350可以与动态生长协议模块320进行通信，使得动态生长协议可以基于一个或更多个预测推荐来更新一组控制数据。动态生长协议模块320可以命令控制装置220实现基于经更新的一组控制数据而生成的经更新的控制值。因此，动态生长协议模块320可以引起对一个或更多个环境因素的调整。在一些实施方式中，出口调查模块360可以获取在生长周期结束时的相关数据。然后可以存储和/或分析所获取的数据以改善预测模型，以改善将来生长周期的准确性和性能。
现在转向图12至图17，示出了可以如何计算生长指数的示例性实施方式。在一些实施方式中，生长指数包括作物的大小、作物的大小的变化和/或颜色指数。
图12示出了形成颜色立方体的一组颜色平面1102、1104、1106、1108、1110和1112。每个颜色平面1102、1104、1106、1108、1110和1112表示2D颜色空间，其中，绿色(G)的值是恒定的，而红色(R)和蓝色(B)是可变的。例如，在颜色平面1102中，G的值在所有区域中均处于100％，而R和B的值在左上角的100％至右下角的0％之间变化。在颜色平面1112中，G的值在所有区域中均处于0％，而R和B的值在左上角的100％至右下角的0％之间变化。尽管在本公开内容中以各种灰色的阴影示出，但是图12的颜色平面是意在表示实际颜色。
在一些实施方式中，基于颜色立方体的子集生成生长指数，该子集包括上述一组颜色平面中的预定义数目的颜色平面。该子集由可见光谱的植物颜色区域限定。在非限制性实施方式中，子集中的颜色平面的预定义数目是五个。颜色平面1122、1124、1126、1128和1130示出了由可见光谱的植物颜色区域限定的颜色平面的示例。在一些实施方式中，形成该子集的颜色平面涵盖可以在现实生活的植物中发现的颜色。每个颜色平面包括一组颜色行，也称为颜色阵列。颜色阵列由G的常数值、R的常数值和变量B限定。生长指数是基于针对每个颜色平面的六个颜色阵列生成的。在图12的非限制性实施方式中，生长指数是基于30个颜色阵列(分布在五个颜色平面1122、1124、1126、1128和1130上的六个颜色阵列1132、1134、1136、1138、1140和1142)生成的。
图13示出了在示例性限定的颜色空间(例如，一组颜色平面)的区域1144处的属于颜色平面1124的颜色阵列1138的现实生活的作物的颜色的第一表示1202。在一些实施方式中，通过在颜色平面和/或颜色阵列上迭代来生成生长指数。表示中不属于当前评估的颜色平面和/或颜色阵列的任何像素都被遮罩(即，用黑色像素覆盖)。
在一些实施方式中，通过对绿色像素随时间的变化(例如，增加或减少)进行计数来量化作物的大小。如果作物正在生长，则与第一所捕获的图像(其在时间＝0时拍摄)的属于绿颜色阵列的像素的数目相比，第二所捕获的图像(其在时间>0时拍摄)中属于绿颜色阵列的像素的数目被预期为较高。在一些实施方式中，量化作物的大小可以较少关注作物中的绿色物的细微差别或质量。在一些实施方式中，基于被识别为绿色像素的像素数量来量化作物的大小；例如，当种植红柿子椒时，可以预期红色像素的增加。在一些实施方式中，像素可以存储在3D阵列中，其中，最里面的阵列包含G-B-R值。在一些实施方式中，基于被识别为绿色像素和黄色像素(即，作为“绿色”颜色空间的一部分)的像素的数量来量化作物的大小。在一些实施方式中，可以忽略棕色像素和红色像素(即，在量化作物的大小时可以不对棕色像素和红色像素进行计数)。在一些实施方式中，为了避免像素到像素(即，阵列到阵列)的颜色(值)评估，生成所捕获的图像到黑白的转换。作为示例，但不限于此，在一些实施方式中，唤起开源计算机视觉(OpenCV)功能以对“非零”像素进行计数。
图14示出了作物的第一表示1302。第一表示1302示出了其中根据(5个颜色平面中)颜色平面1126和(6个颜色阵列中)颜色阵列1136选择绿色像素的作物。第一表示1302的日期是第1天。在第0天时，控制装置220已经修改了参数，使得作物经受pH＝6.5，并且添加了营养物A和B(在12升的储存器中各添加10ml)。在第1天时，作物的大小变化为0％。在图15处的图14的作物的第二表示1402中示出了相同的作物。第二表示1402的日期是第3天。在第3天时，作物的大小变化为120.7％。
在一些实施方式中，生长指数可以包括颜色指数，该颜色指数包括表示颜色阵列组中的绿色像素(或另一所选择的颜色的像素)的归一化总和的一组值。在一些实施方式中，该组值是一组六个值，并且颜色阵列组包括六个颜色阵列组。在一些实施方式中，颜色阵列组包括具有与该组颜色平面相同的指数的颜色阵列。例如，第一颜色阵列组可以包括来自所有颜色平面的所有第一颜色阵列，第二颜色阵列组可以包括所有第二颜色阵列等。在一些实施方式中，具有较低指数(即，给定颜色平面的底端)的颜色阵列可以表示较暗的颜色，而具有较高指数(即，给定颜色平面的顶端)的颜色阵列可以表示较亮的颜色和/或较浅的颜色。
在一些实施方式中，一组中编号最高的颜色指数表示具有最多数目的绿色像素的颜色阵列。例如，所捕获的具有颜色指数[0.1、0.08、0.7、0.01、0.11、0.0]的植物的图像可以意味着该植物在第三颜色阵列中具有大部分绿色像素，该第三颜色阵列可以在深色区域(六个颜色阵列中的第一个)与最浅区域(六个颜色阵列中的第六个)之间。这可以意味着植物中的大多数像素既不是深绿色也不是浅绿色。另一方面，具有颜色指数[0.9、0.08、0.01、0.01、0.0、0.0]的植物的照片意味着大部分像素具有深绿色阴影，最高值0.9表示来自颜色平面的六个颜色阵列中的第一个的绿色像素的归一化总和。
在一些实施方式中，生长指数包括指示作物如何更好地吸收营养物和/或更好地生长的大小指数和颜色指数。
转向图16，示出了大小指数的值随时间的第一图形表示1502。还示出了第二图形表示1504。表示随时间的绿色阴影强度。在图形表示1504中，水平轴表示从深绿色(最左侧)到黄棕色(最右侧)的颜色组。
图17示出了一种实施方式，其中，建立了在大小指数、营养物吸收与pH水平之间的相关性。第一表示1602示出了“良好条件”，而第二表示1604示出了需要注意调整pH水平的“不太好的条件”。
现在转向图18，表示所生成的产量预测1702和1704的示例。所生成的产量预测1702还示出了预测下一产量的特征重要性。在所示的示例中，重要特征包括先前的产量以及在下一周期间温度与理想温度的接近程度。在许多实验中，发现在生长周期早期的CO2水平起很小的作用。所生成的产量预测1704也示出了预测下一产量的特征重要性。在所示的示例中，排除了先前的产量。通常，较高的CO2水平增加产量，湿度的变化将降低产量，在白天期间偏离26.5摄氏度的理想温度以及在夜晚期间偏离15摄氏度至20摄氏度的理想温度将降低产量。接近生长周期结束时的温度变化具有较强的影响。
现在转向图19至图21，表示生长日志的实施方式1802、1902和2002。
现在转向图22，示出了流程图，该流程图示出了控制作物的生长环境的计算机实现的方法2100。在一些实施方式中，计算机实现的方法2100可以在与计算环境100类似的计算环境例如但不限于系统300上(完全地或部分地)实现。
方法2100在步骤2102处通过访问对作物的动态生长协议进行建模的一组控制数据而开始。然后，在步骤2104处，方法2100进行命令控制装置220实现控制值，所述控制值已经基于该组控制数据确定，控制装置220位于生长环境内，控制装置220至少部分地控制生长环境的环境因素。
然后，在步骤2106处，方法2100进行从位于生长环境内的多个监测装置230接收与生长环境有关的监测数据。然后，在步骤2108处，方法2100进行基于包括作物的至少一个视觉表示的多媒体文件或基于作物的生理特征的手动测量的文件来计算生长指数，该生长指数量化了作物的生理特征。在一些实施方式中，生长指数包括作物的大小指数和作物的颜色指数。在一些实施方式中，基于由可见光谱的植物颜色区域限定的预定义数目的颜色平面来生成大小指数。在一些实施方式中，基于一段时间内作为绿色空间(或其他所选择的颜色空间)的一部分的像素的变化来生成大小指数。然后，在步骤2110处，方法2100进行基于预测模型来生成针对作物的产量预测，该预测模型包括与生长环境相关联的训练数据。在一些实施方式中，生成产量预测包括执行循环管线处理790，循环管线处理790迭代直至识别出满足度量的一组特征和算法组合。
然后，在步骤2112处，方法2100进行至少基于监测数据、生长指数和产量预测来生成预测推荐。在一些实施方式中，生成预测推荐包括将生长指数与监测数据相关。在一些实施方式中，生成预测推荐包括基于与动态生长表型相关联的部分数据在不同的生长场景上运行模拟。在一些实施方式中，模拟使得能够识别与增加的产量、减少的电力消耗和减少的人为干预量之一相关联的场景。在一些实施方式中，还基于监测数据和与生长环境无关的外部数据中的至少之一来生成预测推荐。
然后，在步骤2114处，方法2100进行通过基于预测推荐更新一组控制数据来修改动态生长协议。然后，在步骤2116处，方法2100进行命令控制装置220实现经更新的控制值，所述经更新的控制值已经基于经更新的一组控制数据而确定。
在给定的生长环境中执行方法2100时所获得的信息使得能够限定生长环境简档，该简档在计划和/或控制其他类似生长环境中的作物的生长方面可以是有用的。例如，可以使用在第一温室中收集的具有针对特定作物类型(例如，番茄、生菜、黄瓜)的一组特定特征(大小、地理位置、用于照明的设备、灌溉、湿度控制、加热和冷却、气雾法、水培法、肥料的类型等)的数据来表征共享若干相同特征的第二温室。机器学习模块370可以重复使用从各种来源获得的若干生长环境简档，以计算对应的产量预测，并且选择与最匹配生长指数的产量预测相关联的一个生长环境简档。
在非限制性示例中，可以收集在温室中针对第一时段例如在四(4)个月内的数据，并且可以从多媒体文件或者从对作物的生理特征的手动测量的文件获得针对作物例如番茄的生长指数。使用多个生长环境简档来生成对应的产量预测。选择生长环境简档中与最匹配实际生长指数的产量预测相关联的一个用于将来在温室中使用。所选择的生长环境简档可以通过连续学习及时更新。为此，将命令发布到温室中的一个或更多个控制装置220，所述命令反映至少部分地鉴于与所选择的生长环境简档相关联的产量预测而限定的控制值。然后，使用在之后的日期获取的多媒体文件或包含在之后的日期例如两(2)个月后获取的手动测量的文件来计算后期生长指数。基于后期生长指数来更新生长环境简档，后期生长指数应当与产量预测至少在一定程度上相匹配。
可以从与控制器单元210类似的其他控制器单元接收数据。以这种方式，协作控制器单元的网络可以交换来自它们各自的动态生长协议DB和它们各自的训练模型DB的信息。
现在转向图23A和图23B，示出了流程图，该流程图示出了针对作物的生长环境选择简档的计算机实现的方法2200。在一些实施方式中，计算机实现的方法2200可以在与计算环境100类似的计算环境例如但不限于系统300上(完全地或部分地)实现。
如图23A所示，方法2200在步骤2202处通过计算针对作物的生长指数而开始。生长指数量化了作物的生理特征。可以基于包括作物的至少一种视觉表示的多媒体文件或者基于对作物的生理特征的手动测量来计算针对作物的生长指数。在生长指数中量化的作物的生理特征可以包括果实重量、叶大小、茎直径、花簇的数目以及簇中的花的数目中的一个或更多个。在步骤2204处获取若干生长环境简档。多个生长环境简档中的每个给定的生长环境简档包括：针对作物的植物表型；以及包括与给定的生长环境简档相关联的训练数据的预测模型。
针对每个给定的生长环境简档执行操作2206和操作2208。更详细地，操作2206包括基于包括在给定的生长环境简档中的预测模型来生成针对作物的产量预测。在操作2208处，将针对作物的产量预测与针对作物的生长指数进行比较。当针对每个给定的生长环境已经执行了操作2206和操作2208时，在操作2210处选择与提供生长指数的最佳匹配的产量预测相关联的生长环境简档。
现在继续图23B，在操作2212处，可以从位于生长环境内的多个监测装置230接收与生长环境有关的监测数据。在操作2214处，可以至少基于与所选择的生长环境简档相关联的监测数据、生长指数和产量预测来生成预测推荐。然后，在操作2216处，可以限定动态生长协议，该动态生长协议具有基于预测推荐的一组控制数据。在操作2218处，可以使用该组控制数据作为用于确定用于命令控制装置220的控制值的基础。
一段时间以后，当作物已经至少成熟到一定程度时，操作2220包括获取后期文件，该后期文件包括经更新的作物的生理特征。后期文件可以是包括作物的至少一个后期视觉表示的后期多媒体文件或手动测量的后期文件。在操作2222处，基于后期文件来计算针对作物的后期生长指数。在操作2224处，基于后期生长指数来更新在操作2210处选择的生长环境简档。
虽然已经参照以特定的顺序执行的特定的步骤描述和示出了上述实现方式，但是应当理解，在不脱离本技术的教导的情况下，可以组合、细分或重新排序这些步骤。步骤中的至少一些可以并行或串行地执行。因此，步骤的顺序和分组不是对本技术的限制。
应当明确地理解，并非在本技术的每个和每一个实施方式中都需要享有本文中提及的所有技术效果。
对本技术的上述实现方式的修改和改进对于本领域技术人员而言可以变得明显。前述描述旨在是示例性的而不是限制性的。因此，本技术的范围旨在仅由所附权利要求书的范围来限制。

Claims (38)

1.一种用于控制作物的生长环境的计算机实现的方法，所述方法包括：
访问对所述作物的动态生长协议进行建模的一组控制数据；
命令控制装置实现控制值，所述控制值已经基于所述一组控制数据确定，所述控制装置位于所述生长环境内，所述控制装置至少部分地控制所述生长环境的环境因素；
从位于所述生长环境内的多个监测装置接收与所述生长环境有关的监测数据；
计算生长指数，所述生长指数量化了所述作物的生理特征；
基于预测模型来生成针对所述作物的产量预测，所述预测模型包括与所述生长环境相关联的训练数据；
至少基于所述监测数据、所述生长指数和所述产量预测来生成预测推荐；
通过基于所述预测推荐更新所述一组控制数据来修改所述动态生长协议；以及
命令所述控制装置实现经更新的控制值，所述经更新的控制值已经基于经更新的一组控制数据而确定。
2.根据权利要求1所述的方法，其中，生成所述产量预测包括执行循环管线处理，所述循环管线处理迭代直至识别出满足度量的一组特征和算法组合。
3.根据权利要求1所述的方法，其中，生成所述预测推荐包括将所述生长指数与所述监测数据相关。
4.根据权利要求1所述的方法，其中，生成所述预测推荐包括基于与动态生长表型相关联的部分数据在不同的生长场景上运行模拟。
5.根据权利要求4所述的方法，其中，所述模拟使得能够识别与增加的产量、减少的电力消耗和减少的人为干预量之一相关联的场景。
6.根据权利要求1所述的方法，其中，还基于所述监测数据和与所述生长环境无关的外部数据中的至少之一来生成所述预测推荐。
7.根据权利要求1所述的方法，其中，所述生长指数包括所述作物的大小指数和所述作物的颜色指数。
8.根据权利要求7所述的方法，其中，基于由可见光谱的植物颜色区域限定的预定义数目的颜色平面来生成所述大小指数。
9.根据权利要求7所述的方法，其中，基于一段时间内作为绿色空间的一部分的像素的变化来生成所述大小指数。
10.根据权利要求1所述的方法，其中，对所述作物的所述动态生长协议进行建模的所述一组控制数据是从选自以下的数据库访问的：动态生长协议数据库、训练模型数据库、植物表型数据库、以及它们的组合。
11.根据权利要求1所述的方法，其中，与所述生长环境相关联的训练数据是从选自以下的源获得的：植物表型数据库、远程源、以及它们的组合，所述方法还包括对所述训练数据执行算法训练实例以更新训练模型数据库。
12.根据权利要求1所述的方法，还包括将所述作物的一种或更多种特征存储在植物表型数据库中。
13.根据权利要求12所述的方法，其中，所述作物的一种或更多种特征选自风味、香味、甜味、柔软度、颜色、硬度、以及它们的组合。
14.根据权利要求1所述的方法，其中，基于包括所述作物的至少一个视觉表示的多媒体文件来计算针对所述作物的生长指数。
15.根据权利要求1所述的方法，其中，基于对所述作物的生理特征的手动测量来计算针对所述作物的所述生长指数。
16.根据权利要求1所述的方法，其中，所述作物的生理特征选自：果实重量、叶大小、茎直径、花簇的数目、簇中的花的数目、以及它们的组合。
17.一种用于控制作物的生长环境的系统，所述系统包括：
处理器；
非暂态计算机可读介质，所述非暂态计算机可读介质包括控制逻辑，所述控制逻辑在由所述处理器执行时使得：
访问对所述作物的动态生长协议进行建模的一组控制数据；
命令控制装置实现控制值，所述控制值已经基于所述一组控制数据确定，所述控制装置位于所述生长环境内，所述控制装置至少部分地控制所述生长环境的环境因素；
从位于所述生长环境内的多个监测装置接收与所述生长环境有关的监测数据；
计算生长指数，所述生长指数量化了所述作物的生理特征；
基于预测模型来生成针对所述作物的产量预测，所述预测模型包括与所述生长环境相关联的训练数据；
至少基于所述监测数据、所述生长指数和所述产量预测来生成预测推荐；
通过基于所述预测推荐更新所述一组控制数据来修改所述动态生长协议；以及
命令所述控制装置实现经更新的控制值，所述经更新的控制值已经基于经更新的一组控制数据而确定。
18.根据权利要求17所述的系统，其中，生成所述产量预测包括执行循环管线处理，所述循环管线处理迭代直至识别出满足度量的一组特征和算法组合。
19.根据权利要求17所述的系统，其中，生成所述预测推荐包括将所述生长指数与所述监测数据相关。
20.根据权利要求17所述的系统，其中，生成所述预测推荐包括基于与动态生长表型相关联的部分数据在不同的生长场景上运行模拟。
21.根据权利要求20所述的系统，其中，所述模拟使得能够识别与增加的产量、减少的电力消耗和减少的人为干预量之一相关联的场景。
22.根据权利要求17所述的系统，其中，还基于所述监测数据和与所述生长环境无关的外部数据中的至少之一来生成所述预测推荐。
23.根据权利要求17所述的系统，其中，所述生长指数包括所述作物的大小指数和所述作物的颜色指数。
24.根据权利要求23所述的系统，其中，所述大小指数基于由可见光谱的植物颜色区域限定的预定义数目的颜色平面来生成。
25.根据权利要求23所述的系统，其中，所述大小指数基于一段时间内作为绿色空间的一部分的像素的变化来生成。
26.一种非暂态计算机可读介质，所述非暂态计算机可读介质包括控制逻辑，所述控制逻辑在由处理器执行时使得：
访问对作物的动态生长协议进行建模的一组控制数据；
命令控制装置实现控制值，所述控制值已经基于所述一组控制数据确定，所述控制装置位于生长环境内，所述控制装置至少部分地控制所述生长环境的环境因素；
从位于所述生长环境内的多个监测装置接收与所述生长环境有关的监测数据；
计算生长指数，所述生长指数量化了所述作物的生理特征；
基于预测模型来生成针对所述作物的产量预测，所述预测模型包括与所述生长环境相关联的训练数据；
至少基于所述监测数据、所述生长指数和所述产量预测来生成预测推荐；
通过基于所述预测推荐更新所述一组控制数据来修改所述动态生长协议；以及
命令所述控制装置实现经更新的控制值，所述经更新的控制值已经基于经更新的一组控制数据而确定。
27.一种用于针对作物的生长环境选择简档的计算机实现的方法，所述方法包括：
计算针对所述作物的生长指数，所述生长指数量化了所述作物的生理特征；
获取多个生长环境简档，所述多个生长环境简档中的每个给定的生长环境简档包括：针对所述作物的植物表型；以及包括与所述给定的生长环境简档相关联的训练数据的预测模型；
针对每个给定的生长环境简档：
基于包括在所述给定的生长环境简档中的所述预测模型来生成针对所述作物的产量预测；
将针对所述作物的产量预测与针对所述作物的生长指数进行比较；以及
选择与提供所述生长指数的最佳匹配的产量预测相关联的生长环境简档。
28.根据权利要求27所述的方法，还包括：
从位于所述生长环境内的多个监测装置接收与所述生长环境有关的监测数据；
至少基于与所选择的生长环境简档相关联的所述监测数据、所述生长指数和所述产量预测来生成预测推荐；
基于所述预测推荐来限定具有一组控制数据的动态生长协议；以及
命令控制装置实现控制值，所述控制值已经基于所述一组控制数据确定。
29.根据权利要求28所述的方法，还包括：
获取后期文件，所述后期文件包括经更新的所述作物的生理特征；
基于所述后期文件来计算针对所述作物的后期生长指数；以及
基于所述后期生长指数来更新所述选择的生长环境简档。
30.根据权利要求27所述的方法，其中，基于包括所述作物的至少一个视觉表示的多媒体文件来计算针对所述作物的生长指数。
31.根据权利要求27所述的方法，其中，基于对所述作物的生理特征的手动测量来计算针对所述作物的生长指数。
32.根据权利要求27所述的方法，其中，所述作物的生理特征选自：果实重量、叶大小、茎直径、花簇的数目、簇中的花的数目、以及它们的组合。
33.一种用于针对作物的生长环境选择简档的系统，所述系统包括：
处理器；
非暂态计算机可读介质，所述非暂态计算机可读介质包括控制逻辑，所述控制逻辑在由所述处理器执行时使得：
计算针对所述作物的生长指数，所述生长指数量化了所述作物的生理特征；
获取多个生长环境简档，所述多个生长环境简档中的每个给定的生长环境简档包括：针对所述作物的植物表型；以及包括与所述给定的生长环境简档相关联的训练数据的预测模型；
针对每个给定的生长环境简档：
基于包括在所述给定的生长环境简档中的所述预测模型来生成针对所述作物的产量预测；
将针对所述作物的产量预测与针对所述作物的生长指数进行比较；以及
选择与提供所述生长指数的最佳匹配的产量预测相关联的生长环境简档。
34.一种非暂态计算机可读介质，所述非暂态计算机可读介质包括控制逻辑，所述控制逻辑在由处理器执行时使得：
计算针对作物的生长指数，所述生长指数量化了所述作物的生理特征；
获取多个生长环境简档，所述多个生长环境简档中的每个给定的生长环境简档包括：针对所述作物的植物表型；以及包括与所述给定的生长环境简档相关联的训练数据的预测模型；
针对每个给定的生长环境简档：
基于包括在所述给定的生长环境简档中的所述预测模型来生成针对所述作物的产量预测；
将针对所述作物的产量预测与针对所述作物的生长指数进行比较；以及
选择与提供所述生长指数的最佳匹配的产量预测相关联的生长环境简档。
35.根据权利要求1所述的方法，其中，所述预测模型包括一种或更多种产量预测算法，所述一种或更多种产量预测算法中的每一种使用与所述生长环境相关联的所述训练数据来训练，基于一个或更多个度量来选择所述一种或更多种产量预测算法中的给定一种产量预测算法以产生所述产量预测。
36.根据权利要求17所述的系统，其中，所述预测模型包括一种或更多种产量预测算法，所述一种或更多种产量预测算法中的每一种使用与所述生长环境相关联的所述训练数据来训练，基于一个或更多个度量来选择所述一种或更多种产量预测算法中的给定一种产量预测算法以产生所述产量预测。
37.根据权利要求27所述的方法，其中，所述预测模型包括一种或更多种产量预测算法，所述一种或更多种产量预测算法中的每一种使用与所述生长环境相关联的所述训练数据来训练，基于一个或更多个度量来选择所述一种或更多种产量预测算法中的给定一种产量预测算法以产生所述产量预测。
38.根据权利要求33所述的系统，其中，所述预测模型包括一种或更多种产量预测算法，所述一种或更多种产量预测算法中的每一种使用与所述生长环境相关联的所述训练数据来训练，基于一个或更多个度量来选择所述一种或更多种产量预测算法中的给定一种产量预测算法以产生所述产量预测。
CN201880068815.XA 2017-09-08 2018-09-05 用于控制作物的生长环境的系统和方法 Pending CN111263920A (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762555910P 2017-09-08 2017-09-08
US62/555,910 2017-09-08
US201862653480P 2018-04-05 2018-04-05
US62/653,480 2018-04-05
PCT/IB2018/056783 WO2019049048A1 (en) 2017-09-08 2018-09-05 SYSTEM AND METHOD FOR CONTROLLING GROWTH ENVIRONMENT OF CULTURE

Publications (1)

Publication Number Publication Date
CN111263920A true CN111263920A (zh) 2020-06-09

Family

ID=65634729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880068815.XA Pending CN111263920A (zh) 2017-09-08 2018-09-05 用于控制作物的生长环境的系统和方法

Country Status (7)

Country Link
US (1) US20200196535A1 (zh)
EP (1) EP3679430A4 (zh)
CN (1) CN111263920A (zh)
AU (1) AU2018328254A1 (zh)
CA (1) CA3074937A1 (zh)
IL (1) IL273085A (zh)
WO (1) WO2019049048A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070241A (zh) * 2020-09-11 2020-12-11 腾讯科技（深圳）有限公司 基于机器学习模型的植物生长预测方法、装置和设备
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
CN112990782A (zh) * 2021-04-30 2021-06-18 浙江甲骨文超级码科技股份有限公司 基于时空自相关分析的作物生长环境智能调节方法和装置
CN113110655A (zh) * 2021-04-19 2021-07-13 宁波弘讯软件开发有限公司 一种农产品智能监测方法和系统
CN114287220A (zh) * 2021-12-14 2022-04-08 中天水土治理科技(山东)股份有限公司 一种基于水肥一体化的智能灌溉系统及方法
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
CN114740945A (zh) * 2021-07-09 2022-07-12 百倍云(浙江)物联科技有限公司 一种作物智能种植方法
TWI811565B (zh) * 2020-09-15 2023-08-11 遠東科技大學 農業場域的智慧環控方法

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263707B2 (en) * 2017-08-08 2022-03-01 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
JP6544453B1 (ja) * 2018-03-16 2019-07-17 日本電気株式会社 栽培作物選定支援装置、栽培作物選定支援方法、及びプログラム
US20190325534A1 (en) 2018-04-24 2019-10-24 Indigo Ag, Inc. Agricultural transportation entity identification and selection
US11120552B2 (en) * 2019-02-27 2021-09-14 International Business Machines Corporation Crop grading via deep learning
IL265522A (en) * 2019-03-20 2019-05-30 Eroll Grow Tech Ltd Autonomous plant growing system
WO2020201214A1 (en) * 2019-04-02 2020-10-08 Natufia Labs Plc Intelligent plant growth system and method
EP4027771A1 (en) * 2019-09-10 2022-07-20 Signify Holding B.V. Rendering images stored with grow protocol along with conditions per growth stage
WO2021102378A1 (en) * 2019-11-20 2021-05-27 FarmWise Labs, Inc. Method for analyzing individual plants in an agricultural field
JP2021144610A (ja) * 2020-03-13 2021-09-24 キヤノン株式会社 情報処理装置、情報処理方法
JP7335459B2 (ja) * 2020-03-26 2023-08-29 シグニファイ ホールディング ビー ヴィ 調整された育成プロトコル目標値を用いる実験
US11580609B2 (en) 2020-05-26 2023-02-14 International Business Machines Corporation Crop monitoring to determine and control crop yield
US11684025B2 (en) * 2020-06-23 2023-06-27 Qatar University Centralized predictive controller for management and optimal operation of microgrid powered greenhouses
GB2598914A (en) * 2020-09-17 2022-03-23 Vivent Sa Apparatus and method for controlling a growth environment of a plant
US20230371452A1 (en) * 2020-10-15 2023-11-23 Basf Se Computer-implemented method for determining plant data and/or for issuing treatment instructions in hybrid breeding
US20240032484A1 (en) * 2020-12-18 2024-02-01 Swegreen Ab Cultivation plant comprising a cultivation room and an adjacent facility exchanging resources
CN112863596B (zh) * 2021-01-26 2022-04-15 东北农业大学 一种基于细菌群落数据好氧发酵腐殖质化程度预测模型的构建和预测的方法
CN112862188A (zh) * 2021-02-06 2021-05-28 罗普特科技集团股份有限公司 一种多传感器环境预测方法及系统
AT525498B1 (de) * 2021-02-26 2023-08-15 Ledon Gmbh Steckbares Beleuchtungssystem für die Pflanzenaufzucht
US11812710B2 (en) * 2021-03-10 2023-11-14 Ibrahim YEHIA Arrangement of photovoltaic panels and system for optimizing angular positioning of photovoltaic panels in a greenhouse
US11895942B2 (en) 2021-03-10 2024-02-13 Earth Scout GBC Plant growth platform
US11991944B2 (en) 2021-05-03 2024-05-28 Crop Sentry Ltd. Computer vision system and method for agriculture
KR102486504B1 (ko) * 2021-07-29 2023-01-09 코리아디지탈 주식회사 커뮤니티를 이용한 재배 데이터 관리 플랫폼 및 관리 방법
WO2023034118A1 (en) 2021-08-30 2023-03-09 Indigo Ag, Inc. Systems for management of location-aware market data
EP4396756A1 (en) 2021-08-31 2024-07-10 Indigo Ag, Inc. Systems and methods for ecosystem credit recommendations
US20230144498A1 (en) * 2021-11-09 2023-05-11 KOIDRA Inc. Simulation and automated control of physical systems
US20230148484A1 (en) * 2021-11-17 2023-05-18 Haier Us Appliance Solutions, Inc. Method of operating a camera assembly in an indoor gardening appliance
CN114169526B (zh) * 2021-12-15 2024-07-26 宏景科技股份有限公司 一种作物生长精准调控方法、系统、存储介质、设备
US20230326012A1 (en) * 2022-04-08 2023-10-12 Iunu, Inc. Automated plant grouping and tracking using image data
US20230380351A1 (en) * 2022-05-04 2023-11-30 AI Grow LLC Open-source system for providing environmental data
EP4316236A1 (en) 2022-08-02 2024-02-07 Source.ag International B.V. Greenhouse environment optimisation
CN115130926B (zh) * 2022-08-26 2022-11-15 未名环境分子诊断（常熟）有限公司 应用人工智能的环境监测大数据分析方法及电子设备
WO2024121815A1 (en) * 2022-12-09 2024-06-13 Neos Ventures Investment Limited Comprehensive agriculture technology system
WO2024163981A1 (en) * 2023-02-03 2024-08-08 Cornell University Energy efficient controlled-environment plant growth system with artificial intelligence
US12120973B2 (en) 2023-02-07 2024-10-22 FarmWise Labs, Inc. Crop detection system and/or method
CN116452358B (zh) * 2023-03-07 2024-06-07 东莞市众冠网络科技有限公司 基于物联网的智慧农业管理系统
CN116542343B (zh) * 2023-05-29 2023-11-10 苏州硕亚环保科技有限公司 一种用于水生态治理的微生物生长状况监测管理方法
CN117742422B (zh) * 2023-12-26 2024-06-14 淮阴工学院 一种应用于育苗温室的温湿度控制方法、装置及介质
CN117854012B (zh) * 2024-03-07 2024-05-14 成都智慧城市信息技术有限公司 一种基于大数据的农作物环境监测方法及系统
CN117999897B (zh) * 2024-04-09 2024-07-19 河北热点科技股份有限公司 一种治理灌溉区用地盐碱化污染的综合性方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2193837A1 (en) * 1994-07-15 1996-02-01 James L. Beck Apparatus and method for determining a distance to an object in a field
US20110135161A1 (en) * 2009-11-10 2011-06-09 Koutsky Keith A Apparatus and Methods for Automated Phenotypic Screening of Plant Genotypes
CN105159119A (zh) * 2015-09-01 2015-12-16 中山大学 植物室内智能养护装置、系统及方法
CN106408132A (zh) * 2016-09-30 2017-02-15 深圳前海弘稼科技有限公司 一种基于种植设备的作物产量预测方法及装置
US20170161560A1 (en) * 2014-11-24 2017-06-08 Prospera Technologies, Ltd. System and method for harvest yield prediction
CN106951017A (zh) * 2017-05-10 2017-07-14 寿光市众恒唐韵信息科技有限公司 作物调控模型驱动的智慧温室系统调控方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7206772B2 (en) * 2002-10-25 2007-04-17 Gbi Structures, L.L.C. Method of operating a plant and a control system for controlling the same
US7702597B2 (en) * 2004-04-20 2010-04-20 George Mason Intellectual Properties, Inc. Crop yield prediction using piecewise linear regression with a break point and weather and agricultural parameters
US7617057B2 (en) * 2005-12-21 2009-11-10 Inst Technology Development Expert system for controlling plant growth in a contained environment
US9131644B2 (en) * 2014-08-19 2015-09-15 Iteris, Inc. Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery
US9652840B1 (en) * 2014-10-30 2017-05-16 AgriSight, Inc. System and method for remote nitrogen monitoring and prescription
US10349584B2 (en) * 2014-11-24 2019-07-16 Prospera Technologies, Ltd. System and method for plant monitoring
US9140824B1 (en) * 2015-01-23 2015-09-22 Iteris, Inc. Diagnosis and prediction of in-field dry-down of a mature small grain, coarse grain, or oilseed crop using field-level analysis and forecasting of weather conditions, crop characteristics, and observations and user input of harvest condition states
US9638678B2 (en) * 2015-01-30 2017-05-02 AgriSight, Inc. System and method for crop health monitoring
CN104766135A (zh) * 2015-03-25 2015-07-08 中国农业科学院农业信息研究所 一种预测农作物产量的方法、装置及系统
US10025983B2 (en) * 2015-09-21 2018-07-17 The Climate Corporation Ponding water detection on satellite imagery

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2193837A1 (en) * 1994-07-15 1996-02-01 James L. Beck Apparatus and method for determining a distance to an object in a field
US20110135161A1 (en) * 2009-11-10 2011-06-09 Koutsky Keith A Apparatus and Methods for Automated Phenotypic Screening of Plant Genotypes
US20170161560A1 (en) * 2014-11-24 2017-06-08 Prospera Technologies, Ltd. System and method for harvest yield prediction
CN105159119A (zh) * 2015-09-01 2015-12-16 中山大学 植物室内智能养护装置、系统及方法
CN106408132A (zh) * 2016-09-30 2017-02-15 深圳前海弘稼科技有限公司 一种基于种植设备的作物产量预测方法及装置
CN106951017A (zh) * 2017-05-10 2017-07-14 寿光市众恒唐韵信息科技有限公司 作物调控模型驱动的智慧温室系统调控方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112070241A (zh) * 2020-09-11 2020-12-11 腾讯科技（深圳）有限公司 基于机器学习模型的植物生长预测方法、装置和设备
TWI811565B (zh) * 2020-09-15 2023-08-11 遠東科技大學 農業場域的智慧環控方法
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
CN113110655A (zh) * 2021-04-19 2021-07-13 宁波弘讯软件开发有限公司 一种农产品智能监测方法和系统
CN113110655B (zh) * 2021-04-19 2022-04-26 宁波弘讯软件开发有限公司 一种农产品智能监测方法和系统
CN112990782A (zh) * 2021-04-30 2021-06-18 浙江甲骨文超级码科技股份有限公司 基于时空自相关分析的作物生长环境智能调节方法和装置
CN112990782B (zh) * 2021-04-30 2021-08-06 浙江甲骨文超级码科技股份有限公司 基于时空自相关分析的作物生长环境智能调节方法和装置
CN114740945A (zh) * 2021-07-09 2022-07-12 百倍云(浙江)物联科技有限公司 一种作物智能种植方法
CN114740945B (zh) * 2021-07-09 2023-03-10 百倍云(浙江)物联科技有限公司 一种作物智能种植方法
CN114287220A (zh) * 2021-12-14 2022-04-08 中天水土治理科技(山东)股份有限公司 一种基于水肥一体化的智能灌溉系统及方法
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

Also Published As

Publication number Publication date
AU2018328254A1 (en) 2020-04-30
EP3679430A4 (en) 2021-07-07
WO2019049048A1 (en) 2019-03-14
US20200196535A1 (en) 2020-06-25
CA3074937A1 (en) 2019-03-14
EP3679430A1 (en) 2020-07-15
IL273085A (en) 2020-04-30

Similar Documents

Publication Publication Date Title
US20200196535A1 (en) System and method for controlling a growth environment of a crop
EP3534689B1 (en) Controlling agricultural production areas
Khairunniza-Bejo et al. Application of artificial neural network in predicting crop yield: A review
WO2017176627A1 (en) Horticultural monitoring system
WO2020128162A1 (en) A method of finding a target environment suitable for growth of a plant variety
CN106018284B (zh) 一种作物长势定量遥感监测方法及系统
JP6551943B2 (ja) 生育管理装置、生育管理方法、及び、プログラム
US20230144498A1 (en) Simulation and automated control of physical systems
WO2018081853A1 (en) Controlling agricultural production areas
CN116227758B (zh) 基于遥感技术和深度学习的农产品成熟度预测方法及系统
US20230359889A1 (en) Machine learning methods and systems for characterizing corn growth efficiency
Lork et al. Minimizing electricity cost through smart lighting control for indoor plant factories
Costa et al. Greenhouses within the Agricultura 4.0 interface
Singla et al. IoT based monitoring for the growth of basil using machine learning
KR20230061863A (ko) 합성곱신경망과 다층 퍼셉트론의 앙상블 모델을 이용한 과실 발달 단계 예측 장치 및 그 방법
Zaguia Smart greenhouse management system with cloud-based platform and IoT sensors
Rajendiran et al. Smart Aeroponic Farming System: Using IoT with LCGM-Boost Regression Model for Monitoring and Predicting Lettuce Crop Yield.
Tang et al. Aero-Hydroponic Agriculture IoT System
JP7452879B2 (ja) 予測システム、予測方法、および予測プログラム
Gong et al. Studies of evolutionary algorithms for the reduced Tomgro model calibration for modelling tomato yields
Karthikeyan et al. Greenhouse Monitoring System and Tomato Leaf Disease Classification Using Convolutional Neural Network
Saha et al. ML-based smart farming using LSTM
WO2021067847A1 (en) Agricultural platforms
Jimenez Lopez et al. Forecasting irrigation scheduling based on deep learning models using IoT
Ahmad et al. Effect of automated controlling system using raspberry-Pi microprocessor on growth parameters of eggplant in greenhouse

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200609

WD01 Invention patent application deemed withdrawn after publication