CN111436296A - 一种用于植物生长和发育的人工智能生长方法 - Google Patents
一种用于植物生长和发育的人工智能生长方法 Download PDFInfo
- Publication number
- CN111436296A CN111436296A CN202010019206.4A CN202010019206A CN111436296A CN 111436296 A CN111436296 A CN 111436296A CN 202010019206 A CN202010019206 A CN 202010019206A CN 111436296 A CN111436296 A CN 111436296A
- Authority
- CN
- China
- Prior art keywords
- growth
- data
- plant
- development
- plants
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000012010 growth Effects 0.000 title claims abstract description 102
- 230000008635 plant growth Effects 0.000 title claims abstract description 49
- 238000011161 development Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 230000008121 plant development Effects 0.000 title claims abstract description 20
- 230000018109 developmental process Effects 0.000 claims abstract description 21
- 238000005286 illumination Methods 0.000 claims description 50
- 238000010801 machine learning Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 8
- 229930002875 chlorophyll Natural products 0.000 claims description 8
- 235000019804 chlorophyll Nutrition 0.000 claims description 8
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 8
- 239000001963 growth medium Substances 0.000 claims description 7
- 238000013481 data capture Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 6
- 230000008447 perception Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000004083 survival effect Effects 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 abstract description 91
- 238000003898 horticulture Methods 0.000 abstract description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 6
- 235000015097 nutrients Nutrition 0.000 description 6
- 238000006073 displacement reaction Methods 0.000 description 5
- 239000003102 growth factor Substances 0.000 description 5
- 230000029553 photosynthesis Effects 0.000 description 5
- 238000010672 photosynthesis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010413 gardening Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000020429 meristem development Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000027874 photomorphogenesis Effects 0.000 description 2
- 230000008638 plant developmental process Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 239000011734 sodium Substances 0.000 description 2
- 229910052708 sodium Inorganic materials 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000009966 trimming Methods 0.000 description 2
- 238000004876 x-ray fluorescence Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004071 biological effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012364 cultivation method Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- 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
- A01H—NEW PLANTS OR NON-TRANSGENIC PROCESSES FOR OBTAINING THEM; PLANT REPRODUCTION BY TISSUE CULTURE TECHNIQUES
- A01H4/00—Plant reproduction by tissue culture techniques ; Tissue culture techniques therefor
- A01H4/001—Culture apparatus for tissue culture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Environmental Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Developmental Biology & Embryology (AREA)
- Software Systems (AREA)
- Biotechnology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Botany (AREA)
- Ecology (AREA)
- Evolutionary Computation (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Forests & Forestry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Cell Biology (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明公开了一种用于植物生长和发育的人工智能生长方法，该方法通过多个感知单元获得植物生长的条件、影响因素，依据条件、影响因素生成植物人工发育的基线生长模型；然后，通过所述模型和光照装置向植物提供恰当的光照。本发明用于对组织培养物、植物幼苗、园艺、绿墙或城市农场提供光照，提供了植物人工发育的生长光照模型，为基于种植者需求和目标或者植物生长的需要而向所述植物在正确时间和正确位置提供正确的光。
Description
技术领域
本发明涉及植物生长培育方法技术领域，具体为一种基于云计算的植物生长因素对其生长影响的分析方法。
背景技术
植物生长需要空气、水、光和养分，其中，最主要的因素是光合作用，植物利用光照进行光合作用而生长、开花、结果。因此，光照条件的好坏直接影响作物的产量和品质。
目前，在植物生长技术应用方面，已由传统的露天植栽渐渐转型至室内温室栽培，有效地提高了植物的培育效率和产量。人们在温室内有措施地控制温度、光照、水和养分，对植物生长和发育具有非常积极的作用。例如，人们引入人工光源对于植物生长具有非常明显的促进效果。
然而，人造光源的引入虽然在一定程度上对植物生长起到了促进的作用，但现有的这种人造光源大多采用特定的光源进行照射的方式提供补光，存在不能任意改变环境光强度或者改变范围较小的缺陷，功能单一，难以真正满足植物生长、特别是不同种类植物生长的光照需求，缺乏对植物综合性的生产和培育手段。
如专利申请201710757927.3公开了一种植物生长的光照控制系统及方法，一种植物生长的光照控制系统，包括：第一检测组件，主控制器，以及与主控制器连接的第一植物补光灯；所述第一检测组件包括第一光照传感器，与第一光照传感器连接的第一微控制器；所述第一微控制器与主控制器连接。采用光照传感器检测待测点的光线强度，并将光线强度数据发送至微控制器，微控制器将该光线强度数据发送至主控制器，通过主控制器控制植物补光灯调节光线强度，从而控制待测点的光线强度，以保证光合作用达到最快的速率，又避免浪费。该专利申请虽然能够实现对光照的控制，但是仅仅局限于对光照的控制，功能单一，而且控制电路由两级控制器构成，颇为复杂，不实用。
又如专利申请201910176119.7公开了一种基于云计算的植物生长因素对其生长影响的分析方法，包括以下步骤：S1、分析槽的搭建；S2、取样；S3、样品的初次测量；S4、分析槽的分类；S5、植物的培养；S6、后期测量；S7、烘干处理；S8、测量矿物质；S9、运用云计算的方法将生长因素与生长状态进行计算匹配，确定植物生长状态与生长因素直观的关系图，进而确定生长因素对植物生长影响的情况，通过在实验室内部搭建植物生长分析槽，且将植物分析槽分成五种生长因素不同的分析槽，而且增加了对照组分析槽，从而使得植物生长因素分析能进行对单一因素能精准的分析，便于掌握植物生长因素对植物生长的具体影响，便于在植物种植过程中使用。
上述专利申请能够对植物生长状态进行分析，但是并不能实现对植物生长的智能控制，不能满足植物生长的促进需求。
发明内容
为解决上述问题，本发明提供一种用于植物生长和发育的人工智能生长方法，该方法提供了植物人工发育新型生长光照模型的可能性，所述模型的目标为基于种植者需求和目标而向所述植物在正确时间和正确位置提供正确的光。
本发明的另一个目的在于提供一种具用于植物生长和发育的人工智能生长方法，该方法能够对组织培养物、植物幼苗、园艺、绿墙或城市农场提供合适的光照以支持所述植物生长和发育过程的多个阶段期间的植物生长和发育，并能够基于生长光照算法不断提高优化，从而保证植物生长发育中的良好培育。
为实现上述目的，本发明的技术方案如下:
一种用于植物生长和发育的人工智能生长方法，该方法通过多个(至少一个)感知单元获得植物生长的条件、影响因素，依据条件、影响因素生成植物人工发育的基线生长模型；然后，通过所述模型和光照装置为基于种植者的需求和目标而在恰当的时间和恰当的位置向植物提供恰当的光照。
本发明中，通过专注于仍在生长的植物的监控和研究，利用实时调整的照明影响植物的生长质量，从而能够有效和可靠地提高植物的生长。
同时，也可以利用本发明来进行相关的对比测试，比较相似情况下的植物以了解光的影响。
所述感知单元可包括但不限于环境温度、水温、相对湿度、CO2、液体和生长培养基的液位、大气压力、光谱、pH值、露点、叶片湿度、电导率的检测器件、GPS和相机。
所述方法，进一步包括有数据捕获和数据处理步骤、用于其生长光照算法的机器学习步骤，和应用步骤；其中：所述数据捕获用于获知植物的生长数据及环境数据；数据捕获后通过网关将数据发送给云服务器，通过云服务器对数据进行处理，所述处理包括但不限于植物辨别或识别，这一步就是数据处理步骤；所述机器学习步骤为与基线模型相比较，并且应用机器学习算法以分析并推荐有助于更佳生长或发育的光照算法；所述应用步骤为通过网关控制光照装置对植物提供合适的光照。
光照的作用是为植物生长和发育过程提供最佳光照，并且还有间隔地提供为相机拍摄之目的优化过的均匀光照，所述光照为均匀的，但是也能减少阴影和反射和/或遵循一定的照明模式以突出某些尺寸特性。
进一步，所述数据捕获步骤包含通过终端用户输入的数据输入、预输入或通过API接口收集的数据输入三种方式，在所述API接口实现数据收集中，通过感知单元来获取植物图像及环境数据，所述感知单元包括但不限于传感器、扫描仪和相机，所述植物图像至少具有两幅，以能够进行准确地对比和分析。
更进一步，所述数据捕获步骤中，数据包括但不限于环境数据、系统数据、植物的视觉和物理外观数据、图像数据；环境数据可包括温度、空气压力、湿度、光，等等。系统数据可包括功耗、温度、通电/断电循环，等等。图像以多个波长进行处理，这些波长可配置成针对具体缺陷。视觉和物理外观数据可包括：生物特征、形状、尺寸、结构、密度、重量、颜色、缺陷、损伤、在瓶内或组织培养物容器内的位置、外来物质。对于组织培养物，该数据还可包括根茎的数量、根茎长度、鲜重(g)、干重(g)、叶绿素含量(mg/g)、高度(cm)、叶片颜色、含糖量(mg/g)、生物质，等等。
其它事实数据可从文本或代码采集，包括腋芽的起源、繁殖盒、生长培养基批次、处理阶段的日期和时间、以及向其它阶段的推进。
进一步，所述种植者也可以人为地输入数据，所述输入数据可包括更快生长、更佳生长、更健康生长、有效生长和以任何其它方式的优化生长(例如，通过向所述植物发送信号使得所述植物或组织培养物可调整光合作用和光形态建成的速率以及其它特性来优化耐冷性、耐热性、避逆性)指标，这种方式称为种植者目标。
进一步，所述机器学习步骤中，基于数据捕获步骤所获得的数据，特别是所述种植者目标、植物类型信息和从所述感知单元获得的植物质量数据，将对所述数据进行处理后提供生长评级，然后将该评级与基线生长模型相比较，并且应用学习算法。所述基线生长模型为事先建立的植物生长的基本状态模型。大多数所述植物将根据所述基线生长模型接收光，少数所述植物将按照微调后的基线生长模型接收光，并将基于所述微调的结果更新到新的基线生长模型，这种新的基线生长模型称为经增强的基线生长模型(简称增强的模型)。
进一步，所述机器学习步骤，是通过深度学习的计算机软件实现的，软件将首先辨别所述植物或组织培养物的种类，然后对其评级。所述评级可包括准确颜色分级、颜色分离、瑕疵计数、糖分级、柔软性分级(例如，在硬化阶段)、损伤等级(例如，破损、分裂)、形状&尺寸评级(例如，长度、宽度、分生组织宽度、新芽、嫩枝)、外来物质计数、叶绿素评级、密度评级、繁殖率、存活率、污染危害评级的任意一种或任意组合。所述基线生长模型具体应用可包括对所述种类进行比较的数值范围(例如对比表、曲线)或3D的模型。所述基线生长模型还可包括对所述养分或生长培养基的电导率、pH值、含糖量和其它性质的评级。为了初始设置或培训所述基线生长模型的学习能力之目的，所述终端用户还可对一些所选图像进行分类和拖放到基线生长模型中，以帮助学习所述系统来进行初始设置或改进。所述终端用户还可选择索取样本以用于在所选阶段的评估，并且基于种群添加统计学显著数据内的特定样本量来更改所述基线生长模型。
所述应用步骤进一步包括有：部署所述新生长光照算法。可在相同阶段针对其它植物和组织培养物或在后续阶段针对相同组织培养物或植物重新调整生长光照算法。追踪所述生长光照算法的变化，从而可通过软件报告从中央数据库中检索这些变化以供将来召回、回顾和评估之用。
一种用于植物生长和发育的人工智能生长的光照系统，所述系统包括有用户端、云服务器端、网关和植物生长环境中的感知单元、致动器，其中：
所述用户端与云服务器端通过网络进行通讯；
所述云服务器端通过网关获取感知单元的捕获数据，同时也通过网关将控制信息传输给制动器，制动器控制进行光照。
进一步，所述云服务器还通过网关连接有计算机，计算机为控制终端，其显示器可作为植物观察的视角，同时可以从云服务器获取数据，用于部分植物辨别或识别。
进一步，所述感知单元可以采用若干类型的设备来或者环境数据、系统数据等信息，包括但不限于压力传感器、CO2传感器、叶绿素传感器、彩色相机、电磁传感器(EM)、GPS、湿度传感器、红外透射(IRT)、IR相机(IR)、激光反射/荧光器、光谱传感器、温度传感器、X射线荧光(XRF)、X射线透射(XRT)。
进一步，所述致动器则包括但不限于光照系统、HVAC系统、养分供给器、CO2、氧气发生器、风机等设备。
本发明所实现的人工智能生长光照方法和光照系统，设计用于对组织培养物、植物幼苗、园艺、绿墙或城市农场提供光照，提供了植物人工发育的生长光照模型，为基于种植者需求和目标或者植物生长的需要而向所述植物在正确时间和正确位置提供正确的光。
该方法及光照系统能够支持所述植物生长和发育过程的多个阶段期间的植物生长和发育，使得所述过程的至少一些生长阶段中的所述生长光照算法包括光波长不同于其它生长阶段的能量，并能够基于生长光照算法不断提高优化，从而保证植物生长发育中的良好培育。
附图说明
图1是本发明所实施植物生长和发育的人工智能生长方法的流程图。
图2是本发明所实施的硬件系统的简化示意图。
图3是本发明所实施的光照系统的示意图。
图4是本发明所实施的叶片尺寸和形状发育的视觉分析的示意图。
图5是本发明所实施的分生组织发育和健康度的视觉分析的示意图。
图6是本发明所实施的植物辨别的流程图。
图7是本发明所实施的植物识别的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明所实现的用于植物生长和发育的人工智能生长方法，通过多个(至少一个)感知单元获得植物生长的条件、影响因素，依据条件、影响因素生成植物人工发育的生长光照模型；然后，通过所述模型和光照装置为基于种植者的需求和目标而在恰当的时间和恰当的位置向植物提供恰当的光照。
如图1所示，为实现本发明的基本流程，首先是数据捕获，数据捕获通过设置在植物生长环境中的各种感知单元来完成；数据捕获再进行数据处理，数据处理是通过1.种植者目标、2.植物类型信息和3.植物品质信息这三种方式来实现；通过数据处理后对植物的生长状态进行平级，简称生长评级；然后利用生长评级，计算机或服务器进行光照算法的学习，以生成生长的最佳模型；光照算法的学习是深度卷积学习法，通过计算并与基线相比较来获取近似的算法，并重复以改进算法；对于结果相同的：继续重复，对于结果有改进的：更新模型，对于结果下降的：增强模型。
最后将增强的模型进行输入应用。
如图2所示，为本发明所实现的硬件架构，主要包括有用户端(也就是用户界面)、云服务器端(简称云)、网关和植物生长环境中的感知单元、致动器。
其中，感知单元可以采用若干类型的设备来或者环境数据、系统数据等信息。具体如下表所示：
| 设备类型： | 用途： |
| 压力传感器 | 大气压力 |
| CO<sub>2</sub>传感器 | 二氧化碳 |
| 叶绿素传感器 | 叶绿素含量 |
| 彩色相机(彩色) | 颜色性质 |
| 电磁传感器(EM) | 电磁性质，诸如(例如在生长培养基和根茎中的)电导率和磁导率 |
| GPS | 位置坐标 |
| 湿度传感器 | 相对湿度 |
| 红外透射(IRT) | 密度和形状性质 |
| IR相机(IR) | 导热性、散热 |
| 激光反射/荧光 | 结构、元素和生物性质 |
| 光谱传感器 | 光的光子通量、光谱性质 |
| 温度传感器 | 环境温度 |
| X射线荧光(XRF) | 元素组成 |
| X射线透射(XRT) | 元素组成 |
感知单元并不局限于上表中所罗列的设备。
致动器则包括但不限于光照系统、HVAC系统、养分供给器、CO2、氧气发生器、风机等设备。
应用时的具体控制系统如图3所示。用户通过UI装置链接到云服务器，云服务器再通过网关对致动器进行控制，在该光照系统下，致动器具体实现为驱动器和光源，光源包括但不局限于碳弧灯、白炽灯、低压钠灯、高压钠灯、LED灯。
通常情况下，一个驱动器和至少一个光源构成一个致动器，也就是说，一个致动器包含有一个驱动器和若干个光源，以能够多角度照明，从而实现对植物的均匀光照。光源可以采用串联或者并联的方式进行连接。
再结合图3-图7所示，本发明所实现的用于植物生长和发育的人工智能生长方法，该方法通过多个感知单元获得植物生长的条件、影响因素，依据条件、影响因素生成植物人工发育的基线生长模型；然后，通过所述模型和光照装置为基于种植者的需求和目标而在恰当的时间和恰当的位置向植物提供恰当的光照。
具体地说，该方法包括有数据捕获和数据处理步骤、用于其生长光照算法的机器学习步骤，和应用步骤；其中：所述数据捕获用于获知植物的生长数据及环境数据；数据捕获后通过网关将数据发送给云服务器，通过云服务器对数据进行处理，所述处理包括但不限于植物辨别或识别，这一步就是数据处理步骤；所述机器学习步骤为与基线模型相比较，并且应用机器学习算法以分析并推荐有助于更佳生长或发育的光照算法；所述应用步骤为通过网关控制光照装置对植物提供合适的光照。
所述数据捕获步骤包含通过终端用户输入的数据输入、预输入或通过API接口收集的数据输入三种方式，在所述API接口实现数据收集中，通过感知单元来获取植物图像及环境数据，所述感知单元包括但不限于传感器、扫描仪和相机，所述植物图像至少具有两幅，以能够进行准确地对比和分析。
所述数据捕获步骤中，数据包括但不限于环境数据、系统数据、植物的视觉和物理外观数据、图像数据；环境数据可包括温度、空气压力、湿度、光，等等。系统数据可包括功耗、温度、通电/断电循环，等等。图像以多个波长进行处理，这些波长可配置成针对具体缺陷。视觉和物理外观数据可包括：生物特征、形状、尺寸、结构、密度、重量、颜色、缺陷、损伤、在瓶内或组织培养物容器内的位置、外来物质。对于组织培养物，该数据还可包括根茎的数量、根茎长度、鲜重(g)、干重(g)、叶绿素含量(mg/g)、高度(cm)、叶片颜色、含糖量(mg/g)、生物质，等等。如图3、图4所示。图3显示的是叶片尺寸和形状发育的视觉分析实例，光照设置为与基线生长模型相比较的表现并可进行调整。图4为植物分生组织发育和健康度的视觉分析实例，
其它事实数据可从文本或代码采集，包括腋芽的起源、繁殖盒、生长培养基批次、处理阶段的日期和时间、以及向其它阶段的推进。
另外，所述种植者也可以人为地输入数据，所述输入数据可包括更快生长、更佳生长、更健康生长、有效生长和以任何其它方式的优化生长(例如，通过向所述植物发送信号使得所述植物或组织培养物可调整光合作用和光形态建成的速率以及其它特性来优化耐冷性、耐热性、避逆性)指标，这种方式称为种植者目标。
再结合图1所示，所述机器学习步骤中，基于数据捕获步骤所获得的数据，特别是所述种植者目标、植物类型信息和从所述感知单元获得的植物质量数据，将对所述数据进行处理后提供生长评级，然后将该评级与基线生长模型相比较，并且应用学习算法。所述基线生长模型为事先建立的植物生长的基本状态模型。大多数所述植物将根据所述基线生长模型接收光，少数所述植物将按照微调后的基线生长模型接收光，并将基于所述微调的结果更新到新的基线生长模型，这种新的基线生长模型称为经增强的基线生长模型(图中简称增强的模型)。
所述机器学习步骤，是通过深度学习的计算机软件实现的，软件将首先辨别所述植物或组织培养物的种类，然后对其评级。所述评级可包括准确颜色分级、颜色分离、瑕疵计数、糖分级、柔软性分级、损伤等级、形状&尺寸评级、外来物质计数、叶绿素评级、密度评级、繁殖率、存活率、污染危害评级，等等。
所述基线生长模型具体应用可包括对所述种类进行比较的数值范围(例如对比表、曲线)或3D的模型。所述基线生长模型还可包括对所述养分或生长培养基的电导率、pH值、含糖量和其它性质的评级。为了初始设置或培训所述基线生长模型的学习能力之目的，所述终端用户还可对一些所选图像进行分类和拖放到基线生长模型中，以帮助学习所述系统来进行初始设置或改进。所述终端用户还可选择索取样本以用于在所选阶段的评估，并且基于种群添加统计学显著数据内的特定样本量来更改所述基线生长模型。
所述应用步骤进一步包括有部署所述新的生长光照算法。也就是说，可在相同阶段针对其它植物和组织培养物，或者在后续阶段针对相同组织培养物或植物重新调整生长光照算法，上述的生长光照算法是可追溯的。追踪所述生长光照算法的变化，从而可通过软件报告从中央数据库中检索这些变化以供将来召回、回顾和评估之用。
通过云服务器对数据进行处理时，结合图6所示，植物辨别的步骤是：
S01、通过相机获取植物叶片的第一图像；
S02、向植物提供移动至新位置的指令；这个指令可以通过移动植物，或者是移动相机来实现；
S03、在指示重新定向确定后，获取植物叶片的第二图像；
S04、通过比较第一图像和第二图像来确定所指示的重新定向是否得以执行；
S05、确定执行后，获取植物叶片的第二图像；
S06、辨别第一图像和第二图像上的多个叶片特征点；
S07、辨别叶片特征点在第一图像和第二图像之间的位移；
S08、将叶片特征点的位移拟合到三维表面模型；
S09、基于S08步骤的结果而确定第一图像和第二图像是否真实可靠。
结合图7所示，植物识别的步骤是：
S11、接收植物叶片的第一图像；
S12、将一组四个或更多个二维界面上的特征点定位于第一图像上；
S13、接收植物叶片的一个或多个额外图像；
S14、将该组二维界面上的特征点定位于每个额外图像上；
S15、辨别每个额外图像、额外图像上的该组二维特征点和第一图像上的该组二维特征点之间的位移；
S16、确定位移是否与存储的三维表面模型相符；
S17、基于确定位移是否与三维表面模型相符的结果而确定是否认证该植物叶片。
本发明的效果在于：
本发明所实现的人工智能生长光照方法和光照系统，设计用于对组织培养物、植物幼苗、园艺、绿墙或城市农场提供光照，提供了植物人工发育的生长光照模型，为基于种植者需求和目标或者植物生长的需要而向所述植物在正确时间和正确位置提供正确的光。
该方法及光照系统能够支持所述植物生长和发育过程的多个阶段期间的植物生长和发育，使得所述过程的至少一些生长阶段中的所述生长光照算法包括光波长不同于其它生长阶段的能量，并能够基于生长光照算法不断提高优化，从而保证植物生长发育中的良好培育。
以上列举了本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于植物生长和发育的人工智能生长方法，其特征在于该方法通过多个感知单元获得植物生长的条件、影响因素，依据条件、影响因素生成植物人工发育的基线生长模型；然后，通过所述模型和光照装置为基于种植者的需求和目标而在恰当的时间和恰当的位置向植物提供恰当的光照。
2.如权利要求1所述的用于植物生长和发育的人工智能生长方法，其特征在于所述感知单元可包括但不限于环境温度、水温、相对湿度、CO2、液体和生长培养基的液位、大气压力、光谱、pH值、露点、叶片湿度、电导率的检测器件，以及GPS和相机。
3.如权利要求1所述的用于植物生长和发育的人工智能生长方法，其特征在于所述方法，进一步包括有数据捕获和数据处理步骤、用于其生长光照算法的机器学习步骤，和应用步骤；其中：所述数据捕获用于获知植物的生长数据及环境数据；数据捕获后通过网关将数据发送给云服务器，通过云服务器对数据进行处理，所述处理包括但不限于植物辨别或识别；所述机器学习步骤为与基线模型相比较，并且应用机器学习算法以分析并推荐有助于更佳生长或发育的光照算法；所述应用步骤为通过网关控制光照装置对植物提供合适的光照。
4.如权利要求3所述的用于植物生长和发育的人工智能生长方法，其特征在于所述数据捕获步骤包含通过终端用户输入的数据输入、预输入或通过API接口收集的数据输入三种方式，在所述API接口实现数据收集中，通过感知单元来获取植物图像及环境数据，所述植物图像至少具有两幅，以能够进行准确地对比和分析。
5.如权利要求4所述的用于植物生长和发育的人工智能生长方法，其特征在于所述数据捕获步骤中，数据包括但不限于环境数据、系统数据、植物的视觉和物理外观数据、图像数据；环境数据可包括温度、空气压力、湿度、光；系统数据可包括功耗、温度、通电/断电循环；视觉和物理外观数据可包括：生物特征、形状、尺寸、结构、密度、重量、颜色、缺陷、损伤、在瓶内或组织培养物容器内的位置、外来物质。
6.如权利要求3所述的用于植物生长和发育的人工智能生长方法，其特征在于所述机器学习步骤中，基于数据捕获步骤所获得的数据，特别是所述种植者目标、植物类型信息和从所述感知单元获得的植物质量数据，将对所述数据进行处理后提供生长评级，然后将该评级与基线生长模型相比较，并且应用学习算法，所述基线生长模型为事先建立的植物生长的基本状态模型。
7.如权利要求6所述的用于植物生长和发育的人工智能生长方法，其特征在于所述机器学习步骤，是通过深度学习的计算机软件实现的，软件将首先辨别所述植物或组织培养物的种类，然后对其评级。
8.如权利要求7所述的用于植物生长和发育的人工智能生长方法，其特征在于所述评级可包括准确颜色分级、颜色分离、瑕疵计数、糖分级、柔软性分级、损伤等级、形状&尺寸评级、外来物质计数、叶绿素评级、密度评级、繁殖率、存活率、污染危害评级的任意一种或任意组合。
9.如权利要求8所述的用于植物生长和发育的人工智能生长方法，其特征在于所述基线生长模型具体应用可包括对所述种类进行比较的数值范围或3D的模型。
10.如权利要求3所述的用于植物生长和发育的人工智能生长方法，其特征在于所述应用步骤进一步包括有：部署所述新生长光照算法，部署所述新生长光照算法是在植物生长的相同阶段针对其它植物和组织培养物，或在植物生长的后续阶段针对相同组织培养物或植物重新调整生长光照算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010019206.4A CN111436296A (zh) | 2020-01-08 | 2020-01-08 | 一种用于植物生长和发育的人工智能生长方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010019206.4A CN111436296A (zh) | 2020-01-08 | 2020-01-08 | 一种用于植物生长和发育的人工智能生长方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111436296A true CN111436296A (zh) | 2020-07-24 |
Family
ID=71626952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010019206.4A Pending CN111436296A (zh) | 2020-01-08 | 2020-01-08 | 一种用于植物生长和发育的人工智能生长方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111436296A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113465658A (zh) * | 2021-05-24 | 2021-10-01 | 湖南大学 | 基于磁导率的非接触式测温及物料成分检测装置与方法 |
| WO2023088349A1 (zh) * | 2021-11-17 | 2023-05-25 | 海尔智家股份有限公司 | 操作室内园艺电器中的相机组件的方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103890767A (zh) * | 2011-10-21 | 2014-06-25 | 先正达参股股份有限公司 | 可编程植物系统 |
| CN104866970A (zh) * | 2015-05-26 | 2015-08-26 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
| US20170035008A1 (en) * | 2015-08-09 | 2017-02-09 | Craig Ellins | Method for optimizing and enhancing plant growth, development and performance |
| CN106561347A (zh) * | 2016-10-31 | 2017-04-19 | 广东家易科技有限公司 | 一种基于机器学习的植物智能培育系统及方法 |
| CN106650212A (zh) * | 2016-10-10 | 2017-05-10 | 重庆科技学院 | 基于数据分析的植物智能培育方法及系统 |
| CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
| US20190050510A1 (en) * | 2017-08-10 | 2019-02-14 | Clearag, Inc. | Development of complex agricultural simulation models from limited datasets |
| US20190059202A1 (en) * | 2017-08-07 | 2019-02-28 | Michael C. Lorek | Artificial Intelligence System for In-Vivo, Real-Time Agriculture Optimization Driven by Low-Cost, Persistent Measurement of Plant-Light Interactions |
-
2020
- 2020-01-08 CN CN202010019206.4A patent/CN111436296A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103890767A (zh) * | 2011-10-21 | 2014-06-25 | 先正达参股股份有限公司 | 可编程植物系统 |
| CN104866970A (zh) * | 2015-05-26 | 2015-08-26 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
| US20170035008A1 (en) * | 2015-08-09 | 2017-02-09 | Craig Ellins | Method for optimizing and enhancing plant growth, development and performance |
| CN106650212A (zh) * | 2016-10-10 | 2017-05-10 | 重庆科技学院 | 基于数据分析的植物智能培育方法及系统 |
| CN106561347A (zh) * | 2016-10-31 | 2017-04-19 | 广东家易科技有限公司 | 一种基于机器学习的植物智能培育系统及方法 |
| US20190059202A1 (en) * | 2017-08-07 | 2019-02-28 | Michael C. Lorek | Artificial Intelligence System for In-Vivo, Real-Time Agriculture Optimization Driven by Low-Cost, Persistent Measurement of Plant-Light Interactions |
| US20190050510A1 (en) * | 2017-08-10 | 2019-02-14 | Clearag, Inc. | Development of complex agricultural simulation models from limited datasets |
| CN108633697A (zh) * | 2018-05-15 | 2018-10-12 | 重庆科技学院 | 一种基于植物日常数据分析与云技术的智能植物养培方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113465658A (zh) * | 2021-05-24 | 2021-10-01 | 湖南大学 | 基于磁导率的非接触式测温及物料成分检测装置与方法 |
| CN113465658B (zh) * | 2021-05-24 | 2023-03-31 | 湖南大学 | 基于磁导率的非接触式测温及物料成分检测装置与方法 |
| WO2023088349A1 (zh) * | 2021-11-17 | 2023-05-25 | 海尔智家股份有限公司 | 操作室内园艺电器中的相机组件的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20200272817A1 (en) | Water Stress Detection Method for Tomatoes in Seedling Stage Based on Micro-CT and Polarization-Hyperspectral Imaging Multi-Feature Fusion | |
| CN108858122A (zh) | 一种温室植物病害巡检机器人及巡检方法 | |
| Jiang et al. | Three-dimensional time-lapse analysis reveals multiscale relationships in maize root systems with contrasting architectures | |
| CN111436296A (zh) | 一种用于植物生长和发育的人工智能生长方法 | |
| CN108830741A (zh) | 一种农田环境智能监测系统 | |
| CA3026835A1 (en) | Environmental microclimate growth chamber and method | |
| KR20200063500A (ko) | 모듈형 스마트팜 버섯재배 시스템 | |
| CN111435260A (zh) | 植物生长环境参数监控及环境模拟系统 | |
| Bao et al. | Assessing plant performance in the Enviratron | |
| Saeed et al. | Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks | |
| CN109287477A (zh) | 一种耐低温弱光的辣椒品种的筛选方法和装置 | |
| Negrete | Artificial neural networks in mexican agriculture, A overview | |
| Lin et al. | Data-driven modeling for crop growth in plant factories | |
| CN111707194A (zh) | 基于深度相机的金针菇整齐度检测方法及装置 | |
| US20230309464A1 (en) | Method and apparatus for automated crop recipe optimization | |
| CN111869532A (zh) | 一种兰花自动化培植系统及培植方法 | |
| US20220079125A1 (en) | Holding Tank Monitoring System Based On Wireless Sensor Network And Monitoring Method | |
| CN113940267B (zh) | 一种用于植物工厂的照护装置及方法 | |
| CN102911852B (zh) | 克隆菌株自动筛选装置及方法 | |
| JP2019191854A (ja) | 画像認識装置、人工授粉システム、およびプログラム | |
| Wickramaarachchi et al. | Real-time greenhouse environmental conditions optimization using neural network and image processing | |
| CN111802281B (zh) | 孵前种鸭蛋中受精蛋的光纤光谱分级检测装置及其方法 | |
| CN115203979A (zh) | 一种生物环境仿真模拟控制方法和系统 | |
| CN112179881B (zh) | 基于叶绿素荧光成像的绿豆叶斑病的早期检测方法 | |
| CN114168806A (zh) | 基于无线传感器网络的智慧农业信息平台 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200724 |