CN111476149A - 一种植物培育控制方法和系统 - Google Patents
一种植物培育控制方法和系统 Download PDFInfo
- Publication number
- CN111476149A CN111476149A CN202010260175.1A CN202010260175A CN111476149A CN 111476149 A CN111476149 A CN 111476149A CN 202010260175 A CN202010260175 A CN 202010260175A CN 111476149 A CN111476149 A CN 111476149A
- Authority
- CN
- China
- Prior art keywords
- plant
- cultivation
- data
- growth
- decision
- 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- Withdrawn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 50
- 230000012010 growth Effects 0.000 claims abstract description 96
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 241000196324 Embryophyta Species 0.000 claims description 227
- 239000002689 soil Substances 0.000 claims description 47
- 238000013473 artificial intelligence Methods 0.000 claims description 38
- 238000005286 illumination Methods 0.000 claims description 38
- 238000009395 breeding Methods 0.000 claims description 15
- 230000001488 breeding effect Effects 0.000 claims description 15
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 13
- 230000008635 plant growth Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000003973 irrigation Methods 0.000 claims description 12
- 230000002262 irrigation Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 235000015097 nutrients Nutrition 0.000 claims description 10
- 239000000243 solution Substances 0.000 claims description 8
- 230000036285 pathological change Effects 0.000 claims description 7
- 231100000915 pathological change Toxicity 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000002347 injection Methods 0.000 claims description 4
- 239000007924 injection Substances 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000011534 incubation Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000019771 cognition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000008636 plant growth process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Abstract
本申请公开了一种植物培育控制方法和系统,该植物培育控制方法包括:获取植株的生长图像和生长环境数据;调用预设神经网络,根据所述生长图像识别植株种类并提取生长状态数据;调用预设专家系统,根据所述植株种类、所述生长状态数据、所述生长环境数据,生成针对所述植株的培育决策;根据所述培育决策调整自动培育装置的培育参数。可见,本申请不仅利用预设神经网络进行植株种类识别,还利用预设专家系统结合植株的生长环境数据等,给出植物培育的合理培育决策。本申请不仅有效提高了植物培育的科学合理性和效率,而且还实现了全程自动化管理与决策,降低了人力成本和负担,极大地推动了行业智能化发展。
Description
技术领域
本申请涉及人工智能和植物培育技术领域,特别涉及一种植物培育控制方法和系统。
背景技术
随着深度学习技术的迅速发展,深度神经网络和卷积神经网络在图像识别的领域里取得了显著的发展和长足的进步。近年来,深度学习技术在图像识别上有了多种多样的应用,比如人脸识别在安防、支付上的实现等。尤其是ImageNet等人工智能领域图像识别的竞赛和数据集,更催生了对图像识别十分有效的神经网络结构的设计,比如VGG、AlexNet、ResNet等,更促进了众多理论、技术和方法的发展和诞生。
当前,虽然在植物培育技术领域内已经开始引入了人工智能控制,但一定程度上仍然依赖于人工。即,目前结合人工智能进行植物培育的服务还仅停留在“知道”阶段,而“决策”和“执行”阶段还必须由人去进行。可想而知的是,仅仅处于检测和认知阶段的服务无法为人类提供更多的价值,特别是在大规模种植应用场景中。
鉴于此,提供一种解决上述技术问题的方案,已经是本领域技术人员所亟需关注的。
发明内容
本申请的目的在于提供一种植物培育控制方法和系统,以便在对植物进行生长状态检测的基础上进一步实现种植决策管理,实现全程自动培育,提高植物种植效率并降低人力成本。
为解决上述技术问题,第一方面,本申请公开了一种植物培育控制方法,包括:
获取植株的生长图像和生长环境数据;
调用预设神经网络,根据所述生长图像识别植株种类并提取生长状态数据;
调用预设专家系统,根据所述植株种类、所述生长状态数据、所述生长环境数据,生成针对所述植株的培育决策;
根据所述培育决策调整自动培育装置的培育参数。
可选地,所述获取植株的生长环境数据,包括:
基于摄像头拍摄的植株生长视频提取光照数据,所述光照数据包括光照强度数据和光照时长数据;
基于土壤检测电极获取土壤数据,所述土壤数据包括土壤水分数据和土壤养料数据;
基于温度计获取温度数据;
所述提取生长状态数据,包括:
基于所述摄像头拍摄的所述生长图像提取植株颜色数据和植株形态数据。
可选地,所述预设神经网络的训练生成过程包括:
在植株幼苗期间获取植株图像样本;
接收通过预设标签输入接口输入的与所述植株图像样本对应的种类标签;
基于标识了所述种类标签的所述植株图像样本训练生成所述预设神经网络。
可选地,所述根据所述培育决策调整自动培育装置的培育参数,包括以下任意一种或者任意组合:
调整照明控制装置的启停和电流大小,以调整光照时长和光照强度;
调整灌溉管道的溶液配比以调整土壤养分;调整所述灌溉管道的注水速度和闸门开关以调整土壤水分;
调整温控系统的启停和设定温度,以调整环境温度。
可选地,还包括:
将植株培育信息数据发送至大数据平台,以便所述大数据平台统计获取本地区内的植株培育产需信息;
根据所述本地区内的植株培育产需信息调整针对所述植株的种植决策。
可选地,所述以便所述大数据平台统计获取本地区内的植株培育产需信息,包括:
以便所述大数据平台统计获取本地区内的该种植株的种植面积、病变情况、预估产量、市场需求产量。
第二方面,本申请还公开了一种植物培育系统,其特征在于,包括人工智能培育平台,所述人工智能培育平台包括:
信息采集装置,用于采集植株的生长图像和生长环境数据;
决策控制装置,用于调用预设神经网络,根据所述生长图像识别植株种类并提取生长状态数据;调用预设专家系统,根据所述植株种类、所述生长状态数据、所述生长环境数据,生成针对所述植株的培育决策;根据所述培育决策调整自动培育装置的培育参数;
自动培育装置,用于根据设定的所述培育参数对所述植株进行自动培育。
可选地,所述信息采集装置包括:用于拍摄植株的生长图像和植株生长视频的摄像头、用于获取土壤数据的土壤检测电极、用于获取温度数据的温度计;
所述决策控制装置包括:用于存储各项数据的AI存储节点、用于训练或调用所述预设神经网络进行计算识别的AI计算节点、用于进行培育决策的所述预设专家系统;
所述自动培育装置包括:用于调整光照时长和光照强度的照明控制装置、用于调整土壤水分和土壤养分的灌溉管道、用于调整环境温度的温控系统。
可选地,还包括:
大数据平台,用于接收各个所述人工智能培育平台发送的植株培育信息数据,统计获取本地区内的植株培育产需信息;以便各个所述人工智能培育平台根据所述本地区内的植株培育产需信息调整针对所述植株的种植决策。
可选地,所述大数据平台具体用于:
统计获取本地区内的该种植株的种植面积、病变情况、预估产量、市场需求产量。
本申请所提供的植物培育控制方法包括:获取植株的生长图像和生长环境数据;调用预设神经网络,根据所述生长图像识别植株种类并提取生长状态数据;调用预设专家系统,根据所述植株种类、所述生长状态数据、所述生长环境数据,生成针对所述植株的培育决策;根据所述培育决策调整自动培育装置的培育参数。
可见,本申请不仅利用预设神经网络进行植株种类识别,还利用预设专家系统结合植株的生长环境数据等,给出植物培育的合理培育决策。本申请不仅有效提高了植物培育的科学合理性和效率,而且还实现了全程自动化管理与决策,降低了人力成本和负担,极大地推动了行业智能化发展。本申请所提供的植物培育系统同样具有上述有益效果。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案,下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然,下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图,所获得的其他附图也属于本申请的保护范围。
图1为本申请实施例公开的一种植物培育控制方法的流程图;
图2为本申请实施例公开的一种植物培育系统的结构框图;
图3为本申请实施例公开的一种大数据平台的工作示意图。
具体实施方式
本申请的核心在于提供一种植物培育控制方法和系统,以便在对植物进行生长状态检测的基础上进一步实现种植决策管理,实现全程自动培育,提高植物种植效率并降低人力成本。
为了对本申请实施例中的技术方案进行更加清楚、完整地描述,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行介绍。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1所示,本申请实施例公开了一种植物培育控制方法,主要包括:
S101:获取植株的生长图像和生长环境数据。
生长环境数据即反映植株所处环境为植株提供的生长条件的数据,可具体利用不同功能类型的传感器检测获取。进一步地,作为一种具体实施例,以植物生长理论为依据,生长环境数据可具体包括光照数据、土壤数据和温度数据。
进一步地,可基于摄像头拍摄的植株生长视频提取光照数据,其中光照数据可具体包括光照强度数据和光照时长数据;并可基于土壤检测电极获取土壤数据,土壤数据可具体包括土壤水分数据和土壤养料数据;并可基于温度计获取温度数据。其中,具体地,土壤检测电极可通过采集土壤的湿度、导电率来检测土壤内部的水分、肥力。
S102:调用预设神经网络,根据生长图像识别植株种类并提取生长状态数据。
其中,生长状态数据即反映植株长势的数据,例如,可具体包括植株颜色数据和植株形态数据(包括株高、病害、萎蔫等情况数据)。生长状态数据可具体利用预设神经网络从摄像头所拍摄的植株的生长图像中提取生成。
具体地,本申请实施例将深度学习技术应用在植株种类识别和生长状态提取上。摄像头拍摄到的植株的生长图像可反映出植株颜色和植株形态等,结合植物学理论,以各类植物的物理形态为依据,可训练出能够以植株的生长图像为输入、以植株种类的识别结果和植株生长状态数据为输出的预设神经网络。
在利用各种已知种类的植物图片数据进行预设神经网络的训练时,神经网络在深度学习的过程中可以自动从已知标签中学习并存储植物各部分的特征信息。以卷积神经网络为例,某些卷积核可以提取某些部位的特征信息,以自动识别出植物的各个不同部位,如花的花瓣、花蕊等等。根据这些代表了植物不同部位的卷积核的信息,可构建部位检测模型。由此,当原始植物图片经这些卷积核处理后,部位检测模型就可以识别出植物的各部位组成,进而识别出植物的种类。
S103:调用预设专家系统,根据植株种类、生长状态数据、生长环境数据,生成针对植株的培育决策。
专家系统是自动控制技术领域中的一种智能控制系统。专家系统的内部中预先集成存储有本领域内专家水平的知识与经验,以便在调用专家系统时通过利用已知的专家知识和解决问题的方法来处理该领域问题。
由此,本申请所提供的植物培育控制方法具体设置了集成有植物培育理论专家知识的预设专家系统。该预设专家系统依据各类植物所最适宜的生长环境数据,例如适宜的温度、水分、光照时间、光照强度等,可为植物生长健康状况的改善与控制提供科学合理的理论依据。由此,根据植株种类,预设专家系统可根据植株的生长状态数据判断出该植株当前的生长环境数据所存在的问题,例如“叶片变黄是由于植物缺水”等,进而根据判断依据生成对应的培育决策,例如增加土壤水分等。
容易理解的是,预设专家系统在工作时,对于植株图片所反映的植株颜色和植株形态等,可与植物在大部分时间内的正常状态图片数据进行比对,若出现异常则可先查询历史记录获取对应的培育决策和处理方式,若没有相关历史记录,则可根据经验知识生成对应的培育决策,并补充记录到专家系统的历史记录中。
S104:根据培育决策调整自动培育装置的培育参数。
具体地,本申请实施例中对植株的培育工作具体是由自动培育装置代替人工执行的。自动培育装置应当具备调整植株的各项生长环境数据的能力。作为一种具体实施例,自动培育装置可以通过调整照明控制装置的启停和电流大小,来调整光照时长和光照强度;并可以通过调整灌溉管道的溶液配比来调整土壤养分、调整灌溉管道的注水速度和闸门开关来调整土壤水分;还可以通过调整温控系统的启停和设定温度来调整环境温度。
当预设专家系统得出针对于植株的培育决策后,便可以对应地调节自动培育装置的培育参数,例如“增大灌溉管道的闸门开启时长”等,由此实现了科学合理地自动植物培育,极大地提高植物种植的合理性与效率。
本申请实施例所提供的植物培育控制方法包括:获取植株的生长图像和生长环境数据;调用预设神经网络,根据生长图像识别植株种类并提取生长状态数据;调用预设专家系统,根据植株种类、生长状态数据、生长环境数据,生成针对植株的培育决策;根据培育决策调整自动培育装置的培育参数。
可见,本申请所提供的植物培育控制方法,不仅利用预设神经网络进行植株种类识别,还利用预设专家系统结合植株的生长环境数据等,给出植物培育的合理培育决策。本申请不仅有效提高了植物培育的科学合理性和效率,而且还实现了全程自动化管理与决策,降低了人力成本和负担,极大地推动了行业智能化发展。
作为一种具体实施例,本申请实施例所提供的植物培育控制方法在上述内容的基础上,预设神经网络的训练生成过程包括:
在植株幼苗期间获取植株图像样本;
接收通过预设标签输入接口输入的与植株图像样本对应的种类标签;
基于标识了种类标签的植株图像样本训练生成预设神经网络。
具体地,本实施例以本种植地所种植物的幼苗图片作为训练预设神经网络的图像样本,可有效提高预设神经网络的识别准确度。
作为一种具体实施例,本申请实施例所提供的植物培育控制方法在上述内容的基础上,还包括:
将植株培育信息数据发送至大数据平台,以便大数据平台统计获取本地区内的植株培育产需信息;
根据本地区内的植株培育产需信息调整针对植株的种植决策。
具体地,由于当前各植物种植企业间一般均是相互独立生产、毫无关联的,因此并不明确其他植物种植企业及至本地区市场的培育情况。如此,特别是对于一些种植经济植物如水果、蔬菜、鲜花等的种植企业,若仅仅依赖于以往经验对市场的供应和需求进行判断,将导致较大的不确定性,令植物培育和业务运转背负较高的风险。
鉴于此,本申请实施例所提供的植物培育控制方法中,还设置有大数据平台用于整合地区内的植株培育产需信息,作为调整植物种植决策的调整依据。具体地,随着云计算、移动互联网和物联网等新一代信息技术的创新和应用的普及,当前社会已进入了大数据时代。利用大数据,可将各个分散的资源与信息联系在一起,帮助获取客户和资源信息,进而有助于规划生产、开展服务。
进一步地,本申请中大数据平台整合统计的植株培育产需信息可具体包括:本地区内的该种植株的种植面积、病变情况、预估产量、市场需求产量。由此,在植物种植培育的种植阶段,便可以根据植株培育产需信息进行种植策略调整,以合理优化种植资源的配置,通过有选择性的合理种植,实现经济效益最大化。
参见图2所示,本申请实施例公开了一种植物培育系统,包括人工智能培育平台,该人工智能培育平台包括:
信息采集装置201,用于采集植株的生长图像和生长环境数据;
决策控制装置202,用于调用预设神经网络,根据生长图像识别植株种类并提取生长状态数据;调用预设专家系统,根据植株种类、生长状态数据、生长环境数据,生成针对植株的培育决策;根据培育决策调整自动培育装置203的培育参数;
自动培育装置203,用于根据设定的培育参数对植株进行自动培育。
具体地,人工智能培育平台是可为大规模植物种植企业提供人工智能(AI)服务的系统和计算平台,基于人工智能系统,可在种植场地中实现24小时全天候的检测。根据对于每株植物的植物图片所反映的生长状态数据,以及各类传感器检测的生长环境数据,利用预设神经网络系统和预设专家系统,可对植株当前的生长状态得到较为准确的判断,进而生成培育决策并通过自动培育系统实现自动化种植。
作为一种具体实施例,本申请实施例所公开的植物培育系统在上述内容的基础上,信息采集装置201包括:用于拍摄植株的生长图像和植株生长视频的摄像头、用于获取土壤数据的土壤检测电极、用于获取温度数据的温度计;
决策控制装置202包括:用于存储各项数据的AI存储节点、用于训练或调用预设神经网络进行计算识别的AI计算节点、用于进行培育决策的预设专家系统;
自动培育装置203包括:用于调整光照时长和光照强度的照明控制装置、用于调整土壤水分和土壤养分的灌溉管道、用于调整环境温度的温控系统。
其中,信息采集装置201提供相关信息检测输入的主要手段。根据24小时实时监控数据,可以对于植株的生长状态以及植株的生长环境进行全方位的记录。信息采集装置201将其采集到的信息数据通过网络互联,传输到AI存储节点进行保存。这些数据不仅可以作为自动培育技术的主要监控参考数据,对于果蔬类植物,也可以作为食品安全体系中的数据基础和参考依据。
信息判断装置为人工智能培育平台的核心部分。AI存储节点将摄像头、土壤检测电极、温度计所采集到的数据进行存档。这些数据将作为此智能平台进行学习和植物生长状态判断的重要基础。AI存储节点可以从互联网云端下载已经预先训练好的预设神经网络,以便对植株种类进行识别。
AI计算节点的核心可由CPU和GPU组成,采用目前深度学习平台较为通用的异构方案,主要由CPU进行多种任务的控制和资源调配,而GPU则处理大规模的并行计算任务。主要的计算任务为对于植株图片和对应的种类标签进行大量训练,令AI程序通过深度学习而识别植物图片中的植株种类,并可以对每一株的外表状态进行记录和学习。每天24小时的视频会累积产生大量的图片数据,对这些数据的学习和训练会产生大计算量的学习任务。大量学习任务将通过CPU分配到GPU上,进行计算处理。GPU将计算结果反馈给CPU,并保存至AI存储节点。
进而,预设专家系根据对应植株的生长状态数据和生长环境数据,为植物的生长健康状况做出合理的培育决策,并交付自动培育装置203执行。
可见,本申请实施例所公开的植物培育系统,不仅利用预设神经网络进行植株种类识别,还利用预设专家系统结合植株的生长环境数据等,给出植物培育的合理培育决策。本申请不仅有效提高了植物培育的科学合理性和效率,而且还实现了全程自动化管理与决策,降低了人力成本和负担,极大地推动了行业智能化发展。
关于上述植物培育系统的具体内容,可参考前述关于植物培育控制方法的详细介绍,这里就不再赘述。
作为一种具体实施例,本申请实施例所公开的植物培育系统在上述内容的基础上,还包括大数据平台,用于接收各个人工智能培育平台发送的植株培育信息数据,统计获取本地区内的植株培育产需信息;以便各个人工智能培育平台根据本地区内的植株培育产需信息调整针对植株的种植决策。
参见图3,图3为本申请实施例公开的大数据平台的工作示意图。大数据平台可具体用于统计获取本地区内的该种植株的种植面积、病变情况、预估产量、市场需求产量。通过利用大数据平台分析各种植物的种植状况,可在植物种植培育的种植阶段,以植株培育产需信息为依据进行种植策略调整,以合理优化种植资源的配置,通过有选择性的合理种植,实现经济效益最大化。
具体地,现对本实施例中整个智能培育平台的详细工作过程说明如下:
1)种植初始阶段:通过摄像头对于幼苗的初始生长图片进行记录,保存至AI存储节点。根据经由预设标签输入接口所输入的种类标签,对每张植株生长图片进行植株种类标定,作为AI进行学习训练以生成预设神经网络的基础数据。另外,种植人员按照相关植物种植理论对专家系统进行标定,例如对所种植物的相关生长环境参数进行设定,以得到能够进行培育决策的预设专家系统。主要设定的相关参数可具体包括光照强度、光照时间、土壤水分、土壤养分、温度等。
AI计算节点读取AI存储节点中所保存的植株图像样本和种类标签,输入给深度神经网络进行训练,经对大量标识了植株种类的植株图像样本进行学习后,得到的预设神经网络将以较高的准确率识别每一株植物的种类。由于植株图像样本来自所种植的植物幼苗,因此预设神经网络的识别结果将较为可靠。
2)开始种植阶段:摄像头将种植区域的24小时植株生长图像保存至AI存储节点,并通过AI计算节点的图像处理程序分析出光照时间数据和光照强度数据,同样保存至AI存储节点。同时土壤检测电极和温度计所分别监测的土壤数据和温度数据,也将保存至AI存储节点。
3)预设专家系统从AI存储节点中读取监测数据。预设专家系统可首先自动判断土壤数据和温度数据是否在合理范围内,若超出了适合的范围则向自动培育装置203发出调整对应培育参数的指令。例如,发现土壤水分不足,则向灌溉管道的注水闸门发出打开指令进行灌溉,直至在土壤的水分状况达到合理值后发送关闭阀门的指令。
4)预设专家系统读取摄像头拍摄的植株的生长图像,获取植株颜色数据和植株形态数据,并与植物大部分时间的正常生长状态的图片进行比对,若出现异常则调整培育决策,并可进一步生成警示报告。
5)人工智能培育平台在整个种植过程中,从种植初始阶段开始就将相关数据上传到大数据云平台,大数据云平台在植物生长过程中持续进行实时统计和分析,得到本地区内的植株培育产需信息,包括本地区内的该种植株的种植面积、病变情况、预估产量、市场需求产量等。分析结果可共享给各种植企业,以便作为调整种植决策的数据依据,帮助优化资源配置,实现利润最大化。
本申请中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的设备而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需说明的是,在本申请文件中,诸如“第一”和“第二”之类的关系术语,仅仅用来将一个实体或者操作与另一个实体或者操作区分开来,而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请的保护范围内。
Claims (10)
1.一种植物培育控制方法,其特征在于,包括:
获取植株的生长图像和生长环境数据;
调用预设神经网络,根据所述生长图像识别植株种类并提取生长状态数据;
调用预设专家系统,根据所述植株种类、所述生长状态数据、所述生长环境数据,生成针对所述植株的培育决策;
根据所述培育决策调整自动培育装置的培育参数。
2.根据权利要求1所述的植物培育控制方法,其特征在于,
所述获取植株的生长环境数据,包括:
基于摄像头拍摄的植株生长视频提取光照数据,所述光照数据包括光照强度数据和光照时长数据;
基于土壤检测电极获取土壤数据,所述土壤数据包括土壤水分数据和土壤养料数据;
基于温度计获取温度数据;
所述提取生长状态数据,包括:
基于所述摄像头拍摄的所述生长图像提取植株颜色数据和植株形态数据。
3.根据权利要求1所述的植物培育控制方法,其特征在于,所述预设神经网络的训练生成过程包括:
在植株幼苗期间获取植株图像样本;
接收通过预设标签输入接口输入的与所述植株图像样本对应的种类标签;
基于标识了所述种类标签的所述植株图像样本训练生成所述预设神经网络。
4.根据权利要求1所述的植物培育控制方法,其特征在于,所述根据所述培育决策调整自动培育装置的培育参数,包括以下任意一种或者任意组合:
调整照明控制装置的启停和电流大小,以调整光照时长和光照强度;
调整灌溉管道的溶液配比以调整土壤养分;调整所述灌溉管道的注水速度和闸门开关以调整土壤水分;
调整温控系统的启停和设定温度,以调整环境温度。
5.根据权利要求1至4任一项所述的植物培育控制方法,其特征在于,还包括:
将植株培育信息数据发送至大数据平台,以便所述大数据平台统计获取本地区内的植株培育产需信息;
根据所述本地区内的植株培育产需信息调整针对所述植株的种植决策。
6.根据权利要求5所述的植物培育控制方法,其特征在于,所述以便所述大数据平台统计获取本地区内的植株培育产需信息,包括:
以便所述大数据平台统计获取本地区内的该种植株的种植面积、病变情况、预估产量、市场需求产量。
7.一种植物培育系统,其特征在于,包括人工智能培育平台,所述人工智能培育平台包括:
信息采集装置,用于采集植株的生长图像和生长环境数据;
决策控制装置,用于调用预设神经网络,根据所述生长图像识别植株种类并提取生长状态数据;调用预设专家系统,根据所述植株种类、所述生长状态数据、所述生长环境数据,生成针对所述植株的培育决策;根据所述培育决策调整自动培育装置的培育参数;
自动培育装置,用于根据设定的所述培育参数对所述植株进行自动培育。
8.根据权利要求7所述的植物培育系统,其特征在于,
所述信息采集装置包括:用于拍摄植株的生长图像和植株生长视频的摄像头、用于获取土壤数据的土壤检测电极、用于获取温度数据的温度计;
所述决策控制装置包括:用于存储各项数据的AI存储节点、用于训练或调用所述预设神经网络进行计算识别的AI计算节点、用于进行培育决策的所述预设专家系统;
所述自动培育装置包括:用于调整光照时长和光照强度的照明控制装置、用于调整土壤水分和土壤养分的灌溉管道、用于调整环境温度的温控系统。
9.根据权利要求8所述的植物培育系统,其特征在于,还包括:
大数据平台,用于接收各个所述人工智能培育平台发送的植株培育信息数据,统计获取本地区内的植株培育产需信息;以便各个所述人工智能培育平台根据所述本地区内的植株培育产需信息调整针对所述植株的种植决策。
10.根据权利要求9所述的植物培育系统,其特征在于,所述大数据平台具体用于:
统计获取本地区内的该种植株的种植面积、病变情况、预估产量、市场需求产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260175.1A CN111476149A (zh) | 2020-04-03 | 2020-04-03 | 一种植物培育控制方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010260175.1A CN111476149A (zh) | 2020-04-03 | 2020-04-03 | 一种植物培育控制方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476149A true CN111476149A (zh) | 2020-07-31 |
Family
ID=71749822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010260175.1A Withdrawn CN111476149A (zh) | 2020-04-03 | 2020-04-03 | 一种植物培育控制方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476149A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112710661A (zh) * | 2020-12-25 | 2021-04-27 | 河北北方学院 | 一种马铃薯育种监测分析方法及系统 |
CN113325761A (zh) * | 2021-05-25 | 2021-08-31 | 哈尔滨工业大学 | 一种基于深度学习的植株生长期识别控制系统及其识别控制方法 |
CN113408666A (zh) * | 2021-07-29 | 2021-09-17 | 深圳致澜景观设计有限公司 | 一种用于景观的温室绿植栽培方法 |
CN113853977A (zh) * | 2021-09-24 | 2021-12-31 | 中国农业科学院都市农业研究所 | 一种用于农业照明的扫描式照明设备及方法 |
CN114617030A (zh) * | 2020-12-14 | 2022-06-14 | 中移(成都)信息通信科技有限公司 | 一种植株栽培方法、装置 |
CN115443826A (zh) * | 2022-09-05 | 2022-12-09 | 江苏里下河地区农业科学研究所 | 一种用于健苗培育的精细化光调控方法及系统 |
CN116636423A (zh) * | 2023-07-26 | 2023-08-25 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
CN116977112A (zh) * | 2023-09-20 | 2023-10-31 | 上海寰果信息科技有限公司 | 植株培育的方法、装置以及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107862686A (zh) * | 2017-11-03 | 2018-03-30 | 黄国华 | 一种基于图像识别的植物培育系统及方法 |
CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
-
2020
- 2020-04-03 CN CN202010260175.1A patent/CN111476149A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107862686A (zh) * | 2017-11-03 | 2018-03-30 | 黄国华 | 一种基于图像识别的植物培育系统及方法 |
CN110347127A (zh) * | 2019-06-26 | 2019-10-18 | 北京农业智能装备技术研究中心 | 基于云服务的农作物种植托管系统及方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114617030A (zh) * | 2020-12-14 | 2022-06-14 | 中移(成都)信息通信科技有限公司 | 一种植株栽培方法、装置 |
CN112710661A (zh) * | 2020-12-25 | 2021-04-27 | 河北北方学院 | 一种马铃薯育种监测分析方法及系统 |
CN113325761A (zh) * | 2021-05-25 | 2021-08-31 | 哈尔滨工业大学 | 一种基于深度学习的植株生长期识别控制系统及其识别控制方法 |
CN113408666A (zh) * | 2021-07-29 | 2021-09-17 | 深圳致澜景观设计有限公司 | 一种用于景观的温室绿植栽培方法 |
CN113853977A (zh) * | 2021-09-24 | 2021-12-31 | 中国农业科学院都市农业研究所 | 一种用于农业照明的扫描式照明设备及方法 |
CN113853977B (zh) * | 2021-09-24 | 2023-02-24 | 中国农业科学院都市农业研究所 | 一种用于农业照明的扫描式照明设备及方法 |
CN115443826A (zh) * | 2022-09-05 | 2022-12-09 | 江苏里下河地区农业科学研究所 | 一种用于健苗培育的精细化光调控方法及系统 |
CN115443826B (zh) * | 2022-09-05 | 2023-11-07 | 江苏里下河地区农业科学研究所 | 一种用于健苗培育的精细化光调控方法及系统 |
CN116636423A (zh) * | 2023-07-26 | 2023-08-25 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
CN116636423B (zh) * | 2023-07-26 | 2023-09-26 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
CN116977112A (zh) * | 2023-09-20 | 2023-10-31 | 上海寰果信息科技有限公司 | 植株培育的方法、装置以及系统 |
CN116977112B (zh) * | 2023-09-20 | 2023-12-08 | 上海寰果信息科技有限公司 | 植株培育的方法、装置以及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476149A (zh) | 一种植物培育控制方法和系统 | |
KR101852987B1 (ko) | 고부가가치 버섯재배를 위한 모듈형 식물공장시스템 | |
JP2019187259A (ja) | 栽培支援方法、栽培支援プログラム、栽培支援装置、および栽培支援システム | |
JP6551943B2 (ja) | 生育管理装置、生育管理方法、及び、プログラム | |
CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN115294518B (zh) | 一种园艺植物温室精准栽培的智能监控方法及系统 | |
CN112883230A (zh) | 马铃薯生产管理系统 | |
CN115292753A (zh) | 一种基于区块链的农业大棚数据溯源与管理方法 | |
Narmilan | E-agricultural concepts for improving productivity: A review | |
Singla et al. | IoT based monitoring for the growth of basil using machine learning | |
KR102387765B1 (ko) | 작물의 생육량 예측 방법 및 장치 | |
JP2021128756A (ja) | 先物取引情報表示プログラム | |
Jain et al. | Ubiquitous sensor based intelligent system for net houses | |
CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
WO2021067847A1 (en) | Agricultural platforms | |
FAISAL | A pest monitoring system for agriculture using deep learning | |
Bryan et al. | Lettuce Root Development and Monitoring System Using Machine Learning in Hydroponics | |
AU2021100096A4 (en) | Ai-based crop recommendation system for smart farming towards agriculture 5.0 | |
KR102545118B1 (ko) | 식재도를 이용한 과수원의 관리 방법 및 시스템 | |
KR102271864B1 (ko) | 학습 데이터를 기반으로 자동재배 데이터를 제공할 수 있는 스마트팜 복합환경 제어시스템 | |
Thalwatte et al. | Fully Automatic Hydroponic Cultivation Growth System | |
CN117522365A (zh) | 一种城市园林智能管养系统 | |
SEZGİN et al. | Monitoring Plant Growth with Image Processing Methods and Artificial Intelligence Supported Agriculture System |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20200731 |
|
WW01 | Invention patent application withdrawn after publication |