CN111639750A - 智能花盆的控制方法、装置、智能花盆及存储介质 - Google Patents
智能花盆的控制方法、装置、智能花盆及存储介质 Download PDFInfo
- Publication number
- CN111639750A CN111639750A CN202010454690.3A CN202010454690A CN111639750A CN 111639750 A CN111639750 A CN 111639750A CN 202010454690 A CN202010454690 A CN 202010454690A CN 111639750 A CN111639750 A CN 111639750A
- Authority
- CN
- China
- Prior art keywords
- information
- environment
- environment control
- plant
- soil
- 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
Images
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- A01G9/02—Receptacles, e.g. flower-pots or boxes; Glasses for cultivating flowers
-
- 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
- A01G9/02—Receptacles, e.g. flower-pots or boxes; Glasses for cultivating flowers
- A01G9/028—Multi-compartmented pots
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本申请提供的一种智能花盆的控制方法、装置、智能花盆及存储介质,应用于单格或多格智能花盆,该方法包括获取智能花盆中目标植物的种类信息和所处的环境信息;将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;根据所述目标植物的环境控制方案,执行对应的环境控制操作。该方法同时考虑了智能花盆中目标植物的种类和目标植物所处的环境信息,而且通过预测模型确定了精确的针对目标植物的环境控制方案,能够更加精确控制目标植物的生长环境,实现单格或多格花盆的自动化和智能化管理。
Description
技术领域
本申请涉及植物养殖技术领域,特别地涉及一种智能花盆的控制方法、装置、智能花盆及存储介质。
背景技术
由于人们日常繁忙的工作和事物,常常忘记对培养的植物进行浇水、光照等培养工作,或者对于植物特性不够了解,尤其是对于多格多品种植物同时存在的花盆中,人们在浇水或给予光照时,出现“雨露均沾”的现象,导致植物被淹、旱死或暴晒而死。因此,急需一种能够帮助人们自动打理植物的花盆。
随着信息化和自动化的发展,各种传感器设备的广泛应用,目前相继出现了一些智能花盆产品,实现对花盆、盆栽进行浇水和光照操作。其方法通常为采集花盆内的土壤的湿度以及光照条件,判断植物是否需要进行浇水或改变光照强度,然后根据浇水装置和照明/遮阳装置实现自动打理的功能。然而,这些智能花盆都存在一定的缺陷,主要为以下三点:
(1)仅仅根据花盆内的湿度、当前的光照条件进行判断,忽略了不同种类的植物的生长条件需求是不同的;
(2)目前的智能花盆都是针对植物单一的单格花盆而言,对于多种植物并存的多格花盆没有考虑;
(3)目前的技术多是应用传感器感知的方法,并没有对传感器数据进一步理解、挖掘,不能够精准控制浇水量、光照时长等。
发明内容
针对上述问题,本申请提供一种智能花盆的控制方法、装置、智能花盆及存储介质,解决了现有技术中未考虑植物种类导致的对植物的生长环境控制不够准确的问题。
第一方面,本申请提供了一种智能花盆的控制方法,应用于单格或多格智能花盆,所述方法包括:
获取智能花盆中目标植物的种类信息和所处的环境信息;
将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;
根据所述目标植物的环境控制方案,执行对应的环境控制操作。
根据本申请的实施例,优选的,上述智能花盆的控制方法中,所述预测模型通过以下步骤构建:
获取不同种类的植物处于不同的环境信息下的环境控制方案;
对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练,以得到所述预测模型。
根据本申请的实施例,优选的,上述智能花盆的控制方法中,所述获取不同种类的植物处于不同的环境信息下的环境控制方案的步骤,包括以下步骤:
获取不同种类的植物处于不同的环境信息下的历史环境控制方案;
获取根据所述历史环境控制方案执行对应的环境控制操作后的植物生长状态;
根据所述植物生长状态,对所述历史环境控制方案进行修正,以得到修正后的不同种类的植物处于不同的环境信息下的环境控制方案。
根据本申请的实施例,优选的,上述智能花盆的控制方法中,所述对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练,以得到所述预测模型的步骤,包括以下步骤:
通过支持向量机算法对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练,以建立初始预测模型;
根据所述初始预测模型,确定不同种类的植物处于不同的环境信息下的初始环境控制方案;
计算所述初始环境控制方案与对应的所述环境控制方案之间的误差值,并将其与预设阈值进行比较;
当所述误差值小于或等于所述预设阈值时,则将所述初始预测模型作为最终的所述预测模型;
当所述误差值大于所述预设阈值时,返回所述通过支持向量机算法对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练的步骤,以再一次进行机器学习训练。
根据本申请的实施例,优选的,上述智能花盆的控制方法中,所述获取智能花盆中目标植物的种类信息的步骤,包括以下步骤:
通过R-CNN算法对不同种类的植物的图像进行机器学习训练,以得到植物识别模型;
获取智能花盆中目标植物的图像;
利用所述植物识别模型对所述目标植物的图像进行分析,以获得所述目标植物的种类信息。
根据本申请的实施例,优选的,上述智能花盆的控制方法中,所述通过R-CNN算法对不同种类的植物的图像进行机器学习训练,以得到植物识别模型的步骤,包括以下步骤:
根据不同种类的植物的图像,确定若干植物候选区域;
利用卷积神经网络对每个所述植物候选区域进行植物特征提取;
利用支持向量机算法对卷积神经网络提取的植物特征进行分类和回归分析,以得到植物识别模型。
根据本申请的实施例,优选的,上述智能花盆的控制方法中,所述环境信息包括土壤类型;所述获取智能花盆中目标植物所处的土壤类型的步骤,包括以下步骤:
通过R-CNN算法对不同类型的土壤的图像进行机器学习训练,以得到土壤识别模型;
获取智能花盆中目标植物所处的土壤的图像;
利用所述土壤识别模型对所述目标植物所处的土壤的图像进行分析,以获得所述目标植物所处的土壤类型。
根据本申请的实施例,优选的,上述智能花盆的控制方法中,所述通过R-CNN算法对不同类型的土壤的图像进行机器学习训练,以得到土壤识别模型的步骤,包括以下步骤:
根据不同类型的土壤的图像,确定若干土壤候选区域;
利用卷积神经网络对每个所述土壤候选区域进行土壤特征提取;
利用支持向量机算法对卷积神经网络提取的土壤特征进行分类和回归分析,以得到土壤识别模型。
第二方面,本申请提供一种智能花盆的控制装置,所述装置包括:
信息获取模块,用于获取智能花盆中目标植物的种类信息和所处的环境信息;
环境控制方案确定模块,用于将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;
环境控制模块,用于根据所述目标植物的环境控制方案,执行对应的环境控制操作。
第三方面,本申请提供一种智能花盆,包括单格或多格花盆本体,所述智能花盆还包括存储器、控制器、信息采集装置和环境控制装置;
所述信息采集装置用于采集所述花盆本体中目标植物的种类信息和所处的环境信息;
所述环境控制装置用于执行环境控制操作;
所述存储器上存储有程序,该程序被所述控制器执行时,执行如第一方面中任一项所述的智能花盆的控制方法,以根据所述信息采集装置采集到的信息控制所述环境控制装置执行环境控制操作。
第四方面,本申请提供一种存储介质,该存储介质存储的计算机程序,可被一个或多个处理器执行,可用来实现如第一方面中任一项所述的智能花盆的控制方法。
与现有技术相比,上述方案中的一个或多个实施例可以具有如下优点或有益效果:
本申请提供的一种智能花盆的控制方法、装置、智能花盆及存储介质,应用于单格或多格智能花盆,该方法包括获取智能花盆中目标植物的种类信息和所处的环境信息;将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;根据所述目标植物的环境控制方案,执行对应的环境控制操作。该方法同时考虑了智能花盆中目标植物的种类和目标植物所处的环境信息,而且通过预测模型确定了精确的针对目标植物的环境控制方案,能够更加精确控制目标植物的生长环境,实现单格或多格花盆的自动化和智能化管理。
附图说明
在下文中将基于实施例并参考附图来对本申请进行更详细的描述:
图1为本申请实施例提供的一种智能花盆的控制方法的流程示意图;
图2为本申请实施例提供的一种植物识别模型和土壤识别模型的构建流程示意图;
图3为本申请实施例提供的一种预测模型的训练流程示意图;
图4为本申请实施例提供的一种智能花盆的控制方法的另一流程示意图;
图5为本申请实施例提供的一种智能花盆的控制装置的连接框图;
图6为本申请实施例提供的一种智能花盆的连接框图。
在附图中,相同的部件使用相同的附图标记,附图并未按照实际的比例绘制。
具体实施方式
以下将结合附图及实施例来详细说明本申请的实施方式,借此对本申请如何应用技术手段来解决技术问题,并达到相应技术效果的实现过程能充分理解并据以实施。本申请实施例以及实施例中的各个特征,在不相冲突前提下可以相互结合,所形成的技术方案均在本申请的保护范围之内。
实施例一
请参阅图1,本实施例提供一种智能花盆的控制方法,应用于单格或多格智能花盆,包括:
步骤S101:获取智能花盆中目标植物的种类信息和所处的环境信息。
其中,所述目标植物为单格中的植物或多格花盆每格内的植物,所述环境信息包括土壤类型、土壤湿度、土壤酸碱性、环境温度和环境光照强度中的至少一种。
具体的,获取智能花盆中目标植物的种类信息的步骤如下:
步骤S101a:通过R-CNN算法对不同种类的植物的图像进行机器学习训练,以得到植物识别模型;
步骤S101b:获取智能花盆中目标植物的图像;
步骤S101c:利用所述植物识别模型对所述目标植物的图像进行分析,以获得所述目标植物的种类信息。
其中,如图2所示,步骤S101a(R-CNN算法训练植物识别模型的步骤)具体包括以下步骤:
(a)根据不同种类的植物的图像,确定若干植物候选区域;
(b)利用卷积神经网络对每个所述植物候选区域进行植物特征提取;
(c)利用支持向量机算法对卷积神经网络提取的植物特征进行分类和回归分析,以得到植物识别模型。
同样的,获取智能花盆中目标植物所处的土壤类型的步骤如下:
步骤S101d:通过R-CNN算法对不同类型的土壤的图像进行机器学习训练,以得到土壤识别模型;
步骤S101e:获取智能花盆中目标植物所处的土壤的图像;
步骤S101f:利用所述土壤识别模型对所述目标植物所处的土壤的图像进行分析,以获得所述目标植物所处的土壤类型。
其中,如图2所示,步骤S101d(R-CNN算法训练土壤识别模型的步骤)具体包括以下步骤:
(a)根据不同类型的土壤的图像,确定若干土壤候选区域;
(b)利用卷积神经网络对每个所述土壤候选区域进行土壤特征提取;
(c)利用支持向量机算法对卷积神经网络提取的土壤特征进行分类和回归分析,以得到土壤识别模型。
具体的,候选区域(Region Proposal)选取,常见的方法有选择性搜索(selectivesearch)和边缘检测(edge boxes),给定一张图片,通过选择性搜索算法产生1000~2000个候选边框,但形状和大小是不相同的,这些框之间是可以互相重叠、互相包含;利用图像中的纹理、边缘、颜色等信息,可以保证在选取较少窗口的情况下保持较高的召回率(Recall);特征提取,利用卷积神经网络(CNN)对每一个候选边框提取深层特征;分类,利用线性支持向量机(Support Vector Machine,SVM)对卷积神经网络提取的深层特征进行分类;使用回归器精细修正候选框位置:对于每一个类,训练一个线性回归模型去判定这个框是否框的完美,主要去除重叠,将非极大值抑制方法应用于重叠的候选边框,挑选出支持向量机得分较高的边框(bounding box)。
非极大值抑制(Non-maximum Suppression,NMS):在物体检测中应用十分广泛,主要目的是为了消除多余的边框,获得最佳的物体检测的位置,非极大值抑制可以看作是局部最大值的搜索问题。其具体做法为:对于相邻的候选边框,R-CNN算法会将边框的位置和以其深度图像特征为输入的支持向量机分类得分给出,然后根据支持向量机的分类得分进行降序排列,最后,对每一种类别,从重叠比例(Intersection over Union,IoU)超过设定阈值的候选边框中选取支持向量机分类得分最高的边框当作预测边框,而其他与之重叠的边框会因为得分较小而被舍弃。通过选择性搜索每张图像会产生大约两千个候选边框,在实际应用中往往会远超过这个数值,虽然支持向量机分类得分小于-1的边框会被舍弃,但还是会存在大量的重叠边框,通过非极大值抑制消除多余的边框,使得最终的检测结果更加简洁有效。
需要说明的是,识别植物种类信息和土壤类型除了图像识别的方式之外,还可以通过用户直接输入的方式实现,但是用户直接输入会存在一定的误差,某些不常见的植物和土壤类型用户也不清楚,所以采用图像识别的方式更准确。
步骤S102:将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案。
其中,所述目标植物的环境控制方案包括预设浇水量、预设施肥量、预设温度、预设光照强度和预设光照时长中的至少一种,其中对于温度的控制主要用于温室种植。
具体的,所述预测模型通过以下步骤构建:
(a)获取不同种类的植物处于不同的环境信息下的环境控制方案;
(b)对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练,以得到所述预测模型。
不同种类的植物处于不同的环境信息下的环境控制方案通过以下方式获取:获取不同种类的植物处于不同的环境信息下的历史环境控制方案;获取根据所述历史环境控制方案执行对应的环境控制操作后的植物生长状态;根据所述植物生长状态,对所述历史环境控制方案进行修正,以得到修正后的不同种类的植物处于不同的环境信息下的环境控制方案。
也就是说,主要是根据所述历史环境控制方案实施后,植物的生长状态以及并根据植物专家建议的每种植物适宜生长在哪种环境下,对所述历史环境控制方案进行修正,比如水浇多了,植物淹死了,且专家建议此类植物不宜生活在湿度较大的环境中,则把控制方案中的浇水量减少;光照强度太大,光照时间太长,植物晒死了,且专家建议此类植物光照适宜生长在光线较弱的环境中,则把控制方案中的光照强度和光照时间减少,以对不同种类的植物处于不同的环境信息下的环境控制方案进行修正。
所述预测模型的训练流程,如图3所示,具体包括以下步骤:
(a)通过支持向量机算法对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练,以建立初始预测模型;
(b)根据所述初始预测模型,确定不同种类的植物处于不同的环境信息下的初始环境控制方案;
(c)计算所述初始环境控制方案与对应的所述环境控制方案之间的误差值,并将其与预设阈值进行比较;
(d)当所述误差值小于或等于所述预设阈值时,则将所述初始预测模型作为最终的所述预测模型;
(e)当所述误差值大于所述预设阈值时,返回步骤(a),以再一次通过支持向量机算法进行机器学习训练。
通过支持向量机算法对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练过程中,使用的核函数为高斯函数,损失函数为训练过程中预测值(初始环境控制方案)与真实值(对应的所述环境控制方案)的均方误差值。
训练过程中,每一组训练数据的输入为植物的种类和所处的环境信息(包括土壤类型、土壤湿度、土壤酸碱性、环境温度和环境光照强度),输出为对应的环境控制方案(包括预设浇水量、预设施肥量、预设温度、预设光照强度和预设光照时长)。
需要说明的是,可采用多种方法进行训练,如支持向量机算法(Support VectorMachine,SVM)、多元线性回归、神经网络等方法,本实施例只提供了SVM算法的训练过程。
步骤S103:根据所述目标植物的环境控制方案,执行对应的环境控制操作。
控制器将目标植物的环境控制方案转化为每种环境控制装置(浇水装置、施肥装置、温度控制装置和光照控制装置)的控制指令,比如,浇水装置浇水300ml,温度控制装置控制温度为30℃,光照控制装置控制光照强度为10000Lux,光照时间为1h。
浇水装置可以设置为可旋转的花洒、光照为旋转灯,依据目标植物(每个格子内的植物)的种类和条件需求(环境控制方案),实施不同的操作,从而实现智能花盆的自动化和智能化。
需要说明的是,本实施例提供的智能花盆的控制方法可以对智能花盆中的目标植物(每个格子内的植物)实现精确的环境控制,适用于单格或多格的智能花盆,其中,智能花盆的每格中有且只有一颗或一种植物。请参阅图4,本实施例还提供智能花盆的控制方法的另一流程示意图。
本实施例提供一种智能花盆的控制方法,应用于单格或多格智能花盆,该方法包括获取智能花盆中目标植物的种类信息和所处的环境信息;将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;根据所述目标植物的环境控制方案,执行对应的环境控制操作。该方法同时考虑了智能花盆中目标植物的种类和目标植物所处的环境信息,而且通过预测模型确定了精确的针对目标植物的环境控制方案,能够更加精确控制目标植物的生长环境,实现单格或多格花盆的自动化和智能化管理。
实施例二
请参阅图5,本实施例提供一种智能花盆的控制装置100,包括:信息获取模块101、环境控制方案确定模块102和环境控制模块103。
信息获取模块101,用于获取智能花盆中目标植物的种类信息和所处的环境信息;
环境控制方案确定模块102,用于将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;
环境控制模块103,用于根据所述目标植物的环境控制方案,执行对应的环境控制操作。
信息获取模块101获取智能花盆中目标植物的种类信息和所处的环境信息;环境控制方案确定模块102将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;环境控制模块103根据所述目标植物的环境控制方案,执行对应的环境控制操作。
上述方法步骤的具体实施例过程可参见实施例一,本实施例在此不再赘述。
实施例三
请参阅图6,本实施例提供一种智能花盆200,包括:存储器201、控制器202、单格或多格花盆本体203、信息采集装置204和环境控制装置205。
所述存储器201上存储有计算器程序,该计算机程序被所述控制器202执行时实现如实施例一中所述的智能花盆的控制方法,以根据信息采集装置204采集到的信息控制环境控制装置205执行环境控制操作。
其中,控制器202用于执行如实施例一中所述的智能花盆的控制方法中的全部或部分步骤。存储器201用于存储各种类型的数据,这些数据例如可以包括智能花盆中的任何应用程序或方法的指令,以及应用程序相关的数据。
所述存储器201可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
所述控制器202可以是控制器、微控制器或其他电子元件实现,用于执行上述实施例一中所述的智能花盆的控制方法。
信息采集装置204,与控制器202连接,用于采集花盆本体203中目标植物的种类信息和环境信息。信息采集装置204包括摄像装置,以及湿度传感器、酸碱性传感器、温度传感器和光照传感器中的至少一种,其中摄像装置用于采集花盆本体203中目标植物的图像和目标植物所处的土壤的图像,以识别植物种类信息和土壤类型。
环境控制装置205,与控制器202连接,用于执行环境控制操作。环境控制装置205包括浇水装置、施肥装置、温度控制装置和光照控制装置中的至少一种。
基于上述各模块执行智能花盆的控制方法的具体实施例已在实施例一中详述,此处不再赘述。
实施例四
本实施例提供一种计算机可读存储介质,如闪存、硬盘、多媒体卡、卡型存储器(例如,SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘、服务器、App应用商城等等,其上存储有计算机程序,所述计算机程序被处理器执行时可以实现如下方法步骤:
步骤S101:获取智能花盆中目标植物的种类信息和所处的环境信息;
步骤S102:将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;
步骤S103:根据所述目标植物的环境控制方案,执行对应的环境控制操作。
上述方法步骤的具体实施例过程可参见实施例一,本实施例在此不再赘述。
综上,本申请提供的一种智能花盆的控制方法、装置、智能花盆及存储介质,应用于单格或多格智能花盆,该方法包括获取智能花盆中目标植物的种类信息和所处的环境信息;将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;根据所述目标植物的环境控制方案,执行对应的环境控制操作。该方法同时考虑了智能花盆中目标植物的种类和目标植物所处的环境信息,而且通过预测模型确定了精确的针对目标植物的环境控制方案,能够更加精确控制目标植物的生长环境,实现单格或多格花盆的自动化和智能化管理。
在本申请实施例所提供的几个实施例中,应该理解到,所揭露的方法,也可以通过其它的方式实现。以上所描述的方法实施例仅仅是示意性的。
需要说明的是,在本文中,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。
虽然本申请所揭露的实施方式如上,但所述的内容只是为了便于理解本申请而采用的实施方式,并非用以限定本申请。任何本申请所属技术领域内的技术人员,在不脱离本申请所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本申请的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (11)
1.一种智能花盆的控制方法,应用于单格或多格智能花盆,其特征在于,所述方法包括:
获取智能花盆中目标植物的种类信息和所处的环境信息;
将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;
根据所述目标植物的环境控制方案,执行对应的环境控制操作。
2.根据权利要求1所述的方法,其特征在于,所述预测模型通过以下步骤构建:
获取不同种类的植物处于不同的环境信息下的环境控制方案;
对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练,以得到所述预测模型。
3.根据权利要求2所述的方法,其特征在于,所述获取不同种类的植物处于不同的环境信息下的环境控制方案的步骤,包括以下步骤:
获取不同种类的植物处于不同的环境信息下的历史环境控制方案;
获取根据所述历史环境控制方案执行对应的环境控制操作后的植物生长状态;
根据所述植物生长状态,对所述历史环境控制方案进行修正,以得到修正后的不同种类的植物处于不同的环境信息下的环境控制方案。
4.根据权利要求2或3所述的方法,其特征在于,所述对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练,以得到所述预测模型的步骤,包括以下步骤:
通过支持向量机算法对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练,以建立初始预测模型;
根据所述初始预测模型,确定不同种类的植物处于不同的环境信息下的初始环境控制方案;
计算所述初始环境控制方案与对应的所述环境控制方案之间的误差值,并将其与预设阈值进行比较;
当所述误差值小于或等于所述预设阈值时,则将所述初始预测模型作为最终的所述预测模型;
当所述误差值大于所述预设阈值时,返回所述通过支持向量机算法对不同种类的植物处于不同的环境信息下的环境控制方案进行机器学习训练的步骤,以再一次进行机器学习训练。
5.根据权利要求1所述的方法,其特征在于,所述获取智能花盆中目标植物的种类信息的步骤,包括以下步骤:
通过R-CNN算法对不同种类的植物的图像进行机器学习训练,以得到植物识别模型;
获取智能花盆中目标植物的图像;
利用所述植物识别模型对所述目标植物的图像进行分析,以获得所述目标植物的种类信息。
6.根据权利要求5所述的方法,其特征在于,所述通过R-CNN算法对不同种类的植物的图像进行机器学习训练,以得到植物识别模型的步骤,包括以下步骤:
根据不同种类的植物的图像,确定若干植物候选区域;
利用卷积神经网络对每个所述植物候选区域进行植物特征提取;
利用支持向量机算法对卷积神经网络提取的植物特征进行分类和回归分析,以得到植物识别模型。
7.根据权利要求1所述的方法,其特征在于,所述环境信息包括土壤类型;所述获取智能花盆中目标植物所处的土壤类型的步骤,包括以下步骤:
通过R-CNN算法对不同类型的土壤的图像进行机器学习训练,以得到土壤识别模型;
获取智能花盆中目标植物所处的土壤的图像;
利用所述土壤识别模型对所述目标植物所处的土壤的图像进行分析,以获得所述目标植物所处的土壤类型。
8.根据权利要求7所述的方法,其特征在于,所述通过R-CNN算法对不同类型的土壤的图像进行机器学习训练,以得到土壤识别模型的步骤,包括以下步骤:
根据不同类型的土壤的图像,确定若干土壤候选区域;
利用卷积神经网络对每个所述土壤候选区域进行土壤特征提取;
利用支持向量机算法对卷积神经网络提取的土壤特征进行分类和回归分析,以得到土壤识别模型。
9.一种智能花盆的控制装置,其特征在于,包括:
信息获取模块,用于获取智能花盆中目标植物的种类信息和所处的环境信息;
环境控制方案确定模块,用于将所述目标植物的种类信息和所处的环境信息输入到训练好的预测模型,得到对应所述目标植物的环境控制方案;
环境控制模块,用于根据所述目标植物的环境控制方案,执行对应的环境控制操作。
10.一种智能花盆,包括单格或多格花盆本体,其特征在于,所述智能花盆还包括存储器、控制器、信息采集装置和环境控制装置;
所述信息采集装置用于采集所述花盆本体中目标植物的种类信息和所处的环境信息;
所述环境控制装置用于执行环境控制操作;
所述存储器上存储有程序,该程序被所述控制器执行时,执行如权利要求1至8中任一项所述的智能花盆的控制方法,以根据所述信息采集装置采集到的信息控制所述环境控制装置执行环境控制操作。
11.一种存储介质,其特征在于,该存储介质存储的计算机程序,可被一个或多个处理器执行,可用来实现如权利要求1至8中任一项所述的智能花盆的控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454690.3A CN111639750A (zh) | 2020-05-26 | 2020-05-26 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454690.3A CN111639750A (zh) | 2020-05-26 | 2020-05-26 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639750A true CN111639750A (zh) | 2020-09-08 |
Family
ID=72332769
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010454690.3A Pending CN111639750A (zh) | 2020-05-26 | 2020-05-26 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639750A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099557A (zh) * | 2020-09-24 | 2020-12-18 | 苏州七采蜂数据应用有限公司 | 一种基于互联网的家居植物栽植方法及系统 |
CN112580697A (zh) * | 2020-12-04 | 2021-03-30 | 国网山东省电力公司电力科学研究院 | 一种输电线路杆塔接地选择方法及系统 |
CN113570240A (zh) * | 2021-07-27 | 2021-10-29 | 蒋俊伟 | 一种基于农作物全生命周期管理的智慧农场平台 |
CN114565846A (zh) * | 2022-02-24 | 2022-05-31 | 杭州睿胜软件有限公司 | 植物生长环境的识别方法、设备及计算机可读存储介质 |
CN114662609A (zh) * | 2022-04-01 | 2022-06-24 | 电子科技大学成都学院 | 一种智能大棚农场管理方法及系统 |
CN116941483A (zh) * | 2023-08-10 | 2023-10-27 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农作物智能种植方法和系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503741A (zh) * | 2016-10-31 | 2017-03-15 | 深圳前海弘稼科技有限公司 | 植物种类的识别方法、识别装置和服务器 |
CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
CN106857072A (zh) * | 2017-03-24 | 2017-06-20 | 齐鲁工业大学 | 一种智能花盆系统 |
CN106991147A (zh) * | 2017-03-27 | 2017-07-28 | 重庆大学 | 一种植物识别系统及识别方法 |
CN108108547A (zh) * | 2017-12-15 | 2018-06-01 | 内蒙古东胜神农化工有限责任公司 | 一种智能种植模拟系统 |
WO2018099220A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
CN109284771A (zh) * | 2018-08-03 | 2019-01-29 | 中国农业大学 | 一种番茄生长模型判定方法及装置 |
CN109711448A (zh) * | 2018-12-19 | 2019-05-03 | 华东理工大学 | 基于判别关键域和深度学习的植物图像细粒度分类方法 |
CN110199844A (zh) * | 2019-05-07 | 2019-09-06 | 青岛科技大学 | 基于机器视觉的盆栽植物智能养护系统及其数据处理方法 |
CN110458107A (zh) * | 2019-08-13 | 2019-11-15 | 北京百度网讯科技有限公司 | 用于图像识别的方法和装置 |
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
-
2020
- 2020-05-26 CN CN202010454690.3A patent/CN111639750A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
CN106645563A (zh) * | 2016-09-30 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN106503741A (zh) * | 2016-10-31 | 2017-03-15 | 深圳前海弘稼科技有限公司 | 植物种类的识别方法、识别装置和服务器 |
WO2018099220A1 (zh) * | 2016-11-30 | 2018-06-07 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害预测方法及装置 |
CN106857072A (zh) * | 2017-03-24 | 2017-06-20 | 齐鲁工业大学 | 一种智能花盆系统 |
CN106991147A (zh) * | 2017-03-27 | 2017-07-28 | 重庆大学 | 一种植物识别系统及识别方法 |
CN108108547A (zh) * | 2017-12-15 | 2018-06-01 | 内蒙古东胜神农化工有限责任公司 | 一种智能种植模拟系统 |
CN109284771A (zh) * | 2018-08-03 | 2019-01-29 | 中国农业大学 | 一种番茄生长模型判定方法及装置 |
CN109711448A (zh) * | 2018-12-19 | 2019-05-03 | 华东理工大学 | 基于判别关键域和深度学习的植物图像细粒度分类方法 |
CN110199844A (zh) * | 2019-05-07 | 2019-09-06 | 青岛科技大学 | 基于机器视觉的盆栽植物智能养护系统及其数据处理方法 |
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
CN110458107A (zh) * | 2019-08-13 | 2019-11-15 | 北京百度网讯科技有限公司 | 用于图像识别的方法和装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112099557A (zh) * | 2020-09-24 | 2020-12-18 | 苏州七采蜂数据应用有限公司 | 一种基于互联网的家居植物栽植方法及系统 |
CN112580697A (zh) * | 2020-12-04 | 2021-03-30 | 国网山东省电力公司电力科学研究院 | 一种输电线路杆塔接地选择方法及系统 |
CN112580697B (zh) * | 2020-12-04 | 2023-05-26 | 国网山东省电力公司电力科学研究院 | 一种输电线路杆塔接地选择方法及系统 |
CN113570240A (zh) * | 2021-07-27 | 2021-10-29 | 蒋俊伟 | 一种基于农作物全生命周期管理的智慧农场平台 |
CN113570240B (zh) * | 2021-07-27 | 2024-02-27 | 蒋俊伟 | 一种基于农作物全生命周期管理的智慧农场平台 |
CN114565846A (zh) * | 2022-02-24 | 2022-05-31 | 杭州睿胜软件有限公司 | 植物生长环境的识别方法、设备及计算机可读存储介质 |
CN114662609A (zh) * | 2022-04-01 | 2022-06-24 | 电子科技大学成都学院 | 一种智能大棚农场管理方法及系统 |
CN116941483A (zh) * | 2023-08-10 | 2023-10-27 | 布瑞克(苏州)农业互联网股份有限公司 | 一种农作物智能种植方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639750A (zh) | 智能花盆的控制方法、装置、智能花盆及存储介质 | |
RU2735151C2 (ru) | Распознавание сорняков в естественной среде | |
CN113557890B (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
EP3279831A1 (en) | Recognition of weed in a natural environment using a digital image | |
JP6551943B2 (ja) | 生育管理装置、生育管理方法、及び、プログラム | |
CN107219759B (zh) | 一种温室环境控制方法及装置 | |
CN104732426A (zh) | 一种农产品产销决策方法、装置及系统 | |
Solvin et al. | Use of UAV photogrammetric data in forest genetic trials: measuring tree height, growth, and phenology in Norway spruce (Picea abies L. Karst.) | |
CN111832448A (zh) | 一种用于葡萄果园的病害识别方法及系统 | |
WO2023024615A1 (zh) | 一种基于植株萎蔫程度进行精准灌溉的系统及方法 | |
JP2016146046A (ja) | 予測装置、予測方法及びプログラム | |
CN109685676A (zh) | 智能水肥管理方法和系统 | |
US20230309464A1 (en) | Method and apparatus for automated crop recipe optimization | |
Mezouari et al. | A Hadoop based framework for soil parameters prediction | |
CN116612435A (zh) | 一种玉米高产栽培方法 | |
EP4136952A1 (en) | Machine learning optimization through randomized autonomous crop planting | |
Akbar et al. | Wheat Disease Detection for Yield Management Using IoT and Deep Learning Techniques | |
Uchiyama et al. | Sensing technologies for advanced smart agricultural systems | |
Macabiog et al. | Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet | |
CN117519349B (zh) | 温室大棚控制方法及系统 | |
Vinod et al. | Mining intelligent patterns using svac for precision agriculture and optimizing irrigation (student abstract) | |
CN117611999A (zh) | 一种基于智慧大棚的作物监测方法、设备及介质 | |
CN117237814B (zh) | 一种基于注意力机制优化的大规模果园虫情监测方法 | |
CN117475214A (zh) | 烟苗育苗期生长状态判别和出苗率检测方法及相关装置 |
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 |