CN111814952A - 植被生长监测方法、装置、设备及存储介质 - Google Patents
植被生长监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111814952A CN111814952A CN202010486051.5A CN202010486051A CN111814952A CN 111814952 A CN111814952 A CN 111814952A CN 202010486051 A CN202010486051 A CN 202010486051A CN 111814952 A CN111814952 A CN 111814952A
- Authority
- CN
- China
- Prior art keywords
- vegetation
- growth
- environment parameters
- state
- leaves
- 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- Withdrawn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
- 230000012010 growth Effects 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 235000015097 nutrients Nutrition 0.000 claims description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- 241000196324 Embryophyta Species 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 241000519995 Stachys sylvatica Species 0.000 claims description 6
- 239000003337 fertilizer Substances 0.000 claims description 5
- JCXJVPUVTGWSNB-UHFFFAOYSA-N nitrogen dioxide Inorganic materials O=[N]=O JCXJVPUVTGWSNB-UHFFFAOYSA-N 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 206010022971 Iron Deficiencies Diseases 0.000 claims description 4
- 206010037867 Rash macular Diseases 0.000 claims description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 235000003642 hunger Nutrition 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- MGWGWNFMUOTEHG-UHFFFAOYSA-N 4-(3,5-dimethylphenyl)-1,3-thiazol-2-amine Chemical compound CC1=CC(C)=CC(C=2N=C(N)SC=2)=C1 MGWGWNFMUOTEHG-UHFFFAOYSA-N 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 235000013311 vegetables Nutrition 0.000 abstract description 9
- 125000004122 cyclic group Chemical group 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 230000008635 plant growth Effects 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 206010027146 Melanoderma Diseases 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000447 pesticide residue Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种植被生长监测方法、装置、设备及存储介质，方法包括：采集当前时刻所述植被的生长环境参数，和所述当前时刻所述植被的生长状态；将所述生长环境参数和所述生长状态输入到指定模型中，获得所述指定模型输出的所述植被下一时刻的生长状态，所述指定模型是通过样本数据训练获得，所述样本数据包括预先采集的所述植被整个生命周期的生长环境参数，和，与所述整个生命周期的生长环境参数所对应的生长状态；根据获得的所述下一时刻的生长状态进行提示。本申请用以帮助用户种植出新鲜、饱满、天然的蔬菜。
Description
技术领域
本申请涉及水培技术领域，尤其涉及一种植被生长监测方法、装置、设备及存储介质。
背景技术
最近几年，人们越来越看重食品的安全，对市场上的食品也越来越不放心，所以吃上干净、无农药残留的蔬菜成为了人们的心愿。因此，越来越多的人开始在家里安装植物生长柜，以此来实现自己能够食用安全蔬菜的心愿。然而，如何利用植物生长柜种植好蔬菜却成了许多人的难题。
发明内容
本申请提供了一种植被生长监测方法、装置、设备及存储介质，用以帮助用户种植出新鲜、饱满、天然的蔬菜。
第一方面，本申请提供了一种植被生长监测方法，包括：
采集当前时刻所述植被的生长环境参数，和所述当前时刻所述植被的生长状态；
将所述生长环境参数和所述生长状态输入到指定模型中，获得所述指定模型输出的所述植被下一时刻的生长状态，所述指定模型是通过样本数据训练获得，所述样本数据包括预先采集的所述植被整个生命周期的生长环境参数，和，与所述整个生命周期的生长环境参数所对应的生长状态；
根据获得的所述下一时刻的生长状态进行提示。
可选地，所述生长环境参数包括：二氧化碳、二氧化氮、空气湿度、空气温度、光照强度和营养液含氧量。
可选地，根据获得的所述下一时刻的生长状态进行提示，包括：
根据获得的所述下一时刻的生长状态，判断所述植被下一时刻是否为异常状态；
当判定所述植被下一时刻是所述异常状态时，根据所述异常状态，提示用户具体的操作步骤；
当判定所述植被下一时刻不是所述异常状态时，提示用户所述植被生长无异常。
可选地，所述异常状态包括：黄叶、植株瘦小、叶子发皱、叶子出现斑点和掉叶，所述黄叶包括：水黄、旱黄、肥黄、饿黄和缺铁性黄叶，所述叶子出现斑点包括：叶子出现黑点和叶子出现白点。
可选地，所述指定模型包括：长短期记忆网络LSTM模型。
可选地，采集当前时刻所述植被的生长环境参数，和所述当前时刻所述植被的生长状态之前，还包括：
对所述样本数据进行预处理，获得时序数据；
将所述时序数据输入到初始LSTM模型，获得确定LSTM模型；
利用均方误差算法对所述确定LSTM模型进行误差评估，当误差结果小于预设误差值，判定所述确定LSTM模型训练成功，将训练成功的所述确定LSTM模型定义为所述指定模型。
可选地，对所述样本数据进行预处理，获得时序数据，包括：
对所述样本数据进行数据缺失值补全、时序化处理或归一化处理，获取所述时序数据。
第二方面，本申请提供了一种植被生长监测装置，包括：
采集模块，用于采集当前时刻所述植被的生长环境参数，和所述当前时刻所述植被的生长状态；
获得模块，用于将所述生长环境参数和所述生长状态输入到指定模型中，获得所述指定模型输出的所述植被下一时刻的生长状态，所述指定模型是通过样本数据训练获得，所述样本数据包括预先采集的所述植被整个生命周期的生长环境参数，和，与所述整个生命周期的生长环境参数所对应的生长状态；
提示模块，用于根据获得的所述下一时刻的生长状态进行提示。
第三方面，本申请提供了一种电子设备，包括：处理器、通信组件、存储器和通信总线，其中，处理器、通信组件和存储器通过通信总线完成相互间的通信；所述存储器，用于存储计算机程序；所述处理器，用于执行所述存储器中所存储的程序，实现所述的植被生长监测方法。
第四方面，本申请提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现所述的植被生长监测方法。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：本申请实施例提供的该方法，通过采集当前时刻植被的生长环境参数和当前时刻植被的生长状态，并将采集的生长环境参数和生长状态输入到指定模型中，获得指定模型输出的该植被下一时刻的生长状态，并根据下一时刻的生长状态，对用户进行提示，使得用户能够及时的发现植被下一时刻的生长状态，并根据提示，进行相对应的操作，即使对于不会种植蔬菜的用户也能够种植出新鲜、饱满、天然的蔬菜。另外，该指定模型是通过预先采集的大量的植被的整个生命周期的生长环境参数，和整个生命周期的生长环境参数所对应的生长状态，作为样本数据训练得到，使得该模型对下一时刻的生长状态的预测更具准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例中植被生长监测方法流程示意图；
图2为本申请实施例中LSTM结构示意图；
图3为本申请实施例中LSTM模型的训练方法流程示意图；
图4为本申请实施例中LSTM另一结构示意图；
图5为本申请实施例中植被生长监测装置结构示意图；
图6为本申请实施例中电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，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的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。
本申请实施例提供了一种植被生长监测方法，该方法可以应用在硬件设备中，例如，植物生长柜，也可以应用在后台服务器或者任意类型的终端设备中。该方法的具体实现如图1所示：
步骤101，采集当前时刻植被的生长环境参数，和当前时刻植被的生长状态。
具体地，该植被的生长环境参数可以包括：二氧化碳、二氧化氮、空气湿度、空气温度、光照强度、营养液含氧量、营养液含磷量、营养液含氮量、营养液含钾量、营养液含钙量、营养液含铁量等。该植被的生长状态可以包括：无异常、黄叶、植株瘦小、叶子发皱、叶子出现斑点和掉叶，其中，黄叶可以包括：水黄、旱黄、肥黄、饿黄、缺铁性黄叶和灼黄，叶子出现斑点可以包括：叶子出现黑点、叶子出现白点和叶子出现模糊白点等。
一个具体实施例中，以该方法应用在植物生长柜中进行说明：
该植物生长柜可能内置采集单元，能够采集当前时刻植被的生长环境参数，和当前时刻植被的生长状态。另外，也可能是用户自行购置的采集设备，将采集设备安装在植物生长柜内部，用来采集当前时刻植被的生长环境参数，和当前时刻植被的生长状态。其中，生长环境参数和生长状态可以实时采集，也可以根据用户实际需要，由用户自行设置时间步长，在特定时间点进行数据采集。
步骤102，将生长环境参数和生长状态输入到指定模型中，获得指定模型输出的植被下一时刻的生长状态。
其中，指定模型是通过样本数据训练获得，该样本数据包括：预先采集的植被整个生命周期的生长环境参数，和，与整个生命周期的生长环境参数所对应的生长状态。
一个具体实施例中，该指定模型包括：长短期记忆网络LSTM模型。
具体地，首先，介绍一下循环神经网络(Recurrent Neural Network，简称RNN)，RNN是一类以序列数据为输入，在序列的演进方向进行递归，且所有节点(或循环单元)按链式连接的递归神经网络。LSTM是一种特殊的RNN，也具有这种链式结构，但是它的循环单元不同于标准的RNN，RNN一个循环单元内部只有一个网络层，LSTM的一个循环单元内部具有四个网络层。
进一步地，对LSTM的结构进行说明，具体如图2所示：
下面，以三个循环单元为例，进行说明：
LSTM包括三个循环单元，分别为第一循环单元201、第二循环单元202、第三循环单元203，其中，第一循环单元201、第二循环单元202和第三循环单元203为按链式连接的重复单元。下面，以第二循环单元202内部的四个网络层进行说明：
第二循环单元202包括四个网络层，分别为第一网络层2021，第二网络层2022、第三网络层2023和第四网络层2024，其中，每个网络层中均包括一个激活函数，第一网络层2021，第二网络层2022和第四网络层2024包括sigmoid函数，第三网络层2023包括tanh函数。
在图2中，每条线都是一个向量的前进路线，从一个节点的输出到其他节点的输入，其中，圆形代表逐点计算，比如，向量加法、向量乘法等，两条线合并表示串联，即数据交汇，两条线分叉表示复制内容，将复制的副本传递到不同的位置。另外，图2中最上面的线用来控制长时记忆，最下面的线用来控制短时记忆。
具体地，向第一循环单元201输入前一时刻即t-1时刻的向量xt-1，在第一循环单元201中四个激活函数进行矩阵乘法后，第一循环单元201输出结果ht-1，并将输出结果ht-1输入到第二循环单元202。第二循环单元202接收第一循环单元201的输出结果ht-1和t时刻的向量xt，其中，xt＝[x1，x2，x3，x4，x5，x6，x7]是通过二氧化碳x1、二氧化氮x2、空气湿度x3、空气温度x4、光照强度x5、营养液含氧量x6、生长状态x7组成的7维向量，并在接收ht-1和xt后，依次经过内部的第一网络层2021、第二网络层2022、第三网络层2023和第四网络层2024的处理，获得输出结果ht，并将输出结果ht输入到第三循环单元203。第三循环单元203接收第二循环单元202的输出结果ht和t+1时刻的向量xt+1，经过第三循环单元203中四个激活函数进行矩阵乘法的运算后，获得输出结果ht+1，根据以上所述过程，以此类推。
进一步的结合本申请，将当前时刻的生长环境参数和生长状态输入到LSTM模型后，LSTM模型对之前记忆的数据和当前时刻的数据进行处理，输出下一时刻所对应的生长状态。通过多个循环单元对原始样本数据进行处理，并记忆处理后的数据，避免了直接记忆原始样本数据所导致的长期依赖原始样本数据的问题，能够根据记忆的处理后数据，预测出下一时刻对应的生长状态。
一个具体实施例中，该LSTM模型的训练过程，具体如3所示：
步骤301，对样本数据进行预处理，获得时序数据。
一个具体实施例中，对样本数据进行一系列的预处理，包括：数据缺失值补全、时序化处理或归一化处理。
具体地，数据缺失分为机械原因和人为原因，机械原因是由于机械自身导致的数据收集或保存失败造成的数据缺失；人为原因是由于人的主观失误、历史局限或有意隐瞒造成的数据缺失。鉴于本申请是由设备主动采集数据，所以造成数据缺失是由于机械原因造成的数据缺失，进一步的，利用数据缺失值补全方法进行数据补全。例如，当数据样本中单个样本数据缺失数据较严重时，直接删除该单个样本数据，或者，当数据样本中单个样本数据缺失的数据较少，且不是非常重要的数据时，可以采用将非缺失数据求取平均值的方式获得缺失数据，然后进行插补。
进而，对经过数据缺失值补全后的正常样本数据进行时序化处理。时序化处理是将各个单个样本数据以时间的先后顺序，对正常样本数据进行排序，组合形成m×n矩阵。其中，在采集样本数据时以时间步长为时间间隔进行采集，需要注意时间步长的设置，用户可以根据实际需要，设置所需的时间步长。当然，时间步长越小，数据的连续性越高，获得的时序数据对模型的训练越精确。最后，通过归一化处理对多维矩形进行调整，归一化处理是为了提高数据的收敛度，将m×n矩阵进行最小-最大标准化操作和标准差标准化操作后，使得m×n矩阵收敛在一个预设范围内，例如m×n矩阵的各个参数值收敛在0-1之间，是为防止后续的模型训练可能会出现的模型爆炸。
步骤302，将时序数据输入到初始LSTM模型，获得确定LSTM模型。
一个具体实施例中，基于LSTM构建LSTM模型，以两层LSTM为例进行说明，当然该模型的构建过程不限于两层LSTM：如图4所示：
向LSTM1401输入批量数据X，该批量数据由m个输入向量组成，为X＝{xT-m，xT-m+1，xT-m+2，...，xT}，通过时间的先后顺序依次将m个样本数据输入到LSTM1401中，该批量数据中包括：样本的数量、样本的向量维度和时间步长，经过LSTM内部处理后，经过LSTM的Dropout层输出新的批量数据，定义为第一批量数据，该第一批量数据包括：第一样本的数量、第一样本的向量维度和LSTM1401隐含单元数，该LSTM1401隐含单元数是构建初始LSTM模型时的第一预设数值。
进而，将LSTM1的输出结果，输入到LSTM2402中，经过LSTM内部处理后，经过LSTM的Dropout层输出新的批量数据，定义为第二批量数据，该第二批量数据包括：第二样本的数量和LSTM2402隐含单元数，该LSTM2402隐含单元数是构建初始LSTM模型时的第二预设数值。
最后，经过LSTM的Dense层输出结果H，并经过卷积神经网络403解析输出结果H，获得各个输入向量的对应预测结果，并利用损失函数
分析LSTM模型预测的生长状态和植被真实的生长状态，并逐层返回至LSTM2402和LSTM1401，其中，y为LSTM模型预测的生长状态，
为植被真实的生长状态。
循环执行以上过程，直至预测结果和实际结果的差异在预设范围内，判定LSTM模型构建成功。
步骤303，利用均方误差算法对确定LSTM模型进行误差评估，当误差结果小于预设误差值，判定确定LSTM模型训练成功。
进而，将训练成功的确定LSTM模型定义为指定模型。
一个具体实施例中，利用均方误差对LSTM模型进行误差评估：
或者，利用均方根误差对LSTM模型进行误差评估：
步骤103，根据获得的下一时刻的生长状态进行提示。
一个具体实施例中，根据获得的下一时刻的生长状态，判断植被下一时刻是否为异常状态，当判定植被下一时刻是异常状态时，根据异常状态，提示用户具体的操作步骤；当判定植被下一时刻不是异常状态时，提示用户植被生长无异常。
其中，异常状态包括：黄叶、植株瘦小、叶子发皱、叶子出现斑点和掉叶，其中，黄叶可以包括：水黄、旱黄、肥黄、饿黄、缺铁性黄叶和灼黄，叶子出现斑点可以包括：叶子出现黑点、叶子出现白点和叶子出现模糊白点等。
具体地，当判定下一时刻是异常状态时，可以语音提示用户该异常状态以及该异常状态可能出现的原因，并语音提示用户具体的操作步骤，用来防止异常状态的出现，使植被健康茁壮的生长。
例如，当判定下一时刻是灼黄时，语音提示用户下一时刻植被可能会出现灼黄现象，该现象是由于猛烈的太阳直射导致的叶子发黄甚至干枯，并提示用户在太阳猛烈的时刻，比如中午时刻，让植被远离太阳直射的位置。
又例如，当判定下一时刻是老叶发黄时，语音提示用户下一时刻植被的老叶可能会出现发黄现象，该现象是由于营养液含氮量或营养液含磷量较低导致的，并提示用户适量的添加氮肥或磷肥。
又例如，当判定下一时刻是叶子出现黑点时，语音提示用户下一时刻可能会出现叶子出现黑点现象，该现象是由于缺少通风造成的，并提示用户注意给植被通风，并适当的增加一些光照。等等。
本申请实施例提供的该方法，通过采集当前时刻植被的生长环境参数和当前时刻植被的生长状态，并将采集的生长环境参数和生长状态输入到指定模型中，获得指定模型输出的该植被下一时刻的生长状态，并根据下一时刻的生长状态，对用户进行提示，使得用户能够及时的发现植被下一时刻的生长状态，并根据提示，进行相对应的操作，即使对于不会种植蔬菜的用户也能够种植出新鲜、饱满、天然的蔬菜。另外，该指定模型是通过预先采集的大量的植被的整个生命周期的生长环境参数，和整个生命周期的生长环境参数所对应的生长状态，作为样本数据训练得到，使得该模型对下一时刻的生长状态的预测更具准确性。
本申请实施例还提了一种植被生长监测装置，该装置的具体实施可参见方法实施例部分的描述，重复之处不再赘述，如图5所示，该装置包括：
采集模块501，用于采集当前时刻植被的生长环境参数，和当前时刻植被的生长状态。
获得模块502，用于将生长环境参数和生长状态输入到指定模型中，获得指定模型输出的植被下一时刻的生长状态，指定模型是通过样本数据训练获得，样本数据包括预先采集的所述植被整个生命周期的生长环境参数，和，与整个生命周期的生长环境参数所对应的生长状态。
提示模块503，用于根据获得的下一时刻的生长状态进行提示。
基于同一构思，本申请实施例中还提供了一种电子设备，如图6所示，该电子设备主要包括：处理器601、通信组件602、存储器603和通信总线604，其中，处理器601、通信组件602和存储器603通过通信总线604完成相互间的通信。其中，存储器603中存储有可被至处理器601执行的程序，处理器601执行存储器603中存储的程序，实现如下步骤：采集当前时刻植被的生长环境参数，和当前时刻所述植被的生长状态；将生长环境参数和生长状态输入到指定模型中，获得指定模型输出的植被下一时刻的生长状态，指定模型是通过样本数据训练获得，样本数据包括预先采集的植被整个生命周期的生长环境参数，和，与整个生命周期的生长环境参数所对应的生长状态；根据获得的下一时刻的生长状态进行提示。
上述电子设备中提到的通信总线604可以是外设部件互连标准(PeripheralComponent Interconnect，简称PCI)总线或扩展工业标准结构(Extended IndustryStandard Architecture，简称EISA)总线等。该通信总线604可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信组件602用于上述电子设备与其他设备之间的通信。
存储器603可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器601的存储装置。
上述的处理器601可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等，还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当该计算机程序在计算机上运行时，使得计算机执行上述实施例中所描述的植被生长监测方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机指令时，全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以时通用计算机、专用计算机、计算机网络或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、微波等)方式向另外一个网站站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如软盘、硬盘、磁带等)、光介质(例如DVD)或者半导体介质(例如固态硬盘)等。
需要说明的是，在本文中，诸如“第一”和“第二”等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操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种植被生长监测方法，其特征在于，包括：
采集当前时刻所述植被的生长环境参数，和所述当前时刻所述植被的生长状态；
将所述生长环境参数和所述生长状态输入到指定模型中，获得所述指定模型输出的所述植被下一时刻的生长状态，所述指定模型是通过样本数据训练获得，所述样本数据包括预先采集的所述植被整个生命周期的生长环境参数，和，与所述整个生命周期的生长环境参数所对应的生长状态；
根据获得的所述下一时刻的生长状态进行提示。
2.根据权利要求1所述的植被生长监测方法，其特征在于，所述生长环境参数包括：二氧化碳、二氧化氮、空气湿度、空气温度、光照强度和营养液含氧量。
3.根据权利要求2所述的植被生长监测方法，其特征在于，根据获得的所述下一时刻的生长状态进行提示，包括：
根据获得的所述下一时刻的生长状态，判断所述植被下一时刻是否为异常状态；
当判定所述植被下一时刻是所述异常状态时，根据所述异常状态，提示用户具体的操作步骤；
当判定所述植被下一时刻不是所述异常状态时，提示用户所述植被生长无异常。
4.根据权利要求3所述的植被生长监测方法，其特征在于，所述异常状态包括：黄叶、植株瘦小、叶子发皱、叶子出现斑点和掉叶，所述黄叶包括：水黄、旱黄、肥黄、饿黄和缺铁性黄叶，所述叶子出现斑点包括：叶子出现黑点和叶子出现白点。
5.根据权利要求1-4任一项所述植被生长监测方法，其特征在于，所述指定模型包括：长短期记忆网络LSTM模型。
6.根据权利要求5所述的植被生长监测方法，其特征在于，采集当前时刻所述植被的生长环境参数，和所述当前时刻所述植被的生长状态之前，还包括：
对所述样本数据进行预处理，获得时序数据；
将所述时序数据输入到初始LSTM模型，获得确定LSTM模型；
利用均方误差算法对所述确定LSTM模型进行误差评估，当误差结果小于预设误差值，判定所述确定LSTM模型训练成功，将训练成功的所述确定LSTM模型定义为所述指定模型。
7.根据权利要求6所述的植被生长监测方法，其特征在于，对所述样本数据进行预处理，获得时序数据，包括：
对所述样本数据进行数据缺失值补全、时序化处理或归一化处理，获取所述时序数据。
8.一种植被生长监测装置，其特征在于，包括：
采集模块，用于采集当前时刻所述植被的生长环境参数，和所述当前时刻所述植被的生长状态；
获得模块，用于将所述生长环境参数和所述生长状态输入到指定模型中，获得所述指定模型输出的所述植被下一时刻的生长状态，所述指定模型是通过样本数据训练获得，所述样本数据包括预先采集的所述植被整个生命周期的生长环境参数，和，与所述整个生命周期的生长环境参数所对应的生长状态；
提示模块，用于根据获得的所述下一时刻的生长状态进行提示。
9.一种电子设备，其特征在于，包括：处理器、通信组件、存储器和通信总线，其中，处理器、通信组件和存储器通过通信总线完成相互间的通信；
所述存储器，用于存储计算机程序；
所述处理器，用于执行所述存储器中所存储的程序，实现权利要求1-7任一项所述的植被生长监测方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的植被生长监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010486051.5A CN111814952A (zh) | 2020-06-01 | 2020-06-01 | 植被生长监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010486051.5A CN111814952A (zh) | 2020-06-01 | 2020-06-01 | 植被生长监测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111814952A true CN111814952A (zh) | 2020-10-23 |
Family
ID=72847918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010486051.5A Withdrawn CN111814952A (zh) | 2020-06-01 | 2020-06-01 | 植被生长监测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111814952A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114467530A (zh) * | 2022-01-25 | 2022-05-13 | 深圳市五谷网络科技有限公司 | 果树环割方法、装置、终端设备及计算机可读存储介质 |
| CN117150785A (zh) * | 2023-09-05 | 2023-12-01 | 之江实验室 | 一种大豆生长全生育期仿真方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014073783A1 (ko) * | 2012-11-08 | 2014-05-15 | 재단법인대구경북과학기술원 | 식물 생장 모니터링 시스템 |
| CN108960530A (zh) * | 2018-07-26 | 2018-12-07 | 江南大学 | 基于长短时记忆网络的大田植被覆盖率指标的预测方法 |
| CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
| 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
- 2020-06-01 CN CN202010486051.5A patent/CN111814952A/zh not_active Withdrawn
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014073783A1 (ko) * | 2012-11-08 | 2014-05-15 | 재단법인대구경북과학기술원 | 식물 생장 모니터링 시스템 |
| CN108960530A (zh) * | 2018-07-26 | 2018-12-07 | 江南大学 | 基于长短时记忆网络的大田植被覆盖率指标的预测方法 |
| CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114467530A (zh) * | 2022-01-25 | 2022-05-13 | 深圳市五谷网络科技有限公司 | 果树环割方法、装置、终端设备及计算机可读存储介质 |
| CN117150785A (zh) * | 2023-09-05 | 2023-12-01 | 之江实验室 | 一种大豆生长全生育期仿真方法及系统 |
| CN117150785B (zh) * | 2023-09-05 | 2024-05-24 | 之江实验室 | 一种大豆生长全生育期仿真方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111680820B (zh) | 分布式光伏电站故障诊断方法和装置 | |
| CN111814952A (zh) | 植被生长监测方法、装置、设备及存储介质 | |
| Adam et al. | Forecasting of peak electricity demand in Mauritius using the non-homogeneous Gompertz diffusion process | |
| CN110119766A (zh) | 一种多组合智能化模型的青椒温室温度智能化预警装置 | |
| CN107784395A (zh) | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 | |
| Rao et al. | Brinjal Crop yield prediction using Shuffled shepherd optimization algorithm based ACNN-OBDLSTM model in Smart Agriculture | |
| CN110069032A (zh) | 一种基于小波神经网络的茄子温室环境智能检测系统 | |
| CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| Kolmanič et al. | An algorithm for automatic dormant tree pruning | |
| CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
| CN109711590B (zh) | 渔业水质分析监测方法、装置和系统 | |
| CN112884238A (zh) | 光伏发电功率预测方法及装置 | |
| CN114118634A (zh) | 一种土壤水分预测方法和装置 | |
| Nhita et al. | Planting calendar forecasting system using evolving neural network | |
| CN114117787A (zh) | 基于ssa优化bp神经网络的短期风功率预测方法 | |
| CN117272184A (zh) | 一种基于issa-rf算法的光伏发电系统故障分类方法 | |
| CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
| Sharma et al. | Price prediction model of fruits, vegetables and pulses according to weather | |
| CN110489852A (zh) | 提高风电系统数据质量的方法及装置 | |
| CN115619449A (zh) | 基于深度学习模型的化肥价格预测方法、设备及存储介质 | |
| CN113537645B (zh) | 基于机器学习融合卫星与天气数据的大豆产量预测方法 | |
| CN114049014A (zh) | 海上风电机组运行状态评估方法、装置及系统 | |
| CN113780644A (zh) | 一种基于在线学习的光伏出力预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20201023 |