CN111815202A - 一种蜂蜜生产的预测方法及系统 - Google Patents
一种蜂蜜生产的预测方法及系统 Download PDFInfo
- Publication number
- CN111815202A CN111815202A CN202010763125.5A CN202010763125A CN111815202A CN 111815202 A CN111815202 A CN 111815202A CN 202010763125 A CN202010763125 A CN 202010763125A CN 111815202 A CN111815202 A CN 111815202A
- Authority
- CN
- China
- Prior art keywords
- honey
- data
- bees
- bee
- prediction
- 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.)
- Granted
Links
- 235000012907 honey Nutrition 0.000 title claims abstract description 131
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 title claims description 20
- 241000257303 Hymenoptera Species 0.000 claims abstract description 62
- 230000007613 environmental effect Effects 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 3
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000012544 monitoring process Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 230000002354 daily effect Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 2
- 241000256844 Apis mellifera Species 0.000 description 62
- 241000196324 Embryophyta Species 0.000 description 18
- 230000001488 breeding effect Effects 0.000 description 10
- 238000009395 breeding Methods 0.000 description 9
- 238000013480 data collection Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 244000017714 Prunus persica var. nucipersica Species 0.000 description 3
- 238000009341 apiculture Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000501300 Bombyliidae Species 0.000 description 1
- 206010011732 Cyst Diseases 0.000 description 1
- 229930091371 Fructose Natural products 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 239000005715 Fructose Substances 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000218922 Magnoliophyta Species 0.000 description 1
- 241000282453 Ursus americanus Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- WQZGKKKJIJFFOK-VFUOTHLCSA-N beta-D-glucose Chemical compound OC[C@H]1O[C@@H](O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-VFUOTHLCSA-N 0.000 description 1
- 238000013124 brewing process Methods 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 150000002772 monosaccharides Chemical class 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 229940109850 royal jelly Drugs 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06N3/08—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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种蜂蜜生产的预测系统,包括以下步骤:S1.在植物可采蜜源期,采集目标蜂场的自然环境数据及蜜蜂进巢出巢的数量数据,传输至服务器;S2.服务器根据S1得到的数据建立预测蜜蜂进出巢数量的模型;S3.建立神经网络模型,预测目标蜂场的环境数据;S4.根据S2与S3的预测结果计算蜂蜜的预测产量。本发明提供的蜂蜜生产的预测系统可通过自然环境数据及蜜蜂进出巢次数分析蜜蜂的采蜜行为,并对自然环境数据及蜜蜂采蜜行为进行预测,从而对蜂蜜的产量进行准确预测,同时还能方便蜂农对蜂蜜进行管理。
Description
技术领域
本发明涉及蜂蜜产量预测技术领域,尤其是涉及一种蜂蜜生产的预测方法及系统。
背景技术
蜂蜜是蜜蜂从开花植物的花中采得的花蜜在蜂巢中经过充分酿造而成的天然甜物质,其含有多种维生素、矿物质、氨基酸及人体可直接吸收的单糖葡萄糖、果糖等,深受人们的喜爱。
而蜂蜜的产量受到多个方面的制约,比如蜜源、气候条件、蜂群等,而目前一般是通过蜂农的累年经验来进行养殖,对于高经验的养殖工人极为依赖,不利于养殖规模的扩大,同时养殖效果并不理想,蜜蜂的繁殖能力及采蜜能力都由气候条件进行制约,使得蜂蜜产量的提高极为困难,蜂蜜产量也难以预测,不利于养殖者提前进行销售布局,无法将养殖收益最大化。
发明内容
为了解决上述问题,本发明提供一种蜂蜜生产的预测方法及系统,能预测蜜源数据、环境数据等,便于蜂农根据情况调整养蜂策略,提升蜂蜜产量,同时对蜂蜜的产量进行有效预测,便于扩大蜂农的养蜂收益。
本发明为了实现上述目的具体采用以下技术方案:
一种蜂蜜生产的预测方法,包括以下步骤:
S1.在植物可采蜜源期,采集目标蜂场的自然环境数据及蜜蜂进巢出巢的数量数据,传输至服务器;
S2.服务器根据S1得到的数据建立预测蜜蜂进出巢数量的模型;
S3.建立神经网络模型,预测目标蜂场的环境数据;
S4.根据S2与S3的预测结果计算蜂蜜的预测产量。
更进一步地,所述蜜蜂进出巢数量通过在蜂巢内设置激光对射传感器进行测定。
更进一步地,所述S1采集的自然环境数据包括降雨量与风力。
更进一步地,所述S1采集的自然环境数据还包括温度、湿度及光照。
更进一步地,预测蜜蜂进出巢的数量的公式如下:
其中,假设过去每天监测得到的蜂蜜数据为F=(Fn)n≥1;
更进一步地,所述步骤S3建立的神经网络模型为基于NARX神经网络的非线性多步预测模型,其具体预测公式如下:
其中,u(k)为第k天某一时刻的环境数据,y(k)为上一年度同一时刻的历史环境数据,ym(k+s)为预测的第k+s天该时刻的环境数据,表示NARX神经网络的输出神经元和隐藏层中第i个神经元之间的连接权值;表示NARX神经网络输出神经元的偏置值;表示NARX神经网络隐藏层中第i个神经元的净输入。
更进一步地,所述蜂蜜产量预测的公式如下:
其中,δ为一个常数因子,δ=工蜂占比×(1-花蜜水分占比),M0为蜜蜂种群消耗的蜜蜂量;
其中,m为每只蜜蜂携带的花蜜量,Mn为采蜜期n∈[t1,t2]每天的采蜜量,T为蜜蜂一天的工作时长,v为蜜蜂的飞行速度;
其中,pi为蜜蜂到Gi处采蜜的概率,Gi=(Si,di),Si为采蜜点的面积大小,di为距离蜂巢的距离;
其中,un为平均降雨量,cn为平均风力,un∈[a,b]且cn∈[m,l]为蜜蜂外出采蜜的适宜区间,γn取值为1,则外出采蜜,为0则不外出。
更进一步地,所述植物可采蜜源期的预测方法如下:
拍摄目标蜂场周围的蜜源植物,对蜜源植物进行鉴别,建立蜜源植物图谱;
根据蜜源植物的花期,建立蜜蜂可采蜜的周期数据库。
更进一步地,包括服务器、基站、环境数据采集系统、蜂巢数据采集系统及摄像系统,所述服务器用于接收数据并对数据进行分析建模,所述基站作为服务器与各系统之间的中转,所述摄像系统采集蜜源植物图像并监测蜂场状态,所述蜂巢数据采集系统采集蜂巢的数据,所述环境数据采集系统采集蜂场的环境数据。
更进一步地,所述摄像系统采集的图片及服务器分析数据均录入至微信小程序进行展示。
本发明的有益效果如下:
1.能结合蜜蜂的特性及环境变化,提前较长时间预测蜂蜜的产量,便于养殖者提前制定销售策略,将蜂蜜的收益最大化;
2.能提前预测蜂场的环境变化,使得蜂农能提前准备,做好应对,提升蜜蜂的养殖质量,降低蜜蜂的死亡率,从而提高蜂蜜的产量;
3.根据基于递归BP神经网络的神经网络模型的结构和输入输出关系式,构造了一个静态部分分为两层BP神经网络的NARX神经网络,并以此为基础建立了一个模型,该模型能够很好的克服预测误差积累现象,可以作为非线性系统的长时域预测手段,至少能提前3个月预测蜂场的环境变化,让蜂农有足够的时间做出应对;
4.能采集蜂场周围的蜜源植物图像,并鉴别蜜源植物种类,从而结合环境预测数据可准确估计蜜源植物的可采蜜期,从而提前预测蜂蜜的出产时间,再结合蜂蜜的产量,使得养殖者能更为准确的把握蜂场情况;
5.蜜源植物的情况、蜂场实时情况、蜂蜜产量预测、蜂蜜出产时间预测、环境数据预测结果以及蜂农平常操作的生产记录等都可以录入到微信小程序中,呈现给客户,使得客户能实时监控蜂场的状态,提高客户对蜂蜜的真实可信度。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是神经网络模型结构图;
图2是系统流程结构示意图;
图3是摄像系统流程结构示意图;
图4是预测流程结构示意图;
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“上”、“下”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“连通”应做广义理解,例如,可以是固定连通,也可以是可拆卸连通,或一体地连通;可以是机械连通,也可以是电连通;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例
本实施例提供一种蜂蜜生产的预测方法,请参见图4所示,包括以下步骤:
S1.在植物可采蜜源期,采集目标蜂场的自然环境数据及蜜蜂进巢出巢的数量数据,传输至服务器;
S2.服务器根据S1得到的数据建立预测蜜蜂进出巢数量的模型;
S3.建立神经网络模型,预测目标蜂场的环境数据;
S4.根据S2与S3的预测结果计算蜂蜜的预测产量。
蜜蜂是否外出采蜜,与当天的环境有极大的关系,其在环境不在适宜区间时,会选择留在蜂巢内,蜂农就算将蜜蜂照顾得极好,也可能因为该段时间内的天气原因而导致蜂蜜产量锐减或锐增,然而可能蜂农在之前就已经根据蜂群的情况及自身经验对于蜂蜜产量进行了预判,并制定了销售策略,等事到临头时才发现蜂蜜产量不足或过剩,使得蜂农难以及时制定策略,影响蜂农的收益。
而本实施例中,能有效预测环境对于蜂蜜采蜜的影响,并准确预测未来一段时间的环境数据及密封出巢采蜜次数,从而提前对蜂蜜的产量进行准确估测,使得蜂农能准确把控蜂场状态,制定合适的销售策略,以最大化养蜂的收益。
具体地,所述蜜蜂进出巢数量通过在蜂巢内设置激光对射传感器进行测定,其具有高响应,高分辨率的效果,能准确对蜜蜂的进出巢进行检测。
对于蜜蜂而言,对其是否出巢采蜜影响最大的环境因素是降雨量与风力大小,因此,可以采集降雨量及风力的数据来对蜂蜜是否出巢采蜜进行预测,以简化运算量;而为了使得预测更为准确,可以同时采集温度、湿度及光照等环境数据,其中环境数据采集可以在每天固定的时间进行测量,例如9点、12点等,也可以设定固定的时间间隙来进行测量,比如1小时、3小时等。
具体地,预测蜜蜂进出巢的数量预测方式如下:
由现有研究可知,假如蜂场的一个中蜂种群大约为15000只蜜蜂,则其中约有300-450只雄蜂,1只蜂王,其余为工蜂。在工蜂中,约1/3的工蜂(5000只)采蜜,3000只工蜂采花粉,1500只工蜂采王浆,其余的工蜂负责筑巢、清洁卫生、哺育幼虫等工作,即蜂群的分工是较为明确的,在采蜜期进出的蜜蜂数量也是相对稳定的。
假设过去每天监测得到的蜂蜜数据为F=(Fn)n≥1,由于种群相对稳定,在采蜜期进出蜜蜂相对稳定,可以采用相对稳定的平滑预测来进行:
而蜜蜂进出巢受环境影响较大,想预测未来某个时刻蜜蜂时候出巢,则需要对该时刻的环境数据能进行准确预测,而这又是一个非线性的时间序列,对此,本实施例选择建立基于NARX神经网络的非线性多步预测模型来进行预测,该模型建立在递归BP神经网络的基础上,它将BP神经网络的输出向量延时保持之后通过外部反馈引入到输入向量之中,其结构图如图1所示。
假设当前时刻为k,基于两层BP神经网络的非线性多步预测模型在k+s时刻的输入和输出关系如下所示:
其中,和都是模型参数,表示NARX神经网络的输出神经元和隐藏层中第i个神经元之间的连接权值;表示NARX神经网络输出神经元的偏置值;表示NARX神经网络隐藏层中第i个神经元的净输入。而这些参数值可以在神经网络模型训练时进行完善,具体地,可先随机选取一组初始值,通过神经网络模型训练,不断的调整这些参数,达到要求的目标后,会输出一组新的值,就得到了迭代关系式里的参数;而u(k)、u(k+1)......u(k+s-j)代表第k天到第k+s-j天的每天同一时刻的同一环境数据值,y(k)、y(k+1)......y(k+s-j)代表第k天到第k+s-j天的每天同一时刻的同一历史环境值,其可以为上一年度的数据,则根据神经网络模型可预测第k+1天到第k+s-1天的同一时刻的环境数据,即ym(k+1)、ym(k+2)......ym(k+s),其中ym(k+s)为我们希望的未来一天的同一时刻、同一环境数据的预测数据,通过不断迭代,便可以对环境数据进行预测,即每种环境数据输入到模型中后,都可预测未来一段时间的该环境因素对应的数据,对于预测蜂蜜产量及养殖蜜蜂具有极为重要的意义。
其中,为了简化计算,我们可以输入神经网络模型的数据,可以是一天中该环境因素的平均数据,通过平均数据来对整天蜜蜂是否外出进行判定。
得到预测的环境数据后,便可以对蜜蜂是否外出采蜜进行预测,以平均降雨量un与平均风力cn为例进行说明。
假设降雨量un∈[a,b]且cn∈[m,l]为蜜蜂外出采蜜的适宜区间(条件),定义:
利用γn判断蜜蜂外出采蜜与否,若γn为1,则判定蜜蜂外出采蜜,γn为0则不外出。
然后对蜜蜂每一天的采蜜量进行预测,每只工蜂的密囊容量大约为0.03-0.05g,每天飞出去15次左右,每天最多可采蜜0.75g,这是相对固定的,假设有若干个采蜜点Gi=(Si,di),其中Si为采蜜点的面积大小,di为采蜜点距离蜂巢的距离,我们可认为蜜蜂到Gi处采蜜的概率为那么大约到Gi处采蜜的蜜蜂数量为Fn·pi。我们再假设蜜蜂一天的工作时长为T,飞行速度为v,每只蜜蜂携带的花蜜量为m,则我们可对采蜜期n∈[t1,t2]每天采蜜量Mn进行估算得到:
最后便可以结合上述数据对蜂蜜的产量M进行预测,预测所采用公式如下:
其中,δ为一个常数因子,δ=工蜂占比×(1-花蜜水分占比),M0为蜜蜂种群消耗的蜜蜂量。
采蜜是由工蜂进行,但工蜂又不全部都会去采蜜,采蜜的只是工蜂的一部分;同时对于整个采蜜、酿蜜过程而言,蜜蜂采集的花蜜水分大约占70%,要经过蜜蜂酿造,才能成为含水分不超过20%的蜂蜜;另外蜜蜂的寿命为30至40天,能飞出去采蜜的时间为20天左右,一只蜜蜂一生大约要消耗蜂蜜2克以上,实际每只蜜蜂能为人们提供3克左右蜂蜜,综合上述消耗,我们定义了常数因子δ及蜜蜂种群消耗的蜜蜂量M0来提升蜂蜜产量预测的准确性。
蜂蜜的产量与蜂蜜的出产时间要是能结合起来进行预测,对于蜂农把握蜂场情况而言,效果更好,对此,本实施例对植物可采蜜源期的进行预测,预测方法如下:
拍摄目标蜂场周围的蜜源植物,将拍摄到的图片发送到服务器,利用大数据系统图像对蜜源植物进行鉴定,根据鉴定结果建立蜜源植物图谱;
根据蜜源植物图谱确定蜜源植物花期,建立蜜蜂可采蜜的周期数据库,从而预判蜂蜜的出产时间。
其中,请参见图2所示,本发明所使用到的预测系统括服务器、基站、环境数据采集系统、蜂巢数据采集系统及摄像系统,所述服务器用于接收数据并对数据进行分析建模,从而预测蜂蜜产量及未来环境数据,所述基站作为服务器与各系统之间的中转,所述摄像系统采集蜜源植物图像并监测蜂场状态,所述蜂巢数据采集系统采集蜂巢的数据,所述环境数据采集系统采集蜂场的环境数据。
蜂巢采集系统主要是激光对射传感器,用以检测蜜蜂进出巢次数,其还可以包括温度传感器、湿度传感器、声音传感器,用于监测蜂巢状态,例如蜂群的声音频率范围在100Hz-700Hz,具有3-4个波峰,当中蜂受到惊扰或胡蜂进攻时,会在原地集体快速震动身体,发出刷刷的、整齐划一的蜂声,向来犯之敌恐吓和示威,这时蜂群声音频率会有明显变化,由此监测蜂群的声音频率变化可判断蜂群的状态,又例如,蜜蜂对于温度较为敏感,在严寒的冬天,监测蜂群的温度也可判断蜂群能否顺利越冬,从而在预测蜂蜜产量的同时,对蜂群状态进行较好的监控,科学养蜂,降低蜂蜜养殖的难度,提升蜂蜜养殖的质量。
环境数据采集系统主要包括降雨量传感器、风力传感器、温度传感器、湿度传感器、光照传感器等传感器,以收集环境数据,用于环境数据预测。
请参见图3所示,摄像系统可使用红外相机、彩色相机和无人机拍照同步进行,并设置图像处理模块以合成红外相机、彩色相机、无人机说拍摄的图片,其中,根据蜜蜂的活动习性,可以将彩色相机及无人机拍摄的范围定在以蜂场为圆心,半径3km内,其拍摄的图片主要用于鉴定蜜源植物、监控蜜源植物状态,而红外相机则可用于监测夜间蜂场状态,并监测有无黑熊偷蜂蜜等行为活动,对蜜蜂进行保护。
而为了方便养殖者或者客户能实时监测蜂场状态,可以将摄像系统拍摄的照片及服务器预测的蜂蜜出产时间、产量等均录入到微信小程序上进行展示,当然,也可以将蜂农的防虫治病、分蜂取蜜等生产记录也上传到微信小程序中去,从而拉近客户与蜂蜜生产的距离,提升蜂蜜的真实可信度。
以上所述,仅为本发明的较佳实施例,并不用以限制本发明,本发明的专利保护范围以权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (10)
1.一种蜂蜜生产的预测方法,其特征在于,包括以下步骤:
S1.在植物可采蜜源期,采集目标蜂场的自然环境数据及蜜蜂进巢出巢的数量数据,传输至服务器;
S2.服务器根据S1得到的数据建立预测蜜蜂进出巢数量的模型;
S3.建立神经网络模型,预测目标蜂场的环境数据;
S4.根据S2与S3的预测结果计算蜂蜜的预测产量。
2.根据权利要求1所述的蜂蜜生产的预测方法,其特征在于,所述蜜蜂进出巢数量通过在蜂巢内设置激光对射传感器进行测定。
3.根据权利要求2所述的蜂蜜生产的预测方法,其特征在于,所述S1采集的自然环境数据包括降雨量与风力。
4.根据权利要求3所述的蜂蜜生产的预测方法,其特征在于,所述S1采集的自然环境数据还包括温度、湿度及光照。
8.根据权利要求7所述的蜂蜜生产的预测方法,其特征在于,所述植物可采蜜源期的预测方法如下:
拍摄目标蜂场周围的蜜源植物,对蜜源植物进行鉴别,建立蜜源植物图谱;
根据蜜源植物的花期,建立蜜蜂可采蜜的周期数据库。
9.一种实现权利要求8所述的蜂蜜生产的预测方法的预测系统,其特征在于,包括服务器、基站、环境数据采集系统、蜂巢数据采集系统及摄像系统,所述服务器用于接收数据并对数据进行分析建模,所述基站作为服务器与各系统之间的中转,所述摄像系统采集蜜源植物图像并监测蜂场状态,所述蜂巢数据采集系统采集蜂巢的数据,所述环境数据采集系统采集蜂场的环境数据。
10.根据权利要求9所述的预测系统,其特征在于,所述摄像系统采集的图片及服务器分析数据均录入至微信小程序进行展示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763125.5A CN111815202B (zh) | 2020-07-31 | 2020-07-31 | 一种蜂蜜生产的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010763125.5A CN111815202B (zh) | 2020-07-31 | 2020-07-31 | 一种蜂蜜生产的预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111815202A true CN111815202A (zh) | 2020-10-23 |
CN111815202B CN111815202B (zh) | 2023-08-11 |
Family
ID=72863462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010763125.5A Active CN111815202B (zh) | 2020-07-31 | 2020-07-31 | 一种蜂蜜生产的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815202B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674003A (zh) * | 2021-08-17 | 2021-11-19 | 中国农业大学 | 一种利用宏基因组和机器学习进行蜂蜜蜜源地追踪的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1098883A (zh) * | 1993-08-20 | 1995-02-22 | 华中农业大学 | 绞股蓝蜂蜜的生产方法及其制品 |
CN106501408A (zh) * | 2016-10-26 | 2017-03-15 | 江南大学 | 一种基于hplc‑elsd和偏最小二乘判别分析法的蜂蜜掺假检测方法 |
CN108009622A (zh) * | 2017-11-30 | 2018-05-08 | 江西洪都航空工业集团有限责任公司 | 一种基于人工蜂群的蒙特卡洛定位方法 |
CN108594678A (zh) * | 2018-04-02 | 2018-09-28 | 洪葳 | 一种基于人工神经网络的蜂群监控系统 |
CN108802163A (zh) * | 2018-06-12 | 2018-11-13 | 福建出入境检验检疫局检验检疫技术中心 | 一种快速鉴不同蜂蜜品类的方法 |
CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与系统 |
CN110264373A (zh) * | 2019-06-10 | 2019-09-20 | 四川天府蜂谷科技有限公司 | 基于云计算的人工智能(ai)养蜂方法及其系统 |
-
2020
- 2020-07-31 CN CN202010763125.5A patent/CN111815202B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1098883A (zh) * | 1993-08-20 | 1995-02-22 | 华中农业大学 | 绞股蓝蜂蜜的生产方法及其制品 |
CN106501408A (zh) * | 2016-10-26 | 2017-03-15 | 江南大学 | 一种基于hplc‑elsd和偏最小二乘判别分析法的蜂蜜掺假检测方法 |
CN108009622A (zh) * | 2017-11-30 | 2018-05-08 | 江西洪都航空工业集团有限责任公司 | 一种基于人工蜂群的蒙特卡洛定位方法 |
CN108594678A (zh) * | 2018-04-02 | 2018-09-28 | 洪葳 | 一种基于人工神经网络的蜂群监控系统 |
CN108802163A (zh) * | 2018-06-12 | 2018-11-13 | 福建出入境检验检疫局检验检疫技术中心 | 一种快速鉴不同蜂蜜品类的方法 |
CN109145032A (zh) * | 2018-08-27 | 2019-01-04 | 北京奥金达农业科技发展有限公司 | 一种蜜蜂养殖智能监测方法与系统 |
CN110264373A (zh) * | 2019-06-10 | 2019-09-20 | 四川天府蜂谷科技有限公司 | 基于云计算的人工智能(ai)养蜂方法及其系统 |
Non-Patent Citations (6)
Title |
---|
HUMBERTO ROCHA等: "Honey Yield Forecast Using Radial Basis Functions", 《INTERNATIONAL WORKSHOP ON MACHINE LEARNING, OPTIMIZATION, AND BIG DATA》 * |
HUMBERTO ROCHA等: "Honey Yield Forecast Using Radial Basis Functions", 《INTERNATIONAL WORKSHOP ON MACHINE LEARNING, OPTIMIZATION, AND BIG DATA》, 21 December 2017 (2017-12-21), pages 1 - 12 * |
LI-HANG DU等: "Response Characteristics Prediction of Surge Protective Device Based on NARX Neural Network", 《IEEE TRANSACTIONS ON ELECTROMAGNETIC COMPATIBILITY》 * |
LI-HANG DU等: "Response Characteristics Prediction of Surge Protective Device Based on NARX Neural Network", 《IEEE TRANSACTIONS ON ELECTROMAGNETIC COMPATIBILITY》, vol. 62, no. 1, 28 February 2020 (2020-02-28), pages 74 - 82, XP011772841, DOI: 10.1109/TEMC.2018.2881216 * |
向红: "基于灰色系统理论对我国蜂蜜产量和出口量的预测", 《蜜蜂杂志》, vol. 33, no. 2, pages 13 - 14 * |
苗春辉 等: "2008-2015年橡胶蜂蜜产量与气候的相关性分析", 《蜜蜂杂志》, vol. 40, no. 5, pages 1 - 5 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113674003A (zh) * | 2021-08-17 | 2021-11-19 | 中国农业大学 | 一种利用宏基因组和机器学习进行蜂蜜蜜源地追踪的方法 |
CN113674003B (zh) * | 2021-08-17 | 2023-11-24 | 中国农业大学 | 一种利用宏基因组和机器学习进行蜂蜜蜜源地追踪的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111815202B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8152590B2 (en) | Acoustic sensor for beehive monitoring | |
US11771074B2 (en) | Sensor based observation of anthropods | |
US20200117897A1 (en) | Adaptive Artificial Intelligence Training Data Acquisition and Plant Monitoring System | |
US20200334443A1 (en) | Systems and methods for measuring beehive strength | |
BR112019006453B1 (pt) | Método de identificação de insetos benéficos e/ ou organismos prejudiciais em um campo para plantas cultivadas, memória não transitória legível por computador e sistema de identificação de insetos benéficos e/ ou organismos prejudiciais em um campo para plantas cultivadas | |
WO2020051650A1 (en) | System and method for automated phenology analysis | |
Dasig et al. | An IoT and wireless sensor network-based technology for a low-cost precision apiculture | |
CN111815202A (zh) | 一种蜂蜜生产的预测方法及系统 | |
CA3201889A1 (en) | System and method for monitoring, identifying and recording beehive status | |
Bourouis et al. | IoT for smart apiculture: issues and solutions | |
Evans | Electronic beehive monitoring-applications to research. | |
US20240016136A1 (en) | Method and system for monitoring and controlling the presence of at least one type of insect in agricultural crops | |
CN212646480U (zh) | 一种大田作物产量预测系统 | |
RU2783299C1 (ru) | СПОСОБ УДАЛЕННОГО МОНИТОРИНГА И КОНТРОЛЯ ОПЫЛЕНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ КУЛЬТУР ВБЛИЗИ УЛЬЕВ С ПРИМЕНЕНИЕМ ИНТЕРНЕТА ВЕЩЕЙ (IoT) И СИСТЕМА ДЛЯ ЕГО ОСУЩЕСТВЛЕНИЯ | |
Navaneethan et al. | Advanced Technologies for Precision Agriculture and Farming | |
CN116402177B (zh) | 一种二点委夜蛾发生程度预测方法及系统 | |
CN219551577U (zh) | 农业病虫害遥感监测系统 | |
Anaghaa et al. | Application of wireless sensor networks for advancements in non intrusive precision beekeeping | |
Bumanis et al. | Application of Data Layering in Precision Beekeeping: The Concept | |
Anwar | Smart Beehive Monitoring for Remote Regions | |
McMinn-Sauder et al. | Next-generation colony weight monitoring: a review and prospectus | |
Edwards Murphy | Wireless sensor networks, actuation, and signal processing for apiculture | |
Chlebo et al. | EIP-AGRI Focus Group | |
Krishnasamy et al. | An IoT-Based Beehive Monitoring System for Real-Time Monitoring of Apis cerana indica Colonies | |
Hadjur | Designing and modeling sustainable, autonomous, smart, and energy efficient Internet of Things systems, applied to precision beekeeping |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210804 Address after: No.313, 3rd floor, building 1, No.8 Tianjiu North Lane, high tech Zone, Chengdu, Sichuan 610000 Applicant after: SICHUAN ECOLOGY CHENGPIN AGRICULTURE DEVELOPMENT Co.,Ltd. Applicant after: Jiang Jidong Address before: No.313, 3rd floor, building 1, No.8 Tianjiu North Lane, high tech Zone, Chengdu, Sichuan 610000 Applicant before: SICHUAN ECOLOGY CHENGPIN AGRICULTURE DEVELOPMENT Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |