CN112070241A - 基于机器学习模型的植物生长预测方法、装置和设备 - Google Patents

基于机器学习模型的植物生长预测方法、装置和设备 Download PDF

Info

Publication number
CN112070241A
CN112070241A CN202010951923.0A CN202010951923A CN112070241A CN 112070241 A CN112070241 A CN 112070241A CN 202010951923 A CN202010951923 A CN 202010951923A CN 112070241 A CN112070241 A CN 112070241A
Authority
CN
China
Prior art keywords
plant growth
feature vector
growth prediction
plant
data
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
Application number
CN202010951923.0A
Other languages
English (en)
Inventor
范锦谕
罗迪君
李蓝青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202010951923.0A priority Critical patent/CN112070241A/zh
Publication of CN112070241A publication Critical patent/CN112070241A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Botany (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Environmental Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开提供了一种基于机器学习模型的植物生长预测方法、植物预测装置和设备以及计算机可读存储介质。机器学习模型包括第一子模型、第二子模型和第三子模型，植物生长预测方法包括：获取温室控制参数、天气数据和植物状态数据；利用第一子模型根据温室控制参数生成第一特征向量；利用第二子模型根据天气数据生成第二特征向量；利用第三子模型根据植物状态数据生成第三特征向量；以及基于第一特征向量、第二特征向量和第三特征向量，生成预定时间段后的植物生长预测结果。

Description

基于机器学习模型的植物生长预测方法、装置和设备
技术领域
本公开涉及植物生长预测领域，并且具体地，涉及一种基于机器学习模型的植物生长预测方法、植物生长预测装置和设备以及计算机可读存储介质。
背景技术
在对植物生长进行预测时，通常采用基于物理公式推导的物理模拟器，根据温室在每一个时刻的光照强度、温度、湿度、二氧化碳浓度，结合植物在不同生长阶段的新陈代谢情况来预测植物每天的生长情况。这种基于物理公式的物理模拟器通过物理公式来推导在不同温室环境状态下植物的每日生长情况，然而，由于真实温室中影响植物状态的因素较多，且不同影响因素之间具有相互作用，现有物理模拟器无法精确的模拟真实温室中不同天气状态对于植物的影响，因此，物理模拟器对植物生长状态的预测结果通常与真实温室具有较大差距。此外，基于物理公式的物理模拟器的模拟速度较慢，通常需要3-5秒才能完成植物一天的模拟，因此在对较长种植周期进行模拟以及寻找最优种植策略时所需的时间成本较大。
近年来，机器学习技术快速发展。机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科，专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。机器学习技术给诸如植物生长预测等的一些传统领域提供了新的思路。
发明内容
为了克服现有技术中存在的缺陷，本公开提出了一种基于机器学习模型的植物生长预测方法、植物生长预测装置和设备以及计算机可读存储介质。
根据本公开的一个方面，提供了一种基于机器学习模型的植物生长预测方法，所述机器学习模型包括第一子模型、第二子模型和第三子模型，所述植物生长预测方法包括：获取温室控制参数、天气数据和植物状态数据；利用第一子模型根据所述温室控制参数生成第一特征向量；利用第二子模型根据所述天气数据生成第二特征向量；利用第三子模型根据所述植物状态数据生成第三特征向量；以及基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成预定时间段后的植物生长预测结果。
根据本公开的一个示例，其中，所述机器学习模型还包括第四子模型，所述基于所述第一特征向量、所述第二特征向量和所述第三特征向量生成植物生长预测结果包括：对所述第一特征向量、所述第二特征向量和所述第三特征向量进行拼接以得到拼接的特征向量；利用第四子模型根据所述拼接的特征向量生成所述植物生长预测结果。
根据本公开的一个示例，其中，所述获取温室控制参数包括：遍历所述温室控制参数中的每个参数的每个候选值，利用所述每个参数的每个候选值，更新所述温室控制参数；所述生成预定时间段后的植物生长预测结果包括：根据每个更新的温室控制参数，生成其对应的植物生长预测结果，以得到多个植物生长预测结果。
根据本公开的一个示例，所述植物生长预测方法还包括：基于所述多个植物生长预测结果，确定最优植物生长预测结果；获取与所述最优植物生长预测结果相对应的温室控制参数作为推荐温室控制参数。
根据本公开的一个示例，该植物生长预测方法还包括：获取在所述预定时间段后的植物状态数据；基于所述植物生长预测结果与所述预定时间段后的植物状态数据，确定预测损失；以及基于所述预测损失，调整所述机器学习模型的至少一部分参数。
根据本公开的一个示例，所述植物生长预测方法还包括：基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成所述预测时间段内的温室内预测天气状态。
根据本公开的一个示例，其中，所述温室控制参数包括所述预定时间段内温室内的温度、二氧化碳浓度、开灯时间、关灯时间、开始浇水时间和停止浇水时间中的一个或多个；所述天气数据包括所述预定时间段内温室外的光照强度、温度、湿度、风速、虚拟天空温度以及温室内的历史温度、历史湿度、历史二氧化碳浓度和历史光照强度中的一个或多个；所述植物状态数据包括植物在预测开始时间点的已种植日数、叶面积指数、植物重量、植物枝叶数、累计果实湿重、累计果实干重、累计果实数量中的一个或多个；以及，所述植物生长预测结果包括植物在所述预定时间段后的叶面积指数、茎密度、果实数、累计收获果实湿重、累计收获果实干重中的一个或多个。
根据本公开的一个示例，其中，所述第一、第二、第三子模型中的每一个是神经网络、循环神经网络、卷积网络、树模型、支持向量机或者它们的组合。
根据本公开的一个示例，其中，所述机器学习模型通过以下方法进行训练：获取植物生长训练数据，所述植物生长训练数据包括：温室控制训练参数、天气训练数据、植物状态训练数据以及参考结果数据；利用第一子模型根据所述温室控制训练参数生成第一训练特征向量；利用第二子模型根据所述天气训练数据生成第二训练特征向量；利用第三子模型根据所述植物状态训练数据生成第三训练特征向量；以及基于所述第一训练特征向量、所述第二训练特征向量和所述第三训练特征向量，生成植物生长预测结果；确定所述植物生长预测结果与所述参考结果数据之间的损失函数；利用所述损失函数对所述机器学习模型进行训练。
根据本公开的一个示例，其中，所述植物生长训练数据来自于下列中的一个或多个：利用物理模拟器产生的模拟种植数据、真实温室的真实种植数据以及通过向所述模拟种植数据和真实种植数据添加噪声而得到的扩充数据集。
根据本公开的一个示例，其中，所述损失函数为所述植物生长预测结果与所述参考结果数据之间的均方误差，并且其中，利用所述损失函数对所述机器学习模型进行训练包括：通过使所述损失函数最小来对所述机器学习模型进行训练。
根据本公开的另一方面，提供了一种基于机器学习模型的植物生长预测装置，包括：输入单元，被配置为接收温室控制参数、天气数据和植物状态数据；预测单元，其包括机器学习模型，所述机器学习模型包括第一子模型、第二子模型和第三子模型，所述预测单元被配置为利用所述第一子模型根据所述温室控制参数生成第一特征向量，利用所述第二子模型根据所述天气数据生成第二特征向量，利用所述第三子模型根据所述植物状态数据生成第三特征向量，并基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成预定时间段后的植物生长预测结果；以及输出单元，被配置为输出所述植物生长预测结果。
根据本公开的一个示例，其中，所述预测单元还包括第四子模型，并且所述预测单元还被配置为：对所述第一特征向量、所述第二特征向量和所述第三特征向量进行拼接以得到拼接的特征向量；利用第四子模型根据所述拼接的特征向量生成所述植物生长预测结果。
根据本公开的一个示例，所述植物生长预测装置还包括温室控制参数推荐单元，其中：所述输入单元还被配置为遍历所述温室控制参数中的每个参数的每个候选值，利用所述每个参数的每个候选值，更新所述温室控制参数；所述预测单元还被配置为根据每个更新的温室控制参数，生成其对应的植物生长预测结果，以得到多个植物生长预测结果。
根据本公开的一个示例，所述温室控制参数推荐单元被配置为基于所述多个植物生长预测结果，确定最优植物生长预测结果，并获取与所述最优植物生长预测结果相对应的温室控制参数作为推荐温室控制参数。
根据本公开的一个示例，所述植物生长预测装置还包括参数调整单元，所述参数调整单元被配置为：获取在所述预定时间段后的植物状态数据；基于所述植物生长预测结果与所述预定时间段后的植物状态数据，确定预测损失；以及基于所述预测损失，调整所述预测单元的至少一部分参数。
根据本公开的一个示例，其中，所述预测单元还被配置为基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成所述预测时间段内的温室内预测天气状态。
根据本公开的一个示例，其中，所述温室控制参数包括所述预定时间段内温室内的温度、二氧化碳浓度、开灯时间、关灯时间、开始浇水时间和停止浇水时间中的一个或多个；所述天气数据包括所述预定时间段内温室外的光照强度、温度、湿度、风速、虚拟天空温度以及温室内的历史温度、历史湿度、历史二氧化碳浓度和历史光照强度中的一个或多个；所述植物状态数据包括植物在预测开始时间点的已种植日数、叶面积指数、植物重量、植物枝叶数、累计果实湿重、累计果实干重、累计果实数量中的一个或多个；以及，所述植物生长预测结果包括植物在所述预定时间段后的叶面积指数、茎密度、果实数、累计收获果实湿重、累计收获果实干重中的一个或多个。
根据本公开的一个示例，其中，所述第一、第二、第三子模型中的每一个是神经网络、循环神经网络、卷积网络、树模型、支持向量机或者它们的组合。
根据本公开的一个示例，其中，所述预测单元通过以下方法进行训练：获取植物生长训练数据，所述植物生长训练数据包括：温室控制训练参数、天气训练数据、植物状态训练数据以及参考结果数据；利用第一子模型根据所述温室控制训练参数生成第一训练特征向量；利用第二子模型根据所述天气训练数据生成第二训练特征向量；利用第三子模型根据所述植物状态训练数据生成第三训练特征向量；以及基于所述第一训练特征向量、所述第二训练特征向量和所述第三训练特征向量，生成植物生长预测结果；确定所述植物生长预测结果与所述参考结果数据之间的损失函数；利用所述损失函数对所述预测单元进行训练。
根据本公开的一个示例，其中，所述植物生长训练数据来自于下列中的一个或多个：利用物理模拟器产生的模拟种植数据、真实温室的真实种植数据以及通过向所述模拟种植数据和真实种植数据添加噪声而得到的扩充数据集。
根据本公开的一个示例，其中，所述损失函数为所述植物生长预测结果与所述参考结果数据之间的均方误差，并且其中，利用所述损失函数对所述预测单元进行训练包括：通过使所述损失函数最小来对所述预测单元进行训练。
根据本公开的另一方面，提供了一种植物生长预测设备，包括：一个或多个处理器；和一个或多个存储器，其中所述存储器中存储有计算机可读代码，所述计算机可读代码在由所述一个或多个处理器运行时，使得所述一个或多个处理器执行上述植物生长预测方法。
根据本公开的另一方面，提供了一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行上述植物生长预测方法。
根据本公开的另一方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或者计算机程序包括计算机可读指令，该计算机可读指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机可读指令，处理器执行该计算机可读指令，使得该计算机设备执行上述植物生长预测方法。
根据本公开的上述各个方面的基于机器学习模型的植物生长预测方法、植物生长预测装置和设备以及计算机可读存储介质，通过使用机器学习模型的第一子模型、第二子模型和第三子模型分别对温室控制参数、天气数据和植物状态数据进行处理来生成预定时间段后的植物生长预测结果，能够充分模拟各种因素对植物生长的影响，提高了植物生长预测的精度，并且大大提高了植物生长预测的速度。同时，利用根据本公开的上述各个方面的植物生长预测方法、植物生长预测装置和设备以及计算机可读存储介质，还能够提供可以产生最优植物生长预测结果的推荐温室控制参数，以为温室植物种植提供有利的指导。
附图说明
通过结合附图对本公开实施例进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显。附图用来提供对本公开实施例的进一步理解，并且构成说明书的一部分，与本公开实施例一起用于解释本公开，并不构成对本公开的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1示出了用于根据本公开实施例的植物预测生长方法的机器学习模型的示例架构；
图2A是根据本公开实施例的基于机器学习模型的植物生长预测方法200的流程图；
图2B示出了用于根据本公开实施例的植物生长预测方法200的机器学习模型的架构；
图3示出了M-P神经元模型的示意图；
图4示出了神经网络的结构示意图；
图5示出了用于根据本公开实施例的植物预测生长方法的机器学习模型的示例；
图6示出了根据本公开实施例的示例的机器学习模型的训练方法600的流程图；
图7示出了根据本公开实施例的示例的温室控制参数推荐方法700的流程图；
图8示出了根据本公开实施例的基于机器学习模型的植物生长预测装置800的结构示意图；
图9示出了根据本公开实施例的示例性计算设备的架构的示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本公开一部分的实施例，而不是全部的实施例。基于本公开中的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本公开保护的范围。
根据本公开实施例的植物生长预测方法利用机器学习模型对植物生长进行预测，首先结合图1说明用于根据本公开实施例的植物预测生长方法的机器学习模型的示例架构。如图1所示，机器学习模型可以包括一个或多个子模型，机器学习模型可以接收与温室内植物生长相关联的不同类别的输入数据，并输出不同类别的输出数据。机器学习模型的多个子模型可以采用平行结构，即不同子模型分别对不同类别的输入数据进行处理。机器学习模型的多个子模型中的每一个可以是神经网络、循环神经网络、卷积网络、树模型、支持向量机或者它们的组合，本公开对此不做具体限定。
假定将K类输入数据输入包括N个子模型的机器学习模型，并输出L类输出数据，则该示例架构的输入输出关系可以描述为以下表达式：
Y1,Y2…YL＝Net(X1,X2,…XK) (1)
其中，X1，X2……XK分别表示不同类别的输入数据；Y1，Y2……YL表示不同类别的输出数据；Net()表示机器学习模型的算法公式，该算法公式根据所使用的不同算法和机器学习模型的不同结构而变化。其中，输入数据的类别数K、子模型的数量N以及输出数据的类别数L可以彼此相等也可以彼此不同，或者输入数据的类别数K可以与子模型的数量N相等，但不同于输出数据的类别数L。
下面参照图2A和图2B描述根据本公开实施例的基于机器学习模型的植物生长预测方法。图2A是根据本公开实施例的基于机器学习模型的植物生长预测方法200的流程图，图2B示出了用于根据本公开实施例的植物生长预测方法200的机器学习模型的架构。该用于植物生长预测方法的机器学习模型例如可以包括第一子模型、第二子模型和第三子模型，如图2B所示。
如图2A所示，在步骤S210处，获取温室控制参数、天气数据和植物状态数据。温室控制参数、天气数据和植物状态数据为可能影响温室内植物生长的不同类别的参数。根据本公开实施例的一个示例，植物状态数据为预测开始时间点的植物状态数据，温室控制参数和天气数据为从预测开始时间起预定时间段内的温室控制参数和天气数据。例如，预测开始时间点可以为预测日0点，预定时间段可以为24小时，则植物状态数据为预测日0点时的植物状态数据，温室控制参数和天气数据为从预测日0点开始24小时内的温室控制参数和天气数据。应当理解的是，预测开始时间点和预定时间段不限于这里公开的具体数值，而是可以根据实际需要选择合适的值。
根据本公开实施例的一个示例，温室控制参数可以包括预定时间段内温室内的温度、二氧化碳浓度、开灯时间、关灯时间、开始浇水时间和停止浇水时间等等中的一个或多个。天气数据可以包括预定时间段内温室外的光照强度、温度、湿度、风速、虚拟天空温度以及温室内的历史温度、历史湿度、历史二氧化碳浓度和历史光照强度等等中的一个或多个。植物状态数据可以包括植物在预测开始时间点的已种植日数、叶面积指数、植物重量、植物枝叶数、累计果实湿重、累计果实干重、累计果实数量中等等的一个或多个。
例如，在预测开始时间点为预测日0点，预定时间段为24小时的情况下，温室控制参数可以包括预测日24小时内温室内设置的温度和二氧化碳浓度以及开灯时间、关灯时间、开始浇水时间和停止浇水时间等等中的一个或多个；天气数据可以包括预测日24小时的温室外的光照强度、温度、湿度、风速、虚拟天空温度，以及预测日前一天24小时的温室内的温度、湿度、二氧化碳浓度和光照强度等等中的一个或多个；植物状态数据可以包括植物在预测日0点时的已种植日数、叶面积指数、植物重量、植物枝叶数、累计果实湿重、累计果实干重、累计果实数量等等中的一个或多个。
回到图2A，在步骤S220可以采用三个子模型分别对温室控制参数、天气数据、以及植物状态数据进行处理，以得到分别与温室控制参数、天气数据、以及植物状态数据相对应的第一特征向量、第二特征向量和第三特征向量。具体地，步骤S220可以包括三个子步骤S221、S222和S223。在步骤S221中，利用第一子模型根据温室控制参数生成第一特征向量；在步骤S222中，利用第二子模型根据天气数据生成第二特征向量；在步骤S223中，利用第三子模型根据植物状态数据生成第三特征向量。根据本公开实施例的一个示例，第一、第二和第三子模型中的每一个可以是神经网络、循环神经网络、卷积网络、树模型、支持向量机或者它们的组合，本公开对此不做具体限定。需要说明的是，虽然在图2A中以先后顺序示出了步骤S221、S222和S223，但是本公开不限于图2A中所示的具体顺序，步骤S221、S222和S223也可以同时进行或者采用其他合适的顺序进行。例如，第一、第二和第三子模型可以是彼此平行的结构，这种结构能够针对不同类别的输入数据进行处理，从而能够很好地提取不同类别的输入数据中的信息。
另外，需要说明的是，虽然这里用于根据本公开实施例的植物生长预测方法的机器学习模型包括三个子模型，但是本公开不限于此，用于根据本公开实施例的植物生长预测方法的机器学习模型可以根据实际需要设置更多或更少个子模型。
接下来，在步骤S230中，基于第一特征向量、第二特征向量和第三特征向量，生成预定时间段后的植物生长预测结果。根据本公开实施例的一个示例，植物生长预测结果例如可以包括预定时间段后植物的叶面积指数、茎密度、果实数、累计收获果实湿重、累计收获果实干重等等中的一个或多个。此外，根据本公开实施例的一个示例，在步骤S230中，还可以基于第一特征向量、第二特征向量和第三特征向量生成预定时间段内的温室内预测天气状态，其中，温室内预测天气状态例如可以包括预定时间段内温室内的温度、湿度、二氧化碳浓度、光照强度等等中的一个或多个。根据本公开实施例的一个示例，所生成的温室内预测天气状态可以是在预定时间段内的温室内预测天气状态的时间序列。例如，在预定时间段为24小时的情况下，所生成的温室内预测天气状态可以包括预测日24小时内温室内的温度、湿度、二氧化碳浓度、光照强度等等中的一个或多个在每个小时的数值。
此外，用于根据本公开实施例的植物生长预测方法的机器学习模型还可以包括第四子模型。在步骤S230中，基于第一特征向量、第二特征向量和第三特征向量生成预定时间段后的植物生长预测结果可以包括：对第一特征向量、第二特征向量和第三特征向量进行拼接以得到拼接的特征向量；利用第四子模型根据拼接的特征向量生成植物生长预测结果。这里，第四子模型例如可以是神经网络、循环神经网络、卷积网络、树模型、支持向量机或者它们的组合，本公开对此不做具体限定。例如，可以利用向量拼接函数(concat函数)对第一特征向量、第二特征向量和第三特征向量进行拼接，但本公开不限于此，也可以使用其他合适的函数对第一、第二和第三特征向量进行拼接。
下面以人工神经网络为例对上述步骤S220和S230进行进一步的说明，在该示例中，第一、第二、第三和第四子模型中的每一个均为人工神经网络。首先，对人工神经网络进行简单介绍。
人工神经网络在工程与学术界也常常简称为神经网络或类神经网络，它通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络的基本组成单元是神经元模型，例如经典的M-P人工神经元模型，如图3所示，一个神经元从输入或者其他神经元接收输入信号，对接收到的信号进行加权求和，然后经过激活函数处理后输出。单个神经元的工作流程可以分为加权求和以及激活两个步骤，设某个神经元的输入向量为x＝(x1,x2,…xn)，权重矩阵为w＝(w1,w2,…wn)，则该神经元的输出y(x)可以表示为：
Figure BDA0002677275270000101
其中，xi表示输入向量x的第i维的值(i＝0,1,…n)；wi表示权重矩阵w中与xi对应的第i维的值；b表示神经元的偏置；f()为神经元的激活函数，用于引入非线性元素，即在线性加权求和后经由一个非线性激活函数得到神经元的输出。
人工神经网络由一层层的神经元组成，如图4所示，图4示出了人工神经网络的结构示意图。简单的神经网络例如可以包括三层，第一层为输入层，中间层称为隐藏层，最后一层为输出层。输入信号或输入特征经过输入层传给隐藏层，逐层经过神经元计算最后由输出层输出，在层与层之间都会通过激活函数增加非线性表达能力，这个过程被称为前向传播。
图5示出了用于根据本公开实施例的植物预测生长方法的机器学习模型的示例，其中，第一子模型为第一神经网络，第一神经网络接收温室控制参数，并输出第一特征向量；第二子模型为第二神经网络，第二神经网络接收天气数据并输出第二特征向量；第三子模型为第三神经网络，第三神经网络接收植物状态数据进行处理，并输出第三特征向量；第四子模型为第四神经网络，第四神经网络接收第一特征向量、第二特征向量和第三特征向量，并输出植物生长预测结果和温室内预测天气状态。这里，用向量C表示温室控制参数，例如，温室控制参数的维度可以为52，则C＝[c0,c1,c2,…,c51]；用向量T表示天气数据，例如，天气数据的维度可以为219，则T＝[t0,t1,t2,…,t218]；用向量P表示植物状态数据，例如，植物状态数据的维度可以为4，则P＝[p0,p1,p2,p3]。在该示例中，假定第一、第二、第三和第四神经网络中的每一个包括一个输入层、两个隐藏层和一个输出层，如图5所示，则第一特征向量y1、第二特征向量y2、第三特征向量y3以及第四神经网络生成的模型的输出向量y4可以表示为：
y1＝f(W12·f(W11·C+b11)+b12) (3)
y2＝f(W22·f(W21·T+b21)+b22) (4)
y3＝f(W32·f(W31·P+b31)+b32) (5)
y′＝concat(y1,y2,y3) (6)
y4＝f(W42·f(W41·y′+b41)+b42) (7)
其中，W11和W12分别为第一神经网络的两个隐藏层的权重矩阵，b11和b12分别为第一神经网络的两个隐藏层的偏置。类似地，W21、W22和b21、b22分别为第二神经网络的两个隐藏层的权重矩阵以及偏置；W31、W32和b31、b32分别为第三神经网络的两个隐藏层的权重矩阵以及偏置；W41、W42和b41、b42分别为第四神经网络的两个隐藏层的权重矩阵以及偏置。其中，concat()为拼接函数，用于对第一特征向量y1、第二特征向量y2和第三向量y3进行拼接，以得到拼接的特征向量y'。第四神经网络根据拼接的特征向量y'输出向量y4，输出向量y4可以是包括植物生长预测结果的向量，也可以是包括植物生长预测结果和温室内预测天气状态两者的向量，例如，y4的维度可以为102维。
需要说明的是，在上述示例中，对输入数据和输出数据的维度进行了举例说明，但是本公开不限于这里给出的具体数值，输入的温室控制参数、天气数据和植物状态数据以及输出向量的维度也可以是任意其他合适的数值。此外，需要说明的是，虽然这里以输入数据包括温室控制参数、天气数据和植物状态数据，输出数据包括植物生长状态和温室内预测天气状态为例进行说明，但是本公开不限于此，也可以根据实际应用需求以及模型优化的需求，调节输入数据和输出数据的类别以及各类别的维度，以进一步优化模型的性能。
下面结合图6对用于植物生长预测方法200的机器学习模型的训练方法进行说明。图6示出了根据本公开实施例的示例的机器学习模型的训练方法600的流程图。
如图6所示，在步骤S610中，获取植物生长训练数据。植物生长训练数据可以包括温室控制训练参数、天气训练数据、植物状态训练数据以及参考结果数据。根据本公开实施例的一个示例，用于对机器学习模型进行训练的植物生长训练数据可以来自于下列中的一个或多个：利用物理模拟器产生的模拟种植数据、真实温室的真实种植数据以及通过向所述模拟种植数据和真实种植数据添加噪声而得到的扩充数据集。例如，可以同时使用物理模拟器产生的模拟种植数据以及真实温室的真实种植数据来对机器学习模型进行训练，从而在较好地继承传统物理模拟器的模拟功能的情况下，使得模型的预测结果能够更接近真实温室的种植情况。此外，还可以使用添加了噪声的扩充数据集作为训练数据的一部分，以增强训练后的模型的泛化能力。
在步骤S620中，利用机器学习模型的三个子模型分别根据温室控制训练参数、天气训练数据、植物状态训练数据生成第一训练特征向量、第二训练特征向量和第三训练特征向量。具体地，步骤S620可以包括三个子步骤S621、S622和S623，在步骤S621中，利用第一子模型根据温室控制训练参数生成第一训练特征向量；在步骤S622中，利用第二子模型根据天气训练数据生成第二训练特征向量；在步骤S630中，利用第三子模型根据植物状态训练数据生成第三训练特征向量。例如，在第一、第二和第三子模型中的每一个均为包括两个隐藏层的神经网络的情况下，可以根据上述公式(3)-(5)来生成第一训练特征向量、第二训练特征向量和第三训练特征向量。需要说明的是，虽然在图6中以先后顺序示出了步骤S621、S622和S623，但是本公开不限于图6中所示的具体顺序，步骤S621、S622和S623也可以同时进行或者采用其他合适的顺序进行。
接下来，在步骤S630中，基于第一训练特征向量、第二训练特征向量和第三训练特征向量，生成植物生长预测结果。根据本公开实施例的一个示例，可以对第一训练特征向量、第二训练特征向量和第三训练特征向量进行拼接以得到拼接的训练特征向量，并利用第四子模型根据拼接的训练特征向量生成植物生长预测结果。
接下来，在步骤S640中，确定植物生长预测结果与参考结果数据之间的损失函数。根据本公开实施例的一个示例，可以计算植物生长预测结果与参考结果数据之间的均方误差作为损失函数。然后，在步骤S650中，利用损失函数对机器学习模型进行训练。根据本公开实施例的一个示例，可以通过使损失函数最小来对机器学习模型进行训练。
下面以神经网络为例对根据本公开实施例的机器学习模型的训练方法600进行进一步的说明，在该示例中，第一、第二、第三和第四子模型中的每一个均为神经网络。
神经网络的训练通常使用梯度反向传播算法，反向传播算法是一种基于模型拟合误差的训练方法，能有效节省计算资源，其主要步骤是经由前向传播得到输出后，使用自定义的损失函数计算模型输出与真实值之间的误差；然后使用链式求导从输出层、隐藏层到输入层逐层计算该误差对于每个神经元的梯度，并使用梯度更新神经元的权重；不断迭代重复调整神经元权重直到收敛，使得模型的输出与实际值尽可能接近，达到训练神经网络的目的。以包括输入层、隐藏层和输出层的三层全连接网络为例，假定损失函数为J，对于隐藏层中第i个神经元的权重wij，可以通过链式求导法计算其梯度：
Figure BDA0002677275270000131
其中，Outputj为神经网络输出层的第j个输出，wij表示隐藏层中第i个神经元的权重。以梯度下降策略更新神经元的参数为例，神经元的权重更新公式为：
wn+1＝wn+ηΔw (9)
其中，Δ表示负梯度；η表示学习率，其决定了模型的收敛速度。
在该示例中，以第一、第二、第三和第四子模型分别为第一、第二、第三和第四神经网络为例对训练方法600进行说明，如图5所示，并且假定第一、第二、第三和第四神经网络中的每一个包括一个输入层、两个隐藏层和一个输出层。例如，第四神经网络可以根据上述公式(7)生成包括植物生长预测结果和温室内预测天气状态的输出向量y4。例如，可以选择均方误差作为模型训练的损失函数J，假定参考结果数据即真实值为yt，则损失函数可以表示为：
J(θ)＝∑i(yti-y4i)2 (10)
其中，y4i和yti分别表示模型输出向量的第i个值和对应的真实值。
在训练过程中，将根据公式(10)得到的损失函数代入到上述公式(8)和(9)来对神经元的权重进行更新。例如，可以采用批量梯度下降法来对神经元的权重进行更新，批次例如可以设置为64。例如，可以采用亚当(Adam)优化器来对神经元的权重进行更新。通过不断更新第一、第二、第三和第四神经网络中的神经元的权重，以使损失函数尽可能最小，从而使模型的预测精度尽可能最高。
上面以神经网络为例对根据本公开实施例的机器学习模型的训练方法进行了说明。应当理解的是，虽然上述以梯度下降法为例并结合公式(8)-(9)进行了说明，但是本公开不限于这里公开的具体方法，也可以采用其他合适的方法来对根据本公开实施例的机器学习模型的参数进行优化更新。
通过上述方法训练的用于植物生长预测的机器学习模型能够根据输入的温室控制参数、天气数据和植物状态数据，生成预定时间段后的植物生长预测结果，能够充分模拟各种因素对植物生长的影响，提高了植物生长预测的精度，并且大大提高了植物生长预测的速度。
另外，利用根据本公开实施例的基于机器学习模型的植物生长预测方法200还能够为温室植物种植提供可以产生最优植物生长预测结果的推荐温室控制参数，以对温室植物种植提供有利的指导。
根据本公开实施例的一个示例，可以通过如图7所示的方法来确定推荐温室控制参数。图7示出了根据本公开实施例的示例的温室控制参数推荐方法700的流程图。如图7所示，在步骤S710中，遍历温室控制参数中的每个参数的每个候选值，利用每个参数的每个候选值来更新温室控制参数。例如，如前面提到的，在预定时间段为24小时的情况下，温室控制参数可以包括预测日24小时内温室内设置的温度和二氧化碳浓度以及开灯时间、关灯时间、开始浇水时间和停止浇水时间，即，温室控制参数可以是维度为52的向量，则可以遍历温室控制参数的52个参数中的每个参数的每个候选值，并利用每个参数的每个候选值来更新温室控制参数。
接下来，在步骤S720中，根据每个更新的温室控制参数，生成其对应的植物生长预测结果，以得到多个植物生长预测结果。具体地，将每个更新的温室控制参数、天气数据和植物状态数据分别输入到第一、第二和第三子模型，并利用根据本公开实施例的植物生长预测方法200生成对应的植物生长预测结果；重复该过程，以生成多个植物生长预测结果。
接下来，在步骤S730中，基于多个植物生长预测结果，确定最优植物生长预测结果。例如，可以将植物生长预测结果中的累计收获果实干重作为评价指标，即将累计收获果实干重最大的植物生长预测结果确定为最优植物生长预测结果。然后，在步骤S740中，获取与该最优植物生长预测结果相对应的温室控制参数作为推荐温室控制参数。
温室控制参数推荐方法700例如可以通过诸如网格搜索算法、遗传算法等的搜索算法来实现，但是本公开不限于此，也可以通过其他合适的算法来实现。
根据本公开实施例的另一示例，还可以利用强化学习模型来确定推荐温室控制参数。强化学习是机器学习的方法论之一，用于描述和解决智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。在该示例中，可以将根据本公开实施例的机器学习模型与强化学习模型进行交互，其中，将根据本公开实施例的机器学习模型作为环境，将强化学习模型作为智能体，并且将植物生长预测结果作为奖励，例如，可以将植物生长预测结果中的累计收获果实干重作为奖励来对强化学习模型进行训练，使得训练后的强化学习模型能够实时地与根据本公开实施例的机器学习模型进行交互，并输出推荐温室控制参数。
另外，在利用根据本公开实施例的基于机器学习模型的植物生长预测方法200进行温室植物种植的过程中，随着真实温室数据的增多，还可以利用增加的真实温室数据对根据本公开实施例的机器学习模型进行微调，以不断提高植物生长预测的准确度。根据本公开实施例的一个示例，对根据本公开实施例的机器学习模型进行微调的过程例如可以包括以下步骤：获取在预定时间段后的植物状态数据；基于植物生长预测结果与预定时间段后的植物状态数据，确定预测损失；以及基于预测损失，调整机器学习模型的至少一部分参数。
上面结合图1至图7描述了根据本公开实施例的基于机器学习模型的植物生长预测方法，通过使用机器学习模型的第一子模型、第二子模型和第三子模型分别对温室控制参数、天气数据和植物状态数据进行处理来生成预定时间段后的植物生长预测结果，能够充分模拟各种因素对植物生长的影响，提高了植物生长预测的精度，并且大大提高了植物生长预测的速度。另外，利用根据本公开实施例的基于机器学习模型的植物生长预测方法还能够提供可以产生最优植物生长预测结果的推荐温室控制参数，以为温室植物种植提供有利的指导。另外，利用根据本公开实施例的基于机器学习模型的植物生长预测方法还能够利用在温室植物种植过程中增加的真实温室数据对根据本公开实施例的机器学习模型进行微调，以不断提高植物生长预测的准确度。
下面结合图8对根据本公开实施例的基于机器学习模型的植物生长预测装置进行描述。图8示出了根据本公开实施例的基于机器学习模型的植物生长预测装置800的结构示意图。由于植物生长预测装置800与上文参照图2A描述的植物生长预测方法的细节相同，因此在这里为了简单起见，省略对相同内容的详细描述。如图8所示，植物生长预测装置800包括输入单元810，预测单元820以及输出单元830。除了这三个单元以外，植物生长预测装置800还可以包括其他部件，然而，由于这些部件与本公开实施例的内容无关，因此在这里省略其图示和描述。
输入单元810被配置为接收温室控制参数、天气数据和植物状态数据。温室控制参数、天气数据和植物状态数据为可能影响温室内植物生长的不同类别的参数。根据本公开实施例的一个示例，植物状态数据为预测开始时间点的植物状态数据，温室控制参数和天气数据为从预测开始时间起预定时间段内的温室控制参数。例如，预测开始时间点可以为预测日0点，预定时间段可以为24小时，则植物状态数据为预测日0点时的植物状态数据，温室控制参数和天气数据为从预测日0点开始24小时内的温室控制参数。应当理解的是，预测开始时间点和预定时间段不限于这里公开的具体数值，而是可以根据实际需要选择合适的值。
根据本公开实施例的一个示例，温室控制参数可以包括预定时间段内温室内的温度、二氧化碳浓度、开灯时间、关灯时间、开始浇水时间和停止浇水时间等等中的一个或多个。天气数据可以包括预定时间段内温室外的光照强度、温度、湿度、风速、虚拟天空温度以及温室内的历史温度、历史湿度、历史二氧化碳浓度和历史光照强度等等中的一个或多个。植物状态数据可以包括植物在预测开始时间点的已种植日数、叶面积指数、植物重量、植物枝叶数、累计果实湿重、累计果实干重、累计果实数量中等等的一个或多个。
例如，在预测开始时间点为预测日0点，预定时间段为24小时的情况下，温室控制参数可以包括预测日24小时内温室内设置的温度和二氧化碳浓度以及开灯时间、关灯时间、开始浇水时间和停止浇水时间等等中的一个或多个；天气数据可以包括预测日24小时的温室外的光照强度、温度、湿度、风速、虚拟天空温度，以及预测日前一天24小时的温室内的温度、湿度、二氧化碳浓度和光照强度等等中的一个或多个；植物状态数据可以包括植物在预测日0点时的已种植日数、叶面积指数、植物重量、植物枝叶数、累计果实湿重、累计果实干重、累计果实数量等等中的一个或多个。
预测单元820可以包括机器学习模型，该机器学习模型具有第一子模型821，第二子模型822和第三子模型823，并且预测单元820被配置为：利用第一子模型821根据温室控制参数生成第一特征向量，利用第二子模型822根据天气数据生成第二特征向量，利用第三子模型823根据植物状态数据生成第三特征向量，并基于第一特征向量、第二特征向量和第三特征向量，生成预定时间段后的植物生长预测结果。根据本公开实施例的一个示例，第一子模型821、第二子模型822和第三子模型833中的每一个可以是神经网络、循环神经网络、卷积网络、树模型、支持向量机或者它们的组合，本公开对此不做具体限定。例如，第一子模型821、第二子模型822和第三子模型833可以是彼此平行的结构，这种结构能够针对不同类别的输入数据进行处理，从而能够很好地提取不同类别的输入数据中的信息。
需要说明的是，虽然在上述示例中，第一子模型821、第二子模型822和第三子模型833分别对温室控制参数、天气数据和植物状态数据进行处理，但本公开不限于此，第一子模型821、第二子模型822和第三子模型833也可以采用级联结构，即逐级对所有输入数据进行处理。另外，需要说明的是，虽然这里公开的预测单元820包括三个子模型，但是本公开不限于此，预测单元820可以根据实际需要设置更多或更少个子模型。
根据本公开实施例的一个示例，植物生长预测结果例如可以包括预定时间段后植物的叶面积指数、茎密度、果实数、累计收获果实湿重、累计收获果实干重等等中的一个或多个。此外，根据本公开实施例的一个示例，预测单元820还被配置为基于第一特征向量、第二特征向量和第三特征向量生成预定时间段内的温室内预测天气状态，其中，温室内预测天气状态例如可以包括预定时间段内温室内的温度、湿度、二氧化碳浓度、光照强度等等中的一个或多个。根据本公开实施例的一个示例，所生成的温室内预测天气状态可以是在预定时间段内的温室内预测天气状态的时间序列。例如，在预定时间段为24小时的情况下，所生成的温室内预测天气状态可以包括预测日24小时内温室内的温度、湿度、二氧化碳浓度、光照强度等等中的一个或多个在每个小时的数值。
此外，需要说明的是，虽然这里以输入数据包括温室控制参数、天气数据和植物状态数据，输出数据包括植物生长状态和温室内预测天气状态为例进行说明，但是本公开不限于此，也可以根据实际应用需求以及模型优化的需求，调节输入数据和输出数据的类别以及各类别的维度，以进一步优化预测单元的性能。
此外，预测单元820还可以包括第四子模型824，并且预测单元820还被配置为：对第一特征向量、第二特征向量和第三特征向量进行拼接以得到拼接的特征向量；利用第四子模型824根据拼接的特征向量生成植物生长预测结果。这里，第四子模型例如可以是神经网络、循环神经网络、卷积网络、树模型、支持向量机或者它们的组合，本公开对此不做具体限定。例如，可以利用concat拼接函数对第一特征向量、第二特征向量和第三特征向量进行拼接，但本公开不限于此，也可以使用其他合适的函数对第一、第二和第三特征向量进行拼接。
下面以人工神经网络为例对对预测单元820进行进一步的说明，在该示例中，预测单元820的第一、第二、第三和第四子模型中的每一个都可以是人工神经网络。如图5所示，其中，第一子模型821为第一神经网络，第一神经网络接收温室控制参数，并输出第一特征向量；第二子模型822为第二神经网络，第二神经网络接收天气数据并输出第二特征向量；第三子模型823为第三神经网络，第三神经网络接收植物状态数据进行处理，并输出第三特征向量；第四子模型824为第四神经网络，第四神经网络接收第一特征向量、第二特征向量和第三特征向量，并输出植物生长预测结果和温室内预测天气状态。在该示例中，假定第一、第二、第三和第四神经网络中的每一个包括一个输入层、两个隐藏层和一个输出层，如图5所示，则第一特征向量y1、第二特征向量y2、第三向量y3以及第四神经网络生成的模型的输出向量y4可以表示为上述公式(3)-(7)。
预测单元820的训练方法与上文结合图6描述的用于植物生长预测方法200的机器学习模型的训练方法600类似，因此在这里为了简单起见，省略对相同内容的详细描述。
此外，利用根据本公开实施例的植物生长预测装置800还包括温室控制参数推荐单元840，温室控制参数推荐单元840能够为温室植物种植提供可以产生最优植物生长预测结果的推荐温室控制参数，以对温室植物种植提供指导。
根据本公开实施例的一个示例，输入单元810还可以被配置为遍历温室控制参数中的每个参数的每个候选值，利用每个参数的每个候选值来更新温室控制参数；预测单元820还可以被配置为根据每个更新的温室控制参数，生成其对应的植物生长预测结果，以得到多个植物生长预测结果；温室控制参数推荐单元840可以被配置为基于多个植物生长预测结果，确定最优植物生长预测结果，并获取与该最优植物生长预测结果相对应的温室控制参数作为推荐温室控制参数。例如，如前面提到的，在预定时间段为24小时的情况下，温室控制参数可以包括预测日24小时内温室内设置的温度和二氧化碳浓度以及开灯时间、关灯时间、开始浇水时间和停止浇水时间，即，温室控制参数可以是维度为52的向量，则可以遍历温室控制参数的52个参数中的每个参数的每个候选值，并利用个参数的每个候选值来更新温室控制参数。将每个更新的温室控制参数、天气数据和植物状态数据分别输入到预测单元820的第一、第二和第三子模型，以生成对应的植物生长预测结果；重复该过程，以生成多个植物生长预测结果。例如，可以将植物生长预测结果中的累计收获果实干重作为评价指标，即将累计收获果实干重最大的植物生长预测结果确定为最优植物生长预测结果。
温室控制参数推荐单元840例如可以通过诸如网格搜索算法、遗传算法等的搜索算法来实现，但是本公开不限于此，也可以通过其他合适的算法来实现。
根据本公开实施例的另一个示例，还可以利用强化学习模型来确定推荐温室控制参数。强化学习是机器学习的方法论之一，用于描述和解决智能体在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。在该示例中，可以将预测单元820与强化学习模型进行交互，其中，将预测单元820作为环境，将强化学习模型作为智能体，并且将植物生长预测结果作为奖励，例如，可以将植物生长预测结果中的累计收获果实干重作为奖励来对预测单元820进行训练，使得训练后的强化学习模型能够实时地与预测单元820进行交互，并输出推荐温室控制参数。
另外，在利用根据本公开实施例的植物生长预测装置800进行温室植物种植的过程中，随着真实温室数据的增多，还可以利用增加的真实温室数据对根据本公开实施例的预测单元820进行微调，以不断提高植物生长预测的准确度。根据本公开实施例的一个示例，植物生长预测装置800还可以包括参数调整单元850，其被配置为：获取在预定时间段后的植物状态数据；基于植物生长预测结果与预定时间段后的植物状态数据，确定预测损失；以及基于预测损失，调整预测单元的至少一部分参数。
上面描述了根据本公开实施例的植物生长预测装置，通过使用预测单元的第一子模型、第二子模型和第三子模型分别对温室控制参数、天气数据和植物状态数据进行处理来生成预定时间段后的植物生长预测结果，能够充分模拟各种因素对植物生长的影响，提高了植物生长预测的精度，并且大大提高了植物生长预测的速度。另外，利用根据本公开实施例的植物生长预测装置还能够提供可以产生最优植物生长预测结果的推荐温室控制参数，以为温室植物种植提供有利的指导。另外，利用根据本公开实施例的植物生长预测装置还能够利用在温室植物种植过程中增加的真实温室数据对根据本公开实施例的预测单元进行微调，以不断提高植物生长预测的准确度。
根据本公开实施例的基于机器学习模型的植物生长预测方法和植物预测装置可以用于多种应用场景，例如，可以用于种植策略规划，即在种植准备阶段确定整个种植周期的种植策略，如在植物的发芽期、生长期、坐果期制定不同的种植策略；可以用于实时植物生长状态预测，即在温室种植期间实时模拟植物的生长状态，预防病虫害等不利因素的影响，同时可对诸如剪枝等植物管理带来的影响进行精细预测；可以用于制定极端天气应急措施，即在种植期间使用天气预报数据实时进行植物生长状态预测并实时地调整调整种植策略，同时对于极端天气状态如倒春寒、台风等气候带来的影响进行模拟，以制定相应的极端天气应急控制措施；可以用于种植策略复盘分析，即在种植结束后，结合温室中植物的生长状态和收成结果，对不同温室在不同时期的种植策略进行复盘模拟，分析种植策略的有效性，以改进下一期种植策略。
此外，根据本公开实施例的设备(例如，植物生长预测设备等)也可以借助于图9所示的示例性计算设备的架构来实现。图9示出了根据本公开实施例的示例性计算设备的架构的示意图。如图9所示，计算设备900可以包括总线910、一个或多个CPU 920、只读存储器(ROM)930、随机存取存储器(RAM)940、连接到网络的通信端口950、输入/输出组件960、硬盘970等。计算设备900中的存储设备，例如ROM 930或硬盘970可以存储计算机处理和/或通信使用的各种数据或文件以及CPU所执行的程序指令。计算设备900还可以包括用户界面980。当然，图9所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图9示出的计算设备中的一个或多个组件。
本公开的实施例也可以被实现为计算机可读存储介质。根据本公开实施例的计算机可读存储介质上存储有计算机可读指令。当计算机可读指令由处理器运行时，可以执行参照以上附图描述的根据本公开实施例的植物生长预测方法。计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。
根据本公开的实施例，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或者计算机程序包括计算机可读指令，该计算机可读指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机可读指令，处理器执行该计算机可读指令，使得该计算机设备执行上述各个实施例中描述的植物生长预测方法。
本领域技术人员能够理解，本公开所披露的内容可以出现多种变型和改进。例如，以上所描述的各种设备或组件可以通过硬件实现，也可以通过软件、固件、或者三者中的一些或全部的组合实现。
此外，如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样，“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。
此外，本公开中使用了流程图用来说明根据本公开实施例的实施例的系统所执行的操作。应当理解的是，前面或下面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各种步骤。同时，也可以将其他操作叠加到这些过程中，或从这些过程移除某一步或数步操作。
除非另有定义，这里使用的所有术语(包括技术和科学术语)具有与本公开所属领域的普通技术人员共同理解的相同含义。还应当理解，诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义，而不应用理想化或极度形式化的意义来解释，除非这里明确地这样定义。
以上对本公开进行了详细说明，但对于本领域技术人员而言，显然，本公开并非限定于本说明书中说明的实施方式。本公开在不脱离由权利要求书的记载所确定的本公开的宗旨和范围的前提下，可以作为修改和变更方式来实施。因此，本说明书的记载是以示例说明为目的，对本公开而言并非具有任何限制性的意义。

Claims (15)

1.一种基于机器学习模型的植物生长预测方法，所述机器学习模型包括第一子模型、第二子模型和第三子模型，所述植物生长预测方法包括：
获取温室控制参数、天气数据和植物状态数据；
利用第一子模型根据所述温室控制参数生成第一特征向量；
利用第二子模型根据所述天气数据生成第二特征向量；
利用第三子模型根据所述植物状态数据生成第三特征向量；以及
基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成预定时间段后的植物生长预测结果。
2.根据权利要求1所述的植物生长预测方法，其中，所述机器学习模型还包括第四子模型，所述基于所述第一特征向量、所述第二特征向量和所述第三特征向量生成植物生长预测结果包括：
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行拼接以得到拼接的特征向量；
利用第四子模型根据所述拼接的特征向量生成所述植物生长预测结果。
3.根据权利要求1或2所述的植物生长预测方法，其中，
所述获取温室控制参数包括：遍历所述温室控制参数中的每个参数的每个候选值，利用所述每个参数的每个候选值，更新所述温室控制参数；
所述生成预定时间段后的植物生长预测结果包括：根据每个更新的温室控制参数，生成其对应的植物生长预测结果，以得到多个植物生长预测结果。
4.根据权利要求3所述的植物生长预测方法，所述植物生长预测方法还包括：
基于所述多个植物生长预测结果，确定最优植物生长预测结果；
获取与所述最优植物生长预测结果相对应的温室控制参数作为推荐温室控制参数。
5.根据权利要求1或2所述的植物生长预测方法，还包括：
获取在所述预定时间段后的植物状态数据；
基于所述植物生长预测结果与所述预定时间段后的植物状态数据，确定预测损失；以及
基于所述预测损失，调整所述机器学习模型的至少一部分参数。
6.根据权利要求1所述的植物生长预测方法，还包括：
基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成所述预定时间段内的温室内预测天气状态。
7.根据权利要求1所述的植物生长预测方法，其中，
所述温室控制参数包括所述预定时间段内温室内的温度、二氧化碳浓度、开灯时间、关灯时间、开始浇水时间和停止浇水时间中的一个或多个；
所述天气数据包括所述预定时间段内温室外的光照强度、温度、湿度、风速、虚拟天空温度以及温室内的历史温度、历史湿度、历史二氧化碳浓度和历史光照强度中的一个或多个；
所述植物状态数据包括植物在预测开始时间点的已种植日数、叶面积指数、植物重量、植物枝叶数、累计果实湿重、累计果实干重、累计果实数量中的一个或多个；以及
所述植物生长预测结果包括植物在所述预定时间段后的叶面积指数、茎密度、果实数、累计收获果实湿重、累计收获果实干重中的一个或多个。
8.根据权利要求1所述的植物生长预测方法，其中，所述第一、第二、第三子模型中的每一个是神经网络、循环神经网络、卷积网络、树模型、支持向量机或者它们的组合。
9.根据权利要求1所述的植物生长预测方法，其中，所述机器学习模型通过以下方法进行训练：
获取植物生长训练数据，所述植物生长训练数据包括：温室控制训练参数、天气训练数据、植物状态训练数据以及参考结果数据；
利用第一子模型根据所述温室控制训练参数生成第一训练特征向量；
利用第二子模型根据所述天气训练数据生成第二训练特征向量；
利用第三子模型根据所述植物状态训练数据生成第三训练特征向量；以及
基于所述第一训练特征向量、所述第二训练特征向量和所述第三训练特征向量，生成植物生长预测结果；
确定所述植物生长预测结果与所述参考结果数据之间的损失函数；
利用所述损失函数对所述机器学习模型进行训练。
10.根据权利要求9所述的植物生长预测方法，其中，所述植物生长训练数据来自于下列中的一个或多个：利用物理模拟器产生的模拟种植数据、真实温室的真实种植数据以及通过向所述模拟种植数据和真实种植数据添加噪声而得到的扩充数据集。
11.根据权利要求9所述的植物生长预测方法，其中，所述损失函数为所述植物生长预测结果与所述参考结果数据之间的均方误差，并且其中，利用所述损失函数对所述机器学习模型进行训练包括：
通过使所述损失函数最小来对所述机器学习模型进行训练。
12.一种基于机器学习模型的植物生长预测装置，包括：
输入单元，被配置为接收温室控制参数、天气数据和植物状态数据；
预测单元，其包括所述机器学习模型，所述机器学习模型包括第一子模型、第二子模型和第三子模型，所述预测单元被配置为利用所述第一子模型根据所述温室控制参数生成第一特征向量，利用所述第二子模型根据所述天气数据生成第二特征向量，利用所述第三子模型根据所述植物状态数据生成第三特征向量，并基于所述第一特征向量、所述第二特征向量和所述第三特征向量，生成预定时间段后的植物生长预测结果；以及
输出单元，被配置为输出所述植物生长预测结果。
13.根据权利要求12所述的植物生长预测装置，其中，所述预测单元还包括第四子模型，并且所述预测单元还被配置为：
对所述第一特征向量、所述第二特征向量和所述第三特征向量进行拼接以得到拼接的特征向量；
利用第四子模型根据所述拼接的特征向量生成所述植物生长预测结果。
14.一种植物生长预测设备，包括:
一个或多个处理器；和
一个或多个存储器，其中所述存储器中存储有计算机可读代码，所述计算机可读代码在由所述一个或多个处理器运行时，使得所述一个或多个处理器执行如权利要求1-11中任一项所述的植物生长预测方法。
15.一种计算机可读存储介质，其上存储有指令，所述指令在被处理器执行时，使得所述处理器执行如权利要求1-11中任一项所述的植物生长预测方法。
CN202010951923.0A 2020-09-11 2020-09-11 基于机器学习模型的植物生长预测方法、装置和设备 Pending CN112070241A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010951923.0A CN112070241A (zh) 2020-09-11 2020-09-11 基于机器学习模型的植物生长预测方法、装置和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010951923.0A CN112070241A (zh) 2020-09-11 2020-09-11 基于机器学习模型的植物生长预测方法、装置和设备

Publications (1)

Publication Number Publication Date
CN112070241A true CN112070241A (zh) 2020-12-11

Family

ID=73696487

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010951923.0A Pending CN112070241A (zh) 2020-09-11 2020-09-11 基于机器学习模型的植物生长预测方法、装置和设备

Country Status (1)

Country Link
CN (1) CN112070241A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112930926A (zh) * 2021-01-28 2021-06-11 电凯(常州)新能源技术研究院有限公司 一种基于深度学习的植物生产参数调优方法
CN113822523A (zh) * 2021-07-09 2021-12-21 腾讯科技（深圳）有限公司 温室种植模拟系统的训练方法、系统、装置、设备及介质
CN114743100A (zh) * 2022-04-06 2022-07-12 布瑞克(苏州)农业互联网股份有限公司 一种农产品长势监测方法和系统
TWI771845B (zh) * 2020-12-25 2022-07-21 財團法人工業技術研究院 田間作物狀態提示系統及方法
CN116757338A (zh) * 2023-08-21 2023-09-15 浙江天演维真网络科技股份有限公司 农作物产量预测方法、装置、电子设备及存储介质
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
CN118260662A (zh) * 2024-03-27 2024-06-28 华中农业大学 基于机器学习模型的鱼类存塘量估算方法、装置及设备
CN120183155A (zh) * 2025-05-16 2025-06-20 深圳市勘察研究院有限公司 地质灾害预警方法、系统、电子设备及存储介质

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102736596A (zh) * 2012-06-11 2012-10-17 南京农业大学 基于作物信息融合的多尺度温室环境控制系统
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN103093495A (zh) * 2011-11-04 2013-05-08 唐卫东 基于生长模型的单茎植物数字化构建方法
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN105407706A (zh) * 2013-07-10 2016-03-16 赫利奥斯派克特拉股份公司 用于控制植物生长的方法
CN106600048A (zh) * 2016-12-09 2017-04-26 江苏大学 一种预测温室番茄果实生长的方法
CN106803209A (zh) * 2017-01-13 2017-06-06 浙江求是人工环境有限公司 实时数据库和先进控制算法的作物培育模式分析优化方法
CN107944596A (zh) * 2017-10-20 2018-04-20 上海交通大学 一种基于物联网的甜瓜生长管理专家系统
JP2018129007A (ja) * 2017-02-10 2018-08-16 日本電信電話株式会社 学習データ生成装置、学習装置、推定装置、学習データ生成方法及びコンピュータプログラム
CN108537371A (zh) * 2018-03-27 2018-09-14 深圳春沐源控股有限公司 一种生产预测方法及装置
CN109508824A (zh) * 2018-11-07 2019-03-22 西京学院 一种农作物生长态势检测及产量预估方法
CN109558939A (zh) * 2018-10-29 2019-04-02 广东奥博信息产业股份有限公司 一种基于神经网络的作物生长模型选择方法及装置
CN109583301A (zh) * 2018-10-29 2019-04-05 广东奥博信息产业股份有限公司 一种农作物生长过程最优外部种植条件预测方法及装置
CN109815846A (zh) * 2018-12-29 2019-05-28 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质和电子装置
CN109936860A (zh) * 2019-04-24 2019-06-25 腾讯科技（深圳）有限公司 网络信息流量分配方法、流量分配模型训练方法及装置
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110210408A (zh) * 2019-06-04 2019-09-06 黑龙江省七星农场 基于卫星与无人机遥感结合的作物生长预测系统及方法
CN110262443A (zh) * 2019-08-01 2019-09-20 陕西工业职业技术学院 一种基于移动互联网的温室大棚环境监测系统
CN110443420A (zh) * 2019-08-05 2019-11-12 山东农业大学 一种基于机器学习的作物产量预测方法
CN110851713A (zh) * 2019-11-06 2020-02-28 腾讯科技（北京）有限公司 信息处理方法、推荐方法及相关设备
CN111263920A (zh) * 2017-09-08 2020-06-09 9337-4791魁北克股份有限公司 用于控制作物的生长环境的系统和方法
CN111325381A (zh) * 2020-01-22 2020-06-23 中国农业机械化科学研究院 一种多源异构农田大数据产量预测方法、系统与装置
CN111524023A (zh) * 2020-04-07 2020-08-11 中国农业大学 温室调节方法及系统

Patent Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093495A (zh) * 2011-11-04 2013-05-08 唐卫东 基于生长模型的单茎植物数字化构建方法
CN102736596A (zh) * 2012-06-11 2012-10-17 南京农业大学 基于作物信息融合的多尺度温室环境控制系统
CN102915446A (zh) * 2012-09-20 2013-02-06 复旦大学 基于svm机器学习的植物病虫害检测方法
CN103105246A (zh) * 2012-12-31 2013-05-15 北京京鹏环球科技股份有限公司 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法
CN105407706A (zh) * 2013-07-10 2016-03-16 赫利奥斯派克特拉股份公司 用于控制植物生长的方法
CN106600048A (zh) * 2016-12-09 2017-04-26 江苏大学 一种预测温室番茄果实生长的方法
CN106803209A (zh) * 2017-01-13 2017-06-06 浙江求是人工环境有限公司 实时数据库和先进控制算法的作物培育模式分析优化方法
JP2018129007A (ja) * 2017-02-10 2018-08-16 日本電信電話株式会社 学習データ生成装置、学習装置、推定装置、学習データ生成方法及びコンピュータプログラム
CN111263920A (zh) * 2017-09-08 2020-06-09 9337-4791魁北克股份有限公司 用于控制作物的生长环境的系统和方法
CN107944596A (zh) * 2017-10-20 2018-04-20 上海交通大学 一种基于物联网的甜瓜生长管理专家系统
CN108537371A (zh) * 2018-03-27 2018-09-14 深圳春沐源控股有限公司 一种生产预测方法及装置
CN109558939A (zh) * 2018-10-29 2019-04-02 广东奥博信息产业股份有限公司 一种基于神经网络的作物生长模型选择方法及装置
CN109583301A (zh) * 2018-10-29 2019-04-05 广东奥博信息产业股份有限公司 一种农作物生长过程最优外部种植条件预测方法及装置
CN109508824A (zh) * 2018-11-07 2019-03-22 西京学院 一种农作物生长态势检测及产量预估方法
CN109815846A (zh) * 2018-12-29 2019-05-28 腾讯科技（深圳）有限公司 图像处理方法、装置、存储介质和电子装置
CN109936860A (zh) * 2019-04-24 2019-06-25 腾讯科技（深圳）有限公司 网络信息流量分配方法、流量分配模型训练方法及装置
CN110197218A (zh) * 2019-05-24 2019-09-03 绍兴达道生涯教育信息咨询有限公司 基于多源卷积神经网络的雷雨大风等级预测分类方法
CN110210408A (zh) * 2019-06-04 2019-09-06 黑龙江省七星农场 基于卫星与无人机遥感结合的作物生长预测系统及方法
CN110262443A (zh) * 2019-08-01 2019-09-20 陕西工业职业技术学院 一种基于移动互联网的温室大棚环境监测系统
CN110443420A (zh) * 2019-08-05 2019-11-12 山东农业大学 一种基于机器学习的作物产量预测方法
CN110851713A (zh) * 2019-11-06 2020-02-28 腾讯科技（北京）有限公司 信息处理方法、推荐方法及相关设备
CN111325381A (zh) * 2020-01-22 2020-06-23 中国农业机械化科学研究院 一种多源异构农田大数据产量预测方法、系统与装置
CN111524023A (zh) * 2020-04-07 2020-08-11 中国农业大学 温室调节方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TRUNG-TIN TRAN等: "A Comparative Study of Deep CNN in Forecasting and Classifying the Macronutrient Deficiencies on Development of Tomato Plant", APPLIED SCIENCES, pages 1 - 19 *
张善文;黄文准;张传雷;: "基于环境信息和深度自编码网络的农作物病害预测模型", 江苏农业学报, no. 02 *
蒋龙泉: "基于多特征融合和 SVM 分类器的植物病虫害检测方法", 计算机应用与软件, pages 186 - 190 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI771845B (zh) * 2020-12-25 2022-07-21 財團法人工業技術研究院 田間作物狀態提示系統及方法
CN112930926A (zh) * 2021-01-28 2021-06-11 电凯(常州)新能源技术研究院有限公司 一种基于深度学习的植物生产参数调优方法
CN113822523A (zh) * 2021-07-09 2021-12-21 腾讯科技（深圳）有限公司 温室种植模拟系统的训练方法、系统、装置、设备及介质
CN114743100A (zh) * 2022-04-06 2022-07-12 布瑞克(苏州)农业互联网股份有限公司 一种农产品长势监测方法和系统
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
CN116941483B (zh) * 2023-08-10 2024-08-02 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
CN116757338A (zh) * 2023-08-21 2023-09-15 浙江天演维真网络科技股份有限公司 农作物产量预测方法、装置、电子设备及存储介质
CN116757338B (zh) * 2023-08-21 2024-01-19 浙江天演维真网络科技股份有限公司 农作物产量预测方法、装置、电子设备及存储介质
CN118260662A (zh) * 2024-03-27 2024-06-28 华中农业大学 基于机器学习模型的鱼类存塘量估算方法、装置及设备
CN120183155A (zh) * 2025-05-16 2025-06-20 深圳市勘察研究院有限公司 地质灾害预警方法、系统、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN112070241A (zh) 基于机器学习模型的植物生长预测方法、装置和设备
CN112906298B (zh) 一种基于机器学习的蓝莓产量预测方法
CN110751318B (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN107622329A (zh) 基于多时间尺度长短时记忆神经网络的电力负荷预测方法
CN109214605A (zh) 电力系统短期负荷概率预测方法、装置及系统
CN106971240A (zh) 一种变量选择与高斯过程回归的短期负荷预测方法
CN114548591A (zh) 一种基于混合深度学习模型和Stacking的时序数据预测方法及系统
CN105447510B (zh) 基于人工蜂群优化lssvm的脉动风速预测方法
CN112418498A (zh) 用于智能温室的温度预测方法及系统
CN115018193A (zh) 基于lstm-ga模型的时间序列风能数据预测方法
CN112365359A (zh) 种植决策确定模型的训练方法、装置、设备以及存储介质
CN112700057A (zh) 一种基于模块化循环神经网络的电力负荷预测方法
CN112215412B (zh) 溶解氧预测方法及装置
CN118070948A (zh) 气象温度预测模型构建方法、装置、设备及存储介质
CN119472316B (zh) 一种基于神经网络的闸门控制方法及其系统
CN114511078B (zh) 基于多策略麻雀搜索算法的bp神经网络预测方法及装置
SSL et al. Serial cascaded deep feature extraction-based adaptive attention dilated model for crop recommendation framework
CN114859734A (zh) 一种基于改进sac算法的温室环境参数优化决策方法
CN119536771A (zh) 基于联邦学习与知识蒸馏的电力模型部署方法及装置
CN114548489A (zh) 农作物病虫害预测方法及系统
CN118501715A (zh) 基于深度学习模型和降维机制的电池状态预测方法和装置
CN119005413A (zh) 一种流域径流预报模型的构建评估方法
HK40035731A (zh) 基於機器學習模型的植物生長預測方法、裝置和設備
CN117830851A (zh) 一种基于行为克隆的智能花菇培育方法
CN114530214B (zh) 一种蔬菜营养液自维护方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
REG Reference to a national code

Ref country code: HK

Ref legal event code: DE

Ref document number: 40035731

Country of ref document: HK

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination