CN112668394A - 一种农业大棚生产的在线预测方法及系统 - Google Patents
一种农业大棚生产的在线预测方法及系统 Download PDFInfo
- Publication number
- CN112668394A CN112668394A CN202011371236.8A CN202011371236A CN112668394A CN 112668394 A CN112668394 A CN 112668394A CN 202011371236 A CN202011371236 A CN 202011371236A CN 112668394 A CN112668394 A CN 112668394A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- agricultural greenhouse
- model
- online
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 75
- 230000012010 growth Effects 0.000 claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 32
- 230000007613 environmental effect Effects 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 18
- 238000005286 illumination Methods 0.000 claims description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 239000001569 carbon dioxide Substances 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 14
- 230000007547 defect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000012272 crop production Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000009105 vegetative growth Effects 0.000 description 2
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Abstract
本公开提供了一种农业大棚生产的在线预测方法及系统，包括：获取农业大棚生产的历史数据，并采集农业大棚生产的实时数据；对历史数据及实时数据进行归一化处理，并根据经纬度信息对历史数据进行类别编码处理后获得训练样本数据；对训练样本数据提取特征后输入到在线模型中进行训练，获得训练好的在线模型；将实时数据输入训练好的在线模型获得预测数据；根据预测数据调节农业大棚生产的各项环境参数指标；可以有针对性地给出预测结果；考虑经纬度对农作物生长的影响，通过Geohash编码技术对经纬度进行处理，提高特征的泛化能力；克服了预测实施性较差的缺点，既能提高模型的预测精度，又能满足系统的实时性要求。
Description
技术领域
本公开属于农业信息化领域，具体设计一种农业大棚生产的在线预测方法及系统。
背景技术
在目前的经济作物生产中，农业大棚能充分利用太阳能的光热资源，在节约资源的同时可减少对环境的污染，减少病虫害的发生，从而被大规模应用。随着技术的发展，目前的农业大棚的结构和材料已经较为完善，亟待解决的问题是如何为不同农作物的各个生长阶段预测出最佳的生长条件，进而提高产量。采用传统算法来预测虽然颇有成效，却存在实时性不强的问题，为此，设计一种实时性强的在线预测系统是非常有必要的。
近年来，人工智能的发展如火如荼，该技术也被广泛应用于预测农作物的最佳生长条件上。在线学习是机器学习领域中一种常用的模型训练方法，在线学习的优化目标是整体损失函数最小化，在很多场合取得良好的应用效果。在线学习能够根据线上数据的反馈准确实时地对模型的参数进行调整，使得模型能够实时反映线上数据的变化，提高线上预测的准确率和实时性。
在线学习的流程包括：采集数据、训练模型、展现预测结果。收集模型预测结果的反馈数据作为训练数据在用来训练模型，形成闭环的预测系统。
在传统的训练方法中，模型投入使用后更新周期比较长，即使预测错误也只能在下一次更新的时候完成更正。在线学习训练方法根据线上预测结果的反馈实时调整模型参数，如果模型预测错误会立即修正，可极大提高预测的实时性。
发明内容
为了解决上述技术问题，一种农业大棚生产的在线预测方法及系统。
第一方面，本公开提供了一种农业大棚生产的在线预测方法，包括：
获取农业大棚生产的历史数据，并采集农业大棚生产的实时数据；
对历史数据及实时数据进行归一化处理，并根据经纬度信息对历史数据进行类别编码处理后获得训练样本数据；
采用下采样的方式处理训练样本数据，将一小时内采集到训练样本数据的中位数传入在线模型中训练，获得训练好的在线模型；
将实时数据输入训练好的在线模型获得预测数据；
根据预测数据调节农业大棚生产的各项环境参数指标。
第二方面，本公开提供了一种农业大棚生产的在线预测系统，包括：
数据采集模块：获取农业大棚生产的历史数据，并采集农业大棚生产的实时数据；
数据处理模块：对历史数据及实时数据进行归一化处理，并根据经纬度信息对历史数据进行类别编码处理，获得训练样本数据；
训练模块：对训练样本数据提取特征后输入到在线模型中进行训练，获得训练好的在线模型；
预测数据获取模块：将实时数据输入训练好的在线模型获得预测数据；
参数调节模块：根据预测数据调节农业大棚生产的各项环境参数指标。
第三方面，本公开提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如第一方面所述的农业大棚生产的在线预测方法。
将采集到的数据上传到计算设备进行训练。
第四方面，本公开提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如第一方面所述的农业大棚生产的在线预测方法。
与现有技术对比，本公开具备以下有益效果：
1、本公开的农业大棚生产的在线预测方法引入在线LightGBM学习机制，将已被预测且产生真实效果(系统对该段时间内农作物生长状况的评分)的记录重新作为训练集，用于下一个时段的预测，这样便可以有针对性地给出预测结果；考虑经纬度对农作物生长的影响，通过Geohash编码技术对经纬度进行处理，提高特征的泛化能力；通过可视化技术，直观呈现农作物生长环境各项指标的波动状况及其当前的生长状况。克服了预测实施性较差的缺点，既能提高模型的预测精度，又能满足系统的实时性要求。
2、本公开的农业大棚生产的在线预测系统通过在线学习机制、视频采集及图像识别技术、数据可视化技术等手段和方法，实时预测适宜指定农作物的最佳生长条件，有效解决当前农业大棚生长条件预测实时性不强、不同地区不同品种农作物生产指导意见针对性不强等问题，综合农作物的种类以及来自于传感器的温湿度、光照强度、二氧化碳浓度等信息，进一步结合农业大棚的经纬度信息，给出适合生长的相关指标，提高农业生产效率，降低人力资源成本，为我国居民提供更优质、丰富、安全的农产品，满足居民对农产品质量、数量和食品安全的需求。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开的农业大棚生产的在线预测系统整体工作流程图；
图2为本公开的在线学习模型训练过程；
图3为本公开的LightGBM模型训练过程；
图4为本公开的Geohash编码原理图；
图5为本公开的图形优化界面。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
属于解释：
PID控制器是一个在工业控制应用中常见的反馈回路部件，由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制；积分控制可消除稳态误差，但可能增加超调；微分控制可加快大惯性系统响应速度以及减弱超调趋势。
PID控制器由比例单元(P)、积分单元(I)和微分单元(D)组成。为最早实用化的控制器已有近百年历史。PID控制器简单易懂，使用中不需精确的系统模型等先决条件，因而成为应用最为广泛的控制器。
XGBoost是一个优化的分布式梯度增强库，旨在实现高效，灵活和便携。它在Gradient Boosting框架下实现机器学习算法。XGBoost提供了并行树提升，可以快速准确地解决许多数据科学问题。LightGBM是在XGBoost基础上的改进，二者都是梯度提升决策树(Gradient Boosting Decision Tree，GBDT)的优化版本，体现的是boosting的思想。LightGBM(Light Gradient Boosting Machine)采用高效并行运算，具有训练速度更快、内存消耗更低、预测准确率更高等优点。LightGBM进行多轮迭代训练,每轮训练过程中各基础模型层层递进，模型2在基础模型1的残差基础上进行训练，模型3在基础模型2的残差基础上进行训练。训练之初给定基础模型初始权重，然后通过模型融合算法学习得到一个最佳的权重集合，将模型1与权重1相乘，模型2与权重2相乘，模型3与权重3相乘，再将三个乘积加权得到最终的融合模型。对基础模型的要求一般是简单、低方差和高偏差。因为训练过程是通过降低偏差来不断提高最终模型的精度。当残差降到设定的阈值时便可停止训练。参照附图2，以LightGBM的3轮训练为例，具体训练过程如图2所示。
实施例1
如图1所示，一种农业大棚生产的在线预测方法，包括：
获取农业大棚生产的历史数据，并采集农业大棚生产的实时数据；
对历史数据及实时数据进行归一化处理，并根据经纬度信息对历史数据进行类别编码处理后获得训练样本数据；
采用下采样的方式处理传感器采集到的数据，将一小时内采集到数据的中位数传入模型中训练；下采样一方面可以减小模型复杂度，有效避免异常点的影响，另一方面也可以减少控制环境变量的阀门调节次数，从而延长阀门的使用寿命；
对训练样本数据提取特征后输入到在线模型中进行训练，获得训练好的在线模型；
将实时数据输入训练好的在线模型获得预测数据；
根据预测数据调节农业大棚生产的各项环境参数指标。
进一步的，所述获取农业大棚生产的历史数据包括农作物的生长历史数据和预测历史数据，生长历史数据包括农作物的种类以及其生长期，以及与生长期对应的土壤温湿度、空气温湿度、光照和二氧化碳浓度数据。农作物的种类以及其生长期通过在农作物生产环境中安装图像采集装置进行采集。土壤温湿度、空气温湿度、光照和二氧化碳浓度数据通过大棚内的传感器进行采集。
所述预测历史数据包括已被预测且产生真实效果(系统对该段时间内农作物生长状况的评分)的记录的历史数据；
进一步的，所述在线模型采用在线LightGBM学习机制，将已被预测且产生真实效果的记录重新作为训练集，用于下一个时段的预测，有针对性地给出预测结果。具体的，可以根据农作物叶片是否出现斑点、叶片是否脱落、叶片是否萎焉，是否发生病虫害，是否落蕾，开花与否，果实生长情况等，为农作物的生长情况进行0～5分的评价；这个分数就是对之前预测的最佳生长条件的反馈。将这个反馈值以及环境条件反馈到在线LigthGBM模型中，在线LigthGBM模型就可以根据这个反馈结果及时实时的更新预测结果，进而可以提高在线模型的预测精度。
进一步的，所述在线模型为在线LightGBM回归模型，为在线学习机制和LightGBM相结合产生的模型，高模型的预测精度，又能满足系统的实时性要求；
进一步的，所述对历史数据及实时数据进行归一化处理，并根据经纬度信息对历史数据进行类别编码处理，获得训练样本数据包括，考虑经纬度对农作物生长的影响，通过Geohash编码技术对经纬度进行处理，提高特征的泛化能力；通过可视化技术，直观呈现农作物生长环境各项指标的波动状况及其当前的生长状况。
所述归一化处理方法有两种形式，一种是把数变为(0，1)之间的小数，一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的，把数据映射到0～1范围之内处理，更加便捷快速。
所述GeoHash编码技术为将二维的经纬度转换成字符串，每一个字符串代表了某一矩形区域。也就是说，这个矩形区域内所有的点(经纬度坐标)都共享相同的GeoHash字符串，这样既可以保护隐私(只表示大概区域位置而不是具体的点)，又比较容易做缓存。
进一步的，采集农业大棚生产的实时数据包括土壤温湿度、空气温湿度、光照和CO2浓度数据。
进一步的，对训练样本数据提取特征为把训练样本数据的时间粒度设置成小时粒度，将设定时间内的训练样本数据的中位数当成训练数据传入在线模型中进行训练。因为相近时间内的数据差异性不大会造成数据冗余，下采样一方面可以减少模型的复杂度，削弱异常点的影响，另一方面也可以减少控制环境变量的阀门的调节次数，从而可以延长阀门的使用寿命。
进一步的，为避免系统不可知的扰动作用使温湿度、光照强度、二氧化碳浓度等偏离设定值，从而产生偏差与飘移，故将传感器采集到的值与在线LigthGBM模型的预测值相比较，将其产生的偏差数值进行PID(比例-P，积分-I，微分-D)处理，从而稳定的调节输出量，系统整体工作流程图如附图5所示。
LightGBM的初始化学习器为：
其中，{(x1,y1),...,(xm,ym)}是输入样本训练集，L是损失函数。
所述在线LightGBM回归模型包括基于在线FTL的LightGBM模型和基于在线学习FTRL的LightGBM模型；
所述基于在线FTL的LightGBM模型为
其中Rtj是回归树对应的叶子节点区域，j＝1,2,3...J,其中J为回归树叶子节点的个数，ctj为第t次迭代第j个叶子节点的权重。
基于在线学习FTRL的LightGBM模型为：
其中，{(x1,y1),...,(xm,ym)}是输入样本训练集，L是损失函数，W(c)为正则化函数，一般为L2正则化,Rtj是回归树对应的叶子节点区域，j＝1,2,3...J,其中J为回归树叶子节点的个数，ctj为第t次迭代第j个叶子节点的权重。具体的，Follow-The-Leader(FTL)算法是在线凸优化框架中最为基础也最为重要的算法，该算法的学习规则是，在任意的在线轮次中使用过去所有轮次中损失最小的向量，基于此在线学习的模型为：
最终的强分类器为：
其中，{(x1,y1),...,(xm,ym)}是输入样本训练集，L是损失函数，W(c)为正则化函数，一般为L2正则化,Rtj是回归树对应的叶子节点区域，j＝1,2,3...J,其中J为回归树叶子节点的个数，ctj为第t次迭代第j个叶子节点的权重。为了解决FTL算法由于cij转变过大而失效的问题，最常用的方法是添加正则化，即Fllow-The-Regularized-Leader(FTRL)。FTRL算法通过将历史所有轮的损失以及正则化项最小化对FTL做出优化。基于在线学习FTRL的LightGBM模型为：
其中，{(x1,y1),...,(xm,ym)}是输入样本训练集，L是损失函数，W为正则化函数，一般为L2正则化,Rtj是回归树对应的叶子节点区域，j＝1,2,3...J,其中J为回归树叶子节点的个数，ctj为第t次迭代第j个叶子节点的权重，i代表第i轮迭代，t代表最终迭代轮数。
最终的强分类器同公式(4)。
在线学习的Regret界是评价算法优劣的一个标准，可以衡量在线学习算法中在某一轮次之前已经造成的总损失与全局最优解决方案所造成的最小损失之间的差距。
假设在线学习算法在第t轮选择ct，且ft:Rd∈R为算法第t次迭代中的损失函数，U为假设竞争集，且u∈U，Regret定义为：
由Regret界可以证明该算法是收敛可行的。
进一步的，根据预测数据调节农业大棚生产的各项环境参数指标为，根据预测数据调节农业大棚的土壤温湿度、空气温湿度、光照强度和CO2浓度。预测数据为预测某种农作物的最佳生长条件的数据。
为了克服预测实施性较差的缺点，本发明引入在线LightGBM回归模型实时预测农作物的最佳生长条件。在农作物生产环境中安装图像采集装置，得到农作物的种类以及其生长期(生长期包括：发芽期、幼苗期、营养生长期、果实生长期、果实成熟期)，根据安装在大棚内的传感器采集到的土壤温湿度、空气温湿度、光照、CO2浓度等数据，结合经纬度信息为农作物给出最佳生长环境条件建议。
本专利的创新点包括：引入在线LightGBM学习机制，将已被预测且产生真实效果(系统对该段时间内农作物生长状况的评分)的记录重新作为训练集，用于下一个时段的预测，这样便可以有针对性地给出预测结果；考虑经纬度对农作物生长的影响，通过Geohash编码技术对经纬度进行处理，提高特征的泛化能力；通过可视化技术，直观呈现农作物生长环境各项指标的波动状况及其当前的生长状况。
实施例2
以番茄生产为例，将农作物的生长周期分为：发芽期、幼苗期、营养生长期、果实生长期、果实成熟期。为了预测某种农作物的最佳生长条件，需获取大棚内的各项环境指标。安装在大棚内的传感器用于获取当前的土壤温湿度、空气温湿度、光照强度、CO2浓度；通过GPS可以获取大棚所在地的经纬度；大棚内的图片采集与识别装置用于识别该农作物的种类、所处生长周期。将得到的这些数据经过标准化、归一化或者类别编码处理后，将这些特征放入在线LightGBM模型训练就可以预测出符合农作物最佳生长条件的各项环境参数指标。为避免系统不可知的扰动作用使温湿度、光照强度、二氧化碳浓度等偏离设定值，从而产生偏差与飘移，故将传感器采集到的值与在线LigthGBM模型的预测值相比较，将其产生的偏差数值进行PID(比例-P，积分-I，微分-D)处理，从而稳定的调节输出量，系统整体工作流程图如附图1所示。详细流程如下：
1、类比神经网络中的参数初始化，模型最初的训练数据是从各个地区不同的大棚中获取数据，对于特定地区的农业大棚来说可能针对性不强，这些数据可以作为模型初始化数据，模型预测的针对性随着农业大棚采集数据数据量的增加而提高，从而可以提高模型的训练精度。
2、目前农业大棚预测农作物的最佳生长条件大都没有考虑经纬度的影响，但实际上农作物的最佳生长条件是和经纬度密切相关的。本专利充分考虑了经纬度对植物生长条件的影响，并在经纬度数据的处理上做了一些创新，主要是采用Geohash编码。Geohash编码其实是将地图拆分成矩形网格，当经纬度落入到某个网格内时，使用网格的编码代替经纬度，这相当于是一种聚类方式。这里不直接使用经纬度(细粒度)的好处就是可以提高特征的泛化能力，减小异常值的干扰。Geohash编码原理如附图4所示。
3、传感器实时采集到的数据并不全部用于模型训练，而是采用下采样的方法，把输入数据的时间粒度设置成小时粒度，将一小时内采集到的数据的中位数当成训练数据传入模型中训练。因为相近时间内的数据差异性不大会造成数据冗余，下采样一方面可以减少模型的复杂度，削弱异常点的影响，另一方面也可以减少控制环境变量的阀门的调节次数，从而可以延长阀门的使用寿命。
4、某些在短时间内生长变化不明显的农作物视频采集装置采集图片的频率可以设置为一天，像“昙花一现”这种生长周期短的农作物图片采集频率可以设置为五分钟。对于不同生长周期的农作物设置不同的图片采集频率既可以减少存储压力，也可以保证最大程度的获取农作物的生长信息。
5、对于农作物生长情况的评价采取人工与机器打分并行的方式进行。虽然人工打分具有较高的可靠性，但需要投入较大的人力成本，因而采用机器打分进行辅助。机器评分的具体流程为：先搜集农作物在各个生长阶段的图片，让植物专家进行长势评分组成评分系统的训练数据，将评分系统的训练数据放入图片分类器中进行训练，再将当前大棚内采集到的农作物图片放入训练好的模型中进行识别，获取系统对该农作物的0～5分的评分；人们可以根据农作物叶片是否出现斑点、叶片是否脱落、叶片是否萎焉，是否发生病虫害，是否落蕾，开花与否，果实生长情况等，为农作物的生长情况进行0～5分的评价；这个分数就是对之前预测的最佳生长条件的反馈。将这个反馈值以及环境条件反馈到在线LigthGBM模型中，在线LigthGBM模型就可以根据这个反馈结果及时实时的更新预测结果，进而可以提高模型的预测精度。
6、在农作物旁边放置一个液晶显示装置,作为人机交互界面入口，完成对农作物生长情况的评价。大棚管理人员可以在首页上完成对农作物的生长情况打分，也可以在首页上点击链接查看农作物的生长周期和当前生长环境。页面的具体如附图5所示。农业大棚内传感器采集到的数据可以实时的上传到上位机，管理人员可以随时查看各项环境参数一天内、一周内或者一个月内的波动情况方便管理人员直观观察农作物长势，获取相关信息进行决策，有利于科学管理农业大棚。
实施例3
一种农业大棚生产的在线预测系统，包括：
数据采集模块：获取农业大棚生产的历史数据，并采集农业大棚生产的实时数据；
数据处理模块：对历史数据及实时数据进行归一化处理，并根据经纬度信息对历史数据进行类别编码处理，获得训练样本数据；
训练模块：对训练样本数据提取特征后输入到在线模型中进行训练，获得训练好的在线模型；
预测数据获取模块：将实时数据输入训练好的在线模型获得预测数据；
参数调节模块：根据预测数据调节农业大棚生产的各项环境参数指标。
进一步的，还包括视频采集装置，针对不同种类的农作物生长周期设置不同的采集频率，在保证最大程度获取农作物生长信息的情况下，减小存储压力。
进一步的，所述数据采集模块、数据处理模块、训练模块、预测数据获取模块和参数调节模块所被配置的具体方式分别对应上述实施例中所述的农业大棚生产的在线预测方法的具体步骤。
农业大棚生产的在线预测系统通过在线学习机制、视频采集及图像识别技术、数据可视化技术等手段和方法，实时预测适宜指定农作物的最佳生长条件，有效解决当前农业大棚生长条件预测实时性不强、不同地区不同品种农作物生产指导意见针对性不强等问题，综合农作物的种类以及来自于传感器的温湿度、光照强度、二氧化碳浓度等信息，进一步结合农业大棚的经纬度信息，给出适合生长的相关指标，提高农业生产效率，降低人力资源成本，为我国居民提供更优质、丰富、安全的农产品，满足居民对农产品质量、数量和食品安全的需求。
在其他实施例中，本公开还提供了：
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成如上述实施例中所述的农业大棚生产的在线预测方法。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如上述实施例中所述的农业大棚生产的在线预测方法。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种农业大棚生产的在线预测方法，其特征在于，包括：
获取农业大棚生产的历史数据，并采集农业大棚生产的实时数据；
对历史数据及实时数据进行归一化处理，并根据经纬度信息对历史数据进行类别编码处理后获得训练样本数据；
采用下采样的方式处理训练样本数据，将一小时内采集到训练样本数据的中位数传入在线模型中训练，获得训练好的在线模型；
将实时数据输入训练好的在线模型获得预测数据；
根据预测数据调节农业大棚生产的各项环境参数指标。
2.如权利要求1所述的农业大棚生产的在线预测方法，其特征在于，所述在线模型采用在线LightGBM学习机制，将已被预测且产生真实效果的记录重新作为训练集，用于下一个时段的预测，有针对性地给出预测结果。
3.如权利要求1所述的农业大棚生产的在线预测方法，其特征在于，所述获取农业大棚生产的历史数据包括农作物的生长历史数据和预测历史数据，生长历史数据包括农作物的种类以及其生长期，以及与生长期对应的土壤温湿度、空气温湿度、光照和二氧化碳浓度数据。
4.如权利要求2所述的农业大棚生产的在线预测方法，其特征在于，所述在线模型为在线LightGBM回归模型，可为基于在线FTL的LightGBM模型或基于在线学习FTRL的LightGBM模型；
所述基于在线FTL的LightGBM模型为
其中Rtj是回归树对应的叶子节点区域，j＝1,2,3...J,其中J为回归树叶子节点的个数，ctj为第t次迭代第j个叶子节点的权重，i代表第i轮迭代，t代表最终迭代轮数。
5.如权利要求4所述的农业大棚生产的在线预测方法，其特征在于，基于在线学习FTRL的LightGBM模型为：
其中，{(x1,y1),...,(xm,ym)}是输入样本训练集，L是损失函数，W(c)为正则化函数,Rtj是回归树对应的叶子节点区域，j＝1,2,3...J,其中J为回归树叶子节点的个数，ctj为第t次迭代第j个叶子节点的权重。
6.如权利要求1所述的农业大棚生产的在线预测方法，其特征在于，还包括将实时数据与在线模型的预测值相比较，将其产生的偏差数值进行PID处理，从而稳定的调节输出量。
7.如权利要求1所述的农业大棚生产的在线预测方法，其特征在于，所述对历史数据及实时数据进行归一化处理，并根据经纬度信息对历史数据进行类别编码处理，获得训练样本数据包括，通过Geohash编码技术对经纬度进行处理，提高特征的泛化能力。
8.一种农业大棚生产的在线预测系统，其特征在于，包括：
数据采集模块：获取农业大棚生产的历史数据，并采集农业大棚生产的实时数据；
数据处理模块：对历史数据及实时数据进行归一化处理，并根据经纬度信息对历史数据进行类别编码处理，获得训练样本数据；
训练模块：采用下采样的方式处理训练样本数据，将一小时内采集到训练样本数据的中位数传入在线模型中训练，获得训练好的在线模型；
预测数据获取模块：将实时数据输入训练好的在线模型获得预测数据；
参数调节模块：根据预测数据调节农业大棚生产的各项环境参数指标。
9.一种计算机可读存储介质，用于存储计算机指令，其特征在于，所述计算机指令被处理器执行时，完成如权利要求1-7任一所述的农业大棚生产的在线预测方法。
10.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成如权利要求1-7任一所述的农业大棚生产的在线预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011371236.8A CN112668394B (zh) | 2020-11-30 | 2020-11-30 | 一种农业大棚生产的在线预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011371236.8A CN112668394B (zh) | 2020-11-30 | 2020-11-30 | 一种农业大棚生产的在线预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112668394A true CN112668394A (zh) | 2021-04-16 |
| CN112668394B CN112668394B (zh) | 2023-10-31 |
Family
ID=75403019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011371236.8A Active CN112668394B (zh) | 2020-11-30 | 2020-11-30 | 一种农业大棚生产的在线预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668394B (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113434989A (zh) * | 2021-06-28 | 2021-09-24 | 山东大学 | 一种基于注意力机制和lstm的管网漏损量预测方法及系统 |
| CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
| CN113792324A (zh) * | 2021-11-16 | 2021-12-14 | 聊城高新生物技术有限公司 | 基于联邦学习的农产品数据交互方法、装置及电子设备 |
| CN114202093A (zh) * | 2021-08-25 | 2022-03-18 | 优合集团有限公司 | 基于产业互联网产业链优化平台 |
| CN114326880A (zh) * | 2021-12-29 | 2022-04-12 | 山东华丰数字科技有限公司 | 一种用于温室大棚的设备智能控制方法及系统 |
| CN115993097A (zh) * | 2023-03-23 | 2023-04-21 | 长安大学 | 一种用于斜拉桥拉索断丝的监测及预警方法、系统 |
| CN116452358A (zh) * | 2023-03-07 | 2023-07-18 | 陕西天霖瑞腾网络科技有限公司 | 基于物联网的智慧农业管理系统 |
| CN116582597A (zh) * | 2023-07-13 | 2023-08-11 | 湖北省林业科学研究院 | 一种油橄榄育苗环境数据智能监测方法及系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110153213A1 (en) * | 2008-09-29 | 2011-06-23 | Catherine Lynn Buchanan | Method to evaluate plants and soils to optimize conditions for phytoremediation |
| CN105989374A (zh) * | 2015-03-03 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种在线训练模型的方法和设备 |
| CN106773720A (zh) * | 2017-01-25 | 2017-05-31 | 张彩芬 | 一种温室大棚环境自动控制系统 |
| CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
| CN110428106A (zh) * | 2019-08-05 | 2019-11-08 | 山东农业大学 | 一种基于机器学习的农作物需水量预测方法 |
| CN110472008A (zh) * | 2019-07-04 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 智能交互方法以及装置 |
| CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及系统 |
| CN111128340A (zh) * | 2019-12-25 | 2020-05-08 | 上海联影医疗科技有限公司 | 放射治疗计划生成设备、装置和存储介质 |
| CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
| CN111652093A (zh) * | 2020-05-21 | 2020-09-11 | 中国工商银行股份有限公司 | 文本图像处理方法及装置 |
| CN111832600A (zh) * | 2019-12-31 | 2020-10-27 | 北京骑胜科技有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
| CN111881995A (zh) * | 2020-08-03 | 2020-11-03 | 清华大学 | 一种数据流处理方法、装置、计算设备及存储介质 |
| CN111968746A (zh) * | 2020-07-21 | 2020-11-20 | 华中科技大学协和深圳医院 | 一种基于混合深度迁移学习的脑卒中风险预测方法及装置 |
-
2020
- 2020-11-30 CN CN202011371236.8A patent/CN112668394B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110153213A1 (en) * | 2008-09-29 | 2011-06-23 | Catherine Lynn Buchanan | Method to evaluate plants and soils to optimize conditions for phytoremediation |
| CN105989374A (zh) * | 2015-03-03 | 2016-10-05 | 阿里巴巴集团控股有限公司 | 一种在线训练模型的方法和设备 |
| CN106773720A (zh) * | 2017-01-25 | 2017-05-31 | 张彩芬 | 一种温室大棚环境自动控制系统 |
| CN110084417A (zh) * | 2019-04-19 | 2019-08-02 | 淮阴工学院 | 一种基于grnn神经网络的草莓温室环境参数智能监测系统 |
| CN110472008A (zh) * | 2019-07-04 | 2019-11-19 | 阿里巴巴集团控股有限公司 | 智能交互方法以及装置 |
| CN110428106A (zh) * | 2019-08-05 | 2019-11-08 | 山东农业大学 | 一种基于机器学习的农作物需水量预测方法 |
| CN110728332A (zh) * | 2019-10-30 | 2020-01-24 | 西安交通大学 | 一种基于物联网的农业数据分析方法及系统 |
| CN111128340A (zh) * | 2019-12-25 | 2020-05-08 | 上海联影医疗科技有限公司 | 放射治疗计划生成设备、装置和存储介质 |
| CN111832600A (zh) * | 2019-12-31 | 2020-10-27 | 北京骑胜科技有限公司 | 数据处理方法、装置、电子设备和计算机可读存储介质 |
| CN111340238A (zh) * | 2020-03-12 | 2020-06-26 | 中南大学 | 一种工业系统的故障诊断方法、装置、设备及存储介质 |
| CN111652093A (zh) * | 2020-05-21 | 2020-09-11 | 中国工商银行股份有限公司 | 文本图像处理方法及装置 |
| CN111968746A (zh) * | 2020-07-21 | 2020-11-20 | 华中科技大学协和深圳医院 | 一种基于混合深度迁移学习的脑卒中风险预测方法及装置 |
| CN111881995A (zh) * | 2020-08-03 | 2020-11-03 | 清华大学 | 一种数据流处理方法、装置、计算设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| 李渊朴 等: "基于改进遗传算法和神经网络的大棚环境预测", 《电子测量技术》 * |
| 王加祥: "《电子系统设计》", 31 July 2019, 西安电子科技大学出版社 * |
| 阿尔贝托•博斯凯蒂 等: "《数据科学导论Python语言》", 31 March 2020, 机械工业出版社 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
| CN113434989A (zh) * | 2021-06-28 | 2021-09-24 | 山东大学 | 一种基于注意力机制和lstm的管网漏损量预测方法及系统 |
| CN114202093A (zh) * | 2021-08-25 | 2022-03-18 | 优合集团有限公司 | 基于产业互联网产业链优化平台 |
| CN113792324A (zh) * | 2021-11-16 | 2021-12-14 | 聊城高新生物技术有限公司 | 基于联邦学习的农产品数据交互方法、装置及电子设备 |
| CN114326880A (zh) * | 2021-12-29 | 2022-04-12 | 山东华丰数字科技有限公司 | 一种用于温室大棚的设备智能控制方法及系统 |
| CN114326880B (zh) * | 2021-12-29 | 2023-06-27 | 山东华丰数字科技有限公司 | 一种用于温室大棚的设备智能控制方法及系统 |
| CN116452358A (zh) * | 2023-03-07 | 2023-07-18 | 陕西天霖瑞腾网络科技有限公司 | 基于物联网的智慧农业管理系统 |
| CN115993097A (zh) * | 2023-03-23 | 2023-04-21 | 长安大学 | 一种用于斜拉桥拉索断丝的监测及预警方法、系统 |
| CN116582597A (zh) * | 2023-07-13 | 2023-08-11 | 湖北省林业科学研究院 | 一种油橄榄育苗环境数据智能监测方法及系统 |
| CN116582597B (zh) * | 2023-07-13 | 2023-09-08 | 湖北省林业科学研究院 | 一种油橄榄育苗环境数据智能监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112668394B (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112668394B (zh) | 一种农业大棚生产的在线预测方法及系统 | |
| CN113141940A (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 | |
| CN111263920A (zh) | 用于控制作物的生长环境的系统和方法 | |
| del Sagrado et al. | Bayesian networks for greenhouse temperature control | |
| US20220248616A1 (en) | Irrigation control with deep reinforcement learning and smart scheduling | |
| CN111080173B (zh) | 一种森林系统碳通量的估计方法 | |
| US20230144498A1 (en) | Simulation and automated control of physical systems | |
| CN115529987B (zh) | 作物设施的风口调控方法、装置、设备及存储介质 | |
| Lekbangpong et al. | Precise automation and analysis of environmental factor effecting on growth of St. John’s wort | |
| KR102094775B1 (ko) | 스마트팜 운영을 위한 가상환경 시뮬레이션 연동 기반 스마트팜 교육 서비스 제공 시스템 | |
| Costa et al. | Greenhouses within the Agricultura 4.0 interface | |
| Lešić et al. | Rapid plant development modelling system for predictive agriculture based on artificial intelligence | |
| US20220225583A1 (en) | Management device for cultivation of fruit vegetable plants and fruit trees, learning device, management method for cultivation of fruit vegetable plants and fruit trees, learning model generation method, management program for cultivation of fruit vegetable plants and fruit trees, and learning model generation program | |
| JP2020149674A (ja) | 農作物の栽培方法提案プログラム及びシステム | |
| Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
| TWI703529B (zh) | 作物生長階段計算方法及電腦程式產品 | |
| KR20230061863A (ko) | 합성곱신경망과 다층 퍼셉트론의 앙상블 모델을 이용한 과실 발달 단계 예측 장치 및 그 방법 | |
| Kang et al. | Semi-autonomous greenhouse environment control by combining expert knowledge and machine learning | |
| EP4316236A1 (en) | Greenhouse environment optimisation | |
| Rajendiran et al. | Smart Aeroponic Farming System: Using IoT with LCGM-Boost Regression Model for Monitoring and Predicting Lettuce Crop Yield. | |
| Kerkhof et al. | Predictive Control of Autonomous Greenhouses: A Data-Driven Approach | |
| CN116578047B (zh) | 一种用于辣椒生产的精细化智能控制方法及系统 | |
| Saraswat et al. | Mechanized Functioning of Tomato and Lettuce Greenhouses Using IoT and Machine Learning Techniques | |
| Hu et al. | AI-enabled cyber-physical-biological systems for smart energy management and sustainable food production in a plant factory | |
| Lu | Application Research of Xception-LSTM Multimodal Neural Network in Intelligent Prediction System |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |