CN112783228B - 基于神经网络的大型温棚pd控制系统及方法 - Google Patents
基于神经网络的大型温棚pd控制系统及方法 Download PDFInfo
- Publication number
- CN112783228B CN112783228B CN202011615033.9A CN202011615033A CN112783228B CN 112783228 B CN112783228 B CN 112783228B CN 202011615033 A CN202011615033 A CN 202011615033A CN 112783228 B CN112783228 B CN 112783228B
- Authority
- CN
- China
- Prior art keywords
- control
- module
- greenhouse
- crop
- information
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 62
- 230000007613 environmental effect Effects 0.000 claims abstract description 21
- 241000607479 Yersinia pestis Species 0.000 claims description 119
- 238000001514 detection method Methods 0.000 claims description 73
- 201000010099 disease Diseases 0.000 claims description 56
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 56
- 238000007664 blowing Methods 0.000 claims description 40
- 241000238631 Hexapoda Species 0.000 claims description 23
- 238000007689 inspection Methods 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 18
- 230000003750 conditioning effect Effects 0.000 abstract description 3
- 238000012271 agricultural production Methods 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 9
- 230000035699 permeability Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 235000012055 fruits and vegetables Nutrition 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D23/00—Control of temperature
- G05D23/19—Control of temperature characterised by the use of electric means
- G05D23/20—Control of temperature characterised by the use of electric means with sensing elements having variation of electric or magnetic properties with change of temperature
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及农业生产技术领域，具体公开了基于神经网络的大型温棚PD控制系统及方法，包括，采集终端包括数据采集控制模块和布设在温棚内的若干传感器组；数据采集控制模块用于分时序控制传感器组采集温棚的内部环境信息；用户终端用于向服务器发送温棚内种植作物的作物信息；误差反馈模块用于根据期望环境信息和内部环境信息计算得到误差反馈值；控制参数分析模块用于将环境信息和期望环境信息通过预设控制参数分析模型进行控制参数分析，得到控制参数，控制参数包括对光照强度、温度和湿度的调节参数；PD控制模块用于根据控制参数和误差反馈值对环境调节设备进行PD控制。采用本发明的技术方案缩短了PD控制调节的时间。
Description
技术领域
本发明涉及农业生产技术领域，特别涉及基于神经网络的大型温棚PD控制系统及方法。
背景技术
随着经济的发展，人民的生活水平越来越高，相较于普通的季节性水果和蔬菜，反季节水果和蔬菜更受人们的欢迎，然而这种反季的产品在种植时需要很苛刻的环境条件，如关照强度、温度、湿度等，人们已经可以使用智能化控制方法，并经过对系统进行训练，可以模拟人类对温棚系统进行智能控制，在极大的降低劳动力的情况下，还可以收获更多的产品。传统的控制方法属于后验式控制方法，控制的响应时间较长且属于补救式控制，其中PID控制时在控制系统中作为最常用的一种控制方法，但是传统的PID控制法在温棚系统中有以下两个缺点：
一、一旦设定好Kp，Ki，Kd，整个控制过程保持不变，而对于在不同阶段需要不同成长环境的产品而言，很难达到比较好的效果。
二、PID算法自从诞生以来，就一直存在调节响应时间长、容易超调等问题，对于没有控制经验的农场主而已，将很难根据自己以往的种植经验来控制温棚系统。
发明内容
为解决温棚控制调节的响应时间长、容易超调的技术问题，本发明提供基于神经网络的大型温棚PD控制系统及方法。
本发明基础方案如下：
基于神经网络的大型温棚PD控制系统，包括采集终端、用户终端、环境调节设备和服务器，服务器包括存储模块、误差反馈模块、控制参数分析模块和PD控制模块，其中：
采集终端包括数据采集控制模块和布设在温棚内的若干传感器组，传感器组之间通过节点组网；
数据采集控制模块用于分时序控制传感器组采集温棚的内部环境信息，内部环境信息包括温棚内的光照强度、温度和湿度；
用户终端用于向服务器发送温棚内种植作物的作物信息，作物信息包括作物种类、种植时间和生长阶段；
存储模块用于存储各种作物的作物信息和各种作物各阶段的期望环境信息，期望环境信息包括作物各阶段最佳的光照强度、温度和湿度；
误差反馈模块用于根据作物信息从存储模块中调取对应作物所处生长阶段的期望环境信息，并根据期望环境信息和内部环境信息计算得到误差反馈值；
控制参数分析模块用于根据作物信息从存储模块中调取对应作物所处生长阶段的期望环境信息，并将环境信息和期望环境信息通过预设控制参数分析模型进行控制参数分析，得到控制参数，控制参数包括对光照强度、温度和湿度的调节参数；
PD控制模块用于根据控制参数和误差反馈值对环境调节设备进行PD控制。
基础方案的有益效果为：1.通过控制参数分析模型对具体作物的最适合光照强度、温度和湿度进行分析，用低成本的虚拟环境对控制参数分析模型进行多次训练，可以达到对温棚系统更好的控制。
2.增加了误差反馈值作为其中一个输入，有助于控制参数分析模型的快速收敛，缩短PD控制调节的时间。
3.由于PD控制减少了积分作用，这不仅减少了神经网络的计算量，而且也缩短了PD控制调节的时间。
进一步，还包括设置在温棚内的吹风装置，吹风装置所吹的风为热风，服务器还包括风控制模块；
采集终端还用于采集温棚的外部环境信息，外部环境信息包括温棚外的光照强度、温度和湿度；
风控制模块用于对外部环境信息、内部环境信息和期望环境信息进行对比分析，得到比对结果，然后根据比对结果从预设的比对结果对照表中匹配出风控制指令，并将风控制指令发送给吹风装置，比对结果对照表包括不同比对结果所对应的风控制指令；
吹风装置用于根据接收到的风控制指令开启，并在达到预设的吹风时长时，自动关闭。
有益效果：热风可加快雾气的消散；根据当前的外部环境信息，即天气情况、温棚的内部环境信息以及适宜作物生长的预期环境信息进行分析，如温棚内的作物为喜阳作物，温棚内的光照强度低于期望光照强度，且低于温棚外的光照强度，此时为温棚内存在雾气，导致温棚的通透性差，温棚内能照射进来的光线少，此时开启吹风装置，增加温棚内空气的流通，消散温棚内的雾气，增加温棚的通透度，增强温棚内的光强。
进一步，采集终端还包括定位模块；
定位模块用于采集进入温棚内农户的位置信息，并将采集到的位置信息发送给服务器；
风控制模块还用于根据位置信息将生成的风控制指令发送给位置信息所属吹风范围对应的吹风装置。
有益效果：农户在温棚内巡检时，风控制模块根据农户在温棚内的位置信息，向位置信息所属吹风范围对应的吹风装置发送风控制指令，从而对农户所在位置进行吹风，可以将作物的叶片吹起，在叶片随风波动的过程中，农户不仅可以看到作物叶片表面，也能在不翻动作物的情况下看到叶片背面和作物土壤的情况，增加农户巡检的视野范围，提高农户的巡检效率。
进一步，服务器还包括病虫害检测模块和病虫害分析模块；
用户终端还用于向服务器发送作物巡检图像；
病虫害检测模块用于将作物巡检图像通过预设的病虫害检测模型进行病虫害检测，得到第一病虫害检测结果；
病虫害分析模块用根据第一病虫害检测结果和作物信息进行分析，得到病虫害分析报告，并发送给用户终端，病虫害分析报告包括病虫害检测结果和防治措施。
有益效果：根据农户巡检时所拍摄的作物巡检图像，进行病虫害检测和分析，所得到病虫害分析报告能够有效避免或者控制病虫害的发生，降低病虫害对作物产量的影响。
进一步，采集终端还包括设置在温棚内的摄像头和控制摄像头采集的拍摄控制模块，服务器还包括图像采集控制模块；
图像采集控制模块用于根据位置信息生成指定位置拍摄指令给采集终端，指定位置与温棚内摄像头的拍摄区域关联；
拍摄控制模块用于根据指令位置拍摄指令查找对应拍摄区域的摄像头，并控制查找到的摄像头拍摄作物图像，并将作物图像上传给服务器；
病虫害检测模块还用于将作物图像根据预设的病虫害检测模型进行病虫害检测，得到第二病虫害检测结果；
病虫害分析模块还用于将第二病虫害检测结果、第一病虫害检测结果和作物信息进行对比分析，得到病虫害预测分析结果，并发送给用户终端。
有益效果：增加摄像头采集农户所巡检区域的作物图像，即增加农户巡检区域的作物图像样本，再通过对摄像头所采集的作物图像和农户自己采集的作物巡检图像进行病虫害检测和对比分析，得到病虫害预测分析结果，相较于仅对农户个人所采集巡检区域的作物图像得到的病虫害检测结果，结果更加准确。
基于神经网络的大型温棚PD控制方法，包括以下步骤:
通过采集终端分时序采集温棚的内部环境信息；
通过用户终端向服务器发送温棚内种植作物的作物信息；
根据作物信息从存储模块中调取对应作物所处生长阶段的期望环境信息；
将环境信息和期望环境信息通过预设控制参数分析模型进行控制参数分析，得到控制参数；
将控制参数输入到PD控制模块中控制环境调节设备工作。
有益效果：通过对具体作物的最适合光照强度、温度和湿度进行分析，用低成本的虚拟环境对神经网络进行多次训练，获得对温棚的最佳环境调控参数，调节效率更高。
进一步，还包括以下步骤：
通过采集终端采集温棚的外部环境信息；
将外部环境信息、内部环境信息和期望环境信息通过风控制模块进行对比分析，得到比对结果；
根据比对结果从存储模块中预设的比对结果对照表中匹配出风控制指令；
将风控制指令输入到吹风装置中开启吹风装置。
有益效果：根据温棚内外环境和期望环境的对比，控制是否吹风，增加温棚内的通透度，提高温棚内的通透度。
进一步，还包括以下步骤：
通过定位模块采集进入温棚内农户的位置信息；
根据位置信息将生成的风控制指令通过风控制模块发送给位置信息所属吹风范围对应的吹风装置。
有益效果：根据农户的位置进行吹风，使得农户巡检时，吹风装置吹的风将农户所观察到的作物扬起，农户不需要翻动叶片，即可观察到叶片的正面和背面，以及地表土壤情况，不仅扩大了农户巡检的视野范围，而且还提高了农户的巡检效率。
进一步，还包括以下步骤：
通过用户终端向服务器发送作物巡检图像；
通过病虫害检测模块将作物巡检图像通过病虫害检测模型进行病虫害检测，得到第一病虫害检测结果；
通过病虫害分析模块根据第一病虫害检测结果和作物信息进行分析，得到病虫害分析报告。
有益效果：农户将拍摄到的作物巡检图像，上传服务器进行病虫害检测分析，从而可以得到当前种植作物的生长情况，便于对病虫害进行防治或者治理。
进一步，通过图像采集控制模块根据位置信息生成指定位置拍摄指令；
根据指定位置拍摄指令通过拍摄控制模块查找对应拍摄区域的摄像头，并控制查找到的摄像头拍摄作物图像；
通过病虫害检测模块分别将作物巡检图像和作物图像通过病虫害检测模型进行病虫害检测，得到第一病虫害检测结果和第二病虫害检测结果；
通过病虫害分析模块将第一病虫害检测结果和第二病虫害检测结果进行对比分析，得到病虫害预测分析结果。
有益效果：将摄像机和农户自己所拍摄作物图像所检测的病虫害结果进行对比分析，增加病虫害检测的样本，使得病虫害检测更加准确。
附图说明
图1为基于神经网络的大型温棚PD控制系统及方法实施例一的逻辑框图；
图2为基于神经网络的大型温棚PD控制系统及方法实施例二的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
基于神经网络的大型温棚PD控制系统，如图1所示，包括采集终端、用户终端、环境调节设备和服务器，服务器包括存储模块、误差反馈模块、控制参数分析模块和PD控制模块，其中：
采集终端包括数据采集控制模块和布设在温棚内的若干传感器组，传感器组之间通过节点组网，传感器组用于采集温棚的关照强度、温度和湿度。
数据采集控制模块用于分时序控制传感器组采集温棚的内部环境信息，内部环境信息包括温棚内的光照强度、温度和湿度；
用户终端用于向服务器发送温棚内种植作物的作物信息，作物信息包括作物种类、种植时间和生长阶段。用户终端可为PC电脑、平板和手机，本实施例中用户终端为手机。
存储模块用于存储各种作物的作物信息和各种作物各阶段的期望环境信息，期望环境信息包括作物各阶段最佳的光照强度、温度和湿度。
误差反馈模块用于根据作物信息从存储模块中调取对应作物所处生长阶段的期望环境信息，并根据期望环境信息和内部环境信息计算得到误差反馈值。
控制参数分析模块用于根据作物信息从存储模块中调取对应作物所处生长阶段的期望环境信息，并将环境信息和期望环境信息通过预设控制参数分析模型进行控制参数分析，得到控制参数，控制参数包括对光照强度、温度和湿度的调节参数。
具体地，控制参数分析模型首先为构建一个三层的BP神经网络模型，本实施例中，输入层神经元个数选择三个，分别为作物生长环境的期望环境信息f(t)，f(t)＝fi(t)，i＝1,2,3分别作物各阶段生长环境的最佳光照强度、最佳温度和最佳湿度。采集终端采集到的内部环境信息y(t)，yi(t)，i＝1,2,3分别表示温棚内的光照强度、最佳温度和最佳湿度，误差反馈值e(t)＝f(t)-y(t)，ei(t)＝fi(t)-yi(t)，i＝1,2,3分别表示光照强度误差反馈值、温度误差反馈值和湿度误差反馈值。此处增加了误差反馈值e(t)作为其中一个输入，有助于BP神经网络的快速收敛。
隐藏层神经元取七个，使用Sigmoid函数作为其激活函数，Sigmoid函数为：
此处选择Sigmoid函数作为隐藏层的激活函数，可以抑制误差，避免输出有较大幅度变化，有利于后续的PD控制。
输出层神经元选取两个，使用ReLU函数作为其输出函数，ReLU函数为：
φ(x)＝max(0,x)
在一定范围内使用线性控制可以简化系统的控制，其输出参数Kp和Kd为后续PD控制模块的两个控制参数。
输入层神经元与隐藏层神经元之间的权值ωij、隐藏层神经元与输出层神经元之间的权值ωjk在后续神经网络训练中，会根据具体的不同输入使用BP算法可不断地调整器权值系数；隐藏层神经元的偏差值与输出层神经元的偏差值分别为b1，b2。
神经网络的训练过程：
全连接的神经网络，对于输入的f(t)，y(t)，e(t)，初始化神经网络各层的权值ωij(i＝1，2；j＝1,2,3,4,5,6,7)以及ωjk(j＝1,2,3,4,5,6,7；k＝1,2)、偏差值bi(i＝1,2),同时设置网络收敛误差阈值θ和学习次数N，为了得到优化的Kp和Kd，对其中的代价性能指标函数的最优化(也即损失函数，为了使函数连续可导，方便微分计算，通常选用输出与实际标签的均方根差函数)，使用梯度下降法进行权值的更新，使用前向传播进行计算以及误差反向传播计算并更新权值，并且不使用固定的学习率η，因为较大的学习率不容易得到最优解，而较小的学习率不仅速度慢，而且容易陷入局部最优，且固定的学习率训练出来的网络不适用于多参数多功能的温棚，自适应学习率能更好的适用于各种环境。
使用Adagrad算法对权值进行更新：
……
因为初始化参数是随机的，所以神经网络需要不断的进行训练学习，并不断的调整加权参数，进行控制参数的自适应调整，直到达到误差收敛精度要求，完成神经网络参数的整定，同时判断迭代次数，若迭代次数达到上限(预先设定的学习次数N)，则神经网络无法收敛，学习结束，并输出控制参数Kp和Kd。
PD控制模块用于根据控制参数Kp和Kd和误差反馈值e(t)对环境调节设备进行PD控制。环境调节设备包括温度调节器、光照调节器、水汽调制阀、加热器、光补偿器、加湿器等。具体地PD控制模块结合误差反馈值e(t)，进行PD控制，其输出u(t)与误差反馈值e(t)的关系如下：
从而本系统能够输出作物当前阶段所需适当的光照强度、温度和湿度。
应用于上述系统的基于神经网络的大型温棚PD控制方法，包括以下步骤：
通过采集终端分时序采集温棚的内部环境信息；
通过用户终端向服务器发送温棚内种植作物的作物信息；
根据作物信息从存储模块中调取对应作物所生长阶段的期望环境信息；
将环境信息和期望环境信息通过预设控制参数分析模型进行控制参数分析，得到控制参数；
将控制参数输入到PD控制模块中控制环境调节设备工作。
实施例二
与实施例一的区别之处在于：如图2所示，还包括设置在温棚内的吹风装置，吹风装置所吹的风为热风，服务器还包括风控制模块、病虫害检测模块、病虫害分析模块和图像采集控制模块；采集终端还包括定位模块和设置在温棚内的摄像头；
采集终端还用于采集温棚的外部环境信息，外部环境信息包括温棚外的光照强度、温度和湿度；
定位模块用于采集进入温棚内农户的位置信息，并将采集到的位置信息发送给服务器。具体地，定位模块包括铺设在温棚内的蓝牙信标和蓝牙网关。温棚内的蓝牙信标不断地向周围广播信号和数据包，当温棚主人携带用户终端进行蓝牙信标信号覆盖的范围时，测算出蓝牙信标的RSSI值，然后将测算出的蓝牙信标的RSSI值按照预设的定位算法测算出用户终端的位置信息。
用户终端还用于向服务器发送作物巡检图像；
风控制模块用于对外部环境信息、内部环境信息和期望环境信息进行对比分析，得到比对结果，然后根据比对结果从预设的比对结果对照表中匹配出风控制指令，并将风控制指令发送给吹风装置，比对结果对照表包括不同比对结果所对应的风控制指令。风控制模块还用于根据位置信息将生成的风控制指令发送给位置信息所属吹风范围对应的吹风装置。本实施例中预先根据安装吹风装置的吹风范围对温棚进行区域划分，并将所划分的区域与吹风装置进行关联存储，风控制模块根据位置信息所处温棚的区域查找关联的吹风装置，然后将风控制指令发送给对应吹风装置。
吹风装置用于根据接收到的风控制指令开启，并在达到预设的吹风时长时，自动关闭吹风装置。
图像采集控制模块用于根据位置信息生成指定位置拍摄指令给拍摄控制模块，指定位置与温棚内摄像头的拍摄区域关联；
拍摄控制模块用于根据指令位置拍摄指令查找对应拍摄区域的摄像头，并控制查找到的摄像头拍摄作物图像，并将作物图像上传给服务器；
病虫害检测模块用于将作物巡检图像通过预设的病虫害检测模型进行病虫害检测，得到第一病虫害检测结果；病虫害检测模块还用于将作物图像根据预设的病虫害检测模型进行病虫害检测，得到第二病虫害检测结果。
病虫害分析模块用根据第一病虫害检测结果和作物信息进行分析，得到病虫害分析报告，并发送给用户终端，病虫害分析报告包括病虫害检测结果和防治措施。病虫害分析模块还用于将第二病虫害检测结果、第一病虫害检测结果和作物信息进行对比分析，得到病虫害预测分析结果，并发送给用户终端。增加病虫害分析维度，使得病虫害预测分析结果更加准确。
基于神经网络的大型温棚PD控制方法包括以下步骤:
通过采集终端分时序采集温棚的外部环境信息；
通过用户终端向服务器发送作物巡检图像；
通过定位模块采集进入温棚内农户的位置信息；
通过图像采集控制模块根据位置信息生成指定位置拍摄指令；
根据指定位置拍摄指令通过拍摄控制模块查找对应拍摄区域的摄像头，并控制查找到的摄像头拍摄作物图像；
将外部环境信息、内部环境信息和期望环境信息通过风控制模块进行对比分析，得到比对结果；
根据比对结果从存储模块中预设的比对结果对照表中匹配出风控制指令；将风控制指令输入到吹风装置中开启吹风装置。本实施例中，当检测到农户进入温棚时，根据位置信息将生成的风控制指令通过风控制模块发送给位置信息所属吹风范围对应的吹风装置。
通过病虫害检测模块将作物巡检图像通过病虫害检测模型进行病虫害检测，得到第一病虫害检测结果；
通过病虫害分析模块根据第一病虫害检测结果和作物信息进行分析，得到病虫害分析报告。
本实施例中为了让病虫害分析结果更加准确，还包括：通过病虫害检测模块分别将作物巡检图像和作物图像通过病虫害检测模型进行病虫害检测，得到第一病虫害检测结果和第二病虫害检测结果；
通过病虫害分析模块将第一病虫害检测结果和第二病虫害检测结果进行对比分析，得到病虫害预测分析结果。
以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (7)
1.基于神经网络的大型温棚PD控制系统，其特征在于，包括采集终端、用户终端、环境调节设备、服务器和设置在温棚内的吹风装置，服务器包括存储模块、误差反馈模块、控制参数分析模块、PD控制模块和风控制模块，其中：
采集终端包括数据采集控制模块和布设在温棚内的若干传感器组，传感器组之间通过节点组网；
数据采集控制模块用于分时序控制传感器组采集温棚的内部环境信息，并用于采集温棚的内部环境信息，内部环境信息包括温棚内的光照强度、温度和湿度；
用户终端用于向服务器发送温棚内种植作物的作物信息，作物信息包括作物种类、种植时间和生长阶段；
存储模块用于存储各种作物的作物信息和各种作物各阶段的期望环境信息，期望环境信息包括作物各阶段最佳的光照强度、温度和湿度；
误差反馈模块用于根据作物信息从存储模块中调取对应作物所处生长阶段的期望环境信息，并根据期望环境信息和内部环境信息计算得到误差反馈值；
控制参数分析模块用于根据作物信息从存储模块中调取对应作物所处生长阶段的期望环境信息，并将环境信息和期望环境信息通过预设控制参数分析模型进行控制参数分析，得到控制参数，控制参数包括对光照强度、温度和湿度的调节参数；
PD控制模块用于根据控制参数和误差反馈值对环境调节设备进行PD控制；
采集终端还用于采集温棚的外部环境信息，外部环境信息包括温棚外的光照强度、温度和湿度；
风控制模块用于对外部环境信息、内部环境信息和期望环境信息进行对比分析，得到比对结果，然后根据比对结果从预设的比对结果对照表中匹配出风控制指令，并将风控制指令发送给吹风装置，比对结果对照表包括不同比对结果所对应的风控制指令；
吹风装置用于根据接收到的风控制指令开启，并在达到预设的吹风时长时，自动关闭吹风装置，吹风装置所吹的风为热风。
2.根据权利要求1所述的基于神经网络的大型温棚PD控制系统，其特征在于：采集终端还包括定位模块；
定位模块用于采集进入温棚内农户的位置信息，并将采集到的位置信息发送给服务器；
风控制模块还用于根据位置信息将生成的风控制指令发送给位置信息所属吹风范围对应的吹风装置。
3.根据权利要求2所述的基于神经网络的大型温棚PD控制系统，其特征在于：服务器还包括病虫害检测模块和病虫害分析模块；
用户终端还用于向服务器发送作物巡检图像；
病虫害检测模块用于将作物巡检图像通过预设的病虫害检测模型进行病虫害检测，得到第一病虫害检测结果；
病虫害分析模块用根据第一病虫害检测结果和作物信息进行分析，得到病虫害分析报告，并发送给用户终端，病虫害分析报告包括病虫害检测结果和防治措施。
4.根据权利要求3所述的基于神经网络的大型温棚PD控制系统，其特征在于：采集终端还包括设置在温棚内的摄像头和控制摄像头采集的拍摄控制模块，服务器还包括图像采集控制模块；
图像采集控制模块用于根据位置信息生成指定位置拍摄指令给采集终端，指定位置与温棚内摄像头的拍摄区域关联；
拍摄控制模块用于根据指令位置拍摄指令查找对应拍摄区域的摄像头，并控制查找到的摄像头拍摄作物图像，并将作物图像上传给服务器；
病虫害检测模块还用于将作物图像根据预设的病虫害检测模型进行病虫害检测，得到第二病虫害检测结果；
病虫害分析模块还用于将第二病虫害检测结果、第一病虫害检测结果和作物信息进行对比分析，得到病虫害预测分析结果，并发送给用户终端。
5.基于神经网络的大型温棚PD控制方法，其特征在于，包括以下步骤:
通过采集终端分时序采集温棚的内部环境信息；
通过用户终端向服务器发送温棚内种植作物的作物信息；
根据作物信息从存储模块中调取对应作物所处生长阶段的期望环境信息；
将环境信息和期望环境信息通过预设控制参数分析模型进行控制参数分析，得到控制参数；
将控制参数输入到PD控制模块中控制环境调节设备工作；
通过采集终端采集温棚的外部环境信息；
通过定位模块采集进入温棚内农户的位置信息；
根据位置信息将生成的风控制指令通过风控制模块发送给位置信息所属吹风范围对应的吹风装置；
将外部环境信息、内部环境信息和期望环境信息通过风控制模块进行对比分析，得到比对结果；
根据比对结果从存储模块中预设的比对结果对照表中匹配出风控制指令；
将风控制指令输入到吹风装置中开启吹风装置。
6.根据权利要求5所述的基于神经网络的大型温棚PD控制方法，其特征在于：还包括以下步骤：
通过用户终端向服务器发送作物巡检图像；
通过病虫害检测模块将作物巡检图像通过病虫害检测模型进行病虫害检测，得到第一病虫害检测结果；
通过病虫害分析模块根据第一病虫害检测结果和作物信息进行分析，得到病虫害分析报告。
7.根据权利要求6所述的基于神经网络的大型温棚PD控制方法，其特征在于：通过图像采集控制模块根据位置信息生成指定位置拍摄指令；
根据指定位置拍摄指令通过拍摄控制模块查找对应拍摄区域的摄像头，并控制查找到的摄像头拍摄作物图像；
通过病虫害检测模块分别将作物巡检图像和作物图像通过病虫害检测模型进行病虫害检测，得到第一病虫害检测结果和第二病虫害检测结果；
通过病虫害分析模块将第一病虫害检测结果和第二病虫害检测结果进行对比分析，得到病虫害预测分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011615033.9A CN112783228B (zh) | 2020-12-31 | 2020-12-31 | 基于神经网络的大型温棚pd控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011615033.9A CN112783228B (zh) | 2020-12-31 | 2020-12-31 | 基于神经网络的大型温棚pd控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112783228A CN112783228A (zh) | 2021-05-11 |
| CN112783228B true CN112783228B (zh) | 2022-03-22 |
Family
ID=75754130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011615033.9A Active CN112783228B (zh) | 2020-12-31 | 2020-12-31 | 基于神经网络的大型温棚pd控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112783228B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048666A (zh) * | 2021-06-07 | 2022-02-15 | 南京理工大学 | 火炮人机工效评估数据采集系统 |
| CN114241221B (zh) * | 2022-02-28 | 2022-05-03 | 湖南工商大学 | 一种基于神经网络预测算法的控制系统 |
| CN115629638B (zh) * | 2022-11-28 | 2023-04-28 | 中国科学院过程工程研究所 | 物料热处理除油脂控温方法及温控系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102253A (zh) * | 2014-07-07 | 2014-10-15 | 江苏省农业科学院 | 一种智能大棚环境监测系统 |
| CN106912329A (zh) * | 2017-03-09 | 2017-07-04 | 中国农业科学院农业经济与发展研究所 | 一种温室自然通风的控制系统及控制方法 |
| CN108762348A (zh) * | 2018-05-08 | 2018-11-06 | 重庆工业职业技术学院 | 一种温室自动化控制系统 |
| 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 |
| CN110262435A (zh) * | 2019-07-16 | 2019-09-20 | 河海大学常州校区 | 基于大数据分析的智慧大棚控制系统及方法 |
-
2020
- 2020-12-31 CN CN202011615033.9A patent/CN112783228B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104102253A (zh) * | 2014-07-07 | 2014-10-15 | 江苏省农业科学院 | 一种智能大棚环境监测系统 |
| CN106912329A (zh) * | 2017-03-09 | 2017-07-04 | 中国农业科学院农业经济与发展研究所 | 一种温室自然通风的控制系统及控制方法 |
| CN108762348A (zh) * | 2018-05-08 | 2018-11-06 | 重庆工业职业技术学院 | 一种温室自动化控制系统 |
| 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 |
| CN110262435A (zh) * | 2019-07-16 | 2019-09-20 | 河海大学常州校区 | 基于大数据分析的智慧大棚控制系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112783228A (zh) | 2021-05-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112783228B (zh) | 基于神经网络的大型温棚pd控制系统及方法 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| Khairunniza-Bejo et al. | Application of artificial neural network in predicting crop yield: A review | |
| CN112800665A (zh) | 一种基于人工智能的植物生长自反馈学习培育方法 | |
| CN112931150B (zh) | 一种基于柑橘冠层光谱响应的灌溉系统和方法 | |
| CN109325495B (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
| CN118863578B (zh) | 一种基于大数据分析的智能化农业种植决策支持实施方法 | |
| CN113158750A (zh) | 一种基于卷积神经网络的植物长势模型的自反馈学习评估方法 | |
| WO2018101848A1 (en) | Predictive dynamic cloud based system for environmental sensing and actuation and respective method of operation | |
| CN112930926A (zh) | 一种基于深度学习的植物生产参数调优方法 | |
| CN109003198A (zh) | 一种基于大数据技术的精准农业管理平台及方法 | |
| Jaiswal et al. | IoT and machine learning based approach for fully automated greenhouse | |
| Gandhi et al. | Machine learning approaches for smart agriculture | |
| JP7452879B2 (ja) | 予測システム、予測方法、および予測プログラム | |
| Črtomir et al. | Application of Neural Networks and Image Visualization for Early Forecast of Apple Yield. | |
| CN115880433A (zh) | 一种基于数字孪生的农作物培育优化方法 | |
| CN115629585B (zh) | 一种智慧农业的种植管理方法及系统 | |
| KR20230061034A (ko) | 작물의 엽록소 함량을 예측하는 기계 학습 모델 학습 방법, 작물의 엽록소 함량 예측 방법 및 식물 생육 시스템 | |
| KR102002632B1 (ko) | Ｉｏｔ 기반 과수 모니터링 시스템 및 방법 | |
| CN113791650B (zh) | 一种臭氧浓度的调节方法及系统 | |
| Lin et al. | IoT-based strawberry disease detection with wall-mounted monitoring cameras | |
| TW202002772A (zh) | 智慧深度學習農漁培養系統 | |
| JP7437061B2 (ja) | 生育環境予測装置、生育環境制御システムおよび生育環境予測方法 | |
| CN108319134A (zh) | 一种基于极限学习机网络的温室环境智能控制方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250306 Address after: 522000 No. 107, Building G, Dongyi District, Xiaocui Road, Xinhe Community, Dongsheng Street, Rongcheng District, Jieyang City, Guangdong Province (self declared) Patentee after: Jieyang Chengyu Intellectual Property Service Co.,Ltd. Country or region after: China Address before: 563006 No.6 Wujiang Avenue, Xinpu New District, Zunyi City, Guizhou Province Patentee before: ZUNYI NORMAL College Country or region before: China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20250317 Address after: 528100, Block B, No. 04, Julong Junxi Garden, No. 8 LeNan Road, Leping Town, Sanshui District, Foshan City, Guangdong Province (Address Declaration) Patentee after: Foshan Xinyingxin Agricultural Technology Co.,Ltd. Country or region after: China Address before: 522000 No. 107, Building G, Dongyi District, Xiaocui Road, Xinhe Community, Dongsheng Street, Rongcheng District, Jieyang City, Guangdong Province (self declared) Patentee before: Jieyang Chengyu Intellectual Property Service Co.,Ltd. Country or region before: China |