CN112800665A - 一种基于人工智能的植物生长自反馈学习培育方法 - Google Patents

一种基于人工智能的植物生长自反馈学习培育方法 Download PDF

Info

Publication number
CN112800665A
CN112800665A CN202110041313.1A CN202110041313A CN112800665A CN 112800665 A CN112800665 A CN 112800665A CN 202110041313 A CN202110041313 A CN 202110041313A CN 112800665 A CN112800665 A CN 112800665A
Authority
CN
China
Prior art keywords
plant
growth
plant growth
data
self
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
CN202110041313.1A
Other languages
English (en)
Inventor
谷月
朱建至
魏家威
余治梅
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.)
Diankai Changzhou New Energy Technology Research Institute Co ltd
Original Assignee
Diankai Changzhou New Energy Technology Research Institute 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 Diankai Changzhou New Energy Technology Research Institute Co ltd filed Critical Diankai Changzhou New Energy Technology Research Institute Co ltd
Priority to CN202110041313.1A priority Critical patent/CN112800665A/zh
Publication of CN112800665A publication Critical patent/CN112800665A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Cultivation Of Plants (AREA)

Abstract

本发明涉及一种基于人工智能的植物生长自反馈学习培育方法，连续采集植物生长各阶段的二维及三维图像，并连续采集植物生长环境数据；之后将所采集的二维及三维图像输入植物长势模型，对植物长势模型进行优化，以及获得当前的植物生长状况数据；与此同时，根据所获得的当前的植物生长状况数据，基于设定的植物生长参数配置各植物培育箱内植物生长各阶段的生长环境；以及基于上述获得的植物生长状况数据、植物生长环境数据，对分类算法训练，获得生产参数调优模型和调优生长参数。在经过多次迭代后获得最佳的植物生长参数。该方法能够将植物从种植初始小苗阶段开始到开花结果进行实时统计和分析，并现自动以自反馈的方式进行植物生长研究。

Description

一种基于人工智能的植物生长自反馈学习培育方法
技术领域
本发明涉及人工智能和植物培育技术领域，尤其涉及一种基于人工智能的植物生长自反馈学习培育方法。
背景技术
随着人工智能深度技术的迅速发展，深度神经网络，卷积神经网络在图像识别的领域里取得了显著的发展和长足的进步。近年来，深度学习的技术在图像识别上有了多种多样的应用，比如在ImageNet等人工智能领域图像识别的竞赛和数据集，更催生了对图像识别十分有效的神经网络结构的设计，更促进了与机械学习众多理论、技术和方法的发展和诞生。
当前，虽然在植物培育技术领域内已经开始引入了人工智能控制，但一定程度上仍然依赖于设定的数据。即目前结合人工智能进行植物培育还停留在进行设定好的“数据”阶段，在“执行数据”和“取得决策”阶段还必须先行设定，再由各种传感设备去执行。由此可知，这仅仅是处于执行数据和记录数据阶段的流程，无法为植物栽培技术上提供更多更有效的栽培决策方案，特别是在众多植物的品种上及工厂化智能种植的应用中。
鉴于此，提供一种解决上述技术问题的方案，已经是本发明技术领域所亟需关注的。
发明内容
本发明实施例的目的是针对现有技术结构上的缺点，提出一种基于人工智能的植物生长自反馈学习培育方法和系统，在受控的环境下采用植物的叶片、植株、花、果的图像结构对植物生长状态进行判断，克服了现有的植物器官识别过程中，由于采用人工的方式进行植物识别所导致的识别效率低下及误差的问题，通过卷积神经网络的算法建模，可以精准识别植物生长状态，并依此来对设定的生产参数数据进行更精准的数据调节，给予最优的不同生长环境参数。
为了达到上述发明目的，本发明实施例提出的一种基于人工智能的植物生长自反馈学习培育方法是通过以下技术方案实现的:
一种基于人工智能的植物生长自反馈学习培育方法，其特征在于，包括如下步骤：
S1：配置具有多个独立的植物培育箱的培育系统；
以及，采集待培育植物现有的优选生长参数数据；所述优选生长参数包括待培育植物在生长各阶段的光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、营养液配比、养液喷洒周期；
以及，采集植物各个生长周期的图像数据样本集，并基于所述图像数据样本集对自反馈算法训练，得到植物长势模型；
S2：在所述培育系统内培育植物；
基于当前迭代轮次，根据所述的优选生长参数数据设定随机参数范围，设定各植物培育箱的植物各生长阶段的生长参数；同时根据下述步骤S21中所获得的当前的植物生长状况数据确定当前植物生长阶段，从而配置各植物培育箱内植物生长各阶段的生长环境；
并在培育植物的完整生长周期中：
S21：周期性的采集各植物培育箱内的植物在生长各阶段的二维及三维的图像，并分别标记所述图像的拍摄时间；实时将所采集的二维及三维图像输入所述植物长势模型，对所述植物长势模型进行优化，以及获得当前植物生长状况数据以及预测植物生长数据；
S22：周期性采集植物生长环境数据，包括光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、养液PH值、养液EC值、养液喷洒周期，并标记采集时间；通过自反馈算法训练，以步骤S21中获得的所述当前植物生长状况数据和预测植物生长数据，对在所述当前植物生长状况数据时序前的所述植物生长环境数据进行评估，从而获得生产参数调优模型,以及输出调优生长参数作为现有的优选生长参数；
S3:重复步骤S2，进行新一轮迭代。
所述S1还包括如下步骤：根据待培育植物种类和植物培育箱结构，选择单一植株监控区域，并在各培育箱设置用于拍摄植物生长区域内整体的植物生长状态的二维摄像头和三维摄像头，以及设置用于拍摄单一植株监控区域内植物生长状态的二维摄像头和三维摄像头；
所述S2中所采集的二维及三维图像包括植物整体的生长状态图像以及单一植株监控区域内单一植株的生长状态。
所述植物生长状况数据包括：植物所处生长阶段、整体的大小、高低，叶面结构面积、植物生物量数据；以及单一植株的叶面积、叶面周长、颜色深度、植株高度、根系长度、面积、轮廓、结实率、果实颜色、果实大小、轮廓面积和周长数据。
所述步骤S1和步骤S23中分类算法包括卷积神经网络。
所述S1还包括步骤：采集作物病虫害数据集，并基于所述作物病虫害数据集对分类算法训练，得到植物病虫害模型；
所述S22还包括步骤：将所采集的所述叶片及植株的二维及三维图像输入所述植物病虫害模型，对所述植物病虫害模型进行优化，以及获得当前的植物长势病虫害状况数据。
所述S1还包括步骤：在所述各培育箱中设置近红外光谱无损检测仪；
所述S21还包括步骤：通过所述近红外光谱无损检测仪连续采集植物花瓣和果肉中的红外光检测数据；以及将所采集的红外光检测数据输入BP神经网络，建立蔬果糖度模型。
所述养液喷洒周期包括根部喷洒周期和叶面超声雾化喷洒周期。
本发明设计了一套深度的自行学习反馈模型，植物外在的表型研究作为参数评估的可选项，可以使系统迭代和优化的更快和更精确。整个系统是泛化的，也就是说，不单单是对一种植物或作物可以进行自行反馈调节，而是对所有在控制的环境中条件种植的植物均可以进行，随着系统的迭代学习，神经网络会越来越精准，越来越高效，越来越智能！
植物从种植初始小苗阶段开始到开花结果就将相关数据上传到大数据云平台，进行实时统计和分析，评估和判断建立样本，精准调节参数，通过前反馈技术，可以将传统的植物研究周期由年-月级别缩短到天-小时甚至分钟级别，通过机器学习算法实现自动植物生长研究，达到最大的应用价值。
与现有技术相比，本发明具有以下优点：
1.实时运行，不间断运行；2.自动反馈，智能评估；3.传输数据精确度高，自我迭代。4.无线远程数据传输，实时显示数据。5.数据即时存储，历史曲线随时分析，做到大数据监控管理。
附图说明
为了清楚地说明现有技术和本申请发明的技术方案，下面将对现有技术和本发明申请实施例描述中需要使用的附图作简要的介绍。当然，下面有关本发明申请的附图描述的仅仅是本申请中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本申请的保护范围。
图1为本申请实施例公开的一种基于人工智能的植物生长自反馈学习培育方法的流程图；
图2为本发明申请实施例中营养生长期及营养生殖生长期，功能性肥的配比示意；
图3为本申请实施例中植物营养生长期及生殖生长期光积量的示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明，以便于同行业技术人员的理解：
参考图1所示，本申请实施公开了一种基于人工智能的植物生长自反馈学习培育方法，其特征在于，包括如下步骤：
一、前期配置阶段：
1、配置具有多个独立的植物培育箱的培育系统。
在这里包括实验室生长参数优化阶段的小规模制备，也包括市场化推广应用阶段为客户搭建植物工厂。本申请人在此之前申请了申请号为：____的一种智能化雾耕栽培装置，在其基础上增加相应的摄像头和近红外光谱无损检测仪后，即适宜本方法大规模推广应用，在此对其结构简述如下：
盛放养液的养液箱。养液箱内设置有自吸泵、强磁磁化器和过滤器，液箱内的养液流经强磁磁化器处理形成小分子水，再经由自吸泵分流输送至进水管。养液箱内还设置有液温液位传感器、养液EC值和PH值传感器。养液EC值和PH值传感器用于监测养液箱内的养液EC值和养液PH值，液温液位传感器用于监测养液箱内养液的温度和液位高度。
温度控制系统，温度控制系统包括压缩机、压力控制器和散热风扇，每个培育箱的植物生长空间内配置有盘管换热器，压缩机通过四通阀、载冷剂管路和盘管换热器构成循环回路。散热风扇用于散热。压力控制器设置在循环回路上，用于对循环回路压力进行监控。
培育箱包括栽培箱以及设于栽培箱上方的LED植物灯组，每个栽培箱内设置三组LED植物灯组。LED植物灯组提供植物生长所需的光谱与照度，其与栽培箱之间形成植物生长空间。
栽培箱内设有定植板、二个第一喷头和多个第二喷头，第一喷头为四向喷头，被配置为朝向定植板下方植物根系区域设置。第一喷头通过进水管路连接自吸泵,通过自吸泵将养液由养液箱雾化后输送到栽培箱，用于提供雾化养液给植物根部吸收。在植物生长过程从小苗期，生长期，采收期3段不同需求期，通过设定调整静音自吸泵供雾化养液的时间控制。
第二喷头被配置为朝向定植板上方植物叶面区域设置，用于为叶片气孔输送叶面肥及种植空间湿度的控制。在具体实施例中，第二喷头为开设在输送管路上的0.5mm孔径的孔，此孔作为养液雾化的输出口。
在每个培育箱的植物生长空间，其一侧装配有两个通风风扇，启动送风与排风，做为种植空间通风排风的功能，并可提高空间内二氧化碳浓度，协调LED植物生长灯组，加强植物行光合作用。
培育箱内还设有用于监测其内温湿度的温湿度传感器，以及监测其内光照度的光照传感器。
培育箱内还设置有多个用于拍摄培育箱内植物生长情况的摄像机，其中包括：根据待培育植物种类和植物培育箱结构，选择栽培箱内四个角和中心位置为单一植株监控区域，并培育箱的对应位置设置用于拍摄其内植物生长区域内整体的植物生长状态的低照度工业摄像头(二维摄像头)和双目视觉摄像头(三维摄像头)，以及设置用于拍摄五个单一植株监控区域内植物生长状态的低照度工业摄像头和双目视觉摄像头。
培育箱内还设置有近红外光测量仪。蔬果的糖度直接影响其口感和等级，传统方法需要切片榨汁后用折光仪进行测定，具有破坏性，在水果分级或现场快速检测中，迫切需要进行无损检测。在植物营养生殖生长期第三、四、五阶段，通过近红外光谱无损检测技术，以近红外光作为光源，照射在作物花瓣及果面，利用近红外光在花瓣及果肉中发生吸收、反射、漫反射和透射等物理现象，应用光学检测器采集携带植物糖度信息的反射光谱，不同糖度蔬果的反射光谱信息不同，并利用该信息对作物的内部成分进行无损检测，为综合评价指标进行模型优化，从而使参数越来越精准。
超声波发生器内设有容纳养液的容器，通过人工上液的方式补充养液，超声波发生器将容器内的养液超雾化后，通过超声雾化管路将超雾化有机养液输送到第二喷头，为植物茎叶部分的叶面肥的供输，并可调整控制种植空间内湿度的浓度。
控制系统包括信息处理模块、信息存储模块和人机交互模块。
信息处理模块连接并接收二维摄像头和三维摄像头、温湿度传感器、光照传感器、紫外线杀菌灯、液温液位传感器、养液EC值和PH值传感器所采集数据，对应控制通风风扇、温度控制器、LED植物灯组、自吸泵和超声波发生器，由此实现对环境温度，湿度，二氧化碳浓度，光谱，光照度，通风，养液EC值，PH值，液位，液温的智能控制，以及对设备内植物生长状况的实时监控。
2.采集数据
2.1采集待培育植物现有的优选生长参数数据。优选生长参数包括待培育植物在生长各阶段的光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、营养液配比、养液喷洒周期等。并依此来设定第一次迭代轮次时各培育箱的参数。
2.2采集植物各个生长周期的图像数据样本集，在本实施中数据集一共分了六个类别，分别是：牧草，工业大麻，小麦，分别是各个生长周期的图像数据。一共预计1000个样本。
基于上述图像数据样本集对自反馈算法训练，得到植物长势模型。在优选的实施例中是通过卷积神经网络来建立一个识别作物不同生长状态下的图像识别模型。
调用深度学习卷积神经网络，通过OpenCV轮廓发现算法与几何分析算法，将植物图像数据基于轮廓算法进行处理。从ROI提取正确才可以进行后续的分析、测量、计算密度等，而且这些ROI区域往往不是矩形区域，一般都是不规则的多边形区域。
需要注意的是->其中生成Mask可以根据轮廓、二值化连通组件分析、inRange等处理方法得到。这里基于inRange方式得到mask区域，然后提取植物图像生长率评估之形态。
将获取到的植物图像进行压缩处理，通过获取不同位面的植物图像，进行综合分析，植物的叶片，植株，颜色，面积轮廓等，得出一系列参数，从而得出植物的生长状态结果。
传统意义上的多层神经网络是只有输入层、隐藏层、输出层。其中隐藏层的层数根据需要而定，没有明确的理论推导来说明到底多少层合适。卷积神经网络在原来多层神经网络的基础上，加入了更加有效的特征学习部分，具体操作就是在原来的全连接层前面加入了卷积层与池化层。卷积神经网络出现，使得神经网络层数得以加深，“深度”学习由此而来。通常所说的深度学习，一般指的是这些CNN等新的结构以及一些新的方法(比如新的激活函数Relu等)，解决了传统多层神经网络的一些难以解决的问题。
卷积神经网络三个结构
神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer，又叫下采样层)以及激活层。每一层的作用如下：
·卷积层：通过在原始图像上平移来提取特征
·激活层：增加非线性分割能力
·池化层：减少学习的参数，降低网络的复杂度(最大池化和平均池化)
为了能够达到分类效果，还会有一个全连接层(Full Connection)也就是最后的输出层，进行损失计算并输出分类结果。
四个超参数控制输出体积的大小：过滤器大小，深度，步幅和零填充。得到的每一个深度也叫一个Feature Map。
卷积层的处理，在卷积层有一个重要的就是过滤器大小(需要自己指定)，若输入值是一个[32x32x3]的大小(例如RGB CIFAR-10彩色图像)。如果每个过滤器(Filter)的大小为5×5，则CNN层中的每个Filter将具有对输入体积中的[5x5x3]区域的权重，总共5 5 3＝75个权重(和+1偏置参数)，输入图像的3个深度分别与Filter的3个深度进行运算。请注意，沿着深度轴的连接程度必须为3，因为这是输入值的深度，并且也要记住这只是一个Filter。
2.3通过整理并分析了公开的农作物病虫害数据集，包含十种农作物的27种病害五万张图像(农作物病虫害公开图像数据集：https://challenger.ai/)。通过分析AIChallenge 2018农作物病虫害开源图像数据集，对常见的10种农作物，27种病虫害，5万张图像，构建深度卷积神经网络进行迁移学习，实现图像分类。目前支持小麦，苹果、樱桃、玉米、葡萄、柑桔、桃、辣椒、马铃薯、草莓、番茄等常见病虫害识别。以番茄为例，白粉病、疮痂病、早疫病、晚疫病、叶霉病、斑点病、斑枯病、红蜘蛛、黄化曲叶病毒病等等。基于目前最先进的深度残差卷积神经网络进行迁移学习，准确率达到了93％。
二、培育迭代期
1、培育迭代期内使用上述的培育系统培育植物。首先基于当前迭代轮次，根据优选生长参数数据设定随机参数范围，这个随机参数范围是用于判断不同植物培育箱的植物在不同生长参数下的生长状况，进而优化参数。而迭代次数越高则意味着参数越逼近理想的参数区间，随机参数范围越小。
获得当前迭代轮次下的随机参数范围后，根据随机参数范围设定各植物培育箱的植物各生长阶段的生长参数，不同植物培育箱的参数分别在该随机参数范围取值。
同时根据下述步骤中所获得的当前的植物生长状况数据确定当前植物生长阶段，从而智能的根据当前植物生长周期而配置各植物培育箱内生长环境。具体实施例如下所示：
参见图2所示，植物在小苗期有2-3片真叶时将小苗定值在植物栽培箱，设定植物营养生长期(A1)第一个阶段的环境参数范围，包括：环境温度(28度)，湿度(70％)，光照时间(11.5H/24H)，光照度(11000/LUX),二氧化碳浓度(450ppm)，风力速度(0.5-1.0m/s)；
进一步在植物根部箱体内，变频自吸泵通过供液管道，四向喷头，以每50/分钟施放40/秒的水溶性营养液肥(A1)氮，磷，钾(3:2:2)比例的提供，每3天以超声波发生器加施叶面肥一次，在制冷热发生器的控制下使植物栽培箱维持在28℃的温度，进行栽培。
在植物营养生长期(A2)第二个阶段，参数设定的范围下，环境温度(25℃-28℃)，湿度(75％)，光照时间(12.5H/24H)，光照度(11800/LUX),二氧化碳浓度(600ppm)，风力速度(0.5-1.0m/s)。
进一步在植物根部箱体内，变频自吸泵以每50/分钟施放45/秒的水溶性营养液肥(A2)氮，磷，钾(5:3:2)比例的提供，每5天以超声波发生器加施叶面肥一次，在制冷热发生器的控制下使植物栽培箱维持在25℃到28℃的温度，进行栽培。
在植物营养生长期(A3)第三个阶段，参数设定的范围下，环境温度(26℃)，湿度(70％)，光照时间(13.0H/24H)，光照度(12600/LUX),二氧化碳浓度(660ppm)，风力速度(1.0-1.5m/s)。
进一步在植物根部箱体内，变频自吸泵以每50/分钟施放50/秒的水溶性营养液肥(A3)氮，磷，钾(3:3:2)比例的提供，每5天以超声波发生器加施叶面肥一次，在制冷热发生器的控制下使植物栽培箱维持在25℃的温度，进行栽培。
参见图3所示，植物在营养生殖生长期五个阶段，在人工环境的植物栽培箱，设定植物营养生殖生长期(B1)第一个阶段的环境参数范围。包括：环境温度(28度)，湿度(70％)，光照时间(12.5H/24H)，光照度(13000/LUX),二氧化碳浓度(750ppm)，风力速度(1.5-1.8m/s)；在植物根部箱体内，变频自吸泵以每60/分钟施放60/秒的水溶性营养液肥(B1)氮，磷，钾(0:62:62)比例的提供，每2天以超声波发生器加施叶面肥一次(2分钟)。
设定植物营养生殖生长期(B2)第二阶段的环境参数范围，包括：环境温度(28度)，湿度(75％)，光照时间(13.5H/24H)，光照度(14000/LUX),二氧化碳浓度(750ppm)，风力速度(1.5-2.0m/s)；在植物根部箱体内，变频自吸泵以每60/分钟施放70/秒的水溶性营养液肥(B2)氮，磷，钾(2:48:44)比例的提供，每2天以超声波发生器加施叶面肥一次(2分钟)。
设定植物营养生殖生长期(B3)第三阶段的环境参数范围，包括：环境温度(30度)，湿度(75％)，光照时间(14.5H/24H)，光照度(14500/LUX),二氧化碳浓度(850ppm)，风力速度(1.5-2.0m/s)；在植物根部箱体内，变频自吸泵以每70/分钟施放65/秒的水溶性营养液肥(B3)氮，磷，钾(2:20:28)比例的提供，每2天以超声波发生器加施叶面肥一次(2分钟)。
设定植物营养生殖生长期(B4)第四阶段的环境参数范围，包括：环境温度(30度)，湿度(70％)，光照时间(15.H/24H)，光照度(15000/LUX),二氧化碳浓度(850ppm)，风力速度(2.0-2.8m/s)；在植物根部箱体内，变频自吸泵以每70/分钟施放65/秒的水溶性营养液肥(B4)氮，磷，钾(3:10:8)比例的提供，每3天以超声波发生器加施叶面肥一次(2分钟)，
设定植物营养生殖生长期(B5)第五阶段的环境参数范围，包括：环境温度(27度)，湿度(70％)，光照时间(15.H/24H)，光照度(15500/LUX),二氧化碳浓度(900ppm)，风力速度(2.0-2.8m/s)；在植物根部箱体内，变频自吸泵以每70/分钟施放50/秒的水溶性营养液肥(B5)氮，磷，钾(2:8:14)比例的提供，每3天以超声波发生器加施叶面肥一次(2分钟)，
2、周期性的使用低照度工业摄像头及双目视觉摄像头采集各植物培育箱内的植物在生长各阶段的二维及三维的图像的结构，并分别标记图像的拍摄时间。实时将所采集的二维及三维图像输入植物长势模型，调用深度学习卷积神经网络进行图像识别和图形分割，建立二维图像识别模型、三维图像识别模型、图像分割模型和边缘AI计算模型。
从局部特征识别，针对单一植株进行特征数据识别，评估单一植株的生长状态，叶面积，叶面周长，颜色深度，植株高度，根系长度，面积，轮廓，结实率，果实颜色，果实大小，轮廓面积和周长数据对比。
通过人工智能机器学习，强化学习实现植物自动化生长特征工程，检测整体植物生长状态，识别叶面轮廓，根系轮廓，计算面积，周长等参数，评估整体的植物长势。
基于轮廓发现与多边形逼近、几何距实现几何形状识别与对象测量，测量时运用到另外两个相关API分别是计算轮廓的周长与面积。得到植物生长状态的大小，高低，前后各种的参考数据。
由此，实现了对植物长势模型的优化，以及获得当前植物生长状况数据以及预测植物生长数据。上述植物生长状况数据包括：植物所处生长阶段、整体的大小、高低，叶面结构面积、植物生物量数据；以及单一植株的叶面积、叶面周长、颜色深度、植株高度、根系长度、面积、轮廓、结实率、果实颜色、果实大小、轮廓面积和周长数据。
4、将所采集的所述叶片及植株的二维及三维图像输入植物病虫害模型，对所述植物病虫害模型进行优化，以及获得当前的植物长势病虫害状况数据。
5、通过所述近红外光谱无损检测仪连续采集植物花瓣和果肉中的红外光检测数据；以及将所采集的红外光检测数据输入BP神经网络，建立蔬果糖度模型。使用该蔬果糖度模型去测试预测数据集中不同蔬果光谱信息下的蔬果糖度。这样就不用通过将蔬果榨成汁后去用化学仪器检测糖度，从而起到了无损检测的效果。
3、周期性采集植物生长环境数据，包括光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、养液PH值、养液EC值、养液喷洒周期，并标记采集时间。
通过自反馈算法训练，调用机器学习(BP)神经网络，强化学习在这种学习模式下，输入各种传感数据(植物生长环境数据)作为对上述步骤中获得的当前植物生长状况数据和预测植物生长数据的反馈，对在当前植物生长状况数据时序前的所述植物生长环境数据进行评估以及参数反馈调节，从而获得生产参数调优模型,然后通过后续分析进行反馈和模型改进，在强化学习下，输入数据直接反馈到模型，模型必须对此立刻作出调整。
之后，输出调优生长参数作为现有的优选生长参数。
最后基于新的优选生长参数，进行新一轮迭代。
通过调节不同的参数，进行数据记录和分析比较，用于预测参数模型，根据识别在不同的细粒度生长状态下如何给予最优的生长参数，从而揭示植物最佳的生长条件，以便展现植物口感，营养，生物量和其它特征。使其无论处于在那种生长状态下，都达到最大的生产效率，并记录其生长的参数，一旦达成最佳的生产条件，这一参数将会被保留下来和复制到其他设备上面去，从而快速应用
通过上述的自反馈学习使改进生产效率和植物学研究成为了一个完全自动的系统。整个流程除了参数设定和后续分析，其它均为系统自动操作。这是一套深度的自行学习反馈模型，植物外在的表型研究作为参数评估的可选项，可以使系统迭代和优化的更快和更精确。整个系统是泛化的，也就是说，不单单是对一种植物或作物可以进行自行反馈调节，而是对所有在控制的环境中条件种植的植物均可以进行，随着系统的迭代学习，神经网络会越来越精准，越来越高效，越来越智能！
本发明设计了一套深度的自行学习反馈模型，植物外在的表型研究作为参数评估的可选项，可以使系统迭代和优化的更快和更精确。整个系统是泛化的，也就是说，不单单是对一种植物或作物可以进行自行反馈调节，而是对所有在控制的环境中条件种植的植物均可以进行，随着系统的迭代学习，神经网络会越来越精准，越来越高效，越来越智能！
植物从种植初始小苗阶段开始到开花结果就将相关数据上传到大数据云平台，进行实时统计和分析，评估和判断建立样本，精准调节参数，通过前反馈技术，可以将传统的植物研究周期由年-月级别缩短到天-小时甚至分钟级别，通过机器学习算法实现自动植物生长研究，达到最大的应用价值。
与现有技术相比，本发明具有以下优点：
实时运行，不间断运行；2.自动反馈，智能评估；3.传输数据精确度高，自我迭代。4.无线远程数据传输，实时显示数据。5.数据即时存储，历史曲线随时分析，做到大数据监控管理。
需要注意的是，以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，在上述实施例的指导下，本领域技术人员可以在上述实施例的基础上进行各种改进和变形，而这些改进或者变形落在本发明的保护范围内。

Claims (7)

1.一种基于人工智能的植物生长自反馈学习培育方法，其特征在于，包括如下步骤：
S1：配置具有多个独立的植物培育箱的培育系统；
以及，采集待培育植物现有的优选生长参数数据；所述优选生长参数包括待培育植物在生长各阶段的光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、营养液配比、养液喷洒周期；
以及，采集植物各个生长周期的图像数据样本集，并基于所述图像数据样本集对自反馈算法训练，得到植物长势模型；
S2：在所述培育系统内培育植物；
基于当前迭代轮次，根据所述的优选生长参数数据设定随机参数范围，设定各植物培育箱的植物各生长阶段的生长参数；同时根据下述步骤S21中所获得的当前的植物生长状况数据确定当前植物生长阶段，从而配置各植物培育箱内植物生长各阶段的生长环境；
并在培育植物的完整生长周期中：
S21：周期性的采集各植物培育箱内的植物在生长各阶段的二维及三维的图像，并分别标记所述图像的拍摄时间；实时将所采集的二维及三维图像输入所述植物长势模型，对所述植物长势模型进行优化，以及获得当前植物生长状况数据以及预测植物生长数据；
S22：周期性采集植物生长环境数据，包括光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、养液PH值、养液EC值、养液喷洒周期，并标记采集时间；通过自反馈算法训练，以步骤S21中获得的所述当前植物生长状况数据和预测植物生长数据，对在所述当前植物生长状况数据时序前的所述植物生长环境数据进行评估，从而获得生产参数调优模型,以及输出调优生长参数作为现有的优选生长参数；
S3:重复步骤S2，进行新一轮迭代。
2.根据权利要求1所述的一种基于人工智能的植物生长自反馈学习培育方法，其特征在于，所述S1还包括如下步骤：根据待培育植物种类和植物培育箱结构，选择单一植株监控区域，并在各培育箱设置用于拍摄植物生长区域内整体的植物生长状态的二维摄像头和三维摄像头，以及设置用于拍摄单一植株监控区域内植物生长状态的二维摄像头和三维摄像头；
所述S2中所采集的二维及三维图像包括植物整体的生长状态图像以及单一植株监控区域内单一植株的生长状态。
3.根据权利要求2所述的一种基于人工智能的植物生长自反馈学习培育方法，其特征在于，所述植物生长状况数据包括：植物所处生长阶段、整体的大小、高低，叶面结构面积、植物生物量数据；以及单一植株的叶面积、叶面周长、颜色深度、植株高度、根系长度、面积、轮廓、结实率、果实颜色、果实大小、轮廓面积和周长数据。
4.根据权利要求3所述的一种基于人工智能的植物生长自反馈学习培育方法，其特征在于：所述步骤S1和步骤S23中分类算法包括卷积神经网络。
5.根据权利要求1所述的一种基于人工智能的植物生长自反馈学习培育方法，其特征在于，
所述S1还包括步骤：采集作物病虫害数据集，并基于所述作物病虫害数据集对分类算法训练，得到植物病虫害模型；
所述S22还包括步骤：将所采集的所述叶片及植株的二维及三维图像输入所述植物病虫害模型，对所述植物病虫害模型进行优化，以及获得当前的植物长势病虫害状况数据。
6.根据权利要求1所述的一种基于人工智能的植物生长自反馈学习培育方法，其特征在于，
所述S1还包括步骤：在所述各培育箱中设置近红外光谱无损检测仪；
所述S21还包括步骤：通过所述近红外光谱无损检测仪连续采集植物花瓣和果肉中的红外光检测数据；以及将所采集的红外光检测数据输入BP神经网络，建立蔬果糖度模型。
7.根据权利要求1所述的一种基于人工智能的植物生长自反馈学习培育方法，其特征在于：所述养液喷洒周期包括根部喷洒周期和叶面超声雾化喷洒周期。
CN202110041313.1A 2021-01-13 2021-01-13 一种基于人工智能的植物生长自反馈学习培育方法 Pending CN112800665A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110041313.1A CN112800665A (zh) 2021-01-13 2021-01-13 一种基于人工智能的植物生长自反馈学习培育方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110041313.1A CN112800665A (zh) 2021-01-13 2021-01-13 一种基于人工智能的植物生长自反馈学习培育方法

Publications (1)

Publication Number Publication Date
CN112800665A true CN112800665A (zh) 2021-05-14

Family

ID=75810341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110041313.1A Pending CN112800665A (zh) 2021-01-13 2021-01-13 一种基于人工智能的植物生长自反馈学习培育方法

Country Status (1)

Country Link
CN (1) CN112800665A (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114027052A (zh) * 2021-10-20 2022-02-11 华南农业大学 一种植物生殖发育的光照调控系统
CN114240866A (zh) * 2021-12-09 2022-03-25 广东省农业科学院环境园艺研究所 基于二维图像与三维生长信息的组培苗分级方法及装置
CN114266969A (zh) * 2021-12-16 2022-04-01 江西裕丰智能农业科技有限公司 一种巡检设备及巡检方法
CN114266734A (zh) * 2021-12-03 2022-04-01 深圳市桑瑞生物科技有限公司 植物生长阶段的识别方法、装置、设备及存储介质
CN114462596A (zh) * 2022-02-10 2022-05-10 黑龙江省农业科学院 一种工业大麻生长期的病虫害监测方法及监测系统
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
CN115171036A (zh) * 2022-06-13 2022-10-11 武汉工程大学 一种智能农业大棚的植物管理控制方法和系统
CN115443826A (zh) * 2022-09-05 2022-12-09 江苏里下河地区农业科学研究所 一种用于健苗培育的精细化光调控方法及系统
CN116341786A (zh) * 2023-03-31 2023-06-27 上海华维可控农业科技集团股份有限公司 一种基于可控农业的植物繁育管理系统及方法
CN116977112A (zh) * 2023-09-20 2023-10-31 上海寰果信息科技有限公司 植株培育的方法、装置以及系统
CN116910490B (zh) * 2023-09-08 2023-12-15 山东建筑大学 农业大棚环境调节方法、装置、设备及介质
CN117436656A (zh) * 2023-11-02 2024-01-23 星景科技有限公司 一种基于人工智能的城市园林绿化养护决策支持方法及系统
CN117854012A (zh) * 2024-03-07 2024-04-09 成都智慧城市信息技术有限公司 一种基于大数据的农作物环境监测方法及系统
CN117893914A (zh) * 2024-03-15 2024-04-16 浙江茂源林业工程有限公司 一种基于图像识别的植物生长监测方法及系统

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114027052A (zh) * 2021-10-20 2022-02-11 华南农业大学 一种植物生殖发育的光照调控系统
CN114266734A (zh) * 2021-12-03 2022-04-01 深圳市桑瑞生物科技有限公司 植物生长阶段的识别方法、装置、设备及存储介质
CN114240866A (zh) * 2021-12-09 2022-03-25 广东省农业科学院环境园艺研究所 基于二维图像与三维生长信息的组培苗分级方法及装置
CN114266969A (zh) * 2021-12-16 2022-04-01 江西裕丰智能农业科技有限公司 一种巡检设备及巡检方法
CN114462596A (zh) * 2022-02-10 2022-05-10 黑龙江省农业科学院 一种工业大麻生长期的病虫害监测方法及监测系统
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
CN115171036A (zh) * 2022-06-13 2022-10-11 武汉工程大学 一种智能农业大棚的植物管理控制方法和系统
CN115443826B (zh) * 2022-09-05 2023-11-07 江苏里下河地区农业科学研究所 一种用于健苗培育的精细化光调控方法及系统
CN115443826A (zh) * 2022-09-05 2022-12-09 江苏里下河地区农业科学研究所 一种用于健苗培育的精细化光调控方法及系统
CN116341786A (zh) * 2023-03-31 2023-06-27 上海华维可控农业科技集团股份有限公司 一种基于可控农业的植物繁育管理系统及方法
CN116341786B (zh) * 2023-03-31 2023-10-31 上海华维可控农业科技集团股份有限公司 一种基于可控农业的植物繁育管理系统及方法
CN116910490B (zh) * 2023-09-08 2023-12-15 山东建筑大学 农业大棚环境调节方法、装置、设备及介质
CN116977112A (zh) * 2023-09-20 2023-10-31 上海寰果信息科技有限公司 植株培育的方法、装置以及系统
CN116977112B (zh) * 2023-09-20 2023-12-08 上海寰果信息科技有限公司 植株培育的方法、装置以及系统
CN117436656A (zh) * 2023-11-02 2024-01-23 星景科技有限公司 一种基于人工智能的城市园林绿化养护决策支持方法及系统
CN117854012A (zh) * 2024-03-07 2024-04-09 成都智慧城市信息技术有限公司 一种基于大数据的农作物环境监测方法及系统
CN117854012B (zh) * 2024-03-07 2024-05-14 成都智慧城市信息技术有限公司 一种基于大数据的农作物环境监测方法及系统
CN117893914A (zh) * 2024-03-15 2024-04-16 浙江茂源林业工程有限公司 一种基于图像识别的植物生长监测方法及系统
CN117893914B (zh) * 2024-03-15 2024-05-24 浙江茂源林业工程有限公司 一种基于图像识别的植物生长监测方法及系统

Similar Documents

Publication Publication Date Title
CN112800665A (zh) 一种基于人工智能的植物生长自反馈学习培育方法
CN112930926A (zh) 一种基于深度学习的植物生产参数调优方法
CN109191074A (zh) 智慧果园种植管理系统
CN112197819A (zh) 一种基于生产基地的植物生长精准控制方法
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
CN113221723B (zh) 可溯源的自反馈学习城市植物工厂
US20220075344A1 (en) A method of finding a target environment suitable for growth of a plant variety
Jaiswal et al. IoT and machine learning based approach for fully automated greenhouse
CN102789579A (zh) 基于计算机视觉技术的温室作物水肥胁迫状态识别方法
Gour et al. IoT based Farming Techniques in Indoor Environment: A Brief Survey
CN111476149A (zh) 一种植物培育控制方法和系统
CN114821321A (zh) 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法
CN116578047B (zh) 一种用于辣椒生产的精细化智能控制方法及系统
EP4430561A1 (en) Optimizing growing process in a hybrid growing environment using computer vision and artificial intelligence
WO2023056098A2 (en) Targeted output within an automated agricultural facility
Farizan et al. Analysis of Support Vector Regression Performance in Prediction of Lettuce Growth for Aeroponic IoT Systems
Singla et al. IoT based monitoring for the growth of basil using machine learning
Lin et al. Data-driven modeling for crop growth in plant factories
Tobias et al. Hybrid tree-fuzzy logic for aquaponic lettuce growth stage classification based on canopy texture descriptors
Tang et al. Aero-Hydroponic Agriculture IoT System
US20230309464A1 (en) Method and apparatus for automated crop recipe optimization
CN213123012U (zh) 一种人工智能自反馈学习的植物工厂
Thalwatte et al. Fully automatic hydroponic cultivation growth system
Sharma et al. Artificial Intelligence in Agriculture: A Literature Survey
Patil et al. Ai-driven hydroponic systems for lemon basil

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