CN113016508B - 药材种植人工智能方法和机器人 - Google Patents

药材种植人工智能方法和机器人 Download PDF

Info

Publication number
CN113016508B
CN113016508B CN202110228017.2A CN202110228017A CN113016508B CN 113016508 B CN113016508 B CN 113016508B CN 202110228017 A CN202110228017 A CN 202110228017A CN 113016508 B CN113016508 B CN 113016508B
Authority
CN
China
Prior art keywords
medicinal material
preset
target
target medicinal
space
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
Application number
CN202110228017.2A
Other languages
English (en)
Other versions
CN113016508A (zh
Inventor
朱定局
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.)
South China Normal University
Original Assignee
South China Normal University
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 South China Normal University filed Critical South China Normal University
Priority to CN202110228017.2A priority Critical patent/CN113016508B/zh
Publication of CN113016508A publication Critical patent/CN113016508A/zh
Application granted granted Critical
Publication of CN113016508B publication Critical patent/CN113016508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A01G22/00—Cultivation of specific crops or plants not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J11/00—Manipulators not otherwise provided for
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/08—Programme-controlled manipulators characterised by modular constructions

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Botany (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

药材种植人工智能方法和机器人，包括：目标药材确定步骤；目标药材数据获取步骤；药预测步骤。上述方法、系统和机器人，通过根据目标药材的种植相关条件对目标药材进行药效预测和对生态影响的预测，从而使得用户在种植药材时能够做到心中有数，能提前知晓在计划的种植相关条件下的目标药材的药效和对生态影响，如果不符合要求或者预期，那么就预测达到预期或要求的药效和对生态的影响时的种植相关的条件的取值，从而可以指导用户的药材种植方式，从而提高目标药材的药效和对生态的良好效果。

Description

药材种植人工智能方法和机器人
技术领域
本发明涉及人工智能技术领域，特别是涉及一种药材种植人工智能方法和机器人。
背景技术
现有技术下，通过前期调研发现药的生长特性、种子来源及种质特性、土地的肥力、地形的坡度、地势状况、光照的时间和强度、降水量的多少、病虫害的侵袭等，每一个因素都伴随着大量的数据，同时存在规律性和突发性，他们相互交织共同影响南药的生长。
在实现本发明过程中，发明人发现现有技术中至少存在如下问题：现有技术下，由于医药行业所需的优质南药缺口较大，南药材种植的积极性很高，但究竟该种些什么、怎么种，却缺乏科学指导和数据支持，常常造成南药材种植的经济损失，也影响南药材种植基地的生态建设。在南药材种植基地进行多次的实地调研后，发现很多类似这样的问题。
因此，现有技术还有待于改进和发展。
发明内容
基于此，有必要针对现有技术的缺陷或不足，提供药材种植人工智能方法和机器人，不管是从服务南药材种植的角度出发，还是从科学保护和修复南药材种植基地出发，解决这种在生产中的信息匮乏和不对称的问题，就必须重视基于大数据的人工智能技术的应用。必须掌握某一区域的年降水量、土壤特性、适种药种等一系列生态数据，生态建设才能有的放矢，精准施策。南药的生长特性、种子来源及种质特性、土地的肥力、地形的坡度、地势状况、光照的时间和强度、降水量的多少、病虫害的侵袭等，每一个因素都伴随着大量的数据，同时存在规律性和突发性，他们相互交织共同影响南药的生长。基于大数据的人工智能技术，通过记录和整理、分析挖掘这些数据，可以为南药材种植基地生态建设和南药材种植业业生产提供参考和指导。基于大数据的人工智能技术还能检测南药材种植基地利用方式是否科学合理，南药材种植基地的整个生态系统是否受到了干扰，失去了平衡。政府可以通过人工干预，对某一区域范围内的南药材种植基地生态平衡做出响应。此外，基于大数据的人工智能技术还能使南药生产有章可循，南药材种植基地生态精准修复。通过大数据分析与研究，南药材种植能够快捷地掌握当地及周边地区南药生长状况，掌握适合本区域的南药种及种植技术，以提高产量、降低运营成本，并尽量减少对生态的影响。
第一方面，本发明实施例提供一种人工智能方法，所述方法包括：
目标药材确定步骤：获取需要监测的药，作为目标药材；
药预测步骤：获取待预测的时空范围内目标药材的条件集合，获取可用结果预测模型，获取待预测的时空范围内目标药材的条件集合输入可用结果预测模型进行计算，得到所述时空范围内目标药材的药效、对生态的影响，判断所述时空范围内目标药材的药效、对生态的影响是否符合预设要求的药效、对生态的影响，若不符合，则提醒用户输入设置的预设条件并获取所述预设条件，若能获取到所述预设条件，则获取可用预设条件预测模型，将条件集合中其他的条件作为非预设条件，获取待预测的时空范围内目标药材的非预设条件、预设的药效、预设的对生态的影响，作为目标药材的可用预设条件预测模型的输入，通过目标药材的可用预设条件预测模型的计算得到的输出作为所述时空范围内目标药材的预设条件的取值；若不能获取到所述预设条件，则获取可用可变条件预测模型，获取待预测的时空范围内目标药材的已确定不变的条件、预设的药效、预设的对生态的影响，作为目标药材的可用可变条件预测模型的输入，通过目标药材的可用可变条件预测模型的计算得到的输出作为所述时空范围内目标药材的可调整的条件的取值。
优选地，
目标药材数据获取步骤：获取时空范围内目标药材的条件集合、药效、对生态的影响，作为目标药材的样本数据；
优选地，所述目标药材数据获取步骤还包括：所述条件包括种植条件；种植条件包括年降水量、土壤特性、适种药种、种子来源、土地的肥力、地形的坡度、地势状况、光照的时间和强度、降水量的多少、病虫害的侵袭中的一种或几种；对生态的影响包括生态系统是否受到了干扰、失去了平衡；条件集合包括已确定不变的条件和可调整的条件；所述时空范围内每一株目标药材的条件集合、药效、对生态的影响若相同，则将所述时空范围内每一株目标药材的条件集合、药效、对生态的影响作为所述时空范围内目标药材的条件集合、药效、对生态的影响；若不同，则将所述时空范围内每一株目标药材的条件集合、药效、对生态的影响的平均值作为所述时空范围内目标药材的条件集合、药效、对生态的影响，或，缩小所述预设时空的范围，使得更新之后的时空范围内每一株目标药材的条件集合、药效、对生态的影响若相同，则将更新后的时空范围内每一株目标药材的条件集合、药效、对生态的影响作为更新后的时空范围内目标药材的条件集合、药效、对生态的影响；所述时空范围包括所述时空范围内目标药材材种植的空间位置范围、种植的起止时间。
优选地，所述方法还包括：
结果预测模型训练步骤：获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始结果预测模型，初始结果预测模型的输入项包括条件集合，输出项包括药效、对生态的影响；将目标药材的训练数据、测试数据中的条件集合作为输入，药效、对生态的影响作为预期输出，对目标药材的初始结果预测模型进行训练和测试，得到目标药材的可用结果预测模型；
结果预测模型使用步骤：获取待预测的时空范围内目标药材的条件集合，作为目标药材的可用结果预测模型的输入，通过目标药材的可用结果预测模型的计算得到的输出作为所述时空范围内目标药材的药效、对生态的影响。
优选地，所述方法还包括：
可变条件预测模型训练步骤：获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始可变条件预测模型，初始可变条件预测模型的输入项包括已确定不变的条件、药效、对生态的影响，输出项包括可调整的条件；将目标药材的训练数据、测试数据中的已确定不变的条件、药效、对生态的影响作为输入，可调整的条件作为预期输出，对目标药材的初始可变条件预测模型进行训练和测试，得到目标药材的可用可变条件预测模型；
可变条件预测模型使用步骤：获取待预测的时空范围内目标药材的已确定不变的条件、预设的药效、预设的对生态的影响，作为目标药材的可用可变条件预测模型的输入，通过目标药材的可用可变条件预测模型的计算得到的输出作为所述时空范围内目标药材的可调整的条件的取值。
优选地，所述方法还包括：
预设条件预测模型训练步骤：获取用户设置的预设条件；将条件集合中其他的条件作为非预设条件；获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始预设条件预测模型，初始预设条件预测模型的输入项包括非预设条件、药效、对生态的影响，输出项包括预设条件；将目标药材的训练数据、测试数据中的非预设条件、药效、对生态的影响作为输入，预设条件作为预期输出，对目标药材的初始预设条件预测模型进行训练和测试，得到目标药材的可用预设条件预测模型；
预设条件预测模型使用步骤：获取待预测的时空范围内目标药材的非预设条件、预设的药效、预设的对生态的影响，作为目标药材的可用预设条件预测模型的输入，通过目标药材的可用预设条件预测模型的计算得到的输出作为所述时空范围内目标药材的预设条件的取值。
第二方面，本发明实施例提供一种人工智能系统，所述系统包括：
目标药材确定模块：获取需要监测的药，作为目标药材；
药预测模块：获取待预测的时空范围内目标药材的条件集合，获取可用结果预测模型，获取待预测的时空范围内目标药材的条件集合输入可用结果预测模型进行计算，得到所述时空范围内目标药材的药效、对生态的影响，判断所述时空范围内目标药材的药效、对生态的影响是否符合预设要求的药效、对生态的影响，若不符合，则提醒用户输入设置的预设条件并获取所述预设条件，若能获取到所述预设条件，则获取可用预设条件预测模型，将条件集合中其他的条件作为非预设条件，获取待预测的时空范围内目标药材的非预设条件、预设的药效、预设的对生态的影响，作为目标药材的可用预设条件预测模型的输入，通过目标药材的可用预设条件预测模型的计算得到的输出作为所述时空范围内目标药材的预设条件的取值；若不能获取到所述预设条件，则获取可用可变条件预测模型，获取待预测的时空范围内目标药材的已确定不变的条件、预设的药效、预设的对生态的影响，作为目标药材的可用可变条件预测模型的输入，通过目标药材的可用可变条件预测模型的计算得到的输出作为所述时空范围内目标药材的可调整的条件的取值。
优选地，所述系统还包括：
目标药材数据获取模块：获取时空范围内目标药材的条件集合、药效、对生态的影响，作为目标药材的样本数据；
优选地，所述目标药材数据获取模块还包括：所述条件包括种植条件；种植条件包括年降水量、土壤特性、适种药种、种子来源、土地的肥力、地形的坡度、地势状况、光照的时间和强度、降水量的多少、病虫害的侵袭中的一种或几种；对生态的影响包括生态系统是否受到了干扰、失去了平衡；条件集合包括已确定不变的条件和可调整的条件；所述时空范围内每一株目标药材的条件集合、药效、对生态的影响若相同，则将所述时空范围内每一株目标药材的条件集合、药效、对生态的影响作为所述时空范围内目标药材的条件集合、药效、对生态的影响；若不同，则将所述时空范围内每一株目标药材的条件集合、药效、对生态的影响的平均值作为所述时空范围内目标药材的条件集合、药效、对生态的影响，或，缩小所述预设时空的范围，使得更新之后的时空范围内每一株目标药材的条件集合、药效、对生态的影响若相同，则将更新后的时空范围内每一株目标药材的条件集合、药效、对生态的影响作为更新后的时空范围内目标药材的条件集合、药效、对生态的影响；所述时空范围包括所述时空范围内目标药材材种植的空间位置范围、种植的起止时间。
优选地，所述系统还包括：
结果预测模型训练模块：获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始结果预测模型，初始结果预测模型的输入项包括条件集合，输出项包括药效、对生态的影响；将目标药材的训练数据、测试数据中的条件集合作为输入，药效、对生态的影响作为预期输出，对目标药材的初始结果预测模型进行训练和测试，得到目标药材的可用结果预测模型；
结果预测模型使用模块：获取待预测的时空范围内目标药材的条件集合，作为目标药材的可用结果预测模型的输入，通过目标药材的可用结果预测模型的计算得到的输出作为所述时空范围内目标药材的药效、对生态的影响。
优选地，所述系统还包括：
可变条件预测模型训练模块：获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始可变条件预测模型，初始可变条件预测模型的输入项包括已确定不变的条件、药效、对生态的影响，输出项包括可调整的条件；将目标药材的训练数据、测试数据中的已确定不变的条件、药效、对生态的影响作为输入，可调整的条件作为预期输出，对目标药材的初始可变条件预测模型进行训练和测试，得到目标药材的可用可变条件预测模型；
可变条件预测模型使用模块：获取待预测的时空范围内目标药材的已确定不变的条件、预设的药效、预设的对生态的影响，作为目标药材的可用可变条件预测模型的输入，通过目标药材的可用可变条件预测模型的计算得到的输出作为所述时空范围内目标药材的可调整的条件的取值。
优选地，所述系统还包括：
预设条件预测模型训练模块：获取用户设置的预设条件；将条件集合中其他的条件作为非预设条件；获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始预设条件预测模型，初始预设条件预测模型的输入项包括非预设条件、药效、对生态的影响，输出项包括预设条件；将目标药材的训练数据、测试数据中的非预设条件、药效、对生态的影响作为输入，预设条件作为预期输出，对目标药材的初始预设条件预测模型进行训练和测试，得到目标药材的可用预设条件预测模型；
预设条件预测模型使用模块：获取待预测的时空范围内目标药材的非预设条件、预设的药效、预设的对生态的影响，作为目标药材的可用预设条件预测模型的输入，通过目标药材的可用预设条件预测模型的计算得到的输出作为所述时空范围内目标药材的预设条件的取值。
第三方面，本发明实施例提供一种人工智能装置，所述装置包括第二方面实施例任意一项所述系统的模块。
第四方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现第一方面实施例任意一项所述方法的步骤。
第五方面，本发明实施例提供一种机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，所述处理器执行所述程序时实现第一方面实施例任意一项所述方法的步骤。
本实施例提供的药材种植人工智能方法和机器人，包括：目标药材确定步骤；目标药材数据获取步骤；药预测步骤。上述方法、系统和机器人，通过根据目标药材的种植相关条件对目标药材进行药效预测和对生态影响的预测，从而使得用户在种植药材时能够做到心中有数，能提前知晓在计划的种植相关条件下的目标药材的药效和对生态影响，如果不符合要求或者预期，那么就预测达到预期或要求的药效和对生态的影响时的种植相关的条件的取值，从而可以指导用户的药材种植方式，从而提高目标药材的药效和对生态的良好效果。
附图说明
图1为本发明的一个实施例提供的人工智能方法的流程图；
图2为本发明的一个实施例提供的人工智能方法包括的流程图；
图3为本发明的一个实施例提供的人工智能方法包括的流程图；
图4为本发明的一个实施例提供的人工智能方法包括的流程图；
具体实施方式
下面结合本发明实施方式，对本发明实施例中的技术方案进行详细地描述。
本发明的基本实施例
本发明的一个实施例提供一种人工智能方法，如图1所示，所述方法包括：目标药材确定步骤；药预测步骤。技术效果：所述方法根据目标药材的种植条件等条件来预测目标药材物的药效和对生态的影响，如果预测目标药材物的药效和对生态的影响不符合要求例如不达标，那么就通过预期的要求来预测需要对条件进行怎样的调整，从而使得种植出来的药效和对生态的影响能够达到要求。
在一个优选的实施例中，如图2所示，所述方法还包括：结果预测模型训练步骤；结果预测模型使用步骤。技术效果：所述方法通过结果预测模型可以根据目标药材和种植的相关条件来预测目标药材的药效和对生态的影响，从而使得在种植药材时心中有数，进而有针对性地改进种植的相关条件及其对应的方式，来提高药材的药效、减少药材种植对环境生态的影响。
在一个优选的实施例中，如图3所示，所述方法还包括：可变条件预测模型训练步骤；可变条件预测模型使用步骤。技术效果：所述方法通过可变条件预测模型可以根据目标药材和种植的相关不可变的条件以及要求或预期的药效和要求或预期药材种植对环境生态的影响的来预测目标药材的可变条件的取值，该取值可以指导用户在种植时改进可以调整的种植相关的条件，例如施肥量等，可以根据预测得到的目标药材的可变条件中施肥量的取值进行施肥。
在一个优选的实施例中，如图4所示，所述方法还包括：预设条件预测模型训练步骤；预设条件预测模型使用步骤。技术效果：所述方法通过预设条件预测模型可以根据目标药材和种植的非预设条件的条件以及要求或预期的药效和要求或预期药材种植对环境生态的影响的来预测目标药材的预设条件的取值，该取值可以指导用户在种植时改进预设的种植相关的条件，例如施肥量等，可以根据预测得到的目标药材的预设条件中施肥量的取值进行施肥。
本发明的优选实施例
目标药材确定步骤：获取需要监测的药，作为目标药材。
目标药材数据获取步骤：获取一个时空范围内目标药材的条件集合、药效、对生态的影响，作为目标药材的一个样本数据；所述条件包括种植条件；种植条件包括年降水量、土壤特性、适种药种、种子来源、土地的肥力、地形的坡度、地势状况、光照的时间和强度、降水量的多少、病虫害的侵袭中的一种或几种；对生态的影响包括生态系统是否受到了干扰、失去了平衡；条件集合包括已确定不变的条件和可调整的条件；所述时空范围内每一株目标药材的条件集合、药效、对生态的影响若相同，则将所述时空范围内每一株目标药材的条件集合、药效、对生态的影响作为所述时空范围内目标药材的条件集合、药效、对生态的影响；若不同，则将所述时空范围内每一株目标药材的条件集合、药效、对生态的影响的平均值作为所述时空范围内目标药材的条件集合、药效、对生态的影响，或，缩小所述预设时空的范围，使得更新之后的时空范围内每一株目标药材的条件集合、药效、对生态的影响若相同，则将更新后的时空范围内每一株目标药材的条件集合、药效、对生态的影响作为更新后的时空范围内目标药材的条件集合、药效、对生态的影响；所述时空范围包括所述时空范围内目标药材材种植的空间位置范围、种植的起止时间(就是种下药的时间到收取药的时间)。目标药材的药效可以通过目标药材在治疗疾病过程中的效果来评估，例如将目标药材治疗特定疾病的治愈时长的倒数进行归一化后作为药效，例如统计目标药材大量样本的治疗特定疾病的治愈时长的倒数，找出最大的倒数，然后计算一个目标药材样本的药效时，将该个目标药材样本的治疗特定疾病的治愈时长的倒数除以所述最大的倒数，得到该个目标药材样本的药效，这样计算出来的药效便于模型的计算。对生态的影响，可以用-1、0、1来表示，-1表示对生态有坏的影响，0表示对生态没有或只有可以忽略的影响，1表示对生态有好的影响，例如可以修复生态。
药预测步骤：获取待预测的时空范围内目标药材的条件集合，获取可用结果预测模型，获取待预测的时空范围内目标药材的条件集合输入可用结果预测模型进行计算，得到所述时空范围内目标药材的药效、对生态的影响，判断所述时空范围内目标药材的药效、对生态的影响是否符合预设要求的药效、对生态的影响，若不符合，则提醒用户输入设置的预设条件并获取所述预设条件，若能获取到所述预设条件，则获取可用预设条件预测模型，将条件集合中其他的条件作为非预设条件，获取待预测的时空范围内目标药材的非预设条件、预设的药效、预设的对生态的影响，作为目标药材的可用预设条件预测模型的输入，通过目标药材的可用预设条件预测模型的计算得到的输出作为所述时空范围内目标药材的预设条件的取值；若不能获取到所述预设条件，则获取可用可变条件预测模型，获取待预测的时空范围内目标药材的已确定不变的条件、预设的药效、预设的对生态的影响，作为目标药材的可用可变条件预测模型的输入，通过目标药材的可用可变条件预测模型的计算得到的输出作为所述时空范围内目标药材的可调整的条件的取值。
结果预测模型训练步骤：获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始结果预测模型，初始结果预测模型的输入项包括条件集合，输出项包括药效、对生态的影响；将目标药材的训练数据、测试数据中的条件集合作为输入，药效、对生态的影响作为预期输出，对目标药材的初始结果预测模型进行训练和测试，得到目标药材的可用结果预测模型；
结果预测模型使用步骤：获取待预测的时空范围内目标药材的条件集合，作为目标药材的可用结果预测模型的输入，通过目标药材的可用结果预测模型的计算得到的输出作为所述时空范围内目标药材的药效、对生态的影响；
可变条件预测模型训练步骤：获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始可变条件预测模型，初始可变条件预测模型的输入项包括已确定不变的条件、药效、对生态的影响，输出项包括可调整的条件；将目标药材的训练数据、测试数据中的已确定不变的条件、药效、对生态的影响作为输入，可调整的条件作为预期输出，对目标药材的初始可变条件预测模型进行训练和测试，得到目标药材的可用可变条件预测模型；
可变条件预测模型使用步骤：获取待预测的时空范围内目标药材的已确定不变的条件、预设的药效、预设的对生态的影响，作为目标药材的可用可变条件预测模型的输入，通过目标药材的可用可变条件预测模型的计算得到的输出作为所述时空范围内目标药材的可调整的条件的取值；通知用户根据所述时空范围内目标药材的可调整的条件的取值来调整所述时空范围内目标药材的可调整的条件的值，具体包括获取所述时空范围内目标药材的可调整的条件的原先取值，将计算出来的所述时空范围内目标药材的可调整的条件的取值减去所述时空范围内目标药材的可调整的条件的原先取值得到所述时空范围内目标药材的可调整的条件的值需要进行的调整量。
预设条件预测模型训练步骤：获取用户设置的预设条件；将条件集合中其他的条件作为非预设条件；获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始预设条件预测模型，初始预设条件预测模型的输入项包括非预设条件、药效、对生态的影响，输出项包括预设条件；将目标药材的训练数据、测试数据中的非预设条件、药效、对生态的影响作为输入，预设条件作为预期输出，对目标药材的初始预设条件预测模型进行训练和测试，得到目标药材的可用预设条件预测模型；
预设条件预测模型使用步骤：获取待预测的时空范围内目标药材的非预设条件、预设的药效、预设的对生态的影响，作为目标药材的可用预设条件预测模型的输入，通过目标药材的可用预设条件预测模型的计算得到的输出作为所述时空范围内目标药材的预设条件的取值；通知用户根据所述时空范围内目标药材的预设条件的取值来调整所述时空范围内目标药材的预设条件的值，具体包括获取所述时空范围内目标药材的预设条件的原先取值，将计算出来的所述时空范围内目标药材的预设条件的取值减去所述时空范围内目标药材的预设条件的原先取值得到所述时空范围内目标药材的预设条件的值需要进行的调整量。所述预设条件属于可调整的条件。预设条件一般是用户重点关心的且用户很关系其取值的条件。预设条件不是那些已确定不变的条件。
本发明的其他实施例
采用随机对照研究,观察组按常规管理种植南药。对照组通过运用基于大数据的人工智能技术指导管理南药材种植，进行对比，观察基于大数据的人工智能技术在云浮地区南药材种植中的应用与作用。
选取云浮市肉桂、巴戟、何首乌、广佛手、两面针、三叉苦等南药材种植基地，采用随机数字表法分为2组，分别为观察组和对照组，观察组按常规管理种植南药。对照组通过运用基于大数据的人工智能技术指导管理南药材种植，进行对比，观察基于大数据的人工智能技术在云浮地区南药材种植中的应用与作用。将观察资料建立数据库，进行统计学分析，比较2组临床药效差异，总结观察研究结果。采用SPSS 10.0统计软件包统计分析。计量资料采用成组t检验或配对t检验。计数资料采用卡方检验。P<0.05为差异有显著意义。
由于医药行业所需的优质南药缺口较大，南药材种植的积极性很高，但究竟该种些什么、怎么种，却缺乏科学指导和数据支持，常常造成南药材种植的经济损失，也影响南药材种植基地的生态建设。在南药材种植基地进行多次的实地调研后，课题组发现很多类似这样的问题。
由此，不管是从服务南药材种植的角度出发，还是从科学保护和修复南药材种植基地出发，解决这种在生产中的信息匮乏和不对称的问题，就必须重视基于大数据的人工智能技术的应用。必须掌握某一区域的年降水量、土壤特性、适种药种等一系列生态数据，生态建设才能有的放矢，精准施策。
南药的生长特性、种子来源及种质特性、土地的肥力、地形的坡度、地势状况、光照的时间和强度、降水量的多少、病虫害的侵袭等，每一个因素都伴随着大量的数据，同时存在规律性和突发性，他们相互交织共同影响南药的生长。基于大数据的人工智能技术，通过记录和整理、分析挖掘这些数据，可以为南药材种植基地生态建设和南药材种植业业生产提供参考和指导。
基于大数据的人工智能技术还能检测南药材种植基地利用方式是否科学合理，南药材种植基地的整个生态系统是否受到了干扰，失去了平衡。政府可以通过人工干预，对某一区域范围内的南药材种植基地生态平衡做出响应。
此外，基于大数据的人工智能技术还能使南药生产有章可循，南药材种植基地生态精准修复。通过大数据分析与研究，南药材种植能够快捷地掌握当地及周边地区南药生长状况，掌握适合本区域的南药种及种植技术，以提高产量、降低运营成本，并尽量减少对生态的影响。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，则对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种药材种植人工智能方法，其特征在于，所述方法包括：
目标药材确定步骤：获取需要监测的药，作为目标药材；
药预测步骤：获取待预测的时空范围内目标药材的条件集合，获取可用结果预测模型，获取待预测的时空范围内目标药材的条件集合输入可用结果预测模型进行计算，得到所述时空范围内目标药材的药效、对生态的影响，判断所述时空范围内目标药材的药效、对生态的影响是否符合预设要求的药效、对生态的影响，若不符合，则提醒用户输入设置的预设条件并获取所述预设条件，若能获取到所述预设条件，则获取可用预设条件预测模型，将条件集合中其他的条件作为非预设条件，获取待预测的时空范围内目标药材的非预设条件、预设的药效、预设的对生态的影响，作为目标药材的可用预设条件预测模型的输入，通过目标药材的可用预设条件预测模型的计算得到的输出作为所述时空范围内目标药材的预设条件的取值；若不能获取到所述预设条件，则获取可用可变条件预测模型，获取待预测的时空范围内目标药材的已确定不变的条件、预设的药效、预设的对生态的影响，作为目标药材的可用可变条件预测模型的输入，通过目标药材的可用可变条件预测模型的计算得到的输出作为所述时空范围内目标药材的可调整的条件的取值；
可变条件预测模型训练步骤：获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始可变条件预测模型，初始可变条件预测模型的输入项包括已确定不变的条件、药效、对生态的影响，输出项包括可调整的条件；将目标药材的训练数据、测试数据中的已确定不变的条件、药效、对生态的影响作为输入，可调整的条件作为预期输出，对目标药材的初始可变条件预测模型进行训练和测试，得到目标药材的可用可变条件预测模型；
通知用户根据所述时空范围内目标药材的预设条件的取值来调整所述时空范围内目标药材的预设条件的值，具体包括获取所述时空范围内目标药材的预设条件的原先取值，将计算出来的所述时空范围内目标药材的预设条件的取值减去所述时空范围内目标药材的预设条件的原先取值得到所述时空范围内目标药材的预设条件的值需要进行的调整量。
2.根据权利要求1所述的药材种植人工智能方法，其特征在于，所述方法还包括：目标药材数据获取模块：获取时空范围内目标药材的条件集合、药效、对生态的影响，作为目标药材的样本数据。
3.根据权利要求2所述的药材种植人工智能方法，其特征在于，
所述目标药材数据获取步骤还包括：所述条件包括种植条件；
种植条件包括年降水量、土壤特性、适种药种、种子来源、土地的肥力、地形的坡度、地势状况、光照的时间和强度、降水量的多少、病虫害的侵袭中的一种或几种；对生态的影响包括生态系统是否受到了干扰、失去了平衡；条件集合包括已确定不变的条件和可调整的条件；
所述时空范围内每一株目标药材的条件集合、药效、对生态的影响若相同，则将所述时空范围内每一株目标药材的条件集合、药效、对生态的影响作为所述时空范围内目标药材的条件集合、药效、对生态的影响；若不同，则将所述时空范围内每一株目标药材的条件集合、药效、对生态的影响的平均值作为所述时空范围内目标药材的条件集合、药效、对生态的影响，或，缩小所述预设时空的范围，使得更新之后的时空范围内每一株目标药材的条件集合、药效、对生态的影响若相同，则将更新后的时空范围内每一株目标药材的条件集合、药效、对生态的影响作为更新后的时空范围内目标药材的条件集合、药效、对生态的影响；
所述时空范围包括所述时空范围内目标药材材种植的空间位置范围、种植的起止时间。
4.根据权利要求2所述的药材种植人工智能方法，其特征在于，所述方法还包括：
结果预测模型训练步骤：获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始结果预测模型，初始结果预测模型的输入项包括条件集合，输出项包括药效、对生态的影响；将目标药材的训练数据、测试数据中的条件集合作为输入，药效、对生态的影响作为预期输出，对目标药材的初始结果预测模型进行训练和测试，得到目标药材的可用结果预测模型；
结果预测模型使用步骤：获取待预测的时空范围内目标药材的条件集合，作为目标药材的可用结果预测模型的输入，通过目标药材的可用结果预测模型的计算得到的输出作为所述时空范围内目标药材的药效、对生态的影响。
5.根据权利要求2所述的药材种植人工智能方法，其特征在于，所述方法还包括：
可变条件预测模型使用步骤：获取待预测的时空范围内目标药材的已确定不变的条件、预设的药效、预设的对生态的影响，作为目标药材的可用可变条件预测模型的输入，通过目标药材的可用可变条件预测模型的计算得到的输出作为所述时空范围内目标药材的可调整的条件的取值。
6.根据权利要求2所述的药材种植人工智能方法，其特征在于，所述方法还包括：
预设条件预测模型训练步骤：获取用户设置的预设条件；将条件集合中其他的条件作为非预设条件；获取目标药材的大量样本数据，作为目标药材的训练数据和测试数据；初始化深度学习模型或神经网络模型或量子计算模型或机器学习模型或其它人工智能模型作为目标药材的初始预设条件预测模型，初始预设条件预测模型的输入项包括非预设条件、药效、对生态的影响，输出项包括预设条件；将目标药材的训练数据、测试数据中的非预设条件、药效、对生态的影响作为输入，预设条件作为预期输出，对目标药材的初始预设条件预测模型进行训练和测试，得到目标药材的可用预设条件预测模型；
预设条件预测模型使用步骤：获取待预测的时空范围内目标药材的非预设条件、预设的药效、预设的对生态的影响，作为目标药材的可用预设条件预测模型的输入，通过目标药材的可用预设条件预测模型的计算得到的输出作为所述时空范围内目标药材的预设条件的取值。
7.一种药材种植人工智能系统，其特征在于，所述系统用于实现权利要求1-6任意一项所述方法的步骤。
8.一种药材种植人工智能装置，其特征在于，所述装置用于实现权利要求1-6任意一项所述方法的步骤。
9.一种药材种植机器人，包括存储器、处理器及存储在存储器上并可在处理器上运行的人工智能机器人程序，其特征在于，所述处理器执行所述程序时实现权利要求1-6任意一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-6任意一项所述方法的步骤。
CN202110228017.2A 2021-03-02 2021-03-02 药材种植人工智能方法和机器人 Active CN113016508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110228017.2A CN113016508B (zh) 2021-03-02 2021-03-02 药材种植人工智能方法和机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110228017.2A CN113016508B (zh) 2021-03-02 2021-03-02 药材种植人工智能方法和机器人

Publications (2)

Publication Number Publication Date
CN113016508A CN113016508A (zh) 2021-06-25
CN113016508B true CN113016508B (zh) 2022-09-16

Family

ID=76465188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110228017.2A Active CN113016508B (zh) 2021-03-02 2021-03-02 药材种植人工智能方法和机器人

Country Status (1)

Country Link
CN (1) CN113016508B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101162384A (zh) * 2006-10-12 2008-04-16 魏珉 人工智能植物生长环境调控专家决策系统
CN110347127A (zh) * 2019-06-26 2019-10-18 北京农业智能装备技术研究中心 基于云服务的农作物种植托管系统及方法
CN110545531A (zh) * 2019-09-20 2019-12-06 河南工业大学 一种基于大数据和云计算的农作物长势监控方法与系统
CN110771442A (zh) * 2019-09-30 2020-02-11 大气候物联网科技(广州)有限公司 基于物联网的农业种植方法和系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101162384A (zh) * 2006-10-12 2008-04-16 魏珉 人工智能植物生长环境调控专家决策系统
CN110347127A (zh) * 2019-06-26 2019-10-18 北京农业智能装备技术研究中心 基于云服务的农作物种植托管系统及方法
CN110545531A (zh) * 2019-09-20 2019-12-06 河南工业大学 一种基于大数据和云计算的农作物长势监控方法与系统
CN110771442A (zh) * 2019-09-30 2020-02-11 大气候物联网科技(广州)有限公司 基于物联网的农业种植方法和系统

Also Published As

Publication number Publication date
CN113016508A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
Hui et al. Methods of forest structure research: A review
Pal et al. AgriDet: Plant Leaf Disease severity classification using agriculture detection framework
Bella A new competition model for individual trees
Patidar et al. Rice plant disease detection and classification using deep residual learning
CN106874688A (zh) 基于卷积神经网络的智能化先导化合物发现方法
Flavel et al. Quantifying the response of wheat (Triticum aestivum L) root system architecture to phosphorus in an Oxisol
Li et al. Intelligent analysis technology of bamboo structure. Part I: The variability of vascular bundles and fiber sheath area
CN108846338A (zh) 基于面向对象随机森林的极化特征选择及分类方法
Camargo et al. Objective definition of rosette shape variation using a combined computer vision and data mining approach
Zhao et al. Rapid yield prediction in paddy fields based on 2D image modelling of rice panicles
Indumathi et al. Leaf disease detection and fertilizer suggestion
CN107862435A (zh) 一种景观格局与生态系统服务功能的定量关联方法及系统
CN107341521A (zh) 一种基于煤炭光谱数据对煤炭分类的方法
CN107133626A (zh) 一种基于部分平均随机优化模型的医学影像分类方法
Dastgheyb et al. Meanalyzer–a spike train analysis tool for multi electrode arrays
Wei et al. Spectral clustering based mutant reduction for mutation testing
CN113016508B (zh) 药材种植人工智能方法和机器人
Ledderose et al. A software tool for the analysis of neuronal morphology data
Rossi et al. LDD: A grape diseases dataset detection and instance segmentation
Chowdhury et al. An empirical study on mushroom disease diagnosis: a data mining approach
Custodio et al. Hybrid Angiosperm Root Systems Structural Analysis Using Convolutional Neural Network
CN110021386A (zh) 特征提取方法及特征提取装置、设备、存储介质
Balne Smart agriculture using advanced machine learning algorithms
Walia et al. A methodology for early detection of plant diseases using real time object detection algorithm
Jiao et al. Comparative analysis of nonlinear growth curve models for Arabidopsis thaliana rosette leaves

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