CN113221723B - 可溯源的自反馈学习城市植物工厂 - Google Patents
可溯源的自反馈学习城市植物工厂 Download PDFInfo
- Publication number
- CN113221723B CN113221723B CN202110499242.XA CN202110499242A CN113221723B CN 113221723 B CN113221723 B CN 113221723B CN 202110499242 A CN202110499242 A CN 202110499242A CN 113221723 B CN113221723 B CN 113221723B
- Authority
- CN
- China
- Prior art keywords
- data
- plant
- platform
- contract
- plant growth
- 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
- 230000008635 plant growth Effects 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 241000196324 Embryophyta Species 0.000 claims description 126
- 230000012010 growth Effects 0.000 claims description 46
- 235000015097 nutrients Nutrition 0.000 claims description 38
- 239000007788 liquid Substances 0.000 claims description 30
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 28
- 238000005286 illumination Methods 0.000 claims description 20
- 235000013399 edible fruits Nutrition 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 19
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 14
- 239000001569 carbon dioxide Substances 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 10
- 230000003993 interaction Effects 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 239000007921 spray Substances 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000009423 ventilation Methods 0.000 claims description 6
- 239000002028 Biomass Substances 0.000 claims description 4
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 230000002070 germicidal effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 abstract 1
- 239000003337 fertilizer Substances 0.000 description 19
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000013527 convolutional neural network Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 235000013311 vegetables Nutrition 0.000 description 9
- 230000009105 vegetative growth Effects 0.000 description 9
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 8
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 8
- 229910052757 nitrogen Inorganic materials 0.000 description 8
- 229910052698 phosphorus Inorganic materials 0.000 description 8
- 239000011574 phosphorus Substances 0.000 description 8
- 229910052700 potassium Inorganic materials 0.000 description 8
- 239000011591 potassium Substances 0.000 description 8
- 241000607479 Yersinia pestis Species 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000001850 reproductive effect Effects 0.000 description 4
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical compound OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 3
- 229930091371 Fructose Natural products 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 229960002737 fructose Drugs 0.000 description 3
- 238000010438 heat treatment Methods 0.000 description 3
- 238000002329 infrared spectrum Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 2
- 240000003768 Solanum lycopersicum Species 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000037452 priming Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000144730 Amygdalus persica Species 0.000 description 1
- 241000167854 Bourreria succulenta Species 0.000 description 1
- 208000003643 Callosities Diseases 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 235000012766 Cannabis sativa ssp. sativa var. sativa Nutrition 0.000 description 1
- 235000012765 Cannabis sativa ssp. sativa var. spontanea Nutrition 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 239000005715 Fructose Substances 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 241000488583 Panonychus ulmi Species 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 235000006040 Prunus persica var persica Nutrition 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 241000219094 Vitaceae Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 235000021016 apples Nutrition 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000009120 camo Nutrition 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 235000005607 chanvre indien Nutrition 0.000 description 1
- 235000019693 cherries Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000009658 destructive testing Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 208000037824 growth disorder Diseases 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000011487 hemp Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000009630 liquid culture Methods 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008636 plant growth process Effects 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000003507 refrigerant Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
- Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及可溯源的自反馈学习城市植物工厂,包括应用层、合约层和服务层;应用层包括若干独立的无土栽培系统和溯源平台;合约层通过物联网接口接收应用层所采集数据并执行合约;服务层包括人工智能平台、大数据平台和区块链平台,人工智能平台包括模型训练单元和模型存储单元,模型存储单元用于存储植物长势模型和生产参数调优模型。其优点是: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。同时借助区块链技术,通过信息化手段提升农产品质量监管与服务水平,实现农产品质量管理“生产过程可记录、产品流向可跟踪、储运信息可查询、质量问题可追溯”的目标。
Description
技术领域
本发明涉及人工智能和植物培育技术领域,尤其涉及可溯源的自反馈学习城市植物工厂。
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,提出可溯源的自反馈学习城市植物工厂和系统,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可溯源的自反馈学习城市植物工厂是通过以下技术方案实现的:
可溯源的自反馈学习城市植物工厂,其特征在于,所述城市植物工厂包括:
应用层,包括若干独立的无土栽培系统;所述无土栽培系统内配置有供应单元和数据采集单元;所述供应单元用于接收大数据平台提供的优选生长参数并配置无土栽培系统内植物生长环境;所述数据采集单元用于获得所述无土栽培系统种植区域内植物的生长环境数据和植物在生长各阶段的二维及三维的图像;
合约层,通过物联网接口接收所述数据采集单元所采集数据和交互层上传数据,并执行合约;
服务层,包括人工智能平台、大数据平台和区块链平台;
所述区块链平台用于接收合约层数据并以区块链的去中心化方式进行存储;
所述人工智能平台包括模型训练单元和模型存储单元;所述模型存储单元用于存储植物长势模型和生产参数调优模型;所述训练单元通过所述数据采集单元所采集的二维及三维图像输入模型存储单元所述植物长势模型,对所述植物长势模型进行训练,并获得当前植物生长状况数据以及预测植物生长数据;以及,所述训练单元通过所述当前植物生长状况数据以及预测植物生长数据,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,从而训练生产参数调优模型,以及输出调优生长参数作为现有的优选生长参数;
所述大数据平台接收并处理所述交互层提供数据以及区块链平台所存储数据,向所述人工智能平台提供处理后数据,并接收所述人工智能平台反馈的数据,以及以API方式向应用层和交互层提供服务;
另外,所述应用层还包括溯源平台,用于用户与所述大数据平台直接进行交互,向用户提供数据可视、业务可视、监测预警、数据分析结果与数据展示;所述溯源平台包含登录单元和信息管理单元;所述用户通过所述登录单元登录种植溯源平台;所述信息管理单元用于接收用户上传的数据并发送至所述大数据平台。
所述区块链平台包含区块链的底层协议和扩展服务;所述底层协议包含共识机制、账本以及网络,所述扩展服务包含了身份识别服务、区块链服务、智能合约及应用编程接口。
所述用户包括政府、第三方检测机构、通过所述无土栽培系统进行生产经营的农场和购买农场产品的消费者。
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。
所述无土栽培系统包括若干栽培单元,所述供应单元包括用于照射栽培单元内定制版的LED植物灯组、若干喷头、温度控制装置、设有紫外线杀菌灯的养液箱、通风风扇和自吸泵;所述喷头分别被配置为朝向定植板下方植物根系区域设置和朝向定植板上方植物叶面区域设置;所述数据采集单元包括温湿度传感器、液温液位传感器、养液EC值、PH值传感器、二维摄像头和三维摄像头;所述二维摄像头和三维摄像头被配置为用于拍摄植物生长区域内整体的植物生长状态,以及用于拍摄栽培单元单一植株监控区域内植物生长状态,所述二维及三维的图像包括所述植物培育箱内植物的整体实际图像、单一植株的完整实际图像及其果实和/或叶和/或花和/或根茎的局部实际图像。
所述植物生长环境数据,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。
所述合约层包括:
合约注册模块,预定义的角色使用自己的私钥验证身份信息,若身份匹配后可上传数据或者进行数据信息验证;
合约触发模块,设置有合约注册指令中的触发条件,并判断到满足触发条件的事务发生时,则根据预设智能合约执行对应的合约交易;
合约执行模块,合约预设计了数据处理逻辑,当身份验证后,数据会根据合约的预设逻辑进行执行,将数据进行存储流转;
终端与农场合约模块,用于农场通过物联网将数据采集单元采集的作物生长状态进行数据收集存储上链;
物流与加工合约模块,用于在生产出来的原材料进行初加工后,加工与物流状态被实时记录在区块链;
销售与供应端合约模块,用于销售与供应端进行数据比;
查询追溯信息模块,用于消费者在购买产品是通过二维码扫码可以获取作物的全生命周期状态,从而进行消费。
所述大数据平台包括数据稽核和处理模块以及智慧农场数据采集分析模块,用物联网数据的采集和分析,数据分类整理存储,删除无效数据。
与现有技术相比,本发明具有以下优点:
智慧农场采用的是新型的栽培方式-雾耕,利用传感器控制植物生长环境,对植物生长所需的温度、湿度、光照、氧气等环境条件进行有效控制,通过全环境控制系统,无需人为干预控制,数据即可自动上传到区块链网络上,真正做到种植数据全流程溯源。具体的解决方案是通过防伪标签作物进行唯一标识,将作物在原材料过程、生产过程、流通过程、营销等过程的信息,由各对应主体使用标明身份的“私钥”进行数字签名并附上时间戳写入区块链,一旦写入区块链即不可篡改。消费者或者监管部门可以从区块链上查阅和验证到作物流转的全过程信息,从而实现精细到一物一码的全流程正品追溯。借助区块链技术,实现品牌商、渠道商、零售商、消费者、监管部门、第三方检测机构之间的信任共享,全面提升品牌、效率、体验、监管和供应链整体收益。
区块链溯源被认为是继区块链金融之后最具潜力的区块链应用。区块链去中心化、不可篡改、可追溯的特点与溯源业务是绝对的天仙配。其拥有两大优点:
基于区块链的哈希算法、共识机制,一旦数据上链,无法篡改;
在不改变数据所有权的情况下,可以提高各方利益共享数据的积极性。
区块链技术拥有去中心化、数据不可篡改、可追溯等特性,成为继二维码、条形码等溯源技术的又一新的解决方案。
将区块链技术和物联网、二维码等技术相结合,将作物信息、物流信息、销售信息记录在链上,帮助企业有效解决作物溯源、防窜货等问题,制定精准的营销策略。
通过信息化手段提升农产品质量监管与服务水平,实现农产品质量管理“生产过程可记录、产品流向可跟踪、储运信息可查询、质量问题可追溯”的目标,集“管、防、控”功能于一体,确保“舌尖上的安全”。
以二维码为产品溯源标识,利用区块链技术,通过其独特的不可篡改的分布式账本记录特性,对农产品生产到消费者进行全程可追溯,利用时间戳、共识机制等技术手段实现了数据的不可篡改和追本溯源等功能,给政府部门、农业企业、流通机构、服务机构的跨机构的溯源体系建立提供了技术支撑。同时把检测机构与消费者纳入监督体系中,打破了信息孤岛,提供了信息支持,在一定程度上实现农产品信息流转的透明度。
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可溯源的自反馈学习城市植物工厂的结构示意图;
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,本申请实施公开了可溯源的自反馈学习城市植物工厂,采用联盟链。在架构设计上,采用了可插拔、可扩展的系统框架;在节点的接入上,采用了授权管理的方式;在隐私保护上,采用了完备的权限和审查管理、细粒度隐私保护机制。由于农产品溯源链在设计上很好的使用了区块链分布式账本的特点和优势,因此农产品溯源在设计上体现了区块链多中心、公开透明、不可篡改、可追溯的特点,同时交易速度更快,具有更高的扩展性,并能很好的保护交易的隐私性
可溯源的自反馈学习城市植物工厂包括:
一、应用层
应用层包括若干独立的无土栽培系统和溯源平台。
溯源平台用于用户与所述大数据平台直接进行交互,向用户提供数据可视、业务可视、监测预警、数据分析结果与数据展示。溯源平台包含登录单元和信息管理单元;用户通过所述登录单元登录种植溯源平台;信息管理单元用于接收用户上传的数据并发送至所述大数据平台。
以上用户包括政府、第三方检测机构、通过所述无土栽培系统进行生产经营的农场和购买农场产品的消费者。
溯源平台是基于区块链技术开发的农产品溯源应用。农产品溯源应用系统可将农产品生产、加工、销售等过程的各种相关信息进行记录并存储在区块链上,能通过食品识别号在网络上对该产品进行查询认证,追溯其在各环节中的相关信息。
无土栽培系统内配置有供应单元和数据采集单元;供应单元用于接收大数据平台提供的优选生长参数并配置无土栽培系统内植物生长环境;数据采集单元用于获得无土栽培系统种植区域内植物的生长环境数据和植物在生长各阶段的二维及三维的图像
本申请人在此之前申请了申请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。
二、合约层,通过物联网接口接收所述数据采集单元所采集数据和交互层上传数据,并执行合约。合约层溯源应用的业务从开始到结束的整个过程中,生产、加工、包装、物流等诸多环节。应用层是溯源数据的来源端,也是溯源服务的接收端。应用层为溯源应用提供核心区块链相关服务,保证了服务的高可用性、高便捷性。如可信的分布式身份服务DID作为物或人的认证标识,可靠的数据接入,精准的数据计算,安全的元数据管理;
合约层包括:
合约注册模块,预定义的角色使用自己的私钥验证身份信息,若身份匹配后可上传数据或者进行数据信息验证;
合约触发模块,设置有合约注册指令中的触发条件,并判断到满足触发条件的事务发生时,则根据预设智能合约执行对应的合约交易;
合约执行模块,合约预设计了数据处理逻辑,当身份验证后,数据会根据合约的预设逻辑进行执行,将数据进行存储流转;
终端与农场合约模块,用于农场通过物联网将数据采集单元采集的作物生长状态进行数据收集存储上链;
物流与加工合约模块,用于在生产出来的原材料进行初加工后,加工与物流状态被实时记录在区块链;
销售与供应端合约模块,用于销售与供应端进行数据比;
查询追溯信息模块,用于消费者在购买产品是通过二维码扫码可以获取作物的全生命周期状态,从而进行消费。
所述大数据平台包括数据稽核和处理模块以及智慧农场数据采集分析模块,用物联网数据的采集和分析,数据分类整理存储,删除无效数据。
三、服务层
服务层包括人工智能平台、大数据平台和区块链平台。
区块链平台用于接收合约层数据并以区块链的去中心化方式进行存储,其溯源查询模块:将植物生长的全生命周期流程生成一个二维码,通过二维码扫描获取数据,区块浏览器模块:展示区块数据、链上合约模块:智能合约的编写。联盟治理规则模块:投票修改系统参数的规则,智能合约模块、共识算法模块:出块算法,采用PBFT算法。区块链平台包含区块链的底层协议和扩展服务;所述底层协议包含共识机制、账本以及网络,所述扩展服务包含了身份识别服务、区块链服务、智能合约及应用编程接口。
区块链平台包括:
溯源查询模块:将植物生长的全生命周期流程生成一个二维码,通过二维码扫描获取数据。
区块浏览器模块:展示区块数据、链上合约模块:智能合约的编写。
联盟治理规则模块:投票修改系统参数的规则,智能合约模块、共识算法模块:出块算法,采用PBFT算法。
人工智能平台包括模型训练单元和模型存储单元;模型存储单元用于存储植物长势模型和生产参数调优模型;训练单元通过所述数据采集单元所采集的二维及三维图像输入模型存储单元所述植物长势模型,对所述植物长势模型进行训练,并获得当前植物生长状况数据以及预测植物生长数据;以及,所述训练单元通过所述当前植物生长状况数据以及预测植物生长数据,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,从而训练生产参数调优模型,以及输出调优生长参数作为现有的优选生长参数。
具体的说,模型训练是通过以下方式进行的:
1数据采集阶段
1.1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。
1.2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。
1.3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%。
2培育迭代阶段
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。
大数据平台接收并处理所述交互层提供数据以及区块链平台所存储数据,向人工智能平台提供处理后数据,并接收人工智能平台反馈的数据,以及以API方式向应用层和交互层提供服务。
Claims (8)
1.可溯源的自反馈学习城市植物工厂,其特征在于,所述城市植物工厂包括:
应用层,包括若干独立的无土栽培系统;所述无土栽培系统内配置有供应单元和数据采集单元;所述供应单元用于接收大数据平台提供的优选生长参数并配置无土栽培系统内植物生长环境;所述数据采集单元用于获得所述无土栽培系统种植区域内植物的生长环境数据和植物在生长各阶段的二维及三维的图像;
合约层,通过物联网接口接收所述数据采集单元所采集数据和交互层上传数据,并执行合约;
服务层,包括人工智能平台、大数据平台和区块链平台;
所述区块链平台用于接收合约层数据并以区块链的去中心化方式进行存储;
所述人工智能平台包括模型训练单元和模型存储单元;所述模型存储单元用于存储植物长势模型和生产参数调优模型;所述训练单元通过所述数据采集单元所采集的二维及三维图像输入模型存储单元所述植物长势模型,对所述植物长势模型进行训练,并获得当前植物生长状况数据以及预测植物生长数据;以及,所述训练单元通过所述当前植物生长状况数据以及预测植物生长数据,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,从而训练生产参数调优模型,以及输出调优生长参数作为现有的优选生长参数;
所述大数据平台接收并处理所述交互层提供数据以及区块链平台所存储数据,向所述人工智能平台提供处理后数据,并接收所述人工智能平台反馈的数据,以及以API方式向应用层和交互层提供服务;
另外,所述应用层还包括溯源平台,用于用户与所述大数据平台直接进行交互,向用户提供数据可视、业务可视、监测预警、数据分析结果与数据展示;所述溯源平台包含登录单元和信息管理单元;所述用户通过所述登录单元登录种植溯源平台;所述信息管理单元用于接收用户上传的数据并发送至所述大数据平台。
2.根据权利要求1所述的可溯源的自反馈学习城市植物工厂,其特征在于,所述区块链平台包含区块链的底层协议和扩展服务;所述底层协议包含共识机制、账本以及网络,所述扩展服务包含了身份识别服务、区块链服务、智能合约及应用编程接口。
3.根据权利要求1所述的可溯源的自反馈学习城市植物工厂,其特征在于,所述用户包括政府、第三方检测机构、通过所述无土栽培系统进行生产经营的农场和购买农场产品的消费者。
4.根据权利要求1所述的可溯源的自反馈学习城市植物工厂,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。
5.根据权利要求1所述的可溯源的自反馈学习城市植物工厂,其特征在于,所述无土栽培系统包括若干栽培单元,所述供应单元包括用于照射栽培单元内定制版的LED植物灯组、若干喷头、温度控制装置、设有紫外线杀菌灯的养液箱、通风风扇和自吸泵;所述喷头分别被配置为朝向定植板下方植物根系区域设置和朝向定植板上方植物叶面区域设置;所述数据采集单元包括温湿度传感器、液温液位传感器、养液EC值、PH值传感器、二维摄像头和三维摄像头;所述二维摄像头和三维摄像头被配置为用于拍摄植物生长区域内整体的植物生长状态,以及用于拍摄栽培单元单一植株监控区域内植物生长状态,所述二维及三维的图像包括所述植物培育箱内植物的整体实际图像、单一植株的完整实际图像及其果实和/或叶和/或花和/或根茎的局部实际图像。
6.根据权利要求1所述的可溯源的自反馈学习城市植物工厂,其特征在于,所述植物生长环境数据,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。
7.根据权利要求1所述的可溯源的自反馈学习城市植物工厂,其特征在于,所述合约层包括:
合约注册模块,预定义的角色使用自己的私钥验证身份信息,若身份匹配后可上传数据或者进行数据信息验证;
合约触发模块,设置有合约注册指令中的触发条件,并判断到满足触发条件的事务发生时,则根据预设智能合约执行对应的合约交易;
合约执行模块,合约预设计了数据处理逻辑,当身份验证后,数据会根据合约的预设逻辑进行执行,将数据进行存储流转;
终端与农场合约模块,用于农场通过物联网将数据采集单元采集的作物生长状态进行数据收集存储上链;
物流与加工合约模块,用于在生产出来的原材料进行初加工后,加工与物流状态被实时记录在区块链;
销售与供应端合约模块,用于销售与供应端进行数据比;
查询追溯信息模块,用于消费者在购买产品是通过二维码扫码可以获取作物的全生命周期状态,从而进行消费。
8.根据权利要求1所述的可溯源的自反馈学习城市植物工厂,其特征在于:所述大数据平台包括数据稽核和处理模块以及智慧农场数据采集分析模块,用物联网数据的采集和分析,数据分类整理存储,删除无效数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110499242.XA CN113221723B (zh) | 2021-05-08 | 2021-05-08 | 可溯源的自反馈学习城市植物工厂 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110499242.XA CN113221723B (zh) | 2021-05-08 | 2021-05-08 | 可溯源的自反馈学习城市植物工厂 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221723A CN113221723A (zh) | 2021-08-06 |
CN113221723B true CN113221723B (zh) | 2024-04-09 |
Family
ID=77091904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110499242.XA Active CN113221723B (zh) | 2021-05-08 | 2021-05-08 | 可溯源的自反馈学习城市植物工厂 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221723B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114128531A (zh) * | 2021-10-14 | 2022-03-04 | 内蒙古雲图计算机软件开发有限公司 | 一种基于区块链的农业大棚信息控制系统 |
CN114911174A (zh) * | 2022-02-09 | 2022-08-16 | 北大荒信息有限公司 | 一种植物仿生的方法和装置 |
CN117115147B (zh) * | 2023-10-19 | 2024-01-26 | 山东华盛创新纺织科技有限公司 | 一种基于机器视觉的纺织品检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014148654A1 (ko) * | 2013-03-19 | 2014-09-25 | (주)유양디앤유 | 식물공장 재배작물의 다단형 재배장치 |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
CN111159458A (zh) * | 2019-12-30 | 2020-05-15 | 南京龟兔赛跑软件研究院有限公司 | 一种农产品图像处理与区块链交互识别方法及系统 |
CN111680865A (zh) * | 2020-04-26 | 2020-09-18 | 中化现代农业有限公司 | 基于区块链的农产品品控溯源平台 |
CN111862194A (zh) * | 2020-08-04 | 2020-10-30 | 江苏云脑数据科技有限公司 | 基于计算机视觉的深度学习植物生长模型分析方法及系统 |
CN213123012U (zh) * | 2020-08-31 | 2021-05-04 | 电凯(常州)新能源技术研究院有限公司 | 一种人工智能自反馈学习的植物工厂 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6635910B2 (ja) * | 2016-12-28 | 2020-01-29 | 本田技研工業株式会社 | 情報処理装置、給水システム、情報処理システム及びプログラム |
-
2021
- 2021-05-08 CN CN202110499242.XA patent/CN113221723B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014148654A1 (ko) * | 2013-03-19 | 2014-09-25 | (주)유양디앤유 | 식물공장 재배작물의 다단형 재배장치 |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
CN111159458A (zh) * | 2019-12-30 | 2020-05-15 | 南京龟兔赛跑软件研究院有限公司 | 一种农产品图像处理与区块链交互识别方法及系统 |
CN111680865A (zh) * | 2020-04-26 | 2020-09-18 | 中化现代农业有限公司 | 基于区块链的农产品品控溯源平台 |
CN111862194A (zh) * | 2020-08-04 | 2020-10-30 | 江苏云脑数据科技有限公司 | 基于计算机视觉的深度学习植物生长模型分析方法及系统 |
CN213123012U (zh) * | 2020-08-31 | 2021-05-04 | 电凯(常州)新能源技术研究院有限公司 | 一种人工智能自反馈学习的植物工厂 |
Non-Patent Citations (2)
Title |
---|
基于区块链技术的陕西省猕猴桃产销体系构建;浮永梅;农业工程(第3期);全文 * |
基于区块链的农产品溯源系统;张延华;杨兆鑫;杨睿哲;金凯;林波;司鹏搏;;情报工程(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113221723A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113221723B (zh) | 可溯源的自反馈学习城市植物工厂 | |
US20200196535A1 (en) | System and method for controlling a growth environment of a crop | |
CN112800665A (zh) | 一种基于人工智能的植物生长自反馈学习培育方法 | |
Hemming et al. | Cherry tomato production in intelligent greenhouses—Sensors and AI for control of climate, irrigation, crop yield, and quality | |
CN112930926A (zh) | 一种基于深度学习的植物生产参数调优方法 | |
JP2023502608A (ja) | 自律屋内農業のための方法及び装置 | |
CN105511529B (zh) | 一种设施农业环境智能控制方法 | |
CN105260894A (zh) | 农业物联网农产品质量安全溯源的方法及其物联网系统 | |
Hati et al. | Smart indoor farms: Leveraging technological advancements to power a sustainable agricultural revolution | |
Lin et al. | Intelligent greenhouse system based on remote sensing images and machine learning promotes the efficiency of agricultural economic growth | |
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 | |
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 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
Chang et al. | A supplementary lighting and regulatory scheme using a multi-wavelength light emitting diode module for greenhouse application | |
CN109343613A (zh) | 一种人工光型植物生长环境智能化控制系统及其控制方法 | |
Hyunjin et al. | A study on the design and operation method of plant factory using artificial intelligence | |
Singla et al. | IoT based monitoring for the growth of basil using machine learning | |
CN115292753A (zh) | 一种基于区块链的农业大棚数据溯源与管理方法 | |
Fasciolo et al. | A smart aeroponic system for sustainable indoor farming | |
Guo et al. | Study on the Identification of Mildew Disease of Cuttings at the Base of Mulberry Cuttings by Aeroponics Rapid Propagation Based on a BP Neural Network | |
Tang et al. | Aero-Hydroponic Agriculture IoT System | |
Maier et al. | Precise phenotyping for improved crop quality and management in protected cropping: a review | |
WO2021067847A1 (en) | Agricultural platforms | |
Concepcion et al. | Intelligent Permaculture: A Sustainable and Profitable Practice for Tropical and Maritime Climate Urban and Peri-urban Agricultural Ecosystems | |
CN113448368A (zh) | 一种物联网智能农业控制检测方法及系统 |
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 |