CN113570240B - 一种基于农作物全生命周期管理的智慧农场平台 - Google Patents
一种基于农作物全生命周期管理的智慧农场平台 Download PDFInfo
- Publication number
- CN113570240B CN113570240B CN202110849161.8A CN202110849161A CN113570240B CN 113570240 B CN113570240 B CN 113570240B CN 202110849161 A CN202110849161 A CN 202110849161A CN 113570240 B CN113570240 B CN 113570240B
- Authority
- CN
- China
- Prior art keywords
- model
- environment
- data
- crop
- crop 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
- 230000012010 growth Effects 0.000 claims abstract description 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 48
- 230000000694 effects Effects 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 21
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims description 8
- 239000000463 material Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 description 64
- 238000003860 storage Methods 0.000 description 24
- 238000012271 agricultural production Methods 0.000 description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 13
- 235000002595 Solanum tuberosum Nutrition 0.000 description 7
- 244000061456 Solanum tuberosum Species 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 239000012773 agricultural material Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000035784 germination Effects 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 239000000618 nitrogen fertilizer Substances 0.000 description 2
- 235000012015 potatoes Nutrition 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
- G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Abstract
本发明公开了一种基于农作物全生命周期管理的智慧农场平台,包括云服务器,用于:获取监测数据;根据农作物类型、生长周期和环境状态,选择加载构建的农作物生长周期模型和农作物生长环境需求模型;根据田间环境状态,参照农作物生长环境需求模型生成农作物环境的调整需求,并根据田间管理任务模型和设备当前状态,生成作业任务,以调节农作物生长环境状态;下发作业任务至设备以执行;定义各类农作物产品的品质模型;对各地块生产出来的农产品进行标记和分类,记录农产品实际达到的品质等级数据,并保存到进销存数据库中;其效果是:实现农产品的自动化智能管理和品质标准化控制,精确控制农产品质量,促进农产品提升品牌价值和消费升级。
Description
技术领域
本发明涉及现代农业技术领域,具体涉及一种基于农作物全生命周期管理的智慧农场平台。
背景技术
农业生产人员对于农产品生产过程的管控程度较低,农产品品质不易控制,难以实现品质标准化,由于品质不稳定难以形成较高的农产品品牌价值,从而降低了所带来的经济效益;农用电力普遍通过变电设备从电网供电,电力设施固定成本高;农业生产在数据采集、田间管理、设备操作过程中劳动力投入大,人力成本过高。
发明内容
为了解决上述问题,本发明的目的是提供一种基于农作物全生命周期管理的智慧农场平台,以克服现有技术中,农产品生产过程的管控程度较低,农产品品质不易控制,难以实现品质标准化的缺陷。
本发明所提供的一种技术方案为:一种基于农作物全生命周期管理的智慧农场平台,包括云服务器,所述云服务器用于:
获取监测数据;其中,所述监测数据通过部署在外部的前端设备采集所得,所述监测数据包括设备数据和田间环境数据;
将所述设备数据存储在所建立的设备数据库中;
将所述田间环境数据存储在所建立的田间环境数据库中;
根据设定的农作物类型、对应的生长周期、生长状态和环境状态,选择加载预先构建的农作物生长周期模型和农作物生长环境需求模型,同时,将农作物实时生长状态记录到所建立的农作物生命周期数据库中;其中,所述农作物生长环境需求模型按照节气范围分段,各段提供多种时间分辨率的农作物生长环境需求模型,实现不同节气范围中,各时间尺度上的模型定义;
根据当前田间环境状态,参照所述农作物生长环境需求模型生成农作物当前环境的调整需求,并根据田间管理任务模型和设备当前状态,生成可执行的田间设备管理的作业任务,以调节农作物生长环境状态,并记录任务过程到所建立的田间管理任务数据库中;所述田间管理任务数据库中记录有田间管理任务模型;
下发所述作业任务至所述前端设备中的设备作业单元以执行,并监测设备状态和环境状态直至完成所述作业任务;
定义各类农作物产品的品质模型,对农产品品质进行参数化和标准化描述,并存储在所建立的农产品品质模型数据库中;
对各地块生产出来的农产品进行标记和分类,记录农产品实际达到的品质等级数据,并保存到进销存数据库中,同时在进销存中保存入库的农产品溯源数据。
优选的,所述云服务器还用于:
通过对农作物生长过程实测环境数据、实际田间任务作业记录和农作物长势实测数据,结合实际得到的所述品质等级数据,通过一种自学习模型得出各种类型环境中最适于农作物生长周期模型相应阶段的所述农作物生长环境需求模型和田间管理任务模型;其中,所述自学习模型采用神经网络模型和自学习算法。
优选的,所述通过一种自学习模型得出各种类型环境中最适于农作物生长周期模型相应阶段的所述农作物生长环境需求模型和田间管理任务模型,具体为:
从各数据库中进行结构化数据提取;
对所提取的数据进行样本空间转换处理;
利用处理后的数据进行模型训练和参数收敛;
进行神经网络测试和模型泛化能力优化;
将优化后的模型进行神经网络验证。
优选的,所述样本空间转换处理具体包括:
对V,G,T,Q中参数值进行量化,构建V,G,T,Q实测值的有限样本空间,从而实现V,G,T,Q实例值均可以映射到以上样本空间的样本值;其中,V为农作物生长环境采样值记录,G为农作物生长状态记录,T为农作物田间管理任务记录,Q为农作物品质参数。
优选的,所述进行模型训练具体包括:
构建训练集;其中,所述训练集包括时间域训练集和频率域训练集;
模型训练,对权重参数进行优化,同时,根据训练效果,在构建模型原型时调整神经网络中的超参数。
优选的,所述时间域训练集通过以下步骤构建:
将V,G,T,Q序列值映射到对应的样本空间后,根据时间因果性构建包含先验知识和后验知识的训练集,其中,各先验知识包含和农产品质量等级结果相关所对应样本空间的样本序列;后验知识包含某阶段农产品得到的质量等级结果所对应样本空间的样本序列;同时,以上训练集中样本序列按照时间相关性由强到弱进行排序;
所述频率域训练集通过以下步骤构建:
对样本序列中的时间序列数值做FFT/小波变换可得到频率序列数值;
按照时间由近到远的顺序滑动多种时间尺度窗口,获取各尺度的时间段内的频谱序列值作为频谱样本;
对所有数据都进行以上变换后,得到样本频谱特性训练集,作为所述频率域训练集。
优选的,所述的一种基于农作物全生命周期管理的智慧农场平台,还包括自动化仓储单元,所述自动化仓储单元包括仓库环境监测单元、仓库环境调控单元和仓储物流单元;
所述仓库环境监测单元,用于监测仓库环境状态参数并上传至云服务器;
所述仓库环境调控单元,用于接收所述云服务器根据所述仓库环境状态参数生成的作业指令进行仓库环境状态的调节;
所述仓储物流单元,用于接收所述云服务器根据用户的物料输送请求,生成自动化物流工作流指令以进行仓库内指定物料的存取和转运。
优选的,所述的一种基于农作物全生命周期管理的智慧农场平台,还包括手机App模块,所述手机App模块用于通过无线通信方式与所述云服务实现网络通信,实现的功能包括状态监控、环境调控、设备配置、三农资讯、电子商城和进销存管理;通过手机app对接农资-农产-物流等农业生产上下游各环节交易需求,促进交易以推进农业生产流程,一站式解决农民农业生产前后相关环节进销存需求。
优选的,所述的一种基于农作物全生命周期管理的智慧农场平台,还包括数字视频监控系统单元,所述数字视频监控系统单元,用于监控、告警和视频回放;当告警事件发生时,则向所述云服务器发起告警,云服务器记录告警事件并启动告警处理流程。
采用上述技术方案,本发明提出的一种基于农作物全生命周期管理的智慧农场平台,通过在数据采集、田间管理、设备操作过程中都引入自动化流程,实现农产品生产过程的自动化智能管理,实现农产品品质按照标准化进行控制,保障农产品质量,促进农产品提升品牌价值;同时基于环境监测数据、设备作业记录和实得农作物产品品质等级数据,采用自学习算法发现并持续迭代优化农作物生长环境需求模型和田间管理任务模型;通过手机app完成农业生产上下游各环节便捷对接,一站式解决农民农业生产前后相关环节进销存需求;通过自动化智能管理减少田间人力投入,只需要进行对平台进行配置管理工作即可实现农业生产过程全生命周期管理的应用。
附图说明
图1为本发明实施例所提供的一种基于农作物全生命周期管理的智慧农场平台的结构示意图;
图2为本发明实施例所提供的一种设备数据库的示意图;
图3为本发明实施例所提供的一种农作物生命周期数据库的示意图;
图4为本发明实施例所提供的一种田间管理任务数据库的示意图;
图5为本发明实施例所提供的一种农产品品质模型数据库的示意图。
实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述,以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1至图5所示,本发明实施例所提供的一种基于农作物全生命周期管理的智慧农场平台,包括云服务器,所述云服务器用于:
获取监测数据;其中,所述监测数据为农业生产的相关数据,通过部署在外部的前端设备采集所得,所述监测数据包括设备数据和田间环境数据;所述前端设备包括微控制器、无线通信模块、多个各类型的采集装置、各类传感器以及设备作业单元(即部署在田间的设备)。
具体地,本实施例中以其中一个前端设备为例进行说明,应用时,前端设备的数量为多个;
使用微控制器作为数据采集的控制端;
土地/大棚内三维空间中安装所述各类传感器,形成监测场(例如,温度场),以实现三维空间环境感知;
微控制器的IO端口连接各种传感器采集数据,以形成所述田间环境数据,包括:
蓄水池水位、土壤湿度、光照度、空气温湿度、CO2浓度、土壤PH值、肥水浓度、气压和风速等。
相应的,所采集的田间设备所形成的设备数据包括:
电力系统状态、蓄水池水位、空调工作状态、光照调节系统状态、风扇工作状态、肥水调配系统工作状态、喷淋/灌溉设备状态和CO2加投装置状态等。
再通过微控制器连接无线通信模块,将设备的状态数据、田间环境数据传输到云服务器进行处理并存储。
将所述设备数据存储在所建立的设备数据库中;
将所述田间环境数据存储在所建立的田间环境数据库中;
根据设定的农作物类型、对应的生长周期、生长状态和环境状态,选择加载预先构建的农作物生长周期模型和农作物生长环境需求模型,同时,将农作物实时生长状态记录到所建立的农作物生命周期数据库中;其中,所述农作物生长环境需求模型按照节气范围分段,各段提供多种时间分辨率的农作物生长环境需求模型,实现不同节气范围中,各时间尺度上的模型定义。
具体地,所述农作物生命周期数据库记录的数据包括:农作物生长周期模型、农作物生长环境需求模型和农作物生长过程状态记录;所述各时间尺度上的模型定义,包括:一日内各时段变化模型(比如昼夜温差)、七日变化模型、月度变化模型、季度变化模型等多时间尺度匹配的农作物生长环境需求模型。
根据当前田间环境状态,参照所述农作物生长环境需求模型生成农作物当前环境的调整需求,并根据田间管理任务模型和设备当前状态,生成可执行的田间设备管理的作业任务,以调节农作物生长环境状态,并记录任务过程到所建立的田间管理任务数据库中;所述田间管理任务数据库中记录有田间管理任务模型;
具体地,云服务器根据当前田间环境状态,参照各时间尺度的农作物生长环境需求模型,判断农作物当前环境调整需求,根据设备当前状态,生成可执行的田间管理设备作业任务以调节农作物生长环境状态,并记录任务过程到田间管理任务数据库。所述田间管理任务数据库记录内容包括:设备控制模型、田间管理任务模型和田间管理任务记录。
例如,当前农作物生长阶段土壤湿度需求为60%,实际测得15%,则云服务器生成增加土壤湿度的田间管理设备作业任务。
下发所述作业任务至所述前端设备中的设备作业单元以执行,并监测设备状态和环境状态直至完成所述作业任务;
需要说明的是,在执行调节时,应设置一定区间,以避免震荡调节所造成的不稳定;需要更新设备配置时,云服务器根据设备控制模型,对供电系统,供水系统等设备生成指令下发,实现整体的性能优化调节;并且,云服务器基于大量分布于不同地区用于各类农作物生产地块收集的数据,采用大数据、信号分析、人工智能技术实现农作物生长环境需求模型和田间管理模型的持续优化。
定义各类农作物产品的品质模型,对农产品品质进行参数化和标准化描述,并存储在所建立的农产品品质模型数据库中;
具体地,对农产品品质进行参数化,标准化描述并存储在数据库中。所述农产品品质模型数据库记录数据包括农产品的:尺寸、重量、色泽、甜度、关键成分含量、耐储存度、硬度等。
对各地块生产出来的农产品进行标记和分类,记录农产品实际达到的品质等级数据,并保存到进销存数据库中,同时在进销存中保存入库的农产品溯源数据;其中,所述进销存数据库记录内容包括:用户信息、农作物类别、溯源数据、品质参数;所述溯源数据包括产地、生长时间、生产批号等。
需要说明的是,本平台还与设置的太阳能供电模块和智能蓄水供水单元连接,组成相应的管理系统;其中:
太阳能供电模块连接太阳能充放电控制器,再由太阳能充放电控制器连接蓄电池和光伏板,实现由光伏板对蓄电池的充放电过程的自动控制;由蓄电池输出端口经过直流稳压电路进行电平转换和滤波,再由稳压电路输出端口经过电力线连接负载;同时,由蓄电池输出的直流电通过外接220V 交流逆变器实现交直流转换,已提供交流电源供前端设备(如空调、照明设备等)使用;智能蓄水供水单元包括相应的水位传感器,并安装在蓄水池底部,蓄水池底部安装有水泵,水泵连接太阳能供电模块通过继电器开关控制水泵工作状态。
进一步的,为实现更加准确的对农产品生产过程进行管控,以及优化相应的模型,所述云服务器还用于:
通过对农作物生长过程实测环境数据、实际田间任务作业记录和农作物长势实测数据,结合实际得到的所述品质等级数据,通过一种自学习模型得出各种类型环境中最适于农作物生长周期模型相应阶段的所述农作物生长环境需求模型和田间管理任务模型;其中,所述自学习模型采用神经网络模型和自学习算法;所述自学习模型通过以下步骤所得:
1、从各数据库中进行结构化数据提取。
具体地,从各数据库中获取农作物生长环境采样值记录V、农作物生长状态记录G、农作物田间管理任务记录T、农作物品质参数Q,其中各字母代号定义为该类数据的记录实例。提取数据范围取决于算法设定的时间相关范围,例如,只考虑一周内的相关性,则数据提取只限于一周内数据,若考虑一年之内相关性,则需提取质量等级结果出现前一年时间的数据。
例如,从田间环境状态数据库获取环境采样值记录V,对应的数据结构为:
V(time, attr, value, x,y, z),其中各参数表示含义如下:
time: 采样时间;
attr: 属性(例如,气温);
value:采样值;
x: 采样点空间x轴坐标;
y: 采样点空间y轴坐标;
z: 采样点空间z轴坐标;
从农作物生命周期数据库获取农作物生长状态记录G,对应的数据结构为:
G(time, attr, value, min_v, max_v),其中各参数表示含义如下:
time:采样时间;
attr:属性(例如,植株高度);
value:属性实测值(例如,植株高度实测值);
min_v:模型规划最小属性值(例如,对应时刻点植株预估最小高度);
max_v:模型规划最大属性值(例如,对应时刻点植株预估最大高度);
从田间管理任务数据库获取农作物田间管理任务记录T,数据结构为:
T(time, dev, op, duration, result),其中各参数表示含义如下:
time:任务执行开始时间;
dev:执行设备(例如,喷淋装置);
op:执行操作类型(例如,喷淋);
duration:执行持续时长(例如,10秒);
result:执行结果(例如,完成/未完成(故障代码));
从农业生产进销存数据库获取农作物品质参数Q,数据结构为:
Q(phase, attr, class, cmin_v, cmax_v),其中各参数表示含义如下:
phase: 生长阶段(例如,发芽期/花期);
attr:属性(例如,植株高度);
class:等级;
cmin_v:等级内最低允许值;
cmax_v:等级内最高允许值。
2、对所提取的数据进行样本空间转换处理。
具体地,对V,G,T,Q中参数值进行量化,构建V,G,T,Q实测值的有限样本空间,从而实现V,G,T,Q实例值均可以映射到以上样本空间的样本值;其中,V为农作物生长环境采样值记录,G为农作物生长状态记录,T为农作物田间管理任务记录,Q为农作物品质参数;各字母与前述文字介绍的含义相同;
整个过程为:对V,G,T,Q中参数值进行量化,构建V,G,T,Q实测值的有限样本空间S_V, S_G, S_T, S_Q ,从而V,G,T,Q实例值均可以映射到以上样本空间的样本值。
本算法中采用下标方式表示样本空间中某个样本值,例如,田间环境状态采样值V对应样本空间S_V,采样值序列的第m个值记为V[m],V[m]可映射到S_V中的第n个参数,即S_V[n],则所有采样值序列list(V) 可转换成对应样本值序列list(S_V) 。以此类推,V,G,T,Q所有实例值均可映射为样本值S_V[n], S_G[i], S_T[j], S_Q[k] ,其中n,i,j,k表示样本空间中下标序号。
3、利用处理后的数据进行模型训练和参数收敛。
所述云服务器,负责对“农作物生长环境需求模型”和“田间管理操作模型”进行训练,以实现以上两种模型对农产品品质的准确预报,从而达到面向农产品品质的环境调控和田间管理目标。
3-1、构建训练集
“农作物生长环境需求模型”和“田间管理操作模型”训练基于V,G,T,Q构成的训练集,作为先验数据和后验数据用于神经网络中的因果联系。在V,G,T,Q数据中,V,G,T作为先验数据发生在农作物产品质量结果出现以前,而Q作为后验数据发生在农作物产品质量结果出现以后。
例如,土豆结薯前,其环境状态数据V,生长状态G和实施过的田间操作T都是在土豆成熟前发生的,而土豆的产品质量等级Q是在土豆成熟后才划分的,因此,V,G,T是先验数据,Q是后验数据,区分先验后验的事件是土豆成熟。
首先,构建时间域训练集,以便从时间相关性的角度发现关联。
将V,G,T,Q序列值映射到对应的样本空间后,根据时间因果性构建先验知识训练集和后验知识训练集,其中,各先验知识训练集包含和农产品质量等级结果相关所对应样本空间的样本序列;后验知识训练集包含某阶段农产品得到的质量等级结果所对应样本空间的样本序列;同时,以上训练集按照时间相关性由强到弱进行排序;
即,将V,G,T,Q序列值映射到样本空间S_V,S_G,S_T,S_Q后,根据时间因果性构建先验知识训练集S_V_Test, S_G_Test, S_T_Test,和后验知识训练集S_Q_Test,其中,
S_V_Test包含和农产品质量等级结果相关的S_V样本序列;
S_G_Test包含和农产品质量等级结果相关的S_G样本序列;
S_T_Test包含和农产品质量等级结果相关的S_T样本序列;
S_Q_Test包含事实上某阶段农产品得到的质量等级结果对应S_Q的样本序列;
然后,构建频率域训练集,从多时间尺度分析并提取特征参数,以便从频谱特征匹配度出发发现关联;具体为:对样本序列中的时间序列数值做FFT/小波变换可得到频率序列数值;
按照时间由近到远的顺序滑动多种时间尺度窗口,获取各尺度的时间段内的频谱序列值作为频谱样本;
对所有数据都进行以上变换后,得到样本频谱特性训练集,作为所述频率域训练集;
例如,V序列值list[V]的为样本序列list(S_V),对样本序列中的(time,value)时间序列数值做FFT/小波变换可得到频率序列数值(frequency, value),该数值序列展示了采样值V的频谱特性。
例如,某V序列值表示一周时间内的环境温度,对V序列值的对应样本序列中(时间,温度值)参数对进行FFT/小波变换变换可得到(频率,温度值)序列,即温度的频谱分布情况。通过该频谱进行多种时间尺度分析,可以提取出温度在不同时间尺度中的变化情况,如本例中一周内温度稳步小幅上升,一日内昼夜温差增大,一小时内温度变化情况等。
通过小波变换等多时间尺度分析方法,按照时间由近到远的顺序滑动多种时间尺度窗口,获取各尺度的时间段内的频谱序列值作为频谱样本,记为V_F[m,n],其中m为时间尺度下标, n为时间窗口序号下标。
对所有V采样数据都进行以上变换后,得到样本频谱特性训练集S_V_F_Test,它由所有时间尺度和时间范围的频谱样本构成{V_F[m,n] |m-时间尺度下标, n-时间窗口序号下标}样本空间,频谱样本在样本空间中按照低频到高频进行排序。
3-2、模型训练
对权重参数进行优化,同时,根据训练效果,在构建模型原型时调整神经网络中的超参数。
具体地,构建先验数据和后验数据之间的关系模型原型,即”农作物生长环境需求模型”和“田间管理操作模型”。在本自学习算法中,分别对先验数据和后验数据构建训练集,再使用神经网络方法发现V,G,T与Q之间的潜在关联;
通过使用训练集S_V_Test, S_G_Test, S_T_Test, S_Q_Test及S_V_F_Test,对“农作物生长环境需求模型”和“田间管理任务模型”神经网络进行训练,对权重参数进行优化,同时,根据训练效果,在构建模型原型时调整神经网络层数、每层神经元个数等超参数,从而基于训练集实现准确的农产品质量等级预报。
4、进行神经网络测试和模型泛化能力优化。
具体地,采用未经神经网络学习过的V,G,T,Q实测数据,作为神经网络模型测试集,用于强化模型的泛化能力,提高模型对各种未知情况状态下的农产品质量预报的准确度,反复迭代以优化模型权重参数,准确实现泛化条件下模型对的农产品质量的准确预报。
5、将优化后的模型进行神经网络验证。
具体地,采用未经神经网络学习过的V,G,T,Q实测数据,作为神经网络模型测试集,用于验证训练过的神经网络对农产品质量的预报准确度,反复迭代神经网络训练过程,并调整超参数,以优化模型权重参数,实现对模型基于训练集、测试集、验证集数据都能准确预报农产品质量的效果。
在应用时,为实现农作物的存储与运输,提供全面的管理服务;所述的一种基于农作物全生命周期管理的智慧农场平台,还包括自动化仓储单元,所述自动化仓储单元包括仓库环境监测单元、仓库环境调控单元和仓储物流单元;
所述仓库环境监测单元,用于监测仓库环境状态参数并上传至云服务器;采集的数据包括仓库内空气温湿度、光照度、CO2浓度等数据。
所述仓库环境调控单元,用于接收所述云服务器根据所述仓库环境状态参数生成的作业指令进行仓库环境状态的调节;其中,所述仓库环境调控单元包括部署于仓库的设备作业模块,云服务器按照仓库设备环境调整业务逻辑生成设备任务,下发指令到仓库内环境调控设备完成仓库内空气温湿度、光照度、CO2浓度等仓库环境状态的调节。
所述仓储物流单元,用于接收所述云服务器根据用户的物料输送请求,生成自动化物流工作流指令以进行仓库内指定物料的存取和转运;所述仓储物流单元包括部署于仓库的自动化物流系统和作业设备,云服务器响应用户物料输送请求,生成自动化物流工作流指令,下发到作业设备,由作业设备转发指令到自动化物流系统完成仓库内指定物料的存取和转运过程。
进一步地,为实现管理的灵活性和便利性;云服务器还与手机app模块/WebService模块通过网络实现信息交互;其中,云服务器负责响应手机app模块/Web Service模块的请求,完成权限控制、请求解析、任务生成与下发、监控任务执行情况并反馈执行状态等工作。
其中,手机app模块使用移动端app实现无线终端和云服务器后端的网络通信;
Web Service模块使用Web前端实现和云服务器后端的网络通信。
所涉及的数据库可选择通过所述云服务器上集中部署承载(早期可采用服务器和数据库的集中式部署设计)或选择分布式数据库承载(后期采用分布式数据库提升数据容量、可靠性和处理效率,便于实施数据仓库、区块链等大数据技术应用)。
具体地,手机app模块为用户提供状态监控、设备控制、电子商务等功能。
手机app从所述的各数据库中获取设备、环境、模型、品质标准化、农作物生长过程、进销存等各领域数据。
手机app通过无线通信方式与本系统所述云服务模块实现网络通信,云服务器负责响应手机app请求,以完成手机app中设定功能,并反馈业务请求的受理和实施结果。
实现的功能板块包括:
1)状态监控;
2)环境调控;
3)设备配置;
4)三农资讯;
5)电子商城;
6)进销存管理。
“状态监控”板块提供各类状态信息监控视图,手机app负责从本系统所述各数据库中获取数据并提供可视化视图,用户可查看地块农作物生长状态、田间环境状态、仓储环境状态、电力系统状态、蓄水池状态、设备工作状态、设备作业完成状态等所有状态信息,并提供历史数据查询、浏览、导出功能的用户操作功能;
“环境调控”板块提供用户远程控制设备完成指定的作业的操作界面,以实现对农作物环境状态、仓储环境状态的人工远程调控;
“设备配置”板块提供用户手动调整设备配置的操作界面,实现设备配置调整;
“三农资讯”板块基于用户画像,提供和用户精准匹配的产业政策、产品信息、上下游产业动态等资讯;
“电子商城”板块为所有经过审核入驻的商家提供B2B/B2C模式的电子商务平台,匹配供需关系促成交易。
电子商城基于农产品生产者经营的产品特征和生产过程,分析用户当前需求,并提供用户上下游关联产品推荐信息,通过软件导购流程实现对目标产品浏览、咨询、购买、售后等常用电子商务平台;通过手机app匹配农资-农产-物流等农业生产上下游产业交易需求,一站式解决农民农业生产前后相关环节进销存需求。
比如,某用户A使用了本智慧农场平台正在进行某一品种的土豆P的生产,目前正值发芽期;根据云服务器判定当前生长环境中,当前土豆的阶段缺少氮肥,则电子商城平台将按照各种策略推荐提供氮肥的商家链接并完成快速导购。当用户A生产的土豆P成熟采收后,用户A可在电子商城中作为卖家发布产品并由app自动完成目标买家匹配和导流,促成产品销售。
需要说明的是,手机app模块还包含常规app软件用户账户管理功能,包括:注册、登录、身份验证、审核、权限管理等功能,其中注册时需要用户选择身份类型包括:公司、农业合作社、个体工商户、个人等主体类型,不同主体类型分别需要验证不同的主体身份信息;经过验证后由服务器授予相应权限。
同理,Web Service模块为用户提供状态监控、设备控制、电子商务等功能,用户可通过任何操作系统平台登录网页浏览器登录Web站点获得相应服务,其功能和前文所述的手机app模块功能一致。
所述Web Service模块包括:Web前端、服务后端、数据库等单元;其中, WebService主体功能、用户管理功能和手机app模块一致,此处不再赘述,参照前文手机app模块的文字描述。
进一步地,所述的一种基于农作物全生命周期管理的智慧农场平台,还包括数字视频监控系统单元,所述数字视频监控系统单元,用于监控、告警和视频回放;当告警事件发生时,则向所述云服务器发起告警,云服务器记录告警事件并启动告警处理流程。
具体地,所述数字视频监控系统单元包括数字监控管理和联网存储设备NVR、IP摄像机、交换/路由设备。路由/交换设备通过网络连接线连接NVR和IP摄像机,NVR配置视频监控策略并实现通道管理,记录视频图像数据。
监控与告警:在NVR中配置监控通道策略和告警触发事件,视频数据由NVR保存,当告警事件发生时(如有人闯入),则由NVR向所述云服务端发起告警,云服务端记录事件并启动告警处理流程(云服务端+手机app/Web Service多平台)。
视频回放:云服务端响应本系统所述手机app或Web Service视频监控回放请求,提供用户查看视频监控、视频监控系统偏好设置等功能。
上述方案,通过在数据采集、田间管理、设备操作过程中都引入自动化流程,实现农产品生产过程的自动化智能管理,实现农产品品质按照标准化进行控制,保障农产品质量,促进农产品提升品牌价值和农产品消费升级;智能引导农民完成农业生产全过程,提高农业生产各环节对接效率;同时减少田间人力投入,只需要进行对平台进行配置管理工作即可实现农业生产管理,并且还通过自动化仓储单元,实现农作物的存储和运输,利用手机app模块/Web Service模块实现用户上下游关联产品的购买推荐、买家匹配和导流,克服存在农产品销售的运输成本过高,不易对接买家进行购买等缺陷,达到对农作物全生命周期管理的应用。
最后需要说明的是,上述描述仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于农作物全生命周期管理的智慧农场平台,其特征在于,包括云服务器,所述云服务器用于:
获取监测数据;其中,所述监测数据通过部署在外部的前端设备采集所得,所述监测数据包括设备数据和田间环境数据;
将所述设备数据存储在所建立的设备数据库中;
将所述田间环境数据存储在所建立的田间环境数据库中;
根据设定的农作物类型、对应的生长周期、生长状态和环境状态,选择加载预先构建的农作物生长周期模型和农作物生长环境需求模型,同时,将农作物实时生长状态记录到所建立的农作物生命周期数据库中;其中,所述农作物生长环境需求模型按照节气范围分段,各段提供多种时间分辨率的农作物生长环境需求模型,实现不同节气范围中,各时间尺度上的模型定义;
根据当前田间环境状态,参照所述农作物生长环境需求模型生成农作物当前环境的调整需求,并根据田间管理任务模型和设备当前状态,生成可执行的田间设备管理的作业任务,以调节农作物生长环境状态,并记录任务过程到所建立的田间管理任务数据库中;所述田间管理任务数据库中记录有田间管理任务模型;
下发所述作业任务至所述前端设备中的设备作业单元以执行,并监测设备状态和环境状态直至完成所述作业任务;
定义各类农作物产品的品质模型,对农产品品质进行参数化和标准化描述,并存储在所建立的农产品品质模型数据库中;
对各地块生产出来的农产品进行标记和分类,记录农产品实际达到的品质等级数据,并保存到进销存数据库中,同时在进销存数据库中保存入库的农产品溯源数据;
所述云服务器还用于:
通过对农作物生长过程实测环境数据、实际田间任务作业记录和农作物长势实测数据,结合实际得到的所述品质等级数据,通过一种自学习模型得出各种类型环境中最适于农作物生长周期模型相应阶段的所述农作物生长环境需求模型和田间管理任务模型;其中,所述自学习模型采用神经网络模型;
所述通过一种自学习模型得出各种类型环境中最适于农作物生长周期模型相应阶段的所述农作物生长环境需求模型和田间管理任务模型,具体为:
从各数据库中进行结构化数据提取;
对所提取的数据进行样本空间转换处理;
利用处理后的数据进行模型训练和参数收敛;
进行神经网络测试和模型泛化能力优化;
将优化后的模型进行神经网络验证;
所述样本空间转换处理具体包括:
对V,G,T,Q中参数值进行量化,构建V,G,T,Q实测值的有限样本空间,从而实现V,G,T,Q实例值均映射到以上样本空间的样本值;其中,V为农作物生长环境采样值记录,G为农作物生长状态记录,T为农作物田间管理任务记录,Q为农作物品质参数;
所述进行模型训练具体包括:
构建训练集;其中,所述训练集包括时间域训练集和频率域训练集;
模型训练,对权重参数进行优化,同时,根据训练效果,在构建模型原型时调整神经网络中的超参数;
所述时间域训练集通过以下步骤构建:
将V,G,T,Q序列值映射到对应的样本空间后,根据时间因果性构建包含先验知识和后验知识的训练集,其中,各先验知识包含和农产品质量等级结果相关所对应样本空间的样本序列;后验知识包含某阶段农产品得到的质量等级结果所对应样本空间的样本序列;同时,以上训练集中样本序列按照时间相关性由强到弱进行排序;
所述频率域训练集通过以下步骤构建:
对样本序列中的时间序列数值做FFT/小波变换可得到频率序列数值;
按照时间由近到远的顺序滑动多种时间尺度窗口,获取各尺度的时间段内的频谱序列值作为频谱样本;
对所有数据都进行以上变换后,得到样本频谱特性训练集,作为所述频率域训练集。
2.根据权利要求1所述的一种基于农作物全生命周期管理的智慧农场平台,其特征在于,还包括自动化仓储单元,所述自动化仓储单元包括仓库环境监测单元、仓库环境调控单元和仓储物流单元;
所述仓库环境监测单元,用于监测仓库环境状态参数并上传至云服务器;
所述仓库环境调控单元,用于接收所述云服务器根据所述仓库环境状态参数生成的作业指令进行仓库环境状态的调节;
所述仓储物流单元,用于接收所述云服务器根据用户的物料输送请求,生成自动化物流工作流指令以进行仓库内指定物料的存取和转运。
3.根据权利要求2所述的一种基于农作物全生命周期管理的智慧农场平台,其特征在于,还包括手机App模块,所述手机App模块用于通过无线通信方式与云服务实现网络通信,实现的功能包括状态监控、环境调控、设备配置、三农资讯、电子商城和进销存管理。
4.根据权利要求3所述的一种基于农作物全生命周期管理的智慧农场平台,其特征在于,还包括数字视频监控系统单元,所述数字视频监控系统单元,用于监控、告警和视频回放;当告警事件发生时,则向所述云服务器发起告警,云服务器记录告警事件并启动告警处理流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110849161.8A CN113570240B (zh) | 2021-07-27 | 2021-07-27 | 一种基于农作物全生命周期管理的智慧农场平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110849161.8A CN113570240B (zh) | 2021-07-27 | 2021-07-27 | 一种基于农作物全生命周期管理的智慧农场平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570240A CN113570240A (zh) | 2021-10-29 |
CN113570240B true CN113570240B (zh) | 2024-02-27 |
Family
ID=78167838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110849161.8A Active CN113570240B (zh) | 2021-07-27 | 2021-07-27 | 一种基于农作物全生命周期管理的智慧农场平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113570240B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115755739A (zh) * | 2022-12-15 | 2023-03-07 | 苏州大域无疆航空科技有限公司 | 基于深度学习的农机运行监控系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101953287A (zh) * | 2010-08-25 | 2011-01-26 | 中国农业大学 | 基于多数据的作物需水检测系统及检测方法 |
CN103576625A (zh) * | 2012-08-01 | 2014-02-12 | 江苏阿法腾科技有限公司 | 一种智能农业集成监控系统 |
CN105532383A (zh) * | 2015-12-29 | 2016-05-04 | 刘震 | 一种日照时间控制农业决策装置 |
CN106444378A (zh) * | 2016-10-10 | 2017-02-22 | 重庆科技学院 | 基于物联网大数据分析的植物培育方法及系统 |
CN107045367A (zh) * | 2017-04-20 | 2017-08-15 | 同济大学 | 一种温室环境多因子协调节能优化控制方法 |
CN107390754A (zh) * | 2017-08-29 | 2017-11-24 | 贵州省岚林阳环保能源科技有限责任公司 | 基于物联网云平台的智能植物生长环境调节系统与方法 |
CN107390753A (zh) * | 2017-08-29 | 2017-11-24 | 贵州省岚林阳环保能源科技有限责任公司 | 基于物联网云平台的智能植物生长环境调节装置与方法 |
CN108958329A (zh) * | 2018-04-26 | 2018-12-07 | 中国农业大学 | 一种滴灌水肥一体化智能决策方法 |
CN109685676A (zh) * | 2018-10-11 | 2019-04-26 | 上海交通大学 | 智能水肥管理方法和系统 |
CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200359550A1 (en) * | 2019-05-13 | 2020-11-19 | Bao Tran | Farm ecosystem |
-
2021
- 2021-07-27 CN CN202110849161.8A patent/CN113570240B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101953287A (zh) * | 2010-08-25 | 2011-01-26 | 中国农业大学 | 基于多数据的作物需水检测系统及检测方法 |
CN103576625A (zh) * | 2012-08-01 | 2014-02-12 | 江苏阿法腾科技有限公司 | 一种智能农业集成监控系统 |
CN105532383A (zh) * | 2015-12-29 | 2016-05-04 | 刘震 | 一种日照时间控制农业决策装置 |
CN106444378A (zh) * | 2016-10-10 | 2017-02-22 | 重庆科技学院 | 基于物联网大数据分析的植物培育方法及系统 |
CN107045367A (zh) * | 2017-04-20 | 2017-08-15 | 同济大学 | 一种温室环境多因子协调节能优化控制方法 |
CN107390754A (zh) * | 2017-08-29 | 2017-11-24 | 贵州省岚林阳环保能源科技有限责任公司 | 基于物联网云平台的智能植物生长环境调节系统与方法 |
CN107390753A (zh) * | 2017-08-29 | 2017-11-24 | 贵州省岚林阳环保能源科技有限责任公司 | 基于物联网云平台的智能植物生长环境调节装置与方法 |
CN108958329A (zh) * | 2018-04-26 | 2018-12-07 | 中国农业大学 | 一种滴灌水肥一体化智能决策方法 |
CN109685676A (zh) * | 2018-10-11 | 2019-04-26 | 上海交通大学 | 智能水肥管理方法和系统 |
CN111639750A (zh) * | 2020-05-26 | 2020-09-08 | 珠海格力电器股份有限公司 | 智能花盆的控制方法、装置、智能花盆及存储介质 |
Non-Patent Citations (8)
Title |
---|
Eusebio L. Mique等.Rice Pest and Disease Detection Using Convolutional Neural Network.《ICISS '18: Proceedings of the 1st International Conference on Information Science and Systems》.2018,第147–151页,全文. * |
Precision irrigation perspectives on the sustainable water-saving of field crop production in China: Water demand prediction and irrigation scheme optimization;Yaoqi Peng等;《Journal of Cleaner Production》;第365-376页,全文 * |
基于改进灰狼算法的温室温湿度预测与控制;李师;《中国优秀硕士学位论文全文数据库农业科技辑》;D048-2,全文 * |
基于数据融合技术的温室环境控制策略研究;朱垲;《中国优秀硕士学位论文全文数据库农业科技辑》;D048-1,全文 * |
基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析;温永菁等;《中国农学通报》(第16期);第115-125页,全文 * |
温室生产系统优化控制方法综述;杜尚丰等;《河北工业大学学报》;第46卷(第05期);第85-91页,全文 * |
精准灌溉介绍及其存在问题;周锭等;《广西水利水电》(第02期);第77-81页,全文 * |
纵向岭谷区农业水管理调控措施;顾世祥等;《节水灌溉》(第02期);第21-24页,全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113570240A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Channe et al. | Multidisciplinary model for smart agriculture using internet-of-things (IoT), sensors, cloud-computing, mobile-computing & big-data analysis | |
CN110134733B (zh) | 基于gis系统与大数据分析的土地管理系统及方法 | |
Sinwar et al. | AI-based yield prediction and smart irrigation | |
KR101874972B1 (ko) | 농업 관리 시스템 및 농업 관리 방법 | |
CN106212243B (zh) | 一种基于微培箱和云平台的有机农产品智能化生产系统 | |
KR101936317B1 (ko) | 단말기를 이용한 스마트 파밍 방법 | |
KR20150096103A (ko) | 농산물 수확량 예측 장치 및 방법 | |
JP2006252105A (ja) | 農産物生産情報管理システム | |
CN104992309A (zh) | 一种基于物联网的全产业链农场云服务系统 | |
CN111582666A (zh) | 智慧农业云平台app | |
US11720980B2 (en) | Crowdsourced informatics for horticultural workflow and exchange | |
Rakhra et al. | Implementing machine learning for supply-demand shifts and price impacts in farmer market for tool and equipment sharing | |
CN113570240B (zh) | 一种基于农作物全生命周期管理的智慧农场平台 | |
KR102563080B1 (ko) | Ai 기반 컨설팅 서비스 제공 시스템의 제어 방법 | |
Kwanmuang et al. | Small-scale farmers under Thailand’s smart farming system | |
CN110956426A (zh) | 一种订单农业与数字农场管理方法及系统 | |
Mudholka et al. | Study of improvement in efficiency and effectiveness of performing farming using internet of things | |
Lean et al. | A raspberry pi-powered iot smart farming system for efficient water irrigation and crop monitoring | |
CN105549661A (zh) | 一种基于“互联网+”的设施农业云服务系统及控制方法 | |
Yamparla et al. | Crop yield prediction using random forest algorithm | |
Alifah et al. | Smart monitoring of rice logistic employing internet of things network | |
Wang et al. | Agricultural product quality traceability system based on the hybrid mode | |
Candemir et al. | IoT based precision agriculture: Ema farming | |
AU2021100096A4 (en) | Ai-based crop recommendation system for smart farming towards agriculture 5.0 | |
CN108492205A (zh) | 农业科技成果转化远程状态监测与专家指导跟踪服务系统 |
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 |