CN113627704A - 一种农作物信息模型构建方法 - Google Patents
一种农作物信息模型构建方法 Download PDFInfo
- Publication number
- CN113627704A CN113627704A CN202010385731.8A CN202010385731A CN113627704A CN 113627704 A CN113627704 A CN 113627704A CN 202010385731 A CN202010385731 A CN 202010385731A CN 113627704 A CN113627704 A CN 113627704A
- Authority
- CN
- China
- Prior art keywords
- model
- product
- identity
- unit
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 8
- 238000012272 crop production Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims abstract description 4
- 238000010801 machine learning Methods 0.000 claims description 21
- 230000007613 environmental effect Effects 0.000 claims description 14
- 238000003306 harvesting Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 3
- 238000012258 culturing Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000005538 encapsulation Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农作物信息模型及其构建方法。农作物信息模型由产品标识模型、环境模型、生产模型组成。一种农作物信息模型的构建方法是从培养过程,运输需要,市场需求三个方面出发,构造出了一种贯穿农作物生产全过程的信息模型。本发明的提出旨在实现了商品信息封装化;保证具体农作物信息不会丢失;并可以实时查询农作物的状态;避免了农作物生产出错无法追究责任人,无法分析原因,无法追溯以及无法定义适宜环境的问题。
Description
技术领域
本发明涉及数据处理领域,具体而言,涉及一种农作物信息模型构建方法。
背景技术
目前的智慧农业系统,功能集中在:收集大量的传感器信息,通过大数据分析,得到各个环境因素对农业产量的影响。这些系统无法查询、分析和追溯各个具体的农作物产品。当用户需要查询所购买的商品信息时,系统无法提供;农作物出现问题后又无法追究责任人;不能探究相同农作物出现产量区别明显等痛点问题。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种农作物信息模型的构建方法。
本发明的目的可以通过以下技术方案来实现:
一种农作物信息模型的构建方法,包括以下步骤:
5)根据厂家多维需求,建立产品标识信息,智能构建产品标识模型和环境模型,实现产品的标识和智能调节环境变量;
6)依据产品标识模型和环境模型,构建生产模型,实时监控生产状态;
7)根据生产模型需求,利用机器学习,将生产模型,环境模型,产品标识模型中的属性量化,实时产生对应的影响因子供生产模型使用,所述影响因子为生产模型,环境模型,产品标识模型对应的最优值;
8)最终,构建出能够描述农作物生产,分析农作物产量及销量的农作物信息模型。
进一步的,所述产品标识模型包括Identity和IdentityUnit,其中,所述Identity为产品标识类,主要标识当期产品,包括四个属性,identityName,identityType,identityPlace和identityUnit,所述identityName是产品名,主要用于产品的外部展示,所述identityType是产品类型,初步描述产品信息,主要用于产品分类,所述identityPlace是产品生产地,主要用来查看生产地对产量和销量的影响,所述identityUnit是产品单元对象,一个产品需要划分多个产品单元,后续产品的数据处理对象是产品中的identityUnit,其中,所述IdentityUnit为产品单元,后续的数据以IdentityUnit为单位进行处理,包括四个属性,unitName,unitId,unitNumber,information,其中,所述unitName是单元名,主要用于单元标识和分类,由系统自动生成,所述unitId是单元的数值标识,主要用于单元标识和查找,由系统自动生成,所述unitNumber是单元数量,表示一个产品划分的单元个数,比如一批苹果产品,以3个为一个单元,那么unitNumber为3,所述information是单元信息,它是产品单元最重要的组成部分,后续会向其中添加标识模型,环境数据,状态模型中的一些属性;
进一步的,所述环境模型接收环境参数值,利用环境调节设备进行环境参数调整,再通过传感器将实时环境参数数值输出;
进一步的,所述生产模型包括种植、培养、收获三个子模块,所述三个子模块接收环境因素的IdentityUnit,根据IdentityUnit中的环境因素最优值通过环境模型不断调整环境参数,同时,所述三个子模块收集数据结束后产生最终状态码,所述最终状态码描述的是产品单元在当前阶段结束的情况,所述最终状态码全部存储在IdentityUnit的information属性上,通过IdentityUnit产品单元向外输出;
进一步的,所述影响因子是利用机器学习,以农作物状态码,环境数据,标识模型为输入,以最终销量,最终产量为输出进行学习,得到当销量与产量最大时各个输入对应的两个影响因子,将影响因子存入IdentityUnit产品单元中的information属性中,由于农作物状态码,环境数据和标识模型可以不断的生成,所有这个机器学习得到的影响因子预测会越来越准。
一种农作物信息模型包括生产模型,环境模型,产品标识模型,所述产品标识模型为Identity产品标识单元,所述Identity接收用户输入的信息,智能生成unitName,unitId,information,其中所述information为影响因子值,随机添加大量information便于机器学习,所述Identity数据赋予生产模型,所述生产模型通过information值调整环境模型,所述环境模型环境参数给生产模型,所述生产模型将最终状态码存入information中发送给机器学习,环境模型将环境参数给机器学习,Identity将标识模型中的产品名,产品生产地,单位数量给机器学习,机器学习以生产模型,环境模型,产品标识模型的数据作为输入,以外部得到的实际产量与销量作为输出,不断训练,得到输入的各个影响因子,将训练好的影响更新到information,这就形成了一整套完整的农作物信息模型的构建方法,经过机器学习的不断训练,各个模块的输入和输出,可以得到农作物高产量,高销量的模型。
有益效果:本发明的提出旨在实现了商品信息封装化,保证具体农作物信息不会丢失,并可以实时查询农作物的状态,避免了农作物生产出错无法追究责任人,无法分析原因,无法追溯以及无法定义适宜环境的问题。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明的责任人体系结构图;
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
下面将参考附图并结合实施例来详细说明本发明。
根据图1所示,产品相应责任人体系结构包括生产负责人、数据分析负责人以及机器学习小组,整体负责让产品的产量及销量在机器学习的帮助下达到最大;所述生产负责人包括种植负责人、培养负责人、收获负责人以及数据统计负责人,其中,种植负责人、培养负责人、收获负责人分别负责产品种植,培养,收获阶段的生产过程,数据统计负责人负责种植,培养,收获阶段的产品状态码的数据统计,并将将数据整理好后发给数据分析负责人;所述数据分析负责人包括农作物状态数据负责人、责任人组织结构分析员、环境数据负责人以及产量和销量分析员,所述数据统计负责人将数据分为分析农作物状态,责任人组织结构,环境数据,产量和销量,分别交给不同的负责人,数据分析负责人将数据传输给机器学习小组,机器学习小组通过对输入数据的机器学习计算各个输入数据的最佳数值,根据提供的农作物状态,责任人组织结构,环境数据分析作为输入,将产量和销量作为输出,得到各个输入的两个影响因子,分别对应销量和产量,机器学习负责小组实时将产量和销量的影响因子传输给产品负责人,生产负责人根据反馈信息进行调整来提高产量和销量,数据分析负责人再将数据进行存储。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种农作物信息模型的构建方法,其特征在于,包括以下步骤:
1)根据厂家多维需求,建立产品标识信息,智能构建产品标识模型和环境模型,实现产品的标识和智能调节环境变量;
2)依据产品标识模型和环境模型,构建生产模型,实时监控生产状态;
3)根据生产模型需求,利用机器学习,将生产模型,环境模型,产品标识模型中的属性量化,实时产生对应的影响因子供生产模型使用,所述影响因子为生产模型,环境模型,产品标识模型对应的最优值;
4)最终,构建出能够描述农作物生产,分析农作物产量及销量的农作物信息模型。
2.根据权利要求1所述的构建方法,其特征在于,所述产品标识模型包括Identity和IdentityUnit,其中,所述Identity为产品标识类,主要标识当期产品,包括四个属性,identityName,identityType,identityPlace和identityUnit,所述identityName是产品名,主要用于产品的外部展示,所述identityType是产品类型,初步描述产品信息,主要用于产品分类,所述identityPlace是产品生产地,主要用来查看生产地对产量和销量的影响,所述identityUnit是产品单元对象,一个产品需要划分多个产品单元,后续产品的数据处理对象是产品中的identityUnit,其中,所述IdentityUnit为产品单元,后续的数据以IdentityUnit为单位进行处理,包括四个属性,unitName,unitId,unitNumber,information,其中,所述unitName是单元名,主要用于单元标识和分类,由系统自动生成,所述unitId是单元的数值标识,主要用于单元标识和查找,由系统自动生成,所述unitNumber是单元数量,表示一个产品划分的单元个数,比如一批苹果产品,以3个为一个单元,那么unitNumber为3,所述information是单元信息,它是产品单元最重要的组成部分,后续会向其中添加标识模型,环境数据,状态模型中的一些属性。
3.根据权利要求1所述的构建方法,其特征在于,所述环境模型接收环境参数值,利用环境调节设备进行环境参数调整,再通过传感器将实时环境参数数值输出。
4.根据权利要求1所述的构建方法,其特征在于,所述生产模型包括种植、培养、收获三个子模块,所述三个子模块接收环境因素的IdentityUnit,根据IdentityUnit中的环境因素最优值通过环境模型不断调整环境参数,同时,所述三个子模块收集数据结束后产生最终状态码,所述最终状态码描述的是产品单元在当前阶段结束的情况,所述最终状态码全部存储在IdentityUnit的information属性上,通过IdentityUnit产品单元向外输出。
5.根据权利要求1所述的构建方法,其特征在于,所述影响因子是利用机器学习,以农作物状态码,环境数据,标识模型为输入,以最终销量,最终产量为输出进行学习,得到当销量与产量最大时各个输入对应的两个影响因子,将影响因子存入IdentityUnit产品单元中的information属性中,由于农作物状态码,环境数据和标识模型可以不断的生成,所有这个机器学习得到的影响因子预测会越来越准。
6.一种农作物信息模型包括生产模型,环境模型,产品标识模型,所述产品标识模型为Identity产品标识单元,所述Identity接收用户输入的信息,智能生成unitName,unitId,information,其中所述information为影响因子值,随机添加大量information便于机器学习,所述Identity数据赋予生产模型,所述生产模型通过information值调整环境模型,所述环境模型环境参数给生产模型,所述生产模型将最终状态码存入information中发送给机器学习,环境模型将环境参数给机器学习,Identity将标识模型中的产品名,产品生产地,单位数量给机器学习,机器学习以生产模型,环境模型,产品标识模型的数据作为输入,以外部得到的实际产量与销量作为输出,不断训练,得到输入的各个影响因子,将训练好的影响更新到information,这就形成了一整套完整的农作物信息模型的构建方法,经过机器学习的不断训练,各个模块的输入和输出,可以得到农作物高产量,高销量的模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010385731.8A CN113627704B (zh) | 2020-05-09 | 2020-05-09 | 一种农作物信息模型构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010385731.8A CN113627704B (zh) | 2020-05-09 | 2020-05-09 | 一种农作物信息模型构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627704A true CN113627704A (zh) | 2021-11-09 |
CN113627704B CN113627704B (zh) | 2024-03-22 |
Family
ID=78376351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010385731.8A Active CN113627704B (zh) | 2020-05-09 | 2020-05-09 | 一种农作物信息模型构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627704B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853305A (zh) * | 2010-06-11 | 2010-10-06 | 湖南大学 | 一种构建综合农业环境信息数据库的方法 |
CN106408132A (zh) * | 2016-09-30 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的作物产量预测方法及装置 |
CN106527310A (zh) * | 2016-10-31 | 2017-03-22 | 深圳前海弘稼科技有限公司 | 农作物大棚的自动监控方法和装置 |
CN107450449A (zh) * | 2017-09-14 | 2017-12-08 | 广东工业大学 | 一种农业监控系统 |
KR101811640B1 (ko) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
KR101887503B1 (ko) * | 2017-06-13 | 2018-08-10 | (주)다온정보 | 인공지능기술을 이용한 시설하우스 제어장치 |
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 |
CN110376980A (zh) * | 2019-06-20 | 2019-10-25 | 广东工业大学 | 一种温室大棚远程动态智能监控系统及监控方法 |
-
2020
- 2020-05-09 CN CN202010385731.8A patent/CN113627704B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101853305A (zh) * | 2010-06-11 | 2010-10-06 | 湖南大学 | 一种构建综合农业环境信息数据库的方法 |
KR101811640B1 (ko) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
CN106408132A (zh) * | 2016-09-30 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的作物产量预测方法及装置 |
CN106527310A (zh) * | 2016-10-31 | 2017-03-22 | 深圳前海弘稼科技有限公司 | 农作物大棚的自动监控方法和装置 |
KR101887503B1 (ko) * | 2017-06-13 | 2018-08-10 | (주)다온정보 | 인공지능기술을 이용한 시설하우스 제어장치 |
CN107450449A (zh) * | 2017-09-14 | 2017-12-08 | 广东工业大学 | 一种农业监控系统 |
CN110376980A (zh) * | 2019-06-20 | 2019-10-25 | 广东工业大学 | 一种温室大棚远程动态智能监控系统及监控方法 |
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 |
Non-Patent Citations (1)
Title |
---|
梁英;王怡;孙歆钰;: "基于单片机的农业生产环境监测系统设计", 广东蚕业, no. 01 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627704B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Patil et al. | Early detection of grapes diseases using machine learning and IoT | |
Anik et al. | Agricultural productivity growth and the role of capital in South Asia (1980–2013) | |
WO2018217170A1 (en) | System, method and apparatus for management of agricultural resource | |
Lin et al. | Intelligent greenhouse system based on remote sensing images and machine learning promotes the efficiency of agricultural economic growth | |
CN112116206A (zh) | 一种基于大数据的智慧农业系统 | |
US20240054776A1 (en) | Tracking objects with changing appearances | |
Kolmanič et al. | An algorithm for automatic dormant tree pruning | |
Ane et al. | Agriculture in the fourth industrial revolution | |
Chen et al. | A self-supervised learning-based intelligent greenhouse orchid growth inspection system for precision agriculture | |
Donzia et al. | Architecture design of a smart farm system based on big data appliance machine learning | |
CN104636852A (zh) | 作物生产规划系统及作物生产规划方法 | |
CN107832878A (zh) | 一种基于大数据分析和生长模型的作物生长趋势分析方法 | |
KR20030018604A (ko) | 농업 및 수산업용 생산관리 시스템 | |
KR20210025796A (ko) | 기계 학습을 이용한 작물의 최대 생장 구현 방법 | |
JP2001256289A (ja) | 農業および水産業用生産管理システム | |
CN113627704A (zh) | 一种农作物信息模型构建方法 | |
Premasudha et al. | ML based methods XGBoost and random forest for crop and fertilizer prediction | |
Deepthi et al. | Application of expert systems for agricultural crop disease diagnoses—A review | |
CN115617089A (zh) | 基于传感器状态变化的温度控制方法、装置、设备及介质 | |
CN113537423A (zh) | 一种基于农业物联网的监管平台 | |
Lakshmi et al. | Analysing agricultural information through machine learning and artificial intelligence for SMART IRRIGATION | |
Wang et al. | The application of the internet of things technology in apple production | |
Tripathi et al. | 2 Food security and farming through IoT and machine learning | |
CN110322366A (zh) | 一种测土配方肥本地化生产技术系统及实现方法 | |
Kokale et al. | Agriculture 4.0: Smart Revolution of the Future Farming Sector |
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 |