CN113791650A - 一种臭氧浓度的调节方法及系统 - Google Patents
一种臭氧浓度的调节方法及系统 Download PDFInfo
- Publication number
- CN113791650A CN113791650A CN202110935959.4A CN202110935959A CN113791650A CN 113791650 A CN113791650 A CN 113791650A CN 202110935959 A CN202110935959 A CN 202110935959A CN 113791650 A CN113791650 A CN 113791650A
- Authority
- CN
- China
- Prior art keywords
- ozone concentration
- value
- data
- crop
- ozone
- 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
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 354
- 238000000034 method Methods 0.000 title claims abstract description 91
- 230000012010 growth Effects 0.000 claims abstract description 58
- 230000033228 biological regulation Effects 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims description 66
- 201000010099 disease Diseases 0.000 claims description 62
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 62
- 238000012549 training Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 38
- 238000012706 support-vector machine Methods 0.000 claims description 32
- 238000005070 sampling Methods 0.000 claims description 31
- 238000005286 illumination Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 16
- 238000011002 quantification Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000003306 harvesting Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 240000008067 Cucumis sativus Species 0.000 description 10
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 10
- 241000894007 species Species 0.000 description 10
- 230000001954 sterilising effect Effects 0.000 description 7
- 238000004659 sterilization and disinfection Methods 0.000 description 7
- 241000607479 Yersinia pestis Species 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 241000221785 Erysiphales Species 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 241000233679 Peronosporaceae Species 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 244000052616 bacterial pathogen Species 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000013601 eggs Nutrition 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 210000002421 cell wall Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D11/00—Control of flow ratio
- G05D11/02—Controlling ratio of two or more flows of fluid or fluent material
- G05D11/13—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means
- G05D11/139—Controlling ratio of two or more flows of fluid or fluent material characterised by the use of electric means by measuring a value related to the quantity of the individual components and sensing at least one property of the mixture
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Oxygen, Ozone, And Oxides In General (AREA)
Abstract
本发明提供一种臭氧浓度的调节方法及系统，所述方法包括：根据臭氧浓度预测模型的输出结果，确定所述目标设施内的预测臭氧浓度；调节目标设施内的实际臭氧浓度至所述预测臭氧浓度。本发明所提供的臭氧浓度的调节方法及系统，通过臭氧浓度预测模型，能准确地预测目标设施内适合作物生长所需要的臭氧浓度；若预测臭氧浓度大于实际臭氧浓度实际值，则调节臭氧发生器增大臭氧释放量；若预测臭氧浓度小于实际臭氧浓度，则调节臭氧发生器减小臭氧的释放量，直到目标设施内的实际臭氧浓度与预测臭氧浓度相等。本发明有效地实现了对目标设施内的臭氧浓度的动态、精准、及时调控。
Description
技术领域
本发明涉及农业信息技术领域，尤其涉及一种臭氧浓度的调节方法及系统。
背景技术
臭氧具有很强的氧化性，不仅能够快速、高效、广谱的杀菌，而且安全无毒。臭氧杀菌灭虫技术是一种有效的设施作物病虫害防控技术。在该技术中，设施内臭氧浓度是决定臭氧杀菌灭虫效果的重要因素，当臭氧浓度达到一定值时，其强氧化性会迅速分解细菌和真菌的细胞壁、害虫的细胞膜，杀灭病菌、杀死害虫的卵和幼虫，从而实现防治作物病虫害的发生。但是，过高的臭氧浓度会对作物的生长产生“灼烧”，不利于作物的生长。
目前，设施内的臭氧主要通过臭氧发生器产生，主要是由工作者根据自身经验通过人工设定臭氧发生器固定的臭氧产生时间、臭氧释放量和运行时长来调控设施内臭氧气体的浓度来进行控制。
然而，设施内臭氧浓度的控制是一个复杂的过程，受设施内环境温度、湿度、光照强度等诸多因素的影响，且不同的作物类型、不同的作物生长期、不同的病害类型及病害严重程度等，均会影响对于臭氧浓度的需求。因此，仅凭个人经验，难以实现对设施内臭氧浓度进行精准、闭环控制。
发明内容
本发明提供一种臭氧浓度的调节方法及系统，用以解决现有技术中由人工控制设施内臭氧浓度所存在的控制精度低、不及时的缺陷。
第一方面，本发明提供一种臭氧浓度的调节方法，其特征在于，包括：
获取目标设施内的环境数据和作物信息；基于所述环境数据和所述作物信息，构建数据特征向量；
将所述数据特征向量输入臭氧浓度预测模型，根据所述臭氧浓度预测模型的输出结果确定所述目标设施内的预测臭氧浓度；
调节所述目标设施内的臭氧浓度至所述预测臭氧浓度。
根据本发明提供一种臭氧浓度的调节方法，其特征在于，所述获取目标设施内的环境数据和作物信息，包括：
按照预设采样周期获取所述目标设施内的多组环境采样数据；
计算所述多组环境采样数据的平均值，作为所述环境数据；
获取目标设施内的作物图像；利用预先训练好的深度卷积神经网络对所述作物图像进行图像识别，获取所述作物信息。
所述平均值的计算公式为：
其中，m为所述环境数据的类型的个数，xi为每隔时间t时所采集到的所述环境采样数据，n为采集到的所述环境采样数据个数，
为第m个类型的所述环境数据；
根据本发明提供一种臭氧浓度的调节方法，其特征在于，所述作物信息包括作物种类、作物生长期、病害种类及病害程度中的至少一种；在获取所述作物信息之后，还包括：
根据所述作物种类，从种类量化表中，查询第一数值；所述种类量化表是根据每种作物的臭氧耐受性预先构建的；
确定所述作物种类的作物生长周期；
根据所述作物生长期和所述作物生长周期，确定第二数值；所述作物生长期为作物从定植开始统计，到当前的生长天数；所述作物生长周期为所述作物从定植开始统计，到作物生长收获所需要的总天数；
根据所述病害种类及病害程度，从病害量化表中，查询第三数值；所述病害量化表是根据每种病害及其病害程度与臭氧释放量的关系预先构建的。
所述根据作物生长期和所述作物生长周期，确定第二数值，具体为：
其中，d为所述作物生长期；D为所述作物生长周期；G为所述第二数值；
根据本发明提供一种臭氧浓度的调节方法，其特征在于，所述环境数据包括温度数值、湿度数值、光照强度数值中的至少一种；所述基于所述环境数据和所述作物信息，构建数据特征向量，包括：
分别根据所述温度数值、所述湿度数值、所述光照强度数值、所述第一数值、所述第二数值、所述第三数值的取值范围，将取值范围不在[0，1]内的所有数值作为一类数值，将取值范围在[0，1]内的所有数值作为另一类数值；
针对所述一类数值分别采用max-min数据归一化方法进行处理；对处理后的一类数值和所述另一类数值进行权重调整，所述权重调整的调整系数是基于每个数值对所述预测臭氧浓度的影响程度确定的；
基于权重调整后的所有数值，构建数据特征向量；
所述max-min数据归一化方法的公式为：
其中，xk(j)表示第k个影响因素的第j个数值；Xk(j)表示对第k个影响因素的第j个数值进行归一化后的数值；max[xk]、min[xk]分别表示第k个影响因素的最大数值和最小数值；
所述进行权重调整的公式为：
X'k(j)＝xk'(j)×δk(j)
其中，x'k(j)表示进行权重调整的第k个影响因素的第j个数值；X'k(j)表示第k个影响因素的第j个数值进行权重调整后的数值；δk(j)表示对第k个影响因素的第j个数值进行权重调整的调整系数。
根据本发明提供一种臭氧浓度的调节方法，其特征在于，在将所述数据特征向量输入臭氧浓度预测模型之前，还包括：
获取多个数据特征向量样本和每个所述数据特征向量样本对应的预测臭氧浓度标签；
将每个数据特征向量样本和对应的预测臭氧浓度标签的组合作为一个训练样本，获得多个训练样本；
利用所述训练样本对所述臭氧浓度预测模型进行训练。
根据本发明提供一种臭氧浓度的调节方法，其特征在于，所述臭氧浓度预测模型为支持向量机，所述支持向量机的核函数为高斯径向基函数。
根据本发明提供一种臭氧浓度的调节方法，其特征在于，所述利用所述训练样本对所述臭氧浓度预测模型进行训练，包括：
设置所述支持向量机的惩罚参数和核函数参数；
利用每个所述训练样本中的数据特征向量样本，依次对所述臭氧浓度预测模型进行训练，并获取所述臭氧浓度预测模型输出的所有预测臭氧浓度；
计算所述所有预测臭氧浓度的浓度均值；按照预设步长，调整所述惩罚参数和/或所述核函数参数，并重新计算所述浓度均值；
迭代执行调整所述惩罚参数和/或所述核函数参数，并重新计算所述浓度均值的步骤，直至达到所述惩罚参数和/或所述核函数参数的取值范围；
选择准确率最高的浓度均值所对应的惩罚参数和核函数参数作为所述支持向量机的目标参数。
第二方面，本发明提供一种臭氧浓度的调节系统，其特征在于，包括：获取模块，用于获取目标设施内的环境数据和作物信息；特征向量构建模块，用于基于所述环境数据和所述作物信息，构建数据特征向量；调节模块，用于将所述数据特征向量输入臭氧浓度预测模型，根据所述臭氧浓度预测模型的输出结果确定所述目标设施内的预测臭氧浓度；还用于调节所述目标设施内的臭氧浓度至所述预测臭氧浓度。
第三方面，本发明提供一种电子设备，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计算机程序，所述处理器执行所述程序时实现如上述任一种所述臭氧浓度的调节方法的步骤。
第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述臭氧浓度的调节方法的步骤。
本发明提供的臭氧浓度的调节方法，通过获取影响目标设施内的臭氧浓度的环境数据和作物信息，并对环境数据和作物信息进行分析处理，以构建数据特征向量；将数据特征向量输入臭氧浓度预测模型，准确地预测目标设施内适合作物生长所需要的臭氧浓度；若预测臭氧浓度大于实际臭氧浓度实际值，则调节臭氧发生器增大臭氧释放量，若预测臭氧浓度小于实际臭氧浓度，则调节臭氧发生器减小臭氧的释放量，直到目标设施内的实际臭氧浓度与预测臭氧浓度相等；若预测臭氧浓度等于实际臭氧浓度实际值则维持臭氧发生器的当前工作状态不变，实现了目标设施内的臭氧浓度的动态、精准、及时调控。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的臭氧浓度的调节方法的流程示意图之一；
图2是本发明提供的对目标设施内的臭氧浓度进行调整的流程示意图；
图3是本发明提供的臭氧浓度的调节方法的流程示意图之二；
图4是本发明提供的臭氧浓度调节系统的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书以及权利要求中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合图1-图5描述本发明实施例所提供的臭氧浓度的调节方法和系统。
图1是本发明提供的臭氧浓度的调节方法的流程示意图之一，如图1所示，包括但不限于以下步骤：
101：获取目标设施内的环境数据和作物信息；
环境数据和作物信息是影响臭氧灭菌除虫所需浓度的主要因素，因此在对目标设施内的臭氧浓度调节之前，需要获取目标设施内的环境数据和作物信息。
其中，环境数据可以包括：目标设施内的温度数据、湿度数据、光照强度等，这里对环境数据的具体的类型不作限定。
以采集温度数据为例，可以在目标设施内均匀设置多组温度传感器，采集目标设施内的多组温度样本数据，再计算多组温度样本数据的平均值来确定目标设施内的温度。
可以采用同样的方式设置其他传感器采集对应的环境数据，这里不再进行重复说明。
针对作物信息的采集，可以在目标设施内设置多组摄像头，利用摄像头拍摄目标设施内的多组作物图像，再对多组作物图像进行图像处理以及识别，获取作物信息。所述作物信息可以包括但不限于：作物的种类以及作物的患病情况等。
102：基于所述环境数据和所述作物信息，构建数据特征向量；
可以采用步骤101中采集温度数据的方法，获得目标设施内的湿度数据、光照强度数据等其他类型的环境数据；
进一步地在获取到目标设施内的作物信息后，为了与环境数据结合建数据特征向量，需要将采集到的作物信息进行数值量化，最终可以获得到各类环境数据和作物信息数据。
对获得到的各类数据，可以利用max-min数据归一化方法，并结合各类数据对臭氧浓度的影响程度，使归一化后的数据均落入[0,1]区间内，构建数据特征向量。
103：将所述数据特征向量输入臭氧浓度预测模型，根据所述臭氧浓度预测模型的输出结果确定所述目标设施内的预测臭氧浓度；
其中，臭氧浓度预测模型是预先构建的，所述臭氧浓度预测模型可以选择神经网络网络、极限学习机、支持向量机等机器学习模型。
在将数据特征向量输入臭氧浓度预测模型后，可以得到目标设施内的预测臭氧浓度。其中，预测臭氧浓度是针对当前设施内的作物的最佳臭氧浓度，该最佳臭氧浓度既可以充分迅速杀灭目标设施内的病菌、害虫的卵和幼虫，又不至于对作物本身的生长造成伤害。
104：调节所述目标设施内的实际臭氧浓度至所述预测臭氧浓度。
在根据臭氧浓度预测模型得到预测臭氧浓度后，可以利用臭氧传感器测量目标设施内的臭氧浓度实际值，根据预测臭氧浓度与臭氧浓度的实际值之间的差值，控制目标设施内预先布置的臭氧发生器工作，以调节臭氧释放量，使目标设施内的臭氧浓度实际值与预测臭氧浓度相等。
图2是本发明提供的对目标设施内的臭氧浓度进行调整的流程示意图，具体流程如图2所示，若预测臭氧浓度大于实际臭氧浓度则调节臭氧发生器，增大臭氧释放量，直到目标设施内的实际臭氧浓度与预测臭氧浓度相等；若预测臭氧浓度小于实际臭氧浓度，则调节臭氧发生器，减小臭氧的释放量，直到目标设施内的实际臭氧浓度与预测臭氧浓度相等；若预测臭氧浓度等于实际臭氧浓度则维持臭氧发生器的当前工作状态不变。
其中，实际臭氧浓度的测量可以通过以下方式获得：采用多组臭氧传感器测量目标设施内不同区域内的臭氧浓度，然后对测量的数据求取平均值，该平均值则为目标设施内臭氧浓度实际值，如采用10组传感器进行臭氧浓度的测量。
图3是本发明提供的臭氧浓度的调节方法的流程示意图之二，如图3所示，该臭氧浓度调节方法主要包括如下步骤：
(1)选取目标设施内影响臭氧灭菌除虫所需浓度的主要因素，主要包括环境因素和作物因素；
(2)根据所确定的环境因素，利用采样时间间隔为t的传感器采集环境数据，并计算一段时间内(如24小时)采集到环境数据的平均值；
(3)根据所确定的作物因素，利用图像采集设备等硬件，采集相应的作物信息，并对采集到的作物信息进行数值量化得到作物数据；
(4)对采集到的各类数据，利用max-min数据归一化方法，并结合各类数据对臭氧浓度的影响程度，使归一化后的数据均落入[0,1]区间内，构建数据特征向量；
(5)利用已训练好的支持向量机(Support Vector Machine，SVM)对所述数据特征向量进行处理，获取目标设施内的预测臭氧浓度；
(6)利用臭氧传感器测量目标设施内的臭氧浓度实际值；
(7)根据预测臭氧浓度和臭氧浓度实际值之间的差值，控制设施内臭氧发生器工作，调节臭氧释放量，实现对臭氧浓度的动态调整，直到预测臭氧浓度和臭氧浓度实际值相等，调整才会结束。
本发明提供的臭氧浓度的调节方法，通过获取影响目标设施内的臭氧浓度的环境数据和作物信息，并对环境数据和作物信息进行分析处理，以构建数据特征向量；将数据特征向量输入臭氧浓度预测模型，准确地预测目标设施内适合作物生长所需要的臭氧浓度；若预测臭氧浓度大于实际臭氧浓度实际值，则调节臭氧发生器增大臭氧释放量，若预测臭氧浓度小于实际臭氧浓度，则调节臭氧发生器减小臭氧的释放量，直到目标设施内的实际臭氧浓度与预测臭氧浓度相等；若预测臭氧浓度等于实际臭氧浓度实际值则维持臭氧发生器的当前工作状态不变，实现了目标设施内的臭氧浓度的动态、精准、及时调控。
基于上述实施例的内容，作为一种可选实施例，本发明提供的一种臭氧浓度调节方法，所述获取目标设施内的环境数据和作物信息，包括：按照预设采样周期获取所述目标设施内的多组环境采样数据；计算所述多组环境采样数据的平均值，作为所述环境数据；
所述平均值的计算公式为：
其中，m为所述环境数据的类型的个数，xi为每隔时间t时所采集到的所述环境采样数据，n为采集到的所述环境采样数据个数，
为第m个类型的所述环境数据；获取目标设施内的作物图像；利用预先训练好的深度卷积神经网络对所述作物图像进行图像识别，获取所述作物信息。
其中，采集多组环境采样数据和计算其平均方法，主要包括如下步骤：
(1)设定传感器采样的时间间隔t；
(2)计算采集到的数据平均值，计算公式如下，
其中，m为环境数据的类型的个数，xi为每隔时间t时传感器所采集到的环境采样数据，n为一段时间内采集到的环境采样数据个数，
为第m个类型的所述环境数据。
具体地，环境数据可以包括温度、湿度、光照强度(m＝1,2,3)；环境温度、湿度数据可以采用SHT30型号的传感器，光照强度可以采用BH1750FVI型光照强度传感器。
具体地，可以将采样的时间间隔设置为20分钟，上述一段时间内可以为1个小时(即n＝3)。
在对作物信息进行采集时，采用远程视频监控系统实时采集目标设施内的作物图像，然后采用常用的作物图像识别算法，识别出图像中的作物种类、病害的种类及其严重程度等作物信息。
可选地，常用的作物图像识别算法可以为深度卷积神经网络，例如ResNet、DenseNet、Inception等网络模型，也可以采用多分类模型集成的方法进行作物图像的识别。
本发明提供的臭氧浓度的调节方法，通过获取多组环境数据求解其平均值获得了更加符合目标设施内实际环境情况的环境数据，并且通过图像识别算法获得多种作物信息，基于所述环境数据和作物信息的浓度调节方法，可以更加有效的精准调目标设施内的臭氧浓度。
基于上述实施例的内容，作为一种可选实施例，本发明提供的一种臭氧浓度调节方法，所述作物信息包括作物种类、作物生长期、病害种类及病害程度中的至少一种；在获取所述作物信息之后，还包括：根据所述作物种类，从种类量化表中，查询第一数值；所述种类量化表是根据每种作物的臭氧耐受性预先构建的；确定所述作物种类的作物生长周期；根据所述作物生长期和所述作物生长周期，确定第二数值；所述作物生长期为作物从定植开始统计，到当前的生长天数；所述作物生长周期为所述作物从定植开始统计，到作物生长收获所需要的总天数；所述根据作物生长期和所述作物生长周期，确定第二数值，具体为：
其中，d为所述作物生长期；D为所述作物生长周期；G为所述第二数值；根据所述病害种类及病害程度，从病害量化表中，查询第三数值；所述病害量化表是根据每种病害及其病害程度与臭氧释放量的关系预先构建的。
由于本发明采集的作物信息并不是数值类型的数据，而环境数据为数值类型的数据，所以需要将作物信息转换为数值类型的数据，才能将作物信息与环境数据相结合以构建数据特征向量。
其中，作物信息可以包括作物种类、作物生长期、病害种类及病害程度，下面分别对上述三种作物信息的数值量化方法进行说明。
对于作物种类信息的数值量化方法，可以预先根据该种作物对臭氧的耐受性，确定一个固定数值，然后基于各种作物和其对应的固定数值，建立一个种类量化表。
所述种类量化表中的固定数值与作物种类一一对应，可以通过作物种类来确定所述作物种类对应的固定数值，并把该固定数值作为本发明中的第一数值。例如，当确定作物种类为黄瓜时，可以通过种类量化表查询确定黄瓜对应的固定数值为0.3，并将0.3作为第一数值。所述固定数值的数值范围一般来说，可以设置在[0，1]范围内。
对于作物生长期，可以通过以下公式对其进行数值量化：
其中，d为作物生长期；D为作物生长周期；G为第二数值。所述作物生长期为作物从定植开始统计，到当前的生长天数；所述作物生长周期为所述作物从定植开始统计，到作物生长收获所需要的总天数；所述第二数值为所述作物生长期数值量化后的数值。
对于病害种类及病害程度的数值量化方法，可以根据每种病害及其病害程度与臭氧释放量的关系构建病害量化表。通过每种病害及其病害程度通过病害量化表，查询其对应的臭氧释放数值，将所述臭氧释放数值作为第三数值。
例如，对于黄瓜作物叶部的白粉病、霜霉病等常见病害等级与对应的臭氧释放数值关系为：
病害等级为0级，对应的臭氧释放数值为0.2；
病害等级为1级，对应的臭氧释放数值为0.4；
病害等级为3级，对应的臭氧释放数值为0.6；
病害等级为5级，对应的臭氧释放数值为0.8。
那么，通过在确定黄瓜作物叶部的白粉病的病害等级为3级时，可以确定臭氧释放数值为0.6，将0.6作为第三数值。可选地，臭氧释放数值范围为[0，1]。
本发明提供的臭氧浓度的调节方法，通过将作物信息转换为数值类型的数据，以便于将作物信息与环境数据结合构建数据特征向量，更加有利于数据融合的效果。
基于上述实施例的内容，作为一种可选实施例，本发明提供的一种臭氧浓度调节方法，所述环境数据包括温度数值、湿度数值、光照强度数值中的至少一种；所述基于所述环境数据和所述作物信息，构建数据特征向量，包括：
分别根据所述温度数值、所述湿度数值、所述光照强度数值、所述第一数值、所述第二数值、所述第三数值的取值范围，将取值范围不在[0，1]内的所有数值作为一类数值，将取值范围在[0，1]内的所有数值作为另一类数值；
针对所述一类数值分别采用max-min数据归一化方法进行处理；对处理后的一类数值和所述另一类数值进行权重调整，所述权重调整的调整系数是基于每个数据对所述预测臭氧浓度的影响程度确定的；
基于权重调整后的所有数据，构建数据特征向量；
所述max-min数据归一化方法的公式为：
其中，xk(j)表示第k个影响因素的第j个数值；Xk(j)表示对第k个影响因素的第j个数值进行归一化后的数值；max[xk]、min[xk]分别表示第k个影响因素的最大数值和最小数值；
进行权重调整的公式为：
X'k(j)＝xk'(j)×δk(j)
其中，x'k(j)表示进行权重调整的第k个影响因素的第j个数值；X'k(j)表示第k个影响因素的第j个数值进行权重调整后的数值；δk(j)表示对第k个影响因素的第j个数值进行权重调整的调整系数。
在本发明中，将环境因素和作物因素作为影响臭氧浓度的主要因素，针对环境因素采集了多种环境数据，所述环境数据可以包括温度数值、湿度数值、光照强度数值；针对作物因素采集了作物信息，所述作物信息可以包括作物种类、作物生长期、病害种类及病害程度，并且将上述作物信息数值量化为第一数值、第二数值、第三数值。
实际上，影响臭氧浓度的因素并不限于环境因素和作物因素，即臭氧浓度的影响因素可以有多种。下面以环境因素和作物因素为例，对本发明提供的臭氧浓度调节方法的构建数据特征向量的过程进行说明。
本发明中基于作物信息数值化获得的第一数值、第二数值和第三数值的取值范围都处于[0，1]内，但是环境因素对应的环境数据中的温度数值、湿度数值、光照强度数值可能远远大于1，所以在构建数据特征向量之前，需要对环境因素对应的环境数据进行max-min数据归一化处理。
所述max-min数据归一化方法的公式为：
其中，xk(j)表示第k个影响因素的第j个数值；Xk(j)表示对第k个影响因素的第j个数值进行归一化后的数值；max[xk]、min[xk]分别表示第k个影响因素的最大数值和最小数值。
归一化处理后，环境因素对应的环境数据和作物因素中对应的数值皆处于[0，1]内；再对所有数值进行权重调整，既可以构建数据特征向量。
所述权重调整的公式如下：
X'k(j)＝xk'(j)×δk(j)
其中，x'k(j)表示进行权重调整的第k个影响因素的第j个数值；X'k(j)表示第k个影响因素的第j个数值进行权重调整后的数值；δk(j)表示对第k个影响因素的第j个数值进行权重调整的调整系数。
所述调整系数是基于每个数据对所述预测臭氧浓度的影响程度确定的。例如，对于黄瓜作物，对温度数值、湿度数值、光照强度数值、第一数值、第二数值、第三数值对应的进行权重调整的调整系数取值分别为0.1、0.2、0.3、0.5、0.6、0.9。
基于权重调整后的所有数值，构建数据特征向量。例如，按照温度、湿度、光照强度、作物种类、作物生长期、病害种类及病害程度的顺序，将其对应的权重调整后的数值组成数据特征向量。
本发明提供的臭氧浓度的调节方法，对环境数据和作物信息的数值进行归一化处理，构建了数据特征向量，实现了环境数据和作物信息的数据融合，提高了臭氧浓度的预测的精度。
基于上述实施例的内容，作为一种可选实施例，本发明提供的一种臭氧浓度调节方法，在将所述数据特征向量输入臭氧浓度预测模型之前，还包括：获取多个数据特征向量样本和每个所述数据特征向量样本对应的预测臭氧浓度标签；将每个数据特征向量样本和对应的预测臭氧浓度标签的组合作为一个训练样本，获得多个训练样本；利用所述训练样本对所述臭氧浓度预测模型进行训练。
在将数据特征向量输入臭氧浓度预测模型之前，需要预先建立臭氧浓度预测模型，该臭氧浓度预测模型可以选择神经网络网络、极限学习机、支持向量机等模型。
在选择臭氧浓度预测模型之后，还需要对臭氧浓度预测模型进行训练才可以获得最终用来获取预测臭氧浓度的臭氧浓度预测模型。为了对臭氧浓度预测模型进行训练，本发明预先建立了多个训练样本，其中，每个训练样本由数据特征向量和每个所述数据特征向量样本对应的预测臭氧浓度标签构成。可以根据实际情况选择训练样本的个数，例如，本发明为了获取更加准确的臭氧浓度预测模型优选的训练样本的个数应大于10000。训练完成后的，臭氧浓度预测模型可以根据数据特征向量获取预测臭氧浓度。
本发明提供的臭氧浓度的调节方法，预先建立了臭氧浓度预测模型，并对模型进行训练，有效地提高了模型的识别精度和鲁棒性。
基于上述实施例的内容，作为一种可选实施例，本发明提供的一种臭氧浓度调节方法，所述臭氧浓度预测模型为支持向量机，所述支持向量机的核函数为高斯径向基函数。
本发明选用支持向量机作为臭氧浓度预测模型，支持向量机的和函数可以选择高斯径向基函数。
高斯径向基函数可选择已知的模型，模型公式如下：
K(z,zi)＝exp(-gamma||zi-z||2)
其中，zi为支持向量，z为待测样本，||zi-z||2为范数距离，gamma为核函数参数。
本发明提供的一种臭氧浓度调节方法，采用核函数为高斯径向基函数的支持向量机作为臭氧浓度预测模型，该惩罚项系数具有更好的泛化能力，可以获取更加准确的输出结果。
基于上述实施例的内容，作为一种可选实施例，本发明提供的一种臭氧浓度调节方法，所述利用所述训练样本对所述臭氧浓度预测模型进行训练，包括：设置所述支持向量机的惩罚参数和核函数参数；利用每个所述训练样本中的数据特征向量样本，依次对所述臭氧浓度预测模型进行训练，并获取所述臭氧浓度预测模型输出的所有预测臭氧浓度；计算所述所有预测臭氧浓度的浓度均值；按照预设步长，调整所述惩罚参数和/或所述核函数参数，并重新计算所述浓度均值；迭代执行调整所述惩罚参数和/或所述核函数参数，并重新计算所述浓度均值的步骤，直至达到所述惩罚参数和/或所述核函数参数的取值范围；选择准确率最高的浓度均值所对应的惩罚参数和核函数参数作为所述支持向量机的目标参数。
本发明中支持向量机模型的惩罚参数c和核函数参数gamma可根据具体应用设定，也可以采用网格搜索和k折交叉验证相结合的方法寻找最优的核函数参数gamma和惩罚项系数c，其大致计算过程如下：
(1)初步设定参数c和gamma的取值范围和步长；
(2)将训练集均分为k份，选择k-1份进行模型训练；余下的一份训练集用于模型预测性能评估，循环进行k次，进而可以获取k个预测结果的准确率，计算k个准确率的均值，将其均值作为此组c和gamma下最终的预测性能；
(3)选择分类准确率最高的一组，也即均值最高的一组对应的c和gamma作为SVM模型的最佳参数；
(4)若具有最高预测性能的参数具有多组时，在分类性能相同时，优先选择c值最小时对应的那组c和gamma值作为SVM预测模型的最佳参数。
在本发明中，在训练样本个数大于10000、支持向量机的核函数为高斯径向基函数的情况下，支持向量机中的参数，可以为c＝0.25、gamma＝2.3。
本发明提供的一种臭氧浓度调节方法，通过网格搜索和k折交叉验证的方法对支持向量机的惩罚项系数和核函数参数进行优化，获得了更加合适的参数，提高了臭氧浓度预测模型的输出结果，预测臭氧浓度的精度。
图4是本发明提供的臭氧浓度调节系统的结构示意图，如图4所示，该系统包括：采集模块401、特征向量构建模块402、调节模块403。
其中，获取模块401，用于获取目标设施内的环境数据和作物信息；特征向量构建模块402，用于基于所述环境数据和所述作物信息，构建数据特征向量；调节模块403，用于将所述数据特征向量输入臭氧浓度预测模型，根据所述臭氧浓度预测模型的输出结果确定所述目标设施内的预测臭氧浓度；还用于调节所述目标设施内的臭氧浓度至所述预测臭氧浓度。
本发明提供的臭氧浓度的调节系统，通过获取影响目标设施内的臭氧浓度的环境数据和作物信息，并对环境数据和作物信息进行分析处理，以构建数据特征向量；将数据特征向量输入臭氧浓度预测模型，准确地预测目标设施内适合作物生长所需要的臭氧浓度；若预测臭氧浓度大于实际臭氧浓度实际值，则调节臭氧发生器增大臭氧释放量，若预测臭氧浓度小于实际臭氧浓度，则调节臭氧发生器减小臭氧的释放量，直到目标设施内的实际臭氧浓度与预测臭氧浓度相等；若预测臭氧浓度等于实际臭氧浓度实际值则维持臭氧发生器的当前工作状态不变，实现了目标设施内的臭氧浓度的动态、精准、及时调控。
基于上述实施例的内容，作为一种可选实施例，本发明提供的一种臭氧浓度调节方法，包括以下步骤：
步骤一、选取目标设施内影响臭氧灭菌除虫所需浓度的主要因素，主要分为环境因素和作物因素。
本发明中的环境因素主要包括目标设施内温度、湿度、光照强度等；作物因素主要包括设施内作物的种类、作物的生长期、病害的种类及其严重程度等；可选黄瓜作物叶部的白粉病、霜霉病等常见病害进行臭氧防治。
步骤二、对所述的环境因素，利用采样时间间隔为t的传感器采集环境采样数据，计算一段时间内采集到环境采样数据的平均值。
主要包括如下步骤：
S2-1：设定传感器数据采样的时间间隔t；
S2-2：计算采集到的环境采样数据平均值，计算公式为：
其中，m为环境因素的种类个数，xi为每隔时间t时传感器所采集到的环境采样数据，n为一段时间内采集到的环境采样数据个数，
为第m个环境因素在一段时间内采集到环境采样数据的平均值。
环境因素可选为温度、湿度、光照强度(m＝1，2，3)；温度、湿度的采集可以采用SHT30型号的传感器；光照强度的采集可以采用BH1750FVI型光照强度传感器。
采样的时间间隔可以为t＝20分钟，所述一段时间可为1个小时(n＝3)。
步骤三、根据所述的作物因素，利用图像采集设备等硬件，采集相应的作物信息，并对采集到的作物信息进行数值量化。
作物因素可以包括作物种类、作物生长期、病害种类及其严重程度。可以采用远程视频监控系统实时采集设施内的作物图像，然后采用常用的作物图像识别算法，识别出图像中的作物种类、病害的种类及其严重程度等作物信息。
常用的作物图像识别算法可选深度卷积神经网络，例如ResNet、DenseNet、Inception等网络模型，也可以采用多分类模型集成的方法进行作物图像的识别。
对于作物种类信息，其数值量化方法为，根据该种作物对臭氧的耐受性，设定一个固定的数值，可选固定数值范围为[0，1]，例如，黄瓜作物对应的数值信息为0.3，基于各种作物和其对应的数值，建立一个种类量化表。所述种类量化表中的数值与作物种类一一对应，可以通过作物种类来查询所述作物种类对应的数值。
对于作物病害种类及其严重程度信息，其数值量化方法为，根据所述作物图像的识别结果，获取该种作物的病害种类及其严重等级，然后根据该种病害与臭氧释放对应关系表，选择相应的数值，可选数值范围为[0，1]。
例如，黄瓜作物叶部的白粉病、霜霉病等常见病害等级与臭氧释放对应数值关系为：
识别结果为0级,对应地数值信息为0.2；
识别结果为1级,对应地数值信息为0.4；
识别结果为3级,对应地数值信息为0.6；
识别结果为5级,对应地数值信息为0.8。
对于作物生长期，其数值量化方法为：
其中，d为作物从定植开始统计，到当前的生长天数；D为所述作物从定植开始统计，到作物生长收获所需要的总天数；G为所述作物生长期数值化后的数值。例如，黄瓜从定植开始至生长期结束的天数为120天。
步骤四、对采集到的各类数值，利用max-min数据归一化方法，并结合各类数值对臭氧浓度的影响程度，使归一化后的数据均落入[0,1]区间内，构建数据特征向量。
所述max-min数据归一化方法，计算公式如下，
其中，xk(j)表示第k个影响因素的第j个数值；Xk(j)表示第k个影响因素的第j个数值进行归一化后的值；max[xk]、min[xk]分别表示第k个影响因素的最大值和最小值。
对于环境因素等取值范围不在[0，1]的数值，可采用所述max-min数据归一化方法进行归一化；
进行上述归一化的步骤后，所有影响因素对应的数值的取值范围都已在[0，1]内，进一步可以对所有的数值进行权重调整，权重调整的公式为：
X'k(j)＝xk'(j)×δk(j)
其中，x'k(j)表示进行权重调整的第k个影响因素的第j个数值；X'k(j)表示第k个影响因素的第j个数值进行权重调整后的数值；δk(j)表示对第k个影响因素的第j个数值进行权重调整的调整系数。
例如，对于黄瓜作物，温度、湿度、光照强度、作物种类、作物生长期、病害种类及病害程度的对应的权重调整系数分别为0.1、0.2、0.3、0.5、0.6、0.9。
具体地，所述的构建数据特征向量，可以按照温度、湿度、光照强度、作物种类、作物生长期、病害种类及病害程度的顺序，将其归一化后的数值组成数据特征向量。
步骤五、利用已训练好的支持向量机对所述的数据特征向量进行识别，获取目标设施内的预测臭氧浓度。
所述的支持向量机的训练过程，主要包括如下步骤：
S3-1：建立总数为num(num＞10000)个训练样本，其中，每个训练样本由数据特征向量和该特征向量对应的预测臭氧浓度组成；
S3-2：选用高斯径向基函数作为支持向量机的核函数；
S3-3：利用数据样本集对构建的支持向量机进行训练，构建臭氧浓度预测模型；
具体地，高斯径向基函数可选择已知模型，模型如下：
K(z,zi)＝exp(-gamma||zi-z||2)
其中，zi为支持向量，z为待测样本，||zi-z||2为范数距离，gamma为核函数参数；
SVM模型的惩罚参数c和核函数参数gamma可根据具体应用设定，也可以采用网格搜索和k折交叉验证相结合的方法寻找核函数参数和惩罚项系数c，大致的计算过程如下：
S4-1：初步设定参数c和gamma的取值范围和步长；
S4-2：将训练集均分为k份，选择k-1份进行模型训练；余下的一份训练集用于模型预测性能评估，循环进行k次，进而可以获取k个预测结果的准确率，计算k个准确率的均值，将其均值作为此组c和gamma下最终的预测性能；可选地，k＝10。
S4-3：选择分类准确率最高的一组c和gamma作为SVM模型的最佳参数；
S4-4：若具有最高预测性能的参数具有多组时，在分类性能相同时，选择c值最小时对应的那组c和gamma值作为SVM预测模型的最佳参数。
在本实施例中，可以选择c＝0.25、gamma＝2.3。
步骤六、利用臭氧传感器测量目标设施内的实际臭氧浓度。
可以采用多组臭氧传感器测量目标设施内不同区域内的臭氧浓度，然后对测量的数据求取平均值，该平均值则为目标设施内的实际臭氧浓度，可以采用10组传感器进行臭氧浓度的测量。
步骤七、根据预测臭氧浓度与实际臭氧浓度之间的差值，控制设施内的臭氧发生器工作，调节臭氧释放量，使实际臭氧浓度与预测臭氧浓度相等。
目标设施内的臭氧浓度的具体调节过程如下：若预测臭氧浓度大于实际臭氧浓度，则调节臭氧发生器，增大臭氧释放量，至实际臭氧浓度与预测臭氧浓度相等；若预测臭氧浓度小于实际臭氧浓度，则调节臭氧发生器减小臭氧的释放量，至实际臭氧浓度与预测臭氧浓度相等；若预测臭氧浓度等于实际臭氧浓度，则维持臭氧发生器的当前工作状态不变。可选地，臭氧发生器为多功能植保机。
本发明提供的臭氧浓度的调节方法，能够根据预测臭氧浓度与实际臭氧浓度的差值，对臭氧发生器的臭氧发生进行闭环控制，实现设施内臭氧浓度的精准、动态调控；并且能够根据作物的生长环境、状态、病虫害的种类及其严重程度等信息自动预测达到灭菌除虫效果所需要的臭氧浓度，为臭氧发生器工作模式的设定提供调控依据，提高了臭氧灭菌除虫的效率，有效地提高了臭氧发生器的自动化水平。
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行臭氧浓度的调节方法，该方法包括：获取目标设施内的环境数据和作物信息；基于所述环境数据和所述作物信息，构建数据特征向量；将所述数据特征向量输入臭氧浓度预测模型，根据所述臭氧浓度预测模型的输出结果确定所述目标设施内的预测臭氧浓度；调节所述目标设施内的实际臭氧浓度至所述预测臭氧浓度。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的臭氧浓度的调节方法，该方法包括：获取目标设施内的环境数据和作物信息；基于所述环境数据和所述作物信息，构建数据特征向量；将所述数据特征向量输入臭氧浓度预测模型，根据所述臭氧浓度预测模型的输出结果确定所述目标设施内的预测臭氧浓度；调节所述目标设施内的实际臭氧浓度至所述预测臭氧浓度。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的臭氧浓度的调节方法，该方法包括：获取目标设施内的环境数据和作物信息；基于所述环境数据和所述作物信息，构建数据特征向量；将所述数据特征向量输入臭氧浓度预测模型，根据所述臭氧浓度预测模型的输出结果确定所述目标设施内的预测臭氧浓度；调节所述目标设施内的臭氧浓度至所述预测臭氧浓度。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种臭氧浓度的调节方法，其特征在于，包括：
获取目标设施内的环境数据和作物信息；
基于所述环境数据和所述作物信息，构建数据特征向量；
将所述数据特征向量输入臭氧浓度预测模型，根据所述臭氧浓度预测模型的输出结果，确定所述目标设施内的预测臭氧浓度；
调节所述目标设施内的实际臭氧浓度至所述预测臭氧浓度。
2.根据权利要求1所述的臭氧浓度的调节方法，其特征在于，
所述获取目标设施内的环境数据和作物信息，包括：
按照预设采样周期获取所述目标设施内的多组环境采样数据；计算所述多组环境采样数据的平均值，作为所述环境数据；
所述平均值的计算公式为：
其中，m为所述环境数据的类型的个数，xi为每隔时间t时所采集到的所述环境采样数据，n为采集到的所述环境采样数据个数，
为第m个类型的所述环境数据；
获取目标设施内的作物图像；利用预先训练好的深度卷积神经网络对所述作物图像进行图像识别，获取所述作物信息。
3.根据权利要求2所述的臭氧浓度的调节方法，其特征在于，所述作物信息包括作物种类、作物生长期、病害种类及病害程度中的至少一种；
在获取所述作物信息之后，还包括：
根据所述作物种类，从种类量化表中，查询第一数值；所述种类量化表是根据每种作物的臭氧耐受性预先构建的；
确定所述作物种类的作物生长周期；根据作物生长期和所述作物生长周期，确定第二数值；
所述作物生长期为作物从定植开始统计，到当前的生长天数；
所述作物生长周期为所述作物从定植开始统计，到作物生长收获所需要的总天数；
所述根据作物生长期和所述作物生长周期，确定第二数值，具体为：
其中，d为所述作物生长期；D为所述作物生长周期；G为所述第二数值；根据所述病害种类及病害程度，从病害量化表中，查询第三数值；所述病害量化表是根据每种病害及其病害程度与臭氧释放量的关系预先构建的。
4.根据权利要求3所述的臭氧浓度的调节方法，其特征在于，所述环境数据包括温度数值、湿度数值、光照强度数值中的至少一种；
所述基于所述环境数据和所述作物信息，构建数据特征向量，包括：
分别根据所述温度数值、所述湿度数值、所述光照强度数值、所述第一数值、所述第二数值、所述第三数值的取值范围，将取值范围不在[0，1]内的所有数值作为一类数值，将取值范围在[0，1]内的所有数值作为另一类数值；
针对所述一类数值分别采用max-min数据归一化方法进行处理；对处理后的一类数值和所述另一类数值进行权重调整，所述权重调整的调整系数是基于每个数值对所述预测臭氧浓度的影响程度确定的；
基于权重调整后的所有数值，构建数据特征向量；
所述max-min数据归一化方法的公式为：
其中，xk(j)表示第k个影响因素的第j个数值；Xk(j)表示对第k个影响因素的第j个数值进行归一化后的数值；max[xk]、min[xk]分别表示第k个影响因素的最大数值和最小数值；
进行权重调整的公式为：
X'k(j)＝x′k(j)×δk(j)
其中，x'k(j)表示进行权重调整的第k个影响因素的第j个数值；X'k(j)表示对第k个影响因素的第j个数值进行权重调整后的数值；δk(j)表示对第k个影响因素的第j个数值进行权重调整的调整系数。
5.根据权利要求1所述的臭氧浓度的调节方法，其特征在于，在将所述数据特征向量输入臭氧浓度预测模型之前，还包括：
获取多个数据特征向量样本和每个所述数据特征向量样本对应的预测臭氧浓度标签；
将每个数据特征向量样本和对应的预测臭氧浓度标签的组合作为一个训练样本，获得多个训练样本；
利用所述训练样本对所述臭氧浓度预测模型进行训练。
6.根据权利要求5所述的臭氧浓度的调节方法，其特征在于，所述臭氧浓度预测模型为支持向量机，所述支持向量机的核函数为高斯径向基函数。
7.根据权利要求6所述的臭氧浓度的调节方法，其特征在于，所述利用所述训练样本对所述臭氧浓度预测模型进行训练，包括：
设置所述支持向量机的惩罚参数和核函数参数；
利用每个所述训练样本中的数据特征向量样本，依次对所述臭氧浓度预测模型进行训练，并获取所述臭氧浓度预测模型输出的所有预测臭氧浓度；
计算所述所有预测臭氧浓度的浓度均值；
按照预设步长，调整所述惩罚参数和/或所述核函数参数，并重新计算所述浓度均值；
迭代执行调整所述惩罚参数和/或所述核函数参数，并重新计算所述浓度均值的步骤，直至达到所述惩罚参数和/或所述核函数参数的取值范围；
选择准确率最高的浓度均值所对应的惩罚参数和核函数参数作为所述支持向量机的目标参数。
8.一种臭氧浓度的调节系统，其特征在于，包括：
获取模块，用于获取目标设施内的环境数据和作物信息；
特征向量构建模块，用于基于所述环境数据和所述作物信息，构建数据特征向量；
调节模块，用于将所述数据特征向量输入臭氧浓度预测模型，根据所述臭氧浓度预测模型的输出结果确定所述目标设施内的设施臭氧浓度；
还用于调节所述目标设施内的臭氧浓度至所述设施臭氧浓度。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述臭氧浓度的调节方法步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述臭氧浓度的调节方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110935959.4A CN113791650B (zh) | 2021-08-16 | 2021-08-16 | 一种臭氧浓度的调节方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110935959.4A CN113791650B (zh) | 2021-08-16 | 2021-08-16 | 一种臭氧浓度的调节方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113791650A true CN113791650A (zh) | 2021-12-14 |
| CN113791650B CN113791650B (zh) | 2023-12-22 |
Family
ID=79181686
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110935959.4A Active CN113791650B (zh) | 2021-08-16 | 2021-08-16 | 一种臭氧浓度的调节方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113791650B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
| CN114674055A (zh) * | 2022-05-30 | 2022-06-28 | 山东乐康电器科技有限公司 | 一种用于空气调节的臭氧释放器及臭氧释放浓度调节方法 |
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101480142A (zh) * | 2009-02-25 | 2009-07-15 | 南京信息工程大学 | 一种农田环境臭氧浓度自动调控装置 |
| CN101946656A (zh) * | 2010-08-27 | 2011-01-19 | 大连创科君英科技发展有限公司 | 紧凑型温室农作物防病增产器 |
| CN205176673U (zh) * | 2015-08-31 | 2016-04-20 | 中国烟草总公司广东省公司 | 一种烟田地表臭氧浓度监测与发生装置 |
| CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
| CN110047011A (zh) * | 2019-05-16 | 2019-07-23 | 淮阴师范学院 | 一种设施园艺无公害生产臭氧灭菌杀虫装置 |
| CN112580740A (zh) * | 2020-12-28 | 2021-03-30 | 北方工业大学 | 臭氧浓度测量方法、装置、电子设备及存储介质 |
| CN112733958A (zh) * | 2021-01-22 | 2021-04-30 | 北京农业信息技术研究中心 | 一种温室臭氧浓度控制方法及系统 |
| CN112826965A (zh) * | 2021-01-27 | 2021-05-25 | 农芯科技（北京）有限责任公司 | 自动调节臭氧浓度的消毒装置 |
| CN213813502U (zh) * | 2020-11-11 | 2021-07-27 | 重庆市气象科学研究所 | 一种基于机器学习的近地面臭氧浓度预测系统 |
-
2021
- 2021-08-16 CN CN202110935959.4A patent/CN113791650B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101480142A (zh) * | 2009-02-25 | 2009-07-15 | 南京信息工程大学 | 一种农田环境臭氧浓度自动调控装置 |
| CN101946656A (zh) * | 2010-08-27 | 2011-01-19 | 大连创科君英科技发展有限公司 | 紧凑型温室农作物防病增产器 |
| CN205176673U (zh) * | 2015-08-31 | 2016-04-20 | 中国烟草总公司广东省公司 | 一种烟田地表臭氧浓度监测与发生装置 |
| CN108108836A (zh) * | 2017-12-15 | 2018-06-01 | 清华大学 | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 |
| CN110047011A (zh) * | 2019-05-16 | 2019-07-23 | 淮阴师范学院 | 一种设施园艺无公害生产臭氧灭菌杀虫装置 |
| CN213813502U (zh) * | 2020-11-11 | 2021-07-27 | 重庆市气象科学研究所 | 一种基于机器学习的近地面臭氧浓度预测系统 |
| CN112580740A (zh) * | 2020-12-28 | 2021-03-30 | 北方工业大学 | 臭氧浓度测量方法、装置、电子设备及存储介质 |
| CN112733958A (zh) * | 2021-01-22 | 2021-04-30 | 北京农业信息技术研究中心 | 一种温室臭氧浓度控制方法及系统 |
| CN112826965A (zh) * | 2021-01-27 | 2021-05-25 | 农芯科技（北京）有限责任公司 | 自动调节臭氧浓度的消毒装置 |
Non-Patent Citations (4)
| Title |
|---|
| 丁愫;陈报章;王瑾;陈龙;张晨雷;孙少波;黄丛吾: "基于决策树的统计预报模型在臭氧浓度时空分布预测中的应用研究", 环境科学学报, no. 008, pages 3229 - 3242 * |
| 梁卓然;顾婷婷;杨续超;杜荣光;钟洪麟;齐冰;: "基于环流分型法的地面臭氧预测模型", 中国环境科学, no. 12, pages 71 - 81 * |
| 王志彬，等: "设施蔬菜臭氧植保机设计与试验", 《农业机械学报》, vol. 52, no. 5, pages 293 - 300 * |
| 蔡旺华: "运用机器学习方法预测空气中臭氧浓度", 《中国环境管理》, no. 2, pages 78 - 84 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
| CN114674055A (zh) * | 2022-05-30 | 2022-06-28 | 山东乐康电器科技有限公司 | 一种用于空气调节的臭氧释放器及臭氧释放浓度调节方法 |
| CN117854012A (zh) * | 2024-03-07 | 2024-04-09 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
| CN117854012B (zh) * | 2024-03-07 | 2024-05-14 | 成都智慧城市信息技术有限公司 | 一种基于大数据的农作物环境监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113791650B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113791650B (zh) | 一种臭氧浓度的调节方法及系统 | |
| CN112418498B (zh) | 用于智能温室的温度预测方法及系统 | |
| CN109840549A (zh) | 一种病虫害识别方法和装置 | |
| EP3482630A1 (en) | Method, system and computer program for performing a pest forecast | |
| CN107219759B (zh) | 一种温室环境控制方法及装置 | |
| NO345829B1 (en) | C-fish – fish welfare control | |
| CN112711621B (zh) | 万物互联训练平台及控制方法与装置 | |
| CN115529987B (zh) | 作物设施的风口调控方法、装置、设备及存储介质 | |
| NO20210919A1 (en) | Systems and methods for predicting growth of a population of organisms | |
| CN118235723B (zh) | 一种基于智慧牧场的母牛智能监测平台及装置 | |
| JP2021108586A (ja) | 収穫予測装置、収穫予測方法 | |
| CN113962819A (zh) | 一种基于极限学习机的工厂化水产养殖溶解氧预测方法 | |
| CN110057764B (zh) | 一种农药施药安全管理警示装置及方法 | |
| JP6848998B2 (ja) | 学習システム、学習方法及び学習プログラム | |
| KR102213394B1 (ko) | 기계학습 기반 열영상 분석을 통한 절화식물의 수명 예측 장치 및 방법 | |
| CN114004433A (zh) | 一种养殖鱼类生长环境调控方法及装置 | |
| CN114372408A (zh) | 基于混沌麻雀搜索算法的短期电力负荷预测方法及装置 | |
| CN117469774B (zh) | 空调系统调控方法、装置、电子设备及存储介质 | |
| CN112446796A (zh) | 一种智慧农业监控管理系统及管理方法 | |
| CN116452358B (zh) | 基于物联网的智慧农业管理系统 | |
| CN117252344A (zh) | 培育设施的适宜度评估方法、装置、电子设备和存储介质 | |
| CN109828623B (zh) | 温室作物情景感知的生产管理方法及装置 | |
| CN109858576B (zh) | 气体渐进式自反馈浓度熵变预测方法、系统及存储介质 | |
| CN116957164A (zh) | 一种基于LightGBM-XGBoost集成学习的农药残留量测量方法 | |
| Mulema et al. | Quality and productivity in aquaculture: Prediction of oreochromis mossambicus growth using a transfer function arima model |
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 |