CN113796228A - 一种基于数字孪生的植物培育系统及方法 - Google Patents

一种基于数字孪生的植物培育系统及方法 Download PDF

Info

Publication number
CN113796228A
CN113796228A CN202111125879.9A CN202111125879A CN113796228A CN 113796228 A CN113796228 A CN 113796228A CN 202111125879 A CN202111125879 A CN 202111125879A CN 113796228 A CN113796228 A CN 113796228A
Authority
CN
China
Prior art keywords
data
plant
module
sensor
gate
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
Application number
CN202111125879.9A
Other languages
English (en)
Other versions
CN113796228B (zh
Inventor
许斌
刘一川
朱剑鸣
亓晋
孙雁飞
赖钰婷
尹昱心
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202111125879.9A priority Critical patent/CN113796228B/zh
Publication of CN113796228A publication Critical patent/CN113796228A/zh
Application granted granted Critical
Publication of CN113796228B publication Critical patent/CN113796228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • A01G7/06—Treatment of growing trees or plants, e.g. for preventing decay of wood, for tingeing flowers or wood, for prolonging the life of plants
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Abstract

本发明公开了一种基于数字孪生的植物培育系统及方法，系统包括摄像头模块、传感器模块、数据预处理模块、数据库模块、综合分析模块、可视化展示模块和控制器模块。本发明通过摄像头模块和传感器模块分时获得植物生长的内、外环境数据，进行数据的预处理，再通过数字孪生技术，得到植物的3D模型和当前状态的最适生长环境数据，避免了将数据上传至云端处理可能引起的高时延，同时实时展示植物3D模型和植物的生长环境数据，控制措施所触发的动画效果，使得用户体验更佳。

Description

一种基于数字孪生的植物培育系统及方法
技术领域
本发明涉及数字孪生技术领域，尤其涉及一种基于数字孪生的植物培育系统与方法。
背景技术
作为智能化时代的新兴技术，数字孪生技术有很大的应用前景，其可应用于产品设计、产品制造、医学分析、工程建设。但目前在植物培育领域，数字孪生技术尚未有一套完整的系统流程，来分析植物当前较适宜的生长环境。在数字农业的推动下，数字农业孪生技术亟需实现落地化。
数字孪生技术是物理实体的工作状态和工作进展在信息空间的全要素重建及数字化映射，是一个集成多物理、多尺度、超写实和动态概率的仿真模型，可用于模拟、监控、诊断、预测和控制产品物理实体在现实环境中的生产过程、状态和行为。
在植物培育领域，数字孪生技术可以融合多种算法，数字孪生技术与传统的机器学习算法相比，能更准确地分析出植物当前所处的生长状态，对现实的植物做到更精细的仿真。数字孪生技术配合5G高数据传输速率，可以做到实时的精细化管理。
现有技术中对植物的生长状况评估仅从单一角度出发，基于监测数据进行数据挖掘，然后以文字界面的形式呈现求解信息，在虚拟端缺乏对植物的物理信息、环境变化信息等多方面信息的融合，无法直观地展现出植物生长过程的状态变化。
同时用于植物监测的智能设备的发展趋向于复杂化，各类数据呈现爆炸式增长，且数据种类十分丰富，将庞大的数据传送至远端的云服务器进行处理，会导致额外的无线电回程负载引起的高延迟，不适用于实时精细化植物控制领域。且现有技术中未能充分利用影响植物生长状态的数据，不能准确给出植物生长所需的最适内外环境，因此需要新的架构模式来适应精细化，实时化的植物培育要求。
发明内容
本发明的目的在于针对上述现有技术的缺陷，提供一种基于数字孪生的植物培育系统与方法，建立一种新型智能化植物培育系统。
本发明公开的一种基于数字孪生的植物培育系统，包括：
摄像头模块，用于每隔一个时间片拍摄多角度植物图片；
传感器模块，用于检测植物内数据和外数据；
数据预处理模块，用于对摄像头模块和传感器模块上传的植物内数据和外数据进行数据具体化和量化，数量级统一，异常值处理，转换为综合分析模块易于处理的数据形式，并向数据库模块发送处理后的数据；
数据库模块，用于存储数据预处理模块发送的数据；
综合分析模块，用于从数据库模块中取出数据，使用图像建模方法，结合植物不同角度的图片数据，得到植物的3D模型；使用神经网络或多目标优化算法求解出植物当前最适的内数据和外数据；将当前最适的内数据和外数据发送至可视化展示模块；
可视化展示模块，用于展示植物的实时环境数据，展示植物的3D模型，展示植物当前最适的内数据和外数据供用户参考决策；
控制器模块，用于控制传植物生长环境。
进一步地，所述传感器模块包括温度传感器、湿度传感器、光强度传感器和土壤传感器，所述温度传感器、湿度传感器、光强度传感器检测的数据属于外数据，所述土壤传感器检测的数据属于内数据，所述土壤传感器包括土壤养分传感器，土壤湿度传感器，土壤ph值传感器。
进一步地，所述数据预处理模块对传感器模块上传的植物内数据和外数据进行归一化，公式如下：
Figure 66121DEST_PATH_IMAGE001
其中，
Figure 852811DEST_PATH_IMAGE002
表示传感器模块检测到t时间的数据，
Figure 460117DEST_PATH_IMAGE003
为传感器模块上传的检测数据的平均值，
Figure 648653DEST_PATH_IMAGE004
传感器模块上传的检测数据的标准差，
Figure 286307DEST_PATH_IMAGE005
为归一化后的数据。
进一步地，所述综合分析模块从数据库模块中取出数据，使用图像建模方法，结合植物不同角度的图片数据，得到植物的3D模型。
进一步地，所述综合分析模块使用LSTM神经网络或多目标优化算法求解出植物当前最适的内数据和外数据，所述LSTM神经网络包括遗忘门、输入门和输出门；
遗忘门：该门决定节点丢弃什么信息，公式表示为：
Figure 950507DEST_PATH_IMAGE006
其中，
Figure 472755DEST_PATH_IMAGE007
为t时刻的遗忘门，
Figure 906011DEST_PATH_IMAGE008
表示遗忘门的权重矩阵，
Figure 589933DEST_PATH_IMAGE009
表示上一节点的输出，
Figure 242893DEST_PATH_IMAGE010
表示当前节点的输入，即t-1时间传感器模块检测到的数据，
Figure 303253DEST_PATH_IMAGE011
表示遗忘门的偏置项，
Figure 591015DEST_PATH_IMAGE012
表示sigmoid激活函数；
输入门：该门决定让多少新的输入信息进入当前节点的门结构，包括更新门和tanh函数，通过更新门决定哪些信息需要更新，通过tanh函数生成一个备选的更行内容，然后将更新门和tanh函数进行组合，公式表示为：
Figure 976997DEST_PATH_IMAGE013
Figure 84630DEST_PATH_IMAGE014
其中，
Figure 73315DEST_PATH_IMAGE015
为t时刻的更新门，
Figure 356529DEST_PATH_IMAGE016
表示更新门的权重矩阵，
Figure 271002DEST_PATH_IMAGE017
表示更新门的偏置项，
Figure 741297DEST_PATH_IMAGE012
表示sigmoid激活函数；
Figure 533673DEST_PATH_IMAGE018
表示t时刻的输入的单元状态，
Figure 671393DEST_PATH_IMAGE019
表示
Figure 258232DEST_PATH_IMAGE018
的权重矩阵，
Figure 481403DEST_PATH_IMAGE020
表示
Figure 811890DEST_PATH_IMAGE018
的偏置项，tanh表示tanh激活函数；
上一节点的输出经过遗忘门丢弃掉无效的内容，然后加上
Figure 164637DEST_PATH_IMAGE021
得到新的候选值，候选值表示如下：
Figure 797743DEST_PATH_IMAGE022
其中，
Figure 367265DEST_PATH_IMAGE023
表示t时刻的单元状态；
输出门：该门决定当前节点的最终输出，函数表示为：
Figure 970284DEST_PATH_IMAGE024
Figure 941652DEST_PATH_IMAGE025
其中，
Figure 745659DEST_PATH_IMAGE026
为t时刻的输出门，
Figure 324450DEST_PATH_IMAGE027
表示输出门的权重矩阵，
Figure 872106DEST_PATH_IMAGE028
表示输出门的偏置项。
本发明还公开了一种基于数字孪生的植物培育方法，根据上述基于数字孪生的植物培育系统，包括以下步骤：
步骤1：摄像头模块每隔一个时间片拍摄多角度植物图片，并上传至数据预处理模块，通过接入育苗板的土壤传感器和布置在空气中的温度传感器、湿度传感器、光强度传感器获取植物生长环境的内数据和外数据上传至数据预处理模块；
步骤2：数据预处理模块对摄像头模块和传感器模块上传的植物内外数据进行数据具体化和量化，数量级统一，异常值处理，转换为综合分析模块易于处理的数据形式，并向数据库模块发送处理后的数据；
步骤3：数据库模块存储数据预处理模块发送的数据；
步骤4：综合分析模块从数据库模块中取出数据，使用图像建模方法，结合植物不同角度的图片数据得到植物的3D模型；使用LSTM神经网络或多目标优化算法求解出植物当前最适的内数据和外数据，形成虚拟端的植物孪生实体和植物孪生环境；
步骤5：可视化展示模块展示在虚拟端的植物孪生实体和植物孪生环境观察到植物的相关信息供用户参考决策；
步骤6：控制模块响应系统或用户的决策指令，改变植物生长的内外环境，并向可视化模块发送动画显示指令。
进一步地，步骤2包括以下步骤：
步骤2.1：数据预处理模块接收摄像头模块和传感器模块上传的数据进行数学建模，传感器模块检测到t时间的数据为
Figure 963559DEST_PATH_IMAGE029
；
步骤2.2：对传感器模块检测到数据进行归一化，归一化公式如下：
Figure 204047DEST_PATH_IMAGE030
其中，
Figure 748161DEST_PATH_IMAGE031
为传感器模块上传的检测数据的平均值，
Figure 99508DEST_PATH_IMAGE032
传感器模块上传的检测数据的标准差，
Figure 45467DEST_PATH_IMAGE033
为归一化后的数据；
步骤2.3：如果数据预处理模块接收的数据中心出现缺失值，则采取均值填补的方法，否则转入步骤3。
进一步地，所述LSTM神经网络输入为
Figure 817376DEST_PATH_IMAGE034
，输出为
Figure 458573DEST_PATH_IMAGE035
，即t时刻的最适环境信息，网络前向传递过程包括：
Figure 472666DEST_PATH_IMAGE036
Figure 273131DEST_PATH_IMAGE037
Figure 855422DEST_PATH_IMAGE038
Figure 374128DEST_PATH_IMAGE039
Figure 801699DEST_PATH_IMAGE040
Figure 955206DEST_PATH_IMAGE041
Figure 708398DEST_PATH_IMAGE042
；
其中，
Figure 448821DEST_PATH_IMAGE043
为t时刻的更新门，
Figure 70296DEST_PATH_IMAGE044
为t时刻的遗忘门，
Figure 720720DEST_PATH_IMAGE045
为t时刻的输出门；
Figure 238289DEST_PATH_IMAGE046
会选择传感器测得的
Figure 29790DEST_PATH_IMAGE047
特征值，
Figure 799162DEST_PATH_IMAGE048
是一个向量，向量的每个元素均位于[0,1]范围内；
Figure 694306DEST_PATH_IMAGE049
表示单位状态更新值，由输入数据
Figure 382776DEST_PATH_IMAGE050
和隐节点
Figure 238737DEST_PATH_IMAGE051
经由一个神经网络层得到；
Figure 434970DEST_PATH_IMAGE052
用于选择
Figure 794407DEST_PATH_IMAGE049
的特征来更新，是一个元素介于[0,1]区间的向量，由
Figure 919358DEST_PATH_IMAGE053
和
Figure 856090DEST_PATH_IMAGE054
经由激活函数计算得到；最后将
Figure 357478DEST_PATH_IMAGE055
发送至可视化展示模块；tanh和
Figure 571422DEST_PATH_IMAGE012
为激活函数。
本发明的有益效果是：本发明提出了一种新型的植物培育系统，在植物培育过程中融入数字孪生技术，结合3D建模方法、机器学习、智能优化算法，考虑植物生长期对植物环境需求的影响，得到了更准确的植物最适生长环境数据。采取相应控制措施使得数字孪生实际端始终处于最适生长状态。本发明公开的方法在植物周围布置摄像头，每隔一个时间片在植物周围环绕，拍摄多张照片，得到植物不同角度的图片内数据，采用3D建模方法得到植物的3D模型并在虚拟端可视化展示，从而使用户可以观察到植物的实时生长状态，同时采取相应措施改变植物生长环境时，会触发相应的动画控制效果，使得数字孪生虚拟端的可视化效果更为逼真精细，用户体验更佳。
附图说明
图1为本发明公开的基于数字孪生的植物培育系统框架图；
图2为本发明公开的基于数字孪生的植物培育方法流程图；
图3为本发明公开的LSTM神经网络结构图；
图4为本发明公开的基于数字孪生的植物培育系统虚实映射图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述。
如图1所示，本发明实施例记载了一种基于数字孪生的植物培育系统，包括感知层，系统层，控制层，所述感知层由摄像头模块和传感器模块组成，所述系统层由数据预处理模块、数据库模块、综合分析模块和可视化展示模块组成，所述控制层由控制器模块构成。
所述摄像头模块由一个在植物周围的摄像头组成，为植物拍摄不同角度的照片，每隔一个时间片在植物周围环绕，拍摄多张照片，得到植物不同角度的图片内数据，并输入到系统层中；
所述传感器模块包括温度传感器、湿度传感器、光强度传感器和土壤传感器，用于检测植物育苗板中植物的生长环境，接入育苗板的土壤传感器和布置在空气中的温度传感器、湿度传感器、光强度传感器来获得植物生长环境的相关信息并将其输入到系统层中。
温度传感器、湿度传感器：检测植物生长环境空气的温湿度，属于外数据。
光强度传感器：用来检测植物生长环境的光照强度，属于外数据。
土壤传感器包括土壤养分传感器，土壤湿度传感器，土壤ph值传感器。土壤养分传感器用来实时监测育苗板土壤中的氮磷钾含量，土壤湿度传感器用来实时监测育苗板土壤的湿度值，土壤ph值传感器用来实时监测育苗板土壤中的ph值，土壤传感器检测的数据均属于内数据。
数据预处理模块：对感知层上传的植物内外数据进行数据具体化和量化，数量级统一，异常值处理，转换为综合分析模块易于处理的数据形式。并向数据库模块发送处理后的数据。
数据预处理模块对传感器模块上传的植物内数据和外数据进行归一化，公式如下：
Figure 368739DEST_PATH_IMAGE001
其中，
Figure 792767DEST_PATH_IMAGE002
表示传感器模块检测到t时间的数据，
Figure 566688DEST_PATH_IMAGE003
为传感器模块上传的检测数据的平均值，
Figure 900717DEST_PATH_IMAGE004
传感器模块上传的检测数据的标准差，
Figure 367471DEST_PATH_IMAGE005
为归一化后的数据。
数据库模块：用于存储数据预处理模块发送的数据。
综合分析模块：从数据库模块中取出数据，使用图像建模方法，结合植物不同角度的图片数据得到植物的3D模型；使用LSTM神经网络或多目标优化算法求解出植物当前最适的内数据和外数据；最后发送至可视化展示模块。
具体来说，综合分析模块通过摄像头模块倾斜摄影与三维激光扫描搭配使用，获取植物不同角度的数据，得到植物的3D模型，并根据植物生长环境的特点结合植物自身特征造型识别提取关键几何特征，如地表特征、植物叶片特征等。参照影像数据以及植物相关基础资料，基于3dsMax软件进行精细化建模。
如图3所示，LSTM神经网络包括遗忘门、输入门和输出门。
遗忘门：该门决定节点丢弃什么信息。公式表示为：
Figure 42909DEST_PATH_IMAGE056
其中，
Figure 495887DEST_PATH_IMAGE007
为t时刻的遗忘门，
Figure 74636DEST_PATH_IMAGE008
表示遗忘门的权重矩阵，
Figure 853236DEST_PATH_IMAGE009
表示上一节点的输出，
Figure 251857DEST_PATH_IMAGE010
表示当前节点的输入，即t-1时间传感器模块检测到的数据，
Figure 898739DEST_PATH_IMAGE011
表示遗忘门的偏置项，
Figure 941781DEST_PATH_IMAGE012
表示sigmoid激活函数；
输入门：该门决定让多少新的输入信息进入当前节点的门结构，主要分为两步：一是通过更新门决定哪些信息需要更新；二是通过tanh函数生成一个备选的更行内容。然后将两部分进行组合，公式表示为：
Figure 517381DEST_PATH_IMAGE013
Figure 872139DEST_PATH_IMAGE014
其中，
Figure 198078DEST_PATH_IMAGE015
为t时刻的更新门，
Figure 220261DEST_PATH_IMAGE016
表示更新门的权重矩阵，
Figure 465297DEST_PATH_IMAGE017
表示更新门的偏置项，
Figure 71466DEST_PATH_IMAGE012
表示sigmoid激活函数；
Figure 935517DEST_PATH_IMAGE018
表示t时刻的输入的单元状态，
Figure 812206DEST_PATH_IMAGE019
表示
Figure 228144DEST_PATH_IMAGE018
的权重矩阵，
Figure 964018DEST_PATH_IMAGE020
表示
Figure 490815DEST_PATH_IMAGE018
的偏置项，tanh表示tanh激活函数；
上一节点的输出经过遗忘门丢弃掉无效的内容，然后加上
Figure 362956DEST_PATH_IMAGE021
得到新的候选值，候选值表示如下：
Figure 451260DEST_PATH_IMAGE022
其中，
Figure 799064DEST_PATH_IMAGE023
表示t时刻的单元状态；
输出门：该门决定当前节点的最终输出。首先，使用sigmoid函数确定节点中哪个部分将输出出去。然后，将节点状态通过tanh函数进行处理，将该值和 sigmoid 函数的输出相乘，最终仅输出确定输出的部分。函数表示为：
Figure 739339DEST_PATH_IMAGE024
Figure 325041DEST_PATH_IMAGE025
其中，
Figure 348360DEST_PATH_IMAGE026
为t时刻的输出门，
Figure 150838DEST_PATH_IMAGE027
表示输出门的权重矩阵，
Figure 894803DEST_PATH_IMAGE028
表示输出门的偏置项。
Figure 866170DEST_PATH_IMAGE057
和
Figure 529233DEST_PATH_IMAGE058
分别经遗忘门决定节点丢弃什么信息、经输入门决定让多少新的输入信息进入当前节点的门结构、经输出门决定当前节点的最终输出。
Figure 586050DEST_PATH_IMAGE057
和
Figure 133706DEST_PATH_IMAGE058
经过遗忘门丢弃掉无效的内容，然后与
Figure 461045DEST_PATH_IMAGE059
相乘，再加上
Figure 435954DEST_PATH_IMAGE060
得到新的候选值，最后通过tanh函数进行处理，将处理后的值和输出门的输出相乘，最终得到
Figure 980068DEST_PATH_IMAGE061
，根据
Figure 456048DEST_PATH_IMAGE061
选择当前最适的内数据和外数据
Figure 277374DEST_PATH_IMAGE062
，即t时刻的最适环境信息。
具体的，网络前向传递过程包括：
Figure 436566DEST_PATH_IMAGE036
Figure 405659DEST_PATH_IMAGE037
Figure 419752DEST_PATH_IMAGE038
Figure 95584DEST_PATH_IMAGE039
Figure 38394DEST_PATH_IMAGE040
Figure 291521DEST_PATH_IMAGE041
Figure 984671DEST_PATH_IMAGE042
；
其中，
Figure 905222DEST_PATH_IMAGE043
为t时刻的更新门，
Figure 392835DEST_PATH_IMAGE044
为t时刻的遗忘门，
Figure 398837DEST_PATH_IMAGE045
为t时刻的输出门；
Figure 630099DEST_PATH_IMAGE046
会选择传感器测得的
Figure 903692DEST_PATH_IMAGE047
特征值，
Figure 686840DEST_PATH_IMAGE048
是一个向量，向量的每个元素均位于[0,1]范围内；
Figure 55504DEST_PATH_IMAGE049
表示单位状态更新值，由输入数据
Figure 949511DEST_PATH_IMAGE050
和隐节点
Figure 454442DEST_PATH_IMAGE051
经由一个神经网络层得到；
Figure 674070DEST_PATH_IMAGE052
用于选择
Figure 952867DEST_PATH_IMAGE049
的特征来更新，是一个元素介于[0,1]区间的向量，由
Figure 260352DEST_PATH_IMAGE053
和
Figure 744423DEST_PATH_IMAGE054
经由激活函数计算得到；最后将
Figure 134953DEST_PATH_IMAGE055
发送至可视化展示模块；tanh和
Figure 62499DEST_PATH_IMAGE012
为激活函数。
可视化展示模块：展示植物的实时环境数据，展示植物的3D模型，展示植物当前最适的内数据和外数据供用户参考决策，展示相关的控制触发效果。
考虑到植物培育的实时化要求和感知层上传的数据量大，数据种类多，系统层的各模块均使用MEC服务器提供的计算服务，可以避免云计算服务造成的高延迟而导致数据上传和下发不及时的问题。
控制器模块包括温度控制器、湿度控制器、光强度控制器、土壤控制器。用户根据系统可视化展示结果，选择自动或者手动模式。自动模式即把控制权交给系统，由系统根据推荐值自动控制植物的生长环境，手动模式即把植物生长环境控制权交给用户，用户可以把系统的推荐值当成一种参考，做出自己的调整决策。
基于上述系统，本发明还公开了一种基于数字孪生的植物培育方法，如图2所示，具体步骤包括：
步骤1：摄像头模块每隔一个时间片在植物周围环绕，拍摄多张照片，得到植物不同角度的图片内数据，并上传至数据预处理模块，通过接入育苗板的土壤传感器和布置在空气中的温度传感器、湿度传感器、光强度传感器来获得植物生长环境的相关信息并将其输入到数据预处理模块；
步骤2：数据预处理模块对感知层上传的植物内外数据进行数据具体化和量化，数量级统一，异常值处理，转换为综合分析模块易于处理的数据形式，并向数据库模块发送处理后的数据。具体步骤如下：
步骤2.1：数据预处理模块接收感知层上传的数据并进行数学建模。具体来说，设光强传感器检测到t时刻的光照强度为
Figure 704833DEST_PATH_IMAGE063
，温度传感器检测到t时刻的环境温度为
Figure 308990DEST_PATH_IMAGE064
，湿度传感器检测到t时刻的环境湿度为
Figure 745787DEST_PATH_IMAGE065
，土壤湿度传感器检测到t时刻的土壤湿度为
Figure 169815DEST_PATH_IMAGE066
，土壤养分传感器检测到t时刻的土壤含氮量为
Figure 209316DEST_PATH_IMAGE067
、土壤含磷量为
Figure 372706DEST_PATH_IMAGE068
、土壤含钾量为
Figure 839459DEST_PATH_IMAGE069
、土壤ph值传感器检测到t时刻的土壤ph值为
Figure 750784DEST_PATH_IMAGE070
；
步骤2.2：对数据进行归一化，为后期综合分析模块的进行相关操作奠定基础，各个数据归一化公式所示：
Figure 203762DEST_PATH_IMAGE071
Figure 782510DEST_PATH_IMAGE072
Figure 561111DEST_PATH_IMAGE073
Figure 458266DEST_PATH_IMAGE074
Figure 105148DEST_PATH_IMAGE075
Figure 413770DEST_PATH_IMAGE076
Figure 487905DEST_PATH_IMAGE077
Figure 249188DEST_PATH_IMAGE078
其中，
Figure 434181DEST_PATH_IMAGE079
，
Figure 597309DEST_PATH_IMAGE080
，
Figure 78231DEST_PATH_IMAGE081
，
Figure 717023DEST_PATH_IMAGE082
，
Figure 908970DEST_PATH_IMAGE083
，
Figure 926605DEST_PATH_IMAGE084
，
Figure 608122DEST_PATH_IMAGE085
，
Figure 701586DEST_PATH_IMAGE086
分别为归一化后的光照强度，环境温度，环境湿度，土壤湿度，土壤含氮量，土壤含磷量，土壤含钾量，土壤ph值数据；
Figure 103749DEST_PATH_IMAGE087
，
Figure 100524DEST_PATH_IMAGE088
，
Figure 828308DEST_PATH_IMAGE089
，
Figure 910534DEST_PATH_IMAGE090
，
Figure 241021DEST_PATH_IMAGE091
，
Figure 233248DEST_PATH_IMAGE092
，
Figure 492453DEST_PATH_IMAGE093
，
Figure 937341DEST_PATH_IMAGE094
分别为上传的光照强度，环境温度，环境湿度，土壤湿度，土壤含氮量，土壤含磷量，土壤含钾量，土壤ph值数据平均值；
Figure 71519DEST_PATH_IMAGE095
，
Figure 918252DEST_PATH_IMAGE096
，
Figure 846894DEST_PATH_IMAGE097
，
Figure 903712DEST_PATH_IMAGE098
，
Figure 716947DEST_PATH_IMAGE099
，
Figure 306935DEST_PATH_IMAGE100
，
Figure 16265DEST_PATH_IMAGE101
，
Figure 825958DEST_PATH_IMAGE102
分别为上传的光照强度，环境温度，环境湿度，土壤湿度，土壤含氮量，土壤含磷量，土壤含钾量，土壤ph值数据标准差；
步骤2.3：如果数据预处理模块接收的数据中心出现缺失值，则采取均值填补的方法，否则转入步骤3。
步骤3：数据库模块存储数据预处理模块发送的数据
Figure 177305DEST_PATH_IMAGE103
，
Figure 123264DEST_PATH_IMAGE104
，
Figure 128129DEST_PATH_IMAGE105
，
Figure 34905DEST_PATH_IMAGE106
，
Figure 816042DEST_PATH_IMAGE107
，
Figure 491874DEST_PATH_IMAGE108
，
Figure 198799DEST_PATH_IMAGE109
，
Figure 327292DEST_PATH_IMAGE110
，
Figure 145075DEST_PATH_IMAGE111
，
Figure 940993DEST_PATH_IMAGE112
，
Figure 818819DEST_PATH_IMAGE113
，
Figure 434608DEST_PATH_IMAGE114
，
Figure 289038DEST_PATH_IMAGE115
，
Figure 64096DEST_PATH_IMAGE116
，
Figure 988190DEST_PATH_IMAGE117
，
Figure 481488DEST_PATH_IMAGE118
，
Figure 516440DEST_PATH_IMAGE119
；
步骤4：综合分析模块从数据库模块中取出数据
Figure 146004DEST_PATH_IMAGE120
，
Figure 975420DEST_PATH_IMAGE121
，
Figure 191900DEST_PATH_IMAGE122
，
Figure 30543DEST_PATH_IMAGE123
，
Figure 514614DEST_PATH_IMAGE124
，
Figure 262734DEST_PATH_IMAGE125
，
Figure 340411DEST_PATH_IMAGE126
，
Figure 841800DEST_PATH_IMAGE127
。
使用图像建模方法，结合植物不同角度的图片数据得到植物的3D模型；使用LSTM神经网络或多目标优化优化算法求解出植物当前最适的内数据和外数据，形成虚拟端的植物孪生实体和植物孪生环境；
使用LSTM神经网络求解出植物当前最适的内数据和外数据的步骤具体如下：
以训练环境温度LSTM网络为例，当训练环境温度LSTM网络时，LSTM网络输入为
Figure 321323DEST_PATH_IMAGE128
,输出为
Figure 617175DEST_PATH_IMAGE129
,即t时刻的最适环境温度，网络前向传递过程包括：
Figure 306782DEST_PATH_IMAGE130
Figure 487228DEST_PATH_IMAGE131
Figure 712935DEST_PATH_IMAGE132
Figure 320634DEST_PATH_IMAGE133
Figure 231958DEST_PATH_IMAGE134
Figure 950515DEST_PATH_IMAGE135
Figure 529264DEST_PATH_IMAGE136
其中，
Figure 307864DEST_PATH_IMAGE137
为t时刻的更新门，
Figure 706485DEST_PATH_IMAGE138
为t时刻的遗忘门，
Figure 228733DEST_PATH_IMAGE139
为t时刻的输出门；
Figure 160523DEST_PATH_IMAGE140
会选择传感器测得的
Figure 969079DEST_PATH_IMAGE141
特征值，
Figure 995941DEST_PATH_IMAGE142
是一个向量，向量的每个元素均位于[0,1]范围内；
Figure 180935DEST_PATH_IMAGE143
示单位状态更新值，由输入数据
Figure 609642DEST_PATH_IMAGE144
和隐节点
Figure 854679DEST_PATH_IMAGE145
经由一个神经网络层得到；
Figure 837678DEST_PATH_IMAGE146
用于选择
Figure 327828DEST_PATH_IMAGE143
的特征来更新，是一个元素介于[0,1]区间的向量，由
Figure 611041DEST_PATH_IMAGE144
和
Figure 26979DEST_PATH_IMAGE145
经由激活函数计算得到；最后将
Figure 762854DEST_PATH_IMAGE147
送至可视化展示模块；tanh和
Figure 555230DEST_PATH_IMAGE148
为激活函数。
剩余植物生长环境内外数据相应的LSTM网络训练同理，最终可以得到
Figure 692950DEST_PATH_IMAGE149
时刻的植物生长的最适光照强度，环境温度，环境湿度，土壤湿度，土壤含氮量，土壤含磷量，土壤含钾量，土壤ph值数据
Figure 14210DEST_PATH_IMAGE150
，
Figure 860550DEST_PATH_IMAGE151
，
Figure 331982DEST_PATH_IMAGE152
，
Figure 448843DEST_PATH_IMAGE153
，
Figure 81950DEST_PATH_IMAGE154
，
Figure 917050DEST_PATH_IMAGE155
，
Figure 926595DEST_PATH_IMAGE156
，
Figure 632383DEST_PATH_IMAGE157
。
使用多目标优化优化算法求解出植物当前最适的内数据和外数据的步骤如下：
在求解之前首先建立植物的光照强度，环境湿度，环境温度，土壤湿度，植物生长期，土壤养分，土壤ph值关于植物生长健康状况的复杂非线性函数关系；接着开始求解过程：将相关植物内外数据作为决策变量，采用诸如蚁群算法寻找所建立函数的最优值，进而可得出植物当前最适的内数据和外数据。
步骤5：可视化展示模块展示植物的实时环境数据
Figure 701970DEST_PATH_IMAGE158
，
Figure 260252DEST_PATH_IMAGE159
，
Figure 73488DEST_PATH_IMAGE160
，
Figure 633782DEST_PATH_IMAGE161
，
Figure 998904DEST_PATH_IMAGE162
，
Figure 418384DEST_PATH_IMAGE163
，
Figure 894365DEST_PATH_IMAGE164
，
Figure 715690DEST_PATH_IMAGE165
，和
Figure 773687DEST_PATH_IMAGE166
，展示植物的3D模型，展示植物当前最适的内外数据
Figure 414883DEST_PATH_IMAGE167
，
Figure 694555DEST_PATH_IMAGE168
，
Figure 370387DEST_PATH_IMAGE169
，
Figure 77312DEST_PATH_IMAGE170
，
Figure 471384DEST_PATH_IMAGE171
，
Figure 289167DEST_PATH_IMAGE172
，
Figure 85085DEST_PATH_IMAGE173
，
Figure 933218DEST_PATH_IMAGE174
，供用户参考决策，展示相关的动画控制触发效果。
步骤6：控制模块响应系统或用户的决策指令，改变植物生长的内外环境，并向可视化模块发送动画显示指令。用户根据系统可视化展示结果，选择自动或者手动模式。自动模式即把控制权交给系统，由系统根据推荐值自动控制植物的生长环境，手动模式即把植物生长环境控制权交给用户，用户可以把系统的推荐值当成一种参考，做出自己的调整决策。如图4所示，具体分情况阐述如下：
1.用户调整环境温度
Figure 939220DEST_PATH_IMAGE175
时，在温度调整框内输入温度值。系统通过启用温度控制器使环境达到所设定的温度。温度控制器通过电加热器和风机来实现。同时触发电加热器或风机控制动画效果，在系统可视化界面展示出来。
2.用户调整环境湿度
Figure 436060DEST_PATH_IMAGE176
时，在湿度调整框内输入湿度值。系统通过启用湿度控制器达到所设定的湿度。湿度控制器通过加湿器和风机实现。同时触发加湿器或风机控制动画效果，在系统可视化界面展示出来。
3.用户调整环境光照强度
Figure 211118DEST_PATH_IMAGE177
时，在光照强度框内输入光照强度值。系统通过启用光照强度控制器达到所设定的光照强度。光照强度控制器通过控制大棚顶部遮阳板实现。同时触发大棚顶部遮阳板控制动画效果，在系统可视化界面展示出来。
4.用户调整土壤环境时，在土壤氮磷钾框，土壤湿度框或土壤ph值框内输入相关参数值。系统通过启用土壤控制器达到所设定的土壤条件。土壤控制器通过控制储藏罐开关开闭的时间（即加压时间）达到控制土壤环境的目的。其中储藏罐包含水储藏罐，营养液储藏，石灰粉浊液储藏罐和硫酸铝的稀释水储藏罐，储藏罐液体由引出的线负责导出，滴灌到土壤里。
当用户决定调整土壤湿度
Figure 135212DEST_PATH_IMAGE178
时，土壤控制器打开水储藏罐开关。当土壤湿度达到指定值时，土壤控制器关闭水储藏罐开关，停止供水，从而达到了通过已知土壤的湿度情况，来控制灌溉的目的。同时触发水储藏罐开关控制动画效果，在系统可视化界面展示出来。
当用户决定调整土壤氮磷钾含量
Figure 362931DEST_PATH_IMAGE179
，
Figure 397883DEST_PATH_IMAGE180
，
Figure 791562DEST_PATH_IMAGE181
时，土壤控制器打开营养液储藏罐开关。当土壤中的养分达到了用户设定值，土壤控制器关闭营养液储藏罐开关，停止施肥，从而达到了通过已知土壤的养分情况，来控制施肥的目的。同时触发大营养液储藏罐开关控制动画效果，在系统可视化界面展示出来。
当用户决定增大土壤ph值
Figure 620978DEST_PATH_IMAGE182
时，土壤控制器打开石灰粉浊液储藏罐开关；当用户决定降低土壤ph值
Figure 335993DEST_PATH_IMAGE183
时，土壤控制器打开硫酸铝的稀释水储藏罐开关。当土壤ph值达到指定值时，土壤控制器关闭石灰粉浊液储藏罐开关或硫酸铝的稀释水储藏罐开关，从而达到了通过已知土壤的ph值，来控制土壤ph值的目的。同时触发石灰粉浊液储藏罐开关或稀释水储藏罐开关控制动画效果，在系统可视化界面展示出来。
实际端由植物物理实体和植物生长环境构成，虚拟端由植物孪生实体和植物孪生环境构成。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。在不脱离本发明之精神和范围内，所做的任何修改、等同替换、改进等，同样属于本发明的保护范围之内。

Claims (8)

1.一种基于数字孪生的植物培育系统，其特征在于，包括：
摄像头模块，用于每隔一个时间片拍摄多角度植物图片；
传感器模块，用于检测植物内数据和外数据；
数据预处理模块，用于对摄像头模块和传感器模块上传的植物内数据和外数据进行数据具体化和量化，数量级统一，异常值处理，转换为综合分析模块易于处理的数据形式，并向数据库模块发送处理后的数据；
数据库模块，用于存储数据预处理模块发送的数据；
综合分析模块，用于从数据库模块中取出数据，使用图像建模方法，结合植物不同角度的图片数据，得到植物的3D模型；使用神经网络或多目标优化算法求解出植物当前最适的内数据和外数据；将当前最适的内数据和外数据发送至可视化展示模块；
可视化展示模块，用于展示植物的实时环境数据，展示植物的3D模型，展示植物当前最适的内数据和外数据供用户参考决策；
控制器模块，用于控制传植物生长环境。
2.根据权利要求1所述的一种基于数字孪生的植物培育系统，其特征在于，所述传感器模块包括温度传感器、湿度传感器、光强度传感器和土壤传感器，所述温度传感器、湿度传感器、光强度传感器检测的数据属于外数据，所述土壤传感器检测的数据属于内数据，所述土壤传感器包括土壤养分传感器，土壤湿度传感器，土壤ph值传感器。
3.根据权利要求1所述的一种基于数字孪生的植物培育系统，其特征在于，所述数据预处理模块对传感器模块上传的植物内数据和外数据进行归一化，公式如下：
Figure 334545DEST_PATH_IMAGE001
其中，
Figure 595894DEST_PATH_IMAGE002
表示传感器模块检测到t时间的数据，
Figure 958654DEST_PATH_IMAGE003
为传感器模块上传的检测数据的平均值，
Figure 150601DEST_PATH_IMAGE004
传感器模块上传的检测数据的标准差，
Figure 761711DEST_PATH_IMAGE005
为归一化后的数据。
4.根据权利要求1所述的一种基于数字孪生的植物培育系统，其特征在于，所述综合分析模块从数据库模块中取出数据，使用图像建模方法，结合植物不同角度的图片数据，得到植物的3D模型。
5.根据权利要求1所述的一种基于数字孪生的植物培育系统，其特征在于，所述综合分析模块使用LSTM神经网络或多目标优化算法求解出植物当前最适的内数据和外数据，所述LSTM神经网络包括遗忘门、输入门和输出门；
遗忘门：该门决定节点丢弃什么信息，公式表示为：
Figure 866064DEST_PATH_IMAGE006
其中，
Figure 756266DEST_PATH_IMAGE007
为t时刻的遗忘门，
Figure 751904DEST_PATH_IMAGE008
表示遗忘门的权重矩阵，
Figure 827307DEST_PATH_IMAGE009
表示上一节点的输出，
Figure 866676DEST_PATH_IMAGE010
表示当前节点的输入，即t-1时间传感器模块检测到的数据，
Figure 948902DEST_PATH_IMAGE011
表示遗忘门的偏置项，
Figure 952760DEST_PATH_IMAGE012
表示sigmoid激活函数；
输入门：该门决定让多少新的输入信息进入当前节点的门结构，包括更新门和tanh函数，通过更新门决定哪些信息需要更新，通过tanh函数生成一个备选的更新内容，然后将更新门和tanh函数进行组合，公式表示为：
Figure 758036DEST_PATH_IMAGE013
Figure 984618DEST_PATH_IMAGE014
其中，
Figure 22981DEST_PATH_IMAGE015
为t时刻的更新门，
Figure 609689DEST_PATH_IMAGE016
表示更新门的权重矩阵，
Figure 581056DEST_PATH_IMAGE017
表示更新门的偏置项，
Figure 198113DEST_PATH_IMAGE012
表示sigmoid激活函数；
Figure 723772DEST_PATH_IMAGE018
表示t时刻的输入的单元状态，
Figure 333745DEST_PATH_IMAGE019
表示
Figure 877728DEST_PATH_IMAGE018
的权重矩阵，
Figure 852637DEST_PATH_IMAGE020
表示
Figure 849281DEST_PATH_IMAGE018
的偏置项，tanh表示tanh激活函数；
上一节点的输出经过遗忘门丢弃掉无效的内容，然后加上
Figure 528524DEST_PATH_IMAGE021
得到新的候选值，候选值表示如下：
Figure 677746DEST_PATH_IMAGE022
其中，
Figure 902185DEST_PATH_IMAGE023
表示t时刻的单元状态；
输出门：该门决定当前节点的最终输出，函数表示为：
Figure 933595DEST_PATH_IMAGE024
Figure 671655DEST_PATH_IMAGE025
其中，
Figure 222854DEST_PATH_IMAGE026
为t时刻的输出门，
Figure 867462DEST_PATH_IMAGE027
表示输出门的权重矩阵，
Figure 589430DEST_PATH_IMAGE028
表示输出门的偏置项。
6.一种基于数字孪生的植物培育方法，根据权利要求1至5任一项所述的基于数字孪生的植物培育系统，其特征在于，包括以下步骤：
骤1：摄像头模块每隔一个时间片拍摄多角度植物图片，并上传至数据预处理模块，通过接入育苗板的土壤传感器和布置在空气中的温度传感器、湿度传感器、光强度传感器获取植物生长环境的内数据和外数据上传至数据预处理模块；
步骤2：数据预处理模块对摄像头模块和传感器模块上传的植物内外数据进行数据具体化和量化，数量级统一，异常值处理，转换为综合分析模块易于处理的数据形式，并向数据库模块发送处理后的数据；
步骤3：数据库模块存储数据预处理模块发送的数据；
步骤4：综合分析模块从数据库模块中取出数据，使用图像建模方法，结合植物不同角度的图片数据得到植物的3D模型；使用LSTM神经网络或多目标优化算法求解出植物当前最适的内数据和外数据，形成虚拟端的植物孪生实体和植物孪生环境；
步骤5：可视化展示模块展示在虚拟端的植物孪生实体和植物孪生环境观察到植物的相关信息供用户参考决策；
步骤6：控制模块响应系统或用户的决策指令，改变植物生长的内外环境，并向可视化模块发送动画显示指令。
7.根据权利要求6所述的一种基于数字孪生的植物培育方法，其特征在于：步骤2包括以下步骤：
步骤2.1：数据预处理模块接收摄像头模块和传感器模块上传的数据进行数学建模，传感器模块检测到t时间的数据为
Figure 531847DEST_PATH_IMAGE029
；
步骤2.2：对传感器模块检测到数据进行归一化，归一化公式如下：
Figure 390082DEST_PATH_IMAGE030
其中，
Figure 454858DEST_PATH_IMAGE031
为传感器模块上传的检测数据的平均值，
Figure 195281DEST_PATH_IMAGE032
传感器模块上传的检测数据的标准差，
Figure 770750DEST_PATH_IMAGE033
为归一化后的数据；
步骤2.3：如果数据预处理模块接收的数据中心出现缺失值，则采取均值填补的方法，否则转入步骤3。
8.根据权利要求6所述的一种基于数字孪生的植物培育方法，其特征在于：所述LSTM神经网络输入为
Figure 749071DEST_PATH_IMAGE034
，输出为
Figure 578224DEST_PATH_IMAGE035
，即t时刻的最适环境信息，网络前向传递过程包括：
Figure 274785DEST_PATH_IMAGE036
Figure 388365DEST_PATH_IMAGE037
Figure 385972DEST_PATH_IMAGE038
Figure 825174DEST_PATH_IMAGE039
Figure 9031DEST_PATH_IMAGE040
Figure 565783DEST_PATH_IMAGE041
Figure 518696DEST_PATH_IMAGE042
；
其中，
Figure 361756DEST_PATH_IMAGE043
为t时刻的更新门，
Figure 767329DEST_PATH_IMAGE044
为t时刻的遗忘门，
Figure 393352DEST_PATH_IMAGE045
为t时刻的输出门；
Figure 466350DEST_PATH_IMAGE046
会选择传感器测得的
Figure 716197DEST_PATH_IMAGE047
特征值，
Figure 609066DEST_PATH_IMAGE048
是一个向量，向量的每个元素均位于[0,1]范围内；
Figure 700431DEST_PATH_IMAGE049
表示单位状态更新值，由输入数据
Figure 627936DEST_PATH_IMAGE050
和隐节点
Figure 314263DEST_PATH_IMAGE051
经由一个神经网络层得到；
Figure 694429DEST_PATH_IMAGE052
用于选择
Figure 990150DEST_PATH_IMAGE049
的特征来更新，是一个元素介于[0,1]区间的向量，由
Figure 490270DEST_PATH_IMAGE053
和
Figure 596767DEST_PATH_IMAGE054
经由激活函数计算得到；最后将
Figure 464228DEST_PATH_IMAGE055
发送至可视化展示模块；tanh和
Figure 65105DEST_PATH_IMAGE012
为激活函数。
CN202111125879.9A 2021-09-26 2021-09-26 一种基于数字孪生的植物培育系统及方法 Active CN113796228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111125879.9A CN113796228B (zh) 2021-09-26 2021-09-26 一种基于数字孪生的植物培育系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111125879.9A CN113796228B (zh) 2021-09-26 2021-09-26 一种基于数字孪生的植物培育系统及方法

Publications (2)

Publication Number Publication Date
CN113796228A true CN113796228A (zh) 2021-12-17
CN113796228B CN113796228B (zh) 2022-08-23

Family

ID=78896610

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111125879.9A Active CN113796228B (zh) 2021-09-26 2021-09-26 一种基于数字孪生的植物培育系统及方法

Country Status (1)

Country Link
CN (1) CN113796228B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114253326A (zh) * 2021-12-22 2022-03-29 华中科技大学 一种数字孪生技术框架下的智能家居盆栽护理系统

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650212A (zh) * 2016-10-10 2017-05-10 重庆科技学院 基于数据分析的植物智能培育方法及系统
CN108633697A (zh) * 2018-05-15 2018-10-12 重庆科技学院 一种基于植物日常数据分析与云技术的智能植物养培方法
CN110084367A (zh) * 2019-04-19 2019-08-02 安徽农业大学 一种基于lstm深度学习模型的土壤墒情预测方法
CN110287944A (zh) * 2019-07-04 2019-09-27 吉林大学 基于深度学习的多光谱遥感影像的农作物虫害监测方法
CN209546481U (zh) * 2018-10-23 2019-10-29 河北民族师范学院 一种基于大数据分析的智能化食用菌培养系统
US20200342672A1 (en) * 2017-10-30 2020-10-29 Sartorius Stedim Biotech Gmbh Method for virtually configuring a piece of equipment, computer program product and corresponding augmented reality system
CN112270129A (zh) * 2020-11-09 2021-01-26 威海精讯畅通电子科技有限公司 一种基于大数据分析的植物长势预测方法
CN112613639A (zh) * 2020-11-30 2021-04-06 河南汇祥通信设备有限公司 一种基于lstm模型的综合管廊运维数据预测系统及方法
CN112711900A (zh) * 2020-12-02 2021-04-27 济南浪潮高新科技投资发展有限公司 一种农作物数字孪生建模方法
CN112765257A (zh) * 2020-12-31 2021-05-07 浙江大学 一种基于时序序列预测温度的环境采集系统设计的方法
KR20210067256A (ko) * 2019-11-29 2021-06-08 박가은 디지털 트윈을 이용한 온라인 수직농장 경영 시스템
CN112926770A (zh) * 2021-02-22 2021-06-08 胡书恺 一种基于数字孪生的统一数据计量采集系统
CN113191914A (zh) * 2021-05-13 2021-07-30 廊坊市气象局 用于日光温室精准监测的数字孪生体构造系统
CN113273449A (zh) * 2021-05-13 2021-08-20 廊坊市气象局 用于日光温室精准监测的数字孪生体构造方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650212A (zh) * 2016-10-10 2017-05-10 重庆科技学院 基于数据分析的植物智能培育方法及系统
US20200342672A1 (en) * 2017-10-30 2020-10-29 Sartorius Stedim Biotech Gmbh Method for virtually configuring a piece of equipment, computer program product and corresponding augmented reality system
CN108633697A (zh) * 2018-05-15 2018-10-12 重庆科技学院 一种基于植物日常数据分析与云技术的智能植物养培方法
CN209546481U (zh) * 2018-10-23 2019-10-29 河北民族师范学院 一种基于大数据分析的智能化食用菌培养系统
CN110084367A (zh) * 2019-04-19 2019-08-02 安徽农业大学 一种基于lstm深度学习模型的土壤墒情预测方法
CN110287944A (zh) * 2019-07-04 2019-09-27 吉林大学 基于深度学习的多光谱遥感影像的农作物虫害监测方法
KR20210067256A (ko) * 2019-11-29 2021-06-08 박가은 디지털 트윈을 이용한 온라인 수직농장 경영 시스템
CN112270129A (zh) * 2020-11-09 2021-01-26 威海精讯畅通电子科技有限公司 一种基于大数据分析的植物长势预测方法
CN112613639A (zh) * 2020-11-30 2021-04-06 河南汇祥通信设备有限公司 一种基于lstm模型的综合管廊运维数据预测系统及方法
CN112711900A (zh) * 2020-12-02 2021-04-27 济南浪潮高新科技投资发展有限公司 一种农作物数字孪生建模方法
CN112765257A (zh) * 2020-12-31 2021-05-07 浙江大学 一种基于时序序列预测温度的环境采集系统设计的方法
CN112926770A (zh) * 2021-02-22 2021-06-08 胡书恺 一种基于数字孪生的统一数据计量采集系统
CN113191914A (zh) * 2021-05-13 2021-07-30 廊坊市气象局 用于日光温室精准监测的数字孪生体构造系统
CN113273449A (zh) * 2021-05-13 2021-08-20 廊坊市气象局 用于日光温室精准监测的数字孪生体构造方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
丁维龙: "基于虚拟植物生长模型的农业专家系统研究", 《浙江工业大学学报》 *
丁维龙: "基于虚拟植物生长模型的农业专家系统研究", 《浙江工业大学学报》, no. 05, 28 October 2005 (2005-10-28), pages 525 - 533 *
肖伯祥等: "植物三维形态虚拟仿真技术体系研究", 《应用基础与工程科学学报》 *
肖伯祥等: "植物三维形态虚拟仿真技术体系研究", 《应用基础与工程科学学报》, no. 04, 15 August 2012 (2012-08-15), pages 539 - 551 *
赵春江等: "数字植物及其技术体系探讨", 《中国农业科学》 *
赵春江等: "数字植物及其技术体系探讨", 《中国农业科学》, no. 10, 23 May 2010 (2010-05-23), pages 2023 - 2030 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114253326A (zh) * 2021-12-22 2022-03-29 华中科技大学 一种数字孪生技术框架下的智能家居盆栽护理系统

Also Published As

Publication number Publication date
CN113796228B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN104904569B (zh) 一种基于动态含水量估计的智能灌溉调控系统及方法
CN115880433A (zh) 一种基于数字孪生的农作物培育优化方法
CN108594775A (zh) 一种农业大数据信息采集与处理系统
CN106650212A (zh) 基于数据分析的植物智能培育方法及系统
CN108633697A (zh) 一种基于植物日常数据分析与云技术的智能植物养培方法
CN113796228B (zh) 一种基于数字孪生的植物培育系统及方法
CN114442705B (zh) 一种基于物联网的智慧农业系统及控制方法
CN106989778A (zh) 一种尾矿库在线安全监测系统
CN116661530B (zh) 食用菌工厂化栽培中的智能控制系统及方法
CN106018284A (zh) 一种作物长势定量遥感监测方法及系统
CN112465109A (zh) 一种基于云边协同的农业大棚控制装置
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
CN113919964A (zh) 一种基于bim的智慧农业大棚管理系统及方法
CN117272247A (zh) 一种应用于数字孪生智慧乡村的数据集成方法及系统
CN116649160A (zh) 食用菌菌种生产监测系统及监测方法
KR102387765B1 (ko) 작물의 생육량 예측 방법 및 장치
KR20210149622A (ko) Vr 기반 스마트팜 교육 시스템
CN108181956A (zh) 集智能化生产与养生功能于一体的温室大棚的建设方法
KR20180024171A (ko) 온실의 구동기의 파라미터를 결정하는 서버 및 방법
Zhang et al. A reliable data-driven control method for planting temperature in smart agricultural systems
CN115187794A (zh) 一种用于园林植物生长环境的数据检测分析系统
Xu et al. A framework of fuzzy control-based intelligent control system for greenhouse.
CN116703107A (zh) 一种集控一体模块化植物工厂数字孪生系统
TW202025063A (zh) 作物生長階段計算方法及電腦程式產品
Sun et al. Greenhouse intelligent control system based on indoor and outdoor environmental data fusion

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