CN114092680A - 一种可根据自识别植物品种而调节照射参数的植物灯照射系统 - Google Patents
一种可根据自识别植物品种而调节照射参数的植物灯照射系统 Download PDFInfo
- Publication number
- CN114092680A CN114092680A CN202111380909.0A CN202111380909A CN114092680A CN 114092680 A CN114092680 A CN 114092680A CN 202111380909 A CN202111380909 A CN 202111380909A CN 114092680 A CN114092680 A CN 114092680A
- Authority
- CN
- China
- Prior art keywords
- plant
- module
- data
- image
- comparison
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明提供了一种可根据自识别植物品种而调节照射参数的植物灯照射系统,涉及植物培育技术领域,包括模块系统和硬件系统,所述模块系统包括ARM硬件控制板卡、云端服务器、图像收集模块、图像处理模块、植物模型构建系统、人机交互模块;本发明通过植物数据库收集各类植株的数据信息和图像信息以此作为源数据,通过图像收集模块接收AI摄像头接收拍摄的植株数据,并配合图像处理模块用于确定拍摄的植株数据的特征值,通过建模模块基于植物数据库,构造多元植物模型对比库用作比对,特征数据比对模块将确定的特征值与多元植物模型对比库,以此来确定植物种类和生长周期,从而控制LED植物灯调整光照参数,有利于提高植物的培育效果。
Description
技术领域
本发明涉及植物培育技术领域,尤其涉及一种可根据自识别植物品种而调节照射参数的植物灯照射系统。
背景技术
自然界中的植物是通过吸收太阳光进行光合作用的。虽然不同植物都需要太阳光进行光合作用,但是太阳光中不同颜色的光对不同植物光合作用的影响并不相同,而且不同颜色的光对相同植物不同生长周期的影响也是不相同的,现有技术中,在室内植物培育领域中,一般采用单一的光照灯进行照射,缺乏可以根据不同植物、不同生长周期来调节不同光照的系统,影响植物的培育效果,因此,本发明提出一种可根据自识别植物品种而调节照射参数的植物灯照射系统以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明提出一种可根据自识别植物品种而调节照射参数的植物灯照射系统,该可根据自识别植物品种而调节照射参数的植物灯照射系统有利于改变依照植物的种类和生长周期来调整光照,使得光照的色彩和强弱契合不同植物不同时间段的生长需求,有利于提高植物的培育效果。
为实现本发明的目的,本发明通过以下技术方案实现:一种可根据自识别植物品种而调节照射参数的植物灯照射系统,包括模块系统和硬件系统,所述模块系统包括ARM硬件控制板卡、云端服务器、图像收集模块、图像处理模块、植物模型构建系统、人机交互模块,所述硬件系统包括植物培育箱、LED植物灯和AI摄像头;
所述ARM硬件控制板卡为主控中心,且ARM硬件控制板卡连接硬件系统用于传递指令和收发数据,所述云端服务器包括植物数据库和检索系统,所述人机交互模块包括本地计算主机和显示器,所述图像收集模块、图像处理模块、植物模型构建系统均基于本地计算主机,所述植物数据库囊括各类植株的数据信息和图像信息,所述图像收集模块通过ARM硬件控制板卡连接AI摄像头接收拍摄的植株数据,所述图像处理模块用于确定拍摄的植株数据的特征值,所述植物模型构建系统包括建模模块和特征数据比对模块,所述建模模块连接植物数据库,构造多元植物模型对比库,所述特征数据比对模块用于比对图像处理模块所确定特征值与多元植物模型对比库,以此来确定植物种类和生长周期,所述ARM硬件控制板卡根据植物种类和生长周期控制LED植物灯调整光照参数。
进一步改进在于:所述植物培育箱具有多层,每层中具备多个LED植物灯,每个LED植物灯都伴有一个相匹配的AI摄像头。
进一步改进在于:所述检索系统直接显示在所述显示器上,且检索系统采用ElasticSearch+Logstash框架部署,利用ElasticSearch搜索服务器构成分布式的多用户全文搜索引擎,且搜索引擎利用ELK技术,用于从植物数据库以及云端网络对植物进行查询搜索。
进一步改进在于:所述图像收集模块包括图像样本降噪模块、数据格式兼容模块,所述图像样本降噪降噪模块采用空域像素特征去噪算法对AI摄像头接收拍摄的植株数据进行降噪,所述数据格式兼容模块通过MQTT、TCP、HTTP、UDP和WEBSERVICES协议来兼容文本、PDF、图像文件,并且融合Big data技术。
进一步改进在于:所述图像处理模块包括要素特征增强模块、要素特征提取模块,所述要素特征增强模块通过符号化来增强图像显视效果,特别增强植物图像的颜色特征和纹理特征,并采用锐化及分辨率增强的方式凸出颜色特征和纹理特征。
进一步改进在于:所述要素特征提取模块将分辨率增强后的图像直接转换为HLS图像,并提取颜色特征和纹理特征,接着对图像进行沿植物脉络走向的方向滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定图像的纹理粗糙度,接着对植物图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,增强图像的特征值,二阶导数的算法为:deriv(deriv(reform(float(slice[*,S]))),S代表光谱spectral,在ENVIIDL中输入二阶导数公式y"=d2y/dx2,并编程完成对图像的二阶导数计算,然后使用overlay的逻辑分析方法,将图像的特征值转换为栅格数据。
进一步改进在于:所述建模模块在建模前,通过特征数据比对模块将图像收集模块接收的植株数据直接与植物数据库进行初步比对,确定相似的植物种类,以此缩小比对范围,所述建模模块根据此比对范围接入植物数据库,收集范围内植物的数据以及生长周期的全部数据,且建模模块在此基础上依据植物的数据以及生长周期的全部数据进行定义和构建,然后利用三维模型进行3D可视化,按照植物种类构建多个主模型,在多个主模型中再按照植物的生长周期构建多个子模型,最后对模型中相对应的颜色特征、纹理特征、生长周期特征的数值矢量化,完成多元植物模型对比库并显示在显示器上。
进一步改进在于:所述特征数据比对模块基于TensorFlow和PyTorch平台以卷积神经网络为基本框架,对图像特征值转换的栅格数据进行检测,并与多元植物模型对比库进行比对,确定植物种类以及生长周期。
进一步改进在于:所述特征数据比对模块具备资料包,且资料包连接互联网,所述资料包中收集有关于各种植物种类及其不同生长周期所需的可见光,以此资料,特征数据比对模块通过ARM硬件控制板卡根据植物种类和生长周期控制LED植物灯调整光照参数。
进一步改进在于:所述本地计算主机中具备语音包,且语音包连接所述植物模型构建系统,根据特征数据比对模块比对的最终结果播放语音,提醒维护人员关注硬件系统的调整是否匹配。
本发明的有益效果为:
1、本发明通过植物培育箱来种植植物,通过LED植物灯给植物提供不同颜色、不同强弱的光照,通过AI摄像头拍摄植物的数据,通过植物数据库收集各类植株的数据信息和图像信息以此作为源数据,通过图像收集模块接收AI摄像头接收拍摄的植株数据,并配合图像处理模块用于确定拍摄的植株数据的特征值,通过建模模块基于植物数据库,构造多元植物模型对比库用作比对,特征数据比对模块将确定的特征值与多元植物模型对比库,以此来确定植物种类和生长周期,从而控制LED植物灯调整光照参数,综上,有利于改变依照植物的种类和生长周期来调整光照,使得光照的色彩和强弱契合不同植物不同时间段的生长需求,有利于提高植物的培育效果。
2、本发明通过建模模块按照植物种类构建多个主模型,在多个主模型中再按照植物的生长周期构建多个子模型,最后对模型中相对应的颜色特征、纹理特征、生长周期特征的数值矢量化,特征数据比对模块基于TensorFlow和PyTorch平台以卷积神经网络为基本框架,对图像特征值转换的栅格数据进行检测,并与多元植物模型对比库进行比对,确定植物种类以及生长周期,数据多重处理配合神经网络检测,确定更加精确,且特征数据比对模块在比对后,根据资料包控制LED植物灯调整光照参数,资料包中收集有关于各种植物种类及其不同生长周期所需的可见光,逻辑更加完善,控制更精准。
3、本发明具备语音包,根据特征数据比对模块比对的最终结果播放语音,便于维护人员根据语音的提醒来关注硬件系统的调整是否匹配,更加可靠。
附图说明
图1为本发明的原理图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
实施例一
根据图1所示,本实施例提出了一种可根据自识别植物品种而调节照射参数的植物灯照射系统,包括模块系统和硬件系统,所述模块系统包括ARM硬件控制板卡、云端服务器、图像收集模块、图像处理模块、植物模型构建系统、人机交互模块,所述硬件系统包括植物培育箱、LED植物灯和AI摄像头;
所述ARM硬件控制板卡为主控中心,且ARM硬件控制板卡连接硬件系统用于传递指令和收发数据,所述云端服务器包括植物数据库和检索系统,所述人机交互模块包括本地计算主机和显示器,所述图像收集模块、图像处理模块、植物模型构建系统均基于本地计算主机,所述植物数据库囊括各类植株的数据信息和图像信息,所述图像收集模块通过ARM硬件控制板卡连接AI摄像头接收拍摄的植株数据,所述图像处理模块用于确定拍摄的植株数据的特征值,所述植物模型构建系统包括建模模块和特征数据比对模块,所述建模模块连接植物数据库,构造多元植物模型对比库,所述特征数据比对模块用于比对图像处理模块所确定特征值与多元植物模型对比库,以此来确定植物种类和生长周期,所述ARM硬件控制板卡根据植物种类和生长周期控制LED植物灯调整光照参数。所述植物培育箱具有多层,每层中具备多个LED植物灯,每个LED植物灯都伴有一个相匹配的AI摄像头。使用时,通过植物培育箱来种植植物,通过LED植物灯给植物提供不同颜色、不同强弱的光照,通过AI摄像头拍摄植物的数据,通过植物数据库收集各类植株的数据信息和图像信息以此作为源数据,通过图像收集模块接收AI摄像头接收拍摄的植株数据,并配合图像处理模块用于确定拍摄的植株数据的特征值,通过建模模块基于植物数据库,构造多元植物模型对比库用作比对,特征数据比对模块将确定的特征值与多元植物模型对比库,以此来确定植物种类和生长周期,从而控制LED植物灯调整光照参数,综上,有利于改变依照植物的种类和生长周期来调整光照,使得光照的色彩和强弱契合不同植物不同时间段的生长需求,有利于提高植物的培育效果。
所述检索系统直接显示在所述显示器上,且检索系统采用ElasticSearch+Logstash框架部署,利用ElasticSearch搜索服务器构成分布式的多用户全文搜索引擎,且搜索引擎利用ELK技术,用于从植物数据库以及云端网络对植物进行查询搜索。便于维护人员从植物数据库以及云端网络对植物的数据进行查询搜索。
所述图像收集模块包括图像样本降噪模块、数据格式兼容模块,所述图像样本降噪降噪模块采用空域像素特征去噪算法对AI摄像头接收拍摄的植株数据进行降噪,所述数据格式兼容模块通过MQTT、TCP、HTTP、UDP和WEBSERVICES协议来兼容文本、PDF、图像文件,并且融合Big data技术。所述图像处理模块包括要素特征增强模块、要素特征提取模块,所述要素特征增强模块通过符号化来增强图像显视效果,特别增强植物图像的颜色特征和纹理特征,并采用锐化及分辨率增强的方式凸出颜色特征和纹理特征。所述要素特征提取模块将分辨率增强后的图像直接转换为HLS图像,并提取颜色特征和纹理特征,接着对图像进行沿植物脉络走向的方向滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定图像的纹理粗糙度,接着对植物图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,增强图像的特征值,二阶导数的算法为:deriv(deriv(reform(float(slice[*,S]))),S代表光谱spectral,在ENVI IDL中输入二阶导数公式y"=d2y/dx2,并编程完成对图像的二阶导数计算,然后使用overlay的逻辑分析方法,将图像的特征值转换为栅格数据。所述建模模块在建模前,通过特征数据比对模块将图像收集模块接收的植株数据直接与植物数据库进行初步比对,确定相似的植物种类,以此缩小比对范围,所述建模模块根据此比对范围接入植物数据库,收集范围内植物的数据以及生长周期的全部数据,且建模模块在此基础上依据植物的数据以及生长周期的全部数据进行定义和构建,然后利用三维模型进行3D可视化,按照植物种类构建多个主模型,在多个主模型中再按照植物的生长周期构建多个子模型,最后对模型中相对应的颜色特征、纹理特征、生长周期特征的数值矢量化,完成多元植物模型对比库并显示在显示器上。所述特征数据比对模块基于TensorFlow和PyTorch平台以卷积神经网络为基本框架,对图像特征值转换的栅格数据进行检测,并与多元植物模型对比库进行比对,确定植物种类以及生长周期。所述特征数据比对模块具备资料包,且资料包连接互联网,所述资料包中收集有关于各种植物种类及其不同生长周期所需的可见光,以此资料,特征数据比对模块通过ARM硬件控制板卡根据植物种类和生长周期控制LED植物灯调整光照参数。使用时,通过建模模块按照植物种类构建多个主模型,在多个主模型中再按照植物的生长周期构建多个子模型,最后对模型中相对应的颜色特征、纹理特征、生长周期特征的数值矢量化,特征数据比对模块基于TensorFlow和PyTorch平台以卷积神经网络为基本框架,对处理后的图像特征值转换的栅格数据进行检测,并与多元植物模型对比库进行比对,确定植物种类以及生长周期,数据多重处理,更加清晰,配合神经网络检测,确定更加精确,且特征数据比对模块在比对后,根据资料包控制LED植物灯调整光照参数,资料包中收集有关于各种植物种类及其不同生长周期所需的可见光,逻辑更加完善,控制更精准。
实施例二
根据图1所示,本实施例提出了一种可根据自识别植物品种而调节照射参数的植物灯照射系统,包括模块系统和硬件系统,所述模块系统包括ARM硬件控制板卡、云端服务器、图像收集模块、图像处理模块、植物模型构建系统、人机交互模块,所述硬件系统包括植物培育箱、LED植物灯和AI摄像头;
所述ARM硬件控制板卡为主控中心,且ARM硬件控制板卡连接硬件系统用于传递指令和收发数据,所述云端服务器包括植物数据库和检索系统,所述人机交互模块包括本地计算主机和显示器,所述图像收集模块、图像处理模块、植物模型构建系统均基于本地计算主机,所述植物数据库囊括各类植株的数据信息和图像信息,所述图像收集模块通过ARM硬件控制板卡连接AI摄像头接收拍摄的植株数据,所述图像处理模块用于确定拍摄的植株数据的特征值,所述植物模型构建系统包括建模模块和特征数据比对模块,所述建模模块连接植物数据库,构造多元植物模型对比库,所述特征数据比对模块用于比对图像处理模块所确定特征值与多元植物模型对比库,以此来确定植物种类和生长周期,所述ARM硬件控制板卡根据植物种类和生长周期控制LED植物灯调整光照参数。所述植物培育箱具有多层,每层中具备多个LED植物灯,每个LED植物灯都伴有一个相匹配的AI摄像头。使用时,通过植物培育箱来种植植物,通过LED植物灯给植物提供不同颜色、不同强弱的光照,通过AI摄像头拍摄植物的数据,通过植物数据库收集各类植株的数据信息和图像信息以此作为源数据,通过图像收集模块接收AI摄像头接收拍摄的植株数据,并配合图像处理模块用于确定拍摄的植株数据的特征值,通过建模模块基于植物数据库,构造多元植物模型对比库用作比对,特征数据比对模块将确定的特征值与多元植物模型对比库,以此来确定植物种类和生长周期,从而控制LED植物灯调整光照参数,综上,有利于改变依照植物的种类和生长周期来调整光照,使得光照的色彩和强弱契合不同植物不同时间段的生长需求,有利于提高植物的培育效果。
所述本地计算主机中具备语音包,且语音包连接所述植物模型构建系统,根据特征数据比对模块比对的最终结果播放语音,提醒维护人员关注硬件系统的调整是否匹配。根据特征数据比对模块比对的最终结果播放语音,便于维护人员根据语音的提醒来关注硬件系统的调整是否匹配,更加可靠。
本发明通过植物培育箱来种植植物,通过LED植物灯给植物提供不同颜色、不同强弱的光照,通过AI摄像头拍摄植物的数据,通过植物数据库收集各类植株的数据信息和图像信息以此作为源数据,通过图像收集模块接收AI摄像头接收拍摄的植株数据,并配合图像处理模块用于确定拍摄的植株数据的特征值,通过建模模块基于植物数据库,构造多元植物模型对比库用作比对,特征数据比对模块将确定的特征值与多元植物模型对比库,以此来确定植物种类和生长周期,从而控制LED植物灯调整光照参数,综上,有利于改变依照植物的种类和生长周期来调整光照,使得光照的色彩和强弱契合不同植物不同时间段的生长需求,有利于提高植物的培育效果。同时,本发明通过建模模块按照植物种类构建多个主模型,在多个主模型中再按照植物的生长周期构建多个子模型,最后对模型中相对应的颜色特征、纹理特征、生长周期特征的数值矢量化,特征数据比对模块基于TensorFlow和PyTorch平台以卷积神经网络为基本框架,对图像特征值转换的栅格数据进行检测,并与多元植物模型对比库进行比对,确定植物种类以及生长周期,数据多重处理配合神经网络检测,确定更加精确,且特征数据比对模块在比对后,根据资料包控制LED植物灯调整光照参数,资料包中收集有关于各种植物种类及其不同生长周期所需的可见光,逻辑更加完善,控制更精准。另外,本发明具备语音包,根据特征数据比对模块比对的最终结果播放语音,便于维护人员根据语音的提醒来关注硬件系统的调整是否匹配,更加可靠。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种可根据自识别植物品种而调节照射参数的植物灯照射系统,包括模块系统和硬件系统,其特征在于:所述模块系统包括ARM硬件控制板卡、云端服务器、图像收集模块、图像处理模块、植物模型构建系统、人机交互模块,所述硬件系统包括植物培育箱、LED植物灯和AI摄像头;
所述ARM硬件控制板卡为主控中心,且ARM硬件控制板卡连接硬件系统用于传递指令和收发数据,所述云端服务器包括植物数据库和检索系统,所述人机交互模块包括本地计算主机和显示器,所述图像收集模块、图像处理模块、植物模型构建系统均基于本地计算主机,所述植物数据库囊括各类植株的数据信息和图像信息,所述图像收集模块通过ARM硬件控制板卡连接AI摄像头接收拍摄的植株数据,所述图像处理模块用于确定拍摄的植株数据的特征值,所述植物模型构建系统包括建模模块和特征数据比对模块,所述建模模块连接植物数据库,构造多元植物模型对比库,所述特征数据比对模块用于比对图像处理模块所确定特征值与多元植物模型对比库,以此来确定植物种类和生长周期,所述ARM硬件控制板卡根据植物种类和生长周期控制LED植物灯调整光照参数。
2.根据权利要求1所述的一种可根据自识别植物品种而调节照射参数的植物灯照射系统,其特征在于:所述植物培育箱具有多层,每层中具备多个LED植物灯,每个LED植物灯都伴有一个相匹配的AI摄像头。
3.根据权利要求2所述的一种可根据自识别植物品种而调节照射参数的植物灯照射系统,其特征在于:所述检索系统直接显示在所述显示器上,且检索系统采用ElasticSearch+Logstash框架部署,利用ElasticSearch搜索服务器构成分布式的多用户全文搜索引擎,且搜索引擎利用ELK技术,用于从植物数据库以及云端网络对植物进行查询搜索。
4.根据权利要求3所述的一种可根据自识别植物品种而调节照射参数的植物灯照射系统,其特征在于:所述图像收集模块包括图像样本降噪模块、数据格式兼容模块,所述图像样本降噪降噪模块采用空域像素特征去噪算法对AI摄像头接收拍摄的植株数据进行降噪,所述数据格式兼容模块通过MQTT、TCP、HTTP、UDP和WEBSERVICES协议来兼容文本、PDF、图像文件,并且融合Big data技术。
5.根据权利要求4所述的一种可根据自识别植物品种而调节照射参数的植物灯照射系统,其特征在于:所述图像处理模块包括要素特征增强模块、要素特征提取模块,所述要素特征增强模块通过符号化来增强图像显视效果,特别增强植物图像的颜色特征和纹理特征,并采用锐化及分辨率增强的方式凸出颜色特征和纹理特征。
6.根据权利要求5所述的一种可根据自识别植物品种而调节照射参数的植物灯照射系统,其特征在于:所述要素特征提取模块将分辨率增强后的图像直接转换为HLS图像,并提取颜色特征和纹理特征,接着对图像进行沿植物脉络走向的方向滤波,并将其滤波提取的纹理结果置于ARCGIS进行密度分析,确定图像的纹理粗糙度,接着对植物图像进行光谱二阶导数的求取,在ENVI IDL中编写二阶导数运算算法,增强图像的特征值,二阶导数的算法为:deriv(deriv(reform(float(slice[*,S]))),S代表光谱spectral,在ENVI IDL中输入二阶导数公式y"=d2y/dx2,并编程完成对图像的二阶导数计算,然后使用overlay的逻辑分析方法,将图像的特征值转换为栅格数据。
7.根据权利要求6所述的一种可根据自识别植物品种而调节照射参数的植物灯照射系统,其特征在于:所述建模模块在建模前,通过特征数据比对模块将图像收集模块接收的植株数据直接与植物数据库进行初步比对,确定相似的植物种类,以此缩小比对范围,所述建模模块根据此比对范围接入植物数据库,收集范围内植物的数据以及生长周期的全部数据,且建模模块在此基础上依据植物的数据以及生长周期的全部数据进行定义和构建,然后利用三维模型进行3D可视化,按照植物种类构建多个主模型,在多个主模型中再按照植物的生长周期构建多个子模型,最后对模型中相对应的颜色特征、纹理特征、生长周期特征的数值矢量化,完成多元植物模型对比库并显示在显示器上。
8.根据权利要求7所述的一种可根据自识别植物品种而调节照射参数的植物灯照射系统,其特征在于:所述特征数据比对模块基于TensorFlow和PyTorch平台以卷积神经网络为基本框架,对图像特征值转换的栅格数据进行检测,并与多元植物模型对比库进行比对,确定植物种类以及生长周期。
9.根据权利要求8所述的一种可根据自识别植物品种而调节照射参数的植物灯照射系统,其特征在于:所述特征数据比对模块具备资料包,且资料包连接互联网,所述资料包中收集有关于各种植物种类及其不同生长周期所需的可见光,以此资料,特征数据比对模块通过ARM硬件控制板卡根据植物种类和生长周期控制LED植物灯调整光照参数。
10.根据权利要求1-9中任意一项所述的一种可根据自识别植物品种而调节照射参数的植物灯照射系统,其特征在于:所述本地计算主机中具备语音包,且语音包连接所述植物模型构建系统,根据特征数据比对模块比对的最终结果播放语音,提醒维护人员关注硬件系统的调整是否匹配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111380909.0A CN114092680A (zh) | 2021-11-20 | 2021-11-20 | 一种可根据自识别植物品种而调节照射参数的植物灯照射系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111380909.0A CN114092680A (zh) | 2021-11-20 | 2021-11-20 | 一种可根据自识别植物品种而调节照射参数的植物灯照射系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114092680A true CN114092680A (zh) | 2022-02-25 |
Family
ID=80302282
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111380909.0A Pending CN114092680A (zh) | 2021-11-20 | 2021-11-20 | 一种可根据自识别植物品种而调节照射参数的植物灯照射系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092680A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116997053A (zh) * | 2023-09-26 | 2023-11-03 | 北京猫猫狗狗科技有限公司 | 一种植物灯光照控制方法 |
-
2021
- 2021-11-20 CN CN202111380909.0A patent/CN114092680A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116997053A (zh) * | 2023-09-26 | 2023-11-03 | 北京猫猫狗狗科技有限公司 | 一种植物灯光照控制方法 |
CN116997053B (zh) * | 2023-09-26 | 2023-12-26 | 北京猫猫狗狗科技有限公司 | 一种植物灯光照控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Northern maize leaf blight detection under complex field environment based on deep learning | |
Fu et al. | Fast and accurate detection of kiwifruit in orchard using improved YOLOv3-tiny model | |
Koirala et al. | Deep learning for real-time fruit detection and orchard fruit load estimation: Benchmarking of ‘MangoYOLO’ | |
CN107346434A (zh) | 一种基于多特征及支持向量机的植物病虫害检测方法 | |
CN104778481B (zh) | 一种大规模人脸模式分析样本库的构建方法和装置 | |
Li et al. | Digitization and visualization of greenhouse tomato plants in indoor environments | |
Wu et al. | Automatic recognition of ripening tomatoes by combining multi-feature fusion with a bi-layer classification strategy for harvesting robots | |
CN106446933B (zh) | 基于上下文信息的多目标检测方法 | |
Zhou et al. | Adaptive active positioning of Camellia oleifera fruit picking points: Classical image processing and YOLOv7 fusion algorithm | |
CN109684906B (zh) | 基于深度学习的检测红脂大小蠹的方法 | |
CN103489006A (zh) | 一种基于计算机视觉的水稻病虫草害诊断方法 | |
Wang et al. | A study on long-close distance coordination control strategy for litchi picking | |
CN106951905A (zh) | 一种基于tof相机的树上苹果识别与定位方法 | |
CN111832507B (zh) | 基于麦穗顶部光谱信息的小麦赤霉病遥感识别方法 | |
CN103543107B (zh) | 基于机器视觉和高光谱技术的烟叶智能分级系统和方法 | |
CN102915432A (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN110702648B (zh) | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 | |
CN102812357A (zh) | 木材树种的识别方法与系统 | |
CN106846462B (zh) | 基于三维模拟的昆虫识别装置及方法 | |
CN111199192A (zh) | 一种采用平行线取样的田间红提葡萄整体成熟度检测方法 | |
CN114092680A (zh) | 一种可根据自识别植物品种而调节照射参数的植物灯照射系统 | |
CN111507325B (zh) | 基于深度学习的工业视觉ocr识别系统及方法 | |
CN114049325A (zh) | 轻量化人脸口罩佩戴检测模型的构建方法及应用 | |
CN115222896A (zh) | 三维重建方法、装置、电子设备及计算机可读存储介质 | |
CN110533102A (zh) | 基于模糊推理的单类分类方法以及分类器 |
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 |