CN115443826B - 一种用于健苗培育的精细化光调控方法及系统 - Google Patents
一种用于健苗培育的精细化光调控方法及系统 Download PDFInfo
- Publication number
- CN115443826B CN115443826B CN202211079346.6A CN202211079346A CN115443826B CN 115443826 B CN115443826 B CN 115443826B CN 202211079346 A CN202211079346 A CN 202211079346A CN 115443826 B CN115443826 B CN 115443826B
- Authority
- CN
- China
- Prior art keywords
- information
- growth
- light
- illumination
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000012010 growth Effects 0.000 claims abstract description 202
- 238000005286 illumination Methods 0.000 claims abstract description 191
- 238000005457 optimization Methods 0.000 claims abstract description 139
- 230000001502 supplementing effect Effects 0.000 claims abstract description 27
- 238000013441 quality evaluation Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 22
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims description 20
- 235000016709 nutrition Nutrition 0.000 claims description 18
- 230000035764 nutrition Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000010496 root system development Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 2
- 238000012258 culturing Methods 0.000 claims 1
- 230000006978 adaptation Effects 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000001105 regulatory effect Effects 0.000 description 10
- 241000196324 Embryophyta Species 0.000 description 7
- 238000006880 cross-coupling reaction Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 239000011664 nicotinic acid Substances 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 241000722363 Piper Species 0.000 description 2
- 235000016761 Piper aduncum Nutrition 0.000 description 2
- 235000017804 Piper guineense Nutrition 0.000 description 2
- 235000008184 Piper nigrum Nutrition 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000027288 circadian rhythm Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012856 packing Methods 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000005082 stem growth Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- A01G7/04—Electric or magnetic or acoustic treatment of plants for promoting growth
- A01G7/045—Electric or magnetic or acoustic treatment of plants for promoting growth with electric lighting
-
- 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
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/14—Measures for saving energy, e.g. in green houses
Abstract
本发明提供了一种用于健苗培育的精细化光调控方法及系统,涉及人工智能技术领域,方法包括:采集基础生长数据;获得培育苗质量评价指标;获得培育苗生长质量系数;调用标定光照优选模型,标定为三维模型;将培育苗生长质量系数输入标定光照优选模型中进行分析,获得模型输出结果;根据光质配比优选参数、光照强度优选参数、光照时间优选参数,确定光补优选参数方案;进行人工补光调控。解决健苗培育的光照环境不均衡,导致健苗培育的环境光无法满足培育苗的光照需求的技术问题,达到对进行智能补光,均衡健苗培育的光照环境,基于培育苗的光照需求,智能调配光补方案,精细化调控光照传感器指标参数,提高环境光与光照需求适配度的技术效果。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种用于健苗培育的精细化光调控方法及系统。
背景技术
通过培育适宜机械化移栽的健壮种苗,提高培育苗机械化种植水平,实现农机农艺深度融合,将大幅节约劳动力成本,在进行仿生机械手自主取苗、全程自动管理控制过程,现代化设备对种苗的长势、苗高以及盘根性等有较高要求,种苗质量直接影响机械移栽效率和成活率,要保证机械化移栽作业质量,必须培育符合机械定植要求的种苗,实现农艺和农机协同配合。
在进行健苗培育过程中,温室中管道、支撑物遮挡,不可避免的或出现光照环境不均衡、培育苗的大小苗现象,对自然光与人工光互补立体栽培研究,在LED人工补光和自然光耦合光环境进行健苗培育,可以对培育苗进行合理性补光,为保证光照平衡提供支持。
现有技术中存在健苗培育的光照环境不均衡,导致健苗培育的环境光无法满足培育苗的光照需求的技术问题。
发明内容
本申请通过提供了一种用于健苗培育的精细化光调控方法及系统,解决了健苗培育的光照环境不均衡,导致健苗培育的环境光无法满足培育苗的光照需求的技术问题,达到了对进行智能补光,均衡健苗培育的光照环境,基于培育苗的光照需求,智能调配光补方案,精细化调控光照传感器指标参数,提高环境光与光照需求适配度的技术效果。
鉴于上述问题,本申请提供了一种用于健苗培育的精细化光调控方法及系统。
本申请的第一个方面,提供了一种用于健苗培育的精细化光调控方法,其中,所述方法包括:采集获取自然光下培育苗的基础生长数据;获得培育苗质量评价指标,所述培育苗质量评价指标包括壮苗指数、生理营养、根系活力;根据所述培育苗质量评价指标对所述基础生长数据进行评价,获得培育苗生长质量系数;调用标定光照优选模型,所述标定光照优选模型为三维模型,包括光质配比优选模型、光照强度优选模型、光照时间优选模型;将所述培育苗生长质量系数输入所述标定光照优选模型中进行分析,获得模型输出结果,所述模型输出结果包括光质配比优选参数、光照强度优选参数、光照时间优选参数;根据所述光质配比优选参数、光照强度优选参数、光照时间优选参数,确定光补优选参数方案;基于所述光补优选参数方案,通过LED对所述培育苗进行人工补光调控。
本申请的第二个方面,提供了一种用于健苗培育的精细化光调控系统,其中,所述系统包括:生长数据采集单元,所述生长数据采集单元用于采集获取自然光下培育苗的基础生长数据;评价指标获得单元,所述评价指标获得单元用于获得培育苗质量评价指标,所述培育苗质量评价指标包括壮苗指数、生理营养、根系活力;质量系数获得单元,所述质量系数获得单元用于根据所述培育苗质量评价指标对所述基础生长数据进行评价,获得培育苗生长质量系数;优选模型调用单元,所述优选模型调用单元用于调用标定光照优选模型,所述标定光照优选模型为三维模型,包括光质配比优选模型、光照强度优选模型、光照时间优选模型;模型分析单元,所述模型分析单元用于将所述培育苗生长质量系数输入所述标定光照优选模型中进行分析,获得模型输出结果,所述模型输出结果包括光质配比优选参数、光照强度优选参数、光照时间优选参数;参数方案确定单元,所述参数方案确定单元用于根据所述光质配比优选参数、光照强度优选参数、光照时间优选参数,确定光补优选参数方案;补光调控单元,所述补光调控单元用于基于所述光补优选参数方案,通过LED对所述培育苗进行人工补光调控。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了采集获取自然光下培育苗的基础生长数据;获得培育苗质量评价指标;对所述基础生长数据进行评价,获得培育苗生长质量系数;调用标定光照优选模型,所述标定光照优选模型为三维模型;将所述培育苗生长质量系数输入所述标定光照优选模型中进行分析,获得模型输出结果,所述模型输出结果包括光质配比优选参数、光照强度优选参数、光照时间优选参数;根据所述光质配比优选参数、光照强度优选参数、光照时间优选参数,确定光补优选参数方案;通过LED对所述培育苗进行人工补光调控。本申请达到了对进行智能补光,均衡健苗培育的光照环境,基于培育苗的光照需求,智能调配光补方案,精细化调控光照传感器指标参数,提高环境光与光照需求适配度的技术效果。
附图说明
图1为本申请一种用于健苗培育的精细化光调控方法的流程示意图;
图2为本申请一种用于健苗培育的精细化光调控方法的确定培育苗生长特征信息的流程示意图;
图3为本申请一种用于健苗培育的精细化光调控方法的获得培育苗光配方信息库的流程示意图;
图4为本申请一种用于健苗培育的精细化光调控系统的结构示意图。
附图标记说明:生长数据采集单元11,评价指标获得单元12,质量系数获得单元13,优选模型调用单元14,模型分析单元15,参数方案确定单元16,补光调控单元17。
具体实施方式
本申请通过提供了一种用于健苗培育的精细化光调控方法及系统,解决了健苗培育的光照环境不均衡,导致健苗培育的环境光无法满足培育苗的光照需求的技术问题,达到了对进行智能补光,均衡健苗培育的光照环境,基于培育苗的光照需求,智能调配光补方案,精细化调控光照传感器指标参数,提高环境光与光照需求适配度的技术效果。
实施例一
如图1所示,本申请提供了一种用于健苗培育的精细化光调控方法,其中,所述方法包括:
步骤S100:采集获取自然光下培育苗的基础生长数据;
进一步的,采集获取自然光下培育苗的基础生长数据,步骤S100包括:
步骤S110:获得所述培育苗的生长类型信息和生长阶段信息;
步骤S120:通过传感器组采集获得所述培育苗的营养情况信息、根系发育情况信息、自然光照信息;
步骤S130:通过图像采集装置获得所述培育苗的生长图像信息,并对所述生长图像信息进行解析,获得培育苗生长特征信息;
步骤S140:基于所述生长类型信息和生长阶段信息、所述营养情况信息、根系发育情况信息、自然光照信息和所述培育苗生长特征信息,获得所述基础生长数据。
具体而言,本申请实施例针对智能温室中管道、支撑物遮挡,导致的光照环境不均衡、大小苗现象较为严重的问题,进行自然光与人工光互补立体栽培研究,基于光照传感器的LED人工补光和自然光耦合的光环境精细化光调控,筛选适合培育苗生长的光源类型及补光强度、最佳补光时间和光质组合,制定LED光配方和补光方案。
进一步具体说明,通过精细化光调控系统的数据采集装置,进行数据采集,获取自然光下培育苗的基础生长数据,所述精细化光调控系统的数据采集装置可以包括图像采集装置、数据检索调用引擎等相关数据采集装置,通过所述数据检索调用引擎,在所述精细化光调控系统中进行数据检索调取,获取所述培育苗的生长类型信息和生长阶段信息,所述培育苗可以是辣椒育苗等其他相关作物育苗,所述生长类型信息即培育苗的植物生长型(陆生、水生、附生、寄生)信息,基于所述生长类型信息对照确定的生长阶段信息。
结合实例进一步解释说明,辣椒育苗在进行仿生机械手自主取苗、全程自动管理控制过程,对种苗株高要求不宜超过20cm,过高容易造成的漏取、多取,也不利于取苗后转运、传递,种苗过小,栽植之后无法达到栽植深度、直立度等要求,对植株的生长阶段信息进行采集,确定所述培育苗是否可以通过仿生机械手进行自主取苗与全程自动管理控制。
进一步解释说明,所述传感器组包括多个传感器,所述传感器包括光感应传感器、区域扫描传感器等相关感应检测装置,通过传感器组,进行数据采集,获得营养情况信息(营养元素传感器采集所得)、根系发育情况信息(区域扫描传感器采集所得)、自然光照信息(光感应传感器采集所得),同步进行图像采集,获得所述培育苗的生长图像信息,对生长图像信息进行图像特征解析,获得培育苗生长特征信息;基于所述生长类型信息和生长阶段信息、所述营养情况信息、根系发育情况信息、自然光照信息和所述培育苗生长特征信息,进行信息绑定,获得所述基础生长数据,为后续进行数据处理提供数据支持。
进一步的,如图2所示,所述对所述生长图像信息进行解析,获得培育苗生长特征信息,步骤S130包括:
步骤S131:对所述生长图像信息进行特征点提取,获得生长形态特征信息;
步骤S132:根据所述生长类型信息和生长阶段信息,获得预定培育苗色泽度;
步骤S133:将所述预定培育苗色泽度作为预设卷积特征,将所述生长图像信息输入卷积神经网络中进行特征提取,获得符合所述预设卷积特征的生长色泽特征信息;
步骤S134:基于所述生长形态特征信息和所述生长色泽特征信息,确定所述培育苗生长特征信息。
具体而言,对所述生长图像信息进行扫描识别,标记所述生长图像信息中的特征点,对所述生长图像信息进行特征点提取,获取生长图像信息的特征点位信息,在所述生长图像信息的特征点位信息中进行生长形态(根、径、叶等各部分在形态上可测出的各种量度)识别,获得生长形态特征信息;所述预定培育苗色泽度为一预设指标参数,根据所述生长类型信息和生长阶段信息,通过所述精细化光调控系统相关管理人员进行指标设置,获得预定培育苗色泽度,进行图像特征解析,将所述预定培育苗色泽度作为预设卷积特征,将所述生长图像信息输入卷积神经网络中进行特征提取,获得符合所述预设卷积特征的生长色泽特征信息,所述卷积神经网络的输出即所述生长色泽特征信息;基于所述生长形态特征信息和所述生长色泽特征信息,进行权重融合调整,确定所述培育苗生长特征信息,通过进行特征点提取,获取生长形态特征信息,辅助卷积神经网络进行特征提取,为保证培育苗生长特征信息精度提供技术支持,进行权重融合调整,降低指标差异,提高培育苗生长特征信息的稳定性。
进一步具体说明,对所述生长形态特征信息和所述生长色泽特征信息进行归一化处理,利用变异系数法对归一化处理得到的各个结果进行加权计算,所述变异系数法为一种客观赋权的方法,直接利用所述归一化处理得到的各个结果所包含的信息,通过计算得到所述归一化处理得到的各个结果的权重,确定权重后,依次对所述生长形态特征信息的归一化结果和所述生长色泽特征信息的归一化结果进行权重计算,对权重计算输出相加,确定所述培育苗生长特征信息。
步骤S200:获得培育苗质量评价指标,所述培育苗质量评价指标包括壮苗指数、生理营养、根系活力;
步骤S300:根据所述培育苗质量评价指标对所述基础生长数据进行评价,获得培育苗生长质量系数;
步骤S400:调用标定光照优选模型,所述标定光照优选模型为三维模型,包括光质配比优选模型、光照强度优选模型、光照时间优选模型;
具体而言,所述精细化光调控系统内部集成信息存储模块,常见如寄存器,基于所述寄存器记录培育苗质量评价指标相关数据信息,通过标志符进行信息检索提取,获得培育苗质量评价指标,所述培育苗质量评价指标包括壮苗指数、生理营养、根系活力;根据所述培育苗质量评价指标,对所述基础生长数据进行评价,获得培育苗生长质量系数;进行模型调用,调用标定光照优选模型,所述标定光照优选模型为三维模型,所述三维模型的维度包括光质配比维度、光照强度维度和光照时间维度,所述标定光照优选模型包括光质配比优选模型、光照强度优选模型、光照时间优选模型,为后续进行数据分析提供模型基础。
进一步解释说明,对所述基础生长数据进行评价,所述评价通过TOPSIS法(TechniqueforOrderPreferencebySimilaritytoidealSulution,优劣解距离法),进行评价分析,具体的,对所述培育苗质量评价指标对所述基础生长数据进行归一化处理,采用余弦法找出所述基础生长数据中的最优匹配特征和最劣匹配特征,然后分别计算所述基础生长数据中的各评价对象与最优匹配特征和最劣匹配特征间的距离,获得各评价对象与最优匹配特征的相对接近程度,以此作为评价优劣的依据,获得培育苗生长质量系数。
进一步的,所述调用标定光照优选模型,步骤S400包括:
步骤S410:根据所述培育苗的生长类型信息和生长阶段信息,获得培育苗分类特征信息;
步骤S420:根据所述培育苗分类特征信息,确定培育苗标定系数;
步骤S430:构建光照优选模型库,所述光照优选模型库包括各标定系数类别的光照优选模型;
步骤S440:基于所述培育苗标定系数,从所述光照优选模型库中调用所述标定光照优选模型。
具体而言,为保证所述培育苗的光照方案与所述培育苗的适配度,避免因光照方案与苗生长周期不适配,导致的光照不平衡,根据所述培育苗的生长类型信息和生长阶段信息,对所述培育苗进行分类,获得培育苗分类特征信息;根据所述培育苗分类特征信息,对所述培育苗的进行分类标记,确定培育苗标定系数;以BP反向传播模型为模型基础,构建光照优选模型,通过光照优选模型与所述培育苗分类特征信息,对所述光照优选模型进行标定,获取各标定系数类别的光照优选模型,通过各标定系数类别的光照优选模型,生成光照优选模型库;基于所述培育苗标定系数与所述光照优选模型的各标定系数类别,从所述光照优选模型库中调用所述标定光照优选模型,为后续进行培育苗的光照方案匹配提供支持。
进一步的,构建所述标定光照优选模型,步骤S400还包括:
步骤S450:获得历史培育苗生长质量信息,将所述历史培育苗生长质量信息作为模型样本信息进行标识;
步骤S460:对标识后的所述模型样本信息按照预定比例进行划分,获得训练集、验证集和测试集;
步骤S470:基于所述训练集对进行网络模型监督训练,获得基础光照优选模型;
步骤S480:基于所述验证集和所述测试集对所述基础光照优选模型进行验证和测试,直到模型分析准确率达到预设准确率,获得所述标定光照优选模型。
具体而言,结合历史数据进行迭代训练,构建标定光照优选模型,为后续进行数据运算提供模型基础,在所述精细化光调控系统,进行数据检索提取,获取历史壮苗指数、历史生理营养、历史根系活力,通过所述历史壮苗指数、历史生理营养、历史根系活力,获得历史培育苗生长质量信息,以BP反向传播模型为模型基础,将所述历史培育苗生长质量信息作为模型样本信息进行标识;所述预定比例、所述预设准确率均属于预设指标参数,训练集的数据量、验证集的数据量和测试集的数据量之比为所述预定比例,对标识后的所述模型样本信息按照预定比例进行划分,获得训练集、验证集和测试集;基于所述训练集对进行网络模型监督训练,在所述模型输出趋于稳定后,获得基础光照优选模型;将所述验证集和所述测试集分别输入基础光照优选模型中,进行验证和测试,获取验证准确率与测试准确率,取所述验证准确率与测试准确率的均值为模型分析准确率,判断模型分析准确率是否达到预设准确率,在模型分析准确率达到预设准确率后,获得标定光照优选模型,为保证所述标定光照优选模型的精度提供支持。
进一步的,获得所述光质配比优选模型,本申请实施例还包括:
步骤S481:根据所述历史培育苗生长质量信息,确定目标生长需求;
步骤S482:对所述目标生长需求进行分析,获得光质需求信息;
步骤S483:构建培育苗光配方信息库,将所述光质需求信息中的各需求信息和所述培育苗光配方信息库进行匹配,获得光质配比优选信息;
步骤S484:基于所述光质配比优选信息进行数据训练,获得所述光质配比优选模型。
具体而言,为保障培育苗光配方信息满足培育苗生长需求,需要进行数据匹配,为均衡培育苗光配方信息与培育苗生长的平衡提供支持,获取培育苗生长质量目标信息,所述培育苗生长质量目标信息即仿生机械手自主取苗、全程自动管理控制过程限定的培育苗生长质量信息,根据历史培育苗生长质量信息与所述培育苗生长质量目标信息,进行信息比对,获取目标生长需求;基于所述精细化光调控系统内部集成信息存储模块,进行数据提取,获取历史培育苗生长质量信息与对应的历史光质信息,通过历史培育苗生长质量信息与对应的历史光质信息,进行关联映射,构建生长质量-光质需求关联模型,将所述目标生长需求输入生长质量-光质需求关联模型,获得光质需求信息;构建培育苗光配方信息库,通过所述光质需求信息中的各需求信息,在培育苗光配方信息库进行交叉联接,联接查询输出光质配比优选信息;设定一指标关联映射通道,基于所述光质配比优选信息,通过交叉联接查询输出进行数据训练,确定所述光质配比优选模型。构建生长质量-光质需求关联模型,进行交叉联接查询,确定光质配比优选模型,为后续进行数据处理提供模型基础。
具体而言,所述光照强度优选模型(结合光照强度需求信息进行交叉联接)与所述光照时间优选模型(结合光照时间需求信息进行交叉联接)的确定方式与所述光质配比优选模型一致,此处不做具体赘述,所述光质配比优选模型的交叉联接查询输出为光质配比优选参数,所述光照强度优选模型的交叉联接查询输出为光照强度优选参数,所述光照时间优选模型的交叉联接查询输出为光照时间优选参数。
进一步的,如图3所示,所述构建培育苗光配方信息库,本申请实施例还包括:
步骤S484-1:根据所述光质需求信息进行光质组分筛选,获得光质组分信息;
步骤S484-2:基于植物光谱响应机制对所述光质组分信息进行多光质因子设计,获得多光质混调优选方案集合;
步骤S484-3:基于所述多光质混调优选方案集合,获得所述培育苗光配方信息库。
具体而言,所述光质需求信息包括红光质需求、蓝光质需求、绿光质需求等多种光质需求,根据所述光质需求信息进行光质组分筛选,确定所述光质需求信息对应的组分比例,获得光质组分信息,所述光质组分信息包括红光质组分比例、蓝光质组分比例、绿光质组分比例等多种光质组分比例;所述植物光谱响应机制即红光质和蓝色光质设定培育苗昼夜节律,绿光质优化(幼苗期和生长期以及开花期的开始阶段)培育苗对CO2和/或水的使用,茎的生长和整个植物的高度,基于植物光谱响应机制对所述光质组分信息进行光谱分析,对红光质、蓝光质、绿光质等多光质因子设计,获得多光质混调优选方案集合,所述多光质混调优选方案集合即以红、蓝光为大量光质,以黄、绿、远红、紫外光等为微量光质的典型植物光配方;对所述培育苗进限定分区,所述分区以光照传感器的补光笼罩单位面积的限定的培育苗为分标准,确定单位分区中培育苗对应的多组所述多光质混调优选方案集,基于多组所述多光质混调优选方案集,获得所述培育苗光配方信息库,为后续方案执行提供数据支持。
步骤S500:将所述培育苗生长质量系数输入所述标定光照优选模型中进行分析,获得模型输出结果,所述模型输出结果包括光质配比优选参数、光照强度优选参数、光照时间优选参数;
步骤S600:根据所述光质配比优选参数、光照强度优选参数、光照时间优选参数,确定光补优选参数方案;
步骤S700:基于所述光补优选参数方案,通过LED对所述培育苗进行人工补光调控。
具体而言,所述标定光照优选模型包括光质配比优选模型、光照强度优选模型、光照时间优选模型,将所述培育苗生长质量系数输入所述标定光照优选模型,进行交叉联接查询,获得模型输出结果,所述模型输出结果包括光质配比优选参数、光照强度优选参数、光照时间优选参数;进行光质合成,确定光补优选参数方案,基于光补优选参数方案,精细化光调控系统的相关管理人员对光照传感器的进行指标调整,通过LED对所述培育苗进行人工补光调控,构建光环境优化、低能耗运行的智能化精细调控关键技术体系,精准调控光照传感器,对培育苗进行合理性补光,为保证光照平衡提供支持。
综上所述,本申请所提供的一种用于健苗培育的精细化光调控方法及系统具有如下技术效果:
由于采用了采集获取自然光下培育苗的基础生长数据;获得培育苗质量评价指标;对基础生长数据进行评价,获得培育苗生长质量系数;调用标定光照优选模型,标定光照优选模型为三维模型;将培育苗生长质量系数输入标定光照优选模型中进行分析,获得模型输出结果;根据光质配比优选参数、光照强度优选参数、光照时间优选参数,确定光补优选参数方案;通过LED对培育苗进行人工补光调控。本申请通过提供了一种用于健苗培育的精细化光调控方法及系统,达到了对进行智能补光,均衡健苗培育的光照环境,基于培育苗的光照需求,智能调配光补方案,精细化调控光照传感器指标参数,提高环境光与光照需求适配度的技术效果。
由于采用了对生长图像信息进行特征点提取,获得生长形态特征信息;根据生长类型信息和生长阶段信息,获得预定培育苗色泽度,设定预设卷积特征,将生长图像信息输入卷积神经网络中进行特征提取,获得符合预设卷积特征的生长色泽特征信息;结合生长形态特征信息,确定培育苗生长特征信息。进行特征点提取,获取生长形态特征信息,辅助卷积神经网络进行特征提取,为保证培育苗生长特征信息精度提供技术支持,进行权重融合调整,降低指标差异,提高培育苗生长特征信息的稳定性。
由于采用了根据培育苗的生长类型信息和生长阶段信息,获得培育苗分类特征信息,确定培育苗标定系数;构建光照优选模型库;通过培育苗标定系数,从光照优选模型库中调用标定光照优选模型。避免因光照方案与苗生长周期不适配,导致的光照不平衡,保证培育苗的光照方案与培育苗的适配度,为后续进行培育苗的光照方案匹配提供支持。
实施例二
基于与前述实施例中一种用于健苗培育的精细化光调控方法相同的发明构思,如图4所示,本申请提供了一种用于健苗培育的精细化光调控系统,其中,所述系统包括:
生长数据采集单元11,所述生长数据采集单元11用于采集获取自然光下培育苗的基础生长数据;
评价指标获得单元12,所述评价指标获得单元12用于获得培育苗质量评价指标,所述培育苗质量评价指标包括壮苗指数、生理营养、根系活力;
质量系数获得单元13,所述质量系数获得单元13用于根据所述培育苗质量评价指标对所述基础生长数据进行评价,获得培育苗生长质量系数;
优选模型调用单元14,所述优选模型调用单元14用于调用标定光照优选模型,所述标定光照优选模型为三维模型,包括光质配比优选模型、光照强度优选模型、光照时间优选模型;
模型分析单元15,所述模型分析单元15用于将所述培育苗生长质量系数输入所述标定光照优选模型中进行分析,获得模型输出结果,所述模型输出结果包括光质配比优选参数、光照强度优选参数、光照时间优选参数;
参数方案确定单元16,所述参数方案确定单元16用于根据所述光质配比优选参数、光照强度优选参数、光照时间优选参数,确定光补优选参数方案;
补光调控单元17,所述补光调控单元17用于基于所述光补优选参数方案,通过LED对所述培育苗进行人工补光调控。
进一步的,所述系统包括:
生长信息获取单元,所述生长信息获取单元用于获得所述培育苗的生长类型信息和生长阶段信息;
培育苗信息采集单元,所述培育苗信息采集单元用于通过传感器组采集获得所述培育苗的营养情况信息、根系发育情况信息、自然光照信息;
生长图像解析单元,所述生长图像解析单元用于通过图像采集装置获得所述培育苗的生长图像信息,并对所述生长图像信息进行解析,获得培育苗生长特征信息;
生长数据获取单元,所述生长数据获取单元用于基于所述生长类型信息和生长阶段信息、所述营养情况信息、根系发育情况信息、自然光照信息和所述培育苗生长特征信息,获得所述基础生长数据。
进一步的,所述系统包括:
特征点提取单元,所述特征点提取单元用于对所述生长图像信息进行特征点提取,获得生长形态特征信息;
色泽度获得单元,所述色泽度获得单元用于根据所述生长类型信息和生长阶段信息,获得预定培育苗色泽度;
特征提取单元,所述特征提取单元用于将所述预定培育苗色泽度作为预设卷积特征,将所述生长图像信息输入卷积神经网络中进行特征提取,获得符合所述预设卷积特征的生长色泽特征信息;
生长特征确定单元,所述生长特征确定单元用于基于所述生长形态特征信息和所述生长色泽特征信息,确定所述培育苗生长特征信息。
进一步的,所述系统包括:
分类特征获得单元,所述分类特征获得单元用于根据所述培育苗的生长类型信息和生长阶段信息,获得培育苗分类特征信息;
标定系数确定单元,所述标定系数确定单元用于根据所述培育苗分类特征信息,确定培育苗标定系数;
模型库构建单元,所述模型库构建单元用于构建光照优选模型库,所述光照优选模型库包括各标定系数类别的光照优选模型;
模型调用单元,所述模型调用单元用于基于所述培育苗标定系数,从所述光照优选模型库中调用所述标定光照优选模型。
进一步的,所述系统包括:
历史信息获取单元,所述历史信息获取单元用于获得历史培育苗生长质量信息,将所述历史培育苗生长质量信息作为模型样本信息进行标识;
数据集划分单元,所述数据集划分单元用于对标识后的所述模型样本信息按照预定比例进行划分,获得训练集、验证集和测试集;
监督训练单元,所述监督训练单元用于基于所述训练集对进行网络模型监督训练,获得基础光照优选模型;
验证与测试单元,所述验证与测试单元用于基于所述验证集和所述测试集对所述基础光照优选模型进行验证和测试,直到模型分析准确率达到预设准确率,获得所述标定光照优选模型。
进一步的,所述系统包括:
生长需求确定单元,所述生长需求确定单元用于根据所述历史培育苗生长质量信息,确定目标生长需求;
光质需求获得单元,所述光质需求获得单元用于对所述目标生长需求进行分析,获得光质需求信息;
信息匹配单元,所述信息匹配单元用于构建培育苗光配方信息库,将所述光质需求信息中的各需求信息和所述培育苗光配方信息库进行匹配,获得光质配比优选信息;
数据训练单元,所述数据训练单元用于基于所述光质配比优选信息进行数据训练,获得所述光质配比优选模型。
进一步的,所述系统包括:
组分信息获得单元,所述组分信息获得单元用于根据所述光质需求信息进行光质组分筛选,获得光质组分信息;
光质因子设计单元,所述光质因子设计单元用于基于植物光谱响应机制对所述光质组分信息进行多光质因子设计,获得多光质混调优选方案集合;
光配方信息库获得单元,所述光配方信息库获得单元用于基于所述多光质混调优选方案集合,获得所述培育苗光配方信息库。
本说明书和附图仅仅是本申请的示例性说明,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (4)
1.一种用于健苗培育的精细化光调控方法,其特征在于,所述方法包括:
采集获取自然光下培育苗的基础生长数据;
获得培育苗质量评价指标,所述培育苗质量评价指标包括壮苗指数、生理营养、根系活力;
根据所述培育苗质量评价指标对所述基础生长数据进行评价,获得培育苗生长质量系数;
调用标定光照优选模型,所述标定光照优选模型为三维模型,包括光质配比优选模型、光照强度优选模型、光照时间优选模型;
将所述培育苗生长质量系数输入所述标定光照优选模型中进行分析,获得模型输出结果,所述模型输出结果包括光质配比优选参数、光照强度优选参数、光照时间优选参数;
根据所述光质配比优选参数、光照强度优选参数、光照时间优选参数,确定光补优选参数方案;
基于所述光补优选参数方案,通过LED对所述培育苗进行人工补光调控;
所述调用标定光照优选模型,包括:
根据所述培育苗的生长类型信息和生长阶段信息,获得培育苗分类特征信息;
根据所述培育苗分类特征信息,确定培育苗标定系数;
构建光照优选模型库,所述光照优选模型库包括各标定系数类别的光照优选模型;
基于所述培育苗标定系数,从所述光照优选模型库中调用所述标定光照优选模型;
构建所述标定光照优选模型的方法包括:
获得历史培育苗生长质量信息,将所述历史培育苗生长质量信息作为模型样本信息进行标识;
对标识后的所述模型样本信息按照预定比例进行划分,获得训练集、验证集和测试集;
以BP反向传播模型为模型基础,基于所述训练集对BP反向传播模型进行网络模型监督训练,获得基础光照优选模型;
基于所述验证集和所述测试集对所述基础光照优选模型进行验证和测试,直到模型分析准确率达到预设准确率,获得所述标定光照优选模型;
获得所述光质配比优选模型的方法包括:
根据所述历史培育苗生长质量信息,确定目标生长需求;
对所述目标生长需求进行分析,获得光质需求信息;
构建培育苗光配方信息库,将所述光质需求信息中的各需求信息和所述培育苗光配方信息库进行匹配,获得光质配比优选信息;
基于所述光质配比优选信息进行数据训练,获得所述光质配比优选模型;
所述构建培育苗光配方信息库,包括:
根据所述光质需求信息进行光质组分筛选,获得光质组分信息;
基于植物光谱响应机制对所述光质组分信息进行多光质因子设计,获得多光质混调优选方案集合;
基于所述多光质混调优选方案集合,获得所述培育苗光配方信息库。
2.如权利要求1所述的方法,其特征在于,所述采集获取自然光下培育苗的基础生长数据,包括:
获得所述培育苗的生长类型信息和生长阶段信息;
通过传感器组采集获得所述培育苗的营养情况信息、根系发育情况信息、自然光照信息;
通过图像采集装置获得所述培育苗的生长图像信息,并对所述生长图像信息进行解析,获得培育苗生长特征信息;
基于所述生长类型信息和生长阶段信息、所述营养情况信息、根系发育情况信息、自然光照信息和所述培育苗生长特征信息,获得所述基础生长数据。
3.如权利要求2所述的方法,其特征在于,所述对所述生长图像信息进行解析,获得培育苗生长特征信息,包括:
对所述生长图像信息进行特征点提取,获得生长形态特征信息;
根据所述生长类型信息和生长阶段信息,获得预定培育苗色泽度;
将所述预定培育苗色泽度作为预设卷积特征,将所述生长图像信息输入卷积神经网络中进行特征提取,获得符合所述预设卷积特征的生长色泽特征信息;
基于所述生长形态特征信息和所述生长色泽特征信息,确定所述培育苗生长特征信息。
4.一种用于健苗培育的精细化光调控系统,其特征在于,所述系统用于执行权利要求1至3任一项所述的方法,所述系统包括:
生长数据采集单元,所述生长数据采集单元用于采集获取自然光下培育苗的基础生长数据;
评价指标获得单元,所述评价指标获得单元用于获得培育苗质量评价指标,所述培育苗质量评价指标包括壮苗指数、生理营养、根系活力;
质量系数获得单元,所述质量系数获得单元用于根据所述培育苗质量评价指标对所述基础生长数据进行评价,获得培育苗生长质量系数;
优选模型调用单元,所述优选模型调用单元用于调用标定光照优选模型,所述标定光照优选模型为三维模型,包括光质配比优选模型、光照强度优选模型、光照时间优选模型;
模型分析单元,所述模型分析单元用于将所述培育苗生长质量系数输入所述标定光照优选模型中进行分析,获得模型输出结果,所述模型输出结果包括光质配比优选参数、光照强度优选参数、光照时间优选参数;
参数方案确定单元,所述参数方案确定单元用于根据所述光质配比优选参数、光照强度优选参数、光照时间优选参数,确定光补优选参数方案;
补光调控单元,所述补光调控单元用于基于所述光补优选参数方案,通过LED对所述培育苗进行人工补光调控。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211079346.6A CN115443826B (zh) | 2022-09-05 | 2022-09-05 | 一种用于健苗培育的精细化光调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211079346.6A CN115443826B (zh) | 2022-09-05 | 2022-09-05 | 一种用于健苗培育的精细化光调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115443826A CN115443826A (zh) | 2022-12-09 |
CN115443826B true CN115443826B (zh) | 2023-11-07 |
Family
ID=84303626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211079346.6A Active CN115443826B (zh) | 2022-09-05 | 2022-09-05 | 一种用于健苗培育的精细化光调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115443826B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2013119900A (ru) * | 2013-04-29 | 2014-11-10 | Государственное научное учреждение Агрофизический научно-исследовательский институт Российской академии сельскохозяйственных наук (ГНУ АФИ Россельхозакадемии) | Способ автоматизированного управления состоянием посевов |
CN107223454A (zh) * | 2017-06-08 | 2017-10-03 | 中国农业大学 | 一种基于卷积神经网络的金针菇不同生长期智能补光的装置与方法 |
CN107341734A (zh) * | 2017-06-06 | 2017-11-10 | 浙江大学 | 一种基于生理参数的设施作物苗期生长预测模型的建立方法 |
CN108614601A (zh) * | 2018-04-08 | 2018-10-02 | 西北农林科技大学 | 一种融合随机森林算法的设施光环境调控方法 |
CN111476149A (zh) * | 2020-04-03 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 一种植物培育控制方法和系统 |
CN111881851A (zh) * | 2020-07-30 | 2020-11-03 | 湖南省建筑科学研究院有限责任公司 | 一种基于uav和卷积神经网络的园林苗木智能检测与计数方法 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN112930926A (zh) * | 2021-01-28 | 2021-06-11 | 电凯(常州)新能源技术研究院有限公司 | 一种基于深度学习的植物生产参数调优方法 |
CN213876444U (zh) * | 2020-11-12 | 2021-08-03 | 石家庄市农林科学研究院 | 一种基于番茄生长评价体系的设施智能温差调控系统 |
CN114027052A (zh) * | 2021-10-20 | 2022-02-11 | 华南农业大学 | 一种植物生殖发育的光照调控系统 |
CN114946447A (zh) * | 2022-05-25 | 2022-08-30 | 宁波云笈科技有限公司 | 一种基于人工智能的植物生长参数决策方法和系统 |
-
2022
- 2022-09-05 CN CN202211079346.6A patent/CN115443826B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2013119900A (ru) * | 2013-04-29 | 2014-11-10 | Государственное научное учреждение Агрофизический научно-исследовательский институт Российской академии сельскохозяйственных наук (ГНУ АФИ Россельхозакадемии) | Способ автоматизированного управления состоянием посевов |
CN107341734A (zh) * | 2017-06-06 | 2017-11-10 | 浙江大学 | 一种基于生理参数的设施作物苗期生长预测模型的建立方法 |
CN107223454A (zh) * | 2017-06-08 | 2017-10-03 | 中国农业大学 | 一种基于卷积神经网络的金针菇不同生长期智能补光的装置与方法 |
CN108614601A (zh) * | 2018-04-08 | 2018-10-02 | 西北农林科技大学 | 一种融合随机森林算法的设施光环境调控方法 |
CN111476149A (zh) * | 2020-04-03 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 一种植物培育控制方法和系统 |
CN111881851A (zh) * | 2020-07-30 | 2020-11-03 | 湖南省建筑科学研究院有限责任公司 | 一种基于uav和卷积神经网络的园林苗木智能检测与计数方法 |
CN213876444U (zh) * | 2020-11-12 | 2021-08-03 | 石家庄市农林科学研究院 | 一种基于番茄生长评价体系的设施智能温差调控系统 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN112930926A (zh) * | 2021-01-28 | 2021-06-11 | 电凯(常州)新能源技术研究院有限公司 | 一种基于深度学习的植物生产参数调优方法 |
CN114027052A (zh) * | 2021-10-20 | 2022-02-11 | 华南农业大学 | 一种植物生殖发育的光照调控系统 |
CN114946447A (zh) * | 2022-05-25 | 2022-08-30 | 宁波云笈科技有限公司 | 一种基于人工智能的植物生长参数决策方法和系统 |
Non-Patent Citations (1)
Title |
---|
史小燕 ; 申宝营 ; 陈烨强 ; .育苗温室幼苗生长调节光照调控系统的设计.安徽农业科学.2019,(第11期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN115443826A (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Garnier et al. | Plant functional diversity: organism traits, community structure, and ecosystem properties | |
CN107329511B (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 | |
CN107341734A (zh) | 一种基于生理参数的设施作物苗期生长预测模型的建立方法 | |
CN108346142A (zh) | 一种基于植物光照图像的植物生长状态识别方法 | |
Douda et al. | Plant species coexistence at local scale in temperate swamp forest: test of habitat heterogeneity hypothesis | |
CN108710766B (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
Verdenal et al. | A study of ryegrass architecture as a self-regulated system, using functional–structural plant modelling | |
CN109757175A (zh) | 一种基于无人机监测的玉米水肥一体化变量施肥方法 | |
CN106718363A (zh) | 一种面向精细农业的灌溉试验方法及其试验平台 | |
US11895939B2 (en) | Cohort phenotyping system for plant factory with artificial lighting | |
CN112595367A (zh) | 一种基于智能机器人的水稻根系性状无损测量装置 | |
CN113283352A (zh) | 一种基于显微图像的类器官活力评价方法及系统 | |
Wang et al. | Digital image processing technology under backpropagation neural network and K-Means Clustering algorithm on nitrogen utilization rate of Chinese cabbages | |
CN114596509A (zh) | 一种基于机器视觉的水稻秧苗叶龄期识别方法 | |
Du et al. | Classification of plug seedling quality by improved convolutional neural network with an attention mechanism | |
CN115443826B (zh) | 一种用于健苗培育的精细化光调控方法及系统 | |
CN109006652A (zh) | 一种基于物联网的罗非鱼制种育苗系统及方法 | |
CN110064601B (zh) | 一种蔬菜嫁接用苗检测分级系统和分级方法 | |
CN116954291A (zh) | 一种环控设备快速调节集成方法 | |
Tobias et al. | Hybrid tree-fuzzy logic for aquaponic lettuce growth stage classification based on canopy texture descriptors | |
CN116703637A (zh) | 一种北方旱区小麦种植的数字化控制系统及其使用方法 | |
CN115039549B (zh) | 一种农作物种植施肥信息处理方法及系统 | |
CN110352832A (zh) | 基于Spark的MLR模型红富士苹果树精准灌溉方法 | |
CN109272416A (zh) | 一种大棚农作物种植系统 | |
KR102201595B1 (ko) | 딸기의 이미지 분석을 통한 생육 진단 방법 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230719 Address after: No.568, Yangzijiang North Road, Yangzhou, Jiangsu 225000 Applicant after: JIANGSU LIXIAHE REGION AGRICULTURAL Research Institute Applicant after: Yangzhou Nongke Agricultural Development Co.,Ltd. Address before: No.568, Yangzijiang North Road, Yangzhou, Jiangsu 225000 Applicant before: JIANGSU LIXIAHE REGION AGRICULTURAL Research Institute |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |