CN115529987A - 作物设施的风口调控方法、装置、设备及存储介质 - Google Patents
作物设施的风口调控方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115529987A CN115529987A CN202211519182.4A CN202211519182A CN115529987A CN 115529987 A CN115529987 A CN 115529987A CN 202211519182 A CN202211519182 A CN 202211519182A CN 115529987 A CN115529987 A CN 115529987A
- Authority
- CN
- China
- Prior art keywords
- temperature
- humidity
- facility
- crop
- prediction
- 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
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
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
- A01G9/246—Air-conditioning systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Environmental Sciences (AREA)
- Greenhouses (AREA)
Abstract
本发明提供一种作物设施的风口调控方法、装置、设备及存储介质，涉及农业风口控制技术领域，包括：获取设施环境数据、目标作物的作物有效积温和作物图像数据；将设施环境数据分别输入至不同风口开度的温度预测模型和湿度预测模型，得到不同风口开度对应的温度预测结果和湿度预测结果；将作物有效积温和作物图像数据输入至生育期预测模型，得到生育期预测结果；基于生育期预测结果、各温度预测结果和各湿度预测结果，调控作物设施的风口开度。本发明通过结合生育期预测结果和未来时间内不同风口开度的温度和湿度，提前自动对设施风口大小进行精确调控，有利于提高作物产量和经济效益。
Description
技术领域
本发明涉及农业风口控制技术领域，尤其涉及一种作物设施的风口调控方法、装置、设备及存储介质。
背景技术
设施栽培是通过在局部范围内改善或者创造适合作物生长的环境因素，从而为作物的生长发育提供良好的环境条件，获得优质的农产品。
目前，作物设施的风口调控设备的调控主要是根据空气温湿度和二氧化碳浓度等传感器采集到的环境数据，或者依靠传统的人工经验来进行调控。但是，传感器采集到的环境数据只能对当前的环境状况进行监测，无法提前对设施中风口调控设备的运行状态进行调节，当设施内部的环境数据出现异常时，可能会给作物造成不可逆的伤害，进而影响温室生产的作物产量。此外，不同作物的不同生育期阶段所需的最适环境也有较大差异，依靠人工经验进行调控可能存在误差，进而导致温室设施生产的作物产量和经济效益偏低。
发明内容
本发明提供一种作物设施的风口调控方法、装置、设备及存储介质，旨在解决根据传感器当前采集的环境数据，无法提前对设施中风口调控设备的风口开度进行调节，以及依靠传统的人工经验来进行设施风口调控存在误差，可能导致设施生产的作物产量和经济效益偏低的问题。
本发明提供一种作物设施的风口调控方法，包括：
获取设施环境数据、目标作物的作物图像数据和作物有效积温；
将所述设施环境数据分别输入至不同风口开度对应的温度预测模型和不同风口开度对应的湿度预测模型，得到各所述温度预测模型分别输出的温度预测结果以及各所述湿度预测模型分别输出的湿度预测结果；
将所述作物有效积温和所述作物图像数据输入至生育期预测模型，得到所述生育期预测模型输出的生育期预测结果；
基于所述生育期预测结果、各所述温度预测结果以及各所述湿度预测结果，调控所述作物设施的风口开度；
其中，任意一个风口开度对应的温度预测模型是基于由所述风口开度的多维历史环境数据集提取到的温度训练样本以及所述温度训练样本对应的样本温度标签训练得到；
任意一个风口开度对应的湿度预测模型是基于由所述风口开度的多维历史环境数据集提取到的湿度训练样本以及所述湿度训练样本对应的样本湿度标签训练得到；
所述生育期预测模型是基于所述目标作物在不同生育期的有效积温、作物图像样本以及所述作物图像样本对应的生育期样本标签进行训练得到。
根据本发明提供的一种作物设施的风口调控方法，所述基于所述生育期预测结果、不同风口开度对应的温度预测结果以及不同风口开度对应的湿度预测结果，调控所述作物设施的风口开度，包括：
在预设生育期适宜温湿度数据库中查询得到所述生育期预测结果对应的目标适宜温度以及目标适宜湿度；
将所述目标适宜温度和各所述温度预测结果进行温度匹配，得到目标匹配温度；
将所述目标适宜湿度以及各所述湿度预测结果进行湿度匹配，得到目标匹配湿度；
基于所述目标匹配温度和所述目标匹配湿度，确定目标风口开度，以将所述作物设施的风口开度调控至所述目标风口开度。
根据本发明提供的一种作物设施的风口调控方法，所述任意一个风口开度对应的温度预测模型是基于如下步骤训练得到：
获取所述风口开度对应的多维历史环境数据集；
在所述多维历史环境数据集中提取得到若干个设施环境特征数据以及各所述设施环境特征数据对应的未来设施内空气温度；
对于任意一个设施环境特征数据，将所述设施环境特征数据作为温度训练样本，并将所述未来设施内空气温度作为所述温度训练样本的样本温度标签；
基于各所述温度训练样本以及各所述温度训练样本对应的样本温度标签，对初始温度模型进行迭代训练，得到所述风口开度对应的温度预测模型。
根据本发明提供的一种作物设施的风口调控方法，所述基于各所述温度训练样本以及各所述温度训练样本对应的样本温度标签，对初始温度模型进行迭代训练，得到所述风口开度对应的温度预测模型，包括：
对于任意一个温度训练样本，将所述温度训练样本输入至所述初始温度模型，得到所述初始温度模型输出的预测值；
基于所述预测值和所述温度训练样本对应的样本温度标签，计算得到模型损失值；
基于每一次迭代得到的模型损失值，对所述初始温度模型的参数进行更新，得到所述温度预测模型。
根据本发明提供的一种作物设施的风口调控方法，所述任意一个风口开度对应的湿度预测模型是基于如下步骤训练得到：
在所述多维历史环境数据集中提取得到各所述设施环境特征数据对应的未来设施内空气湿度；
对于任意一个设施环境特征数据，将所述设施环境特征数据作为湿度训练样本，并将所述未来设施内空气湿度作为所述湿度训练样本的样本湿度标签；
基于各所述湿度训练样本以及各所述湿度训练样本对应的样本湿度标签，对初始湿度模型进行迭代训练，得到所述风口开度下的湿度预测模型。
根据本发明提供的一种作物设施的风口调控方法，所述生育期预测模型是基于如下步骤训练得到：
获取所述目标作物在不同生育期对应的作物图像样本；
基于所述多维历史环境数据集，计算得到所述目标作物在不同生育期对应的有效积温；
基于所述不同生育期对应的有效积温、所述作物图像样本以及所述作物图像样本对应的生育期样本标签，对待训练生育期预测模型进行迭代训练，得到所述生育期预测模型。
根据本发明提供的一种作物设施的风口调控方法，所述多维历史环境数据集中的设施环境特征数据包括设施内空气温度；
所述基于所述多维历史环境数据集，计算得到所述目标作物在不同生育期对应的有效积温，包括：
基于各所述设施内空气温度，计算得到各个日平均温度；
基于各所述日平均温度以及所述目标作物的预设温度下限值，分别计算得到所述目标作物在不同生育期对应的有效积温。
本发明还提供一种作物设施的风口调控装置，包括：
获取模块，用于获取设施环境数据、目标作物的作物图像数据和作物有效积温；
第一预测模块，用于将所述设施环境数据分别输入至不同风口开度对应的温度预测模型和不同风口开度对应的湿度预测模型，得到各所述温度预测模型分别输出的温度预测结果以及各所述湿度预测模型分别输出的湿度预测结果；
第二预测模块，用于将所述作物有效积温和所述作物图像数据输入至生育期预测模型，得到所述生育期预测模型输出的生育期预测结果；
风口开度调控模块，用于基于所述生育期预测结果、各所述温度预测结果以及各所述湿度预测结果，调控所述作物设施的风口开度；
其中，任意一个风口开度对应的温度预测模型是基于由所述风口开度的多维历史环境数据集提取到的温度训练样本以及所述温度训练样本对应的样本温度标签训练得到；
任意一个风口开度对应的湿度预测模型是基于由所述风口开度的多维历史环境数据集提取到的湿度训练样本以及所述湿度训练样本对应的样本湿度标签训练得到；
所述生育期预测模型是基于所述目标作物在不同生育期的有效积温、作物图像样本以及所述作物图像样本对应的生育期样本标签进行训练得到。
本发明还提供一种电子设备，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作物设施的风口调控方法。
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作物设施的风口调控方法。
本发明提供的作物设施的风口调控方法、装置、设备及存储介质，通过根据检测到的设施环境数据，利用不同风口开度的温度预测模型以及不同风口开度的湿度预测模型准确预测得到不同风口开度对应的温度预测结果以及不同风口开度对应的湿度预测结果，并且结合作物图像数据和作物有效积温，利用生育期预测模型准确预测得到目标作物的生育期预测结果，从而根据所述生育期预测结果、不同风口开度对应的温度预测结果以及湿度预测结果，自动提前对设施风口大小进行精准调控，有利于作物健康生成，提高作物产量和经济效益。
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逐一简单地介绍，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是本发明提供的作物设施的风口调控方法的流程示意图；
图2是本发明实施例提供的系统流程示意图；
图3是本发明提供的作物设施的风口调控装置的结构示意图；
图4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。
在本发明一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明一个或多个实施例。在本发明一个或多个实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本发明一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”。
图1是本发明提供的作物设施的风口调控方法的流程示意图。如图1所示，该作物设施的风口调控方法包括：
步骤11，获取设施环境数据、目标作物的作物图像数据和作物有效积温；
需要说明的是，设施环境数据包括设施内部环境数据和设施外部环境数据，设施外部环境数据包括作物设施外部的空气温度、空气湿度、土壤温度、土壤湿度、光照强度、风速和风向等数据，设施内部环境数据包括作物设施内部的空气温度、空气湿度、土壤温度、土壤湿度和光照强度等数据。所述设施环境数据是通过安装在作物设施内外的各个数据传感器采集得到，优选地，可设置各个数据传感器的采集时间间隔，例如，设置时间间隔是1分钟，从而每隔1分钟自动进行一次数据采集。
进一步地，所述作物图像数据是通过安装在作物设施内部的摄像头采集得到，从而可根据作物图像数据提取得到目标作物的图像特征，例如，目标作物的株宽、株高、植株高宽比、植株占空比、茎秆面积以及叶片面积等特征数据。
更进一步地，所述作物有效积温是根据目标作物开始生长过程中的日平均温度以及所述目标作物的预设温度下限值计算得到，其中，预设温度下限值表示该作物能够生长存活的最低温度值，不同农作物的预设温度下限值不尽相同，该日平均温度可基于当前时间之前的设施内部的空气温度计算得到，例如，若当前调控时间是2022年11月7日9点，则选取目标作物开始生长至2022年11月6日的各个设施内部的空气温度计算得到的日平均温度。
步骤12，将所述设施环境数据分别输入至不同风口开度对应的温度预测模型和不同风口开度对应的湿度预测模型，得到各所述温度预测模型分别输出的温度预测结果以及各所述湿度预测模型分别输出的湿度预测结果；
其中，任意一个风口开度对应的温度预测模型是基于由所述风口开度的多维历史环境数据集提取到的温度训练样本以及所述温度训练样本对应的样本温度标签训练得到；任意一个风口开度对应的湿度预测模型是基于由所述风口开度的多维历史环境数据集提取到的湿度训练样本以及所述湿度训练样本对应的样本湿度标签训练得到；
具体地，将所述设施环境数据分别输入至不同风口开度对应的温度预测模型和不同风口开度对应的湿度预测模型，根据每一个风口开度对应的温度预测模型的输出结果，确定每一个风口开度对应的温度预测结果，以及根据一个风口开度对应的湿度预测模型的输出结果，确定每一个风口开度对应的湿度预测结果。
其中，任意一个风口开度对应的温度预测模型是基于由所述风口开度的多维历史环境数据集提取到的温度训练样本以及所述温度训练样本对应的样本温度标签训练得到；任意一个风口开度对应的湿度预测模型是基于由所述风口开度的多维历史环境数据集提取到的湿度训练样本以及所述湿度训练样本对应的样本湿度标签训练得到，多维历史环境数据集包括作物设施外部的空气温度、空气湿度、土壤温度、土壤湿度、光照强度、风速和风向等历史数据，以及作物设施内部的空气温度、空气湿度、土壤温度、土壤湿度和光照强度等历史数据，需要说明的是，所述不同风口开度可根据可根据实际情况设置，例如，将作物设备对应的风口开度设置为0%、20%、40%、60%、80%、100%，其中，0%表示风口处于关闭状态，100%表示风口处于全开状态。可以理解的是，温度预测模型以及湿度预测模型在通过训练之后能够有效预测温度以及湿度，从而获得不同风口开度对应的温度预测结果以及不同风口开度对应的湿度预测结果。
步骤13，将所述作物有效积温和所述作物图像数据输入至生育期预测模型，得到所述生育期预测模型输出的生育期预测结果；
其中，所述生育期预测模型是基于所述目标作物在不同生育期的有效积温、作物图像样本以及所述作物图像样本对应的生育期样本标签进行训练得到；
需要说明的是，作物生长至成熟阶段中会包括多个生育期，例如，番茄的生育期包括发芽期、苗期、开花坐果期、结果期和采收期。
具体地，将所述作物有效积温和所述作物图像数据输入至生育期预测模型，以根据所述生育期预测模型的输出结果，确定目标作物的生育期预测结果，作为一种可实施方式，所述生育期预测模型是基于所述目标作物在不同生育期的有效积温以及有效积温对应的样本标签进行迭代训练得到，作为另一种可实施方式，为了有效提高生育期预测模型进行预测的精确度，可结合不同生育期的有效积温、摄像头采集的不同生育期的有作物图像样本以及所述作物图像样本对应的生育期样本标签进行训练得到生育期预测模型，从而能够准确预测得到目标作物的生育期预测结果。
需要说明的是，步骤12和步骤13的执行顺序不做限制，优选地，为了提高预测调控的效率，步骤12和步骤13可同时执行，也即，同时利用温度预测模型、湿度预测模型和生育期预测模型进行预测。
步骤14，基于所述生育期预测结果、各所述温度预测结果以及各所述湿度预测结果，调控所述作物设施的风口开度。
需要说明的是，作物的每一个生育期均有其对应的适宜生长温度和适宜生长湿度。具体地，作为一种可实施方式，可基于作物的不同生育期所对应的适宜生长温度和适宜生长湿度，建立一个生育期适宜温湿度数据库，从而在生育期适宜温湿度数据库中查找得到生育期预测结果对应的目标适宜温度和目标适宜湿度，从而将所述目标适宜温度和每一个风口开度对应的温度预测结果进行温度匹配，以及将所述目标适宜湿度以及每一个风口开度对应的湿度预测结果进行湿度匹配，从而基于目标匹配温度和目标匹配湿度，在不同风口开度中确定目标风口开度。进而生成所述目标风口开度对应的调控指令，并将所述调控指令下发至所述作物设施的风口调控设备中，从而基于所述调控指令，通过所述风口调控设备自动将所述作物设施的风口开度调节至所述目标风口开度，降低人工管理的成本。
图2是本发明实施例提供的系统流程示意图，如图2所示，将获取到的设施环境数据分别输入至不同风口开度对应的温度预测模型以及不同风口开度对应的湿度预测模型中，得到不同风口开度对应的温度预测结果以及不同风口开度对应的湿度预测结果，另外地，将目标作物的作物图像数据和作物有效积温输入至生育期预测模型中，得到生育期预测模型输出的生育期预测结果，进而在预设生育期适宜温湿度数据库查询生育期预测结果对应的目标适宜温度和目标适宜湿度，进而将目标适宜温度和不同风口开度对应的温度预测结果进行对比匹配，将目标适宜湿度和不同风口开度对应的湿度预测结果进行对比匹配，从而根据温度的对比匹配结果以及湿度的对比匹配结果确定目标风口开度，进而根据目标风口开度自动调控作物设置的风口开度。
本发明实施例通过根据设施环境数据，利用不同风口开度的温度预测模型以及不同风口开度的湿度预测模型预测得到不同风口开度对应的温度预测结果以及不同风口开度对应的湿度预测结果，并且结合作物图像数据和作物有效积温，利用生育期预测模型准确预测得到目标作物的生育期预测结果，从而根据所述生育期预测结果、不同风口开度对应的温度预测结果以及湿度预测结果，确定目标风口开度，能够根据目标风口开度，自动提前对设施风口大小进行精准调控，降低人工管理的成本，有利于作物健康生成，提高作物产量和经济效益。
在本发明的一个实施例中，上述步骤S14：基于所述生育期预测结果、不同风口开度对应的温度预测结果以及不同风口开度对应的湿度预测结果，调控所述作物设施的风口开度，包括：
在预设生育期适宜温湿度数据库中查询得到所述生育期预测结果对应的目标适宜温度以及目标适宜湿度；将所述目标适宜温度和各所述温度预测结果进行温度匹配，得到目标匹配温度；将所述目标适宜湿度以及各所述湿度预测结果进行湿度匹配，得到目标匹配湿度；基于所述目标匹配温度和所述目标匹配湿度，确定目标风口开度，以将所述作物设施的风口开度调控至所述目标风口开度。
需要说明的是，预设生育期适宜温湿度数据库中存储有目标作物在不同生育期所对应的适宜温度以及适宜湿度，例如：番茄在苗期（白天）的适宜温度对应的范围是20℃至25℃，适宜湿度对应的范围是45%至55%，苗期（晚上）的适宜温度对应的范围是10℃至15℃，适宜湿度对应的范围是45%至55%。
具体地，在所述预设生育期适宜温湿度数据库中查询得到所述生育期预测结果对应的目标适宜温度以及目标适宜湿度，进而将所述目标适宜温度和每一个风口开度对应的温度预测结果进行温度匹配，得到目标匹配温度，以及将所述目标适宜湿度以及每一个风口开度对应的湿度预测结果进行湿度匹配，得到目标匹配湿度，进而将所述目标匹配温度和所述目标匹配湿度对应的风口开度作为所述目标风口开度。进一步地，生成所述目标风口开度对应的调控指令，并将所述调控指令下发至所述作物设施的风口调控设备中，以基于所述调控指令自动将所述作物设施的风口开度调节至所述目标风口开度。
可以理解地，假设不同风口开度包括0%、40%、80%和100%，当上午9点时预测到的生育期预测结果是幼苗期，其中，幼苗期的目标适宜温度是20℃至25℃，目标适宜湿度是45%至55%，0%的风口开度对应的温度预测结果是10℃，40%的风口开度对应的温度预测结果是15℃，80%的风口开度对应的温度预测结果是20℃，100%的风口开度对应的温度预测结果是30℃。另外地，0%的风口开度对应的湿度预测结果是20%，40%的风口开度对应的湿度预测结果是35%，80%的风口开度对应的湿度预测结果是45%，100%的风口开度对应的湿度预测结果是50%，将所述目标适宜温度和所述不同风口开度对应的温度预测结果进行温度匹配，以及将所述目标适宜湿度以及不同风口开度对应的湿度预测结果进行湿度匹配，可以确定80%的风口开度是目标风口开度。
本发明实施例通过根据生育期预测结果、不同风口开度对应的温度预测结果以及不同风口开度对应的湿度预测结果，结合生育期对应的适宜温度和适宜湿度，来匹配查找得到最优的目标风口开度，从而提前精准调控设施的风口开度，使得作物能够在适宜的环境下健康生长，提高作物产量和经济效益。
在本发明的一个实施例中，所述任意一个风口开度对应的温度预测模型是基于如下步骤训练得到：
获取所述风口开度对应的多维历史环境数据集；在所述多维历史环境数据集中提取得到若干个设施环境特征数据以及各所述设施环境特征数据对应的未来设施内空气温度；对于任意一个设施环境特征数据，将所述设施环境特征数据作为温度训练样本，并将所述未来设施内空气温度作为所述温度训练样本的样本温度标签；基于各所述温度训练样本以及各所述温度训练样本对应的样本温度标签，对初始温度模型进行迭代训练，得到所述风口开度对应的温度预测模型。
需要说明的是，所述温度预测模型可以是CNN神经网络模型或SVR(SupportVector Regression，支持向量回归) 模型等模型。
进一步需要说明的是，每一个设施环境特征数据包括设施外空气温度、设施外空气湿度、设施外光照强度、设施外风向、设施外风速、设施内空气温度、设施内空气湿度、设施内土壤温度、设施内土壤湿度、设施内光照强度。优选地，所述设施环境特征数据可根据如下形式表示：Mk=（设施外空气温度，设施外空气湿度，设施外光照强度，设施外风向，设施外风速，设施内空气温度，设施内空气湿度，设施内土壤温度，设施内土壤湿度，设施内光照强度）。每一个设施环境特征数据均有其对应的未来设施内空气温度。所述未来设施内空气温度表示在设施环境特征数据的采集时间之后一段预设时间采集到的设施内部的空气温度，其中，该预设时间可根据实际情况设置，例如：设施环境特征数据是11月7日9点采集得到的，未来设施内空气温度可以是11月7日9点30分采集到的设施内部的空气温度。
对于任意一个风口开度均执行如下步骤：具体地，首先获取所述风口开度对应的多维历史环境数据集，其中，所述多维历史环境数据集包括若干个采集时间采集到的设施环境特征数据，在所述多维历史环境数据集中提取得到若干个采集时刻采集到的设施环境特征数据以及各所述设施环境特征数据对应的未来设施内空气温度，其中，对于任意一个设施环境特征数据，将所述设施环境特征数据作为温度训练样本，将所述设施环境特征数据对应的未来设施内空气温度作为所述温度训练样本的样本温度标签，进一步地，对于任意一个温度训练样本，将所述温度训练样本输入至所述初始温度模型，得到所述初始温度模型输出的预测值，进而基于所述预测值和所述温度训练样本对应的样本温度标签，利用损失函数计算得到模型损失值，在本实施例中，损失函数可以根据实际需求进行设置，此处不做具体限定。在计算获得模型损失值之后，本次训练过程结束，再利用误差反向传播算法更新初始温度模型中的模型参数，之后再进行下一次训练。在训练的过程中，判断更新后的初始温度模型是否满足预设训练结束条件，若满足，则将更新后的初始温度模型作为温度预测模型，若不满足，则继续训练模型，其中，所述预设训练结束条件包括损失收敛和达到最大迭代次数阈值等。
本发明实施例通过根据作物设施内外的环境数据构建温度预测模型，使得模型能够学习到多维的环境因素特征，进而可利用温度预测模型准确预测出未来一段时间对应的温度预测结果。
在本发明的一个实施例中，所述任意一个风口开度对应的湿度预测模型是基于如下步骤训练得到：
在所述多维历史环境数据集中提取得到各所述设施环境特征数据对应的未来设施内空气湿度；对于任意一个设施环境特征数据，将所述设施环境特征数据作为湿度训练样本，并将所述未来设施内空气湿度作为所述湿度训练样本的样本湿度标签；基于各所述湿度训练样本以及各所述湿度训练样本对应的样本湿度标签，对初始湿度模型进行迭代训练，得到所述风口开度下的湿度预测模型。
需要说明的是，所述湿度预测模型可以是CNN神经网络模型或SVR(SupportVector Regression，支持向量回归) 模型等模型。所述未来设施内空气湿度表示在设施环境特征数据的采集时间之后一段预设时间采集到的设施内部的空气湿度。
对于任意一个风口开度均执行如下步骤：具体地，在所述风口开度对应的多维历史环境数据集中提取得到各所述设施环境特征数据对应的未来设施内空气湿度，进而对于任意一个设施环境特征数据，将所述设施环境特征数据作为湿度训练样本，以及将所述设施环境特征数据对应的未来设施内空气湿度作为所述湿度训练样本的样本湿度标签，可以理解地，在训练过程中输入至湿度预测模型的训练样本和温度预测模型的输入相同，湿度预测模型的样本标签和温度预测模型的不同。作为另一种可实施方式，湿度预测模型在训练过程输入的训练样本和温度预测模型的输入也可不尽相同，例如：将设施环境特征数据中的设施外空气温度、设施外光照强度、设施外风向、设施外风速、设施内空气温度、设施内土壤温度以及设施内光照强度作为温度预测模型的温度训练样本，将设施环境特征数据中的设施外空气湿度、设施外光照强度、设施外风向、设施外风速、设施内空气湿度、设施内土壤湿度以及设施内光照强度作为湿度预测模型的湿度训练样本。
进一步地，在迭代过程中，对于任意一个湿度训练样本，将所述湿度训练样本输入至所述初始湿度模型，得到所述初始湿度模型输出的预测值，进而基于所述初始湿度模型输出的预测值和所述湿度训练样本对应的样本湿度标签，利用损失函数计算得到损失值，从而根据每一次迭代得到的损失值，更新初始湿度模型的模型参数，直至满足预设训练结束条件，得到所述湿度预测模型，需要说明的是，湿度预测模型的训练过程与温度预测模型的训练过程基本相同，在此不再赘述。
本发明实施例通过根据作物设施内外的环境数据构建湿度预测模型，使得模型能够学习到多维的环境因素特征，进而可利用湿度预测模型准确预测出未来一段时间对应的湿度预测结果。
在本发明的一个实施例中，所述生育期预测模型是基于如下步骤训练得到：
获取所述目标作物在不同生育期对应的作物图像样本；基于所述多维历史环境数据集，计算得到所述目标作物在不同生育期对应的有效积温；基于所述不同生育期对应的有效积温、所述作物图像样本以及所述作物图像样本对应的生育期样本标签，对待训练生育期预测模型进行迭代训练，得到所述生育期预测模型。
需要说明的是，所述多维历史环境数据集包括目标作物不同生育期阶段的环境数据。
具体地，获取利用摄像头采集到的不同生育期对应的作物图像样本，另外地，由于数据传感器采集的时间间隔较短，可先根据多维历史环境数据集中的各个设施内空气温度，统计每一天对应的日平均温度，进而分别计算各个日平均温度以及所述目标作物的预设温度下限值之间的差值，从而根据各个差值，分别计算得到所述目标作物在不同生育期对应的有效积温，其中，有效积温计算公式如下：
TDD=Σ（Ti-Tb）
其中，TDD表示有效积温，Ti表示第i天对应的日平均温度，Tb表示预设温度下限值。例如：当番茄从生长至苗期阶段是 7天，则计算7天中每一天的日平均温度与所述预设温度下限值之间的差值，进而将差值进行相加，从而将相加得到的结果作为苗期对应的有效积温。
进一步地，针对任一所述生育期对应的有效积温以及作物图像样本：将所述生育期对应的有效积温以及作物图像样本输入至待训练生育期预测模型，得到所述待训练生育期预测模型输出的生育期预测值，其中，所述待训练生育期预测模型可以是CNN或DNN等神经网络模型，进而基于所述生育期预测值和所述作物图像样本的生育期样本标签，计算得到损失值，从而根据每一次迭代得到的损失值，更新待训练生育期预测模型的模型参数，直至满足预设训练结束条件，得到所述生育期预测模型。
本发明实施例通过结合有效积温以及作物图像样本相训练生育期预测模型，使得模型能够有效学习到不同生育期对应的有效积温以及学习到图像中目标作物的株宽、株高、植株高宽比、植株占空比、茎秆面积以及叶片面积等特征数据，有效提高模型进行生育期预测的准确性。
下面对本发明提供的作物设施的风口调控装置进行描述，下文描述的作物设施的风口调控装置与上文描述的作物设施的风口调控方法可相互对应参照。
图3是本发明提供的作物设施的风口调控装置的结构示意图，如图3所示，本发明实施例的一种作物设施的风口调控装置，该装置包括：
获取模块31，用于获取设施环境数据、目标作物的作物图像数据和作物有效积温；
第一预测模块32，用于将所述设施环境数据分别输入至不同风口开度对应的温度预测模型和不同风口开度对应的湿度预测模型，得到各所述温度预测模型分别输出的温度预测结果以及各所述湿度预测模型分别输出的湿度预测结果；
第二预测模块33，用于将所述作物有效积温和所述作物图像数据输入至生育期预测模型，得到所述生育期预测模型输出的生育期预测结果；
风口开度调控模块34，用于基于所述生育期预测结果、各所述温度预测结果以及各所述湿度预测结果，调控所述作物设施的风口开度；
其中，任意一个风口开度对应的温度预测模型是基于由所述风口开度的多维历史环境数据集提取到的温度训练样本以及所述温度训练样本对应的样本温度标签训练得到；
任意一个风口开度对应的湿度预测模型是基于由所述风口开度的多维历史环境数据集提取到的湿度训练样本以及所述湿度训练样本对应的样本湿度标签训练得到；
所述生育期预测模型是基于所述目标作物在不同生育期的有效积温、作物图像样本以及所述作物图像样本对应的生育期样本标签进行训练得到。
所述风口开度调控模块34还用于：
在预设生育期适宜温湿度数据库中查询得到所述生育期预测结果对应的目标适宜温度以及目标适宜湿度；
将所述目标适宜温度和各所述温度预测结果进行温度匹配，得到目标匹配温度；
将所述目标适宜湿度以及各所述湿度预测结果进行湿度匹配，得到目标匹配湿度；
基于所述目标匹配温度和所述目标匹配湿度，确定目标风口开度，以将所述作物设施的风口开度调控至所述目标风口开度。
所述作物设施的风口调控装置还包括：
获取所述风口开度对应的多维历史环境数据集；
在所述多维历史环境数据集中提取得到若干个设施环境特征数据以及各所述设施环境特征数据对应的未来设施内空气温度；
对于任意一个设施环境特征数据，将所述设施环境特征数据作为温度训练样本，并将所述未来设施内空气温度作为所述温度训练样本的样本温度标签；
基于各所述温度训练样本以及各所述温度训练样本对应的样本温度标签，对初始温度模型进行迭代训练，得到所述风口开度对应的温度预测模型。
所述作物设施的风口调控装置还包括：
对于任意一个温度训练样本，将所述温度训练样本输入至所述初始温度模型，得到所述初始温度模型输出的预测值；
基于所述预测值和所述温度训练样本对应的样本温度标签，计算得到模型损失值；
基于每一次迭代得到的模型损失值，对所述初始温度模型的参数进行更新，得到所述温度预测模型。
所述作物设施的风口调控装置还包括：
在所述多维历史环境数据集中提取得到各所述设施环境特征数据对应的未来设施内空气湿度；
对于任意一个设施环境特征数据，将所述设施环境特征数据作为湿度训练样本，并将所述未来设施内空气湿度作为所述湿度训练样本的样本湿度标签；
基于各所述湿度训练样本以及各所述湿度训练样本对应的样本湿度标签，对初始湿度模型进行迭代训练，得到所述风口开度下的湿度预测模型。
所述作物设施的风口调控装置还包括：
获取所述目标作物在不同生育期对应的作物图像样本；
基于所述多维历史环境数据集，计算得到所述目标作物在不同生育期对应的有效积温；
基于所述不同生育期对应的有效积温、所述作物图像样本以及所述作物图像样本对应的生育期样本标签，对待训练生育期预测模型进行迭代训练，得到所述生育期预测模型。
所述作物设施的风口调控装置还包括：
所述多维历史环境数据集中的设施环境特征数据包括设施内空气温度。
所述作物设施的风口调控装置还包括：
基于各所述设施内空气温度，计算得到各个日平均温度；
基于各所述日平均温度以及所述目标作物的预设温度下限值，分别计算得到所述目标作物在不同生育期对应的有效积温。
在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同技术效果，在此不再对本实施例中与方法实施例相同部分及有益效果进行具体赘述。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、存储器(memory)420、通信接口(Communications Interface)430和通信总线440，其中，处理器410，存储器420，通信接口430通过通信总线440完成相互间的通信。处理器410可以调用存储器420中的逻辑指令，以执行作物设施的风口调控方法，该方法包括：获取设施环境数据、目标作物的作物图像数据和作物有效积温；将所述设施环境数据分别输入至不同风口开度对应的温度预测模型和不同风口开度对应的湿度预测模型，得到各所述温度预测模型分别输出的温度预测结果以及各所述湿度预测模型分别输出的湿度预测结果；将所述作物有效积温和所述作物图像数据输入至生育期预测模型，得到所述生育期预测模型输出的生育期预测结果；基于所述生育期预测结果、各所述温度预测结果以及各所述湿度预测结果，调控所述作物设施的风口开度；其中，任意一个风口开度对应的温度预测模型是基于由所述风口开度的多维历史环境数据集提取到的温度训练样本以及所述温度训练样本对应的样本温度标签训练得到；任意一个风口开度对应的湿度预测模型是基于由所述风口开度的多维历史环境数据集提取到的湿度训练样本以及所述湿度训练样本对应的样本湿度标签训练得到；所述生育期预测模型是基于所述目标作物在不同生育期的有效积温、作物图像样本以及所述作物图像样本对应的生育期样本标签进行训练得到。
此外，上述的存储器420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。
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方法提供的作物设施的风口调控方法，该方法包括：获取设施环境数据、目标作物的作物图像数据和作物有效积温；将所述设施环境数据分别输入至不同风口开度对应的温度预测模型和不同风口开度对应的湿度预测模型，得到各所述温度预测模型分别输出的温度预测结果以及各所述湿度预测模型分别输出的湿度预测结果；将所述作物有效积温和所述作物图像数据输入至生育期预测模型，得到所述生育期预测模型输出的生育期预测结果；基于所述生育期预测结果、各所述温度预测结果以及各所述湿度预测结果，调控所述作物设施的风口开度；其中，任意一个风口开度对应的温度预测模型是基于由所述风口开度的多维历史环境数据集提取到的温度训练样本以及所述温度训练样本对应的样本温度标签训练得到；任意一个风口开度对应的湿度预测模型是基于由所述风口开度的多维历史环境数据集提取到的湿度训练样本以及所述湿度训练样本对应的样本湿度标签训练得到；所述生育期预测模型是基于所述目标作物在不同生育期的有效积温、作物图像样本以及所述作物图像样本对应的生育期样本标签进行训练得到。
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)
1.一种作物设施的风口调控方法，其特征在于，包括：
获取设施环境数据、目标作物的作物图像数据和作物有效积温；
将所述设施环境数据分别输入至不同风口开度对应的温度预测模型和不同风口开度对应的湿度预测模型，得到各所述温度预测模型分别输出的温度预测结果以及各所述湿度预测模型分别输出的湿度预测结果；
将所述作物有效积温和所述作物图像数据输入至生育期预测模型，得到所述生育期预测模型输出的生育期预测结果；
基于所述生育期预测结果、各所述温度预测结果以及各所述湿度预测结果，调控所述作物设施的风口开度；
其中，任意一个风口开度对应的温度预测模型是基于由所述风口开度的多维历史环境数据集提取到的温度训练样本以及所述温度训练样本对应的样本温度标签训练得到；
任意一个风口开度对应的湿度预测模型是基于由所述风口开度的多维历史环境数据集提取到的湿度训练样本以及所述湿度训练样本对应的样本湿度标签训练得到；
所述生育期预测模型是基于所述目标作物在不同生育期的有效积温、作物图像样本以及所述作物图像样本对应的生育期样本标签进行训练得到。
2.根据权利要求1所述的作物设施的风口调控方法，其特征在于，所述基于所述生育期预测结果、各所述温度预测结果以及各所述湿度预测结果，调控所述作物设施的风口开度，包括：
在预设生育期适宜温湿度数据库中查询得到所述生育期预测结果对应的目标适宜温度以及目标适宜湿度；
将所述目标适宜温度和各所述温度预测结果进行温度匹配，得到目标匹配温度；
将所述目标适宜湿度以及各所述湿度预测结果进行湿度匹配，得到目标匹配湿度；
基于所述目标匹配温度和所述目标匹配湿度，确定目标风口开度，以将所述作物设施的风口开度调控至所述目标风口开度。
3.根据权利要求1所述的作物设施的风口调控方法，其特征在于，所述任意一个风口开度对应的温度预测模型是基于如下步骤训练得到：
获取所述风口开度对应的多维历史环境数据集；
在所述多维历史环境数据集中提取得到若干个设施环境特征数据以及各所述设施环境特征数据对应的未来设施内空气温度；
对于任意一个设施环境特征数据，将所述设施环境特征数据作为温度训练样本，并将所述未来设施内空气温度作为所述温度训练样本的样本温度标签；
基于各所述温度训练样本以及各所述温度训练样本对应的样本温度标签，对初始温度模型进行迭代训练，得到所述风口开度对应的温度预测模型。
4.根据权利要求3所述的作物设施的风口调控方法，其特征在于，所述基于各所述温度训练样本以及各所述温度训练样本对应的样本温度标签，对初始温度模型进行迭代训练，得到所述风口开度对应的温度预测模型，包括：
对于任意一个温度训练样本，将所述温度训练样本输入至所述初始温度模型，得到所述初始温度模型输出的预测值；
基于所述预测值和所述温度训练样本对应的样本温度标签，计算得到模型损失值；
基于每一次迭代得到的模型损失值，对所述初始温度模型的参数进行更新，得到所述温度预测模型。
5.根据权利要求3所述的作物设施的风口调控方法，其特征在于，所述任意一个风口开度对应的湿度预测模型是基于如下步骤训练得到：
在所述多维历史环境数据集中提取得到各所述设施环境特征数据对应的未来设施内空气湿度；
对于任意一个设施环境特征数据，将所述设施环境特征数据作为湿度训练样本，并将所述未来设施内空气湿度作为所述湿度训练样本的样本湿度标签；
基于各所述湿度训练样本以及各所述湿度训练样本对应的样本湿度标签，对初始湿度模型进行迭代训练，得到所述风口开度下的湿度预测模型。
6.根据权利要求3所述的作物设施的风口调控方法，其特征在于，所述生育期预测模型是基于如下步骤训练得到：
获取所述目标作物在不同生育期对应的作物图像样本；
基于所述多维历史环境数据集，计算得到所述目标作物在不同生育期对应的有效积温；
基于所述不同生育期对应的有效积温、所述作物图像样本以及所述作物图像样本对应的生育期样本标签，对待训练生育期预测模型进行迭代训练，得到所述生育期预测模型。
7.根据权利要求6所述的作物设施的风口调控方法，其特征在于，所述多维历史环境数据集中的设施环境特征数据包括设施内空气温度；
所述基于所述多维历史环境数据集，计算得到所述目标作物在不同生育期对应的有效积温，包括：
基于各所述设施内空气温度，计算得到各个日平均温度；
基于各所述日平均温度以及所述目标作物的预设温度下限值，分别计算得到所述目标作物在不同生育期对应的有效积温。
8.一种作物设施的风口调控装置，其特征在于，包括：
获取模块，用于获取设施环境数据、目标作物的作物图像数据和作物有效积温；
第一预测模块，用于将所述设施环境数据分别输入至不同风口开度对应的温度预测模型和不同风口开度对应的湿度预测模型，得到各所述温度预测模型分别输出的温度预测结果以及各所述湿度预测模型分别输出的湿度预测结果；
第二预测模块，用于将所述作物有效积温和所述作物图像数据输入至生育期预测模型，得到所述生育期预测模型输出的生育期预测结果；
风口开度调控模块，用于基于所述生育期预测结果、各所述温度预测结果以及各所述湿度预测结果，调控所述作物设施的风口开度；
其中，任意一个风口开度对应的温度预测模型是基于由所述风口开度的多维历史环境数据集提取到的温度训练样本以及所述温度训练样本对应的样本温度标签训练得到；
任意一个风口开度对应的湿度预测模型是基于由所述风口开度的多维历史环境数据集提取到的湿度训练样本以及所述湿度训练样本对应的样本湿度标签训练得到；
所述生育期预测模型是基于所述目标作物在不同生育期的有效积温、作物图像样本以及所述作物图像样本对应的生育期样本标签进行训练得到。
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程序时实现如权利要求1至7任一项所述作物设施的风口调控方法。
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任一项所述作物设施的风口调控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211519182.4A CN115529987B (zh) | 2022-11-30 | 2022-11-30 | 作物设施的风口调控方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211519182.4A CN115529987B (zh) | 2022-11-30 | 2022-11-30 | 作物设施的风口调控方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115529987A true CN115529987A (zh) | 2022-12-30 |
| CN115529987B CN115529987B (zh) | 2023-03-24 |
Family
ID=84722308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211519182.4A Active CN115529987B (zh) | 2022-11-30 | 2022-11-30 | 作物设施的风口调控方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115529987B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116636423A (zh) * | 2023-07-26 | 2023-08-25 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
| CN116649160A (zh) * | 2023-08-01 | 2023-08-29 | 南京康之春生物科技有限公司 | 食用菌菌种生产监测系统及监测方法 |
| CN117252344A (zh) * | 2023-11-13 | 2023-12-19 | 中化现代农业有限公司 | 培育设施的适宜度评估方法、装置、电子设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015188333A (ja) * | 2014-03-27 | 2015-11-02 | 株式会社日立製作所 | 植生生長分析システム及び方法 |
| CN106951017A (zh) * | 2017-05-10 | 2017-07-14 | 寿光市众恒唐韵信息科技有限公司 | 作物调控模型驱动的智慧温室系统调控方法 |
| CN107087521A (zh) * | 2017-05-10 | 2017-08-25 | 山东农业大学 | 一种日光温室顶智能通风系统及其控制方法 |
| CN206835770U (zh) * | 2017-05-10 | 2018-01-05 | 山东农业大学 | 一种日光温室顶智能通风系统 |
| CN110262435A (zh) * | 2019-07-16 | 2019-09-20 | 河海大学常州校区 | 基于大数据分析的智慧大棚控制系统及方法 |
| CN114077269A (zh) * | 2020-08-17 | 2022-02-22 | 青岛平行智能产业管理有限公司 | 基于数据驱动模型的温室环境预测与优化控制方法 |
| US20220338421A1 (en) * | 2021-04-27 | 2022-10-27 | Zordi, Inc. | Autonomous greenhouse control system |
-
2022
- 2022-11-30 CN CN202211519182.4A patent/CN115529987B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015188333A (ja) * | 2014-03-27 | 2015-11-02 | 株式会社日立製作所 | 植生生長分析システム及び方法 |
| CN106951017A (zh) * | 2017-05-10 | 2017-07-14 | 寿光市众恒唐韵信息科技有限公司 | 作物调控模型驱动的智慧温室系统调控方法 |
| CN107087521A (zh) * | 2017-05-10 | 2017-08-25 | 山东农业大学 | 一种日光温室顶智能通风系统及其控制方法 |
| CN206835770U (zh) * | 2017-05-10 | 2018-01-05 | 山东农业大学 | 一种日光温室顶智能通风系统 |
| CN110262435A (zh) * | 2019-07-16 | 2019-09-20 | 河海大学常州校区 | 基于大数据分析的智慧大棚控制系统及方法 |
| CN114077269A (zh) * | 2020-08-17 | 2022-02-22 | 青岛平行智能产业管理有限公司 | 基于数据驱动模型的温室环境预测与优化控制方法 |
| US20220338421A1 (en) * | 2021-04-27 | 2022-10-27 | Zordi, Inc. | Autonomous greenhouse control system |
Non-Patent Citations (1)
| Title |
|---|
| 刘涛等: "设施园艺环境调节与控制技术", 《现代园艺》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116636423A (zh) * | 2023-07-26 | 2023-08-25 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
| CN116636423B (zh) * | 2023-07-26 | 2023-09-26 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
| CN116649160A (zh) * | 2023-08-01 | 2023-08-29 | 南京康之春生物科技有限公司 | 食用菌菌种生产监测系统及监测方法 |
| CN116649160B (zh) * | 2023-08-01 | 2023-10-10 | 南京康之春生物科技有限公司 | 食用菌菌种生产监测系统及监测方法 |
| CN117252344A (zh) * | 2023-11-13 | 2023-12-19 | 中化现代农业有限公司 | 培育设施的适宜度评估方法、装置、电子设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115529987B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115529987B (zh) | 作物设施的风口调控方法、装置、设备及存储介质 | |
| CN111263920A (zh) | 用于控制作物的生长环境的系统和方法 | |
| KR20180076766A (ko) | 인공지능 스마트팜 관리 시스템 | |
| CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
| CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN114077269B (zh) | 基于数据驱动模型的温室环境预测与优化控制方法 | |
| CN110119169A (zh) | 一种基于最小向量机的番茄温室温度智能预警系统 | |
| WO2021007363A1 (en) | Irrigation control with deep reinforcement learning and smart scheduling | |
| Kolmanič et al. | An algorithm for automatic dormant tree pruning | |
| CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
| Avigal et al. | Learning seed placements and automation policies for polyculture farming with companion plants | |
| US20230309464A1 (en) | Method and apparatus for automated crop recipe optimization | |
| JPWO2019003441A1 (ja) | 予測装置、予測方法、予測プログラム、及び、遺伝子推定装置 | |
| CN109117996B (zh) | 构建温室冬季温度预测模型的方法 | |
| Tripathy et al. | Smart Farming based on Deep Learning Approaches | |
| KR20200070736A (ko) | 작물수확량 예측방법 및 이를 구현하는 작물수확량 예측장치 | |
| Revathi et al. | Categorize the quality of cotton seeds based on the different germination of the cotton using machine knowledge approach | |
| Magsumbol et al. | Multigene Genetic Programming Model for Temperature Optimization to Improve Lettuce Quality | |
| Gong et al. | Studies of evolutionary algorithms for the reduced Tomgro model calibration for modelling tomato yields | |
| Sangwan et al. | Comparative Study of Optimization Techniques for Tuning of PI Gains for Greenhouse Climate Control | |
| Vasileska et al. | Employment of machine learning techniques for crop yield forecasting based on climate parameters | |
| CN116910490B (zh) | 农业大棚环境调节方法、装置、设备及介质 | |
| Rajendiran et al. | Smart Aeroponic Farming System: Using IoT with LCGM-Boost Regression Model for Monitoring and Predicting Lettuce Crop Yield. | |
| CN117469774B (zh) | 空调系统调控方法、装置、电子设备及存储介质 | |
| JP7437061B2 (ja) | 生育環境予測装置、生育環境制御システムおよび生育環境予測方法 |
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 |