CN115604301A - 一种基于人工智能的种植环境监测系统 - Google Patents
一种基于人工智能的种植环境监测系统 Download PDFInfo
- Publication number
- CN115604301A CN115604301A CN202211054501.9A CN202211054501A CN115604301A CN 115604301 A CN115604301 A CN 115604301A CN 202211054501 A CN202211054501 A CN 202211054501A CN 115604301 A CN115604301 A CN 115604301A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- environment
- planting
- group
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 34
- 238000004891 communication Methods 0.000 claims abstract description 27
- 239000002689 soil Substances 0.000 claims abstract description 22
- 238000005286 illumination Methods 0.000 claims abstract description 20
- 230000003993 interaction Effects 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 19
- 238000011084 recovery Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 235000021049 nutrient content Nutrition 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000007774 longterm Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 241000238631 Hexapoda Species 0.000 description 13
- 235000013399 edible fruits Nutrition 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000003891 environmental analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 239000004480 active ingredient Substances 0.000 description 1
- 239000003963 antioxidant agent Substances 0.000 description 1
- 230000003078 antioxidant effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- VUZPPFZMUPKLLV-UHFFFAOYSA-N methane;hydrate Chemical compound C.O VUZPPFZMUPKLLV-UHFFFAOYSA-N 0.000 description 1
- 239000005445 natural material Substances 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- -1 sunlight Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/183—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source
- H04N7/185—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a single remote source from a mobile camera, e.g. for remote control
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
Abstract
本发明公开了一种基于人工智能的种植环境监测系统,属于种植技术领域,包括智能采集小车、通信交互模块、环境分析模块、调节优化模块、主控平台、警报模块以及云端服务器,所述智能采集小车包括通信单元、光照强度采集单元、温湿度采集单元、土壤检测单元以及监测摄像头;本发明能够对环境模型进行实时优化,提高智能化分析的准确性,同时通过扩大化剪裁自动定位害虫位置,能够方便工作人员进行除虫处理,简化工作人员除虫步骤,提高除虫效率,提高使用体验,能够自行对种植方案进行优化,能够保证种植方案的有效性,简化分析步骤,方便工作人员使用,同时能够自行进行数据回收,保证数据传输的稳定性。
Description
技术领域
本发明涉及种植技术领域,尤其涉及一种基于人工智能的种植环境监测系统。
背景技术
植物利用太阳光,二氧化碳,水等自然界物质转化成有机物供自身生长需求,光是重中之重。根据作物适合的条件以及原产地特性种植植物是最好的状态,如果作物生长在较差的种植环境中,会导致植株营养不良,不健壮,落花落果,果实含糖量低,成熟缓慢,劣质等,近年来,随着人们对天然抗氧化物质和优质水果需求的不断增加,水果中的生物保健活性成分备受关注,农业大棚、农业研究所和企业工厂的种植环境也在不断进步,同时随着科技的不断进步,智能化管理也逐渐应用在农业大棚、农业研究所和企业工厂中,并成为各大农业大棚、农业研究所和企业工厂的核心竞争力之一;
现有的种植环境监测系统智能化分析的准确性低,同时无法定位害虫位置,不方便工作人员进行除虫处理;此外,现有的种植环境监测系统无法保证种植方案的有效性,同时云端服务器存储数据无法自行清理,降低数据传输的稳定性,为此,我们提出一种基于人工智能的种植环境监测系统。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷,而提出的一种基于人工智能的种植环境监测系统。
为了实现上述目的,本发明采用了如下技术方案:
一种基于人工智能的种植环境监测系统,包括智能采集小车、通信交互模块、环境分析模块、调节优化模块、主控平台、警报模块以及云端服务器;
其中,所述智能采集小车包括通信单元、光照强度采集单元、温湿度采集单元、土壤检测单元以及监测摄像头;
所述通信单元用于接收并分析通信交互模块发送的通信请求;
所述光照强度采集模块用于采集环境的光照强度;
所述温湿度采集单元用于采集环境温湿度;
所述土壤检测单元用于采集土壤水分以及养分含量;
所述监测摄像头用于采集各种植物影像信息;
所述通信交互模块用于与通信单元建立通信连接,并与智能采集小车进行数据交互;
所述环境分析模块用于依据智能小车采集到的各组数据构建并调整相对应的环境模型,并进行分析预测;
所述调节优化模块用于依据预测结果对种植方案进行调整模拟;
所述主控平台用于接收各子模块传输的数据,并对各子模块进行控制调配;
所述警报模块用于向管理人员发出警示信息;
所述云端服务器用于存储主控模块发送的数据,同时定期进行数据清理。
作为本发明的进一步方案,所述环境分析模块调整环境模型具体步骤如下:
步骤(1):环境分析模块将智能采集小车获取的光照强度、温湿度以及土壤水分及养分含量分别整合归纳为光照数据集、温湿度数据集以及土壤数据集;
步骤(2):对各组数据集中的数据通过独立编码器进行符值转换处理,之后对处理完成的各组数据进行归一化计算,再对归一化后的各组数据数据进行特征降维,将三组数据数据分别分为验证集、测试集以及训练集;
步骤(3):分别使用各组验证集中的数据重复多次对环境模型精度进行验证,并统计各测试集中数据均方根误差,同时对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出;
步骤(4):依据最优参数对各训练集进行标准化处理生成对应训练样本,之后将训练样本输送到环境模型中,并采用长期迭代法对该环境模型进行实时优化,并计算该环境模型运行损失值以进行准确率、检出率以及误报率分析。
作为本发明的进一步方案,步骤(2)中所述归一化计算具体运算公式如下:
式中,xnew代表归一化后的数据,xmin代表特征数据的最小值,xmax代表特征数据的最大值,x代表各组采集信息的特征数据;
步骤(4)中所述损失值具体计算公式如下:
FL(pi)=-α(1-pi)γlog(pi) (2)
式中,pi代表预测值,α代表权重因子,γ代表聚焦参数。
作为本发明的进一步方案,所述环境分析模块分析预测具体步骤如下:
步骤一:实时将环境模型中的光照强度、温湿度以及土壤水分及养分含量与规定参数阈值进行比较,若存在某一数值低于相对应阈值,则对相关种植物进行生长预测;
步骤二:环境分析模块接收各组影像信息,并对各组影像信息进行逐帧提取以得到监测图片,之后提取出各监测图片特征送入双向特征金字塔进行特征融合,再将双向特征金字塔输出结果进行分类回归,输出检测框;
步骤三:对监测图片中种植物检测框信息进行收集,并生成对应检测框坐标,对相关监测图片进行扩大化剪裁以获取种植物图片,之后过滤掉各组种植物图片中属于背景的简单负样本,挑选出可能含有害虫的区域进行分类和回归,并在种植物图片上生成一组或多组锚框并对这些锚框进行分类和回归,再通过扩大化剪裁对各组种植物图片中的害虫位置进行检测;
步骤四:通过扩大化剪裁对各组种植物图片中的害虫位置进行检测,并分析害虫种类,之后对该害虫对相关种植物生成会产生的影响进行预测。
作为本发明的进一步方案,所述调节优化模块调整模拟具体步骤如下:
第一步:调节优化模块接收环境分析模块生成的各组预测结果,之后构建卷积神经网络,同时将过往种植方案以及各组预测结果导入该卷积神经网络中;
第二步:卷积神经网络依据各组预测结果对种植方案中存在缺陷的部分进行标记,同时从相关农业数据库中抓取相关优化方案,并通过迭代训练形成最优种植参数,并依据生成的最优种植参数对该种植方案进行优化;
第三步:调节优化模块依据各组种植图片中的害虫位置生成该该害虫实际位置坐标,并将其反馈至距离最近且空闲的工作人员,并提示该工作人员进行除虫处理,同时将相关除虫方案发送至移动设备上以供工作人员查看参考。
作为本发明的进一步方案,农业数据库具体为AGRICOLA数据库、AGRIS数据库或CAB数据库中的一种,第三步中所述移动设备具体包括智能手机以及平板电脑。
作为本发明的进一步方案,所述云端服务器数据清理具体步骤如下:
S1:云端服务器依据系统默认或人工设定的循环时间,自动触发运算指令,并对存储的各组数据进行回收率计算以及更新,同时将更新后的回收率数据反馈给工作人员;
S2:回收率计算或更新完成后,云端服务器对内部存储的数据依据回收率的比例进行回收,并将回收信息进行图像化处理,并反馈给工作人员进行查看。
相比于现有技术,本发明的有益效果在于:
1、本系统相较于以往需要人工分析的监测系统,本发明通过环境分析模块接收智能采集小车的各项采集数据,并对各组采集数据进行符值转换、归一化计算以及特征降维处理后,采用长期迭代法对该环境模型进行实时优化,之后将环境模型中的光照强度、温湿度以及土壤水分及养分含量与规定参数阈值进行比较,若存在某一数值低于相对应阈值,则对相关种植物进行生长预测,之后接收各组影像信息,并对各组影像信息进行逐帧提取以得到监测图片,再对监测图片中种植物检测框信息进行收集,并生成对应检测框坐标,对相关监测图片进行扩大化剪裁以获取种植物图片,之后过滤掉各组种植物图片中属于背景的简单负样本,挑选出可能含有害虫的区域进行分类和回归,并在种植物图片上生成一组或多组锚框并对这些锚框进行分类和回归,再通过扩大化剪裁对各组种植物图片中的害虫位置进行检测,能够对环境模型进行实时优化,提高智能化分析的准确性,同时通过扩大化剪裁自动定位害虫位置,能够方便工作人员进行除虫处理,简化工作人员除虫步骤,提高除虫效率,提高使用体验;
2、本发明通过调节优化模块接收环境分析模块生成的各组预测结果,之后构建卷积神经网络,同时将过往种植方案以及各组预测结果导入该卷积神经网络中,之后卷积神经网络依据各组预测结果对种植方案中存在缺陷的部分进行标记,同时从相关农业数据库中抓取相关优化方案,并通过迭代训练形成最优种植参数,并依据生成的最优种植参数对该种植方案进行优化,之后云端服务器依据系统默认或人工设定的循环时间,自动触发运算指令,并对存储的各组数据进行回收率计算以及更新,同时将更新后的回收率数据反馈给工作人员,当回收率计算或更新完成后,云端服务器对内部存储的数据依据回收率的比例进行回收,并将回收信息进行图像化处理,并反馈给工作人员进行查看,能够自行对种植方案进行优化,能够保证种植方案的有效性,简化分析步骤,方便工作人员使用,同时能够自行进行数据回收,保证数据传输的稳定性。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。
图1为本发明提出的一种基于人工智能的种植环境监测系统的系统框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例1
参照图1,一种基于人工智能的种植环境监测系统,包括智能采集小车、通信交互模块、环境分析模块、调节优化模块、主控平台、警报模块以及云端服务器。
智能采集小车包括通信单元、光照强度采集单元、温湿度采集单元、土壤检测单元以及监测摄像头。
通信单元用于接收并分析通信交互模块发送的通信请求;光照强度采集模块用于采集环境的光照强度;温湿度采集单元用于采集环境温湿度;土壤检测单元用于采集土壤水分以及养分含量;监测摄像头用于采集各种植物影像信息。
通信交互模块用于与通信单元建立通信连接,并与智能采集小车进行数据交互。
环境分析模块用于依据智能小车采集到的各组数据构建并调整相对应的环境模型,并进行分析预测。
具体的,环境分析模块将智能采集小车获取的光照强度、温湿度以及土壤水分及养分含量分别整合归纳为光照数据集、温湿度数据集以及土壤数据集,再对各组数据集中的数据通过独立编码器进行符值转换处理,之后对处理完成的各组数据进行归一化计算,再对归一化后的各组数据数据进行特征降维,将三组数据数据分别分为验证集、测试集以及训练集,之后分别使用各组验证集中的数据重复多次对环境模型精度进行验证,并统计各测试集中数据均方根误差,同时对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出,依据最优参数对各训练集进行标准化处理生成对应训练样本,之后将训练样本输送到环境模型中,并采用长期迭代法对该环境模型进行实时优化,并计算该环境模型运行损失值以进行准确率、检出率以及误报率分析。
具体的,环境分析模块实时将环境模型中的光照强度、温湿度以及土壤水分及养分含量与规定参数阈值进行比较,若存在某一数值低于相对应阈值,则对相关种植物进行生长预测,之后接收各组影像信息,并对各组影像信息进行逐帧提取以得到监测图片,之后提取出各监测图片特征送入双向特征金字塔进行特征融合,再将双向特征金字塔输出结果进行分类回归,输出检测框,对监测图片中种植物检测框信息进行收集,并生成对应检测框坐标,对相关监测图片进行扩大化剪裁以获取种植物图片,之后过滤掉各组种植物图片中属于背景的简单负样本,挑选出可能含有害虫的区域进行分类和回归,并在种植物图片上生成一组或多组锚框并对这些锚框进行分类和回归,再通过扩大化剪裁对各组种植物图片中的害虫位置进行检测,能够对环境模型进行实时优化,提高智能化分析的准确性,同时通过扩大化剪裁自动定位害虫位置,能够方便工作人员进行除虫处理,简化工作人员除虫步骤,提高除虫效率,提高使用体验。
需要进一步说明的是,归一化计算具体运算公式如下:
式中,xnew代表归一化后的数据,xmin代表特征数据的最小值,xmax代表特征数据的最大值,x代表各组采集信息的特征数据;
损失值具体计算公式如下:
FL(pi)=-α(1-pi)γlog(pi) (2)
式中,pi代表预测值,α代表权重因子,γ代表聚焦参数。
实施例2
参照图1,一种基于人工智能的种植环境监测系统,包括智能采集小车、通信交互模块、环境分析模块、调节优化模块、主控平台、警报模块以及云端服务器。
调节优化模块用于依据预测结果对种植方案进行调整模拟。
具体的,调节优化模块接收环境分析模块生成的各组预测结果,之后构建卷积神经网络,同时将过往种植方案以及各组预测结果导入该卷积神经网络中,之后卷积神经网络依据各组预测结果对种植方案中存在缺陷的部分进行标记,同时从相关农业数据库中抓取相关优化方案,并通过迭代训练形成最优种植参数,并依据生成的最优种植参数对该种植方案进行优化,最后调节优化模块依据各组种植图片中的害虫位置生成该该害虫实际位置坐标,并将其反馈至距离最近且空闲的工作人员,并提示该工作人员进行除虫处理,同时将相关除虫方案发送至移动设备上以供工作人员查看参考,能够自行对种植方案进行优化,能够保证种植方案的有效性,简化分析步骤,方便工作人员使用。
需要进一步说明的是,农业数据库具体为AGRICOLA数据库、AGRIS数据库或CAB数据库中的一种,移动设备具体包括智能手机以及平板电脑。
主控平台用于接收各子模块传输的数据,并对各子模块进行控制调配;警报模块用于向管理人员发出警示信息。
云端服务器用于存储主控模块发送的数据,同时定期进行数据清理。
具体的,云端服务器依据系统默认或人工设定的循环时间,自动触发运算指令,并对存储的各组数据进行回收率计算以及更新,同时将更新后的回收率数据反馈给工作人员,当回收率计算或更新完成后,云端服务器对内部存储的数据依据回收率的比例进行回收,并将回收信息进行图像化处理,并反馈给工作人员进行查看,能够自行进行数据回收,保证数据传输的稳定性。
Claims (7)
1.一种基于人工智能的种植环境监测系统,其特征在于,包括智能采集小车、通信交互模块、环境分析模块、调节优化模块、主控平台、警报模块以及云端服务器;
其中,所述智能采集小车包括通信单元、光照强度采集单元、温湿度采集单元、土壤检测单元以及监测摄像头;
所述通信单元用于接收并分析通信交互模块发送的通信请求;
所述光照强度采集模块用于采集环境的光照强度;
所述温湿度采集单元用于采集环境温湿度;
所述土壤检测单元用于采集土壤水分以及养分含量;
所述监测摄像头用于采集各种植物影像信息;
所述通信交互模块用于与通信单元建立通信连接,并与智能采集小车进行数据交互;
所述环境分析模块用于依据智能小车采集到的各组数据构建并调整相对应的环境模型,并进行分析预测;
所述调节优化模块用于依据预测结果对种植方案进行调整模拟;
所述主控平台用于接收各子模块传输的数据,并对各子模块进行控制调配;
所述警报模块用于向管理人员发出警示信息;
所述云端服务器用于存储主控模块发送的数据,同时定期进行数据清理。
2.根据权利要求1所述的一种基于人工智能的种植环境监测系统,其特征在于,所述环境分析模块调整环境模型具体步骤如下:
步骤(1):环境分析模块将智能采集小车获取的光照强度、温湿度以及土壤水分及养分含量分别整合归纳为光照数据集、温湿度数据集以及土壤数据集;
步骤(2):对各组数据集中的数据通过独立编码器进行符值转换处理,之后对处理完成的各组数据进行归一化计算,再对归一化后的各组数据数据进行特征降维,将三组数据数据分别分为验证集、测试集以及训练集;
步骤(3):分别使用各组验证集中的数据重复多次对环境模型精度进行验证,并统计各测试集中数据均方根误差,同时对每组数据都进行一次预测,并将预测结果最好的数据作为最优参数输出;
步骤(4):依据最优参数对各训练集进行标准化处理生成对应训练样本,之后将训练样本输送到环境模型中,并采用长期迭代法对该环境模型进行实时优化,并计算该环境模型运行损失值以进行准确率、检出率以及误报率分析。
4.根据权利要求2所述的一种基于人工智能的种植环境监测系统,其特征在于,所述环境分析模块分析预测具体步骤如下:
步骤一:实时将环境模型中的光照强度、温湿度以及土壤水分及养分含量与规定参数阈值进行比较,若存在某一数值低于相对应阈值,则对相关种植物进行生长预测;
步骤二:环境分析模块接收各组影像信息,并对各组影像信息进行逐帧提取以得到监测图片,之后提取出各监测图片特征送入双向特征金字塔进行特征融合,再将双向特征金字塔输出结果进行分类回归,输出检测框;
步骤三:对监测图片中种植物检测框信息进行收集,并生成对应检测框坐标,对相关监测图片进行扩大化剪裁以获取种植物图片,之后过滤掉各组种植物图片中属于背景的简单负样本,挑选出可能含有害虫的区域进行分类和回归,并在种植物图片上生成一组或多组锚框并对这些锚框进行分类和回归,再通过扩大化剪裁对各组种植物图片中的害虫位置进行检测;
步骤四:通过扩大化剪裁对各组种植物图片中的害虫位置进行检测,并分析害虫种类,之后对该害虫对相关种植物生成会产生的影响进行预测。
5.根据权利要求4所述的一种基于人工智能的种植环境监测系统,其特征在于,所述调节优化模块调整模拟具体步骤如下:
第一步:调节优化模块接收环境分析模块生成的各组预测结果,之后构建卷积神经网络,同时将过往种植方案以及各组预测结果导入该卷积神经网络中;
第二步:卷积神经网络依据各组预测结果对种植方案中存在缺陷的部分进行标记,同时从相关农业数据库中抓取相关优化方案,并通过迭代训练形成最优种植参数,并依据生成的最优种植参数对该种植方案进行优化;
第三步:调节优化模块依据各组种植图片中的害虫位置生成该该害虫实际位置坐标,并将其反馈至距离最近且空闲的工作人员,并提示该工作人员进行除虫处理,同时将相关除虫方案发送至移动设备上以供工作人员查看参考。
6.根据权利要求5所述的一种基于人工智能的种植环境监测系统,其特征在于,第二步中所述农业数据库具体为AGRICOLA数据库、AGRIS数据库或CAB数据库中的一种,第三步中所述移动设备具体包括智能手机以及平板电脑。
7.根据权利要求1所述的一种基于人工智能的种植环境监测系统,其特征在于,所述云端服务器数据清理具体步骤如下:
S1:云端服务器依据系统默认或人工设定的循环时间,自动触发运算指令,并对存储的各组数据进行回收率计算以及更新,同时将更新后的回收率数据反馈给工作人员;
S2:回收率计算或更新完成后,云端服务器对内部存储的数据依据回收率的比例进行回收,并将回收信息进行图像化处理,并反馈给工作人员进行查看。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054501.9A CN115604301A (zh) | 2022-08-31 | 2022-08-31 | 一种基于人工智能的种植环境监测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211054501.9A CN115604301A (zh) | 2022-08-31 | 2022-08-31 | 一种基于人工智能的种植环境监测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115604301A true CN115604301A (zh) | 2023-01-13 |
Family
ID=84843666
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211054501.9A Pending CN115604301A (zh) | 2022-08-31 | 2022-08-31 | 一种基于人工智能的种植环境监测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115604301A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329670A (zh) * | 2022-08-11 | 2022-11-11 | 深圳朗道智通科技有限公司 | 一种无人驾驶车辆的数据采集方法 |
CN116582597A (zh) * | 2023-07-13 | 2023-08-11 | 湖北省林业科学研究院 | 一种油橄榄育苗环境数据智能监测方法及系统 |
CN116824380A (zh) * | 2023-08-30 | 2023-09-29 | 山东孟子居生态农业股份有限公司 | 一种智慧农业云平台监控系统 |
CN117250161A (zh) * | 2023-11-17 | 2023-12-19 | 黑龙江省农业科学院黑河分院 | 一种大豆耐盐碱鉴定池的实时监测系统 |
-
2022
- 2022-08-31 CN CN202211054501.9A patent/CN115604301A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115329670A (zh) * | 2022-08-11 | 2022-11-11 | 深圳朗道智通科技有限公司 | 一种无人驾驶车辆的数据采集方法 |
CN116582597A (zh) * | 2023-07-13 | 2023-08-11 | 湖北省林业科学研究院 | 一种油橄榄育苗环境数据智能监测方法及系统 |
CN116582597B (zh) * | 2023-07-13 | 2023-09-08 | 湖北省林业科学研究院 | 一种油橄榄育苗环境数据智能监测方法及系统 |
CN116824380A (zh) * | 2023-08-30 | 2023-09-29 | 山东孟子居生态农业股份有限公司 | 一种智慧农业云平台监控系统 |
CN116824380B (zh) * | 2023-08-30 | 2023-11-28 | 山东孟子居生态农业股份有限公司 | 一种智慧农业云平台监控系统 |
CN117250161A (zh) * | 2023-11-17 | 2023-12-19 | 黑龙江省农业科学院黑河分院 | 一种大豆耐盐碱鉴定池的实时监测系统 |
CN117250161B (zh) * | 2023-11-17 | 2024-02-13 | 黑龙江省农业科学院黑河分院 | 一种大豆耐盐碱鉴定池的实时监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115604301A (zh) | 一种基于人工智能的种植环境监测系统 | |
CN113095555B (zh) | 基于物联网的农作物病虫害监控方法、系统及存储介质 | |
CN209517198U (zh) | 一种智慧农业标准化管理系统 | |
CN112450056A (zh) | 一种基于机器学习算法的水肥药一体化智能灌溉系统 | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
CN110472557B (zh) | 一种番茄生长监控的方法及装置 | |
CN107219759B (zh) | 一种温室环境控制方法及装置 | |
CN106768081A (zh) | 一种判断果蔬生长状态的方法及系统 | |
CN114384826A (zh) | 一种基于ai模拟的智能农业监测系统 | |
CN105868784A (zh) | 一种基于sae-svm的病虫害检测系统 | |
CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
CN113920288A (zh) | 一种基于物联网的温室黄瓜种植管理系统 | |
CN108319164A (zh) | 作物生长环境预测和调控方法 | |
CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
CN112883230A (zh) | 马铃薯生产管理系统 | |
CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
CN112836623A (zh) | 设施番茄农事决策辅助方法及装置 | |
CN114460080A (zh) | 一种水稻病虫智能监控系统 | |
CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
CN116192917A (zh) | 一种海洋牧场综合观测预报平台 | |
CN113349188B (zh) | 一种基于云端杀草谱的草坪及牧草精准除草方法 | |
CN116757510B (zh) | 一种园林绿化工程项目智能管理系统 | |
CN114543869A (zh) | 一种基于物联网技术的农业支撑系统 | |
CN109828623B (zh) | 温室作物情景感知的生产管理方法及装置 | |
CN115171036A (zh) | 一种智能农业大棚的植物管理控制方法和系统 |
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 |