CN116390301A - 一种基于神经网络模型的智能温室光照调控方法 - Google Patents
一种基于神经网络模型的智能温室光照调控方法 Download PDFInfo
- Publication number
- CN116390301A CN116390301A CN202310479972.2A CN202310479972A CN116390301A CN 116390301 A CN116390301 A CN 116390301A CN 202310479972 A CN202310479972 A CN 202310479972A CN 116390301 A CN116390301 A CN 116390301A
- Authority
- CN
- China
- Prior art keywords
- illumination
- plant
- growth
- neural network
- network 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.)
- Pending
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 110
- 238000003062 neural network model Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000012010 growth Effects 0.000 claims abstract description 94
- 230000001502 supplementing effect Effects 0.000 claims abstract description 33
- 230000008635 plant growth Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000001737 promoting effect Effects 0.000 claims abstract description 8
- 238000007689 inspection Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000009331 sowing Methods 0.000 claims description 6
- 239000011324 bead Substances 0.000 claims description 4
- 241000196324 Embryophyta Species 0.000 description 65
- 230000009193 crawling Effects 0.000 description 5
- 244000038559 crop plants Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05B—ELECTRIC HEATING; ELECTRIC LIGHT SOURCES NOT OTHERWISE PROVIDED FOR; CIRCUIT ARRANGEMENTS FOR ELECTRIC LIGHT SOURCES, IN GENERAL
- H05B47/00—Circuit arrangements for operating light sources in general, i.e. where the type of light source is not relevant
- H05B47/10—Controlling the light source
- H05B47/105—Controlling the light source in response to determined parameters
- H05B47/11—Controlling the light source in response to determined parameters by determining the brightness or colour temperature of ambient light
-
- 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)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Circuit Arrangement For Electric Light Sources In General (AREA)
Abstract
本发明涉及温室内光照管理技术领域，具体涉及一种基于神经网络模型的智能温室光照调控方法，包括如下步骤：构建各植物不同的生长周期与光照参数之间的关联关系，并基于所述关联关系训练构建光照调控神经网络模型；获取每种植物的促生长光照参数区间，并构建各植物生长状态与促生长光照参数之间的关联关系，基于所述关联关系构建光照微调神经网络模型；基于所述光照调控神经网络模型根据不同的植物不同的生长周期实现温室内光照的调整，并基于所述光照微调神经网络模型根据不同植株的生长状态进行针对性补光操作。本发明可以实现温室内光照的智能化和针对性调整，进而达到促进植物生长、增产、提质的目的。
Description
技术领域
本发明涉及温室内光照管理技术领域，具体涉及一种基于神经网络模型的智能温室光照调控方法。
背景技术
温室是指能控制或部分控制植物生长环境的建筑物，主要用于非季节性或非地域性的植物栽培、科学研究、加代育种和观赏植物栽培等。目前，现存的温室主要通过补光灯启闭的方式实现温室内光照的调整，调整的过程并未关注植物自身对光照强度的需求，易使得作物植株的生长受到影响，降低其生长速率。
发明内容
为解决上述问题，本发明提供了一种基于神经网络模型的智能温室光照调控方法，可以实现温室内光照的智能化和针对性调整。
为实现上述目的，本发明采取的技术方案为：
一种基于神经网络模型的智能温室光照调控方法，包括如下步骤：
S1、构建各植物不同的生长周期与光照参数之间的关联关系，并基于所述关联关系训练构建光照调控神经网络模型；
S2、获取每种植物的促生长光照参数区间，并构建各植物生长状态与促生长光照参数之间的关联关系，基于所述关联关系构建光照微调神经网络模型；
S3、基于所述光照调控神经网络模型根据不同的植物不同的生长周期实现温室内光照的调整，并基于所述光照微调神经网络模型根据不同植株的生长状态进行针对性补光操作。
进一步地，所述步骤S1中，首先获取每种植物不同生长周期最适宜的光照参数区间，然后获取各植物的生长周期计算算法，基于植物种类参数、生长周期计算算法、光照参数区间训练构建光照调控神经网络模型，该光照调控神经网络模型的输入项为植物种类参数、植物播种时间或移栽时间，输出项为当前最适宜的光照参数区间。
进一步地，所述生长周期计算算法首先需获取植物播种时间或移栽时间，进而获取到植物当前已经种植的时间，然后将已经种植的时间与植物每个生长周期的覆盖时间长度相比较的方式确定当前植物处于哪个生长周期。
进一步地，所述步骤S2中，首先获取每种植物的促生长光照参数区间，然后构建各植物生长状态与促生长光照参数之间的关联关系，以植物滞缓生长参数为输入项，促生长光照参数为输出项训练构建光照微调神经网络模型，其中，植物滞缓生长参数为植物标准生长参数与当前植物生长参数的差值，生长参数包括植物的长度、叶片大小、枝干直径、枝干数量等。
进一步地，所述步骤S3中，首先基于所述光照调控神经网络模型获取到当前植物的生长周期所需的光照亮度参数，基于光照传感器反馈的当前温室光照亮度参数，进而联合控制安装在温室内顶面的补光灯和安装在温室外表面的遮光帘实现温室内光照亮度的调整，然后通过巡检机器人实现植株的生长状态的巡检，当植株的生长状态落入预设的滞长区间时，基于所述光照微调神经网络模型根据当前植株的滞缓生长参数获取到对应的针对性补光参数，进而驱动悬挂在温室内的补光机器人移动到目标植株位置实现针对性的补光操作。
进一步地，所述巡检机器人用于实现植株的生长状态图像的采集和评估，进而获取到植株的长度参数、叶片大小参数、枝干直径参数等。
进一步地，所述补光机器人包括轨道式机器人以及悬挂在轨道式机器人下端的补光灯，所述补光灯包括灯座、安装在灯座下端的灯罩、以及呈环形布置在灯座下底面上的灯珠，可以根据不同的补光需求开启对应的灯珠从而形成不同的补光圈。
本发明具有以下有益效果：
充分考虑各植物不同的生长周期与光照参数之间的关联关系、以及每种植物的促生长光照参数区间，从而可以实现温室内光照的智能化和针对性调整，进而达到促进植物生长、增产、提质的目的。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明实施例一种基于神经网络模型的智能温室光照调控方法的流程图。
图2为本发明实施例一种基于神经网络模型的智能温室光照调控方法的工作原理图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示，本发明实施例的一种基于神经网络模型的智能温室光照调控方法，包括如下步骤：
S1、构建各植物不同的生长周期与光照参数之间的关联关系，并基于所述关联关系训练构建光照调控神经网络模型；具体地，首先基于网络爬虫模块在大数据库中爬取与每种植物不同生长周期相关的光照数据，然后基于人工联合机器学习的方式整理获取到每种植物不同生长周期最适宜的光照参数区间；然后基于网络爬虫模块在大数据库中爬取各植物每个生长周期所覆盖的时间长度数据，进而获取到各植物的生长周期计算算法，所述生长周期计算算法首先需获取植物播种时间或移栽时间，进而获取到植物当前已经种植的时间，然后将已经种植的时间与植物每个生长周期的覆盖时间长度相比较，进而确定当前植物处于哪个生长周期；最后，基于植物种类参数、生长周期计算算法、最适宜的光照参数区间训练构建光照调控神经网络模型，该光照调控神经网络模型的输入项为植物种类参数、植物播种时间或移栽时间，输出项为当前最适宜的光照参数区间。本实施例中，光照调控神经网络模型采用具有反馈连接的无限深度神经网络模型，能处理动态数据，实时性较好；
S2、获取每种植物的促生长光照参数区间，并构建各植物生长状态与促生长光照参数之间的关联关系，基于所述关联关系构建光照微调神经网络模型；具体地，首先基于网络爬虫模块在大数据库中爬取与每种植物促生长相关的光照数据，然后基于人工联合机器学习的方式整理获取每种植物的促生长光照参数区间，并构建各植物生长状态与促生长光照参数之间的关联关系，不同的促生长光照参数对应不同的促生长效果，最后，以植物滞缓生长参数为输入项，促生长光照参数为输出项训练构建光照微调神经网络模型，其中，植物滞缓生长参数为植物标准生长参数与当前植物生长参数的差值，不同的植物滞缓生长参数对应不同的促生长需求，植物滞缓生长参数越高对应的促生长需求就越大，一般地，促生长效果是以一定周期（基本采用一周/两周）可以促进某个指标，比如植物的长度生长多少这样表示的，其中，生长参数包括植物的长度、叶片大小、枝干直径、枝干数量等。
S3、基于所述光照调控神经网络模型根据不同的植物不同的生长周期实现温室内光照的调整，并基于所述光照微调神经网络模型根据不同植株的生长状态进行针对性补光操作。具体地，首先基于所述光照调控神经网络模型获取到当前植物的生长周期所需的光照亮度参数，基于光照传感器反馈的当前温室光照亮度参数，进而联合控制安装在温室内顶面的补光灯和安装在温室外表面的遮光帘实现温室内光照亮度的调整，然后通过巡检机器人实现植株的生长状态的巡检，当植株的生长状态落入预设的滞长区间时，基于所述光照微调神经网络模型根据当前植株的滞缓生长参数获取到对应的针对性补光参数，针对性补光参数包括光照亮度、补光圈大小、补光时间，进而驱动悬挂在温室内的补光机器人移动到目标植株位置实现针对性的补光操作。
本实施例中，所述巡检机器人用于实现植株的生长状态图像的采集和评估，进而获取到植株的长度参数、叶片大小参数、枝干直径参数等。具体的，巡检机器人可以选用爬行机器人，其上搭载有图像采集模块和图像评估模块，其中，图像采集模块所采集到的图像均携带有对应的GPS定位参数，进而可以实现图像以及所得生长参数的分类，进而便于补光机器人可以实现针对性的补光；图像评估模块用于获取植株的长度参数、叶片大小参数、枝干直径参数等，并将获取到的获取到植株的长度参数、叶片大小参数、枝干直径参数与当前生长周期的标准生长参数进行对比，以判断当前植株的生长状态是否落入滞长区间；
本实施例中，所述补光机器人包括轨道式机器人以及悬挂在轨道式机器人下端的补光灯，所述补光灯包括灯座、安装在灯座下端的灯罩、以及呈环形布置在灯座下底面上的灯珠，可以根据不同的补光需求开启对应的灯珠从而形成不同的补光圈。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
Claims (7)
1.一种基于神经网络模型的智能温室光照调控方法，其特征在于：包括如下步骤：
S1、构建各植物不同的生长周期与光照参数之间的关联关系，并基于所述关联关系训练构建光照调控神经网络模型；
S2、获取每种植物的促生长光照参数区间，并构建各植物生长状态与促生长光照参数之间的关联关系，基于所述关联关系构建光照微调神经网络模型；
S3、基于所述光照调控神经网络模型根据不同的植物不同的生长周期实现温室内光照的调整，并基于所述光照微调神经网络模型根据不同植株的生长状态进行针对性补光操作。
2.如权利要求1所述的一种基于神经网络模型的智能温室光照调控方法，其特征在于：所述步骤S1中，首先获取每种植物不同生长周期最适宜的光照参数区间，然后获取各植物的生长周期计算算法，基于植物种类参数、生长周期计算算法、光照参数区间训练构建光照调控神经网络模型，该光照调控神经网络模型的输入项为植物种类参数、植物播种时间或移栽时间，输出项为当前最适宜的光照参数区间。
3.如权利要求2所述的一种基于神经网络模型的智能温室光照调控方法，其特征在于：所述生长周期计算算法首先需获取植物播种时间或移栽时间，进而获取到植物当前已经种植的时间，然后将已经种植的时间与植物每个生长周期的覆盖时间长度相比较的方式确定当前植物处于哪个生长周期。
4.如权利要求1所述的一种基于神经网络模型的智能温室光照调控方法，其特征在于：所述步骤S2中，首先获取每种植物的促生长光照参数区间，然后构建各植物生长状态与促生长光照参数之间的关联关系，以植物滞缓生长参数为输入项，促生长光照参数为输出项训练构建光照微调神经网络模型，其中，植物滞缓生长参数为植物标准生长参数与当前植物生长参数的差值。
5.如权利要求1所述的一种基于神经网络模型的智能温室光照调控方法，其特征在于：所述步骤S3中，首先基于所述光照调控神经网络模型获取到当前植物的生长周期所需的光照亮度参数，基于光照传感器反馈的当前温室光照亮度参数，进而联合控制安装在温室内顶面的补光灯和安装在温室外表面的遮光帘实现温室内光照亮度的调整，然后通过巡检机器人实现植株的生长状态的巡检，当植株的生长状态落入预设的滞长区间时，基于所述光照微调神经网络模型根据当前植株的滞缓生长参数获取到对应的针对性补光参数，进而驱动悬挂在温室内的补光机器人移动到目标植株位置实现针对性的补光操作。
6.如权利要求5所述的一种基于神经网络模型的智能温室光照调控方法，其特征在于：所述巡检机器人用于实现植株的生长状态图像的采集和评估，进而获取到植株的长度参数、叶片大小参数、枝干直径参数等。
7.如权利要求5所述的一种基于神经网络模型的智能温室光照调控方法，其特征在于：所述补光机器人包括轨道式机器人以及悬挂在轨道式机器人下端的补光灯，所述补光灯包括灯座、安装在灯座下端的灯罩、以及呈环形布置在灯座下底面上的灯珠，可以根据不同的补光需求开启对应的灯珠从而形成不同的补光圈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310479972.2A CN116390301A (zh) | 2023-04-28 | 2023-04-28 | 一种基于神经网络模型的智能温室光照调控方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310479972.2A CN116390301A (zh) | 2023-04-28 | 2023-04-28 | 一种基于神经网络模型的智能温室光照调控方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116390301A true CN116390301A (zh) | 2023-07-04 |
Family
ID=86977026
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310479972.2A Pending CN116390301A (zh) | 2023-04-28 | 2023-04-28 | 一种基于神经网络模型的智能温室光照调控方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116390301A (zh) |
-
2023
- 2023-04-28 CN CN202310479972.2A patent/CN116390301A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113883477B (zh) | 一种基于后向反射的动植物照明设备、系统及方法 | |
| KR101963508B1 (ko) | 자체제어 및 원격제어가 가능한 식물재배 시스템 | |
| CN109716953A (zh) | 一种植物工厂 | |
| CN103336517A (zh) | 一种智能农业综合管理系统 | |
| CN105746202A (zh) | 基于pc/移动端远程控制的led植物照明系统及方法 | |
| KR101516732B1 (ko) | 식물공장의 자동화를 위한 맞춤 제어 시스템 및 그 방법 | |
| CN204576316U (zh) | 一种大棚智能控制系统 | |
| KR20120052469A (ko) | 농작물 재배 관리 시스템 | |
| CN109343613B (zh) | 一种人工光型植物生长环境智能化控制系统及其控制方法 | |
| CN114740930B (zh) | 用于温室大棚智能管控平台系统及管控处理方法 | |
| CN108919768A (zh) | 一种农业管理系统及方法 | |
| CN114004458A (zh) | 一种多态势感知融合的植物生长管理系统 | |
| KR20190029540A (ko) | 자체제어 및 원격제어가 가능한 식물재배 시스템 | |
| CN207500930U (zh) | 可升降的全人工型光源装置 | |
| CN113711798A (zh) | 植物生长的控制方法、控制设备、植物生长灯及控制系统 | |
| CN102645925A (zh) | 基于物联网的植物非试管快繁智能控制系统 | |
| CN103444418B (zh) | 基于植物生长特性和规律的流水线式植物工厂的实现方法 | |
| CN101911927A (zh) | 提高蚕种一日孵化率的催青方法 | |
| CN108181814A (zh) | 植物生长环境监控方法及装置、计算机存储介质 | |
| CN102156469A (zh) | 食用菌工厂化栽培中的智能控制系统 | |
| CN108184475B (zh) | 一种植物工厂的光照系统 | |
| Mohagheghi et al. | An energy-efficient PAR-based horticultural lighting system for greenhouse cultivation of lettuce | |
| CN109144141A (zh) | 一种农业温室大棚及其多参数自动控制方法 | |
| CN116390301A (zh) | 一种基于神经网络模型的智能温室光照调控方法 | |
| CN113190059A (zh) | 一种基于作物反馈的温室自动控制系统和方法 |
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 |