CN116452358A - 基于物联网的智慧农业管理系统 - Google Patents

基于物联网的智慧农业管理系统 Download PDF

Info

Publication number
CN116452358A
CN116452358A CN202310209031.7A CN202310209031A CN116452358A CN 116452358 A CN116452358 A CN 116452358A CN 202310209031 A CN202310209031 A CN 202310209031A CN 116452358 A CN116452358 A CN 116452358A
Authority
CN
China
Prior art keywords
crop
data
growth
period
characteristic data
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
Application number
CN202310209031.7A
Other languages
English (en)
Other versions
CN116452358B (zh
Inventor
秦碧龙
刘芳
钱亭
兰振东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Zhongguan Network Technology Co ltd
Original Assignee
Shaanxi Tianlin Ruiteng Network Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shaanxi Tianlin Ruiteng Network Technology Co ltd filed Critical Shaanxi Tianlin Ruiteng Network Technology Co ltd
Priority to CN202310209031.7A priority Critical patent/CN116452358B/zh
Publication of CN116452358A publication Critical patent/CN116452358A/zh
Application granted granted Critical
Publication of CN116452358B publication Critical patent/CN116452358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/05—Agriculture
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/10—Detection; Monitoring
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Agronomy & Crop Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Animal Husbandry (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Accounting & Taxation (AREA)
  • Primary Health Care (AREA)
  • Environmental & Geological Engineering (AREA)
  • Toxicology (AREA)
  • Biomedical Technology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于物联网的智慧农业管理系统，涉及智慧农业管理技术领域，通过预先收集每种农作物的历史生长状态数据，根据每株农作物样本各个采集周期采集到的生长状态特征，分析农作物的健康程度评分；再收集农作物所处于的生长环境的历史环境特征数据，并使用主成分分析法分析出环境特征的主成分数据；利用主成分数据和对应的历史监控程度评分，训练出计算农作物健康程度评分差值的神经网络模型；再实时收集农作物的生长状态特征数据以及所处的环境特征数据；最后根据当前的农作物的生长状态特征数据以及所处的环境特征数据，并基于神经网络模型的预测，对环境特征数据进行调节；保证了农作物的健康生长。

Description

基于物联网的智慧农业管理系统
技术领域
本发明属于农业管理领域，涉及物联网技术，具体是基于物联网的智慧农业管理系统。
背景技术
农业作为社会发展的基础，农作物的健康培育关系到民生大计；而农作物的生长健康状态会受到其所处的诸多物理环境因素影响，这些因素包括但不限于温度、湿度、风速、光照等；而农作物是存在不同的生长阶段的，在农作物的不同生长阶段，所需要的最优物理环境因素有所不同，而实际的农作物培育过程中，难以保证每个阶段的物理环境因素是最适宜当前生长阶段的，而一旦农作物在其中某个阶段所处的生长环境不适宜，则可能导致后续的生长也同时受到影响，从而导致农作物培育失败，造成无法挽回的损失；
目前大多数环境智能调节是基于农作物的生长阶段进行的，而农作物每个生长阶段时间是较长的，在每个生长阶段，可能出现的环境变数也较多，难以对环境特征数据进行精确调节；
为此，提出基于物联网的智慧农业管理系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出基于物联网的智慧农业管理系统，该基于物联网的智慧农业管理系统精确把控农作物生长的每一个阶段，保证了农作物的健康生长。
为实现上述目的，根据本发明的第一方面的实施例提出基于物联网的智慧农业管理系统，包括农作物历史数据收集模块、农作物健康度评估模块、环境历史数据收集模块、环境数据分析模块、农作物生长模型训练模块、实时数据收集模块以及环境调节模块；其中，各个模块之间通过电气和/或无线网络方式连接；
其中，所述农作物历史数据收集模块主要用于预先收集每种农作物的历史生长状态数据；
所述作物历史数据收集模块收集农作物历史生长状态数据包括以下步骤：
步骤S1：根据实际种植经验为每种农作物预先设置需要收集的生长周期以及每个生长周期对应的生长状态特征列表；
步骤S2：预先根据实际经验为每种农作物设置收集周期；该收集周期可以理解为每种农作物生长状态特征产生变化的时长；
步骤S3：在每种农作物的若干株样本的培育过程中，每隔对应的收集周期，由人工判断该农作物所在的生长周期，再收集每种农作物在对应生长周期下的生长状态特征；
所述作物历史数据收集模块将收集到的所有农作物样本的生长状态特征发送至农作物健康度评估模块以及农作物生长模型训练模块；
其中，所述农作物健康度评估模块主要用于根据每株农作物样本各个采集周期采集到的生长状态特征，分析农作物的健康程度；
所述农作物健康度评估模块分析农作物健康程度的方式为：
将农作物类别标记为t，收集周期编号标记为i，农作物类别t的每株样本标记为yt；农作物样本yt在收集周期i下的生长周期标记为Zyti；将生长周期Zyti的生长状态特征集合标记为QZyti；根据农作物种植经验，为每个收集周期i设置预期生长周期，并为生长状态特征集合QZyti中每个特征设置预期值范围；计算农作物样本yt收集周期i中，每株植物的评分Syti；其中，Syti的计算公式为Syti＝a*Hyti+∑q∈QZytibq*Hq；其中，Hyti为农作物yt在周期i时是否达到预期生长周期，若是，则Hyti＝0，否则Hyti＝1；其中，Hq为生长状态特征集合QZyti中每个生长状态特征是否在预期值范围内，若是，则Hq＝0，否则，Hq为生长状态特征q脱离预期值范围的差值；其中，a和每个bq分别为预设的比例系数；
所述农作物健康度评估模块将每株农作物样本在每个收集周期的评分发送至农作物生长模型训练模块；
其中，所述环境历史数据收集模块主要用于收集农作物所处于的生长环境的历史数据；
所述环境历史数据收集模块收集生长环境的历史数据的方式为：
在每个农作物样本的每个收集周期收集农作物的生长状态特征的同时，利用若干物理传感器收集该农作物样本所处生长环境的环境特征数据；
所述环境历史数据收集模块将收集到的历史环境特征数据发送至环境数据分析模块；
其中，所述环境数据分析模块主要用于利用历史环境特征数据分析出环境特征的主成分数据；
所述环境数据分析模块分析主成分数据的方式为：
将每株农作物样本的收集周期中收集的环境特征数据，按农作物种类以及所在的生长周期进行分类；对于每种农作物的每个生长周期，以对应的环境特征作为特征属性，使用主成成分分析法获得生长环境特征数据对应的主成分数据；
所述环境数据分析模块将经过主成成分分析后的主成分数据发送至农作物生长模型训练模块；
其中，所述农作物生长模型训练模块主要用于利用主成分数据和对应的历史健康程度评分，训练出计算农作物健康程度评分差值的神经网络模型；
所述农作物生长模型训练模块训练计算农作物评分的神经网络模型的方式为：
将农作物样本按农作物的种类和收集周期编号进行分类，以每株农作物样本在每个收集周期中环境特征数据的主成分数据和农作物的生长状态数据作为输入，以农作物的健康程度评分差值作为输出；以每个收集周期中该农作物的真实健康程度评分差值作为预测目标；以健康程度差值的预测准确率作为神经网络的训练目标，对神经网络模型进行训练；其中，所述健康程度评分差值为每株植物样本在生长周期i+1的健康程度评分与在生长周期i的健康程度的差值；将训练完成的神经网络模型标记为M1；
所述农作物生长模型训练模块将训练完成的神经网络模型M1发送至环境调节模块；
其中，所述实时数据收集模块主要用于实时收集农作物的生长状态特征数据以及所处的环境特征数据；
所述实时数据收集模块收集每株农作物生长状态特征数据的方式可以是每隔对应农作物类型的收集周期，由人工收集或计算机视觉技术中的一种方式对农作物生长状态特征数据进行收集；
所述实时数据收集模块收集所处的环境特征数据的方式为基于每个环境特征数据所对应的物理量，设置一个对应的传感器，并每隔对应农作物类型的收集周期，每个传感器收集对应的物理量；
所述实时数据收集模块将收集的农作物的生长状态特征数据以及所处的环境特征数据发送至环境调节模块；
其中，所述环境调节模块主要用于根据当前的农作物的生长状态特征数据以及所处的环境特征数据，并基于神经网络模型的预测，对环境特征数据进行调节，以保证农作物的生长；
所述环境调节模块对环境特征数据调节包括以下步骤：
步骤X1：将当前的环境特征数据进行主成分分析，获得主成分数据；
步骤X2：将主成分数据和当前农作物生长状态输入至神经网络模型M1中，获得对应的健康程度评分的差值；
步骤X3：根据当前农作物的生长状态特征，计算出当前农作物健康程度评分；
步骤X4：将当前农作物健康程度评分加上健康程度评分的差值，计算出预估的下一个收集周期农作物的健康程度评分；
步骤X5：根据实际经验预设农作物健康程度评分阈值，若下一个收集周期农作物的健康程度评分低于健康程度评分阈值，基于当前环境特征数据，对每个特征值进行预设范围内的随机加减，并在每次调整后重新预估下一个收集周期农作物的健康程度评分，若健康程度评分高于健康程度评分阈值，转至步骤X6；否则，继续执行步骤X5，直至重复次数达到预设的调整次数阈值，并从历史调整数据中，挑选出预估健康程度评分最高的一组环境特征数据，转至步骤X6；
步骤X6：通过物理手段将生长环境内的环境特征数据调整为对应的环境特征数据。
与现有技术相比，本发明的有益效果是：
1、本发明提出一种对农作物的生长状态进行评分的方法，通过预先为农作物每个收集周期中的农作物预期生长周期以及农作物生长状态的预期范围值，并根据实际生长周期与预期生长周期的差异情况，以及农作物实际生长状态与预期范围值的差值来对农作物状态进行评分，提高了对农作物的健康程度进行量化评价的直观性；
2、本发明对影响农作物在不同生长周期时的环境特征数据使用主成成分分析方法，达到了降低输入维度和提高特征独立性的效果；
3、本发明以主成成分分析后的主成分数据和当前收集周期中农作物的生长状态特征数据作为输入，健康程度的差值作为输出，训练出预测健康程度评分差值的神经网络模型，在实际种植过程中，每隔一个收集周期，收集当前农作物生长状态特征数据以及环境特征数据输入至神经网络模型中，获得预测的健康程度评分差值，并基于健康程度评分差值与当前收集周期中农作物的健康程度评分差值，对环境特征数据进行调节；
相比于申请号201610342213.1的公开专利，采用分析各个环境因素之间关系，并建立环境参数曲线图的方式，本发明在研究环境各个因素之间关系(主成成分分析法)的同时，还进一步的深入分析农作物在每个采集周期的健康程度与各个环境因素的关系，利用农作物的健康程度受到之前的环境特征数据的影响的特点，以当前采集周期的健康程度与环境特征数据作为指导，对环境特征数据进行调节，以保证在下一个收集周期也能保持良好的健康程度；精确把控农作物生长的每一个阶段，保证了农作物的健康生长。
附图说明
图1为本发明实施例中各个模块之间的连接关系图。
具体实施方式
下面将结合实施例对本发明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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
农作物的生长健康状态会受到其所处的诸多物理环境因素影响，这些因素包括但不限于温度、湿度、风速、光照等；在农作物的不同生长阶段，所需要的最优物理环境因素有所不同，而实际的农作物培育过程中，难以保证每个阶段的物理环境因素是最适宜当前生长阶段的。因此，需要实时对物理环境因素进行调节。
如图1所示，基于物联网的智慧农业管理系统，包括农作物历史数据收集模块、农作物健康度评估模块、环境历史数据收集模块、环境数据分析模块、农作物生长模型训练模块、实时数据收集模块以及环境调节模块；其中，各个模块之间通过电气和/或无线网络方式连接；
其中，所述农作物历史数据收集模块主要用于预先收集每种农作物的历史生长状态数据；
在一个优选的实施例中，所述作物历史数据收集模块收集农作物历史生长状态数据包括以下步骤：
步骤S1：根据实际种植经验为每种农作物预先设置需要收集的生长周期以及每个生长周期对应的生长状态特征列表；
其中，生长周期可以包括发芽期、幼苗期、生长期、开花期以及结果期等；在不同生长阶段，判断每种农作物的健康状态的特征有所不同，所述特征可以为农作物高度、颜色、茎秆半径以及枝叶疏密度等；
步骤S2：预先根据实际经验为每种农作物设置收集周期；该收集周期可以理解为每种农作物生长状态特征产生变化的时长；例如每天、每周等；
步骤S3：在每种农作物的若干株样本的培育过程中，每隔对应的收集周期，由人工判断该农作物所在的生长周期，再收集每种农作物在对应生长周期下的生长状态特征；
在本发明的进一步的实施例中，还可以利用计算机视觉技术对农作物的生长周期和生长状态特征进行自动分析；例如高度可通过先对农作物进行拍摄，再从拍摄照片中截取出农作物，根据拍摄设备与农作物的距离和角度以及照片中农作物在竖直方向上所占据的像素数量来进行计算；
所述作物历史数据收集模块将收集到的所有农作物样本的生长状态特征发送至农作物健康度评估模块以及农作物生长模型训练模块；
其中，所述农作物健康度评估模块主要用于根据每株农作物样本各个采集周期采集到的生长状态特征，分析农作物的健康程度；
在一个优选的实施例中，所述农作物健康度评估模块分析农作物健康程度的方式为：
将农作物类别标记为t，收集周期编号标记为i，农作物类别t的每株样本标记为yt；农作物样本yt在收集周期i下的生长周期标记为Zyti；将生长周期Zyti的生长状态特征集合标记为QZyti；根据农作物种植经验，为每个收集周期i设置预期生长周期，并为生长状态特征集合QZyti中每个特征设置预期值范围；计算农作物样本yt收集周期i中，每株植物的评分Syti；其中，Syti的计算公式为Syti＝a*Hyti+∑q∈QZytibq*Hq；其中，Hyti为农作物yt在周期i时是否达到预期生长周期，若是，则Hyti＝0，否则Hyti＝1；其中，Hq为生长状态特征集合QZyti中每个生长状态特征是否在预期值范围内，若是，则Hq＝0，否则，Hq为生长状态特征q脱离预期值范围的差值；其中，a和每个bq分别为预设的比例系数；
在本发明的进一步的实施例中，对每个农作物的健康程度进行评分还可以通过人工为每株农作物样本的每个收集周期的健康程度进行评分，再以评分为输出，生长状态特征为输入，训练机器学习模型；训练出每个收集周期中，计算农作物每个生长周期的健康状态评分的机器学习模型；
在本发明的进一步的实施例中，对每个农作物的健康程度进行评分还可以以农作物的健康程度为评价目标，以每个收集周期中每株农作物样本的生长状态特征作为评价指标，使用层次分析法计算出每个农作物在每个收集周期的评分；
所述农作物健康度评估模块将每株农作物样本在每个收集周期的评分发送至农作物生长模型训练模块；
其中，所述环境历史数据收集模块主要用于收集农作物所处于的生长环境的历史数据；
在一个优选的实施例中，所述环境历史数据收集模块收集生长环境的历史数据的方式为：
在每个农作物样本的每个收集周期收集农作物的生长状态特征的同时，利用若干物理传感器收集该农作物样本所处生长环境的环境特征数据；其中，所述环境特征包括但不限于温度、湿度、风速、光照、二氧化碳浓度以及土壤微量元素含量等物理量；进一步的，所述环境特征数据可以是在每个周期中的各个物理量的平均值；
所述环境历史数据收集模块将收集到的历史环境特征数据发送至环境数据分析模块；
其中，所述环境数据分析模块主要用于利用历史环境特征数据分析出环境特征的主成分数据；
可以理解的是，各个环境特征并不是相互独立的，而是互相影响的，因此，需要预先分析出各个环境特征的关系，以达到降低输入维度和提高特征独立性的效果；
在一个优选的实施例中，所述环境数据分析模块分析主成分数据的方式为：
将每株农作物样本的收集周期中收集的环境特征数据，按农作物种类以及所在的生长周期进行分类；对于每种农作物的每个生长周期，以对应的环境特征作为特征属性，使用主成成分分析法获得生长环境特征数据对应的主成分数据；
所述环境数据分析模块将经过主成成分分析后的主成分数据发送至农作物生长模型训练模块；
其中，所述农作物生长模型训练模块主要用于利用主成分数据和对应的历史健康程度评分，训练出计算农作物健康程度评分差值的神经网络模型；
在一个优选的实施例中，所述农作物生长模型训练模块训练计算农作物评分的神经网络模型的方式为：
将农作物样本按农作物的种类和收集周期编号进行分类，以每株农作物样本在每个收集周期中环境特征数据的主成分数据和农作物的生长状态数据作为输入，以农作物的健康程度评分差值作为输出；以每个收集周期中该农作物的真实健康程度评分差值作为预测目标；以健康程度差值的预测准确率作为神经网络的训练目标，对神经网络模型进行训练；其中，所述健康程度评分差值为每株植物样本在生长周期i+1的健康程度评分与在生长周期i的健康程度的差值；优选的，所述神经网络目标可以为深度神经网络或深度信念网络；将训练完成的神经网络模型标记为M1；
所述农作物生长模型训练模块将训练完成的神经网络模型M1发送至环境调节模块；
其中，所述实时数据收集模块主要用于实时收集农作物的生长状态特征数据以及所处的环境特征数据；
在一个优选的实施例中，所述实时数据收集模块收集每株农作物生长状态特征数据的方式可以是每隔对应农作物类型的收集周期，由人工收集或计算机视觉技术中的一种方式对农作物生长状态特征数据进行收集；
在本发明的进一步的实施例中，为了降低种植密度较高的农作物种植位置的数据处理量，收集的农作物的每个生长状态特征数据还可以是该片区域中所有同种类农作物的每个生长状态特征数据的平均值；
所述实时数据收集模块收集所处的环境特征数据的方式为基于每个环境特征数据所对应的物理量，设置一个对应的传感器，并每隔对应农作物类型的收集周期，每个传感器收集对应的物理量；
所述实时数据收集模块将收集的农作物的生长状态特征数据以及所处的环境特征数据发送至环境调节模块；
其中，所述环境调节模块主要用于根据当前的农作物的生长状态特征数据以及所处的环境特征数据，并基于神经网络模型的预测，对环境特征数据进行调节，以保证农作物的生长；
在一个优选的实施例中，所述环境调节模块对环境特征数据调节包括以下步骤：
步骤X1：将当前的环境特征数据进行主成分分析，获得主成分数据；
步骤X2：将主成分数据和当前农作物生长状态输入至神经网络模型M1中，获得对应的健康程度评分的差值；
步骤X3：根据当前农作物的生长状态特征，计算出当前农作物健康程度评分；
步骤X4：将当前农作物健康程度评分加上健康程度评分的差值，计算出预估的下一个收集周期农作物的健康程度评分；
步骤X5：根据实际经验预设农作物健康程度评分阈值，若下一个收集周期农作物的健康程度评分高于健康程度评分阈值，则不做处理，否则转至步骤X6；
步骤X6：基于当前环境特征数据，对每个特征值进行预设范围内的随机加减，并在每次调整后重新预估下一个收集周期农作物的健康程度评分，若健康程度评分高于健康程度评分阈值，转至步骤X7；否则，继续执行步骤X6，直至重复次数达到预设的调整次数阈值，并从历史调整数据中，挑选出预估健康程度评分最高的一组环境特征数据，转至步骤X7；
步骤X7：通过物理手段将生长环境内的环境特征数据调整为对应的环境特征数据。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.基于物联网的智慧农业管理系统，其特征在于，包括农作物历史数据收集模块、农作物健康度评估模块、环境历史数据收集模块、环境数据分析模块、农作物生长模型训练模块、实时数据收集模块以及环境调节模块；其中，各个模块之间通过电气和/或无线网络方式连接；
所述农作物历史数据收集模块用于预先收集每种农作物的历史生长状态数据；并将收集到的所有农作物样本的生长状态特征发送至农作物健康度评估模块以及农作物生长模型训练模块；
所述农作物健康度评估模块用于根据每株农作物样本各个采集周期采集到的生长状态特征，分析农作物的健康程度；并将每株农作物样本在每个收集周期的评分发送至农作物生长模型训练模块；
所述环境历史数据收集模块用于收集农作物所处于的生长环境的历史数据；并将收集到的历史环境特征数据发送至环境数据分析模块；
所述环境数据分析模块用于利用历史环境特征数据使用主成分分析法，分析出环境特征的主成分数据；并将经过主成成分分析后的主成分数据发送至农作物生长模型训练模块；
所述农作物生长模型训练模块用于利用主成分数据和对应的历史健康程度评分，训练出计算农作物健康程度评分差值的神经网络模型；并将训练完成的神经网络模型M1发送至环境调节模块；
所述实时数据收集模块用于实时收集农作物的生长状态特征数据以及所处的环境特征数据；并将收集的农作物的生长状态特征数据以及所处的环境特征数据发送至环境调节模块；
所述环境调节模块用于根据当前的农作物的生长状态特征数据以及所处的环境特征数据，并基于神经网络模型的预测，对环境特征数据进行调节。
2.根据权利要求1所述的基于物联网的智慧农业管理系统，其特征在于，所述作物历史数据收集模块收集农作物历史生长状态数据包括以下步骤：
步骤S1：根据实际种植经验为每种农作物预先设置需要收集的生长周期以及每个生长周期对应的生长状态特征列表；
步骤S2：预先根据实际经验为每种农作物设置收集周期；
步骤S3：在每种农作物的若干株样本的培育过程中，每隔对应的收集周期，由人工判断该农作物所在的生长周期，再收集每种农作物在对应生长周期下的生长状态特征。
3.根据权利要求1所述的基于物联网的智慧农业管理系统，其特征在于，所述农作物健康度评估模块分析农作物健康程度的方式为：
将农作物类别标记为t，收集周期编号标记为i，农作物类别t的每株样本标记为yt；
农作物样本yt在收集周期i下的生长周期标记为Zyti；将生长周期Zyti的生长状态特征集合标记为QZyti；
根据农作物种植经验，为每个收集周期i设置预期生长周期，并为生长状态特征集合QZyti中每个特征设置预期值范围；
计算农作物样本yt收集周期i中，每株植物的评分Syti；其中，Syti的计算公式为Syti＝a*Hyti+∑q∈QZytibq*Hq；其中，Hyti为农作物yt在周期i时是否达到预期生长周期，若是，则Hyti＝0，否则Hyti＝1；其中，Hq为生长状态特征集合QZyti中每个生长状态特征是否在预期值范围内，若是，则Hq＝0，否则，Hq为生长状态特征q脱离预期值范围的差值；其中，a和每个bq分别为预设的比例系数。
4.根据权利要求1所述的基于物联网的智慧农业管理系统，其特征在于，所述环境历史数据收集模块收集生长环境的历史数据的方式为：
在每个农作物样本的每个收集周期收集农作物的生长状态特征的同时，利用若干物理传感器收集该农作物样本所处生长环境的环境特征数据。
5.根据权利要求1所述的基于物联网的智慧农业管理系统，其特征在于，所述环境数据分析模块分析主成分数据的方式为：
将每株农作物样本的收集周期中收集的环境特征数据，按农作物种类以及所在的生长周期进行分类；对于每种农作物的每个生长周期，以对应的环境特征作为特征属性，使用主成成分分析法获得生长环境特征数据对应的主成分数据。
6.根据权利要求1所述的基于物联网的智慧农业管理系统，其特征在于，所述农作物生长模型训练模块训练计算农作物评分的神经网络模型的方式为：
将农作物样本按农作物的种类和收集周期编号进行分类，以每株农作物样本在每个收集周期中环境特征数据的主成分数据和农作物的生长状态数据作为输入，以农作物的健康程度评分差值作为输出；以每个收集周期中该农作物的真实健康程度评分差值作为预测目标；以健康程度差值的预测准确率作为神经网络的训练目标，对神经网络模型进行训练；其中，所述健康程度评分差值为每株植物样本在生长周期i+1的健康程度评分与在生长周期i的健康程度的差值。
7.根据权利要求1所述的基于物联网的智慧农业管理系统，其特征在于，所述实时数据收集模块收集每株农作物生长状态特征数据的方式是每隔对应农作物类型的收集周期，由人工收集或计算机视觉技术中的一种方式对农作物生长状态特征数据进行收集；
所述实时数据收集模块收集所处的环境特征数据的方式为基于每个环境特征数据所对应的物理量，设置对应的传感器，并每隔对应农作物类型的收集周期，每个传感器收集对应的物理量。
8.根据权利要求1所述的基于物联网的智慧农业管理系统，其特征在于，所述环境调节模块对环境特征数据调节包括以下步骤：
步骤X1：将当前的环境特征数据进行主成分分析，获得主成分数据；
步骤X2：将主成分数据和当前农作物生长状态输入至神经网络模型M1中，获得对应的健康程度评分的差值；
步骤X3：根据当前农作物的生长状态特征，计算出当前农作物健康程度评分；
步骤X4：将当前农作物健康程度评分加上健康程度评分的差值，计算出预估的下一个收集周期农作物的健康程度评分；
步骤X5：根据实际经验预设农作物健康程度评分阈值，若下一个收集周期农作物的健康程度评分低于健康程度评分阈值，基于当前环境特征数据，对每个特征值进行预设范围内的随机加减，并在每次调整后重新预估下一个收集周期农作物的健康程度评分，若健康程度评分高于健康程度评分阈值，转至步骤X6；否则，继续执行步骤X5，直至重复次数达到预设的调整次数阈值，并从历史调整数据中，挑选出预估健康程度评分最高的一组环境特征数据，转至步骤X6；
步骤X6：通过物理手段将生长环境内的环境特征数据调整为对应的环境特征数据。
CN202310209031.7A 2023-03-07 2023-03-07 基于物联网的智慧农业管理系统 Active CN116452358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310209031.7A CN116452358B (zh) 2023-03-07 2023-03-07 基于物联网的智慧农业管理系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310209031.7A CN116452358B (zh) 2023-03-07 2023-03-07 基于物联网的智慧农业管理系统

Publications (2)

Publication Number Publication Date
CN116452358A true CN116452358A (zh) 2023-07-18
CN116452358B CN116452358B (zh) 2024-06-07

Family

ID=87124575

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310209031.7A Active CN116452358B (zh) 2023-03-07 2023-03-07 基于物联网的智慧农业管理系统

Country Status (1)

Country Link
CN (1) CN116452358B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976675A (zh) * 2023-08-09 2023-10-31 南京龟兔赛跑软件研究院有限公司 一种基于物联网数据监控的冷链运输风险预警方法及系统

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105843147A (zh) * 2016-05-20 2016-08-10 北京云洋数据科技有限公司 一种智慧农业监控管理系统
CN107292756A (zh) * 2017-04-13 2017-10-24 重庆光电信息研究院有限公司 基于气象大数据的人工智能学习方法及种植设备
CN108633697A (zh) * 2018-05-15 2018-10-12 重庆科技学院 一种基于植物日常数据分析与云技术的智能植物养培方法
CN109583301A (zh) * 2018-10-29 2019-04-05 广东奥博信息产业股份有限公司 一种农作物生长过程最优外部种植条件预测方法及装置
US20190377946A1 (en) * 2018-06-06 2019-12-12 AgEYE Technologies, Inc. Ai-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits
WO2020014773A1 (en) * 2018-07-16 2020-01-23 Vineland Research And Innovation Centre Automated monitoring and irrigation of plants in a controlled growing environment
CN110728332A (zh) * 2019-10-30 2020-01-24 西安交通大学 一种基于物联网的农业数据分析方法及系统
US20200196535A1 (en) * 2017-09-08 2020-06-25 9337-4791 Quebec, Inc. System and method for controlling a growth environment of a crop
CN112668394A (zh) * 2020-11-30 2021-04-16 山东大学 一种农业大棚生产的在线预测方法及系统
CN113127464A (zh) * 2021-03-24 2021-07-16 防城港市动物疫病预防控制中心 农业大数据环境特征处理方法、装置及电子设备
AU2021103520A4 (en) * 2021-03-24 2021-08-12 B. Nemade (Patil), Sangita A system for monitoring health condition of a crop and a method there of
CN114637351A (zh) * 2022-03-14 2022-06-17 江西省农业科学院园艺研究所 一种设施作物温室环境调控方法及系统
CN114859734A (zh) * 2022-06-15 2022-08-05 厦门大学 一种基于改进sac算法的温室环境参数优化决策方法
US20220253757A1 (en) * 2021-02-06 2022-08-11 Grownetics, Inc. Metaheuristics optimizer for controlled environment agriculture
WO2022175970A1 (en) * 2021-02-17 2022-08-25 Waycool Foods And Products Private Limited System and method for determining one or more agri-measures
US20220338421A1 (en) * 2021-04-27 2022-10-27 Zordi, Inc. Autonomous greenhouse control system
CN115328233A (zh) * 2022-09-13 2022-11-11 湖南化工职业技术学院（湖南工业高级技工学校） 一种温室大棚环境智能调节管理系统

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105843147A (zh) * 2016-05-20 2016-08-10 北京云洋数据科技有限公司 一种智慧农业监控管理系统
CN107292756A (zh) * 2017-04-13 2017-10-24 重庆光电信息研究院有限公司 基于气象大数据的人工智能学习方法及种植设备
US20200196535A1 (en) * 2017-09-08 2020-06-25 9337-4791 Quebec, Inc. System and method for controlling a growth environment of a crop
CN108633697A (zh) * 2018-05-15 2018-10-12 重庆科技学院 一种基于植物日常数据分析与云技术的智能植物养培方法
US20190377946A1 (en) * 2018-06-06 2019-12-12 AgEYE Technologies, Inc. Ai-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits
WO2020014773A1 (en) * 2018-07-16 2020-01-23 Vineland Research And Innovation Centre Automated monitoring and irrigation of plants in a controlled growing environment
CN109583301A (zh) * 2018-10-29 2019-04-05 广东奥博信息产业股份有限公司 一种农作物生长过程最优外部种植条件预测方法及装置
CN110728332A (zh) * 2019-10-30 2020-01-24 西安交通大学 一种基于物联网的农业数据分析方法及系统
CN112668394A (zh) * 2020-11-30 2021-04-16 山东大学 一种农业大棚生产的在线预测方法及系统
US20220253757A1 (en) * 2021-02-06 2022-08-11 Grownetics, Inc. Metaheuristics optimizer for controlled environment agriculture
WO2022175970A1 (en) * 2021-02-17 2022-08-25 Waycool Foods And Products Private Limited System and method for determining one or more agri-measures
CN113127464A (zh) * 2021-03-24 2021-07-16 防城港市动物疫病预防控制中心 农业大数据环境特征处理方法、装置及电子设备
AU2021103520A4 (en) * 2021-03-24 2021-08-12 B. Nemade (Patil), Sangita A system for monitoring health condition of a crop and a method there of
US20220338421A1 (en) * 2021-04-27 2022-10-27 Zordi, Inc. Autonomous greenhouse control system
CN114637351A (zh) * 2022-03-14 2022-06-17 江西省农业科学院园艺研究所 一种设施作物温室环境调控方法及系统
CN114859734A (zh) * 2022-06-15 2022-08-05 厦门大学 一种基于改进sac算法的温室环境参数优化决策方法
CN115328233A (zh) * 2022-09-13 2022-11-11 湖南化工职业技术学院（湖南工业高级技工学校） 一种温室大棚环境智能调节管理系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHEN, H等: "Design of Crop Growth Environment Monitoring System and Research on Crop Growth Environment Prediction Model", 2022 2ND ASIA-PACIFIC CONFERENCE ON COMMUNICATIONS TECHNOLOGY AND COMPUTER SCIENCE (ACCTCS), 31 December 2022 (2022-12-31) *
刘砚菊 等: "FNN专家系统在作物最佳生长环境决策中的应用", 沈阳理工大学学报, 31 March 2016 (2016-03-31) *
吴德余;孙孝龙;徐森;施建军;: "基于棚室小环境农业生产的智能管理系统设计", 现代化农业, no. 10, 15 October 2020 (2020-10-15) *
林丽兰, 何勇: "改进的BP神经网络方法及其在农业商品总产值预测中的应用", 科技通报, no. 01, 20 January 2005 (2005-01-20) *
陈亮;裴晓辉;刘韵婷;: "基于LSTM的大棚环境变量预测", 沈阳理工大学学报, no. 05, 15 October 2018 (2018-10-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976675A (zh) * 2023-08-09 2023-10-31 南京龟兔赛跑软件研究院有限公司 一种基于物联网数据监控的冷链运输风险预警方法及系统
CN116976675B (zh) * 2023-08-09 2024-04-05 南京龟兔赛跑软件研究院有限公司 一种基于物联网数据监控的冷链运输风险预警方法及系统

Also Published As

Publication number Publication date
CN116452358B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
CN107341577A (zh) 一种农作物产量预测方法及系统
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
CN114442705B (zh) 一种基于物联网的智慧农业系统及控制方法
CN117391482B (zh) 一种基于大数据监测的大棚温度智能预警方法及系统
CN107219759B (zh) 一种温室环境控制方法及装置
CN116258238A (zh) 一种基于物联网的农作物管理系统
CN116452358B (zh) 基于物联网的智慧农业管理系统
CN113920288A (zh) 一种基于物联网的温室黄瓜种植管理系统
CN112465109A (zh) 一种基于云边协同的农业大棚控制装置
CN116578047B (zh) 一种用于辣椒生产的精细化智能控制方法及系统
CN117974348B (zh) 一种智慧农业物联网监测系统
JP2020156431A (ja) 農作物の生育評価・作業提案方法および農作物の生育評価・作業提案システム、ならびに地域農業活性システム
CN118225181B (zh) 一种基于多模态信息融合的农业环境监测系统
CN114092776A (zh) 应用于智慧农业的多传感器数据融合方法
CN117893346A (zh) 一种基于物联网的ai智慧农业采收管理系统及其应用
CN115793756A (zh) 用于调节植物生长周期的种植柜环境控制系统
CN115756037A (zh) 一种设施大棚蔬菜管控方法及系统
CN118313650A (zh) 一种基于大数据的智慧农业云平台监控系统
CN118258769A (zh) 一种基于多模态深度学习的农作物病虫害检测方法及系统
CN117968757A (zh) 一种自主导航巡检田间作物生长管理系统及方法
CN116818002A (zh) 一种基于大数据的智慧农业种植监控系统
Ahmed et al. Micronutrient classification in IoT based agriculture using machine learning (ML) Algorithm
Hairu et al. Fuzzy-based Nutrient System for Chili Cultivation in Urban Area
CN115931050B (zh) 一种基于物联操作系统平台的农业生产现场环境监控系统
CN117522083B (zh) 一种物联网传感数据识别的栽培控制方法及系统

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
TA01 Transfer of patent application right

Effective date of registration: 20240513

Address after: Room 1009, No. 233, Humen Section, Tai'an Road, Humen Town, Dongguan, Guangdong 523000

Applicant after: Dongguan Zhongguan Network Technology Co.,Ltd.

Country or region after: China

Address before: 710000 room 1006, block B, Vientiane exchange, No. 21, Gaoxin Sixth Road, high tech Zone, Yanta District, Xi'an City, Shaanxi Province

Applicant before: Shaanxi Tianlin Ruiteng Network Technology Co.,Ltd.

Country or region before: China

TA01 Transfer of patent application right
GR01 Patent grant