CN116649160A - 食用菌菌种生产监测系统及监测方法 - Google Patents
食用菌菌种生产监测系统及监测方法 Download PDFInfo
- Publication number
- CN116649160A CN116649160A CN202310956903.6A CN202310956903A CN116649160A CN 116649160 A CN116649160 A CN 116649160A CN 202310956903 A CN202310956903 A CN 202310956903A CN 116649160 A CN116649160 A CN 116649160A
- Authority
- CN
- China
- Prior art keywords
- growth
- strain
- ith
- monitoring area
- environment
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 204
- 241000233866 Fungi Species 0.000 title claims abstract description 101
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000012010 growth Effects 0.000 claims abstract description 415
- 230000002159 abnormal effect Effects 0.000 claims abstract description 56
- 238000010801 machine learning Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 66
- 238000009423 ventilation Methods 0.000 claims description 42
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 36
- 229910052760 oxygen Inorganic materials 0.000 claims description 36
- 239000001301 oxygen Substances 0.000 claims description 36
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 33
- 239000001569 carbon dioxide Substances 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 32
- 238000001514 detection method Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 230000001276 controlling effect Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000002609 medium Substances 0.000 description 15
- 238000005265 energy consumption Methods 0.000 description 8
- 239000001963 growth medium Substances 0.000 description 7
- 230000003698 anagen phase Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000011084 recovery Methods 0.000 description 5
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000033937 fruiting body development Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- A01G18/00—Cultivation of mushrooms
- A01G18/60—Cultivation rooms; Equipment therefor
- A01G18/69—Arrangements for managing the environment, e.g. sprinklers
-
- 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
- A01G18/00—Cultivation of mushrooms
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Environmental Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Mycology (AREA)
- Biomedical Technology (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了食用菌菌种生产监测系统及监测方法,具体涉及菌种生产监测技术领域,将食用菌菌种生产基地划分n个监测区域,收集n个监测区域的历史菌种生长数据;基于n个历史菌种生长数据训练第n个监测区域的机器学习模型;使用第n个训练好的机器学习模型识别第n个监测区域的食用菌菌种生长照片输出第n个监测区域第i个生长阶段菌种异常生长;对第n个监测区域第i个生长阶段菌种异常生长对应的生长环境数据进行评估,生成生长环境系数;本发明实现了对食用菌菌种生长阶段针对性自动化操作,减少人工参与操作带来的误差,同时提升监测区域的环境数据调节的及时性,保障食用菌菌种的质量和产量。
Description
技术领域
本发明涉及菌种生产监测技术领域,更具体地说,本发明涉及食用菌菌种生产监测系统及监测方法。
背景技术
随着科学技术与食用菌设施化栽培发展,从传统农户分散经营的手工操作模式向机械化和现代化方向发展,通过控制温度、湿度、氧气与二氧化碳浓度等食用菌菌种生产环境达到食用菌菌种生产高产量的目的,因此,对食用菌菌种生产过程中环境参数进行实时监测越来越重要。
申请公告号CN115250836A,公开了一种食用菌栽培环境智能监测预警系统,结合食用菌栽培技术需求,既应用智能监测又紧密的融合预警与调控相结合的路线,并加强对物联网技术的应用实现对菇房的相关温度在线监测,尤其是菇房空气温度和培养基质温度与空气湿度,再加上移动通信作为支持,促进栽培户更好地栽培食用菌使其对食用菌栽培各个过程管理,实现食用菌技术专业在技术这方面对栽培户提供支持,而且农业局经过充分了解食用菌生产的实际情况,在信息方面促进农民和技术专家之间互动,一定程度上使得食用菌栽培环境得到改善,促进食用菌更好地生产,不断提高生产的产量,还能避免给栽培户带来生产风险,降低劳动力生产强度,促进劳动力生产效率提高。
在现有的技术中,不同的食用菌菌种生长阶段所需要温度、湿度、氧气含量是不相同的,在工厂式的食用菌菌种生长存在大量且单一的数据参数,如果存在异常,则需要将单一的数据进行上传并做针对性处理,然而,监测和判断的异常因素众多,不能在食用菌菌种生长阶段尽早的发现异常,不同生长阶段的菌种异常生长难以得到及时恢复,从而降低了食用菌菌种的质量和产量。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供食用菌菌种生产监测系统及监测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:食用菌菌种生产监测方法,包括:
将食用菌菌种生产基地划分n个监测区域,收集n个监测区域的历史菌种生长数据;
基于n个历史菌种生长数据训练第n个监测区域的机器学习模型,所述机器学习模型用于识别第i个生长阶段食用菌菌种生长状态;
使用第n个训练好的机器学习模型识别第n个监测区域的食用菌菌种生长照片输出第n个监测区域第i个生长阶段菌种异常生长;
对第n个监测区域第i个生长阶段菌种异常生长对应的生长环境数据进行评估,生成生长环境系数;
将生长环境系数与预设生长环境系数阈值进行对比分析,判定第i个生长阶段菌种异常生长是否与生长环境数据有关,若有关,则获取第n个监测区域第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备,环境调节设备将第i个生长阶段对应的标准生长环境数据作为控制标准,控制第n个监测区域的环境数据。
进一步地,历史菌种生长数据包括历史特征数据与历史特征数据对应的生长状态;历史特征数据包括食用菌菌种i个生长阶段生长照片;生长状态包括第i个生长阶段菌种异常生长与第i个生长阶段菌种正常生长。
进一步地,将食用菌菌种i个生长阶段生长照片转换为特征向量,将每组食用菌菌种i个生长阶段生长照片对应的生长状态转换为标签,将每组特征向量与每组特征向量对应的标签构建为一个样本,收集多个样本构建为机器学习的数据集;所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%;将第i个生长阶段菌种异常生长标记为[i,0],将第i个生长阶段菌种正常生长标记为[i,1];
将所述训练集作为机器学习模型的输入,所述机器学习模型以食用菌菌种i个生长阶段生长照片对应的生长状态作为输出,以每组特征向量对应的生长状态作为预测目标,预测误差的计算公式为:
;
以最小化为目标来训练机器学习模型,其中,为特征向量组号,/>为特征向量组数,/>为预测误差,/>为第/>组特征向量对应的预测的生长状态,/>为第/>组特征向量对应的实际的生长状态,以最小化机器学习模型损失函数作为训练目标;当机器学习模型损失函数小于等于目标损失值时停止训练。
进一步地,环境数据包括温度值、湿度值、氧气含量值与二氧化碳值,对温度值、湿度值、氧气含量值与二氧化碳值进行归一化处理,获得生长环境系数。
进一步地,若生长环境系数小于生长环境系数阈值,则第i个生长阶段菌种异常生长与生长环境数据无关;
若生长环境系数大于或等于生长环境系数阈值,则第i个生长阶段菌种异常生长与生长环境数据有关。
进一步地,第i个生长阶段对应的标准生长环境数据包括第i个生长阶段的温度标准值、第i个生长阶段的湿度标准值、第i个生长阶段的氧气含量标准值与第i个生长阶段的二氧化碳含量标准值。
进一步地,当第n个监测区域第i个生长阶段菌种异常生长时,获取第n个监测区域室外环境数据;室外环境数据包括室外温度值、室外湿度值、室外氧气含量值与室外二氧化碳含量值;
将室外温度值、室外湿度值、室外氧气含量值与室外二氧化碳含量值进行归一化处理,获得室外环境系数;
将室外环境系数与生长环境系数阈值进行对比分析,判定是否生成换气指令,若生成换气指令,发送至第n个监测区域的室外换气装置,由室外换气装置开启换气,将监测区域外空气引入监测区域内。
进一步地,若室外环境系数小于等于生长环境系数阈值,则生成换气指令;
若室外环境系数大于生长环境系数阈值,则不生成换气指令,获取第n个监测区域第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备。
进一步地,室外换气装置包括进气风扇与出气风扇,出气风扇与进气风扇均通过管道与监测区域连通,管道上设置有电磁阀,进气风扇、出气风扇与电磁阀根据换气指令打开。
进一步地,室外换气装置包括设置在监测区域四周的自动门,自动门用于打开监测区域使检测区域内的空气与外空气连通,或关闭监测区域使检测区域内的空气与外空气不连通;当第n个监测区域第i个生长阶段菌种异常生长时,获取第n个监测区域外空气流动方向;
若生成换气指令时,生成打开监测区域两侧与空气流动方向一致的自动门的开启指令,自动门根据开启指令相应的开启。
食用菌菌种生产监测系统,包括:
历史信息收集模块,将食用菌菌种生产基地划分n个监测区域,收集n个监测区域的历史菌种生长数据;
模型训练模块,基于n个历史菌种生长数据训练第n个监测区域的机器学习模型,所述机器学习模型用于识别第i个生长阶段食用菌菌种生长状态;
使用第n个训练好的机器学习模型识别第n个监测区域的食用菌菌种生长照片输出第n个监测区域第i个生长阶段菌种异常生长,发送至第一环境评估模块;
第一环境评估模块,对第n个监测区域第i个生长阶段菌种异常生长对应的生长环境数据进行评估,生成生长环境系数;
第一环境控制模块,将生长环境系数与生长环境系数阈值进行对比分析,判定第i个生长阶段菌种异常生长是否与生长环境数据有关,若有关,则获取第n个监测区域第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备,环境调节设备将第i个生长阶段对应的标准生长环境数据作为控制标准,控制第n个监测区域的环境数据。
一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的食用菌菌种生产监测方法。
一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述的食用菌菌种生产监测方法。
本发明的技术效果和优点:
1.本发明通过采用相应监测区域的固定位高清摄像机拍摄食用菌菌种的照片,再由经验丰富的工作人员对固定位高清摄像机拍摄食用菌菌种的照片进行标记,作为不同的监测区域的机器学习模型的训练数据,针对不同监测区域的固定位高清摄像机拍摄食用菌菌种的照片训练与监测区域一一对应的机器学习模型,训练效果更好,预测准确率更高,实现了对食用菌菌种生长阶段针对性自动化操作,减少人工参与操作带来的误差,同时提升监测区域的环境数据调节的及时性,保障各生长阶段的菌种异常生长的及时恢复,保障食用菌菌种的质量和产量。
2.当第n个监测区域第i个生长阶段菌种异常生长时,获取第n个监测区域室外环境数据,即未出现菌种异常生长时不采集第n个监测区域室外环境数据,提升监测区域外周边环境传感器使用寿命和降低能耗;
根据室外环境数据生成室外环境系数,将室外环境系数与生长环境系数阈值进行对比分析,判断是否符合预设生长环境系数阈值并进行相对应的环境控制,若符合,则将监测区域外空气引入监测区域内,降低对监测区域环境调节的能耗;同时实现菌种生产自动化监测和管理,保障第i个生长阶段的菌种异常生长的恢复,提高食用菌菌种生产的可控性和稳定性,减少人工操作的依赖,提升生产效率和品质,并及时发现和解决生产过程中的问题,以确保食用菌菌种的质量和产量符合要求。
附图说明
图1为本发明实施例1中的系统示意图;
图2为本发明实施例2中的方法流程图;
图3为本发明实施例3中的方法流程图。
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、完整的描述,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他实施例,都属于本发明保护的范围。
实施例1
请参阅图1所示,本实施例提供了食用菌菌种生产监测系统,包括历史信息收集模块、模型训练模块、第一环境评估模块与第一环境控制模块,上述模块通过有线和/或无线的方式连接,实现相互之间的数据传输;
历史信息收集模块,将食用菌菌种生产基地划分n个监测区域,收集n个监测区域的历史菌种生长数据,并将n个历史菌种生长数据发送至模型训练模块;
历史菌种生长数据包括历史特征数据与历史特征数据对应的生长状态;历史特征数据包括食用菌菌种i个生长阶段生长照片;生长状态包括第i个生长阶段菌种异常生长与第i个生长阶段菌种正常生长;
本实施例中,需要具体说明的是菌种生长照片是指在n个监测区域内通过固定位高清摄像机获取菌种生长照片,对菌种生长照片的生长状态进行标记,生长状态标记过程是由人工进行标记,人工标记可以由经验丰富的工作人员通过判断菌种生长照片展示的不同阶段的菌种生长长度、粗细、颜色等特征进行判断生长状态。
使用时,由于将食用菌菌种生产基地划分n个监测区域,因此采用相应监测区域的固定位高清摄像机拍摄食用菌菌种的照片,再由经验丰富的工作人员对固定位高清摄像机拍摄食用菌菌种的照片进行标记,作为不同的监测区域的机器学习模型的训练数据,因为不同监测区域的高清摄像机安装位置不同,导致固定位高清摄像拍摄食用菌菌种的照片所展示的角度不同,导致菌种生长照片呈现的长势也不同,所以针对不同监测区域的固定位高清摄像机拍摄食用菌菌种的照片训练与监测区域一一对应的机器学习模型,训练效果更好,预测准确率更高。
食用菌菌种以香菇为例,第一个阶段是菌丝体生长,菌丝细胞的分裂在每条菌丝的顶端进行,前端分枝,温度在20-25℃,湿度在60%-80%,氧气含量为20%左右,二氧化碳含量通常在500-1000ppm的范围内;第二个阶段为子实体分化,菌丝体繁殖适量后,形成原基,原基继续生长就形成子实体,从原基到子实体过程明显,子实体的分化阶段,不需要降温的温差刺激,第三个阶段是子实体发育阶段,温度在12-18℃,湿度在70%-90%,氧气含量为20%左右,二氧化碳含量在200-500ppm的范围;
模型训练模块,基于n个历史菌种生长数据训练第n个监测区域的机器学习模型,所述机器学习模型用于识别第i个生长阶段食用菌菌种生长状态。
本实施例中,基于n个历史菌种生长数据训练第n个监测区域的机器学习模型的训练方法包括:
将食用菌菌种i个生长阶段生长照片转换为特征向量,将每组食用菌菌种i个生长阶段生长照片对应的生长状态转换为标签,将每组特征向量与每组特征向量对应的标签构建为一个样本,收集多个样本构建为机器学习的数据集;所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%;将第i个生长阶段菌种异常生长标记为[i,0],将第i个生长阶段菌种正常生长标记为[i,1];示例性的,当i=1时,[1,0]表示第1个生长阶段菌种异常生长,[1,1]表示第1个生长阶段菌种正常生长;
将所述训练集作为机器学习模型的输入,所述机器学习模型以食用菌菌种i个生长阶段生长照片对应的生长状态作为输出,以每组特征向量对应的生长状态作为预测目标,预测误差的计算公式为:
;
以最小化为目标来训练机器学习模型,其中,为特征向量组号,/>为特征向量组数,/>为预测误差,/>为第/>组特征向量对应的预测的生长状态,/>为第/>组特征向量对应的实际的生长状态,以最小化机器学习模型损失函数作为训练目标;当机器学习模型损失函数小于等于目标损失值时停止训练,所述机器学习模型可以为卷积神经网络模型、深度神经网络模型;
使用第n个训练好的机器学习模型识别第n个监测区域的食用菌菌种生长照片输出第n个监测区域第i个生长阶段菌种异常生长,发送至第一环境评估模块;
所述第一环境评估模块获取第n个监测区域第i个生长阶段菌种异常生长,对第n个监测区域第i个生长阶段菌种异常生长对应的生长环境数据进行评估,生成生长环境系数;具体步骤如下:
通过环境传感器实时获取第n个监测区域第i个生长阶段菌种异常生长的环境数据,所述环境数据包括温度值、湿度值、氧气含量值与二氧化碳值,其中所述温度值通过若干个温度传感器对食用菌菌种生长环境数据中的温度进行实时监测,湿度值通过若干个湿度传感器对食用菌菌种生长环境数据中的湿度进行实时监测,氧气含量值通过若干个氧气传感器对食用菌菌种生长环境数据中的氧气进行实时监测,二氧化碳值通过若干个氧气传感器对食用菌菌种生长环境数据中的二氧化碳进行实时监测;
将温度值、湿度值、氧气含量值与二氧化碳值,分别标记为、/>、/>、/>,表示第n个监测区域第/>个生长阶段;
将温度值、湿度值/>、氧气含量值/>与二氧化碳值/>进行归一化处理,获得生长环境系数,所述生长环境系数符合如下表达式:
;
式中,表示第i个生长阶段的温度标准值,/>表示第i个生长阶段的湿度标准值,/>表示第i个生长阶段的氧气含量标准值,/>表示第i个生长阶段的二氧化碳含量标准值;/>表示第i个生长阶段的温度权重因子,/>表示第i个生长阶段的湿度权重因子,/>表示第i个生长阶段的氧气含量权重因子,/>表示第i个生长阶段的二氧化碳含量权重因子,由工作人员根据经验进行修正,即权重因子反映了环境数据包含的数值对该生长阶段菌种影响大小,影响越大,相应数值的权重因子就越大;
第一环境控制模块,获取生长环境系数,将生长环境系数与生长环境系数阈值进行对比分析,若生长环境系数小于生长环境系数阈值,则生成生长介质检测信息与菌种自身检测信息,若生长环境系数大于或等于生长环境系数阈值,则获取第n个监测区异常生长第i个生长阶段对应的标准生长环境数据,生长介质如菇床。
本实施例中,需要具体说明的是预设生长环境系数阈值,将生长环境系数与生长环境系数阈值进行对比分析,若生长环境系数小于生长环境系数阈值,则说明第n个监测区域第i个生长阶段造成的菌种异常生长与环境数据无关,与菌种生长介质或菌种自身种子质量有关,生成生长介质检测信息与菌种自身检测信息,发生至第n个监测区域接收端,相应的监测区域接收端工作人员根据生长介质检测信息与菌种自身检测信息,采集生长介质与菌种送至检验部门进行检测分析,及时发现菌种异常生长的原因,保障食用菌菌种的质量和产量;
若生长环境系数大于或等于生长环境系数阈值,则说明第n个监测区域第i个生长阶段造成的菌种异常生长与环境数据有关,获取第n个监测区域第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备,环境调节设备将第i个生长阶段对应的标准生长环境数据作为控制标准,控制第n个监测区域的环境数据。
第i个生长阶段对应的标准生长环境数据包括第i个生长阶段的温度标准值、第i个生长阶段的湿度标准值、第i个生长阶段的氧气含量标准值与第i个生长阶段的二氧化碳含量标准值。
示例性的,环境调节设备可以是温度调节设备、湿度调节设备、二氧化碳浓度调节设备与氧气浓度调节设备,温度调节设备将监测区域的温度调节至与第i个生长阶段的温度标准值一致的温度,湿度调节设备、二氧化碳浓度调节设备与氧气浓度调节设备同理操作,实现了对食用菌菌种生长阶段针对性自动化操作,减少人工参与操作带来的误差,同时提升监测区域的环境数据调节的及时性,保障食用菌菌种的质量和产量,其次,本实施例收集n个历史菌种生长数据,相应的训练n个机器学习模型,可以提升对不同监测区域的食用菌菌种生长状态的识别,有效提升识别的精准度,及时发现菌种异常生长的情况,保障不同生长阶段的菌种异常生长的及时恢复。
实施例2
请参阅图2所示,本实施例在实施例1的基础上做进一步改进,降低对监测区域环境调节的能耗,即降低环境调节设备的调节成本,本实施例提供了食用菌菌种生产监测系统,还包括外环境监测模块、第二环境评估模块与第二环境控制模块,外环境监测模块为设置在n个监测区域外周边环境传感器,当第n个监测区域第i个生长阶段菌种异常生长时,获取第n个监测区域室外环境数据;所述室外环境数据包括室外温度值、室外湿度值、室外氧气含量值与室外二氧化碳含量值,并发送至第二环境评估模块;
第二环境评估模块将室外温度值、室外湿度值、室外氧气含量值与室外二氧化碳含量值进行归一化处理,获得室外环境系数,将室外环境系数发送至第二环境控制模块;
第二环境评估模块将室外温度值、室外湿度值、室外氧气含量值与室外二氧化碳含量值分别标记为、/>、/>、/>,/>表示第n个监测区域室外温度值,/>表示第n个监测区域室外湿度值,/>表示第n个监测区域室外氧气含量值,/>表示第n个监测区域室外二氧化碳含量值;所述室外环境系数符合如下表达式:
;
式中,表示第n个监测区域室外环境系数,/>表示第i个生长阶段的室外温度值权重因子,/>表示第i个生长阶段的室外湿度值权重因子,/>表示第i个生长阶段的室外氧气含量值权重因子,/>表示第i个生长阶段的室外二氧化碳含量值权重因子,由工作人员根据经验进行修正,即权重因子反映室外环境数据包含的数值对该生长阶段菌种影响大小,影响越大,相应数值的权重因子就越大;
第二环境控制模块将室外环境系数与生长环境系数阈值进行对比分析,若室外环境系数小于等于生长环境系数阈值,则说明室外环境数据符合第i个生长阶段的菌种异常生长需求,则生成换气指令,发送至第n个监测区域的室外换气装置,由室外换气装置开启换气,将监测区域外空气引入监测区域内,降低能耗;
若室外环境系数大于生长环境系数阈值,则说明室外环境数据不符合第i个生长阶段的菌种异常生长需求,则不生成换气指令,并由第二环境控制模块获取第n个监测区域异常生长第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备,环境调节设备将第i个生长阶段对应的标准生长环境数据作为控制标准,控制相应监测区域的环境数据。
室外换气装置包括进气风扇与出气风扇,出气风扇与进气风扇均通过管道与监测区域连通,管道上设置有电磁阀,在进气风扇与出气风扇不运行时,电磁阀处于关闭状态,进气风扇、出气风扇与电磁阀均根据换气指令打开,当进气风扇、出气风扇与电磁阀打开后一段时间后,若室外环境系数大于生长环境系数阈值,控制进气风扇、出气风扇与电磁阀关闭;这样可以保障在进气风扇与出气风扇不运行时,监测区域内部与外部连通,避免外部环境数据对监测区域内环境数据造成影响。
本实施例中,当第n个监测区域第i个生长阶段菌种异常生长时,获取第n个监测区域室外环境数据,即未出现菌种异常生长时不采集第n个监测区域室外环境数据,提升监测区域外周边环境传感器使用寿命和降低能耗;
根据室外环境数据生成室外环境系数,将室外环境系数与生长环境系数阈值进行对比分析,判断是否符合预设生长环境系数阈值并进行相对应的环境控制,若符合,则将监测区域外空气引入监测区域内,降低对监测区域环境调节的能耗;同时实现菌种生产自动化监测和管理,保障第i个生长阶段的菌种异常生长的恢复,提高食用菌菌种生产的可控性和稳定性,减少人工操作的依赖,提升生产效率和品质,并及时发现和解决生产过程中的问题,以确保食用菌菌种的质量和产量符合要求。
实施例3
本实施例在实施例2的基础上,提供另一种降低对监测区域环境调节的能耗的方法,本实施例提供了食用菌菌种生产监测系统,还包括风向获取模块,风向获取模块设置在n个监测区域外,当第n个监测区域第i个生长阶段菌种异常生长时,用于获取第n个监测区域外空气流动方向,将空气流动方向发送至第二环境控制模块,风向获取模块为风向获取设备,如风向测试仪;
在本实施例中室外换气装置为设置在监测区域四周的自动门,自动门两两相对设置,自动门用于打开监测区域使检测区域内的空气与外空气连通,或关闭监测区域使检测区域内的空气与外空气不连通;
若生成换气指令时,第二环境控制模块生成打开监测区域两侧与空气流动方向一致的自动门的开启指令,自动门根据开启指令相应的开启,这样监测区域内外空气交互效果更好,在进一步降低能耗的情况下,保障第i个生长阶段的菌种异常生长的恢复。
示例性的,自动门包括门体与驱动门体关闭或打开的电动伸缩杆,具体的,与电动伸缩杆连接的继电开关接收到开启指令时,反向接通电动伸缩杆电路,电动伸缩杆伸缩端复位,带动自动门打开。当自动门打开后一段时间后,若室外环境系数大于生长环境系数阈值,第二环境控制模块生成关闭指令,继电开关接收到开启指令时,反向接通电动伸缩杆电路,电动伸缩杆伸缩端延伸,带动自动门关闭。
实施例4
本实施例提供了食用菌菌种生产监测方法,包括,将食用菌菌种生产基地划分n个监测区域,收集n个监测区域的历史菌种生长数据;
基于n个历史菌种生长数据训练第n个监测区域的机器学习模型,所述机器学习模型用于识别第i个生长阶段食用菌菌种生长状态;
使用第n个训练好的机器学习模型识别第n个监测区域的食用菌菌种生长照片输出第n个监测区域第i个生长阶段菌种异常生长;
对第n个监测区域第i个生长阶段菌种异常生长对应的生长环境数据进行评估,生成生长环境系数;
将生长环境系数与生长环境系数阈值进行对比分析,判定第i个生长阶段菌种异常生长是否与生长环境数据有关,若有关,则获取第n个监测区域第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备,环境调节设备将第i个生长阶段对应的标准生长环境数据作为控制标准,控制第n个监测区域的环境数据。
进一步地,历史菌种生长数据包括历史特征数据与历史特征数据对应的生长状态;历史特征数据包括食用菌菌种i个生长阶段生长照片;生长状态包括第i个生长阶段菌种异常生长与第i个生长阶段菌种正常生长。
进一步地,将食用菌菌种i个生长阶段生长照片转换为特征向量,将每组食用菌菌种i个生长阶段生长照片对应的生长状态转换为标签,将每组特征向量与每组特征向量对应的标签构建为一个样本,收集多个样本构建为机器学习的数据集;所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%;将第i个生长阶段菌种异常生长标记为[i,0],将第i个生长阶段菌种正常生长标记为[i,1];
将所述训练集作为机器学习模型的输入,所述机器学习模型以食用菌菌种i个生长阶段生长照片对应的生长状态作为输出,以每组特征向量对应的生长状态作为预测目标,预测误差的计算公式为:
;
以最小化为目标来训练机器学习模型,其中,为特征向量组号,/>为特征向量组数,/>为预测误差,/>为第/>组特征向量对应的预测的生长状态,/>为第/>组特征向量对应的实际的生长状态,以最小化机器学习模型损失函数作为训练目标;当机器学习模型损失函数小于等于目标损失值时停止训练。
进一步地,环境数据包括温度值、湿度值、氧气含量值与二氧化碳值,对温度值、湿度值、氧气含量值与二氧化碳值进行归一化处理,获得生长环境系数。
进一步地,若生长环境系数小于生长环境系数阈值,第i个生长阶段菌种异常生长与生长环境数据无关;
若生长环境系数大于或等于生长环境系数阈值,第i个生长阶段菌种异常生长与生长环境数据有关。
进一步地,第i个生长阶段对应的标准生长环境数据包括第i个生长阶段的温度标准值、第i个生长阶段的湿度标准值、第i个生长阶段的氧气含量标准值与第i个生长阶段的二氧化碳含量标准值。
进一步地,当第n个监测区域第i个生长阶段菌种异常生长时,获取第n个监测区域室外环境数据;室外环境数据包括室外温度值、室外湿度值、室外氧气含量值与室外二氧化碳含量值;
第二环境评估模块将室外温度值、室外湿度值、室外氧气含量值与室外二氧化碳含量值进行归一化处理,获得室外环境系数;
第二环境控制模块将室外环境系数与生长环境系数阈值进行对比分析,判定是否生成换气指令,若生成换气指令,发送至第n个监测区域的室外换气装置,由室外换气装置开启换气,将监测区域外空气引入监测区域内。
进一步地,若室外环境系数小于等于生长环境系数阈值,则生成换气指令;
若室外环境系数大于生长环境系数阈值,则不生成换气指令,第二环境控制模块获取此次异常生长第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备,环境调节设备将第i个生长阶段对应的标准生长环境数据作为控制标准,控制相应监测区域的环境数据。
进一步地,室外换气装置包括进气风扇与出气风扇,出气风扇与进气风扇均通过管道与监测区域连通,管道上设置有电磁阀,进气风扇、出气风扇与电磁阀根据换气指令打开。
进一步地,室外换气装置包括设置在监测区域四周的自动门;当第n个监测区域第i个生长阶段菌种异常生长时,获取第n个监测区域外空气流动方向;
若生成换气指令时,生成打开监测区域两侧与空气流动方向一致的开启指令,自动门根据开启指令相应的开启。
实施例5
一种电子设备,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行上述的食用菌菌种生产监测方法。
实施例6
一种计算机可读存储介质,储存有指令,当所述指令在计算机上运行时,使得计算机执行上述的食用菌菌种生产监测方法。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络,或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD),或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件,或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
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,既可以位于一个地方,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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以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,本申请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)执行本申请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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到值或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (13)
1.食用菌菌种生产监测方法,其特征在于:包括:
将食用菌菌种生产基地划分n个监测区域,收集n个监测区域的历史菌种生长数据;
基于n个历史菌种生长数据训练第n个监测区域的机器学习模型,所述机器学习模型用于识别第i个生长阶段食用菌菌种生长状态;
使用第n个训练好的机器学习模型识别第n个监测区域的食用菌菌种生长照片输出第n个监测区域第i个生长阶段菌种异常生长;
对第n个监测区域第i个生长阶段菌种异常生长对应的生长环境数据进行评估,生成生长环境系数;
将生长环境系数与预设生长环境系数阈值进行对比分析,判定第i个生长阶段菌种异常生长是否与生长环境数据有关,若有关,则获取第n个监测区域第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备,环境调节设备将第i个生长阶段对应的标准生长环境数据作为控制标准,控制第n个监测区域的环境数据。
2.根据权利要求1所述的食用菌菌种生产监测方法,其特征在于,历史菌种生长数据包括历史特征数据与历史特征数据对应的生长状态;历史特征数据包括食用菌菌种i个生长阶段生长照片;生长状态包括第i个生长阶段菌种异常生长与第i个生长阶段菌种正常生长。
3.根据权利要求2所述的食用菌菌种生产监测方法,其特征在于,将食用菌菌种i个生长阶段生长照片转换为特征向量,将每组食用菌菌种i个生长阶段生长照片对应的生长状态转换为标签,将每组特征向量与每组特征向量对应的标签构建为一个样本,收集多个样本构建为机器学习的数据集;所述数据集分为训练集、验证集和测试集,其中训练集占数据集的70%,验证集和测试集各占数据集的15%;将第i个生长阶段菌种异常生长标记为[i,0],将第i个生长阶段菌种正常生长标记为[i,1];
将所述训练集作为机器学习模型的输入,所述机器学习模型以食用菌菌种i个生长阶段生长照片对应的生长状态作为输出,以每组特征向量对应的生长状态作为预测目标,预测误差的计算公式为:
;
以最小化为目标来训练机器学习模型,其中,为特征向量组号,/>为特征向量组数,为预测误差,/>为第/>组特征向量对应的预测的生长状态,/>为第/>组特征向量对应的实际的生长状态,以最小化机器学习模型损失函数作为训练目标;当机器学习模型损失函数小于等于目标损失值时停止训练。
4.根据权利要求3所述的食用菌菌种生产监测方法,其特征在于,环境数据包括温度值、湿度值、氧气含量值与二氧化碳值,对温度值、湿度值、氧气含量值与二氧化碳值进行归一化处理,获得生长环境系数。
5.根据权利要求4所述的食用菌菌种生产监测方法,其特征在于,若生长环境系数小于生长环境系数阈值,则第i个生长阶段菌种异常生长与生长环境数据无关;
若生长环境系数大于或等于生长环境系数阈值,则第i个生长阶段菌种异常生长与生长环境数据有关。
6.根据权利要求5所述的食用菌菌种生产监测方法,其特征在于,第i个生长阶段对应的标准生长环境数据包括第i个生长阶段的温度标准值、第i个生长阶段的湿度标准值、第i个生长阶段的氧气含量标准值与第i个生长阶段的二氧化碳含量标准值。
7.根据权利要求6所述的食用菌菌种生产监测方法,其特征在于,当第n个监测区域第i个生长阶段菌种异常生长时,获取第n个监测区域室外环境数据;室外环境数据包括室外温度值、室外湿度值、室外氧气含量值与室外二氧化碳含量值;
将室外温度值、室外湿度值、室外氧气含量值与室外二氧化碳含量值进行归一化处理,获得室外环境系数;
将室外环境系数与生长环境系数阈值进行对比分析,判定是否生成换气指令,若生成换气指令,发送至第n个监测区域的室外换气装置,由室外换气装置开启换气,将监测区域外空气引入监测区域内。
8.根据权利要求7所述的食用菌菌种生产监测方法,其特征在于,若室外环境系数小于等于生长环境系数阈值,则生成换气指令;
若室外环境系数大于生长环境系数阈值,则不生成换气指令,获取第n个监测区域第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备。
9.根据权利要求8所述的食用菌菌种生产监测方法,其特征在于,室外换气装置包括进气风扇与出气风扇,出气风扇与进气风扇均通过管道与监测区域连通,管道上设置有电磁阀,进气风扇、出气风扇与电磁阀均根据换气指令打开。
10.根据权利要求9所述的食用菌菌种生产监测方法,其特征在于,室外换气装置还包括设置在监测区域四周的自动门,自动门用于打开监测区域使检测区域内的空气与外空气连通,或关闭监测区域使检测区域内的空气与外空气不连通;当第n个监测区域第i个生长阶段菌种异常生长时,获取第n个监测区域外空气流动方向;
若生成换气指令时,生成打开监测区域两侧与空气流动方向一致的自动门的开启指令,自动门根据开启指令相应的开启。
11.食用菌菌种生产监测系统,其基于权利要求1-10任意一项所述的食用菌菌种生产监测方法的实现,其特征在于:包括:
历史信息收集模块,将食用菌菌种生产基地划分n个监测区域,收集n个监测区域的历史菌种生长数据;
模型训练模块,基于n个历史菌种生长数据训练第n个监测区域的机器学习模型,所述机器学习模型用于识别第i个生长阶段食用菌菌种生长状态;
使用第n个训练好的机器学习模型识别第n个监测区域的食用菌菌种生长照片输出第n个监测区域第i个生长阶段菌种异常生长;
第一环境评估模块,对第n个监测区域第i个生长阶段菌种异常生长对应的生长环境数据进行评估,生成生长环境系数;
第一环境控制模块,将生长环境系数与生长环境系数阈值进行对比分析,判定第i个生长阶段菌种异常生长是否与生长环境数据有关,若有关,则获取第n个监测区域第i个生长阶段对应的标准生长环境数据,将第i个生长阶段对应的标准生长环境数据发送至第n个监测区域的环境调节设备,环境调节设备将第i个生长阶段对应的标准生长环境数据作为控制标准,控制第n个监测区域的环境数据。
12.一种电子设备,其特征在于,包括:处理器和存储器,其中,所述存储器中存储有可供处理器调用的计算机程序;
所述处理器通过调用所述存储器中存储的计算机程序,执行权利要求1-10任一项所述的食用菌菌种生产监测方法。
13.一种计算机可读存储介质,其特征在于,储存有指令,当所述指令在计算机上运行时,使得计算机执行如权利要求1-10任意一项所述的食用菌菌种生产监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310956903.6A CN116649160B (zh) | 2023-08-01 | 2023-08-01 | 食用菌菌种生产监测系统及监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310956903.6A CN116649160B (zh) | 2023-08-01 | 2023-08-01 | 食用菌菌种生产监测系统及监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116649160A true CN116649160A (zh) | 2023-08-29 |
CN116649160B CN116649160B (zh) | 2023-10-10 |
Family
ID=87722872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310956903.6A Active CN116649160B (zh) | 2023-08-01 | 2023-08-01 | 食用菌菌种生产监测系统及监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116649160B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117148902A (zh) * | 2023-10-31 | 2023-12-01 | 安徽农业大学 | 智能化菌棒生长环境自适应控制系统及方法 |
CN117172958A (zh) * | 2023-10-23 | 2023-12-05 | 江苏新希望生态科技有限公司 | 一种豆芽生长实时数据管理方法 |
CN116910490B (zh) * | 2023-09-08 | 2023-12-15 | 山东建筑大学 | 农业大棚环境调节方法、装置、设备及介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209546481U (zh) * | 2018-10-23 | 2019-10-29 | 河北民族师范学院 | 一种基于大数据分析的智能化食用菌培养系统 |
CN110610506A (zh) * | 2019-09-17 | 2019-12-24 | 北京中环易达设施园艺科技有限公司 | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 |
CN111611924A (zh) * | 2020-05-21 | 2020-09-01 | 东北林业大学 | 一种基于深度迁移学习模型的蘑菇识别方法 |
CN112115984A (zh) * | 2020-08-28 | 2020-12-22 | 安徽农业大学 | 基于深度学习的茶园异常数据校正方法、系统和存储介质 |
CN113255440A (zh) * | 2021-04-13 | 2021-08-13 | 山东农业大学 | 一种基于机器学习的农作物叶片异常检测方法及系统 |
CN113837316A (zh) * | 2021-10-13 | 2021-12-24 | 山东德普检测技术有限公司 | 一种基于农产品的异常区域检测方法、装置、设备及介质 |
CN115127617A (zh) * | 2022-07-21 | 2022-09-30 | 湖南博立农业科技发展有限公司 | 用于食用菌仿生态种植的智能管控系统 |
CN115529987A (zh) * | 2022-11-30 | 2022-12-30 | 中化现代农业有限公司 | 作物设施的风口调控方法、装置、设备及存储介质 |
CN115638816A (zh) * | 2022-09-13 | 2023-01-24 | 郑州大轩电子科技有限公司 | 一种智慧农业信息监测系统 |
CN115861686A (zh) * | 2022-11-17 | 2023-03-28 | 华南农业大学 | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 |
-
2023
- 2023-08-01 CN CN202310956903.6A patent/CN116649160B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN209546481U (zh) * | 2018-10-23 | 2019-10-29 | 河北民族师范学院 | 一种基于大数据分析的智能化食用菌培养系统 |
CN110610506A (zh) * | 2019-09-17 | 2019-12-24 | 北京中环易达设施园艺科技有限公司 | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 |
CN111611924A (zh) * | 2020-05-21 | 2020-09-01 | 东北林业大学 | 一种基于深度迁移学习模型的蘑菇识别方法 |
CN112115984A (zh) * | 2020-08-28 | 2020-12-22 | 安徽农业大学 | 基于深度学习的茶园异常数据校正方法、系统和存储介质 |
CN113255440A (zh) * | 2021-04-13 | 2021-08-13 | 山东农业大学 | 一种基于机器学习的农作物叶片异常检测方法及系统 |
CN113837316A (zh) * | 2021-10-13 | 2021-12-24 | 山东德普检测技术有限公司 | 一种基于农产品的异常区域检测方法、装置、设备及介质 |
CN115127617A (zh) * | 2022-07-21 | 2022-09-30 | 湖南博立农业科技发展有限公司 | 用于食用菌仿生态种植的智能管控系统 |
CN115638816A (zh) * | 2022-09-13 | 2023-01-24 | 郑州大轩电子科技有限公司 | 一种智慧农业信息监测系统 |
CN115861686A (zh) * | 2022-11-17 | 2023-03-28 | 华南农业大学 | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 |
CN115529987A (zh) * | 2022-11-30 | 2022-12-30 | 中化现代农业有限公司 | 作物设施的风口调控方法、装置、设备及存储介质 |
Non-Patent Citations (6)
Title |
---|
张善文;谢泽奇;张晴晴;: "卷积神经网络在黄瓜叶部病害识别中的应用", 江苏农业学报, no. 01, pages 62 - 67 * |
张帆;李绍明;刘哲;朱德海;王越;马钦;: "基于机器视觉的玉米异常果穗筛分方法", 农业机械学报, no. 1, pages 50 - 54 * |
张晓丹;: "参数优化支持向量机的农业大棚温室温度预测模型", 北华大学学报(自然科学版), no. 04, pages 142 - 145 * |
赵全明;宋子涛;李奇峰;郑文刚;刘宇;张钟莉莉;: "基于CNN-GRU的菇房多点温湿度预测方法研究", 农业机械学报, no. 09, pages 301 - 310 * |
邓丽;余;庞洪霖;费敏锐;: "一种基于并行聚类的温室天窗开度预测方法", 系统仿真学报, no. 10, pages 231 - 239 * |
黄超;胡志军;徐勇;王耀威;: "基于视觉的车辆异常行为检测综述", 模式识别与人工智能, no. 03, pages 47 - 61 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116910490B (zh) * | 2023-09-08 | 2023-12-15 | 山东建筑大学 | 农业大棚环境调节方法、装置、设备及介质 |
CN117172958A (zh) * | 2023-10-23 | 2023-12-05 | 江苏新希望生态科技有限公司 | 一种豆芽生长实时数据管理方法 |
CN117172958B (zh) * | 2023-10-23 | 2024-02-06 | 江苏新希望生态科技有限公司 | 一种豆芽生长实时数据管理方法 |
CN117148902A (zh) * | 2023-10-31 | 2023-12-01 | 安徽农业大学 | 智能化菌棒生长环境自适应控制系统及方法 |
CN117148902B (zh) * | 2023-10-31 | 2024-03-19 | 安徽农业大学 | 智能化菌棒生长环境自适应控制系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116649160B (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116649160B (zh) | 食用菌菌种生产监测系统及监测方法 | |
KR101852987B1 (ko) | 고부가가치 버섯재배를 위한 모듈형 식물공장시스템 | |
CN112114604B (zh) | 一种畜禽养殖舍内适合禽畜群生长气候的调控方法 | |
WO2020184241A1 (ja) | 農作物の収穫量予測プログラム、栽培環境判別プログラム | |
KR20180022159A (ko) | 기계학습을 이용한 양액제어장치 및 방법 | |
CN112130596A (zh) | 养殖场环境调节方法、装置、电子设备及可读存储介质 | |
KR102384049B1 (ko) | 스마트팜 온실 환기창의 개도율 자동제어시스템 | |
CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
KR20210063218A (ko) | 시설 운영 이력을 저장할 수 있는 스마트팜 운영 시스템 | |
CN115220506A (zh) | 一种基于物联网终端的多点源冷暖控制系统 | |
CN115529987A (zh) | 作物设施的风口调控方法、装置、设备及存储介质 | |
JP2020149674A (ja) | 農作物の栽培方法提案プログラム及びシステム | |
CN116954291A (zh) | 一种环控设备快速调节集成方法 | |
CN115454176A (zh) | 一种基于物联网的智慧农业大棚通风控制系统 | |
KR102071175B1 (ko) | 작물 생육상태에 따른 생장 관리 시스템 | |
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 | |
CN117643295A (zh) | 温湿度异常应急控制系统及其在生物样本保藏中的应用 | |
CN106803209A (zh) | 实时数据库和先进控制算法的作物培育模式分析优化方法 | |
CN113796228B (zh) | 一种基于数字孪生的植物培育系统及方法 | |
CN115171036A (zh) | 一种智能农业大棚的植物管理控制方法和系统 | |
CN115442405A (zh) | 一种智慧农业生产管理服务系统 | |
CN114489200A (zh) | 一种温室大棚环境控制系统 | |
US20230301247A1 (en) | Machine learning systems for autonomous and semiautonomous plant growth | |
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 | |
CN116740651B (zh) | 基于智能决策的食用菌栽培监控方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |