CN116661530A - 食用菌工厂化栽培中的智能控制系统及方法 - Google Patents
食用菌工厂化栽培中的智能控制系统及方法 Download PDFInfo
- Publication number
- CN116661530A CN116661530A CN202310948091.0A CN202310948091A CN116661530A CN 116661530 A CN116661530 A CN 116661530A CN 202310948091 A CN202310948091 A CN 202310948091A CN 116661530 A CN116661530 A CN 116661530A
- Authority
- CN
- China
- Prior art keywords
- growth state
- edible fungi
- fusion
- feature
- growth
- 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
- 241000233866 Fungi Species 0.000 title claims abstract description 149
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000007613 environmental effect Effects 0.000 claims abstract description 47
- 230000004927 fusion Effects 0.000 claims description 49
- 238000010586 diagram Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 4
- 239000001569 carbon dioxide Substances 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000009423 ventilation Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 239000001963 growth medium Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000003973 irrigation Methods 0.000 description 4
- 230000002262 irrigation Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910052602 gypsum Inorganic materials 0.000 description 1
- 239000010440 gypsum Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011081 inoculation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 239000002609 medium Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Micro-Organisms Or Cultivation Processes Thereof (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种食用菌工厂化栽培中的智能控制系统及方法,涉及菌类智能化控制领域;其通过获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像;基于所述生长状态图像,确定食用菌的生长状态标签;基于所述食用菌的生长状态标签,从所述数据库调度最优推荐环境参数;基于所述最优推荐环境参数生成环境参数调整指令,并传输至所述执行器网络。本发明可以提高食用菌的产量和品质,降低人工成本和资源消耗。
Description
技术领域
本申请涉及菌类智能化控制领域,并且更具体地,涉及一种食用菌工厂化栽培中的智能控制系统及方法。
背景技术
传统的食用菌栽培需要大量的人工参与。在传统栽培中,人工需要定期调整和监测环境条件,包括温度、湿度、光照和通风等,这些参数对于食用菌的生长和发育至关重要,需要人工根据经验和观察进行调整。这种人工参与栽培方案具有诸多缺陷:
首先,人工调整环境条件通常依赖于个人经验和主观判断,不同的操作员可能会有不同的偏好和标准,导致环境参数的调整不一致,这可能会导致食用菌生长环境的不稳定性,影响生长效果和产量;
其次,在传统栽培中,人工调整环境条件通常是定期进行的,而无法实时监测和调整。这意味着如果环境条件发生突变或出现问题,可能无法及时发现和处理,导致生长环境不利于食用菌的健康生长。
还有,传统栽培中,需要专门的人员定期监测和调整环境条件。这需要耗费大量的人力和时间成本,特别是在大规模的食用菌生产中,人工操作的成本会更高。
因此,期待一种优化的食用菌栽培方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种食用菌工厂化栽培中的智能控制系统及方法,其获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像;基于所述生长状态图像,确定食用菌的生长状态标签;基于所述食用菌的生长状态标签,从所述数据库调度最优推荐环境参数;基于所述最优推荐环境参数生成环境参数调整指令,并传输至所述执行器网络。这样,可以提高食用菌的产量和品质,降低人工成本和资源消耗。
第一方面,提供了一种食用菌工厂化栽培中的智能控制系统,其包括:
传感器网络,所述传感器网络包括温度传感器、湿度传感器、光照传感器和二氧化碳传感器;
执行器网络,所述执行器网络包括温控器、湿控器、灯光控制器、风扇控制器和水泵控制器;以及
数据库,用于存储不同种类的食用菌在不同生长状态的最优推荐环境参数;以及
中央处理模块,所述中央处理模块可通信地连接于所述传感器网络、所述执行器网络和所述数据库。
第二方面,提供了一种食用菌工厂化栽培中的智能控制方法,其包括:
获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像;
基于所述生长状态图像,确定食用菌的生长状态标签;
基于所述食用菌的生长状态标签,从所述数据库调度最优推荐环境参数;
基于所述最优推荐环境参数生成环境参数调整指令,并传输至所述执行器网络。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为根据本申请实施例的食用菌工厂化栽培中的智能控制系统的框图。
图2为根据本申请实施例的食用菌工厂化栽培中的智能控制系统中所述中央处理模块的框图。
图3为根据本申请实施例的食用菌工厂化栽培中的智能控制方法的流程图。
图4为根据本申请实施例的食用菌工厂化栽培中的智能控制方法架构的示意图。
图5为根据本申请实施例的食用菌工厂化栽培中的智能控制系统的应用场景图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
除非另有说明,本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的,不是旨在限制本申请的范围。
在本申请实施例记载中,需要说明的是,除非另有说明和限定,术语“连接”应做广义理解,例如,可以是电连接,也可以是两个元件内部的连通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
需要说明的是,本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换,以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
应可以理解,传统的食用菌栽培是指在相对简单的环境条件下,通过人工调控和管理,培育食用菌的一种方法。传统食用菌栽培的步骤包括:
1. 培养基准备:选择适合特定食用菌生长的培养基,通常是由有机物质(如木屑、稻草、秸秆等)和一些添加剂(如石膏、石灰等)组成。培养基需要进行消毒处理,以防止杂菌污染。
2. 菌种接种:将培养好的食用菌菌种接种到培养基中,可以使用菌种培养瓶或菌种培养袋进行接种。接种后,需要将培养基密封,创造适宜的生长环境。
3. 培养环境调控:控制培养环境的温度、湿度、光照和通风等因素,以提供适宜的生长条件。不同种类的食用菌对环境条件有不同的要求,因此需要根据具体的菌种选择合适的环境参数。
4. 生长观察和管理:在培养过程中,需要定期观察食用菌的生长情况,包括菌丝的扩展、子实体的形成等。同时,需要进行适时的管理措施,如喷水保持湿度、调整温度、通风和灌溉等。
5. 收获和处理:当食用菌的子实体成熟后,可以进行收获。收获的方法和时机因菌种而异。一般情况下,需要将子实体整体收割,并进行处理,如清洗、分级、包装等。
传统食用菌栽培的优点是技术相对简单,成本较低。但也存在一些问题和挑战,如环境条件不稳定、人工调控精度有限、人力成本高等。随着科技的发展,智能化的食用菌栽培系统逐渐应用,可以提高栽培效率和质量,降低成本和资源消耗。
食用菌工厂化栽培中引入智能控制系统一方面,可以提高生产效率,传统的食用菌栽培需要依赖人工调整环境条件,而且往往是基于经验和主观判断。这种方式存在调节不一致、难以实时监测和调整的问题,导致生产效率低下。智能控制系统可以基于传感器监测数据和算法,实现自动化和精确的环境调节,提供最适宜的生长条件,从而提高生产效率。
一方面,可以优化资源利用,传统栽培中,由于环境条件的不稳定和人工调整的不精确,往往会造成能源和水资源的浪费。智能控制系统可以精确调节温度、湿度、光照等因素,最大限度地利用资源,减少能源和水的消耗。
另一方面,可以提高产品质量,食用菌的生长环境对产品质量有重要影响。传统栽培中,由于环境条件的波动和不稳定性,可能导致食用菌的品质不一致。智能控制系统可以实时监测和调节环境参数,提供稳定和一致的生长条件,有助于提高食用菌的品质和口感。
再一方面,可以减少人工成本,传统栽培中,需要专门的人员进行环境监测和调整,耗费大量的人力和时间成本。引入智能控制系统可以实现自动化调节,减少对人力的需求,降低人工成本。
还可以进行实时监测和预警,智能控制系统可以实时监测环境参数和食用菌的生长状态,一旦发现异常情况或问题,可以及时发出预警,帮助操作员采取相应的措施,保证食用菌的健康生长。
食用菌工厂化栽培中的智能控制系统具有提高生产效率、优化资源利用、提高产品质量、减少人工成本和实时监测预警等必要性。通过智能化的环境调节和管理,可以实现食用菌的稳定、高效和可持续生产。
针对上述技术问题,本申请的技术构思为提供一种食用菌工厂化栽培中的智能控制系统,所述智能控制系统能够基于不同种类的食用菌的生长状态,自动调节温度、湿度、光照、通风、灌溉等环境因素,以提高食用菌的产量和品质,降低人工成本和资源消耗。
在本申请的一个实施例中,图1为根据本申请实施例的食用菌工厂化栽培中的智能控制系统的框图。如图1所示,根据本申请实施例的食用菌工厂化栽培中的智能控制系统100,包括:传感器网络1,所述传感器网络1包括温度传感器11、湿度传感器12、光照传感器13和二氧化碳传感器14;执行器网络2,所述执行器网络2包括温控器21、湿控器22、灯光控制器23、风扇控制器24和水泵控制器25;数据库3,用于存储不同种类的食用菌在不同生长状态的最优推荐环境参数;以及,中央处理模块4,所述中央处理模块4可通信地连接于所述传感器网络1、所述执行器网络2和所述数据库3。
相应地,所述中央处理模块,负责接收和处理来自传感器、摄像头、数据库等的数据以及发送指令给执行器网络。所述传感器网络,由多个温度、湿度、光照、二氧化碳等传感器组成,分布在食用菌栽培区域内,实时监测各个区域的环境参数;所述摄像头网络,由多个摄像头组成,分布在食用菌栽培区域内,实时拍摄各个区域的食用菌生长情况;所述执行器网络,由多个温控器、湿控器、灯光控制器、风扇控制器、水泵控制器等组成,分布在食用菌栽培区域内,根据中央处理模块的指令,调节各个区域的环境因素;所述数据库,存储了不同种类的食用菌的生长模型、生长曲线、优化参数等数据,供中央处理模块参考和学习。所述食用菌工厂化栽培中的智能控制系统还可以包括人机交互界面,通过触摸屏或移动设备,显示当前系统的运行状态、各个区域的环境参数和食用菌生长情况,以及提供手动控制和参数设置等功能。
相应地,在本申请的技术方案中,所述食用菌工厂化栽培中的智能控制系统通过采集预定区域的食用菌的生长状态图像,并在所述中央处理模块对所述食用菌的生长状态图像进行图像处理和生长状态识别以得到食用菌的生长状态标签,进而基于所述食用菌的生长状态标签,从所述数据库调度最优推荐环境参数,并基于所述最优推荐环境参数生成环境参数调整指令,并传输至所述执行器网络。通过这样的方式,智能地基于不同种类的食用菌的生长需求,自动调节温度、湿度、光照、通风和灌溉等环境因素,以提高食用菌的产量和质量。
图2为根据本申请实施例的食用菌工厂化栽培中的智能控制系统中所述中央处理模块的框图,如图2所示,所述中央处理模块4,包括:图像获取单元110,用于获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像;生长状态标签确定单元120,用于基于所述生长状态图像,确定食用菌的生长状态标签;最优推荐环境参数调度单元130,用于基于所述食用菌的生长状态标签,从所述数据库调度最优推荐环境参数;传输单元140,用于基于所述最优推荐环境参数生成环境参数调整指令,并传输至所述执行器网络。
其中,在所述图像获取单元110中,合理设置摄像头的位置和角度选择,以确保能够全面准确地捕捉到食用菌的生长情况。通过高质量的图像获取,可以提供准确的数据基础,为后续的生长状态分析和环境参数调节提供可靠的依据。
在所述生长状态标签确定单元120中,选择合适的图像处理算法和模型,以准确地分析图像中的生长状态信息。通过准确的生长状态标签,可以对食用菌的生长情况进行定量化和分类,为后续的环境参数调节提供准确的依据。
在所述最优推荐环境参数调度单元130中,建立合适的数据库,其中包含不同生长状态下的环境参数和对应的优化结果。通过智能算法和数据分析,可以根据食用菌的生长状态选择最适宜的环境参数,以促进食用菌的生长和产量提高。
在所述传输单元140中,确保指令的准确性和及时性,以便执行器网络能够根据指令进行相应的环境参数调节。通过及时传输准确的调整指令,可以实现对食用菌生长环境的实时监测和调节,提高生产效率和品质稳定性。
智能控制系统能够实时获取生长状态图像并基于图像确定生长状态标签,从而实现对环境参数的自动化调节,提高栽培效率和稳定性。根据食用菌的生长状态标签和数据库中的优化结果,智能控制系统能够个性化地调节环境参数,为每个生长状态提供最适宜的环境条件,提高产量和品质。
通过图像获取和生长状态分析,智能控制系统能够实时监测食用菌的生长情况,一旦发现异常情况或问题,可以及时发出预警,帮助操作员采取相应的措施,保证食用菌的健康生长。智能控制系统的自动化调节和精确调节能够减少对人工的需求,降低人工成本。同时,通过优化环境参数的调节,可以减少能源和水资源的浪费,降低资源消耗。
具体地,所述图像获取单元110,用于获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像。在本申请的技术方案中,首先获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像。获取由部署于预定区域的摄像头采集的食用菌生长状态图像对最后确定食用菌的生长状态标签具有重要作用。
通过摄像头采集的图像可以提供客观的数据,避免了主观判断的干扰,这些图像可以捕捉到食用菌在不同生长阶段的形态、颜色、密度等特征,为后续的生长状态分析提供了可靠的依据。摄像头可以全天候、连续地监测预定区域内的食用菌生长状态,相比于人工采样和观察,摄像头可以提供更全面的观察,捕捉到生长状态的细微变化和趋势,帮助更准确地判断食用菌的生长状态。
通过实时获取图像,可以及时监测食用菌的生长状态变化。这样,可以在生长状态发生异常或变化时及时采取措施,调整环境参数或采取其他措施,以维持食用菌的健康生长。通过采集的大量图像数据,可以进行生长状态的深度学习和分析,基于这些数据,可以建立模型和算法,通过图像处理和计算机视觉技术,自动识别和分类食用菌的生长状态。这样可以提高生长状态标签的准确性和效率。
通过采集由部署于预定区域的摄像头获取的食用菌生长状态图像,可以提供客观数据、全面观察生长状态、实时监测和调整,并支持大数据分析,从而为最后确定食用菌的生长状态标签提供重要的作用。
具体地,所述生长状态标签确定单元120,用于基于所述生长状态图像,确定食用菌的生长状态标签。包括:生长状态特征提取子单元,用于将所述生长状态图像通过基于金字塔网络的生长状态特征提取器以得到多个生长状态特征图,其中,所述多个生长状态特征图由所述金字塔网络的不同层输出;关联编码子单元,用于对所述多个生长状态特征图进行基于注意力机制的上下文关联编码以得到融合多尺度生长状态特征图;特征分布调制子单元,用于基于所述多个生长状态特征图,对所述融合多尺度生长状态特征图进行特征分布调制以得到优化融合多尺度生长状态特征图;以及,生长状态标签确定子单元,用于基于所述优化融合多尺度生长状态特征图,确定所述食用菌的生长状态标签。
在本申请中,通过基于金字塔网络的生长状态特征提取器,可以从生长状态图像中提取多个生长状态特征图。这些特征图来自金字塔网络的不同层,具有不同的感受野和尺度,能够捕捉到不同层面和尺度上的生长状态特征。
通过基于注意力机制的上下文关联编码,对多个生长状态特征图进行处理,融合多尺度的生长状态特征。这样可以将不同层次和尺度的信息进行关联和融合,提取更全面、丰富的生长状态特征。
基于多个生长状态特征图,对融合多尺度的生长状态特征图进行特征分布调制。这个过程可以通过调整特征的分布和权重,突出重要的生长状态特征,抑制噪声和冗余信息,优化融合多尺度的生长状态特征图的质量和表达能力。
基于优化融合多尺度的生长状态特征图,确定食用菌的生长状态标签。通过对特征图的分析和处理,可以进行生长状态的分类和定量化,准确地确定食用菌的生长状态,为后续的环境参数调节提供准确的依据。
通过生长状态特征提取、关联编码、特征分布调制和生长状态标签确定这些子单元的协同作用,可以提高生长状态标签的准确性和可靠性,为后续的环境参数调节和优化提供更有效的支持。
接着,对所述生长状态图像进行图像识别以确定食用菌的生长状态标签。在本申请一个具体示例中,所述图像识别的过程,包括:首先将所述生长状态图像通过基于金字塔网络的生长状态特征提取器以得到多个生长状态特征图,其中,所述多个生长状态特征图由所述金字塔网络的不同层输出;接着,对所述多个生长状态特征图进行基于注意力机制的上下文关联编码以得到融合多尺度生长状态特征图;继而,基于所述优化融合多尺度生长状态特征图,确定所述食用菌的生长状态标签。
也就是,在本申请该具体示例中,使用所述基于金字塔网络的生长状态特征提取器作为图像特征提取器对所述生长状态图像进行基于卷积核的特征过滤以得到所述多个生长状态特征图,其中,所述多个生长状态特征图分别由所述金字塔网络的不同深度的卷积层输出。本领域普通技术人员应知晓,所述多个生长状态特征图具有不同的特征深度,因此,如果能够提取所述多个生长状态特征图之间的上下文信息,则能够捕捉不同深度的食用菌生长状态特征之间的关联信息。
应可以理解,基于金字塔网络的生长状态特征提取器是一种用于从生长状态图像中提取多个生长状态特征图的图像特征提取器,利用金字塔网络结构和卷积核的特征过滤来实现这一目标。金字塔网络是一种多尺度的网络结构,通过在不同深度的卷积层上进行特征提取,可以捕捉到不同层次和尺度上的图像特征。在生长状态特征提取器中,金字塔网络被用于从生长状态图像中提取多个生长状态特征图。
具体而言,生长状态特征提取器通过在金字塔网络的不同深度的卷积层上应用卷积核进行特征过滤。每个卷积层输出的特征图都具有不同的感受野和尺度,可以捕捉到不同层次上的生长状态特征,较浅的卷积层通常更适合捕捉局部细节特征,而较深的卷积层则更适合捕捉全局和抽象特征。
通过在金字塔网络的不同深度的卷积层上应用卷积核进行特征过滤,生长状态特征提取器可以得到多个生长状态特征图。这些特征图具有不同的层次和尺度的生长状态信息,可以提供丰富的特征表示,用于后续的上下文关联编码和特征分布调制。基于金字塔网络的生长状态特征提取器利用多尺度的卷积层和特征过滤的方法,从生长状态图像中提取多个生长状态特征图,为后续的生长状态分析和标签确定提供了重要的特征表示。
在本申请的一个实施例中,所述关联编码子单元,用于:计算所述多个生长状态特征图中各个生长状态特征图的全局均值以得到由多个生长状态全局特征值组成的生长状态上下文关联特征向量;将所述生长状态上下文关联特征向量通过Softmax激活函数以得到生长状态上下文注意力权重特征向量;以及,以所述生长状态上下文注意力权重特征向量作为权重值来融合所述多个生长状态特征图以得到所述融合多尺度生长状态特征图。
具体地,在该具体示例中,对所述多个生长状态特征图进行基于注意力机制的上下文关联编码以得到所述融合多尺度生长状态特征图,该过程包括:首先计算所述多个生长状态特征图中各个生长状态特征图的全局均值以得到由多个生长状态全局特征值组成的生长状态上下文关联特征向量;进而,将所述生长状态上下文关联特征向量通过Softmax激活函数以得到生长状态上下文注意力权重特征向量;接着,以所述生长状态上下文注意力权重特征向量作为权重值来融合所述多个生长状态特征图以得到所述融合多尺度生长状态特征图。
在本申请的一个实施例中,基于注意力机制的上下文关联编码是一种用于对多个生长状态特征图进行关联和融合的方法,以得到融合多尺度的生长状态特征图。在这个过程中,注意力机制起到了关键的作用。
注意力机制是一种模拟人类视觉注意力机制的方法,可以根据输入的特征图的重要性,动态地调整它们的权重,从而实现对特征的选择和加权。在生长状态特征提取中,注意力机制被用于对多个生长状态特征图进行关联编码,以捕捉它们之间的上下文信息和关联关系。
基于注意力机制的上下文关联编码可以将多个生长状态特征图融合成一个融合多尺度的生长状态特征图。这个融合特征图综合了不同层次和尺度上的生长状态信息,具有更丰富的特征表示能力,为后续的特征分布调制和生长状态标签确定提供了更准确和全面的信息。
在本申请的一个实施例中,所述融合二级子单元,用于:通过线性插值将所述多个生长状态特征图的各个特征矩阵转化为相同尺度以得到多个线性变换后生长状态特征图;将所述多个线性变换后生长状态特征图沿着通道维度进行聚合以得到所述直接融合生长状态特征图。
特别地,在本申请的技术方案中,通过所述多个生长状态特征图中各个生长状态特征图的全局均值以Softmax激活函数激活来作为权重值对所述多个生长状态特征图进行加权,可以强化局部尺度下的所述生长状态图像的图像语义特征表示,从而增强所述融合多尺度生长状态特征图的表达效果,但是,所述融合多尺度生长状态特征图的特征表达也会偏离所述生长状态图像直接通过基于金字塔网络的生长状态特征提取器基于不同特征提取深度和图像语义特征关联尺度的特征表示,因此,期望能够基于所述不同特征提取深度和图像语义特征关联尺度的特征表示对所述融合多尺度生长状态特征图进行校正。
基于此,本申请的申请人对于所述多个生长状态特征图的直接融合表示,例如通过线性插值转换为相同特征矩阵大小后直接沿通道维度进行级联,例如得到的直接融合生长状态特征图记为F1和所述融合多尺度生长状态特征图,例如记为F2进行平滑响应参数化解耦融合,来获得优化后的融合多尺度生长状态特征图,例如记为,具体为:以如下优化公式对所述直接融合生长状态特征图和所述融合多尺度生长状态特征图进行平滑响应参数化解耦融合以得到所述优化融合多尺度生长状态特征图;其中,所述优化公式为:
其中,F1是直接融合生长状态特征图,F2是所述融合多尺度生长状态特征图,/>是所述优化融合多尺度生长状态特征图,/>表示所述直接融合生长状态特征图F1和所述融合多尺度生长状态特征图F2之间的余弦距离,且log为以2为底的对数函数,exp表示计算以所述数值为幂的自然指数函数值,/>和/>分别表示按位置 、减法和乘法。
这里,所述平滑响应参数化解耦融合通过使用平滑参数化函数的解耦原则,基于所述直接融合生长状态特征图F1和所述融合多尺度生长状态特征图F2之间的余弦距离的非负对称性来编译所述直接融合生长状态特征图F1和所述融合多尺度生长状态特征图F2的特征之间的逐点嵌入,从而以特征之间的空间变换(transformation)来推断所述直接融合生长状态特征图F1和所述融合多尺度生长状态特征图F2之间的信息分布转移(informationdistribution shift),从而表达特征之间的平滑响应在类规则下的信息结构化融合,从而提升优化后的所述融合多尺度生长状态特征图对于所述多个生长状态特征图的不同特征提取深度和图像语义特征关联尺度的特征表示的基于类规则的表达效果,以提升所述融合多尺度生长状态特征图通过分类器得到的分类结果的准确性。
在本申请的一个实施例中,所述生长状态标签确定子单元,用于:将所述优化融合多尺度生长状态特征图通过分类器以得到分类结果,所述分类结果用于表示食用菌的生长状态标签
在得到所述优化融合多尺度生长状态特征图,将所述优化融合多尺度生长状态特征图通过分类器以得到分类结果,所述分类结果用于表示食用菌的生长状态标签。也就是,使用所述分类器对所述融合多尺度生长状态特征图进行分类判断以确定所述食用菌的生长状态标签。接着,基于所述食用菌的生长状态标签,从所述数据库调度最优推荐环境参数,并基于所述最优推荐环境参数生成环境参数调整指令,并传输至所述执行器网络。在接收到所述环境参数调整指令后,所述执行器网络能够通过执行器来进行环境参数调整。
综上,基于本申请实施例的食用菌工厂化栽培中的智能控制系统100被阐明,其提供一种食用菌工厂化栽培中的智能控制系统,所述智能控制系统能够基于不同种类的食用菌的生长状态,自动调节温度、湿度、光照、通风、灌溉等环境因素,以提高食用菌的产量和品质,降低人工成本和资源消耗。
如上所述,根据本申请实施例的食用菌工厂化栽培中的智能控制系统 100可以实现在各种终端设备中,例如用于食用菌工厂化栽培中的智能控制的服务器等。在一个示例中,根据本申请实施例的食用菌工厂化栽培中的智能控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该食用菌工厂化栽培中的智能控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该食用菌工厂化栽培中的智能控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该食用菌工厂化栽培中的智能控制系统100与该终端设备也可以是分立的设备,并且该食用菌工厂化栽培中的智能控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
在本申请的一个实施例中,图3为根据本申请实施例的食用菌工厂化栽培中的智能控制方法的流程图。图4为根据本申请实施例的食用菌工厂化栽培中的智能控制方法架构的示意图。如图3和图4所示,所述食用菌工厂化栽培中的智能控制方法,包括:210,获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像;220,基于所述生长状态图像,确定食用菌的生长状态标签;230,基于所述食用菌的生长状态标签,从所述数据库调度最优推荐环境参数;240,基于所述最优推荐环境参数生成环境参数调整指令,并传输至所述执行器网络。
本领域技术人员可以理解,上述食用菌工厂化栽培中的智能控制方法中的各个步骤的具体操作已经在上面参考图1到图2的食用菌工厂化栽培中的智能控制系统的描述中得到了详细介绍,并因此,将省略其重复描述。
图5为根据本申请实施例的食用菌工厂化栽培中的智能控制系统的应用场景图。如图5所示,在该应用场景中,首先,获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像(例如,如图5中所示意的C);然后,将获取的生长状态图像输入至部署有食用菌工厂化栽培中的智能控制算法的服务器(例如,如图5中所示意的S)中,其中所述服务器能够基于食用菌工厂化栽培中的智能控制算法对所述生长状态图像进行处理,以确定所述食用菌的生长状态标签。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (7)
1.一种食用菌工厂化栽培中的智能控制系统,其特征在于,包括:
传感器网络,所述传感器网络包括温度传感器、湿度传感器、光照传感器和二氧化碳传感器;
执行器网络,所述执行器网络包括温控器、湿控器、灯光控制器、风扇控制器和水泵控制器;
数据库,用于存储不同种类的食用菌在不同生长状态的最优推荐环境参数;以及
中央处理模块,所述中央处理模块可通信地连接于所述传感器网络、所述执行器网络和所述数据库;
所述中央处理模块,包括:
图像获取单元,用于获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像;
生长状态标签确定单元,用于基于所述生长状态图像,确定食用菌的生长状态标签;
最优推荐环境参数调度单元,用于基于所述食用菌的生长状态标签,从所述数据库调度最优推荐环境参数;
传输单元,用于基于所述最优推荐环境参数生成环境参数调整指令,并传输至所述执行器网络;
进一步的,所述生长状态标签确定单元,包括:
生长状态特征提取子单元,用于将所述生长状态图像通过基于金字塔网络的生长状态特征提取器以得到多个生长状态特征图,其中,所述多个生长状态特征图由所述金字塔网络的不同层输出;
关联编码子单元,用于对所述多个生长状态特征图进行基于注意力机制的上下文关联编码以得到融合多尺度生长状态特征图;
特征分布调制子单元,用于基于所述多个生长状态特征图,对所述融合多尺度生长状态特征图进行特征分布调制以得到优化融合多尺度生长状态特征图;以及
生长状态标签确定子单元,用于基于所述优化融合多尺度生长状态特征图,确定所述食用菌的生长状态标签。
2.根据权利要求1所述的食用菌工厂化栽培中的智能控制系统,其特征在于,所述关联编码子单元,用于:
计算所述多个生长状态特征图中各个生长状态特征图的全局均值以得到由多个生长状态全局特征值组成的生长状态上下文关联特征向量;
将所述生长状态上下文关联特征向量通过Softmax激活函数以得到生长状态上下文注意力权重特征向量;以及
以所述生长状态上下文注意力权重特征向量作为权重值来融合所述多个生长状态特征图以得到所述融合多尺度生长状态特征图。
3.根据权利要求2所述的食用菌工厂化栽培中的智能控制系统,其特征在于,所述特征分布调制子单元,包括:
融合二级子单元,用于融合所述多个生长状态特征图以得到直接融合生长状态特征图;
优化二级子单元,用于对所述直接融合生长状态特征图和所述融合多尺度生长状态特征图进行平滑响应参数化解耦融合以得到所述优化融合多尺度生长状态特征图。
4.根据权利要求3所述的食用菌工厂化栽培中的智能控制系统,其特征在于,所述融合二级子单元,用于:
通过线性插值将所述多个生长状态特征图的各个特征矩阵转化为相同尺度以得到多个线性变换后生长状态特征图;
将所述多个线性变换后生长状态特征图沿着通道维度进行聚合以得到所述直接融合生长状态特征图。
5.根据权利要求4所述的食用菌工厂化栽培中的智能控制系统,其特征在于,所述优化二级子单元,用于:以如下优化公式对所述直接融合生长状态特征图和所述融合多尺度生长状态特征图进行平滑响应参数化解耦融合以得到所述优化融合多尺度生长状态特征图;
其中,所述优化公式为:其中,F1是直接融合生长状态特征图,F2是所述融合多尺度生长状态特征图,/>是所述优化融合多尺度生长状态特征图,/>表示所述直接融合生长状态特征图F1和所述融合多尺度生长状态特征图F2之间的余弦距离,且log为以2为底的对数函数,exp表示计算以数值为幂的自然指数函数值,/>和/>分别表示按位置 、减法和乘法。
6.根据权利要求5所述的食用菌工厂化栽培中的智能控制系统,其特征在于,所述生长状态标签确定子单元,用于:将所述优化融合多尺度生长状态特征图通过分类器以得到分类结果,所述分类结果用于表示食用菌的生长状态标签。
7.一种食用菌工厂化栽培中的智能控制方法,其特征在于,包括:
获取由部署于预定区域的摄像头采集的所述预定区域内食用菌的生长状态图像;
基于所述生长状态图像,确定食用菌的生长状态标签;
基于所述食用菌的生长状态标签,从数据库调度最优推荐环境参数;
基于所述最优推荐环境参数生成环境参数调整指令,并传输至执行器网络;
所述基于所述生长状态图像,确定食用菌的生长状态标签,包括:
将所述生长状态图像通过基于金字塔网络的生长状态特征提取器以得到多个生长状态特征图,其中,所述多个生长状态特征图由所述金字塔网络的不同层输出;
对所述多个生长状态特征图进行基于注意力机制的上下文关联编码以得到融合多尺度生长状态特征图;
基于所述多个生长状态特征图,对所述融合多尺度生长状态特征图进行特征分布调制以得到优化融合多尺度生长状态特征图;以及
基于所述优化融合多尺度生长状态特征图,确定所述食用菌的生长状态标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310948091.0A CN116661530B (zh) | 2023-07-31 | 2023-07-31 | 食用菌工厂化栽培中的智能控制系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310948091.0A CN116661530B (zh) | 2023-07-31 | 2023-07-31 | 食用菌工厂化栽培中的智能控制系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116661530A true CN116661530A (zh) | 2023-08-29 |
CN116661530B CN116661530B (zh) | 2023-09-29 |
Family
ID=87722813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310948091.0A Active CN116661530B (zh) | 2023-07-31 | 2023-07-31 | 食用菌工厂化栽培中的智能控制系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116661530B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055668A (zh) * | 2023-10-13 | 2023-11-14 | 山西聚源生物科技有限公司 | 食用菌工厂化生产环境控制系统 |
CN117535452A (zh) * | 2024-01-09 | 2024-02-09 | 延边大学 | 菌糠发酵饲料生产的在线监控方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017143750A (ja) * | 2016-02-15 | 2017-08-24 | 国立研究開発法人農業・食品産業技術総合研究機構 | 新規白紋羽病菌及びその性質を利用した白紋羽病防除技術 |
CN108958204A (zh) * | 2018-08-15 | 2018-12-07 | 天津农学院 | 一种基于专家系统知识库的食用菌栽培测控方法 |
CN109557966A (zh) * | 2018-12-30 | 2019-04-02 | 盐城爱菲尔菌菇装备科技股份有限公司 | 一种食用菌生长环境的测控系统及方法 |
CN112286267A (zh) * | 2020-10-28 | 2021-01-29 | 合肥猎知科技有限公司 | 一种基于大数据的室内菌菇种植环境智能监测分析系统 |
CN112906706A (zh) * | 2021-03-31 | 2021-06-04 | 西南科技大学 | 一种改进的基于编解码器的图像语义分割方法 |
WO2021216217A1 (en) * | 2020-04-21 | 2021-10-28 | Microsoft Technology Licensing, Llc | Predicted forecast offset from remote location sensor |
CN214961548U (zh) * | 2021-06-24 | 2021-12-03 | 山西聚源生物科技有限公司 | 杏鲍菇菇房加湿设备 |
CN114638959A (zh) * | 2022-03-21 | 2022-06-17 | 西北农林科技大学 | 一种基于卷积神经网络的苹果叶部病害诊断方法 |
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 |
CN115424101A (zh) * | 2022-07-29 | 2022-12-02 | 武汉轻工大学 | 病害识别方法、装置、设备及存储介质 |
CN116129096A (zh) * | 2022-12-20 | 2023-05-16 | 内蒙古农业大学 | 一种马铃薯根系长度的数字化测量系统及其测量方法 |
CN116246184A (zh) * | 2023-02-17 | 2023-06-09 | 山东捷讯通信技术有限公司 | 一种应用于无人机航拍图像的罂粟智能识别方法及系统 |
CN116311186A (zh) * | 2023-02-08 | 2023-06-23 | 浙江农林大学 | 一种基于改进Transformer模型的植物叶片病变识别方法 |
-
2023
- 2023-07-31 CN CN202310948091.0A patent/CN116661530B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017143750A (ja) * | 2016-02-15 | 2017-08-24 | 国立研究開発法人農業・食品産業技術総合研究機構 | 新規白紋羽病菌及びその性質を利用した白紋羽病防除技術 |
CN108958204A (zh) * | 2018-08-15 | 2018-12-07 | 天津农学院 | 一种基于专家系统知识库的食用菌栽培测控方法 |
CN109557966A (zh) * | 2018-12-30 | 2019-04-02 | 盐城爱菲尔菌菇装备科技股份有限公司 | 一种食用菌生长环境的测控系统及方法 |
WO2021216217A1 (en) * | 2020-04-21 | 2021-10-28 | Microsoft Technology Licensing, Llc | Predicted forecast offset from remote location sensor |
CN112286267A (zh) * | 2020-10-28 | 2021-01-29 | 合肥猎知科技有限公司 | 一种基于大数据的室内菌菇种植环境智能监测分析系统 |
CN112906706A (zh) * | 2021-03-31 | 2021-06-04 | 西南科技大学 | 一种改进的基于编解码器的图像语义分割方法 |
CN214961548U (zh) * | 2021-06-24 | 2021-12-03 | 山西聚源生物科技有限公司 | 杏鲍菇菇房加湿设备 |
CN114638959A (zh) * | 2022-03-21 | 2022-06-17 | 西北农林科技大学 | 一种基于卷积神经网络的苹果叶部病害诊断方法 |
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 |
CN115424101A (zh) * | 2022-07-29 | 2022-12-02 | 武汉轻工大学 | 病害识别方法、装置、设备及存储介质 |
CN116129096A (zh) * | 2022-12-20 | 2023-05-16 | 内蒙古农业大学 | 一种马铃薯根系长度的数字化测量系统及其测量方法 |
CN116311186A (zh) * | 2023-02-08 | 2023-06-23 | 浙江农林大学 | 一种基于改进Transformer模型的植物叶片病变识别方法 |
CN116246184A (zh) * | 2023-02-17 | 2023-06-09 | 山东捷讯通信技术有限公司 | 一种应用于无人机航拍图像的罂粟智能识别方法及系统 |
Non-Patent Citations (2)
Title |
---|
YING LI: "MCFF: Plant leaf detection based on multi-scale CNN feature fusion", 《2021 11TH INTERNATIONAL CONFERENCE ON INFORMATION TECHNOLOGY IN MEDICINE AND EDUCATION》, pages 246 - 250 * |
项和雨 等: "基于残差注意力网络模型的浮游植物识别", 《生态学报》, pages 6883 - 6892 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117055668A (zh) * | 2023-10-13 | 2023-11-14 | 山西聚源生物科技有限公司 | 食用菌工厂化生产环境控制系统 |
CN117055668B (zh) * | 2023-10-13 | 2023-12-12 | 山西聚源生物科技有限公司 | 食用菌工厂化生产环境控制系统 |
CN117535452A (zh) * | 2024-01-09 | 2024-02-09 | 延边大学 | 菌糠发酵饲料生产的在线监控方法及系统 |
CN117535452B (zh) * | 2024-01-09 | 2024-03-26 | 延边大学 | 菌糠发酵饲料生产的在线监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116661530B (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116661530B (zh) | 食用菌工厂化栽培中的智能控制系统及方法 | |
Chen et al. | An AIoT based smart agricultural system for pests detection | |
US20170332544A1 (en) | Data driven indoor farming optimization | |
CN102789579B (zh) | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 | |
CN111325522B (zh) | 一种基于物联网的智能渔业养殖管理方法和系统 | |
KR20210090394A (ko) | 머신러닝을 이용한 지능형 스마트팜 운영 시스템 | |
CN108830741A (zh) | 一种农田环境智能监测系统 | |
CN103217905A (zh) | 一种设施农业温室大棚环境参数自适应控制方法 | |
CN112465109A (zh) | 一种基于云边协同的农业大棚控制装置 | |
CN105278476A (zh) | 基于物联网的传统酿造过程的监控系统与方法 | |
CN115880433A (zh) | 一种基于数字孪生的农作物培育优化方法 | |
CN115115830A (zh) | 一种基于改进Transformer的家畜图像实例分割方法 | |
Musa et al. | An intelligent plant dissease detection system for smart hydroponic using convolutional neural network | |
CN116629550A (zh) | 一种基于云计算的水环境监管方法及调度运行系统 | |
CN115292753A (zh) | 一种基于区块链的农业大棚数据溯源与管理方法 | |
CN114898405A (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
CN106803209B (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 | |
CN112019607A (zh) | 基于可视化云平台的智慧农场综合控制方法及系统 | |
CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
CN115731514A (zh) | 一种用于温室环境分布式测控的数字孪生系统 | |
Tripathy et al. | Smart Farming based on Deep Learning Approaches | |
CN112329697B (zh) | 一种基于改进YOLOv3的树上果实识别方法 | |
CN115171036A (zh) | 一种智能农业大棚的植物管理控制方法和系统 | |
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 | |
CN112036397B (zh) | 一种基于深度学习的嵌入式黄瓜叶片图像识别装置 |
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 |