CN116703083B - 一种基于人工智能的可控农业栽培管理系统及方法 - Google Patents
一种基于人工智能的可控农业栽培管理系统及方法 Download PDFInfo
- Publication number
- CN116703083B CN116703083B CN202310652783.0A CN202310652783A CN116703083B CN 116703083 B CN116703083 B CN 116703083B CN 202310652783 A CN202310652783 A CN 202310652783A CN 116703083 B CN116703083 B CN 116703083B
- Authority
- CN
- China
- Prior art keywords
- data
- crops
- time
- crop
- planting
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 238000007726 management method Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000007405 data analysis Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 26
- 238000010586 diagram Methods 0.000 claims description 14
- 230000010198 maturation time Effects 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000003306 harvesting Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010899 nucleation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的可控农业栽培管理系统及方法,涉及可控农业技术领域,本发明包括:S1:根据销售历史数据,对作物的市场需求情况进行分析,得到随时间变化的作物需求量;S2:根据获取到的市场需求数据,结合用户可用种植面积,对作物种植情况进行规划分析;S3:对作物的栽培生长过程进行监测,判断作物生长情况是否符合预设规划,并对偏差数据进行预警;S4:根据栽培作物的实际成熟情况,结合时间条件对采摘工作和运输工作进行工作安排分析;帮助农户了解市场需求,结合销售情况进行定向作物栽培,有效的向农户提供了栽培管理的参考建议,以便于用户进行详细的管理和决策。
Description
技术领域
本发明涉及可控农业技术领域,具体为一种基于人工智能的可控农业栽培管理系统及方法。
背景技术
随着科学技术的发展,可控农业将设施农业与数字农业进行了完美融合,提出了一种全球农业产业发展新模式,是智慧农业的核心诉求,实现了农业产业化系统性服务,让设施适配作物,让数字赋能设施,发展科技体系支撑下的现代农业。
在农业生产中,农作物栽培是其中的核心内容,不仅影响着农作物的产量与质量,更关系着农户的营收情况。在传统农业中,农户需要根据农作物种类确定适时播种期,提前制定完善的播种方案,选择种植区域,提前处理土壤,并结合实际地形和气候环境,综合考虑作物种植方案;但是,现代农业中为了提高农作物的产量和质量,结合各种现代化栽培设施,实行可控农业栽培,可以通过控制作物生长所需的各项要素来实现同一区域栽培多种类作物。为了帮助农户了解市场需求,结合销售情况进行作物栽培,避免生产与需求的不对等关系,人们需要一种基于人工智能的可控农业栽培管理系统及方法来解决上述问题。
发明内容
本发明的目的在于提供一种基于人工智能的可控农业栽培管理系统及方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于人工智能的可控农业栽培管理方法,包括以下步骤:
S1:根据销售历史数据,对作物的市场需求情况进行分析,得到随时间变化的作物需求量;
S2:根据获取到的市场需求数据,结合用户可用种植面积,对作物种植情况进行规划分析;
S3:对作物的栽培生长过程进行监测,判断作物生长情况是否符合预设规划,并对偏差数据进行预警;
S4:根据栽培作物的实际成熟情况,结合时间条件对采摘工作和运输工作进行工作安排分析。
进一步的,所述步骤S1包括:
步骤S1-1:通过接口调用销售平台的数据或通过人工导入历史销售账簿对用户所种植的各类作物的相关历史销售数据进行获取;
步骤S1-2:对获取的相关历史销售量数据进行解析,整合得到关于时间和各作物销售量的销售情况示意图;
步骤S1-3:对各年销售情况示意图进行拟合,根据历史销售示意图对下一年中随时间变化的各作物销售量进行预测分析。以便于用户能够根据市场实际需求,有目的性的进行作物栽培,有效减少由于农户对市场走向不够了解导致的经济损失,进而提高农户种植收益;
具体的,可通过时间序列模型、回归模型和神经网络模型等对销售量进行预测;
进一步的,所述步骤S2包括:
步骤S2-1:对用户的实时可用种植面积进行获取,可通过图像监测或人工输入等方式对实时可用种植面积进行获取;并对预测得出的下一年中随时间变化的各作物销售量进行接收;
步骤S2-2:结合各作物所需生长时间和单位面积内的平均作物产量,对各作物所需的种植面积和开始种植时间进行分析,输出关于各作物的种植规划结果;包括以下步骤:
S2-2-1:根据历史数据,计算各作物的生长时间和单位面积内的平均作物产量;
S2-2-2:根据预测得到的未来时间节点所需的市场需求量,确定未来时间点所需收获的作物数量;
S2-2-3:根据各作物所需的生长时间和种植面积,根据以下公式对开始种植时间进行计算:开始种植时间=未来时间节点-生长时间;
S2-2-4:根据所需收获的作物数量和单位面积内的平均作物产量,根据以下公式对所需的种植面积进行计算:所需种植面积=所需收获的作物数量÷单位面积内的平均作物产量;
优选的,以上计算结果只是初步估算,实际情况需要根据土壤、灾害等因素进行动态调整,以确保能够在未来时间节点收获所需数量的作物。
需要注意的是,以上分析方法只是对种植面积和开始种植时间进行初步估算,实际情况用户可能需要考虑市场环境和种植成本等因素,进行综合分析和决策。
步骤S2-3:获取分析得出的对各作物的种植规划结果,构建可视化数据库,根据获取的种植规划结果基于种植面积、种植作物类型、种植位置和开始种植时间,与可视化数据库进行匹配,将所述种植规划结果进行图像化显示,将分析结果可视化,运用计算机图形学和图像处理技术,将种植规划转化为图像的展示,用户能够通过屏幕直观的接收到规划安排信息。
进一步的,所述步骤S3包括:
步骤S3-1:对用户所种植作物的生长情况进行实时监控,
步骤S3-2:对监控数据进行分析,根据实时监控信息对各种类的作物产量和成熟时间进行预测;
具体的,通过实时监控图像信息对各种类的作物产量和成熟时间进行预测可采用以下步骤:
X1:利用摄像头或传感器等设备对作物进行实时监控,获取作物的果实颜色、果实大小等数据;
X2:对采集到的数据进行预处理,包括数据清洗、异常值处理、数据归一化等操作,以便于后续模型处理;并从预处理后的数据中提取有用的特征,比如作物的生长速度、叶片颜色的变化、果实大小的变化等指标,作为输入特征;
X3:选择合适的机器学习算法或深度学习模型,利用历史数据进行训练,建立作物成熟情况预测模型;
X4:利用已经建立的模型,对实时监控图像信息进行分析,预测得到各种类作物的产量和成熟时间的预测结果,并将预测结果展示在终端,向农户提供参考,以便于用户进行管理和决策。
步骤S3-3:将预测得到的作物产量和成熟时间进行反馈,判断按照当前作物生长趋势,各类作物的收获时间和收获量是否能够满足预设的种植规划,若不能满足预设的种植规划,则对偏差数据进行预警,并根据实际需求判断是否对种植规划进行相应调整。
进一步的,在步骤S4中,具体包括以下步骤:
S4-1:根据监控数据获取到用户所种植作物的实时成长数据,通过图像识别的方式得到各种类作物的成熟情况,对处于成熟期的可采摘作物数量进行获取;
S4-2:根据获取到的可采摘作物相关数据对采摘工作的工作安排进行分析;根据以下公式对采摘工作安排进行分析:
;
其中,表示采摘工作需要的时间,/>表示总的采摘工作量,/>表示每人每天所需的采摘量,/>表示需要的采摘人数;用户可通过选择任一变量对采摘工作安排进行调整;
S4-3:根据获取到的可采摘作物相关数据和采摘工作的工作安排对运输工作安排进行分析;根据以下公式对运输工作安排进行分析:
;
其中,表示运输工作需要的时间,/>表示总的运输工作量,/>表示每辆车每天所需的运输量,/>表示需要的运输车辆数;用户可通过选择任一变量对采摘工作安排进行调整;
具体的,总的运输工作量=总的采摘工作量×单位重量;
S4-4:根据分析得到的对采摘工作和运输工作的工作安排,向用户输出相应的工作计划建议。
一种基于人工智能的可控农业栽培管理系统,所述系统包括:数据获取模块、数据处理模块、数据监测模块和工作安排分析模块;
所述数据获取模块用于对用户所栽培作物的历史销售数据进行获取,包括历史销售数量和其相对应的时间数据;并获取用户用于栽培作业的种植面积信息;
所述数据处理模块用于对获取到的各项数据进行处理,根据用户选择的作物种类,对各种类作物的种植时间和种植面积进行分析;
所述数据监测模块用于对作物栽培情况进行监测,根据监测到的作物栽培数据对作物产量及成熟时间进行预测,判断是否需要对种植安排进行调整;
所述工作安排分析模块用于根据实际采摘情况对采摘工作和运输工作进行分析,并根据工作量向用户输出工作计划建议。
进一步的,所述数据获取模块包括历史数据获取单元、历史数据解析单元和历史数据整合单元;
所述历史数据获取单元用于对用户进行各类作物销售的历史销售量数据进行获取;
所述历史数据解析单元用于对各类作物的销售量和销售时间进行解析,获取以时间为变量的销售情况示意图;
所述历史数据整合单元用于对各历史时间节点中的作物的销售数据进行整合,并将整合处理后的数据进行存储。
进一步的,所述数据处理模块包括数据接收单元、数据分析单元和种植规划输出单元;
所述数据接收单元用于对需要进行数据处理的各项数据进行接收,并根据其数据类型,将各类数据封装后传输至数据分析单元;
所述数据分析单元用于对接收到的数据进行分析,根据输入数据分析得到各种类作物所需的种植面积和种植时间;
所述种植规划输出单元用于根据数据分析结果向用户输出可视化的种植规划建议,通过可视化界面向用户的作物栽培计划提供具有可靠性的建议,以便于用户能够直观详细的对作物种植安排进行了解。
进一步的,所述数据监测模块包括作物生长监控单元、监控数据分析单元和数据反馈单元;
所述作物生长监控单元用于对用户种植作物的生长情况进行全面监控;
所述监控数据分析单元用于对监控到的作物生长情况进行分析,对作物产量及成熟时间进行预测;
所述数据反馈单元用于将数据分析结果反馈至数据处理模块,根据作物实际生长情况,判断是否需要对种植规划进行调整。
进一步的,所述工作安排分析模块包括作物采摘情况获取单元、采摘工作量分析单元、运输工作量分析单元和工作安排输出单元;
所述作物采摘情况获取单元用于对处于成熟期的可采摘作物的相关数据进行获取;
所述采摘工作量分析单元用于根据获取到的可采摘作物相关数据对采摘工作的工作安排进行分析;
所述运输工作量分析单元用于根据获取到的可采摘作物相关数据和采摘工作的工作安排对运输工作安排进行分析;
所述工作安排输出单元用于根据分析得到的对采摘工作和运输工作的工作安排,向用户输出相应的工作计划建议。
与现有技术相比,本发明所达到的有益效果是:
本发明通过数据获取模块对用户所栽培作物的历史销售数据进行获取,以便于用户能够根据市场实际需求,有目的性的进行作物栽培,有效减少由于农户对市场走向不够了解导致的经济损失,进而提高农户种植收益;并获取用户用于栽培作业的种植面积信息;通过数据处理模块对获取到的各项数据进行处理,根据用户选择的作物种类,对各种类作物的种植时间和种植面积进行分析;通过数据监测模块对作物栽培情况进行监测,根据监测到的作物栽培数据对作物产量及成熟时间进行预测,判断是否需要对种植安排进行调整;通过工作安排分析模块根据实际采摘情况对采摘工作和运输工作进行分析,并根据工作量向用户输出工作计划建议,以便于用户能够直观详细的对作物种植安排进行了解。本发明能够帮助农户了解市场需求,结合销售情况进行定向作物栽培,有效的向农户提供了栽培管理的参考建议,以便于用户进行详细的管理和决策。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于人工智能的可控农业栽培管理系统及方法的模块结构示意图;
图2是本发明一种基于人工智能的可控农业栽培管理系统及方法的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。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。
请参阅图1、图2和具体实施例对本发明作进一步的说明。
实施例1:如图1所示,本实施例提供了一种基于人工智能的可控农业栽培管理系统,所述系统包括:数据获取模块、数据处理模块、数据监测模块和工作安排分析模块;
数据获取模块用于对用户所栽培作物的历史销售数据进行获取,包括历史销售数量和其相对应的时间数据;并获取用户用于栽培作业的种植面积信息;数据获取模块包括历史数据获取单元、历史数据解析单元和历史数据整合单元;
历史数据获取单元,用于对用户进行各类作物销售的历史销售量数据进行获取;
历史数据解析单元,用于对各类作物的销售量和销售时间进行解析,获取以时间为变量的销售情况示意图;
历史数据整合单元,用于对各历史时间节点中的作物的销售数据进行整合,并将整合处理后的数据进行存储。
数据处理模块用于对获取到的各项数据进行处理,根据用户选择的作物种类,对各种类作物的种植时间和种植面积进行分析;数据处理模块包括数据接收单元、数据分析单元和种植规划输出单元;
数据接收单元,用于对需要进行数据处理的各项数据进行接收,并根据其数据类型,将各类数据封装后传输至数据分析单元;
数据分析单元,用于对接收到的数据进行分析,根据输入数据分析得到各种类作物所需的种植面积和种植时间;
种植规划输出单元,用于根据数据分析结果向用户输出可视化的种植规划建议,通过可视化界面向用户的作物栽培计划提供具有可靠性的建议,以便于用户能够直观详细的对作物种植安排进行了解。
数据监测模块用于对作物栽培情况进行监测,根据监测到的作物栽培数据对作物产量及成熟时间进行预测,判断是否需要对种植安排进行调整;数据监测模块包括作物生长监控单元、监控数据分析单元和数据反馈单元;
作物生长监控单元,用于对用户种植作物的生长情况进行全面监控;
监控数据分析单元,用于对监控到的作物生长情况进行分析,对作物产量及成熟时间进行预测;
数据反馈单元,用于将数据分析结果反馈至数据处理模块,根据作物实际生长情况,判断是否需要对种植规划进行调整。
工作安排分析模块用于根据实际采摘情况对采摘工作和运输工作进行分析,并根据工作量向用户输出工作计划建议,工作安排分析模块包括作物采摘情况获取单元、采摘工作量分析单元、运输工作量分析单元和工作安排输出单元;
作物采摘情况获取单元,用于对处于成熟期的可采摘作物的相关数据进行获取;
采摘工作量分析单元,用于根据获取到的可采摘作物相关数据对采摘工作的工作安排进行分析;
运输工作量分析单元,用于根据获取到的可采摘作物相关数据和采摘工作的工作安排对运输工作安排进行分析;
工作安排输出单元,用于根据分析得到的对采摘工作和运输工作的工作安排,向用户输出相应的工作计划建议。
实施例2:如图2所示,本实施例提供了一种基于人工智能的可控农业栽培管理方法,其基于实施例中的一种基于人工智能的可控农业栽培管理系统实现,具体包括以下步骤:
S1:根据销售历史数据,对作物的市场需求情况进行分析,得到随时间变化的作物需求量;
步骤S1具体包括:
步骤S1-1:通过接口调用销售平台的数据或通过人工导入历史销售账簿对用户所种植的各类作物的相关历史销售数据进行获取;
步骤S1-2:对获取的相关历史销售量数据进行解析,整合得到关于时间和各作物销售量的销售情况示意图;
步骤S1-3:对各年销售情况示意图进行拟合,根据历史销售示意图对下一年中随时间变化的各作物销售量进行预测分析。以便于用户能够根据市场实际需求,有目的性的进行作物栽培,有效减少由于农户对市场走向不够了解导致的经济损失,进而提高农户种植收益;
具体的,可通过时间序列模型、回归模型和神经网络模型等对销售量进行预测;
例如,通过使用时间序列模型中的季节性ARIMA模型进行预测,公式如下:
;
;
;
;
;
其中,表示时间/>的销售量,/>为常数,/>为AR系数,/>为MA系数,/>表示时间/>的季节因子,/>为季节周期,/>分别为ARIMA模型的阶数,/>分别为季节性ARIMA模型的阶数,表示时间/>的随机误差项。
例如,通过使用回归模型对销售量进行预测,公式如下:
;
其中,表示销售量,/>为影响销售量的因素,/>表示回归系数,/>表示随机误差项;
S2:根据获取到的市场需求数据,结合用户可用种植面积,对作物种植情况进行规划分析;
步骤S2具体包括:
步骤S2-1:对用户的实时可用种植面积进行获取,可通过图像监测或人工输入等方式对实时可用种植面积进行获取;并对预测得出的下一年中随时间变化的各作物销售量进行接收;
步骤S2-2:结合各作物所需生长时间和单位面积内的平均作物产量,对各作物所需的种植面积和开始种植时间进行分析,输出关于各作物的种植规划结果;包括以下步骤:
S2-2-1:根据历史数据,计算各作物的生长时间和单位面积内的平均作物产量;
S2-2-2:根据预测得到的未来时间节点所需的市场需求量,确定未来时间点所需收获的作物数量;
S2-2-3:根据各作物所需的生长时间和种植面积,根据以下公式对开始种植时间进行计算:开始种植时间=未来时间节点-生长时间;
S2-2-4:根据所需收获的作物数量和单位面积内的平均作物产量,根据以下公式对所需的种植面积进行计算:所需种植面积=所需收获的作物数量÷单位面积内的平均作物产量;
优选的,以上计算结果只是初步估算,实际情况需要根据土壤、灾害等因素进行动态调整,以确保能够在未来时间节点收获所需数量的作物。
需要注意的是,以上分析方法只是对种植面积和开始种植时间进行初步估算,实际情况用户可能需要考虑市场环境和种植成本等因素,进行综合分析和决策。
步骤S2-3:获取分析得出的对各作物的种植规划结果,构建可视化数据库,根据获取的种植规划结果基于种植面积、种植作物类型、种植位置和开始种植时间,与可视化数据库进行匹配,将所述种植规划结果进行图像化显示,将分析结果可视化,运用计算机图形学和图像处理技术,将种植规划转化为图像的展示,用户能够通过屏幕直观的接收到规划安排信息。
S3:对作物的栽培生长过程进行监测,判断作物生长情况是否符合预设规划,并对偏差数据进行预警;
步骤S3具体包括:
步骤S3-1:对用户所种植作物的生长情况进行实时监控,
步骤S3-2:对监控数据进行分析,根据实时监控信息对各种类的作物产量和成熟时间进行预测;
具体的,通过实时监控图像信息对各种类的作物产量和成熟时间进行预测可采用以下步骤:
X1:利用摄像头或传感器等设备对作物进行实时监控,获取作物的果实颜色、果实大小等数据;
X2:对采集到的数据进行预处理,包括数据清洗、异常值处理、数据归一化等操作,以便于后续模型处理;并从预处理后的数据中提取有用的特征,比如作物的生长速度、叶片颜色的变化、果实大小的变化等指标,作为输入特征;
X3:选择合适的机器学习算法或深度学习模型,利用历史数据进行训练,建立作物成熟情况预测模型;
X4:利用已经建立的模型,对实时监控图像信息进行分析,预测得到各种类作物的产量和成熟时间的预测结果,并将预测结果展示在终端,向农户提供参考,以便于用户进行管理和决策。
步骤S3-3:将预测得到的作物产量和成熟时间进行反馈,判断按照当前作物生长趋势,各类作物的收获时间和收获量是否能够满足预设的种植规划,若不能满足预设的种植规划,则对偏差数据进行预警,并根据实际需求判断是否对种植规划进行相应调整。
S4:根据栽培作物的实际成熟情况,结合时间条件对采摘工作和运输工作进行工作安排分析;
在步骤S4中,具体包括以下步骤:
S4-1:根据监控数据获取到用户所种植作物的实时成长数据,通过图像识别的方式得到各种类作物的成熟情况,对处于成熟期的可采摘作物数量进行获取;
S4-2:根据获取到的可采摘作物相关数据对采摘工作的工作安排进行分析;根据以下公式对采摘工作安排进行分析:
;
其中,表示采摘工作需要的时间,/>表示总的采摘工作量,/>表示每人每天所需的采摘量,/>表示需要的采摘人数;用户可通过选择任一变量对采摘工作安排进行调整;
S4-3:根据获取到的可采摘作物相关数据和采摘工作的工作安排对运输工作安排进行分析;根据以下公式对运输工作安排进行分析:
;
其中,表示运输工作需要的时间,/>表示总的运输工作量,/>表示每辆车每天所需的运输量,/>表示需要的运输车辆数;用户可通过选择任一变量对采摘工作安排进行调整;
具体的,总的运输工作量=总的采摘工作量×单位重量;
S4-4:根据分析得到的对采摘工作和运输工作的工作安排,向用户输出相应的工作计划建议。
需要说明的是,在本文中,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、物品或者设备所固有的要素。
最后应说明的是: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,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的可控农业栽培管理方法,其特征在于:包括以下步骤:
S1:根据销售历史数据,对作物的市场需求情况进行分析,得到随时间变化的作物需求量;
S2:根据获取到的市场需求数据,结合用户可用种植面积,对作物种植情况进行规划分析;
S3:对作物的栽培生长过程进行监测,判断作物生长情况是否符合预设规划,并对偏差数据进行预警;
S4:根据栽培作物的实际成熟情况,结合时间条件对采摘工作和运输工作进行工作安排分析;
在所述S2中,包括以下步骤:
步骤S2-1:对用户的实时可用种植面积进行获取,并对预测得出的下一年中随时间变化的各作物销售量进行接收;
步骤S2-2:结合各作物所需生长时间和单位面积内的平均作物产量,对各作物所需的种植面积和开始种植时间进行分析,输出关于各作物的种植规划结果;包括以下步骤:
S2-2-1:根据历史数据,计算各作物的生长时间和单位面积内的平均作物产量;
S2-2-2:根据预测得到的未来时间节点所需的市场需求量,确定未来时间点所需收获的作物数量;
S2-2-3:根据各作物所需的生长时间和种植面积,根据以下公式对开始种植时间进行计算:开始种植时间=未来时间节点-生长时间;
S2-2-4:根据所需收获的作物数量和单位面积内的平均作物产量,根据以下公式对所需的种植面积进行计算:所需种植面积=所需收获的作物数量÷单位面积内的平均作物产量;
步骤S2-3:获取分析得出的对各作物的种植规划结果,构建可视化数据库,根据获取的种植规划结果基于种植面积、种植作物类型、种植位置和开始种植时间,与可视化数据库进行匹配,将所述种植规划结果进行图像化显示。
2.根据权利要求1所述的一种基于人工智能的可控农业栽培管理方法,其特征在于:所述步骤S1包括:
步骤S1-1:通过接口调用销售平台的数据或通过人工导入历史销售账簿对用户所种植的各类作物的相关历史销售数据进行获取;
步骤S1-2:对获取的相关历史销售量数据进行解析,整合得到关于时间和各作物销售量的销售情况示意图;
步骤S1-3:对各年销售情况示意图进行拟合,根据历史销售示意图对下一年中随时间变化的各作物销售量进行预测分析。
3.根据权利要求1所述的一种基于人工智能的可控农业栽培管理方法,其特征在于:所述步骤S3包括以下步骤:
步骤S3-1:对用户所种植作物的生长情况进行实时监控;
步骤S3-2:对监控数据进行分析,根据实时监控信息对各种类的作物产量和成熟时间进行预测;
步骤S3-3:将预测得到的作物产量和成熟时间进行反馈,判断按照当前作物生长趋势,各类作物的收获时间和收获量是否能够满足预设的种植规划,若不能满足预设的种植规划,则对偏差数据进行预警,并根据实际需求判断是否对种植规划进行相应调整。
4.根据权利要求1所述的一种基于人工智能的可控农业栽培管理方法,其特征在于:所述步骤S4中包括以下步骤:
S4-1:根据监控数据获取到用户所种植作物的实时成长数据,通过图像识别的方式得到各种类作物的成熟情况,对处于成熟期的可采摘作物数量进行获取;
S4-2:根据获取到的可采摘作物相关数据对采摘工作的工作安排进行分析;根据以下公式对采摘工作安排进行分析:
;
其中,zt表示采摘工作需要的时间,L表示总的采摘工作量,Rh表示每人每天所需的采摘量,S表示需要的采摘人数;用户可通过选择任一变量对采摘工作安排进行调整;
S4-3:根据获取到的可采摘作物相关数据和采摘工作的工作安排对运输工作安排进行分析;根据以下公式对运输工作安排进行分析:
;
其中,Tt表示运输工作需要的时间,V表示总的运输工作量,Rh表示每辆车每天所需的运输量,G表示需要的运输车辆数;用户可通过选择任一变量对采摘工作安排进行调整;
S4-4:根据分析得到的对采摘工作和运输工作的工作安排,向用户输出相应的工作计划建议。
5.一种基于人工智能的可控农业栽培管理系统,所述系统通过权利要求1所述的一种基于人工智能的可控农业栽培管理方法实现,其特征在于:所述系统包括:数据获取模块、数据处理模块、数据监测模块和工作安排分析模块;
所述数据获取模块用于对用户所栽培作物的历史销售数据进行获取,并获取用户用于栽培作业的种植面积信息;
所述数据处理模块用于对获取到的各项数据进行处理,根据用户选择的作物种类,对各种类作物的种植时间和种植面积进行分析;
所述数据监测模块用于对作物栽培情况进行监测,根据监测到的作物栽培数据对作物产量及成熟时间进行预测,判断是否需要对种植安排进行调整;
所述工作安排分析模块用于根据实际采摘情况对采摘工作和运输工作进行分析,并根据工作量向用户输出工作计划建议。
6.根据权利要求5所述的一种基于人工智能的可控农业栽培管理系统,其特征在于:所述数据获取模块包括历史数据获取单元、历史数据解析单元和历史数据整合单元;
所述历史数据获取单元用于对用户进行各类作物销售的历史销售量数据进行获取;
所述历史数据解析单元用于对各类作物的销售量和销售时间进行解析,获取以时间为变量的销售情况示意图;
所述历史数据整合单元用于对各历史时间节点中的作物的销售数据进行整合,并将整合处理后的数据进行存储。
7.根据权利要求5所述的一种基于人工智能的可控农业栽培管理系统,其特征在于:所述数据处理模块包括数据接收单元、数据分析单元和种植规划输出单元;
所述数据接收单元用于对需要进行数据处理的各项数据进行接收,并根据其数据类型,将各类数据封装后传输至数据分析单元;
所述数据分析单元用于对接收到的数据进行分析,根据输入数据分析得到各种类作物所需的种植面积和种植时间;
所述种植规划输出单元用于根据数据分析结果向用户输出可视化的种植规划建议。
8.根据权利要求5所述的一种基于人工智能的可控农业栽培管理系统,其特征在于:所述数据监测模块包括作物生长监控单元、监控数据分析单元和数据反馈单元;
所述作物生长监控单元用于对用户种植作物的生长情况进行全面监控;
所述监控数据分析单元用于对监控到的作物生长情况进行分析,对作物产量及成熟时间进行预测;
所述数据反馈单元用于将数据分析结果反馈至数据处理模块,根据作物实际生长情况,判断是否需要对种植规划进行调整。
9.根据权利要求5所述的一种基于人工智能的可控农业栽培管理系统,其特征在于:所述工作安排分析模块包括作物采摘情况获取单元、采摘工作量分析单元、运输工作量分析单元和工作安排输出单元;
所述作物采摘情况获取单元用于对处于成熟期的可采摘作物的相关数据进行获取;
所述采摘工作量分析单元用于根据获取到的可采摘作物相关数据对采摘工作的工作安排进行分析;
所述运输工作量分析单元用于根据获取到的可采摘作物相关数据和采摘工作的工作安排对运输工作安排进行分析;
所述工作安排输出单元用于根据分析得到的对采摘工作和运输工作的工作安排,向用户输出相应的工作计划建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652783.0A CN116703083B (zh) | 2023-06-05 | 2023-06-05 | 一种基于人工智能的可控农业栽培管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310652783.0A CN116703083B (zh) | 2023-06-05 | 2023-06-05 | 一种基于人工智能的可控农业栽培管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116703083A CN116703083A (zh) | 2023-09-05 |
CN116703083B true CN116703083B (zh) | 2024-01-30 |
Family
ID=87835155
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310652783.0A Active CN116703083B (zh) | 2023-06-05 | 2023-06-05 | 一种基于人工智能的可控农业栽培管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116703083B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117973701A (zh) * | 2024-03-29 | 2024-05-03 | 广东海洋大学 | 一种基于大数据的农业服务管理方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260791A (zh) * | 2015-09-25 | 2016-01-20 | 苏州携优信息技术有限公司 | 基于农业物联网和大数据分析的种植计划优化系统和方法 |
CN113592147A (zh) * | 2021-07-01 | 2021-11-02 | 浙江数秦科技有限公司 | 基于区块链的农业生产地区调控系统 |
-
2023
- 2023-06-05 CN CN202310652783.0A patent/CN116703083B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260791A (zh) * | 2015-09-25 | 2016-01-20 | 苏州携优信息技术有限公司 | 基于农业物联网和大数据分析的种植计划优化系统和方法 |
CN113592147A (zh) * | 2021-07-01 | 2021-11-02 | 浙江数秦科技有限公司 | 基于区块链的农业生产地区调控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116703083A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101936317B1 (ko) | 단말기를 이용한 스마트 파밍 방법 | |
EP3482630B1 (en) | Method, system and computer program for performing a pest forecast | |
US8671006B2 (en) | System and method for managing and predicting crop performance | |
CN116703083B (zh) | 一种基于人工智能的可控农业栽培管理系统及方法 | |
KR101934961B1 (ko) | 단말기를 이용한 수익성 예측 방법 및 수익성 예측 장치 | |
KR20150096103A (ko) | 농산물 수확량 예측 장치 및 방법 | |
EP3358518A1 (en) | Farmwork plan support system | |
CN111476149A (zh) | 一种植物培育控制方法和系统 | |
CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
CN102681438B (zh) | 作物温室栽培专家控制系统及作物病症诊断方法 | |
CA3171579A1 (en) | Crowdsourced informatics for horticultural workflow and exchange | |
CN113273449A (zh) | 用于日光温室精准监测的数字孪生体构造方法 | |
CN113379188B (zh) | 基于物联网的烟草轮作种植方法和系统 | |
CN115205695A (zh) | 一种根据种植数据确定种植策略的方法和系统 | |
KR20030018604A (ko) | 농업 및 수산업용 생산관리 시스템 | |
CN114066033A (zh) | 一种智慧农业优化方法和系统 | |
CN111079678B (zh) | 一种甜菜产业全产业链智慧服务平台 | |
CN114913029B (zh) | 一种基于物联网的智能农业监控平台 | |
KR20210059070A (ko) | 농작물 재배 모니터링 시스템 및 이를 이용한 농작물 재배 모니터링 방법 | |
CN115292753A (zh) | 一种基于区块链的农业大棚数据溯源与管理方法 | |
CN113570240A (zh) | 一种基于农作物全生命周期管理的智慧农场平台 | |
CN114037229A (zh) | 一种沙漠区域种植智能决策方法、装置、设备及存储介质 | |
CN116578047B (zh) | 一种用于辣椒生产的精细化智能控制方法及系统 | |
CN112468533B (zh) | 一种面向农产品种植的边缘学习模型在线分割方法和系统 | |
CN112330294A (zh) | 一种基于云计算的智慧农业控制系统及控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |