CN117136765A - 基于智能农业的大棚控制系统及方法 - Google Patents
基于智能农业的大棚控制系统及方法 Download PDFInfo
- Publication number
- CN117136765A CN117136765A CN202311131329.7A CN202311131329A CN117136765A CN 117136765 A CN117136765 A CN 117136765A CN 202311131329 A CN202311131329 A CN 202311131329A CN 117136765 A CN117136765 A CN 117136765A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- temperature
- feature
- input vector
- humidity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000013598 vector Substances 0.000 claims abstract description 179
- 238000005286 illumination Methods 0.000 claims abstract description 87
- 230000007613 environmental effect Effects 0.000 claims abstract description 48
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 230000003247 decreasing effect Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 53
- 238000013507 mapping Methods 0.000 claims description 44
- 238000009826 distribution Methods 0.000 claims description 32
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000012546 transfer Methods 0.000 claims description 15
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000003912 environmental pollution Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 11
- 230000012010 growth Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 235000013311 vegetables Nutrition 0.000 description 5
- 238000012549 training Methods 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000007704 transition Effects 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
-
- 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
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Greenhouses (AREA)
Abstract
公开了一种基于智能农业的大棚控制系统及方法。其首先通过部署于大棚内的传感器组采集预定时间段内多个预定时间点的温度值、湿度值和光照强度值，接着，将所述多个预定时间点的温度值、湿度值和光照强度值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和光照强度时序输入向量，然后，对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征，最后，基于所述环境参数关联特征，确定当前时间点的温度值应增大或减小。这样，可以优化大棚内的环境条件，提高农作物的产量和质量，降低资源消耗和环境污染。
Description
技术领域
本公开涉及智能农业领域，且更为具体地，涉及一种基于智能农业的大棚控制系统及方法。
背景技术
农业大棚是一种具有出色保温性能的框架覆膜结构，它的出现使得人们可以在非常规季节享受到新鲜的蔬菜。在蔬菜的生长过程中，环境因素如温度、湿度和光照强度对植物的生长影响最为显著。但是，由于昼夜温度、湿度和光照强度的变化较大，不利于蔬菜的正常生长，因此需要对大棚内的环境参数进行监测和控制，以创造适宜的生长环境，提高蔬菜的产量和质量。
传统大棚内的环境监控系统通常是通过内部的温度计进行实时监测。然而，温度计的示数反应较为迟钝，需要一定时间才能准确反映实际温度变化，这会导致温度波动时的延迟，使得温度控制不够精确。并且，大棚内的温度会受到湿度和光照强度等环境参数的影响，导致仅对于单一环境参数监测控制的精度达不到要求，从而影响蔬菜的正常生长。此外，传统的大棚环境控制系统无法实现远程实时监测，无法满足现代农业生产对数据实时性的需求。
因此，期望一种基于智能农业的大棚控制系统。
发明内容
有鉴于此，本公开提出了一种基于智能农业的大棚控制系统及方法，其可以通过部署于大棚内的传感器组实时采集温度值、湿度值和光照强度值，并在后端引入数据处理和分析算法来进行大棚内的温度值、湿度值和光照强度值的时序协同分析，以基于大棚内的环境数据时序协同变化趋势来调整大棚内的温度值，以提供最适宣作物生长的环境。
根据本公开的一方面，提供了一种基于智能农业的大棚控制系统，其包括：
数据采集模块，用于通过部署于大棚内的传感器组采集预定时间段内多个预定时间点的温度值、湿度值和光照强度值；
参数时序排列模块，用于将所述多个预定时间点的温度值、湿度值和光照强度值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和光照强度时序输入向量；
参数关联特征提取模块，用于对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征；以及
温度值实时控制模块，用于基于所述环境参数关联特征，确定当前时间点的温度值应增大或减小。
根据本公开的另一方面，提供了一种基于智能农业的大棚控制方法，其包括：
通过部署于大棚内的传感器组采集预定时间段内多个预定时间点的温度值、湿度值和光照强度值；
将所述多个预定时间点的温度值、湿度值和光照强度值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和光照强度时序输入向量；
对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征；以及
基于所述环境参数关联特征，确定当前时间点的温度值应增大或减小。
根据本公开的实施例，其首先通过部署于大棚内的传感器组采集预定时间段内多个预定时间点的温度值、湿度值和光照强度值，接着，将所述多个预定时间点的温度值、湿度值和光照强度值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和光照强度时序输入向量，然后，对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征，最后，基于所述环境参数关联特征，确定当前时间点的温度值应增大或减小。这样，可以优化大棚内的环境条件，提高农作物的产量和质量，降低资源消耗和环境污染。
根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
图1示出根据本公开的实施例的基于智能农业的大棚控制系统的框图。
图2示出根据本公开的实施例的基于智能农业的大棚控制系统中所述参数关联特征提取模块的框图。
图3示出根据本公开的实施例的基于智能农业的大棚控制系统中所述温度值实时控制模块的框图。
图4示出根据本公开的实施例的基于智能农业的大棚控制方法的流程图。
图5示出根据本公开的实施例的基于智能农业的大棚控制方法的架构示意图。
图6示出根据本公开的实施例的基于智能农业的大棚控制系统的应用场景图。
具体实施方式
下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，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，也属于本公开保护的范围。
如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
针对上述技术问题，本公开的技术构思为通过部署于大棚内的传感器组实时采集温度值、湿度值和光照强度值，并在后端引入数据处理和分析算法来进行大棚内的温度值、湿度值和光照强度值的时序协同分析，以基于大棚内的环境数据时序协同变化趋势来调整大棚内的温度值，以提供最适宣作物生长的环境。这样，能够优化大棚内的环境条件，提高农作物的产量和质量，降低资源消耗和环境污染，从而帮助农民更好地管理和控制大棚，实现智能化农业生产。
图1示出根据本公开的实施例的基于智能农业的大棚控制系统的框图示意图。如图1所示，根据本公开实施例的基于智能农业的大棚控制系统100，包括：数据采集模块110，用于通过部署于大棚内的传感器组采集预定时间段内多个预定时间点的温度值、湿度值和光照强度值；参数时序排列模块120，用于将所述多个预定时间点的温度值、湿度值和光照强度值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和光照强度时序输入向量；参数关联特征提取模块130，用于对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征；以及,温度值实时控制模块140，用于基于所述环境参数关联特征，确定当前时间点的温度值应增大或减小。
具体地，在本公开的技术方案中，首先，获取由部署于大棚内的传感器组采集的预定时间段内多个预定时间点的温度值、湿度值和光照强度值。接着，考虑到由于所述大棚内的温度值、湿度值和光照强度值都在时间维度上有着各自的动态变化规律，也就是说，所述多个预定时间点的温度值、湿度值和光照强度值分别都在时间维度上有着时序关联特征信息。因此，在本公开的技术方案中，进一步将所述多个预定时间点的温度值、湿度值和光照强度值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和光照强度时序输入向量，以此来分别整合所述温度值、所述湿度值和所述光照强度值的时序分布信息。
然后，再将所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器中进行特征挖掘，以分别提取出所述温度值、所述湿度值和所述光照强度值在时间维度上的时序关联特征信息，从而得到温度时序特征向量、湿度时序特征向量和光照强度时序特征向量。这样，通过分别提取出所述温度值、所述湿度值和所述光照强度值在时间维度上的时序动态变化特征，能够有利于后续对于大棚内的环境参数数据的时序协同关联和变化趋势进行分析和刻画，从而提高对于参数实时控制的精准度，以提供最适宣作物生长的环境，提高农作物的产量和质量。
进一步地，在得到所述温度值、所述湿度值和所述光照强度值的时序动态变化特征后，为了能够综合考虑环境参数之间的时序协同关联特征，以更为准确地进行大棚内的环境参数的实时控制，在本公开的技术方案中，使用类贝叶斯模型来融合所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量以得到环境参数后验特征向量。应可以理解，所述类贝叶斯模型是基于贝叶斯定理的一种概率模型，它可以用来进行概率推断和决策。在这种情况下，所述类贝叶斯模型可以用于融合温度、湿度和光照强度的时序特征向量。也就是说，通过所述类贝叶斯模型，可以将不同的环境参数特征向量之间的关联性和相互作用考虑在内，其可以学习所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量之间的条件概率分布，从而根据已观察到的特征向量来推断环境参数的后验概率分布。例如，在智能大棚控制系统中，通过融合温度、湿度和光照强度的时序特征向量，可以得到所述环境参数后验特征向量，即温度、湿度和光照强度的后验概率分布。这样可以更准确地了解大棚内的环境状况，并根据该环境参数后验特征向量做出相应的决策，如调节温度、湿度和光照强度来优化作物的生长环境。
在对于大棚内的温度值进行实时自适应控制的过程中，为了能够进一步提高对于温度控制的精准度，在本公开的技术方案中，进一步计算所述温度时序特征向量相对于所述环境参数后验特征向量的转移矩阵以得到温度时序映射特征矩阵，通过学习所述温度时序特征向量与所述环境参数后验特征向量之间的关系，将温度时序特征映射到更能反映环境参数变化的特征空间中。具体来说，通过计算所述温度时序特征向量相对于所述环境参数后验特征向量的转移矩阵，可以捕捉到温度时序特征与环境参数时序协同关联特征之间的相关性和转换规律。这样，就可以将所述温度时序特征向量转换为更能反映环境参数变化的所述温度时序映射特征矩阵。
相应地，如图2所示，所述参数关联特征提取模块130，包括：参数时序特征提取单元131，用于通过基于深度神经网络模型的时序特征提取器分别对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行特征提取以得到温度时序特征向量、湿度时序特征向量和光照强度时序特征向量；以及，多参数时序特征融合单元132，用于融合所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量以得到所述环境参数关联特征。应可以理解，在所述参数关联特征提取模块130中，包括参数时序特征提取单元131和多参数时序特征融合单元132两个主要单元。参数时序特征提取单元131是用于提取温度、湿度和光照强度的时序特征的，它使用基于深度神经网络模型的时序特征提取器，对温度时序输入向量、湿度时序输入向量和光照强度时序输入向量进行特征提取。具体来说，针对每个输入向量，时序特征提取器会使用深度神经网络模型对其进行处理，提取出相应的时序特征，得到温度时序特征向量、湿度时序特征向量和光照强度时序特征向量。多参数时序特征融合单元132用于将温度时序特征向量、湿度时序特征向量和光照强度时序特征向量进行融合，以得到环境参数关联特征，这个单元的作用是将来自不同传感器的时序特征进行整合，以综合反映环境参数之间的关联性。具体来说，可以使用一些融合技术，如加权求和、拼接或者其他融合方法，将不同参数的时序特征向量结合起来，得到最终的环境参数关联特征。即，参数时序特征提取单元131负责对温度、湿度和光照强度的时序特征进行提取，而多参数时序特征融合单元132负责将这些特征融合成环境参数关联特征。这样，通过参数关联特征提取模块130，可以从温度、湿度和光照强度的时序数据中提取出有关环境参数的关联特征，为后续的环境参数分析和处理提供基础。
更具体地，在所述参数时序特征提取单元131中，所述深度神经网络模型为一维卷积神经网络模型。值得一提的是，一维卷积神经网络（1D CNN）是一种特殊类型的神经网络，用于处理一维序列数据。与传统的图像处理中使用的二维卷积神经网络（2D CNN）不同，一维卷积神经网络主要应用于时间序列数据或具有类似结构的一维数据。一维卷积神经网络能够学习并提取输入序列中的局部和全局特征，通过卷积操作和池化操作，一维卷积神经网络可以捕获序列中的模式、趋势和重要特征。与2D CNN类似，一维卷积神经网络中的卷积层使用参数共享的方式，可以减少模型的参数数量，降低过拟合的风险，并提高模型的泛化能力。一维卷积神经网络在处理时间序列数据时具有平移不变性。这意味着，无论序列中的模式在时间轴上的位置如何，一维卷积神经网络都能够识别和提取相同的特征。一维卷积神经网络适用于对序列数据进行建模和预测。通过堆叠多个卷积层和全连接层，一维卷积神经网络可以学习复杂的序列关系，并进行分类、回归或序列生成等任务。在参数时序特征提取单元131中，使用一维卷积神经网络作为深度神经网络模型，可以对温度、湿度和光照强度的时序输入向量进行特征提取。一维卷积神经网络能够自动学习输入序列中的重要特征，并通过卷积和池化操作对序列进行下采样和特征提取。这样，可以从时序数据中提取出有用的特征表示，用于后续的参数关联分析和处理。
更具体地，所述多参数时序特征融合单元132，用于：使用类贝叶斯模型来融合所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量以得到环境参数后验特征向量作为所述环境参数关联特征。值得一提的是，类贝叶斯模型（Naive BayesModel）是一种基于贝叶斯定理的概率模型，用于分类和预测任务。它基于特征之间的条件独立性假设，即假设给定类别的情况下，特征之间是相互独立的。类贝叶斯模型在多参数时序特征融合单元132中用于融合温度时序特征向量、湿度时序特征向量和光照强度时序特征向量，以得到环境参数后验特征向量作为环境参数关联特征。具体来说，类贝叶斯模型可以用于计算给定环境参数关联特征的条件概率分布，进而进行环境参数的分类或预测。类贝叶斯模型的优点和用途如下：1.快速而高效：类贝叶斯模型具有简单的计算和快速的训练速度，它可以在相对较少的数据上进行训练，并且对于大规模的特征空间也能够处理。2.鲁棒性：类贝叶斯模型对于数据中的噪声和缺失值具有一定的鲁棒性，它能够处理不完整的数据并进行有效的分类或预测。3.适用于高维数据：类贝叶斯模型在处理高维数据时表现良好，由于特征之间的条件独立性假设，它可以有效地处理具有大量特征的数据。4.可解释性：类贝叶斯模型提供了对分类或预测结果的概率解释，它可以给出每个类别的后验概率，帮助理解模型的判断依据和不确定性。在多参数时序特征融合单元132中，使用类贝叶斯模型来融合温度、湿度和光照强度的时序特征向量，可以得到环境参数的后验特征向量作为环境参数关联特征。这样的特征向量可以提供环境参数之间的关联性信息，并用于后续的环境参数分析、决策或其他任务。
继而，再将所述温度时序映射特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或减小。也就是说，利用在以大棚内的环境参数时序协同关联特征为基础背景下的有关于温度的时序变化特征信息来进行分类处理，以此来调整大棚内的温度值，以提供最适宣作物生长的环境。
相应地，如图3所示，所述温度值实时控制模块140，包括：温度转移映射单元141，用于计算所述温度时序特征向量相对于所述环境参数后验特征向量的转移矩阵以得到温度时序映射特征矩阵；特征分布优化单元142，用于对所述温度时序映射特征矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化温度时序映射特征矩阵；以及，温度值调控单元143，用于将所述优化温度时序映射特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或减小。应可以理解，在温度值实时控制模块140中，包括温度转移映射单元141、特征分布优化单元142和温度值调控单元143三个单元。温度转移映射单元141的作用是计算温度时序特征向量相对于环境参数后验特征向量的转移矩阵，从而得到温度时序映射特征矩阵，这个转移矩阵可以反映温度与其他环境参数之间的关系，通过计算特征向量之间的相似度或相关性，可以将温度特征映射到环境参数特征空间中。特征分布优化单元142的功能是对温度时序映射特征矩阵进行特征尺度的优化，以模仿掩码的秩排列分布软匹配，这个过程可以通过对特征矩阵的调整和优化，使得温度特征在不同时间点上的分布更符合期望的模式或规律。温度值调控单元143的作用是将优化后的温度时序映射特征矩阵通过分类器进行分类，从而得到分类结果，这个分类结果用于表示当前时间点的温度值应该增大或减小。通过训练分类器，可以根据优化后的特征矩阵预测出最适合当前环境的温度调控方向。即，温度值实时控制模块的目标是根据环境参数和温度时序特征，通过转移映射、特征优化和分类器预测，实现对温度值的实时调控，这样可以根据当前环境的特征和期望的温度分布模式，自动调整温度以满足需求。
特别地，在本公开的技术方案中，使用类贝叶斯模型来融合所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量得到所述环境参数后验特征向量时，由于类贝叶斯模型是使用逐点贝叶斯计算来融合所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量各自表达的温度值、湿度值和光照强度值的时序局部关联特征，因此，所述环境参数后验特征向量也符合相关参数的时序局部关联特征分布，这样，在计算所述温度时序特征向量相对于所述环境参数后验特征向量的转移矩阵时，如果将所述温度时序特征向量和所述环境参数后验特征向量各自遵循的参数时序局部关联特征作为前景对象特征，则所述转移矩阵在引入全局时序域转移特征表示的同时，也会引入背景分布噪声，并且，在计算所述转移矩阵时进行向量-矩阵间的高秩分布表示的同时，也会由于所述温度时序特征向量和所述环境参数后验特征向量的高维特征的先验-后验概率空间异质分布而引起作为转移矩阵的所述温度时序映射特征矩阵相对于所述温度时序特征向量和所述环境参数后验特征向量的时序概率密度映射误差，影响所述温度时序映射特征矩阵通过分类器得到的分类结果的准确性。
基于此，本公开的申请人对所述温度时序映射特征矩阵，例如记为进行特征尺度作为模仿掩码的秩排列分布软匹配。
相应地，在一个具体示例中，所述特征分布优化单元142，用于：以如下优化公式对所述温度时序映射特征矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述优化温度时序映射特征矩阵；其中，所述优化公式为：其中，/>为所述温度时序映射特征矩阵，是所述温度时序映射特征矩阵的第/>位置的特征值，/>是所述温度时序映射特征矩阵的尺度，即宽度乘以高度，/>表示所述温度时序映射特征矩阵的Frobenius范数的平方，/>表示所述温度时序映射特征矩阵的二范数，即谱范数/>，/>是/>的最大本征值，且/>是加权超参数，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，/>是所述优化温度时序映射特征矩阵的第位置的特征值。
这里，所述特征尺度作为模仿掩码的秩排列分布软匹配可以在将待类回归的高维特征映射到概率密度空间内时，将特征尺度作为用于映射的模仿掩码来聚焦于前景对象特征而忽略背景分布噪声，并通过所述温度时序映射特征矩阵的不同范数进行的金字塔式秩排列分布的分布软匹配，从而有效捕捉概率密度分布的中心区域和尾部区域之间的相关性，避免了由于所述温度时序映射特征矩阵/>的高维特征的概率空间异质分布导致的概率密度映射偏差，从而提升所述温度时序映射特征矩阵通过分类器得到的分类结果的准确性。这样，能够基于大棚内的环境参数时序协同变化趋势来自适应调整大棚内的温度值，以提供最适宣作物生长的环境，通过这样的方式，能够优化大棚内的环境条件，提高农作物的产量和质量，降低资源消耗和环境污染，从而帮助农民更好地管理和控制大棚，实现智能化农业生产。
进一步地，所述温度值调控单元143，包括：优化矩阵展开子单元，用于将所述优化温度时序映射特征矩阵按照行向量或列向量展开为多个优化分类特征向量；全连接编码子单元，用于使用所述分类器的多个全连接层对所述多个优化分类特征向量进行全连接编码以得到多个编码分类特征向量；以及，分类子单元，用于将所述多个编码分类特征向量通过所述分类器的Softmax分类函数以得到所述多个概率值。
也就是，在本公开的技术方案中，所述分类器的标签包括当前时间点的温度值应增大(第一标签)，以及，当前时间点的温度值应减小(第二标签)，其中，所述分类器通过软最大值函数来确定所述优化温度时序映射特征矩阵属于哪个分类标签。值得注意的是，这里的所述第一标签p1和所述第二标签p2并不包含人为设定的概念，实际上在训练过程当中，计算机模型并没有“当前时间点的温度值应增大或减小”这种概念，其只是有两种分类标签且输出特征在这两个分类标签下的概率，即p1和p2之和为一。因此，当前时间点的温度值应增大或减小的分类结果实际上是通过分类标签转化为符合自然规律的二分类的类概率分布，实质上用到的是标签的自然概率分布的物理意义，而不是“当前时间点的温度值应增大或减小”的语言文本意义。
应可以理解，分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器，然后对未知数据进行分类（或预测）。逻辑回归（logistics）、SVM等常用于解决二分类问题，对于多分类问题（multi-class classification），同样也可以用逻辑回归或SVM，只是需要多个二分类来组成多分类，但这样容易出错且效率不高，常用的多分类方法有Softmax分类函数。
综上，基于本公开实施例的基于智能农业的大棚控制系统100被阐明，其可以优化大棚内的环境条件，提高农作物的产量和质量，降低资源消耗和环境污染。
如上所述，根据本公开实施例的所述基于智能农业的大棚控制系统100可以实现在各种终端设备中，例如具有基于智能农业的大棚控制算法的服务器等。在一个示例中，基于智能农业的大棚控制系统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，该基于智能农业的大棚控制系统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，该基于智能农业的大棚控制系统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，该基于智能农业的大棚控制系统100与该终端设备也可以是分立的设备，并且该基于智能农业的大棚控制系统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。
图4示出根据本公开的实施例的基于智能农业的大棚控制方法的流程图。图5示出根据本公开的实施例的基于智能农业的大棚控制方法的系统架构的示意图。如图4和图5所示，根据本公开实施例的基于智能农业的大棚控制方法，其包括：S110，通过部署于大棚内的传感器组采集预定时间段内多个预定时间点的温度值、湿度值和光照强度值；S120，将所述多个预定时间点的温度值、湿度值和光照强度值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和光照强度时序输入向量；S130，对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征；以及，S140，基于所述环境参数关联特征，确定当前时间点的温度值应增大或减小。
在一种可能的实现方式中，对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征，包括：通过基于深度神经网络模型的时序特征提取器分别对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行特征提取以得到温度时序特征向量、湿度时序特征向量和光照强度时序特征向量；以及，融合所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量以得到所述环境参数关联特征。
在一种可能的实现方式中，所述深度神经网络模型为一维卷积神经网络模型。
这里，本领域技术人员可以理解，上述基于智能农业的大棚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3的基于智能农业的大棚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6示出根据本公开的实施例的基于智能农业的大棚控制系统的应用场景图。如图6所示，在该应用场景中，首先，通过部署于大棚内的传感器组（例如，图6中所示意的C）采集预定时间段内多个预定时间点的温度值、湿度值和光照强度值（例如，图6中所示意的D），然后，将所述多个预定时间点的温度值、湿度值和光照强度值输入至部署有基于智能农业的大棚控制算法的服务器中（例如，图6中所示意的S），其中，所述服务器能够使用所述基于智能农业的大棚控制算法对所述多个预定时间点的温度值、湿度值和光照强度值进行处理以得到用于表示当前时间点的温度值应增大或减小的分类结果。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种基于智能农业的大棚控制系统，其特征在于，包括：
数据采集模块，用于通过部署于大棚内的传感器组采集预定时间段内多个预定时间点的温度值、湿度值和光照强度值；
参数时序排列模块，用于将所述多个预定时间点的温度值、湿度值和光照强度值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和光照强度时序输入向量；
参数关联特征提取模块，用于对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征；以及
温度值实时控制模块，用于基于所述环境参数关联特征，确定当前时间点的温度值应增大或减小。
2.根据权利要求1所述的基于智能农业的大棚控制系统，其特征在于，所述参数关联特征提取模块，包括：
参数时序特征提取单元，用于通过基于深度神经网络模型的时序特征提取器分别对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行特征提取以得到温度时序特征向量、湿度时序特征向量和光照强度时序特征向量；以及
多参数时序特征融合单元，用于融合所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量以得到所述环境参数关联特征。
3.根据权利要求2所述的基于智能农业的大棚控制系统，其特征在于，所述深度神经网络模型为一维卷积神经网络模型。
4.根据权利要求3所述的基于智能农业的大棚控制系统，其特征在于，所述多参数时序特征融合单元，用于：
使用类贝叶斯模型来融合所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量以得到环境参数后验特征向量作为所述环境参数关联特征。
5.根据权利要求4所述的基于智能农业的大棚控制系统，其特征在于，所述温度值实时控制模块，包括：
温度转移映射单元，用于计算所述温度时序特征向量相对于所述环境参数后验特征向量的转移矩阵以得到温度时序映射特征矩阵；
特征分布优化单元，用于对所述温度时序映射特征矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到优化温度时序映射特征矩阵；以及
温度值调控单元，用于将所述优化温度时序映射特征矩阵通过分类器以得到分类结果，所述分类结果用于表示当前时间点的温度值应增大或减小。
6.根据权利要求5所述的基于智能农业的大棚控制系统，其特征在于，所述特征分布优化单元，用于：
以如下优化公式对所述温度时序映射特征矩阵进行特征尺度作为模仿掩码的秩排列分布软匹配以得到所述优化温度时序映射特征矩阵；
其中，所述优化公式为：其中，/>为所述温度时序映射特征矩阵，/>是所述温度时序映射特征矩阵的第/>位置的特征值，/>是所述温度时序映射特征矩阵的尺度，/>表示所述温度时序映射特征矩阵的Frobenius范数的平方，/>表示所述温度时序映射特征矩阵的二范数，且/>是加权超参数，/>表示数值的指数运算，所述数值的指数运算表示计算以所述数值为幂的自然指数函数值，/>是所述优化温度时序映射特征矩阵的第/>位置的特征值。
7.根据权利要求6所述的基于智能农业的大棚控制系统，其特征在于，所述温度值调控单元，包括：
优化矩阵展开子单元，用于将所述优化温度时序映射特征矩阵按照行向量或列向量展开为多个优化分类特征向量；
全连接编码子单元，用于使用所述分类器的多个全连接层对所述多个优化分类特征向量进行全连接编码以得到多个编码分类特征向量；以及
分类子单元，用于将所述多个编码分类特征向量通过所述分类器的Softmax分类函数以得到所述多个概率值。
8.一种基于智能农业的大棚控制方法，其特征在于，包括：
通过部署于大棚内的传感器组采集预定时间段内多个预定时间点的温度值、湿度值和光照强度值；
将所述多个预定时间点的温度值、湿度值和光照强度值分别按照时间维度排列为温度时序输入向量、湿度时序输入向量和光照强度时序输入向量；
对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征；以及
基于所述环境参数关联特征，确定当前时间点的温度值应增大或减小。
9.根据权利要求8所述的基于智能农业的大棚控制方法，其特征在于，对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行时序关联特征提取以得到环境参数关联特征，包括：
通过基于深度神经网络模型的时序特征提取器分别对所述温度时序输入向量、所述湿度时序输入向量和所述光照强度时序输入向量进行特征提取以得到温度时序特征向量、湿度时序特征向量和光照强度时序特征向量；以及
融合所述温度时序特征向量、所述湿度时序特征向量和所述光照强度时序特征向量以得到所述环境参数关联特征。
10.根据权利要求9所述的基于智能农业的大棚控制方法，其特征在于，所述深度神经网络模型为一维卷积神经网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131329.7A CN117136765A (zh) | 2023-09-04 | 2023-09-04 | 基于智能农业的大棚控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311131329.7A CN117136765A (zh) | 2023-09-04 | 2023-09-04 | 基于智能农业的大棚控制系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117136765A true CN117136765A (zh) | 2023-12-01 |
Family
ID=88883885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311131329.7A Pending CN117136765A (zh) | 2023-09-04 | 2023-09-04 | 基于智能农业的大棚控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117136765A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
| CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
| CN117763816A (zh) * | 2023-12-08 | 2024-03-26 | 郑州富铭科技股份有限公司 | 基于数字孪生的实时虚拟仿真系统和方法 |
-
2023
- 2023-09-04 CN CN202311131329.7A patent/CN117136765A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117763816A (zh) * | 2023-12-08 | 2024-03-26 | 郑州富铭科技股份有限公司 | 基于数字孪生的实时虚拟仿真系统和方法 |
| CN117668762A (zh) * | 2024-01-31 | 2024-03-08 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
| CN117668762B (zh) * | 2024-01-31 | 2024-05-17 | 新疆三联工程建设有限责任公司 | 用于住宅地下渗漏的监测预警系统及方法 |
| CN117743975A (zh) * | 2024-02-21 | 2024-03-22 | 君研生物科技(山西)有限公司 | 山坡耕地土壤环境改良方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117136765A (zh) | 基于智能农业的大棚控制系统及方法 | |
| Razmjooy et al. | A study on metaheuristic-based neural networks for image segmentation purposes | |
| JP2023156308A (ja) | ネットワーク計算エッジにわたってアプリケーションを連続して操作する、人工知能および深層学習においてメモリで境界された継続学習を可能にするシステムおよび方法 | |
| Nalini et al. | Paddy leaf disease detection using an optimized deep neural network | |
| CN113807399B (zh) | 一种神经网络训练方法、检测方法以及装置 | |
| CN107239514A (zh) | 一种基于卷积神经网络的植物识别方法及系统 | |
| CN112534445B (zh) | 具有数量被减少的参数的神经网络 | |
| CN117540908B (zh) | 基于大数据的农业资源整合方法和系统 | |
| US20210264300A1 (en) | Systems and methods for labeling data | |
| CN116612435B (zh) | 一种玉米高产栽培方法 | |
| CN116918546A (zh) | 一种玉米高产种植施肥方法 | |
| CN117743975A (zh) | 山坡耕地土壤环境改良方法 | |
| CN116649191A (zh) | 基于plc的远程施肥灌溉控制系统及其方法 | |
| CN118014519A (zh) | 基于物联网的数字乡村应用系统及方法 | |
| Vaidhehi et al. | RETRACTED ARTICLE: An unique model for weed and paddy detection using regional convolutional neural networks | |
| CN109934270B (zh) | 一种基于局部流形判别分析投影网络的分类方法 | |
| Ihoume et al. | Developing a multi-label tinyML machine learning model for an active and optimized greenhouse microclimate control from multivariate sensed data | |
| Bharathi et al. | An Experimental Analysis of Crop Yield Prediction using Modified Deep Learning Strategy | |
| Dhanalakshmi et al. | Tomato leaf disease identification by modified inception based sequential convolution neural networks | |
| Wang et al. | Crop pest detection by three-scale convolutional neural network with attention | |
| Nagila et al. | The effectiveness of machine learning and image processing in detecting plant leaf disease | |
| Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
| Metre et al. | Research opportunities for the detection and classification of plant leaf diseases | |
| KR102546807B1 (ko) | 대변 이미지 분석 기반 영양 정보 제공 방법, 장치 및 시스템 | |
| Anandhan et al. | Comprehensive study: machine learning & deep learning algorithms for paddy crops |
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 |