CN117348646A - 一种食用菌生产智能控制方法、系统、装置及介质 - Google Patents
一种食用菌生产智能控制方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN117348646A CN117348646A CN202311317671.6A CN202311317671A CN117348646A CN 117348646 A CN117348646 A CN 117348646A CN 202311317671 A CN202311317671 A CN 202311317671A CN 117348646 A CN117348646 A CN 117348646A
- Authority
- CN
- China
- Prior art keywords
- information
- sequence
- edible fungi
- updated
- quality
- 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
- 241000233866 Fungi Species 0.000 title claims abstract description 212
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000005286 illumination Methods 0.000 claims abstract description 65
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 52
- 230000012010 growth Effects 0.000 claims abstract description 48
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 26
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 54
- 238000000605 extraction Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 41
- 238000003860 storage Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 11
- 230000007613 environmental effect Effects 0.000 description 26
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 238000002372 labelling Methods 0.000 description 6
- 230000003750 conditioning effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000001502 supplementing effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书实施例提供一种食用菌生产智能控制方法、系统、装置及介质，该方法包括：获取食用菌生长期的光照和温度信息，结合预设目标产出结果信息，通过决策模型确定第一序列和第二序列，其中，第一序列对应生长期的湿度变化，第二序列对应生长期的二氧化碳浓度变化，光照和温度信息基于自然环境信息和能耗控制信息确定；基于预设目标产出结果信息、食用菌生长期的图像信息、实际光照信息、实际温度信息和第二参数信息，对第一序列和第二序列进行更新，确定更新后的第一序列和更新后的第二序列，其中，第二参数信息包括食用菌的种植信息；基于更新后的第一序列和更新后的第二序列控制食用菌的生长环境参数。
Description
分案说明
本申请是针对申请日为2022年05月23日，申请号为202210561437.7，发明名称为“一种获取食用菌决策方案的方法、系统、装置及介质”的中国申请提出的分案申请。
技术领域
本说明书涉及农业信息化领域，特别涉及一种食用菌生产智能控制方法、系统、装置及介质。
背景技术
食用菌对生长环境十分敏感，生长环境的微小变化都可能对其质量产生较大影响。一般通过结合专家研究成果和实际栽培经验，建立食用菌栽培技术方案数据库，从而实现食用菌生产的优化管理，其虽然可以实现一定程度的食用菌生长环境系统自动调节，但对于复杂多变的实际生长环境，其调节功能有限，较难实现质量品质稳定的食用菌的批量生产。
因此，有必要提出一种食用菌生产智能控制方法，以实时提供适宜的食用菌生长环境，降低批量生产质量品质稳定食用菌产品的难度。
发明内容
本说明书一个或多个实施例提供一种食用菌生产智能控制方法。所述食用菌生产智能控制方法包括：获取所述食用菌生长期的第一参数信息，所述第一参数信息包括光照信息和温度信息；将所述食用菌的预设目标产出结果信息，以及所述第一参数信息输入决策模型，所述决策模型为机器学习模型；所述决策模型至少包括环境特征提取层、目标特征提取层和输出层，所述输出层包括第一输出层和第二输出层；通过所述环境特征提取层处理所述第一参数信息，输出的温度特征向量和光照特征向量分别作为所述第一输出层和所述第二输出层的输入；通过所述目标特征提取层处理所述预设目标产出结果信息，输出的目标特征向量作为所述第一输出层和所述第二输出层的输入；通过所述第一输出层和所述第二输出层分别输出第一序列和第二序列；所述第一序列反映所述食用菌生长期的湿度变化信息，所述第二序列反映所述食用菌生长期的二氧化碳浓度变化信息；基于所述预设目标产出结果信息、所述食用菌生长期的图像信息、实际光照信息、实际温度信息和第二参数信息，对所述第一序列和所述第二序列进行更新，确定更新后的第一序列和更新后的第二序列，所述第二参数信息包括所述食用菌的种植信息；以及基于所述更新后的第一序列和所述更新后的第二序列控制所述食用菌的生长环境参数。
本说明书一个或多个实施例提供一种食用菌生产智能控制系统，所述系统包括获取模块、输出模块和控制模块；所述获取模块用于获取所述食用菌生长期的第一参数信息，所述第一参数信息包括光照信息和温度信息；所述输出模块用于将所述食用菌的预设目标产出结果信息，以及所述第一参数信息输入决策模型，所述决策模型为机器学习模型；所述决策模型至少包括环境特征提取层、目标特征提取层和输出层，所述输出层包括第一输出层和第二输出层；通过所述环境特征提取层处理所述第一参数信息，输出的温度特征向量和光照特征向量分别作为所述第一输出层和所述第二输出层的输入；通过所述目标特征提取层处理所述预设目标产出结果信息，输出的目标特征向量作为所述第一输出层和所述第二输出层的输入；通过所述第一输出层和所述第二输出层分别输出第一序列和第二序列；所述第一序列反映所述食用菌生长期的湿度变化信息，所述第二序列反映所述食用菌生长期的二氧化碳浓度变化信息；所述控制模块用于基于所述预设目标产出结果信息、所述食用菌生长期的图像信息、实际光照信息、实际温度信息和第二参数信息，对所述第一序列和所述第二序列进行更新，确定更新后的第一序列和更新后的第二序列，所述第二参数信息包括所述食用菌的种植信息；以及基于所述更新后的第一序列和所述更新后的第二序列控制所述食用菌的生长环境参数。
本说明书一个或多个实施例提供一种食用菌生产智能控制装置，所述装置至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；所述至少一个处理器用于执行食用菌生产智能控制方法。
本说明书一个或多个实施例提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行食用菌生产智能控制方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的获取食用菌决策方案的系统的应用场景示意图；
图2是根据本说明书一些实施例所示的获取食用菌决策方案的系统的示例性模块图；
图3是根据本说明书一些实施例所示的获取食用菌决策方案的方法的示例性流程图；
图4是根据本说明书一些实施例所示的更新第一序列和第二序列方法的示例性流程图；
图5是根据本说明书一些实施例所示的获取食用菌决策方案模型的示例性模型结构图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书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它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的获取食用菌决策方案的系统的应用场景示意图。
如图1所示，在一些实施例中，所述获取食用菌决策方案的系统的应用场景100可以包括食用菌栽培间110、数据采集装置120、网络130、处理器140以及存储设备150。获取食用菌决策方案的系统可以用于确定适宜的食用菌生长环境参数。
食用菌栽培间110可以用于食用菌的栽培。食用菌栽培间110还包括但不限于食用菌111、环境调节装置112等。在一些实施例中，环境调节装置可以包括但不限于升温/降温设备、遮光/补光设备、气体调节装置等。例如，食用菌栽培间110可以接收处理器140发出的调整参数指令，调整环境调节装置112的参数。例如，食用菌栽培间110可以接收环境调节装置112输出的数据，并将数据发给处理器140和存储设备150。在一些实施例中，食用菌栽培间110又被称为蘑菇大棚、食用菌生产大棚等。
数据采集装置120可以用于采集数据。数据采集装置120可以包括但不限于照相机120-1、摄像机120-2、温度采集装置120-3、光照采集装置120-4、气体检测装置、湿度检测装置等。在一些实施例中，照相机120-1和摄像机120-2可以获取包含有食用菌111的图像。在一些实施例中，照相机120-1和摄像机120-2可以通过各种可行的方式获取图像，包括但不限于连续获取、定时获取等。在一些实施例中，照相机120-1和摄像机120-2可以有多个，且可以放置在同一目标对象周围的不同位置，以同时获取该目标对象不同角度的信息。在一些实施例中，温度采集装置120-3可以包括温度计、温度传感器、热电阻、热电偶等设备。在一些实施例中，光照采集装置120-4可以包括光传感器、光照检测仪、光检测器、光电二极管等。在一些实施例中，数据采集装置120可以采集食用菌栽培间110内的图像、温度、光照等数据。
网络130可以连接系统的各个组成部分和/或连接系统与外部资源部分。网络130使得各组成部分之间，以及与系统之外其他部分可以进行通信。例如，处理器140通过网络130从存储设备150和食用菌栽培间110获取信息和/或指令。
处理器140可以处理来自本系统至少一个组件或外部数据源的数据和/或信息。例如，处理器140可以获取数据采集装置120采集的数据，并对获取的数据进行处理，提取数据中的信息。在一些实施例中，处理器140可以是本地或远程的。例如，处理器140可以通过有线或无线的方式从存储设备150、食用菌栽培间110和数据采集装置120获取信息和/或数据。在一些实施例中，处理器140可以在云平台上实现。
存储设备150可以用于存储数据和/或指令。例如，存储设备150可以存储食用菌栽培间110输出的数据。又例如，存储设备150可以存储数据采集装置120获取的数据。存储设备150可以包括一个或多个存储组件，每个存储组件可以是一个独立的设备，也可以是其他设备的一部分。在一些实施例中，所述存储设备150可在云平台上实现。
需要注意的是，以上对于系统及其组成部分的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个组成部分进行任意组合，或者构成子系统与其他组成部分连接。例如，就学服务平台和就学管理平台可以整合在一个组成部分中。又例如，各个组成部分可以共用一个存储设备，各个组成部分也可以分别具有各自的存储设备。诸如此类的变形，均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示获取食用菌决策方案的系统200的模块示意图。
在一些实施例中，如图2所示，获取食用菌决策方案的系统200可以包括获取模块210、输出模块220和确定模块230。
获取模块210用于获取食用菌生长期的第一参数信息，第一参数信息包括光照信息和温度信息。关于相关术语的定义和说明，以及获取方法，参见图3和图4及其相关描述。
输出模块220用于将食用菌的预设目标产出结果信息，以及第一参数信息输入决策模型，输出第一序列和第二序列，第一序列反应食用菌生长期的湿度变化信息，第二序列反应食用菌生长期的二氧化碳浓度变化信息。其中，第一序列和第二序列通过下述方法更新：获取食用菌生长期的图像信息；基于图像信息，确定食用菌的过程品质信息；获取实际光照信息和实际温度信息；基于实际光照信息和实际温度信息，确定更新后的第一参数信息；将预设目标产出结果信息、过程品质信息、更新后的第一参数信息以及第二参数信息输入决策模型，输出更新后的第一序列和第二序列，其中，第二参数信息包括食用菌的种植信息。第一序列和第二序列的更新频率通过下述方法确定：将第三参数信息输入质量模型，输出食用菌的预测品相信息和预测易采摘性信息，第三参数信息至少包括：更新后的第一序列和第二序列、第二参数信息；基于预测品相信息和预测易采摘性信息进行加权融合，确定质量因子；基于质量因子确定第一序列和第二序列的更新的频率。关于相关术语的更多说明，参见图3及其相关描述，关于决策模型的更多说明，参见图5及其相关描述。关于更新第一序列和第二序列方法及其更新频率，参见图4及其相关描述。
确定模块230用于基于第一序列和第二序列控制食用菌的生长环境参数。关于控制方法的更多说明，参见图3及其相关描述。
需要注意的是，以上对于获取食用菌决策方案的系统及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。在一些实施例中，图2中披露的获取模块、输出模块和确定模块可以是一个系统中的不同模块，也可以是一个模块实现上述的两个或两个以上模块的功能。例如，各个模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的获取食用菌决策方案的方法的示例性流程图。在一些实施例中，流程300可以由处理器140执行。如图3所示，流程300包括下述步骤。
步骤310，获取食用菌生长期的第一参数信息，第一参数信息包括光照信息和温度信息，光照信息和温度信息基于食用菌的自然环境信息和能耗控制信息确定。
生长期是指食用菌从栽培出芽到成熟所花费的时间。第一参数信息是指食用菌在生长期内生长所需要的参数信息。所需要的参数信息可以包括温度、湿度、光照、二氧化碳浓度等中的一种或者多种。
在一些实施例中，第一参数信息可以包括光照信息和温度信息。光照信息可以是将食用菌生长期内的连续多个时间点的光照数据组合而成的光照数据序列。温度信息可以是将食用菌生长期内的连续多个时间的温度数据组合而成的温度数据序列。在一些实施例中，第一参数信息还可以包括其它参数信息。
在一些实施例中，第一参数信息可以由本领域技术人员根据经验和实际情况获取。例如，根据种植经验得知某种菌丝生长最为理想条件的温度为23℃～25℃、湿度为65～75％、最适光强度为300lx以及二氧化碳浓度在0.1％以下，则将该种菌丝生长的第一参数信息中的相关数据分别设置于对应的区间。
在一些实施例中，第一参数信息还可以为更新后的第一参数信息。具体如何获取更新后的第一参数信息，请参见下文图4中的步骤440及其描述。
步骤320，将食用菌的预设目标产出结果信息，以及第一参数信息输入决策模型，输出第一序列和第二序列，所述第一序列反映食用菌生长期的湿度变化信息，所述第二序列反映食用菌生长期的二氧化碳浓度变化信息。
预设目标产出结果信息是指食用菌需要达到的预设目标产出结果信息。在一些实施例中，预设目标产出结果信息可以包括食用菌的目标品质、食用菌的目标周期和食用菌的目标产出率等中的一种或多种。品质可以包括食用菌的大小、高度、颜色、有无腐烂发霉部位等中的一种或多种。周期可以包括食用菌从栽培到采摘一个或多个流程所花费的时间。产出率可以是指单位面积上食用菌的产量。
第一序列可以反映食用菌生长期的湿度变化信息。例如，第一序列可以为食用菌生长期内的基于时间的湿度数据序列。
第二序列反映食用菌生长期的二氧化碳浓度变化信息。例如，第二序列可以为食用菌生长期内的基于时间的二氧化碳浓度数据序列。
在一些实施例中，处理器140可以将食用菌的预设目标产出结果信息，以及第一参数信息输入决策模型，输出第一序列和第二序列。关于决策模型的定义以及如何获取决策模型请参见下文图5及其相关描述。
步骤330，基于第一序列和所述第二序列控制食用菌的生长环境参数。
生长环境参数是指食用菌在培育过程中所需要的各种生长环境参数。例如，生长环境参数可以包括食用菌生长过程中的湿度和二氧化碳浓度等。
在一些实施例中，基于第一序列和第二序列，若检测到当前实际湿度数据与第一序列中对应时间点的湿度数据不同和/或检测到当前实际二氧化碳浓度与第二序列中对应时间点的二氧化碳浓度数据不同，则处理器140可以利用调节装置，调节当前湿度与二氧化碳浓度至对应序列中的值。调节装置可以包括加湿器、干燥器、通风设备等。
在一些实施例中，若检测到当前实际湿度数据与第一序列中对应时间点的湿度数据不同和/或检测到当前实际二氧化碳浓度与第二序列中对应时间点的二氧化碳浓度数据不同，则处理器140还可以发出预警信息至用户终端，提醒用户是否需要调节食用菌的生长环境参数。
在本说明书的一些实施例中，通过控制和调整食用菌生长期的生长环境参数，来获取符合要求的食用菌；通过对食用菌栽培及生产进行智能化监控，实现食用菌生产的管理优化。
图4是根据本说明书一些实施例所示的更新第一序列和第二序列方法的示例性流程图。在一些实施例中，流程400可以由处理器140执行。如图4所示，流程400包括下述步骤。
步骤410，获取食用菌生长期的图像信息。
图像信息可以是指能够反映食用菌生长过程的图像信息。例如，图像信息可以包括在食用菌生长期拍摄的图像或视频。
在一些实施例中，可以通过数据采集装置120获取食用菌生长期的图像或视频。
步骤420，基于图像信息，确定食用菌的过程品质信息。
过程品质信息是指能够反映食用菌生长过程中的品质信息。例如，过程品质信息可以包括食用菌的大小、高度、颜色、有无腐烂发霉部位等情况。
在一些实施例中，处理器140可以对食用菌生长期的图像进行图像识别，确定图像中的食用菌。图像识别的方法可以包括但不限于计算机图像识别方法、结构图像识别方法、模糊图像识别方法等中的一种或多种。在一些实施例中，处理器140可以对带有食用菌的识别框的该部分图像进行图像特征提取，得到食用菌的过程品质信息。图像特征提取方法可以包括但不限于灰度特征提取方法、纹理特征提取方法等中的一种或多种。
步骤430，获取实际光照信息和实际温度信息。
实际光照信息是指食用菌在生长期内的各个时间点的实际光照数据信息。例如，实际光照信息可以为将食用菌生长期内的连续多个时间点的实际光照数据组合而成的实际光照数据序列。
实际温度信息是指食用菌在生长期内的各个时间点的实际环境温度数据信息。例如，实际温度信息可以为将食用菌生长期内的连续多个时间点的实际环境温度数据组合而成的实际环境温度数据序列。
在一些实施例中，实际光照数据可以通过光传感器采集获取，实际环境温度数据可以通过温度传感器采集获取。
步骤440，基于实际光照信息和实际温度信息，确定更新后的第一参数信息。
在一些实施例中，在食用菌栽培开始前，可以根据经验和实际情况，预测食用菌在整个生长期内的第一参数信息。
在一些实施例中，在食用菌栽培开始后，当每隔预设时间段利用传感器测定的食用菌生长期的某一时间点的实际光照值和/或实际温度值，与第一参数信息(例如，光照数据序列和温度数据序列)中对应时间点预测的光照值和/或温度值不相同时，处理器140可以将第一参数信息中的该部分预测的光照值和/或温度值替换成对应的实际光照值和/或实际温度值。例如，食用菌栽培开始时，生长期内温度数据全部为预测数据，假如每天测定一次实际温度数据且食用菌生长期内全部预测温度数据为(2,2,3,3,3,5,5,5,8,8,12,12,12)，在第5天时，得到的前5天实际温度数据为(3,3,4,4,4)，则更新后的温度数据序列为(3,3,4,4,4,5,5,5,8,8,12,12,12)。由于通常食用菌在生长期内所需要的光照数据和环境温度数据有一个合理区间，当食用菌的实际光照数据和实际环境温度数据没有在该合理区间时，则可以考虑将能耗控制在预设范围内的同时，将食用菌生产栽培环境的实际光照数据和实际环境温度数据控制在合理区间内。在一些实施例中，当食用菌栽培开始后，第一参数信息可以基于食用菌的自然环境信息和能耗控制信息确定。自然环境信息是指食用菌在生长期内实际所存在的自然环境信息。在一些实施例中自然环境信息可以包括实际光照信息和实际温度信息。
能耗控制信息是指在生长期内为改变食用菌的自然环境信息到合理区间，所需要消耗的额外能耗控制信息。例如，能耗控制信息可以为预设能耗阈值。
在一些实施例中，当检测到食用菌的第一参数信息中的某一时间点的已经替换后的实际光照数据和实际环境温度数据不在食用菌生长期内所需要的光照数据和环境温度数据的合理区间内时，处理器140可以在预设能耗阈值范围内，控制补光/遮光装置和升温/降温设备进行调整，合理补光/遮光光照和升温/降温温度至预设条件值，从而将食用菌生长期内的自然环境信息调整为食用菌生长期内所需要的光照数据和温度数据，作为该时间点的第一参数信息。预设条件值是指预设的适宜食用菌生长期的生长环境参数值，如适宜温度值或适宜光照强度值。例如，食用菌生长期一个阶段适宜光照是弱光，适宜温度是5℃-12℃，而当前自然光照为次强光，温度是15℃，则需要利用遮光装置和降温设备，在满足预设能耗阈值的前提下，适当降低当前自然光照强度和温度，然后将该适当降低的自然光照强度和温度作为食用菌生长期该阶段的第一参数信息。
在一些实施例中，如果在预设能耗阈值范围内无法将多种参数信息(例如，温度、湿度、光照强度和二氧化碳浓度等)同时调节至食用菌生长期内的多种参数的预设条件值，则优先考虑调整食用菌生长期的实际光照强度数据和实际温度数据至预设条件值。
步骤450，将过程品质信息、预设目标产出结果信息、更新后的第一参数信息以及第二参数信息输入决策模型，输出更新后的第一序列和第二序列，其中，所述第二参数信息包括食用菌的种植信息。
在一些实施例中，第二参数信息可以包括食用菌的种植信息。种植信息是指与食用菌种植相关的信息。例如，种植信息可以包括天气因素、培养基质量、培养基含水量、食用菌种类、食用菌菌种质量等。例如，天气因素是指与天气相关的因素，如气温、气压、湿度、风、云、雨等。
在一些实施例中，可以将更新后的第一参数信息输入决策模型中的环境特征提取层，环境特征提取层输出温度、光照温度、光照特征向量。在一些实施例中，可以将预设目标产出结果信息输入决策模型中的目标特征提取层，目标特征提取层输出目标特征向量。在一些实施例中，可以将过程品质信息和第二参数信息输入决策模型中的嵌入层，嵌入层输出过程特征向量。在一些实施例中，可以将温度、光照温度、光照特征向量和过程特征向量输入决策模型中的第一输出层，输出更新后的第一序列。在一些实施例中，可以将目标特征向量和过程特征向量输入决策模型中的第二输出层，输出更新后的第二序列。关于决策模型、嵌入层、环境特征提取层、目标特征提取层、第一输出层、第二输出层、温度、光照特征向量、目标特征向量以及过程特征向量的更多描述，请参见下文图5及其相关描述。
在一些实施例中，第一序列和第二序列可以重复更新一次或者多次，每更新一次的过程即为重复步骤410-450的过程，具体第一序列和第二序列的更新频率可以通过下述步骤460-480确定。
步骤460，将第三参数信息输入质量模型，输出食用菌的预测品相信息和预测易采摘性信息，所述第三参数信息至少包括：更新后的第一序列和第二序列、第二参数信息。
预测品相信息是指预测的食用菌品相信息。例如，预测品相信息可以为预测的食用菌外观等级。例如，食用菌外观等级可以为外观特级、外观一级、外观二级等。预测易采摘性信息是指预测的食用菌是否容易采摘的信息。例如，预测易采摘信息可以为容易采摘或不容易采摘等。在一些实施例中，第三参数信息至少包括：更新后的第一序列和第二序列、第二参数信息。
在一些实施例中，可以将更新后的第一序列和第二序列、第二参数信息输入质量模型，质量模型输出食用菌的预测品相信息和预测易采摘性信息。关于质量模型的更多描述，请参见下文图5及其相关描述。
步骤470，基于预测品相信息和预测易采摘性信息进行加权融合，确定质量因子。
质量因子可以是指评价食用菌质量好坏的因子。
在一些实施例中，处理器140可以基于预测品相信息和预测易采摘性信息进行加权融合，确定质量因子。
在一些实施例中，预测品相信息和预测易采摘性信息可以是本领域技术人员根据经验的预设值。
在一些实施例中，预测品相信息的权重大小可以根据食用菌外观等级进行预设。例如，食用菌的外观等级可以分为特级和一级，若预测品相信息表示食用菌的外观等级为特级，则可以将预测品相信息的权重设置为0.8；若预测品相信息表示食用菌的外观等级为一级，则可以将预测品相信息的权重设置为0.7。
在一些实施例中，预测品相信息和预测易采摘性信息的权重还与决策模型的准确度相关。在一些实施例中，决策模型对某一参数(例如，湿度、二氧化碳浓度)的预测准确度越高，则该参数对应影响的预测品相信息或预测易采摘性信息的权重越大。在一些实施例中，预测准确度可以将预测的某一参数(例如，湿度、二氧化碳浓度)与实际的湿度或二氧化碳浓度进行比较，计算验证准确率，，某一参数计算获得的验证准确率越高，预测准确度越高。例如，若将决策模型预测的二氧化碳浓度和湿度与实际的二氧化碳和湿度进行比较，计算获得的验证准确率中，二氧化碳的验证准确率比湿度的验证准确率高，而二氧化碳浓度会影响预测品相信息，则二氧化碳浓度对应影响的预测品相信息的权重相比预测易采摘性信息的权重设置越大。
在本说明书的一些实施例中，通过将预测品相信息和预测易采摘性信息的权重与决策模型的准确度相关，来确定质量因子，进而通过质量因子确定第一序列和第二序列的更新频率，使得第一序列和第二序列的更新频率的确定更有实际依据，准确性更高。
步骤480，基于质量因子确定更新第一序列和第二序列的频率。
由于质量因子越大，对食用菌的生产质量的要求也越高，则在生产栽培过程中，更加需要实时关注食用菌的第一参数信息是否符合条件。在一些实施例中，质量因子数值越大，更新第一序列和第二序列的频率越高。例如，若质量因子数值为8.0，更新第一序列和第二序列的频率可以为3次；若质量因子数值为8.5，更新第一序列和第二序列的频率可以为4次。
本说明书的一些实施例中，通过利用质量模型获得的预测品相信息和预测易采摘性信息，确定质量因子，然后根据质量因子大小确定第一序列和第二序列的更新频率，从而根据更新频率要求，实现根据实际光照信息和实际温度信息不断调整第一参数信息，再输入决策模型，进行第一序列和第二序列的预测，从而使决策模型预测更加准确和符合食用菌的实际生长环境参数需要。
应当注意的是，上述有关流程400的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程400进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。例如，可以只执行流程400中的步骤410-450。
图5是根据本说明书一些实施例所示的获取食用菌决策方案模型的示例性模型结构图。
在一些实施例中，获取食用菌决策方案模型500可以包括决策模型和质量模型。
决策模型可以用于获取第一序列和第二序列。在一些实施例中，决策模型可以至少包括环境特征提取层、目标特征提取层和输出层。例如，决策模型、环境特征提取层、目标特征提取层和输出层可以包括卷积神经网络(Convolutional Neural Networks，CNN)或深度神经网络(Deep Neural Networks,DNN)或其组合得到的模型等。
在一些实施例中，环境特征提取层的输入可以包括第一参数信息，其输出可以包括温度特征向量和光照特征向量。在一些实施例中，温度特征向量是指能够反映食用菌生长期内各个时间点温度的特征向量，光照特征向量是指能够反映食用菌生长期内各个时间点光照强度的特征向量。在一些实施例中，目标特征提取层的输入可以包括预设目标产出结果信息，其输出可以包括目标特征向量。在一些实施例中，目标特征向量是指能够反映食用菌的预设目标产出结果信息的特征向量。例如，目标特征向量可以包括目标品质特征向量、目标周期特征向量以及目标产出率特征向量等中的一种或多种。在一些实施例中，目标品质特征向量是指能够反映食用菌的目标品质的特征向量。在一些实施例中，目标周期特征向量是指能够反映食用菌目标周期的特征向量。在一些实施例中，目标产出率特征向量是指能够反映食用菌目标品质的特征向量。在一些实施例中，决策模型还可以包括嵌入层。在一些实施例中，嵌入层的输入可以包括过程品质信息和第二参数信息，其输出可以包括过程特征向量。在一些实施例中，过程特征向量可以表示食用菌的过程品质信息与预设目标产出结果信息之间的关系。例如，若食用菌的过程品质信息包括食用菌有腐烂发霉部位，且预设目标参数结果信息包括食用菌无腐烂发霉部位，则过程特征向量为食用菌的过程品质信息与预设目标产出结果信息不相符。
在一些实施例中，输出层可以包括第一输出层和第二输出层。在一些实施例中，第一输出层和第二输出层的输入均包括温度特征向量、光照特征向量、目标特征向量和过程特征向量。在一些实施例中，第一输出层的输出可以是第一序列。在一些实施例中，第一输出层的输出还可以是更新后的第一序列。在一些实施例中，第二输出层的输出可以是第二序列。在一些实施例中，第二输出层的输出还可以是更新后的第二序列。
在一些实施例中，决策模型可以基于训练获取，决策模型的训练可以由处理设备执行。例如，决策模型的训练可以基于环境特征提取层、目标特征提取层、输出层和嵌入层的单独训练实现。在一些实施例中，可以通过获取多个训练样本，基于多个训练样本训练得到所述决策模型，其中，训练样本包括样本第一参数信息及其标签，标签表征样本第一参数信息对应的第一序列和第二序列。
在一些实施例中，环境特征提取层、目标特征提取层、输出层、嵌入层可以基于训练获取，环境特征提取层、目标特征提取层、输出层、嵌入层的训练可以由处理设备执行，其训练可以基于以下方法实现。
在一些实施例中，获取至少一个训练样本以及初始环境特征提取层、初始目标特征提取层、初始输出层和初始嵌入层，其中，初始环境特征提取层对应的训练样本可以包括样本第一参数信息以及其分别对应的光照特征向量和温度特征向量，其中样本第一参数信息可以包括样本光照信息和样本温度信息；初始目标特征提取层对应的训练样本可以包括预设目标产出结果信息以及其对应的目标特征向量；初始嵌入层对应的训练样本可以包括样本过程品质信息和样本第二参数信息，以及对应的过程特征向量；初始输出层对应的训练样本可以包括样本温度特征向量、样本光照特征向量、样本目标特征向量和样本过程特征向量，以及对应的样本第一序列和样本第二序列，或对应的更新后的第一序列和第二序列。
在一些实施例中，可以利用数据采集装置获取光照信息和温度信息。
在一些实施例中，训练样本中的相关信息可以通过人工标注获取，也可以通过获取已有标注信息的数据作为训练样本，以省去人工标注环节。
在一些实施例中，基于至少一个训练样本迭代更新初始环境特征提取层、初始目标特征提取层、初始输出层和初始嵌入层的参数以得到环境特征提取层、目标特征提取层、输出层和嵌入层。
在一些实施例中，可以将训练样本输入环境特征提取层、目标特征提取层、输出层和嵌入层，通过训练迭代更新其参数，直到训练的环境特征提取层、目标特征提取层、输出层和嵌入层满足预设条件，获取训练好的环境特征提取层、目标特征提取层、输出层和嵌入层，其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。在一些实施例中，迭代更新模型参数的方法可以包括随机梯度下降等常规的模型训练方法。
质量模型可以用于获取食用菌的预测品相信息和预测易采摘性信息。例如，质量模型可以包括卷积神经网络、深度神经网络或其组合得到的模型等。
在一些实施例中，质量模型的输入可以包括第三参数信息，其输出可以包括食用菌的预测品相信息和预测易采摘性信息。关于食用菌的预测品相信息和预测易采摘性信息的说明参见图4及其相关描述，此处不再赘述。
在一些实施例中，质量模型可以基于训练获取。质量模型的训练可以由处理设备执行。质量模型的训练可以基于以下方法实现。
在一些实施例中，获取至少一个训练样本以及初始质量模型，其中，训练样本包括标注有预测品相信息和预测易采摘性信息的样本第三参数信息。初始质量模型可以是未经调整模型参数或还未达到训练要求的质量模型。训练样本的数量可以根据质量模型的精度需求、实际应用场景等因素确定。
在一些实施例中，可以基于食用菌栽培过程的数据获取第三参数信息。
在一些实施例中，第三参数信息的关于预测品相信息和预测易采摘性信息的标注可以通过人工标注获取，也可以通过获取已标注预测品相信息和预测易采摘性信息的第三参数信息作为样本，以省去人工标注环节。
在一些实施例中，基于所述至少一个训练样本迭代更新初始质量模型的参数以得到质量模型。
在一些实施例中，可以将训练样本输入质量模型，通过训练迭代更新初始质量模型的参数，直到训练的质量模型满足预设条件，获取训练好的质量模型。关于预设条件的更多说明参见决策模型及其相关描述，此处不再赘述。
在一些实施例中，决策模型和质量模型的参数可以通过联合训练得到。联合训练可以由处理设备执行。联合训练可以基于以下方法实现。
在一些实施例中，决策模型的输出可以为质量模型的输入，决策模型和质量模型可以通过联合训练得到。例如，向决策模型输入训练样本数据，即样本第一参数信息和样本预设目标产出结果信息，得到决策模型输出的更新后的第一序列和第二序列；然后将更新后的第一序列和第二序列作为训练样本数据，和第二参数信息输入质量模型，得到质量模型输出的预测品相信息和预测易采摘性信息，使用样本品相信息和样本易采摘性信息对质量模型的输出进行验证；利用神经网络模型的反向传播特性，得到决策模型输出的更新后的第一序列和第二序列的验证数据，使用该更新后的第一序列和第二序列的验证数据作为标签对决策模型进行训练。
又例如，将第一参数信息和预设目标产出结果信息样本输入初始决策模型，将第三参数信息样本输入初始质量模型，基于标签和初始质量模型预测的结果构造损失函数，并同时更新初始决策模型和初始质量模型的参数，直到训练的决策模型和质量模型满足预设条件，获取训练好的决策模型和质量模型，其中，预设条件可以是损失函数小于阈值、收敛，或训练周期达到阈值。在一些实施例中，迭代更新模型参数的方法可以包括随机梯度下降等常规的模型训练方法。
当决策模型和质量模型的训练为联合训练时，与预测品相信息和预测易采摘性信息相关的代价函数具有不同的权重，权重与确定质量因子过程中所使用的权重相关，通过设置不同权重，模型能够更有所侧重地满足某一方面的要求。例如，通过设置较大的与预测品相信息有关的代价函数的权重值时，可以使模型能够更侧重于生产品相等级较高的食用菌。关于权重的更多说明，参见图4及其相关描述，此处不再赘述。
在一些实施例中，可以构造一个损失函数F＝α*A1+β*B1+C，其中α、β为权重值；A1为品相对应的损失项，损失项基于品相的预测结果和标签确定；B1为采摘性对应的损失项，基于采摘性的预测结果和标签确定；C为正则化项。当目标品质里的品相较重要或品相等级较高时，α大于β，由此可知，预测品相值比预测易采摘性值更接近实际值，才能使函数F收敛或等于0，从而实现侧重于生产品相等级较高的食用菌。
本说明书一些实施例中，决策模型具有多层结构，能够同时输入及输出多种参数并联合训练，提高预测效率，使用决策模型和质量模型，可以基于大量的、广泛的数据，确定食用菌的生产参数，以满足复杂多变的实际生产过程的需要，提高了食用菌生产数据的获取效率，使数据处理量得以减小。而基于机器学习技术进行预测，可以基于更多、更丰富的数据进行分析，可以使所预测的食用菌生产参数具有更高的准确度。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种食用菌生产智能控制方法，其特征在于，包括：
获取所述食用菌生长期的第一参数信息，所述第一参数信息包括光照信息和温度信息；
将所述食用菌的预设目标产出结果信息以及所述第一参数信息输入决策模型，所述决策模型为机器学习模型，所述决策模型至少包括环境特征提取层、目标特征提取层和输出层，所述输出层包括第一输出层和第二输出层；
通过所述环境特征提取层处理所述第一参数信息，输出的温度特征向量和光照特征向量分别作为所述第一输出层和所述第二输出层的输入；
通过所述目标特征提取层处理所述预设目标产出结果信息，输出的目标特征向量作为所述第一输出层和所述第二输出层的输入；
通过所述第一输出层和所述第二输出层分别输出第一序列和第二序列，所述第一序列反映所述食用菌生长期的湿度变化信息，所述第二序列反映所述食用菌生长期的二氧化碳浓度变化信息；
基于所述预设目标产出结果信息、所述食用菌生长期的图像信息、实际光照信息、实际温度信息和第二参数信息，对所述第一序列和所述第二序列进行更新，确定更新后的第一序列和更新后的第二序列，所述第二参数信息包括所述食用菌的种植信息；以及
基于所述更新后的第一序列和所述更新后的第二序列控制所述食用菌的生长环境参数。
2.如权利要求1所述的食用菌生产智能控制方法，其特征在于，所述第一序列和所述第二序列的更新频率通过下述方法确定：
将第三参数信息输入质量模型，输出所述食用菌的预测品相信息和预测易采摘性信息，所述第三参数信息至少包括所述更新后的第一序列和所述更新后的第二序列、所述第二参数信息，所述质量模型为机器学习模型；
基于所述预测品相信息和所述预测易采摘性信息进行加权融合，确定质量因子，所述预测品相信息的权重和所述预测易采摘性信息的权重基于食用菌外观等级、所述决策模型的准确度中至少一个确定；
基于所述质量因子确定所述第一序列和所述第二序列的所述更新频率。
3.如权利要求2所述的食用菌生产智能控制方法，其特征在于，所述决策模型和所述质量模型的参数通过联合训练得到，所述联合训练包括：
将样本第一参数信息和样本预设目标产出结果信息输入初始决策模型，得到所述初始决策模型输出的所述更新后的第一序列和所述更新后的第二序列；
将所述更新后的第一序列和所述更新后的第二序列作为初始质量模型的训练样本数据，和样本第二参数信息输入所述初始质量模型，得到所述初始质量模型输出的所述预测品相信息和所述预测易采摘性信息，使用样本品相信息和样本易采摘性信息对所述初始质量模型输出的所述预测品相信息和所述预测易采摘性信息进行验证；
利用神经网络模型的反向传播特性，得到所述初始决策模型输出的所述更新后的第一序列和所述更新后的第二序列的验证数据，使用所述验证数据作为标签对所述初始决策模型进行训练。
4.如权利要求3所述的食用菌生产智能控制方法，其特征在于，所述联合训练过程中：
所述质量模型对应的损失函数包括所述食用菌的品相信息对应的损失项和所述食用菌的易采摘性信息对应的损失项，所述品相信息对应的损失项基于所述品相信息的预测结果和标签确定，所述易采摘性信息对应的损失项基于所述易采摘性信息的预测结果和标签确定，所述品相信息对应的损失项和所述易采摘性信息对应的损失项具有不同的权重。
5.一种食用菌生产智能控制系统，其特征在于，所述系统包括获取模块、输出模块和控制模块；
所述获取模块用于获取所述食用菌生长期的第一参数信息，所述第一参数信息包括光照信息和温度信息；
所述输出模块用于将所述食用菌的预设目标产出结果信息以及所述第一参数信息输入决策模型，所述决策模型为机器学习模型，所述决策模型至少包括环境特征提取层、目标特征提取层和输出层，所述输出层包括第一输出层和第二输出层；通过所述环境特征提取层处理所述第一参数信息，输出的温度特征向量和光照特征向量分别作为所述第一输出层和所述第二输出层的输入；通过所述目标特征提取层处理所述预设目标产出结果信息，输出的目标特征向量作为所述第一输出层和所述第二输出层的输入；通过所述第一输出层和所述第二输出层分别输出第一序列和第二序列；所述第一序列反映所述食用菌生长期的湿度变化信息，所述第二序列反映所述食用菌生长期的二氧化碳浓度变化信息；
所述控制模块用于：
基于所述预设目标产出结果信息、所述食用菌生长期的图像信息、实际光照信息、实际温度信息和第二参数信息，对所述第一序列和所述第二序列进行更新，确定更新后的第一序列和更新后的第二序列，所述第二参数信息包括所述食用菌的种植信息；以及
基于所述更新后的第一序列和所述更新后的第二序列控制所述食用菌的生长环境参数。
6.根据权利要求5所述的食用菌生产智能控制系统，其特征在于，所述控制模块进一步用于：
将第三参数信息输入质量模型，输出所述食用菌的预测品相信息和预测易采摘性信息，所述第三参数信息至少包括所述更新后的第一序列和所述更新后的第二序列、所述第二参数信息，所述质量模型为机器学习模型；
基于所述预测品相信息和所述预测易采摘性信息进行加权融合，确定质量因子，所述预测品相信息的权重和所述预测易采摘性信息的权重基于食用菌外观等级、所述决策模型的准确度中至少一个确定；
基于所述质量因子确定所述第一序列和所述第二序列的所述更新频率。
7.根据权利要求6所述的食用菌生产智能控制系统，其特征在于，所述决策模型和所述质量模型的参数通过联合训练得到，所述联合训练包括：
将样本第一参数信息和样本预设目标产出结果信息输入初始决策模型，得到所述初始决策模型输出的所述更新后的第一序列和所述更新后的第二序列；
将所述更新后的第一序列和所述更新后的第二序列作为初始质量模型的训练样本数据，和样本第二参数信息输入所述初始质量模型，得到所述初始质量模型输出的所述预测品相信息和所述预测易采摘性信息，使用样本品相信息和样本易采摘性信息对所述初始质量模型输出的所述预测品相信息和所述预测易采摘性信息进行验证；
利用神经网络模型的反向传播特性，得到所述初始决策模型输出的所述更新后的第一序列和所述更新后的第二序列的验证数据，使用所述验证数据作为标签对所述初始决策模型进行训练。
8.根据权利要求7所述的食用菌生产智能控制系统，其特征在于，所述联合训练过程中：
所述质量模型对应的损失函数包括所述食用菌的品相信息对应的损失项和所述食用菌的易采摘性信息对应的损失项，所述品相信息对应的损失项基于所述品相信息的预测结果和标签确定，所述易采摘性信息对应的损失项基于所述易采摘性信息的预测结果和标签确定，所述品相信息对应的损失项和所述易采摘性信息对应的损失项具有不同的权重。
9.一种食用菌生产智能控制装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；所述至少一个存储器用于存储计算机指令；
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～4中任一项所述的食用菌生产智能控制方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行如权利要求1～4中任一项所述的食用菌生产智能控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311317671.6A CN117348646A (zh) | 2022-05-23 | 2022-05-23 | 一种食用菌生产智能控制方法、系统、装置及介质 |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210561437.7A CN114879786B (zh) | 2022-05-23 | 2022-05-23 | 一种获取食用菌决策方案的方法、系统、装置及介质 |
| CN202311317671.6A CN117348646A (zh) | 2022-05-23 | 2022-05-23 | 一种食用菌生产智能控制方法、系统、装置及介质 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210561437.7A Division CN114879786B (zh) | 2022-05-23 | 2022-05-23 | 一种获取食用菌决策方案的方法、系统、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117348646A true CN117348646A (zh) | 2024-01-05 |
Family
ID=82676973
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311317671.6A Pending CN117348646A (zh) | 2022-05-23 | 2022-05-23 | 一种食用菌生产智能控制方法、系统、装置及介质 |
| CN202210561437.7A Active CN114879786B (zh) | 2022-05-23 | 2022-05-23 | 一种获取食用菌决策方案的方法、系统、装置及介质 |
Family Applications After (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210561437.7A Active CN114879786B (zh) | 2022-05-23 | 2022-05-23 | 一种获取食用菌决策方案的方法、系统、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (2) | CN117348646A (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116661517B (zh) * | 2023-07-24 | 2023-09-29 | 山东三方化工集团有限公司 | 基于物联网的复合微生物肥料发酵温度智能调控系统 |
| CN116740651B (zh) * | 2023-08-11 | 2023-10-17 | 南京吾悦农业科技有限公司 | 基于智能决策的食用菌栽培监控方法及系统 |
| CN116720633B (zh) * | 2023-08-11 | 2023-10-27 | 安徽农业大学 | 一种食用菌育种生长参数寻优的方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103869796A (zh) * | 2014-03-31 | 2014-06-18 | 常熟理工学院 | 食用菌生产环境监控方法及监控系统 |
| 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 |
| CN109116827B (zh) * | 2018-09-19 | 2020-01-03 | 中国农业大学 | 基于物联网的日光温室水肥一体化灌溉控制方法及装置 |
| CN110032623B (zh) * | 2018-12-12 | 2023-02-24 | 创新先进技术有限公司 | 用户问句与知识点标题的匹配方法和装置 |
| JP7304791B2 (ja) * | 2019-10-24 | 2023-07-07 | セイコーインスツル株式会社 | 鼓膜温度推定システム、ウェアラブルデバイス、熱中症リスク推定システム、鼓膜温度推定方法およびプログラム |
| CN113552869B (zh) * | 2020-04-23 | 2023-07-07 | 华为技术有限公司 | 优化决策规控的方法、控制车辆行驶的方法和相关装置 |
| CN113177538B (zh) * | 2021-06-30 | 2021-08-24 | 腾讯科技（深圳）有限公司 | 一种视频循环识别方法、装置、计算机设备及存储介质 |
| CN114297907A (zh) * | 2021-11-17 | 2022-04-08 | 北京市农林科学院智能装备技术研究中心 | 温室环境空间分布预测方法及装置 |
-
2022
- 2022-05-23 CN CN202311317671.6A patent/CN117348646A/zh active Pending
- 2022-05-23 CN CN202210561437.7A patent/CN114879786B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114879786A (zh) | 2022-08-09 |
| CN114879786B (zh) | 2023-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114879786B (zh) | 一种获取食用菌决策方案的方法、系统、装置及介质 | |
| KR101811640B1 (ko) | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 | |
| KR101874972B1 (ko) | 농업 관리 시스템 및 농업 관리 방법 | |
| US10571870B2 (en) | Intelligent control method and system, and intelligent monitoring system | |
| CN109325495B (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
| CN111263920A (zh) | 用于控制作物的生长环境的系统和方法 | |
| CN112668394B (zh) | 一种农业大棚生产的在线预测方法及系统 | |
| CN113192026B (zh) | 一种基于可见光图像的核桃成熟度检测与预测方法 | |
| CN113557890A (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 | |
| CN112527037B (zh) | 一种具有环境因子预测功能的温室环境调控方法和系统 | |
| CN108614601A (zh) | 一种融合随机森林算法的设施光环境调控方法 | |
| CN108319164A (zh) | 作物生长环境预测和调控方法 | |
| CN116649160B (zh) | 食用菌菌种生产监测系统及监测方法 | |
| KR20190136774A (ko) | 작물의 수확시기 예측시스템 및 그 방법 | |
| WO2023086221A1 (en) | Simulation and automated control of physical systems | |
| CN107037728A (zh) | 基于多目标灰色粒子群算法的温室环境优化控制方法 | |
| CN114971933B (zh) | 一种食用菌的保存方法和系统 | |
| Shadrin et al. | Pervasive agriculture: Measuring and predicting plant growth using statistics and 2D/3D imaging | |
| KR20140143272A (ko) | 시설재배 최적 생장 환경 제공 시스템 및 그 방법 | |
| Lešić et al. | Rapid plant development modelling system for predictive agriculture based on artificial intelligence | |
| CN111027436A (zh) | 一种基于深度学习的东北黑木耳病虫害图像识别系统 | |
| CN114115394A (zh) | 一种烟叶智能烘烤控制系统及方法 | |
| CN110197381A (zh) | 基于农业物联网综合服务管理系统的可追溯信息处理方法 | |
| CN112783228B (zh) | 基于神经网络的大型温棚pd控制系统及方法 | |
| Chen et al. | Construction of a photosynthetic rate prediction model for greenhouse strawberries with distributed regulation of light environment |
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 |