CN117708761A - 一种融合多指标环境条件的朱顶红育苗系统及方法 - Google Patents
一种融合多指标环境条件的朱顶红育苗系统及方法 Download PDFInfo
- Publication number
- CN117708761A CN117708761A CN202410166164.5A CN202410166164A CN117708761A CN 117708761 A CN117708761 A CN 117708761A CN 202410166164 A CN202410166164 A CN 202410166164A CN 117708761 A CN117708761 A CN 117708761A
- Authority
- CN
- China
- Prior art keywords
- data
- environment data
- items
- soil
- independent
- 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
- 230000007613 environmental effect Effects 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 title claims description 4
- 241001466280 Hippeastrum evansiae Species 0.000 title 1
- 201000010099 disease Diseases 0.000 claims abstract description 78
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 78
- 230000012010 growth Effects 0.000 claims abstract description 27
- 241000234473 Hippeastrum Species 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 239000002689 soil Substances 0.000 claims description 78
- 230000001580 bacterial effect Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000009395 breeding Methods 0.000 claims description 12
- 230000001488 breeding effect Effects 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 14
- 230000008569 process Effects 0.000 abstract description 6
- 230000000875 corresponding effect Effects 0.000 description 28
- 241000196324 Embryophyta Species 0.000 description 10
- 239000000523 sample Substances 0.000 description 8
- 241000894006 Bacteria Species 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 230000004083 survival effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 229910052956 cinnabar Inorganic materials 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011534 incubation Methods 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000234270 Amaryllidaceae Species 0.000 description 1
- 238000000018 DNA microarray Methods 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/35—Bulbs; Alliums, e.g. onions or leeks
-
- 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
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/60—Flowers; Ornamental plants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Environmental Sciences (AREA)
- Botany (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及朱顶红育苗技术领域，提出了一种融合多指标环境条件的朱顶红育苗系统及方法，该系统包括：环境数据获取模块、特征图生成模块、病害趋势预测模块和培育干预模块。本发明通过采集朱顶红幼苗生长的多项环境数据，提取出其中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，通过构建具有关联关系的若干项关联环境数据的关联关系特征图和不具有关联关系的独立环境数据的独立特征图，以此利用神经网络模型实现病害趋势预测，为干预朱顶红育苗过程提供数据依据，有效的提高了朱顶红育苗的环境状态监测有效性以及病害趋势预测精确性。
Description
技术领域
本发明涉及朱顶红育苗技术领域，尤其是一种融合多指标环境条件的朱顶红育苗系统及方法。
背景技术
朱顶红为石蒜科属多年生草本植物，原产于南美洲墨西哥、阿根廷，其不但具有艳丽的外观，还具有独特的药用价值。然而，朱顶红喜温暖、湿润和阳光充足环境，要求夏季凉爽、冬季温暖，不适宜的条件下会出现幼苗存活率低的问题。因此，对朱顶红的种植环境进行实时监控与干预对提高朱顶红幼苗的成活率有重要意义。
对于植物的培育的监控或干预方法，大多都是基于图像的，如CN112800665A、CN111476149A等，通过获取植物的生长图像并结合生长数据实现对幼苗发育状况的评估，并根据评估结果对幼苗的生长环境进行调控。虽然基于图像的方法能够非常直观的展示幼苗的生长状态，但受成像设备以及成像环境条件的约束，所获取的图像可能存在不准确的问题，因此评估结果也会大打折扣。当然，目前也存在一些不依靠图像数据的方法，如CN206074382U、CN111678546A等，通过外置设备直接对植物生长环境数据进行测定，并依据测定结果判断该环节是否适合植物生存或培育。但需要注意的是，外置仪器对环境变化的敏感度远不及植物，当外置仪器检测到环境变化时植物可能早已因为环境因素而出现了病害趋势，特别是对于朱顶红这种对环境要求非常严苛的植物。
因此，如何提供一种针对朱顶红育苗的环境状态有效检测以及病害趋势精确预测的方案，是一个亟须解决的技术问题。
发明内容
为解决上述现有技术问题，本发明提供一种融合多指标环境条件的朱顶红育苗系统及方法，旨在解决现有技术中针对植物培育的环境监测与调控有效性以及病害趋势预测准确性不够理想的问题。
本发明的第一方面，提供了一种融合多指标环境条件的朱顶红育苗系统，包括：
环境数据获取模块，所述环境数据获取模块被配置为获取环境数据采集组件采集的朱顶红幼苗生长的多项环境数据；
特征图生成模块，所述特征图构建模块被配置为提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，利用所述关联环境数据和所述独立环境数据，生成包含关联关系特征图和独立特征图的特征张量；
病害趋势预测模块，所述病害趋势预测模块被配置为将所述特征张量输入病害趋势预测模型，生成朱顶红幼苗的病害趋势预测结果；
培育干预模块，所述培育干预模块被配置为根据所述病害趋势预测结果，调节朱顶红幼苗生长的环境。
可选的，所述环境数据采集组件采集的朱顶红幼苗生长的多项环境数据，具体包括：土壤数据采集件采集的土壤的pH值、土壤的疏松度和土壤的细菌含量；光照数据采集件采集的光照强度；温度数据采集件采集的温度值；以及水分数据采集件采集的土壤的水分含量和空气的水分含量。
可选的，所述特征图生成模块，具体包括：
曲线图生成单元，所述曲线图生成单元被配置为根据环境数据采集组件采集到的所述多项环境数据对应的采集时间，分别生成每项环境数据对应的曲线图；
特征张量生成单元，所述特征张量生成单元被配置为提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，基于若干项关联环境数据和若干项独立环境数据对应的曲线图，分别生成关联关系特征图和独立特征图，将所述关联关系特征图和所述独立特征图进行组合，获得特征张量。
可选的，所述曲线图生成单元，具体包括：
数据预处理子单元，所述数据预处理子单元被配置为将环境数据采集组件采集到的所述多项环境数据进行归一化处理和数据结构化处理，获得以每项环境数据为索引、以采集时间为顺序的结构化数据；
曲线图生成子单元，所述曲线图生成子单元被配置为将每个索引下的环境数据相互连接，生成每项环境数据对应的曲线图。
可选的，所述特征张量生成单元，具体包括：
关联环境数据划分子单元，所述关联环境数据划分子单元被配置为根据环境数据关联信息，提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据；
关联关系特征图生成子单元，所述特征图生成子单元被配置为根据所述若干项关联环境数据之间的相关性，生成每两个关联环境数据之间的像素权重，并将若干项关联环境数据对应的曲线图两两相加并乘以对应所述像素权重，获得关联关系特征图；
独立特征图生成子单元，所述独立特征图生成子单元被配置为将若干项独立环境数据对应的曲线图乘以权重1，得到每项独立环境数据的独立关系特征图；
特征张量生成子单元，所述特征张量生成子单元被配置为将所述关联关系特征图和所述独立特征图进行组合，获得特征张量。
可选的，根据所述若干项关联环境数据之间的相关性，生成每两个关联环境数据之间的像素权重的表达式，具体为：
其中，像素权重，表示/>为若干项关联环境数据的环境数据集合，/>均表示为/>中的任意两个环境数据，/>为/>中的元素，/>为/>中的元素，/>表示对/>求元素总数，/>表示/>和/>之间的相关性，/>表示某一元素具体的值。
可选的，若干项关联环境数据包括土壤的pH值、土壤的疏松度、土壤中的水分和土壤的细菌含量；其中，若干项关联环境数据之间的相关性，具体包括：在目标区间内土壤的pH值与土壤的细菌含量呈负相关，在目标区间内土壤的水分与土壤的细菌含量呈负相关，土壤的疏松度与土壤的细菌含量呈正相关。
可选的，所述系统，还包括：
病害趋势预测模型训练模块；
其中，所述病害趋势预测模型训练模块被配置为获取历史环境数据和对应的病害信息，利用所述病害信息对历史环境数据进行标注获得训练样本，将所述训练样本输入初始神经网络模型中进行训练，获得训练完成的病害趋势预测模型。
可选的，所述培育干预模块，具体包括：
人工培育干预单元，所述人工培育干预单元被配置为将所述病害趋势预测结果发送至培育人员，以使培育人员根据所述病害趋势预测结果调节朱顶红幼苗生长的环境；
和/或自动培育干预单元，所述自动培育干预单元被配置为基于所述病害趋势预测结果和预设的培育干预策略，生成朱顶红幼苗的培育干预控制信息，将所述培育干预控制信息发送至环境自动调节设备，以调节朱顶红幼苗生长的环境。
本发明的第二方面，提供了一种融合多指标环境条件的朱顶红育苗方法，包括：
S1：获取环境数据采集组件采集的朱顶红幼苗生长的多项环境数据；
S2：提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，利用所述关联环境数据和所述独立环境数据，生成包含关联关系特征图和独立特征图的特征张量；
S3：将所述特征张量输入病害趋势预测模型，生成朱顶红幼苗的病害趋势预测结果；
S4：根据所述病害趋势预测结果，调节朱顶红幼苗生长的环境。
本发明的有益效果在于：提出了一种融合多指标环境条件的朱顶红育苗系统及方法，通过采集朱顶红幼苗生长的多项环境数据，提取出其中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，通过构建具有关联关系的若干项关联环境数据的关联关系特征图和不具有关联关系的独立环境数据的独立特征图，以此利用神经网络模型实现病害趋势预测，为干预朱顶红育苗过程提供数据依据，有效的提高了朱顶红育苗的环境状态监测有效性以及病害趋势预测精确性。
附图说明
图1为本发明所提供的融合多指标环境条件的朱顶红育苗系统的结构示意图；
图2为本发明所提供的融合多指标环境条件的朱顶红育苗方法的流程示意图。
附图标记：
10-环境数据获取模块；20-特征图生成模块；30-病害趋势预测模块；40-培育干预模块。
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。
实施例1：
参照图1，图1为本发明实施例提供的一种融合多指标环境条件的朱顶红育苗系统的结构示意图。
如图1所示，一种融合多指标环境条件的朱顶红育苗系统，包括：环境数据获取模块，所述环境数据获取模块被配置为获取环境数据采集组件采集的朱顶红幼苗生长的多项环境数据；特征图生成模块，所述特征图构建模块被配置为提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，利用所述关联环境数据和所述独立环境数据，生成包含关联关系特征图和独立特征图的特征张量；病害趋势预测模块，所述病害趋势预测模块被配置为将所述特征张量输入病害趋势预测模型，生成朱顶红幼苗的病害趋势预测结果；培育干预模块，所述培育干预模块被配置为根据所述病害趋势预测结果，调节朱顶红幼苗生长的环境。
需要说明的是，现有植物培育监控与干预方案中，主要通过基于图像监测以及基于环境数据采集两个方向实现。其中，对于图像监测的植物培育监控与干预实现中，具有：受限成像设备以及成像环境条件的约束导致图像采集不准确进而影响监控与干预准确性的问题；对于环境数据采集的植物培育监控与干预实现中，具有病害监测判断迟滞的问题。为了解决上述问题，本实施例通过采集朱顶红幼苗生长的多项环境数据，提取出其中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，通过构建具有关联关系的若干项关联环境数据的关联关系特征图和不具有关联关系的独立环境数据的独立特征图，以此利用神经网络模型实现病害趋势预测，为干预朱顶红育苗过程提供数据依据，考虑具有关联关系的环境数据之间的相关性来构建特征图，相比于传统仅通过环境数据采集与直接判断，将不同环境数据组合给幼苗带来的不同影响进行充分考量，能够有效的提高朱顶红育苗的环境状态监测有效性以及病害趋势预测精确性。
在优选的实施例中，所述环境数据采集组件采集的朱顶红幼苗生长的多项环境数据，具体包括：土壤数据采集件采集的土壤的pH值、土壤的疏松度和土壤的细菌含量；光照数据采集件采集的光照强度；温度数据采集件采集的温度值；以及水分数据采集件采集的土壤的水分含量和空气的水分含量。
在实际应用中，对于土壤数据采集件，包括用于采集土壤pH值的PH计，采集土壤疏松度的土壤电阻仪（土壤电阻仪可以测量土壤的电导率，通过测量土壤的电导率可以得出土壤的疏松程度。通常，疏松的土壤具有较低的电导率，而紧密的土壤具有较高的电导率）以及采集土壤细菌含量的土壤探针与生物芯片；对于光照数据采集件，包括用于采集幼苗附近光照强度的光度计；对于温度数据采集件，包括用于采集幼苗附近温度的温度计；对于水分数据采集件，包括用于采集土壤中的水分含量和空气中的水分含量的湿度计。由此，通过设置环境数据采集组件来采集影响朱顶红幼苗生长的多项环境数据，为后续病害趋势预测提供数据支撑。
在优选的实施例中，所述特征图生成模块，具体包括：曲线图生成单元，所述曲线图生成单元被配置为根据环境数据采集组件采集到的所述多项环境数据对应的采集时间，分别生成每项环境数据对应的曲线图；特征张量生成单元，所述特征张量生成单元被配置为提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，基于若干项关联环境数据和若干项独立环境数据对应的曲线图，分别生成关联关系特征图和独立特征图，将所述关联关系特征图和所述独立特征图进行组合，获得特征张量。
本实施例中，在获取到环境数据采集组件采集的多项环境数据后，为每项环境数据生成对应的曲线图，先生成具有关联关系的若干项关联环境数据对应的关联关系特征图和不具有关联关系的若干项独立环境数据对应的独立特征图，再将关联关系特征图和独立特征图进行组合获得特征张量，在此之后，即可利用特征张量和训练完成的病害趋势预测模型对朱顶红幼苗的病害趋势进行预测。需要说明的是，在生成环境数据的特征图时，通过将环境数据划分为关联环境数据和独立环境数据并分别生成特征图，考虑具有关联关系的环境数据之间的相关性来构建特征图，相比于传统仅通过环境数据采集与直接判断，将不同环境数据组合给幼苗带来的不同影响进行充分考量，能够有效的提高朱顶红育苗的环境状态监测有效性以及病害趋势预测精确性。
在优选的实施例中，所述曲线图生成单元，具体包括：数据预处理子单元，所述数据预处理子单元被配置为将环境数据采集组件采集到的所述多项环境数据进行归一化处理和数据结构化处理，获得以每项环境数据为索引、以采集时间为顺序的结构化数据；曲线图生成子单元，所述曲线图生成子单元被配置为将每个索引下的环境数据相互连接，生成每项环境数据对应的曲线图。
在实际应用中，获取到环境数据采集组件采集的多项环境数据时，将数据进行归一化处理，并构建为结构化数据，该结构化数据的索引为预设，每一个索引下的数据排列顺序为采集时间顺序，一共7个索引（即，土壤的pH值、土壤的疏松度、土壤的细菌含量、光照强度、温度值、土壤的水分含量和空气的水分含量）；在此之后，将每一个索引下的数据通过相互连接形成曲线图，假设每个索引下的数据量为，则生成的曲线图的尺寸为/>。由此，实现将采集的环境数据转换为每项数据对应的曲线图，以此将曲线图作为用于病害趋势预测的输入参考数据，用于预测朱顶红幼苗的病害趋势变化。
在优选的实施例中，所述特征张量生成单元，具体包括：关联环境数据划分子单元，所述关联环境数据划分子单元被配置为根据环境数据关联信息，提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据；关联关系特征图生成子单元，所述特征图生成子单元被配置为根据所述若干项关联环境数据之间的相关性，生成每两个关联环境数据之间的像素权重，并将若干项关联环境数据对应的曲线图两两相加并乘以对应所述像素权重，获得关联关系特征图；独立特征图生成子单元，所述独立特征图生成子单元被配置为将若干项独立环境数据对应的曲线图乘以权重1，得到每项独立环境数据的独立关系特征图；特征张量生成子单元，所述特征张量生成子单元被配置为将所述关联关系特征图和所述独立特征图进行组合，获得特征张量。
本实施例中，考虑到朱顶红幼苗在不同参数下的各环境因素组合会给幼苗的生长带来不同的影响，且各环境因素之间可能也存在着一些关联性，具体而言，对于土壤的pH值、土壤的疏松度、土壤中的水分、土壤的细菌含量四者，存在以下关联：（1）pH值和细菌含量：一般来说，中性pH值（约为6-7）的土壤往往支持更多种类的细菌生存和繁殖。极端酸性或碱性的土壤条件下，细菌种类和数量都可能受到限制；（2）疏松度和细菌含量：土壤的疏松度影响土壤颗粒之间的间隙大小和水、气的渗透性。疏松的土壤具有更多的空隙，可容纳更多水分和氧气，并提供更好的生存环境给细菌。相比之下，密实的土壤难以渗透水分和氧气，对细菌的生长和繁殖有一定的限制；（3）水分和细菌含量：适宜的水分含量有助于细菌在土壤中生长繁殖。水分过多或过少都可能对细菌的活动和数量产生负面影响。不同细菌对水分的要求各有不同，但一般来说，土壤中适度的水分可有利于维持细菌种群的多样性和数量的平衡。
基于上述分析，可提取出本实施例中朱顶红幼苗采集的环境数据中具有关联关系的关联环境数据，包括土壤的pH值、土壤的疏松度、土壤中的水分和土壤的细菌含量；对应的，关联环境数据之间的相关性，具体包括：在目标区间内土壤的pH值与土壤的细菌含量呈负相关，在目标区间内土壤的水分与土壤的细菌含量呈负相关，土壤的疏松度与土壤的细菌含量呈正相关。基于上述关联环境数据之间的相关性，建立土壤的pH值、土壤的疏松度、土壤中的水分、土壤的细菌含量的变化量相关的约束方程，具体为：
其中，像素权重，表示/>为若干项关联环境数据的环境数据集合，/>均表示为/>中的任意两个环境数据，/>为/>中的元素，/>为/>中的元素，/>表示对/>求元素总数，/>表示/>和/>之间的相关性（即上述分析过程中（1）、（2）、（3）中所描述的正负相关性），/>表示某一元素具体的值。
对于关联关系特征图的生成，在获得任意两个关联环境数据对应的曲线图像素权重后，即可将若干项关联环境数据对应的曲线图两两相加并乘以对应所述像素权重，获得关联关系特征图；对于独立特征图的生成，将若干项独立环境数据对应的曲线图乘以权重1，得到每项独立环境数据的独立关系特征图。具体到本实施例，将4个曲线图两两相加并乘以像素权重，生产6个关联关系特征图；光照强度、温度、空气中的水分含量像素值乘以1，得到对应的3个独立特征图；将所有特征图组合成一个特征张量/>，尺度为/>。由此，本实施例在构建输入至病害趋势预测模型的特征张量时，采用分别构建具有关联关系的环境数据对应的关联关系特征图以及构建不具有关联关系的环境数据对应的独立特征图，利用关联关系特征图的生成考虑不同参数下的各环境因素组合会给幼苗的生长带来不同的影响，使得生成的特征张量具有更大的数据量与更好的特性，进而提高病害趋势预测的准确性。
在优选的实施例中，所述系统，还包括：病害趋势预测模型训练模块；其中，所述病害趋势预测模型训练模块被配置为获取历史环境数据和对应的病害信息，利用所述病害信息对历史环境数据进行标注获得训练样本，将所述训练样本输入初始神经网络模型中进行训练，获得训练完成的病害趋势预测模型。
本实施例中，需要先利用历史环境数据训练病害趋势预测模型，其中，在获得历史环境数据和对应的病害信息后，即可利用病害信息对历史环境数据进行标注，以获得训练样本；具体而言，根据朱顶红在实验室中得到的理论最佳培育环境条件，及其他不同环境条件下朱顶红幼苗病害的情况，对历史数据进行标注，标签为“正常”和其他不同的病害，如干旱、烂根、叶斑病等；在得到训练样本后将其输入至初始的基于ResNet的神经网络进行训练，得到用于预测朱顶红培育过程中的病害趋势预测结果。由此，通过神经网络模型的训练获得的朱顶红病害趋势预测结果，相比于传统直接通过环境数据采集判断的病害趋势结果，由于考虑了环境数据的变化与病害的关系，能够获得实时性与精确度更好的病害预测判断。
在优选的实施例中，所述培育干预模块，具体包括：人工培育干预单元，所述人工培育干预单元被配置为将所述病害趋势预测结果发送至培育人员，以使培育人员根据所述病害趋势预测结果调节朱顶红幼苗生长的环境；和/或自动培育干预单元，所述自动培育干预单元被配置为基于所述病害趋势预测结果和预设的培育干预策略，生成朱顶红幼苗的培育干预控制信息，将所述培育干预控制信息发送至环境自动调节设备，以调节朱顶红幼苗生长的环境。
本实施例中，在获得病害趋势预测结果后，可通过人工控制朱顶红幼苗生长环境或利用自动调节设备自动调节朱顶红幼苗生长环境的方式，将朱顶红幼苗生长的环境因素调节到最适合当前状态的环境数据，从而达到病害趋势遏制的目的。
参照图2，图2为本发明实施例提供的一种融合多指标环境条件的朱顶红育苗方法的流程示意图。
如图2所示，一种融合多指标环境条件的朱顶红育苗方法，包括步骤：
S1：获取环境数据采集组件采集的朱顶红幼苗生长的多项环境数据；
S2：提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，利用所述关联环境数据和所述独立环境数据，生成包含关联关系特征图和独立特征图的特征张量；
S3：将所述特征张量输入病害趋势预测模型，生成朱顶红幼苗的病害趋势预测结果；
S4：根据所述病害趋势预测结果，调节朱顶红幼苗生长的环境。
本实施例中，通过采集朱顶红幼苗生长的多项环境数据，提取出其中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，通过构建具有关联关系的若干项关联环境数据的关联关系特征图和不具有关联关系的独立环境数据的独立特征图，以此利用神经网络模型实现病害趋势预测，为干预朱顶红育苗过程提供数据依据，有效的提高了朱顶红育苗的环境状态监测有效性以及病害趋势预测精确性。
本申请融合多指标环境条件的朱顶红育苗方法的具体实施方式与上述融合多指标环境条件的朱顶红育苗系统各实施例基本相同，在此不再赘述。
在本发明的实施例的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“坚直”、“水平”、“中心”、“顶”、“底”、“顶部”、“底部”、“内”、“外”、“内侧”、“外侧”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。其中，“里侧”是指内部或围起来的区域或空间。“外围”是指某特定部件或特定区域的周围的区域。
在本发明的实施例的描述中，术语“第一”、“第二”、“第三”、“第四”仅用以描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”、“第四”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“组装”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的实施例的描述中，具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
在本发明的实施例的描述中，需要理解的是，“-”和“~”表示的是两个数值之间的范围，并且该范围包括端点。例如：“A-B”表示大于或等于A，且小于或等于B的范围。“A~B”表示大于或等于A，且小于或等于B的范围。
在本发明的实施例的描述中，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种融合多指标环境条件的朱顶红育苗系统，其特征在于，包括：
环境数据获取模块，所述环境数据获取模块被配置为获取环境数据采集组件采集的朱顶红幼苗生长的多项环境数据；
特征图生成模块，所述特征图构建模块被配置为提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，利用所述关联环境数据和所述独立环境数据，生成包含关联关系特征图和独立特征图的特征张量；
病害趋势预测模块，所述病害趋势预测模块被配置为将所述特征张量输入病害趋势预测模型，生成朱顶红幼苗的病害趋势预测结果；
培育干预模块，所述培育干预模块被配置为根据所述病害趋势预测结果，调节朱顶红幼苗生长的环境。
2.根据权利要求1所述的融合多指标环境条件的朱顶红育苗系统，其特征在于，所述环境数据采集组件采集的朱顶红幼苗生长的多项环境数据，具体包括：土壤数据采集件采集的土壤的pH值、土壤的疏松度和土壤的细菌含量；光照数据采集件采集的光照强度；温度数据采集件采集的温度值；以及水分数据采集件采集的土壤的水分含量和空气的水分含量。
3.根据权利要求2所述的融合多指标环境条件的朱顶红育苗系统，其特征在于，所述特征图生成模块，具体包括：
曲线图生成单元，所述曲线图生成单元被配置为根据环境数据采集组件采集到的所述多项环境数据对应的采集时间，分别生成每项环境数据对应的曲线图；
特征张量生成单元，所述特征张量生成单元被配置为提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，基于若干项关联环境数据和若干项独立环境数据对应的曲线图，分别生成关联关系特征图和独立特征图，将所述关联关系特征图和所述独立特征图进行组合，获得特征张量。
4.根据权利要求3所述的融合多指标环境条件的朱顶红育苗系统，其特征在于，所述曲线图生成单元，具体包括：
数据预处理子单元，所述数据预处理子单元被配置为将环境数据采集组件采集到的所述多项环境数据进行归一化处理和数据结构化处理，获得以每项环境数据为索引、以采集时间为顺序的结构化数据；
曲线图生成子单元，所述曲线图生成子单元被配置为将每个索引下的环境数据相互连接，生成每项环境数据对应的曲线图。
5.根据权利要求3所述的融合多指标环境条件的朱顶红育苗系统，其特征在于，所述特征张量生成单元，具体包括：
关联环境数据划分子单元，所述关联环境数据划分子单元被配置为根据环境数据关联信息，提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据；
关联关系特征图生成子单元，所述特征图生成子单元被配置为根据所述若干项关联环境数据之间的相关性，生成每两个关联环境数据之间的像素权重，并将若干项关联环境数据对应的曲线图两两相加并乘以对应所述像素权重，获得关联关系特征图；
独立特征图生成子单元，所述独立特征图生成子单元被配置为将若干项独立环境数据对应的曲线图乘以权重1，得到每项独立环境数据的独立关系特征图；
特征张量生成子单元，所述特征张量生成子单元被配置为将所述关联关系特征图和所述独立特征图进行组合，获得特征张量。
6.根据权利要求5所述的融合多指标环境条件的朱顶红育苗系统，其特征在于，根据所述若干项关联环境数据之间的相关性，生成每两个关联环境数据之间的像素权重的表达式，具体为：
其中，像素权重，表示/>为若干项关联环境数据的环境数据集合，/>均表示为中的任意两个环境数据，/>为/>中的元素，/>为/>中的元素，/>表示对/>求元素总数，/>表示/>和/>之间的相关性，/>表示某一元素具体的值。
7.根据权利要求5所述的融合多指标环境条件的朱顶红育苗系统，其特征在于，若干项关联环境数据包括土壤的pH值、土壤的疏松度、土壤中的水分和土壤的细菌含量；其中，若干项关联环境数据之间的相关性，具体包括：在目标区间内土壤的pH值与土壤的细菌含量呈负相关，在目标区间内土壤的水分与土壤的细菌含量呈负相关，土壤的疏松度与土壤的细菌含量呈正相关。
8.根据权利要求1所述的融合多指标环境条件的朱顶红育苗系统，其特征在于，还包括：
病害趋势预测模型训练模块；
其中，所述病害趋势预测模型训练模块被配置为获取历史环境数据和对应的病害信息，利用所述病害信息对历史环境数据进行标注获得训练样本，将所述训练样本输入初始神经网络模型中进行训练，获得训练完成的病害趋势预测模型。
9.根据权利要求1所述的融合多指标环境条件的朱顶红育苗系统，其特征在于，所述培育干预模块，具体包括：
人工培育干预单元，所述人工培育干预单元被配置为将所述病害趋势预测结果发送至培育人员，以使培育人员根据所述病害趋势预测结果调节朱顶红幼苗生长的环境；
和/或，自动培育干预单元，所述自动培育干预单元被配置为基于所述病害趋势预测结果和预设的培育干预策略，生成朱顶红幼苗的培育干预控制信息，将所述培育干预控制信息发送至环境自动调节设备，以调节朱顶红幼苗生长的环境。
10.一种融合多指标环境条件的朱顶红育苗方法，其特征在于，包括：
S1：获取环境数据采集组件采集的朱顶红幼苗生长的多项环境数据；
S2：提取所述多项环境数据中具有关联关系的若干项关联环境数据和不具有关联关系的若干项独立环境数据，利用所述关联环境数据和所述独立环境数据，生成包含关联关系特征图和独立特征图的特征张量；
S3：将所述特征张量输入病害趋势预测模型，生成朱顶红幼苗的病害趋势预测结果；
S4：根据所述病害趋势预测结果，调节朱顶红幼苗生长的环境。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166164.5A CN117708761B (zh) | 2024-02-06 | 2024-02-06 | 一种融合多指标环境条件的朱顶红育苗系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410166164.5A CN117708761B (zh) | 2024-02-06 | 2024-02-06 | 一种融合多指标环境条件的朱顶红育苗系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117708761A true CN117708761A (zh) | 2024-03-15 |
| CN117708761B CN117708761B (zh) | 2024-05-03 |
Family
ID=90148301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410166164.5A Active CN117708761B (zh) | 2024-02-06 | 2024-02-06 | 一种融合多指标环境条件的朱顶红育苗系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117708761B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160078375A1 (en) * | 2014-09-12 | 2016-03-17 | The Climate Corporation | Methods and systems for recommending agricultural activities |
| CN110133643A (zh) * | 2019-05-22 | 2019-08-16 | 北京林业大学 | 植物根系探测方法及装置 |
| CN110837926A (zh) * | 2019-11-04 | 2020-02-25 | 四川省烟草公司广元市公司 | 一种基于大数据的烟草主要病虫害预测方法 |
| US20200250768A1 (en) * | 2019-01-31 | 2020-08-06 | Agricultural Information Institute Of Caas | Intelligent soybean production management method and system |
| CN113110207A (zh) * | 2021-04-28 | 2021-07-13 | 佛山一本农业科技有限公司 | 基于物联网传感器的虫害远程监测方法、系统及存储介质 |
| CN114139781A (zh) * | 2021-11-17 | 2022-03-04 | 国网湖北省电力有限公司经济技术研究院 | 一种电力系统的运行趋势预测方法及系统 |
| US20220230305A1 (en) * | 2019-05-16 | 2022-07-21 | Basf Se | System and method for plant disease detection support |
| CN115829162A (zh) * | 2023-01-29 | 2023-03-21 | 北京市农林科学院信息技术研究中心 | 作物产量预测方法、装置、电子设备及介质 |
| CN116778391A (zh) * | 2023-07-07 | 2023-09-19 | 安徽农业大学 | 一种多模态作物病害表型协同分析模型及装置 |
| CN116843188A (zh) * | 2023-05-17 | 2023-10-03 | 南京邮电大学 | 一种基于大数据分析的精细农业栽培与管理平台 |
| CN117195648A (zh) * | 2023-09-18 | 2023-12-08 | 内蒙古科学技术研究院 | 基于动态生长监测的防风培育参数分析方法及装置 |
| CN117251700A (zh) * | 2023-11-18 | 2023-12-19 | 拓普思传感器(太仓)有限公司 | 基于人工智能的环境监测传感器数据分析方法及系统 |
| CN117272247A (zh) * | 2023-11-17 | 2023-12-22 | 沧州师范学院 | 一种应用于数字孪生智慧乡村的数据集成方法及系统 |
| CN117348650A (zh) * | 2023-11-14 | 2024-01-05 | 湖南汇科技术咨询有限公司 | 多花黄精立体种植智能温室综合控制系统 |
-
2024
- 2024-02-06 CN CN202410166164.5A patent/CN117708761B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160078375A1 (en) * | 2014-09-12 | 2016-03-17 | The Climate Corporation | Methods and systems for recommending agricultural activities |
| US20200250768A1 (en) * | 2019-01-31 | 2020-08-06 | Agricultural Information Institute Of Caas | Intelligent soybean production management method and system |
| US20220230305A1 (en) * | 2019-05-16 | 2022-07-21 | Basf Se | System and method for plant disease detection support |
| CN110133643A (zh) * | 2019-05-22 | 2019-08-16 | 北京林业大学 | 植物根系探测方法及装置 |
| CN110837926A (zh) * | 2019-11-04 | 2020-02-25 | 四川省烟草公司广元市公司 | 一种基于大数据的烟草主要病虫害预测方法 |
| CN113110207A (zh) * | 2021-04-28 | 2021-07-13 | 佛山一本农业科技有限公司 | 基于物联网传感器的虫害远程监测方法、系统及存储介质 |
| CN114139781A (zh) * | 2021-11-17 | 2022-03-04 | 国网湖北省电力有限公司经济技术研究院 | 一种电力系统的运行趋势预测方法及系统 |
| CN115829162A (zh) * | 2023-01-29 | 2023-03-21 | 北京市农林科学院信息技术研究中心 | 作物产量预测方法、装置、电子设备及介质 |
| CN116843188A (zh) * | 2023-05-17 | 2023-10-03 | 南京邮电大学 | 一种基于大数据分析的精细农业栽培与管理平台 |
| CN116778391A (zh) * | 2023-07-07 | 2023-09-19 | 安徽农业大学 | 一种多模态作物病害表型协同分析模型及装置 |
| CN117195648A (zh) * | 2023-09-18 | 2023-12-08 | 内蒙古科学技术研究院 | 基于动态生长监测的防风培育参数分析方法及装置 |
| CN117348650A (zh) * | 2023-11-14 | 2024-01-05 | 湖南汇科技术咨询有限公司 | 多花黄精立体种植智能温室综合控制系统 |
| CN117272247A (zh) * | 2023-11-17 | 2023-12-22 | 沧州师范学院 | 一种应用于数字孪生智慧乡村的数据集成方法及系统 |
| CN117251700A (zh) * | 2023-11-18 | 2023-12-19 | 拓普思传感器(太仓)有限公司 | 基于人工智能的环境监测传感器数据分析方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| MARYAM OUHAMI等: "Computer Vision, IoT and Data Fusion for Crop Disease Detection Using Machine Learning: A Survey and Ongoing Research", 《REMOTE SENSING》, vol. 13, no. 13, 25 June 2021 (2021-06-25), pages 1 - 24 * |
| 张凌栩等: "大数据深度学习系统研究进展与典型农业应用", 《农业大数据学报》, vol. 1, no. 2, 30 June 2019 (2019-06-30), pages 88 - 104 * |
| 张雪花: "基于灰色粒子群算法的温室环境多目标优化控制研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 3, 15 March 2018 (2018-03-15), pages 140 - 137 * |
| 田洋洋: "基于多源卫星遥感数据的水稻纹枯病生境适宜性评价研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 3, 15 March 2022 (2022-03-15), pages 043 - 23 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117708761B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Jeudy et al. | RhizoTubes as a new tool for high throughput imaging of plant root development and architecture: test, comparison with pot grown plants and validation | |
| Andrade et al. | Kernel number prediction in maize under nitrogen or water stress | |
| Jones et al. | Use of infrared thermography for monitoring stomatal closure in the field: application to grapevine | |
| Svane et al. | Construction of a large-scale semi-field facility to study genotypic differences in deep root growth and resources acquisition | |
| US8340828B2 (en) | Water and fertilizer management system | |
| Roderick et al. | A framework for understanding the relationship between environment and vegetation based on the surface area to volume ratio of leaves | |
| Eagles | The effect of temperature on vegetative growth in climatic races of Dactylis glomerata in controlled environments | |
| Douda et al. | Plant species coexistence at local scale in temperate swamp forest: test of habitat heterogeneity hypothesis | |
| KR20180006735A (ko) | 사물인터넷 기반 식물 재배 데이터 수집 및 관리 시스템 | |
| CN106018284B (zh) | 一种作物长势定量遥感监测方法及系统 | |
| Engler et al. | Seed characteristics and germination limitations in the highly invasive Fallopia japonica sl (Polygonaceae) | |
| Marek et al. | Simulating evapotranspiration and yield response of selected corn varieties under full and limited irrigation in the Texas High Plains using DSSAT-CERES-Maize | |
| CN103278503B (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| CN108921451A (zh) | 一种鉴定玉米品种抗旱性的评价方法 | |
| CN111435260A (zh) | 植物生长环境参数监控及环境模拟系统 | |
| Pereira et al. | Potato potential yield based on climatic elements and cultivar characteristics | |
| Iqbal et al. | Root morphological adjustments of crops to improve nutrient use efficiency in limited environments | |
| CN101584291B (zh) | 一种对水稻光合能力高温稳定性的检测方法 | |
| KR20170052898A (ko) | 농장 맞춤형 영농 정보제공 서버, 방법 및 그 프로그램 | |
| KR102201595B1 (ko) | 딸기의 이미지 분석을 통한 생육 진단 방법 | |
| CN110262604A (zh) | 基于云服务的智慧农业管理系统 | |
| CN117708761B (zh) | 一种融合多指标环境条件的朱顶红育苗系统及方法 | |
| KR20200013140A (ko) | 작물 품종 종자 정보 기록저장 블록체인 시스템 및 온도시간모델에 기반한 육묘종자발아확인 IOT-Hub 시스템. | |
| CN115443826B (zh) | 一种用于健苗培育的精细化光调控方法及系统 | |
| Silva Junior et al. | Energy Balance, Water Demand, and Crop Coefficient of Acid Lime in the Oriental Amazon |
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 |