CN117876380A - 一种烟叶环境温湿度、微层差预测方法及系统 - Google Patents
一种烟叶环境温湿度、微层差预测方法及系统 Download PDFInfo
- Publication number
- CN117876380A CN117876380A CN202410283138.0A CN202410283138A CN117876380A CN 117876380 A CN117876380 A CN 117876380A CN 202410283138 A CN202410283138 A CN 202410283138A CN 117876380 A CN117876380 A CN 117876380A
- Authority
- CN
- China
- Prior art keywords
- humidity
- data
- temperature
- difference
- pixel
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 54
- 244000061176 Nicotiana tabacum Species 0.000 title 1
- 241000208125 Nicotiana Species 0.000 claims abstract description 194
- 238000007781 pre-processing Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 84
- 230000005856 abnormality Effects 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000009499 grossing Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000011426 transformation method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000001035 drying Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 235000019506 cigar Nutrition 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明涉及烟叶温湿度控制技术领域，公开了一种烟叶环境温湿度、微层差预测方法及系统，解决微层差没有控制在预设的范围内，则最直观的结果就是会导致晾制烟叶的颜色出现问题，方法包括将划分成不同晾制区域，在当前时刻获取每个晾制区域的烟叶图像数据、温度数据及湿度数据；对烟叶图像数据进行预处理得到烟叶预处理图像；进行像素提取并统计，对烟叶预处理图像进行异常检测，若超过像素异常分数阈值，则进行异常位置标记并进行定位到相应的晾制区域；若分别处于预设温度层差阈值范围以及预设湿度层差阈值范围内；则预测下一时刻温度层差与下一时刻湿度层差得到判断结果。使得每个晾制区域微层差保持在阈值范围内，进而使得烟叶的晾制结果更好。
Description
技术领域
本发明涉及烟叶温湿度控制技术领域，且更具体地涉及一种烟叶环境温湿度、微层差预测方法及系统。
背景技术
传统的烟叶晒晾方法，主要通过自然温度、湿度的调节，使烟叶经凋萎变色、定色、干筋三个阶段，以达到晒晾烟品质要求。随着科技的发展，现在会构建烟叶晾晒房进行晾晒，在室内或晾棚内利用空气对流经自然干燥调制烟叶的方法称“晾制”，相对于传统晾晒而言，温湿度可以控制。
但是，目前存在的问题是：即便在室内或者晾棚内的烟叶烘烤，也会由于各种技术的限制，导致烟叶烘烤或者晾制时不能精准的控制温度及湿度，会导致微层差的变化，微层差的变化较大，则表示温度湿度上下差别大，会直接导致：晾制质量差异严重；上下“翻杆”人工浪费严重；无法精准控制温度与湿度，严重影响整体晾制质量；烟叶晾制“靠天吃饭”，房内温度与湿度深受外界影响；湿度和温度长期滞留房内某一区域，造成雪茄烟叶腐烂、返青等；也就是说，如果微层差没有控制在预设的范围内，则最直观的结果就是会导致晾制烟叶的颜色出现问题，比如温度或者湿度没有控制好，会导致某个晾制区域的烟叶的颜色与处于各个时期的正常烟叶颜色差距较大，进而导致烟叶晾制质量不佳，甚至会影响口感。
发明内容
针对现有技术的不足，本发明公开一种烟叶环境温湿度、微层差预测方法及系统。
为了实现上述技术效果，本发明采用以下技术方案：
一种烟叶环境温湿度、微层差预测方法，包括以下步骤：
将晾制区域按照排列规则，划分成不同晾制区域，获取每个晾制区域的历史及当前时刻烟叶图像数据、温度数据、湿度数据及微层差数据，其中，每个晾制区域的烟叶图像数据为多角度采集的烟叶图像数据，温度数据至少包括每个晾制区域的第一温度数据和第二温度数据，湿度数据至少包括每个晾制区域的第一湿度数据和第二湿度数据，微层差包括温度层差及湿度层差，第一温度数据和第二温度数据形成温度层差，第一湿度数据和第二湿度数据形成湿度层差；
对所有烟叶图像数据进行预处理，得到烟叶预处理图像；
对烟叶预处理图像进行像素提取并进行统计，基于预设像素异常分数模型对每个烟叶预处理图像进行异常检测，若异常分数超过像素异常分数阈值，则对当前烟叶预处理图像进行异常位置标记并进行定位到相应的晾制区域；
基于温度数据判断当前已标记的晾制区域的温度层差是否处于预设温度层差阈值范围内；基于湿度数据判断当前已标记的晾制区域的湿度层差是否处于预设湿度层差阈值范围内，若温度层差与湿度层差分别处于预设温度层差阈值范围以及预设湿度层差阈值范围内；
则基于预设微层差预测模型预测下一时刻温度层差与下一时刻湿度层差，并判断下一时刻温度层差与预设温度层差阈值范围的关系以及下一时刻湿度层差与预设湿度层差阈值范围的关系，得到判断结果。
作为一种可实施方式，还包括以下步骤：
若下一时刻温度层差未处于预设温度层差阈值范围内，则基于温度补偿模型对当前时刻之后的温度数据进行调整，以使得当前时刻与下一时刻之间的温度层差处于预设温度层差阈值范围内；
若下一时刻湿度层差未处于预设湿度层差阈值范围内，则基于湿度补偿模型对当前时刻之后的湿度数据进行调整，以使得当前时刻与下一时刻之间的湿度层差处于预设湿度层差阈值范围内。
作为一种可实施方式，每个晾制区域的温度数据及湿度数据根据晾制区域的情况设置为相同或者不同，每个晾制区域的第一温度数据为烟叶第一部分所处区域的温度数据，第二温度数据为烟叶第二部分所处区域的温度数据；每个晾制区域的第一湿度数据为烟叶第一部分所处区域的湿度数据，第二湿度数据为烟叶第二部分所处区域的湿度数据。
作为一种可实施方式，所述预处理，包括去噪处理、增强处理、矫正处理、平滑处理和分割处理中的一种或多种；
所述去噪处理，通过中值滤波和小波降噪方法去除烟叶图像数据中的噪点和干扰；
所述增强处理，通过直方图均衡化和自适应增强方法提升烟叶图像数据的视觉质量；
所述矫正处理，通过图像旋转和透视变换方法将采集的烟叶图像数据矫正为水平或垂直方向；
所述平滑处理，通过平滑滤波器平滑烟叶图像数据，以去除冗余细节和噪声；
所述分割处理，通过阈值分割和边缘检测方法将烟叶图像数据进行分割，得到分割后的烟叶图像数据。
作为一种可实施方式，所述预处理还包括标记处理；对所有烟叶图像数据的采集位置及采集角度进行标记，得到标记后烟叶图像数据。
作为一种可实施方式，所述基于预设像素异常分数模型对每个烟叶预处理图像进行异常检测，若异常分数超过像素异常分数阈值，则对当前烟叶预处理图像进行标记并进行定位到相应的晾制区域，包括以下步骤：
基于每个烟叶预处理图像的总像素数以及像素点均值，设置像素异常分数模型；
基于所述像素异常分数模型对每个烟叶预处理图像的像素异常分数进行计算，得到每个烟叶预处理图像的像素异常分数；
基于所述像素异常分数的分布情况，确定异常像素的临界点，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据；
基于异常数据位置对每个当前烟叶预处理图像进行异常位置标记，基于异常位置对当前烟叶预处理图像进行定位并标记到相应的晾制区域；
所述像素异常分数模型，表示如下：
；
其中，，/>表示像素点均值，/>表示各个点像素，/>表示图像的总像素数，/>表示像素异常分数。
作为一种可实施方式，所述确定异常像素的临界点，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据，包括以下步骤：
基于预设局部像素对比模型得到局部像素对比度，通过局部像素对比度对异常像素进行判断，以确定异常像素边界点；
预设像素异常分数阈值，将异常分数与像素异常分数阈值进行比较，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据；
所述局部像素对比模型，表示为：
；
其中，表示局部对比度，/>表示每个当前烟叶预处理图像的轮廓点，/>表示特征值分层统计自由度，/>表示图像的重心位置坐标。
作为一种可实施方式，所述若下一时刻温度层差未处于预设温度层差阈值范围内，则基于温度补偿模型对当前时刻之后的温度数据进行调整，以使得当前时刻与下一时刻之间的温度层差处于预设温度层差阈值范围内；
若下一时刻湿度层差未处于预设湿度层差阈值范围内，则基于湿度补偿模型对当前时刻之后的湿度数据进行调整，以使得当前时刻与下一时刻之间的湿度层差处于预设湿度层差阈值范围内，包括以下步骤：
基于当前烟叶预处理图像的异常位置，确定当前异常位置直接关联的温度数据获取装置及湿度数据获取装置，其中，温度数据获取装置及湿度数据获取装置分别为一个或一个以上；
预设当前已标记的晾制区域的微层差阈值，再次获取已标记的晾制区域内当前异常位置直接关联的温度数据获取装置及湿度数据获取装置获取的温度数据及湿度数据，并将温度数据及湿度数据与微层差阈值进行比较，判断是否偏离；
若偏离，则判断温度数据或湿度数据偏离或同时偏离；
基于偏离情况对当前异常位置直接关联的温度数据获取装置及湿度数据获取装置对应的晾制区域温度及晾制区域湿度进行调整。
作为一种可实施方式，所述则基于预设微层差预测模型预测下一时刻温度层差与下一时刻湿度层差，包括以下步骤：
基于回归模型构建微层差预测预训练模型；
对历史及当前时刻温度数据及湿度数据形成的温度数据集、湿度数据集进行预处理，并形成训练集及验证集；
通过预处理后形成的训练集及验证集对微层差预测预训练模型进行训练并验证，得到微层差预测模型；
将当前时刻温度数据及湿度数据输入至微层差预测模型得到下一时刻温度数据及湿度数据，进而得到下一时刻温度层差与下一时刻湿度层差。
一种烟叶环境温湿度、微层差预测系统，包括数据获取模块、数据预处理模块、检测标记模块、偏离判断模块及所述数据预测模块；
所述数据获取模块，将晾制区域按照排列规则，划分成不同晾制区域，获取每个晾制区域的历史及当前时刻烟叶图像数据、温度数据、湿度数据及微层差数据，其中，每个晾制区域的烟叶图像数据为多角度采集的烟叶图像数据，温度数据至少包括每个晾制区域的第一温度数据和第二温度数据，湿度数据至少包括每个晾制区域的第一湿度数据和第二湿度数据，微层差包括温度层差及湿度层差，第一温度数据和第二温度数据形成温度层差，第一湿度数据和第二湿度数据形成湿度层差；
所述数据预处理模块，用于对所有烟叶图像数据进行预处理，得到烟叶预处理图像；
所述检测标记模块，对烟叶预处理图像进行像素提取并进行统计，基于预设像素异常分数模型对每个烟叶预处理图像进行异常检测，若异常分数超过像素异常分数阈值，则对当前烟叶预处理图像进行异常位置标记并进行定位到相应的晾制区域；
所述偏离判断模块，基于温度数据判断当前已标记的晾制区域的温度层差是否处于预设温度层差阈值范围内；基于湿度数据判断当前已标记的晾制区域的湿度层差是否处于预设湿度层差阈值范围内，若温度层差与湿度层差分别处于预设温度层差阈值范围以及预设湿度层差阈值范围内；
所述数据预测模块，被设置为：则基于预设微层差预测模型预测下一时刻温度层差与下一时刻湿度层差，并判断下一时刻温度层差与预设温度层差阈值范围的关系以及下一时刻湿度层差与预设湿度层差阈值范围的关系，得到判断结果。
作为一种可实施方式，所述检测标记模块，被设置为：
基于每个烟叶预处理图像的总像素数以及像素点均值，设置像素异常分数模型；
基于所述像素异常分数模型对每个烟叶预处理图像的像素异常分数进行计算，得到每个烟叶预处理图像的像素异常分数；
基于所述像素异常分数的分布情况，确定异常像素的临界点，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据；
基于异常数据位置对每个当前烟叶预处理图像进行异常位置标记，基于异常位置对当前烟叶预处理图像进行定位并标记到相应的晾制区域；
所述像素异常分数模型，表示如下：
；
其中，，/>表示像素点均值，/>表示各个点像素，/>表示图像的总像素数，/>表示像素异常分数。
作为一种可实施方式，还包括数据调整模块，被设置为：
若下一时刻温度层差未处于预设温度层差阈值范围内，则基于温度补偿模型对当前时刻之后的温度数据进行调整，以使得当前时刻与下一时刻之间的温度层差处于预设温度层差阈值范围内；
若下一时刻湿度层差未处于预设湿度层差阈值范围内，则基于湿度补偿模型对当前时刻之后的湿度数据进行调整，以使得当前时刻与下一时刻之间的湿度层差处于预设湿度层差阈值范围内。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法。
一种烟叶环境温湿度、微层差预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
本发明由于采用了以上技术方案，具有显著的技术效果：
本发明通过获取当前时刻获取每个晾制区域的烟叶图像数据、温度数据及湿度数据，并对烟叶图像数据进行处理，判断识别出是否存在异常像素或者存在异常位置并标记，进而进行定位到相应的晾制区域，再通过温度数据及湿度数据判断当前已标记的晾制区域的微层差是否处于预设阈值范围内，如果都未偏离，则对下一时刻温度数据和下一时刻温度数据进行预测，再去判断下一时刻的微层差是否偏离，若偏离，则对当前时刻及下一时刻间的温度数据进行调整及湿度数据进行调整；
本发明能够将图像识别和基于微层差对温度数据和湿度数据进行调整，使得每个晾制区域微层差在每个时刻保持在阈值范围内，进而使得烟叶的晾制结果更好。
附图说明
图1为本发明整体流程示意图；
图2为本发明系统的整体结构示意图；
图3为本发明一具体方法的流程示意图。
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。
如何能够控制微层差使得不同晾制区域能适应于当下晾制区域中烟叶的晾制，本申请将图像识别与温度数据和湿度数据的调整相结合，以实现本发明的发明目的。
实施例1：
一种烟叶环境温湿微层差控制方法，如图1所示，包括以下步骤：
S100、将晾制区域按照排列规则，划分成不同晾制区域，获取每个晾制区域的历史及当前时刻烟叶图像数据、温度数据、湿度数据及微层差数据，其中，每个晾制区域的烟叶图像数据为多角度采集的烟叶图像数据，温度数据至少包括每个晾制区域的第一温度数据和第二温度数据，湿度数据至少包括每个晾制区域的第一湿度数据和第二湿度数据，微层差包括温度层差及湿度层差，第一温度数据和第二温度数据形成温度层差，第一湿度数据和第二湿度数据形成湿度层差；
S200、对所有烟叶图像数据进行预处理，得到烟叶预处理图像；
S300、对烟叶预处理图像进行像素提取并进行统计，基于预设像素异常分数模型对每个烟叶预处理图像进行异常检测，若异常分数超过像素异常分数阈值，则对当前烟叶预处理图像进行异常位置标记并进行定位到相应的晾制区域；
S400、基于温度数据判断当前已标记的晾制区域的温度层差是否处于预设温度层差阈值范围内；基于湿度数据判断当前已标记的晾制区域的湿度层差是否处于预设湿度层差阈值范围内，若温度层差与湿度层差分别处于预设温度层差阈值范围以及预设湿度层差阈值范围内；
S500、则基于预设微层差预测模型预测下一时刻温度层差与下一时刻湿度层差，并判断下一时刻温度层差与预设温度层差阈值范围的关系以及下一时刻湿度层差与预设湿度层差阈值范围的关系，得到判断结果。
在传统的晾晒过程中，晾制区域大都是一个区域，这样非常不便于温度和湿度的调整，也会区域内的温湿度不能适应于所有烟叶。如何精准的对温湿度进行控制或者调节，本申请将传统的晾制区域更改划分为划分成不同晾制区域，这样就能实现按照不同晾制区域进行晾晒并且能够对每个区域的温度湿度进行独立控制，进而能更好的控制不同晾制区域温湿度数据，进而使得温湿度数据能够保持在微层差的范围内。每个晾制区域的温度数据及湿度数据根据晾制区域的情况设置为相同或者不同，每个晾制区域的第一温度数据为烟叶第一部分所处区域的温度数据，第二温度数据为烟叶第二部分所处区域的温度数据；每个晾制区域的第一湿度数据为烟叶第一部分所处区域的湿度数据，第二湿度数据为烟叶第二部分所处区域的湿度数据。比如，假如烟叶晾晒在晾制区域的中间，第一温度数据为晾制区域的上层湿度数据，第二温度数据为晾制区域的下层温度，第一湿度数据为晾制区域的上层湿度数据，第二湿度数据为晾制区域的下层湿度数据。
本发明通过获取当前时刻获取每个晾制区域的烟叶图像数据、温度数据及湿度数据，并对烟叶图像数据进行处理，判断识别出是否存在异常像素或者存在异常位置并标记，进而进行定位到相应的晾制区域，再通过温度数据及湿度数据判断当前已标记的晾制区域的微层差是否处于预设阈值范围内，如果都未偏离，则对下一时刻温度数据和下一时刻温度数据进行预测，再去判断下一时刻的微层差是否偏离，若偏离，则对当前时刻及下一时刻间的温度数据进行调整及湿度数据进行调整；
本发明能够将图像识别和基于微层差对温度数据和湿度数据进行调整，使得每个晾制区域微层差在每个时刻保持在阈值范围内，进而使得烟叶的晾制结果更好。
在一个实施例中，为了后续能更好的对温度数据及湿度数据进行调整，还包括以下步骤：
若下一时刻温度层差未处于预设温度层差阈值范围内，则基于温度补偿模型对当前时刻之后的温度数据进行调整，以使得当前时刻与下一时刻之间的温度层差处于预设温度层差阈值范围内；
若下一时刻湿度层差未处于预设湿度层差阈值范围内，则基于湿度补偿模型对当前时刻之后的湿度数据进行调整，以使得当前时刻与下一时刻之间的湿度层差处于预设湿度层差阈值范围内。
在一个实施例中，所述预处理不仅包括去噪处理、增强处理、矫正处理、平滑处理和分割处理中的一种或多种；所述去噪处理，通过中值滤波和小波降噪方法去除烟叶图像数据中的噪点和干扰；所述增强处理，通过直方图均衡化和自适应增强方法提升烟叶图像数据的视觉质量；所述矫正处理，通过图像旋转和透视变换方法将采集的烟叶图像数据矫正为水平或垂直方向；所述平滑处理，通过平滑滤波器平滑烟叶图像数据，以去除冗余细节和噪声；所述分割处理，通过阈值分割和边缘检测方法将烟叶图像数据进行分割，得到分割后的烟叶图像数据。
另外，为了实现对每一图像数据的标记和识别，便于后期方便查找晾制区域，还增加了标记处理；对所有烟叶图像数据的采集位置及采集角度进行标记，得到标记后烟叶图像数据。
本发明通过获取当前时刻及历史时刻每个晾制区域的烟叶图像数据、温度数据及湿度数据，并对烟叶图像数据进行处理，判断识别出是否存在异常像素或者存在异常位置并标记，进而进行定位到相应的晾制区域，再通过温度数据及湿度数据判断当前已标记的晾制区域的微层差是否处于预设阈值范围内，如果偏离，则基于温度补偿模型对温度数据进行调整，或/和基于湿度补偿模型对湿度数据进行调整；
本发明能够将图像识别和基于微层差对温度数据和湿度数据进行调整，使得每个晾制区域微层差保持在阈值范围内，进而使得烟叶的晾制结果更好。
在一个实施例中，所述基于预设像素异常分数模型对每个烟叶预处理图像进行异常检测，若异常分数超过像素异常分数阈值，则对当前烟叶预处理图像进行标记并进行定位到相应的晾制区域，如图3所示，包括以下步骤：
S310、基于每个烟叶预处理图像的总像素数以及像素点均值，设置像素异常分数模型；
S320、基于所述像素异常分数模型对每个烟叶预处理图像的像素异常分数进行计算，得到每个烟叶预处理图像的像素异常分数；
S330、基于所述像素异常分数的分布情况，确定异常像素的临界点，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据；
S340、基于异常数据位置对每个当前烟叶预处理图像进行异常位置标记，基于异常位置对当前烟叶预处理图像进行定位并标记到相应的晾制区域。
在此可以设置的像素异常分数模型，如下所示：
；
其中，，/>表示像素点均值，/>表示各个点像素，/>表示图像的总像素数，/>表示像素异常分数,在此可以将像素点均值理解为灰度的均值，因为每个烟叶预处理图像是灰度图像，那么像素点均值就是每个像素的灰度均值。
在步骤S320中，所述确定异常像素的临界点，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据，包括以下步骤：
基于预设局部像素对比模型得到局部像素对比度，通过局部像素对比度对异常像素进行判断，以确定异常像素边界点；
预设像素异常分数阈值，将异常分数与像素异常分数阈值进行比较，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据；
所述局部像素对比模型，表示为：
；
其中，表示局部对比度，/>表示每个当前烟叶预处理图像的轮廓点，/>表示特征值分层统计自由度，/>表示图像的重心位置坐标。
在一个实施例中，所述则基于预设微层差预测模型预测下一时刻温度层差与下一时刻湿度层差，包括以下步骤：
基于回归模型构建微层差预测预训练模型；
对历史及当前时刻温度数据及湿度数据形成的温度数据集、湿度数据集进行预处理，并形成训练集及验证集；
通过预处理后形成的训练集及验证集对微层差预测预训练模型进行训练并验证，得到微层差预测模型；
将当前时刻温度数据及湿度数据输入至微层差预测模型得到下一时刻温度数据及湿度数据，进而得到下一时刻温度层差与下一时刻湿度层差。在此，微层差预测模型是现有网络搭建的，通过大量的温度数据及湿度数据训练得到的，可以理解为是温度预测模型+湿度预测模型的汇总，多种网络都可以实现。也就是说其他网络模型也能构建微层差预测预训练模型，比如决策树模型或者支持向量机模型或者神经网络模型，训练过程其实与本实施例相似，在此不再赘述。
在一个实施例中，所述若下一时刻温度层差未处于预设温度层差阈值范围内，则基于温度补偿模型对当前时刻之后的温度数据进行调整，以使得当前时刻与下一时刻之间的温度层差处于预设温度层差阈值范围内；
若下一时刻湿度层差未处于预设湿度层差阈值范围内，则基于湿度补偿模型对当前时刻之后的湿度数据进行调整，以使得当前时刻与下一时刻之间的湿度层差处于预设湿度层差阈值范围内，包括以下步骤：
基于当前烟叶预处理图像的异常位置，确定当前异常位置直接关联的温度数据获取装置及湿度数据获取装置，其中，温度数据获取装置及湿度数据获取装置分别为一个或一个以上；
预设当前已标记的晾制区域的微层差阈值，再次获取已标记的晾制区域内当前异常位置直接关联的温度数据获取装置及湿度数据获取装置获取的温度数据及湿度数据，并将温度数据及湿度数据与微层差阈值进行比较，判断是否偏离；
若偏离，则判断温度数据或湿度数据偏离或同时偏离；
基于偏离情况对当前异常位置直接关联的温度数据获取装置及湿度数据获取装置对应的晾制区域温度及晾制区域湿度进行调整。
在不同晾制区域内，会设置非常多的温度数据获取装置及湿度数据获取装置，比如温度传感器和湿度传感器，而不同晾制区域内会有非常多的输送风道和回湿风道，输送风道是用于输送热风的，回湿风道用于调整湿度，可以通过除湿风机产生的风输送至顶部回湿通道与底部回湿通道，将高湿度的气流抽向低湿度通过风孔均匀释放，达到湿度均衡。当然，在实际调整过程中，还会搭配其他硬件结构，本发明的重点在于图像的识别并和判断及预测相结合，目前还不涉及到具体的硬件结构。
根据当前烟叶预处理图像的异常位置，确定当前异常位置直接关联的温度数据获取装置及湿度数据获取装置，进而能准确的知晓对应的输送风道和回湿风道，首选先确认输送风道和回湿风道是否正常，如若正常，再确认输送风道和回湿风道对应的工作情况，即能够知晓输送风道输出的温度数据或者回湿风道调整的湿度数据，基于微层差阈值对对应的温度数据和湿度数据进行调整，进而使得微层差处于预设阈值范围内。
实施例2：
一种烟叶环境温湿度、微层差预测系统，如图2所示，包括数据获取模块100、数据预处理模块200、检测标记模块300、偏离判断模块400及所述数据预测模块500；
所述数据获取模块100，将晾制区域按照排列规则，划分成不同晾制区域，获取每个晾制区域的历史及当前时刻烟叶图像数据、温度数据、湿度数据及微层差数据，其中，每个晾制区域的烟叶图像数据为多角度采集的烟叶图像数据，温度数据至少包括每个晾制区域的第一温度数据和第二温度数据，湿度数据至少包括每个晾制区域的第一湿度数据和第二湿度数据，微层差包括温度层差及湿度层差，第一温度数据和第二温度数据形成温度层差，第一湿度数据和第二湿度数据形成湿度层差；
所述数据预处理模块200，用于对所有烟叶图像数据进行预处理，得到烟叶预处理图像；
所述检测标记模块300，对烟叶预处理图像进行像素提取并进行统计，基于预设像素异常分数模型对每个烟叶预处理图像进行异常检测，若异常分数超过像素异常分数阈值，则对当前烟叶预处理图像进行异常位置标记并进行定位到相应的晾制区域；
所述偏离判断模块400，基于温度数据判断当前已标记的晾制区域的温度层差是否处于预设温度层差阈值范围内；基于湿度数据判断当前已标记的晾制区域的湿度层差是否处于预设湿度层差阈值范围内，若温度层差与湿度层差分别处于预设温度层差阈值范围以及预设湿度层差阈值范围内；
所述数据预测模块500，被设置为：则基于预设微层差预测模型预测下一时刻温度层差与下一时刻湿度层差，并判断下一时刻温度层差与预设温度层差阈值范围的关系以及下一时刻湿度层差与预设湿度层差阈值范围的关系，得到判断结果。
在一个实施例中，所述检测标记模块300，被设置为：
基于每个烟叶预处理图像的总像素数以及像素点均值，设置像素异常分数模型；
基于所述像素异常分数模型对每个烟叶预处理图像的像素异常分数进行计算，得到每个烟叶预处理图像的像素异常分数；
基于所述像素异常分数的分布情况，确定异常像素的临界点，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据；
基于异常数据位置对每个当前烟叶预处理图像进行异常位置标记，基于异常位置对当前烟叶预处理图像进行定位并标记到相应的晾制区域；
所述像素异常分数模型，表示如下：
；
其中，，/>表示像素点均值，/>表示各个点像素，/>表示图像的总像素数，/>表示像素异常分数。
另外，还包括数据调整模块600，被设置为：
若下一时刻温度层差未处于预设温度层差阈值范围内，则基于温度补偿模型对当前时刻之后的温度数据进行调整，以使得当前时刻与下一时刻之间的温度层差处于预设温度层差阈值范围内；
若下一时刻湿度层差未处于预设湿度层差阈值范围内，则基于湿度补偿模型对当前时刻之后的湿度数据进行调整，以使得当前时刻与下一时刻之间的湿度层差处于预设湿度层差阈值范围内。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是：
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。
Claims (14)
1.一种烟叶环境温湿度、微层差预测方法，其特征在于，包括以下步骤：
将晾制区域按照排列规则，划分成不同晾制区域，获取每个晾制区域的历史及当前时刻烟叶图像数据、温度数据、湿度数据及微层差数据，其中，每个晾制区域的烟叶图像数据为多角度采集的烟叶图像数据，温度数据至少包括每个晾制区域的第一温度数据和第二温度数据，湿度数据至少包括每个晾制区域的第一湿度数据和第二湿度数据，微层差包括温度层差及湿度层差，第一温度数据和第二温度数据形成温度层差，第一湿度数据和第二湿度数据形成湿度层差；
对所有烟叶图像数据进行预处理，得到烟叶预处理图像；
对烟叶预处理图像进行像素提取并进行统计，基于预设像素异常分数模型对每个烟叶预处理图像进行异常检测，若异常分数超过像素异常分数阈值，则对当前烟叶预处理图像进行异常位置标记并进行定位到相应的晾制区域；
基于温度数据判断当前已标记的晾制区域的温度层差是否处于预设温度层差阈值范围内；基于湿度数据判断当前已标记的晾制区域的湿度层差是否处于预设湿度层差阈值范围内，若温度层差与湿度层差分别处于预设温度层差阈值范围以及预设湿度层差阈值范围内；
则基于预设微层差预测模型预测下一时刻温度层差与下一时刻湿度层差，并判断下一时刻温度层差与预设温度层差阈值范围的关系以及下一时刻湿度层差与预设湿度层差阈值范围的关系，得到判断结果。
2.根据权利要求1所述的烟叶环境温湿度、微层差预测方法，其特征在于，还包括以下步骤：
若下一时刻温度层差未处于预设温度层差阈值范围内，则基于温度补偿模型对当前时刻之后的温度数据进行调整，以使得当前时刻与下一时刻之间的温度层差处于预设温度层差阈值范围内；
若下一时刻湿度层差未处于预设湿度层差阈值范围内，则基于湿度补偿模型对当前时刻之后的湿度数据进行调整，以使得当前时刻与下一时刻之间的湿度层差处于预设湿度层差阈值范围内。
3.根据权利要求1所述的烟叶环境温湿度、微层差预测方法，其特征在于，每个晾制区域的温度数据及湿度数据根据晾制区域的情况设置为相同或者不同，每个晾制区域的第一温度数据为烟叶第一部分所处区域的温度数据，第二温度数据为烟叶第二部分所处区域的温度数据；每个晾制区域的第一湿度数据为烟叶第一部分所处区域的湿度数据，第二湿度数据为烟叶第二部分所处区域的湿度数据。
4.根据权利要求1所述的烟叶环境温湿度、微层差预测方法，其特征在于，所述预处理，包括去噪处理、增强处理、矫正处理、平滑处理和分割处理中的一种或多种；
所述去噪处理，通过中值滤波和小波降噪方法去除烟叶图像数据中的噪点和干扰；
所述增强处理，通过直方图均衡化和自适应增强方法提升烟叶图像数据的视觉质量；
所述矫正处理，通过图像旋转和透视变换方法将采集的烟叶图像数据矫正为水平或垂直方向；
所述平滑处理，通过平滑滤波器平滑烟叶图像数据，以去除冗余细节和噪声；
所述分割处理，通过阈值分割和边缘检测方法将烟叶图像数据进行分割，得到分割后的烟叶图像数据。
5.根据权利要求1或4所述的烟叶环境温湿度、微层差预测方法，其特征在于，所述预处理还包括标记处理；对所有烟叶图像数据的采集位置及采集角度进行标记，得到标记后烟叶图像数据。
6.根据权利要求1所述的烟叶环境温湿度、微层差预测方法，其特征在于，所述基于预设像素异常分数模型对每个烟叶预处理图像进行异常检测，若异常分数超过像素异常分数阈值，则对当前烟叶预处理图像进行标记并进行定位到相应的晾制区域，包括以下步骤：
基于每个烟叶预处理图像的总像素数以及像素点均值，设置像素异常分数模型；
基于所述像素异常分数模型对每个烟叶预处理图像的像素异常分数进行计算，得到每个烟叶预处理图像的像素异常分数；
基于所述像素异常分数的分布情况，确定异常像素的临界点，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据；
基于异常数据位置对每个当前烟叶预处理图像进行异常位置标记，基于异常位置对当前烟叶预处理图像进行定位并标记到相应的晾制区域；
所述像素异常分数模型，表示如下：
；
其中，，/>表示像素点均值，/>表示各个点像素，/>表示图像的总像素数，表示像素异常分数。
7.根据权利要求6所述的烟叶环境温湿度、微层差预测方法，其特征在于，所述确定异常像素的临界点，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据，包括以下步骤：
基于预设局部像素对比模型得到局部像素对比度，通过局部像素对比度对异常像素进行判断，以确定异常像素边界点；
预设像素异常分数阈值，将异常分数与像素异常分数阈值进行比较，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据；
所述局部像素对比模型，表示为：
；
其中，表示局部对比度，/>表示每个当前烟叶预处理图像的轮廓点，/>表示特征值分层统计自由度，/>表示图像的重心位置坐标。
8.根据权利要求2所述的烟叶环境温湿度、微层差预测方法，其特征在于，所述若下一时刻温度层差未处于预设温度层差阈值范围内，则基于温度补偿模型对当前时刻之后的温度数据进行调整，以使得当前时刻与下一时刻之间的温度层差处于预设温度层差阈值范围内；
若下一时刻湿度层差未处于预设湿度层差阈值范围内，则基于湿度补偿模型对当前时刻之后的湿度数据进行调整，以使得当前时刻与下一时刻之间的湿度层差处于预设湿度层差阈值范围内，包括以下步骤：
基于当前烟叶预处理图像的异常位置，确定当前异常位置直接关联的温度数据获取装置及湿度数据获取装置，其中，温度数据获取装置及湿度数据获取装置分别为一个或一个以上；
预设当前已标记的晾制区域的微层差阈值，再次获取已标记的晾制区域内当前异常位置直接关联的温度数据获取装置及湿度数据获取装置获取的温度数据及湿度数据，并将温度数据及湿度数据与微层差阈值进行比较，判断是否偏离；
若偏离，则判断温度数据或湿度数据偏离或同时偏离；
基于偏离情况对当前异常位置直接关联的温度数据获取装置及湿度数据获取装置对应的晾制区域温度及晾制区域湿度进行调整。
9.根据权利要求1所述的烟叶环境温湿度、微层差预测方法，其特征在于，所述则基于预设微层差预测模型预测下一时刻温度层差与下一时刻湿度层差，包括以下步骤：
基于回归模型构建微层差预测预训练模型；
对历史及当前时刻温度数据及湿度数据形成的温度数据集、湿度数据集进行预处理，并形成训练集及验证集；
通过预处理后形成的训练集及验证集对微层差预测预训练模型进行训练并验证，得到微层差预测模型；
将当前时刻温度数据及湿度数据输入至微层差预测模型得到下一时刻温度数据及湿度数据，进而得到下一时刻温度层差与下一时刻湿度层差。
10.一种烟叶环境温湿度、微层差预测系统，其特征在于，包括数据获取模块、数据预处理模块、检测标记模块、偏离判断模块及所述数据预测模块；
所述数据获取模块，将晾制区域按照排列规则，划分成不同晾制区域，获取每个晾制区域的历史及当前时刻烟叶图像数据、温度数据、湿度数据及微层差数据，其中，每个晾制区域的烟叶图像数据为多角度采集的烟叶图像数据，温度数据至少包括每个晾制区域的第一温度数据和第二温度数据，湿度数据至少包括每个晾制区域的第一湿度数据和第二湿度数据，微层差包括温度层差及湿度层差，第一温度数据和第二温度数据形成温度层差，第一湿度数据和第二湿度数据形成湿度层差；
所述数据预处理模块，用于对所有烟叶图像数据进行预处理，得到烟叶预处理图像；
所述检测标记模块，对烟叶预处理图像进行像素提取并进行统计，基于预设像素异常分数模型对每个烟叶预处理图像进行异常检测，若异常分数超过像素异常分数阈值，则对当前烟叶预处理图像进行异常位置标记并进行定位到相应的晾制区域；
所述偏离判断模块，基于温度数据判断当前已标记的晾制区域的温度层差是否处于预设温度层差阈值范围内；基于湿度数据判断当前已标记的晾制区域的湿度层差是否处于预设湿度层差阈值范围内，若温度层差与湿度层差分别处于预设温度层差阈值范围以及预设湿度层差阈值范围内；
所述数据预测模块，被设置为：则基于预设微层差预测模型预测下一时刻温度层差与下一时刻湿度层差，并判断下一时刻温度层差与预设温度层差阈值范围的关系以及下一时刻湿度层差与预设湿度层差阈值范围的关系，得到判断结果。
11.根据权利要求10所述的烟叶环境温湿度、微层差预测系统，其特征在于，所述检测标记模块，被设置为：
基于每个烟叶预处理图像的总像素数以及像素点均值，设置像素异常分数模型；
基于所述像素异常分数模型对每个烟叶预处理图像的像素异常分数进行计算，得到每个烟叶预处理图像的像素异常分数；
基于所述像素异常分数的分布情况，确定异常像素的临界点，若大于像素异常分数阈值，则将对应的异常分数判定为异常数据；
基于异常数据位置对每个当前烟叶预处理图像进行异常位置标记，基于异常位置对当前烟叶预处理图像进行定位并标记到相应的晾制区域；
所述像素异常分数模型，表示如下：
；
其中，，/>表示像素点均值，/>表示各个点像素，/>表示图像的总像素数，表示像素异常分数。
12.根据权利要求10所述的烟叶环境温湿度、微层差预测系统，其特征在于，还包括数据调整模块，被设置为：
若下一时刻温度层差未处于预设温度层差阈值范围内，则基于温度补偿模型对当前时刻之后的温度数据进行调整，以使得当前时刻与下一时刻之间的温度层差处于预设温度层差阈值范围内；
若下一时刻湿度层差未处于预设湿度层差阈值范围内，则基于湿度补偿模型对当前时刻之后的湿度数据进行调整，以使得当前时刻与下一时刻之间的湿度层差处于预设湿度层差阈值范围内。
13.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至9任意一项所述的方法。
14.一种烟叶环境温湿度、微层差预测装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至9任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410283138.0A CN117876380B (zh) | 2024-03-13 | 2024-03-13 | 一种烟叶环境温湿度、微层差预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410283138.0A CN117876380B (zh) | 2024-03-13 | 2024-03-13 | 一种烟叶环境温湿度、微层差预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117876380A true CN117876380A (zh) | 2024-04-12 |
| CN117876380B CN117876380B (zh) | 2024-05-14 |
Family
ID=90585056
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410283138.0A Active CN117876380B (zh) | 2024-03-13 | 2024-03-13 | 一种烟叶环境温湿度、微层差预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876380B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170224007A1 (en) * | 2016-02-08 | 2017-08-10 | R.J. Reynolds Tobacco Company | System for monitoring environmental conditions of a tobacco curing site |
| JP2018092547A (ja) * | 2016-12-07 | 2018-06-14 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
| WO2020248848A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
| CN114266419A (zh) * | 2022-01-12 | 2022-04-01 | 华中科技大学 | 基于数据融合的雪茄烟烟叶工艺阶段预测方法、系统及介质 |
| CN114304699A (zh) * | 2021-12-27 | 2022-04-12 | 上海创和亿电子科技发展有限公司 | 一种烟叶初烤青黄比例提取方法 |
| CN116449713A (zh) * | 2023-04-20 | 2023-07-18 | 西昌学院 | 一种基于高温烤房的烟叶烘烤模拟方法及系统 |
| CN117582016A (zh) * | 2023-11-03 | 2024-02-23 | 河南讯飞人工智能科技有限公司 | 烟叶烘烤控制方法、装置、电子设备及存储介质 |
-
2024
- 2024-03-13 CN CN202410283138.0A patent/CN117876380B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170224007A1 (en) * | 2016-02-08 | 2017-08-10 | R.J. Reynolds Tobacco Company | System for monitoring environmental conditions of a tobacco curing site |
| JP2018092547A (ja) * | 2016-12-07 | 2018-06-14 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
| WO2020248848A1 (zh) * | 2019-06-14 | 2020-12-17 | 平安科技（深圳）有限公司 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
| CN114304699A (zh) * | 2021-12-27 | 2022-04-12 | 上海创和亿电子科技发展有限公司 | 一种烟叶初烤青黄比例提取方法 |
| CN114266419A (zh) * | 2022-01-12 | 2022-04-01 | 华中科技大学 | 基于数据融合的雪茄烟烟叶工艺阶段预测方法、系统及介质 |
| CN116449713A (zh) * | 2023-04-20 | 2023-07-18 | 西昌学院 | 一种基于高温烤房的烟叶烘烤模拟方法及系统 |
| CN117582016A (zh) * | 2023-11-03 | 2024-02-23 | 河南讯飞人工智能科技有限公司 | 烟叶烘烤控制方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117876380B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108253596B (zh) | 空调送风方法、空调器及计算机可读存储介质 | |
| CN111862194B (zh) | 基于计算机视觉的深度学习植物生长模型分析方法及系统 | |
| CN109816681A (zh) | 基于自适应局部阈值二值化的水体微生物图像分割方法 | |
| CN103093225A (zh) | 二维码图像的二值化方法 | |
| CN103295010B (zh) | 一种处理人脸图像的光照归一化方法 | |
| CN115908371B (zh) | 基于优化分割的植物叶片病虫害程度检测方法 | |
| CN107219759B (zh) | 一种温室环境控制方法及装置 | |
| WO2015131468A1 (en) | Method and system for estimating fingerprint pose | |
| CN116630314B (zh) | 基于图像处理的保鲜纸箱覆膜检测方法 | |
| CN113344972B (zh) | 一种基于集约化养殖的鱼类轨迹预测方法 | |
| CN103919258A (zh) | 基于烟叶图像处理的密集化烤烟干湿球温度自动控制技术 | |
| TW202018666A (zh) | 用於判定影像圖框中之像素位置屬於背景或前景之方法、裝置與系統 | |
| CN117876380B (zh) | 一种烟叶环境温湿度、微层差预测方法及系统 | |
| CN112396042A (zh) | 实时更新的目标检测方法及系统、计算机可读存储介质 | |
| CN115292334A (zh) | 基于视觉智能种植方法、系统、电子设备及存储介质 | |
| CN114304699A (zh) | 一种烟叶初烤青黄比例提取方法 | |
| CN113610799A (zh) | 基于人工智能的光伏电池板彩虹纹检测方法、装置及设备 | |
| CN112944616A (zh) | 空调控制方法、装置及空调机组 | |
| CN110544237B (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 | |
| CN115311266B (zh) | 一种纺织品印染工艺中印染识别方法 | |
| CN113807132A (zh) | 植物生长区域的灌水状态的识别方法、装置和存储介质 | |
| CN118244826A (zh) | 一种用于晾制房的智能温度、湿度控制方法及系统 | |
| CN116795157A (zh) | 基于物联网的温室大棚环境监测与调整方法和系统 | |
| CN112991425B (zh) | 一种水域水位提取方法、系统及存储介质 | |
| CN110415256B (zh) | 基于视觉的快速多目标识别方法及系统 |
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 |