CN117970985A - 基于知识图谱的营养液浓度调控方法、装置及存储介质 - Google Patents
基于知识图谱的营养液浓度调控方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117970985A CN117970985A CN202410371351.7A CN202410371351A CN117970985A CN 117970985 A CN117970985 A CN 117970985A CN 202410371351 A CN202410371351 A CN 202410371351A CN 117970985 A CN117970985 A CN 117970985A
- Authority
- CN
- China
- Prior art keywords
- nutrient solution
- value
- influence factor
- tomato
- regulation
- 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
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 244
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 19
- 230000012010 growth Effects 0.000 claims abstract description 117
- 235000007688 Lycopersicon esculentum Nutrition 0.000 claims abstract description 89
- 241000196324 Embryophyta Species 0.000 claims abstract description 60
- 238000003973 irrigation Methods 0.000 claims abstract description 42
- 230000002262 irrigation Effects 0.000 claims abstract description 42
- 230000001105 regulatory effect Effects 0.000 claims abstract description 29
- 230000001276 controlling effect Effects 0.000 claims abstract description 28
- 240000003768 Solanum lycopersicum Species 0.000 claims description 86
- 238000001514 detection method Methods 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000008635 plant growth Effects 0.000 claims description 14
- 150000003839 salts Chemical class 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000003306 harvesting Methods 0.000 abstract description 7
- 230000004720 fertilization Effects 0.000 abstract description 3
- 241000227653 Lycopersicon Species 0.000 abstract 4
- 239000007788 liquid Substances 0.000 description 23
- 238000010586 diagram Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 11
- 238000011282 treatment Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 5
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009105 vegetative growth Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000021749 root development Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- 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
- A01G31/00—Soilless cultivation, e.g. hydroponics
-
- 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
- A01G31/00—Soilless cultivation, e.g. hydroponics
- A01G31/02—Special apparatus therefor
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Hydroponics (AREA)
Abstract
本申请提供一种基于知识图谱的营养液浓度调控方法、装置及存储介质,涉及施肥技术领域。该方法包括:根据番茄灌溉营养液EC值的影响因素数据构建营养液影响因素知识图谱;基于营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;作物生长数据库包含不同环境下植株的生长状态数据;利用营养液EC值调控模型对番茄营养液浓度进行调控。本申请提供的基于知识图谱的营养液浓度调控方法、装置及存储介质,基于建立的营养液影响因素知识图谱构建了能自适应且准确给出实时EC值的EC值调控模型,提高了营养液浓度动态调控的准确性,实现番茄品相稳定的长季节采收,提高番茄产量。
Description
技术领域
本申请涉及施肥技术领域,尤其涉及一种基于知识图谱的营养液浓度调控方法、装置及存储介质。
背景技术
作为无土栽培最基本的调控要素,水肥一体化这项公认的节水节肥、增产高效新技术,近年来被大面积推广。系统嵌入的基于作物生长模型的灌溉决策方法,实现了少量多次的按需供给,有效提高了水分利用效率。
但目前,相较系统提供的启动灌溉时刻及单次灌溉量决策方法,对于灌溉液浓度的管理还很粗放,仅提供了基于生育期单调递增的决策方法,并未考虑作物吸收,也没有动态反馈调整,导致全生育周期自动管控下的番茄经常表现为前期长势旺盛,但生长点萎缩较早,无法实现品相稳定的长季节采收,增产瓶颈难以突破。
发明内容
本申请实施例提供一种基于知识图谱的营养液浓度调控方法、装置及存储介质,用以解决现有技术中由于番茄长季节品相不稳定而导致番茄产量低的技术问题。
第一方面,本申请实施例提供一种基于知识图谱的营养液浓度调控方法,包括:
根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱;
基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;所述作物生长数据库包含不同环境下植株的生长状态数据;
利用所述营养液EC值调控模型对番茄营养液浓度进行调控。
在一些实施例中,所述根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱之前,所述方法还包括:
通过多组对照实验获取不同生长环境下的植株观测数据;
将所述植株观测数据与生长状态评估知识库中的检测指标集进行对比,获得作物生长数据库。
在一些实施例中,所述方法还包括:
建立检测指标集;所述检测指标集包含植株生长失衡的特征指标;
确定所述检测指标集中每一项指标的允许阈值,得到生长状态评估知识库。
在一些实施例中,所述根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱,包括:
根据检索和调研的番茄营养液EC值管理文献及专家经验知识,采集番茄灌溉营养液EC值的影响因素数据;
根据所述影响因素数据,并利用自顶向下和自底向上的模块化方法构建基于图形数据库Neo4j的营养液影响因素知识图谱。
在一些实施例中,所述影响因素数据包括环境温度、环境湿度、番茄品种、定植时间、生育期、排出液EC值和/或植株实际周变化量。
在一些实施例中,所述基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型,包括:
根据所述营养液影响因素知识图谱并利用路径排序算法构建初始调控模型;
根据作物生长数据库训练所述初始调控模型,获得每一影响因素的权值,并得到营养液EC值调控模型。
在一些实施例中,所述利用所述营养液EC值调控模型对番茄营养液浓度进行调控,包括:
确定初始EC值,并采集实时的植株观测数据;
基于实时的植株观测数据利用营养液EC值调控模型获取当前的EC值;
根据当前的EC值对番茄营养液浓度进行调控,并将当前的EC值作为下次调控的初始EC值。
第二方面,本申请实施例提供一种基于知识图谱的营养液浓度调控装置,包括:
构建模块,用于根据番茄灌溉营养液EC值的影响因素数据构建营养液影响因素知识图谱;
获取模块,用于基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;所述作物生长数据库包含不同环境下植株的生长状态数据;
调控模块,用于利用所述营养液EC值调控模型对番茄营养液浓度进行调控。
第三方面,本申请实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述第一方面所述的基于知识图谱的营养液浓度调控方法。
第四方面,本申请实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述第一方面所述的基于知识图谱的营养液浓度调控方法。
第五方面,本申请实施例还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的基于知识图谱的营养液浓度调控方法。
本申请实施例提供的基于知识图谱的营养液浓度调控方法、装置及存储介质,根据番茄灌溉营养液EC值的影响因素数据构建营养液影响因素知识图谱,然后基于营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型,其中作物生长数据库包含不同环境下植株的生长状态数据,利用该营养液EC值调控模型实现对番茄营养液浓度的实时调控,提高了营养液浓度动态调控的准确性,实现番茄品相稳定的长季节采收,提高番茄产量。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的基于知识图谱的营养液浓度调控方法的流程示意图;
图2是本申请实施例提供的营养液EC波动式调控策略流程示意图;
图3是本申请实施例提供的一种营养液浓度动态供给控制系统;
图4是本申请实施例提供的一种基于知识图谱的营养液浓度调控装置的结构示意图;
图5是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
目前不同地区或农业大厂的实际生产过程中,均有各自应用的营养液EC(Electrical Conductivity)管理标准。例如,每天对温室灌溉液、基质内营养液和回收液EC值进行检测,并及时输入施肥系统,以确保第二天所用营养液的合理配比和灌溉策略。再例如,在成株前,两天测量排液EC,保证排液EC大于等于供液EC的2倍,在成株后,每天测量排液EC,保证排液EC大于等于供液EC的K倍(不同时期K值不同),并随时观察植株形态,对灌溉液EC进行10%以内的微调,控制植物周生长指标在允许阈值内。因此,寻求有效途径提高EC管理精细化程度,挖掘新的产量增长点已成为水肥一体化领域的必要研究内容。以番茄为例,若对番茄营养液浓度的调控不够实时准确,会使得番茄长季节采收的品相不稳定,导致番茄产量低的问题。
基于上述技术问题,本申请实施例提出一种基于知识图谱的营养液浓度调控方法,根据番茄灌溉营养液EC值的影响因素数据构建营养液影响因素知识图谱,然后基于营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型,其中作物生长数据库包含不同环境下植株的生长状态数据,利用该营养液EC值调控模型实现对番茄营养液浓度的实时调控,提高了营养液浓度动态调控的准确性,实现番茄品相稳定的长季节采收,提高番茄产量。
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是本申请实施例提供的基于知识图谱的营养液浓度调控方法的流程示意图,如图1所示,本申请实施例提供一种基于知识图谱的营养液浓度调控方法。该方法包括:
步骤101、根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱。
具体地,首先通过多种方式分析采集番茄灌溉营养液EC值的影响因素数据并结构化。例如,可以分析检索和调研的番茄营养液EC值管理文献及专家经验知识等,获得番茄灌溉营养液EC值的影响因素数据。
其中,影响因素数据指影响番茄灌溉营养液EC值的因素数据,例如番茄生长环境的相关数据、番茄生长状态的周变化量、生育期和排出液EC值等。
然后基于收集的番茄灌溉营养液EC值的影响因素数据构建营养液影响因素知识图谱。
步骤102、基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;所述作物生长数据库包含不同环境下植株的生长状态数据。
具体地,获得营养液影响因素知识图谱后,结合预建立的作物生长数据库获取营养液EC值调控模型。
例如,基于营养液影响因素知识图谱利用路径排序算法构建初始调控模型,然后利用预建立的作物生长数据库中的数据训练初始调控模型,得到各影响因子权重值,从而获得最终的营养液EC值调控模型。
营养液EC值调控模型用于根据实际的影响因素数据得出适于当前情况的营养液EC值,从而进行营养液EC值调控。
作物生长数据库中包含不同环境下植株的生长状态数据。通过在特定环境下对植株进行测量,根据测量的数据判断植株是否有生长失衡的情况发生,得到生长状态数据。根据不同环境下植株的生长状态数据建立作物生长数据库。
步骤103、利用所述营养液EC值调控模型对番茄营养液浓度进行调控。
具体地,在获得营养液EC值调控模型后,根据实时的番茄植株测量数据,利用营养液EC值调控模型分析出适于当前使用的营养液EC值,从而进行EC值调控。
本申请实施例提供的基于知识图谱的营养液浓度调控方法,根据番茄灌溉营养液EC值的影响因素数据构建营养液影响因素知识图谱,然后基于营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型,其中作物生长数据库包含不同环境下植株的生长状态数据,利用该营养液EC值调控模型实现对番茄营养液浓度的实时调控,提高了营养液浓度动态调控的准确性,实现番茄品相稳定的长季节采收,提高番茄产量。
在一些实施例中,所述根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱之前,所述方法还包括:
通过多组对照实验获取不同生长环境下的植株观测数据;
将所述植株观测数据与生长状态评估知识库中的检测指标集进行对比,获得作物生长数据库。
具体地,通过设置多组对照实验来获取在不同生长环境下的植株观测数据。植株观测数据可以包括植株生长点茎粗、穗顶间距、花穗形态、花朵颜色深浅、花朵数量、穗间距、生长点颜色、功能叶大小变化趋势和/或排出液EC与灌溉液EC之差的阈值。
例如,针对同一品种,在同一温室中开展试验,每个处理设置三个重复,在温室中随机排布。基于累积辐射决策启动灌溉时刻、基于改进P-M模型决策单次灌溉量;表1是营养液浓度变化对番茄生长的影响试验各处理设置,如表1所示,对照组CK(control check)按照EC值逐叶增加的方法进行营养液管理;九种处理即T1-T9从移苗定植到试验处理阶段,按照EC值逐叶增加的方法进行营养液管理;进入试验处理阶段后,波动式改变营养液EC。
表1 营养液浓度变化对番茄生长的影响试验各处理设置
其中,处理一(T1)和处理二(T2)考虑到初花期高浓度营养液容易造成落花现象,设计花期追随的营养液波动式调控策略:T1在每次初花期,调整营养液EC值为3mS/cm;T2在每次初花期,调整营养液EC值为2.5mS/cm。
处理三(T3)至处理处理八(T8)在番茄进入盛果期后,分别改变EC值变化周期及变化阈值。
处理九(T9)在每次采收后两天内调整营养液EC值为2.5 mS/cm。
试验过程中实时采集植株所处环境的相关数据,并定期对照生长状态评估知识库中的检测指标集,进行植株测量,建立作物生长数据库。
例如,通过将试验采集的植株所处环境数据,与生长状态评估知识库中的检测指标集对比,记录生长平衡的拐点及对应的指标值,以及生长不平衡的拐点及对应的指标值,存储在数据库中,得到作物生长数据库。
本申请实施例提供的基于知识图谱的营养液浓度调控方法,通过多组对照实验,结合生长状态评估知识库中的检测指标集,分析营养液浓度变化对番茄生长的影响,获得作物生长数据库,为营养液EC值调控模型的训练做好了数据准备。
在一些实施例中,所述方法还包括:
建立检测指标集;所述检测指标集包含植株生长失衡的特征指标;
确定所述检测指标集中每一项指标的允许阈值,得到生长状态评估知识库。
具体地,建立作物生长数据库时使用的生长状态评估知识库中,包含多个植株生长失衡的特征指标以及各特征指标的阈值,用于评估植株是否发生生长失衡。
对于生长状态评估知识库的获取,首先建立检测指标集,该检测指标集包含植株生长失衡的特征指标。然后确定检测指标集中每一项指标的允许阈值,从而得到生长状态评估知识库。
例如,研究光合同化物尽可能作用于开花坐果的生长表现,通过检索、爬虫和专家咨询等方式,梳理植株生长状态偏向营养生长或偏向生殖生长的失衡特征指标,并确定每一项指标允许阈值,形成生长状态评估知识库。
进一步地,生长状态评估知识库的植株观测指标集(即检测指标集),可以包含植株生长点茎粗、穗顶间距、花穗形态(强弱)、花朵颜色深浅、花朵数量、穗间距、生长点颜色(紫色/绿色)、功能叶(上一周生长点位置的叶片或固定的测量顶部往下数第6片叶)大小变化趋势、排出液EC与灌溉液EC差值的阈值等。
检索到的生长失衡的表现可以包括:生长点茎粗呈增加趋势、穗顶间距成增加趋势、花穗与主干夹角小且呈直立状、花颜色浅黄且数量少、穗间距/节间距小、生长点颜色为深紫色、功能叶有逐步增大趋势且叶色浓绿等,这些现象均表明了植株目前的生长状态偏向营养生长,即更多的同化物主要流向营养器官。
此时的植株,会给人一种生长势强的假象,但开花坐果欠佳,表现为植株产量偏低。EC经验管理方法包括:苗期间干间湿,保证根系发育;成株前,2天测量一次排液EC,排液EC≥2×供液EC;成株后,排液EC≥K×供液EC,一周测量一次植株生长特征指标,控制在阈值内;随时观察植株形态,进行10%以内的微调;对于总趋势,冬天EC高,夏天EC低,但是6-7月份,温差小,需提高EC保品质。确定检测指标集及控制阈值如下表所示:
表2 检测指标集及控制阈值
表2是一种示例场景的检测指标集及控制阈值,如2所示,若特征指标满足以下一种或多种情况,则判定植株生长失衡:
生长点茎粗较上一次增加量大于0;
若穗顶间距大于0;
花穗与主干夹角小于30度;
花朵颜色为浅黄且数量少;
穗间距小于0;
生长点颜色为深紫色;
功能叶大小Mi较上一次Mi-1增大了1.1倍及以上;
排除液EC与灌溉液EC的比值为1.3。
本申请实施例提供的基于知识图谱的营养液浓度调控方法,通过建立检测指标集,并确定指标集中每项指标允许阈值,生成生长状态评估知识库,为平衡生长的判定提供了依据,基于该生长状态评估知识库能获得更为准确的作物生长数据库,从而提高模型训练精度。
在一些实施例中,所述根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱,包括:
根据检索和调研的番茄营养液EC值管理文献及专家经验知识,采集番茄灌溉营养液EC值的影响因素数据;
根据所述影响因素数据,并利用自顶向下和自底向上的模块化方法构建基于图形数据库Neo4j的营养液影响因素知识图谱。
具体地,对于营养液影响因素知识图谱的构建,首先可以根据检索和调研的番茄营养液EC值管理文献及专家经验知识,采集番茄灌溉营养液EC值的影响因素数据并结构化。然后根据采集的影响因素数据,利用自顶向下和自底向上的模块化方法构建基于图形数据库Neo4j的营养液影响因素知识图谱,基于Neo4j构建的图是包含顶点和边的有向图。
在一些实施例中,所述影响因素数据包括环境温度、环境湿度、番茄品种、定植时间、生育期、排出液EC值和/或植株实际周变化量等。
本申请实施例提供的基于知识图谱的营养液浓度调控方法,通过收集番茄灌溉营养液EC值的影响因素数据,基于多种影响因素数据构建知识图谱,能够获得更为准确的营养液EC值进行调控,实现对番茄营养液浓度精准管理。
在一些实施例中,所述基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型,包括:
根据所述营养液影响因素知识图谱并利用路径排序算法构建初始调控模型;
根据作物生长数据库训练所述初始调控模型,获得每一影响因素的权值,并得到营养液EC值调控模型。
具体地,在构建得到营养液影响因素知识图谱后,使用路径排序算法(PathRanking Algorith,PRA),构建关于多影响因子的初始调控模型,该初始调控模型的各影响因子的权重值待定。利用试验获得的作物生长数据库训练该初始调控模型,确定各影响因素的权值,从而获得营养液EC值调控模型。
例如,根据营养液影响因素知识图谱并利用路径排序算法,构建关于环境温度A、环境湿度B、番茄品种C、定植时间D、生育期E、排出液EC值F和植株的实际周变化量G等影响因子的初始调控模型f(A,B,C,D,E,F,G),并利用试验获得的作物生长数据库训练初始调控模型,获得每一影响因素的权值,影响因素环境温度A、环境湿度B、番茄品种C、定植时间D、生育期E、排出液EC值F和植株的实际周变化量G对应的权值分别为a、b、c、d、e、f和g,获得最终的营养液EC值调控模型F(aA,bB,cC,dD,eE,fF,gG)。
本申请实施例提供的基于知识图谱的营养液浓度调控方法,根据影响番茄营养液EC值的多种影响因子构建营养液影响因素知识图谱,用该营养液影响因素知识图谱构建初始的调控模型,然后用预先建立的数据集(作物生长数据库)训练模型,获得营养液EC值调控模型,实现了知识图谱在农业实时决策中的应用,优化了纯数据驱动学习过程不可调控、结果无法落地的建模机制。
在一些实施例中,所述利用所述营养液EC值调控模型对番茄营养液浓度进行调控,包括:
确定初始EC值,并采集实时的植株观测数据;
基于实时的植株观测数据利用营养液EC值调控模型获取当前的EC值;
根据当前的EC值对番茄营养液浓度进行调控,并将当前的EC值作为下次调控的初始EC值。
具体地,根据获得的营养液EC值调控模型,结合灌溉制度,建立基于平衡生长的营养液EC波动式调控策略,根据调控策略对营养液EC值进行实时精准调控。
图2是本申请实施例提供的营养液EC波动式调控策略流程示意图,如图2所示,若为第一次调控,则设立一个初始EC值,若不是第一次调控,则讲上一轮的EC值作为当前的初始EC值。
然后获取实时的植株观测数据,如获取时间、排液EC和花穗数等植株参数。利用建立好的营养液EC值调控模型获取当前植株观测数据对应的EC值,实质上即利用知识图谱推理算法(如PRA算法)推理当前植株观测数据对应的EC值,然后判定是否需要进行EC值调整,获得本轮使用的EC值(可能是初始EC值也可能是当前推理出的EC值),根据本轮使用的EC值(即当前的EC值)对番茄营养液浓度进行调控。
例如,若营养液EC值调控模型推理出的EC值与初始EC值相同,或二者相差很小(可通过预设阈值来确定二者差值在规定范围内),则判定不需要进行EC值调整,营养液继续使用初始EC值。若营养液EC值调控模型推理出的EC值与初始EC值不同,或者二者相差较大(可通过预设阈值来确定二者差值不在规定范围内),则判定需要进行EC值调整,输出新的决策值(即营养液EC值调控模型推理出的EC值),营养液使用该EC值。
在得到本轮使用的EC值后,根据该EC值进行调控,记录该EC值并将其作为下次调控的初始EC值。
图3是本申请实施例提供的一种营养液浓度动态供给控制系统,如图3所示,营养液浓度动态供给控制系统包含移动采集平台、边缘计算盒子、营养液动态调控控制器及传感器。
其中,移动采集平台包括路轨两用移动底盘、摄像头、深度相机,用于进行植物状态的采集。
边缘计算盒子搭载AI芯片,目的是进行所采集图像的分割,并结合深度信息,输出绝对数值。
控制器包括CPU、电源模块、RS485调理电路、看门狗电路等。
传感器值包括EC传感器、pH传感器、回液EC传感器。
通过代码(code)工程化,对模型进行封装和部署,实现如图2的决策流程;根据非线性时变滞后系统特性,设计模糊PI逼近算法,开发营养液浓度动态供给控制系统,实现番茄营养液浓度的自适应调控。
本申请实施例提供的基于知识图谱的营养液浓度调控方法,利用高低浓度转化的营养液波动式供给,代替传统的单调递增的营养液EC调控方法,对缓解根系逆境,维持根系功能,增加植株生长可持续性。并结合先验知识及数据驱动,将知识图谱应用在农业实时决策中,优化了纯数据驱动学习过程不可调控、结果无法落地的建模机制,利用建立的营养液EC值调控模型实现对番茄营养液浓度的实时调控,提高了营养液浓度动态调控的准确性,实现了番茄品相稳定的长季节采收,提高了番茄产量。
图4是本申请实施例提供的一种基于知识图谱的营养液浓度调控装置的结构示意图,如图4所示,本申请实施例提供一种基于知识图谱的营养液浓度调控装置,包括构建模块401、获取模块402和调控模块403。
构建模块401用于根据番茄灌溉营养液EC值的影响因素数据构建营养液影响因素知识图谱;
获取模块402用于基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;所述作物生长数据库包含不同环境下植株的生长状态数据;
调控模块403用于利用所述营养液EC值调控模型对番茄营养液浓度进行调控。
在一些实施例中,还包括:
试验模块,用于通过多组对照实验获取不同生长环境下的植株观测数据;
对比模块,用于将所述植株观测数据与生长状态评估知识库中的检测指标集进行对比,获得作物生长数据库。
在一些实施例中,还包括:
建立模块,用于建立检测指标集;所述检测指标集包含植株生长失衡的特征指标;
确定模块,用于确定所述检测指标集中每一项指标的允许阈值,得到生长状态评估知识库。
在一些实施例中,构建模块包括:
采集单元,用于根据检索和调研的番茄营养液EC值管理文献及专家经验知识,采集番茄灌溉营养液EC值的影响因素数据;
第一构建单元,用于根据所述影响因素数据,并利用自顶向下和自底向上的模块化方法构建基于图形数据库Neo4j的营养液影响因素知识图谱。
在一些实施例中,所述影响因素数据包括环境温度、环境湿度、番茄品种、定植时间、生育期、排出液EC值和/或植株实际周变化量。
在一些实施例中,所述获取模块包括:
第二构建单元,用于根据所述营养液影响因素知识图谱并利用路径排序算法构建初始调控模型;
第一获取单元,用于根据作物生长数据库训练所述初始调控模型,获得每一影响因素的权值,并得到营养液EC值调控模型。
在一些实施例中,所述调控模块包括:
第二获取单元,用于确定初始EC值,并采集实时的植株观测数据;
第三获取单元,用于基于实时的植株观测数据利用营养液EC值调控模型获取当前的EC值;
调控单元,用于根据当前的EC值对番茄营养液浓度进行调控,并将当前的EC值作为下次调控的初始EC值。
具体地,本申请实施例提供的上述基于知识图谱的营养液浓度调控装置,能够实现上述基于知识图谱的营养液浓度调控方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
需要说明的是,本申请上述各实施例中对单元/模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
图5是本申请实施例提供的一种电子设备的结构示意图,如图5示,所述电子设备可以包括:处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504,其中,处理器501,通信接口502,存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503中的逻辑指令,以执行基于知识图谱的营养液浓度调控方法,该方法包括:
根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱;
基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;所述作物生长数据库包含不同环境下植株的生长状态数据;
利用所述营养液EC值调控模型对番茄营养液浓度进行调控。
具体地,处理器501可以是中央处理器(Central Processing Unit,CPU)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)或复杂可编程逻辑器件(Complex Programmable LogicDevice,CPLD),处理器也可以采用多核架构。
存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(processor)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory ,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在一些实施例中,还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法实施例提供的基于知识图谱的营养液浓度调控方法,该方法包括:
根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱;
基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;所述作物生长数据库包含不同环境下植株的生长状态数据;
利用所述营养液EC值调控模型对番茄营养液浓度进行调控。
具体地,本申请实施例提供的上述计算机程序产品,能够实现上述各方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
在一些实施例中,还提供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,所述计算机程序用于使计算机执行上述各方法实施例提供的基于知识图谱的营养液浓度调控方法,该方法包括:
根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱;
基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;所述作物生长数据库包含不同环境下植株的生长状态数据;
利用所述营养液EC值调控模型对番茄营养液浓度进行调控。
具体地,本申请实施例提供的上述计算机可读存储介质,能够实现上述各方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
需要说明的是:所述计算机可读存储介质可以是处理器能够存取的任何可用介质或数据存储设备,包括但不限于磁性存储器(例如软盘、硬盘、磁带、磁光盘(MO)等)、光学存储器(例如CD、DVD、BD、HVD等)、以及半导体存储器(例如ROM、EPROM、EEPROM、非易失性存储器(NAND FLASH)、固态硬盘(SSD))等。
另外需要说明的是:本申请实施例中术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”所区别的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
本申请实施例中术语“和/或”,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。字符“/”一般表示前后关联对象是一种“或”的关系。
本申请实施例中术语“多个”是指两个或两个以上,其它量词与之类似。
本申请中的“基于A确定B”表示确定B时要考虑A这个因素。并不限于“只基于A就可以确定出B”,还应包括:“基于A和C确定B”、“基于A、C和E确定B”、基于“A确定C,基于C进一步确定B”等。另外还可以包括将A作为确定B的条件,例如,“当A满足第一条件时,使用第一方法确定B”;再例如,“当A满足第二条件时,确定B”等;再例如,“当A满足第三条件时,基于第一参数确定B”等。当然也可以是将A作为确定B的因素的条件,例如,“当A满足第一条件时,使用第一方法确定C,并进一步基于C确定B”等。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。应理解可由计算机可执行指令实现流程图和/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。可提供这些计算机可执行指令到通用计算机、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。
这些处理器可执行指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的处理器可读存储器中,使得存储在该处理器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。
这些处理器可执行指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程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。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种基于知识图谱的营养液浓度调控方法,其特征在于,包括:
根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱;
基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;所述作物生长数据库包含不同环境下植株的生长状态数据;
利用所述营养液EC值调控模型对番茄营养液浓度进行调控。
2.根据权利要求1所述的基于知识图谱的营养液浓度调控方法,其特征在于,所述根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱之前,所述方法还包括:
通过多组对照实验获取不同生长环境下的植株观测数据;
将所述植株观测数据与生长状态评估知识库中的检测指标集进行对比,获得作物生长数据库。
3.根据权利要求2所述的基于知识图谱的营养液浓度调控方法,其特征在于,所述方法还包括:
建立检测指标集;所述检测指标集包含植株生长失衡的特征指标;
确定所述检测指标集中每一项指标的允许阈值,得到生长状态评估知识库。
4.根据权利要求1所述的基于知识图谱的营养液浓度调控方法,其特征在于,所述根据番茄灌溉营养液可溶性盐浓度EC值的影响因素数据构建营养液影响因素知识图谱,包括:
根据检索和调研的番茄营养液EC值管理文献及专家经验知识,采集番茄灌溉营养液EC值的影响因素数据;
根据所述影响因素数据,并利用自顶向下和自底向上的模块化方法构建基于图形数据库Neo4j的营养液影响因素知识图谱。
5.根据权利要求4所述的基于知识图谱的营养液浓度调控方法,其特征在于,所述影响因素数据包括环境温度、环境湿度、番茄品种、定植时间、生育期、排出液EC值和/或植株实际周变化量。
6.根据权利要求1所述的基于知识图谱的营养液浓度调控方法,其特征在于,所述基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型,包括:
根据所述营养液影响因素知识图谱并利用路径排序算法构建初始调控模型;
根据作物生长数据库训练所述初始调控模型,获得每一影响因素的权值,并得到营养液EC值调控模型。
7.根据权利要求1所述的基于知识图谱的营养液浓度调控方法,其特征在于,所述利用所述营养液EC值调控模型对番茄营养液浓度进行调控,包括:
确定初始EC值,并采集实时的植株观测数据;
基于实时的植株观测数据利用营养液EC值调控模型获取当前的EC值;
根据当前的EC值对番茄营养液浓度进行调控,并将当前的EC值作为下次调控的初始EC值。
8.一种基于知识图谱的营养液浓度调控装置,其特征在于,包括:
构建模块,用于根据番茄灌溉营养液EC值的影响因素数据构建营养液影响因素知识图谱;
获取模块,用于基于所述营养液影响因素知识图谱和作物生长数据库获取营养液EC值调控模型;所述作物生长数据库包含不同环境下植株的生长状态数据;
调控模块,用于利用所述营养液EC值调控模型对番茄营养液浓度进行调控。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并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程序时实现如权利要求1至7任一项所述基于知识图谱的营养液浓度调控方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,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7任一项所述基于知识图谱的营养液浓度调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410371351.7A CN117970985B (zh) | 2024-03-29 | 2024-03-29 | 基于知识图谱的营养液浓度调控方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410371351.7A CN117970985B (zh) | 2024-03-29 | 2024-03-29 | 基于知识图谱的营养液浓度调控方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117970985A true CN117970985A (zh) | 2024-05-03 |
CN117970985B CN117970985B (zh) | 2024-06-07 |
Family
ID=90859985
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410371351.7A Active CN117970985B (zh) | 2024-03-29 | 2024-03-29 | 基于知识图谱的营养液浓度调控方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117970985B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896498A (zh) * | 2018-04-25 | 2018-11-27 | 中国农业大学 | 一种基于离子活度核算营养液离子ec贡献率和电导度的方法 |
WO2019059597A2 (ko) * | 2017-09-19 | 2019-03-28 | 한국과학기술연구원 | 최적밸브제어모델 기반의 시설 원예용 스마트 양액 공급 장치 |
CN111026206A (zh) * | 2019-12-24 | 2020-04-17 | 张治华 | 水培植物自动控制系统 |
CN112465316A (zh) * | 2020-11-16 | 2021-03-09 | 中国科学院合肥物质科学研究院 | 一种融入价格因素的雾培作物营养液需求响应调控评估系统 |
CN112800236A (zh) * | 2021-01-14 | 2021-05-14 | 大连东软教育科技集团有限公司 | 一种基于知识图谱生成学习路径的方法、装置及存储介质 |
CN115453868A (zh) * | 2022-08-31 | 2022-12-09 | 中国农业大学 | 基于番茄光响应差分特征的全生长期光强调控方法 |
CN116755485A (zh) * | 2023-06-29 | 2023-09-15 | 苏州浪潮智能科技有限公司 | 一种温室调控方法、装置、系统、设备和存储介质 |
CN117223589A (zh) * | 2023-10-13 | 2023-12-15 | 西北农林科技大学 | 水培生菜变量施肥方法和装置 |
CN117873238A (zh) * | 2024-01-04 | 2024-04-12 | 中山职业技术学院 | 一种植物生长控制方法及其系统、计算机设备和存储介质 |
-
2024
- 2024-03-29 CN CN202410371351.7A patent/CN117970985B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019059597A2 (ko) * | 2017-09-19 | 2019-03-28 | 한국과학기술연구원 | 최적밸브제어모델 기반의 시설 원예용 스마트 양액 공급 장치 |
CN108896498A (zh) * | 2018-04-25 | 2018-11-27 | 中国农业大学 | 一种基于离子活度核算营养液离子ec贡献率和电导度的方法 |
CN111026206A (zh) * | 2019-12-24 | 2020-04-17 | 张治华 | 水培植物自动控制系统 |
CN112465316A (zh) * | 2020-11-16 | 2021-03-09 | 中国科学院合肥物质科学研究院 | 一种融入价格因素的雾培作物营养液需求响应调控评估系统 |
CN112800236A (zh) * | 2021-01-14 | 2021-05-14 | 大连东软教育科技集团有限公司 | 一种基于知识图谱生成学习路径的方法、装置及存储介质 |
CN115453868A (zh) * | 2022-08-31 | 2022-12-09 | 中国农业大学 | 基于番茄光响应差分特征的全生长期光强调控方法 |
CN116755485A (zh) * | 2023-06-29 | 2023-09-15 | 苏州浪潮智能科技有限公司 | 一种温室调控方法、装置、系统、设备和存储介质 |
CN117223589A (zh) * | 2023-10-13 | 2023-12-15 | 西北农林科技大学 | 水培生菜变量施肥方法和装置 |
CN117873238A (zh) * | 2024-01-04 | 2024-04-12 | 中山职业技术学院 | 一种植物生长控制方法及其系统、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117970985B (zh) | 2024-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Umamaheswari et al. | Integrating scheduled hydroponic system | |
CN105494033B (zh) | 一种基于作物需求的智能节水灌溉方法 | |
CN108510102A (zh) | 一种采用大数据计算策略的水肥一体化灌溉控制方法 | |
Soundharajan et al. | Deficit irrigation management for rice using crop growth simulation model in an optimization framework | |
CN111915062B (zh) | 水分利用率与光合速率协同的温室作物需水调控方法 | |
CN114740930B (zh) | 用于温室大棚智能管控平台系统及管控处理方法 | |
CN115453868B (zh) | 基于番茄光响应差分特征的全生长期光强调控方法 | |
CN112001242A (zh) | 一种智能园艺管理方法和装置 | |
CN114637351B (zh) | 一种设施作物温室环境调控方法及系统 | |
Wang et al. | Real-time monitoring of environmental information and modeling of the photosynthetic rate of tomato plants under greenhouse conditions | |
CN108334139A (zh) | 一种基于大数据的温室自动化控制的方法及系统 | |
CN108319134A (zh) | 一种基于极限学习机网络的温室环境智能控制方法 | |
CN117970985B (zh) | 基于知识图谱的营养液浓度调控方法、装置及存储介质 | |
CN109325630A (zh) | 一种基于形态参数的高温胁迫下水稻产量预测方法 | |
CN105654242A (zh) | 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 | |
Elenzano | Smart farming for lowland strawberry (Fragaria x ananassa) production | |
Adebola et al. | Can machines garden? systematically comparing the Alphagarden vs. professional horticulturalists | |
Grasso et al. | A Smart Vertical Farming System to Evaluate Productivity, Quality, and Sustainability of Agricultural Production | |
Jiao et al. | [Retracted] Prediction Model of Rice Seedling Growth and Rhizosphere Fertility Based on the Improved Elman Neural Network | |
Tayde et al. | Applying data mining technique to predict annual yield of major crops | |
Jinger et al. | Maize Yield Prediction Considering Growth Stages using Fuzzy Logic Modelling | |
Simon | Internet of Things and Fuzzy Logic based Smart Balcony Plant Care System from a Renewable Resources | |
Zhang et al. | Planning and design of the plant growth model based on internet of things | |
Valencia-Ramos et al. | Automation system for the control of orchard cultivation based on renewable energy: A systematic review from 2016 to 2021 | |
Chun et al. | A study on the design and operation method of plant factory using artificial intelligence |
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 |