[發(fā)明專利]一種基于人工智能的植物生長(zhǎng)自反饋學(xué)習(xí)培育方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110041313.1
• 申請(qǐng)日: 2021-01-13
• 公開(kāi)（公告）號(hào): CN112800665A
• 公開(kāi)（公告）日: 2021-05-14
• 發(fā)明（設(shè)計(jì)）人: 谷月;朱建至;魏家威;余治梅
• 申請(qǐng)（專利權(quán)）人: 電凱（常州）新能源技術(shù)研究院有限公司;余治梅
• 主分類(lèi)號(hào): G06F30/27
• 分類(lèi)號(hào): G06F30/27;G06K9/00;G06K9/34;G06K9/46;G06K9/62;G06N3/08;G06F111/08;G06F119/08
• 代理公司: 上海遠(yuǎn)同律師事務(wù)所 31307
• 代理人: 胡志鴻;張堅(jiān)

1.一種基于人工智能的植物生長(zhǎng)自反饋學(xué)習(xí)培育方法，其特征在于，包括如下步驟：

S1：配置具有多個(gè)獨(dú)立的植物培育箱的培育系統(tǒng)；

以及，采集待培育植物現(xiàn)有的優(yōu)選生長(zhǎng)參數(shù)數(shù)據(jù)；所述優(yōu)選生長(zhǎng)參數(shù)包括待培育植物在生長(zhǎng)各階段的光照度、光照光譜、環(huán)境溫度、環(huán)境濕度、風(fēng)流量、二氧化碳濃度、營(yíng)養(yǎng)液配比、養(yǎng)液噴灑周期；

以及，采集植物各個(gè)生長(zhǎng)周期的圖像數(shù)據(jù)樣本集，并基于所述圖像數(shù)據(jù)樣本集對(duì)自反饋算法訓(xùn)練，得到植物長(zhǎng)勢(shì)模型；

S2：在所述培育系統(tǒng)內(nèi)培育植物；

基于當(dāng)前迭代輪次，根據(jù)所述的優(yōu)選生長(zhǎng)參數(shù)數(shù)據(jù)設(shè)定隨機(jī)參數(shù)范圍，設(shè)定各植物培育箱的植物各生長(zhǎng)階段的生長(zhǎng)參數(shù)；同時(shí)根據(jù)下述步驟S21中所獲得的當(dāng)前的植物生長(zhǎng)狀況數(shù)據(jù)確定當(dāng)前植物生長(zhǎng)階段，從而配置各植物培育箱內(nèi)植物生長(zhǎng)各階段的生長(zhǎng)環(huán)境；

并在培育植物的完整生長(zhǎng)周期中：

S21：周期性的采集各植物培育箱內(nèi)的植物在生長(zhǎng)各階段的二維及三維的圖像，并分別標(biāo)記所述圖像的拍攝時(shí)間；實(shí)時(shí)將所采集的二維及三維圖像輸入所述植物長(zhǎng)勢(shì)模型，對(duì)所述植物長(zhǎng)勢(shì)模型進(jìn)行優(yōu)化，以及獲得當(dāng)前植物生長(zhǎng)狀況數(shù)據(jù)以及預(yù)測(cè)植物生長(zhǎng)數(shù)據(jù)；

S22：周期性采集植物生長(zhǎng)環(huán)境數(shù)據(jù)，包括光照度、光照光譜、環(huán)境溫度、環(huán)境濕度、風(fēng)流量、二氧化碳濃度、養(yǎng)液PH值、養(yǎng)液EC值、養(yǎng)液噴灑周期，并標(biāo)記采集時(shí)間；通過(guò)自反饋算法訓(xùn)練，以步驟S21中獲得的所述當(dāng)前植物生長(zhǎng)狀況數(shù)據(jù)和預(yù)測(cè)植物生長(zhǎng)數(shù)據(jù)，對(duì)在所述當(dāng)前植物生長(zhǎng)狀況數(shù)據(jù)時(shí)序前的所述植物生長(zhǎng)環(huán)境數(shù)據(jù)進(jìn)行評(píng)估，從而獲得生產(chǎn)參數(shù)調(diào)優(yōu)模型,以及輸出調(diào)優(yōu)生長(zhǎng)參數(shù)作為現(xiàn)有的優(yōu)選生長(zhǎng)參數(shù)；

S3:重復(fù)步驟S2，進(jìn)行新一輪迭代。

2.根據(jù)權(quán)利要求1所述的一種基于人工智能的植物生長(zhǎng)自反饋學(xué)習(xí)培育方法，其特征在于，所述S1還包括如下步驟：根據(jù)待培育植物種類(lèi)和植物培育箱結(jié)構(gòu)，選擇單一植株監(jiān)控區(qū)域，并在各培育箱設(shè)置用于拍攝植物生長(zhǎng)區(qū)域內(nèi)整體的植物生長(zhǎng)狀態(tài)的二維攝像頭和三維攝像頭，以及設(shè)置用于拍攝單一植株監(jiān)控區(qū)域內(nèi)植物生長(zhǎng)狀態(tài)的二維攝像頭和三維攝像頭；

所述S2中所采集的二維及三維圖像包括植物整體的生長(zhǎng)狀態(tài)圖像以及單一植株監(jiān)控區(qū)域內(nèi)單一植株的生長(zhǎng)狀態(tài)。

3.根據(jù)權(quán)利要求2所述的一種基于人工智能的植物生長(zhǎng)自反饋學(xué)習(xí)培育方法，其特征在于，所述植物生長(zhǎng)狀況數(shù)據(jù)包括：植物所處生長(zhǎng)階段、整體的大小、高低，葉面結(jié)構(gòu)面積、植物生物量數(shù)據(jù)；以及單一植株的葉面積、葉面周長(zhǎng)、顏色深度、植株高度、根系長(zhǎng)度、面積、輪廓、結(jié)實(shí)率、果實(shí)顏色、果實(shí)大小、輪廓面積和周長(zhǎng)數(shù)據(jù)。

4.根據(jù)權(quán)利要求3所述的一種基于人工智能的植物生長(zhǎng)自反饋學(xué)習(xí)培育方法，其特征在于：所述步驟S1和步驟S23中分類(lèi)算法包括卷積神經(jīng)網(wǎng)絡(luò)。

5.根據(jù)權(quán)利要求1所述的一種基于人工智能的植物生長(zhǎng)自反饋學(xué)習(xí)培育方法，其特征在于，

所述S1還包括步驟：采集作物病蟲(chóng)害數(shù)據(jù)集，并基于所述作物病蟲(chóng)害數(shù)據(jù)集對(duì)分類(lèi)算法訓(xùn)練，得到植物病蟲(chóng)害模型；

所述S22還包括步驟：將所采集的所述葉片及植株的二維及三維圖像輸入所述植物病蟲(chóng)害模型，對(duì)所述植物病蟲(chóng)害模型進(jìn)行優(yōu)化，以及獲得當(dāng)前的植物長(zhǎng)勢(shì)病蟲(chóng)害狀況數(shù)據(jù)。

6.根據(jù)權(quán)利要求1所述的一種基于人工智能的植物生長(zhǎng)自反饋學(xué)習(xí)培育方法，其特征在于，

所述S1還包括步驟：在所述各培育箱中設(shè)置近紅外光譜無(wú)損檢測(cè)儀；

所述S21還包括步驟：通過(guò)所述近紅外光譜無(wú)損檢測(cè)儀連續(xù)采集植物花瓣和果肉中的紅外光檢測(cè)數(shù)據(jù)；以及將所采集的紅外光檢測(cè)數(shù)據(jù)輸入BP神經(jīng)網(wǎng)絡(luò)，建立蔬果糖度模型。

7.根據(jù)權(quán)利要求1所述的一種基于人工智能的植物生長(zhǎng)自反饋學(xué)習(xí)培育方法，其特征在于：所述養(yǎng)液噴灑周期包括根部噴灑周期和葉面超聲霧化噴灑周期。