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

在審

• 申請?zhí)枺?/td>: 202110041313.1
• 申請日: 2021-01-13
• 公開（公告）號: CN112800665A
• 公開（公告）日: 2021-05-14
• 發(fā)明（設(shè)計）人: 谷月;朱建至;魏家威;余治梅
• 申請（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
• 主分類號: G06F30/27
• 分類號: 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

本發(fā)明涉及一種基于人工智能的植物生長自反饋學(xué)習(xí)培育方法，連續(xù)采集植物生長各階段的二維及三維圖像，并連續(xù)采集植物生長環(huán)境數(shù)據(jù)；之后將所采集的二維及三維圖像輸入植物長勢模型，對植物長勢模型進(jìn)行優(yōu)化，以及獲得當(dāng)前的植物生長狀況數(shù)據(jù)；與此同時，根據(jù)所獲得的當(dāng)前的植物生長狀況數(shù)據(jù)，基于設(shè)定的植物生長參數(shù)配置各植物培育箱內(nèi)植物生長各階段的生長環(huán)境；以及基于上述獲得的植物生長狀況數(shù)據(jù)、植物生長環(huán)境數(shù)據(jù)，對分類算法訓(xùn)練，獲得生產(chǎn)參數(shù)調(diào)優(yōu)模型和調(diào)優(yōu)生長參數(shù)。在經(jīng)過多次迭代后獲得最佳的植物生長參數(shù)。該方法能夠?qū)⒅参飶姆N植初始小苗階段開始到開花結(jié)果進(jìn)行實時統(tǒng)計和分析，并現(xiàn)自動以自反饋的方式進(jìn)行植物生長研究。

技術(shù)領(lǐng)域

本發(fā)明涉及人工智能和植物培育技術(shù)領(lǐng)域，尤其涉及一種基于人工智能的植物生長自反饋學(xué)習(xí)培育方法。

背景技術(shù)

隨著人工智能深度技術(shù)的迅速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)，卷積神經(jīng)網(wǎng)絡(luò)在圖像識別的領(lǐng)域里取得了顯著的發(fā)展和長足的進(jìn)步。近年來，深度學(xué)習(xí)的技術(shù)在圖像識別上有了多種多樣的應(yīng)用，比如在ImageNet等人工智能領(lǐng)域圖像識別的競賽和數(shù)據(jù)集，更催生了對圖像識別十分有效的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的設(shè)計，更促進(jìn)了與機(jī)械學(xué)習(xí)眾多理論、技術(shù)和方法的發(fā)展和誕生。

當(dāng)前，雖然在植物培育技術(shù)領(lǐng)域內(nèi)已經(jīng)開始引入了人工智能控制，但一定程度上仍然依賴于設(shè)定的數(shù)據(jù)。即目前結(jié)合人工智能進(jìn)行植物培育還停留在進(jìn)行設(shè)定好的“數(shù)據(jù)”階段，在“執(zhí)行數(shù)據(jù)”和“取得決策”階段還必須先行設(shè)定，再由各種傳感設(shè)備去執(zhí)行。由此可知，這僅僅是處于執(zhí)行數(shù)據(jù)和記錄數(shù)據(jù)階段的流程，無法為植物栽培技術(shù)上提供更多更有效的栽培決策方案，特別是在眾多植物的品種上及工廠化智能種植的應(yīng)用中。

鑒于此，提供一種解決上述技術(shù)問題的方案，已經(jīng)是本發(fā)明技術(shù)領(lǐng)域所亟需關(guān)注的。

發(fā)明內(nèi)容

本發(fā)明實施例的目的是針對現(xiàn)有技術(shù)結(jié)構(gòu)上的缺點，提出一種基于人工智能的植物生長自反饋學(xué)習(xí)培育方法和系統(tǒng)，在受控的環(huán)境下采用植物的葉片、植株、花、果的圖像結(jié)構(gòu)對植物生長狀態(tài)進(jìn)行判斷，克服了現(xiàn)有的植物器官識別過程中，由于采用人工的方式進(jìn)行植物識別所導(dǎo)致的識別效率低下及誤差的問題，通過卷積神經(jīng)網(wǎng)絡(luò)的算法建模，可以精準(zhǔn)識別植物生長狀態(tài)，并依此來對設(shè)定的生產(chǎn)參數(shù)數(shù)據(jù)進(jìn)行更精準(zhǔn)的數(shù)據(jù)調(diào)節(jié)，給予最優(yōu)的不同生長環(huán)境參數(shù)。

為了達(dá)到上述發(fā)明目的，本發(fā)明實施例提出的一種基于人工智能的植物生長自反饋學(xué)習(xí)培育方法是通過以下技術(shù)方案實現(xiàn)的:

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

S1：配置具有多個獨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)選生長參數(shù)數(shù)據(jù)；所述優(yōu)選生長參數(shù)包括待培育植物在生長各階段的光照度、光照光譜、環(huán)境溫度、環(huán)境濕度、風(fēng)流量、二氧化碳濃度、營養(yǎng)液配比、養(yǎng)液噴灑周期；

以及，采集植物各個生長周期的圖像數(shù)據(jù)樣本集，并基于所述圖像數(shù)據(jù)樣本集對自反饋算法訓(xùn)練，得到植物長勢模型；

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階段的生長參數(shù)；同時根據(jù)下述步驟S21中所獲得的當(dāng)前的植物生長狀況數(shù)據(jù)確定當(dāng)前植物生長階段，從而配置各植物培育箱內(nèi)植物生長各階段的生長環(huán)境；

并在培育植物的完整生長周期中：

S21：周期性的采集各植物培育箱內(nèi)的植物在生長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間；實時將所采集的二維及三維圖像輸入所述植物長勢模型，對所述植物長勢模型進(jìn)行優(yōu)化，以及獲得當(dāng)前植物生長狀況數(shù)據(jù)以及預(yù)測植物生長數(shù)據(jù)；