基于数据分析的植物智能培育方法及系统技术方案

本发明专利技术提供了一种基于数据分析的植物智能培育方法及系统，其中的方法包括：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量；在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；利用MOEA/D算法对植物培育模型进行优化，获得决策变量的一组最优解；将决策变量的该组最优解作为植物的推荐决策通过服务器下发至用户的终端设备进行显示；用户根据终端设备显示的推荐决策培育植物。利用本发明专利技术能够确定最优的植物培育方案，营造更好的生活环境。

Method and system for cultivating plant intelligence based on data analysis

The present invention provides a plant cultivation method and intelligent data analysis system based on the method includes: acquisition of plant species, growth period, soil moisture, soil pH value, light intensity, temperature, humidity, image, watering amount and fertilization, fertilizer type and impact factor matrix X, and uploaded to the server; the watering quantity, fertilizing amount and type of decision variables; on the server using the complex nonlinear relationship between the influence factors of plant and plant health index matrix X Elman neural network was established to obtain plant cultivation model of plant breeding; optimized by MOEA/D algorithm, to obtain a set of optimal decision making variable solution; decision-making variable is the set of optimal solutions as the recommended decision making plant terminal equipment through the server issued to the user's display The user raises the plant according to the recommendations of the terminal equipment. The invention can be used to determine the optimal plant breeding program and create a better living environment.

【技术实现步骤摘要】

本专利技术涉及植物智能培育领域，具体涉及一种基于数据分析的植物智能培育方法及系统。
技术介绍
随着国民经济的快速发展，盆栽植物作为一种增加居住舒适度的方式进入了千家万户。但由于大多数植物主人缺乏种植植物经验，使植物长期生长在亚健康的环境。另一方面，由于室内空间有限，植物主人会根据自身情况要求植物有不同的茂密程度，避免空间浪费。目前，亟需解决的问题是建立一套全面的植物培育模型，并将植物健康指标反馈给用户，让用户能及时对植物培育方案做出调整。影响植物健康程度的各个因素之间往往体现出高度的复杂性和非线性，采用常规预测、分析方法存在一定难度。
技术实现思路
本专利技术通过提供一种基于数据分析的植物智能培育方法及系统，以解决现有技术中植物培育过程中因无法为植物提供适宜的生长环境，而导致植物生长情况偏离预期指标的问题。一方面，本专利技术提供的基于数据分析的植物智能培育方法，包括：步骤S1：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量；步骤S2：在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；步骤S3：利用MOEA/D算法对植物培育模型进行优化，获得决策变量的一组最优解；步骤S4：将决策变量的该组最优解作为植物的推荐决策X*通过服务器下发至用户的终端设备进行显示；步骤S5：用户根据终端设备显示的推荐决策培育植物。另一方面，本专利技术提供的基于数据分析的植物智能培育系统，包括：数据采集单元，用于采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，所述浇水量、所述施肥量和所述施肥类型构成决策变量；植物培育模型建立单元，用于在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；决策变量最优解获取单元，用于利用MOEA/D算法对植物培育模型进行优化，获得决策变量的一组最优解，并将决策变量的该组最优解作为植物的推荐决策X*；推荐决策显示单元，用于通过服务器将植物的推荐决策X*下发至用户的终端设备进行显示。与现有技术相比，本专利技术提供的基于数据分析的植物智能培育方法及系统的优点是：利用Elman神经网络建立植物培育模型，再利用MOEA/D算法优化植物培育模型，确定了植物的浇水量、施肥量、施肥种类的最优值，并即时反馈给用户，让用户随时随地都能了解植物当前状况，实现智能培育。附图说明图1为根据本专利技术实施例的基于数据分析的植物智能培育方法的流程示意图；图2为根据本专利技术实施例的健康指数预测结果图；图3为根据本专利技术实施例的健康指数预测误差图；图4为根据本专利技术实施例的用户界面示意图。具体实施方式图1示出了根据本专利技术实施例的基于数据分析的植物智能培育方法的流程。如图1所示，本专利技术的基于数据分析的植物智能培育方法，包括：步骤S1：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，浇水量、施肥量和施肥类型构成决策变量。通过统计得到对植物的健康指数y1影响最大的变量为：植物种类x1、生长时期x2、土壤湿度x3、土壤pH值x4、光照强度x5、环境温度x6、环境湿度x7、图像x8、浇水量x9、施肥量x10、施肥类型x11，共11个变量；其中，土壤湿度x3、土壤pH值x4、光照强度x5、环境温度x6、环境湿度x7、图像x8由对应的传感器测量数据，植物种类、生长时期为固有属性，由用户输入，浇水量、施肥量、施肥类型为决策变量。植物的环境温度x6通过温度传感器采集获得；植物的土壤湿度x3与环境湿度x7通过湿度传感器采集获得；植物的光照强度x5通过光照度传感器采集获得；植物的土壤pH值x4通过土壤pH计采集获得；利用采样电路分别与温度传感器、湿度传感器、光照度传感器、土壤pH计进行连接，并将温度传感器、湿度传感器、光照度传感器、土壤pH计分别采集到的环境温度、环境湿度、土壤湿度、光照强度、土壤PH值转换成数字信号。植物在当前时刻的特征图像通过摄像头采集获得，摄像头将图像信息转换成数字信号。在本专利技术中，服务器优选为云服务器。步骤S2：在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型。设置Xk＝[xk1,xk2,L,xkM](k＝1,2,L,S)为输入矢量，N为训练样本个数，为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量Yk(g)＝[yk1(g),yk2(g),L,ykP(g)](k＝1,2,L,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,L,dkP](k＝1,2,L,S)为期望输出，迭代次数g为500。在服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型的过程，包括：步骤S21：初始化，设迭代次数g初值为0，分别赋给WMI(0)、WJP(0)、WJC(0)一个(0,1)区间的随机值；步骤S22：随机输入样本Xk；步骤S23：对输入样本Xk，前向计算Elman神经网络每层神经元的实际输出Yk(g)；步骤S24：根据期望输出dk和实际输出Yk(g)，计算误差E(g)；步骤S25：判断误差E(g)是否小于预设的误差值，如果大于或等于，进入步骤S26，如果小于，则进入步骤S29；步骤S26：判断迭代次数g+1是否大于最大迭代次数，如果大于，进入步骤S29，否则，进入步骤S27；步骤S27：对输入样本Xk反向计算Elman神经网络每层神经元的局部梯度δ；步骤S28：计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；其中，ΔWij＝η·δij，η为学习效率；Wij(g+1)＝Wij(g)+ΔWij(g)；步骤S29：判断是否完成所有样本的训练；如果是，完成建模；如果否，跳转至步骤S22。在Elman神经网络设计中，隐层节点数的多少是决定Elman神经网络模型好坏的关键，也是Elman神经网络设计中的难点，这里采用试凑法来确定隐层的节点数。式中，p为隐层神经元节点数，n为输入层神经元数，m为输出层神经元数，k为1-10之间的常数。Elman神经网络的设置参数如下表1所示。表1Elman神经网络设置参数通过上述过程，可得到Elman神经网络预测效果如图2、3所示。智能植物培育的基础是模型的建立，模型精度直接影响输出结果。通过对图2、3分析可知，健康指数预最大测误差为-3.5％，模型预测精度高，满足建模要求。步骤S3：利用MOEA/D算法(Multi-obiectiveEvolutionaryAlgorithmBasedonDecomposition，基于分解的多目标优化算法)对植物培育模型进行优化，获得决策变量的一组最优解。获得决策变量的一组最优解，也就是获得植物的浇本文档来自技高网...

【技术保护点】
一种基于数据分析的植物智能培育方法，其特征在于，包括如下步骤：步骤S1：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，所述浇水量、所述施肥量和所述施肥类型构成决策变量；步骤S2：在所述服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；步骤S3：利用MOEA/D算法对所述植物培育模型进行优化，获得所述决策变量的一组最优解；步骤S4：将所述决策变量的该组最优解作为所述植物的推荐决策X*通过所述服务器下发至用户的终端设备进行显示；步骤S5：所述用户根据所述终端设备显示的推荐决策X*培育所述植物。

【技术特征摘要】
1.一种基于数据分析的植物智能培育方法，其特征在于，包括如下步骤：步骤S1：采集植物的种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度、图像、浇水量、施肥量、施肥类型并构成影响因素矩阵X，并上传至服务器；其中，所述浇水量、所述施肥量和所述施肥类型构成决策变量；步骤S2：在所述服务器内利用Elman神经网络建立植物各影响因素矩阵X与植物健康指数之间的复杂非线性关系，获得植物培育模型；步骤S3：利用MOEA/D算法对所述植物培育模型进行优化，获得所述决策变量的一组最优解；步骤S4：将所述决策变量的该组最优解作为所述植物的推荐决策X*通过所述服务器下发至用户的终端设备进行显示；步骤S5：所述用户根据所述终端设备显示的推荐决策X*培育所述植物。2.根据权利要求1所述的基于数据分析的植物智能培育方法，其特征在于，所述植物培育模型中Xk＝[xk1,xk2,L,xkM](k＝1,2,L,S)为输入矢量，S为训练样本的个数，WMI(g)为第g次迭代时输入层M与隐层I之间的权值矢量，WJP(g)为第g次迭代时隐层J与输出层P之间的权值矢量，WJC(g)为第g次迭代时隐层J与承接层C之间的权值矢量，Yk(g)＝[yk1(g),yk2(g),L,ykP(g)](k＝1,2,L,S)为第g次迭代时的实际输出，dk＝[dk1,dk2,L,dkP](k＝1,2,L,S)为期望输出；以及，建立所述植物培育模型的步骤包括：步骤...

【专利技术属性】
技术研发人员：李太福，李家庆，陈实，周伟，吴凌，李晓亮，唐海红，白竣仁，杜明华，易军，
申请(专利权)人：重庆科技学院，
类型：发明
国别省市：重庆;50