一种基于智能数据采集与云服务技术的植物培育方法技术

本发明专利技术公开了一种基于智能数据采集与云服务技术的植物培育方法。包括：S1、采集植物生长指标、浇水量、施肥量、施肥类型，构成影响因素矩阵X，并上传至云服务器，其中决策变量为浇水量、施肥量、施肥类型；S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型；S3、利用MOPSO算法对植物培育模型进行优化，得到各决策变量的一组最优解以及该最优解对应的植物健康指数；S4、利用S3中模型对实时数据进行预测得到推荐决策X

【技术实现步骤摘要】
一种基于智能数据采集与云服务技术的植物培育方法
本专利技术涉及智能植物养培领域，具体涉及一种基于智能数据采集与云服务技术的植物培育方法。
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
本专利技术针对现有植物养培过程中因缺乏养培经验，无法掌控最优的养培方案而导致的营养不良或枯萎的问题，提供一种基于智能数据采集与云服务技术的植物培育方法。本专利技术的目的是这样实现的：一种基于智能数据采集与云服务技术的植物培育方法，包括如下步骤：S1、采集植物生长指标、浇水量、施肥量、施肥类型，构成影响因素矩阵X，并上传至云服务器，其中决策变量为浇水量、施肥量、施肥类型；S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型；S3、利用MOPSO算法对植物培育模型进行优化，得到各决策变量的一组最优解以及该最优解对应的植物健康指数；S4、利用S3中模型对实时数据进行预测得到推荐决策X*，并将X*下发至用户终端，在用户界面显示推荐最优的浇水量、施肥量、施肥类型，用户通过用户终端远程操作完成自动浇水、施肥。优选地，用户通过用户终端远程操作设备控制传感器完成自动浇水、施肥。所述设备采用现有的植物自动浇水、施肥设备，设备上具有控制浇水、施肥的控制传感器。所述设备同时能将浇水量、施肥量、施肥类型转换成数字信号并上传至云服务器。优选地，S1中，所述植物生长指标包括：植物种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度。优选地，所述植物生长指标中的植物种类、生长时期由用户输入并上传至云服务器，植物生长指标中的土壤湿度、土壤pH值、光照强度、环境温度、环境湿度由传感器测量并上传至云服务器。优选地，传感器测量方法为：包括传感器模块、采样电路，所述传感器模块包括温度传感器、湿度传感器、pH值传感器和光照强度传感器，用于采集植物生长指标中的土壤湿度、土壤pH值、光照强度、环境温度、环境湿度；所述采样电路与传感器模块连接，将传感器模块采集到的植物生长指标及浇水量、施肥类型转换成数字信号并上传至云服务器。优选地，S2中，综合植物养培用户和专家经验，确定植物的健康指数。S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型；优选地，S2中，利用Elman神经网络建立的植物培育模型中，Xk＝[xk1,xk2,…,xkM](k＝1,2,…,S)为输入矢量，S为训练样本个数，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),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出；建立植物培育模型包括如下步骤：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；S22、随机输入样本Xk；S23、对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；S24、根据期望输出dk和实际输出Yk(g)，计算误差E(g)；S25、判断误差E(g)是否满足要求，如不满足，则进入步骤S26，如满足，则进入步骤S29；S26、判断迭代次数g+1是否大于最大迭代次数，如大于，则进入步骤S29，否则，进入步骤S27；S27、对输入样本Xk反向计算每层神经元的局部梯度δ；S28、计算权值修正量ΔW，并修正权值；令g＝g+1，跳转至步骤S23；S29、判断是否完成所有的训练样本，如果是，则完成建模，否则，继续跳转至步骤S22。优选地，其特征在于，S3中，利用MOPSO算法对植物培育模型进行优化的方法包括以下步骤：S31、评价每个粒子的适应度，并根据优劣对个体最优值和全局最优值进行替换：S32、初始化系统参数，包括种群规模R，最大迭代次数T，随机生成n个粒子x1,x2，…,xn，加速因子c1、c2，其中c1为粒子向个体极值移动的加速权重，c2为粒子向全局最优值移动的加速权重，令外部存档集Q为空；S33、计算初始适应度，衡量粒子在当前位置的优化程度；S34、将每个粒子当前适应度pi和个体最优适应度进行比较，若当前适应度pi支配个体最优适应度则将当前适应度pi代替个体最优适应度否则，保留原有的个体最优适应度S35、更新外部存档集Q，将种群中所有的非支配集加入存档集Q，删除被支配的粒子；S36、利用拥挤机制和禁忌算法在外部存档集Q中随机选择一个粒子作为全局最优值；S37、更新粒子自身的速度和位置，其中粒子速度更新公式为：粒子的位置更新公式为：S38：判断当前全局最优解是否满足条件或者迭代次数是否达到最大迭代次数T，如果是，则输出当前全局最优解，否则，跳转至步骤S33进行重复计算，直到当前全局最优解满足条件或者迭代次数达到最大迭代次数T。优选地，S1中，还需采集植物图像，植物图像的采集方法为：包括视频模块，所述视频模块通过摄像头采集植物在当前时刻的枝叶特征，并将图像信息转换成数字信号并上传至云服务器。优选地，S4中，用户可以在移动终端上打开智能植物养培界面，界面显示该植物信息，所述植物信息包括植物图像、当前植物健康指数，用户可在界面设置理想的植物健康指数，由云服务器下发推荐浇水量、施肥量、施肥类型。由于采用了上述技术方案，本专利技术具有如下有益效果：本专利技术确定了植物培育浇水量、施肥量以及施肥类型的最优值，让用户随时随地都能了解植物当前状况，实现远程自动浇水、施肥。本专利技术利用Elman神经网络构建植物养培模型，Elman神经网络对于非线性系统的建模精度高，非常适合植物培育模型的建立。利用MOPSO算法优化植物培育模型，该算法不需要进行交叉、变异操作，因此编码过程简单，更新过程最优值记忆完整。将模型输出的浇水量、施肥量、施肥类型即时反馈给用户，为大数据时代的智能植物培育提供了一种新的思路。附图说明图1为本专利技术的方法框架图；图2为用户界面示意图；图3为健康指标预测结果图；图4为健康指标预测误差图图5为饥饿(缺水)程度预测结果图；图6为饥饿(缺水)程度预测误差图。具体实施方式本申请实施通过提供一种基于智能数据采集与云服务技术的植物培育方法，以解决现有技术中植物培育过程中因无法为植物提供良好的浇水量、施肥量和施肥类型而导致的植物健康问题。为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式，对上述技术方案进行详细的说明。实施例如图1所示，一种基于智能数据采集与云服务技术的植物培育方法，包括如下步骤：S1：利用植物智能传感器等硬件采集植物各项环境指标、植物图像、本文档来自技高网...

【技术保护点】
1.一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，包括如下步骤：S1、采集植物生长指标、浇水量、施肥量、施肥类型，构成影响因素矩阵X，并上传至云服务器，其中决策变量为浇水量、施肥量、施肥类型；S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型；S3、利用MOPSO算法对植物培育模型进行优化，得到各决策变量的一组最优解以及该最优解对应的植物健康指数；S4、利用S3中模型对实时数据进行预测得到推荐决策X*，并将X*下发至用户终端，在用户界面显示推荐最优的浇水量、施肥量、施肥类型，用户通过用户终端远程操作完成自动浇水、施肥。

【技术特征摘要】
1.一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，包括如下步骤：S1、采集植物生长指标、浇水量、施肥量、施肥类型，构成影响因素矩阵X，并上传至云服务器，其中决策变量为浇水量、施肥量、施肥类型；S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型；S3、利用MOPSO算法对植物培育模型进行优化，得到各决策变量的一组最优解以及该最优解对应的植物健康指数；S4、利用S3中模型对实时数据进行预测得到推荐决策X*，并将X*下发至用户终端，在用户界面显示推荐最优的浇水量、施肥量、施肥类型，用户通过用户终端远程操作完成自动浇水、施肥。2.根据权利要求1所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，S1中，所述植物生长指标包括：植物种类、生长时期、土壤湿度、土壤pH值、光照强度、环境温度、环境湿度。3.根据权利要求2所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，所述植物生长指标中的植物种类、生长时期由用户输入并上传至云服务器，植物生长指标中的土壤湿度、土壤pH值、光照强度、环境温度、环境湿度由传感器测量并上传至云服务器。4.根据权利要求3所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，传感器测量方法为：包括传感器模块、采样电路，所述传感器模块包括温度传感器、湿度传感器、pH值传感器和光照强度传感器，用于采集植物生长指标中的土壤湿度、土壤pH值、光照强度、环境温度、环境湿度；所述采样电路与传感器模块连接，将传感器模块采集到的植物生长指标及浇水量、施肥类型转换成数字信号并上传至云服务器。5.根据权利要求1所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，S2中，综合植物养培用户和专家经验，确定植物的健康指数。S2、确定植物的健康指数，构成指标矩阵Y，利用Elman神经网络进行训练、检验，并建立植物培育模型。6.根据权利要求1所述的一种基于智能数据采集与云服务技术的植物培育方法，其特征在于，S2中，利用Elman神经网络建立的植物培育模型中，Xk＝[xk1,xk2,…,xkM](k＝1,2,…,S)为输入矢量，S为训练样本个数，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),…,ykP(g)](k＝1,2,…,S)为第g次迭代时网络的实际输出，dk＝[dk1,dk2,…,dkP](k＝1,2,…,S)为期望输出；建立植物培育模型包括如下步骤：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；S22、随机输入样本Xk；S23、对输入样本Xk，前向计算神经网络每层神经元的输入信号和输出信号；S24、根据期望输出dk和实际输出Yk...

【专利技术属性】
技术研发人员：张志亮，管雪姿，乔榆玎，李家庆，向明刚，李太福，周伟，段棠少，尹蝶，
申请(专利权)人：重庆科技学院，重庆市凤鸣山中学，
类型：发明
国别省市：重庆,50