【技术实现步骤摘要】
一种基于类脑超维计算的智慧农业监控方法
[0001]本专利技术涉及物联网智能监控
，具体为一种基于类脑超维计算的智慧农业监控方法。
技术介绍
[0002]传统农业对农作物的浇水、施肥、打药全凭农民个人的经验和感觉，无法精准控制用量，农民对于瓜果蔬菜何时需要浇水、施肥、打药和增加营养，怎样保持精确农业大棚中的温度、湿度、光照、二氧化碳浓度，如何实行按需供给等问题无法准确把握，导致浇水、施肥、打药过量或不够，最终会影响到农作物的产量和质量。
[0003]为了降低黄瓜等大棚农作物种植难度，需要利用农业智能化监控系统对黄瓜等农作物生长状态进行监测，并对大棚内部环境进行自动调节。但是现有的各类农业智能化监控系统一般都基于深度神经网络的机器学习算法，由于庞大的参数量、复杂的浮点数迭代运算和大规模的模型结构，对硬件性能要求很高，训练耗时且复杂，训练出来的算法模型所需的存储空间较大，只能在云端大型服务器上进行训练、在本地大型服务器上进行推理，无法在单片机上进行本地学习和预测，因为端
‑
边
‑
...
【技术保护点】
【技术特征摘要】
1.一种基于类脑超维计算的智慧农业监控方法，其特征在于，其基于具有传感器侧部署子系统、边缘侧部署子系统和控制器侧部署子系统的基于类脑超维计算的智慧农业监控系统，其包括：步骤S1：执行上行监测流程，包括：步骤S11：利用传感器侧部署子系统的设备应用层来驱动各类传感器采集植物特征数据及环境特征数据；步骤S12：把植物特征数据及环境特征数据从传感器侧部署子系统的设备应用层传输到边缘侧部署子系统的设备应用层；步骤S13：利用边缘侧部署子系统的设备应用层来检测其类脑智能层处于分析训练状态还是控制执行状态；如果检测到类脑智能层处于分析训练状态，则把植物特征数据及环境特征数据发往类脑智能层的类脑智能分析训练器，如果检测到类脑智能层处于控制执行状态，则把植物特征数据及环境特征数据发往类脑智能层的类脑智能执行器；步骤S2：边缘侧部署子系统利用其类脑智能分析训练器和物理层的类脑记忆存储器基于超维向量计算方法来执行分析训练流程；步骤S3：边缘侧部署子系统在分析训练流程执行完成后，利用其类脑智能执行器和物理层的类脑记忆存储器基于超维向量计算方法得到设备控制指令并发送给控制侧部署子系统的设备应用层，由控制侧部署子系统的设备应用层执行设备控制指令。2.根据权利要求1所述的基于类脑超维计算的智慧农业监控方法，其特征在于，所述步骤S12还包括：利用边缘侧部署子系统的设备应用层进行数据预处理。3.根据权利要求1所述的基于类脑超维计算的智慧农业监控方法，其特征在于，在所述步骤S12中，利用传感器侧部署子系统的分布层、基础层和物理层，把植物特征数据及环境特征数据从传感器侧部署子系统的设备应用层传输到边缘侧部署子系统的设备应用层。4.根据权利要求1所述的基于类脑超维计算的智慧农业监控方法，其特征在于，所述步骤S2具体包括：步骤S21：边缘侧部署子系统的类脑智能层的类脑智能分析训练器把多批次采集的植物特征数据及环境特征数据编码为超维向量后，在边缘侧部署子系统的物理层的类脑记忆存储器上进行智能训练，得到训练结果；步骤S22：将训练结果以超维向量形式存储到边缘侧部署子系统的物理层的类脑记忆存储器中，从而对类脑记忆存储器中已存储的训练结果进行更新。5.根据权利要求4所述的基于类脑超维计算的智慧农业监控方法，其特征在于，所述步骤S21具体包括：步骤S211：利用类脑智能层的类脑智能分析训练器收集多批次采集的植物特征数据及环境特征数据作为训练样本数据，每一种训练样本数据作为一种向量元素，并设置对应的超维向量标签；步骤S212：判断训练样本数据是否为图像类训练数据，若是，则通过卷积神经网络或脉冲神经网络提取图像类特征，随后执行步骤S213，否则，直接执行步骤S213；步骤S213：对多批次采集的训练样本数据进行特征聚类、完成图像特征的一维化和特征二值化；步骤S214：按植物的发芽阶段、幼苗阶段、初花阶段和结果阶段对所有的向量元素进行
特征分类并分别进行向量组装，以得到组装的第一超维向量HV1
’
～组装的第四超维向量HV4
’
；步骤S215：将组装的第一至第四超维向量HV1
’
～HV4
’
与边缘侧部署子系统的物理层的类脑记忆存储器中已存储的第一至第四超维向量HV1～HV4作超维向量相加，得到的训练结果为新的第一至第四超维向量HV1”～HV4”；在所述步骤S22中，已存储的训练结果包括已存储的第一至第四超维向量HVl～HV4，其中，第一超维向量对应于植物的发芽阶段，第...
【专利技术属性】
技术研发人员：周明拓，郁春波，李剑，贺文，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。