[发明专利]一种基于人工智能的植物生长自反馈学习培育方法

说明书

本发明涉及一种基于人工智能的植物生长自反馈学习培育方法，连续采集植物生长各阶段的二维及三维图像，并连续采集植物生长环境数据；之后将所采集的二维及三维图像输入植物长势模型，对植物长势模型进行优化，以及获得当前的植物生长状况数据；与此同时，根据所获得的当前的植物生长状况数据，基于设定的植物生长参数配置各植物培育箱内植物生长各阶段的生长环境；以及基于上述获得的植物生长状况数据、植物生长环境数据，对分类算法训练，获得生产参数调优模型和调优生长参数。在经过多次迭代后获得最佳的植物生长参数。该方法能够将植物从种植初始小苗阶段开始到开花结果进行实时统计和分析，并现自动以自反馈的方式进行植物生长研究。

技术领域

本发明涉及人工智能和植物培育技术领域，尤其涉及一种基于人工智能的植物生长自反馈学习培育方法。

背景技术

随着人工智能深度技术的迅速发展，深度神经网络，卷积神经网络在图像识别的领域里取得了显著的发展和长足的进步。近年来，深度学习的技术在图像识别上有了多种多样的应用，比如在ImageNet等人工智能领域图像识别的竞赛和数据集，更催生了对图像识别十分有效的神经网络结构的设计，更促进了与机械学习众多理论、技术和方法的发展和诞生。

当前，虽然在植物培育技术领域内已经开始引入了人工智能控制，但一定程度上仍然依赖于设定的数据。即目前结合人工智能进行植物培育还停留在进行设定好的“数据”阶段，在“执行数据”和“取得决策”阶段还必须先行设定，再由各种传感设备去执行。由此可知，这仅仅是处于执行数据和记录数据阶段的流程，无法为植物栽培技术上提供更多更有效的栽培决策方案，特别是在众多植物的品种上及工厂化智能种植的应用中。

鉴于此，提供一种解决上述技术问题的方案，已经是本发明技术领域所亟需关注的。

发明内容

本发明实施例的目的是针对现有技术结构上的缺点，提出一种基于人工智能的植物生长自反馈学习培育方法和系统，在受控的环境下采用植物的叶片、植株、花、果的图像结构对植物生长状态进行判断，克服了现有的植物器官识别过程中，由于采用人工的方式进行植物识别所导致的识别效率低下及误差的问题，通过卷积神经网络的算法建模，可以精准识别植物生长状态，并依此来对设定的生产参数数据进行更精准的数据调节，给予最优的不同生长环境参数。

为了达到上述发明目的，本发明实施例提出的一种基于人工智能的植物生长自反馈学习培育方法是通过以下技术方案实现的:

一种基于人工智能的植物生长自反馈学习培育方法，其特征在于，包括如下步骤：

S1：配置具有多个独立的植物培育箱的培育系统；

以及，采集待培育植物现有的优选生长参数数据；所述优选生长参数包括待培育植物在生长各阶段的光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、营养液配比、养液喷洒周期；

以及，采集植物各个生长周期的图像数据样本集，并基于所述图像数据样本集对自反馈算法训练，得到植物长势模型；

S2：在所述培育系统内培育植物；

基于当前迭代轮次，根据所述的优选生长参数数据设定随机参数范围，设定各植物培育箱的植物各生长阶段的生长参数；同时根据下述步骤S21中所获得的当前的植物生长状况数据确定当前植物生长阶段，从而配置各植物培育箱内植物生长各阶段的生长环境；

并在培育植物的完整生长周期中：

S21：周期性的采集各植物培育箱内的植物在生长各阶段的二维及三维的图像，并分别标记所述图像的拍摄时间；实时将所采集的二维及三维图像输入所述植物长势模型，对所述植物长势模型进行优化，以及获得当前植物生长状况数据以及预测植物生长数据；