一种基于植物日常数据分析与云技术的智能植物养培方法与流程

本发明涉及智能植物养培领域，具体涉及一种基于植物日常数据分析与云技术的智能植物养培方法。

背景技术：

随着国民经济的快速发展，养培观赏性的植物给人带来了无限的乐趣、丰富了生活、陶冶了情操。养培植物的优点也很多，如：装饰房间、净化空气、调节温度花香促进健康、视觉享受等。但如果仅仅使用缺乏科学依据的个人经验对植物进行养培，其不合理的养培方案可能会使植物营养不良或营养过剩导致黄化，都达不到我们预想的目标，间接造成大量的精力损失和金钱浪费。

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。

技术实现要素：

本发明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，提供一种基于植物日常数据分析与云技术的智能植物养培方法。

本发明的目的是这样实现的：

一种基于植物日常数据分析与云技术的智能植物养培方法，包括如下步骤：

s1、采集植物生长指标、施肥类型、浇水量，构成影响因素矩阵x，并上传至云服务器，其中决策变量为施肥类型、浇水量；

s2、确定植物健康指数、环境指数，构成指标矩阵y，利用grnn神经网络进行训练、检验，并建立植物养培模型；

s3、利用基于nsga-ⅱ算法对植物养培模型进行优化，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、环境指数；

s4、利用s3中模型对实时数据进行预测得到推荐决策变量x^*，并将推荐决策变量x^*下发至用户终端，在用户界面显示推荐最优的施肥类型、浇水量，用户可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、施肥类型转换成数字信号并上传至云服务器。当然，影响因素矩阵x也可以包括施肥量，所述设备同时能将施肥量转换成数字信号并上传至云服务器。

优选地，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，利用综合植物养培用户和专家经验，确定植物健康指数、环境指数。

优选地，s2中，利用grnn神经网络建立的植物养培模型方程式为：

其中，表示所有样本观测值yi的加权平均；yi表示观测值；x表示网络输入变量；xi表示第i个神经元对应的学习样本；σ表示网络扩展因子。

优选地，网络扩展因子的获取方法包括以下步骤：

s21、设置网络扩展因子的取值范围[σmin,σmax]，设置σ的取值间距δh；

s22、取σ0＝σmin，从影响因素矩阵x取样本集a作为训练样本，构建植物养培模型，剩余部分样本集b作为测试样本，利用建立的植物养培模型预测采样集b的所有估计值计算测试集b的预测值与实际值的误差e1，并令emin＝e1，令最佳训练样本集为样本集a；

s23、取σ0＝σmin，采用样本集b作为训练样本，构建植物养培模型，样本集a作为测试样本，利用建立的植物养培模型预测采样集a的所有估计值计算测试集a的预测值与实际值的误差e2，若e2＜e1，则并令emin＝e2，令最佳训练样本集为样本集b；否则emin＝e1，令最佳训练样本集仍为样本集a；

s24、取σ1＝σmin+δh，重复s22、s23，如果出现e小于s22或者s23中的emin，则σ1优于σ0；否则最佳的网络扩展因子取值仍为σ0；

s25、在[σmin,σmax]内取遍所有的σ值不断更新测试样本最小误差值、最佳训练样本集、最小扩展因子；取测试样本误差最小情况下的σ值、训练样本集为最优的σ值和训练样本集。

优选地，s3中，利用nsga-ⅱ算法对植物养培模型进行优化的方法包括以下步骤：

s31、初始化系统参数，包括物种规模n，最大遗传代数g，交叉概率p，变异概率q；

s32、将第t代产生的新物种qt与父代pt合并组成rt，物种大小为2n；若是第一代，则初始物种作为rt；

s33、对rt进行非支配排序，产生一系列非支配集zi并计算拥挤度以此产生新父代物种pt+1；

s34、对产生的新父代物种pt+1进行交叉、变异基本遗传操作得到子代物种qt+1；

s35、遗传代数加1，判断遗传代数是否达到最大遗传代数g，如果是，则输出当前全局最优解，否则跳转至步骤s32进行重复计算，直到遗传代数达到最大遗传代数g。

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、环境指数，用户可在界面设置植物的理想健康指数、理想环境指数，由云服务器下发推荐施肥类型、浇水量。

由于采用了上述技术方案，本发明具有如下有益效果：

本发明建立了一套全面的植物养培模型，并将植物生长指标、施肥浇水情况反馈给用户，让用户能及时对植物养培方案做出调整。本发明利用grnn神经网络构建植物养培模型，grnn神经网络对于非线性系统的建模精度高，非常适合植物养培模型的建立。本发明利用nsga-ⅱ算法优化植物养培模型，并将模型输出的施肥类型、浇水量即时反馈给用户，为大数据时代的智能植物养培提供了一种新的思路。

附图说明

图1为本发明的方法框架图；

图2为用户界面示意图；

图3为grnn网络结构图；

图4为健康指标预测结果图；

图5为健康指标预测误差图；

图6为土壤松紧程度预测结果图；

图7为土壤松紧预测误差图；

图8为枝叶数量指标预测结果图；

图9为枝叶数量指标预测误差图。

具体实施方式

本发明实施例通过提供一种基于植物日常数据分析与云技术的智能植物养培方法，以解决现有技术中植物养培过程中因无法为植物提供良好的浇水量、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，一种基于植物日常数据分析与云技术的智能植物养培方法，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生长指标、采集植物图像、施肥类型、浇水量，并构成影响因素矩阵x上传至云服务器，其中决策变量为施肥类型、浇水量。

s2：综合养培植物用户和专家经验，确定植物健康指数、环境指数的样本为指标矩阵y，利用grnn神经网络进行训练、检验，建立植物养培模型；

步骤s21：构建grnn模型。采取交叉验证的方式将上述采集的样本分成a、b子集。若采用a作为训练样本，b作为测试样本。则利用样本集a归一化的样本集为构建grnn模型，图3示出了grnn模型的结构。

步骤s22：构建的grnn模型方程式如下，式中σ为网络扩展因子，为需要训练确定变量，na为样本集a的样本数量。

其中，表示所有样本观测值yi的加权平均；yi表示观测值；x网络输入变量；xi表示第i个神经元对应的学习样本；σ表示网络扩展因子。

在步骤s22中，训练扩展因子σ。其训练过程如下：

(1)设置网络扩展因子的取值范围[σmin,σmax]，设置σ的取值间距δh；

(2)取σ0＝σmin，采用样本集a作为训练样本构建grnn模型，b作为测试样本，利用建立的grnn模型预测采样集b的所有估计值计算测试集b的预测值与实际值的误差e1，并令emin＝e1，令最佳训练样本集为a；

(3)取σ0＝σmin，采用样本集b作为训练样本grnn模型，a作为测试样本，利用建立的grnn模型预测采样集a的所有估计值计算测试集a的预测值与实际值的误差e2，若e2＜e1，则并令emin＝e2，令最佳训练样本集为b；否则emin＝e1，最佳训练样本集仍为a；

(4)取σ1＝σmin+δh，重复第二步和第三步过程，如果出现e小于第二步或者第三步中的emin，则σ1优于σ0；否则最佳的网络扩展因子取值仍为σ0。

(5)在[σmin,σmax]内取遍所有的σ值不断更新测试样本最小误差值、最佳训练样本集、最小扩展因子；取测试样本误差最小情况下的σ值、训练样本集为最优的σ值和训练样本集。

具体地，在步骤s22中，采用grnn模型对通过转炉模拟训练所得数据进行建模,通过循环计算，设置网络拓展因子的变化范围为：0.1～2，步长为0.02，通过反复训练得到desired_spread(最佳扩展常数)值为1.38。

s3:利用基于nsga-ⅱ算法对植物养培模型进行优化，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、环境指数；

步骤s31：初始化系统参数，包括物种规模n，最大遗传代数g，交叉概率p，变异概率q；

步骤s32：将第t代产生的新物种qt与父代pt合并组成rt，物种大小为2n；若是第一代，则初始物种作为rt。

步骤s33：对rt进行非支配排序，产生一系列非支配集zi并计算拥挤度以此产生新父代物种pt+1；

步骤s34：对产生的新父代物种pt+1进行交叉、变异基本遗传操作得到子代物种qt+1；

步骤s35：遗传代数加1，判断遗传代数是否达到最大遗传代数g，如果是，则输出当前全局最优解，否则跳转至步骤s32进行重复计算，直到遗传代数达到最大遗传代数g。

其中，在步骤s33的具体做法如下：

(1)用适应度函数对初始物种所有样本进行评价，判断其相互支配关系。用d(i).n表示支配第i个样本的个体数量，d(i).p表示被第i个样本支配的个体集合；若样本i支配j，则将样本j放入d(i).p集合，d(j).n的值加1；依次操作，可得出所有样本d(i).n与d(i).p信息；

(2)对所有样本进行非支配排序：找出所有d(i).n值为0的样本，即该类样本不被其他个体支配，放入非支配层第一层。接着将d(i).n值为1的样本放入非支配层第二层，依次操作，最终可以将所有样本放入不同非支配层层数；同一层数内的样本共享相同的虚拟适应度值，级数越小，虚拟适应度值越低，该层内样本越优，将层数按从小到大排序；

(3)由于每一层内所有样本共享同一虚拟适应度值，当需要在同一层内选择更优样本时，计算其拥挤度。每个点的拥挤度id初始值置为0；针对每个目标，对物种进行非支配排序，令边界的两个样本拥挤度为无穷，即od＝id＝∞；对其他样本进行拥挤度的计算：

其中，id表示i点的拥挤度，fjⁱ⁺¹表示i+1点的第j个目标函数值，fj^i-1表示i-1点的第j个目标函数值；

(4)经过快速非支配排序和拥挤度计算之后，物种中的每个样本i都拥有两个属性：非支配排序决定的非支配序irank和拥挤度id。依据这两个属性，可以定义拥挤度比较算子：样本i与另一个样本j进行比较，只要下面任意一个条件成立，则样本i获胜。如果样本i所处非支配层优于样本j所处的非支配层，即irank＜jrank，如果他们有相同的等级，且样本i比样本j有一个更大的拥挤距离，即irank＝jrank且id＞jd；

(5)由于子代和父代样本都包含在rt中，则经过非支配排序以后的非支配集z1中包含的样本是rt中最好的，所以先将z1放入新的父代物种pt+1中。如果pt+1的大小小于n，则继续向pt+1中填充下一级非支配集z2，直到添加z3时，物种的大小超出n，对z3中的样本使用拥挤度比较算子，取前{num(z3)-(num(pt+1)-n)}个样本，使pt+1样本数量达到n；

其中，在步骤s34的具体做法如下：

(1)将群体pt+1内的各个样本随机搭配成对，对每一对样本，生成一个随机数，若小于交叉概率p，则交换它们之间的部分染色体；

(2)对群体pt+1中的每一个样本，生成一个随机数，若小于变异概率q，则改变某一个或某一些基因座上的基因值为其他基因值；

s4：利用s3中模型对实时数据进行预测得到推荐决策x^*(施肥类型、浇水量)，并将x^*下发至用户终端，在用户界面显示推荐最优的施肥类型、浇水量，并可通过手机远程操作完成自动养培。

与现有技术相比，本申请提供的技术方案，具有的技术效果或优点是：该方法确定了植物浇水量、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。

传感器每2小时采集一次数据上传至云服务器，云服务器接数据并通过模型给出当前推荐浇水量、施肥类型分别为35、2。

本申请的上述实施例中，通过提供一种基于植物日常数据分析与云技术的智能植物养培方法，首先，利用传感器、摄像头等硬件采集植物坏境指标参数、植物图像、浇水量、施肥类型，然后，将采集到的数据上传至云服务器进行存储，利用nsga-ⅱ算法建立植物养培模型,得到各决策变量的一组最优值，并将这组最优解作为推荐决策下发至用户的pc或app终端，最后，用户可根据推荐策略和自身经验决定植物的浇水量、施肥类型，实现远程自动浇水、施肥。该方法能够确定最优的植物养培方案，为植物营造了更好的生活环境。

最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。