本發(fā)明涉及植物智能培育領(lǐng)域，具體涉及一種基于數(shù)據(jù)分析的植物智能培育方法及系統(tǒng)。

背景技術(shù)：

隨著國民經(jīng)濟的快速發(fā)展，盆栽植物作為一種增加居住舒適度的方式進入了千家萬戶。但由于大多數(shù)植物主人缺乏種植植物經(jīng)驗，使植物長期生長在亞健康的環(huán)境。另一方面，由于室內(nèi)空間有限，植物主人會根據(jù)自身情況要求植物有不同的茂密程度，避免空間浪費。

目前，亟需解決的問題是建立一套全面的植物培育模型，并將植物健康指標反饋給用戶，讓用戶能及時對植物培育方案做出調(diào)整。影響植物健康程度的各個因素之間往往體現(xiàn)出高度的復雜性和非線性，采用常規(guī)預測、分析方法存在一定難度。

技術(shù)實現(xiàn)要素：

本發(fā)明通過提供一種基于數(shù)據(jù)分析的植物智能培育方法及系統(tǒng)，以解決現(xiàn)有技術(shù)中植物培育過程中因無法為植物提供適宜的生長環(huán)境，而導致植物生長情況偏離預期指標的問題。

一方面，本發(fā)明提供的基于數(shù)據(jù)分析的植物智能培育方法，包括：

步驟S1：采集植物的種類、生長時期、土壤濕度、土壤pH值、光照強度、環(huán)境溫度、環(huán)境濕度、圖像、澆水量、施肥量、施肥類型并構(gòu)成影響因素矩陣X，并上傳至服務器；其中，澆水量、施肥量和施肥類型構(gòu)成決策變量；

步驟S2：在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立植物各影響因素矩陣X與植物健康指數(shù)之間的復雜非線性關(guān)系，獲得植物培育模型；

步驟S3：利用MOEA/D算法對植物培育模型進行優(yōu)化，獲得決策變量的一組最優(yōu)解；

步驟S4：將決策變量的該組最優(yōu)解作為植物的推薦決策X^*通過服務器下發(fā)至用戶的終端設備進行顯示；

步驟S5：用戶根據(jù)終端設備顯示的推薦決策培育植物。

另一方面，本發(fā)明提供的基于數(shù)據(jù)分析的植物智能培育系統(tǒng)，包括：

數(shù)據(jù)采集單元，用于采集植物的種類、生長時期、土壤濕度、土壤pH值、光照強度、環(huán)境溫度、環(huán)境濕度、圖像、澆水量、施肥量、施肥類型并構(gòu)成影響因素矩陣X，并上傳至服務器；其中，所述澆水量、所述施肥量和所述施肥類型構(gòu)成決策變量；

植物培育模型建立單元，用于在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立植物各影響因素矩陣X與植物健康指數(shù)之間的復雜非線性關(guān)系，獲得植物培育模型；

決策變量最優(yōu)解獲取單元，用于利用MOEA/D算法對植物培育模型進行優(yōu)化，獲得決策變量的一組最優(yōu)解，并將決策變量的該組最優(yōu)解作為植物的推薦決策X^*；

推薦決策顯示單元，用于通過服務器將植物的推薦決策X^*下發(fā)至用戶的終端設備進行顯示。

與現(xiàn)有技術(shù)相比，本發(fā)明提供的基于數(shù)據(jù)分析的植物智能培育方法及系統(tǒng)的優(yōu)點是：利用Elman神經(jīng)網(wǎng)絡建立植物培育模型，再利用MOEA/D算法優(yōu)化植物培育模型，確定了植物的澆水量、施肥量、施肥種類的最優(yōu)值，并即時反饋給用戶，讓用戶隨時隨地都能了解植物當前狀況，實現(xiàn)智能培育。

附圖說明

圖1為根據(jù)本發(fā)明實施例的基于數(shù)據(jù)分析的植物智能培育方法的流程示意圖；

圖2為根據(jù)本發(fā)明實施例的健康指數(shù)預測結(jié)果圖；

圖3為根據(jù)本發(fā)明實施例的健康指數(shù)預測誤差圖；

圖4為根據(jù)本發(fā)明實施例的用戶界面示意圖。

具體實施方式

圖1示出了根據(jù)本發(fā)明實施例的基于數(shù)據(jù)分析的植物智能培育方法的流程。

如圖1所示，本發(fā)明的基于數(shù)據(jù)分析的植物智能培育方法，包括：

步驟S1：采集植物的種類、生長時期、土壤濕度、土壤pH值、光照強度、環(huán)境溫度、環(huán)境濕度、圖像、澆水量、施肥量、施肥類型并構(gòu)成影響因素矩陣X，并上傳至服務器；其中，澆水量、施肥量和施肥類型構(gòu)成決策變量。

通過統(tǒng)計得到對植物的健康指數(shù)y₁影響最大的變量為：植物種類x₁、生長時期x₂、土壤濕度x₃、土壤pH值x₄、光照強度x₅、環(huán)境溫度x₆、環(huán)境濕度x₇、圖像x₈、澆水量x₉、施肥量x₁₀、施肥類型x₁₁，共11個變量；其中，土壤濕度x₃、土壤pH值x₄、光照強度x₅、環(huán)境溫度x₆、環(huán)境濕度x₇、圖像x₈由對應的傳感器測量數(shù)據(jù)，植物種類、生長時期為固有屬性，由用戶輸入，澆水量、施肥量、施肥類型為決策變量。

植物的環(huán)境溫度x₆通過溫度傳感器采集獲得；植物的土壤濕度x₃與環(huán)境濕度x₇通過濕度傳感器采集獲得；植物的光照強度x₅通過光照度傳感器采集獲得；植物的土壤pH值x₄通過土壤pH計采集獲得；利用采樣電路分別與溫度傳感器、濕度傳感器、光照度傳感器、土壤pH計進行連接，并將溫度傳感器、濕度傳感器、光照度傳感器、土壤pH計分別采集到的環(huán)境溫度、環(huán)境濕度、土壤濕度、光照強度、土壤PH值轉(zhuǎn)換成數(shù)字信號。

植物在當前時刻的特征圖像通過攝像頭采集獲得，攝像頭將圖像信息轉(zhuǎn)換成數(shù)字信號。

在本發(fā)明中，服務器優(yōu)選為云服務器。

步驟S2：在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立植物各影響因素矩陣X與植物健康指數(shù)之間的復雜非線性關(guān)系，獲得植物培育模型。

設置X_k＝[x_k1,x_k2,L,x_kM](k＝1,2,L,S)為輸入矢量，N為訓練樣本個數(shù)，

為第g次迭代時輸入層M與隱層I之間的權(quán)值矢量，W_JP(g)為第g次迭代時隱層J與輸出層P之間的權(quán)值矢量，W_JC(g)為第g次迭代時隱層J與承接層C之間的權(quán)值矢量Y_k(g)＝[y_k1(g),y_k2(g),L,y_kP(g)](k＝1,2,L,S)為第g次迭代時網(wǎng)絡的實際輸出，d_k＝[d_k1,d_k2,L,d_kP](k＝1,2,L,S)為期望輸出，迭代次數(shù)g為500。

在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立植物各影響因素矩陣X與植物健康指數(shù)之間的復雜非線性關(guān)系，獲得植物培育模型的過程，包括：

步驟S21：初始化，設迭代次數(shù)g初值為0，分別賦給W_MI(0)、W_JP(0)、W_JC(0)一個(0,1)區(qū)間的隨機值；

步驟S22：隨機輸入樣本X_k；

步驟S23：對輸入樣本X_k，前向計算Elman神經(jīng)網(wǎng)絡每層神經(jīng)元的實際輸出Y_k(g)；

步驟S24：根據(jù)期望輸出d_k和實際輸出Y_k(g)，計算誤差E(g)；

步驟S25：判斷誤差E(g)是否小于預設的誤差值，如果大于或等于，進入步驟S26，如果小于，則進入步驟S29；

步驟S26：判斷迭代次數(shù)g+1是否大于最大迭代次數(shù)，如果大于，進入步驟S29，否則，進入步驟S27；

步驟S27：對輸入樣本X_k反向計算Elman神經(jīng)網(wǎng)絡每層神經(jīng)元的局部梯度δ；

步驟S28：計算權(quán)值修正量ΔW，并修正權(quán)值；令g＝g+1，跳轉(zhuǎn)至步驟S23；

其中，ΔW_ij＝η·δ_ij，η為學習效率；W_ij(g+1)＝W_ij(g)+ΔW_ij(g)；

步驟S29：判斷是否完成所有樣本的訓練；如果是，完成建模；如果否，跳轉(zhuǎn)至步驟S22。

在Elman神經(jīng)網(wǎng)絡設計中，隱層節(jié)點數(shù)的多少是決定Elman神經(jīng)網(wǎng)絡模型好壞的關(guān)鍵，也是Elman神經(jīng)網(wǎng)絡設計中的難點，這里采用試湊法來確定隱層的節(jié)點數(shù)。

式中，p為隱層神經(jīng)元節(jié)點數(shù)，n為輸入層神經(jīng)元數(shù)，m為輸出層神經(jīng)元數(shù)，k為1-10之間的常數(shù)。Elman神經(jīng)網(wǎng)絡的設置參數(shù)如下表1所示。

表1 Elman神經(jīng)網(wǎng)絡設置參數(shù)

通過上述過程，可得到Elman神經(jīng)網(wǎng)絡預測效果如圖2、3所示。智能植物培育的基礎(chǔ)是模型的建立，模型精度直接影響輸出結(jié)果。通過對圖2、3分析可知，健康指數(shù)預最大測誤差為-3.5％，模型預測精度高，滿足建模要求。

步驟S3：利用MOEA/D算法(Multi-obiective Evolutionary Algorithm Basedon Decomposition，基于分解的多目標優(yōu)化算法)對植物培育模型進行優(yōu)化，獲得決策變量的一組最優(yōu)解。

獲得決策變量的一組最優(yōu)解，也就是獲得植物的澆水量、施肥量、施肥類型的一組最優(yōu)值。

利用MOEA/D算法對植物培育模型進行優(yōu)化的步驟包括：

步驟S31：初始化植物培育模型；其中，步驟S31包括：

步驟S311：將待優(yōu)化的多個目標分解為N個單目標，并對每個單目標賦予權(quán)重(λ₁,λ₂,…λ_N)；

步驟S312：計算任意兩個權(quán)重的歐式距離B(i)，對于每個i＝1，2，…N，令B(i)＝{i₁,i₂,…i_T}，則為距離權(quán)重向量λⁱ最近的T個權(quán)重；

步驟S313：初始化種群x¹L x^N的初始化目標函數(shù)最佳值z＝(z₁,...z_m)T，Z_i＝min{f_i(x¹)，...f_i(x^N)}，設置外部存檔EP為空；

步驟S32：對單個待優(yōu)化目標最優(yōu)值進行重復計算，每次產(chǎn)生的新向量更加接近多目標優(yōu)化的最優(yōu)值；

步驟S321：從B(i)中隨機選取兩個序列號為k和l的子向量，利用遺傳算子有x^k，x¹產(chǎn)生一個新的解y，并對解y利用基于測試問題的修復和改進啟發(fā)產(chǎn)生y'；

步驟S322：更新Z：對于j＝1，...m，如果Z_i＜f_j(y')，則令Z_i＝f_j(y')；

步驟S323：更新鄰域解：對于j∈B(i)，如果g^te(y'/λ^j，Z)≤g^te(x/λ^j，Z)，則令x^j＝y(tǒng)'，F(xiàn)V^j＝F(y^j)，其中g(shù)^te(x/λ^j,z)表示第j個子問題的目標函數(shù)，利用切比雪夫法將多目標優(yōu)化分解為N個標量優(yōu)化子問題，具體表達式為：

其中，F(xiàn)V為x的目標函數(shù)，F(xiàn)Vⁱ＝F(xⁱ)，F(xiàn)Vⁱ是xⁱ的F值；

步驟S324：更新外部存檔EP：從外部存檔EP中移出所有被F(y')支配的向量，加入所有不被支配的F(y')；

步驟S33：判斷迭代次數(shù)是否達到預設的上限，如果達到，則輸出外部存檔EP的值，并作為決策變量的一組最優(yōu)解；如果未達到，則返回步驟S32。

步驟S4：將決策變量的該組最優(yōu)解作為植物的推薦決策X^*通過服務器下發(fā)至用戶的終端設備進行顯示。

各類傳感器每2小時采集一次數(shù)據(jù)上傳至服務器，服務器接數(shù)據(jù)并通過植物培育模型給出植物當前推薦的澆水量、施肥量和施肥種類。

步驟S5：用戶根據(jù)終端設備顯示的推薦決策X^*培育植物。

用戶可以在終端設備上打開智能植物培育界面(如圖4所示)，界面顯示該植物的簡要信息，植物的簡要信息包括植物的圖像和當前健康指數(shù)，用戶可在界面設置植物的理想健康指數(shù)、理想，由服務器下發(fā)推薦澆水量、施肥量、施肥類型，用戶可通過手機遠程操作完成自動澆水、施肥。

植物的當前健康指數(shù)由基于MOEA/D算法對植物培育模型進行優(yōu)化得到，植物的當前健康指數(shù)與決策變量的一組最優(yōu)解相對應。

本發(fā)明提供的基于數(shù)據(jù)分析的植物智能培育方法，首先，利用傳感器、攝像頭等硬件采集植物指標參數(shù)、植物圖像、澆水量、施肥量、施肥類型，然后，將采集到的數(shù)據(jù)上傳至服務器進行存儲，在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立影響因素矩陣X與植物健康指數(shù)之間的復雜非線性關(guān)系，獲得植物培育模型，利用MOEA/D算法對植物培育模型進行優(yōu)化，得到各決策變量的一組最優(yōu)值，并將這組最優(yōu)解作為推薦決策下發(fā)至用戶的PC或APP終端，最后，用戶可根據(jù)推薦決策決定植物的澆水量、施肥量、施肥種類，實現(xiàn)遠程自動培育。該方法能夠確定最優(yōu)的植物培育方案，為植物營造了更好的生活環(huán)境。

與上述方法相對應，本發(fā)明提供一種基于數(shù)據(jù)分析的植物智能培育系統(tǒng)。

本發(fā)明提供的基于數(shù)據(jù)分析的植物智能培育系統(tǒng)，包括：

數(shù)據(jù)采集單元，用于采集植物的種類、生長時期、土壤濕度、土壤pH值、光照強度、環(huán)境溫度、環(huán)境濕度、圖像、澆水量、施肥量、施肥類型并構(gòu)成影響因素矩陣X，并上傳至服務器；其中，澆水量、施肥量和施肥類型構(gòu)成決策變量。數(shù)據(jù)采集單元采集數(shù)據(jù)的過程參考上述步驟S1。

植物培育模型建立單元，用于在服務器內(nèi)利用Elman神經(jīng)網(wǎng)絡建立植物各影響因素矩陣X與植物健康指數(shù)之間的復雜非線性關(guān)系，獲得植物培育模型。植物培育模型建立單元建立植物培育模型的具體過程參考上述步驟S2。

決策變量最優(yōu)解獲取單元，用于利用MOEA/D算法對植物培育模型進行優(yōu)化，獲得決策變量的一組最優(yōu)解，并將決策變量的該組最優(yōu)解作為植物的推薦決策X^*。決策變量最優(yōu)解獲取單元獲取決策變量最優(yōu)解的具體過程參考上述步驟S3。

推薦決策顯示單元，用于通過服務器將植物的推薦決策X^*下發(fā)至用戶的終端設備進行顯示。

用戶根據(jù)終端設備顯示的推薦決策對植物進行培育。

應當指出的是，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本技術(shù)領(lǐng)域的普通技術(shù)人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改性、添加或替換，也應屬于本發(fā)明的保護范圍。