一种种植作物用生物光照调控系统的制作方法

本发明涉及作物光照调控划领域，更具体地说，它涉及一种种植作物用生物光照调控系统。

背景技术：

1、复杂的天气事件增加了农业生产的复杂性，如旱涝灾害、高温热浪等，对农作物的生长产生了巨大影响。随着现代化农业大棚的普及，为高值经济作物的规模化种植提供了可能，由于需光性对高值经济作物生长环境的要求极为特殊，尤其是光照条件。

2、一些光照系统往往缺乏灵活性和针对性，无法满足作物在不同生长阶段定制化的特定光照需求，而且作物生长受多种因素共同影响，光照会对作物中各种激素或者光和效率、病虫害以及其他情况造成关联影响，这就导致在对大棚内作物的光照进行调控时，要对多项关联影响数据进行处理，另外，因素极多且海量的数据不仅使分析的工作量大且精度有限，不同影响因素之间的关系也不明确，都制约了光照调控的精确性和处理效率，不利于调控过程中的智能化和自动化，这限制了经济作物产量和品质的提升，且传统的光照系统常常能耗较高，无法满足节能和环保的要求。因此，开发能够在受控环境中进行高效的光照调控技术，对于高值经济作物的生长显得尤为重要。

技术实现思路

1、针对现有技术存在的问题，本发明的目的在于提供一种种植作物用生物光照调控系统，实现作物所需光照的精准和智能化调控。

2、为实现上述目的，本发明提供了如下技术方案：一种种植作物用生物光照调控系统，所述种植作物用生物光照调控系统包括：

3、样本存储模块，用于存储历史周期时间内作物的生长评估数据和所对应的环境生长数据、调控光照数据以及各个关联数据；

4、数据采集模块，数据采集模块用于采集上一周期时间和当前周期时间内作物的生长评估数据和环境生长数据；

5、数据处理模块，包括优化rbf学习神经网络和优化改进pso算法学习模型，优化rbf学习神经网络用于环境生长数据中光合效果值和激素相用系数获取，优化改进pso算法学习模型用于调控光照数据的生成；

6、调整模块，根据优化改进pso算法学习模型输出的调控光照数据对当前周期时间内的光照状态进行调控。

7、优选的，所述生长评估数据包括受作物光合效果值、激素相用系数和品相质量值的共同影响；

8、光合效果值和激素相用系数由rbf学习神经网络获取；

9、品相质量值由植株高度、叶片颜色评估系数、叶片完整度和病虫害并发影响值共同影响；

10、植株高度由高度测量仪获取，叶片颜色评估系数和叶片完整度根据目测深度法基于预先设定的颜色评测标准和完整度评测标准进行测量，病虫害并发影响值由管理人员根据预先设定的病虫害并发影响标准进行测定。

11、优选的，所述生长评估数据定义为：

12、

13、其中，vg为作物的光合效果值，a为常数，由管理人员根据实际情况进行设定，α、β、δ和ε为调整系数，由管理人员根据实际情况进行设定，js表示作物的激素相用系数，wg表示作物的品相质量值。

14、4.根据权利要求3所述的一种种植作物用生物光照调控系统，其特征在于，所述所述品相质量值定义为：

15、

16、h为作物的植株高度，bc为病虫害并发影响值，ys为叶片颜色评估系数，yz为叶片完整度，a为常数，ω、μ、κ和γ为调整系数。

17、优选的，所述光合效果值和激素相用系数由rbf学习神经网络获取过程包括：

18、构建rbf学习神经网络框架，设定输入层和输出层的节点数量为m，每个输入节点都与对应的基函数相连接；设定隐藏层为m层，且基函数为高斯函数：定义激活函数relu计算每个节点的激活值；

19、获取样本集，设定一组样本组包括光合效果值vg和激素相用系数js对应的叶绿素荧光值yl和特征生长素系数ts，并对通过k均值算法将样本集划分为k簇，且每簇包括有多个样本组，对光合效果值vg和激素相用系数js对应的叶绿素荧光值yl和特征生长素系数ts进行归一化处理，设定样本组x＝(yl,ts,vg,js)；

20、叶绿素荧光值通过叶绿素荧光测量仪器测定，特征生长素系数通过elisa生化分析方法检测，并根据预设的生长素定量标准进行获取；

21、设定样本组x＝(yl,ts,vg,js)中，yl、ts为rbf学习神经网络输入，vg、js为rbf学习神经网络输出，将x＝[x1,......,xm]t导入rbf学习神经网络中；

22、设定损失函数为平均绝对误差；

23、将样本集内的k簇分实验集和验证集，且将实验集中每簇按批次的输入初始rbf学习神经网络中,前向传播并计算损失函数；反向传播更新rbf学习神经网络的参数；直到所有批次均导入完成且损失函数不在变化时，将验证集输入训练后的rbf学习神经网络中进行验证，若损失函数在允许范围内则训练完成，则得到训练好的rbf学习神经网络，记为优化rbf学习神经网络，若损失函数不在允许范围内则继续训练，直到损失函数在允许范围内时停止。

24、优选的，所述环境生长数据包括空气湿度sd、氧气含量ho和空气温度ks，空气湿度由湿度传感器获取，氧气含量由氧气传感器测量获得，空气温度由温度传感器测量获得；

25、环境生长数据定义为：

26、

27、其中，k1、k2、k3、k4和k5为调整系数。

28、优选的，所述调控光照数据ts包括interlight单元和toplight单元，且interlight单元和toplight单元分别包括光强指数、光质标签和光作周期，光强指数通过光强传感器获取，光质标签由管理人员或者读数器获取，光作周期由计时器获取。

29、优选的，所述所述样本数据构建的三元组集合向量具体包括：

30、定义三元组集合向量的向量维度为p；将生长评估数据采用one-hot编码,映射为长度为m1的0-1向量；将环境生长数据采用one-hot编码,映射为长度为m2的0-1向量；将调控光照数据采用one-hot编码,映射为长度为m3的0-1向量；构建三元组集合向量的向量sy＝[sz,hs,ts],其维度p＝m1+m2+m3。

31、优选的，所述改进pso算法学习模型的训练过程包括：

32、设定三元组集合向量sy＝[sz,hs,ts]中sz和hs为一个粒子，每个粒子的位置表示一个可能的调控光照数据ts，速率表示粒子在搜索空间中的移动方向和速度，使用均匀分布初始化每个粒子的位置和速率，且每个粒子初始化适应度值为∞；

33、对于每一个粒子的位置计算适应度值，设定适应度值函数为：

34、fitness＝max(sz)；

35、对于每个粒子更新其个体最佳位置pbest和全局最佳位置gbest；

36、根据惯性权重w、加速率系数d1和d2，以及随机因子h1和h2，更新每个粒子的速率和位置；

37、每个粒子的速率更新规则为：

38、v(t+1)＝w×v(t)+d1×h1×(pbest-z(t))+d2×h2×(gbest-z(t))；

39、其中，v(t)是粒子在时刻t的速率；z(t)是粒子在时刻t的位置，h1和h2是[0，1]范围内的随机数，d1和d2为正数且d1＝d2；

40、每个粒子的位置更新规则为：

41、z(t+1)＝z(t)+v(t+1)；

42、设置损失函数为交叉熵损失函数：

43、

44、其中，tse为第e次训练真实对应的调控光照数据；是第e次训练预测输出的调控光照数据，n为输入的数据向量个数；

45、获取样本数据中足够多三元组集合向量组成范例集，设定范例集中三元组集合向量为n个，将三元组集合向量导入改进pso算法学习模型中，设定生长评估数据sz和环境生长数据hs为输入，调控光照数据ts为输出，根据交叉熵损失函数反向传播更新参数，当交叉熵损失函数数值不再下降时提前停止训练，重复前向传播和反向传播的过程，直至将n个三元组集合向量依次导入，得到训练完成的改进pso算法学习模型，记为优化改进pso算法学习模型。

46、优选的，所述惯性权重w函数为：

47、

48、其中，l1为当前迭代次数，l2为最大迭代次数；

49、且设定每个粒子更新速率和位置的约束条件为：

50、

51、其中，hg为转换系数，j和q为调整系数，jg为当日电价，当日电价jg从电网中心获取。

52、与现有技术相比，本发明具备以下有益效果：

53、本发明结合生物光学技术和大数据分析进行光照调控系统设计。这一系统的核心是生物种植大棚内配备了精准的环境监测传感器和基于大模型的智能控制算法，通过对种植大棚内各个生长关联数据的收集，把握光照精确调控的风向，该系统能够优化作物种植生长过程，并提供更加精确和可调节的光照环境，提高数据处理效率，在考虑多项关联因素的同时，对采集到的数据进行快速的参与处理，不仅能够预测光照调控数据，实现动态调整，确保光照系统稳定可靠的满足作物生长需求；多源异构数据的深度融合和应用，实现了对系统当前状态和发展趋势的准确把握；各个模块协同工作，相互支撑，增强系统的整体感知、分析和决策能力；同时确保能效和环境友好，提高作物质量和经济效益。促进农业向更加可持续、智能化的方向发展。