本發明涉及種植
技術領域：
，特別是涉及一種基于種植設備的病蟲害預測方法及裝置。
背景技術：
：隨著科學技術的發展進步，種植箱、種植大棚等種植設備逐漸增多。種植箱多數應用于小型蔬菜植物的種植，不僅可以用于家庭裝飾，還可以達到娛樂及親子教育的目的。種植大棚多數應用于大規模蔬菜植物的種植，可以為用戶創造經濟效益。在種植設備中生長的植物，如果維護不當，難免會遭受病蟲害。一旦種植設備中植物遭受病蟲害，將給用戶帶來較大損失。所以，如何預測植物下一生長階段是否會發生病蟲害，是目前亟需解決的技術問題。技術實現要素：本發明的目的是提供一種基于種植設備的病蟲害預測方法及裝置，以對目標植物在下一生長階段是否會發生病蟲害進行較為準確的預測，便于種植設備或者用戶及時采取相關措施，減小病蟲害帶來的損失，提升用戶體驗。為解決上述技術問題，本發明提供如下技術方案：一種基于種植設備的病蟲害預測方法，包括：確定在種植設備內生長的待預測病蟲害的目標植物；獲得所述目標植物的生長環境數據；對所述生長環境數據進行分析，確定影響所述目標植物發生病蟲害的影響維度信息；根據所述目標植物的影響維度信息和預先建立的病蟲害預測模型，預測所述目標植物在下一生長階段是否會發生病蟲害；其中，通過以下步驟預先建立所述病蟲害預測模型：獲得與所述目標植物的種類相同的植物的多組病蟲害樣本數據；根據獲得的病蟲害樣本數據，構建訓練集，所述訓練集中的每組數據包含病蟲害實際發生結果及該病蟲害實際發生結果對應的植物生長過程中的影響維度信息；使用所述訓練集進行機器學習，建立所述病蟲害預測模型。在本發明的一種具體實施方式中，所述使用所述訓練集進行機器學習，建立所述病蟲害預測模型，包括：使用所述訓練集進行機器學習，建立初始病蟲害預測模型；根據所述訓練集中的影響維度信息和所述初始病蟲害預測模型，確定所述訓練集中每組影響維度信息對應的病蟲害測試結果；將所述訓練集中每組影響維度信息對應的病蟲害測試結果與相應的病蟲害實際發生結果進行比較，計算誤差值；如果所述誤差值不大于設定閾值，則將所述初始病蟲害預測模型確定為所述病蟲害預測模型；如果所述誤差值大于所述設定閾值，則擴大所述訓練集，重復執行所述使用所述訓練集進行機器學習的步驟，直至所述誤差值不大于所述設定閾值，獲得所述病蟲害預測模型。在本發明的一種具體實施方式中，所述根據所述目標植物的影響維度信息和預先建立的病蟲害預測模型，預測所述目標植物在下一生長階段是否會發生病蟲害，包括：將所述目標植物的影響維度信息輸入到預先建立的病蟲害預測模型中，采用邏輯回歸算法預測所述目標植物在下一生長階段是否會發生病蟲害。在本發明的一種具體實施方式中，還包括：如果預測所述目標植物在下一生長階段會發生病蟲害，則輸出病蟲害預警信息。在本發明的一種具體實施方式中，所述輸出病蟲害預警信息，包括：將病蟲害預警信息發送給所述種植設備，以使所述種植設備根據設定的預案調整相應的環境參數。一種基于種植設備的病蟲害預測裝置，包括：目標植物確定模塊，用于確定在種植設備內生長的待預測病蟲害的目標植物；生長環境數據獲得模塊，用于獲得所述目標植物的生長環境數據；影響維度信息確定模塊，用于對所述生長環境數據進行分析，確定影響所述目標植物發生病蟲害的影響維度信息；病蟲害預測模塊，用于根據所述目標植物的影響維度信息和預先建立的病蟲害預測模型，預測所述目標植物在下一生長階段是否會發生病蟲害；病蟲害預測模型建立模塊，用于通過以下步驟預先建立所述病蟲害預測模型：獲得與所述目標植物的種類相同的植物的多組病蟲害樣本數據；根據獲得的病蟲害樣本數據，構建訓練集，所述訓練集中的每組數據包含病蟲害實際發生結果及該病蟲害實際發生結果對應的植物生長過程中的影響維度信息；使用所述訓練集進行機器學習，建立所述病蟲害預測模型。在本發明的一種具體實施方式中，所述病蟲害預測模型建立模塊，具體用于：使用所述訓練集進行機器學習，建立初始病蟲害預測模型；根據所述訓練集中的影響維度信息和所述初始病蟲害預測模型，確定所述訓練集中每組影響維度信息對應的病蟲害測試結果；將所述訓練集中每組影響維度信息對應的病蟲害測試結果與相應的病蟲害實際發生結果進行比較，計算誤差值；如果所述誤差值不大于設定閾值，則將所述初始病蟲害預測模型確定為所述病蟲害預測模型；如果所述誤差值大于所述設定閾值，則擴大所述訓練集，重復執行所述使用所述訓練集進行機器學習的步驟，直至所述誤差值不大于所述設定閾值，獲得所述病蟲害預測模型。在本發明的一種具體實施方式中，所述病蟲害預測模塊，具體用于：將所述目標植物的影響維度信息輸入到預先建立的病蟲害預測模型中，采用邏輯回歸算法預測所述目標植物在下一生長階段是否會發生病蟲害。在本發明的一種具體實施方式中，還包括預警信息輸出模塊，用于：在預測所述目標植物在下一生長階段會發生病蟲害時，輸出病蟲害預警信息。在本發明的一種具體實施方式中，所述預警信息輸出模塊，具體用于：將病蟲害預警信息發送給所述種植設備，以使所述種植設備根據設定的預案調整相應的環境參數。本發明實施例所提供的技術方案，通過機器學習預先建立病蟲害預測模型，確定在種植設備內生長的待預測病蟲害的目標植物后，可以獲得目標植物的生長環境數據，并對生長環境數據進行分析，確定影響目標植物發生病蟲害的影響維度信息，根據目標植物的影響維度信息與預先建立的病蟲害預測模型，可以預測目標植物在下一生長階段是否會發生病蟲害。應用本發明實施例所提供的技術方案，可以對目標植物在下一生長階段是否會發生病蟲害進行較為準確的預測，便于種植設備或者用戶及時采取相關措施，減小病蟲害帶來的損失，提升用戶體驗。附圖說明為了更清楚地說明本發明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發明的一些實施例，對于本領域普通技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1為本發明實施例中一種基于種植設備的病蟲害預測方法的實施流程圖；圖2為本發明實施例中一種基于種植設備的病蟲害預測裝置的結構示意圖。具體實施方式為了使本
技術領域：
的人員更好地理解本發明方案，下面結合附圖和具體實施方式對本發明作進一步的詳細說明。顯然，所描述的實施例僅僅是本發明一部分實施例，而不是全部的實施例。基于本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本發明保護的范圍。參見圖1所示，為本發明實施例所提供的一種基于種植設備的病蟲害預測方法的實施流程圖，該方法可以包括以下步驟：S110：確定在種植設備內生長的待預測病蟲害的目標植物。在本發明實施例中，目標植物為在種植箱、種植大棚等種植設備中生長的植物，可能正處于某個生長階段。在實際應用中，目標植物在生長過程中，受其所處的環境條件的影響，可能會遭受病蟲害。如果用戶或者種植設備能夠提前獲知目標植物在下一生長階段是否會發生病蟲害，則有助于用戶或者種植設備提前采取相應措施，如調整環境參數等，減小病蟲害帶來的損失。針對目標植物的病蟲害的預測需求，應用本發明實施例所提供的技術方案，可以預測目標植物在下一生長階段是否會發生病蟲害。在本發明實施例中，可以在接收到用戶針對目標植物的病蟲害預測請求時，確定待預測病蟲害的目標植物，還可以按照設定周期確定待預測病蟲害的目標植物，定期對目標植物在下一生長階段是否會發生病蟲害進行預測。S120：獲得目標植物的生長環境數據。在本發明實施例中，生長環境數據為生長過程中的環境信息數據。具體的，生長環境數據可以是濕度、溫度、空氣中二氧化碳含量、光照量、土壤PH值、土壤中設定化學成分的含量等數據。在步驟S110確定在種植設備內生長的待預測病蟲害的目標植物后，可以獲得目標植物的生長環境數據。在目標植物生長過程中，可以通過環境監測手段實時獲取并記錄目標植物所處的環境信息，比如，通過種植設備中內置的溫度傳感器獲取溫度信息，通過種植設備中內置的濕度傳感器獲取濕度信息等。這些信息可以存儲于數據庫中，在確定待預測病蟲害的目標植物后，在數據庫中提取該目標植物的生長環境數據。S130：對生長環境數據進行分析，確定影響目標植物發生病蟲害的影響維度信息。可以理解的是，植物是否會發生病蟲害與其所處的生長環境有較大關系。在本發明實施例中，每一類生長環境數據即可作為一種影響植物發生病蟲害的影響維度。具體的，影響維度可以是溫度、濕度、空氣中二氧化碳含量、光照量、土壤PH值、土壤中設定化學成分的含量等。在步驟S120獲得了目標植物的生長環境數據，進一步可以對該生長環境數據進行分析，確定影響目標植物發生病蟲害的影響維度信息。比如，對目標植物的生長環境數據進行分析后，可以確定出影響目標植物發生病蟲害的5個影響維度，每個影響維度對應的影響維度信息如表1所示：影響維度a影響維度b影響維度c影響維度d影響維度e1241592553196表1在表1中，影響維度a信息為124、影響維度b信息為159，影響維度c信息為255，影響維度d信息為31，影響維度e信息為96。每個影響維度信息可以是根據預設的量化標準對實際值進行量化后的量化值。舉例而言，影響維度a為土壤中設定化學成分的含量，當該含量處于[0％,20％]范圍時，可以將其量化為51，當該含量處于[40％,60％]范圍時，可以將其量化為124。需要說明的是，上述僅為示例，可以根據實際情況對影響維度信息進行量化。在執行本發明實施例所提供的技術方案過程中，使用相同的量化標準即可。S140：根據目標植物的影響維度信息及預先建立的病蟲害預測模型，預測目標植物在下一生長階段是否會發生病蟲害。在本發明實施例中，可以預先建立病蟲害預測模型。具體的，可以針對每種植物，建立與該種植物對應的病蟲害預測模型，并將多個病蟲害預測模型歸入到一個模型庫中進行維護和管理。當需要對目標植物在下一生長階段是否會發生病蟲害進行預測時，可以在模型庫中選擇出該目標植物對應的病蟲害預測模型。在本發明一種具體實施方式中，可以通過以下步驟預先建立病蟲害預測模型：步驟一：獲得與目標植物的種類相同的植物的多組病蟲害樣本數據；步驟二：根據獲得的病蟲害樣本數據，構建訓練集，訓練集中的每組數據包含病蟲害實際發生結果及該病蟲害實際發生結果對應的植物生長過程中的影響維度信息；步驟三：使用訓練集進行機器學習，建立病蟲害預測模型。為便于描述，將上述三個步驟結合起來進行說明。在本發明實施例中，可以從已有的樣本數據庫或者通過收集方式，獲得與目標植物的種類相同的植物的多組病蟲害樣本數據。比如，目標植物為番茄，可以獲得在不同生長環境下生長的番茄的病蟲害樣本數據。根據獲得的病蟲害樣本數據，可以構建訓練集。訓練集中每組數據包含病蟲害實際發生結果及該病蟲害實際發生結果對應的植物生長過程中的影響維度信息。比如，訓練集中的數據如表2所示：表2在表2中，第一組數據表明，在影響維度a信息為51、影響維度b信息為159、影響維度c信息為253、影響維度d信息為159、影響維度e信息為50的條件下，番茄的病蟲害實際發生結果為“不得病”，同樣，第二組數據表明，影響維度a信息為124、影響維度b信息為253、影響維度c信息為255、影響維度d信息為63、影響維度e信息為96的條件下，番茄的病蟲害實際發生結果為“得病”，……。表2中每個影響維度信息為根據預設的量化標準進行量化的結果。使用訓練集進行機器學習，具體的，可以采用SparkMLlib工具進行機器學習。對訓練集進行機器學習后，可以建立病蟲害預測模型，該病蟲害預測模型與目標植物的種類相對應。在本發明的一種具體實施方式中，使用訓練集進行機器學習，建立病蟲害預測模型的步驟可以包括以下步驟：第一個步驟：使用訓練集進行機器學習，建立初始病蟲害預測模型；第二個步驟：根據訓練集中的影響維度信息和初始病蟲害預測模型，確定訓練集中每組影響維度信息對應的病蟲害測試結果；第三個步驟：將訓練集中每組影響維度信息對應的病蟲害測試結果與相應的病蟲害實際發生結果進行比較，計算誤差值；第四個步驟：如果誤差值不大于設定閾值，則將初始病蟲害預測模型確定為病蟲害預測模型；第五個步驟：如果誤差值大于設定閾值，則擴大訓練集，重復執行第一個步驟，直至誤差值不大于設定閾值，獲得病蟲害預測模型。為便于描述，將上述五個步驟結合起來進行說明。可以理解的是，訓練集中包含的數據量的多少，決定了病蟲害預測模型預測的準確程度。在使用訓練集進行機器學習，建立初始病蟲害預測模型之后，可以根據訓練集中的影響維度信息和該初始病蟲害預測模型，確定訓練集中每組影響維度信息對應的病蟲害測試結果。比如，訓練集的數據文件為：0128:51129:159130:253……1159:124160:253161:253……1125:145126:255127:211……1153:5154:63155:197……1152:1153:168154:242…………其中，0代表不得病，1代表得病。將訓練集中每組影響維度信息對應的病蟲害測試結果與相應的病蟲害實際發生結果進行比較，可以計算得到誤差值。比如，上例訓練集中的影響維度信息對應的病蟲害測試結果與相應的病蟲害實際發生結果的關系表如表3所示：表3根據表3，可以計算病蟲害測試結果與病蟲害實際發生結果的誤差值為：TrainErr＝0.0。如果該誤差值不大于設定閾值，則表明當前的初始病蟲害預測模型的準確程度能夠達到設定要求，可以直接將該初始病蟲害預測模型確定為病蟲害預測模型。設定閾值可以根據實際情況進行設定和調整，本發明實施例對此不做限制。如果該誤差值大于設定閾值，則表明當前的初始病蟲害預測模型的準確程度不能夠達到設定要求，在這種情況下，可以擴大訓練集，具體的，可以通過收集更多的病蟲害樣本數據構建訓練集。擴大訓練集后，可以重復執行使用訓練集進行機器學習的步驟，直至誤差值不大于設定閾值，獲得當前的病蟲害預測模型，以供后續業務使用。這樣，可以提高病蟲害預測模型的預測準確程度。根據目標植物的影響維度信息及預先建立的病蟲害預測模型，可以預測目標植物在下一生長階段是否會發生病蟲害。具體的，將目標植物的影響維度信息輸入到預先建立的病蟲害預測模型中，采用邏輯回歸算法預測目標植物在下一生長階段是否會發生病蟲害。本發明實施例所提供的方法，通過機器學習預先建立病蟲害預測模型，確定在種植設備內生長的待預測病蟲害的目標植物后，可以獲得目標植物的生長環境數據，并對生長環境數據進行分析，確定影響目標植物發生病蟲害的影響維度信息，根據目標植物的影響維度信息與預先建立的病蟲害預測模型，可以預測目標植物在下一生長階段是否會發生病蟲害。應用本發明實施例所提供的方法，可以對目標植物在下一生長階段是否會發生病蟲害進行較為準確的預測，便于種植設備或者用戶及時采取相關措施，減小病蟲害帶來的損失，提升用戶體驗。在本發明的一個實施例中，該方法還可以包括以下步驟：如果預測目標植物在下一生長階段會發生病蟲害，則輸出病蟲害預警信息。如果預測目標植物在下一生長階段會發生病蟲害，則輸出病蟲害預警信息，具體的，可以將該預警信息輸出給種植設備，由種植設備控制其內置的病蟲害預警指示燈閃爍，或者，可以將該預警信息輸出給用戶，以使用戶針對該預警信息采取相應措施。在本發明的一種具體實施方式中，具體可以將病蟲害預警信息發送給種植設備，以使種植設備根據設定的預案調整相應的環境參數。在本發明實施例中，可以針對病蟲害設定預案，并在種植設備中保存。當種植設備接收到病蟲害預警信息時，可以根據設定的預案調整相應的環境參數。比如，通過其內置的溫度調節裝置調節種植設備內溫度，或者通過其內置的營養液更換裝置更換營養液等。這樣，可以有效避免病蟲害的發生，減小病蟲害帶來的損失。相應于上面的方法實施例，本發明實施例還提供了一種基于種植設備的病蟲害預測裝置，下文描述的一種基于種植設備的病蟲害預測裝置與上文描述的一種基于種植設備的病蟲害預測方法可相互對應參照。參見圖2所示，該裝置包括以下模塊：目標植物確定模塊210，用于確定在種植設備內生長的待預測病蟲害的目標植物；生長環境數據獲得模塊220，用于獲得目標植物的生長環境數據；影響維度信息確定模塊230，用于對生長環境數據進行分析，確定影響目標植物發生病蟲害的影響維度信息；病蟲害預測模塊240，用于根據目標植物的影響維度信息和預先建立的病蟲害預測模型，預測目標植物在下一生長階段是否會發生病蟲害；病蟲害預測模型建立模塊250，用于通過以下步驟預先建立病蟲害預測模型：獲得與目標植物的種類相同的植物的多組病蟲害樣本數據；根據獲得的病蟲害樣本數據，構建訓練集，訓練集中的每組數據包含病蟲害實際發生結果及該病蟲害實際發生結果對應的植物生長過程中的影響維度信息；使用訓練集進行機器學習，建立病蟲害預測模型。本發明實施例所提供的裝置，通過機器學習預先建立病蟲害預測模型，確定在種植設備內生長的待預測病蟲害的目標植物后，可以獲得目標植物的生長環境數據，并對生長環境數據進行分析，確定影響目標植物發生病蟲害的影響維度信息，根據目標植物的影響維度信息與預先建立的病蟲害預測模型，可以預測目標植物在下一生長階段是否會發生病蟲害。應用本發明實施例所提供的裝置，可以對目標植物在下一生長階段是否會發生病蟲害進行較為準確的預測，便于種植設備或者用戶及時采取相關措施，減小病蟲害帶來的損失，提升用戶體驗。在本發明的一種具體實施方式中，病蟲害預測模型建立模塊250，具體用于：使用訓練集進行機器學習，建立初始病蟲害預測模型；根據訓練集中的影響維度信息和初始病蟲害預測模型，確定訓練集中每組影響維度信息對應的病蟲害測試結果；將訓練集中每組影響維度信息對應的病蟲害測試結果與相應的病蟲害實際發生結果進行比較，計算誤差值；如果誤差值不大于設定閾值，則將初始病蟲害預測模型確定為病蟲害預測模型；如果誤差值大于設定閾值，則擴大訓練集，重復執行使用訓練集進行機器學習的步驟，直至誤差值不大于設定閾值，獲得病蟲害預測模型。在本發明的一種具體實施方式中，病蟲害預測模塊240，具體用于：將目標植物的影響維度信息輸入到預先建立的病蟲害預測模型中，采用邏輯回歸算法預測目標植物在下一生長階段是否會發生病蟲害。在本發明的一種具體實施方式中，還包括預警信息輸出模塊，用于：在預測目標植物在下一生長階段會發生病蟲害時，輸出病蟲害預警信息。在本發明的一種具體實施方式中，預警信息輸出模塊，具體用于：將病蟲害預警信息發送給種植設備，以使種植設備根據設定的預案調整相應的環境參數。本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其它實施例的不同之處，各個實施例之間相同或相似部分互相參見即可。對于實施例公開的裝置而言，由于其與實施例公開的方法相對應，所以描述的比較簡單，相關之處參見方法部分說明即可。專業人員還可以進一步意識到，結合本文中所公開的實施例描述的各示例的單元及算法步驟，能夠以電子硬件、計算機軟件或者二者的結合來實現，為了清楚地說明硬件和軟件的可互換性，在上述說明中已經按照功能一般性地描述了各示例的組成及步驟。這些功能究竟以硬件還是軟件方式來執行，取決于技術方案的特定應用和設計約束條件。專業技術人員可以對每個特定的應用來使用不同方法來實現所描述的功能，但是這種實現不應認為超出本發明的范圍。結合本文中所公開的實施例描述的方法或算法的步驟可以直接用硬件、處理器執行的軟件模塊，或者二者的結合來實施。軟件模塊可以置于隨機存儲器(RAM)、內存、只讀存儲器(ROM)、電可編程ROM、電可擦除可編程ROM、寄存器、硬盤、可移動磁盤、CD-ROM、或
技術領域：
內所公知的任意其它形式的存儲介質中。本文中應用了具體個例對本發明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發明的技術方案及其核心思想。應當指出，對于本
技術領域：
的普通技術人員來說，在不脫離本發明原理的前提下，還可以對本發明進行若干改進和修飾，這些改進和修飾也落入本發明權利要求的保護范圍內。當前第1頁1 2 3