一种农作物信息模型构建方法与流程

1.本发明涉及数据处理领域，具体而言，涉及一种农作物信息模型构建方法。


背景技术：

2.目前的智慧农业系统，功能集中在：收集大量的传感器信息，通过大数据分析，得到各个环境因素对农业产量的影响。这些系统无法查询、分析和追溯各个具体的农作物产品。当用户需要查询所购买的商品信息时，系统无法提供；农作物出现问题后又无法追究责任人；不能探究相同农作物出现产量区别明显等痛点问题。


技术实现要素：

3.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种农作物信息模型的构建方法。
4.本发明的目的可以通过以下技术方案来实现：
5.一种农作物信息模型的构建方法，包括以下步骤：
6.5)根据厂家多维需求，建立产品标识信息，智能构建产品标识模型和环境模型，实现产品的标识和智能调节环境变量；
7.6)依据产品标识模型和环境模型，构建生产模型，实时监控生产状态；
8.7)根据生产模型需求，利用机器学习，将生产模型，环境模型，产品标识模型中的属性量化，实时产生对应的影响因子供生产模型使用，所述影响因子为生产模型，环境模型，产品标识模型对应的最优值；
9.8)最终，构建出能够描述农作物生产，分析农作物产量及销量的农作物信息模型。
10.进一步的，所述产品标识模型包括identity和identityunit，其中，所述identity为产品标识类，主要标识当期产品，包括四个属性，identityname，identitytype，identityplace和identityunit，所述identityname是产品名，主要用于产品的外部展示，所述identitytype是产品类型，初步描述产品信息，主要用于产品分类，所述identityplace是产品生产地，主要用来查看生产地对产量和销量的影响，所述identityunit是产品单元对象，一个产品需要划分多个产品单元，后续产品的数据处理对象是产品中的identityunit，其中，所述identityunit为产品单元，后续的数据以identityunit为单位进行处理，包括四个属性，unitname，unitid，unitnumber，information，其中，所述unitname是单元名，主要用于单元标识和分类，由系统自动生成，所述unitid是单元的数值标识，主要用于单元标识和查找，由系统自动生成，所述unitnumber是单元数量，表示一个产品划分的单元个数，比如一批苹果产品，以3个为一个单元，那么unitnumber为3，所述information是单元信息，它是产品单元最重要的组成部分，后续会向其中添加标识模型，环境数据，状态模型中的一些属性；
11.进一步的，所述环境模型接收环境参数值，利用环境调节设备进行环境参数调整，再通过传感器将实时环境参数数值输出；
12.进一步的，所述生产模型包括种植、培养、收获三个子模块，所述三个子模块接收环境因素的identityunit，根据identityunit中的环境因素最优值通过环境模型不断调整环境参数，同时，所述三个子模块收集数据结束后产生最终状态码，所述最终状态码描述的是产品单元在当前阶段结束的情况，所述最终状态码全部存储在identityunit的information属性上，通过identityunit产品单元向外输出；
13.进一步的，所述影响因子是利用机器学习，以农作物状态码，环境数据，标识模型为输入，以最终销量，最终产量为输出进行学习，得到当销量与产量最大时各个输入对应的两个影响因子，将影响因子存入identityunit产品单元中的information属性中，由于农作物状态码，环境数据和标识模型可以不断的生成，所有这个机器学习得到的影响因子预测会越来越准。
14.一种农作物信息模型包括生产模型，环境模型，产品标识模型，所述产品标识模型为identity产品标识单元，所述identity接收用户输入的信息，智能生成unitname，unitid，information，其中所述information为影响因子值，随机添加大量information便于机器学习，所述identity数据赋予生产模型，所述生产模型通过information值调整环境模型，所述环境模型环境参数给生产模型，所述生产模型将最终状态码存入information中发送给机器学习，环境模型将环境参数给机器学习，identity将标识模型中的产品名，产品生产地，单位数量给机器学习，机器学习以生产模型，环境模型，产品标识模型的数据作为输入，以外部得到的实际产量与销量作为输出，不断训练，得到输入的各个影响因子，将训练好的影响更新到information，这就形成了一整套完整的农作物信息模型的构建方法，经过机器学习的不断训练，各个模块的输入和输出，可以得到农作物高产量，高销量的模型。
15.有益效果：本发明的提出旨在实现了商品信息封装化，保证具体农作物信息不会丢失，并可以实时查询农作物的状态，避免了农作物生产出错无法追究责任人，无法分析原因，无法追溯以及无法定义适宜环境的问题。
附图说明
16.构成本技术的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1是根据本发明的责任人体系结构图；
具体实施方式
18.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
19.下面将参考附图并结合实施例来详细说明本发明。
20.根据图1所示，产品相应责任人体系结构包括生产负责人、数据分析负责人以及机器学习小组，整体负责让产品的产量及销量在机器学习的帮助下达到最大；所述生产负责人包括种植负责人、培养负责人、收获负责人以及数据统计负责人，其中，种植负责人、培养
负责人、收获负责人分别负责产品种植，培养，收获阶段的生产过程，数据统计负责人负责种植，培养，收获阶段的产品状态码的数据统计，并将将数据整理好后发给数据分析负责人；所述数据分析负责人包括农作物状态数据负责人、责任人组织结构分析员、环境数据负责人以及产量和销量分析员，所述数据统计负责人将数据分为分析农作物状态，责任人组织结构，环境数据，产量和销量，分别交给不同的负责人，数据分析负责人将数据传输给机器学习小组，机器学习小组通过对输入数据的机器学习计算各个输入数据的最佳数值，根据提供的农作物状态，责任人组织结构，环境数据分析作为输入，将产量和销量作为输出，得到各个输入的两个影响因子，分别对应销量和产量，机器学习负责小组实时将产量和销量的影响因子传输给产品负责人，生产负责人根据反馈信息进行调整来提高产量和销量，数据分析负责人再将数据进行存储。
21.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
22.以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。