一种校园用数字园林管养系统

1.本发明属于校园领域，涉及园林管养技术，具体是一种校园用数字园林管养系统。


背景技术：

2.校园，指大学、学院或学校校园中的各种景物及其建筑；凡是学校教学用地或生活用地的范围，均可称作校园。校园又分为幼儿园，小学校园，中等学校校园，高等院校校园。为了增加校园的美观性和绿化校园环境，运用工程技术和艺术手段，通过改造地形(或进一步筑山、叠石、理水)、种植树木花草、营造建筑和布置园路等途径，也会在校园中创作美的自然环境和游憩境域，称之为校园园林。
3.现有技术中，园林养护大多采用人工养护，但是人工养护也有弊端，缺乏必要的数据管理和分析，无法形成全局数据视野，导致园林规划及决策过程仍依赖于日常经验，不能科学地进行养护，难以满足校园养护的要求，为此，我们提出一种校园用数字园林管养系统。


技术实现要素：

4.针对现有技术存在的不足，本发明目的是提供一种校园用数字园林管养系统。
5.本发明所要解决的技术问题为：
6.(1)如何避免园林规划及决策过程仍依赖于日常经验，不能科学地进行养护，难以满足人们的要求的问题。
7.本发明的目的可以通过以下技术方案实现：
8.一种校园用数字园林管养系统，包括用于记录用户身份信息的用户模块、用于获取运行设备的信息参数的感知模块、基于用户的身份信息和信息参数进行管养推荐的应用模块、为管养推荐进行能力支撑的支撑模块及用于用户模块、感知模块、应用模块和支撑模块之间相互通信连接传输模块；
9.用户模块获取用户的身份信息后，通过传输模块将用户的身份信息发送至应用模块，应用模块通过传输模块获取感知模块内运行设备的信息参数，基于身份信息、信息参数和支撑模块进行管养推荐。
10.进一步的，所述基于身份信息、信息参数和支撑模块进行管养推荐包括：
11.收集校园区域内的所有植物对应的养护策略并存储至数据库内，其中，养护策略包括多个生长环境及多个生长环境一一对应的管养推荐；
12.通过支撑模块对校园区域内的所有植物的生存环境进行实时检测，并对比数据库内养护策略；
13.当植物的生存环境与养护策略内生长环境相吻合时，获取感知模块内的信息参数进行养护核实；
14.当核实成功后应用模块将对应生长环境的管养推荐发送至指定人员；
15.其中，将对应生长环境的管养推荐发送至指定人员，具体为：
16.获取用户模块内的用户身份信息，并调取身份信息对应的历史在线时间段，挑选历史在线时间段内出现频率最高的时间段为喜好时间段；
17.获取管养推荐发送的时间节点，当时间节点属于喜好时间段时，将喜好时间段对应的用户身份信息标记为预选发送用户；
18.当时间节点不属于喜好时间段时，获取管养推荐对应的管养区域，获取管养区域的历史管养记录，挑选历史管养记录内用户身份信息对应管养任务系数大于预设系数的标记为预选发送用户；
19.获取预选发送用户的养护及时率，并将养护及时率大于阈值的预选发送用户标记为指定人员，并推送管养推荐。
20.进一步的，所述管养任务系数具体为：
21.获取用户身份信息内的历史管养记录，其中，历史管养记录包括用户的历史管养次数、被标记为指定人员的次数、历史管养总时长及管养好评率；
22.通过公式得出管养任务系数，式中，p(i)为管养任务系数，lc为历史管养次数，ly为被标记为指定人员的次数，hp为管养好评率，sh为历史管养总时长；
23.其中，历史管养次数为用户被标记为指定人员且按照管养推荐进行管养的次数；历史管养总时长为用户按照管养推荐进行管养的累加时间；
24.管养好评率通过得出，式中，zc为管养推荐的最低操作时间。
25.进一步的，所述养护及时率具体为：
26.获取指定人员到达管养区域的时间节点ic与管养推荐的时间节点ib，预设时间间隔段，当ic属于ib减去时间间隔段时，ib减ic的差值为正及时率，当ic属于ib加上时间间隔段时，ic减ib的差值为负及时率；
27.其中，正及时率的算数符号为正，负及时率的算数符号为负，将指定人员对应的全部正及时率与负及时率累加得出养护及时率。
28.进一步的，所述支撑模块包括物联网管理平台、gis能力平台和大数据分析平台；
29.其中，物联网管理平台用于获取校园区域内的物联网设备的采集信息，具体的，物联网设备包括无人机、巡检小车、ccd摄像机及物联执行器；
30.gis能力平台用于为物联网设备提供导航及定位服务；
31.大数据分析平台基于物联网设备的采集信息进行实时检测，并与数据库内养护策略进行对比。
32.进一步的，所述感知模块包括土壤温度监测终端、气象空气监测终端和温度监测终端；
33.其中，土壤环境监测终端用于监测植物生存环境的土壤温度；
34.气象空气监测终端用于监测植物生存环境的气象；
35.温度检测终端用于监测植物生存环境的温度。
36.进一步的，所述大数据分析平台基于物联网设备的采集信息进行实时检测，包括：
37.获取联网设备的采集信息；对采集信息进行处理，提取处理后的天气特征；
38.其中，采集信息包括图像信息及声音信息；
39.对图像信息进行预处理，计算图像信息内同一云朵在运动轨迹的不同位置上的累积残差值，分别为同一云朵在运动轨迹的不同位置上的累积残差值赋予第一权重，根据第一权重，分割出图像信息中包括天空的天空图像，提取天空图像的图像天气特征；其中，图像天气特征包括hsv特征、phow特征和motion特征；
40.对声音信息进行预处理，计算同一频率的声音信息在预设时间段内的音调变化，根据音调变化的比值确定声音信息中的声音天气特征；
41.将图像天气特征和声音天气特征输入至天气类型预测模型，识别物联网设备当前所处环境的天气类型；其中，天气类型预测模型是基于深度置信网络训练得到。
42.进一步的，所述当植物的生存环境与养护策略内生长环境相吻合时，获取感知模块内的信息参数进行养护核实，具体为：
43.获取土壤温度监测终端、气象空气监测终端和温度监测终端的检测数据，通过监测模型得出预测天气类型；
44.当预测天气类型与天气类型相同时，核实成功。
45.与现有技术相比，本发明的有益效果是：
46.通过对养护项目、养护企业、绿植等建立电子档案，结合电子工单和数据可视化等手段，有效提高管理水平，通过物联网采集数据，对养护作业工作人员、养护车辆及养护作业效果进行数字化监管，通过为用户提供便捷、友好的平台互动服务，通过对园林绿化数据进行分析和挖掘，为园林绿化规划及决策提供决策依据和数据支撑。
附图说明
47.为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。
48.图1为本发明的整体系统框图。
具体实施方式
49.下面将结合实施例对本发明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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
50.请参阅图1所示，一种校园用数字园林管养系统，包括用于记录用户身份信息的用户模块、用于获取运行设备的信息参数的感知模块、基于用户的身份信息和信息参数进行管养推荐的应用模块、为管养推荐进行能力支撑的支撑模块及用于用户模块、感知模块、应用模块和支撑模块之间相互通信连接传输模块；
51.其中，用户模块获取用户的身份信息后，通过传输模块将用户的身份信息发送至应用模块，应用模块通过传输模块获取感知模块内运行设备的信息参数，基于身份信息、信息参数和支撑模块进行管养推荐。
52.下面结合具体实施例对上述方案进行详细阐述：
53.在具体实施时，收集校园区域内的所有植物对应的养护策略并存储至数据库内，
其中，养护策略包括多个生长环境及多个生长环境一一对应的管养推荐，更具体地说，养护策略为预先设定并存储在数据库内的数据。
54.通过支撑模块对校园区域内的所有植物的生存环境进行实时检测，并对比数据库内养护策略，其中，支撑模块包括物联网管理平台、gis能力平台和大数据分析平台；
55.其中，物联网管理平台用于获取校园区域内的物联网设备的采集信息，具体的，物联网设备包括无人机、巡检小车、ccd摄像机及物联执行器；
56.gis能力平台用于为物联网设备提供导航及定位服务；
57.大数据分析平台基于物联网设备的采集信息进行实时检测，并与数据库内养护策略进行对比，具体的说，获取联网设备的采集信息；对采集信息进行处理，提取处理后的天气特征；
58.其中，采集信息包括图像信息及声音信息；
59.对图像信息进行预处理，计算图像信息内同一云朵在运动轨迹的不同位置上的累积残差值，分别为同一云朵在运动轨迹的不同位置上的累积残差值赋予第一权重，根据第一权重，分割出图像信息中包括天空的天空图像，提取天空图像的图像天气特征；其中，图像天气特征包括hsv特征、phow特征和motion特征；
60.对声音信息进行预处理，计算同一频率的声音信息在预设时间段内的音调变化，根据音调变化的比值确定声音信息中的声音天气特征；
61.将图像天气特征和声音天气特征输入至天气类型预测模型，识别物联网设备当前所处环境的天气类型；其中，天气类型预测模型是基于深度置信网络训练得到。
62.更具体说，对图像信息进行预处理，分割预处理后的图像信息，根据gabor滤波器，提取天空图像的图像天气特征，图像天气特征包括hsv特征、phow特征和motion特征。
63.可以理解，图像信息包括天空图像部分和非天空图像部分，图像天气特征主要来自于图像信息的天空图像部分，例如，在晴天、多云、阴天、下雨、雾霾、下雨、闪电等天气状况下，根据图像信息的天空图像部分的图像天气特征，基本上可以判断出当前所处环境的天气类型，为提升判断的准确性，需要尽可能完整地分割出图像信息的天空图像部分。
64.在本实施例中，hsv特征用于表征天空图像的颜色特性，phow特征用于表征天空图像的形状特性，motion特征用于表征天空图像的运动特性。其中，hsv特征是根据颜色的直观特性的一种颜色空间，也称六角锥体模型(hexcone model)，这个模型中颜色的参数分别是色调(h)，饱和度(s)以及明度(v)。phow特征是词的金字塔直方图，用以补偿图像信息特征提取过程中丢失的部分位置信息和结构信息。motion特征可通过计算连续帧的累积残差值获得。
65.gabor滤波器是用于边缘提取的线性滤波器，其频率和方向表达与人类视觉系统类似，能够提供良好的方向选择和尺度选择特性，而且对于光照变化不敏感，适合纹理分析，因此，本实施例采用gabor滤波器，提取天空图像的hsv特征、phow特征和motion特征。
66.gabor滤波方法的主要思想是：不同纹理一般具有不同的中心频率及带宽，根据这些频率和带宽可以设计一组gabor滤波器对纹理图像进行滤波，每个gabor滤波器只允许与其频率相对应的纹理顺利通过，而使其他纹理的能量受到抑制，从各滤波器的输出结果中分析和提取纹理特征，用于之后的分类或分割任务。gabor滤波器提取纹理特征主要包括两个过程：
①
设计滤波器(例如函数、数目、方向和间隔)；
②
从滤波器的输出结果中提取有效
纹理特征集。gabor滤波器是带通滤波器，它的单位冲激响应函数(gabor函数)是高斯函数与复指数函的乘积。它是达到时频测不准关系下界的函数，具有最好的兼顾信号在时频域的分辨能力。
67.其中，对图像信息进行预处理包括，去除图像信息的数据的量纲单位，将图像信息的数据类型修改为数值型，归一化数值型的图像信息的数据。
68.预处理指的是对图像信息数据进行标准化和归一化。具体的，去除图像信息数据的量纲单位，将其转化为无量纲的纯数值数据，并将类标签文本型或字符型的数据转换为数值型数据，然后将转换后的数据按照一定的比例进行缩放，使其数值大小限制在某个特定的范围内，有利于不同单位或量级的要素加权和比较。
69.在本实施例中，预处理的过程为：去除原始图像信息数据中的量纲单位，把数据映射到[0,1]范围内，得到能够在深度置信网络训练的天气类型预测模型中输入的有效数据，从而提高了深度置信网络训练的天气类型预测模型的训练速度，避免了不同数据间差值太大造成的天气类型预测效果不理想的情况。
[0070]
其中，分割预处理后的图像信息具体包括，计算连续若干帧图像信息的累积残差值，分别为累积残差值赋予第一权重，根据第一权重，分割出图像信息中包括天空的天空图像。
[0071]
可以理解，要将图像信息中包括天空的天空图像分割出来，可以利用天空的一些基本特征，例如，天空相对于地面处于上方，云朵相对于其他对象是运动的。在本实施例中，云朵的运动特性可以通过计算连续若干帧图像信息的累积残差值，此外，鉴于天空处于图像信息的顶部，对不同位置的累积残差值赋予不同的权重来降低地上运动物体和反射光的影响。
[0072]
其中，连续若干帧图像信息可以判断同一云朵在连续时间内的运动轨迹，计算连续若干帧图像信息的累积残差值，也即是计算同一云朵在运动轨迹的不同位置上的累积残差值。分别为累积残差值赋予第一权重，即分别为连续若干帧图像信息赋予第一权重，也即分别为同一云朵在运动轨迹的不同位置上的累积残差值赋予第一权重。对较高的累积残差值赋予较大的权重，降低地上运动物体和反射光的影响，从而，根据第一权重，可以分割出图像信息中包括天空的天空图像。
[0073]
将图像天气特征输入至天气类型预测模型，识别当前所处环境的天气类型，天气类型预测模型是基于深度置信网络训练得到的。
[0074]
更具体地说，对声音信息进行预处理，计算同一频率的声音信息在预设时间段内的音调变化，根据音调变化的比值确定声音信息中的声音天气特征；
[0075]
具体的，通过预设的频率的筛选条件可以筛选出合适频率的声音信息，计算同一频率的声音信息在预设时间段内的音调变化，根据音调变化的比值确定空气中的水蒸气百分比，进而得出声音天气特征。
[0076]
当植物的生存环境与养护策略内生长环境相吻合时，获取感知模块内的信息参数进行养护核实，其中，感知模块包括土壤温度监测终端、气象空气监测终端和温度监测终端；其中，土壤环境监测终端用于监测植物生存环境的土壤温度；气象空气监测终端用于监测植物生存环境的气象；温度检测终端用于监测植物生存环境的温度；
[0077]
更具体地说获取土壤温度监测终端、气象空气监测终端和温度监测终端的检测数
据，通过监测模型得出预测天气类型；
[0078]
更具体说，通过采集若干土壤温度监测终端、气象空气监测终端和温度监测终端的检测数据，并获取检测数据20分钟内的植物的生长环境；
[0079]
将若干检测数据和植物的生长环境输入深度神经网络算法进行学习，得出监测模型；
[0080]
其中，若干土壤温度监测终端、气象空气监测终端和温度监测终端的检测数据，并获取检测数据20分钟内的植物的生长环境通过大数据分析平台通过大数据筛选获得而来。
[0081]
当预测天气类型与天气类型相同时，核实成功；
[0082]
当核实成功后应用模块将对应生长环境的管养推荐发送至指定人员，具体的，获取用户模块内的用户身份信息，并调取身份信息对应的历史在线时间段，挑选历史在线时间段内出现频率最高的时间段为喜好时间段；
[0083]
获取管养推荐发送的时间节点，当时间节点属于喜好时间段时，将喜好时间段对应的用户身份信息标记为预选发送用户；
[0084]
当时间节点不属于喜好时间段时，获取管养推荐对应的管养区域，获取管养区域的历史管养记录，挑选历史管养记录内用户身份信息对应管养任务系数大于预设系数的标记为预选发送用户；
[0085]
其中，获取用户身份信息内的历史管养记录具体为，历史管养记录包括用户的历史管养次数、被标记为指定人员的次数、历史管养总时长及管养好评率；
[0086]
通过公式得出管养任务系数，式中，p(i)为管养任务系数，lc为历史管养次数，ly为被标记为指定人员的次数，hp为管养好评率，sh为历史管养总时长；
[0087]
其中，历史管养次数为用户被标记为指定人员且按照管养推荐进行管养的次数；历史管养总时长为用户按照管养推荐进行管养的累加时间；
[0088]
管养好评率通过得出，式中，zc为管养推荐的最低操作时间
[0089]
获取预选发送用户的养护及时率，并将养护及时率大于阈值的预选发送用户标记为指定人员，并推送管养推荐
[0090]
其中，获取预选发送用户的养护及时率具体为，获取指定人员到达管养区域的时间节点ic与管养推荐的时间节点ib，预设时间间隔段，当ic属于ib减去时间间隔段时，ib减ic的差值为正及时率，当ic属于ib加上时间间隔段时，ic减ib的差值为负及时率；
[0091]
其中，正及时率的算数符号为正，负及时率的算数符号为负，将指定人员对应的全部正及时率与负及时率累加得出养护及时率。
[0092]
综上所述，据植物品种设定对应的养护策略，并对养护策略进行标记植物所在区域；收集管辖区域内的所有植物对应的养护策略并存储至数据库；对数据库进行监控，可以保证当出现极端天气或极端情况时，用户可以提前知晓，并进行预警，不再完全依靠人工经验进行管理，且对实际养护操作的工人经验要求也大幅降低，适合校园内没有经验或检验较少的学生进行养护。
[0093]
对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体
含义；以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。