[发明专利]一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法

说明书

本申请涉及一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法，所述系统包括：信息采集模块，通过多种传感器进行信息采集，所采集的信息包括：土壤信息、地上环境信息、灌水设备使用过程信息、作物信息中的至少一项；需水量预测模块，将所采集的信息输入至深度神经网络进行计算，预测出当前日光温室栽培果菜的需水量；灌溉控制模块，根据预测出的所述蔬菜需水量形成控制指令，以进行定时定量的供水。通过上述方式，本发明能够根据蔬菜的生长情况和环境参量决策灌溉时间和灌溉量，全程无需人工操作，能够实现设施栽培智能灌溉，工作效率高，且精确度高，实现蔬菜节水提质增效生产。

技术领域

本发明属于农作物灌溉技术领域，尤其涉及一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法。

背景技术

我国园艺设施面积已达2840万亩，其中，日光温室约占31%，种植蔬菜种类主要包含辣椒、番茄、黄瓜、茄子等。设施反季节栽培已成为人们日常蔬菜供应重要的组成部分。但是，在实际生产过程中，生产者多凭借经验进行粗放灌溉，造成水资源浪费，降低肥料资源利用效率和果实品质。因此，实现基于蔬菜水分需求规律和的外界环境精准灌溉对于节水提质变得尤为重要。

中国专利文献CN 109845625 A公开了一种基于神经网络的多维参量农作物智能灌溉控制方法，通过采集当前灌溉农田的雨量信息、土壤墒情信息、风速信息、温湿度信息、光照强度信息及流量信息等参量，基于神经网络建立以农作物需水信号为响应信息的农作物需水量模型，通过该模型对农作物多维环境参量进行计算处理，最终预测出当前农田农作物的需水量，控制器通过对需水量、降雨量及土壤墒情做出综合判决结果并根据判决结果控制电磁阀，实现对农作物的灌溉。该技术方案虽然考虑影响灌溉需水量的因素较全面，所构建的模型十分简单，需水量预测结果精度不高。

为解决上述问题，申请人利用所提出的深度神经网络进行智能水分精准灌溉控制，极大提高了需水量的预测精度。

本申请的创造性贡献在于：

1.本申请利用一种用于蔬菜栽培的智能水分精准灌溉控制系统及方法实现了对不同地域多种蔬菜的精准灌溉控制，即多种蔬菜可以采用同一套控制系统，提高了通用性。

2.本申请为了提升需水量的预测精度，采用了一种新的激励函数-余弦激励函数，用于对整个深度神经网络的训练，极大提升了训练精度。在灌溉控制领域，属于申请人首次提出，因此并非常规技术手段或公知常识。

发明内容

为更准确理解本发明，需先简要理解回顾下面的基本概念。

深度学习的概念由Hinton等人于2006年提出。基于深信度网(DBN)提出非监督贪心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外Lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。

深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。

同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络(Convolutional neuralnetworks，简称CNNs)就是一种深度的监督学习下的机器学习模型，而深度置信网(DeepBelief Nets，简称DBNs)就是一种无监督学习下的机器学习模型。

卷积神经网络（Convolutional Neural Networks, CNN）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deeplearning）的代表算法之一。

深度卷积神经网络DCNN,则是具有多个CNN层的网络结构。