[发明专利]一种基于植株萎蔫程度进行精准灌溉的系统及方法

说明书

本申请提出一种基于植株萎蔫程度进行精准灌溉的系统及方法，包括：图像采集模块，通过图像传感器进行植株的图像信息采集，所采集的信息包括：叶片信息及茎部信息；图像预处理模块，所述图像预处理模块用于完成图像的预处理，包括图像裁剪、增强、色彩空间转化处理；需水量预测模块，将所采集的图像信息输入至经训练的深度神经网络进行计算，预测出当前植株萎蔫程度状态下对应的预测需水量；灌溉控制模块，根据预测出的所述植株的预测需水量形成控制指令，以进行定时定量的供水。本发明仅需识别叶片以及茎部的植株特征变能准确估算出缺水量，而且利用所提出的损失函数、池化方法以及激励函数，能提升模型训练的速度以及预测的精度。

技术领域

本发明属于农业植物灌溉技术领域，尤其涉及一种基于植株萎蔫程度进行精准灌溉的系统及方法

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。

实际上，无论是降水量和/或供水量、土壤湿度等都会影响植株的水分需求量，但是植株缺水量的多少，最终直接体现在植株的叶片以及茎部上，因此将缺水量多少问题转化为对叶片以及茎部特征的识别问题，即可完成缺水量的预测问题。为解决上述问题，本发明提出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，同时考虑多片叶子的缺水特征以及茎部的缺水特征，形成多个置信网络，对其进行融合判断，综合得出植株的需水量。

本申请的创造性贡献在于：

1.本申请利用一种基于植株萎蔫程度进行精准灌溉的系统及方法，实现了植株的精准灌溉控制，针对多个叶片和茎部缺水特征，形成多个置信度判断网络，综合得出植株需水量，防止个别叶片存在特殊病变等情况影响判断的准确性。

2.本申请为了提升需水量的预测精度和训练速度，在预处理、分割、池化层、激励函数、损失函数的使用上，都采用了新的算法，以整体上提高深度神经网络的训练的精度和速度。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。

3.在叶片的预处理上，针对绝大部分植株叶片都是绿色的特点，对于识别到的叶片，增强其G分量，相对抑制其R、B分量，有利于提升需求量预测判断的准确性。

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。