[發明專利]一種用于日光溫室果菜栽培的智能水分精準灌溉控制系統及方法

在審

• 申請號: 202110607031.3
• 申請日: 2021-06-01
• 公開（公告）號: CN113141940A
• 公開（公告）日: 2021-07-23
• 發明（設計）人: 王君;李衍素;于賢昌;孫敏濤;袁泉;閆妍;賀超興
• 申請（專利權）人: 中國農業科學院蔬菜花卉研究所
• 主分類號: A01G9/24
• 分類號: A01G9/24;A01G25/16
• 代理公司: 北京惠智天成知識產權代理事務所(特殊普通合伙) 11681
• 代理人: 周建

本申請涉及一種用于日光溫室果菜栽培的智能水分精準灌溉控制系統及方法，所述系統包括：信息采集模塊，通過多種傳感器進行信息采集，所采集的信息包括：土壤信息、地上環境信息、灌水設備使用過程信息、作物信息中的至少一項；需水量預測模塊，將所采集的信息輸入至深度神經網絡進行計算，預測出當前日光溫室栽培果菜的需水量；灌溉控制模塊，根據預測出的所述蔬菜需水量形成控制指令，以進行定時定量的供水。通過上述方式，本發明能夠根據蔬菜的生長情況和環境參量決策灌溉時間和灌溉量，全程無需人工操作，能夠實現設施栽培智能灌溉，工作效率高，且精確度高，實現蔬菜節水提質增效生產。

技術領域

本發明屬于農作物灌溉技術領域，尤其涉及一種用于日光溫室果菜栽培的智能水分精準灌溉控制系統及方法。

背景技術

我國園藝設施面積已達2840萬畝，其中，日光溫室約占31%，種植蔬菜種類主要包含辣椒、番茄、黃瓜、茄子等。設施反季節栽培已成為人們日常蔬菜供應重要的組成部分。但是，在實際生產過程中，生產者多憑借經驗進行粗放灌溉，造成水資源浪費，降低肥料資源利用效率和果實品質。因此，實現基于蔬菜水分需求規律和的外界環境精準灌溉對于節水提質變得尤為重要。

中國專利文獻CN 109845625 A公開了一種基于神經網絡的多維參量農作物智能灌溉控制方法，通過采集當前灌溉農田的雨量信息、土壤墑情信息、風速信息、溫濕度信息、光照強度信息及流量信息等參量，基于神經網絡建立以農作物需水信號為響應信息的農作物需水量模型，通過該模型對農作物多維環境參量進行計算處理，最終預測出當前農田農作物的需水量，控制器通過對需水量、降雨量及土壤墑情做出綜合判決結果并根據判決結果控制電磁閥，實現對農作物的灌溉。該技術方案雖然考慮影響灌溉需水量的因素較全面，所構建的模型十分簡單，需水量預測結果精度不高。

為解決上述問題，申請人利用所提出的深度神經網絡進行智能水分精準灌溉控制，極大提高了需水量的預測精度。

本申請的創造性貢獻在于：

1.本申請利用一種用于蔬菜栽培的智能水分精準灌溉控制系統及方法實現了對不同地域多種蔬菜的精準灌溉控制，即多種蔬菜可以采用同一套控制系統，提高了通用性。

2.本申請為了提升需水量的預測精度，采用了一種新的激勵函數-余弦激勵函數，用于對整個深度神經網絡的訓練，極大提升了訓練精度。在灌溉控制領域，屬于申請人首次提出，因此并非常規技術手段或公知常識。

發明內容

為更準確理解本發明，需先簡要理解回顧下面的基本概念。

深度學習的概念由Hinton等人于2006年提出。基于深信度網(DBN)提出非監督貪心逐層訓練算法，為解決深層結構相關的優化難題帶來希望，隨后提出多層自動編碼器深層結構。此外Lecun等人提出的卷積神經網絡是第一個真正多層結構學習算法，它利用空間相對關系減少參數數目以提高訓練性能。

深度學習是機器學習研究中的一個新的領域，其動機在于建立、模擬人腦進行分析學習的神經網絡，它模仿人腦的機制來解釋數據，例如圖像、聲音和文本。

同機器學習方法一樣，深度機器學習方法也有監督學習與無監督學習之分.不同的學習框架下建立的學習模型很是不同。例如，卷積神經網絡(Convolutional neuralnetworks，簡稱CNNs)就是一種深度的監督學習下的機器學習模型，而深度置信網(DeepBelief Nets，簡稱DBNs)就是一種無監督學習下的機器學習模型。

卷積神經網絡（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡（Feedforward Neural Networks），是深度學習（deeplearning）的代表算法之一。

深度卷積神經網絡DCNN,則是具有多個CNN層的網絡結構。