CN108617480A - 一种园林智能浇灌系统 - Google Patents

Abstract

本发明公开了一种园林智能浇灌系统，包括土壤图像采集模块，图像处理模块，图像分析模块，控制中心、浇灌管网，所述土壤图像采集模块用于采集园林土壤的图像，所述图像处理模块用于将采集到的土壤图像进行归一化处理和灰度化处理；图像分析模块通过采用卷积神经网络算法分析处理过的土壤图像的特征来判断土壤的湿度与其对应的土壤湿度建立函数关系模型，进而判断土壤的湿度；控制中心通过土壤的湿度进行分析判断土壤的含水量，从而实现浇灌管网的控制。发明可以根据不同植被园区的土壤表层照片来判断园区是否需要浇水然后自主进行浇灌决策，当园区不需要浇灌时，便智能停止浇水，能够大量节约水资源、人力资源、避免不合理灌溉且安装简单、易操作。

Description

一种园林智能浇灌系统

技术领域

本发明涉及一种浇灌系统，尤其涉及一种园林智能浇灌系统。

背景技术

园林浇灌一直面临这样的困境：人工浇灌成本很高，而自动灌溉则导致水资源浪费、灌溉不足或过度灌溉等等问题。将智能技术引入园林浇灌工作，是解决以上困境的有效途径。本发明通过摄像头自动获取土壤图像，采用深度学习技术通过土壤图像得到土壤的湿度特征，然后自动作出土壤是否需要灌溉的决策，决策信号传递到自动控制系统，从而实现了园林智能浇灌。主要技术内容包括：以大量实验为基础，将深度学习和机器视觉技术应用于基于图像的土壤湿度分类，从而实现浇灌的智能化。

发明内容

本发明所要解决的技术问题在于针对上述现有技术存在的不足提供一种根据不同植被园区的土壤表层照片来判断园区是否需要浇水然后自主进行浇灌决策的园林智能浇灌系统。

本发明所采用的技术方案为：一种园林智能浇灌系统，其特征在于：包括土壤图像采集模块，图像处理模块，图像分析模块，控制中心、浇灌管网，所述土壤图像采集模块用于采集园林土壤的图像，所述图像处理模块用于将采集到的土壤图像进行归一化处理和灰度化处理；图像分析模块通过采用卷积神经网络算法分析处理过的土壤图像的特征来判断土壤的湿度与其对应的土壤湿度建立函数关系模型，进而判断土壤的湿度；控制中心通过土壤的湿度进行分析判断土壤的含水量，从而实现浇灌管网的控制。

按上述技术方案，还包括时间控制模块，所述时间控制模块控制土壤图像采集模块每隔设定时间采集园林土壤图像。

按上述技术方案，所述浇灌管网包括固态继电器、电磁阀、水阀开关，所述控制中心控制固态继电器和水阀开关，固态继电器控制电磁阀。

按上述技术方案，还包括显示模块，其与控制中心相连，用于实时显示土壤湿度信息。

按上述技术方案，所述土壤图像采集模块包括基于CMOS的图像采集设备。

本发明所取得的有益效果为：发明可以根据不同植被园区的土壤表层照片来判断园区是否需要浇水然后自主进行浇灌决策，当园区不需要浇灌时，便智能停止浇水，能够大量节约水资源、人力资源、避免不合理灌溉且安装简单、易操作。

附图说明

图1为本发明的原理框图。

图2为本发明的工作流程示意图。

图3为图2为本发明中初始选用的卷积神经网络算法框架。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1所示，本实施例提供了一种园林智能浇灌系统，包括土壤图像采集模块，图像处理模块，图像分析模块，控制中心、浇灌管网，所述土壤图像采集模块用于采集园林土壤的图像，所述图像处理模块用于将采集到的土壤图像进行归一化处理来消除光照的影响，再对处理后的图像进行灰度处理；图像分析模块通过采用卷积神经网络算法分析处理过的土壤图像的特征来判断土壤的湿度与其对应的土壤湿度建立函数关系模型，进而判断土壤的湿度；控制中心通过土壤的湿度进行分析判断土壤的含水量，从而实现浇灌管网的控制。

所述浇灌管网包括固态继电器、电磁阀、水阀开关，所述控制中心控制固态继电器和水阀开关，固态继电器控制电磁阀。控制中心是通过rs485与继电器相连，使用C++Builder开发的软件可以改变AB引脚间的电压差来控制继电器的通断，可以实现连接电脑端口的固态继电器，进而控制安装在灌溉管网中电磁阀的开闭，实现智能自动浇灌。

本实施例中，还包括时间控制模块，所述时间控制模块控制土壤图像采集模块每隔设定时间采集园林土壤图像，即每隔一定时间重新对土壤拍照，再次决策是否浇水，决策为是则继续浇水，决策为否则停止浇水

还包括显示模块，其与控制中心相连，用于实时显示土壤湿度信息。同时土壤的需水量以及目前浇灌系统的工作情况也在该显示模块上显示。此外还会显示园林内监控的实时画面，还可以设有报表导出模块，可以根据系统工作人员设置的保存间隔来保存历史数据，并可查询相应时间内的历史数据，以各种报表方式导出。

所述土壤图像采集模块包括基于CMOS的图像采集设备即日常摄像头或者工业相机。

控制中心通过rs485与继电器(型号CDG1-1DD-25A)相连，使用C++Builder开发的软件可以改变AB引脚间的电压差来控制继电器的通断，从而实现电磁阀的开关通断，然后通过合理布置供水管网将灌溉用水输送到园区各部分。

下面介绍运用卷积神经网络算法，其主要包括一个输入层，两个卷积层和两个下采样层，一个全连接层以及一个输出层。具体CNN架构图如图3所示。

构建初始网络模型如下：

输入层初始模型所采用32*32的RGB二维图像数据矩阵作为输入。图像预处理阶段，我们得到的图像对应的是一个大小为3*32*32的高维数组矩阵，所以本项目先利用该高维数组矩阵进行实验，然后在该基础上进行扩展。

卷积层初始模型所选取的图片样本为3*32*32的RGB三通道彩色图像，可知图像输入大小为3*32*32，我们选定卷积核大小为5*5。

第一个卷积层我们选取6个尺寸为5*5的卷积核，对输入层的RGB图像进行卷积操作，以步长为1，0填充为0，那么经过该卷积层的输出为6*(32-5+1)*(32-5+1)，即6*28*28。

第二个卷积层我们选取12个尺寸为5*5的卷积核，对输入的特征图数据进行卷积操作，以步长为1，填充为0，输入图像为10*10(参见下采样层处理结果)，经过该卷积层的输出为12*(10-5+1)*(10-5+1)，即为12*6*6。

激活函数选取ReLU函数，该函数公式简洁，只包含一个阈值0，所以使用ReLU函数作为激活函数可以避免梯度弥散现象。该函数求导简单，在应用时可以减少相应的训练时间，加快模型的收敛速度且可以提高算法的性能乃至整个项目系统的性能。

下采样层对第一个卷积层的卷积结果特征图28*28取大小为3*3的子块的平均值作为输出值来进行池化操作，其中子块大小不足时则用0来进行补充。对第二个卷积层的卷积结果特征图6*6同样取大小为3*3的子块的平均值作为输出进行池化操作。

全连接层和输出层全连接层位于第二个下采样层后，其本质是一种传统的多层感知器网络。本项目系统的输出层采用的是softmax逻辑回归函数进行结果分类。它的输出方式是根据他们本来大小计算取值的概率，再依据概率随机输出结果值。

卷积神经网络的训练在深度学习理论中，卷积神经网络通过建立多层结构，逐层构建神经元，每次训练一个单层网络，误差自顶向下逐层传播，并且利用相关算法规则使网络进行权重等参数的调整，最终使得误差控制在可以接受的范围内。卷积神经网络的训练过程主要包括前向传播阶段与反向传播阶段两个过程。

前向传播过程卷积神经网络的前向传播是将数据集中的样本输入到网络中，经过逐级传播最终得到输出结果，在网络中上一层的输出作为当前层的输入，那么当前层的输入X_l-1与输出X_l之间的关系如下：

X_l＝f(W₁V_lX_l-1+b_l)

(1)

其中l代表层数；W代表权重；b是一个偏置；f是激活函数

反向传播阶段反向传播过程就是将误差通过反向传递的方式向前传递，使上一层的神经元根据误差来进行自身权值的更新。具体就是使用链式求导法则对每层的神经元节点迭代计算梯度，传递实际输出和相应的理想输出之间的误差。

本研究设误差函数为平方误差函数，具体如下：

式中，c为输出层节点的个数，通常是最终分类的类别数目；为数据集中第n个样本第k维所对应的目标值，为数据集中第n个样本第k维对应的输出值。反向传播算法从最后一层开始，反向计算误差向量，不断重复利用链式法则，通过反向计算累计梯度的损失值,并使得损失函数最小化。

具体实例：

本发明所采用的实验图像是通过拍摄在均匀光照下的土壤(人工收集)而来，土壤湿度范围广。这里将图片裁剪后样本图像大小为32×32像素。通过进行旋转、镜像、随机剪裁等操作，实验中共选取了500张南湖校区土壤照片图片，将其中的350张图片作为训练集，150张图片作为验证集。为了减少网络的整体运算量，将所有图片进行了灰度化处理，相当于将图片降维。对于测得的图片湿度将其分为两类，需要浇水和不需要浇水，并做好标签。

实验过程

实验数据分批加载进内存进行训练，批处理大小为20，加载一批数据进行一次训练即一次迭代。在找到合适的卷积神经网络模型前测试了不同卷积层数、卷积核数下网络模型的收敛情况。

卷积神经网络中，设置合适的卷积层数是建模网络的关键步骤之一。卷积层数过多则可能导致网络出现过拟合现象。本文分别使用3层卷积、2层卷积、1层卷积和不使用卷积层进行实验并对其收敛性及准确率进行比较。每种网络结构迭代了20次。不同卷积层下，各网络准确率如表3所示。

表1 卷积层数不同时网络的准确率

由表1可知，在卷积层数大于2层时，网络的准确率并不高，而在卷积层数为1时获得了较高的准确率。不使用卷积层采用全连接层时网络不收敛。所以，只采用了1层的卷积神经网络。

卷积核大小是影响网络效率的另一重要因素。当使用具有1层卷积层的网络结构时，将网络的卷积核大小分别设置为7、5、3进行实验，迭代20次后不同卷积核下，各网络准确率如表4所示。

表2 卷积核数不同时网络的准确率

由表2可知，当卷积核数为5和7时，对于2分类来说网络的准确率非常低，而在卷积核数为3时网络达到了较高的准确率。经过进一步的实验，将鉴湖和东院校区的土壤用于检验土壤类别是否会影响网络参数的改变，经过验证，只需要稍微调整卷积神经网络参数就可以获得预期结果。

实验结果

用具有1层卷积层和3层全连接层，卷积核大小为3的网络，设置初始学习率为0.001，经过20次迭代后，测试集的分类准确率为85％。对于测试集的150张图片，其中正确分类128张(准确率略高于85％)，错误分类22张。

实验结论

通过设定不同的卷积层数，卷积核数，下采样层数等得到准确的数据，可以说明之前的网络架构模型是准确的，有以下结论：

(1)将深度卷积神经网络应用到土壤湿度分类中，该方法直接输入原始图像的灰度图，由卷积网络自动提取特征，降低了人为提取特征的主观性因素，并达到85％的分类准确率，说明应用深度卷积神经网络对土壤图像分类具有较高的准确率和可靠性。

(2)通过对卷积神经网络参数的调整，构建出适合土壤图像分类的网络，不同种类的土壤需要调整卷积神经网络参数。

实验结果中存在较小的误差可能是土壤样本的瑕疵，因此下一步研究工作是对土壤进行进一步的处理以期获得更好的分类效果。

Claims (5)

1.一种园林智能浇灌系统，其特征在于：包括土壤图像采集模块，图像处理模块，图像分析模块，控制中心、浇灌管网，所述土壤图像采集模块用于采集园林土壤的图像，所述图像处理模块用于将采集到的土壤图像进行归一化处理和灰度化处理；图像分析模块通过采用卷积神经网络算法分析处理过的土壤图像的特征来判断土壤的湿度与其对应的土壤湿度建立函数关系模型，进而判断土壤的湿度；控制中心通过土壤的湿度进行分析判断土壤的含水量，从而实现浇灌管网的控制。

2.根据权利要求1所述的园林智能浇灌系统，其特征在于：还包括时间控制模块，所述时间控制模块控制土壤图像采集模块每隔设定时间采集园林土壤图像。

3.根据权利要求1或2所述的园林智能浇灌系统，其特征在于：所述浇灌管网包括固态继电器、电磁阀、水阀开关，所述控制中心控制固态继电器和水阀开关，固态继电器控制电磁阀。

4.根据权利要求1或2所述的园林智能浇灌系统，其特征在于：还包括显示模块，其与控制中心相连，用于实时显示土壤湿度信息。

5.根据权利要求1或2所述的园林智能浇灌系统，其特征在于：所述土壤图像采集模块包括基于CMOS的图像采集设备。