CN111492959B - 一种基于物联网的灌溉方法及设备 - Google Patents

Abstract

本申请提出了一种基于物联网的灌溉方法及设备，用以解决现有的灌溉方法劳动力投入高，并造成水资源浪费的技术问题。方法包括：服务器接收土壤水份传感器上传的当前土壤含水量以及接收气象传感器上传的气象信息，并基于气象信息，确定预设时间段内的降水量；接收图像采集设备上传的农作物区域的图像数据，并将其输入至农作物种类识别模型中，得到农作物区域对应的农作物种类；基于农作物种类及当前土壤含水量，确定农作物种类在预设时间段内的实际需水量；计算得出降水量与实际需水量之间的第一差值，进而确定农作物区域内若干个灌溉设备的放水状态。本申请提出的灌溉方法，可自动提出有针对性的灌溉方案，有效的节约了灌溉用水。

Description

一种基于物联网的灌溉方法及设备

技术领域

本申请涉及农业灌溉技术领域，尤其涉及一种基于物联网的灌溉方法及设备。

背景技术

我国是一个农业大国，农产品及粮食产量一直居于世界前列。同时，我国又是一个人口大国，我国人口大部分都从事农业生产，依靠农业产品发展。但随着全球水资源的不断减少，给农业生产带来了一定的难题。

农业灌溉是农业种植和生产过程的重要环节，对提高粮食产量起到决定性作用。我国人均水资源匮乏，但是大面积的漫灌浇地现象使得资源浪费问题更加严重。虽然近年来管道浇灌技术的应用在一定程度上缓解了水资源浪费程度，但是大面积农田模式的出现，现有的农业灌溉技术需占用更多的人力物力，同时需要依据种植经验人为预测需水量，也更加加剧了水资源的浪费，造成水资源的利用率较低。

发明内容

本申请实施例提供了一种基于物联网的灌溉方法及设备，解决了在农业灌溉过程中，使用现有的灌溉技术劳动力投入过高，并且水资源利用率较低的技术问题。

一方面，本申请实施例提供了一种基于物联网的灌溉方法，方法包括：服务器接收土壤水份传感器上传的当前土壤含水量，以及接收气象传感器上传的气象信息，并基于气象信息，确定农作物区域在预设时间段内的降水量；其中，土壤水份传感器、气象传感器安装于同一农作物区域；当前土壤含水量为预设土壤深度的当前土壤含水量信息；以及，接收图像采集设备上传的农作物区域的图像数据；并将农作物区域的图像数据输入至农作物种类识别模型中，以识别出农作物区域的图像数据中包含的农作物种类；基于农作物种类及当前土壤含水量，确定农作物种类在预设时间段内的实际需水量；计算得出预设时间段内的降水量与实际需水量之间的第一差值，并基于第一差值，确定农作物区域内若干个灌溉设备的放水状态；其中，放水状态用于指示各个灌溉设备是否放水及放水量。

在本申请的一种实现方式中，在将农作物区域的图像数据输入至农作物种类识别模型之前，方法还包括：服务器接收来自互联网的第一农作物图像数据，并基于第一农作物图像数据，构建神经网络模型的训练数据集及特征样本库；利用训练数据集及特征样本库对神经网络模型进行训练；训练直至输出收敛，得到农作物种类识别模型。

在本申请的一种实现方式中，基于第一农作物图像数据，构建神经网络模型的训练数据集及特征样本库，具体包括：服务器对第一农作物图像数据进行预处理，得到第二农作物图像数据；其中，预处理包括以下任一项或者多项：调整尺寸大小、调整亮度、调整对比度；基于第二农作物图像数据，构建神经网络模型的训练数据集；对第二农作物图像数据以预设方式提取特征信息，得到第二农作物图像数据中包含的农作物种类对应的一个或多个特征信息，并基于一个或多个特征信息构建特征样本库。

在本申请的一种实现方式中，利用训练数据集及特征样本库对神经网络模型进行训练，具体包括：对输入神经网络模型的农作物图像以预设编码方式进行编码，得到农作物图像对应的特征向量；对特征向量以预设解码方式进行解码，以得到农作物图像对应的特征信息；将农作物图像对应的特征信息与特征数据库中的数据内容进行匹配；在农作物图像对应的特征信息与特征数据库中的预设数量个特征信息匹配成功的情况下，神经网络模型输出农作物图像对应的农作物种类。

在本申请的一种实现方式中，基于农作物种类及当前土壤含水量，确定农作物种类在预设时间段内的实际需水量，具体包括：服务器基于农作物种类，接收来自互联网平台的种植数据；并基于种植数据，确定农作物种类在预设时间段内的标准土壤含水量；其中，标准土壤含水量与当前土壤含水量对应同一土壤深度；计算当前土壤含水量与标准土壤含水量之间的第二差值，并基于第二差值确定农作物种类的实际需水量。

在本申请的一种实现方式中，基于第一差值，确定农作物区域内若干个灌溉设备的放水状态，具体包括：服务器基于第一差值，确定农作物区域内若干个灌溉设备的总放水量；在总放水量低于预设阈值的情况下，确定预设数量个灌溉设备进行放水，以及确定各个进行放水的所述灌溉设备的放水量；其中，第一预设数量小于所述若干个灌溉设备的总数量。

在本申请的一种实现方式中，方法还包括：在总放水量高于预设阈值的情况下，确定若干个灌溉设备全部进行放水，以及确定各个进行放水的灌溉设备的放水量。

在本申请的一种实现方式中，方法还包括：在若干个灌溉设备的放水状态对应的总放水量大于蓄水量的情况下，服务器将蓄水量平均分配至各个进行放水的灌溉设备，并向移动终端发送缺水警报信息。

在本申请的一种实现方式中，在确定农作物区域内若干个灌溉设备的放水状态之后，方法还包括：服务器基于放水状态，控制若干个灌溉设备开始工作，并将放水状态信息发送至移动终端。

另一方面，本申请实施例还提供了一种基于物联网的灌溉设备，设备包括：处理器；及存储器，其上存储有可执行代码，当可执行代码被执行时，使得处理器执行如上述的一种基于物联网的灌溉方法。

本申请实施例提供的一种基于物联网的灌溉方法及设备，通过安装于农作物区域的气象传感器及土壤水份传感器上传的数据，确定当前土壤含水量及预设时间段内的降水量；通过农作物种类识别模型，确定农作物区域对应的农作物种类，根据农作物种类、降水量及当前土壤含水量确定放水总量。充分利用降水及当前土壤所含水份，节省了灌溉用水量。另外，本申请实施例提出的灌溉方法还可以根据农作物种类做适当调整，根据不同的农作物种类所需的不同水量，确定不同的放水总量，进一步保证了灌溉用水的利用率，更好地避免了水资源浪费的问题。

另外，本申请实施例提供的一种基于物联网的灌溉方法及设备，通过各种传感器、服务器及灌溉设备相配合，可自动生成灌溉方案，不需要人为经验判断，并且完成农作物区域的灌溉行为，减少了人为参与，降低了劳动力的投入量，进而提高了农业灌溉的智能化水平。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本申请实施例提供的一种农作物区域内部设备安装分布示意图；

图2为本申请实施例提供的一种基于物联网的灌溉方法流程示意图；

图3为本申请实施例提供的一种基于物联网的灌溉设备内部结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

我国是一个农业大国，农业用水量占我国总用水量的一大部分。但随着经济的发展及社会的进步，工业用水、家庭用水量急剧增加，进一步缩小了农业的用水量。

另外，我国农业的灌溉方式比较单一，在农村地区，大多数灌溉方法采用人工灌溉，需要人为轮流的看管灌溉设备及农田灌溉水量，且灌溉水量依靠农民的种植经验判断。这种灌溉方法不仅浪费了大量的人力物力，使劳动力投入过高，降低灌溉效率。而且依靠经验判断灌溉水量、灌溉时长等，容易造成水资源的浪费，进而造成灌溉用水的利用率较低。

为解决上述技术问题，本申请实施例提供了一种基于物联网的灌溉方法及设备，通过农作物区域内安装的各类传感器获取降水量信息及土壤湿度信息；通过农作物种类识别模型确定农作物区域对应的农作物种类，基于农作物种类确定灌溉方案。不仅可以根据不同的农作物种类调整灌溉时长、灌溉用水量，提高水资源的利用率，节省水资源；还可以实现自动灌溉，减少人为参与，降低劳动力投入，进而提高了灌溉效率。

下面通过附图对本申请实施例提出的技术方案进行详细说明。

图1为本申请实施例提供的一种农作物区域内部设备安装分布示意图，如图1所示，农作物区域中安装有气象传感器、土壤水份传感器、灌溉设备及摄像头等设备。其中，气象传感器用于采集农作物区域的气象数据，以便确定农作物区域的降水量及降水时间；土壤水份传感器安装于农作物区域的地表上，用于采集农作物区域内一定深度的土壤含水量信息；为保证采集到准确的土壤含水量信息，在农作物区域内设置有多个土壤水分传感器；摄像头安装于农作物区域的四个转角处，用于采集农作物区域的图像数据，以便通过农作物种类识别模型，确定农作物区域种植的农作物种类；灌溉设备平均分布于农作物区域内，用于对农作物区域进行放水灌溉。为保证灌溉效率，农作物区域中设置有多个灌溉设备。

如图1所示，在农作物区域外部还设置有蓄水池，且蓄水池通过管道与农作物区域内的多个灌溉设备相连接。在各个灌溉设备与管道连接处均设置有一个电磁阀，用于控制管道的接通，进而控制灌溉用水是否接入灌溉设备。

在本申请的一个实施例中，服务器接收农作物区域内安装的各个传感器及摄像头上传的数据信息，并基于数据信息确定多个灌溉设备的放水状态，进而控制灌溉设备对农作物区域进行灌溉。

在本申请的另一实施例中，对需要进行放水的灌溉设备，服务器控制打开其连接的电磁阀；对不需要进行放水的灌溉设备，服务器控制其连接的电磁阀继续保持关闭。

服务器基于各个传感器及摄像头上传的数据，确定多个灌溉设备的放水状态，进而完成对农作物区域的灌溉，其具体的实现过程如图2所示。

图2为本申请实施例提供的一种基于物联网的灌溉方法流程示意图。如图2所示，本申请实施例提出的灌溉方法包括以下步骤：

步骤201、服务器接收土壤水份传感器、气象传感器及图像采集设备上传的数据。

安装在农作物区域的气象传感器、土壤水分传感器及图像采集设备，以固定时间为周期，将采集的数据上报服务器。

在本申请的一个实施例中，气象传感器、土壤水份传感器及图像采集设备安装于同一农作物区域，对同一农作物区域的数据进行采集。

在本申请的一个实施例中，为确定农作物区域内较为准确的土壤含水量信息，在农作物区域内安装有多个土壤水份传感器；多个土壤水份传感器将同一土壤深度的含水量信息上报服务器，服务器将多个含水量信息取平均值，作为农作物区域的土壤含水量。

在本申请的另一实施例中，气象传感器安装于农作物区域的预设位置，监测农作物区域的气象数据，并将其上报服务器；服务器基于气象数据确定农作物区域在预设时间段内的降水量信息。

步骤202、将农作物区域的图像数据输入农作物种类识别模型，确定农作物区域对应的农作物种类。

服务器将接收到的农作物区域的图像数据输入至农作物种类识别模型中，确定农作物区域对应种植的农作物种类。

在本申请的一个实施例中，在将图像数据输入农作物种类识别模型之前，首先需要训练神经网络模型，得到农作物种类识别模型，具体的训练过程包括以下过程：

首先，服务器接收来自互联网的若干农作物种类图像数据，为方便描述，记为第一农作物图像数据；其中，第一农作物图像数据中包括若干种类的农作物图像数据，以及同一农作物种类不同生长时期的图像数据。并基于第一农作物图像数据构建训练数据集及特征数据库。

在本申请的一个实施例中，将第一农作物图像数据进行预处理，得到第二农作物图像数据。其中，预处理过程包括：调整第一农作物图像数据中各个图像数据的尺寸大小、格式信息，使其满足神经网络模型的输入要求；例如，将所有图像数据调整为128*128大小的图像；并筛选出不包含农作物图像的数据，进行剔除。基于预处理后得到的第二农作物图像数据，构建神经网络模型的训练数据集。

在本申请的另一实施例中，对第二农作物图像数据中包含的个个图像进行特征提取，得到若干与农作物种类相关的特征信息；其中，每个特征信息对应于某一种或者某几种农作物种类所具有的特征。将所有的特征信息进行存储，得到农作物种类的特征数据库。例如，服务器从互联网接收到的第一图像数据中，包含多张玉米的图像，提取多张玉米图像中包含的特征信息，例如，绿色、叶片扁平宽大、不分枝、植株高大等特征信息进行存储，作为识别玉米图像的特征。

然后，对输入神经网络模型的图像数据进行编码，得到特征向量；基于特征向量以预设解码方式进行解码，得到输入神经网络模型的图像数据对应的特征数据。

在本申请的一个实施例中，对输入神经网络模型的一张图像数据，进行编码后，得到该图像数据对应的特征向量，其中，特征向量对应图像数据中包含的农作物种类相应的一个或多个特征信息；然后对得到的特征向量进行解码，得到图像数据对应的特征数据。

在本申请的另一实施例中，将得到的特征数据与特征数据库中的特征信息进行匹配；在特征数据与特征数据库中固定数量个特征信息匹配成功的情况下，调取匹配成功的特征信息对应的农作物种类，并进行输出。

需要说明的是，在输入的图像数据对应的特征数据与特征数据库中的特征信息进行匹配时，势必会匹配到不同种类的农作物含有的特征信息，此时神经网络模型将特征信息匹配度最高的农作物种类进行输出。例如，输入的图像数据是玉米图像，解码后得到5个特征信息，将得到的5个特征信息与特征数据库中的数据进行匹配时，匹配到一个小麦特征、一个高粱特征、三个玉米特征，那么神经网络模型输出的农作物种类为玉米。

通过第一农作物图像数据中包含的若干个农作物图像，对神经网络模型进行训练，直至输出收敛，得到农作物种类识别模型。

服务器通过提前训练好的农作物种类识别模型，准确识别出图像采集设备上传的图像数据中包含的农作物种类。

在本申请的一个实施例中，如果图像采集设备上传的图像数据中，至少包含两种农作物种类，输入到农作物种类识别模型之后，会输出图像数据中权重最大的农作物种类。这是因为在编码提取特征时，会优先提取图像数据中权重较大的内容所包含的特征数据。例如，采集设备上传的图像数据中，包含1/3的杂草、2/3的农作物，该图像数据输入农作物种类识别模型之后，会输出2/3农作物对应的农作物种类。

步骤203、基于农作物种类、当前土壤含水量，确定预设时间段内农作物种类的实际需水量。

服务器确定农作物种类的实际需水量，可通过以下两种方式实现：

方式1：服务器在确定农作物区域对应种植的农作物种类之后，根据农作物种类接收来自种植平台的种植数据，并基于种植数据确定农作物种类在预设时间段内的总需水量。根据降水量信息、当前土壤含水量信息计算得出农作物种类的实际需水量。

在本申请的一个实施例中，服务器接收的来自种植平台的种植数据主要包括以下任一项或多项：预设时间段内的总需水量、预设时间段内的害虫种类、预设时间段内的需肥量、预设时间段内的适用农药。

在本申请的一个实施例中，根据预设时间段内的降水量、当前土壤含水量及预设时间段内的总需水量，计算得出农作物种类在预设时间段内的实际需水量，具体通过以下公式确定：

N₁＝N-R-C+E

其中，N₁为预设时间段内农作物的实际需水量；N为预设时间段内农作物的总需水量；R为预设时间段内农作物区域的降水量；C当前土壤含水量；E为补偿水量。

在本申请的一个实施例中，考虑到水份蒸发、降水量不会全部被农作物吸收；以及当前土壤含水量也不会全部被利用，因此，在上述公式中引入一个补偿水量，使灌溉用总放水量更加适合农作物生长。

本领域技术人员可以明确的是，方式1中确定的农作物实际需水量即为灌溉设备的总放水量，基于若干灌溉设备的总放水量，即可确定若干灌溉设备的放水状态。

方式2：服务器根据农作物种类，基于接收到种植数据，确定预设时间段内标准土壤含水量。并基于标准土壤含水量与当前土壤含水量的第二差值，确定农作物种类在预设时间段内的实际需水量。

在本申请的一个实施例中，标准土壤含水量与当前土壤含水量对应于农作物区域的同一土壤深度。

需要说明的是，方式2中在根据土壤含水量确定的农作物实际需水量时，并没有考虑预设时间段内的降水量信息。也就是说，方式2中确定的实际需水量并不是灌溉设备的总放水量，还需考虑降水量信息。因此，方式2中，在确定农作物种类的实际需水量之后，还需要继续执行步骤204，确定若干固定设备的放水状态。

步骤204、计算降水量与实际需水量之间的第一差值，并基于第一差值确定若干灌溉设备的放水状态。

在通过方式2确定农作物种类的实际需水量之后，计算得出实际需水量与预设时间段内的降水量之间的第一差值，并基于第一差值，确定灌溉设备的防水状态。此处的第一差值考虑到了预设时间段内的降水量信息，因此，可以认为是农作物区域中若干灌溉设备的总放水量。

在本申请的一个实施例中，放水状态用于指示若干灌溉设备中各个灌溉设备是否进行放水，以及其放水量。

在本申请另一实施例中，如果若干灌溉设备的总放水量低于预设阈值，则确定预设数量个灌溉设备进行放水，以及确定每个进行放水的灌溉设备的放水量。

例如，确定的灌溉设备的总放水量为10方，预设阈值为15方，此时灌溉用总放水量低于预设阈值，服务器就可以确定2/3的灌溉设备进行放水，并确定进行放水的灌溉设备的位置平均分布于农作物区域内，以便灌溉设备可对农作物区域进行均匀的灌溉。确定每个灌溉设备的放水量为S₁＝S/n；其中，S为灌溉用总放水量；n为参与灌溉的灌溉设备数量。

如果若干灌溉设备的总放水量大于或者等于预设阈值，则确定所有灌溉设备全部参与灌溉，并确定各个灌溉设备的放水量。

在本申请的一个实施例中，若同一农作物区域内种植有不同的两种农作物种类，在灌溉时，可分别确定每一种农作物的实际需水量，并调整不同农作物种植区域的多个灌溉设备的总放水量。

例如，同一农作物区域内，左侧1/2种植有小麦，右侧1/2种植有果树。根据现有技术可以明确的是，预设时间段内果树的灌溉次数小于小麦的灌溉次数，也就相当于预设时间段内果树的需水量小于小麦的需水量，这种情况下，服务器就会根据不同的农作物确定不同的灌溉方案。

在本申请的一个实施例中，在确定灌溉方案之后，服务器将灌溉信息发送至移动终端，供种植人员及时查收。

在本申请的另一实施例中，在干旱季节，农作物区域外部设置有蓄水池，通过蓄水池为灌溉设备供水。在灌溉设备的总放水量大于蓄水量时，服务器采用两种不同的解决方案，方案1：在农作物区域内种植的只有一种农作物时，将所有蓄水量全部输送给灌溉设备，并通过控制各个灌溉设备的放水量，对农作物区域进行均匀的供水。方案2：在农作物区域内种植有两种或者大于两种农作物种类时，服务器确定在预设时间内处于缺水状态下，损伤最高的农作物；并将蓄水量的2/3分配给该种类的农作物灌溉；剩余1/3的蓄水量分配至其余农作物使用。

在本申请的一个实施例中，在服务器、移动终端、传感器与若干个灌溉设备之间构建区块链网络。将服务器、移动终端、传感器与各个灌溉设备设置为区块链的不同节点。每次灌溉时，各个灌溉参与者都可以将灌溉状态写入区块链网络，传感器将采集到的数据也写入区块链网络中。种植人员可在区块链网络上看到所有的灌溉信息及气象、土壤水份等数据信息，将所有数据写入区块链中，也方便种植人员及时学习种植经验以及调整灌溉方案。

以上为本申请的方法实施例，基于同样的发明构思，本申请实施例还提供了一种基于物联网的灌溉设备，其内部结构示意图如图3所示。

图3为本申请实施例提供的一种基于物联网的灌溉设备内部结构示意图，如图3所示，灌溉设备包括处理器301，及存储器302，其上存储有可执行代码，当可执行代码被执行时，使得处理器301执行如上述的一种基于物联网的灌溉方法。

在本申请的一个实施例中，处理器301用于接收土壤水份传感器上传的当前土壤含水量，以及接收气象传感器上传的气象信息，并基于气象信息，确定农作物区域在预设时间段内的降水量；其中，土壤水份传感器、气象传感器安装于同一农作物区域；当前土壤含水量为预设土壤深度的当前土壤含水量信息；还用于接收图像采集设备上传的农作物区域的图像数据；并将农作物区域的图像数据输入至农作物种类识别模型中，以识别出农作物区域的图像数据中包含的农作物种类；还用于基于农作物种类及当前土壤含水量，确定农作物种类在预设时间段内的实际需水量；还用于计算得出预设时间段内的降水量与实际需水量之间的第一差值，并基于第一差值，确定农作物区域内若干个灌溉设备的放水状态；其中，放水状态用于指示各个灌溉设备是否放水及放水量。

本申请中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (5)

1.一种基于物联网的灌溉方法，其特征在于，所述方法包括：

服务器接收土壤水分传感器上传的当前土壤含水量，以及接收气象传感器上传的气象信息，并基于所述气象信息，确定农作物区域在预设时间段内的降水量；其中，所述土壤水分传感器、气象传感器安装于同一农作物区域；所述当前土壤含水量为预设土壤深度的当前土壤含水量信息；

以及，接收图像采集设备上传的所述农作物区域的图像数据；并将所述农作物区域的图像数据输入至农作物种类识别模型中，以识别出所述农作物区域的图像数据中包含的农作物种类；

基于所述农作物种类及当前土壤含水量，确定所述农作物种类在所述预设时间段内的实际需水量；

计算得出所述预设时间段内的降水量与实际需水量之间的第一差值，并基于所述第一差值，确定所述农作物区域内若干个灌溉设备的放水状态；其中，所述放水状态用于指示各个所述灌溉设备是否放水及放水量；

在将所述农作物区域的图像数据输入至农作物种类识别模型之前，所述方法还包括：

服务器接收来自互联网的第一农作物图像数据，并基于所述第一农作物图像数据，构建神经网络模型的训练数据集及特征样本库；

利用所述训练数据集及特征样本库对神经网络模型进行训练；

训练直至输出收敛，得到所述农作物种类识别模型；

所述基于所述第一农作物图像数据，构建神经网络模型的训练数据集及特征样本库，具体包括：

服务器对所述第一农作物图像数据进行预处理，得到第二农作物图像数据；其中，所述预处理包括以下任一项或者多项：调整尺寸大小、调整亮度、调整对比度；

基于所述第二农作物图像数据，构建神经网络模型的训练数据集；

对所述第二农作物图像数据以预设方式提取特征信息，得到所述第二农作物图像数据中包含的农作物种类对应的一个或多个特征信息，并基于所述一个或多个特征信息构建特征样本库；

所述利用所述训练数据集及特征样本库对神经网络模型进行训练，具体包括：

对输入神经网络模型的农作物图像以预设编码方式进行编码，得到所述农作物图像对应的特征向量；

对所述特征向量以预设解码方式进行解码，以得到所述农作物图像对应的特征信息；

将所述农作物图像对应的特征信息与特征数据库中的数据内容进行匹配；

在所述农作物图像对应的特征信息与所述特征数据库中的预设数量个特征信息匹配成功的情况下，神经网络模型输出所述农作物图像对应的农作物种类；

所述基于所述第一差值，确定所述农作物区域内若干个灌溉设备的放水状态，具体包括：

服务器基于所述第一差值，确定所述农作物区域内若干个灌溉设备的总放水量；

在所述总放水量小于预设阈值的情况下，确定预设数量个灌溉设备进行放水，以及确定各个进行放水的所述灌溉设备的放水量；其中，所述预设数量小于所述若干个灌溉设备的总数量；

所述方法还包括：

在所述总放水量大于或者等于预设阈值的情况下，确定所述若干个灌溉设备全部进行放水，以及确定各个进行放水的所述灌溉设备的放水量。

2.根据权利要求1所述的一种基于物联网的灌溉方法，其特征在于，所述基于农作物种类及当前土壤含水量，确定所述农作物种类在所述预设时间段内的实际需水量，具体包括：

服务器基于所述农作物种类，接收来自互联网平台的种植数据；并基于所述种植数据，确定所述农作物种类在所述预设时间段内的标准土壤含水量；其中，所述标准土壤含水量与所述当前土壤含水量对应同一土壤深度；

计算所述当前土壤含水量与所述标准土壤含水量之间的第二差值，并基于所述第二差值确定所述农作物种类的实际需水量。

3.根据权利要求1所述的一种基于物联网的灌溉方法，其特征在于，所述方法还包括：

在所述若干个灌溉设备的放水状态对应的总放水量大于蓄水量的情况下，服务器将所述蓄水量平均分配至各个进行放水的所述灌溉设备，并向移动终端发送缺水警报信息。

4.根据权利要求1所述的一种基于物联网的灌溉方法，其特征在于，在确定所述农作物区域内若干个灌溉设备的放水状态之后，所述方法还包括：

服务器基于所述放水状态，控制所述若干个灌溉设备开始工作，并将所述放水状态信息发送至移动终端。

5.一种基于物联网的灌溉设备，其特征在于，所述设备包括：

处理器；

及存储器，其上存储有可执行代码，当所述可执行代码被执行时，使得所述处理器执行如权利要求1-4任一项所述的一种基于物联网的灌溉方法。

Images