CN111612331A - 基于土壤水势的模糊智能植物生长监控系统及控制目标阈值获取方法 - Google Patents

基于土壤水势的模糊智能植物生长监控系统及控制目标阈值获取方法 Download PDF

Info

Publication number
CN111612331A
CN111612331A CN202010425177.1A CN202010425177A CN111612331A CN 111612331 A CN111612331 A CN 111612331A CN 202010425177 A CN202010425177 A CN 202010425177A CN 111612331 A CN111612331 A CN 111612331A
Authority
CN
China
Prior art keywords
index
water
fuzzy
module
intelligent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010425177.1A
Other languages
English (en)
Inventor
钱春阳
杜太行
王建春
孙曙光
李凤菊
刘伟
孙海波
邹军军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information Research Institute Of Tianjin Academy Of Agricultural Sciences
Hebei University of Technology
Original Assignee
Information Research Institute Of Tianjin Academy Of Agricultural Sciences
Hebei University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Information Research Institute Of Tianjin Academy Of Agricultural Sciences, Hebei University of Technology filed Critical Information Research Institute Of Tianjin Academy Of Agricultural Sciences
Priority to CN202010425177.1A priority Critical patent/CN111612331A/zh
Publication of CN111612331A publication Critical patent/CN111612331A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Agronomy & Crop Science (AREA)
  • Primary Health Care (AREA)
  • Mining & Mineral Resources (AREA)
  • Animal Husbandry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及植物生长领域，尤其涉及一种基于土壤水势的模糊智能植物生长监控系统，其包括温室中央控制器、智能计算控制模块、综合网络传输模块、数字图像采集模块、水肥耦合灌溉首部设备及电源管理模块，所述的数字图像采集模块负责动态实时获取植物生长表型变化数据，采用水肥耦合灌溉首部设备进行植物营养调节，采用主客观权重和偏好系数的二级模糊综合评判方法获取的最佳土壤水势范围作为控制目标阈值，以土壤水势下限为启动判断基准和调控手段，采用变灌溉时长控制的方式进行植物生长过程监控，能够更加综合的、动态的记录植物生长过程中因局部小气候环境变化产生长变化，判断方法更具有科学性、全面性。

Description

基于土壤水势的模糊智能植物生长监控系统及控制目标阈值 获取方法
技术领域
本发明涉及植物生长控制技术领域，尤其涉及一种基于土壤水势的模糊智能植物生长监控系统及控制目标阈值获取方法。
背景技术
设施农业是发达地区现代农业的重要标志，是天津沿海都市型农业的支柱产业和农民增收的主要途径，在农业及农村经济发展中的地位和作用越来越重要。人工智能技术在温室植物生长监控中已得到了广泛的应用，研究人员将先进的电子信息技术与智能控制技术用于温室植物生长监控中,使他们的温室智能化水平不断提高。温室系统是一个复杂的大系统，不仅具有大惯性、非线性和纯时延等特点，而且很难对其建立精确的数学模型，传统的控制方法已不能满足其控制要求。人工智能技术在植物生长调节过程中的使用大大改善了此状态，科研人员将模糊逻辑推理、专家知识、神经网络相结合来预测农作物的生长变化和灌溉用水量，并且不断的根据传感器釆集到的环境参数进行及时的调节，满足不同环境下的农作物的生长用水，做到准时、准确地灌溉。在设施农业生产过程中，植物的生长对于水、肥的依赖在其整个生育期内都是毋庸置疑的。传统的大水漫灌或者是不当的灌水施肥制度，将会使植物无法在最适环境中生长，导致发病率大大提高，生长受限，甚至死亡。因此获取植物生长过程中最佳灌溉指标是实现水肥耦合、节水灌溉、植物生长调节的关键技术，同时，配合智能灌溉系统更可以为农作物提供更加科学有效的生长调节。
设施蔬菜最佳灌溉指标是对植物智能生长调控的控制目标，以往所设计的智能控制系统中，主要以检测到的土壤当前湿度和最佳湿度作为对比，当实时湿度小于最佳湿度下限时则对植株进行适当灌溉从而达到节水目的。但是由于不同地区的土壤成分差异，湿度不能反映出土壤水分对植物的有效性，比如15％的含水量沙土适合所有植物的生长，但是在此湿度的黏土上植物却无法生存。如果不同地区都使用相同最佳土壤湿度，不可避免造成水分的浪费或者对植物生长造成影响。而水势则与土壤类型无关，含有相同水势的不同类型土壤对作物的水分有效性相同，因此，以土壤水势作为灌溉指标更具有普遍适用性。
如何挑选出植物生长过程中最优综合指标，以及评价植物生长的好坏，是确定系统控制目标必不可少的步骤，这时就需要采用合理的评价模型对植物生长过程中的各项指标进行评价。最为人们熟知的评价模型是线性的，即评价指标加权平均综合模型。其评价思想的核心是建立在评价结果可以叠加，评价因子为线性关系的假设之上。这种模型计算简单，建模方便，目前现有的评价大多采用这一方法。但是实际上这种假设条件并不能成立，因此实际操作起来结果往往不能令人满意，评价结果的可信度也较差。
发明内容
本发明的主要目的就是针对上述问题，提供一种基于土壤水势的模糊智能植物生长监控系统。
一种基于土壤水势的模糊智能植物生长监控系统，其特征在于：包括温室中央控制器、智能计算控制模块、综合网络传输模块、数字图像采集模块、水肥耦合灌溉首部设备及电源管理模块；
所述综合网络传输模块包括用于接收田间水势数据和温室小气候数据的短距离无线传输模块和用于向云端远程监控终端接收和发送数据的远程无线通讯模块，所述的远程无线通讯模块作为4G网络传输终端与温室中央控制器通过以太网接口进行连接；
所述温室中央控制器用于接收温室中央控制器、智能计算控制模块、综合网络传输模块的控制信号并控制水肥耦合灌溉首部设备工作；
所述电源管理模块用于为温室中央控制器、智能计算控制模块以及网络传输模块供电；
所述的智能计算控制模块包括模糊智能控制模块和最佳指标计算模块，所述的模糊智能控制模块建立Mamdani型模糊控制器作为推理机，以土壤水势及其变化率作为输入量，最佳灌溉时长作为输出量，采用水肥耦合灌溉首部设备进行植物营养调节；所述最佳指标计算模块将数字图像数据与手动输入指标参数分级、分类，采用主客观权重和偏好系数的二级模糊综合评判方法计算得出最佳土壤水势范围作为控制目标阈值；
所述水肥耦合灌溉首部，用于实现水路、肥路独立输出和水肥混合输出。
所述温室中央控制器包括嵌入式触控一体机，采用12寸电容触摸一体机 SS-104WD，分辨率：1024*768，CPU：J1900；安装内存：8.00GB；系统类型： Win7 64位操作系统；固态硬盘容量：128G。
所述电源管理模块具有短路、过流、过压、欠压和漏电保护功能，提供220V 转24V适配器，稳压器。
水肥耦合灌溉首部设备包括肥液桶、支架、搅拌器、第一电磁阀、第二电磁阀和第三电磁阀；所述肥液桶内设有搅拌器，侧壁上设有上限位传感器和下限位传感器，所述第一电磁阀的一端通过过滤器与主进水口连接，所述第一电磁阀的另一端与所述肥液桶连接，所述第二电磁阀和第三电磁阀的一个共同端与所述过滤器连接，第三电磁阀的另一端与比例泵的一端连接，比例泵的另一端与第二电磁阀的另一端连接后共同接入流量计的一端，所述比例泵的入口通过管路与所述肥液桶内部连通。
所述的电磁阀采用DC6-12V直流电磁阀，直流功率：4.5W，超动电流0.3A，工作电流0.28A，工作压力0.1～1.04MPa，流量0.45～34.05m3/h，螺纹内牙。
所述的比例施肥器采用以色列泰丰比例施肥器，添加比例0.4～4％，流量范围20～2500L/h，工作压力0.2～8.0bar，接口尺寸3/4”外螺纹，水利驱动比例施肥方式，稳定供液。
所述的数字图像采集模块，采用RGB-D传感器KinectV2相机，分辨率 1920*1080像素，监测范围0.5～4.5m，可以由2D颜色信息通过Kinect SDK坐标转换关系匹配到3D空间点。
一种控制目标阈值获取方法，
具体包括以下步骤：
步骤1：基于层次分析法的主观权重确定
i.计算指标权重值
Figure RE-GDA0002596432510000031
Figure RE-GDA0002596432510000032
Figure RE-GDA0002596432510000033
其中Mj为判断矩阵每一行元素的乘积，ωj为所求特征向量，即各指标权重值；
ii.判断矩阵的一次性检验
Figure RE-GDA0002596432510000041
Figure RE-GDA0002596432510000042
Figure RE-GDA0002596432510000043
式中，λmax为判断矩阵最大特征根，CI为一致性指标，CR为一致性比率，当CR＜0.1时便认为判断矩阵满足一致性要求；
步骤2：基于熵权法的客观权重确定
i.对于数值越大越好的收益型指标，第j个指标在第i个对象中的属性值xij可以按公式(91)转换为：
Figure RE-GDA0002596432510000044
式中，
Figure RE-GDA0002596432510000045
是指按第j个指标统计的最大属性值，即选择性能最优的属性值；
对于数值越小越好的成本型指标，第j个指标在第i个对象中的属性值xij可以按式(8)转换为：
Figure RE-GDA0002596432510000046
式中：
Figure RE-GDA0002596432510000047
是指按第j个指标统计的最小属性值，即选择性能最差的属性值。
如果属性值xij的极差相差很大，为了提高转换精度，可以将标准化的转换形式变换为式(9)、式(10)：
3)对于越大越好指标。
Figure RE-GDA0002596432510000051
4)对于越小越好的指标，
Figure RE-GDA0002596432510000052
可以根据属性值的情况选择其中一种变化形式；
ii.计算指标的信息熵值
第j个指标的指标熵如式(11)：
Figure RE-GDA0002596432510000053
式中，
Figure RE-GDA0002596432510000054
(i＝1,2,...,m；j＝1,2,...,n)，如果fij＝0，则定义
Figure RE-GDA0002596432510000055
iii.计算指标权重
第j个指标的权重用式(12)表示：
Figure RE-GDA0002596432510000056
步骤3：综合权重的计算
在确定综合权重时，取主观偏好系数α＝0.6(0<α<1)，则设施蔬菜品质指标综合权重为WQUA＝0.6W1+0.4W2，同理可获得生长指标综合权重值WGRO、耗水指标综合权重值WWAT和产量指标综合权重WYIE；
步骤4：对于一级指标运用相同的赋权法，得到四项一级指标权重，从而获得不同水分梯度下设施黄瓜综合评判值；选取数值最大的指标作为最适土壤水势指标范围。
步骤5：将评判结果作为控制系统输入变量的物理论域，写入到以LABVIEW 为开发平台的模糊推理机中。
本方法中包括4个二级指标，按照关系的密切程度划分为耗水指标、生长指标、产量指标和品质指标，其中，耗水指标包括总用水量和水分生产率，生长指标包括叶长、叶宽、茎粗、节间距和叶片数；产量指标包括、总产量指标；品质指标包括平均单果重、直瓜比、维生素C、硝态氮、可溶性糖。
本发明的有益效果是:
本发明选取设施蔬菜生长过程中的13个指标按照关系的密切程度划分两级指标，采用AHP模糊综合评判算法进行二级模糊综合评判计算，联合应用AHP 和熵权法进行权重分配，最后加入偏好系数进行综合权重计算以确定不同水分梯度下设施黄瓜生长的模糊综合评判值。较传统对比实验方法，能够更加综合的记录植物生长过程中因局部小气候环境变化产生的生长变化，判断方法更具有科学性、全面性，最终，将评判结果作为控制系统输入变量的物理论域。
附图说明
图1为本发明的原理图；
图2为本发明的控制器结构图；
图3为本发明中水肥耦合灌溉首部设备结构图；
图4为本发明中级模糊评判的因素集。
具体实施方式
下面结合附图及较佳实施例详细说明本发明的具体实施方式。
一种基于土壤水势的模糊智能植物生长监控系统，其特征在于：包括温室中央控制器、智能计算控制模块、综合网络传输模块、数字图像采集模块、水肥耦合灌溉首部设备及电源管理模块；
所述综合网络传输模块包括用于接收由田间布置的无线土壤水势传感器数据的短距离无线传输模块和用于向云端远程监控终端接收和发送数据的远程无线通讯模块，所述的远程无线通讯模块作为4G网络传输终端与温室中央控制器通过以太网接口进行连接；
所述温室中央控制器用于接收温室中央控制器、智能计算控制模块、综合网络传输模块的控制信号并控制水肥耦合灌溉首部设备工作；
所述电源管理模块用于为温室中央控制器、智能计算控制模块以及网络传输模块供电；
所述的智能计算控制模块包括模糊智能控制模块和最佳指标计算模块，所述的模糊智能控制模块建立Mamdani型模糊控制器作为推理机，以土壤水势及其变化率作为输入量，最佳灌溉时长作为输出量，采用水肥耦合灌溉首部设备进行植物营养调节；所述最佳指标计算模块将数字图像数据与手动输入指标参数分级、分类，采用主客观权重和偏好系数的二级模糊综合评判方法计算得出最佳土壤水势范围作为控制目标阈值；智能计算控制模块输出端用于驱动水肥耦合灌溉首部设备上的电磁阀，实现以土壤水势下限为启动判断基准，采用变灌溉时长的方式进行植物生长过程调控，通过数字图像采集模块通过动态实时获取叶长、叶宽等植株生长过程参数，采用主客观权重和偏好系数的二级模糊综合评判方法获取的最佳土壤水势范围作为控制目标阈值，实现以土壤水势下限为启动判断基准，采用变灌溉时长的方式进行植物生长过程控制；所述的水肥耦合灌溉首部，能够实现水路、肥路独立输出和水肥混合输出。
所述水肥耦合灌溉首部，用于实现水路、肥路独立输出和水肥混合输出。所述的外壳尺寸为60*50*20cm3，外壳表面开孔尺寸为302*245cm2，安装有急停开关、指示灯及按钮，并装有嵌入式触控一体机；壳体内安装PLC控制器、无线传输模块、电源、继电器、相关附件包括总线端子排、线槽、电线等。
所述的模糊智能控制模块选用微处理器为ST30的西门子S7-200SMART作为现场可编程逻辑控制器来驱动水肥耦合灌溉首部。温室中央控制器在PC Access SMART创建西门子的OPC服务，并在Labview中绑定变量实现对PLC的变量输出操作，同理为了进行远程控制，建立了无线传输端和PLC之间的地址映射。
所述的电源管理模块具有短路、过流、过压、欠压、漏电等多种保护功能，提供220V转24V适配器，稳压器。
所述的嵌入式触控一体机采用12寸电容触摸一体机SS-104WD，分辨率： 1024*768，CPU：J1900；安装内存：8.00GB；系统类型：Win7 64位操作系统；固态硬盘容量：128G。
所述的远程无线通讯模块采用4G网络传输终端与PLC通过以太网连接，主要技术参数如下：工作电压：DC 12～24V；通讯接口：以太网；SIM卡接口：TD-LTE (4G)。
所述的温室中央控制中心平台软件作为本发明中智能灌溉控制器的决策系统，以LABVIEW为开发平台，采用NI OPC Server+以太网口实现LabVIEW与PLC 间通讯连接、采用LabSQL工具包建立LabVIEW与SQL Server间通讯连接；建立了双输入单输出的Mamdani型模糊控制器作为推理机，实时土壤水势与理想水势差值(E)和差值变化率(EC)为输入量，最佳灌溉时长(U)作为输出量，采用主客观权重和偏好系数的二级模糊综合评判方法获取的最佳土壤水势范围作为控制目标阈值，实现以土壤水势下限为启动判断基准，采用变灌溉时长的方式进行智能灌溉。
水肥耦合灌溉首部设备包括肥液桶1、支架2、搅拌器3、第一电磁阀4、第二电磁阀5和第三电磁阀6；所述肥液桶内设有搅拌器，侧壁上设有上限位传感器7和下限位传感器8，所述第一电磁阀的一端通过过滤器11与主进水口连接，所述第一电磁阀的另一端与所述肥液桶连接，所述第二电磁阀和第三电磁阀的一个共同端与所述过滤器连接，第三电磁阀的另一端与比例泵9的一端连接，比例泵的另一端与第二电磁阀的另一端连接后共同接入流量计10的一端，所述比例泵的入口通过管路与所述肥液桶内部连通。
所述的水肥耦合灌溉首部，能够实现水路、肥路独立输出和水肥混合输出、其供电部分接入整个系统的电源管理单元，第一电磁阀用于给肥液桶补水，当水位降到下限位传感器位置时，设备提示水位过低，待人工确认肥液桶内肥料补充完成后，打开第一电磁阀同时打开搅拌器进行肥料稀释混合，当水位达到上限位传感器时，第一电磁阀自动关闭；当第一电磁阀关闭、第二电磁阀打开时水从主进水口进入后直接从肥水耦合出口流出，有流量计记录供水量初值、终值等；第一电磁阀关闭、第二电磁阀、第三电磁阀同时打开时主进水口水流带动比例泵通过肥液管将肥液安预设比例吸入管道与水混合，从肥水耦合出口流出，流量计计算水肥耦合量，通过与预设比例系数换算，计算水、肥供给量，实现水肥耦合，调节植物生长；肥液出口用于清洗肥液桶；支架系统采用铝型材，可以进行单设备及多组插拔式组装连接。
该方法用于设施黄瓜灌溉，指标获取
以设施黄瓜为对象，对其最佳土壤灌溉水势评判的指标有13个，具体的实施办法是将13个指标按照关系的密切程度划分为耗水指标、生长指标、产量指标和品质指标四组高层目标，每组高层指标有各自的评价目标，然后将高层指标构成一组，计算得到不同水分梯度下设施黄瓜生长的模糊综合评判值。二级模糊评判的因素集如图4所示，令U＝{U1、U2、U3、U4},其中，U表示二级模糊综合评判因素集，U1、U2、U3、U4分别表示各一级指标模糊评判因素集，即 U1＝{a1,a2},U2＝{b1,b2,b3,b4,b5},U3＝{c1,c2},U4＝{d1,d2,d3,d4}。
评语集采用V＝{v1,v2,v3,v4,v5}表示{很好，好，一般，较差，差}五个等级，对需要评判的黄瓜各项生长生理指标，根据隶属度函数确定其模糊评判矩阵。计算每项指标选择的隶属度函数应该相同，这里选用较为典型的三角形隶属度函数构建对应于评语集的五等级模糊矩阵。
将每种水分梯度下测得的黄瓜各项生长生理指标中的最大值作为L5,最小值作为L1,从L1到L5之间进行五等分，各评判指标分级标准值用L1、L2、L3、 L4、L5表示。表2为设施黄瓜各项生长生理指标测量值，以总耗水量为例，L1 为最小值0.208，L5为最大值1.04，则L2、L3、L4的值分别是0.416、0.624、 0.832。
表2设施黄瓜生长生理指标实测值
Figure RE-GDA0002596432510000091
相应的三角形隶属度函数表达式如式13所示：
Figure RE-GDA0002596432510000101
对于要评价的各项指标，计算一级评价指标对每个评语等级的隶属度，构成一级模糊评判矩阵R1(2×5)、R2(5×5)、R3(2×5)和R4(4×5)进行量化运算，考虑到人们的认知习惯和黄瓜生长生理的实际情况，数值越大表示黄瓜长势越好。所以5表示“很好”，4表示“好”，3表示“一般”，2表示“较差”， 1表示“很差”。不同水分梯度下设施黄瓜的各项指标评分情况如表3所示。
表3实验黄瓜在特定水分条件下指标的评判值
Figure RE-GDA0002596432510000102
AHP能够充分利用专家的主观意见，熵权法能够从实际采集的数据中反映出最为合理的权重。为了体现主观赋权法和客观赋权法的优点，本文将AHP和熵权法进行整合，引入主客观偏好系数，共同确定品质指标与生长指标下二级指标的权重，以品质指标为例，具体方法如下：
(1)AHP主观权重的获得
1)构造判断矩阵
对于目标层A(最佳品质指标)来说，准则层B的各项指标准则分别是直瓜比例高(B1)、Vc含量高(B2)、硝态氮含量高(B3)、可溶性糖含量高(B4)，根据专家意见结合1-9标度法构造如下的判断矩阵A：
Figure RE-GDA0002596432510000111
2)计算指标权重值
根据(1)式计算矩阵每行元素的乘积Mj:
M1＝6，M2＝8，M3＝0.5，M4＝0.0417.
根据(2)式计算Mj的n次方根：
Figure RE-GDA0002596432510000112
根据(3)式对
Figure RE-GDA0002596432510000113
进行归一化处理，得到：
Figure RE-GDA0002596432510000114
3)判断矩阵的一致性检验
根据(4)式计算判断矩阵的最大特征根λmax：
Figure RE-GDA0002596432510000115
Figure RE-GDA0002596432510000116
根据(5)式计算一致性指标CI:
Figure RE-GDA0002596432510000117
根据(6)式计算随机一致性比率CR:
Figure RE-GDA0002596432510000118
说明判断矩阵A满足一致性检验，则四项二级指标所占权重为W1＝(0.345,0.37,0.185,0.1)T。
(2)熵权法客观权重的获得
1)创建属性值矩阵
由于是对品质指标下的二级指标进行赋权，所以创建如表4的属性值矩阵 X＝(xij)m×n,其中，待评对象m值为9，参量n值为4。
表4-4不同水分梯度下的品质指标
Figure RE-GDA0002596432510000121
2)标准化矩阵
因为直瓜比、Vc、可溶性总糖是越大越好的效益型指标，硝态氨是越小越好的成本型指标，所以第j个指标在第i个对象中的属性值xij按照式(9)进行标准化转换，得到表5所示标准化矩阵。
表5不同水分梯度下品质指标标准化表
Figure RE-GDA0002596432510000122
3)求各指标的信息熵值
根据信息熵的计算公式(11)，可以计算出4项品质指标各自的信息熵值Ej 如表6所示：
表6品质指标的信息熵
Figure RE-GDA0002596432510000131
4)计算各指标权重
根据指标权重的计算公式(12)，可以得到各项指标的权重如表7所示：
表7品质指标的权重表
Figure RE-GDA0002596432510000132
客观权重向量为W2＝(0.275,0.185，0.208,0.332)T
(31)综合权重的计算
在确定综合权重时，取主观偏好系数α＝0.6，则设施黄瓜品质指标综合权重为W＝0.6W1+0.4W2＝(0.313,0.185,0.208,0.342)T。同理可得生长指标综合权重为(0.292,0.225,0.153,0.145,0.155)T，耗水指标综合权重为 (0.307,0.693)T,产量指标综合权重为(0.62,0.38)T。
结合上文运用模糊综合评判法得到的不同水分条件下的评判值，加权处理得到的四项一级指标的综合评判值如表8所示：
表8一级指标的模糊评判值
耗水指标 生长指标 产量指标 品质指标
T1 1 4.51 4.303 3.331
T2 1.231 3.921 4.41 3.523
T3 1.468 4.221 4.193 3.496
T4 1.611 4.48 4.134 3.515
T5 2.126 3.144 4.327 2.861
T6 2.527 2.98 3.717 2.91
T7 3.046 2.355 2.653 3.296
T8 3.694 1.402 1.811 3.349
T9 5 1.212 1 3.399
同理，对于一级指标运用相同的赋权法，得到的四项一级指标的权重分别为(0.23,0.196,0.306,0.268)T。因此，不同水分梯度下设施黄瓜二级模糊综合评判的评判值如表9所示：
表9各水分梯度下设施黄瓜综合评判值
T1 T2 T3 T4 T5 T6 T7 T8 T9
3.337 3.361 3.396 3.465 3.211 3.092 2.854 2.562 2.574
按照各指标的大小，数值越大代表该水分条件下设施黄瓜生长得越好，由表可知，采用基于AHP和熵权法的二级模糊综合评判得到的设施黄瓜生长的优劣排序是T4＞T3＞T2＞T1＞T5＞T6＞T7＞T9＞T8。可见T4水分条件下设施黄瓜生长的状态最佳，因此-20kPa<SWP<-15kPa作为最适生长范围指标，对应的作为智能灌溉控制系统的控制目标。
由于土壤大惯性、非线性的特征，很难确定具体的数学模型，所以采用模糊控制的方法，在专家的灌溉建议和大量灌溉经验基础上以自然语言的形式表现在控制规则上。选择双输入单输出的Mamdani型模糊控制器作为推理机，实时土壤水势与理想水势差值(E)和差值变化率(EC)为输入量，最佳灌溉时长 (U)作为输出量。通过模糊控制系统先把算得的两个输入量映射至模糊域，再输入到模糊控制器中，根据规则库进行模糊推理，最后解模糊得到电磁阀开启时间。利用模糊控制器分析处理土壤水势数据，配合规则库中丰富的种植经验，有效提高了灌溉决策的准确性，以土壤水势为测量参数的方式也广泛适用于各地区不同类型土壤的智能灌溉。

Claims (6)

1.一种基于土壤水势的模糊智能植物生长监控系统，其特征在于：包括温室中央控制器、智能计算控制模块、综合网络传输模块、数字图像采集模块、水肥耦合灌溉首部设备及电源管理模块；
所述综合网络传输模块包括用于接收田间水势数据和温室小气候数据的短距离无线传输模块和用于向云端远程监控终端接收和发送数据的远程无线通讯模块，所述的远程无线通讯模块作为4G网络传输终端与温室中央控制器通过以太网接口进行连接；
所述温室中央控制器用于接收温室中央控制器、智能计算控制模块、综合网络传输模块的控制信号并控制水肥耦合灌溉首部设备工作；
所述电源管理模块用于为温室中央控制器、智能计算控制模块以及网络传输模块供电；
所述的智能计算控制模块包括模糊智能控制模块和最佳指标计算模块，所述的模糊智能控制模块建立Mamdani型模糊控制器作为推理机，以土壤水势及其变化率作为输入量，最佳灌溉时长作为输出量，采用水肥耦合灌溉首部设备进行植物营养调节；所述最佳指标计算模块将数字图像数据与手动输入指标参数分级、分类，采用主客观权重和偏好系数的二级模糊综合评判方法计算得出最佳土壤水势范围作为控制目标阈值；
所述水肥耦合灌溉首部，用于实现水路、肥路独立输出和水肥混合输出。
2.根据权利要求1所述的一种基于土壤水势的模糊智能植物生长监控系统，其特征在于：所述温室中央控制器包括嵌入式触控一体机，采用12寸电容触摸一体机SS-104WD，分辨率：1024*768，CPU：J1900；安装内存：8.00GB；系统类型：Win7 64位操作系统；固态硬盘容量：128G。
3.根据权利要求1所述的基于土壤水势的模糊智能植物生长监控系统，其特征在于：所述电源管理模块具有短路、过流、过压、欠压和漏电保护功能，提供220V转24V适配器，稳压器。
4.根据权利要求1所述的基于土壤水势的模糊智能植物生长监控系统，其特征在于：水肥耦合灌溉首部设备包括肥液桶、支架、搅拌器、第一电磁阀、第二电磁阀和第三电磁阀；所述肥液桶内设有搅拌器，侧壁上设有上限位传感器和下限位传感器，所述第一电磁阀的一端通过过滤器与主进水口连接，所述第一电磁阀的另一端与所述肥液桶连接，所述第二电磁阀和第三电磁阀的一个共同端与所述过滤器连接，第三电磁阀的另一端与比例泵的一端连接，比例泵的另一端与第二电磁阀的另一端连接后共同接入流量计的一端，所述比例泵的入口通过管路与所述肥液桶内部连通。
5.一种如权利要求1-4任意一项所述监控系统的控制目标阈值获取方法，其特征在于：
具体包括以下步骤：
步骤1：基于层次分析法的主观权重确定
i.计算指标权重值
Figure RE-FDA0002596432500000021
Figure RE-FDA0002596432500000022
Figure RE-FDA0002596432500000023
其中Mj为判断矩阵每一行元素的乘积，ωj为所求特征向量，即各指标权重值；
ii.判断矩阵的一次性检验
Figure RE-FDA0002596432500000024
Figure RE-FDA0002596432500000025
Figure RE-FDA0002596432500000026
式中，λmax为判断矩阵最大特征根，CI为一致性指标，CR为一致性比率，当CR＜0.1时便认为判断矩阵满足一致性要求；
步骤2：基于熵权法的客观权重确定
i.对于数值越大越好的收益型指标，第j个指标在第i个对象中的属性值xij可以按公式(91)转换为：
Figure RE-FDA0002596432500000031
式中，
Figure RE-FDA0002596432500000032
是指按第j个指标统计的最大属性值，即选择性能最优的属性值；
对于数值越小越好的成本型指标，第j个指标在第i个对象中的属性值xij可以按式(8)转换为：
Figure RE-FDA0002596432500000033
式中：
Figure RE-FDA0002596432500000034
是指按第j个指标统计的最小属性值，即选择性能最差的属性值。
如果属性值xij的极差相差很大，为了提高转换精度，可以将标准化的转换形式变换为式(9)、式(10)：
1)对于越大越好指标。
Figure RE-FDA0002596432500000035
2)对于越小越好的指标，
Figure RE-FDA0002596432500000036
可以根据属性值的情况选择其中一种变化形式；
ii.计算指标的信息熵值
第j个指标的指标熵如式(11)：
Figure RE-FDA0002596432500000037
式中，
Figure RE-FDA0002596432500000041
如果fij＝0，则定义
Figure RE-FDA0002596432500000042
iii.计算指标权重
第j个指标的权重用式(12)表示：
Figure RE-FDA0002596432500000043
步骤3：综合权重的计算
在确定综合权重时，取主观偏好系数α＝0.6(0<α<1)，则设施蔬菜品质指标综合权重为WQUA＝0.6W1+0.4W2，同理可获得生长指标综合权重值WGRO、耗水指标综合权重值WWAT和产量指标综合权重WYIE；
步骤4：对于一级指标运用相同的赋权法，得到四项一级指标权重，从而获得不同水分梯度下设施黄瓜综合评判值；选取数值最大的指标作为最适土壤水势指标范围。
步骤5：将评判结果作为控制系统输入变量的物理论域，写入到以LABVIEW为开发平台的模糊推理机中。
6.根据权利要求5所述的方法，其特征在于：本方法中包括4个二级指标，按照关系的密切程度划分为耗水指标、生长指标、产量指标和品质指标，其中，耗水指标包括总用水量和水分生产率，生长指标包括叶长、叶宽、茎粗、节间距和叶片数；产量指标包括、总产量指标；品质指标包括平均单果重、直瓜比、维生素C、硝态氮、可溶性糖。
CN202010425177.1A 2020-05-19 2020-05-19 基于土壤水势的模糊智能植物生长监控系统及控制目标阈值获取方法 Pending CN111612331A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010425177.1A CN111612331A (zh) 2020-05-19 2020-05-19 基于土壤水势的模糊智能植物生长监控系统及控制目标阈值获取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010425177.1A CN111612331A (zh) 2020-05-19 2020-05-19 基于土壤水势的模糊智能植物生长监控系统及控制目标阈值获取方法

Publications (1)

Publication Number Publication Date
CN111612331A true CN111612331A (zh) 2020-09-01

Family

ID=72204967

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010425177.1A Pending CN111612331A (zh) 2020-05-19 2020-05-19 基于土壤水势的模糊智能植物生长监控系统及控制目标阈值获取方法

Country Status (1)

Country Link
CN (1) CN111612331A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381958A (zh) * 2020-10-30 2021-02-19 荣洋 一种etc门架系统状态在线监测方法及系统
CN112508042A (zh) * 2020-12-23 2021-03-16 安徽理工大学 一种基于模糊识别技术与图像识别技术的果园管理系统
CN113692833A (zh) * 2021-08-24 2021-11-26 安徽农业大学 一种水泵灌溉系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353656A (zh) * 2015-11-05 2016-02-24 宁波熵联信息技术有限公司 一种基于模糊推理的智能温室灌溉控制装置
CN106718363A (zh) * 2017-01-06 2017-05-31 安徽农业大学 一种面向精细农业的灌溉试验方法及其试验平台

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105353656A (zh) * 2015-11-05 2016-02-24 宁波熵联信息技术有限公司 一种基于模糊推理的智能温室灌溉控制装置
CN106718363A (zh) * 2017-01-06 2017-05-31 安徽农业大学 一种面向精细农业的灌溉试验方法及其试验平台

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张智，和志豪，等: "基于多层次模糊评判的樱桃番茄综合生长水肥耦合调控", 《农业机械学报》 *
杜太行，邹军军，等: "设施蔬菜智能灌溉控制系统的设置", 《节水灌溉》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381958A (zh) * 2020-10-30 2021-02-19 荣洋 一种etc门架系统状态在线监测方法及系统
CN112508042A (zh) * 2020-12-23 2021-03-16 安徽理工大学 一种基于模糊识别技术与图像识别技术的果园管理系统
CN113692833A (zh) * 2021-08-24 2021-11-26 安徽农业大学 一种水泵灌溉系统及方法

Similar Documents

Publication Publication Date Title
CN111612331A (zh) 基于土壤水势的模糊智能植物生长监控系统及控制目标阈值获取方法
CN104460582B (zh) 一种基于模糊控制的物联网智能灌溉施肥控制方法及系统
CN102183621B (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN104077725B (zh) 马铃薯种植物联网监测、控制及信息服务云平台综合系统
Moore et al. Multicrop production decisions in western irrigated agriculture: the role of water price
Huffaker et al. A theoretical analysis of economic incentive policies encouraging agricultural water conservation
CN110362894A (zh) 配电线路、变压器综合降损及节能计算分析方法及系统
CN107330804A (zh) 一种智慧水利管控云平台及方法
CN102999791A (zh) 一种电力行业中基于客户分群的电力负荷预测方法
CN102402185A (zh) 基于模糊控制的非充分灌溉控制方法
CN107392376A (zh) 一种农作物气象产量预测方法及系统
CN104881003A (zh) 一种计量生产设施效能评估方法
Provencher et al. Approximating the optimal groundwater pumping policy in a multiaquifer stochastic conjunctive use setting
CN110119086B (zh) 一种基于anfis神经网络的番茄温室环境参数智能监测装置
CN103226791A (zh) 区域粮食生产水足迹的测算方法
CN114365614A (zh) 基于物联网的水肥精准调控方法、智能装备及系统
CN110119767A (zh) 一种基于lvq神经网络的黄瓜温室温度智能化检测装置
Cao et al. Variation and driving mechanism analysis of water footprint efficiency in crop cultivation in China
CN113469528A (zh) 一种考虑时空关联多维不确定性的水库群多目标防洪调度风险分析方法
CN111967181A (zh) 一种基于apso-elm和模糊逻辑的灌溉时间计算方法
CN110264101A (zh) 一种盐渍农田的作物水分生产力的优化方法
CN111563661A (zh) 一种节水减排量的确定方法、装置及设备
CN108959746A (zh) 区域农业用水量核定与分解方法
CN108122137A (zh) 一种智能均衡农产品供需的方法及系统
CN110020680A (zh) 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination