CN112400676A - 一种基于大数据的智能灌溉系统 - Google Patents

Abstract

本发明公开了一种基于大数据的智能灌溉系统，包括云平台、用户管理模块、环境监测模块、水量预测模块、设备监测模块和辅料添加模块；本发明设置了环境监测模块，该设置通过对农作物生长环境进行监测，并根据监测结果判断农作物是否需要进行灌溉，有助于用户实时了解农作物的状态；本发明设置了水量预测模块，该设置利用历史数据和人工智能算法对农作物灌溉用水量进行预测，不仅有助于提高农作物的灌溉效率，而且能够避免水资源的浪费；本发明设置了辅料添加模块，该设置根据农作物叶片的状态判断是否需要添加辅料，判断的准确度较高，且有助于提高辅料的利用率。

Description

一种基于大数据的智能灌溉系统

技术领域

本发明属于农业灌溉技术领域，具体是一种基于大数据的智能灌溉系统。

背景技术

在农业发展中，灌溉一直对农作物的生长起到决定性作用，现有农业灌溉系统是孤立存在的，农业耕作者完全依据天气预报信息，依靠观察实地土壤湿度进行灌溉，非常耗费精力，并且不能完成保证灌溉时间合适，没有形成适宜的精准的农作物灌溉控制系统，不利于农作物的良好生长；同时，现有的智能灌溉系统往往采用定时灌溉的方式，不能根据环境状况智能调整灌溉量，往往造成水资源的浪费。

公开号为CN107873493A的发明专利提供了一种基于大数据的智能灌溉系统，包括：云服务器、移动终端、本地端主机、监测模块及管网系统，监测模块还包括湿度传感器、第一流量传感器、第一通信模块及第一MCU，本地端主机包括第二通信模块，湿度传感器、第一流量传感器及通信模块分别与第一MCU连接，第一通信模块与第二通信模块通信连接，本地端主机、移动终端分别于云服务器无线通信连接；管网系统包括主管道、支管道、灌溉管道及喷头，主管道与蓄水池连接，支管道设置在主管道上，灌溉管道设置在所述支管道上，喷头设置在所述灌溉管道末端，监控模块数量与喷头数量一一对应。

上述方案通过云服务器结合天气环境、土壤湿度智能调整灌溉量，有效地节约了水源，根据历史数据生成管理表，用户可根据管理表查看各个时间段地灌溉量；但是，上述方案结合地源数据信息较少，没有对不同农作物的灌溉信息进行区分，而且管理表的方式较为陈旧，应用起来不方便且准确率不足；因此，上述方案仍需进一步改进。

发明内容

有鉴于此，本发明的目的在于提出一种基于大数据的智能灌溉系统，以致力于解决背景技术中的全部问题或者之一。

本发明的目的可以通过以下技术方案实现：一种基于大数据的智能灌溉系统，包括云平台、用户管理模块、环境监测模块、水量预测模块和数据存储模板，所述用户管理模块、所述环境监测模块、所述水量预测模块和所述数据存储模板均与所述云平台连接，所述数据存储模板与所述用户管理模块连接；

所述环境监测模块用于对农作物的生长环境进行监测，包括：

获取农作物品种，并将农作物品种标记为i，i＝1，2，……，n；

获取灌溉评估系数GPXi；

所述环境监测模块将灌溉评估系数GPXi发送给云平台处理，然后云平台输出预警信号发送给水量预测模块和用户管理模块；

通过云平台将预警信号发送记录发送至数据存储模块进行存储；

所述水量预测模块用于对灌溉用水量进行预测，包括：

当水量预测模块接收预警信号后，获取农作物生长区域面积和农作物生长时长；

云平台获取数据存储模块中已经训练完成的人工智能算法模型；

获取输入数据，将输入数据输入到人工智能算法模型中，得到终输出数据，将终输出数据标记为预测用水量YYL；

获取数据存储模块中存储的标准用水量范围[L3,L4]，当预测用水量YYL满足L3≤YYL≤L4，则判定预测用水量YYL满足条件，通过云平台将预测用水量YYL发送至用户管理模块和数据存储模块，其中L3和L4为预设标准用水量阈值；

云平台根据预测用水量YYL控制灌溉设备对农作物进行灌溉。

可选的，通过数据存储模块获取训练输入数据和训练输出数据，所述训练输入数据包括农作物生长区域的环境温度值HWDi和环境湿度值HSDi、农作物生长区域的所述土壤湿度值TSDi和所述土壤温度值TWDi、农作物生长区域面积和农作物生长时长，将训练输入数据进行归一化得到所述输入数据。

可选的，训练所述人工智能算法模型：

通过数据存储模块获取训练输出数据，所述训练输出数据为训练输入数据对应条件下的最佳灌溉用水量；

将训练输出数据进行归一化处理得到预输出数据，将所述输出数据和所述预输出数据对人工智能算法模型进行训练而得到训练完成的人工智能算法模型，所述人工智能算法模型包括误差前向传播神经网络、RBF神经网络和模糊神经网络；

将训练完成的人工智能算法模型通过云平台发送至数据存储模块进行存储。

可选的，所述预警信号包括农作物水分正常信号、农作物非充分灌溉信号和农作物充分灌溉信号；

当灌溉评估系数GPXi满足0<GPXi≤L1时，则判定农作物不需要灌溉，云平台发送农作物水分正常信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L1<GPXi≤L2时，则判定农作物轻微缺水，云平台发送农作物非充分灌溉信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L2<GPXi时，则判定农作物严重缺水，云平台发送农作物充分灌溉信号至水量预测模块和用户管理模块；

其中L1和L2为预设灌溉评估系数阈值。

可选的，获取监测数据，所述监测数据包括环境评估系数HPXi和土壤评估系数TPXi，所述灌溉评估系数GPXi＝α6×(HPXi+TPXi)+α7，通过云平台将监测数据及灌溉评估系数GPXi发送至数据存储模块进行存储；

其中α6和α7为预设比例系数，且0<α6<α7。

可选的，获取农作物生长区域的环境温度值HWDi和环境湿度值HSDi，所述监测数据还包括农作物生长区域的环境温度值HWDi和环境湿度值HSDi，环境评估系数HPXi＝α1×HWDi×e^α2×HSDi+α3；

其中α1、α2和α3为预设比例系数，α1、α2和α3均大于0，且α1+α2+α3＝1.125，e为自然常数。

7.根据权利要求5所述的一种基于大数据的智能灌溉系统，其特征在于，获取农作物生长区域的所述土壤湿度值TSDi和所述土壤温度值TWDi，所述监测数据还包括农作物生长区域的所述土壤湿度值TSDi和所述土壤温度值TWDi，土壤评估系数

其中α4和α5为预设比例系数，且α4和α5均大于0。

可选的，所述云平台连接有设备监测模块，所述设备监测模块用于对灌溉设备进行监测，所述灌溉设备包括主管道、支管道、灌溉管道及喷头，所述主管道与蓄水池连接，所述主管道通过主管道连接所述灌溉管道，所述喷头设置在灌溉管道末端；

所述设备监测模块，包括：

获取设备评估系数SPX；

当设备评估系数SPX满足0<SPX≤L5时，则判定灌溉设备正常，通过云平台发送灌溉设备正常信号至用户管理模块；当设备评估系数SPX满足L5<SPX时，则判定灌溉设备异常，通过云平台发送灌溉设别异常信号至用户管理模块，其中L5为预设设备评估系数阈值；

通过云平台将灌溉设备正常信号发送记录和灌溉设备异常信号发送记录发送至数据存储模块进行存储。

可选的，获取灌溉设备的使用年限，并将使用年限标记为SN，获取灌溉时主管道和灌溉管道的水流速度，并将主管道水流速度和灌溉管道水流速度分别标记为ZSS和GSS，所述设备评估系数

其中e为自然常数，β1、β2和β3为预设比例系数，且β1、β2和β3均为大于0的实数。

可选的，所述云平台连接有辅料添加模块，所述辅料添加模块用于在灌溉时添加辅料，所述辅料包括肥料和杀虫剂，

所述辅料添加模块，包括；

获取N幅不同的农作物叶片图像，对农作物叶片图像进行图像预处理，得到标准叶片图像；所述农作物叶片图像为农作物单个叶片的图像；其中N为大于1000的整数；

获取标准叶片图像的灰度平均值HDj，通过灰度平均值HDj获取农作物叶片灰度均值NTHJ，农作物叶片灰度均值

其中j＝1，2，……，N；

当农作物叶片灰度均值NTHJ满足0<NTHJ≤K1时，则判定农作物不需要添加辅料；当农作物叶片灰度均值NTHJ满足K1<NTHJ≤K2时，则判定农作物需要添加肥料，云平台发送肥料添加信号至用户管理模块；当农作物叶片灰度均值NTHJ满足K2<NTHJ时，则判定农作物需要添加杀虫剂，云平台发送杀虫剂添加信号至用户管理模块；其中K1和K2为预设农作物叶片灰度均值阈值；

通过数据存储模块获取辅料添加对照表，根据农作物叶片灰度均值、农作物生长区域面积和农作物品种添加辅料。

与现有技术相比，本发明的有益效果是：

1、本发明设置了环境监测模块，该设置用于对农作物的生长环境进行监测；获取农作物品种，获取灌溉评估系数GPXi；当灌溉评估系数GPXi满足0<GPXi≤L1时，则判定农作物不需要灌溉，云平台发送农作物水分正常信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L1<GPXi≤L2时，则判定农作物轻微缺水，云平台发送农作物非充分灌溉信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L2<GPXi时，则判定农作物严重缺水，云平台发送农作物充分灌溉信号至水量预测模块和用户管理模块，环境监测模块通过对农作物生长环境进行监测，并根据监测结果判断农作物是否需要进行灌溉，有助于用户实时了解农作物的状态；

2、本发明设置了水量预测模块，该设置用于对灌溉用水量进行预测；当水量预测模块接收预警信号后，获取农作物生长区域面积和农作物生长时长；云平台获取数据存储模块中已经训练完成的人工智能算法模型；获取输入数据，将输入数据输入到人工智能算法模型中，得到终输出数据，将终输出数据标记为预测用水量YYL；获取数据存储模块中存储的标准用水量范围[L3,L4]，当预测用水量YYL满足L3≤YYL≤L4，则判定预测用水量YYL满足条件，通过云平台将预测用水量YYL发送至用户管理模块和数据存储模块；云平台根据预测用水量YYL控制灌溉设备对农作物进行灌溉，水量预测模块利用历史数据和人工智能算法对农作物灌溉用水量进行预测，不仅有助于提高农作物的灌溉效率，而且能够避免水资源的浪费；

3、本发明设置了辅料添加模块，所述辅料添加模块用于在灌溉时添加辅料，所述辅料包括肥料和杀虫剂，所述辅料添加模块包括；获取N幅不同的农作物叶片图像，对农作物叶片图像进行图像预处理，得到标准叶片图像；所述图像预处理包括图像分割、图像增强、图像校正和灰度变换；所述农作物叶片图像为农作物单个叶片的图像；其中N为大于1000的整数；获取标准叶片图像的灰度平均值HDj，通过灰度平均值HDj获取农作物叶片灰度均值NTHJ，农作物叶片灰度均值

其中j＝1，2，……，N；当农作物叶片灰度均值NTHJ满足0<NTHJ≤K1时，则判定农作物不需要添加辅料；当农作物叶片灰度均值NTHJ满足K1<NTHJ≤K2时，则判定农作物需要添加肥料，云平台发送肥料添加信号至用户管理模块；当农作物叶片灰度均值NTHJ满足K2<NTHJ时，则判定农作物需要添加杀虫剂，云平台发送杀虫剂添加信号至用户管理模块；其中K1和K2为预设农作物叶片灰度均值阈值；通过数据存储模块获取辅料添加对照表，根据农作物叶片灰度均值、农作物生长区域面积和农作物品种添加辅料；辅料添加模块根据农作物叶片的状态判断是否需要添加辅料，判断的准确度较高，且有助于提高辅料的利用率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，除非另外定义，本发明实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

一种基于大数据的智能灌溉系统，包括云平台、用户管理模块、环境监测模块、水量预测模块和数据存储模板，所述用户管理模块、所述环境监测模块、所述水量预测模块和所述数据存储模板均与所述云平台连接，所述数据存储模板与所述用户管理模块连接；

所述环境监测模块用于对农作物的生长环境进行监测，包括：

获取农作物品种，并将农作物品种标记为i，i＝1，2，……，n；

获取灌溉评估系数GPXi：

获取农作物生长区域的环境温度值HWDi和环境湿度值HSDi，所述监测数据还包括农作物生长区域的环境温度值HWDi和环境湿度值HSDi，环境评估系数HPXi＝α1×HWDi×e^α2×HSDi+α3；

其中α1、α2和α3为预设比例系数，α1、α2和α3均大于0，且α1+α2+α3＝1.125，e为自然常数；

获取农作物生长区域的所述土壤湿度值TSDi和所述土壤温度值TWDi，所述监测数据还包括农作物生长区域的所述土壤湿度值TSDi和所述土壤温度值TWDi，土壤评估系数

其中α4和α5为预设比例系数，且α4和α5均大于0；

获取监测数据，所述监测数据包括环境评估系数HPXi和土壤评估系数TPXi，所述灌溉评估系数GPXi＝α6×(HPXi+TPXi)+α7，通过云平台将监测数据及灌溉评估系数GPXi发送至数据存储模块进行存储；

其中α6和α7为预设比例系数，且0<α6<α7；

所述预警信号包括农作物水分正常信号、农作物非充分灌溉信号和农作物充分灌溉信号；

所述环境监测模块将灌溉评估系数GPXi发送给云平台处理，

当灌溉评估系数GPXi满足0<GPXi≤L1时，则判定农作物不需要灌溉，云平台发送农作物水分正常信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L1<GPXi≤L2时，则判定农作物轻微缺水，云平台发送农作物非充分灌溉信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L2<GPXi时，则判定农作物严重缺水，云平台发送农作物充分灌溉信号至水量预测模块和用户管理模块；

其中L1和L2为预设灌溉评估系数阈值。

通过云平台将预警信号发送记录发送至数据存储模块进行存储。

环境监测模块通过对农作物生长环境进行监测，并根据监测结果判断农作物是否需要进行灌溉，有助于用户实时了解农作物的状态。

所述水量预测模块用于对灌溉用水量进行预测，包括：

当水量预测模块接收预警信号后，获取农作物生长区域面积和农作物生长时长；

通过数据存储模块获取训练输入数据和训练输出数据，所述训练输入数据包括农作物生长区域的环境温度值HWDi和环境湿度值HSDi、农作物生长区域的所述土壤湿度值TSDi和所述土壤温度值TWDi、农作物生长区域面积和农作物生长时长，将训练输入数据进行归一化得到所述输入数据；

训练所述人工智能算法模型：

通过数据存储模块获取训练输出数据，所述训练输出数据为训练输入数据对应条件下的最佳灌溉用水量；

将训练输出数据进行归一化处理得到预输出数据，将所述输出数据和所述预输出数据对人工智能算法模型进行训练而得到训练完成的人工智能算法模型，所述人工智能算法模型包括误差前向传播神经网络、RBF神经网络和模糊神经网络；

将训练完成的人工智能算法模型通过云平台发送至数据存储模块进行存储；

云平台获取数据存储模块中已经训练完成的人工智能算法模型；

获取输入数据，将输入数据输入到人工智能算法模型中，得到终输出数据，将终输出数据标记为预测用水量YYL；

获取数据存储模块中存储的标准用水量范围[L3,L4]，当预测用水量YYL满足L3≤YYL≤L4，则判定预测用水量YYL满足条件，通过云平台将预测用水量YYL发送至用户管理模块和数据存储模块，其中L3和L4为预设标准用水量阈值；

云平台根据预测用水量YYL控制灌溉设备对农作物进行灌溉。

所述标准用水量范围通过查找标准用水量表获取，所述标准用水量表为农业专家根据农作物品种、农作物生长区域面积和农作物生长时长制定的标准灌溉用水量范围。

水量预测模块利用历史数据和人工智能算法对农作物灌溉用水量进行预测，不仅有助于提高农作物的灌溉效率，而且能够避免水资源的浪费。

所述预警信号包括农作物水分正常信号、农作物非充分灌溉信号和农作物充分灌溉信号；

当灌溉评估系数GPXi满足0<GPXi≤L1时，则判定农作物不需要灌溉，云平台发送农作物水分正常信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L1<GPXi≤L2时，则判定农作物轻微缺水，云平台发送农作物非充分灌溉信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L2<GPXi时，则判定农作物严重缺水，云平台发送农作物充分灌溉信号至水量预测模块和用户管理模块；

其中L1和L2为预设灌溉评估系数阈值。

所述云平台连接有设备监测模块，所述设备监测模块用于对灌溉设备进行监测，所述灌溉设备包括主管道、支管道、灌溉管道及喷头，所述主管道与蓄水池连接，所述主管道通过主管道连接所述灌溉管道，所述喷头设置在灌溉管道末端；

所述设备监测模块，包括：

获取设备评估系数SPX：

获取灌溉设备的使用年限，并将使用年限标记为SN，获取灌溉时主管道和灌溉管道的水流速度，并将主管道水流速度和灌溉管道水流速度分别标记为ZSS和GSS，所述设备评估系数

其中e为自然常数，β1、β2和β3为预设比例系数，且β1、β2和β3均为大于0的实数；

当设备评估系数SPX满足0<SPX≤L5时，则判定灌溉设备正常，通过云平台发送灌溉设备正常信号至用户管理模块；当设备评估系数SPX满足L5<SPX时，则判定灌溉设备异常，通过云平台发送灌溉设别异常信号至用户管理模块，其中L5为预设设备评估系数阈值；

通过云平台将灌溉设备正常信号发送记录和灌溉设备异常信号发送记录发送至数据存储模块进行存储。

所述云平台连接有辅料添加模块，所述辅料添加模块用于在灌溉时添加辅料，所述辅料包括肥料和杀虫剂，

所述辅料添加模块，包括；

获取N幅不同的农作物叶片图像，对农作物叶片图像进行图像预处理，得到标准叶片图像；其中所述图像预处理包括图像分割、图像增强、图像校正和灰度变换；所述农作物叶片图像为农作物单个叶片的图像；其中N为大于1000的整数；

获取标准叶片图像的灰度平均值HDj，通过灰度平均值HDj获取农作物叶片灰度均值NTHJ，农作物叶片灰度均值

其中j＝1，2，……，N；

当农作物叶片灰度均值NTHJ满足0<NTHJ≤K1时，则判定农作物不需要添加辅料；当农作物叶片灰度均值NTHJ满足K1<NTHJ≤K2时，则判定农作物需要添加肥料，云平台发送肥料添加信号至用户管理模块；当农作物叶片灰度均值NTHJ满足K2<NTHJ时，则判定农作物需要添加杀虫剂，云平台发送杀虫剂添加信号至用户管理模块；其中K1和K2为预设农作物叶片灰度均值阈值；

通过数据存储模块获取辅料添加对照表，根据农作物叶片灰度均值、农作物生长区域面积和农作物品种添加辅料。

辅料添加模块根据农作物叶片的状态判断是否需要添加辅料，判断的准确度较高，且有助于提高辅料的利用率。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数由本领域的技术人员根据实际情况设定。

本发明的工作原理：

本发明设置了环境监测模块，该设置用于对农作物的生长环境进行监测；获取农作物品种，获取灌溉评估系数GPXi；当灌溉评估系数GPXi满足0<GPXi≤L1时，则判定农作物不需要灌溉，云平台发送农作物水分正常信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L1<GPXi≤L2时，则判定农作物轻微缺水，云平台发送农作物非充分灌溉信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L2<GPXi时，则判定农作物严重缺水，云平台发送农作物充分灌溉信号至水量预测模块和用户管理模块，环境监测模块通过对农作物生长环境进行监测，并根据监测结果判断农作物是否需要进行灌溉，有助于用户实时了解农作物的状态。

本发明设置了水量预测模块，该设置用于对灌溉用水量进行预测；当水量预测模块接收预警信号后，获取农作物生长区域面积和农作物生长时长；云平台获取数据存储模块中已经训练完成的人工智能算法模型；获取输入数据，将输入数据输入到人工智能算法模型中，得到终输出数据，将终输出数据标记为预测用水量YYL；获取数据存储模块中存储的标准用水量范围[L3,L4]，当预测用水量YYL满足L3≤YYL≤L4，则判定预测用水量YYL满足条件，通过云平台将预测用水量YYL发送至用户管理模块和数据存储模块；云平台根据预测用水量YYL控制灌溉设备对农作物进行灌溉，水量预测模块利用历史数据和人工智能算法对农作物灌溉用水量进行预测，不仅有助于提高农作物的灌溉效率，而且能够避免水资源的浪费。

本发明设置了辅料添加模块，所述辅料添加模块用于在灌溉时添加辅料，所述辅料包括肥料和杀虫剂，所述辅料添加模块包括；获取N幅不同的农作物叶片图像，对农作物叶片图像进行图像预处理，得到标准叶片图像；所述图像预处理包括图像分割、图像增强、图像校正和灰度变换；所述农作物叶片图像为农作物单个叶片的图像；其中N为大于1000的整数；获取标准叶片图像的灰度平均值HDj，通过灰度平均值HDj获取农作物叶片灰度均值NTHJ，农作物叶片灰度均值

其中j＝1，2，……，N；当农作物叶片灰度均值NTHJ满足0<NTHJ≤K1时，则判定农作物不需要添加辅料；当农作物叶片灰度均值NTHJ满足K1<NTHJ≤K2时，则判定农作物需要添加肥料，云平台发送肥料添加信号至用户管理模块；当农作物叶片灰度均值NTHJ满足K2<NTHJ时，则判定农作物需要添加杀虫剂，云平台发送杀虫剂添加信号至用户管理模块；其中K1和K2为预设农作物叶片灰度均值阈值；通过数据存储模块获取辅料添加对照表，根据农作物叶片灰度均值、农作物生长区域面积和农作物品种添加辅料；辅料添加模块根据农作物叶片的状态判断是否需要添加辅料，判断的准确度较高，且有助于提高辅料的利用率。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于大数据的智能灌溉系统，其特征在于，包括云平台、用户管理模块、环境监测模块、水量预测模块和数据存储模板，所述用户管理模块、所述环境监测模块、所述水量预测模块和所述数据存储模板均与所述云平台连接，所述数据存储模板与所述用户管理模块连接；

所述环境监测模块用于对农作物的生长环境进行监测，包括：

获取农作物品种，并将农作物品种标记为i，i＝1，2，……，n；

获取灌溉评估系数GPXi；

所述环境监测模块将灌溉评估系数GPXi发送给云平台处理，然后云平台输出预警信号发送给水量预测模块和用户管理模块；

通过云平台将预警信号发送记录发送至数据存储模块进行存储；

所述水量预测模块用于对灌溉用水量进行预测，包括：

当水量预测模块接收预警信号后，获取农作物生长区域面积和农作物生长时长；

云平台获取数据存储模块中已经训练完成的人工智能算法模型；

获取输入数据，将输入数据输入到人工智能算法模型中，得到终输出数据，将终输出数据标记为预测用水量YYL；

获取数据存储模块中存储的标准用水量范围[L3,L4]，当预测用水量YYL满足L3≤YYL≤L4，则判定预测用水量YYL满足条件，通过云平台将预测用水量YYL发送至用户管理模块和数据存储模块，其中L3和L4为预设标准用水量阈值；

云平台根据预测用水量YYL控制灌溉设备对农作物进行灌溉。

2.根据权利要求1所述的一种基于大数据的智能灌溉系统，其特征在于，通过数据存储模块获取训练输入数据和训练输出数据，所述训练输入数据包括农作物生长区域的环境温度值HWDi和环境湿度值HSDi、农作物生长区域的所述土壤湿度值TSDi和所述土壤温度值TWDi、农作物生长区域面积和农作物生长时长，将训练输入数据进行归一化得到所述输入数据。

3.根据权利要求2所述的一种基于大数据的智能灌溉系统，其特征在于，训练所述人工智能算法模型：

通过数据存储模块获取训练输出数据，所述训练输出数据为训练输入数据对应条件下的最佳灌溉用水量；

将训练输出数据进行归一化处理得到预输出数据，将所述输出数据和所述预输出数据对人工智能算法模型进行训练而得到训练完成的人工智能算法模型，所述人工智能算法模型包括误差前向传播神经网络、RBF神经网络和模糊神经网络；

将训练完成的人工智能算法模型通过云平台发送至数据存储模块进行存储。

4.根据权利要求1所述的一种基于大数据的智能灌溉系统，其特征在于，所述预警信号包括农作物水分正常信号、农作物非充分灌溉信号和农作物充分灌溉信号；

当灌溉评估系数GPXi满足0<GPXi≤L1时，则判定农作物不需要灌溉，云平台发送农作物水分正常信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L1<GPXi≤L2时，则判定农作物轻微缺水，云平台发送农作物非充分灌溉信号至水量预测模块和用户管理模块；当灌溉评估系数GPXi满足L2<GPXi时，则判定农作物严重缺水，云平台发送农作物充分灌溉信号至水量预测模块和用户管理模块；

其中L1和L2为预设灌溉评估系数阈值。

5.根据权利要求1或者4所述的一种基于大数据的智能灌溉系统，其特征在于，获取监测数据，所述监测数据包括环境评估系数HPXi和土壤评估系数TPXi，所述灌溉评估系数GPXi＝α6×(HPXi+TPXi)+α7，通过云平台将监测数据及灌溉评估系数GPXi发送至数据存储模块进行存储；

其中α6和α7为预设比例系数，且0<α6<α7。

6.根据权利要求5所述的一种基于大数据的智能灌溉系统，其特征在于，获取农作物生长区域的环境温度值HWDi和环境湿度值HSDi，所述监测数据还包括农作物生长区域的环境温度值HWDi和环境湿度值HSDi，环境评估系数HPXi＝α1×HWDi×e^α2×HSDi+α3；

其中α1、α2和α3为预设比例系数，α1、α2和α3均大于0，且α1+α2+α3＝1.125，e为自然常数。

7.根据权利要求5所述的一种基于大数据的智能灌溉系统，其特征在于，获取农作物生长区域的所述土壤湿度值TSDi和所述土壤温度值TWDi，所述监测数据还包括农作物生长区域的所述土壤湿度值TSDi和所述土壤温度值TWDi，土壤评估系数

其中α4和α5为预设比例系数，且α4和α5均大于0。

8.根据权利要求1所述的一种基于大数据的智能灌溉系统，其特征在于，所述云平台连接有设备监测模块，所述设备监测模块用于对灌溉设备进行监测，所述灌溉设备包括主管道、支管道、灌溉管道及喷头，所述主管道与蓄水池连接，所述主管道通过主管道连接所述灌溉管道，所述喷头设置在灌溉管道末端；

所述设备监测模块，包括：

获取设备评估系数SPX；

当设备评估系数SPX满足0<SPX≤L5时，则判定灌溉设备正常，通过云平台发送灌溉设备正常信号至用户管理模块；当设备评估系数SPX满足L5<SPX时，则判定灌溉设备异常，通过云平台发送灌溉设别异常信号至用户管理模块，其中L5为预设设备评估系数阈值；

通过云平台将灌溉设备正常信号发送记录和灌溉设备异常信号发送记录发送至数据存储模块进行存储。

9.根据权利要求8所述的一种基于大数据的智能灌溉系统，其特征在于，获取灌溉设备的使用年限，并将使用年限标记为SN，获取灌溉时主管道和灌溉管道的水流速度，并将主管道水流速度和灌溉管道水流速度分别标记为ZSS和GSS，所述设备评估系数

其中e为自然常数，β1、β2和β3为预设比例系数，且β1、β2和β3均为大于0的实数。

10.根据权利要求1所述的一种基于大数据的智能灌溉系统，其特征在于，所述云平台连接有辅料添加模块，所述辅料添加模块用于在灌溉时添加辅料，所述辅料包括肥料和杀虫剂，

所述辅料添加模块，包括；

获取N幅不同的农作物叶片图像，对农作物叶片图像进行图像预处理，得到标准叶片图像；所述农作物叶片图像为农作物单个叶片的图像；其中N为大于1000的整数；

获取标准叶片图像的灰度平均值HDj，通过灰度平均值HDj获取农作物叶片灰度均值NTHJ，农作物叶片灰度均值

其中j＝1，2，……，N；

当农作物叶片灰度均值NTHJ满足0<NTHJ≤K1时，则判定农作物不需要添加辅料；当农作物叶片灰度均值NTHJ满足K1<NTHJ≤K2时，则判定农作物需要添加肥料，云平台发送肥料添加信号至用户管理模块；当农作物叶片灰度均值NTHJ满足K2<NTHJ时，则判定农作物需要添加杀虫剂，云平台发送杀虫剂添加信号至用户管理模块；其中K1和K2为预设农作物叶片灰度均值阈值；

通过数据存储模块获取辅料添加对照表，根据农作物叶片灰度均值、农作物生长区域面积和农作物品种添加辅料。

Images