CN112772384A - 一种基于卷积神经网络的农水灌溉系统和方法 - Google Patents
一种基于卷积神经网络的农水灌溉系统和方法 Download PDFInfo
- Publication number
- CN112772384A CN112772384A CN202110117111.0A CN202110117111A CN112772384A CN 112772384 A CN112772384 A CN 112772384A CN 202110117111 A CN202110117111 A CN 202110117111A CN 112772384 A CN112772384 A CN 112772384A
- Authority
- CN
- China
- Prior art keywords
- agricultural water
- irrigation
- monitoring
- water irrigation
- neural network
- 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.)
- Granted
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
Landscapes
- Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供一种基于卷积神经网络的农水灌溉系统,先通过图形捕获器捕获所有传感器的监测参数并形成图神经网络结构,图神经网络处理器通过图神经网络获得整个农水灌溉区域的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度,然后,农水灌溉处理器根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络整个农水灌溉区域的农水灌溉检测模型,最后,农水灌溉诊断器通过卷积神经网络建立监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,解决了现有的农水灌溉系统没有形成基于大数据的深度自学习进而做出预判和预案,通过历史数据和生物特性的神经网络实现自学习,进而做出预判和预案,以供决策。
Description
技术领域
本发明涉及农水灌溉领域,尤其涉及一种基于卷积神经网络的农水灌溉系统和方法。
背景技术
随着科学技术的发展,现代的科学和工业技术已逐渐渗透到农业生产中,现有的灌溉系统多数是以土壤的湿度、周边的环境温度等环境参数作为灌溉系统的控制参数,没有形成基于大数据的深度自学习进而做出预判和预案,而且参数繁多,不能简捷方便的提供决策给使用者以建议,造成了水资源的利用率低和浪费。因此,急需一种基于卷积神经网络的农水灌溉系统和方法,能通过历史数据和生物特性的神经网络实现自学习,进而做出预判和预案,给农水灌溉系统的使用者提供预判和预案,以供决策。
发明内容
本发明的目的在于提供一种基于卷积神经网络的农水灌溉系统和方法,以解决现有的农水灌溉系统没有形成基于大数据的深度自学习进而做出预判和预案,而且参数繁多,不能简捷方便的提供决策给使用者以建议,通过历史数据和生物特性的神经网络实现自学习,进而做出预判和预案,给农水灌溉系统的使用者提供预判和预案,以供决策。
为解决上述技术问题,本发明是这样实现的:
一种基于卷积神经网络的农水灌溉系统,包括:监测终端和农水灌溉决策平台;
监测终端,通过有线和/或无线收发模块采集设置在农水灌溉区域内的各个监测点的监测参数,并将上述监测参数发送给主控模块和存储器,并通过有线和/或无线收发模块发送给农水灌溉决策平台;
农水灌溉决策平台包括有线和/或无线收发模块、主控模块、存储器,还包括依次连接的图形捕获器、图神经网络处理器、农水灌溉处理器、农水灌溉诊断器,农水灌溉决策平台的主控模块分别与图形捕获器、图神经网络处理器、农水灌溉检测器、农水灌溉诊断器相连接;
农水灌溉决策平台通过有线和/或无线收发模块接收监测终端发送的监测点的监测参数,并将上述监测参数发送给农水灌溉决策平台的主控模块和存储器,通过上述监测参数基于历史数据和生物特性的神经网络对农水灌溉区域内的各个监测点进行灌溉预判并对相应的农水灌溉区域内的农水灌溉设备进行调度;
其中,图形捕获器,捕获农水灌溉区域内的各个监测点的所有传感器的监测参数并基于传感器节点形成图神经网络结构,图形捕获器的输出端连接图神经网络处理器的输入端;
图神经网络处理器,通过图神经网络挖掘农水灌溉区域内的各个监测点不同位置特征参数之间的内在联系,利用图神经网络中的无向图结构挖掘上述特征参数的隐层关系,从而获得农水灌溉区域内的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度,有效分析整个农水灌溉区域的运行环境,图神经网络处理器的输出端连接农水灌溉处理器的输入端;
农水灌溉处理器,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,以充分挖掘数据之间的时序特征,建立起农水灌溉检测模型,给农水灌溉诊断模型提供依据,农水灌溉处理器的输出端连接的农水灌溉诊断器输入端;
农水灌溉诊断器,通过卷积神经网络建立监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块反馈给农水灌溉决策平台。
一种基于卷积神经网络的农水灌溉方法,步骤包括:
101、监测终端,通过有线和/或无线收发模块采集设置在农水灌溉区域内的各个监测点的监测参数,并将上述监测参数发送给主控模块和存储器,并通过有线和/或无线收发模块发送给农水灌溉决策平台;
102、农水灌溉决策平台通过有线和/或无线收发模块接收监测终端发送的监测点的监测参数,并将上述监测参数发送给农水灌溉决策平台的主控模块和存储器;
103、农水灌溉决策平台的图形捕获器,捕获农水灌溉区域内的各个监测点的所有传感器的监测参数并基于传感器节点形成图神经网络结构,图形捕获器的输出端连接图神经网络处理器的输入端;
104、农水灌溉决策平台的图神经网络处理器,通过图神经网络挖掘农水灌溉区域内的各个监测点不同位置特征参数之间的内在联系,利用图神经网络中的无向图结构挖掘上述特征参数的隐层关系,从而获得农水灌溉区域内的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度,有效分析整个农水灌溉区域的运行环境,图神经网络处理器的输出端连接农水灌溉处理器的输入端;
105、农水灌溉决策平台的农水灌溉处理器,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,以充分挖掘数据之间的时序特征,建立起农水灌溉检测模型,给农水灌溉诊断模型提供依据,农水灌溉处理器的输出端连接的农水灌溉诊断器输入端;
106、农水灌溉决策平台的农水灌溉诊断器,通过卷积神经网络建立监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块反馈给农水灌溉决策平台。
与现有技术相比,本申请的技术方案通过设置传感器-监测终端-农水灌溉决策平台构成整个农水灌溉区域的监测和调度网络,在该基础上通过神经网络对整个农水灌溉区域的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度数据进行数学建模,具体地,先通过图形捕获器捕获整个农水灌溉区域内的各个监测点的所有传感器的监测参数并基于传感器节点形成图神经网络结构,图神经网络处理器通过图神经网络挖掘整个农水灌溉区域不同位置监测参数之间的内在联系,获得整个农水灌溉区域的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度,然后,农水灌溉处理器根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,并通过群智能优化算法对模型参数进行优化,最后,农水灌溉诊断器通过卷积神经网络建立监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块反馈给农水灌溉决策平台,解决了以解决现有的农水灌溉系统没有形成基于大数据的深度自学习进而做出预判和预案,而且参数繁多,不能简捷方便的提供决策给使用者以建议,通过历史数据和生物特性的神经网络实现自学习,进而做出预判和预案,给农水灌溉系统的使用者提供预判和预案,以供决策。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种基于卷积神经网络的农水灌溉系统。
图2是本发明一实施例提供的一种基于卷积神经网络的农水灌溉方法。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明一实施例提供一种基于卷积神经网络的农水灌溉系统,包括:监测终端1和农水灌溉决策平台2;
监测终端1,通过有线和/或无线收发模块1-1采集设置在农水灌溉区域内的各个监测点的监测参数,并将上述监测参数发送给主控模块1-2和存储器1-3,并通过有线和/或无线收发模块1-4发送给农水灌溉决策平台2;
农水灌溉决策平台2包括有线和/或无线收发模块2-1、主控模块2-2、存储器2-3,还包括依次连接的图形捕获器2-4、图神经网络处理器2-5、农水灌溉处理器2-6、农水灌溉诊断器2-7,农水灌溉决策平台2的主控模块2-2分别与图形捕获器2-4、图神经网络处理器2-5、农水灌溉检测器2-6、农水灌溉诊断器2-7相连接;
农水灌溉决策平台2通过有线和/或无线收发模块2-1接收监测终端1发送的监测点的监测参数,并将上述监测参数发送给农水灌溉决策平台2的主控模块2-2和存储器2-3,通过上述监测参数基于历史数据和生物特性的神经网络对农水灌溉区域内的各个监测点进行灌溉预判并对相应的农水灌溉区域内的农水灌溉设备进行调度;
其中,图形捕获器2-4,捕获农水灌溉区域内的各个监测点的所有传感器的监测参数并基于传感器节点形成图神经网络结构,图形捕获器的输出端连接图神经网络处理器的输入端;
图神经网络处理器2-5,通过图神经网络挖掘农水灌溉区域内的各个监测点不同位置特征参数之间的内在联系,利用图神经网络中的无向图结构挖掘上述特征参数的隐层关系,从而获得农水灌溉区域内的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度,有效分析整个农水灌溉区域的运行环境,图神经网络处理器的输出端连接农水灌溉处理器的输入端;
农水灌溉处理器2-6,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,以充分挖掘数据之间的时序特征,建立起农水灌溉检测模型,给农水灌溉诊断模型提供依据,农水灌溉处理器的输出端连接的农水灌溉诊断器输入端;
农水灌溉诊断器2-7,通过卷积神经网络建立监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块2-2反馈给农水灌溉决策平台2。
优选的,监测终端1通过采集设置在监测点的监测参数,并将上述监测参数发送给农水灌溉决策平台2,农水灌溉决策平台2根据上述三层神经网络的深度学习,自行决策如何调整区域内的农水灌溉设施的运行,决策的依据包括但不限于丰水期储水和引流、平水期的日常灌溉、枯水期的补水灌溉,并结合作物生长高度的变化、作物的叶片的生长变化、作物的水分状况、作物的芽茎的收缩和膨胀等信息给出多种预案,并将上述多种预案的研判和选择交给农水灌溉决策平台2的管理者,在农水灌溉决策平台2已经深度学习并自行决策的同时,提供人工干预与介入的操作途径。
优选的,监测点的监测参数可以通过传感器采集,也可以在设备的工作线路中连接仪表直接读取,上述监测参数包括但不限于农水灌溉设备的工作状态,包括电流、电压、功率、电量、温度、吞吐量、处理裕度等参数,也包括农作物的作物根系深度、作物生长阶段、土壤含水量、作物需水量等,还包括农作物区域的最高温度、最低温度、湿度、风速、降雨量、太阳辐射、田间渗漏等。
优选的,农水灌溉处理器,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,并通过群智能优化算法对模型参数进行优化,从而快速获得模型的最优解,以充分挖掘数据之间的时序特征,从时序上记载了各个监测点的监测参数的过去和现在,从而为农水灌溉诊断模型预测未来提供依据,农水灌溉处理器的输出端连接的农水灌溉诊断器输入端。
优选的,由于图像识别领域的网络的类型是基于BP的,而BP网络是全连接的,如果按照BP进行全连接,会使得权值数量急剧增加,想要训练这么多的权值,样本必须足够的才行,即使样本数量够,但是计算量也会急剧增加,而且还有面临梯度消失的情况,因此需要改进连接的方式即采用局部连接、权值共享并池化上述图神经网络带来的计算量剧增,即,农水灌溉诊断器采用卷积神经网络,建立农水灌溉监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块反馈给农水灌溉决策平台,以压缩由于采用图神经网络和结构型循环神经网络所带来的数量剧增,从而减轻农水灌溉决策平台的处理器负担。
优选的,监测终端通过光纤通信等有线通讯方式或者LORA、2/3/4/5G通讯等其它无线通讯方式,将上述监测参数发送到基站或者网关上,再由基站或者网关发送到农水灌溉决策平台。
优选的,对上述监测参数进行处理除了放在农水灌溉决策平台,也可以将上述监测参数放在监测终端进行处理,相应的会增大监测终端的运算负担。
如图2所示,本发明一实施例提供一种基于卷积神经网络的农水灌溉方法,步骤包括:
101、监测终端,通过有线和/或无线收发模块采集设置在农水灌溉区域内的各个监测点的监测参数,并将上述监测参数发送给主控模块和存储器,并通过有线和/或无线收发模块发送给农水灌溉决策平台;
102、农水灌溉决策平台通过有线和/或无线收发模块接收监测终端发送的监测点的监测参数,并将上述监测参数发送给农水灌溉决策平台的主控模块和存储器;
103、农水灌溉决策平台的图形捕获器,捕获农水灌溉区域内的各个监测点的所有传感器的监测参数并基于传感器节点形成图神经网络结构,图形捕获器的输出端连接图神经网络处理器的输入端;
104、农水灌溉决策平台的图神经网络处理器,通过图神经网络挖掘农水灌溉区域内的各个监测点不同位置特征参数之间的内在联系,利用图神经网络中的无向图结构挖掘上述特征参数的隐层关系,从而获得农水灌溉区域内的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度,有效分析整个农水灌溉区域的运行环境,图神经网络处理器的输出端连接农水灌溉处理器的输入端;
105、农水灌溉决策平台的农水灌溉处理器,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,以充分挖掘数据之间的时序特征,建立起农水灌溉检测模型,给农水灌溉诊断模型提供依据,农水灌溉处理器的输出端连接的农水灌溉诊断器输入端;
106、农水灌溉决策平台的农水灌溉诊断器,通过卷积神经网络建立监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块反馈给农水灌溉决策平台。
优选的,步骤106、由于图像识别领域的网络的类型是基于BP的,而BP网络是全连接的,对于图片的识别,一般一层提取特征的效果并不是很好,因此需要很多层,如果按照BP进行全连接,会使得权值数量急剧增加,想要训练这么多的权值,样本必须足够的才行,即使样本数量够,但是计算量也会急剧增加,而且还有面临梯度消失的情况,因此需要改进连接的方式即采用局部连接、权值共享并池化上述图神经网络带来的计算量剧增,即,农水灌溉监测诊断器采用卷积神经网络,建立农水灌溉监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块反馈给农水灌溉决策平台,以压缩由于采用图神经网络和结构型循环神经网络所带来的数量剧增,从而减轻农水灌溉决策平台的处理器负担。
优选的,步骤107、农水灌溉决策平台根据上述三层神经网络的深度学习,自行决策如何调整区域内的农水灌溉设施的运行,决策的依据包括但不限于丰水期储水和引流、平水期的日常灌溉、枯水期的补水灌溉,并结合作物生长高度的变化、作物的叶片的生长变化、作物的水分状况、作物的芽茎的收缩和膨胀等信息给出多种预案,并将上述多种预案的研判和选择交给农水灌溉决策平台的管理者,在农水灌溉决策平台已经深度学习并自行决策的同时,提供人工干预与介入的操作途径。
优选的,步骤101中监测点的监测参数可以通过传感器采集,也可以在设备的工作线路中连接仪表直接读取,上述监测参数包括但不限于农水灌溉设备的工作状态,包括电流、电压、功率、电量、温度、吞吐量、处理裕度等参数,也包括农作物的作物根系深度、作物生长阶段、土壤含水量、作物需水量等,还包括农作物区域的最高温度、最低温度、湿度、风速、降雨量、太阳辐射、田间渗漏等。
优选的,步骤105、农水灌溉处理器,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,并通过群智能优化算法对模型参数进行优化,从而快速获得模型的最优解,以充分挖掘数据之间的时序特征,从时序上记载了各个监测点的监测参数的过去和现在,从而为农水灌溉诊断模型预测未来提供依据。
优选的,步骤106、农水灌溉诊断器采用BP思想的卷积神经网络,通过反向传播进行调优,训练的目标就是寻找最佳的权值,其中,后向传播算法采用最小均方误差准则的反向误差传播算法来更新整个网络的参数,求出代价函数,然后采用梯度下降法,来更新网络的权重和偏置参数。
优选的,步骤101、监测终端通过光纤通信等有线通讯方式或者LORA、2/3/4/5G通讯等其它无线通讯方式,将上述监测参数发送到基站或者网关上,再由基站或者网关发送到农水灌溉决策平台。
与现有技术相比,本申请的技术方案通过设置传感器-监测终端-农水灌溉决策平台构成整个农水灌溉区域的监测和调度网络,在该基础上通过神经网络对整个农水灌溉区域的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度数据进行数学建模,具体地,先通过图形捕获器捕获整个农水灌溉区域内的各个监测点的所有传感器的监测参数并基于传感器节点形成图神经网络结构,图神经网络处理器通过图神经网络挖掘整个农水灌溉区域不同位置监测参数之间的内在联系,获得整个农水灌溉区域的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度,然后,农水灌溉处理器根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,并通过群智能优化算法对模型参数进行优化,最后,农水灌溉诊断器通过卷积神经网络建立监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块反馈给农水灌溉决策平台,解决了以解决现有的农水灌溉系统没有形成基于大数据的深度自学习进而做出预判和预案,而且参数繁多,不能简捷方便的提供决策给使用者以建议,通过历史数据和生物特性的神经网络实现自学习,进而做出预判和预案,给农水灌溉系统的使用者提供预判和预案,以供决策。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种基于卷积神经网络的农水灌溉系统,其特征在于,包括:监测终端和农水灌溉决策平台;
监测终端,通过有线和/或无线收发模块采集设置在农水灌溉区域内的各个监测点的监测参数,并将上述监测参数发送给主控模块和存储器,并通过有线和/或无线收发模块发送给农水灌溉决策平台;
农水灌溉决策平台包括有线和/或无线收发模块、主控模块、存储器,还包括依次连接的图形捕获器、图神经网络处理器、农水灌溉处理器、农水灌溉诊断器,农水灌溉决策平台的主控模块分别与图形捕获器、图神经网络处理器、监测检测器、农水灌溉诊断器相连接;
农水灌溉决策平台通过有线和/或无线收发模块接收监测终端发送的监测点的监测参数,并将上述监测参数发送给农水灌溉决策平台的主控模块和存储器,通过上述监测参数基于历史数据和生物特性的神经网络对农水灌溉区域内的各个监测点进行灌溉预判并对相应的农水灌溉区域内的农水灌溉设备进行调度;
其中,图形捕获器,捕获农水灌溉区域内的各个监测点的所有传感器的监测参数并基于传感器节点形成图神经网络结构,图形捕获器的输出端连接图神经网络处理器的输入端;
图神经网络处理器,通过图神经网络挖掘农水灌溉区域内的各个监测点不同位置特征参数之间的内在联系,利用图神经网络中的无向图结构挖掘上述特征参数的隐层关系,从而获得农水灌溉区域内的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度,有效分析整个农水灌溉区域的运行环境,图神经网络处理器的输出端连接农水灌溉处理器的输入端;
农水灌溉处理器,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,以充分挖掘数据之间的时序特征,建立起农水灌溉检测模型,给农水灌溉诊断模型提供依据,农水灌溉处理器的输出端连接的农水灌溉诊断器输入端;
农水灌溉诊断器,通过卷积神经网络建立监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块反馈给农水灌溉决策平台。
2.根据权利要求1所述的桥梁结构水下监测系统,其特征在于,
监测终端通过采集设置在监测点的监测参数,并将上述监测参数发送给农水灌溉决策平台,农水灌溉决策平台根据上述三层神经网络的深度学习,自行决策如何调整区域内的农水灌溉设施的运行,决策的依据包括但不限于丰水期储水和引流、平水期的日常灌溉、枯水期的补水灌溉,并结合作物生长高度的变化、作物的叶片的生长变化、作物的水分状况、作物的芽茎的收缩和膨胀等信息给出多种预案,并将上述多种预案的研判和选择交给农水灌溉决策平台的管理者,在农水灌溉决策平台已经深度学习并自行决策的同时,提供人工干预与介入的操作途径。
3.根据权利要求1所述的桥梁结构水下监测预警系统,其特征在于,农水灌溉处理器,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,并通过群智能优化算法对模型参数进行优化,从而快速获得模型的最优解,以充分挖掘数据之间的时序特征,从时序上记载了各个监测点的监测参数的过去和现在,从而为农水灌溉诊断模型预测未来提供依据。
4.根据权利要求1所述的桥梁结构水下监测预警系统,其特征在于,农水灌溉诊断器采用BP思想的卷积神经网络,通过反向传播进行调优,训练的目标就是寻找最佳的权值,其中,后向传播算法采用最小均方误差准则的反向误差传播算法来更新整个网络的参数,求出代价函数,然后采用梯度下降法,来更新网络的权重和偏置参数。
5.根据权利要求1所述的桥梁结构水下监测预警系统,其特征在于,监测终端通过光纤通信等有线通讯方式或者LORA、2/3/4/5G通讯等其它无线通讯方式,将上述监测参数发送到基站或者网关上,再由基站或者网关发送到农水灌溉决策平台。
6.一种基于卷积神经网络的农水灌溉方法,其特征在于,步骤包括:
101、监测终端,通过有线和/或无线收发模块采集设置在农水灌溉区域内的各个监测点的监测参数,并将上述监测参数发送给主控模块和存储器,并通过有线和/或无线收发模块发送给农水灌溉决策平台;
102、农水灌溉决策平台通过有线和/或无线收发模块接收监测终端发送的监测点的监测参数,并将上述监测参数发送给农水灌溉决策平台的主控模块和存储器;
103、农水灌溉决策平台的图形捕获器,捕获农水灌溉区域内的各个监测点的所有传感器的监测参数并基于传感器节点形成图神经网络结构,图形捕获器的输出端连接图神经网络处理器的输入端;
104、农水灌溉决策平台的图神经网络处理器,通过图神经网络挖掘农水灌溉区域内的各个监测点不同位置特征参数之间的内在联系,利用图神经网络中的无向图结构挖掘上述特征参数的隐层关系,从而获得农水灌溉区域内的各个监测点的监测指数和/或农水灌溉设备的具体载荷和裕度,有效分析整个农水灌溉区域的运行环境,图神经网络处理器的输出端连接农水灌溉处理器的输入端;
105、农水灌溉决策平台的农水灌溉处理器,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,以充分挖掘数据之间的时序特征,建立起农水灌溉检测模型,给农水灌溉诊断模型提供依据,农水灌溉处理器的输出端连接的农水灌溉诊断器输入端;
106、农水灌溉决策平台的农水灌溉诊断器,通过卷积神经网络建立监测诊断模型,对整个农水灌溉区域的农水灌溉能力进行动态调整和精确诊断,将动态调整和诊断结果通过主控模块反馈给农水灌溉决策平台。
7.根据权利要求6所述的桥梁结构水下监测方法,其特征在于,步骤107、农水灌溉决策平台根据上述三层神经网络的深度学习,自行决策如何调整区域内的农水灌溉设施的运行,决策的依据包括但不限于丰水期储水和引流、平水期的日常灌溉、枯水期的补水灌溉,并结合作物生长高度的变化、作物的叶片的生长变化、作物的水分状况、作物的芽茎的收缩和膨胀等信息给出多种预案,并将上述多种预案的研判和选择交给农水灌溉决策平台的管理者,在农水灌溉决策平台已经深度学习并自行决策的同时,提供人工干预与介入的操作途径。
8.根据权利要求6所述的桥梁结构水下监测方法,其特征在于,步骤105、农水灌溉处理器,农水灌溉处理器,根据上述监测指数和/或具体载荷和裕度通过结构型循环神经网络建立整个农水灌溉区域的农水灌溉检测模型,并通过群智能优化算法对模型参数进行优化,从而快速获得模型的最优解,以充分挖掘数据之间的时序特征,从时序上记载了各个监测点的监测参数的过去和现在,从而为农水灌溉诊断模型预测未来提供依据。
9.根据权利要求6所述的桥梁结构水下监测方法,其特征在于,步骤106、农水灌溉诊断器采用BP思想的卷积神经网络,通过反向传播进行调优,训练的目标就是寻找最佳的权值,其中,后向传播算法采用最小均方误差准则的反向误差传播算法来更新整个网络的参数,求出代价函数,然后采用梯度下降法,来更新网络的权重和偏置参数。
10.根据权利要求9所述的桥梁结构水下监测方法,其特征在于,步骤101、监测终端通过光纤通信等有线通讯方式或者LORA、2/3/4/5G通讯等其它无线通讯方式,将上述监测参数发送到基站或者网关上,再由基站或者网关发送到农水灌溉决策平台。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117111.0A CN112772384B (zh) | 2021-01-28 | 2021-01-28 | 一种基于卷积神经网络的农水灌溉系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110117111.0A CN112772384B (zh) | 2021-01-28 | 2021-01-28 | 一种基于卷积神经网络的农水灌溉系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112772384A true CN112772384A (zh) | 2021-05-11 |
CN112772384B CN112772384B (zh) | 2022-12-20 |
Family
ID=75759355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110117111.0A Active CN112772384B (zh) | 2021-01-28 | 2021-01-28 | 一种基于卷积神经网络的农水灌溉系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112772384B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279973A (zh) * | 2021-12-27 | 2022-04-05 | 南京大学 | 基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 |
CN114549980A (zh) * | 2022-02-11 | 2022-05-27 | 成都理工大学 | 一种改进边缘检测和深度学习算法的土壤干旱识别方法 |
CN114821253A (zh) * | 2022-03-18 | 2022-07-29 | 北京国垦节水科技有限公司 | 一种喷滴灌水肥一体化系统的适用性调控方法及系统 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102524024A (zh) * | 2012-02-16 | 2012-07-04 | 四川农业大学 | 基于计算机视觉的作物灌溉系统 |
CN105892287A (zh) * | 2016-05-09 | 2016-08-24 | 河海大学常州校区 | 基于模糊判决的农作物灌溉策略及决策系统 |
CN107711454A (zh) * | 2017-11-09 | 2018-02-23 | 郑州云海信息技术有限公司 | 一种基于云计算的灌溉系统及方法 |
CN108617480A (zh) * | 2018-05-11 | 2018-10-09 | 武汉理工大学 | 一种园林智能浇灌系统 |
CN108762084A (zh) * | 2018-06-14 | 2018-11-06 | 淮安信息职业技术学院 | 基于模糊控制决策的水田灌溉系统及方法 |
US20180341850A1 (en) * | 2017-05-23 | 2018-11-29 | The Boeing Company | System and method for predicting preliminary design requirements using artificial neural networks |
CN110463587A (zh) * | 2019-09-21 | 2019-11-19 | 河北工程大学 | 基于LoRa与GA-BP的规模化大棚节水灌溉系统 |
CN110532414A (zh) * | 2019-08-29 | 2019-12-03 | 深圳市商汤科技有限公司 | 一种图片检索方法及装置 |
CN110569696A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用于车辆部件识别的神经网络系统、方法和装置 |
CN110692338A (zh) * | 2019-10-30 | 2020-01-17 | 北京农业智能装备技术研究中心 | 水肥一体化灌溉系统控制方法及水肥一体化灌溉系统 |
WO2020014773A1 (en) * | 2018-07-16 | 2020-01-23 | Vineland Research And Innovation Centre | Automated monitoring and irrigation of plants in a controlled growing environment |
CN110741914A (zh) * | 2019-11-05 | 2020-02-04 | 浙江大学 | 一种基于循环神经网络的稻田自动化节水灌溉系统及方法 |
CN110839519A (zh) * | 2019-12-02 | 2020-02-28 | 成都信息工程大学 | 一种基于深度学习的物联网智能的农业灌溉装置和方法 |
CN111738175A (zh) * | 2020-06-24 | 2020-10-02 | 桂林理工大学 | 一种基于遥感影像和卷积神经网络的农业干旱监测系统 |
US20200383284A1 (en) * | 2019-06-10 | 2020-12-10 | Smart Rain Systems, LLC | Artificially intelligent irrigation system |
CN112119412A (zh) * | 2018-05-18 | 2020-12-22 | 伯耐沃伦人工智能科技有限公司 | 具有注意力的图神经网络 |
-
2021
- 2021-01-28 CN CN202110117111.0A patent/CN112772384B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102524024A (zh) * | 2012-02-16 | 2012-07-04 | 四川农业大学 | 基于计算机视觉的作物灌溉系统 |
CN105892287A (zh) * | 2016-05-09 | 2016-08-24 | 河海大学常州校区 | 基于模糊判决的农作物灌溉策略及决策系统 |
US20180341850A1 (en) * | 2017-05-23 | 2018-11-29 | The Boeing Company | System and method for predicting preliminary design requirements using artificial neural networks |
CN107711454A (zh) * | 2017-11-09 | 2018-02-23 | 郑州云海信息技术有限公司 | 一种基于云计算的灌溉系统及方法 |
CN108617480A (zh) * | 2018-05-11 | 2018-10-09 | 武汉理工大学 | 一种园林智能浇灌系统 |
CN112119412A (zh) * | 2018-05-18 | 2020-12-22 | 伯耐沃伦人工智能科技有限公司 | 具有注意力的图神经网络 |
CN108762084A (zh) * | 2018-06-14 | 2018-11-06 | 淮安信息职业技术学院 | 基于模糊控制决策的水田灌溉系统及方法 |
WO2020014773A1 (en) * | 2018-07-16 | 2020-01-23 | Vineland Research And Innovation Centre | Automated monitoring and irrigation of plants in a controlled growing environment |
CN110569696A (zh) * | 2018-08-31 | 2019-12-13 | 阿里巴巴集团控股有限公司 | 用于车辆部件识别的神经网络系统、方法和装置 |
US20200383284A1 (en) * | 2019-06-10 | 2020-12-10 | Smart Rain Systems, LLC | Artificially intelligent irrigation system |
CN110532414A (zh) * | 2019-08-29 | 2019-12-03 | 深圳市商汤科技有限公司 | 一种图片检索方法及装置 |
CN110463587A (zh) * | 2019-09-21 | 2019-11-19 | 河北工程大学 | 基于LoRa与GA-BP的规模化大棚节水灌溉系统 |
CN110692338A (zh) * | 2019-10-30 | 2020-01-17 | 北京农业智能装备技术研究中心 | 水肥一体化灌溉系统控制方法及水肥一体化灌溉系统 |
CN110741914A (zh) * | 2019-11-05 | 2020-02-04 | 浙江大学 | 一种基于循环神经网络的稻田自动化节水灌溉系统及方法 |
CN110839519A (zh) * | 2019-12-02 | 2020-02-28 | 成都信息工程大学 | 一种基于深度学习的物联网智能的农业灌溉装置和方法 |
CN111738175A (zh) * | 2020-06-24 | 2020-10-02 | 桂林理工大学 | 一种基于遥感影像和卷积神经网络的农业干旱监测系统 |
Non-Patent Citations (2)
Title |
---|
刘鹏等: "基于深度学习的园林智能浇灌系统", 《湖北汽车工业学院学报》 * |
杨博雄等: "《深度学习理论与实践》", 30 September 2020, 北京邮电大学出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114279973A (zh) * | 2021-12-27 | 2022-04-05 | 南京大学 | 基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 |
CN114279973B (zh) * | 2021-12-27 | 2024-03-19 | 南京大学 | 基于人工神经网络的瞬态变温光纤光栅的土体含水率原位监测方法 |
CN114549980A (zh) * | 2022-02-11 | 2022-05-27 | 成都理工大学 | 一种改进边缘检测和深度学习算法的土壤干旱识别方法 |
CN114821253A (zh) * | 2022-03-18 | 2022-07-29 | 北京国垦节水科技有限公司 | 一种喷滴灌水肥一体化系统的适用性调控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112772384B (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112772384B (zh) | 一种基于卷积神经网络的农水灌溉系统和方法 | |
Choudhary et al. | Autonomous crop irrigation system using artificial intelligence | |
Abbassy et al. | Intelligent greenhouse management system | |
CN105843147B (zh) | 一种智慧农业监控管理系统 | |
CN117036104B (zh) | 一种基于电力物联网的智慧用电方法和系统 | |
CN116545954B (zh) | 基于物联网的通信网关数据传输方法及系统 | |
KR20220071405A (ko) | 스마트 팜의 빅 데이터를 이용한 농업 지원 시스템 및 방법 | |
WO2019205528A1 (zh) | 基于天气数据的无线传感网节点太阳能收集功率预测算法 | |
CN115661547B (zh) | 一种基于知识图谱的植物灌溉养护方法及系统 | |
CN113273449A (zh) | 用于日光温室精准监测的数字孪生体构造方法 | |
CN118044456A (zh) | 一种基于物联网的智能农业监测系统 | |
CN115525017A (zh) | 一种基于种植柜的植物远程培育系统 | |
CN116138145A (zh) | 一种智能农业管理系统 | |
CN115390504A (zh) | 一种基于5g物联网的智慧农业种植系统 | |
CN114092776A (zh) | 应用于智慧农业的多传感器数据融合方法 | |
CN116800172A (zh) | 一种光电转换方法及储能系统 | |
CN112531679A (zh) | 一种测负荷特征大数据监测设备及监测方法 | |
CN113015120B (zh) | 一种基于神经网络的治污监测系统和方法 | |
CN114543869A (zh) | 一种基于物联网技术的农业支撑系统 | |
CN116647586A (zh) | 一种应用云计算实现水肥一体化智慧泵房遥控的方法 | |
CN114500613A (zh) | 电网在线监测物联系统 | |
CN116668473A (zh) | 一种农业异常数据的边缘识别方法、系统、设备及介质 | |
CN112526945B (zh) | 具备反馈与闭环控制功能的全流程监控与预警系统 | |
Niu | Design of intelligent agricultural environmental big data collection system based on ZigBee and NB-IoT | |
CN114489200A (zh) | 一种温室大棚环境控制系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |