CN112913654A - 一种川贝母智能灌溉系统及方法 - Google Patents

Abstract

本发明公开了一种川贝母智能灌溉系统及方法，该系统包括灌溉主机、分别与所述灌溉主机通信连接的服务器端、灌溉终端、传感器和水塔；传感器用于按照设定时段采集所在分区的空气温湿度、土壤温湿度和光照强度参数；灌溉主机用于将灌溉数据、灌溉参数和工作条件上传至服务器端，根据服务器端下发灌溉决策结果进行川贝母变量灌溉；服务器端用于构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果。本发明实现了远程和现场灌溉，移动和客户端灌溉，监控、操作手段多样，方便适用，解决变量、精准灌溉过程控制、操作困难的问题。

Description

一种川贝母智能灌溉系统及方法

技术领域

本发明涉及农业灌溉技术领域，具体涉及一种川贝母智能灌溉系统及方法。

背景技术

川贝母属于多年生草本植物，主要生长在高海拔地区，喜冷凉气候条件，具有耐寒、喜湿、怕高湿、喜荫蔽的特性。目前川贝母人工种植技术还未成熟，种植成本高，贝母售价也一直居高不下。现有人工种植模式下，川贝母灌溉一般采用人工浇灌，不同年份、不同季节、不同土壤条件的贝母用水量不一样，人工灌溉的方式全靠经验，不满足川贝母用水需求，可能因贝母高湿或者干旱造成巨大损失，而且人力成本高和水分利用率低。随着传感器技术、信息技术、人工智能的发展和应用，对川贝母等经济价值高的药材实施变量、精准灌溉的需求越来越急迫和重要。

现有农村灌溉用水，一般采用滴灌、微喷灌、涌泉灌等节水措施，绝大多数灌溉系统仅考虑作物需水信息，依据单一因素(如土壤含水率)产生灌溉控制决策，很少考虑作物分区、种植密度差异、气候等因素影响的精量灌溉控制，这种灌溉系统的灌溉方式、灌溉决策控制没有真正体现出智能化、优化控制的特性，不满足对作物实施变量、精准灌溉的需求。

为了解决川贝母精量灌溉，首先需要建立川贝母生长过程不同阶段的需水量模型；检测土壤水分/湿度，再建立川贝母生长土壤墒情模型；最后基于川贝母生长过程用水量模型和土壤墒情模型进行变量灌溉技术研究、装置开发和系统集成应用，方便快捷的实现灌溉智能控制与管理、节水和按需精量供水目的。

发明内容

针对现有技术中的上述不足，本发明提供了一种川贝母智能灌溉系统及方法。

为了达到上述发明目的，本发明采用的技术方案为：

第一方面，本发明提出了一种川贝母智能灌溉系统，包括灌溉主机、分别与所述灌溉主机通信连接的服务器端、灌溉终端、传感器和水塔；

所述传感器分布设置在川贝母不同种植区域中，用于按照设定时段采集所在分区的空气温湿度、土壤温湿度和光照强度参数，并将采集的灌溉数据定时传输至所述灌溉主机；

所述灌溉主机用于接收所述传感器采集的灌溉数据，并且直接输入灌溉参数和选择工作条件，将灌溉数据、灌溉参数和工作条件上传至所述服务器端；接收所述服务器端下发的灌溉决策结果，根据灌溉决策结果控制灌溉终端和水塔进行川贝母变量灌溉；

所述服务器端用于存储上传的灌溉数据、灌溉参数和工作条件，并构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，利用优化后的川贝母变量灌溉决策模型对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果并下发至所述灌溉主机。

进一步地，所述传感器包括信息采集终端处理器、信息采集终端数据传输模块、信息采集终端天线、空气温湿度传感器、光强度传感器、土壤温湿度传感器、信息采集终端充电电路、信息采集终端电源和信息采集终端太阳能充电器；所述信息采集终端处理器通过SPI总线与所述信息采集终端数据传输模块连接，所述信息采集终端数据传输模块与所述信息采集终端天线连接，所述空气温湿度传感器、光强度传感器通过IIC总线与所述信息采集终端处理器连接，所述土壤温湿度传感器通过模拟/数字转换电路与所述信息采集终端处理器连接；上述部件通过所述信息采集终端电源供电，所述信息采集终端太阳能充电器通过所述信息采集终端充电电路与所述信息采集终端电源连接。

进一步地，所述灌溉主机包括主控系统、灌溉泵、进水电磁阀、工控显示屏，所述主控系统包括核心处理器、数据采集模块、Wi-Fi模块、以太网模块、天线、控制电路、电源、降压电路；所述核心处理器通过SPI总线与所述数据采集模块相连，所述数据采集模块与所述天线连接，所述进水电磁阀与所述灌溉泵通过所述控制电路与所述核心处理器连接，所述工控显示屏与所述核心处理器连接，所述Wi-Fi模块和所述以太网模块分别与所述核心处理器连接；上述模块通过所述电源和所述降压电路供电。

进一步地，所述服务器端包括数据库模块和事务逻辑处理模块；所述数据库模块用于存储上传的灌溉数据、灌溉参数和工作条件，以及通过对不同年份川贝母多年的灌溉用水监测与统计数据，分别采用基于最小二乘法的拟合法、回归分析法建立的川贝母需水量模型；所述事务逻辑处理模块用于构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，利用优化后的川贝母变量灌溉决策模型对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果并下发至所述灌溉主机。

进一步地，所述川贝母变量灌溉决策模型包括川贝母灌水量决策模型和灌溉程序，所述川贝母灌水量决策模型采用双输入单输出结构的模糊控制器，输入变量为川贝母需水量与土壤墒情的差值e、种植密度c，输出变量为灌溉水量u；先确定输入变量e、c的精确值范围分别为(e_min，e_max)和(c_min，c_max)，输出变量u的精确值范围为(u_min，u_max)，作为模糊控制的基本论域，再确定输入变量(e、c)的模糊论域为[-P,P]，输出变量u的模糊论域为[0,P]，通过计算公式

K_x＝P/(x_max-x_min)

式中x分别为e和c，计算量化因子Ke、Kc；

由计算公式

K_u＝(u_max-u_min)/P

计算比例因子Ku；

精确值模糊化处理后的输入语言变量(E、C)与输出语言变量(U)分别在其对应的模糊集论域中，将模糊集论域划分为多个模糊集合，然后确定输入语言变量(E、C)和输出语言变量(U)的隶属度函数，输入语言变量(E、C)和输出语言变量(U)的隶属度函数选择降半梯形和三角形，最后确定模糊控制规则，模糊控制的语句表达形式为：

R:IF e＝A and c＝B,then u＝Z

其中A表示输入变量e的对应输入语言变量E的语言值，B表示输入变量c的对应输入语言变量C的语言值，Z表示输出变量u的对应输出语言变量U的语言值；

一条模糊控制规则对应一条模糊控制语句，模糊控制规则之间具有“或”的关系，总的模糊控制R为：

R＝R₁∨R₂∨...∨R_n

其中n代表模糊控制规则条数，整个系统的模糊规则R确定以后，在给定的输入语言变量(E、C)下，输出语言变量(U)的计算公式如下：

U＝(E×C)^T·R

由模糊控制规则和模糊控制推理计算以后的输出语言变量U是一个模糊集合，采用重心法反模糊对其进行反模糊化处理，计算公式为：

其中n为输出语言变量U所对应论域范围，u_k为输出语言变量(U)模糊论域范围中的论域值，μ(u_k)表示论域值为u_k时输出语言变量(U)的隶属度值，U′为一个确定的论域值，则输出变量u的精确值计算公式为：

u＝U′×Ku

输出变量u的精确值代表灌溉水量，作为灌溉程序的输入量控制灌溉程序实现川贝母的变量、精准灌溉。

进一步地，所述采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，具体为：

对遗传个体采用二进制编码，量化因子Ke、Kc、比例因子Ku均采用八位二进制表示，依次将Ke、Kc与Ku编码排列在一起构成长度为24位的二进制码，隶属度函数是优化坐标顶点，每一个坐标顶点都采用八位二进制表示，输入语言变量E的隶属度函数中有19个坐标顶点，编码有152位二进制码，输入语言变量C的隶属度函数中有13个坐标顶点，编码有104位二进制码，输出语言变量U中有19个坐标顶点，编码有152位二进制码，则隶属度函数编码的总长度为408位，模糊控制规则编码采用三位二进制表示，模糊控制器中输入语言变量E的论域中有7个模糊集合，输入语言变量C的论域中有5个模糊集合，模糊控制规则总共有35条，对应的模糊控制规则编码为105位二进制码，遗传个体基因由量化因子与比例因子编码、隶属度函数编码和模糊控制编码构成，即遗传个体基因为537位二进制码；

针对川贝某不同灌溉分区，采用如下形式的目标函数来评价控制器的性能：

式中：i为遗传个体；α_e、α_c、α_u为常数，分别为输入变量e(i)、c(i)和输出变量u(i)的适应度函数的权重系数；

将目标函数转换成最值问题计算个体适应度值，适应度函数计算公式如下：

式中，F(i)表示遗传个体i的适应度值，将所有个体的适应度由高到低排序，设定遗传算法种群规模、最大进化代数，采用轮盘赌选择算法，对交叉概率和变异系数分别取值，执行遗传算法，对量化因子Ke、Kc与比例因子Ku、隶属度函数、模糊控制规则进行优化并输出最优化结果。

进一步地，还包括电脑客户端，所述电脑客户端用于直接输入灌溉参数和选择工作条件并传输至所述服务器端，接收所述服务器端下发的川贝母灌水量的灌溉决策结果。

进一步地，还包括移动客户端，所述移动客户端用于直接输入灌溉参数和选择工作条件并传输至所述服务器端，接收所述服务器端下发的川贝母灌水量的灌溉决策结果。

第二方面，本发明还提出了一种川贝母智能灌溉方法，所述方法应用上述的川贝母智能灌溉系统，具体包括以下步骤：

S1、利用分布设置在川贝母不同种植区域中的传感器按照设定时段采集所在分区的空气温湿度、土壤温湿度和光照强度参数，并将采集的灌溉数据定时传输至所述灌溉主机；

S2、利用灌溉主机接收传感器采集的灌溉数据，并且直接输入灌溉参数和选择工作条件，将灌溉数据、灌溉参数和工作条件上传至所述服务器端；

S3、利用服务器端存储上传的灌溉数据、灌溉参数和工作条件，并构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，利用优化后的川贝母变量灌溉决策模型对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果并下发至灌溉主机；

S4、利用灌溉主机接收服务器端下发的灌溉决策结果，根据灌溉决策结果控制灌溉终端和水塔进行川贝母变量灌溉。

本发明具有以下有益效果：

(1)本发明根据川贝母的生长年份、季节、土壤条件，通过多年的灌溉用水监测与数据统计，建立了川贝母生长过程不同阶段的需水量模型，并在灌溉时采集不同分区的土壤含水率获得土壤墒情模型，利用川贝母生长的需水量模型、种植分区的土壤墒情、种植密度，建立了川贝母变量灌溉决策模型，实现遗传算法优化的模糊控制对川贝母灌水量进行精确决策，不同种植密度、不同季节获得不同灌水量决策，解决川贝母生长过程按需供水灌溉问题，为川贝母变量精准灌溉提供条件；

(2)本发明提供一种集灌溉主机、电脑客户端、移动客户端、传感器和服务器端一体的灌溉信息采集、处理与灌溉控制的变量灌溉系统，用户可以通过灌溉主机、电脑客户端、移动客户端和传感器，主动输入和设定灌溉参数与条件，自动采集灌溉区域的空气温湿度、土壤温湿度和光照强度，服务器端实现了灌溉信息存储和变量灌溉决策，并能返回结果到灌溉主机、电脑客户端、移动客户端，实施变量灌溉，本发明实现了远程和现场灌溉，移动和客户端灌溉，监控、操作手段多样，方便适用，解决变量、精准灌溉过程控制、操作困难的问题。

附图说明

图1为本发明的川贝母智能灌溉系统结构示意图；

图2为本发明实施例1中标准种植密度下三年生川贝母需水量和某分区的土壤墒情模型示意图；

图3为本发明实施例1中川贝母变量灌溉决策模型示意图；

图4为本发明实施例1中输入变量E的隶属度函数示意图；

图5为本发明实施例1中输入变量C的隶属度函数示意图；

图6为本发明实施例1中输出变量U的隶属度函数示意图；

图7为本发明实施例1遗传算法优化控制流程图。

其中：1、灌溉主机，2、灌溉电磁阀，3、喷头，4、传感器，5、电脑客户端，6、移动客户端，7、服务器端。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

实施例1

如图1所示，本发明实施例1提供了一种川贝母智能灌溉系统，包括灌溉主机1、分别与灌溉主机1通信连接的服务器端7、灌溉终端、传感器4和水塔；

传感器4分布设置在川贝母不同种植区域中，用于按照设定时段采集所在分区的空气温湿度、土壤温湿度和光照强度参数，并将采集的灌溉数据定时传输至灌溉主机1；

灌溉主机1用于接收传感器4采集的灌溉数据，并且直接输入灌溉参数和选择工作条件，将灌溉数据、灌溉参数和工作条件上传至服务器端7；接收服务器端7下发的灌溉决策结果，根据灌溉决策结果控制灌溉终端和水塔进行川贝母变量灌溉；

服务器端7用于存储上传的灌溉数据、灌溉参数和工作条件，并构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，利用优化后的川贝母变量灌溉决策模型对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果并下发至灌溉主机1。

在本实施例中，多个传感器4分布在川贝母不同种植区域中，定时采集所在种植分区的空气温湿度、土壤温湿度和光照强度，与灌溉主机1建立通信，通过433M射频方式将数据定时传输给灌溉主机1。此外，用户还可以用电脑客户端5、移动客户端6和灌溉主机1的工控显示屏直接输入灌溉参数(如分区及其种植密度等)和选择工作条件。

传感器4包括信息采集终端处理器、信息采集终端数据传输模块、信息采集终端天线、空气温湿度传感器、光强度传感器、土壤温湿度传感器、信息采集终端充电电路、信息采集终端电源和信息采集终端太阳能充电器；信息采集终端处理器通过SPI总线与信息采集终端数据传输模块连接，信息采集终端数据传输模块与信息采集终端天线连接，空气温湿度传感器、光强度传感器通过IIC总线与信息采集终端处理器连接，土壤温湿度传感器通过模拟/数字转换电路与信息采集终端处理器连接；上述部件通过信息采集终端电源供电，信息采集终端太阳能充电器通过信息采集终端充电电路与信息采集终端电源连接。传感器中的各个信息采集和传输模块采用的芯片型号分别是：信息采集终端处理器为STM32F103C8T6，信息采集终端数据传输模块为SI4438，空气温湿度传感器为SHT30，光强度传感器为BH1750，土壤温湿度传感器为LM393，信息采集终端天线为2450AT18A100E。

在本实施例中，灌溉主机1包括主控系统、灌溉泵、进水电磁阀、工控显示屏，主控系统包括核心处理器、数据采集模块、Wi-Fi模块、以太网模块、天线、控制电路、电源、降压电路；核心处理器通过SPI总线与数据采集模块相连，数据采集模块与所述天线连接，进水电磁阀与灌溉泵通过控制电路与核心处理器连接，工控显示屏与核心处理器连接，Wi-Fi模块和以太网模块分别与核心处理器连接；上述模块通过电源和降压电路供电。主控系统中的各个信息采集和控制模块采用的芯片型号分别是：核心处理器为STM32F103VET6，数据采集模块为SI4438，Wi-Fi模块为ESP8266，以太网模块为W5500，天线为2450AT18A100E。

灌溉主机1连接的灌溉终端包括灌溉电磁阀2和喷头3。一个服务器端7能匹配多个灌溉主机1、多个电脑客户端5和多个移动客户端6，一个灌溉主1能匹配多个灌溉电磁阀2和多个传感器4，一个灌溉电磁阀2能匹配多个喷头3。灌溉主机1的主控系统通过信号线与灌溉电磁阀2的受控端连接，灌溉主机1的灌溉泵通过水路管网与灌溉电磁阀2连接，灌溉主机1通过无线网络(433M射频)与传感器4通信，灌溉主机1的进水电磁阀与水塔通过水路管网连接，远程服务器端7通过无线(Wi-Fi)或有线网络接入因特网分别与灌溉主机1和电脑客户端5连接，移动客户端6通过无线(GPRS/3G/4G/5G、Wi-Fi等)与服务器端7连接。

在本实施例中，服务器端7包括数据库模块和事务逻辑处理模块；数据库模块用于存储上传的灌溉数据、灌溉参数和工作条件，以及通过对不同年份川贝母多年的灌溉用水监测与统计数据，分别采用基于最小二乘法的拟合法、回归分析法建立的川贝母需水量模型；事务逻辑处理模块用于构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，利用优化后的川贝母变量灌溉决策模型对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果并下发至灌溉主机1。

灌溉主机1、电脑客户端5、移动客户端6将用户输入的数据、传感器4采集的信息上行传输、存储在数据库模块中，数据库模块同时也存储了川贝母需水量模型、日期数据、用户输入的灌溉参数(如分区及其种植密度、灌溉和浸润时间等)数据。事务逻辑处理模块中包含了川贝母变量灌溉决策模型，灌溉程序利用遗传优化的模糊控制器计算的川贝母灌水量在不同分区中实施变量、精准灌溉，并上传灌溉循环周期数等灌溉作业参数到数据库模块中存储。

如图2所示，川贝母需水量是波动变化的，与川贝母的生长年份、气候、季节、土壤、种植密度、种植区域等有关。目前川贝母人工种植采用大棚方式，种植在高原地区，气候对川贝母影响无法人为改变，但跟季节有关，将这两个因素合并，不同种植区域的种植密度和土壤墒情可能不同，因此在川贝母人工种植试验过程中，考察了川贝母年份、季节、土壤和种植密度对川贝母需水量的影响，标准种植密度表示单位面积上确定的作物植株数量。通过对不同年份川贝母多年的灌溉用水监测与数据统计，分别采用了基于最小二乘法的拟合法、回归分析法建立川贝母需水量模型。土壤墒情信息由传感器4采集，在灌溉时采集不同分区的土壤含水率，土壤墒情模型总体趋势与川贝母需水量模型一致，但不同分区的土壤墒情模型有所差异。

如图3所示，在某个灌溉分区中，川贝母变量灌溉决策模型由川贝母灌水量决策模型和灌溉程序两部分组成。川贝母灌水量决策模型决定于川贝母需水量、土壤墒情、种植密度、模糊控制器和遗传算法。种植密度与种植区域(分区)有关，不同分区的种植密度由农艺专家依据作物不同生长指标确定，在灌水量决策模型中反映为标准种植密度下灌水量的系数；模糊控制器结构为双输入单输出，输入变量为川贝母需水量与土壤墒情的差值(e)、种植密度(c)，输出变量为灌溉水量(u)，先确定输入变量(e、c)的精确值范围分别为(e_min，e_max)和(c_min，c_max)，输出变量(u)的精确值范围为(u_min，u_max)，作为模糊控制的基本论域，再确定输入变量(e、c)的模糊论域为[-P,P](P＝6)，输出变量(u)的模糊论域为[0,P]，通过计算公式K_x＝P/(x_max-x_min)，式中x分别为e和c，计算量化因子Ke、Kc，由计算公式K_u＝(u_max-u_min)/P，计算比例因子Ku，精确值模糊化处理后的输入语言变量(E、C)与输出语言变量(U)分别在其对应的模糊集论域中，将模糊集论域划分为多个模糊集合，常用的模糊集合可以由NB、NM、NS、ZO、PS、PM、PB等语言值来表示，代表的意思分别是负大、负中、负小、零、正小、正中和正大，然后确定输入语言变量(E、C)和输出语言变量(U)的隶属度函数，如图4-图6所示，输入语言变量(E、C)和输出语言变量(U)的隶属度函数选择降半梯形和三角形，最后由川贝母种植农艺专家和灌溉专家共同确定模糊控制规则，如表1所示。

表1模糊控制规则表

模糊控制的语句表达形式为：

R:IF e＝A and c＝B,then u＝Z

其中A表示输入变量e的对应输入语言变量E的语言值，B表示输入变量c的对应输入语言变量C的语言值，Z表示输出变量u的对应输出语言变量U的语言值；

一条模糊控制规则对应一条模糊控制语句，模糊控制规则之间具有“或”的关系，总的模糊控制R为：

R＝R₁∨R₂∨...∨R_n

其中n代表模糊控制规则条数，整个系统的模糊规则R确定以后，在给定的输入语言变量(E、C)下，输出语言变量(U)的计算公式如下：

U＝(E×C)^T·R

由模糊控制规则和模糊控制推理计算以后的输出语言变量U是一个模糊集合，采用重心法反模糊对其进行反模糊化处理，计算公式为：

其中n为输出语言变量U所对应论域范围，u_k为输出语言变量(U)模糊论域范围中的论域值，μ(u_k)表示论域值为u_k时输出语言变量(U)的隶属度值，U′为一个确定的论域值，则输出变量u的精确值计算公式为：

u＝U′×Ku

输出变量u的精确值代表灌溉水量，作为灌溉程序的输入量控制灌溉程序实现川贝母的变量、精准灌溉。

如图7所示，本发明采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，具体为：

对遗传个体采用二进制编码，量化因子(Ke、Kc)、比例因子Ku均采用八位二进制表示，依次将Ke、Kc与Ku编码排列在一起构成长度为24(3×8)位的二进制码，隶属度函数是优化坐标顶点，每一个坐标顶点都采用八位二进制表示，输入语言变量E的隶属度函数中有19个坐标顶点，编码有152(19×8)位二进制码，输入语言变量C的隶属度函数中有13个坐标顶点，编码有104(13×8)位二进制码，输出语言变量U中有19个坐标顶点，编码有152(19×8)位二进制码，则隶属度函数编码的总长度为408(152+104+152)位，模糊控制规则编码采用三位二进制表示，模糊控制器中输入语言变量E的论域中有7个模糊集合，输入语言变量C的论域中有5个模糊集合，模糊控制规则总共有35(7×5)条，对应的模糊控制规则编码为105(35×3)位二进制码，遗传个体基因由量化因子与比例因子编码、隶属度函数编码和模糊控制编码构成，即遗传个体基因为537(24+408+105)位二进制码；

针对川贝某不同灌溉分区，采用如下形式的目标函数来评价控制器的性能：

式中：i为遗传个体；α_e、α_c、α_u为常数，分别为输入变量e(i)、c(i)和输出变量u(i)的适应度函数的权重系数，分别取0.5、0.4、0.1，数值大小表明重视程度的高低；

将目标函数转换成最值问题计算个体适应度值，适应度函数计算公式如下：

式中：F(i)表示个体i的适应度值，将所有个体的适应度由高到低排序，设定遗传算法种群规模为40，最大进化代数为100，采用轮盘赌选择算法，交叉概率和变异系数分别取值为0.7、0.05，执行遗传算法，对量化因子Ke、Kc与比例因子Ku、隶属度函数、模糊控制规则进行优化并输出最优化结果。如图3所示，把遗传算法输出的最优化结果输入到模糊控制器进行控制得到最优化灌水量决策结果，实现遗传算法优化的模糊控制对川贝母灌水量进行精确决策，不同种植密度、不同季节获得不同灌水量决策。

灌溉程序在已知灌溉水量的前提下执行灌溉，采用了灌溉→浸润→监测土壤含水率的分时段循环灌溉策略，其中灌溉和浸润时间可以根据需要设定，灌溉循环周期数由系统确定。

在本实施例中，本发明还包括电脑客户端，所述电脑客户端用于直接输入灌溉参数和选择工作条件并传输至所述服务器端，接收所述服务器端下发的川贝母灌水量的灌溉决策结果。

在本实施例中，本发明还包括移动客户端，所述移动客户端用于直接输入灌溉参数和选择工作条件并传输至所述服务器端，接收所述服务器端下发的川贝母灌水量的灌溉决策结果。

本发明的川贝母变量灌溉系统的工作原理为：

川贝母变量灌溉系统的灌溉主机1、电脑客户端5、移动客户端6、服务器端7先要通电并上网，灌溉主机1、电脑客户端5、移动客户端6分别与服务器端7之间网络连接，灌溉主机1通过无线网络(433M射频)与传感器4连通，整个系统处于工作状态。

多个传感器4分布在川贝母不同种植区域中，定时采集所在种植分区的空气温湿度、土壤温湿度和光照强度，与灌溉主机1建立通信，通过433M射频方式将数据定时传输给灌溉主机1。此外，用户还可以用电脑客户端5、移动客户端6和灌溉主机1的工控显示屏直接输入灌溉参数(如分区及其种植密度等)和选择工作条件。

灌溉主机1的主控系统接收数据后，与服务器端7建立TCP/IP连接通信，通过互联网将灌溉数据上传到服务器端7的数据库模块中存储。

服务器端7的事务逻辑处理模块调用川贝母变量灌溉决策模型，利用传感器4采集的空气温湿度、土壤温湿度、光照强度，结合用户指定的灌溉参数与条件，例如灌溉区域、川贝母生长年代、手动/自动、灌溉时间间隔等信息，灌溉程序进行综合分析判断，得到灌溉区域、灌溉循环周期数等灌溉结果，上传保存在服务器端7的数据库模块中，并将灌溉决策结果分别下发，返回到灌溉主机1、电脑客户端5和移动客户端6。

灌溉主机1接收灌溉决策结果后，如果需要灌溉，启动灌溉泵和相应灌溉区域的灌溉电磁阀2，按照用户设定的灌溉方式进行灌溉；否则，处于等待工作状态。

本发明提供一种川贝母需水量模型，综合了川贝母生长过程不同阶段用水数据和贝母生长土壤墒情分布数据，解决川贝母生长过程按需供水灌溉问题，为川贝母变量精准灌溉提供条件；

本发明提供一种分区域的智能优化灌溉决策模型，既考虑作物生长阶段需水量和土壤墒情信息，也考虑不同区域、不同种植密度等条件下的变量精准灌溉，解决仅靠作物需水信息和土壤墒情产生灌溉控制策略的统一灌溉作业控制的问题；

本发明提供一种集灌溉主机、电脑客户端、移动客户端、传感器和服务器端一体的灌溉信息采集、处理与灌溉控制的变量灌溉系统，监控、操作手段多样，方便适用，解决变量、精准灌溉过程控制、操作困难的问题。

实施例2

基于上述描述的实施例1的川贝母智能灌溉系统，本发明还提出了一种应用上述川贝母智能灌溉系统的方法，具体包括以下步骤：

S1、利用分布设置在川贝母不同种植区域中的传感器按照设定时段采集所在分区的空气温湿度、土壤温湿度和光照强度参数，并将采集的灌溉数据定时传输至所述灌溉主机；

S2、利用灌溉主机接收传感器采集的灌溉数据，并且直接输入灌溉参数和选择工作条件，将灌溉数据、灌溉参数和工作条件上传至所述服务器端；

S3、利用服务器端存储上传的灌溉数据、灌溉参数和工作条件，并构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，利用优化后的川贝母变量灌溉决策模型对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果并下发至灌溉主机；

S4、利用灌溉主机接收服务器端下发的灌溉决策结果，根据灌溉决策结果控制灌溉终端和水塔进行川贝母变量灌溉。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种川贝母智能灌溉系统，其特征在于，包括灌溉主机、分别与所述灌溉主机通信连接的服务器端、灌溉终端、传感器和水塔；

所述传感器分布设置在川贝母不同种植区域中，用于按照设定时段采集所在分区的空气温湿度、土壤温湿度和光照强度参数，并将采集的灌溉数据定时传输至所述灌溉主机；

所述灌溉主机用于接收所述传感器采集的灌溉数据，并且直接输入灌溉参数和选择工作条件，将灌溉数据、灌溉参数和工作条件上传至所述服务器端；接收所述服务器端下发的灌溉决策结果，根据灌溉决策结果控制灌溉终端和水塔进行川贝母变量灌溉；

所述服务器端用于存储上传的灌溉数据、灌溉参数和工作条件，并构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，利用优化后的川贝母变量灌溉决策模型对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果并下发至所述灌溉主机。

2.根据权利要求1所述的川贝母智能灌溉系统，其特征在于，所述传感器包括信息采集终端处理器、信息采集终端数据传输模块、信息采集终端天线、空气温湿度传感器、光强度传感器、土壤温湿度传感器、信息采集终端充电电路、信息采集终端电源和信息采集终端太阳能充电器；所述信息采集终端处理器通过SPI总线与所述信息采集终端数据传输模块连接，所述信息采集终端数据传输模块与所述信息采集终端天线连接，所述空气温湿度传感器、光强度传感器通过IIC总线与所述信息采集终端处理器连接，所述土壤温湿度传感器通过模拟/数字转换电路与所述信息采集终端处理器连接；上述部件通过所述信息采集终端电源供电，所述信息采集终端太阳能充电器通过所述信息采集终端充电电路与所述信息采集终端电源连接。

3.根据权利要求1所述的川贝母智能灌溉系统，其特征在于，所述灌溉主机包括主控系统、灌溉泵、进水电磁阀、工控显示屏，所述主控系统包括核心处理器、数据采集模块、Wi-Fi模块、以太网模块、天线、控制电路、电源、降压电路；所述核心处理器通过SPI总线与所述数据采集模块相连，所述数据采集模块与所述天线连接，所述进水电磁阀与所述灌溉泵通过所述控制电路与所述核心处理器连接，所述工控显示屏与所述核心处理器连接，所述Wi-Fi模块和所述以太网模块分别与所述核心处理器连接；上述模块通过所述电源和所述降压电路供电。

4.根据权利要求1所述的川贝母智能灌溉系统，其特征在于，所述服务器端包括数据库模块和事务逻辑处理模块；所述数据库模块用于存储上传的灌溉数据、灌溉参数和工作条件，以及通过对不同年份川贝母多年的灌溉用水监测与统计数据，分别采用基于最小二乘法的拟合法、回归分析法建立的川贝母需水量模型；所述事务逻辑处理模块用于构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，利用优化后的川贝母变量灌溉决策模型对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果并下发至所述灌溉主机。

5.根据权利要求4所述的川贝母智能灌溉系统，其特征在于，所述川贝母变量灌溉决策模型包括川贝母灌水量决策模型和灌溉程序，所述川贝母灌水量决策模型采用双输入单输出结构的模糊控制器，输入变量为川贝母需水量与土壤墒情的差值e、种植密度c，输出变量为灌溉水量u；先确定输入变量e、c的精确值范围分别为(e_min，e_max)和(c_min，c_max)，输出变量u的精确值范围为(u_min，u_max)，作为模糊控制的基本论域，再确定输入变量(e、c)的模糊论域为[-P,P]，输出变量u的模糊论域为[0,P]，通过计算公式

K_x＝P/(x_max-x_min)

式中x分别为e和c，计算量化因子Ke、Kc；

由计算公式

K_u＝(u_max-u_min)/P

计算比例因子Ku；

精确值模糊化处理后的输入语言变量(E、C)与输出语言变量(U)分别在其对应的模糊集论域中，将模糊集论域划分为多个模糊集合，然后确定输入语言变量(E、C)和输出语言变量(U)的隶属度函数，输入语言变量(E、C)和输出语言变量(U)的隶属度函数选择降半梯形和三角形，最后确定模糊控制规则，模糊控制的语句表达形式为：

R:IF e＝A and c＝B,then u＝Z

其中A表示输入变量e的对应输入语言变量E的语言值，B表示输入变量c的对应输入语言变量C的语言值，Z表示输出变量u的对应输出语言变量U的语言值；

一条模糊控制规则对应一条模糊控制语句，模糊控制规则之间具有“或”的关系，总的模糊控制R为：

R＝R₁∨R₂∨...∨R_n

其中n代表模糊控制规则条数，整个系统的模糊规则R确定以后，在给定的输入语言变量(E、C)下，输出语言变量(U)的计算公式如下：

U＝(E×C)^T·R

由模糊控制规则和模糊控制推理计算以后的输出语言变量U是一个模糊集合，采用重心法反模糊对其进行反模糊化处理，计算公式为：

其中n为输出语言变量U所对应论域范围，u_k为输出语言变量(U)模糊论域范围中的论域值，μ(u_k)表示论域值为u_k时输出语言变量(U)的隶属度值，U′为一个确定的论域值，则输出变量u的精确值计算公式为：

u＝U′×Ku

输出变量u的精确值代表灌溉水量，作为灌溉程序的输入量控制灌溉程序实现川贝母的变量、精准灌溉。

6.根据权利要求5所述的川贝母智能灌溉系统，其特征在于，所述采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，具体为：

对遗传个体采用二进制编码，量化因子Ke、Kc、比例因子Ku均采用八位二进制表示，依次将Ke、Kc与Ku编码排列在一起构成长度为24位的二进制码，隶属度函数是优化坐标顶点，每一个坐标顶点都采用八位二进制表示，输入语言变量E的隶属度函数中有19个坐标顶点，编码有152位二进制码，输入语言变量C的隶属度函数中有13个坐标顶点，编码有104位二进制码，输出语言变量U中有19个坐标顶点，编码有152位二进制码，则隶属度函数编码的总长度为408位，模糊控制规则编码采用三位二进制表示，模糊控制器中输入语言变量E的论域中有7个模糊集合，输入语言变量C的论域中有5个模糊集合，模糊控制规则总共有35条，对应的模糊控制规则编码为105位二进制码，遗传个体基因由量化因子与比例因子编码、隶属度函数编码和模糊控制编码构成，即遗传个体基因为537位二进制码；

针对川贝某不同灌溉分区，采用如下形式的目标函数来评价控制器的性能：

式中：i为遗传个体；α_e、α_c、α_u为常数，分别为输入变量e(i)、c(i)和输出变量u(i)的适应度函数的权重系数；

将目标函数转换成最值问题计算个体适应度值，适应度函数计算公式如下：

式中，F(i)表示遗传个体i的适应度值，将所有个体的适应度由高到低排序，设定遗传算法种群规模、最大进化代数，采用轮盘赌选择算法，对交叉概率和变异系数分别取值，执行遗传算法，对量化因子Ke、Kc与比例因子Ku、隶属度函数、模糊控制规则进行优化并输出最优化结果。

7.根据权利要求1至6任一所述的川贝母智能灌溉系统，其特征在于，还包括电脑客户端，所述电脑客户端用于直接输入灌溉参数和选择工作条件并传输至所述服务器端，接收所述服务器端下发的川贝母灌水量的灌溉决策结果。

8.根据权利要求1至7任一所述的川贝母智能灌溉系统，其特征在于，还包括移动客户端，所述移动客户端用于直接输入灌溉参数和选择工作条件并传输至所述服务器端，接收所述服务器端下发的川贝母灌水量的灌溉决策结果。

9.一种川贝母智能灌溉方法，其特征在于，所述方法应用权利要求1-8任一所述的川贝母智能灌溉系统，具体包括以下步骤：

S1、利用分布设置在川贝母不同种植区域中的传感器按照设定时段采集所在分区的空气温湿度、土壤温湿度和光照强度参数，并将采集的灌溉数据定时传输至所述灌溉主机；

S2、利用灌溉主机接收传感器采集的灌溉数据，并且直接输入灌溉参数和选择工作条件，将灌溉数据、灌溉参数和工作条件上传至所述服务器端；

S3、利用服务器端存储上传的灌溉数据、灌溉参数和工作条件，并构建川贝母变量灌溉决策模型，采用遗传算法对川贝母变量灌溉决策模型的模糊控制器进行优化，利用优化后的川贝母变量灌溉决策模型对灌溉数据、灌溉参数和工作条件进行综合分析判断，得到川贝母灌水量的灌溉决策结果并下发至灌溉主机；

S4、利用灌溉主机接收服务器端下发的灌溉决策结果，根据灌溉决策结果控制灌溉终端和水塔进行川贝母变量灌溉。

Images