CN113031547B - 智慧农业生产系统智能闭环控制方法 - Google Patents

智慧农业生产系统智能闭环控制方法 Download PDF

Info

Publication number
CN113031547B
CN113031547B CN202110229803.4A CN202110229803A CN113031547B CN 113031547 B CN113031547 B CN 113031547B CN 202110229803 A CN202110229803 A CN 202110229803A CN 113031547 B CN113031547 B CN 113031547B
Authority
CN
China
Prior art keywords
data
production
monitoring
equipment
growth situation
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.)
Active
Application number
CN202110229803.4A
Other languages
English (en)
Other versions
CN113031547A (zh
Inventor
易强
王政
于洪志
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.)
Chengdu Asionstar Technology Co ltd
Original Assignee
Chengdu Asionstar Technology Co ltd
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 Chengdu Asionstar Technology Co ltd filed Critical Chengdu Asionstar Technology Co ltd
Priority to CN202110229803.4A priority Critical patent/CN113031547B/zh
Publication of CN113031547A publication Critical patent/CN113031547A/zh
Application granted granted Critical
Publication of CN113031547B publication Critical patent/CN113031547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32252—Scheduling production, machining, job shop
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明公开了一种智慧农业生产系统智能闭环控制方法，包括：1：对采集的监测数据、生产数据和生长态势数据进行汇总，得到具有时间属性和位置属性的数据矢量集合；2：计算各类监测设备和各类生产设备的覆盖范围及生长态势数据的采样覆盖范围，并对应补充到数据矢量集合中；3：分别以每类生产设备的生产覆盖范围为目标区域，提取监测覆盖范围和采样覆盖范围分别与目标区域相交部分所对应的监测数据和生长态势数据，再结合生产数据形成区域化数据子集；4：根据区域化数据子集，建立农作物生长闭环控制模型，求解当前最优的生产数据，实现智能闭环控制。本发明能对生产设备进行高效、精准、智能化的闭环控制，实现了农作物最优生长态势的控制。

Description

智慧农业生产系统智能闭环控制方法
技术领域
本发明涉及一种智慧农业生产系统智能闭环控制方法，适用于利用农业生产中的监测设备数据、生产设备数据及农作物生长态势数据建立相互关联的数学模型，进而求解出在农作物生长态势最优条件下的生产设备数据，从而对生产设备实现闭环控制，属于智慧农业技术领域。
背景技术
智慧农业主要利用多种设备获取相应的数据，实现数字化、智能化生产，将各种设备获取的数据打通，进行资源整合，实现无人化生产。在农业生产过程中，主要利用物联网技术、由遥感系统(RS)、全球定位系统(GPS)、地理信息系统(GIS)、专家系统(ES)、智慧化决策知识系统(IDSS)构建的“5S”技术、云计算技术和大数据等信息化技术，实现“三农”产业的数字化、智能化、低碳化、生态化、集约化，从空间、组织、管理，整合现有农业基础设施、通信设备和信息化设施，使农业和谐发展实现“高效、聪明、智慧、精细”和可持续生态发展，是将科学技术融合在农业发展领域中的具体实践和应用。
智慧农业体系可运用“5S”技术快速进行土壤分析、作物长势监测，结合当时的气候、土壤情况进行分析，进而系统性做出正确的决策，将农业生产活动、生产管理相结合，创造新型农业生产方式和经营销售新模式。其次，智慧农业能够改善中小农户分散经营的困境。通过在田间地头部署传感器和边缘设备，利用IoT技术将地块信息统一接入云端，以云为核心载体构建“云上农田”，从而将物理上彼此割裂的土地在数据层面统一连接，为农业大数据的挖掘和利用奠定基础。
在智慧农业实施过程中所产生的数据，主要包括针对环境并由各类监测设备得到的监测数据、由各类生产设备得到的生产数据、以及农作物生长态势数据。但在目前智慧农业生产过程中，对生产设备的控制主要依赖于以前的经验及人工的预测，不能实现利用当前的环境参数及历史的生长态势数据实现农业生产的最优闭环控制，存在着缺乏科学性、时效性、精准性等技术问题。因此，如何利用历史的采集数据和根据当前环境监测数据，通过对生产设备的有效控制达到农作物生长态势的最优，是目前智慧农业生产过程中面临的难题之一。
发明内容
本发明的目的在于克服现有技术中存在的上述问题，提供了一种智慧农业生产系统智能闭环控制方法，本发明能够利用采集数据对生产设备进行高效、精准、智能化、实时的闭环控制，从而实现农作物最优生长态势的控制。
为实现上述目的，本发明采用的技术方案如下：
一种智慧农业生产系统智能闭环控制方法，其特征在于，包括以下步骤：
步骤1：采集种植区内各类监测设备的监测数据、各类生产设备的生产数据和农作物的生长态势数据，并根据采集时间和采集地理位置对监测数据、生产数据和生长态势数据进行汇总，得到具有时间属性和位置属性的数据矢量集合；
步骤2：利用数据矢量集合中数据矢量的地理位置属性，分别计算出各类监测设备的监测覆盖范围、各类生产设备的生产覆盖范围及生长态势数据的采样覆盖范围，并将计算出的覆盖范围属性对应补充到数据矢量集合中；
步骤3：分别以每类生产设备的生产覆盖范围为目标区域，在数据矢量集合中提取监测覆盖范围与目标区域相交部分所对应的监测数据和采样覆盖范围与目标区域相交部分所对应的生长态势数据，然后结合该类生产设备的生产数据形成区域化数据子集；
步骤4：根据区域化数据子集，建立农作物生长闭环控制模型，然后依据区域化数据子集内的历史及实时数据，在当前生长态势数据最优的前提下，求解出当前最优的生产数据，实现智慧农业生产系统的智能闭环控制。
步骤1中，监测设备包括环境监测设备、土壤监测设备和虫情监测设备；生产设备包括灌溉设备、农药喷洒设备、灭虫设备和施肥设备；农作物的生长态势数据包括植物株高、叶面积和果实数。
步骤2中，对于各类监测设备和各类生产设备，基于构建泰森多边形确定每类设备的覆盖范围，其确定方法为：
S1：根据设备在种植区内的位置，在电子地图上描绘出该类设备的分布离散点；
S2：根据离散点自动构建Delaunay三角网，离散点位于三角形的顶点；
S3：为所有三角形编号，并记录每个离散点相邻的所有三角形的编号；
S4：对与每个离散点相邻的三角形按顺时针方向排序，并计算每个三角形的外接圆圆心；
S5：按照上述排序的顺序依次连接外接圆圆心，连接完成后得到该离散点的泰森多边形，该泰森多边形即为该离散点所对应设备的覆盖范围。
步骤3中，区域化数据子集的形成方法为：分别以每类生产设备的生产覆盖范围为目标区域，遍历各类监测设备的监测覆盖范围和采样覆盖范围，当有监测覆盖范围与目标区域相交时，在数据矢量集合中提取相交部分所对应的监测数据；当有采样覆盖范围与目标区域相交时，在数据矢量集合中提取相交部分所对应的生长态势数据；然后将提取的监测数据和生长态势数据与该类生产设备的生产数据相结合形成区域化数据子集。
步骤1中，设定采集的监测数据为Dmi，则在数据矢量集合中，每一监测数据Dm的数据矢量为Dm＝{w,{T,Data}}；其中，i表示不同种类的监测设备，w为监测设备的位置矢量，{T,Data}为监测设备的数据矢量，T为数据采集时间，Data为在T时刻采集的数据；
设定采集的生产数据为Dfj，则在数据矢量集合中，每一生产数据Df的数据矢量为Df＝{w,{T,Data}}；其中，j表示不同种类的生产设备，w为生产设备的位置矢量，{T,Data}为生产设备的数据矢量，T为数据采集时间，Data为在T时刻采集的数据；
设定采集的生长态势数据为Dgk，则在数据矢量集合中，每一生长态势据Dg的数据矢量为Dg＝{w,{T,Data}}；其中，k表示各种生长态势数据种类，w为生长态势的采样点位置矢量，{T,Data}为生长态势的数据矢量，T为数据采集时间，Data为在T时刻采集的数据。
步骤2中，将计算出的覆盖范围属性对应补充到数据矢量集合中后，得到如下具有覆盖范围属性数据矢量集合：
对于生产数据，Dfj＝{w,CRf，{T,Data}}
对于监测数据，Dmi＝{w,CRm，{T,Data}}
对于生长态势数据，Dgk＝{w,CRg，{T,Data}}
其中，对于生产数据，CR为生产设备的生产覆盖区域；对于监测数据，CR为监测设备的监测覆盖区域；对于生长态势数据，CR为生长态势数据的采样覆盖范围。
步骤3中，针对其中一类生产设备产生的生产数据Df，以该类生产设备的覆盖范围CRf为目标区域，设定与该目标区域内相交部分所对应的监测数据和生长态势数据分别为Dm、Dg，则形成的区域化数据子集为{Df、Dm、Dg}。
步骤4中，按照区域化数据子集为{Df、Dm、Dg}，建立农作物生长闭环控制模型为：
Figure BDA0002957451120000031
步骤4中，农作物生长闭环控制模型的求解方法为：
先采用多项式回归方法，利用区域化数据子集{Df、Dm、Dg}内的历史数据，求解出Dg＝f(Dm,Df)的关系函数；再通过高斯-牛顿法求解非线性方程的方法，并利用区域化数据子集{Df、Dm、Dg}内的实时数据，求解出在当前生长态势数据Dg最优前提下当前最优的生产数据Df。
采用本发明的优点在于：
1、本发明提供的智慧农业生产系统智能闭环控制方法，能够利用历史数据和当前监测数据，计算获取当前生产设备的运行参数，以实现农作物最优的生长态势。在农作物整个生产过程，实现了利用采集数据对生产设备的闭环控制，是一种高效、精准、智能化、实时的智慧农业生产设备智能控制方法。
2、本发明在种植区按照各类设备所处的位置，在电子地图上自动计算出各类设备的有效覆盖范围，即监测设备的监测覆盖范围、生产设备的生产覆盖范围及生长态势数据的采样覆盖范围，实现了设备覆盖范围计算的自动化，有利于提高计算的高效性和迅捷性。
3、本发明根据三类数据的数据特征及相互作用的关系，建立农作物生长闭环控制模型，用以刻画三类数据相互关联、相互制约的关系模型，有利于为生产设备提供最优控制。
4、本发明利用历史数据，采用多项式拟合回归方法，计算获取出监测数据、生产数据及农作物生长态势数据的函数关系，计算简便，适用于农业生产过程中的海量数据运算。
5、本发明利用高斯-牛顿法求解非线性方程，计算获取当前生产设备的运行参数，以实现农作物最优的生长态势，是一种以数据为核心、不依赖人工的高效闭环控制方法。
6、本发明采用先进的计算机技术及算法，利用历史采集数据，实时计算出生产设备最优的控制参数，实现了智慧农业生产系统智能闭环控制，完全替代了传统方法中，大量依靠人力、经验的弊病。本发明大幅度减少了人力成本，并利用历史数据指导当前的农业生产，科学地提升了农产品的品质，是智慧农业生产过程控制中的一种具有前瞻性的技术手段。
附图说明
图1为本发明中监测数据、生产数据和生产态势数据相互之间的逻辑关系图。
具体实施方式
本发明提供了一种智慧农业生产系统智能闭环控制方法，在智慧农业园区内，通常设置有多个用于种植不同农作物的种植区，而针对每一个种植区，通常都设置有包括各类监测设备和各类生产设备的生产系统。本发明主要是利用采集数据对生产设备进行高效、精准、智能化、实时的闭环控制，从而实现农作物最优生长态势的控制。其具体包括以下步骤：
步骤1：采集种植区内各类监测设备的监测数据、各类生产设备的生产数据和农作物的生长态势数据，并根据采集时间和采集地理位置对监测数据、生产数据和生长态势数据进行汇总，得到具有时间属性和位置属性的数据矢量集合。
本步骤为数据采集处理，其中，各类监测设备包括环境监测设备、土壤监测设备、虫情监测设备、可视化的摄像头监测设备等，各类监测设备用于对种植区的温湿度环境、土壤情况、害虫情况等进行监测并获得监测数据，通过各类监测设备能够全面采集农业生产过程的各种影响因素。各类生产设备包括灌溉设备、农药喷洒设备、灭虫设备、施肥设备等，各类生产设备用于为种植区进行灌溉、农药喷洒、灭虫、施肥等并产生生产数据。农作物生长过程中，诸如植物株高、叶面积、果实数等数据均归属于生长态势数据。
关于监测数据、生产数据和生长态势数据具体说明如下：
设定采集的监测数据为Dmi，则在数据矢量集合中，每一监测数据Dm的数据矢量为Dm＝{w,{T,Data}}；其中，i表示不同种类的监测设备，w为监测设备的位置矢量，{T,Data}为监测设备的数据矢量，T为数据采集时间，Data为在T时刻采集的数据，包含温度、湿度、土壤等各种量化测量数据。各类监测设备通过无线网络将采集数据传输到远程服务器，由远程服务器打上时间标签，完成数据采集及记录。
设定采集的生产数据为Dfj，则在数据矢量集合中，每一生产数据Df的数据矢量为Df＝{w,{T,Data}}；其中，j表示不同种类的生产设备，w为生产设备的位置矢量，{T,Data}为生产设备的数据矢量，T为数据采集时间，Data为在T时刻采集的数据，包含灌溉设备启动、灌溉时长、施肥量的量化生产数据。各类生产设备通过无线网络将生产过程的控制参数数据传输到远程服务器，由远程服务器打上时间标签，完成数据采集及记录。
设定采集的生长态势数据为Dgk，则在数据矢量集合中，每一生长态势据Dg的数据矢量为Dg＝{w,{T,Data}}；其中，k表示各种生长态势数据种类，w为生长态势的采样点位置矢量，{T,Data}为生长态势的数据矢量，T为数据采集时间，Data为在T时刻采集的数据，包括植物株高、叶面积、果实数等量化数据。生长态势的数据采集，既可采用人工采集，将数据记录到数据库中。也可以通过无人机拍摄的图像，利用图像处理算法，进行生长态势的自动计算，并将数据记录到数据库中。
步骤2：利用数据矢量集合中数据矢量的地理位置属性，分别计算出各类监测设备的监测覆盖范围、各类生产设备的生产覆盖范围及生长态势数据的采样覆盖范围，并将计算出的覆盖范围属性对应补充到数据矢量集合中。
本步骤为数据覆盖范围处理，主要针对种植区，按照各类设备所处的位置，在电子地图上，自动计算出各类设备的覆盖范围，即各类监测设备的监测覆盖范围、各类生产设备的生产覆盖范围及生长态势数据的采样覆盖范围。其中，在采集生长态势数据时，在一个种植区内，在多个采样点上采集植物的生长态势数据，并记录其采样位置；当前采样点位置的植物的生长态势，描述出采样点附近的植物生长态势。因此，采样点附近的区域范围定义为生长态势采样覆盖范围。
进一步的，在每一类数据中，按照数据矢量内的种类，即监测数据的监测项目，生产数据的设备类型，分别计算此种类的覆盖范围(生长态势不区分种类)。覆盖范围的计算，是利用数据矢量内的位置坐标，构建泰森多边形，泰森多边形区域即为该设备的覆盖范围。因此，对于各类监测设备和各类生产设备，基于构建泰森多边形确定每类设备的覆盖范围，其计算方法为：
S1：根据设备在种植区内的位置，在电子地图上描绘出该类设备的分布离散点。
S2：根据离散点自动构建Delaunay三角网，离散点位于三角形的顶点。
S3：为所有三角形编号，并记录每个离散点相邻的所有三角形的编号。
S4：对与每个离散点相邻的三角形按顺时针方向排序，并计算每个三角形的外接圆圆心。
S5：按照上述排序的顺序依次连接外接圆圆心，连接完成后得到该离散点的泰森多边形，该泰森多边形即为该离散点所对应设备的覆盖范围。
监测数据、生产数据及农作物的生长态势数据经过覆盖范围计算后，其原有数据域，由{w,{T,Data}}扩展为{w,CR，{T,Data}}。因此将计算出的覆盖范围属性对应补充到数据矢量集合中后，得到如下具有覆盖范围属性数据矢量集合：
对于生产数据，Dfj＝{w,CRf，{T,Data}}
对于监测数据，Dmi＝{w,CRm，{T,Data}}
对于生长态势数据，Dgk＝{w,CRg，{T,Data}}
其中，对于生产数据，CR为生产设备的生产覆盖区域；对于监测数据，CR为监测设备的监测覆盖区域；对于生长态势数据，CR为生长态势数据的采样覆盖范围。
步骤3：分别以每类生产设备的生产覆盖范围为目标区域，在数据矢量集合中提取监测覆盖范围与目标区域相交部分所对应的监测数据和采样覆盖范围与目标区域相交部分所对应的生长态势数据，然后结合该类生产设备的生产数据形成区域化数据子集。依此重复该步骤，完成其它类生产设备对应的区域化数据子集；完成后，将得到与生产设备种类数量相同个数的区域化数据子集。
本步骤中为对数据进行区域化处理，其具体方法为：分别以每类生产设备的生产覆盖范围为目标区域，遍历各类监测设备的监测覆盖范围和采样覆盖范围，当有监测覆盖范围与目标区域相交时，在数据矢量集合中提取相交部分所对应的监测数据；当有采样覆盖范围与目标区域相交时，在数据矢量集合中提取相交部分所对应的生长态势数据；然后将提取的监测数据和生长态势数据与该类生产设备的生产数据相结合形成区域化数据子集。
针对其中一类生产设备产生的生产数据Df，以该类生产设备的覆盖范围CRf为目标区域，设定与该目标区域内相交部分所对应的监测数据和生长态势数据分别为Dm、Dg，则形成的区域化数据子集为{Df、Dm、Dg}。
步骤4：根据区域化数据子集，建立农作物生长闭环控制模型，然后依据区域化数据子集内的历史及实时数据，在当前生长态势数据最优的前提下，求解出当前最优的生产数据，实现智慧农业生产系统的智能闭环控制。
本步骤为建立模型并求解最优生产数据。首先，农作物在生长过程中，其生长态势首先依赖于各种环境因素，如温度、湿度、土壤、虫情等。因此，监测数据Dm直接记录了农作物生长过程中的环境变化情况。其次，在农作物生长过程中，生产设备的运行时产生的生产数据Df，如灌溉、施肥、灭虫的执行时间、执行时长、数据量(如灌溉水量、施肥量等)，直接影响到农作物的生长态势。而在实际农作物生产过程中，其生长态势数据Dg直接反映了农作物整个生长期间的生长情况。监测数据Dm、生产数据Df和生长态势数据Dg这三类数据相互影响关系如图1所示，从图1可知，农作物生长态势数据Dg依赖于监测数据Dm和生产数据Df，而生产数据Df依赖于监测数据Dm及闭环的生长态势数据Dg。因此，智慧农业的生产过程应结合环境因素进行生产过程的自动控制，并利用闭环的生长态势，进行生产过程的优化迭代，使得农作物在整个生长期内的生长态势最优。基于上述三类数据的相互关联过程，建立的农作物生长闭环控制模型为：
Figure BDA0002957451120000071
其中，函数f为环境因素及生产过程对生长态势的影响函数，g为根据环境因素及生长态势对生产过程的闭环控制函数。在农作物生产过程中，最终关注点为生长态势数据Dg，最优的生长态势数据Dg取决于监测数据Dm和生产数据Df，而生产数据Df又由监测数据Dm和闭环的生长态势数据Dg来联合决定。因此，整个农作物生长过程控制是一个闭环的非线性控制过程，目标为实现生长态势Dg的最优。
进一步的，智慧农业的生产闭环控制过程为：利用农作物生长闭环控制模型，通过历史及实时的采样数据，在生长态势数据Dg最优的前提下，求解生产数据Df。本步骤中，首先根据区域化数据子集{Df、Dm、Dg}内的历史数据，采用多项式拟合方法求解出多项式系数，拟合求解出Dg＝f(Dm,Df)的关系函数；然后再通过高斯-牛顿法求解非线性方程的方法，并利用区域化数据子集{Df、Dm、Dg}内的监测和生长态势实时数据，求解出在当前生长态势数据Dg最优前提下当前最优的生产数据Df，进而利用当前最优的生产数据Df进行生产设备的控制，使得农作物的生长态势最优。
更进一步的，在方程Dg＝f(Dm,Df)中，由于函数f为非显性的非线性函数，其函数的具体表达式是未知的。本发明采用多项式来近似函数f，即
Figure BDA0002957451120000081
其中，ai为多项式系数，N为多项式最大指数，进而利用历史数据，求解出多项式系数，计算出生长态势数据Dg、监测数据Dm、生产数据Df的函数关系。
为求解多元多项式拟合回归问题，进一步将上述方程进行处理为
Figure BDA0002957451120000082
其中xr＝DmN-rDfr，由于监测数据Dm和生产数据Df为历史采集的数据，从而可由监测数据Dm和生产数据Df计算出xr。因此，
Figure BDA0002957451120000083
转换为线性回归问题，根据采集的Dg和Dm、Df历史数据，利用最小二乘法方法，可求解出多项式系数ar，从而求解出函数关系式
Figure BDA0002957451120000084
对于计算生成的关系式
Figure BDA0002957451120000085
针对生产数据Df进行求导，并根据导数为0，且生长态势数据Dg取最大值时，建立方程F(Dm,Df)＝0；针对当前采集的监测数据Dm0，代入方程，即为F(Dm0,Df)＝0，其中Df为待求解的变量。利用高斯-牛顿法进行非线性方程F(Dm0,Df)＝0求解，计算得到此时的Df0，从而求解出在生长态势数据Dg取最大值条件下，当监测数据为Dm0时的生产数据Df0。
以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (1)

1.一种智慧农业生产系统智能闭环控制方法，其特征在于，包括以下步骤：
步骤1：采集种植区内各类监测设备的监测数据、各类生产设备的生产数据和农作物的生长态势数据，并根据采集时间和采集地理位置对监测数据、生产数据和生长态势数据进行汇总，得到具有时间属性和位置属性的数据矢量集合；
步骤2：利用数据矢量集合中数据矢量的地理位置属性，分别计算出各类监测设备的监测覆盖范围、各类生产设备的生产覆盖范围及生长态势数据的采样覆盖范围，并将计算出的覆盖范围属性对应补充到数据矢量集合中；
步骤3：分别以每类生产设备的生产覆盖范围为目标区域，在数据矢量集合中提取监测覆盖范围与目标区域相交部分所对应的监测数据和采样覆盖范围与目标区域相交部分所对应的生长态势数据，然后结合该类生产设备的生产数据形成区域化数据子集；
步骤4：根据区域化数据子集，建立农作物生长闭环控制模型，然后依据区域化数据子集内的历史及实时数据，在当前生长态势数据最优的前提下，求解出当前最优的生产数据，实现智慧农业生产系统的智能闭环控制；
步骤1中，监测设备包括环境监测设备、土壤监测设备和虫情监测设备；生产设备包括灌溉设备、农药喷洒设备、灭虫设备和施肥设备；农作物的生长态势数据包括植物株高、叶面积和果实数；
步骤2中，对于各类监测设备和各类生产设备，基于构建泰森多边形确定每类设备的覆盖范围，其确定方法为：
S1：根据设备在种植区内的位置，在电子地图上描绘出该类设备的分布离散点；
S2：根据离散点自动构建Delaunay三角网，离散点位于三角形的顶点；
S3：为所有三角形编号，并记录每个离散点相邻的所有三角形的编号；
S4：对与每个离散点相邻的三角形按顺时针方向排序，并计算每个三角形的外接圆圆心；
S5：按照上述排序的顺序依次连接外接圆圆心，连接完成后得到该离散点的泰森多边形，该泰森多边形即为该离散点所对应设备的覆盖范围；
步骤3中，区域化数据子集的形成方法为：分别以每类生产设备的生产覆盖范围为目标区域，遍历各类监测设备的监测覆盖范围和采样覆盖范围，当有监测覆盖范围与目标区域相交时，在数据矢量集合中提取相交部分所对应的监测数据；当有采样覆盖范围与目标区域相交时，在数据矢量集合中提取相交部分所对应的生长态势数据；然后将提取的监测数据和生长态势数据与该类生产设备的生产数据相结合形成区域化数据子集；
步骤1中，设定采集的监测数据为Dmi，则在数据矢量集合中，每一监测数据Dm的数据矢量为Dm＝{w,{T,Data}}；其中，i表示不同种类的监测设备，w为监测设备的位置矢量，{T,Data}为监测设备的数据矢量，T为数据采集时间，Data为在T时刻采集的数据；
设定采集的生产数据为Dfj，则在数据矢量集合中，每一生产数据Df的数据矢量为Df＝{w,{T,Data}}；其中，j表示不同种类的生产设备，w为生产设备的位置矢量，{T,Data}为生产设备的数据矢量，T为数据采集时间，Data为在T时刻采集的数据；
设定采集的生长态势数据为Dgk，则在数据矢量集合中，每一生长态势数据Dg的数据矢量为Dg＝{w,{T,Data}}；其中，k表示各种生长态势数据种类，w为生长态势的采样点位置矢量，{T,Data}为生长态势的数据矢量，T为数据采集时间，Data为在T时刻采集的数据；
步骤2中，将计算出的覆盖范围属性对应补充到数据矢量集合中后，得到如下具有覆盖范围属性数据矢量集合：
对于生产数据，Dfj＝{w,CRf，{T,Data}}
对于监测数据，Dmi＝{w,CRm，{T,Data}}
对于生长态势数据，Dgk＝{w,CRg，{T,Data}}
其中，对于生产数据，CRf为生产设备的生产覆盖区域；对于监测数据，CRm为监测设备的监测覆盖区域；对于生长态势数据，CRg为生长态势数据的采样覆盖范围；
步骤3中，针对其中一类生产设备产生的生产数据Df，以该类生产设备的覆盖范围CRf为目标区域，设定与该目标区域内相交部分所对应的监测数据和生长态势数据分别为Dm、Dg，则形成的区域化数据子集为{Df、Dm、Dg}；
步骤4中，按照区域化数据子集为{Df、Dm、Dg}，建立农作物生长闭环控制模型为：
Figure FDA0003763609590000021
步骤4中，农作物生长闭环控制模型的求解方法为：
先采用多项式回归方法，利用区域化数据子集{Df、Dm、Dg}内的历史数据，求解出Dg＝f(Dm,Df)的关系函数；再通过高斯-牛顿法求解非线性方程的方法，并利用区域化数据子集{Df、Dm、Dg}内的实时数据，求解出在当前生长态势数据Dg最优前提下当前最优的生产数据Df；
在方程Dg＝f(Dm,Df)中，采用多项式来近似函数f，即
Figure FDA0003763609590000031
其中，ar为多项式系数，N为多项式最大指数，进而利用历史数据，求解出多项式系数，计算出生长态势数据Dg、监测数据Dm、生产数据Df的函数关系；
为求解多元多项式拟合回归，将上述方程进行处理为
Figure FDA0003763609590000032
其中xr＝DmN-rDfr，由于监测数据Dm和生产数据Df为历史采集的数据，从而可由监测数据Dm和生产数据Df计算出xr；因此，
Figure FDA0003763609590000033
转换为线性回归问题，根据采集的Dg和Dm、Df历史数据，利用最小二乘法方法，可求解出多项式系数ar，从而求解出函数关系式
Figure FDA0003763609590000034
对于计算生成的关系式
Figure FDA0003763609590000035
针对生产数据Df进行求导，并根据导数为0，且生长态势数据Dg取最大值时，建立方程F(Dm,Df)＝0；针对当前采集的监测数据Dm0，代入方程，即为F(Dm0,Df)＝0，其中Df为待求解的变量；利用高斯-牛顿法进行非线性方程F(Dm0,Df)＝0求解，计算得到此时的Df0，从而求解出在生长态势数据Dg取最大值条件下，当监测数据为Dm0时的生产数据Df0。
CN202110229803.4A 2021-03-02 2021-03-02 智慧农业生产系统智能闭环控制方法 Active CN113031547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110229803.4A CN113031547B (zh) 2021-03-02 2021-03-02 智慧农业生产系统智能闭环控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110229803.4A CN113031547B (zh) 2021-03-02 2021-03-02 智慧农业生产系统智能闭环控制方法

Publications (2)

Publication Number Publication Date
CN113031547A CN113031547A (zh) 2021-06-25
CN113031547B true CN113031547B (zh) 2022-10-21

Family

ID=76465371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110229803.4A Active CN113031547B (zh) 2021-03-02 2021-03-02 智慧农业生产系统智能闭环控制方法

Country Status (1)

Country Link
CN (1) CN113031547B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4517292A (en) * 1982-05-18 1985-05-14 Spiral System Instruments, Inc. Method and apparatus for testing microbial interaction with growth affecting substances
CN102542560A (zh) * 2011-10-31 2012-07-04 华中科技大学 一种水稻移栽后密度自动检测的方法
CN104217244A (zh) * 2014-08-14 2014-12-17 长安通信科技有限责任公司 基于地理网格的人数测定方法和人群态势监测方法及系统
CN105142215A (zh) * 2015-08-07 2015-12-09 成都亚讯星科实业有限公司 用于多维度用户位置定位计算的方法
CN105557166A (zh) * 2016-01-26 2016-05-11 石河子大学 基于gis的滴灌棉田氮素施肥管理方法
CN105744225A (zh) * 2015-10-28 2016-07-06 广西慧云信息技术有限公司 一种远程分析农作物生长的方法和系统
CN105830870A (zh) * 2016-03-24 2016-08-10 华北水利水电大学 一种远程无线农田监控系统和方法
CN106643529A (zh) * 2016-09-30 2017-05-10 中国科学院、水利部成都山地灾害与环境研究所 基于无人机影像的山区农作物生长高度快速测量的方法
CN109448017A (zh) * 2018-10-18 2019-03-08 信阳师范学院 基于边界网格化的作业覆盖区域实时重构方法及系统
CN110347127A (zh) * 2019-06-26 2019-10-18 北京农业智能装备技术研究中心 基于云服务的农作物种植托管系统及方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4517292A (en) * 1982-05-18 1985-05-14 Spiral System Instruments, Inc. Method and apparatus for testing microbial interaction with growth affecting substances
CN102542560A (zh) * 2011-10-31 2012-07-04 华中科技大学 一种水稻移栽后密度自动检测的方法
CN104217244A (zh) * 2014-08-14 2014-12-17 长安通信科技有限责任公司 基于地理网格的人数测定方法和人群态势监测方法及系统
CN105142215A (zh) * 2015-08-07 2015-12-09 成都亚讯星科实业有限公司 用于多维度用户位置定位计算的方法
CN105744225A (zh) * 2015-10-28 2016-07-06 广西慧云信息技术有限公司 一种远程分析农作物生长的方法和系统
CN105557166A (zh) * 2016-01-26 2016-05-11 石河子大学 基于gis的滴灌棉田氮素施肥管理方法
CN105830870A (zh) * 2016-03-24 2016-08-10 华北水利水电大学 一种远程无线农田监控系统和方法
CN106643529A (zh) * 2016-09-30 2017-05-10 中国科学院、水利部成都山地灾害与环境研究所 基于无人机影像的山区农作物生长高度快速测量的方法
CN109448017A (zh) * 2018-10-18 2019-03-08 信阳师范学院 基于边界网格化的作业覆盖区域实时重构方法及系统
CN110347127A (zh) * 2019-06-26 2019-10-18 北京农业智能装备技术研究中心 基于云服务的农作物种植托管系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Precision Agriculture;Guo C;《Integrating remote sensing information with crop model to monitor wheat growth and yield based on simulation zone partitioning》;20181231;全文 *
基于MODIS数据的冬小麦种植面积快速提取与长势监测;黄青, 李丹丹, 陈仲新,等;《农业机械学报》;20121231;全文 *

Also Published As

Publication number Publication date
CN113031547A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
Mohamed et al. Smart farming for improving agricultural management
Fountas et al. The future of digital agriculture: technologies and opportunities
CN110134733B (zh) 基于gis系统与大数据分析的土地管理系统及方法
CN103823371B (zh) 基于神经网络模型的农业精准施肥系统及施肥方法
CN108829165A (zh) 一种智能农业物联网系统
CA3044058A1 (en) Determining intra-field yield variation data based on soil characteristics data and satellite images
CN105446309A (zh) 一种基于物联网的农业智能分析监控系统
CN104521699A (zh) 田间智能灌溉在线控制管理方法
CN108781926A (zh) 基于神经网络预测的大棚灌溉系统及方法
Nookala Venu et al. Smart agriculture with internet of things and unmanned aerial vehicles
CN115530054A (zh) 灌溉控制方法、装置、电子设备及存储介质
Agrawal et al. Smart agriculture using IOT: A futuristic approach
Burlacu et al. A conceptual model of farm management information system for decision support
CN113031547B (zh) 智慧农业生产系统智能闭环控制方法
Singla et al. IoT based monitoring for the growth of basil using machine learning
Prasad et al. System model for smart precision farming for high crop yielding
Sharma et al. Crop yield prediction using hybrid deep learning algorithm for smart agriculture
Huang et al. Digital image analysis technologies for decision support systems in agricultural
Singh Sustainable and Smart Agriculture: A Holistic Approach
Sharma et al. Digital technologies and tools for the ensuing digital era
Zyukin et al. IoT as a high degree of autonomy system
Khort et al. Development of an automated weather complex for managing agricultural technologies in horticulture
Ashika et al. A review of the contemporary soil monitoring systems in modern farming
Ardakani et al. Smart Technologies for Urban Farming and Green Infrastructure Development: A Taxonomy
Reddy et al. Big data in smart farming: Challenges and opportunities

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