CN113115679B - 一种基于苹果病害预测的智能调控方法及其装置 - Google Patents

一种基于苹果病害预测的智能调控方法及其装置 Download PDF

Info

Publication number
CN113115679B
CN113115679B CN202110429915.4A CN202110429915A CN113115679B CN 113115679 B CN113115679 B CN 113115679B CN 202110429915 A CN202110429915 A CN 202110429915A CN 113115679 B CN113115679 B CN 113115679B
Authority
CN
China
Prior art keywords
output
node
apple
environment
acquisition module
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
CN202110429915.4A
Other languages
English (en)
Other versions
CN113115679A (zh
Inventor
曹姗姗
刘继芳
孙伟
孔繁涛
吴建寨
蔡潮勇
韩书庆
朱孟帅
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.)
Agricultural Information Institute of CAAS
Original Assignee
Agricultural Information Institute of CAAS
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 Agricultural Information Institute of CAAS filed Critical Agricultural Information Institute of CAAS
Priority to CN202110429915.4A priority Critical patent/CN113115679B/zh
Publication of CN113115679A publication Critical patent/CN113115679A/zh
Application granted granted Critical
Publication of CN113115679B publication Critical patent/CN113115679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A01G17/00—Cultivation of hops, vines, fruit trees, or like trees
    • A01G17/005—Cultivation methods
    • 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
    • A01G13/00—Protecting plants
    • 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
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/14—Greenhouses
    • 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
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • 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
    • A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
    • A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
    • A01G9/247—Watering arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor

Abstract

本发明提供了一种基于苹果病害预测的智能调控方法及其装置，方法包括利用基于机器学习中的预测模型，根据苹果所属环境中特征的提取，对苹果病害模型进行训练，建立预测模型，根据模拟出病害易爆发的环境条件和时间阶段，比对苹果标准生长环境，从而控制苹果周边环境，控制病害发生；分析生长环境参数，合理的控制生产所经历不同阶段。装置包括苹果气候及地形相关参数的获取、实时环境参数，土壤参数获取，雨水的收集和温室环境调控模块。本发明能节约人力物力，减少病害人为预判的不准确性，减轻病害及滥施农药污染环境问题，利于提高苹果品质、产量。

Description

一种基于苹果病害预测的智能调控方法及其装置
技术领域
本发明属于智慧果园技术领域，具体涉及一种基于苹果病害预测的智能调控方法及其装置。
背景技术
随着农业结构的转型升级和人们的消费水平不断提高，苹果产业逐渐向规模化和经济化方向过渡，从而有效促进区域经济的发展，充分保证了种植户的经济效益。果园栽培和管理过程中，实现机械化有效代替传统人工方式俨然成为一种未来发展趋势。在实际生产中，大多数果农对于苹果病害的发生只是靠经验，凭感觉，对诊断目标不明确，信息输入能力低，造成诊断依据不足。由于不能准确地监测出苹果病虫害，所以农户在苹果发生病害时盲目地施用大量的农药和化肥来防治病害的发生，这样不仅浪费了财力、物力和人力，没有起到很好的防治作用，而且影响了水果的品质和产量，也破坏了生态环境。
目前，关于目前关于苹果病害预测的研究很多，主要集中于以苹果产量和品质为目标的研究上，多数还是基于农户对苹果的病害预测的经验模型，即按经验给出苹果病害的预测，同时及时给出相应的处理措施。以上研究不仅浪费人力和物力，而且没有起到很好的防治，最后破坏了生态环境也影响了苹果的品质和产量。随着大数据时代的发展，在目前的苹果病害预测的研究较多，大多数模型的都能够给出很好的预测结果，但是根据这些预测结果给出相应的预防措施还是集中在人为处理上，缺少一个智能的系统区进行自动干预。
进行苹果病害预测的研究，是设计的的基础，但是单单依据预测的结果而不结合一些机械化的方式去满足生产的基本需求，会导致头重脚轻的问题；对于作物生长环境的把控，构建一套可移动式的苹果种植顶棚的研究还相对较少，缺乏对生长环境因子控制，果实病害的几率可能只是停留在预测阶段，现有的病害调控方式多以人力为基础，常出现农药随意施放破坏生态环境，也使得经济效益无法实现最大化。
发明内容
本发明所要解决的技术问题在于针对上述现有技术的不足，提供一种基于苹果病害预测的智能调控方法及其装置，能根据气象和海拔等环境因素对苹果病害预测结果来对苹果的生长环境实时进行动态调整方法及装置，不仅可以收集雨水，高效利用自然环境，节约水资源，而且科学的控制生长环境可以减少农药施放，保护自然环境，使苹果产出健康环保，实现经济效益最大化。
为解决上述技术问题，本发明采用的技术方案是：一种基于苹果病害预测的智能调控方法，其特征在于，包括以下步骤：
S101、获取实时苹果生长环境的参数数据，基于机器学习方法识别分析当前苹果的生长状况和易发病环境；所述生长环境的参数数据包括土壤情况、施肥情况、气候情况和地形情况；
S102、根据识别分析结果，判别是否处于易致病菌生长的环境，决策环境调控方案，通过控制指令对顶棚及生长环境进行智能调控；
S103、通过当前苹果的生长周期和环境参数，对苹果树进行灌溉、授粉和辅助光和作用。
优选地，所述S101中所述的机器学习算法包括以下步骤：
S201、数据的采集与处理：获取生长环境的参数数据并结合病虫害的发生情况数据进行相关性分析，增强数据与病害间的特征表现；
S202、BP神经网络模型的训练：初始化连接权值和阈值，确定BP神经网络输入节点数、隐含层节点数、输出节点数和激活函数，通过网络的训练不断调整隐含层和输出层的权值；
所述BP神经网络模型包括正向传播和反向传播，在正向传播过程中，信号通过输入层接收进入网络后，经过隐含层的激活函数的处理，交给输出层，最后由输出层输出处理过的信号，当输出的信号与期望输出的信号误差大于限定值，则转向误差反向传播的过程，输出端将误差分摊给隐含层，隐含层处理后，传给输入层，BP算法用于调整权值使网络总误差最小，若训练调整权值的过程到预先设定的训练次数或者误差已经到很小的范围内，则停止训练；
S203、输出结果：通过训练好的模型，实时对苹果周围环境特征参数提取，通过数据的输入、模型的预测，得到输出的结果，从而对苹果的病害发生做出预测。
优选地，S202中所述的BP神经网络模型的训练具体包括以下步骤：
S301、设BP神经网络输入节点数为M，隐含层节点数为Q，输出节点数为L，隐含层激活函数采用Sigmoid型函数，输出与期望输出的误差E，定义公式为
Figure BDA0003031060570000031
其中Tk表示输出层节点k对应的期望输出，Yk表示输出层节点k的输出；
S302、对整个网络的权值和阈值初始化；
S303、输入训练样本,计算出隐含层第j个神经元和输出层第k个神经元的输出值：
Figure BDA0003031060570000032
Figure BDA0003031060570000033
其中Wij为节点i到节点j之间连接权值的权值，Wik为节点j到节点k之间连接权值的权值，θi为中间层节点j的阈值，θk为输出层节点k的阈值；
S304、计算网络输出的误差；
首先计算输出层节点到隐含层节点之间的误差δk
δk＝Yk(1-Yk)(Tk-Yk)
其中Tk表示输出层节点k对应的期望输出，Yk表示输出层节点k的输出；
然后计算隐含层节点到输入层节点之间的误差δj
Figure BDA0003031060570000041
其中Wik为节点j到节点k之间连接权值的权值，Yk为中间层节点j的输出；
S305、调整输出节点k和隐含节点Wij的连接权值Wjk和节点k的阈值，η为学习率
Wjk(t+1)＝Wjk(t)+η·δk·Yj
θk(t+1)＝θk(t)+η·δk
调整隐含节点j和输入层节点i的连接权值Wij和节点j的阈值
Wij(t+1)＝Wij(t)+η·δk·Yi
θj(t+1)＝θj(t)+η·δj
S306、判断训练样本是否完成一轮训练，如果未完成，则返回S303；
S307、检查网络总误差是否达到所要求的精度，如果达到，训练结束。
优选地，S101中所述的识别分析当前苹果的生长状况和易发病环境为分析生长环境的参数数据的影响；S102中所述的生长环境进行智能调控为改变苹果周围环境参数及生长环境的参数。
一种基于苹果病害预测的智能调控装置，其特征在于，包括土壤参数获取模块、水肥参数获取模块、气候参数获取模块、地形参数获取模块、顶棚调控模块和主控制箱；
所述土壤参数获取模块用于获取区域内苹果实时土壤参数数据，所述土壤参数获取模块参数获取装置包括多点位于苹果种植区域内土壤中的土壤传感器，土壤传感器用于测定土壤中水分含量，土壤的PH值，土壤中的各养分的含量；
所述水肥参数获取模块用于获取区域内苹果实时水肥参数数据，所述水肥参数获取模块包括水肥传感器、键盘和液晶显示器，水肥传感器用于测定水肥的肥料占比、水分占比和肥料成分；
所述气候参数获取模块用于获取区域内苹果实时气候参数数据，所述气候参数获取模块包括环境参数传感器，环境参数传感器用于测定环境内温度，空气湿度，光照度，风速，二氧化碳浓度；
所述地形参数获取模块用于获取区域内苹果实时地形参数数据，地形参数数据包括坡向、坡度和海拔，所述地形参数获取模块包括键盘和液晶显示器；
所述顶棚调控模块用于调控区域内苹果的环境参数，所述顶棚调控模块包括移动式顶棚、风扇、雨水导流槽、蓄水塔和灌溉电磁阀；
所述主控制箱用于根据所述目标水肥参数，气候参数，地形参数向所述顶棚调控模块发送相应控制指令；所述主控制箱的控制端口连接移动式顶棚、风扇和灌溉电磁阀。
优选地，所述移动式顶棚为电控开合移动式顶棚，安装在棚架上，所述风扇安装在棚架内，所述灌溉电磁阀安装在灌溉管道上，雨水导流槽设置在移动式顶棚上，蓄水塔用于承接天然降水，雨水导流槽与蓄水塔连通，蓄水塔与灌溉管道连通为灌溉提供水源。
优选地，所述主控制箱内设置有处理器和存储器。所述处理器与存储器连接，处理器的信号输入端与土壤传感器、水肥传感器、环境参数传感器连接，处理器的控制信号输出端与移动式顶棚、风扇和灌溉电磁阀连接。处理器还与键盘和显示器连接，用于手动输入并显示相关参数。
本发明与现有技术相比具有以下优点：
1、本发明能利用环境参数的预测当前温室果树种植过程中苹果易感染真菌问题，通过环境参数和致病形成的环境因素来合理的控制苹果的生长环境，有效控制易发病时期的各种致病类型的形成条件问题，通过环境参数来控制苹果的生长必要条件。科学合理，实用性强，自动化程度高，控制精准，能有效提高苹果产量和质量，提高经济效益和社会效益。
2、本发明可以根据气象和海拔等环境因素对苹果病害预测结果来对苹果的生长环境实时进行动态调整方法及装置，不仅可以收集雨水，高效利用自然环境，节约水资源，而且科学的控制生长环境可以减少农药施放，保护自然环境，使苹果产出健康环保，实现经济效益最大化。
3、本发明选用BP神经网络模型，对苹果当前状态进行预测，预测苹果当前是否处于符合某种致病菌形成的条件。当处于某种易爆发的致病菌预测状态时，对该致病菌形成的主要环境因素进一步分析，根据分析结果判断，改变苹果当前的致病菌状态，通过主控制箱控制指令，实现移动式顶棚的开合状态，风扇的工作，当预测值与苹果健康基准值趋于一致时，停止控制指令，结束相应的预防措施操作；处于非致病菌形成环境是控制苹果的生长必要条件，比如开花，授粉对于苹果的产量和质量十分重要；通过生长环境参数和苹果当前所处的生长周期，对环境参数进行调控，合理地控制苹果健康的生长条件。
下面结合附图和实施例对本发明作进一步详细说明。
附图说明
图1是本发明提供的智能调控方法的整体流程图。
图2是本发明中智能调控方法的框架流程详图。
图3是本发明中实施BP神经网络的流程图。
图4是本发明中智能调控装置的电路原理框图。
图5是本发明中智能调控装置的结构示意图。
附图标记说明：
301—移动式顶棚；       302—风扇；             303—顶棚电机；
304—雨水导流槽；       305—主控制箱；         306—液晶显示器；
307—灌溉电磁阀；       308—蓄水塔；           309—土壤传感器；
310—环境参数传感器。
具体实施方式
如图1和图2所示，本发明提供了一种基于苹果病害预测的智能调控方法，包括以下步骤：
S101、获取实时苹果生长环境的参数数据，基于机器学习方法识别分析当前苹果的生长状况和易发病环境；所述生长环境的参数数据包括土壤情况、施肥情况、气候情况和地形情况；
S102、根据识别分析结果，判别是否处于易致病菌生长的环境，决策环境调控方案，通过控制指令对顶棚及生长环境进行智能调控；
S103、通过当前苹果的生长周期和环境参数，对苹果树进行灌溉、授粉和辅助光和作用。
本实施例中，首先获取区域内苹果实时土壤情况包括土壤中水分，土壤的PH值，土壤中的各养分的含量；施肥情况包括：施肥类型，施肥量，灌溉量；气候情况包括:温度，空气湿度，光照度，风速，二氧化碳浓度；地形情况包括:坡向，坡度，海拔；然后基于机器学习的方法，以此预测出苹果易感染病菌以及生长状况，得出解决方案。
本实施例中，所述S101中所述的机器学习算法包括以下步骤：
S201、数据的采集与处理：获取生长环境的参数数据并结合病虫害的发生情况数据进行相关性分析，增强数据与病害间的特征表现；
S202、BP神经网络模型的训练：初始化连接权值和阈值，确定BP神经网络输入节点数、隐含层节点数、输出节点数和激活函数，通过网络的训练不断调整隐含层和输出层的权值；
所述BP神经网络模型包括正向传播和反向传播，在正向传播过程中，信号通过输入层接收进入网络后，经过隐含层的激活函数的处理，交给输出层，最后由输出层输出处理过的信号，当输出的信号与期望输出的信号误差大于限定值，则转向误差反向传播的过程，输出端将误差分摊给隐含层，隐含层处理后，传给输入层，BP算法用于调整权值使网络总误差最小，若训练调整权值的过程到预先设定的训练次数或者误差已经到很小的范围内，则停止训练；
S203、输出结果：通过训练好的模型，实时对苹果周围环境特征参数提取，通过数据的输入、模型的预测，得到输出的结果，从而对苹果的病害发生做出预测。
如图3所示，本实施例中，S202中所述的BP神经网络模型的训练具体包括以下步骤：
S301、设BP神经网络输入节点数为M，隐含层节点数为Q，输出节点数为L，隐含层激活函数采用Sigmoid型函数，输出与期望输出的误差E，定义公式为
Figure BDA0003031060570000081
其中Tk表示输出层节点k对应的期望输出，Yk表示输出层节点k的输出；
S302、对整个网络的权值和阈值初始化；
S303、输入训练样本,计算出隐含层第j个神经元和输出层第k个神经元的输出值：
Figure BDA0003031060570000082
Figure BDA0003031060570000083
其中Wij为节点i到节点j之间连接权值的权值，Wik为节点j到节点k之间连接权值的权值，θi为中间层节点j的阈值，θk为输出层节点k的阈值；
S304、计算网络输出的误差；
首先计算输出层节点到隐含层节点之间的误差δk
δk＝Yk(1-Yk)(Tk-Yk)
其中Tk表示输出层节点k对应的期望输出，Yk表示输出层节点k的输出；
然后计算隐含层节点到输入层节点之间的误差δj
Figure BDA0003031060570000091
其中Wik为节点j到节点k之间连接权值的权值，Yk为中间层节点j的输出；
S305、调整输出节点k和隐含节点Wij的连接权值Wjk和节点k的阈值，η为学习率
Wjk(t+1)＝Wjk(t)+η·δk·Yj
θk(t+1)＝θk(t)+η·δk
调整隐含节点j和输入层节点i的连接权值Wij和节点j的阈值
Wij(t+1)＝Wij(t)+η·δk·Yi
θj(t+1)＝θj(t)+η·δj
S306、判断训练样本是否完成一轮训练，如果未完成，则返回S303；
S307、检查网络总误差是否达到所要求的精度，如果达到，训练结束。
本实施例中，S101中所述的识别分析当前苹果的生长状况和易发病环境为分析生长环境的参数数据的影响；S102中所述的生长环境进行智能调控为改变苹果周围环境参数及生长环境的参数。
如图4所示，一种基于苹果病害预测的智能调控装置，其特征在于，包括土壤参数获取模块、水肥参数获取模块、气候参数获取模块、地形参数获取模块、顶棚调控模块和主控制箱；
所述土壤参数获取模块用于获取区域内苹果实时土壤参数数据，所述土壤参数获取模块参数获取装置包括多点位于苹果种植区域内土壤中的土壤传感器，土壤传感器用于测定土壤中水分含量，土壤的PH值，土壤中的各养分的含量；所述的土壤传感器采用普锐科技的五探针土壤氮磷钾+温湿度+PH传感器；
所述水肥参数获取模块用于获取区域内苹果实时水肥参数数据，所述水肥参数获取模块包括水肥传感器、键盘和液晶显示器，水肥传感器用于测定水肥的肥料占比、水分占比和肥料成分；所述的水肥传感器采用普锐科技的五探针土壤氮磷钾+温湿度+PH传感器；
所述气候参数获取模块用于获取区域内苹果实时气候参数数据，所述气候参数获取模块包括环境参数传感器，环境参数传感器用于测定环境内温度，空气湿度，光照度，风速，二氧化碳浓度；所述的温度和空气湿度测量采用SHT35温湿度传感器；所述光照度测量采用BH1750光照强度传感器；所述风速测量采用普锐科技的485型风速传感器；所述二氧化碳浓度测量采用CCS811二氧化碳浓度传感器；
所述地形参数获取模块用于获取区域内苹果实时地形参数数据，地形参数数据包括坡向、坡度和海拔，所述地形参数获取模块包括键盘和液晶显示器；
所述顶棚调控模块用于调控区域内苹果的环境参数，所述顶棚调控模块包括主控制箱305、移动式顶棚301、风扇302、雨水导流槽304、蓄水塔308和灌溉电磁阀307；所述主控箱采用STM32F407芯片作为处理器；所述主控箱采用SDRAM模块作为存储器；
所述主控制箱305用于根据所述目标水肥参数，气候参数，地形参数向所述顶棚调控模块发送相应控制指令；所述主控制箱305的控制端口连接移动式顶棚301、风扇302和灌溉电磁阀307。
如图5所示，本实施例中，所述移动式顶棚301为电控开合移动式顶棚301，移动式顶棚301通过顶棚电机303驱动控制开合大小，移动式顶棚301安装在棚架上，所述风扇302安装在棚架内侧壁上，所述灌溉电磁阀307安装在灌溉管道上，雨水导流槽304设置在移动式顶棚301上，蓄水塔308用于承接天然降水，雨水导流槽304与蓄水塔308连通，蓄水塔308与灌溉管道连通为灌溉提供水源。
本实施例中，所述主控制箱内设置有处理器和存储器。所述处理器与存储器连接，处理器的信号输入端与土壤传感器309、水肥传感器、环境参数传感器310连接，处理器的控制信号输出端与移动式顶棚301、风扇302和灌溉电磁阀307连接。处理器还与键盘和显示器306连接。
使用时，主控制箱301用于接收传感器土壤传感器组309、环境传感器组310；键盘和显示器306输入参数数据，然后对苹果病害预测和生长环境的测定。得出输出结果后，主控制箱301下发控制指令控制移动式顶风扇302和顶棚电机303、电磁阀307控制；移动顶棚由三块透明大棚玻璃板组成，两两相接，接点可定向折叠，电机位于顶棚右下方靠墙面固定，通过缆线与靠外侧玻璃板相接。电机带动缆线，通过缆线的收缩，来实现顶棚的开合。反复以上的操作，直到苹果处于一个不易致病且生长适宜的环境。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制。凡是根据发明技术实质对以上实施例所作的修改、变更以及等效变化，均仍属于本发明技术方案的保护范围内。

Claims (2)

1.一种基于苹果病害预测的智能调控方法，其特征在于，包括以下步骤：
S101、获取实时苹果生长环境的参数数据，基于机器学习方法识别分析当前苹果的生长状况和易发病环境；所述生长环境的参数数据包括土壤情况、施肥情况、气候情况和地形情况；
S102、根据识别分析结果，判别是否处于易致病菌生长的环境，决策环境调控方案，通过控制指令对顶棚及生长环境进行智能调控；
S103、通过当前苹果的生长周期和环境参数，对苹果树进行灌溉、授粉和辅助光和作用；
所述S101中所述的机器学习算法包括以下步骤：
S201、数据的采集与处理：获取生长环境的参数数据并结合病虫害的发生情况数据进行相关性分析，增强数据与病害间的特征表现；
S202、BP神经网络模型的训练：初始化连接权值和阈值，确定BP神经网络输入节点数、隐含层节点数、输出节点数和激活函数，通过网络的训练不断调整隐含层和输出层的权值；
所述BP神经网络模型包括正向传播和反向传播，在正向传播过程中，信号通过输入层接收进入网络后，经过隐含层的激活函数的处理，交给输出层，最后由输出层输出处理过的信号，当输出的信号与期望输出的信号误差大于限定值，则转向误差反向传播的过程，输出端将误差分摊给隐含层，隐含层处理后，传给输入层，BP算法用于调整权值使网络总误差最小，若训练调整权值的过程到预先设定的训练次数或者误差已经到很小的范围内，则停止训练；
S203、输出结果：通过训练好的模型，实时对苹果周围环境特征参数提取，通过数据的输入、模型的预测，得到输出的结果，从而对苹果的病害发生做出预测；
所述S202中所述的BP神经网络模型的训练具体包括以下步骤：
S301、设BP神经网络输入节点数为M，隐含层节点数为Q，输出节点数为L，隐含层激活函数采用Sigmoid 型函数，输出与期望输出的误差 E，定义公式为
其中表示输出层节点对应的期望输出，表示输出层节点的输出；
S302、对整个网络的权值和阈值初始化；
S303、输入训练样本,计算出隐含层第个神经元和输出层第个神经元的输出值：
其中为节点到节点之间连接权值的权值，为节点到节点之间连接权值的权值，为中间层节点的阈值，为输出层节点k的阈值；
S304、计算网络输出的误差；
首先计算输出层节点到隐含层节点之间的误差
其中表示输出层节点对应的期望输出，表示输出层节点的输出；
然后计算隐含层节点到输入层节点之间的误差
其中为节点到节点之间连接权值的权值，为中间层节点j的输出；
S305、调整输出节点和隐含节点的连接权值和节点的阈值，为学习率
调整隐含节点 和输入层节点的连接权值和节点的阈值
S306、判断训练样本是否完成一轮训练，如果未完成，则返回S303；
S307、检查网络总误差是否达到所要求的精度，如果达到，训练结束；
该基于苹果病害预测的智能调控方法中使用了一种智能调控装置，所述智能调控装置包括土壤参数获取模块、水肥参数获取模块、气候参数获取模块、地形参数获取模块、顶棚调控模块和主控制箱；
所述土壤参数获取模块用于获取区域内苹果实时土壤参数数据，所述土壤参数获取模块参数获取装置包括多点位于苹果种植区域内土壤中的土壤传感器；
所述水肥参数获取模块用于获取区域内苹果实时水肥参数数据，所述水肥参数获取模块包括水肥传感器、键盘和液晶显示器；
所述气候参数获取模块用于获取区域内苹果实时气候参数数据，所述气候参数获取模块包括环境参数传感器；
所述地形参数获取模块用于获取区域内苹果实时地形参数数据，所述地形参数获取模块包括键盘和液晶显示器；
所述顶棚调控模块用于调控区域内苹果的环境参数，所述顶棚调控模块包括移动式顶棚、风扇、雨水导流槽、蓄水塔和灌溉电磁阀；
所述主控制箱用于根据目标水肥参数，气候参数，地形参数向所述顶棚调控模块发送相应控制指令；所述主控制箱的控制端口连接移动式顶棚、风扇和灌溉电磁阀；
所述移动式顶棚为电控开合移动式顶棚，移动式顶棚通过顶棚电机驱动控制开合大小，移动式顶棚安装在棚架上，所述风扇安装在棚架内侧壁上，所述灌溉电磁阀安装在灌溉管道上，雨水导流槽设置在移动式顶棚上，蓄水塔用于承接天然降水，雨水导流槽与蓄水塔连通，蓄水塔与灌溉管道连通为灌溉提供水源，所述主控制箱内设置有处理器和存储器。
2.根据权利要求1所述的一种基于苹果病害预测的智能调控方法，其特征在于，S101中所述的识别分析当前苹果的生长状况和易发病环境为分析生长环境的参数数据的影响；S102中所述的生长环境进行智能调控为改变苹果周围环境参数及生长环境的参数。
CN202110429915.4A 2021-04-21 2021-04-21 一种基于苹果病害预测的智能调控方法及其装置 Active CN113115679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110429915.4A CN113115679B (zh) 2021-04-21 2021-04-21 一种基于苹果病害预测的智能调控方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110429915.4A CN113115679B (zh) 2021-04-21 2021-04-21 一种基于苹果病害预测的智能调控方法及其装置

Publications (2)

Publication Number Publication Date
CN113115679A CN113115679A (zh) 2021-07-16
CN113115679B true CN113115679B (zh) 2023-04-07

Family

ID=76778765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110429915.4A Active CN113115679B (zh) 2021-04-21 2021-04-21 一种基于苹果病害预测的智能调控方法及其装置

Country Status (1)

Country Link
CN (1) CN113115679B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN203537985U (zh) * 2013-10-09 2014-04-16 天津科技大学 基于无线传感网络的温室环境监测和作物病害诊断视情施药防治系统
US11429071B2 (en) * 2017-06-01 2022-08-30 Valmont Industries, Inc. System and method for irrigation management using machine learning workflows
JPWO2020008777A1 (ja) * 2018-07-02 2021-07-08 バイエルクロップサイエンス株式会社 情報処理装置、情報処理システム、およびプログラム
CN108983849A (zh) * 2018-07-12 2018-12-11 沈阳大学 一种利用复合极限学习机神经网络控制温室环境方法
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
CN110262435A (zh) * 2019-07-16 2019-09-20 河海大学常州校区 基于大数据分析的智慧大棚控制系统及方法
CN112450056A (zh) * 2019-09-09 2021-03-09 云南天质弘耕科技有限公司 一种基于机器学习算法的水肥药一体化智能灌溉系统

Also Published As

Publication number Publication date
CN113115679A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
Pathak et al. IoT based smart system to support agricultural parameters: A case study
Chen et al. A reinforcement learning approach to irrigation decision-making for rice using weather forecasts
CN108781926B (zh) 基于神经网络预测的大棚灌溉系统及方法
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
CN112450056A (zh) 一种基于机器学习算法的水肥药一体化智能灌溉系统
CN110347127A (zh) 基于云服务的农作物种植托管系统及方法
CN111476149A (zh) 一种植物培育控制方法和系统
Verma et al. A machine learning approach for prediction system and analysis of nutrients uptake for better crop growth in the Hydroponics system
Mamatha et al. Machine learning based crop growth management in greenhouse environment using hydroponics farming techniques
Ting et al. Universality of an improved photosynthesis prediction model based on PSO-SVM at all growth stages of tomato
CN106651149A (zh) 一种植物生长行为分析方法
CN108762084A (zh) 基于模糊控制决策的水田灌溉系统及方法
Ali et al. Wireless sensor network and deep learning for prediction greenhouse environments
CN111459033A (zh) 水、肥精量灌溉的灰色预测模糊pid控制方法及设备
Saraswathy et al. Integrating intelligence in hydroponic farms
CN109116827B (zh) 基于物联网的日光温室水肥一体化灌溉控制方法及装置
CN115633622A (zh) 一种果园智能灌溉系统及其方法
KR102387765B1 (ko) 작물의 생육량 예측 방법 및 장치
CN113115679B (zh) 一种基于苹果病害预测的智能调控方法及其装置
Raja Reddy et al. Exploring the use of the environmental productivity index concept for crop production and modeling
Sivagami et al. Design and Evaluation of an Automated Monitoring and Control System for Greenhouse Crop Production
Chen et al. A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network
Macabiog et al. Soil moisture and rain prediction based irrigation controller for the strawberry farm of La Trinidad, Benguet
Gao et al. Application of Artificial Intelligence System Design Based on Genetic Algorithm In Horticultural Cultivation
Radha et al. Indoor Agricultural Farming and Plant Disease Detections-A Comprehensive Survey

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