CN113875562A - 一种多用户预付费农田智能灌溉施肥自动化设备及方法 - Google Patents
一种多用户预付费农田智能灌溉施肥自动化设备及方法 Download PDFInfo
- Publication number
- CN113875562A CN113875562A CN202111273644.4A CN202111273644A CN113875562A CN 113875562 A CN113875562 A CN 113875562A CN 202111273644 A CN202111273644 A CN 202111273644A CN 113875562 A CN113875562 A CN 113875562A
- Authority
- CN
- China
- Prior art keywords
- data
- irrigation
- value
- user
- fertilizer
- 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.)
- Pending
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
- A01G25/167—Control by humidity of the soil itself or of devices simulating soil or of the atmosphere; Soil humidity sensors
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
- A01C23/04—Distributing under pressure; Distributing mud; Adaptation of watering systems for fertilising-liquids
- A01C23/042—Adding fertiliser to watering systems
-
- 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
-
- 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
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/08—Payment architectures
- G06Q20/14—Payment architectures specially adapted for billing systems
Abstract
本发明提供了一种多用户预付费农田智能灌溉施肥自动化设备,包括:施肥机构,其盛装肥料,并能够进行施肥;灌溉机构,其设置在所述施肥机构顶部,能够进行灌溉;气象观测设备,其用于观测气温、风向和风速;湿度检测设备,其用于观测土壤湿度值;控制模块,其连接所述湿度检测设备、气象观测设备、灌溉机构和施肥机构,能够获取检测数据,并根据所述检测数据控制所述施肥机构和灌溉机构自动施肥;计费装置,其连接所述控制模块,能够对用户预付费进行缴存、统计和扣除,本发明还提供了一种多用户预付费农田智能灌溉施肥方法。
Description
技术领域
本发明涉及农业自动化机械技术领域,尤其涉及一种多用户预付费农田智能灌溉施肥自动化设备及方法。
背景技术
为了补充作物所需水分的技术措施。为了保证作物正常生长,获取高产稳产,必须供给作物以充足的水分。在自然条件下,往往因降水量不足或分布的不均匀,不能满足作物对水分要求。因此,必须人为地进行灌溉,以补天然降雨之不足。
传统的农田灌溉时大田漫灌式,由于该方式对水资源浪费严重,不利于环保,故逐渐被淘汰。
因此,亟需一种预付费农田智能灌溉施肥自动化设备,能够进行灌溉计费和自动施肥灌溉。
发明内容
本发明提供了一种用户预付费农田智能灌溉施肥自动化设备,控制够获取检测数据,并根据所述检测数据控制所述施肥机构和灌溉机构自动施肥,并能够对用户预付费进行缴存、统计和扣除,节约了水资源,并保证了灌溉效果。
第一方面,本发明提供了一种多用户预付费农田智能灌溉施肥自动化设备,包括:
施肥机构,其盛装肥料,并能够进行施肥;
灌溉机构,其设置在所述施肥机构顶部,能够进行灌溉;
气象观测设备,其用于观测气温、风向和风速;
湿度检测设备,其用于观测土壤湿度值;
控制模块,其连接所述湿度检测设备、气象观测设备、灌溉机构和施肥机构,能够获取检测数据,并根据所述检测数据控制所述施肥机构和灌溉机构自动施肥;
计费装置,其连接所述控制模块,能够对用户预付费进行缴存、统计和扣除。
优选的是,所述计费装置包括:
触摸显示单元,其显示缴费状态,且具有输入单元,能够输入用户信息和缴费数据;
缴存模块,其用于获取用户信息和缴费数据;
统计模块,其连接所述缴存模块,能够对用户使用设备状态进行计费。
优选的是,所述施肥机构包括:
储肥装置,其用于储存肥料;
排肥装置,其设置在所述储肥装置底部,能够将所述储肥装置内肥料排出,并计算排肥数据。
一种多用户预付费农田智能灌溉施肥方法,包括:
实时观测并获取检测状态数据;
对所述检测状态数据进行统计分析;
筛选所述检测状态数据作为训练样本,并对所述训练样本进行预处理得到训练数据;
将所述训练数据进行分类,构建神经网络模型,得到训练完成的神经网络模型;
采集检测状态数据,并输入训练完成的神经网络模型,得到灌溉需求值;
并根据所述灌溉需求值进行计费。
优选的是,所述检测状态数据包括气温、风向、风速和土壤湿度值数据。
优选的是,对所述检测状态数据进行统计分析,其包括:
获取单位时间内各类检测状态数据;
对所述检测状态数据进行均值计算,得到多个状态均值;
并根据所述状态均值计算得到状态参数。
优选的是,所述神经网络模型的训练包括:
建立三层神经网络模型;
定义目标函数;
提取出所述训练数据中有效的隐藏特征;
调整模型参数,优化预测精度,直至模型内部参数收敛,满足所述目标函数。
优选的是,所述三层神经网络模型包括:
输入层,建立输入节点,所述输入节点关联状态参数,并将其直接传导到下一层;
隐含层,其用于计算所述输入节点函数的激励值;
输出层,其采用线性计算确定神经网络的输出值,所述输出值为所述灌溉需求值。
优选的是,所述激励函数值采用sigmoid函数计算获得。
优选的是,所述根据所述灌溉需求值进行计费,其包括:
分别获取灌溉需求值和排肥数据;
根据所述灌溉需求值和排肥数据分别进行计费得到灌溉付费值和施肥付费值,并分别在缴费数据数据中进行扣除。
本发明的有益效果
本发明提供了一种用户预付费农田智能灌溉施肥自动化设备,控制够获取检测数据,并根据所述检测数据控制所述施肥机构和灌溉机构自动施肥,并能够对用户预付费进行缴存、统计和扣除,节约了水资源,并保证了灌溉效果。
附图说明
图1为本发明所述的多用户预付费农田智能灌溉施肥自动化设备结构示意图。
图2为本发明所述的多用户预付费农田智能灌溉施肥方法流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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做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。
需要说明的是,在本发明的描述中,术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
如图1所示,基于背景技术提出的技术问题,本发明提供了一种多用户预付费农田智能灌溉施肥自动化设备,包括:施肥机构110、灌溉机构120、气象观测设备130、湿度检测设备140、控制模块150和计费装置160。
施肥机构110盛装肥料,并能够进行施肥;灌溉机构120设置在所述施肥机构顶部,能够进行灌溉;气象观测设备130用于观测气温、风向和风速;湿度检测设备140用于观测土壤湿度值;控制模块150连接湿度检测设备、气象观测设备、灌溉机构和施肥机构,能够获取检测数据,并根据检测数据控制所述施肥机构和灌溉机构自动施肥;计费装置160连接所述控制模块,能够对用户预付费进行缴存、统计和扣除。
在一个优选实施例中,计费装置包括:触摸显示单元、缴存模块和统计模块触摸显示单元,显示缴费状态,且具有输入单元,能够输入用户信息和缴费数据;缴存模块,用于获取用户信息和缴费数据;统计模块,其连接所述缴存模块,能够对用户使用设备状态进行计费。
在一个优选实施例中,施肥机构包括:储肥装置,其用于储存肥料;排肥装置,其设置在所述储肥装置底部,能够将所述储肥装置内肥料排出,并计算排肥数据。
如图2所示,在一个优选实施例中,本发明还提供了一种多用户预付费农田智能灌溉施肥方法,包括:
步骤S110、实时观测并获取检测状态数据;
步骤S120、对所述检测状态数据进行统计分析;
步骤S130、筛选所述检测状态数据作为训练样本,并对所述训练样本进行预处理得到训练数据;
步骤S140、将所述训练数据进行分类,构建神经网络模型,得到训练完成的神经网络模型;
步骤S150、采集检测状态数据,并输入训练完成的神经网络模型,得到灌溉需求值;并根据所述灌溉需求值进行计费。
作为一种优选,检测状态数据包括气温、风向、风速和土壤湿度值数据。
在一个优选实施例中,对所述检测状态数据进行统计分析,其包括:
获取单位时间内各类检测状态数据;
对所述检测状态数据进行均值计算,得到多个状态均值;
并根据所述状态均值计算得到状态参数。
优选的是,所述神经网络模型的训练包括:
建立三层神经网络模型;
定义目标函数;
提取出所述训练数据中有效的隐藏特征;
调整模型参数,优化预测精度,直至模型内部参数收敛,满足所述目标函数。
优选的是,所述三层神经网络模型包括:
输入层,建立输入节点,所述输入节点关联状态参数,并将其直接传导到下一层;
隐含层,其用于计算所述输入节点函数的激励值;
输出层,其采用线性计算确定神经网络的输出值,所述输出值为所述灌溉需求值。
优选的是,所述激励函数值采用sigmoid函数计算获得。
优选的是,所述根据所述灌溉需求值进行计费,其包括:
分别获取灌溉需求值和排肥数据;
根据所述灌溉需求值和排肥数据分别进行计费得到灌溉付费值和施肥付费值,并分别在缴费数据数据中进行扣除
筛选运行状态数据作为训练样本,并对训练样本进行预处理得到训练数据,在一个优选实施例中,首先将样本进行分类,然后以该类中样本的均值来插补缺失值。
将训练数据进行分类,构建神经网络模型,得到训练完成的神经网络模型;
神经网络模型的训练包括:
建立三层神经网络模型,三层神经网络模型包括:
定义网络的第n层,在本实施例选用三层神经网络,n=3分别定义每一层的输入节点和输出节点,定义每一层的输入为netn,输出为outn;n=1,2,3。
输入层,建立输入节点,输入节点关联用户阶段需求re,并将其直接传导到下一层;out1=net1=re;
隐含层,其用于计算所述输入节点函数的激励值,作为一种优选,激励函数值采用sigmoid函数计算获得;
其中,ω1,i为神经网络输入层与隐含层的第i个节点相连的权值,i=1,...m...M;M为神经网络隐含层神经元的数目,λ为常数因子。
输出层,其采用线性计算确定神经网络的输出值,所述输出值为所述服务器的阶段负载参数;
其中,ω2,i为神经网络输出层与隐含层的第i个节点相连的权值。
定义目标函数;
式中,V为目标函数,N为样本个数,u为实际控制时控制系统的实际控制量,uN为神经网络辨识器或神经网络补偿控制器的输出u1或uc。
提取出所述训练数据中有效的隐藏特征;调整模型参数,优化预测精度,直至模型内部参数收敛,满足所述目标函数。
其中,神经网络的学习目标为使目标函数做小,神经网络函数的训练过程如下:
输出层的误差梯度量为:
目标函数的隐含层与输出层权向量ω2=(ω2,1…ω2,m…ω2,M)的梯度量为:
隐含层的误差梯度量为:
目标函数对输入层与隐含层的权向量ω1=(ω1,1…ω1,m…ω1,M)的梯度量为:
综合上述公式,得到神经网络参数的学习公式为:
其中,ηω1、ηω2、μω1、μω2分别为网络参数的学习率与附加动能因子,且ηω1、ηω2、μω1、μω2∈(0,1)
因此,基于神经网络辨识器与神经网络反馈补偿控制器的在线学习,并根据控制系统当前时刻误差,对PID控制器的输出进行在线补偿。
本发明提供了一种用户预付费农田智能灌溉施肥自动化设备,控制够获取检测数据,并根据所述检测数据控制所述施肥机构和灌溉机构自动施肥,并能够对用户预付费进行缴存、统计和扣除,节约了水资源,并保证了灌溉效果。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种多用户预付费农田智能灌溉施肥自动化设备,其特征在于,包括:
施肥机构,其盛装肥料,并能够进行施肥;
灌溉机构,其设置在所述施肥机构顶部,能够进行灌溉;
气象观测设备,其用于观测气温、风向和风速;
湿度检测设备,其用于观测土壤湿度值;
控制模块,其连接所述湿度检测设备、气象观测设备、灌溉机构和施肥机构,能够获取检测数据,并根据所述检测数据控制所述施肥机构和灌溉机构自动施肥;
计费装置,其连接所述控制模块,能够对用户预付费进行缴存、统计和扣除。
2.根据权利要求1所述的多用户预付费农田智能灌溉施肥自动化设备,其特征在于,所述计费装置包括:
触摸显示单元,其显示缴费状态,且具有输入单元,能够输入用户信息和缴费数据;
缴存模块,其用于获取用户信息和缴费数据;
统计模块,其连接所述缴存模块,能够对用户使用设备状态进行计费。
3.根据权利要求1或2所述的多用户预付费农田智能灌溉施肥自动化设备,其特征在于,所述施肥机构包括:
储肥装置,其用于储存肥料;
排肥装置,其设置在所述储肥装置底部,能够将所述储肥装置内肥料排出,并计算排肥数据。
4.一种多用户预付费农田智能灌溉施肥方法,其特征在于,包括:
实时观测并获取检测状态数据;
对所述检测状态数据进行统计分析;
筛选所述检测状态数据作为训练样本,并对所述训练样本进行预处理得到训练数据;
将所述训练数据进行分类,构建神经网络模型,得到训练完成的神经网络模型;
采集检测状态数据,并输入训练完成的神经网络模型,得到灌溉需求值;
并根据所述灌溉需求值进行计费。
5.根据权利要求4所述的多用户预付费农田智能灌溉施肥方法,其特征在于,所述检测状态数据包括气温、风向、风速和土壤湿度值数据。
6.根据权利要求5所述的多用户预付费农田智能灌溉施肥方法,其特征在于,对所述检测状态数据进行统计分析,其包括:
获取单位时间内各类检测状态数据;
对所述检测状态数据进行均值计算,得到多个状态均值;
并根据所述状态均值计算得到状态参数。
7.根据权利要求5所述的多用户预付费农田智能灌溉施肥方法,其特征在于,所述神经网络模型的训练包括:
建立三层神经网络模型;
定义目标函数;
提取出所述训练数据中有效的隐藏特征;
调整模型参数,优化预测精度,直至模型内部参数收敛,满足所述目标函数。
8.根据权利要求7所述的多用户预付费农田智能灌溉施肥方法,其特征在于,所述三层神经网络模型包括:
输入层,建立输入节点,所述输入节点关联状态参数,并将其直接传导到下一层;
隐含层,其用于计算所述输入节点函数的激励值;
输出层,其采用线性计算确定神经网络的输出值,所述输出值为所述灌溉需求值。
9.根据权利要求8所述的多用户预付费农田智能灌溉施肥方法,其特征在于,所述激励函数值采用sigmoid函数计算获得。
10.根据权利要求8或9所述的多用户预付费农田智能灌溉施肥方法,其特征在于,所述根据所述灌溉需求值进行计费,其包括:
分别获取灌溉需求值和排肥数据;
根据所述灌溉需求值和排肥数据分别进行计费得到灌溉付费值和施肥付费值,并分别在缴费数据数据中进行扣除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111273644.4A CN113875562A (zh) | 2021-10-29 | 2021-10-29 | 一种多用户预付费农田智能灌溉施肥自动化设备及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111273644.4A CN113875562A (zh) | 2021-10-29 | 2021-10-29 | 一种多用户预付费农田智能灌溉施肥自动化设备及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113875562A true CN113875562A (zh) | 2022-01-04 |
Family
ID=79015074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111273644.4A Pending CN113875562A (zh) | 2021-10-29 | 2021-10-29 | 一种多用户预付费农田智能灌溉施肥自动化设备及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113875562A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3340130A1 (en) * | 2016-12-23 | 2018-06-27 | Hexagon Technology Center GmbH | Method for prediction of soil and/or plant condition |
CN109308004A (zh) * | 2018-09-28 | 2019-02-05 | 东北大学 | 一种真三轴刚性试验机峰后加载过程伺服控制系统及方法 |
CN109845625A (zh) * | 2018-12-12 | 2019-06-07 | 珠江水利委员会珠江水利科学研究院 | 一种基于神经网络的多维参量农作物智能灌溉控制方法 |
CN111480557A (zh) * | 2020-04-23 | 2020-08-04 | 顾晓东 | 一种基于大数据物联网的农业灌溉实时监测调控系统 |
CN113040034A (zh) * | 2021-03-26 | 2021-06-29 | 西京学院 | 一种节水灌溉控制系统及控制方法 |
-
2021
- 2021-10-29 CN CN202111273644.4A patent/CN113875562A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3340130A1 (en) * | 2016-12-23 | 2018-06-27 | Hexagon Technology Center GmbH | Method for prediction of soil and/or plant condition |
CN109308004A (zh) * | 2018-09-28 | 2019-02-05 | 东北大学 | 一种真三轴刚性试验机峰后加载过程伺服控制系统及方法 |
CN109845625A (zh) * | 2018-12-12 | 2019-06-07 | 珠江水利委员会珠江水利科学研究院 | 一种基于神经网络的多维参量农作物智能灌溉控制方法 |
CN111480557A (zh) * | 2020-04-23 | 2020-08-04 | 顾晓东 | 一种基于大数据物联网的农业灌溉实时监测调控系统 |
CN113040034A (zh) * | 2021-03-26 | 2021-06-29 | 西京学院 | 一种节水灌溉控制系统及控制方法 |
Non-Patent Citations (3)
Title |
---|
中国建筑设计研究院机电院主编: "《建筑智能化技术招标书范本》", 30 April 2005, 中国电力出版社 * |
江显群等, 海洋出版社 * |
马兴冠等: "《辽河流域水环境突发污染事故应急处理技术与管理体系》", 30 September 2018, 辽宁科学技术出版社 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
UA125462C2 (uk) | Системи, способи та пристрої для моніторингу за погодними та польовими умовами | |
CN105825230B (zh) | 基于深度置信网络模型的土壤墒情预测方法和系统 | |
CN110719336B (zh) | 一种基于物联网的灌溉用水分析监控系统 | |
CN110214506A (zh) | 水肥管控方法及系统 | |
CN106444378A (zh) | 基于物联网大数据分析的植物培育方法及系统 | |
CN106650212A (zh) | 基于数据分析的植物智能培育方法及系统 | |
CN114202167B (zh) | 基于水循环模拟的多水源灌区灌溉用水量计量统计方法 | |
CN109978234A (zh) | 墒情预测、灌溉决策方法和装置 | |
CN107392376A (zh) | 一种农作物气象产量预测方法及系统 | |
CN113439520A (zh) | 一种农作物灌溉施肥智慧决策方法及系统 | |
WO2021007363A1 (en) | Irrigation control with deep reinforcement learning and smart scheduling | |
CN105588930A (zh) | 温室大棚土壤参数测量方法 | |
CN114365614A (zh) | 基于物联网的水肥精准调控方法、智能装备及系统 | |
CN113554522A (zh) | 基于动态神经网络的葡萄园精准滴灌控制系统 | |
CN110119590A (zh) | 一种基于多源观测数据的水质模型粒子滤波同化方法 | |
CN111459033A (zh) | 水、肥精量灌溉的灰色预测模糊pid控制方法及设备 | |
CN113065090A (zh) | 一种区域农田灌溉用水量分析计算方法 | |
CN113875562A (zh) | 一种多用户预付费农田智能灌溉施肥自动化设备及方法 | |
US9107355B2 (en) | Real-time process for targeting trait phenotyping of plant breeding experiments | |
Kuo et al. | A comparative study on the estimation of evapotranspiration using backpropagation neural network: Penman–Monteith method versus pan evaporation method | |
CN117010717A (zh) | 一种基于全局不确定性分析的作物精准灌溉用水决策方法 | |
Mishoe et al. | Using crop and pest models for management applications | |
CN111724073B (zh) | 一种模块化农业机械排放量计算及污染识别管控系统 | |
CN109615150A (zh) | 一种确定水稻气象产量的方法和系统 | |
CN113642729A (zh) | 基于机器学习的智能沼液施用方法、系统及存储介质 |
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 |