CN114431124B - 一种用于农业种植的喷淋智能控制方法 - Google Patents

Abstract

本发明公开了一种用于农业种植的喷淋智能控制方法，涉及人工智能领域。包括：获取农业种植区域遥感图像；计算农业种植区域遥感图像中各像素点的关注程度；根据关注程度确定出农业种植区域遥感图像中所有的参照点；计算各像素点的波动程度；计算各波动程度的频率，将波动程度最大的概率值作为误差容许量；根据参照点以及误差容许量对喷淋区域进行划分；计算各喷淋区域的喷淋时间，对喷淋区域和喷淋器进行位置匹配进行喷淋时间的自适应控制。本发明通过对不同长势的农作物进行区域划分和对不同位置喷淋器的喷淋时间进行自适应控制，增加喷淋效率的同时节省资源，实现农业种植的喷淋智能控制。

Description

一种用于农业种植的喷淋智能控制方法

技术领域

本申请涉及人工智能领域，具体涉及一种用于农业种植的喷淋智能控制方法。

背景技术

目前遥感技术已成为获取信息的一种重要方式，通过遥感卫星、航天飞机所载雷达等设备取得大量遥感影像，经影像处理分析，即可得到人们所需要的各种信息。在农业生产方面，遥感技术已促使农业现代化生产和研究进入了高速发展阶段，由传统人工阶段发展进入到了精细化、定量化和机械化阶段。农业生产进程中，应用遥感技术已经成为发展农业工程的必然发展趋势。通过处理和分析各类遥感影像，可为优化农业生产和研究提供技术支持。

农作物在种植过程中，农作物的生长态势不同，所需要的灌溉量也不相同，要想农作物达到最佳生长状态以达到经济效益最大化，土壤本身含水量、农作物生长态势均是影响灌溉量的因素，土壤中水分过多会导致土壤中氧气含量不足，农作物根系进行无氧呼吸产生酒精导致烂根；土壤中水分过少会影响农作物光合作用的强度，致使农作物生长态势不好，从而影响农作物的产量。

传统农业生产依靠人工经验进行灌溉，不仅灌溉效率低，还会受到人为主观意识的影响，采用遥感图像进行农业灌溉可以促进灌溉的高效化，但遥感图像获取过程中，受传感器自身机理、大气辐射等诸多因素影响，部分遥感图像会出现对比度较低、图像模糊等问题，目视解译的效果较差，在利用遥感图像进行分析的过程中存在较大误差，对农业种植的喷淋智能控制过程中带来诸多不便。

发明内容

针对上述技术问题，本发明提供了一种用于农业种植的喷淋智能控制方法。

第一方面，本发明实施例提供了一种用于农业种植的喷淋智能控制方法，包括：

S1：获取农业种植区域遥感图像中的参照点：

获取农业种植区域遥感图像；

获取农业种植区域遥感图像中各像素点的梯度值，根据农业种植区域遥感图像中各像素点的梯度值计算各像素点的关注程度；

根据各像素点的关注程度确定出农业种植区域遥感图像中不同长势的分界点，根据分界点和土地边界得到所有的参照点；

S2：计算波动程度的误差容许量：

根据农业种植区域遥感图像中各像素点的邻域内像素点的灰度值以及邻域内的像素点数量计算农业种植区域遥感图像中各像素点的波动程度；

计算农业种植区域遥感图像中各像素点的波动程度的频率，将波动程度最大的频率值作为误差容许量；

S3：获取农业种植区域中不同生长态势的喷淋区域：

随机选取一个参照点作为初始点，将该初始点与临近参照点进行连线获取多边形块，利用误差容许量对该多边形块进行同类块的判定，根据判定结果对多边形块进行扩充，获得扩充后的多边形，利用误差容许量对扩充后的多边形块进行同类块的判定，依次获得多个新多边形块，利用获得的多个新多边形块对农业种植区域进行划分，得到不同生长态势的喷淋区域；

S4：实现农业种植的喷淋智能控制：

根据各喷淋区域中农作物的生长态势和该喷淋区域在历史同时段的生长态势和喷淋时间计算各喷淋区域的喷淋时间，利用获取的各喷淋区域的喷淋时间对各喷淋区域所需的喷淋时间进行控制。

根据农业种植区域遥感图像中各像素点的梯度值计算各像素点的关注程度的计算公式如下：

式中：

为像素点的关注程度，

表示像素点的梯度值，

为梯度阈值，

为自然对数底数，

为农业种植区域遥感图像中的最大梯度值。

根据分界点和土地边界得到所有的参照点的方法如下：

设定关注程度阈值，当像素点的关注程度不小于关注程度阈值时，该像素点为长势分界点；

获取各长势分界点垂直于像素点梯度方向与农业种植区域遥感图像中各土地块边缘的交点；

提取农业种植区域遥感图像中各土地块的角点；

将上述的长势分界点、交点以及土地块角点作为参照点。

获取农业种植区域中不同生长态势的喷淋区域的过程如下：

S301：以一参照点为初始点，连接临近参照点得到一个多边形块；

S302：对得到的多边形块依据误差容许量进行同类块的判断，若该多边形块为同类块，进入S303，若该多边形块不属于同类块，返回S301以另一参照点为初始点；

S303：连接多边形块的临近参照点增加多边形块的面积，得到一个新的多边形块；

S304：对得到的新多边形块进行判断，若该新的多边形块为同类块，重复S303，若该多边形块不属于同类块，进入S305；

S305：更换连接的临近参照点，得到多边形块，对该多边形块进行判断，若该多边形块为同类块，重复S303，若该多边形块不属于同类块，重复S305，最终得到的多边形块即喷淋区域。

判定多边形块是否为同类块的方法如下：

利用Gouraud阴影法计算多边形块的近似波动程度，获取多边形块中所有像素点的波动程度；

若多边形块中所有像素点的波动程度和近似波动程度的差值绝对值不大于误差容许量，则该多边形块属于同类块。

计算各喷淋区域的喷淋时间的方法为：根据各喷淋区域农作物的生长态势和历史最佳喷淋时间计算各喷淋区域的喷淋时间，具体计算公式如下：

式中：

表示喷淋区域的喷淋时间，

表示历史同时段的喷淋时间，

表示农作物历史同时段的生长态势，

表示当前时期农作物的生长态势；

其中，生长态势

为该喷淋区域内所有像素点的灰度均值。

利用获取的各喷淋区域的喷淋时间对各喷淋区域所需的喷淋时间进行控制的方法为：获取喷淋区域的中心点，将距离各喷淋区域中心点最近的喷淋器与喷淋区域进行匹配，根据该喷淋区域对应的喷淋时间对喷淋器进行喷淋时间的自适应控制。

相比于现有技术，本发明实施例的有益效果在于：

1)通过遥感图像对农作物的生长态势进行监测，从而控制喷淋系统进行自适应的喷淋，增加了喷淋效率，减少了控制成本，同时针对不同生长态势的农作物进行不同程度的喷淋，节省了水资源。

2)通过对遥感图像中农作物图像像素点的关注程度、相似性进行计算，使得分割区域精细化，同时对一片区域内不同类型不同生长态势的农作物也可进行精确的喷淋控制。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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为本发明实施例提供的一种用于农业种植的喷淋智能控制方法流程示意图；

图2为本发明实施例提供的喷淋区域划分方法流程图；

图3为本发明实施例提供的农业种植区域遥感图；

图4为本发明实施例提供的无人机拍摄图；

图5为本发明实施例提供的梯度方向示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

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或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。

实施例1

本发明实施例提供了一种用于农业种植的喷淋智能控制方法，如图1所示，包括：

S101、获取农业种植区域遥感图像

利用无人机采集多张农田的遥感图像，采用图像拼接技术对采集到的多张图像进行图像拼接，得到农业种植区域的遥感图像，用于后续对农业种植区域的分析。

相较于以卫星为基础的高空遥感，无人机低空遥感更加灵活，而且它所采集到的数据精细化程度和时效反馈性会更高。

S102、计算各像素点的关注程度

农作物之间由于生长态势不同也会存在不同程度的灰度梯度差异，但农作物之间的差异较小，且遥感图像获取过程中，受传感器自身机理、大气辐射等诸多因素影响，部分遥感图像会出现对比度较低、图像模糊等问题，目视解译效果较差，对不同生长态势的农作物的边界划分带来不变，导致边缘对比度低，难以进行有效的分割，故通过计算像素点的关注程度，获取最具关注程度的像素点。

S103、获取所有的参照点

根据计算的各像素点的关注程度确定参照点，但是根据关注程度确定的参照点对农业种植区域进行分块时会出现土地边缘难以划分的问题，故需要增加土地边缘参考点，根据土地块边缘以及部分土地内部像素点共同确定出所有的参照点，提高后续划分的喷淋区域的精确度。

S104、计算遥感图像中各像素点的波动程度

根据各像素点及其邻域内像素点的灰度值计算农业种植区域遥感图像中每个像素点的波动程度，根据灰度值计算的波动程度能够反映各像素点与周围的灰度差异。

S105、计算波动程度的误差容许量

根据各像素点的波动程度确定出农业种植区域遥感图像再划分不同的喷淋区域时的误差容许量，能够根据误差容许量对划分的区域进行进一步的精确，使得划分的各喷淋区域内织物的生长态势更相近。

S106、对遥感图像中的喷淋区域进行划分

根据参照点和误差容许量进行喷淋区域的自适应分块，达到区域内相似性最大，区域间相似性最小的效果，即喷淋区域内农作物生长态势更相近，喷淋区域之间的农作物生长态势差异较大的效果。

S107、计算各喷淋区域的喷淋时间

根据各喷淋区域中农作物的生长态势和该喷淋区域在历史同时间段的生长态势和喷淋时间计算各喷淋区域的喷淋时间，对不同喷淋区域的喷淋时间进行调整，能够对不同生长态势的农作物进行灌溉，使农作物达到最佳生长状态以达到经济效益最大化，有效减少由于土壤中水分过多会导致土壤中氧气含量不足，农作物根系进行无氧呼吸产生酒精导致烂根；土壤中水分过少会影响农作物光合作用的强度的现象。

S108、对喷淋区域进行喷淋时间的自适应控制

根据喷淋区域的位置对喷淋区域的喷淋器进行匹配，通过得到的喷淋时间控制喷淋器，以实现相应喷淋区域内喷淋时间的自适应控制。

实施例2

本发明实施例提供了一种用于农业种植的喷淋智能控制方法，如图1所示，具体内容包括：

S201、获取农业种植区域遥感图像

相较于以卫星为基础的高空遥感，无人机低空遥感更加灵活如图4所示，而且它所采集到的数据精细化程度和时效反馈性会更高。

利用无人机采集多张农田的遥感图像，采用图像拼接技术对采集到的多张图像进行图像拼接，得到农业种植区域的遥感图像，用于后续对农业种植区域的分析。

至此，通过图像采集与图像拼接技术，获取农业的遥感图像，并将获取的图像转换为灰度图像，得到农业种植区域遥感图，如图3所示。

S202、计算各像素点的关注程度

农作物之间由于生长态势不同也会存在不同程度的灰度梯度差异，但农作物之间的差异较小，且遥感图像获取过程中，受传感器自身机理、大气辐射等诸多因素影响，部分遥感图像会出现对比度较低、图像模糊等问题，目视解译效果较差，对不同生长态势的农作物的边界划分带来不变，导致边缘对比度低，难以进行有效的分割，故通过计算像素点的关注程度，获取最具关注程度的发像素点。

1.获取农业种植区域遥感图中各像素点的梯度值

利用sobel算子计算拼接好的遥感图像中所有像素点

，

方向的梯度

，则像素点的梯度幅值

，获取整幅图像所以像素点的梯度幅值与梯度方向。其对应的梯度方向为

。所述梯度方向如图5所示。

2.计算农业种植区域遥感图中各像素点的关注程度

本实施例是为了通过不同生长态势的农作物边缘进行区域划分，所以更加关注灰度梯度变化较小的像素点。

农业种植区域遥感图中各像素点的关注程度的计算公式如下：

式中：

为像素点的关注程度，

表示像素点的梯度值，

为梯度阈值，

为自然对数底数，

为农业种植区域遥感图像中的最大梯度值。

S203、获取所有的参照点

根据计算的各像素点的关注程度确定参照点，但是根据关注程度确定的参照点对农业种植区域进行分块时会出现土地边缘难以划分的问题，故需要增加土地边缘参考点，根据土地块边缘以及部分土地内部像素点共同确定出所有的参照点，提高后续划分的喷淋区域的精确度。

对于农业种植区域遥感图中各像素点中关注程度不小于关注程度阈值时，将此类像素点作为参照点，本实施例中关注程度阈值为0.7。

由于关注程度大的像素点均为土地内部的像素点，后续基于此类参照点进行分块时会出现土地边缘难以划分的问题，故需要增加土地边缘参考点，对邻近土地边缘的关注程度大的内部像素点进行记录，获取该类像素点垂直于梯度方向与土地边缘的交点，由此获取多个交点，同时获取每个土地块的角点。

故此时农业种植区域遥感图像中存在关注程度大的内部像素点、边界交点与角点，这些关注程度大的内部像素点、边界交点与角点都属于参照点。

S204、计算遥感图像中各像素点的波动程度

根据各像素点及其邻域内像素点的灰度值计算农业种植区域遥感图像中每个像素点的波动程度，根据灰度值计算的波动程度能够反映各像素点与周围的灰度差异。

计算像素点的波动性，以一像素点为中心点，获取该像素点邻域内其他像素点的灰度值，邻域大小为

,计算该像素点的波动程度，即：

式中：

表示像素点的波动程度，

表示邻域内像素点的数量，

表示滑窗中第

个像素点的灰度值，

表示邻域内像素点的灰度均值。

S205、计算波动程度的误差容许量

根据各像素点的波动程度确定出农业种植区域遥感图像再划分不同的喷淋区域时的误差容许量，能够根据误差容许量对划分的区域进行进一步的精确，使得划分的各喷淋区域内织物的生长态势更相近。

对农业种植区域遥感图像进行canny边缘检测，得到每个土地块区域。

由于图像中大多数区域为生长态势相似的区域，即使是不同的生长态势，相同态势内的波动程度均相似，计算每个波动程度的频率，即：

式中：

表示第

个波动程度在第

个土地块区域出现的频率，

表示第

个波动程度级别对应像素点出现的频数，

表示第

个土地块区域的像素点的总个数。选取波动程度最大值作为误差容许量

，

。

S206、对遥感图像中的喷淋区域进行划分

根据参照点和误差容许量进行喷淋区域的自适应分块，达到区域内相似性最大，区域间相似性最小的效果，即喷淋区域内农作物生长态势更相近，喷淋区域之间的农作物生长态势差异较大的效果。

以一个参照点为起始点，连接邻接的参照点，得到第一个多边形，由于参照点为生长态势不同区域的边界点的概率较大，为了防止计算结果不准确，所获取的多边形向内缩进一个像素点得到一个新的多边形（多边形块判定是否为同类块时，是根据多边形块的边界点进行预估值计算，边界点和内部像素点差异较大，所以向内缩进一个像素单位进行预估值计算，相当于排除干扰因素，减小误差），计算该多边形是否为同类块，即多边形块内所有像素点的波动程度h均满足

,则该多边形块问同类块，

是多边形块中坐标

处的真实波动程度值，

表示多边形块中坐标

处的近似波动程度值，采用Gouraud阴影法进行

计算。

若第一多边形块符合同类块，则增加一个临近的参照点，增加多边形的面积，记为第二多边形块，重复上述操作，计算第二多边形块是否为同类块，倘若存在多个临近点，优先选取距离最近的临近参照点，若该点选取后所得的多边形块不符合同类块要求，则更改选取的参照点，迭代直至获取到面积最大且符合同类块的多边形块，即喷淋区域，此时得到第一个确定的喷淋区域，对于剩下的参考点重复上述操作，直至所有的参照点分类完成，此时得到多个喷淋区域。

S207、计算各喷淋区域的喷淋时间

根据以往的经验喷淋时间以及确定的喷淋区域的面积对喷淋时间进行计算，对不同喷淋区域的喷淋时间进行调整，能够对不同生长态势的农作物进行灌溉，使农作物达到最佳生长状态以达到经济效益最大化，有效减少由于土壤中水分过多会导致土壤中氧气含量不足，农作物根系进行无氧呼吸产生酒精导致烂根；土壤中水分过少会影响农作物光合作用的强度的现象。

每一个喷淋区域中农作物的生长态势相同，故所对应的灌溉强度相同，根据生长态势控制喷淋器。

根据各喷淋区域农作物的生长态势和历史最佳喷淋时间计算各喷淋区域的喷淋时间，具体计算公式如下：

式中：

表示喷淋区域的喷淋时间，

表示历史同时段的喷淋时间，

表示农作物历史同时段的生长态势，

表示当前时期农作物的生长态势；

其中，生长态势

为该喷淋区域内所有像素点的灰度均值。

S208、对喷淋区域进行喷淋时间的自适应控制

根据喷淋区域的位置对喷淋区域的喷淋器进行匹配，通过得到的喷淋时间控制喷淋器，以实现相应喷淋区域内喷淋时间的自适应控制。

获取喷淋区域的中心点，将距离各喷淋区域中心点最近的喷淋器与喷淋区域进行匹配，根据该喷淋区域对应的喷淋时间对喷淋器进行喷淋时间的自适应控制。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种用于农业种植的喷淋智能控制方法，其特征在于，包括：

S1：获取农业种植区域遥感图像中的参照点：

获取农业种植区域遥感图像；

获取农业种植区域遥感图像中各像素点的梯度值，根据农业种植区域遥感图像中各像素点的梯度值计算各像素点的关注程度；

根据各像素点的关注程度确定出农业种植区域遥感图像中不同长势的分界点，根据分界点和土地边界得到所有的参照点；

S2：计算波动程度的误差容许量：

根据农业种植区域遥感图像中各像素点的邻域内像素点的灰度值以及邻域内的像素点数量计算农业种植区域遥感图像中各像素点的波动程度；

计算农业种植区域遥感图像中各像素点的波动程度的频率，将波动程度最大的频率值作为误差容许量；

S3：获取农业种植区域中不同生长态势的喷淋区域：

随机选取一个参照点作为初始点，将该初始点与临近参照点进行连线获取多边形块，利用误差容许量对该多边形块进行同类块的判定，根据判定结果对多边形块进行扩充，获得扩充后的多边形，利用误差容许量对扩充后的多边形块进行同类块的判定，依次获得多个新多边形块，利用获得的多个新多边形块对农业种植区域进行划分，得到不同生长态势的喷淋区域；

S4：实现农业种植的喷淋智能控制：

根据各喷淋区域中农作物的生长态势和该喷淋区域在历史同时段的生长态势和喷淋时间计算各喷淋区域的喷淋时间，利用获取的各喷淋区域的喷淋时间对各喷淋区域所需的喷淋时间进行控制。

2.根据权利要求1所述的一种用于农业种植的喷淋智能控制方法，其特征在于，所述根据农业种植区域遥感图像中各像素点的梯度值计算各像素点的关注程度的计算公式如下：

式中：

为像素点的关注程度，

表示像素点的梯度值，

为梯度阈值，

为自然对数底数，

为农业种植区域遥感图像中的最大梯度值。

3.根据权利要求1所述的一种用于农业种植的喷淋智能控制方法，其特征在于，所述根据分界点和土地边界得到所有的参照点的方法如下：

设定关注程度阈值，当像素点的关注程度不小于关注程度阈值时，该像素点为长势分界点；

获取各长势分界点垂直于像素点梯度方向与农业种植区域遥感图像中各土地块边缘的交点；

提取农业种植区域遥感图像中各土地块的角点；

将上述的长势分界点、交点以及土地块角点作为参照点。

4.根据权利要求1所述的一种用于农业种植的喷淋智能控制方法，其特征在于，所述获取农业种植区域中不同生长态势的喷淋区域的过程如下：

S301：随机选取一个参照点为初始点，连接临近参照点得到一个多边形块；

S302：对得到的多边形块利用误差容许量进行同类块的判断，若该多边形块为同类块，进入S303，若该多边形块不属于同类块，返回S301重新选择一个参照点为初始点；

S303：连接多边形块的临近参照点扩充多边形块的面积，得到一个新的多边形块；

S304：对得到的新多边形块进行同类块的判断，若该新的多边形块为同类块，重复S303，若该多边形块不属于同类块，进入S305；

S305：更换连接的临近参照点，得到多边形块，对该多边形块进行判断，若该多边形块为同类块，重复S303，若该多边形块不属于同类块，重复S305，最终得到的多边形块即喷淋区域。

5.根据权利要求4所述的一种用于农业种植的喷淋智能控制方法，其特征在于，判定多边形块是否为同类块的方法如下：

利用Gouraud阴影法计算多边形块的近似波动程度，获取多边形块中所有像素点的波动程度；

若多边形块中所有像素点的波动程度和近似波动程度的差值绝对值不大于误差容许量，则该多边形块属于同类块。

6.根据权利要求1所述的一种用于农业种植的喷淋智能控制方法，其特征在于，所述计算各喷淋区域的喷淋时间的方法为：根据各喷淋区域农作物的生长态势和历史最佳喷淋时间计算各喷淋区域的喷淋时间，具体计算公式如下：

式中：

表示喷淋区域的喷淋时间，

表示历史同时段的喷淋时间，

表示农作物历史同时段的生长态势，

表示当前时期农作物的生长态势；

其中，生长态势

为该喷淋区域内所有像素点的灰度均值。

7.根据权利要求1所述的一种用于农业种植的喷淋智能控制方法，其特征在于，所述利用获取的各喷淋区域的喷淋时间对各喷淋区域所需的喷淋时间进行控制的方法为：获取喷淋区域的中心点，将距离各喷淋区域中心点最近的喷淋器与喷淋区域进行匹配，根据该喷淋区域对应的喷淋时间对喷淋器进行喷淋时间的自适应控制。

Images