CN115633622A - 一种果园智能灌溉系统及其方法 - Google Patents

Abstract

本发明提供了一种果园智能灌溉系统及其方法，包括信息采集模块、无线通信模块、需水量分析模块、灌溉决策模块和灌溉控制模块，系统通过信息采集模块采集果园各区域内的果树图像、光照强度信息、土壤湿度信息、空气温湿度信息、降雨量信息和风速信息；将采集的果树图像输入基于深度学习建立的果树生长周期识别模型，实现对果树生长周期的识别；需水量分析模块对果树当前生长周期的需水量做出分析预测；灌溉决策模块结合预测需水量、降雨量、土壤湿度和风速等信息计算实际灌溉量，做出灌溉决策并发送灌溉指令；灌溉控制模块根据指令完成灌溉操作；全程由系统自主完成，智能化、自动化程度高，灌溉精确度高，有效节省水资源和人工成本。

Description

一种果园智能灌溉系统及其方法

技术领域

本发明属于果园智能灌溉技术领域，涉及一种果园智能灌溉系统及其方法。

背景技术

我国是传统的人口大国和农业大国，农事生产长期处于人工耕作模式。随着现代科学技术的发展，农业生产智能化、自动化、信息化水平不断提高，智慧农业建设快速推进。农作物生长离不开水，因此在农业生产活动中节约水资源，提高水资源利用率显得尤为重要。目前，在我国的果园生产活动中，果园灌溉方式主要有人工灌溉和自动灌溉两种方式，人工灌溉费时费力，且工作效率低，水资源浪费现象严重；自动灌溉相比人工效率有所提升，但仍存在智能化、自动化水平不高等问题，也未能明显提升水资源利用率。当前我国多数果园灌溉依旧采用粗放型灌溉方式进行灌溉，灌溉精度低，资源利用率低，在很大程度上造成了水资源的浪费，并且不利于果树的生长。

发明内容

本发明的目的在于提供一种果园智能灌溉系统及其方法，以解决上述背景技术中提出的问题。

本发明的目的可通过下列技术方案来实现：一种果园智能灌溉系统及其方法，所述灌溉系统包括信息采集模块，利用安装在果园不同区域内的摄像头、光照强度传感器、土壤湿度传感器、空气温湿度传感器、降雨量传感器和风速传感器分别获取果树生长图像、光照强度、土壤深层湿度、空气温湿度、降雨量以及风速数据；

其中，使用摄像头采集当前果园果树生长图像的步骤包括：

将果园按地势高低、地形不同、果树密集程度等方法划分为若干区域，将摄像头安装在各个区域，通过安装好的摄像头定时对果树进行拍摄，获取果树生长图像。

其中，通过各传感器采集光照强度、土壤湿度、空气温湿度、降雨量和风速数据的步骤包括：

将光照强度传感器安放在果园不同区域内离地面预定高度的位置，通过光照强度传感器定时采集区域内的光照强度数据；

将土壤湿度传感器预埋至果园不同区域内离地表预定深度的土壤中，利用土壤湿度传感器定时采集当前土壤湿度数据；

将空气温湿度传感器安放在果园不同区域内离地面预定高度的位置，通过温湿度传感器定时采集区域内的空气温湿度数据；

将降雨量传感器安放在果园不同区域内离地面预定高度的位置，通过降雨量传感器定时采集区域内的降雨量数据；

将风速传感器安放在果园不同区域内离地面预定高度的位置，通过风速传感器定时采集对应区域的风速数据；

无线通信模块，通过无线通信方式将采集的图像或数据信息上传至PC端服务器，以及将灌溉指令通过无线通信方式发送给灌溉控制模块；

其中，无线通信方式包括NBIOT无线传输、LoRa无线传输和 4G移动通信方式；

需水量分析模块，将信息采集模块中所采集的图像和数据输入经预训练好的深度学习神经网络模型，该模型自动识别出果树的生长周期，并结合果树不同生长周期所对应的不同作物系数，计算预测出当前果树的需水量；

其中，果树生长周期包括初始生长期、快速发育期、成年树期、花穗期、初果期、盛果期和更新期中的至少一项。

灌溉决策模块，根据预测的果树需水量结合果树周围土壤墒情信息计果园算实际灌溉量，同时做出灌溉决策并发送灌溉指令给灌溉控制模块；

灌溉控制模块，接收控制指令后根据指令控制灌溉管道上电磁阀和管道流量计的开启。在持续灌溉T时间后关闭电磁阀和管道流量计，完成对果园的灌溉。

其中，计算预测果树需水量ET_c的计算公式为：

ET_c＝ET₀×K_ci×K_w

其中，ET₀表示当地参考作物蒸发蒸腾量，K_ci表示果树某个生长周期对应的作物系数，K_w表示土壤水分胁迫因子。

其中，果园某区域内t时段内实际灌溉量M由农田土壤水量平衡原理计算，其计算公式为：

W_t-W₀＝W_T+P₀+K_t+M-ET_c

其中，W₀，W_t分别为时段初和任意一时间t时的土壤计划湿润层内的储水量，mm；W_T为由于计划湿润层增加而增加的水量， mm；P₀为土壤计划湿润层内保存的有效雨量，mm；K_t为t时段内平均每昼夜地下水补给量，mm；M为时段t内的灌溉水量，mm；ET_c为作物t时段内的需水量，mm。

其中，果园灌溉持续时间T的计算公式为：

T＝M×S÷Q

其中，M为果园实际灌溉量；S为灌溉区域面积；Q为管道流量计流量读数。

一种果园智能灌溉系统的方法，包括以下步骤：

S101：基于深度学习建立果树生长周期识别模型并进行预训练；

S102：使用传感器分别获取当前果园不同区域的光照强度信息、土壤湿度信息、空气温湿度信息、降雨量信息和风速信息；

S103，使用摄像头采集果树图像；

S104：使用训练好的网络模型对果树生长周期进行识别；

S105：需水量分析模块结合果树生长周期及作物系数对果树需水量做出分析预测；

S106：灌溉决策模块根据果树需水量和土壤墒情信息计算果树实际需水量作出灌溉决策，并发送灌溉指令；

S107：灌溉控制模块接收灌溉指令，控制电磁阀和管道流量计对果园进行灌溉。

与现有技术相比，本发明一种果园智能灌溉系统及其方法的优点为：信息采集模块分别通过摄像头和传感器采集果树图像、光照强度信息、土壤湿度信息、空气温湿度信息、降雨量信息、风速信息；需水量分析模块对果树生长周期进行识别，并根据果树生长周期和和作物系数计算预测出果树需水量；灌溉控制模块根据预测的果树需水量和果树周围土壤墒情信息计算出实际灌溉量，做出灌溉决策后发送灌溉指令给灌溉控制模块；灌溉控制模块接收指令后控制电磁阀和管道流量计的开关，完成对果园的灌溉。与现有技术相比，本发明具有的优点和积极效果是：基于深度学习建立果树生长周期识别模型，根据果树不同生长周期需水量不同原理，分析计算得出实际灌溉量，使得灌溉的水量更符合果树处于不同生长周期的实际需求，也使得灌溉精确性更高，有效节省水资源和提高利用率。

附图说明

图1是本发明实施例提供的一种果园智能灌溉系统及其方法的结构示意图。

图2是本发明实施例提供的一种果园智能灌溉系统及其方法的流程示意图。

具体实施方式

以下是本发明的具体实施例并结合附图，对本发明的技术方案作进一步的描述，但本发明并不限于这些实施例。

如附图1所示，本发明公开了一种果园智能灌溉系统，具体包括：

信息采集模块，用于采集果园内果树图像、光照强度信息、土壤湿度信息、空气温湿度信息、降雨量信息和风速信息；

其中，信息采集模块包括单片机和传感器部分，所述单片机为STM32单片机，所述传感器部分包括摄像头、光照强度传感器、土壤湿度传感器、空气温湿度传感器、降雨量传感器和风速传感器；

其中，STM32单片机与传感器部分采用有线连接方式；

其中，信息采集模块固定安置在果园预定位置；

其中，信息采集模块供电方式为蓄电池供电和太阳能供电；

无线通信模块，通过无线通信方式将采集的图像或数据信息上传至PC端服务器，以及将灌溉指令通过无线通信方式发送给灌溉控制模块；

需水量分析模块，将信息采集模块中上传的图像和数据输入经预训练好的深度学习神经网络模型，该模型对果树生长周期进行识别，并结合果树当前生长周期对应的作物系数，计算得出果树需水量，实现对果树需水量的预测；

灌溉决策模块，根据预测出的果树需水量，结合果树周围土壤墒情信息计算得出果园实际灌溉量，做出灌溉决策并发送灌溉指令给灌溉控制模块；

灌溉控制模块，在接收控制指令后根据指令控制电磁阀和管道流量计的开启和关闭，完成对果园的定时定量灌溉；

其中，灌溉控制模块包括STM32单片机和电磁阀、管道流量计；

其中，STM32单片机与电磁阀、管道流量计通过有线或无线方式连接；

其中，电磁阀和管道流量计固定安装在灌溉管道上。

如附图2所示，本发明实施例提供了一种基于生长周期的果园智能灌溉系统及其方法的流程示意图，具体步骤包括：

S101：基于深度学习建立果树生长周期识别模型并进行预训练；

具体地，所述基于深度学习建立果树生长周期识别模型，是指基于深度学习目标检测算法建立一个深度卷积神经网络，该深度卷积神经网络可实现对图像中果树生长周期的识别分类，网络输出结果为果树的一个生长周期，具体包括初始生长期、快速发育期、成年树期、花穗期、初果期、盛果期和更新期中的其中一个；

进一步的，所述深度卷积神经网络，是指具有一个信息输入层、一个或多个卷积层、一个或多个隐藏层、一个或多个池化层、一个或多个全连接层、一个输出层的神经网络；所述信息输入层接收的信息为果树图像；所述卷积层使用3×3的卷积核；所述池化层计算方法为平均池化法；所述网络使用的激励函数为ReLu 函数；

进一步的，所述对网络模型进行预训练，是指采集果树多张不同生长周期的图像作为基础数据集，并对图像进行裁剪、旋转、随机翻转、亮度抖动、对比度增强、添加高斯噪声等处理扩充果树图像数据集，对扩充后的图像数据集按6∶1∶3的比例划分为训练集、验证集和测试集，将数据集输入网络模型中进行训练、验证、测试，确定网络中的批量大小、学习率、迭代次数等超参数，从而使深度神经网络模型达到性能要求，即能在实际应用中实现对果树生长周期的识别，其识别精度可达到90％以上。

S102：使用传感器分别获取当前果园不同区域的光照强度信息、土壤湿度信息、空气温湿度信息、降雨量信息和风速信息；

具体地，所述果园不同区域，是指将果园按地势高低、地形差异、果树分布密度等其中一种方法划分为不同区域；

具体地，使用光照强度传感器定时采集光照强度信息，使用土壤湿度传感器定时采集土壤湿度信息，使用温湿度传感器定时采集空气温湿度信息，使用降雨量传感器定时采集降雨量信息，使用风速传感器定时采集风速信息；

进一步的，使用多个光照强度传感器、土壤湿度传感器、空气温湿度传感器、降雨量传感器、风速传感器分别安置在上述果园不同区域；

其中，光照强度传感器、空气温湿度传感器、降雨量传感器、风速传感器一同安放在果园内离地面预定高度、离果树预定距离的位置，高度、距离根据果园实际情况确定；

所述土壤湿度传感器预埋在果园土壤内预定深度、离果树预定距离的位置，深度、距离根据果园实际情况确定。

S103，使用摄像头采集果树图像；

具体地，摄像头安置在果园不同区域内离地面预定高度、离果树预定距离的位置，高度、距离根据果园实际情况确定。摄像头定时对果树进行拍摄，采集果树图像；

进一步的，所述摄像头采用CMOS传感器，所述采集的果树图像为可见光图像；

进一步的，步骤S102和步骤S103中所述传感器和摄像头与 STM32单片机通过有线方式连接；

进一步的，所述摄像头和传感器采集的图像和数据信息经过 STM32压缩处理后通过无线传输方式上传至PC端服务器；

进一步的，步骤S102和步骤S103中所述的定时采集是指在实际应用中，模块可按时、天、周、月等时间单位进行设置定时采集信息；

在本实施例中，应理解，步骤S102和S103的先后顺序并不是固定的，在实际应用中，两者是交错进行的。

S104：使用训练好的网络模型对果树生长周期进行识别；

具体地，将摄像头采集的果树图像输入经预训练好的模型，在深度卷积神经网络中对图像进行卷积、特征提取、平均池化等处理，最终输出识别结果，识别结果具体包括初始生长期、快速发育期、成年树期、花穗期、初果期、盛果期和更新期中的其中一个，完成对果树生长周期的识别。

S105：需水量分析模块结合果树生长周期及作物系数对果树需水量做出分析预测；

具体地，在神经网络模型输出结果后，需水量分析模块根据合果树生长周期和传感器数据，根据果树不同生长周期所对应不同的作物系数(一般用K_c值表示)，对果树需水量做出分析计算，对果树需水量进行预测；

具体地，果树生长周期一般可划分为初始生长期、快速发育期、成年树期、花穗期、初果期、盛果期和更新期，不同品种果树的生长周期划分情况可能不相同；

进一步的，果树处在不同生长周期对水分的需求不同，因此对应着不同的作物系数(常用K_c表示)，K_c值在作物生长过程中的变化规律是：前期由小到大，在作物生长旺盛时期达到最大值，后期逐渐减小。在充分供水条件下，各阶段作物系数K_ci可以按照下式进行计算：

K_ci＝ET_i/ET₀

式中，ET_i为作物某生长周期对应的实际蒸发蒸腾量(单位 mm)；ET₀为当地参考作物蒸发蒸腾量(单位mm)；

进一步的，该阶段的作物实际蒸发蒸腾量ET_i可由大型称重式蒸渗仪测得，前后两次采集蒸渗仪总重量之差即为该时段ET_i，其基本原理如下：

P+I±R＝ET_i+D+ΔW

式中：P为大气降水量，mm；I为灌水量，mm；D为深层土层渗透量，mm；ET_i为某阶段的作物实际蒸腾蒸发量，mm；R为地表径流，流入或流出蒸渗仪的水量，mm；ΔW为土壤含水量的变化量， mm。

一般在平原地区地表，且非洪水年份时，径流很小，土壤水水平交换少，径流量R几乎为0，可忽略。P可用标准容器直接计算，D可用自动翻斗雨量计测量，ΔW可以直接称重测得。在没有降水或灌溉和渗漏时，P＝I＝D＝0，故上式可简化为：

ET_i＝-ΔW

因此可以通过直接测量ΔW而取得ET_i值。

进一步的，参考作物蒸发蒸腾量ET₀可根据世界粮农组织(FAO) 在1990年推荐的Penman-Monteith公式：

式中，R_n为输入作物冠层净辐射，MJ/(m²day)；G为土壤热通量，MJ/(m²day)；T为2m高处日平均气温

℃； u₂为2米高处风速，m/s；e_s为饱和水汽压，KPa；e_a为实际水汽压，KPa；Δ为饱和水汽压曲线的斜率，KPa/℃；r为干湿度计常数，KPa/℃。

具体地，网络模型输出结果为果树某个生长周期，需水量分析模块结合该生长周期对应的作物系数K_ci、计算果树需水量ET_c，以ET_c作为果树需水量的预测值。其计算公式为：

ET_c＝ET₀×K_ci×K_w

式中，ET₀为当地参考作物蒸发蒸腾量，K_ci为作物系数，K_w为土壤水分胁迫因子；

当土壤充分供水未受到水分胁迫，即当土壤含水率大于或等于临界含水率时，K_w＝1；当土壤水分未充分供水受到水分胁迫时，即当土壤含水率小于临界含水率时，K_w＜1，具体可由下式计算：

其中，w为计算时段内的土壤平均含水率，w_p为土壤凋萎系数，w_j为土壤临界含水率。

S106：灌溉决策模块根据果树需水量和土壤墒情信息计算果树实际需水量作出灌溉决策，并发送灌溉指令；

具体地，灌溉决策模块根据需水量分析模块预测的果树需水量ET_c和果树周围土壤墒情信息，根据农田土壤水量平衡方程原理，计算得出果园实际灌溉量M，其原理如下：

旱作物的生育期任一时段内，土壤计划湿润层(根系层)H 内的水量平衡可表示为：

W_t-W₀＝W_T+P₀+K_t+M-ET_c

式中，W₀，W_t分别为时段初和任意一时间t时的土壤计划湿润层内的储水量，mm；W_T为由于计划湿润层增加而增加的水量， mm；P₀为土壤计划湿润层内保存的有效雨量，mm；K_t为t时段内平均每昼夜地下水补给量，mm；M为时段t内的灌溉水量，mm；ET_c为作物t时段内的需水量，mm。

由此可得果园实际灌溉水量M的表达式为

M＝W_t-W₀-W_T-P₀-K_t+ET_c

进一步的，预先在模块中设定好灌溉阈值M_a，通过对比M和 M_a大小，对区域内是否需要灌溉做出决策，当判决结果为需要灌溉时即发送灌溉指令给灌溉控制模块；

进一步的，当M≥M_a式，判决为果园需要灌溉；当M＜M_a时，判决为果园不需要灌溉。

S107：灌溉控制模块接收灌溉指令，控制电磁阀和管道流量计对果园进行灌溉；

具体地，灌溉控制模块包括STM32单片机、电磁阀和管道流量计，其中STM32单片机与电磁阀、管道流量计通过有线或无线方式连接；

进一步的，STM32单片机接收灌溉指令后，发送信号开启电磁阀和管道流量计，根据果园实际灌溉量、灌溉区域面积和管道流量计读数等信息，计算出灌溉持续时间T：

T＝M×S÷Q

其中，M为果园实际灌溉量；S为灌溉区域面积；Q为管道流量计流量读数。

进一步的，所述电磁阀和管道流量计固定安装在灌溉管道上，通过电磁阀控制对应灌溉管道的连通与关闭，通过管道流量计实时获取对应灌溉管道的实时流量信息；

经过灌溉T时间后，STM32单片机发送信号关闭电磁阀和管道流量计，完成对果园内的一次灌溉。

本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种果园智能灌溉系统，其特征在于，所述灌溉系统包括：信息采集模块，无线通信模块，需水量分析模块，灌溉决策模块和灌溉控制模块，其中：

信息采集模块，通过摄像头定时采集对应区域内的果树生长图像，通过多种传感器定时采集果树生长环境信息，所采集的生长环境信息包括光照强度信息，土壤湿度信息，空气温湿度信息，降雨量信息，风速信息；

无线通信模块，通过无线方式将采集的信息上传至PC端服务器以及传输灌溉控制信号；

需水量分析模块，将采集的果树图像输入经预训练好的深度卷积神经网络模型中进行分析，对果树生长周期进行识别，并计算预测得出果树需水量；

灌溉决策模块，根据预测的果树需水量和果园土壤墒情信息计算实际灌溉量，作出灌溉决策，并发送灌溉指令给灌溉控制模块；

灌溉控制模块，接收灌溉指令后控制对应灌溉管道的电磁阀和管道流量计开启和关闭，进行相应的灌溉操作，对果园相应区域进行定时定量的灌溉。

2.根据权利要求1所述的一种果园智能灌溉系统，其特征在于，所述信息采集模块包括单片机和传感器部分，单片机与传感器部分有线连通，所述单片机为STM32单片机，所述传感器部分包括摄像头、光照强度传感器、土壤湿度传感器、空气温湿度传感器、降雨量传感器和风速传感器。

3.根据权利要求2所述的一种果园智能灌溉系统，其特征在于，所述摄像头用于采集果树图像信息，土壤湿度传感器用于采集土壤深层湿度信息，光照强度传感器用于采集光照强度信息，降雨量传感器用于采集降雨量信息，空气温湿度传感器用于采集空气温湿度信息，风速传感器用于采集风速信息；所述STM32单片机用于对图像和数据信息进行处理并发送至PC端服务器。

4.根据权利要求1所述的一种果园智能灌溉系统，其特征在于，所述无线通信模块，用于将采集的图像或数据信息通过无线方式上传至PC端服务器，以及将灌溉指令通过无线方式发送给灌溉控制模块。

5.根据权利要求1所述的一种果园智能灌溉系统，其特征在于，所述需水量分析模块，对果树生长周期进行识别，结合果树当前生长周期和对应的作物系数K_ci，计算预测出果树当前需水量ET_c。

6.根据权利要求1所述的一种果园智能灌溉系统，其特征在于，所述灌溉决策模块，根据预测的果树需水量ET_c和果树周围土壤墒情信息进一步计算得出实际灌溉量M，同时做出灌溉决策并发送灌溉指令给灌溉控制模块。

7.根据权利要求1所述的一种果园智能灌溉系统，其特征在于，所述灌溉控制模块，包括STM32单片机、电磁阀和管道流量计，STM32单片机与电磁阀和管道流量计通过有线或无线方式连通。模块接收灌溉指令后，STM32单片机控制开启灌溉管道上的电磁阀和管道流量计，在持续灌溉T时间后，关闭电磁阀和管道流量计，完成对果园的一次灌溉；

其中：所述灌溉持续时间T由下式计算：

T＝M×S÷Q

其中，M为果园实际灌溉量；S为灌溉区域面积；Q为管道流量计流量读数。

8.根据权利要求5所述的一种果园智能灌溉系统，其特征在于，所述果树需水量ET_c的计算公式为：

ET_c＝ET₀×K_ci×K_w

其中，ET₀表示当地参考作物蒸发蒸腾量，K_ci表示果树某个生长周期对应的作物系数，K_w表示土壤水分胁迫因子。

9.根据权利要求6所述的一种果园智能灌溉系统，其特征在于，所述实际灌溉量M由农田土壤水量平衡原理进行计算，该计算公式为：

W_t-W₀＝W_T+P₀+K_t+M-ET_c

式中，W₀，W_t分别为时段初和任意一时间t时的土壤计划湿润层内的储水量；W_T为由于计划湿润层增加而增加的水量；P₀为土壤计划湿润层内保存的有效雨量；K_t为t时段内平均每昼夜地下水补给量；M为时段t内的实际灌溉水量；ET_c为作物t时段内的需水量。

10.一种果园智能灌溉系统的方法，其特征在于，包括以下步骤：

S101：基于深度学习建立果树生长周期识别模型并进行预训练；

S102：使用传感器分别获取当前果园不同区域的光照强度信息、土壤湿度信息、空气温湿度信息、降雨量信息和风速信息；

S103，使用摄像头采集果树图像；

S104：使用训练好的网络模型对果树生长周期进行识别；

S105：需水量分析模块结合果树生长周期及作物系数对果树需水量做出分析预测；

S106:灌溉决策模块根据果树需水量和土壤墒情信息计算果树实际需水量作出灌溉决策，并发送灌溉指令；

S107：灌溉控制模块接收灌溉指令，控制电磁阀和管道流量计对果园进行灌溉。

Images