CN210836206U - 果蔬水肥调控装置 - Google Patents
果蔬水肥调控装置 Download PDFInfo
- Publication number
- CN210836206U CN210836206U CN201921628754.6U CN201921628754U CN210836206U CN 210836206 U CN210836206 U CN 210836206U CN 201921628754 U CN201921628754 U CN 201921628754U CN 210836206 U CN210836206 U CN 210836206U
- Authority
- CN
- China
- Prior art keywords
- water
- fertilizer
- vegetables
- fruit
- fruits
- 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.)
- Expired - Fee Related
Links
- 239000003337 fertilizer Substances 0.000 title claims abstract description 131
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 130
- 235000012055 fruits and vegetables Nutrition 0.000 title claims abstract description 78
- 230000001105 regulatory effect Effects 0.000 title claims abstract description 19
- 230000002262 irrigation Effects 0.000 claims abstract description 51
- 238000003973 irrigation Methods 0.000 claims abstract description 51
- 210000003608 fece Anatomy 0.000 claims abstract description 24
- 239000007788 liquid Substances 0.000 claims abstract description 24
- 239000010871 livestock manure Substances 0.000 claims abstract description 24
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 235000013311 vegetables Nutrition 0.000 claims abstract description 20
- 230000001276 controlling effect Effects 0.000 claims description 14
- 230000004720 fertilization Effects 0.000 abstract description 11
- 230000012010 growth Effects 0.000 description 47
- 230000007613 environmental effect Effects 0.000 description 32
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 20
- 240000003768 Solanum lycopersicum Species 0.000 description 20
- 238000000034 method Methods 0.000 description 19
- 230000007812 deficiency Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 14
- 238000003062 neural network model Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000877 morphologic effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000013145 classification model Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000035784 germination Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 3
- 208000005156 Dehydration Diseases 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002386 leaching Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Hydroponics (AREA)
Abstract
本实用新型涉及农业灌溉技术领域，特别是涉及一种果蔬水肥调控装置，包括：用于获取果蔬的实时表型参数数据的果蔬表型参数获取模块；用于确定果蔬的水肥缺失状况并确定水肥灌溉方案的处理模块，所述处理模块与所述果蔬表型参数获取模块电连接，以接收所述果蔬表型参数获取模块发送的参数数据；用于根据所述水肥灌溉方案调整当前的水肥灌溉方式的水肥调控模块，所述水肥调控模块与所述处理模块电连接，以接收所述处理模块发送的所述水肥灌溉方案。本实用新型至少能够实现可以根据果蔬表型和生长环境实时对灌溉量和施肥量进行动态调整。
Description
技术领域
本实用新型涉及农业灌溉技术领域，特别是涉及一种果蔬水肥调控装置。
背景技术
随着农业现代化的发展，灌溉施肥系统在发展设施农业、节水农业和生态农业等方面的重要性日益突出。农户种植果蔬过程中通常根据经验确定灌水施肥量，往往造成“高投入低产出”现状，导致水资源和肥料严重浪费肥料深层淋失和环境污染等问题。
目前，关于果蔬灌溉施肥的研究很多，但主要集中于以果蔬产量和品质为目标的水肥耦合研究上，多数还是基于作物经验模型，即按经验给出水肥配方，同时监控水肥和产量的关系。但是，现有技术缺乏对生长环境因子动态变化对作物灌溉量和施肥量的影响的考虑，现有的水肥调控技术水肥利用效率低，经济效益无法实现最大化。
实用新型内容
针对现有技术中存在的缺陷，本实用新型的目的在于提供果蔬水肥调控装置，以至少实现可以根据果蔬表型和生长环境实时对灌溉量和施肥量进行动态调整。
根据本实用新型的实施例，提供了一种果蔬水肥调控装置，包括：用于获取果蔬的实时表型参数数据的果蔬表型参数获取模块；用于确定果蔬的水肥缺失状况并确定水肥灌溉方案的处理模块，所述处理模块与所述果蔬表型参数获取模块电连接，以接收所述果蔬表型参数获取模块发送的参数数据；用于根据所述水肥灌溉方案调整当前的水肥灌溉方式的水肥调控模块，所述水肥调控模块与所述处理模块电连接，以接收所述处理模块发送的所述水肥灌溉方案。
根据本实用新型的实施例，所述果蔬表型参数获取模块用于获取果蔬的实时表型参数数据，以识别出果蔬的当前生长期和所述当前生长期下的当前生长状况，并将所述当前生长期和所述当前生长状况的数据传输至所述处理模块；所述处理模块用于根据果蔬的预设表型参数数据，识别出所述当前生长期下的预设生长状况并与所述当前生长状况进行对比、以及根据对比结果确定果蔬的水肥缺失状况并确定水肥灌溉方案；所述水肥调控模块用于根据所述水肥灌溉方案调整当前的水肥灌溉方式，直至满足预设环境参数条件时，停止水肥灌溉操作。
根据本实用新型的实施例，该果蔬水肥调控装置还包括：用于根据历史获取的生长环境参数与当前实时监测获取的生长环境参数获得环境参数预测值的环境参数获取模块；其中，所述处理模块还用于将所述环境参数预测值与环境参数基准值进行比较，并且在所述环境参数预测值与所述环境参数基准值一致的情况下，控制所述水肥调控模块停止水肥灌溉操作。
根据本实用新型的实施例，所述环境参数获取模块包括用于获取空气温度、空气湿度、大气压、风向、风速、光照以及二氧化碳浓度数值中的一个或多个的传感器。
根据本实用新型的实施例，所述果蔬表型参数获取模块包括图像采集设备。
根据本实用新型的实施例，所述图像采集设备包括球状的可见光近红外摄像头。
根据本实用新型的实施例，所述水肥调控模块包括主控箱和连接所述主控箱的水肥量控制设备，其中，所述主控箱用于根据所述水肥灌溉方案向所述水肥量控制设备发送指令，其中，所述水肥量控制设备用于执行所述主控箱发送的指令，并且包括用于输送水肥的输送管和调节所述输送管通断的电磁阀。
根据本实用新型的实施例，所述输送管包括彼此独立的输水管、输肥管和水肥输送管，其中，所述输水管、所述输肥管和所述水肥输送管分别设置有所述电磁阀。
本实用新型的有益效果在于：
在本实用新型提供的果蔬水肥调控装置中，果蔬表型参数获取模块可以获取果蔬的实时表型参数数据，处理模块可以接收果蔬表型参数获取模块发送的参数数据，进而确定果蔬的水肥缺失状况并确定水肥灌溉方案。水肥调控模块可以接收处理模块发送的水肥灌溉方案，并根据水肥灌溉方案调整当前的水肥灌溉方式。由此可以明显地看出，本实用新型能够实现可以根据果蔬表型和生长环境实时对灌溉量和施肥量进行动态调整。从而在有效节约水肥资源的同时，以便于果蔬可以快速且高效地生长发育。
附图说明
为了更清楚地说明本实用新型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，下面描述中的附图是本实用新型的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本实用新型实施例的果蔬水肥调控方法的流程图。
图2是根据本实用新型实施例的果蔬水肥调控方法的示意性框图。
图3是根据本实用新型实施例的基于ResNet50卷积神经网络的流程图。
图4是根据本实用新型实施例的基于LSTM神经网络模型的温室环境变量预测模型流程图。
图5是根据本实用新型实施例的基于LSTM神经网络模型的温室环境变量预测模型框图。
图6是根据本实用新型实施例的LSTM细胞层的内部单元结构图。
图7是根据本实用新型实施例的果蔬水肥调控装置的结构示意图。
图8是根据本实用新型实施例的果蔬表型参数获取装置的结构示意图。
图9是根据本实用新型实施例的电子设备结构示意图。
附图标记：
101、102、103、104：各个步骤；200：框图；301、302、303：各个步骤；401、402、403、404、405：各个步骤；700：果蔬水肥调控装置；701：果蔬表型参数获取模块；702：处理模块；703：水肥调控模块；704：环境参数获取模块；801：横梁；802：竖梁；803：高度调节器；804：滑轨；805：滑轮；806：图像采集器；807：镂空支架；901：处理器；902：通信接口；903：存储器；904：通信总线。
具体实施方式
为使本实用新型实施例的目的、技术方案和优点更加清楚，下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本实用新型的一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本实用新型保护的范围。
在本实用新型的描述中，需要说明的是，除非另有明确的规定和限定，术语“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，也可以是电连接；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。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本实用新型中的具体含义。
此外，在本实用新型的描述中，除非另有说明，“多个”、“多根”、“多组”的含义是两个或两个以上，“若干个”、“若干根”、“若干组”的含义是一个或一个以上。
如图1至图9所示，本实用新型的实施例提供了果蔬水肥调控方法和果蔬水肥调控装置、以及相应的计算机可读存储介质。以下将结合各个附图，对本实用新型的实施例进行详细描述。
如图1所示，根据本实用新型的一个实施例，该果蔬水肥调控方法可以包括以下步骤：
在步骤101处，获取果蔬的实时表型参数数据，以识别出果蔬的当前生长期和所述当前生长期下的当前生长状况。
然后，在步骤102处，根据果蔬的预设表型参数数据，识别出当前生长期下的预设生长状况，并与当前生长状况进行对比。
接下来，在步骤103处，根据以上所述的预设生长状况和当前生长状况之间的对比结果，确定果蔬的水肥缺失状况并确定水肥灌溉方案。
接着，在步骤104处，根据水肥灌溉方案调整当前的水肥灌溉方式，直至满足预设环境参数条件时，停止水肥灌溉操作。
由本实用新型以上提供的方法可以明显地看出，本实用新型能够实现可以根据果蔬表型和生长环境实时对灌溉量和施肥量进行动态调整。从而在有效节约水肥资源的同时，以便于果蔬可以快速且高效地生长发育。
进一步地，在本实用新型的一个实施例中，以上所述的步骤101可以实施为首先获取果蔬的实时表型参数数据，以获得果蔬的形态学参数和生理学参数；以及基于深度学习法识别出果蔬的当前生长期和当前生长期下的当前生长状况。在一个实施例中，获得果蔬的形态学参数可以包括获得果蔬的株高参数、茎直径参数、冠幅参数和果实图像中的一个或多个；而获得果蔬的生理学参数包括获得果蔬的叶绿素参数、光合速率参数、水分胁迫参数和叶片含水量参数中的一个或多个。当然应当理解，以上所述的各参数仅是本实用新型的可选实施例，其他任何适当的参数获取也可以应用在本实用新型中。另外，关于以上所述的深度学习法将在以下参照实施例进行更加详细的描述。
在本实用新型的一个实施例中，如上所述的确定果蔬的水肥缺失状况可以进一步包括确定果蔬的水肥缺失状况为缺水、缺肥或者缺水并缺肥中的任一种。而如上所述的生长期包括发芽期、幼苗期、开花期和结果期中的任一阶段。换句话说，在如上所述的步骤101中，要首先识别出果蔬当前的生长期是处于发芽期、幼苗期、开花期和结果期中的哪个阶段，然后在步骤102中才能够调取在该阶段下的预设生长状况。此外，果蔬的水肥缺失状况指的是当判断为缺水时，则需要补充水分；当判断为缺肥时，则需要补充肥料；当判断为缺水并缺肥时，则需要同时补充水分和肥料，由此才能够确定出后续的水肥灌溉方案。
进一步地，在本实用新型的一个实施例中，如上所述的步骤104可以实施为：首先，根据历史获取的生长环境参数与当前实时监测获取的生长环境参数获得环境参数预测值。然后，将环境参数预测值与环境参数基准值进行比较。如果环境参数预测值与环境参数基准值一致，则停止水肥灌溉操作；若不一致，则继续进行先前相应的水肥灌溉操作。
在以上所述的各个实施例中，上述的生长环境参数数据可以包括空气温度、空气湿度、大气压、风向、风速、光照度、二氧化碳浓度数值中的一个或多个。在一个实施例中，温室环境参数的获取可以通过传感器实现。当然，应当理解的是，以上所述的各项参数数据及其获取方式仅是示意性的，可以根据具体使用情况而进行调整，本实用新型并不局限于此。
另一方面，如图7所示，在本实用新型的一个实施例中，还提供了一种果蔬水肥调控装置700，该果蔬水肥调控装置700可以包括果蔬表型参数获取模块701、处理模块702和水肥调控模块703。具体地，果蔬表型参数获取模块701可以用于获取果蔬的实时表型参数数据，以识别出果蔬的当前生长期和当前生长期下的当前生长状况。处理模块702与果蔬表型参数获取模块701电连接，以接收果蔬表型参数获取模块701发送的参数数据，并且可以用于根据果蔬的预设表型参数数据，识别出当前生长期下的预设生长状况并与当前生长状况进行对比、以及根据对比结果确定果蔬的水肥缺失状况并确定水肥灌溉方案。水肥调控模块703与处理模块702电连接，以接收处理模块702发送的水肥灌溉方案，并且可以用于根据水肥灌溉方案调整当前的水肥灌溉方式，直至满足预设环境参数条件时，停止水肥灌溉操作。在一个实施例中，果蔬表型参数获取模块701可以包括图像采集设备。在进一步的实施例中，图像采集设备可以包括球状的可见光近红外摄像头。
进一步地，该果蔬水肥调控装置700还可以包括环境参数获取模块704。该环境参数获取模块704可以用于根据历史获取的生长环境参数与当前实时监测获取的生长环境参数获得环境参数预测值。在具体使用中，处理模块702可以将环境参数预测值与环境参数基准值进行比较。并且如果环境参数预测值与环境参数基准值一致，则控制水肥调控模块703停止水肥灌溉操作。在一个实施例中，环境参数获取模块704可以包括用于获取空气温度、空气湿度、大气压、风向、风速、光照以及二氧化碳浓度数值中的一个或多个的传感器。
在一个实施例中，对于用于实现温室水肥智能调控的水肥调控模块而言，其可以包括主控箱和水肥量控制设备。
具体地，在本实施例中，主控箱可以用于根据目标灌溉方案向水肥量控制设备发送相应控制指令，主控箱连接水肥量控制设备。
另一方面，水肥量控制设备可以用于执行主控箱发送的相应控制指令，以供对温室果蔬进行水肥一体化灌溉控制。其中，水肥量控制设备可以设有电磁阀，以用作控制水肥一体化灌溉的开关。具体地，水肥量控制设备可以用于执行主控箱发送的指令，并且包括用于输送水肥的输送管和调节输送管通断的电磁阀。在一个实施例中，输送管可以包括彼此独立的输水管、输肥管和水肥输送管，其中，输水管、输肥管和水肥输送管可以分别设置有电磁阀，从而根据指令进行选择性地开闭。
应当理解的是，本实用新型所描述的果蔬水肥调控装置可以依靠电磁阀、传感器、摄像头和硬件电路等形式进行实施，而不是一定完全依赖软件或控制程序进行实现。但在可选的实施例中，其也可以通过软件控制的形式进行实施。
例如，本实用新型的实施例还提供了另一种果蔬水肥调控装置，该果蔬水肥调控装置可以包括用于存储程序的存储器、以及用于执行上述程序的处理器，其中该程序至少用于实现如上所述的果蔬水肥调控方法的各个步骤。并且，本实用新型还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，并且在该计算机程序被处理器执行时，可以实现如上所述的果蔬水肥调控方法的各个步骤。
以下将结合附图对本实用新型的更详细的实施例进行描述。在以下描述中，以番茄作为示例性的果蔬来进行描述；但是应当理解的是，以下的各种实施例和相关描述仅是示意性的，并不对本实用新型构成任何限定，而且果蔬也可以是任何其他的形式，并不局限于番茄。换句话说，本实用新型可以应用在各种果蔬的水肥调控应用中。
根据一个实施例，当对番茄进行水肥调控时，首先获取实时温室番茄表型参数数据，并基于深度学习方法识别出当前番茄的生长期和生长状况，结合最佳水肥状态下的番茄表型参数数据(即，预设表型参数数据)进行对比分析。然后，根据番茄表型参数数据差值，判别出水肥缺失状况，并决策水肥目标方案，通过控制指令开始对灌溉施肥方式进行智能调控。接着，通过环境参数预测值和环境参数基准值对比分析，以供对灌溉施肥进行停止，该环境参数预测值是基于LSTM神经网络模型得出的。
由此可以看出，在本实用新型实例中，需要先对番茄表型数据进行获取，通过深度学习模型对番茄表型进行识别，根据获取到最佳水肥状态下的番茄表型参数数据与之进行对比分析，然后根据两者番茄表型参数数据差值，以此判别出水肥缺失状况。
在本实用新型的一个实施例中，图2是根据本实用新型实施例的果蔬水肥调控方法的示意性框图200。如图2所示，首先需获取实时温室番茄表型参数数据，该番茄表型参数包括形态学参数和生理学参数。进一步地，形态学参数包括：株高、茎直径、冠幅、果实；而生理学参数包括：叶绿素、光合速率、水分胁迫、叶片含水量。然后基于深度学习方法识别出当前番茄的生长期和生长状况。在如上所述的实施例中，生长期包括发芽期、幼苗期、开花期和结果期四个生长阶段。接下来，再结合最佳水肥状态下的番茄表型参数数据进行对比分析，进而根据两者番茄表型参数数据差值以此判别出水肥缺失状况。水肥缺失状况包括缺水、缺肥、缺水缺肥。然后，根据判断结果得到水肥缺失状况后决策出水肥目标方案，通过控制指令开始对灌溉施肥方式进行智能调控。
在如上所述的实施例中，深度学习方法采用ResNet50卷积神经网络来进行。
具体地，图3是本实用新型实施例提供的基于ResNet50卷积神经网络的流程图。如图3所示，首先在步骤301处进行数据预处理，包含对获取番茄表型参数数据的训练数据集和测试数据集进行预处理及数据增强，以达到扩充数据集和增强数据特征的作用。然后，在步骤302处进行模型训练，包含进行权值初始化，利用卷积层对训练数据集进行特征提取从而生成特征图，经过池化层和全连接层进行前向传递得到输出值，然后求出输出值与目标值之间的误差进行反向传递，根据所得误差进行权值更新，最后得到训练好的分类模型。接下来，在步骤303处进行图像识别，包含采用已训练的分类模型对未知类别的番茄表型参数数据进行预测以得到输出值，从而对番茄所属的生长期和生长状况进行识别。
在以上所述的实施例中，ResNet50中包含了49个卷积层和1个全连接层。根据ResNet模型结构，49个卷积层被分成5个组，卷积核的大小分别为7x7、1x1、3x3，用于对输入图像进行特征提取，卷积层的激活函数为非线性ReLU激活函数，使用1个3x3的最大池化层和1个7x7的平均池化层；为了防止出现过拟合现象，在卷积层的最后加入了Dropout层和全连接层。Dropout层的作用是减少中间层的特征数量、减少数据冗余并增加每层数据的正交性。全连接层通过1x1的卷积核将特征图映射到一维向量，增强网络输出特征的表达能力。需指出的是，分类模型采用softmax分类器对图像进行分类。
另一方面，在本实用新型的实例中，环境参数预测值是根据基于LSTM神经网络模型得出的。具体地，如图4所示，图4是根据本实用新型实施例的基于LSTM神经网络模型的温室环境变量预测模型流程图。
首先，在步骤401处进行历史数据采集和预处理，其中，预处理可以包含如下步骤：对数据集中未采集到或缺失的数据进行剔除。接着，在步骤402处，处理数据后按照比例分为训练数据和测试数据。然后在步骤403处，构建LSTM神经网络模型。接下来，在步骤404处，使用训练数据集对LSTM神经网络模型训练。然后在步骤405处，根据完成训练的LSTM神经网络模型预测温室环境。
进一步地，使用Min Max Scaler将所有数据归一化到0～1之间，公式如下：
其中，X*表示归一化后的数据，Xmax表示数据的最大值，Xmin表示数据的最小值。
应当指出的是，在本实用新型的实例中，如上所述的基于LSTM神经网络模型的温室环境变量预测模型包括一个输入层、一个LSTM细胞层、一个输出层。
进一步地，如图5所示，图5是根据本实用新型实施例的基于LSTM神经网络模型的温室环境变量预测模型框图。其中，隐藏层由若干个LSTM细胞层组成，输出层包含网络训练层，网络预测是通过迭代预测的方法对训练过的LSTM网络进行预测。
接着如图6所示，在本实用新型的实施例中，图6是根据本实用新型实施例的LSTM细胞层的内部单元结构图。其包括遗忘门ft、输入门it、输出门ot三个门限；0表示禁止所有信息通过，1表示允许所有信息通过。LSTM递归循环神经网络的前向传播函数由这三个门限组成。其中，LSTM递归循环神经网络的前向传播函数为：
i<t>＝σ(Wxix<t>+Whih<t-1>+Wcic<t-1>+bi)；
f<t>＝σ(Wxfx<t>+Whfh<t-1>+Wcfc<t-1>+bf)；
c<t>＝ftc<t-1>+ittanh(Wxcx<t>+Whch<t-1>+bc)；
o<t>＝σ(WxOx<t>+WhOh<t-1>+Wcoc<t>+bo)；
h<t>＝o<t>tanh(c<t>)；
其中，i<t>表示输入门、f<t>表示遗忘门、c<t>表示t时刻经过输入门和遗忘门后的细胞单元状态、o<t>表示t时刻输出门的细胞单元状态、h<t>表示t时刻LSTM单元的所有输出状态；W表示权重矩阵；b表示偏置项；sigmoid表示激活函数，其作用是将变量映射至区间[0，1]中。
在本实用新型实例中，如上所述的训练数据集对LSTM神经网络模型训练，包含如下步骤：
按照前向计算方法公式计算LSTM细胞的输出值；
在时间和网络层级两个方向上计算每个LSTM细胞的误差项；包括按时间和网络层级2个反向传播方向；
使用以下均方根误差RMSE作为误差计算公式来更新模型参数；
其中：L(m-L)为训练的样本总数；Pi为预测值；Yi为真实值。按照相应的误差项，计算每个权重的梯度。另外，选用基于梯度的优化算法更新权重，采用Adam梯度下降算法更新LSTM模型中的权重和偏置，使网络损失最小。
现参见图8，在本实用新型的一个实施例中，图8示出了根据本实用新型实施例的果蔬表型参数获取装置的结构示意图。该果蔬表型参数获取装置可以包括横梁801、竖梁802、高度调节器803、滑轨804、滑轮805、图像采集器806、以及镂空支架807。
具体地如图8所示，果蔬表型参数获取装置包括两个等高设置的竖梁802，竖梁802的下方连接镂空支架807以放置于地面上。其中，在竖梁802上设有高度调节器和滑动平台。滑动平台可以由滑轨804和滑轮805组成。进一步地，在两个竖梁802之间连接有横梁801，在横梁801上也设有滑动平台。图像采集器806固定在滑动平台上。在使用图像采集器806时，使目标作物置于两个竖梁802之间，使横梁801位于目标作物的正上方。在一个实施例中，图像采集器806可以为球状的可见光近红外摄像头。
在此需要说明的是，图8中的果蔬表型参数获取装置仅为示意图，具体的布局和数量可以根据实际需要进行设置。
在本实用新型的实际使用过程中，当图像采集器806移动到预设位置时开始拍照。通过滑动平台控制摄像头的移动，单个摄像头可以拍摄一条种植带的全部信息，避免每株番茄对应一个摄像头造成资源浪费。同时，可以对种植区域进行分块，为每一个块区设置一个预设位置，当摄像头每移动到一个预设位置时，都进行一次拍摄，拍照内包括番茄表型数据。
根据以上描述可知，本实用新型实施例提供了果蔬水肥调控装置，通过获取果蔬表型数据来判别水肥缺失状况。通过调用水肥调控模块决策出相应的施肥灌溉方案，发出控制指令打开对应的水肥电磁阀。再结合生长环境预测来判断是否达到水肥要求，进而控制水肥调控模块电磁阀的开关，以此实现对温室水肥的智能调控。由此，本实用新型完善了水肥模型的时滞性，提升了水肥灌溉的用水率。
在本实用新型的一个实施例中，图9是根据本实用新型实施例的电子设备结构示意图。如图9所示，该电子设备结构可以包括处理器901、通信接口902、存储器903和通信总线904。其中，处理器901、通信接口902、存储器903通过通信总线904完成相互间的通信。
另外，在上述的存储器903中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本实用新型的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在存储介质中，包括若干指令用以使得计算机设备(可以是个人计算机、服务器或者网络设备等)执行本实用新型各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
最后应说明的是：以上实施例仅用以说明本实用新型的技术方案，而非对其限制；尽管参照前述实施例对本实用新型进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本实用新型各实施例技术方案的精神和范围。
Claims (5)
1.一种果蔬水肥调控装置，其特征在于，包括：
用于获取果蔬的实时表型参数数据的果蔬表型参数获取模块；
用于确定果蔬的水肥缺失状况并确定水肥灌溉方案的处理模块，所述处理模块与所述果蔬表型参数获取模块电连接，以接收所述果蔬表型参数获取模块发送的参数数据；
用于根据所述水肥灌溉方案调整当前的水肥灌溉方式的水肥调控模块，所述水肥调控模块与所述处理模块电连接，以接收所述处理模块发送的所述水肥灌溉方案。
2.根据权利要求1所述的果蔬水肥调控装置，其特征在于，所述果蔬表型参数获取模块包括图像采集设备。
3.根据权利要求2所述的果蔬水肥调控装置，其特征在于，所述图像采集设备包括球状的可见光近红外摄像头。
4.根据权利要求1所述的果蔬水肥调控装置，其特征在于，所述水肥调控模块包括主控箱和连接所述主控箱的水肥量控制设备，
其中，所述主控箱用于根据所述水肥灌溉方案向所述水肥量控制设备发送指令，
其中，所述水肥量控制设备用于执行所述主控箱发送的指令，并且包括用于输送水肥的输送管和调节所述输送管通断的电磁阀。
5.根据权利要求4所述的果蔬水肥调控装置，其特征在于，所述输送管包括彼此独立的输水管、输肥管和水肥输送管，其中，所述输水管、所述输肥管和所述水肥输送管分别设置有所述电磁阀。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201921628754.6U CN210836206U (zh) | 2019-09-27 | 2019-09-27 | 果蔬水肥调控装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201921628754.6U CN210836206U (zh) | 2019-09-27 | 2019-09-27 | 果蔬水肥调控装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN210836206U true CN210836206U (zh) | 2020-06-23 |
Family
ID=71278831
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201921628754.6U Expired - Fee Related CN210836206U (zh) | 2019-09-27 | 2019-09-27 | 果蔬水肥调控装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN210836206U (zh) |
-
2019
- 2019-09-27 CN CN201921628754.6U patent/CN210836206U/zh not_active Expired - Fee Related
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dhanya et al. | Deep learning based computer vision approaches for smart agricultural applications | |
| Saranya et al. | A comparative study of deep learning and Internet of Things for precision agriculture | |
| CA3148726A1 (en) | System and method for identification of plant species | |
| US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| CN113557890A (zh) | 一种用于日光温室果菜栽培的智能水分精准灌溉控制系统及方法 | |
| CN113158750A (zh) | 一种基于卷积神经网络的植物长势模型的自反馈学习评估方法 | |
| CN110533547A (zh) | 果蔬水肥调控方法和装置以及计算机可读存储介质 | |
| Wulandhari et al. | Plant nutrient deficiency detection using deep convolutional neural network | |
| Raman et al. | Robotic Weed Control and Biodiversity Preservation: IoT Solutions for Sustainable Farming | |
| SS et al. | A hybrid intelligent system for automated pomegranate disease detection and grading | |
| CN106613783A (zh) | 一种通用智能灌溉系统及其控制方法 | |
| CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
| KR20240011715A (ko) | 자율 온실 제어 시스템 | |
| CN113468984A (zh) | 一种农作物病虫害叶片识别系统、识别方法及病虫害预防方法 | |
| CN112286263A (zh) | 一种农作物的调控方法、装置、系统及通信设备 | |
| Kolmanič et al. | An algorithm for automatic dormant tree pruning | |
| Musa et al. | An intelligent plant dissease detection system for smart hydroponic using convolutional neural network | |
| Wei et al. | Wheat biomass, yield, and straw-grain ratio estimation from multi-temporal UAV-based RGB and multispectral images | |
| Raj et al. | Fruit Classification Comparison Based on CNN and YOLO | |
| 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 | |
| Ambildhuke et al. | IoT based Portable Weather Station for Irrigation Management using Real-Time Parameters | |
| CN210836206U (zh) | 果蔬水肥调控装置 | |
| Toskova et al. | Recognition of Wheat Pests | |
| Chaudhary et al. | A critical review on hybrid framework for precise farming with application of Machine Learning (ML) and Internet of Things (IoT) | |
| Rehman et al. | Viewpoint planning for automated fruit harvesting using deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200623 |