一种基于植株萎蔫程度进行精准灌溉的系统及方法与流程

1.本发明属于农业植物灌溉技术领域，尤其涉及一种基于植株萎蔫程度进行精准灌溉的系统及方法


背景技术：

2.我国园艺设施面积已达2840万亩，其中，日光温室约占31％，种植蔬菜种类主要包含辣椒、番茄、黄瓜、茄子等。设施反季节栽培已成为人们日常蔬菜供应重要的组成部分。但是，在实际生产过程中，生产者多凭借经验进行粗放灌溉，造成水资源浪费，降低肥料资源利用效率和果实品质。因此，实现基于蔬菜水分需求规律和的外界环境精准灌溉对于节水提质变得尤为重要。
3.中国专利文献cn 109845625 a公开了一种基于神经网络的多维参量农作物智能灌溉控制方法，通过采集当前灌溉农田的雨量信息、土壤墒情信息、风速信息、温湿度信息、光照强度信息及流量信息等参量，基于神经网络建立以农作物需水信号为响应信息的农作物需水量模型，通过该模型对农作物多维环境参量进行计算处理，最终预测出当前农田农作物的需水量，控制器通过对需水量、降雨量及土壤墒情做出综合判决结果并根据判决结果控制电磁阀，实现对农作物的灌溉。该技术方案虽然考虑影响灌溉需水量的因素较全面，所构建的模型十分简单，需水量预测结果精度不高。
4.实际上，无论是降水量和/或供水量、土壤湿度等都会影响植株的水分需求量，但是植株缺水量的多少，最终直接体现在植株的叶片以及茎部上，因此将缺水量多少问题转化为对叶片以及茎部特征的识别问题，即可完成缺水量的预测问题。为解决上述问题，本发明提出利用所提出的深度神经网络进行智能水分精准灌溉控制，极大提高了需水量的预测精度，同时考虑多片叶子的缺水特征以及茎部的缺水特征，形成多个置信网络，对其进行融合判断，综合得出植株的需水量。
5.本技术的创造性贡献在于：
6.1.本技术利用一种基于植株萎蔫程度进行精准灌溉的系统及方法，实现了植株的精准灌溉控制，针对多个叶片和茎部缺水特征，形成多个置信度判断网络，综合得出植株需水量，防止个别叶片存在特殊病变等情况影响判断的准确性。
7.2.本技术为了提升需水量的预测精度和训练速度，在预处理、分割、池化层、激励函数、损失函数的使用上，都采用了新的算法，以整体上提高深度神经网络的训练的精度和速度。在灌溉控制领域，属于申请人首次提出，因此并非常规技术手段或公知常识。
8.3.在叶片的预处理上，针对绝大部分植株叶片都是绿色的特点，对于识别到的叶片，增强其g分量，相对抑制其r、b分量，有利于提升需求量预测判断的准确性。


技术实现要素：

9.为更准确理解本发明，需先简要理解回顾下面的基本概念。
10.深度学习的概念由hinton等人于2006年提出。基于深信度网(dbn)提出非监督贪
心逐层训练算法，为解决深层结构相关的优化难题带来希望，随后提出多层自动编码器深层结构。此外lecun等人提出的卷积神经网络是第一个真正多层结构学习算法，它利用空间相对关系减少参数数目以提高训练性能。
11.深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像、声音和文本。同机器学习方法一样，深度机器学习方法也有监督学习与无监督学习之分.不同的学习框架下建立的学习模型很是不同。例如，卷积神经网络(convolutional neural networks，简称cnns)就是一种深度的监督学习下的机器学习模型，而深度置信网(deep belief nets，简称dbns)就是一种无监督学习下的机器学习模型。
12.卷积神经网络(convolutional neural networks,cnn)是一类包含卷积计算且具有深度结构的前馈神经网络(feedforward neural networks)，是深度学习(deep learning)的代表算法之一。
13.深度卷积神经网络dcnn,则是具有多个cnn层的网络结构。
14.深度神经网络中经常采用的激励函数如下：sigmoid函数，tanh函数，relu函数。
15.sigmoid函数，该函数是将取值为(
‑
∞, ∞)的数映射到(0,1)之间。sigmoid函数的公式如下：
[0016][0017]
sigmoid函数作为非线性激活函数，但是其并不被经常使用，它具有以下几个缺点：
[0018]
(1)当z值非常大或者非常小时，sigmoid函数的导数g
′
(z)将接近0。这会导致权重w的梯度将接近0，使得梯度更新十分缓慢，即梯度消失。
[0019]
tanh函数，tanh函数相较于sigmoid函数要常见一些，该函数是将取值为(
‑
∞, ∞)的数映射到(
‑
1,1)之间，其公式为：
[0020]
tanh函数在0附近很短一段区域内可看做线性的。由于tanh函数均值为0，因此弥补了sigmoid函数均值为0.5的缺点。
[0021]
relu函数，relu函数又称为修正线性单元(rectified linear unit)，是一种分段线性函数，其弥补了sigmoid函数以及tanh函数的梯度消失问题。relu函数的公式如下：
[0022][0023]
relu函数的优点：
[0024]
(1)在输入为正数的时候(对于大多数输入z空间来说)，不存在梯度消失问题。
[0025]
(2)计算速度要快很多。relu函数只有线性关系，不管是前向传播还是反向传播，都比sigmod和tanh要快很多。
[0026]
relu函数的缺点：
[0027]
(1)当输入为负时，梯度为0，会产生梯度消失问题。
[0028]
在本领域技术人员都能够理解上述基本概念及常规操作方式的基础上，本发明一
种基于植株萎蔫程度进行精准灌溉的系统，所述系统包括：
[0029]
图像采集模块，通过图像传感器进行植株的图像信息采集，所采集的信息包括：叶片信息及茎部信息；
[0030]
图像预处理模块，所述图像预处理模块用于完成图像的预处理，包括图像裁剪、分割、增强中的至少一项；
[0031]
需水量预测模块，将所采集的图像信息输入至经训练的深度神经网络进行计算，预测出当前植株萎蔫程度状态下对应的预测需水量；
[0032]
灌溉控制模块，根据预测出的所述植株的预测需水量形成控制指令，以进行定时定量的供水。
[0033]
进一步，可选的，所述预处理还包括：图像信息的筛选，剔除不满足清晰度要求或未能包含至少一片完整叶片的图像；所述图像裁剪包括：将获得的图像信息进行裁剪，获得叶片信息及茎部信息，并建立叶片与该植株茎部之间的对应关系。
[0034]
进一步，可选的，所述预处理还包括：将rgb空间中的r与b分量进行色彩抑制，将g通道分量进行增强。
[0035]
进一步，可选的，所述深度神经网络具体包括多区域卷积神经网络模型，所述多区域卷积神经网络模型包括：深度卷积神经网络，用于生成原始叶片的映射特征；多区域置信网络模型，包括多个区域的置信网络模型，用于对所述植株的当前状态生成不同需水量的多个不同置信度值，对多个区域的不同置信度值进行拟合，确定出在不同区域中置信度值都相对较大的置信度值，将其对应的需水量确定为植株的需水量。
[0036]
进一步，可选的，所述多区域置信网络模型包括多区域池化层和完全连接层，多区域池化层包括多个区域的池化层，池化层个数为1，池化层还可替换成完全连接层；所述池化层用于生成置信度。
[0037]
对应的，本发明还提出了一种基于植株萎蔫程度进行精准灌溉的方法，所述方法包括：
[0038]
通过图像传感器进行植株的图像信息采集，所采集的信息包括：叶片信息及茎部信息；
[0039]
利用图像预处理模块完成图像的预处理，包括图像裁剪、分割、增强中的至少一项；
[0040]
将所采集的图像信息输入至经训练的深度神经网络进行计算，预测出当前植株萎蔫程度状态下对应的预测需水量；
[0041]
根据预测出的所述植株的预测需水量形成控制指令，以进行定时定量的供水。
[0042]
进一步，可选的，所述预处理还包括：图像信息的筛选，剔除不满足清晰度要求或未能包含至少一片完整叶片的图像；所述图像裁剪包括：将获得的图像信息进行裁剪，获得叶片信息及茎部信息，并建立叶片与该植株茎部之间的对应关系。
[0043]
进一步，可选的，所述预处理还包括：将rgb空间中的r与b分量进行色彩抑制，将g通道分量进行增强。
[0044]
进一步，可选的，所述深度神经网络具体包括多区域卷积神经网络模型，所述多区域卷积神经网络模型包括：深度卷积神经网络，用于生成原始叶片的映射特征；多区域置信网络模型，包括多个区域的置信网络模型，用于对所述植株的当前状态生成不同需水量的
多个不同置信度值，对多个区域的不同置信度值进行拟合，确定出在不同区域中置信度值都相对较大的置信度值，将其对应的需水量确定为植株的需水量。
[0045]
进一步，可选的，所述多区域置信网络模型包括多区域池化层和完全连接层，多区域池化层包括多个区域的池化层，池化层个数为1，池化层还可替换成完全连接层；所述池化层用于生成置信度。
[0046]
本技术还对应提出了一种计算机存储介质，所述存储介质上存储有程序代码，所述代码用于实现上述任一种所述的方法。
[0047]
本技术还对应提出了一种计算机设备，所述设备包括处理器、存储器，所述存储器上存储有计算机指令，所述指令用于实现上述任一种所述的方法。
[0048]
再次陈述本技术的有益效果：
[0049]
1.本技术利用一种基于植株萎蔫程度进行精准灌溉的系统及方法，实现了植株的精准灌溉控制，针对多个叶片和茎部缺水特征，形成多个置信度判断网络，综合得出植株需水量，防止个别叶片存在特殊病变等情况影响判断的准确性。
[0050]
2.本技术为了提升需水量的预测精度和训练速度，在池化层、激励函数、损失函数的使用上，都采用了新的算法，以整体上提高深度神经网络的训练的精度和速度。在灌溉控制领域，属于申请人首次提出，因此并非常规技术手段或公知常识。
[0051]
3.在叶片的预处理上，针对绝大部分植株叶片都是绿色的特点，对于识别到的叶片，增强其g分量，相对抑制其r、b分量，有利于提升需求量预测判断的准确性。
附图说明
[0052]
图1表示本技术的基本实施例的结构示意图
具体实施方式
[0053]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
[0054]
如图1所示，本技术提出了一种本发明一种基于植株萎蔫程度进行精准灌溉的系统，所述系统包括：
[0055]
图像采集模块，通过图像传感器进行植株的图像信息采集，所采集的信息包括：叶片信息及茎部信息；
[0056]
图像预处理模块，所述图像预处理模块用于完成图像的预处理，包括图像裁剪、分割、增强中的至少一项；
[0057]
需水量预测模块，将所采集的图像信息输入至经训练的深度神经网络进行计算，预测出当前植株萎蔫程度状态下对应的预测需水量；
[0058]
灌溉控制模块，根据预测出的所述植株的预测需水量形成控制指令，以进行定时定量的供水。
[0059]
进一步，可选的，所述预处理还包括：图像信息的筛选，剔除不满足清晰度要求或未能包含至少一片完整叶片的图像；所述图像裁剪包括：将获得的图像信息进行裁剪，获得
叶片信息及茎部信息，并建立叶片与该植株茎部之间的对应关系。
[0060]
进一步，可选的，所述预处理还包括：将rgb空间中的r与b分量进行色彩抑制，将g通道分量进行增强。
[0061]
进一步，可选的，所述深度神经网络具体包括多区域卷积神经网络模型，所述多区域卷积神经网络模型包括：深度卷积神经网络，用于生成原始叶片的映射特征；多区域置信网络模型，包括多个区域的置信网络模型，用于对所述植株的当前状态生成不同需水量的多个不同置信度值，对多个区域的不同置信度值进行拟合，确定出在不同区域中置信度值都相对较大的置信度值，将其对应的需水量确定为植株的需水量。
[0062]
进一步，可选的，所述多区域置信网络模型包括多区域池化层和完全连接层，多区域池化层包括多个区域的池化层，池化层个数为1，池化层还可替换成完全连接层；所述池化层用于生成置信度。
[0063]
进一步，可选的，对g分量进行增强，首先对分割后的叶片进行r、g、b分量的分离；生成g分量的调节系数：
[0064]
然后利用调节系数进行调整：
[0065]
利用调整后的g
f
逆向合成叶片图像；
[0066]
其中各分量的分解及合成属于本领域的现有技术，但是上述调节方式是本发明人的首创，经过上述调整，能够充分利用叶片的绿色通道信息，使得后续的预测经过更加准确。
[0067]
进一步，可选的，所述图像分割采用了改进的分水岭分割方式进行分割：
[0068][0069]
其中gradient(x,y)表示像素点(x,y)的原始梯度值；其中gradient(x,y)表示像素点(x,y)的原始梯度值；分别表示在窗口d区域内的梯度均值、梯度最小值、梯度最大值；gra表示修正梯度值；
[0070]
s＝watershed(gra)
[0071]
进一步，可选的，所述深度神经网络包括深度卷积神经网络及多区域置信网络，所述深度卷积神经网络，用于生成分割出的各叶片及茎部特征；多区域置信网络为包括多个叶片区域以及茎部区域的置信网络模型，用于对多个不同叶片及茎部的缺水程度产生置信度值，当至少两个叶片区域的置信度值以及对应茎部区域的置信度值均满足预设的第一阈值等级范围(对应于叶片)、第二阈值等级范围(对应于茎部)时，则确定植株的需水量。
[0072]
进一步，可选的，所述深度神经网络包括深度卷积神经网络及多区域置信网络，所述深度卷积神经网络能够接收输入植株的分割后叶片及茎部图像，并生成不同尺度的卷积多特征映射；所述多区域置信网络模型包括多区域池化层和完全连接层；其中，所述多区域池化层包括多个区域池化层；所述多个区域池化层用于生成植株图像需水量的置信度值，当至少两个叶片区域的置信度值以及对应茎部区域的置信度值均满足预设的第一阈值等
级范围(对应于叶片)、第二阈值等级范围(对应于茎部)时，则确定植株的需水量；所述多区域池化层设置为最大池化层或平均池化层；所述完全连接层用于对识别到的叶片及茎部缺水程度进行分类。
[0073]
进一步，可选的，所述深度神经网络为深度卷积神经网络，具体包括：输入层、嵌入层、池化层、全连接层；所述输入层用于接收输入植株的分割后叶片及茎部图像；所述嵌入层采用的卷积核大小为5*5；本发明的激励函数记为r
l
()；经过全连接层处理后进一步得到需水量预测推荐结果；
[0074]
所述池化层的池化方法如下：
[0075]
其中，x
e
表示当前层的输出，u
e
表示激励函数r
l
的输入，
[0076]
r
l
()表示激励函数，w
e
表示当前层的权重，φ表示损失函数，x
e
‑1表示上一层的输出；
[0077]
激励函数r
l
为：
[0078][0079]
所述损失函数φ如下：
[0080][0081][0082]
n表示正样本数据集的大小，i取值1～n，y
i
表示正样本x
i
对应的标签值；w
yi
表示正样本特征向量x
i
在其标签y
i
处的权重，s为深度卷积神经网络的推荐参数；b
j
表示样本x
i
在其标签y
i
处的偏差。
[0083]
对应的，本发明还提出了一种基于植株萎蔫程度进行精准灌溉的方法，所述方法包括：
[0084]
通过图像传感器进行植株的图像信息采集，所采集的信息包括：叶片信息及茎部信息；
[0085]
利用图像预处理模块完成图像的预处理，包括图像裁剪、分割、增强中的至少一项；
[0086]
将所采集的图像信息输入至经训练的深度神经网络进行计算，预测出当前植株萎蔫程度状态下对应的预测需水量；
[0087]
根据预测出的所述植株的预测需水量形成控制指令，以进行定时定量的供水。
[0088]
进一步，可选的，所述预处理还包括：图像信息的筛选，剔除不满足清晰度要求或未能包含至少一片完整叶片的图像；所述图像裁剪包括：将获得的图像信息进行裁剪，获得叶片信息及茎部信息，并建立叶片与该植株茎部之间的对应关系。
[0089]
进一步，可选的，所述预处理还包括：将rgb空间中的r与b分量进行色彩抑制，将g通道分量进行增强。
[0090]
进一步，可选的，所述深度神经网络具体包括多区域卷积神经网络模型，所述多区域卷积神经网络模型包括：深度卷积神经网络，用于生成原始叶片的映射特征；多区域置信网络模型，包括多个区域的置信网络模型，用于对所述植株的当前状态生成不同需水量的多个不同置信度值，对多个区域的不同置信度值进行拟合，确定出在不同区域中置信度值都相对较大的置信度值，将其对应的需水量确定为植株的需水量。
[0091]
进一步，可选的，所述多区域置信网络模型包括多区域池化层和完全连接层，多区域池化层包括多个区域的池化层，池化层个数为1，池化层还可替换成完全连接层；所述池化层用于生成置信度。
[0092]
进一步，可选的，对g分量进行增强，首先对分割后的叶片进行r、g、b分量的分离；生成g分量的调节系数：
[0093]
然后利用调节系数进行调整：
[0094]
利用调整后的g
f
逆向合成叶片图像；
[0095]
其中各分量的分解及合成属于本领域的现有技术，但是上述调节方式是本发明人的首创，经过上述调整，能够充分利用叶片的绿色通道信息，使得后续的预测经过更加准确。
[0096]
进一步，可选的，所述图像分割采用了改进的分水岭分割方式进行分割：
[0097][0098]
其中gradient(x,y)表示像素点(x,y)的原始梯度值；其中gradient(x,y)表示像素点(x,y)的原始梯度值；分别表示在窗口d区域内的梯度均值、梯度最小值、梯度最大值；gra表示修正梯度值；
[0099]
s＝watershed(gra)
[0100]
进一步，可选的，所述深度神经网络包括深度卷积神经网络及多区域置信网络，所述深度卷积神经网络，用于生成分割出的各叶片及茎部特征；多区域置信网络为包括多个叶片区域以及茎部区域的置信网络模型，用于对多个不同叶片及茎部的缺水程度产生置信度值，当至少两个叶片区域的置信度值以及对应茎部区域的置信度值均满足预设的第一阈值等级范围(对应于叶片)、第二阈值等级范围(对应于茎部)时，则确定植株的需水量。
[0101]
进一步，可选的，所述深度神经网络包括深度卷积神经网络及多区域置信网络，所述深度卷积神经网络能够接收输入植株的分割后叶片及茎部图像，并生成不同尺度的卷积多特征映射；所述多区域置信网络模型包括多区域池化层和完全连接层；其中，所述多区域池化层包括多个区域池化层；所述多个区域池化层用于生成植株图像需水量的置信度值，当至少两个叶片区域的置信度值以及对应茎部区域的置信度值均满足预设的第一阈值等级范围(对应于叶片)、第二阈值等级范围(对应于茎部)时，则确定植株的需水量；所述多区域池化层设置为最大池化层或平均池化层；所述完全连接层用于对识别到的叶片及茎部缺水程度进行分类。
[0102]
进一步，可选的，所述深度神经网络为深度卷积神经网络，具体包括：输入层、嵌入层、池化层、全连接层；所述输入层用于接收输入植株的分割后叶片及茎部图像；所述嵌入层采用的卷积核大小为5*5；本发明的激励函数记为r
l
()；经过全连接层处理后进一步得到需水量预测推荐结果；
[0103]
所述池化层的池化方法如下：
[0104]
其中，x
e
表示当前层的输出，u
e
表示激励函数r
l
的输入，
[0105]
r
l
()表示激励函数，w
e
表示当前层的权重，φ表示损失函数，x
e
‑1表示上一层的输出；
[0106]
激励函数r
l
为：
[0107][0108]
所述损失函数φ如下：
[0109][0110][0111]
n表示正样本数据集的大小，i取值1～n，y
i
表示正样本x
i
对应的标签值；w
yi
表示正样本特征向量x
i
在其标签y
i
处的权重，s为深度卷积神经网络的推荐参数；b
j
表示样本x
i
在其标签y
i
处的偏差。
[0112]
本技术还对应提出了一种计算机存储介质，所述存储介质上存储有程序代码，所述代码用于实现上述任一种所述的方法。
[0113]
本技术还对应提出了一种计算机设备，所述设备包括处理器、存储器，所述存储器上存储有计算机指令，所述指令用于实现上述任一种所述的方法。
[0114]
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。
[0115]
本技术还提出一种计算机可读介质，上面包含可实现上述系统的程序代码，所包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。可以以一种或多种程序设计语言或其组合来编写用于执行本发明
操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c ，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read
‑
only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0116]
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。