基于人工智能和大数据的农业智能灌溉系统的制作方法

1.本发明涉及人工智能技术领域，具体涉及一种基于人工智能和大数据的农业智能灌溉系统。


背景技术：

2.随着农业的发展和各种农业设备的普及以及应用，现在或未来，大面积的农田和大规模农业种植能够得到了统一的管理，智能化的农业管理系统解放农户的劳动力，提高了农作物的产量。
3.智能的农业灌溉系统是大型农田必不可缺的农业系统，现有的灌溉系统虽然可以通过铺设合理的管道、合理的水源管理等避免传统农田灌溉时浪费水资源、灌溉作物时盲目漫灌等问题，但是现有的灌溉系统依旧缺乏智能的控制系统，对水资源的利用率不够高，没有针对农作物的生长环境和状态来合理的利用水资源，存在可以改进的空间。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于人工智能和大数据的农业智能灌溉系统，所采用的技术方案具体如下：
5.本发明实施例提供了一种基于人工智能和大数据的农业智能灌溉系统，该系统包括：
6.生长状态检测单元，用于采集农田中农作物的rgb图像，根据所述rgb图像得到所述农作物的颜色分布特征图和纹理特征影像图，结合所述颜色分布特征图和纹理特征影像图以得到所述农作物的生长状态分布图；所述生长状态分布图是指所述农田中每个位置的所述农作物的生长状态；
7.湿度分布获取单元，用于结合湿度传感器和所述生长状态分布图得到所述农田中每个位置的土壤湿度，根据所述土壤湿度获取所述农田中所有位置的湿度分布图；
8.用水量预测单元，用于根据所述生长状态分布图和所述湿度分布图得到所述农田中干旱区域的干旱程度，结合所述干旱程度、环境温度和由历史干旱程度、历史环境温度和历史灌溉用水量构建的灌溉用水量模型得到所述干旱区域的灌溉用水量。
9.优选的，所述生长状态检测单元中所述颜色特征分布特征图的获取方法，包括：
10.将所述rgb图像进行hsv空间转化以获取色相通道图像和亮度图像，由所述rgb图像的蓝通道图像、红通道图像、绿通道图像和所述亮度图像获取色彩对比增益系数，结合所述色彩对比增益系数和所述色相通道图像得到所述农作物的所述颜色分布特征图。
11.优选的，所述生长状态检测单元中所述纹理特征影像图的获取方法，包括：
12.将所述rgb图像转化为灰度图像，对所述灰度图像进行高斯模糊得到第一灰度图像，让所述灰度图像和所述第一灰度图像作差得到边缘纹理图像；
13.将所述灰度图像和所述边缘纹理图像进行融合以得到边缘二值图像，进而基于灰度共生矩阵获取所述边缘二值图像的所述纹理特征影像图。
14.优选的，所述湿度分布获取单元包括湿度检测单元，所述湿度检测单元用于结合湿度传感器和所述生长状态分布图得到所述农田中每个位置的土壤湿度，则所述湿度检测单元包括：
15.对所述生产状态分布图进行超像素分割得到多个分割区域，由所述分割区域中布置的所述湿度传感器的示数得到每个位置的所述土壤湿度。
16.优选的，在所述湿度检测单元中由所述分割区域中布置的所述湿度传感器的示数得到每个位置的所述土壤湿度的方法，包括：
17.将包含所述湿度传感器的所述分割区域作为已知湿度区域，否则为未知湿度区域；获取与所述未知湿度区域相邻的多个所述已知湿度区域，根据每个所述已知湿度区域的所述土壤湿度和所述生产状态分布图上该已知湿度区域的像素值均值拟合出像素值均值与土壤湿度之间的二次多项式曲线方程；
18.结合所述生产状态分布图上所述未知湿度区域的像素值均值和所述二次多项式曲线方程预测所述未知湿度区域的所述土壤湿度；由所述已知湿度区域和所述未知湿度区域的所述土壤湿度得到每个位置的所述土壤湿度。
19.优选的，其特征在于，所述湿度分布获取单元包括图像获取单元，所述图像获取单元用于根据所述土壤湿度获取所述农田中所有位置的湿度分布图，则所述图像获取单元包括：
20.由所述每个位置的所述土壤湿度得到所述农田中所有位置的预测湿度分布图；
21.利用所述二次多项式曲线方程分别获取每个所述已知湿度区域的预测湿度值，根据多个个所述已知湿度区域的所述预测湿度值和对应的所述土壤湿度得到所述二次多项式曲线方程所对应曲线的误差值；所述误差值是指利用多个相邻的所述已知湿度区域预测所述未知湿度区域的准确性；
22.根据所述误差值确定每个所述已知湿度区域和所述未知湿度区域的湿度准确率，由所述湿度准确率得到所述农田中所有位置的湿度准确率分布图；
23.获取每个所述已知湿度区域和所述未知湿度区域的中心点位置，根据所述中心点位置的所述土壤湿度利用线性差值得到所有位置的所述土壤湿度以构成先验湿度分布图；
24.结合所述先验湿度分布图、所述预测湿度分布图和所述湿度准确率分布图得到所述湿度分布图。
25.优选的，在所述图像获取单元中在获得所有所述未知湿度区域的所述土壤湿度时，每个所述已知湿度区域和所述未知湿度区域存在多个所述误差值，保留最小的所述误差值。
26.优选的，所述用水量预测单元中根据所述生长状态分布图和所述湿度分布图得到所述农田中干旱区域的干旱程度的方法，包括：
27.将所述生长状态分布图和所述湿度分布图合并成一张双通道的第一图像，由所述第一图像中两个通道的像素值构成每个像素点的二维向量，计算所述干旱区域中所有像素点的所述二维向量的模长之和，将所述模长之和作为所述干旱程度。
28.本发明实施例至少存在以下有益效果：根据采集的图像中农作物的颜色和纹理获取农作物的生长状态，能够准确描述农作物的生长情况，且根据已知位置的土壤湿度并结合农作物的生长状态获取农田中所有位置的土壤湿度，结合农作物的生长状态和所在位置
的土壤湿度对干旱区域进行浇灌，保证了浇灌的针对性，同时控制了灌溉用水量，避免水资源的浪费。
附图说明
29.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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
30.图1为本发明一个实施例所提供的一种基于人工智能和大数据的农业智能灌溉系统的结构框图；
31.图2为本发明实施例所提供的关于湿度分布获取单元的结构框图。
具体实施方式
32.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能和大数据的农业智能灌溉系统，其具体实施方式、结构、特征及其作用，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
33.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
34.下面结合附图具体的说明本发明所提供的一种基于人工智能和大数据的农业智能灌溉系统的具体方案。
35.本发明实施例所针对的具体场景为：大规模的、露天种植的农田，且农作物是指小麦等绿色植物。
36.需要说明的是，本发明实施例中农作物的生长环境包括土壤湿度和环境温度。
37.参照附图1，本发明实施例提供了一种基于人工智能和大数据的农业智能灌溉系统，该系统包括生长状态检测单元10、湿度分布获取单元20以及用水量预测单元30，其中，
38.生长状态检测单元10用于采集农田中农作物的rgb图像，根据rgb图像得到农作物的颜色分布特征图和纹理特征影像图，结合颜色分布特征图和纹理特征影像图以得到农作物的生长状态分布图；生长状态分布图是指农田中每个位置的农作物的生长状态。
39.具体的，无人机搭载高清rgb相机，相机视角俯视向下，无人机低空飞行，采集农田中农作物的图像数据，每采集一张图像数据，根据图像数据计算出图像视野内每个位置处农作物的生长状态，其中根据图像数据获取农作物的生长状态的方法为：
40.获取农田中农作物的rgb图像，将rgb图像进行hsv空间转化以获取色相通道图像h和亮度图像s，色相通道图像h是一张灰度图像，表示的是农田中农作物的色相分布。由于色相通道图像h的最小灰度值为0，最大灰度值为359，因此本发明将色相通道图像h进行阈值化处理：将色相通道图像h上灰度值大于110的像素点的灰度值置为110、灰度值小于25的像素点的灰度值置为25，其他像素点的灰度值不变，也即是灰度值在[25,110]区间的像素点，其中灰度值[25,110]属于农作物和土地的色相区间。将色相通道图像h中所有像素点的灰
度值减去25后除以(110
‑
25)，即使得最大灰度值不大于1.0。
[0041]
基于先验知：生长状态良好的农作物的颜色是翠绿色，且亮度不会太高；生长状态不好的农作物发黄，且亮度较高，甚至没有农作物生长的区域为完全的土黄色，亮度较高。由于黄色和绿色在绿通道上均具有较大的灰度值，绿色在红通道和蓝通道上具有较小的灰度值，而黄色在红通道上的灰度值要远比在蓝色通道上的灰度值大，因此，获取rgb图像的蓝通道图像b、红通道图像r和绿通道图像g，利用蓝通道图像b、红通道图像r、绿通道图像g和亮度图像s计算色彩对比增益系数
[0042]
其中，b、r、g、s都是矩阵，则与exp(
‑
2s)也都是一个矩阵；
⊙
表示两个矩阵的哈达玛积，即将两个矩阵对应元素相乘；色彩对比增益系数α也是一个矩阵，即图像。
[0043]
需要说明的是，|b
‑
r|越小说明红通道图像和蓝通道图像之间的差异越小，则农作物的颜色越接近绿色，|b
‑
r|越大说明农作物的颜色越接近黄色，因此越大表示农作物的颜色越接近绿色，否则颜色越接近黄色。已知绿色和黄色虽然在绿通道上的灰度值都较大，但是由于农作物生长状态良好时其呈现的是暗绿色，因此在绿通道上黄色的灰度值要大于绿色的灰度值，故本发明实施例引入exp(
‑
2s)使得暗绿色的农作物具有较高的色彩对比增益系数α，而黄色的农作物具有较低的色彩对比增益系数α，其中色彩对比增益系数α的目的是用于增加生长状态好的与生长状态不好的农作物位置处的颜色区分度，以确保获得准确的农作物的生长状态。
[0044]
对色彩对比增益系数α归一化处理，然后利用3
×
3的高斯核分别对色彩对比增益系数α、色相通道图像h进行高斯滤波，且滤波不改变色彩对比增益系数α的大小；结合滤波后的色彩对比增益系数和色相通道图像得到农作物的颜色分布特征图f1＝α
⊙
h。
[0045]
进一步地，将rgb图像转化为灰度图像i，利用3
×
3的高斯核对灰度图像进行高斯模糊得到第一灰度图像i1，让灰度图像i和第一灰度图像i1作差得到边缘纹理图像i2，即i2＝i
‑
i1，其中i2表示灰度图像i的高频纹理，即边缘纹理。将灰度图像i和边缘纹理图像i2进行融合以得到边缘二值图像，则获取边缘二值图像的方法为：令i3＝i αi2，其中i3表示灰度图像i和边缘纹理图像i2的融合图像，利用色彩对比增益系数α是为了更加关注生长状态较好的农作物的边缘纹理，而对于生长状态不好的甚至没有农作物生长的位置处的边缘纹理的关注度较低，这样一方面使得融合图像i3的纹理更加清楚，另一方面使得生长状态好与坏的农作物有更强的对比特征，有助于获取更加准确的农作物的生长状态；对融合图像i3进行归一化处理，利用canny算子获取融合图像i3的边缘二值图像i4。
[0046]
基于灰度共生矩阵获取边缘二值图像i4的纹理特征影像图f2，其纹理特征影像图f2的获取方法为：在边缘二值图像i4上，用一个小窗口形成的子影像。计算小窗口内子影像的灰度共生矩阵和灰度共生矩阵的熵值，然后将熵值赋值给小窗口的中心点，这样就完成了第一个小窗口的纹理特征的计算，然后将小窗口移动一个像素点的距离形成另一个小窗口的子影像，再重复计算该小窗口内子影像的灰度共生矩阵和灰度共生矩阵的熵值，将该熵值同样赋值给该小窗口的中心点，以这种方式对整个边缘二值图像i4进行遍历，使得整个边缘二值图像i4生成纹理特征影像图f2，该纹理特征影像图与边缘二值图像等大，且该
纹理特征影像图的每个像素值表示纹理的复杂或混乱程度，像素值越大表示纹理分布越复杂，说明农作物的生长状态越好，也即是该农作物枝叶繁茂。
[0047]
结合颜色分布特征图f1和纹理特征影像图f2以得到农作物的生长状态分布图f0＝f1
⊙
f2，其中，生长状态分布图是指农田中每个位置的农作物的生长状态，生长状态分布图f0中的像素值越大说明这个像素点位置处的农作物生长状态越好。
[0048]
需要说明的是，一张rgb图像能够获取该图像视野内农田中每个位置的农作物的生长状态，无人机在航拍过程中将所有的rgb图像拼接起来即可得到整个农田中每个位置的农作物的生长状态，其中，无人机可通过搭载激光雷达获得无人机距离地面的高度，且无人机通过搭载的定位装置或者利用slam系统获得无人机的位置。
[0049]
湿度分布获取单元20用于结合湿度传感器和生长状态分布图得到农田中每个位置的土壤湿度，根据土壤湿度获取农田中所有位置的湿度分布图。
[0050]
具体的，参照附图2，本发明实施例提供了关于湿度分布获取单元的结构框图，湿度分布获取单元20包括湿度检测单元21和图像获取单元22。
[0051]
湿度检测单元21用于结合湿度传感器和生长状态分布图得到农田中每个位置的土壤湿度，土壤湿度获取的方法为：
[0052]
在土壤内插入湿度传感器，每隔一定的间隔插入一个湿度传感器，用于获得湿度传感器位置处的土壤湿度。
[0053]
优选的，本发明实施例中的间隔设置为50米。
[0054]
利用slic(简单的线性迭代聚类)对生长状态分布图f0进行超像素分割，获得多个分割区域，每个分割区域的农作物都具有近似的生长状态，由分割区域中布置的湿度传感器的示数得到每个位置的土壤湿度，即获取每个湿度传感器所在的分割区域，则该分割区域中每个位置的土壤湿度均为湿度传感器的示数；如果一个分割区域内对应多个湿度传感器，则该分割区域中每个位置的土壤湿度均为这些湿度传感器的示数均值。
[0055]
获取所有包含湿度传感器的分割区域，将包含湿度传感器的分割区域作为已知湿度区域，则该已知湿度区域内的每个位置的土壤湿度均为湿度传感器的示数；将没有湿度传感器的分割区域作为未知湿度区域，则无法获取该未知湿度区域中每个位置的土壤湿度。
[0056]
对于一个未知湿度区域，假设这个未知湿度区域具有最多相邻的已知湿度区域，则获取这个未知湿度区域距离最近的k个已知湿度区域，根据每个已知湿度区域的土壤湿度和生产状态分布图上该已知湿度区域的像素值均值拟合出像素均值与土壤湿度之间的二次多项式曲线方程，即：分别获取k个已知湿度区域的土壤湿度以构成序列a＝{a1,a2,
…
,a
k
…
,a
k
}，其中a
k
为第k个已知湿度区域所对应的土壤湿度；分别获取k个已知湿度区域在生长状态分布图f0中所有像素点的像素值均值以构成序列b＝{b1，b2，...，b
k
...，b
k
}，其中b
k
为第k个已知湿度区域的像素值均值，该像素值均值表示农作物的平均生长状态；根据序列a和序列b利用ransac算法拟合出二次多项式曲线方程其中，表示b
k
在曲线上的映射结果。
[0057]
优选的，本发明实施例中k＝9。
[0058]
获取这个未知湿度区域在生长状态分布图f0中所有像素点的像素值均值b0，结合像素值均值b0和二次多项式曲线方程得到该未知湿度区域的土壤湿度a0＝f(b0)。
[0059]
根据一个未知湿度区域周围的k个已知湿度区域预测出该未知湿度区域的土壤湿度后，将该未知湿度区域作为已知湿度区域来预测其他未知湿度区域的土壤湿度，进而获取所有未知湿度区域的土壤湿度，由已知湿度区域和未知湿度区域的土壤湿度得到每个位置的土壤湿度。
[0060]
图像获取单元22用于根据土壤湿度获取农田中所有位置的湿度分布图，则湿度分布图的获取方法为：
[0061]
由每个位置的土壤湿度得到农田中所有位置的预测湿度分布图f3；在上述获取任意一个未知湿度区域的土壤湿度值，一个未知湿度区域和对应的k个已知湿度区域都对应同一个曲线的误差值，即利用二次多项式曲线方程分别获取每个已知湿度区域的预测湿度值，根据k个已知湿度区域的预测湿度值和对应的土壤湿度得到该二次多项式曲线方程所对应曲线的误差值，即其中误差值e是指利用多个相邻的已知湿度区域预测未知湿度区域的准确性，如果误差值小，说明这k个已知湿度区域内每个位置的土壤湿度设置为每个区域内对应湿度传感器的示数是可行的，并且可以准确预测出未知湿度区域的每个位置的土壤湿度。
[0062]
当获取完所有未知湿度区域的土壤湿度后，每一个已知湿度区域和未知湿度区域会存在对应多个曲线的误差值，将最小误差值x作为该区域的误差值，x越小表示每个区域中计算出的每个位置的土壤湿度的可信度越大或者准确度越大；根据误差值确定每个已知湿度区域和未知湿度区域的湿度准确率，即将exp(
‑
x)视为每个区域的湿度准确率；由湿度准确率得到农田中所有位置的湿度准确率分布图，即得到每个区域的湿度准确率后，为预测湿度分布图f3上所有位置的土壤湿度分配了一个准确率，用于表征每个位置的土壤湿度的可信度，因此将所有位置的土壤湿度的准确率称为湿度准确率分布图β。
[0063]
进一步地，获取每一个分割区域的中心点位置，每个中心点位置对应一个土壤湿度，利用线性插值根据所有分割区域的中心点位置的土壤湿度插值出所有位置的土壤湿度，进而将利用线性插值得到的所有位置的土壤湿度称为先验湿度分布图f4，先验湿度分布图f4表示的是忽略区域内农作物的生长状态之后，只根据不同中心点位置获得的一种经验的土壤湿度。
[0064]
结合预测湿度分布图f3、湿度准确率分布图β和先验湿度分布图f4得到湿度分布图f5，即f5＝β
⊙
gasblur(f3) (1
‑
β)f4，其中，gasblur(f3)表示的是对预测湿度分布图f3进行高斯模糊，高斯模糊核为11
×
11，目的是柔化预测湿度分布图f3上的边缘；β越大表示越关注预测湿度分布图f3中的预测湿度分布，越小则表示越关注先验湿度分布图f4中的经验湿度分布。
[0065]
用水量预测单元30用于根据生长状态分布图和湿度分布图得到农田中干旱区域的干旱程度，结合干旱程度、环境温度和由历史干旱程度、历史环境温度和历史灌溉用水量构建的灌溉用水量模型得到干旱区域的灌溉用水量。
[0066]
具体的，将生长状态分布图f0和湿度分布图f5合并成一张双通道的第一图像，将第一图像输入语义分割网络得到农作物的一个干旱语义区域或多个干旱语义区域，所述干旱语义区域是指农作物的生长状态和土壤湿度都小的、且局部面积较大的连通区域，即干旱语义区域内大部分的农作物的生长状态不好，土壤湿度低，但存在小部分农作物的生长
状态好，土壤湿度高的区域。本发明实施例中只需给干旱语义区域内的农作物进行浇灌，其他区域不进行浇灌或者可能少的浇灌。
[0067]
优选的，本发明实施例中语义分割网络为maskrcnn。
[0068]
以一个干旱语义区域为例来获取该干旱区域的灌溉用水量：获取干旱语义区域在第一图像中的所有像素点，由第一图像中的两个通道的像素值构成每个像素点的二维向量，计算所有像素点的二维向量的模长之和，将模长之和作为干旱程度g。将图像采集时的环境温度t和干旱程度g通过灌溉用水量模型得到该干旱语义区域的灌溉用水量，则灌溉用水量模型为a＝γgt δ，其中，a为灌溉用水量；γ和δ为优化参数。
[0069]
需要说明的是，灌溉用水量模型是基于历史数据进行构建的，在历史中每次浇灌之前首先获取干旱语义区域、环境温度、浇灌一段时间后干旱语义区域内农作物的生长状态分布以及干旱语义区域每次的灌溉用水量，并将这些数据存储进大数据系统内，随着灌溉的次数增多，大数据系统内的数据量就越多。
[0070]
基于大数据系统中每次灌溉的数据，如果某次灌溉时，干旱语义区域内的生长状态分布的均值大于一定阈值，那么说明灌溉之后作物生长状态变好，那么就获取该次灌溉用水量a以及环境温度t以及干旱语义区域的干旱程度b，在大数据系统中获取多组数据(a，t，b)，根据这些数据(a，t，b)利用ransac算法拟合出灌溉用水量模型中的优化参数γ和δ。
[0071]
综上，本发明实施例提供了一种基于人工智能和大数据的农业智能灌溉系统，该系统在生长状态检测单元10采集农田中农作物的rgb图像，根据rgb图像得到农作物的颜色分布特征图和纹理特征影像图，结合颜色分布特征图和纹理特征影像图以得到农作物的生长状态分布图；在湿度分布获取单元20结合湿度传感器和生长状态分布图得到农田中每个位置的土壤湿度，根据土壤湿度获取农田中所有位置的湿度分布图；在用水量预测单元30根据生长状态分布图和湿度分布图得到农田中干旱区域的干旱程度，结合干旱程度、环境温度和由历史干旱程度、历史环境温度和历史灌溉用水量构建的灌溉用水量模型得到干旱区域的灌溉用水量。结合农作物的生长状态和所在位置的土壤湿度对干旱区域进行浇灌，保证了浇灌的针对性，同时控制了灌溉用水量，避免水资源的浪费。
[0072]
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0073]
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
[0074]
以上仅为本发明的较佳实施例，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。