基于神经网络的灌溉方法、装置、存储介质及电子设备与流程

1.本发明涉及灌溉领域，具体涉及一种基于神经网络的灌溉方法、装置、存储介质及电子设备。


背景技术：

2.绿化也是社区的重要组成部分，为保持绿化的存活性，每年都要花费大量人力去维护灌溉。
3.目前的一些智能灌溉系统直接将同一时间点的采集到的所有数据作为输入层的一条数据。即便考虑到了光照和温度的情况，也未使用机器学习的方法来训练智能控制模型，仅是通过使用嵌入式芯片来单独控制某一个变量，因此智能化程度并不高，同时对天气的变化的预测性也不充足。


技术实现要素：

4.为解决上述现有的智能灌溉系统不能满足智能灌溉的技术问题，本发明提供了一种基于神经网络的灌溉方法，其包括：
5.分别获取湿度传感器、温度传感器和光传感器以第一预设时间间隔采集的第一数据；
6.基于所述第一数据来确定元数据向量；
7.基于所述第一数据来确定元数据向量，其中，所述元数据向量包括湿度传感器向量、温度传感器向量和光传感器向量；
8.在将所述元数据向量输入预先建立的预测模型后确定需要灌溉的情况下，控制灌溉系统以所述预测模型输出的灌溉量进行灌溉。
9.在一些实施例中，所述基于所述第一数据确定元数据向量，包括：
10.分别确定所述湿度传感器的第一数据中每相邻两个时刻的湿度传感器值之间的差值，以得到湿度传感器的第一等差值数据；
11.基于所述第一等差值数据和所述湿度传感器的第一数据中最后时刻的传感器值来确定湿度传感器向量。
12.在一些实施例中，所述基于所述第一数据确定元数据向量，包括：
13.分别确定所述温度传感器的第一数据中每相邻两个时刻的温度传感器值之间的差值，以得到温度传感器的第二等差值数据；
14.基于所述第二等差值数据和所述温度传感器的第一数据中最后时刻的传感器值来确定所述温度传感器向量。
15.在一些实施例中，所述基于所述第一数据确定元数据向量，包括：
16.分别确定所述光传感器的第一数据中每相邻两个时刻的光传感器值之间的差值，以得到光传感器的第三等差值数据；
17.基于所述第三等差值数据和所述光传感器的第一数据中最后时刻的传感器值来
确定所述光传感器向量。
18.在一些实施例中，所述方法还包括：
19.实时获取用水量数据；
20.在所述用水量数据达到所述预测模型输出的灌溉量的情况下，控制所述灌溉系统停止灌溉。
21.在一些实施例中，所述方法还包括：
22.分别获取所述湿度传感器、所述温度传感器和所述光传感器以第二预设时间间隔采集的第二数据；
23.基于所述第二数据来确定样本元数据向量；
24.基于所述样本元数据向量、是否需要灌溉及灌溉量之间的映射关系来生成训练数据，其中，所述样本元数据向量包括样本湿度传感器向量、样本温度传感器向量和样本光传感器向量；
25.基于所述训练数据得到所述预测模型。
26.在一些实施例中，所述基于所述训练数据得到所述预测模型，包括：
27.将所述训练数据划分为训练集和测试集；
28.将所述训练集输入神经网络模型进行训练，并使用所述测试集来对所述神经网络模型进行正确率测试；
29.在所述神经网络模型的正确率符合要求的情况下，将所述神经网络模型确定为所述预测模型。
30.本发明还提供了一种基于神经网络的灌溉装置，其包括：
31.获取模块，用于分别获取湿度传感器、温度传感器和光传感器以第一预设时间间隔采集的第一数据；
32.确定模块，用于基于所述第一数据来确定元数据向量，其中，所述元数据向量包括湿度传感器向量、温度传感器向量和光传感器向量；
33.控制模块，用于在将所述元数据向量输入预先建立的预测模型后确定需要灌溉的情况下，控制灌溉系统以所述预测模型输出的灌溉量进行灌溉。
34.本发明还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，该计算机程序被所述处理器执行时，执行如上所述的控制方法。
35.本发明还提供了一种存储介质，该存储介质存储的计算机程序能够被一个或多个处理器执行，能够用来实现如上所述的控制方法。
36.与现有技术相比，上述方案中的一个或多个实施例可以具有如下优点或有益效果：
37.将不同传感器在不同几个时间点采集的所有数据作为输入层的一条数据进行输入，使智能灌溉系统的智能程度得到明显的提升，实现了灌溉系统的智能化，达到节省人力、节省水资源、高效灌溉的目的。
附图说明
38.通过结合附图阅读下文示例性实施例的详细描述可更好地理解本公开的范围。其中所包括的附图是：
39.图1为本发明实施例提供的一种灌溉方法的实现流程示意图；
40.图2为本发明实施例提供的一种灌溉方法的实现流程示意图；
41.图3为本发明实施例提供的一种灌溉方法的实现流程示意图；
42.图4为本发明实施例提供的一种灌溉装置的结构示意图；
43.图5为本发明实施例提供的电子设备的组成结构示意图。
具体实施方式
44.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，所描述的实施例不应视为对本发明的限制，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。
45.在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解，“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
46.如果申请文件中出现“第一/第二/第三”的类似描述则增加以下的说明，在以下的描述中，所涉及的术语“第一/第二/第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一/第二/第三”在允许的情况下可以互换特定的顺序或先后次序，以使这里描述的本发明实施例能够以除了在这里图示或描述的以外的顺序实施。
47.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。本文中所使用的术语只是为了描述本发明实施例的目的，并不旨在限制本发明。
48.基于相关技术中存在的问题，本发明实施例提供了一种灌溉方法，所述方法应用于电子设备，所述电子设备可以是计算机、移动终端等，本发明实施例提供的控制方法所实现的功能可以通过电子设备的处理器调用程序代码来实现，其中，程序代码可以保存在计算机存储介质中。
49.本发明实施例提供了一种灌溉方法，图1为本发明实施例提供的一种灌溉方法的实现流程示意图，如图1所示，包括如下步骤。
50.步骤s101：分别获取湿度传感器、温度传感器和光传感器以第一预设时间间隔采集的第一数据。
51.步骤s201：基于所述第一数据来确定元数据向量。
52.具体地，所述元数据向量包括湿度传感器向量、温度传感器向量和光传感器向量。
53.步骤s301：在将所述元数据向量输入预先建立的预测模型后确定需要灌溉的情况下，控制灌溉系统以所述预测模型输出的灌溉量进行灌溉。
54.基于此，本发明所提供的基于神经网络的灌溉方法，将不同传感器在不同几个时间点采集的所有数据作为输入层的一条数据进行输入，使智能灌溉系统的智能程度得到明显的提升，实现了灌溉系统的智能化，达到节省人力、节省水资源、高效灌溉的目的。
55.在一些实施例中，所述基于所述第一数据确定元数据向量，包括：
56.分别确定所述湿度传感器的第一数据中每相邻两个时刻的湿度传感器值之间的差值，以得到湿度传感器的第一等差值数据；
57.基于所述第一等差值数据和所述湿度传感器的第一数据中最后时刻的传感器值
来确定湿度传感器向量。
58.基于此，本发明所提供的基于神经网络的灌溉方法，将不同传感器在不同几个时间点采集的所有数据作为输入层的一条数据进行输入，往后滑动一个时间点即可获得一组新的湿度数据，包含了时间变化，使得模型能够适应环境变化，提高其智能程度，合理利用水资源。
59.在一些实施例中，所述基于所述第一数据确定元数据向量，包括：
60.分别确定所述温度传感器的第一数据中每相邻两个时刻的温度传感器值之间的差值，以得到温度传感器的第二等差值数据；
61.基于所述第二等差值数据和所述温度传感器的第一数据中最后时刻的传感器值来确定所述温度传感器向量。
62.基于此，本发明所提供的基于神经网络的灌溉方法，将不同传感器在不同几个时间点采集的所有数据作为输入层的一条数据进行输入，往后滑动一个时间点即可获得一组新的温度数据，包含了时间变化，使得模型能够适应环境变化，提高其智能程度，合理利用水资源。
63.在一些实施例中，所述基于所述第一数据确定元数据向量，包括：
64.分别确定所述光传感器的第一数据中每相邻两个时刻的光传感器值之间的差值，以得到光传感器的第三等差值数据；
65.基于所述第三等差值数据和所述光传感器的第一数据中最后时刻的传感器值来确定所述光传感器向量。
66.基于此，本发明所提供的基于神经网络的灌溉方法，将不同传感器在不同几个时间点采集的所有数据作为输入层的一条数据进行输入，往后滑动一个时间点即可获得一组新的光数据，包含了时间变化，使得模型能够适应环境变化，提高其智能程度，合理利用水资源。
67.在一些实施例中，所述方法还包括：
68.实时获取用水量数据；
69.在所述用水量数据达到所述预测模型输出的灌溉量的情况下，控制所述灌溉系统停止灌溉。
70.基于此，本发明所提供的基于神经网络的灌溉方法，实时监控用水量数据，智能控制系统停止灌溉，达到节省人力、节省水资源、高效灌溉的目的。
71.在一些实施例中，所述方法还包括：
72.分别获取所述湿度传感器、所述温度传感器和所述光传感器以第二预设时间间隔采集的第二数据；
73.基于所述第二数据来确定样本元数据向量；
74.基于所述样本元数据向量、是否需要灌溉及灌溉量之间的映射关系来生成训练数据；
75.基于所述训练数据得到所述预测模型。
76.具体地，所述样本元数据向量包括样本湿度传感器向量、样本温度传感器向量和样本光传感器向量。
77.基于此，本发明所提供的基于神经网络的灌溉方法，将不同传感器在不同几个时
间点采集的所有数据作为输入层的一条数据进行输入以训练神经网络，使智能灌溉系统的智能程度得到明显的提升，实现了灌溉系统的智能化。
78.在一些实施例中，所述基于所述训练数据得到所述预测模型，包括：
79.将所述训练数据划分为训练集和测试集；
80.将所述训练集输入神经网络模型进行训练，并使用所述测试集来对所述神经网络模型进行正确率测试；
81.在所述神经网络模型的正确率符合要求的情况下，将所述神经网络模型确定为所述预测模型。
82.基于此，本发明所提供的基于神经网络的灌溉方法，运用神经网络，使智能灌溉系统的智能程度得到明显的提升，实现了灌溉系统的智能化。
83.图2和图3是本发明实施例提供的一种基于神经网络的灌溉方法的具体实现流程。
84.本实施例设置有传感器模块(包括湿度传感器、温度传感器和光照传感器)、控制模块和灌溉模块三个部分。传感器模块集成多个传感器为一体，便于安装。在地下部分设置有湿度传感器，地上部分设置有温度传感器和光照传感器。需要注意的是，可放置多个传感器模块，但是放置多个传感器模块需做特殊处理，避免单点故障或者光照不均匀的情况发生。服务器模块连接至传感器和灌溉喷头，作为运算控制软件系统的载体。灌溉模块由电控水阀、电子水表和旋转灌溉喷头组成。
85.如图2所示，智能灌溉系统使用到的模型训练过程具体如下。
86.s11：采集实验环境下各传感器(每种仅一个)的数据，并保存。采集到的数据的主要信息有，记录时间t、湿度传感器的值x、温度传感器数据的值y、光传感器的值z，每半小时采集一次的连续六次数据为一组，作为采集的数据单元。
87.s12：将采集到的数据做训练前的预处理：处理缺失值：针对缺失记录时间的数据，丢弃该条数据。针对缺失传感器数据的使用缺失值(各传感器采集到的数据)的时间点的前后各6条数据作为样本，取它们的中位数，来填充缺失值。
88.格式整理：整理为统一化的格式的数据，便于后续处理。
89.s13：将处理好的数据进行区分。分为训练集和测试集，训练集用于训练模型，测试集用于验证训练好的模型是否符合标准。
90.s14：将训练集作为输入层进行rbf训练。记湿度传感器、温度传感器和光传感器tm时间的数据分别为xm、ym、zm，m＝6
×
(1,2,3,...)，求湿度传感器的一组数据[x
m-5
,x
m-4
,x
m-3
,x
m-2
,x
m-1
,xm]的等差值并加入tm时刻传感器值xm的得到向量t
xm
：
[0091]
[x
m-4-x
m-5
,x
m-3-x
m-4
,x
m-2-x
m-3
,x
m-1-x
m-2
,x
m-x
m-1
,xm]。
[0092]
同理，得到温度传感器向量t
ym
和光传感器向量t
zm
：
[0093]
[y
m-4-y
m-5
,y
m-3-y
m-4
,y
m-2-y
m-3
,y
m-1-y
m-2
,y
m-y
m-1
,ym]，
[0094]
[z
m-4-z
m-5
,z
m-3-z
m-4
,z
m-2-z
m-3
,z
m-1-z
m-2
,z
m-z
m-1
,zm]。
[0095]
这样做的目的是使数据更贴近真实的环境变化，从一定程度反应其变化性。至此得到元数据向量mm＝{t
xm
,t
ym
,t
zm
}，然后根据传感器数据与是否灌溉量之间的映射关系，使用rbf神经网络进行训练，得到训练结果。
[0096]
具体地，rbf训练过程中可以使用bp神经网络，其在训练时，可以通过学习自主提取数据之间的规则，自适应地将其记忆于神经网络的权值中，具有良好自我学习和自我适
应的能力。此外，由于rbf是一种性能优良的前馈型神经网络，具有全局逼近能力，因此解决了bp网络的具部最优解问题，可以在训练时更好地逼近真实的环境、体现真实环境的变化。
[0097]
s15：使用测试集来对训练好的数据进行测试评估，判断是否正确率是否符合指定标准。若不符合，则对模型进行参数调整后返回s14。如果符合则进行下一步骤。
[0098]
s16：将训练过程中产生的文件数据整理后，封装接口并编写灌溉系统程序。
[0099]
如图3所示，灌溉整体系统的整体工作流程如下。
[0100]
s21：间隔性采集各传感器的数据，间隔周期为30分钟。
[0101]
s22：将上一步采集到的数据进行上传，保存在系统中，供系统下次判断使用。
[0102]
s23：系统每小时进行一次灌溉判断，计算出是否进行灌溉，如需灌溉则继续计算灌溉的量n，并继续下一步骤。如不需灌溉则返回到步骤s21。
[0103]
需要注意的是，这里的“三个小时”是一组数据时间的前后跨度，“三十分钟”是组数据中两个相邻时间点的间隔。“三个小时”取决于每组数据的时间点数量和相邻时间点的间隔。间隔太长，可能会体现不出“环境变化性”；间隔太短，容易让数据维度过高，即单条输入数据的变量过多。本发明中，将它们控制在一定合理范围内即可。
[0104]
s24：系统发送灌溉指令到电控水阀开始灌溉。
[0105]
s25：灌溉期间，系统采集电子水表持续反馈的用水量数据。
[0106]
s26：计算判断是否到达指定要灌溉的量，如到达则进行下一步步骤，没有则返回上一步骤。
[0107]
s27：系统发送停止灌溉的指令到电控水阀停止灌溉，然后返回步骤s21。
[0108]
基于此，本发明所提供的基于神经网络的灌溉方法，将不同传感器在不同几个时间点采集的所有数据作为输入层的一条数据进行输入，使智能灌溉系统的智能程度得到明显的提升，实现了灌溉系统的智能化，达到节省人力、节省水资源、高效灌溉的目的。
[0109]
本发明还提供了一种基于神经网络的灌溉装置。图4为本发明实施例提供的一种基于神经网络的灌溉装置的结构示意图。如图4所示，基于神经网络的灌溉装置500包括以下模块。
[0110]
获取模块501，用于分别获取湿度传感器、温度传感器和光传感器以第一预设时间间隔采集的第一数据。
[0111]
确定模块502，用于基于所述第一数据来确定元数据向量。
[0112]
具体地，所述元数据向量包括湿度传感器向量、温度传感器向量和光传感器向量。
[0113]
控制模块503，用于在将所述元数据向量输入预先建立的预测模型后确定需要灌溉的情况下，控制灌溉系统以所述预测模型输出的灌溉量进行灌溉。
[0114]
基于此，本发明所提供的基于神经网络的灌溉装置，将不同传感器在不同几个时间点采集的所有数据作为输入层的一条数据进行输入，使智能灌溉系统的智能程度得到明显的提升，实现了灌溉系统的智能化，达到节省人力、节省水资源、高效灌溉的目的。
[0115]
要说明的是，本发明实施例中，如果以软件功能模块的形式实现上述的基于神经网络的灌溉方法，并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分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)执行本发
明各个实施例所述方法的全部或部分。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)、磁碟或者光盘等各种可以存储程序代码的介质。这样，本发明实施例不限制于任何特定的硬件和软件结合。
[0116]
相应地，本发明实施例提供一种存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现上述实施例中提供的控制方法中的步骤。
[0117]
本发明实施例还提供了一种电子设备。图5为本发明实施例提供的电子设备的组成结构示意图。如图5所示，所述电子设备600包括：一个处理器601、至少一个通信总线602、用户接口603、至少一个外部通信接口604、存储器605。
[0118]
其中，通信总线602可以配置为实现这些组件之间的连接通信。
[0119]
其中，用户接口603可以包括显示屏，外部通信接口604可以包括标准的有线接口和无线接口。所述处理器601配置为执行存储器中存储的灌溉方法的程序，以实现以上述实施例提供的基于神经网络的灌溉方法中的步骤。
[0120]
以上显示设备和存储介质实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明计算机设备和存储介质实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
[0121]
这里需要指出的是：以上存储介质和设备实施例的描述，与上述方法实施例的描述是类似的，具有同方法实施例相似的有益效果。对于本发明存储介质和设备实施例中未披露的技术细节，请参照本发明方法实施例的描述而理解。
[0122]
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解，在本发明的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0123]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0124]
在本发明所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
[0125]
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
[0126]
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
[0127]
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(rom，read only memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0128]
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分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一个存储介质中，包括若干指令用以使得一台控制器执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、rom、磁碟或者光盘等各种可以存储程序代码的介质。
[0129]
以上所述，仅为本发明的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。