一种基于苹果病害预测的智能调控方法及其装置制造方法及图纸

本发明专利技术提供了一种基于苹果病害预测的智能调控方法及其装置，方法包括利用基于机器学习中的预测模型，根据苹果所属环境中特征的提取，对苹果病害模型进行训练，建立预测模型，根据模拟出病害易爆发的环境条件和时间阶段，比对苹果标准生长环境，从而控制苹果周边环境，控制病害发生；分析生长环境参数，合理的控制生产所经历不同阶段。装置包括苹果气候及地形相关参数的获取、实时环境参数，土壤参数获取，雨水的收集和温室环境调控模块。本发明专利技术能节约人力物力，减少病害人为预判的不准确性，减轻病害及滥施农药污染环境问题，利于提高苹果品质、产量。产量。产量。

An intelligent control method and device based on Apple disease prediction

【技术实现步骤摘要】
一种基于苹果病害预测的智能调控方法及其装置


[0001]本专利技术属于智慧果园
，具体涉及一种基于苹果病害预测的智能调控方法及其装置。

技术介绍

[0002]随着农业结构的转型升级和人们的消费水平不断提高，苹果产业逐渐向规模化和经济化方向过渡，从而有效促进区域经济的发展，充分保证了种植户的经济效益。果园栽培和管理过程中，实现机械化有效代替传统人工方式俨然成为一种未来发展趋势。在实际生产中，大多数果农对于苹果病害的发生只是靠经验，凭感觉，对诊断目标不明确，信息输入能力低，造成诊断依据不足。由于不能准确地监测出苹果病虫害，所以农户在苹果发生病害时盲目地施用大量的农药和化肥来防治病害的发生，这样不仅浪费了财力、物力和人力，没有起到很好的防治作用，而且影响了水果的品质和产量，也破坏了生态环境。
[0003]目前，关于目前关于苹果病害预测的研究很多，主要集中于以苹果产量和品质为目标的研究上，多数还是基于农户对苹果的病害预测的经验模型，即按经验给出苹果病害的预测，同时及时给出相应的处理措施。以上研究不仅浪费人力和物力，而且没有起到很好的防治，最后破坏了生态环境也影响了苹果的品质和产量。随着大数据时代的发展，在目前的苹果病害预测的研究较多，大多数模型的都能够给出很好的预测结果，但是根据这些预测结果给出相应的预防措施还是集中在人为处理上，缺少一个智能的系统区进行自动干预。
[0004]进行苹果病害预测的研究，是设计的的基础，但是单单依据预测的结果而不结合一些机械化的方式去满足生产的基本需求，会导致头重脚轻的问题；对于作物生长环境的把控，构建一套可移动式的苹果种植顶棚的研究还相对较少，缺乏对生长环境因子控制，果实病害的几率可能只是停留在预测阶段，现有的病害调控方式多以人力为基础，常出现农药随意施放破坏生态环境，也使得经济效益无法实现最大化。

技术实现思路

[0005]本专利技术所要解决的技术问题在于针对上述现有技术的不足，提供一种基于苹果病害预测的智能调控方法及其装置，能根据气象和海拔等环境因素对苹果病害预测结果来对苹果的生长环境实时进行动态调整方法及装置，不仅可以收集雨水，高效利用自然环境，节约水资源，而且科学的控制生长环境可以减少农药施放，保护自然环境，使苹果产出健康环保，实现经济效益最大化。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：一种基于苹果病害预测的智能调控方法，其特征在于，包括以下步骤：
[0007]S101、获取实时苹果生长环境的参数数据，基于机器学习方法识别分析当前苹果的生长状况和易发病环境；所述生长环境的参数数据包括土壤情况、施肥情况、气候情况和地形情况；
[0008]S102、根据识别分析结果，判别是否处于易致病菌生长的环境，决策环境调控方案，通过控制指令对顶棚及生长环境进行智能调控；
[0009]S103、通过当前苹果的生长周期和环境参数，对苹果树进行灌溉、授粉和辅助光和作用。
[0010]优选地，所述S101中所述的机器学习算法包括以下步骤：
[0011]S201、数据的采集与处理：获取生长环境的参数数据并结合病虫害的发生情况数据进行相关性分析，增强数据与病害间的特征表现；
[0012]S202、BP神经网络模型的训练：初始化连接权值和阈值，确定BP神经网络输入节点数、隐含层节点数、输出节点数和激活函数，通过网络的训练不断调整隐含层和输出层的权值；
[0013]所述BP神经网络模型包括正向传播和反向传播，在正向传播过程中，信号通过输入层接收进入网络后，经过隐含层的激活函数的处理，交给输出层，最后由输出层输出处理过的信号，当输出的信号与期望输出的信号误差大于限定值，则转向误差反向传播的过程，输出端将误差分摊给隐含层，隐含层处理后，传给输入层，BP算法用于调整权值使网络总误差最小，若训练调整权值的过程到预先设定的训练次数或者误差已经到很小的范围内，则停止训练；
[0014]S203、输出结果：通过训练好的模型，实时对苹果周围环境特征参数提取，通过数据的输入、模型的预测，得到输出的结果，从而对苹果的病害发生做出预测。
[0015]优选地，S202中所述的BP神经网络模型的训练具体包括以下步骤：
[0016]S301、设BP神经网络输入节点数为M，隐含层节点数为Q，输出节点数为L，隐含层激活函数采用Sigmoid型函数，输出与期望输出的误差E，定义公式为
[0017][0018]其中T
k
表示输出层节点k对应的期望输出，Y
k
表示输出层节点k的输出；
[0019]S302、对整个网络的权值和阈值初始化；
[0020]S303、输入训练样本,计算出隐含层第j个神经元和输出层第k个神经元的输出值：
[0021][0022][0023]其中W
ij
为节点i到节点j之间连接权值的权值，W
ik
为节点j到节点k之间连接权值的权值，θ
i
为中间层节点j的阈值，θ
k
为输出层节点k的阈值；
[0024]S304、计算网络输出的误差；
[0025]首先计算输出层节点到隐含层节点之间的误差δ
k
[0026]δ
k
＝Y
k
(1
‑
Y
k
)(T
k
‑
Y
k
)
[0027]其中T
k
表示输出层节点k对应的期望输出，Y
k
表示输出层节点k的输出；
[0028]然后计算隐含层节点到输入层节点之间的误差δ
j
[0029][0030]其中W
ik
为节点j到节点k之间连接权值的权值，Y
k
为中间层节点j的输出；
[0031]S305、调整输出节点k和隐含节点W
ij
的连接权值W
jk
和节点k的阈值，η为学习率
[0032]W
jk
(t+1)＝W
jk
(t)+η
·
δ
k
·
Y
j
[0033]θ
k
(t+1)＝θ
k
(t)+η
·
δ
k
[0034]调整隐含节点j和输入层节点i的连接权值W
ij
和节点j的阈值
[0035]W
ij
(t+1)＝W
ij
(t)+η
·
δ
k
·
Y
i
[0036]θ
j
(t+1)＝θ
j
(t)+η
·
δ
j
[0037]S306、判断训练样本是否完成一轮训练，如果未完成，则返回S303；
[0038]S307、检查网络总误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于苹果病害预测的智能调控方法，其特征在于，包括以下步骤：S101、获取实时苹果生长环境的参数数据，基于机器学习方法识别分析当前苹果的生长状况和易发病环境；所述生长环境的参数数据包括土壤情况、施肥情况、气候情况和地形情况；S102、根据识别分析结果，判别是否处于易致病菌生长的环境，决策环境调控方案，通过控制指令对顶棚及生长环境进行智能调控；S103、通过当前苹果的生长周期和环境参数，对苹果树进行灌溉、授粉和辅助光和作用。2.根据权利要求1所述的一种基于苹果病害预测的智能调控方法，其特征在于，所述S101中所述的机器学习算法包括以下步骤：S201、数据的采集与处理：获取生长环境的参数数据并结合病虫害的发生情况数据进行相关性分析，增强数据与病害间的特征表现；S202、BP神经网络模型的训练：初始化连接权值和阈值，确定BP神经网络输入节点数、隐含层节点数、输出节点数和激活函数，通过网络的训练不断调整隐含层和输出层的权值；所述BP神经网络模型包括正向传播和反向传播，在正向传播过程中，信号通过输入层接收进入网络后，经过隐含层的激活函数的处理，交给输出层，最后由输出层输出处理过的信号，当输出的信号与期望输出的信号误差大于限定值，则转向误差反向传播的过程，输出端将误差分摊给隐含层，隐含层处理后，传给输入层，BP算法用于调整权值使网络总误差最小，若训练调整权值的过程到预先设定的训练次数或者误差已经到很小的范围内，则停止训练；S203、输出结果：通过训练好的模型，实时对苹果周围环境特征参数提取，通过数据的输入、模型的预测，得到输出的结果，从而对苹果的病害发生做出预测。3.根据权利要求2所述的一种基于苹果病害预测的智能调控方法，其特征在于，S202中所述的BP神经网络模型的训练具体包括以下步骤：S301、设BP神经网络输入节点数为M，隐含层节点数为Q，输出节点数为L，隐含层激活函数采用Sigmoid型函数，输出与期望输出的误差E，定义公式为其中T
k
表示输出层节点k对应的期望输出，Y
k
表示输出层节点k的输出；S302、对整个网络的权值和阈值初始化；S303、输入训练样本，计算出隐含层第j个神经元和输出层第k个神经元的输出值：S303、输入训练样本，计算出隐含层第j个神经元和输出层第k个神经元的输出值：
其中W
ij
为节点i到节点j之间连接权值的权值，W
ik
为节点j到节点k之间连接权值的权值，θ
i
为中间层节点j的阈值，θ
k
为输出层节点k的阈值；S304、计算网络输出的误差；首先计算输出层节点到隐含层节点之间的误差δ
k
δ
k
＝Y
k
(1
‑
Y
k
)(T
k
‑
Y
k
)其中T

【专利技术属性】
技术研发人员：曹姗姗，刘继芳，孙伟，孔繁涛，吴建寨，蔡潮勇，韩书庆，朱孟帅，
申请(专利权)人：中国农业科学院农业信息研究所，
类型：发明
国别省市：