智能节水灌溉系统及其操作方法技术方案

本申请涉及节水灌溉的领域，其具体地公开了一种智能节水灌溉系统及其操作方法，其采用基于深度学习的第一卷积神经网络和第二卷积神经网络来分别提取出所述各个农田之间的温度和湿度的关联特征，并且所述第一卷积神经网络和所述第二卷积神经网络的相邻卷积层使用互为转置的卷积核，以在训练时能够同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进一步地基于高斯密度图以实现对所述温度特征和所述湿度特征的有效融合，以使得分类的结果更为准确。通过这样的方式，可以利用所述各个农田之间的温度和湿度的隐含关联来确定是否对某一农田进行灌溉，从而使得灌溉的效果更好。溉的效果更好。溉的效果更好。

【技术实现步骤摘要】
智能节水灌溉系统及其操作方法


[0001]本专利技术涉及节水灌溉的领域，且更为具体地，涉及一种智能节水灌溉系统及其操作方法。

技术介绍

[0002]节水灌溉(water－saving irrigation)是以最低限度的用水量获得最大的产量或收益，也就是最大限度地提高单位灌溉水量的农作物产量和产值的灌溉措施。节水灌溉的基本要求，就是要采取最有效的技术措施，使有限的灌溉水量创造最佳的生产效益和经济效益。
[0003]目前，大力普及节水灌溉技术，要十分重视农业节水措施的推广。这可采用水稻旱育稀植、抛秧、地膜覆盖、秸秆还田、深耕松土、中耕除草、镇压、耙耪、增施有机肥等措施，以提高土壤对天然降水的蓄集能力和保墒能力。施用化学保水制剂，引进和优选抗旱品种和调整作物种植结构等，也是行之有效的节水措施。并且，在此基础上，利用智能控制技术可以对土壤进行更好的灌溉处理。
[0004]但是，土壤是一个惯性、非线性系统，且作物全生育期包含多环境因子，很难建立精确统一的数学模型，因此，期望一种智能节水灌溉系统，以将所述智能控制技术引入对土壤湿度信息的分析与处理中，可提高灌溉决策的准确性。

技术实现思路

[0005]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智能节水灌溉系统及其操作方法，其采用基于深度学习的第一卷积神经网络和第二卷积神经网络来分别提取出所述各个农田之间的温度和湿度的关联特征，并且所述第一卷积神经网络和所述第二卷积神经网络的相邻卷积层使用互为转置的卷积核，以在训练时能够同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进一步地基于高斯密度图以实现对所述温度特征和所述湿度特征的有效融合，以使得分类的结果更为准确。通过这样的方式，可以利用所述各个农田之间的温度和湿度的隐含关联来确定是否对某一农田进行灌溉，从而使得灌溉的效果更好。
[0006]根据本申请的一个方面，提供了一种智能节水灌溉系统，其包括：
[0007]传感器数据获取单元，用于通过温度传感器和湿度传感器获取待灌溉的农田阵列中各块农田的温度值和湿度值；
[0008]矩阵构造单元，用于将所述各块农田的温度值和湿度值按照所述农田阵列的排布方式构造为温度矩阵和湿度矩阵；
[0009]第一神经网络单元，用于将所述温度矩阵通过第一卷积神经网络以获得温度特征图，其中，所述第一卷积神经网络中相邻两层的卷积层使用互为转置的卷积核以使得所述温度特征图聚焦于所述温度矩阵中局部数据结构的特征；
[0010]第二神经网络单元，用于将所述湿度矩阵通过第二卷积神经网络以获得湿度特征
图，其中，所述第二卷积神经网络中相邻两层的卷积层使用互为转置的卷积核以使得所述湿度特征图聚焦于所述湿度矩阵中局部数据结构的特征；
[0011]高斯特征融合单元，用于对所述温度特征图和所述湿度特征图进行基于高斯密度图的特征融合以获得融合特征图，其中，所述基于高斯密度图的特征融合以所述温度特征图和所述湿度特征图中每个位置的特征值间的均值作为高斯分布的均值，且以所述温度特征图和所述湿度特征图中每个位置的特征值间的方差作为高斯分布的方差，所述融合特征图的每个位置对应于一个高斯分布；
[0012]高斯离散化单元，用于对所述融合特征图的每个位置的高斯分布进行高斯离散化以获得高斯向量，以获得维度为(W，H，C和L)的分类特征图，其中，L是所述高斯向量的长度维度；以及
[0013]灌溉结果生成单元，用于将所述分类特征图通过分类器以获得用于表示是否需要进行灌溉的分类结果。
[0014]在上述智能节水灌溉系统中，所述第一神经网络单元，进一步用于：使用所述第一卷积神经网络以如下公式对所述温度矩阵进行处理以获得所述温度特征图；其中，所述公式为：
[0015]f
i
＝active(N
i
×
f
i
‑1+B
i
)
[0016][0017]其中，f
i
‑1为第i层第一卷积神经网络的输入，f
i
为第i层第一卷积神经网络的输出，f
i+1
为第i+1层第一卷积神经网络的输出，N
i
为第i层第一卷积神经网络的卷积核，为第i+1层第一卷积神经网络的卷积核，其中第i+1层第一卷积神经网络的卷积核等于第i层第一卷积神经网络的卷积核的转置，B
i
为第i层神经网络的偏置矩阵，B
i+1
为第i+1层神经网络的偏置矩阵,且active表示非线性激活函数。
[0018]在上述智能节水灌溉系统中，所述第二神经网络单元，进一步用于：使用所述第二卷积神经网络以如下公式对所述湿度矩阵进行处理以获得所述湿度特征图；其中，所述公式为：
[0019]f
i
＝active(N
i
×
f
i
‑1+B
i
)
[0020][0021]其中，f
i
‑1为第i层第二卷积神经网络的输入，f
i
为第i层第二卷积神经网络的输出，f
i+1
为第i+1层第二卷积神经网络的输出，N
i
为第i层第二卷积神经网络的卷积核，为第i+1层第二卷积神经网络的卷积核，其中第i+1层第二卷积神经网络的卷积核等于第i层第二卷积神经网络的卷积核的转置，B
i+1
为第i+1层神经网络的偏置矩阵,且active表示非线性激活函数。
[0022]在上述智能节水灌溉系统中，所述第一卷积神经网络的最后一层的激活函数为Sigmoid激活函数以使得所述温度特征图中各个位置的特征值在0到1的区间内，所述第二卷积神经网络的最后一层的激活函数为Sigmoid激活函数以使得所述湿度特征图中各个位置的特征值在0到1的区间内。
[0023]在上述智能节水灌溉系统中，所述高斯特征融合单元，包括：概率转化子单元，用
于将所述温度特征图和所述湿度特征图转化到0到1的区间内；以及，高斯融合子单元，用于对所述温度特征图和所述湿度特征图进行基于高斯密度图的特征融合以获得所述融合特征图；其中，所述融合特征图用公式表示为：
[0024][0025]其中，表示以所述温度特征图和所述湿度特征图中每个位置的特征值间的均值作为高斯分布的均值，表示以所述温度特征图和所述湿度特征图中每个位置的特征值间的方差作为高斯分布的方差。
[0026]在上述智能节水灌溉系统中，所述灌溉结果生成单元，包括：全连接编码子单元，用于使用所述分类器的多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；软最大值子单元，用于将所述分类特征向量输入Softmax分类函数以获得所述分类特征向量归属于需要进行灌溉的第一概率和不需要进行灌溉的第二概率；以及，结果确定子单元，用于基于所述第一概率和所述第二概率之间的比较，生成所述分类结果。
[0027]根据本申请的另一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能节水灌溉系统，其特征在于，包括：传感器数据获取单元，用于通过温度传感器和湿度传感器获取待灌溉的农田阵列中各块农田的温度值和湿度值；矩阵构造单元，用于将所述各块农田的温度值和湿度值按照所述农田阵列的排布方式构造为温度矩阵和湿度矩阵；第一神经网络单元，用于将所述温度矩阵通过第一卷积神经网络以获得温度特征图，其中，所述第一卷积神经网络中相邻两层的卷积层使用互为转置的卷积核以使得所述温度特征图聚焦于所述温度矩阵中局部数据结构的特征；第二神经网络单元，用于将所述湿度矩阵通过第二卷积神经网络以获得湿度特征图，其中，所述第二卷积神经网络中相邻两层的卷积层使用互为转置的卷积核以使得所述湿度特征图聚焦于所述湿度矩阵中局部数据结构的特征；高斯特征融合单元，用于对所述温度特征图和所述湿度特征图进行基于高斯密度图的特征融合以获得融合特征图，其中，所述基于高斯密度图的特征融合以所述温度特征图和所述湿度特征图中每个位置的特征值间的均值作为高斯分布的均值，且以所述温度特征图和所述湿度特征图中每个位置的特征值间的方差作为高斯分布的方差，所述融合特征图的每个位置对应于一个高斯分布；高斯离散化单元，用于对所述融合特征图的每个位置的高斯分布进行高斯离散化以获得高斯向量，以获得维度为(W，H，C和L)的分类特征图，其中，L是所述高斯向量的长度维度；以及灌溉结果生成单元，用于将所述分类特征图通过分类器以获得用于表示是否需要进行灌溉的分类结果。2.根据权利要求1所述的智能节水灌溉系统，其中，所述第一神经网络单元，进一步用于：使用所述第一卷积神经网络以如下公式对所述温度矩阵进行处理以获得所述温度特征图；其中，所述公式为：f
i
＝active(N
i
×
f
i
‑1+B
i
)其中，f
i
‑1为第i层第一卷积神经网络的输入，fi为第i层第一卷积神经网络的输出，f
i+1
为第i+1层第一卷积神经网络的输出，N
i
为第i层第一卷积神经网络的卷积核，为第i+1层第一卷积神经网络的卷积核，其中第i+1层第一卷积神经网络的卷积核等于第i层第一卷积神经网络的卷积核的转置，B
i
为第i层神经网络的偏置矩阵，B
i+1
为第i+1层神经网络的偏置矩阵，且active表示非线性激活函数。3.根据权利要求2所述的智能节水灌溉系统，其中，所述第二神经网络单元，进一步用于：使用所述第二卷积神经网络以如下公式对所述湿度矩阵进行处理以获得所述湿度特征图；其中，所述公式为：f
i
＝active(N
i
×
f
i
‑1+B
i
)
其中，f
i
‑1为第i层第二卷积神经网络的输入，f
i
为第i层第二卷积神经网络的输出，f
i+1
为第i+1层第二卷积神经网络的输出，N
i
为第i层第二卷积神经网络的卷积核，为第i+1层第二卷积神经网络的卷积核，其中第i+1层第二卷积神经网络的卷积核等于第i层第二卷积神经网络的卷积核的转置，B
i+1
为第i+1层神经网络的偏置矩阵，且active表示非线性激活函数。4.根据权利要求3所述的智能节水灌溉系统，其中，所述第一卷积神经网络的最后一层的激活函数为Sigmoid激活函数以使得所述温度特征图中各个位置的特征值在0到1的区间内，所述第二卷积神经网络的最后一层的激活函数为Sigmoid激活函数以使得所述湿度特征图中各个位置的特征值在0到1的区间内。5.根据权利要求3所述的智能节水灌溉系统，其中，所述高斯特征融合单元，包括：概率转化子单元，用于将所述温度特征图和所述湿度特征图转化到0到1的区间内；以及高斯融合子单元，用于对所述温度特征图和所述湿度特征图进行基于高斯密度图的特征融合以获得所述融合特征图；其中，所述融合特征图用公式表示为...

【专利技术属性】
技术研发人员：杨志鹏，
申请(专利权)人：上海继睿机械工程有限公司，
类型：发明
国别省市：