一种玉米按需施肥控制系统和土壤氮含量软测量方法技术方案

一种玉米按需施肥控制系统和土壤氮含量软测量方法属智能农业技术领域，本发明专利技术中施肥流量传感器

【技术实现步骤摘要】
一种玉米按需施肥控制系统和土壤氮含量软测量方法


[0001]本专利技术属于智能农业装备
，具体涉及一种基于土壤氮含量软测量的玉米按需施肥控制系统
。

技术介绍

[0002]玉米在我国农业发展中发挥着重要作
。
玉米是高光效
C4
植株，在生长过程中需肥种类较多，其中最重要的营养元素是氮，只有当氮充足时，玉米植株才能进行正常的生命活动
。
同时，玉米是一种高产耐肥作物，施肥的增产效果远优于其它作物，氮肥的施加是玉米生长的重要影响因素之一，也是实施玉米种植精准施肥管理的基础
。
但是目前玉米氮肥精准施肥技术中存在施肥精度低
、
缺乏土壤信息反馈
、
成本高昂等问题
。
由此，急需设计一种成本低廉的高精度玉米按需施肥装置
。
[0003]软测量技术是使用一些容易测量的变量，对难以测量或者暂时不能测量的变量进行测量的一种技术手段，在农业装备领域中，常常利用软测量技术测量未知传感器数据以达到节约高额传感器费用
、
测量难以测量变量等目的
。
例如，有的研究人员提出了一种基于改进神经网络的水质软测量方法来测定养殖水质的亚硝态氮含量
[
刘康，张楚，彭甜，等
.
一种亚硝态氮浓度软测量预测方法
[P].
江苏省：
CN115952728A
，
2023
‑
04
‑
11.]。
一种亚硝态氮浓度软测量预测方法通过建立亚硝态氮浓度与其他较易直接测量的水质指标的数学模型，然后将采集到的相关水质指标输入到所建立的改进神经网络中，计算出模型输出值，从而间接软测量出养殖水质的亚硝态氮的值
。
[0004]采用
BP
神经网络的方法已成为了参数软测量的重要方式，针对
BP
神经网络的缺陷，也有研究人员采用
PSO
算法优化
BP
神经网络，但
PSO
算法虽然具有收敛速度快的优点，但是同时也存在容易过早收敛
、
容易陷入局部最优等缺点，难以满足实际应用实际需求
。
因此，亟需设计一种改进型优化算法优化
BP
神经网络，实现高精度软测量，据此实现玉米的反馈型中耕按需施药
。

技术实现思路

[0005]针对现有技术中存在不足，本专利技术提供了一种基于土壤氮含量软测量的玉米按需施肥控制系统，采用
OAV
‑
IIW
‑
WGWO
‑
SCQPSO
算法优化
BP
神经网络结构搭建土壤氮含量软测量模型，实现了土壤氮含量的实时测量，进而精准控制玉米施肥量
。
[0006]本专利技术的一种玉米按需施肥的控制系统，由控制单元 1、
电磁阀组
2、
施肥流量传感器组
3、
土壤
PH
传感器
4、
土壤湿度传感器5和无线数据传输单元6组成，其中电磁阀组2由
12
‑
24
个电磁阀组成，施肥流量传感器组3由
12
‑
24
个施肥流量传感器组成；控制单元1固接于施肥机机架
a
的上端；电磁阀组2的每个电磁阀固接于喷头
b
与施肥管
c
的输出孔之间；施肥流量传感器组3的每个施肥流量传感器固接于施肥管
c
上，且位于施肥管
c
的每个输出孔的右边；喷头
b
位于玉米苗
d
的正上方；土壤
PH
传感器4和土壤湿度传感器5与无线数据传输单元6连接，并置于土壤
e
中；电磁阀组2的
12
‑
24
个电磁阀和无线数据传输单元6由控制单元
1
控制
。
[0007]本专利技术的基于玉米按需施肥的控制系统的土壤氮含量软测量方法，包括下列步骤：
1)
对玉米不同施肥量的土壤进行采样，获取其施肥量数据，测量土壤
PH
值
、
土壤湿度
、
全氮含量
、
速效氮
、
水解氮，其中施肥量
、
土壤
PH
值
、
土壤湿度为模型的输入，全氮含量
、
速效氮
、
水解氮为模型的输出，构建土壤氮含量软测量模型训练数据集；
2)
对步骤
1)
获得的数据进行归一化处理，其处理方式如下：；其中：
y
表示归一化处理后的参数数据；
y
max
表示归一化预期范围最大值；
y
min
表示归一化预期范围最小值；
x
max
表示每一行参数数据中的最大值；
x
min
表示每一行参数数据中的最小值；
V
表示实际参数值；
3)
建立基于
OAV
‑
IIW
‑
WGWO
‑
SCQPSO
优化
BP
神经网络的土壤氮含量软测量模型，进行土壤氮含量软测量：
3.1
建立3层
BP
神经网络拓扑结构，3层为输入层
、
隐含层和输出层，输入层的节点数目为3，隐含层的节点数目为
H
，输出层的节点数目为3，向输入层中输入训练数据集样本中的施肥量
、
土壤
PH
值
、
土壤湿度数据，最终对应有相应的期望输出和实际输出；初始化
BP
神经网络的各层节点数
、
权值
、
阈值；
3.2
利用
OAV
‑
IIW
‑
WGWO
‑
SCQPSO
算法对
BP
神经网络进行优化，包括下列步骤：
3.2.1
确定
OAV
‑
IIW
‑
WGWO
‑
SCQPSO
算法中的粒子维度
P
d
，其计算方式为：；其中：
in
为
BP
神经网络输入层神经元数目；
out
为
BP
神经网络输出层神经元数目；
3.2.2
确定粒子适应度函数，计算每个粒子的适应度，粒子适应度函数计算方式为：其中：
Y
j
示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种玉米按需施肥的控制系统，其特征在于，由控制单元
(1)、
电磁阀组
(2)、
施肥流量传感器组
(3)、
土壤
PH
传感器
(4)、
土壤湿度传感器
(5)
和无线数据传输单元
(6)
组成，其中电磁阀组
(2)
由
12
‑
24
个电磁阀组成，施肥流量传感器组
(3)
由
12
‑
24
个施肥流量传感器组成；控制单元
(1)
固接于施肥机机架
(a)
的上端；电磁阀组
(2)
的每个电磁阀固接于喷头
(b)
与施肥管
(c)
的输出孔之间；施肥流量传感器组
(3)
的每个施肥流量传感器固接于施肥管
(c)
上， 且位于施肥管
(c)
的每个输出孔的右边；喷头
(b)
位于玉米苗
(d)
的正上方；土壤
PH
传感器
(4)
和土壤湿度传感器
(5)
与无线数据传输单元
(6)
连接，并置于土壤
(e)
中； 电磁阀组
(2)
的
12
‑
24
个电磁阀和无线数据传输单元
(6)
由控制单元
(1)
控制
。2.
基于权利要求1所述玉米按需施肥的控制系统的土壤氮含量软测量方法，其特征在于，包括下列步骤：
1) 对玉米不同施肥量的土壤进行采样，获取其施肥量数据，测量土壤
PH
值
、
土壤湿度
、
全氮含量
、
速效氮
、
水解氮，其中施肥量
、
土壤
PH
值
、
土壤湿度为模型的输入，全氮含量
、
速效氮
、
水解氮为模型的输出，构建土壤氮含量软测量模型训练数据集；
2)
对步骤
1)
获得的数据进行归一化处理，其处理方式如下：其中：
y
表示归一化处理后的参数数据；
y
max
表示归一化预期范围最大值；
y
min
表示归一化预期范围最小值；
x
max
表示每一行参数数据中的最大值；
x
min
表示每一行参数数据中的最小值；
V
表示实际参数值；
3)
建立基于
OAV
‑
IIW
‑
WGWO
‑
SCQPSO
优化
BP
神经网络的土壤氮含量软测量模型，进行土壤氮含量软测量：
3.1
建立3层
BP
神经网络拓扑结构，3层为输入层
、
隐含层和输出层，输入层的节点数目为3，隐含层的节点数目为
H
，输出层的节点数目为3，向输入层中输入训练数据集样本中的施肥量
、
土壤
PH
值
、
土壤湿度数据，最终对应有相应的期望输出和实际输出；初始化
BP
神经网络的各层节点数
、
权值
、
阈值；
3.2
利用
OAV
‑
IIW
‑
WGWO
‑
SCQPSO
算法对
BP
神经网络进行优化，包括下列步骤：
3.2.1
确定
OAV
‑
IIW
‑
WGWO
‑
SCQPSO
算法中的粒子维度
P
d
，其计算方式为：；其中：
in
为
BP
神经网络输入层神经元数目；
out
为
BP
神经网络输出层神经元数目；
3.2.2
确定粒子适应度函数，计算每个粒子的适应度，粒子适应度函数计算方式为：；其中：
Y
j
示第
j
个粒子期望输出；
y
j
示第
j
个粒子实际输出；
3.2.3
根据适应度大小划分
OAV
‑
IIW
‑
WGWO
‑
SCQPSO
算法
α
、
β
、
δ
个体；
3.2.4
根据
WGWO
算法，在
α
、
β
、
δ
个体引导作用下更新粒子位置，粒子位置更新的方式如下：
(1)
接近最优解每个粒子以下列方式接近最优解：；其中，
D
为粒子与最优解间的...

【专利技术属性】
技术研发人员：齐江涛，周俊博，张伟荣，高芳芳，包志远，丁晨琛，王杨，吕明阳，
申请(专利权)人：吉林大学，
类型：发明
国别省市：