智能节水灌溉系统及其操作方法与流程

1.本发明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。


背景技术：

2.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。
3.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。
4.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。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术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。
6.根据本技术的一个方面，提供了一种智能节水灌溉系统，其包括：
7.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；
8.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；
9.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；
10.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；
11.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；
12.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
13.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。
14.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：
15.fi＝active(ni×fi-1
+bi)
[0016][0017]
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，ni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，bi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]fi
＝active(ni×fi-1
+bi)
[0020][0021]
其中，f
i-1
为第i层第二卷积神经网络的输入，fi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，ni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]
根据本技术的另一方面，一种智能节水灌溉系统的操作方法，其包括：
[0028]
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；
[0029]
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；
[0030]
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；
[0031]
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；
[0032]
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；
[0033]
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
[0034]
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。
[0035]
在上述智能节水灌溉系统的操作方法中，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，包括：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；
[0036]
其中，所述公式为：
[0037]fi
＝active(ni×fi-1
+bi)
[0038][0039]
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，ni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，bi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。
[0040]
在上述智能节水灌溉系统的操作方法中，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，包括：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；
[0041]
其中，所述公式为：
[0042]fi
＝active(ni×fi-1
+bi)
[0043][0044]
其中，f
i-1
为第i层第二卷积神经网络的输入，fi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，ni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。
[0045]
在上述智能节水灌溉系统的操作方法中，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。
[0046]
在上述智能节水灌溉系统的操作方法中，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，包括：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，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：
[0047][0048]
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。
[0049]
在上述智能节水灌溉系统的操作方法中，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，包括：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；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，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。
[0050]
与现有技术相比，本技术提供的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。
附图说明
[0051]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0052]
图1a为根据本技术实施例的智能节水灌溉系统的卷积神经网络的卷积层分布示意图。
[0053]
图1b为根据本技术实施例的智能节水灌溉系统的应用场景图。
[0054]
图2为根据本技术实施例的智能节水灌溉系统的框图。
[0055]
图3为根据本技术实施例的智能节水灌溉系统中灌溉结果生成单元的框图。
[0056]
图4为根据本技术实施例的智能节水灌溉系统的操作方法的流程图。
[0057]
图5为根据本技术实施例的智能节水灌溉系统的操作方法的架构示意图。
具体实施方式
[0058]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0059]
场景概述
[0060]
如前所述，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。
[0061]
相应地，在本技术的技术方案中，由于农田以阵列的方式进行排布，因此可基于农田的阵列排布方式构造矩阵并将温度值和湿度值填充入矩阵中以获得温度矩阵和湿度矩阵。应可以理解，各个农田之间的温度和湿度存在一定的关联，可利用隐含的关联来确定是否对某一农田进行灌溉。
[0062]
接着，将温度矩阵输入第一卷积神经网络得到温度特征图，湿度矩阵输入第二卷积神经网络得到湿度特征图。考虑到土壤的温度数据和湿度数据会在矩阵中存在局部数据结构，例如分块的预定值分布，因此，第一卷积神经网络和第二卷积神经网络的相邻卷积层使用互为转置的卷积核，从而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，如图1a所示。
[0063]
进一步地，温度特征图和湿度特征图在转换到[0,1]区间之后，进行基于高斯密度图的融合，即：
[0064][0065]
也就是，计算温度特征图和湿度特征图的每个位置的特征值间的均值作为高斯分布的均值，且特征值间的方差作为高斯分布的方差，从而融合特征图的每个位置对应于一个高斯分布。
[0066]
然后，对于每个位置的高斯分布进行高斯离散化以得到高斯向量，从而获得四维(w，h，c和l)的分类特征图，其中l是高斯向量的长度维度，这一方面考虑高斯密度广泛地用作基于卷积神经网络的方法的学习目标而实现了温度特征和湿度特征的有效融合，另一方面也实现了特征图的低廉变换增广，从而基于自监督的原理进一步实现了数据内部的隐藏数据结构的挖掘。
[0067]
最后将分类特征图输入分类器，以得到是否需要进行灌溉的分类结果。
[0068]
基于此，本技术提出了一种智能节水灌溉系统，其包括：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。
[0069]
图1b图示了根据本技术实施例的智能节水灌溉系统的应用场景图。如图1b所示，在该应用场景中，首先，通过温度传感器(例如，如图1b中所示意的t)和湿度传感器(例如，如图1b中所示意的h)获取待灌溉的农田阵列(例如，如图1b中所示意的f)中各块农田(例如，如图1b中所示意的b1-bn)的温度值和湿度值。然后，将获得的所述温度值和所述湿度值输入至部署有智能节水灌溉算法的服务器中(例如，如图1b中所示意的服务器s)，其中，所述服务器能够以智能节水灌溉算法对所述温度值和所述湿度值进行处理，以生成用于表示是否需要进行灌溉的分类结果。进而，基于所述分类结果对所述待灌溉的农田进行灌溉，以使得灌溉的效果更好。
[0070]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0071]
示例性系统
[0072]
图2图示了根据本技术实施例的智能节水灌溉系统的框图。如图2所示，根据本申
请实施例的智能节水灌溉系统200，包括：传感器数据获取单元210，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220，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230，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240，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250，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260，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270，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。
[0073]
具体地，在本技术实施例中，所述传感器数据获取单元210和所述矩阵构造单元220，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，并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。如前所述，在本技术的技术方案中，各个农田之间的温度和湿度存在一定的关联性，因此可利用隐含的关联来确定是否对某一农田进行灌溉，并且考虑到所述农田是以阵列的方式进行排布的。因此，在本技术的技术方案中，可基于所述农田的阵列排布方式构造矩阵并将测得的所述温度值和所述湿度值填充入所述矩阵中以获得温度矩阵和湿度矩阵。也就是，在一个具体示例中，首先，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；然后，将得到的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。
[0074]
具体地，在本技术实施例中，所述第一神经网络单元230和所述第二神经网络单元240，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，并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。也就是，在本技术的技术方案中，在获得所述温度矩阵和所述湿度矩阵后，将所述温度矩阵和所述湿度矩阵分别通过第一卷积神经网络和第二卷积神经网络中进行处理，以分别提取出所述各个农田之间温度的隐含关联特征以及所述各个农田之间湿度的隐含关联特征，从而得到所述温度特征图和所述湿度特征图。应可以理解，考虑到所述土壤的温度数据和湿度数据会在所述矩阵中存在局部数据结构，例如分块的预定值分布，因此，在本技术的技术方案中，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，从而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，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，且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。
[0075]
更具体地，在本技术实施例中，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：
[0076]fi
＝active(ni×fi-1
+bi)
[0077][0078]
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，ni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，bi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。
[0079]
更具体地，在本技术实施例中，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：
[0080]fi
＝active(ni×fi-1
+bi)
[0081][0082]
其中，f
i-1
为第i层第二卷积神经网络的输入，fi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，ni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。
[0083]
特别地，在一个具体示例中，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，以便于后续大于所述温特征图和所述湿度特征图进行高斯特征融合。
[0084]
具体地，在本技术实施例中，所述高斯特征融合单元250，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。应可以理解，考虑到高斯密度广泛地用作基于所述卷积神经网络的方法的学习目标而实现了所述温度特征和所述湿度特征的有效融合。因此，在本技术的技术方案中，在将所述温度特征图和所述湿度特征图转换到0到1的区间后，计算归一化后的所述温度特征图和所述湿度特征图的每个位置的特征值间的均值作为高斯分布的均值，且所述特征值间的方差作为高斯分布的方差，以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，从而得到融
合特征图，这里，所述融合特征图的每个位置对应于一个高斯分布。
[0085]
更具体的，在本技术实施例中，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，应可以理解，通过这样的处理，可以使得概率化的所述温度特征图和所述湿度特征图便于度量和后续的高斯融合计算。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：
[0086][0087]
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。
[0088]
具体地，在本技术实施例中，所述高斯离散化单元260，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。应可以理解，一方面考虑到高斯密度广泛地用作基于所述卷积神经网络的方法的学习目标而实现了所述温度特征和所述湿度特征的有效融合，另一方面也实现了所述特征图的低廉变换增广，从而基于自监督的原理进一步实现了数据内部的隐藏数据结构的挖掘。因此，在本技术的技术方案中，对于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，从而获得维度为(w，h，c和l)的四维分类特征图，这里，l是所述高斯向量的长度维度。
[0089]
具体地，在本技术实施例中，所述灌溉结果生成单元270，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。也就是，在一个具体示例中，所述灌溉结果生成单元，包括：首先，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。然后，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。最后，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。具体地，当所述第一概率大于所述第二概率时，所述分类结果为需要进行灌溉；当所述第一概率小于所述第二概率时，所述分类结果为不需要进行灌溉。
[0090]
图3图示了根据本技术实施例的智能节水灌溉系统中灌溉结果生成单元的框图。如图3所示，所述灌溉结果生成单元270，包括：全连接编码子单元271，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272，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273，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。
[0091]
综上，基于本技术实施例的所述智能节水灌溉系统200被阐明，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。
[0092]
如上所述，根据本技术实施例的智能节水灌溉系统200可以实现在各种终端设备中，例如智能节水灌溉算法的服务器等。在一个示例中，根据本技术实施例的智能节水灌溉系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该智能节水灌溉系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该智能节水灌溉系统200同样可以是该终端设备的众多硬件模块之一。
[0093]
替换地，在另一示例中，该智能节水灌溉系统200与该终端设备也可以是分立的设备，并且该智能节水灌溉系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0094]
示例性方法
[0095]
图4图示了智能节水灌溉系统的操作方法的流程图。如图4所示，根据本技术实施例的智能节水灌溉系统的操作方法，包括步骤：s110，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；s120，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；s130，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；s140，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；s150，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；s160，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，s170，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。
[0096]
图5图示了根据本技术实施例的智能节水灌溉系统的操作方法的架构示意图。如图5所示，在所述智能节水灌溉系统的操作方法的网络架构中，首先，将获得的所述各块农田的温度值(例如，如图5中所示意的p1)和湿度值(例如，如图5中所示意的p2)按照所述农田阵列的排布方式构造为温度矩阵(例如，如图5中所示意的m1)和湿度矩阵(例如，如图5中所示意的m2)；接着，将所述温度矩阵通过第一卷积神经网络(例如，如图5中所示意的cnn1)以获得温度特征图(例如，如图5中所示意的f1)；然后，将所述湿度矩阵通过第二卷积神经网络(例如，如图5中所示意的cnn2)以获得湿度特征图(例如，如图5中所示意的f2)；接着，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(例如，如图5中所示意的f3)；然后，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(例如，如图5中所示意的v)，以获得维度为(w，h，c和l)的分类特征图(例如，如图5中所示意的f)，其中，l是所述高斯向量的长度维度；以及，最后，将所述分类特
征图通过分类器(例如，如图5中所示意的分类器)以获得用于表示是否需要进行灌溉的分类结果。
[0097]
更具体地，在步骤s110和s120中，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，并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。应可以理解，在本技术的技术方案中，各个农田之间的温度和湿度存在一定的关联性，因此可利用隐含的关联来确定是否对某一农田进行灌溉，并且考虑到所述农田是以阵列的方式进行排布的。因此，在本技术的技术方案中，可基于所述农田的阵列排布方式构造矩阵并将测得的所述温度值和所述湿度值填充入所述矩阵中以获得温度矩阵和湿度矩阵。也就是，在一个具体示例中，首先，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；然后，将得到的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。
[0098]
更具体地，在步骤s130和s140中，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，并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。也就是，在本技术的技术方案中，在获得所述温度矩阵和所述湿度矩阵后，将所述温度矩阵和所述湿度矩阵分别通过第一卷积神经网络和第二卷积神经网络中进行处理，以分别提取出所述各个农田之间温度的隐含关联特征以及所述各个农田之间湿度的隐含关联特征，从而得到所述温度特征图和所述湿度特征图。
[0099]
应可以理解，考虑到所述土壤的温度数据和湿度数据会在所述矩阵中存在局部数据结构，例如分块的预定值分布，因此，在本技术的技术方案中，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，从而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，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，且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。
[0100]
更具体地，在步骤s150和步骤s160中，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，并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。应可以理解，一方面考虑到高斯密度广泛地用作基于所述卷积神经网络的方法的学习目标而实现了所述温度特征和所述湿度特征的有效融合，另一方面也实现了所述特征图的低廉变换增广，从而基于自监督的原理进一步实现了数据内部的隐藏数据结构的挖掘。因此，在本技术的技术方案中，在将所述温度特征图和所述湿度特征图转换到0到1的区间后，首先，计算归一化后的所述温度特征图和所述湿度特征图的每个位置的特征值间的均值作为高斯分布的均值，且所述特征值间的方差作为高斯分布的方差，以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，从而得到融合特
征图，这里，所述融合特征图的每个位置对应于一个高斯分布。然后，对于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，从而获得维度为(w，h，c和l)的四维分类特征图，这里，l是所述高斯向量的长度维度。
[0101]
具体地，在本技术实施例中，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的过程，包括：首先，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，应可以理解，通过这样的处理，可以使得概率化的所述温度特征图和所述湿度特征图便于度量和后续的高斯融合计算。然后，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：
[0102][0103]
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。
[0104]
更具体地，在步骤s170中，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。也就是，在一个具体示例中，首先，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。然后，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。最后，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。具体地，当所述第一概率大于所述第二概率时，所述分类结果为需要进行灌溉；当所述第一概率小于所述第二概率时，所述分类结果为不需要进行灌溉。
[0105]
综上，基于本技术实施例的所述智能节水灌溉系统的操作方法被阐明，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。
[0106]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0107]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0108]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0109]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0110]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。