一种设施蔬菜精准浇水的方法、装置和电子设备

1.本公开属于农业栽培技术领域，具体涉及一种设施蔬菜精准浇水的方法、装置和电子设备。


背景技术：

2.我国是农业大国，随着科技的进步和农业的发展，在农业产业方面，设施蔬菜不仅满足了人民对蔬菜的需求，也成为广大菜农的主要经济收入来源，因此，保证设施蔬菜高产的重要性不言而喻。但是，我国也是水资源严重缺乏的国家，农业用水消耗了大半的全国总用水量，而农业水资源的利用率总体很低，是农业水资源浪费的主要问题。同时，因设施蔬菜缺水检测不及时，不准确，浇水方式不合理，导致设施蔬菜不能合理补充水分而降低产量，以及水资源不能合理利用产生浪费。因此，如何选择合理的缺水检测方法，以及浇水方法对于节约水资源，增加设施蔬菜的产量起着至关重要的作用。
3.就现有研究来看，对于设施蔬菜的缺水检测，大多是基于肉眼或者基于机器视觉对正在经历缺水胁迫的植物进行观测，这种观测主要是基于植物外部的观测，即根据设施蔬菜因缺水而产生茎、叶的颜色等变化，当植物遭受不同程度的缺水胁迫后才能够被观测到。因此，这种外部观测实际上有所迟钝，已经对设施蔬菜的生长和发育产生了不同程度的影响。对于设施蔬菜的浇水方式，大多是依照菜农经验判断浇水量的多少，缺少科学的浇水判断以及浇水方法，浇水量过多或过少以及浇水方式不合理，不仅会使水资源的利用率低，还会降低设施蔬菜的产量。


技术实现要素：

4.本公开的目的是提供一种精准定量浇水的方法、装置、存储介质和电子设备，用于解决现有的浇水技术的浇水方式不合理，导致设施蔬菜不能合理补充水分而降低产量，以及水资源不能合理利用产生浪费的问题。
5.为了实现上述目的，本公开的第一方面，提供一种精准定量浇水的方法，所述方法包括：
6.获取设施蔬菜当前时刻发出的超声波频率数据，基于设施蔬菜在不同含水量时期发出的超声波频率数据的不同，判断当前时刻的设施蔬菜是否满足浇水条件；
7.若满足浇水条件，则获取设施蔬菜当前时刻的客观自身参数和土壤可变参数；
8.基于所述设施蔬菜当前时刻的客观自身参数和土壤可变参数，使用预先训练好的rbf神经网络算法预测需水量，根据所述预测的需水量对设施蔬菜进行浇水。
9.可选地，所述设施蔬菜当前时刻的客观自身参数包括：设施蔬菜种类、土壤类型中的至少一种；所述土壤可变参数包括：土壤含水量、土壤温度中的至少一种。
10.可选地，所述判断当前时刻的设施蔬菜是否满足浇水条件通过以下方式实现：
11.根据所述设施蔬菜当前时刻的声波频率数据与预先采集的设施蔬菜的缺水时声波频率数据的均值，确定第一频率差值；
12.根据所述设施蔬菜当前时刻的声波频率数据与预先采集的设施蔬菜的不缺水时声波频率数据的均值，确定第二频率差值；
13.在所述第一频率差值小于或等于所述第二频率差值时，则确定满足浇水条件；
14.反之，则确定不满足浇水条件。
15.可选地，所述rbf神经网络的训练方法包括：
16.将样本输入序列分为两部分，一部分作为训练数据序列，另一部分作为测试数据序列；
17.利用所述训练数据序列对所述rbf神经网络算法进行训练；
18.在训练所述rbf神经网络算法之后，利用所述测试数据序列对训练好的所述rbf神经网络算法型进行测试；
19.确定在以所述测试数据序列对训练好的所述rbf神经网络算法进行测试时的准确度是否低于90％；
20.确定在所述测试的准确度低于90％的情况下，修改所述rbf神经网络算法的学习率，利用所述样本输入序列重新对所述rbf神经网络算法进行训练，直至所述测试的准确度不低于90％。
21.可选地，所述方法还包括：
22.在得到所述预测的需水量后，根据所述预测的需水量对设施蔬菜进行精准定量浇水。
23.可选地，所述方法还包括：
24.浇水过程中设置有浇水暂停时长，在所述浇水暂停时长中，获取设施蔬菜当前时刻发出的超声波频率数据，根据所述超声波频率数据，判断是否满足浇水条件继续浇水。
25.第二方面，提供一种精准定量浇水的装置，所述装置包括：
26.获取模块，用于获取设施蔬菜的声波数据，以及在满足浇水条件的情况下，获取设施蔬菜当前时刻的客观自身参数和土壤可变参数；
27.判断模块，用于根据所述声波数据，判断是否满足浇水条件；
28.训练模块，用于基于所述rbf神经网络算法和所述样本输入序列构建所述rbf神经网络算法预测模型；
29.预测模块，用于基于所述设施蔬菜当前时刻的客观自身参数和土壤可变参数，使用rbf神经网络算法预测模型来生成预测的需水量；
30.实施模块，用于根据所述预测的需水量对设施蔬菜进行精准定量浇水。
31.第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
32.第四方面，提供一种电子设备，包括：存储器，其上存储有计算机程序；
33.处理器，用于执行所述存储器中的所述计算机程序，以实现上述第一方面所述方法的步骤。
34.在上述技术方案中，获取设施蔬菜当前时刻发出的超声波频率数据，基于设施蔬菜在不同含水量时期发出的超声波频率数据的不同，判断当前时刻的设施蔬菜是否满足浇水条件；若满足浇水条件，则获取设施蔬菜当前时刻的客观自身参数和土壤可变参数；基于所述设施蔬菜当前时刻的客观自身参数和土壤可变参数，使用预先训练好的rbf神经网络
算法预测需水量，根据所述预测的需水量对设施蔬菜进行浇水。通过上述技术方案，能够通过根据获取到的设施蔬菜在不同含水量时期发出的超声波频率数据的不同，来判断设施蔬菜是否需要浇水，以及通过获取设施蔬菜当前时刻的客观自身参数和土壤可变参数，根据预先训练好的rbf神经网络算法预测的需水量来进行浇水，能够精准定量的对设施蔬菜进行浇水，从而达到节约水资源，增加设施蔬菜的产量的目的。
附图说明
35.附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
36.图1是本公开实施例提供的一种精准定量浇水的方法的流程示意图；
37.图2是本公开实施例提供的一种对rbf神经网络进行训练的方法的流程示意图；
38.图3是本公开实施例提供的一种精准定量浇水的装置的框图；
39.图4是本公开实施例提供的一种训练模块的框图；
40.图5是本公开实施例提供的rbf神经网络的网络结构示意图。
具体实施方式
41.以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
42.首先对本公开的应用场景进行说明，本公开可以应用于设施蔬菜的种植场景，或者园林植物养护场景等，这些场景中，在设施蔬菜或园林植物的生长过程中无法准确判断其是否缺水，以及在预备浇水时无法准确得知其需要补充水份所需的水量，就会导致浇水方式不合理，使得水资源不能合理利用产生浪费或水分补充过少而使得设施蔬菜或园林植物的长势不好。例如，在西红柿的种植过程中，需要不断对其进行水分的补充，但由于无法准确判断其是否缺水，以及在预备浇水时无法准确得知其需要补充水份所需的水量，而最终导致浇水过多或过少，使得西红柿的产量降低。此时我们需要采取合理的方式准确判断设施蔬菜或园林植物是否存在缺水胁迫，以及准确得知其需要补充水份所需的水量。
43.在现有技术中，一般可以通过两种方式来实现浇水，一种是基于肉眼或者基于机器视觉对正在经历缺水胁迫的植物进行观测来判断其是否存在缺水胁迫，然后依照菜农经验判断浇水量；一种是设置根据设定的时间自动提醒人们浇水的装置。
44.例如，在蔬菜的种植过程中，菜农通过肉眼观察发现蔬菜出现叶片萎蔫、叶片变小、叶色黯淡等问题时，就会判定蔬菜现在处于缺水状态，然后根据种植经验进行浇水。但是，采用这种方式，在外部已经能够观察出来时，实际上有所迟钝，已经对设蔬菜的生长和发育产生了不同程度的影响，以及根据经验进行的浇水量看很有可能与蔬菜实际需要的水量不符。
45.另一种方式是通过设置自动提醒浇水的装置来提醒种植者进行浇水，但是，采用这种方式浇水的时机很可能已经错过最佳浇水时机，已经对设蔬菜的生长和发育产生了不同程度的影响。
46.为了解决上述的问题，本技术提出一种精准定量浇水方法、装置、存储介质和电子设备。在对设施蔬菜或园林植物的生长过程中进行浇水时，该方法通过采集设施蔬菜当前
时刻的超声波频率数据，分别与提前采集的缺水和不缺水状态下的超声波频率数据进行比较，根据两组超声波频率数据的差值判断是否缺水，在缺水的条件下使用预先训练好的rbf神经网络算法预测需水量，根据所述预测的需水量对设施蔬菜进行浇水这样就可以避免由于采用肉眼或者机器视觉的方式导致的浇水延迟，以及相比于设置自动提醒浇水的装置来提醒种植者进行浇水，也可以避免错过最佳浇水时机，从而导致对设蔬菜的生长和发育产生了不同程度的影响。
47.下面结合具体实施例对本公开进行说明。
48.图1是根据本公开一示例性实施例示出的一种精准定量浇水方法的流程示意图，该方法可以应用于电子设备，该电子设备可以是电脑、手机、平板电脑等终端设备，如图1所示，该方法可以包括如下步骤：
49.s101，获取设施蔬菜当前时刻发出的超声波频率数据，基于设施蔬菜在不同含水量时期发出的超声波频率数据的不同，判断当前时刻的设施蔬菜是否满足浇水条件。
50.其中，在获取设施蔬菜当前时刻发出的超声波频率数据前，确定用户选定的待收集超声波频率数据的设施蔬菜，并且提前获取该种类的设施蔬菜在缺水和不缺水状态下的两组超声波频率数据。在获取设施蔬菜当前时刻发出的超声波频率数据的过程中，首先将待观测设施蔬菜放置在声学盒中，然后在该设施蔬菜的前方放置两个定向麦克用于收集设施蔬菜本身发出的超声波数据，使用两个麦克风有助于消除录音系统本身的电噪音和由于干扰而导致的检测误差。由于植物在应力时表型有显著变化，所以暴露在干旱压力下的植物会显示出气泡——这个过程在二甲基中形成、膨胀和爆炸并引起振动，从而会发出声音。
51.示例地，在用户人工选定设施蔬菜种类后，提前对该种类的设施蔬菜分别进行缺水和浇水实验，在基于肉眼或者基于机器视觉的情况下判断出该种类的设施蔬菜是处于缺水状态或是处于不缺水状态，并分别获取该种类的设施蔬菜在缺水状态下的n份超声波频率数据data 1和不缺水状态下的n份超声波频率数据data 2，并保存。
52.例如，用户对番茄进行观察，进行分别进行缺水和浇水实验后，得出在基于肉眼或者基于机器视觉的情况下判断出该种类的设施蔬菜处于缺水状态下的超声波频率数据为35次/小时，处于不缺水状态下的超声波频率数据为1次/小时，并保存这两组数据。
53.在确定用户选定的待收集超声波频率数据的设施蔬菜以及提前获取该种类的设施蔬菜在缺水和不缺水状态下的两组超声波频率数据之后，采用超声波频率数据获取装置获取待观察设施蔬菜当前时刻发出的超声波频率数据data 3。
54.在本步骤中，首先根据所述设施蔬菜当前时刻的声波频率数据与预先采集的设施蔬菜的缺水时声波频率数据的均值，确定第一频率差值。
55.示例地，在获取到待观察设施蔬菜当前时刻发出的超声波频率数据data 3后，将data 3与此前获取的该种类的设施蔬菜处于缺水状态下的超声波频率数据进行对比，得到第一频率差值
56.例如，在采用超声波频率数据获取装置获取到当前时刻的番茄自身发出的超声波频率数据为7次/小时，然会将此数据与此前保存的番茄处于缺水状态下的超声波频率数据即为35次/小时进行插值比较，可以得出此时的第一频率差值为28次/小时。
57.然后，根据所述设施蔬菜当前时刻的声波频率数据与预先采集的设施蔬菜的不缺水时声波频率数据的均值，确定第二频率差值。
58.示例地，在获取到待观察设施蔬菜当前时刻发出的超声波频率数据data 3后，将data 3与此前获取的该种类的设施蔬菜处于缺水状态下的超声波频率数据进行对比，得到第二频率差值
59.例如，在采用超声波频率数据获取装置获取到当前时刻的番茄自身发出的超声波频率数据为7次/小时，然会将此数据与此前保存的番茄处于缺水状态下的超声波频率数据即为1次/小时进行插值比较，可以得出此时的第二频率差值为6次/小时。
60.在所述第一频率差值小于或等于所述第二频率差值时，则确定满足浇水条件；反之，则确定不满足浇水条件。
61.例如，将第一频率差值δdata 1与第二频率差值δdata 2进行比较，可以得出28次/小时大于6次/小时，即δdata 1＞δdata 2，则说明该番茄存在缺水胁迫，需要及时浇水。
62.s102，若满足浇水条件，则获取设施蔬菜当前时刻的客观自身参数和土壤可变参数。
63.作为优选的实施方式，设施蔬菜当前时刻的客观自身参数可以包括设施蔬菜种类、土壤类型中的至少一种；土壤可变参数可以包括土壤含水量、土壤温度中的至少一种。
64.这里在判断确定设施蔬菜满足浇水条件的情况下，采用设施蔬菜客观自身参数获取模块获取设施蔬菜种类、土壤类型中的至少一种数据，采用土壤可变参数获取模块获取土壤含水量、土壤温度中的至少一种数据。
65.例如，设施蔬菜客观自身参数获取模块可以设置成一数据库，由用户人工输入设施蔬菜的种类、土壤的类型等数据信息，在更换观察对象时，继续由用户输入新的设施蔬菜的种类、土壤的类型等数据。在采用土壤可变参数获取模块获取土壤可变参数时，土壤可变参数获取模块可以包括一个土壤传感器，由土壤传感器获取土壤含水量、土壤温度等数据信息。
66.另一种方式中，在判定设施蔬菜满足浇水的条件下，也可以直接进行浇水，在浇水
的过程中设置有浇水暂停时长，在浇水暂停时长中，继续重新获取设施蔬菜当前时刻的超声波频率数据，并顺序执行步骤s101，直至判断当前时刻的设施蔬菜不满足浇水条件。
67.s103，基于所述设施蔬菜当前时刻的客观自身参数和土壤可变参数，使用预先训练好的rbf神经网络算法预测需水量，根据所述预测的需水量对设施蔬菜进行浇水。
68.在获取完毕设施蔬菜当前时刻的客观自身参数和土壤可变参数的情况下，将这些参数作为预先训练好的rbf神经网络算法的输入值，通过rbf神经网络算法预测出在此时刻的设施蔬菜的需水量，并按照所预测的需水量对设施蔬菜进行浇水。
69.本步骤中，首先，对rbf神经网络进行训练，训练方法如下：
70.s1031，将样本输入序列和相关联的样本输出序列分别分为两部分，一部分作为训练数据序列，另一部分作为测试数据序列。
71.在将样本输入序列分为两部分之前，需要先获取样本输入序列和相关联的样本输出序列；其中，所述样本输入序列中的每个样本输入包括不同时刻的一组设施蔬菜的客观自身参数样本和土壤可变参数样本，所述样本输出序列中的每个样本输出包括与所述样本输入相对应的需水量样本。
72.示例地，在获取样本输入序列和相关联的样本输出序列时，需要首先获取设施蔬菜的某一时刻的客观自身参数和土壤可变参数，以及当前时刻的超声波频率数据，利用当前的超声波频率数据按照步骤s101判断此时的设施蔬菜是否处于缺水胁迫中，是否需要被浇水；在确定该设施蔬菜满足浇水条件的情况下，采用小流量间断式浇水，并在浇水间隔中继续对该设施蔬菜进行检测，获取其实时的超声波频率数据，按照s101判断此时的设施蔬菜是否还处于缺水胁迫中，并顺序重复当前步骤，直至按照s101判断设施蔬菜已经不再处于缺水胁迫中，即停止浇水，并保存当前已经使用的浇水量，将该浇水量作为该某一时刻的需水量样本，即设施蔬菜此时刻的样本输出。
73.在不同天气、不同温度的不同时刻收集多组设施蔬菜的客观自身参数和土壤可变参数以及与之对应的需水量样本，将这些数据作为获取到的样本输入序列和相关联的样本输出序列。
74.再将样本输入序列和相关联的样本输出序列分为两部分，一部分的样本输入序列和相关联的样本输出序列可以作为训练数据序列对rbf神经网络算法进行训练，在训练完成后，将另一部分作为测试数据序列，对rbf神经网络算法进行测试，这样可以使得rbf神经网络算法在对需水量进行预测时的准确性更高。
75.举例来说，样本输入序列包括设施蔬菜的客观自身参数和土壤可变参数组，相关联的样本输出序列包括与设施蔬菜的客观自身参数和土壤可变参数组对应的需水量样本。
76.s1032，利用所述训练数据序列对所述rbf神经网络算法进行训练。
77.在训练过程中，首先需要构建rbf神经网络，该rbf神经网络包括输入层、多个隐藏层和输出层，输入层中的每个神经元对应一组设施蔬菜的客观自身参数和土壤可变参数，输出层中的输出对应为与所述样本输入相对应的需水量。参照与样本输入相对应的需水量和相对应的需水量样本对所述rbf神经网络算法的参数进行训练，直到所述rbf神经网络算法的输入输出关系满足预定的训练条件为止。
78.其中，预定的训练条件为所述样本输出值与所述预测的输出值之间的误差函数收敛并达到目标最小值；误差函数为所有的样本输出值和rbf神经网络算法预测对应的输出
值的差值的均方误差函数。
79.示例地，将某一时刻的一组设施蔬菜的客观自身参数和土壤可变参数作为输入层的输入信号，由输入层将输入信号传递到隐藏层，隐藏层由高斯核函数构成激活函数，并建立rbf神经网络算法进行预测训练；根据所述rbf神经网络算法的各个神经元的权重，以及所述rbf神经网络算法对所述样本输出进行预测，并得到预测的输出值；直至经过多轮迭代样本输出值与预测的输出值之间的误差函数值小于0.1。
80.示例地，将某一时刻的一组设施蔬菜的客观自身参数和土壤可变参数作为第一层输入层的输入信号，所述输入层的神经元数量与输入信号的种类相对应，即在本公开中输入层的神经元有4个，分别是指设施蔬菜种类、土壤类型、土壤含水量以及土壤温度；由输入层将输入信号传递到第二层隐藏层，隐藏层由高斯核函数构成激活函数，采用高斯核函数对输入层输入的设施蔬菜种类、土壤类型、土壤含水量以及土壤温度等参数进行非线性变换，更好的线性划分不同类型的数据，提取不同特征，第三层为输出层，包含一个神经元，用于对隐藏层神经元输出的不同特征的信息进行加权线性组合完成线性映射，从而将原低维空间非线性不可分的问题转换成高维空间的近似线性可分的问题，将其输出结果确定为与所述样本输入相对应的需水量。
81.举例来说，输入层输入的设施蔬菜种类、土壤类型、土壤含水量以及土壤温度等参数与输出层的实际需水量之间的函数关系是非线性的变化，输入与输出存在着并非一一对应的映+射关系，隐藏层用于特征提取，例如将输入向量中的不同设施蔬菜种类对水的需求量大小、不同土壤类型对水的需求量大小、土壤含水量的大小以及土壤温度的高低作为特征进行提取，然后根据输出层对隐藏层的每个神经元不同的权重偏置，实现从从非线性到线性的映射。
82.在训练过程中，首先初始化rbf神经网络参数，配置学习率和rbf神经网络的迭代精度。
83.举例来说，第一步，初始化rbf神经网络参数包括：
84.a.确定rbf神经网络的输入层向量为：x(n)＝[x1(n),x2(n),x3(n),x4(n)]
t
,x1(n)为第n次获取的设施蔬菜种类的数据，x2(n)为第n次获取的土壤类型的数据，x3(n)为第n次获取的土壤含水量的数据，x4(n)为第n次获取的土壤温度的数据，t为矩阵的转置；确定输出层的输出向量，即rbf神经网络的输出为预测出的与样本输入相对应的需水量为f(x)，其中，rbf神经网络使用的隐藏层激活函数为高斯核函数，表示如下：
[0085][0086]
其中，σ为高斯核的宽度，c
i
为第i神经元的中心点，|x
i
‑
c
i
|为样本x
i
到中心点c
i
的欧式距离，g(x
i
,c
i
)为隐藏层中第i单元的输出。
[0087]
rbf神经网络的输出表示如下：
[0088][0089]
其中，f(x)是指将输入层输入的设施蔬菜种类、土壤类型、土壤含水量以及土壤温度等向量与高斯核函数进行内积运算，使得原本在低维空间非线性不可分的向量通过高斯核函数进行映射到高维空间，使其线性可分；f(x)也就是第x组的rbf神经网络的与样本输
入相对应的预测的输出值，即第x组预测的需水量；w
i
为隐藏层第i个神经元和输出层的连接权值；
[0090]
b.初始化隐藏层到输出层的权值：w
i
,(i＝1,2,3,4)；
[0091]
c.初始化隐藏层各神经元的中心参数：c
i
＝[c
i1
,c
i2
,c
i3
,c
i4
]；
[0092]
初始化结束后，计算隐藏层各个神经元的输出值和计算输出层的输出值。
[0093]
第二步，使用均方误差定义误差函数msef
[0094][0095]
其中，m为训练样本数，y为实际的相对应的需水量，误差函数msef是指与样本输入相对应的预测的输出值和所述样本输出值之间的误差，也就是系统输出的需水量和实际的需水量之间的误差。
[0096]
第三步，对rbf神经网络的参数进行更新。
[0097]
由公式(1)、(2)和(3)可以得出输出层的神经元线性权重以及权重迭代公式如下：
[0098][0099]
w
k+1
＝w
k
‑
η1·
δw
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0100]
隐藏层的神经元中心点以及神经元中心点迭代公式如下：
[0101][0102]
c
k+1
＝c
k
‑
η2·
δc
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0103]
隐藏层的高斯核宽度以及高斯核宽度迭代公式如下：
[0104][0105]
σ
k+1
＝σ
k
‑
η3·
δσ
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0106]
其中，δw为输入第x组样本输入时rbf神经网络隐藏层第i个神经元与输出层的神经元的连接权值的修正量，w
k+1
为输入第x+1组样本输入时rbf神经网络隐藏层第i个神经元与输出层的神经元的连接权值；δc
i
为输入第x组样本输入时rbf神经网络隐藏层第i个神经元中心点值的修正量，c
k+1
为输入第x+1组样本输入时rbf神经网络隐藏层第i个神经元中心点值；δσ
i
为输入第x组样本输入时rbf神经网络隐藏层第i个神经元的中心宽度的修正值，σ
k+1
为输入第x+1组样本输入时rbf神经网络隐藏层第i个神经元的中心宽度值。η1、η2和η3为rbf神经网络的学习率，η
j
∈(0,1]。
[0107]
w
k
就是指在对输入层输入的设施蔬菜种类、土壤类型、土壤含水量以及土壤温度等输入向量进行高维映射特征提取后的隐藏层提取每一个的特征进行线性组合后的的连接权值，在更新输出层的连接权值时，根据rbf神经网络的学习率跟新输出层的神经元的连接权值。
[0108]
第三步，确定当前时刻的误差函数msef≥0.1时，则重复第三步；反之，则执行第一步计算rbf神经网络的输出f(x)。
[0109]
在误差函数msef较大时，即系统输出的需水量和实际的需水量之间的差距较大
时，说明神经网络算法还没有逼近实际的需水量数据，然后采用梯度下降法利用权重迭代公式(5)、(7)和(9)更新输出层的神经元线性权重，使得神经网络的输出信号逼近实际的需水量数据，
[0110]
第四步，在确定当前时刻的误差函数msef≥0.1后，保存当前的rbf神经网络，然后利用测试数据序列对已经训练好的rbf神经网络进行准确度测试，如果测试数据序列的准确度高于90％的情况下，则不进行任何操作，如果测试数据序列的准确度低于90％，则修改学习率进行重复第三步训练步骤。
[0111]
在另一种方式中，如果样本输出值与rbf神经网络预测的输出值之间的误差函数发生上下震荡，甚至无法收敛的情况时，即无法出现误差函数msef≥0.1或是需要的时间过长，此时应修改所述rbf神经网络算法的学习率，利用所述样本输入序列重新对所述rbf神经网络算法进行训练，直至误差函数值小于0.1。也可以采用在开始的时候保持大些的学习率来保证收敛速度，在收敛到最优点附近时要小些以避免来回震荡
[0112]
s1033，在训练所述rbf神经网络算法之后，利用测试数据序列对训练好的所述rbf神经网络算法进行测试。确定在以所述测试数据序列对训练好的所述rbf神经网络算法进行测试时的准确度是否低于90％。
[0113]
确定在所述测试的准确度低于90％的情况下，修改所述rbf神经网络算法的学习率，利用所述样本输入序列重新对所述rbf神经网络算法进行训练，直至所述测试的准确度不低于90％。
[0114]
其中，在误差函数经过多轮迭代后函数值小于0.1情况下依旧存在预测不准确的情况是因为神经网络算法学习率选用的不准确，此时可以采用多种方式来调节学习率，进而调整神经网络的权重，例如采用手动调节学习率、使用库函数调节。
[0115]
其中，在采用使用库函数调节时，可以按照有序调整：按一定规则调整，比如使用余弦退火(cosineannealing)，指数衰减(exponential)，或者步长(step)等事先定制的规则调整学习率；自适应调整：通过监测某个指标的变化情况(loss、accuracy)，当指标不再变好时，调整学习率(reducelronplateau)或自定义调整：使用自定义的lambda函数调整学习率(lambdalr)等方式来进行学习率的调整，来提高神经网络预测的准确性。
[0116]
s104，在得到所述预测的需水量后，根据所述预测的需水量对设施蔬菜进行精准定量浇水。
[0117]
在暂停浇水后，获取暂停时长；若暂停时长大于或等于设置的预设时长，所述预设时长是
[0118]
获取设施蔬菜当前时刻发出的超声波频率数据，重新判断当前时刻的设施蔬菜是否处于缺水状态，在判断处于不缺水的状态时，停止浇水。
[0119]
可选的，图3是根据本公开一示例性实施例示出的一种精准定量浇水装置的框图，如图3所示，该装置可以包括：
[0120]
获取模块201，用于获取设施蔬菜的声波数据，以及在满足浇水条件的情况下，获取设施蔬菜当前时刻的客观自身参数和土壤可变参数；
[0121]
判断模块202，用于根据所述声波数据，判断是否满足浇水条件；
[0122]
训练模块203，用于基于所述rbf神经网络算法和所述样本输入序列构建所述rbf神经网络算法预测模型；
[0123]
预测模块204，用于基于所述设施蔬菜当前时刻的客观自身参数和土壤可变参数，使用rbf神经网络算法预测模型来生成预测的需水量；
[0124]
实施模块205，用于根据所述预测的需水量对设施蔬菜进行精准定量浇水。
[0125]
可选的，图4是根据本公开一示例性实施例示出的一种训练模块的框图，如图4所示，该训练模块203，可以包括：
[0126]
样本获取模块2031，若满足浇水条件，则获取设施蔬菜当前时刻的客观自身参数和土壤可变参数；
[0127]
样本训练模块2032，将样本输入序列和相关联的样本输出序列分别分为两部分，一部分作为训练数据序列，另一部分作为测试数据序列。对建立的rbf神经网络进行训练；
[0128]
样本测试模块2033，使用测试数据序列对训练好的rbf神经网络进行测试，确定在所述测试的准确度低于90％的情况下，修改所述rbf神经网络算法的学习率，利用所述样本输入序列重新对所述rbf神经网络算法进行训练，直至所述测试的准确度不低于90％。
[0129]
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
[0130]
采用上述装置，在对设施蔬菜或园林植物的生长过程中进行浇水时，该方法通过采集设施蔬菜当前时刻的超声波频率数据，分别与提前采集的缺水和不缺水状态下的超声波频率数据进行比较，根据两组超声波频率数据的差值判断是否缺水，在缺水的条件下使用预先训练好的rbf神经网络算法预测需水量，根据所述预测的需水量对设施蔬菜进行浇水这样就可以避免由于采用肉眼或者机器视觉的方式导致的浇水延迟，以及相比于设置自动提醒浇水的装置来提醒种植者进行浇水，也可以避免错过最佳浇水时机，从而导致对设蔬菜的生长和发育产生了不同程度的影响。
[0131]
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
[0132]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
[0133]
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。