一种模型-数据联合驱动的大棚智能配肥方法和系统

本发明涉及农业领域，具体为一种模型-数据联合驱动的大棚智能配肥方法和系统。

背景技术：

1、随着人工智能和物联网技术的飞速发展，农业信息化和智能化程度也越来越高。其中，大棚智慧农业引发了广泛研究和大量的技术产出，发展最为迅猛。

2、大棚智慧农业运行的基础是建立农业物联网。cn105137940a公开的一种物联网大棚农业生长监控系统就属于一种经典的物联网架构。该架构分为感知系统，控制系统和通信系统，分别负责信息传感，决策控制和无线通信。系统由于配置了大量传感器和处理器，能够实现对作物生长状态的实时监控。这种经典的网络架构一经提出，就涌现出大量以该工作为基础的各类细分功能性物联网，而其中又以作业决策物联网成果最多。本发明提案聚焦的技术便是实时配肥决策。

3、配肥决策的技术难点有两个方面。一个是如何评估并量化作物的缺肥情况，另一个是如何根据物联网传感数据动态配肥。

4、对于前者，即对于作物的欠营养情况(或称为营养丰缺情况)的量化判定，通常需要使用机器视觉技术。cn114946447a提出的方法为对育苗养分丰缺对应图像做回归分析。对选定的幼苗，该方法通过设计不同营养液组分配方，培育并采集不同营养组分下幼苗叶片图像，建立正常养分缺氮、磷、钾三类幼苗叶片特征图像数据库，提取图像数字化特征值，进行回归分析，确定不同缺素与叶片图像数字特征值的相关性，进而指导水肥管理。

5、对于后者，即如何实时配肥，通常需要综合考虑作物的生长环境，建立作物的需肥数学模型。考虑到作物种类和不同大棚环境的复杂性，通常需要引入专家系统来整合信息和完成决策。关于专家系统是如何部署和决策的，期刊文章《基于物联网的荔枝园信息获取与智能灌溉专家决策系统》(doi：10.11975/j.issn.1002-6819.2016.20.019)已有详细阐述。相关技术方案中，cn111108879a公开了一种基于专家决策系统的茄果水肥及环境管理方法。该方法利用深度学习技术和茄果类瓜果的生长变化数据拟合了作物的生长模型，并据专家系统的知识库匹配出不同阶段的水肥策略，进而完成配肥决策。

6、基于上述现有技术：

7、cn114946447a提出的作物缺肥检测方法鲁棒性和泛化能力不强。这是因为该方法使用的是回归分析法。回归分析不能完全捕捉影响因子，无法完全挖掘出某些不可测的潜在因子，因此容易出现预测精度不高，残差大的问题。

8、cn111108879a提出的配肥决策技术方案中，没有明确指出结合机器视觉进行辅助配肥，且决策系统不具备升级机制。作物在缺乏某种营养素时通常是会表现出视觉上的异常性状的。忽略“依图辨病”这个重要方法，只使用其他环境传感器数据进行决策固然效果不佳。

9、综上我们提出了一种模型-数据联合驱动的大棚智能配肥方法和系统。

技术实现思路

1、(一)解决的技术问题

2、针对现有技术的不足，本发明提供了一种模型-数据联合驱动的大棚智能配肥方法和系统，提出了基于双卷积神经网络的生长阶段特征检测和欠营养检测方法，从作物整体生长特征和局部生长特征两个维度进行缺肥检测，进一步提高缺肥检测模型的精度和泛化能力，并在此基础上提出了一种由专家系统和基于深度强化学习的决策网络构成的融合配肥决策系统，在保证决策结果稳定性的同时，实现模型的最优化决策和自主升级。

3、(二)技术方案

4、为实现上述所述目的，本发明提供如下技术方案：一种模型-数据联合驱动的大棚智能配肥系统，包括控制传感模块、图像解析模块以及任务决策模块；

5、控制传感模块包括土壤传感网络和由电控处理器控制程序和通信程序的施灌车；

6、图像解析模块的硬件由施灌车的视觉采集夹爪和高性能边缘计算设备及大容量数据储存介质组成；

7、图像解析模块软件部分包括生长阶段检测网络和欠营养检测网络，生长阶段检测网络输入为正常发育状态下的植株整体图像和茎叶花果图像，输出为植株处在各个生长阶段的置信度向量，欠营养检测网络输入为欠营养状态下的植株整体图像和茎叶花果图，输出为该植株可能欠缺的营养素的程度系数向量；

8、任务决策模块硬件包括边缘计算设备和云服务器；

9、任务决策模块软件包括配肥专家系统和基于强化学习的深度决策神经网络。

10、优选的，所述土壤传感网络由多个土壤综合传感器且与云端信息系统建立链接；

11、施灌车上设置有装配带摄像头和必要补光设备的机械夹爪；

12、施灌车上设置有多个施灌侧每个施灌侧安装机械夹爪；

13、施灌车上的配液箱应搭载综合传感器；

14、施灌车的入料口搭载压力传感器。

15、优选的，所述生长阶段检测网络和欠营养检测网络均包含卷积层、池化层、全连接层和输出层。

16、优选的，所述配肥专家系统由模型库、数据库和推理机组成，模型库根据大棚种植专家的经验建立并储存了多种植物的配肥数学模型，数据库则储存不同作物的知识信息和生长需求数据，推理机依据模型库中有关配肥决策的数学模型，能够得出当前最优配肥用料配比和施灌量决策结果。

17、优选的，所述基于强化学习的深度决策神经网络使用了dqn作为配肥决策的网络框架，用数学建模的角度解释配肥任务，决策目标就是最小化作物欠营养程度系数向量的模，用马尔可夫过程解释配肥决策，状态为生长特征解算数据和土壤传感器回传数据，动作为配肥用料配比、施灌量、ec值，奖励为欠营养程度系数向量模的相反数，决策网络参数的训练，通过获取每一轮作物生长状态，做出配肥决策并获得本轮奖励，使用td算法反复迭代训练直至参数收敛。

18、一种模型-数据联合驱动的大棚智能配肥方法，包括以下步骤：

19、第一步：对施灌车初始化任务数据，同时进行配肥原料取料；

20、第二步：利用施灌车获取作物图像，然后通过生长阶段检测网络和欠营养检测网络对图像进行解析特征；

21、第三步：基于任务决策模块进行数据预处理，融合基于强化学习的深度决策神经网络进行配肥决策，对比历史决策数据选择性更新决策网络；

22、第四步：施灌车接收到任务决策模块的决策结果后，进行配肥任务执行。

23、优选的，所述第一步中施灌车初始化任务数据包括同步作业信息、确定任务执行时间、地点和对象，获取作业路线或进行初步任务路线规划；

24、配肥原料取料时若安置了自动充肥桩，则施灌车执行自动取肥程序，否则提示人工进行充肥，由压力传感器精确称量各种原料肥的充入量。

25、优选的，所述第二步包括以下内容：

26、第一步：施灌车移动到某种作物区块对应的任务点，获取该作物区块的传感器信息，确定作物种类和待提取特征数，而后夹爪伸出，调整待拍摄对象位姿后调取摄像头拍摄图像，拍摄结果将发送到边缘计算设备等待进一步处理；

27、第二步：所拍摄的图像输入到卷积神经网络中执行特征提取和生长状态识别，将生长阶段检测网络和欠营养检测网络的输出结果统一打包为生长特征解算数据，分别上传云端数据库和输入任务决策模块用于进一步决策；

28、第三步：循环上述步骤，直至完成所有待提取特征。

29、优选的，所述第三步包括以下内容：

30、第一步：剔除异常数据，缺失值补充和归一化，数据包括作物生长特征解算数据以及土壤传感器网络实时上传的土壤湿度、盐离子浓度、ph值、ec值和温度信息；

31、第二步：融合基于强化学习的深度决策神经网络决策结果将作为最终的决策输出，但输出之前需要以专家系统决策结果作为监督值进行范围限定，以排除偶然因素影响下的不合理决策；

32、第三步：系统记忆本轮配肥决策结果的作物生长情况和欠营养情况，若优于历史最优决策结果，则将本轮决策结果存入经验数据库。

33、优选的，第四步包括以下内容：

34、第一步：施灌车接收到任务决策模块的决策结果后，打开配肥原料的漏料口，控制配肥原料漏入配液室中并开始注水，电机带动磨料刀具旋转粉碎颗粒肥料加速溶解，在设定运行时间内形成水肥营养溶液；

35、第二步：施灌车将实时配好的水肥溶液均匀喷洒到目标植株的根系附近土壤中，完成系统流程。

36、(三)有益效果

37、与现有技术相比，本发明提供了一种模型-数据联合驱动的大棚智能配肥方法和系统，具备以下有益效果：

38、1、该模型-数据联合驱动的大棚智能配肥方法和系统，配肥决策精度高，安全性和稳定性较好，可自我升级。这是因为本发明提出的决策方法结合了基于卷积神经网络的机器视觉作物缺肥检测方法，并设计了模型-数据融合驱动的决策方案。

39、2、该模型-数据联合驱动的大棚智能配肥方法和系统，相比回归分析，卷积神经网络模型具备高鲁棒性和更强泛化能力。更优地，本发明提出了双网络检测机制，从两个维度的作物图像深度挖掘作物的欠营养信息，大大提升了检测精度。