CN109934464A - 一种基于植物生命体征的水肥药决策***及方法 - Google Patents

Abstract

本公开提出了一种基于植物生命体征的水肥药决策***及方法，包括：植物生命体征信息采集单元，采集植物叶片的水分、新梢的养分、叶片养分、主干养分及根部养分并将上述信息传输至信息采集与智能决策综合控制柜；高清摄像头，采集植物生长过程中的图片信息并传输至智能决策综合控制柜；所述智能决策综合控制柜包括控制器，所述控制器根据所采集的信息判断植物的健康状况并基于该健康状况实现对水肥药的施加。

Description

一种基于植物生命体征的水肥药决策***及方法

技术领域

本公开涉及农田管理技术领域，特别是涉及一种基于植物生命体征的水肥药决策***及方法。

背景技术

现有技术中存在通过图像对植物生理信息进行监测以及对植物的参数(包括植物茎干的水分、叶子的温度等)进行监测，目的是为了解植物的生长特性，对植物生理特性进行分析，得出植物体的健康状况(包括生长信息及病虫害信息)，并做出相应评价。

现有技术还存在对植物生长环境的监测，如气象信息、土壤信息(包括水分、养分等)，目的是进行环境控制，包括水肥药的控制，为植物提供一个适宜的生长环境，如温度、光照、水分、肥力等，从而达到植物的高产高质。

可见，现有技术中仅仅通过监测生理特性进行植物健康评价或是通过监测环境参数进行环境控制，并没有以植物的健康为目标，基于植物生命体征的生长环境管理与决策***及方法，特别是对植物生长所需水肥药的决策***及方法。

发明内容

为了解决现有技术的不足，本公开提供了一种基于植物生命体征的水肥药决策***，实现对植物的水肥药的施加的控制。

为了实现上述目的，本公开采用以下技术方案：

一种基于植物生命体征的水肥药决策***，包括：

植物生命体征信息采集单元，采集植物叶片的水分、新梢的养分、叶片养分、主干养分及根部养分并将上述信息传输至信息采集与智能决策综合控制柜或云端服务平台；

图像采集单元，采集植物生长过程中的图片信息并传输至智能决策综合控制柜或云端服务平台；

所述智能决策综合控制柜或云端服务平台根据所采集的信息判断植物的健康状况并基于该健康状况实现对水肥药的施加。

进一步的技术方案，所述植物生命体征信息采集单元包括叶片水分传感器、新梢养分传感器、叶片养分传感器、主干养分传感器及根部养分传感器，所述叶片水分传感器、新梢养分传感器、叶片养分传感器、主干养分传感器及根部养分传感器分别连接至智能决策综合控制柜中的控制器。

进一步的技术方案，所述智能决策综合控制柜包括处理器及显示器，所述控制器还连接至控制阀门，所述控制阀门分别安装在高压喷雾管路及水肥药管路上。

进一步的技术方案，所述智能决策综合控制柜中根据所采集的信息判断植物的健康状况并基于该健康状况实现对水肥药的施加，其中，药施用方案的作出方式为：针对图像采集单元采集的植物的图像，通过图像处理算法对图像进行处理与识别，提取植物的长势、颜色、文理信息，实现对生长发育情况、开花坐果、病虫害情况、干旱、霜冻灾害的自动化监测，根据监测结果确定是否用药及用药的多少。

进一步的技术方案，所述智能决策综合控制柜中根据所采集的信息判断植物的健康状况并基于该健康状况实现对水肥药的施加，其中，水肥施用方案的作出方式为：监测植物生长环境信息和植物本体的生命体征信息，采用二次指数平滑法得出相应的预测值，利用层次分析法进行综合评价，参考专家数据的专家推荐值和用户经验值，得出若干个适宜的水肥施用方案，并自动推荐最优灌溉施肥方案。

进一步的技术方案，所述智能决策综合控制柜的控制方式包括：定时控制、定量控制及条件控制；

其中，定时控制：设置开始时间和结束时间，智能决策综合控制柜根据设置的时间，自动启停；

定量控制：设定灌溉水量、肥量、药量，智能决策综合控制柜控制设备启动后，达到相应的设置量，自动停止；

条件控制：设定灌溉、施肥、施药设备的开启和关闭条件，智能决策综合控制柜控制设备在满足条件时自动运行。

本公开的实施例子还公开了一种基于植物生命体征的水肥药决策***的决策方法，包括以下步骤：

针对采集的植物的图像信息，通过图像处理算法对图像进行处理与识别，提取植物的长势、颜色、文理信息，实现对生长发育情况、开花坐果、病虫害情况、干旱、霜冻灾害的自动化监测，根据监测结果确定是否用药及用药的多少；

监测植物生长环境信息和植物本体的生命体征信息，采用二次指数平滑法得出相应的预测值，利用层次分析法进行综合评价，参考专家数据的专家推荐值和用户经验值，得出若干个适宜的水肥施用方案，并自动推荐最优灌溉施肥方案。

进一步的技术方案，采用二次指数平滑法得出相应的预测值，预测步骤为：

建立水肥决策层次结构模型；

基于上述模型构造判断矩阵，构造矩阵时采用影响因素因素成对比较的方式；

针对判断矩阵进行层次单排序并利用一致性检验进行确认；

针对判断矩阵进行层次总排序并利用一致性检验进行确认；

根据水肥决策层次结构模型最下层即决策层的层次总排序做出最后决策。

进一步的技术方案，建立水肥决策层次结构模型：将最优水肥方案、决策准则和影响因素按它们之间的相互关系分为最高层、中间层和最低层，绘出层次结构图，其中，决策准则包括叶片水分、叶片养分、茎秆粗度及果实大小，影响因素包括气象、土壤、专家及用户。

进一步的技术方案，对应于判断矩阵最大特征根的特征向量，经归一化后的元素为同一层次因素对于上一层次因素某因素相对重要性的排序权值，这一过程称为层次单排序；

计算某一层次所有因素对于最高层相对重要性的权值，称为层次总排序。

与现有技术相比，本公开的有益效果是：

1、本公开在灌溉施肥方面，本公开的技术方案是通过监测植物本身的特征，如水分、养分，并结合空气和土壤的信息，专家数据库和用户经验值来判断是否需要灌溉施肥和灌溉施肥量，现有技术多是监测土壤的特征来判断的是否需要灌溉施肥。

2、本公开在施药方面，本公开的实施例子是通过采用自动识别植物的病早害特征，并对受害等级进行区分，根据专家数据库和用户经验值自动确立是否需要施药和施药量。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开实施例子的硬件设置图；

图2本公开实施例子的灌溉效果示意图；

图3为本公开实施例子的施肥效果示意图；

图4为本公开实施例子的决策示意图；

图5为本公开实施例子的层次结构图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

本公开的一种典型的实施方式中，提供了一种基于植物生命体征的水肥药决策***，参见附图1所示，由高清摄像头(1)，信息采集与智能决策综合控制柜(2)，显示屏(3)，果实大小传感器(4)，叶片温度传感器(5)，高压喷雾管路(6)，叶片水分传感器(7)，新梢养分传感器(8)，叶片养分传感器(9)，主干养分传感器(10)，根部养分传感器(11)等组成；所述的水肥药智能决策***由信息采集与智能决策综合控制柜(2)、显示屏(3)，高压喷雾管路(6)，水肥药管路(12)等组成。

具体的，在实际操作时，随机选取一定数量的果实，如每亩地选1个，进行监测，对每个果实安装果实大小传感器，分别监测。叶片温度传感器需要放置在每个叶片上，同样是随机选取一定的叶片进行安装；养分传感器的夹持式的，容易安装和拆卸；新梢以7天为一个周期，进行更换。高压雾化管路可以喷雾，雾化的液体可以是灌溉水、稀释后的农药、稀释后的液体肥(主要是叶面肥)。

具体的，摄像头采集的植物图像信息，上传到信息采集与智能决策综合控制柜和云端服务平台，通过图像处理算法对，对图像进行处理与识别，提取长势、颜色、文理等信息，对生长发育情况、开花坐果、病虫害情况、干旱、霜冻等灾害的自动化监测。

在具体实施时，对摄像头采集的植物图像信息进行图像处理算法可以在信息采集与智能决策综合控制柜或云端服务平台中进行，当信息采集与智能决策综合控制柜没有与云端服务平台进行通信时，信息采集与智能决策综合控制柜进行数据处理得到相应的数据处理结果，亦或者，信息采集与智能决策综合控制柜并没有进行图像处理的处理，只是将相关图像信息上传至云端服务平台，云端服务平台进行数据处理后将相应的信息传输至信息采集与智能决策综合控制柜，由该控制柜下方相应的指令，进行灌溉或者施肥或者施药。

信息采集与智能决策综合控制柜的控制方案可分为三种：定时控制、定量控制、条件控制。

其中，定时控制：可设计开始时间和结束时间(年月日)，设备可根据设置的时间，自动启停。

定量控制：设定灌溉水量、肥量、药量，设备启动后，达到相应的设置量，自动停止。

条件控制：设定灌溉、施肥、施药等设备的开启和关闭条件，控制设备自动运行；如叶片水分低于下限值进行灌溉，每次灌溉水量为设定量；养分低于下限值进行施肥，每次施肥量为设定量；某种病虫害的危害程序高于某个值时，进行施药。

通过上述控制***可以实现的灌溉控制效果，参见附图2所示，时间坐标轴(13)、植物体水分坐标轴(14)、植物生理需水曲线(15)、智能灌溉曲线(16)。最终的目的是实现智能灌溉曲线与植物生理需水曲线相匹配。

通过上述控制***可以实现的植物的养分分布周期控制效果，参见附图3所示，时间坐标轴(17)、植物体养分坐标轴(18)、新梢养分积累量(19)、主干养分积累量(20)、根部养分积累量(21)、叶片养分积累量(22)。新梢养分积累量(19)、主干养分积累量(20)、根部养分积累量(21)、叶片养分积累量(22))，这类参数可通过化验测得。

本公开的实施例子的实现植物生命体征检测与健康管理，能够检测植物的水分、养分、温度、果实大小等生命体征，并对检测植物的健康状况进行评判，为水肥药智能决策提供依据。

本公开的实施例子的水肥药智能决策***，能够根据植物生命体征检测与健康管理***对评判结果，智能决策水、肥、药的实施方案，并结合植物生理需水曲线(15)确定智能灌溉曲线(16)，结合新梢养分积累量(19)、主干养分积累量(20)、根部养分积累量(21)、叶片养分积累量(22)，确定施肥量。

本公开的另一实施例子还公开了一种基于植物生命体征的水肥药决策***的决策方法，参见附图4所示，监测植物生长环境信息(空气温度、空气湿度、土壤温度、土壤湿度等)和植物本体的生命体征信息(叶片温度、茎秆粗度、果实大小等)，采用二次指数平滑法得出相应的预测值，利用层次分析法进行综合评价，参考专家数据的专家推荐值和用户经验值，得出3个适宜的水肥施用方案，并自动推荐最优灌溉施肥方案。

具体的，采用二次指数平滑法，对各个监测值进行预测：

其中，S_t ⁽¹⁾为第t期的一次指数平滑值；S_t ⁽²⁾为第t期的二次指数平滑值；α为平滑常数。

二次指数平滑法的预测模型为：

F_t+T＝a_t+b_tT (3)

其中：

F_t+T为第t+T期预测值；T为向未来预测的期数；a_t、b_t分别为模型参数。

具体的，预测步骤：

步骤1、建立水肥决策层次结构模型：

将最优水肥方案、决策准则(叶片水分、叶片养分、茎秆粗度、果实大小)和影响因素(气象、土壤、专家、用户)按它们之间的相互关系分为最高层、中间层和最低层，绘出层次结构图，参见附图5所示。

步骤2、构造判断(成对比较)矩阵：一致矩阵法，即：不把所有因素放在一起比较，而是两两相互比较；对此时采用相对尺度，以尽可能减少性质不同的诸因素相互比较的困难，以提高准确度。设要比较各准则C₁,C₂,…,C_n对目标O的重要性。

其中，n为判断矩阵的维数，也是准则层的数量。

水肥决策***的判断矩阵如下：

步骤3、层次单排序及其一致性检验：对应于判断矩阵最大特征根λ_max的特征向量，经归一化(使向量中各元素之和等于1)后记为W。W的元素为同一层次因素对于上一层次因素某因素相对重要性的排序权值，这一过程称为层次单排序。能否确认层次单排序，需要进行一致性检验，所谓一致性检验是指对A确定不一致的允许范围。

定义一致性指标：

其中，λ为判断矩阵特征根，n为判断矩阵的维数。CI为一致性指标。

CI＝0，有完全的一致性；

CI接近于0，有满意的一致性；

CI越大，不一致越严重；

定义一致性比率：

其中，CR为一致性比率，RI为平均随机一致性指标RI标准值。

一般，当一致性比率CR<0.1时，认为A的不一致程度在容许范围之内，有满意的一致性，通过一致性检验。可用其归一化特征向量作为权向量，否则要重新构造成对比较矩阵A，对a_ij加以调整。

该应用实例中，水肥决策***的判断矩阵的最大特征根λ＝5.073。

权向量(特征向量)w＝(0.263,0.475,0.055,0.090,0.110)^T。

一致性指标

随机一致性指标RI＝1.12(查表)。

一致性比率CR＝0.018/1.12＝0.016<0.1。

通过一致性检验。

步骤4、层次总排序及其一致性检验。

计算某一层次所有因素对于最高层(总目标)相对重要性的权值，称为层次总排序。

这一过程是从最高层次到最低层次依次进行的。

其中，参数a为常数，m为一致性指标的个数。

当CR<1时，认为层次总排序通过一致性检验。层次总排序具有满意的一致性，否则需要重新调整那些一致性比率高的判断矩阵的元素取值。

到此，根据最下层(决策层)的层次总排序做出最后决策。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种基于植物生命体征的水肥药决策***，其特征是，包括：

植物生命体征信息采集单元，采集植物叶片的水分、新梢的养分、叶片养分、主干养分及根部养分并将上述信息传输至信息采集与智能决策综合控制柜或云端服务平台；

图像采集单元，采集植物生长过程中的图片信息并传输至智能决策综合控制柜或云端服务平台；

所述智能决策综合控制柜或云端服务平台根据所采集的信息判断植物的健康状况并基于该健康状况实现对水肥药的施加。

2.如权利要求1所述的一种基于植物生命体征的水肥药决策***，其特征是，所述植物生命体征信息采集单元包括叶片水分传感器、新梢养分传感器、叶片养分传感器、主干养分传感器及根部养分传感器，所述叶片水分传感器、新梢养分传感器、叶片养分传感器、主干养分传感器及根部养分传感器分别连接至智能决策综合控制柜中的控制器。

3.如权利要求1所述的一种基于植物生命体征的水肥药决策***，其特征是，所述智能决策综合控制柜包括处理器及显示器，所述控制器还连接至控制阀门，所述控制阀门分别安装在高压喷雾管路及水肥药管路上。

4.如权利要求1所述的一种基于植物生命体征的水肥药决策***，其特征是，所述智能决策综合控制柜中根据所采集的信息判断植物的健康状况并基于该健康状况实现对水肥药的施加，其中，药施用方案的作出方式为：针对图像采集单元采集的植物的图像，通过图像处理算法对图像进行处理与识别，提取植物的长势、颜色、文理信息，实现对生长发育情况、开花坐果、病虫害情况、干旱、霜冻灾害的自动化监测，根据监测结果确定是否用药及用药的多少。

5.如权利要求1所述的一种基于植物生命体征的水肥药决策***，其特征是，所述智能决策综合控制柜中根据所采集的信息判断植物的健康状况并基于该健康状况实现对水肥药的施加，其中，水肥施用方案的作出方式为：监测植物生长环境信息和植物本体的生命体征信息，采用二次指数平滑法得出相应的预测值，利用层次分析法进行综合评价，参考专家数据的专家推荐值和用户经验值，得出若干个适宜的水肥施用方案，并自动推荐最优灌溉施肥方案。

6.如权利要求1所述的一种基于植物生命体征的水肥药决策***，其特征是，所述智能决策综合控制柜的控制方式包括：定时控制、定量控制及条件控制；

其中，定时控制：设置开始时间和结束时间，智能决策综合控制柜根据设置的时间，自动启停；

定量控制：设定灌溉水量、肥量、药量，智能决策综合控制柜控制设备启动后，达到相应的设置量，自动停止；

条件控制：设定灌溉、施肥、施药设备的开启和关闭条件，智能决策综合控制柜控制设备在满足条件时自动运行。

7.一种基于植物生命体征的水肥药决策***的决策方法，其特征是，包括以下步骤：

针对采集的植物的图像信息，通过图像处理算法对图像进行处理与识别，提取植物的长势、颜色、文理信息，实现对生长发育情况、开花坐果、病虫害情况、干旱、霜冻灾害的自动化监测，根据监测结果确定是否用药及用药的多少；

监测植物生长环境信息和植物本体的生命体征信息，采用二次指数平滑法得出相应的预测值，利用层次分析法进行综合评价，参考专家数据的专家推荐值和用户经验值，得出若干个适宜的水肥施用方案，并自动推荐最优灌溉施肥方案。

8.如权利要求7所述的一种基于植物生命体征的水肥药决策***的决策方法，其特征是，采用二次指数平滑法得出相应的预测值，预测步骤为：

建立水肥决策层次结构模型；

基于上述模型构造判断矩阵，构造矩阵时采用影响因素因素成对比较的方式；

针对判断矩阵进行层次单排序并利用一致性检验进行确认；

针对判断矩阵进行层次总排序并利用一致性检验进行确认；

根据水肥决策层次结构模型最下层即决策层的层次总排序做出最后决策。

9.如权利要求8所述的一种基于植物生命体征的水肥药决策***的决策方法，其特征是，建立水肥决策层次结构模型：将最优水肥方案、决策准则和影响因素按它们之间的相互关系分为最高层、中间层和最低层，绘出层次结构图，其中，决策准则包括叶片水分、叶片养分、茎秆粗度及果实大小，影响因素包括气象、土壤、专家及用户。

10.如权利要求8所述的一种基于植物生命体征的水肥药决策***的决策方法，其特征是，对应于判断矩阵最大特征根的特征向量，经归一化后的元素为同一层次因素对于上一层次因素某因素相对重要性的排序权值，这一过程称为层次单排序；

计算某一层次所有因素对于最高层相对重要性的权值，称为层次总排序。