CN114365614A - 基于物联网的水肥精准调控方法、智能装备及*** - Google Patents

基于物联网的水肥精准调控方法、智能装备及*** Download PDF

Info

Publication number
CN114365614A
CN114365614A CN202111382762.9A CN202111382762A CN114365614A CN 114365614 A CN114365614 A CN 114365614A CN 202111382762 A CN202111382762 A CN 202111382762A CN 114365614 A CN114365614 A CN 114365614A
Authority
CN
China
Prior art keywords
irrigation
fertilizer
water
control
layer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111382762.9A
Other languages
English (en)
Inventor
王永涛
刘坚
黄维
李蓉
杨文峰
索鑫宇
胡芮家
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Water Conservancy Research Institute Guizhou Irrigation Test Center Station
Hunan University
Original Assignee
Guizhou Water Conservancy Research Institute Guizhou Irrigation Test Center Station
Hunan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guizhou Water Conservancy Research Institute Guizhou Irrigation Test Center Station, Hunan University filed Critical Guizhou Water Conservancy Research Institute Guizhou Irrigation Test Center Station
Priority to CN202111382762.9A priority Critical patent/CN114365614A/zh
Publication of CN114365614A publication Critical patent/CN114365614A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
    • A01C23/04—Distributing under pressure; Distributing mud; Adaptation of watering systems for fertilising-liquids
    • A01C23/042—Adding fertiliser to watering systems
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
    • A01C23/007—Metering or regulating systems
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C23/00—Distributing devices specially adapted for liquid manure or other fertilising liquid, including ammonia, e.g. transport tanks or sprinkling wagons
    • A01C23/04—Distributing under pressure; Distributing mud; Adaptation of watering systems for fertilising-liquids
    • A01C23/047—Spraying of liquid fertilisers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/05—Agriculture
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Soil Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Agronomy & Crop Science (AREA)
  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Fertilizing (AREA)
  • Hydroponics (AREA)

Abstract

本发明适用于农业灌溉施肥管理技术领域，提供了基于物联网的水肥精准调控方法、智能装备及***，本发明采用物联网的感知层、传输层(接入层和网络层)、支撑层和应用层四层架构模式；基于STM32F103RET6自主研发多功能采集控制装置并对射流器与文丘里混合器结构进行了优化；自行设计短距离通信协议结合Lora及TCP/IP等多种协议实现智能水肥一体化联网；基于BPNN的营养液EC、营养液PH、土壤温度T、土壤湿度H等多传感器数据融合设计了具有缓冲混肥桶的传递函数并与二维增量式模糊PID控制方法集合，实现了土壤水分、养分控制过程的响应速度和精度；采用LSTM长短期记忆神经网络预测未来7‑15日降水量，并通过连续无雨日旱情评估及主要旱地作物旱情评估。

Description

基于物联网的水肥精准调控方法、智能装备及***
技术领域
本发明属于农业灌溉施肥管理技术领域，尤其涉及基于物联网的水肥精准调控方法、智能装备及***。
背景技术
随着网络技术、信息技术的飞速发展，赋予了农业信息化建设丰富的内涵，形成以物联网为基础，采用无线网络来测量获得作物生长的最佳条件，并进行精准调控，达到增产、改善品质、调节生长周期、节水节肥、减少环境污染、提高经济效益的目的。在农田中布置无线传感器网络以及一些自动化、智能化设备可以实现远程对农田信息的实时监测和控制，保证农作物的科学合理生长，大大减少了各种人力资源的消耗，改变了传统农业生产方式，提高了农业发展的速度。农业物联网技术在农业领域中的应用，逐渐成为新时代农业现代化水平的标志。
通过查找资料得知，农作物电导率r(t)范围一般在0.8～2.5mS/cm之间，电导率r(t)偏差e范围应不超过±0.8mS/cm；大多数作物以在中性或弱酸性、弱碱性的土壤中生长为适宜，农作物生长的pH值在6.5～7.5之间，土壤的酸性或碱性过强都不利于作物的生长。要求营养液制备具有很高的效率和即时性。
在水肥精准调控方法方面，采用PID经典控制与模糊控制结合实现对土壤的EC值和PH值动态调控***，在响应速度、和控制精度方面性能较差，一定程度地制约了农业生产快速、准确的实现水肥一体化的要求。
由于降水量受到大气环流、水文气象要素、自然地理等诸多物理要素的综合作用，是一种弱相关、高度复杂的非线性动力***，其变化并不是以一种固定的周期在运动，而是包含着各种时间尺度的变化和局部波动，这种特性导致中长期预测降水量难度较大、精度较低。
水肥一体化是将灌水与施肥紧密结合的高新技术，需要灌溉设备、水溶肥料与灌溉施肥制度有机结合。但目前技术与产品结合不够紧密，一些地方只注重灌溉施肥设备配备，忽略了灌溉施肥制度优化和水溶肥料应用，导致技术的经济和社会效益未得到充分发挥。
同时，水肥一体化设备操作复杂，智能化程度低，针对具体条件和作物的技术研发少，使设备和产品的适用性不强，特别是施肥成套产品品种、规格少，形式比较单一，大型、精密、智能化设备开发不足，制约了水肥一体化的推广应用。
水肥一体化***不适应当地情况。水肥一体化施肥机多采用整体进口，***通讯协议不开放，兼容性较差，实现远程控制困难，无法根据用户需求进行个性化定制和二次开发，适应性较差。全国各地的水文地理情况、种植情况、灌溉习惯等不尽相同，在一个地方推广成功的水肥一体化***在另一个地方就可能出现“水土不服”。
发明内容
本发明提供一种基于物联网的水肥精准调控方法、智能装备及***，实现物联网技术、自动化灌溉施肥装备与智能控制方法相融合。针对贵州火龙果、猕猴桃、茶叶的火龙果生育期水分控制阈值，土壤环境和养分含量状况，采用二维增量式模糊PID控制方法，通过对灌溉施肥的精准控制达到精确控制灌水量、施肥量，***实现水、肥进行检测调配和供给的智能化，具备实用性强、易于管理的特点。
本发明是这样实现的，基于物联网的水肥精准调控***，包括信息感知层、信息传输层、支撑层及信息应用层，其中：
所述信息感知层包括条形码、二维码、RFID、基于STM32F103RET6自主研发多功能采集控制装置、智能传感器、智能摄像头、超文本信息及自组织网络；
所述信息传输层包括信息接入层和网络层，接入层现场传感器有线路由与无线组网，其中主要采用RS232/485、wifi、Zigbee、Lora，网络层主要有GSM、4G、5G、互联网、物联网、通讯网等异构网络的接入和传输；
所述支撑层设计主要包括云计算、数据挖掘、数据可视化、多源异构数据融合、数据库级GIS/GPS/RS技术等；
所述信息应用层主要包括监控、报警查询、智能控制、行业接口、信息***、决策支持***(生育期及土壤水分控制阈值)。
其中关于所述采集控制装置，所述采集控制装置以嵌入式单片机STM32F103RET6控制器为核心，实现水位、流量、闸位、泵站、视频及闸(阀)门启闭信息的采集，并通过Lora、RS232/485模块实现信息的传输。
其中关于所述数据挖掘主要为根据历史时段内有效降雨量P，采用LSTM长短期记忆神经网络预测未来5-15日降水量，并通过连续无雨日旱情评估及主要旱地作物旱情评估，结合作物灌溉制度，确定灌水的时间、计划及灌水量，用于提高灌溉施肥的精准性。
所述的灌溉制度主要为主要为贵州火龙果、猕猴桃及茶叶三种作物生育期及土壤水分控制阈值见表6、表7和表8。
表6火龙果生育期及土壤水分控制阈值
Figure BDA0003366228010000031
表7猕猴桃生育期及土壤水分控制阈值
Figure BDA0003366228010000041
表8茶叶生育期及土壤水分控制阈值
Figure BDA0003366228010000042
其中关于所述智能控制包括基于BPNN的EC传感器、PH传感器、土壤温湿度传感器(T、H)等多传感器数据融合，其结构如图8所示。采用三层(4-8-1)结构，即4输入(EC、PH、T、H)，隐含层层数为8层，输出层层数为1层(目标营养液电导率y)，建立BPNN多传感器数据融合非线性函数为：
y＝f(ec,ph,t,h) (1)
其中ec,ph,t,h为神经网络的输入。
二维增量式模糊PID控制方法及自动灌溉施肥控制，所述智能控制主要为二维增量式模糊PID控制方法，即以实际土壤电导率r与土壤目标电导率y间的偏差e、偏差变化率ec的二维增量式模糊PID控制模型。
通过模糊化处理、模糊控制规则、模糊决策及解模糊化处理环节，输出量为PID控制器的3个输入修正参数ΔKp、ΔKi、ΔKd，形成的二维增量式模糊PID控制模型。
当e(t)、ec(t)按不同规律变化时，根据人工经验制定出制定合理的模糊规则，并根据模糊规则对PID各参数进行在线修改，从而使***性能达到最佳，之后，参照模糊规则展开模糊推理，推理结果经解模糊化处理，清晰量ΔKp、ΔKi、ΔKd再经过量化因子(或比例因子)计算作为输出量，最后经过Kp、Ki、Kd得到该采样时刻的实际控制量，最终确定电磁阀的开启时间t；
关于具有缓冲施肥桶的传递函数
所述二维增量式模糊PID控制模型将文丘里射流器在吸肥的同时进行混肥的过程视为在缓冲混肥桶中就增加了虚拟的混肥容积VF，混合过程为平推流(塞流)和理想搅拌混合的结合，整个***为二阶滞后***，***的传递函数为(8)，
Figure BDA0003366228010000051
式(8)中，K2代表增加文丘里射流器后形成的二阶***增益，
Figure BDA0003366228010000052
TF表示在文丘里射流器中营养液制备过程的时间常数，
Figure BDA0003366228010000053
VF表示增加文丘里射流器后增加的预混合容积；Tp＝γTr，γ表示混合系数，对于平流模式，γ＝0，对于理想搅拌模式，γ＝1，
Figure BDA0003366228010000054
VT为混肥桶有效混合容积，QF代表流入文丘里射流器的液体流量；Qw表示注入混肥桶的水流量；τ表示肥料母液QNS在缓冲混肥桶的混合滞后及测量滞后时间，包括液体在管道中的流动时间和混合时间，τ＝(1-γ)Tr＝1；τ'为新的滞后时间，QNS≤QF＜Qw，QNS表示注入肥料桶中肥料母液的流量。
其中还包括双目机器视觉技术判断作物缺水状态为在日光条件下采集火龙果、猕猴桃、茶叶叶片图像，然后分别提取红绿蓝(RGB)三色分量和它们的相对系数grb及色度H，采用红色分量R、绿色分量G、蓝色分量B、以及r分量、b分量，通过CNN通过多层卷积和池化操作可以自主学习并提取数据每个局部特征，获取相对于显式特征提取方法更加有效的抽象特征映射，快速判断火龙果、猕猴桃、茶叶缺水状况的指标。
CNN通过设置网络第1卷积层的卷积核大小为9×9，数量为12，激活函数为RELU；第2卷积层的卷积核大小为3×3，数量为18，每个输出特征图由不同的卷积核在前一层所有特征图上作卷积并将对应元素累加后加偏置，再通过RELU函数激活得到；池化层采用均值池化方法，下采样尺度均为2×2，MLP隐层神经元个数设置为光栅化层的一半，输出层为单神经元，用于实值回归，网络利用BP算法进行训练，设置卷积核权值随机初始化，偏置为全0初始化，采用留一交叉验证法选取最佳参数，损失函数定义为欧氏距离，通过式(12)计算
Figure BDA0003366228010000061
其中yp是网络预测值，yt是实验测定值，通过试验设定网络学习率为0.6，最大迭代次数为1000。
用于根据灌区的规模、水源情况、作物情况、灌溉习惯、应用场景灵活二次开发，以及可根据需求进行设置成1-5通道系列的智能水肥一体化施肥机，该智能水肥一体化施肥机包括射流器、多通道文丘里混合器、通用MONBUS通信协议、Tiny6410嵌入式单板机，
具体的包括控制箱***、过滤***、管网***、计量***、吸肥***、混肥***和注肥***。
其中关于协议说明：自组织网络协议涉及到前端数据采集控制器，手机端以及后台，包括有采集器与后台通信，采集器与手机通信(通过蓝牙)，采集的环境参数有湿度和流量两种(以下协议中除这两个传感器之外的传感器可以自行增加)，新加入的控制操作包括模式选择、手动开关控制、土壤水分控制阈值设置、时间段设置，新加入的读取操作包括当前工作模式读取、已设置土壤水分控制阈值读取、已设置时间段读取、当前闸(阀)实际状态(开关)。
所述的自组织网络协议的帧格式与控制码为表1与表2所示。
表1帧格式
Figure BDA0003366228010000071
控制码表示要求执行的操作，2个字节，格式如表格2所示：
表2控制码的定义
Figure BDA0003366228010000072
所述控制箱***连接EC传感器、PH传感器、土壤温湿度传感器、气象站、视频监控摄像机；
所述吸肥***连接储肥罐、施肥阀、蝶式过滤器、吸肥通道、射流器、文丘里混合器组成；
所述水源管网多采用泵站提水至高位水池自流或加压灌溉，泵站控制采用PID控制方法，将高位水池与泵站运行能效监控闭环控制；
所述射流器的渐缩角ɑ＝6°、渐扩角β＝4°及喉部直径d0＝10，连接吸入室、喷嘴、喉管、扩散管；
所述文丘里混合器连接下主管道压力表、射流器、上主管道压力表、吸肥通道、手动阀；
所述吸肥***基于四联射流器，用于实现对不同类型单元素液肥的吸取及混合；
所述混肥***连接水源管网、控制箱***、水源主管道水泵、主管过滤器、减压阀、浮球阀、缓冲混肥桶、EC传感器、PH传感器、压感开关、上支管过滤器组成；
所述注肥***连接由助肥泵、止回阀、灌溉电磁阀及田间管网。
基于物联网的水肥精准调控方法，包括如下步骤：
步骤一：***初始化；
步骤二：唤醒无线传感器节点；
步骤三：开始设定是时间T0、湿度R0、养分EC0、PH0初值，并与云服务器通信，同步完成数据融合处理，提取云服务器根据作物灌溉制度，完成诊断、决策、预测；
步骤四：工作模式选择，可选择灌溉、施肥及水肥一体化三种工作模式；
步骤五：当选择灌溉，则***完成当前湿度与设定湿度进行比较，当前湿度R1低于设定湿度R0，并预测未来5日无降雨P则开始灌溉，若当前湿度R1不低于设定湿度R0，则停止灌溉；当选择施肥，则***完成当前EC1与设定EC0进行比较，若当前EC1低于设定EC0，并预测未来5日无降雨P，则开始施肥，若当前EC1不低于设定EC0，则停止施肥；则停止灌溉；当选择水肥一体化，则***完成当前湿度R1或者当前EC1与设定湿度R0或者设定EC0进行比较，若不相等且并预测未来5日无降雨P，则开始灌溉施肥，若相等，则停止灌溉施肥。
其中还包括信息***软件，所述信息***软件采用基本是JavaEE平台，SpringMVC+Mybaties框架来搭建，
所述信息***主要由水利物联网墒情监测及水肥一体化灌溉控制***、智能视频监控***、泵房水池自适应控制***、远程网络气象监测***四部分组成，用于作为集远程数据采集、远程视频传输、远程监测控制、压力调节、流量调节为一体的综合控制***，
所述信息***能综合查看示各分站的流量、压力、PH值、风速、土壤湿度、空气湿度、温度、辐射、高位水池液位实时数据，并自动计算区域平均灌溉水利用率，
所述区域平均灌溉水利用率，应根据区域内不同类型、不同规模毛灌溉用水量及相应样点灌区灌溉水利用率进行加权平均计算：
Figure BDA0003366228010000091
式(13)中：η区域——区域平均灌溉水利用率；η大、η中、η小——分别为区域大、中、小型灌区的灌溉水利用率；W大、W中、W小——分别为区域大、中、小型灌区的毛用水量，万m3，
对于打捆大型灌区平均灌溉水利用率，计算公式见式(14)：
Figure BDA0003366228010000092
式中：η大——打捆大型灌区灌溉水利用率；η中、η小——分别为组成打捆大型灌区的中、小型灌区灌溉水利用率；W中、W小——分别为组成打捆大型灌区的中、小型灌区的毛用水量，m3。
与现有技术相比，本发明的有益效果是：本发明采用物联网的感知层、传输层(接入层和网络层)、支撑层和应用层四层架构模式；基于STM32F103RET6自主研发多功能采集控制装置并对射流器与文丘里混合器结构进行了优化；自行设计短距离通信协议结合Lora及TCP/IP等多种协议实现智能水肥一体化联网；设计了具有缓冲混肥桶的传递函数并与二维增量式模糊PID控制方法集合，实现了土壤水分、养分控制过程的响应速度和精度；采用LSTM长短期记忆神经网络预测未来7-15日降水量，并通过连续无雨日旱情评估及主要旱地作物旱情评估；结合贵州火龙果、猕猴桃、茶叶的灌溉制度，确定灌水的时间、计划及灌水量，提高灌溉施肥的精准性；设计了大捆大型灌区平均灌溉水利用率计算公式，为评估***的节水率提供了技术支撑，可以满足农业生产快速、准确的实现水肥一体化的要求。
本发明解决了目前水肥一体化施肥机多采用整体进口，***通讯协议不开放，兼容性较差，实现远程控制困难，用户无法根据不同区域、不同作物的灌溉制度及施肥配方需求进行个性化定制和二次开发，适应性较差等“水土不服”的问题。能够满足贵州火龙果、猕猴桃、茶叶不同生育期水肥的需求，土壤环境和养分含量状况，自动对水、肥进行检测调配和供给，达到精确控制灌水量、施肥量及农业管理信息化，与传统的节水灌溉技术相比，实现节水41.3％、节肥32.1％；灌溉管理方式由分散管理转变为集中管理，1-2人可完成万亩以上农田灌溉管理工作，节约劳动力1023工日/百亩，满足贵州山地特色农业现代化新要求。
附图说明
图1智能水肥一体化施肥机的物联网水肥精准调控***架构模型；
图2采集控制装置图；
在图2中：1-开关量输出(电磁阀)；2-4G通信模块；3-雨量传感器；4-RS232/485串口；5-太阳能供电接口(电源接口)；6-Lora通信模块；7-模拟量输入(湿度传感器)；8-模拟量输入(湿度传感器)；9-模拟量输出(电动阀)；10-模拟量输出(电动阀)；11-RJ-45输入(摄像头接口)；12-脉冲信号(流量)；13-模拟量输入(温度传感器)；14-JATG接口；15-模拟量输入(流量计)；17-智能水肥一体机接口；18-开光量输出(电磁阀)；19-嵌入式单片机STM32F103RET6；
图3是本发明的射流器内部结构图；
在图3中：26-吸入室；27-喷嘴；28-喉管；29-扩散管(文丘里效应)；
图4是本发明的文丘里混合器结构示意图；
在图4中：30-下主管道压力表；31-射流器；32-上主管道压力表；33-吸肥通道；34-手动阀；
图5是本发明的智能水肥一体化施肥机装配图；
在图5中：4-控制箱***；19-过滤***；20-管网***；21-计量***；22-吸肥***；23-混肥***；24-注肥***；
图6是本发明的并联型水肥一体机***安装图；
在图6中：1-助肥泵；2-缓冲混肥桶；3-射流器；4-控制箱***；5-EC传感器；6-PH传感器；7-浮球阀；8-压力表；9-上支管过滤器；10-压感开关；11-止回阀；12-水源主管道水泵；13-主管过滤器；14-减压阀；15-储肥桶；16施肥阀；17-蝶式过滤器；18-流量计；
图7自动控制***流程图；
图8基于BPNN的多传感器数据融合模型结构
图9为BPNN模糊自适应PID结构框图
图10增量式模糊PID控制***仿真模型；
图11 FUZZY-PID子***连接模型；
图12模糊PIDMATLAB仿真图；
图13灌溉施肥决策支持***整体架构图；
图14灌溉施肥决策支持***建模流程图；
图15连续无雨日旱情评估一；
图16连续无雨日旱情评估二；
图17管理***E-R图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，物联网水肥精准调控***主要由信息感知层、信息传输层、支撑层及信息应用层组成。
信息感知层
信息感知层包括条形码、二维码、RFID、基于STM32F103RET6自主研发多功能采集控制装置、智能传感器、智能摄像头、超文本信息及自组织网络等。
采集控制装置如图2所示，连接开关量输出(电磁阀)1、4G通信模块2、雨量传感器3、RS232/485串口4、太阳能供电接口5(电源接口)、Lora通信模块6、模拟量输入7(湿度传感器)、模拟量输入8(湿度传感器)、模拟量输出9(电动阀)、模拟量输出10(电动阀)、RJ-45输入11(摄像头接口)、脉冲信号12(流量)、模拟量输入13(温度传感器)、JATG接口14、模拟量输入(流量计)15、智能水肥一体机接口17、开光量输出18(电磁阀)、嵌入式单片机19STM32F103RET6组成，装置以嵌入式单片机STM32F103RET6控制器为核心，实现水位、流量、闸位、泵站、视频及闸(阀)门启闭信息的采集，并通过Lora、RS232/485等模块实现信息的传输。
水肥精准调控智能装备主要为智能水肥一体化施肥机。其针对贵州火龙果、猕猴桃、茶叶生育期水分控制阈值，以图3所示的优化的射流器及图4所示的多通道文丘里混合器为核心、通用MONBUS通信协议、Tiny6410嵌入式单板机，实现在线组网和远程控制，可根据用户需求进行定制1-5通道系列智能水肥一体化施肥机，根据灌区的规模、水源情况、作物情况、灌溉习惯、应用场景灵活二次开发，适用性和实用性强，可在农业园区及灌区等进行大面积的推广应用。
智能水肥一体化施肥机根据山地地势起伏、条块分割特点，长距离输水灌溉的特点，水源多采用泵站提水至高位水池自流或加压灌溉。
智能水肥一体化施肥机控制箱(包括控制器等器件)连接土壤湿度传感器PH-TS、土壤EC、PH值传感器、气象站以及通用MONBUS通信模块。可以自动采集土壤水分、土壤温度、土壤EC、PH值以及空气温湿度等环境参数。
智能水肥一体化施肥机如图5所示。支架***连接控制箱(包括控制器、信息采集传输层等组成)***4、过滤***19、管网***20(水源管网及灌溉管网)、计量***21、吸肥***22、混肥***23和注肥***24。
控制箱(包括控制器、信息采集传输层等组成)***4连接EC传感器5、PH传感器6、土壤温湿度传感器35、气象站36、视频监控摄像机37。
吸肥***22连接储肥罐15、施肥阀16、蝶式过滤器17、吸肥通道、射流器20、文丘里混合器等几部分组成。
优化的射流器的渐缩角ɑ＝6°、渐扩角β＝4°及喉部直径d0＝10，连接吸入室26、喷嘴27、喉管28、扩散管(文丘里效应)29。
优化的文丘里混合器连接下主管道压力表30；射流器31；上主管道压力表32；吸肥通道33；手动阀34。
吸肥***22基于四联射流器，实现对不同类型单元素液肥的吸取及混合。在水肥一体机工作运行中，吸肥***22在灌溉主管道助肥泵1的作用下经上支管过滤器9进入射流器喷嘴渐缩段处，随横截面积的减小，水流压强增大，水流速度也随之增大。由射流器的工作原理，吸入室产生的真空负压与外界气压形成压差，利用压强差将肥料母液从与射流器吸肥口连接的储肥罐15吸入，完成吸肥过程。
并联型水肥一体机***安装如图6所示。水源管网在0.15MPa～0.25MPa处连接控制箱(包括控制器等器件)***、水源主管道水泵12、主管过滤器13、减压阀14、浮球阀7、缓冲混肥桶2、EC传感器、PH传感器、压感开关10、上支管过滤器9。
注肥***24连接由助肥泵1、止回阀11、灌溉电磁阀38及田间管网。
控制器型号为S7-200SMRT、EC传感器型号为PH/ORP控制器+5米常规电极、PH传感器型号为0～4000μS、助肥泵1型号为DL8-120、灌溉电磁阀38型号为ZS1DF13V4D16。
自组织网络协议涉及到前端数据采集控制器，手机端以及后台，包括有采集器与后台通信，采集器与手机通信(通过蓝牙)。采集的环境参数有湿度和流量两种(以下协议中除这两个传感器之外的传感器可以自行增加)，新加入的控制操作包括模式选择、手动开关控制、土壤水分控制阈值设置、时间段设置，新加入的读取操作包括当前工作模式读取、已设置土壤水分控制阈值读取、已设置时间段读取、当前闸(阀)实际状态(开关)等。
协议说明
在后台或手机端要向监测仪发送请求时，需要加上唤醒码FF FF FF FF FF FF FFFF FF FF(10个0xFF)，先发唤醒码，间隔0.2—0.5秒之后再发请求帧。
协议帧格式
字节格式
字节的串行传送格式：1位起始位；8位数据位；1位停止位，无奇偶校验。
帧格式
帧格式描述
帧是传送信息的基本单元，每帧由帧起始符、地址域、控制域、数据长度域、数据域、帧信息校验域及帧结束符等7个域组成。格式如表1所示：
表1帧格式
Figure BDA0003366228010000141
帧起始符(STA)
标识一帧信息的开始，1个字节，其值固定为E8H＝11101000B
地址域(AD)
标识当前收(发)设备的地址，2个字节，0xFFFF为广播地址
控制域(C)
控制码表示要求执行的操作，2个字节，格式如表2所示：
表2控制码的定义
Figure BDA0003366228010000142
D7：传送方向
D7＝0：由后台/手机发出的指令帧；
D7＝1：由采集器发出的回应帧。
D6：异常标志
D6＝0：表正确应答；
D6＝1：表对异常信息的应答。
D5～D0：功能码
(01H)：读取SD卡最近数据(天数)(蓝牙)
(02H)：生产设置(设置地址编号)(蓝牙)；
(03H)：读采集器取地址(蓝牙)；
(04H)：清除雨量信息(本***用不到)；
(05H)：设置采集器CPU唤醒后的工作时间(s)；
(06H)：读出CPU唤醒后的工作时间(s)；
(07H)：设置采集器CPU的休眠时间(s)
(08H)：读出采集器CPU的休眠时间(s)
(09H)：校时
(0AH)：配置传感器信息
(0BH)：读出已经配置的传感器
(0CH)：设备生产初始化，SD卡数据保留
(0DH)：更改流量参数
(0EH)：读出所有工作传感器信息以及所采集的数据(被动方式，即应答后台所发出的命令)
(0FH)：采集器主动向后台发送所有工作传感器所采集的数据
(10H)：暂时保留
(11H)：工作模式选择(0-手动+时间1-自动2-手动)
(12H)：当前工作模式读取
(13H)：手动控制闸(阀)开关操作
(14H)：土壤水分控制阈值设置单位Lx设置范围0～65535Lx
(15H)：读出已设置的土壤水分控制阈值单位Lx
(16H)：时间段设置，包括傍晚的小时、分钟和清晨的小时、分钟
(17H)：读出已设置的时间段，包括傍晚的小时、分钟和清晨的小时、分钟
(18H)：读取当前闸(阀)的开关状态
(19H)：用作测试，读取采集器软件闸(阀)开关标志位
(1AH)：设置PWM阈值，改变电动阀的开度
长度(LEN)
代表数据域中的字节总数，2个字节
数据域(DATA)
数据
校验码(CRC)
采用CRC-16循环冗余校验，校验内容为AD、C、LEN和DATA，2个字节
帧结束符(END)
标识一帧信息的结束，1个字节，其值固定为E6H＝11100100B
字节存放模式
采用小端模式，即低字节存放于低位地址，低字节在前，高字节在后
信息传输层
信息传输层包括信息接入层和网络层。接入层现场传感器有限路由无线组网与接入。主要采用RS232/485、wifi、Zigbee、Lora，网络层主要有GSM、4G、5G、互联网、物联网、通讯网等异构网络的接入和传输。
支撑层
支撑层设计主要包括云计算、数据挖掘、数据可视化、多源异构数据融合、数据库级GIS/GPS/RS技术等。
数据挖掘主要为根据历史时段内有效降雨量P，采用LSTM长短期记忆神经网络预测未来7-15日降水量，并通过连续无雨日旱情评估及主要旱地作物旱情评估，结合作物灌溉制度，确定灌水的时间、计划及灌水量。提高灌溉施肥的精准性。
连续无雨日旱情评估
连续无雨日旱情评估主要针对某一区域旱情进行自定时间查询时评估，可以帮助查询，随时了解某一时间段的旱情状况而提供的快速评估。在该页面可进行单一区域的自定义时间评估，也可进行全部站点的自定义时间评估。
主要旱地作物旱情评估
旱地作物旱情评估与续无雨日旱情评估类似，只是在评估时增加作物选项。作物评估涉及到不同作物有不同的作物系数，作物系数的更新及修改在“管理员工具”中操作。
灌溉数据库主要包括①灌溉对象信息表，包含的数据项有作物名称(char)、湿度下限(float)、湿度上限(float)、环境温度(float)等；②灌溉区域信息表，包含的数据项有浇灌区域ID(int)、浇灌面积(float)、作物名称(char)、浇灌方式(char)；③灌溉计划信息表，包含的数据项有灌溉区域ID(int)、浇灌时间(datetime)、灌水量(float)等。④灌溉状态信息表，包含的数据项有灌溉区域ID(int)、设备通信状态(bool)、温度采集状态(bool)、湿度采集状态(bool)、温度值(float)、湿度值(float)；⑤灌溉历史信息表。包括的数据项有灌溉区域ID(int)、灌溉时间(datetime)、灌溉水量(float)、灌前湿度(float)、灌后湿度(float)等。
施肥数据库主要包括①灌溉施肥对象信息表，包含的数据项有作物名称(char)、EC下限(float)、EC上限(float)、环境温度(float)等；②施肥区域信息表，包含的数据项有施肥区域ID(int)、施肥面积(float)、作物名称(char)、施肥方式(char)；③施肥计划信息表，包含的数据项有施肥区域ID(int)、施肥时间(datetime)、施肥量(float)等。④施肥状态信息表，包含的数据项有施肥区域ID(int)、设备通信状态(bool)、土壤养分采集状态(bool)、土壤养分采集状态(bool)、EC值(float)、PH值(float)；⑤施肥历史信息表。包括的数据项有施肥区域ID(int)、施肥时间(datetime)、施肥量(float)、施肥前EC(float)、施肥后EC(float)等。
信息应用层
信息应用层主要包括监控、报警查询、智能控制、行业接口、信息***、决策支持***(生育期及土壤水分控制阈值)。
智能控制包括二维增量式模糊PID控制方法及自动灌溉施肥控制。
所述智能控制包括基于BPNN的EC传感器、PH传感器、土壤温湿度传感器(T、H)等多传感器数据融合，其结构如图8所示。采用三层(4-8-1)结构，即4输入(EC、PH、T、H)，隐含层层数为8层，输出层层数为1层(目标营养液电导率y)，建立BPNN多传感器数据融合非线性函数为：
y＝f(ec,ph,t,h) (1)
，其中ec,ph,t,h为神经网络的输入，其中学习速率取0.2，惯性系数取0.05，隐含层的激活函数取正负相对的sigmoid函数如(2)所示，输出层激活函数取正负的sigmoid函数如(3)所示。
Figure BDA0003366228010000181
Figure BDA0003366228010000182
所述的二维增量式模糊PID控制方法及自动灌溉施肥控制，所述智能控制主要为二维增量式模糊PID控制方法，即以实际土壤电导率r与土壤目标电导率y间的偏差e、偏差变化率ec的二维增量式模糊PID控制模型。
在常规的模糊PID基础上，通过①模糊化处理、②模糊控制规则、③模糊决策及④解模糊化处理等环节，输出量为PID控制器的3个输入修正参数增量ΔKp、ΔKi、ΔKd。
当e(t)、ec(t)按不同规律变化时，根据人工经验制定出制定合理的模糊规则。并根据模糊规则对PID各参数进行在线修改，从而使***性能达到最佳。之后，参照模糊规则展开模糊推理，推理结果经解模糊化处理，清晰量ΔKp、ΔKi、ΔKd再经过量化因子(或比例因子)计算作为输出量，最后经过Kp、Ki、Kd得到该采样时刻的实际控制量，最终确定电磁阀的开启时间t。
模糊PID控制策略
***采用输入电导率的误差e(t)、电导率误差的变化率ec(t)，输出ΔKp、ΔKi、ΔKd进而自适应调节PID控制器的三个参数，提高***动态响应速度，增强***对于土壤水肥变化的适应性。
Figure BDA0003366228010000191
式中：r(t)为实际测得土壤电导率；y(t)为目标土壤电导率；e(t)为t时刻电导率的误差；e(t-1)为t-1时刻电导率的误差。
模糊增量式PID控制器
在常规的PID基础上，通过①模糊化处理、②模糊控制规则、③模糊决策及④解模糊化处理等环节，输出量为PID控制器的3个输入修正参数ΔKp、ΔKi、ΔKd。模糊自适应PID结构框图如图9所示。
当e(t)、ec(t)按不同规律变化时，根据人工经验制定出制定合理的模糊规则。并根据模糊规则对PID各参数进行在线修改，从而使***性能达到最佳。之后，参照模糊规则展开模糊推理，推理结果经解模糊化处理，清晰量ΔKp、ΔKi、ΔKd再经过量化因子(或比例因子)计算作为输出量，最后经过Kp、Ki、Kd得到该采样时刻的实际控制量，最终确定电磁阀的开启时间t。
输入输出模糊变量及论域
多通道水肥一体化装置土壤电导率从0升高到2.5mS/cm用时约为180s。偏差e的基本论域为：[-0.8,0.8]；偏差ec的基本论域为：[-0.8,0.8]；设定偏差的模糊论域为：[-4,4]；设定偏差变化的模糊论域为：[-4,4]；输出电磁阀t的基本论域为[0,180]；输出电磁阀y(t)的模糊论域为[0,3]。则输入量e、ec的量化因子Ke、Kec；输出量的比例因子为Kt。
Figure BDA0003366228010000201
输出ΔKp的基本论域为：[-100，100]；输出ΔKi的基本论域为：[-50，50]；输出ΔKd的基本论域为：[-100，100]；设定三个输出的模糊论域都为：[-3，3]。通过单独PID控制器分析，PID的初始值设为Kp0＝8，Ki0＝0.01，Kd0＝-27时，且Kp的变化范围为[10，20]，Ki的变化范围为[0，1]，Kd的变化范围为[0，0.16]时，***的控制效果较好。PID控制器的三个参数Kp、Ki、Kd及其对应的输出比例因子公式(6)计算分别为ap＝0.0005、ai＝0.05、ad＝0.008。
Figure BDA0003366228010000202
Figure BDA0003366228010000203
式(7)中：KPmax、Kimax及Kdmax分别对应Kp、Ki、Kd变化范围内的最大值；ΔKPmax、ΔKimax及ΔKdmax分别对应ΔKp、ΔKi、ΔKd变化范围内的最大值。
模糊控制器的控制表
***运行参数，选取偏差e和偏差变化ec为输入，输出为增量ΔKp、ΔKi、ΔKd。输入、输出语言变量均取{NB,NM,NS,ZO,PS,PM,PB}(分别代表负大、负中、负小、零、正小、正中、正大)七个模糊值。根据原则和***的经验知识，制定表3～5的模糊控制规则表。
表3ΔKp的模糊控制规则
Figure BDA0003366228010000211
表4ΔKi的模糊控制规则
Figure BDA0003366228010000212
表5ΔKd的模糊控制规则
Figure BDA0003366228010000213
Figure BDA0003366228010000221
具有缓冲施肥桶的传递函数
二维增量式模糊PID控制模型将文丘里射流器在吸肥的同时进行混肥的过程视为在缓冲混肥桶2中就增加了虚拟的混肥容积VF，混合过程为平推流(塞流)和理想搅拌混合的结合。整个***为二阶滞后***，设定Qw＝1L/s，QF＝0.05L/s。QNS＝0.01L/s。以10L混肥桶为例(工作有效容积为9L)开展研究，***的传递函数为(8)，VT＝5L，VF＝4L。
Figure BDA0003366228010000222
式(8)中，K2代表增加文丘里射流器3后形成的二阶***增益，
Figure BDA0003366228010000223
TF表示在文丘里射流器3中营养液制备过程的时间常数，
Figure BDA0003366228010000224
VF表示增加文丘里射流器3后增加的预混合容积；Tp＝γTr＝0.8·5＝4，γ表示混合系数，本文
Figure BDA0003366228010000225
对于平流模式，γ＝0，对于理想搅拌模式，γ＝1。
Figure BDA0003366228010000226
VT为混肥桶有效混合容积。QF代表流入文丘里射流器3的液体流量；Qw表示注入混肥桶的水流量；τ表示肥料母液QNS在缓冲混肥桶2的混合滞后及测量滞后时间，包括液体在管道中的流动时间和混合时间，τ＝(1-γ)Tr＝1；τ'为新的滞后时间，QNS≤QF＜Qw，QNS表示注入肥料桶中肥料母液的流量。
模糊PID控制器仿真模型
采用MATLAB的Simulink环境进行仿真，输入为ec＝2ms/cm的阶跃信号，控制对象的转递函数为(8)，通过设置相同的初始值，同步示波器输出传统PID与模糊自适应PID控制器控制性能曲线。图10为增量式模糊PID控制***仿真模型，图11为FUZZY-PID子***模型。
Figure BDA0003366228010000227
模糊PID控制器仿真模型EC值闭环调控***的传递函数为：
Figure BDA0003366228010000231
设定目标EC值为2ms/cm，PID的初始值Kp0＝8、Ki0＝0.01、Kd0＝-27；注肥阀16工作频率为6Hz，且一直处于开启的状态(占空比为100％)；装置入口压力为0.25MPa。传统PID控制仿真结果表明：峰值误差29.17％，ec稳定在1.79ms/cm，稳态误差为10.5％。
二维增量式模糊PID控制器。初始条件设置相同，仿真结果表明：增量式模糊PID超调量约为5.88％，***EC值稳定控制在1.97ms/cm，稳态误差为5％，从50s左右就进入了稳定阶段。
图12中，青色直线为输入ec＝2ms/cm目标阶跃信号，蓝色虚线为增量式模糊PID控制输出，红色为传统PID控制输出。由图11可以看出：增量式模糊PID与传统PID控制收敛时间约为50s。增量式模糊PID超调量约为5.88％，***ec值稳定控制在1.97ms/cm，稳态误差为5％；而传统PID控制峰值误差29.17％，ec稳定在1.79ms/cm，稳态误差为10.5％。对比仿真结果表明，本文增量式模糊PID具有更快的响应速度，更高的精度，可以满足农业生产快速、准确的实现水肥一体化的要求。
自动灌溉施肥控制具备根据湿度差、施肥量及设定时间自动灌溉施肥控制，自动控制******软件图见图7，具体流程如下：
流程F1：***初始化。
流程F2：唤醒无线传感器节点。
流程F3：开始设定是时间T0、湿度R0、养分EC0、PH0初值，并与云服务器通信，同步完成数据融合处理，提取云服务器根据作物灌溉制度，完成诊断、决策、预测。
流程F4：工作模式选择，可选择灌溉、施肥及水肥一体化三种工作模式。
流程F5：当选择灌溉，则***完成当前湿度与设定湿度进行比较，当前湿度R1低于设定湿度R0，并预测未来5日无降雨P则开始灌溉，若当前湿度R1不低于设定湿度R0，则停止灌溉；当选择施肥，则***完成当前EC1与设定EC0进行比较，若当前EC1低于设定EC0，并预测未来5日无降雨P，则开始施肥，若当前EC1不低于设定EC0，则停止施肥；则停止灌溉；当选择水肥一体化，则***完成当前湿度R1或者当前EC1与设定湿度R0或者设定EC0进行比较，若不相等且并预测未来5日无降雨P，则开始灌溉施肥，若相等，则停止灌溉施肥。
流程F6：***结束。
决策支持***功能架构大致可分为三层，首先是源数据层，定义要接入的数据类型以及对应的数据内容；数据中心主要负责对接入的源数据进行分析汇总，并最终形成应用集市区，为上层应用提供数据支撑；平台层即农产品灌溉施肥决策***主要负责在多种场景下的给日常生产操作人员提供灌溉和施肥操作的决策结果，同时也包括对已部署模型的管理以及使用已部署模型在多场景进行决策任务的执行。灌溉施肥决策支持***整体架构见图13。
决策支持******建模流程包括：数据准备、数据预处理、建模、模型部署以及模型应用。其中数据准备主要是在建模之前调研可能对模型预测结果产生影响的数据特征；数据预处理主要包括对已提供的数据进行质量检查以及特征工程，将数据集市层的数据变为可作为模型输入的数据；建模过程包括算法模型选型、模型设计、模型训练以及模型验证；模型部署是将验证过程中拟合效果好的模型部署到应用***，主要内容包括：新增模型、模型参数调整、模型评价等；模型应用则是利用已部署在应用***的模型对多种场景下的指标量给出预测值，用来指导生产实践活动。灌溉施肥决策支持***建模流程图见14。
灌溉制度主要包括作物需水量计算，火龙果、猕猴桃、茶叶三种作物的生育期及适宜计划湿润层。通过作物设定土壤水分控制阈值，***根据传感器测定的±壤水分信息控制灌概；当土壤水分临近回低于土壤水分下限值时，实施灌水，达到土壤水分上限值要求时停止灌水，以适应不同水文年的作物高效用水要求。
作物需水量与太阳辐射、日照、温度、风速成正比关系，与降雨、湿度成反比关系。火龙果是旱作物，由于试验条件所限，采用大田测法。因此，本文以农田水量平衡法来计算作物耗水量。农田水量平衡法计算公式：
ET＝ΔW+I+G+P-D (10)
式中：ET——作物各生育阶段耗水量，mm；△W——时段内土壤储水量变化，mm；I——时段内的灌水量，mm；G——时段内地下水补给量，mm；P——时段内有效降雨量，mm；D——时段内深层渗漏量，mm。
其中： ΔW＝10pΣriHi(θi2-θi1) (11)
式中：P——喷灌设计土壤湿润比，(％)；ri——对应第i层的土壤干容重(g/cm3)Hi——对应第i层土壤厚度(cm)；θi1、θi2——第i层土壤含水量在时段初、末的值(％)。
时段内有效降雨量P，采用LSTM长短期记忆神经网络预测未来5-15日降水量，并通过连续无雨日旱情评估及主要旱地作物旱情评估，结合作物灌溉制度，确定灌水的时间、计划及灌水量。
LSTM长短期记忆神经网络预测降水量方法，其特征在于，包括以下步骤：
S1步骤S1，通过物联网平台获取降水量相关的多特征传感器，手动输入50年长序列降水量历史数据，并在气象官方网站上获取降雨数据；
步骤S2，对获取的多特征降水量相关历史数据进行清洗和归一化处理，并按比例将数据划分为训练集和测试集；
步骤S3，将训练集数据送入改进的LSTM长短期记忆神经网络中，对LSTM网络模型进行迭代优化；
步骤S4，利用已训练好的LSTM模型对测试集进行预测，并评估模型误差。
连续无雨日旱情评估
连续无雨日旱情评估主要针对某一区域旱情进行自定时间查询时评估，可以帮助查询，随时了解某一时间段的旱情状况而提供的快速评估。在该页面可进行单一区域的自定义时间评估，也可进行全部站点的自定义时间评估。连续无雨无雨天数计算及连续无雨日旱情评估见图15、图16。
主要旱地作物旱情评估
旱地作物旱情评估与续无雨日旱情评估类似，只是在评估时增加作物选项。作物评估涉及到不同作物有不同的作物系数，作物系数的更新及修改在“管理员工具”中操作。
生育期及土壤水分控制阈值主要为贵州火龙果、猕猴桃及茶叶三种作物。
表6火龙果生育期及土壤水分控制阈值
Figure BDA0003366228010000261
表7猕猴桃生育期及土壤水分控制阈值
Figure BDA0003366228010000262
表8茶叶生育期及土壤水分控制阈值
Figure BDA0003366228010000263
Figure BDA0003366228010000271
双目机器视觉技术判断作物缺水状态为在日光条件下采集火龙果、猕猴桃、茶叶叶片图像，然后分别提取红绿蓝(RGB)三色分量和它们的相对系数grb及色度H。采用红色分量R、绿色分量G、蓝色分量B、以及r分量、b分量，通过CNN通过多层卷积和池化操作可以自主学习并提取数据每个局部特征，获取相对于显式特征提取方法更加有效的抽象特征映射，快速判断火龙果、猕猴桃、茶叶缺水状况的指标。
CNN通过设置网络第1卷积层的卷积核大小为9×9，数量为12，激活函数为RELU；第2卷积层的卷积核大小为3×3，数量为18，每个输出特征图由不同的卷积核在前一层所有特征图上作卷积并将对应元素累加后加偏置，再通过RELU函数激活得到；池化层采用均值池化方法，下采样尺度均为2×2。MLP隐层神经元个数设置为光栅化层的一半，输出层为单神经元，用于实值回归。网络利用BP算法进行训练，设置卷积核权值随机初始化，偏置为全0初始化，采用留一交叉验证法选取最佳参数。损失函数定义为欧氏距离，通过式(12)计算
Figure BDA0003366228010000272
其中yp是网络预测值，yt是实验测定值。通过试验设定网络学习率为0.6，最大迭代次数为1000。
信息***软件采用基本是JavaEE平台，Spring MVC+Mybaties框架来实现。
信息***主要由水利物联网墒情监测及水肥一体化灌溉控制***、智能视频监控***、泵房水池自适应控制***、远程网络气象监测***等四部分组成，集远程数据采集、远程视频传输、远程监测控制、压力调节、流量调节为一体的综合控制***。
信息***能综合查看示各分站的流量、压力、PH值、风速、土壤湿度、空气湿度、温度、辐射、高位水池液位实时数据，并自动计算区域平均灌溉水利用率。
区域平均灌溉水利用率，应根据区域内不同类型、不同规模毛灌溉用水量及相应样点灌区灌溉水利用率进行加权平均计算：
Figure BDA0003366228010000281
式(13)中：η区域——区域平均灌溉水利用率；η大、η中、η小——分别为区域大、中、小型灌区的灌溉水利用率；W大、W中、W小——分别为区域大、中、小型灌区的毛用水量，万m3。
对于打捆大型灌区平均灌溉水利用率，计算公式见式(14)：
Figure BDA0003366228010000282
式中：η大——打捆大型灌区灌溉水利用率；η中、η小——分别为组成打捆大型灌区的中、小型灌区灌溉水利用率；W中、W小——分别为组成打捆大型灌区的中、小型灌区的毛用水量，m3。
***管理员可分为普通管理员与超级管理员。***管理员主要完成采集与监测、自动化灌溉、水肥一体化、视频监控、用水计量计费管理、灌溉制度设置与更新、数据统计与分析、设备管理与维护、用户管理，管理***E-R见图17。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于物联网的水肥精准调控***，其特征在于：包括信息感知层、信息传输层、支撑层及信息应用层，其中：
所述信息感知层包括条形码、二维码、RFID、基于STM32F103RET6自主研发多功能采集控制装置、智能传感器、智能摄像头、超文本信息及自组织网络；
所述信息传输层包括信息接入层和网络层，接入层现场传感器有线路由与无线组网，其中主要采用RS232/485、wifi、Zigbee、Lora，网络层主要有GSM、4G、5G、互联网、物联网、通讯网等异构网络的接入和传输；
所述支撑层设计主要包括云计算、数据挖掘、数据可视化、多源异构数据融合、数据库级GIS/GPS/RS技术等；
所述信息应用层主要包括监控、报警查询、智能控制、行业接口、信息***、决策支持***(生育期及土壤水分控制阈值)。
2.如权利要求1所述基于物联网的水肥精准调控***，其特征在于：其中关于所述采集控制装置，所述采集控制装置以嵌入式单片机STM32F103RET6控制器为核心，实现水位、流量、闸位、泵站、视频及闸(阀)门启闭信息的采集，并通过Lora、RS232/485模块实现信息的传输。
3.如权利要求1所述基于物联网的水肥精准调控***，其特征在于：其中关于所述数据挖掘主要为根据历史时段内有效降雨量P，采用LSTM长短期记忆神经网络预测未来5-15日降水量，并通过连续无雨日旱情评估及主要旱地作物旱情评估，结合作物灌溉制度，确定灌水的时间、计划及灌水量，用于提高灌溉施肥的精准性。
所述的灌溉制度主要为主要为贵州火龙果、猕猴桃及茶叶三种作物生育期及土壤水分控制阈值见表6、表7和表8。
表6火龙果生育期及土壤水分控制阈值
Figure FDA0003366227000000021
表7猕猴桃生育期及土壤水分控制阈值
Figure FDA0003366227000000022
表8茶叶生育期及土壤水分控制阈值
Figure FDA0003366227000000023
Figure FDA0003366227000000031
4.如权利要求1所述基于物联网的水肥精准调控***，其特征在于：其中关于所述智能控制包括基于BPNN的EC传感器、PH传感器、土壤温湿度传感器(T、H)等多传感器数据融合，其结构如图8所示。采用三层(4-8-1)结构，即4输入(EC、PH、T、H)，隐含层层数为8层，输出层层数为1层(目标营养液电导率y)，建立BPNN多传感器数据融合非线性函数为：
y＝f(ec,ph,t,h) (1)
其中ec,ph,t,h为神经网络的输入。
二维增量式模糊PID控制方法及自动灌溉施肥控制，所述智能控制主要为二维增量式模糊PID控制方法，即以实际土壤电导率r与土壤目标电导率y间的偏差e、偏差变化率ec的二维增量式模糊PID控制模型。
通过模糊化处理、模糊控制规则、模糊决策及解模糊化处理环节，输出量为PID控制器的3个输入修正参数ΔKp、ΔKi、ΔKd，形成的二维增量式模糊PID控制模型。
当e(t)、ec(t)按不同规律变化时，根据人工经验制定出制定合理的模糊规则，并根据模糊规则对PID各参数进行在线修改，从而使***性能达到最佳，之后，参照模糊规则展开模糊推理，推理结果经解模糊化处理，清晰量ΔKp、ΔKi、ΔKd再经过量化因子(或比例因子)计算作为输出量，最后经过Kp、Ki、Kd得到该采样时刻的实际控制量，最终确定电磁阀的开启时间t；
关于具有缓冲施肥桶的传递函数
所述二维增量式模糊PID控制模型将文丘里射流器在吸肥的同时进行混肥的过程视为在缓冲混肥桶中就增加了虚拟的混肥容积VF，混合过程为平推流(塞流)和理想搅拌混合的结合，整个***为二阶滞后***，***的传递函数为(8)，
Figure FDA0003366227000000041
式(8)中，K2代表增加文丘里射流器后形成的二阶***增益，
Figure FDA0003366227000000042
TF表示在文丘里射流器中营养液制备过程的时间常数，
Figure FDA0003366227000000043
VF表示增加文丘里射流器后增加的预混合容积；Tp＝γTr，γ表示混合系数，对于平流模式，γ＝0，对于理想搅拌模式，γ＝1，
Figure FDA0003366227000000044
VT为混肥桶有效混合容积，QF代表流入文丘里射流器的液体流量；Qw表示注入混肥桶的水流量；τ表示肥料母液QNS在缓冲混肥桶的混合滞后及测量滞后时间，包括液体在管道中的流动时间和混合时间，τ＝(1-γ)Tr＝1；τ'为新的滞后时间，QNS≤QF＜Qw，QNS表示注入肥料桶中肥料母液的流量。
5.如权利要求1所述基于物联网的水肥精准调控***，其特征在于：其中还包括双目机器视觉技术判断作物缺水状态为在日光条件下采集火龙果、猕猴桃、茶叶叶片图像，然后分别提取红绿蓝(RGB)三色分量和它们的相对系数grb及色度H，采用红色分量R、绿色分量G、蓝色分量B、以及r分量、b分量，通过CNN通过多层卷积和池化操作可以自主学习并提取数据每个局部特征，获取相对于显式特征提取方法更加有效的抽象特征映射，快速判断火龙果、猕猴桃、茶叶缺水状况的指标。
CNN通过设置网络第1卷积层的卷积核大小为9×9，数量为12，激活函数为RELU；第2卷积层的卷积核大小为3×3，数量为18，每个输出特征图由不同的卷积核在前一层所有特征图上作卷积并将对应元素累加后加偏置，再通过RELU函数激活得到；池化层采用均值池化方法，下采样尺度均为2×2，MLP隐层神经元个数设置为光栅化层的一半，输出层为单神经元，用于实值回归，网络利用BP算法进行训练，设置卷积核权值随机初始化，偏置为全0初始化，采用留一交叉验证法选取最佳参数，损失函数定义为欧氏距离，通过式(12)计算
Figure FDA0003366227000000051
其中yp是网络预测值，yt是实验测定值，通过试验设定网络学习率为0.6，最大迭代次数为1000。
6.基于物联网的水肥精准调控智能装备，其特征在于：用于根据灌区的规模、水源情况、作物情况、灌溉习惯、应用场景灵活二次开发，以及可根据需求进行设置成1-5通道系列的智能水肥一体化施肥机，该智能水肥一体化施肥机包括射流器、多通道文丘里混合器、通用MONBUS通信协议、Tiny6410嵌入式单板机，
具体的包括控制箱***、过滤***、管网***、计量***、吸肥***、混肥***和注肥***。
7.如权利要求6所述基于物联网的水肥精准调控智能装备，其特征在于：其中关于协议说明：自组织网络协议涉及到前端数据采集控制器，手机端以及后台，包括有采集器与后台通信，采集器与手机通信(通过蓝牙)，采集的环境参数有湿度和流量两种(以下协议中除这两个传感器之外的传感器可以自行增加)，新加入的控制操作包括模式选择、手动开关控制、土壤水分控制阈值设置、时间段设置，新加入的读取操作包括当前工作模式读取、已设置土壤水分控制阈值读取、已设置时间段读取、当前闸(阀)实际状态(开关)。
所述的自组织网络协议的帧格式与控制码为表1与表2所示。
表1帧格式
Figure FDA0003366227000000052
控制码表示要求执行的操作，2个字节，格式如表格2所示：
表2控制码的定义
Figure FDA0003366227000000061
8.如权利要求6所述基于物联网的水肥精准调控智能装备，其特征在于：所述控制箱***连接EC传感器、PH传感器、土壤温湿度传感器、气象站、视频监控摄像机；
所述吸肥***连接储肥罐、施肥阀、蝶式过滤器、吸肥通道、射流器、文丘里混合器组成；
所述水源管网多采用泵站提水至高位水池自流或加压灌溉，泵站控制采用PID控制方法，将高位水池与泵站运行能效监控闭环控制；
所述射流器的渐缩角ɑ＝6°、渐扩角β＝4°及喉部直径d0＝10，连接吸入室、喷嘴、喉管、扩散管；
所述文丘里混合器连接下主管道压力表、射流器、上主管道压力表、吸肥通道、手动阀；
所述吸肥***基于四联射流器，用于实现对不同类型单元素液肥的吸取及混合；
所述混肥***连接水源管网、控制箱***、水源主管道水泵、主管过滤器、减压阀、浮球阀、缓冲混肥桶、EC传感器、PH传感器、压感开关、上支管过滤器组成；
所述注肥***连接由助肥泵、止回阀、灌溉电磁阀及田间管网。
9.基于物联网的水肥精准调控方法，其特征在于：包括如下步骤：
步骤一：***初始化；
步骤二：唤醒无线传感器节点；
步骤三：开始设定是时间T0、湿度R0、养分EC0、PH0初值，并与云服务器通信，同步完成数据融合处理，提取云服务器根据作物灌溉制度，完成诊断、决策、预测；
步骤四：工作模式选择，可选择灌溉、施肥及水肥一体化三种工作模式；
步骤五：当选择灌溉，则***完成当前湿度与设定湿度进行比较，当前湿度R1低于设定湿度R0，并预测未来5日无降雨P则开始灌溉，若当前湿度R1不低于设定湿度R0，则停止灌溉；当选择施肥，则***完成当前EC1与设定EC0进行比较，若当前EC1低于设定EC0，并预测未来5日无降雨P，则开始施肥，若当前EC1不低于设定EC0，则停止施肥；则停止灌溉；当选择水肥一体化，则***完成当前湿度R1或者当前EC1与设定湿度R0或者设定EC0进行比较，若不相等且并预测未来5日无降雨P，则开始灌溉施肥，若相等，则停止灌溉施肥。
10.如权利要求9所述基于物联网的水肥精准调控方法，其特征在于：其中还包括信息***软件，所述信息***软件采用基本是JavaEE平台，Spring MVC+Mybaties框架来搭建，
所述信息***主要由水利物联网墒情监测及水肥一体化灌溉控制***、智能视频监控***、泵房水池自适应控制***、远程网络气象监测***四部分组成，用于作为集远程数据采集、远程视频传输、远程监测控制、压力调节、流量调节为一体的综合控制***，
所述信息***能综合查看示各分站的流量、压力、PH值、风速、土壤湿度、空气湿度、温度、辐射、高位水池液位实时数据，并自动计算区域平均灌溉水利用率，
所述区域平均灌溉水利用率，应根据区域内不同类型、不同规模毛灌溉用水量及相应样点灌区灌溉水利用率进行加权平均计算：
Figure FDA0003366227000000081
式(13)中：η区域——区域平均灌溉水利用率；η大、η中、η小——分别为区域大、中、小型灌区的灌溉水利用率；W大、W中、W小——分别为区域大、中、小型灌区的毛用水量，万m3，
对于打捆大型灌区平均灌溉水利用率，计算公式见式(14)：
Figure FDA0003366227000000082
式中：η大——打捆大型灌区灌溉水利用率；η中、η小——分别为组成打捆大型灌区的中、小型灌区灌溉水利用率；W中、W小——分别为组成打捆大型灌区的中、小型灌区的毛用水量，m3。
CN202111382762.9A 2021-11-22 2021-11-22 基于物联网的水肥精准调控方法、智能装备及*** Pending CN114365614A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111382762.9A CN114365614A (zh) 2021-11-22 2021-11-22 基于物联网的水肥精准调控方法、智能装备及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111382762.9A CN114365614A (zh) 2021-11-22 2021-11-22 基于物联网的水肥精准调控方法、智能装备及***

Publications (1)

Publication Number Publication Date
CN114365614A true CN114365614A (zh) 2022-04-19

Family

ID=81138876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111382762.9A Pending CN114365614A (zh) 2021-11-22 2021-11-22 基于物联网的水肥精准调控方法、智能装备及***

Country Status (1)

Country Link
CN (1) CN114365614A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310848A (zh) * 2023-05-19 2023-06-23 沈阳诺德尔自动化科技有限公司 一种智能阀门的调节控制方法及***
CN116360331A (zh) * 2023-06-02 2023-06-30 山东工泵电机有限公司 一种通用的自动化控制***及控制方法
CN117158175A (zh) * 2023-10-24 2023-12-05 北京市农林科学院 施肥控制方法、装置、电子设备及介质
CN117178862A (zh) * 2023-11-08 2023-12-08 四川嘉陵江桐子壕航电开发有限公司 一种园林浇灌信息采集监控方法
CN117236519A (zh) * 2023-11-10 2023-12-15 中化现代农业有限公司 水肥调控方法、装置、电子设备和存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104460582A (zh) * 2014-09-29 2015-03-25 贵州省水利科学研究院 一种基于模糊控制的物联网智能灌溉施肥控制方法及***
CN107544571A (zh) * 2017-10-31 2018-01-05 河北农业大学 一种定点分布式施肥控制装置及控制方法
CN107544263A (zh) * 2017-10-31 2018-01-05 河北农业大学 基于参数自整定pid调节水肥配比控制***及方法
CN110187688A (zh) * 2019-06-14 2019-08-30 青岛农业大学 设施农业智能水肥一体化控制***及控制方法
US20210289692A1 (en) * 2017-12-05 2021-09-23 Jiangsu University Multi-Scale Habitat Information-Based Method and Device For Detecting and Controlling Water and Fertilizer For Crops In Seedling Stage

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104460582A (zh) * 2014-09-29 2015-03-25 贵州省水利科学研究院 一种基于模糊控制的物联网智能灌溉施肥控制方法及***
CN107544571A (zh) * 2017-10-31 2018-01-05 河北农业大学 一种定点分布式施肥控制装置及控制方法
CN107544263A (zh) * 2017-10-31 2018-01-05 河北农业大学 基于参数自整定pid调节水肥配比控制***及方法
US20210289692A1 (en) * 2017-12-05 2021-09-23 Jiangsu University Multi-Scale Habitat Information-Based Method and Device For Detecting and Controlling Water and Fertilizer For Crops In Seedling Stage
CN110187688A (zh) * 2019-06-14 2019-08-30 青岛农业大学 设施农业智能水肥一体化控制***及控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李建军等: "基于BP神经网络预测和模糊控制的灌溉控制器设计", 《机械设计与研究》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116310848A (zh) * 2023-05-19 2023-06-23 沈阳诺德尔自动化科技有限公司 一种智能阀门的调节控制方法及***
CN116310848B (zh) * 2023-05-19 2023-07-18 沈阳诺德尔自动化科技有限公司 一种智能阀门的调节控制方法及***
CN116360331A (zh) * 2023-06-02 2023-06-30 山东工泵电机有限公司 一种通用的自动化控制***及控制方法
CN116360331B (zh) * 2023-06-02 2023-08-22 山东工泵电机有限公司 一种通用的灌溉自动化控制***及控制方法
CN117158175A (zh) * 2023-10-24 2023-12-05 北京市农林科学院 施肥控制方法、装置、电子设备及介质
CN117158175B (zh) * 2023-10-24 2024-02-20 北京市农林科学院 施肥控制方法、装置、电子设备及介质
CN117178862A (zh) * 2023-11-08 2023-12-08 四川嘉陵江桐子壕航电开发有限公司 一种园林浇灌信息采集监控方法
CN117178862B (zh) * 2023-11-08 2024-02-02 四川嘉陵江桐子壕航电开发有限公司 一种园林浇灌信息采集监控方法
CN117236519A (zh) * 2023-11-10 2023-12-15 中化现代农业有限公司 水肥调控方法、装置、电子设备和存储介质
CN117236519B (zh) * 2023-11-10 2024-04-09 中化现代农业有限公司 水肥调控方法、装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN104460582B (zh) 一种基于模糊控制的物联网智能灌溉施肥控制方法及***
CN114365614A (zh) 基于物联网的水肥精准调控方法、智能装备及***
CN110214506A (zh) 水肥管控方法及***
CN102402185B (zh) 基于模糊控制的非充分灌溉控制方法
CN110100708A (zh) 基于模糊逻辑控制理论的节水灌溉方法及节水灌溉***
CN110187688A (zh) 设施农业智能水肥一体化控制***及控制方法
CN106651012A (zh) 一种基于改进极限学习机的作物蒸腾量预测方法
CN110084367A (zh) 一种基于lstm深度学习模型的土壤墒情预测方法
CN107330804A (zh) 一种智慧水利管控云平台及方法
CN110012825A (zh) 一种智慧灌溉控制***及其控制方法
CN109874477A (zh) 一种农业园区施肥机托管方法及***
CN109392676A (zh) 一种基于区块链结构的云算法平台控制灌溉施肥的***
CN107466816A (zh) 一种基于动态多层极限学习机的灌溉方法
CN113554522A (zh) 基于动态神经网络的葡萄园精准滴灌控制***
CN110488891A (zh) 一种物联网的太阳能远程精准灌溉***
CN110119169A (zh) 一种基于最小向量机的番茄温室温度智能预警***
CN115104515B (zh) 一种基于降雨利用最大化的灌溉决策云计算方法、云计算平台和灌溉终端
CN115530054A (zh) 灌溉控制方法、装置、电子设备及存储介质
CN110463587A (zh) 基于LoRa与GA-BP的规模化大棚节水灌溉***
CN110119086A (zh) 一种基于anfis神经网络的番茄温室环境参数智能监测装置
CN115661547A (zh) 一种基于知识图谱的植物灌溉养护方法及***
CN113418229A (zh) 一种基于卷积-自编码神经网络的供暖管控阀门智能调控***
CN108391579A (zh) 一种基于云计算光伏水肥灌溉监测***
CN110579961B (zh) 一种面向立体种植的园林智慧给水方法及***
CN109116827A (zh) 基于物联网的日光温室水肥一体化灌溉控制方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20220419