智能节水灌溉系统及其操作方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN114600750A(43)申请公布日2022.06.10(21)申请号202210198871.3(22)申请日2022.03.02(71)申请人上海继睿机械工程有限公司地址201100上海市徐汇区中山西路2020号(宜山路口)(72)发明人杨志鹏(51)Int.Cl.A01G25/16(2006.01)G06K9/62(2022.01)G06N3/04(2006.01)权利要求书3页说明书13页附图5页(54)发明名称智能节水灌溉系统及其操作方法(57)摘要本申请涉及节水灌溉的领域，其具体地公开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。CN114600750ACN114600750A权利要求书1/3页1.一种智能节水灌溉系统，其特征在于，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。2.根据权利要求1所述的智能节水灌溉系统，其中，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：fi＝active(Ni×fi‑1+Bi)其中，fi‑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，fi+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，Bi+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。3.根据权利要求2所述的智能节水灌溉系统，其中，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：fi＝active(Ni×fi‑1+Bi)2CN114600750A权利要求书2/3页其中，fi‑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，fi+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，Bi+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。4.根据权利要求3所述的智能节水灌溉系统，其中，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。5.根据权利要求3所述的智能节水灌溉系统，其中，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