[发明专利]一种基于大数据的智能灌溉系统

权利要求书

1.一种基于大数据的智能灌溉系统，其特征在于，包括云平台、用户管理模块、环境监测模块、水量预测模块和数据存储模板，所述用户管理模块、所述环境监测模块、所述水量预测模块和所述数据存储模板均与所述云平台连接，所述数据存储模板与所述用户管理模块连接；

所述环境监测模块用于对农作物的生长环境进行监测，包括：

获取农作物品种，并将农作物品种标记为，=1，2，……，；

获取灌溉评估系数；

所述环境监测模块将灌溉评估系数发送给云平台处理，然后云平台输出预警信号发送给水量预测模块和用户管理模块；

通过云平台将预警信号发送记录发送至数据存储模块进行存储；

所述水量预测模块用于对灌溉用水量进行预测，包括：

当水量预测模块接收预警信号后，获取农作物生长区域面积和农作物生长时长；

云平台获取数据存储模块中已经训练完成的人工智能算法模型；

获取输入数据，将输入数据输入到人工智能算法模型中，得到终输出数据，将终输出数据标记为预测用水量；

获取数据存储模块中存储的标准用水量范围[]，当预测用水量满足，则判定预测用水量满足条件，通过云平台将预测用水量发送至用户管理模块和数据存储模块，其中3和L4为预设标准用水量阈值；

云平台根据预测用水量控制灌溉设备对农作物进行灌溉；

通过数据存储模块获取训练输入数据和训练输出数据，所述训练输入数据包括农作物生长区域的环境温度值和环境湿度值、农作物生长区域的土壤湿度值和土壤温度值、农作物生长区域面积和农作物生长时长，将训练输入数据进行归一化得到所述输入数据；

训练所述人工智能算法模型：

通过数据存储模块获取训练输出数据，所述训练输出数据为训练输入数据对应条件下的最佳灌溉用水量；

将训练输出数据进行归一化处理得到预输出数据，将所述输入数据和所述预输出数据对人工智能算法模型进行训练而得到训练完成的人工智能算法模型，所述人工智能算法模型包括误差前向传播神经网络、RBF神经网络和模糊神经网络；

将训练完成的人工智能算法模型通过云平台发送至数据存储模块进行存储；

所述预警信号包括农作物水分正常信号、农作物非充分灌溉信号和农作物充分灌溉信号；

当灌溉评估系数满足时，则判定农作物不需要灌溉，云平台发送农作物水分正常信号至水量预测模块和用户管理模块；当灌溉评估系数满足时，则判定农作物轻微缺水，云平台发送农作物非充分灌溉信号至水量预测模块和用户管理模块；当灌溉评估系数满足时，则判定农作物严重缺水，云平台发送农作物充分灌溉信号至水量预测模块和用户管理模块；

其中和为预设灌溉评估系数阈值；

获取监测数据，所述监测数据包括环境评估系数和土壤评估系数，所述灌溉评估系数，通过云平台将监测数据及灌溉评估系数发送至数据存储模块进行存储；

其中和为预设比例系数，且；

获取农作物生长区域的环境温度值和环境湿度值，所述监测数据还包括农作物生长区域的环境温度值和环境湿度值，环境评估系数；

其中、和为预设比例系数，、和均大于0，且，为自然常数；

所述监测数据还包括农作物生长区域的所述土壤湿度值和所述土壤温度值，土壤评估系数；

其中和为预设比例系数，且和均大于0；

所述云平台连接有辅料添加模块，所述辅料添加模块用于在灌溉时添加辅料，所述辅料包括肥料和杀虫剂，

所述辅料添加模块，包括：

获取幅不同的农作物叶片图像，对农作物叶片图像进行图像预处理，得到标准叶片图像；所述农作物叶片图像为农作物单个叶片的图像；其中为大于1000的整数；

获取标准叶片图像的灰度平均值，通过灰度平均值获取农作物叶片灰度均值，农作物叶片灰度均值，其中=1，2，……，；

当农作物叶片灰度均值满足时，则判定农作物不需要添加辅料；当农作物叶片灰度均值满足时，则判定农作物需要添加肥料，云平台发送肥料添加信号至用户管理模块；当农作物叶片灰度均值满足时，则判定农作物需要添加杀虫剂，云平台发送杀虫剂添加信号至用户管理模块；其中为预设农作物叶片灰度均值阈值；

通过数据存储模块获取辅料添加对照表，根据农作物叶片灰度均值、农作物生长区域面积和农作物品种添加辅料。