[发明专利]一种基于人工智能的自动灌溉方法及设备

权利要求书

1.一种基于人工智能的自动灌溉方法，其特征在于，所述方法包括：

通过搭载高光谱相机的无人机对灌区进行定时巡查，并采集若干高光谱图像；

对所述若干高光谱图像中的植被像素与土壤像素进行分割，得到植被高光谱图像以及土壤高光谱图像；

通过训练好的植被水分检测模型，对所述植被高光谱图像进行识别，得到植被含水率；以及通过训练好的土壤水分检测模型，对所述植被高光谱图像进行识别，得到土壤含水率；

获取所述灌区预设时间内的预测降水量；

将所述植被含水率、所述土壤含水率、所述预测降水量发送到灌溉决策系统中，判断是否对所述灌区进行灌溉；

将所述灌溉决策系统输出的灌溉策略，发送到远程监控平台进行存储及展示；其中，所述灌溉策略中包括是否对所述灌区进行灌溉，若需要对所述灌区进行灌溉，则所述灌溉策略中还包括灌溉时间以及灌溉量。

2.根据权利要求1所述的一种基于人工智能的自动灌溉方法，其特征在于，对所述若干高光谱图像中的植被像素与土壤像素进行分割，得到植被高光谱图像以及土壤高光谱图像，具体包括：

将采集的所述高光谱图像转化为灰度图像；

将所述灰度图像的灰度值区间设为[0，a]；

以[0，a]区间内的每一个灰度值t作为分割阈值，将所述灰度图像分割为[0，t]以及[t+1，a]两部分图像；

计算所述两部分图像中每一部分的像素数量比例α₀、α₁，以及每一部分的平均灰度值β₀、β₁；

根据得到所述灰度图像的总体平均灰度值；

根据γ²＝α₀(β₀-β)²+α₁(β₁-β)²＝α₀α₁(β₀-β₁)²，得到所述两部分图像的类间方差；

将所述类间方差最大时对应的阈值T确定为最佳分割阈值，并将所述灰度图像分割为[0，T]以及[T+1，a]两部分图像；

根据所述灰度图像中[0，T]区间内的像素点，确定所述高光谱图像中的植被像素点；

根据所述灰度图像中[T+1，a]区间内的像素点，确定所述高光谱图像中的土壤像素点；

将所述高光谱图像中的植被像素点的像素值保持不变，土壤像素点的像素值设为0或255，得到所述植被高光谱图像；

将所述高光谱图像中的土壤像素点的像素值保持不变，植被像素点的像素值设为0或255，得到所述土壤高光谱图像。

3.根据权利要求1所述的一种基于人工智能的自动灌溉方法，其特征在于，在通过训练好的植被水分检测模型，对所述植被高光谱图像进行识别，得到植被含水率之前，所述方法还包括：

根据偏最小二乘回归算法，构建第一线性回归模型；

采集所述灌区中植被的若干叶片样本，通过若干组烘干实验，得到若干组不同含水率的叶片样本；其中，一组烘干实验包括若干次烘干实验；

通过高光谱成像装置，对每组不同含水率的叶片样本进行高光谱图像采集，并对采集的高光谱图像进行黑白板校正；

根据校正后的所述高光谱图像，计算每组叶片样本的反射光谱平均值，得到每组叶片样本的高光谱数据；其中，所述高光谱数据包括256个特征波长；

根据每组叶片样本的含水率，得到若干个叶片含水率矩阵；

根据每组叶片样本的高光谱数据，得到若干个叶片高光谱数据矩阵；

将所述若干个叶片含水率矩阵以及所述若干个叶片高光谱数据矩阵作为训练集，对所述第一线性回归模型进行训练，得到所述植被水分检测模型。