本发明涉及一种基于多尺度生境信息的水培作物施肥装置。
背景技术：
在水培种植过程中，按养分含量和作物种类的需肥规律和特点进行科学施肥对作物生长至关重要。
由于作物施肥是一个复杂过程，施肥效果和作物生长环境及生长状态之间关系密切，施肥不仅会影响到作物的生理过程，对环境也会有影响，如：灌溉时机、灌溉量、温度、湿度、光照、co2浓度、叶面温湿度、物质残留、叶面积增大率等各种因素之间交互作用。
目前水培作物生产当中对其生长状况的监测主要集中在温度、湿度、光照、co2浓度等环境因子，至于是否满足作物短期或长期的生理、生长需要却无从得知。
同时水肥一体化系统结构较为单一，水分和养分的补充方法多是通过人工经验进行水肥配比，并不能依据作物生长环境和作物状态信息控制水肥灌溉时机、灌溉量，施肥自动化程度低，水肥不能精确按需调控，造成水肥的循环利用率较低，损耗较大。
如何将这些表征作物生长环境及生长状态的诸多信息合理、有效、全面的引入到水肥投放中，并以此为依据进行水肥灌施的智能控制，对提高水培作物生产效益具有重要的理论意义和应用价值。
技术实现要素：
本发明的目的在于提供一种基于多尺度生境信息的水培作物施肥装置，以实现对水培作物水肥状态的快速精确探测和水肥投放决策，解决水肥投放不足和浪费严重问题，提高水分和肥料的利用效率。
为此，本发明提供了一种基于多尺度生境信息的水培作物施肥装置，包括信息采集单元、信息处理单元、施肥决策单元、施肥控制单元和施肥机，所述信息采集单元用于采集水培作物的环境因子信息和作物生长发育信息；所述信息处理单元用于对所述信息采集单元获取的数据进行预处理；所述施肥决策单元用于获取需要进行水肥投放的水培架状态信息和可以正常执行水肥投放操作的施肥机状态信息，并将其输入至利用深度强化学习理论建立的施肥智能决策控制模型，输出最优调控动作；所述施肥控制单元用于在收到最优调动动作后控制施肥机执行完该调控动作，其中，所述水培架状态信息包括作物生长周期，其中所述作物生长周期由水培作物生长周期判别模型依据不同时间尺度下的作物生长发育信息给出。
本发明将深度强化学习理论与灌溉施肥量控制决策控制技术相融合，由水培作物生长周期判别模型依据环境因子信息和作物生长发育信息给出各水培架栽培作物所处生长周期，通过专家系统给出作物所处生长周期的实时、短期和长期需肥需求和环境条件，结合水培架状态信息和施肥机状态信息，提出施肥智能决策控制模型，可以对处于不同生长周期的水培作物进行水肥投放时机、水肥灌溉量和配比的精确控制，解决了按照作物需求进行水肥动态控制的难题，克服了目前只依据环境因子信息进行施肥控制的局限性，由于实现了按需施肥，故而大幅降低了肥料的用量，降低了人力成本，提高了经济效益。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明的基于多尺度生境信息的水培作物施肥装置的结构框图；
图2是根据本发明的基于多尺度生境信息的水培作物施肥装置的施肥智能决策控制模型的构建流程图；以及
图3是根据本发明的基于多尺度生境信息的水培作物施肥装置的工作流程。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明提供了一种基于多尺度生境信息的水培作物施肥装置，其在水培作物生长监测装置基础上，引入水培作物生长环境和生长状态信息，建立水培作物施肥装置，包括信息采集单元10、信息处理单元20、施肥决策单元30、施肥控制单元40和施肥机50。
信息采集单元包括两个信息采集子单元：环境因子信息采集子单元110、作物生长发育信息采集子单元120。
两个信息采集子单元将数据综合后，将各自信息以统一标准格式发给信息采集单元，完成水培作物生长过程数据的采集。
环境因子信息采集子单元包括环境温度传感器、环境湿度传感器、环境co2传感器、环境光照传感器、ec传感器、ph传感器、液位传感器、数字流量计和压力表。环境温度传感器、环境湿度传感器、环境光照传感器和环境co2传感器安装在水培作物所处的大棚温室内，用于将温室温度、湿度、光照和co2浓度物理信息转换为电信息，输入到信息采集单元之中。
液位传感器安装在各水培架的混液罐内，用于进行液位判断；ec传感器和ph传感器用于检测营养液的ec和ph值，数字流量计用于检测水肥投放量，压力表用于判断管道压力，这些传感器均分别安装在母液罐处的出肥管道和各水培架混液罐处的受肥管道中。
ph传感器还分别在距离母液罐液面和底部一定距离处各安装1个，用于获得此两个位置处的ph值，通过其差值比较，可以判断肥料搅拌的均匀程度，从而调节搅拌电机所需的转速。
作物生长发育信息采集子单元包括图像传感器，用于监测植株高度、叶片纹理和颜色。对透明水培架，所述作物生长发育信息采集子单元还可用于监测根系形态。
为了对包括柱形水培架、a字形水培架在内的立式多层水培架中作物进行生长发育信息采集，所述图像传感器可选用具备全方位多层次拍摄能力的摄像装置，所述摄像装置最好支持自动识别和追踪监测目标、支持智能变焦使监测目标始终处于拍摄画面中心，从而得到相应观测位置和角度的水培作物高质量图像。
信息处理单元用于对所述信息采集单元获取的数据根据作物生长过程数据类型的不同，采用不同的数据预处理规则进行处理。
数据预处理规则包括时间戳的统一对齐；对采集的数据包含大量环境噪音，出现诸多异常数据的情况，采用有限幅滤波法、中位值滤波法、算术平均滤波法或小波阈值滤波法进行去噪；对包括图片在内的非格式化数据进行格式化处理，对转化完成后的图片进行校验，利用图像处理算法如：坐标变换、图像灰度化、图像增强、图像滤波以及图像分割，再对检测目标特征进行分析、处理和识别。
施肥决策单元通过水培作物生长周期判别模型给出的作物生长周期，综合温室作物生长栽培专家知识和试验结果建立的专家系统，给出作物不同生长周期的实时、短期和长期需肥需求和环境条件，在此基础上利用深度强化学习理论建立综合环境因子、作物生长发育信息的施肥智能决策控制模型。
水培作物生长周期判别模型通过获取不同时间尺度下的生长发育数据，提取出作物图像的图像特征，确定图像特征与作物生长周期之间的对应关系，根据对应关系通过cnn算法计算出作物生长周期的概率值，若生长周期的概率值大于预定值，则确定作物处于该生长周期下；否则，将不确定的生长周期进行标注，在执行通过图像数据库对算法模型进行在线训练和更新的步骤时，同时会优化被标注的生长周期的算法。其中，算法模型中存有的作物生长周期的种类包括：发芽期、幼苗期、甩条发棵期和结果期。
施肥智能决策控制模型的构建具体包括以下步骤：
步骤s1，获取每个水培架和施肥机状态信息，构成用于深度强化学习方法训练的原始信息。
步骤s2，采用深度强化学习理论建立施肥智能决策控制模型，给予强化学习智能体奖惩值和状态转移信息，并确定出可供智能体选择的动作空间及其对应的动作的价值，并根据该价值确定出最优调控动作。其中，智能体指的是施肥控制单元，从待施肥的水培架中选择一个或多个进行水肥投放动作。
步骤s3，利用施肥智能决策控制模型进行离线训练和学习，得到训练好的施肥智能决策控制模型。
步骤s4，利用训练好的施肥智能决策控制模型进行水肥投放。
在步骤s1中，所述原始信息包括水培架状态信息和施肥机状态信息：
水培架状态信息为：水培架编号、作物种类、作物生长周期，混液罐的最大容量、最高水位、当前水位，混液罐处受肥管道的电磁阀最大流量、营养液当前ec和ph值，需肥状态，投放状态。其中，所述作物生长周期由所述水培作物生长周期判别模型给出；所述需肥状态分为正常、不足和过量，由母液罐处出肥管道的营养液当前ec和ph值和各水培架混液罐处受肥管道的营养液当前ec和ph值对比判断给出；所述投放状态分为待投放、投放中和已投放。
施肥机状态信息为：施肥机编号，母液罐处出肥管道的电磁阀最大流量、营养液当前ec和ph值，管道压力值，施肥机工作状态。其中，所述施肥机工作状态分为已分配水肥投放任务、未分配水肥投放任务和异常。
施肥智能决策控制模型包括：施肥智能决策控制环境模型模块和价值网络模块。
所述施肥智能决策控制环境模型模块给予强化学习智能体奖惩值、状态转移信息，并确定出可供智能体选择的动作空间。
所述价值网络模块用于抽象温室内所有水培架和施肥机的状态，并输出水培架和施肥机在该状态下对应不同动作时的价值，根据抽象出的水培架和施肥机的状态对应的动作的价值进行最优调控动作的选择，并将选择到的最优调控动作反馈到施肥智能决策控制环境模型；其中所选择的最优动作在所述施肥智能决策控制环境模型提供的动作空间中。
施肥智能决策控制环境模型模块包括：状态转移单元、动作空间单元以及奖赏函数单元。
其中，状态转移单元根据前一时刻的水培架状态信息和价值网络模块输出的当前时刻的动作，来对当前时刻温室内的水培架和施肥机的状态实施状态转移；所述动作空间单元用于根据当前温室内水培架的状态信息及施肥机的状态信息来确定可供智能体选择的动作范围；所述奖赏函数单元用于针对水肥投放调控情况利用设定的奖赏函数计算输出奖惩值，奖赏函数单元的输出端连接价值网络的输入端；所述奖赏函数根据水肥投放调控的优化目标来确定。
水肥投放调控的优化目标包括：精准率、准时率。其中，精准率是指满足专家系统给出的用肥需求的程度，准时率是指满足给定的水肥投放时间要求的程度。
奖赏函数用如下公式表示：r＝w1*f1(a) w2*f2(b)，其中，r为奖惩值，f1(a)和f2(b)分别为水肥投放精准率和准时率评分，w1和w2为权重值。
精准率评分表示为：f1(a)＝log(1-a/n),a>0；f1(a)＝1,a＝0。其中，n为水肥投放时间段内总的待施肥水培架数量，a为水肥投放精度误差绝对值超出给定阈值的待施肥水培架数量。所述水肥投放精度误差是指水肥投放量与专家系统给出的用肥量的差值。
准时率评分表示为：f2(b)＝log(1-b/n),b>0；f2(b)＝1,b＝0。其中，n为水肥投放时间段内总的待施肥水培架数量，b为水肥投放需时误差绝对值超出给定阈值的待施肥水培架数量。所述水肥投放需时误差是指水肥投放用时与给定的水肥投放时间的差值。
价值网络模块由深度神经网络构成，可选择的深度神经网络模型包括ann、cnn、rnn、lstm等网络模型及其组合或者变体，通过使用深度神经网络模型来抽象水培架状态、施肥机状态和价值拟合。
在步骤s3中，包括：
根据水培架状态信息和施肥机状态信息输入进行状态抽象，得到当前状态下最优的调控动作，价值网络可选择的动作范围由动作空间确定，价值网络选择的最优动作将发送给施肥智能决策控制模型；施肥智能决策控制模型根据前一时刻的水培架状态、施肥机状态和当前时刻的动作选择来进行状态转移，同时根据奖赏函数计算得出奖惩值，并将该奖惩值和改变后的状态信息反馈给价值网络；如此不断迭代地进行训练和学习，最终使得施肥智能决策控制模型得以收敛。
在步骤s4中，包括：
施肥控制单元根据实际真实的水肥投放调控环境，首先输出当前时刻温室内的所有水培架和施肥机状态信息，将其传输给施肥智能决策控制模型，该施肥智能决策控制模型根据输入的状态信息输出最优的调控动作；将该最优调控动作返回施肥控制单元；施肥控制单元收到最优调动动作，控制施肥机执行完该调控动作，随后监控等待时间达到设定的水肥投放间隔时，则施肥控制单元继续根据当前水肥投放调控环境，将当前时刻温室内所有水培架和施肥机状态信息发送到该施肥智能决策控制模型，并获取新的最优调控动作，如此不断循环上述过程，最终使得所有的水培架栽培作物得到施肥。
根据输入的状态信息输出最优的调控动作的过程还包括：
施肥智能决策控制模型中的价值网络模块根据施肥控制单元输入的状态信息，结合动作空间提供的动作范围和约束条件，得到当前状态下最优的调控动作。其中，所述约束条件包括混液罐的最大容量、最高水位和电磁阀最大流量。
施肥控制单元用于根据施肥智能决策控制模型来控制施肥机执行水肥投放操作，指导或提醒使用者进行施肥比例和施肥流量的调整。
施肥控制单元还可用来控制温室内包括风机、湿帘在内的环境调控设备执行温室内环境调控操作，使当前环境因子信息达到专家系统给出的环境条件。
施肥控制单元还可根据安装在施肥机母液罐内的两个ph传感器的差值比较，判断肥料搅拌的均匀程度，继而通过plc控制搅拌电机所需的转速，并自启动和停止搅拌电机。
施肥机主要由进水主管道、过滤器、进水泵、进水电磁阀、出肥管道、施肥电磁阀、搅拌电机、母液罐、施肥泵、出肥管组成，结合获得的所述水培架状态信息和所述施肥机状态信息，由所述施肥控制单元对其进行plc控制，使各个待施肥的水培架水肥投放量达到专家系统给出的用肥量。
结合参照图3，本发明的水培作物施肥装置的工作流程如下：
首先，通过信息采集单元获取水培作物生长过程数据，并由信息处理单元进行处理后输入到施肥决策单元，由水培作物生长周期判别模型给出各水培架栽培作物所处生长周期，通过专家系统，给出作物所处生长周期的实时、短期和长期需肥需求和环境条件。
其次，获取需要进行水肥投放的水培架状态信息和可以正常执行水肥投放操作的施肥机状态信息。
然后，将需要进行水肥投放的水培架状态信息和可以正常执行水肥投放操作的施肥机状态信息输入到施肥智能决策控制模型，给出最优调控动作。
最后，施肥控制单元收到最优调动动作，控制施肥机执行完该调控动作。随后监控等待时间达到设定的水肥投放间隔时，则施肥控制单元继续根据当前水肥投放调控环境，将当前时刻温室内所有水培架和施肥机状态信息发送到该施肥智能决策控制模型，并获取新的最优调控动作，如此不断循环上述过程，最终使得所有的水培架栽培作物得到施肥。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
1.一种基于多尺度生境信息的水培作物施肥装置，其特征在于，包括信息采集单元、信息处理单元、施肥决策单元、施肥控制单元和施肥机，
所述信息采集单元用于采集水培作物的环境因子信息和作物生长发育信息；
所述信息处理单元用于对所述信息采集单元获取的数据进行预处理；
所述施肥决策单元用于获取需要进行水肥投放的水培架状态信息和可以正常执行水肥投放操作的施肥机状态信息，并将其输入至利用深度强化学习理论建立的施肥智能决策控制模型，输出最优调控动作；
所述施肥控制单元用于在收到最优调动动作后控制施肥机执行完该调控动作，
其中，所述水培架状态信息包括作物生长周期，其中所述作物生长周期由水培作物生长周期判别模型依据不同时间尺度下的作物生长发育信息给出。
2.根据权利要求1所述的基于多尺度生境信息的水培作物施肥装置，其特征在于，所述信息采集单元包括环境因子信息采集子单元和作物生长发育信息采集子单元，所述环境因子信息采集子单元用于采集水培作物所处的大棚温室内的温室温度、湿度、光照和co2浓度，还用于采集水培架的混液罐内的液位、混液罐内的营养液的ec和ph值、水肥投放量和管道压力，所述作物生长发育信息采集子单元包括图像传感器，用于监测植株高度、叶片纹理和颜色，其中，对透明水培架，所述作物生长发育信息采集子单元还可用于监测根系形态。
3.根据权利要求1所述的基于多尺度生境信息的水培作物施肥装置，其特征在于，所述施肥智能决策控制模型的构建包括以下步骤：
步骤s1，获取每个水培架的状态信息和施肥机的状态信息，构成用于深度强化学习方法训练的原始信息；
步骤s2，采用深度强化学习理论建立施肥智能决策控制模型，给予强化学习智能体奖惩值和状态转移信息，并确定出可供智能体选择的动作空间及其对应的动作的价值，并根据该价值确定出最优调控动作，其中，智能体指的是施肥控制单元；
步骤s3，利用施肥智能决策控制模型进行离线训练和学习，得到训练好的施肥智能决策控制模型。
4.根据权利要求3所述的基于多尺度生境信息的水培作物施肥装置，其特征在于，
所述水培架状态信息为：水培架编号、作物种类、作物生长周期，混液罐的最大容量、最高水位、当前水位，混液罐处受肥管道的电磁阀最大流量、营养液当前ec和ph值，需肥状态，投放状态；其中，所述作物生长周期由所述水培作物生长周期判别模型给出；所述需肥状态分为正常、不足和过量，由母液罐处出肥管道的营养液当前ec和ph值和各水培架混液罐处受肥管道的营养液当前ec和ph值对比判断给出；所述投放状态分为待投放、投放中和已投放。
所述施肥机状态信息为：施肥机编号，母液罐处出肥管道的电磁阀最大流量、营养液当前ec和ph值，管道压力值，施肥机工作状态。其中，所述施肥机工作状态分为已分配水肥投放任务、未分配水肥投放任务和异常。
5.根据权利要求3所述的基于多尺度生境信息的水培作物施肥装置，其特征在于，所述施肥智能决策控制模型包括：施肥智能决策控制环境模型模块和价值网络模块，所述施肥智能决策控制环境模型模块包括：状态转移单元、动作空间单元以及奖赏函数单元，所述价值网络模块由深度神经网络构成。
技术总结