1.本发明涉及农业灌溉技术领域，尤其涉及一种基于图像识别的喷灌装置及喷灌方法。


背景技术：

2.我国存有大面积耕地，目前我国农业发展已经趋向于自动化、智能化，中心支轴式喷灌机又称指针式喷灌机，是将喷灌机的转动支轴固定在灌溉区域的中心，固定在钢筋混凝土支座上，支轴座中心下端与井泵出水管或压力管相连，上端通过旋转机构(集电环)与旋转弯管连接，通过桁架上的喷洒系统向作物喷水的一种节水增产灌溉机械。
3.近年来，我国节水灌溉技术虽然得到了较大的发展，但是仍存在较多的漏洞，在节水灌溉上并没有涉及到先进技术，极大的影响了其推广与普及的进程。在农业生产过程中通常采用气象参数和土壤湿度参数的分析来判断喷灌量，而不同作物对土壤湿度的要求不同，此外大面积耕地的环境下，地势连绵起伏，地势高的地方不会存水，需水量较大，地势低的地方容易存水，因此现有的喷灌方式无法针对不同的作物以及地势灵活调节喷灌机进行喷灌，难以满足现代农业生产方式。


技术实现要素：

4.本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于图像识别的喷灌装置及喷灌方法。
5.本发明是通过以下技术方案予以实现：
6.一种基于图像识别的喷灌装置，其特征在于，包括：
7.中心支轴式喷灌机，包括多个行走跨体以及设于行走跨体上的多个喷头；
8.图像采集模块，包括分别安装于各行走跨体上的多个摄像头，所述摄像头用于采集各行走跨体喷灌区域的地势图像以及作物状态图像；
9.集控站，用于接收所述图像采集模块采集的地势图像以及作物状态图像，并根据图像识别模块控制泵组启闭喷头。
10.根据上述技术方案，优选地，所述图像识别模块包括识别模型，所述集控站接收的所述地势图像以及作物状态图像根据识别模型控制泵组启闭喷头。
11.本专利还公开了一种基于图像识别的喷灌方法，使用上述一种基于图像识别的喷灌装置，其特征在于，包括如下步骤：a.生成识别模型；b.所述图像采集模块采集各行走跨体喷灌区域的地势图像以及作物状态图像；c.所述集控站接收所述图像采集模块采集的地势图像以及作物状态图像；d.所述集控站根据识别模型控制泵组启闭喷头。
12.根据上述技术方案，优选地，步骤a包括：采集多组图像样本；对所述图像样本进行分类标记；通过卷积神经网络对已标记的图像样本进行种类分析训练，生成识别模型。
13.根据上述技术方案，优选地，所述分类标记包括地势高低种类标记以及作物状态种类标记。
14.根据上述技术方案，优选地，步骤a还包括：对识别模型进行修正。
15.根据上述技术方案，优选地，所述“对识别模型进行修正”的步骤包括：人为验证识别准确度，修正识别模型；重复多次将所述图像采集模块采集的地势图像以及作物状态图像送入识别模型进行迭代训练。
16.本发明的有益效果是：
17.本发明通过图像采集模块采集各行走跨体喷灌区域的地势图像以及作物状态图像，对农作物采用深度学习的方法进行识别，判断作物类别、所处地势以及是否缺水，针对不同的条件灵活调节相应的灌溉策略，从而进行适宜灌溉，实现节水灌溉的同时，能够更好的促进作物生长，具备较好的应用推广价值。
附图说明
18.图1是本发明的方法流程示意图。
具体实施方式
19.为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。基于发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于发明保护的范围。
20.在发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对发明的限制。
21.如图所示，本发明包括：中心支轴式喷灌机，包括多个行走跨体以及设于行走跨体上的多个喷头；图像采集模块，包括分别安装于各行走跨体上的多个摄像头，所述摄像头用于采集各行走跨体喷灌区域的地势图像以及作物状态图像；集控站，用于接收所述图像采集模块采集的地势图像以及作物状态图像，并根据图像识别模块控制泵组启闭喷头，所述图像识别模块包括识别模型，所述集控站接收的所述地势图像以及作物状态图像根据识别模型控制泵组启闭喷头。本发明通过图像采集模块采集各行走跨体喷灌区域的地势图像以及作物状态图像，对农作物采用深度学习的方法进行识别，判断作物类别、所处地势以及是否缺水，针对不同的条件灵活调节相应的灌溉策略，从而进行适宜灌溉，实现节水灌溉的同时，能够更好的促进作物生长，具备较好的应用推广价值。
22.本专利还公开了一种基于图像识别的喷灌方法，使用上述一种基于图像识别的喷灌装置，其特征在于，包括如下步骤：
23.a.采集多组图像样本，其中在训练过程中的图像样本，包括不同类别的作物的图像、不同类别作物缺水/不缺水状态的图像以及不同地势的图像，并对图像样本进行分类标记，如：地势高、地势低、作物种类、作物缺水、作物不缺水等，并针对不同标记对应相应的灌溉策略，因此在实际使用过程中，集控站能够根据图像识别模块中的识别模型，控制泵组启闭喷头；
24.b.对所述图像样本进行分类标记，所述分类标记包括地势高低种类标记以及作物状态种类标记，本例中利用via图像标记算法框架精细标记各图像样本，同时标记其种类，
并将标记的信息导出成json文件，本例中使用tensorflow框架训练json文件样本，与此同时，在人为分类标记好样本后还可以选择用svm、adboost等传统机器学习分类器进行分类；
25.c.通过卷积神经网络对已标记的图像样本进行种类分析训练，生成识别模型，本例中使用tensorflow框架训练json文件样本，除此之外，还可使用caffe、torch完成深度学习网络模型，caffe基于c++语言开发，tensorflow基于python语言，torch基于lua语言，在识别时，三个框架的识别都会分别调用各自的c++接口；
26.d.所述图像采集模块采集各行走跨体喷灌区域的地势图像以及作物状态图像；
27.e.所述集控站接收所述图像采集模块采集的地势图像以及作物状态图像，所述集控站根据识别模型控制泵组启闭喷头。
28.根据上述实施例，优选地，步骤a还包括：对识别模型进行修正，即人为验证识别准确度，修正识别模型；重复多次将所述图像采集模块采集的地势图像以及作物状态图像送入识别模型进行迭代训练。其中，迭代次数根据时间、人力物力允许的条件确定，通过人为和机器识别相配合，经多次识别，提高准确度，使预测结果具有较高的信服力，从而提高对农作物的辨识精度，有效地减少误判情况发生。
29.本发明通过图像采集模块采集各行走跨体喷灌区域的地势图像以及作物状态图像，对农作物采用深度学习的方法进行识别，判断作物类别、所处地势以及是否缺水，针对不同的条件灵活调节相应的灌溉策略，从而进行适宜灌溉，实现节水灌溉的同时，能够更好的促进作物生长，具备较好的应用推广价值。
30.以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。