(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111392679.X (22)申请日 2021.11.23 (71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 左志宇　李文杰　毛罕平　张晓东　 韩绿化　牟晋东　 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/02(2012.01) A01G 9/24(2006.01) (54)发明名称 一种基于深度神经网络的温室作物灌溉方 法 (57)摘要 本发明提供了一种基于深度神经网络的温 室作物灌溉方法， 首先构建基于深度神经网络的 作物蒸腾速率预测模型、 温室环境参数预测模 型、 作物水分状态检测模型和作物水分胁迫恢复 时间预测模型； 然后将作物定植日期、 当前日期、 当前时间、 温室环境参数预测值输入作物蒸腾速 率预测模型得到作物蒸腾速率预测值， 在下一灌 溉时间的间隔内对时间积分得到作物蒸腾量预 测值； 将定植日期、 当前日期、 当前时间、 温室环 境参数、 作物冠层叶片的RGB图像、 深度图像和近 红外图像输入作物水分状态检测模型判断作物 水分状态， 根据作物水分状态和作物蒸腾量预测 值进行灌溉。 本发明能动态调整灌溉时间和灌溉 量， 实现对作物的精准灌溉， 节省灌溉用水。 权利要求书2页 说明书5页 附图1页 CN 114117905 A 2022.03.01 CN 114117905 A 1.一种基于深度神经网络的温室作物灌溉方法， 其特 征在于： 每隔m分钟， 采集一次温室环境参数以及作物冠层叶片的RGB图像、 深度图像和近红外 图像， 并输入作物水分状态检测模型， 判断作物的水分状态； 若作物水分状态为灌溉亏缺， 则立即进行灌溉； 并在经过作物水分胁迫恢复时间后进 行下一次作物水分状态检测； 若灌溉后n小时内均未出现作物水分状态为灌溉亏缺， 则在灌溉后的n小时通过作物水 分状态检测模型判断作物的水分状态， 并进行灌溉； 其中n 为灌溉间隔时间。 2.根据权利要求1所述的基于深度神经网络的温室作物灌溉方法， 其特征在于， 所述作 物水分状态检测模型具体为： 以定植日期、 当前日期、 当前时间、 温室环境参数以及作物冠 层叶片的RGB图像、 深度图像和近红外图像作为输入， 以作物水分状态作为输出， 构建作物 水分状态检测的深度神经网络模型。 3.根据权利要求1所述的基于深度神经网络的温室作物灌溉方法， 其特征在于， 所述灌 溉亏缺是灌溉水平小于F(1 ‑P)的作物水分状态， 定义净光合速率最高的灌溉水平 为灌溉基 准， 记为F； 定义允许的相对偏差为阈值， 记为P。 4.根据权利要求3所述的基于深度神经网络的温室作物灌溉方法， 其特征在于， 灌溉水 平大于F(1+P)的作物水分状态判为灌溉过量， 在区间[F(1 ‑P),F(1+P)]的作物水分状态判 为灌溉适量。 5.根据权利要求1所述的基于深度神经网络的温室作物灌溉方法， 其特征在于， 所述作 物水分胁迫恢复时间是根据作物水分胁迫恢复时间预测模型进行预测的， 所述作 物水分胁 迫恢复时间预测模型具体为： 以作物的定植日期、 当前日期、 当前时间、 温室环境参数和灌 溉量作为输入， 作物水分胁迫恢复时间作为输出， 建立作物水分胁迫恢复时间预测的深度 神经网络模型。 6.根据权利要求4所述的基于深度神经网络的温室作物灌溉方法， 其特征在于， 灌溉量 是由下列公式确定的： 其中： Q为单株灌溉量， Qpred为接下来n小时内的单株蒸腾量预测值， Q'为上次灌溉时的 单株灌溉 量， ET为上次灌溉到当前时刻的单株蒸腾量。 7.根据权利要求6所述的基于深度神经网络的温室作物灌溉方法， 其特征在于， 所述单 株蒸腾量预测值Qpred的获取方法为： 将 前24小时每分钟的温室环境参数、 后n小时内整点的 天气预报信息和温室环境调控系统控制参数设定值输入到温室环境参数预测模型， 得到后 n小时内的温室环境预测信息； 将作物的定植日期、 当前日期、 当前时间和温室环境预测信 息输入到作 物蒸腾速率预测模型， 计算得到作 物蒸腾速率； 在后n小时内对作 物蒸腾速率进 行积分计算得到作物蒸腾量预测值 Qpred。 8.根据权利要求7所述的基于深度神经网络的温室作物灌溉方法， 其特征在于， 所述作 物蒸腾速率预测模型具体为： 以作 物的定植日期、 当前日期、 当前时间和温室环境参数作为 模型的输入， 以作物蒸腾速率作为模型 的输出， 构建作物蒸腾速率预测的深度神经网络模权　利　要　求　书 1/2 页 2 CN 114117905 A 2型。 9.根据权利要求7所述的基于深度神经网络的温室作物灌溉方法， 其特征在于， 所述温 室环境参数预测模型具体为： 将前2 4小时每分钟的温室环境参数、 后n小时内整点的天气预 报信息和温室环境调控系统控制参数设定值作为输入， 将后n小时内每分钟的温室环境参 数作为输出， 构建温室环境 参数预测的深度神经网络模型。 10.根据权利要求1所述的基于深度神经网络的温室作物灌溉方法， 其特征在于， 所述m 和n满足(n ×60)能被m整除。权　利　要　求　书 2/2 页 3 CN 114117905 A 3