1.一种神经网络模型训练方法，所述神经网络模型训练采用的目标函数为：

式(1)中目标函数Cost表示作物根部生长长度；h1、h2、T1的含义分别是：传感器测量的实时的根部湿度h1、叶片湿度h2以及根部拉伸应力T1；上述测量值是一段时间Δt时间段的累积值；α1、α2和α3分别是各自参数h1、h2、T1的系数；yg是指一段时间内，预期的作物生长长度；y0是t＝0时，初始状态下的作物根部长度；对于所述目标函数Cost，采用迭代计算方式，求取Cost＝Cost(min)时应满足的条件；迭代训练过程中对于参数的选择，以及周边环境因素的考虑对迭代量Xn进行控制；
具体的迭代计算方式如下：

式(2)中其中是指使用该灌溉系统的阀门的正向开放时间段；是与相匹配的该阀门在正向打开后关闭时间段；v为灌溉用输水管的水流恒定时的流速；α4、α5分别为各自的比例系数；Δt为测量周期；
另外，其中的参数测量值h1、h2、T1应满足一定的条件；该条件如下：
Hmin＜h1<Hmax； (3)

其中Hmin和Hmax分别指测量的土壤湿度最小值和土壤温度最大值；和是测量的叶片湿度测量满足的最小值和最大值，β为拟合参数；当测量到的h1和h2不满上述区间时，说明此模型不合适，终止该模型计算；转而采用常规的输水量计算方式计算输水量。
2.一种用于作物生长的灌溉输水方法，其特征在于该方法包括：
步骤S1：使用一种植服务感知终端实时检测作物生长的各参数；
步骤S2：将所述各参数通过信息传输网络上传至一云计算单元，所述各参数作为输入量输入一经训练的AI模型；
步骤S3：通过该经训练过的AI模型实时计算所需的灌溉输水量；
步骤S4：所述云计算单元根据计算的灌溉输水量控制所述水泵电机的开关；
其中所述AI模型采用权利要求1所述的神经网络模型训练方法训练得到。

技术领域
[0001]本发明属于农业技术领域，特别涉及一种基于物联网的云服务系统。
背景技术
[0002]据相关统计表明，我国目前农业知识和数据资源的积累已达到TB量级，但这些信息资源分散在不同的农业基础设施服务或研究机构中，表现出复杂，异构，分布式等特点；同时，现代工厂设施以农业为基础，环境安全型农业和无毒型农业仍然处于萌芽状态，建设成本高，投资大还没有大规模的应用。因此如何打破农业领域的信息壁垒，协同农业生产在各行业开展信息技术业务，信息技术已成为农业研究的焦点。
[0003]物联网云服务系统实现物联网技术和云计算技术对接在农业信息服务领域，较好地解决了目前农业信息服务存在的问题，农业生产自动化，精细化和智能化管理，降低农业信息服务使用门槛，提高农业信息服务效率。
[0004]如何通过收集的各参数对灌溉输水量进行精确控制一直是本领域的难点。现有技术中关于灌溉输水量一般是将收集的各参数在数据库中寻找对应的灌溉浇水量的取值范围，估计各个作物生长相关参数(包括根部湿度、叶片湿度、根部拉伸应力、实时光照度、环境温度以及土壤湿度等)相对应的输水量的取值范围，取平均值，以满足各种环境的需要。但这种方式这一方式没有做到作物灌溉的精细化。取值与实际需求存在较大的差距，往往输水量或大于或小于实际需求量，这大大影响了作物的生长。另外，上述计算的输水量并没有考虑到实时性。对于作物，特别是不同科的植物，生长在不同的时间段，其用水量有较大的差异。即便是在一天的三次固定灌溉时间内：上午8:00-9:00，中午13:00-14:00以及下午18:00-19:00，所需要的输水量是不同的。这些都要精细化的输水控制。本发明基于现有技术中存在的上述问题，采用基于深度神经网络的输水量规划方法，通过深度学习的神经网络，建立训练模型。该模型输入量为:各传感器实测的各参数，这至少包括了根部温度、叶片温度、根部拉伸应力、实时光照度、土壤湿度。输出为：输水量W。通过该模型，可有效的基于参数对输出的参数：作物灌溉用的输水量进行准确，及时的计算。
发明内容
[0005]鉴于现有技术中存在的问题，本发明的目的之一在于基于物联网的农业云服务系统。为达此目的，本发明采用以下技术方案：
[0006]本发明提供一种基于物联网的农业云服务系统，其特征在于：所述系统包括：基于物联网的云终端、信息传输网络以及云计算单元；所述基于物联网的云终端通过所述信息传输网络与所述云计算单元进行信息交互；所述基于物联网的云终端包括：
[0007]至少一个种植服务感知终端，用于农田作物生长感知或采集作物及周边环境参数信息；
[0008]至少一个用户终端，用于接收并显示数据，实现监管功能，所述监管功能采用了AI模型计算输出控制量。
[0009]优选的，所述种植服务感知终端包括通信模块、电源模块、多个种植状态感测传感器、微控制器、显示模块、多个继电器和水泵电机。
[0010]本发明还提供一种用于作物生长灌溉输水方法，其特征在于该方法包括：
[0011]步骤S1：使用一种植服务感知终端实时检测作物生长的各参数；
[0012]步骤S2：将所述各参数通过信息传输网络上传至一云计算单元，作为输入量输入一经训练的AI模型；
[0013]步骤S3：通过该训练过的AI模型实时计算所需的灌溉输水量；
[0014]步骤S4：所述云计算单元根据计算的灌溉输水量控制所述水泵电机的开关。
[0015]优选的，所述各参数包括根部湿度、叶片湿度、根部拉应力、实时光照度和土壤湿度。
[0016]本发明的另一方面是提供一种神经网络模型训练方法，该模型用于上述的作物生长灌溉输水方法，其特征在于所述AI模型采用神经网络模型训练得到。
[0017]优选的，所述训练方法用于农业云服务。
[0018]本发明的另一方面，是提供一种利用上述任一系统对农业云服务的方法，其特征在于：所述方法包括以下步骤：
[0019]步骤1：种植服务感知终端获取植物的生长状态及周边环境参数信息，通过信息传输网络将信息传输到云计算单元；
[0020]步骤2：云计算单元收集并处理信息，按需向用户终端转发数据；
[0021]步骤3：用户终端接收云计算单元数据，根据服务需要，向云计算单元发送服务请求；
[0022]步骤4：云计算单元接收用户终端的服务请求，利用AI筛选调用相应的模块执行处理并将处理结果反馈给用户终端；
[0023]步骤5：用户终端接收并显示反馈结果。
[0024]本发明的另一方面，是提供一种神经网络模型训练方法，所述神经网络模型训练采用的目标函数为：
[0025]
[0026]式(1)中目标函数Cost表示作物生长程度，优选根部生长长度；h1、h2、T1的含义分别是传感器测量的实时的根部湿度、叶片湿度h2以及根部拉伸应力T1；上述测量值可以是一段时间Δt时间段的累积值；α1、α2和α3分别是各自参数h1、h2、T1的系数；yg是指一段时间内，预期的作物生长长度；y0是t＝0时，初始状态下的作物根部长度；对于所述目标函数Cost，采用迭代计算方式，求取Cost＝Cost(min)时应满足的条件。
[0027]与现有技术方案相比，本发明至少具有以下有益效果：
[0028](1)本发明将云计算和农业结合，较好地解决了目前存在的大量公共农业信息服务问题，实现了规模农业传感器终端接入，海量数据集成服务，有效降低了农业信息服务的使用门槛，提高了农业信息服务的效率；
[0029](2)本发明自动地将物理感测装置和农业灌溉控制机制连接到云端，利用AI筛选适当地监测不同农业参数数据，并根据检测结果调整灌溉，从而保持整个体系结构的分析和解决问题的能力。
[0030](3)现有的灌溉输水量计算出的作物灌溉输水量较粗糙，不能精确话控制，不能反映环境周边变化带来的影响。另外计算方式采用查表等经验公式计算，不能满足不同种作物的精确化控制的作用。本发明使用的模型利用人工智能中的深度神经网络学习方法，在迭代学习过程中以最经济(最快作物生长方式)作为目标函数，并且将周边环境参数加入作为控制边界参数，使输出结果更能适应实时变化需要。
附图说明
[0031]图1是本发明的基于物联网的农业云服务系统框图；
[0032]图2是本发明的基于AI的灌溉输水流程图。
[0033]下面对本发明进一步详细说明。但下述的实例仅仅是本发明的简易例子，并不代表或限制本发明的权利保护范围，本发明的保护范围以权利要求书为准。
具体实施例
[0034]实施例1
[0035]下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
[0036]为更好地说明本发明，便于理解本发明的技术方案，本发明的典型但非限制性的实施例如下：
[0037]图1是本发明的基于物联网的农业服务系统框图。
[0038]该系统包括基于物联网的云终端、信息传输网络以及云计算单元。
[0039]基于物联网的云终端，即“云终端”，包括至少一个种植服务感知终端、溯源终端和用户终端。
[0040]种植服务感知终端，置于农田作物生长环境中，用于作物生长感知或采集作物及周边环境参数信息，种植服务感知终端通过无线传感器网络与云计算单元进行数据交换。
[0041]用户终端，放置在用户所使用的周围环境中，用于接收并显示数据，完成适当的监管功能，用户终端通过互联网与云计算单元进行数据交换。
[0042]信息传输网络，可以包括一个或多个现场总线、无线传感器网络、移动通信网络、公用电话网、公共交换数据网、无线网络、卫星通信、组网和互联网，用于构建终端与云计算单元云之间的数据传输通道，云终端接收请求和响应云计算单元的数据传输。
[0043]云计算单元，包括云接收单元、云计算中心和云存储器。云计算中心使用交换机和/或路由器，通过一个或多个云连接云存储。
[0044]云计算中心包括至少两个服务器，执行数据的分布式处理，提供云终端各种类型云服务的能力。
[0045]云存储器，为云计算提供各种类型的数据存储，由硬件和软件组成。
[0046]云计算中心包括云管理单元、云应用单元等。云计算中心还可包括数据永久存储部件，负责存储由硬件和软件完成的数据。云计算中心接收数据服务请求，并响应请求对标准接口的数据进行封装。
[0047]云管理单元，负责完成任务调度管理，通过一套硬件和软件设备，可以管理云应用单元和接口单元。接收云应用单元和接口单元的服务请求，调用云存储器存储的数据进行分析处理。
[0048]云应用单元，负责处理云终端所有类型的应用服务，由一套硬件和软件设备组件，接收服务请求并由接口单元控制云管理单元，将各类应用服务请求的处理结果反馈给接口单元，供云终端调用系统。
[0049]种植服务感知终端包括通信模块，电源模块，多个种植状态感测传感器，微控制器，显示模块，多个继电器和水泵电机。
[0050]通信模块，负责建立终端和云计算单元之间的数据通道，接收指令信息传送至云计算单元，并将后续处理指令发送给微控制器。通信模块包括一个或多个无线通信模块、以太网通信模块、移动通信模块。
[0051]微控制器，负责终端的所有业务流程，属于终端的核心单元，负责控制整个终端的其它模块，控制每个传感器的数据采集，并请求通信模块向云计算单元传输数据。微控制器是由RAM，ROM，计时器，计数器，ADC(模数转换器)，DAC(数模转换器)及其组成的集成芯片。具体地，微控制器可以是Adriano微控制器，如果感测数据低于或高于预定值，则向农民报警。
[0052]多个种植状态感测传感器，负责获取作物的整体状况和现场信息设备环境参数，包括温度传感器，湿度传感器，拉伸应力传感器，光照度传感器等，具体地，环境参数包括作物本身以及土壤的水分、湿度、温度和天气条件。多个种植状态感测传感器接收微控制器控制，将采集到的传感器数据提交给微控制器并发送至云计算单元进行采用AI筛选，根据观察植物来调整灌溉。
[0053]电源模块，负责为终端的各部件提供能量，包括通信模块、微控制器和多个种植状态感测传感器。包括电池和干电池，用于以直流的形式供电。
[0054]显示模块，负责显示所提供的电压读数。
[0055]多个继电器，负责电路的开关切换。
[0056]水泵电机，负责调节水的流量。
[0057]通信模块，负责建立终端和云计算单元之间的数据通道，接收指令信息推送云计算单元，并将后续处理指令发送给微控制器。通信模块包括一个或多个无线通信模块、以太网通信模块、移动通信模块。
[0058]微控制器，负责终端的所有业务流程，属于终端的核心单元，负责控制整个终端的其它模块，控制每个传感器的数据采集，并请求通信模块向云计算单元传输数据，微控制器包括内部计算单元、存储器、控制器等。
[0059]电源模块，负责为终端的各部件提供能量，包括通信模块、微控制器和多个状态感测传感器。
[0060]溯源终端包括通信模块、微控制器、电源模块、识别模块和显示模块。
[0061]通信模块，负责建立终端和云计算单元之间的数据通道，接收指令信息推送云计算单元，并将后续处理指令发送给微控制器。通信模块包括一个或多个无线通信模块、以太网通信模块、移动通信模块。
[0062]微控制器，负责终端的所有业务流程，属于终端的核心单元，负责控制整个终端的其它模块，控制识别模块收集或识别字段数据，并请求通信模块将数据传送至云计算单元，云计算单元接收发送给通信模块的云服务请求，微控制器包括内部计算单元，存储器，控制器等。
[0063]识别模块，负责识别各种类型的标签信息，并将识别信息的实时数据发送给微控制器进行后续处理，识别类型包括识别条码，二维码识别，语音识别，图像识别模块。
[0064]显示模块，提供数据显示功能，由微控制器控制。
[0065]电源模块，负责为终端的各部件提供能量，包括通信模块、微控制器、识别模块和显示模块。
[0066]用户终端包括通信模块，CPU，电源模块，控制模块和显示模块。用户终端可以为PC机，手机，智能终端，电话，电视。
[0067]通讯模块，负责建立用户终端和云计算单元之间的数据通道，接收指令信息推送云计算单元，并将指令发送给CPU进行进一步处理。通信模块包括一个或多个无线通信模块、以太网通信模块、移动通信模块。
[0068]CPU，负责用户终端的各种用户业务处理，属于终端的核心单元，负责对终端其他模块的整体控制。
[0069]控制模块，负责各种控制输入命令，完成业务控制功能，由CPU控制。控制模块包括键盘，鼠标，键盘模拟，模拟鼠标，触摸屏。
[0070]显示模块，提供显示数据，由CPU模控制。
[0071]电源模块，负责为终端的各部件提供能量，包括通信模块，CPU，控制模块，显示模块。
[0072]利用上述系统对农业服务的方法，包括：
[0073]步骤1：种植服务感知终端获取植物的生长状态及周边环境参数信息，溯源终端获取农产品的安全溯源信息，通过信息传输网络将信息传输到云计算单元；
[0074]步骤2：云计算单元收集并处理信息，按需向用户终端转发数据；
[0075]步骤3：用户终端接收云计算单元数据，根据服务需要，向云计算单元发送服务请求；
[0076]步骤4：云计算单元接收用户终端的服务请求，利用AI筛选调用相应的模块执行处理并将处理结果反馈给用户终端；
[0077]步骤5：用户终端接收并显示反馈结果。
[0078]实施例2
[0079]实施例2是对实施例1的进一步说明，其中包括实施例1的内容在此不再赘述。
[0080]对于利用AI筛选调用受益人模块执行处理，其中重要的一个方面是通过云计算单元的AI计算得到控制灌溉用输水量的方式。对于利用AI计算得到的实时输水量可以通过控制水泵，以对作物进行灌溉浇水。
[0081]要实用精确的灌溉浇水，对计算所需要的模型进行训练以达到所需要求是必要的，这一模型的训练借助了AI技术，优选的，可以通过被称为神经网络的进行模型训练。更优选的，是采用深度神经网络学习模型。而决定是否能够精确的控制灌溉，需要一个好的深度神经网络学习模型。以便当训练结束后，输出的控制参数能够满足精确控制的目的。
[0082]所述的多个种植状态感测传感器，负责获取作物的整体状况和现场信息设备环境参数，包括温度传感器，湿度传感器，拉伸应力传感器，光照度传感器等，具体地，环境参数包括作物本身以及土壤的水分、湿度、温度和天气条件。多个种植状态感测传感器接收微控制器控制，将采集到的传感器数据提交给微控制器并发送至云计算单元进行AI筛选，根据观察植物来调整灌溉。
[0083]具体到本实施例，为了模型建立的方便，只选择影响作物生长较大的几个作物自身参数以及环境参数，以便于简化模型，同时也可以减轻后期云计算的负担。这些参数至少包括有根部湿度传感器，用于实时检测作物根部的吸水量。叶片湿度传感器，叶片是作物发生蒸腾最多的位置，采用叶片湿度传感器大致表征作物的蒸腾现象，当叶片湿度大于阈值时，说明蒸腾现象加剧，当叶片湿度小于阈值时，说明蒸腾现象减小。根部拉伸应力传感器，表征作物根部的实时生长情况。除上述表征作物自身的状态参数外，还有表征作物周边环境一系列参数；这些参数包括光照度传感器，测量实时的光照度，土壤湿度传感器，测量实时的土壤
[0084]
[0085]湿度。具体情况参见表1。
[0086]表1种植状态感测传感器示意表
[0087]将含有上述实时测量参数值的传感器数据由微控制器进行通信上传至云服务中心，该微控制器负责所有业务流程，属于核心单元，其控制每个传感器的数据采集，并请求通信模块向云服务中心传输数据。微控制器是由RAM，ROM，计时器，计数器，ADC(模数转换器)，DAC(数模转换器)及其组成的集成芯片。具体地，微控制器可以是Adriano微控制器。
[0088]所述云服务中心至少具备接收上述各参数的云接收单元，同时还包括有所述的云计算单元。所述云计算单元接收上述数据，并通过模型进行计算分析，至少输出包括灌溉输水量在内的输出值，以控制对作物的实时灌溉浇水量。
[0089]具体的模型训练计算过程如下所示：
[0090]可以设计一深度神经网络模型，设该模型的目标函数为：
[0091]
[0092]式(1)中目标函数Cost的含义是以最经济(例如最快的作物生长方式)的方式进行输水，同时需要满足作物生长的预测目标；h1、h2、T1的含义分别是传感器测量的实时的根部湿度、叶片湿度h2以及根部拉伸应力T1。该h1、h2、T1随时间t变化而变化，测量值可以是一段时间Δt时间段的累积值；α1、α2和α3分别是各自参数的系数；yg是指一段时间内，预期的作物生长值。一般的，作物生长值是由多个参数共同描述的，这里只取最主要的作物生长的长度作为衡量标准，即yg代表预期作物根部长度。y0是t＝0(初始)时，即初始状态下的作物根部长度。
[0093]对于该预测模型，可以采用本领域中通常的迭代计算方式，计算规划目标函数Cost，即求取Cost＝Cost(min)时应满足的条件。具体的迭代计算方式如下：
[0094]
[0095]式(2)中其中tW+是指使用该灌溉系统的阀门的正向开放时间段；tW-是与tW+相匹配的该阀门在正向打开后关闭时间段；v为灌溉用输水管的水流恒定时的流速。α4、α5分别为各自的比例系数；Δt为测量周期。
[0096]另外，其中的参数测量值h1、h2、T1应满足一定的条件。该条件如下：
[0097]Hmin<h1<Hmax； (3)
[0098]
[0099]
[0100]其中Hmin和Hmax分别指测量的土壤湿度最小值和土壤温度最大值；和是测量的叶片湿度测量满足的最小值和最大值，β为拟合参数。当测量到的h1和h2不满上述区间时，说明此模型不合适，终止该模型计算；转而采用常规的输水量计算方式计算输水量。此外，根部拉伸应力T1除与输水量W相关外、还与营养液配比等相关，但在该模型中出于简化和减轻后期计算压力的考虑也可以不做限制，即可考虑T1与输水量W之间的关系。此时拉伸应力T1与vt成比例，其中的δ为式(5)的拟合系数。上述的测量参数h1,h2,T1会随着输水量的变化而变化，因此通过对水量相关值的控制(这里主要是速度v和开合时间tW+、tW-)，可以调整该参数h1,h2,T1。使之不断的在上述的式(3)-(5)环境参数区间范围作收敛运算，以满足最小时间内，yg最大值的需要。优选的，上述的训练已经不需要实际进行灌溉实验，通过本领域中常规的仿真模拟器，即可实现上述仿真运算。
[0101]利用该模型进行迭代训练，从而得到已经输入为根部湿度、叶片湿度、根部拉伸应力、实时光照度、环境温度以及土壤湿度，输出为最经济输水条件下的输水量。对于输水量的控制，可以通过实施例1中的水泵电机进行控制。该水泵电机可以是开关式的，而非无极调控，以满足tW-是与tW+的要求。另外，本模型针对的是对于同一科的作物品种，以简单不同科作物带来的模型复杂度，优选的是同一植物品种。这主要是针对当是不同科的作物时，其中的γ取值范围为0.2<γ<0.75之间变化。上述涉及的迭代方法虽然在其他领域中有应用，但对于农作物种植领域却是一个挑战，主要是迭代训练过程中对于参数的选择，以及周边环境因素的考虑对迭代量Xn的控制。
[0102]优选的，训练模型是针对一时间段的训练模型。即因对气候的一致性优选为同一时间段，这一时间段优选的是10天。如果遇到恶略天气等因素，终止模型的训练。不同的时间段需要不同的训练模型，但对于训练方式是相同的。这些训练优选是在所述云计算单元中进行的。
[0103]本实施例还包括一种用于作物生长灌溉输水方法，其特征在于该方法包括：
[0104]步骤S1：使用一种植服务感知终端实时检测作物生长的各参数；
[0105]步骤S2：将所述各参数通过种植服务感知终端通过信息传输网络上传至一云计算单元，作为输入量输入一经训练的AI模型；
[0106]步骤S3：通过该训练过的AI模型实时计算所需的灌溉输水量；
[0107]步骤S4：所述云计算单元根据计算的灌溉输水量控制所述水泵电机的开关。该方法可用于实施例所述的云服务。
[0108]上述发明的各部分是独立的技术方案，例如基于网的云服务是独立运行的。而对于灌溉输水量也是独立运行的。但同时也是可以将这些技术方案进行组合，例如实施例1中的基于物联网的农业云服务可以和灌溉输水量的计算组合在一起，具体是云计算单元中的AI模块可以以用实施例2中的深度神经网络训练模型训练得到。
[0109]申请人声明，本发明通过上述实施例来说明本发明的详细结构特征，但本发明并不局限于上述详细结构特征，即不意味着本发明必须依赖上述详细结构特征才能实施。所属技术领域的技术人员应该明了，对本发明的任何改进，对本发明所选用部件的等效替换以及辅助部件的增加、具体方式的选择等，均落在本发明的保护范围和公开范围之内。
[0110]以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
[0111]另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
[0112]此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。