(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211167732.0 (22)申请日 2022.09.23 (65)同一申请的已公布的文献号 申请公布号 CN 115240126 A (43)申请公布日 2022.10.25 (73)专利权人 江苏景瑞农业科技发展 有限公司 地址 226000 江苏省南 通市通州区东社镇 新街村 (72)发明人 郭宽　曹冬梅　杜朗　 (74)专利代理 机构 武汉华强专利代理事务所 (普通合伙) 42237 专利代理师 康晨 (51)Int.Cl. G06V 20/50(2022.01) G06V 10/26(2022.01)G06V 10/28(2022.01) G06V 10/42(2022.01) G06V 10/44(2022.01) G06V 10/48(2022.01) G06V 10/50(2022.01) G06V 10/54(2022.01) G06V 10/56(2022.01) G06V 10/82(2022.01) G06T 7/62(2017.01) A01G 25/16(2006.01) (56)对比文件 CN 102564593 A,2012.07.1 1 CN 114429592 A,2022.05.03 审查员 卢星凝 (54)发明名称 基于人工智能的智能滴灌方法 (57)摘要 本发明涉及数据处理技术领域， 具体涉及一 种基于人工智能的智能滴灌 方法。 该方法对经由 深度摄像头识别到的作物彩色图像与土地灰度 图像进行数据获取， 今儿对获取的数据进行处理 分析， 方法的侧重点是对所获取数据的处理方法 进行改进， 分别对作物彩色图像与土地灰度图像 按照特定方法进行分析， 确定作物 缺水情况以及 作物周围土地缺水情况， 将所得缺水情况输入训 练好的DNN网络， 确定最合适的滴灌等级对作物 进行滴灌。 该方法针对所拍摄的作物自身图像以 及作物周围土地图像进行了特定化的缺水情况 分析， 提高了对作物是否缺水以及缺水严重程度 的判断准确度， 进一步降低了滴灌过程中对水资 源的浪费。 权利要求书4页 说明书10页 附图1页 CN 115240126 B 2022.12.20 CN 115240126 B 1.一种基于人工智能的智能滴灌方法， 其特 征在于， 包括以下步骤： 在前次滴灌操作完成后采用深度摄像头获取作物及作物周围土地的图像， 从而获取到 作物彩色图像以及土地灰度图像， 并作为本次滴灌控制的初始作 物彩色图像以及初始土地 灰度图像； 在前次滴灌操作完成后 等待设定时间间隔， 再次采用深度摄像头获取作物及作物周围 土地的图像， 将所得作 物彩色图像以及土地灰度图像作为本次滴灌控制的实时作 物彩色图 像以及实时土地灰度图像； 将实时土地灰度图像的数据与初始土地灰度图像的数据进行对比， 确定实时土地灰度 图像中土地表面部分的色值变量、 实时土地灰度图像中的裂缝面积、 不同区域的裂缝面积 的方差以及最大裂缝宽度， 得到 土地缺水度； 对实时作物彩色图像进行目标识别， 确定每个叶片所在叶片区域， 计算叶片区域每个 像素点的像素值与绿色预设值之间的偏差值， 得到叶片的色彩偏移量， 所述绿色预设值为 叶片含水量 正常时的像素值； 将实时作物彩色图像中的叶片区域灰度化处理， 将所得灰度叶片区域与所述绿色预设 值的灰度值作差得到叶片区域的色彩偏移图， 计算色彩偏移图的熵值， 得到色彩偏移 熵； 计算叶片边缘的不规则程度、 叶片对称程度、 叶面卷曲度以及叶片高度， 确定叶片的形 态缺水度； 将所述土地缺水度、 色彩偏移量、 色彩偏移熵以及形态缺水度输入训练好的神经网络， 确定本次滴灌控制的滴灌等级， 完成本次滴灌操作。 2.根据权利要求1所述的基于人工智能的智能滴灌方法， 其特征在于， 采用深度摄像头 获取作物及作物周围土地的图像， 从而获取到作物彩色图像以及土地灰度图像的方法为： 深度摄像头拍摄作物及作物周围土地得到作物状态图像， 对作物状态图像进行灰度化 处理得到作物状态灰度图像， 对作物状态灰度图像进行阈值分割得到二值图， 将所得二值 图以及反色后的二值图分别与作 物状态图像以及作 物状态灰度图像进 行位运算， 得到作 物 彩色图像以及土地灰度图像。 3.根据权利要求1所述的基于人工智能的智能滴灌方法， 其特征在于， 确定实时土地灰 度图像中土地表面部分的色值变量、 实时土地灰度图像中的裂缝面积、 不同区域的裂缝面 积的方差以及最大裂缝宽度， 得到 土地缺水度的具体过程 为： 确定实时土地灰度图像上灰度值小于或等于初始土地灰度图像的区域， 将所述 区域的 灰度值置为25 5， 区域以外 部分灰度值置为0， 得到掩膜图像； 根据所述掩膜图像确定实时土地灰度图像中的土地表面部分， 计算实时土地灰度图像 中的土地表面部分因含水量变化而产生的色值变量： 其中， 为色值变量， 为实时土地灰度图像中土地表面部分的灰度均值， 为初始土 地灰度图像中土地表面部分的灰度均值； 将掩膜图像 中灰度值为255的像素点的灰度值置为1， 求取掩膜图像 中所有像素点的灰 度值之和， 得到实时土地灰度图像中的裂缝面积S； 将掩膜图像均分为25个区域， 确定每个区域的裂缝面积， 计算各个区域的裂缝面积的权　利　要　求　书 1/4 页 2 CN 115240126 B 2方差： 其中， 为掩膜图像中所均分出 的各个区域上裂缝面积的方差， 为掩膜图像中所均 分出的第i个区域上的裂缝面积， 为掩膜图像中所均分出的各个区域上的裂缝面积的均 值； 在掩膜图像的各个区域中进行霍夫直线检测， 确定区域中的最长直线段， 以最长直线 段上任意一点为起点进行连通域识别， 得到包含最长直线段的连通域， 在连通域中计算与 最长直线段垂直的各个直线段的长度均值， 所述长度均值为区域内的最大裂缝宽度， 取各 个区域内的最大裂缝宽度中的最大值， 得到实时土地灰度图像中的最大裂缝宽度W； 最终的土地 缺水度为： 其中， 为土地缺水度， 、 、 、 为权重系数， 权 重系数的取值 根据经验确定 。 4.根据权利要求1所述的基于人工智能的智能滴灌方法， 其特征在于， 所述色彩偏移量 为： 其中， 为色彩偏移量， 为叶片区域第 行第 列的像素点的像素值， 为绿色预 设值， n和m 分别为叶片区域的长和宽， N 为叶片区域中像素点总数量。 5.根据权利要求1所述的基于人工智能的智能滴灌方法， 其特征在于， 所述色彩偏移熵 为： 其中， 为色彩偏移熵， 为使用直方图统计 方法统计 所述色彩偏移图中各个偏移 量的值而得到的直方图中， 第 种像素出现的统计学概 率。 6.根据权利要求1所述的基于人工智能的智能滴灌方法， 其特征在于， 计算叶片边缘的 不规则程度、 叶片对称程度、 叶面卷曲度以及叶片高度， 确定叶片的形态缺水度的方法为： 在所述灰度叶片区域进行边缘检测确定叶片边缘， 计算叶片边缘上各点与叶片内切椭 圆的圆心连线上， 叶片边缘点与叶片 内切椭圆圆周之间的距离， 以所述距离的方差表征叶 片边缘的不规则程度， 所述方差为：权　利　要　求　书 2/4 页 3 CN 115240126 B 3