一种基于多传感器和微型机器学习的智慧农业管理方法

摘要

本发明公开一种基于多传感器和微型机器学习的智慧农业管理方法，涉及微型机器学习应用技术领域；根据每个灌溉设备的覆盖范围划分部署单位，根据部署单位部署多种传感器，建立每个传感器与微处理器的连接，使微处理器获取每个传感器的数据，读取微处理器内传感器的数据，同时收集部署单位内农作物的生长情况数据，将每个传感器的数据作为输入，以时间序列为顺序，以每个传感器的数据在不同数值情况下是否适合农作物生长为逻辑进行传感器的数据训练，获得微型机器学习模型，利用所述微型机器学习模型在微控制器上进行运行推理，控制对农作物的灌溉。

说明书

技术领域

本发明公开一种方法，涉及微型机器学习应用技术领域，具体地说是一种基于多传感器和微型机器学习的智慧农业管理方法。

背景技术

农业是世界上最古老，可以说是最重要的产业。它占用了世界上大约四分之一的人口，养活了数十亿人。农业领域几乎占据了世界上最大的淡水使用。但其使用效率却极低，存在严重水资源浪费，影响地下水位。

目前已有针对智慧农业项目的实施，但将所有设备连接到网络并将数据传递到云端并不总是可行的，尤其是在涉及大量数据源的情况下，由于对数以千计的设备进行了各种环境变量的监控，因此生成的数据量非常巨大，并且也存在安全问题和时效性的问题。

发明内容

本发明针对现有技术的问题，提供一种基于多传感器和微型机器学习的智慧农业管理方法，通过微型机器学习(TinyML)和多传感器融合提高农业生产管理。

本发明提出的具体方案是：

本发明提供一种基于多传感器和微型机器学习的智慧农业管理方法，根据每个灌溉设备的覆盖范围划分部署单位，根据部署单位部署多种传感器，建立每个传感器与微处理器的连接，使微处理器获取每个传感器的数据，

读取微处理器内传感器的数据，同时收集部署单位内农作物的生长情况数据，将每个传感器的数据作为输入，以时间序列为顺序，以每个传感器的数据在不同数值情况下是否适合农作物生长为逻辑进行传感器的数据训练，获得微型机器学习模型，

利用所述微型机器学习模型在微控制器上进行运行推理，控制对农作物的灌溉。

进一步，所述的一种基于多传感器和微型机器学习的智慧农业管理方法中所述根据部署单位部署多种传感器，包括：

部署影响农作物灌溉的传感器，所述传感器包括温湿度传感器、光照传感器和风速传感器。

进一步，所述的一种基于多传感器和微型机器学习的智慧农业管理方法中所述利用所述微型机器学习模型在微控制器上进行运行推理之前，包括：

转换所述微型机器学习模型为C字节数组并嵌入到推理的应用程序里。

进一步，所述的一种基于多传感器和微型机器学习的智慧农业管理方法中所述控制对农作物的灌溉，包括：

利用所述微型机器学习模型，根据多种传感器的数据输入判断目前环境是否适合农作物生长，如果适合则不进行灌溉，否则进行灌溉。

进一步，所述的一种基于多传感器和微型机器学习的智慧农业管理方法中根据部署单位内的不同微处理器节点部署不同的微型机器学习模型进行运行推理。

本发明还提供一种基于多传感器和微型机器学习的智慧农业管理装置，包括部署模块、采集模块、模型训练模块及运行模块，

部署模块根据每个灌溉设备的覆盖范围划分部署单位，根据部署单位部署多种传感器，建立每个传感器与微处理器的连接，使微处理器获取每个传感器的数据，

采集模块读取微处理器内传感器的数据，同时收集部署单位内农作物的生长情况数据，模型训练模块将每个传感器的数据作为输入，以时间序列为顺序，以每个传感器的数据在不同数值情况下是否适合农作物生长为逻辑进行传感器的数据训练，获得微型机器学习模型，

运行模块利用所述微型机器学习模型在微控制器上进行运行推理，控制对农作物的灌溉。

进一步，所述的一种基于多传感器和微型机器学习的智慧农业管理装置中所述部署模块根据部署单位部署多种传感器，包括：

部署影响农作物灌溉的传感器，所述传感器包括温湿度传感器、光照传感器和风速传感器。

进一步，所述的一种基于多传感器和微型机器学习的智慧农业管理装置中所述运行模块利用所述微型机器学习模型在微控制器上进行运行推理之前，转换所述微型机器学习模型为C字节数组并嵌入到推理的应用程序里。

进一步，所述的一种基于多传感器和微型机器学习的智慧农业管理装置中所述运行模块控制对农作物的灌溉，包括：

利用所述微型机器学习模型，根据多种传感器的数据输入判断目前环境是否适合农作物生长，如果适合则不进行灌溉，否则进行灌溉。

进一步，所述的一种基于多传感器和微型机器学习的智慧农业管理装置中部署模块还根据部署单位内的不同微处理器节点部署不同的微型机器学习模型，以便运行模块利用所述微型机器学习模型在微控制器上进行运行推理。

本发明的有益之处是：

本发明提供了一种基于多传感器和微型机器学习的智慧农业管理方法，使用TinyML技术，通过在嵌入式微型控制器上实施机器学习算法，可以考虑区域中各种环境变量，并根据植物种类和环境条件动态调整供水，从而提高水的使用率和效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明方法流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

本发明提供一种基于多传感器和微型机器学习的智慧农业管理方法，根据每个灌溉设备的覆盖范围划分部署单位，根据部署单位部署多种传感器，建立每个传感器与微处理器的连接，使微处理器获取每个传感器的数据，

读取微处理器内传感器的数据，同时收集部署单位内农作物的生长情况数据，将每个传感器的数据作为输入，以时间序列为顺序，以每个传感器的数据在不同数值情况下是否适合农作物生长为逻辑进行传感器的数据训练，获得微型机器学习模型，

利用所述微型机器学习模型在微控制器上进行运行推理，控制对农作物的灌溉。

本方法主要研究微型机器学习模型(TinyML)和多传感器融合提高农业领域管理和应用。从而减少资源的浪费和有效利用。在数字化农业中利用多传感器融合和TinyML技术，实现智慧农业的精确管理。涉及收集和利用实时数据进行轻量化人工智能模型的训练，然后可以利用多传感器融合的边缘设备和数据的传输来控制各种自动化农业系统，例如灌溉系统，土壤微量元素管理系统等等，结果是降低了水、能源等其他资源的消耗，同时节省了运营成本。

具体应用中，在本发明方法的一些实施例中，根据每个灌溉设备的覆盖范围划分部署单位，根据部署单位部署多种传感器，

进一步地，所述根据部署单位部署多种传感器，包括：

部署影响农作物灌溉的传感器，所述传感器包括温湿度传感器、光照传感器和风速传感器等影响农作物跟水有关系的因素类型的传感器；

建立每个传感器与微处理器的连接，使微处理器获取每个传感器的数据，

根据部署的传感器的数据收集农作物的生长情况数据，将每个传感器的数据作为输入，以时间序列为顺序，以每个传感器的数据在不同数值情况下是否适合农作物生长为逻辑进行传感器的数据训练，获得微型机器学习模型；

利用所述微型机器学习模型在微控制器上进行运行推理，控制对农作物的灌溉。

进一步地，在微控制器上运行推理所述微型机器学习模型时，例如可以通过Arduino IDE进行部署。并将所述微型机器学习模型进行转换，转换为C字节数组嵌入到推理的应用程序里面，然后根据多传感器数据的输入判断环境数据是否适合农作物生长，如果适合就不需要进行灌溉，如果不适合就进行灌溉。

并且进一步地，在不同微处理器节点可以部署不同的微型机器学习模型，实现分区域灌溉。避免了水资源的浪费并进行了资源的有效利用。

上述过程中，本发明方法利用多传感器和TinyML的轻量化模型在价格便宜和低功耗的微控制器上面部署，能够实现不同节点的分区的灌溉管理。其中，根据部署单元部署微控制器节点，然后利用多传感器与微控制器节点进行数据交互，根据不同节点的TinyML推理模型进行判定，实现分区域的只能灌溉系统。最后达到资源的有效利用。

本发明还提供一种基于多传感器和微型机器学习的智慧农业管理装置，包括部署模块、采集模块、模型训练模块及运行模块，

部署模块根据每个灌溉设备的覆盖范围划分部署单位，根据部署单位部署多种传感器，建立每个传感器与微处理器的连接，使微处理器获取每个传感器的数据，

采集模块读取微处理器内传感器的数据，同时收集部署单位内农作物的生长情况数据，模型训练模块将每个传感器的数据作为输入，以时间序列为顺序，以每个传感器的数据在不同数值情况下是否适合农作物生长为逻辑进行传感器的数据训练，获得微型机器学习模型，

运行模块利用所述微型机器学习模型在微控制器上进行运行推理，控制对农作物的灌溉。

上述装置内的各模块之间的信息交互、执行过程等内容，由于与本发明方法实施例基于同一构思，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

同样地，本发明装置可以使用TinyML技术，通过在嵌入式微型控制器上实施机器学习算法，可以考虑区域中各种环境变量，并根据植物种类和环境条件动态调整供水，从而提高水的使用率和效率。

需要说明的是，上述各流程和各装置结构中不是所有的步骤和模块都是必须的，可以根据实际的需要忽略某些步骤或模块。各步骤的执行顺序不是固定的，可以根据需要进行调整。上述各实施例中描述的系统结构可以是物理结构，也可以是逻辑结构，即，有些模块可能由同一物理实体实现，或者，有些模块可能分由多个物理实体实现，或者，可以由多个独立设备中的某些部件共同实现。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。