《一种移动机器人变量施药智能决策方法和系统.pdf》由会员分享，可在线阅读，更多相关《一种移动机器人变量施药智能决策方法和系统.pdf（16页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102968664 A (43)申请公布日 2013.03.13 CN 102968664 A *CN102968664A* (21)申请号 201210383153.X (22)申请日 2012.10.10 G06N 3/08(2006.01) G05D 7/06(2006.01) (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 高国琴 周海燕 (74)专利代理机构 江苏致邦律师事务所 32230 代理人 樊文红 (54) 发明名称 一种移动机器人变量施药智能决策方法和系 统 (57) 摘要 本发明涉及一种移动机器。
2、人变量施药智能决 策方法和系统。一种移动机器人变量施药智能决 策系统包括摄像头， 用于通过 USB 接口将采集到 的温室作物图像送至计算机 ； 超声波传感器， 用 于测得喷施目标的距离并发送至计算机 ； 流量传 感器， 用于测量实际喷药流量 ； 计算机， 其与摄像 头、 超声波传感器和流量传感器连接， 其中配置有 模糊神经网络决策器， 用于 ： 获取标靶面积、 喷施 距离为和病虫害等级信息 ； 据获取的标靶面积、 喷施距离为和病虫害等级信息， 计算预设施药量 ； 根据预设施药量计算并输出控制量 ； 获取实际施 药量， 将实际施药量和预设施药量进行比较， 调整 控制量。 (51)Int.Cl. 。
3、权利要求书 3 页 说明书 7 页 附图 5 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 3 页 说明书 7 页 附图 5 页 1/3 页 2 1. 一种移动机器人变量施药智能决策方法， 包括 ： 获取标靶面积、 喷施距离为和病虫害等级信息 ； 根据获取的标靶面积、 喷施距离为和病虫害等级信息， 计算预设施药量 ； 根据预设施药量计算并输出控制量 ； 获取实际施药量， 将实际施药量和预设施药量进行比较， 调整控制量。 2. 如权利要求 1 所述的方法， 其特征是， 所述获取标靶面积的步骤包括 ： 获取待喷作物图像 ； 进行图像处理， 将作物行从背景中提取出来， 。
4、通过对属于作物区域的像素计算得到每 幅图像中作物叶面的图像覆盖面积。 3. 如权利要求 1 所述的方法， 其特征是， 所述计算预设施药量步骤包括 ： 建立模糊神经网络步骤， 包括 ： 构建以标靶面积、 喷施距离为和病虫害等级为输入的模糊神经网络 ； 学习步骤， 包括 ： 对构建的模糊神经网络进行离线训练， 获取模糊神经网络的各项权值和阈值 ； 对训练后的模糊神经网络进行决策精度检测 ； 得到训练好的模糊神经网络 ； 判断步骤， 包括 ： 在移动机器人的计算机系统中编程实现训练好的模糊神经网络 ； 运行训练好的模糊神经网络， 根据获取的标靶面积、 喷施距离为和病虫害等级信息， 判 断出预设施药量。
5、。 4. 如权利要求 3 所述的方法， 其特征是， 所述学习步骤包括 ： 取误差代价函数为 ： 其中， ydi和 yi分别表示神经网络的实际输出和期望输出 ； 利用误差反传算法计算 和然后利用梯度寻优算法来调节ijcij和ij， 最后给出的参数调整的学习 算法为 ： j 1,2,mi (2) j 1,2,mi (3) j 1,2,mi (4) 其中， i 1,2,n ； 0 为学习率。 5. 如权利要求 3 所述的方法， 其特征是， 所述运行训练好的模糊神经网络， 根据获取的 标靶面积、 喷施距离为和病虫害等级信息， 判断出预设施药量步骤具体包括 ： 以标靶面积、 喷施距离和病虫危害程度 3 。
6、个输入变量为网络的输入神经元 ； 模拟输入变量的隶属函数， 计算每个输入变量对应的隶属度 ； 权 利 要 求 书 CN 102968664 A 2 2/3 页 3 匹配模糊规则， 进行每条模糊规则的前件计算 ； 计算每条模糊规则的适用度 ； 计算出喷施量。 6. 如权利要求 4 所述的方法， 其特征是， 所述模拟输入变量的隶属函数， 计算每个输入变量对应的隶属度步骤中， 采用高斯函 数作为隶属函数， 即 : 其中， 式 (5) 是高斯函数表示式 ； 式 (6) 中， cisi， isi分别表示第 i 个输入变量 xi的第 j 个输入的高斯型隶属函数的中 心值和均方差 ； oisi是模糊神经网络。
7、的第二层输出值 ； 所述匹配模糊规则， 进行每条模糊规则的前件计算步骤中， 采用以下公式计算每条规 则的适用度 ： 其中， 式(7)中， aj第j个神经元的输入 ；第j条规则的前件部分的语言变量值 ； s2j 1,2,m1,s2j 1,2,m2。 所述计算每条模糊规则的适用度步骤中， 采用公式如下 ： 其中， 式 (8) 中， aj第 j 个神经元的输入 ；是神经元 ai在区间 1， NA 直接的和。 7. 如权利要求 2 所述的方法， 其特征是， 所述进行图像处理， 将作物行从背景中提取出 来， 通过对属于作物区域的像素计算得到每幅图像中作物叶面的图像覆盖面积步骤中， 包 括 ： 图像进行遍。
8、历， 利用下式对其中作物区域 ( 绿色 ) 统计像索数 ： 其中 ： R 为作物行图像所有的像素点， (x,y) 为图像中所有 R 分量为 255 像素点 ； 得到作物实际像素数以后， 利用下式可得到作物实际覆盖面积 ： 式中 ： Area 为作物实际覆盖面积 ； Totalg 为作物实际应得到的像素数 ； Totalp 为图像总像素数 ； P 为一幅图像对应采样面积。 8. 一种移动机器人变量施药智能决策系统， 包括 ： 摄像头， 用于通过 USB 接口将采集到的温室作物图像送至计算机 ； 超声波传感器， 用于测得喷施目标的距离并发送至计算机 ； 权 利 要 求 书 CN 102968664。
9、 A 3 3/3 页 4 流量传感器， 用于测量实际喷药流量 ； 计算机， 其与摄像头、 超声波传感器和流量传感器连接， 其中配置有模糊神经网络决策 器， 用于 ： 获取标靶面积、 喷施距离为和病虫害等级信息 ； 根据获取的标靶面积、 喷施距离为和病虫害等级信息， 计算预设施药量 ； 根据预设施药量计算并输出控制量 ； 获取实际施药量， 将实际施药量和预设施药量进行比较， 调整控制量。 9. 如权利要求 8 所述的系统， 其特征是， 所述模糊神经网络决策器采用五层模糊神经 网络结构， 第一层为输入层， 以标靶面积、 喷施距离、 病虫危害程度 3 个输入变量为网络的 输入神经元 ； 第二层为模糊。
10、化输入层， 用于计算每个输入变量对应的隶属度 ； 第三层为模 糊规则层， 用于每条模糊规则的前件计算 ； 第四层为模糊化输出层， 用于计算每条规则的适 用度 ； 第五层为输出层， 用于计算出喷施量。 权 利 要 求 书 CN 102968664 A 4 1/7 页 5 一种移动机器人变量施药智能决策方法和系统 技术领域 0001 本发明涉及模糊神经网络的应用， 尤其涉及针对温室成行作物的移动机器人变量 施药智能决策方法和系统。 背景技术 0002 当前农药施药主要采取粗放方式， 施药方案大都是由作业人员依据经验制定的， 工作量大， 且受主观因素影响。长期以来， 我国的农药使用技术仍停留在大容量。
11、、 大雾滴喷 雾技术水平上， 农药利用率低下， 易导致施药人员中毒， 严重制约了我国农业生产的可持续 发展。 因此， 在农业生产过程中迫切需求变量施药技术， 以提高农药利用率并降低农药对作 业人员的伤害。 温室作为现代设施农业的重要组成部分， 其环境密闭、 温度高、 湿度大、 易造 成棚内施药人员中毒。 针对温室成行作物生长方式和种植特点进行变量施药智能决策研究 对有效减少农药浪费、 提高产品产量和品质、 保证作业人员身体健康具有重要的意义。 0003 文献 基于模糊控制的变量施药控制系统 （邵陆寿等， 农业机械学报 . 第 36 卷第 11 期， 第 110-112 页） 提出了一种模糊决策。
12、方法。但模糊系统缺乏自学习和自适应能力， 不 适用于环境因素多变的温室施药 ； 文献 变量喷药自适应神经模糊控制器设计与仿真 （陈 树人等， 排灌机械工程学报 .2011 年第 29 卷 03 期， 第 272-276 页） 设计了一种基于自适应 神经模糊推理的双输入、 单输出控制器以杂草面积和车速为输入量， 喷药量为输出量， 选 用 gaussmf 型隶属函数， 利用实测数据对生成的初始模糊推理系统进行训练， 但其实质还 是一个模糊控制， 只是采用神经网络理论推算出 5 条模糊规则， 且其行驶速度的变化易导 致喷药系统压力变化， 致使施药性能难以控制。 0004 申请号是 CN2010102。
13、39778.X、 名称为 “温室对靶施药机器人系统” 的专利申请公 开了一种用于温室对靶施药机器人系统。 对靶施药机器人是利用机器视觉获取病害信息并 传递至工控机， 工控机作为上位机向PLC发送指令， 当PLC接收到上位机发送的病害位置信 息， 启动移动底盘车并运行至病害垄， 机械臂将喷杆下降到预定义位置， 同时 PLC 触发安装 在直线导轨上的摄像头对当前病害垄进行信息采集， 上位机将处理结果传递 PLC， PLC 在喷 杆自左向右的运动过程中， 当某个喷嘴进入病害发生范围内， 控制该喷嘴开启， 否则关闭 ； 喷嘴在一次扫描中需要对靶单个或多个单元进行作业， 实现单次或多次开闭控制， 实现对。
14、 靶喷雾。该发明重点在于产品结构设计， 对于变量决策算法没有涉及。另外， 查阅国内在变 量施药方面的专利情况可见， 变量施药专利均为各种变量施药系统新型结构设计， 迄今， 未 见相关文献对变量施药提出比较理想的决策控制方法。 0005 从上述相关技术可以看出， 已有研究取得了一些成果， 但是存在一定的局限性。 模 糊决策方法缺乏自学习能力， 在变量施药决策系统中不能在线调整决策规则， 且在决策器 输入量输出量的隶属函数选择上带有一定主观性， 自适应能力有限， 难以获得理想的变量 施药效果 ； 神经网络决策方法虽具有强大的自学习能力， 但其在变量喷药决策过程中不能 很好地利用已有的经验知识， 知。
15、识表达与处理的方式不易为操作人员理解和使用。另外， 上述相关方法未能有效融合作物待喷面积、 病虫害和距离信息等有利于变量施药的决策信 说 明 书 CN 102968664 A 5 2/7 页 6 息， 对于工作于温室具有较强不确定性的自主移动机器人来说， 难以获得精准、 高效、 环保 的施药效果。 发明内容 0006 为克服上述现有技术的不足， 本发明针对温室移动机器人设计了一种基于模糊神 经网络的智能决策系统， 根据获取的标靶特征处理信息， 通过模糊神经网络决策器计算出 相应的流量， 从而实现喷施量随标靶特征信息实时变化的变量施药， 用于实现温室变量施 药的决策可以取得更好的施药效果。 本发。
16、明首次将模糊控制与神经网络相结合所构成的模 糊神经网络决策系统应用于温室变量施药决策中， 通过神经网络来实现模糊逻辑提高了变 量施药决策系统的精度， 同时利用神经网络的自学习能力， 来调整隶属函数使得变量决策 系统具有较强的自适应能力。 0007 按照本发明目的一种移动机器人变量施药智能决策方法， 包括 ： 0008 获取标靶面积、 喷施距离为和病虫害等级信息 ； 根据获取的标靶面积、 喷施距离为 和病虫害等级信息， 计算预设施药量 ； 根据预设施药量计算并输出控制量 ； 获取实际施药 量， 将实际施药量和预设施药量进行比较， 调整控制量。 0009 上述技术方案中， 所述计算预设施药量步骤包。
17、括 ： 0010 建立模糊神经网络步骤， 包括 ： 0011 构建以标靶面积、 喷施距离为和病虫害等级为输入的模糊神经网络 ； 0012 学习步骤， 包括 ： 0013 对构建的模糊神经网络进行离线训练， 获取模糊神经网络的各项权值和阈值 ； 0014 对训练后的模糊神经网络进行决策精度检测 ； 0015 得到训练好的模糊神经网络 ； 0016 判断步骤， 包括 ： 0017 在移动机器人的计算机系统中编程实现训练好的模糊神经网络 ； 0018 运行训练好的模糊神经网络， 根据获取的标靶面积、 喷施距离为和病虫害等级信 息， 0019 判断出预设施药量。 0020 作为本发明的进一步改进， 所。
18、述判断出预设施药量步骤具体包括 ： 0021 以标靶面积、 喷施距离和病虫危害程度 3 个输入变量为网络的输入神经元 ； 0022 模拟输入变量的隶属函数， 计算每个输入变量对应的隶属度 ； 0023 匹配模糊规则， 进行每条模糊规则的前件计算 ； 0024 计算每条模糊规则的适用度 ； 0025 计算出喷施量。 0026 按照本发明的一种移动机器人变量施药智能决策系统， 包括 ： 0027 摄像头， 用于通过 USB 接口将采集到的温室作物图像送至计算机 ； 0028 超声波传感器， 用于测得喷施目标的距离并发送至计算机 ； 0029 流量传感器， 用于测量实际喷药流量 ； 0030 计算机。
19、， 其与摄像头、 超声波传感器和流量传感器连接， 其中配置有模糊神经网络 决策器， 用于 ： 说 明 书 CN 102968664 A 6 3/7 页 7 0031 获取标靶面积、 喷施距离为和病虫害等级信息 ； 0032 根据获取的标靶面积、 喷施距离为和病虫害等级信息， 计算预设施药量 ； 0033 根据预设施药量计算并输出控制量 ； 0034 获取实际施药量， 将实际施药量和预设施药量进行比较， 调整控制量。 0035 作为本发明的进一步改进， 所述模糊神经网络决策器采用五层模糊神经网络结 构， 第一层为输入层， 以标靶面积、 喷施距离、 病虫危害程度 3 个输入变量为网络的输入神 经元。
20、 ； 第二层为模糊化输入层， 用于计算每个输入变量对应的隶属度 ； 第三层为模糊规则 层， 用于每条模糊规则的前件计算 ； 第四层为模糊化输出层， 用于计算每条规则的适用度 ； 第五层为输出层， 用于计算出喷施量。 0036 本发明首次将模糊神经网络方法应用于温室喷药移动机器人的施药变量决策， 其 特点和有益效果是 ： 0037 1、 针对温室成行植物的种植方式、 生长特点和病虫害等级情况， 所发明智能决策 系统不仅融合目标标靶面积信息、 距离信息而且融合病虫害等级信息。 0038 2、 所发明的基于模糊神经网络的变量施药决策系统， 采用神经网络对模糊决策规 则进行快速提取， 解决了变量施药决。
21、策系统中模糊规则难以获取的难题， 同时利用神经网 络的自学习能力， 不断完善决策规则， 不断提高了系统的决策精度， 采用模糊神经网络决策 器能够有效控制施药量的精度， 满足了温室变量施药的需要。 0039 3、 所发明模糊神经网络决策方法， 由于采用离线训练的方式， 因此能够实现施药 系统的实时快速决策 ； 由于所设计变量施药智能决策系统具有较强的适应能力和泛化能 力， 因此能够更好地适应具有较强不确定性的温室工作环境。 0040 4、 所设计施药变量决策系统， 可减少农药的使用量， 提高农药的使用效率， 减少环 境污染。 附图说明 0041 图 1 是温室成行作物变量施药系统结构图。 004。
22、2 图 2 是变量施药决策系统框图。 0043 图 3 是模糊神经网络结构图。 0044 图 4 是智能决策流程图。 0045 图 5 是网络训练结果。 0046 图 6 是实际喷施量与期望喷施量误差。 0047 图 7 是部分样本数据。 具体实施方式 0048 如图 1， 首先构建融合喷施目标距离、 面积和病虫害等级信息的具有自学习和自适 应能力的离线训练模糊神经网络决策器 ； 其次， 收集温室施药现场实时操作数据构成训练 样本对， 从中选取 2/3 的数据作为训练样本对构建的模糊神经网进行离线训练并用预留的 1/3 的数据样本作为检测样本对训练后模糊神经网络进行决策精度检测 ； 然后在变量。
23、施药 移动机器人的计算机系统中， 编程实现训练好的模糊神经网络， 检测出待喷施目标面积、 距 离信息， 以及通过计算机用户界面人工输入温室植物的病虫害等级 n ； 在此基础上， 决策器 说 明 书 CN 102968664 A 7 4/7 页 8 根据获取的标靶信息计算出相应的喷施量 q（单位为 Ls-1） ， 通过控制器与流量传感器测 得实际流量进行运算和比较， 并根据比较结果实时调节 PWM 占空比， 驱动电磁阀， 实现变量 喷施。具体方法如下 ： 0049 1、 构建融合喷施目标距离、 面积和病虫害等级信息的具有自学习和自适应能力的 离线训练模糊神经网络 0050 如图 2 所示， 本发。
24、明所设计的模糊神经网络包括 ： 神经网络模块， 用于实现输入量 的模糊化、 模糊推理、 模糊决策规则和解模糊 ； 离线学习模块， 用于进行所述神经网络模块 的学习， 学习各网络节点的权值。 0051 本发明采用五层模糊神经网络结构， 如图3表示。 第一层为输入层 ： 标靶面积s （单 位为 m2） 、 喷施距离 d （单位为 m） 、 病虫危害程度 n， 3 个输入变量为网络的输入神经元 ； 第二 层为模糊化输入层 ： 计算每个输入变量对应的隶属度 ； 第三层为模糊规则层 ： 实现每条规 则的前件计算 ； 第四层为模糊化输出层 : 计算每条规则的适用度 ； 第五层为输出层 ( 去模 糊化层 )。
25、 ： 计算出喷施量。 0052 第一层输入层。有 3 个节点， 分别对应标靶面积 s（单位为 m2） 、 喷施距离 d（单位 为 m） 、 病虫危害程度 n， 。该层中每个神经元表示一个输入信号， 神经元个数等于模糊规则 前提中出现的变量个数， 它把输入矢量 X=(x1,x2,x3,xn)T直接传递给下一层。第 i 个神经 元与输入变量 X 的第 i 个单元 xi相连 ； 0053 第二层模糊化输入层。有 8 个节点， 代表 8 个隶属度函数， 完成隶属度函数值的求 取。每个节点代表一个语言变量 ： 面积， 单位 m2， 赋予 3 个语言变量值， 即 “大” ，“中” ，“小” ； 距离， 单。
26、位 m， 赋予 3 个语言变量值， 即 “近” ，“中” ，“远” ； 病虫害危害程度， 赋予 2 个语言变 量值， 即 “严重” ，“不严重” 。这一层中的每一个神经元用于模拟输入变量的一个隶属函数， 它的作用是计算各输入分量属于各语言变量值模糊集合的隶属度函数。 采用高斯函数作为 隶属函数， 即 : 0054 0055 0056 其中， cisi， oisi分别表示隶属度函数的中心和宽度 ； 0057 第三层模糊规则层。有 18 个节点， 代表 18 条模糊规则， 完成模糊规则的前件计 算。 其每个节点代表一条模糊规则， 它的作用是用来匹配模糊规则的前层， 计算每条规则的 适用度。即 ： 。
27、0058 s 2j 1,2,m 2 (3) 0059 第四层模糊化输出层。有 18 个节点， 代表 18 个隶属度的适用度。每个节点进行 归一化处理， 也可用来看作后层网络输出层的权值。 0060 0061 第五层输出层为 1 个节点， 代表喷施量决策结果。 说 明 书 CN 102968664 A 8 5/7 页 9 0062 2、 收集温室施药现场实时操作数据构成训练样本对， 从中选取 2/3 的数据作为训 练样本对构建的模糊神经网络进行离线训练， 确定模糊神经网络的权值和阈值。 0063 由于输入分量的模糊分割数已经确定， 需要学习的参数只有最后一层的连接权 ij(i 1,2r;j 1,。
28、2,m)， 以及第二层的隶属函数的中心值 cij和宽度 ij(i 1,2,r;j 1,2,m)。取误差代价函数为 ： 0064 0065 其中， ydi和yi分别表示神经网络的实际输出和期望输出。 利用误差反传算法计算 和然后利用梯度寻优算法来调节 ijcij和 ij。最后给出的参数调整的学 习算法为 ： 0066 j 1,2,mi (7) 0067 j 1,2,mi (8) 0068 j 1,2,mi (9) 0069 其中， i 1,2,n ； 0 为学习率。 0070 神经网络的学习训练过程是通过不断调整各层之间的权系数， 使神经网络的输出 与最终期望值的误差最小， 直到满足实际应用要求。
29、为止。 在数据库中， 保存学习成功的模糊 神经网络数据。网络训练完毕之后， 下载模糊神经网络的各项权值和阈值到决策器。 0071 3、 用预留的 1/3 的数据样本作为检测样本对训练后模糊神经网络进行决策精度 检测以预留的 1/3 测试样本输入作为训练好的模糊神经网络的输入， 观察其输出与样本期 望值的误差是否满足要求， 以完成测试过程。 0072 4、 在移动机器人计算机系统中， 编程实现训练好的模糊神经网络 0073 通过训练、 测试， 已获取模糊神经网络的各项权值和阈值。 在移动喷药机器人计算 机系统中， 进行软件编程， 实现模糊神经网络所拟合的输入输出关系。 0074 5、 摄像头通过。
30、 USB 接口将采集到的图像信息送至计算机， 利用图像处理技术将作 物行从背景中提取出来， 并计算出作物行信息， 用以判别喷施面积 0075 将采集到的作物图像送至计算机， 通过图像处理， 将作物行从背景中提取出来， 每 幅图像中作物叶面的图像覆盖面积可用简化的计算区域面积的方法， 就是对属于作物区域 的像素计算。 0076 对图像进行遍历， 利用下式对其中作物区域 ( 绿色 ) 统计像索数 ： 0077 0078 其中 ： R 为作物行图像所有的像素点 ； (x,y) 为图像所有 R 分量为 255 像素点。得 到作物实际像素数以后， 利用下式可得到作物实际覆盖面积 ： 0079 说 明 书。
31、 CN 102968664 A 9 6/7 页 10 0080 式中 ： Area 为作物实际覆盖面积 ； 0081 Totalg 为作物实际应得到的像素数 ； 0082 Totalp 为图像总像素数 ； 0083 P 为一幅图像对应采样面积。 0084 6、 采用超声波传感器测得喷施目标的距离信息 0085 根据式 (12) 可以计算待喷施作物的距离 d。 0086 d (c*t)/2 (12) 0087 其中，为超声波在空气中的传播速度， t 为计时器记录的时 间。 0088 7、 通过计算机用户界面由人工输入温室植物的病虫害等级 0089 如果病虫害等级通过摄像机来获取， 图像处理、 传。
32、感器传输时间和计算机控制台 处理数据时间将导致系统响应滞后， 影响决策效率。 为了提高喷药效率和实时性， 并考虑一 般温室成行作物发生病虫害的特点， 根据病虫害种类信息由植保专业人员设定病虫害发生 等级， 通过计算机用户界面人工输入温室植物的病虫害等级 n。 0090 8、 利用已构建融合喷施目标距离、 面积和病虫害危害程度信息的模糊神经网络对 喷施量进行决策， 计算出相应的喷施量， 从而实现变量施药决策。 0091 以实际测得标靶距离、 面积和病虫害等级数据作为模糊神经网络的输入， 通过模 糊神经网络决策器计算出相应的喷施量。 0092 本发明方法主要着力于以一种模糊神经网络决策方法解决温室。
33、成行作物移动机 器人变量施药快速智能决策问题。基于移动机器人的实施流程如图 4 所示。该方法的具体 实施方法如下 ： 0093 1、 构建、 训练并测试模糊神经网络 ； 0094 针对温室成行作物， 选取作物目标的面积、 距离和病虫害等级信息作为施药量的 判别依据， 因此模糊神经网络为三输入五层网络结构。其中， 面积， 单位为 m2， 赋予 3 个语言 变量值， 即 “大” ，“中” ，“小” ； 距离， 单位为 m， 赋予 3 个语言变量值， 即 “近” ，“中” ，“远” ； 病 虫害等级， 赋予 2 个语言变量值， 即 “严重” ，“不严重” 。 0095 收集温室施药现场测得的数据， 。
34、分析现场实时数据， 选取 180 对数据进行归一化 处理作为样本数据， 部分样本数据见表 1， 其中 120 对样本数据作为训练样本， 训练结果如 图 5 所示， 实际训练结果与期望值偏差很小， 表明该模糊神经网络较好地反映了决策规律， 训练结果比较理想。预留的 60 对样本用于测试模糊神经网络。经测试满足精度要求后， 模 糊神经网络即成为训练好的神经网络。 0096 网络训练完毕之后， 下载模糊神经网络的各项权值和阈值到计算机决策器。 0097 2、 在移动机器人的计算机系统中编程实现训练好的模糊神经网络 0098 已训练好的模糊神经网络， 以较高的精度对温室成行作物作出变量施药决策。在 移。
35、动机器人计算机系统中， 编制软件程序， 实现已训练好的模糊神经网络。 0099 3、 利用训练好的模糊神经网络实时决策温室成行作物变量喷施量 0100 摄像头通过 USB 接口将采集到的温室作物图像送至计算机， 通过进行图像处理， 将作物行从背景中提取出来， 计算出每幅图像中作物叶面的图像覆盖面积s(单位为m2)， 每 说 明 书 CN 102968664 A 10 7/7 页 11 幅图像中作物叶面的图像覆盖面积可用简化的计算区域面积的方法， 就是对属于作物区域 的像素计算。对图像进行遍历， 利用式 （10） 对其中作物区域 ( 绿色 ) 统计得到像索数， 利用 式 （11） 可计算得到作物。
36、实际覆盖面积 s( 单位为 m2) ； 采用移动机器人所附的超声波传感器 测得喷施目标的距离信息， 根据式 (12) 可以计算出待喷施作物的距离 d （单位为 m） ； 通过计 算机用户界面人工输入温室作物的病虫害危害程度 n。把以上采集到的数据传输到模糊神 经网络决策器， 施药系统通过在线计算即可决策出最佳喷施量， 如标靶面积为 0.00656m2， 距离为 0.2394m， 病虫害等级为 0， 最佳喷施量为 0.02125Ls-1。 0101 通过控制器与流量传感器测得实际流量进行运算和比较， 并根据比较结果实时调 节 PWM 占空比， 驱动电磁阀， 实现变量喷施。 0102 4、 重复 。
37、3 步骤直至施药完成。 0103 图 6 为利用模糊神经网络决策器决策出的喷施量与期望喷施量的误差图， 分析误 差可知， 本发明所提供的模糊神经网络决策方法能够实现快速有效的施药量决策， 能够很 好地满足温室喷药移动机器人的变量精准施药要求。 0104 综上所述， 本发明所提供模糊神经网络决策方法， 以目标标靶面积信息、 距离信息 和病虫害危害程度信息为决策依据， 决策喷施结果更合理准确， 能够模拟人的实际思考和 操作过程， 使系统的调整过程更符合实际温室情况， 由于采用离线训练的模糊神经网络， 变 量实施之前不必要进行样本数据采集和分析的过程， 因而可提高智能决策的快速性和机器 人决策系统的。
38、实时性， 通过在线计算即可得到最佳输出， 表现非常灵活。 本发明所提出的模 糊神经网络智能变量施药决策技术， 更容易满足实时性要求， 可有效降低农药用量， 对提升 食品和作业安全、 降低环境污染具有显著的实际意义。 说 明 书 CN 102968664 A 11 1/5 页 12 图 1 图 2 说 明 书 附 图 CN 102968664 A 12 2/5 页 13 图 3 说 明 书 附 图 CN 102968664 A 13 3/5 页 14 图 4 说 明 书 附 图 CN 102968664 A 14 4/5 页 15 图 5 图 6 说 明 书 附 图 CN 102968664 A 15 5/5 页 16 图 7 说 明 书 附 图 CN 102968664 A 16 。