一种施肥机的肥料参数调整方法及装置与流程

本发明涉及参数调整技术领域，更具体地说，涉及一种施肥机的肥料参数调整方法、装置、设备及计算机可读存储介质。

背景技术：

施用化肥是主要农作物生产过程中一个重要的作业环节，直接影响农作物的产量。目前，对温室大棚内的植物进行施肥时的主要施肥手段为：通过施肥机对植物进行施肥。现有的施肥机是半自动施肥机，用户设定施肥量后，施肥机会根据设定的施肥量进行施肥。但是，对农作物进行施肥后，并没有对各个植物的施肥参数进行检测，也就是说，由于不清楚施肥后的各项施肥参数的变化，会导致施肥过量或过少等问题。并且，如果想要对施肥机的施肥量进行调整，则需要人力对每台施肥机进行调整，浪费大量人力物力，也会造成生产的延误以及产量的损失。

因此，如何解决上述问题，是本领域技术人员需要解决的。

技术实现要素：

本发明的目的在于提供一种施肥机的肥料参数调整方法、装置、设备及计算机可读存储介质，以实现了解植物施肥后的施肥参数变化情况，并根据变化情况自动对施肥机的施肥量进行调整。

为实现上述目的，本发明实施例提供了如下技术方案：

一种施肥机的肥料参数调整方法，包括：

获取植物的检测数据；

将所述检测数据输入肥料预测模型，通过所述肥料预测模型对所述检测数据进行预测，得到预测结果；其中，所述肥料预测模型为通过学习肥料基础数据所建立的；

根据所述预测结果生成肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整。

其中，所述将所述检测数据输入肥料预测模型，通过所述肥料预测模型对所述检测数据进行预测，得到预测结果，包括：

将所述检测数据中的每个肥料参数对应的参数值，与所述预测模型中的与每个肥料参数对应的基础参数值进行对比，将每个肥料参数的参数值与基础参数值的对比结果作为预测结果。

其中，所述根据所述预测结果生成肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整，包括：

将对比结果超出预定预测范围的基础参数作为待调整参数；

根据所述待调整参数的对比结果生成对所述待调整参数的肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整。

其中，本方案还包括：

利用Spark MLlib机器学习算法及预定周期的预测结果，对所述肥料预测模型的基础参数值进行优化调整。

一种施肥机的肥料参数调整装置，包括：

检测数据获取模块，用于获取植物的检测数据；

预测模块，用于将所述检测数据输入肥料预测模型，通过所述肥料预测模型对所述检测数据进行预测，得到预测结果；其中，所述肥料预测模型为通过学习肥料基础数据所建立的；

参数调整模块，用于根据所述预测结果生成肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整。

其中，所述预测模块具体用于：将所述检测数据中的每个肥料参数对应的参数值，与所述预测模型中的与每个肥料参数对应的基础参数值进行对比，将每个肥料参数的参数值与基础参数值的对比结果作为预测结果。

其中，所述参数调整模块，包括：

待调整参数确定单元，用于将对比结果超出预定预测范围的基础参数作为待调整参数；

指令生辰模块，用于根据所述待调整参数的对比结果生成对所述待调整参数的肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整。

其中，本方案还包括：

基础参数优化模块，用于利用Spark MLlib机器学习算法及预定周期的预测结果，对所述肥料预测模型的基础参数值进行优化调整。

一种施肥机的肥料参数调整设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现上述肥料参数调整方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述肥料参数调整方法的步骤。

通过以上方案可知，本发明实施例提供的一种施肥机的肥料参数调整方法，包括：获取植物的检测数据；将所述检测数据输入肥料预测模型，通过所述肥料预测模型对所述检测数据进行预测，得到预测结果；其中，所述肥料预测模型为通过学习肥料基础数据所建立的；根据所述预测结果生成肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整；

可见，在本方案中，利用历史数据学习获得的数据模型，使得施肥机对植物施肥后，可以通过获取植物的检测数据，及时获得植物生长环境的各项施肥参数的参数值，并作出相应的预测，通过该方式获得的输出结果精准度更高，而且更符合实际。因为不同的环境下，植物对于肥料的需求也是有差异的，需要因地制宜，而通过历史数据学习获得的模型，可以使得种植更精准化。而且若存在参数值不符合要求的施肥参数，则生成与该施肥参数对应的调整指令，并发送至对应的施肥机，以使施肥机调整与该施肥参数对应的施肥量，实现了对施肥机施肥量的自动化、实时、连续的调整；本发明还公开了一种施肥机的肥料参数调整装置、设备及计算机可读存储介质，同样能实现上述技术效果。

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，下面描述中的附图仅仅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为本发明实施例公开的一种施肥机的肥料参数调整方法流程示意图；

图2为本发明实施例公开的一种施肥机的肥料参数调整装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种施肥机的肥料参数调整方法、装置、设备及计算机可读存储介质，以实现了解植物施肥后的施肥参数变化情况，并根据变化情况自动对施肥机的施肥量进行调整。

参见图1，本发明实施例提供的一种施肥机的肥料参数调整方法，包括：

S101、获取植物的检测数据；

具体的，本实施例中的检测数据具体可以通过设置在种植区域的物联网传感器获取的数据，并实时通过网关转换数据上传至云服务器的数据中心，存储至肥料使用数据库，数据的内容包括施肥机向植物施肥时添加的营养成分，该营养成分在本实施例中为施肥参数，该施肥参数具体可以包括：氮参数、磷参数、PH参数等，在本方案中并不具体限定。

需要说明的是，本方案获取植物的检测数据的周期可以按照管理人员预先设定的检测规则进行检测，该检测规则可以是设定检测时间间隔，例如：以2小时为间隔进行检测，每天固定时间进行检测等；该检测规则可以根据施肥时间进行确定，例如：在施肥后的4小时进行检测；当然，也可以将这两种检测规则进行合并，只要满足这两个检测规则的一种，便可以获取植物的检测数据；进而，若管理人员想要查看当前植物的检测数据，也可以通过输入检测指令的方式，实时获取植物的检测数据。

S102、将所述检测数据输入肥料预测模型，通过所述肥料预测模型对所述检测数据进行预测，得到预测结果；其中，所述肥料预测模型为通过学习肥料基础数据所建立的；

具体的，在本实施例在实施的过程中，首先需要获取肥料使用基础数据，即本方案中的肥料的历史基础数据，并录入系统，系统将肥料基础数据载入到基础肥料数据中心，存入数据库；进一步，本方案采用SparkMLlib使用机器学习进行逻辑回归的方式对该肥料基础数据进行学习，通过学习建立初始肥料预测模型，通过该初始肥料预测模型对已知的数据进行预测，对预测结果做误差分析，如果预测结果的误差在可容忍范围，则保存模型，生成本方案最终所使用的肥料预测模型。

需要说明的是，在本方案中，对初始肥料预测模型进行预测的已知数据为已有的数据集，该已有的数据集具体为在正常情况下植物的各个肥料参数的参数值，既可以理解为标准参数值，通过该标准参数值对初始肥料预测模型进行预测，即计算初始肥料预测模型中的初始基础参数值与标准参数值的误差，判断该误差是否在可容忍的预定范围内，如果在，则说明该初始肥料预测模型满足预测需求，则将初始肥料预测模型确定为最后的肥料预测模型，通过该肥料预测模型对获取的检测数据进行预测；如果不在，则说明该初始肥料预测模型不满足需求，则根据标准参数值对初始基础参数值进行修正，并继续通过已有的数据集中的其他数据进行预测，直至满足需求为止。

其中，所述将所述检测数据输入肥料预测模型，通过所述肥料预测模型对所述检测数据进行预测，得到预测结果，包括：

将所述检测数据中的每个肥料参数对应的参数值，与所述预测模型中的与每个肥料参数对应的基础参数值进行对比，将每个肥料参数的参数值与基础参数值的对比结果作为预测结果。

可以理解的是，确定最终的肥料预测模型后，便可以使用该肥料预测模型对实时获取的检测数据进行预测；在该检测数据中包括与每个肥料参数对应的参数值，该参数值可以为不同情况下的参数值，例如：若肥料参数为番茄的氮参数，则氮参数的参数值可以包括每100KG日使用量、每100KG月使用量、每100KG年使用量等信息，每个肥料参数在不同情况下的参数值可以在对模型进行训练时进行确定，也可以通过后续对模型进行再次学习进行添加，在此并不具体限定。

进一步，确定检测数据的肥料参数的参数值后，便通过肥料预测模型对该参数值进行预测，也就是通过对比肥料参数的参数值与肥料预测模型中的基础参数值的误差，若误差相差预定阈值，则说明该种植区域的肥料参数的含量不符而要求，若误差不相差预定阈值，则说明该种植区域的肥料参数含量符合要求；根据对比结果生成的预测结果，以对不符合要求肥料参数对应的施肥机进行调控；该预定阈值可以设置为10％，也可以设置为其他数值，在此并不具体限定。

S103、根据所述预测结果生成肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整。

其中，所述根据所述预测结果生成肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整，包括：

将对比结果超出预定预测范围的基础参数作为待调整参数；

根据所述待调整参数的对比结果生成对所述待调整参数的肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整。

具体的，根据对比结果生成的预测结果，包括两种情况，一种符合要求，一种不符合要求；若符合要求，则不需要对施肥机进行调整，这时可以记录预测日志，该预测日志中包括：检测时间、检测植物的信息、检测数据、预测结果等数据，这里的检测植物的信息具体包括被检测植物所在范围，被检测植物的类型信息，被检测植物所对应的施肥机的标识信息等，需要说明的是，该检测时间、检测植物的信息、检测数据均可以是在获取检测数据时一同获取的，以便后续对施肥机进行控制。

若不符合要求，则同样分为两种情况，一种是检测数据中的参数值超过肥料预测模型的基础参数值，另一种是肥料预测模型中的基础参数值超过检测数据中的参数值；前一种情况所生成肥料参数调整指令为减少施肥机对预定肥料的施肥量，后一种情况所生成的肥料参数调整指令为增加施肥机对预定肥料的施肥量。

需要说明的是，不管是哪种情况，肥料参数调整指令所包含的信息都是相同的；具体来说，该肥料参数调整指令中包括待调整的肥料种类，该肥料种类是通过待调整参数进行确定的，待调整参数的不同，所对应的施肥种类有可能不同；如果同一种施肥种类所对应多个施肥参数，则对该施肥种类进行调整时，需要考虑与该施肥种类对应的出待调整参数的其他肥料参数的参数值，以防对一种肥料参数的调整影响其他肥料参数值；

该肥料参数调整指令还包括对施肥种类调整的程度信息，若超出预定值越多，则调整的程度信息越大，反之，越小，从而可以根据植物肥料参数超出或者低于基础参数值的程度对施肥机进行调控；具体调整指令对施肥量的调整，可以根据单位施肥量与肥料参数值之间的对应关系进行确定。

该施肥参数调整指令还包括调整施肥量的施肥机的信息，该施肥机的信息需要根据被检测植物所在范围，被检测植物的类型信息，被检测植物所对应的施肥机的标识信息等信息进行确定，例如：获取的检测数据是大棚1内番茄的检测数据，则调整施肥量的施肥机便为对在大棚1内番茄进行施肥的施肥机，在本方案中，仅以上述信息为例进行描述，但并不局限于上述信息。

可以理解的是，若不符合要求，本方案同样可以记录预测日志，该预测日志中包括：检测时间、检测植物的信息、检测数据、预测结果、肥料参数调整指令所包含的信息等数据。并且，在检测出检测数据中的参数值不符合要求，这时可以判断检测数据参数值超出/低于肥料预测模型中的基础参数值，则判断超出的值是否大于预定阈值，若是，则向管理员发出警示信息，以便提醒管理员。

综上可以看出，在本方案中，施肥机对植物施肥后，通过获取植物的检测数据，可以及时获得植物生长环境的各项施肥参数的参数值，若存在参数值不符合要求的施肥参数，则生成与该施肥参数对应的调整指令，并发送至对应的施肥机，以使施肥机调整与该施肥参数对应的施肥量，从而实现了自动对施肥机施肥量的调整。

基于上述实施例，在本方案中还包括：

利用Spark MLlib机器学习算法及预定周期的预测结果，对所述肥料预测模型的基础参数值进行优化调整。

具体来说，对于肥料预测模型中的基础参数，可以根据预测结果进行优化调整，但是为了提高优化的准确性，在本方案中设定一个预定周期，该预定周期为调整周期，通过对调整周期内的预测结果进行学习，以对肥料预测模型中的基础参数进行优化调整。

可以理解的是，除了上述对基础参数的调整，在本实施例中，还可以通过对历史数据的分析进行调整；例如：获取某种植区域去年一年的历史数据，该历史数据可以体现出植物的类型，植物在每个不同阶段的肥料参数值，通过对该历史数据的分析，可以得出在不同阶段使用什么肥料参数值的植物的产量较高，生长情况较好，进而通过该肥料参数值对肥料预测模型中的基础数据进行优化及调整，当然这个优化调优的过程，不仅可以通过管理人员进行分析执行，也可以通过系统分析执行；同样的，在这个过程的基础上，可以根据管理人员的经验对肥料预测模型进行微调，在此并不用具体限定。

下面通过距离对本方案进行具体描述；参见表1，为本实施例提供的植物番茄在不同情况下的不同肥料参数的具体参数值；具体来说，肥料参数为EC、PH、氮，肥料参数EC在每100KG日使用量L条件下的参数值为51，…….。

表1

表1中的数据即为本方案中的肥料基础数据，具体的数据集如下

番茄＝1，黄瓜＝2……XXXX；

肥料EC＝1，肥料PH＝2，氮＝3；

番茄EC每100KG日使用量L 1：1：51

番茄EC每100KG月使用量L 1：1：159

番茄EC每100KG年使用量L 1：1：253

番茄PH每100KG日使用量L 1：2：124

番茄PH每100KG月使用量L 1：2：253

番茄PH每100KG年使用量L 1：2：255

番茄氮每100KG日使用量L 1：3：66

番茄氮每100KG月使用量L 1：3：78

番茄氮每100KG年使用量L 1：3：126；

通过上述数据建立肥初始肥料预测模型，通过该初始肥料预测模型对已知数据进行预测，误差满足条件后，投入使用。进而获取种植区的检测数据，输入肥料预测模型得到预测结果，该预测结果为预测值和真实值的对比，具体来说，预测值从种植区实际产生的值，真实值为肥料预测模型中的基础参数，该基础参数为通过不断修正得到的标准值。

下面对本发明实施例提供的肥料参数调整装置进行介绍，下文描述的肥料参数调整装置与上文描述的肥料参数调整方法可以相互参照。

参见图2，本发明实施例提供的一种施肥机的肥料参数调整装置，包括：

检测数据获取模块100，用于获取植物的检测数据；

预测模块200，用于将所述检测数据输入肥料预测模型，通过所述肥料预测模型对所述检测数据进行预测，得到预测结果；其中，所述肥料预测模型为通过学习肥料基础数据所建立的；

参数调整模块300，用于根据所述预测结果生成肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整。

其中，所述预测模块具体用于：将所述检测数据中的每个肥料参数对应的参数值，与所述预测模型中的与每个肥料参数对应的基础参数值进行对比，将每个肥料参数的参数值与基础参数值的对比结果作为预测结果。

其中，所述参数调整模块，包括：

待调整参数确定单元，用于将对比结果超出预定预测范围的基础参数作为待调整参数；

指令生辰模块，用于根据所述待调整参数的对比结果生成对所述待调整参数的肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整。

其中，本方案还包括：

基础参数优化模块，用于利用SparkMLlib机器学习算法及预定周期的预测结果，对所述肥料预测模型的基础参数值进行优化调整。

本发明实施例还提供一种施肥机的肥料参数调整设备，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现上述肥料参数调整方法的步骤。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述肥料参数调整方法的步骤。

具体的，该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

综上可见，本发明实施例提供的一种施肥机的肥料参数调整方法，包括：获取植物的检测数据；将所述检测数据输入肥料预测模型，通过所述肥料预测模型对所述检测数据进行预测，得到预测结果；其中，所述肥料预测模型为通过学习肥料基础数据所建立的；根据所述预测结果生成肥料参数调整指令，以通过所述肥料参数调整指令对施肥机的施肥量进行调整；

可见，在本方案中，施肥机对植物施肥后，通过获取植物的检测数据，可以及时获得植物生长环境的各项施肥参数的参数值，若存在参数值不符合要求的施肥参数，则生成与该施肥参数对应的调整指令，并发送至对应的施肥机，以使施肥机调整与该施肥参数对应的施肥量，从而实现了自动对施肥机施肥量的调整；本发明还公开了一种施肥机的肥料参数调整装置、设备及计算机可读存储介质，同样能实现上述技术效果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。