基于模糊神经网络的智慧农业采摘系统技术方案

本发明专利技术提供一种基于模糊神经网络的智慧农业采摘系统，属于人工智能技术领域，该方法包括：应用层，所述应用层包括PC客户端、手机客户端和服务器；网络层，所述网络层包括配备CDMA模块的ZigBee通信设备、电信5G网络、互联网网络、边缘网关和触摸屏；传感器层，所述传感器层包括控制器和采集器，所述采集器采用CC2530芯片，并在其电路板上设置一个数字拨号开关，拨号开关的寻址模式被用来区分温室中的不同采集器。采用本方案，能够提高采摘效率，降低人工的劳动强度。低人工的劳动强度。低人工的劳动强度。

【技术实现步骤摘要】
基于模糊神经网络的智慧农业采摘系统


[0001]本专利技术涉及人工智能
，尤其涉及一种基于模糊神经网络的智慧农业采摘系统。

技术介绍

[0002]随着信息技术的不断进步，农业经营活动的种植方式已经转变为智能化、精准化模式。在一些国家的农场，智慧农业运行和生产管理系统已经非常普遍。智能管理系统通过WSN(无线传感器网络)自动收集作物生长阶段的环境参数，并采用有效的技术对作物生长环境进行监控、调节、监督和储存，从而保证作物产量，提高作物质量。这种智慧农业制造和监管模式还没有得到普及。然而，随着物联网的广泛应用和国家从政策和经济上对农业采摘系统的大力支持和投入，许多智慧农业基地已经建成。一些智慧农业系统已经开发出依赖于模糊控制算法的先进控制系统。这些单一的模糊控制系统无法快速适应社会环境的变化。
[0003]信息技术的发展，越来越多的高科技被应用到农业领域。农业信息技术已经进入了一个新的发展时期。采摘系统在农产品采摘管理中的应用可以有效节约采摘成本，降低人们的劳动强度。农产品采摘系统存在一些需要修正的弊端。农产品采摘系统很难对环境对象进行准确建模，因为环境情况会不断变化。因此，目前的模糊控制不适合现代农业采摘系统，而现阶段应用的神经网络分析算法在农业环境中的适应性较差。因此，本文将模糊控制和神经网络有机地结合起来，充分发挥它们的最大应用价值。基于FNN的控制是通过自适应训练数据找出最优措施，适合当前农业环境。将最佳控制策略和自适应训练应用于现代农业采摘系统中的灌溉和温度的自动控制和管理，既节约了水资源，又保证了作物的最佳生长环境，最终有效提高作物的产量和品质。

技术实现思路

[0004]有鉴于此，本专利技术提供一种基于模糊神经网络的智慧农业采摘系统，解决现有技术中存在的上述问题。
[0005]本专利技术提供一种基于模糊神经网络的智慧农业采摘系统，包括：
[0006]应用层，所述应用层包括PC客户端、手机客户端和服务器；
[0007]网络层，所述网络层包括配备CDMA模块的ZigBee通信设备、电信5G网络、互联网网络、边缘网关和触摸屏；
[0008]传感器层，所述传感器层包括控制器和采集器，所述采集器采用CC2530芯片，并在其电路板上设置一个数字拨号开关，拨号开关的寻址模式被用来区分温室中的不同采集器；
[0009]控制器以cc250为主控芯片，与边缘网关的通信通过ZigBee网络和RS485总线实现；在控制电路采用四路光耦输出电路，与继电器输出电路配合使用，通过继电器的开关状态控制温室内相关设备的开闭；边缘网关在温室现场设计一个MCGS触摸屏，与边缘网关连
接，从而实现对温室的管理；边缘网关的主控芯片包括至少三个USART接口；MCGS触摸屏，使管理人员直接了解触摸屏上的相关参数，及时发出控制指令；MCGS触摸屏可以实现动画显示、图表显示等方式，实现现场数据的采集和监控。
[0010]根据本专利技术的一种具体实现方式，所述控制器包括模糊控制器，模糊控制器通过输入接口获得数据，并通过输出接口将其转换为模拟信号；
[0011]模糊控制器用于执行模糊化、模糊推理和去模糊化；
[0012]模糊化：将精确的输入变量通过成员函数转化为口语化的变量，得到的变量被称为模糊子集；
[0013]模糊推理：用于制定相关的模糊控制规则；
[0014]去模糊化：将模糊逻辑推理得到的相关模糊值转换成准确的信号，并将其作为输入参数。
[0015]根据本专利技术的一种具体实现方式，所述控制器中包含人工神经元的模型，人工神经元的模型由网络的连接模式和神经元之间的连接权重决定，表示为
[0016][0017]其中，R
j
代表神经元的输出，x
i
(i＝1,2,
…
,n)代表神经元的输入，ω
ji
(i＝1,2,
…
,n)代表连接重量的强度，θ
j
代表阈值。
[0018]根据本专利技术的一种具体实现方式，人工神经元的模型包含输入层、模糊化层、模糊规则层、归一化层和输出层；
[0019]输入层：初始输入变量确定，传送到FNN的下一层，该层的输出等于输入，表示为
[0020]f1(i)＝y
i i＝1,2
[0021]初始输入变量对应于智慧农业的控制参数，当i＝1,f1(1)＝y1＝e；当i＝2,f1(2)＝y2＝s.；
[0022]模糊化层：将输入层的每个输出转化为多个语言变量值，并计算与语言变量值的模糊集相关的成员度；成员函数选择高斯函数，输出如下
[0023][0024]其中，c
ij
和b
ij
是与第1个输入变量相对应的第1个模糊集j的成员函数的中心和i宽度；
[0025]模糊规则层：所有在模糊化层计算出的成员度都是成对匹配的，以获得若干模糊规则，该层的输出表示为
[0026]f3(j1,j2)＝f2(1,j1)
·
f2(2,j2),j1,j2＝1,2,
…
,n
[0027]归一化层：计算每条模糊规则的归一化可靠性，该层的输出表示为
[0028][0029]输出层：也被称为清晰层，最终的输出变量是通过计算每个输出和它们各自在归一化层的权重的加权和得到，该层的输出为
[0030][0031]其中ω
i
(j1,j2)是输出层和归一化层每个节点的连接权重，得到的最终输出变量Δε，Δk是参数ε和k的变化值。
[0032]根据本专利技术的一种具体实现方式，采用BP算法来动态更新模糊神经网络的主要参数ω,c
ij
和b
ij
，性能指标函数E(k)取为
[0033][0034]其中r(k)表示智慧农业控制参数的参考值，y(k)表示智慧农业控制参数的实际值；
[0035]权重值根据表达式更新，其计算方法为
[0036][0037]中心值c
ij
和宽度b
ij
根据同一理论动态更新。
[0038]根据本专利技术的一种具体实现方式，所述系统还包括采摘机器人，所述采摘机器人包含有一个固定的底座，整个机械臂建立在底座上，机器人还包括三个铝制通道和四个伺服电机；
[0039]机械臂包含有手臂、肩膀、肘部和手腕的关节，机械手获得四个自由度，其中三个是俯仰运动和滚动运动；
[0040]机器人还包括末端执行器，末端执行器属于一个额外的自由度，末端执行器通过必要的切割方式关闭其爪子。
[0041]根据本专利技术的一种具体实现方式，系统测试设置包括带有轻质铝槽的四自由度机械手，其中一个作为固定链接，另外三个作为移动链接，切割器的末端执行器与最后一个环节相连，切割器将修剪留在其范围内的树枝，用户戴上带有传感器和ZigBee设置的手套，通过使用拇指和食指模拟切割动作。
[0042]根据本公开实施例的一种具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模糊神经网络的智慧农业采摘系统，其特征在于，包括：应用层，所述应用层包括PC客户端、手机客户端和服务器；网络层，所述网络层包括配备CDMA模块的ZigBee通信设备、电信5G网络、互联网网络、边缘网关和触摸屏；传感器层，所述传感器层包括控制器和采集器，所述采集器采用CC2530芯片，并在其电路板上设置一个数字拨号开关，拨号开关的寻址模式被用来区分温室中的不同采集器；所述控制器以cc250为主控芯片，与边缘网关的通信通过ZigBee网络和RS485总线实现；在控制电路采用四路光耦输出电路，与继电器输出电路配合使用，通过继电器的开关状态控制温室内相关设备的开闭；边缘网关在温室现场设计一个MCGS触摸屏，与边缘网关连接，从而实现对温室的管理；边缘网关的主控芯片包括至少三个USART接口；MCGS触摸屏，使管理人员直接了解触摸屏上的相关参数，及时发出控制指令；MCGS触摸屏以动画显示或图表显示方式进行现场数据的采集和监控。2.根据权利要求1所述的系统，其特征在于：所述控制器包括模糊控制器，模糊控制器通过输入接口获得数据，并通过输出接口将其转换为模拟信号；模糊控制器用于执行模糊化、模糊推理和去模糊化；模糊化：将精确的输入变量通过成员函数转化为口语化的变量，得到的变量被称为模糊子集；模糊推理：用于制定相关的模糊控制规则；去模糊化：将模糊逻辑推理得到的相关模糊值转换成准确的信号，并将其作为输入参数。3.根据权利要求1所述的系统，其特征在于：所述控制器中包含人工神经元的模型，人工神经元的模型由网络的连接模式和神经元之间的连接权重决定，表示为其中，R
j
代表神经元的输出，x
i
(i＝1,2,
…
,n)代表神经元的输入，ω
ji
(i＝1,2,
…
,n)代表连接重量的强度，θ
j
代表阈值。4.根据权利要求3所述的系统，其特征在于：人工神经元的模型包含输入层、模糊化层、模糊规则层、归一化层和输出层；输入层：初始输入变量确定，传送到FNN的下一层，该层的输出等于输入，表示为f1(i)＝y
i
i＝1,2初始输入变量对应于智慧农业的控制参数，当i＝1,f1(1)＝y1＝e；当i＝2,f1(2)＝y2＝s.；模糊化层：将输入层的每个输出转化为多个语言变量值，...

【专利技术属性】
技术研发人员：李晓东，石元泉，
申请(专利权)人：怀化学院，
类型：发明
国别省市：