首页分享智慧园林的自动灌溉系统.pdf

智慧园林的自动灌溉系统.pdf

来源：花匠小妙招时间：2024-11-12 20:10

《智慧园林的自动灌溉系统.pdf》由会员分享，可在线阅读，更多相关《智慧园林的自动灌溉系统.pdf（22页完成版）》请在专利查询网上搜索。

1、(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202211203487.4 (22)申请日 2022.09.29 (71)申请人河南省景观规划设计研究院有限公司地址 450000 河南省郑州市上街区蓝天路与通航六路通航大厦 (72)发明人宋彦峰高效田高原丁娟王君申胜歌黄艳丽张晓盼赵礼浩张赵亮 (74)专利代理机构郑州科硕专利代理事务所 (普通合伙) 41157 专利代理师范增哲 (51)Int.Cl. G06V 20/10(2022.01) A01G 25/16(2006.01) G06F 17/16(2006.01) 。

2、G06N 3/04(2006.01) G06V 10/40(2022.01) G06V 10/77(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称一种智慧园林的自动灌溉系统 (57)摘要公开了一种智慧园林的自动灌溉系统，其采用基于深度学习的人工智能控制算法对于植物的种类和生长状态等植物特征以及植物所处的环境要素特征进行特征提取，进一步再基于作为所述植物种类和生长状态的植物特征向量相对于作为所述环境要素特征的环境要素特征矩阵的转移向量来进行推荐灌溉量的判断估计，以使得所述估计的灌溉量不仅能够适配于植物的种。

3、类和生长状态且能够适配于生长环境，进而不仅能够保证植物的生长需求，还能够节省灌溉量。权利要求书2页说明书13页附图6页 CN 115482467 A 2022.12.16 CN 115482467 A 1.一种智慧园林的自动灌溉系统，其特征在于，包括：环境数据采集模块，用于获取智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值；环境要素关联模块，用于将所述待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量的转置向量与所述湿度输入向量之间的乘积以得到环境要素矩阵；环境要素。

4、特征提取模块，用于将所述环境要素矩阵输入相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到环境要素特征矩阵；浇灌对象采集模块，用于获取由摄像头采集的所述待浇灌区域内的植物的图像；浇灌对象识别模块，用于将所述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模型以得到植物特征向量；转移模块，用于计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量；特征分布校正模块，用于对所述解码特征向量的特征分布进行校正以得到校正后解码特征向量；以及灌溉结果生成模块，用于将所述校正后解码特征向量通过解码器以得到解码值，所述解码值用于表示推荐灌溉。

5、量。 2.根据权利要求1所述的智慧园林的自动灌溉系统，其特征在于，所述环境要素特征提取模块，包括：浅层特征图提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图， M 是偶数；深层特征图提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中， N为偶数，且N大于M的2倍；特征图融合单元，用于融合所述浅层特征图和所述深层特征图以生成环境要素特征图；以及降维单元，用于将所述环境要素特征图进行沿通道维度的全局均值池化处理以得到所述环境要素特征矩阵。 3.根据权利要求2所述的智慧园林的自动灌溉系统，其特征在于，所述浇灌对象识别模块，进一。

6、步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述植物特征向量，所述第二卷积神经网络模型的第一层的输入为所述待浇灌区域内的植物的图像。 4.根据权利要求3所述的智慧园林的自动灌溉系统，其特征在于，所述转移模块，进一步用于：以如下公式计算计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量；其中，所述公式为：权利要求书 1/2 页 2。

7、 CN 115482467 A 2 其中Va表示所述所述植物特征向量， Mb表示所述环境要素特征矩阵， Vc表示所述转移向量，表示向量与矩阵相乘。 5.根据权利要求4所述的智慧园林的自动灌溉系统，其特征在于，所述特征分布校正模块，进一步用于：以如下公式对所述解码特征向量的特征分布进行校正以得到所述校正后解码特征向量；其中，所述公式为：其中vi表示所述解码特征向量的第i个位置的特征值， vi 表示所述校正后解码特征向量的第i个位置的特征值， log表示以2为底的对数函数值。 6.根据权利要求5所述的智慧园林的自动灌溉系统，其特征在于，所述灌溉结果生成模块，进一步用。

8、于：使用所述解码器的多个全连接层以如下公式对所述校正后解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：其中X是所述校正后解码特征向量， Y是所述解码值， w是权重矩阵， B是偏置向量，表示矩阵乘， h()为激活函数。权利要求书 2/2 页 3 CN 115482467 A 3 一种智慧园林的自动灌溉系统技术领域 0001 本申请涉及园林灌溉技术领域，且更为具体的涉及一种智慧园林的自动灌溉系统。背景技术 0002 园林灌溉是补充园林植物生长所需的土壤水分，以改善其生长条件的技术措施。利用人工的方法或机械的方法以不同的灌水形式，补充园林绿地的土壤水分，满足。

9、植物的水分需求。 0003 在现有的园林景观灌溉系统中，已存在可行走的灌溉装置，这类装置结构简单且灌溉面积广，但随之而来的问题是，这类装置面对不同类别的植物，进行无差别灌溉，一方面造成水资源的浪费，另一方面没有考虑到不同植物的需水量不同，影响了植物的生长。此外，在利用行走的灌溉装置进行灌溉时，还需要结合天气情况来自适应地调整灌溉量。 0004 因此，期待一种优化的智慧园林的自动灌溉方案。发明内容 0005 为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种智慧园林的自动灌溉系统，其采用基于深度学习的人工智能控制算法对于植物的种类和生长状态等植。

10、物特征以及植物所处的环境要素特征进行特征提取，进一步再基于作为所述植物种类和生长状态的植物特征向量相对于作为所述环境要素特征的环境要素特征矩阵的转移向量来进行推荐灌溉量的判断估计，以使得所述估计的灌溉量不仅能够适配于植物的种类和生长状态且能够适配于生长环境，进而不仅能够保证植物的生长需求，还能够节省灌溉量。 0006 根据本申请的一个方面，提供了一种智慧园林的自动灌溉系统，其包括： 0007 环境数据采集模块，用于获取智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值； 0008 环境要素关联模块，用于将所述待浇灌区域在预定时间段内多个预定时间点的温度。

11、值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量的转置向量与所述湿度输入向量之间的乘积以得到环境要素矩阵； 0009 环境要素特征提取模块，用于将所述环境要素矩阵输入相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到环境要素特征矩阵； 0010 浇灌对象采集模块，用于获取由摄像头采集的所述待浇灌区域内的植物的图像； 0011 浇灌对象识别模块，用于将所述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模型以得到植物特征向量； 0012 转移模块，用于计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量； 0。

12、013 特征分布校正模块，用于对所述解码特征向量的特征分布进行校正以得到校正后解码特征向量；以及灌溉结果生成模块，用于将所述校正后解码特征向量通过解码器以得说明书 1/13 页 4 CN 115482467 A 4 到解码值，所述解码值用于表示推荐灌溉量。 0014 在上述智慧园林的自动灌溉系统中，所述环境要素特征提取模块，包括：浅层特征图提取单元，用于从所述第一卷积神经网络模型的第M层提取浅层特征图， M是偶数；深层特征图提取单元，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中， N为偶数，且N大于M的2倍；特征图融合单元，用于融合所述浅层特。

13、征图和所述深层特征图以生成环境要素特征图；以及，降维单元，用于将所述环境要素特征图进行沿通道维度的全局均值池化处理以得到所述环境要素特征矩阵。 0015 在上述智慧园林的自动灌溉系统中，所述浇灌对象识别模块，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述植物特征向量，所述第二卷积神经网络模型的第一层的输入为所述待浇灌区域内。

14、的植物的图像。 0016 在上述智慧园林的自动灌溉系统中，所述转移模块，进一步用于：以如下公式计算计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量；其中，所述公式为： 0017 0018 其中Va表示所述所述植物特征向量， Mb表示所述环境要素特征矩阵， Vc表示所述转移向量，表示向量与矩阵相乘。 0019 在上述智慧园林的自动灌溉系统中，所述特征分布校正模块，进一步用于：以如下公式对所述解码特征向量的特征分布进行校正以得到所述校正后解码特征向量；其中，所述公式为： 0020 0021 其中vi表示所述解码特征向量的第i个位置的特征值， vi 表示所述校正。

15、后解码特征向量的第i个位置的特征值， log表示以2为底的对数函数值。 0022 在上述智慧园林的自动灌溉系统中，所述灌溉结果生成模块，进一步用于：使用所述解码器的多个全连接层以如下公式对所述校正后解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：其中X是所述校正后解码特征向量， Y 是所述解码值， W是权重矩阵， B是偏置向量，表示矩阵乘， h()为激活函数。 0023 根据本申请的另一方面，还提供了一种智慧园林的自动灌溉方法，其包括： 0024 获取智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值； 0025 将所述待浇灌区域在预定时间段内多。

16、个预定时间点的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量的转置向量与所述湿度输入向量之间的乘积以得到环境要素矩阵； 0026 将所述环境要素矩阵输入相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到环境要素特征矩阵； 0027 获取由摄像头采集的所述待浇灌区域内的植物的图像； 0028 将所述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模说明书 2/13 页 5 CN 115482467 A 5 型以得到植物特征向量； 0029 计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量； 0030 对所。

17、述解码特征向量的特征分布进行校正以得到校正后解码特征向量；以及将所述校正后解码特征向量通过解码器以得到解码值，所述解码值用于表示推荐灌溉量。 0031 在上述智慧园林的自动灌溉方法中，所述将所述环境要素矩阵输入相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到环境要素特征矩阵，包括：从所述第一卷积神经网络模型的第M层提取浅层特征图， M是偶数；从所述第一卷积神经网络模型的第N层提取深层特征图，其中， N为偶数，且N大于M的2倍；融合所述浅层特征图和所述深层特征图以生成环境要素特征图；以及，将所述环境要素特征图进行沿通道维度的全局均值池化处理以得到所述环境要。

18、素特征矩阵。 0032 在上述智慧园林的自动灌溉方法中，所述将所述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模型以得到植物特征向量，包括：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述植物特征向量，所述第二卷积神经网络模型的第一层的输入为所述待浇灌区域内的植物的图像。 0033 在上述智慧园林的自动灌溉方法中，所述计算所述。

19、植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量，包括：以如下公式计算计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量；其中，所述公式为： 0034 0035 其中Va表示所述所述植物特征向量， Mb表示所述环境要素特征矩阵， Vc表示所述转移向量，表示向量与矩阵相乘。 0036 在上述智慧园林的自动灌溉方法中，所述对所述解码特征向量的特征分布进行校正以得到校正后解码特征向量，包括：以如下公式对所述解码特征向量的特征分布进行校正以得到所述校正后解码特征向量；其中，所述公式为： 0037 0038 其中vi表示所述解码特征向量的第i个位置的特。

20、征值， vi 表示所述校正后解码特征向量的第i个位置的特征值， log表示以2为底的对数函数值。 0039 在上述智慧园林的自动灌溉方法中，所述将所述校正后解码特征向量通过解码器以得到解码值，包括：使用所述解码器的多个全连接层以如下公式对所述校正后解码特征向量进行解码回归以获得所述解码值，其中，所述公式为：其中X是所述校正后解码特征向量， Y是所述解码值， W是权重矩阵， B是偏置向量，表示矩阵乘， h ()为激活函数。 0040 根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被。

21、所述处理器运行时使得所述说明书 3/13 页 6 CN 115482467 A 6 处理器执行如上所述的智慧园林的自动灌溉方法。 0041 根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的智慧园林的自动灌溉方法。 0042 与现有技术相比，本申请提供的智慧园林的自动灌溉系统，其采用基于深度学习的人工智能控制算法对于植物的种类和生长状态等植物特征以及植物所处的环境要素特征进行特征提取，进一步再基于作为所述植物种类和生长状态的植物特征向量相对于作为所述环境要素特征的环境要素特征矩阵的转移。

22、向量来进行推荐灌溉量的判断估计，以使得所述估计的灌溉量不仅能够适配于植物的种类和生长状态且能够适配于生长环境，进而不仅能够保证植物的生长需求，还能够节省灌溉量。附图说明 0043 通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。 0044 图1图示了根据本申请实施例的智慧园林的自动灌溉系统的应用场景图。 0045 图2图示了根据本申请实施例的智慧园林。

23、的自动灌溉系统的框图。 0046 图3图示了根据本申请实施例的智慧园林的自动灌溉系统的系统架构图。 0047 图4图示了根据本申请实施例的智慧园林的自动灌溉系统中环境要素特征提取模块的框图。 0048 图5图示了根据本申请实施例的智慧园林的自动灌溉方法的流程图。 0049 图6图示了根据本申请实施例的电子设备的框图。具体实施方式 0050 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。 0051 申请概述 0052 如上所述，在现有的园林景观灌溉系统。

24、中，已存在可行走的灌溉装置，这类装置结构简单且灌溉面积广，但随之而来的问题是，这类装置面对不同类别的植物，进行无差别灌溉，一方面造成水资源的浪费，另一方面没有考虑到不同植物的需水量不同，影响了植物的生长。此外，在利用行走的灌溉装置进行灌溉时，还需要结合天气情况来自适应地调整灌溉量。因此，期待一种优化的智慧园林的自动灌溉方案。 0053 目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。 0054 。

25、近年来，深度学习以及神经网络的发展为智慧园林的自动灌溉提供了新的解决思路和方案。说明书 4/13 页 7 CN 115482467 A 7 0055 具体地，在本申请的技术方案中，采用基于深度学习的人工智能控制算法对于植物的种类和生长状态等植物特征以及植物所处的环境要素特征进行特征提取，进一步再基于作为所述植物种类和生长状态的植物特征向量相对于作为所述环境要素特征的环境要素特征矩阵的转移向量来进行推荐灌溉量的判断估计，以使得所述估计的灌溉量不仅能够适配于植物的种类和生长状态且能够适配于生长环境，进而不仅能够保证植物的生长需求，还能够节省灌溉量。 0056 具体地，。

26、在本申请的技术方案中，首先，获取智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值。接着，为了构建所述智慧园林的待浇灌区域的温度变化特征和湿度变化特征的关联特征来表达所述智慧园林的待浇灌区域的环境要素特征信息。因此，进一步将所述待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量以分别整合所述待浇灌区域在时间维度上的温度和湿度数据信息；然后，计算所述温度输入向量的转置向量与所述湿度输入向量之间的乘积，以得到具有该所述区域温度和湿度关联的环境要素矩阵。 0057 然后，就可以使用在局部隐含关联特征提取。

27、方面具有优异表现的卷积神经网络模型来进行所述环境要素的隐含关联特征提取，但是，考虑到由于所述环境要素中的温度和湿度具有相当程度的关联。因此为了能够充分地提取出所述待浇灌区域中的植物生长环境要素隐含特征来进行灌溉量的准确估计，在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的第一卷积神经网络模型来对于所述环境要素矩阵进行特征挖掘，以提取出深层的更为充分的所述待浇灌区域中的植物生长环境要素隐含特征信息，从而得到环境要素特征矩阵。应可以理解，所述第一卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时能够同时进行网络参数的更新和适合特定数据结构的网络。

28、参数结构的搜索，进而提高后续分类的准确性。 0058 进一步地，在对于该所述待浇灌区域中的植物生长环境要素特征进行特征挖掘后，考虑到不同种类的植物以及同种植物所处的不同生长状态需要的水量不同。因此，为了能够得到更为精准的灌溉量以保证植物生长所需且避免浪费，在本申请的技术方案中，还需要对于所述待浇灌区域中的植物种类和生长状态进行特征挖掘。也就是，具体地，通过摄像头采集所述待浇灌区域内的植物的图像，并将所述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模型中进行处理，以提取出所述待浇灌区域内的植物的图像中的关于植物的种类和生长状态的隐含特征分布信。

29、息，从而得到植物特征向量。 0059 接着，基于作为植物种类和生长状态的所述植物特征向量相对于作为环境要素特征的所述环境要素特征矩阵的转移向量作为解码特征向量来进行解码回归，以得到用于表示推荐灌溉量的解码值。这样，能够使得解码得到的所述推荐灌溉量适配于植物的种类和生长状态且适配于生长环境。 0060 特别地，在本申请的技术方案中，这里，在计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量时，由于所述植物特征向量所表达的图像语义关联特征分布与所述环境要素特征矩阵所表达的温度和湿度的时序关联特征分布属于异类分布，因此在解码特征向量内可能会引入局。

30、部异常分布，从而在解码回归时导致回归的归纳偏差。 0061 因此，对所述解码特征向量进行回归偏差的可微算子转换优化，具体为：说明书 5/13 页 8 CN 115482467 A 8 0062 0063 其中vi是所述解码特征向量的第i个位置的特征值。 0064 也就是，针对所述解码特征向量的高维特征分布由于局部异常分布而在解码回归问题下的归纳偏差，基于归纳收敛速率的可导约束形式将该归纳偏差转换为可微算子的信息化表达组合，以基于回归问题的归纳约束对于回归限定下的决策域进行收敛，从而提升目标回归问题下的归纳结果的确定性，即，提高了所述解码特征向量通过解码器的解码值的。

31、准确性。这样，能够根据实际的情况进行灌溉量的自适应控制，使得最终得到的灌溉量不仅适配于植物的种类和生长状态且适配于植物的生长环境，进而使得所述推荐灌溉量不仅能够保证植物的生长所需，还能够节省灌溉量。 0065 基于此，本申请提出了一种智慧园林的自动灌溉系统，其包括：环境数据采集模块，用于获取智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值；环境要素关联模块，用于将所述待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量的转置向量与所述湿度输入向量之间的乘积以得到环境要素矩。

32、阵；环境要素特征提取模块，用于将所述环境要素矩阵输入相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到环境要素特征矩阵；浇灌对象采集模块，用于获取由摄像头采集的所述待浇灌区域内的植物的图像；浇灌对象识别模块，用于将所述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模型以得到植物特征向量；转移模块，用于计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量；特征分布校正模块，用于对所述解码特征向量的特征分布进行校正以得到校正后解码特征向量；以及，灌溉结果生成模块，用于将所述校正后解码特征向量通过解码器以得到解码值，所述解。

33、码值用于表示推荐灌溉量。 0066 图1图示了根据本申请实施例的智慧园林的自动灌溉系统的应用场景图。如图1所示，在该应用场景中，首先获取由温度传感器(例如，如图1中所示意的Se1)和湿度传感器 (例如，如图1中所示意的Se2)采集的智慧园林(例如，如图1中所示意的G)的待浇灌区域(例如，如图1中所示意的A)在预定时间段内多个预定时间点的温度值和湿度值，以及，由摄像头(例如，如图1中所示意的C)采集的所述待浇灌区域内的植物(例如，如图1中所示意的P) 的图像。进而，将所述智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值和所述待浇灌区域内的植物的。

34、图像输入至部署有智慧园林的自动灌溉算法的服务器(例如，如图1中所示意的S)中，其中，所述服务器能够以所述智慧园林的自动灌溉算法对输入的所述智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值和所述待浇灌区域内的植物的图像进行处理以得到解码值，所述解码值用于表示推荐灌溉量。 0067 在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。 0068 示例性系统 0069 图2图示了根据本申请实施例的智慧园林的自动灌溉系统的框图。如图2所示，根据本申请实施例的智慧园林的自动灌溉系统100，包括：环境数据采集模块110，用于获取。

35、智说明书 6/13 页 9 CN 115482467 A 9 慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值；环境要素关联模块120，用于将所述待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量的转置向量与所述湿度输入向量之间的乘积以得到环境要素矩阵；环境要素特征提取模块130，用于将所述环境要素矩阵输入相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到环境要素特征矩阵；浇灌对象采集模块140，用于获取由摄像头采集的所述待浇灌区域内的植物的图像；浇灌对象识别模块150，。

36、用于将所述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模型以得到植物特征向量；转移模块160，用于计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量；特征分布校正模块170，用于对所述解码特征向量的特征分布进行校正以得到校正后解码特征向量；以及，灌溉结果生成模块180，用于将所述校正后解码特征向量通过解码器以得到解码值，所述解码值用于表示推荐灌溉量。 0070 图3图示了根据本申请实施例的智慧园林的自动灌溉系统的系统架构图。如图3所示，在该系统架构中，首先获取智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿。

37、度值和由摄像头采集的所述待浇灌区域内的植物的图像。接着，将所述待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量的转置向量与所述湿度输入向量之间的乘积以得到环境要素矩阵。然后，将所述环境要素矩阵输入相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到环境要素特征矩阵。进而，将所述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模型以得到植物特征向量。接着，计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量，并对所述解码特征向量的特征分布进行校正以得到。

38、校正后解码特征向量。然后，将所述校正后解码特征向量通过解码器以得到解码值，所述解码值用于表示推荐灌溉量。 0071 在上述智慧园林的自动灌溉系统100中，所述环境数据采集模块110，用于获取智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值。在现有的园林景观灌溉系统中，已存在可行走的灌溉装置，这类装置结构简单且灌溉面积广，但随之而来的问题是，这类装置面对不同类别的植物，进行无差别灌溉，一方面造成水资源的浪费，另一方面没有考虑到不同植物的需水量不同，影响了植物的生长。此外，在利用行走的灌溉装置进行灌溉时，还需要结合天气情况来自适应地调整。

39、灌溉量。因此，期待一种优化的智慧园林的自动灌溉方案。 0072 具体地，在本申请的技术方案中，采用基于深度学习的人工智能控制算法对于植物的种类和生长状态等植物特征以及植物所处的环境要素特征进行特征提取，进一步再基于作为所述植物种类和生长状态的植物特征向量相对于作为所述环境要素特征的环境要素特征矩阵的转移向量来进行推荐灌溉量的判断估计，以使得所述估计的灌溉量不仅能够适配于植物的种类和生长状态且能够适配于生长环境，进而不仅能够保证植物的生长需求，还能够节省灌溉量。因此，首先，获取智慧园林的待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值，其中所述温度值和。

40、所述湿度值由温度传感器和湿度传感器采集。 0073 在上述智慧园林的自动灌溉系统100中，所述环境要素关联模块120，用于将所述说明书 7/13 页 10 CN 115482467 A 10 待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值分别按照时间维度排列为温度输入向量和湿度输入向量后，计算所述温度输入向量的转置向量与所述湿度输入向量之间的乘积以得到环境要素矩阵。为了构建所述智慧园林的待浇灌区域的温度变化特征和湿度变化特征的关联特征来表达所述智慧园林的待浇灌区域的环境要素特征信息。因此，进一步将所述待浇灌区域在预定时间段内多个预定时间点的温度值和湿度值分别按照时。

41、间维度排列为温度输入向量和湿度输入向量以分别整合所述待浇灌区域在时间维度上的温度和湿度数据信息；然后，计算所述温度输入向量的转置向量与所述湿度输入向量之间的乘积，以得到具有该所述区域温度和湿度关联的环境要素矩阵。 0074 在上述智慧园林的自动灌溉系统100中，所述环境要素特征提取模块130，用于将所述环境要素矩阵输入相邻层使用互为转置的卷积核的第一卷积神经网络模型以得到环境要素特征矩阵。也就是使用在局部隐含关联特征提取方面具有优异表现的卷积神经网络模型来进行所述环境要素的隐含关联特征提取。但是，考虑到由于所述环境要素中的温度和湿度具有相当程度的关联。因此，为。

42、了能够充分地提取出所述待浇灌区域中的植物生长环境要素隐含特征来进行灌溉量的准确估计。在本申请的技术方案中，进一步通过相邻层使用互为转置的卷积核的第一卷积神经网络模型来对于所述环境要素矩阵进行特征挖掘，以提取出深层的更为充分的所述待浇灌区域中的植物生长环境要素隐含特征信息，从而得到环境要素特征矩阵。 0075 在一个示例中，在上述智慧园林的自动灌溉系统100中，所述环境要素特征提取模块130，进一步用于：使用浅层特征图提取单元从所述第一卷积神经网络模型的第M层提取浅层特征图，其中， M是偶数；使用深层特征图提取单元从所述第一卷积神经网络模型的第N 层提取深层特征图，。

43、其中， N为偶数，且N大于M的2倍；使用特征图融合单元融合所述浅层特征图和所述深层特征图以生成环境要素特征图；以及，使用降维单元将所述环境要素特征图进行沿通道维度的全局均值池化处理以得到所述环境要素特征矩阵。 0076 应可以理解，所述第一卷积神经网络模型的相邻卷积层使用互为转置的卷积核能够在训练时能够同时进行网络参数的更新和适合特定数据结构的网络参数结构的搜索，进而提高后续分类的准确性。 0077 图4图示了根据本申请实施例的智慧园林的自动灌溉系统中环境要素特征提取模块的框图。如图4所示，所述环境要素特征提取模块130，包括：浅层特征图提取单元131，用于。

44、从所述第一卷积神经网络模型的第M层提取浅层特征图， M是偶数；深层特征图提取单元 132，用于从所述第一卷积神经网络模型的第N层提取深层特征图，其中， N为偶数，且N大于M 的2倍；特征图融合单元133，用于融合所述浅层特征图和所述深层特征图以生成环境要素特征图；以及，降维单元134，用于将所述环境要素特征图进行沿通道维度的全局均值池化处理以得到所述环境要素特征矩阵。 0078 在上述智慧园林的自动灌溉系统100中，所述浇灌对象采集模块140，用于获取由摄像头采集的所述待浇灌区域内的植物的图像。进一步地，在对于该所述待浇灌区域中的植物生长环境要素特征进行特征挖。

45、掘后，考虑到不同种类的植物以及同种植物所处的不同生长状态需要的水量不同。因此，为了能够得到更为精准的灌溉量以保证植物生长所需且避免浪费，在本申请的技术方案中，还需要对于所述待浇灌区域中的植物种类和生长状态进行特征挖掘。具体地，首先，通过摄像头采集所述待浇灌区域内的植物的图像。说明书 8/13 页 11 CN 115482467 A 11 0079 在上述智慧园林的自动灌溉系统100中，所述浇灌对象识别模块150，用于将所述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模型以得到植物特征向量。也就是，在得到所述待浇灌区域内的植物的图像之后，将所。

46、述待浇灌区域内的植物的图像通过作为特征提取器的第二卷积神经网络模型中进行处理，以提取出所述待浇灌区域内的植物的图像中的关于植物的种类和生长状态的隐含特征分布信息，从而得到植物特征向量。 0080 在一个示例中，在上述智慧园林的自动灌溉系统100中，所述浇灌对象识别模块 150，进一步用于：使用所述第二卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述第二卷积神经网络模型的最后一层的输出为所述植物。

47、特征向量，所述第二卷积神经网络模型的第一层的输入为所述待浇灌区域内的植物的图像。 0081 在上述智慧园林的自动灌溉系统100中，所述转移模块160，用于计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量。为了基于作为所述植物种类和生长状态的植物特征向量相对于作为所述环境要素特征的环境要素特征矩阵的转移向量来进行推荐灌溉量的判断估计，也就是，基于作为植物种类和生长状态的所述植物特征向量相对于作为环境要素特征的所述环境要素特征矩阵的转移向量作为解码特征向量来进行解码回归。 0082 在一个示例中，在上述智慧园林的自动灌溉系统100中，所述转移模块。

48、160，进一步用于：以如下公式计算计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量；其中，所述公式为： 0083 0084 其中Va表示所述所述植物特征向量， Mb表示所述环境要素特征矩阵， Vc表示所述转移向量，表示向量与矩阵相乘。 0085 在上述智慧园林的自动灌溉系统100中，所述特征分布校正模块170，用于对所述解码特征向量的特征分布进行校正以得到校正后解码特征向量。特别地，在本申请的技术方案中，这里，在计算所述植物特征向量相对于所述环境要素特征矩阵的转移向量作为解码特征向量时，由于所述植物特征向量所表达的图像语义关联特征分布与所述环境要素特。

49、征矩阵所表达的温度和湿度的时序关联特征分布属于异类分布，因此在解码特征向量内可能会引入局部异常分布，从而在解码回归时导致回归的归纳偏差。因此，对所述解码特征向量进行回归偏差的可微算子转换优化。 0086 在一个示例中，在上述智慧园林的自动灌溉系统100中，所述特征分布校正模块 170，进一步用于：以如下公式对所述解码特征向量的特征分布进行校正以得到所述校正后解码特征向量；其中，所述公式为： 0087 0088 其中vi表示所述解码特征向量的第i个位置的特征值， vi 表示所述校正后解码特征向量的第i个位置的特征值， log表示以2为底的对数函数值。说明书 9/13。

50、页 12 CN 115482467 A 12 0089 也就是，针对所述解码特征向量的高维特征分布由于局部异常分布而在解码回归问题下的归纳偏差，基于归纳收敛速率的可导约束形式将该归纳偏差转换为可微算子的信息化表达组合，以基于回归问题的归纳约束对于回归限定下的决策域进行收敛，从而提升目标回归问题下的归纳结果的确定性，即，提高了所述解码特征向量通过解码器的解码值的准确性。 0090 在上述智慧园林的自动灌溉系统100中，所述灌溉结果生成模块180，用于将所述校正后解码特征向量通过解码器以得到解码值，所述解码值用于表示推荐灌溉量。这样，能够使得解码得到的所述推荐灌。