一种玉米按需施肥控制系统和土壤氮含量软测量方法

技术领域

本发明属于智能农业装备技术领域，具体涉及一种基于土壤氮含量软测量的玉米按需施肥控制系统。

背景技术

玉米在我国农业发展中发挥着重要作。玉米是高光效C4植株，在生长过程中需肥种类较多，其中最重要的营养元素是氮，只有当氮充足时，玉米植株才能进行正常的生命活动。同时，玉米是一种高产耐肥作物，施肥的增产效果远优于其它作物，氮肥的施加是玉米生长的重要影响因素之一，也是实施玉米种植精准施肥管理的基础。但是目前玉米氮肥精准施肥技术中存在施肥精度低、缺乏土壤信息反馈、成本高昂等问题。由此，急需设计一种成本低廉的高精度玉米按需施肥装置。

软测量技术是使用一些容易测量的变量，对难以测量或者暂时不能测量的变量进行测量的一种技术手段，在农业装备领域中，常常利用软测量技术测量未知传感器数据以达到节约高额传感器费用、测量难以测量变量等目的。例如，有的研究人员提出了一种基于改进神经网络的水质软测量方法来测定养殖水质的亚硝态氮含量[刘康，张楚，彭甜，等.一种亚硝态氮浓度软测量预测方法[P].江苏省：CN115952728A，2023-04-11.]。一种亚硝态氮浓度软测量预测方法通过建立亚硝态氮浓度与其他较易直接测量的水质指标的数学模型，然后将采集到的相关水质指标输入到所建立的改进神经网络中，计算出模型输出值，从而间接软测量出养殖水质的亚硝态氮的值。

采用BP神经网络的方法已成为了参数软测量的重要方式，针对BP神经网络的缺陷，也有研究人员采用PSO算法优化BP神经网络，但PSO算法虽然具有收敛速度快的优点，但是同时也存在容易过早收敛、容易陷入局部最优等缺点，难以满足实际应用实际需求。因此，亟需设计一种改进型优化算法优化BP神经网络，实现高精度软测量，据此实现玉米的反馈型中耕按需施药。

发明内容

针对现有技术中存在不足，本发明提供了一种基于土壤氮含量软测量的玉米按需施肥控制系统，采用OAV-IIW-WGWO-SCQPSO算法优化BP神经网络结构搭建土壤氮含量软测量模型，实现了土壤氮含量的实时测量，进而精准控制玉米施肥量。

本发明的一种玉米按需施肥的控制系统，由控制单元 1、电磁阀组2、施肥流量传感器组3、土壤PH传感器4、土壤湿度传感器5和无线数据传输单元6组成，其中电磁阀组2由12-24个电磁阀组成，施肥流量传感器组3由12-24个施肥流量传感器组成；控制单元1固接于施肥机机架a的上端；电磁阀组2的每个电磁阀固接于喷头b与施肥管c的输出孔之间；施肥流量传感器组3的每个施肥流量传感器固接于施肥管c上，且位于施肥管c的每个输出孔的右边；喷头b位于玉米苗d的正上方；土壤PH传感器4和土壤湿度传感器5与无线数据传输单元6连接，并置于土壤e中；电磁阀组2的12-24个电磁阀和无线数据传输单元6由控制单元1控制。

本发明的基于玉米按需施肥的控制系统的土壤氮含量软测量方法，包括下列步骤：

1)对玉米不同施肥量的土壤进行采样，获取其施肥量数据，测量土壤PH值、土壤湿度、全氮含量、速效氮、水解氮，其中施肥量、土壤PH值、土壤湿度为模型的输入，全氮含量、速效氮、水解氮为模型的输出，构建土壤氮含量软测量模型训练数据集；

2)对步骤1)获得的数据进行归一化处理，其处理方式如下：

其中：

3)建立基于OAV-IIW-WGWO-SCQPSO优化BP神经网络的土壤氮含量软测量模型，进行土壤氮含量软测量：

3.1建立3层BP神经网络拓扑结构，3层为输入层、隐含层和输出层，输入层的节点数目为3，隐含层的节点数目为

3.2利用OAV-IIW-WGWO-SCQPSO算法对BP神经网络进行优化，包括下列步骤：

3.2.1确定OAV-IIW-WGWO-SCQPSO算法中的粒子维度

其中：in为BP神经网络输入层神经元数目；out为BP神经网络输出层神经元数目；

3.2.2确定粒子适应度函数，计算每个粒子的适应度，粒子适应度函数计算方式为：

3.2.3根据适应度大小划分OAV-IIW-WGWO-SCQPSO算法

3.2.4根据WGWO算法，在

每个粒子以下列方式接近最优解：

每个粒子以下列方式实现搜索最优解：

其中：

3.2.5再次计算粒子适应度；

3.2.6根据适应度大小，对粒子进行速度更新及位置的二次更新：

对粒子群算法惯性权重进行优化，并将优化后的惯性权值引入WGWO算法，优化惯性权重的更新公式如下：

在灰狼算法追捕猎物公式、粒子群算法粒子速度更新公式、粒子群算法粒子位置更新公式均引入优化惯性权重来对粒子进行迭代更新；

3.2.7对粒子位置进行三次更新：

当区间[0,

3.2.8将粒子更新三次结果赋值给BP神经网络的权值和阈值；当前粒子群迭代更新产生的适应度值小于上一代粒子群迭代更新产生的适应度值时，更新个体极值与群体极值，反之则进入终止条件的判断；

粒子群更新迭代数满足终止条件则停止更新，BP神经网络获取到最优的权值和阈值；反之则返回步骤3.2继续对BP神经网络的权值和阈值进行更新；

4)将采集的实时施肥量、土壤PH值、土壤湿度数据输入步骤3建立的土壤氮含量软测量模型中，输出土壤的全氮含量、速效氮、水解氮含量。

进一步地，所述的步骤3.1中，参数

其中：

进一步地，所述的步骤3.2.6中的粒子速度更新方式如下：

其中：

进一步地，所述的步骤3.2.6中的粒子位置更新方式如下：

其中：

本发明具有如下有益效果：

(1)相对于已有的相关变量施肥技术[陈春玲，苏东旭，姚伟祥，等. 一种农用无人机变量撒播施肥装置及方法[P]. 辽宁省：CN114916298B,2023-08-15.]，本发明所提供的按需施药装置，通过土壤PH传感器、土壤湿度传感器、施肥流量传感器的数据以及土壤氮含量软测量方法即可测量出土壤实时的全氮含量、速效氮、水解氮数据，降低了所需土壤传感器的成本；同时能够通过实时土壤数据实现基于反馈调节的变量施肥控制，根据土壤含氮量(包括全氮含量、速效氮、水解氮数据)计判断施肥量修正量，控制电磁阀组中的电磁阀开度，大大提高了玉米施药的智能化程度、施药精度。

(2)在种群算法优化的BP神经网络软测量模型中，首先，单种群算法的优化效率较低，往往难以满足工程实践要求；其次，种群算法中的粒子群算法中的惯性权重是固定不变的，导致了粒子群中粒子的寻优精度不高；其次，粒子群算法中粒子位置的更新是连续的，每次更新位置受到上次更新位置的影响较大；同时，粒子群算法后期的种群多样性会大幅度丧失，后期粒子群中的粒子趋同现象会加剧，寻优空间收到极大的限制；若采用灰狼算法优化粒子群算法，灰狼算法具有寻优效率低、精度低的问题，优化效果差强人意。基于以上问题，本发明提出了采用灰狼算法改进粒子群算法的优化算法：提出了两种优化惯性权重，改变灰狼算法中不同时期

附图说明

图1为玉米按需施肥控制系统的结构示意图；

图2为基于OAV-IIW-WGWO-SCQPSO算法优化BP神经网络的土壤氮含量软测量模型的工作流程图；

图3为基于PSO算法优化BP神经网络的土壤软测量模型收敛特性曲线；

图4为基于OAV-IIW-WGWO-SCQPSO算法优化BP神经网络的土壤软测量模型收敛特性曲线；

图5为基于PSO算法的粒子适应度曲线；

图6为基于OAV-IIW-WGWO-SCQPSO算法的粒子适应度曲线；

图中：a.施肥机机架；b.喷头；c.施肥管；d.玉米苗；e.土壤；1. 控制单元；2.电磁阀组；3.施肥流量传感器组；4.土壤PH传感器；5.土壤湿度传感器；6.无线数据传输单元。

具体实施方式

下面结合附图描述本发明。

如图1所示，本发明的一种玉米按需施肥的控制系统，由控制单元1、电磁阀组2、施肥流量传感器组3、土壤PH传感器4、土壤湿度传感器5和无线数据传输单元6组成，其中电磁阀组2由12-24个电磁阀组成，施肥流量传感器组3由12-24个施肥流量传感器组成；控制单元1固接于施肥机机架a的上端；电磁阀组2的每个电磁阀固接于喷头b与施肥管c的输出孔之间；施肥流量传感器组3的每个施肥流量传感器固接于施肥管c上，且位于施肥管c的每个输出孔的右边；喷头b位于玉米苗d的正上方；土壤PH传感器4和土壤湿度传感器5与无线数据传输单元6连接，并置于土壤e中；电磁阀组2的12-24个电磁阀和无线数据传输单元6由控制单元1控制。

施肥流量传感器组3、土壤PH传感器4与土壤湿度传感器5通过无线数据传输单元6分别将实时施肥量、土壤PH值、土壤湿度数据传输至控制单元1，控制单元1通过实时施肥量、土壤PH、土壤湿度数据及土壤氮含量软测量模型，计算出实时的土壤含氮量(包括全氮含量、速效氮、水解氮)，并根据玉米对土壤的含氮量需求，判断施肥量是否需要修正，若目前土壤含氮量不满足玉米对土壤的含氮量需求，则控制单元1通过控制电磁阀组2中电磁阀开度修正施肥量，进而实现中耕按需施肥的控制。

本发明的基于玉米按需施肥的控制系统的土壤氮含量软测量方法，采用的是OAV-IIW-WGWO-SCQPSO算法优化的BP神经网络模型，其中，OAV(Optimize Adaptive Variation)为优化自适应变异，IIW(Improved Inertial Weight)为优化惯性权重，WGWO(Whale GreyWolf Optimizer)为改进鲸鱼灰狼优化算法，SCQPSO(Sine Cosine Quantum ParticleSwarm Optimization)为正弦余弦量子粒子群算法。

土壤氮含量软测量方法的具体过程如下：

1)对不同施肥量的玉米土壤进行采样，获取其施肥量数据，测量土壤PH值、土壤湿度、全氮含量、速效氮、水解氮，其中施肥量、土壤PH值、土壤湿度为模型的输入，全氮含量、速效氮、水解氮为模型的输出，构建土壤氮含量软测量模型训练数据集。

2)对步骤1)获得的数据进行归一化处理，其处理方式如下：

其中：

3)建立如图2所示的基于OAV-IIW-WGWO-SCQPSO优化BP神经网络土壤氮含量软测量模型，具体过程如下：

3.1建立BP神经网络；

建立3层BP神经网络拓扑结构，3层为输入层、隐含层和输出层，输入层的节点数目为3，隐含层的节点数目为

其中，隐含层的节点数目

其中：

以训练集数据分别训练不同

取网络训练精度误差最低相对的

初始化BP神经网络的各层节点数、权值、阈值：

3.2利用OAV-IIW-WGWO-SCQPSO算法对BP神经网络进行优化；

采用GWO算法改进PSO算法的OAV-IIW-WGWO-SCQPSO优化算法优化BP神经网络，利用IIW算法提出了两种优化惯性权重，改变GWO算法中不同时期

3.2.1确定OAV-IIW-WGWO-SCQPSO算法中的粒子维度

OAV-IIW-WGWO-SCQPSO算法的寻优对象是BP神经网络的权值和阈值，OAV-IIW-WGWO-SCQPSO算法粒子的维度等于需要寻优的参数总和，计算公式如下：

3.2.2确定粒子适应度函数，计算粒子适应度；

以BP神经网络的实际输出与期望输出的均方误差作为适应度函数

其中，

3.2.3根据粒子适应度大小划分出OAV-IIW-WGWO-SCQPSO算法中的

其中：

3.2.4根据WGWO算法，在

粒子位置更新的方式如下：

(1)接近最优解

每个粒子以下列方式接近最优解：

其中，

(2)搜索最优解

每个粒子以下列方式实现搜索最优解：

其中:

3.2.5再次计算粒子适应度。

3.2.6根据适应度大小，对粒子进行速度更新及位置的二次更新；

对粒子群算法惯性权重进行优化，并将优化后的惯性权值引入灰狼算法，优化惯性权重的更新公式如下：

其中：

在GWO算法追捕猎物公式、PSO算法粒子速度更新公式、PSO算法粒子位置更新公式均引入优化惯性权重来对粒子进行迭代更新；

粒子速度更新方式如下：

其中：

粒子二次位置更新方式如下：

其中：

3.2.7对粒子位置进行三次更新；

当区间[0,

其中：

3.2.8粒子群每更新一次速度和位置（即每进行一次个体极值更新与群体极值更新），则对BP神经网络的权值和阈值进行一次更新；

将当前粒子群迭代更新产生的粒子适应度值与上一代粒子群迭代更新产生的粒子适应度值进行实时比较；当前粒子群迭代更新产生的粒子适应度值小于上一代粒子群迭代更新产生的粒子适应度值时，继续进行个体极值更新与群体极值更新，反之则进入终止条件的判断过程；

判断粒子群更新的迭代数是否满足预设的终止条件，若粒子群更新的迭代数满足终止条件则停止更新，BP神经网络权值和阈值也停止更新，获取到最优权值和阈值；若粒子群更新的迭代数不满足终止条件，则返回步骤3.2继续对BP神经网络的权值和阈值进行更新。

4)土壤氮含量软测量：将实时采集得到的将采集的实时施肥量、土壤PH值、土壤湿度数据输入步骤3)建立的土壤氮含量软测量模型中，获取输出值，并对输出值进行反归一化处理最终得到土壤的全氮含量、速效氮、水解氮数据。

传统方法中，一般采用PSO算法优化BP神经网络，进而建立软测量模型，本发明与之相比，在粒子适应度方面的性能更加优越，具体实验数据与分析如下：

由图3至6所示可知，在终止迭代数均为300的基础上，网络训练误差目标值为0.001，基于PSO算法优化BP神经网络时，其网络训练次数为2323，训练误差未降到目标值，粒子群的粒子最终适应度为0.130，而本发明基于OAV-IIW-WGWO-SCQPSO算法优化BP神经网络，其网络的训练次数为57，训练误差达到了目标值，粒子群的粒子最终适应度为0.116，由此可见，本发明所建立的土壤氮含量软测量模型性能更加优越。