(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 202210232293.0 (22)申请日 2022.03.09 (71)申请人 中国农业科 学院农田灌溉研究所 地址 453000 河南省新乡市牧野区宏 力大 道(东)380号 (72)发明人 黄仲冬　陆建中　 (74)专利代理 机构 北京卓恒知识产权代理事务 所(特殊普通 合伙) 11394 专利代理师 孔鹏 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种多源灌溉信息融合决策方法及系统 (57)摘要 本发明公开了一种多源灌溉信息融合决策 方法及系统。 获得多个灌溉信息。 基于灌溉信息， 通过灌溉粗略决策模型， 得到粗略灌溉决策。 基 于灌溉信息和灌溉方式， 通过DS证据理论， 得到 多个灌溉概率信息。 基于多个灌溉概率信息和粗 略灌溉决策， 通过灌溉模 型， 得到详细灌溉决策。 使用DS证据理论， 得到决策的概率， 并且依据概 率得到粗略设置的决策方法中概率最高的决策 方法。 同时使用神经网络， 得到粗略设置的决策 方法中概率最高的决策方法。 再使用DS灌溉神经 网络、 粗略灌溉神经网络和融合神经网络得到通 过训练的融合后的细分决策的分类信息和灌溉 概率。 将最终得到的灌溉概率与DS所求的灌 溉概 率相乘， 更加准确的得到 详细灌溉决策。 权利要求书3页 说明书10页 附图4页 CN 114708495 A 2022.07.05 CN 114708495 A 1.一种多源灌溉信息融合决策 方法， 其特 征在于， 包括： 获得多个灌溉信息； 所述灌溉信息表示当前植株的信息； 所述灌溉信息包括灌溉图像 和灌溉文字信息； 所述灌溉图像表示对不同范围植株所拍摄的信息； 所述灌溉文字信息表 示对不同范围植株情况的记录信息； 所述灌溉信息是信息在数据层融合的信息； 基于灌溉信息， 通过灌溉 粗略决策模型， 得到粗略灌溉决策； 基于灌溉信息和灌溉方式， 通过D S证据理论， 得到多个灌溉 概率信息； 基于多个灌溉 概率信息和粗略灌溉决策， 通过灌溉模型， 得到 详细灌溉决策； 所述灌溉模型包括DS灌溉神经网络、 粗略灌溉神经网络、 第一融合神经网络、 第二融合 神经网络和第三融合神经网络： DS灌溉神经网络的输入为多个灌溉概率信 息； 所述粗略灌溉神经网络为的输入多个灌 溉概率信息； 所述第一融合神经网络的输入为多个灌溉概率信息； 所述第二融合神经网络 为DS灌溉神经网络的输出和粗略灌溉神经网络为的输出； 所述第三融合神经网络的输入为 所述第一融合神经网络的输出和所述第二融合神经网络的输出。 2.根据权利要求1所述的一种 多源灌溉信 息融合决策方法， 其特征在于， 所述基于灌溉 信息， 通过灌溉 粗略决策模型， 得到粗略灌溉决策， 包括： 所述灌溉 粗略决策模型包括卷积神经网络和灌溉决策神经网络； 将植株图像输入卷积神经网络， 得到植株特 征图； 将植株特 征图与同尺寸卷积块相乘， 得到单列特 征信息； 将单列特 征信息和植株文字信息 输入灌溉决策神经网络， 得到粗略灌溉决策。 3.根据权利要求1所述的一种 多源灌溉信 息融合决策方法， 其特征在于， 所述灌溉决策 神经网络的训练方法： 获得训练集， 训练集包括训练灌溉信息和灌溉决策标注信息； 所述训练灌溉信息包括 训练灌溉图像特征信息和训练灌溉文字信息； 所述灌溉决策标注信息包括植株不同状态对 应的出水量、 灌溉时间、 灌溉时长和灌溉方式； 将训练灌溉信息 输入灌溉决策神经网络， 得到粗略灌溉信息； 其中， 灌溉决策神经网络的输入层神经元数量与训练灌溉信息的数量相同； 灌溉决策 神经网络的输出层神经元数量与粗略灌溉信息的数量相同； 灌溉决策神经网络为全连接方 式； 将所述粗略灌溉信息与灌溉决策 标注信息， 通过损失函数， 得到第一损失值； 获得灌溉决策神经网络当前的训练迭代次数以及预先设定的所述灌溉决策神经网络 训练的最大迭代次数； 当所述第一损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训 练， 得到训练好的灌溉决策神经网络 。 4.根据权利要求1所述的一种 多源灌溉信 息融合决策方法， 其特征在于， 所述基于灌溉 信息和灌溉方式， 通过D S证据理论， 得到多个灌溉 概率信息， 包括： 基于灌溉信息和粗略灌溉决策， 得到多个范围植株生长概 率； 基于多个范围植株生长概率和DS证据理论， 得到多个灌溉概率信息； 所述灌溉概率信 息包括灌溉决策和对应的灌溉 概率。 5.根据权利要求1所述的一种 多源灌溉信 息融合决策方法， 其特征在于， 所述基于多个权　利　要　求　书 1/3 页 2 CN 114708495 A 2灌溉概率信息和粗略灌溉决策， 通过灌溉模型， 得到 详细灌溉决策， 包括： 获得DS灌溉概率决策； 所述DS灌溉概率决策包括DS灌溉决策和DS灌溉概率； 所述DS灌 溉决策为多个灌溉概率信息中灌溉概率大于其他灌溉概率的灌溉决策； 所述DS灌溉概率为 DS灌溉决策 所对应的灌溉 概率； 基于灌溉概率信息和粗略灌溉决策， 得到粗略灌溉概率决策； 所述粗略灌溉概率决策 包括粗略灌溉决策和粗略灌溉概率； 所述粗略灌溉概率为灌溉概率信息中粗略灌溉决策对 应的灌溉 概率； 将多个灌溉概率信息、 DS灌溉概率决策和粗略灌溉概率决策， 输入灌溉模型， 得到详细 灌溉决策。 6.根据权利要求5所述的一种 多源灌溉信 息融合决策方法， 其特征在于， 所述将多个灌 溉概率信息、 DS灌溉概率决策和粗略灌溉概率决策， 输入灌溉模型， 得到详细灌溉决策， 包 括： 基于DS灌溉概率决策， 将多个灌溉概率信息输入DS灌溉神经网络， 得到DS灌溉特征信 息； 基于粗略灌溉概率决策， 将多个灌溉概率信息输入粗略灌溉神经网络， 得到粗略灌溉 特征信息； 将多个灌溉 概率信息输入第一融合神经网络， 得到第一融合信息； 将DS灌溉特征信息、 粗略灌溉特征信 息和第一融合信息， 输入第二融合神经网络， 得到 详细灌溉决策。 7.根据权利要求6所述的一种 多源灌溉信 息融合决策方法， 其特征在于， 所述基于DS灌 溉概率决策， 将多个灌溉 概率信息输入DS灌溉神经网络， 得到D S灌溉特征信息， 包括： 将DS灌溉概率决策中的元 素进行分割， 得到多个D S详细灌溉 概率决策； 所述DS灌溉神经网络输入层的神经元个数为多个灌溉概率信 息的数量； 所述DS灌溉神 经网络输出层的神经 元个数为多个D S详细灌溉 概率决策的数量； 将多个灌溉概率信息输入DS灌溉神经网络， 得到DS灌溉特征信息； 所述DS灌溉特征信 息包括多个D S详细灌溉 概率决策的概 率。 8.根据权利要求6所述的一种 多源灌溉信 息融合决策方法， 其特征在于， 所述将多个灌 溉概率信息输入第一融合神经网络， 得到第一融合信息， 包括： 将DS灌溉概率决策中的元 素进行分割， 得到多个D S详细灌溉 概率决策； 所述第一融合神经网络输入层的神经元个数为多个灌溉概率信 息的数量； 所述第 一融 合神经网络输出层的神经元个数为DS灌溉概率决策中的元素进行分割的决策数量和粗略 灌溉概率决策中的元 素进行分割的决策 数量相加之和； 将多个灌溉概率信息输入第一融合神经网络， 得到第一融合信息； 所述第一融合信息 包括DS灌溉概率决策中的元素进行分割的决策和粗 略灌溉概率决策中的元素进行分割的 决策的概 率。 9.根据权利要求6所述的一种 多源灌溉信 息融合决策方法， 其特征在于， 所述将DS灌溉 特征信息、 粗略灌溉特征信息和第一融合信息， 输入第二融合神经网络， 得到详细灌溉决 策， 包括： 将DS灌溉特征信息、 粗略灌溉特征信息和第一融合信息， 通过全连接与第二融合神经权　利　要　求　书 2/3 页 3 CN 114708495 A 3