CN108710766B - 一种基于生长模型的温室植物水肥机调肥参数计算方法 - Google Patents
一种基于生长模型的温室植物水肥机调肥参数计算方法 Download PDFInfo
- Publication number
- CN108710766B CN108710766B CN201810517643.1A CN201810517643A CN108710766B CN 108710766 B CN108710766 B CN 108710766B CN 201810517643 A CN201810517643 A CN 201810517643A CN 108710766 B CN108710766 B CN 108710766B
- Authority
- CN
- China
- Prior art keywords
- plant
- growth
- stage
- image
- greenhouse
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000012010 growth Effects 0.000 title claims abstract description 112
- 239000003337 fertilizer Substances 0.000 title claims abstract description 44
- 238000004364 calculation method Methods 0.000 title claims abstract description 16
- 210000003608 fece Anatomy 0.000 title claims abstract description 14
- 239000007788 liquid Substances 0.000 title claims abstract description 14
- 239000010871 livestock manure Substances 0.000 title claims abstract description 14
- 239000002028 Biomass Substances 0.000 claims abstract description 38
- 230000008635 plant growth Effects 0.000 claims abstract description 25
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 23
- 230000035784 germination Effects 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 5
- 241000196324 Embryophyta Species 0.000 claims description 176
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 18
- 210000000056 organ Anatomy 0.000 claims description 15
- 235000015097 nutrients Nutrition 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 235000013399 edible fruits Nutrition 0.000 claims description 10
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 9
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 9
- 229910052757 nitrogen Inorganic materials 0.000 claims description 9
- 229910052698 phosphorus Inorganic materials 0.000 claims description 9
- 239000011574 phosphorus Substances 0.000 claims description 9
- 239000011591 potassium Substances 0.000 claims description 9
- 229910052700 potassium Inorganic materials 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 239000005312 bioglass Substances 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000001035 drying Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 230000003203 everyday effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000004720 fertilization Effects 0.000 abstract description 5
- 238000003909 pattern recognition Methods 0.000 abstract 1
- 241000227653 Lycopersicon Species 0.000 description 5
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000003911 water pollution Methods 0.000 description 2
- 208000002720 Malnutrition Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002924 energy minimization method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000001071 malnutrition Effects 0.000 description 1
- 235000000824 malnutrition Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Geometry (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Primary Health Care (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明一种基于生长模型的温室植物水肥机调肥参数计算方法，其包括以下步骤：步骤S1：将温室植物的生长过程分为发芽期、幼苗期、开花期和结果期四个阶段，分别建立生长模型；步骤S2：通过种植时间结合机器视觉特征识别将温室植物分为四个阶段；接着利用机器视觉测量获得几何信息输入前一阶段建立的植物生长模型得到评估出的生物质总量；步骤S3：对模型输出的生物质总量进行标准化操作；步骤S4：基于标准化生长期求取水肥配比基本参数；步骤S5：对水肥配比参数的实地精细微调。本发明采用植物生长模型和模式识别策略来判断其生长状态，可提高植物生长状态评价的准确性，改善自动化水肥机施肥的参数，提高温室植物的产量和质量。
Description
技术领域
本发明属于设施农业领域，具体涉及一种基于生长模型的温室植物水肥机调肥参数计算方法。
背景技术
温室大棚作为一种重要的农业设施在世界范围内被广泛使用，仅我国2008年至2013年间，温室栽培总面积就从81.3万hm2增加至187.4万hm2，年平均增长率为18.5％。大棚中的多种环境因素都能通过自动化系统进行控制与调节，从而使得作物的生长不受外界气温、降水等因素的干扰，具有较好的一致性和确定性。其主要优点包括：延长可种植时间、增加土地利用率、提高果品质量、防范病虫害等，而大棚植物质量受肥料管理影响较大。实现水肥的合理利用，提高肥料的使用率，是温室植物增产提质，降低种植成本，减少水污染和温室气体排放的关键技术。
温室植物的种植效益与其培养周期、品质以及栽培所需的成本密切相关。而栽培所施用水肥(营养液)的含量及配比则是影响大棚运行效益的重要因素之一。温室植物在其发芽、生长、开花、结果的不同阶段对所需的氮、磷、钾和其它微量元素的吸收量是不同的，若在每个生长阶段给予适量的施加则能较好满足植株的生长，提高果实或叶菜的品质。若施加的肥料元素不足则易引发植株营养不良，不挂果或少挂果，生长周期延长，产品品质下降；而过量的施肥，不但会造成肥料利用率下降，增加运营成本，剩余的肥料还会导致水污染和温室气体的排放。肥料的施加与植物的生长状态紧密联系，传统评估通常利用作物的生长时间来预测其生长状态。但出于建设成本考虑，现实中我国大部分温室对环境的调节能力都具有局限性，从而导致棚内作物的生长状态与种植时间呈现非线性关系。因此，仅采用种植时间来判断温室植物的生长状态将极不准确。
发明内容
本发明的目的是提供一种基于生长模型的温室植物水肥机调肥参数计算方法。
本发明采用以下技术方案：一种基于生长模型的温室植物水肥机调肥参数计算方法，其包括以下步骤：步骤S1：将温室植物的生长过程分为发芽期、幼苗期、开花期和结果期四个阶段，分别建立生长模型；每种植物的分阶段生长模型依据植物结构功能模型建立，除对植物生理学分析，也将温室内环境因素纳入其中；步骤S2：通过种植时间结合机器视觉特征识别将温室植物分为发芽期、幼苗期、开花期和结果期四个阶段；接着利用机器视觉测量获得几何信息输入前一阶段建立的植物生长模型得到评估出的生物质总量；步骤S3：对模型输出的生物质总量进行标准化操作，对应为以天计量的生长期；步骤S4：基于标准化生长期求取水肥配比基本参数；步骤S5：在确定了基本参数后，对水肥配比参数的实地精细微调，而调整项的内容通过样品植株的机器立体视觉分析结果来确定。
在本发明一实施例中，步骤S1的生长模型如下式所示：
上述模型在每个阶段中，将植物生长时间划分为小的等间距时间片，命名为生长周期并标记以序号i，其中B(i)为函数输出，表示模型评估输出的生物质总量biomass；E(i)为在生长周期内预估的平均生物质增长量，该参数依赖于植物种植的微环境；w为水资源利用效率；Sp是与植株树冠投影相关的特征表面积，该因素受到与植物密度相关的自我阴影和邻近竞争的影响；slw是特征叶片的重量；ta为叶片功能持续时间，直接用天来标记；tx b叶片伸展持续时间；Cb(i)是植株在该生长周期i中产生的叶片的数量；Tb(k)是年龄为k的叶片的下沉强度；D(i)为全部伸展器官在生长周期i中的下沉强度之和。
在本发明一实施例中，步骤S2中所述机器视觉采用两对双目视觉系统来获取样品植株的特征，即在一批温室植物中选取一两株作为样品进行在线视觉监测；两对双目视觉系统包括第一至第四相机；四个相机构成水平、垂直两组双目视觉影像，其中第一相机、第二相机为一组，构成垂直影像，第三相机、第四相机构为一组，成水平影像；垂直影像用于测量植株叶冠投影面积，水平影像用于计算植株叶片数量及测量叶片夹角。
进一步的，第一相机、第二相机采用大恒图像生产的高清工业数字相机与24mm镜头，相机悬挂于距离植株最高处60-100cm，基线为20cm，倾角为5°；第三相机、第四相机悬挂于水平距离植株60-100cm；基线为20cm，倾角为5°。
进一步的，获得双目图像后，通过相机标定、预处理、颜色空间转换、目标分割、特征点匹配、三维重构、几何测量、状态识别8个步骤来判别植株生长阶段。
在本发明一实施例中，步骤S2包括以下步骤：步骤S21：获得双目图像后，进行相机标定，并对获得的图像进行预处理；步骤S22：颜色空间转换包括以下步骤：按照下式将图像RGB颜色空间转换到色相不变的XYZ颜色空间，
并利用式下式进行标准化处理；
步骤S23：颜色空间转换后，通过直方图将植株图像从背景中分割出来；步骤S24：双目图像包括左右两幅图像；分别提取左右两幅图像的尺度不变特征变换点，并通过构建能量函数，寻找其最小值来实现特征点的最优匹配；能量函数为：
E(d)＝Ehue(d)+Esmooth(d)
其中局部值Ehue(d)评估的是两个匹配点色相的一致性程度，而全局值Esmooth(d)则表示了整个场景的平滑程度；通过解使E(d)值最小的最优化问题，来找到左右两幅图像SIFT特征点的最佳匹配；步骤S25：通过共面性约束方程来求取相机的方向参数，从而实现三维重构；共面性约束方程表示为：
其中ul与vl分别表示左右两幅图像的左图的两个坐标；ur与vr分别表示左右两幅图像的右图的两个坐标；(bx,by,bz)为基准向量，用来表示第二相机观测中心偏离第一相机观测中心的坐标值；R3×3为两幅图像的相对旋转参数矩阵；步骤S26：进行植株几何参数的测量，可测量的参数包括：植株高度、叶片覆盖面积以及各器官大小；其中植株高度通过测量植株底部到顶部最高点的垂直距离得到，叶片覆盖面积通过测量植株叶冠到xy平面的投影面积确定；植物器官的大小通过测量三维体积来获得；利用图像特征分清植物生长的发芽、幼苗、开花、结果四个阶段，通过图像搜索识别关键器官来完成的；如果图像搜索发现了植物花朵，则表明已进入了开花期；若发现了果实，则进入了结果期；根据植株叶片的数量和茎的高度来区分发芽与幼苗期；步骤S27：在分清了生长阶段后，将生长阶段和测量获得的几何参数输入步骤S1建立的植物生长模型，输出评估后的生物质总量。
在本发明一实施例中，步骤S3中通过每天拔取标准化植株并烘干计算生物质总量的办法，生成生物质变化标准特征曲线；对于待测量的植株，根据其生长模型输出的生物质总量的变化斜率，在标准特征曲线上进行近似匹配，选取误差最小的点作为匹配点，从而对应得到标准化后的生长期。
在本发明一实施例中，步骤S4中给予温室植物植株适度饱和的营养液，该营养液中各营养元素为适度饱和状态，足以满足植株的完全需求，但又不至于杀死植株；在生长周期的每一天中固定时刻拔取几株样品，通过生化实验方法测量其中氮、磷、钾的含量及比例，并取平均值，从而得到植物植株在每个生长阶段所需三种元素的比例以及粗略的含量。
在本发明一实施例中，步骤S5中通过自动化施肥系统，按步进值递增递减施肥量，并按之前确定的氮、磷、钾三种元素比例进行施加，采样植株进行观察，从而获得最适宜的施肥量，最后通过函数拟合获得最佳的施肥函数曲线。
与现有技术相比，本发明提出一种基于生长模型的温室植物水肥机调肥参数计算方法，采用植物生长模型和模式识别策略来判断其生长状态，可提高植物生长状态评价的准确性，从而改善自动化水肥机施肥的参数，提高温室植物的产量和质量。
附图说明
图1是本发明的调肥参数计算步骤框图。
图2是本发明温室植株双目立体视觉构建示意图。
图3是双目立体视觉下温室植株的三维测量及状态评估。
具体实施方式
下面结合附图和具体实施例对本发明做进一步解释说明。
一种基于生长模型的温室植物水肥机调肥参数计算方法，其包括以下步骤：步骤S1：将温室植物的生长过程分为发芽期、幼苗期、开花期和结果期四个阶段，将四个阶段分别标记为G1、G2、G3、G4分别建立生长模型；每种植物的分阶段生长模型依据植物结构功能模型建立，除对植物生理学分析，也将温室内环境因素纳入其中；步骤S2：通过种植时间结合机器视觉特征识别将温室植物分为发芽期、幼苗期、开花期和结果期四个阶段；接着利用机器视觉测量获得几何信息输入前一阶段建立的植物生长模型得到评估出的生物质总量；步骤S3：对模型输出的生物质总量进行标准化操作，对应为以天计量的生长期；步骤S4：基于标准化生长期求取水肥配比基本参数；步骤S5：在确定了基本参数后，对水肥配比参数的实地精细微调，而调整项的内容通过样品植株的机器立体视觉分析结果来确定。
在本发明一实施例中，步骤S1的生长模型如下式所示：
上述模型在每个阶段中，将植物生长时间划分为小的等间距时间片，命名为生长周期并标记以序号i，其中B(i)为函数输出，表示模型评估输出的生物质总量biomass；E(i)为在生长周期内预估的平均生物质增长量，该参数依赖于植物种植的微环境；w为水资源利用效率；Sp是与植株树冠投影相关的特征表面积，该因素受到与植物密度相关的自我阴影和邻近竞争的影响；slw是特征叶片的重量；ta为叶片功能持续时间，直接用天来标记；tx b叶片伸展持续时间；Cb(i)是植株在该生长周期i中产生的叶片的数量；Tb(k)是年龄为k的叶片的下沉强度；D(i)为全部伸展器官在生长周期i中的下沉强度之和。
在本发明一实施例中，步骤S2中所述机器视觉采用两对双目视觉系统来获取样品植株的特征，即在一批温室植物中选取一两株作为样品进行在线视觉监测；两对双目视觉系统包括第一至第四相机；四个相机构成水平、垂直两组双目视觉影像，其中第一相机、第二相机为一组，构成垂直影像，第三相机、第四相机构为一组，成水平影像；垂直影像用于测量植株叶冠投影面积，水平影像用于计算植株叶片数量及测量叶片夹角。
进一步的，第一相机、第二相机采用大恒图像生产的高清工业数字相机与24mm镜头，相机悬挂于距离植株最高处60-100cm，基线为20cm，倾角为5°；第三相机、第四相机悬挂于水平距离植株60-100cm；基线为20cm，倾角为5°。
进一步的，获得双目图像后，通过相机标定、预处理、颜色空间转换、目标分割、特征点匹配、三维重构、几何测量、状态识别8个步骤来判别植株生长阶段。
在本发明一实施例中，步骤S2包括以下步骤：步骤S21：获得双目图像后，进行相机标定，并对获得的图像进行预处理；步骤S22：颜色空间转换包括以下步骤：按照下式将图像RGB颜色空间转换到色相不变的XYZ颜色空间，
并利用式下式进行标准化处理；
步骤S23：颜色空间转换后，通过直方图将植株图像从背景中分割出来；步骤S24：双目图像包括左右两幅图像(一组双目立体视觉系统是由左右两个摄像机构成，这两个摄像机分别采集得到的图像即为“左右图像”)；分别提取左右两幅图像的尺度不变特征变换点，并通过构建能量函数，寻找其最小值来实现特征点的最优匹配；能量函数为：
E(d)＝Ehue(d)+Esmooth(d)
其中局部值Ehue(d)评估的是两个匹配点色相的一致性程度，而全局值Esmooth(d)则表示了整个场景的平滑程度；通过解使E(d)值最小的最优化问题，来找到左右两幅图像SIFT特征点的最佳匹配；
步骤S25：通过共面性约束方程来求取相机的方向参数，从而实现三维重构；共面性约束方程表示为：
其中ul与vl分别表示左右两幅图像的左图的两个坐标；ur与vr分别表示左右两幅图像的右图的两个坐标；(bx,by,bz)为基准向量，用来表示第二相机观测中心偏离第一相机观测中心的坐标值；R3×3为两幅图像的相对旋转参数矩阵；
步骤S26：进行植株几何参数的测量，可测量的参数包括：植株高度、叶片覆盖面积以及各器官大小；其中植株高度通过测量植株底部到顶部最高点的垂直距离得到，叶片覆盖面积通过测量植株叶冠到xy平面的投影面积确定；植物器官的大小通过测量三维体积来获得；利用图像特征分清植物生长的发芽、幼苗、开花、结果四个阶段，通过图像搜索识别关键器官来完成的；如果图像搜索发现了植物花朵，则表明已进入了开花期；若发现了果实，则进入了结果期；根据植株叶片的数量和茎的高度来区分发芽与幼苗期；步骤S27：在分清了生长阶段后，将生长阶段和测量获得的几何参数输入步骤S1建立的植物生长模型，输出评估后的生物质总量。
在本发明一实施例中，步骤S3中通过每天拔取标准化植株并烘干计算生物质总量的办法，生成生物质变化标准特征曲线；对于待测量的植株，根据其生长模型输出的生物质总量的变化斜率，在标准特征曲线上进行近似匹配，选取误差最小的点作为匹配点，从而对应得到标准化后的生长期。
在本发明一实施例中，步骤S4中给予温室植物植株适度饱和的营养液，该营养液中各营养元素为适度饱和状态，足以满足植株的完全需求，但又不至于杀死植株；在生长周期的每一天中固定时刻拔取几株样品，通过生化实验方法测量其中氮、磷、钾的含量及比例，并取平均值，从而得到植物植株在每个生长阶段所需三种元素的比例以及粗略的含量。
在本发明一实施例中，步骤S5中通过自动化施肥系统，按步进值递增递减施肥量，并按之前确定的氮、磷、钾三种元素比例进行施加，采样植株进行观察，从而获得最适宜的施肥量，最后通过函数拟合获得最佳的施肥函数曲线。
在本发明一具体实施例中，如附图1所示，本发明调肥参数计算步骤可分为以下四步：
1)将温室植物的生长过程分为发芽期、幼苗期、开花期和结果期四个阶段(分别标记为G1、G2、G3、G4)分别建立生长模型：每种植物的分阶段生长模型依据植物结构功能模型建立，其不单纯依靠植物生理学分析，也需将温室内环境因素(如温度、湿度、光照、二氧化碳浓度等)纳入其中，以形成较为完善的理论数学模型结构。例如，以下给出一种可供使用的温室植物生长模型表达式，但本发明所述生长模型并不仅限于此：
上述模型在每个阶段中，将植物生长时间划分为小的等间距时间片，命名为生长周期并标记以序号i，其中B(i)为函数输出，表示模型评估输出的生物质总量(biomass)；E(i)为在生长周期内预估的平均生物质增长量，该参数依赖于植物种植的微环境(如温度、风速、相对湿度、光照等情况)；w为水资源利用效率；Sp是与植株树冠投影相关的特征表面积，改因素受到与植物密度相关的自我阴影和邻近竞争的影响；slw是特征叶片的重量；ta为叶片功能持续时间，直接用天来标记；tx b叶片伸展持续时间；Cb(i)是植株在该生长周期i中产生的叶片的数量；Tb(k)是年龄为k的叶片的下沉强度；D(i)为全部伸展器官在生长周期i中的下沉强度之和。
2)通过种植时间结合机器立体视觉判断温室植株所处生长阶段，从而输入生长模型等到评估的生物质总量的输出：本阶段通过种植时间结合机器视觉特征识别将温室植物分为发芽期、幼苗期、开花期和结果期四个阶段；接着利用机器视觉测量获得几何信息输入前一阶段建立的植物生长模型得到评估出的生物质总量。
本发明机器视觉采用两对双目视觉系统来获取样品植株的特征，即在一批温室植物中选取一两株作为样品进行在线视觉监测，监测分析的结果作为该批所有植物的特征结果。如附图2所示，本发明采用四个相机构成水平、垂直两组双目视觉影像，其中相机1、相机2为一组构成垂直影像，相机3、相机4为一组构成水平影像。垂直影像有利于测量植株叶冠投影面积，而水平影像有利于计算植株叶片数量，测量叶片夹角等。针对垂直影像，本发明拟采用大恒图像生产的高清工业数字相机与24mm镜头，相机悬挂高度距离植株可能最高处60-100cm，基线为20cm，倾角为5°；针对水平影像，相机安放参数与垂直影像基本一致，只是相机朝向改为水平距离植株60-100cm。如附图3的流程所示，获得双目图像后，通过相机标定->预处理->颜色空间转换->目标分割->特征点匹配->三维重构->几何测量->状态识别8个步骤来判别植株生长阶段。
其中颜色空间转换是因为相机原始的RGB颜色空间容易受到现场光照变化的影响，为了增强图像的鲁棒性以便于后续分割，本发明拟用式(2)将图像RGB颜色空间转换到色相不变(hue-invariant)的XYZ颜色空间，并利用式(3)进行标准化处理。
颜色空间转换后，可通过直方图将植株图像从背景中分割出来。接着分别提取左右两幅图像的尺度不变特征变换点(Scale-invariant feature transform，SIFT)，并进行匹配，从而进一步实现双目视觉下的三维重构。本发明拟采用能量最小化方法实现SIFT特征点的匹配，即通过构建式(4)所示能量函数，寻找其最小值来实现特征点的最优匹配。其中局部值Ehue(d)评估的是两个匹配点色相的一致性程度，而全局值Esmooth(d)则表示了整个场景的平滑程度。本发明组通过解使E(d)值最小的最优化问题，来找到左右两幅图像SIFT特征点的最佳匹配。
E(d)＝Ehue(d)+Esmooth(d) (4)
获得特征点匹配后，本发明组拟利用式(5)的共面性约束方程来求取相机的方向参数，从而实现三维重构。其中ul与vl分别表示左图的两个坐标；ur与vr分别表示右图的两个坐标；(bx,by,bz)为基准向量，用来表示相机2观测中心偏离相机1观测中心的坐标值；R3×3为两幅图像的相对旋转参数矩阵。
三维重构后，就可以进行植株几何参数的测量了,可测量的参数包括：植株高度、叶片覆盖面积以及各器官大小等。植株高度通过测量植株底部到顶部最高点的垂直距离得到，叶片覆盖面积通过测量植株叶冠到xy平面的投影面积确定，而植物叶、茎、花、果实等器官的大小通过测量三维体积来获得。获得的几何参数是定量判断植物生长期所需的重要参数。除了几何参数外，植株图像所蕴含的形态、色泽、纹理等特征也可被用于辅助判断植株生长状态。
本发明首先利用图像特征分清植物生长的发芽、幼苗、开花、结果四个阶段，这主要是通过图像搜索识别关键器官来完成的。如果图像搜索发现了植物花朵，则表明已进入了开花期；若发现了果实，则进入了结果期；发芽与幼苗期不好区分，主要根据植株叶片的数量和茎的高度来区分。图像中花或果实的识别可通过多种方法实现，如模板匹配法、纹理描述因子(包括形状上下文shape context、局部二元模型LBP、SURF特征等)匹配法。在分清了生长阶段后，本发明将生长阶段和测量获得的几何参数输入1)阶段建立的植物生长模型，输出评估后的生物质总量。
3)对模型输出的生物质总量进行标准化操作，对应为以天计量的生长期：因生物质总量难以与植株的外部形态特征相对应，也不利于水肥调配，故需要将其标准化对应为以天计量的生长期。以温室番茄为例，一般情况下番茄发芽期约4-6天，幼苗期30天，开花期约30天，结果期约80-200天，但随着番茄品种、外界温度、光照环境的不同，发芽、幼苗、开花与结果期所用的时间也将有较大变化。出于简化模型考虑，不妨选择发芽期为6天，幼苗期为30天，开花期为30天，结果期为120天的植株为标准化植株，通过每天拔取标准化植株并烘干计算生物质总量的办法，生成生物质变化标准特征曲线。对于待测量的植株，根据其生长模型输出的生物质总量的变化斜率，在标准特征曲线上进行近似匹配，选取误差最小的点作为匹配点，从而对应得到标准化后的生长期。本发明拟用x p x d的形式表示生长期，其中p表示阶段，用1、2、3、4分别表示发芽、幼苗、开花与结果四个时期，d表示具体天数，如幼苗期中的第三天则可表示为2p3d。经过标准化约定后，番茄的生长期即可用生物质总量和标准化生长期两个量来综合表示。
4)基于标准化生长期求取水肥配比基本参数：在得到植物对应的标准化生长期后，需要得到标准化生长期与水肥需求间的映射关系，即对应生长状态下的水肥需求参数。本发明通过粗略比例检测与精细参数调节来获得数据。在粗略比例检测阶段，给予温室植物植株适度饱和的营养液，该营养液中各营养元素为适度饱和状态，足以满足植株的完全需求，但又不至于杀死植株。在生长周期的每一天中固定时刻拔取几株样品，通过生化实验方法测量其中氮、磷、钾的含量及比例，并取平均值，从而得到植物植株在每个生长阶段所需三种元素的比例以及粗略的含量，该阶段的主要任务是确定施肥比例。在接下来的精细参数调整阶段，通过自动化施肥系统，按步进值递增递减施肥量，并按之前确定的三大肥料比例进行施加，采样植株进行观察，从而获得最适宜的施肥量，最后通过函数拟合获得最佳的施肥函数曲线。以温室番茄为例，通过本方法获得的氮、磷、钾施肥比例为幼苗期25:8:12，开花期25:9:16，结果期18:7:25。
5)水肥配比参数的实地精细微调:在确定了基本参数后，实际使用中，植物植株因生长速度及病虫害影响等，所需水肥配比可能小幅度偏离基本值，这时需因地制宜做出精细调整，而调整项的内容主要是通过样品植株的机器立体视觉分析结果来确定的。
上述实施例仅供说明本发明之用，本技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变化，因此，所有等同的技术方案也应该属于本发明的范畴。
Claims (7)
1.一种基于生长模型的温室植物水肥机调肥参数计算方法，其特征在于：包括以下步骤：
步骤S1：将温室植物的生长过程分为发芽期、幼苗期、开花期和结果期四个阶段，分别建立生长模型；每种植物的分阶段生长模型依据植物结构功能模型建立，除对植物生理学分析，也将温室内环境因素纳入其中；
步骤S2：通过种植时间结合机器视觉特征识别将温室植物分为发芽期、幼苗期、开花期和结果期四个阶段；接着利用机器视觉测量获得几何信息输入前一阶段建立的植物生长模型得到评估出的生物质总量；
步骤S3：对模型输出的生物质总量进行标准化操作；
步骤S4：基于标准化生长期求取水肥配比基本参数；
步骤S5：在确定了基本参数后，对水肥配比参数的实地微调；
步骤S3中通过每天拔取标准化植株并烘干计算生物质总量的办法，生成生物质变化标准特征曲线；对于待测量的植株，根据其生长模型输出的生物质总量的变化斜率，在标准特征曲线上进行近似匹配，选取误差最小的点作为匹配点，从而对应得到标准化后的生长期；
步骤S4中给予温室植物植株适度饱和的营养液，该营养液中各营养元素为适度饱和状态，足以满足植株的完全需求，但又不至于杀死植株；在生长周期的每一天中固定时刻拔取几株样品，通过生化实验方法测量其中氮、磷、钾的含量及比例，并取平均值，从而得到植物植株在每个生长阶段所需三种元素的比例以及粗略的含量。
2.根据权利要求1所述的基于生长模型的温室植物水肥机调肥参数计算方法，其特征在于：
步骤S1的生长模型如下式所示：
上述模型在每个阶段中，将植物生长时间划分为小的等间距时间片，命名为生长周期并标记以序号i，其中B(i)为函数输出，表示模型评估输出的生物质总量biomass；E(i)为在生长周期内预估的平均生物质增长量，该参数依赖于植物种植的微环境；w为水资源利用效率；Sp是与植株树冠投影相关的特征表面积，该因素受到与植物密度相关的自我阴影和邻近竞争的影响；slw是特征叶片的重量；ta为叶片功能持续时间，直接用天来标记；tx b叶片伸展持续时间；Cb(i)是植株在该生长周期i中产生的叶片的数量；Tb(k)是年龄为k的叶片的下沉强度；D(i)为全部伸展器官在生长周期i中的下沉强度之和。
3.根据权利要求1所述的基于生长模型的温室植物水肥机调肥参数计算方法，其特征在于：步骤S2中所述机器视觉采用两对双目视觉系统来获取样品植株的特征，即在一批温室植物中选取一两株作为样品进行在线视觉监测；两对双目视觉系统包括第一至第四相机；四个相机构成水平、垂直两组双目视觉影像，其中第一相机、第二相机为一组，构成垂直影像，第三相机、第四相机构为一组，成水平影像；垂直影像用于测量植株叶冠投影面积，水平影像用于计算植株叶片数量及测量叶片夹角。
4.根据权利要求3所述的基于生长模型的温室植物水肥机调肥参数计算方法，其特征在于：第一相机、第二相机采用大恒图像生产的高清工业数字相机与24mm镜头，相机悬挂于距离植株最高处60-100cm，基线为20cm，倾角为5°；第三相机、第四相机悬挂于水平距离植株60-100cm；基线为20cm，倾角为5°。
5.根据权利要求3所述的基于生长模型的温室植物水肥机调肥参数计算方法，其特征在于：获得双目图像后，通过相机标定、预处理、颜色空间转换、目标分割、特征点匹配、三维重构、几何测量、状态识别8个步骤来判别植株生长阶段。
6.根据权利要求5所述的基于生长模型的温室植物水肥机调肥参数计算方法，其特征在于：步骤S2包括以下步骤：
步骤S21：获得双目图像后，进行相机标定，并对获得的图像进行预处理；
步骤S22：颜色空间转换包括以下步骤：按照下式将图像RGB颜色空间转换到色相不变的XYZ颜色空间，
并利用式下式进行标准化处理；
步骤S23：颜色空间转换后，通过直方图将植株图像从背景中分割出来；
步骤S24：双目图像包括左右两幅图像；分别提取左右两幅图像的尺度不变特征变换点，并通过构建能量函数，寻找其最小值来实现特征点的最优匹配；能量函数为：
E(d)＝Ehue(d)+Esmooth(d)
其中局部值Ehue(d)评估的是两个匹配点色相的一致性程度，而全局值Esmooth(d)则表示了整个场景的平滑程度；通过解使E(d)值最小的最优化问题，来找到左右两幅图像SIFT特征点的最佳匹配；
步骤S25：通过共面性约束方程来求取相机的方向参数，从而实现三维重构；共面性约束方程表示为：
其中ul与vl分别表示左右两幅图像的左图的两个坐标；ur与vr分别表示左右两幅图像的右图的两个坐标；(bx，by，bz)为基准向量，用来表示第二相机观测中心偏离第一相机观测中心的坐标值；R3×3为两幅图像的相对旋转参数矩阵；
步骤S26：进行植株几何参数的测量，可测量的参数包括：植株高度、叶片覆盖面积以及各器官大小；其中植株高度通过测量植株底部到顶部最高点的垂直距离得到，叶片覆盖画积通过测量植株叶冠到xy平面的投影面积确定；植物器官的大小通过测量三维体积来获得；利用图像特征分清植物生长的发芽、幼苗、开花、结果四个阶段，通过图像搜索识别关键器官来完成的；如果图像搜索发现了植物花朵，则表明已进入了开花期；若发现了果实，则进入了结果期；根据植株叶片的数量和茎的高度来区分发芽与幼苗期；
步骤S27：在分清了生长阶段后，将生长阶段和测量获得的几何参数输入步骤S1建立的植物生长模型，输出评估后的生物质总量。
7.根据权利要求1所述的基于生长模型的温室植物水肥机调肥参数计算方法，其特征在于：步骤S5中通过自动化施肥系统，按步进值递增递减施肥量，并按之前确定的氮、磷、钾三种元素比例进行施加，采样植株进行观察，从而获得最适宜的施肥量，最后通过函数拟合获得最佳的施肥函数曲线。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810517643.1A CN108710766B (zh) | 2018-05-25 | 2018-05-25 | 一种基于生长模型的温室植物水肥机调肥参数计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810517643.1A CN108710766B (zh) | 2018-05-25 | 2018-05-25 | 一种基于生长模型的温室植物水肥机调肥参数计算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108710766A CN108710766A (zh) | 2018-10-26 |
| CN108710766B true CN108710766B (zh) | 2022-06-21 |
Family
ID=63870626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810517643.1A Active CN108710766B (zh) | 2018-05-25 | 2018-05-25 | 一种基于生长模型的温室植物水肥机调肥参数计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108710766B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112930926A (zh) * | 2021-01-28 | 2021-06-11 | 电凯(常州)新能源技术研究院有限公司 | 一种基于深度学习的植物生产参数调优方法 |
| CN113406075B (zh) * | 2021-06-08 | 2024-06-25 | 内蒙古工业大学 | 植物生长环境的设置方法和植物生长监测装置 |
| CN113962075A (zh) * | 2021-10-14 | 2022-01-21 | 华翔翔能科技股份有限公司 | 农业种植温室系统的能量管控方法 |
| CN114324336B (zh) * | 2021-12-31 | 2022-09-13 | 四川农业大学 | 一种大豆全生育期生物量无损测量方法 |
| CN114946447A (zh) * | 2022-05-25 | 2022-08-30 | 宁波云笈科技有限公司 | 一种基于人工智能的植物生长参数决策方法和系统 |
| WO2024121837A1 (en) * | 2022-12-07 | 2024-06-13 | Yevul Info Ltd. | System and method for controlling fertilization levels |
| CN116050586B (zh) * | 2022-12-21 | 2023-09-05 | 浙江甲骨文超级码科技股份有限公司 | 一种空间气象协同草莓农业一体化种植系统及方法 |
| CN117331392B (zh) * | 2023-12-01 | 2024-03-12 | 凯盛浩丰农业集团有限公司 | 一种用于智能温室的环境管理系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130133411A (ko) * | 2012-05-29 | 2013-12-09 | 성균관대학교산학협력단 | 이파리 영상 자동인식을 이용한 식물 분류 방법 및 시스템 |
| CN104006760A (zh) * | 2014-05-12 | 2014-08-27 | 上海交通大学 | 植株生长发育三维几何形态连续监测装置及方法 |
| KR20160086079A (ko) * | 2015-01-09 | 2016-07-19 | 한국전자통신연구원 | 작물 생육에 대한 최적 환경 정보를 이용한 온실 환경 제어 및 생산량 예측 장치 및 방법 |
| CN105842398A (zh) * | 2016-03-29 | 2016-08-10 | 福建农林大学 | 一种植物生长肥料消耗分析装置及方法 |
| WO2016180245A1 (zh) * | 2015-05-14 | 2016-11-17 | 中国科学院上海生命科学研究院 | 一种计算冠层光合速率的方法 |
| CN107944596A (zh) * | 2017-10-20 | 2018-04-20 | 上海交通大学 | 一种基于物联网的甜瓜生长管理专家系统 |
-
2018
- 2018-05-25 CN CN201810517643.1A patent/CN108710766B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130133411A (ko) * | 2012-05-29 | 2013-12-09 | 성균관대학교산학협력단 | 이파리 영상 자동인식을 이용한 식물 분류 방법 및 시스템 |
| CN104006760A (zh) * | 2014-05-12 | 2014-08-27 | 上海交通大学 | 植株生长发育三维几何形态连续监测装置及方法 |
| KR20160086079A (ko) * | 2015-01-09 | 2016-07-19 | 한국전자통신연구원 | 작물 생육에 대한 최적 환경 정보를 이용한 온실 환경 제어 및 생산량 예측 장치 및 방법 |
| WO2016180245A1 (zh) * | 2015-05-14 | 2016-11-17 | 中国科学院上海生命科学研究院 | 一种计算冠层光合速率的方法 |
| CN105842398A (zh) * | 2016-03-29 | 2016-08-10 | 福建农林大学 | 一种植物生长肥料消耗分析装置及方法 |
| CN107944596A (zh) * | 2017-10-20 | 2018-04-20 | 上海交通大学 | 一种基于物联网的甜瓜生长管理专家系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于发育阶段的日光温室有机基质栽培番茄水肥一体化技术;黄绍文 等;《中国果菜》;20171231;第37卷(第9期);159-162、166 * |
| 温室番茄水肥耦合数学模型及其优化方案研究;陈修斌 等;《南京农业大学学报》;20061231;第29卷(第3期);138-141 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108710766A (zh) | 2018-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108710766B (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
| CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
| CN105678281B (zh) | 基于光谱和纹理特征的地膜覆盖农田遥感监测方法 | |
| CN102564593B (zh) | 基于计算机视觉及物联网的植物生长状况监测系统 | |
| Tardáguila et al. | Variations of soil properties affect the vegetative growth and yield components of “Tempranillo” grapevines | |
| CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
| CN109614891A (zh) | 基于物候学和遥感的农作物识别方法 | |
| CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
| Chang et al. | Quantifying muskmelon fruit attributes with A-TEP-based model and machine vision measurement | |
| CN109757175A (zh) | 一种基于无人机监测的玉米水肥一体化变量施肥方法 | |
| Ozdemir et al. | Precision Viticulture tools to production of high quality grapes. | |
| CN110024648A (zh) | 基于深度神经网络的川贝母精准种植方法 | |
| Kim et al. | Growth monitoring of field-grown onion and garlic by CIE L* a* b* color space and region-based crop segmentation of UAV RGB images | |
| CN105678280B (zh) | 基于纹理特征的地膜覆盖农田遥感监测方法 | |
| González-Fernández et al. | Vineyard zone delineation by cluster classification based on annual grape and vine characteristics | |
| CN114219227A (zh) | 一种精准施肥决策及地块级展示方法和系统 | |
| CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN117456523A (zh) | 作物种类识别方法、装置、电子设备及介质 | |
| CN110210376A (zh) | 一种基于深度学习的高分遥感影像西北地区农膜提取方法 | |
| Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
| Bryan et al. | Lettuce Root Development and Monitoring System Using Machine Learning in Hydroponics | |
| Berger et al. | Applications of high-throughput plant phenotyping to study nutrient use efficiency | |
| Hall et al. | A method for extracting detailed information from high resolution multispectral images of vineyards | |
| Shuai et al. | Image segmentation of field rape based on template matching and K-means clustering |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240617 Address after: Room 22205-22206, 22nd Floor, Yuecheng Jinzuo, No. 269 Renmin West Road, Tancheng Street, Jianyang District, Nanping City, Fujian Province, 354200 Patentee after: Jingyi (Fujian) Technology Development Co.,Ltd. Country or region after: China Address before: No. 15, Cangshan District, Fujian, Fuzhou, Fujian Patentee before: FUJIAN AGRICULTURE AND FORESTRY University Country or region before: China |