CN109284771A - 一种番茄生长模型判定方法及装置 - Google Patents

Abstract

本发明提供一种番茄生长模型判定方法及装置，该方法包括获取番茄的待分类图像；将待分类图像输入深度卷积神经网络模型，输出番茄对应的生长模型类别；深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。本发明提供的番茄生长模型判定方法及装置，获取番茄的待分类图像，将待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别。本发明采用基于机器学习和深度学习的深度卷积神经网络对图像分类，得到番茄对应的生长模型类别，在增加训练样本的数目的同时，分类更加的准确和高效。

Description

一种番茄生长模型判定方法及装置

技术领域

本发明涉及番茄种植技术领域，更具体的，涉及一种番茄生长模型判定方法及装置。

背景技术

番茄属于温室栽培蔬菜，番茄的生长发育主要依靠水肥的大量投入来提高产量，不合理的灌水和施肥不仅造成水资源和肥料的浪费，还导致番茄发病率高、品质下降、土壤硝酸盐淋失、微量元素缺乏及环境污染。在番茄的栽培过程中合理的使用水肥含量尤为重要，可高效栽培产量高、品质优的番茄。

番茄在其生长过程中，不同的生长时期不同的生长模型下所呈现的形态多样，颜色变化丰富、重叠遮挡严重、环境背景复杂，用传统方法识别的技术难度较大，很难用一种方法同时识别出所有的特征。

发明内容

本发明为解决番茄生长模型判定过程复杂的缺陷，提供一种番茄生长模型判定方法及装置。

第一方面，本发明提供一种番茄生长模型判定方法，包括：

获取番茄的待分类图像；

将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

优选的，番茄生长模型判定方法还包括：

将所述番茄对应的生长模型，与预先分析得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量；其中，所述生长模型的参数包括生长期、灌水量和施肥量。

优选的，所述深度卷积神经网络模型的获得过程包括：

采集番茄在各生长模型下的样本图像，将所述样本图像中番茄的花、果、茎特征进行标注，选取其中番茄的花、果、茎具有显著特征的样本图像作为训练样本；

根据所述训练样本及其对应的生长模型类别，对深度卷积神经网络进行训练，获得深度卷积神经网络模型。

优选的，所述获取番茄的待分类图像具体包括：

计算机对摄像头发出取样指令，摄像头启动拍摄番茄培养基区域，获取番茄照片；

通过摄像头将拍摄到的番茄照片数据传输到计算机中，作为番茄的待分类图像；

其中，所述番茄置于番茄培养基内，所述番茄培养基的上方安装有摄像头，所述计算机与摄像头相连。

优选的，所述摄像头的外部安装有防水保护罩，所述摄像头为可旋转摄像头。

第二方面，本发明提供一种番茄生长模型判定装置，包括：

获取模块，用于获取番茄的待分类图像；

判定模块，用于将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

优选的，番茄生长模型判定装置还包括：

调整模块，用于将所述番茄对应的生长模型，与预先分析得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量；其中，所述生长模型的参数包括生长期、灌水量和施肥量。

优选的，所述获取模块具体用于：

计算机对摄像头发出取样指令，摄像头启动拍摄番茄培养基区域，获取番茄照片；

通过摄像头将拍摄到的番茄照片数据传输到计算机中，作为番茄的待分类图像；

其中，所述番茄置于番茄培养基内，所述番茄培养基的上方安装有摄像头，所述计算机与摄像头相连。

第三方面，本发明提供一种番茄生长模型判定设备，包括：

至少一个处理器；以及

与处理器通信连接的至少一个存储器，其中：

存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的番茄生长模型判定方法。

第四方面，本发明提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种可能的实现方式中任一种可能的实现方式所提供的番茄生长模型判定方法。

本发明提供的番茄生长模型判定方法及装置，获取番茄的待分类图像，将待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别。本发明采用基于机器学习和深度学习的深度卷积神经网络对图像分类，得到番茄对应的生长模型类别，在增加训练样本的数目的同时，分类更加的准确和高效。

应当理解的是，以上的一般描述和后文的细节描述是示例性和解释性的，并不能限制本发明实施例。

附图说明

图1为根据本发明实施例提供的番茄生长模型判定方法的流程示意图；

图2为根据本发明实施例提供的番茄培养基的结构示意图；

图3为根据本发明实施例提供的番茄生长模型判定装置的结构框图；

图中，1.横梁支架；2.弯曲支架；3.防水保护罩；4.摄像头；5.计算机；6.番茄培养基。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一模块实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为根据本发明实施例提供的番茄生长模型判定方法的流程示意图，参照图1，该方法包括：

步骤101，获取番茄的待分类图像；

具体地，本实施例中，若干番茄置于番茄培养基6中。图2为根据本发明实施例提供的番茄培养基的结构示意图。所述番茄培养基6 的上方安装有摄像头4，计算机5与摄像头4相连。番茄培养基6的四个角安装有承载装置，承载装置包括横梁支架1和防水保护罩3，所述防水保护罩3通过弯曲支架2固定到横梁支架1上，用于防止摄像头4受到环境因素的干扰，防腐蚀。

摄像头4的外部安装有防水保护罩3，防止摄像头4拍照过程受到喷水灌溉以及环境因素的干扰。所述摄像头4为可旋转摄像头。

优选的，在摄像头4采集图像时，通过计算机5固定摄像头4的采集频率，摄像头4进行360°旋转，全方位的采集番茄的图像，保证图像的质量。

作为优选方案，防水保护罩3为高清透明玻璃，不影响摄像头4 的拍照效果，减少外界环境对摄像头4的损坏，摄像头4可以透过高清透明玻璃罩对番茄培养区域进行图像采集。将摄像头4拍摄的番茄照片作为番茄的待分类图像。采用高清玻璃防水罩保护摄像头4，可增加摄像头4的寿命，拍摄的图像更加清晰。

本实施例利用计算机5全程分析拍摄到的图像和实时记录番茄不同生长期不同生长模型下的生长情况，不仅减少了人力物力、节省了成本，而且更加有效和准确的对番茄不同生长期水肥耦合因素的控制，提高了番茄的产量和品质，提升了经济效益。

步骤102，将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

在执行步骤102之前，可以预先训练得到深度卷积神经网络模型。

本实施例中，番茄生长模型的参数包括生长期、灌水量和施肥量。首先确定番茄的生长期，番茄的生长期分为四个阶段：苗期(大约 20天左右)、开花坐果期(大约20天左右)、果实膨大期(大约20 天左右)和采收期(大约60天左右)。灌水量分为低水、中水和高水；施肥量包括低肥、中肥和高肥。确定“高”和“低”的标准，“高”是相对于“中”的基础上上浮30％，“低”是相对于“中”的基础上下降30％。由此可知，本实施例中，番茄的生长模型分为4×3×3＝36类。

设计36个番茄培养基6，每9个为一组确定其生长时期，在该模型下培养番茄，依据每个生长时期的间隔不同，设计每天取一次数据，包含灌水量、施肥量、番茄花、果、茎的颜色和直径，拍摄番茄在不同生长时期不同生长模型下的图像，将这些图像作为神经网络的训练对象。

基于番茄样本图像及其对应的生长模型类别进行训练，得到深度卷积神经网络模型。深度卷积神经网络模型的获得过程包括：采集番茄在各生长模型下的样本图像，将所述样本图像中番茄的花、果、茎特征进行标注，选取其中番茄的花、果、茎具有显著特征的样本图像作为训练样本；根据所述训练样本及其对应的生长模型类别，对深度卷积神经网络进行训练，获得深度卷积神经网络模型。

深度卷积神经网络在特征识别相关任务中取得的效果，远比传统的方法好，深度卷积神经网络常用于图像识别、语音识别等。深度卷积神经网络的卷积层采用各种卷积和对出入的图片卷积处理，卷积操作具有平移不变性，能够支持神经元学习到鲁棒性比较高的特征。池化层采样操作，在每个特定的小区域内选取最大值作为输出值，可达到一定空间的不变性效果。神经网络中的激励函数，刺激神经元。损失函数，在训练阶段，用于评估网络输出结果与实际值的差异。然后用损失函数的值更新每个神经元之间的权重值。

深度卷积神经网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已经人工标注好的大量样本数据对卷积网络加以训练，网络就具有输入输出对之间的映射能力。卷积网络执行的是有导师训练，所以其样本集是由形如：(输入向量，理想输出向量)的向量对构成的。

本发明所设计的深度卷积神经网络是改进的Fast R-CNN神经网络，其原理是：建立一个全连接的卷积网络(RPN)，通过end-to-end 的方式训练出来高质量的regionproposal，然后将Fast R-CNN训练好的卷积特征和Fast R-CNN通过attention model共享，其中Fast R-CNN 中用RoI Pooling取代分类网络的最后一个池化层，对图像进行一次连续卷积操作，实现端到端的训练和测试。

将步骤101获得的待分类图像输入深度卷积神经网络模型中，输出番茄对应的生长模型类别。

本发明实施例提供的番茄生长模型判定方法，获取番茄的待分类图像，将待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别。本发明采用基于机器学习和深度学习的深度卷积神经网络对图像分类，得到番茄对应的生长模型类别，在增加训练样本的数目的同时，分类更加的准确和高效。

在上述实施例的基础上，在将待分类图像输入深度卷积神经网络模型，输出番茄对应的生长模型类别之后，该方法还包括：

将所述番茄对应的生长模型，与预先分析得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量；其中，所述生长模型的参数包括生长期、灌水量和施肥量。

其中，在执行该步骤之前，可以预先分析得到的番茄各生长期对应的最优生长模型。采集番茄在各生长期的灌水量和施肥量的数据，对这些数据分析处理，利用最小二乘回归原理，借助SPSS软件求出番茄在不同生长期对应的最优的生长模型。

具体计算方法与过程如下：

设番茄的灌水量为x₁，施肥量为x₂，生长速率为y。将生长速率与水肥两个因子的关系用二元二次多项式进行拟合。

建立包含交叉项的生长函数模型：

收集n组独立观测值，x_i1,x_i2,y_i(i＝1,2,…,n)

β₀,β₁,β₂,β₃,β₄,β₅是自变量和因变量之间对应的参数(利用最小二乘回归原理，借助SPSS软件可求出β₀,β₁,β₂,β₃,β₄,β₅的值)。

对n个有限样本建立多元回归模型：

Y＝Xβ+ε(ε为残余误差)

ε～N_n(0,σ²l_n)(ε满足正态分布)

参数的最小二乘法估计：令

各β_i的最小二乘估计应该满足：

由于Q(β₀,β₁,β₂,β₃,β₄,β₅)是β₀,β₁,β₂,β₃,β₄,β₅的非负二次式，且关于β₀,β₁,β₂,β₃,β₄,β₅均可微，因而根据微积分原理，是下列方程组的解：

通过整理，可用矩阵表示为：

当(X′X)^-1存在时，其最小估计为：

从而得到该模型的各项系数：

β₀,β₁,β₂,β₃,β₄,β₅，再求得复相关检验R²和R，最后求得显著性检验F，最终可得番茄的最优生长模型。

进一步地，将步骤102中，通过番茄的待分类图像得出的生长模型，与上述通过计算得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量。番茄不同生长时期对水分和肥料所需不同，在苗期、开花结果期、果实膨大期和采收期都是中水中肥有助于番茄的生长。其他几种情况中水低肥、中水高肥、低水中肥、低水低肥、低水高肥、高水中肥、高水低肥、高水高肥都会对番茄的生长发育造成危害，降低产量和品质，所以需要番茄的灌水量和施肥量，促进番茄的生长发育。

本发明实施例采用最小二乘法估计番茄不同生长期水肥耦合的最优参数，是一种方差最小的估计，具有很强的优良性，模型稳定可靠，拟合结果具有较高的精度。本发明计算番茄最优生长模型并确定最优生长模型中灌水量和施肥量的准确参数，在番茄生长过程中对其生长模型进行调控，实现番茄生长发育的最优条件，促进其生长，提高产量和品质。

在上述各实施例的基础上，步骤101中，获取番茄的待分类图像具体包括：

计算机5对摄像头4发出取样指令，摄像头4启动拍摄番茄培养基6区域，获取番茄照片。通过摄像头4将拍摄到的番茄照片数据传输到计算机5中，作为番茄的待分类图像。其中，所述番茄置于番茄培养基6内，所述番茄培养基6的上方安装有摄像头4，所述计算机 5与摄像头4相连。

具体地，如图2所示，四台摄像头4同时采集，全方位的对番茄培养基6进行拍摄，主要原因是避免机器误差造成的分类效果的下降。

具体实现步骤如下：

(a)计算机5设置时间任务时间间隔24小时；

(b)计算机5发出指令，令摄像头4对番茄培养基6区域拍照；

(c)为了防止摄像头4拍摄的照片效果不好，四台摄像头4同时拍摄，固定拍摄时间和频率，取特征明显质量较好的照片；

(d)摄像头4拍照后，照片通过数据线传回计算机5。

图3为根据本发明实施例提供的番茄生长模型判定装置的结构框图，如图3所示，该装置包括获取模块301和判定模块302，其中：

获取模块301用于获取番茄的待分类图像。判定模块302用于将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

具体地，本实施例中，若干番茄置于番茄培养基6中。图2为根据本发明实施例提供的番茄培养基的结构示意图。所述番茄培养基6 的上方安装有摄像头4，番茄培养基6地的四个角固定安装有支架，计算机5与摄像头4相连。摄像头4的外部安装有防水保护罩3，防止摄像头4拍照过程受到喷水灌溉以及环境因素的干扰。所述摄像头 4为可旋转摄像头。

优选的，在摄像头4采集图像时，通过计算机5固定摄像头4的采集频率，摄像头进行360°旋转，全方位的采集番茄的图像，保证图像的质量。

作为优选方案，防水保护罩3为高清透明玻璃，不影响摄像头4 的拍照效果，减少外界环境对摄像头4的损坏，摄像头4可以透过高清透明玻璃罩对番茄培养区域进行图像采集。

获取模块301将摄像头4拍摄的番茄照片作为番茄的待分类图像。采用高清玻璃防水罩保护摄像头4，可增加摄像头4的寿命，拍摄的图像更加清晰。

本实施例利用计算机全程分析拍摄到的图像和实时记录番茄不同生长期不同生长模型下的生长情况，不仅减少了人力物力、节省了成本，而且更加有效和准确的对番茄不同生长期水肥耦合因素的控制，提高了番茄的产量和品质，提升了经济效益。

进一步地，预先训练得到深度卷积神经网络模型。本实施例中，番茄生长模型的参数包括生长期、灌水量和施肥量。首先确定番茄的生长期，番茄的生长期分为四个阶段：苗期(大约20天左右)、开花坐果期(大约20天左右)、果实膨大期(大约20天左右)和采收期(大约60天左右)。灌水量分为低水、中水和高水；施肥量包括低肥、中肥和高肥。确定“高”和“低”的标准，“高”是相对于“中”的基础上上浮30％，“低”是相对于“中”的基础上下降30％。由此可知，本实施例中，番茄的生长模型分为4×3×3＝36类。

设计36个番茄培养基6，每9个为一组确定其生长时期，在该模型下培养番茄，依据每个生长时期的间隔不同，设计每天取一次数据，包含灌水量、施肥量、番茄花、果、茎的颜色和直径，拍摄番茄在不同生长时期不同生长模型下的图像，将这些图像作为神经网络的训练对象。

基于番茄样本图像及其对应的生长模型类别进行训练，得到深度卷积神经网络模型。深度卷积神经网络模型的获得过程包括：采集番茄在各生长模型下的样本图像，将所述样本图像中番茄的花、果、茎特征进行标注，选取其中番茄的花、果、茎具有显著特征的样本图像作为训练样本；根据所述训练样本及其对应的生长模型类别，对深度卷积神经网络进行训练，获得深度卷积神经网络模型。

判定模块302将步骤101获得的待分类图像输入深度卷积神经网络模型中，输出番茄对应的生长模型类别。

本发明实施例提供的番茄生长模型判定装置，获取番茄的待分类图像，将待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别。本发明采用基于机器学习和深度学习的深度卷积神经网络对图像分类，得到番茄对应的生长模型类别，在增加训练样本的数目的同时，分类更加的准确和高效。

优选的，番茄生长模型判定装置还包括：

调整模块303，用于将所述番茄对应的生长模型，与预先分析得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量；其中，所述生长模型的参数包括生长期、灌水量和施肥量。

其中，在调整模块303运行之前，预先分析得到的番茄各生长期对应的最优生长模型。采集番茄在各生长期的灌水量和施肥量的数据，对这些数据分析处理，利用最小二乘回归原理，借助SPSS软件求出番茄在不同生长期对应的最优的生长模型。具体计算过程在上述方法实施例中已详细说明，在此不再赘述。

进一步地，将所述番茄对应的生长模型，与上述通过计算得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量。番茄不同生长时期对水分和肥料所需不同，在苗期、开花结果期、果实膨大期和采收期都是中水中肥有助于番茄的生长。其他几种情况中水低肥、中水高肥、低水中肥、低水低肥、低水高肥、高水中肥、高水低肥、高水高肥都会对番茄的生长发育造成危害，降低产量和品质，所以需要番茄的灌水量和施肥量，促进番茄的生长发育。

本发明实施例采用最小二乘法估计番茄不同生长期水肥耦合的最优参数，是一种方差最小的估计，具有很强的优良性，模型稳定可靠，拟合结果具有较高的精度。本发明计算番茄最优生长模型并确定最优生长模型中灌水量和施肥量的准确参数，在番茄生长过程中对其生长模型进行调控，实现番茄生长发育的最优条件，促进其生长，提高产量和品质。

在上述各实施例的基础上，获取模块301具体用于：

计算机5对摄像头发出取样指令，摄像头启动拍摄番茄培养基6 区域，获取番茄照片。通过摄像头将拍摄到的番茄照片数据传输到计算机5中，作为番茄的待分类图像。其中，所述番茄置于番茄培养基 6内，所述番茄培养基6的上方安装有摄像头，所述计算机5与摄像头相连。

本发明实施例还提供一种番茄生长模型判定设备，包括：至少一个处理器；以及与处理器通信连接的至少一个存储器，其中：存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行上述实施例所提供的番茄生长模型判定方法，例如包括：获取番茄的待分类图像；将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

本发明实施例还提供一种非暂态计算机可读存储介质，该非暂态计算机可读存储介质存储计算机指令，该计算机指令使计算机执行对应实施例所提供的番茄生长模型判定方法，例如包括：获取番茄的待分类图像；将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上实施例仅用以说明根据本发明实施例提供的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员而言，可以理解在不脱离根据本发明实施例提供的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，凡在根据本发明实施例提供的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在根据本发明实施例提供的保护范围之内。

Claims (10)

1.一种番茄生长模型判定方法，其特征在于，包括：

获取番茄的待分类图像；

将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述番茄对应的生长模型，与预先分析得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量；其中，所述生长模型的参数包括生长期、灌水量和施肥量。

3.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络模型的获得过程包括：

采集番茄在各生长模型下的样本图像，将所述样本图像中番茄的花、果、茎特征进行标注，选取其中番茄的花、果、茎具有显著特征的样本图像作为训练样本；

根据所述训练样本及其对应的生长模型类别，对深度卷积神经网络进行训练，获得深度卷积神经网络模型。

4.根据权利要求1所述的方法，其特征在于，所述获取番茄的待分类图像具体包括：

计算机对摄像头发出取样指令，摄像头启动拍摄番茄培养基区域，获取番茄照片；

通过摄像头将拍摄到的番茄照片数据传输到计算机中，作为番茄的待分类图像；

其中，所述番茄置于番茄培养基内，所述番茄培养基的上方安装有摄像头，所述计算机与摄像头相连。

5.根据权利要求4所述的方法，其特征在于，所述摄像头的外部安装有防水保护罩，所述摄像头为可旋转摄像头。

6.一种番茄生长模型判定装置，其特征在于，包括：

获取模块，用于获取番茄的待分类图像；

判定模块，用于将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

7.根据权利要求6所述的装置，其特征在于，所述装置还包括：

调整模块，用于将所述番茄对应的生长模型，与预先分析得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量；其中，所述生长模型的参数包括生长期、灌水量和施肥量。

8.根据权利要求6所述的装置，其特征在于，所述获取模块具体用于：

计算机对摄像头发出取样指令，摄像头启动拍摄番茄培养基区域，获取番茄照片；

通过摄像头将拍摄到的番茄照片数据传输到计算机中，作为番茄的待分类图像；

其中，所述番茄置于番茄培养基内，所述番茄培养基的上方安装有摄像头，所述计算机与摄像头相连。

9.一种番茄生长模型判定设备，其特征在于，包括：

至少一个处理器；

以及与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。