CN109613947B

CN109613947B - 一种融合光照频率与占空比的嵌入式设施光环境优化调控系统

Info

Publication number: CN109613947B
Application number: CN201811358667.3A
Authority: CN
Inventors: 胡瑾; 魏子朝; 张仲雄; 完香蓓; 陈智维
Original assignee: Northwest A&F University
Current assignee: Northwest A&F University
Priority date: 2018-11-15
Filing date: 2018-11-15
Publication date: 2020-12-15
Anticipated expiration: 2038-11-15
Also published as: CN109613947A

Abstract

本发明是一种融合光照频率与占空比的嵌入式植物光环境调控系统。本发明基于植物生理学特征，通过摄像头实时获取植物的生长状况，使系统根据植物当前状态来调用其对应的生长阶段最优的调控模型，同时调节光照频率对植物进行补光，以达到进一步提高补光效率的目的。首先获取大量的实验数据，归一化处理后使用matlab语言构建基于支持向量机(SVM)算法得到不同环境下的植物光合速率预测模型。根据所得预测模型基于matlab语言编写遗传算法构建补光目标值寻优模型，得到每条数据的曲率最大值所对应的光环境目标值，再基于python语言编写随机森林算法，最终构建出可移植于嵌入式设备的设施光环境优化调控模型。通过本发明系统，可以有效地提高植物光合作用效率，提高设施农业的经济效益。

Description

一种融合光照频率与占空比的嵌入式设施光环境优化调控系统

技术领域

本发明属于智能农业技术领域，涉及温室大棚内光环境的实时调控，特别涉及一种融合光照频率与占空比的嵌入式设施光环境优化调控系统。

背景技术

光合作用是植物生理活动的重要环节，光照不仅是植物光合作用中一项不可或缺的环境因子，它还作为一种植物生理信号对植物的分化、生长和发育起着重要的调节作用，使其能够更好的适应外界的环境。随着我国现代设施农业的发展以及雾霾天气的日益增多，对植物光合作用的效率要求也在逐渐提高，如何科学、合理、高效的构建植物周边的光环境已经成为了亟待解决的重要问题。针对这种情况，相应的设施农业补光设备也应运而生。然而，现有的植物补光设备并不完善。现阶段的补光设备采用连续光照的方式进行补光，但是根据现有的研究发现，高频的间歇光不仅不会降低植物的产量，反而可以促进植物的生长，提高植物的光合荧光效率。例如，Brown和Escombe在不改变光质的条件下，使用旋转的圆盘使得光照强度减少25％，但是光合速率未下降；Warburg的研究发现在0.067～133Hz，占空比为50％的高光强下，小球藻的单位数量光氧气产量较连续光提高了10％～100％；在蔬菜方面的研究中，Mori等发现，平均光照强度为50μmol/(m²·s)、频率为2.5KHz间歇光下生菜的生长速率和光合速率较连续光下提高了20％以上；Tennessen等采用LED灯光对番茄植株进行培养时发现，当番茄叶接收占空比仅为1％的间歇光照时，其净光合速率却可以达到同等条件下连续光照的50％。以上研究说明，采用有别于传统连续补光方式的间歇补光方式可以提高植物的净光合速率，同时这种补光方式还可以减少能源消耗。由于植物自身光合作用具有一定的生理周期，当接受连续光照时，在反应周期之外的光子会和植物本身用于反应的光子产生光化学淬灭现象，导致实际参与反应的光子减少，植物净光合速率降低，同时多余的光照也产生了能源的浪费。综上所述，现阶段的连续光照补光方式的有效性和环境友好性还有可以进一步提升的空间。

近年来的补光设备也在逐渐发展，陆续出现了许多自适应的智能补光系统，但是这些系统通常采用采用固定频率、占空比的补光方式进行补光，其补光能效的限制在于没有考虑补光设备产生光照的频率和占空比之间的组合关系对于植物的生长过程的影响，导致设备产生较高能耗的同时却难以再提高补光效率，并且这些设备采用的补光算法没有考虑到植物在不同生长阶段的光照需求，始终采用一套固定的算法进行补光。因此，如何发明一种不仅拥有精度高、智能化程度高、处理数据能力强、可移植性良好的补光方法，而且在节约补光能耗的前提下最大程度地提高补光效率的植物光环境调控算法就显得尤为重要。

对以往的间歇补光的实验结论进行研究，并综合植物生理学的相关知识可以发现，植物在接受到光强较大的特定频率段、占空比小于100％时的光照时自身的净光合速率会有较大的提升。因此，寻找能够使植物获得最大净光合速率的频率和占空比组合，并根据植物周边的环境信息构建植物最优的光合速率模型成为了本发明的关键问题。随着智能物联网技术的不断发展，融合智能算法模型的高精度嵌入式自动调控系统成为了近些年农业物联网技术的发展热点。但是现有的补光设备没有考虑到植物在不同生长周期的光照需求，补光过程中自始至终采用同一种补光算法进行补光，不能根据植物的生长状态最优地确定补光的量；现在的补光设备大多忽略了对光照本身的控制，在同一个补光周期里采用静态的连续光照进行补光，这使得设备的补光效率难有较大的提升；现在的设备采用单片机实现设备的自动控制，但是没有考虑到单片机在添加外围电路后最后一级输出的准确性。由以上几点来看，现在补光设备的设计仍有许多不够完善的地方：首先，采用连续补光的方式没有考虑到光照的频率和占空比之间的组合关系对于提高补光效率的影响，这样使得在同样的能耗下，连续补光的方式不能进一步提高植物的净光合速率。其次，自动控制中所使用单片机的运算速度和运算精度都存在一定的上限，对于现代农业物联网中的大量交互数据处理效果不好，计算速度慢，并且单片机也不能很好的兼容智能算法，因此导致系统的数据处理的工作效率受到了很大的限制，不能实现更为智能的控制。最后，由于单片机作为控制端精度有限，再加入较多外围电路的情况下其最终的输出信号会存在较严重的失真，有时不能很好地达到精准控制的目，使得算法的优势不能很好地被体现出来。基于上述原因，当前补光系统的补光方式、调控模型以及硬件构成已经成为了限制设施农业补光设备发展的主要因素。

综上所述，采用以智能算法为核心，运算速度快，控制精准的硬件设备为基础的高精度、低能耗、可移植性强的植物光环境调控设备就变得可行且必要。

发明内容

为了改进现阶段补光设备没有考虑的光照的频率、占空比以及植物阶段需求的缺点，本发明的目的在于提供一种融合光照频率与占空比的嵌入式设施光环境优化调控系统，本系统可以精确地根据植物周边的动态环境信息，通过摄像头获取的植物图像来判断植物当前的生长状态，调用针对植物不同生长阶段的光环境优化调控模型，实时地控制补光灯输出最优的频率和占空比组合，使植物长期处于最佳的光环境中，达到提高植物净光合速率，减少不必要的补光能耗的目的。

为了实现上述目的，本发明采用的技术方案是：

一种融合光照频率与占空比的嵌入式设施光环境优化调控系统，包括：

环境监测节点，包括温度传感器、光量子通量密度传感器和二氧化碳传感器，实时检测植物周边的温度、光照强度和二氧化碳浓度并发送；

图像采集节点，包括用于采集植物图像的微型摄像头，采集植物当前的形态信息并发送；

核心控制平台，接收环境监测节点和植物图像采集节点发送的数据，首先根据植物当前的形态信息判断当前植物的生长阶段，再调用符合该生长阶段的寻优模型，判断当前环境信息对应模型中的光环境目标值，进而得到当前环境信息下需提供的光照频率和占空比数据；

补光灯控制节点，接收所述光照频率和占空比数据，以此为依据进行补光。

所述环境监测节点与核心控制平台间的通信以CC2530芯片作为核心处理器，采用ZigBee技术作为主要通信方式，各传感器组成传感器网合布于被检测植物周边。

所述微型摄像头为自带无线图传功能的图传一体摄像头。

所述核心控制平台以树莓派系统作为主要操作系统，与补光灯控制节点之间采用nRF24L01P模块通信，与环境监测节点之间采用ZigBee通信，利用一个与树莓派系统通过Mini-USB串口连接的ZigBee协调器，接收环境监测节点发送的环境信息，通过串口发送到树莓派系统调用内嵌算法进行数据处理，之后ZigBee协调器再通过串口接收经过处理的数据并无线广播到网络中所有的节点中。

所述补光灯控制节点主要由补光灯、补光灯驱动电路、微型信号发生器、nRF24L01P无线模块和Arduino单片机组成，nRF24L01P无线模块将接收到的数据通过SPI接口协议传输给基于ATmega328的Arduino Nano，经确认校验位无误后提取数据包中的调参命令段，处理后单片机通过串口向微型脉冲信号发生器发送命令使其准确的输出响应的频率和占空比信息，达到精准定量调节光照的目的。

首先通过图传一体摄像头采集植物当前的图像信息，将其无线发送至核心控制节点，节点接收图像数据后根据系统中存储的基于Python的openCV机器视觉库进行图像处理，通过检测植物的轮廓信息来确定植物所处的生长阶段。

所述寻优模型通过如下方式构建：

首先，根据所需环境参数，构建不同温度、二氧化碳浓度、光照强度、光照频率和光照占空比的多组实验梯度，选取同一生长期，同等培养条件下的一组植物幼苗，进行预处理；

其次，采用光合速率仪对不同梯度的植物幼苗进行光合速率检测，得到实验对象在不同条件下的净光合速率值；

最后，对所得数据进行分析，使用matlab语言编写支持向量机算法构建频率与占空比耦合的光合速率预测模型，在光合速率预测模型的基础上，基于matlab语言以光合速率最大为适应度函数编写遗传算法进行最佳光照频率寻优，构建补光目标值寻优模型，从而获得当前环境状态下的最佳补光目标值点，模型建成后，基于Python语言编写随机森林算法，将模型移植入嵌入式系统。

所述使用matlab语言编写支持向量机算法构建频率与占空比耦合的光合速率预测模型，过程为：

将实验所得样本进行归一化处理后随机分为预测集与测试集，以温度、二氧化碳浓度、光照强度、光照频率和光照占空比为输入，光合速率为输出进行模型训练，使用网格法调整核参数g和惩罚参数c，待精度达到要求后使用测试集进行模型验证，得到模型相关系数为0.9844，均方根误差为0.1277，将模型保存为mat文件，以待寻优模型使用。

在构建补光目标值寻优模型后，首先加载入光合速率预测模型，设定不同环境下的光合速率值为适应度函数，对光照频率进行寻优，得到在不同环境下的最优光照频率值作为最佳补光目标点，将所有环境变量梯度下的最大光合值及最优补光目标点值保存为excel文件，以待写入随机森林算法中，实现模型面向嵌入式系统移植。

与现有技术相比，本发明基于植物生理学特征，通过摄像头实时获取植物的生长状况，使系统根据植物当前状态来调用其对应的生长阶段最优的调控模型，同时调节光照频率对植物进行补光，以达到进一步提高补光效率的目的。通过本发明系统，可以有效地提高植物光合作用效率，提高设施农业的经济效益。

附图说明

图1是本发明系统框架图。

图2是本发明系统硬件平台框架图。

图3是本发明SVM算法构建预测模型流程图。

图4是本发明光合速率频率响应曲线对比图。

图5是本发明SGA构建寻优模型流程图。

图6是本发明随机森林算法构建可移植终端的光环境调控模型。

图7是本发明树莓派操作界面，图(7.1)～图(7.4)分别是4个界面。

具体实施方式

下面结合附图和实施例详细说明本发明的实施方式。

如图1和图2所示，本发明硬件部分按功能分为四个主要节点，分别是：

基于高精度传感器和ZigBee的环境监测节点，包括用于无线发送数据的ZigBee终端模块和用于环境监测的二氧化碳传感器(非色散红外二氧化碳传感器)、光量子通量密度传感器(太阳辐射传感器)以及温度传感器(数字型温度传感器)。其与核心控制平台间的通信以CC2530芯片作为核心处理器，采用具有自组网，功耗低等特点的ZigBee技术作为主要通信方式。各个传感器组成传感器网合布于被检测植物周边，用于实时检测植物周边的温度，二氧化碳浓度和光照强度，并通过节点中的ZigBee模块对数据进行打包，加密，发送至核心控制平台。

基于图像识别的植物图像采集节点，包括用于采集植物图像的微型摄像头，摄像头为自带无线图传功能的图传一体摄像头。摄像头负责采集植物当前的形态信息，并将其传输到核心控制节点进行处理工作。

以树莓派系统作为主要操作系统的核心控制平台，进行数据集中处理和命令转发，包括作为主操作平台的树莓派系统以及用于接收环境数据的ZigBee协调器，节点中，ZigBee协调器与树莓派系统通过Mini-USB串口连接，ZigBee协调器用于接收环境监测节点发送的环境信息，通过串口发送到树莓派系统调用内嵌算法进行数据处理，之后协调器再通过串口接收经过处理的数据并无线广播到网络中所有的节点中。具体地，其接收到环境监测节点和植物图像采集节点发送的数据后进行识别，确认收到正确数据后，首先判断当前植物的生长阶段，再调用符合该阶段的寻优模型，判断当前环境信息对应模型中的环境目标值，进而得到当前环境信息下需提供的光照频率和占空比数据，将数据打包，加密，通过nRF24L01P无线模块发送至补光灯控制节点。其与补光灯控制节点的通信采用nRF24L01P模块进行通信，该模块具有功耗低，传输距离远，信号强度高等特点。

基于Arduino-Nano和nRF24L01P无线模块的补光灯控制节点，包括用于接收核心控制节点数据的nRF24L01P无线模块，用于数据处理转换的Arduino Nano单片机以及2个3路微型脉冲信号发生器，以及补光灯电路驱动板和补光灯带。nRF24L01P无线模块将接收到的数据通过SPI接口协议传输给基于ATmega328的Arduino Nano，经确认校验位无误后提取数据包中的调参命令段，处理后单片机通过串口向微型脉冲信号发生器发送命令使其准确的输出响应的频率和占空比信息，达到精准定量调节光照的目的。

本发明还包括必要的触控显示模块、供电模块等。

本发明中，建立寻优模型的主要步骤为：

首先根据所需环境参数，构建不同温度、二氧化碳浓度、光照强度、光照频率和光照占空比的多组实验梯度。选取同一生长期，同等培养条件下的一组植物幼苗，进行预处理；

其次，采用光合速率仪Li-6800对不同梯度的植物幼苗进行光合速率检测，得到实验对象在不同条件下的净光合速率值。

最后，对实验所得数据进行分析，使用matlab语言编写支持向量机算法构建频率与占空比耦合的光合速率预测模型。将实验所得样本进行归一化处理后随机分为预测集与测试集，以温度、二氧化碳浓度、光照强度、光照频率和光照占空比为输入，光合速率为输出进行模型训练，使用网格法调整核参数g和惩罚参数c，待精度达到要求后使用测试集进行模型验证，得到模型相关系数为0.9844，均方根误差为0.1277。将模型保存为mat文件，以待寻优模型使用。

在光合速率预测模型的基础上，基于matlab语言以光合速率最大为适应度函数编写遗传算法进行最佳光照频率寻优，构建补光目标值寻优模型。首先加载入光合速率预测模型，设定不同环境下的光合速率值为适应度函数，以光合速率最大为适应度函数对光照频率进行寻优，得到在不同环境下的最优光照频率值作为最佳补光目标点，将所有环境变量梯度下的最大光合值及最优补光目标点值保存为excel文件，以待写入随机森林算法中，实现补光目标值寻优模型面向嵌入式系统移植。

补光目标值寻优模型建成后，基于Python语言编写随机森林算法，将寻优数据文件加载入随机森林算法中，利用sklearn库函数将数据集随机划分为训练集及测试集，使用网格搜索法调整随机森林的棵数参数n_estimators及特征子集参数max_feature进行设定调整，待满足精度后，使用测试集进行模型验证,结果表明模型相关性达到0.9671，均方根误差为10.9。将模型保存为pkl文件，移植入嵌入式系统，实现基于嵌入式控制终端的设施光环境优化调控模型的构建。

在实际操作中，用户进入系统主界面，选择对应的植物信息，地理信息后，便可以选择系统的控制方式。自动控制为一闭环控制系统，手动控制系统则可以根据现场情况对控制信息进行人为改动，以更加适应用户的个人需求。当结束程序运行时，关闭系统主界面，整个系统运行结束。

以下是本发明的一个具体实施例。

实验数据获取：本实验于2017年9月-2017年12月在西北农林科技大学农机实验室进行。将一组同期生理状况良好的黄瓜幼苗置于MD1400培养箱中进行培养。将黄瓜苗在日光条件下采用营养基质培养钵进行常规培养，培养时长28日，选定长势一致，状况良好的黄瓜幼苗进行无光处理1天后进行实验。设定二氧化碳浓度为固定值400ppm；3个温度梯度为15℃、20℃、25℃；设定7个灯光占空比梯度为20％、30％、40％、50％、60％、70％、80％共计21组实验条件进行实验。每组实验条件下随机选取6株幼苗使用Li-6800测量其净光合速率值，构建样本。

基于上述实验条件建立融合频率和占空比的植物光环境调控模型过程如下：

首先根据实验数据，基于支持向量机算法建立光合速率预测模型。以温度、灯光频率和灯光占空比作为模型输入参量，以光合速率作为输出参量。以进行数据筛选后的实验数据作为原始数据集，随机按比例产生相应的训练集和测试集，进行归一化处理。选取其核函数和c参数，g参数，创建SVM回归模型并对其进行训练，直到模型满足精度要求。最后对其进行反归一化处理，得到光合速率预测模型。其中，SVM回归函数公式为

式中，K(x_i，x)为核函数，x_i为支持向量，l为支持向量个数，b为偏置。α_i,

为拉格朗日乘子。

2、根据所得光合速率预测模型，采用异校验的方式对模型精度进行检验：根据间歇光照条件下的得到的实际光合速率与根据预测模型计算得到的光合速率进行对比分析。控制实验条件下的温度为15℃～30℃范围，梯度为1℃的光合速率曲线，利用模型计算对应温度下的光合速率值，与实测值进行对比。其对比结果如图3所示，其拟合公式为：

PR_s＝0.9657·PR_m+0.1221

式中PRs为模型计算光合速率PRm为实测光合速率值。从图中可以看出，曲线斜率为0.9657，纵坐标截距为0.1221。该预测模型曲线决定系数(R2)为0.9844，其均方根误差为0.1277，表明二者高度线性相关，证明本所构建的预测模型具有较高的精确度。

3、基于上述光合速率预测模型，采用标准遗传算法(SGA)进行寻优处理，寻找不同温度条件下的最优融合温度的频率和占空比信息、光子通量密度以及相应的最大光合速率。并以融合温度的灯光频率和占空比信息为自变量，最优光合速率为因变量，作出不同温度条件下的最大光合速率曲线，获取不同温度下融合温度的灯光频率最优作用区间。SGA算法流程图如图4所示，根据相关的实验数据，进行寻优后发现，植物对于频率的最佳响应主要集中在200Hz-600Hz之间，说明植物对于频率的响应，其响应曲线如图5所示。

4、基于上述补光目标值寻优模型，采用随机森林算法构建面向嵌入式控制终端的光调控模型。随机森林回归算法作为一种非参数回归技术，在一定的样本含量下，能够在高维数据中有效地分析具有交互作用和非线性关系的数据，在处理寻优模型得到的大样本数据集时具有明显优势。同时，由于其具有可扩展性、易用性等特点，为模型移植入嵌入式系统提供了可能。随机森林算法的建模流程图如图6所示，将寻优数据文件加载入随机森林算法中，利用sklearn库函数将数据集随机划分为训练集及测试集，使用网格搜索法调整随机森林的棵数参数n_estimators及特征子集参数max_feature进行设定调整，待满足精度后，使用测试集进行模型验证，输出结果。

基于上述模型建立和模型移植技术，本发明采用模块化设计思路，分为环境监测节点、核心控制节点以及补光灯控制节点，每个节点基于ZigBee协议相互协调工作，其中每一部分具体组成如下：

环境监测节点：监测节点采用的传感器组件分别有太阳辐射传感器(Davis PAR)、数字型温度传感器(DS18b20)、非色散红外二氧化碳传感器(MH-Z14A)。这些传感器组成的传感器网能够自动地获取植物周边的环境信息，并通过数字信号输出，传感器终端的ZigBee模块通过读取串口缓冲区的数据获得植物周边的环境信息，经过整理，加密后变为可发送数据包，准备广播发送给树莓派上的协调器。

图像采集节点：图像采集节点主要包括具有图传一体功能的微型摄像头和对应的接收机。接收机与树莓派通过串口连接，摄像头在采集到植物的形态学信息后，将图像通过

核心控制节点：核心控制节点主要包含数据处理部分和数据收发部分。数据处理部分主要基于3代树莓派(Raspberry Pi 3B+)。树莓派系统为采用ARM Cortex-A53作为CPU的微型电脑主板，有支持ZigBee无线传输模块和Arduino-Nano的USB接口、支持高清触摸屏幕的HDMI接口、支持MicroSD卡作为内存硬盘的卡插槽、支持Python语言编程的特点。数据收发部分包括ZigBee协调器，Arduino+nRF24L01P无线收发模块，两个模块均可与树莓派进行串口通信。当环境监测节点广播出数据后，协调器对数据包进行识别，提取出相应的数据后通过串口发送给树莓派，树莓派配合图像采集节点发送的图像信息确定需要调用的算法，结合监测节点发送的数据，得到需要输出的数值。树莓派将该数值通过串口发送到Arduino-Nano单片机，Arduino将数据通过SPI协议传输给无线模块，模块将其按照约定的地址无线发送给补光灯控制节点。

补光灯控制节点：本节点主要由Arduino单片机、nRF24L01P无线模块、微型信号发生器以及灯带驱动板组成。灯带驱动板由24V稳压电源作为输入，信号发生器输出端连接驱动板上的PT4115降压恒流源DIM引脚作为PWM信号控制激励。当无线模块接收到无线数据包后，对比校验位无误后，以数据末尾的结束符作为判断标准截取有效数据位，通过串口将其发送给信号发生器，信号发生器接收到数据后判断灯带路数所对应的序列号，输出PWM信号，实现补光。

基于上述硬件平台，可移植的光环境优化调控模型的导入过程如下：

模型构建：首先根据已构建好的模型思路，使用Python的机器学习相关的库sklearn，将其用Python语言进行实现，完成相关的模型训练后，使用库文件中的方法得到模型的评价参数，将训练完成的模型进行保存。

模型移植：根据Python的pickle库将训练好的模型调用该库文件中的pickle.dumps()方法进行二进制序列化并将其存入文件file中，将文件file转存到树莓派的SD卡上，完成模型的移植。

模型调用：打开树莓派界面程序，调用Python的pickle库文件中的load()方法对上一步中的二进制文件进行反序列化，实现模型的调用。树莓派界面如图7中，7.1～7.4所示。

Claims

1.一种融合光照频率与占空比的嵌入式设施光环境优化调控系统，其特征在于，包括：

补光灯控制节点，接收所述光照频率和占空比数据，以此为依据进行补光；

所述核心控制平台以树莓派系统作为主要操作系统，与补光灯控制节点之间采用nRF24L01P模块通信，与环境监测节点之间采用ZigBee通信，利用一个与树莓派系统通过Mini-USB串口连接的ZigBee协调器，接收环境监测节点发送的环境信息，通过串口发送到树莓派系统调用内嵌算法进行数据处理，之后ZigBee协调器再通过串口接收经过处理的数据并无线广播到网络中所有的节点中；

所述寻优模型通过如下方式构建：

2.根据权利要求1所述融合光照频率与占空比的嵌入式设施光环境优化调控系统，其特征在于，所述环境监测节点与核心控制平台间的通信以CC2530芯片作为核心处理器，采用ZigBee技术作为主要通信方式，各传感器组成传感器网合布于被检测植物周边。

3.根据权利要求1所述融合光照频率与占空比的嵌入式设施光环境优化调控系统，其特征在于，所述微型摄像头为自带无线图传功能的图传一体摄像头。

4.根据权利要求1所述融合光照频率与占空比的嵌入式设施光环境优化调控系统，其特征在于，所述补光灯控制节点主要由补光灯、补光灯驱动电路、微型信号发生器、nRF24L01P无线模块和Arduino单片机组成，nRF24L01P无线模块将接收到的数据通过SPI接口协议传输给基于ATmega328的Arduino Nano，经确认校验位无误后提取数据包中的调参命令段，处理后单片机通过串口向微型脉冲信号发生器发送命令使其准确的输出响应的频率和占空比信息，达到精准定量调节光照的目的。

5.根据权利要求1所述融合光照频率与占空比的嵌入式设施光环境优化调控系统，其特征在于，首先通过图传一体摄像头采集植物当前的图像信息，将其无线发送至核心控制平台，核心控制平台接收图像数据后根据系统中存储的基于Python 的openCV机器视觉库进行图像处理，通过检测植物的轮廓信息来确定植物所处的生长阶段。

6.根据权利要求1所述融合光照频率与占空比的嵌入式设施光环境优化调控系统，其特征在于，所述使用matlab语言编写支持向量机算法构建频率与占空比耦合的光合速率预测模型，过程为：

7.根据权利要求1所述融合光照频率与占空比的嵌入式设施光环境优化调控系统，其特征在于，在构建补光目标值寻优模型后，首先加载入光合速率预测模型，设定不同环境下的光合速率值为适应度函数，对光照频率进行寻优，得到在不同环境下的最优光照频率值作为最佳补光目标点，将所有环境变量梯度下的最大光合值及最优补光目标点值保存为excel文件，以待写入随机森林算法中，实现模型面向嵌入式系统移植。