CN111783946A - 基于图像处理的植物养料自动分离方法、装置及电子设备 - Google Patents
基于图像处理的植物养料自动分离方法、装置及电子设备 Download PDFInfo
- Publication number
- CN111783946A CN111783946A CN202010584089.6A CN202010584089A CN111783946A CN 111783946 A CN111783946 A CN 111783946A CN 202010584089 A CN202010584089 A CN 202010584089A CN 111783946 A CN111783946 A CN 111783946A
- Authority
- CN
- China
- Prior art keywords
- plant
- detected
- neural network
- network model
- growth
- 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.)
- Pending
Links
- 235000015097 nutrients Nutrition 0.000 title claims abstract description 90
- 238000000926 separation method Methods 0.000 title claims abstract description 49
- 238000012545 processing Methods 0.000 title claims abstract description 31
- 230000012010 growth Effects 0.000 claims abstract description 110
- 238000003062 neural network model Methods 0.000 claims abstract description 82
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims description 56
- 230000008635 plant growth Effects 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000004064 recycling Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004887 air purification Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/14—Greenhouses
- A01G9/16—Dismountable or portable greenhouses ; Greenhouses with sliding roofs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Environmental Sciences (AREA)
- Cultivation Of Plants (AREA)
Abstract
本申请公开了一种基于图像处理的植物养料自动分离方法、装置及电子设备。该方法包括：获取待检测植物的图像后，通过第一神经网络模型确定所述待检测植物的当前生长状态；并，获取所述待检测植物的生长环境信息；基于所述待检测植物的当前生长状态和所述生长环境信息，通过第二神经网络模型，得到与所述当前生长状态匹配的养料配比；控制空气分离设备分离出满足所述养料配比的养料；并将分离出的所述养料输送给所述待检测植物。由此，为解决单一产品在房间中会占据大量的空间，导致的单一产品的资源浪费的问题，提供了一种根据植物生长状态以及生长环境信息自动确定该植物的养料配比的方法，从而实现了能量的最大效率的循环利用。
Description
技术领域
本申请涉及智能家居领域，特别涉及一种基于图像处理的植物养料自动分离方法、装置及电子设备。
背景技术
高昂的房价促使消费者在购房后希冀空间能够得到最大的利用，目前市面上存在的植物生长柜、空气净化器等智能设备仅能实现其自身设计的功能，如植物生长柜的作用是为了种植植物，空气净化器的作用是为了实现净化空气质量。但是，单一产品在房间中会占据大量的空间，因此为了实现在其存在占据大量空间的性质下，实现各智能设备之间的结合，从而提高各智能设备的利用度是亟待解决的问题。
发明内容
本申请的目的是提供一种基于图像处理的植物养料自动分离方法、装置及电子设备，用以解决单一产品在房间中会占据大量的空间，导致的单一产品的资源浪费的问题，从而提供的一种实现各智能设备之间的结合，提高各智能设备的利用度，进而实现能量的循环利用的方法、装置及电子设备。
第一方面，本申请实施例提供了一种基于图像处理的植物养料自动分离方法，包括：
获取待检测植物的图像后，通过第一神经网络模型确定所述待检测植物的当前生长状态；并，
获取所述待检测植物的生长环境信息；
基于所述待检测植物的当前生长状态和所述生长环境信息，通过第二神经网络模型，得到与所述当前生长状态匹配的养料配比；
控制空气分离设备分离出满足所述养料配比的养料；
并将分离出的所述养料输送给所述待检测植物。
一种可能的实施方式中，所述第一神经网络模型是基于以下方法训练得到的：
获取所述待检测植物的训练样本；
基于所述训练样本训练所述第一神经网络模型，以使所述第一神经网络模型输出所述待检测植物的当前生长状态。
一种可能的实施方式中，所述第一神经网络模型为YOLO神经网络模型。
一种可能的实施方式中，所述第二神经网络模型是基于以下方法训练得到的：
获取所述待检测植物的不同生长状态和各生长状态匹配的生长环境信息作为训练样本；其中，各训练样本具有预先设置的养料配比作为标签；所述生长环境信息包括以下中的至少一种或组合：环境湿度、环境温度、光照强度、风向位置；
基于所述待检测植物的训练样本及其标签训练所述第二神经网络模型的模型参数。
一种可能的实施方式中，所述待检测植物种植在植物生长柜中，所述空气分离设备设置在所述植物生长柜中。
第二方面，本申请实施例提供了一种基于图像处理的植物养料自动分离装置，所述装置包括：
确定单元，用于获取待检测植物的图像后，通过第一神经网络模型确定所述待检测植物的当前生长状态；并，
获取单元，用于获取所述待检测植物的生长环境信息；
养料配比确定单元，用于基于所述待检测植物的当前生长状态和所述生长环境信息，通过第二神经网络模型，得到与所述当前生长状态匹配的养料配比；
控制单元，用于控制空气分离设备分离出满足所述养料配比的养料；
输送单元，用于并将分离出的所述养料输送给所述待检测植物。
一种可能的实施方式中，所述第一神经网络模型是基于以下方法训练得到的：
获取所述待检测植物的训练样本；
基于所述训练样本训练所述第一神经网络模型，以使所述第一神经网络模型输出所述待检测植物的当前生长状态。
一种可能的实施方式中，所述第一神经网络模型为YOLO神经网络模型。
一种可能的实施方式中，所述第二神经网络模型是基于以下方法训练得到的：
获取所述待检测植物的不同生长状态和各生长状态匹配的生长环境信息作为训练样本；其中，各训练样本具有预先设置的养料配比作为标签；所述生长环境信息包括以下中的至少一种或组合：环境湿度、环境温度、光照强度、风向位置；
基于所述待检测植物的训练样本及其标签训练所述第二神经网络模型的模型参数。
一种可能的实施方式中，所述待检测植物种植在植物生长柜中，所述空气分离设备设置在所述植物生长柜中。
第三方面，本申请实施例提供了一种植物生长柜，包括存储器、处理器、植物培育装置、空气分离设备：
所述存储器，用于存储计算机程序；
所述植物培育装置，用于种植植物并为所述植物提供养料；
所述空气分离设备，用于分离出满足养料配比的养料；
所述处理器，与所述存储器连接，被配置为：
获取待检测植物的图像后，通过第一神经网络模型确定所述待检测植物的当前生长状态；并，
获取所述待检测植物的生长环境信息；
基于所述待检测植物的当前生长状态和所述生长环境信息，通过第二神经网络模型，得到与所述当前生长状态匹配的养料配比；
控制空气分离设备分离出满足所述养料配比的养料；
并将分离出的所述养料通过所述植物培育装置输送给所述待检测植物。
一种可能的实施方式中，所述处理器还被配置为：
获取所述待检测植物的训练样本；
基于所述训练样本训练所述第一神经网络模型，以使所述第一神经网络模型输出所述待检测植物的当前生长状态。
一种可能的实施方式中，述第一神经网络模型为YOLO神经网络模型。
一种可能的实施方式中，所述处理器还被配置为：
获取所述待检测植物的不同生长状态和各生长状态匹配的生长环境信息作为训练样本；其中，各训练样本具有预先设置的养料配比作为标签；所述生长环境信息包括以下中的至少一种或组合：环境湿度、环境温度、光照强度、风向位置；
基于所述待检测植物的训练样本及其标签训练所述第二神经网络模型的模型参数。
一种可能的实施方式中，所述空气分离设备设置在所述植物生长柜中。
第四方面，本申请另一实施例还提供了一种电子设备，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请实施例提供的任一基于图像处理的植物养料自动分离方法。
第五方面，本申请另一实施例还提供了一种计算机存储介质，其中，所述计算机存储介质存储有计算机程序，所述计算机程序用于使计算机执行本申请实施例中的任一基于图像处理的植物养料自动分离方法。
本申请如上所述的基于图像处理的植物养料自动分离方法，通过第一神经网络模型，并根据待检测植物的图像确定待检测植物的当前生长状态；然后基于该待检测植物的生长状态以及其对应的生长环境信息确定其匹配的养料配比；并且通过空气分离设备根据该匹配得到的养料配比分离出待检测植物的当前生长状态需要的养料，并输送给待检测植物，从而实现能量的循环利用，促进植物的生长，以解决单一产品在房间中会占据大量的空间，导致的单一产品的资源浪费的问题。
本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，显而易见地，下面所介绍的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请一个实施例提供的基于图像处理的植物养料自动分离方法的流程示意图；
图2为本申请一个实施例提供的一种YOLO神经网络模型的示意图；
图3为本申请一个实施例提供的一种第二神经网络模型的示意图；
图4为本申请一个实施例提供的基于图像处理的植物养料自动分离方法的另一流程示意图；
图5为本申请一个实施例提供的基于图像处理的植物养料自动分离装置的结构示意图；
图6为本申请一个实施例提供的电子设备的示意图。
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、完整地描述。
需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应理解这样的描述在适当情况下可以互换，以便本公开的实施例能够以除了本公开的图示或描述的内容以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
高昂的房价促使消费者在购房后希冀空间能够得到最大的利用，目前市面上存在的植物生长柜、空气净化器仅实现其自身设计的功能，如植物生长柜的作用是为了种植植物，空气净化器的作用是为了实现净化空气质量。但是，单一产品在房间中会占据大量的空间，因此为了实现在其存在占据大量空间的性质下，实现各智能设备之间的结合，从而提高各智能设备的利用度是亟待解决的问题。
有鉴于此，并基于健康化的生活方式的思想，本申请通过对植物的生长状态进行识别并分析，确定与其当前生长状态匹配的养料配比，从而可通过空气分离设备根据其匹配的养料配比分离出该植物需要的生长养料，并输送给该植物；从而使得空气分离设备在其本身具有的分离空气的作用下，还能实现根据提供的其生长状态匹配的养料配比为植物提供养料的功能，因此提高了各智能设备的利用度，进而实现了能量的循环利用。
参阅图1，为本申请一个实施例提供的一种基于图像处理的植物养料自动分离方法的流程示意图，包括：
步骤S101：获取待检测植物的图像后，通过第一神经网络模型确定所述待检测植物的当前生长状态。
其中，所述第一神经网络模型是基于以下方法训练得到的：
步骤A1：获取所述待检测植物的训练样本；
可选的，分别拍摄各类植物不同生长状态的多张图像，建立图像库作为各类植物的训练样本。
步骤A2：基于所述训练样本训练所述第一神经网络模型，以使所述第一神经网络模型输出所述待检测植物的当前生长状态。
通过各类植物不同生长状态的图像，训练第一神经网络模型，可实现对于待检测植物的当前生长状态的确定。
一种可能的实施方式中，所述第一神经网络模型为YOLO(You Only Look Once)神经网络模型，实施时，通过YOLO神经网络模型可快速准确的得到待检测植物的当前生长状态。当然，本申请方法在实施时第一神经网络模型还可采用其他深度学习分类算法替换，例如，还可采用CNN(Convolutional Neural Networks，卷积神经网络)、R-CNN(Region-CNN，一种将深度学习应用到目标检测上的算法)、Fast-R-CNN、Faster-R-CNN、UDN(UnifiedDeep Net，联合深度网络)、SSD(Single Shot MultiBox Detector)等，本申请对此不限定。
参阅图2，为本申请实施例提供的一种YOLO神经网络模型的示意图，其中各部分的功能如下：
(1)图像输入：接收待检测植物图像的输入。
(2)GoogLeNet(一种全新的深度学习结构)调整：用于对提取的特征进行降维，以抽取出主要的特征从而减少数据处理量。
(3)卷积层：提取待检测植物图像的图像特征。
(4)-(5)：全连接层1和全连接层2：用于对输入的特征进行处理，得到整个图像的全局特征。
(6)目标检测输出：对全连接层的图像特征进行结构重构，输出目标检测结果，即待检测植物的当前生长状态。
其中，YOLO神经网络模型的训练过程如下：
步骤B1：接收图像输入，并将输入的图像划分为S*S个网格。
其中，每个网格预测B个bounding boxes(边界框)以及C个类别的概率Pr。
步骤B2：基于回归思想，确定各bounding boxes的confidence值。
其中，confidence值表示其对应预测的bounding box中含有目标检测对象的置信度以及该bounding box预测的准确性两重信息。
步骤B3：根据以下公式确定网格输出量：
S*S*(5*B+C) 公式1
其中，公式1中的S*S表示输入图像划分的网格数量；边界预测值包含5个元素：(x，y，w，h，c)，其中(x，y)表示预测的bounding box中心的坐标，(w，h)表示该预测的boundingbox的宽和高，c即前述的confidence值用于表示该bounding box存在目标检测对象的置信度。
步骤B4：确定各bounding box的类别confidence分值，即Pr*confidence；并且，过滤低于预设阈值的bounding boxes。
步骤B5：对高于预设阈值的bounding boxea通过非极大值移植方法实现最终植物的当前生长状态的确定。
其中，植物的生长状态例如有：叶片黄化脱落、叶片萎蔫、茎叶腐烂等。
步骤S102：获取所述待检测植物的生长环境信息。
其中，生长环境信息例如包括环境温度、光照强度、环境湿度、风向位置等信息；实施时，生长环境信息可通过相关传感器设备进行获取，例如通过温度传感器获取环境温度、通过光照传感器获取光照强度、通过湿度传感器获取环境湿度等。
步骤S103：基于所述待检测植物的当前生长状态和所述生长环境信息，通过第二神经网络模型，得到与所述当前生长状态匹配的养料配比。
本申请一种实施例中，参阅图3，为本申请实施例提供的一种第二神经网络模型的示意图，其中，第二神经网络模型可选的为BP(back propagation)神经网络模型；如图3所示，第二神经网络模型可以包括输入层、隐藏层和输出层。其中，输入层的输入参数可以是确定待检测植物的多个参数信息，例如包括前述的植物生长状态信息和生长环境信息等，其中生长环境信息包括：环境温度、环境湿度、光照强度、风向位置等参数信息。在将待检测植物的多个参数信息输入到该第二神经网络模型之后，即可输出通过该第二神经网络模型得到的该待检测植物对应的养料配比。
其中，所述第二神经网络模型是基于以下方法训练得到的：
步骤C1：获取所述待检测植物的不同生长状态和各生长状态匹配的生长环境信息作为训练样本；其中，各训练样本具有预先设置的养料配比作为标签；所述生长环境信息包括以下中的至少一种或组合：环境湿度、环境温度、光照强度、风向位置等信息。
其中，为了确定训练样本中不同的生长状态在不同的生长环境信息下匹配的养料配比，一种可能的实施方式为，确定各训练样本的预先设置的养料配比后作为标签，表明该训练样本下匹配的养料配比。
步骤C2：基于所述待检测植物的训练样本及其标签训练所述第二神经网络模型的模型参数。
通过对于植物的各不同生长状态在可能的生长环境信息下预先设置匹配的养料配比的标签，作为该生长状态在该生长环境下的养料配比的训练样本，以对第二神经网络模型进行训练，从而实现对于各生长状态的养料配比的确定，用以为该待检测植物当前的生长状态提供对应比例的养料。
在一种实施方式中，若所述第二神经网络模型为BP神经网络模型，其结构如图3所示，其确定养料配比的过程如下：
步骤D1：进行BP神经网络模型初始化。
首先，BP神经网络模型的结构包括：(1)输入层有n个神经元，输入向量为x；(2)隐藏层有p个神经元，隐藏层输入向量和输出向量分别假设为hi、ho；(3)输出层有q个神经元，输出层输入向量和输出向量分别假设为yi和yo；最后，期望的输出向量假设为do，用于表示输出的养料配比。
实施时，进行模型初始化，包括：
(1)设定各连接的权重值w，例如，假设输入层与隐藏层权重值为wih、隐藏层与输出层权重值为who；
(2)设定各神经元的阈值b(输入层与隐藏层阈值bih、隐藏层与输出层阈值bho)；
(3)确定误差函数E、激活函数F、计算精度值ε以及最大学习次数M。
步骤D2：通过输入层接收参数信息的输入。
实施时，假设共m个样本，选取的为第k个输入样本，则输入向量可表示为如下公式2：
x(k)＝(x1(k)，x2(k)，……，xn(k)) 公式2
此外，其对应的期望的输出向量可表示为如下公式3：
do(k)＝(d1(k)，d2(k)，……，dn(k)) 公式3
步骤D3：确定隐藏层和输出层中各神经元的输入值和输出值。
实施时，根据以下公式确定隐藏层中各神经元的输入值和输出值：
(1)输入值：
(2)输出值：ho(k)＝F(hi(k)) 公式5
实施时，根据以下公式确定输出层中各神经元的输入值和输出值：
(1)输入值：
(2)输出值：yo(k)＝F(yi(k)) 公式7
其中，F(hi(k))、F(yi(k))为激活函数，用以给神经元引入非线性因素。
步骤D4：通过误差函数以及计算的精度值ε对隐藏层、输出层各神经元的初始化参数进行修正。
步骤D5：确定全局误差值。
其中，根据以下公式确定全局误差值，如下：
步骤D6：确定所述全局误差值是否满足所述最大学习次数M；若不满足，则循环执行步骤D3、D4，用以实现不断修正模型的参数；若满足，则结束算法运行。
步骤S104：控制空气分离设备分离出满足所述养料配比的养料；
例如，根据养料配比控制空气分离设备分离植物所需要的水、二氧化碳等养料。其中，本申请的空气分离设备可选的为空气净化器，根据得到的养料配比分离出对应的养料，或者空气分离设备可选的为可分离水、二氧化碳等养料其他智能设备，如智能空调等其他可为植物提供养料的智能设备，本申请对此不限定。
步骤S105：并将分离出的所述养料输送给所述待检测植物。
需要说明的是，为了更好的实现本申请，实施时，待检测植物种植在植物生长柜中，所述空气分离设备设置在所述植物生长柜中；例如，空气分离设备可选的嵌入在所述植物生长柜中。因此，可更好的实现通过植物生长柜与空气分离设备的结合实现能量的循环利用。
此外，实施时，还可设定预设周期对该待检测植物重新进行生长状态的识别，并重新确定其需要的养料配比，从而通过确定出的新的养料配比控制空气分离设备提供养料的比例。通过一定预设周期下对待检测植物的生长状态的再次检测，提高了为该植物提供的养料配比的准确性。
通过本申请提供的方法，通过对于待检测植物的生长状态的识别，并结合该待检测植物的生长环境信息，确定其匹配的养料配比，从而自动控制提供养料的智能设备提供对应的养料。这样，实现了各智能设备之间的结合，使得其功能的最大化利用，并且通过各智能设备的共同控制，提高了生活智能化；以及实现了能量的循环利用。
为更清楚的理解本申请实施过程，参阅图4，为本申请实施例提供的一种基于图像处理的植物养料自动分离方法的另一流程示意图，包括：
步骤S401：收集植物生长状态图片库并打标签。
步骤S402：利用第一神经网络模型确定植物生长状态。
步骤S403：收集植物生长环境信息。
步骤S404：利用植物生长状态以及环境信息，并通过第二神经网络模型推荐植物生长所需养料配比。
步骤S405：空气分离设备中根据养料配比分离出植物所需要的水与二氧化碳等必须养料。
步骤S406：植物进行光合作用实现能量的循环利用。
基于相同的构思，本申请实施例还提供了一种基于图像处理的植物养料自动分离装置。
如图5所示，该基于图像处理的植物养料自动分离装置500可以包括：
确定单元510，用于获取待检测植物的图像后，通过第一神经网络模型确定所述待检测植物的当前生长状态；并，
获取单元520，用于获取所述待检测植物的生长环境信息；
养料配比确定单元530，用于基于所述待检测植物的当前生长状态和所述生长环境信息，通过第二神经网络模型，得到与所述当前生长状态匹配的养料配比；
控制单元540，用于控制空气分离设备分离出满足所述养料配比的养料；
输送单元550，用于并将分离出的所述养料输送给所述待检测植物。
一种可能的实施方式中，所述第一神经网络模型是基于以下方法训练得到的：
获取所述待检测植物的训练样本；
基于所述训练样本训练所述第一神经网络模型，以使所述第一神经网络模型输出所述待检测植物的当前生长状态。
一种可能的实施方式中，所述第一神经网络模型为YOLO神经网络模型。
一种可能的实施方式中，所述第二神经网络模型是基于以下方法训练得到的：
获取所述待检测植物的不同生长状态和各生长状态匹配的生长环境信息作为训练样本；其中，各训练样本具有预先设置的养料配比作为标签；所述生长环境信息包括以下中的至少一种或组合：环境湿度、环境温度、光照强度、风向位置；
基于所述待检测植物的训练样本及其标签训练所述第二神经网络模型的模型参数。
一种可能的实施方式中，所述待检测植物种植在植物生长柜中，所述空气分离设备设置在所述植物生长柜中。
上述基于图像处理的植物养料自动分离装置及其功能模块的具体实现可参见上文结合附图1-4的相关描述，在此不再赘述。
在介绍了本申请示例性实施方式的一种基于图像处理的植物养料自动分离方法和装置之后，接下来，介绍根据本申请的另一示例性实施方式的电子设备。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
在一些可能的实施方式中，根据本申请的电子设备可以至少包括至少一个处理器、以及至少一个存储器。其中，存储器存储有程序代码，当程序代码被处理器执行时，使得处理器执行本说明书上述描述的根据本申请各种示例性实施方式的基于图像处理的植物养料自动分离方法中的步骤。例如，处理器可以执行如图1、4所示的步骤。
下面参照图6来描述根据本申请的这种实施方式的电子设备130。图6显示的电子设备130仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，电子设备130以通用电子设备的形式表现。电子设备130的组件可以包括但不限于：上述至少一个处理器131、上述至少一个存储器132、连接不同系统组件(包括存储器132和处理器131)的总线133。
总线133表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器132可以包括易失性存储器形式的可读介质，例如随机存取存储器(RAM)1321和/或高速缓存存储器1322，还可以进一步包括只读存储器(ROM)1323。
存储器132还可以包括具有一组(至少一个)程序模块1324的程序/实用工具1325，这样的程序模块1324包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备130也可以与一个或多个外部设备134(例如键盘、指向设备等)通信，还可与一个或者多个使得用户能与电子设备130交互的设备通信，和/或与使得该电子设备130能与一个或多个其它电子设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口135进行。并且，电子设备130还可以通过网络适配器136与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器136通过总线133与用于电子设备130的其它模块通信。应当理解，尽管图中未示出，可以结合电子设备130使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
在一些可能的实施方式中，本申请提供的一种基于图像处理的植物养料自动分离方法的各个方面还可以实现为一种程序产品的形式，其包括计算机程序代码，当程序产品在计算机设备上运行时，计算机程序代码用于使计算机设备执行本说明书上述描述的根据本申请各种示例性实施方式的一种基于图像处理的植物养料自动分离方法中的步骤，例如，计算机设备可以执行如图1、图4所示的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
本申请的实施方式的用于图像处理的程序产品可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在电子设备上运行。然而，本申请的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户电子设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户电子设备上部分在远程电子设备上执行、或者完全在远程电子设备或服务器上执行。在涉及远程电子设备的情形中，远程电子设备可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户电子设备，或者，可以连接到外部电子设备(例如利用因特网服务提供商来通过因特网连接)。
应当注意，尽管在上文详细描述中提及了装置的若干单元或子单元，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之，上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (12)
1.一种基于图像处理的植物养料自动分离方法，其特征在于，所述方法包括：
获取待检测植物的图像后，通过第一神经网络模型确定所述待检测植物的当前生长状态；并，
获取所述待检测植物的生长环境信息；
基于所述待检测植物的当前生长状态和所述生长环境信息，通过第二神经网络模型，得到与所述当前生长状态匹配的养料配比；
控制空气分离设备分离出满足所述养料配比的养料；
并将分离出的所述养料输送给所述待检测植物。
2.根据权利要求1所述的方法，其特征在于，所述第一神经网络模型是基于以下方法训练得到的：
获取所述待检测植物的训练样本；
基于所述训练样本训练所述第一神经网络模型，以使所述第一神经网络模型输出所述待检测植物的当前生长状态。
3.根据权利要求2所述的方法，其特征在于，所述第一神经网络模型为YOLO神经网络模型。
4.根据权利要求1所述的方法，其特征在于，所述第二神经网络模型是基于以下方法训练得到的：
获取所述待检测植物的不同生长状态和各生长状态匹配的生长环境信息作为训练样本；其中，各训练样本具有预先设置的养料配比作为标签；所述生长环境信息包括以下中的至少一种或组合：环境湿度、环境温度、光照强度、风向位置；
基于所述待检测植物的训练样本及其标签训练所述第二神经网络模型的模型参数。
5.根据权利要求1-4中任一所述的方法，其特征在于，所述待检测植物种植在植物生长柜中，所述空气分离设备设置在所述植物生长柜中。
6.一种植物生长柜，其特征在于，包括存储器、处理器、植物培育装置、空气分离设备：
所述存储器，用于存储计算机程序；
所述植物培育装置，用于种植植物并为所述植物提供养料；
所述空气分离设备，用于分离出满足养料配比的养料；
所述处理器，与所述存储器连接，被配置为：
获取待检测植物的图像后，通过第一神经网络模型确定所述待检测植物的当前生长状态；并，
获取所述待检测植物的生长环境信息；
基于所述待检测植物的当前生长状态和所述生长环境信息，通过第二神经网络模型，得到与所述当前生长状态匹配的养料配比；
控制空气分离设备分离出满足所述养料配比的养料；
并将分离出的所述养料通过所述植物培育装置输送给所述待检测植物。
7.根据权利要求6所述的植物生长柜，其特征在于，所述处理器还被配置为：
获取所述待检测植物的训练样本；
基于所述训练样本训练所述第一神经网络模型，以使所述第一神经网络模型输出所述待检测植物的当前生长状态。
8.根据权利要求7所述的植物生长柜，其特征在于，所述第一神经网络模型为YOLO神经网络模型。
9.根据权利要求6所述的植物生长柜，其特征在于，所述处理器还被配置为：
获取所述待检测植物的不同生长状态和各生长状态匹配的生长环境信息作为训练样本；其中，各训练样本具有预先设置的养料配比作为标签；所述生长环境信息包括以下中的至少一种或组合：环境湿度、环境温度、光照强度、风向位置；
基于所述待检测植物的训练样本及其标签训练所述第二神经网络模型的模型参数。
10.根据权利要求6-9中任一所述的植物生长柜，其特征在于，所述空气分离设备设置在所述植物生长柜中。
11.一种电子设备，其特征在于，包括至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行根据权利要求1-5任一项所述的方法。
12.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机程序，所述计算机程序用于使计算机执行根据权利要求1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010584089.6A CN111783946A (zh) | 2020-06-23 | 2020-06-23 | 基于图像处理的植物养料自动分离方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010584089.6A CN111783946A (zh) | 2020-06-23 | 2020-06-23 | 基于图像处理的植物养料自动分离方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111783946A true CN111783946A (zh) | 2020-10-16 |
Family
ID=72757187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010584089.6A Pending CN111783946A (zh) | 2020-06-23 | 2020-06-23 | 基于图像处理的植物养料自动分离方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111783946A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597827A (zh) * | 2020-12-11 | 2021-04-02 | 西北农林科技大学 | 一种基于大数据的植物物候期预测方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1561669A (zh) * | 2004-04-12 | 2005-01-12 | 中国科学院合肥智能机械研究所 | 一种用于农作物生长状态监测及营养施肥处方生成装置和方法 |
| CN107766938A (zh) * | 2017-09-25 | 2018-03-06 | 南京律智诚专利技术开发有限公司 | 一种基于bp神经网络的植物种植方法 |
| CN109089760A (zh) * | 2018-08-03 | 2018-12-28 | 东莞市济丰农业生态园开发有限公司 | 一种生态种植提高大棚农作物产量的方法 |
| CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
-
2020
- 2020-06-23 CN CN202010584089.6A patent/CN111783946A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1561669A (zh) * | 2004-04-12 | 2005-01-12 | 中国科学院合肥智能机械研究所 | 一种用于农作物生长状态监测及营养施肥处方生成装置和方法 |
| CN107766938A (zh) * | 2017-09-25 | 2018-03-06 | 南京律智诚专利技术开发有限公司 | 一种基于bp神经网络的植物种植方法 |
| CN109089760A (zh) * | 2018-08-03 | 2018-12-28 | 东莞市济丰农业生态园开发有限公司 | 一种生态种植提高大棚农作物产量的方法 |
| CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112597827A (zh) * | 2020-12-11 | 2021-04-02 | 西北农林科技大学 | 一种基于大数据的植物物候期预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11783227B2 (en) | Method, apparatus, device and readable medium for transfer learning in machine learning | |
| Xiao et al. | Fruit ripeness identification using YOLOv8 model | |
| Ting et al. | Integrated urban controlled environment agriculture systems | |
| Wang et al. | Fast and precise detection of litchi fruits for yield estimation based on the improved YOLOv5 model | |
| CN111639750A (zh) | 智能花盆的控制方法、装置、智能花盆及存储介质 | |
| JP2018099067A (ja) | 生育管理装置、生育管理方法、及び、プログラム | |
| CN106575870B (zh) | 用于确定用于发电系统的参数设置的系统、方法和设备及有形计算机可读介质 | |
| CN111783946A (zh) | 基于图像处理的植物养料自动分离方法、装置及电子设备 | |
| Ihoume et al. | Developing a multi-label tinyML machine learning model for an active and optimized greenhouse microclimate control from multivariate sensed data | |
| Nyakuri et al. | IoT and AI based smart soil quality assessment for data-driven irrigation and fertilization | |
| Gandhi | Deep reinforcement learning for agriculture: principles and use cases | |
| Araújo et al. | Intelligent data-driven decision support for agricultural systems-ID3SAS | |
| Ye et al. | Estimation of rice seedling growth traits with an end-to-end multi-objective deep learning framework | |
| CN116579873A (zh) | 基于高温干旱气象评估作物灾害减产情况的方法及系统 | |
| CN115966023A (zh) | 防护服规范化穿脱检测方法及相关系统 | |
| US20180144657A1 (en) | Learning assistance apparatus, learning assistance method, and computer-readable storage medium | |
| Bobade et al. | Design of Smart Irrigation System Based on MLA | |
| Ahn et al. | Evaluating Time-Series Prediction of Temperature, Relative Humidity, and CO2 in the Greenhouse with Transformer-Based and RNN-Based Models | |
| Liu et al. | Research on multi-cluster green persimmon detection method based on improved Faster RCNN | |
| CN111062477A (zh) | 一种数据处理方法、装置及存储介质 | |
| CN112364936A (zh) | 基于人工智能的温室控制方法、装置、设备及存储介质 | |
| CN117709732B (zh) | 结合气象监测数据的农业灾害报告生成方法及系统 | |
| Selsiya et al. | Robotic Arm Enabled Automatic Tea Harvester | |
| CN116757338B (zh) | 农作物产量预测方法、装置、电子设备及存储介质 | |
| US20230301247A1 (en) | Machine learning systems for autonomous and semiautonomous plant growth |
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 |