CN111862194B - 基于计算机视觉的深度学习植物生长模型分析方法及系统 - Google Patents
基于计算机视觉的深度学习植物生长模型分析方法及系统 Download PDFInfo
- Publication number
- CN111862194B CN111862194B CN202010772039.0A CN202010772039A CN111862194B CN 111862194 B CN111862194 B CN 111862194B CN 202010772039 A CN202010772039 A CN 202010772039A CN 111862194 B CN111862194 B CN 111862194B
- Authority
- CN
- China
- Prior art keywords
- plant
- value
- image
- growth
- plant 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.)
- Active
Links
- 230000008635 plant growth Effects 0.000 title claims abstract description 90
- 238000013135 deep learning Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 241000196324 Embryophyta Species 0.000 claims abstract description 80
- 230000012010 growth Effects 0.000 claims abstract description 80
- 238000013507 mapping Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000011218 segmentation Effects 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 15
- 230000007613 environmental effect Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 9
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- WZLMXYBCAZZIRQ-UHFFFAOYSA-N [N].[P].[K] Chemical compound [N].[P].[K] WZLMXYBCAZZIRQ-UHFFFAOYSA-N 0.000 claims description 3
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 3
- 239000001569 carbon dioxide Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 230000000243 photosynthetic effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 5
- 239000000049 pigment Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 238000010162 Tukey test Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及精准农业种植技术领域,具体公开了一种基于计算机视觉的深度学习植物生长模型分析方法,包括:实时采集植物生长环境数据和不同生长周期内的植物图像,在所采集的植物图像中提取同一个体植株不同生长周期的图像;计算出同一个体植株不同生长周期的图像中植株叶片的面积,其中,不同生长周期计算出来的叶片面积为对应时刻植物生长状态;建立对应时刻植物生长状态与其生长环境数据的映射关系模型;依据映射关系模型计算出植物不同生长环境因素的权重值。本发明还公开了一种基于计算机视觉的深度学习植物生长模型分析系统。本发明提供的植物生长模型分析方法可以全天候监控植物生长状态,进而量化植物生长环境对植物生长的影响程度。
Description
技术领域
本发明涉及精准农业种植技术领域,更具体地,涉及一种基于计算机视觉的深度学习植物生长模型分析方法及系统。
背景技术
以物联网的崛起为背景,农业物联网在当今的时代逐渐崭露头角,大量的农业传感器被运用的农业生产活动中。但对于植物本身的监控测量还是由人工测量获取,这就导致植物特征数据获取耗费时间过长,人力成本投入过大,数据的质量和数量都无法得到保证。
发明内容
针对现有技术中存在的上述弊端,本发明提供了一种基于计算机视觉的深度学习植物生长模型分析方法及系统,可以全天候监控植物生长状态,计算出同一个体植株不同生长周期的图像中植株叶片的面积,量化植物生长环境对植物生长的影响程度。
作为本发明的第一个方面,提供一种基于计算机视觉的深度学习植物生长模型分析方法,包括:
实时采集植物生长环境数据,及实时采集不同生长周期内的植物图像,在所采集的植物图像中提取同一个体植株不同生长周期的图像;
利用深度学习算法模型,计算出所述同一个体植株不同生长周期的图像中植株叶片的面积,其中,不同生长周期计算出来的叶片面积为对应时刻植物生长状态;
建立对应时刻植物生长状态与其生长环境数据的映射关系模型;
依据所述映射关系模型计算出植物不同生长环境因素的权重值。
进一步地,所述利用深度学习算法模型,计算出所述同一个体植株不同生长周期的图像中植株叶片的面积,包括:
利用YOLOV3目标检测框架,对输入的所述同一个体植株不同生长周期的图像进行识别,识别出叶片信息后并判断其位置;
根据叶片位置截取出所述同一个体植株不同生长周期的图像中的叶片部分;
使用KNN算法对截取出来的叶片图像进行聚类背景分割;
根据聚类背景分割结果去除所述叶片图像中的背景部分;
将去除背景部分的叶片图像进行边缘信息融合补全操作;
根据图像像素梯度值,使用阈值计算对融合补全后的叶片图像进行锐化,突出叶片边缘;
对锐化后的叶片图像进行实例分割,按照图像中分割实例的不同方向角和形状大小标记实例不同序号;
利用Canny算子检测出分割后的实例叶片图像边缘,并绘制分割后的实例叶片图像边缘的轮廓;
根据所述分割后的实例叶片图像边缘的轮廓信息,计算出contour拟合出的多边形的叶片面积。
进一步地,所述使用KNN算法对截取出来的叶片图像进行聚类背景分割,包括:
步骤301,在所述叶片图像中随机选取K个初始聚类中心;
步骤302,计算每个像素值到所述初始聚类中心的欧氏距离,将每个像素点归到与其距离最近的聚类中心所属簇;
步骤303,计算现有每一簇的所有色素均值,以一簇内所有色素的均值作为该簇新的聚类中心;
步骤304,重复第302-303步,直到聚类中心不再变化或达到设定的迭代次数。
进一步地,所述将去除背景部分的叶片图像进行边缘信息融合补全操作,包括:
对图像进行腐蚀,其中,选取7*7的卷积核沿着图像滑动,将B的中心点和二值化图像上的点一一比较,如果在卷积核内所有的1像素点都被包含在对应的原图的像素值1中,则该像素点保留原来的1值,否则变为0值,计算公式为
对腐蚀后的图像进行膨胀,其中,选取7*7的卷积核沿着图像滑动,将B’的中心点和二值化图像上的点一一比较,如果在卷积核内有一个的1值像素点都被包含在对应的原图的像素值1中,则该像素点变为1值,否则为0值,计算公式为
边缘信息融合补全结果表示为OPEN(X)=D(E(X));
其中,B为腐蚀结构元素,B’为膨胀结构元素,a为任意一个像素点,Ba为结构元素中所有1值像素点,X为原图像。
进一步地,所述根据图像像素梯度值,使用阈值计算对融合补全后的叶片图像进行锐化,突出叶片边缘,包括:
阈值计算判断公式:
对于某一色素,若其灰度值大于等于特定值T,则使其加上一个特定值a;对于灰度值小于特定值T的色素,将其设置为本身的灰度值不变;
其中,f(i,j)是图像在(i,j)处的灰度值,G(f(i,j))是图像f(i,j)的梯度值。
进一步地,所述利用Canny算子检测出分割后的实例叶片图像的边缘,并绘制分割后的图像的边缘轮廓,包括:
使用高斯平滑滤波器给图像降噪;
计算梯度幅值和方向,其中,
非极大值抑制保留候选边缘,排除非边缘像素;
滞后阈值。
进一步地,所述建立对应时刻植物生长状态与其生长环境数据的映射关系模型,包括:
使用不同类型传感器实时采集植物生长环境数据,完成数据格式转化,对数据进行预处理工作;
使用多元回归方程建立植物生长状态与环境因素的映射关系,其公式如下:
其中,Growth为植物生长状态曲线,n为传感器类型数量,xi代表第i个类型的传感器采集到的数值,wi为需要机器学习得出的权重值;
计算映射关系模型中每个生长环境因素的权重值,并进行显著性检验,筛选植物生长环境数据中的目标环境因素。
进一步地,所述计算映射关系模型中每个生长环境因素的权重值,并进行显著性检验,筛选植物生长环境数据中的目标环境因素,包括:
对各类生长环境因素变量进行离散化处理;
对各组生长环境因素变量进行WOE编码,公式如下:
其中,pbi是在第i组中,b标签样本量占总b标签样本量的比例;pni是在第i组中,非b标签样本量占总非b标签样本量的比例;#bi是该组中b标签样本数据量;#ni是该组中非b标签样本数据量;#bTotal是该组中b标签总数据量;#nTotal是该组中非b标签总数据量;
对分组样本进行WOE的加权求和,求得IV值,公式如下:
选取IV值中较高的变量,即为植物生长环境数据中的目标环境因素。
进一步地,所述植物生长环境数据包括:温湿度、光照度、二氧化碳浓度、土壤EC值、土壤PH值、土壤氮磷钾值、蒸发量、光合有效辐射值、紫外线值和大气压力值。
作为本发明的第二个方面,提供一种基于计算机视觉的深度学习植物生长模型分析系统,包括:
采集模块,用于实时采集植物生长环境数据,及实时采集不同生长周期内的植物图像,在所采集的植物图像中提取同一个体植株不同生长周期的图像;
第一计算模块,用于利用深度学习算法模型,计算出所述同一个体植株不同生长周期的图像中植株叶片的面积,其中,不同生长周期计算出来的叶片面积为对应时刻植物生长状态;
建立模块,用于建立对应时刻植物生长状态与其生长环境数据的映射关系模型;
第二计算模块,用于依据所述映射关系模型计算出植物不同生长环境因素的权重值。
本发明提供的基于计算机视觉的深度学习植物生长模型分析方法及系统具有以下优点:可以全天候监控植物生长状态,计算出同一个体植株不同生长周期的图像中植株叶片的面积,量化植物生长环境对植物生长的影响程度。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明基于计算机视觉的深度学习植物生长模型分析方法的流程图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的基于计算机视觉的深度学习植物生长模型分析方法及系统其具体实施方式、结构、特征及其功效,详细说明如后。显然,所描述的实施例为本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
在本实施例中提供了一种基于计算机视觉的深度学习植物生长模型分析方法,如图1所示,基于计算机视觉的深度学习植物生长模型分析方法包括:
步骤S110:实时采集植物生长环境数据,及实时采集不同生长周期内的植物图像,在所采集的植物图像中提取同一个体植株不同生长周期的图像;
步骤S120:利用深度学习算法模型,计算出所述同一个体植株不同生长周期的图像中植株叶片的面积,其中,不同生长周期计算出来的叶片面积为对应时刻植物生长状态;
步骤S130:建立对应时刻植物生长状态与其生长环境数据的映射关系模型;
步骤S140:依据所述映射关系模型计算出植物不同生长环境因素的权重值。
具体地,使用实验验证中最优的光谱摄像头拍摄不同生长周期内的植物图像,提取同一个体植株不同生长周期的图像作为源图片数据输入计算机。
需要说明的是,植物生长状态可以通过从监控摄像头的图像中获取的叶片面积、株高和叶数等来估计,本发明是以叶片面积为例,将植株叶片面积提取出来的实现流程如下。
优选地,所述利用深度学习算法模型,计算出所述同一个体植株不同生长周期的图像中植株叶片的面积,包括:
利用YOLOV3目标检测框架,对输入的所述同一个体植株不同生长周期的图像进行识别,识别出叶片信息后并判断其位置;
根据叶片位置截取出所述同一个体植株不同生长周期的图像中的叶片部分;
使用KNN算法对截取出来的叶片图像进行聚类背景分割;
根据聚类背景分割结果去除所述叶片图像中的背景部分;
将去除背景部分的叶片图像进行边缘信息融合补全操作;
根据图像像素梯度值,使用阈值计算对融合补全后的叶片图像进行锐化,突出叶片边缘;
对锐化后的叶片图像进行实例分割,按照图像中分割实例的不同方向角和形状大小标记实例不同序号;
利用Canny算子检测出分割后的实例叶片图像边缘,并绘制分割后的实例叶片图像边缘的轮廓;
根据所述分割后的实例叶片图像边缘的轮廓信息,计算出contour拟合出的多边形的叶片面积。
具体地,根据聚类背景分割结果将分割出的背景部分灰度值设为0,去除其对下分割主体产生的干扰。
优选地,所述使用KNN算法对截取出来的叶片图像进行聚类背景分割,包括:
步骤301,在所述叶片图像中随机选取K个初始聚类中心;
步骤302,计算每个像素值到所述初始聚类中心的欧氏距离,将每个像素点归到与其距离最近的聚类中心所属簇;
步骤303,计算现有每一簇的所有色素均值,以一簇内所有色素的均值作为该簇新的聚类中心;
步骤304,重复第302-303步,直到聚类中心不再变化或达到设定的迭代次数。
优选地,所述将去除背景部分的叶片图像进行边缘信息融合补全操作,包括:
对图像进行腐蚀,其中,选取7*7的卷积核沿着图像滑动,将B的中心点和二值化图像上的点一一比较,如果在卷积核内所有的1像素点都被包含在对应的原图的像素值1中,则该像素点保留原来的1值,否则变为0值,计算公式为
对腐蚀后的图像进行膨胀,其中,选取7*7的卷积核沿着图像滑动,将B’的中心点和二值化图像上的点一一比较,如果在卷积核内有一个的1值像素点都被包含在对应的原图的像素值1中,则该像素点变为1值,否则为0值,计算公式为
边缘信息融合补全结果表示为OPEN(X)=D(E(X));
其中,B为腐蚀结构元素,B’为膨胀结构元素,a为任意一个像素点,Ba为结构元素中所有1值像素点,X为原图像。
优选地,所述根据图像像素梯度值,使用阈值计算对融合补全后的叶片图像进行锐化,突出叶片边缘,包括:
阈值计算判断公式:
对于某一色素,若其灰度值大于等于特定值T,则使其加上一个特定值a;对于灰度值小于特定值T的色素,将其设置为本身的灰度值不变;
其中,f(i,j)是图像在(i,j)处的灰度值,G(f(i,j))是图像f(i,j)的梯度值。
优选地,所述利用Canny算子检测出分割后的实例叶片图像的边缘,并绘制分割后的图像的边缘轮廓,包括:
使用高斯平滑滤波器给图像降噪;
计算梯度幅值和方向,其中,
非极大值抑制保留候选边缘,排除非边缘像素;
滞后阈值。
优选地,所述建立对应时刻植物生长状态与其生长环境数据的映射关系模型,包括:
使用不同类型传感器实时采集植物生长环境数据,完成数据格式转化,对数据进行预处理工作;
使用多元回归方程建立植物生长状态与环境因素的映射关系,其公式如下:
其中,Growth为植物生长状态曲线,n为传感器类型数量,xi代表第i个类型的传感器采集到的数值,wi为需要机器学习得出的权重值;
计算映射关系模型中每个生长环境因素的权重值,并进行显著性检验,筛选植物生长环境数据中的目标环境因素。
具体地,wi的求解过程如下:目标函数是min[(True_Growth–Growth)2],True_Growth代表图像分析中得出的真实植物生长状态数据,目标函数的意义是让真实生长状态数据与映射函数计算出来的值最接近,利用最小二乘法就可以求出wi的值。
优选地,所述计算映射关系模型中每个生长环境因素的权重值,并进行显著性检验,筛选植物生长环境数据中的目标环境因素,包括:
对各类生长环境因素变量进行离散化处理;
对各组生长环境因素变量进行WOE编码,公式如下:
其中,pbi是在第i组中,b标签样本量占总b标签样本量的比例;pni是在第i组中,非b标签样本量占总非b标签样本量的比例;#bi是该组中b标签样本数据量;#ni是该组中非b标签样本数据量;#bTotal是该组中b标签总数据量;#nTotal是该组中非b标签总数据量;
对分组样本进行WOE的加权求和,求得IV值,公式如下:
选取IV值中较高的变量,即为植物生长环境数据中的目标环境因素,其中,IV表示信息价值,代表了环境因素对植物生长状态影响程度的大小,目标环境因素即为对植物生长状态影响较大的因素。
优选地,所述植物生长环境数据包括:温湿度、光照度、二氧化碳浓度、土壤EC值、土壤PH值、土壤氮磷钾值、蒸发量、光合有效辐射值、紫外线值和大气压力值。
具体地,首先计算植物生长状态,通过摄像机记录植物从发芽到成株整个过程,利用深度学习算法模型计算出不同时期获取到的图片中植株叶片的面积,将不同时刻计算出来的叶片面积即为对应时刻植物生长的状态;其次,将不同时刻采集的环境数据与相应的生长状态数据做映射关系函数,通过函数方程计算出不同环境因数的权重值,这样就可以量化出不同环境因数对植物生长的贡献程度;另外,通过人工干预植物生长环境,测量在改变生长环境情况下的植物生长状态数据,然后与先前植物生长状态数据做比较,可以测量环境变化对植物生长的影响程度。
比如,我们发现温度(Temperature)是一个显著性环境因素,该因素下共有4个水平:15℃、20℃、25℃和30℃,每个水平下的叶片面积的均值,如下表所示;
温度 | 叶片面积均值 | 编号 |
15℃ | 4 | 1 |
20℃ | 4.25 | 2 |
25℃ | 8.5 | 3 |
30℃ | 3.5 | 4 |
利用方差分析lsmean算法中TUKEY方法,两两比较温度对植物叶片面积的影响,可以计算出温度不同水平间差异分析结果,如下表所示;
根据统计分析假设条件,当上表中值<0.05时,认为温度因素对植物生长有显著影响,如表中0.004<0.05,表示25℃和30℃这个生长环境因素条件下对植物生长有明显影响。
作为本发明的另一实施例,提供一种基于计算机视觉的深度学习植物生长模型分析系统,包括:
采集模块,用于实时采集植物生长环境数据,及实时采集不同生长周期内的植物图像,在所采集的植物图像中提取同一个体植株不同生长周期的图像;
第一计算模块,用于利用深度学习算法模型,计算出所述同一个体植株不同生长周期的图像中植株叶片的面积,其中,不同生长周期计算出来的叶片面积为对应时刻植物生长状态;
建立模块,用于建立对应时刻植物生长状态与其生长环境数据的映射关系模型;
第二计算模块,用于依据所述映射关系模型计算出植物不同生长环境因素的权重值。
本发明提供的基于计算机视觉的深度学习植物生长模型分析方法及系统,通过对植物叶片的图像进行分割,使用深度学习算法提取叶片信息,并计算叶片面积,根据拍摄时序建立植物生长曲线;并将传感器采集的环境因素与植物生长曲线建立映射关系,计算出各环境因素权重值。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (9)
1.一种基于计算机视觉的深度学习植物生长模型分析方法,其特征在于,包括:
实时采集植物生长环境数据,及实时采集不同生长周期内的植物图像,在所采集的植物图像中提取同一个体植株不同生长周期的图像;
利用深度学习算法模型,计算出所述同一个体植株不同生长周期的图像中植株叶片的面积,其中,不同生长周期计算出来的叶片面积为对应时刻植物生长状态;
建立对应时刻植物生长状态与其生长环境数据的映射关系模型;
依据所述映射关系模型计算出植物不同生长环境因素的权重值;
其中,所述利用深度学习算法模型,计算出所述同一个体植株不同生长周期的图像中植株叶片的面积,包括:
利用YOLOV3目标检测框架,对输入的所述同一个体植株不同生长周期的图像进行识别,识别出叶片信息后并判断其位置;
根据叶片位置截取出所述同一个体植株不同生长周期的图像中的叶片部分;
使用KNN算法对截取出来的叶片图像进行聚类背景分割;
根据聚类背景分割结果去除所述叶片图像中的背景部分;
将去除背景部分的叶片图像进行边缘信息融合补全操作;
根据图像像素梯度值,使用阈值计算对融合补全后的叶片图像进行锐化,突出叶片边缘;
对锐化后的叶片图像进行实例分割,按照图像中分割实例的不同方向角和形状大小标记实例不同序号;
利用Canny算子检测出分割后的实例叶片图像边缘,并绘制分割后的实例叶片图像边缘的轮廓;
根据所述分割后的实例叶片图像边缘的轮廓信息,计算出contour拟合出的多边形的叶片面积。
2.根据权利要求1所述的基于计算机视觉的深度学习植物生长模型分析方法,其特征在于,所述使用KNN算法对截取出来的叶片图像进行聚类背景分割,包括:
步骤301,在所述叶片图像中随机选取K个初始聚类中心;
步骤302,计算每个像素值到所述初始聚类中心的欧氏距离,将每个像素点归到与其距离最近的聚类中心所属簇;
步骤303,计算现有每一簇的所有像素点均值,以一簇内所有像素点的均值作为该簇新的聚类中心;
步骤304,重复第302-303步,直到聚类中心不再变化或达到设定的迭代次数。
3.根据权利要求1所述的基于计算机视觉的深度学习植物生长模型分析方法,其特征在于,所述将去除背景部分的叶片图像进行边缘信息融合补全操作,包括:
对图像进行腐蚀,其中,选取7*7的卷积核沿着图像滑动,将B的中心点和二值化图像上的点一一比较,如果在卷积核内所有的像素值等于1的像素点都被包含在对应的原图的像素值等于1的像素点中,则该像素点保留原来的1值,否则变为0值,计算公式为
对腐蚀后的图像进行膨胀,其中,选取7*7的卷积核沿着图像滑动,将B’的中心点和二值化图像上的点一一比较,如果在卷积核内有一个的像素值等于1的像素点都被包含在对应的原图的像素值等于1的像素点中,则该像素点变为1值,否则为0值,计算公式为
边缘信息融合补全结果表示为OPEN(X)=D(E(X));
其中,B为腐蚀结构元素,B’为膨胀结构元素,a为任意一个像素点,Ba为腐蚀结构元素中像素值等于1的像素点,X为原图像,B’a为膨胀结构元素中像素值等于1的像素点。
7.根据权利要求6所述的基于计算机视觉的深度学习植物生长模型分析方法,其特征在于,所述计算映射关系模型中每个生长环境因素的权重值,并进行显著性检验,筛选植物生长环境数据中的目标环境因素,包括:
对各类生长环境因素变量进行离散化处理;
对各组生长环境因素变量进行WOE编码,公式如下:
其中,pbi是在第i组中,b标签样本量占总b标签样本量的比例;pni是在第i组中,非b标签样本量占总非b标签样本量的比例;#bi是该组中b标签样本数据量;#ni是该组中非b标签样本数据量;#bTotal是该组中b标签总数据量;#nTotal是该组中非b标签总数据量;
对分组样本进行WOE的加权求和,求得IV值,公式如下:
选取IV值中较高的变量,即为植物生长环境数据中的目标环境因素。
8.根据权利要求1所述的基于计算机视觉的深度学习植物生长模型分析方法,其特征在于,所述植物生长环境数据包括:温湿度、光照度、二氧化碳浓度、土壤EC值、土壤PH值、土壤氮磷钾值、蒸发量、光合有效辐射值、紫外线值和大气压力值。
9.一种基于计算机视觉的深度学习植物生长模型分析系统,用于实现权利要求1-8中任意一项所述的基于计算机视觉的深度学习植物生长模型分析方法,其特征在于,包括:
采集模块,用于实时采集植物生长环境数据,及实时采集不同生长周期内的植物图像,在所采集的植物图像中提取同一个体植株不同生长周期的图像;
第一计算模块,用于利用深度学习算法模型,计算出所述同一个体植株不同生长周期的图像中植株叶片的面积,其中,不同生长周期计算出来的叶片面积为对应时刻植物生长状态;
建立模块,用于建立对应时刻植物生长状态与其生长环境数据的映射关系模型;
第二计算模块,用于依据所述映射关系模型计算出植物不同生长环境因素的权重值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010772039.0A CN111862194B (zh) | 2020-08-04 | 2020-08-04 | 基于计算机视觉的深度学习植物生长模型分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010772039.0A CN111862194B (zh) | 2020-08-04 | 2020-08-04 | 基于计算机视觉的深度学习植物生长模型分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111862194A CN111862194A (zh) | 2020-10-30 |
CN111862194B true CN111862194B (zh) | 2022-06-03 |
Family
ID=72953374
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010772039.0A Active CN111862194B (zh) | 2020-08-04 | 2020-08-04 | 基于计算机视觉的深度学习植物生长模型分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111862194B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112504348B (zh) * | 2020-12-11 | 2023-07-25 | 厦门汇利伟业科技有限公司 | 一种融合环境因素的物体状态显示方法和系统 |
CN112529805B (zh) * | 2020-12-14 | 2024-04-30 | 北京达佳互联信息技术有限公司 | 图像修复方法、装置、电子设备和存储介质 |
CN112710661B (zh) * | 2020-12-25 | 2022-07-22 | 河北北方学院 | 一种马铃薯育种监测分析方法及系统 |
CN114764833A (zh) | 2021-01-12 | 2022-07-19 | 富泰华工业(深圳)有限公司 | 植物生长曲线确定方法、装置、电子设备及介质 |
TWI755250B (zh) * | 2021-01-12 | 2022-02-11 | 鴻海精密工業股份有限公司 | 植物生長曲線確定方法、裝置、電子設備及存儲媒體 |
TWI795708B (zh) * | 2021-01-12 | 2023-03-11 | 鴻海精密工業股份有限公司 | 植物生長高度確定方法、裝置、電腦裝置及介質 |
CN113221723B (zh) * | 2021-05-08 | 2024-04-09 | 余治梅 | 可溯源的自反馈学习城市植物工厂 |
CN113377062B (zh) * | 2021-07-08 | 2021-12-21 | 深圳市汉品景观工程有限公司 | 一种具有病虫害和旱情监控的多功能预警系统 |
CN113470007A (zh) * | 2021-07-26 | 2021-10-01 | 柒久园艺科技(北京)有限公司 | 一种基于植物生长状态的数据分析方法、系统及存储介质 |
CN116058195B (zh) * | 2023-04-06 | 2023-07-04 | 中国农业大学 | 一种叶菜生长环境光照调控方法、系统及装置 |
CN118261869A (zh) * | 2024-03-25 | 2024-06-28 | 湖北麦麦农业科技有限公司 | 一种生菜的生长量监测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191520A (zh) * | 2018-09-30 | 2019-01-11 | 湖北工程学院 | 一种基于色彩标定的植物叶面积测量方法及系统 |
CN111369093A (zh) * | 2018-12-26 | 2020-07-03 | 天云融创数据科技(北京)有限公司 | 基于机器学习的灌溉方法和装置 |
CN111435260A (zh) * | 2019-01-14 | 2020-07-21 | 胡欣然 | 植物生长环境参数监控及环境模拟系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10803312B2 (en) * | 2018-06-06 | 2020-10-13 | AgEYE Technologies, Inc. | AI-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits |
-
2020
- 2020-08-04 CN CN202010772039.0A patent/CN111862194B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191520A (zh) * | 2018-09-30 | 2019-01-11 | 湖北工程学院 | 一种基于色彩标定的植物叶面积测量方法及系统 |
CN111369093A (zh) * | 2018-12-26 | 2020-07-03 | 天云融创数据科技(北京)有限公司 | 基于机器学习的灌溉方法和装置 |
CN111435260A (zh) * | 2019-01-14 | 2020-07-21 | 胡欣然 | 植物生长环境参数监控及环境模拟系统 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的大棚蔬菜生长状况的监测;豆东东;《中国优秀硕士学位论文全文数据库信息科技辑》;20170215;6 蔬菜生长状况监测系统软件设计 * |
Also Published As
Publication number | Publication date |
---|---|
CN111862194A (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111862194B (zh) | 基于计算机视觉的深度学习植物生长模型分析方法及系统 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和系统 | |
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN108305243B (zh) | 一种基于深度学习的磁瓦表面缺陷检测方法 | |
CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
CN108681692B (zh) | 一种基于深度学习的遥感图像内新增建筑识别方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN111383209A (zh) | 一种基于全卷积自编码器网络的无监督瑕疵检测方法 | |
CN112949704B (zh) | 一种基于图像分析的烟叶成熟度状态识别方法及装置 | |
CN111860106B (zh) | 一种无监督的桥梁裂缝识别方法 | |
CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN112258490A (zh) | 基于光学和红外图像融合的低发射率涂层智能探损方法 | |
CN112785578A (zh) | 一种基于u型编码解码器神经网络的道路裂缝检测方法及系统 | |
CN116740728B (zh) | 一种用于晶圆读码器动态获取方法和系统 | |
CN115147418B (zh) | 缺陷检测模型的压缩训练方法和装置 | |
CN111754538A (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN111950556A (zh) | 一种基于深度学习的号牌印刷质量检测方法 | |
CN109507193A (zh) | 一种基于局部对比度增强与二值模式的织物瑕疵检测方法 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN112396580B (zh) | 一种圆形零件缺陷检测方法 | |
CN117437228A (zh) | 基于图像特征的光伏钢结构组件断裂检测方法 | |
CN114065798A (zh) | 基于机器识别的视觉识别方法及装置 | |
CN112784922A (zh) | 智能云端医疗影像的提取和分类方法 | |
CN117557505A (zh) | 一种基于机器视觉的绝缘服缺陷检测方法 | |
CN117253062A (zh) | 一种任意姿态下的继电器触点图像特征快速匹配方法 |
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 |