CN112036022B - 一种秧苗需水定量方法、装置及灌溉系统 - Google Patents
一种秧苗需水定量方法、装置及灌溉系统 Download PDFInfo
- Publication number
- CN112036022B CN112036022B CN202010869569.7A CN202010869569A CN112036022B CN 112036022 B CN112036022 B CN 112036022B CN 202010869569 A CN202010869569 A CN 202010869569A CN 112036022 B CN112036022 B CN 112036022B
- Authority
- CN
- China
- Prior art keywords
- humidity
- curve
- seedling
- temperature
- area
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 103
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003973 irrigation Methods 0.000 title claims abstract description 25
- 230000002262 irrigation Effects 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000011002 quantification Methods 0.000 claims abstract description 5
- 241000209094 Oryza Species 0.000 claims description 28
- 235000007164 Oryza sativa Nutrition 0.000 claims description 28
- 235000009566 rice Nutrition 0.000 claims description 28
- 238000005259 measurement Methods 0.000 claims description 26
- 238000005286 illumination Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 13
- 241001237160 Kallima inachus Species 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 2
- 241000518579 Carea Species 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 21
- 239000000758 substrate Substances 0.000 description 11
- 239000011159 matrix material Substances 0.000 description 8
- 230000011218 segmentation Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000009434 installation Methods 0.000 description 4
- 238000010899 nucleation Methods 0.000 description 3
- 235000004035 Cryptotaenia japonica Nutrition 0.000 description 2
- 102000007641 Trefoil Factors Human genes 0.000 description 2
- 235000015724 Trifolium pratense Nutrition 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000011410 subtraction method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012795 verification Methods 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
- 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
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- 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)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Animal Husbandry (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Evolutionary Biology (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种秧苗需水定量方法、装置及灌溉系统，其中方法包括根据天气预报信息拟合温度、湿度曲线，并得到对应的温度、湿度模糊区间，结合秧苗的生长期，计算待测秧苗的需水量，从而为灌溉提供数据参考。本发明还提供了基于该需水定量方法的灌溉系统，该系统还可以对秧苗的状态进行预警，包括烧叶、枯叶、干尖预警。本发明可以实现秧苗需水状况的监测与评估，综合秧苗的生产需求，对秧苗进行智能灌施，从而确保秧苗的生长质量和生长周期。
Description
技术领域
本发明涉及一种农业灌溉用作物需水定量计算方法及系统，尤其涉及一种秧苗需水定量计算方法温度及灌溉系统。
背景技术
现在农村劳动力老龄化严重，集中育秧成为了越来越多的农业合作社的首选。随着农业从业人员的老龄化，育秧灌施已经成为水稻种植农事作业中关键的种植技术，经验的缺乏和技术细节的疏漏，会导致育秧环节的毁灭性灾难，从而有可能对整个水稻种植农事作业带来无法弥补的损失。集中育秧带来的水稻机插秧苗的商品化，必然导致水稻育秧过程的规范化管控和精细化管理，达到水稻秧苗的成苗规格标准化，有利于提高机插秧苗的成功率，稳定农田产量。硬地育秧基质比较薄，秧苗容易缺水。但秧苗的灌施方案不仅可以配合农事需要，小范围调整成苗的时间，同时可以通过灌施控制秧苗的株高，秧苗茎的粗度以及根系的发育程度等。秧苗的基质厚度较薄，比较难通过传统的土壤水分传感器测得准确的水分，通常的数据误差0～50％的测量范围内，计算误差在10％左右。因此采用图像识别等综合判据的方式对水稻硬地秧苗需水状况进行监测，是进行大棚内水稻硬地秧智能灌施的基础。
发明内容
发明目的：本发明提出一种可以准确计算水稻灌溉需水量的方法。本发明的另一目的在于提供可以智能灌溉、预警的水稻育秧灌溉系统。
技术方案：本发明所述的秧苗需水定量计算方法，包括：
(1)根据天气预报信息拟合出待测秧苗所处环境的温度曲线，对其进行模糊分类，得到温度模糊区间；
(2)根据天气预报信息拟合出待测秧苗所处环境的湿度曲线，对其进行模糊分类，得到湿度模糊区间；
(3)判断待测秧苗所处的生长期；
(4)根据所述温度模糊区间、湿度模糊区间和生长期，计算待测秧苗的需水量。
进一步地，所述步骤(1)包括：根据温度曲线的温度波动区间、测量时间内温度曲线面积，划分需水等级。
进一步地，所述温度曲线需水等级划分如下：
若一天中所述温度曲线的波动区间主要为20℃以下，且在相同测量时间内温度曲线面积Sh<S1，则需水等级为极微需水状态T1，其中S1表示20℃度及以下温度曲线面积；
若一天中所述温度曲线的波动区间主要为20℃～24℃，且在相同测量时间内温度曲线面积S1≦Sh<S1+S2，则需水等级为极少需水状态T2，其中S2表示20℃～24℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为24℃～27℃，且在相同测量时间内温度曲线面积S1+S2≦Sh<S1+S2+S3，则需水等级为较少需水状态T3，其中S3表示24℃～27℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为27℃～30℃，且在相同测量时间内温度曲线面积S1+S2+S3≦Sh<S1+S2+S3+S4，则需水等级为正常需水状态T4，其中S4表示27℃～30℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为30℃～33℃，且在相同测量时间内温度曲线面积S1+S2+S3+S4≦Sh<S1+S2+S3+S4+S5，则需水等级为较大需水状态T5，其中S5表示30℃～33℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为33℃～36℃，且在相同测量时间内温度曲线面积S1+S2+S3+S4+S5≦Sh<S1+S2+S3+S4+S5+S6，则需水等级为严重需水状态T6，其中S6表示33℃～36℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为36℃以上，且在相同测量时间内温度曲线面积Sh≧S1+S2+S3+S4+S5+S6，则需水等级为严重需水状态T7；
将得到的需水等级作为温度模糊区间。
进一步地，所述步骤(2)包括：根据湿度曲线的相对湿度波动区间、测量时间内湿度曲线面积，划分湿度模糊区间。
进一步地，所述湿度模糊区间的划分如下：
若一天中所述湿度曲线的波动区间主要为50％以下，且在相同测量时间内湿度曲线面积Ah<A0，则湿度模糊区间为干燥状态H0，其中A0表示50％及其以下湿度曲线面积；
若一天中所述湿度曲线的波动区间主要为50％～60％，且在相同测量时间内湿度曲线面积A0≦Ah<A0+A1，则湿度模糊区间为正常状态H1，其中A1表示50％～60％湿度曲线面积；
若一天中所述湿度曲线的波动区间主要为60％～80％，且在相同测量时间内湿度曲线面积A0+A1≦Ah<A0+A1+A2，则湿度模糊区间为偏湿状态H2，其中A2表示60％～80％湿度曲线面积；
若一天中所述湿度曲线的波动区间主要为80％～100％，且在相同测量时间内湿度曲线面积A0+A1+A2≦Ah<A0+A1+A2+A3，则湿度模糊区间为高湿状态H3，其中A3表示 80％～95％湿度曲线面积。
进一步地，所述待测秧苗的需水量计算公式如下：
Q(Pi,Tj,Hk)＝QB(Pi,Tj,Hk)+△QBj(Pi,Tj,Hk)(STj-SbTj)/SbTj+△QBk(Pi,Tj,Hk)(SHk-SbHk)/SbHk
△QBj(Pi,Tj,Hk)＝Max[QBj(Pi,Tj,Hk)]-Min[QBj(Pi,Tj,Hk)]
△QBk(Pi,Tj,Hk)＝Max[QBk(Pi,Tj,Hk)]-Min[QBk(Pi,Tj,Hk)]
其中，Q(Pi,Tj,Hk)为待测秧苗需水量预测值；Pi为待测秧苗所处的生长期，i为生长期序号；Tj为待测秧苗所处的温度模糊区间，j为温度模糊区间序号；Hk为待测秧苗所处的湿度模糊区间，k为湿度模糊区间序号；QB(Pi,Tj,Hk)为全生长期平均需水量；SbTj为Tj对应的温度标准曲线面积；SbHk为Hk对应的湿度标准曲线面积；STj为Tj的实际温度曲线面积；SHk为Hk的实际湿度曲线面积；△QBj(Pi,Tj,Hk)为QB(Pi,Tj,Hk)第j个温度模糊区的修正需水量，△QBk(Pi,Tj,Hk)为QB(Pi,Tj,Hk)第k个湿度模糊区的修正需水量。
本发明所述的秧苗需水定量计算装置，包括：
温度模糊模块，用于根据天气预报信息拟合出待测秧苗所处环境的温度曲线，对其进行模糊分类，得到温度模糊区间；
湿度模糊模块，用于根据天气预报信息拟合出待测秧苗所处环境的湿度曲线，对其进行模糊分类，得到湿度模糊区间；
叶期判断模块，用于判断待测秧苗所处的生长期；
计算模块，用于根据所述温度模糊区间、湿度模糊区间和生长期，计算待测秧苗的需水量。
本发明所述的水稻硬地育秧灌溉系统，包括云处理中心，所述云处理中心与工业网关、终端连接，用于执行上述秧苗需水定量计算方法的部分或全部步骤；所述工业网关与无线传输模块组连接，所述无线传输模块组通过无线传输模块与就地控制中心信息交互；所述就地控制中心与光照传感器、环境温湿度传感器、土壤温湿度传感器、图像采集控制器通过Modbus RTU进行信息交互；所述配准片用于作为所述图像采集控制器的图像配准的基准，设置在所述摄像头的正对面；所述图像控制器与摄像头连接；其中，所述图像采集控制器用于控制摄像头进行图像采集，并对摄像头回传的图像进行处理；所述摄像头用于对秧苗状态进行监测；所述光照传感器用于控制图像采集的时间。
进一步地，所述云处理中心还用于识别秧苗状态，进行预警，所述秧苗状态包括烧叶、枯叶、干尖。
进一步地，所述云处理中心以秧苗当天光照为5000lx且在上午9时前的秧苗图像四色分割域作为比较基准，对实时秧苗图片的基准四色域区域内的图像进行边缘提取，进行四色域划分得到新的四色区域，根据新的四色区域的比对参数进行预警，所述比对参数包括每一行所分割的四色区域数、每一行所分割的四色域的直径、每一个四色域的高度、所述摄像头末端的两个区域的四色域的直径、摄像头末端的两个区域的四色域的高度、所述摄像头末端的两个区域每一行所分割的四色区域数：
若所述比对参数中至少有两个变化率超过100％且当日补水前光照>5000lx累积时间超过3h，则判断为干尖预警；对枯叶和烧叶的原始图像进行颜色聚类分析，得到三个聚类中心(AMNi,SMNi)、(AKNi,SKNi)和(ASNi,SSNi)，计算两两之间的像素距离，按照距离划分枯叶和烧叶像素，对枯叶和烧叶像素进行邻域合并形成枯叶和烧叶的连通域，计算枯叶和烧叶连通域的面积SKj和SSi，根据预警阈值判断枯叶和烧叶程度，超过阈值则进行预警。
有益效果：本发明提供了一种综合天气预测、实时温度光照湿度监测、水稻秧苗图像辨识等技术手段的水稻秧苗精确需水定量计算方法，为水稻秧苗的精准生长控制，秧苗的节水灌溉打下坚实基础，同时又对于枯叶、烧叶等水稻秧苗育秧过程中常见的控水不当事故进行预警，有效降低水稻秧苗控水事故发生，提高水稻秧苗的成苗质量。
附图说明
图1是本发明所述秧苗需水定量计算方法流程图；
图2是本实施的湿度曲线图；
图3是本实施例的温度曲线图；
图4是本实施例的水稻硬地育秧灌溉系统示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
1.秧苗需水状况模糊定量表试验测定
不同品种的水稻秧苗以及不同机插需求，秧苗需水状况的模糊定量表均不同。因此在本技术方案实施之初，需要按用户的需求，对秧苗需水状况模糊定量表进行试验测定。测定是在试验温室中完成，试验温室可以调节光照、试验温室的温度和湿度，按用户给定的基质盘规格、基质配方、秧苗品种、机插秧的规格需求，分别对秧苗一叶期、两叶期、三叶期初期、三叶期中期、三叶期后期五个时期，15天左右生长周期进行秧苗需水状况模糊定量表试验测定。如果秧苗的叶形、播种密度、基质厚度、基质配方有类似参数规格，本步骤也可以省略。
模糊定量表(如下表1所示)为秧苗生长时期，室内温度曲线，室内光照曲线，室内湿度曲线四个输入量。其中室内光照曲线和室内温度曲线在温室通风良好的情况下是一个警示曲线，在模糊定量表制定过程中作为一个输入值处理。室内温度曲线分为T1、 T2、T3、T4、T5、T6、T7一共7种状态，分别代表了极微需水、极少需水、较少需水、正常需水、较大需水、严重需水、极度需水等七种可能需水的需求(需水等级根据温度曲线制定的，7种温度曲线代表7种需水需求)。室内光照曲线根据当地天气数据和育秧时节来确定的，主要包括最高气温区、最低气温区、最高气温延续时间长度，从历史气象数据来看，最高气温越高，最高气温延续的时间长度越长，通常来讲秧苗所需的水量也就越大。当然基质的持水能力也是秧苗需水需求的重要表达，但这个指标的用户给定参数是确定的，不作为影响因素处理，作为试验的给定条件或者参数。
表1 秧苗需水情况模糊定量表
| P<sub>1</sub> | T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | T<sub>7</sub> |
| H<sub>0</sub> | Q<sub>B</sub>(P<sub>1</sub>,T<sub>1</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>2</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>3</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>4</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>5</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>6</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>7</sub>,H<sub>0</sub>) |
| H<sub>1</sub> | Q<sub>B</sub>(P<sub>1</sub>,T<sub>1</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>2</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>3</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>4</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>5</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>6</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>7</sub>,H<sub>1</sub>) |
| H<sub>2</sub> | Q<sub>B</sub>(P<sub>1</sub>,T<sub>1</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>2</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>3</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>4</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>5</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>6</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>7</sub>,H<sub>2</sub>) |
| H<sub>3</sub> | Q<sub>B</sub>(P<sub>1</sub>,T<sub>1</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>2</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>3</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>4</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>5</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>6</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>1</sub>,T<sub>7</sub>,H<sub>3</sub>) |
| P<sub>2</sub> | T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | T<sub>7</sub> |
| H<sub>0</sub> | Q<sub>B</sub>(P<sub>2</sub>,T<sub>1</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>2</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>3</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>4</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>5</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>6</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>7</sub>,H<sub>0</sub>) |
| H<sub>1</sub> | Q<sub>B</sub>(P<sub>2</sub>,T<sub>1</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>2</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>3</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>4</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>5</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>6</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>7</sub>,H<sub>1</sub>) |
| H<sub>2</sub> | Q<sub>B</sub>(P<sub>2</sub>,T<sub>1</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>2</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>3</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>4</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>5</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>6</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>7</sub>,H<sub>2</sub>) |
| H<sub>3</sub> | Q<sub>B</sub>(P<sub>2</sub>,T<sub>1</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>2</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>3</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>4</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>5</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>6</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>2</sub>,T<sub>7</sub>,H<sub>3</sub>) |
| P<sub>3</sub> | T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | T<sub>7</sub> |
| H<sub>0</sub> | Q<sub>B</sub>(P<sub>3</sub>,T<sub>1</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>2</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>3</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>4</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>5</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>6</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>7</sub>,H<sub>0</sub>) |
| H<sub>1</sub> | Q<sub>B</sub>(P<sub>3</sub>,T<sub>1</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>2</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>3</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>4</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>5</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>6</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>7</sub>,H<sub>1</sub>) |
| H<sub>2</sub> | Q<sub>B</sub>(P<sub>3</sub>,T<sub>1</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>2</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>3</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>4</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>5</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>6</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>7</sub>,H<sub>2</sub>) |
| H<sub>3</sub> | Q<sub>B</sub>(P<sub>3</sub>,T<sub>1</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>2</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>3</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>4</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>5</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>6</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>3</sub>,T<sub>7</sub>,H<sub>3</sub>) |
| P<sub>4</sub> | T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | T<sub>7</sub> |
| H<sub>0</sub> | Q<sub>B</sub>(P<sub>4</sub>,T<sub>1</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>2</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>3</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>4</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>5</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>6</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>7</sub>,H<sub>0</sub>) |
| H<sub>1</sub> | Q<sub>B</sub>(P<sub>4</sub>,T<sub>1</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>2</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>3</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>4</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>5</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>6</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>7</sub>,H<sub>1</sub>) |
| H<sub>2</sub> | Q<sub>B</sub>(P<sub>4</sub>,T<sub>1</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>2</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>3</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>4</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>5</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>6</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>7</sub>,H<sub>2</sub>) |
| H<sub>3</sub> | Q<sub>B</sub>(P<sub>4</sub>,T<sub>1</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>2</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>3</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>4</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>5</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>6</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>4</sub>,T<sub>7</sub>,H<sub>3</sub>) |
| P<sub>5</sub> | T<sub>1</sub> | T<sub>2</sub> | T<sub>3</sub> | T<sub>4</sub> | T<sub>5</sub> | T<sub>6</sub> | T<sub>7</sub> |
| H<sub>0</sub> | Q<sub>B</sub>(P<sub>5</sub>,T<sub>1</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>2</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>3</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>4</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>5</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>6</sub>,H<sub>0</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>7</sub>,H<sub>0</sub>) |
| H<sub>1</sub> | Q<sub>B</sub>(P<sub>5</sub>,T<sub>1</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>2</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>3</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>4</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>5</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>6</sub>,H<sub>1</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>7</sub>,H<sub>1</sub>) |
| H<sub>2</sub> | Q<sub>B</sub>(P<sub>5</sub>,T<sub>1</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>2</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>3</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>4</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>5</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>6</sub>,H<sub>2</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>7</sub>,H<sub>2</sub>) |
| H<sub>3</sub> | Q<sub>B</sub>(P<sub>5</sub>,T<sub>1</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>2</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>3</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>4</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>5</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>6</sub>,H<sub>3</sub>) | Q<sub>B</sub>(P<sub>5</sub>,T<sub>7</sub>,H<sub>3</sub>) |
湿度是秧苗需水量的一个重要指标，在通风状况良好的情况下，温室内湿度可以用环境湿度衡量。根据育秧时节湿度制定干燥、正常、偏湿、高湿四种湿度区间，分别为 H0、H1、H2、H3。湿度曲线较为平滑，试验方案中一天的湿度曲线主要在50％以下区间波动，且10小时湿度面积Ah<A0，定义为干燥；试验方案中一天的湿度曲线主要在 50％～60％区间波动，且10小时湿度面积A0≦Ah<A0+A1，定义为正常；试验方案中一天的湿度曲线主要在60％～80％区间波动，且10小时湿度面积A0+A1≦Ah<A0+A1+A2，定义为偏湿；试验方案中一天的湿度曲线主要在80％～100％区间波动，且10小时湿度面积A0+A1+A2≦Ah<A0+A1+A2+A3，定义为高湿。湿度曲线取上午8点到晚上6点的10h 主要需水区湿度。
试验方案中一天的温度曲线主要在20℃以下区间波动，且10小时温度面积Sh<S1，定义为T1；试验方案中一天的温度曲线主要在20℃～24℃区间波动，且10小时温度面积S1≦Sh<S1+S2，定义为T2；试验方案中一天的温度曲线主要在24℃～27℃区间波动，且10小时温度面积S1+S2≦Sh<S1+S2+S3，定义为T3；试验方案中一天的湿度曲线主要在27℃～30℃区间波动，且10小时湿度面积S1+S2+S3≦Sh<S1+S2+S3+S4，定义为T4；试验方案中一天的湿度曲线主要在30℃～33℃区间波动，且10小时湿度面积S1+S2+ S3+S4≦Sh<S1+S2+S3+S4+S5，定义为T5；试验方案中一天的湿度曲线主要在33℃～36℃区间波动，且10小时湿度面积S1+S2+S3+S4+S5≦Sh<S1+S2+S3+S4+S5+S6，定义为 T6；试验方案中一天的湿度曲线主要在36℃以上区间波动，且10小时湿度面积Sh≧S1+ S2+S3+S4+S5+S6，定义为T7。定义T1、T2、T3、T4、T5、T6、T7一共7种室内温度曲线代表的可能需水状态。
在基质配比、厚度、播种密度、水稻品种固定情况下，在秧苗的一叶期、两叶期、三叶期初期、三叶期中期、三叶期后期，五个时间阶段(P1、P2、P3、P4、P5)，分别进行T1、T2、T3、T4、T5、T6、T7一共7种温度曲线，H0、H1、H2、H3四种湿度曲线，一共28种试验方案，试验获得秧苗的生长需水量预测值Q(Pi,Tj,Hk)。其中，序号i＝1,…,5； j＝1,…,7；k＝1,2,3,4。分别定义Tj的基准10h温度标准曲线面积为SbTj，Hk的基准10h 湿度标准曲线面积为SbHk，Tj的10h温度曲线面积为STj，Hk的10h湿度曲线面积为SHk，将需水量计算按模糊区间线性化，则有：
Q(Pi,Tj,Hk)＝QB(Pi,Tj,Hk)+△QBj(Pi,Tj,Hk)(STj-SbTj)/SbTj+△QBk(Pi,Tj,Hk)(SHk-SbHk)/SbHk (1)
△QBj(Pi,Tj,Hk)＝Max[QBj(Pi,Tj,Hk)]-Min[QBj(Pi,Tj,Hk)] (2)
△QBk(Pi,Tj,Hk)＝Max[QBk(Pi,Tj,Hk)]-Min[QBk(Pi,Tj,Hk)] (3)
其中，QB指28组试验时所测得的平均需水量；T1、T2、T3、T4、T5、T6、T7的温度基准分别为18℃、22℃、26℃、28℃、32℃、36℃、38℃，温度偏差±1℃；H0、H1、 H2、H3湿度基准分别为40％、55％、70％、85％，温度偏差±5％。
2.秧苗的生长期图像辨识试验测定
在摄像头类别、安装角度、高度与测距固定、秧苗水分 充足的情况下，所采集的秧苗图像信息的规律性会表现的相对一致。秧苗的生长时间、平均积温可以作为秧苗生长期的判断，但给水方式和基质营养基础等也会对秧苗的生长期产生影响。因此采用图像辨识的方式对秧苗生长期进行判别，是科学可行的。在正常播种密度下，秧苗从一叶期到两叶期，甚至三叶期初期，秧苗的叶片成像尚未产生过多的交叠现象。此时提取图像特定采集区间的叶片平均数量，可以对秧苗的一叶期、两叶期以及三叶初期进行辨识。
(1)摄像头生长期辨识时间取在早上9点左右，秧苗处于水分 充足状态，环境光照光线基本稳定，在5000lx。
(2)在摄像头类别、安装角度、高度与测距固定情况下，先保存一张基质盘初始放在床上的照片，作为背景图像，由用户APP进行操作。
(3)在生长期辨识时间，且根据浇灌历史记录确定秧苗处于水分 充足状态，对秧苗进行图像采集辨识。
(4)采用图像减法和颜色聚类方法，对秧苗进行背景剔除。
1)对秧苗的颜色进行聚类分析
由于秧苗的颜色区间相对稳定，采用实验照片，手动对秧苗进行分割，将秧苗在各个生长期的去除背景的秧苗图进行拼接，对整个拼接图片的秧苗颜色进行聚类分析。每个像素点均由3×3矩阵xi＝[xr xg xb]构成，xr、xg、xb代表像素点红绿蓝颜色分量值。
对辨识区域内的像素进行均值与方差计算。
定义每个像素点到中心点的距离为D(xi,AN)：
遍历待识别秧苗采集图像整个辨识区域内的像素距离，按距离平均分成C1、C2、…、C1010个区域，统计各个区域内的像素点分布概率，并进行排序。分别对10个统计区域内的像素点进行再次的均值与方差计算，按计算公式(4)、(5)，则得到10组像素聚类中心。记为(AMNi,SMNi)。这样秧苗的颜色空间分为了10个空间。
2)同样的方式对基质背景图片进行图像颜色的聚类分析，将基质的颜色空间也分为 10个空间(AJNi,SJNi)。
3)对辨识区域的图像进行减法，对象为采集图像与背景图像。
G(x,y)＝f1(x,y)-f0(x,y) (7)
其中G(x,y)为减法后的像素。f1(x,y)与f0(x,y)分别为采集图像与背景图像。减法是针对RGB三维度分量的减法，形成图像G。
4)对减法图像进行聚类分析与测距
按式(4)-(5)对图像减法后的像素进行均值与方差计算。
定义每个点的像素与像素0的距离为D(xi,O)
按式(4)-(7)对图像减法后的像素进行测距，同时也遍历整个辨识区域内的像素距离，按距离从大到小平均分成B1、B2、…、B2020个区域。
5)对减法图像进行背景去除
将B1、B2区域内的像素点留下，剩下的像素点置0形成图像G2
将B1区域内的像素点留下，剩下的像素点置0形成图像G3
分别对G2、G3按式(6)对苗的聚类中心AMNi、SMNi和基质的聚类中心AJNi、SJNi计算像素距离。如果距离最小的为基质，则该点像素置0去除该像素。分别形成G4、G5。
将G4和G5的剩余图像进行合并得到G6,即可认为G6就是图像减法后、剔除背景图像后的秧苗图像。
6)对剔除背景后图像进行斑点消除与连通域平滑
斑点为两种，一种是在秧苗的像素域内，其邻域的面积远大于斑点面积，斑点以像素0的型式存在。一种是在背景域，其邻域的面积远大于斑点面积，斑点以秧苗的像素型式存在。在秧苗像素域内对像素为0的联通区域的像素点数36以下的斑点进行消除，也就是则恢复待识别秧苗图像原来对应点的像素。在像素0区域(又称背景域)内对像素为秧苗的联通区域的像素点数为100以下的斑点进行消除，进行斑点背景化处理，也就是将该连通域的像素点置零。这样保障辨识图的连通域的完整性，从而消除图像噪声斑点，得到图像G7。
(5)标尺法的生长期监测
对秧苗的监测区域G6图像进行平行尺法，平均分割为200(秧苗监测区域的行数在80～90行的区域)，对G6图像进行再次Canny边缘提取，对边缘区域采用四色法着色。
统计每一行所分割的四色区域数为NFi，其中i＝1,2,…，200。
统计每一行所分割的四色域的直径DFj，其中j＝1,2,…,分割的总线段数。
统计每一个四色域的高度HHk，其中k＝1,2,…,四色域的总数。
统计摄像头末端的两个区域的四色域的直径DEFj，其中j＝1,2,…,分割的总线段数。
统计摄像头末端的两个区域的四色域的高度HEHk，其中k＝1,2,…,末端两个四色域的总数。
统计摄像头末端的两个区域每一行所分割的四色区域数为NEFi，其中i＝1,2,…，200。
根据用户的播种密度、摄像头的安装方式以及监测区域的划定，每一行和每一列的秧苗数量是已知的，我们分别定义为n和m。作为我们的先验知识。
常规的图像计算公式属于通识技术，本发明在此不赘述。
分别求取NFi、DFj、HHk、DEFj、HEHk、NEFi测量值的均值。
在一叶期，秧苗的重叠度较小，表现出来的特征是平行线分割的有色区域的平均数在一叶期为1.2左右，靠近摄像头端和远摄像头端图像特征都较为接近。
在两叶期，秧苗在远摄像头端分裂较多，而在近摄像头端由于茎的作用，分割域较少，因此采用远摄像头端的分割域表达生长期，而采用近摄像头分割域作为校验。
在三叶初期，秧苗的重叠开始增加，表现出来的特征是远摄像头端平行线分割的有色区域的平均数因为叶片加宽，重叠域开始减少，靠近摄像头端由于茎的作用，重叠域也开始比两叶期减少。三叶初期还有一个变化就是重叠域增加，因此平均宽度远摄像头端高于近摄像头端，而由于交叠产生了重影部分，因此平均有色域高度远摄像头端小于近摄像头端。
在三叶中期，秧苗的重叠继续增加，表现出来的特征是远摄像头端平行线分割的有色区域的平均数因为叶片加宽，重叠域继续减少，靠近摄像头端由于茎的作用，重叠域也开始比两叶期减少。三叶中期的重叠部分交叠更严重，重影部分降低，因此平均有色域高度远摄像头端大于近摄像头端。
在三叶后期，秧苗的重叠继续增加，表现出来的特征是远摄像头端平行线分割的有色区域的平均数因为叶片加宽，重叠域继续减少，靠近摄像头端由于茎的作用，重叠域也开始比两叶期减少。三叶中期的重叠部分交叠更严重，重影部分降低，因此平均有色域高度远摄像头端显著大于近摄像头端，平均有色域宽度远摄像头端显著大于近摄像头端。
数学描述如下:
一叶期判据：A(NF)/n以及A(NEF)/n中有一个值<1.2，即可以表明在一叶期。
两叶期判据：A(NF)/n<2.3以及A(NEF)/n<1.8，即可以表明在两叶期。
三叶初期判据：已进入两叶期且A(NF)/n值>2.8，且A(NEF)/n<2.5。且A(DF)/A(DEF)>1，A(HH)/A(HEH)<1。
三叶中期判据：已进入三叶初期且A(NF)/n值<2.5，且A(NEF)/n<2.5。且 A(DF)/A(DEF)>1，A(HH)/A(HEH)>1。
三叶后期判据：已进入三叶中期且A(NF)/n值<1.2，且A(NEF)/n<1.8。且 A(DF)/A(DEF)>2，A(HH)/A(HEH)>2。
3.秧苗的烧叶、枯叶、干尖等情况进行及时预警
由于的太阳对于秧苗成像干扰很大，因此我们进行秧苗图像检测时选择的是早上9 点前后，光线以漫反射为主时期，并且秧苗处于刚刚补充完基础水分，叶片舒展。通过标尺法的生长期监测图像处理，已经获得秧苗的四色分割域。
1)秧苗的图像提取
以秧苗当天的四色分割域作为基准，对有日光干扰的当天秧苗状态进行图像提取。不考虑秧苗当天的增长状况。
2)秧苗干尖判断
干尖预警首先发生在积温曲线在T5、T6、T7区间，且秧苗灌溉量达不到模糊表换算灌溉量。秧苗干尖时，秧苗的四色分割域内的颜色梯度会发生较大变化。以秧苗当天光照为5000lx且在上午9时前的秧苗图像四色分割域作为比较基准，对实时秧苗图片的基准四色域区域内的图像进行边缘提取，也就是实时秧苗图像只留基准四色区域的图像而其它像素置零，进行四色域划分得到新的四色区域，并按(9)～(14)统计新的四色区域，若新的四色区域的比对参数NFi、DFj、HHk、DEFj、HEHk、NEFi有两个以上变化率超过 100％且当日补水前光照>5000lx累积时间超过3h，则判断为干尖预警
秧苗干尖后无论在一叶期、两叶期、三叶期，都会产生卷叶，在一叶期和两叶期，原四色域会露出基质背景和阴影，而对于三叶期会露出更多的叶片，因此新的四色区域增长显著。可以判断为干尖预警。
3)枯叶和烧叶预警
此时判断取下午6点前后，光线以漫反射为主，此时根据秧苗生长可能进行了浇灌或未进行浇灌。
对枯叶和烧叶的原始图像按(4)、(5)进行颜色聚类分析，分别形成三个颜色空间AKNi、 SKNi和ASNi、SSNi。
采集枯叶和烧叶预警图像，仅留下当天的四色分割域区域，按式(6)对聚类中心AMNi、 SMNi、AKNi、SKNi和ASNi、SSNi计算像素距离。按像素距离分为枯叶和烧叶像素。对枯叶和烧叶像素进行邻域合并，即两个像素的像素距离小于5的合并为连通域，形成枯叶和烧叶的连通域。
计算枯叶和烧叶连通域的面积SKj和SSi。
γk＝Max(SKj)/A(DF)A(HH)
γs＝Max(SSj)/A(DF)A(HH)
γk和γs分别达标了枯叶和烧叶的程度，预警值由用户进行设定，预警值越大则判据越保守，越小则越容易误判。
云处理中心(2)通过天气预报第三方服务(1)的开放接口，获取当天24h天气预报信息， 24h的气温、湿度、光照预测信息，光照根据阴晴、季节以及气温等经验进行模糊化，模糊化规则库为气象经验，模糊等级为弱[1]、较弱[2]、正常[3]、较强[4]、强[5]五个等级。24h气温、湿度、光照等级和时间四个变量，以2000ms的间隔通过Modbus RTU 格式，经过工业网关(3)、无线传输网关(6)、无线传输模块(14)、就地控制中心(13)传递至图像采集控制器(9)，图像采集控制器(9)获得数据后，将反馈代码沿上述通道反向反馈至云处理中心(2)，云处理中心(2)再沿信息通道下发第二组数据，直至24h天气预备数据传送完成。工业网关(3)和手机APP终端(4)通过4G网络与云处理中心(2)信息交互。无线传输模块组(6)通过串口与就地控制中心(13)进行信息交互，将数据信息汇集编码后再通过串口经过工业网关(3)将信息传递至云处理中心(2)。光照传感器(5)、环境温湿度传感器(7)、土壤温湿度传感器(11)的信息通过Modbus RTU传送至就地控制中心(13)，就地控制中心(13)再通过Modbus RTU写入图像采集控制器(9)。同理24h天气预报信息也是就地控制中心(13)通过无线传输模块组(6)读取后，再写入图像采集控制器(9)，图像采集控制器(9)根据读入信息将图像处理结果信息码反馈就地控制中心(13)。图像采集控制器(9)的图像处理结果信息码、秧苗需水量模糊定量等，也是需要汇集到就地控制中心的信息，秧苗需水量模糊定量通过云端下载到就地控制中心。
从安装的角度来看，土壤温湿度传感器(11)安装在摄像头监视的基质区域；摄像头 (8)与水平成120度斜角；图像配准(12)是一个黑色亚光磨砂平面，斜面也是120度倾斜角，与摄像头安装平行正对。图像配准(12)上有2个直径1cm的红色亚光圆斑，圆斑中心间隔为5cm。图像采集控制器(9)的USB口配置一个USB存储卡，存放历史图片，另一个串口配置一个串口转WIFI模块，用于传递图像信息。工业网关(3)具有WIFI路由功能；也具有MODBUS串口协议透传功能，可以透传MODBUS RTU、MODBUS ASCII、 MODBUS TCP/IP三种协议。图像信息是用户通过手机APP终端(4)发送图像刷新请求信息，再通过云处理中心(2)经过工业网关(3)，无线传输模块组(6)后汇集到地控制中心(13)，在写入图像采集控制器(9)，图像采集控制器(9)通过串口经过WIFI转换模块(10)，工业网关(3)，经过云处理中心(2)将现场图像转发给用户手机APP终端(4)。
秧苗需水状况模糊定量计算的基本过程是：
图像采集控制器(9)的采样高度为1m,采样的中心区域为离摄像头安装部位1m前后的秧盘。在采集过程中，图像采集控制器(9)通过图像减法，去除基质和基质盘的背景，通过去除背景信息的秧苗的连通域的宽度，连通域的距离，连通域的重叠情况以及连通域面积的增长等信息，判断秧苗在一叶、两叶和三叶期的平均叶宽、叶长和叶茎，并判别叶片的生长期。根据天气预报，形成上午8点到晚上6点的温度曲线，与试验标准曲线T1、T2、T3、T4、T5、T6、T7进行曲线相似度比较，将其进行模糊分类。通过土壤温湿度传感器(11)的湿度检测信息进行H1、H2、H3三种湿度曲线的模糊湿度分类。同时根据光照传感器(5)对秧苗进行烧叶、枯叶、干尖等情况进行及时预警。
Claims (9)
1.一种秧苗需水定量方法，其特征在于，该方法包括：
(1)根据天气预报信息拟合出待测秧苗所处环境的温度曲线，对其进行模糊分类，得到温度模糊区间；
(2)根据天气预报信息拟合出待测秧苗所处环境的湿度曲线，对其进行模糊分类，得到湿度模糊区间；
(3)判断待测秧苗所处的生长期；
(4)根据所述温度模糊区间、湿度模糊区间和生长期，计算待测秧苗的需水量；
所述待测秧苗的需水量计算公式如下：
Q(Pi,Tj,Hk)＝QB(Pi,Tj,Hk)+△QBj(Pi,Tj,Hk)(STj-SbTj)/SbTj+△QBk(Pi,Tj,Hk)(SHk-SbHk)/SbHk
△QBj(Pi,Tj,Hk)＝Max[QBj(Pi,Tj,Hk)]-Min[QBj(Pi,Tj,Hk)]
△QBk(Pi,Tj,Hk)＝Max[QBk(Pi,Tj,Hk)]-Min[QBk(Pi,Tj,Hk)]
其中，Q(Pi,Tj,Hk)为待测秧苗需水量预测值；Pi为待测秧苗所处的生长期，i为生长期序号；Tj为待测秧苗所处的温度模糊区间，j为温度模糊区间序号；Hk为待测秧苗所处的湿度模糊区间，k为湿度模糊区间序号；QB(Pi,Tj,Hk)为全生长期平均需水量；SbTj为Tj对应的温度标准曲线面积；SbHk为Hk对应的湿度标准曲线面积；STj为Tj的实际温度曲线面积；SHk为Hk的实际湿度曲线面积；△QBj(Pi,Tj,Hk)为QB(Pi,Tj,Hk)第j个温度模糊区的修正需水量，△QBk(Pi,Tj,Hk)为QB(Pi,Tj,Hk)第k个湿度模糊区的修正需水量。
2.根据权利要求1所述的秧苗需水定量方法，其特征在于，所述步骤(1)包括：根据温度曲线的温度波动区间、测量时间内温度曲线面积，划分需水等级。
3.根据权利要求2所述的秧苗需水定量方法，其特征在于，所述温度曲线需水等级划分如下：
若一天中所述温度曲线的波动区间主要为20℃以下，且在相同测量时间内温度曲线面积Sh<S1，则需水等级为极微需水状态T1，其中S1表示20℃度及以下温度曲线面积；
若一天中所述温度曲线的波动区间主要为20℃～24℃，且在相同测量时间内温度曲线面积S1≦Sh<S1+S2，则需水等级为极少需水状态T2，其中S2表示20℃～24℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为24℃～27℃，且在相同测量时间内温度曲线面积S1+S2≦Sh<S1+S2+S3，则需水等级为较少需水状态T3，其中S3表示24℃～27℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为27℃～30℃，且在相同测量时间内温度曲线面积S1+S2+S3≦Sh<S1+S2+S3+S4，则需水等级为正常需水状态T4，其中S4表示27℃～30℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为30℃～33℃，且在相同测量时间内温度曲线面积S1+S2+S3+S4≦Sh<S1+S2+S3+S4+S5，则需水等级为较大需水状态T5，其中S5表示30℃～33℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为33℃～36℃，且在相同测量时间内温度曲线面积S1+S2+S3+S4+S5≦Sh<S1+S2+S3+S4+S5+S6，则需水等级为严重需水状态T6，其中S6表示33℃～36℃温度曲线面积；
若一天中所述温度曲线的波动区间主要为36℃以上，且在相同测量时间内温度曲线面积Sh≧S1+S2+S3+S4+S5+S6，则需水等级为严重需水状态T7；
将得到的需水等级作为温度模糊区间。
4.根据权利要求1所述的秧苗需水定量方法，其特征在于，所述步骤(2)包括：根据湿度曲线的相对湿度波动区间、测量时间内湿度曲线面积，划分湿度模糊区间。
5.根据权利要求4所述的秧苗需水定量方法，其特征在于，所述湿度模糊区间的划分如下：
若一天中所述湿度曲线的波动区间主要为50％以下，且在相同测量时间内湿度曲线面积Ah<A0，则湿度模糊区间为干燥状态H0，其中A0表示50％及其以下湿度曲线面积；
若一天中所述湿度曲线的波动区间主要为50％～60％，且在相同测量时间内湿度曲线面积A0≦Ah<A0+A1，则湿度模糊区间为正常状态H1，其中A1表示50％～60％湿度曲线面积；
若一天中所述湿度曲线的波动区间主要为60％～80％，且在相同测量时间内湿度曲线面积A0+A1≦Ah<A0+A1+A2，则湿度模糊区间为偏湿状态H2，其中A2表示60％～80％湿度曲线面积；
若一天中所述湿度曲线的波动区间主要为80％～100％，且在相同测量时间内湿度曲线面积A0+A1+A2≦Ah<A0+A1+A2+A3，则湿度模糊区间为高湿状态H3，其中A3表示80％～95％湿度曲线面积。
6.一种秧苗需水定量装置，其特征在于，该装置包括：
温度模糊模块，用于根据天气预报信息拟合出待测秧苗所处环境的温度曲线，对其进行模糊分类，得到温度模糊区间；
湿度模糊模块，用于根据天气预报信息拟合出待测秧苗所处环境的湿度曲线，对其进行模糊分类，得到湿度模糊区间；
叶期判断模块，用于判断待测秧苗所处的生长期；
计算模块，用于根据所述温度模糊区间、湿度模糊区间和生长期，计算待测秧苗的需水量；
所述待测秧苗的需水量计算公式如下：
Q(Pi,Tj,Hk)＝QB(Pi,Tj,Hk)+△QBj(Pi,Tj,Hk)(STj-SbTj)/SbTj+△QBk(Pi,Tj,Hk)(SHk-SbHk)/SbHk
△QBj(Pi,Tj,Hk)＝Max[QBj(Pi,Tj,Hk)]-Min[QBj(Pi,Tj,Hk)]
△QBk(Pi,Tj,Hk)＝Max[QBk(Pi,Tj,Hk)]-Min[QBk(Pi,Tj,Hk)]
其中，Q(Pi,Tj,Hk)为待测秧苗需水量预测值；Pi为待测秧苗所处的生长期，i为生长期序号；Tj为待测秧苗所处的温度模糊区间，j为温度模糊区间序号；Hk为待测秧苗所处的湿度模糊区间，k为湿度模糊区间序号；QB(Pi,Tj,Hk)为全生长期平均需水量；SbTj为Tj对应的温度标准曲线面积；SbHk为Hk对应的湿度标准曲线面积；STj为Tj的实际温度曲线面积；SHk为Hk的实际湿度曲线面积；△QBj(Pi,Tj,Hk)为QB(Pi,Tj,Hk)第j个温度模糊区的修正需水量，△QBk(Pi,Tj,Hk)为QB(Pi,Tj,Hk)第k个湿度模糊区的修正需水量。
7.一种水稻硬地育秧灌溉系统，其特征在于，该系统包括云处理中心、工业网关、终端、无线传输模块、就地控制中心与光照传感器、环境温湿度传感器、土壤温湿度传感器、图像采集控制器、配准片和摄像头，所述云处理中心与工业网关、终端连接，用于执行如权利要求1至5中任一项所述秧苗需水定量方法的步骤；所述工业网关与无线传输模块组连接，所述无线传输模块组通过无线传输模块与就地控制中心信息交互；所述就地控制中心与光照传感器、环境温湿度传感器、土壤温湿度传感器、图像采集控制器通过Modbus RTU进行信息交互；所述配准片用于作为所述图像采集控制器的图像配准的基准，设置在所述摄像头的正对面；所述图像控制器与摄像头连接；其中，所述图像采集控制器用于控制摄像头进行图像采集，并对摄像头回传的图像进行处理；所述摄像头用于对秧苗状态进行监测；所述光照传感器用于控制图像采集的时间。
8.根据权利要求7所述的水稻硬地育秧灌溉系统，其特征在于，所述云处理中心还用于识别秧苗状态，进行预警，所述秧苗状态包括烧叶、枯叶、干尖。
9.根据权利要求7或8所述的水稻硬地育秧灌溉系统，其特征在于，所述云处理中心以秧苗当天光照为5000lx且在上午9时前的秧苗图像四色分割域作为比较基准，对实时秧苗图片的基准四色域区域内的图像进行边缘提取，进行四色域划分得到新的四色区域，根据新的四色区域的比对参数进行预警，所述比对参数包括每一行所分割的四色区域数、每一行所分割的四色域的直径、每一个四色域的高度、所述摄像头末端的两个区域的四色域的直径、摄像头末端的两个区域的四色域的高度、所述摄像头末端的两个区域每一行所分割的四色区域数：
若所述比对参数中至少有两个变化率超过100％且当日补水前光照>5000lx累积时间超过3h，则判断为干尖预警；对枯叶和烧叶的原始图像进行颜色聚类分析，得到三个聚类中心(AMNi,SMNi)、(AKNi,SKNi)和(ASNi,SSNi)，计算两两之间的像素距离，按照距离划分枯叶和烧叶像素，对枯叶和烧叶像素进行邻域合并形成枯叶和烧叶的连通域，计算枯叶和烧叶连通域的面积SKj和SSi，根据预警阈值判断枯叶和烧叶程度，超过阈值则进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010869569.7A CN112036022B (zh) | 2020-08-26 | 2020-08-26 | 一种秧苗需水定量方法、装置及灌溉系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010869569.7A CN112036022B (zh) | 2020-08-26 | 2020-08-26 | 一种秧苗需水定量方法、装置及灌溉系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036022A CN112036022A (zh) | 2020-12-04 |
| CN112036022B true CN112036022B (zh) | 2022-04-26 |
Family
ID=73581612
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010869569.7A Active CN112036022B (zh) | 2020-08-26 | 2020-08-26 | 一种秧苗需水定量方法、装置及灌溉系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036022B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118504954B (zh) * | 2024-07-22 | 2024-10-01 | 凉山彝族自治州农业科学研究院 | 一种面向石榴马铃薯套种的植保大数据监测方法和系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447426A (zh) * | 2018-10-12 | 2019-03-08 | 河海大学 | 基于作物需水机理的灌溉需水对变化环境的响应分析方法 |
| CN110100708A (zh) * | 2019-06-14 | 2019-08-09 | 安徽大学 | 基于模糊逻辑控制理论的节水灌溉方法及节水灌溉系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11026376B2 (en) * | 2015-08-05 | 2021-06-08 | Dtn, Llc | Customized land surface modeling in a soil-crop system using satellite data to detect irrigation and precipitation events for decision support in precision agriculture |
| US10902483B2 (en) * | 2017-04-27 | 2021-01-26 | Lindsay Corporation | Computer-implemented method and computer program for designing and cost-estimating irrigation systems |
-
2020
- 2020-08-26 CN CN202010869569.7A patent/CN112036022B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447426A (zh) * | 2018-10-12 | 2019-03-08 | 河海大学 | 基于作物需水机理的灌溉需水对变化环境的响应分析方法 |
| CN110100708A (zh) * | 2019-06-14 | 2019-08-09 | 安徽大学 | 基于模糊逻辑控制理论的节水灌溉方法及节水灌溉系统 |
Non-Patent Citations (1)
| Title |
|---|
| 物联网现场总线的机插水稻集中育秧灌溉系统;吴刚山 等;《热带农业工程》;20190630;163-166 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036022A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
| CN110719336B (zh) | 一种基于物联网的灌溉用水分析监控系统 | |
| CN110427798B (zh) | 一种青菜智能识别及叶色环境变化预测的方法 | |
| CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
| CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
| CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
| CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
| CN112861712B (zh) | 基于人工智能与多时相遥感的农业病虫害监测方法 | |
| CN102663396B (zh) | 一种水稻乳熟期自动检测的方法 | |
| CN112036022B (zh) | 一种秧苗需水定量方法、装置及灌溉系统 | |
| CN103971199A (zh) | 一种大范围农作物长势的遥感评级方法 | |
| KR102201595B1 (ko) | 딸기의 이미지 분석을 통한 생육 진단 방법 | |
| CN109543911A (zh) | 一种日照辐射预测方法及系统 | |
| CN117292282A (zh) | 一种基于高分辨率无人机遥感的园林绿化长势监测方法及系统 | |
| CN115619286B (zh) | 一种评估育种田间小区样地质量的方法和系统 | |
| CN114092807B (zh) | 一种基于时段累计蒸散发的实际灌溉面积识别方法 | |
| CN115166866A (zh) | 基于格点化气象数据的柑橘病虫害发生预报方法及系统 | |
| CN111626638B (zh) | 夏玉米倒伏气象等级评估模型的构建与应用 | |
| CN117436710B (zh) | 一种基于作物模型的干旱评估方法 | |
| CN114926565B (zh) | 一种基于绿度水分综合指数的大豆制图方法 | |
| CN118230177B (zh) | 一种水稻种植区有害生物灾害预测方法及系统 | |
| CN118279431B (zh) | 大区域低样本依赖度的作物制图方法与系统 | |
| CN114494888B (zh) | 一种无人机影像中机播小麦苗期断垄自动监测方法 | |
| CN117910215B (zh) | 基于数字孪生的智慧农业线上产业化服务系统 | |
| CN116824575A (zh) | 一种基于图像识别的水果测产分析系统 |
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 | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Xue Xiaosong Inventor after: Yan Fang Inventor after: Liu Xiaoyu Inventor after: Yu Tiantian Inventor after: Wu Gangshan Inventor after: Feng Xiang Inventor after: Chen Shixiong Inventor after: Fan Weilong Inventor after: Dong Zhiru Inventor before: Xue Xiaosong Inventor before: Yan Fang Inventor before: Liu Xiaoyu Inventor before: Yu Tiantian Inventor before: Wu Gangshan Inventor before: Feng Xiang Inventor before: Chen Shixiong Inventor before: Fan Weilong Inventor before: Dong Zhiru |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221226 Address after: No. 170, Mingxiu West Road, Xixiangtang District, Nanning, 530000 Guangxi Zhuang Autonomous Region Patentee after: Guangxi Gaohan Education Technology Co.,Ltd. Address before: 212400 No. 19 Wenchang East Road, Jurong, Zhenjiang, Jiangsu. Patentee before: JIANGSU POLYTECHNIC College OF AGRICULTURE AND FORESTRY |