CN112733958B - 一种温室臭氧浓度控制方法及系统 - Google Patents
一种温室臭氧浓度控制方法及系统 Download PDFInfo
- Publication number
- CN112733958B CN112733958B CN202110088732.0A CN202110088732A CN112733958B CN 112733958 B CN112733958 B CN 112733958B CN 202110088732 A CN202110088732 A CN 202110088732A CN 112733958 B CN112733958 B CN 112733958B
- Authority
- CN
- China
- Prior art keywords
- image
- greenhouse
- target image
- leaf
- grade
- 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
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000010304 firing Methods 0.000 claims abstract description 100
- 238000012549 training Methods 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 15
- 238000005516 engineering process Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000000691 measurement method Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 241000238631 Hexapoda Species 0.000 abstract description 8
- 241000607479 Yersinia pestis Species 0.000 abstract description 8
- 201000010099 disease Diseases 0.000 abstract description 8
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 abstract description 8
- 230000002411 adverse Effects 0.000 abstract description 5
- 230000001276 controlling effect Effects 0.000 description 11
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 230000001105 regulatory effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- -1 void Species 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 231100000252 nontoxic Toxicity 0.000 description 1
- 230000003000 nontoxic effect Effects 0.000 description 1
- 230000001590 oxidative effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001954 sterilising effect Effects 0.000 description 1
- 238000004659 sterilization and disinfection Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- 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)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种温室臭氧浓度控制方法及系统，包括：对温室内采集的目标图像进行叶片状态识别，获取与目标图像对应的识别结果；根据识别结果，调整温室内臭氧发生器的工作状态；目标图像为作物叶片的图像，识别结果为与目标图像对应的作物叶片灼烧等级，叶片灼烧等级根据叶片的灼烧程度确定。本发明提供的温室臭氧浓度控制方法及系统，通过对温室内采集的作物叶片图像进行分析处理，从而能准确地识别作物叶片的状态，判断作物叶片的灼烧程度，在此基础上，自动控制温室内臭氧发生器的工作状态，便于温室内臭氧气体浓度的信息化管理，实现臭氧浓度的动态、及时调控，从而使温室内的臭氧在防治病虫害的同时，不至于对作物的正常生长产生不利影响。
Description
技术领域
本发明涉及自动化控制技术领域，尤其涉及一种温室臭氧浓度控制方法及系统。
背景技术
在当前农业发展条件下，病虫害是影响设施作物优质高产的一个重要因素，由于臭氧具有很强的氧化性，不仅能够快速、高效、广谱的杀菌，而且安全无毒，是理想的绿色病虫害防治技术。在温室内，臭氧主要通过臭氧发生器产生，一定浓度的臭氧具有良好的杀菌灭虫效果，但过高的臭氧浓度会影响作物的生长，甚至产生叶片灼烧的现象，严重影响了作物的产量和质量。
目前，温室内臭氧发生器产生的臭氧气体的浓度主要由种植者根据自身经验通过人工设定固定的臭氧产生时间、臭氧释放量和运行时长来控制。
这种技术需要种植者去温室内观测作物的生长状态、人工调控臭氧气体的产生，极易导致臭氧浓度控制的不及时、不准确，作物出现大面积叶片灼伤的情况。
发明内容
针对现有技术存在的对臭氧浓度控制不及时、不准确的问题，本发明提供一种温室臭氧浓度的控制方法及系统。
本发明提供一种温室臭氧浓度的控制方法，包括：对温室内采集的目标图像进行叶片状态识别，获取与目标图像对应的识别结果；根据识别结果，调整温室内臭氧发生器的工作状态；其中，目标图像为作物叶片的图像，识别结果为与目标图像对应的作物叶片灼烧等级，叶片灼烧等级是根据叶片的灼烧程度确定的。
根据本发明提供的一种温室臭氧浓度的控制方法，对温室内采集的目标图像进行叶片状态识别，获取与目标图像对应的识别结果，包括：将目标图像输入至叶片状态识别模型，根据叶片状态识别模型的输出结果，获得与目标图像对应的识别结果；其中，叶片状态识别模型是根据带有灼烧等级标签的图像样本进行训练后获得的。
根据本发明提供的一种温室臭氧浓度的控制方法，在将目标图像输入至叶片状态识别模型之前，还包括：利用在ILSVRC-2012-CLS数据集上预训练好的深度网络模型，构建待训练的单分类器模型；构建作物叶片样本集，将作物叶片样本集划分为训练集和验证集；作物叶片样本集包括作物叶片的多个样本图像，每个样本图像带有对应地灼烧等级标签；基于重采样技术，将训练集划分出多个不同的子训练集，利用子训练集对待训练的单分类器模型进行训练，获取多个与每个子训练集对应的单分类器模型；
利用验证集对每个单分类器模型进行验证处理，获取每个单分类器模型的识别率；基于识别率，采用差异性度量方法，对单分类器模型排序，获取排序结果；根据排序结果，确定叶片状态识别模型。
根据本发明提供的一种温室臭氧浓度的控制方法，获取与目标图像对应的识别结果，包括：
步骤1，确定叶片状态识别模型中排序第一的单分类器模型；利用排序第一的单分类器模型对目标图像进行灼烧等级识别，确定第一分类器输出可信度中最大分量值，作为第一最大分量值，获取第一识别结果R1，执行步骤2；
步骤2，在第一最大分量值满足可信度要求的情况下，第一识别结果R1作为该叶片状态的识别结果输出；在第一最大分量值不满足可信度要求的情况下，保留第一识别结果R1，执行步骤3；
步骤3，根据排序结果，确定叶片状态识别模型中的下一单分类器模型，利用已确定的每个单分类器模型对目标图像进行灼烧等级识别，获取每个单分类器输出的可信度，执行步骤4；
步骤4，对每个单分类器模型输出的可信度进行线性集成，获取集成可信度，确定集成可信度中的最大分量值，作为集成最大分量值，获取集成识别结果，执行步骤5；
步骤5，在集成最大分量值满足可信度要求的情况下，输出集成识别结果；在集成最大分量值不满足可信度要求的情况下，保留集成识结果，执行步骤6；
步骤6，迭代判断执行步骤3至步骤5，直至叶片状态识别模型中单分类器模型均被确定，获取最终集成可信度中的最大分量值，确定最终集成识别结果，执行步骤7；
步骤7，若集成可信度中的最大分量值不满足可信度要求，对每次保留的识别结果进行投票，得票最多的识别结果作为该叶片状态的识别结果输出。
其中，最大分量值Smax满足可信度要求的条件为：
Smax≥k×θ0；
其中，k为已确定单分类器模型的个数，θ0为初始可信度阈值，Smax为单分类器模型(或分类器模型组合)输出可信度中最大的分量值；Smax所对应的灼烧等级即为识别结果Rk。
根据本发明提供的一种温室臭氧浓度的控制方法，根据识别结果，调整温室内臭氧发生器的工作状态包括：根据识别结果，确定温室内的作物叶片的灼烧等级；根据灼烧等级，调整臭氧发生器的工作状态，包括：在灼烧等级为0级的情况下，无需调整臭氧发生器工作状态；在灼烧等级为1级情况下，调整臭氧发生器工作状态为出厂设定默认值；在灼烧等级为3级情况下，关闭臭氧发生器，并发出叶片灼烧等级信息至种植用户手机；在灼烧等级为5级的情况下，关闭臭氧发生器，发出叶片灼烧等级信息至种植用户手机，控制温室内的通风口打开。
根据本发明提供的一种温室臭氧浓度的控制方法，在调整温室内臭氧发生器的工作状态之后，还包括：在预设时间间隔后，再次采集调整后的作物叶片图像；根据调整后的作物叶片图像，获取调整后的识别结果，以利用调整后的识别结果再次调整温室内臭氧发生器的工作状态，直至调整后的识别结果所对应地灼烧等级为0级。
根据本发明提供的一种温室臭氧浓度的控制方法，在对温室内采集的目标图像进行叶片状态识别之前，还包括：获取作物叶片的图像作为第一图像；对第一图像进行CIEL*a*b*颜色空间转换，获取第二图像；对第二图像进行平滑处理，获取第三图像；将第三图像分为细节图像和基础图像，并利用亮度分布特征，确定细节图像的增强权重；将加权后的细节图像与基础图像进行融合，获取目标图像。
根据本发明提供的一种温室臭氧浓度的控制方法，在对温室内采集的目标图像进行叶片状态识别之前，还包括：获取作物叶片的图像作为第四图像；对第四图像进行尺寸归一化处理，获取第五图像；对第五图像进行TFRecord格式转换，获取与第四图像对应的目标图像。
本发明还提供一种温室臭氧浓度的控制系统，包括：图像获取单元，用于获取温室内采集的目标图像；状态识别单元，用于对目标图像进行叶片状态识别，输出与目标图像对应的识别结果；调整单元，用于根据识别结果，调整温室内臭氧发生器的工作状态。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如上述任一种温室臭氧浓度的控制方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种温室臭氧浓度的控制方法的步骤。
本发明提供的温室臭氧浓度控制方法及系统，通过对温室内采集的作物叶片图像进行分析处理，从而准确地识别作物叶片的状态，判断作物叶片的灼烧程度，在此基础上，自动控制温室内臭氧发生器的工作状态，便于温室内臭氧气体浓度的信息化管理，实现臭氧浓度的动态、及时调控，从而使温室内的臭氧在防治病虫害的同时，不至于对作物的正常生长产生不利影响。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的温室臭氧浓度的控制方法的流程示意图之一；
图2是本发明提供的温室臭氧浓度的控制方法的流程示意图之二；
图3是本发明提供的温室臭氧浓度的控制系统的结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本发明实施例的描述中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
近年来，随着信息技术的迅猛发展，特别是互联网、视频监控、图像处理等技术以及智能手机的普及与应用，利用移动端远程观测温室内作物叶片的状态已变得十分便捷。
下面结合图1至图4描述本发明实施例所提供的温室臭氧浓度的控制方法和系统。
图1是本发明提供的温室臭氧浓度的控制方法的流程示意图之一，如图1所示，主要包括但不限于以下步骤：
S101，对温室内采集的目标图像进行叶片状态识别，获取与目标图像对应的识别结果；
S102，根据识别结果，调整温室内臭氧发生器的工作状态；
其中，目标图像为作物叶片的图像，识别结果为与目标图像对应的作物叶片灼烧等级，叶片灼烧等级是根据叶片的灼烧程度确定的。
可选地，目标图像是通过图像采集设备采集的，该图像采集设备可以为摄像机。图像采集系统可以是远程视频监控系统，通过对温室内作物的远程监控，实时获取温室内采集的目标图像。
可选地，图像采集设备的安装位置可以为温室顶部，以实现对温室内作物的大范围监控。
由于臭氧的比重大于空气，而温室内气体流动缓慢，作为一种可选的实施例，臭氧发生器可以安装在温室的顶部，避免造成温室内臭氧浓度不均、局部臭氧浓度过高的情况。
可选地，该目标图像可以是温室内每平方米作物叶片的图像，也可以是温室内每垄作物的叶片的图像，可根据实际需要灵活设置。
可选地，该目标图像可以是温室内作物固定区域的叶片图像，也可以是在预设频率调整图像获取设备的角度，实现对不同区域作物叶片状态的监控。
作为一种可选地实施例，可以在温室上方安装图像采集设备的滑道，该滑道可以为环绕温室顶部一周的环形导轨；也可以是水平设置的直线导轨，该直线导轨沿着温室顶部的纵向中线、从纵向中线的一端延伸到另一端。根据需要获取预设区域内作物的叶片图像，在滑道上移动图像采集设备，实现不同地点的作物图像的采集。
进一步地，在步骤S101中，对图像采集设备获取到的目标图像进行作物叶片状态识别，以获取该目标图像中作物叶片的灼烧程度，进而判断目标图像对应的作物叶片灼烧等级，以获取到与该目标图像对应的识别结果。
可选地，对目标图像的识别技术可以是基于神经网络的图像识别技术实现的，也可以采用非线性降维的图像识别技术进行图像处理。
该识别结果是指与目标图像对应的作物叶片灼烧等级，叶片灼烧等级是根据叶片的灼烧程度确定的。例如，叶片灼烧等级可预先设定为多个等级，如：无影响(0级)、轻度(1级)、严重(3级)、非常严重(5级)。
进一步地，在步骤S102中，预先根据叶片灼烧等级，设定温室内的臭氧发生器在每个等级所对应的工作状态。进一步地，根据该识别结果，调整温室内臭氧发生器的工作状态。
相应地，
在叶片图像识别结果为无影响(0级)的情况下，则无需调控臭氧放生器工作模式；
在叶片图像识别结果为轻度(1级)的情况下，则调控臭氧放生器工作模式为出厂设定默认值；
在叶片图像识别结果为严重(3级)的情况下，则关闭臭氧放生器，并发出叶片灼烧等级信息至种植用户手机；
在叶片图像识别结果为非常严重(5级)的情况下，则关闭臭氧放生器，发出叶片灼烧等级信息至种植用户手机，控制温室通风口打开。
本发明提供的温室臭氧浓度控制方法及系统，通过对温室内采集的作物叶片图像进行分析处理，从而准确地识别作物叶片的状态，判断作物叶片的灼烧程度，在此基础上，自动控制温室内臭氧发生器的工作状态，便于温室内臭氧气体浓度的信息化管理，实现臭氧浓度的动态、及时调控，从而使温室内的臭氧在防治病虫害的同时，不至于对作物的正常生长产生不利影响。
基于上述实施例的内容，作为一种可选实施例，对温室内采集的目标图像进行叶片状态识别，获取与目标图像对应的识别结果，包括：将目标图像输入至叶片状态识别模型，根据叶片状态识别模型的输出结果，获得与目标图像对应的识别结果；其中，叶片状态识别模型是根据带有灼烧等级标签的图像样本进行训练后获得的。
其中，叶片识别模型可以是基于深度神经网络模型构建的，用于对作物叶片状态进行识别，具有识别准确率高、特征表达能力强等优点。
可选地，本发明提供的叶片识别模型可以是基于AlexNet、MobileNet、VGG19、ResNet_152、InceptionV4、DenseNet等网络模型中的一种构建的。
将图像采集设备获取到的目标图像输入至叶片状态识别模型，叶片状态识别模型根据目标图像中作物叶片的状态，识别目标图像中作物叶片的灼烧程度，判断目标图像对应的作物叶片灼烧等级，再将目标图像对应的作物叶片灼烧等级作为结果输出；获取到与目标图像对应的识别结果。
本实施例基于神经网络构建叶片状态识别模型，叶片状态识别模型自动对目标图像进行识别，判断温室内作物叶片的灼烧等级，实现对目标图像智能化处理，为后续调整温室内臭氧发生器的工作状态提供基础。
基于上述实施例的内容，作为一种可选实施例，在将目标图像输入至叶片状态识别模型之前，还包括获取叶片状态识别模型：
利用在ILSVRC-2012-CLS数据集上预训练好的深度网络模型，构建待训练的单分类器模型；
构建作物叶片样本集，将作物叶片样本集划分为训练集和验证集；作物叶片样本集包括作物叶片的多个样本图像，每个样本图像带有对应地灼烧等级标签；
基于重采样技术，将训练集划分出多个不同的子训练集，利用子训练集对待训练的单分类器模型进行训练，获取多个与每个子训练集对应的单分类器模型；
利用验证集对每个单分类器模型进行验证处理，获取每个单分类器模型的识别率；
基于识别率，采用差异性度量方法，对单分类器模型排序，获取排序结果；
根据排序结果，确定叶片状态识别模型。
具体地，预训练好的模型可以是AlexNet、Inception、Resnet、Desnet、MobileNet；在本发明后续实施例中均以对MobileNet的训练、验证为例进行说明，其不视为对本发明保护范围的限定。由于MobileNet是针对手机等嵌入式设备提出的一种轻量级的深层神经网络，便于移动设备对温室内臭氧浓度的实时远程监控，使本发明提供的温室臭氧浓度控制方法能够应用于智能手机等移动终端以及相应的软件，拓宽了该方法的应用范围。
具体地，作物叶片样本集包括作物叶片的多个样本图像，每个样本图像带有对应地灼烧等级标签；
具体地，训练集、验证集中的图像样本与待识别图像大小和格式相同；
具体地，训练集样本的数目不少于10000张；验证集中的图像样本不少于6000张。
其中，获取到的单分类模型个数可根据实际应用的需要设定，本实施例可以选择获取20个。
其中，各个单分类器识别率之间的差异性可以通过不一致度量方法计算差异性结果，然后根据该计算结果进行排序。
其中，差异性度量方法也可以采用Q统计、相关系数、双错度量等方法，本实施例选用不一致度量方法，具体包括：
在所有已训练好的单分类器模型中，挑选识别率最高的单分类器模型放在第一位；从剩余的已训练好的单分类器模型中选择下一个单分类器模型进行排序，选择的标准是下一个单分类器模型与已排序单分类器模型(或组合)所构成的差异性最大，直到所有候选单分类器模型均被排序，各单分类器模型入选的顺序即为单分类器模型的排序结果。
在一个实施例中，利用在ILSVRC-2012-CLS数据集上预训练好的深度网络模型，构建待训练的MobileNet模型；构建同一作物叶片样本集，将作物叶片样本集划分为训练集和验证集；作物叶片样本集包括作物叶片的多个样本图像，每个样本图像带有对应地灼烧等级标签；基于重采样技术，构建20个不相同的子训练集；其中，子训练集中的样本不少于训练集的80％；然后利用每个子训练集对待训练的MobileNet模型进行训练，获取20个具有差异性的MobileNet模型；利用验证集对每个MobileNet模型进行验证处理，获取每个MobileNet模型的识别率；基于识别率，采用差异性度量方法，对20个MobileNet模型排序，获取排序结果；根据MobileNet模型的排序结果，确定叶片状态识别模型。
本实施例通过对单分类器的训练、验证和排序，得到叶片状态识别模型，此方法获取的叶片识别模型具有容错性强、识别率高的特点，为后续识别目标图像的叶片灼烧等级提供基础。
基于上述实施例的内容，作为一种可选实施例，基于动态集成方法，获取与目标图像对应的识别结果，具体如下所述。
步骤1，确定叶片状态识别模型中排序第一的单分类器模型；利用排序第一的单分类器模型对目标图像进行灼烧等级识别，确定第一分类器输出可信度中最大分量值，作为第一最大分量值，获取第一识别结果R1，执行步骤2；
步骤2，在第一最大分量值满足可信度要求的情况下，第一识别结果R1作为该叶片状态的识别结果输出；在第一最大分量值不满足可信度要求的情况下，保留第一识别结果R1，执行步骤3；
步骤3，根据排序结果，确定叶片状态识别模型中的下一单分类器模型，利用已确定的每个单分类器模型对目标图像进行灼烧等级识别，获取每个单分类器输出的可信度，执行步骤4；
步骤4，对每个单分类器模型输出的可信度进行线性集成，获取集成可信度，确定集成可信度中的最大分量值，作为集成最大分量值，获取集成识别结果，执行步骤5；
步骤5，在集成最大分量值满足可信度要求的情况下，输出集成识别结果；在集成最大分量值不满足可信度要求的情况下，保留集成识结果，执行步骤6；
步骤6，迭代判断执行步骤3至步骤5，直至叶片状态识别模型中单分类器模型均被确定，获取最终集成可信度中的最大分量值，确定最终集成识别结果，执行步骤7；
步骤7，若集成可信度中的最大分量值不满足可信度要求，对每次保留的识别结果进行投票，得票最多的识别结果作为该叶片状态的识别结果输出。
其中，最大分量值Smax满足可信度要求的条件为：
Smax≥k×θ0；
其中，k为已确定单分类器模型的个数，θ0为初始可信度阈值，Smax为单分类器模型(或分类器模型组合)输出可信度中最大的分量值；Smax所对应的灼烧等级即为识别结果Rk。
其中，识别结果Rk可以为0级、1级、3级、5级中的一种。
例如，若k＝3时，选入三个单分类器模型，三个单分类器模型输出的可信度分别为A、B和C，其中：A＝[0.7,0.2,0.1,0.4]，B＝[0.6,0.2,0.2,0.3]，C＝[0.5,0.3,0.2,0.2]；对三个单分类器模型输出的可信度进行线性集成处理，获取集成可信度为[1.8,0.7,0.5,0.9]，该线性集成可信度的最大分量值Smax为1.8，Smax所对应的灼烧等级即为识别结果R3。判断Smax是否满足可信度要求的条件，在Smax≥3×θ0的情况下，满足可信度要求，输出识别结果R3；在Smax＜3×θ0的情况下，不满足可信度要求，保留识别结果R3，并依次选入第四个单分类器模型，执行上述处理步骤。
其中，初始可信度阈值θ0是根据识别精度的需要设定，可选地，本实施例中θ0＝0.92。
本实施例利用动态集成方法，通过叶片状态识别模型对目标图像进行叶片状态识别，获得与目标叶片的识别结果，为后续根据目标图像的叶片灼烧等级，调整温室内臭氧发生器的工作状态提供基础。
基于上述实施例的内容，作为一种可选实施例，根据识别结果，调整温室内臭氧发生器的工作状态包括：
预先根据作物叶片的灼烧程度预设4个作物叶片的灼烧等级，包括：
在正常叶片、叶面无灼烧的情况下，灼烧等级设定为0级；
在叶面灼烧面积占整个叶面面积不足10％的情况下，灼烧等级设定为1级；
在叶面灼烧面积占整个叶面面积的11％至30％的情况下，灼烧等级设定为3级；
在叶面灼烧叶面积占整个叶面面积30％以上的情况下，灼烧等级设定为5级。
其中，与目标图像对应的识别结果为叶片的灼烧等级。
进一步地，根据识别结果，确定温室内的作物叶片的灼烧等级；根据灼烧等级，调整臭氧发生器的工作状态，包括：
在灼烧等级为0级的情况下，无需调整臭氧发生器工作状态；
在灼烧等级为1级情况下，调整臭氧发生器工作状态为出厂设定默认值；
在灼烧等级为3级情况下，关闭臭氧发生器，并发出叶片灼烧等级信息至种植用户手机；
在灼烧等级为5级的情况下，关闭臭氧发生器，发出叶片灼烧等级信息至种植用户手机，控制温室内的通风口打开。
本实施例根据对目标图像识别结果，调整温室内臭氧发生器的工作状态，实现臭氧浓度的动态、及时调控，从而使温室内的臭氧气体既能防治病虫害，又能避免对作物产生灼烧等不利影响。
基于上述实施例的内容，作为一种可选实施例，在调整温室内臭氧发生器的工作状态之后，还包括：
在预设时间间隔后，再次采集调整后的作物叶片图像；根据调整后的作物叶片图像，获取调整后的识别结果，以利用调整后的识别结果再次调整温室内臭氧发生器的工作状态，直至调整后的识别结果所对应地灼烧等级为0级。
预设时间间隔可根据需要自行设定，也可使用默认的时间间隔设置，例如可以设置为每一小时采集一次。
在一个实施例中，预设时间间隔，在每次采集的时间点，通过图像采集设备再次采集调整后的作物叶片图像；将该图像输入叶片状态识别模型，叶片状态识别模型根据调整后的作物叶片图像，获取调整后的识别结果，以利用调整后的识别结果再次调整温室内臭氧发生器的工作状态，在后续的预设采集时间点重复上述过程，直至调整后的识别结果所对应地灼烧等级为0级。
本实施例通过对作物叶片图像的循环采集，不断调整温室内臭氧发生器的工作状态，直至作物叶片的识别结果显示为正常叶片，结束对作物叶片图像的采集和臭氧发生器的调整，使温室内臭氧气体既能防治病虫害，又能避免对作物产生灼烧等不利影响。
基于上述实施例的内容，作为一种可选实施例，在对温室内采集的目标图像进行叶片状态识别之前，还包括对图像的增强：
获取作物叶片的图像作为第一图像；
对第一图像进行CIEL*a*b*颜色空间转换，获取第二图像；
对第二图像进行平滑处理，获取第三图像；
将第三图像分为细节图像和基础图像，并利用亮度分布特征，确定细节图像的增强权重；
将加权后的细节图像与基础图像进行融合，获取目标图像。
其中，由于RGB是与设备相关的色彩空间，同一图像会根据设备的不同，会有不同的色彩显示结果；而CIEL*a*b*颜色空间则是与设备不相关的色彩空间，在给定了颜色空间白点(white point)之后，CIEL*a*b*颜色空间就能明确地确定各个颜色是如何被创建和显示的，与使用的显示介质没有关系；颜色空间转换之后能更精确地对目标图像进行识别，减少设备不同导致的误差。
其中，平滑处理可以减少目标图像上的噪声或者失真，降低图像分辨率。
可选地，对图像的平滑处理可以是简单模糊、也可以是通过中值滤波器将中心像素的正方形领域内的每个像素值用中间像素值替换，或者通过高斯滤波利用卷积核对输入图像的每个点进行卷积。
在一个实施例中，通过图像采集设备对温室内作物的叶片图像进行采集，获取第一图像；将第一图像把RGB颜色空间转换到XYZ颜色空间，之后再把XYZ颜色空间转换到CIEL*a*b*颜色空间，获取颜色空间为CIEL*a*b*第二图像；利用引导滤波算法对第二图像进行平滑处理，获取第三图像。
进一步的，将第三图像分为细节图像d和基础图像q，并利用亮度分布特征，确定细节图像的增强权重w。
其中，利用亮度分布特征计算出细节图像的增强权重w，计算公式如下：
其中，和/>分别是亮度空间L*内所有像素亮度值的最大值和平均值，δ为固定常数，其值可根据试验确定；本实施例中δ＝10；
将基础图像q与加权后的细节图像d进行融合，获取目标图像Img。
加权后的细节图像d与基础图像q的融合公式如下：
Img＝w×d+q。
本实施通过图像增强算法，增强图像中的有用信息，改善图像质量、丰富信息量，加强图像判读和识别效果，使目标图像的叶片状态识别更为精准，为后续识别目标图像的叶片灼烧等级，调整温室内臭氧发生器的工作状态提供基础。
基于上述实施例的内容，作为一种可选实施例，在对温室内采集的目标图像进行叶片状态识别之前，还包括对图像的归一化处理：
获取作物叶片的图像作为第四图像；对第四图像进行尺寸归一化处理，获取第五图像；
对第五图像进行TFRecord格式转换，获取与第四图像对应的目标图像。
其中，对第四图像进行尺寸归一化处理方法可以使用最邻近插值方法，也可以使用双线性插值方法。
其中，第五图像的大小为m×n，其中m、n分别为放缩后图像的宽度和高度，其单位为像素。
其中，TFRecord格式文件具有数据的存储形式合理、处理时简单高效的特点，将图像转化为TFRecord格式，便于后续叶片状态识别模型对图像快速、高效地处理。
基于上述实施例的内容，作为一种可选实施例，通过图像采集设备对温室内作物的叶片图像进行采集，获取第四图像；采用双线性插值方法对第四图像进行尺寸归一化处理，获取像素大小为m×n的第五图像；对第五图像进行TFRecord格式转换，获取与第四图像对应的目标图像。
本实施例通过对图像的归一化处理，将不同格式、不同大小的作物叶片图像，转化为标准格式和标准大小的图像，将该图像作为目标图像，方便后续处理，也使得本发明提供的温室臭氧浓度的控制方法能适应不同大小和格式的图像。
图2是本发明提供的温室臭氧浓度的控制方法的流程示意图之二，作为一种可选实施例，如图2所示，在预设时间频率，通过图像采集设备实时采集温室内作物叶片的图像Img0；采用基于引导滤波的图像增强方法对初始图像Img0进行图像预处理，获取增强图像Img1；对增强图像Img1进行格式和大小的归一化处理，获取归一化图像Img2；利用叶片状态识别模型对归一化图像Img2进行叶片状态识别，获取含有叶片灼烧等级信息的识别结果；根据识别结果及时调整臭氧发生器的工作状态；再对温室内作物叶片的图像进行固定时间点循环采集，重复上述步骤，实现对同一作物叶片状态的实时监测。
其中，本发明对温室内作物叶片的图像Img0的采集可以是动态不间断地采集，也可以是根据预设采样周期定期采集，例如每天进行一次采集。由于臭氧能溶于水，且在强光、高温条件下容易分解，故可以根据实际需求来设置触发图像采集设备的温度条件、湿度条件和光照强度条件，以执行上述步骤。如预先设置温度阈值、湿度阈值和光照强度阈值，当温室内的温度、湿度或光照强度中有任意一项超出预设阈值时，满足触发图像采集设备的条件，开始通过图像采集设备采集温室内作物叶片的图像，后对该图像的增强和归一化，再经过叶片状态识别模型的识别，获取识别结果，根据识别结果及时调整臭氧发生器的工作状态。
本实施例主要利用图像处理、机器学习等技术对获取的作物图像进行分析处理，从而准确地识别作物叶片的状态，特别是作物是否出现灼烧情况，在此基础上，自动控制温室内臭氧发生器产生臭氧，实现臭氧浓度的动态、及时调控。因此，本实施例具有速度快、连续性强的特点，便于温室内臭氧浓度精准管理，可以达到实时动态监控的效果。
图3是本发明提供的室臭氧浓度的动态控制系统的结构示意图，如图3所示，包括但不限于以下单元：
图像获取单元301，用于获取温室内采集的目标图像；
状态识别单元302，用于对目标图像进行叶片状态识别，输出与目标图像对应的识别结果；
调整单元303，用于根据识别结果，调整温室内臭氧发生器的工作状态。
具体地，在实际应用中，需在温室内预先设置臭氧发生器和图像采集设备的工作模式，在系统工作时，通过图像获取单元301利用图像采集设备实时采集温室内作物叶片的图像，该图像为本次处理的目标图像。图像获取单元301将目标图像输出至状态识别单元302。
其中，该图像采集设备可以为摄像机。图像采集系统可以是远程视频监控系统，通过对温室内作物的远程监控，实时获取温室内采集的目标图像。
可选地，图像采集设备可以安装于温室内的顶部，以实现对温室内作物的大范围监控。
由于臭氧的比重大于空气，而温室内气体流动缓慢，作为一种可选的实施例，臭氧发生器可以安装在温室的顶部，避免造成温室内臭氧浓度不均、局部臭氧浓度过高的情况。
可选地，该目标图像可以是温室内每平方米作物叶片的图像，也可以是温室内每垄作物的叶片的图像，可根据实际需要灵活设置。
可选地，该目标图像可以是温室内作物固定区域的叶片图像，也可以是在预设频率调整图像获取设备的角度，实现对不同区域作物叶片状态的监控。
作为一种可选地实施例，可以在温室上方安装图像采集设备的滑道，该滑道可以为环绕温室顶部一周的环形导轨，也可以是沿着温室纵向中线水平设置的直线导轨。根据实际需要在滑道上移动图像采集设备，实现不同地点的作物图像的采集。
状态识别单元302对图像获取单元301输出的目标图像进行叶片状态识别，以获取该目标图像中作物叶片的灼烧程度，进而判断目标图像对应的作物叶片灼烧等级，以获取到与该目标图像对应的识别结果，并输出与目标图像对应的识别结果至调整单元303；
可选地，状态识别单元302对目标图像的识别技术可以是基于神经网络的图像识别技术实现的，也可以采用非线性降维的图像识别技术进行图像处理。
该识别结果是指与目标图像对应的作物叶片灼烧等级，叶片灼烧等级是根据叶片的灼烧程度确定的。例如，叶片灼烧等级可预先设定为多级，如：无影响(0级)、轻度(1级)、严重(3级)、非常严重(5级)。
预先根据叶片灼烧等级，设定温室内的臭氧发生器在每个等级所对应的工作状态。调整单元303根据状态识别单元302输出的识别结果，调整温室内臭氧发生器的工作状态。
相应地，调整单元303在根据状态识别单元302输出的识别结果获知在叶片图像识别结果为无影响(0级)的情况下，则无需调控臭氧放生器工作模式；
在叶片图像识别结果为轻度(1级)的情况下，则调控臭氧放生器工作模式为出厂设定默认值；
在叶片图像识别结果为严重(3级)的情况下，则关闭臭氧放生器，并发出叶片灼烧等级信息至种植用户手机；
在叶片图像识别结果为非常严重(5级)的情况下，则关闭臭氧放生器，发出叶片灼烧等级信息至种植用户手机，控制温室通风口打开。
需要说明的是，本发明实施例提供的温室臭氧浓度的控制系统，在具体执行时，可以基于上述任一实施例所述的温室臭氧浓度的控制方法来实现，对此本实施例不作赘述。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(Processor)401、通信接口(Communications Interface)402、存储器(Memory)403和通信总线404，其中，处理器401，通信接口402，存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令，以执行温室臭氧浓度的动态控制方法，该方法包括：对温室内采集的目标图像进行叶片状态识别，获取与目标图像对应的识别结果；根据识别结果，调整温室内臭氧发生器的工作状态；其中，目标图像为作物叶片的图像，识别结果为与目标图像对应的作物叶片灼烧等级，叶片灼烧等级是根据叶片的灼烧程度确定的。
此外，上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的室臭氧浓度的动态控制方法，该方法包括：对温室内采集的目标图像进行叶片状态识别，获取与目标图像对应的识别结果；根据识别结果，调整温室内臭氧发生器的工作状态；其中，目标图像为作物叶片的图像，识别结果为与目标图像对应的作物叶片灼烧等级，叶片灼烧等级是根据叶片的灼烧程度确定的。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的温室臭氧浓度的动态控制方法，该方法包括：对温室内采集的目标图像进行叶片状态识别，获取与目标图像对应的识别结果；根据识别结果，调整温室内臭氧发生器的工作状态；其中，目标图像为作物叶片的图像，识别结果为与目标图像对应的作物叶片灼烧等级，叶片灼烧等级是根据叶片的灼烧程度确定的。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种温室臭氧浓度的控制方法，其特征在于，包括：
对温室内采集的目标图像进行叶片状态识别，获取与所述目标图像对应的识别结果；
根据所述识别结果，调整所述温室内臭氧发生器的工作状态；
其中，所述目标图像为作物叶片的图像，所述识别结果为与所述目标图像对应的作物叶片灼烧等级，所述叶片灼烧等级是根据叶片的灼烧程度确定的；
所述根据所述识别结果，调整所述温室内臭氧发生器的工作状态包括：
根据所述识别结果，确定所述温室内的作物叶片的灼烧等级；
根据所述灼烧等级，调整所述臭氧发生器的工作状态，包括：
在所述灼烧等级为0级的情况下，无需调整所述臭氧发生器工作状态；
在所述灼烧等级为1级情况下，调整所述臭氧发生器工作状态为出厂设定默认值；
在所述灼烧等级为3级情况下，关闭所述臭氧发生器，并发出叶片灼烧等级信息至种植用户手机；
在所述灼烧等级为5级的情况下，关闭所述臭氧发生器，发出叶片灼烧等级信息至种植用户手机，控制所述温室内的通风口打开。
2.根据权利要求1所述的温室臭氧浓度的控制方法，其特征在于，所述对温室内采集的目标图像进行叶片状态识别，获取与所述目标图像对应的识别结果，包括：
将所述目标图像输入至叶片状态识别模型，根据所述叶片状态识别模型的输出结果，获得与所述目标图像对应的识别结果；
其中，所述叶片状态识别模型是根据带有灼烧等级标签的图像样本进行训练后获得的。
3.根据权利要求2所述的温室臭氧浓度的控制方法，其特征在于，在所述将所述目标图像输入至叶片状态识别模型之前，还包括：
利用在ILSVRC-2012-CLS数据集上预训练好的深度网络模型，构建待训练的单分类器模型；
构建作物叶片样本集，将所述作物叶片样本集划分为训练集和验证集；所述作物叶片样本集包括作物叶片的多个样本图像，每个所述样本图像带有对应地灼烧等级标签；
基于重采样技术，将所述训练集划分出多个不同的子训练集，利用所述子训练集对所述待训练的单分类器模型进行训练，获取多个与每个子训练集对应的单分类器模型；利用所述验证集对每个所述单分类器模型进行验证处理，获取每个所述单分类器模型的识别率；
基于所述识别率，采用差异性度量方法，对所述单分类器模型排序，获取排序结果；
根据所述排序结果，确定所述叶片状态识别模型。
4.根据权利要求3所述的温室臭氧浓度的控制方法，其特征在于，所述获取与所述目标图像对应的识别结果，包括：
步骤1，确定所述叶片状态识别模型中排序第一的单分类器模型；利用所述排序第一的单分类器模型对所述目标图像进行灼烧等级识别，确定所述排序第一的单分类器模型输出可信度中最大的分量值，作为第一最大分量值，获取第一识别结果R1，执行步骤2；
步骤2，在所述第一最大分量值满足可信度要求的情况下，所述第一识别结果R1作为该叶片状态的所述识别结果输出；在所述第一最大分量值不满足可信度要求的情况下，保留所述第一识别结果R1，执行步骤3；
步骤3，根据所述排序结果，确定所述叶片状态识别模型中的下一单分类器模型，利用已确定的每个单分类器模型对所述目标图像进行灼烧等级识别，获取每个单分类器输出的可信度，执行步骤4；
步骤4，对所述每个单分类器模型输出的可信度进行线性集成，获取集成可信度，确定所述集成可信度中的最大分量值，作为集成最大分量值，获取集成识别结果，执行步骤5；
步骤5，在所述集成最大分量值满足可信度要求的情况下，输出所述集成识别结果；在所述集成最大分量值不满足可信度要求的情况下，保留所述集成识别结果，执行步骤6；
步骤6，迭代判断执行步骤3至步骤5，直至所述叶片状态识别模型中单分类器模型均被确定，确定最终可信度中的最大分量值，获取最终集成识别结果，执行步骤7；
步骤7，若所述最终集成可信度中的最大分量值不满足可信度要求，对每次保留的识别结果进行投票，得票最多的识别结果作为该叶片状态的所述识别结果输出；
其中，所述最大分量值Smax满足可信度要求的条件为：
Smax≥k×θ0；
其中，k为已确定单分类器模型的个数，θ0为初始可信度阈值，Smax为单分类器模型或分类器模型组合输出可信度中最大的分量值；Smax所对应的灼烧等级即为所述识别结果Rk。
5.根据权利要求1所述的温室臭氧浓度的控制方法，其特征在于，在所述调整所述温室内臭氧发生器的工作状态之后，还包括：
在预设时间间隔后，再次采集调整后的作物叶片图像；
根据所述调整后的作物叶片图像，获取调整后的识别结果，以利用所述调整后的识别结果再次调整所述温室内臭氧发生器的工作状态，直至所述调整后的识别结果所对应地灼烧等级为0级。
6.根据权利要求1所述的温室臭氧浓度的控制方法，其特征在于，在所述对温室内采集的目标图像进行叶片状态识别之前，还包括：
获取所述作物叶片的图像作为第一图像；
对所述第一图像进行CIEL*a*b*颜色空间转换，获取第二图像；
对所述第二图像进行平滑处理，获取第三图像；
将所述第三图像分为细节图像和基础图像，并利用亮度分布特征，确定所述细节图像的增强权重；
将加权后的所述细节图像与所述基础图像进行融合，获取所述目标图像。
7.根据权利要求1所述的温室臭氧浓度的控制方法，其特征在于，在所述对温室内采集的目标图像进行叶片状态识别之前，还包括：
获取所述作物叶片的图像作为第四图像；
对所述第四图像进行尺寸归一化处理，获取第五图像；
对所述第五图像进行TFRecord格式转换，获取与所述第四图像对应的所述目标图像。
8.一种温室臭氧浓度的控制系统，其特征在于，包括：
图像获取单元，用于获取温室内采集的目标图像；
状态识别单元，用于对所述目标图像进行叶片状态识别，输出与所述目标图像对应的识别结果；
调整单元，用于根据所述识别结果，调整所述温室内臭氧发生器的工作状态；
其中，所述目标图像为作物叶片的图像，所述识别结果为与所述目标图像对应的作物叶片灼烧等级，所述叶片灼烧等级是根据叶片的灼烧程度确定的；
所述根据所述识别结果，调整所述温室内臭氧发生器的工作状态包括：
根据所述识别结果，确定所述温室内的作物叶片的灼烧等级；
根据所述灼烧等级，调整所述臭氧发生器的工作状态，包括：
在所述灼烧等级为0级的情况下，无需调整所述臭氧发生器工作状态；
在所述灼烧等级为1级情况下，调整所述臭氧发生器工作状态为出厂设定默认值；
在所述灼烧等级为3级情况下，关闭所述臭氧发生器，并发出叶片灼烧等级信息至种植用户手机；
在所述灼烧等级为5级的情况下，关闭所述臭氧发生器，发出叶片灼烧等级信息至种植用户手机，控制所述温室内的通风口打开。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述温室臭氧浓度的控制方法步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述温室臭氧浓度的控制方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110088732.0A CN112733958B (zh) | 2021-01-22 | 2021-01-22 | 一种温室臭氧浓度控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110088732.0A CN112733958B (zh) | 2021-01-22 | 2021-01-22 | 一种温室臭氧浓度控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112733958A CN112733958A (zh) | 2021-04-30 |
| CN112733958B true CN112733958B (zh) | 2024-06-07 |
Family
ID=75593730
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110088732.0A Active CN112733958B (zh) | 2021-01-22 | 2021-01-22 | 一种温室臭氧浓度控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112733958B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113467529A (zh) * | 2021-05-25 | 2021-10-01 | 北京农业信息技术研究中心 | 基于多模型融合的温室臭氧精准控制方法及装置 |
| CN113791650B (zh) * | 2021-08-16 | 2023-12-22 | 北京农业信息技术研究中心 | 一种臭氧浓度的调节方法及系统 |
| CN117236528B (zh) * | 2023-11-15 | 2024-01-23 | 成都信息工程大学 | 一种基于组合模型和因子筛选的臭氧浓度预报方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102169557A (zh) * | 2011-03-10 | 2011-08-31 | 王桥 | 环境遥感应用系统 |
| CN110100621A (zh) * | 2019-04-26 | 2019-08-09 | 新疆中科蓝天环保科技有限公司 | 一种智能温室大棚植保机器人控制方法及系统 |
| CN110874835A (zh) * | 2019-10-25 | 2020-03-10 | 北京农业信息技术研究中心 | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 |
| CN111046728A (zh) * | 2019-11-01 | 2020-04-21 | 武汉纺织大学 | 一种基于特征金字塔网络的秸秆燃烧检测方法 |
| CN111203095A (zh) * | 2020-01-16 | 2020-05-29 | 河南英伟泰环境科技有限公司 | 一种voc尾气处理工艺 |
| CN111476280A (zh) * | 2020-03-27 | 2020-07-31 | 海南医学院 | 植物叶片识别方法及系统 |
| WO2020155939A1 (zh) * | 2019-01-31 | 2020-08-06 | 广州视源电子科技股份有限公司 | 图像识别方法、装置、存储介质和处理器 |
| CN111619992A (zh) * | 2020-06-11 | 2020-09-04 | 中南林业科技大学 | 一种基于机器视觉的智能垃圾分类系统及方法 |
| CN111710374A (zh) * | 2020-06-15 | 2020-09-25 | 中科三清科技有限公司 | 大气污染成因分析方法及装置 |
| CN111737842A (zh) * | 2019-03-19 | 2020-10-02 | 新奥数能科技有限公司 | 一种优化燃烧器氮氧化物排放量的方法和装置 |
| CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11663414B2 (en) * | 2018-02-20 | 2023-05-30 | Fluence Bioengineering, Inc. | Controlled agricultural systems and methods of managing agricultural systems |
-
2021
- 2021-01-22 CN CN202110088732.0A patent/CN112733958B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102169557A (zh) * | 2011-03-10 | 2011-08-31 | 王桥 | 环境遥感应用系统 |
| WO2020155939A1 (zh) * | 2019-01-31 | 2020-08-06 | 广州视源电子科技股份有限公司 | 图像识别方法、装置、存储介质和处理器 |
| CN111737842A (zh) * | 2019-03-19 | 2020-10-02 | 新奥数能科技有限公司 | 一种优化燃烧器氮氧化物排放量的方法和装置 |
| CN110100621A (zh) * | 2019-04-26 | 2019-08-09 | 新疆中科蓝天环保科技有限公司 | 一种智能温室大棚植保机器人控制方法及系统 |
| CN110874835A (zh) * | 2019-10-25 | 2020-03-10 | 北京农业信息技术研究中心 | 作物叶部病害抗性鉴定方法、系统、电子设备及存储介质 |
| CN111046728A (zh) * | 2019-11-01 | 2020-04-21 | 武汉纺织大学 | 一种基于特征金字塔网络的秸秆燃烧检测方法 |
| CN111203095A (zh) * | 2020-01-16 | 2020-05-29 | 河南英伟泰环境科技有限公司 | 一种voc尾气处理工艺 |
| CN111476280A (zh) * | 2020-03-27 | 2020-07-31 | 海南医学院 | 植物叶片识别方法及系统 |
| CN111619992A (zh) * | 2020-06-11 | 2020-09-04 | 中南林业科技大学 | 一种基于机器视觉的智能垃圾分类系统及方法 |
| CN111710374A (zh) * | 2020-06-15 | 2020-09-25 | 中科三清科技有限公司 | 大气污染成因分析方法及装置 |
| CN111767849A (zh) * | 2020-06-29 | 2020-10-13 | 京东数字科技控股有限公司 | 农作物病虫害识别方法、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| Quantifying impacts of crop residue burning in the North China Plain on summertime tropospheric ozone over East Asia;Mingliang Ma等;《Atmospheric Environment》;第194卷;第14-30页 * |
| 五种预处理方法对秸秆厌氧消化影响比较及其机理研究;张媛媛;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》(第6期);第B016-218页 * |
| 大气臭氧浓度升高对樱桃萝卜生长和生物量的影响;李丽等;《南京林业大学学报(自然科学版)》;第43卷(第5期);第187-192页 * |
| 臭氧浓度测控系统的研究与设计;郭亮;《中国优秀硕士学位论文全文数据库 信息科技辑》(第11期);第I140-175页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112733958A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733958B (zh) | 一种温室臭氧浓度控制方法及系统 | |
| RU2764872C2 (ru) | Распознавание сорняка в естественной среде | |
| CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
| CN108875821A (zh) | 分类模型的训练方法和装置、移动终端、可读存储介质 | |
| CN109344738A (zh) | 农作物病虫草害识别方法及装置 | |
| CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
| CN113627216B (zh) | 植物状态评估方法、系统及计算机可读存储介质 | |
| CN110479636B (zh) | 基于神经网络自动分拣烟叶的方法及装置 | |
| CN107622236B (zh) | 基于蜂群与梯度提升决策树算法农作物病害诊断预警方法 | |
| CN106776675A (zh) | 一种基于移动终端的植物识别方法及系统 | |
| KR102002632B1 (ko) | Ｉｏｔ 기반 과수 모니터링 시스템 및 방법 | |
| CN115604301A (zh) | 一种基于人工智能的种植环境监测系统 | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
| CN112989969A (zh) | 一种作物病虫害识别方法及装置 | |
| CN108595596A (zh) | 一种图像相似度检索方法 | |
| CN114115394A (zh) | 一种烟叶智能烘烤控制系统及方法 | |
| CN115454176A (zh) | 一种基于物联网的智慧农业大棚通风控制系统 | |
| CN111855653B (zh) | 一种植物干旱监测方法、监测模块和监测装置 | |
| CN116612438B (zh) | 基于热成像的蒸汽锅炉燃烧状态实时监测系统 | |
| CN109828623B (zh) | 温室作物情景感知的生产管理方法及装置 | |
| CN116452358B (zh) | 基于物联网的智慧农业管理系统 | |
| CN111461117A (zh) | 一种牦牛牛犊的生长环境监控系统及监控方法 | |
| CN115879817A (zh) | 一种区域减碳量评估方法、装置、电子设备及存储介质 | |
| CN114663652A (zh) | 图像处理方法、装置、管理系统、电子设备和存储介质 |
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 |