CN113158750A - 一种基于卷积神经网络的植物长势模型的自反馈学习评估方法 - Google Patents

Abstract

本发明涉及一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，采集植物各个生长周期的图像数据样本集，搭建深度卷积神经网络并进行训练；连续采集植物生长各阶段的二维及三维图像；之后将所采集的二维及三维图像输入深度卷积神经网络，获得植物长势模型，并对植物长势模型进行迭代优化，以及获得当前的植物生长状况数据。该方法克服了现有的植物特征识别过程中，由于采用人工的方式进行植物识别所导致的识别效率低下及误差的问题，通过卷积神经网络的算法建模，可以精准识别植物生长状态。

Description

一种基于卷积神经网络的植物长势模型的自反馈学习评估 方法

技术领域

本发明涉及人工智能和植物培育技术领域，尤其涉及一种基于卷积神经网络的植物长势模型的自反馈学习评估方法。

背景技术

随着人工智能深度技术的迅速发展，深度神经网络，卷积神经网络在图像识别的领域里取得了显著的发展和长足的进步。近年来，深度学习的技术在图像识别上有了多种多样的应用，比如在ImageNet等人工智能领域图像识别的竞赛和数据集，更催生了对图像识别十分有效的神经网络结构的设计，更促进了与机械学习众多理论、技术和方法的发展和诞生。

当前，虽然在植物培育技术领域内已经开始引入了人工智能控制，但一定程度上仍然依赖于设定的数据。即目前结合人工智能进行植物培育还停留在进行设定好的“数据”阶段，在“执行数据”和“取得决策”阶段还必须先行设定，再由各种传感设备去执行。由此可知，这仅仅是处于执行数据和记录数据阶段的流程，无法为植物栽培技术上提供更多更有效的栽培决策方案，特别是在众多植物的品种上及工厂化智能种植的应用中。

鉴于此，提供一种解决上述技术问题的方案，已经是本发明技术领域所亟需关注的。

发明内容

本发明实施例的目的是针对现有技术结构上的缺点，提出一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，在受控的环境下采用植物的叶片、植株、花、果的图像结构对植物生长状态进行判断，克服了现有的植物器官识别过程中，由于采用人工的方式进行植物识别所导致的识别效率低下及误差的问题，通过卷积神经网络的算法建模，可以精准识别植物生长状态。

为了达到上述发明目的，本发明实施例提出的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法是通过以下技术方案实现的:

一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于，包括如下步骤：

S1：采集植物各个生长周期的图像数据样本集，搭建深度卷积神经网络并进行训练，以所述图像数据样本集中作为输入，得到植物在不同生长周期下的生长状况特征；

S2：种植植物，并根据植物种类在所述植物的各生长阶段，周期性的采集所述植物培育箱内植物的整体实际图像、单一植株的完整实际图像及其果实和/ 或叶和/或花和/或根茎的局部实际图像，并分别标记所采集实际图像的拍摄时间和植物生长阶段；

将所采集实际图像输入所述深度卷积神经网络，结合环境因素和植物在不同生长周期下的生长状况特征得到植物长势模型，并获得当前植物生长状况数据和预测植物生长状况数据，以及将当前植物生长状况数据和在该当前植物生长状况数据时序之前的预测植物生长状况数据对比确定预测精度，并优化所述植物长势模型。

所述S1还包括如下步骤：配置具有植物培育箱的培育系统；根据待培育植物种类和植物培育箱结构，选择至少一个单一植株监控区域，并在所述培育箱内设置多处用于拍摄植物生长区域内整体的植物生长状态的二维摄像头和三维摄像头，以及设置多处用于拍摄单一植株监控区域内植物生长状态的二维摄像头和三维摄像头。

所述植物生长状况数据包括：植物所处生长阶段；植物整体的大小、高低，叶面结构面积、植物生物量数据；单一植株的叶面积、叶面周长、颜色深度、植株高度、根系长度、面积、轮廓、结实率、果实颜色、果实大小、轮廓面积和周长数据；以及植物病虫害状态。

所述采集的植物实际图像至少包括果实和/或花和/或根茎的正面、侧面之二维图像和三维图像，以及叶的正面、背面之二维图像和三维图像。

所述S2中种植植物为露天环境，所述环境因素包括基于当前时间和经纬度获得历年气候数据和当前对应的气象数据，包括气温、湿度、风速、日照时数、降水量。

所述S2中种植植物为在植物培育箱培育，所述环境因素包括光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、营养液配比、养液喷洒周期；所述植物生长环境数据包括光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、养液PH值、养液EC值、养液喷洒周期。

所述深度卷积神经网络包括输入层、隐藏层、输出层，所述隐藏层由通过在原始图像上平移来提取特征的卷积层、增加非线性分割能力的激活层、用于减少学习的参数降低网络的复杂度的池化层和全连接层串联或并联所构成。

所述S2还包括步骤：建立二维图像识别模型、三维图像识别模型、图像分割模型和边缘AI计算模型

所述S2还包括步骤：在深度卷积神经网络全连接局部区域，从输入层读取得到局部感受野，进行权值共享，从卷积层和池化层到输出层，对植物根茎、叶、花、果图像进行模型的网络架构。

所述S1还包括步骤：通过OpenCV轮廓发现与几何分析，将所采集的实际图像进行轮廓算法进行处理。

本发明设计了一套深度的自行学习反馈模型，植物外在的表型研究作为参数评估的可选项，可以使系统迭代和优化的更快和更精确。整个系统是泛化的，也就是说，不单单是对一种植物或作物可以进行自行反馈学习，而是对所有在控制的环境中条件种植的植物均可以进行，随着系统的迭代学习，神经网络会越来越精准，越来越高效，越来越智能！

植物从种植初始小苗阶段开始到开花结果就将相关数据上传到大数据云平台，进行实时统计和分析，评估和判断建立样本，通过反馈技术，可以将传统的植物研究周期由年-月级别缩短到天-小时甚至分钟级别，通过机器学习算法实现自动植物生长研究，达到最大的应用价值。

与现有技术相比，本发明具有以下优点：

1.实时运行，不间断运行；2.自动反馈，智能评估；3.传输数据精确度高，自我迭代。4.无线远程数据传输，实时显示数据。5.数据即时存储，历史曲线随时分析，做到大数据监控管理。

附图说明

为了清楚地说明现有技术和本申请发明的技术方案，下面将对现有技术和本发明申请实施例描述中需要使用的附图作简要的介绍。当然，下面有关本发明申请的附图描述的仅仅是本申请中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本申请的保护范围。

图1为本申请实施例公开的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法的流程图；

图2为本发明申请实施例中营养生长期及营养生殖生长期，功能性肥的配比示意；

图3为本申请实施例中植物营养生长期及生殖生长期光积量的示意图；

图4为深度残差网络(ResNet)原理图。

具体实施方式

下面结合附图对本发明作进一步详细说明，以便于同行业技术人员的理解：

参考图1所示，本申请实施公开了一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于，包括如下步骤：

一、前期配置阶段：

1、配置具有多个植物培育箱的培育系统。

在这里包括实验室生长参数优化阶段的小规模制备，也包括市场化推广应用阶段为客户搭建植物工厂。本申请人在此之前申请了一种智能化雾耕栽培装置，在其基础上增加相应的摄像头后，即适宜本方法大规模推广应用，在此对其结构简述如下：

盛放养液的养液箱。养液箱内设置有自吸泵、强磁磁化器和过滤器，液箱内的养液流经强磁磁化器处理形成小分子水，再经由自吸泵分流输送至进水管。养液箱内还设置有液温液位传感器、养液EC值和PH值传感器。养液EC值和 PH值传感器用于监测养液箱内的养液EC值和养液PH值，液温液位传感器用于监测养液箱内养液的温度和液位高度。

温度控制系统，温度控制系统包括压缩机、压力控制器和散热风扇，每个培育箱的植物生长空间内配置有盘管换热器，压缩机通过四通阀、载冷剂管路和盘管换热器构成循环回路。散热风扇用于散热。压力控制器设置在循环回路上，用于对循环回路压力进行监控。

培育箱包括栽培箱以及设于栽培箱上方的LED植物灯组，每个栽培箱内设置三组LED植物灯组。LED植物灯组提供植物生长所需的光谱与照度，其与栽培箱之间形成植物生长空间。

栽培箱内设有定植板、二个第一喷头和多个第二喷头，第一喷头为四向喷头，被配置为朝向定植板下方植物根系区域设置。第一喷头通过进水管路连接自吸泵,通过自吸泵将养液由养液箱雾化后输送到栽培箱，用于提供雾化养液给植物根部吸收。在植物生长过程从小苗期，生长期，采收期3段不同需求期，通过设定调整静音自吸泵供雾化养液的时间控制。

第二喷头被配置为朝向定植板上方植物叶面区域设置，用于为叶片气孔输送叶面肥及种植空间湿度的控制。在具体实施例中，第二喷头为开设在输送管路上的0.5mm孔径的孔，此孔作为养液雾化的输出口。

在每个培育箱的植物生长空间，其一侧装配有两个通风风扇，启动送风与排风，做为种植空间通风排风的功能，并可提高空间内二氧化碳浓度，协调LED 植物生长灯组，加强植物行光合作用。

培育箱内还设有用于监测其内温湿度的温湿度传感器，以及监测其内光照度的光照传感器。

培育箱内还设置有多个用于拍摄培育箱内植物生长情况的摄像机，其中包括：根据待培育植物种类和植物培育箱结构，选择栽培箱内四个角和中心位置为单一植株监控区域，并培育箱的对应位置设置用于拍摄其内植物生长区域内整体的植物生长状态的低照度工业摄像头(二维摄像头)和双目视觉摄像头(三维摄像头)，以及设置用于拍摄五个单一植株监控区域内植物生长状态的低照度工业摄像头和双目视觉摄像头。每一个单一植株监控区域都包含了从预先定义的角度拍摄的植株完整视图，花和/或果实和/或根茎的正面和侧面之二维图像和三维图像、叶的正面和背面之二维图像和三维图像，通过观察同一个体的多个原位图像，收集一个完全平衡的数据集。

超声波发生器内设有容纳养液的容器，通过人工上液的方式补充养液，超声波发生器将容器内的养液超雾化后，通过超声雾化管路将超雾化有机养液输送到第二喷头，为植物茎叶部分的叶面肥的供输，并可调整控制种植空间内湿度的浓度。

控制系统包括信息处理模块、信息存储模块和人机交互模块。

信息处理模块连接并接收二维摄像头和三维摄像头、温湿度传感器、光照传感器、紫外线杀菌灯、液温液位传感器、养液EC值和PH值传感器所采集数据，对应控制通风风扇、温度控制器、LED植物灯组、自吸泵和超声波发生器，由此实现对环境温度，湿度，二氧化碳浓度，光谱，光照度，通风，养液EC 值，PH值，液位，液温的智能控制，以及对设备内植物生长状况的实时监控。

2.采集数据

2.1采集植物各个生长周期的图像数据样本集，在本实施中数据集一共分了六个类别，分别是：牧草，工业大麻，小麦，分别是各个生长周期的图像数据。一共预计1000个样本。

基于上述图像数据样本集，搭建设有深度卷积神经网络并进行训练，以图像数据样本集中作为输入，得到植物长势模型。更进一步的，需要建立二维图像识别模型、三维图像识别模型、图像分割模型和边缘AI计算模型。具体的说就是在深度卷积神经网络全连接局部区域，从输入层读取得到局部感受野，进行权值共享，从卷积层和池化层到输出层，对植物根茎、叶、花、果图像进行模型的网络架构。调用深度学习卷积神经网络，通过OpenCV轮廓发现与几何分析，将所采集的实际图像进行轮廓算法进行处理。从ROI提取正确才可以进行后续的分析、测量、计算密度等，而且这些ROI区域往往不是矩形区域，一般都是不规则的多边形区域。

需要注意的是->其中生成Mask可以根据轮廓、二值化连通组件分析、 inRange等处理方法得到。这里基于inRange方式得到mask区域，然后提取植物图像生长率评估之形态。

将获取到的植物图像进行压缩处理，通过获取不同位面的植物图像，进行综合分析，植物的叶片，植株，颜色，面积轮廓等，得出一系列参数，从而得出植物的生长状态结果。

传统意义上的多层神经网络是只有输入层、隐藏层、输出层。其中隐藏层的层数根据需要而定，没有明确的理论推导来说明到底多少层合适

深度卷积神经网络在原来多层神经网络的基础上，加入了更加有效的特征学习部分，具体操作就是在全连接层前面加入了卷积层与池化层。卷积神经网络出现，使得神经网络层数得以加深，“深度”学习由此而来。

通常所说的深度学习，一般指的是这些CNN等新的结构以及一些新的方法 (比如新的激活函数Relu等)，解决了传统多层神经网络的一些难以解决的问题。

神经网络(neural networks)的基本组成包括输入层、隐藏层、输出层。而卷积神经网络的特点在于隐藏层分为卷积层和池化层(pooling layer，又叫下采样层)以及激活层。每一层的作用如下：

·卷积层：通过在原始图像上平移来提取特征

·激活层：增加非线性分割能力

·池化层：减少学习的参数，降低网络的复杂度(最大池化和平均池化)

为了能够达到分类效果，还会有一个全连接层(Full Connection)也就是最后的输出层，进行损失计算并输出分类结果。

卷积层

卷积层通过四个超参数控制输出体积的大小：过滤器大小，深度，步幅和零填充。得到的每一个深度也叫一个Feature Map。

卷积层的处理，在卷积层有一个重要的就是过滤器大小(需要自己指定)，若输入值是一个[32x32x3]的大小(例如RGB CIFAR-10彩色图像)。如果每个过滤器(Filter)的大小为5×5，则CNN层中的每个Filter将具有对输入体积中的[5x5x3]区域的权重，总共5 5 3＝75个权重(和+1偏置参数)，输入图像的3个深度分别与Filter的3个深度进行运算。请注意，沿着深度轴的连接程度必须为3，因为这是输入值的深度，并且也要记住这只是一个Filter。

假设输入卷的大小为[16x16x20]。然后使用3x3的示例接收字段大小，CNN 中的每个神经元现在将具有总共3 3 20＝180个连接到输入层的连接。

卷积层的输出深度，那么一个卷积层的输出深度是可以指定的，输出深度是由你本次卷积中Filter的个数决定。加入上面我们使用了64个Filter，也就是[5,5,3,64]，这样就得到了64个Feature Map，这样这64个Feature Map 可以作为下一次操作的输入值

卷积层的输出宽度，输出宽度可以通过特定算数公式进行得出。卷积神经网络中有一个概念叫步长，也就是Filter移动的间隔大小。

卷积层的计算方法。这里面体现了局部连接和权值共享：每层神经元只和上一层部分神经元相连(卷积计算规则)，且filter的权值对于上一层所有神经元都是一样的。

总结输出大小

输入体积大小$H_1W_1D_1$

四个超参数：

Filter数量K

Filter大小F

步长S

零填充大小P

输出体积大小$H_2W_2D_2$

$H_2＝(H_1-F+2P)/S+1$

$W_2＝(W_1-F+2P)/S+1$

$D_2＝K$

激活函数-Relu

一般在进行卷积之后就会提供给激活函数得到一个输出值。不使用 $sigmoid$，$softmax$，而使用$Relu$。该激活函数的定义是：

f(u)＝max(0，u)

Relu函数如下：

f(u)＝max(0，u)

特点速度快：与sigmoid函数需要计算指数和倒数相比，relu函数其实就是一个max(0,u)，计算代价小很多。

稀疏性：因为relu函数在输入小于0时是完全不激活的，因此可以获得一个更低的激活率。

池化计算池化层主要的作用是下采样，通过去掉Feature Map中不重要的样本，进一步减少参数数量。池化的方法很多，最常用的是Max Pooling。Max Pooling 实际上就是在$n$个样本中取最大值，作为采样后的样本值。

除了Max Pooing之外，常用的还有Mean Pooling——取各样本的平均值。对于深度为D的Feature Map，各层独立做Pooling，因此Pooling后的深度仍然为D。

全连接层前面的卷积和池化相当于做特征工程，后面的全连接相当于做特征加权，最后的全连接层在整个卷积神经网络中起到“分类器”的作用。

本实施例中主要采用Inception-ResNet-v2来进行图像识别

·由于信息位置的巨大差异，为卷积操作选择合适的卷积核大小就比较困难。信息分布更全局性的图像偏好较大的卷积核，信息分布比较局部的图像偏好较小的卷积核。

·非常深的网络更容易过拟合。将梯度更新传输到整个网络是很困难的。

·简单地堆叠较大的卷积层非常消耗计算资源。

解决方案：

不在同一层级上运行具备多个尺寸的滤波器，网络本质上会变得稍微「宽一些」，而不是「更深」。。

Inception模块使用3个不同大小的滤波器(1x1、3x3、5x5)对输入执行卷积操作，此外它还会执行最大池化。所有子层的输出最后会被级联起来，并传送至下一个Inception模块。

ResNet

随着网络的加深，出现了训练集准确率下降的现象，因为梯度反向传播到前面的层，重复相乘可能使梯度无穷小。结果就是，随着网络的层数更深，其性能趋于饱和，甚至开始迅速下降。因此采用了一种全新的网络，叫深度残差网络(ResNet)其核心思想是引入一个所谓的「恒等快捷连接」(identity shortcut connection)，直接跳过一个或多个层，如图4所示：

二、培育期

1、培育迭代期内使用上述的培育系统培育植物。具体实施方式如下所示：

参见图2所示，植物在小苗期有2-3片真叶时将小苗定值在植物栽培箱，设定植物营养生长期(A1)第一个阶段的环境参数范围，包括：环境温度(28 度)，湿度(70％)，光照时间(11.5H/24H)，光照度(11000/LUX),二氧化碳浓度(450ppm)，风力速度(0.5-1.0m/s)；

进一步在植物根部箱体内，变频自吸泵通过供液管道，四向喷头，以每50/ 分钟施放40/秒的水溶性营养液肥(A1)氮，磷，钾(3:2:2)比例的提供，每 3天以超声波发生器加施叶面肥一次，在制冷热发生器的控制下使植物栽培箱维持在28℃的温度，进行栽培。

在植物营养生长期(A2)第二个阶段，参数设定的范围下，环境温度(25℃ -28℃)，湿度(75％)，光照时间(12.5H/24H)，光照度(11800/LUX),二氧化碳浓度(600ppm)，风力速度(0.5-1.0m/s)。

进一步在植物根部箱体内，变频自吸泵以每50/分钟施放45/秒的水溶性营养液肥(A2)氮，磷，钾(5:3:2)比例的提供，每5天以超声波发生器加施叶面肥一次，在制冷热发生器的控制下使植物栽培箱维持在25℃到28℃的温度，进行栽培。

在植物营养生长期(A3)第三个阶段，参数设定的范围下，环境温度(26℃ )，湿度(70％)，光照时间(13.0H/24H)，光照度(12600/LUX),二氧化碳浓度(660ppm)，风力速度(1.0-1.5m/s)。

进一步在植物根部箱体内，变频自吸泵以每50/分钟施放50/秒的水溶性营养液肥(A3)氮，磷，钾(3:3:2)比例的提供，每5天以超声波发生器加施叶面肥一次，在制冷热发生器的控制下使植物栽培箱维持在25℃的温度，进行栽培。

参见图3所示，植物在营养生殖生长期五个阶段，在人工环境的植物栽培箱，设定植物营养生殖生长期(B1)第一个阶段的环境参数范围。包括：环境温度(28度)，湿度(70％)，光照时间(12.5H/24H)，光照度(13000/LUX), 二氧化碳浓度(750ppm)，风力速度(1.5-1.8m/s)；在植物根部箱体内，变频自吸泵以每60/分钟施放60/秒的水溶性营养液肥(B1)氮，磷，钾(0:62:62) 比例的提供，每2天以超声波发生器加施叶面肥一次(2分钟)。

设定植物营养生殖生长期(B2)第二阶段的环境参数范围，包括：环境温度(28度)，湿度(75％)，光照时间(13.5H/24H)，光照度(14000/LUX),二氧化碳浓度(750ppm)，风力速度(1.5-2.0m/s)；在植物根部箱体内，变频自吸泵以每60/分钟施放70/秒的水溶性营养液肥(B2)氮，磷，钾(2:48:44) 比例的提供，每2天以超声波发生器加施叶面肥一次(2分钟)。

设定植物营养生殖生长期(B3)第三阶段的环境参数范围，包括：环境温度(30度)，湿度(75％)，光照时间(14.5H/24H)，光照度(14500/LUX),二氧化碳浓度(850ppm)，风力速度(1.5-2.0m/s)；在植物根部箱体内，变频自吸泵以每70/分钟施放65/秒的水溶性营养液肥(B3)氮，磷，钾(2:20:28) 比例的提供，每2天以超声波发生器加施叶面肥一次(2分钟)。

设定植物营养生殖生长期(B4)第四阶段的环境参数范围，包括：环境温度(30度)，湿度(70％)，光照时间(15.H/24H)，光照度(15000/LUX),二氧化碳浓度(850ppm)，风力速度(2.0-2.8m/s)；在植物根部箱体内，变频自吸泵以每70/分钟施放65/秒的水溶性营养液肥(B4)氮，磷，钾(3:10:8)比例的提供，每3天以超声波发生器加施叶面肥一次(2分钟)，

设定植物营养生殖生长期(B5)第五阶段的环境参数范围，包括：环境温度(27度)，湿度(70％)，光照时间(15.H/24H)，光照度(15500/LUX),二氧化碳浓度(900ppm)，风力速度(2.0-2.8m/s)；在植物根部箱体内，变频自吸泵以每70/分钟施放50/秒的水溶性营养液肥(B5)氮，磷，钾(2:8:14)比例的提供，每3天以超声波发生器加施叶面肥一次(2分钟)，

2、周期性的使用低照度工业摄像头及双目视觉摄像头采集植物培育箱内植物的整体实际图像、单一植株的完整实际图像及其果实和/或叶和/或花和/或根茎的局部实际图像，并分别标记所采集实际图像的拍摄时间；

之后将所采集实际图像输入植物长势模型，获得当前植物生长状况数据和预测植物生长状况数据，植物生长状况数据包括：植物所处生长阶段、整体的大小、高低，叶面结构面积、植物生物量数据；以及单一植株的叶面积、叶面周长、颜色深度、植株高度、根系长度、面积、轮廓、结实率、果实颜色、果实大小、轮廓面积和周长数据，以及植物病虫害状况。

通过分数级融合将当前植物生长状况数据和该当前植物生长状况数据对应的、在其时序之前的预测植物生长状况数据对比，从而确定预测精度，并通过反向迭代算法优化上述的植物长势模型。

从局部特征识别，针对单一植株进行特征数据识别，评估单一植株的生长状态，叶面积，叶面周长，颜色深度，植株高度，根系长度，面积，轮廓，结实率，果实颜色，果实大小，轮廓面积和周长数据对比。

通过人工智能机器学习，强化学习实现植物自动化生长特征工程，检测整体植物生长状态，识别叶面轮廓，根系轮廓，计算面积，周长等参数，评估整体的植物长势。

基于轮廓发现与多边形逼近、几何距实现几何形状识别与对象测量，测量时运用到另外两个相关API分别是计算轮廓的周长与面积。得到植物生长状态的大小，高低，前后各种的参考数据。

由此，实现了对植物长势模型的优化，以及获得当前植物生长状况数据以及预测植物生长数据。

本发明设计了一套深度的自行学习反馈模型，植物外在的表型研究作为参数评估的可选项，可以使系统迭代和优化的更快和更精确。整个系统是泛化的，也就是说，不单单是对一种植物或作物可以进行自行反馈调节，而是对所有在控制的环境中条件种植的植物均可以进行，随着系统的迭代学习，神经网络会越来越精准，越来越高效，越来越智能！

植物从种植初始小苗阶段开始到开花结果就将相关数据上传到大数据云平台，进行实时统计和分析，评估和判断建立样本，精准调节参数，通过前反馈技术，可以将传统的植物研究周期由年-月级别缩短到天-小时甚至分钟级别，通过机器学习算法实现自动植物生长研究，达到最大的应用价值。

与现有技术相比，本发明具有以下优点：

实时运行，不间断运行；2.自动反馈，智能评估；3.传输数据精确度高，自我迭代。4.无线远程数据传输，实时显示数据。5.数据即时存储，历史曲线随时分析，做到大数据监控管理。

需要注意的是，以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施方式仅限于此，在上述实施例的指导下，本领域技术人员可以在上述实施例的基础上进行各种改进和变形，而这些改进或者变形落在本发明的保护范围内。

Claims (10)

1.一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于，包括如下步骤：

S1：采集植物各个生长周期的图像数据样本集，搭建深度卷积神经网络并进行训练，以所述图像数据样本集中作为输入，得到植物在不同生长周期下的生长状况特征；

S2：种植植物，并根据植物种类在所述植物的各生长阶段，周期性的采集所述植物培育箱内植物的整体实际图像、单一植株的完整实际图像及其果实和/或叶和/或花和/或根茎的局部实际图像，并分别标记所采集实际图像的拍摄时间和植物生长阶段；

将所采集实际图像输入所述深度卷积神经网络，结合环境因素和植物在不同生长周期下的生长状况特征得到植物长势模型，并获得当前植物生长状况数据和预测植物生长状况数据，以及将当前植物生长状况数据和在该当前植物生长状况数据时序之前的预测植物生长状况数据对比确定预测精度，并优化所述植物长势模型。

2.根据权利要求1所述的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于，所述S1还包括如下步骤：配置具有植物培育箱的培育系统；根据待培育植物种类和植物培育箱结构，选择至少一个单一植株监控区域，并在所述培育箱内设置多处用于拍摄植物生长区域内整体的植物生长状态的二维摄像头和三维摄像头，以及设置多处用于拍摄单一植株监控区域内植物生长状态的二维摄像头和三维摄像头。

3.根据权利要求2所述的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于，所述植物生长状况数据包括：植物所处生长阶段；植物整体的大小、高低，叶面结构面积、植物生物量数据；单一植株的叶面积、叶面周长、颜色深度、植株高度、根系长度、面积、轮廓、结实率、果实颜色、果实大小、轮廓面积和周长数据；以及植物病虫害状态。

4.根据权利要求3所述的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于：所述采集的植物实际图像至少包括果实和/或花和/或根茎的正面、侧面之二维图像和三维图像，以及叶的正面、背面之二维图像和三维图像。

5.根据权利要求4所述的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于：所述S2中种植植物为露天环境，所述环境因素包括基于当前时间和经纬度获得历年气候数据和当前对应的气象数据，包括气温、湿度、风速、日照时数、降水量。

6.根据权利要求5所述的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于：所述S2中种植植物为在植物培育箱培育，所述环境因素包括光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、营养液配比、养液喷洒周期；所述植物生长环境数据包括光照度、光照光谱、环境温度、环境湿度、风流量、二氧化碳浓度、养液PH值、养液EC值、养液喷洒周期。

7.根据权利要求6所述的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于：所述深度卷积神经网络包括输入层、隐藏层、输出层，所述隐藏层由通过在原始图像上平移来提取特征的卷积层、增加非线性分割能力的激活层、用于减少学习的参数降低网络的复杂度的池化层和全连接层串联或并联所构成。

8.根据权利要求7所述的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于，所述S2还包括步骤：建立二维图像识别模型、三维图像识别模型、图像分割模型和边缘AI计算模型

9.根据权利要求8所述的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于，所述S2还包括步骤：在深度卷积神经网络全连接局部区域，从输入层读取得到局部感受野，进行权值共享，从卷积层和池化层到输出层，对植物根茎、叶、花、果图像进行模型的网络架构。

10.根据权利要求9所述的一种基于卷积神经网络的植物长势模型的自反馈学习评估方法，其特征在于，所述S1还包括步骤：通过OpenCV轮廓发现与几何分析，将所采集的实际图像进行轮廓算法进行处理。

Images