CN113297925A - 一种果蔬全链条质量智能预警方法及系统 - Google Patents

一种果蔬全链条质量智能预警方法及系统 Download PDF

Info

Publication number
CN113297925A
CN113297925A CN202110486300.5A CN202110486300A CN113297925A CN 113297925 A CN113297925 A CN 113297925A CN 202110486300 A CN202110486300 A CN 202110486300A CN 113297925 A CN113297925 A CN 113297925A
Authority
CN
China
Prior art keywords
fruit
vegetable
parameters
monitoring
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110486300.5A
Other languages
English (en)
Inventor
黄汉英
贾才华
李鹏飞
赵思明
熊善柏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong Agricultural University
Original Assignee
Huazhong Agricultural University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong Agricultural University filed Critical Huazhong Agricultural University
Priority to CN202110486300.5A priority Critical patent/CN113297925A/zh
Publication of CN113297925A publication Critical patent/CN113297925A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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
    • G06T5/00—Image enhancement or restoration
    • G06T5/40—Image enhancement or restoration using histogram techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/90—Dynamic range modification of images or parts thereof
    • 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
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Multimedia (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一种果蔬全链条智能监测预警方法及系统，该方法包括：获取果蔬生长图像、果蔬红外图像、种植地高光谱图像；将果蔬生长图像输入至训练完备的深度学习模型，识别果蔬存在的病斑，确定对应的第一病害程度指数；根据果蔬红外图像，确定叶片的温度变化，并根据所述温度变化，确定对应的第二病害程度指数；根据种植地高光谱图像，识别多个特征波段，并根据特征波段，确定对应的第三病害程度指数；根据第一病害程度指数、第二病害程度指数和第三病害程度指数，制定农药喷洒策略，以提醒相关人员进行农药喷洒。本发明利用多种信息进行智能预警和农药喷洒，保障了果蔬生产的安全性。

Description

一种果蔬全链条质量智能预警方法及系统
技术领域
本发明涉及农业信息技术领域，尤其涉及一种果蔬全链条质量智能预警方法及系统。
背景技术
果蔬生产的产业链包括种植、收储、加工、流通四个节点，其中，每个节点都会影响出产果蔬的产量和质量。现有技术中，往往分别对果蔬生成的某个节点或者某个生产因素进行监测，监测形式和监测内容单一，不能完全对整个产业链进行全面的监测和判断。除此之外，现有技术中采用传统的数据处理方式对监测信息进行处理，数据处理过程缺乏高效性和快速性。因而，如何对果蔬生产的产业链进行高效全面的监测是亟待解决的问题。
发明内容
有鉴于此，有必要提供一种果蔬全链条质量智能监测预警方法及系统，用以解决如何对果蔬生产的产业链进行高效全面的监测的问题。
本发明提供一种果蔬全链条质量智能监测预警方法，包括：
获取果蔬生长图像、果蔬红外图像、种植地高光谱图像；
将所述果蔬生长图像输入至训练完备的深度学习模型，识别果蔬存在的病斑，确定对应的第一病害程度指数；
根据所述果蔬红外图像，确定叶片的温度变化，并根据所述温度变化，确定对应的第二病害程度指数；
根据所述种植地高光谱图像，识别多个特征波段，并根据所述特征波段，确定对应的第三病害程度指数；
根据所述第一病害程度指数、所述第二病害程度指数和所述第三病害程度指数，制定农药喷洒策略，以提醒相关人员进行农药喷洒。
进一步地，所述果蔬生长图像包括可见光图像，所述将所述果蔬生长图像输入至训练完备的深度学习模型，识别果蔬存在的病斑，输出对应的第一病害程度指数包括：
使用CCD摄像机采集果蔬叶片的所述可见光图像，将所述可见光图像传输到边缘服务器上；
使用RGB三个通道对所述可见光图像进行处理，结合边缘检测的方法对采集的果蔬的可见光图像进行分割，将叶片上的病斑分割出来；
使用所述深度学习模型，识别所述可见光图像分割出来的病斑的颜色特征、形态特征以及纹理特征，确定病害区域面积；
计算病害区域面积与叶片面积的比值，并根据所述比值划分严重程度，用分级法表示所述严重程度si，其中，所述严重程度si分为1％，5％，10％，20％，40％，60％，80％和100％；
根据每株植株多个叶片的所述严重程度，确定每株植株的平均病害严重程度，通过如下公式表示：
Figure BDA0003050452580000021
其中，S表示所述平均病害严重程度，si表示i级严重程度，ni表示i级严重程度的病叶数；
根据叶片感染数量和植株总叶片数，确定每株植株的感染程度，通过如下公式表示：
Figure BDA0003050452580000022
其中，P表示所述感染程度，n表示叶片感染数量，N表示植株总叶片数；
根据所述平均病害严重程度和所述感染程度，确定单株植株的所述第一病害程度指数，通过如下公式表示：
D＝SP
其中，D表示所述第一病害程度指数，S表示所述平均病害严重程度，P表示所述感染程度。
进一步地，所述根据所述果蔬红外图像，确定叶片的温度变化，并根据所述温度变化，确定对应的第二病害程度指数包括：
使用红外热成像仪采集果蔬叶片的所述果蔬红外图像，将所述果蔬红外图像传输到边缘服务器上；
使用直方图均衡化和中值滤波，对所述果蔬红外图像进行预处理；
将预处理后的果蔬红外图像，分别与存在潜伏病害、存在显著病害以及正常果蔬叶片的红外热成像图像数据比对，通过人工智能将温度异常的叶片识别出来；
计算温度异常的叶片面积与整体叶片面积的比值，并根据所述比值划分严重程度，用分级法表示所述严重程度s，其中，所述严重程度
si分为1％，5％，10％，20％，40％，60％，80％和100％；
根据每株植株多个叶片的所述严重程度，确定每株植株的平均病害严重程度，通过如下公式表示：
Figure BDA0003050452580000031
其中，S表示所述平均病害严重程度，si表示i级严重程度，ni表示i级严重程度的病叶数；
根据叶片感染数量和植株总叶片数，确定每株植株的感染程度，通过如下公式表示：
Figure BDA0003050452580000041
其中，P表示所述感染程度，n表示叶片感染数量，N表示植株总叶片数；
根据所述平均病害严重程度和所述感染程度，确定单株植株的所述第二病害程度指数，通过如下公式表示：
D＝SP
其中，D表示所述第二病害程度指数，S表示所述平均病害严重程度，P表示所述感染程度。
进一步地，所述根据所述种植地高光谱图像，识别多个特征波段，并根据所述特征波段，确定对应的第三病害程度指数包括：
使用无人机低空遥感采集大面积的所述种植地高光谱图像，将采集的所述种植地高光谱图像传输到边缘服务器上；
对采集的所述种植地高光谱图像的反射率进行校正，其中，校正通过如下公式表示：
Ra＝ki×DNa+bi
其中，Ra为灰度板第a个梯度测得的反射率，DNa为所述种植地高光谱图像中灰度板第a个梯度的DN值，ki为对应线性方程的斜率参数，bi为对应线性方程的回归截距参数；
按照最小二乘原理对a个方程求解，求得第i个波段的斜率参数ki和回归截距参数bi；
将斜率参数ki和回归截距参数bi应用到所述种植地高光谱图像中，得到叶片真实的反射率数据；
将采集校正后的所述种植地高光谱图像进行分析处理，根据光谱吸收的情况，通过人工智能分析得到病害出现的区域；
根据所述病害出现的区域，计算果蔬农田病害感染情况，
r＝A1/A
式中，A1为所述种植地高光谱图像中病害出现的区域的面积，A为农田总面积，r为所述第三病害程度指数。
进一步地，还包括：
获取多个所述果蔬生长图像、多个所述果蔬红外图像、多个所述种植地高光谱图像；
对多个所述果蔬生长图像、多个所述果蔬红外图像、多个所述种植地高光谱图像进行去噪处理，确定去噪后的待上传图像；
对每个所述待上传图像的处理时延进行升序排序，形成第一序列，且每个所述边缘节点新增的待上传图像放置在所述第一序列的末端；
根据每个所述边缘节点的传输时延对所述第一序列进行调节，并根据调节后的第一序列确定多个所述待上传图像的上传顺序；
依次对上传的多个所述待上传图像进行数据处理，并将数据处理结果可视化。
本发明还提供了一种果蔬全链条质量智能监测预警系统，包括：
获取单元，用于获取果蔬生长图像、果蔬红外图像、种植地高光谱图像；
处理单元，用于将所述果蔬生长图像输入至训练完备的深度学习模型，识别果蔬存在的病斑，确定对应的第一病害程度指数；还用于根据所述果蔬红外图像，确定叶片的温度变化，并根据所述温度变化，确定对应的第二病害程度指数；还用于根据所述种植地高光谱图像，识别多个特征波段，并根据所述特征波段，确定对应的第三病害程度指数；
喷洒单元，用于根据所述第一病害程度指数、所述第二病害程度指数和所述第三病害程度指数，制定农药喷洒策略，以提醒相关人员进行农药喷洒。
进一步地，还包括种植节点监测设备，所述种植节点监测设备包括：
育苗监测设备，用于监测所述育苗参数，以反馈苗种生长情况，其中，所述育苗参数包括田间温湿度、日照、苗种生长高度、育苗操作图像中的至少一种；
育种监测设备，用于监测所述育种参数，以反馈选育种子的操作规范，其中，所述育种参数包括品种基因、品种水分含量、选育操作图像中的至少一种；
栽培监测设备，用于监测所述栽培参数，以反馈栽培环境质量和栽培操作规范，其中，所述栽培参数包括土壤参数、水质参数、气象参数、栽培操作图像中的至少一种；
授粉监测设备，用于监测所述授粉参数，以反馈授粉情况，其中，所述授粉参数包括害虫种类、害虫规模、授粉环境质量、授粉操作图像中的至少一种；
套袋监测设备，用于监测所述套袋参数，以反馈套袋情况，其中，所述套袋参数包括套袋环境质量、套袋操作图像中的至少一种；
收货监测设备，用于监测所述收货参数，以反馈收货情况，其中，所述收货参数包括果蔬水分、果蔬甜度、果蔬污染物残留、收货操作图像、收货机械运行参数中的至少一种。
进一步地，还包括收储节点监测设备，所述收储节点监测设备包括：
接收监测设备，用于监测所述接收参数，以反馈接收果蔬的质量，其中，所述接收参数包括果蔬残留物、果蔬甜度、果蔬水分、果蔬成熟度中的至少一种；
入库监测设备，用于监测所述入库参数，以反馈入库的操作规范，其中，所述入库参数包括接收仓库保鲜气体浓度、接收仓库空气质量中的至少一种；
堆放监测设备，用于监测所述堆放参数，以反馈堆放环境质量，其中，所述堆放参数包括堆放空气质量、堆放操作图像中的至少一种；
仓储监测设备，用于监测所述仓储参数，以反馈仓储环境质量，其中，所述仓储参数包括仓储空气质量、仓储操作图像中的至少一种；
盘点监测设备，用于监测所述盘点参数，以反馈出库果蔬的质量和数量，其中，所述盘点参数包括盘点环境空气质量、果蔬数量密度、果蔬放置情况、果蔬新鲜程度、果蔬新鲜程度、盘点操作图像中的至少一种；
出库监测设备，用于监测所述出库参数，以反馈出库的操作规范，其中，所述出库参数包括出库操作图像。
进一步地，还包括加工节点监测设备，所述加工节点监测设备包括：
所述多个节点参数包括剔果参数、清洗参数、消毒参数、打蜡参数、包装参数以及预冷参数，所述加工节点监测设备包括：
剔果监测设备，用于监测所述剔果参数，以反馈剔果的操作规范，其中，所述剔果参数包括果蔬残留物含量、果蔬水分、果蔬成熟度、果蔬甜度、剔果车间温湿度、剔果车间空气状况、剔果车间清洁度、剔果操作图像中的至少一种；
清洗监测设备，用于监测所述清洗参数，以反馈清洗果蔬的操作规范，其中，所述清洗参数包括清洗用水水质、清洗车间温湿度、清洗车间空气状况、清洗车间清洁度、清洗操作图像中的至少一种；
消毒监测设备，用于监测所述消毒参数，以反馈消毒果蔬的操作规范，其中，所述消毒参数包括果蔬污染物含量、消毒车间温湿度、消毒车间空气状况、消毒车间清洁度、消毒操作图像中的至少一种；
打蜡监测设备，用于监测所述打蜡参数，以反馈打蜡的操作规范，其中，所述打蜡参数包括果蔬表面蜡含量、打蜡车间温湿度、打蜡车间空气状况、打蜡车间清洁度、打蜡操作图像中的至少一种；
包装监测设备，用于监测所述包装参数，以反馈包装的操作规范，其中，所述包装参数包括包装车间温湿度、包装车间空气状况、包装车间清洁度、包装操作图像中的至少一种；
预冷监测设备，用于监测所述预冷参数，以反馈预冷的操作规范，其中，所述预冷参数包括预冷车间温湿度、预冷车间空气状况、预冷车间清洁度、预冷操作图像中的至少一种。
进一步地，还包括流通节点监测设备，所述流通节点监测设备包括：
进货监测设备，用于监测所述进货参数，以反馈进货果蔬质量，其中，所述进货参数包括果蔬残留物含量、果蔬甜度、果蔬水分、果蔬成熟度、进货操作图像中的至少一种；
储存监测参数，用于监测所述储存参数，以反馈储存果蔬质量，其中，所述储存参数包括储存环境质量、果蔬损耗率、储存操作图像中的至少一种；
拣货监测参数，用于监测所述拣货参数，以反馈拣货时果蔬的损耗情况，其中，所述拣货参数包括果蔬损耗率、运输环境温湿度、运输环境氧气浓度、拣货操作图像中的至少一种；
配货监测参数，用于监测所述配货参数，以反馈配货时果蔬的损耗情况，其中，所述配货参数包括果蔬损耗率、运输环境温湿度、运输环境氧气浓度、配货操作图像中的至少一种；
送货监测参数，用于监测所述送货参数，以反馈送货时果蔬的损耗情况，其中，所述送货参数包括果蔬损耗率、运输环境温湿度、运输环境氧气浓度、配货操作图像中的至少一种；
销售监测参数，用于监测所述销售参数，以反馈果蔬的销售情况，其中，所述销售参数包括果蔬损耗率、果蔬新鲜程度、果蔬销售量、果蔬销售价格中的至少一种。
与现有技术相比，本发明的有益效果包括：结合不同的传感图像，分别对病害类型、病害程度、存在病变情况和面积范围进行考虑，智能制定农药喷洒方案，保证对监控过程中的各个图像的快速处理，进一步实现了果蔬生成监控的高效性和准确性，有助于进行及时的反馈和预警，提高了果蔬生产的安全性。
附图说明
图1为本发明提供的果蔬全链条质量智能预警方法的流程示意图；
图2为本发明提供的果蔬全链条质量智能预警系统的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
实施例1
本发明实施例提供了一种果蔬全链条质量智能预警方法，结合图1来看，图1为本发明提供的果蔬全链条质量智能预警方法的流程示意图，包括步骤S1至步骤S5，其中：
在步骤S1中，获取果蔬生长图像、果蔬红外图像、种植地高光谱图像；
在步骤S2中，将所述果蔬生长图像输入至训练完备的深度学习模型，识别果蔬存在的病斑，确定对应的第一病害程度指数；
在步骤S3中，根据所述果蔬红外图像，确定叶片的温度变化，并根据所述温度变化，确定对应的第二病害程度指数；
在步骤S4中，根据所述种植地高光谱图像，识别多个特征波段，并根据所述特征波段，确定对应的第三病害程度指数；
在步骤S5中，根据所述第一病害程度指数、所述第二病害程度指数和所述第三病害程度指数，制定农药喷洒策略，以提醒相关人员进行农药喷洒。
在本发明实施例中，结合不同的传感图像，分别对病害类型、病害程度、存在病变情况和面积范围进行考虑，智能制定农药喷洒方案，保证对监控过程中的各个图像的快速处理，进一步实现了果蔬生成监控的高效性和准确性，有助于进行及时的反馈和预警，提高了果蔬生产的安全性。
优选地，上述方法还包括
获取多个所述果蔬生长图像、多个所述果蔬红外图像、多个所述种植地高光谱图像；
对多个所述果蔬生长图像、多个所述果蔬红外图像、多个所述种植地高光谱图像进行去噪处理，确定去噪后的待上传图像；
对每个所述待上传图像的处理时延进行升序排序，形成第一序列，且每个所述边缘节点新增的待上传图像放置在所述第一序列的末端；
根据每个所述边缘的传输时延对所述第一序列进行调节，并根据调节后的第一序列确定多个所述待上传图像的上传顺序；
依次对上传的多个所述待上传图像进行数据处理，并将数据处理结果可视化。
作为具体实施例，本发明实施例获取多个图像，利用去噪的操作，有效地避免了数据噪声，同时，根据处理时延进行升序排序，进行有效的虚拟机资源分配，合理地规划出第一序列，最后，再根据传输时延对第一序列进行调节，确定最终各个待上传图像的上传顺序，以此保证高效快速的数据处理和数据上传，合理地分配了各个图像的上传顺序，及时监控全生产的过程，全面地提高了食品安全大数据平台数据上传、数据处理的快速性和高效性，实现了全面快速的预警和监控进行预警。
需要说明的是，红外热成像技术、光谱图像技术、机器视觉图像技术多技术结合的果蔬病害监测系统，能够对大部分的果蔬病害进行监测与防治，对早期病害、大面积传染、以及特定病害进行有效防治，对于难以分辨的特殊种类病害，可以通过专家诊断系统远程诊断。针对果蔬病害常见的症状以及出现的部位，常见果蔬病害症状出现在根部与叶片，根部与叶片会出现枯萎、腐烂、病斑、温度变化等症状，通过使CCD摄像机采集果蔬叶片与根部的图像信息，使用高光谱成像仪采集叶片与根部的光谱图像信息，使用红外热成像仪采集叶片与根部的温度红外成像信息，将数据传输到边缘服务器上，使用深度学习提取可见光图像的纹理特征、颜色特征、形状特征等一些信息，光谱图像的光谱吸收情况，红外成像图像的温度变化情况，经过深度学习多层网络的学习与分类，将患有病害的植株筛选出来，并通过人工智能进行病害标记以及治理措施提醒，当系统遇到分辨不出的病害种类，可以将图像留存，发送至专家处，通过专家进行远程诊断，实现高准确度的病害识别与治理。
在本发明一个具体的实施例中，使用三种监测技术对果蔬病害进行监测：
第一，采用红外热成像技术，在作物被真菌和病原体等病原体感染后，病原微生物通过分泌的酶，毒素等破坏和降解植物细胞的膜脂和膜蛋白，导致细胞膜渗透性增加，水分流失，进而整株呈现失水萎蔫状态，作物保护细胞水势变化，使气孔异质性关闭，这将直接导致气孔导度和蒸腾强度等生理指标的变化，使叶片表面的热量流失程度发生变化，然后引起叶面温度的异常变化，利用红外热成像技术可以检测出作物早期作物的生理变化，并检测出感染叶片的温度变化与正常叶片温度的变化有显着差异，反映作物感染的早期特征，能够在早期时将无明显病状特征的作物识别出来。
具体过程包括：
1)使用红外热成像仪采集果蔬叶片的红外热成像图像，将红外热成像数据传输到边缘服务器上。
2)对红外热成像图像预处理，使用直方图均衡化和中值滤波
彩色图像的直方图均衡化主要是将各个像素归一化后的灰度值赋给该像素，对图像的色彩、亮度等信息进行修正，增强图像的对比度，使细节更加突出。
单通道直方图均衡化具体公式如下
Figure BDA0003050452580000121
其中，L＝256为灰度级数，函数输入为原始图像像素值，输出是均衡化之后的结果，h(xi)为每个灰度值对应的像素点总数，根据灰度值的递增逐渐累加得到对应的累积分布函数值。
分别对彩色图像的RGB三个通道均衡化，然后将三个通道的结均衡化果合并，实现对色彩的直方图均衡化。再对彩色图像的三个通道的亮度均衡化，计算平均亮度直方图，实现对亮度的直方图均衡化。
中值滤波法是一种非线性平滑技术，它将每一像素点的灰度设置为该点某邻域窗口内所有像素点灰度的中值，是在“最小绝对误差”准则下的最优滤波。具体公式如下
g(x，y)＝med{f(x-k，y-l)，(k，l∈W)}
其中，f(x，y)为原始图像，g(x，y)为处理后图像，W为二维模板，即选用的奇数点窗口。
3)将采集的果蔬的红外热成像图像数据分别与存在潜伏病害、存在显著病害以及正常果蔬叶片的红外热成像图像数据比对，通过人工智能将温度异常的叶片识别出来。
4)采用边缘检测的方法对采集的果蔬的红外热成像图像进行分割，将温度异常的区域分割出来，计算叶片面积与病害区域面积，病害区域面积与叶片面积占比为严重程度，用分级法表示，分为1％，5％，10％，20％，40％，60％，80％和100％，8个级别，用符号si表示，使用S表示每株植株的平均病害严重程度
Figure BDA0003050452580000131
其中，si为i级严重程度，ni为i级严重程度的病叶数。
5)判别果蔬单株作物病害程度，使用P表示每株植株的感染程度，公式为：
Figure BDA0003050452580000132
其中，n为叶片感染数量，N为植株总叶片数。
使用D表示果蔬单株作物病害程度指数
D＝SP
即病害的严重程度与病害感染程度之积为病害程度指数。
6)根据果蔬的病害程度指数，制定治理措施。
第二，采用可见光图像识别技术，使用CCD摄像机采集作物的可见光图像信息，通过计算机图像处理和模式识别进行病害信息获取与诊断，采用计算机图像处理和模式识别技术识别病斑的灰度图像、彩色图像。采用纹理特征分析法、形状特征分析法等方法，对图片数据中明显的病斑、腐败等形状特征以及黑斑、白斑等颜色特征，通过深度学习进行特征提取、学习以及分类，实现对作物有无病害进行识别分类。
具体过程包括：
1)使用CCD摄像机采集果蔬叶片的可见光图像数据，将可见光图像数据传输到边缘服务器上。
2)通过图像颜色特征对可见光图像进行处理，使用RGB三个通道，结合边缘检测的方法对采集的果蔬的可见光图像进行分割，将叶片上的病斑分割出来。
3)使用人工智能通过可见光图像分割出来的病斑颜色特征、形态特征以及纹理特征对病害进行识别。
4)判断病害的严重程度，计算叶片面积与病害区域面积，病害区域面积与叶片面积占比为严重程度，用分级法表示，分为1％，5％，10％，20％，40％，60％，80％和100％，8个级别，用符号si表示。
5)使用S表示每株植株的平均病害严重程度
Figure BDA0003050452580000141
其中，si为i级严重程度，ni为i级严重程度的病叶数。
6)判别果蔬单株作物病害程度，使用P表示每株作物的感染程度，公式为：
Figure BDA0003050452580000151
其中，n为叶片感染数量，N为植株总叶片数。
使用D表示果蔬单株作物病害程度指数
D＝SP
即病害的严重程度与病害感染程度之积为病害程度指数。
7)根据果蔬的病害程度指数，制定治理措施。
第三，采用多光谱和高光谱成像技术，可以针对全波段建立分类模型，或是建立基于几个或几十个特征波段的分类模型，能够识别出机器视觉图像不能识别的病害。通过高光谱与遥感技术结合，能够实现远距离、大面积的田间养分信息的监测，通过高光谱遥感可以对大面积农田病害情况以及传染情况进行监测，根据监测的病害及传染情况，能够制定合理的农药喷洒策略。
具体过程如下：
1)使用无人机低空遥感采集大面积的果蔬农田高光谱图像，将采集的高光谱图像数据传输到边缘服务器上。
2)对采集的高光谱图像的反射率进行校正
校正公式为：
Ra＝ki×DNa+bi
其中，Ra为灰度板第a个梯度测得的反射率，DNa为高光谱图像中灰度板第a个梯度的DN值，ki为线性方程的斜率(增益)，bi为线性回归截距参数(偏置)。按照最小二乘原理对a个方程求解，即可求得第i个波段的拟合系数ki和bi。将辐射定标计算得到的拟合系数应用到高光谱图像中即可得到叶片真实的反射率数据。
3)将采集到的高光谱图像进行分析处理，根据光谱吸收的情况，通过人工智能分析得到病害出现的区域以及病害种类。
4)计算果蔬农田病害感染情况，
r＝A1/A
式中，A1为高光谱图像显示的病害区域面积，A为农田总面积。
5)根据果蔬农田病害感染情况，制定治理措施。
在本发明一个具体的实施例中，根据采集的近红外热成像图像可以监测到果蔬叶片早期病害，能够在病害出现显症前及时发现，能够提前治理，将病害等级定义为三级，为最低级，说明此时病害还未造成较大危害，可以进行提前控制。根据采集的可见光图像可以监测到果蔬叶片明显的病斑及腐败等症状，即果蔬存在显著病害，将病害等级定义为二级，为中间等级，说明此时病害较为严重，需要及时治理。根据采集的高光谱图像可以监测到农田大面积病害情况，将病害等级定义为一级，说明此时病害存在大规模的感染，病害十分严重，需要立刻进行处理。例：茄子的灰霉病会迅速扩展，造成整叶枯萎、花脱落及果实腐烂，马铃薯的晚疫病可导致马铃薯茎叶死亡和块茎腐烂，苹果花叶病使果树叶片上出现斑块状失绿变黄或变白的病斑，叶肉细胞遭到破坏，严重影响苹果产量，番茄早疫病在果实、叶片或主茎都有可能发生，严重时可致叶片脱落、断枝，果实开裂等。
在本发明一个具体的实施例中，物联网传感器并行传输，通过目标规划的方法调整带宽将任务传输到边缘服务器上。当任务由边缘服务器传输到云端服务器，对边缘服务器上的任务进行排序，任务按照处理时延的大小升序排列，新的任务加入放置在序列最后，计算每个任务的传输时延，计算每个任务的排队时延，将二者相加，按照两者之和的大小降序排列，将传输和排队时延之和最大的任务优先传输，当有新任务加入队列重新计算当前每个任务的传输和排队时延，再将任务进行降序排列，将传输和排队时延之和最大的任务优先传输，使得每个传输时延和排队时延大的任务能够优先传输，减少排队时延。
其中，具体的任务传输方法流程：
物联网传感器将任务传输到边缘服务器的方法
(1)计算传输时延
根据香农定理：
C＝Blog2(1+S/N)
其中，C为信道支持的最大速度或者叫信道容量，B是信道的带宽，S是平均信号功率，N是平均噪声功率；S/N即信噪比。
传输时延可以表示为:
Figure BDA0003050452580000171
其中，Di为任务i的数据量，Bi为任务i在传输过程中所获取的通信带宽，S为平均信号功率，即第i个任务所在的移动终端将任务i发送至边缘服务器时提供的发射功率与发射所用信道的信道增益的乘积，N为信道内平均噪声功率。
(2)采用目标规划，其模型为
目标为：
Figure BDA0003050452580000172
约束条件为：s.t. C1：∑Bi≤B
C2：Bop
其中，Bop是最优的传输信道资源分配方案，B为无线通信链路传输数据的总带宽。
任务通过此方式传输到边缘服务器上。
任务由边缘服务器传输到云端服务器的方法
(1)计算每个任务的处理时延dproc
Figure BDA0003050452580000181
式中，每个任务的数据量Di比上边缘服务器的计算能力fie为每个任务的处理时延dproc。
(2)将每个任务按照处理时延从小到大的顺序进行排序，形成升序队列q
q＝(D1，D2，...，Di，...，Dn)
其中，队列首端任务优先上传，新的任务添加到队列尾端。
定义集合before为排在任务i前面的所有任务的集合，M为集合中任务个数。
当任务处理完成后，不需要进行排队，就按照处理时延大小的升序队列直接传输，即理想情况，上一任务传输完，下一任务恰好处理完。当任务进行排队时，按照以下方法传输。
(3)计算每个任务的传输时延dtrans
Figure BDA0003050452580000182
式中，每个任务的数据量Di比上传输速率C为每个任务的传输时延dtrans。
(4)计算每一任务的排队时延dq
Figure BDA0003050452580000191
式中，j属于集合before，集合为排在任务i前面的所有任务的集合，排在任务i前面的所有任务的传输时延之和即为排队时延。
(6)将每个任务的传输时延和排队时延相加，进行降序排列，上传传输时延和排队时延之和最大的任务。
(7)当有新任务加入队列，重新计算每个任务的排队时延，根据新的传输时延与排队时延之和进行降序排列，优先上传传输时延和排队时延之和最大的任务。
通过计算任务的传输时延和排队时延之和，将传输时延和排队时延之和最大的优先传输，以减小任务的排队时延，使任务快速传输。任务通过此方法传输至云端服务器。
优选地，上述方法还包括：将多个种植节点参数、多个收储节点参数、多个加工节点参数以及多个运输节点参数分别与对应的预存参数指标库进行对比，并根据参数对比结果对对应节点进行预警。由此，通过有效的数据比对进行预警。
优选地，上述方法还包括：将出产果蔬的生产信息转换为对应的RFID标签。由此，通过RFID标签的设置便于消费者的直接的信息溯源。
实施例2
本发明实施例提供了一种果蔬全链条质量智能预警系统，结合图2来看，图2为本发明提供的果蔬全链条质量智能预警系统的结构示意图，果蔬全链条质量智能预警系统200包括：
获取单元201，用于获取果蔬生长图像、果蔬红外图像、种植地高光谱图像；
处理单元202，用于将所述果蔬生长图像输入至训练完备的深度学习模型，识别果蔬存在的病斑，输出对应的病害类型和病害程度；还用于根据所述果蔬红外图像，确定叶片的温度变化，并根据所述温度变化，识别果蔬的存在病变情况；还用于根据所述种植地高光谱图像，识别多个特征波段，并根据所述特征波段，确定种植地中存在病害的面积范围；
喷洒单元203，用于根据所述病害类型、所述病害程度、所述存在病变情况和所述面积范围，制定农药喷洒策略，以提醒相关人员进行农药喷洒。
在本发明实施例中，结合不同的传感图像，分别对病害类型、病害程度、存在病变情况和面积范围进行考虑，智能制定农药喷洒方案，保证对监控过程中的各个图像的快速处理，进一步实现了果蔬生成监控的高效性和准确性，有助于进行及时的反馈和预警，提高了果蔬生产的安全性。
优选地，上述果蔬全链条质量智能预警系统还包括种植节点监测设备，所述种植节点监测设备包括：
育苗监测设备，用于监测所述育苗参数，以反馈苗种生长情况，其中，所述育苗参数包括田间温湿度、日照、苗种生长高度、育苗操作图像中的至少一种；
育种监测设备，用于监测所述育种参数，以反馈选育种子的操作规范，其中，所述育种参数包括品种基因、品种水分含量、选育操作图像中的至少一种；
栽培监测设备，用于监测所述栽培参数，以反馈栽培环境质量和栽培操作规范，其中，所述栽培参数包括土壤参数、水质参数、气象参数、栽培操作图像中的至少一种；
授粉监测设备，用于监测所述授粉参数，以反馈授粉情况，其中，所述授粉参数包括害虫种类、害虫规模、授粉环境质量、授粉操作图像中的至少一种；
套袋监测设备，用于监测所述套袋参数，以反馈套袋情况，其中，所述套袋参数包括套袋环境质量、套袋操作图像中的至少一种；
收货监测设备，用于监测所述收货参数，以反馈收货情况，其中，所述收货参数包括果蔬水分、果蔬甜度、果蔬污染物残留、收货操作图像、收货机械运行参数中的至少一种。
在本发明实施例中，在种植节点上，设置土壤监测设备、气象监测设备、害虫监测设备以及水质监测设备，对种植果蔬的环境进行全方位的检测，从源头上保证果蔬的质量。
具体地，土壤监测设备主要包括在线土壤墒情监测仪、土壤成分分析仪、土壤重金属检测仪、气相色谱仪。其中，在线土壤墒情监测仪使用的传感器主要用于检测土壤温湿度、电导率、盐分、pH值；土壤成分分析仪，主要用于检测土壤有机质含量、氮、磷；重金属检测仪，主要用于检测土壤重金属含量；气相色谱仪，主要用于检测主要检测土壤农药残留等。由此，土壤监测设备主要是对果蔬的种植土壤状况进行实时监测，土壤中的重金属、农残污染会抑制作物的生长，土壤适宜的温度、水分、pH值等能够保证作物良好生长，为了给果蔬提供一个无害、良好的生长环境，通过土壤监测系统实时监测土壤状况，能够排除危害因子，及时调控生长环境，满足作物生长需求。
其中，在线土壤墒情监测仪对水稻生长、水稻产量及质量具有重要意义，土壤中养分的释放、迁移和植物吸收养分等都和土壤墒情有密切关系，土壤墒情适宜时，养分释放及其迁移速率都高，从而能够提高养分的有效性和肥料中养分的利用率。
具体地，害虫监测设备主要包括视频监测仪、农药喷洒设备、害虫性诱自动诱捕器、智能虫情测报灯。其中：
视频监测仪用于通过视频监测仪采集害虫图像数据，传输到边缘服务器中进行AI智能识别，识别出相应的害虫种类与数量，进行分析处理，给出合适的化学杀虫配方与剂量，能够在造成最小污染情况下进行杀灭，通过AI分析给出最合理的结果进行害虫防治，并将分析结果上传到食品安全大数据平台；
农药喷洒设备用于通过视频监测仪采集局部害虫图片数据以及整体图片分布，传输到边缘服务器中进行AI智能识别与分析，根据得到害虫的种类、规模以及分布数据，由AI智能生成高效的灭杀方案，使用植保无人机T16进行定点定量喷洒，实现精准喷施，减少污染；
害虫性诱自动诱捕器用于利用安放性诱剂诱杀害虫，通过更换诱芯，可实现对不同害虫进行监测及诱杀。可实现对害虫的定向诱杀，同时可以进行害虫计数、分类统计、实时报传食品安全大数据平台；
智能虫情测报灯吸引趋光性的害虫进行捕获灭杀，智能虫情测报灯能识别包括但不限于褐飞虱、白背飞虱、稻纵卷叶螟、二化螟和大螟等水稻主要害虫，视频监测仪采集图片数据，传输到边缘服务器，进行自动计数，实时上传到食品安全大数据平台。
需要说明的是，食品安全大数据平台接收到视频监测仪采集害虫图像数据的AI分析结果，根据虫害状态参数与预存的虫害状态数据库进行比对，若超过范围，则控制多种通信媒体发出预警信息，以便相关人员及时进行防护操作。其中，多种通信媒体包括但不限于网络形式、广播形式。作为具体实施例，本发明实施例通过视频监测仪、农药喷洒设备、害虫性诱自动诱捕器、智能虫情测报灯收集虫害参数，食品安全大数据平台接收到实施害虫数据，并对害虫情况进行预警预报，同时根据害虫的种类及数量给出害虫治理方案，如实施靶标防治，尽可能地选用具有选择性、低毒、对环境污染小的药剂，少用或不用广谱性的化学农药，经常变化用药品种和混用配方，以免害虫产生抗药性。施药方式也应采取涂茎、根施和注射等方法，以减少对环境的污染，综上，通过多种监控数据，实现虫害的远程监测、预警以及虫害的治理。
具体地，水质监测设备主要包括生化需氧量检测仪、化学需氧量监测仪、水质监测仪和重金属检测仪。其中，生化需氧量检测仪优选为BOD水质检测仪，用于检测水生化需氧量(BOD5)；化学需氧量检测仪优选为COD水质在线测定仪，用于监测化学需氧量(CODCr)；水质监测仪优选为GA-DCS030 30参数水质检测仪，用于检测浊度、色度、氨氮、悬浮物、余氯、总氯、磷酸盐、硝酸盐、亚硝酸盐、硫酸盐、溶解氧、pH值和水温；重金属检测仪器优选为水质重金属检测仪器WAOL3000-HM，用于监测铜、镉、钴、镍、砷、汞、六价铬七种元素。
优选地，上述系统还包括收储节点监测设备，所述收储节点监测设备包括：
接收监测设备，用于监测所述接收参数，以反馈接收果蔬的质量，其中，所述接收参数包括果蔬残留物、果蔬甜度、果蔬水分、果蔬成熟度中的至少一种；
入库监测设备，用于监测所述入库参数，以反馈入库的操作规范，其中，所述入库参数包括接收仓库保鲜气体浓度、接收仓库空气质量中的至少一种；
堆放监测设备，用于监测所述堆放参数，以反馈堆放环境质量，其中，所述堆放参数包括堆放空气质量、堆放操作图像中的至少一种；
仓储监测设备，用于监测所述仓储参数，以反馈仓储环境质量，其中，所述仓储参数包括仓储空气质量、仓储操作图像中的至少一种；
盘点监测设备，用于监测所述盘点参数，以反馈出库果蔬的质量和数量，其中，所述盘点参数包括盘点环境空气质量、果蔬数量密度、果蔬放置情况、果蔬新鲜程度、果蔬新鲜程度、盘点操作图像中的至少一种；
出库监测设备，用于监测所述出库参数，以反馈出库的操作规范，其中，所述出库参数包括出库操作图像。
作为具体实施例，本发明实施例对收入的果蔬的质量进行检测，并上传到食品安全大数据平台，防止在收获检验完后到收储接收时的意外污染，确保收入仓库的质量优良，保证在接收子节点的食品安全性；通过仓库监测设备对仓库环境进行监测，如对仓库温湿度、粉尘、二氧化碳、鼠害、虫害等进行实时监测，并将检测数据上传到食品安全大数据平台，同时将分析处理结果反馈到仓库监测系统，对仓库温湿度进行调节，如通风、降温等，如果出现鼠害、虫害，系统会自动报警并保存报警记录，同时提示工作人员进行及时处理，确保果蔬处于适宜的仓储环境。
优选地，上述系统还包括加工节点监测设备，所述加工节点监测设备包括：
所述多个节点参数包括剔果参数、清洗参数、消毒参数、打蜡参数、包装参数以及预冷参数，所述加工节点监测设备包括：
剔果监测设备，用于监测所述剔果参数，以反馈剔果的操作规范，其中，所述剔果参数包括果蔬残留物含量、果蔬水分、果蔬成熟度、果蔬甜度、剔果车间温湿度、剔果车间空气状况、剔果车间清洁度、剔果操作图像中的至少一种；
清洗监测设备，用于监测所述清洗参数，以反馈清洗果蔬的操作规范，其中，所述清洗参数包括清洗用水水质、清洗车间温湿度、清洗车间空气状况、清洗车间清洁度、清洗操作图像中的至少一种；
消毒监测设备，用于监测所述消毒参数，以反馈消毒果蔬的操作规范，其中，所述消毒参数包括果蔬污染物含量、消毒车间温湿度、消毒车间空气状况、消毒车间清洁度、消毒操作图像中的至少一种；
打蜡监测设备，用于监测所述打蜡参数，以反馈打蜡的操作规范，其中，所述打蜡参数包括果蔬表面蜡含量、打蜡车间温湿度、打蜡车间空气状况、打蜡车间清洁度、打蜡操作图像中的至少一种；
包装监测设备，用于监测所述包装参数，以反馈包装的操作规范，其中，所述包装参数包括包装车间温湿度、包装车间空气状况、包装车间清洁度、包装操作图像中的至少一种；
预冷监测设备，用于监测所述预冷参数，以反馈预冷的操作规范，其中，所述预冷参数包括预冷车间温湿度、预冷车间空气状况、预冷车间清洁度、预冷操作图像中的至少一种。
作为具体实施例，本发明实施例在加工节点设置合理的子节点检测装置，保证加工过程中的食品安全。
具体地，加工过程监测设备包括视频监测仪，视频监测仪将采集到的视频数据传输到边缘服务器，边缘服务器通过AI智能分析，分析操作人员的穿戴是否符合规范要求，如果不符合要求，发出报警信号，同时，还会实时监控操作人员的动作规范性，与相应的操作规范进行对比，发现存在不符合规范要求的动作行为，将会发送警报给管理人员，管理人员及时查看与处理。如操作人员在车间是否有吃东西、抽烟、打电话等不符合规范要求的动作。
优选地，食品安全大数据平台包括大数据采集模块、大数据汇集模块、大数据整理模块、大数据分析模块、大数据展示模块、大数据应用模块、大数据服务模块。
作为具体实施例，本发明实施例设置食品安全大数据平台，采取多种大数据处理的方式，对各个节点的监测数据进行处理，分析每个环节的状态，以便对各个环节进行有效的预警。
优选地，大数据应用模块包括风险分析单元，其中：
风险分析单元，用于将多个种植节点参数、多个收储节点参数、多个加工节点参数以及多个运输节点参数分别与对应的预存参数指标库进行对比，并根据参数对比结果进行预警。
作为具体实施例，本发明实施例设置风险分析单元，对监测参数进行有效的比对处理，以此快速定位异常状态，进行有效的预警，保证果蔬生产每个环节的安全性。
优选地，多个加工节点参数包括操作图像，风险分析单元具体用于将操作图像与对应的预存操作图像标准库进行匹配，若不匹配，则进行预警。
作为具体实施例，本发明实施例采用图像识别的方式，利用深度学习、模式识别等数据处理方式，识别操作不规范的场景，防止操作人员的误操作对果蔬品质带来的损害。
优选地，多个加工节点参数包括危害因子参数，风险分析单元具体用于将危害因子参数与对应的预存危害因子标准库进行对比，如超出标准范围，则进行预警。具体的危害因子参数、预存危害因子标准库(包括表1中的多个限量范围)如下表1所示：
表1
Figure BDA0003050452580000261
Figure BDA0003050452580000271
优选地，获取节点参数后(包括种植节点参数、收储节点参数、加工节点参数、运输节点参数)，将所有节点参数烧录至RFID标签，当消费者扫描RFID标签时，通过数据转换，即可全面得到种植节点、收储节点、加工节点、运输节点的全链条生产信息。可以理解的是，本发明同样可以利用所有节点参数生成对应的二维码信息，其实现功能与RFID标签一致，在此不再赘述。
优选地，上述系统还包括：流通节点监测设备，所述流通节点监测设备包括：
进货监测设备，用于监测所述进货参数，以反馈进货果蔬质量，其中，所述进货参数包括果蔬残留物含量、果蔬甜度、果蔬水分、果蔬成熟度、进货操作图像中的至少一种；
储存监测参数，用于监测所述储存参数，以反馈储存果蔬质量，其中，所述储存参数包括储存环境质量、果蔬损耗率、储存操作图像中的至少一种；
拣货监测参数，用于监测所述拣货参数，以反馈拣货时果蔬的损耗情况，其中，所述拣货参数包括果蔬损耗率、运输环境温湿度、运输环境氧气浓度、拣货操作图像中的至少一种；
配货监测参数，用于监测所述配货参数，以反馈配货时果蔬的损耗情况，其中，所述配货参数包括果蔬损耗率、运输环境温湿度、运输环境氧气浓度、配货操作图像中的至少一种；
送货监测参数，用于监测所述送货参数，以反馈送货时果蔬的损耗情况，其中，所述送货参数包括果蔬损耗率、运输环境温湿度、运输环境氧气浓度、配货操作图像中的至少一种；
销售监测参数，用于监测所述销售参数，以反馈果蔬的销售情况，其中，所述销售参数包括果蔬损耗率、果蔬新鲜程度、果蔬销售量、果蔬销售价格中的至少一种。
作为具体实施例，本发明实施例在流通节点设置合理的子节点检测装置，保证流通过程中的食品安全。
优选地，当加工节点监测设备3的视频监测仪将采集到的视频数据传输到边缘服务器时，边缘服务器通过AI智能分析，当得到操作人员穿戴不规范的图像时，此时食品大数据平台对加工节点进行预警，提醒相关人员针对操作穿戴进行规范；
当运输节点监测设备的北斗导航仪监测运输全过程的路线参数、轨迹参数以及时间参数时，与预存的参数数据库进行对比，发现路线参数、轨迹参数以及时间参数不符合预设要求，则可能存在偷运果蔬的现象，此时食品大数据平台对运输节点进行预警，提醒相关人员进行追回处理。
本发明公开了一种基于物联网的果蔬全链条质量信息智能检测方法及系统，设置种植节点监测设备获取果蔬种植地的多个种植节点参数，以此对果蔬种植节点的种植状态进行有效监测；设置收储节点监测设备获取出产果蔬的加工过程中的多个收储节点参数，以此对果蔬收储节点的收储状态进行有效监测；设置加工节点监测设备获取果蔬加工节点的加工节点参数，以此对果蔬加工节点的加工质量状态进行有效监测；设置运输节点监测设备获取果蔬运输节点的运输节点参数，以此对果蔬运输节点的运输状态进行有效监测；基于上述各个节点的监测数据，通过信息溯源设备中的食品安全大数据平台进行集中的处理，以便全面地监控果蔬生产链上的各个节点状态，并利用大数据平台实现对多种监测数据的快速处理，将处理结果进行可视化操作，展示给相关人员，方便对果蔬生产的品控和管理；除此之外，通过信息溯源设备中的电子标签设备，将出产果蔬的生产信息烧录至对应的RFID标签，以便消费者通过扫描RFID标签的途径，快速掌握果蔬的生产信息(批号、生产商、生产地等)，以此全面地保证果蔬生产信息的公开度、透明度，便于消费者的选择与监管，进一步加强了果蔬生产的安全性。
本发明技术方案，全面采集果蔬产业链上每个节点的信息，并将多种监测信息通过大数据平台进行数据处理，达到有效的信息管理和信息溯源，保障了果蔬生产的安全性。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种果蔬全链条智能监测预警方法，其特征在于，包括：
获取果蔬生长图像、果蔬红外图像、种植地高光谱图像；
将所述果蔬生长图像输入至训练完备的深度学习模型，识别果蔬存在的病斑，确定对应的第一病害程度指数；
根据所述果蔬红外图像，确定叶片的温度变化，并根据所述温度变化，确定对应的第二病害程度指数；
根据所述种植地高光谱图像，识别多个特征波段，并根据所述特征波段，确定对应的第三病害程度指数；
根据所述第一病害程度指数、所述第二病害程度指数和所述第三病害程度指数，制定农药喷洒策略，以提醒相关人员进行农药喷洒。
2.根据权利要求1所述的果蔬全链条智能监测预警方法，其特征在于，所述果蔬生长图像包括可见光图像，所述将所述果蔬生长图像输入至训练完备的深度学习模型，识别果蔬存在的病斑，输出对应的第一病害程度指数包括：
使用CCD摄像机采集果蔬叶片的所述可见光图像，将所述可见光图像传输到边缘服务器上；
使用RGB三个通道对所述可见光图像进行处理，结合边缘检测的方法对采集的果蔬的可见光图像进行分割，将叶片上的病斑分割出来；
使用所述深度学习模型，识别所述可见光图像分割出来的病斑的颜色特征、形态特征以及纹理特征，确定病害区域面积；
计算病害区域面积与叶片面积的比值，并根据所述比值划分严重程度，用分级法表示所述严重程度si，其中，所述严重程度si分为1％，5％，10％，20％，40％，60％，80％和100％；
根据每株植株多个叶片的所述严重程度，确定每株植株的平均病害严重程度，通过如下公式表示：
Figure FDA0003050452570000021
其中，S表示所述平均病害严重程度，si表示i级严重程度，ni表示i级严重程度的病叶数；
根据叶片感染数量和植株总叶片数，确定每株植株的感染程度，通过如下公式表示：
Figure FDA0003050452570000022
其中，P表示所述感染程度，n表示叶片感染数量，N表示植株总叶片数；
根据所述平均病害严重程度和所述感染程度，确定单株植株的所述第一病害程度指数，通过如下公式表示：
D＝SP
其中，D表示所述第一病害程度指数，S表示所述平均病害严重程度，P表示所述感染程度。
3.根据权利要求1所述的果蔬全链条智能监测预警方法，其特征在于，所述根据所述果蔬红外图像，确定叶片的温度变化，并根据所述温度变化，确定对应的第二病害程度指数包括：
使用红外热成像仪采集果蔬叶片的所述果蔬红外图像，将所述果蔬红外图像传输到边缘服务器上；
使用直方图均衡化和中值滤波，对所述果蔬红外图像进行预处理；
将预处理后的果蔬红外图像，分别与存在潜伏病害、存在显著病害以及正常果蔬叶片的红外热成像图像数据比对，通过人工智能将温度异常的叶片识别出来；
计算温度异常的叶片面积与整体叶片面积的比值，并根据所述比值划分严重程度，用分级法表示所述严重程度si，其中，所述严重程度si分为1％，5％，10％，20％，40％，60％，80％和100％；
根据每株植株多个叶片的所述严重程度，确定每株植株的平均病害严重程度，通过如下公式表示：
Figure FDA0003050452570000031
其中，S表示所述平均病害严重程度，si表示i级严重程度，ni表示i级严重程度的病叶数；
根据叶片感染数量和植株总叶片数，确定每株植株的感染程度，通过如下公式表示：
Figure FDA0003050452570000032
其中，P表示所述感染程度，n表示叶片感染数量，N表示植株总叶片数；
根据所述平均病害严重程度和所述感染程度，确定单株植株的所述第二病害程度指数，通过如下公式表示：
D＝SP
其中，D表示所述第二病害程度指数，S表示所述平均病害严重程度，P表示所述感染程度。
4.根据权利要求1所述的果蔬全链条智能监测预警方法，其特征在于，所述根据所述种植地高光谱图像，识别多个特征波段，并根据所述特征波段，确定对应的第三病害程度指数包括：
使用无人机低空遥感采集大面积的所述种植地高光谱图像，将采集的所述种植地高光谱图像传输到边缘服务器上；
对采集的所述种植地高光谱图像的反射率进行校正，其中，校正通过如下公式表示：
Ra＝ki×DNa+bi
其中，Ra为灰度板第a个梯度测得的反射率，DNa为所述种植地高光谱图像中灰度板第a个梯度的DN值，ki为对应线性方程的斜率参数，bi为对应线性方程的回归截距参数；
按照最小二乘原理对a个方程求解，求得第i个波段的斜率参数ki和回归截距参数bi；
将斜率参数ki和回归截距参数bi应用到所述种植地高光谱图像中，得到叶片真实的反射率数据；
将采集校正后的所述种植地高光谱图像进行分析处理，根据光谱吸收的情况，通过人工智能分析得到病害出现的区域；
根据所述病害出现的区域，计算果蔬农田病害感染情况：
r＝A1/A
式中，A1为所述种植地高光谱图像中病害出现的区域的面积，A为农田总面积，r为所述第三病害程度指数。
5.根据权利要求1所述的果蔬全链条质量智能预警方法，其特征在于，还包括：
获取多个所述果蔬生长图像、多个所述果蔬红外图像、多个所述种植地高光谱图像；
对多个所述果蔬生长图像、多个所述果蔬红外图像、多个所述种植地高光谱图像进行去噪处理，确定去噪后的待上传图像；
对每个所述待上传图像的处理时延进行升序排序，形成第一序列，且每个所述边缘节点新增的待上传图像放置在所述第一序列的末端；
根据每个所述边缘节点的传输时延对所述第一序列进行调节，并根据调节后的第一序列确定多个所述待上传图像的上传顺序；
依次对上传的多个所述待上传图像进行数据处理，并将数据处理结果可视化。
6.一种果蔬全链条质量智能预警系统，其特征在于，包括：
获取单元，用于获取果蔬生长图像、果蔬红外图像、种植地高光谱图像；
处理单元，用于将所述果蔬生长图像输入至训练完备的深度学习模型，识别果蔬存在的病斑，确定对应的第一病害程度指数；还用于根据所述果蔬红外图像，确定叶片的温度变化，并根据所述温度变化，确定对应的第二病害程度指数；还用于根据所述种植地高光谱图像，识别多个特征波段，并根据所述特征波段，确定对应的第三病害程度指数；
喷洒单元，用于根据所述第一病害程度指数、所述第二病害程度指数和所述第三病害程度指数，制定农药喷洒策略，以提醒相关人员进行农药喷洒。
7.根据权利要求6所述的基于物联网的果蔬全链条质量智能预警系统，其特征在于，还包括种植节点监测设备，所述种植节点监测设备包括：
育苗监测设备，用于监测所述育苗参数，以反馈苗种生长情况，其中，所述育苗参数包括田间温湿度、日照、苗种生长高度、育苗操作图像中的至少一种；
育种监测设备，用于监测所述育种参数，以反馈选育种子的操作规范，其中，所述育种参数包括品种基因、品种水分含量、选育操作图像中的至少一种；
栽培监测设备，用于监测所述栽培参数，以反馈栽培环境质量和栽培操作规范，其中，所述栽培参数包括土壤参数、水质参数、气象参数、栽培操作图像中的至少一种；
授粉监测设备，用于监测所述授粉参数，以反馈授粉情况，其中，所述授粉参数包括害虫种类、害虫规模、授粉环境质量、授粉操作图像中的至少一种；
套袋监测设备，用于监测所述套袋参数，以反馈套袋情况，其中，所述套袋参数包括套袋环境质量、套袋操作图像中的至少一种；
收货监测设备，用于监测所述收货参数，以反馈收货情况，其中，所述收货参数包括果蔬水分、果蔬甜度、果蔬污染物残留、收货操作图像、收货机械运行参数中的至少一种。
8.根据权利要求6所述的果蔬全链条质量智能预警系统，其特征在于，还包括收储节点监测设备，所述收储节点监测设备包括：
接收监测设备，用于监测所述接收参数，以反馈接收果蔬的质量，其中，所述接收参数包括果蔬残留物、果蔬甜度、果蔬水分、果蔬成熟度中的至少一种；
入库监测设备，用于监测所述入库参数，以反馈入库的操作规范，其中，所述入库参数包括接收仓库保鲜气体浓度、接收仓库空气质量中的至少一种；
堆放监测设备，用于监测所述堆放参数，以反馈堆放环境质量，其中，所述堆放参数包括堆放空气质量、堆放操作图像中的至少一种；
仓储监测设备，用于监测所述仓储参数，以反馈仓储环境质量，其中，所述仓储参数包括仓储空气质量、仓储操作图像中的至少一种；
盘点监测设备，用于监测所述盘点参数，以反馈出库果蔬的质量和数量，其中，所述盘点参数包括盘点环境空气质量、果蔬数量密度、果蔬放置情况、果蔬新鲜程度、果蔬新鲜程度、盘点操作图像中的至少一种；
出库监测设备，用于监测所述出库参数，以反馈出库的操作规范，其中，所述出库参数包括出库操作图像。
9.根据权利要求6所述的果蔬全链条质量智能预警系统，其特征在于，还包括加工节点监测设备，所述加工节点监测设备包括：
所述多个节点参数包括剔果参数、清洗参数、消毒参数、打蜡参数、包装参数以及预冷参数，所述加工节点监测设备包括：
剔果监测设备，用于监测所述剔果参数，以反馈剔果的操作规范，其中，所述剔果参数包括果蔬残留物含量、果蔬水分、果蔬成熟度、果蔬甜度、剔果车间温湿度、剔果车间空气状况、剔果车间清洁度、剔果操作图像中的至少一种；
清洗监测设备，用于监测所述清洗参数，以反馈清洗果蔬的操作规范，其中，所述清洗参数包括清洗用水水质、清洗车间温湿度、清洗车间空气状况、清洗车间清洁度、清洗操作图像中的至少一种；
消毒监测设备，用于监测所述消毒参数，以反馈消毒果蔬的操作规范，其中，所述消毒参数包括果蔬污染物含量、消毒车间温湿度、消毒车间空气状况、消毒车间清洁度、消毒操作图像中的至少一种；
打蜡监测设备，用于监测所述打蜡参数，以反馈打蜡的操作规范，其中，所述打蜡参数包括果蔬表面蜡含量、打蜡车间温湿度、打蜡车间空气状况、打蜡车间清洁度、打蜡操作图像中的至少一种；
包装监测设备，用于监测所述包装参数，以反馈包装的操作规范，其中，所述包装参数包括包装车间温湿度、包装车间空气状况、包装车间清洁度、包装操作图像中的至少一种；
预冷监测设备，用于监测所述预冷参数，以反馈预冷的操作规范，其中，所述预冷参数包括预冷车间温湿度、预冷车间空气状况、预冷车间清洁度、预冷操作图像中的至少一种。
10.根据权利要求6所述的果蔬全链条质量智能预警系统，其特征在于，还包括流通节点监测设备，所述流通节点监测设备包括：
进货监测设备，用于监测所述进货参数，以反馈进货果蔬质量，其中，所述进货参数包括果蔬残留物含量、果蔬甜度、果蔬水分、果蔬成熟度、进货操作图像中的至少一种；
储存监测参数，用于监测所述储存参数，以反馈储存果蔬质量，其中，所述储存参数包括储存环境质量、果蔬损耗率、储存操作图像中的至少一种；
拣货监测参数，用于监测所述拣货参数，以反馈拣货时果蔬的损耗情况，其中，所述拣货参数包括果蔬损耗率、运输环境温湿度、运输环境氧气浓度、拣货操作图像中的至少一种；
配货监测参数，用于监测所述配货参数，以反馈配货时果蔬的损耗情况，其中，所述配货参数包括果蔬损耗率、运输环境温湿度、运输环境氧气浓度、配货操作图像中的至少一种；
送货监测参数，用于监测所述送货参数，以反馈送货时果蔬的损耗情况，其中，所述送货参数包括果蔬损耗率、运输环境温湿度、运输环境氧气浓度、配货操作图像中的至少一种；
销售监测参数，用于监测所述销售参数，以反馈果蔬的销售情况，其中，所述销售参数包括果蔬损耗率、果蔬新鲜程度、果蔬销售量、果蔬销售价格中的至少一种。
CN202110486300.5A 2021-04-30 2021-04-30 一种果蔬全链条质量智能预警方法及系统 Pending CN113297925A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110486300.5A CN113297925A (zh) 2021-04-30 2021-04-30 一种果蔬全链条质量智能预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110486300.5A CN113297925A (zh) 2021-04-30 2021-04-30 一种果蔬全链条质量智能预警方法及系统

Publications (1)

Publication Number Publication Date
CN113297925A true CN113297925A (zh) 2021-08-24

Family

ID=77320804

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110486300.5A Pending CN113297925A (zh) 2021-04-30 2021-04-30 一种果蔬全链条质量智能预警方法及系统

Country Status (1)

Country Link
CN (1) CN113297925A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627834A (zh) * 2021-10-13 2021-11-09 深圳市鹏亚食品有限公司 一种果蔬全链条智能监测预警方法及系统
CN114332621A (zh) * 2021-12-30 2022-04-12 华智生物技术有限公司 一种基于多模型特征融合的病虫害识别方法及系统
CN114903023A (zh) * 2022-06-10 2022-08-16 天津市农业科学院 一种用于设施葡萄园的自走变量喷药装置及方法
CN116777484A (zh) * 2023-08-23 2023-09-19 福建农林大学 一种基于ai技术的农副产品溯源系统
CN116958503A (zh) * 2023-09-19 2023-10-27 广东新泰隆环保集团有限公司 一种基于图像处理的污泥干化等级识别方法及系统
CN118333471A (zh) * 2024-06-13 2024-07-12 大连灵发食品有限公司 一种裙带菜生产用质量监测系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140376788A1 (en) * 2013-06-21 2014-12-25 Xerox Corporation Compensating for motion induced artifacts in a physiological signal extracted from a single video
CN106203452A (zh) * 2016-07-18 2016-12-07 江南大学 基于多线性判别分析的玉米种子高光谱图像多特征转换方法
CN107219827A (zh) * 2017-05-02 2017-09-29 华中农业大学 稻米食品全产业链信息系统、建立方法及应用
CN107314816A (zh) * 2017-06-08 2017-11-03 贵阳学院 农作物早期病害多层次信息监测预警方法
CN107451590A (zh) * 2017-07-19 2017-12-08 哈尔滨工程大学 基于高光谱红外图像的气体检测识别和浓度表示方法
CN107742290A (zh) * 2017-10-18 2018-02-27 成都东谷利农农业科技有限公司 植物病害识别预警方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140376788A1 (en) * 2013-06-21 2014-12-25 Xerox Corporation Compensating for motion induced artifacts in a physiological signal extracted from a single video
CN106203452A (zh) * 2016-07-18 2016-12-07 江南大学 基于多线性判别分析的玉米种子高光谱图像多特征转换方法
CN107219827A (zh) * 2017-05-02 2017-09-29 华中农业大学 稻米食品全产业链信息系统、建立方法及应用
CN107314816A (zh) * 2017-06-08 2017-11-03 贵阳学院 农作物早期病害多层次信息监测预警方法
CN107451590A (zh) * 2017-07-19 2017-12-08 哈尔滨工程大学 基于高光谱红外图像的气体检测识别和浓度表示方法
CN107742290A (zh) * 2017-10-18 2018-02-27 成都东谷利农农业科技有限公司 植物病害识别预警方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ULRITKE STEINER,ET AL.: "Hyperspectral imaging for small-scale analysis or symptonms caused by different sugar beet diseases", 《PLANT METHODS》 *
刘良云: "利用多时相的高光谱航空图像监测冬小麦条锈病", 《遥感学报》 *
涂勇 等: "《植物保护技术实训》", 30 September 2014 *
王彦翔等: "基于深度学习的农作物病害图像识别技术进展", 《浙江农业学报》 *
王李娟 等: "《设施作物遥感监测原理与方法》", 31 October 2017 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113627834A (zh) * 2021-10-13 2021-11-09 深圳市鹏亚食品有限公司 一种果蔬全链条智能监测预警方法及系统
CN113627834B (zh) * 2021-10-13 2022-02-08 深圳市鹏亚食品有限公司 一种果蔬全链条智能监测预警方法及系统
CN114332621A (zh) * 2021-12-30 2022-04-12 华智生物技术有限公司 一种基于多模型特征融合的病虫害识别方法及系统
CN114903023A (zh) * 2022-06-10 2022-08-16 天津市农业科学院 一种用于设施葡萄园的自走变量喷药装置及方法
CN114903023B (zh) * 2022-06-10 2023-11-14 天津市农业科学院 一种用于设施葡萄园的自走变量喷药装置及方法
CN116777484A (zh) * 2023-08-23 2023-09-19 福建农林大学 一种基于ai技术的农副产品溯源系统
CN116777484B (zh) * 2023-08-23 2023-11-21 福建农林大学 一种基于ai技术的农副产品溯源系统
CN116958503A (zh) * 2023-09-19 2023-10-27 广东新泰隆环保集团有限公司 一种基于图像处理的污泥干化等级识别方法及系统
CN116958503B (zh) * 2023-09-19 2024-03-12 广东新泰隆环保集团有限公司 一种基于图像处理的污泥干化等级识别方法及系统
CN118333471A (zh) * 2024-06-13 2024-07-12 大连灵发食品有限公司 一种裙带菜生产用质量监测系统及方法

Similar Documents

Publication Publication Date Title
CN113297925A (zh) 一种果蔬全链条质量智能预警方法及系统
Di Gennaro et al. A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard
Ampatzidis et al. Citrus rootstock evaluation utilizing UAV-based remote sensing and artificial intelligence
EP3942465B1 (en) Industrialized system for rice grain recognition and method thereof
MacEachern et al. Detection of fruit maturity stage and yield estimation in wild blueberry using deep learning convolutional neural networks
Chauhan et al. Application of a model to assess aflatoxin risk in peanuts
CN113298537A (zh) 基于物联网的稻米全链条质量信息智能检测系统及方法
Chakraborty et al. Deep learning approaches and interventions for futuristic engineering in agriculture
CN107622236A (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
WO2021140941A1 (ja) 収穫予測装置、収穫予測方法
US20230073541A1 (en) System and method for performing machine vision recognition of dynamic objects
CN114723667A (zh) 一种农业精细化种植及灾害预防控制系统
CN113344728A (zh) 一种食品生产全链条信息智能监控系统及方法
CN118278960B (zh) 一种农产品安全信息的溯源方法及追溯系统
CN110057764B (zh) 一种农药施药安全管理警示装置及方法
CN117496356A (zh) 农业人工智能作物检测方法及系统
Güven et al. Smart farming technologies for sustainable agriculture: From food to energy
CN118261488A (zh) 一种基于数字农场的智慧管理系统
CN111122453A (zh) 信息处理方法、装置和系统
CN116757707B (zh) 一种农作物果实生长溯源方法及系统
CN116310806B (zh) 一种基于图像识别的智慧农业一体化管理系统及方法
CN113408334B (zh) 一种小龙虾全链条数据采集与智能检测方法及装置
Prasad et al. System model for smart precision farming for high crop yielding
FAISAL A pest monitoring system for agriculture using deep learning
CN112492027B (zh) 一种生态农业智能监测系统

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210824

RJ01 Rejection of invention patent application after publication