CN113408666A - 一种用于景观的温室绿植栽培方法 - Google Patents
一种用于景观的温室绿植栽培方法 Download PDFInfo
- Publication number
- CN113408666A CN113408666A CN202110866954.0A CN202110866954A CN113408666A CN 113408666 A CN113408666 A CN 113408666A CN 202110866954 A CN202110866954 A CN 202110866954A CN 113408666 A CN113408666 A CN 113408666A
- Authority
- CN
- China
- Prior art keywords
- green
- greenhouse
- determining
- plant
- planting
- 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
Links
- 241001464837 Viridiplantae Species 0.000 title claims abstract description 222
- 238000012364 cultivation method Methods 0.000 title claims abstract description 22
- 230000012010 growth Effects 0.000 claims abstract description 126
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 32
- 241000196324 Embryophyta Species 0.000 claims description 105
- 239000002689 soil Substances 0.000 claims description 70
- 235000015097 nutrients Nutrition 0.000 claims description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 24
- 239000000126 substance Substances 0.000 claims description 21
- 210000002615 epidermis Anatomy 0.000 claims description 17
- 239000000575 pesticide Substances 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 13
- 230000001678 irradiating effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000003086 colorant Substances 0.000 claims description 6
- 239000007788 liquid Substances 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 description 11
- 238000012549 training Methods 0.000 description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- ZOXJGFHDIHLPTG-UHFFFAOYSA-N Boron Chemical compound [B] ZOXJGFHDIHLPTG-UHFFFAOYSA-N 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 3
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 229910052796 boron Inorganic materials 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 229910052698 phosphorus Inorganic materials 0.000 description 3
- 239000011574 phosphorus Substances 0.000 description 3
- 239000011591 potassium Substances 0.000 description 3
- 229910052700 potassium Inorganic materials 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 108010078791 Carrier Proteins Proteins 0.000 description 1
- 102000000634 Cytochrome c oxidase subunit IV Human genes 0.000 description 1
- 108050008072 Cytochrome c oxidase subunit IV Proteins 0.000 description 1
- 102000018832 Cytochromes Human genes 0.000 description 1
- 108010052832 Cytochromes Proteins 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 102000005298 Iron-Sulfur Proteins Human genes 0.000 description 1
- 108010081409 Iron-Sulfur Proteins Proteins 0.000 description 1
- 108010020943 Nitrogenase Proteins 0.000 description 1
- 229920002472 Starch Polymers 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- -1 hydratase Proteins 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000007198 pollen germination Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000019698 starch Nutrition 0.000 description 1
- 239000008107 starch Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
- A01G9/249—Lighting means
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G9/00—Cultivation in receptacles, forcing-frames or greenhouses; Edging for beds, lawn or the like
- A01G9/24—Devices or systems for heating, ventilating, regulating temperature, illuminating, or watering, in greenhouses, forcing-frames, or the like
- A01G9/26—Electric devices
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Environmental Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mining & Mineral Resources (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Cultivation Of Plants (AREA)
Abstract
本申请提供了一种用于景观的温室绿植栽培方法。通过获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息；获取温室绿植的植株高度，依据所述种植种类、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常；获取所述生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。通过智能化的方式对植物进行培养，先筛选生长异常的绿植，再确定绿植培育的最优值，能够更好的帮助绿植生长。
Description
技术领域
本申请涉及植物培养领域，特别是一种用于景观的温室绿植栽培方法。
背景技术
随着国民经济的快速发展，盆栽植物作为一种增加居住舒适度的方式进入了千家万户。一般培养植物都是靠人的经验进行，为了保证植物的健康成长，需要定期浇水，施肥等，人们必须投入很多精力，但由于大多数植物主人缺乏种植植物经验，使植物长期生长在亚健康的环境。另一方面，由于室内空间有限，植物主人会根据自身情况要求植物有不同的茂密程度，避免空间浪费。随着物联网的技术的不断发展，越来越多的事情可以使用电子设备来帮助人。相关技术中，有一些土壤检测仪器应用在农业生产或者科学研究中，尚未应用在家庭的植物栽培上。
而市面上可见的一些花卉类的传感器，利用蓝牙等通讯方式定时将数据发送给用户客户端，仅仅是汇报一些植物状态的量化情况，对用户栽培植物时的帮助有限。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种用于景观的温室绿植栽培方法，包括：
一种用于景观的温室绿植栽培方法，包括：采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um；
获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息；
获取温室绿植的植株高度，依据所述种植种类、所述种植时间、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常；
获取所述生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。
优选地，所述采用红光和蓝光比例为8：2的混合光对温室绿植进行照射的步骤之前，还包括：
获取目标区域内的植物图像数据，并依据所述植物图像确定杂草信息；依据所述杂草信息和预设农药库确定农药信息。
优选地，所述生长信息包括叶片颜色以及生长阶段；所述依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息的步骤，包括：
获取所述叶片图像和所述样本叶片图像，并依据所述叶片图像确定所述叶片颜色；其中，所述叶片颜色包括绿色和非绿色；
获取所述种植时间和所述种植种类，并依据所述种植时间、所述种植种类以及所述预设绿植数据库确定所述生长阶段。
优选地，所述获取所述叶片图像和所述样本叶片图像，并依据所述叶片图像确定所述叶片颜色的步骤，包括：
获取所述样本叶片图像，并依据所述样本叶片图像确定前景模型；
获取所述叶片图像，并依据所述前景模型和所述叶片图像确定前景图像；
将所述前景图像中的绿色占比大于85％的叶片颜色标记为绿色；
将所述前景图像中的绿色占比不大于85％的叶片颜色标记为非绿色。
优选地，所述依据所述种植种类、所述种植时间、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常的步骤，包括：
依据所述种植种类、所述种植时间、所述生长阶段和所述预设绿植数据库中确定所述温室绿植的预设植株高度范围；
依据所述温室绿植的预设植株高度范围、所述植株高度以及所述叶片颜色确定所述温室绿植的生长状况是否为异常。
优选地，所述情况数据包括土壤湿度等级、土壤营养成分、叶片的化学成分以及绿植含水量；所述获取所述生长状况异常的温室绿植的情况数据的步骤，包括：
获取所述生长状况异常的温室绿植的表皮土壤湿度等级和深层土壤湿度等级，并依据所述表皮土壤湿度等级和所述深层土壤湿度等级确定所述土壤湿度等级；
获取所述生长状况异常的温室绿植的表皮土壤营养成分和深层土壤营养成分，并依据所述所述表皮土壤营养成分和所述深层土壤营养成分确定所述土壤营养成分；
获取所述生长状况异常的所述温室绿植的3片叶片的化学成分，并依据所述3片叶片的化学成分确定所述叶片的化学成分；
获取所述生长状况异常的所述温室绿植的3个预设时间点的含水量，并依据所述3个预设时间点的含水量确定所述绿植含水量。
优选地，所述温室绿植的栽培参考信息包括浇水数据、植物补充液成分；所述依据所述情况数据、生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息的步骤，包括：
依据所述种植种类、所述土壤湿度等级、所述绿植含水量、所述生长阶段以及预设绿植数据库确定浇水数据；
依据所述土壤营养成分、所述叶片的化学成分、所述生长阶段、所述叶片颜色以及预设绿植数据库确定植物补充液成分。
为实现本申请还包括一种基于视频的学生在校情绪判读装置，包括：
光照模块，用于采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um；
生长信息获取模块，用于获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息；
异常确定模块，用于获取温室绿植的植株高度，依据所述种植种类、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常；
栽培参考信息确定模块，用于获取所述生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。
为实现本申请还包括一种设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如所述的用于景观的温室绿植栽培方法。
为实现本申请还包括一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如所述的用于景观的温室绿植栽培方法。
本申请具有以下优点：
在本申请的实施例中，通过采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um；获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息；获取温室绿植的植株高度，依据所述种植种类、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常；获取所述生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。通过智能化的方式对植物进行培养，先筛选生长异常的绿植，再进一步确定绿植培育的最优值，能够更好的帮助绿植生长。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种用于景观的温室绿植栽培方法的步骤流程图；
图2是本申请一实施例提供的一种用于景观的温室绿植栽培装置的结构框图；
图3是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参照图1，示出了本申请一实施例提供的一种用于景观的温室绿植栽培方法，所述方法包括：
S110、采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um；
S120、获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息；
S130、获取温室绿植的植株高度，依据所述种植种类、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常；
S140、获取所述生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。
在本申请的实施例中，通过采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um；获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息；获取温室绿植的植株高度，依据所述种植种类、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常；获取所述生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。通过智能化的方式对植物进行培养，先筛选生长异常的绿植，再进一步确定绿植培育的最优值，能够更好的帮助绿植生长。
下面，将对本示例性实施例中一种用于景观的温室绿植栽培方法作进一步地说明。
如所述步骤S110所述，采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um；
在本发明一实施例中，所述步骤S110之前，还包括：获取目标区域内的植物图像数据，并依据所述植物图像确定杂草信息；依据所述杂草信息和预设农药库确定农药信息。
作为一种示例，将所述植物图像数据输入目标卷积神经网络模型，得到第一特征图；将所述第一特征图输入目标生成对抗网络，对所述第一特征图进行加噪处理；将经过加噪处理的第一特征图输入目标识别网络，得到杂草信息，所述杂草信息包括所述第一特征图的分类概率及杂草预测位置。
作为一种示例，所述目标卷积神经网络、目标生成对抗网络和目标识别网络的生成步骤包括：
步骤1，获取杂草训练样本；
步骤2，将所述杂草训练样本输入初始卷积神经网络模型，对所述初始卷积神经网络模型进行训练，得到所述目标卷积神经网络模型及第一训练样本特征图；
步骤3，将所述第一训练样本特征图输入初始生成对抗网络，所述初始生成对抗网络对所述第一训练样本特征图进行加噪，得到第二训练样本特征图；
步骤4，将所述第二训练样本特征图输入初始识别网络，得到所述第二训练样本特征图的分类概率及最优边框；
步骤5，将所述第二训练样本特征图的分类概率反馈至所述初始生成对抗网络，并根据所述第二训练样本特征图的分类概率调整所述初始生成对抗网络的网络参数，利用当前的初始生成对抗网络替换步骤3中的初始生成对抗网络；
重复步骤3-步骤5，直至所述初始识别网络的分类损失函数的期望分布等于所述初始识别网络的回归损失函数的期望分布，得到所述目标生成对抗网络和所述目标识别网络。
作为一种示例，依据所述第一特征图的分类概率及杂草预测位置和预设农药库确定农药信息；其中，所述农药信息包括农药喷洒种类、喷洒区域以及喷洒剂量。在农药库中查找杂草种类相对应的农药。
需要说明的是，通过提高杂草识别的准确性和识别效率，进而匹配出相对应的农药信息，对绿植能够进行有效的帮助。
在本发明一实施例中，所述步骤S110之前，还包括：获取温室绿植的种植种类，并依据所述温室绿植的种植种类确定空气湿度信息和温度信息。
在本发明一实施例中，可以结合下列描述进一步说明步骤S110所述“采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um”的具体过程。
在一具体实施例中，选择655um波长的LED红光晶片和选择455um波长的LED蓝光晶片，以红光和蓝光比例为8：2的方式对绿植进行照射，光合作用有助于植物的健康生长。
如所述步骤S120所述，获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息”的具体过程。
如下列步骤所述，所述生长信息包括叶片颜色以及生长阶段；获取所述叶片图像和所述样本叶片图像，并依据所述叶片图像确定所述叶片颜色；其中，所述叶片颜色包括绿色和非绿色；
在本发明一实施例中，可以结合下列描述进一步说明所述“获取所述叶片图像和所述样本叶片图像，并依据所述叶片图像确定所述叶片颜色；”的具体过程。
如下列步骤所述，获取所述样本叶片图像，并依据所述样本叶片图像确定前景模型；获取所述叶片图像，并依据所述前景模型和所述叶片图像确定前景图像；将所述前景图像中的绿色占比大于85％的叶片颜色标记为绿色；将所述前景图像中的绿色占比不大于85％的叶片颜色标记为非绿色；所述前景图像为只包含叶片的图像。
需要说明的是，依据所述叶片图像确定前景图像的步骤即抠图，将叶片图像中的只有叶片的部分扣出来。
在一具体实现中，依据所述叶片图像确定前景图像的步骤可以为：获取样本叶片图像中所述叶片区域内的像素点，并依据所述叶片区域内的像素点生成所述前景模型；获取所述样本叶片图像中所述叶片区域外的像素点，并依据所述叶片区域外的像素点生成所述背景模型。依据所述前景模型和所述叶片图像确定所述叶片图像中各像素点属于所述叶片区域内的第一概率；依据所述背景模型和所述叶片图像确定所述实时图像中各像素点属于所述叶片区域外的第二概率；依据所述第一概率、所述第二概率和所述叶片图像生成所述前景图像。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息”的具体过程。
如下列步骤所述，获取所述种植时间和所述种植种类，并依据所述种植时间、所述种植种类以及所述预设绿植数据库确定所述生长阶段。
需要说明的是，所述生长阶段包括发芽期、幼苗期、开花期、结果期；将所述种植时间和所述种植种类在预设绿植数据库中查找相应的生长阶段。
如所述步骤S130所述，获取温室绿植的植株高度，依据所述种植种类、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常。
在本发明一实施例中，可以结合下列描述进一步说明步骤S130所述，获取温室绿植的植株高度，依据所述种植种类、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常”的具体过程。
如下列步骤所述，依据所述种植种类、所述生长阶段和所述预设绿植数据库中确定所述温室绿植的预设植株高度范围。
在一具体实现中，在预设绿植数据库中查找相对应某种植物种植了多久在某个生长阶段的高度范围，即为预设植株高度范围。
在本发明一实施例中，可以结合下列描述进一步说明步骤S130所述，获取温室绿植的植株高度，依据所述种植种类、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常”的具体过程。
如下列步骤所述，依据所述温室绿植的预设植株高度范围、所述植株高度以及所述叶片颜色确定所述温室绿植的生长状况是否为异常。
作为一种示例，若与植株高度在预设植株高度范围外或所述叶片颜色为非绿色，二者满足其一，则绿植生长状况为异常。
如所述步骤S140所述，获取所述生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。
在本发明一实施例中，可以结合下列描述进一步说明步骤S140所述，“所述获取所述生长状况异常的温室绿植的情况数据”的具体过程。
如下列步骤所述，所述情况数据包括土壤湿度等级、土壤营养成分、叶片的化学成分以及绿植含水量；所述获取所述生长状况异常的温室绿植的情况数据。
在本发明一实施例中，可以结合下列描述进一步说明所述，“获取所述生长状况异常的温室绿植的情况数据”的具体过程。
如下列步骤所述，获取所述生长状况异常的温室绿植的表皮土壤湿度等级和深层土壤湿度等级，并依据所述表皮土壤湿度等级和所述深层土壤湿度等级确定所述土壤湿度等级。
在一具体实现中，将表皮土壤湿度等级和所述深层土壤湿度等级平均得到所述土壤湿度等级。将土壤湿度等级分为5个等级，即干、稍润、润、潮、湿，干为土壤湿度为不大于20％，稍润为大于20％且不大于40％，润为大于40％且不大于60％，潮为大于60％且不大于80％，湿为大于80％且小于等于100％。
如下列步骤所述，获取所述生长状况异常的温室绿植的表皮土壤营养成分和深层土壤营养成分，并依据所述表皮土壤营养成分和所述深层土壤营养成分确定所述土壤营养成分。
需要说明的是，土壤营养成分为测定氮、磷、钾、硼和铁的成分，将表皮土壤营养成分和所述深层土壤营养成分进行平均得到所述土壤营养成分。
如下列步骤所述，获取所述生长状况异常的所述温室绿植的3片叶片的化学成分，并依据所述3片叶片的化学成分确定所述叶片的化学成分。
在一具体实现中，从所述温室绿植的顶部、中部以及底部分别取3片叶子，测定叶片中氮、磷、钾、硼和铁的含量并平均的到叶片的化学成分。
如下列步骤所述，获取所述生长状况异常的所述温室绿植的3个预设时间点的含水量，并依据所述3个预设时间点的含水量确定所述绿植含水量。
在一具体实现中，获取早上、中午和晚上3个预设时间点的含水量得到绿植的含水量。
在本发明一实施例中，可以结合下列描述进一步说明步骤S140所述，“依据所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息”的具体过程。
如下列步骤所述，依据所述种植种类、所述土壤湿度等级、所述绿植含水量、所述生长阶段以及预设绿植数据库确定浇水数据。
需要说明的是，在预设绿植数据中查找某种绿植在某个生长阶段相对应需要的土壤湿度等级以及标准绿植含水量，在进行相对应的比较后，确定浇水数据；其中，所述浇水数据为浇水周期和浇水剂量。
在本发明一实施例中，可以结合下列描述进一步说明步骤S140所述，“依据所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息”的具体过程。
如下列步骤所述，依据所述土壤营养成分、所述叶片的化学成分、所述生长阶段、所述叶片颜色以及预设绿植数据库确定植物补充液成分。
需要说明的是，氮促进细胞分裂和生长,使枝叶繁茂；缺乏会引进植株矮小,叶片发黄,严重时叶片呈现淡棕色；磷促进幼苗发育和花的开放,使果实、种子成熟提早；缺乏会引起植株矮小,叶片暗绿色并出现紫色；钾使茎秆健壮,促进淀粉的形成和运输；缺乏会引起茎秆轻弱,易倒伏,叶片边缘尖端褐色并焦枯；硼促进花粉萌发,花粉管伸长,促进开花；缺乏会引起花而不实；铁某些酶(如细胞色素氧化酶,水化酶,固氮酶)和许多电子传递体(如细胞色素,铁硫蛋白)的主要成分；缺乏会引起叶绿素合成受阻。
对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图2，示出了本申请一实施例提供的一种用于景观的温室绿植栽培装置；
具体包括：
光照模块210，用于采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um；
生长信息获取模块220，用于获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息；
异常确定模块230，用于获取温室绿植的植株高度，依据所述种植种类、种植时间、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常；
栽培参考信息确定模块240，用于获取所述生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。
在本发明一实施例中，所述光照模块210，包括：
农药确定模块：用于获取目标区域内的植物图像数据，并依据所述植物图像确定杂草信息；依据所述杂草信息和预设农药库确定农药信息。
在本发明一实施例中，所述生长信息获取模块220，包括：
叶片颜色确定模块：用于获取所述叶片图像和所述样本叶片图像，并依据所述叶片图像确定所述叶片颜色；其中，所述叶片颜色包括绿色和非绿色。
生长阶段确定模块：用于获取所述种植时间和所述种植种类，并依据所述种植时间、所述种植种类以及所述预设绿植数据库确定所述生长阶段。
在本发明一实施例中，所述叶片颜色确定模块，包括：
前景图像子模块：用于获取所述样本叶片图像，并依据所述样本叶片图像确定前景模型；获取所述叶片图像，并依据所述前景模型和所述叶片图像确定前景图像；
绿色子模块：用于将所述前景图像中的绿色占比大于85％的叶片颜色标记为绿色；
非绿色子模块：用于将所述前景图像中的绿色占比不大于85％的叶片颜色标记为非绿色。
在本发明一实施例中，所述异常确定模块230，包括：
预设植株高度范围子模块：用于依据所述种植种类、种植时间、所述生长阶段和所述预设绿植数据库中确定所述温室绿植的预设植株高度范围。
异常子模块：用于依据所述温室绿植的预设植株高度范围、所述植株高度以及所述叶片颜色确定所述温室绿植的生长状况是否为异常。
在本发明一实施例中，所述栽培参考信息确定模块240，包括：
土壤湿度等级子模块：用于获取所述生长状况异常的温室绿植的表皮土壤湿度等级和深层土壤湿度等级，并依据所述表皮土壤湿度等级和所述深层土壤湿度等级确定所述土壤湿度等级；
土壤营养成分子模块：用于获取所述生长状况异常的温室绿植的表皮土壤营养成分和深层土壤营养成分，并依据所述所述表皮土壤营养成分和所述深层土壤营养成分确定所述土壤营养成分；
叶片的化学成分子模块：用于获取所述生长状况异常的所述温室绿植的3片叶片的化学成分，并依据所述3片叶片的化学成分确定所述叶片的化学成分；
绿植含水量子模块：用于获取所述生长状况异常的所述温室绿植的3个预设时间点的含水量，并依据所述3个预设时间点的含水量确定所述绿植含水量。
浇水数据子模块：用于依据所述种植种类、所述土壤湿度等级、所述绿植含水量、所述生长阶段以及预设绿植数据库确定浇水数据；
植物补充液成分子模块：用于依据所述土壤营养成分、所述叶片的化学成分、所述生长阶段、所述叶片颜色以及预设绿植数据库确定植物补充液成分。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
在本具体实施例与上述具体实施例中有重复的操作步骤，本具体实施例仅做简单描述，其余方案参考上述具体实施例描述即可。
对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
参照图3，示出了本申请的一种用于景观的温室绿植栽培方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、音视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图3所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图3中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种用于景观的温室绿植栽培方法。
在本发明实施例中，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请所有实施例提供的一种用于景观的温室绿植栽培方法。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。在没有更多限制的情况下，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、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种用于景观的温室绿植栽培方法以及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种用于景观的温室绿植栽培方法，其特征在于，包括：
采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um；
获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息；
获取温室绿植的植株高度，依据所述种植种类、所述种植时间、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常；
获取生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。
2.根据权利要求1所述的用于景观的温室绿植栽培方法，其特征在于，所述采用红光和蓝光比例为8：2的混合光对温室绿植进行照射的步骤之前，还包括：
获取目标区域内的植物图像数据，并依据所述植物图像确定杂草信息；
依据所述杂草信息和预设农药库确定农药信息。
3.根据权利要求1所述的用于景观的温室绿植栽培方法，其特征在于，所述生长信息包括叶片颜色以及生长阶段；所述依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息的步骤，包括：
获取所述叶片图像和所述样本叶片图像，并依据所述叶片图像确定所述叶片颜色；其中，所述叶片颜色包括绿色和非绿色；
获取所述种植时间和所述种植种类，并依据所述种植时间、所述种植种类以及所述预设绿植数据库确定所述生长阶段。
4.根据权利要求3所述的用于景观的温室绿植栽培方法，其特征在于，所述获取所述叶片图像和所述样本叶片图像，并依据所述叶片图像确定所述叶片颜色的步骤，包括：
获取所述样本叶片图像，并依据所述样本叶片图像确定前景模型；
获取所述叶片图像，并依据所述前景模型和所述叶片图像确定前景图像；
将所述前景图像中的绿色占比大于85％的叶片颜色标记为绿色；
将所述前景图像中的绿色占比不大于85％的叶片颜色标记为非绿色。
5.根据权利要求3所述的用于景观的温室绿植栽培方法，其特征在于，所述依据所述种植种类、所述种植时间、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常的步骤，包括：
依据所述种植种类、所述种植时间、所述生长阶段和所述预设绿植数据库中确定所述温室绿植的预设植株高度范围；
依据所述温室绿植的预设植株高度范围、所述植株高度以及所述叶片颜色确定所述温室绿植的生长状况是否为异常。
6.根据权利要求3所述的用于景观的温室绿植栽培方法，其特征在于，所述情况数据包括土壤湿度等级、土壤营养成分、叶片的化学成分以及绿植含水量；所述获取所述生长状况异常的温室绿植的情况数据的步骤，包括：
获取所述生长状况异常的温室绿植的表皮土壤湿度等级和深层土壤湿度等级，并依据所述表皮土壤湿度等级和所述深层土壤湿度等级确定所述土壤湿度等级；
获取所述生长状况异常的温室绿植的表皮土壤营养成分和深层土壤营养成分，并依据所述所述表皮土壤营养成分和所述深层土壤营养成分确定所述土壤营养成分；
获取所述生长状况异常的所述温室绿植的3片叶片的化学成分，并依据所述3片叶片的化学成分确定所述叶片的化学成分；
获取所述生长状况异常的所述温室绿植的3个预设时间点的含水量，并依据所述3个预设时间点的含水量确定所述绿植含水量。
7.根据权利要求6所述的用于景观的温室绿植栽培方法，其特征在于，所述温室绿植的栽培参考信息包括浇水数据、植物补充液成分；所述依据所述情况数据、生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息的步骤，包括：
依据所述种植种类、所述土壤湿度等级、所述绿植含水量、所述生长阶段以及预设绿植数据库确定浇水数据；
依据所述土壤营养成分、所述叶片的化学成分、所述生长阶段、所述叶片颜色以及预设绿植数据库确定植物补充液成分。
8.一种用于景观的温室绿植栽培装置，其特征在于，包括：
光照模块，用于采用红光和蓝光比例为8：2的混合光对温室绿植进行照射；其中，所述红光的波长为655um，所述蓝光的波长为455um；
生长信息获取模块，用于获取温室绿植的叶片图像、样本叶片图像、种植时间和种植种类，并依据所述叶片图像、所述样本叶片图像、所述种植时间、所述种植种类以及预设绿植数据库确定所述温室绿植的生长信息；
异常确定模块，用于获取温室绿植的植株高度，依据所述种植种类、所述生长信息、所述预设绿植数据库以及所述植株高度确定所述温室绿植的生长状况是否为异常；
栽培参考信息确定模块，用于获取所述生长状况异常的温室绿植的情况数据，并依据所述种植种类、所述情况数据、所述生长信息和所述预设绿植数据库确定温室绿植的栽培参考信息。
9.一种设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的用于景观的温室绿植栽培方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的用于景观的温室绿植栽培方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110866954.0A CN113408666A (zh) | 2021-07-29 | 2021-07-29 | 一种用于景观的温室绿植栽培方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110866954.0A CN113408666A (zh) | 2021-07-29 | 2021-07-29 | 一种用于景观的温室绿植栽培方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113408666A true CN113408666A (zh) | 2021-09-17 |
Family
ID=77688048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110866954.0A Pending CN113408666A (zh) | 2021-07-29 | 2021-07-29 | 一种用于景观的温室绿植栽培方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113408666A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114667858A (zh) * | 2022-04-25 | 2022-06-28 | 鸿利智汇集团股份有限公司 | 一种植物光照系统及控制方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170024266A (ko) * | 2015-08-25 | 2017-03-07 | 유봉선 | 흙의 습도에 따라 물 자동 공급기능을 갖는 다기능 화분 |
| CN106688705A (zh) * | 2017-01-13 | 2017-05-24 | 湖南理工学院 | 一种智能种植大棚及其采用的监测方法 |
| CN111476149A (zh) * | 2020-04-03 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 一种植物培育控制方法和系统 |
-
2021
- 2021-07-29 CN CN202110866954.0A patent/CN113408666A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170024266A (ko) * | 2015-08-25 | 2017-03-07 | 유봉선 | 흙의 습도에 따라 물 자동 공급기능을 갖는 다기능 화분 |
| CN106688705A (zh) * | 2017-01-13 | 2017-05-24 | 湖南理工学院 | 一种智能种植大棚及其采用的监测方法 |
| CN111476149A (zh) * | 2020-04-03 | 2020-07-31 | 苏州浪潮智能科技有限公司 | 一种植物培育控制方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| WEIMIN QIU: "Design of Intelligent Greenhouse Environment Monitoring System Based on ZigBee and embedded technology", 《IEEE》, pages 1 - 3 * |
| 刘林毅: "小麦赤霉病及白粉病多尺度遥感监测方法研究", 《CNKI博士全文数据库》, pages 1 - 155 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114667858A (zh) * | 2022-04-25 | 2022-06-28 | 鸿利智汇集团股份有限公司 | 一种植物光照系统及控制方法 |
| CN114667858B (zh) * | 2022-04-25 | 2023-10-31 | 鸿利智汇集团股份有限公司 | 一种植物光照系统及控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Körner | CO2 fertilization: the great uncertainty in future vegetation development | |
| Palta et al. | Drought affects the fluxes of carbon to roots and soil in 13C pulse-labelled plants of wheat | |
| Reddy et al. | Interactive effects of carbon dioxide and nitrogen nutrition on cotton growth, development, yield, and fiber quality | |
| Buchmann et al. | Net CO2 and H2O fluxes of terrestrial ecosystems | |
| Kirschbaum et al. | The trade-offs between milk production and soil organic carbon storage in dairy systems under different management and environmental factors | |
| Cheng et al. | Characterization of soil organic carbon pools | |
| Geetika et al. | Genotypic variation in whole-plant transpiration efficiency in sorghum only partly aligns with variation in stomatal conductance | |
| Farooq et al. | Dynamics of canopy development of Cunninghamia lanceolata mid-age plantation in relation to foliar nitrogen and soil quality influenced by stand density | |
| Di Bene et al. | Barriers and opportunities for sustainable farming practices and crop diversification strategies in Mediterranean cereal-based systems | |
| Fernandes et al. | Chlorophyll meter‐based leaf nitrogen status to manage nitrogen in tropical potato production | |
| Kwanmuang et al. | Small-scale farmers under Thailand’s smart farming system | |
| Muchecheti et al. | Leaf chlorophyll readings as an indicator of nitrogen status and yield of spinach (Spinacia oleracea L.) grown in soils amended with Luecaena leucocephala prunings | |
| Wang et al. | Global patterns and abiotic drivers of ecosystem multifunctionality in dominant natural ecosystems | |
| CN113408666A (zh) | 一种用于景观的温室绿植栽培方法 | |
| Huynh et al. | Evaluation of soil organic matter content under topographic influences in agroforestry ecosystems: a study in Central Vietnam | |
| Xavier et al. | Irrigation systems, fertigation and mulch: effects on the physical, chemical and biological attributes of the soil with banana crop in Northeastern Brazil | |
| Jung et al. | Analysis of leaf photosynthetic rates of hydroponically-grown paprika (Capsicum annuum L.) plants according to vertical position with multivariable photosynthesis models | |
| MacCarthy et al. | Modeling the effect of soil fertility management options on maize yield stability under variable climate in a sub-humid zone in Ghana | |
| Su et al. | Stoichiometric homeostasis in response to variable water and nutrient supply in a Robinia pseudoacacia plant–soil system | |
| Bakhshandeh et al. | Land use conversion, climate change and soil organic carbon: Modeling a citrus garden chronosequence in Northern Iran | |
| Li et al. | Determinants of paddy yield of individual fields measured by IT combine: empirical analysis from the perspective of large-scale farm management in Japan | |
| Lee | Remote sensing-based assessment of Gross Primary Production (GPP) in agricultural ecosystems | |
| Toso et al. | Nitrogen in plant growth and yield of common bean | |
| Brown et al. | Soil phosphorus fertility degradation: A geographic information system‐based assessment | |
| Weijia et al. | Use of Ginkgo biloba leaf compost for promoting soil properties and rooting of New Guinea impatiens cuttings |
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 |