CN115170573B - 基于大数据与物联网的智慧农业监控管理系统 - Google Patents
基于大数据与物联网的智慧农业监控管理系统 Download PDFInfo
- Publication number
- CN115170573B CN115170573B CN202211092519.8A CN202211092519A CN115170573B CN 115170573 B CN115170573 B CN 115170573B CN 202211092519 A CN202211092519 A CN 202211092519A CN 115170573 B CN115170573 B CN 115170573B
- Authority
- CN
- China
- Prior art keywords
- curve
- leaf
- plant
- inclination angle
- bending
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000005452 bending Methods 0.000 claims abstract description 133
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 95
- 238000003708 edge detection Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000001174 ascending effect Effects 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 28
- 230000000630 rising effect Effects 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 2
- 230000006855 networking Effects 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 4
- 239000013589 supplement Substances 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 182
- 230000008859 change Effects 0.000 description 18
- 239000000047 product Substances 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 235000013311 vegetables Nutrition 0.000 description 3
- 235000002566 Capsicum Nutrition 0.000 description 2
- 240000008574 Capsicum frutescens Species 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 241001474374 Blennius Species 0.000 description 1
- 235000002568 Capsicum frutescens Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 241000722363 Piper Species 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000005080 plant death Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/05—Agriculture
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/20—Information sensed or collected by the things relating to the thing itself
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/30—Control
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理领域，具体涉及一种基于大数据与物联网的智慧农业监控管理系统。采集多株植株的灰度图像并进行边缘检测；获取每个叶片的完整概率确定完整叶片，获取完整叶片的叶倾角；获取茎秆的弯曲半径，获取每株植株灰度图像中茎秆的弯曲程度；根据每个完整叶片的叶倾角以及茎秆的弯曲程度分别进行曲线拟合，得到叶倾角曲线和茎秆弯曲曲线；获取叶倾角曲线的下降率以及茎秆弯曲曲线的上升率；获取叶倾角曲线的波动比以及茎秆弯曲曲线的波动比；获取大棚内植株的缺水程度；根据大棚内植株的缺水程度对植株进行浇水控制。本发明通过缺水程度对大棚内植株的浇水量进行控制，能够保证大棚内植株合理补充水分，不会造成水资源浪费。
Description
技术领域
本发明涉及图像处理领域，具体涉及一种基于大数据与物联网的智慧农业监控管理系统。
背景技术
温室大棚栽培技术的兴起，不仅实现了蔬菜的全年供应，而且提高了农户的经济收益，在使用温室大棚种植蔬菜时，大棚内的环境和植物的状态监测极为重要，很容易因为环境影响和植物自身缺水等异常变化，给蔬菜带来很不利的影响，通常需要在大棚内安装相应的灌溉设备，保证植物的正常生长，而灌溉设备一般是根据植物当前的生长状态进行控制，因此需要对植物当前生长状态进行准确的判断。
现有技术中存在通过在大棚内安装传感器，通过传感器检测土壤的湿度从而判断植物是否缺水，该方法仅能判断大棚内的植株是否缺水，对于植株的缺水程度，以及后续浇水量的控制无法给出准确的判断依据，而仅通过计算机视觉技术采集图像对植株进行缺水判断，图像中反映的信息量有限，同时不同植株采集到的图像所表现出的特征不同，可能存在部分植株发育较好，部分植株因为光照或病虫等原因导致植株生长情况较差，从而无法直接根据图像进行植株是否缺水的判断。
发明内容
为了解决现有技术中无法对植株缺水程度以及浇水量的控制进行判断，同时仅根据图像无法判断植株缺水情况的问题，本发明提供了一种基于大数据与物联网的智慧农业监控管理系统，包括：
采集每株植株的灰度图像并进行边缘检测；获取每个叶片的完整概率确定完整叶片，获取完整叶片的叶倾角；获取茎秆的弯曲半径，获取每株植株灰度图像中茎秆的弯曲程度；根据每个完整叶片的叶倾角以及茎秆的弯曲程度分别进行曲线拟合，得到叶倾角曲线和茎秆弯曲曲线；获取叶倾角曲线的下降率以及茎秆弯曲曲线的上升率；获取叶倾角曲线的波动比以及茎秆弯曲曲线的波动比；获取大棚内植株的缺水程度；根据大棚内植株的缺水程度对植株进行浇水控制。
本发明通过采集大棚内多株植株的灰度图像进行分析，保证了后续在进行缺水判断时的全面性，进一步分别获取每株植株中叶片的叶倾角以及茎秆的弯曲程度进行曲线拟合，能够两方面反应植株当前的缺水状况，并且根据拟合曲线的波动特征计算大棚内植株的缺水程度，能够克服仅通过图像进行判断时会存在图像信息有误的缺点；同时根据缺水程度对大棚内植株的浇水量进行控制，能够保证大棚内植株合理补充水分，不会造成水资源的过度浪费。
本发明采用如下技术方案，一种基于大数据与物联网的智慧农业监控管理系统，包括：
植株图像处理单元；用于采集大棚内每株植株的灰度图像，并进行边缘检测，得到每株植株灰度图像中的边缘像素点；
叶片特征获取单元；根据植株图像处理单元得到的每株植株灰度图像中边缘像素点的坐标获取每株植株灰度图像中每个叶片的长度和宽度，根据每个叶片的长度与宽度的比值获取每个叶片的完整概率；将每株植株灰度图像完整概率大于阈值的叶片作为完整叶片，获取每株植株灰度图像中每个完整叶片的叶倾角；
茎秆特征获取单元；获取植株图像处理单元得到的每株植株灰度图像中茎秆的弯曲半径，根据每株植株灰度图像中茎秆的弯曲半径获取每株植株灰度图像中茎秆的弯曲程度；
曲线拟合单元；根据每株植株灰度图像中每个完整叶片的叶倾角以及茎秆的弯曲程度分别进行曲线拟合，得到大棚内所有植株的叶倾角曲线和茎秆弯曲曲线；
缺水程度获取单元；根据曲线拟合单元中得到的叶倾角曲线中的最大波峰值和最小波峰值获取叶倾角曲线的下降率；根据茎秆弯曲曲线中的最大波峰值和最小波谷值获取茎秆弯曲曲线的上升率；根据叶倾角曲线以及茎秆弯曲曲线中波峰和波谷的数量分别获取叶倾角曲线的波动比以及茎秆弯曲曲线的波动比；
根据叶倾角曲线的下降率、叶倾角曲线的波动比、茎秆弯曲曲线的上升率以及茎秆弯曲曲线的波动比获取大棚内植株的缺水程度；
植株浇水控制单元；根据大棚内植株的缺水程度控制大棚内的浇水设备对植株进行浇水。
进一步的，一种基于大数据与物联网的智慧农业监控管理系统，获取每个叶片的完整概率的方法为：
通过对每株植株灰度图像进行边缘检测，得到每株植株灰度图像中每个叶片的面积；
获取每株植株灰度图像中每个叶片的长度和宽度的比值；
根据每株植株灰度图像中每个叶片的面积以及每个叶片的长度和宽度的比值获取每个叶片的完整概率。
进一步的，一种基于大数据与物联网的智慧农业监控管理系统，获取每株植株灰度图像中每个完整叶片的叶倾角的方法为：
获取每株植株灰度图像中每个完整叶片与该完整叶片叶柄区域的边缘像素点坐标以及每个完整叶片叶尖区域的边缘像素点坐标；
根据每个完整叶片叶柄区域的边缘像素点坐标以及每个完整叶片叶尖区域的边缘像素点坐标获取每个完整叶片的方向矢量；
根据每个完整叶片的方向矢量该叶片叶柄之间的夹角得到每个完整叶片的叶倾角。
进一步的，一种基于大数据与物联网的智慧农业监控管理系统，获取每株植株灰度图像中茎秆的弯曲半径的方法为：
获取每株植株灰度图像中茎秆的节点坐标，根据茎秆的节点坐标获取茎秆的方向向量；
根据茎秆中相邻节点的方向向量获取茎秆中每个节点的弯曲方向；
根据茎秆中所有节点的弯曲方向获取茎秆的弯曲半径。
进一步的，一种基于大数据与物联网的智慧农业监控管理系统，获取每株植株灰度图像中茎秆的弯曲程度的方法为：
其中，
表示第e个茎秆的弯曲程度，
为弯曲系数，E为弹性模型，
为泊松比，
为第e个茎秆的弯曲半径，π为圆周率，N表示每株植株灰度图像中茎秆的数量。
进一步的，一种基于大数据与物联网的智慧农业监控管理系统，分别获取叶倾角曲线的波动比以及茎秆弯曲曲线的波动比的方法为：
获取叶倾角曲线中波峰和波谷的数量；
根据叶倾角曲线中波峰数量和波谷数量之和与植株数量的比值得到叶倾角曲线的波动比；
同理，获取茎秆弯曲曲线中波峰和波谷的数量；
根据茎秆弯曲曲线中波峰和波谷的数量之和与植株数量的比值得到茎秆弯曲曲线的波动比。
进一步的，一种基于大数据与物联网的智慧农业监控管理系统，获取叶倾角曲线的下降率的方法为：
获取叶倾角曲线中最大波峰值和最小波谷值；
根据叶倾角曲线中最大波峰值与最小波谷值的差值绝对值与叶片数量的比值得到叶倾角曲线的下降率；
同理，根据茎秆弯曲曲线中最大波峰值与最小波谷值的差值绝对值与茎秆数量的比值得到茎秆弯曲曲线的上升率。
进一步的，一种基于大数据与物联网的智慧农业监控管理系统，获取大棚内植株的缺水程度的方法为：
获取叶倾角下降率与叶倾角波动比的乘积；获取茎秆弯曲曲线的波动比与茎秆弯曲曲线的上升率的乘积；
获取叶倾角下降率与波动比的乘积，与茎秆弯曲曲线的波动比与上升率的乘积之和；
获取叶倾角下降率与茎秆弯曲曲线的上升率之和；
根据该乘积之和与下降率以及上升率之和的比值得到大棚内植株的缺水程度。
本发明的有益效果是：本发明通过采集大棚内多株植株的灰度图像进行分析，保证了后续在进行缺水判断时的全面性，进一步分别获取每株植株中叶片的叶倾角以及茎秆的弯曲程度进行曲线拟合，能够两方面反应植株当前的缺水状况，并且根据拟合曲线的波动特征计算大棚内植株的缺水程度，能够克服仅通过图像进行判断时会存在图像信息有误的缺点；同时根据缺水程度对大棚内植株的浇水量进行控制，能够保证大棚内植株合理补充水分，不会造成水资源的过度浪费。
附图说明
为了更清楚地说明本发明实施例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简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于大数据与物联网的智慧农业监控管理系统流程示意图；
图2为本发明实施例的一种叶倾角拟合曲线示意图；
图3为本发明实施例的一种茎秆弯曲程度拟合曲线示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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做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。
本发明针对的场景是：主要针对温室大棚内种植的辣椒植株的叶片和茎秆的变化程度，通过叶片的叶倾角以及茎秆的弯曲程度曲线进行分析，茎秆的弯曲变化受环境的影响较小，叶倾角的变化受环境的影响较大，从而提前判断植株的状态并控制装置进行浇水。
对于辣椒的植株来说，温度过高或土壤缺水，导致植株吸收水分的量小于植物叶片的蒸发量时，会导致植株缺水，植株在缺水时：主要表现为植株的叶片下垂，植株的茎秆上方因缺水导致植物的茎秆上方弯曲，叶片的下垂程度和茎秆的弯曲程度越大植物的缺水就越严重，对于轻微缺水，植物的叶片会先进行下垂，因此，叶片的下垂对植物缺水的影响更大，植物自身缺水表现出来的状态要比传感器传输会的数据更加精准，土壤中传感器附近采集的数据具有局限性，单个传感器采集的范围有限，对于大棚内大量植株中需要安装多个传感器，且不同区域的土壤环境不同，因此采集的数据并不准确，若出现误判会影响植物的生长和导致植物死亡。
如图1所示，给出了本发明实施例的一种基于大数据与物联网的智慧农业监控管理系统结构示意图，包括：
101. 植株图像处理单元；采集大棚内每株植株的灰度图像，并进行边缘检测，得到每株植株灰度图像中的边缘像素点。
本发明根据大棚地面积在可拍摄范围内安装球型摄像机，采集大棚内的辣椒的植株的图像，球型摄像机的采集范围较大，并且采集图像的清晰度高。
通过对得到的图像进行预处理，对图像进行灰度化和高斯滤波对图像的边缘进行锐化；对采集到的种植辣椒的植株图像进行灰度化，对得到的灰度化图像进行高斯滤波，去除图像中的高斯噪声，使得图像的边缘信息更加的平滑，方便后续边缘检测后的图像信息的边缘明显和平滑，否则得到的边缘点不连续，为散点的形式，然后使用canny边缘检测方法对图像的边缘进行检测，得到图像的边缘检测结果。
102. 叶片特征获取单元；根据每株植株灰度图像中边缘像素点的坐标获取每株植株灰度图像中每个叶片的长度和宽度，根据每个叶片的长度与宽度的比值获取每个叶片的完整概率；将每株植株灰度图像完整概率大于阈值的叶片作为完整叶片，获取每株植株灰度图像中每个完整叶片的叶倾角。
获取每个叶片的完整概率的方法为：
通过对每株植株灰度图像进行边缘检测，得到每株植株灰度图像中每个叶片的面积；
通过对平滑的边缘图像进行分割得到闭合的连接曲线，对闭合的曲线进行分析，得到植株灰度图像中每个叶片的面积。
获取每株植株灰度图像中每个叶片的长度和宽度的比值；
通过得到的边缘点坐标，得到图像中叶片的长度L和叶片的宽度K，根据叶片的长度和宽度得到长宽比
：
通过叶片的长宽比能够看出叶片整体的轮廓形状是否满足完整叶片的比例，从而根据叶片的长宽比进行完整概率的计算，能够将植株灰度图像中完整叶片筛选出来。
根据每株植株灰度图像中每个叶片的面积以及每个叶片的长度和宽度的比值获取每个叶片的完整概率。
获取叶片完整概率P的表达式为：
其中，
表示第i个叶片的完整概率，
表示第i个叶片的叶宽比，
表示通过边缘检测得到的第i个叶片的面积，j表示每株植株灰度图像中叶片的数量，
为采集所有叶片的面积和叶宽比的均值，通过将每个叶片的叶宽比与面积的乘积，比上植株灰度图像中所有叶片面积和叶宽比的均值，能够更好的反应出图像中每个叶片在整体图像中的比例，从而将其作为完整概率值，并根据该完整概率值的大小判断是否为完整叶片，当概率值大于1时，此时的叶片为完整叶片，根据得到的完整叶片计算植株中叶片的叶倾角。
获取每株植株灰度图像中每个完整叶片的叶倾角的方法为：
获取每株植株灰度图像中每个完整叶片与该完整叶片叶柄区域的边缘像素点坐标以及每个完整叶片叶尖区域的边缘像素点坐标；
建立关键点，根据关键点找到类似相同的叶片信息进行分割，需要在完整的叶片上选取完整叶片与叶柄相连的部位创建一个关键点
，叶尖的部位创建一个关键点
，得到叶片的方向矢量
：
其中，
表示图像中第i个叶片与叶柄之间的相连点，
为叶片的叶尖处的关键点，
用来表示图像中第i个叶片的下垂方向矢量。
根据每个完整叶片叶柄区域的边缘像素点坐标以及每个完整叶片叶尖区域的边缘像素点坐标获取每个完整叶片的方向矢量；
其中，
用来表示图像中第i个叶片的下垂方向矢量，
为第i个叶片中叶柄的方向矢量。
根据每个完整叶片的方向矢量该叶片叶柄之间的夹角得到每个完整叶片的叶倾角，得到所有完整叶片叶倾角变化的数列
。
103.茎秆特征获取单元；获取每株植株灰度图像中茎秆的弯曲半径，根据每株植株灰度图像中茎秆的弯曲半径获取每株植株灰度图像中茎秆的弯曲程度。
获取每株植株灰度图像中茎秆的弯曲半径的方法为：
根据茎秆的结子位置进行分析，获得茎秆中节点的坐标集合并从上到下进行标记，根据图像得到的节点的纵坐标，通过上下相邻点的位置计算得到植物茎秆的每个节点处的弯曲半径，通过计算每个节点的弯曲方向得到图像的所有茎秆的模型图进行连接，由于分叉点的节点相重合各分支可以很好的结合为一株完整的茎秆，从而根据茎秆中所有节点的弯曲方向获取茎秆的弯曲半径。
获取每株植株灰度图像中茎秆的节点坐标，根据茎秆的节点坐标获取茎秆的方向向量；
根据茎秆中相邻节点的方向向量获取茎秆中每个节点的弯曲方向；
根据茎秆中所有节点的弯曲方向获取茎秆的弯曲半径。
获取每株植株灰度图像中茎秆的弯曲程度的方法为：
其中，
表示第e个茎秆的弯曲程度，
为弯曲系数，E为弹性模型， 
为泊松比，
为第e个茎秆的弯曲半径，π为圆周率，N表示每株植株灰度图像中茎秆的数量，该公式为计算植物弯曲的现有公式，根据植株茎秆的弯曲半径与弹性模型，与泊松比之间的关系得到第e个茎秆的弯曲程度。
对于植株来说，由于环境的影响，部分植物的茎秆会产生弯曲，所以计算所有植株弯曲变化的平均值来判断农作物是否缺水，单个植株或是部分农作物的变化值并不能表示整体的情况，因此获取每株植株灰度图像中多个茎秆的弯曲程度，从而得到茎秆弯曲程度的数列
。
104.曲线拟合单元；根据所有植株灰度图像中每个完整叶片的叶倾角以及茎秆的弯曲程度分别进行曲线拟合，得到叶倾角曲线和茎秆弯曲曲线。
如图2所示，为本发明实施例的一种叶倾角拟合曲线示意图，横轴为叶倾角的角度变化0-180度，纵轴为对应角度下的叶片数量，当植株有一定程度缺水时，首先在植株顶部叶片反映出下垂现象，体现为曲线中叶倾角降低，此时叶倾角较低的角度中叶片数量居多，叶片的数量随着叶倾角的变大，叶片数量的曲线呈先升后减的趋势时，说明此时的植物已经缺水，叶片的下垂较多，数量越多的地方叶倾角越小，植物的缺水越严重。
同样的，如图3所示，为本发明实施例的一种茎秆弯曲程度的拟合曲线示意图，根据得到的多个茎秆弯曲程度的数列进行曲线拟合，构建茎秆弯曲变化的曲线图，横轴为茎秆弯曲的程度，纵轴为不同弯曲程度下的植株数量，当茎秆缺水时，茎秆的蒸腾作用降低，此时茎秆直径变差，从而体现在曲线中的特征为大量植株的弯曲角度集中在四十度到六十度之间，植物茎秆的弯曲主要集中在弯曲程度大的地方说明此时的植物缺水严重，并且植物的茎秆弯曲数量最多地方，弯曲程度越大植物的缺水越严重。
105.缺水程度获取单元；根据叶倾角曲线中的最大波峰值和最小波峰值获取叶倾角曲线的下降率；根据茎秆弯曲曲线中的最大波峰值和最小波峰值获取茎秆弯曲曲线的上升率；根据叶倾角曲线以及茎秆弯曲曲线中波峰和波谷的数量分别获取叶倾角曲线的波动比以及茎秆弯曲曲线的波动比；根据叶倾角曲线的下降率、叶倾角曲线的波动比、茎秆弯曲曲线的上升率以及茎秆弯曲曲线的波动比获取大棚内植株的缺水程度。
由于对于植物来说，茎秆弯曲程度和叶片的叶倾角的变化受环境的干扰，因此得到的曲线图像中图像的波动较大，因此计算曲线的波动比，对得到波动较大的曲线进行平滑处理，从而根据得到的曲线图像中的波动情况作为后续缺水程度的判断的权重。
分别获取叶倾角曲线的波动比以及茎秆弯曲曲线的波动比的方法为：
获取叶倾角曲线中波峰的数量
和波谷的数量
；
根据叶倾角曲线中波峰数量和波谷数量之和与植株数量的比值得到叶倾角曲线的波动比：
其中，
为叶倾角曲线的波动比，z为植株数量，即采集到植株灰度图像的数量，
为叶倾角曲线中波峰的数量，
为叶倾角曲线中波谷的数量。
同理，获取茎秆弯曲曲线中波峰和波谷的数量；
根据茎秆弯曲曲线中波峰和波谷的数量之和与植株数量的比值得到茎秆弯曲曲线的波动比：
其中，
为茎秆弯曲曲线的波动比，
为茎秆弯曲曲线中波峰的数量，
为茎秆弯曲曲线中波谷的数量。
本发明根据波动比从而对后续叶倾角曲线的下降率以及茎秆完全的上升率分配对应的权重，由于叶倾角受环境的影响波动较大，因此给叶倾角的变化率赋予较小的权重，将变化率中较小的变化消除，而茎秆的受环境的影响小，曲线的变化率慢，因此分配较大的权重，图像中的波峰和波谷的数量越多，曲线中的影响程度越大，因此，根据两图像中曲线的波动情况设置权重值，从而最后修正获取的缺水程度值。
获取叶倾角曲线的下降率的方法为：
获取叶倾角曲线中最大波峰值
和最小波谷值
；
根据叶倾角曲线中最大波峰值与最小波谷值的差值绝对值与叶片数量的比值得到叶倾角曲线的下降率：
其中，Y表示叶倾角曲线的下降率，
表示叶倾角曲线中最大波峰值，
表示叶倾角曲线中最小波谷值，m表示叶倾角曲线中叶片的数量，叶倾角曲线的下降率越大说明此时的大棚内随环境的变化植物缺水越快。
同理，根据茎秆弯曲曲线中最大波峰值与最小波谷值的差值绝对值与茎秆数量的比值得到茎秆弯曲曲线的上升率：
其中，J表示茎秆弯曲曲线的上升率，
表示茎秆弯曲曲线中最大波峰值，
表示茎秆弯曲曲线中最小波谷值，n表示茎秆弯曲曲线中茎秆的数量，茎秆弯曲曲线的上升率越大说明此时的大棚内随环境的变化植物缺水越快。
通过得到的叶倾角的变化曲线中能够得出，叶片水分的缺失，会影响叶片的下垂程度，曲线中叶片数量越多的位置，叶倾角的角度越小，则说明采集的植物图像中，植物缺水越严重。
由于叶片受环境的影响较大，受到环境中的风和自身的掉落，因此，根据叶片的下垂程度判断植物是否缺水，少干扰影响较大，得到的数据并不准确，因此结合茎秆的弯曲程度进行分析和判断，通过对图像中的叶倾角的变化程度和茎秆的弯曲变化程度分配不同的权重，计算大棚内植株的缺水程度。
获取大棚内植株的缺水程度的方法为：
获取叶倾角下降率与叶倾角波动比的乘积；获取茎秆弯曲曲线的波动比与茎秆弯曲曲线的上升率的乘积；
获取叶倾角下降率与波动比的乘积，与茎秆弯曲曲线的波动比与上升率的乘积之和；
获取叶倾角下降率与茎秆弯曲曲线的上升率之和；
根据该乘积之和与下降率以及上升率之和的比值得到大棚内植株的缺水程度：
其中，P表示大棚内植株的缺水程度，
为叶倾角曲线的波动比，
为茎秆弯曲曲线的波动比，Y表示叶倾角曲线的下降率，J表示茎秆弯曲曲线的上升率，P的值越大，说明此时的茎秆的弯曲变化大，说明此时的植物缺水越严重，此时得到的P的值为归一化操作后的值。
106.植株浇水控制单元；根据大棚内植株的缺水程度控制大棚内的浇水设备对植株进行浇水。
大棚内的农作物并不受外界环境（如，风，雨等环境变化伴随着影响农作物的茎秆变化），因此，大棚内的植物茎秆的变化直接能够表示农作物的缺水状态，本发明通过物联网将获得的大量曲线数据的波动程度将的到的数据反馈给终端，终端根据反馈后的大量数据信息后来判断植物的缺水情况，并控制浇水的量：
当
时，植物由于大棚内的温度升高，水分开始蒸发，轻微缺水；轻微缺水时不影响植物的状态，属于正常状态，暂时不需要浇水。
当
时，植物的叶片和茎秆的弯曲变化波动明显，此时植物蒸发量大于吸收量，植物缺水；此时需要对植物进行浇水并控制浇水的量，对植物进行补水；
当
时，植物茎秆弯曲和叶片角度变化明显，此时植物严重缺水，当植物严重缺水时，植物自身的吸水能力降低，吸收水分较慢，需要在灌溉的水中添加一定量的海藻精来加快植物的吸水效率，对植物进行快速的补充水分。
在本发明的一种实施例中，通过在大棚内安装监控、摄像机或其他可实现植株图像采集的设备，该设备与后台计算设备相连接，通过将该设备采集的植株图像反馈至后台计算设备，并通过计算设备实现特征获取、曲线拟合以及缺水程度获取等系统单元的功能，在得到大棚内植株的缺水程度后，后台计算设备根据得到的缺水程度向大棚内的浇水设备发出相应的控制指令，即根据缺水程度值判断植物缺水时，通过计算设备控制大棚内浇水设备的阀门开启，从而实现对植株浇水的智能控制。
本发明通过采集大棚内多株植株的灰度图像进行分析，保证了后续在进行缺水判断时的全面性，进一步分别获取每株植株中叶片的叶倾角以及茎秆的弯曲程度进行曲线拟合，能够两方面反应植株当前的缺水状况，并且根据拟合曲线的波动特征计算大棚内植株的缺水程度，能够克服仅通过图像进行判断时会存在图像信息有误的缺点；同时根据缺水程度对大棚内植株的浇水量进行控制，能够保证大棚内植株合理补充水分，不会造成水资源的过度浪费。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于大数据与物联网的智慧农业监控管理系统，其特征在于，包括：
植株图像处理单元；用于采集大棚内每株植株的灰度图像，并进行边缘检测，得到每株植株灰度图像中的边缘像素点；
叶片特征获取单元；根据植株图像处理单元得到的每株植株灰度图像中边缘像素点的坐标获取每株植株灰度图像中每个叶片的长度和宽度，根据每个叶片的长度与宽度的比值获取每个叶片的完整概率；将每株植株灰度图像完整概率大于阈值的叶片作为完整叶片，获取每株植株灰度图像中每个完整叶片的叶倾角；
获取每个叶片的完整概率的方法为：
通过对每株植株灰度图像进行边缘检测，得到每株植株灰度图像中每个叶片的面积；
获取每株植株灰度图像中每个叶片的长度和宽度的比值；
根据每株植株灰度图像中每个叶片的面积以及每个叶片的长度和宽度的比值获取每个叶片的完整概率；
获取每株植株灰度图像中每个完整叶片的叶倾角的方法为：
获取每株植株灰度图像中每个完整叶片与该完整叶片叶柄区域的边缘像素点坐标以及每个完整叶片叶尖区域的边缘像素点坐标；
根据每个完整叶片叶柄区域的边缘像素点坐标以及每个完整叶片叶尖区域的边缘像素点坐标获取每个完整叶片的方向矢量；
根据每个完整叶片的方向矢量该叶片叶柄之间的夹角得到每个完整叶片的叶倾角；
茎秆特征获取单元；获取植株图像处理单元得到的每株植株灰度图像中茎秆的弯曲半径，根据每株植株灰度图像中茎秆的弯曲半径获取每株植株灰度图像中茎秆的弯曲程度；
获取每株植株灰度图像中茎秆的弯曲程度的方法为：
其中，
表示第e个茎秆的弯曲程度，
为弯曲系数，E为弹性模型， 
为泊松比，
为第e个茎秆的弯曲半径，π为圆周率，N表示每株植株灰度图像中茎秆的数量；
曲线拟合单元；根据每株植株灰度图像中每个完整叶片的叶倾角以及茎秆的弯曲程度分别进行曲线拟合，得到大棚内所有植株的叶倾角曲线和茎秆弯曲曲线；
缺水程度获取单元；根据曲线拟合单元中得到的叶倾角曲线中的最大波峰值和最小波谷值获取叶倾角曲线的下降率；根据茎秆弯曲曲线中的最大波峰值和最小波谷值获取茎秆弯曲曲线的上升率；根据叶倾角曲线以及茎秆弯曲曲线中波峰和波谷的数量分别获取叶倾角曲线的波动比以及茎秆弯曲曲线的波动比；
根据叶倾角曲线的下降率、叶倾角曲线的波动比、茎秆弯曲曲线的上升率以及茎秆弯曲曲线的波动比获取大棚内植株的缺水程度；
植株浇水控制单元；根据大棚内植株的缺水程度控制大棚内的浇水设备对植株进行浇水。
2.根据权利要求1所述的一种基于大数据与物联网的智慧农业监控管理系统，其特征在于，获取每株植株灰度图像中茎秆的弯曲半径的方法为：
获取每株植株灰度图像中茎秆的节点坐标，根据茎秆的节点坐标获取茎秆的方向向量；
根据茎秆中相邻节点的方向向量获取茎秆中每个节点的弯曲方向；
根据茎秆中所有节点的弯曲方向获取茎秆的弯曲半径。
3.根据权利要求1所述的一种基于大数据与物联网的智慧农业监控管理系统，其特征在于，分别获取叶倾角曲线的波动比以及茎秆弯曲曲线的波动比的方法为：
获取叶倾角曲线中波峰和波谷的数量；
根据叶倾角曲线中波峰数量和波谷数量之和与植株数量的比值得到叶倾角曲线的波动比；
同理，获取茎秆弯曲曲线中波峰和波谷的数量；
根据茎秆弯曲曲线中波峰和波谷的数量之和与植株数量的比值得到茎秆弯曲曲线的波动比。
4.根据权利要求1所述的一种基于大数据与物联网的智慧农业监控管理系统，其特征在于，获取叶倾角曲线的下降率的方法为：
获取叶倾角曲线中最大波峰值和最小波谷值；
根据叶倾角曲线中最大波峰值与最小波谷值的差值绝对值与叶片数量的比值得到叶倾角曲线的下降率；
同理，根据茎秆弯曲曲线中最大波峰值与最小波谷值的差值绝对值与茎秆数量的比值得到茎秆弯曲曲线的上升率。
5.根据权利要求1所述的一种基于大数据与物联网的智慧农业监控管理系统，其特征在于，获取大棚内植株的缺水程度的方法为：
获取叶倾角下降率与叶倾角波动比的乘积；获取茎秆弯曲曲线的波动比与茎秆弯曲曲线的上升率的乘积；
获取叶倾角下降率与波动比的乘积，与茎秆弯曲曲线的波动比与上升率的乘积之和；
获取叶倾角下降率与茎秆弯曲曲线的上升率之和；
根据该乘积之和与下降率以及上升率之和的比值得到大棚内植株的缺水程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211092519.8A CN115170573B (zh) | 2022-09-08 | 2022-09-08 | 基于大数据与物联网的智慧农业监控管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211092519.8A CN115170573B (zh) | 2022-09-08 | 2022-09-08 | 基于大数据与物联网的智慧农业监控管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115170573A CN115170573A (zh) | 2022-10-11 |
| CN115170573B true CN115170573B (zh) | 2022-11-29 |
Family
ID=83480584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211092519.8A Active CN115170573B (zh) | 2022-09-08 | 2022-09-08 | 基于大数据与物联网的智慧农业监控管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115170573B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012063455A1 (ja) * | 2010-11-08 | 2012-05-18 | 国立大学法人 愛媛大学 | 植物健康診断方法および植物健康診断装置 |
| CN107403233A (zh) * | 2017-06-08 | 2017-11-28 | 北京农业信息技术研究中心 | 一种玉米株型优化方法及系统 |
| CN112348802A (zh) * | 2020-11-13 | 2021-02-09 | 黑龙江八一农垦大学 | 植物叶倾角测量方法及装置 |
| CN114503902A (zh) * | 2021-12-28 | 2022-05-17 | 北京林业大学 | 面向物联网的土壤水分实时监测预警与补水装置及系统 |
| CN114862611A (zh) * | 2022-04-29 | 2022-08-05 | 宁波市威尔信息科技有限公司 | 一种基于边缘计算的农业种植云诊断方法及系统 |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN114913359A (zh) * | 2022-05-30 | 2022-08-16 | 长安大学 | 一种大田玉米高通量叶夹角和叶倾角分布提取方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102564593B (zh) * | 2011-12-30 | 2013-10-02 | 河海大学常州校区 | 基于计算机视觉及物联网的植物生长状况监测系统 |
| CN105137940B (zh) * | 2015-09-01 | 2017-11-03 | 徐州工业职业技术学院 | 物联网大棚农业生长监控系统 |
| US20200359550A1 (en) * | 2019-05-13 | 2020-11-19 | Bao Tran | Farm ecosystem |
-
2022
- 2022-09-08 CN CN202211092519.8A patent/CN115170573B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012063455A1 (ja) * | 2010-11-08 | 2012-05-18 | 国立大学法人 愛媛大学 | 植物健康診断方法および植物健康診断装置 |
| CN107403233A (zh) * | 2017-06-08 | 2017-11-28 | 北京农业信息技术研究中心 | 一种玉米株型优化方法及系统 |
| CN112348802A (zh) * | 2020-11-13 | 2021-02-09 | 黑龙江八一农垦大学 | 植物叶倾角测量方法及装置 |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN114503902A (zh) * | 2021-12-28 | 2022-05-17 | 北京林业大学 | 面向物联网的土壤水分实时监测预警与补水装置及系统 |
| CN114862611A (zh) * | 2022-04-29 | 2022-08-05 | 宁波市威尔信息科技有限公司 | 一种基于边缘计算的农业种植云诊断方法及系统 |
| CN114913359A (zh) * | 2022-05-30 | 2022-08-16 | 长安大学 | 一种大田玉米高通量叶夹角和叶倾角分布提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| Extraction of Maize Leaf Base and Inclination Angles Using Terrestrial Laser Scanning (TLS) Data;Lei L.等;《IEEE Transactions on Geoscience and Remote Sensing》;20220111;全文 * |
| 基于计算机视觉的速生阔叶苗的缺水判别;杨东;《中国优秀硕士论文全文数据库》;20180315;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115170573A (zh) | 2022-10-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Fu et al. | Kiwifruit detection in field images using Faster R-CNN with ZFNet | |
| CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
| CN100416590C (zh) | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 | |
| CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
| CN108094370A (zh) | 灌溉控制方法及装置 | |
| CN102524024A (zh) | 基于计算机视觉的作物灌溉系统 | |
| Wang et al. | A cognitive vision method for insect pest image segmentation | |
| CN104866820A (zh) | 一种基于遗传算法的农机导航线提取方法及装置 | |
| CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
| Joshi et al. | Plant leaf disease detection and control: A survey | |
| Lin et al. | A review on computer vision technologies applied in greenhouse plant stress detection | |
| CN111967441A (zh) | 一种基于深度学习的农作物病害分析方法 | |
| CN112400676A (zh) | 一种基于大数据的智能灌溉系统 | |
| CN117114374B (zh) | 一种基于天气预测的智慧农业灌溉管理系统 | |
| CN116776129B (zh) | 一种多源农业数据的采集管理方法 | |
| CN115170573B (zh) | 基于大数据与物联网的智慧农业监控管理系统 | |
| CN113785759B (zh) | 一种作物间套作种植智能灌溉系统、方法及可存储介质 | |
| CN117178862B (zh) | 一种园林浇灌信息采集监控方法 | |
| Farizan et al. | Analysis of Support Vector Regression Performance in Prediction of Lettuce Growth for Aeroponic IoT Systems | |
| Choi et al. | Vision based guidance line extraction for autonomous weed control robot in paddy field | |
| CN112989560A (zh) | 一种基于墒情气象数据计算农作物需水量的方法 | |
| CN116616019A (zh) | 基于物联网和人工智能的油茶水肥一体化滴灌方法及系统 | |
| Zhang | Research on digital image processing and recognition technology of weeds in maize seedling stage based on Artificial Intelligence | |
| Reis et al. | A low-cost system to detect bunches of grapes in natural environment from color images | |
| CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 |
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 | ||
| GR01 | Patent grant |