CN115294518B - 一种园艺植物温室精准栽培的智能监控方法及系统 - Google Patents

一种园艺植物温室精准栽培的智能监控方法及系统 Download PDF

Info

Publication number
CN115294518B
CN115294518B CN202210842925.5A CN202210842925A CN115294518B CN 115294518 B CN115294518 B CN 115294518B CN 202210842925 A CN202210842925 A CN 202210842925A CN 115294518 B CN115294518 B CN 115294518B
Authority
CN
China
Prior art keywords
image
plant growth
greenhouse
abnormal
plants
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
Application number
CN202210842925.5A
Other languages
English (en)
Other versions
CN115294518A (zh
Inventor
孙映波
刘小飞
于波
黄丽丽
杨钰钗
曾奕东
曾润东
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.)
Guangzhou Qiniu Information Technology Co ltd
Environmental Horticulture Institute of Guangdong Academy of Agricultural Sciences
Original Assignee
Guangzhou Qiniu Information Technology Co ltd
Environmental Horticulture Institute of Guangdong Academy of Agricultural Sciences
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 Guangzhou Qiniu Information Technology Co ltd, Environmental Horticulture Institute of Guangdong Academy of Agricultural Sciences filed Critical Guangzhou Qiniu Information Technology Co ltd
Priority to CN202210842925.5A priority Critical patent/CN115294518B/zh
Publication of CN115294518A publication Critical patent/CN115294518A/zh
Application granted granted Critical
Publication of CN115294518B publication Critical patent/CN115294518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
    • 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

Abstract

本发明公开了一种园艺植物温室精准栽培的智能监控方法及系统，通过摄像机对温室植物的生长情况进行记录，并对记录内容生成植物生长特征图像，通过对植物生长特征图像分析，获取植物生长异常信息图像，并对所述异常信息图像建立植物生长状态异常时的图像数据集，通过所述图像数据集构建识别植物生长异常情况的MobileNetV1神经网络模型，对图像进行训练，并对系统进行深度学习，并且通过训练后的模型，可大大提高判断植物生长状态的效率，对植物何时缺水缺肥或受病虫害侵染等生长异常情况可及时发现和判断，为迅速调整植物栽培措施提供了极有价值的提示和指引。

Description

一种园艺植物温室精准栽培的智能监控方法及系统
技术领域
本发明涉及植物栽培领域，具体涉及一种园艺植物温室精准栽培的智能监控方法及系统。
背景技术
温室植物的培养在现代社会一直是农业发展中重要的一环，在温室大棚内记录温室植物的生长状态，并对温室下的各种环境状态进行收集，通过环境和植物生长情况对植物的生长所需条件对植物生长异常的原因进行对应，但是在植物生长的过程中对于植物的生长异常情况的判断仅通过对植物的环境与生长的异常状态进行对应，并不严谨；但是由于导致植物生长异常的原因复杂，所以在大多数情况下都需要对植物有研究的专家对植物的生长异常与植物的生长环境相对应做出判断，大大增加了对温室中培养植物的难度及效率；所以亟需一种园艺植物温室精准栽培的智能监控方法及系统，对植物的生长状态进行监控，并且可以对植物的生长异常的原因做出判断。
发明内容
本发明的目的在于提出一种园艺植物温室精准栽培的智能监控方法及系统，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。
一种园艺植物温室精准栽培的智能监控方法，其特征在于，所述方法包括以下步骤：
S100：通过摄像机对温室植物的生长情况进行记录，并对记录内容生成植物生长状况图像；
S200：通过网络爬虫技术获取植物生长异常信息图像，并对所述异常信息图像建立植物生长状态异常时的图像数据集；
S300：通过所述图像数据集构建识别植物生长异常情况的MobileNetV1神经网络模型，并对系统进行深度学习。
S400：通过系统对温室植物进行智能栽培与监控。
进一步地，所述步骤S100中，所述摄像机在一个周期T内采集植物生长状况图像为N，通过传感器采集周期内的温室环境数据，所述温室环境数据包括温度、湿度、光照、土壤温度、土壤湿度、CO2浓度、叶面湿度等，取一种或多种数据作为温室环境数据进行参考。
更进一步地，所述步骤S200中，通过网络爬虫技术收集植物生长异常图像，并将图像中植物生长异常原因进行记录，将所述植物生长异常图像和植物生长异常原因构建植物生长状态异常时的图像数据集，将所述图像数据集存储进入程序可识别的依赖库中，所述依赖库为：通过网络爬虫技术把现有的网络资料库中温室植物可能受到的植物生长状态异常图片与植物生长状态异常图片的异常原因进行收集并建库。
更进一步地，所述步骤S300中，读取依赖库中的图像数据，将收集到的植物生长状况图像、依赖库中的图像数据和实时的温室环境数据进行数据交互，将图像中的RGB三个通道作为卷积核，并在所述系统中构建3×3的二维卷积，所述3×3的二维卷积用于处理植物受到不同环境变化导致生长异常的模型，并在系统内在构建一个深度可分离的3×3的卷积，所述深度可分离的3×3的卷积用于处理植物受到不同环境变化导致生长异常的模型与同一时间下所处的环境结合，通过所述定义的二维卷积和深度可分离卷积搭建MobileNetV1神经网络模型，在所述MobileNetV1神经网络模型中，对所述植物生长状态异常时的图像进行预处理并对图像数据作进一步增强处理，得到预处理图像，对图像进行归一化，并存储进入数据库中。
更进一步地，通过函数f()将所述数据库中的图像进行读取，并且传递所述数据库中的图像列表路径和裁剪图像的大小，通过公式对f()所读取的数据进行训练，Vt+1＝Vt+ηθf()，Vt+1代表训练后的学习动量，Vt代表训练前的学习动量，令Vt初始值为0，η为训练图像数量，是一个常数项，θ为学习权重，通过对温室植物的每个器官按权重由高到低进行训练，
Figure GDA0004209435460000021
通过减少学习权重θ对温室植物生长状况图像都进行训练。
更进一步地，所述步骤S400中，将所述植物生长状况图像与周期T内收集的植物生长状况图像进行对比，用于判断植物是否存在生长异常的具体步骤为：
S201：对所述植物生长状况图像进行预处理，包括灰度化和图像降噪，并将图像转换为BGR模式，得到植物生长状况图像灰度图，将所述灰度图与下一次收集的植物生长状况图像进行对比，得到差异图像；
S202：对所述灰度图进行子区域划分，将植物的生长状态图像中的叶片和茎等植物器官对所述灰度图进行划分，划分为叶片子区域集和茎子区域集，并将所述各个子区域的像素点的数量构建集合{Yhn，Ysn，Jhn，Jsn}，其中Yh代表叶片子区域集的横向像素点数量，Ys代表叶片子区域集的纵向像素点数量，Jh代表茎子区域集的横向像素点数量，Js代表茎子区域集的纵向像素点数量，所述下标n为变量，代表周期内的生长状态图像编号；
S203：令n＝0，对所述茎子区域集集合中的像素点与周期内的植物生长状况图像中的横向像素点和纵向像素点数量进行对比计算，
Figure GDA0004209435460000031
Figure GDA0004209435460000032
Vp(Jsn)、Vp(Jhn)分别为茎子区域集的纵向生长平均速率和横向生长平均速率，/>
Figure GDA0004209435460000033
Vps为植物生长状态的最大可变值，exp()为以自然数e为底的对数函数，构成区间[Vp(Jsn)+Vps，Vp(Jsn)-Vps]，生长速率在区间内的植物为正常生长速率植物，若生长速率在区间外的植物则为异常生长速率植物；
S204：对所述植物生长状况图像灰度图的叶片子区域集的边缘位置进行扫描，并对所述灰度图像的叶片子区域集进行边缘处理，并通过Harris角点检测对所述叶片子区域集内的边缘像素点的角点提取并构建集合L，
Figure GDA0004209435460000034
Figure GDA0004209435460000035
通过计算得到叶片子区域集基准值Sp，所述叶片子区域集基准值Sp为叶片子区域集最大的图片采集范围，通过基准值Sp得到叶片子区域集采集的中心点Z(Xa，Ya)，在集合L中对所述角点进行筛选，通过角点到Z(Xa，Ya)的欧氏距离得到f(Xmax，Ymax)、f(Xmin，Ymin)，所述f(Xmax，Ymax)为角点与Z(Xa，Ya)欧氏距离的最大值，f(Xmin，Ymin)为角点与Z(Xa，Ya)欧氏距离的最小值，从集合L中角点进行判断，是否满足约束条件，即
Figure GDA0004209435460000036
则温室植物的叶片判断正常状态，反之则为异常状态，所述f(X，Y)为角点(X，Y)与Z(Xa，Ya)欧氏距离。
一种园艺植物温室精准栽培的智能监控系统，其特征在于，所述系统包括：硬件系统和软件系统。
进一步地，硬件系统包括温室环境信息采集硬件设备、数据传输模块、PC端和移动端显示模块、智能控制调节模块等；
温室环境信息采集硬件设备包括：环境温湿度传感器、气压计、光照度传感器、土壤电导率传感器、土壤温湿度传感器、土壤PH值传感器、二氧化碳浓度传感器等，可选择一个或多个作为所述温室环境信息采集硬件设备；
数据传输模块：负责将温室环境信息采集硬件设备中采集到的数据传输到智能控制调节模块中；
PC端和移动端显示模块：通过手机或者平板对实时监控温室中的植物的情况进行显示；
智能控制调节模块：通过远程获取现场环境的空气温湿度、土壤水分温度、二氧化碳浓度、光照强度及视频图像等，当系统预警模块某些参数达到阀值时，软件系统会向智能控制模块发出指令，智能控制模块收到指令后会控制联动的设备进行调整。
进一步地，软件系统包括数据分析统计模块、农事记录系统模块、系统预警模块等；
数据分析统计模块：由后台管理系统、Android手机APP、微信公众号端构成。后台系统为BS架构，前端主要采用HTML+CSS+JS等技术，后端API主要基于J2EE的SpringBoot框架开发，软件系统将收集的数据通过数据库整理后按需把数据呈现到客户端，并且会对数据进行分析统计，并转换成图表的形式，直观反映温室环境情况，软件还会根据植物正常生长环境参数设置预警线，当实时环境参数超出预警线时，系统会通过软件发预警提示，以便栽培管理者及时采取相应措施调整栽培策略以保证植物正常生长；
农事记录系统模块：是软件系统的一个组成部分，为植物生长过程提供了可视化追溯手段，在农事记录系统模块中可方便记录植物生长过程，图片播抓拍，生长参数记录等。内容高效，生长中需要记录的环节可自由定制，可采集温室中播种、施肥、灌溉、除草等农事操作记录，生产环境数据；
系统预警模块：通过设定各监控点位正常数据阀值，包括温度、湿度、光照、土壤温度、土壤湿度、CO2浓度、叶面湿度等报警限值，实时监控和分析数据趋势。当数据接近或超出正常阀值时，远程向客户端推送预警消息，以便随时调整栽培措施，改善温室环境情况，确保温室植物正常生长。
本发明的有益效果：通过对植物生长状况图像的收集，并且通过网络爬虫技术对植物病变的图像收集为数据集，并通过3×3的深层卷积构建MobileNetV1神经网络模型，对图像进行训练，并且通过训练后的模型，可大大提高判断植物生长状态的效率，通过对温室植物的监控并采集数据，对植物的生长情况进行判断，当植物生长状况异常时，可以迅速调整植物栽培措施，并且为温室培养植物提供了极有价值的提示和指引。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1为一种园艺植物温室精准栽培的智能监控方法及系统流程图；
图2为一种园艺植物温室精准栽培的智能监控方法及系统的系统结构图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
一种园艺植物温室精准栽培的智能监控方法，其特征在于，所述方法包括以下步骤：
S100：通过摄像机对温室植物的生长情况进行记录，并对记录内容生成植物生长状况图像；
S200：通过网络爬虫技术获取植物生长异常信息图像，并对所述异常信息图像建立植物生长状态异常时的图像数据集；
S300：通过所述图像数据集构建识别植物生长异常情况的MobileNetV1神经网络模型，并对系统进行深度学习。
S400：通过系统对温室植物进行智能栽培与监控。
进一步地，所述步骤S100中，所述摄像机在一个周期T内采集植物生长状况图像为N，通过传感器采集周期内的温室环境数据，所述温室环境数据包括温度、湿度、光照、土壤温度、土壤湿度、CO2浓度、叶面湿度等，取一种或多种数据作为温室环境数据进行参考。
更进一步地，所述步骤S200中，通过网络爬虫技术收集植物生长异常图像，并将图像中植物生长异常原因进行记录，将所述植物生长异常图像和植物生长异常原因构建植物生长状态异常时的图像数据集，将所述图像数据集存储进入程序可识别的依赖库中，所述依赖库为：通过网络爬虫技术把现有的网络资料库中温室植物可能受到的植物生长状态异常图片与植物生长状态异常图片的异常原因进行收集并建库。
更进一步地，所述步骤S300中，读取依赖库中的图像数据，将收集到的植物生长状况图像、依赖库中的图像数据和实时的温室环境数据进行数据交互，将图像中的RGB三个通道作为卷积核，并在所述系统中构建3×3的二维卷积，所述3×3的二维卷积用于处理植物受到不同环境变化导致生长异常的模型，并在系统内在构建一个深度可分离的3×3的卷积，所述深度可分离的3×3的卷积用于处理植物受到不同环境变化导致生长异常的模型与同一时间下所处的环境结合，通过所述定义的二维卷积和深度可分离卷积搭建MobileNetV1神经网络模型，在所述MobileNetV1神经网络模型中，对所述植物生长状态异常时的图像进行预处理并对图像数据作进一步增强处理，得到预处理图像，对图像进行归一化，并存储进入数据库中。
通过RGB图像中的R、G、B三个通道，将卷积核数量设置为3个，卷积核大小为3*3。这种卷积可以有效减少模型的参数，减少训练时模型文件的大小，其计算量比普通卷积的计算量小，更适合移动设备使用。
更进一步地，通过函数f()将所述数据库中的图像进行读取，并且传递所述数据库中的图像列表路径和裁剪图像的大小，通过公式对f()所读取的数据进行训练，Vt+1＝Vt+ηθf()，Vt+1代表训练后的学习动量，Vt代表训练前的学习动量，令Vt初始值为0，η为训练图像数量，是一个常数项，θ为学习权重，通过对温室植物的每个器官按权重由高到低进行训练，
Figure GDA0004209435460000071
通过减少学习权重θ对温室植物生长状况图像都进行训练。
优选的，利用PaddlePaddle的库和所述一览库库创建执行器，并从所述MobileNetV1神经网络模型中获取预测程序、模型的输入层名、输入层等。然后编写程序对图像归一化。最后调用图像预处理函数获取图像数据并进行判断，获取判断结果。最后识别出来的结果可能会有几个不同的植物生长异常类别，其中最大概率标签对应的列表中的名称就是我们的判断结果。
更进一步地，所述步骤S400中，将所述植物生长状况图像与周期T内收集的植物生长状况图像进行对比，用于判断植物是否存在生长异常的具体步骤为：
S201：对所述植物生长状况图像进行预处理，包括灰度化和图像降噪，并将图像转换为BGR模式，得到植物生长状况图像灰度图，将所述灰度图与下一次收集的植物生长状况图像进行对比，得到差异图像；
S202：对所述灰度图进行子区域划分，将植物的生长状态图像中的叶片和茎等植物器官对所述灰度图进行划分，划分为叶片子区域集和茎子区域集，因为植物的多样性，故将植物花果种子一并划分为叶片子区域集，植物根一并划分为茎子区域集，并将所述各个子区域的像素点的数量构建集合{Yhn，Ysn，Jhn，Jsn}，其中Yh代表叶片子区域集的横向像素点数量，Ys代表叶片子区域集的纵向像素点数量，Jh代表茎子区域集的横向像素点数量，Js代表茎子区域集的纵向像素点数量，所述下标n为变量，代表周期内的生长状态图像编号；
S203：令n＝0，对所述茎子区域集集合中的像素点与周期内的植物生长状况图像中的横向像素点和纵向像素点数量进行对比计算，
Figure GDA0004209435460000072
Figure GDA0004209435460000073
Vp(Jsn)、Vp(Jhn)分别为茎子区域集的纵向生长平均速率和横向生长平均速率，/>
Figure GDA0004209435460000081
Vps为植物生长状态的最大可变值，exp()为以自然数e为底的对数函数，构成区间[Vp(Jsn)+Vps，Vp(Jsn)-Vps]，生长速率在区间内的植物为正常生长速率植物，若生长速率在区间外的植物则为异常生长速率植物；
S204：对所述植物生长状况图像灰度图的叶片子区域集的边缘位置进行扫描，并对所述灰度图像的叶片子区域集进行边缘处理，并通过Harris角点检测对所述叶片子区域集内的边缘像素点的角点提取并构建集合L，
Figure GDA0004209435460000082
Figure GDA0004209435460000083
通过计算得到叶片子区域集基准值Sp，所述叶片子区域集基准值Sp为叶片子区域集最大的图片采集范围，通过基准值Sp得到叶片子区域集采集的中心点Z(Xa，Ya)，在集合L中对所述角点进行筛选，通过角点到Z(Xa，Ya)的欧氏距离得到f(Xmax，Ymax)、f(Xmin，Ymin)，所述f(Xmax，Ymax)为角点与Z(Xa，Ya)欧氏距离的最大值，f(Xmin，Ymin)为角点与Z(Xa，Ya)欧氏距离的最小值，从集合L中角点进行判断，是否满足约束条件，即
Figure GDA0004209435460000084
则温室植物的叶片判断正常状态，反之则为异常状态，所述f(X，Y)为角点(X，Y)与Z(Xa，Ya)欧氏距离。
一种园艺植物温室精准栽培的智能监控系统，其特征在于，所述系统包括：硬件系统和软件系统。
进一步地，硬件系统包括温室环境信息采集硬件设备、数据传输模块、PC端和移动端显示模块、智能控制调节模块等；
温室环境信息采集硬件设备包括：环境温湿度传感器、气压计、光照度传感器、土壤电导率传感器、土壤温湿度传感器、土壤PH值传感器、二氧化碳浓度传感器等，可选择一个或多个作为所述温室环境信息采集硬件设备；
数据传输模块：负责将温室环境信息采集硬件设备中采集到的数据传输到智能控制调节模块中；
PC端和移动端显示模块：通过手机或者平板对实时监控温室中的植物的情况进行显示；
智能控制调节模块：通过远程获取现场环境的空气温湿度、土壤水分温度、二氧化碳浓度、光照强度及视频图像等，当系统预警模块某些参数达到阀值时，软件系统会向智能控制模块发出指令，智能控制模块收到指令后会控制联动的设备进行调整。
进一步地，软件系统包括数据分析统计模块、农事记录系统模块、系统预警模块等；
数据分析统计模块：由后台管理系统、Android手机APP、微信公众号端构成。后台系统为BS架构，前端主要采用HTML+CSS+JS等技术，后端API主要基于J2EE的SpringBoot框架开发，软件系统将收集的数据通过数据库整理后按需把数据呈现到客户端，并且会对数据进行分析统计，并转换成图表的形式，直观反映温室环境情况，软件还会根据植物正常生长环境参数设置预警线，当实时环境参数超出预警线时，系统会通过软件发预警提示，以便栽培管理者及时采取相应措施调整栽培策略以保证植物正常生长；
农事记录系统模块：是软件系统的一个组成部分，为植物生长过程提供了可视化追溯手段，在农事记录系统模块中可方便记录植物生长过程，图片播抓拍，生长参数记录等。内容高效，生长中需要记录的环节可自由定制，可采集温室中播种、施肥、灌溉、除草等农事操作记录，生产环境数据；
系统预警模块：通过设定各监控点位正常数据阀值，包括温度、湿度、光照、土壤温度、土壤湿度、CO2浓度、叶面湿度等报警限值，实时监控和分析数据趋势。当数据接近或超出正常阀值时，远程向客户端推送预警消息，以便随时调整栽培措施，改善温室环境情况，确保温室植物正常生长。
优选的，一种园艺植物温室精准栽培的智能监控方法为：
S1：采集温室内各种栽培植物生长的所需的环境条件，包括温度、湿度、光照、土壤温度、土壤湿度、CO2浓度、叶面湿度等；
S2：实时监控温室植物的各种环境条件数据，根据软件系统预设的正常参数范围，判断数据是否满足所需条件：若满足，继续监控，智能控制系统不执行操作；若不满足，执行步骤S3；
S3：根据S2步骤反馈的数据情况，对条件不满足植物生长需要的相应种植区域所布置的智能控制系统发出指令，执行相应的栽培措施，以调整环境条件使其适应植物生长需要；
S4：利用手机平板等智能设备随时随地便捷记录植物生长状况，并与通过传感器收集的环境数据进行对比统计，精确分析环境因素对植物生长的影响，便于随时调整栽培措施，以达到精准栽培的目的。
S5：软件系统将传感器采集并传输到云服务器的数据进行分析整理，及时分析环境条件的变化趋势和植物生长的发展状况。可在一定程度上分析和判断当前采取的栽培措施是否合理，为制定更精准更利于植物生长的栽培措施制定更合理的方案。
尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。

Claims (7)

1.一种园艺植物温室精准栽培的智能监控方法，其特征在于，所述方法包括以下步骤：
S100：通过摄像机对温室植物的生长情况进行记录，并对记录内容生成植物生长状况图像；
S200：通过网络爬虫技术获取植物生长异常信息图像，并对所述异常信息图像建立植物生长状态异常时的图像数据集；
S300：通过所述图像数据集构建识别植物生长异常情况的MobileNetV1神经网络模型，并对系统进行深度学习；
S400：通过系统对温室植物进行智能栽培与监控；
所述步骤S400中，将所述植物生长状况图像与周期T内收集的植物生长状况图像进行对比，用于判断植物是否存在生长异常的具体步骤为：
S201：对所述植物生长状况图像进行预处理，包括灰度化和图像降噪，并将图像转换为BGR模式，得到植物生长状况图像灰度图，将所述灰度图与下一次收集的植物生长状况图像进行对比，得到差异图像；
S202：对所述灰度图进行子区域划分，将植物的生长状态图像中的叶片和茎等植物器官对所述灰度图进行划分，划分为叶片子区域集和茎子区域集，并将所述各个子区域的像素点的数量构建集合{Yhn，Ysn，Jhn，Jsn}，其中Yh代表叶片子区域集的横向像素点数量，Ys代表叶片子区域集的纵向像素点数量，Jh代表茎子区域集的横向像素点数量，Js代表茎子区域集的纵向像素点数量，所述下标n为变量，代表周期内的生长状态图像编号；
S203：令n＝0，对所述茎子区域集集合中的像素点与周期内的植物生长状况图像中的横向像素点和纵向像素点数量进行对比计算，
Figure FDA0004209435450000011
Figure FDA0004209435450000012
Vp(Jsn)、Vp(Jhn)分别为茎子区域集的纵向生长平均速率和横向生长平均速率，/>
Figure FDA0004209435450000013
Vps为植物生长状态的最大可变值，exp()为以自然数e为底的对数函数，构成区间[Vp(Jsn)+Vps，Vp(Jsn)-Vps]，生长速率在区间内的植物为正常生长速率植物，若生长速率在区间外的植物则为异常生长速率植物；
S204：对所述植物生长状况图像灰度图的叶片子区域集的边缘位置进行扫描，并对所述灰度图像的叶片子区域集进行边缘处理，并通过Harris角点检测对所述叶片子区域集内的边缘像素点的角点提取并构建集合L，
Figure FDA0004209435450000021
Figure FDA0004209435450000022
通过计算得到叶片子区域集基准值Sp，所述叶片子区域集基准值Sp为叶片子区域集最大的图片采集范围，通过基准值Sp得到叶片子区域集采集的中心点Z(Xa，Ya)，在集合L中对所述角点进行筛选，通过角点到Z(Xa，Ya)的欧氏距离得到f(Xmax，Ymax)、f(Xmin，Ymin)，所述f(Xmax，Ymax)为角点与Z(Xa，Ya)欧氏距离的最大值，f(Xmin，Ymin)为角点与Z(Xa，Ya)欧氏距离的最小值，从集合L中角点进行判断，是否满足约束条件，即
Figure FDA0004209435450000023
则温室植物的叶片判断正常状态，反之则为异常状态，所述f(X，Y)为角点(X，Y)与Z(Xa，Ya)欧氏距离。
2.根据权利要求1所述的一种园艺植物温室精准栽培的智能监控方法，其特征在于，所述步骤S100中，所述摄像机在一个周期T内采集植物生长状况图像为N，通过传感器采集周期内的温室环境数据，所述温室环境数据包括温度、湿度、光照、土壤温度、土壤湿度、CO2浓度、叶面湿度等，取一种或多种数据作为温室环境数据进行参考。
3.根据权利要求1所述的一种园艺植物温室精准栽培的智能监控方法，其特征在于，所述步骤S200中，通过网络爬虫技术收集植物生长异常图像，并将图像中植物生长异常原因进行记录，将所述植物生长异常图像和植物生长异常原因构建植物生长状态异常时的图像数据集，将所述图像数据集存储进入程序可识别的依赖库中，所述依赖库为：通过网络爬虫技术把现有的网络资料库中温室植物可能受到的植物生长状态异常图片与植物生长状态异常图片的异常原因进行收集并建库。
4.根据权利要求1所述的一种园艺植物温室精准栽培的智能监控方法，其特征在于，所述步骤S300中，读取依赖库中的图像数据，将收集到的植物生长状况图像、依赖库中的图像数据和实时的温室环境数据进行数据交互，将图像中的RGB三个通道作为卷积核，并在所述系统中构建3×3的二维卷积，所述3×3的二维卷积用于处理植物受到不同环境变化导致生长异常的模型，并在系统内在构建一个深度可分离的3×3的卷积，所述深度可分离的3×3的卷积用于处理植物受到不同环境变化导致生长异常的模型与同一时间下所处的环境结合，通过所述定义的二维卷积和深度可分离卷积搭建MobileNetV1神经网络模型，在所述MobileNetV1神经网络模型中，对所述植物生长状态异常时的图像进行预处理并对图像数据作进一步增强处理，得到预处理图像，对图像进行归一化，并存储进入数据库中。
5.根据权利要求4所述的一种园艺植物温室精准栽培的智能监控方法，其特征在于，通过函数f()将所述数据库中的图像进行读取，并且传递所述数据库中的图像列表路径和裁剪图像的大小，通过公式对f()所读取的数据进行训练，Vt+1＝Vt+ηθf()，Vt+1代表训练后的学习动量，Vt代表训练前的学习动量，令Vt初始值为0，η为训练图像数量，是一个常数项，θ为学习权重，通过对温室植物的每个器官按权重由高到低进行训练，
Figure FDA0004209435450000031
通过减少学习权重θ对温室植物生长状况图像都进行训练。
6.一种园艺植物温室精准栽培的智能监控系统，其特征在于，所述系统包括：硬件系统和软件系统，其中硬件系统包括温室环境信息采集硬件设备、数据传输模块、PC端和移动端显示模块、智能控制调节模块等；
软件系统包括数据分析统计模块、农事记录系统、系统预警模块等，所述软件系统可实现权利要求1-5中的任一一项所述的一种园艺植物温室精准栽培的智能监控方法中的步骤。
7.根据权利要求6所述的一种园艺植物温室精准栽培的智能监控系统，其特征在于，所述温室环境信息采集硬件设备包括：环境温湿度传感器、气压计、光照度传感器、土壤电导率传感器、土壤温湿度传感器、土壤PH值传感器、二氧化碳浓度传感器等，可选择一个或多个作为所述温室环境信息采集硬件设备。
CN202210842925.5A 2022-07-18 2022-07-18 一种园艺植物温室精准栽培的智能监控方法及系统 Active CN115294518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210842925.5A CN115294518B (zh) 2022-07-18 2022-07-18 一种园艺植物温室精准栽培的智能监控方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210842925.5A CN115294518B (zh) 2022-07-18 2022-07-18 一种园艺植物温室精准栽培的智能监控方法及系统

Publications (2)

Publication Number Publication Date
CN115294518A CN115294518A (zh) 2022-11-04
CN115294518B true CN115294518B (zh) 2023-06-20

Family

ID=83824999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210842925.5A Active CN115294518B (zh) 2022-07-18 2022-07-18 一种园艺植物温室精准栽培的智能监控方法及系统

Country Status (1)

Country Link
CN (1) CN115294518B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116636423B (zh) * 2023-07-26 2023-09-26 云南农业大学 一种茯苓菌种的高效培育方法
CN116997053B (zh) * 2023-09-26 2023-12-26 北京猫猫狗狗科技有限公司 一种植物灯光照控制方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018078866A1 (ja) * 2016-10-31 2018-05-03 株式会社オプティム コンピュータシステム、植物の診断方法及びプログラム
WO2020110063A1 (en) * 2018-11-29 2020-06-04 Germishuys Dennis Mark Plant cultivation
CN112949517A (zh) * 2021-03-09 2021-06-11 河南大学 基于深度迁移学习的植物气孔密度和开度识别方法及系统
CN113110207A (zh) * 2021-04-28 2021-07-13 佛山一本农业科技有限公司 基于物联网传感器的虫害远程监测方法、系统及存储介质
WO2022117772A1 (en) * 2020-12-03 2022-06-09 Basf Se System and method for determining damage on plants after herbicide application

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7876938B2 (en) * 2005-10-06 2011-01-25 Siemens Medical Solutions Usa, Inc. System and method for whole body landmark detection, segmentation and change quantification in digital images
CN109146948B (zh) * 2018-07-27 2021-07-30 内蒙古大学 基于视觉的作物长势表型参数量化与产量相关性分析方法
CN109191074A (zh) * 2018-08-27 2019-01-11 宁夏大学 智慧果园种植管理系统
CN114140403A (zh) * 2021-11-18 2022-03-04 江苏大学 一种基于卷积神经网络的植物叶片病害检测方法
CN114415695A (zh) * 2022-03-28 2022-04-29 南京农业大学 一种基于视觉技术和巡检机器人的茶园巡检系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018078866A1 (ja) * 2016-10-31 2018-05-03 株式会社オプティム コンピュータシステム、植物の診断方法及びプログラム
WO2020110063A1 (en) * 2018-11-29 2020-06-04 Germishuys Dennis Mark Plant cultivation
WO2022117772A1 (en) * 2020-12-03 2022-06-09 Basf Se System and method for determining damage on plants after herbicide application
CN112949517A (zh) * 2021-03-09 2021-06-11 河南大学 基于深度迁移学习的植物气孔密度和开度识别方法及系统
CN113110207A (zh) * 2021-04-28 2021-07-13 佛山一本农业科技有限公司 基于物联网传感器的虫害远程监测方法、系统及存储介质

Also Published As

Publication number Publication date
CN115294518A (zh) 2022-11-04

Similar Documents

Publication Publication Date Title
CN115294518B (zh) 一种园艺植物温室精准栽培的智能监控方法及系统
CN209517198U (zh) 一种智慧农业标准化管理系统
WO2018047726A1 (ja) 情報処理装置および情報処理システム
CN112450056A (zh) 一种基于机器学习算法的水肥药一体化智能灌溉系统
CN109029588A (zh) 一种基于气候影响的农作物长势预测方法
CN111476149A (zh) 一种植物培育控制方法和系统
JP2019187259A (ja) 栽培支援方法、栽培支援プログラム、栽培支援装置、および栽培支援システム
CN113034301A (zh) 一种农作物生长管理系统及方法
KR20190106388A (ko) 생육 레시피를 생성 및 제공하는 식물 재배 시스템
CN113920288A (zh) 一种基于物联网的温室黄瓜种植管理系统
CN112465109A (zh) 一种基于云边协同的农业大棚控制装置
CN111260379A (zh) 农产品视频节点追踪方法
CN117036088A (zh) 一种ai识别绿化植物生长态势的数据采集分析方法
CN114460080A (zh) 一种水稻病虫智能监控系统
CN115661650A (zh) 一种基于物联网数据监测的农场管理系统
CN112883230A (zh) 马铃薯生产管理系统
CN112116206A (zh) 一种基于大数据的智慧农业系统
KR20190069648A (ko) 인삼의 영상 이미지 분석을 통한 생육량 측정 방법
CN113377141A (zh) 一种人工智能农业自动管理系统
CN111045467B (zh) 一种基于物联网的智能农业机械控制方法
CN115690609A (zh) 一种作物生育期长势监测的方法
CN110308710A (zh) 一种番茄种植监控平台
CN116300608A (zh) 一种基于大数据的智慧农业远程监控系统
Liang et al. CanopyCAM–an edge-computing sensing unit for continuous measurement of canopy cover percentage of dry edible beans
WO2022046657A1 (en) Method and system of analyzing plant image data and projecting plant growth and health status

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