CN115761496A - 一种种植柜内植物生长状态异常检测方法 - Google Patents

Abstract

本发明公开了一种种植柜内植物生长状态异常检测方法，属于水培种植技术领域，获取种植柜的监测参数，根据获得的监测参数建立对应的参数监测模型；实时获取各监测项对应的采集参数，将获得的采集参数进行相应的处理后输入到参数监测模型中；参数显示模型将接收到的采集参数进行实时显示，并在校核显示块中动态显示对应采集参数的校核结果；在云端建立种植物的生命周期库；获取种植箱内种植的种植物种类，从云端的生命周期库中匹配对应的种植物储存节点；建立校核生长库，将匹配的种植物储存节点中的生长图像进行下载，并输入到校核生长库中进行储存；实时获取种植箱内种植物的采集图像，对采集图像进行分析，获得种植物的生长状态。

Description

一种种植柜内植物生长状态异常检测方法

技术领域

本发明属于水培种植技术领域，具体是一种种植柜内植物生长状态异常检测方法。

背景技术

水培是一种新型的植物无土栽培方式，又名营养液培，其核心是将植物的根系直接浸润于营养液中，这种营养液能替代土壤，向植物提供水分、养分、氧气等生长因子，使植物能够正常生长；而为了科学化地进行水培种植，一般均会采用种植柜种植的方式进行，实现无土种植；在种植过程中不论是水培种植还是土壤种植，均需要进行相应的种植物状态了解，而对于种植箱种植来说，种植物的状态监测尤为重要，当营养液等出现问题时，极易出现种植物的异常生长，因此如何进行种植物的生长状态异常检测，为种植箱种植的重要部分。

发明内容

为了解决上述方案存在的问题，本发明提供了一种种植柜内植物生长状态异常检测方法。

本发明的目的可以通过以下技术方案实现：

一种种植柜内植物生长状态异常检测方法，具体方法包括：

步骤一：获取种植柜的监测参数，根据获得的监测参数建立对应的参数监测模型；

步骤二：实时获取各监测项对应的采集参数，将获得的采集参数进行相应的处理后输入到参数监测模型中；

步骤三：参数显示模型将接收到的采集参数进行实时显示，并在校核显示块中动态显示对应采集参数的校核结果；

步骤四：在云端建立种植物的生命周期库；

步骤五：获取种植箱内种植的种植物种类，根据获得的种植物种类从云端的生命周期库中匹配对应的种植物储存节点；

步骤六：建立校核生长库，将匹配的种植物储存节点中的生长图像进行下载，根据获得的生长图像输入到校核生长库中进行储存；

步骤七：实时获取种植箱内种植物的采集图像，基于校核生长库对采集图像进行分析，获得种植物的生长状态。

进一步地，根据获得的监测参数建立对应的参数监测模型的方法包括：

根据获得的监测参数建立对应的显示模型，根据监测参数对应的各个监测项在显示模型中插入对应的校核显示块，获取各监测参数对应的标准参数区间，根据获得的标准参数区间在校核显示块中插入对应的参数校核公式，根据设置的参数校核公式在校核显示块中动态显示对应监测参数的校核结果，将当前的显示模型标记为参数监测模型。

进一步地，所述生命周期库用于储存各种种植物从种植到收获时间内的生长图像，并按照对应的种植物种类和生长阶段进行分类。

进一步地，基于校核生长库对采集图像进行分析的方法包括：

根据种植物种类设置对应的分析项，获取当前种植物所处的生长阶段，根据获得的生长阶段，将采集图像输入到校核生长库中进行匹配，获得对应的正常生长图像和异常生长图像，根据获得的分析项评估采集图像中各分析项对应正常值和异常值，根据获得的正常值和异常值评估种植物的生长状态。

进一步地，根据种植物种类设置对应的分析项的方法包括：

建立对应的分析项匹配表，获取对应的种植物种类，根据获得的种植物种类从分析项匹配表中匹配对应的分析项。

进一步地，将采集图像输入到校核生长库中进行匹配的方法包括：

根据生长阶段在校核生长库中确定对应的正常生长图像储存分类和异常图像储存分类，建立图像相似度模型，通过图像相似度模型计算采集图像与各正常生长图像或异常生长图像之间的相似度，计算种植物与各正常生长图像或异常生长图像对应的生长阶段的时间差值，根据获得时间差值和相似度匹配对应的正常生长图像和异常生长图像。

进一步地，根据获得时间差值和相似度匹配对应的正常生长图像的方法包括：

将各正常生长图像标记为i，其中i＝1、2、……、n，n为正整数；将获得的时间差值标记为SCi，将获得的相似度标记为XSi，根据公式PDi＝b2×α×XSi-b1×SCi计算对应的匹配值，其中，b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1，α为转化系数，选择匹配值最高的正常生长图像进行输出。

进一步地，根据获得的分析项评估采集图像中各分析项对应正常值和异常值的方法包括：

根据分析项确定各分析项在采集图像、正常生长图像和异常生长图像中的分析区域，分别标记为采集区域、正常区域和异常区域，将采集区域分别与对应的正常区域和异常区域进行比较，确定对应的正常值和异常值。

进一步地，根据获得的正常值和异常值评估种植物的生长状态的方法包括：

将分析项标记为j，其中j＝1、2、……、m，m为正整数；将获得的正常值标记为ZCj，将获得的异常值标记为YCj，根据公式

计算对应的综合评价值，其中，b3、b4均为比例系数，取值范围为0<b3≤1，0<b4≤1，βj为对应分析对应的权重系数，当综合评价值大于阈值X1时，判定种植物的生长状态为生长正常；反之，则判定种植物的生长状态为生长异常。

与现有技术相比，本发明的有益效果是：

通过参数显示模型的设置，实现对监测参数的动态显示和智能校核，可以实现在种植物的种植过程中的绝大部分异常状况监测；通过在云端建立生命周期库，便于为不同地区不同位置不同用户提供基础数据，方便进行相应的数据更新。

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的介绍，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为本发明方法流程图。

具体实施方式

下面将结合实施例对本发明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。

如图1所示，一种种植柜内植物生长状态异常检测方法，具体方法包括：

步骤一：获取种植柜的监测参数，根据获得的监测参数建立对应的参数监测模型；

监测参数是根据种植柜的型号、种类、种植方式等进行设置的，即根据该种植物的类型和种植方式设置哪些需要进行监测的项目，一般对应的种植柜会自带对应的参数采集装置，具体的通过现有的水培种植技术可以采集对应的监测参数。

根据获得的监测参数建立对应的参数监测模型的方法包括：

根据获得的监测参数建立对应的显示模型，显示模型用于实时显示对应的监测参数，为现有的显示模型，即通过现有技术根据需要进行显示的监测参数建立对应的显示模型；根据监测参数对应的各个监测项在显示模型中插入对应的校核显示块，校核显示块即为显示模型中显示校核数据的显示项，一般位于对应监测参数附近；获取各监测参数对应的标准参数区间，标准参数区间即为根据对应种植物的种植要求设置的各参数应位于的区间，如温度区间、培养液高度区间等；根据获得的标准参数区间在校核显示块中插入对应的参数校核公式，根据设置的参数校核公式在校核显示块中动态显示对应监测参数的校核结果，将当前的显示模型标记为参数监测模型。

根据获得的标准参数区间在校核显示块中插入对应的参数校核公式，根据现有的各监测参数的校核方法可以设置对应的校核公式。

步骤二：实时获取各监测项对应的采集参数，将获得的采集参数进行相应的处理后输入到参数监测模型中；

对采集参数进行处理即为将某些不能直接进行显示的参数进行处理，使其可以按照预设的显示方式显示，具体的通过现有方法可以进行相应的处理。

步骤三：参数显示模型将接收到的采集参数进行实时显示，并在校核显示块中动态显示对应采集参数的校核结果；

通过上述步骤一到步骤三，实现根据采集参数进行各参数的初步异常校核，可以实现在种植物的种植过程中的绝大部分异常状况监测。

步骤四：在云端建立种植物的生命周期库；

所述生命周期库用于储存各种种植物从种植到收获时间内的生长图像，并按照对应的种植物种类和生长阶段进行分类；即在生命周期库中根据具有的种植物类型设置对应饿的储存部分，每个部分对应一个种植物，在种植物内又根据不同的生长阶段进行分类，且每个生长周期分别对应正常状态和异常状态的生长图像，具体的生长阶段的时间跨度根据现有的阶段定义进行设置，各种植物不同生长阶段正常状态和异常状态的生长图像均是根据历史种植过程中的图像进行获取保存的，具体的通过现有方法进行对应图像的截取储存，如基于现有神经网络建立对应的智能图像模型，所述智能图像模型用于根据历史种植过程图像自动截取对应的图像进行储存，通过人工的方式设置对应的训练集进行训练，通过训练成功后的智能图像模型进行分析，其中神经网络可以为误差逆向传播神经网络、RBF神经网络和深度卷积神经网络。

步骤五：获取种植箱内种植的种植物种类，根据获得的种植物种类从云端的生命周期库中匹配对应的种植物储存节点；

种植物储存节点即为对应储存种植物生长图像的储存节点。

步骤六：建立校核生长库，将匹配的种植物储存节点中的生长图像进行下载，根据获得的生长图像输入到校核生长库中进行储存；

校核生长库是按照对应种植物储存节点的分类储存方式进行建立的。

步骤七：实时获取种植箱内种植物的采集图像，基于校核生长库对采集图像进行分析，获得种植物的生长状态。

基于校核生长库对采集图像进行分析的方法包括：

根据种植物种类设置对应的分析项，获取当前种植物所处的生长阶段，根据获得的生长阶段，将采集图像输入到校核生长库中进行匹配，获得对应的正常生长图像和异常生长图像，根据获得的分析项评估采集图像中各分析项对应正常值和异常值，根据获得的正常值和异常值评估种植物的生长状态。

根据种植物种类设置对应的分析项的方法包括：

分析项即为在采集图像中需要进行识别提取的数据，如叶片颜色分布、形状、根系颜色、根系长度等，根据不同种植物种类设置对应的分析项匹配表，具体的通过专家组进行讨论设置，主要还是根据对应种植物在种植箱内的显示形式和异常显示形式进行设置的；综上：建立对应的分析项匹配表，获取对应的种植物种类，根据获得的种植物种类从分析项匹配表中匹配对应的分析项，一般为多个分析项。

将采集图像输入到校核生长库中进行匹配的方法包括：

根据生长阶段在校核生长库中确定对应的正常生长图像储存分类和异常图像储存分类，建立图像相似度模型，所述图像相似度模型是基于图像中的种植物的外形进行识别匹配，输出对应的相似度，具体的通过现有的图像识别和相似度算法进行建立的；通过图像相似度模型计算采集图像与各正常生长图像或异常生长图像之间的相似度，计算种植物与各正常生长图像或异常生长图像对应的生长阶段的时间差值，根据获得时间差值和相似度匹配对应的正常生长图像和异常生长图像。

计算种植物与各正常生长图像或异常生长图像对应的生长阶段的时间差值，虽然都处于同一生长阶段，但处于生长节点的时间可能并不相同，因此计算对应的时间差值。

根据获得时间差值和相似度匹配对应的正常生长图像的方法包括：

将各正常生长图像标记为i，其中i＝1、2、……、n，n为正整数；将获得的时间差值标记为SCi，将获得的相似度标记为XSi，XS为去除百分号；根据公式PDi＝b2×α×XSi-b1×SCi计算对应的匹配值，其中，b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1，α为转化系数，用于进行单位转化后进行计算，由专家组进行讨论设置；选择匹配值最高的正常生长图像进行输出。

根据获得时间差值和相似度匹配对应的异常生长图像的方法与匹配正常生长图像的方法相同。

根据获得的分析项评估采集图像中各分析项对应正常值和异常值的方法包括：

根据分析项确定各分析项在采集图像、正常生长图像和异常生长图像中的分析区域，即该分析项在图像中对应的是哪个部分，通过现有的种植常识可以进行确定；分别标记为采集区域、正常区域和异常区域，将采集区域分别与对应的正常区域和异常区域进行比较，确定对应的正常值和异常值。

将采集区域分别与对应的正常区域和异常区域进行比较的过程为：基于神经网络建立对应的评估模型，通过人工的方式设置对应的训练集进行训练，通过训练成功后的评估模型分别进行评估，获得对应的正常值和异常值，正常值或异常值均是根据采集区域与对应正常部分或异常部分的相似度进行自动评分的，正常值越高表明与正常状态越接近，相似度越高；异常值越高表明与异常状态越接近，相似度越高。

根据获得的正常值和异常值评估种植物的生长状态的方法包括：

将分析项标记为j，其中j＝1、2、……、m，m为正整数；将获得的正常值标记为ZCj，将获得的异常值标记为YCj，根据公式

计算对应的综合评价值，其中，b3、b4均为比例系数，取值范围为0<b3≤1，0<b4≤1，βj为对应分析对应的权重系数，由专家组进行讨论设置；当综合评价值大于阈值X1时，判定种植物的生长状态为生长正常；反之，则判定种植物的生长状态为生长异常。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (9)

1.一种种植柜内植物生长状态异常检测方法，其特征在于，具体方法包括：

步骤一：获取种植柜的监测参数，根据获得的监测参数建立对应的参数监测模型；

步骤二：实时获取各监测项对应的采集参数，将获得的采集参数进行相应的处理后输入到参数监测模型中；

步骤三：参数显示模型将接收到的采集参数进行实时显示，并在校核显示块中动态显示对应采集参数的校核结果；

步骤四：在云端建立种植物的生命周期库；

步骤五：获取种植箱内种植的种植物种类，根据获得的种植物种类从云端的生命周期库中匹配对应的种植物储存节点；

步骤六：建立校核生长库，将匹配的种植物储存节点中的生长图像进行下载，根据获得的生长图像输入到校核生长库中进行储存；

步骤七：实时获取种植箱内种植物的采集图像，基于校核生长库对采集图像进行分析，获得种植物的生长状态。

2.根据权利要求1所述的一种种植柜内植物生长状态异常检测方法，其特征在于，根据获得的监测参数建立对应的参数监测模型的方法包括：

根据获得的监测参数建立对应的显示模型，根据监测参数对应的各个监测项在显示模型中插入对应的校核显示块，获取各监测参数对应的标准参数区间，根据获得的标准参数区间在校核显示块中插入对应的参数校核公式，根据设置的参数校核公式在校核显示块中动态显示对应监测参数的校核结果，将当前的显示模型标记为参数监测模型。

3.根据权利要求1所述的一种种植柜内植物生长状态异常检测方法，其特征在于，所述生命周期库用于储存各种种植物从种植到收获时间内的生长图像，并按照对应的种植物种类和生长阶段进行分类。

4.根据权利要求1所述的一种种植柜内植物生长状态异常检测方法，其特征在于，基于校核生长库对采集图像进行分析的方法包括：

根据种植物种类设置对应的分析项，获取当前种植物所处的生长阶段，根据获得的生长阶段，将采集图像输入到校核生长库中进行匹配，获得对应的正常生长图像和异常生长图像，根据获得的分析项评估采集图像中各分析项对应正常值和异常值，根据获得的正常值和异常值评估种植物的生长状态。

5.根据权利要求4所述的一种种植柜内植物生长状态异常检测方法，其特征在于，根据种植物种类设置对应的分析项的方法包括：

建立对应的分析项匹配表，获取对应的种植物种类，根据获得的种植物种类从分析项匹配表中匹配对应的分析项。

6.根据权利要求4所述的一种种植柜内植物生长状态异常检测方法，其特征在于，将采集图像输入到校核生长库中进行匹配的方法包括：

根据生长阶段在校核生长库中确定对应的正常生长图像储存分类和异常图像储存分类，建立图像相似度模型，通过图像相似度模型计算采集图像与各正常生长图像或异常生长图像之间的相似度，计算种植物与各正常生长图像或异常生长图像对应的生长阶段的时间差值，根据获得时间差值和相似度匹配对应的正常生长图像和异常生长图像。

7.根据权利要求6所述的一种种植柜内植物生长状态异常检测方法，其特征在于，根据获得时间差值和相似度匹配对应的正常生长图像的方法包括：

将各正常生长图像标记为i，其中i＝1、2、……、n，n为正整数；将获得的时间差值标记为SCi，将获得的相似度标记为XSi，根据公式PDi＝b2×α×XSi-b1×SCi计算对应的匹配值，其中，b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1，α为转化系数，选择匹配值最高的正常生长图像进行输出。

8.根据权利要求4所述的一种种植柜内植物生长状态异常检测方法，其特征在于，根据获得的分析项评估采集图像中各分析项对应正常值和异常值的方法包括：

根据分析项确定各分析项在采集图像、正常生长图像和异常生长图像中的分析区域，分别标记为采集区域、正常区域和异常区域，将采集区域分别与对应的正常区域和异常区域进行比较，确定对应的正常值和异常值。

9.根据权利要求4所述的一种种植柜内植物生长状态异常检测方法，其特征在于，根据获得的正常值和异常值评估种植物的生长状态的方法包括：

将分析项标记为j，其中j＝1、2、……、m，m为正整数；将获得的正常值标记为ZCj，将获得的异常值标记为YCj，根据公式

计算对应的综合评价值，其中，b3、b4均为比例系数，取值范围为0<b3≤1，0<b4≤1，βj为对应分析对应的权重系数，当综合评价值大于阈值X1时，判定种植物的生长状态为生长正常；反之，则判定种植物的生长状态为生长异常。

Images