CN115861827B - 作物水肥胁迫的决策方法、装置及手机终端 - Google Patents
作物水肥胁迫的决策方法、装置及手机终端 Download PDFInfo
- Publication number
- CN115861827B CN115861827B CN202310173436.XA CN202310173436A CN115861827B CN 115861827 B CN115861827 B CN 115861827B CN 202310173436 A CN202310173436 A CN 202310173436A CN 115861827 B CN115861827 B CN 115861827B
- Authority
- CN
- China
- Prior art keywords
- crop
- water
- fertilizer
- image
- stress
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明提供一种作物水肥胁迫的决策方法、装置及手机终端,属于智能农业技术领域。该方法包括:基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度;基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态;采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果。本发明提供的作物水肥胁迫的决策方法、装置及手机终端,能够通过灵活性高且成本低的图像采集手段,结合图像处理相关算法、模糊控制与专家经验实现了动态的水肥协同诊断与决策。
Description
技术领域
本发明涉及智能农业技术领域,尤其涉及一种作物水肥胁迫的决策方法、装置及手机终端。
背景技术
在农业生产中,水分和养分的管理是影响作物产量和质量至关重要的因素。水肥合理配施可以合理节约农业灌水、依据需求施肥,可以使水分和养分集中在作物根区精准满足作物需求,从而减少资源过度消耗,提高农业生产潜力,对于节约资源和保护环境具有重要意义。然而在实际应用过程中,大多数作物种植都是依据当地种植管理者的经验实时水肥灌溉,缺少了对作物实际生长的诊断,很难大范围应用于种植生产中。因此,需要结合图像处理获取作物生长信息参数与专家经验来进行水肥胁迫状态的诊断及灌溉决策。
目前现有技术主要是针对水肥诊断,没有进行水肥协同决策,同时在使用热红外图像进行水分亏缺诊断方面存在温度提取精度问题,且采集热红外图像和可见光图像使用的设备较多,成本较高灵活性低,难以有效应用。
发明内容
本发明提供一种作物水肥胁迫的决策方法、装置及手机终端,用以解决现有技术中无法进行水肥协同决策而导致无法准确培育作物的缺陷。
本发明提供一种作物水肥胁迫的决策方法,包括:
基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度;
基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态;
采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果;
其中,所述决策结果包括所述待识别作物下一周期的灌溉量和/或追肥量;所述第一作物图像为通过终端对所述待识别作物的全貌进行拍摄所得到的可见光图像;所述第二作物图像为通过与所述终端连接的红外模组对所述待识别作物的全貌进行拍摄所得到的热红外图像。
根据本发明提供的一种作物水肥胁迫的决策方法,所述采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果,包括:
将所述水分胁迫状态和所述养分胁迫状态转化成语言变量输入至模糊控制器,得到所述模糊控制器输出的灌溉指令;
在确定所述灌溉指令携带的第一标识信息不为空,且第二标识信息为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量设置为所述水肥胁迫决策结果;
在确定所述灌溉指令携带的第一标识信息为空,且第二标识信息不为空的情况下,将利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果;
在确定所述灌溉指令携带的第一标识信息和第二标识信息均不为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量,以及利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果;
其中,所述模糊控制器是基于输入模糊集和输出模糊集之间相对应的模糊规则建立的;所述输入模糊集是根据对于所述水分胁迫状态和所述养分胁迫状态进行模糊化划分出的模糊等级所设置的隶属度函数确定的;所述输出模糊集是根据将模糊语言进行清晰化处理得到的多个水肥胁迫状态的策略等级所设置的隶属度函数确定的;所述模糊规则为根据不同水分胁迫状态和养分胁迫状态决定对应的水肥胁迫状态而建立的;所述灌溉指令携带的标识信息是根据所述水肥胁迫状态确定的;所述第一标识信息用于表征是否进行灌溉;所述第二标识信息用于表征是否进行追肥。
根据本发明提供的一种作物水肥胁迫的决策方法,所述基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度,包括:
采用超绿算法对所述第一作物图像进行图像分割,得到作物冠层图像;
利用从所述作物冠层图像解析出的冠层覆盖占比,确定所述作物系数;
基于所述作物冠层图像和所述第二作物图像,确定所述冠层温度。
根据本发明提供的一种作物水肥胁迫的决策方法,所述基于所述作物冠层图像和所述第二作物图像,确定所述冠层温度,包括:
采用二值图像连通域算法分别对所述作物冠层图像和所述第二作物图像进行轮廓坐标提取,得到第一特征点集合和第二特征点集合;
在利用所述第一特征点集合和所述第二特征点集合匹配得到红外冠层图像后,从所述红外冠层图像中提取出所述冠层温度。
根据本发明提供的一种作物水肥胁迫的决策方法,所述利用从所述作物冠层图像解析出的冠层覆盖占比,确定所述作物系数,包括:
将所述作物冠层图像输入至解析模型中,得到所述解析模型输出的所述作物系数;
其中,所述解析模型是根据样本作物冠层图像,以及在所述样本作物冠层图像中设置的冠层覆盖占比标签和作物系数标签训练的;所述解析模型包括占比转换层和占比解析层;
所述占比转换层,用于基于所述作物冠层图像,确定所述冠层覆盖占比;
所述占比解析层,用于基于所述冠层覆盖占比,估算出所述作物系数。
根据本发明提供的一种作物水肥胁迫的决策方法,所述基于所述待识别作物的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态,包括:
将利用所述冠层温度确定的水分亏缺指数设置为所述水分胁迫状态;
将利用所述作物系数确定的归一化植被指数设置为所述养分胁迫状态。
根据本发明提供的一种作物水肥胁迫的决策方法,在所述采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果之后,还包括:
在确定所述水肥胁迫决策结果仅包含灌溉量的情况下,通过第一控制指令控制灌溉装置在下一周期向所述待识别作物追加体积为灌溉量的水;
在确定所述水肥胁迫决策结果仅包含追肥量的情况下,通过第二控制指令控制施肥装置在下一周期向所述待识别作物追加质量为追肥量的肥料;
在确定所述水肥胁迫决策结果仅包含追肥量的情况下,通过第三控制指令控制灌溉装置在下一周期向所述待识别作物追加体积为灌溉量的水的同时,还控制施肥装置在下一周期向所述待识别作物追加质量为追肥量的肥料。
本发明还提供一种作物水肥胁迫的决策装置,包括:
图像处理模块,用于基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度;
水肥胁迫状态识别模块,用于基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态;
水肥胁迫状态决策模块,用于采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果;
其中,所述决策结果包括所述待识别作物下一周期的灌溉量和/或追肥量;所述第一作物图像为通过终端对所述待识别作物的全貌进行拍摄所得到的可见光图像;所述第二作物图像为通过与所述终端连接的红外模组对所述待识别作物的全貌进行拍摄所得到的热红外图像。
本发明还提供一种手机终端,包括通信连接的手机终端本体和红外模组;所述手机终端本体包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任一种所述作物水肥胁迫的决策方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述作物水肥胁迫的决策方法。
本发明提供的作物水肥胁迫的决策方法、装置及手机终端,通过具有热红外成像功能的手机终端采集到的第一作物图像和第二作物图像进行冠层区域的图像特征提取,利用提取到的作物系数和冠层温度分别对水分胁迫状态和养分胁迫状态进行诊断,并利用模糊控制算法对水分胁迫状态和养分胁迫状态进行协同决策,将下一周期水肥的灌溉量以水肥胁迫决策结果输出。能够通过灵活性高且成本低的图像采集手段,结合图像处理相关算法、模糊控制与专家经验实现了动态的水肥协同诊断与决策。
附图说明
为了更清楚地说明本发明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一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的作物水肥胁迫的决策方法的流程示意图之一;
图2是本发明提供的归一化植被指数的仿真示意图;
图3是本发明提供的作物水肥胁迫的决策方法的流程示意图之二;
图4是本发明提供的作物水肥胁迫的决策装置的结构示意图;
图5是本发明提供的手机终端的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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,都属于本发明保护的范围。
本申请中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
图1是本发明提供的作物水肥胁迫的决策方法的流程示意图之一。如图1所示,本发明实施例提供的作物水肥胁迫的决策方法,包括:步骤101、基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度。
其中,所述第一作物图像为通过终端对所述待识别作物的全貌进行拍摄所得到的可见光图像。所述第二作物图像为通过与所述终端连接的红外模组对所述待识别作物的全貌进行拍摄所得到的热红外图像。
需要说明的是,本发明实施例提供的作物水肥胁迫的决策方法的执行主体是作物水肥胁迫的决策装置。
本申请实施例提供的作物水肥胁迫的决策方法适用于用户通过电子设备对手机终端对作物拍摄得到的图像进行图像处理,并根据从图像中识别到的特征进行水肥胁迫状态的识别和决策。
其中,手机终端在指定的时间间隔下,周期性地采集包含待识别作物在可见光下的全貌的图像信息,并将该图像信息作为第一作物图像发送至作物水肥胁迫的决策装置。
在手机终端本体的摄像模组采集可见光图像的同时,还驱动与手机终端本体通信连接的红外模组在相同的视场对包含待识别作物在热红外下的全貌的图像信息,并将该图像信息作为第二作物图像发送至作物水肥胁迫的决策装置。
另外,上述电子设备可以以各种形式来实施。例如,本申请实施例中描述的电子设备可以包括诸如移动电话、智能电话、笔记本电脑等等的移动终端以及诸如台式计算机等等的固定终端。下面,假设电子设备是移动终端。然而,本领域技术人员将理解的是,除了特别用于移动目的的元件之外,根据本申请实施例的构造也能够应用于固定类型的终端。
具体地,在步骤101中,作物水肥胁迫的决策装置接收手机终端上设置的摄像模组及红外模组在当前的工作周期内所分别采集的第一作物图像和第二作物图像,并对接收到的图像进行相关图像算法完整分割出作物的冠层区域,进而换算出作物系数,以及冠层区域内每一像素点对应的冠层温度。
其中,作物系数,是指作物不同发育期中需水量与可能蒸散量的比值,常用Kc表示。在作物生长过程中的变化规律是前期由小到大,在作物生长旺盛时期达到最大,后期逐渐减小。
可以理解的是,利用透视变换方法来解决手机拍摄图像产生的透视失真和三维畸变。透视变换是将三维图像转换的过程,是将图片投影到一个新的视平面。采取采集图像的一组四个点和目标图像中一组四个点的坐标,应用透视变换校正畸变图像。通过两组坐标点计算透视变换的变换矩阵,进而对整个原始图像进行变换,以得到校正后的第一作物图像。
步骤102、基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态。
具体地,在步骤102中,作物水肥胁迫的决策装置分别利用步骤101得到的作物系数所指示的需水量与可能蒸散量的比值进行换算,将气候条件、地下水干旱、植物根系大小等客观因素对作物水分管理的影响映射到水分胁迫状态进行输出。
同时,利用步骤101得到的冠层温度所指示的地表植被的热力状态进行换算,将作物遗传特性和环境条件共同作用下对作物养分管理的影响映射到养分胁迫状态进行输出。
步骤103、采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果。
其中,所述决策结果包括所述待识别作物下一周期的灌溉量和/或追肥量。
具体地,在步骤103、作物水肥胁迫的决策装置采用模糊控制算法中的隶属度函数决定水分胁迫状态和养分胁迫状态共同作用下的每个灌溉决策指标,再利用预先制定的模糊规则进行灌溉决策,得到待识别作物的水肥胁迫决策结果。
其中,水肥胁迫决策结果由能够使下一周期的水肥平衡在基础水平上的模糊规则确定。
若当前周期的水分胁迫状态和养分胁迫状态触发的规则指示需要灌溉才能达到水肥基础平衡,则水肥胁迫决策结果仅包括作物在下一周期的灌溉量。
若当前周期的水分胁迫状态和养分胁迫状态触发的规则指示需要追肥才能达到水肥基础平衡,则水肥胁迫决策结果仅包括作物在下一周期的追肥量。
若当前周期的水分胁迫状态和养分胁迫状态触发的规则指示需要同时灌溉水肥才能达到水肥基础平衡,则水肥胁迫决策结果仅包括作物在下一周期的灌溉量和追肥量。
现有技术中若要获取作物可见光图像和热红外图像需要多种设备进行采集图像,使用的设备成本高获取图像困难。且对于水肥决策试验研究主要是根据经验进行诊断,缺少水肥协同决策灌溉。现有研究中受制于实验数据获取困难,大部分试验都是根据多年种植经验进行水肥决策灌溉,这就需要针对不同作物进行大量试验研究,使得在有限的试验条件下需要投入大量的人力进行研究,难以应用到大量作物生产种植中。
而本申请仅利用能够随身携带的配置由热成像技术的智能手机终端获取作物图像,获取图像数据更加灵活方便,投入成本较低。同时灵活性低,不便于随身携带。且通过模糊控制算法对水肥是否进行灌溉进行诊断,并结合先验数据换算出了水肥的灌溉量,实现了水肥实时协同诊断,创新性的改变了传统种植过程中依靠经验进行水肥灌溉的方式。
本发明实施例通过具有热红外成像功能的手机终端采集到的第一作物图像和第二作物图像进行冠层区域的图像特征提取,利用提取到的作物系数和冠层温度分别对水分胁迫状态和养分胁迫状态进行诊断,并利用模糊控制算法对水分胁迫状态和养分胁迫状态进行协同决策,将下一周期水肥的灌溉量以水肥胁迫决策结果输出。能够通过灵活性高且成本低的图像采集手段,结合图像处理相关算法、模糊控制与专家经验实现了动态的水肥协同诊断与决策。
在上述任一实施例的基础上,采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果,包括:将所述水分胁迫状态和所述养分胁迫状态转化成语言变量输入至模糊控制器,得到所述模糊控制器输出的灌溉指令。
其中,所述模糊控制器是基于输入模糊集和输出模糊集之间相对应的模糊规则建立的。所述输入模糊集是根据对于所述水分胁迫状态和所述养分胁迫状态进行模糊化划分出的模糊等级所设置的隶属度函数确定的。所述输出模糊集是根据将模糊语言进行清晰化处理得到的多个水肥胁迫状态的策略等级所设置的隶属度函数确定的。所述模糊规则为根据不同水分胁迫状态和养分胁迫状态决定对应的水肥胁迫状态而建立的。所述灌溉指令携带的标识信息是根据所述水肥胁迫状态确定的。
具体地,在步骤103中,作物水肥胁迫的决策装置考虑到灌溉决策受到多种环境因素的影响且在作物灌溉应用中具有不确定性,因此引入模糊决策方法进行描述,即将控制器的输入设置为水分胁迫状态和养分胁迫状态对应的语言变量,输出为用于指示对水和/或肥进行浇灌的灌溉指令。
模糊集理论是一种将二元关系转换为连续不确定性并用关联函数对其进行评估的表示。经典理论中的集合是明确定义的边界,只有两个状态,0或1。然而,考虑到灌溉决策受到多种环境因素的影响且在作物灌溉应用中具有不确定性,因此引入模糊集理论定义输入模糊集和输出模糊集。根据表1中不同水肥状态下的阈值,各变量的模糊等级划分方法如下:
表1 水肥在不同胁迫状态下的阈值示意表
将水分胁迫状态将小于0.3的区间作为正常状态,将0.3到0.65的区间作为适中状态,将大于0.65的区间作为胁迫状态。即分为三个模糊子集:N(正常状态)、M(适中状态)、P(胁迫状态),取值范围为[0,1]。
将养分胁迫状态将大于0.5的区间作为正常状态,将0.3到0.5的区间作为适中状态,将小于0.3的区间作为胁迫状态。即分为三个模糊子集:N(正常状态)、M(适中状态)、P(胁迫状态),取值范围为[0,1]。
为了提高计算效率,输出协同后的水肥胁迫状态也设为3个模糊子集组成的集合:{N(高肥低水)、M(水肥一样多)、P(高水低肥)}。
再根据包含各项指标的模糊等级定义隶属度函数,一维隶属函数包括但不限于三角形、梯形、高斯函数和钟型隶属函数,本发明实施例对隶属度函数不作具体限定。
示例性地,本发明实施例采用三角形隶属函数决定了每个灌溉决策指标。
随后进行模糊决策。控制规则表示为一个总的模糊关系R:
输出控制U的模糊集为:
根据模糊变量E,EC和U的隶属度,结合模糊控制规则表,运用公式(1)、(2),采用隶属函数最大原则求取各相应控制量,可以得到灌溉模糊控制器的决策规则。
表2 水肥模糊决策规则示意表
基于上述模糊决策得到的决策规则来决定是否进行灌溉,若触发的决策规则的策略等级为P,即代表当前灌溉决策为高肥低水,则将灌溉指令设置为只追肥不浇水。
若触发的决策规则的策略等级为M,即代表当前灌溉决策为水肥一样多,则将灌溉指令设置为既追肥又浇水。
若触发的决策规则的策略等级为N,即代表当前灌溉决策为高水低肥,则将灌溉指令设置为不追肥只浇水。
在确定所述灌溉指令携带的第一标识信息不为空,且第二标识信息为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量设置为所述水肥胁迫决策结果。
在确定所述灌溉指令携带的第一标识信息为空,且第二标识信息不为空的情况下,将利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果。
在确定所述灌溉指令携带的第一标识信息和第二标识信息均不为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量,以及利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果。
其中,所述第一标识信息用于表征是否进行灌溉。所述第二标识信息用于表征是否进行追肥。
需要说明的是,灌溉指令中分设用于表征是否浇水的第一标识信息,以及用于表征是否施肥的第二标识信息,通过对上述标识信息进行赋值,去表征水肥浇灌策略。
具体地,作物水肥胁迫的决策装置对模糊控制器输出的灌溉指令进行解析:
若灌溉指令中第一标识信息不为空且第二标识信息为空,即说明当前灌溉决策为高水低肥,需要不追肥只浇水,则利用步骤101得到的作物系数与参考作物蒸散量换算出灌溉量,并将灌溉作为水肥胁迫决策结果输出。灌溉量ETc的计算公式为:
其中,ET0为参考作物蒸散量,反映了天气条件对蒸发和蒸腾的影响。Kc为作物系数。
若灌溉指令中第一标识信息为空且第二标识信息不为空,即说明当前灌溉决策为高肥低水,需要只追肥不浇水,则利用步骤102得到的养分胁迫状态与专家预先对待识别作物的物种信息所总结出的施肥量经验值换算出追肥量,并将追肥作为水肥胁迫决策结果输出。本发明实施例对追肥量的确定方式不作具体限定。
示例性地,以作物种类为生菜、小麦和白菜为示例,不同养分胁迫状态和不同作物品种之间关于追肥量的映射关系如下表所示。
表3 追肥量映射关系示意表
若灌溉指令中第一标识信息不为空且第二标识信息不为空,即说明当前水肥均属于适中状态,需要既追肥又浇水,则利用上述步骤换算出灌溉量和追肥量,并将灌溉量和追肥量作为水肥胁迫决策结果输出。
本发明实施例基于模糊控制器对水分胁迫状态和养分胁迫状态对水肥是否进行灌溉进行协同诊断,并根据输出的灌溉指令中的标识信息,决策换算出下一周期待执行的水和/或肥的灌溉量,实现了动态的水肥协同诊断与决策。
在上述任一实施例的基础上,基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度,包括:采用超绿算法对所述第一作物图像进行图像分割,得到作物冠层图像。
具体地,在步骤101中,作物水肥胁迫的决策装置采用超绿算法对校正后的第一作物图像进行分割,提取出具有绿色颜色特征的区域,形成作物冠层图像。
利用从所述作物冠层图像解析出的冠层覆盖占比,确定所述作物系数。
具体地,作物水肥胁迫的决策装置将作物冠层图像中绿色的冠层区域所占的分量比例作为冠层覆盖占比,通过该占比所表征的作物植被表面积换算出作物系数。
基于所述作物冠层图像和所述第二作物图像,确定所述冠层温度。
具体地,作物水肥胁迫的决策装置利用作物冠层图像中关于冠层区域的可见光模板和携带热红外温度信息的第二作物图像进行融合,来提取整个冠层温度。
本发明实施例采用超绿算法从第一作物图像分割出作物冠层图像,并以由此解析出的冠层覆盖占比换算出作物系数,再利用作物冠层图像作为模板与第二作物图像融合,以提取冠层温度。能够采用热红外和可见光图像进行融合提取冠层温度,解决了热红外图像提取作物冠层温度存在边缘模糊不确定,在提取过程中易受到边缘温度的干扰等问题。
在上述任一实施例的基础上,基于所述作物冠层图像和所述第二作物图像,确定所述冠层温度,包括:采用二值图像连通域算法分别对所述作物冠层图像和所述第二作物图像进行轮廓坐标提取,得到第一特征点集合和第二特征点集合。
具体地,作物水肥胁迫的决策装置将作物冠层图像和第二作物图像归于同一区域并进行坐标标定,然后利用二值图像连通域算法进行轮廓及坐标提取,分别将作物冠层图像和第二作物图像中的边缘顶点坐标作为标定特征点,形成第一特征点集合和第二特征点集合。
在利用所述第一特征点集合和所述第二特征点集合匹配得到红外冠层图像后,从所述红外冠层图像中提取出所述冠层温度。
具体地,作物水肥胁迫的决策装置利用第一特征点集合和第二特征点进行配准,采用仿射变换方法消除可见光图像与热红外图像之间几何畸变,并融合得到红外冠层图像,将红外冠层图像中每一像素值不为0的像素点提取对应的红外温度值,生成整个冠层区域对应的冠层温度。
其中,仿射变换,是指在几何中,一个向量空间进行一次线性变换并接上一个平移,变换为另一个向量空间。仿射变换是由线性变换和平移变换两种简单变换叠加的空间变换,其空间变化包括平移、旋转、放缩等空间位置变化。
对于第一特征点集合和第二特征点集合中任一对可见光参考标定特征点(x,y)与热红外标定特征点,(x,y)向(x',y')仿射变换的数学表达式为:
其中,θ为旋转角度,tx为新坐标原点相对原坐标点x的偏移量,ty为新坐标原点相对原坐标原点y的偏移量。
本发明实施例基于分别对作物冠层图像和第二作物图像进行轮廓提取,通过提取得到的第一特征点集合和第二特征点集合配准得到红外冠层图像,并提取出冠层温度。能够利用二值图像连通域算法提取了边缘顶点坐标,根据仿射变换快速建立了顶点坐标之间的变换参数模型,降低了特征点误匹配概率,精确地提取了冠层温度。
在上述任一实施例的基础上,利用从所述作物冠层图像解析出的冠层覆盖占比,确定所述作物系数,包括:将所述作物冠层图像输入至解析模型中,得到所述解析模型输出的所述作物系数。
其中,所述解析模型是根据样本作物冠层图像,以及在所述样本作物冠层图像中设置的冠层覆盖占比标签和作物系数标签训练的。所述解析模型包括占比转换层和占比解析层。
所述占比转换层,用于基于所述作物冠层图像,确定所述冠层覆盖占比。
所述占比解析层,用于基于所述冠层覆盖占比,估算出所述作物系数。
需要说明的是,解析模型可以是一种人工智能模型,本发明实施例对模型类型不作具体限定。
例如,解析模型可以是一种神经网络,神经网络的结构和参数包括但不限于神经网络的输入层,隐藏层和输出层的层数,以及每一层的权重参数等。本发明实施例对神经网络的种类和结构不作具体限定。
例如,解析模型可以是一种前馈神经网络,该模型由输入层、隐藏层和输出层构成,其中:
输入层在整个网络的最前端部分,直接接收作物冠层图像。
隐藏层可以有一层或多层,通过自身的神经元对输入向量以加权求和的方式来进行运算,计算公式可以表达为:
z=b+w1*x1+w2*x2+…+wm*xm
其中,z是隐藏层输出的权重加和值,x1、x2、x3……xm是每个样本的m个特征向量,b为偏置,w1、w2……wm为每个特征向量对应的权重。
输出层是最后一层,用来对加权求和后得到的向量进行解码,输出作物冠层图像中的冠层特征所对应作物系数。
需要说明的是,样本数据包含与样本数据对应的样本作物冠层图像以及预先在样本作物冠层图像标注的冠层覆盖占比标签和作物系数标签。将样本数据按照一定比例,划分为训练集和测试集。
示例性地,将样本数据打乱顺序后,按照6:2:2的比例相应划分为训练集、验证集和测试集。
具体地,作物水肥胁迫的决策装置对构建好的解析模型各层间的权值系数初始化,再将训练集中的一组样本数据输入到当前权值系数下的神经网络,依次计算输入层、隐藏层和输出层的各节点的输出。输出层最后的输出结果与其实际连接位置状态类型之间的累积误差,根据梯度下降法,修正输入层与隐藏层各节点间的权值系数。依照上述过程,直至遍历训练集中的所有样本,可以得到输入层与隐藏层的权值系数。
作物水肥胁迫的决策装置根据神经网络输入层与隐藏层的权值系数,还原解析模型,并将测试集中的每一张作物冠层图像输入到训练好的解析模型,将对应解析出的作物系数作为解析结果输出。
本发明实施例对解析模型不作具体限定。
优选地,解析模型可以利用贝叶斯优化算法智能探索最优模型参数并输入到XGBoost算法中,以此得到估算作物系数最优模型。其中,贝叶斯优化算法是在优化过程中使用概率代理模型拟合目标函数,根据前序采样结果选择下一个评估点快速达到最优解。XGBoost算法通过优化结构化损失函数(加入了正则项的损失函数,可以起到降低过拟合的风险)来实现弱学习器的生成,并且XGBoost算法没有采用搜索方法,而是直接利用了损失函数的一阶导数和二阶导数值,并通过预排序、加权分位数等技术来大大提高了算法的性能。其隐藏层至少包含占比转换层和占比解析层,其中:
占比转换层可以利用作物冠层图像中冠层像素区域在整个画幅的占比作为冠层覆盖占比。
占比解析层可以在利用冠层覆盖占比和作物系数之间的映射关系,得到对应的作物系数。
本发明实施例将作物冠层图像作为解析模型的输入,通过占比转换层从作物冠层图像中提取出冠层覆盖占比后,再利用占比解析层将冠层覆盖占比换算出作物系数,提高计算作物系数的精确度和效率。
在上述任一实施例的基础上,基于所述待识别作物的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态,包括:将利用所述冠层温度确定的水分亏缺指数设置为所述水分胁迫状态。
具体地,在步骤102中,作物水肥胁迫的决策装置利用步骤101得到的冠层温度计算水分亏缺指数(CWSI),根据CWSI的值来判断水分胁迫状态。其中CWSI计算公式如下:
式中,Tc为作物冠层平均温度,单位为摄氏度(℃)。Tmin代表冠层平均温度最小值,单位为摄氏度(℃)。Tmax代表冠层平均温度最大值,单位为摄氏度(℃)。
将利用所述作物系数确定的归一化植被指数设置为所述养分胁迫状态。
具体地,作物水肥胁迫的决策装置利用步骤101得到的作物系数计算归一化植被指数(NDVI),根据NDVI的值来判断肥(氮)的胁迫状态。
本发明实施例对NDVI的计算方式不做具体限定。
示例性地,图2是本发明提供的归一化植被指数的仿真示意图。如图2所示,本发明实施例可以通过大量先验数据以离散点的形式部署在横坐标轴为作物系数,纵坐标为NDVI的坐标系中,并对离散点进行线性拟合后,NDVI的计算公式如下:
式中,NDVI为归一化植被指数,Kc为作物系数。
示例性地,图3是本发明提供的作物水肥胁迫的决策方法的流程示意图之二。如图3所示,本发明实施例给出一种作物水肥胁迫的决策方法的具体实施方式:
(1)图像处理进程
采用手机拍照获取作物的可见光和热红外图像,通过透视畸变矫正对采集的图像进行校正,然后基于校正的图像进行相关算法处理,实现作物系数和冠层温度的实时获取。
(2)水肥诊断进程
利用图像处理进程所得到的作物系数和冠层温度,将热红外和可见光融合提取的冠层温度得到水分亏缺指数(CWSI),根据CWSI的值来判断水分胁迫状态。
还将可见光图像提取的冠层覆盖率获取的作物系数与NDVI建立了肥诊断模型,以此来计算NDVI,根据NDVI的值来判断肥(氮)的胁迫状态。
(3)水肥决策进程
将水肥诊断进程计算得到的CWSI和NDVI作为模糊控制器的输入变量,且用自然的语言给出,而不是以数值形式给出。基于上述模糊决策得到的决策规则来决定是否进行灌溉及灌溉水肥的用量。其中水的灌溉量是基于从可见光图像中提取的冠层覆盖率得到的作物系数与参考作物蒸散量相乘得到的。而肥的追肥量是采用专家经验进行决定。
本发明实施例将利用冠层温度换算出的水分亏缺指数表征水分胁迫状态,并利用作物系数换算出的归一化植被指数表征养分胁迫状态。能够根据作物的生长态势对水分胁迫状态和养分胁迫状态进行动态判断,提高决策精确度。
在上述任一实施例的基础上,在所述采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果之后,还包括:在确定所述水肥胁迫决策结果仅包含灌溉量的情况下,通过第一控制指令控制灌溉装置在下一周期向所述待识别作物追加体积为灌溉量的水。
在确定所述水肥胁迫决策结果仅包含追肥量的情况下,通过第二控制指令控制施肥装置在下一周期向所述待识别作物追加质量为追肥量的肥料。
在确定所述水肥胁迫决策结果仅包含追肥量的情况下,通过第三控制指令控制灌溉装置在下一周期向所述待识别作物追加体积为灌溉量的水的同时,还控制施肥装置在下一周期向所述待识别作物追加质量为追肥量的肥料。
具体地,在步骤104之后,作物水肥胁迫的决策装置根据水肥胁迫决策结果,控制灌溉装置和/或施肥装置在下一周期内执行相应的决策措施。
若水肥胁迫决策结果仅包含灌溉量,即说明下一周期不追肥只浇水,则将灌溉量封装至第一控制指令后发送至灌溉装置,以供灌溉装置接收并响应于第一控制指令在下一周期向待识别作物追加体积为灌溉量的水。
若水肥胁迫决策结果仅包含追肥量,即说明下一周期只追肥不浇水,则将追肥量封装至第二控制指令后发送至施肥装置,以供施肥装置接收并响应于第二控制指令在下一周期向待识别作物追加质量为追肥量的肥料。
若水肥胁迫决策结果同时包含灌溉量和追肥量,即说明下一周期既追肥又浇水,则分别将灌溉量封装至第一控制指令,以及将追肥量封装至第二控制指令后发送至对应装置,以供灌溉装置接收并响应于第一控制指令在下一周期向待识别作物追加体积为灌溉量的水。同时,施肥装置接收并响应于第二控制指令在下一周期向待识别作物追加质量为追肥量的肥料。
本发明实施例基于对水肥胁迫决策结果进行解析,决策通过不同的控制指令控制对应的执行装置进行灌溉和/或追肥。能够在通过灵活性高且成本低的图像采集手段实现动态的水肥协同诊断与决策后,自动控制相应的装置执行灌溉动作,有助于农业一体化和自动化。
图4是本发明提供的作物水肥胁迫的决策装置的结构示意图。在上述任一实施例的基础上,如图4所示,该装置包括图像处理模块410、水肥胁迫状态识别模块420和水肥胁迫状态决策模块430,其中:
图像处理模块410,用于基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度。
水肥胁迫状态识别模块420,用于基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态。
水肥胁迫状态决策模块430,用于采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果。
其中,所述决策结果包括所述待识别作物下一周期的灌溉量和/或追肥量。所述第一作物图像为通过终端对所述待识别作物的全貌进行拍摄所得到的可见光图像。所述第二作物图像为通过与所述终端连接的红外模组对所述待识别作物的全貌进行拍摄所得到的热红外图像。
具体地,图像处理模块410、水肥胁迫状态识别模块420和水肥胁迫状态决策模块430顺次电连接。
图像处理模块410接收手机终端上设置的摄像模组及红外模组在当前的工作周期内所分别采集的第一作物图像和第二作物图像,并对接收到的图像进行相关图像算法完整分割出作物的冠层区域,进而换算出作物系数,以及冠层区域内每一像素点对应的冠层温度。
水肥胁迫状态识别模块420分别利用步骤101得到的作物系数所指示的需水量与可能蒸散量的比值进行换算,将气候条件、地下水干旱、植物根系大小等客观因素对作物水分管理的影响映射到水分胁迫状态进行输出。
水肥胁迫状态决策模块430采用模糊控制算法中的隶属度函数决定水分胁迫状态和养分胁迫状态共同作用下的每个灌溉决策指标,再利用预先制定的模糊规则进行灌溉决策,得到待识别作物的水肥胁迫决策结果。
其中,水肥胁迫决策结果由能够使下一周期的水肥平衡在基础水平上的模糊规则确定。
可选地,水肥胁迫状态决策模块430包括模糊控制单元和决策单元,其中:
模糊控制单元,用于将所述水分胁迫状态和所述养分胁迫状态转化成语言变量输入至模糊控制器,得到所述模糊控制器输出的灌溉指令。
决策单元,用于在确定所述灌溉指令携带的第一标识信息不为空,且第二标识信息为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量设置为所述水肥胁迫决策结果。
决策单元,还用于在确定所述灌溉指令携带的第一标识信息为空,且第二标识信息不为空的情况下,将利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果。
决策单元,还用于在确定所述灌溉指令携带的第一标识信息和第二标识信息均不为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量,以及利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果。
其中,所述模糊控制器是基于输入模糊集和输出模糊集之间相对应的模糊规则建立的。所述输入模糊集是根据对于所述水分胁迫状态和所述养分胁迫状态进行模糊化划分出的模糊等级所设置的隶属度函数确定的。所述输出模糊集是根据将模糊语言进行清晰化处理得到的多个水肥胁迫状态的策略等级所设置的隶属度函数确定的。所述模糊规则为根据不同水分胁迫状态和养分胁迫状态决定对应的水肥胁迫状态而建立的。所述灌溉指令携带的标识信息是根据所述水肥胁迫状态确定的。所述第一标识信息用于表征是否进行灌溉。所述第二标识信息用于表征是否进行追肥。
可选地,图像处理模块410包括分割单元、作物系数获取单元和冠层温度获取单元,其中:
分割单元,用于采用超绿算法对所述第一作物图像进行图像分割,得到作物冠层图像。
作物系数获取单元,用于利用从所述作物冠层图像解析出的冠层覆盖占比,确定所述作物系数。
冠层温度获取单元,用于基于所述作物冠层图像和所述第二作物图像,确定所述冠层温度。
可选地,冠层温度获取单元包括特征点标定子单元和特征点配准子单元,其中:
特征点标定子单元,用于采用二值图像连通域算法分别对所述作物冠层图像和所述第二作物图像进行轮廓坐标提取,得到第一特征点集合和第二特征点集合。
特征点配准子单元,用于在利用所述第一特征点集合和所述第二特征点集合匹配得到红外冠层图像后,从所述红外冠层图像中提取出所述冠层温度。
可选地,作物系数获取单元,具体用于将所述作物冠层图像输入至解析模型中,得到所述解析模型输出的所述作物系数。
其中,所述解析模型是根据样本作物冠层图像,以及在所述样本作物冠层图像中设置的冠层覆盖占比标签和作物系数标签训练的。所述解析模型包括占比转换层和占比解析层。
所述占比转换层,用于基于所述作物冠层图像,确定所述冠层覆盖占比。
所述占比解析层,用于基于所述冠层覆盖占比,估算出所述作物系数。
可选地,水肥胁迫状态识别模块420包括水分胁迫状态诊断单元和养分胁迫状态诊断单元,其中:
水分胁迫状态诊断单元,用于将利用所述冠层温度确定的水分亏缺指数设置为所述水分胁迫状态。
养分胁迫状态诊断单元,用于将利用所述作物系数确定的归一化植被指数设置为所述养分胁迫状态。
可选地,该装置还包括第一控制模块、第二控制模块和第三控制模块,其中:
第一控制模块,用于在确定所述水肥胁迫决策结果仅包含灌溉量的情况下,通过第一控制指令控制灌溉装置在下一周期向所述待识别作物追加体积为灌溉量的水。
第二控制模块,用于在确定所述水肥胁迫决策结果仅包含追肥量的情况下,通过第二控制指令控制施肥装置在下一周期向所述待识别作物追加质量为追肥量的肥料。
第三控制模块,用于在确定所述水肥胁迫决策结果仅包含追肥量的情况下,通过第三控制指令控制灌溉装置在下一周期向所述待识别作物追加体积为灌溉量的水的同时,还控制施肥装置在下一周期向所述待识别作物追加质量为追肥量的肥料。
本发明实施例提供的作物水肥胁迫的决策装置,用于执行本发明上述作物水肥胁迫的决策方法,其实施方式与本发明提供的作物水肥胁迫的决策方法的实施方式一致,且可以达到相同的有益效果,此处不再赘述。
本发明实施例通过具有热红外成像功能的手机终端采集到的第一作物图像和第二作物图像进行冠层区域的图像特征提取,利用提取到的作物系数和冠层温度分别对水分胁迫状态和养分胁迫状态进行诊断,并利用模糊控制算法对水分胁迫状态和养分胁迫状态进行协同决策,将下一周期水肥的灌溉量以水肥胁迫决策结果输出。能够通过灵活性高且成本低的图像采集手段,结合图像处理相关算法、模糊控制与专家经验实现了动态的水肥协同诊断与决策。
图5是本发明提供的手机终端的结构示意图。在上述任一实施例的基础上,如图5所示,该手机终端,包括通信连接的手机终端本体510和红外模组520。所述手机终端本体510包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现作物水肥胁迫的决策方法。
具体地,手机终端由通讯连接的手机终端本体510和红外模组520构成。
用户在使用手机终端时,在驱动手机终端本体510内置的成像模组拍摄第一作物图像时,还驱动红外模组520拍摄第二作物图像。并将上述图像回传至手机终端本体510的处理器中,由处理器执行作物水肥胁迫的决策方法,引导用户根据水肥胁迫决策结果在下一周期对作物的养护措施进行相应的调节。
本发明实施例通过具有热红外成像功能的手机终端采集到的第一作物图像和第二作物图像进行冠层区域的图像特征提取,利用提取到的作物系数和冠层温度分别对水分胁迫状态和养分胁迫状态进行诊断,并利用模糊控制算法对水分胁迫状态和养分胁迫状态进行协同决策,将下一周期水肥的灌溉量以水肥胁迫决策结果输出。能够通过灵活性高且成本低的图像采集手段,结合图像处理相关算法、模糊控制与专家经验实现了动态的水肥协同诊断与决策。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行作物水肥胁迫的决策方法,该方法包括:基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度;基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态;采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果;其中,所述决策结果包括所述待识别作物下一周期的灌溉量和/或追肥量;所述第一作物图像为通过终端对所述待识别作物的全貌进行拍摄所得到的可见光图像;所述第二作物图像为通过与所述终端连接的红外模组对所述待识别作物的全貌进行拍摄所得到的热红外图像。
此外,上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的作物水肥胁迫的决策方法,该方法包括:基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度;基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态;采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果;其中,所述决策结果包括所述待识别作物下一周期的灌溉量和/或追肥量;所述第一作物图像为通过终端对所述待识别作物的全貌进行拍摄所得到的可见光图像;所述第二作物图像为通过与所述终端连接的红外模组对所述待识别作物的全貌进行拍摄所得到的热红外图像。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的作物水肥胁迫的决策方法,该方法包括:基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度;基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态;采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果;其中,所述决策结果包括所述待识别作物下一周期的灌溉量和/或追肥量;所述第一作物图像为通过终端对所述待识别作物的全貌进行拍摄所得到的可见光图像;所述第二作物图像为通过与所述终端连接的红外模组对所述待识别作物的全貌进行拍摄所得到的热红外图像。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种作物水肥胁迫的决策方法,其特征在于,包括:
基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度;
基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态;
采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果;
其中,所述决策结果包括所述待识别作物下一周期的灌溉量和/或追肥量;所述第一作物图像为通过终端对所述待识别作物的全貌进行拍摄所得到的可见光图像;所述第二作物图像为通过与所述终端连接的红外模组对所述待识别作物的全貌进行拍摄所得到的热红外图像;
所述采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果,包括:
将所述水分胁迫状态和所述养分胁迫状态转化成语言变量输入至模糊控制器,得到所述模糊控制器输出的灌溉指令;
在确定所述灌溉指令携带的第一标识信息不为空,且第二标识信息为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量设置为所述水肥胁迫决策结果;
在确定所述灌溉指令携带的第一标识信息为空,且第二标识信息不为空的情况下,将利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果;
在确定所述灌溉指令携带的第一标识信息和第二标识信息均不为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量,以及利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果;
其中,所述模糊控制器是基于输入模糊集和输出模糊集之间相对应的模糊规则建立的;所述输入模糊集是根据对于所述水分胁迫状态和所述养分胁迫状态进行模糊化划分出的模糊等级所设置的隶属度函数确定的;所述输出模糊集是根据将模糊语言进行清晰化处理得到的多个水肥胁迫状态的策略等级所设置的隶属度函数确定的;所述模糊规则为根据不同水分胁迫状态和养分胁迫状态决定对应的水肥胁迫状态而建立的;所述灌溉指令携带的标识信息是根据所述水肥胁迫状态确定的;所述第一标识信息用于表征是否进行灌溉;所述第二标识信息用于表征是否进行追肥。
2.根据权利要求1所述的作物水肥胁迫的决策方法,其特征在于,所述基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度,包括:
采用超绿算法对所述第一作物图像进行图像分割,得到作物冠层图像;
利用从所述作物冠层图像解析出的冠层覆盖占比,确定所述作物系数;
基于所述作物冠层图像和所述第二作物图像,确定所述冠层温度。
3.根据权利要求2所述的作物水肥胁迫的决策方法,其特征在于,所述基于所述作物冠层图像和所述第二作物图像,确定所述冠层温度,包括:
采用二值图像连通域算法分别对所述作物冠层图像和所述第二作物图像进行轮廓坐标提取,得到第一特征点集合和第二特征点集合;
在利用所述第一特征点集合和所述第二特征点集合匹配得到红外冠层图像后,从所述红外冠层图像中提取出所述冠层温度。
4.根据权利要求2所述的作物水肥胁迫的决策方法,其特征在于,所述利用从所述作物冠层图像解析出的冠层覆盖占比,确定所述作物系数,包括:
将所述作物冠层图像输入至解析模型中,得到所述解析模型输出的所述作物系数;
其中,所述解析模型是根据样本作物冠层图像,以及在所述样本作物冠层图像中设置的冠层覆盖占比标签和作物系数标签训练的;所述解析模型包括占比转换层和占比解析层;
所述占比转换层,用于基于所述作物冠层图像,确定所述冠层覆盖占比;
所述占比解析层,用于基于所述冠层覆盖占比,估算出所述作物系数。
5.根据权利要求1所述的作物水肥胁迫的决策方法,其特征在于,所述基于所述待识别作物的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态,包括:
将利用所述冠层温度确定的水分亏缺指数设置为所述水分胁迫状态;
将利用所述作物系数确定的归一化植被指数设置为所述养分胁迫状态。
6.根据权利要求1所述的作物水肥胁迫的决策方法,其特征在于,在所述采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果之后,还包括:
在确定所述水肥胁迫决策结果仅包含灌溉量的情况下,通过第一控制指令控制灌溉装置在下一周期向所述待识别作物追加体积为灌溉量的水;
在确定所述水肥胁迫决策结果仅包含追肥量的情况下,通过第二控制指令控制施肥装置在下一周期向所述待识别作物追加质量为追肥量的肥料;
在确定所述水肥胁迫决策结果仅包含追肥量的情况下,通过第三控制指令控制灌溉装置在下一周期向所述待识别作物追加体积为灌溉量的水的同时,还控制施肥装置在下一周期向所述待识别作物追加质量为追肥量的肥料。
7.一种作物水肥胁迫的决策装置,其特征在于,包括:
图像处理模块,用于基于第一作物图像和第二作物图像,确定待识别作物当前的作物系数和冠层温度;
水肥胁迫状态识别模块,用于基于所述待识别作物当前的作物系数和冠层温度,确定水分胁迫状态和养分胁迫状态;
水肥胁迫状态决策模块,用于采用模糊控制算法对所述水分胁迫状态和所述养分胁迫状态进行处理,确定所述待识别作物的水肥胁迫决策结果;
其中,所述决策结果包括所述待识别作物下一周期的灌溉量和/或追肥量;所述第一作物图像为通过终端对所述待识别作物的全貌进行拍摄所得到的可见光图像;所述第二作物图像为通过与所述终端连接的红外模组对所述待识别作物的全貌进行拍摄所得到的热红外图像;
所述水肥胁迫状态决策模块包括模糊控制单元和决策单元,其中:
所述模糊控制单元,用于将所述水分胁迫状态和所述养分胁迫状态转化成语言变量输入至模糊控制器,得到所述模糊控制器输出的灌溉指令;
所述决策单元,用于在确定所述灌溉指令携带的第一标识信息不为空,且第二标识信息为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量设置为所述水肥胁迫决策结果;
所述决策单元,还用于在确定所述灌溉指令携带的第一标识信息为空,且第二标识信息不为空的情况下,将利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果;
所述决策单元,还用于在确定所述灌溉指令携带的第一标识信息和第二标识信息均不为空的情况下,将利用所述作物系数与参考作物蒸散量确定的灌溉量,以及利用所述养分胁迫状态和所述待识别作物的物种信息确定的追肥量设置为所述水肥胁迫决策结果;
其中,所述模糊控制器是基于输入模糊集和输出模糊集之间相对应的模糊规则建立的;所述输入模糊集是根据对于所述水分胁迫状态和所述养分胁迫状态进行模糊化划分出的模糊等级所设置的隶属度函数确定的;所述输出模糊集是根据将模糊语言进行清晰化处理得到的多个水肥胁迫状态的策略等级所设置的隶属度函数确定的;所述模糊规则为根据不同水分胁迫状态和养分胁迫状态决定对应的水肥胁迫状态而建立的;所述灌溉指令携带的标识信息是根据所述水肥胁迫状态确定的;所述第一标识信息用于表征是否进行灌溉;所述第二标识信息用于表征是否进行追肥。
8.一种手机终端,包括通信连接的手机终端本体和红外模组;所述手机终端本体包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述作物水肥胁迫的决策方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述作物水肥胁迫的决策方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173436.XA CN115861827B (zh) | 2023-02-28 | 2023-02-28 | 作物水肥胁迫的决策方法、装置及手机终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310173436.XA CN115861827B (zh) | 2023-02-28 | 2023-02-28 | 作物水肥胁迫的决策方法、装置及手机终端 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861827A CN115861827A (zh) | 2023-03-28 |
CN115861827B true CN115861827B (zh) | 2023-06-02 |
Family
ID=85659246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310173436.XA Active CN115861827B (zh) | 2023-02-28 | 2023-02-28 | 作物水肥胁迫的决策方法、装置及手机终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861827B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108323295B (zh) * | 2017-12-05 | 2019-12-03 | 江苏大学 | 一种基于多尺度生境信息的苗期作物水肥检测和控制方法及装置 |
CN112906477B (zh) * | 2021-01-21 | 2022-09-02 | 中国农业科学院农田灌溉研究所 | 一种基于无人机光谱数据的灌溉处方图反演方法 |
CN114662742A (zh) * | 2022-03-09 | 2022-06-24 | 北京市农林科学院智能装备技术研究中心 | 大田灌溉施肥制度动态决策方法及装置 |
-
2023
- 2023-02-28 CN CN202310173436.XA patent/CN115861827B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115861827A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
CN110517311A (zh) | 基于叶片病斑面积的病虫害监测方法 | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN108985588A (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
CN111080173B (zh) | 一种森林系统碳通量的估计方法 | |
CN113780097B (zh) | 基于知识图谱和深度学习的耕地提取方法 | |
CN109886155A (zh) | 基于深度学习的单株水稻检测定位方法、系统、设备及介质 | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
CN110648020A (zh) | 一种温室作物需水量预测方法及装置 | |
CN110321774A (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
CN116992779A (zh) | 基于数字孪生模型的光伏储能系统仿真方法及系统 | |
CN115861827B (zh) | 作物水肥胁迫的决策方法、装置及手机终端 | |
Monica et al. | Soil NPK prediction using enhanced genetic algorithm | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN110555343B (zh) | 典型资源要素中林、灌、草三要素提取方法和系统 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN109712110B (zh) | 一种基于机器视觉的作物实时耗水量监测方法和装置 | |
CN113408374A (zh) | 基于人工智能的产量预估方法、装置、设备及存储介质 | |
CN112700347A (zh) | 农作物高度生长曲线的生成方法、装置和存储介质 | |
Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time | |
CN109255370A (zh) | 一种基于pauc算法的农田智能喷药方法 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 |
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 |