CN116740651B - 基于智能决策的食用菌栽培监控方法及系统 - Google Patents
基于智能决策的食用菌栽培监控方法及系统 Download PDFInfo
- Publication number
- CN116740651B CN116740651B CN202311011231.8A CN202311011231A CN116740651B CN 116740651 B CN116740651 B CN 116740651B CN 202311011231 A CN202311011231 A CN 202311011231A CN 116740651 B CN116740651 B CN 116740651B
- Authority
- CN
- China
- Prior art keywords
- image
- edible fungi
- target
- growth
- current
- 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
- 241000233866 Fungi Species 0.000 title claims abstract description 396
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 208000024891 symptom Diseases 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 3
- 238000007726 management method Methods 0.000 abstract description 3
- 238000012271 agricultural production Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 description 9
- 235000001674 Agaricus brunnescens Nutrition 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 240000006499 Flammulina velutipes Species 0.000 description 3
- 235000016640 Flammulina velutipes Nutrition 0.000 description 3
- 244000252132 Pleurotus eryngii Species 0.000 description 3
- 235000001681 Pleurotus eryngii Nutrition 0.000 description 3
- 240000001462 Pleurotus ostreatus Species 0.000 description 3
- 235000001603 Pleurotus ostreatus Nutrition 0.000 description 3
- 241000121220 Tricholoma matsutake Species 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 244000234623 Coprinus comatus Species 0.000 description 2
- 235000004439 Coprinus comatus Nutrition 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000009423 ventilation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000012364 cultivation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 206010016165 failure to thrive Diseases 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
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
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明涉及农业生产管理技术领域，本发明公开了基于智能决策的食用菌栽培监控方法及系统，包括当为T+N的时刻时，获取第一角度目标食用菌的当前生长图像，以及获取第二角度目标食用菌的当前生长图像，获取当前生长状态系数；提取T+N‑K时刻下第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像，获取历史生长状态系数；判断当前生长状态系数是否大于等于历史生长状态系数，以获取症状特征图像；基于对应关系确定与症状特征图像对应的症状分析信息；提取第二角度目标食用菌的当前生长图像，将第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，根据比对结果对对应的环境控制设备进行设备控制与调节。
Description
技术领域
本发明涉及农业生产管理技术领域，更具体地说，本发明涉及基于智能决策的食用菌栽培监控方法及系统。
背景技术
食用菌，是指可以作为食物的真菌，其包括香菇、平菇、金针菇、杏鲍菇和松茸等等，它们通常生长在土壤中、树木上或其他有机物质中，食用菌以其独特的风味、营养价值和药用特性而受到人们的喜爱，并且随着人们对健康和营养的关注不断增加，食用菌的需求也在逐渐上升；然而由于野生食用菌存在生长周期长、易受病虫害侵袭等问题，且野生食用菌存在品相难以调控等问题，导致由野外获取的食用菌无法满足现在的人类需求；虽通过人工栽培食用菌可有效缓解上述问题，但由于传统人工的食用菌栽培方法存在着一些问题，如人工操作繁琐、环境监控不精确、自动化程度低和缺乏智能分析及决策等，从而影响了食用菌的生产产量和质量，因此如何对食用菌栽培的过程进行有效监控就成为当下研究重点。
目前，现有的食用菌栽培监控方法大都通过人工巡查实现，此种方式不仅费时费力，且依赖于管理人员知识经验水平，缺乏有效智能化的分析，易影响食用菌的生产产量和质量；当然也存在少部分的智能化的食用菌栽培监控方法，例如授权公告号为CN106094945B的中国专利公开了一种食用菌养殖监控系统及其方法，再例如授权公告号为CN112906735B的中国专利公开了一种食用菌环境大数据检测系统，此类发明虽能实现对食用菌生长环境进行检测或调控，但此类方法主要通过各类传感器不间断地采集和上传数据实现，由于大量各类传感器采集和上传数据的体量庞大，依据其进行处理分析，使得食用菌栽培监控效率不高，且上述此类方法缺乏对食用菌生成过程的直观监控，缺乏对食用菌的生长状态评估，从而无法直观地依据食用菌的生长状态进行智能化分析，以实现对食用菌生长环境的动态调节与自动化控制。
鉴于此，本发明提出一种基于智能决策的食用菌栽培监控方法及系统以解决上述问题。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于智能决策的食用菌栽培监控方法及系统。
为实现上述目的，本发明提供如下技术方案：
基于智能决策的食用菌栽培监控方法，所述方法包括：
步骤1：当为T+N的时刻时，通过第一相机获取种植子区域内第一角度目标食用菌的当前生长图像，以及通过第二相机获取种植子区域内第二角度目标食用菌的当前生长图像，T、N为正整数集合，且T等于2，N≥0；
步骤2：基于所述第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像获取目标食用菌的当前生长状态系数；
步骤3：提取T+N-K时刻下第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像，基于所述第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像获取目标食用菌的历史生长状态系数；K为正整数集合，且K≥1；
步骤4：判断所述当前生长状态系数是否大于等于历史生长状态系数，若大于等于，则返回步骤1；若小于，则将当前生长状态系数与历史生长状态系数的差值作为系数差，并基于所述系数差进行分析，以获取目标食用菌的症状特征图像；
步骤5：基于预设的症状特征图像与症状分析信息的对应关系，确定与所述症状特征图像对应的症状分析信息；所述症状分析信息包括多个生长变故症因、与每个生长变故症因相绑定的食用菌侧视图以及与每个食用菌侧视图相绑定的参数调节值；
步骤6：提取第二角度目标食用菌的当前生长图像，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，根据比对结果对对应的环境控制设备进行设备控制与调节。
进一步地，获取种植子区域内第一角度目标食用菌的当前生长图像，包括：
通过第一相机采集种植子区域的俯视区域图像；
提取俯视区域图像中每个食用菌的像素区域，根据每个食用菌的像素区域对俯视区域图像进行分割，得到若干细分俯视区域图像；
对若干所述细分俯视区域图像进行选取，以确定一个细分俯视区域图像，并将确定一个细分俯视区域图像作为标准细分俯视区域图像；
计算标准细分俯视区域图像与每个所述细分俯视区域图像的区域相似度，并判断是否存在至少一个区域相似度小于预设相似阈值；
若存在至少一个区域相似度小于预设相似阈值，则将对应的细分俯视区域图像作为第一角度目标食用菌的当前生长图像。
进一步地，获取种植子区域内第二角度目标食用菌的当前生长图像，包括：
获取第一角度目标食用菌的当前生长图像中目标食用菌的第一序号标记；
通过第二相机采集种植子区域的侧视区域图像，对侧视区域图像进行分割，得到若干细分侧视区域图像；
获取每个细分侧视区域图像中食用菌的第二序号标记；
将满足与第一序号标记预设对应关系的第二序号标记作为关联标记，基于关联标记获取对应细分侧视区域图像作为第二角度目标食用菌的当前生长图像。
进一步地，获取目标食用菌的当前生长状态系数，包括：
基于所述第一角度目标食用菌的当前生长图像，获取目标食用菌的像素面积和通道量总值；
基于所述第二角度目标食用菌的当前生长图像，获取目标食用菌的高度值；
基于像素面积、通道量总值和高度值生成目标食用菌的当前生长状态系数。
进一步地，所述目标食用菌的像素面积的获取过程如下：
对第一角度目标食用菌的当前生长图像进行灰度处理，得到第一灰度图像；
对第一灰度图像进行内容识别，以获取目标食用菌区域；
获取所述目标食用菌区域中的像素总量，将所述目标食用菌区域中的像素总量作为目标食用菌的像素面积；
基于所述第二角度目标食用菌的当前生长图像，获取目标食用菌的高度值。
进一步地，所述目标食用菌的高度值的获取过程如下：
对第二角度目标食用菌的当前生长图像进行灰度处理，得到第二灰度图像；
标定第二灰度图像中的第一像素特征点和第二像素特征点；
基于两点距离公式计算第一像素特征点和第二像素特征点距离，将第一像素特征点和第二像素特征点距离作为目标食用菌的高度值。
进一步地，基于所述系数差进行分析，包括：
将所述系数差与预设系数差阈值进行比较；
若系数差小于等于预设系数差阈值，则返回步骤1，若系数差大于预设系数差阈值，则判定目标食用菌存在生长变故，并对第一角度目标食用菌的当前生长图像进行分析，以获取目标食用菌的症状特征图像。
进一步地，对第一角度目标食用菌的当前生长图像进行分析，包括：
对第一角度目标食用菌的当前生长图像进行划分，以及对第一角度目标食用菌的历史生长图像进行划分，得到若干当前生长图像的待确定特征区域和历史生长图的待确定特征区域；
将相同位置当前生长图像的待确定特征区域与历史生长图的待确定特征区域进行比较，并记录当前生长图像的待确定特征区域与历史生长图的待确定特征区域的多个差异区域；
将差异区域面积最大的对应当前生长图像的待确定特征区域作为目标食用菌的症状特征图像。
进一步地，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，包括：
将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行向量化，并基于相似度算法计算向量化后第二角度目标食用菌的当前生长图像与食用菌侧视图的图像相似度；
判断所述图像相似度是否大于预设阈值，若大于，则调取对应生长变故症因以及对应的参数调节值作为比对结果。
进一步地，根据比对结果对对应的环境控制设备进行设备控制与调节，包括：
基于参数调节值获取参数实测值；
计算所述参数调节值与参数实测值的差值，将参数调节值与参数实测值的差值作为参数调节区间；
根据参数调节区间对对应的环境控制设备进行设备控制与调节。
基于智能决策的食用菌栽培监控系统，包括：
数据获取模块，用于当为T+N的时刻时，通过第一相机获取种植子区域内第一角度目标食用菌的当前生长图像，以及通过第二相机获取种植子区域内第二角度目标食用菌的当前生长图像，T、N为正整数集合，且T等于2，N≥0；
第一系数生成模块，用于基于所述第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像获取目标食用菌的当前生长状态系数；
第二系数生成模块，用于提取T+N-K时刻下第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像，基于所述第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像获取目标食用菌的历史生长状态系数；K为正整数集合，且K≥1；
比较分析模块，用于判断所述当前生长状态系数是否大于等于历史生长状态系数，若大于等于，则返回数据获取模块；若小于，则将当前生长状态系数与历史生长状态系数的差值作为系数差，并基于所述系数差进行分析，以获取目标食用菌的症状特征图像；
信息确定模块，用于基于预设的症状特征图像与症状分析信息的对应关系，确定与所述症状特征图像对应的症状分析信息；所述症状分析信息包括多个生长变故症因、与每个生长变故症因相绑定的食用菌侧视图以及与每个食用菌侧视图相绑定的参数调节值；
分析控制模块，用于提取第二角度目标食用菌的当前生长图像，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，根据比对结果对对应的环境控制设备进行设备控制与调节。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述基于智能决策的食用菌栽培监控方法。
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有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述基于智能决策的食用菌栽培监控方法。
相比于现有技术，本发明的有益效果在于：
本申请公开了一种基于智能决策的食用菌栽培监控方法及系统，首先当为T+N的时刻时，通过第一相机获取种植子区域内第一角度目标食用菌的当前生长图像，以及通过第二相机获取种植子区域内第二角度目标食用菌的当前生长图像；基于第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像获取目标食用菌的当前生长状态系数；提取T+N-K时刻下第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像，基于第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像获取目标食用菌的历史生长状态系数；判断当前生长状态系数是否大于等于历史生长状态系数，以获取症状特征图像；基于预设的症状特征图像与症状分析信息的对应关系，确定与症状特征图像对应的症状分析信息；提取第二角度目标食用菌的当前生长图像，将第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，根据比对结果对对应的环境控制设备进行设备控制与调节；通过上述步骤本发明有利于对食用菌生成过程进行直观监控，并对食用菌的生长状态进行实时评估，从而有利于直观地依据食用菌的生长状态进行分析，进而有利于实现对食用菌生长环境的动态调节与自动化控制，且有利于提高食用菌栽培监控效率，进而有利于提高食用菌的生产产量和质量。
附图说明
图1为本发明的基于智能决策的食用菌栽培监控方法的示意图；
图2为本发明的基于智能决策的食用菌栽培监控系统的示意图；
图3为本发明提供的一种电子设备的结构示意图。
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。
实施例1
请参阅图2所示，本实施例公开提供了基于智能决策的食用菌栽培监控系统，包括：
数据获取模块201，用于当为T+N的时刻时，通过第一相机获取种植子区域内第一角度目标食用菌的当前生长图像，以及通过第二相机获取种植子区域内第二角度目标食用菌的当前生长图像，T、N为正整数集合，且T等于2，N≥0；
需要说明的是：所述食用菌的具体种类包括但不限于香菇、平菇、金针菇、杏鲍菇、牛肝菌、鸡腿菇和松茸等等；所述种植子区域基于种植大棚或种植房中每个食用菌种植划定区域确定，进一步地说明就是，将种植大棚或种植房作为种植区域，将种植区域中人为划分的种植区作为种植子区域，其中，一个种植区域中包括若干种植子区域，每个种植子区域中种植有多个食用菌；
还需要说明的是：第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像按照时间序列进行采集，应当了解的是，T为固定值2，N的初始值为0，需要注意的是，所述T和N的单位具体为小时或天中的一种；
应当了解的是：第一角度目标食用菌的当前生长图像为俯视图，即通过设置于种植子区域上方的第一相机采集目标食用菌的俯视图，第二角度目标食用菌的当前生长图像为侧视图，即通过设置于种植子区域侧面的第二相机采集目标食用菌的侧视图；
具体的，获取种植子区域内第一角度目标食用菌的当前生长图像，包括：
通过第一相机采集种植子区域的俯视区域图像；
提取俯视区域图像中每个食用菌的像素区域，根据每个食用菌的像素区域对俯视区域图像进行分割，得到若干细分俯视区域图像；
对若干所述细分俯视区域图像进行选取，以确定一个细分俯视区域图像，并将确定一个细分俯视区域图像作为标准细分俯视区域图像；
需要说明的是：一个细分俯视区域图像的选择可以通过人为确定，也可以基于预设选取规则确定，具体的，所述预设选取规则的逻辑为：将每个所述细分俯视区域图像转换到HSV色彩空间，提取转化后每个所述细分俯视区域图像中的每个通道的通道量，基于每个所述细分俯视区域图像中的每个通道的通道量计算通道量均值，其具体公式为：，式中：/>为通道量均值，/>为第i个细分俯视区域图像的色调量，/>为第i个细分俯视区域图像的饱和度量，/>为第i个细分俯视区域图像的亮度量，为细分俯视区域图像的总数；将每个所述细分俯视区域图像的通道量之和（通道量之和的公式为/>，式中/>为第i个细分俯视区域图像的通道量之和）与通道量均值进行差值计算，并将每个所述细分俯视区域图像的通道量之和与通道量均值的差值标记为通道差值，将最小通道差值对应的细分俯视区域图像作为标准细分俯视区域图像；
计算标准细分俯视区域图像与每个所述细分俯视区域图像的区域相似度，并判断是否存在至少一个区域相似度小于预设相似阈值；
需要说明的是：所述标准细分俯视区域图像与每个所述细分俯视区域图像的区域相似度通过相似度算法计算得到，所述相似度算法包括但不限于余弦相似算法、欧式距离算法等等；
若存在至少一个区域相似度小于预设相似阈值，则将对应的细分俯视区域图像作为第一角度目标食用菌的当前生长图像；
需要说明的是：若不存在至少一个区域相似度小于预设相似阈值，则判定该种植子区域内食用菌当下不存在任何异样，则返回数据获取模块201，并分别将N和K加1；
具体的，获取种植子区域内第二角度目标食用菌的当前生长图像，包括：
获取第一角度目标食用菌的当前生长图像中目标食用菌的第一序号标记；
通过第二相机采集种植子区域的侧视区域图像，对侧视区域图像进行分割，得到若干细分侧视区域图像；
获取每个细分侧视区域图像中食用菌的第二序号标记；
将满足与第一序号标记预设对应关系的第二序号标记作为关联标记，基于关联标记获取对应细分侧视区域图像作为第二角度目标食用菌的当前生长图像；
需要说明的是：每个食用菌都人为预设有唯一的第一序号标记以及唯一的第二序号标记，所述第一序号标记和第二序号标记通过标记标签形式设置于食用菌的顶部和侧面，且每个唯一的第一序号标记以及唯一的第二序号标记一一关联对应，并预存于数据库中，举例来说就是，假设第一序号标记为A1，第二序号标记为a1，且A1与a1为预设对应关系，则判定两个食用菌为同一个；
第一系数生成模块202，用于基于所述第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像获取目标食用菌的当前生长状态系数；
具体的，获取目标食用菌的当前生长状态系数，包括：
基于所述第一角度目标食用菌的当前生长图像，获取目标食用菌的像素面积和通道量总值；
具体的，所述目标食用菌的像素面积的获取过程如下：
对第一角度目标食用菌的当前生长图像进行灰度处理，得到第一灰度图像；
对第一灰度图像进行内容识别，以获取目标食用菌区域；
需要说明的是：内容识别可以人为选取实现，可采用颜色阈值法确定，也可通过PS中快速选取等工具实现；
获取所述目标食用菌区域中的像素总量，将所述目标食用菌区域中的像素总量作为目标食用菌的像素面积；
需要说明的是：所述通道量总值的生成过程同上述每个所述细分俯视区域图像的通道量之和的生成过程，因此对此不再过多赘述，详情可参照上文；其公式表示为：，式中：/>为第一角度目标食用菌的当前生长图像的通道量总值，/>为第一角度目标食用菌的当前生长图像的色调量，/>为第一角度目标食用菌的当前生长图像的饱和度量，/>为第一角度目标食用菌的当前生长图像的亮度量；应当注意的是：此处第一角度目标食用菌的当前生长图像未经过灰度化处理，而是转换到HSV色彩空间的；进一步说明的是：像素总量即是指像素总个数；
基于所述第二角度目标食用菌的当前生长图像，获取目标食用菌的高度值；
具体的，所述目标食用菌的高度值的获取过程如下：
对第二角度目标食用菌的当前生长图像进行灰度处理，得到第二灰度图像；
标定第二灰度图像中的第一像素特征点和第二像素特征点；
需要说明的是：第一像素特征点是指在第二灰度图像中目标食用菌（目标食用菌区域的像素点）最靠近顶端边缘的像素点，所述第二像素特征点是指在第二灰度图像中目标食用菌（目标食用菌区域的像素点）最靠近底端边缘的像素点，所述第一像素特征点和第二像素特征点可以人为标定实现，也可以根据像素点靠近边缘的距离确定；
基于两点距离公式计算第一像素特征点和第二像素特征点距离，将第一像素特征点和第二像素特征点距离作为目标食用菌的高度值；
基于像素面积、通道量总值和高度值生成目标食用菌的当前生长状态系数；其生成计算公式为：，式中：/>表示当前生长状态系数，/>为像素面积，/>为通道量总值，/>为高度值，/>、/>和/>为大于零的修正因子；
第二系数生成模块203，用于提取T+N-K时刻下第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像，基于所述第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像获取目标食用菌的历史生长状态系数；K为正整数集合，且K≥1；
需要说明的是：K的初始值为1，与T和N相同，K的单位具体为小时或天中的一种；应当注意的是，T、N和K的单位一致，若T的单位为小时，则N和K也为小时；
还需要说明的是：所述历史生长状态系数的获取过程同上述当前生长状态系数，对此本发明不做过多赘述，且所述历史生长状态系数预存于数据库中，在使用时直接调取即可；
比较分析模块204，用于判断所述当前生长状态系数是否大于等于历史生长状态系数，若大于等于，则返回数据获取模块201；若小于，则将当前生长状态系数与历史生长状态系数的差值作为系数差，并基于所述系数差进行分析，以获取目标食用菌的症状特征图像；
需要说明的是：若大于等于，则返回数据获取模块201，则说明对应目标食用菌不存在任何异样，且对T+N时刻中N加1，若小于，则说明对应目标食用菌存在异样，需进一步分析确定，进一步解释就是，若T+N=2，且单位为小时，也就是说N为零时，获取2时刻下的第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像，若当所述当前生长状态系数大于等于历史生长状态系数时，则获取T+N+1=2+1=3时刻的第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像；
具体的，基于所述系数差进行分析，包括：
将所述系数差与预设系数差阈值进行比较；
若系数差小于等于预设系数差阈值，则返回数据获取模块201，若系数差大于预设系数差阈值，则判定目标食用菌存在生长变故，并对第一角度目标食用菌的当前生长图像进行分析，以获取目标食用菌的症状特征图像；
需要说明的是：同样地，若系数差小于等于预设系数差阈值，则返回数据获取模块201，则说明对应目标食用菌不存在任何异样，且对T+N时刻中N加1；
具体的，对第一角度目标食用菌的当前生长图像进行分析，包括：
对第一角度目标食用菌的当前生长图像进行划分，以及对第一角度目标食用菌的历史生长图像进行划分，得到若干当前生长图像的待确定特征区域和历史生长图的待确定特征区域；
将相同位置当前生长图像的待确定特征区域与历史生长图的待确定特征区域进行比较，并记录当前生长图像的待确定特征区域与历史生长图的待确定特征区域的多个差异区域；
将差异区域面积最大的对应当前生长图像的待确定特征区域作为目标食用菌的症状特征图像；
信息确定模块205，用于基于预设的症状特征图像与症状分析信息的对应关系，确定与所述症状特征图像对应的症状分析信息；所述症状分析信息包括多个生长变故症因、与每个生长变故症因相绑定的食用菌侧视图以及与每个食用菌侧视图相绑定的参数调节值；
需要说明的是：所述生长变故症因包括但不限于湿度原因、温度原因、光照原因、通风原因和浇水原因等等，就某一个原因进行解释就是，例如湿度原因，因为湿度不满足目标食用菌的生长需要导致目标食用菌产生生长变故，同样地，对于其他原因的含义也是如此；
分析控制模块206，用于提取第二角度目标食用菌的当前生长图像，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，根据比对结果对对应的环境控制设备进行设备控制与调节；
具体的，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，包括：
将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行向量化，并基于相似度算法计算向量化后第二角度目标食用菌的当前生长图像与食用菌侧视图的图像相似度；
判断所述图像相似度是否大于预设阈值，若大于，则调取对应生长变故症因以及对应的参数调节值作为比对结果；
具体的，根据比对结果对对应的环境控制设备进行设备控制与调节，包括：
基于参数调节值获取参数实测值；
需要说明的是：基于参数调节值获取参数实测值是指基于参数调节值的采集对象（设备）采集参数实测值，所述采集对象（设备）包括但不限于温度传感器、湿度传感器、光照传感器、风力传感器和含水量传感器等等；
计算所述参数调节值与参数实测值的差值，将参数调节值与参数实测值的差值作为参数调节区间；
根据参数调节区间对对应的环境控制设备进行设备控制与调节；
还需要说明的是：所述环境控制设备包括但不限于空调、加湿器、加热器、小太阳、遮阳板、风扇和浇水设备等等；
进一步需要解释的是：通过将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，假设比对后确定目标食用菌的生长变故症因为温度原因，此时则获取对应食用菌侧视图相绑定的参数调节值（假设参数调节值为20摄氏度），并通过温度传感器获取当下温度参数实测值（假设温度参数实测值为30摄氏度），根据参数调节区间对对应的环境控制设备进行设备控制与调节，即将空调调低10摄氏度左右；
通过对食用菌生成过程进行直观监控，并对食用菌的生长状态进行实时评估，本发明有利于直观的依据食用菌的生长状态进行智能化分析，以实现对食用菌生长环境的动态调节与自动化控制，从而有利于提高食用菌栽培监控效率，进而有利于提高食用菌的生产产量和质量。
实施例2
请参阅图1所示，本实施例公开提供了基于智能决策的食用菌栽培监控方法，所述方法包括：
步骤1：当为T+N的时刻时，通过第一相机获取种植子区域内第一角度目标食用菌的当前生长图像，以及通过第二相机获取种植子区域内第二角度目标食用菌的当前生长图像，T、N为正整数集合，且T等于2，N≥0；
需要说明的是：所述食用菌的具体种类包括但不限于香菇、平菇、金针菇、杏鲍菇、牛肝菌、鸡腿菇和松茸等等；所述种植子区域基于种植大棚或种植房中每个食用菌种植划定区域确定，进一步地说明就是，将种植大棚或种植房作为种植区域，将种植区域中人为划分的种植区作为种植子区域，其中，一个种植区域中包括若干种植子区域，每个种植子区域中种植有多个食用菌；
还需要说明的是：第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像按照时间序列进行采集，应当了解的是，T为固定值2，N的初始值为0，需要注意的是，所述T和N的单位具体为小时或天中的一种；
应当了解的是：第一角度目标食用菌的当前生长图像为俯视图，即通过设置于种植子区域上方的第一相机采集目标食用菌的俯视图，第二角度目标食用菌的当前生长图像为侧视图，即通过设置于种植子区域侧面的第二相机采集目标食用菌的侧视图；
具体的，获取种植子区域内第一角度目标食用菌的当前生长图像，包括：
通过第一相机采集种植子区域的俯视区域图像；
提取俯视区域图像中每个食用菌的像素区域，根据每个食用菌的像素区域对俯视区域图像进行分割，得到若干细分俯视区域图像；
对若干所述细分俯视区域图像进行选取，以确定一个细分俯视区域图像，并将确定一个细分俯视区域图像作为标准细分俯视区域图像；
需要说明的是：一个细分俯视区域图像的选择可以通过人为确定，也可以基于预设选取规则确定，具体的，所述预设选取规则的逻辑为：将每个所述细分俯视区域图像转换到HSV色彩空间，提取转化后每个所述细分俯视区域图像中的每个通道的通道量，基于每个所述细分俯视区域图像中的每个通道的通道量计算通道量均值，其具体公式为：，式中：/>为通道量均值，/>为第i个细分俯视区域图像的色调量，/>为第i个细分俯视区域图像的饱和度量，/>为第i个细分俯视区域图像的亮度量，为细分俯视区域图像的总数；将每个所述细分俯视区域图像的通道量之和（通道量之和的公式为/>，式中/>为第i个细分俯视区域图像的通道量之和）与通道量均值进行差值计算，并将每个所述细分俯视区域图像的通道量之和与通道量均值的差值标记为通道差值，将最小通道差值对应的细分俯视区域图像作为标准细分俯视区域图像；
计算标准细分俯视区域图像与每个所述细分俯视区域图像的区域相似度，并判断是否存在至少一个区域相似度小于预设相似阈值；
需要说明的是：所述标准细分俯视区域图像与每个所述细分俯视区域图像的区域相似度通过相似度算法计算得到，所述相似度算法包括但不限于余弦相似算法、欧式距离算法等等；
若存在至少一个区域相似度小于预设相似阈值，则将对应的细分俯视区域图像作为第一角度目标食用菌的当前生长图像；
需要说明的是：若不存在至少一个区域相似度小于预设相似阈值，则判定该种植子区域内食用菌当下不存在任何异样，则返回步骤1，并分别将N和K加1；
具体的，获取种植子区域内第二角度目标食用菌的当前生长图像，包括：
获取第一角度目标食用菌的当前生长图像中目标食用菌的第一序号标记；
通过第二相机采集种植子区域的侧视区域图像，对侧视区域图像进行分割，得到若干细分侧视区域图像；
获取每个细分侧视区域图像中食用菌的第二序号标记；
将满足与第一序号标记预设对应关系的第二序号标记作为关联标记，基于关联标记获取对应细分侧视区域图像作为第二角度目标食用菌的当前生长图像；
需要说明的是：每个食用菌都人为预设有唯一的第一序号标记以及唯一的第二序号标记，所述第一序号标记和第二序号标记通过标记标签形式设置于食用菌的顶部和侧面，且每个唯一的第一序号标记以及唯一的第二序号标记一一关联对应，并预存于数据库中，举例来说就是，假设第一序号标记为A1，第二序号标记为a1，且A1与a1为预设对应关系，则判定两食用菌为同一个；
步骤2：基于所述第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像获取目标食用菌的当前生长状态系数；
具体的，获取目标食用菌的当前生长状态系数，包括：
基于所述第一角度目标食用菌的当前生长图像，获取目标食用菌的像素面积和通道量总值；
具体的，所述目标食用菌的像素面积的获取过程如下：
对第一角度目标食用菌的当前生长图像进行灰度处理，得到第一灰度图像；
对第一灰度图像进行内容识别，以获取目标食用菌区域；
需要说明的是：内容识别可以人为选取实现，可采用颜色阈值法确定，也可通过PS中快速选取等工具实现；
获取所述目标食用菌区域中的像素总量，将所述目标食用菌区域中的像素总量作为目标食用菌的像素面积；
需要说明的是：所述通道量总值的生成过程同上述每个所述细分俯视区域图像的通道量之和的生成过程，因此对此不再过多赘述，详情可参照上文；其公式表示为：，式中：/>为第一角度目标食用菌的当前生长图像的通道量总值，/>为第一角度目标食用菌的当前生长图像的色调量，/>为第一角度目标食用菌的当前生长图像的饱和度量，/>为第一角度目标食用菌的当前生长图像的亮度量；应当注意的是：此处第一角度目标食用菌的当前生长图像未经过灰度化处理，而是转换到HSV色彩空间的；
基于所述第二角度目标食用菌的当前生长图像，获取目标食用菌的高度值；
具体的，所述目标食用菌的高度值的获取过程如下：
对第二角度目标食用菌的当前生长图像进行灰度处理，得到第二灰度图像；
标定第二灰度图像中的第一像素特征点和第二像素特征点；
需要说明的是：第一像素特征点是指在第二灰度图像中目标食用菌（目标食用菌区域的像素点）最靠近顶端边缘的像素点，所述第二像素特征点是指在第二灰度图像中目标食用菌（目标食用菌区域的像素点）最靠近底端边缘的像素点，所述第一像素特征点和第二像素特征点可以人为标定实现，也可以根据像素点靠近边缘的距离确定；
基于两点距离公式计算第一像素特征点和第二像素特征点距离，将第一像素特征点和第二像素特征点距离作为目标食用菌的高度值；
基于像素面积、通道量总值和高度值生成目标食用菌的当前生长状态系数；其生成计算公式为：，式中：/>表示当前生长状态系数，/>为像素面积，/>为通道量总值，/>为高度值，/>、/>和/>为大于零的修正因子；
步骤3：提取T+N-K时刻下第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像，基于所述第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像获取目标食用菌的历史生长状态系数；K为正整数集合，且K≥1；
需要说明的是：K的初始值为1，与T和N相同，K的单位具体为小时或天中的一种；应当注意的是，T、N和K的单位一致，若T的单位为小时，则N和K也为小时；
还需要说明的是：所述历史生长状态系数的获取过程同上述当前生长状态系数，对此本发明不做过多赘述，且所述历史生长状态系数预存于数据库中，在使用时直接调取即可；
步骤4：判断所述当前生长状态系数是否大于等于历史生长状态系数，若大于等于，则返回步骤1；若小于，则将当前生长状态系数与历史生长状态系数的差值作为系数差，并基于所述系数差进行分析，以获取目标食用菌的症状特征图像；
需要说明的是：若大于等于，则返回步骤1，则说明对应目标食用菌不存在任何异样，且对T+N时刻中N加1，若小于，则说明对应目标食用菌存在异样，需进一步分析确定，进一步解释就是，若T+N=2，且单位为小时，也就是说N为零时，获取2时刻下的第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像，若当所述当前生长状态系数大于等于历史生长状态系数时，则获取T+N+1=2+1=3时刻的第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像；
具体的，基于所述系数差进行分析，包括：
将所述系数差与预设系数差阈值进行比较；
若系数差小于等于预设系数差阈值，则返回步骤1，若系数差大于预设系数差阈值，则判定目标食用菌存在生长变故，并对第一角度目标食用菌的当前生长图像进行分析，以获取目标食用菌的症状特征图像；
需要说明的是：同样地，若系数差小于等于预设系数差阈值，则返回步骤1，则说明对应目标食用菌不存在任何异样，且对T+N时刻中N加1；
具体的，对第一角度目标食用菌的当前生长图像进行分析，包括：
对第一角度目标食用菌的当前生长图像进行划分，以及对第一角度目标食用菌的历史生长图像进行划分，得到若干当前生长图像的待确定特征区域和历史生长图的待确定特征区域；
将相同位置当前生长图像的待确定特征区域与历史生长图的待确定特征区域进行比较，并记录当前生长图像的待确定特征区域与历史生长图的待确定特征区域的多个差异区域；
将差异区域面积最大的对应当前生长图像的待确定特征区域作为目标食用菌的症状特征图像；
步骤5：基于预设的症状特征图像与症状分析信息的对应关系，确定与所述症状特征图像对应的症状分析信息；所述症状分析信息包括多个生长变故症因、与每个生长变故症因相绑定的食用菌侧视图以及与每个食用菌侧视图相绑定的参数调节值；
需要说明的是：所述生长变故症因包括但不限于湿度原因、温度原因、光照原因、通风原因和浇水原因等等，就某一个原因进行解释就是，例如湿度原因，因为湿度不满足目标食用菌的生长需要导致目标食用菌产生生长变故，同样地，对于其他原因的含义也是如此；
步骤6：提取第二角度目标食用菌的当前生长图像，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，根据比对结果对对应的环境控制设备进行设备控制与调节；
具体的，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，包括：
将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行向量化，并基于相似度算法计算向量化后第二角度目标食用菌的当前生长图像与食用菌侧视图的图像相似度；
判断所述图像相似度是否大于预设阈值，若大于，则调取对应生长变故症因以及对应的参数调节值作为比对结果；
具体的，根据比对结果对对应的环境控制设备进行设备控制与调节，包括：
基于参数调节值获取参数实测值；
需要说明的是：基于参数调节值获取参数实测值是指基于参数调节值的采集对象（设备）采集参数实测值，所述采集对象（设备）包括但不限于温度传感器、湿度传感器、光照传感器、风力传感器和含水量传感器等等；
计算所述参数调节值与参数实测值的差值，将参数调节值与参数实测值的差值作为参数调节区间；
根据参数调节区间对对应的环境控制设备进行设备控制与调节；
还需要说明的是：所述环境控制设备包括但不限于空调、加湿器、加热器、小太阳、遮阳板、风扇和浇水设备等等；
进一步需要解释的是：通过将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，假设比对后确定目标食用菌的生长变故症因为温度原因，此时则获取对应食用菌侧视图相绑定的参数调节值（假设参数调节值为20摄氏度），并通过温度传感器获取当下温度参数实测值（假设温度参数实测值为30摄氏度），根据参数调节区间对对应的环境控制设备进行设备控制与调节，即将空调调低10摄氏度左右。
实施例3
请参阅图3所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于智能决策的食用菌栽培监控方法。
由于本实施例所介绍的电子设备为实施本申请实施例中基于智能决策的食用菌栽培监控方法所采用的电子设备，故而基于本申请实施例中所介绍的基于智能决策的食用菌栽培监控方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中基于智能决策的食用菌栽培监控方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例4
本实施例公开提供了一种计算机可读存储介质，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述基于智能决策的食用菌栽培监控方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一 种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (11)
1.基于智能决策的食用菌栽培监控方法，其特征在于，所述方法包括：
步骤1：当为T+N的时刻时，通过第一相机获取种植子区域内第一角度目标食用菌的当前生长图像，以及通过第二相机获取种植子区域内第二角度目标食用菌的当前生长图像，T、N为正整数集合，且T等于2，N≥0；
获取种植子区域内第一角度目标食用菌的当前生长图像，包括：
通过第一相机采集种植子区域的俯视区域图像；
提取俯视区域图像中每个食用菌的像素区域，根据每个食用菌的像素区域对俯视区域图像进行分割，得到若干细分俯视区域图像；
对若干所述细分俯视区域图像进行选取，以确定一个细分俯视区域图像，并将确定一个细分俯视区域图像作为标准细分俯视区域图像；
计算标准细分俯视区域图像与每个所述细分俯视区域图像的区域相似度，并判断是否存在至少一个区域相似度小于预设相似阈值；
若存在至少一个区域相似度小于预设相似阈值，则将对应的细分俯视区域图像作为第一角度目标食用菌的当前生长图像；
获取种植子区域内第二角度目标食用菌的当前生长图像，包括：
获取第一角度目标食用菌的当前生长图像中目标食用菌的第一序号标记；
通过第二相机采集种植子区域的侧视区域图像，对侧视区域图像进行分割，得到若干细分侧视区域图像；
获取每个细分侧视区域图像中食用菌的第二序号标记；
将满足与第一序号标记预设对应关系的第二序号标记作为关联标记，基于关联标记获取对应细分侧视区域图像作为第二角度目标食用菌的当前生长图像；
步骤2：基于所述第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像获取目标食用菌的当前生长状态系数；
步骤3：提取T+N-K时刻下第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像，基于所述第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像获取目标食用菌的历史生长状态系数；K为正整数集合，且K≥1；
步骤4：判断所述当前生长状态系数是否大于等于历史生长状态系数，若大于等于，则返回步骤1；若小于，则将当前生长状态系数与历史生长状态系数的差值作为系数差，并基于所述系数差进行分析，以获取目标食用菌的症状特征图像；
步骤5：基于预设的症状特征图像与症状分析信息的对应关系，确定与所述症状特征图像对应的症状分析信息；所述症状分析信息包括多个生长变故症因、与每个生长变故症因相绑定的食用菌侧视图以及与每个食用菌侧视图相绑定的参数调节值；
步骤6：提取第二角度目标食用菌的当前生长图像，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，根据比对结果对对应的环境控制设备进行设备控制与调节。
2.根据权利要求1所述的基于智能决策的食用菌栽培监控方法，其特征在于，获取目标食用菌的当前生长状态系数，包括：
基于所述第一角度目标食用菌的当前生长图像，获取目标食用菌的像素面积和通道量总值；
基于所述第二角度目标食用菌的当前生长图像，获取目标食用菌的高度值；
基于像素面积、通道量总值和高度值生成目标食用菌的当前生长状态系数。
3.根据权利要求2所述的基于智能决策的食用菌栽培监控方法，其特征在于，所述目标食用菌的像素面积的获取过程如下：
对第一角度目标食用菌的当前生长图像进行灰度处理，得到第一灰度图像；
对第一灰度图像进行内容识别，以获取目标食用菌区域；
获取所述目标食用菌区域中的像素总量，将所述目标食用菌区域中的像素总量作为目标食用菌的像素面积；
基于所述第二角度目标食用菌的当前生长图像，获取目标食用菌的高度值。
4.根据权利要求3所述的基于智能决策的食用菌栽培监控方法，其特征在于，所述目标食用菌的高度值的获取过程如下：
对第二角度目标食用菌的当前生长图像进行灰度处理，得到第二灰度图像；
标定第二灰度图像中的第一像素特征点和第二像素特征点；
基于两点距离公式计算第一像素特征点和第二像素特征点距离，将第一像素特征点和第二像素特征点距离作为目标食用菌的高度值。
5.根据权利要求4所述的基于智能决策的食用菌栽培监控方法，其特征在于，基于所述系数差进行分析，包括：
将所述系数差与预设系数差阈值进行比较；
若系数差小于等于预设系数差阈值，则返回步骤1，若系数差大于预设系数差阈值，则判定目标食用菌存在生长变故，并对第一角度目标食用菌的当前生长图像进行分析，以获取目标食用菌的症状特征图像。
6.根据权利要求5所述的基于智能决策的食用菌栽培监控方法，其特征在于，对第一角度目标食用菌的当前生长图像进行分析，包括：
对第一角度目标食用菌的当前生长图像进行划分，以及对第一角度目标食用菌的历史生长图像进行划分，得到若干当前生长图像的待确定特征区域和历史生长图的待确定特征区域；
将相同位置当前生长图像的待确定特征区域与历史生长图的待确定特征区域进行比较，并记录当前生长图像的待确定特征区域与历史生长图的待确定特征区域的多个差异区域；
将差异区域面积最大的对应当前生长图像的待确定特征区域作为目标食用菌的症状特征图像。
7.根据权利要求6所述的基于智能决策的食用菌栽培监控方法，其特征在于，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，包括：
将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行向量化，并基于相似度算法计算向量化后第二角度目标食用菌的当前生长图像与食用菌侧视图的图像相似度；
判断所述图像相似度是否大于预设阈值，若大于，则调取对应生长变故症因以及对应的参数调节值作为比对结果。
8.根据权利要求7所述的基于智能决策的食用菌栽培监控方法，其特征在于，根据比对结果对对应的环境控制设备进行设备控制与调节，包括：
基于参数调节值获取参数实测值；
计算所述参数调节值与参数实测值的差值，将参数调节值与参数实测值的差值作为参数调节区间；
根据参数调节区间对对应的环境控制设备进行设备控制与调节。
9.基于智能决策的食用菌栽培监控系统，其特征在于，包括：
数据获取模块，用于当为T+N的时刻时，通过第一相机获取种植子区域内第一角度目标食用菌的当前生长图像，以及通过第二相机获取种植子区域内第二角度目标食用菌的当前生长图像，T、N为正整数集合，且T等于2，N≥0；
获取种植子区域内第一角度目标食用菌的当前生长图像，包括：
通过第一相机采集种植子区域的俯视区域图像；
提取俯视区域图像中每个食用菌的像素区域，根据每个食用菌的像素区域对俯视区域图像进行分割，得到若干细分俯视区域图像；
对若干所述细分俯视区域图像进行选取，以确定一个细分俯视区域图像，并将确定一个细分俯视区域图像作为标准细分俯视区域图像；
计算标准细分俯视区域图像与每个所述细分俯视区域图像的区域相似度，并判断是否存在至少一个区域相似度小于预设相似阈值；
若存在至少一个区域相似度小于预设相似阈值，则将对应的细分俯视区域图像作为第一角度目标食用菌的当前生长图像；
获取种植子区域内第二角度目标食用菌的当前生长图像，包括：
获取第一角度目标食用菌的当前生长图像中目标食用菌的第一序号标记；
通过第二相机采集种植子区域的侧视区域图像，对侧视区域图像进行分割，得到若干细分侧视区域图像；
获取每个细分侧视区域图像中食用菌的第二序号标记；
将满足与第一序号标记预设对应关系的第二序号标记作为关联标记，基于关联标记获取对应细分侧视区域图像作为第二角度目标食用菌的当前生长图像；
第一系数生成模块，用于基于所述第一角度目标食用菌的当前生长图像和第二角度目标食用菌的当前生长图像获取目标食用菌的当前生长状态系数；
第二系数生成模块，用于提取T+N-K时刻下第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像，基于所述第一角度目标食用菌的历史生长图像和第二角度目标食用菌的历史生长图像获取目标食用菌的历史生长状态系数；K为正整数集合，且K≥1；
比较分析模块，用于判断所述当前生长状态系数是否大于等于历史生长状态系数，若大于等于，则返回数据获取模块；若小于，则将当前生长状态系数与历史生长状态系数的差值作为系数差，并基于所述系数差进行分析，以获取目标食用菌的症状特征图像；
信息确定模块，用于基于预设的症状特征图像与症状分析信息的对应关系，确定与所述症状特征图像对应的症状分析信息；所述症状分析信息包括多个生长变故症因、与每个生长变故症因相绑定的食用菌侧视图以及与每个食用菌侧视图相绑定的参数调节值；
分析控制模块，用于提取第二角度目标食用菌的当前生长图像，将所述第二角度目标食用菌的当前生长图像与食用菌侧视图进行比对，根据比对结果对对应的环境控制设备进行设备控制与调节。
10.一种电子设备，包括存储器、处理器以及存储在存储器上并可在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计算机程序时实现权利要求1至8任一项所述基于智能决策的食用菌栽培监控方法。
11.一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有计算机程序，所述计算机程序被处理器执行时实现权利要求1至8任一项所述基于智能决策的食用菌栽培监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311011231.8A CN116740651B (zh) | 2023-08-11 | 2023-08-11 | 基于智能决策的食用菌栽培监控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311011231.8A CN116740651B (zh) | 2023-08-11 | 2023-08-11 | 基于智能决策的食用菌栽培监控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116740651A CN116740651A (zh) | 2023-09-12 |
| CN116740651B true CN116740651B (zh) | 2023-10-17 |
Family
ID=87904715
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311011231.8A Active CN116740651B (zh) | 2023-08-11 | 2023-08-11 | 基于智能决策的食用菌栽培监控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116740651B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014186710A (ja) * | 2013-02-25 | 2014-10-02 | Medekku:Kk | 画像処理技術を用いたしいたけの等級判別装置 |
| CN111837824A (zh) * | 2020-07-31 | 2020-10-30 | 王美华 | 一种基于大数据智慧农业的食用菌种植环境调控管理系统 |
| CN113016506A (zh) * | 2021-04-01 | 2021-06-25 | 江西农业大学 | 一种用于食用菌生长期三维表型参数获取的自动化种植箱 |
| CN114359387A (zh) * | 2022-01-06 | 2022-04-15 | 东北林业大学 | 基于改进yolov4算法的袋料栽培香菇检测方法 |
| CN114782439A (zh) * | 2022-06-21 | 2022-07-22 | 成都沃特塞恩电子技术有限公司 | 培育钻石的生长状态检测方法、装置、系统、电子设备 |
| CN114879786A (zh) * | 2022-05-23 | 2022-08-09 | 连云港银丰食用菌科技有限公司 | 一种获取食用菌决策方案的方法、系统、装置及介质 |
| CN114898364A (zh) * | 2022-06-28 | 2022-08-12 | 安徽未来种业有限公司 | 一种葡萄的高效栽培方法及系统 |
| WO2022267257A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江商汤科技开发有限公司 | 图像配准方法、视觉定位方法、装置、设备、介质及程序 |
| CN115775229A (zh) * | 2022-11-14 | 2023-03-10 | 新特能源股份有限公司 | 一种多晶硅监控方法、装置及相关设备 |
| CN116091505A (zh) * | 2023-04-11 | 2023-05-09 | 青岛芯康半导体科技有限公司 | 一种蓝宝石衬底自动缺陷检测分类的方法和系统 |
| CN116167951A (zh) * | 2023-02-17 | 2023-05-26 | 黑龙江大学 | 一种智能食用菌种植云平台系统 |
| CN116310913A (zh) * | 2023-05-12 | 2023-06-23 | 江苏苏海信息科技(集团)有限公司 | 基于小型无人机测量技术的自然资源调查监测方法及装置 |
| CN116453060A (zh) * | 2023-05-15 | 2023-07-18 | 广东省农业科学院植物保护研究所 | 一种面向植物种植的智慧施药决策可行性评估系统 |
-
2023
- 2023-08-11 CN CN202311011231.8A patent/CN116740651B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014186710A (ja) * | 2013-02-25 | 2014-10-02 | Medekku:Kk | 画像処理技術を用いたしいたけの等級判別装置 |
| CN111837824A (zh) * | 2020-07-31 | 2020-10-30 | 王美华 | 一种基于大数据智慧农业的食用菌种植环境调控管理系统 |
| CN113016506A (zh) * | 2021-04-01 | 2021-06-25 | 江西农业大学 | 一种用于食用菌生长期三维表型参数获取的自动化种植箱 |
| WO2022267257A1 (zh) * | 2021-06-25 | 2022-12-29 | 浙江商汤科技开发有限公司 | 图像配准方法、视觉定位方法、装置、设备、介质及程序 |
| CN114359387A (zh) * | 2022-01-06 | 2022-04-15 | 东北林业大学 | 基于改进yolov4算法的袋料栽培香菇检测方法 |
| CN114879786A (zh) * | 2022-05-23 | 2022-08-09 | 连云港银丰食用菌科技有限公司 | 一种获取食用菌决策方案的方法、系统、装置及介质 |
| CN114782439A (zh) * | 2022-06-21 | 2022-07-22 | 成都沃特塞恩电子技术有限公司 | 培育钻石的生长状态检测方法、装置、系统、电子设备 |
| CN114898364A (zh) * | 2022-06-28 | 2022-08-12 | 安徽未来种业有限公司 | 一种葡萄的高效栽培方法及系统 |
| CN115775229A (zh) * | 2022-11-14 | 2023-03-10 | 新特能源股份有限公司 | 一种多晶硅监控方法、装置及相关设备 |
| CN116167951A (zh) * | 2023-02-17 | 2023-05-26 | 黑龙江大学 | 一种智能食用菌种植云平台系统 |
| CN116091505A (zh) * | 2023-04-11 | 2023-05-09 | 青岛芯康半导体科技有限公司 | 一种蓝宝石衬底自动缺陷检测分类的方法和系统 |
| CN116310913A (zh) * | 2023-05-12 | 2023-06-23 | 江苏苏海信息科技(集团)有限公司 | 基于小型无人机测量技术的自然资源调查监测方法及装置 |
| CN116453060A (zh) * | 2023-05-15 | 2023-07-18 | 广东省农业科学院植物保护研究所 | 一种面向植物种植的智慧施药决策可行性评估系统 |
Non-Patent Citations (5)
| Title |
|---|
| Refined shape model fitting methods for detecting various types of phenological information on major US crops;Sakamoto T;《ISPRS Journal of Photogrammetry and Remote Sensing》;第138卷;176-192 * |
| 基于云计算的食用菌栽培环境参数自动监测系统;刘洋等;《中国食用菌》;第39卷(第2期);32-34 * |
| 基于物联网技术的有机人参仿生栽培智能化监控平台;韩俊波;《中国优秀硕士学位论文全文数据库 (农业科技辑)》(第3期);D043-14 * |
| 植物工厂立体栽培系统多功能作业平台优化与试验;于畅畅等;<农业工程学报>;第38卷(第1期);266-275 * |
| 食用菌生长库远程监控系统的研制开发;於锋等;《江苏农机化》(第5期);31-33 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116740651A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110455340B (zh) | 一种基于大数据的农产品种植环境检测系统 | |
| JP6261492B2 (ja) | 情報処理装置及び情報処理方法及びプログラム | |
| EP3679430A1 (en) | System and method for controlling a growth environment of a crop | |
| CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
| CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
| 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 | |
| CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
| CN114442705B (zh) | 一种基于物联网的智慧农业系统及控制方法 | |
| CN111126662A (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| Solvin et al. | Use of UAV photogrammetric data in forest genetic trials: measuring tree height, growth, and phenology in Norway spruce (Picea abies L. Karst.) | |
| CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
| CN115294518B (zh) | 一种园艺植物温室精准栽培的智能监控方法及系统 | |
| CN114743100A (zh) | 一种农产品长势监测方法和系统 | |
| CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| KR101810901B1 (ko) | 작물체의 생육 시뮬레이션 장치 | |
| CN116649160A (zh) | 食用菌菌种生产监测系统及监测方法 | |
| CN116740651B (zh) | 基于智能决策的食用菌栽培监控方法及系统 | |
| CN116578047B (zh) | 一种用于辣椒生产的精细化智能控制方法及系统 | |
| CN116757707B (zh) | 一种农作物果实生长溯源方法及系统 | |
| CN108834667A (zh) | 一种基于物联网的大棚系统 | |
| CN114663652A (zh) | 图像处理方法、装置、管理系统、电子设备和存储介质 | |
| Vasanthi | Crop growth monitoring and leaf area index estimation using wireless sensor network and CNN | |
| Vinod et al. | Mining intelligent patterns using svac for precision agriculture and optimizing irrigation (student abstract) | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN116912702B (zh) | 杂草覆盖度确定方法、系统、装置及电子设备 |
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 |