CN116746325A - 一种蔬菜数字化育种方法 - Google Patents
一种蔬菜数字化育种方法 Download PDFInfo
- Publication number
- CN116746325A CN116746325A CN202310663782.6A CN202310663782A CN116746325A CN 116746325 A CN116746325 A CN 116746325A CN 202310663782 A CN202310663782 A CN 202310663782A CN 116746325 A CN116746325 A CN 116746325A
- Authority
- CN
- China
- Prior art keywords
- vegetable
- breeding
- vegetables
- data
- watering
- 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.)
- Pending
Links
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 269
- 238000009395 breeding Methods 0.000 title claims abstract description 125
- 230000001488 breeding effect Effects 0.000 claims abstract description 106
- 238000000034 method Methods 0.000 claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 35
- 230000035784 germination Effects 0.000 claims abstract description 33
- 239000002689 soil Substances 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000005303 weighing Methods 0.000 claims abstract description 8
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims abstract description 4
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims abstract description 4
- 238000005286 illumination Methods 0.000 claims abstract description 4
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 4
- 229910052698 phosphorus Inorganic materials 0.000 claims abstract description 4
- 239000011574 phosphorus Substances 0.000 claims abstract description 4
- 239000011591 potassium Substances 0.000 claims abstract description 4
- 229910052700 potassium Inorganic materials 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000012010 growth Effects 0.000 claims description 70
- 230000001105 regulatory effect Effects 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 9
- 230000028446 budding cell bud growth Effects 0.000 claims description 6
- 230000001575 pathological effect Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001717 pathogenic effect Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 206010059866 Drug resistance Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 150000001413 amino acids Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C1/00—Apparatus, or methods of use thereof, for testing or treating seed, roots, or the like, prior to sowing or planting
- A01C1/02—Germinating apparatus; Determining germination capacity of seeds or the like
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/15—Leaf crops, e.g. lettuce or spinach
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Environmental Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Soil Sciences (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Botany (AREA)
- Physiology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于蔬菜数字化育种技术领域,公开了一种蔬菜数字化育种方法。所述方法包括采集蔬菜种子图像,对蔬菜种子优良外形进行识别,并对蔬菜种子进行称重,根据识别结果及称重结构筛选优良的蔬菜种子;对蔬菜种子育种土壤的酸碱度、氮磷钾、电导率、湿度、温度进行监测;对蔬菜种子育种气温、光照、风力方向环境数据进行监测;对蔬菜种子育种进行定量浇水;并对蔬菜育种发芽优良值进行监测。本发明通过对蔬菜种子育种进行定量浇水方法获取蔬菜当前时刻的客观自身参数和土壤可变参数,根据预先训练好的RBF神经网络算法预测的需水量来进行浇水,能够精准定量的对蔬菜进行浇水,从而达到节约水资源,增加蔬菜的产量的目的。
Description
技术领域
本发明属于蔬菜数字化育种技术领域,尤其涉及一种蔬菜数字化育种方法。
背景技术
蔬菜育种是选育和繁殖植物优良品种或是改良蔬菜的遗传特性,以培育高产优质品种的技术,又称蔬菜品种改良。蔬菜育种是改进蔬菜经济性状的遗传模式的技术,是作物育种的重要组成部分;育种目标确定蔬菜的育种目标时,除考虑作物育种的一般要求外,常需着重考虑下列特点:①蔬菜的种类远多于粮食作物和其他经济作物;人们的消费需要也更为复杂多样。这就对育种提出了增加蔬菜种类的要求。同时,大部分蔬菜产品的含水量都很高,不耐贮藏运输,又要求通过育种提供成熟期不同(早、中、晚熟)、耐贮藏运输以及适于各种不同的加工方法的品种,以便为蔬菜生产提供合理的品种组合,保证蔬菜的周年均衡供应和出口贸易等需要。②蔬菜作为一种副食品是人类获取各种维生素、氨基酸、矿质元素、碳水化合物等营养成分的主要来源,因此品质育种对蔬菜作物尤为重要。③蔬菜多为专业化栽培,同一地区连年集中种植蔬菜,这种情况极易导致病原物的积累。长期大量施用农药又筛选了病原物,提高了其抗药性。因此抗病育种不但对减少损失、改进品质有重要意义,而且可减少农药施用量,减轻环境污染,并可降低生产成本;然而,现有蔬菜数字化育种方法大多是依照菜农经验判断浇水量的多少,缺少科学的浇水判断以及浇水方法,浇水量过多或过少以及浇水方式不合理,不仅会使水资源的利用率低,还会降低蔬菜的产量;同时,无法对蔬菜的育种过程中的生长环境数据进行实时的调控,导致蔬菜的育种环境不能处于较佳的状态。蔬菜的育种过程中通过肉眼观察蔬菜的发芽情况,没有具体的量化标准,得到的结果并不准确,受主观因素影响较大。
通过上述分析,现有技术存在的问题及缺陷为:
(1)现有蔬菜数字化育种方法大多是依照菜农经验判断浇水量的多少,缺少科学的浇水判断以及浇水方法,浇水量过多或过少以及浇水方式不合理,不仅会使水资源的利用率低,还会降低蔬菜的产量。
(2)无法对蔬菜的育种过程中的生长环境数据进行实时的调控,导致蔬菜的育种环境不能处于较佳的状态。蔬菜的育种过程中通过肉眼观察蔬菜的发芽情况,没有具体的量化标准,得到的结果并不准确,受主观因素影响较大。
发明内容
针对现有技术存在的问题,本发明提供了一种蔬菜数字化育种方法。
本发明是这样实现的,一种蔬菜数字化育种方法包括:
步骤一,采集蔬菜种子图像,使用图像处理技术术对蔬菜种子图像进行分析,提取种子的形态特征、颜色特征、纹理特征,根据提取的特征对蔬菜种子优良外形进行识别,并对蔬菜种子进行称重,根据识别结果及称重结构筛选优良的蔬菜种子;
步骤二,使用传感器网络监测对蔬菜种子育种土壤的酸碱度、氮磷钾、电导率、湿度、温度进行监测;并使用环境监测设备对蔬菜种子育种气温、光照、风力方向数据进行监测;
步骤三,对蔬菜种子育种进行定量浇水;并对蔬菜育种发芽优良值进行监测。
进一步,所述对蔬菜种子育种进行定量浇水方法如下:
(1)配置超声检测仪参数,通过超声检测仪参数获取蔬菜当前时刻发出的超声波频率数据;对超声波频率数据去噪处理;基于蔬菜在不同含水量时期发出的超声波频率数据的不同,判断当前时刻的蔬菜是否满足浇水条件;若满足浇水条件,则获取蔬菜当前时刻的客观自身参数和土壤可变参数;
(2)基于所述蔬菜当前时刻的客观自身参数和土壤可变参数,使用预先训练好的RBF神经网络算法预测需水量;根据所述预测的需水量对蔬菜进行浇水。
进一步,所述蔬菜当前时刻的客观自身参数包括:蔬菜种类、土壤类型中的至少一种;所述土壤可变参数包括:土壤含水量、土壤温度中的至少一种。
进一步,所述判断当前时刻的蔬菜是否满足浇水条件通过以下方式实现:
根据所述蔬菜当前时刻的超声波频率数据与预先采集的蔬菜的缺水时超声波频率数据的均值,确定第一频率差值;
根据所述蔬菜当前时刻的超声波频率数据与预先采集的蔬菜的不缺水时超声波频率数据的均值,确定第二频率差值;
若所述第一频率差值小于或等于所述第二频率差值,则确定满足浇水条件;
反之,则确定不满足浇水条件。
进一步,所述RBF神经网络的训练方法包括:
将样本输入序列和相关联的样本输出序列分别分为两部分,一部分作为训练数据序列,另一部分作为测试数据序列;
利用所述训练数据序列对所述RBF神经网络算法进行训练,训练出RBF神经网络算法;
用所述测试数据序列对训练出的所述RBF神经网络算法型进行测试;
判断测试结果的准确度是否低于90%;
若是,则修改所述RBF神经网络算法的学习率,利用所述样本输入序列重新对所述RBF神经网络算法进行训练,直至所述测试的准确度不低于90%。
进一步,所述方法还包括:
在得到所述预测的需水量后,根据所述预测的需水量对蔬菜进行精准定量浇水。
进一步,所述获取蔬菜当前时刻发出的超声波频率数据包括:
实时获取蔬菜当前时刻发出的超声波频率数据;
或,接收浇水指令,响应于浇水指令开始浇水,当浇水的时长到达预设时长时,暂停浇水并获取蔬菜当前时刻发出的超声波频率数据。
进一步,所述对蔬菜育种发芽优良值进行监测方法如下:
1)构建蔬菜育种数据库,将采集的育种数据存入蔬菜育种数据库;采集育种处理过程经过相同预先处理的多个蔬菜育种的生长环境数据;根据预先构建的蔬菜育种指导参数表,对生长环境数据进行调控;
2)分别采集育种处理过程中多个蔬菜育种的生长图像;根据采集的生长图像获取不同蔬菜育种的生长状态数据;每隔一段育种天数,根据蔬菜的生长状态数据和预先构建的蔬菜育种指导参数表中的数据对蔬菜的发芽情况进行评价,计算不同蔬菜育种的发芽优良值。
进一步,所述方法还包括如下步骤:
根据计算的蔬菜的发芽优良值,计算不同蔬菜育种的总体发芽优良值;
标定总体发芽优良值最大的蔬菜种,以进行种植。
进一步,所述每组蔬菜育种组中的蔬菜沿同一直线方向放置,垂直于蔬菜芽的生长方向采集蔬菜的生长图像;
对生长环境数据进行调控的方法包括:
获取当前育种天数;
根据预先构建的蔬菜育种指导参数表,获取当前育种天数对应的生长环境数据控制范围;
判断采集的当前生长环境数据是否在当前育种天数对应的生长环境数据控制范围内,若是,则无需对当前生长环境数据进行调控,否则,对当前生长环境数据进行调控,以使得当前生长环境数据符合当前育种天数对应的生长环境数据控制范围;
对生长环境数据进行调控的方法还包括如下步骤:
获取需要调控的生长环境数据类型及需要调控的数值;
向需要调控的生长环境数据类型对应的生长环境数据调控装置发送调控指令,调控指令中携带需要需要调控的数值;
获取不同蔬菜育种的生长状态数据的方法包括如下子步骤:
根据预先训练的蔬菜芽识别模型,从蔬菜的生长图像中提取蔬菜芽特征图像;
根据蔬菜芽特征图像获取蔬菜芽生长状态数据;
根据预先训练的蔬菜芽病态识别模型,获取蔬菜芽特征图像中蔬菜芽的病态数据;
蔬菜芽生长状态数据包括:蔬菜芽的数量、蔬菜芽茎的直径、蔬菜芽茎的长度、蔬菜芽叶片数量、蔬菜芽叶片面积。
结合上述的技术方案和解决的技术问题,本发明所要保护的技术方案所具备的优点及积极效果为:
本发明通过对蔬菜种子育种进行定量浇水方法获取蔬菜当前时刻的客观自身参数和土壤可变参数,根据预先训练好的RBF神经网络算法预测的需水量来进行浇水,能够精准定量的对蔬菜进行浇水,从而达到节约水资源,增加蔬菜的产量的目的;同时,通过对蔬菜育种发芽优良值进行监测方法根据蔬菜育种的时间对蔬菜的育种过程中的生长环境数据进行实时的调控,使得蔬菜的育种环境处于较佳的状态;通过采集蔬菜的发芽图像,根据蔬菜的发芽图像精确分析蔬菜的发芽情况,提高分析结果的准确性。
附图说明
图1是本发明实施例提供的蔬菜数字化育种方法流程图;
图2是本发明实施例提供的对蔬菜种子育种进行定量浇水方法流程图;
图3是本发明实施例提供的对蔬菜育种发芽优良值进行监测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提供一种蔬菜数字化育种方法包括以下步骤:
S101,采集蔬菜种子图像,使用图像处理技术术对蔬菜种子图像进行分析,提取种子的形态特征、颜色特征、纹理特征,根据提取的特征对蔬菜种子优良外形进行识别,并对蔬菜种子进行称重,根据识别结果及称重结构筛选优良的蔬菜种子;
S102,使用传感器网络监测对蔬菜种子育种土壤的酸碱度、氮磷钾、电导率、湿度、温度进行监测;并使用环境监测设备对蔬菜种子育种气温、光照、风力方向数据进行监测;
S103,对蔬菜种子育种进行定量浇水;并对蔬菜育种发芽优良值进行监测。
如图2所示,本发明提供的对蔬菜种子育种进行定量浇水方法如下:
S201,配置超声检测仪参数,通过超声检测仪参数获取蔬菜当前时刻发出的超声波频率数据;对超声波频率数据去噪处理;基于蔬菜在不同含水量时期发出的超声波频率数据的不同,判断当前时刻的蔬菜是否满足浇水条件;若满足浇水条件,则获取蔬菜当前时刻的客观自身参数和土壤可变参数;
S202,基于所述蔬菜当前时刻的客观自身参数和土壤可变参数,使用预先训练好的RBF神经网络算法预测需水量;根据所述预测的需水量对蔬菜进行浇水。
本发明提供的蔬菜当前时刻的客观自身参数包括:蔬菜种类、土壤类型中的至少一种;所述土壤可变参数包括:土壤含水量、土壤温度中的至少一种。
本发明提供的判断当前时刻的蔬菜是否满足浇水条件通过以下方式实现:
根据所述蔬菜当前时刻的超声波频率数据与预先采集的蔬菜的缺水时超声波频率数据的均值,确定第一频率差值;
根据所述蔬菜当前时刻的超声波频率数据与预先采集的蔬菜的不缺水时超声波频率数据的均值,确定第二频率差值;
若所述第一频率差值小于或等于所述第二频率差值,则确定满足浇水条件;
反之,则确定不满足浇水条件。
本发明提供的RBF神经网络的训练方法包括:
将样本输入序列和相关联的样本输出序列分别分为两部分,一部分作为训练数据序列,另一部分作为测试数据序列;
利用所述训练数据序列对所述RBF神经网络算法进行训练,训练出RBF神经网络算法;
用所述测试数据序列对训练出的所述RBF神经网络算法型进行测试;
判断测试结果的准确度是否低于90%;
若是,则修改所述RBF神经网络算法的学习率,利用所述样本输入序列重新对所述RBF神经网络算法进行训练,直至所述测试的准确度不低于90%。
本发明提供的方法还包括:
在得到所述预测的需水量后,根据所述预测的需水量对蔬菜进行精准定量浇水。
本发明提供的获取蔬菜当前时刻发出的超声波频率数据包括:
实时获取蔬菜当前时刻发出的超声波频率数据;
或,接收浇水指令,响应于浇水指令开始浇水,当浇水的时长到达预设时长时,暂停浇水并获取蔬菜当前时刻发出的超声波频率数据。
如图3所示,本发明提供的对蔬菜育种发芽优良值进行监测方法如下:
S301,构建蔬菜育种数据库,将采集的育种数据存入蔬菜育种数据库;采集育种处理过程经过相同预先处理的多个蔬菜育种的生长环境数据;根据预先构建的蔬菜育种指导参数表,对生长环境数据进行调控;
S302,分别采集育种处理过程中多个蔬菜育种的生长图像;根据采集的生长图像获取不同蔬菜育种的生长状态数据;每隔一段育种天数,根据蔬菜的生长状态数据和预先构建的蔬菜育种指导参数表中的数据对蔬菜的发芽情况进行评价,计算不同蔬菜育种的发芽优良值。
本发明提供的方法还包括如下步骤:
根据计算的蔬菜的发芽优良值,计算不同蔬菜育种的总体发芽优良值;
标定总体发芽优良值最大的蔬菜种,以进行种植。
本发明提供的每组蔬菜育种组中的蔬菜沿同一直线方向放置,垂直于蔬菜芽的生长方向采集蔬菜的生长图像;
对生长环境数据进行调控的方法包括:
获取当前育种天数;
根据预先构建的蔬菜育种指导参数表,获取当前育种天数对应的生长环境数据控制范围;
判断采集的当前生长环境数据是否在当前育种天数对应的生长环境数据控制范围内,若是,则无需对当前生长环境数据进行调控,否则,对当前生长环境数据进行调控,以使得当前生长环境数据符合当前育种天数对应的生长环境数据控制范围;
对生长环境数据进行调控的方法还包括如下步骤:
获取需要调控的生长环境数据类型及需要调控的数值;
向需要调控的生长环境数据类型对应的生长环境数据调控装置发送调控指令,调控指令中携带需要需要调控的数值;
获取不同蔬菜育种的生长状态数据的方法包括如下子步骤:
根据预先训练的蔬菜芽识别模型,从蔬菜的生长图像中提取蔬菜芽特征图像;
根据蔬菜芽特征图像获取蔬菜芽生长状态数据;
根据预先训练的蔬菜芽病态识别模型,获取蔬菜芽特征图像中蔬菜芽的病态数据;
蔬菜芽生长状态数据包括:蔬菜芽的数量、蔬菜芽茎的直径、蔬菜芽茎的长度、蔬菜芽叶片数量、蔬菜芽叶片面积。
本发明应用实施例通过对蔬菜种子育种进行定量浇水方法获取蔬菜当前时刻的客观自身参数和土壤可变参数,根据预先训练好的RBF神经网络算法预测的需水量来进行浇水,能够精准定量的对蔬菜进行浇水,从而达到节约水资源,增加蔬菜的产量的目的;同时,通过对蔬菜育种发芽优良值进行监测方法根据蔬菜育种的时间对蔬菜的育种过程中的生长环境数据进行实时的调控,使得蔬菜的育种环境处于较佳的状态;通过采集蔬菜的发芽图像,根据蔬菜的发芽图像精确分析蔬菜的发芽情况,提高分析结果的准确性。
应当注意,本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现;软件部分可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用由各种类型的处理器执行的软件实现,也可以由上述硬件电路和软件的结合例如固件来实现。
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,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种蔬菜数字化育种方法,其特征在于,所述蔬菜数字化育种方法包括以下步骤:
步骤一,采集蔬菜种子图像,使用图像处理技术术对蔬菜种子图像进行分析,提取种子的形态特征、颜色特征、纹理特征,根据提取的特征对蔬菜种子优良外形进行识别,并对蔬菜种子进行称重,根据识别结果及称重结构筛选优良的蔬菜种子;
步骤二,使用传感器网络监测对蔬菜种子育种土壤的酸碱度、氮磷钾、电导率、湿度、温度进行监测;并使用环境监测设备对蔬菜种子育种气温、光照、风力方向数据进行监测;
步骤三,对蔬菜种子育种进行定量浇水;并对蔬菜育种发芽优良值进行监测。
2.如权利要求1所述蔬菜数字化育种方法,其特征在于,所述对蔬菜种子育种进行定量浇水方法如下:
(1)配置超声检测仪参数,通过超声检测仪参数获取蔬菜当前时刻发出的超声波频率数据;对超声波频率数据去噪处理;基于蔬菜在不同含水量时期发出的超声波频率数据的不同,判断当前时刻的蔬菜是否满足浇水条件;若满足浇水条件,则获取蔬菜当前时刻的客观自身参数和土壤可变参数;
(2)基于所述蔬菜当前时刻的客观自身参数和土壤可变参数,使用预先训练好的RBF神经网络算法预测需水量;根据所述预测的需水量对蔬菜进行浇水。
3.如权利要求2所述蔬菜数字化育种方法,其特征在于,所述蔬菜当前时刻的客观自身参数包括:蔬菜种类、土壤类型中的至少一种;所述土壤可变参数包括:土壤含水量、土壤温度中的至少一种。
4.如权利要求2所述蔬菜数字化育种方法,其特征在于,所述判断当前时刻的蔬菜是否满足浇水条件通过以下方式实现:
根据所述蔬菜当前时刻的超声波频率数据与预先采集的蔬菜的缺水时超声波频率数据的均值,确定第一频率差值;
根据所述蔬菜当前时刻的超声波频率数据与预先采集的蔬菜的不缺水时超声波频率数据的均值,确定第二频率差值;
若所述第一频率差值小于或等于所述第二频率差值,则确定满足浇水条件;
反之,则确定不满足浇水条件。
5.如权利要求2所述蔬菜数字化育种方法,其特征在于,所述RBF神经网络的训练方法包括:
将样本输入序列和相关联的样本输出序列分别分为两部分,一部分作为训练数据序列,另一部分作为测试数据序列;
利用所述训练数据序列对所述RBF神经网络算法进行训练,训练出RBF神经网络算法;
用所述测试数据序列对训练出的所述RBF神经网络算法型进行测试;
判断测试结果的准确度是否低于90%;
若是,则修改所述RBF神经网络算法的学习率,利用所述样本输入序列重新对所述RBF神经网络算法进行训练,直至所述测试的准确度不低于90%。
6.如权利要求2所述蔬菜数字化育种方法,其特征在于,所述方法还包括:
在得到所述预测的需水量后,根据所述预测的需水量对蔬菜进行精准定量浇水。
7.如权利要求2所述蔬菜数字化育种方法,其特征在于,所述获取蔬菜当前时刻发出的超声波频率数据包括:
实时获取蔬菜当前时刻发出的超声波频率数据;
或,接收浇水指令,响应于浇水指令开始浇水,当浇水的时长到达预设时长时,暂停浇水并获取蔬菜当前时刻发出的超声波频率数据。
8.如权利要求1所述蔬菜数字化育种方法,其特征在于,所述对蔬菜育种发芽优良值进行监测方法如下:
1)构建蔬菜育种数据库,将采集的育种数据存入蔬菜育种数据库;采集育种处理过程经过相同预先处理的多个蔬菜育种的生长环境数据;根据预先构建的蔬菜育种指导参数表,对生长环境数据进行调控;
2)分别采集育种处理过程中多个蔬菜育种的生长图像;根据采集的生长图像获取不同蔬菜育种的生长状态数据;每隔一段育种天数,根据蔬菜的生长状态数据和预先构建的蔬菜育种指导参数表中的数据对蔬菜的发芽情况进行评价,计算不同蔬菜育种的发芽优良值。
9.如权利要求8所述蔬菜数字化育种方法,其特征在于,所述方法还包括如下步骤:
根据计算的蔬菜的发芽优良值,计算不同蔬菜育种的总体发芽优良值;
标定总体发芽优良值最大的蔬菜种,以进行种植。
10.如权利要求8所述蔬菜数字化育种方法,其特征在于,所述每组蔬菜育种组中的蔬菜沿同一直线方向放置,垂直于蔬菜芽的生长方向采集蔬菜的生长图像;
对生长环境数据进行调控的方法包括:
获取当前育种天数;
根据预先构建的蔬菜育种指导参数表,获取当前育种天数对应的生长环境数据控制范围;
判断采集的当前生长环境数据是否在当前育种天数对应的生长环境数据控制范围内,若是,则无需对当前生长环境数据进行调控,否则,对当前生长环境数据进行调控,以使得当前生长环境数据符合当前育种天数对应的生长环境数据控制范围;
对生长环境数据进行调控的方法还包括如下步骤:
获取需要调控的生长环境数据类型及需要调控的数值;
向需要调控的生长环境数据类型对应的生长环境数据调控装置发送调控指令,调控指令中携带需要需要调控的数值;
获取不同蔬菜育种的生长状态数据的方法包括如下子步骤:
根据预先训练的蔬菜芽识别模型,从蔬菜的生长图像中提取蔬菜芽特征图像;
根据蔬菜芽特征图像获取蔬菜芽生长状态数据;
根据预先训练的蔬菜芽病态识别模型,获取蔬菜芽特征图像中蔬菜芽的病态数据;
蔬菜芽生长状态数据包括:蔬菜芽的数量、蔬菜芽茎的直径、蔬菜芽茎的长度、蔬菜芽叶片数量、蔬菜芽叶片面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663782.6A CN116746325A (zh) | 2023-06-06 | 2023-06-06 | 一种蔬菜数字化育种方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310663782.6A CN116746325A (zh) | 2023-06-06 | 2023-06-06 | 一种蔬菜数字化育种方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116746325A true CN116746325A (zh) | 2023-09-15 |
Family
ID=87958187
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310663782.6A Pending CN116746325A (zh) | 2023-06-06 | 2023-06-06 | 一种蔬菜数字化育种方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116746325A (zh) |
-
2023
- 2023-06-06 CN CN202310663782.6A patent/CN116746325A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346142B (zh) | 一种基于植物光照图像的植物生长状态识别方法 | |
Wei et al. | Influence of irrigation during the growth stage on yield and quality in mango (Mangifera indica L) | |
US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
US11109523B2 (en) | Precision crop production-function models | |
Biswas | Importance of chat GPT in Agriculture: According to chat GPT | |
CN111415085A (zh) | 一种作物种植的生产质量监测方法与系统 | |
CN116578047B (zh) | 一种用于辣椒生产的精细化智能控制方法及系统 | |
Bates et al. | Evaluation of the Concord crop load response for current commercial production in New York | |
Marcelis et al. | Modelling fruit set, fruit growth and dry matter partitioning | |
CN116746325A (zh) | 一种蔬菜数字化育种方法 | |
CN116186392A (zh) | 柑橘品种的种植推荐方法、装置、终端设备和存储介质 | |
CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
JP7335459B2 (ja) | 調整された育成プロトコル目標値を用いる実験 | |
Smith et al. | Extreme Temperatures and Field-Level Crop Quality, Yield, and Revenue | |
Mohammed et al. | Applications of AI and IoT for Advancing Date Palm Cultivation in Saudi Arabia | |
Mojapelo | Estimation of sorghum supply elasticity in South Africa | |
Bauer et al. | AirSurf-Lettuce: an aerial image analysis platform for ultra-scale field phenotyping and precision agriculture using computer vision and deep learning | |
Rafique et al. | Developing a simple and efficient modeling solution for predicting key phenological stages of table grapes in a non-traditional viticulture zone in south Asia | |
CN111062554B (zh) | 农作物产期产量管理分析系统 | |
CN117236731A (zh) | 一种基于物联网的葡萄智慧水肥管理控制系统及方法 | |
Soodtoetong et al. | The performance of crop yield forecasting model based on artificial intelligence | |
Fondaj et al. | Proposal of Prediction Model for Smart Agriculture Based on IoT Sensor Data | |
Sudhakar et al. | Water Level Prediction using Random Forest Algorithm | |
Kartheepan et al. | E-Agrigo | |
EP4292413A1 (en) | Dynamic generation of experimental treatment plans |
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 |