CN116994001B - 一种基于数据智能的水稻叶龄模式栽培方法、系统及设备 - Google Patents

一种基于数据智能的水稻叶龄模式栽培方法、系统及设备 Download PDF

Info

Publication number
CN116994001B
CN116994001B CN202311008743.9A CN202311008743A CN116994001B CN 116994001 B CN116994001 B CN 116994001B CN 202311008743 A CN202311008743 A CN 202311008743A CN 116994001 B CN116994001 B CN 116994001B
Authority
CN
China
Prior art keywords
rice
image
leaf
growth
vein
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
CN202311008743.9A
Other languages
English (en)
Other versions
CN116994001A (zh
Inventor
董守田
李景宇
孙叶桐
张城玮
才大阖
刘帅
陈翔
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.)
Northeast Agricultural University
Original Assignee
Northeast Agricultural University
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 Northeast Agricultural University filed Critical Northeast Agricultural University
Priority to CN202311008743.9A priority Critical patent/CN116994001B/zh
Publication of CN116994001A publication Critical patent/CN116994001A/zh
Application granted granted Critical
Publication of CN116994001B publication Critical patent/CN116994001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Business, Economics & Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于数据智能的水稻叶龄模式栽培方法、系统及设备，属于智慧农业技术领域。该方法包括获取水稻图像，对水稻图像进行裁剪处理，然后进行边缘检测，进行叶脉提取及叶边缘计算，计算叶脉偏亮，获取前水稻环境监测数据，并根据叶片生长速度、叶龄时期以及当前水稻环境监测数据，判定水稻长势，根据水稻长势，利用层次分析法对水稻农田做出智能栽培决策，其中，智能决策包括植保、施肥及灌溉。本发明结合水稻叶龄和长势对稻田能够提供智能决策，使农户能精准方便的实施水稻生产调控措施，能够提高农业土地资源，肥料资源以及水资源的利用率，也提高了人工效率，推动着农业生产朝着精细化的方向发展。

Description

一种基于数据智能的水稻叶龄模式栽培方法、系统及设备
技术领域
本发明涉及智慧农业技术领域，更具体的说是涉及一种基于数据智能的水稻叶龄模式栽培方法、系统及设备。
背景技术
智慧农业是现代农业发展的基本方向，通过物联网，无线网络传感器等新兴技术，使得农业传感器的数据更加多样，农业智能决策更加精准。水稻叶龄是水稻生长发育的关键外部标志，是科学种稻必须掌握的一项重要指标。由于叶片是光合作用最主要的场所，所以光照对叶片的生长影响较大，充足的光照将使叶片绿且挺，氮、磷、钾等营养元素对叶片生长也会造成一定影响。水稻叶龄诊断模式是以水稻“器官同伸理论”和“叶龄模式理论”为基础，通过叶龄诊断、预测来调控种植、管理和收割等流程而逐渐发展起来的一种栽培理论与技术新体系。
水稻叶龄诊断模式是根据水稻的叶龄对水稻进行跟踪管理，判断水稻的生育过程和叶片的长势长相，并及时地采取有效的调控措施，使水稻有计划地生长，从而提高水稻的产量和稻米质量。传统的水稻诊断模式是按以往的节气和时间对水稻进行生产管理的一种流程式的生育期诊断方法，以经验居多，易存在栽培措施的偏差。进一步的，现有技术中，专利号CN114913217A，公开的一种水稻叶龄诊断方法，而该方法并未涉及到对水稻叶龄进行模型化诊断，诊断精度交低，不利于提供有效决策。
基于此，如何提供一种基于数据智能的水稻叶龄模式栽培方法、系统及设备是本领域技术人员亟需解决的问题。
发明内容
有鉴于此，本发明提供了一种基于数据智能的水稻叶龄模式栽培方法、系统及设备，用以实现上述现有技术中存在的技术问题。
为了实现上述目的，本发明提供如下技术方案：
一种基于数据智能的水稻叶龄模式栽培方法，包括如下步骤：
获取当前水稻图像以及当前水稻环境监测数据；
对水稻图像进行预处理，得到灰度化预处理的水稻图像；
利用Canny边缘检测算法对灰度化预处理的水稻图像进行检测，得到水稻图像检测结果；
基于水稻图像检测结果，对主叶脉像素点进行提取并处理，得到叶脉区域图像；
对叶片边缘进行计算，得到叶片边缘的轮廓图像；
将所述叶片边缘的轮廓图像与所述叶脉区域图像进行叠加，得到叠加效果图，并比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值，得到叶脉偏向；
结合水稻生长的日期，通过叶脉偏向判断水稻当前的叶龄时期；
建立水稻生长模型，根据所述水稻生长模型判断水稻叶片生长速度；
根据叶片生长速度、叶龄时期以及当前水稻环境监测数据，判定水稻长势；
根据所述水稻长势，利用层次分析法对水稻农田做出智能栽培决策。
可选的，所述获取当前水稻图像包括：
在稻田选取一块待监测区域，并安装终端节点获取水稻图像以及对生长环境进行监测；
在各终端节点获取的图像信息和监测数据通过LoRa组网技术和NB-IOT技术结合上传到主节点，得到获取当前水稻图像以及当前水稻环境监测数据。
可选的，所述终端节点为无线网络传感器及高清成像仪。
可选的，所述无线网络传感器包括：温湿度传感器和土壤传感器任一种或多种。
可选的，所述对水稻图像进行预处理，得到灰度化预处理的水稻图像，包括：
对水稻图像进行灰度化处理，采用最大类间方差法得到阈值，基于阈值将水稻图像中的水稻叶片主体的像素点及背景的像素点进行分类，得到灰度化后的水稻图像；
采用局部阈值对，对灰度化后的水稻图像进行分割，将水稻与背景图像区分开，得到灰度化预处理的水稻图像。
可选的，所述利用Canny边缘检测算法对灰度化预处理的水稻图像进行检测，得到水稻图像检测结果，包括：用Canny边缘检测算法检测叶脉与叶肉颜色发生改变的边缘，以及背景与叶片区域发生颜色改变的边缘，得到水稻图像检测结果。
可选的，所述基于水稻图像检测结果，对主叶脉像素点进行提取并处理，得到叶脉区域图像，包括：利用模糊聚类算法对水稻图像检测结果中每个像素点的灰度值将图像上主叶脉像素点从叶肉像素点中提取出来，得到叶脉区域图像。
可选的，所述结合水稻生长的日期，通过叶脉偏向判断水稻当前的叶龄时期，包括：
结合水稻生长的日期，利用层次分析法比较主叶脉相对于叶片中心的位置判断水稻叶数；
根据水稻叶数，判断水稻当前生长为：分蘖期、生育转换期或拔节孕穗期的任一种时期。
可选的，所述建立水稻生长模型，根据所述水稻生长模型判断水稻叶片生长速度，包括：
采用中值滤波对灰度化预处理的水稻图像中的椒盐噪声；
计算单张图像范围内图像叶面系数；
测量实际叶面指数，采用指数公式进行拟合，得到水稻生长模型为：
LAI＝a*e(b*LAR)；
式中，LAI是实际叶面指数，LAR是单张图像单位叶片面积所对应的光合产物量，a和b是利用最小二乘法构造得到的，其中a是主叶脉长度，b为主叶脉与边缘叶脉长度的比值。
可选的，所述水稻长势为：长势延迟、长势不足、长势过旺或长势正常中任；
更优的，实际测量值处在(0.8-1.0之间)判断为长势延迟；
实际测量值处在(0.8以下)判断为长势不足；
实际测量值(大于1.5)判断为长势过旺。
长势正常为实际测量的叶面指数与预测值相等；
其中，预测值为水稻生长模型预估的正常值(1.0-1.5之间)。
本发明还提供了一种基于数据智能的水稻叶龄模式栽培系统，包括：
终端节点模块，获取当前水稻图像以及当前水稻环境监测数据；
数据处理模块，与所述终端节点模块连接，对水稻图像进行预处理，得到灰度化预处理的水稻图像；
边缘检测模块，与所述数据处理模块连接，利用Canny边缘检测算法对灰度化预处理的水稻图像进行检测，得到水稻图像检测结果；
叶脉提取模块，与所述边缘检测图像连接，基于水稻图像检测结果，对主叶脉像素点进行提取并处理，得到叶脉区域图像；
叶脉边缘计算模块，与所述边缘检测模块连接，对叶片边缘进行计算，得到叶片边缘的轮廓图像；
叶脉偏向计算模块，与所述叶脉提取模块以及所述叶脉边缘计算模块连接，将所述叶片边缘的轮廓图像与所述叶脉区域图像进行叠加，得到叠加效果图，并比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值，得到叶脉偏向；
叶龄时期判断模块，与所述叶脉偏向计算模块连接，结合水稻生长的日期，通过叶脉偏向判断水稻当前的叶龄时期；
生长速度判断模块，建立水稻生长模型，根据所述水稻生长模型判断水稻叶片生长速度；
水稻长势判断模块，与所述叶龄时期判断模块、生长速度判断模块以及数据获取模块连接，根据叶片生长速度、叶龄时期以及当前水稻环境监测数据，判定水稻长势；
输出模块，与水稻长势判断模块连接，根据所述水稻长势，利用层次分析法对水稻农田做出智能栽培决策并输出。
本发明还提供了一种电子设备，包括存储器、处理器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程序时实现基于数据智能的水稻叶龄模式栽培方法的步骤。
经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于数据智能的水稻叶龄模式栽培方法、系统及设备，将水稻叶龄诊断的各环节进行模型化，对数据进行智能化处理，能够更直观，精准的推断水稻的叶龄，从而提供智能决策，实现部分或全部替代人工决策，在节省时间，提高资源利用率的同时减少潜在的人为错误，大幅度提高农业生产效率及质量。具体有益效果如下：
(1)对水稻图像利用模糊聚类算法和Canny边缘算法对水稻主叶脉和边缘进行提取，最后二者的图像进行结合，判断水稻叶脉的偏向，从而运用叶脉偏向法判断了水稻的叶龄；
(2)取叶面指数作为衡量水稻长势的指标，对单株水稻叶片和样本田中植株密度进行人工测量，结合无人机航拍的水稻图像面积，计算图像叶片指数和实际叶片指数，采用指数公式对二者进行拟合，建立水稻生长模型；
(3)结合水稻生长模型判断水稻长势，利用层次分析法对稻田做出智能决策，避免了传统的靠节气和时间对水稻进行培育措施，减少决策误差，使水稻培育方法更精准，节约时间和农业资源，增加了稻田的产量。
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地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图。
图2为本实施例提供的基于物联网的水稻叶龄模型化诊断系统结构示意图；
图3为本实施例提供的利用层次分析法判断水稻生长叶龄层次示意图；
图4为本实施例提供的利用层次分析法判断水稻生长时期层次示意图；
图5为本实施例提供的基于层次分析法的智能决策层次示意图。
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。
本发明的目的是提供一种基于数据智能的水稻叶龄模式栽培方法、系统及设备，获取当前水稻图像以及当前水稻环境监测数据；对水稻图像进行预处理，得到灰度化预处理的水稻图像；利用Canny边缘检测算法对灰度化预处理的水稻图像进行检测，得到水稻图像检测结果；基于水稻图像检测结果，对主叶脉像素点进行提取并处理，得到叶脉区域图像；对叶片边缘进行计算，得到叶片边缘的轮廓图像；将叶片边缘的轮廓图像与叶脉区域图像进行叠加，得到叠加效果图，并比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值，得到叶脉偏向；结合水稻生长的日期，通过叶脉偏向判断水稻当前的叶龄时期；建立水稻生长模型，根据水稻生长模型判断水稻叶片生长速度；根据叶片生长速度、叶龄时期以及当前水稻环境监测数据，判定水稻长势；根据水稻长势，利用层次分析法对水稻农田做出智能栽培决策。本发明结合水稻叶龄和长势对稻田能够提供智能精准决策水稻农田做出智能栽培决策，使农户能精准方便的实施水稻生产调控措施，能够提高农业土地资源，肥料资源以及水资源的利用率，也提高了人工效率，推动着农业生产朝着精细化的方向发展。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
参加图1所示，本发明实施例公开了一种基于数据智能的水稻叶龄模式栽培方法，包括如下步骤：
获取当前水稻图像以及当前水稻环境监测数据；
对水稻图像进行预处理，得到灰度化预处理的水稻图像；
利用Canny边缘检测算法对灰度化预处理的水稻图像进行检测，得到水稻图像检测结果；
基于水稻图像检测结果，对主叶脉像素点进行提取并处理，得到叶脉区域图像；
对叶片边缘进行计算，得到叶片边缘的轮廓图像；
将叶片边缘的轮廓图像与叶脉区域图像进行叠加，得到叠加效果图，并比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值，得到叶脉偏向；
结合水稻生长的日期，通过叶脉偏向判断水稻当前的叶龄时期；
建立水稻生长模型，根据水稻生长模型判断水稻叶片生长速度；
根据叶片生长速度、叶龄时期以及当前水稻环境监测数据，判定水稻长势；
根据水稻长势，利用层次分析法对水稻农田做出智能栽培决策。
具体的，参见图2所示，本实施例还公开了基于物联网的水稻叶龄模型化诊断系统结构分为应用层、处理层、传输层以及感知层，基于此，能够更直观，精准的推断水稻的叶龄，从而提供智能决策，实现部分或全部替代人工决策，在节省时间、提高资源利用率的同时的同时减少潜在的人为错误，大幅度提高农业生产效率及质量。
在一个具体实施例中，在稻田选取一块区域(大于10株水稻)安装无线网络传感器，也称为终端节点，用于获取水稻图像以及对其生长环境进行监测。传感器包括温湿度传感器，土壤传感器。通过高兴摄像仪采集水稻图像，进一步的，高清摄像仪可以为地面手持设备也可以为固定或可移动自动设备。
在一个具体实施例中，将在各节点获取的图像信息和监测数据通过LoRa组网技术和NB-IOT技术结合上传到主节点进而上传到互联网。
在一个具体实施例中，在互联网端进行数据处理：对于获取含有水稻图像及各种环境监测数据。
在一个实施例中，对于水稻图像，首先需要将叶片与背景区分开，提取出叶片区域。
具体操作为：首先，对水稻叶片的图像先进行灰度化处理，利用最大类间方差法得到阈值将含有水稻叶片的图像中水稻叶片主体的像素点及背景的像素点进行分类。
其次采用局部阈值对图片进行分割，利用Canny边缘检测算法得到叶脉和叶片边缘。
具体原理：利用叶片中叶脉部分的颜色比叶肉部分的颜色亮度更高，而边缘处的颜色亮度介于它们之间。因此利用边缘处的颜色作为阈值对叶片区域进行二值分割。另外由于全局阈值不能将全局不明显的叶脉分割出来，因此采用局部阈值进行分割。利用Canny边缘检测算法检测叶脉与叶肉颜色发生改变的边缘，以及背景与叶片区域发生颜色改变的边缘，然后根据边缘得到包含叶脉的区域。
然后利用模糊聚类算法对灰度化处理的水稻图像上每个像素点的灰度值将图像上主叶脉像素点从叶肉像素点中提取出来，得到最终的叶脉区域。
具体原理：如果对整个叶片区域进行聚类，容易受光照不均等噪音影响，对叶脉和叶肉的分类效果不好。在前面对包含叶脉的局部区域提取的基础上，利用模糊聚类方法对图像进行分类，得到最终的叶脉区域。
最后，将所属叶片边缘的轮廓图像与叶脉图像结合得到叠加效果图，比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值得到叶脉的偏向。
更具体的，利用Canny边缘检测算法对叶脉进行提取，同时对叶片边缘进行计算获得其轮廓图像，通过使用Sobel算子或其他梯度算子计算每个像素点处的梯度的大小和方向。这将得到图像中每个像素点的梯度幅值和方向。将提取出的叶脉和叶边缘轮廓图像两者叠加，获得效果图，比较效果图中叶脉像素点的坐标值与叶片轮库的坐标均值，得到叶脉偏向；
在一个具体实施例中，结合水稻生长的日期，通过叶脉偏向法判断水稻所处的叶龄时期。
具体的，参加图3所示，利用层次分析法判断水稻生长叶龄，最高层为分析的目标：判断水稻生长叶龄；中间层通过对拍摄图像识别分为主叶脉中心偏左和主叶脉中心偏右最底层按照中间层不同的日期对应不同的叶龄。
如：水稻11片叶的品种进入分蘖盛期以后，比较主叶脉相对于叶片中心的位置。
如果主叶脉相对叶片的中心偏左，它就是双数叶，也就是第6叶或第8叶。如果是6月15-20日，它就是主茎的第6叶；如果是6月末，它就是主茎的第8叶。
如果主叶脉相对于叶片的中心偏右，它就是单数叶，也就是第7叶或第9叶。如果是在6月20日前后，它就是主茎的第7叶；如果是6月末到7月初，它就是主茎的第9叶。
11叶片水稻进入插秧期时一般为3-5叶龄，水稻插秧后需要7-10天进入分蘖盛期。
在一个具体实施例中，参见图4所示，利用层次分析法判断水稻生长时期，层级分析法的最高层为分析的目标：判断水稻的生长时期；中间层通过拍摄图片区分叶片的叶龄；最底层按照中间层的叶龄区分为三个时期：分别为分蘖期、生育转换期、拔节育穗期。
根据水稻叶数，判断水稻当前生长为：分蘖期、生育转换期或拔节孕穗期的任一种时期，如：运用叶脉偏向法判断到6叶龄时，插秧后到6叶龄时期水稻均进入了分蘖期。
如：运用叶脉偏向法判断到8叶龄时，7叶龄到8叶龄时期水稻均进入了生育转换期。
如：运用叶脉偏向法判断到9叶龄时，9叶龄到抽穗时期水稻均进入了拔节孕穗期。
第五步：在互联网端建立水稻生长模型：1.采用最大类间方差法，对灰度化后的图像进行分割，将水稻与背景图像区分开。2.采用中值滤波，处理分割后图像中的椒盐噪声。3.计算单张图像范围内图像叶面系数，手工测量实际叶面指数，采用指数公式对二者进行拟合，得到水稻生长模型为：
LAI＝a*e(b*LAR)；
式中，LAI是实际叶面指数，LAR是单张图像单位叶片面积所对应的光合产物量，a和b是利用最小二乘法构造得到的，其中a是主叶脉长度，b为主叶脉与边缘叶脉长度的比值，常数e是一个无限不循环小数，其值约等于2.718281828。根据上述模型，对比相同时间内LAI值的变化量，在同一时期相同时间内如果LAI增量增加了，说明叶片生长速度快，反之则说明叶片生长较慢。
具体的，采用最大类间方差法，得到阈值将水稻图像中的水稻叶片主体的像素点及背景的像素点进行分类，采用局部阈值对，对灰度化后的图像进行分割，将水稻与背景图像区分开。
在一个具体实施例中，根据水稻生长模型判断水稻叶片生长速度，分为四种情况：长势延迟、长势不足、长势过旺、长势正常，其中，长势正常情况为实际测量的叶面指数与预测值相符合，其中，长势延迟为实际测量的叶面指数低于预测值的；长势不足为实际测量的叶面指数远低于预测值；长势过旺为实际测量的叶面指数远高于预测值。
具体的，实际测量值处在(0.8-1.0之间)判断为长势延迟；
实际测量值处在(0.8以下)判断为长势不足；
实际测量值(大于1.5)判断为长势过旺。
长势正常为实际测量的叶面指数与预测值相等；
其中，预测值为水稻生长模型预估的正常值(1.0-1.5之间)。
具体的，结合水稻叶龄对应的水稻生长周期及水稻长势，利用层次分析法对水稻进行智能决策，参见图5所示，最高层为预期目标，根据水稻长势在各叶龄时期选择相应的决策；中间层再根据所拍摄的图像识别叶龄后对应不同日期的叶龄标准来识别是否是生长延迟、生长不足或是生长过旺；最后最底层相应的问题进行处理，具体如对生长延迟的进行增加肥量等。
例如：1、长势延迟：如果实际测量的叶面指数低于预测值，可能表明水稻的生长速度进展缓慢，出现了长势延迟的情况，这里是指水稻的生长相对于正常情况而言发生了滞后，不符合预期的生长进程。长势延迟可能是由于环境条件不满足，植物生长会迟缓。应增加施肥，优化灌溉；2、长势不足：如果实际测量的叶面指数远低于预测值，可能表明水稻的生长状况不佳、长势不足。这里是指植物的整体生长发育受到了限制，没有达到正常的形态，植物部分组织出现了异常，可能是养分不足、病虫危害水分不足、土壤质量较差等。应优先考虑是施肥调整、灌溉管理、驱虫等；3、长势过旺：实际测量的叶面指数远高于预测值，可能表明水稻的生长状况过旺，长势过旺，可以考虑适当减少肥量，合理隔离：如物理隔离，在植物间设置物理隔离带或障碍物，如栅栏或遮阳网等。
具体的，本实施例还公开了以12叶水稻为例的水稻叶龄模式各生育阶段的栽培调控决策，如表1所示。
表1水稻叶龄模式各生育阶段的栽培调控决策
通过上述方案，避免了传统人工判断叶龄的不准确性，提高了农业资源利用率，对水稻高产打下了坚实基础。
具体的，本实施例还利用NB-IOT技术，水稻叶龄、智能决策、水稻环境信息最终展示在互联网上。通过图像识别、温度传感器、物联网等技术对数据进行智能化处理，能够更直观，精准的推断水稻的叶龄，从而提供智能决策，实现部分或全部替代人工决策，在节省时间，提高资源利用率的同时的同时减少潜在的人为错误，大幅度提高农业生产效率及质量。
在一个具体实施例中，一种基于数据智能的水稻叶龄模式栽培系统，具体包括：
终端节点模块，获取当前水稻图像以及当前水稻环境监测数据；
数据处理模块，与终端节点模块连接，对水稻图像进行预处理，得到灰度化预处理的水稻图像；
边缘检测模块，与数据处理模块连接，利用Canny边缘检测算法对灰度化预处理的水稻图像进行检测，得到水稻图像检测结果；
叶脉提取模块，与边缘检测图像连接，基于水稻图像检测结果，对主叶脉像素点进行提取并处理，得到叶脉区域图像；
叶脉边缘计算模块，与边缘检测模块连接，对叶片边缘进行计算，得到叶片边缘的轮廓图像；
叶脉偏向计算模块，与叶脉提取模块以及叶脉边缘计算模块连接，将叶片边缘的轮廓图像与叶脉区域图像进行叠加，得到叠加效果图，并比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值，得到叶脉偏向；
叶龄时期判断模块，与叶脉偏向计算模块连接，结合水稻生长的日期，通过叶脉偏向判断水稻当前的叶龄时期；
生长速度判断模块，建立水稻生长模型，根据水稻生长模型判断水稻叶片生长速度；
水稻长势判断模块，与叶龄时期判断模块、生长速度判断模块以及数据获取模块连接，根据叶片生长速度、叶龄时期以及当前水稻环境监测数据，判定水稻长势；
输出模块，与水稻长势判断模块连接，根据水稻长势，利用层次分析法对水稻农田做出智能栽培决策并输出。
本实施例还公开了一种电子设备，包括存储器、处理器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，处理器执行程序时实现基于数据智能的水稻叶龄模式栽培方法的步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种基于数据智能的水稻叶龄模式栽培方法，其特征在于，包括如下步骤：
获取当前水稻图像以及当前水稻环境监测数据；
对水稻图像进行预处理，得到灰度化预处理的水稻图像；
利用Canny边缘检测算法对灰度化预处理的水稻图像进行检测，得到水稻图像检测结果；
基于水稻图像检测结果，对主叶脉像素点进行提取并处理，得到叶脉区域图像；
对叶片边缘进行计算，得到叶片边缘的轮廓图像；
将所述叶片边缘的轮廓图像与所述叶脉区域图像进行叠加，得到叠加效果图，并比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值，得到叶脉偏向；
结合水稻生长的日期，通过叶脉偏向判断水稻当前的叶龄时期；
建立水稻生长模型，根据所述水稻生长模型判断水稻叶片生长速度；
根据叶片生长速度、叶龄时期以及当前水稻环境监测数据，判定水稻长势；
根据所述水稻长势，利用层次分析法对水稻农田做出智能栽培决策；
其中，所述建立水稻生长模型，根据所述水稻生长模型判断水稻叶片生长速度，包括：
采用中值滤波处理灰度化预处理后的水稻图像中的椒盐噪声；
计算单张图像范围内图像叶面系数；
测量实际叶面指数，采用指数公式对图像叶面系数和实际叶面指数进行拟合，得到水稻生长模型为：
LAI＝a*e(b*LAR)；
式中，LAI是实际叶面指数，LAR是单张图像单位叶片面积所对应的光合产物量，a和b是利用最小二乘法构造得到的，其中a是主叶脉长度，b为主叶脉与边缘叶脉长度的比值。
2.根据权利要求1所述的一种基于数据智能的水稻叶龄模式栽培方法，其特征在于，所述获取当前水稻图像以及当前水稻环境监测数据包括以下步骤：
在稻田选取一块待监测区域，并安装终端节点获取水稻图像以及对生长环境进行监测；
在各终端节点获取的图像信息和监测数据通过LoRa组网技术和NB-IOT技术结合上传到主节点，得到当前水稻图像以及当前水稻环境监测数据。
3.根据权利要求1所述的一种基于数据智能的水稻叶龄模式栽培方法，其特征在于，所述对水稻图像进行预处理，得到灰度化预处理的水稻图像，包括：
对水稻图像进行灰度化处理，采用最大类间方差法得到阈值，基于阈值将水稻图像中的水稻叶片主体的像素点及背景的像素点进行分类，得到灰度化后的水稻图像；
采用局部阈值对，对灰度化后的水稻图像进行分割，将水稻与背景图像区分开，得到灰度化预处理的水稻图像。
4.根据权利要求1所述的一种基于数据智能的水稻叶龄模式栽培方法，其特征在于，所述利用Canny边缘检测算法对灰度化预处理的水稻图像进行检测，得到水稻图像检测结果，包括：用Canny边缘检测算法检测叶脉与叶肉颜色发生改变的边缘，以及背景与叶片区域发生颜色改变的边缘，得到水稻图像检测结果。
5.根据权利要求1所述的一种基于数据智能的水稻叶龄模式栽培方法，其特征在于，所述基于水稻图像检测结果，对主叶脉像素点进行提取并处理，得到叶脉区域图像，包括：利用模糊聚类算法对水稻图像检测结果中每个像素点的灰度值将图像上主叶脉像素点从叶肉像素点中提取出来，得到叶脉区域图像。
6.根据权利要求1所述的一种基于数据智能的水稻叶龄模式栽培方法，其特征在于，所述结合水稻生长的日期，通过叶脉偏向判断水稻当前的叶龄时期，包括：
结合水稻生长的日期，利用层次分析法比较主叶脉相对于叶片中心的位置判断水稻叶数；
根据水稻叶数，判断水稻当前生长为：分蘖期、生育转换期或拔节孕穗期的任一种时期。
7.根据权利要求1所述的一种基于数据智能的水稻叶龄模式栽培方法，其特征在于，所述水稻长势为：长势延迟、长势不足、长势过旺或长势正常中任一种。
8.一种利用权利要求1-7任一项所述的基于数据智能的水稻叶龄模式栽培方法的基于数据智能的水稻叶龄模式栽培系统，其特征在于，包括：
终端节点模块，获取当前水稻图像以及当前水稻环境监测数据；
数据处理模块，与所述终端节点模块连接，对水稻图像进行预处理，得到灰度化预处理的水稻图像；
边缘检测模块，与所述数据处理模块连接，利用Canny边缘检测算法对灰度化预处理的水稻图像进行检测，得到水稻图像检测结果；
叶脉提取模块，与所述边缘检测模块连接，基于水稻图像检测结果，对主叶脉像素点进行提取并处理，得到叶脉区域图像；
叶脉边缘计算模块，与所述边缘检测模块连接，对叶片边缘进行计算，得到叶片边缘的轮廓图像；
叶脉偏向计算模块，与所述叶脉提取模块以及所述叶脉边缘计算模块连接，将所述叶片边缘的轮廓图像与所述叶脉区域图像进行叠加，得到叠加效果图，并比较其中叶脉像素点的坐标均值与叶片轮廓的坐标均值，得到叶脉偏向；
叶龄时期判断模块，与所述叶脉偏向计算模块连接，结合水稻生长的日期，通过叶脉偏向判断水稻当前的叶龄时期；
生长速度判断模块，建立水稻生长模型，根据所述水稻生长模型判断水稻叶片生长速度；
水稻长势判断模块，与所述叶龄时期判断模块、生长速度判断模块以及终端节点模块连接，根据叶片生长速度、叶龄时期以及当前水稻环境监测数据，判定水稻长势；
输出模块，与水稻长势判断模块连接，根据所述水稻长势，利用层次分析法对水稻农田做出智能栽培决策并输出。
9.一种电子设备，包括存储器、处理器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程序时实现如权利要求1至7任一所述的基于数据智能的水稻叶龄模式栽培方法的步骤。
CN202311008743.9A 2023-08-10 2023-08-10 一种基于数据智能的水稻叶龄模式栽培方法、系统及设备 Active CN116994001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311008743.9A CN116994001B (zh) 2023-08-10 2023-08-10 一种基于数据智能的水稻叶龄模式栽培方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311008743.9A CN116994001B (zh) 2023-08-10 2023-08-10 一种基于数据智能的水稻叶龄模式栽培方法、系统及设备

Publications (2)

Publication Number Publication Date
CN116994001A CN116994001A (zh) 2023-11-03
CN116994001B true CN116994001B (zh) 2024-07-26

Family

ID=88524629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311008743.9A Active CN116994001B (zh) 2023-08-10 2023-08-10 一种基于数据智能的水稻叶龄模式栽培方法、系统及设备

Country Status (1)

Country Link
CN (1) CN116994001B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110660070B (zh) * 2019-08-12 2023-09-29 北京瀚景锦河科技有限公司 一种水稻叶脉图像提取方法和装置
EP3989161A1 (en) * 2020-10-23 2022-04-27 Tata Consultancy Services Limited Method and system for leaf age estimation based on morphological features extracted from segmented leaves
CN116453003B (zh) * 2023-06-14 2023-09-01 之江实验室 一种基于无人机监测智能识别水稻生长势的方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
东莞市优质行道树的选择与应用;罗浩南等;江西农业学报;20090115;第21卷(第1期);第40页 *
基于机器学习的水稻病害识别和叶龄检测算法研究;蒲一鸣;中国优秀硕士学位论文全文数据库 农业科技辑;20200215(第02期);第1-4章 *
无人机航拍在建立水稻生长模型中的应用;段小斌;农机化研究;20200731(第7期);第0-5节 *

Also Published As

Publication number Publication date
CN116994001A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
CN113034301A (zh) 一种农作物生长管理系统及方法
CN110660070B (zh) 一种水稻叶脉图像提取方法和装置
CN115204689A (zh) 一种基于图像处理的智慧农业管理系统
CN113192026A (zh) 一种基于可见光图像的核桃成熟度检测与预测方法
CN115294518B (zh) 一种园艺植物温室精准栽培的智能监控方法及系统
CN113011221A (zh) 作物分布信息的获取方法、装置及测量系统
CN105891420A (zh) 一种大数据智能分析植物生长状态的方法
CN108985664A (zh) 一种智能农场现场监测管理系统及方法
CN115629585A (zh) 一种智慧农业的种植管理方法及系统
CN116046687A (zh) 一种农作物生长过程监测方法、设备及介质
CN109961035A (zh) 一种水稻分蘖期长势智慧监控调节方法
CN116453003B (zh) 一种基于无人机监测智能识别水稻生长势的方法和系统
CN116994001B (zh) 一种基于数据智能的水稻叶龄模式栽培方法、系统及设备
CN117933558A (zh) 一种校园智慧农业种植管理方法
CN117480927A (zh) 一种智能施肥方法及装置
CN116941400A (zh) 一种基于物联网的施肥控制系统
Santhosh Kumar et al. Review on disease detection of plants using image processing and machine learning techniques
CN116616019A (zh) 基于物联网和人工智能的油茶水肥一体化滴灌方法及系统
CN115690609A (zh) 一种作物生育期长势监测的方法
Feng et al. A real-time monitoring and control system for crop
CN114612661A (zh) 基于神经网络的蔬菜种植机智能控制方法
CN118379154B (zh) 一种基于物联网的苦瓜种植分析管理方法及系统
CN109948535A (zh) 一种作物种子生产主要生育期肥水条件的智慧监控方法
CN116897670B (zh) 作物施肥方法、装置、电子设备和存储介质
CN115660236B (zh) 作物物候期预测方法、装置、电子设备和存储介质

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