CN117313017A - 一种彩叶研发数据处理方法及系统 - Google Patents
一种彩叶研发数据处理方法及系统 Download PDFInfo
- Publication number
- CN117313017A CN117313017A CN202311596666.3A CN202311596666A CN117313017A CN 117313017 A CN117313017 A CN 117313017A CN 202311596666 A CN202311596666 A CN 202311596666A CN 117313017 A CN117313017 A CN 117313017A
- Authority
- CN
- China
- Prior art keywords
- leaf
- colored
- plant
- sub
- color
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 238000012827 research and development Methods 0.000 title claims abstract description 12
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 120
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 120
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims abstract description 120
- 238000009825 accumulation Methods 0.000 claims abstract description 104
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000002159 abnormal effect Effects 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000003064 k means clustering Methods 0.000 claims abstract description 14
- 230000011890 leaf development Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007790 scraping Methods 0.000 abstract description 8
- 201000010099 disease Diseases 0.000 description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Abstract
本发明涉及数据处理技术领域,具体涉及一种彩叶研发数据处理方法及系统。该方法获取彩叶植物每个时刻下的叶绿素含量;根据叶绿素含量的变化,获取彩叶植物子时间段的叶绿素积攒量,进而获取温度区域的积攒波动程度;根据彩叶植物与目标植物所在温度区域的积攒波动程度和温度差异,以及叶绿素积攒量的波动差异,获取距离权重,进而通过K‑means聚类算法,获取彩叶聚类簇;通过局部离群因子算法,对彩叶聚类簇中彩叶植物的高度进行检测,确定异常彩叶植物。本发明通过获取彩叶植物与目标植物之间的距离权重,进而对彩叶植物进行准确分类,通过局部离群因子算法准确高效检测出彩叶聚类簇中异常彩叶植物,对异常情况进行准确的识别。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种彩叶研发数据处理方法及系统。
背景技术
性状非绿的彩叶植物是指在整个生长阶段或者生长的某一阶段全部或部分的叶片稳定地呈现出非绿色的植物,近年来性状非绿的彩叶植物在园林植物中的作用越来越大,通过对性状非绿的彩叶研发数据的分析,能够帮助科研人员及早识别可能存在的病害、应激情况或其他异常情况,便于及时采取相应的措施进行预防和干预,对园林中植物的发展和应用带来积极的影响。因此,通过对性状非绿的彩叶植物的高度进行异常检测来识别植物园林中是否存在病害、应激情况或其他异常情况。
现有方法中使用局部离群因子算法,对性状非绿的彩叶植物的高度进行异常检测,在实际情况中,采集的彩叶植物性状可能并不一致,即不仅包括性状非绿的彩叶植物,还包括性状为绿的彩叶植物,导致对性状非绿的彩叶植物高度的异常检测不准确,不能准确识别植物园林中是否存在病害、应激情况或其他异常情况,同时产生较大的计算量,增加了人力物力资源的损耗。
发明内容
为了解决实际情况中采集的彩叶植物性状可能不一致,导致对性状非绿的彩叶植物高度的异常检测不准确的技术问题,本发明的目的在于提供一种彩叶研发数据处理方法及系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种彩叶研发数据处理方法,该方法包括以下步骤:
获取每个温度区域内每株彩叶植物在预设时间段内每个时刻下的叶绿素含量;获取每个温度区域的温度;获取每株彩叶植物的高度;
将预设时间段划分为至少两个子时间段,根据每株彩叶植物在每个子时间段内的叶绿素含量的变化,获取每株彩叶植物每个子时间段的叶绿素积攒量;
根据每个温度区域内每株彩叶植物每个子时间段的叶绿素积攒量,以及与其他子时间段的叶绿素积攒量的差异,获取每个温度区域的积攒波动程度;
通过K-means聚类算法,将聚类中心对应的彩叶植物作为目标植物;根据每株彩叶植物与每株目标植物所在温度区域的积攒波动程度的差异,获取每株彩叶植物与每株目标植物之间的温度权重;
根据预设时间段内每株彩叶植物与每株目标植物之间的叶绿素积攒量的波动差异,以及每株彩叶植物与每株目标植物所在温度区域的温度差异,获取每株彩叶植物与每株目标植物之间的变化权重;
根据温度权重和变化权重,获取每株彩叶植物与每株目标植物之间的距离权重;根据距离权重对每株彩叶植物与每株目标植物之间的距离进行修正,获取最终聚类簇;根据每个最终聚类簇中的叶绿素含量,获取彩叶聚类簇;
通过局部离群因子算法,对彩叶聚类簇中每株彩叶植物的高度进行检测,确定异常彩叶植物。
进一步地,所述叶绿素积攒量的获取方法为:
对于任一株彩叶植物,获取该株彩叶植物每个子时间段的最后一个时刻与第一个时刻下的叶绿素含量的差异,作为该株彩叶植物对应子时间段的叶绿素积攒量。
进一步地,所述积攒波动程度的获取方法为:
根据每个温度区域内每株彩叶植物每个子时间段的叶绿素积攒量,以及与其他子时间段的叶绿素积攒量的差异,获取每个温度区域内每个子时间段的子波动程度;
获取每个温度区域内子波动程度的均值,作为每个温度区域的积攒波动程度。
进一步地,所述子波动程度的计算公式为:
式中,为第n个温度区域内第q个子时间段的子波动程度;S为第n个温度区域内彩叶植物的总数量;/>为第n个温度区域内第i株彩叶植物第q个子时间段的叶绿素积攒量;/>为第n个温度区域内第i株彩叶植物第q个子时间段的叶绿素积攒量与第n个温度区域内第i株彩叶植物其他每个子时间段的叶绿素积攒量差值的方差;exp为以自然常数为底数的指数函数;norm为归一化函数。
进一步地,所述变化权重的计算公式为:
式中,为第k株彩叶植物与第/>株目标植物之间的变化权重;/>为第/>株目标植物每个子时间段的叶绿素积攒量的方差;/>为第k株彩叶植物每个子时间段的叶绿素积攒量的方差;/>为第/>株目标植物所在温度区域的温度;/>为第k株彩叶植物所在温度区域的温度;exp为以自然常数为底数的指数函数;/>为绝对值函数。
进一步地,所述距离权重的计算公式为:
式中,为第k株彩叶植物与第/>株目标植物之间的距离权重;/>为第k株彩叶植物与第/>株目标植物之间的温度权重;/>为第k株彩叶植物与第/>株目标植物之间的变化权重。
进一步地,所述根据距离权重对每株彩叶植物与每株目标植物之间的距离进行修正,获取最终聚类簇的方法为:
构建三维坐标系,将每株彩叶植物与每株目标植物所在温度区域的温度代表为x值,叶绿素含量作为y值,对应时刻作为z值,确定每株彩叶植物与每株目标植物在三维坐标系中对应的数据点;
获取每株彩叶植物与每株目标植物对应数据点之间的欧式距离,作为每株彩叶植物与每株目标植物之间的第一距离;
获取每株彩叶植物与每株目标植物之间的距离权重与第一距离的乘积,作为每株彩叶植物与每株目标植物之间的实际距离;
根据实际距离,通过K-means聚类算法,获取最终聚类簇。
进一步地,所述根据每个最终聚类簇中的叶绿素含量,获取彩叶聚类簇的方法为:
获取每个最终聚类簇中彩叶植物的叶绿素含量的均值,作为每个最终聚类簇的第一特征值;
将最小的第一特征值对应的最终聚类簇,作为彩叶聚类簇。
进一步地,所述通过局部离群因子算法,对彩叶聚类簇中每株彩叶植物的高度进行检测,确定异常彩叶植物的方法为:
通过局部离群因子算法,对彩叶聚类簇中每株彩叶植物的高度进行检测,获取彩叶聚类簇中每株彩叶植物的高度对应的局部离群因子;
将局部离群因子进行归一化的结果,作为对应彩叶植物的第一结果;
当第一结果大于预设的异常阈值时,将对应彩叶植物作为异常彩叶植物。
第二方面,本发明另一个实施例提供了一种彩叶研发数据处理系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时,实现上述任意一项方法的步骤。
本发明具有如下有益效果:
将预设时间段划分为至少两个子时间段,根据每株彩叶植物在每个子时间段内的叶绿素含量的变化,准确获取每株彩叶植物每个子时间段的叶绿素积攒量,为后续将彩叶植物进行准确的分类做准备;进一步根据每个温度区域内每株彩叶植物每个子时间段的叶绿素积攒量,以及与其他子时间段的叶绿素积攒量的差异,获取每个温度区域的积攒波动程度,直观的反映出每个温度区域内叶绿素积攒量的波动情况;进而根据每株彩叶植物与每株目标植物所在温度区域的积攒波动程度的差异,获取每株彩叶植物与每株目标植物之间的温度权重,初步判断彩叶植物与目标植物是否为同一类别;为了更准确的分析彩叶植物与目标植物是否为同一类别,进一步根据预设时间段内每株彩叶植物与每株目标植物之间的叶绿素积攒量的波动差异,以及每株彩叶植物与每株目标植物所在温度区域的温度差异,获取每株彩叶植物与每株目标植物之间的变化权重,进一步判断彩叶植物与目标植物是否为同一类别,因此根据温度权重和变化权重,准确获取每株彩叶植物与每株目标植物之间的距离权重,对每株彩叶植物与每株目标植物之间的距离进行修正,通过K-means聚类算法,将彩叶植物进行准确的聚类,获取最终聚类簇,降低了对彩叶植物进行分类的计算量,同时提高了对彩叶植物进行分类的效率和准确性;进而根据每个最终聚类簇中的叶绿素含量,准确获取彩叶聚类簇,准确对异常彩叶植物进行检测;进而通过局部离群因子算法,对彩叶聚类簇中每株彩叶植物的高度进行准确的检测,准确确定异常彩叶植物,通过对异常彩叶植物进行分析,及时发现园林中是否存在病害、应激情况或其他异常情况,便于工作人员及时进行处理与预防,降低病害、应激情况或其他异常情况带来的危害。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种彩叶研发数据处理方法的流程示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种彩叶研发数据处理方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种彩叶研发数据处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种彩叶研发数据处理方法的流程示意图,该方法包括一下步骤:
步骤S1:获取每个温度区域内每株彩叶植物在预设时间段内每个时刻下的叶绿素含量;获取每个温度区域的温度;获取每株彩叶植物的高度。
具体的,性状非绿的彩叶植物是指在整个生长阶段或生长的某一阶段全部或部分的叶片较稳定地呈现非绿色的植物,近年来性状非绿的彩叶植物在园林植物中的作用越来越大,通过对性状非绿的彩叶研发数据的分析处理,能够帮助科研人员及早识别可能存在的病害、应激情况或其他异常情况,便于及时采取相应的措施进行预警和干预,对园林植物的发展和应用带来积极的影响。因此本方法实施例根据性状非绿的彩叶植物的高度对彩叶植物进行异常检测,准确识别异常情况,便于工作人员及时进行处理,降低园林植物中的病害、应激情况或其他异常情况的继续发生。
在对性状非绿的彩叶植物的高度进行异常检测时,因为园林中的植物过多,容易将性状为绿的彩叶植物作为样本进行采集,导致对性状非绿的彩叶植物的高度进行异常检测的结果不准确,进而不能准确的对园林中的异常情况进行分析。同时通过人工区分性状非绿和绿的彩叶植物,会消耗很多的资源。因为性状非绿的彩叶植物和性状为绿的彩叶植物在相同时间段内叶绿素积攒量是不相同的,因此本发明实施例获取每株彩叶植物在预设时间段内每个时刻下的叶绿素含量,由于彩叶植物自身的生长环境不同,进而获取彩叶植物生长的各个温度区域的温度,根据每株彩叶植物叶绿素含量的变化和生长区域的温度,将彩叶植物进行准确的划分,进行准确的获取性状非绿的彩叶植物,避免性状为绿的彩叶植物对彩叶植物高度异常检测的干扰。本发明实施例将预设时间段设定当前时刻的前30天,即从当前时刻开始,获取历史时间段的时间长度为30天,本发明实施例将相邻两个采集数据时刻之间的时间间隔设定为1天,实施者可根据实际情况设定预设时间段和相邻两个采集数据时刻之间的时间间隔的大小,在此不进行限定。
在实际情况中,彩叶植物会进行生长,同时随着不断的生长性状为绿的彩叶植物可能会转变为性状非绿的彩叶植物,因此,本发明实施例获取每株彩叶植物在预设时间段的最后一个时刻即当前时刻下的高度。
本发明实施例的具体场景:本发明实施例针对植物园林中的同一批彩叶植物进行分析,其中,彩叶植物生长的每个温度区域内的温度保持不变,因此本发明实施例以每个温度区间为单位进行分析,可以更准确的对彩叶植物进行划分,进而更准确的检测出异常彩叶植物。
本发明实施例的目的:根据每株彩叶植物叶绿素含量的变化和所在温度区域的温度,通过K-means聚类算法对彩叶植物进行分类,进而准确获取到性状非绿的彩叶植物。通过局部离群因子算法对性状非绿的彩叶植物的高度进行异常检测,进而准确高效的检测出异常彩叶植物,对园林异常情况进行准确的分析。其中,K-means聚类算法和局部离群因子算法均为现有技术,不再进行赘述。
步骤S2:将预设时间段划分为至少两个子时间段,根据每株彩叶植物在每个子时间段内的叶绿素含量的变化,获取每株彩叶植物每个子时间段的叶绿素积攒量。
具体的,因为每株彩叶植物中的叶绿素含量是通过积累获得的,为了更好的对彩叶植物进行划分,因此分析预设时间段内每株彩叶植物的叶绿素含量的变化情况。因为叶绿素积累是一个缓慢的过程,为了提高分析的效率,本发明实施例将3天作为一个子时间段,获取预设时间段内每个子时间段的叶绿素积攒量。实施者可根据实际情况设定子时间段的长度,在此不进行限定。通过叶绿素积攒量来反映每株彩叶植物每个子时间段的叶绿素含量变化情况。需要说明的是每个子时间段相邻但不重叠。
优选地,获取叶绿素积攒量的方法为:对于任一株彩叶植物,获取该株彩叶植物每个子时间段的最后一个时刻与第一个时刻下的叶绿素含量的差异,作为该株彩叶植物对应子时间段的叶绿素积攒量。至此,获取每株彩叶植物每个子时间段的叶绿素积攒量。
步骤S3:根据每个温度区域内每株彩叶植物每个子时间段的叶绿素积攒量,以及与其他子时间段的叶绿素积攒量的差异,获取每个温度区域的积攒波动程度。
具体的,不同温度区域内彩叶植物每个子时间段的叶绿素积攒量会不同,但相同性状的彩叶植物在不同温度区域内的叶绿素积攒量的变化情况是相似的,若两个不同温度区域内彩叶植物每个子时间段的叶绿素积攒量的变化情况越相同,说明对该两个温度区域内的彩叶植物越可能为同一性状。因此对每个温度区域中的每个彩叶植物每个子时间段的叶绿素积攒量进行分析,获取每个温度区域的积攒波动程度,反映每个温度区域中的叶绿素积攒量的变化情况。
优选地,获取积攒波动程度的方法为:根据每个温度区域内每株彩叶植物每个子时间段的叶绿素积攒量,以及与其他子时间段的叶绿素积攒量的差异,获取每个温度区域内每个子时间段的子波动程度;获取每个温度区域内子波动程度的均值,作为每个温度区域的积攒波动程度。
作为一个示例,以第n个温度区域为例,获取第n个温度区域内每株彩叶植物每个子时间段的叶绿素积攒量,进而获取每个子时间段内每株彩叶植物的叶绿素积攒量的方差,反映每个子时间段内每株彩叶植物的叶绿素积攒量的波动情况,为了更准确的反映出第n个温度区域内每个子时间段内叶绿素积攒量的波动情况,进而获取第n个温度区域内每株彩叶植物每个子时间段的叶绿素积攒量与其他子时间段的叶绿素积攒量的差值,根据差值的波动情况,对每个子时间段内每株彩叶植物的叶绿素积攒量的方差进行修正,获取第n个温度区域内每个子时间段的子波动程度。以第n个温度区域内第q个子时间段为例,获取第n个温度区域内第i株彩叶植物第q个子时间段的叶绿素积攒量与第i株彩叶植物其他每个子时间段的叶绿素积攒量的差值,作为第一差值,获取第一差值的方差。其中,反映了第i株彩叶植物第q个子时间段的叶绿素积攒量与第i株彩叶植物其他每个子时间段的叶绿素积攒量的差异波动情况。根据获取第i株彩叶植物第q个子时间段的第一差值的方差的方法,获取第n个温度区域内每株彩叶植物第q个子时间段的第一差值的方差,对第n个温度区域内第q个子时间段内每株彩叶植物的叶绿素积攒量的方差进行修正,因此获取第n个温度区域内第q个子时间段的子波动程度的计算公式为:
式中,为第n个温度区域内第q个子时间段的子波动程度;S为第n个温度区域内彩叶植物的总数量;/>为第n个温度区域内第i株彩叶植物第q个子时间段的叶绿素积攒量;/>为第n个温度区域内第i株彩叶植物第q个子时间段的叶绿素积攒量与第n个温度区域内第i株彩叶植物其他每个子时间段的叶绿素积攒量差值的方差;exp为以自然常数为底数的指数函数;norm为归一化函数。
需要说明的是,通过对/>进行修正,/>越大,说明第n个温度区域内第i株彩叶植物第q个子时间段的叶绿素积攒量与其他子时间段的叶绿素积攒量的差异越大,间接说明第n个温度区域内第i株彩叶植物第q个子时间段的叶绿素积攒量越可能存在异常,因此/>越小,/>越小,使得/>更准确;/>越小,说明第n个温度区域内每株彩叶植物第q个子时间段的叶绿素积攒量越相等,间接说明第n个温度区域内每株彩叶植物的性状越一致。
根据获取第n个温度区域内第q个子时间段的子波动程度的方法,获取第n个温度区域内每个子时间段的子波动程度,为了准确获取第n个温度区域内叶绿素的积攒波动程度,进而获取第n个温度区域内子波动程度的均值,作为第n个温度区域的积攒波动程度。
根据获取第n个温度区域的积攒波动程度的方法,获取每个温度区域的积攒波动程度。
步骤S4:通过K-means聚类算法,将聚类中心对应的彩叶植物,作为目标植物;根据每株彩叶植物与每株目标植物所在温度区域的积攒波动程度的差异,获取每株彩叶植物与每株目标植物之间的温度权重。
具体的,已知彩叶植物的性状为非绿和绿两种情况,因此本发明实施例通过K-means聚类算法对彩叶植物进行分类,其中,将K-means聚类算法中的K值设定为2。实施者可根据实际情况设定K值的大小,在此不进行限定。本发明实施例将聚类中心对应的彩叶植物,作为目标植物,则本发明实施例中存在两个目标植物。根据每株彩叶植物与每株目标植物所在温度区域的积攒波动程度的差异,获取每株彩叶植物与每株目标植物之间的温度权重,为准确的将每株彩叶植物进行分类做准备。
作为一个示例,以第h株彩叶植物和第株目标植物为例,若第h株彩叶植物在第n个温度区域内,第/>株目标植物在第m个温度区域内,则第h株彩叶植物与第/>株目标植物之间的温度权重的计算公式为:
式中,为第h株彩叶植物与第/>株目标植物之间的温度权重;/>为第h株彩叶植物所在第n个温度区域的积攒波动程度;/>为第/>株目标植物所在第m个温度区域的积攒波动程度。
需要说明的是,越趋于0,/>与/>越相等,说明第h株彩叶植物和第/>株目标植物越可能为同一类别;/>越远离0,/>与/>之间的差异越大,说明第h株彩叶植物和第/>株目标植物在相同时序下的叶绿素积攒量的变化越不相同,第h株彩叶植物和第/>株目标植物越不可能为同一类别。
根据获取第h株彩叶植物与第株目标植物之间的温度权重的方法,获取每株彩叶植物与每株目标植物之间的温度权重。
步骤S5:根据预设时间段内每株彩叶植物与每株目标植物之间的叶绿素积攒量的波动差异,以及每株彩叶植物与每株目标植物所在温度区域的温度差异,获取每株彩叶植物与每株目标植物之间的变化权重。
具体的,通过预设时间段内每株彩叶植物与每株目标植物的叶绿素积攒量的方差,来表征每株植物在预设时间段内叶绿素积攒量的波动程度。考虑到每株彩叶植物与每株目标植物之间的温度差异,进而根据每株彩叶植物与每株目标植物之间的温度差异,对预设时间段内每株彩叶植物与每株目标植物之间的叶绿素积攒量的波动程度差异进行修正,更准确的获取每株彩叶植物与每株目标植物之间的变化权重,进一步为准确的将每株彩叶植物进行分类做准备。
作为一个示例,以第k株彩叶植物与第株目标植物为例,获取预设时间段内第k株彩叶植物的叶绿素积攒量的方差/>和第/>株目标植物的叶绿素积攒量的方差/>,同时获取第k株彩叶植物所在温度区域的温度/>和第/>株目标植物所在温度区域的温度/>。根据/>、/>、/>、/>,获取第k株彩叶植物与第/>株目标植物之间的变化权重的计算公式为:
式中,为第k株彩叶植物与第/>株目标植物之间的变化权重;/>为第/>株目标植物每个子时间段的叶绿素积攒量的方差;/>为第k株彩叶植物每个子时间段的叶绿素积攒量的方差;/>为第/>株目标植物所在温度区域的温度;/>为第k株彩叶植物所在温度区域的温度;exp为以自然常数为底数的指数函数;/>为绝对值函数。
需要说明的是,通过对/>进行修正,/>越大,第k株彩叶植物与第/>株目标植物所在温度区域的温度差异越大,/>越小,/>的可信程度越小;/>越大,说明第k株彩叶植物与第/>株目标植物的叶绿素积攒量在时序上的变化越不一致,第k株彩叶植物与第/>株目标植物越不可能为同一类别,/>越大;因此,/>越大,第k株彩叶植物与第/>株目标植物越不可能为同一性状。
根据获取第k株彩叶植物与第株目标植物之间的变化权重的方法,获取每株彩叶植物与每株目标植物之间的变化权重。
步骤S6:根据温度权重和变化权重,获取每株彩叶植物与每株目标植物之间的距离权重;根据距离权重对每株彩叶植物与每株目标植物之间的距离进行修正,获取最终聚类簇;根据每个最终聚类簇中的叶绿素含量,获取彩叶聚类簇。
具体的,根据每株彩叶植物与每株目标植物之间的温度权重和变化权重,准确获取每株彩叶植物与每株目标植物之间的距离权重,进而对每株彩叶植物与每株目标植物之间的欧式距离进行修正,通过K-means聚类算法,对彩叶植物进行准确的划分,进而准确的获取性状非绿的彩叶植物,准确对彩叶植物值中的异常情况进行分析。其中,欧式距离的获取方法为现有技术,不再进行赘述。
作为一个示例,以步骤S5中的第k株彩叶植物与第株目标植物为例,根据第k株彩叶植物与第/>株目标植物之间的温度权重和变化权重,获取第k株彩叶植物与第/>株目标植物之间的距离权重的计算公式为:
式中,为第k株彩叶植物与第/>株目标植物之间的距离权重;/>为第k株彩叶植物与第/>株目标植物之间的温度权重;/>为第k株彩叶植物与第/>株目标植物之间的变化权重。
需要说明的是,越大,说明第k株彩叶植物与第/>株目标植物所在温度区域的积攒波动程度的差异越大,/>越大;/>越大,第k株彩叶植物与第/>株目标植物的叶绿素积攒量在时序上的变化越不一致,/>越大;因此,/>越大,第k株彩叶植物与第/>株目标植物越不能为同一性状的彩叶植物。
根据获取第k株彩叶植物与第株目标植物之间的距离权重的方法,获取每株彩叶植物与每株目标植物之间的距离权重。本发明实施例通过构建三维坐标系,将每株彩叶植物与每株目标植物所在温度区域的温度代表为x值,叶绿素含量作为y值,对应时刻作为z值,确定每株彩叶植物与每株目标植物在三维坐标系中对应的数据点。进而获取每株彩叶植物与每株目标植物对应数据点之间的欧式距离,作为每株彩叶植物与每株目标植物之间的第一距离。为了更准确的对每株彩叶植物进行聚类,通过每株彩叶植物与每株目标植物之间的距离权重对每株彩叶植物与每株目标植物之间的第一距离进行修正,即获取每株彩叶植物与每株目标植物之间的距离权重与第一距离的乘积,作为每株彩叶植物与每株目标植物之间的实际距离。进而根据每株彩叶植物与每株目标植物之间的实际距离,通过K-means聚类算法,对彩叶植物进行聚类,获取最终聚类簇。已知K值设定为2,因此本发明实施例获取两个最终聚类簇。
获取每个最终聚类簇中彩叶植物的叶绿素含量的均值,作为每个最终聚类簇的第一特征值。已知性状非绿的彩叶植物中叶绿素含量小于性状为绿的彩叶植物中叶绿素含量,因此本发明实施例将最小的第一特征值对应的最终聚类簇,作为彩叶聚类簇。至此,获取性状非绿的彩叶植物。
步骤S7:通过局部离群因子算法,对彩叶聚类簇中每株彩叶植物的高度进行检测,确定异常彩叶植物。
具体的,通过局部离群因子算法,对彩叶聚类簇中每株彩叶植物即性状非绿的彩叶植物的高度进行检测,其中,本发明实施例将局部离群因子算法中的k值设定为8,实施者可根据实际情况设定局部离群因子算法中的k值,在此不进行限定。获得每株性状非绿的彩叶植物的高度对应的局部离群因子,将局部离群因子进行归一化的结果,作为对应彩叶植物的第一结果。本发明实施例将预设的异常阈值设定为0.7,实施者可根据实际情况设定预设的异常阈值的大小,在此不进行限定。当第一结果大于预设的异常阈值时,将对应彩叶植物作为异常彩叶植物。至此,准确获取异常彩叶植物。
对异常彩叶植物进行分析,及时发现园林中是否存在病害、应激情况或其他异常情况,便于工作人员及时进行处理与预防,降低病害、应激情况或其他异常情况带来的危害。
至此,本发明完成。
综上所述,本发明实施例获取彩叶植物每个时刻下的叶绿素含量;根据叶绿素含量的变化,获取彩叶植物子时间段的叶绿素积攒量,进而获取温度区域的积攒波动程度;根据彩叶植物与目标植物所在温度区域的积攒波动程度和温度差异,以及叶绿素积攒量的波动差异,获取距离权重,进而通过K-means聚类算法,获取彩叶聚类簇;通过局部离群因子算法,对彩叶聚类簇中彩叶植物的高度进行检测,确定异常彩叶植物。本发明通过获取彩叶植物与目标植物之间的距离权重,进而对彩叶植物进行准确分类,通过局部离群因子算法准确高效检测出彩叶聚类簇中异常彩叶植物,对异常情况进行准确的识别。
基于与上述方法实施例相同的发明构思,本发明实施例还提供了一种彩叶研发数据处理系统,该系统包括:存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序,处理器执行所述计算机程序时实现上述一种彩叶研发数据处理方法实施例中的步骤,例如图1所示的步骤。该一种彩叶研发数据处理方法在上述实施例中已经详细说明,不再赘述。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种彩叶研发数据处理方法,其特征在于,该方法包括以下步骤:
获取每个温度区域内每株彩叶植物在预设时间段内每个时刻下的叶绿素含量;获取每个温度区域的温度;获取每株彩叶植物的高度;
将预设时间段划分为至少两个子时间段,根据每株彩叶植物在每个子时间段内的叶绿素含量的变化,获取每株彩叶植物每个子时间段的叶绿素积攒量;
根据每个温度区域内每株彩叶植物每个子时间段的叶绿素积攒量,以及与其他子时间段的叶绿素积攒量的差异,获取每个温度区域的积攒波动程度;
通过K-means聚类算法,将聚类中心对应的彩叶植物作为目标植物;根据每株彩叶植物与每株目标植物所在温度区域的积攒波动程度的差异,获取每株彩叶植物与每株目标植物之间的温度权重;
根据预设时间段内每株彩叶植物与每株目标植物之间的叶绿素积攒量的波动差异,以及每株彩叶植物与每株目标植物所在温度区域的温度差异,获取每株彩叶植物与每株目标植物之间的变化权重;
根据温度权重和变化权重,获取每株彩叶植物与每株目标植物之间的距离权重;根据距离权重对每株彩叶植物与每株目标植物之间的距离进行修正,获取最终聚类簇;根据每个最终聚类簇中的叶绿素含量,获取彩叶聚类簇;
通过局部离群因子算法,对彩叶聚类簇中每株彩叶植物的高度进行检测,确定异常彩叶植物。
2.如权利要求1所述一种彩叶研发数据处理方法,其特征在于,所述叶绿素积攒量的获取方法为:
对于任一株彩叶植物,获取该株彩叶植物每个子时间段的最后一个时刻与第一个时刻下的叶绿素含量的差异,作为该株彩叶植物对应子时间段的叶绿素积攒量。
3.如权利要求1所述一种彩叶研发数据处理方法,其特征在于,所述积攒波动程度的获取方法为:
根据每个温度区域内每株彩叶植物每个子时间段的叶绿素积攒量,以及与其他子时间段的叶绿素积攒量的差异,获取每个温度区域内每个子时间段的子波动程度;
获取每个温度区域内子波动程度的均值,作为每个温度区域的积攒波动程度。
4.如权利要求3所述一种彩叶研发数据处理方法,其特征在于,所述子波动程度的计算公式为:
式中,为第n个温度区域内第q个子时间段的子波动程度;S为第n个温度区域内彩叶植物的总数量;/>为第n个温度区域内第i株彩叶植物第q个子时间段的叶绿素积攒量;为第n个温度区域内第i株彩叶植物第q个子时间段的叶绿素积攒量与第n个温度区域内第i株彩叶植物其他每个子时间段的叶绿素积攒量差值的方差;exp为以自然常数为底数的指数函数;norm为归一化函数。
5.如权利要求1所述一种彩叶研发数据处理方法,其特征在于,所述变化权重的计算公式为:
式中,为第k株彩叶植物与第/>株目标植物之间的变化权重;/>为第/>株目标植物每个子时间段的叶绿素积攒量的方差;/>为第k株彩叶植物每个子时间段的叶绿素积攒量的方差;/>为第/>株目标植物所在温度区域的温度;/>为第k株彩叶植物所在温度区域的温度;exp为以自然常数为底数的指数函数;/>为绝对值函数。
6.如权利要求1所述一种彩叶研发数据处理方法,其特征在于,所述距离权重的计算公式为:
式中,为第k株彩叶植物与第/>株目标植物之间的距离权重;/>为第k株彩叶植物与第/>株目标植物之间的温度权重;/>为第k株彩叶植物与第/>株目标植物之间的变化权重。
7.如权利要求1所述一种彩叶研发数据处理方法,其特征在于,所述根据距离权重对每株彩叶植物与每株目标植物之间的距离进行修正,获取最终聚类簇的方法为:
构建三维坐标系,将每株彩叶植物与每株目标植物所在温度区域的温度代表为x值,叶绿素含量作为y值,对应时刻作为z值,确定每株彩叶植物与每株目标植物在三维坐标系中对应的数据点;
获取每株彩叶植物与每株目标植物对应数据点之间的欧式距离,作为每株彩叶植物与每株目标植物之间的第一距离;
获取每株彩叶植物与每株目标植物之间的距离权重与第一距离的乘积,作为每株彩叶植物与每株目标植物之间的实际距离;
根据实际距离,通过K-means聚类算法,获取最终聚类簇。
8.如权利要求1所述一种彩叶研发数据处理方法,其特征在于,所述根据每个最终聚类簇中的叶绿素含量,获取彩叶聚类簇的方法为:
获取每个最终聚类簇中彩叶植物的叶绿素含量的均值,作为每个最终聚类簇的第一特征值;
将最小的第一特征值对应的最终聚类簇,作为彩叶聚类簇。
9.如权利要求1所述一种彩叶研发数据处理方法,其特征在于,所述通过局部离群因子算法,对彩叶聚类簇中每株彩叶植物的高度进行检测,确定异常彩叶植物的方法为:
通过局部离群因子算法,对彩叶聚类簇中每株彩叶植物的高度进行检测,获取彩叶聚类簇中每株彩叶植物的高度对应的局部离群因子;
将局部离群因子进行归一化的结果,作为对应彩叶植物的第一结果;
当第一结果大于预设的异常阈值时,将对应彩叶植物作为异常彩叶植物。
10.一种彩叶研发数据处理系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器在执行所述计算机程序时,实现上述权利要求1-9任意一项所述一种彩叶研发数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311596666.3A CN117313017B (zh) | 2023-11-28 | 2023-11-28 | 一种彩叶研发数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311596666.3A CN117313017B (zh) | 2023-11-28 | 2023-11-28 | 一种彩叶研发数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117313017A true CN117313017A (zh) | 2023-12-29 |
CN117313017B CN117313017B (zh) | 2024-02-06 |
Family
ID=89255578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311596666.3A Active CN117313017B (zh) | 2023-11-28 | 2023-11-28 | 一种彩叶研发数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117313017B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649059B (zh) * | 2024-01-30 | 2024-05-17 | 河北省农林科学院农业信息与经济研究所 | 一种用于数字化育种流程的成果评价优化方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017125705A (ja) * | 2016-01-12 | 2017-07-20 | 日立マクセル株式会社 | 植物情報取得システム、植物情報取得装置、植物情報取得方法、作物管理システムおよび作物管理方法 |
US20170358106A1 (en) * | 2015-01-09 | 2017-12-14 | Hitachi Maxell, Ltd. | Plant information acquisition system, plant information acquisition device, plant information acquisition method, crop management system and crop management method |
CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
CN110082323A (zh) * | 2019-04-09 | 2019-08-02 | 杭州容讯科技有限公司 | 基于叶绿素荧光成像技术快速筛选不同温度敏感型植物的装置和方法 |
US20200042790A1 (en) * | 2016-10-31 | 2020-02-06 | Optim Corporation | Computer system, and method and program for diagnosing plants |
CN110909949A (zh) * | 2019-11-29 | 2020-03-24 | 山东大学 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
CN112528559A (zh) * | 2020-12-04 | 2021-03-19 | 广东省科学院广州地理研究所 | 一种结合预分类与机器学习的叶绿素a浓度反演方法 |
CN114034672A (zh) * | 2021-10-22 | 2022-02-11 | 西北农林科技大学 | 一种基于叶绿素荧光技术的作物冷损伤程度分级方法 |
CN116976524A (zh) * | 2023-08-16 | 2023-10-31 | 北京绿佳杰园林工程有限公司 | 园林用植被隐患预测方法、装置、电子设备及存储介质 |
-
2023
- 2023-11-28 CN CN202311596666.3A patent/CN117313017B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170358106A1 (en) * | 2015-01-09 | 2017-12-14 | Hitachi Maxell, Ltd. | Plant information acquisition system, plant information acquisition device, plant information acquisition method, crop management system and crop management method |
JP2017125705A (ja) * | 2016-01-12 | 2017-07-20 | 日立マクセル株式会社 | 植物情報取得システム、植物情報取得装置、植物情報取得方法、作物管理システムおよび作物管理方法 |
US20200042790A1 (en) * | 2016-10-31 | 2020-02-06 | Optim Corporation | Computer system, and method and program for diagnosing plants |
CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
CN110082323A (zh) * | 2019-04-09 | 2019-08-02 | 杭州容讯科技有限公司 | 基于叶绿素荧光成像技术快速筛选不同温度敏感型植物的装置和方法 |
CN110909949A (zh) * | 2019-11-29 | 2020-03-24 | 山东大学 | 基于聚类-回归算法的近岸海域叶绿素a浓度预测方法 |
CN112528559A (zh) * | 2020-12-04 | 2021-03-19 | 广东省科学院广州地理研究所 | 一种结合预分类与机器学习的叶绿素a浓度反演方法 |
CN114034672A (zh) * | 2021-10-22 | 2022-02-11 | 西北农林科技大学 | 一种基于叶绿素荧光技术的作物冷损伤程度分级方法 |
CN116976524A (zh) * | 2023-08-16 | 2023-10-31 | 北京绿佳杰园林工程有限公司 | 园林用植被隐患预测方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
D. NATH 等: "Detection of plant diseases and nutritional deficiencies from unhealthy plant leaves using machine learning techniques", 《4TH SMART CITIES SYMPOSIUM (SCS 2021)》, pages 351 - 356 * |
刘嘉君 等: "12种彩叶树种光合特性及固碳释氧功能", 《东北林业大学学报》, vol. 39, no. 09, pages 23 - 25 * |
夏永泉 等: "基于EM和K-means混合聚类方法的植物叶片病害区域自动提取", 《浙江农业学报》, vol. 29, no. 08, pages 1384 - 1391 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117649059B (zh) * | 2024-01-30 | 2024-05-17 | 河北省农林科学院农业信息与经济研究所 | 一种用于数字化育种流程的成果评价优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117313017B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bao et al. | Field-based architectural traits characterisation of maize plant using time-of-flight 3D imaging | |
Tedesco-Oliveira et al. | Convolutional neural networks in predicting cotton yield from images of commercial fields | |
WO2014054042A1 (en) | Device and method for detecting plantation rows | |
CN110716500A (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
CN115876258A (zh) | 基于多源数据的畜禽养殖环境异常监测及报警系统 | |
CN115292334A (zh) | 基于视觉智能种植方法、系统、电子设备及存储介质 | |
CN109960972B (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
CN117313017B (zh) | 一种彩叶研发数据处理方法及系统 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN105046229B (zh) | 一种农作物行的识别方法及装置 | |
Paul et al. | Utilizing Fine-Tuned YOLOv8 Deep Learning Model for Greenhouse Capsicum Detection and Growth Stage Determination | |
WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging | |
CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
CN117408913B (zh) | 待测物体点云去噪方法、系统及装置 | |
CN117829381B (zh) | 基于物联网的农业大棚数据优化采集系统 | |
CN117349664B (zh) | 一种芽苗菜生长环境在线监测方法及系统 | |
CN110378369B (zh) | 应用人工智能分析的广域水务状态可视化系统及方法 | |
CN117272209B (zh) | 一种芽苗菜生长数据采集方法及系统 | |
CN117649059B (zh) | 一种用于数字化育种流程的成果评价优化方法 | |
CN117172958B (zh) | 一种豆芽生长实时数据管理方法 | |
CN117350422A (zh) | 一种金针菇产量预估方法 | |
CN117251004A (zh) | 一种植物生长的ph值控制系统 | |
Kundu et al. | Dimensionality reduction of morphological features of tomato leaves and fruiting habits | |
CN113253781A (zh) | 一种基于云计算的智慧数字乡村管理平台 | |
Matsuo et al. | Construction of flower bud diagnosis system using AI image analysis in strawberry cultivation |
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 |