CN117893914B - 一种基于图像识别的植物生长监测方法及系统 - Google Patents
一种基于图像识别的植物生长监测方法及系统 Download PDFInfo
- Publication number
- CN117893914B CN117893914B CN202410297360.6A CN202410297360A CN117893914B CN 117893914 B CN117893914 B CN 117893914B CN 202410297360 A CN202410297360 A CN 202410297360A CN 117893914 B CN117893914 B CN 117893914B
- Authority
- CN
- China
- Prior art keywords
- plant
- data
- stage
- growth
- image
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 208
- 230000008635 plant growth Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 93
- 230000012010 growth Effects 0.000 claims abstract description 238
- 238000011156 evaluation Methods 0.000 claims abstract description 183
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims abstract description 114
- 238000004458 analytical method Methods 0.000 claims abstract description 90
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 86
- 230000035784 germination Effects 0.000 claims abstract description 68
- 230000001766 physiological effect Effects 0.000 claims abstract description 56
- 230000000007 visual effect Effects 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 43
- 238000010521 absorption reaction Methods 0.000 claims abstract description 24
- 230000032683 aging Effects 0.000 claims abstract description 20
- 241000196324 Embryophyta Species 0.000 claims description 645
- 235000013399 edible fruits Nutrition 0.000 claims description 133
- 230000008859 change Effects 0.000 claims description 60
- 238000005286 illumination Methods 0.000 claims description 51
- 239000002689 soil Substances 0.000 claims description 50
- 230000002159 abnormal effect Effects 0.000 claims description 47
- 230000011218 segmentation Effects 0.000 claims description 43
- 238000003306 harvesting Methods 0.000 claims description 34
- 230000005856 abnormality Effects 0.000 claims description 32
- 230000035040 seed growth Effects 0.000 claims description 32
- 210000003462 vein Anatomy 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000009826 distribution Methods 0.000 claims description 29
- 230000002786 root growth Effects 0.000 claims description 24
- 238000000926 separation method Methods 0.000 claims description 20
- 238000012300 Sequence Analysis Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000001514 detection method Methods 0.000 claims description 16
- 238000011161 development Methods 0.000 claims description 16
- 230000018109 developmental process Effects 0.000 claims description 16
- 238000003708 edge detection Methods 0.000 claims description 15
- 230000007330 shade avoidance Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000000547 structure data Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- 238000003709 image segmentation Methods 0.000 claims description 9
- 238000010801 machine learning Methods 0.000 claims description 9
- 235000017807 phytochemicals Nutrition 0.000 claims description 9
- 229930000223 plant secondary metabolite Natural products 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 8
- 241000607479 Yersinia pestis Species 0.000 claims description 7
- 201000010099 disease Diseases 0.000 claims description 7
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 7
- 230000008713 feedback mechanism Effects 0.000 claims description 7
- 230000035515 penetration Effects 0.000 claims description 7
- 230000009758 senescence Effects 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 238000013210 evaluation model Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000035800 maturation Effects 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 230000003698 anagen phase Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 33
- 210000004209 hair Anatomy 0.000 abstract description 24
- 238000005516 engineering process Methods 0.000 description 26
- 238000007726 management method Methods 0.000 description 11
- 238000012271 agricultural production Methods 0.000 description 9
- 230000005484 gravity Effects 0.000 description 8
- 230000036541 health Effects 0.000 description 7
- 230000008636 plant growth process Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000007619 statistical method Methods 0.000 description 5
- 230000003862 health status Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012731 temporal analysis Methods 0.000 description 4
- 238000000700 time series analysis Methods 0.000 description 4
- 241000238631 Hexapoda Species 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003779 hair growth Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 230000004345 fruit ripening Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 230000010496 root system development Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 235000000177 Indigofera tinctoria Nutrition 0.000 description 1
- 206010034972 Photosensitivity reaction Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 231100000640 hair analysis Toxicity 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 229940097275 indigo Drugs 0.000 description 1
- COHYTHOBJLSHDF-UHFFFAOYSA-N indigo powder Natural products N1C2=CC=CC=C2C(=O)C1=C1C(=O)C2=CC=CC=C2N1 COHYTHOBJLSHDF-UHFFFAOYSA-N 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000036211 photosensitivity Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000024042 response to gravity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Cultivation Of Plants (AREA)
Abstract
本发明涉及智能图像监测处理技术领域,尤其涉及一种基于图像识别的植物生长监测方法及系统。所述方法包括以下步骤:通过图像识别实现全面监测植物生命周期,在种子阶段确认最佳生长时刻,通过红外拍摄得到发芽率评估数据,在幼苗阶段调整根须拍摄视角,评估生长率和胚轴避荫,监测生长阶段茂盛度,在开花阶段进行花期分析,生成花期持续数据,拍摄结果图像,并预测采摘时刻,在成熟阶段进行吸水裂痕分析,生成水分供给数据,监测衰老阶段的生理活性,通过进行分布式过程监测,生成实时植物生长监测报告。本发明通过多阶段的图像识别与评估手段,提高了监测的准确性和可靠性,同时提高了监测系统的实时性和反馈效能。
Description
技术领域
本发明涉及智能图像监测处理技术领域,尤其涉及一种基于图像识别的植物生长监测方法及系统。
背景技术
早期的植物生长监测主要依赖于人工观察和传统测量工具,这种方法受到主观性和工作量大的限制。随着计算机视觉技术的崛起,植物学家开始尝试利用数字图像记录和分析植物的生长过程。随着硬件和软件技术的不断进步,计算机视觉领域的图像识别算法也得到了快速发展。传统的图像处理技术逐渐演变为深度学习方法,特别是卷积神经网络(CNN),使得植物生长监测能够更精准地获取和分析植物的图像信息。随着对植物生长监测需求的不断增加,研究者们还在不断改进图像识别算法,以适应更复杂的环境和多样的植物种类。同时,结合传感器技术、物联网和云计算等先进技术,构建了更为智能化和集成化的植物生长监测系统。然而目前传统的基于图像识别的植物生长监测方法往往只是监测植物生长的单一阶段,同时无法很好的根据各个阶段进行监测指标的建立,导致监测的准确性和可靠性较低,并且监测系统的实时性和反馈效能较差。
发明内容
基于此,有必要提供一种基于图像识别的植物生长监测方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种基于图像识别的植物生长监测方法,所述方法包括以下步骤:
步骤S1:种子阶段植物图像集;对种子阶段植物图像集进行最佳生长时刻确认,得到种子最佳生长时间数据;基于种子最佳生长时间数据对种子进行红外拍摄,得到种子生长红外图像集;对种子生长红外图像集进行植物发芽率评估,得到种子阶段植物发芽率评估数据;
步骤S2:基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据;
步骤S3:基于生长阶段植物茂盛度评估数据对开花阶段进行花期时间序列分析,生成开花阶段花期持续数据;根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行采收时刻预测,生成植物采摘预测时间数据;
步骤S4:基于植物采摘预测时间数据对=成熟阶段进行吸水裂痕分析,生成成熟阶段植物水分供给数据;基于成熟阶段植物水分供给数据对衰老阶段进行生理活性监测,生成枯萎阶段植物生理活性监测数据;基于种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行分布式过程监测,从而生成实时植物生长监测报告。
本发明通过获取种子阶段植物图像集,确认了最佳生长时刻,得到了种子最佳生长时间数据,为后续的监测奠定了基础。使用种子阶段植物图像集数据进行红外拍摄,获得了种子生长红外图像集,红外图像可以提供更多关于种子生长状态的信息,对这些红外图像进行植物发芽率评估,得到了种子阶段植物发芽率评估数据,通过图像数据获取了关键的生长信息,为后续阶段的监测和评估提供了重要数据支持。利用种子阶段植物发芽率评估数据,对幼苗阶段进行根须拍摄,并调整视角,得到了幼苗阶段植物根须图像,有助于深入了解植物在幼苗阶段的生长状况,尤其是根部的发育情况。通过对这些幼苗阶段植物根须图像进行植物胚轴避荫评估,可以提供有关植物在这个阶段的生长环境和条件的信息。通过这一评估,获得了幼苗阶段植物生长率评估数据,为了解植物生长的速度和健康状态提供了重要的数据支持。基于幼苗阶段植物生长率评估数据,对生长阶段进行生长过程监测,有助于跟踪植物在整个生长过程中的发展情况,从而得到生长阶段植物茂盛度评估数据。这种综合的评估可以提供全面的信息,帮助优化植物的生长条件,实现更好的生长结果。通过花期时间序列分析和果实图像拍摄,提供了对植物在开花和结果阶段的详细评估。同时,采用预测模型对采收时刻进行预测,有助于农业生产的管理和规划,最大程度地优化生产流程,提高农产品的产量和质量。基于植物采摘预测时间数据,对成熟阶段进行吸水裂痕分析,有助于了解植物在成熟阶段的水分状况,生成成熟阶段植物水分供给数据,水分供给数据对于植物的成熟和健康至关重要。基于成熟阶段植物水分供给数据,对衰老阶段进行生理活性监测,通过监测植物在衰老阶段的生理活性,可以了解植物的老化过程,生成枯萎阶段植物生理活性监测数据。将种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据整合,进行分布式过程监测,综合监测有助于全面了解植物的生长过程,并生成实时植物生长监测报告,报告可以为农业决策提供重要的信息,帮助农民优化种植管理和提高产量。同时实现了对植物生长全过程的细致监测和分析,为农业生产提供了全面的数据支持。因此,本发明通过多阶段的图像识别与评估手段,提高了监测的准确性和可靠性,同时提高了监测系统的实时性和反馈效能。
在本说明书中,提供了一种基于图像识别的植物生长监测系统,用于执行上述的基于图像识别的植物生长监测方法,该基于图像识别的植物生长监测系统包括:
种子阶段监测模块,用于获取种子阶段植物图像集;对种子阶段植物图像集进行最佳生长时刻确认,得到种子最佳生长时间数据;基于种子最佳生长时间数据对种子进行红外拍摄,得到种子生长红外图像集;对种子生长红外图像集进行植物发芽率评估,得到种子阶段植物发芽率评估数据;
生长阶段监测模块,用于基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据;
开花结果阶段监测模块,用于基于生长阶段植物茂盛度评估数据对开花阶段进行花期时间序列分析,生成开花阶段花期持续数据;根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行采收时刻预测,生成植物采摘预测时间数据;
成熟衰老监测模块,用于基于植物采摘预测时间数据对成熟阶段进行吸水裂痕分析,生成成熟阶段植物水分供给数据;基于成熟阶段植物水分供给数据对衰老阶段进行生理活性监测,生成枯萎阶段植物生理活性监测数据;基于种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行分布式过程监测,从而生成实时植物生长监测报告。
本发明的有益效果在于通过获取种子阶段植物图像集,有助于了解种子的外观和形态。通过确认最佳生长时刻,获得种子最佳生长时间数据,为后续操作提供时机参考。利用红外拍摄获取种子生长红外图像集,揭示种子内部的生长活动。通过植物发芽率评估,得到种子阶段植物发芽率评估数据,提供了对植物生长起始阶段的量化评估。对幼苗阶段进行根须拍摄视角调整,能够获取更详细的根系信息。通过植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据,为生长阶段提供基础数据。在生长阶段进行生长过程监测,得到植物茂盛度评估数据,全面了解植物的整体生长情况。花期时间序列分析有助于了解植物开花阶段的时间分布,提供对植物生命周期的详细了解。通过果实图像拍摄和采收时刻预测,得到植物采摘预测时间数据,为农业生产提供时间管理的信息。吸水裂痕分析和生成成熟阶段植物水分供给数据有助于了解植物成熟阶段的水分状况。生理活性监测和生成枯萎阶段植物生理活性监测数据提供了关于植物衰老和枯萎的信息。分布式过程监测整合了各个阶段的数据,生成实时植物生长监测报告,为农业管理决策提供全面的信息支持。因此,本发明通过多阶段的图像识别与评估手段,提高了监测的准确性和可靠性,同时提高了监测系统的实时性和反馈效能。
附图说明
图1为基于图像识别的植物生长监测方法的步骤流程示意图;
图2为图1中步骤S2的详细实施步骤流程示意图;
图3为图2中步骤S25的详细实施步骤流程示意图;
图4为图1中步骤S3的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,一种基于图像识别的植物生长监测方法,所述方法包括以下步骤:
步骤S1:种子阶段植物图像集;对种子阶段植物图像集进行最佳生长时刻确认,得到种子最佳生长时间数据;基于种子最佳生长时间数据对种子进行红外拍摄,得到种子生长红外图像集;对种子生长红外图像集进行植物发芽率评估,得到种子阶段植物发芽率评估数据;
步骤S2:基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据;
步骤S3:基于生长阶段植物茂盛度评估数据对开花阶段进行花期时间序列分析,生成开花阶段花期持续数据;根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行采收时刻预测,生成植物采摘预测时间数据;
步骤S4:基于植物采摘预测时间数据对=成熟阶段进行吸水裂痕分析,生成成熟阶段植物水分供给数据;基于成熟阶段植物水分供给数据对衰老阶段进行生理活性监测,生成枯萎阶段植物生理活性监测数据;基于种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行分布式过程监测,从而生成实时植物生长监测报告。
本发明通过获取种子阶段植物图像集,确认了最佳生长时刻,得到了种子最佳生长时间数据,为后续的监测奠定了基础。使用种子阶段植物图像集数据进行红外拍摄,获得了种子生长红外图像集,红外图像可以提供更多关于种子生长状态的信息,对这些红外图像进行植物发芽率评估,得到了种子阶段植物发芽率评估数据,通过图像数据获取了关键的生长信息,为后续阶段的监测和评估提供了重要数据支持。利用种子阶段植物发芽率评估数据,对幼苗阶段进行根须拍摄,并调整视角,得到了幼苗阶段植物根须图像,有助于深入了解植物在幼苗阶段的生长状况,尤其是根部的发育情况。通过对这些幼苗阶段植物根须图像进行植物胚轴避荫评估,可以提供有关植物在这个阶段的生长环境和条件的信息。通过这一评估,获得了幼苗阶段植物生长率评估数据,为了解植物生长的速度和健康状态提供了重要的数据支持。基于幼苗阶段植物生长率评估数据,对生长阶段进行生长过程监测,有助于跟踪植物在整个生长过程中的发展情况,从而得到生长阶段植物茂盛度评估数据。这种综合的评估可以提供全面的信息,帮助优化植物的生长条件,实现更好的生长结果。通过花期时间序列分析和果实图像拍摄,提供了对植物在开花和结果阶段的详细评估。同时,采用预测模型对采收时刻进行预测,有助于农业生产的管理和规划,最大程度地优化生产流程,提高农产品的产量和质量。基于植物采摘预测时间数据,对成熟阶段进行吸水裂痕分析,有助于了解植物在成熟阶段的水分状况,生成成熟阶段植物水分供给数据,水分供给数据对于植物的成熟和健康至关重要。基于成熟阶段植物水分供给数据,对衰老阶段进行生理活性监测,通过监测植物在衰老阶段的生理活性,可以了解植物的老化过程,生成枯萎阶段植物生理活性监测数据。将种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据整合,进行分布式过程监测,综合监测有助于全面了解植物的生长过程,并生成实时植物生长监测报告,报告可以为农业决策提供重要的信息,帮助农民优化种植管理和提高产量。同时实现了对植物生长全过程的细致监测和分析,为农业生产提供了全面的数据支持。因此,本发明通过多阶段的图像识别与评估手段,提高了监测的准确性和可靠性,同时提高了监测系统的实时性和反馈效能。
本发明实施例中,参考图1所述,为本发明一种基于图像识别的植物生长监测方法的步骤流程示意图,在本实例中,所述一种基于图像识别的植物生长监测方法包括以下步骤:
步骤S1:获取种子阶段植物图像集;对种子阶段植物图像集进行最佳生长时刻确认,得到种子最佳生长时间数据;基于种子最佳生长时间数据对种子进行红外拍摄,得到种子生长红外图像集;对种子生长红外图像集进行植物发芽率评估,得到种子阶段植物发芽率评估数据;
本发明实施例中,通过使用高分辨率摄像设备或相机系统,对种子阶段的植物进行图像采集,通过保证充足的光照条件,以获取清晰、准确的种子阶段植物图像集。对种子阶段植物图像集进行时间戳标记,确保每张图像与相应的生长时刻关联。利用图像处理和分析技术,识别种子在不同时间点的生长状态,同时确认最佳生长时刻,记录下相应的时间数据。在确认的最佳生长时刻,使用红外摄像设备对种子进行拍摄,红外图像有助于捕捉植物的生长活动和温度分布,通过录制或采集红外图像集,确保涵盖不同方面的植物生长信息。对红外图像集进行图像处理,以识别和分析植物发芽的迹象。使用图像分割、边缘检测等技术,提取植物发芽的特征,通过算法计算植物发芽率,并记录评估数据,得到种子阶段植物发芽率评估数据。
步骤S2:基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据;
本发明实施例中,通过在幼苗阶段,使用合适的摄像设备对植物进行根须拍摄,调整拍摄视角以确保根须清晰可见,对每个幼苗进行多角度的拍摄,以获取全面的根须信息,通过图像处理技术,提取和分析根须的结构和形态,得到幼苗阶段植物根须图像。利用幼苗阶段植物根须图像,评估植物胚轴是否避荫。使用图像处理算法检测胚轴的位置和遮蔽情况,并计算幼苗阶段植物的生长率,考虑根须和胚轴的关系,记录评估数据,包括生长率等信息,得到幼苗阶段植物生长率评估数据。基于幼苗阶段的生长率评估数据,进行生长过程的监测,持续采集植物生长过程中的图像,使用图像处理和分析技术,提取植物的茂盛度信息,通过计算并记录生长阶段植物的茂盛度评估数据。
步骤S3:基于生长阶段植物茂盛度评估数据对开花阶段进行花期时间序列分析,生成开花阶段花期持续数据;根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行采收时刻预测,生成植物采摘预测时间数据;
本发明实施例中,通过利用生长阶段植物茂盛度评估数据,确定开花阶段的时间点。对开花阶段的花期进行时间序列分析,包括花期开始、峰值和结束等关键时间点,生成开花阶段花期持续数据,并记录各个时间点的信息。根据开花阶段花期持续数据,确定结果阶段的合适时间点,针对结果阶段的植物,调整图像拍摄视角,确保果实清晰可见,以进行多角度拍摄,以获取全面的果实信息。通过图像处理技术,提取和分析果实的形态和成熟度,基于结果阶段植物结果图像,进行采收时刻的预测。使用图像处理算法检测果实的成熟度和采收标志,结合先前的花期时间序列数据,预测植物采摘的最佳时机,从而生成植物采摘预测时间数据,包括采收开始和结束时间等信息。
步骤S4:基于植物采摘预测时间数据对成熟阶段进行吸水裂痕分析,生成成熟阶段植物水分供给数据;基于成熟阶段植物水分供给数据对衰老阶段进行生理活性监测,生成枯萎阶段植物生理活性监测数据;基于种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行分布式过程监测,从而生成实时植物生长监测报告。
本发明实施例中,通过根据植物采摘预测时间数据,确定成熟阶段的时间点,对成熟阶段的植物进行吸水裂痕分析,以评估果实的水分状况。利用传感器或其他监测设备,实时监测植物的水分供给情况,生成成熟阶段植物水分供给数据,并记录水分含量和水分变化趋势。基于成熟阶段植物水分供给数据,进行衰老阶段的生理活性监测,使用生物传感器或其他适当的监测工具,实时监测植物在衰老阶段的生理活性,如光合作用、呼吸等,生成枯萎阶段植物生理活性监测数据,包括各项生理指标的变化趋势和水分与生理活性的关联性。整合种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据,建立分布式过程监测系统,允许实时采集和处理数据,利用这些数据,生成实时植物生长监测报告,包括植物的整体健康状况、生长趋势、水分管理等方面的信息。
优选的,步骤S1包括以下步骤:
步骤S11:利用相机获取种子阶段植物图像集;
步骤S12:对种子阶段植物图像集进行图像亮度调整,生成种子阶段植物亮度调整图像集;对种子阶段植物亮度调整图像集进行图像边缘裁剪,得到种子阶段植物裁剪图像集;
步骤S13:对种子阶段植物裁剪图像集进行植物表壳颜色特征提取,生成植物外壳颜色变化数据;利用植物外壳颜色变化数据对种子阶段植物裁剪图像集进行植物外壳形变分析,生成植物外壳形变数据;
步骤S14:根据植物外壳颜色变化数据和植物外壳形变数据对植物进行生长速率分析,生成种子生长速率变化数据;基于种子生长速率变化数据对植物进行最佳生长时刻确认,得到种子最佳生长时间数据;
步骤S15:基于种子最佳生长时间数据对种子进行红外拍摄,得到种子生长红外图像集;对种子生长红外图像集进行温度变化分析,得到种子生长温度变化数据;通过种子生长速率变化数据和种子生长温度变化数据进行植物发芽率评估,得到种子阶段植物发芽率评估数据。
本发明通过相机获取植物图像集,提供了生长监测的原始数据,为后续分析提供了必要的图像信息。通过亮度调整和边缘裁剪,提高了图像的质量和一致性,有助于消除图像中的噪声和提取关键特征。通过提取植物表壳颜色特征和分析外壳形变,可以获取关于植物生长状态和健康状况的重要信息,为后续的生长速率分析奠定了基础。通过分析植物的生长速率,可以识别最佳生长时刻,有助于优化植物的生长条件,提高产量和质量。使用红外拍摄和温度变化分析,可以获取关于植物的温度信息,温度是植物健康和发育的重要指标,有助于更全面地了解植物的状态。通过结合生长速率变化数据和生长温度变化数据,实现对种子阶段植物发芽率的评估,为农业生产提供了关键的信息,帮助农民更好地管理作物。
本发明实施例中,通过使用相机捕获植物在种子阶段的图像。相机的选择取决于分辨率、光敏度和其他相关参数。对植物图像集进行图像亮度调整,以增强图像的质量和可分析性。对亮度调整后的图像集进行图像边缘裁剪,以去除不相关的背景信息,得到植物裁剪图像集。从裁剪图像集中提取植物表壳颜色特征,可以使用计算机视觉技术和图像处理算法。利用植物外壳颜色数据进行形变分析,包括边缘检测、形状匹配等技术,以获取外壳形变数据。基于颜色变化数据和形变数据进行生长速率分析。使用图像处理和计算机视觉算法来跟踪植物的生长变化。通过生长速率变化数据确认最佳生长时刻,可以采用数学建模或者阈值判定的方式。根据最佳生长时间数据对植物进行红外拍摄,获取红外图像集。对红外图像集进行温度变化分析,使用红外传感器数据或图像处理技术。利用生长速率变化数据和生长温度变化数据,采用适当的评估模型,例如统计学方法或机器学习算法,进行植物发芽率评估,得到种子阶段植物发芽率评估数据。
优选的,步骤S2包括以下步骤:
步骤S21:基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行根须生长方向分析,生成幼苗阶段植物根须生长方向数据;
步骤S22:对幼苗阶段植物根须生长方向数据进行生长方向倾斜角度分析,生成植物根须生长角度数据;通过植物根须生长角度数据对植物进行根须生长汲取通道构建,生成根须生长汲取通道数据;
步骤S23:对根须生长汲取通道数据进行植物向重性分析,得到植物根须向重性生长数据;利用植物根须向重型生长数据对幼苗阶段植物根须图像进行照射光源角度模拟,生成照射光源角度数据;
步骤S24:对照射光源角度数据进行光照色系分离,得到光照色系分离数据;对光照色系分离数据进行色系光照比例分析,生成色系光照比例数据;基于色系光照比例数据对植物进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;
步骤S25:基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据。
本发明通过调整根须拍摄视角,可以更清晰地捕捉幼苗阶段植物的根须图像,分析根须生长方向有助于了解根系的形态和生长趋势。分析生长方向倾斜角度有助于确定根须的生长倾向,构建根须生长汲取通道可以模拟和优化植物根系的吸收水分和养分的路径。了解根须向重性生长有助于理解植物对重力的响应,通过模拟照射光源角度,可以评估植物在光照条件下的生长情况。色系分离有助于识别不同波长的光照,通过分析色系光照比例,可以评估植物在不同光照条件下的生长和发育。生长过程监测有助于追踪植物在不同生长阶段的变化,茂盛度评估可以提供有关植物整体生长状态的信息,为植物生长管理提供参考。
作为本发明的一个实例,参考图2所示,在本实例中所述步骤S2包括:
步骤S21:基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行根须生长方向分析,生成幼苗阶段植物根须生长方向数据;
本发明实施例中,通过在种子阶段,收集有关植物发芽率的数据,包括发芽时间、发芽率百分比等信息,这些数据可以通过实验、观察或传感器等手段获得。使用相应的图像采集设备,如摄像机或扫描仪,对幼苗阶段的植物进行拍摄,确保设备能够捕捉到植物的根须区域。通过图像采集设备获取的图像,确保图像具有足够的分辨率和清晰度,以便后续的根须分析。利用图像处理和计算机视觉技术,对幼苗阶段植物根须图像进行分析,采用以下方法:边缘检测:识别根须的轮廓;方向性滤波:检测根须的生长方向;骨架化:提取根须的主干结构;根据根须生长方向的分析结果,生成相应的幼苗阶段植物根须生长方向数据集,其中包括根须的生长方向、长度等信息。
步骤S22:对幼苗阶段植物根须生长方向数据进行生长方向倾斜角度分析,生成植物根须生长角度数据;通过植物根须生长角度数据对植物进行根须生长汲取通道构建,生成根须生长汲取通道数据;
本发明实施例中,通过利用之前得到的幼苗阶段植物根须生长方向数据,进行进一步的分析,计算每个根须的生长方向倾斜角度,如角度计算、坐标变换等,将计算得到的生长方向倾斜角度整理为数据集,其中包括每个根须的生长方向倾斜角度信息,这个数据集将作为后续步骤的输入。基于植物根须生长角度数据,构建根须生长汲取通道,这通常涉及以下步骤:利用角度信息确定根须生长的主要方向,将根须按照其生长方向划分为不同的通道,通道可以是一维线段,也可以是更复杂的结构,具体取决于分析的复杂性和需要,整理根须生长汲取通道的数据,包括通道的位置、方向、长度等信息,这个数据集将提供对植物根系结构的详细描述,有助于理解根系在土壤中的分布和生长。
步骤S23:对根须生长汲取通道数据进行植物向重性分析,得到植物根须向重性生长数据;利用植物根须向重型生长数据对幼苗阶段植物根须图像进行照射光源角度模拟,生成照射光源角度数据;
本发明实施例中,通过使用根须生长汲取通道数据,进行植物根须向重性分析,可以通过计算每个根须相对于重力方向的生长角度来实现,植物根须通常展示向重性生长,即朝向地心的方向生长,可以通过测量根须与垂直方向的夹角来评估。整理植物根须向重性生长数据,包括每个根须的生长方向相对于重力的角度,数据集将用于后续的模拟和分析。利用植物根须向重性生长数据,进行照射光源角度的模拟,涉及模拟光源照射在植物根系上的角度,照射角度的变化可以影响光照的强度和方向性,从而影响植物根系的生长。整理模拟结果,生成照射光源角度数据集,数据集包含了不同光照条件下的光源角度信息,可以用于分析植物根系对光照的响应。
步骤S24:对照射光源角度数据进行光照色系分离,得到光照色系分离数据;对光照色系分离数据进行色系光照比例分析,生成色系光照比例数据;基于色系光照比例数据对植物进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;
本发明实施例中,通过利用照射光源角度数据,对光照进行色系分离,可以通过图像处理技术,根据光的波长将光照分为不同的色系。通常,光照可以分为红、橙、黄、绿、蓝、靛、紫等色系,对光照色系分离数据进行色系光照比例分析,包括计算每个色系在总光照中的比例,可以通过对每个色系的光照强度进行量化,并计算其在总光照中的占比,通过整理分析结果,生成色系光照比例数据集,数据集包含了每个色系在不同光照条件下的相对比例,为后续的植物胚轴避荫评估提供基础。基于色系光照比例数据,进行植物胚轴避荫评估,涉及确定植物胚轴对不同色系光照的敏感性,以及每个色系对植物生长的影响,可以采用统计学方法和机器学习算法来分析这些关系,结合植物胚轴避荫评估结果,得到幼苗阶段植物生长率评估数据,包括植物在不同光照条件下的生长速率、根系发育情况等信息。
步骤S25:基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据。
本发明实施例中,通过利用之前得到的幼苗阶段植物生长率评估数据作为基础数据,数据包括植物在不同光照条件下的生长速率、根系发育情况等。将生长过程分为不同的阶段,例如发芽阶段、生长期、花期等,可以根据植物的生长特征和阶段性生长规律来确定。在每个生长阶段,对植物进行生长过程的监测,包括测量植物的高度、叶片面积、根系生长情况等。使用传感器、相机等技术进行非侵入性监测,或者手动采集数据,基于监测到的数据,计算每个生长阶段植物的茂盛度,可以通过综合考虑各个生长指标,如高度、叶片数量、叶片面积等,来评估植物的茂盛度。进行数据分析,探索不同生长阶段植物茂盛度之间的关系,利用统计方法或机器学习算法来发现植物在特定条件下的生长规律,生成可视化图表,以更直观地展示植物在不同阶段的茂盛度变化。
优选的,步骤S25包括以下步骤:
步骤S251:基于幼苗阶段植物生长率评估数据对生长阶段进行叶片拍摄视角调整,得到生长阶段叶片图像集;对生长阶段叶片图像集进行叶片脉络图像分割,生成植物叶片脉络分割区域图像;
步骤S252:对植物叶片脉络分割区域图像进行完整性分析,生成植物叶片完整性数据;对植物叶片脉络分割区域图像进行叶片颜色提取,生成叶片颜色数据;基于叶片异常检测公式对植物叶片完整性数据和叶片颜色数据进行病害虫害安全度评估,生成叶片异常系数;
步骤S253:将叶片异常系数和预设的标准异常阈值进行对比,当叶片异常系数大于或等于预设的标准异常阈值时,则将叶片异常系数对应的植物叶片脉络分割区域图像标记为高危害叶片区域并进行叶片裁剪;
步骤S254:当叶片异常系数小于预设的标准异常阈值时,则将叶片异常系数对应的植物叶片脉络分割区域图像标记为低危害叶片区域;对低危害叶片区域进行叶片结构分析,生成叶片结构数据;
步骤S255:对低危害叶片区域进行纵向叶片高度分析,生成植物生长高度数据;通过植物生长高度数据和叶片结构数据对植物进行生长茂盛度评估,得到生长阶段植物茂盛度评估数据。
本发明通过基于植物幼苗阶段的生长率评估数据,通过调整叶片拍摄视角,获取生长阶段叶片图像集。然后,对这些图像进行叶片脉络图像分割,生成植物叶片脉络分割区域图像。对植物叶片脉络分割区域图像进行完整性分析,生成植物叶片完整性数据。同时,进行叶片颜色提取,生成叶片颜色数据。通过叶片异常检测公式对植物叶片完整性数据和叶片颜色数据进行病害虫害安全度评估,得到叶片异常系数。将叶片异常系数与预设的标准异常阈值进行比较。如果叶片异常系数大于或等于预设的标准异常阈值,则将对应的植物叶片脉络分割区域图像标记为高危害叶片区域,并进行叶片裁剪。当叶片异常系数小于预设的标准异常阈值时,将对应的植物叶片脉络分割区域图像标记为低危害叶片区域。对低危害叶片区域进行叶片结构分析,生成叶片结构数据。对低危害叶片区域进行纵向叶片高度分析,生成植物生长高度数据。通过植物生长高度数据和叶片结构数据对植物进行生长茂盛度评估,得到生长阶段植物茂盛度评估数据。通过图像处理和分析,结合植物生长数据,进行了病害虫害安全度评估和植物茂盛度评估,从而实现了对植物生长过程的监测和分析,可以对植物的健康和生长状态提供精准的体现。
作为本发明的一个实例,参考图3所示,在本实例中所述步骤S25包括:
步骤S251:基于幼苗阶段植物生长率评估数据对生长阶段进行叶片拍摄视角调整,得到生长阶段叶片图像集;对生长阶段叶片图像集进行叶片脉络图像分割,生成植物叶片脉络分割区域图像;
本发明实施例中,通过收集幼苗阶段的植物生长率评估数据,包括生长速度、高度、生长曲线等信息。设计一个系统或机械装置,确保能够根据幼苗阶段的植物生长率评估数据自动或手动调整叶片的拍摄视角,需要使用摄像机或其他图像采集设备。在调整叶片拍摄视角后,使用相应的设备拍摄植物生长阶段的叶片,形成叶片图像集。使用图像处理算法,可以是计算机视觉技术中的图像分割算法,对生长阶段叶片图像集进行处理,以分割出叶片的脉络,包括边缘检测、区域生长、阈值分割等图像处理技术。根据叶片脉络图像分割的结果,生成植物叶片脉络分割区域图像。
步骤S252:对植物叶片脉络分割区域图像进行完整性分析,生成植物叶片完整性数据;对植物叶片脉络分割区域图像进行叶片颜色提取,生成叶片颜色数据;基于叶片异常检测公式对植物叶片完整性数据和叶片颜色数据进行病害虫害安全度评估,生成叶片异常系数;
本发明实施例中,通过利用图像处理技术,可以采用边缘检测、形态学操作等方法,对植物叶片脉络分割区域图像进行分析,以评估叶片的完整性,包括叶片的完整性指标、缺陷检测等。使用图像处理技术,采用颜色空间转换、阈值分割等方法,从植物叶片脉络分割区域图像中提取叶片的颜色信息。设计一个叶片异常检测公式,该公式可以基于植物叶片的完整性数据和叶片颜色数据,涉及到数学模型、统计方法或机器学习算法,根据具体情况选择合适的方法。基于叶片异常系数,进行病害虫害安全度评估,包括设定阈值,将叶片异常系数与阈值进行比较,以确定植物叶片的健康状态。
步骤S253:将叶片异常系数和预设的标准异常阈值进行对比,当叶片异常系数大于或等于预设的标准异常阈值时,则将叶片异常系数对应的植物叶片脉络分割区域图像标记为高危害叶片区域并进行叶片裁剪;
本发明实施例中,通过将计算得到的叶片异常系数与预先设定的标准异常阈值进行比较,如果叶片异常系数大于或等于预设的标准异常阈值,则认为该叶片区域存在高危害。对于满足高危害条件的叶片脉络分割区域图像,进行标记,以便后续的处理,针对被标记为高危害的叶片脉络分割区域图像,进行叶片的裁剪,包括使用图像处理技术,将高危害区域从整个图像中提取出来。
步骤S254:当叶片异常系数小于预设的标准异常阈值时,则将叶片异常系数对应的植物叶片脉络分割区域图像标记为低危害叶片区域;对低危害叶片区域进行叶片结构分析,生成叶片结构数据;
本发明实施例中,通过当叶片异常系数小于预设的标准异常阈值时,表示该叶片区域为低危害。将叶片脉络分割区域图像中对应于低危害的部分进行标记,可以是在图像上添加特殊的标志或者创建一个二进制掩码,以便后续的处理。对被标记为低危害的叶片区域进行结构分析,这包括以下方面:形状分析:检测叶片的形状特征,如长度、宽度、曲率等;纹理分析:分析叶片表面的纹理特征,包括纹理的均匀性、密度等;颜色分析:检测叶片的颜色分布,用于识别植物的健康状态;脉络分析:进一步分析叶片脉络的结构,如密度、分布等。基于叶片结构分析的结果,生成相应的叶片结构数据,包括数字化的特征向量、统计数据或其他描述叶片结构的信息。
步骤S255:对低危害叶片区域进行纵向叶片高度分析,生成植物生长高度数据;通过植物生长高度数据和叶片结构数据对植物进行生长茂盛度评估,得到生长阶段植物茂盛度评估数据。
本发明实施例中,通过对低危害叶片区域的植物进行纵向叶片高度分析,包括使用图像处理技术,例如边缘检测、物体分割等,以获取叶片的高度信息。基于纵向叶片高度分析的结果,生成植物的生长高度数据,可以是数字化的高度值,反映了植物在低危害区域的垂直生长状况。将上一步生成的叶片结构数据与植物生长高度数据结合起来,形成综合的植物生长特征数据集。利用植物生长高度数据和叶片结构数据进行生长茂盛度评估,包括一系列指标,例如生长速度、叶片形态、植被密度等,根据这些指标综合评估植物的茂盛度,基于评估的结果,生成生长阶段植物茂盛度评估数据,可以是定量的数值,也可以是对植物茂盛度的分类标签。
优选的,步骤S252中的叶片异常检测公式具体如下:
;
式中,表示为植物叶片的异常程度评估值,/>表示为异常系数的比例因子,/>表示为叶片完整性数据的数量,/>表示为第/>个叶片的完整性数据,/>表示为叶片的面积,/>表示为完整性数据对异常系数的权重因子,/>表示为第/>个叶片的完整性数据的指数项,/>表示为颜色数据对异常系数的权重因子,/>表示为叶片在位置/>处的颜色值,/>表示为颜色值的最大可能取值,/>表示为颜色数据的指数项。
本发明通过分析并整合了一种叶片异常检测公式,公式中的异常系数是最终的评估值,表示了植物叶片的异常程度。它通过整体异常程度的权重因子进行调整,可以根据实际需求来控制评估的灵敏度。/>表示为异常系数的比例因子,用于调整整体异常程度的权重。通过增加或减小/>的值,可以调整叶片异常对整体评估的相对重要性。/>表示为叶片完整性数据的数量,它反映了参与计算的完整性数据的个数。/>表示为第/>个叶片的完整性数据,公式中,完整性数据通过指数项/>进行调整,并乘以权重因子/>。通过调整/>和/>的值,可以控制不同完整性数据对异常系数的影响程度和重要性。叶片面积是完整性数据的归一化因子,用于将完整性数据与叶片的实际大小进行比较,将完整性数据除以叶片面积,可以消除叶片大小对异常程度评估的影响。/>表示为颜色数据对异常系数的权重因子,通过调整的值,可以控制颜色数据对异常程度评估的相对重要性。/>表示为叶片在位置/>处的颜色值,公式中,通过指数项/>对颜色值进行调整。通过调整/>的值,可以控制颜色数据的影响程度。最大颜色值是颜色值的最大可能取值。通过将颜色值除以最大颜色值,将颜色数据归一化,使其在0到1的范围内。在使用本领域常规的叶片异常检测公式时,可以得到植物叶片的异常程度评估值,通过应用本发明提供的叶片异常检测公式,可以更加精确的计算出植物叶片的异常程度评估值。通过综合考虑完整性数据和颜色数据,公式将叶片的完整性和颜色异常程度结合起来,以生成叶片的异常系数。将完整性数据和颜色数据结合起来,综合考虑了叶片的形态和颜色异常程度,能够更全面地评估叶片的异常程度。通过调整参数的值,可以根据具体需求灵活地调整不同因素对异常程度的权重和影响程度,使评估结果更符合实际情况。通过对完整性数据和颜色数据进行归一化处理,消除了叶片大小和颜色范围等因素的影响,使得不同叶片之间的比较更加准确和可靠。通过求和和积分的方式将多个完整性数据和颜色数据汇总,综合考虑了整体叶片的异常程度,提高了评估的准确性。
优选的,步骤S3包括以下步骤:
步骤S31:基于生长阶段植物茂盛度评估数据对开花阶段进行花蕾拍摄视角调整,得到开花阶段花蕾图像集;对花蕾图像集进行花蕾发育变化图像筛选,得到花蕾发育变化图像集;对花蕾发育变化图像激进型花朵数量检测,生成植物花朵数量数据;
步骤S32:对花蕾图像集进行图像花瓣区域分割,生成花瓣区域图像;对花瓣区域图像进行边缘检测,生成花瓣核心区域图像;对植物花朵数量数据和花瓣核心区域图像进行花期时间序列分析,生成开花阶段花期持续数据;
步骤S33:根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行穿透成像,生成植物结果透影图像;
步骤S34:对植物结果透影图像进行果实籽粒分布分析,生成果实籽粒分布数据;
步骤S35:通过果实籽粒分布数据对植物结果透影图像进行果实饱满度评估,生成植物果实饱满度评估数据;根据植物果实饱满度评估数据进行采收时刻预测,生成植物采摘预测时间数据。
本发明通过调整拍摄视角获取开花阶段花蕾图像集,从而捕捉植物生长的关键阶段。对花蕾发育变化图像集进行激进型花朵数量检测,得到植物花朵数量数据,可以更好地了解植物的生殖状况。进行图像花瓣区域分割和边缘检测,生成花瓣核心区域图像,利用花朵数量数据和花瓣核心区域图像进行花期时间序列分析,生成开花阶段花期持续数据,有助于了解植物的开花模式和花期。根据开花阶段花期持续数据调整拍摄视角,获取结果阶段植物结果图像,通过穿透成像生成植物结果透影图像,提供对结果阶段的更深入了解,对植物结果透影图像进行果实籽粒分布分析,生成果实籽粒分布数据,有助于了解果实的形态和分布情况。基于果实籽粒分布数据进行果实饱满度评估,得到植物果实饱满度评估数据,利用果实饱满度评估数据进行采收时刻预测,生成植物采摘预测时间数据,有助于优化果实采摘时机,提高产量和质量。
作为本发明的一个实例,参考图4所示,在本实例中所述步骤S3包括:
步骤S31:基于生长阶段植物茂盛度评估数据对开花阶段进行花蕾拍摄视角调整,得到开花阶段花蕾图像集;对花蕾图像集进行花蕾发育变化图像筛选,得到花蕾发育变化图像集;对花蕾发育变化图像激进型花朵数量检测,生成植物花朵数量数据;
本发明实施例中,通过使用合适的传感器或技术对植物生长阶段进行茂盛度评估,涉及到收集植物的生长数据,如高度、叶面积指数等。基于生长阶段植物茂盛度评估数据,确定开花阶段,并相应调整摄像头或传感器的视角,以最佳方式捕捉植物的花蕾。利用调整后的视角,通过摄像头或传感器拍摄植物的花蕾图像,形成开花阶段花蕾图像集。对花蕾图像集进行筛选,选择具有发育变化的图像,涉及图像处理技术,例如对比度、亮度、颜色等方面的分析,以确定图像中花蕾发育的变化。
步骤S32:对花蕾图像集进行图像花瓣区域分割,生成花瓣区域图像;对花瓣区域图像进行边缘检测,生成花瓣核心区域图像;对植物花朵数量数据和花瓣核心区域图像进行花期时间序列分析,生成开花阶段花期持续数据;
本发明实施例中,通过使用图像处理技术,如图像分割算法,对花蕾图像集进行处理,以分割出花瓣区域,涉及颜色分割、边缘检测或深度学习等技术,以准确提取花瓣的区域。根据图像花瓣区域分割的结果,生成花瓣区域图像,这些图像将聚焦于植物花朵的花瓣部分。在花瓣区域图像上应用边缘检测算法,以提取花瓣的轮廓,有助于进一步准确定位花瓣的形状和结构,基于边缘检测的结果,生成花瓣核心区域图像,包括去除不必要的信息,使得最终图像更集中在花瓣的核心区域。结合植物花朵数量数据和花瓣核心区域图像,进行花期时间序列分析,包括识别花蕾开放的时间点、花期持续时间等信息。基于花期时间序列分析的结果,生成开花阶段花期持续数据,包括每个花朵的开放时间、花期的变化趋势等。
步骤S33:根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行穿透成像,生成植物结果透影图像;
本发明实施例中,通过利用花期持续数据,确定适合拍摄结果阶段植物的果实图像的时间点和视角,包括选择在果实成熟的阶段进行拍摄,以及确定最佳拍摄角度。使用相机或其他图像采集设备,按照确定的时间点和视角拍摄结果阶段植物的果实图像,确保图像质量和分辨率足够高,以便后续的穿透成像处理。应用穿透成像技术,=包括透射式成像或其他相关技术,对结果阶段植物果实图像进行处理,其中穿透成像可以用于突破果实表面,获取果实内部的结构信息。基于穿透成像的结果,生成植物结果透影图像,图像展示果实内部的解剖结构、种子分布或其他关键信息。
步骤S34:对植物结果透影图像进行果实籽粒分布分析,生成果实籽粒分布数据;
本发明实施例中,通过对植物结果透影图像进行预处理,包括去除噪声、增强对比度、调整亮度等,确保图像清晰且适合进行分析。利用图像分割技术,将图像中的果实结构与其他部分进行区分,涉及到阈值分割、边缘检测或其他分割算法,以便准确地提取果实的轮廓。在果实结构内部,利用目标检测或图像分析算法,识别并标定籽粒的位置,包括检测籽粒的形状、颜色或其他特征,基于识别的籽粒位置,进行数量统计和分布分析,可以使用计算机视觉算法来计算每个果实内的籽粒数量,并分析它们的空间分布。将分析结果整理为数据形式,包括每个果实的籽粒数量、籽粒密度、分布图等信息,这些数据可以用于进一步的研究、报告或决策支持。
步骤S35:通过果实籽粒分布数据对植物结果透影图像进行果实饱满度评估,生成植物果实饱满度评估数据;根据植物果实饱满度评估数据进行采收时刻预测,生成植物采摘预测时间数据。
本发明实施例中,通过利用果实籽粒分布数据,计算每个果实的饱满度,涉及使用密度分析、形状分析等技术,以确定果实的充实程度。饱满度的评估可以根据果实内籽粒的数量、分布密度以及果实的整体形状等因素进行,利用获取的果实饱满度评估数据建立饱满度模型,可以是基于统计学方法、机器学习模型或其他预测模型,模型的选择取决于数据的性质和复杂性,结合饱满度模型和其他环境因素(如气候、土壤条件等),建立采收时刻预测模型。该模型可以通过历史数据和实时数据进行训练,以预测植物的生长和果实成熟的时间,使用时刻预测模型,对每个植物进行采收时刻的预测。生成植物采摘预测时间数据,该数据包括建议的采摘日期和时间范围。
优选的,步骤S35包括以下步骤:
步骤S351:根据果实籽粒分布数据对植物结果透影图像进行果实背景分离,得到果实背景分离图像;通过目标检测算法对果实背景分离图像进行果实区域识别并提取,生成植物果实分割区域图像;
步骤S352:对植物果实分割区域图像进行果实特征提取,生成果实轮廓数据和果实颜色数据;通过机器学习方法对果实轮廓数据和果实颜色数据进行历史数据收集,得到历史果实轮廓数据和果实颜色数据;
步骤S353:将历史植物果实饱满度评估数据进行混合数据集划分,生成模型训练集和模型测试集;
步骤S354:基于支持向量机算法对模型训练集进行模型训练,生成果实饱满度评估预模型;利用模型测试集对果实饱满度评估预模型进行模型测试,生成果实饱满度评估模型;
步骤S355:将植物结果透影图像导入至果实饱满度评估模型中进行果实饱满度评估,生成植物果实饱满度评估数据;基于遗传算法对植物果实饱满度评估数据进行采收时刻预测,生成植物采摘预测时间数据。
本发明通过果实背景的分离以及植物果实区域的提取,有助于聚焦分析在果实上,减少了无关信息的干扰,提高了后续分析的准确性。对植物果实分割区域图像进行了果实特征提取,包括果实轮廓和颜色数据,通过机器学习方法对这些特征进行历史数据收集,有助于建立更准确的模型,考虑到果实外观和颜色等方面的变化。使用支持向量机算法对模型训练集进行训练,生成了果实饱满度评估预模型,模型的测试通过使用模型测试集,有助于验证模型的泛化性能和准确度。将植物结果透影图像导入果实饱满度评估模型中,生成了植物果实饱满度评估数据,使得对植物果实饱满度的评估变得自动化,提高了效率和准确性。通过遗传算法对植物果实饱满度评估数据进行采收时刻预测,生成了植物采摘预测时间数据,为农业生产提供了有价值的信息,使农民能够更好地计划和优化采摘时间。
本发明实施例中,通过使用果实籽粒分布数据,对植物结果透影图像进行处理,采用图像处理技术,包括阈值分割、边缘检测等方法,得到果实背景分离图像。运用目标检测算法,可以是基于深度学习的方法如YOLO、SSD或Faster R-CNN,对果实背景分离图像进行分析,实现果实区域的识别与提取,生成植物果实分割区域图像。对植物果实分割区域图像进行特征提取,包括形状特征、颜色特征等,可以通过计算轮廓、颜色直方图等方法实现。利用机器学习方法,如监督学习,对果实轮廓数据和颜色数据进行历史数据收集,涉及采集并标记历史数据集,以便在后续步骤中进行模型训练。将历史植物果实饱满度评估数据进行混合数据集划分,生成模型训练集和模型测试集,确保数据集的随机性和均衡性。基于支持向量机(SVM)算法,使用模型训练集进行模型训练,优化模型参数以实现对果实饱满度的评估。利用模型测试集对训练得到的果实饱满度评估预模型进行测试,评估模型的性能和准确度。将植物结果透影图像导入果实饱满度评估模型,进行果实饱满度评估,生成植物果实饱满度评估数据,利用遗传算法对植物果实饱满度评估数据进行分析和优化,生成植物采摘预测时间数据,帮助农民确定最佳的采摘时机。
优选的,步骤S4包括以下步骤:
步骤S41:基于植物采摘预测时间数据对成熟阶段进行土壤拍摄视角调整,得到成熟阶段土壤图像集;对成熟阶段土壤图像集进行水分供应图像筛选,生成土壤水分供应图像;
步骤S42:对土壤水分供应图像进行土壤层级分析,生成土壤层级数据;对土壤层级数据进行土壤吸水变化分析,生成土壤吸水变化数据;通过土壤吸水变化数据对成熟阶段土壤图像集进行裂痕分析,生成成熟阶段植物水分供给数据;
步骤S43:基于成熟阶段植物水分供给数据对衰老阶段进行植物整体拍摄视角调整,得到枯萎阶段植物图像集;对枯萎阶段植物图像集进行叶片掉落时序分析,生成植物叶片枯萎掉落数据;
步骤S44:根据植物叶片枯萎掉落数据对枯萎阶段植物图像集进行荧光化学素放置,生成植物化学素放置数据;对植物化学素放置数据进行气孔开合分析,得到植物气孔开合变化数据;基于植物气孔开合变化数据对植物进行生理活性监测,生成枯萎阶段植物生理活性监测数据。
步骤S45:基于种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行分布式过程监测,从而生成实时植物生长监测报告。
本发明通过基于植物采摘预测时间数据,对成熟阶段进行土壤拍摄视角调整,得到成熟阶段土壤图像集。对成熟阶段土壤图像集进行水分供应图像筛选,从中生成土壤水分供应图像,有助于了解土壤湿度分布和植物的水分状况。对土壤水分供应图像进行土壤层级分析,生成土壤层级数据,同时分析土壤吸水变化,得到土壤吸水变化数据,有助于了解土壤水分的分布和植物的吸水情况。利用土壤吸水变化数据对成熟阶段土壤图像集进行裂痕分析,生成成熟阶段植物水分供给数据,提供了关于土壤干燥程度和植物水分供给情况的信息。基于成熟阶段植物水分供给数据,对衰老阶段进行植物整体拍摄视角调整,得到枯萎阶段植物图像集。对枯萎阶段植物图像集进行叶片掉落时序分析,生成植物叶片枯萎掉落数据,提供了有关植物健康状况的信息。根据植物叶片枯萎掉落数据,对枯萎阶段植物图像集进行荧光化学素放置,生成植物化学素放置数据,可用于检测植物中的化学变化。对植物化学素放置数据进行气孔开合分析,得到植物气孔开合变化数据。基于这些数据进行植物的生理活性监测,生成枯萎阶段植物生理活性监测数据。基于各阶段的评估数据,包括发芽率、茂盛度、花期、水分供给、生理活性等,进行分布式过程监测,可以提供实时的植物生长状况监测报告,帮助农民优化土壤水分管理、施肥计划和采摘时机,提高农业生产效益。通过监测植物水分供给和生理活性,有助于精准调整灌溉和施肥,提高资源利用效率。
本发明实施例中,通过采集植物采摘预测时间数据,调整土壤拍摄视角,得到成熟阶段土壤图像。对这些成熟阶段土壤图像进行水分供应图像筛选,生成反映土壤水分供应的图像。通过对土壤水分供应图像进行层级分析,得到土壤的层级数据,对这些数据进行吸水变化分析,生成反映土壤吸水变化的数据。通过这些吸水变化数据对成熟阶段土壤图像进行裂痕分析,生成成熟阶段植物水分供给的数据。基于成熟阶段植物水分供给的数据,调整拍摄视角,得到枯萎阶段植物的图像集。对这些图像进行叶片掉落时序分析,生成植物叶片枯萎掉落的数据。利用叶片枯萎掉落的数据对枯萎阶段植物图像集进行荧光化学素放置,生成相关数据。对这些数据进行气孔开合分析,得到植物气孔开合变化的数据。基于气孔开合变化数据对植物进行生理活性监测,生成枯萎阶段植物的生理活性监测数据,将各个阶段的数据整合,包括种子阶段植物发芽率评估、生长阶段植物茂盛度评估、开花阶段花期持续、植物采摘预测时间、成熟阶段植物水分供给和枯萎阶段植物生理活性监测等数据,进行分布式过程监测,最终生成实时植物生长监测报告。
优选的,步骤S45包括以下步骤:
步骤S451:将种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行数据整合,生成植物生长监测评判指标数据;
步骤S452:对植物生长监测评判指标数据进行分布式图数据库构建,生成云端图像数据仓库;利用云端图像数据仓库对植物的种子阶段、幼苗阶段、生长阶段、开花结果阶段、成熟阶段和衰老阶段进行异常反馈节点引入,生成异常监测反馈机制;
步骤S453:通过异常监测反馈机制对植物进行实时监测,从而生成实时植物生长监测数据;对实时植物生长监测数据进行数据可视化,生成实时植物生长监测报告。
本发明通过将不同阶段的植物生长相关数据整合,包括种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据,目的是为了生成综合的植物生长监测评判指标数据。对生成的植物生长监测评判指标数据进行分布式图数据库构建,数据库构建的目的是为了更有效地存储和管理大量的监测数据。生成的云端图像数据仓库利用这些数据对植物的不同生长阶段引入异常反馈节点,目标是建立一个云端图像数据仓库,同时创建异常监测反馈机制。通过异常监测反馈机制对植物进行实时监测,意味着系统能够实时检测植物生长过程中的异常情况,并生成相应的反馈,有助于及时发现和解决植物生长中出现的问题。对实时植物生长监测数据进行数据可视化,生成实时植物生长监测报告,目的是以可视化的方式呈现植物的实时监测数据,使用户能够直观地了解植物的生长状态和任何异常情况。
本发明实施例中,通过使用传感器、监测设备、图像采集等技术,获取种子阶段发芽率、生长阶段茂盛度、开花阶段花期数据等。使用数据整合工具或平台,将不同阶段的数据整合成一致的格式,生成植物生长监测评判指标数据。使用分布式图数据库技术,将植物生长监测评判指标数据存储在云端,图数据库能够有效处理复杂的关系结构,适合表示植物生长阶段之间的关联,建立云端图像存储系统,存储与植物生长相关的图像数据。在图数据库中引入异常反馈节点,需要使用算法或规则来定义异常的条件,可以是植物生长过程中的异常事件,如病害、虫害等。建立一个系统,通过定期分析植物生长监测数据,检测异常并触发相应的反馈机制,例如通知用户或自动采取措施。使用实时监测系统,通过与图数据库和图像数据仓库的连接,对植物进行实时监测,需要采用实时数据处理技术,如流处理。利用数据可视化工具,将实时监测数据以直观的图表、图形或报告形式呈现,可以帮助用户迅速了解植物的生长状况和任何异常情况。
在本说明书中,提供了一种基于图像识别的植物生长监测系统,用于执行上述的基于图像识别的植物生长监测方法,该基于图像识别的植物生长监测系统包括:
种子阶段监测模块,用于获取种子阶段植物图像集;对种子阶段植物图像集进行最佳生长时刻确认,得到种子最佳生长时间数据;基于种子最佳生长时间数据对种子进行红外拍摄,得到种子生长红外图像集;对种子生长红外图像集进行植物发芽率评估,得到种子阶段植物发芽率评估数据;
生长阶段监测模块,用于基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据;
开花结果阶段监测模块,用于基于生长阶段植物茂盛度评估数据对开花阶段进行花期时间序列分析,生成开花阶段花期持续数据;根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行采收时刻预测,生成植物采摘预测时间数据;
成熟衰老监测模块,用于基于植物采摘预测时间数据对成熟阶段进行吸水裂痕分析,生成成熟阶段植物水分供给数据;基于成熟阶段植物水分供给数据对衰老阶段进行生理活性监测,生成枯萎阶段植物生理活性监测数据;基于种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行分布式过程监测,从而生成实时植物生长监测报告。
本发明的有益效果在于通过获取种子阶段植物图像集,有助于了解种子的外观和形态。通过确认最佳生长时刻,获得种子最佳生长时间数据,为后续操作提供时机参考。利用红外拍摄获取种子生长红外图像集,揭示种子内部的生长活动。通过植物发芽率评估,得到种子阶段植物发芽率评估数据,提供了对植物生长起始阶段的量化评估。对幼苗阶段进行根须拍摄视角调整,能够获取更详细的根系信息。通过植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据,为生长阶段提供基础数据。在生长阶段进行生长过程监测,得到植物茂盛度评估数据,全面了解植物的整体生长情况。花期时间序列分析有助于了解植物开花阶段的时间分布,提供对植物生命周期的详细了解。通过果实图像拍摄和采收时刻预测,得到植物采摘预测时间数据,为农业生产提供时间管理的信息。吸水裂痕分析和生成成熟阶段植物水分供给数据有助于了解植物成熟阶段的水分状况。生理活性监测和生成枯萎阶段植物生理活性监测数据提供了关于植物衰老和枯萎的信息。分布式过程监测整合了各个阶段的数据,生成实时植物生长监测报告,为农业管理决策提供全面的信息支持。因此,本发明通过多阶段的图像识别与评估手段,提高了监测的准确性和可靠性,同时提高了监测系统的实时性和反馈效能。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种基于图像识别的植物生长监测方法,其特征在于,监测阶段包括植物的种子阶段、幼苗阶段、生长阶段、开花结果阶段、成熟阶段和衰老阶段,所述方法包括以下步骤:
步骤S1:获取种子阶段植物图像集;对种子阶段植物图像集进行最佳生长时刻确认,得到种子最佳生长时间数据;基于种子最佳生长时间数据对种子进行红外拍摄,得到种子生长红外图像集;对种子生长红外图像集进行植物发芽率评估,得到种子阶段植物发芽率评估数据;
步骤S2:基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据;步骤S2包括以下步骤:
步骤S21:基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行根须生长方向分析,生成幼苗阶段植物根须生长方向数据;
步骤S22:对幼苗阶段植物根须生长方向数据进行生长方向倾斜角度分析,生成植物根须生长角度数据;通过植物根须生长角度数据对植物进行根须生长汲取通道构建,生成根须生长汲取通道数据;
步骤S23:对根须生长汲取通道数据进行植物向重性分析,得到植物根须向重性生长数据;利用植物根须向重型生长数据对幼苗阶段植物根须图像进行照射光源角度模拟,生成照射光源角度数据;
步骤S24:对照射光源角度数据进行光照色系分离,得到光照色系分离数据;对光照色系分离数据进行色系光照比例分析,生成色系光照比例数据;基于色系光照比例数据对植物进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;
步骤S25:基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据;
步骤S3:基于生长阶段植物茂盛度评估数据对开花阶段进行花期时间序列分析,生成开花阶段花期持续数据;根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行采收时刻预测,生成植物采摘预测时间数据;步骤S3包括以下步骤:
步骤S31:基于生长阶段植物茂盛度评估数据对开花阶段进行花蕾拍摄视角调整,得到开花阶段花蕾图像集;对花蕾图像集进行花蕾发育变化图像筛选,得到花蕾发育变化图像集;对花蕾发育变化图像激进型花朵数量检测,生成植物花朵数量数据;
步骤S32:对花蕾图像集进行图像花瓣区域分割,生成花瓣区域图像;对花瓣区域图像进行边缘检测,生成花瓣核心区域图像;对植物花朵数量数据和花瓣核心区域图像进行花期时间序列分析,生成开花阶段花期持续数据;
步骤S33:根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行穿透成像,生成植物结果透影图像;
步骤S34:对植物结果透影图像进行果实籽粒分布分析,生成果实籽粒分布数据;
步骤S35:通过果实籽粒分布数据对植物结果透影图像进行果实饱满度评估,生成植物果实饱满度评估数据;根据植物果实饱满度评估数据进行采收时刻预测,生成植物采摘预测时间数据;
步骤S4:基于植物采摘预测时间数据对成熟阶段进行吸水裂痕分析,生成成熟阶段植物水分供给数据;基于成熟阶段植物水分供给数据对衰老阶段进行生理活性监测,生成枯萎阶段植物生理活性监测数据;基于种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行分布式过程监测,从而生成实时植物生长监测报告;步骤S4包括以下步骤:
步骤S41:基于植物采摘预测时间数据对成熟阶段进行土壤拍摄视角调整,得到成熟阶段土壤图像集;对成熟阶段土壤图像集进行水分供应图像筛选,生成土壤水分供应图像;
步骤S42:对土壤水分供应图像进行土壤层级分析,生成土壤层级数据;对土壤层级数据进行土壤吸水变化分析,生成土壤吸水变化数据;通过土壤吸水变化数据对成熟阶段土壤图像集进行裂痕分析,生成成熟阶段植物水分供给数据;
步骤S43:基于成熟阶段植物水分供给数据对衰老阶段进行植物整体拍摄视角调整,得到枯萎阶段植物图像集;对枯萎阶段植物图像集进行叶片掉落时序分析,生成植物叶片枯萎掉落数据;
步骤S44:根据植物叶片枯萎掉落数据对枯萎阶段植物图像集进行荧光化学素放置,生成植物化学素放置数据;对植物化学素放置数据进行气孔开合分析,得到植物气孔开合变化数据;基于植物气孔开合变化数据对植物进行生理活性监测,生成枯萎阶段植物生理活性监测数据;
步骤S45:基于种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行分布式过程监测,从而生成实时植物生长监测报告。
2.根据权利要求1所述的基于图像识别的植物生长监测方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用相机获取种子阶段植物图像集;
步骤S12:对种子阶段植物图像集进行图像亮度调整,生成种子阶段植物亮度调整图像集;对种子阶段植物亮度调整图像集进行图像边缘裁剪,得到种子阶段植物裁剪图像集;
步骤S13:对种子阶段植物裁剪图像集进行植物表壳颜色特征提取,生成植物外壳颜色变化数据;利用植物外壳颜色变化数据对种子阶段植物裁剪图像集进行植物外壳形变分析,生成植物外壳形变数据;
步骤S14:根据植物外壳颜色变化数据和植物外壳形变数据对植物进行生长速率分析,生成种子生长速率变化数据;基于种子生长速率变化数据对植物进行最佳生长时刻确认,得到种子最佳生长时间数据;
步骤S15:基于种子最佳生长时间数据对种子进行红外拍摄,得到种子生长红外图像集;对种子生长红外图像集进行温度变化分析,得到种子生长温度变化数据;通过种子生长速率变化数据和种子生长温度变化数据进行植物发芽率评估,得到种子阶段植物发芽率评估数据。
3.根据权利要求1所述的基于图像识别的植物生长监测方法,其特征在于,步骤S25包括以下步骤:
步骤S251:基于幼苗阶段植物生长率评估数据对生长阶段进行叶片拍摄视角调整,得到生长阶段叶片图像集;对生长阶段叶片图像集进行叶片脉络图像分割,生成植物叶片脉络分割区域图像;
步骤S252:对植物叶片脉络分割区域图像进行完整性分析,生成植物叶片完整性数据;对植物叶片脉络分割区域图像进行叶片颜色提取,生成叶片颜色数据;基于叶片异常检测公式对植物叶片完整性数据和叶片颜色数据进行病害虫害安全度评估,生成叶片异常系数;
步骤S253:将叶片异常系数和预设的标准异常阈值进行对比,当叶片异常系数大于或等于预设的标准异常阈值时,则将叶片异常系数对应的植物叶片脉络分割区域图像标记为高危害叶片区域并进行叶片裁剪;
步骤S254:当叶片异常系数小于预设的标准异常阈值时,则将叶片异常系数对应的植物叶片脉络分割区域图像标记为低危害叶片区域;对低危害叶片区域进行叶片结构分析,生成叶片结构数据;
步骤S255:对低危害叶片区域进行纵向叶片高度分析,生成植物生长高度数据;通过植物生长高度数据和叶片结构数据对植物进行生长茂盛度评估,得到生长阶段植物茂盛度评估数据。
4.根据权利要求3所述的基于图像识别的植物生长监测方法,其特征在于,步骤S252中的叶片异常检测公式如下所示:
;
式中,表示为植物叶片的异常程度评估值,/>表示为异常系数的比例因子,/>表示为叶片完整性数据的数量,/>表示为第/>个叶片的完整性数据,/>表示为叶片的面积,/>表示为完整性数据对异常系数的权重因子,/>表示为第/>个叶片的完整性数据的指数项,/>表示为颜色数据对异常系数的权重因子,/>表示为叶片在位置/>处的颜色值,/>表示为颜色值的最大可能取值,/>表示为颜色数据的指数项。
5.根据权利要求1所述的基于图像识别的植物生长监测方法,其特征在于,步骤S35包括以下步骤:
步骤S351:根据果实籽粒分布数据对植物结果透影图像进行果实背景分离,得到果实背景分离图像;通过目标检测算法对果实背景分离图像进行果实区域识别并提取,生成植物果实分割区域图像;
步骤S352:对植物果实分割区域图像进行果实特征提取,生成果实轮廓数据和果实颜色数据;通过机器学习方法对果实轮廓数据和果实颜色数据进行历史数据收集,得到历史果实轮廓数据和果实颜色数据;
步骤S353:将历史植物果实饱满度评估数据进行混合数据集划分,生成模型训练集和模型测试集;
步骤S354:基于支持向量机算法对模型训练集进行模型训练,生成果实饱满度评估预模型;利用模型测试集对果实饱满度评估预模型进行模型测试,生成果实饱满度评估模型;
步骤S355:将植物结果透影图像导入至果实饱满度评估模型中进行果实饱满度评估,生成植物果实饱满度评估数据;基于遗传算法对植物果实饱满度评估数据进行采收时刻预测,生成植物采摘预测时间数据。
6.根据权利要求1所述的基于图像识别的植物生长监测方法,其特征在于,步骤S45包括以下步骤:
步骤S451:将种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行数据整合,生成植物生长监测评判指标数据;
步骤S452:对植物生长监测评判指标数据进行分布式图数据库构建,生成云端图像数据仓库;利用云端图像数据仓库对植物的种子阶段、幼苗阶段、生长阶段、开花结果阶段、成熟阶段和衰老阶段进行异常反馈节点引入,生成异常监测反馈机制;
步骤S453:通过异常监测反馈机制对植物进行实时监测,从而生成实时植物生长监测数据;对实时植物生长监测数据进行数据可视化,生成实时植物生长监测报告。
7.一种基于图像识别的植物生长监测系统,其特征在于,用于执行如权利要求1所述的基于图像识别的植物生长监测方法,该基于图像识别的植物生长监测系统包括:
种子阶段监测模块,用于获取种子阶段植物图像集;对种子阶段植物图像集进行最佳生长时刻确认,得到种子最佳生长时间数据;基于种子最佳生长时间数据对种子进行红外拍摄,得到种子生长红外图像集;对种子生长红外图像集进行植物发芽率评估,得到种子阶段植物发芽率评估数据;
生长阶段监测模块,用于基于种子阶段植物发芽率评估数据对幼苗阶段进行根须拍摄视角调整,得到幼苗阶段植物根须图像;对幼苗阶段植物根须图像进行植物胚轴避荫评估,得到幼苗阶段植物生长率评估数据;基于幼苗阶段植物生长率评估数据对生长阶段进行生长过程监测,得到生长阶段植物茂盛度评估数据;
开花结果阶段监测模块,用于基于生长阶段植物茂盛度评估数据对开花阶段进行花期时间序列分析,生成开花阶段花期持续数据;根据开花阶段花期持续数据对结果阶段进行果实图像拍摄视角调整,生成结果阶段植物结果图像;对结果阶段植物结果图像进行采收时刻预测,生成植物采摘预测时间数据;
成熟衰老监测模块,用于基于植物采摘预测时间数据对成熟阶段进行吸水裂痕分析,生成成熟阶段植物水分供给数据;基于成熟阶段植物水分供给数据对衰老阶段进行生理活性监测,生成枯萎阶段植物生理活性监测数据;基于种子阶段植物发芽率评估数据、生长阶段植物茂盛度评估数据、开花阶段花期持续数据、植物采摘预测时间数据、成熟阶段植物水分供给数据和枯萎阶段植物生理活性监测数据进行分布式过程监测,从而生成实时植物生长监测报告。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410297360.6A CN117893914B (zh) | 2024-03-15 | 2024-03-15 | 一种基于图像识别的植物生长监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410297360.6A CN117893914B (zh) | 2024-03-15 | 2024-03-15 | 一种基于图像识别的植物生长监测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117893914A CN117893914A (zh) | 2024-04-16 |
CN117893914B true CN117893914B (zh) | 2024-05-24 |
Family
ID=90639932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410297360.6A Active CN117893914B (zh) | 2024-03-15 | 2024-03-15 | 一种基于图像识别的植物生长监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117893914B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1957680A (zh) * | 2005-10-24 | 2007-05-09 | 槐山郡 | 马铃薯种薯苗批量生产方法 |
JP2012183021A (ja) * | 2011-03-04 | 2012-09-27 | Hitachi Ltd | 植生制御装置、植物育成システム |
CN104542024A (zh) * | 2013-11-08 | 2015-04-29 | 上海点将精密仪器有限公司 | 一种植物根系生长原位监测设备 |
CN108719038A (zh) * | 2018-05-10 | 2018-11-02 | 杜宁 | 一种全自动智能芽菜培育系统 |
CN112197819A (zh) * | 2020-12-07 | 2021-01-08 | 宏景科技股份有限公司 | 一种基于生产基地的植物生长精准控制方法 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN114049297A (zh) * | 2021-09-30 | 2022-02-15 | 南宁小欧技术开发有限公司 | 一种胡萝卜种植地智能化检测的方法及系统 |
CN114511777A (zh) * | 2022-01-07 | 2022-05-17 | 浙江省农业科学院 | 一种基于图像识别方法的桃树花期监测评估方法 |
-
2024
- 2024-03-15 CN CN202410297360.6A patent/CN117893914B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1957680A (zh) * | 2005-10-24 | 2007-05-09 | 槐山郡 | 马铃薯种薯苗批量生产方法 |
JP2012183021A (ja) * | 2011-03-04 | 2012-09-27 | Hitachi Ltd | 植生制御装置、植物育成システム |
CN104542024A (zh) * | 2013-11-08 | 2015-04-29 | 上海点将精密仪器有限公司 | 一种植物根系生长原位监测设备 |
CN108719038A (zh) * | 2018-05-10 | 2018-11-02 | 杜宁 | 一种全自动智能芽菜培育系统 |
CN112197819A (zh) * | 2020-12-07 | 2021-01-08 | 宏景科技股份有限公司 | 一种基于生产基地的植物生长精准控制方法 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
CN114049297A (zh) * | 2021-09-30 | 2022-02-15 | 南宁小欧技术开发有限公司 | 一种胡萝卜种植地智能化检测的方法及系统 |
CN114511777A (zh) * | 2022-01-07 | 2022-05-17 | 浙江省农业科学院 | 一种基于图像识别方法的桃树花期监测评估方法 |
Non-Patent Citations (4)
Title |
---|
农业物联网技术应用及创新发展策略;李瑾;郭美荣;高亮亮;;农业工程学报;20151115(S2);全文 * |
基于LabVIEW的作物关键生长参数提取;王苏昕;陈飞;王飞;;常熟理工学院学报;20200320(02);全文 * |
基于L-系统的植物结构模拟;李世伟, 管会生;甘肃科技;20040930(09);全文 * |
水稻根系空间分布特性的三维建模及可视化研究;杨乐;唐建军;何火娇;;江西农业大学学报;20160620(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117893914A (zh) | 2024-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
Rastogi et al. | Leaf disease detection and grading using computer vision technology & fuzzy logic | |
CN102789579B (zh) | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 | |
Stajnko et al. | Modelling apple fruit yield using image analysis for fruit colour, shape and texture | |
Dong et al. | Application of chlorophyll fluorescence imaging technique in analysis and detection of chilling injury of tomato seedlings | |
Syed et al. | Seedling-lump integrated non-destructive monitoring for automatic transplanting with Intel RealSense depth camera | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
CN108140118A (zh) | 用于识别至少一株种植在耕地上的植物的方法和信息系统 | |
Ninomiya | High-throughput field crop phenotyping: current status and challenges | |
CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
Črtomir et al. | Application of Neural Networks and Image Visualization for Early Forecast of Apple Yield. | |
Abdelghafour et al. | A Bayesian framework for joint structure and colour based pixel-wise classification of grapevine proximal images | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN117057946A (zh) | 一种智慧农业园区数据监控装置及方法 | |
CN114399664A (zh) | 植株种苗生长状态智能监测与控制方法及系统 | |
Zhang et al. | CBAM+ ASFF-YOLOXs: An improved YOLOXs for guiding agronomic operation based on the identification of key growth stages of lettuce | |
Zhao et al. | Transient multi-indicator detection for seedling sorting in high-speed transplanting based on a lightweight model | |
CN117893914B (zh) | 一种基于图像识别的植物生长监测方法及系统 | |
Nabwire et al. | Estimation of cold stress, plant age, and number of leaves in watermelon plants using image analysis | |
CN117077868A (zh) | 一种基于模型的粮食产量预测系统及方法 | |
CN116597309A (zh) | 集成萌芽期生长和苗期生理指标鉴选植物抗性品种的方法 | |
CN112528726A (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
James et al. | Citdet: A benchmark dataset for citrus fruit detection | |
Zhu et al. | Exploring soybean flower and pod variation patterns during reproductive period based on fusion deep learning | |
Mangla et al. | Statistical growth prediction analysis of rice crop with pixel-based mapping technique |
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 |