本发明涉及一种食用菌生长参数寻优的系统和方法，属于食用菌栽培技术领域。
背景技术
我国是食用菌生产大国，每年生产600多万吨各种食用菌，这极大地丰富了人民的物质生活，近年来，随着人们收入水平的迅速提高，消费能力迅速增强，人们对食用菌的需求不断增加，但由于生产能力不足，价格仍居高不下。目前我国人均年占有量仅5公斤，不及发达国家的四分之一。因此在基于工厂化培植的基础上，利用何种方法能找到最佳培养环境和最优基质将可以实现提高单瓶食用菌的产量，从而提高食用菌的总产量，更好的满足市场的需求。
同种食用菌的培养环境和基质选材直接影响食用菌成熟后的产量和质量，因此食用菌怎么才能单瓶产量最高主要集中在食用菌生长环境和基质选材上，如何根据生长环境和基质选材找到更优的环境配置和基质选择进行实验分析尤显重要。食用菌生长环境参数最少十几项，一个食用菌完整实验的co2、温度、湿度、ec、色泽、面积等数据采集动辄有上千甚至上万条，收集数据十分庞大，分析起来比较困难，往往根据单一环境参数项可以找到另一个环境参数项的相关性，而综合所有项，在食用菌生长过程中的综合相关性就很难计算和分析出来，靠人工在大量采集数据中发现细微区别并调优更是难上加难。
食用菌生长实验寻优过程中，实验人员通常在之前布置环境传感器，一般一个实验设置十几个环境参数包括食用菌基质类型，采集多条记录，通常需要手动抄写；测量菌株直径或高度，估算面积；食用菌生长完毕后，重复上述步骤进行若干次实验；当有多个完毕实验后，通常为人为对比结果，确定实验中的比较好的生长环境参数，流程如图1所示。
对于上述传统的做法容易引起以下问题：
1、人工记录费时费力效率低下。传感器数据手动抄写，食用菌面积手动测量，需要来回反复，需要消耗很多人力和时间。
2、采集误差大。人工采集的采集时间间隔较大，同一次采集，不同环境参数间隔可能数分钟，不同批次采集不能时间间隔太短，比如几分钟采集一次全部环境参数就很难做到。
3、分析粒度粗糙。在经过一段时间实验后，只能得出整个实验过程中各种环境参数大概量级，无法精确到在哪个时间段的量级，特别是以分钟为粒度的量级。
4、分析结果不准确。结束多个实验后，通过人工估算比对实验结果无法度量各种环境参数相关性，导致无法找到最优的分析结果。
技术实现要素：
本发明针对在寻找基于食用菌最大产量为前提条件下的最佳培养环境和最优基质过程中，人工对比差异困难，工作量巨大，对比效率低下，统计结果粗略，优化实验困难，寻优结果不准确等问题，提供了一种食用菌生产参数寻优的系统和方法，借助该系统和方法可自动采集环境参数项，自动识别食用菌的生长状态，并根据完成的实验利用机器学习算法、精细分段算法自动计算分析出最佳生长环境参数曲线，并能预测食用菌最大生长面积，然后根据此预测结果，安排新实验进行验证。
通过本发明提供的系统和方法，提高了食用菌寻优生长模型分析的自动化率，生成最优报告，省去了繁杂的手工操作，提高分析结果的准确性，有效地减少误差，降低实验寻优成本，从而提高了食用菌产量和质量。
为实现上述目的，本发明采取以下技术方案：
一种食用菌生长参数寻优的系统，该系统主要包括计算机、与计算机相连的显示器、基于modbus的传感器和摄像头等；所述的基于modbus的传感器为环境传感器，摄像头用于监测食用菌的生长情况，所述的基于modbus的传感器和摄像头均通过以太网与计算机连接；计算机中安装具有图像处理和机器学习功能的食用菌生长模型分析系统，该系统可通过采集传感器的环境参数实验记录，及摄像头拍摄的食用菌生长状态图像，生成食用菌生长模型，利用精细分段算法在模型中寻找最优食用菌面积及生长环境参数。
所述的环境传感器包括co2传感器、环境温度传感器、湿度传感器、ec传感器(土壤电导率传感器)、o2传感器、ph传感器和基质温度传感器等。所述的摄像头为高清摄像头。
一种食用菌生长参数寻优的方法，包括如下步骤：
(1)采用上述食用菌生长参数寻优的系统，设置环境传感器和摄像头的参数配置，及采集时间间隔、食用菌生长的基质类型等，对食用菌生长过程进行监测；
(2)计算机自动采集环境传感器记录的传感数据(环境参数)及摄像头拍摄的植物生长状态图像；
(3)采用计算机中的食用菌生长模型分析系统，通过图像处理算法勾勒及计算出食用菌生长面积、色泽等结果参数；
(4)食用菌生长完毕后，改变环境参数，重复上述步骤进行若干次实验；
(5)将多个实验的环境参数作为特征，食用菌面积或色泽作为标签送入机器学习svm(支持向量机)算法进行学习并训练，生成食用菌生长模型；
(6)利用精细分段算法在模型中寻找最大食用菌面积或最优食用菌的生长环境参数，生成曲线报告。
满足需求则生成结果，不满足可再根据报告进行实验分析迭代。
步骤(1)中，食用菌生长的环境参数包括co2浓度、环境温度、湿度、ec值(土壤电导率)、o2浓度、ph和基质温度等；采集时间间隔可为1-30min；食用菌生长的基质一般采用有机物如农作物秸秆、菇渣、草炭、锯末、畜禽粪便等，经发酵或高温处理后，按一定比例混合。
步骤(5)中，结合食用菌环境参数、图像处理面积和/或色泽通过机器学习svm算法进行学习并训练生成食用菌生长模型的方法：将食用菌生长环境参数(包括：co2、ec、o2、温度、湿度、ph、基质温度等)，及初始化设置(包括：何种基质、采集时间间隔)作为机器学习svm算法的特征参数，将图像处理算法分析出来的食用菌面积或色泽，或者面积色泽拟合处理的结果作为标签，利用svm算法进行学习和训练，得出食用菌生长模型。
食用菌生长模型为：z＝f(a，b，c，….)，a∈a＝{ai}，b∈b＝{bi}，c∈c＝{ci}…；其中，z表示食用菌面积或色泽；f表示函数关系；a，b，c，…表示某个环境参数，如co2浓度、环境温度、湿度、ec值(土壤电导率)、o2浓度、ph或基质温度等。a∈a＝{ai}中，a,b,c…为某一个环境参数在时间轴上的离散点的集合空间，如co2浓度集合空间、环境温度集合空间、湿度集合空间、ec值(土壤电导率)集合空间、o2浓度集合空间、ph或基质温度集合空间等，ai为某一时间的环境参数。
步骤(6)中，精细分段算法为在食用菌生长模型中，将单个环境因子的集合空间分为两个子空间，在每个子空间中寻找最优值；取两者中较优者，将该子空间再分为两个下一级子空间，重复上述步骤，迭代多次找到更优的面积或者色泽结果值，直到获得稳定最优值；对所有的环境参数进行上述分段寻优，最终获得最优多因子生长模型。
精细分段寻优算法包括如下步骤：
1)通过将大量完整的食用菌生长数据通过机器学习svm(支持向量机)算法进行学习并训练，得到食用菌生长模型；
2)将各个独立的环境因子空间分为两个子空间，在每个子空间组合中寻到最优解；
3)将对应最优解的空间重复上一步，迭代多次找到更优的面积或者色泽结果值，直到获得稳定最大值；
4)最终获得最大值的空间{ai，bi，ci…}为最优多因子生长模型。ai，bi，ci…表示能够得到食用菌面积最大或色泽最优时对应的某个时间片的环境数据。
本发明是一种结合食用菌环境参数、图像处理面积和/或色泽的训练生长模型的方法，通过实验，利用图像处理、机器学习来分析生成食用菌生长模型，采用精细分段寻优算法寻找最优食用菌生长环境参数。
本发明的优点：
(1)分析粒度更精细。由于根据采集时间间隔设定进行分析预测，采集时间间隔设定越短，生产环境参数如co2某个时间段最优的量级越细。
(2)由于有更成熟的机器学习算法做指导，优化实验更优方向，结果数据更详细。
(3)采集误差小。本系统和方法采用自动采集，时间间隔较小，同一次采集，不同环境参数间隔为毫秒级，不同批次采集时间间隔也可以做到秒级。
(4)提高实验分析结果准确性。本系统和方法运用机器学习生成食用菌生长模型、利用精细分段寻优等算法对模型进行查优可找出比已有实验更优的环境参数配置及已有实验中未出现的，可能面积更大的食用菌生长结果。
(5)节省人力，降低成本。整个分析过程全部实现自动化，可以完全替代人力进行筛查的情况。而系统本身除了消耗电能之外，不用有任何额外的支出，也在很大程度上降低了实验的成本。
下面通过附图和具体实施方式对本发明做进一步说明，但并不意味着对本发明保护范围的限制。
附图说明
图1为现有的食用菌生长实验寻优方法的流程图。
图2为本发明的食用菌生产参数寻优系统的结构示意图。
图3为本发明的食用菌生产参数寻优方法的流程图。
图4为传感器及轮询时间配置。
图5为摄像机配置。
图6-1和图6-2为图像处理对比，图6-1：处理前，图6-2：处理后。
图7为榆黄蘑出菇过程环境变化实验的历史数据。
图8为榆黄蘑出菇过程环境变化实验的历史曲线。
图9为统计结果。
图10为精细分段算法示意图。
图11为分析参数设置。
具体实施方式
如图2所示，为本发明物理框架图，本发明的食用菌生产参数寻优系统包括计算机服务器、与服务器相连的显示器，部署有基于modbus的传感器，基于modbus的传感器为环境传感器，如co2传感器、ec传感器、温度传感器、湿度传感器等，和部署高清摄像头对准实验用食用菌。高清摄像头用于监测食用菌的生长情况，基于modbus的传感器和摄像头均通过以太网与计算机连接；计算机中安装具有图像处理算法和机器学习算法的食用菌生长模型分析系统，该系统可采集传感器实验记录，并通过摄像头观察食用菌长势，生成食用菌生长模型，利用精细分段算法在模型中寻找最优食用菌面积及生长环境参数。
本发明的具体流程图如图3所示，依次包括：(1)设置实验环境传感器、摄像头、采集时间等，在食用菌生产时，采用图2所示的食用菌生产参数寻优的系统，设置环境传感器和摄像头的参数配置，采集时间间隔，以及采用食用菌的基质等；(2)开启实验，采传感器数据、图像数据，计算机通过软件与传感器和摄像头相连，自动采集传感数据和植物生长状态图像；(3)食用菌图像处理，通过图像处理算法勾勒及计算出食用菌生长面积、色泽等结果参数；(4)是否完成多个实验，如果没有则返回步骤(1)继续实验，食用菌生长完毕后，改变环境参数，包括co2浓度、环境温度、湿度、ec、o2浓度、ph和基质温度等，重复上述步骤进行若干次实验；(5)机器学习生成模型，将多个实验的环境参数作为特征，食用菌面积或色泽作为标签送入机器学习(svm)算法进行学习并生成食用菌生长模型；(6)精细分段寻优并生成报告，利用精细分段算法在模型中寻找最优或最大食用菌面积及生长环境参数，生成曲线报告。(7)是否满足实验需求，如果满足进入(8)输出结果；如果不满足返回步骤(1)继续实验，可再根据报告进行实验分析迭代。
下面以榆黄蘑为例，借助计算机技术实现生长参数寻优分析，包括如下流程：
(1)实验人员开始实验前设置环境传感器、食用菌摄像头采集的参数配置以及采集时间间隔和采用食用菌的基质。如图4所示，出菇室2(培养室2)设置两个培养瓶，一个深培养瓶和一个浅培养瓶，设置室内温度传感器1、室内温度传感器2、室内湿度传感器1、室内湿度传感器2、co2传感器1、co2传感器2、o2传感器、瓶内(基质)温度传感器1(深培养瓶)、瓶内(基质)温度传感器2(浅培养瓶)，共9个环境传感器；数据采集时间间隔(轮询时间)为1分钟。如图5所示，安装摄像头使其对准培养瓶。采用的基质类型为榆黄蘑云南1号。
(2)通过软件与传感器、摄像头相连，自动采集传感数据、植物生长状态图像。
(3)将某次获取的榆黄蘑生长图像通过计算机食用菌生长模型分析系统的图像处理算法勾勒及计算出食用菌生长面积、色泽等结果参数(两个以上培养瓶的平均结果)，如图6-1为处理前图像，图6-2为处理后图像，处理后的结果见表1。
表1获取传感器数据及计算结果
计算机按照采集时间间隔获取室内温度(1)、室内湿度(1)、室内湿度(2)、o2、co2(2)、瓶内温度(2)、瓶内温度(1)、室内温度(2)、co2(1)等环境参数，通过图像处理算法勾勒及计算出榆黄蘑面积(正位)(平均)、榆黄蘑红色均值(正位)(平均)、榆黄蘑绿色均值(正位)(平均)、榆黄蘑蓝色均值(正位)(平均)、榆黄蘑成熟度(正位)(平均)等结果参数，部分历史数据如图7所示。
根据采集的数据，绘制得到如图8所示的榆黄蘑出菇过程环境变化实验的统计结果，图中包括co2(1)、co2(2)、o2、室内温度(1)、室内温度(2)、室内湿度(1)、室内湿度(2)、瓶内温度(1)、瓶内温度(2)、榆黄蘑面积(正位)(平均)的变化曲线。
(4)食用菌生长完毕后，改变环境参数(不改变采集时间间隔)，包括co2浓度、环境温度、湿度、o2浓度、ph和基质温度等，重复上述步骤进行若干次实验。环境参数可以在下述范围内改变：环境co2浓度为600-3000ppm，环境温度10-25℃，环境湿度45％-100％，基质ph4.5-8.0，o2浓度为28000～35000ppm，基质温度为11℃～18℃。
(5)将多个实验的环境参数作为特征，食用菌面积或色泽作为标签送入svm算法进行学习并生成食用菌生长模型。结合食用菌环境参数、图像处理面积、色泽的训练出生长模型的方法：将食用菌生长环境参数(如：co2、ec、o2、温度、湿度、ph、基质温度等)，初始化设置(如何种基质、采集时间间隔)作为机器学习的特征参数，将食用菌图像分析出来的面积或色泽，或者面积色泽拟合处理的结果做标签，对其进行训练，利用svm算法得出生长模型。
(6)利用精细分段算法在模型中寻找最优(最大)食用菌面积及生长环境参数。
精细分段寻优算法包括如下具体步骤：
1)通过将大量完整的食用菌生长数据通过机器学习svm(支持向量机)算法进行学习并训练，得到食用菌生长模型z＝f(a，b，c，….)，a∈a＝{ai}，b∈b＝{bi}，c∈c＝{ci}…；其中，a，b，c，…表示某个环境参数，如co2浓度、环境温度、湿度、ec值(土壤电导率)、o2浓度、ph或基质温度等；z表示食用菌面积或色泽，f表示函数关系。a∈a＝{ai}，a,b,c…为某一个环境参数在时间轴上的离散点的集合空间，如co2浓度集合空间、环境温度集合空间、湿度集合空间、ec值(土壤电导率)集合空间、o2浓度集合空间、ph或基质温度集合空间等，ai为某一时间的环境参数；
2)将各个独立的因子空间分为两个子空间：α1＝{a0～ai/2},α2＝{ai/2+1～ai},β1＝{b0～bi/2},β2＝{bi/2+1～bi},γ1＝{c0～ci/2},γ2＝{ci/2+1～ci}…在每个空间组合中寻到最优解；α1＝{a0～ai/2}，α1为空间a的子空间，ai，bi，ci表示某个环境参数，如co2浓度、环境温度、湿度、ec值(土壤电导率)、o2浓度、ph或基质温度等；
3)将对应最优解的空间重复上一步，迭代多次找到更优的面积或者色泽结果值，直到获得稳定最大值；
4)最终获得最大值的空间{ai，bi，ci…}为最优多因子生长模型。ai，bi，ci…表示能够得到食用菌面积最大或色泽最优时对应的某个时间片的环境数据。
如图9所示，通过以上实验得出榆黄蘑最佳生长曲线预测，培养基质温度15-18℃，氧含量20.8％，环境co2为600-1300ppm，环境温度14-18℃，环境湿度45％-100％，培养时间72h。
如图10，图上任何点都可以通过x，y表示，假设通过训练后模型函数为z＝f(x,y)，首先对x,y进行间隔为20的集合计算，集合为{[0,0]，[0,20]，[0,40]，[20,0]，[20,20]，[20,40]，[40,0]，[40,20]，[40,40]}(左上角为[0,0])，结果[20,20]即点9的z1值最大，然后对点9周围进行间隔为10的集合计算，最终发现[30,10]即a点z2值比z1大，依次迭代，在c周围计算无更大值，即c>b>a>9，c为寻找的面积最优值，与其对应的x,y为最终找到的生长环境的最优参数。
如图11所示，为生成的曲线报告。其中，按照图11去改变co2，温度等环境参数，比如co2在图8统计结果中基本上是恒定的，下次实验可按照图11分析报告中，开始co2稳定在500-700ppm的浓度，培养一定阶段后，再稳定到1200ppm左右的浓度，会比较好的加快面积增长率。
满足需求则生成结果，不满足可再根据报告进行实验分析迭代。