植株种苗生长状态智能监测与控制方法及系统

1.本发明涉及一种植株种苗生长状态智能监测与控制方法及系统。


背景技术：

2.对植物产生伤害的环境称为逆境，又称胁迫。由微生物，病虫害，动物等生物对植物造成的胁迫称为生物胁迫，有病害，虫害，和杂草。由外界自然条件变化对植物造成的胁迫称为非生物胁迫，包括寒冷，高温，干旱，水涝，盐渍，金属(包括重金属)，营养缺乏等。
3.传统的灌溉方法为是通过人工采集植株种苗的样本数据来判断植株是否需要进行灌溉。人工植物生长状况监测，要求个人手动采集整理样本来获取数据和特征抓取，这种方式产生的数据不仅缺乏客观性，也容易产生误差，而且消耗大量人力资源的同时效率也无法得到保障。另外，依靠人力的植物信息处理有诸多局限性，比如专业技能要求高、客观性不足、工作风险高、工作效率低、处理能力有限等等。而使用智能监测与控制可以有效解决上述问题。


技术实现要素：

4.本发明提供了一种植株种苗生长状态智能监测与控制方法及系统解决上述提到的技术问题，具体采用如下的技术方案：
5.一种植株种苗生长状态智能监测与控制方法，包含以下步骤：
6.收集若干不同状态的植株种苗的第一图片；
7.对若干第一图片进行分类标记；
8.通过标记好的第一图像对cnn分类模型进行训练；
9.实时采集生长过程中的植株种苗的第二图片；
10.将采集到的生长过程中的植株种苗的第二图片输入到训练好的cnn分类模型中识别出植株种苗的第一状态信息；
11.通过高光谱采集仪采集植株种苗的第二状态信息；
12.根据第一状态信息和第二状态信息综合评估计算得到第三状态信息；
13.根据第三状态信息匹配出对应的灌溉策略；
14.根据选择出的灌溉策略对生长过程中的植株种苗进行灌溉。
15.进一步地，在收集若干不同状态的植株种苗的第一图片之后，植株种苗生长状态智能监测与控制方法还包含：
16.对若干第一图片进行智能扩充，增加第一图片的数量。
17.进一步地，对若干第一图片进行智能扩充的具体方法为：
18.通过旋转、裁剪、镜像和模糊操作对若干第一图片进行处理以增加第一图片的数量。
19.进一步地，通过标记好的第一图像对cnn分类模型进行训练的具体方法为：
20.将标记好的第一图像按照8:1:1的比例划分为训练集、验证集和测试集输入cnn分
类模型，并采用冻结训练的方式对cnn分类模型进行训练。
21.进一步地，根据第一状态信息和第二状态信息综合评估计算得到第三状态信息的具体方法为：
22.分别配置第一状态信息和第二状态信息的计算权重；
23.在得到第一状态信息和第二状态信息后，根据各自的计算权重计算出综合的第三状态信息。
24.进一步地，植株种苗生长状态智能监测与控制方法还包括：
25.持续记录第一状态信息和第二状态信息；
26.在第一状态信息和第二状态信息在持续预设时间中一直存在较大差异时向管理人员发送预警信息。
27.一种植株种苗生长状态智能监测与控制系统，包含：
28.图像采集装置，用于实时采集生长过程中的植株种苗的图像；
29.图像分类装置，用于连接至图像采集装置以接收图像采集装置采集到的图像，并通过训练好的cnn分类模型对图像进行分类以识别出植株种苗的第一状态信息；
30.高光谱采集仪，用于采集植株种苗的第二状态信息；
31.综合评估计算装置，用于连接至图像分类模块和高光谱采集仪以接收图像分类模块发送的第一状态信息和高光谱采集仪发送的第二状态信息，并根据第一状态信息和第二状态信息计算出第三状态信息；
32.处理器，用于连接至综合评估计算装置，并根据综合评估计算装置计算出的第三状态信息匹配对应的灌溉策略；
33.灌溉设备，用于根据处理器匹配到的灌溉策略对植株种苗进行灌溉。
34.进一步地，综合评估计算装置包含：
35.配置单元，用于配置第一状态信息和第二状态信息的计算权重；
36.计算单元，用于根据第一状态信息和第二状态信息以及各自的计算权重计算出综合的第三状态信息。
37.进一步地，植株种苗生长状态智能监测与控制系统还包含：
38.显示装置，用于显示图像采集装置和高光谱采集仪所采集到的信息。
39.进一步地，植株种苗生长状态智能监测与控制系统还包含：
40.数据存储装置，用于持续记录第一状态信息和第二状态信息；
41.预警装置，用于在图像分类装置识别出的第一状态信息和高光谱采集仪采集到的第二状态信息在持续预设时间一直存在较大差异时向管理人员发送预警信息。
42.本发明的有益之处在于所提供的植株种苗生长状态智能监测与控制方法及系统，利用图像识别与机器学习完成植株种苗的分类，并根据分类结果选择合适的灌溉策略对植株种苗进行灌溉。
附图说明
43.图1是本发明的一种植株种苗生长状态智能监测与控制方法的示意图。
具体实施方式
44.以下结合附图和具体实施例对本发明作具体的介绍。
45.如图1所示为本技术的一种植株种苗生长状态智能监测与控制方法，包含以下步骤：s1：收集若干不同状态的植株种苗的第一图片。s2：对若干第一图片进行分类标记。s3：通过标记好的第一图像对cnn分类模型进行训练。s4：实时采集生长过程中的植株种苗的第二图片。s5：将采集到的生长过程中的植株种苗的第二图片输入到训练好的cnn分类模型中识别出植株种苗的第一状态信息。s6：通过高光谱采集仪采集植株种苗的第二状态信息。s7：根据第一状态信息和第二状态信息综合评估计算得到第三状态信息。s8：根据第三状态信息匹配出对应的灌溉策略。s9：根据选择出的灌溉策略对生长过程中的植株种苗进行灌溉。通过上述方法，利用图像识别与机器学习完成植株种苗的分类，并根据分类结果选择合适的灌溉策略对植株种苗进行灌溉。以下具体介绍上述方法。
46.对于步骤s1：收集若干不同状态的植株种苗的第一图片。
47.首先收集训练数据集。具体的，收集若干不同状态的植株种苗的第一图片。不同状态是指种苗处于干旱状态、正常浇灌状态以及干旱后复水状态等。不同的状态需要采取的灌溉策略不同。
48.对于步骤s2：对若干第一图片进行分类标记。
49.根据第一图片中的植株种苗的实际状态进行状态标记。
50.对于步骤s3：通过标记好的第一图像对cnn分类模型进行训练。
51.通过标记好的第一图像对cnn分类模型进行训练的具体方法为：
52.将标记好的第一图像按照8:1:1的比例划分为训练集、验证集和测试集输入cnn分类模型，并采用冻结训练的方式对cnn分类模型进行训练。冻结训练方式指的是在冻结的训练世代内，主干特征提取网络的参数不发生更新，只更新预测网络的参数，在解冻之后，继续对主干特征提取网络以及预测网络的参数进行更新。这样能够防止训练初期权值被破坏，控制训练速度。
53.优选的，为了提高cnn分类模型的训练效果，减小检测误差，考虑真实场景中出现的影响因素，可以对若干第一图片进行智能扩充，增加第一图片的数量。
54.具体而言，在本技术中，对若干第一图片进行智能扩充的具体方法为：利用python脚本处理图像，通过旋转、裁剪、镜像和模糊操作对若干第一图片进行处理以增加第一图片的数量。
55.对于步骤s4：实时采集生长过程中的植株种苗的第二图片。
56.对于步骤s5：将采集到的生长过程中的植株种苗的第二图片输入到训练好的cnn分类模型中识别出植株种苗的第一状态信息。
57.这个第一状态信息是通过cnn分类模型对第二图片进行分类得到的植株种苗的状态判定。
58.对于步骤s6：通过高光谱采集仪采集植株种苗的第二状态信息。
59.在本技术中，为了提高植株种苗的状态的判定效果，还通过高光谱采集仪采集植株种苗的第二状态信息，将预测结果与高光谱采集仪采集得到的结果进行交互比对，从而综合两个检测结果来综合判定植株种苗的状态。
60.对于步骤s7：根据第一状态信息和第二状态信息综合评估计算得到第三状态信
息。
61.具体而言，根据第一状态信息和第二状态信息综合评估计算得到第三状态信息的具体方法为：根据预测结果与高光谱采集仪采集得到的结果进行交互比对情况，分别配置第一状态信息和第二状态信息的计算权重。在得到第一状态信息和第二状态信息后，根据各自的计算权重计算出综合的第三状态信息。
62.对于步骤s8：根据第三状态信息匹配出对应的灌溉策略。
63.可以理解的是，植株种苗处于不同的状态需要采取的灌溉策略是不同的。比如，干旱中的植株种苗需要的浇水量较大，而处于正常灌溉状态的植株种苗需要的浇水量相对较小。因此，根据植株种苗的状态，预设其对应的灌溉策略。这样，在得到综合评估出的植株种苗的第三状态信息后便能够匹配出植株种苗对应的灌溉策略。
64.对于步骤s9：根据选择出的灌溉策略对生长过程中的植株种苗进行灌溉。
65.作为一种优选的实施方式，植株种苗生长状态智能监测与控制方法还包括：
66.持续记录第一状态信息和第二状态信息。
67.在第一状态信息和第二状态信息在持续预设时间中一直存在较大差异时向管理人员发送预警信息。
68.可以理解的是，在实际应用过程中，cnn分类模型的预测结果和高光谱采集仪采集得到的结果可能存在差异，但不应该一直存在较大的差别。如果两者在一定的预设时间内，识别的结果一直较大，则很有可以是设备存在故障，需要进行维护。因此，在本技术中，在第一状态信息和第二状态信息在持续预设时间中一直存在较大差异时向管理人员发送预警信息，通知管理人员进行检修维护。该预设时间可以根据实际情况具体限定。这里，所谓较大的差异可以根据具体情况进行设定。在本技术中，不同状态包含种苗处于干旱状态、正常浇灌状态以及干旱后复水状态，对较大差异的认定为cnn分类模型的预测结果和高光谱采集仪采集得到的结果一个为干旱状态，另一个为干旱后复水状态。
69.本技术还公开了一种植株种苗生长状态智能监测与控制系统，包含：图像采集装置、图像分类装置、高光谱采集仪、综合评估计算装置、处理器和灌溉设备。
70.具体而言，图像采集装置用于实时采集生长过程中的植株种苗的图像。图像分类装置用于连接至图像采集装置以接收图像采集装置采集到的图像，并通过训练好的cnn分类模型对图像进行分类以识别出植株种苗的第一状态信息。其中，cnn分类模型的训练过程参照前述的植株种苗生长状态智能监测与控制方法的相关步骤。高光谱采集仪用于采集植株种苗的第二状态信息。综合评估计算装置用于连接至图像分类模块和高光谱采集仪以接收图像分类模块发送的第一状态信息和高光谱采集仪发送的第二状态信息，并根据第一状态信息和第二状态信息计算出第三状态信息。处理器用于连接至综合评估计算装置，并根据综合评估计算装置计算出的第三状态信息匹配对应的灌溉策略。灌溉设备用于根据处理器匹配到的灌溉策略对植株种苗进行灌溉。
71.作为一种优选的实施方式，综合评估计算装置包含：配置单元和计算单元。
72.配置单元用于配置第一状态信息和第二状态信息的计算权重。计算单元用于根据第一状态信息和第二状态信息以及各自的计算权重计算出综合的第三状态信息。
73.作为一种优选的实施方式，植株种苗生长状态智能监测与控制系统还包含：显示装置。
74.显示装置用于显示图像采集装置和高光谱采集仪所采集到的信息。优选的，为了使灌溉过程更加直观，在本技术中，使用pyqt5设计可视化软件界面，并通过显示装置显示给用户查看。
75.作为一种优选的实施方式，植株种苗生长状态智能监测与控制系统还包含：数据存储装置和预警装置。
76.具体地，数据存储装置用于持续记录第一状态信息和第二状态信息。预警装置用于在图像分类装置识别出的第一状态信息和高光谱采集仪采集到的第二状态信息在持续预设时间一直存在较大差异时向管理人员发送预警信息。
77.以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，上述实施例不以任何形式限制本发明，凡采用等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。