一种农作物栽培信息处理系统及方法与流程

本发明属于农作物栽培信息处理技术领域，尤其涉及一种农作物栽培信息处理系统及方法。

背景技术：

目前，最接近的现有技术：农作物指农业上栽培的各种植物、生物的一种，包括粮食作物﹑经济作物(油料作物、蔬菜作物、花、草、树木)两大类。可食用的农作物是人类基本食物的来源之一。农作物的生长，离不开科学的科技生产技术，以及新型工业制造出来的能辅助农业生产的机械设备。目的是最大限度地利用资源，减少浪费，降低成本。利用无污染的土地、水域及天然环境，或者运用生态技术措施，改善种植水质和生态环境，按照达毅种植特定的种植模式进行种植，不使用化肥、农药和其它有害物质等，目标是生产出无公害绿色食品和有机食品。实现生态种植的组件有益生菌原液等。然而，现有农作物栽培信息处理系统不能对作物氮素营养状况进行定量分析；同时，不能准确预测作物产量数据。

综上所述，现有技术存在的问题是：现有农作物栽培信息处理系统不能对作物氮素营养状况进行定量分析；同时，不能准确预测作物产量数据。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种农作物栽培信息处理系统及方法。

本发明是这样实现的，一种农作物栽培信息处理方法，所述农作物栽培信息处理方法包括：

第一步，通过视频监控模块利用摄像器对农作物栽培信息处理状况进行视频监控；通过环境数据采集模块利用传感器采集农作物栽培信息处理环境的温度、湿度、光照、二氧化碳浓度数据；通过营养检测模块利用检测器检测作物氮素营养状况数据；

第二步，主控模块通过定时模块利用定时器设定输送营养液、浇水时间；通过输液模块利用输送管输送营养液操作；通过浇水模块利用浇水器对作物进行浇水操作；通过照明模块利用照明灯对农作物栽培信息处理进行照明操作；

第三步，通过产量预测模块预测作物产量数据；通过土质监测模块利用检测器监测土壤中氮素的含量；通过病虫害监测模块利用检测器监测农作物是否有病虫害；

第四步，通过显示模块利用显示器显示监控视频、环境数据、作物营养素数据、产量预测数据信息。

进一步，所述农作物栽培信息处理方法利用检测器检测作物氮素营养状况数据方法如下：

(1)通过检测器针对分别对应预设不同氮素营养的各个作物种植区，基于实测作物冠层图像的绿度值和覆盖度值，构建以覆盖度值为变量，绿度值为因变量的临界氮稀释模型；同时，实测获得待测作物的作物叶片氮浓度或spad值；

(2)实测获得待测作物冠层图像的绿度值和覆盖度值，该绿度值作为待测作物冠层的绿度实测值；并根据该覆盖度值，通过临界氮稀释模型，计算获得绿度值，作为待测作物冠层的绿度计算值；

(3)获得待测作物冠层的绿度实测值与绿度计算值的比值，作为待测作物氮营养指数nni；

(4)根据待测作物冠层绿度实测值与作物叶片氮浓度或spad值的关系，分情况针对待测作物氮营养指数nni进行分析，获得待测作物氮营养状况。

进一步，作物冠层图像实测获得绿度值，包括如下步骤：

实测获得作物的作物叶片氮浓度或spad值，同时将作物冠层图像更新转换为预设指定颜色空间的作物冠层图像；

提取作物冠层图像中冠层各像素点的颜色基本值，并获得对应各通道颜色的平均值，进而获得各通道颜色平均值相互间的比值；

将作物冠层图像对应预设指定颜色空间各通道颜色平均值相互间的比值，以及作物冠层图像对应rgb颜色空间中各通道颜色的标准化值，构成作物冠层图像的多种颜色特征参数；

针对作物冠层图像的多种颜色特征参数，选择与作物叶片氮浓度或spad值呈线性关系的一种颜色特征参数，作为该作物冠层图像的绿度值。

进一步，所述农作物栽培信息处理方法预测作物产量数据方法如下：

1)通过预测程序根据农作物生长环境信息采集和预处理，得到环境信息；

2)农作物自身生理生化数据采集及预处理，得到生理生化特征向量；

3)农作物叶片图像采集和特征提取：利用视频监控设备实时采集农作物叶片图像，然后提取图形的r、g、b三个分量的均值、偏差和三阶矩阵，再进行归一化处理，得到图像颜色特征；

4)将步骤1)至步骤3)得到的环境信息特征、生理生化特征特征向量和图像颜色特征值组成农作生长的联合特征向量，根据农作物生长及产量的历史数据和变化规律，构建农作物生长态势及产量的联合特征向量数据库；

5)构建基于稀疏深度信念网络的农作物生长态势检测及产量预估模型；

6)利用对比差异快速学习算法和步骤4)中得到的构建农作物生长态势及产量的联合特征向量数据库，农作物产量预估模型进行预训练和微调，得到产量预测模型；

7)对得到产量预测模型进行可靠性测试：步骤四中得到的构建农作物生长态势及产量的联合特征向量数据库中待测试的联合特征向量输入到步骤六中训练和微调好的产量预测模型中，计算农作物产量预估结果，将预估结果与实际产量进行比较，若预估结果偏大于实际产量，则需要重新步骤6)，对农作物产量预估模型进行优化调整，反复训练得到产量预测模型。

本发明的另一目的在于提供一种执行所述农作物栽培信息处理方法的农作物栽培信息处理系统，所述农作物栽培信息处理系统包括：

视频监控模块，与主控模块连接，用于通过摄像器对农作物栽培信息处理状况进行视频监控；

环境数据采集模块，与主控模块连接，用于通过传感器采集农作物栽培信息处理环境的温度、湿度、光照、二氧化碳浓度数据；

营养检测模块，与主控模块连接，用于通过检测器检测作物氮素营养状况数据；

主控模块，与视频监控模块、环境数据采集模块、营养检测模块、定时模块、输液模块、浇水模块、照明模块、产量预测模块、显示模块连接，用于通过主控机控制各个模块正常工作；

定时模块，与主控模块连接，用于通过定时器设定输送营养液、浇水时间；

输液模块，与主控模块连接，用于通过输送管输送营养液操作；

浇水模块，与主控模块连接，用于通过浇水器对作物进行浇水操作；

照明模块，与主控模块连接，用于通过照明灯对农作物栽培信息处理进行照明操作；

产量预测模块，与主控模块连接，用于通过预测程序预测作物产量数据；

土质监测模块，与主控模块连接，用于通过检测器监测土壤中氮素的含量；

病虫害监测模块，与主模块连接，用于通过检测器监测农作物是否有病虫害；

显示模块，与主控模块连接，用于通过显示器显示监控视频、环境数据、作物营养素数据、土壤中氮素含量、农作物是否有病虫害、产量预测数据信息。

本发明的另一目的在于提供一种应用所述农作物栽培信息处理方法的信息数据处理终端。

本发明的优点及积极效果为：本发明通过营养检测模块对作物的绿度和覆盖度进行特征融合分析，综合考虑了作物不同生长时期或发育状况下的氮素营养状况，并能对其进行定量分析，显著提高了氮素营养诊断结果的准确性；并且本发明所设计方法，仅利用一张作物冠层图像中提取的绿度和覆盖度，即可进行氮素诊断，数据获取简单方便、氮素诊断成本低、速度快，可以在大田自然光条件下实时获取作物的氮素营养状况；同时，通过产量预测模块根据环境信息、生理生化特征向量和图像颜色特征，组成农作生长的联合特征向量，构建基于稀疏深度信念网络的农作物生长态势检测及产量预估模型，尽可能排除人为主观影响，提高预测可靠性和精确度。

附图说明

图1是本发明实施例提供的农作物栽培信息处理系统结构框图；

图中：1、视频监控模块；2、环境数据采集模块；3、营养检测模块；4、主控模块；5、定时模块；6、输液模块；7、浇水模块；8、照明模块；9、产量预测模块；10、土质监测模块；11、病虫害监测模块；12、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

针对现有技术存在的问题，本发明提供了一种农作物栽培信息处理系统及方法，下面结合附图对本发明作详细的描述。

如图1所示，本发明实施例提供的农作物栽培信息处理系统包括：视频监控模块1、环境数据采集模块2、营养检测模块3、主控模块4、定时模块5、输液模块6、浇水模块7、照明模块8、产量预测模块9、土质监测模块10、病虫害监测模块11、显示模块12。

视频监控模块1，与主控模块4连接，用于通过摄像器对农作物栽培信息处理状况进行视频监控；

环境数据采集模块2，与主控模块4连接，用于通过传感器采集农作物栽培信息处理环境的温度、湿度、光照、二氧化碳浓度数据；

营养检测模块3，与主控模块4连接，用于通过检测器检测作物氮素营养状况数据；

主控模块4，与视频监控模块1、环境数据采集模块2、营养检测模块3、定时模块5、输液模块6、浇水模块7、照明模块8、产量预测模块9、显示模块10连接，用于通过主控机控制各个模块正常工作；

定时模块5，与主控模块4连接，用于通过定时器设定输送营养液、浇水时间；

输液模块6，与主控模块4连接，用于通过输送管输送营养液操作；

浇水模块7，与主控模块4连接，用于通过浇水器对作物进行浇水操作；

照明模块8，与主控模块4连接，用于通过照明灯对农作物栽培信息处理进行照明操作；

产量预测模块9，与主控模块4连接，用于通过预测程序预测作物产量数据；

土质监测模块10，与主控模块4连接，用于通过检测器监测土壤中氮素的含量；

病虫害监测模块11，与主模块4连接，用于通过检测器监测农作物是否有病虫害；

显示模块12，与主控模块4连接，用于通过显示器显示监控视频、环境数据、作物营养素数据、产量预测数据信息。

本发明提供的营养检测模块3检测方法如下：

(1)通过检测器针对分别对应预设不同氮素营养的各个作物种植区，基于实测作物冠层图像的绿度值和覆盖度值，构建以覆盖度值为变量，绿度值为因变量的临界氮稀释模型；同时，实测获得待测作物的作物叶片氮浓度或spad值；

(2)实测获得待测作物冠层图像的绿度值和覆盖度值，该绿度值作为待测作物冠层的绿度实测值；并根据该覆盖度值，通过临界氮稀释模型，计算获得绿度值，作为待测作物冠层的绿度计算值；

(3)获得待测作物冠层的绿度实测值与绿度计算值的比值，作为待测作物氮营养指数nni；

(4)根据待测作物冠层绿度实测值与作物叶片氮浓度或spad值的关系，分情况针对待测作物氮营养指数nni进行分析，获得待测作物氮营养状况；

本发明提供的作物冠层图像实测获得绿度值，包括如下步骤：

实测获得作物的作物叶片氮浓度或spad值，同时将作物冠层图像更新转换为预设指定颜色空间的作物冠层图像；

提取作物冠层图像中冠层各像素点的颜色基本值，并获得对应各通道颜色的平均值，进而获得各通道颜色平均值相互间的比值；

将作物冠层图像对应预设指定颜色空间各通道颜色平均值相互间的比值，以及作物冠层图像对应rgb颜色空间中各通道颜色的标准化值，构成作物冠层图像的多种颜色特征参数；

针对作物冠层图像的多种颜色特征参数，选择与作物叶片氮浓度或spad值呈线性关系的一种颜色特征参数，作为该作物冠层图像的绿度值。

本发明提供的步骤(1)，包括如下步骤：

针对分别对应预设至少4个不同氮素营养水平的作物种植区，按预设第一周期时长，在各个周期采集时刻，分别采集各个作物种植区中作物的冠层图像；

分别针对各周期采集时刻所采集到的各幅冠层图像，实测获得冠层图像中的绿度值和覆盖度值；

分别针对各个周期采集时刻，针对周期采集时刻内所采集各幅冠层图像的覆盖度值进行方差分析，并根据方差分析结果，将彼此覆盖度波动范围处于阈值内的各幅冠层图像划为一组，实现针对周期采集时刻内所采集各幅冠层图像的分组；

分别针对各个周期采集时刻，针对周期采集时刻内最大覆盖度划分所对应的冠层图像分组，选择该冠层图像分组内最小绿度值所对应的冠层图像，并将该冠层图像的绿度值和覆盖度值分别作为该周期采集时刻内临界绿度值和临界覆盖度值；

以临界覆盖度值为变量，临界绿度值为因变量，针对各个周期采集时刻分别所对应的临界绿度值和临界覆盖度值进行拟合，获得临界氮稀释模型。

本发明提供的产量预测模块9预测方法如下：

1)通过预测程序根据农作物生长环境信息采集和预处理，得到环境信息；

2)农作物自身生理生化数据采集及预处理，得到生理生化特征向量；

3)农作物叶片图像采集和特征提取：利用视频监控设备实时采集农作物叶片图像，然后提取图形的r、g、b三个分量的均值、偏差和三阶矩阵，再进行归一化处理，得到图像颜色特征；

4)将步骤1)至步骤3)得到的环境信息特征、生理生化特征特征向量和图像颜色特征值组成农作生长的联合特征向量，根据农作物生长及产量的历史数据和变化规律，构建农作物生长态势及产量的联合特征向量数据库；

5)构建基于稀疏深度信念网络的农作物生长态势检测及产量预估模型；

6)利用对比差异快速学习算法和步骤4)中得到的构建农作物生长态势及产量的联合特征向量数据库，农作物产量预估模型进行预训练和微调，得到产量预测模型；

7)对得到产量预测模型进行可靠性测试：步骤四中得到的构建农作物生长态势及产量的联合特征向量数据库中待测试的联合特征向量输入到步骤六中训练和微调好的产量预测模型中，计算农作物产量预估结果，将预估结果与实际产量进行比较，若预估结果偏大于实际产量，则需要重新步骤6)，对农作物产量预估模型进行优化调整，反复训练得到产量预测模型。

本发明工作时，首先，通过视频监控模块1利用摄像器对农作物栽培信息处理状况进行视频监控；通过环境数据采集模块2利用传感器采集农作物栽培信息处理环境的温度、湿度、光照、二氧化碳浓度数据；通过营养检测模块3利用检测器检测作物氮素营养状况数据；其次，主控模块4通过定时模块5利用定时器设定输送营养液、浇水时间；通过输液模块6利用输送管输送营养液操作；通过浇水模块7利用浇水器对作物进行浇水操作；通过照明模块8利用照明灯对农作物栽培信息处理进行照明操作；然后，通过产量预测模块9利用预测程序预测作物产量数据；通过土质监测模块10利用检测器监测土壤中氮素的含量；通过病虫害监测模块11利用检测器监测农作物是否有病虫害；最后，通过显示模块12利用显示器显示监控视频、环境数据、作物营养素数据、产量预测数据信息。

下面结合具体实施例对本发明的技术效果作详细的描述。

预设4个不同氮素营养水平的小麦种植区，按预设第一周期时长，在晴天12∶00～13∶00之间，相机与地面高度为1.2m，冠层角度为60°，图像分辨率采用1024×768，存储格式用jpeg格式，分别采集各个小麦种植区中作物的冠层图像；

获取小麦冠层图像之后,为测定小麦覆盖度,在封垄前将小麦图像分为土壤背景、小麦,在封垄后分为有热点的小麦、受光小麦、处于阴影的小麦,利用遥感软件envi3.5的iso-data法和最大似然分类法及综合2个方法优点的方法，将小麦图像分为土壤、反光叶面和不反光叶面,与adobephotoshop软件普通图像处理方法对照,比较分析了小麦图像不同类别叶片的8种色彩参数与spad值及植株全氮的相关性。结果表明,返青期小麦反光叶面的色彩参数与spad值相关性最好,其次是adobephotoshop软件处理获得的叶片；拔节期不反光叶面的色彩参数与植株全氮相关性达到极显著水平；

然后针对周期采集时刻内所采集各幅冠层图像的覆盖度值进行方差分析，并根据方差分析结果，将彼此覆盖度波动范围处于阈值内的各幅冠层图像划为一组，实现针对周期采集时刻内所采集各幅冠层图像的分组；

选择该冠层图像分组内最小绿度值所对应的冠层图像，并将该冠层图像的绿度值和覆盖度值分别作为该周期采集时刻内临界绿度值和临界覆盖度值；

以临界覆盖度值为变量，临界绿度值为因变量，针对各个周期采集时刻分别所对应的临界绿度值和临界覆盖度值进行拟合，获得临界氮稀释模型。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。