本发明涉及水稻分蘖期植株长势监控系统,尤其涉及一种水稻分蘖期长势智慧监控调节方法。
背景技术:
水稻返青分蘖期以营养器官的生长为中心,这是决定有效穗数的关键时期,也是水稻高产的基础。水稻分蘖时期的关键是要培养数量足够的有效蘖,控制无效分蘖,分蘖太少或者太多疯长,都影响水稻的高产。因为,开展水稻分蘖期植株长势监控是水稻生产的一个重要环节。现有的监控监控方法中,一般采用人工监控,但是随着人们生活水平的提高,可用劳动力的减少,单纯依靠人工监控,费时费力,而且只能抽样调查;在水稻生产过程中如产量预测中可能用到卫星遥感等技术,但没有在分蘖期使用的例子,同时卫星遥感监控准确率不高。现有技术在监控过程中,对不同地块难以精确地分类统计,也不能自动编号、记录和统计,统计结果差强人意。
深度学习是机器学习研究中的一个新的领域,通过建立模拟人脑进行分析学习的神经网络,模仿人脑的机制来解释数据,包括图像,声音和文本等。同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分,不同的学习框架下建立的学习模型很是不同。例如,卷积神经网络(convolutionalneuralnetworks,简称cnns)就是一种深度的监督学习下的机器学习模型,而深度置信网(deepbeliefnets,简称dbns)就是一种无监督学习下的机器学习模型。目前尚无使用卷积神经网络进行成苗率监控的技术。
技术实现要素:
为克服现有技术的不足,本发明提出一种基于深度学习卷积神经网络的植株长势监控方法。
本发明的技术方案是这样实现的:
一种水稻分蘖期长势智慧监控调节方法,包括步骤
s1:将监控地块进行分割和标记,并使用无人机拍摄所需监控地块照片;
s2:从水稻分蘖期的植株照片中分离出单个分蘖,利用计算机视觉算法,计算水稻分蘖轮廓或者单个分蘖叶片色泽;
s3:对分离后的水稻分蘖轮廓或者单个分蘖叶片色泽照片进行植物长势分类,将植株长势分为过旺、正常、一般、差4种类型,作为深度学习的训练样本;
s4:使用水稻分蘖期不同植株长势的轮廓照片对深度卷积神经网络进行训练,使之能对不同植株长势进行精确分类;
s5:用水稻分蘖期不同植株长势的验证照片对所述深度卷积神经网络进行验证;
s6:使用所述深度卷积神经网络对所需监控地块内的各个水稻分蘖期植株进行植株长势的分类统计,最终判断监控地块内所有植株的长势状态;
s7:根据深度卷积神经网络对所需监控地块内的所有植株的长势状态提出相应的农艺操作建议;
s8:通过信息系统,将相关作物长势状态信息和农艺操作要求发送给操作人员,实行精准操作。
进一步地,所述步骤s1包括步骤
s11:利用机器学习判断植株轮廓是否为单一分蘖;
s12:如果是单一分蘖,利用轮廓切割图像输出植株图片,计算数量或者色泽;如果是连在一起的植株,利用图像分割算法分离粘连的植株。
本发明的有益效果在于,与现有技术相比,本发明在植株生长的监控过程中,对不同地块可以实现自动化精确地分类统计,并对各个地块自动编号、记录和统计,并实现总体统计分析,然后根据统计分析结果进行相应的栽培管理。
附图说明
图1是本发明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
请参见图1,本发明一种水稻分蘖期长势智慧监控调节方法,包括步骤:
s1:将监控地块进行分割和标记,并使用无人机拍摄所需监控地块照片;
s2:从水稻分蘖期的每蔸水稻植株照片中分离出单个水稻分蘖,利用计算机视觉算法,计算每蔸水稻植株的水稻分蘖数;
s3:对分离后的水稻植株轮廓照片进行水稻分蘖期长势分类,以每亩种植密度2万蔸计算,可将每蔸水稻分蘖数超过20个的植株长势视为疯长过旺、每蔸水稻分蘖数10-15个的植株长势视为视为正常、每蔸水稻分蘖数5-10个的植株长势视为视为一般、每蔸水稻分蘖数小于5个的植株长势视为较弱,作为深度学习的训练样本;
s4:使用水稻分蘖期长势分类轮廓照片对深度卷积神经网络进行训练,使之能对不同水稻分蘖期长势状况进行精确分类;
s5:使用水稻分蘖期不同长势分类的验证照片对所述深度卷积神经网络进行验证;
s6:使用所述深度卷积神经网络对所需监控地块内的各个水稻植株进行植株长势的分类统计,最终判断监控地块内所有水稻植株的长势状态。
s7:根据深度卷积神经网络对所需监控地块内的所有植株的长势状态提出相应的农艺操作建议;如果判断监控地块内水稻分蘖期为疯长过旺,就采用加强晒田等方法进行控制;如果判断监控地块内水稻分蘖期为长势较弱,就采用增加肥水使用进行调控;
s8:通过信息系统,还可将相关作物长势状态信息和农艺操作要求发送给操作人员,实行精准操作。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。