一种番茄生长监控的方法及装置与流程
本发明涉及农业物联网应用技术领域，尤其涉及一种番茄生长监控的方法及装置。
背景技术：
随着现代化的发展，物联网技术的逐渐成熟，农业生产的自动化、智能化、标准化也成了发展趋势，农业环境的监测和控制技术也在不断进步，但是针对物联网环境下的农业管理、监测和控制，仍然没有相对完善和成熟的技术方案，目前，市面上的农业监控系统有单独做病虫监控、种植情况监控、预警系统以及通过算法模型分析的的一种或两种的系统，还没有集成所有功能的系统，无法实现真正的物联网智能种植。
技术实现要素：
本发明的目的在于提出一种番番茄生长监控的方法及装置，以解决现有现有番茄种植无法实现真正的物联网智能种植的问题。
为达此目的，本发明采用以下技术方案：
一种番茄生长监控的方法，包括：
预先建立番茄生长分析模型；
获取番茄的环境监测数据以及当前生长的视频和图像信息；
判断当所述环境监测数据超过预设阈值时，则发送预警提示给用户终端；
根据所述视频和图像信息判断当在预设时间内番茄植株变化超过预设变化阈值或番茄植株长有虫害时，则发送预警提示给用户终端；
将所述图像信息导入所述番茄生长分析模型中，通过分析计算导出番茄当前的生长指标。
本发明还提供一种番茄生长监控的装置，包括：
分析模型预建单元，用于预先建立番茄生长分析模型；
数据图像获取单元，用于获取番茄的环境监测数据以及当前生长的视频和图像信息；
数据预警单元，用于判断当所述环境监测数据超过预设阈值时，则发送预警提示给用户终端；
图像预警单元，用于根据所述视频和图像信息判断当在预设时间内番茄植株变化超过预设变化阈值或番茄植株长有虫害时，则发送预警提示给用户终端；
模型分析单元，用于将所述图像信息导入所述番茄生长分析模型中，通过分析计算导出番茄当前的生长指标。
本发明通过预先建立番茄生长分析模型；获取番茄的环境监测数据以及当前生长的视频和图像信息；判断当环境监测数据超过预设阈值时，则发送预警提示给用户终端；根据视频和图像信息判断当在预设时间内番茄植株变化超过预设变化阈值或番茄植株长有虫害时，则发送预警提示给用户终端；将图像信息导入番茄生长分析模型中，通过分析计算导出番茄当前的生长指标。
有益效果：既通过环境监测和视频图像监测来监控番茄植株的生长状况来起到预警作用，同时又通过算法模型来分析番茄的生长指标，从而实现真正的物联网智能种植。
附图说明
图1是本发明具体实施方式提供的番茄生长监控的方法流程图。
图2是本发明具体实施方式提供的番茄生长监控的装置结构示意图。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
图1是本发明实施例提供的番茄生长状态的智能分析方法流程图一，详述如下：
在步骤s101中，预先建立番茄生长分析模型；
在本发明实施例中，导入番茄生长样本数据，针对生长期分析对番茄生长样本数据进行线性回归分析，并建立线性回归模型，针对果叶分析对番茄生长样本数据使用卷积神经网络进行特征提取，并建立卷积神经网络模型。
番茄生长样本数据包括生长期样本数据和果叶样本数据，针对生长期分析，导入生长期样本数据，进行线性回归分析，并建立线性回归模型，其中，生长期样本数据，包括生长期样本数据表格，分别包括生长期样本数据，生长期样本特征和生长期样本类别；针对果叶样本数据，使用卷积神经网络进行特征提取，并建立卷积神经网络模型，果叶样本数据，包括果叶样本数据表格，分别包括果叶样本数据，果叶样本特征和果叶样本类别，果叶样本特征以及果叶样本辨别结果。
将生长期样本数据随机划分为生长期样本集和生长期测试集，在本实施例中，生长期样本集和生长期测试集的比例为8:2。对生长期样本集进行线性回归分析，建立线性回归模型；在本发明实施例中，线性回归模型公式为：hɵ(x)=ɵ0+ɵ1x，其中ɵ0和ɵ1为参数。线性回归模型的特点是建模速度快，不需要很复杂的计算，在数据量大的情况下依然运行速度很快。可以根据系数给出每个变量的理解和解释。对异常值很敏感。
在本发明实施例中，将果叶样本数据随机划分为果叶样本集和果叶测试集，在本实施例中，果叶样本集和果叶测试集的比例为8:2。对果叶样本集使用卷积神经网络进行特征提取，建立卷积神经网络模型；
在本发明实施例中，对果叶样本集使用卷积神经网络进行特征提取，从图片中通过采集算法根据位置、轮廓，从图片中进行特征值提取，特征值包括叶色彩、叶形状、果实形状、果实色彩、果实数量、果实大小、果实高低等。
作为本发明优选实施例，卷积神经网络至少包括两层卷积层以及至少两层池化层，其中，卷积层采用relu函数作为激活函数，卷积神经网络模型结构可以为：输入层、卷积层、池化层、卷积层、池化层、输出层，或者输入层、卷积层、卷积层、池化层、池化层、输出层，卷积层和池化层的的次数根据模型需要而定。也可以在池化层之后增加一个全连接层。还可以再各层之间增加几层，层与层之间采用dropout连接方式降低模型对训练集拟合度，增强模型泛化能力。
其中，输入层即为采集的番茄生长图像，输出层为计算的结果，卷积层的公式为：s(i,j)=(x*w)(i,j)+b=
在图像数据通过卷积层之后，通常会使用一个激活层。其目的是给一个在卷积层中刚经过线性计算操作的系统引入非线性特征。本实施例采用relu函数作为激活函数，将输出的张量中的小于0的位置对应的元素值都变为0。relu函数对模型收敛有巨大的加速作用，对梯度消失的问题也有帮助。relu函数为线性修正函数，作用是保证训练后的网络完全具备稀疏性，还可以减少运算量和数据维度。relu函数定义为：relu(x)=max(0,x)。
最后池化层通过对不同位置的特征进行聚合统计，计算图像一个区域上的某个特征的平均值或最大值。池化层是对输入张量的各个子矩阵进行压缩。
线性回归模型相比于其他算法，在分析多因素的模型时更加方便快捷，在数据量比较大的时候运行速度依然很快，而且在线性回归中对于每个变量都可以给出理解和解释，只要数据得当，可以达到很高的准确率。卷积神经网络相比其他神经网络算法，因为其共享卷积核所以对于高维数据处理是高效的，无需手动选取特征，具有空间不变性，自动提取特征，具有较好特征分类效果，而且对于图像处理方面，卷积网络的输入图像和网络的拓扑结构能很好的吻合，在特征提取同时又能进行模式分类。
在步骤s102中，获取番茄的环境监测数据以及当前生长的视频和图像信息；
在本发明实施例中，环境监测数据包括气象站监测数据以及土壤监测数据，环境监测数据包括气象站监测数据以及土壤监测数据，气象站监测数据包括当前空气温度、当前空气湿度、当前光照、二氧化碳浓度、风速、风向、降雨量、pm2.5、pm10、一氧化碳浓度、臭氧浓度、气压以及二氧化氮浓度中的一种或几种；土壤监测数据包括当前土壤温度、当前土壤湿度、ph值以及电导率中的一种或几种。其中，气象站监测数据分别通过温度传感器、湿度传感器、光照传感器、二氧化碳传感器、风速传感器、风向传感器、降雨量传感器、pm2.5传感器、pm10传感器、一氧化碳传感器、臭氧传感器、气压传感器以及二氧化氮传感器监测获取。土壤监测数据分别通过温度传感器、湿度传感器、ph值传感器以及电导率传感器监测获取。
在步骤s103中，判断当环境监测数据超过预设阈值时，则发送预警提示给用户终端；
在本发明实施例中，每个传感器都可以设置警报阈值，一旦超过预设阈值，则发送预警提示给用户终端，其中，用户终端可以是用户的移动终端，例如，手机，ipad，也可以是用户的注册账户，例如，给用户注册账户登录端发送预警提示。
作为本发明的优选实施例，若判断当环境监测数据超过预设阈值时，判断当前控制设备是否为自动模式，是则查询当前环境监测数据对应的应对措施，并发送应对措施对应的控制命令给控制设备。其中，控制设备可以为水肥一体机。如果空前控制设备是自动模式，在监测到当前环境监测数据超过预设阈值时，则启动对应的措施，例如，缺水时控制水肥一体机浇水等。
在步骤s104中，根据视频和图像信息判断当在预设时间内番茄植株变化超过预设变化阈值或番茄植株长有虫害时，则发送预警提示给用户终端；
在本发明实施例中，对比当前视频和图像信息与预设时间段之前番茄植株的变化，包括植株色彩变化、大小变化、形状变化以及数量变化等，超过预设变化阈值，则发送预警提示给用户终端。若发现番茄植株长有虫害，同样发送预警提示给用户终端。
在步骤s105中，将图像信息导入番茄生长分析模型中，通过分析计算导出番茄当前的生长指标。
在本发明实施例中，将图像信息分别导入线性回归模型与卷积神经网络模型中，线性回归模型对图像信息分析计算导出处番茄当前的生长期生长指标，卷积神经网络模型对图像信息分析计算导出番茄当前的果叶生长指标，其中，生长期生长指标包括生长势、开花期、始收期、盛收期以及末收期中的一种或几种，果叶生长指标包括花絮类型、叶色、叶形、果形、果色以及果肩中的一种或几种。
神经网络适用于大量数据采集，具有较复杂的系统，可以提供精确数据，但计算量比较大，适用于精细数据分析。线性回归比较简单，适用于定性的分析，数据分析量较小。两者结合来分析番茄的生长状态，既提高了准确率，又提高了运算速率。
图2是本发明实施例提供的番茄生长监控的装置结构示意图，详述如下：
番茄生长监控的装置，包括：
分析模型预建单元21预先建立番茄生长分析模型；
其中，分析模型预建单元21包括样本数据导入模块211导入番茄生长样本数据；
线性回归模型建立模块212针对生长期分析对番茄生长样本数据进行线性回归分析，并建立线性回归模型，
卷积神经网络模型建立模块213针对果叶分析对番茄生长样本数据使用卷积神经网络进行特征提取，并建立卷积神经网络模型。
在本发明实施例中，导入番茄生长样本数据，针对生长期分析对番茄生长样本数据进行线性回归分析，并建立线性回归模型，针对果叶分析对番茄生长样本数据使用卷积神经网络进行特征提取，并建立卷积神经网络模型。
番茄生长样本数据包括生长期样本数据和果叶样本数据，针对生长期分析，导入生长期样本数据，进行线性回归分析，并建立线性回归模型，其中，生长期样本数据，包括生长期样本数据表格，分别包括生长期样本数据，生长期样本特征和生长期样本类别；针对果叶样本数据，使用卷积神经网络进行特征提取，并建立卷积神经网络模型，果叶样本数据，包括果叶样本数据表格，分别包括果叶样本数据，果叶样本特征和果叶样本类别，果叶样本特征以及果叶样本辨别结果。
将生长期样本数据随机划分为生长期样本集和生长期测试集，在本实施例中，生长期样本集和生长期测试集的比例为8:2。对生长期样本集进行线性回归分析，建立线性回归模型；在本发明实施例中，线性回归模型公式为：hɵ(x)=ɵ0+ɵ1x，其中ɵ0和ɵ1为参数。线性回归模型的特点是建模速度快，不需要很复杂的计算，在数据量大的情况下依然运行速度很快。可以根据系数给出每个变量的理解和解释。对异常值很敏感。
在本发明实施例中，将果叶样本数据随机划分为果叶样本集和果叶测试集，在本实施例中，果叶样本集和果叶测试集的比例为8:2。对果叶样本集使用卷积神经网络进行特征提取，建立卷积神经网络模型；
在本发明实施例中，对果叶样本集使用卷积神经网络进行特征提取，从图片中通过采集算法根据位置、轮廓，从图片中进行特征值提取，特征值包括叶色彩、叶形状、果实形状、果实色彩、果实数量、果实大小、果实高低等。
作为本发明优选实施例，卷积神经网络至少包括两层卷积层以及至少两层池化层，其中，卷积层采用relu函数作为激活函数，卷积神经网络模型结构可以为：输入层、卷积层、池化层、卷积层、池化层、输出层，或者输入层、卷积层、卷积层、池化层、池化层、输出层，卷积层和池化层的的次数根据模型需要而定。也可以在池化层之后增加一个全连接层。还可以再各层之间增加几层，层与层之间采用dropout连接方式降低模型对训练集拟合度，增强模型泛化能力。
其中，输入层即为采集的番茄生长图像，输出层为计算的结果，卷积层的公式为：s(i,j)=(x*w)(i,j)+b=
在图像数据通过卷积层之后，通常会使用一个激活层。其目的是给一个在卷积层中刚经过线性计算操作的系统引入非线性特征。本实施例采用relu函数作为激活函数，将输出的张量中的小于0的位置对应的元素值都变为0。relu函数对模型收敛有巨大的加速作用，对梯度消失的问题也有帮助。relu函数为线性修正函数，作用是保证训练后的网络完全具备稀疏性，还可以减少运算量和数据维度。relu函数定义为：relu(x)=max(0,x)。
最后池化层通过对不同位置的特征进行聚合统计，计算图像一个区域上的某个特征的平均值或最大值。池化层是对输入张量的各个子矩阵进行压缩。
线性回归模型相比于其他算法，在分析多因素的模型时更加方便快捷，在数据量比较大的时候运行速度依然很快，而且在线性回归中对于每个变量都可以给出理解和解释，只要数据得当，可以达到很高的准确率。卷积神经网络相比其他神经网络算法，因为其共享卷积核所以对于高维数据处理是高效的，无需手动选取特征，具有空间不变性，自动提取特征，具有较好特征分类效果，而且对于图像处理方面，卷积网络的输入图像和网络的拓扑结构能很好的吻合，在特征提取同时又能进行模式分类。
数据图像获取单元22获取番茄的环境监测数据以及当前生长的视频和图像信息；
在本发明实施例中，环境监测数据包括气象站监测数据以及土壤监测数据，环境监测数据包括气象站监测数据以及土壤监测数据，气象站监测数据包括当前空气温度、当前空气湿度、当前光照、二氧化碳浓度、风速、风向、降雨量、pm2.5、pm10、一氧化碳浓度、臭氧浓度、气压以及二氧化氮浓度中的一种或几种；土壤监测数据包括当前土壤温度、当前土壤湿度、ph值以及电导率中的一种或几种。其中，气象站监测数据分别通过温度传感器、湿度传感器、光照传感器、二氧化碳传感器、风速传感器、风向传感器、降雨量传感器、pm2.5传感器、pm10传感器、一氧化碳传感器、臭氧传感器、气压传感器以及二氧化氮传感器监测获取。土壤监测数据分别通过温度传感器、湿度传感器、ph值传感器以及电导率传感器监测获取。
数据预警单元23判断当环境监测数据超过预设阈值时，则发送预警提示给用户终端；
在本发明实施例中，每个传感器都可以设置警报阈值，一旦超过预设阈值，则发送预警提示给用户终端，其中，用户终端可以是用户的移动终端，例如，手机，ipad，也可以是用户的注册账户，例如，给用户注册账户登录端发送预警提示。
图像预警单元24根据视频和图像信息判断当在预设时间内番茄植株变化超过预设变化阈值或番茄植株长有虫害时，则发送预警提示给用户终端；
在本发明实施例中，对比当前视频和图像信息与预设时间段之前番茄植株的变化，包括植株色彩变化、大小变化、形状变化以及数量变化等，超过预设变化阈值，则发送预警提示给用户终端。若发现番茄植株长有虫害，同样发送预警提示给用户终端。
模型分析单元25将图像信息导入番茄生长分析模型中，通过分析计算导出番茄当前的生长指标。
其中，模型分析单元25包括图像导入模块251将图像信息分别导入线性回归模型与卷积神经网络模型中；
生长期分析模块252线性回归模型对图像信息分析计算导出处番茄当前的生长期生长指标；
果叶分析模块253卷积神经网络模型对图像信息分析计算导出番茄当前的果叶生长指标；
其中，所述生长期生长指标包括生长势、开花期、始收期、盛收期以及末收期中的一种或几种，所述果叶生长指标包括花絮类型、叶色、叶形、果形、果色以及果肩中的一种或几种。
在本发明实施例中，将图像信息分别导入线性回归模型与卷积神经网络模型中，线性回归模型对图像信息分析计算导出处番茄当前的生长期生长指标，卷积神经网络模型对图像信息分析计算导出番茄当前的果叶生长指标，其中，生长期生长指标包括生长势、开花期、始收期、盛收期以及末收期中的一种或几种，果叶生长指标包括花絮类型、叶色、叶形、果形、果色以及果肩中的一种或几种。
神经网络适用于大量数据采集，具有较复杂的系统，可以提供精确数据，但计算量比较大，适用于精细数据分析。线性回归比较简单，适用于定性的分析，数据分析量较小。两者结合来分析番茄的生长状态，既提高了准确率，又提高了运算速率。
作为本发明的优选实施例，还包括控制单元26在数据预警单元23判断当环境监测数据超过预设阈值，则发送预警提示给用户终端之后判断当前控制设备是否为自动模式，是则查询当前环境监测数据对应的应对措施，并发送应对措施对应的控制命令给控制设备。
在本发明实施例中，若判断当环境监测数据超过预设阈值时，判断当前控制设备是否为自动模式，是则查询当前环境监测数据对应的应对措施，并发送应对措施对应的控制命令给控制设备。其中，控制设备可以为水肥一体机。如果空前控制设备是自动模式，在监测到当前环境监测数据超过预设阈值时，则启动对应的措施，例如，缺水时控制水肥一体机浇水等。
本发明通过预先建立番茄生长分析模型；获取番茄的环境监测数据以及当前生长的视频和图像信息；判断当环境监测数据超过预设阈值时，则发送预警提示给用户终端；根据视频和图像信息判断当在预设时间内番茄植株变化超过预设变化阈值或番茄植株长有虫害时，则发送预警提示给用户终端；将图像信息导入番茄生长分析模型中，通过分析计算导出番茄当前的生长指标。
有益效果：既通过环境监测和视频图像监测来监控番茄植株的生长状况来起到预警作用，同时又通过算法模型来分析番茄的生长指标，从而实现真正的物联网智能种植。
值得注意的是，本领域普通技术人员可以理解：实现上述方法实施例的步骤或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读存储介质中，该程序在执行时，执行包括上述方法实施例的步骤，而前述的存储介质包括：rom、ram、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以不再进行赘述，相关之处参见方法实施例的部分说明即可。
以上对发明的具体实施方式进行了详细说明，但其只作为范例，本发明并不限制于以上描述的具体实施方式。对于本领域的技术人员而言，任何对该发明进行的等同修改或替代也都在本发明的范畴之中，因此，在不脱离本发明的精神和原则范围下所作的均等变换和修改、改进等，都应涵盖在本发明的范围内。
- 还没有人留言评论。精彩留言会获得点赞！