一种番茄果实生长预测方法、装置、设备及产品

1.本发明涉及农业技术领域，尤其涉及一种番茄果实生长预测方法、装置、设备及产品。


背景技术：

2.外界环境因素和农艺措施管理能够影响植株与果实之间的水、碳通量，进而影响果实干重和鲜重的生长动态。番茄果实生长模型(tom-gro模型)考虑了番茄果实水分和干物质的变化过程，通过输入空气温度、相对湿度、茎秆水势以及韧皮部糖浓度(cp)，进而模拟由植株进入到果实的水、碳通量，从而预测番茄果实干重、鲜重变化过程。其中，韧皮部糖浓度是主导植株输入果实干物质量的关键因子，在以往的研究中，通常假设不同条件下cp的变化范围是相同的。然而，实际的环境和农艺措施等种植条件都可能会改变植株和果实的生长过程，改变cp的变化范围，进而影响果实干重和鲜重的累积。因此，有必要对不同种植条件下的cp进行量化。


技术实现要素：

3.本发明提供一种番茄果实生长预测方法、装置、设备及产品，用以解决现有技术中实际的环境和农艺措施等种植条件都可能会改变植株和果实的生长过程的缺陷，实现有效反映不同种植条件对番茄果实碳供应水平的影响，进而提高番茄果实生长的预测精度。
4.本发明提供一种番茄果实生长预测方法，包括以下步骤：
5.获取番茄冠层的冠层光谱图像，并从所述冠层光谱图像中提取得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像；
6.将所述仅包含叶片的叶片光谱图像输入至叶片神经网络模型中，得到所述叶片神经网络模型输出的番茄冠层的叶片参数；其中，所述叶片参数包括叶片光合速率、叶片含水率及叶面积；
7.对所述仅包含果实的果实形态二值图像进行角点检测分析，获得番茄果实个数；
8.基于所述叶片参数以及所述番茄果实个数，获得不同种植条件下的韧皮部糖浓度；
9.将不同种植条件下的韧皮部糖浓度输入到番茄果实生长模型中，得到所述番茄果实生长模型输出的不同种植条件下的番茄果实鲜重、干重生长动态过程；其中，番茄果实生长模型是基于不同种植条件下的样本韧皮部糖浓度训练得到的。
10.根据本发明提供的番茄果实生长预测方法，所述基于所述叶片参数以及所述番茄果实个数，获得不同种植条件下的韧皮部糖浓度，具体包括以下步骤：
11.基于所述叶片参数以及所述番茄果实个数，获取不同种植条件以及充分处理条件下的番茄源库比；
12.基于充分处理条件下的番茄源库比以及韧皮部糖浓度，获得不同种植条件下的韧皮部糖浓度。
13.根据本发明提供的番茄果实生长预测方法，所述获取番茄冠层的冠层光谱图像，并从所述冠层光谱图像中分别提取仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像，具体包括：
14.去除所述冠层光谱图像中的背景，得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像。
15.根据本发明提供的番茄果实生长预测方法，所述去除所述冠层光谱图像中的背景，得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像，具体包括以下步骤：
16.对所述冠层光谱图像进行聚类、分割等处理，得到仅包含叶片的叶片矢量图以及仅包含果实的果实矢量图；
17.利用所述仅包含叶片的叶片矢量图对冠层光谱图像进行掩膜处理，提取得到所述仅包含叶片的叶片光谱图像；
18.利用对所述仅包含果实的果实矢量图对冠层光谱图像进行二值化处理，得到所述仅包含果实的果实形态二值图像。
19.根据本发明提供的番茄果实生长预测方法，所述将所述仅包含叶片的叶片光谱图像输入至叶片神经网络模型中，得到所述叶片神经网络模型输出的番茄冠层的叶片参数，具体包括以下步骤：
20.将仅包含叶片的叶片光谱图像输入至叶片光合速率神经网络模型中，得到所述叶片光合速率神经网络模型输出的叶片光合速率；
21.将仅包含叶片的叶片光谱图像输入至叶面积神经网络模型中，得到所述叶面积神经网络模型输出的叶面积；
22.将仅包含叶片的叶片光谱图像输入至叶片含水率神经网络模型，得到所述叶片含水率神经网络模型输出的叶片含水率；
23.其中，所述叶片光合速率神经网络模型、所述叶面积神经网络模型和所述叶片含水率神经网络模型构成了所述叶片神经网络模型，且所述叶片光合速率神经网络模型、所述叶面积神经网络模型和所述叶片含水率神经网络模型均是基于仅包含叶片的样本叶片光谱图像训练得到的。
24.根据本发明提供的番茄果实生长预测方法，所述对所述仅包含果实的果实形态二值图像进行角点检测分析，获得番茄果实个数，具体包括以下步骤：
25.识别仅包含果实的果实形态二值图像形态结构，得到骨架提取图；
26.基于r语言对骨架提取图进行角点检测，获得番茄果实个数。
27.本发明还提供一种番茄果实生长预测装置，包括：
28.提取模块，用于获取番茄冠层的冠层光谱图像，并从所述冠层光谱图像中提取得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像；
29.第一获取模块，用于将所述仅包含叶片的叶片光谱图像输入至叶片神经网络模型中，得到所述叶片神经网络模型输出的番茄冠层的叶片参数；其中，所述叶片参数包括叶片光合速率、叶片含水率及叶面积；
30.第二获取模块，用于对所述仅包含果实的果实形态二值图像进行角点检测分析，获得番茄果实个数；
31.第三获取模块，用于基于所述叶片参数以及所述番茄果实个数，获得不同种植条件下的韧皮部糖浓度；
32.预测模块，用于将不同种植条件下的韧皮部糖浓度输入到番茄果实生长模型中，得到所述番茄果实生长模型输出的不同种植条件下的番茄果实鲜重、干重生长动态过程；其中，番茄果实生长模型是基于不同种植条件下的样本韧皮部糖浓度训练得到的。
33.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述番茄果实生长预测方法的步骤。
34.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述番茄果实生长预测方法的步骤。
35.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述番茄果实生长预测方法的步骤。
36.本发明提供的番茄果实生长预测方法、装置、设备及产品，基于番茄冠层的冠层光谱图像，得到叶片参数以及番茄果实个数，借此获得不同种植条件下的番茄源库比，调整番茄生长模型中果实的碳供应水平，获取到更贴合种植和生产实际的番茄源库比，进而量化不同种植条件对韧皮部糖浓度影响，可以有效反映不同种植条件对番茄果实碳供应水平的影响，进而提高番茄果实生长的预测精度，在指导番茄种植以及果实生长预测等方面，具有无损观测、连续高效以及前瞻诊断等优点。
附图说明
37.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
38.图1是本发明提供的番茄果实生长预测方法的流程示意图；
39.图2是本发明提供的番茄果实生长预测方法中步骤s100具体的流程示意图；
40.图3是本发明提供的番茄果实生长预测方法中步骤s200具体的流程示意图；
41.图4是本发明提供的番茄果实生长预测方法中步骤s300具体的流程示意图；
42.图5是本发明提供的番茄果实生长预测方法中得到的仅包含果实的果实形态二值图像的示意图；
43.图6是本发明提供的番茄果实生长预测方法中得到的骨架提取图的示意图；
44.图7是本发明提供的番茄果实生长预测方法中得到的番茄果实个数的示意图；
45.图8是本发明提供的番茄果实生长预测方法中得到的充分处理条件下的韧皮部糖浓度随时间变化的示意图；
46.图9是本发明提供的番茄果实生长预测装置的结构示意图；
47.图10是本发明提供的番茄果实生长预测装置中提取模块具体的结构示意图；
48.图11是本发明提供的番茄果实生长预测装置中第一获取模块具体的结构示意图；
49.图12是本发明提供的番茄果实生长预测装置中第二获取模块具体的结构示意图；
50.图13是本发明所使用到的番茄果实生长模型的示意图；
51.图14是本发明提供的电子设备的结构示意图。
具体实施方式
52.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
53.下面结合图1描述本发明的番茄果实生长预测方法，该方法包括以下步骤：
54.s100、获取番茄冠层的冠层光谱图像，并从冠层光谱图像中提取得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像。
55.s200、将仅包含叶片的叶片光谱图像输入至叶片神经网络模型中，得到叶片神经网络模型输出的番茄冠层的叶片参数，叶片参数包括叶片光合速率(pn)、叶片含水率(lwc)及叶面积(la)。
56.在该方法中，叶片神经网络模型是基于仅包含叶片的样本叶片光谱图像训练得到的。
57.s300、对仅包含果实的果实形态二值图像进行角点检测分析，获得番茄果实个数(fn)。
58.s400、基于叶片参数以及番茄果实个数，获取不同种植条件以及充分处理条件下的番茄源库比(ssi以及ss
ck
)，并基于充分处理条件下的番茄源库比(ss
ck
)以及韧皮部糖浓度(cp
ck
)，获得不同种植条件下的韧皮部糖浓度(cpi)。
59.在i种植条件下，番茄源库比ssi的计算公式为：
[0060][0061]
充分处理种植条件下的番茄源库比ss
ck
的计算公式为：
[0062][0063]
其中，la
ck
、pn
ck
、fn
ck
以及lwc
ck
分别为充分处理种植条件下的叶面积、叶片光合速率、番茄果实个数以及叶片含水率。
[0064]
根据现有的研究，韧皮部糖浓度cp
ck
在一天内随太阳辐射的变化呈现出正弦型变化，因此本实施例中，结合前人在充分处理条件下的研究结果，cp
ck
取值为0.15-0.35mol l-1
，一天内cp
ck
的变化如图8所示。
[0065]
不同种植条件下的韧皮部糖浓度cpi的计算公式为：
[0066][0067]
s500、将不同种植条件下的韧皮部糖浓度(cpi)输入到番茄果实生长模型中，得到番茄果实生长模型输出的不同种植条件下的番茄果实鲜重、干重生长动态过程。番茄果实生长模型是基于不同种植条件下的样本韧皮部糖浓度训练得到的。
[0068]
在本实施例中，番茄果实生长模型采用tom-gro模型。tom-gro模型示意图如图13所示。该模型以番茄茎秆水势驱动果实膨大，以茎秆韧皮部糖浓度cp驱动果实干物质累积，
进而模拟果实鲜重及干重变化。
[0069]
在步骤s500中，可以考虑到不同种植条件对番茄植株、果实生长，以及两者间关系的影响作用，能够有效模拟不同种植条件下的番茄果实干重、鲜重生长动态变化。
[0070]
由于番茄叶片和果实是重要的源项和库项，源强与库强间的相关关系会影响果实碳输入量。植株的源库比是一个相对抽象且动态的指标，其中涉及到源器官、源强以及库器官和库强，表征方式也较不明确。在现有的番茄果实生长模型的输入参数中，在不同种植条件下，代表番茄果实碳供应量的韧皮部糖浓度cp均为相同水平，但是，这明显并不符合种植和生产的实际，因为外界环境和农艺措施的改变会影响番茄果实碳供应。因此，现有的方法不能有效表征不同种植条件对番茄果实碳供应，即韧皮部糖浓度cp值的影响。
[0071]
本发明的番茄果实生长预测方法，基于番茄冠层的冠层光谱图像，得到叶片参数以及番茄果实个数，借此获得不同种植条件下的番茄源库比，调整番茄生长模型中果实的碳供应水平，获取到更贴合种植和生产实际的番茄源库比，进而量化不同种植条件对韧皮部糖浓度影响，可以有效反映不同种植条件对番茄果实碳供应水平的影响，进而提高番茄果实生长的预测精度，在指导番茄种植以及果实生长预测等方面，具有无损观测、连续高效以及前瞻诊断等优点。
[0072]
在本实施例中，可以在番茄果实坐果到转色成熟期间，利用手持多光谱探头在番茄植株上方拍摄获取数据，每隔5-7天获取番茄冠层的冠层光谱图像。
[0073]
需要说明的是，番茄果实坐果到成熟转色期间是番茄果实积累水分以及干物质的重要时期，因此可以在该阶段每隔5-7天用手持多光谱探头在番茄植株上方进行扫描，获取番茄冠层的冠层光谱图像。
[0074]
考虑到获取到的冠层光谱图像的质量，该方法中可以选择11:00-13:00光线充足，无风或风速较小的时刻拍摄，获得各生育阶段番茄生长的冠层光谱图像。
[0075]
从冠层光谱图像中提取得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像，具体可以为：去除冠层光谱图像中的背景，得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像。
[0076]
在步骤s100中，envi等软件对得到的冠层光谱图像采用支持向量机方法分割、聚类等方式去除图像中的背景，获得仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像。
[0077]
下面结合图2描述本发明的番茄果实生长预测方法，步骤s100具体包括以下步骤：
[0078]
s110、对冠层光谱图像进行分割、聚类等方式处理，得到仅包含叶片的叶片矢量图以及仅包含果实的果实矢量图。
[0079]
s120、利用仅包含叶片的矢量图对冠层光谱图像进行掩膜处理，提取得到仅包含叶片的叶片光谱图像，具体的，得到是仅包含叶片的光谱tiff格式图像文件。
[0080]
s130、利用仅包含果实的果实矢量图对冠层光谱图像进行二值化处理，得到仅包含果实的果实形态二值图像，如图5所示。
[0081]
下面结合图3描述本发明的番茄果实生长预测方法，步骤s200具体包括以下步骤：
[0082]
s210、将仅包含叶片的叶片光谱图像输入至叶片光合速率神经网络模型中，得到叶片光合速率神经网络模型输出的叶片光合速率(pn)。
[0083]
s220、将仅包含叶片的叶片光谱图像输入至叶面积神经网络模型中，得到叶面积
神经网络模型输出的叶面积(la)。
[0084]
s230、将仅包含叶片的叶片光谱图像输入至叶片含水率神经网络模型，得到叶片含水率神经网络模型输出的叶片含水率(lwc)
[0085]
其中，叶片光合速率神经网络模型、叶面积神经网络模型、叶片含水率神经网络模型构成了步骤s200中的叶片神经网络模型，神经网络模型这三个模型均是基于仅包含叶片的样本叶片光谱图像训练得到的。
[0086]
因此，步骤s200中分别的叶片光合速率神经网络模型、叶面积神经网络模型、叶片含水率神经网络模型，将仅包含叶片的光谱tiff格式图像文件输入这三个模型中，分别输出得到叶片光合速率(pn)、叶面积(la)、叶片含水率(lwc)。
[0087]
在本实施例中，叶片光合速率神经网络模型、叶面积神经网络模型、叶片含水率神经网络模型均是利用基于r语言的rsnns包搭建的。
[0088]
下面结合图4描述本发明的番茄果实生长预测方法，步骤s300具体包括以下步骤：
[0089]
s310、识别仅包含果实的果实形态二值图像的形态结构，得到骨架提取图。
[0090]
s320、对骨架提取图基于r语言进行角点检测获得番茄果实个数(fn)。
[0091]
步骤s300中，利用r语言对仅包含果实的果实形态二值图像进行分析，首先在步骤s310中基于势能平衡的图像骨架提取方法识别作物形态结构，得到骨架提取图，如6所示；在步骤s320中，再基于r语言的image.cornerdetectionharris包进行harris角点检测获得番茄果实个数(fn)，如图7所示。
[0092]
下面对本发明提供的番茄果实生长预测装置进行描述，下文描述的番茄果实生长预测装置与上文描述的番茄果实生长预测方法可相互对应参照。
[0093]
下面结合图9描述本发明的番茄果实生长预测装置，该装置包括：
[0094]
提取模块100，用于获取番茄冠层的冠层光谱图像，并从冠层光谱图像中提取得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像。
[0095]
第一获取模块200，用于将仅包含叶片的叶片光谱图像输入至叶片神经网络模型中，得到叶片神经网络模型输出的番茄冠层的叶片参数，叶片参数包括叶片光合速率(pn)、叶片含水率(lwc)及叶面积(la)。
[0096]
在该装置中，叶片神经网络模型是基于仅包含叶片的样本叶片光谱图像训练得到的。
[0097]
第二获取模块300，用于对仅包含果实的果实形态二值图像进行角点检测分析，获得番茄果实个数(fn)。
[0098]
第三获取模块400，用于基于叶片参数以及番茄果实个数，获取不同种植条件以及充分处理条件下的番茄源库比(ssi以及ss
ck
)，并基于充分处理条件下的番茄源库比(ss
ck
)以及韧皮部糖浓度(cp
ck
)，获得不同种植条件下的韧皮部糖浓度(cpi)。
[0099]
预测模块500，用于将不同种植条件下的韧皮部糖浓度(cpi)输入到番茄果实生长模型中，得到番茄果实生长模型输出的不同种植条件下的番茄果实鲜重、干重生长动态过程。番茄果实生长模型是基于不同种植条件下的不同样本韧皮部糖浓度训练得到的。
[0100]
在本实施例中，番茄果实生长模型采用tom-gro模型。
[0101]
在预测模块500中，可以考虑到不同种植条件对番茄植株、果实生长，以及两者间关系的影响作用，能够有效模拟不同种植条件下的番茄果实干重、鲜重生长动态变化。
[0102]
由于番茄叶片和果实是重要的源项和库项，源强与库强间的相关关系会影响果实碳输入量。植株的源库比是一个相对抽象且动态的指标，其中涉及到源器官、源强以及库器官和库强，表征方式也较不明确。在现有的番茄果实生长模型的输入参数中，在不同种植条件下，代表番茄果实碳供应量的韧皮部糖浓度cp均为相同水平，但是，这明显并不符合种植和生产的实际，因为外界环境和农艺措施的改变会影响番茄果实碳供应。因此，现有的装置不能有效表征不同种植条件对番茄果实碳供应，即韧皮部糖浓度cp值的影响。
[0103]
本发明的番茄果实生长预测装置，基于番茄冠层的冠层光谱图像，得到叶片参数以及番茄果实个数，借此获得不同种植条件下的番茄源库比，调整番茄生长模型中果实的碳供应水平，获取到更贴合种植和生产实际的番茄源库比，进而量化不同种植条件对韧皮部糖浓度影响，可以有效反映不同种植条件对番茄果实碳供应水平的影响，进而提高番茄果实生长的预测精度，在指导番茄种植以及果实生长预测等方面，具有无损观测、连续高效以及前瞻诊断等优点。
[0104]
在本实施例中，可以在番茄果实坐果到转色成熟期间，利用手持多光谱探头在番茄植株上方拍摄获取数据，每隔5-7天获取番茄冠层的冠层光谱图像。
[0105]
需要说明的是，番茄果实坐果到成熟转色期间指的是番茄果实积累水分以及干物质的重要时期，因此可以在该阶段每隔5-7天用手持多光谱探头在番茄植株上方进行扫描，获取番茄冠层的冠层光谱图像。
[0106]
考虑到获取到的冠层光谱图像的质量，该装置中可以选择11:00-13:00光线充足，无风或风速较小的时刻拍摄，获得各生育阶段番茄冠层生长的光谱图像。
[0107]
提取模块100具体包括：去除冠层光谱图像中的背景，得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像。
[0108]
在提取模块100中，利用envi等软件对得到的冠层光谱图像采用支持向量机装置分割、聚类等方式去除图像中的背景，获得仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像。
[0109]
下面结合图10描述本发明的番茄果实生长预测装置，提取模块100具体包括：
[0110]
第一处理单元110，用于对冠层光谱图像进行分割、聚类等方式是处理，得到仅包含叶片的叶片矢量图以及仅包含果实的果实矢量图。
[0111]
第二处理单元120，利用仅包含叶片的矢量图对冠层光谱图像进行掩膜处理，提取到仅包含叶片的叶片光谱图像，具体的，得到是仅包含叶片的光谱tiff格式图像文件。
[0112]
第三处理单元130，利用仅包含果实的矢量图对冠层光谱图像进行二值化处理，得到仅包含果实的果实形态二值图像。
[0113]
下面结合图11描述本发明的番茄果实生长预测装置，第一获取模块200具体包括：
[0114]
第一获取单元210，用于将仅包含叶片的叶片光谱图像输入至叶片光合速率神经网络模型中，得到叶片光合速率神经网络模型输出的叶片光合速率(pn)。
[0115]
第二获取单元220，用于将仅包含叶片的叶片光谱图像输入至叶面积神经网络模型中，得到叶面积神经网络模型输出的叶面积(la)。
[0116]
第三获取单元230，用于将仅包含叶片的叶片光谱图像输入至叶片含水率神经网络模型，得到叶片含水率神经网络模型输出的叶片含水率(lwc)。
[0117]
其中，叶片光合速率神经网络模型、叶面积神经网络模型、叶片含水率神经网络模
型构成了第一获取模块200中的叶片神经网络模型，神经网络模型这三个模型均是基于仅包含叶片的样本叶片光谱图像训练得到的。
[0118]
因此，第一获取模块200中分别的叶片光合速率神经网络模型、叶面积神经网络模型、叶片含水率神经网络模型，将仅包含叶片的光谱tiff格式图像文件输入这三个模型中，分别输出得到叶片光合速率(pn)、叶面积(la)、叶片含水率(lwc)。
[0119]
在本实施例中，叶片光合速率神经网络模型、叶面积神经网络模型、叶片含水率神经网络模型均是利用基于r语言的rsnns包搭建的。
[0120]
下面结合图12描述本发明的番茄果实生长预测装置，第二获取模块300具体包括：
[0121]
第四获取单元310，用于识别仅包含果实的果实形态二值图像的形态结构，得到骨架提取图。
[0122]
第五获取单元320，用于对骨架提取图基于r语言进行角点检测获得番茄果实个数(fn)。
[0123]
请参阅表1，表1为本发明与现有模拟方法在各项指标上的比较，与原本固定韧皮部糖浓度cp进而模拟果实鲜重、干重相比，利用本发明可以有效考虑到不同农艺措施条件下番茄植株生长状况对番茄果实的影响，进而提高果实重量模拟精度。
[0124][0125]
表1不同韧皮部糖浓度(cp)输入模式下番茄果实生长模型模拟鲜重、干重效果评价指标
[0126]
表1中n2wck、n2w1、n2w2、n2w3分别代表在n2施氮水平下，全生育期充分灌溉以及3个生育阶段分别进行亏缺灌溉的番茄试验处理；鲜重与干重均是在多次测量结果下取的均值；表1中cp0代表原本各处理相同cp模式下的模拟效果，cps-s代表借助本发明中的源库比，调整韧皮部糖浓度输入的模拟结果，其中mae表示平均绝对误差，rase表示均方根误差，rrmse表示相对均方根误差，并且mae、rase以及rrmse的数值越小均可以表明模拟误差越小，ef表示模拟效率，ef的值越接近1表明模拟效果越好。
[0127]
模型模拟评价指标计算公式如下：
[0128][0129][0130][0131][0132]
上述公式中，oi是试验观测值，si是模型模拟值，是观测值的平均值，是模拟值的平均值，n是观测样本个数。
[0133]
图14示例了一种电子设备的实体结构示意图，如图14所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行番茄果实生长预测方法，该方法包括以下步骤：
[0134]
s100、获取番茄冠层的冠层光谱图像，并从所述冠层光谱图像中提取得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像；
[0135]
s200、将所述仅包含叶片的叶片光谱图像输入至叶片神经网络模型中，得到所述叶片神经网络模型输出的番茄冠层的叶片参数；其中，所述叶片参数包括叶片光合速率、叶片含水率及叶面积；
[0136]
s300、对所述仅包含果实的果实形态二值图像进行角点检测分析，获得番茄果实个数；
[0137]
s400、基于所述叶片参数以及所述番茄果实个数，获得不同种植条件下的韧皮部糖浓度；
[0138]
s500、将不同种植条件下的韧皮部糖浓度输入到番茄果实生长模型中，得到所述番茄果实生长模型输出的不同种植条件下的番茄果实鲜重、干重生长动态过程；其中，番茄果实生长模型是基于不同种植条件下的样本韧皮部糖浓度训练得到的。
[0139]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种
可以存储程序代码的介质。
[0140]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的番茄果实生长预测方法，该方法包括以下步骤：
[0141]
s100、获取番茄冠层的冠层光谱图像，并从所述冠层光谱图像中提取得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像；
[0142]
s200、将所述仅包含叶片的叶片光谱图像输入至叶片神经网络模型中，得到所述叶片神经网络模型输出的番茄冠层的叶片参数；其中，所述叶片参数包括叶片光合速率、叶片含水率及叶面积；
[0143]
s300、对所述仅包含果实的果实形态二值图像进行角点检测分析，获得番茄果实个数；
[0144]
s400、基于所述所述叶片参数以及所述番茄果实个数，获得不同种植条件下的韧皮部糖浓度；
[0145]
s500、将不同种植条件下的韧皮部糖浓度输入到番茄果实生长模型中，得到所述番茄果实生长模型输出的不同种植条件下的番茄果实鲜重、干重生长动态过程；其中，番茄果实生长模型是基于不同种植条件下的样本韧皮部糖浓度训练得到的。
[0146]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的番茄果实生长预测方法，该方法包括以下步骤：
[0147]
s100、获取番茄冠层的冠层光谱图像，并从所述冠层光谱图像中提取得到仅包含叶片的叶片光谱图像及仅包含果实的果实形态二值图像；
[0148]
s200、将所述仅包含叶片的叶片光谱图像输入至叶片神经网络模型中，得到所述叶片神经网络模型输出的番茄冠层的叶片参数；其中，所述叶片参数包括叶片光合速率、叶片含水率及叶面积；
[0149]
s300、对所述仅包含果实的果实形态二值图像进行角点检测分析，获得番茄果实个数；
[0150]
s400、基于所述所述叶片参数以及所述番茄果实个数，获得不同种植条件下的韧皮部糖浓度；
[0151]
s500、将不同种植条件下的韧皮部糖浓度输入到番茄果实生长模型中，得到所述番茄果实生长模型输出的不同种植条件下的番茄果实鲜重、干重生长动态过程；其中，番茄果实生长模型是基于不同种植条件下的样本韧皮部糖浓度训练得到的。
[0152]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0153]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该
计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0154]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。