一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法与流程

一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法
【技术领域】
1.本发明涉及信息技术领域，尤其涉及一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法。


背景技术：

2.大型花卉植株与植物园中，都培育着很多有价值，且珍贵的植株。这些植株具有自身的生长规律，但观赏价值也是一个需要去保护和判断的特征。三维激光扫描可瞬时高效地采集点云信息，在获取植株结构表型特征上具有独特的优势。使用激光扫描仪采集了植株的点云信息，数字化为三维模型以准确计算结构表型参数。在植株生长期，通过对植株进行三维激光建模，自动识别植株形态，监测其健康程度，预测其生长趋势。根据其生长趋势，对其进行初步生长干预，使其完成更好的造型方案设计要求。同时，对植株的观赏性做判断，最后根据判断结果进行再干预，采取一定的再干预措施，就能让植物园的大规模植株培育中，获得最有价值和经济效益最高的植株。


技术实现要素：

3.本发明提供了一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法，主要包括：
4.基于激光点云计算植株结构表型参数；根据植株结构表型参数，识别植株的种类；根据植株的识别结果，分析植株的状态；基于植株的状态，监测植株的健康程度；基于植株的健康程度，预测植株的生长趋势；基于植株的生长趋势，设计植株初步生长干预策略；根据植株的健康程度和植株初步生长干预策略，判断植株观赏性；基于植株观赏性，确定植株再生长干预策略；
5.进一步可选地，所述基于激光点云计算植株结构表型参数包括：
6.所述植株结构表型参数是指植株的叶倾角分布；通过三维激光扫描与高精度相机采集各个植株的高精度点云信息；然后对植株的点云信息进行预处理，再利用空间不规则三角网，得到植株茎秆枝叶的三维模型；最后通过所述三维模型中的每个三角面片进行格式解析，得到三角面片的法向量数据和顶点坐标数据；根据所述三角面片的法向量数据和所述顶点坐标数据，计算植株的叶倾角分布，则得到植株结构表型参数；包括：采集植株的高精度点云信息；建立植株茎秆枝叶的三维模型；计算植株的叶倾角分布；
7.所述采集植株的高精度点云信息，具体包括：
8.从植株的生长发育期开始，采集植株的高精度点云信息；所述采集植株的高精度点云信息，包括：通过三维激光扫描仪定时扫描植株的表面，接收植株的每一个点的反射信号；接着通过转换器，转换成能直接识别的数据信息，通过软件处理获取预设范围每一个点的三维坐标；然后通过高精度相机获取植株的彩色图像，并赋予每一个点在所述彩色图像中对应所述三维坐标的像素的rgb颜色信息；植株的所有被记录的点组成植株的点云，所有被记录的点带有的rgb颜色信息即为所述植株的高精度点云信息。
9.所述建立植株茎秆枝叶的三维模型，具体包括：
10.基于植株的点云信息建立植株茎秆枝叶的三维模型。首先通过预处理优化原始的点云信息；所述预处理包括点云拼接，点云去噪；所述点云拼接是对超过预设所述三维坐标的范围的点按照预设点对准后，进行点云信息的拼接；所述点云去噪是指通过平滑低通滤波对杂点信息进行滤除；所述杂点是指在每一个点的领域中，点云信息方差超过邻域点云信息平均方差第一预设阈值的点；然后通过随机点采样，在点云中得到预设数量的用于建模的点；最后利用空间不规则三角网构建以所述用于建模的点为顶点的tin三角形，得到植株茎秆枝叶的三维模型。
11.所述计算植株的叶倾角分布，具体包括：
12.通过对所述空间不规则三角网中每个三角面片进行格式解析，得到三角面片的法向量数据和顶点坐标数据；根据所述三角面片的法向量数据和所述顶点坐标数据，计算植株三维模型的叶倾角分布；所述叶倾角是指三角面片法线与垂直方向的夹角，值越大叶片越直立；所述叶倾角分布，是指叶倾角的概率密度，计算方法包括：通过计算每个三角面片的法线与垂直方向的夹角，并以三角面片面积的倒数作为权重，取所有三角面片的法线与垂直方向的夹角进行加权，在相应叶倾角分布区间内，累计计算所有三角面片的倾角的概率密度即为所述叶倾角分布。
13.进一步可选地，所述根据植株结构表型参数，识别植株的种类包括：
14.根据植株结构表型参数，通过k-means聚类模型，识别植株的种类；通过k-means聚类模型，识别植株的种类，具体包括：建立植株结构表型参数模板库；通过随机采样，获取不同种类植株的植株结构表型参数，作为不同种类植株的典型模板参数录入植株结构表型参数模板库；然后采集待测植株的点云信息，建立所述待测植株茎秆枝叶的三维模型，计算待测植株结构表型参数；将待测植株结构表型参数与植株结构表型参数模板库进行匹配，通过计算待测植株植株结构表型参数与植株结构表型参数模板库典型模板参数之间的相似度，将相似度超过第二预设阈值的植株结构表型参数进行聚类；最后将识别待测植株的种类作为模型的输出结果。
15.进一步可选地，所述根据植株的识别结果，分析植株的状态包括：
16.根据植株的种类识别结果，对植株的状态进行分析；所述植株的状态包括株高，叶子形态、茎秆形状和花瓣特征；其中，所述叶子形态包括叶长、叶宽和叶子形状；所述花瓣特征包括花径、花期和花寿；利用关联规则算法apriori挖掘植株的状态对应植株的种类间的关联关系；所述关联规则算法过程如下：通过迭代输入，检索出植株数据库中的形态因子中的所有频繁项集，即支持度不低于预设第三阈值的项集；所述支持度，是各个因子项集在数据库中出现的次数占各自的总项集次数的百分比；然后利用频繁项集构造出满足置信度的规则；所述置信度，是各个因子的总项集占数据库所有项集的百分比；通过对比支持度与置信度，判断与植株的种类关联性的强弱，并根据关联规则算法绘制植株的种类关联网络图；所述植株的种类关联网络图表明所述植株的状态。
17.进一步可选地，所述基于植株的状态，监测植株的健康程度包括：
18.基于植株的状态，通过植株健康状况识别模型，监测植株的健康程度；在植株的生长期内，构造植株的健康程度评价函数，即nh＝w*w1+n*w2+i*w3；其中，nh表示植株在生长期内的不健康指数，nh值越大，表示植株在生长期内健康程度越差；w、n和i表示不健康状
况，包括；w表示植株在生长期内缺失水分的状况，若通过植株健康状况识别模型判断出植株存在缺失水分的不健康状况，则w＝1，否则w＝0；n表示植株在生长期内缺失营养的状况，若通过植株健康状况识别模型判断出植株存在缺失营养的不健康状况，则n＝1，否则n＝0；i表示植株在生长期内遭受病虫害的状况，若通过植株健康状况识别模型判断出植株存在遭受病虫害的不健康状况，则i＝1，否则i＝0；w1、w2和w3分别表示对应不健康状况持续的时间占植株生长期总时间的百分比；根据植株的健康程度评价函数，计算植株在生长期内的不健康指数，对所述植株的健康程度进行监测；包括：建立植株健康状况识别模型；
19.所述建立植株健康状况识别模型，具体包括：
20.随机采集超过第四预设阈值数量的植株，利用深度学习建立植株健康状况识别模型；利用深度学习建立植株健康状况识别模型，包括：将植株的形态作为训练集和测试集；对训练集进行特征提取；所述特征提取是指提取植株的特征数据；所述特征数据包括株高，叶子形态，茎秆形状，花朵形态；然后，将所述特征数据进行预处理；所述预处理是指根据采集的植株的点云信息，对植株的健康状况进行标注；所述健康状况包括：正常状态、缺失水分、缺失营养和遭受病虫害；然后将所述健康状况作为标签来训练所述植株健康状况识别模型，判断植株健康状况与所述植株的形态的关系，并且将判断结果按照预设格式记录；最后利用测试集的数据来不断调整模型的参数，提高植株健康状况识别模型的准确性。
21.进一步可选地，所述基于植株的健康程度，预测植株的生长趋势包括：
22.通过记录植株的健康程度，预测植株的生长趋势；所述植株的生长趋势包括叶子的数量、枝条的延伸方向、花朵的数量；通过爬取植株大数据获得历史所有的植株的生长趋势，利用植株的生长趋势预测模型，对植株的生长趋势进行预测；所述植株的生长趋势预测模型内容如下：将所述历史所有的植株的生长趋势作为样本数据，通过k-means聚类算法分析，根据历史所有的植株的生长趋势类型选择多个质心；然后计算各个样本到质心的欧氏距离，将各个样本分别归类到离其最近的质心；然后将每个类别的样本数据取平均值，求出每个类别的新质心；最后迭代进行样本归类和求新质心，直到聚类收敛，新旧质心不再变化为止；将植株的健康程度与对应的健康状况作为参数输入植株的生长趋势预测模型，将植株的健康程度归类到与其最相似的类型，通过该类型植株的健康程度的基本植株的生长趋势确定当前植株的生长趋势。
23.进一步可选地，所述基于植株的生长趋势，设计植株初步生长干预策略包括：
24.基于植株的生长趋势，设计植株初步生长干预策略；所述设计植株初步生长干预策略，包括：建立植株经典造型库，收录植株的经典造型；然后对所述植株的经典造型进行逆向工程，推导出植株经典造型培育的关键方法；将植株的三维模型和所述植株的生长趋势与植株经典造型库进行相似度计算，确定植株的造型方案；然后结合植株的生长趋势预测结果，根据所述造型方案，生成植株初步生长干预策略；包括：建立植株经典造型库；对植株经典造型进行逆向工程；确定植株的造型方案；生成植株初步生长干预策略；
25.所述建立植株经典造型库，具体包括：
26.所述植株经典造型库，是指收录植株的经典造型的集合；建立植株经典造型库，包括：从互联网爬取植株经典造型的名称与植株经典造型的植株组成；根据所述植株经典造型的名称，为各类植株经典造型创建条目；所述植株经典造型的植株组成，包括：植株的种类，形态，数量；将所述植株经典造型的植株组成录入到对应条目的内容下；将所述条目按
预设顺序整理，完成植株经典造型库的建立。
27.所述对植株经典造型进行逆向工程，具体包括：
28.对植株经典造型进行逆向工程，分析植株经典造型培育的关键方法；所述逆向工程，包括：获取所述植株经典造型的培育流程；然后将植株经典造型的培育流程与同一种类的不做造型的植株的培育流程进行比对，获得所述植株经典造型的培育流程与所述同一种类的不做造型的植株的培育流程有差异的方法；然后将所述有差异的方法作为植株经典造型培育的关键方法，记录在植株经典造型库对应的条目下。
29.所述确定植株的造型方案，具体包括：
30.确定植株的造型方案，包括：将植株的三维模型与植株经典造型库中同种类植株的植株经典造型的三维模型进行相似度计算，将相似度超过第五预设阈值的至少一个植株经典造型作为植株的造型模板；至少一个所述造型模板为一个时，将所述造型模板确定为所述植株的造型方案；或者，至少一个所述造型模板为多个时，则筛选出植株的生长趋势与植株经典造型的植株的形态相似度最高的造型模板确定为所述植株的造型方案。
31.所述生成植株初步生长干预策略，具体包括：
32.根据植株的造型方案，生成植株初步生长干预策略；所述初步植株生长干预策略，包括数据处理模块，神经网络模型构建模块与植株初步生长干预策略生成模块；根据植株的生长趋势，对和植株的造型方案的植株的形态差异超过预设程度的植株进行初步生长干预，包括：根据植株的生长趋势的预测结果判断是否需要进行初步生长干预；若所述植株的生长趋势的预测结果偏离植株的造型方案的植株的形态的数值超过预设百分比，则确定需要进行初步生长干预，对植株的生长趋势的预测结果偏离植株的造型方案的植株的形态超过预设百分比的对应方面进行初步干预；所述初步干预，包括：水分干预、肥料干预、温度干预、光照干预和病虫害治理干预；通过所述数据处理模块获取植株的生长趋势预测结果数据，以及利用深度学习rnn算法分析所述植株的生长趋势的预测结果与所述植株的生长趋势的预测结果偏离植株的造型方案的植株的形态的数值，确定所述对应方面，构建形态对应方面向量；通过所述神经网络模型构建模块利用所述形态对应方面向量构建并训练卷积神经网络模型；通过所述植株初步生长干预策略生成模块利用训练好的卷积神经模型对特定方面进行初步干预，实现对植株初步生长干预。
33.进一步可选地，所述根据植株的健康程度和植株初步生长干预策略，判断植株观赏性包括：
34.根据所述植株的健康程度及所述植株初步生长干预策略，对植株观赏性进行判断；对植株观赏性进行判断，包括：建立植株观赏性评价体系，即pa＝(hd+sp)/2；其中，pa表示植株观赏性评价指标；hd表示植株的健康程度评价指标，若植株的健康程度评价函数中的不健康指数低于预设门限值，则hd＝1，否则hd＝0；sp表示植株的造型评价指标，若植株的造型方案在历史园林造型出现的概率大于第六预设阈值，则sp＝1，否则，sp＝0；根据bp神经网络分析植株观赏性；根据植株的健康程度评价函数以及植株的造型方案确定训练样本与测试样本，所述训练样本用于神经网络训练，所述测试样本用于检测实际值与预测值的相对误差。
35.进一步可选地，所述基于植株观赏性，确定植株再生长干预策略，包括：
36.基于植株观赏性，确定植株再生长干预策略；所述再生长干预策略包括：增加或减
少初步干预，更改造型方案，更换植株的种类；确定植株再生长干预策略，包括：以植株初步生长干预策略为样本，基于影响因子构建单分类svm模型；所述影响因子包括植株观赏性评价体系中的植株的健康程度评价指标及植株的造型评价指标；然后利用激活函数，将单分类svm模型的中间输出的样本到超球面球心的距离的取值区间映射至[0,1]，映射结果即为进行植株再生长干预的概率；若映射结果大于第七预设阈值，则进行植株再生长干预；否则，维持植株初步生长干预；最后根据进行植株再生长干预的概率变化，确定植株的再生长干预策略。
[0037]
本发明实施例提供的技术方案可以包括以下有益效果：
[0038]
对植株做适当的人工干预，有利于促进植株健康生长，保持良好的形态。通过植株造型的设计，形成独特的风景线，从而增强植株的观赏价值。同时加强园林景观的建设，还可以使园林达到人们的审美需求，让人们的生活更加舒适，有助于改善人们的视野环境，促使他们在健康、舒适而且静谧的环境中陶冶情操，给社会带来更好的经济效益和生态效益。
【附图说明】
[0039]
图1为本发明的一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法的流程图。
[0040]
图2为本发明的基于植株的生长趋势，设计植株初步生长干预策略的又一流程图。
【具体实施方式】
[0041]
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
[0042]
图1为本发明的一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法流程图。如图1所示，本实施例一种基于激光点云顾及茎秆形体和叶倾角的植株识别方法具体可以包括：
[0043]
步骤101，基于激光点云计算植株结构表型参数。
[0044]
所述植株结构表型参数是指植株的叶倾角分布；通过三维激光扫描与高精度相机采集各个植株的高精度点云信息；然后对植株的点云信息进行预处理，再利用空间不规则三角网，得到植株茎秆枝叶的三维模型；最后通过所述三维模型中的每个三角面片进行格式解析，得到三角面片的法向量数据和顶点坐标数据；根据所述三角面片的法向量数据和所述顶点坐标数据，计算植株的叶倾角分布，则得到植株结构表型参数。
[0045]
采集植株的高精度点云信息。
[0046]
从植株的生长发育期开始，采集植株的高精度点云信息；所述采集植株的高精度点云信息，包括：通过三维激光扫描仪定时扫描植株的表面，接收植株的每一个点的反射信号；接着通过转换器，转换成能直接识别的数据信息，通过软件处理获取预设范围每一个点的三维坐标；然后通过高精度相机获取植株的彩色图像，并赋予每一个点在所述彩色图像中对应所述三维坐标的像素的rgb颜色信息；植株的所有被记录的点组成植株的点云，所有被记录的点带有的rgb颜色信息即为所述植株的高精度点云信息。
[0047]
建立植株茎秆枝叶的三维模型。
[0048]
基于植株的点云信息建立植株茎秆枝叶的三维模型。首先通过预处理优化原始的
点云信息；所述预处理包括点云拼接，点云去噪；所述点云拼接是对超过预设所述三维坐标的范围的点按照预设点对准后，进行点云信息的拼接；所述点云去噪是指通过平滑低通滤波对杂点信息进行滤除；所述杂点是指在每一个点的领域中，点云信息方差超过邻域点云信息平均方差第一预设阈值的点；然后通过随机点采样，在点云中得到预设数量的用于建模的点；最后利用空间不规则三角网构建以所述用于建模的点为顶点的tin三角形，得到植株茎秆枝叶的三维模型。例如，在花卉培育基地培育花卉的过程中，选取了不同形态特征的四种植物，分别为白掌(均匀型)、龙须兰(喜斜型)、绿萝(球面型)、鸟巢蕨(喜斜型)；在湖北武汉华中农业大学试验田用mantis－visionf5手持式三维激光扫描仪和asdfieldspec4便携式地物光谱仪分别测量了四盆实验对象的激光点云，获取对应的高精度点云信息；在geomagicstudio软件中进行预处理，优化原始的扫描数据；利用空间不规则三角网逼近三维实体表面的数据模型；建立的三维模型采用stl文件格式存储，一个完整的stl文件记载了组成实体模型的所有三角面片的法向量数据和顶点坐标数据信息；通过对每个三角面片的格式解析，解算出每个三维模型的叶倾角分布。
[0049]
计算植株的叶倾角分布。
[0050]
通过对所述空间不规则三角网中每个三角面片进行格式解析，得到三角面片的法向量数据和顶点坐标数据；根据所述三角面片的法向量数据和所述顶点坐标数据，计算植株三维模型的叶倾角分布；所述叶倾角是指三角面片法线与垂直方向的夹角，值越大叶片越直立；所述叶倾角分布，是指叶倾角的概率密度，计算方法包括：通过计算每个三角面片的法线与垂直方向的夹角，并以三角面片面积的倒数作为权重，取所有三角面片的法线与垂直方向的夹角进行加权，在相应叶倾角分布区间内，累计计算所有三角面片的倾角的概率密度即为所述叶倾角分布。例如，通过三维激光扫描仪每隔一天扫描龙须兰的整个植株的表面，接收到反射回来的龙须兰轮廓波形图；通过转换器解码，将波形转换成龙须兰轮廓数据；接着，经数据处理系统将龙须兰轮廓数据进行整理，输出轮廓的每一个点的三维坐标(x,y,z)，坐标范围包括(0,0,0)到(1024,1024,1024)的区域；然后通过高精度相机对龙须兰进行拍摄记录，绘制龙须兰的彩色图像，并赋予轮廓的每一个点对应在三维坐标像素位置的rgb颜色信息(r,g,b)，其中，rgb颜色信息的取值为(0,0,0)到(255,255,255)，数值越大，对应的颜色特点越强；获取所有点的rgb颜色信息，最后得到龙须兰的高精度点云信息。
[0051]
步骤102，根据植株结构表型参数，识别植株的种类。
[0052]
根据植株结构表型参数，通过k-means聚类模型，识别植株的种类；通过k-means聚类模型，识别植株的种类，具体包括：建立植株结构表型参数模板库；通过随机采样，获取不同种类植株的植株结构表型参数，作为不同种类植株的典型模板参数录入植株结构表型参数模板库；然后采集待测植株的点云信息，建立所述待测植株茎秆枝叶的三维模型，计算待测植株结构表型参数；将待测植株结构表型参数与植株结构表型参数模板库进行匹配，通过计算待测植株植株结构表型参数与植株结构表型参数模板库典型模板参数之间的相似度，将相似度超过第二预设阈值的植株结构表型参数进行聚类；最后将识别待测植株的种类作为模型的输出结果。例如，龙须兰的轮廓三维坐标(x,y,z)的范围为(0,0,0)到(1024,1024,1024)；三维激光扫描仪分别扫描龙须兰的后方和后右方45
°
的位置，并通过高精度相机采集得到龙须兰的高精度点云信息后，两个点云信息区域中，一部分龙须兰后方的点云信息存在重叠；在三维坐标中按照两个区域的坐标系中点(512,512,512)对准后，将两个区
域的对应点的点云信息分别连接起来，拼接得到非重叠部分的点云信息的合并集；通过点云信息处理系统监测到(255,243,265)的邻域中，点云信息(r,g,b)平均方差为(2,3,3)，而(255,243,266)的点云信息方差为(3,4,4)，则该点为杂点；然后随机点采样采集100个用于建模的点并构建tin三角形，得到龙须兰茎秆枝叶的三维模型。
[0053]
步骤103，根据植株的识别结果，分析植株的状态。
[0054]
根据植株的种类识别结果，对植株的状态进行分析；所述植株的状态包括株高，叶子形态，茎秆形状，花瓣特征；其中，所述叶子形态包括叶长，叶宽，叶子形状；所述花瓣特征包括花径，花期，花寿；利用关联规则算法apriori挖掘植株的状态对应植株的种类间的关联关系；所述关联规则算法过程如下：通过迭代输入，检索出植株数据库中的形态因子中的所有频繁项集，即支持度不低于预设第三阈值的项集；所述支持度，是各个因子项集在数据库中出现的次数占各自的总项集次数的百分比；然后利用频繁项集构造出满足置信度的规则；所述置信度，是各个因子的总项集占数据库所有项集的百分比。通过对比支持度与置信度，判断与植株的种类关联性的强弱，并根据关联规则算法绘制植株的种类关联网络图；所述植株的种类关联网络图表明所述植株的状态。例如，龙须兰空间不规则三角网的三角面片的解析格式为{叶面法线与垂直方向的夹角大小，顶点1的三维坐标，顶点2的三维坐标，顶点3的三维坐标}；一个三角面片的格式解析后结果为{35
°
，(20,20,20),(22.20,20),(21,22,20)}，其面积为2；其面积的倒数与其夹角的乘积为35/2，累加到叶倾角分布的[30
°
,40
°
]区间内；计算下一个三角面片，直至将所有的三角面片计算完毕，得到龙须兰的叶倾角分布。
[0055]
步骤104，基于植株的状态，监测植株的健康程度。
[0056]
基于植株的状态，通过植株健康状况识别模型，监测植株的健康程度；在植株的生长期内，构造植株的健康程度评价函数，即nh＝w*w1+n*w2+i*w3；其中，nh表示植株在生长期内的不健康指数，nh值越大，表示植株在生长期内健康程度越差；w、n和i表示不健康状况，包括；w表示植株在生长期内缺失水分的状况，若通过植株健康状况识别模型判断出植株存在缺失水分的不健康状况，则w＝1，否则w＝0；n表示植株在生长期内缺失营养的状况，若通过植株健康状况识别模型判断出植株存在缺失营养的不健康状况，则n＝1，否则n＝0；i表示植株在生长期内遭受病虫害的状况，若通过植株健康状况识别模型判断出植株存在遭受病虫害的不健康状况，则i＝1，否则i＝0；w1、w2和w3分别表示对应不健康状况持续的时间占植株生长期总时间的百分比。根据植株的健康程度评价函数，计算植株在生长期内的不健康指数，对所述植株的健康程度进行监测。例如，通过采集植物园某一待测植株的点云信息，经过建立茎秆枝叶的三维模型，计算出结构表型参数的[30
°
,40
°
]，[40
°
,50
°
],[50
°
,60
°
]区间的概率密度分别为0.08，0.07，0.09；输入到k-means聚类模型，设定与植株结构表型参数模板库典型模板参数之间的相似度超过80％的植株种类作为输出；在植株结构表型参数模板库中，龙须兰的叶倾角分布在[30
°
,40
°
]，[40
°
,50
°
],[50
°
,60
°
]区间的概率密度分别为0.07，0.07，0.09；相似度超过80％，则结果分析得到该植株的种类为龙须兰。
[0057]
建立植株健康状况识别模型。
[0058]
随机采集超过第四预设阈值数量的植株，利用深度学习建立植株健康状况识别模型；利用深度学习建立植株健康状况识别模型，包括：将植株的形态作为训练集和测试集；对训练集进行特征提取；所述特征提取是指提取植株的特征数据；所述特征数据包括株高，
叶子形态、茎秆形状和花朵形态；然后，将所述特征数据进行预处理；所述预处理是指根据采集的植株的点云信息，对植株的健康状况进行标注；所述健康状况包括：正常状态、缺失水分、缺失营养和遭受病虫害；然后将所述健康状况作为标签来训练所述植株健康状况识别模型，判断植株健康状况与所述植株的形态的关系，并且将判断结果按照预设格式记录；最后利用测试集的数据来不断调整模型的参数，提高植株健康状况识别模型的准确性。例如，识别出园林培育基地的一个植株为水仙花，通过apriori算法挖掘所有植株的状态对应植株的种类间的关联关系；其中第一条关联规则为“水仙花＝》株高20-30cm，支持度＝0.789，置信度＝0.933”；第二条关联规则为“水仙花＝》叶长30-50cm，叶宽1-5cm，叶部较宽且平扁，支持度＝0.746，置信度＝0.921”；第三条关联规则为“水仙花＝》茎秆近圆球形特征，鳞茎，支持度＝0.824，置信度＝0.896”；第四条关联规则为“水仙花＝》花径5-5.5cm，花期春季，花寿15-20天，支持度＝0.846，置信度＝0.916”；表明一株水仙花的形态很可能是株高20-30cm，叶长30-50cm，叶宽1-5cm，叶部较宽且平扁，茎秆近圆球形特征，鳞茎，花径5-5.5cm，花期春季，花寿15-20天；即“水仙花”种类的植株与“20-30cm”株高，“叶长30-50cm，叶宽1-5cm，叶部较宽且平扁”叶子形态，“茎秆近圆球形特征，鳞茎”的茎秆形状，“花径5-5.5cm，花期春季，花寿15-20天”花瓣特征的植株的状态存在关联。汇总多条关联规则并绘制成一个植株的种类关联网络图，表明植株的种类关联网络图上对应的关联结果即为该植株的状态。
[0059]
步骤105，基于植株的健康程度，预测植株的生长趋势。
[0060]
通过记录植株的健康程度，预测植株的生长趋势；所述植株的生长趋势包括叶子的数量、枝条的延伸方向、花朵的数量；通过爬取植株大数据获得历史所有的植株的生长趋势，利用植株的生长趋势预测模型，对植株的生长趋势进行预测；所述植株的生长趋势预测模型内容如下：将所述历史所有的植株的生长趋势作为样本数据，通过k-means聚类算法分析，根据历史所有的植株的生长趋势类型选择多个质心；然后计算各个样本到质心的欧氏距离，将各个样本分别归类到离其最近的质心；然后将每个类别的样本数据取平均值，求出每个类别的新质心；最后迭代进行样本归类和求新质心，直到聚类收敛，新旧质心不再变化为止。将植株的健康程度与对应的健康状况作为参数输入植株的生长趋势预测模型，将植株的健康程度归类到与其最相似的类型，通过该类型植株的健康程度的基本植株的生长趋势确定当前植株的生长趋势。例如，通过植株健康状况识别模型判断出一株龙须兰存在缺失水分与遭受病虫害的健康状况；其中，缺失水分20天，遭受病虫害有30天，生长期总共40天；则根据植株的健康程度评价函数，该龙须兰的在生长期内的不健康指数为
[0061]
nh＝1
×
0.5+0+1
×
0.75＝1.25。
[0062]
步骤106，基于植株的生长趋势，设计植株初步生长干预策略。
[0063]
基于植株的生长趋势，设计植株初步生长干预策略；所述设计植株初步生长干预策略，包括：建立植株经典造型库，收录植株的经典造型；然后对所述植株的经典造型进行逆向工程，推导出植株经典造型培育的关键方法；将植株的三维模型和所述植株的生长趋势与植株经典造型库进行相似度计算，确定植株的造型方案；然后结合植株的生长趋势预测结果，根据所述造型方案，生成植株初步生长干预策略。例如，随机采集超过100株水仙花建立植株健康状况识别模型；通过模型的分析，株高“低于20cm”的健康状况判断为缺失营养；叶子形态中“叶长少于30cm，叶宽少于1cm”的健康状况判断为遭受病虫害；花朵形态中“花径少于5cm”判断为缺失水分；根据采集到的点云信息，分析到水仙花a,b,c,d的株高分别为19cm，21cm，21cm，25cm，叶长
×
叶宽分别为31
×
1.1,28
×
0.8,36
×
3,43
×
2.6，花径分别为5.1,5.2,4.6,5.5；通过植株健康状况识别模型的训练结果，按{植株编号，健康状况}的格式记录；最终结果为{水仙花a，缺失营养}，{水仙花b，遭受病虫害}，{水仙花c，缺失水分}，{水仙花d，正常状态}。
[0064]
建立植株经典造型库。
[0065]
所述植株经典造型库，是指收录植株的经典造型的集合；建立植株经典造型库，包括：从互联网爬取植株经典造型的名称与植株经典造型的植株组成；根据所述植株经典造型的名称，为各类植株经典造型创建条目；所述植株经典造型的植株组成，包括：植株的种类，形态，数量；将所述植株经典造型的植株组成录入到对应条目的内容下；将所述条目按预设顺序整理，完成植株经典造型库的建立。例如，某株龙须兰的健康程度较差，“不健康指数1.25”，对应的健康状况有“缺失水分占总生长期的50％”“遭受病虫害占总生长期的75％”；将这3个参数作为输入到植株的生长趋势预测模型，通过k-means聚类算法分析归类到为“人工照料不足”；最后结合该类型的生长趋势一般为“叶子数量约为正常状态的70％，枝条约偏离正常方向30
°
方向延伸，花朵数量约为正常状态的60％”，预测出该龙须兰的生长趋势为“叶子数量约为正常状态的70％，枝条约偏离正常方向30
°
方向延伸，花朵数量约为正常状态的60％”。
[0066]
对植株经典造型进行逆向工程。
[0067]
对植株经典造型进行逆向工程，分析植株经典造型培育的关键方法；所述逆向工程，包括：获取所述植株经典造型的培育流程；然后将植株经典造型的培育流程与同一种类的不做造型的植株的培育流程进行比对，获得所述植株经典造型的培育流程与所述同一种类的不做造型的植株的培育流程有差异的方法；然后将所述有差异的方法作为植株经典造型培育的关键方法，记录在植株经典造型库对应的条目下。例如，收录到三个植株的经典造型，分别有六角亭造型，大象造型，文字“新年快乐”造型；其中，六角亭造型对应需要6颗高约4m，枝干笔直，叶密度好的小叶女贞；对六角亭造型进行逆向工程，分析出该造型的关键方法是需要在生长旺盛期使用稀释浓度较小的多效唑；将培养基地的小叶女贞的三维模型与生产趋势与经典造型所需小叶女贞的形态做相似度计算，发现与六角亭造型相似度最高，所以该批小叶女贞确定用来做六角亭造型；在保持小叶女贞正常生长，健康状况良好的前提下，在之后的生长期进行初步干预，包括水分，肥料，使小叶女贞成长为六角亭造型所需的形态。
[0068]
确定植株的造型方案。
[0069]
确定植株的造型方案，包括：将植株的三维模型与植株经典造型库中同种类植株的植株经典造型的三维模型进行相似度计算，将相似度超过第五预设阈值的至少一个植株经典造型作为植株的造型模板；至少一个所述造型模板为一个时，将所述造型模板确定为所述植株的造型方案；或者，至少一个所述造型模板为多个时，则筛选出植株的生长趋势与植株经典造型的植株的形态相似度最高的造型模板确定为所述植株的造型方案。例如，从互联网资料搜集到园林六角亭造型，大象造型，文字“新年快乐”造型；首先，分别创建“建筑形体”，“动物形体”和“文字形体”的大类条目；然后再分别把三个造型放进对应的大类条目里，并命名为“六角亭”，“大象”，和“新年快乐”小类条目；其中，还深入搜索到其中的六角亭
造型所需6颗高约4m，枝干笔直，叶密度好的小叶女贞；将这些组成录入到“六角亭”小类条目里；完成其余所有造型的搜索录入，即建立好植株经典造型库。
[0070]
生成植株初步生长干预策略。
[0071]
根据植株的造型方案，生成植株初步生长干预策略；所述初步植株生长干预策略，包括数据处理模块，神经网络模型构建模块与植株初步生长干预策略生成模块；根据植株的生长趋势，对和植株的造型方案的植株的形态差异超过预设程度的植株进行初步生长干预，包括：根据植株的生长趋势的预测结果判断是否需要进行初步生长干预；若所述植株的生长趋势的预测结果偏离植株的造型方案的植株的形态的数值超过预设百分比，则确定需要进行初步生长干预，对植株的生长趋势的预测结果偏离植株的造型方案的植株的形态超过预设百分比的对应方面进行初步干预；所述初步干预，包括：水分干预、肥料干预、温度干预、光照干预和病虫害治理干预；通过所述数据处理模块获取植株的生长趋势预测结果数据，以及利用深度学习rnn算法分析所述植株的生长趋势的预测结果与所述植株的生长趋势的预测结果偏离植株的造型方案的植株的形态的数值，确定所述对应方面，构建形态对应方面向量；通过所述神经网络模型构建模块利用所述形态对应方面向量构建并训练卷积神经网络模型；通过所述植株初步生长干预策略生成模块利用训练好的卷积神经模型对特定方面进行初步干预，实现对植株初步生长干预。例如，从互联网爬取到用来做六角亭造型的小叶女贞的培育时在生长旺盛期使用氮肥，还需要使用稀释浓度较小的多效唑，开花结果期使用磷钾肥；而不做造型的小叶女贞培育时在生长旺盛期使用氮肥，在开花结果期使用磷钾肥就足够；两者作对比，分析出有差异的方法是在生长旺盛期使用稀释浓度较小的多效唑；最后将该关键方法记录到“六角亭”小类条目下。
[0072]
步骤107，根据植株的健康程度和植株初步生长干预策略，判断植株观赏性。
[0073]
根据所述植株的健康程度及所述植株初步生长干预策略，对植株观赏性进行判断；对植株观赏性进行判断，包括：建立植株观赏性评价体系，即pa＝(hd+sp)/2；其中，pa表示植株观赏性评价指标；hd表示植株的健康程度评价指标，若植株的健康程度评价函数中的不健康指数低于预设门限值，则hd＝1，否则hd＝0；sp表示植株的造型评价指标，若植株的造型方案在历史园林造型出现的概率大于第六预设阈值，则sp＝1，否则，sp＝0；根据bp神经网络分析植株观赏性；根据植株的健康程度评价函数以及植株的造型方案确定训练样本与测试样本，所述训练样本用于神经网络训练，所述测试样本用于检测实际值与预测值的相对误差。例如，设计小叶女贞的造型方案时，植株经典造型库中“六角亭”，“大象”和“新年快乐”小类条目的植株的种类包含有小叶女贞；将当前的小叶女贞的三维模型与三个小类条目中的小叶女贞三维模型的相似度分别进行计算；计算得到相似度分别为80％，80％，70％；进一步根据当前小叶女贞的生长趋势进行筛选；其中，当前小叶女贞的生长趋势是“叶子数量约为正常状态的70％”，“六角亭”造型的小叶女贞的形态是“叶子数量约为正常状态的68％”，“大象”造型的小叶女贞的形态是“叶子数量约为正常状态的90％”；则确定“六角亭”造型为当前小叶女贞的造型方案。
[0074]
步骤108，基于植株观赏性，确定植株再生长干预策略。
[0075]
基于植株观赏性，确定植株再生长干预策略；所述再生长干预策略包括：增加或减少初步干预，更改造型方案，更换植株的种类；确定植株再生长干预策略，包括：以植株初步生长干预策略为样本，基于影响因子构建单分类svm模型；所述影响因子包括植株观赏性评
价体系中的植株的健康程度评价指标及植株的造型评价指标；然后利用激活函数，将单分类svm模型的中间输出的样本到超球面球心的距离的取值区间映射至[0,1]，映射结果即为进行植株再生长干预的概率；若映射结果大于第七预设阈值，则进行植株再生长干预；否则，维持植株初步生长干预；最后根据进行植株再生长干预的概率变化，确定植株的再生长干预策略。例如，小叶女贞的生长趋势预测结果为“叶子数量约为正常状态的60％，枝条约偏离正常方向32
°
方向延伸，花朵数量约为正常状态的80％”；“六角亭”造型方案的形态为“叶子数量约为正常状态的70％，枝条约偏离正常方向30
°
方向延伸，花朵数量约为正常状态的70％”；设定两者差异偏离造型方案数值的10％就要进行初步干预，则对“叶子数量”和“花朵数量”两个方面进行干预；利用rnn算法分析小叶女贞形态对应方面，构建形态对应方面向量sc＝{c1,c2,c3,
…
,cn}，其结果为sc＝{叶子数量缺乏，花朵数量缺乏}；接着利用小叶女贞的生长趋势与形态对应方面向量构建卷积神经网络并进行神经网络训练，最后利用训练好的模型进行初步干预，针对叶子数量缺乏进行水分干预，针对花朵数量缺乏进行肥料干预。