本发明属于农作物种植,具体而言,涉及一种农作物营养需求确定方法、介质及系统。
背景技术:
1、农作物的健康生长对于保障粮食供给和促进农业可持续发展至关重要。当前,评估农作物营养需求的主要方法是在种植过程中对土壤和植株进行采样,利用化学分析技术测定样品中的营养元素含量,然后根据测试结果制定合理的施肥策略。这种传统的化学分析方法虽然可靠性较高,但存在一些明显的局限性。
2、首先,化学分析方法需要频繁采集土壤、植株样品,过程繁琐耗时,难以实时监控。此外,这种方法只能提供整体的营养元素含量信息,无法精准评估单一营养元素的缺乏情况。特别是对于叶面肥、水培营养液等新型施肥方式,土壤分析的结果不能真实反映植株的营养吸收状况。再者,化学分析费用昂贵,对农户而言负担较重。因此,现有的化学分析方法难以满足对大规模农田的精准施肥需求。
3、也就是说,在对农作物营养需求进行分析时,现有的化学分析方法存在的过程繁琐难以满足对大规模农田的精准施肥实时需求的技术问题。
技术实现思路
1、有鉴于此,本发明提供一种农作物营养需求确定方法、介质及系统,能够解决在对农作物营养需求进行分析时,现有的化学分析方法存在的过程繁琐难以满足对大规模农田的精准施肥实时需求的技术问题。
2、本发明是这样实现的:
3、本发明的第一方面提供一种农作物营养需求确定方法,其中,包括以下步骤:
4、s10、选择指定品种的农作物作为待测株,获取多株所述待测株的全方位图像,作为待测株图像集,所述待测株图像集包含多个待测株图像;
5、s20、获取指定品种的农作物在标准营养环境下的对照株,所述对照株与所述待测株生长时长相同,获取多株所述对照株的全方位图像,作为对照株图像集,所述对照株图像集包含多个对照株图像;
6、s30、获取指定品种的农作物,在缺乏单种营养环境下的比对株,所述比对株与所述待测株生长时长相同,获取多株所述比对株的全方位图像,作为比对株图像集,所述比对株图像集包含多个比对株图像;
7、s40、对每个待测株图像、每个对照株图像、每个比对株图像进行语义分割,得到包含多张待测株分割图像的待测株分割图像集、包含多张对照株分割图像的对照株分割图像集以及包含多张比对株分割图像的比对株分割图像集;
8、s50、对于每一张比对株分割图像,获取与所述比对株分割图像相似度最高的对照株分割图像作为第一相似图像,并建立所述比对株分割图像与所述第一相似图像的差值矩阵,记为第一差值矩阵;
9、s60、以全部比对株分割图像对应的第一差值矩阵的集合作为训练数据集,并对每一个第一差值矩阵对应的比对株缺乏的单营养进行数据标记;采用所述训练数据集训练一个神经网络模型,得到营养缺乏模型;
10、s70、对于每一张待测株分割图像,获取与所述待测株分割图像相似度最高的对照株分割图像作为第二相似图像,将所述第二相似图像输入到所述营养缺乏模型,得到营养缺乏向量,用于表示单种类营养的缺乏指数;
11、s80、汇总每一张待测株图像的多张待测株分割图像利用所述营养缺乏模型计算得到的营养缺乏向量,得到的每一张待测株图像对应的多个营养缺乏向量;并汇总所述待测株图像集对应的多个营养缺乏向量,形成所述指定品种的农作物的营养需求矩阵,并输出给工作人员。
12、所述指定品种的农作物为操作人员需要进行农作物营养需求分析的品种。
13、在上述技术方案的基础上,本发明的一种农作物营养需求确定方法还可以做如下改进:
14、其中,所述获取多株所述待测株的全方位图像的步骤,具体是:采用像素在1600万以上的数码相机,从不同角度距离对待测株进行全方位拍摄,拍摄角度覆盖360度,相对于待测株的距离在1米以内;每株待测株至少拍摄10张以上图像,形成单株图像集;将所有待测株的单株图像集合并,得到包含多个待测株图像的待测株图像集。
15、其中,所述语义分割的步骤用于对图像中的根、茎、叶、花、果实这些不同部位进行语义分割,得到相应的分割图像。
16、进一步的,所述语义分割的方法为:从已有的大量指定品种农作物图像数据集中,人工标注出不同植物器官部位,包括根、茎、叶、花、果实,作为训练语义分割模型的标注数据;采用基于卷积神经网络的分割模型,将所述标注数据输入训练模型,得到针对指定品种农作物图像的植物器官语义分割模型;在所述植物器官语义分割模型中输入所述每个待测株图像、每个对照株图像、每个比对株图像,进行语义分割。
17、进一步的,所述语义分割模型采用基于deeplabv3+架构的卷积神经网络,并使用xception模型作为主干网络。
18、其中,所述对于每一张比对株分割图像,获取与所述比对株分割图像相似度最高的对照株分割图像作为第一相似图像的步骤,具体是:对每一张比对株分割图像和对照株分割图像提取sift特征描述子,计算每一张比对株分割图像与每张对照株分割图像的特征匹配数;选择匹配数最多的那张对照株分割图像作为该比对株分割图像的第一相似图像。
19、进一步的,所述对每一张比对株分割图像和对照株分割图像提取sift特征描述子,计算每一张比对株分割图像与每张对照株分割图像的特征匹配数步骤中,进行sift特征匹配时,仅保留具有双向最佳匹配的特征点,并采用ransac算法剔除错误匹配的特征对。
20、其中,所述营养缺乏模型的网络架构采用resnet50作为主干网络,输出层为全连接层,激活函数为softmax。
21、本发明的第二方面提供一种计算机可读存储介质,其中,所述计算机可读存储介质中存储有程序指令,所述程序指令运行时,用于执行上述的一种农作物营养需求确定方法。
22、本发明的第三方面提供一种农作物营养需求确定系统,其中,包含上述的计算机可读存储介质。
23、与现有技术相比较,本发明提供的一种农作物营养需求确定方法、介质及系统的有益效果是:
24、1.自动化、高效、低成本:传统的化学分析方法需要频繁采集样品,过程繁琐耗时且成本较高。而本发明方案只需要对农作物进行拍照采集图像,无需人工干预和化学试剂,整个评估过程可以自动化、高效地完成,大幅降低了检测成本。
25、2.全面性和精细化:化学分析只能提供整体营养元素含量,而本发明方案能够对各种单一营养元素的缺乏程度进行量化评估,并以矩阵形式全面展现。同时,通过对根、茎、叶等不同器官部位分别分析,评估结果更加精细全面。
26、3.实时在线监测:本发明方案只需获取农作物的最新生长图像即可进行营养需求评估,无需采集植株样品,因此能够实现对农作物营养状况的实时在线监测,捕捉生长过程中的细微变化。
27、综上所述,本发明的技术方案解决了现有的化学分析方法存在的过程繁琐难以满足对大规模农田的精准施肥实时需求的技术问题。
1.一种农作物营养需求确定方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种农作物营养需求确定方法,其特征在于,所述获取多株所述待测株的全方位图像的步骤,具体是:采用像素在1600万以上的数码相机,从不同角度距离对待测株进行全方位拍摄,拍摄角度覆盖360度,相对于待测株的距离在1米以内;每株待测株至少拍摄10张以上图像,形成单株图像集;将所有待测株的单株图像集合并,得到包含多个待测株图像的待测株图像集。
3.根据权利要求1所述的一种农作物营养需求确定方法,其特征在于,所述语义分割的步骤用于对图像中的根、茎、叶、花、果实这些不同部位进行语义分割,得到相应的分割图像。
4.根据权利要求3所述的一种农作物营养需求确定方法,其特征在于,所述语义分割的方法为:从已有的大量指定品种农作物图像数据集中,人工标注出不同植物器官部位,包括根、茎、叶、花、果实,作为训练语义分割模型的标注数据;采用基于卷积神经网络的分割模型,将所述标注数据输入训练模型,得到针对指定品种农作物图像的植物器官语义分割模型;在所述植物器官语义分割模型中输入所述每个待测株图像、每个对照株图像、每个比对株图像,进行语义分割。
5.根据权利要求4所述的一种农作物营养需求确定方法,其特征在于,所述语义分割模型采用基于deeplabv3+架构的卷积神经网络,并使用xception模型作为主干网络。
6.根据权利要求1所述的一种农作物营养需求确定方法,其特征在于,所述对于每一张比对株分割图像,获取与所述比对株分割图像相似度最高的对照株分割图像作为第一相似图像的步骤,具体是:对每一张比对株分割图像和对照株分割图像提取sift特征描述子,计算每一张比对株分割图像与每张对照株分割图像的特征匹配数;选择匹配数最多的那张对照株分割图像作为该比对株分割图像的第一相似图像。
7.根据权利要求6所述的一种农作物营养需求确定方法,其特征在于,所述对每一张比对株分割图像和对照株分割图像提取sift特征描述子,计算每一张比对株分割图像与每张对照株分割图像的特征匹配数步骤中,进行sift特征匹配时,仅保留具有双向最佳匹配的特征点,并采用ransac算法剔除错误匹配的特征对。
8.根据权利要求1所述的一种农作物营养需求确定方法,其特征在于,所述营养缺乏模型的网络架构采用resnet50作为主干网络,输出层为全连接层,激活函数为softmax。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序指令,所述程序指令运行时,用于执行权利要求1-8任一项所述的一种农作物营养需求确定方法。
10.一种农作物营养需求确定系统,其特征在于,包含权利要求9所述的计算机可读存储介质。