一种番茄生长监控的方法及装置制造方法及图纸

本发明专利技术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，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。

A method and device of tomato growth monitoring

The invention relates to the technical field of application of the Agricultural Internet of things, in particular to a method and device for tomato growth monitoring, including establishing a tomato growth analysis model in advance, obtaining the environmental monitoring data of tomato and the video and image information of the current growth, judging that when the environmental monitoring data exceeds the preset threshold value, an early warning prompt is sent to the user terminal, and according to the video and image information It is judged that when the change of tomato plant exceeds the preset change threshold or the tomato plant is infested with pests within the preset time, an early warning prompt will be sent to the user terminal; the image information will be imported into the tomato growth analysis model, and the current growth index of tomato will be derived through analysis and calculation. Beneficial effects: not only through environmental monitoring and video image monitoring to monitor the growth of tomato plants to play an early warning role, but also through the algorithm model to analyze the growth indicators of tomato, so as to realize the real Internet of things intelligent planting.

【技术实现步骤摘要】
一种番茄生长监控的方法及装置
本专利技术涉及农业物联网应用
，尤其涉及一种番茄生长监控的方法及装置。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术采用以下技术方案：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。本专利技术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。本专利技术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是本专利技术具体实施方式提供的番茄生长监控的方法流程图。图2是本专利技术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专利技术的技术方案。图1是本专利技术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；在本专利技术实施例中，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；在本专利技术实施例中，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。在本专利技术实施例中，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；在本专利技术实施例中，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。作为本专利技术优选实施例，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=，其中，n_in为输入矩阵的个数，或者是张量的最后一维的维数。Xk代表第k个输入矩阵。Wk代表卷积核的第k个子卷积核矩阵。s(i,j)s即卷积核W对应的输出矩阵的对应位置元素的值。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；在本专利技术实施例中，环境监测数据包括气象站监测数据以及土壤监测数据，环境监本文档来自技高网...

【技术保护点】
1.一种番茄生长监控的方法，其特征在于，所述方法包括：/n预先建立番茄生长分析模型；/n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；/n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；/n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；/n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。/n

【技术特征摘要】
1.一种番茄生长监控的方法，其特征在于，所述方法包括：
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。


2.如权利要求1所述的方法，其特征在于，在所述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之后还包括：
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，并发送所述应对措施对应的控制命令给所述控制设备。


3.如权利要求1所述的方法，其特征在于，所述预先建立番茄生长分析模型具体包括：
导入番茄生长样本数据，针对生长期分析对所述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，针对果叶分析对所述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。


4.如权利要求3所述的方法，其特征在于，所述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具体为：
将所述图像信息分别导入线性回归模型与卷积神经网络模型中，所述线性回归模型对所述图像信息分析计算导出处番茄当前的生长期生长指标，所述卷积神经网络模型对所述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。


5.如权利要求1所述的方法，其特征在于，所述环境监测数据包括气象站监测数据以及土壤监测数据，所述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，所述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。


6.一种番茄生长监控的装置，其特征在于，所述装置包括：
分析模型预建单元，用于预先建立番茄生长...

【专利技术属性】
技术研发人员：尹武，张晋娜，李慧肜，
申请(专利权)人：深圳市睿海智电子科技有限公司，
类型：发明
国别省市：广东;44