一种基于强化学习的水培花卉生根诱导培育方法技术

本发明专利技术涉及一种基于强化学习的水培花卉生根诱导培育方法，包括步骤：1)通过卷积神经网络构建水培花卉根系活力检测机制；2)将水培花卉生根诱导建模为4个离散时间阶段的马尔科夫链，分别代表水培花卉的生根诱导的四个阶段：剪根、根系消毒、驯化、水生育根；3)对建模的4个离散时间阶段的马尔科夫链进行组合优化，最终得到四个阶段的组合策略。本发明专利技术的有益效果是：本发明专利技术方法生成的水培花卉生根诱导培育策略比普通的专家策略还要好，这样，普通人员在没有培育经验的情况下，通过本发明专利技术的基于强化学习的水培花卉生根诱导培育方法，也可以实现对水培花卉的生根诱导培育，而且方法具有普适性，可以推广应用到多种作物上。

A method of root induction of hydroponic flowers based on Reinforcement Learning

【技术实现步骤摘要】
一种基于强化学习的水培花卉生根诱导培育方法
本专利技术涉及水培花卉生根诱导培育方法，特别是基于强化学习的水培花卉生根诱导培育方法。
技术介绍
近年来，随着我国经济的快速发展和人民生活水平的不断提高，人们对生活多样性和绿色环保的需求日益增强，水培花卉作为观赏植物中的一个新奇类型，越来越受到人们的关注和青睐。相对于传统的土培技术，水培花卉不受土地、时间、空间的限制，具有观赏性强、便于组合、清洁卫生、养护方便和形式多样等特点，发展前景十分广阔。尽管水培花卉被认为有着巨大的发展潜力，但是在水培花卉培育技术在生根诱导期的培育还存在着不足，导致难以在实践中广泛应用。目前，如何更好的进行水培花卉生根诱导培育正成为人们关注的焦点。在水培花卉生根诱导技术方面，现有的研究工作大多探讨单一因素(例如，生根剂激素浓度、切根方式、培育环境pH值以及温度光照等)对水培花卉生根诱导的影响，而水培生根是一个植物与环境交互的复杂动态生理过程，受到多种因素影响，因此，现有水培生根诱导技术方案不能得到组合优化的生根诱导培育方法。此外，现有研究大多采用单因素实验或者正交实验确定水培花卉生根诱导，存在实验次数较多和工作量较大缺点，不适用于试验工作繁琐且费用昂贵的水培花卉生根诱导研究。
技术实现思路
本专利技术的目的在于克服上述不足，提供一种基于强化学习的水培花卉生根诱导培育方法。这种基于强化学习的水培花卉生根诱导培育方法，包括如下步骤：1)通过卷积神经网络构建水培花卉根系活力检测机制，得到当前水培花卉的根系所处的生长状态；2)将水培花卉生根诱导建模为4个离散时间阶段的马尔科夫链，分别代表水培花卉的生根诱导的四个阶段：剪根、根系消毒、驯化、水生育根；3)对建模的4个离散时间阶段的马尔科夫链进行组合优化，最终得到四个阶段的组合策略，作为水培花卉生根诱导培育的最优方案。作为优选：步骤1)中，进行水培花卉根系活力检测机制包括以下步骤：1.1)将水培花卉根系活力定义为水培花卉长度排名前k条直根的根伸长率之和，记为：其中RER植株表示水培花卉根系活力，RERt-1,t(i)计算如下公式所示：其中，RERt-1,t(i)表示水培花卉根系i从日期t-1到日期t的根伸长率，lent(i)和lent-1(i)分别表示根系i在日期t-1和日期t测得的长度，Pt-1,t为日期t-1到日期t的间隔；1.2)对水培花卉的根系边缘进行检测；联合挖掘图像颜色、亮度、梯度等特征进行关系边缘检测，采用N4-Fields方法，将根系图像划分为多个局部切片，基于卷积神经网络算出每个局部切片的特征，在预先设定的特征字典里面进行检索，查找与其相似的边缘，将这些相似的边缘信息集成得到根系边缘检测结果；1.3)对水培花卉的根系长度评估；在根系边缘检测后，利用参照物体图像的尺寸来计算根系长度；首先，基于位置或独特的颜色形状特征选择参考物体，利用参考物体校准单位长度的像素个数，记为“像素/度量”比率；其次，对于边缘检测得到的根系图像，与同次拍摄得参考物体图像进行对比，基于“像素/度量”比率可估算根系长度；1.4)根据根系的长度计算出排名前k条直根的根伸长率之和，即水培花卉的根系活力。作为优选：步骤3)中，对建模的4个离散时间阶段的马尔科夫链进行组合优化包括以下步骤：3.1)确定优化的目标为水培花卉根系活力RER和根系颜色深C；3.2)采用免模型的强化学习(Model-freereinforcementlearning)方法对该马尔科夫链决策问题加以解决。作为优选：步骤3.2)中，对该马尔科夫链决策问题加以解决包括以下步骤：3.2.1)根据有限时域动态规划方法，得到生根诱导的培育状态目标公式：其中Si和Di分别表示生根诱导阶段i的状态变量空间和决策变量空间，状态变量空间中的状态s用二维向量来表示s＝[RER植株,C]，P(s′|s,d)表示状态s施加决策d转移到状态s′的概率，ri(s,d,s′)表示施加决策d转移到状态s′的局部回报；根据状态目标公式，水培花卉生根诱导的组合优化策略可由下式表示：3.2.2)组合优化策略公式中状态转移概率和局部回报未知，在决策优化时状态转移连续变化，采用基于策略(Policy-Based)的强化学习算法DDPG(DeepDeterministicPolicyGradient)对问题进行求解。作为优选：步骤3.2.2)中，采用基于策略的强化学习算法DDPG训练了四个神经网络，通过这样的更新方式网络收敛，得到最优化的策略πi，最终得到四个阶段的组合策略Π＝{π1，π2，π3，π4}为水培花卉生根诱导培育的最优方案。本专利技术的有益效果是:本专利技术方法生成的水培花卉生根诱导培育策略比普通的专家策略还要好，这样，普通人员在没有培育经验的情况下，通过本专利技术的基于强化学习的水培花卉生根诱导培育方法，也可以实现对水培花卉的生根诱导培育，而且方法具有普适性，可以推广应用到多种作物上。附图说明图1是水培花卉生根诱导培育的流程图；图2是水培花卉根系活力检测的流程图；图3是基于卷积神经网络根系活力检测模型示意图；图4是基于强化学习的水培花卉生根诱导培育的流程图；图5是基于强化学习的水培花卉生根诱导培育模型示意图；图6是基于强化学习的水培花卉生根诱导培育的实验仿真结果图。具体实施方式下面结合实施例对本专利技术做进一步描述。下述实施例的说明只是用于帮助理解本专利技术。应当指出，对于本
的普通技术人员来说，在不脱离本专利技术原理的前提下，还可以对本专利技术进行若干改进和修饰，这些改进和修饰也落入本专利技术权利要求的保护范围内。一、本专利技术的整体思想：首先通过卷积神经网络对水培花卉的根系实际情况进行分析，建立出根系活力检测机制；再根据得到的根系数据构建马尔科夫链决策的仿真模型，以水培花卉的根系活力和根系颜色为优化目标，用免模型的强化学习(Model-freereinforcementlearning)方法对马尔科夫链决策问题进行求解，得到最优的水培花卉生根诱导方案。二、本专利技术所述的这种水培花卉生根诱导培育的方案，其步骤如下(如图1所示)：1、通过卷积神经网络构建水培花卉根系活力检测机制(如图2所示)将水培花卉根系活力定义为水培花卉长度排名前k条直根的根伸长率之和，记为：其中，RERt-1,t(i)计算如下公式所示：其中，RERt-1,t(i)表示水培花卉根系i从日期t-1到日期t的根伸长率，lent(i)和lent-1(i)分别表示根系i在日期t-1和日期t测得的长度，Pt-1,t为日期t-1到日期t的间隔。用高分辨率数码相机对水培花卉根系进行定期拍摄，计算根系长度，步骤如下：1)根系边缘检测。针对水培花卉根系图像中的细根不规整且普遍存在倾斜角的现象，拟联合挖掘图像颜色、亮度、梯度等特征进行关系边缘检测本文档来自技高网...

【技术保护点】
1.一种基于强化学习的水培花卉生根诱导培育方法，其特征在于，包括如下步骤：/n1)通过卷积神经网络构建水培花卉根系活力检测机制，得到当前水培花卉的根系所处的生长状态；/n2)将水培花卉生根诱导建模为4个离散时间阶段的马尔科夫链，分别代表水培花卉的生根诱导的四个阶段：剪根、根系消毒、驯化、水生育根；/n3)对建模的4个离散时间阶段的马尔科夫链进行组合优化，最终得到四个阶段的组合策略，作为水培花卉生根诱导培育的最优方案。/n

【技术特征摘要】
1.一种基于强化学习的水培花卉生根诱导培育方法，其特征在于，包括如下步骤：
1)通过卷积神经网络构建水培花卉根系活力检测机制，得到当前水培花卉的根系所处的生长状态；
2)将水培花卉生根诱导建模为4个离散时间阶段的马尔科夫链，分别代表水培花卉的生根诱导的四个阶段：剪根、根系消毒、驯化、水生育根；
3)对建模的4个离散时间阶段的马尔科夫链进行组合优化，最终得到四个阶段的组合策略，作为水培花卉生根诱导培育的最优方案。


2.根据权利要求1所述的基于强化学习的水培花卉生根诱导培育方法，其特征在于：步骤1)中，进行水培花卉根系活力检测机制包括以下步骤：
1.1)将水培花卉根系活力定义为水培花卉长度排名前k条直根的根伸长率之和，记为：其中RER植株表示水培花卉根系活力，RERt-1,t(i)计算如下公式所示：



其中，RERt-1,t(i)表示水培花卉根系i从日期t-1到日期t的根伸长率，lent(i)和lent-1(i)分别表示根系i在日期t-1和日期t测得的长度，Pt-1,t为日期t-1到日期t的间隔；
1.2)对水培花卉的根系边缘进行检测；联合挖掘图像颜色、亮度、梯度特征进行关系边缘检测，采用N4-Fields方法，将根系图像划分为多个局部切片，基于卷积神经网络算出每个局部切片的特征，在预先设定的特征字典里面进行检索，查找与其相似的边缘，将这些相似的边缘信息集成得到根系边缘检测结果；
1.3)对水培花卉的根系长度评估；在根系边缘检测后，利用参照物体图像的尺寸来计算根系长度；首先，基于位置或独特的颜色形状特征选择参考物体，利用参考物体校准单位长度的像素个数，记为像素/度量的比率；其次，对于边缘检测得到的根系图像，与同次拍摄得参考物...

【专利技术属性】
技术研发人员：陈垣毅，闫鹏全，郑增威，陈丹，
申请(专利权)人：浙江大学城市学院，
类型：发明
国别省市：浙江;33