基于计算机视觉的深度学习植物生长模型分析方法及系统技术方案

本发明专利技术涉及精准农业种植技术领域，具体公开了一种基于计算机视觉的深度学习植物生长模型分析方法，包括：实时采集植物生长环境数据和不同生长周期内的植物图像，在所采集的植物图像中提取同一个体植株不同生长周期的图像；计算出同一个体植株不同生长周期的图像中植株叶片的面积，其中，不同生长周期计算出来的叶片面积为对应时刻植物生长状态；建立对应时刻植物生长状态与其生长环境数据的映射关系模型；依据映射关系模型计算出植物不同生长环境因素的权重值。本发明专利技术还公开了一种基于计算机视觉的深度学习植物生长模型分析系统。本发明专利技术提供的植物生长模型分析方法可以全天候监控植物生长状态，进而量化植物生长环境对植物生长的影响程度。

【技术实现步骤摘要】
基于计算机视觉的深度学习植物生长模型分析方法及系统
本专利技术涉及精准农业种植
，更具体地，涉及一种基于计算机视觉的深度学习植物生长模型分析方法及系统。
技术介绍
以物联网的崛起为背景，农业物联网在当今的时代逐渐崭露头角，大量的农业传感器被运用的农业生产活动中。但对于植物本身的监控测量还是由人工测量获取，这就导致植物特征数据获取耗费时间过长，人力成本投入过大，数据的质量和数量都无法得到保证。
技术实现思路
针对现有技术中存在的上述弊端，本专利技术提供了一种基于计算机视觉的深度学习植物生长模型分析方法及系统，可以全天候监控植物生长状态，计算出同一个体植株不同生长周期的图像中植株叶片的面积，量化植物生长环境对植物生长的影响程度。作为本专利技术的第一个方面，提供一种基于计算机视觉的深度学习植物生长模型分析方法，包括：实时采集植物生长环境数据，及实时采集不同生长周期内的植物图像，在所采集的植物图像中提取同一个体植株不同生长周期的图像；利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，其中，不同生长周期计算出来的叶片面积为对应时刻植物生长状态；建立对应时刻植物生长状态与其生长环境数据的映射关系模型；依据所述映射关系模型计算出植物不同生长环境因素的权重值。进一步地，所述利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，包括：利用YOLOV3目标检测框架，对输入的所述同一个体植株不同生长周期的图像进行识别，识别出叶片信息后并判断其位置；根据叶片位置截取出所述同一个体植株不同生长周期的图像中的叶片部分；使用KNN算法对截取出来的叶片图像进行聚类背景分割；根据聚类背景分割结果去除所述叶片图像中的背景部分；将去除背景部分的叶片图像进行边缘信息融合补全操作；根据图像像素梯度值，使用阈值计算对融合补全后的叶片图像进行锐化，突出叶片边缘；对锐化后的叶片图像进行实例分割，按照图像中分割实例的不同方向角和形状大小标记实例不同序号；利用Canny算子检测出分割后的实例叶片图像边缘，并绘制分割后的实例叶片图像边缘的轮廓；根据所述分割后的实例叶片图像边缘的轮廓信息，计算出contour拟合出的多边形的叶片面积。进一步地，所述使用KNN算法对截取出来的叶片图像进行聚类背景分割，包括：步骤301，在所述叶片图像中随机选取K个初始聚类中心；步骤302，计算每个像素值到所述初始聚类中心的欧氏距离，将每个像素点归到与其距离最近的聚类中心所属簇；步骤303，计算现有每一簇的所有色素均值，以一簇内所有色素的均值作为该簇新的聚类中心；步骤304，重复第302-303步，直到聚类中心不再变化或达到设定的迭代次数。进一步地，所述将去除背景部分的叶片图像进行边缘信息融合补全操作，包括：对图像进行腐蚀，其中，选取7*7的卷积核沿着图像滑动，将B的中心点和二值化图像上的点一一比较，如果在卷积核内所有的1像素点都被包含在对应的原图的像素值1中，则该像素点保留原来的1值，否则变为0值，计算公式为对腐蚀后的图像进行膨胀，其中，选取7*7的卷积核沿着图像滑动，将B’的中心点和二值化图像上的点一一比较，如果在卷积核内有一个的1值像素点都被包含在对应的原图的像素值1中，则该像素点变为1值，否则为0值，计算公式为边缘信息融合补全结果表示为OPEN(X)＝D(E(X))；其中，B为腐蚀结构元素，B’为膨胀结构元素，a为任意一个像素点，Ba为结构元素中所有1值像素点，X为原图像。进一步地，所述根据图像像素梯度值，使用阈值计算对融合补全后的叶片图像进行锐化，突出叶片边缘，包括：阈值计算判断公式：对于某一色素，若其灰度值大于等于特定值T，则使其加上一个特定值a；对于灰度值小于特定值T的色素，将其设置为本身的灰度值不变；其中，f(i,j)是图像在(i,j)处的灰度值，G(f(i,j))是图像f(i,j)的梯度值。进一步地，所述利用Canny算子检测出分割后的实例叶片图像的边缘，并绘制分割后的图像的边缘轮廓，包括：使用高斯平滑滤波器给图像降噪；计算梯度幅值和方向，其中，在x方向使用核在y方向使用核则梯度幅值梯度方向θ＝arctan(Gx/Gy)；非极大值抑制保留候选边缘，排除非边缘像素；滞后阈值。进一步地，所述建立对应时刻植物生长状态与其生长环境数据的映射关系模型，包括：使用不同类型传感器实时采集植物生长环境数据，完成数据格式转化，对数据进行预处理工作；使用多元回归方程建立植物生长状态与环境因素的映射关系，其公式如下：其中，Growth为植物生长状态曲线，n为传感器类型数量，xi代表第i个类型的传感器采集到的数值，wi为需要机器学习得出的权重值；计算映射关系模型中每个生长环境因素的权重值，并进行显著性检验，筛选植物生长环境数据中的目标环境因素。进一步地，所述计算映射关系模型中每个生长环境因素的权重值，并进行显著性检验，筛选植物生长环境数据中的目标环境因素，包括：对各类生长环境因素变量进行离散化处理；对各组生长环境因素变量进行WOE编码，公式如下：其中，pbi是在第i组中，b标签样本量占总b标签样本量的比例；pni是在第i组中，非b标签样本量占总非b标签样本量的比例；#bi是该组中b标签样本数据量；#ni是该组中非b标签样本数据量；#bTotal是该组中b标签总数据量；#nTotal是该组中非b标签总数据量；对分组样本进行WOE的加权求和，求得IV值，公式如下：选取IV值中较高的变量，即为植物生长环境数据中的目标环境因素。进一步地，所述植物生长环境数据包括：温湿度、光照度、二氧化碳浓度、土壤EC值、土壤PH值、土壤氮磷钾值、蒸发量、光合有效辐射值、紫外线值和大气压力值。作为本专利技术的第二个方面，提供一种基于计算机视觉的深度学习植物生长模型分析系统，包括：采集模块，用于实时采集植物生长环境数据，及实时采集不同生长周期内的植物图像，在所采集的植物图像中提取同一个体植株不同生长周期的图像；第一计算模块，用于利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，其中，不同生长周期计算出来的叶片面积为对应时刻植物生长状态；建立模块，用于建立对应时刻植物生长状态与其生长环境数据的映射关系模型；第二计算模块，用于依据所述映射关系模型计算出植物不同生长环境因素的权重值。本专利技术提供的基于计算机视觉的深度学习植物生长模型分析方法及系统具有以下优点：可以全天候监控植物生长状态，计算出同一个体植株不同生长周期的图像中植株叶片的面积，量化植物生长环境对植物生长的影响程度。附图说明附图是用本文档来自技高网...

【技术保护点】
1.一种基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，包括：/n实时采集植物生长环境数据，及实时采集不同生长周期内的植物图像，在所采集的植物图像中提取同一个体植株不同生长周期的图像；/n利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，其中，不同生长周期计算出来的叶片面积为对应时刻植物生长状态；/n建立对应时刻植物生长状态与其生长环境数据的映射关系模型；/n依据所述映射关系模型计算出植物不同生长环境因素的权重值。/n

【技术特征摘要】
1.一种基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，包括：
实时采集植物生长环境数据，及实时采集不同生长周期内的植物图像，在所采集的植物图像中提取同一个体植株不同生长周期的图像；
利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，其中，不同生长周期计算出来的叶片面积为对应时刻植物生长状态；
建立对应时刻植物生长状态与其生长环境数据的映射关系模型；
依据所述映射关系模型计算出植物不同生长环境因素的权重值。


2.根据权利要求1所述的基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，所述利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，包括：
利用YOLOV3目标检测框架，对输入的所述同一个体植株不同生长周期的图像进行识别，识别出叶片信息后并判断其位置；
根据叶片位置截取出所述同一个体植株不同生长周期的图像中的叶片部分；
使用KNN算法对截取出来的叶片图像进行聚类背景分割；
根据聚类背景分割结果去除所述叶片图像中的背景部分；
将去除背景部分的叶片图像进行边缘信息融合补全操作；
根据图像像素梯度值，使用阈值计算对融合补全后的叶片图像进行锐化，突出叶片边缘；
对锐化后的叶片图像进行实例分割，按照图像中分割实例的不同方向角和形状大小标记实例不同序号；
利用Canny算子检测出分割后的实例叶片图像边缘，并绘制分割后的实例叶片图像边缘的轮廓；
根据所述分割后的实例叶片图像边缘的轮廓信息，计算出contour拟合出的多边形的叶片面积。


3.根据权利要求2所述的基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，所述使用KNN算法对截取出来的叶片图像进行聚类背景分割，包括：
步骤301，在所述叶片图像中随机选取K个初始聚类中心；
步骤302，计算每个像素值到所述初始聚类中心的欧氏距离，将每个像素点归到与其距离最近的聚类中心所属簇；
步骤303，计算现有每一簇的所有色素均值，以一簇内所有色素的均值作为该簇新的聚类中心；
步骤304，重复第302-303步，直到聚类中心不再变化或达到设定的迭代次数。


4.根据权利要求2所述的基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，所述将去除背景部分的叶片图像进行边缘信息融合补全操作，包括：
对图像进行腐蚀，其中，选取7*7的卷积核沿着图像滑动，将B的中心点和二值化图像上的点一一比较，如果在卷积核内所有的1像素点都被包含在对应的原图的像素值1中，则该像素点保留原来的1值，否则变为0值，计算公式为
对腐蚀后的图像进行膨胀，其中，选取7*7的卷积核沿着图像滑动，将B’的中心点和二值化图像上的点一一比较，如果在卷积核内有一个的1值像素点都被包含在对应的原图的像素值1中，则该像素点变为1值，否则为0值，计算公式为
边缘信息融合补全结果表示为OPEN(X)＝D(E(X))；
其中，B为腐蚀结构元素，B’为膨胀结构元素，a为任意一个像素点，Ba为结构元素中所有1值像素点，X为原图像。


5.根据权利要求2所述的基于计算机视觉的深度学习植物生长模型分析方法，其特征在于，所述根据图像像素梯度值，使用阈值计算对融合补全后的叶片图像进行锐化，突出叶片边缘...

【专利技术属性】
技术研发人员：顾云强，顾嘉越，王品卓，胡磊，
申请(专利权)人：江苏云脑数据科技有限公司，
类型：发明
国别省市：江苏;32