风景园林苗木自动化施肥控制系统及其方法技术方案

公开了一种风景园林苗木自动化施肥控制系统及其方法。其首先通过摄像头采集苗木图像，接着，从所述苗木图像中提取苗木多尺度特征向量，最后，基于所述苗木多尺度特征向量，确定是否需要施肥作业。这样，可以基于深度学习的机器视觉技术来对于苗木图像进行灰度处理和分析，以此利用图像中有关于苗木的生长状态特征信息来进行施肥作业的智能控制，从而优化风景园林苗木的施肥效果和效率，确保苗木的正常生长。常生长。常生长。

【技术实现步骤摘要】
风景园林苗木自动化施肥控制系统及其方法


[0001]本公开涉及自动化控制领域，且更为具体地，涉及一种风景园林苗木自动化施肥控制系统及其方法。

技术介绍

[0002]风景园林苗木可以提供美丽的绿色环境和增加人们的生活舒适度，在城市绿化、园林景观等领域起到了至关重要的作用。在苗木的培育过程中，适当的施肥对于苗木的健康生长至关重要。
[0003]目前，传统的风景园林苗木施肥方式通常依赖于人工观察和经验判断。也就是说，养护人员需要定期巡视苗木，通过目测苗木的生长情况来判断是否需要施肥。这种方案不仅需要专业人士定期进行园林苗木的生长状态评估，耗费大量的时间精力，效率较低，而且由于苗木的生长状态变化较快，传统方法往往无法及时发现苗木需要施肥的情况，导致施肥控制滞后，影响苗木的正常生长。
[0004]因此，期望一种优化的风景园林苗木自动化施肥控制方案。

技术实现思路

[0005]有鉴于此，本公开提出了一种风景园林苗木自动化施肥控制系统及其方法，可以基于深度学习的机器视觉技术来对于苗木图像进行灰度处理和分析，以此利用图像中有关于苗木的生长状态特征信息来进行施肥作业的智能控制，从而优化风景园林苗木的施肥效果和效率，确保苗木的正常生长。
[0006]根据本公开的一方面，提供了一种风景园林苗木自动化施肥控制方法，其包括：通过摄像头采集苗木图像；从所述苗木图像中提取苗木多尺度特征向量；以及基于所述苗木多尺度特征向量，确定是否需要施肥作业。
[0007]根据本公开的另一方面，提供了一种风景园林苗木自动化施肥控制系统，其包括：图像采集模块，用于通过摄像头采集苗木图像；多尺度提取模块，用于从所述苗木图像中提取苗木多尺度特征向量；以及施肥作业控制模块，用于基于所述苗木多尺度特征向量，确定是否需要施肥作业。
[0008]根据本公开的实施例，其首先通过摄像头采集苗木图像，接着，从所述苗木图像中提取苗木多尺度特征向量，最后，基于所述苗木多尺度特征向量，确定是否需要施肥作业。这样，可以基于深度学习的机器视觉技术来对于苗木图像进行灰度处理和分析，以此利用图像中有关于苗木的生长状态特征信息来进行施肥作业的智能控制，从而优化风景园林苗木的施肥效果和效率，确保苗木的正常生长。
[0009]根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
[0010]包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面，并且用于解释本公开的原理。
[0011]图1示出根据本公开的实施例的风景园林苗木自动化施肥控制方法的流程图。
[0012]图2示出根据本公开的实施例的风景园林苗木自动化施肥控制方法的架构示意图。
[0013]图3示出根据本公开的实施例的风景园林苗木自动化施肥控制方法的子步骤S120的流程图。
[0014]图4示出根据本公开的实施例的风景园林苗木自动化施肥控制方法的子步骤S123的流程图。
[0015]图5示出根据本公开的实施例的风景园林苗木自动化施肥控制系统的框图。
[0016]图6示出根据本公开的实施例的风景园林苗木自动化施肥控制方法的应用场景图。
具体实施方式
[0017]下面将结合附图对本公开实施例中的技术方案进行清楚、完整地描述，显而易见地，所描述的实施例仅仅是本公开的部分实施例，而不是全部的实施例。基于本公开实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，也属于本公开保护的范围。
[0018]如本公开和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的步骤或元素。
[0019]以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0020]另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
[0021]传统的风景园林苗木施肥方式不仅需要专业人士定期进行园林苗木的生长状态评估，耗费大量的时间精力，效率较低，而且由于苗木的生长状态变化较快，传统方法往往无法及时发现苗木需要施肥的情况，导致施肥控制滞后，影响苗木的正常生长。因此，期望一种优化的风景园林苗木自动化施肥控制方案。
[0022]相应地，考虑到在实际进行风景园林苗木自动化施肥控制过程中，需要对于苗木的生长状态进行分析，以对于是否需要施肥作业进行精准判断。但是，由于在风景园林苗木的自动化施肥控制系统中，苗木的生长状态特征为小尺度的特征信息，易受到环境因素的干扰，导致对于苗木生长信息的检测精度较低。因此，在本公开的技术方案中，期望基于深度学习的机器视觉技术来对于苗木图像进行灰度处理和分析，以此利用图像中有关于苗木的生长状态特征信息来进行施肥作业的智能控制，从而优化风景园林苗木的施肥效果和效
率，确保苗木的正常生长。
[0023]图1示出根据本公开的实施例的风景园林苗木自动化施肥控制方法的流程图。图2示出根据本公开的实施例的风景园林苗木自动化施肥控制方法的架构示意图。如图1和图2所示，根据本公开实施例的风景园林苗木自动化施肥控制方法，包括步骤：S110，通过摄像头采集苗木图像；S120，从所述苗木图像中提取苗木多尺度特征向量；以及，S130，基于所述苗木多尺度特征向量，确定是否需要施肥作业。
[0024]更具体地，在步骤S110中，通过摄像头采集苗木图像。在一个示例中，可以选择使用高分辨率的数字摄像头来采集苗木图像。应可以理解，选择具有高分辨率和清晰图像质量的数字摄像头，可以确保捕捉到苗木的细节和特征，并且需要选择适当的拍摄角度，以便能够完整地捕捉到苗木的整体形态和特征，可以尝试从不同的角度进行拍摄，以获取更全面的信息。同时，还要确保拍摄环境具有适当的光线条件，光线明亮而均匀可以提供更清晰的图像，有助于提取苗木的特征；还要避免在拍摄时有过多的背景干扰物，以免影响图像的清晰度和苗木特征的提取，选择一个干净、简洁的背景可以更好地突出苗木的特征；还要根据苗木的大小和所需的特征提取，调整摄像头的焦距和焦点，以确保苗木图像的清晰度和细节。因此，在拍摄风景园林苗木时，选择适当的摄像头，并注意拍摄角度、光线条件、背景干扰以及焦距和焦点的调整，可以提高苗木图像的质量和特征提取的准确性。
[0025]更具体地，在步骤S120中，从所述苗木图像中提取苗木多尺度特征向量。相应地，在一种可能的实现方式中，如图3所示，从所述苗木图像中提取苗木多尺度特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种风景园林苗木自动化施肥控制方法，其特征在于，包括通过摄像头采集苗木图像；从所述苗木图像中提取苗木多尺度特征向量；以及基于所述苗木多尺度特征向量，确定是否需要施肥作业。2.根据权利要求1所述的风景园林苗木自动化施肥控制方法，其特征在于，从所述苗木图像中提取苗木多尺度特征向量，包括：对所述苗木图像进行灰度处理以得到灰度化苗木图像；对所述灰度化苗木图像进行局部特征提取以得到苗木局部特征向量；对所述灰度化苗木图像进行全局特征提取以得到苗木全局特征向量；以及使用级联函数来融合所述苗木局部特征向量和所述苗木全局特征向量以得到所述苗木多尺度特征向量。3.根据权利要求2所述的风景园林苗木自动化施肥控制方法，其特征在于，对所述灰度化苗木图像进行局部特征提取以得到苗木局部特征向量，包括：将所述灰度化苗木图像通过基于卷积神经网络模型的局部特征提取器以得到所述苗木局部特征向量。4.根据权利要求3所述的风景园林苗木自动化施肥控制方法，其特征在于，对所述灰度化苗木图像进行全局特征提取以得到苗木全局特征向量，包括：通过基于深度神经网络模型的全局特征提取器对所述灰度化苗木图像进行特征提取以得到所述苗木全局特征向量。5.根据权利要求4所述的风景园林苗木自动化施肥控制方法，其特征在于，所述深度神经网络模型为ViT模型。6.根据权利要求5所述的风景园林苗木自动化施肥控制方法，其特征在于，通过基于深度神经网络模型的全局特征提取器对所述灰度化苗木图像进行特征提取以得到所述苗木全局特征向量，包括：对所述灰度化苗木图像进行图像分块以得到多个灰度化苗木图像块；使用所述ViT模型的嵌入层分别对所述多个灰度化苗木图像块中各灰度化苗木图像块进行嵌入化以得到多个灰度化苗木图像块嵌入向量；将所述多个灰度化苗木图像块嵌入向量通过所述ViT模型的转换器以得到多个上下文苗木图像特征向量；对所述多个上下文苗木图像特征向量进行特征分布优化以得到多个优...

【专利技术属性】
技术研发人员：马璐通，武睿，李松珍，杨松，聂其涛，周楠，苏云鹏，
申请(专利权)人：逸文环境发展有限公司，
类型：发明
国别省市：