【技术实现步骤摘要】
本专利技术人工智能领域，尤其涉及一种基于人工智能的肥料肥力的分析方法及系统。
技术介绍
1、在现有技术中，肥料生产商生成出肥料后，需要对肥料的效果进行分析。一般而言，分析的方法之一是测试肥料施给农作物后农作物的氮浓度，如采用元素分析同位素质谱仪对农作物叶片进行分析，可以测定氮浓度。但是，由于验证的过程中，需要采集多种植株的多个叶片，进行重复测定，此分析过程十分复杂，且无法远程操作，即解决肥料售后问题中，需要到现场采集叶片进行操作，效率低下。
技术实现思路
1、鉴于以上技术问题，本专利技术提供了一种基于人工智能的肥料肥力的分析方法及系统，以解决现有技术中对肥料的效果进行分析遇到的问题。
2、本公开的其他特征和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
3、根据本专利技术的一方面，公开一种基于人工智能的肥料肥力的分析方法，所述方法包括：
4、获取多组叶片图像序列，每一所述叶片图像序列包括不同的肥料含量下植物生长在不同时期的叶片的图像，且至少一组所述叶片图像序列中的植物存活在没有添加肥料的土壤中；
5、获取多组所述叶片图像序列中对应的每一叶片的氮浓度数据集；
6、获取多组所述叶片图像序列中的每一图像的特征参数，所述特征参数包括多项颜色参数、多项轮廓参数、多项纹理参数；
7、获取与多组所述叶片图像序列中的每一图像对应的多组传感器数据集，所述传感器数据集包括拍摄叶片时所获取的土壤的温度、湿度、ph
8、基于所述叶片图像序列和其对应的所述特征参数，训练得到深度cnn模型，基于所述传感器数据集及其对应的所述叶片图像序列中的图像id、所述氮浓度数据集，训练得到基于监督神经网络的mlp模型，基于深度学习框架，将所述深度cnn模型和所述mlp模型进行多模态融合，得到融合模型；
9、将采集得到叶片图像、采集时得到的所述传感器数据集输入到所述融合模型中，得到叶片图像对应的氮浓度，并将获得的氮浓度与对应的肥料用量结合，判断是否肥料用量的肥力是否达标。
10、进一步的，所述获取多组所述叶片图像序列中的每一图像的特征参数，包括：
11、获取原始图像
12、将所述原始图像的颜色空间从rgb转换为色调饱和度值并提取饱和度通道以获得饱和度阈值水平，并采用中值滤波算法去除图像噪声；
13、将所述原始图像的颜色空间从rgb转换为lab并提取蓝色通道，得到蓝色图像阈值；
14、根据饱和度和蓝色图像的阈值将原始图像分割为目标区域和目标区域的感兴趣对象；
15、基于目标区域和目标区域的感兴趣对象，进行形态学特征分析，得到所述轮廓参数；
16、基于所述原始图像的颜色直方图和伪彩色图像得到所述颜色参数；
17、基于灰度共生矩阵计算得到所述纹理参数。
18、进一步的，所述轮廓参数至少包括面积、周长、高度、宽度、最长轴、质心、顶点、椭圆中心、椭圆长轴、椭圆短轴、椭圆角、椭圆偏心率中的一种。
19、进一步的，所述颜色参数包括红绿蓝平均值、亮度和绿的平均值、洋红和蓝的平均值、蓝和黄的平均值,以及包括色相、饱和度和明度的平均值。
20、进一步的，所述纹理参数包括对比度、不相似度、一致性、角二阶矩、灰度级别分布的均匀性和强度、相关性。
21、进一步的，在获取所述特征参数后，还包括：
22、基于单向方差分析，获取所述特征参数中与所述氮浓度数据集的关系，删除相关性低于阈值的所述特征参数。
23、进一步的，对删除相关性低于阈值的所述特征参数后，还包括：
24、基于主成分分析，将筛选出的所述特征参数进行分为三个主成分。
25、进一步的，在获取所述深度cnn模型和所述mlp模型中，包括：
26、将所述传感器数据集中的每个叶片对应的土壤的温度、湿度、ph值和天气的累积热效率、累积光照辐射作为样本，将图像id、所述氮浓度数据集中与图像id对应的氮浓度作为标签，训练得到所述mlp模型；
27、将所述叶片图像序列中的每一叶片的图像作为样本，在样本上进行与所述特征参数对应的标注，训练得到所述深度cnn模型。
28、根据本公开的另一方面，提供一种基于人工智能的肥料肥力的分析系统，包括：拍摄模块，用于获取多组叶片图像序列，每一所述叶片图像序列包括不同的肥料含量下植物生长在不同时期的叶片的图像，且至少一组所述叶片图像序列中的植物存活在没有添加肥料的土壤中；测量模块，用于获取多组所述叶片图像序列中对应的每一叶片的氮浓度数据集，计算模块，用于获取多组所述叶片图像序列中的每一图像的特征参数，所述特征参数包括多项颜色参数、多项轮廓参数、多项纹理参数；传感器模块，用于获取与多组所述叶片图像序列中的每一图像对应的多组传感器数据集，所述传感器数据集包括拍摄叶片时所获取的土壤的温度、湿度、ph值和天气的累积热效率、累积光照辐射；模型生成模块，用于基于所述叶片图像序列和其对应的所述特征参数，训练得到深度cnn模型，基于所述传感器数据集及其对应的所述叶片图像序列中的图像id、所述氮浓度数据集，训练得到基于监督神经网络的mlp模型，基于深度学习框架，将所述深度cnn模型和所述mlp模型进行多模态融合，得到融合模型；分析模块，用于将采集得到叶片图像、采集时得到的所述传感器数据集输入到所述融合模型中，得到叶片图像对应的氮浓度，并将获得的氮浓度与对应的肥料用量结合，判断是否肥料用量的肥力是否达标。
29、本公开的技术方案具有以下有益效果：
30、基于训练出的融合模型，分别利用了mpl网络处理上下文信息和深度cnn架构处理图像特征的优势，将氮浓度相关的叶片图像的特征和天气、土壤的环境参数结合，使得在获取植物叶片的图像后便可以预测其氮浓度，进而可以对肥料的肥力进行分析，从而提高分析效率，且可以远程操作，大大降低了售后成本。
本文档来自技高网...【技术保护点】
1.一种基于人工智能的肥料肥力的分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于人工智能的肥料肥力的分析方法，其特征在于，所述获取多组所述叶片图像序列中的每一图像的特征参数，包括：
3.根据权利要求1所述的一种基于人工智能的肥料肥力的分析方法，其特征在于，所述轮廓参数至少包括面积、周长、高度、宽度、最长轴、质心、顶点、椭圆中心、椭圆长轴、椭圆短轴、椭圆角、椭圆偏心率中的一种。
4.根据权利要求1所述的一种基于人工智能的肥料肥力的分析方法，其特征在于，所述颜色参数包括红绿蓝平均值、亮度和绿的平均值、洋红和蓝的平均值、蓝和黄的平均值,以及包括色相、饱和度和明度的平均值。
5.根据权利要求1所述的一种基于人工智能的肥料肥力的分析方法，其特征在于，所述纹理参数包括对比度、不相似度、一致性、角二阶矩、灰度级别分布的均匀性和强度、相关性。
6.根据权利要求1所述的一种基于人工智能的肥料肥力的分析方法，其特征在于，在获取所述特征参数后，还包括：
7.根据权利要求6所述的一种基于人工智能的肥料肥力的分析
8.根据权利要求1所述的一种基于人工智能的肥料肥力的分析方法，其特征在于，在获取所述深度CNN模型和所述MLP模型中，包括：
9.一种基于人工智能的肥料肥力的分析系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于人工智能的肥料肥力的分析方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种基于人工智能的肥料肥力的分析方法，其特征在于，所述获取多组所述叶片图像序列中的每一图像的特征参数，包括：
3.根据权利要求1所述的一种基于人工智能的肥料肥力的分析方法，其特征在于，所述轮廓参数至少包括面积、周长、高度、宽度、最长轴、质心、顶点、椭圆中心、椭圆长轴、椭圆短轴、椭圆角、椭圆偏心率中的一种。
4.根据权利要求1所述的一种基于人工智能的肥料肥力的分析方法，其特征在于，所述颜色参数包括红绿蓝平均值、亮度和绿的平均值、洋红和蓝的平均值、蓝和黄的平均值,以及包括色相、饱和度和明度的平均值。
【专利技术属性】
技术研发人员：曾建城，陈建滔，邓彩莲，梁继承，
申请(专利权)人：肇庆市新型农业科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。