CN108346142B - 一种基于植物光照图像的植物生长状态识别方法 - Google Patents
一种基于植物光照图像的植物生长状态识别方法 Download PDFInfo
- Publication number
- CN108346142B CN108346142B CN201810041037.7A CN201810041037A CN108346142B CN 108346142 B CN108346142 B CN 108346142B CN 201810041037 A CN201810041037 A CN 201810041037A CN 108346142 B CN108346142 B CN 108346142B
- Authority
- CN
- China
- Prior art keywords
- plant
- organ
- sample
- laplace
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000005286 illumination Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008635 plant growth Effects 0.000 title claims abstract description 33
- 210000000056 organ Anatomy 0.000 claims abstract description 236
- 239000002689 soil Substances 0.000 claims abstract description 54
- 230000008859 change Effects 0.000 claims abstract description 52
- 230000012010 growth Effects 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 10
- 241000196324 Embryophyta Species 0.000 claims description 411
- 239000013598 vector Substances 0.000 claims description 25
- 235000013399 edible fruits Nutrition 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000010521 absorption reaction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 2
- 235000021049 nutrient content Nutrition 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 240000008067 Cucumis sativus Species 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- 241000218657 Picea Species 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 230000008816 organ damage Effects 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000005477 standard model Effects 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 244000283070 Abies balsamea Species 0.000 description 1
- 235000007173 Abies balsamea Nutrition 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- 241000131329 Carabidae Species 0.000 description 1
- 244000223760 Cinnamomum zeylanicum Species 0.000 description 1
- 241000132536 Cirsium Species 0.000 description 1
- 241000007126 Codonopsis pilosula Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 240000000731 Fagus sylvatica Species 0.000 description 1
- 235000010099 Fagus sylvatica Nutrition 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 244000274050 Platycodon grandiflorum Species 0.000 description 1
- 235000006753 Platycodon grandiflorum Nutrition 0.000 description 1
- 241000756042 Polygonatum Species 0.000 description 1
- 241000219000 Populus Species 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 241000124033 Salix Species 0.000 description 1
- 241000219784 Sophora Species 0.000 description 1
- NINIDFKCEFEMDL-UHFFFAOYSA-N Sulfur Chemical compound [S] NINIDFKCEFEMDL-UHFFFAOYSA-N 0.000 description 1
- 240000001949 Taraxacum officinale Species 0.000 description 1
- 235000005187 Taraxacum officinale ssp. officinale Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000017803 cinnamon Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000006353 environmental stress Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000005089 fruit drop Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000037323 metabolic rate Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000021368 organ growth Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 230000001863 plant nutrition Effects 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000004016 soil organic matter Substances 0.000 description 1
- 239000010902 straw Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000011593 sulfur Substances 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
- 238000004383 yellowing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于植物光照图像的植物生长状态识别方法，包括：通过提取采集到的植物长时间连续变化图像的深度信息和植物的光照信息，结合土壤特性信息，获取植物的植株坐标并将所述植物的植株坐标数据标准化，构建基于植株器官集群的条件随机场模型，并采用训练样本进行训练，得到植株器官变化状态训练的识别模型，最终根据待识别目标植物的样本特征，利用该识别模型，诊断检测植物生长状态变化趋势。本发明能够提高对植物植株图像数据和环境数据，以及对土壤的种类、营养含量及光照强度色度等各项环境参数的辨识度，从而能够准确判定各植株器官的生长状态。
Description
技术领域
本发明涉及农业生产技术领域，更具体地，涉及一种基于植物光照图像的植物生长状态识别方法。
背景技术
随着科学技术的发展，农业生产正在迅速改变着传统的耕作模式，现代工业技术己经逐渐渗透到农业生产中，农业技术逐渐向知识化信息化的方向发展。尤其是随着工业化水平的提高，现代设施农业应运而生，在全球迅速崛起，并且逐渐形成资金、技术密集型的高新技术产业，成为当今世界最具活力的产业之一。
现代温室一般指进行工厂化植物生产的温室，一般具有利用环境自动控制、电子技术、生物技术、机器人和新材料等进行植物周年连续生产的***。由于工业化的设施技术管理手段的应用，可以使作物在可控环境下生长。因此，温室蔬菜生产从某种程度上打破了植物生长的地域和时空界限，通过温湿度、光照、土壤等因素的控制，可以达到近于全年可耕作的条件，能够大大增加作物生长期，提高单位面积的产量。
由于作物对环境因素比较敏感，环境胁迫会直接在作物的植株形态上有所反应。比如：黄瓜缺氮的情况下，茎干木质化，***，叶片发黄；黄瓜缺磷时植株矮小，嫩叶会变小，发干，出现暗灰色等。目前实际的农业生产管理中多是管理人员根据经验，通过目测方法进行作物的胁迫诊断。
上述基于人工的诊断，虽然在经验积累基础上取得了一定的效果，但是在自动化要求比较高的现代温室生产中，这种主观臆测的诊断方法不仅管理效率低，而且受管理者主观影响比较严重，缺少客观性，更不能满足自动化管理的要求。因此，在现代温室生产中应用现代的技术手段快速有效的对作物营养状态和环境因子等各种信息进行诊断，是温室自动控制和决策管理的重要基础之一。
如图1所示，为根据现有技术的一种采用植株叶片和生长点图像进行植物生长状态识别的***图，该***针对植物图像信息进行生长状态检测的***图。在该***中，仅仅依靠植物植株的叶片图像信息和生长点图像信息，通过提取二者内的特征参数，基于一定的判断指标和判断准则，得出植株是否为健康状态。
现有技术中已经存在一些基于计算机视觉技术的农作物等植物的生长状态判断方法，但这些方法或者考虑的因素过于单一，仅针对某些器官进行识别处理，或者忽视了外接因素如土壤、光照等对农作物等植物的生长影响，缺乏对植物真实生长环境的视觉监测，而因此导致对植物状态的识别准确率不高。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明提供一种基于植物光照图像的植物生长状态识别方法，用以有效提高对植物植株图像数据和环境数据的辨识度，从而更准确地判定各植株器官的生长状态。
本发明提供一种基于植物光照图像的植物生长状态识别方法，包括：S1，基于样本植株的长时间连续变化图像，以及所述样本植株的生长环境土壤特性信息，获取所述样本植株的植株色彩纹理坐标，并基于所述样本植株的光照信息预测目标植物的叶片吸收光照图像；S2，对所述植株色彩纹理坐标进行数据标准化处理，从标准化处理后的样本植株图像中提取植株器官，并基于所述叶片吸收光照图像，确定所述目标植物的喜光类型；S3，通过分析统计所述植株器官的器官特性在空间和时间上的变化突出性，并分析所述目标植物决策聚类的所述喜光类型，构建关注器官群和目标植物生长光；S4，基于所述关注器官群，计算每个所述样本植株关于各植株器官的多维拉普拉斯特征；S5，基于每个所述植株器官的多维拉普拉斯特征，构建拉普拉斯聚类核，将所有所述多维拉普拉斯特征聚类为对应的器官分类，并提取每个所述器官分类的聚类索引中心；S6，针对每个所述器官分类对应的所述植株器官，基于每个所述植株器官所属的所述聚类索引中心，构建器官特征字典；S7，基于所述器官特征字典和所述样本植株对应的多维拉普拉斯特征，构建并训练植株器官集群的条件随机场模型，获取植物状态识别模型；S8，基于所述目标植物生长光，以及所述目标植物的待识别光照图像对应的植株器官多维拉普拉斯特征，利用所述植物状态识别模型，预测所述目标植物的生长状态变化趋势。
其中，所述S1的步骤进一步包括：S11，提取所述长时间连续变化图像的深度信息和所述样本植株的光照信息，利用基于朴素贝叶斯分类器的物体识别方法，确定所述样本植株的植株位置；S12，基于所述样本植株的植株位置和所述样本植株的生长环境土壤特性信息，获取所述样本植株的植株色彩纹理坐标；S13，利用高阶滤波器模拟所述样本植株叶片吸收光线的功能，预测所述目标植物的叶片吸收光照图像。
其中，步骤S2中所述对所述植株色彩纹理坐标进行数据标准化处理的步骤进一步包括：分别对所述样本植株的植株大小、植株器官特征和植株土壤分布进行标准化处理；其中，对所述样本植株的植株大小进行标准化处理的步骤进一步包括：选取所述样本植株中植株形态模型满足设定标准的植株作为标准尺寸植株；保持所述样本植株对应的植株图像特征矢量的方向不变，将每个所述植株图像特征矢量的长度调整为所述标准尺寸植株对应的植株图像特征矢量的长度；选取所述样本植株的指定器官作为中心器官，构建植株树，并根据所述标准尺寸植株对应的植株图像特征矢量的长度，移动各所述植株树，调整移动矢量；对所述样本植株的植株器官特征进行标准化处理的步骤进一步包括：以所述指定器官作为新坐标参考空间的坐标零点，移动所有所述植株树；对所述样本植株的植株土壤分布进行标准化处理的步骤进一步包括：以所述样本植株的生长环境土壤左边界至右边界矢量作为原始坐标系横轴，确定原始坐标系；以所述样本植株的生长环境土壤界面中心为所述新坐标参考空间的坐标零点，构造垂直于所述生长环境土壤界面的坐标，作为所述新坐标参考空间的坐标竖轴；旋转所述生长环境土壤界面，将其投影到所述新坐标参考空间。
其中，步骤S3中所述构建关注器官群的步骤进一步包括：S31，基于所述植株器官对应的色彩纹理坐标，计算对应样本植株图像中邻接图像帧的色彩纹理变化距离；S32，叠加所有所述色彩纹理变化距离，获取对应样本植株的植株器官的色彩纹理变化图；S33，利用贪婪算法，预设聚类数量，采用海明距离为对应植株器官的相似度，进行所述色彩纹理变化距离测量；S34，滤除所述色彩纹理变化距离最短的植株器官视频帧图，以所述色彩纹理变化距离最长的两种植株器官作为器官特征在空间和时间上变化突出的器官，构建对应生长状态的关注器官群。
其中，步骤S3中所述构建关注器官群的步骤进一步包括：构建包括所述样本植株的根、茎、叶、花、果实和种子的关注器官群。
其中，所述S4的步骤进一步包括：S41，将所述新坐标参考空间按给定划分规则划分为多个子空间，使各所述植株器官处于不同的子空间内；S42，以所述茎关注器官群为中心，分别计算所述根、叶、花、果实和种子的关注器官群的子空间拉普拉斯密度；S43，根据每个所述样本植株的根、茎、叶、花、果实和种子的关注器官群分别对应的子空间拉普拉斯密度，构成所述样本植株的多维拉普拉斯特征。
其中，步骤S5中所述基于每个所述植株器官的多维拉普拉斯特征，构建拉普拉斯聚类核的步骤进一步包括：根据下式构造所述拉普拉斯聚类核：
式中，x、y表示不同植株器官的多维拉普拉斯特征，σ表示x和y的标准差。
其中，步骤S5中所述将所有所述多维拉普拉斯特征聚类为对应的器官分类，并提取每个所述器官分类的聚类索引中心的步骤进一步包括：S51，基于所述拉普拉斯聚类核，计算各组植株器官的多维拉普拉斯特征的相似度s(x,y)；S52，针对分散矩阵，令
的相似度为0，构建类间相似矩阵；S53，根据所述相似度和所述样本植株的总个数，确定参考值，并根据所述样本植株，通过消息传递，确定聚类数；S54，利用支持相似矩阵的贪婪聚类，获取每个所述器官分类的聚类索引中心。
其中，所述S6的步骤进一步包括：S61，替换所述样本植株的原始器官为该样本植株的所述中心器官，获取一组视觉词汇串；S62，通过分析植株器官图像样本的所述视觉词汇串的连续相似度，去除连续相似度高于设定阈值的视觉词汇串，获取器官特征字典。
其中，所述S42的步骤进一步包括：S421，分别计算所述根、叶、花、果实和种子的理论正态分布子空间拉普拉斯密度；S422，根据所述理论正态分布子空间拉普拉斯密度，设置距离子空间中心距离大于设定距离阈值的关注器官群所对应的器官空间的拉普拉斯密度值为设定常数。
本发明提供的一种基于植物光照图像的植物生长状态识别方法，通过将植物的植株坐标数据标准化，从标准化的图像中提取出植株的器官，能够有效提升对植物植株生长状态观察检测的准确性，避免图像失真、失格等因素造成的检测结果不准确。同时，基于统计每一种器官中器官特征在空间和时间上变化突出的器官，分析决策聚类的光照数据，构建关注器官群与植物生长光，能够避免植物生长状态可能因素的遗漏，客观准确地将植物生长状态反馈给用户。本发明对植物植株图像数据和环境数据，以及对土壤的种类、营养含量及光照强度色度等各项环境参数均具有较高的辨识度，能够有效提高对植株各器官的识别度，从而更准确地判定各植株器官的生长状态。
附图说明
图1为根据现有技术的一种采用植株叶片和生长点图像进行植物生长状态识别的***图；
图2为本发明实施例一种基于植物光照图像的植物生长状态识别方法的流程图；
图3为本发明实施例一种获取样本植株的植株色彩纹理坐标并预测目标植物的叶片吸收光照图像的流程图；
图4为本发明实施例一种构建关注器官群的流程图；
图5为本发明实施例一种计算植株器官多维拉普拉斯特征的流程图；
图6为本发明实施例一种计算各植株器官关注器官群的子空间拉普拉斯密度的流程图；
图7为本发明实施例一种进行多维拉普拉斯特征聚类的流程图；
图8为本发明实施例一种构建器官特征字典的流程图；
图9为本发明实施例一种植株生长状态条件随机场模型示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
作为本发明实施例的一个实施例，本实施例提供一种基于植物光照图像的植物生长状态识别方法，参考图2，为本发明实施例一种基于植物光照图像的植物生长状态识别方法的流程图，包括：
S1，基于样本植株的长时间连续变化图像，以及所述样本植株的生长环境土壤特性信息，获取所述样本植株的植株色彩纹理坐标，并基于所述样本植株的光照信息预测目标植物的叶片吸收光照图像；
S2，对所述植株色彩纹理坐标进行数据标准化处理，从标准化处理后的样本植株图像中提取植株器官，并基于所述叶片吸收光照图像，确定所述目标植物的喜光类型；
S3，通过分析统计所述植株器官的器官特性在空间和时间上的变化突出性，并分析所述目标植物决策聚类的所述喜光类型，构建关注器官群和目标植物生长光；
S4，基于所述关注器官群，计算每个所述样本植株关于各植株器官的多维拉普拉斯特征；
S5，基于每个所述植株器官的多维拉普拉斯特征，构建拉普拉斯聚类核，将所有所述多维拉普拉斯特征聚类为对应的器官分类，并提取每个所述器官分类的聚类索引中心；
S6，针对每个所述器官分类对应的所述植株器官，基于每个所述植株器官所属的所述聚类索引中心，构建器官特征字典；
S7，基于所述器官特征字典和所述样本植株对应的多维拉普拉斯特征，构建并训练植株器官集群的条件随机场模型，获取植物状态识别模型；
S8，基于所述目标植物生长光，以及所述目标植物的待识别光照图像对应的植株器官多维拉普拉斯特征，利用所述植物状态识别模型，预测所述目标植物的生长状态变化趋势。
其中步骤S1中，为了识别目标植物的生长状态，可以选取该目标植物的部分植株为样本植株，寻求生长规律和特性，从而根据目标植物的生长特性识别其生长状态。步骤S1以采集到的样本植株的长时间连续变化图像为基础，首先获取样本植株的植株位置，然后结合该样本植株所生长的土壤的土壤特性信息，进一步获取植物的植株色彩纹理。
同时，采集样本植株的的光照信息，根据该光照信息，模拟目标植物叶片吸收光照的功能，预测目标植物的叶片吸收光照图像。
其中可选的，所述S1的进一步处理步骤参考图3，为本发明实施例一种获取样本植株的植株色彩纹理坐标并预测目标植物的叶片吸收光照图像的流程图，包括：
S11，提取所述长时间连续变化图像的深度信息和所述样本植株的光照信息，利用基于朴素贝叶斯分类器的物体识别方法，确定所述样本植株的植株位置。
可以理解为，本步骤首先对采集到的样本植株的长时间连续变化图像进行深度信息的提取，同时结合采集到的样本植株的光照信息，利用基于朴素贝叶斯分类器的物体识别方法，确定该样本植株的植株位置。即，提取采集到的植物长时间连续变化图像的深度信息和植物的光照信息，采用基于朴素贝叶斯分类器的物体识别方法确认植物的植株位置。
S12，基于所述样本植株的植株位置和所述样本植株的生长环境土壤特性信息，获取所述样本植株的植株色彩纹理坐标。
可以理解为，根据样本植株的植株位置，可确定样本植株的生成环境，判断生长环境土壤特性信息。根据生长环境土壤特性信息，确定样本植株的植株色彩纹理坐标。即，结合土壤特性信息进一步获取植物的植株色彩纹理坐标。
S13，利用高阶滤波器模拟所述样本植株叶片吸收光线的功能，预测所述目标植物的叶片吸收光照图像。
可以理解为，对于采集的样本植株光照信息，利用高阶滤波器模拟该样本植株叶片吸收光线的功能，根据模拟结果预测目标植物的叶片吸收光照图像。
其中步骤S2中，将根据上述步骤获取的样本植株的植株色彩纹理坐标进行数据标准化，从标准化的图像中提取出植株的器官。
其中，在一个实施例中，提取的植株器官包括如根、茎、叶、花、果实、种子等。
其中，在另一个实施例中，在提取植株器官之后，还对其中冗余器官和对植株状态检测识别作用小的器官进行滤除。获取相对有效的植株器官。
同时，根据上述步骤获取的目标植物的叶片吸收光照图像，基于BRDF光照模型进行分析，决策分类目标植物的喜光类型，如阳生、阴生、耐阴等。
应当理解的是，光照强度对植物生长与形态结构的建成有重要的作用，如植物的黄化现象是由于光照强度不够。光强同时也影响植物的发育，在开花期或幼果期，如光强减弱，也会引起结实不良或果室发育中途停止，甚至落果。光对果实的品质也有良好作用。
根据植物与光照强度的关系，可以把植物分为阳性植物、阴生植物和耐阴植物三大生态类型。阳性植物光的补偿点和饱和点均较高，要求全光照，光合和代谢速率都较高，多生长在光照条件好的地方，主要包括蒲公英、蓟、松、杉、杨、柳、槐等；阴性植物的光补偿点和饱和点均较低，光合和呼吸速率也较低，多生长在潮湿背阳的地方或密林内，常见种类有狗脊蕨、连钱草、铁杉、红豆杉、紫果云杉；耐阴植物在全光照下生长最好，但也能忍耐适度的荫蔽，或是在生育期间需要轻度的遮阴，如青冈属、山毛榉、云杉、桔梗、黄精、肉桂、党参等。
通过上述植株数据标准化手段决策出植物植株的喜光类型，判断当前植株的生长状态是否适于其生存，结合器官生长状态以及土壤等其他环境因素作出进一步判断。
其中可选的，步骤S2中所述对所述植株色彩纹理坐标进行数据标准化处理的步骤进一步包括：
分别对所述样本植株的植株大小、植株器官特征和植株土壤分布进行标准化处理；其中，
对所述样本植株的植株大小进行标准化处理的步骤进一步包括：
选取所述样本植株中植株形态模型满足设定标准的植株作为标准尺寸植株；
保持所述样本植株对应的植株图像特征矢量的方向不变，将每个所述植株图像特征矢量的长度调整为所述标准尺寸植株对应的植株图像特征矢量的长度；
选取所述样本植株的指定器官作为中心器官，构建植株树，并根据所述标准尺寸植株对应的植株图像特征矢量的长度，移动各所述植株树，调整移动矢量；
对所述样本植株的植株器官特征进行标准化处理的步骤进一步包括：
以所述指定器官作为新坐标参考空间的坐标零点，移动所有所述植株树；
对所述样本植株的植株土壤分布进行标准化处理的步骤进一步包括：
以所述样本植株的生长环境土壤左边界至右边界矢量作为原始坐标系横轴，确定原始坐标系；
以所述样本植株的生长环境土壤界面中心为所述新坐标参考空间的坐标零点，构造垂直于所述生长环境土壤界面的坐标，作为所述新坐标参考空间的坐标竖轴；
旋转所述生长环境土壤界面，将其投影到所述新坐标参考空间。
可以理解为，本实施例分别对样本植株进行植株大小标准化、植株器官特征标准化和植株土壤分布标准化。
其中，按以下步骤对样本植株的植株大小进行标准化处理：
首先，从现有样本中选择植株形态模型作为植株大小标准模型；
其次，保持其余各样本的植株图像特征矢量的方向不变，将每个矢量的长度调整为标准模型中的植株特征矢量长度；
再次，将植株茎部作为中心点，构建植株树，根据矢量长度移动各植株树，调整移动矢量为：
式中，
表示当前植株树的第fi个中心点变化矢量，n表示当前中心点的变化矢量的个数。
其中，按以下步骤对样本植株的植株器官特征进行标准化处理：
以根据上述实施例的指定器官，即茎部中心作为新坐标参考空间的坐标零点O′，移动根据上述步骤构建的所有植株树。
其中，按以下步骤对样本植株的植株土壤分布进行标准化处理：
首先，采用初始坐标系X轴，使其与土壤左边界到右边界的矢量
平行；
其次，以新坐标参考空间零点O′为土壤所在界面中心，构造垂直于新的地面参考平面，得到新坐标参考空间Z轴；
再次，旋转土壤所在界面，将该界面投影到新的参考坐标系中。
另外，应当理解的是，土壤有机质中含有作物生长所需的各种养分，可以直接或简接地为作物生长提供氮、磷、钾、钙、镁、硫和各种微量元素。土壤中含有的微量元素是衡量土壤肥力的重要指标之一，是植物营养的重要来源，也是微生物生活和活动的能源，是评价耕地地力的重要指标。对耕作土壤来说，培肥的中心环节就是增施各种有机肥，实行秸秆还田，保持和提高土壤有机质含量。
对土壤分布标准化主要是对土壤当前图像进行标准化识别，基于土壤的图像测试水平，可以对土壤当前的营养素含量进行分析，判断是否有益于当前植物植株的生长
其中步骤S3中，分析每类植株器官分类，基于K-Means聚类算法，统计每一种器官中，器官特征在空间和时间上变化突出的器官，分析决策聚类的光照数据，通过贪婪算法构建关注器官群和目标植物生长光。
在一个实施例中，步骤S3中所述构建关注器官群的步骤进一步包括：构建包括所述样本植株的根、茎、叶、花、果实和种子的关注器官群。
可以理解为，在根据上述实施例提取样本植株的植株器官根、茎、叶、花、果实和种子的基础上，统计每一种器官中，器官特征在空间和时间上变化突出的器官，构建关注器官群。器官群包括植株的：根、茎、叶、花、果实和种子。
应当理解的是，获得植物植株生长状态信息最准确的方法就是对作物本身各个器官的化学成分分析，在实验室里这种方法是非常有效的，是研究长势诊断经验方法的技术参数依据。农作物在生长过程中的生物量积累、植株形态、叶片的大小和颜色、花形、果形、产量等方面的变化均与作物的营养状态，环境因素紧密相关。
本发明实施例从作物的营养需求出发，应用计算机视觉技术研究植物生长环境和自身器官变化对作物生长的影响，分析其和长势之间的量化关系，确定能够识别作物营养状态的图象信息特征指标，对作物管理的信息化和自动化有都有广泛的应用前景。
其中可选的，步骤S3中所述构建关注器官群的进一步处理步骤参考图4，为本发明实施例一种构建关注器官群的流程图，包括：
S31，基于所述植株器官对应的色彩纹理坐标，计算对应样本植株图像中邻接图像帧的色彩纹理变化距离。
本步骤计算植物视频图像中邻接图像帧的色彩纹理变化距离。假设在邻接的图像帧(i帧，i+1帧)中，某植株器官的色彩纹理坐标分别为(xik,yik,zik)和(xi+1,k,yi+1,k,zi+1,k)，则色彩纹理变化距离为dik，dik按下式求得：
dik 2＝(xik-xi+1,k)2+(yik-yi+1,k)2+(zik-zi+1,k)2。
S32，叠加所有所述色彩纹理变化距离，获取对应样本植株的植株器官的色彩纹理变化图。
本步骤对上述步骤求得的所有色彩纹理变化距离按下式进行叠加，得到植株某器官的色彩纹理变化图：
式中，Dk表示样本植株第k个植株器官的色彩纹理变化图取值，dik表示样本植株器官的第k个植株器官第i个邻接图像帧中色彩纹理变化距离。
S33，利用贪婪算法，预设聚类数量，采用海明距离为对应植株器官的相似度，进行所述色彩纹理变化距离测量。
本步骤基于贪婪算法，事先预定聚类数量，使用海明距离为器官的相似度进行测量。
S34，滤除所述色彩纹理变化距离最短的植株器官视频帧图，以所述色彩纹理变化距离最长的两种植株器官作为器官特征在空间和时间上变化突出的器官，构建对应生长状态的关注器官群。
本步骤对色彩纹理变化距离最短的器官视频帧图进行滤除，色彩纹理变化距离较长的两种器官的器官特征在空间和时间上变化突出的器官，构建该生长状态的关注器官群。
应当理解的是，不同种类的植物在生长过程中器官的受侵害可能系数有所不同，受侵害程度也不尽相同，而即使对于同一种植物，不同的生长期受侵害的情况也会不同。因此，本发明可以对不同植物的植株器官进行生长状态的差距性识别，将不同器官的变化状态进行聚类区分，将该植株中变化突出的器官认定为易受侵害或受侵害程度交高的器官，进而由用户指定合适的应对方案。
其中步骤S4中，针对根据上述实施例的样本植株每个器官分类，基于关注器官群，计算每个器官的多维拉普拉斯特征。
其中可选的，所述S4的进一步处理步骤参考图5，为本发明实施例一种计算植株器官多维拉普拉斯特征的流程图，包括：
S41，将所述新坐标参考空间按给定划分规则划分为多个子空间，使各所述植株器官处于不同的子空间内。
本步骤将多维空间划分为m×n×l(m,n,l∈Z)个子空间，如此，每个器官必然处于一个子空间内。
S42，以所述茎关注器官群为中心，分别计算所述根、叶、花、果实和种子的关注器官群的子空间拉普拉斯密度。
可以理解为，根据上述实施例，选取样本植株的茎部作为植株中心器官，相应的本步骤以茎关注器官群为中心，分别计算除茎部中心以外的剩余5个器官的子空间拉普拉斯密度。
其中，在一个实施例中，所述S42的进一步处理步骤参考图6，为本发明实施例一种计算各植株器官关注器官群的子空间拉普拉斯密度的流程图，包括：
S421，分别计算所述根、叶、花、果实和种子的理论正态分布子空间拉普拉斯密度。
可以理解为，对每种植株器官，按下式计算其子空间拉普拉斯密度：
式中，X表示关节坐标，u表示子空间中心，∑表示协方差矩阵，令∑＝d/3*n*I，式中，d表示每个子空间对角线的长度，n表示子空间维数，I表示标准矩阵。
S422，根据所述理论正态分布子空间拉普拉斯密度，设置距离子空间中心距离大于设定距离阈值的关注器官群所对应的器官空间的拉普拉斯密度值为设定常数。
可以理解为，对于正态分布，99％的信息包含在正负3个标准差内(即d*n*I，n＝3～5)。令距离子空间中心距离djoint，bin＞ε(ε＝d；)的器官群对应器官空间的拉普拉斯密度p(X,u,∑)＝0。
S43，根据每个所述样本植株的根、茎、叶、花、果实和种子的关注器官群分别对应的子空间拉普拉斯密度，构成所述样本植株的多维拉普拉斯特征。
可以理解为，对于每个样本植株，以其根、茎、叶、花、果实和种子6个器官空间分别对应的子空间拉普拉斯密度构成变化状态特征表达。
其中步骤S5中，采用K-Means聚类算法，构建拉普拉斯聚类核，将投影到植株空间的多维拉普拉斯空间特征聚为M组器官分类，并提取代表每组器官的聚类索引中心。
其中，在一个实施例中，步骤S5中所述基于每个所述植株器官的多维拉普拉斯特征，构建拉普拉斯聚类核的步骤进一步包括：
根据下式构造所述拉普拉斯聚类核：
式中，x、y表示不同植株器官的多维拉普拉斯特征，σ表示x和y的标准差。
其中可选的，步骤S5中所述将所有所述多维拉普拉斯特征聚类为对应的器官分类，并提取每个所述器官分类的聚类索引中心的进一步处理步骤参考图7，为本发明实施例一种进行多维拉普拉斯特征聚类的流程图，包括：
S51，基于所述拉普拉斯聚类核，计算各组植株器官的多维拉普拉斯特征的相似度s(x,y)。
具体的，根据上述拉普拉斯聚类核的计算方法，构建不同植株器官对应的拉普拉斯聚类核，并根据该构建拉普拉斯聚类核，计算各组动作拉普拉斯密度特征相似度。
S52，针对分散矩阵，令
的相似度为0，构建类间相似矩阵。
S53，根据所述相似度和所述样本植株的总个数，确定参考值，并根据所述样本植株，通过消息传递，确定聚类数。
具体的，按下式选取参考值：
式中，s(k,k)表示相似度，n表示样本个数。
根据上述样本，通过消息传递，自动确定聚类数。
S54，利用支持相似矩阵的贪婪聚类，获取每个所述器官分类的聚类索引中心。
具体的，利用支持相似矩阵的贪婪聚类特性，分析上述步骤获取的各器官分类，获取样本植株各植株器官对应的聚类索引中心。
其中步骤S6中，针对每组器官，采用每个器官所属聚类索引中心构建器官特征字典。在一个实施例中，在构建器官特征字典之后，还对每组器官的特征字典进行数据清洗，滤除无效字。
其中可选的，所述S6的进一步处理步骤参考图8，为本发明实施例一种构建器官特征字典的流程图，包括：
S61，替换所述样本植株的原始器官为该样本植株的所述中心器官，获取一组视觉词汇串。
具体的，通过替换初始器官特征的所有样本为其所属样本的中心器官，得到一组视觉词汇串。
S62，通过分析植株器官图像样本的所述视觉词汇串的连续相似度，去除连续相似度高于设定阈值的视觉词汇串，获取器官特征字典。
具体的，通过分析每个器官图像样本的视觉词汇串，去除词汇串中连续相似度较高的词汇串，以降低异构样本间空间与时间迁移造成的影响，得到器官特征字典。
其中步骤S7中，利用上述步骤构建的器官特征字典，对应不同植株器官构建植株器官集群的条件随机场模型。参考图9，为本发明实施例一种植株生长状态条件随机场模型示意图。
然后根据样本植株对应的多维拉普拉斯特征构造训练样本，对植株器官集群的条件随机场模型进行训练，通过模型参数优化，最终获取输出满足预设标准的植物状态识别模型。
其中，在一个实施例中，在进行条件随机场模型的训练时，按下式对模型参数进行优化：
minθf(θ)＝-log pθ(Y|X)+r(θ)；
其中：
式中，m∈Y，j∈[0,T]，gb(yt,yt-1)＝1[yt＝m1∧yt-1＝m2]，m1,m2∈Y。
通过最小化目标函数f(θ)的取值，不断修正模型参数θ，使模型预测识别输出与理论输出的误差达到设定标准，完成模型训练。
其中，在一个实施例中，结合光照信息和土壤信息构建植株状态识别模型。
其中步骤S8中，根据目标植物生长光，以及目标植物的待识别光照图像对应的植株器官多维拉普拉斯特征，构建待识别的目标植物的状态识别特征。将待识别的目标植物的状态识别特征作为植物状态识别模型的输入，预测目标植物的生长状态变化趋势。
本发明实施例提供的一种基于植物光照图像的植物生长状态识别方法，通过将植物的植株坐标数据标准化，从标准化的图像中提取出植株的器官，能够有效提升对植物植株生长状态观察检测的准确性，避免图像失真、失格等因素造成的检测结果不准确。
同时，基于统计每一种器官中器官特征在空间和时间上变化突出的器官，分析决策聚类的光照数据，构建关注器官群与植物生长光，能够避免植物生长状态可能因素的遗漏，客观准确地将植物生长状态反馈给用户。
本发明对植物植株图像数据和环境数据，以及对土壤的种类、营养含量及光照强度色度等各项环境参数均具有较高的辨识度，能够有效提高对植株各器官的识别度，从而更准确地判定各植株器官的生长状态。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于植物光照图像的植物生长状态识别方法，其特征在于，包括：
S1，基于样本植株的长时间连续变化图像，以及所述样本植株的生长环境土壤特性信息，获取所述样本植株的植株色彩纹理坐标，并基于所述样本植株的光照信息预测目标植物的叶片吸收光照图像；
S2，对所述植株色彩纹理坐标进行数据标准化处理，从标准化处理后的样本植株图像中提取植株器官，并基于所述叶片吸收光照图像，确定所述目标植物的喜光类型；
S3，通过分析统计所述植株器官的器官特性在空间和时间上的变化突出性，并分析所述目标植物决策聚类的所述喜光类型，构建关注器官群和目标植物生长光；
S4，基于所述关注器官群，计算每个所述样本植株关于各植株器官的多维拉普拉斯特征；
S5，基于每个所述植株器官的多维拉普拉斯特征，构建拉普拉斯聚类核，将所有所述多维拉普拉斯特征聚类为对应的器官分类，并提取每个所述器官分类的聚类索引中心；
S6，针对每个所述器官分类对应的所述植株器官，基于每个所述植株器官所属的所述聚类索引中心，构建器官特征字典；
S7，基于所述器官特征字典和所述样本植株对应的多维拉普拉斯特征，构建并训练植株器官集群的条件随机场模型，获取植物状态识别模型；
S8，基于所述目标植物生长光，以及所述目标植物的待识别光照图像对应的植株器官多维拉普拉斯特征，利用所述植物状态识别模型，预测所述目标植物的生长状态变化趋势。
2.根据权利要求1所述的方法，其特征在于，所述S1的步骤进一步包括：
S11，提取所述长时间连续变化图像的深度信息和所述样本植株的光照信息，利用基于朴素贝叶斯分类器的物体识别方法，确定所述样本植株的植株位置；
S12，基于所述样本植株的植株位置和所述样本植株的生长环境土壤特性信息，获取所述样本植株的植株色彩纹理坐标；
S13，利用高阶滤波器模拟所述样本植株叶片吸收光线的功能，预测所述目标植物的叶片吸收光照图像。
3.根据权利要求1或2所述的方法，其特征在于，步骤S2中所述对所述植株色彩纹理坐标进行数据标准化处理的步骤进一步包括：
分别对所述样本植株的植株大小、植株器官特征和植株土壤分布进行标准化处理；其中，
对所述样本植株的植株大小进行标准化处理的步骤进一步包括：
选取所述样本植株中植株形态模型满足设定标准的植株作为标准尺寸植株；
保持所述样本植株对应的植株图像特征矢量的方向不变，将每个所述植株图像特征矢量的长度调整为所述标准尺寸植株对应的植株图像特征矢量的长度；
选取所述样本植株的指定器官作为中心器官，构建植株树，并根据所述标准尺寸植株对应的植株图像特征矢量的长度，移动各所述植株树，调整移动矢量；
对所述样本植株的植株器官特征进行标准化处理的步骤进一步包括：
以所述指定器官作为新坐标参考空间的坐标零点，移动所有所述植株树；
对所述样本植株的植株土壤分布进行标准化处理的步骤进一步包括：
以所述样本植株的生长环境土壤左边界至右边界矢量作为原始坐标系横轴，确定原始坐标系；
以所述样本植株的生长环境土壤界面中心为所述新坐标参考空间的坐标零点，构造垂直于所述生长环境土壤界面的坐标，作为所述新坐标参考空间的坐标竖轴；
旋转所述生长环境土壤界面，将其投影到所述新坐标参考空间。
4.根据权利要求3所述的方法，其特征在于，步骤S3中所述构建关注器官群的步骤进一步包括：
S31，基于所述植株器官对应的色彩纹理坐标，计算对应样本植株图像中邻接图像帧的色彩纹理变化距离；
S32，叠加所有所述色彩纹理变化距离，获取对应样本植株的植株器官的色彩纹理变化图；
S33，利用贪婪算法，预设聚类数量，采用海明距离为对应植株器官的相似度，进行所述色彩纹理变化距离测量；
S34，滤除所述色彩纹理变化距离最短的植株器官视频帧图，以所述色彩纹理变化距离最长的两种植株器官作为器官特征在空间和时间上变化突出的器官，构建对应生长状态的关注器官群。
5.根据权利要求4所述的方法，其特征在于，步骤S3中所述构建关注器官群的步骤进一步包括：
构建包括所述样本植株的根、茎、叶、花、果实和种子的关注器官群。
6.根据权利要求5所述的方法，其特征在于，所述S4的步骤进一步包括：
S41，将所述新坐标参考空间按给定划分规则划分为多个子空间，使各所述植株器官处于不同的子空间内；
S42，以所述茎关注器官群为中心，分别计算所述根、叶、花、果实和种子的关注器官群的子空间拉普拉斯密度；
S43，根据每个所述样本植株的根、茎、叶、花、果实和种子的关注器官群分别对应的子空间拉普拉斯密度，构成所述样本植株的多维拉普拉斯特征。
7.根据权利要求6所述的方法，其特征在于，步骤S5中所述基于每个所述植株器官的多维拉普拉斯特征，构建拉普拉斯聚类核的步骤进一步包括：
根据下式构造所述拉普拉斯聚类核：
式中，x、y表示不同植株器官的多维拉普拉斯特征，σ表示x和y的标准差。
8.根据权利要求7所述的方法，其特征在于，步骤S5中所述将所有所述多维拉普拉斯特征聚类为对应的器官分类，并提取每个所述器官分类的聚类索引中心的步骤进一步包括：
S51，基于所述拉普拉斯聚类核，计算各组植株器官的多维拉普拉斯特征的相似度s(x,y)；
S52，针对分散矩阵，令
s(x,y)＜-10-5的相似度为0，构建类间相似矩阵；
S53，根据所述相似度和所述样本植株的总个数，确定参考值，并根据所述样本植株，通过消息传递，确定聚类数；
S54，利用支持相似矩阵的贪婪聚类，获取每个所述器官分类的聚类索引中心。
9.根据权利要求3所述的方法，其特征在于，所述S6的步骤进一步包括：
S61，替换所述样本植株的原始器官为该样本植株的所述中心器官，获取一组视觉词汇串；
S62，通过分析植株器官图像样本的所述视觉词汇串的连续相似度，去除连续相似度高于设定阈值的视觉词汇串，获取器官特征字典。
10.根据权利要求6所述的方法，其特征在于，所述S42的步骤进一步包括：
S421，分别计算所述根、叶、花、果实和种子的理论正态分布子空间拉普拉斯密度；
S422，根据所述理论正态分布子空间拉普拉斯密度，设置距离子空间中心距离大于设定距离阈值的关注器官群所对应的器官空间的拉普拉斯密度值为设定常数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810041037.7A CN108346142B (zh) | 2018-01-16 | 2018-01-16 | 一种基于植物光照图像的植物生长状态识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810041037.7A CN108346142B (zh) | 2018-01-16 | 2018-01-16 | 一种基于植物光照图像的植物生长状态识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108346142A CN108346142A (zh) | 2018-07-31 |
| CN108346142B true CN108346142B (zh) | 2020-08-14 |
Family
ID=62960365
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810041037.7A Expired - Fee Related CN108346142B (zh) | 2018-01-16 | 2018-01-16 | 一种基于植物光照图像的植物生长状态识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108346142B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815846B (zh) * | 2018-12-29 | 2021-08-27 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、存储介质和电子装置 |
| CN111027375A (zh) * | 2019-10-29 | 2020-04-17 | 厦门迈信物联科技股份有限公司 | 一种植物生长品质自动识别方法 |
| CN111462301B (zh) * | 2020-03-05 | 2022-10-28 | 清华大学 | 用于多视图植物三维重建的生成模型的构建方法 |
| CN114266734B (zh) * | 2021-12-03 | 2023-04-07 | 深圳市桑瑞生物科技有限公司 | 植物生长阶段的识别方法、装置、设备及存储介质 |
| CN114565846A (zh) * | 2022-02-24 | 2022-05-31 | 杭州睿胜软件有限公司 | 植物生长环境的识别方法、设备及计算机可读存储介质 |
| CN114973001B (zh) * | 2022-06-17 | 2023-02-03 | 东北林业大学 | 一种湿地植物生长信息监测方法 |
| CN115067097A (zh) * | 2022-07-26 | 2022-09-20 | 江苏桁壹生物科技有限公司 | 一种植物培养人工补光方法、***及设备 |
| CN115601413B (zh) * | 2022-10-25 | 2023-06-16 | 广州市嘉卉园林绿化建筑工程有限公司 | 一种园林绿化养护监测及预警方法与*** |
| CN116076253A (zh) * | 2022-12-19 | 2023-05-09 | 河源职业技术学院 | 一种新型嫁接技术“剪式”枝接法 |
| CN116311086B (zh) * | 2023-05-23 | 2023-08-22 | 苏州浪潮智能科技有限公司 | 植物监测方法、植物监测模型的训练方法、装置及设备 |
| CN116824581A (zh) * | 2023-06-08 | 2023-09-29 | 中国科学院空间应用工程与技术中心 | 空间水稻叶尖检测与生长轨迹生成方法、***和存储介质 |
| CN117150785B (zh) * | 2023-09-05 | 2024-05-24 | 之江实验室 | 一种大豆生长全生育期仿真方法及*** |
| CN117236070B (zh) * | 2023-11-08 | 2024-01-30 | 吉林大学 | 基于最佳产量的区域玉米植株磷需求量定量化获取方法 |
| CN117910662B (zh) * | 2024-03-19 | 2024-05-28 | 中国建筑西南设计研究院有限公司 | 一种城市建筑群绿地布置优化方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955938A (zh) * | 2014-05-15 | 2014-07-30 | 安徽农业大学 | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 |
| US9652840B1 (en) * | 2014-10-30 | 2017-05-16 | AgriSight, Inc. | System and method for remote nitrogen monitoring and prescription |
| CN106682570A (zh) * | 2016-11-04 | 2017-05-17 | 东莞市隆声智能科技有限公司 | 一种植物的长势监控方法和装置 |
| CN106971409A (zh) * | 2017-02-23 | 2017-07-21 | 北京农业信息技术研究中心 | 玉米冠层叶色建模***及方法 |
| CN107295310A (zh) * | 2017-07-31 | 2017-10-24 | 深圳前海弘稼科技有限公司 | 种植监控方法和种植监控装置 |
-
2018
- 2018-01-16 CN CN201810041037.7A patent/CN108346142B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955938A (zh) * | 2014-05-15 | 2014-07-30 | 安徽农业大学 | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 |
| US9652840B1 (en) * | 2014-10-30 | 2017-05-16 | AgriSight, Inc. | System and method for remote nitrogen monitoring and prescription |
| CN106682570A (zh) * | 2016-11-04 | 2017-05-17 | 东莞市隆声智能科技有限公司 | 一种植物的长势监控方法和装置 |
| CN106971409A (zh) * | 2017-02-23 | 2017-07-21 | 北京农业信息技术研究中心 | 玉米冠层叶色建模***及方法 |
| CN107295310A (zh) * | 2017-07-31 | 2017-10-24 | 深圳前海弘稼科技有限公司 | 种植监控方法和种植监控装置 |
Non-Patent Citations (3)
| Title |
|---|
| Identifying blueberry fruit of different growth stages using natural outdoor color images;Han Li等;《Computers and Electronics in Agriculture》;20140515;第91-101页 * |
| 作物长势监控图像中绿色植物的识别方法研究;赵晓兰;《中国优秀硕士学位论文全文数据库信息科技辑》;20151215(第12期);I138-570 * |
| 基于计算机视觉技术的棉花长势监测***构建;贾彪;《中国博士学位论文全文数据库农业科技辑》;20150315(第3期);D047-59 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108346142A (zh) | 2018-07-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108346142B (zh) | 一种基于植物光照图像的植物生长状态识别方法 | |
| Liu et al. | Tomato diseases and pests detection based on improved Yolo V3 convolutional neural network | |
| CN107316289B (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
| CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
| US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| CN113192026A (zh) | 一种基于可见光图像的核桃成熟度检测与预测方法 | |
| Khadivi-Khub et al. | Analysis of grape germplasm from Iran based on fruit characteristics | |
| Selvi et al. | Weed detection in agricultural fields using deep learning process | |
| CN114637351B (zh) | 一种设施作物温室环境调控方法及*** | |
| Zhao et al. | Transient multi-indicator detection for seedling sorting in high-speed transplanting based on a lightweight model | |
| Tobias et al. | Hybrid tree-fuzzy logic for aquaponic lettuce growth stage classification based on canopy texture descriptors | |
| Nabwire et al. | Estimation of cold stress, plant age, and number of leaves in watermelon plants using image analysis | |
| Desiderio et al. | Health Classification System of Romaine Lettuce Plants in Hydroponic Setup Using Convolutional Neural Networks (CNN) | |
| CN112364710A (zh) | 一种基于深度学习算法的植物电信号分类识别方法 | |
| CN116563714A (zh) | 一种自动化判别水稻生长阶段的方法和*** | |
| CN105184234B (zh) | 一种冬小麦秸秆焚烧污染物排放量的测算方法及装置 | |
| CN115690609A (zh) | 一种作物生育期长势监测的方法 | |
| CN114780826A (zh) | 一种基于植物的疾病和害虫数据的分析挖掘*** | |
| Lu et al. | A classification method of stress in plants using unsupervised learning algorithm and chlorophyll fluorescence technology | |
| Shuai et al. | Image segmentation of field rape based on template matching and K-means clustering | |
| ZHANG et al. | Nutrient deficiency diagnosis in whole hydroponic lettuce based on random forest. | |
| Jackson et al. | Robust Ensemble Machine Learning for Precision Agriculture | |
| Hilli | An overview on phenomics applications in different agriculture disciplines | |
| CN117235322B (zh) | 作物耐盐高产品种筛选方法、装置、电子设备及存储介质 | |
| CN117745148B (zh) | 基于多源数据的稻茬烤烟种植质量评价方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200814 Termination date: 20210116 |