CN109191518A - 一种植物生长用计算机测量显示***及控制方法 - Google Patents
一种植物生长用计算机测量显示***及控制方法 Download PDFInfo
- Publication number
- CN109191518A CN109191518A CN201811056999.6A CN201811056999A CN109191518A CN 109191518 A CN109191518 A CN 109191518A CN 201811056999 A CN201811056999 A CN 201811056999A CN 109191518 A CN109191518 A CN 109191518A
- Authority
- CN
- China
- Prior art keywords
- plant
- plant growth
- growth
- vector
- display system
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明属于植物测量技术领域,公开了一种植物生长用计算机测量显示***及控制方法,植物生长用计算机测量显示***包括:检测台、近红外发光二极管、密闭橡皮、检测器、转臂、光学透镜、光纤、置物台、检测控制器、放大器、光电传感器、太阳能供电模块、建模模块、显示模块。本发明通过太阳能供电模块可以获取源源不断的太阳能进行供电,节省能源,经济环保;本技术采用整体的***集成,简化流程,减少能耗,通过密闭检测环境提高检测精度,适合于小型实验室的应用;同时,本发明通过建模模块基于植物真实测量数据,能实现真实植物生长建模。
Description
技术领域
本发明属于植物测量技术领域,尤其涉及一种植物生长用计算机测量显示***及控制方法。
背景技术
植物是生命的主要形态之一,包含了如树木、灌木、藤类、青草、蕨类、及绿藻、地衣等熟悉的生物。种子植物、苔藓植物、蕨类植物和拟蕨类等植物中,据估计现存大约有350000个物种。绿色植物大部分的能源是经由光合作用从太阳光中得到的,温度、湿度、光线、淡水是植物生存的基本需求。种子植物共有六大器官:根、茎、叶、花、果实、种子。绿色植物具有光合作用的能力——借助光能及叶绿素,在酶的催化作业下,利用水、无机盐和二氧化碳进行光合作用,释放氧气,吸收二氧化碳,产生葡萄糖等有机物,供植物体利用。然而,现有模拟光合作用中的数据信息采集***通过传统方式供电,耗费电能;同时传统的抽样测量氧气数据,过程繁琐、检测不方便。
综上所述,现有技术存在的问题是:
现有模拟光合作用中的数据信息采集***通过传统方式供电,耗费电能;同时传统的抽样测量氧气数据,过程繁琐、检测不方便。
现有的植物生长中,不同的生长图形,如高度、直径度等信息,只有大差别才能准确判读,对于每天的变化检测率差,不能实施检测植物的生长状态,不能对植物的实时病害造成的生长信息进行生长图形反馈出来;图形相似度常用识别方法有概率统计算法、特征值的最小均方误差和几何外观特征必要条件的加权平均算法等。虽然取得了一定的效率,但也存在一些不足:算法的实现过程和视觉分辨的匹配性不直观;算法复杂,导致数据处理量大,运行成本高;算法的平均性分析导致图形中重要几何特征的变化对整体相似度的影响,导致准确性和稳定性存在一定偏差。
现有技术中植物生长信息检测中,仅仅关注了植物生长数据的局部几何结构,而没有体现数据的整体信息。
发明内容
针对现有技术存在的问题,本发明提供了一种植物生长用计算机测量显示***及控制方法。
本发明是这样实现的,一种植物生长用计算机测量显示***的控制方法,包括:
通过检测器对植物叶片表面进行植物生长信息测量,并通过带有温度校正的植物生长信息定标模型进行校正;
对植物叶片表面进行植物生长信息测量中,包括:消除图形中的奇化部分;建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理;
所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关;
完备向量组,按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
植物生长信息定标模型的数字调制信号x(t)的分数低阶模糊函数表示为:
其中,τ为时延偏移,f为多普勒频移,0<a,b<α/2,x*(t)表示x(t)的共轭,当x(t)为实信号时,x(t)<p>=|x(t)|<p>sgn(x(t));当x(t)为复信号时,[x(t)]<p>=|x(t)|p-1x*(t);
将采集的植物信息通传送到检测控制器,由光电传感器经由放大器发送到建模模块、显示模块;通过建模模块利用数据软件根据采集的植物参数构建植物生长模型;通过显示模块显示检测的生物生长信息;构建植物生长模型的方法包括:植物生长信息数据的预处理及分组;
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类;
植物生长信息数据的预处理及分组,包括:
a)选用SPM8软件对植物生长信息数据进行预处理:包括时间片校正、空间校正、配准图像、图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照扫描时间序列以及认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,即为训练数据,剩下的样本点作为测试数据;
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法定义。
进一步,所述图形中源图形和目标图形作预处理包括:
根据图形最小包容矩形长宽比设置适当域值,进行过滤;
根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分;
对目标图形边数作化简处理,使和源图形具有相同边数;
获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括:
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
PE=[P1 T P2 T … P2N-1 T P2N T];
QE=[Q1 T Q2 T … Q2N-1 T Q2N T];
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值;
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
然后再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc;
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数;
所述对计算结果的增强性处理包括:
对初始向量进行一次到多次变形,在用相邻边角序列构造初始向量的基础上,再添加图形的几何特征值,采用添加顺序的相邻边角比作为新的初始向量;将初始向量进行一次到多次非线性化处理,采用将初始向量进行开方处理;
对变形后的初始向量进行多次相似度计算,最后按加权平均取值,以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定,n=4,ki取0.25。
进一步,计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,其具体步骤如下:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵可以按照此方法依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入可以表示为:
进一步,分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类,其具体步骤如下:
假设测试样本数为m个,样本集为(X1,X2,...,Xm),通过所得到的转换矩阵计算测试样本的嵌入:
在得到训练样本和测试样本的嵌入的基础上,利用基于张量距离的近邻分类器进行分类,得到每一个测试样本所属的类别,即预测出植物生长状态整体信息。
进一步,建模模块建模方法包括:
(1)采集植物点云数据;
(2)计算所述植物形状特征,所述形状特征包括几何结构特征、拓扑结构特征、统计特征;
(3)根据所述植物形状特征提取植物基元并设计所述植物生长规则;
(4)拟合植物个体模型得到所述植物生长参数,所述生长参数包括节间长度、生长速度和生长时间;
所述采集植物点云数据,具体为采用车载移动数据采集平台,采集植物点云数据,所述数据采集平台为StreetMapper***或Lynx***。
计算所述几何结构特征的方法包括:首先从所述植物点云数据中提取植物骨架并重建植物三维模型,基于所述植物三维模型计算枝干间的夹角、节间距,从植物图片中判断植物的叶序和器官个数;
计算所述拓扑结构特征的方法包括:根据植物骨架直接判断该植物属于23种基本结构的哪一种;
植物形状特征提取植物基元并设计所述植物生长规则,包括下述步骤:
通过植物形状特征聚类找到相似的几何与拓扑结构单元,并定义为基元;
从最大的基元集合开始分析各基元两两之间的变换矩阵,并将所述变换矩阵投影到对应的参数空间进行聚类;
提取所述最大的基元集合的变换构造生长规则;
重复上述步骤,直到分析完所有的基元集合,得到该类植物的生长规则;
最大的基元集合开始分析各基元两两之间的变换矩阵,具体为:计算两基元之间的平移t、旋转R及缩放系数s,构建齐次坐标系下的变换矩阵H=[sR,t;0,1];
拟合植物个体模型得到所述植物生长参数包括下述步骤:
基于所述植物生长规则改变所述生长参数生成不同形状的植物个体;
计算生成的植物个体和待拟合的植物个体P之间的相似度;
通过优化算法使生成的植物与P的相似度最大,得到所述植物个体P的生长参数。
本发明另一目的在于提供一种实现所述植物生长用计算机测量显示***的控制方法的计算机程序。
本发明另一目的在于提供一种实现所述植物生长用计算机测量显示***的控制方法的信息数据处理终端。
本发明另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的植物生长用计算机测量显示***的控制方法。
本发明另一目的在于提供一种实现所述植物生长用计算机测量显示***的控制方法的植物生长用计算机测量显示***所述植物生长用计算机测量显示***包括:
检测台;检测台内部嵌装有近红外发光二极管;检测台中央通过转臂连接上下两个检测器;检测台右边通过强力胶固定有密闭橡皮;检测台左边通过螺丝固定有检测控制器;检测控制器内部顶端通过螺丝固定有光电传感器;检测控制器内部左端通过螺丝固定有放大器;转臂顶端通过螺丝固定有置物台;置物台内部通过螺丝固定有光学透镜;光学透镜通过光纤的出射端与光电传感器的输入端连接;光电传感器的输出端与放大器的输入端连接;检测控制器通过电路线分别连接太阳能供电模块、建模模块、显示模块;
太阳能供电模块,与检测控制器连接,用于通过太阳能电池板将太阳能转化为电能给检测控制器进行供电;
建模模块,与检测控制器连接,用于通过数据软件根据采集的植物参数构建植物生长模型;
显示模块,与检测控制器连接,用于通过显示器显示检测的生物生长信息。
本发明另一目的在于提供一种植物生长用计算机测量显示设备,所述植物生长用计算机测量显示设备至少搭载所述的植物生长用计算机测量显示***。
本发明的优点及积极效果为:
本发明通过太阳能供电模块可以获取源源不断的太阳能进行供电,节省能源,经济环保;本发明直接对植物叶片表面进行植物生长信息测量,并通过带有温度校正的植物生长信息定标模型进行校正,减少了外界温度对检测结果的影响;采用检测器和密闭橡皮,形成检测暗室,避免外界光源的干扰,提高检测进度和检测速度,适合现场植物生长信息采集。本技术采用整体的***集成,简化流程,减少能耗,通过密闭检测环境提高检测精度,适合于小型实验室的应用;同时,本发明通过建模模块采集植物点云数据,计算所述植物形状特征,根据所述植物形状特征提取植物基元并设计所述植物生长规则再拟合植物个体模型得到所述植物生长参数。相对比现有植物生长建模侧重于植物生长机理的建模,主要基于植物学知识和专家经验,是经验式、定性化、群体式的虚拟植物生长模拟,这种建模方式针对的是植物群体的行为,很难模拟特定植物个体的生长过程,而且这些建模方法严重依赖于植物学专家的专业知识和个人经验,本发明基于植物真实测量数据,能实现真实植物生长建模。
本发明的检测方法提高了机器对图形相似度的视觉分辨效果,尤其对人工不易分辨高相似度图形的难点有很大帮助;图形检测效果有较强的稳定性和可靠性;检测时间短,运行高效,实施效果成本低。本发明仅对图形的边进行查询,减少了数据处理量。本发明通过构造图形的特征矩阵,选取合适的判定准则,并对特征矩阵元素进行多次增强性非线性变换,用多数值、多标准的加权平均值建立相似度标准,达到了算法高效并有较强的稳定性。
本发明利用TLPP算法直接对多维张量进行降维和特征提取,克服了传统降维方法单纯的进行降维而破坏了原始图像的结构和相关性,不能完全保持原始图像中的冗余和结构的不足,考虑了数据在张量空间的几何和拓扑结构特性,保留了fMRI成像数据的空间结构信息,数据降维后,可以有效的对植物生长整体图形进行识别分类。
本发明相对于其他的先进行矢量化再进行降维的方法来说,不仅继承了传统方法的优点,而且还大大减少了空间和时间的复杂度,克服了维数灾难,计算量较小,内存消耗小,耗时较短。
本发明利用基于张量距离的近邻分类器进行判别分类,对于一些高阶的数据,由于其特殊的几何和拓扑结构特性,传统的欧式距离并不能真正地反应两个张量之间的距离,因此采用此分类器,提高了植物生长信息识别分类的准确性。
附图说明
图1是本发明实施例提供的植物生长用计算机测量显示***结构框图。
图中:1、检测台;2、近红外发光二极管;3、密闭橡皮;4、检测器;5、转臂;6、光学透镜;7、光纤;8、置物台;9、检测控制器;10、放大器;11、光电传感器;12、太阳能供电模块;13、建模模块;14、显示模块。
图2是本发明实施例提供的建模模块的建模方法流程图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示,本发明提供的植物生长用计算机测量显示***包括:检测台1、近红外发光二极管2、密闭橡皮3、检测器4、转臂5、光学透镜6、光纤7、置物台8、检测控制器9、放大器10、光电传感器11、太阳能供电模块12、建模模块13、显示模块14。
检测台1内部嵌装有近红外发光二极管2;检测台1中央通过转臂5连接上下两个检测器4;检测台1右边通过强力胶固定有密闭橡皮3;检测台1左边通过螺丝固定有检测控制器9;检测控制器9内部顶端通过螺丝固定有光电传感器11;检测控制器9内部左端通过螺丝固定有放大器10;转臂5顶端通过螺丝固定有置物台8;置物台8内部通过螺丝固定有光学透镜6;光学透镜6通过光纤7的出射端与光电传感器11的输入端连接;光电传感器11的输出端与放大器10的输入端连接;检测控制器9通过电路线分别连接太阳能供电模块12、建模模块13、显示模块14。
太阳能供电模块12,与检测控制器9连接,用于通过太阳能电池板将太阳能转化为电能给检测控制器进行供电;
建模模块13,与检测控制器9连接,用于通过数据软件根据采集的植物参数构建植物生长模型;
显示模块14,与检测控制器9连接,用于通过显示器显示检测的生物生长信息。
如图2,本发明实施例提供的建模模块DE建模方法,包括:
S101:采集植物点云数据;
S102:计算所述植物形状特征,所述形状特征包括几何结构特征、拓扑结构特征、统计特征;
S103:根据所述植物形状特征提取植物基元并设计所述植物生长规则;
S104:拟合植物个体模型得到所述植物生长参数,所述生长参数包括节间长度、生长速度和生长时间。
本发明提供的采集植物点云数据,具体为采用车载移动数据采集平台,采集植物点云数据,所述数据采集平台为StreetMapper***或Lynx***。
本发明提供的计算所述几何结构特征的方法为:首先从所述植物点云数据中提取植物骨架并重建植物三维模型,基于所述植物三维模型计算枝干间的夹角、节间距,从植物图片中判断植物的叶序和器官个数。
本发明提供的计算所述拓扑结构特征的方法为:根据植物骨架直接判断该植物属于23种基本结构的哪一种。
本发明提供的植物形状特征提取植物基元并设计所述植物生长规则,包括下述步骤:
通过植物形状特征聚类找到相似的几何与拓扑结构单元,并定义为基元;
从最大的基元集合开始分析各基元两两之间的变换矩阵,并将所述变换矩阵投影到对应的参数空间进行聚类;
提取所述最大的基元集合的变换构造生长规则;
重复上述步骤,直到分析完所有的基元集合,得到该类植物的生长规则。
本发明提供的最大的基元集合开始分析各基元两两之间的变换矩阵,具体为:计算两基元之间的平移t、旋转R及缩放系数s,构建齐次坐标系下的变换矩阵H=[sR,t;0,1]。
本发明提供的拟合植物个体模型得到所述植物生长参数包括下述步骤:
基于所述植物生长规则改变所述生长参数生成不同形状的植物个体;
计算生成的植物个体和待拟合的植物个体P之间的相似度;
通过优化算法使生成的植物与P的相似度最大,得到所述植物个体P的生长参数。
本发明测量时,通过太阳能供电模块12利用太阳能电池板将太阳能转化为电能给检测控制器9进行供电;利用检测台1内部近红外发光二极管2照射植物,通过检测器4直接对植物叶片表面进行植物生长信息测量,并通过带有温度校正的植物生长信息定标模型进行校正,减少了外界温度对检测结果的影响;采用检测器4和密闭橡皮3,形成检测暗室,避免外界光源的干扰,提高检测进度和检测速度,适合现场植物生长信息采集;接着,光学透镜6将采集的植物信息通过光纤7传送到检测控制器9由光电传感器11经由放大器10发送到建模模块13、显示模块14;通过建模模块13利用数据软件根据采集的植物参数构建植物生长模型;最后,通过显示模块14利用显示器显示检测的生物生长信息。
下面结合具体分析对本发明作进一步描述。
本发明实施例提供的植物生长用计算机测量显示***的控制方法,包括:
通过检测器对植物叶片表面进行植物生长信息测量,并通过带有温度校正的植物生长信息定标模型进行校正;
对植物叶片表面进行植物生长信息测量中,包括:消除图形中的奇化部分;建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理;
所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关;
完备向量组,按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
植物生长信息定标模型的数字调制信号x(t)的分数低阶模糊函数表示为:
其中,τ为时延偏移,f为多普勒频移,0<a,b<α/2,x*(t)表示x(t)的共轭,当x(t)为实信号时,x(t)<p>=|x(t)|<p>sgn(x(t));当x(t)为复信号时,[x(t)]<p>=|x(t)|p-1x*(t);
将采集的植物信息通传送到检测控制器,由光电传感器经由放大器发送到建模模块、显示模块;通过建模模块利用数据软件根据采集的植物参数构建植物生长模型;通过显示模块显示检测的生物生长信息;构建植物生长模型的方法包括:植物生长信息数据的预处理及分组;
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类;
植物生长信息数据的预处理及分组,包括:
a)选用SPM8软件对植物生长信息数据进行预处理:包括时间片校正、空间校正、配准图像、图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照扫描时间序列以及认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,即为训练数据,剩下的样本点作为测试数据;
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法定义。
所述图形中源图形和目标图形作预处理包括:
根据图形最小包容矩形长宽比设置适当域值,进行过滤;
根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分;
对目标图形边数作化简处理,使和源图形具有相同边数;
获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括:
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
PE=[P1 T P2 T … P2N-1 T P2N T];
QE=[Q1 T Q2 T … Q2N-1 T Q2N T];
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值;
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
然后再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc;
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数;
所述对计算结果的增强性处理包括:
对初始向量进行一次到多次变形,在用相邻边角序列构造初始向量的基础上,再添加图形的几何特征值,采用添加顺序的相邻边角比作为新的初始向量;将初始向量进行一次到多次非线性化处理,采用将初始向量进行开方处理;
对变形后的初始向量进行多次相似度计算,最后按加权平均取值,以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定,n=4,ki取0.25。
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,其具体步骤如下:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵可以按照此方法依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入可以表示为:
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类,其具体步骤如下:
假设测试样本数为m个,样本集为(X1,X2,...,Xm),通过所得到的转换矩阵计算测试样本的嵌入:
在得到训练样本和测试样本的嵌入的基础上,利用基于张量距离的近邻分类器进行分类,得到每一个测试样本所属的类别,即预测出植物生长状态整体信息。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种植物生长用计算机测量显示***的控制方法,其特征在于,所述植物生长用计算机测量显示***的控制方法包括:
通过检测器对植物叶片表面进行植物生长信息测量,并通过带有温度校正的植物生长信息定标模型进行校正;
对植物叶片表面进行植物生长信息测量中,包括:消除图形中的奇化部分;建立两图形的数学模型,由描述图形的完备向量组建立与图形对应的特征矩阵,计算出相邻两边的夹角;计算两图形间的最近距离;对计算结果的增强性处理;
所述建立的数学模型用多边形的边长和邻角按逆时针构造一个向量S1表示多边形:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S1和该多边形有一一映射关系,其表示与边角初始顺序无关;
完备向量组,按逆时针方向,有2N个向量S1、S2……S2N-1、S2N和多边形均有一一映射关系,构成了该多边形的一个完备向量组,表示如下:
S1=(l1,α1,l2,α2…lN-1,αN-1,lN,αN);
S2=(α1,l2,α2…lN-1,αN-1,lN,αN,l1);
……
S2N-1=(lN,αN,l1,α1,l2,α2…lN-1,αN-1);
S2N=(αN,l1,α1,l2,α2…lN-1,αN-1,lN);
用矩阵SE表示完备向量,并定义SE为该多边形的特征矩阵,SE表示如下:
植物生长信息定标模型的数字调制信号x(t)的分数低阶模糊函数表示为:
其中,τ为时延偏移,f为多普勒频移,0<a,b<α/2,x*(t)表示x(t)的共轭,当x(t)为实信号时,x(t)<p>=|x(t)|<p>sgn(x(t));当x(t)为复信号时,[x(t)]<p>=|x(t)|p-1x*(t);
将采集的植物信息通传送到检测控制器,由光电传感器经由放大器发送到建模模块、显示模块;通过建模模块利用数据软件根据采集的植物参数构建植物生长模型;通过显示模块显示检测的生物生长信息;构建植物生长模型的方法包括:植物生长信息数据的预处理及分组;
构建近邻图G及相应的关联矩阵S;
计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入;
分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类;
植物生长信息数据的预处理及分组,包括:
a)选用SPM8软件对植物生长信息数据进行预处理:包括时间片校正、空间校正、配准图像、图像标准化和平滑处理步骤;
b)数据的分组:将预处理后的图像数据按照扫描时间序列以及认知行为实验类别进行重新组合,每个类别选取一定的样本点构成试验数据,即为训练数据,剩下的样本点作为测试数据;
构建近邻图G及相应的关联矩阵S,其具体步骤如下:
假设有n个样本点A1,...,An,其中Ik是张量的k模式维数,采用k近邻方式构建近邻图G来表示M的局部几何结构;根据构造的近邻图G,得到其相应的关联矩阵S=[si,j]n×n,其中S是基于热核方法定义。
2.如权利要求1所述植物生长用计算机测量显示***的控制方法,其特征在于,所述图形中源图形和目标图形作预处理包括:
根据图形最小包容矩形长宽比设置适当域值,进行过滤;
根据源图形中各边长与周长比的最小值设置域值,去除目标图形中的奇化部分;
对目标图形边数作化简处理,使和源图形具有相同边数;
获取源图形和目标图形特征矩阵中最相似向量的欧式距离和最大相和系数具体包括:
首先,按逆时针方向分别建立源图形P和目标图形Q的特征矩阵PE和QE:
欧式距离公式d(x,y)和夹角余弦公式sim(x,y)如下:
以d(x,y)和为sim(x,y)基础,重新定义两个矩阵D和S,使:
求出D和S中的最小值;
分别令Eue=min{Dij},1≤i≤j=2N;Sime=max{Sij},1≤i≤j=2N;
然后再按顺序针方向构造图形P和Q的特征矩阵,重复上述计算方法,求出两特征矩阵中最完备向量间的最小值Euc和Simc;
最后令Eu=min{Eue,Euc};
Sim=min{Sime,Simc};
Eu和Sim即为P、Q两图形对应最相似向量的欧式距离和最大相和系数;
所述对计算结果的增强性处理包括:
对初始向量进行一次到多次变形,在用相邻边角序列构造初始向量的基础上,再添加图形的几何特征值,采用添加顺序的相邻边角比作为新的初始向量;将初始向量进行一次到多次非线性化处理,采用将初始向量进行开方处理;
对变形后的初始向量进行多次相似度计算,最后按加权平均取值,以欧式距离Eu和相和系数Sim的评定公式如下:
上式中n为向量变形的次数,ki为权重系数,Eui和Simi为第i次变形后向量的欧式距离,Eu(P,Q)为欧式距离的评定,n=4,ki取0.25。
3.如权利要求1所述植物生长用计算机测量显示***的控制方法,其特征在于,计算训练样本集的特征分解,并求出相应的特征变换矩阵,最后计算训练样本的低维嵌入,其具体步骤如下:
假设为相应的转换矩阵,根据近邻图G和相关矩阵S,基于张量的局部保留映射算法的最优化问题表示为:
基于张量和矩阵迹的特征,将上面的最优化问题重新改写为:
转换矩Uf通过求解广义特征值方程对应的lf个最小的特征值所对应的特征向量来获得;其他维度上对应的转换矩阵可以按照此方法依次进行,直到计算出所有的转换矩阵;最后,训练样本的嵌入可以表示为:
4.如权利要求1所述植物生长用计算机测量显示***的控制方法,其特征在于,分类识别,计算测试样本集的低维嵌入,利用基于张量距离的近邻分类器对其进行判别分类,其具体步骤如下:
假设测试样本数为m个,样本集为(X1,X2,...,Xm),通过所得到的转换矩阵计算测试样本的嵌入:
在得到训练样本和测试样本的嵌入的基础上,利用基于张量距离的近邻分类器进行分类,得到每一个测试样本所属的类别,即预测出植物生长状态整体信息。
5.如权利要求1所述植物生长用计算机测量显示***的控制方法,其特征在于,建模模块建模方法包括:
(1)采集植物点云数据;
(2)计算所述植物形状特征,所述形状特征包括几何结构特征、拓扑结构特征、统计特征;
(3)根据所述植物形状特征提取植物基元并设计所述植物生长规则;
(4)拟合植物个体模型得到所述植物生长参数,所述生长参数包括节间长度、生长速度和生长时间;
所述采集植物点云数据,具体为采用车载移动数据采集平台,采集植物点云数据,所述数据采集平台为StreetMapper***或Lynx***。
计算所述几何结构特征的方法包括:首先从所述植物点云数据中提取植物骨架并重建植物三维模型,基于所述植物三维模型计算枝干间的夹角、节间距,从植物图片中判断植物的叶序和器官个数;
计算所述拓扑结构特征的方法包括:根据植物骨架直接判断该植物属于23种基本结构的哪一种;
植物形状特征提取植物基元并设计所述植物生长规则,包括下述步骤:
通过植物形状特征聚类找到相似的几何与拓扑结构单元,并定义为基元;
从最大的基元集合开始分析各基元两两之间的变换矩阵,并将所述变换矩阵投影到对应的参数空间进行聚类;
提取所述最大的基元集合的变换构造生长规则;
重复上述步骤,直到分析完所有的基元集合,得到该类植物的生长规则;
最大的基元集合开始分析各基元两两之间的变换矩阵,具体为:计算两基元之间的平移t、旋转R及缩放系数s,构建齐次坐标系下的变换矩阵H=[sR,t;0,1];
拟合植物个体模型得到所述植物生长参数包括下述步骤:
基于所述植物生长规则改变所述生长参数生成不同形状的植物个体;
计算生成的植物个体和待拟合的植物个体P之间的相似度;
通过优化算法使生成的植物与P的相似度最大,得到所述植物个体P的生长参数。
6.一种实现权利要求1~5任意一项所述植物生长用计算机测量显示***的控制方法的计算机程序。
7.一种实现权利要求1~5任意一项所述植物生长用计算机测量显示***的控制方法的信息数据处理终端。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-5任意一项所述的植物生长用计算机测量显示***的控制方法。
9.一种实现权利要求1所述植物生长用计算机测量显示***的控制方法的植物生长用计算机测量显示***,其特征在于,所述植物生长用计算机测量显示***包括:
检测台;检测台内部嵌装有近红外发光二极管;检测台中央通过转臂连接上下两个检测器;检测台右边通过强力胶固定有密闭橡皮;检测台左边通过螺丝固定有检测控制器;检测控制器内部顶端通过螺丝固定有光电传感器;检测控制器内部左端通过螺丝固定有放大器;转臂顶端通过螺丝固定有置物台;置物台内部通过螺丝固定有光学透镜;光学透镜通过光纤的出射端与光电传感器的输入端连接;光电传感器的输出端与放大器的输入端连接;检测控制器通过电路线分别连接太阳能供电模块、建模模块、显示模块;
太阳能供电模块,与检测控制器连接,用于通过太阳能电池板将太阳能转化为电能给检测控制器进行供电;
建模模块,与检测控制器连接,用于通过数据软件根据采集的植物参数构建植物生长模型;
显示模块,与检测控制器连接,用于通过显示器显示检测的生物生长信息。
10.一种植物生长用计算机测量显示设备,其特征在于,所述植物生长用计算机测量显示设备至少搭载权利要求9所述的植物生长用计算机测量显示***。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811056999.6A CN109191518A (zh) | 2018-09-11 | 2018-09-11 | 一种植物生长用计算机测量显示***及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811056999.6A CN109191518A (zh) | 2018-09-11 | 2018-09-11 | 一种植物生长用计算机测量显示***及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109191518A true CN109191518A (zh) | 2019-01-11 |
Family
ID=64910361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811056999.6A Pending CN109191518A (zh) | 2018-09-11 | 2018-09-11 | 一种植物生长用计算机测量显示***及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109191518A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754045A (zh) * | 2020-06-30 | 2020-10-09 | 四川生态诚品农业开发有限公司 | 一种基于果树生长的预测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1789980A (zh) * | 2005-12-16 | 2006-06-21 | 浙江大学 | 基于近红外光谱的植物生长信息获取装置 |
CN103440512A (zh) * | 2013-09-17 | 2013-12-11 | 西安电子科技大学 | 一种基于张量局部保持投影的大脑认知状态的识别方法 |
CN103745497A (zh) * | 2013-12-11 | 2014-04-23 | 中国科学院深圳先进技术研究院 | 植物生长建模方法和*** |
CN105354866A (zh) * | 2015-10-21 | 2016-02-24 | 郑州航空工业管理学院 | 一种多边形轮廓相似度检测方法 |
CN106067004A (zh) * | 2016-05-30 | 2016-11-02 | 西安电子科技大学 | 一种脉冲噪声下数字调制信号的识别方法 |
-
2018
- 2018-09-11 CN CN201811056999.6A patent/CN109191518A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1789980A (zh) * | 2005-12-16 | 2006-06-21 | 浙江大学 | 基于近红外光谱的植物生长信息获取装置 |
CN103440512A (zh) * | 2013-09-17 | 2013-12-11 | 西安电子科技大学 | 一种基于张量局部保持投影的大脑认知状态的识别方法 |
CN103745497A (zh) * | 2013-12-11 | 2014-04-23 | 中国科学院深圳先进技术研究院 | 植物生长建模方法和*** |
CN105354866A (zh) * | 2015-10-21 | 2016-02-24 | 郑州航空工业管理学院 | 一种多边形轮廓相似度检测方法 |
CN106067004A (zh) * | 2016-05-30 | 2016-11-02 | 西安电子科技大学 | 一种脉冲噪声下数字调制信号的识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754045A (zh) * | 2020-06-30 | 2020-10-09 | 四川生态诚品农业开发有限公司 | 一种基于果树生长的预测*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fan et al. | The future of Internet of Things in agriculture: Plant high-throughput phenotypic platform | |
Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
CN102789579B (zh) | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 | |
CN112819830A (zh) | 基于深度学习与机载激光点云的单株树冠分割方法 | |
CN109919239A (zh) | 一种基于深度学习的农作物病虫害智能检测方法 | |
Liang et al. | Improved estimation of aboveground biomass in rubber plantations by fusing spectral and textural information from UAV-based RGB imagery | |
An et al. | Real-time monitoring method of strawberry fruit growth state based on YOLO improved model | |
Wang et al. | Diseases detection of occlusion and overlapping tomato leaves based on deep learning | |
Zhang et al. | Crop disease monitoring and recognizing system by soft computing and image processing models | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
Lin et al. | A detection approach for bundled log ends using K-median clustering and improved YOLOv4-Tiny network | |
He et al. | Recognition of soybean pods and yield prediction based on improved deep learning model | |
Yu et al. | Convolutional neural network with feature reconstruction for monitoring mismatched photovoltaic systems | |
CN117036928A (zh) | 基于遥感影像与机器学习的城市森林碳汇测算方法及*** | |
Lu et al. | Citrus green fruit detection via improved feature network extraction | |
Zhang et al. | Multi-phenotypic parameters extraction and biomass estimation for lettuce based on point clouds | |
Ji et al. | Exploring the solutions via Retinex enhancements for fruit recognition impacts of outdoor sunlight: a case study of navel oranges | |
Guo et al. | Study on the Identification of Mildew Disease of Cuttings at the Base of Mulberry Cuttings by Aeroponics Rapid Propagation Based on a BP Neural Network | |
Zhangzhong et al. | Development of an evapotranspiration estimation method for lettuce via mobile phones using machine vision: Proof of concept | |
Niu et al. | YOLO-plum: A high precision and real-time improved algorithm for plum recognition | |
CN109191518A (zh) | 一种植物生长用计算机测量显示***及控制方法 | |
CN117541422A (zh) | 一种基于农业环境数据的农业生产管理*** | |
Wang et al. | Research on tea trees germination density detection based on improved YOLOv5 | |
CN109522859A (zh) | 基于高光谱遥感影像多特征输入的城市不透水层提取方法 | |
CN117456367A (zh) | 一种农作物种植区域识别方法、装置、设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |
|
RJ01 | Rejection of invention patent application after publication |