CN113252584B - 基于5g传输的作物生长检测方法及*** - Google Patents
基于5g传输的作物生长检测方法及*** Download PDFInfo
- Publication number
- CN113252584B CN113252584B CN202110438384.5A CN202110438384A CN113252584B CN 113252584 B CN113252584 B CN 113252584B CN 202110438384 A CN202110438384 A CN 202110438384A CN 113252584 B CN113252584 B CN 113252584B
- Authority
- CN
- China
- Prior art keywords
- crop
- characteristic
- growth condition
- crops
- information
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请是关于一种基于5G传输的作物生长检测方法及***。该方法包括:采集作物的高光谱图像并利用作物识别模型识别出作物的品种类型;根据其品种类型找到其特征波段类型;根据其特征波段类型对高光谱图像进行处理得到特征波段下的特征图像;根据特征图像进行分析,得到作物的生长状况信息;另外,该***包括:智能高光谱相机和云端服务器,通过智能高光谱相机可以实现图像采集和图像预处理;从而本申请提供的方案,能够在保证数据可靠性的前提下,减少待处理的数据量,从而减轻云端服务器的计算压力,提高数据传输和处理的速度。
Description
技术领域
本申请涉及农业机器视觉技术领域,尤其涉及基于5G传输的作物生长检测方法及***。
背景技术
设施园艺是生物高新技术、环境控制技术和温室工程技术高度交叉融合的产业,指在环境相对可控的条件下,采用工程技术进行作物高效生产的一种现代农业生产方式,是知识与技术高度密集型产业,具有高科技含量、高投入、高产出、高效益、易于集约化生产等特点,是农业现代化水平的重要标志之一,是现代农业的重要组成部分。随着信息技术在农业领域的广泛应用,作物的生长状况信息的信息量和处理要求已远远超出传统处理方法和传输能力。如何有效采集并利用这些信息是设施园艺亟待解决的问题之一。
相关技术中,高光谱成像以其波段连续性强和光谱分辨率高的优势,为农作物生理指数的实时、无损以及快速检测提供了有效途径。
由于高光谱成像技术获取了更多的信息数据,其数据量是传统成像技术的几十倍甚至上百倍,通过传统的高光谱成像技术进行作物的检测时,庞大的数据量给计算机造成极大的计算压力,导致数据处理过程速度慢、时效性差。
发明内容
为克服相关技术中存在的问题,本申请提供一种基于5G传输的作物生长检测方法及***,能够减少待处理的数据量,减轻了计算压力,从而提高了数据传输和处理的速度。
本申请第一方面提供一种基于5G传输的作物生长检测方法,包括:
采集作物的高光谱图像;
通过作物识别模型识别所述高光谱图像,得到所述作物的品种类型;
根据所述品种类型检索得到所述作物的特征波段类型;在所述特征波段类型对应的特征波段下,所述作物高光谱图像的特征量在特征量序列中排序为前N位;所述特征量序列为在M个波段下,高光谱图像的特征量从高至低依次排列所得的序列;
基于所述特征波段类型提取得到所述作物在对应特征波段下的N个特征图像;其中,N为正整数且N小于M;
通过生长状况监测模型对所述特征图像进行分析,得到所述作物的生长状况信息。
在一种实施方式中,所述通过作物识别模型识别所述高光谱图像,得到所述作物的品种类型,包括:
利用图像局域重心算法对所述高光谱图像分割,得到单株作物图像;
利用Canny算子对所述单株作物图像提取得到所述作物的边缘信息;
对所述高光谱图像进行伪彩色合成,得到所述作物的色彩信息;
基于所述边缘信息和所述色彩信息进行作物种类匹配,得到所述作物的品种类型。
在一种实施方式中,所述根据所述品种类型检索得到所述作物的特征波段类型之前,包括:采集不同作物的特征波段类型,建立特征波段数据库;
所述根据所述品种类型检索得到所述作物的特征波段类型,包括:根据特征波段数据库进行所述作物品种类型和特征波段类型的匹配,得到所述作物的特征波段类型。
在一种实施方式中,所述采集不同作物的特征波段类型,建立特征波段数据库中,一种作物的特征波段类型的采集,包括:
采集所述作物光谱图像;
采用连续选择投影算法,得到所述作物在不同特征波段下的特征量;
将所述特征量由高到低进行排序;
选取排序中特征量前N位对应的N个特征波段作为所述作物的特征波段类型。
在一种实施方式中,所述生长状况监测模型是利用作物训练集经过训练得到的;所述生长状况监测模型的输入为作物的高光谱图像,输出为作物的生长状况信息;
所述生长状况信息,包括:作物成分及成分含量;
所述作物训练集,包括:作物的光谱数据组;所述光谱数据组为以生长状况信息为标签的高光谱图像。
在一种实施方式中,所述通过生长状况监测模型对所述特征图像进行分析,得到所述作物的生长状况信息之前,包括:
获取所述作物的特征波段光谱数据集;
利用偏最小二乘法拟合所述作物的特征波段光谱数据集与生长状况信息的回归关系,得到所述生长状况监测模型。
在一种实施方式中,所述通过生长状况智能监测模型对所述特征图像进行分析,得到所述作物的生长状况信息之后,还包括:
根据所述生长状况信息进行数据分析,得到所述作物的培养策略;
所述培养策略,包括:待补给元素及建议补给量。
在一种实施方式中,所述根据所述生长状况信息进行数据分析,得到所述作物的培养策略,包括:
利用定级模型对所述作物进行生长状况定级,得到所述作物的生长状况等级;
结合所述生长状况信息和所述生长状况等级,得到所述作物的培养策略;
所述定级模型为以所述生长状况信息为数据集特征,利用SVM算法和高斯核对所述生长状况信息和所述生长状况等级进行分类模型的建立后得到的。
本申请第二方面提供一种基于5G传输的作物生长检测***,包括:
智能高光谱相机和云端服务器;
所述智能高光谱相机,包括:采集模块、存储模块、计算模块和传输模块;
所述采集模块,用于采集作物的高光谱图像;
所述储存模块,其上储存有特征波段数据库以及作物识别模型代码;
所述计算模块,用于执行所述作物识别模型代码以识别得到所述作物的品种类型,根据所述储存模块中的特征波段数据库进行所述作物特征波段类型的提取,以及利用特征波段类型得到所述作物的特征图像;
所述传输模块,用于将所述计算模块中得到的特征图像传输至所述云端服务器;
所述云端服务器上部署有生长状况智能监测模型,用于对所述智能高光谱相机传输的数据进行处理,得到所述作物的生长状况信息。
在一种实施方式中,所述基于5G传输的作物生长检测***,还包括:交互式前端;
所述交互式前端使用WebSocket协议与所述智能高光谱相机和所述云端服务器进行数据传输;通过所述交互式前端,可以实现所述智能高光谱相机的开启和关闭、相机参数设置和云端服务器数据的可视化。
在一种实施方式中,所述传输模块为5G传输模块;所述5G传输模块使用WebSocket协议、HTTP协议、TCP协议或UDP协议传输JSON格式的数据和指令,以实现所述智能高光谱相机和所述云端服务器之间的全双工通信。
本申请提供的技术方案可以包括以下有益效果:
本方案利用作物识别模型识别出作物的品种类型,根据品种类型对采集到的高光谱图像进行提取,得到特征波段下的作物的高光谱信息,从而得到保留有作物主要特征的特征图像,在特征图像能够可靠表征作物的前提下,减少了待处理的数据量,减轻了计算压力,从而提高了数据传输和处理的速度,使得作物检测的时效性得到了提升;另外,生长状况智能监测模型的使用在提升了作物检测结果准确度的同时,也提高了数据分析的速度,提高了检测的时效性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述,本申请的上述以及其它目的、特征和优势将变得更加明显,其中,在本申请示例性实施方式中,相同的参考标号通常代表相同部件。
图1是本申请实施例示出的基于5G传输的作物生长检测方法的流程示意图;
图2是本申请实施例示出的作物品种类型识别方法的流程示意图;
图3是本申请实施例示出的特征波段数据库的建立过程的示意图;
图4是本申请实施例示出的作物培养策略获取方法的流程示意图。
具体实施方式
下面将参照附图更详细地描述本申请的优选实施方式。虽然附图中显示了本申请的优选实施方式,然而应该理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本申请更加透彻和完整,并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不脱离本申请范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以被称为第一信息。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
传统的高光谱成像技术进行作物的检测时,庞大的数据量给计算机造成极大的计算压力,导致数据处理过程速度慢、时效性差。
实施例一
针对上述问题,本申请实施例提供一种基于5G传输的作物生长检测方法,能够减少待处理的数据量,提升作物生长检测的数据处理速度。
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的基于5G传输的作物生长检测方法的流程示意图。
参见图1,所述基于5G传输的作物生长检测方法,包括:
101、采集作物的高光谱图像;
在本申请实施例中,采用智能高光谱相机采集作物的高光谱图像。智能高光谱相机中搭载有作物识别模型和特征波段数据库,通过下述步骤102和步骤103可以对采集到的高光谱图像进行特征图像的提取,从而使得最终通过智能高光谱相机传输的数据为该作物在特征波段下的特征图像,与原有的高光谱图像相比,数据量缩减,传输速度得到提升。
102、通过作物识别模型识别所述高光谱图像,得到所述作物的品种类型;
在本申请实施例中,作物识别模型通过作物的边缘信息和色彩信息进行作物品种类型的数据匹配,在智能高光谱相机中存储有作物边缘信息和色彩信息与作物品种类型的映射表,通过作物边缘信息和色彩信息与作物品种类型的映射关系,可以基于作物边缘信息和色彩信息找到作物的品种类型。
需要说明的是,在实际应用过程中,基于实际情况,可以采用计算采集到的待测作物的品种识别信息,即边缘信息和色彩信息,与映射表中各个作物的品种识别信息之间的欧氏距离,找到距离最小的信息,其对应的作物品种类型即为待测作物的品种类型。
可以理解的是,上述对于作物品种类型数据匹配的过程仅是本申请实施例中的一种示例,不应该作为对本发明的限定。
103、根据所述品种类型检索得到所述作物的特征波段类型;
在所述特征波段类型对应的特征波段下,所述作物高光谱图像的特征量在特征量序列中排序为前N位;所述特征量序列为在M个波段下,高光谱图像的特征量从高至低依次排列所得的序列;其中,N为正整数且N小于M。
在本申请实施例中,上述作物的特征波段类型的获取过程为:根据特征波段数据库进行所述作物品种类型和特征波段类型的匹配,得到所述作物的特征波段类型。
在本申请实施例中,智能高光谱相机上搭载有特征波段数据库,该特征波段数据库中存储有作物品种类型与特征波段类型的映射表,基于步骤102中得到的待测作物的品种类型即可从该映射表中匹配得到待测作物的特征波段类型。
104、基于所述特征波段类型提取得到所述作物在对应特征波段下的N个特征图像;其中,N为正整数且N小于M;
在本申请实施例中,通过步骤103获取得到N个待测作物的特征波段类型,相应地,对待测作物的高光谱图像进行各个特征波段类型对应波段下的特征图像的提取,得到上述的N个特征图像。
105、通过生长状况监测模型对所述特征图像进行分析,得到所述作物的生长状况信息。
在本申请实施例中,该生长状况监测模型是基于偏最小二乘法建立的数学模型通过作物训练集训练后形成的;其输入为作物的高光谱图像,输出为作物的生长状况信息。
在实际应用过程中,该生长状况监测模型还可以采用卷积神经网络;基于作物训练集利用梯度裁剪方法或正则化方法对该卷积神经网络进行训练得到的生长状况监测模型。
在本申请实施例中,上述生长状况信息,包括:作物成分及成分含量;上述作物训练集,包括:作物的光谱数据组;所述光谱数据组为以生长状况信息为标签的高光谱图像。
进一步地,所述生长状况信息,还包括:外形参数;结合作物的外形参数和成分含量可以对作物的生长状况进行评级,进而制定相应的作物培养策略。
在本申请实施例中,在通过生长状况监测模型对所述特征图像进行分析,得到所述作物的生长状况信息之前,需要建立生长状况监测模型。该生长状况监测模型的建立可以表述为:获取所述作物的特征波段光谱数据集;利用偏最小二乘法拟合所述作物的特征波段光谱数据集与生长状况信息的回归关系,得到所述生长状况监测模型。
以灵芝为例:采集灵芝的高光谱图像后,通过Sobel算子获取得到灵芝的边缘,从而计算出灵芝菌盖面积;基于预先检测得到的灵芝多糖含量,可以形成灵芝的生长状况数据组,该数据组内包括灵芝高光谱图像数据、灵芝菌盖面积及多糖含量;基于前述灵芝的生长状况数据组利用偏最小二乘法建立灵芝高光谱图像与生长状况信息,即灵芝高光谱图像与多糖含量和菌盖面积之间的回归关系,从而完成模型建立,得到生长状况监测模型。
本申请实施例示出的方案利用作物识别模型识别出作物的品种类型,根据品种类型对采集到的高光谱图像进行提取,得到特征波段下的作物的高光谱信息,从而得到保留有作物主要特征的特征图像,在特征图像能够可靠表征作物的前提下,减少了待处理的数据量,减轻了计算压力,从而提高了数据传输和处理的速度,使得作物检测的时效性得到了提升;另外,生长状况智能监测模型的使用在提升了作物检测结果准确度的同时,也提高了数据分析的速度,提高了检测的时效性。
实施例二
本申请实施例对上述实施例一中步骤102进行了设计。
图2为本申请实施例示出的作物品种类型识别方法的流程示意图。
请参见图2,所述作物品种类型的识别方法,包括:
201、利用图像局域重心算法对所述高光谱图像分割,得到单株作物图像;
在本申请实施例中,所述高光谱图像包括450nm、550nm和650nm波段光下采集到的作物图像。
在本申请实施例中,利用OpenCV中的FindContour函数提取出图像的轮廓,然后采用图像的一阶矩定位得到轮廓的质心,结合图像轮廓和轮廓质心对上述高光谱图像进行分割,即可得到单株作物图像。
在实际应用过程中,还可以采用实例分割模型对所述高光谱图像进行处理,得到单株作物图像。
202、利用Canny算子对所述单株作物图像提取得到所述作物的边缘信息;
在本申请实施例中,采用Canny算子对所述单株作物图像进行处理的目的是为了能够提取出所述作物图像的边缘特征,其具体过程可描述为:用高斯滤波器平滑图像;用一阶偏导有限差分法计算梯度幅值和方向;对梯度幅值进行非极大值抑制;用双阈值算法检测和连接边缘。
需要说明的是,在实际应用过程中,可以依据实际情况对边缘检测的算法进行调整,例如,还可以采用拉普拉斯算子对所述作物的高光谱图像进行边缘信息的提取。
可以理解的是,上述对于边缘检测算法的描述不应该作为对本发明的限定。
203、对所述高光谱图像进行伪彩色合成,得到所述作物的色彩信息;
在本申请实施例中,可以利用根据加色法原理制成的彩色合成仪处理上述高光谱图像来合成伪彩色图像,基于得到的伪彩色图像可以提取出所述作物的色彩信息。
204、基于所述边缘信息和所述色彩信息进行作物种类匹配,得到所述作物的品种类型。
在本申请实施例中,上述作物种类匹配的过程为:结合边缘信息和色彩信息,使用Haar特征算子,在作物图像数据库中进行作物种类的匹配,从而识别作物种类。在所述作物图像数据库中储存有作物品种类型与作物边缘信息和色彩信息对应的样本数据。
本申请实施例示出的方案分割出单株作物图像后,利用Canny算子提取到该作物的边缘特征信息;利用伪彩色合成采集到该作物的色彩信息;结合边缘特征信息和色彩信息,利用Haar特征算子进行作物品种类型的匹配,从而识别出作物的品种类型,为后续进行作物特征波段类型的识别提供了可靠依据,从而使得基于特征波段提取出的特征图像既保留了作物的主要特征,又减少了无关的数据量。
实施例三
根据上述实施例一中所述的特征波段类型获取过程,在步骤103之前,需要采集不同作物的特征波段类型,以建立特征波段数据库。本申请实施例对特征波段数据库的建立进行了设计。
图3为本申请实施例示出的特征波段数据库的建立过程的示意图。
参见图3,所述特征波段数据库的建立过程,包括:
301、采集所述作物光谱图像;
在本申请实施例中,所述作物光谱图像作为用于建立特征波段数据库的样本,可以对其进行标准正态变量变换处理,以减小颗粒大小不均匀和粒子表面非特异性散射对光谱数据的影响。
具体的,对每一个光谱图像利用以下公式进行变换处理:
需要说明的是,上述对于标准正态变量变换的描述仅是本申请实施例中的一个示例,不构成对本发明的限定。
302、采用连续选择投影算法,得到所述作物在不同特征波段下的特征量;
303、将所述特征量由高到低进行排序;
304、选取排序中特征量前N位对应的N个特征波段作为所述作物的特征波段类型。
在本申请实施例中,在实验阶段,所述N的取值为30;实验通过对作物高光谱图像采用连续选择投影算法进行特征波段选择和特征量占比评估,从实验得到的波段中选取作物特征量排序前30位的光谱波段作为该作物的特征波段类型,通过对不同作物均进行上述处理后建立所述特征波段数据库。
该特征波段数据库存储在智能高光谱相机的存储模块中,在识别出待测作物的品种类型后,调用该特征波段数据库进行特征波段类型的匹配。
需要说明的是,上述N的取值为实验阶段采用的数值,在实际应用过程中,所述N可以依据应用场景进行取值的调整。
可以理解的是,上述对于N的取值不应该作为对本发明的限定。
本申请实施例示出的特征波段数据库是基于对不同作物进行特征波段类型识别后得到的样本数据建立起来的,其中包括有多种作物及其对应的特征波段类型,在进行待测作物的生长检测时,直接调用该特征波段数据库中的数据即可检索得到待测作物的特征波段类型,从而实现待测作物特征图像的提取,过程简单快速,加快了数据处理的速度;同时,基于本申请实施例所示出的方案,还可以对该特征波段数据库的数据进行扩充,从而拓宽该特征波段数据库的适用范围。
实施例四
在实施例一所述的基于5G传输的作物生长检测方法的基础上,本申请实施例还设计了该作物培养策略的获取方法,即根据实施例一中的方法得到生长状况信息之后根据生长状况信息进行数据分析,得到作物的培养策略。
图4为本申请实施例示出的作物培养策略获取方法的流程示意图。
参见图4,所述作物培养策略获取方法,包括:
401、利用定级模型对所述作物进行生长状况定级,得到所述作物的生长状况等级;
在本申请实施例中,所述定级模型为以所述生长状况信息为数据集特征,利用SVM算法结合高斯核建立的生长状况信息和生长状况等级的分类模型。所述定级模型的输入为待测作物的生长状况信息,输出为待测作物的生长状况等级。
在本申请实施例中,在实验阶段,所述生长状况等级包括优、良、中和差四个等级标准,需要说明的是,在实际应用过程中,对生长状况等级的划分可以依据实际需求进行调整,例如,将生长状况等级划分为I级、II级和III级。以石斛为例:实验阶段,设定石斛的标准氮含量为S,定义石斛氮含量高于S时生长状况等级为优,低于S高于1/2S时生长状况等级为良,低于1/2S高于1/3S时生长状况等级为中,以及低于1/3S时生长状况等级为差。
402、结合所述生长状况信息和所述生长状况等级,得到所述作物的培养策略。
在本申请实施例中,培养策略包括:待补给元素及建议补给量。
在本申请实施例中,可以预先建立一个作物培养策略数据库,该培养策略数据库中包括若干种作物对于若干个生长状况信息在若干个生长状况等级下的若干套培养策略;结合待测作物的生长状况信息和生长状况等级,对该培养策略数据库进行数据调用和数据匹配,从而得到该待测作物相应的培养策略。
进一步地,所述培养策略数据库中的若干套培养策略还可以将作物的外形参数纳入参考,形成基于作物种类、成分含量、生长状况等级和外形参数四维数据进行制定的作物培养策略。
需要说明的是,上述对于作物培养策略数据库的描述仅是本申请实施例中示出的一个示例,不必作为对本发明的限定。
本申请实施例示出的作物培养策略获取方法基于作物生长检测方法,利用生长检测方法得到的作物的生长状况信息进行作物生长状况定级,进而匹配出与该作物当前生长状况相适应的培养策略,实现作物的智能检测和培养。
实施例五
与前述应用功能实现方法实施例相对应,本申请还提供了一种基于5G传输的作物生长检测***及相应的实施例。
所述基于5G传输的作物生长检测***,包括:
智能高光谱相机和云端服务器;
所述智能高光谱相机,包括:采集模块、存储模块、计算模块和传输模块;
所述采集模块,用于采集作物的高光谱图像;
所述储存模块,其上储存有特征波段数据库以及作物识别模型代码;
所述计算模块,用于执行所述作物识别模型代码以识别得到所述作物的品种类型,根据所述储存模块中的特征波段数据库进行所述作物特征波段类型的提取,以及利用特征波段类型得到所述作物的特征图像;
所述传输模块,用于将所述计算模块中得到的特征图像传输至所述云端服务器;
所述云端服务器上部署有生长状况智能监测模型,用于对所述智能高光谱相机传输的数据进行处理,得到所述作物的生长状况信息。
在本申请实施例中,所述传输模块采用的是基于第五代移动通信技术开发的5G传输模块;所述5G传输模块使用WebSocket协议、HTTP协议、TCP协议或UDP协议传输JSON格式的数据和指令,以实现所述智能高光谱相机和所述云端服务器之间的全双工通信。
需要说明的是,本申请实施例中5G传输模块所采用的通信协议可以是WebSocket协议、HTTP协议、TCP协议以及UDP协议中的任一种,具体地,可以依据实际条件确定选用的通信协议,即5G传输模块所采用的通信协议不必作为对本发明的限定。
在本申请实施例中,存储模块可以包括各种类型的存储单元,例如***内存、只读存储器(ROM),和永久存储装置。其中,ROM可以存储其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中,永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。***内存可以是可读写存储设备或者易失性可读写存储设备,例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。
进一步地,上述基于5G传输的作物生长检测***,还包括:交互式前端;
所述交互式前端使用WebSocket协议与所述智能高光谱相机和所述云端服务器进行数据传输;通过所述交互式前端,可以实现所述智能高光谱相机的开启和关闭、相机参数设置和云端服务器数据的可视化。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不再做详细阐述说明。
上文中已经参考附图详细描述了本申请的方案。在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其他实施例的相关描述。本领域技术人员也应该知悉,说明书中所涉及的动作和模块并不一定是本申请所必须的。另外,可以理解,本申请实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减,本申请实施例装置中的模块可以根据实际需要进行合并、划分和删减。
此外,根据本申请的方法还可以实现为一种计算机程序或计算机程序产品,该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者,本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质),其上存储有可执行代码(或计算机程序、或计算机指令代码),当所述可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时,使所述处理器执行根据本申请的上述方法的各个步骤的部分或全部。
本领域技术人员还将明白的是,结合这里的申请所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。
附图中的流程图和框图显示了根据本申请的多个实施例的***和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标记的功能也可以以不同于附图中所标记的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (4)
1.一种基于5G传输的作物生长检测方法,其特征在于,包括:
采集作物的高光谱图像;高光谱图像包括450nm、550nm和650nm波段光下采集到的作物图像;
通过作物识别模型识别所述高光谱图像,得到所述作物的品种类型;
作物识别模型通过作物的边缘信息和色彩信息进行作物品种类型的数据匹配,根据作物边缘信息和色彩信息与作物品种类型的映射表,通过作物边缘信息和色彩信息与作物品种类型的映射关系,基于作物边缘信息和色彩信息找到作物的品种类型;
计算采集到的边缘信息和色彩信息,与映射表中各个作物的品种识别信息之间的欧氏距离,找到距离最小的信息,其对应的作物品种类型即为待测作物的品种类型;
根据所述品种类型检索得到所述作物的特征波段类型;在所述特征波段类型对应的特征波段下,所述作物高光谱图像的特征量在特征量序列中排序为前N位;所述特征量序列为在M个波段下,高光谱图像的特征量从高至低依次排列所得的序列;
基于所述特征波段类型提取得到所述作物在对应特征波段下的N个特征图像;其中,N为正整数且N小于M;
获取所述作物的特征波段光谱数据集;
利用偏最小二乘法拟合所述作物的特征波段光谱数据集与生长状况信息的回归关系,得到所述生长状况监测模型;
生长状况监测模型是基于偏最小二乘法建立的数学模型通过作物训练集训练后形成的;其输入为作物的高光谱图像,输出为作物的生长状况信息;采用卷积神经网络;基于作物训练集利用梯度裁剪方法或正则化方法对该卷积神经网络进行训练得到的生长状况监测模型;
所述作物训练集,包括:作物的光谱数据组;所述光谱数据组为以生长状况信息为标签的高光谱图像;
通过生长状况监测模型对所述特征图像进行分析,得到所述作物的生长状况信息;
所述生长状况信息,包括:外形参数、作物成分及成分含量;结合作物的外形参数和成分含量对作物的生长状况进行评级;
根据所述生长状况信息进行数据分析,得到所述作物的培养策略;
所述培养策略,包括:待补给元素及建议补给量;
利用定级模型对所述作物进行生长状况定级,得到所述作物的生长状况等级;
结合所述生长状况信息和所述生长状况等级,得到所述作物的培养策略;
预先建立一个作物培养策略数据库,培养策略数据库中包括若干种作物对于若干个生长状况信息在若干个生长状况等级下的若干套培养策略;结合待测作物的生长状况信息和生长状况等级,对培养策略数据库进行数据调用和数据匹配,得到该待测作物相应的培养策略;
培养策略数据库中的若干套培养策略将作物的外形参数纳入参考,形成基于作物种类、成分含量、生长状况等级和外形参数四维数据进行制定的作物培养策略;
所述定级模型为以所述生长状况信息为数据集特征,利用SVM算法和高斯核对所述生长状况信息和所述生长状况等级进行分类模型的建立后得到的。
2.根据权利要求1所述的基于5G传输的作物生长检测方法,其特征在于,所述通过作物识别模型识别所述高光谱图像,得到所述作物的品种类型,包括:
利用图像局域重心算法对所述高光谱图像分割,得到单株作物图像;
利用Canny算子对所述单株作物图像提取得到所述作物的边缘信息;
对所述高光谱图像进行伪彩色合成,得到所述作物的色彩信息;
基于所述边缘信息和所述色彩信息进行作物种类匹配,得到所述作物的品种类型。
3.根据权利要求1所述的基于5G传输的作物生长检测方法,其特征在于,
所述根据所述品种类型检索得到所述作物的特征波段类型之前,包括:采集不同作物的特征波段类型,建立特征波段数据库;
所述根据所述品种类型检索得到所述作物的特征波段类型,包括:根据特征波段数据库进行所述作物品种类型和特征波段类型的匹配,得到所述作物的特征波段类型。
4.根据权利要求3所述的基于5G传输的作物生长检测方法,其特征在于,所述采集不同作物的特征波段类型,建立特征波段数据库中,一种作物的特征波段类型的采集,包括:
采集所述作物光谱图像;
采用连续选择投影算法,得到所述作物在不同特征波段下的特征量;
将所述特征量由高到低进行排序;
选取排序中特征量前N位对应的N个特征波段作为所述作物的特征波段类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438384.5A CN113252584B (zh) | 2021-04-22 | 2021-04-22 | 基于5g传输的作物生长检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110438384.5A CN113252584B (zh) | 2021-04-22 | 2021-04-22 | 基于5g传输的作物生长检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113252584A CN113252584A (zh) | 2021-08-13 |
CN113252584B true CN113252584B (zh) | 2022-09-27 |
Family
ID=77221504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110438384.5A Active CN113252584B (zh) | 2021-04-22 | 2021-04-22 | 基于5g传输的作物生长检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113252584B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114545833B (zh) * | 2022-03-02 | 2023-05-02 | 深圳市丰农数智农业科技有限公司 | 一种基于物联网技术的设施农业智能交互处理*** |
CN116907576A (zh) * | 2023-07-13 | 2023-10-20 | 广东省农业科学院设施农业研究所 | 一种自动化种苗检测***、方法及电子设备 |
CN116897818A (zh) * | 2023-07-18 | 2023-10-20 | 广东省农业科学院设施农业研究所 | 一种水培营养液调控方法及调控*** |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385694B (zh) * | 2010-09-06 | 2014-04-16 | 中国科学院遥感与数字地球研究所 | 一种基于地块的作物品种高光谱识别方法 |
CN109345555B (zh) * | 2018-10-15 | 2020-08-25 | 中科卫星应用德清研究院 | 基于多时相多源遥感数据进行水稻识别的方法 |
CN111474117B (zh) * | 2020-04-24 | 2022-11-01 | 中国科学院空天信息创新研究院 | 作物病害监测的方法及装置 |
CN112434569B (zh) * | 2020-11-09 | 2024-03-12 | 吉林化工学院 | 一种无人机热成像*** |
CN112668406B (zh) * | 2020-12-10 | 2022-07-12 | 哈尔滨师范大学 | 一种大豆品种的有效筛选方法 |
-
2021
- 2021-04-22 CN CN202110438384.5A patent/CN113252584B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101915738A (zh) * | 2010-06-23 | 2010-12-15 | 江苏大学 | 基于高光谱成像技术的茶树营养信息快速探测方法及装置 |
Non-Patent Citations (2)
Title |
---|
高光谱技术在茶叶品种检测中的应用;王化 等;《科技创新导报》;20170331;第14卷(第9期);第101-103页 * |
高光谱遥感图像降维技术研究;张悦 等;《中国优秀硕士学位论文全文数据库 信息科技辑》;20190115(第12期);第I140-993页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113252584A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113252584B (zh) | 基于5g传输的作物生长检测方法及*** | |
Majeed et al. | Deep learning based segmentation for automated training of apple trees on trellis wires | |
Amatya et al. | Detection of cherry tree branches with full foliage in planar architecture for automated sweet-cherry harvesting | |
Bargoti et al. | Image segmentation for fruit detection and yield estimation in apple orchards | |
Li et al. | Immature green citrus fruit detection and counting based on fast normalized cross correlation (FNCC) using natural outdoor colour images | |
Shirzadifar | Automatic weed detection system and smart herbicide sprayer robot for corn fields | |
Fu et al. | Fast detection of banana bunches and stalks in the natural environment based on deep learning | |
Liu et al. | Detection of citrus fruit and tree trunks in natural environments using a multi-elliptical boundary model | |
Wang et al. | Recognition and localization of occluded apples using K-means clustering algorithm and convex hull theory: a comparison | |
Liu et al. | Small unopened cotton boll counting by detection with MRF-YOLO in the wild | |
Ji et al. | Target recognition method of green pepper harvesting robot based on manifold ranking | |
Ge et al. | Three dimensional apple tree organs classification and yield estimation algorithm based on multi-features fusion and support vector machine | |
Li et al. | An improved binocular localization method for apple based on fruit detection using deep learning | |
Wang et al. | Combining SUN-based visual attention model and saliency contour detection algorithm for apple image segmentation | |
CN111950391A (zh) | 果树芽体的识别方法及装置 | |
Nagar et al. | Pest detection on leaf using image processing | |
Zhang et al. | Yield estimation of citrus fruit using rapid image processing in natural background | |
Liu et al. | SE-Mask R-CNN: An improved Mask R-CNN for apple detection and segmentation | |
CN114596274A (zh) | 基于改进Cascade RCNN网络的自然背景柑橘黄龙病检测方法 | |
Liu et al. | An improved lightweight network based on deep learning for grape recognition in unstructured environments | |
Zhang et al. | An improved target detection method based on YOLOv5 in natural orchard environments | |
Zhao et al. | Automatic sweet pepper detection based on point cloud images using subtractive clustering | |
CN113723833B (zh) | 造林实绩质量评价方法、***、终端设备及存储介质 | |
CN116071653A (zh) | 基于自然图像的树木多级枝干结构自动提取方法 | |
Sun et al. | 3D computer vision and machine learning based technique for high throughput cotton boll mapping under field conditions |
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 |