CN114463322A - 一种蔬菜种植用病害识别及补光调节方法 - Google Patents
一种蔬菜种植用病害识别及补光调节方法 Download PDFInfo
- Publication number
- CN114463322A CN114463322A CN202210162475.5A CN202210162475A CN114463322A CN 114463322 A CN114463322 A CN 114463322A CN 202210162475 A CN202210162475 A CN 202210162475A CN 114463322 A CN114463322 A CN 114463322A
- Authority
- CN
- China
- Prior art keywords
- disease
- vegetables
- vegetable
- color
- models
- 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
- 235000013311 vegetables Nutrition 0.000 title claims abstract description 144
- 201000010099 disease Diseases 0.000 title claims abstract description 81
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000013589 supplement Substances 0.000 title claims abstract description 27
- 230000004044 response Effects 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 17
- 239000000523 sample Substances 0.000 claims abstract description 16
- 230000006855 networking Effects 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 238000011160 research Methods 0.000 claims abstract description 7
- 238000005286 illumination Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 28
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 230000010485 coping Effects 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 6
- 230000001960 triggered effect Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- PLXMOAALOJOTIY-FPTXNFDTSA-N Aesculin Natural products OC[C@@H]1[C@@H](O)[C@H](O)[C@@H](O)[C@H](O)[C@H]1Oc2cc3C=CC(=O)Oc3cc2O PLXMOAALOJOTIY-FPTXNFDTSA-N 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000003760 hair shine Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 claims description 3
- 230000000750 progressive effect Effects 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 241000894007 species Species 0.000 description 4
- 235000013305 food Nutrition 0.000 description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- FPIPGXGPPPQFEQ-UHFFFAOYSA-N 13-cis retinol Natural products OCC=C(C)C=CC=C(C)C=CC1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-UHFFFAOYSA-N 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- ZZZCUOFIHGPKAK-UHFFFAOYSA-N D-erythro-ascorbic acid Natural products OCC1OC(=O)C(O)=C1O ZZZCUOFIHGPKAK-UHFFFAOYSA-N 0.000 description 1
- 241000233866 Fungi Species 0.000 description 1
- 235000015802 Lactuca sativa var crispa Nutrition 0.000 description 1
- 240000004201 Lactuca sativa var. crispa Species 0.000 description 1
- FPIPGXGPPPQFEQ-BOOMUCAASA-N Vitamin A Natural products OC/C=C(/C)\C=C\C=C(\C)/C=C/C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-BOOMUCAASA-N 0.000 description 1
- 229930003268 Vitamin C Natural products 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- FPIPGXGPPPQFEQ-OVSJKPMPSA-N all-trans-retinol Chemical compound OC\C=C(/C)\C=C\C=C(/C)\C=C\C1=C(C)CCCC1(C)C FPIPGXGPPPQFEQ-OVSJKPMPSA-N 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 235000017807 phytochemicals Nutrition 0.000 description 1
- 229930000223 plant secondary metabolite Natural products 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 235000019155 vitamin A Nutrition 0.000 description 1
- 239000011719 vitamin A Substances 0.000 description 1
- 235000019154 vitamin C Nutrition 0.000 description 1
- 239000011718 vitamin C Substances 0.000 description 1
- 229940045997 vitamin a Drugs 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/20081—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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供了一种蔬菜种植用病害识别及补光调节方法,涉及蔬菜种植技术领域,包括以下步骤:在蔬菜种植地上架设可开启顶棚的棚罩,在棚罩内设置识别探头和多色灯;在控制终端,以主要蔬菜作为研究对象,利用联网数据库作为知识源,收集主要蔬菜的概念、属性、实例,构建知识库;围绕知识库,先构建多种蔬菜的种类模型;本发明利用联网数据库构建知识库,以此构建多种蔬菜的模型,在光谱敏感波段提取和颜色纹理特征提取的基础上,通过深度学习训练,添加概念属性响应结果,使得模型具备对比响应功能,在拍摄蔬菜影像后,进行特征对比,即可确定蔬菜的种类以及生长周期,有利于精准控制多色灯的色彩以及强度对蔬菜进行补光,提高蔬菜产量。
Description
技术领域
本发明涉及蔬菜种植技术领域,尤其涉及一种蔬菜种植用病害识别及补光调节方法。
背景技术
蔬菜是指可以做菜、烹饪成为食品的一类植物或菌类,蔬菜是人们日常饮食中必不可少的食物之一,蔬菜可提供人体所必需的多种维生素和矿物质等营养物质,据国际物质粮农组织1990年统计,人体必需的维生素C的90%、维生素A的60%来自蔬菜,此外,蔬菜中还有多种多样的植物化学物质,是人们公认的对健康有效的成分,已知果蔬中的营养素可以有效预防慢性、退行性疾病的多种物质,正在被人们研究发现;
在蔬菜的种植中,光照是并不可少的条件,然后,不同区域的不同气候条件下,存在光照不足的情况,这就需要补光,但是,不同种类的蔬菜在其不同生长周期下,所需要的光照类型以及强度是不同的,现有技术中,一般采用单一参数的植物灯照射方式进行补光,难以满足不同蔬菜不同生长周期的光照需要,影响蔬菜的产量,因此,本发明提出一种蔬菜种植用病害识别及补光调节方法以解决现有技术中存在的问题。
发明内容
针对上述问题,本发明提出一种蔬菜种植用病害识别及补光调节方法,该蔬菜种植用病害识别及补光调节方法在拍摄蔬菜影像后,进行特征对比,即可确定蔬菜的种类以及生长周期,有利于精准控制多色灯的色彩以及强度对蔬菜进行补光,提高蔬菜的生长效果。
为实现本发明的目的,本发明通过以下技术方案实现:一种蔬菜种植用病害识别及补光调节方法,包括以下步骤:
在蔬菜种植地上架设可开启顶棚的棚罩,在棚罩内设置识别探头和多色灯;
在控制终端,以主要蔬菜作为研究对象,利用联网数据库作为知识源,收集主要蔬菜的概念、属性、实例,构建知识库;
围绕知识库,先构建多种蔬菜的种类模型,在种类模型下根据该蔬菜的不同生长进程构建多个子体模型,在每个子体模型下,构建多种病害模型;
在光谱敏感波段提取和颜色纹理特征提取的基础上,给所有模型进行深度学习训练,添加概念属性响应结果;
在光照不足的条件下,关闭棚顶,利用识别探头识别蔬菜影像至控制终端,处理后对影像进行光谱敏感波段提取和颜色纹理特征提取;
将提取的数据输入模型中进行响应,确定蔬菜种类以及生长进程属性,利用联网数据库获取种植参数,控制多色灯改变光照色彩以及光照强度进行补光;
同步病害模型进行响应,确定蔬菜在当前生长进程下的病害种类,并连接搜索引擎确定病害描述以及应对策略。
进一步改进在于:在蔬菜种植地上架设棚罩,在日常光照充足的条件下,打开棚顶,使得阳光直照蔬菜,且棚罩内,识别探头采用AI摄像头,多色灯采用多光源植物灯。
进一步改进在于:构建知识库的具体流程为:以主要蔬菜作为研究对象,针对蔬菜种类、生长进程以及病害多源的问题,采用集成本体方法,汇集领域公共概念和元术语词汇,联网利用外部源、专家库、文本库及相应的传统知识库作为数据源,对数据进行选择、组合、内化外化和语义消除,并通过对该蔬菜概念和元术语的形式化描述来定义本体概念、属性、实例,进而集成为知识库。
进一步改进在于:构建模型具体为:围绕知识库的多源数据,根据不同蔬菜概念、属性、实例元素的定义,将参数进行拉伸立体化,构建立体模型,接着基于影像自动化进行三维影像模型构建,获得多种蔬菜的种类模型,然后在种类模型下,基于蔬菜的不同生长周期以及生长参数,细分出多个子体模型,最后,围绕知识库,联网获取不同蔬菜不同生长周期下的不同病害参数,将该病害参数带入多个子体模型中,再细分出多种病害模型,上述每种模型均对应相关的属性以及描述。
进一步改进在于:在不同的模型中,先进行光谱敏感波段提取,通过分析比较利用回归系数法和连续投影算法得到蔬菜不同生长周期下的的敏感波段,再经过原始光谱和直接正交信号校正不同的预处理后,通过SPA算法提取的特征波长,得到蔬菜不同生长周期下不同病害的敏感波段。
进一步改进在于:在不同的模型中,接着进行颜色纹理特征提取,利用灰度共生矩阵法,通过计算灰度图像得到它的共生矩阵,然后透过计算该共生矩阵得到矩阵的特征值,来分别代表图像的纹理特征,反映图像灰度关于方向、相邻间隔、变化幅度信息,接着利用LBP局部二值模式描述图像局部纹理特征的算子,提取纹理特征;然后利用颜色矩的特征表示方法,用一阶矩,二阶矩和三阶矩表达图像的颜色分布,并用颜色直方图描述不同色彩在整幅图像中所占的比例,提取颜色特征。
进一步改进在于:将提取的光谱敏感波段和颜色纹理特征带入不同的模型中,基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对所有模型进行深度学习训练,交叉验证结果,采取递进模式进行概念赋予,对实体概念对应的属性概念进行分辨训练,并取实体概念响应与属性概念响应的乘积作为区域块在各模型上添加概念属性响应结果。
进一步改进在于:在光照不足的条件下,利用识别探头识别蔬菜影像至控制终端,对影像中除蔬菜之外的色阶进行删除,保留蔬菜的影像,然后采用空域像素特征去噪算法对蔬菜数据进行降噪,并采用锐化及分辨率增强的方式凸出颜色特征和纹理特征,然后先进行光谱敏感波段提取,再进行颜色纹理特征提取。
进一步改进在于:当提取的光谱敏感波段、颜色纹理特征输入至模型中,模型进行对比训练并响应,先确定蔬菜种类,然后确定生长进程子模型,同步联网触发相关的属性、描述和种植参数,确定补光色彩以及补光强度,控制多色灯改变光照色彩以及光照强度,对不同生长周期的蔬菜进行适应性补光。
进一步改进在于:在确定生长子模型后,当存在病害特征时,病害模型进行相应,知识库提供数据支持,先确定病害种类,然后确定病害进程,同时启动控制终端内置的搜索引擎,根据病害搜索描述以及应对策略。
本发明的有益效果为:
1、本发明利用联网数据库构建知识库,以此构建多种蔬菜的模型,在光谱敏感波段提取和颜色纹理特征提取的基础上,通过深度学习训练,添加概念属性响应结果,使得模型具备对比响应功能,在拍摄蔬菜影像后,进行特征对比,即可确定蔬菜的种类以及生长周期,有利于精准控制多色灯的色彩以及强度对蔬菜进行补光,提高蔬菜的生长效果。
2、本发明根据光谱敏感波段、颜色纹理特征是否触发病害模型的响应,以此排除或者确定病害以及病害进程,并搜索描述以及应对策略,有利于种植者及时对蔬菜进行除病害,提高蔬菜产量。
附图说明
图1为本发明的流程图。
具体实施方式
为了加深对本发明的理解,下面将结合实施例对本发明做进一步详述,本实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
实施例一
根据图1所示,本实施例提出了一种蔬菜种植用病害识别及补光调节方法,包括以下步骤:
在蔬菜种植地上架设可开启顶棚的棚罩,在棚罩内设置识别探头和多色灯;
在控制终端,以主要蔬菜作为研究对象,利用联网数据库作为知识源,收集主要蔬菜的概念、属性、实例,构建知识库;
围绕知识库,先构建多种蔬菜的种类模型,在种类模型下根据该蔬菜的不同生长进程构建多个子体模型,在每个子体模型下,构建多种病害模型;
在光谱敏感波段提取和颜色纹理特征提取的基础上,给所有模型进行深度学习训练,添加概念属性响应结果;
在光照不足的条件下,关闭棚顶,利用识别探头识别蔬菜影像至控制终端,处理后对影像进行光谱敏感波段提取和颜色纹理特征提取;
将提取的数据输入模型中进行响应,确定蔬菜种类以及生长进程属性,利用联网数据库获取种植参数,控制多色灯改变光照色彩以及光照强度进行补光;
同步病害模型进行响应,确定蔬菜在当前生长进程下的病害种类,并连接搜索引擎确定病害描述以及应对策略。
本发明利用联网数据库作为知识源,构建知识库,以此构建多种蔬菜的种类模型、不同生长进程下的多个子体模型以及多种病害模型,在光谱敏感波段提取和颜色纹理特征提取的基础上,通过深度学习训练,添加概念属性响应结果,使得模型具备针对光谱敏感波段、颜色纹理特征的对比响应功能,在识别探头拍摄蔬菜影像后,进行光谱敏感波段、颜色纹理特征的对比,以此确定蔬菜的种类以及生长周期,有利于在光线不足的情况下精准控制多色灯的色彩以及强度对蔬菜进行补光,提高蔬菜的生长效果,满足光照需要,同时触发病害模型的响应,确定病害以及病害进程,有利于种植者及时对蔬菜进行除病害,提高蔬菜产量。
实施例二
本实施例提出了一种蔬菜种植用病害识别及补光调节方法,包括以下步骤:
在蔬菜种植地上架设棚罩,在日常光照充足的条件下,打开棚顶,使得阳光直照蔬菜,且棚罩内,识别探头采用AI摄像头,多色灯采用多光源植物灯。
构建知识库的具体流程为:以主要蔬菜作为研究对象,针对蔬菜种类、生长进程以及病害多源的问题,采用集成本体方法,汇集领域公共概念和元术语词汇,联网利用外部源、专家库、文本库及相应的传统知识库作为数据源,对数据进行选择、组合、内化外化和语义消除,并通过对该蔬菜概念和元术语的形式化描述来定义本体概念、属性、实例,进而集成为知识库。知识库更加多源化,为后续的识别判断提供理论依据。
构建模型具体为:围绕知识库的多源数据,根据不同蔬菜概念、属性、实例元素的定义,将参数进行拉伸立体化,构建立体模型,接着基于影像自动化进行三维影像模型构建,获得多种蔬菜的种类模型,然后在种类模型下,基于蔬菜的不同生长周期以及生长参数,细分出多个子体模型,最后,围绕知识库,联网获取不同蔬菜不同生长周期下的不同病害参数,将该病害参数带入多个子体模型中,再细分出多种病害模型,上述每种模型均对应相关的属性以及描述。
在不同的模型中,先进行光谱敏感波段提取,通过分析比较利用回归系数法和连续投影算法得到蔬菜不同生长周期下的的敏感波段,再经过原始光谱和直接正交信号校正不同的预处理后,通过SPA算法提取的特征波长,得到蔬菜不同生长周期下不同病害的敏感波段。
在不同的模型中,接着进行颜色纹理特征提取,利用灰度共生矩阵法,通过计算灰度图像得到它的共生矩阵,然后透过计算该共生矩阵得到矩阵的特征值,来分别代表图像的纹理特征,反映图像灰度关于方向、相邻间隔、变化幅度信息,接着利用LBP局部二值模式描述图像局部纹理特征的算子,提取纹理特征;然后利用颜色矩的特征表示方法,用一阶矩,二阶矩和三阶矩表达图像的颜色分布,并用颜色直方图描述不同色彩在整幅图像中所占的比例,提取颜色特征。
numpy的快速灰度共现矩阵(GLCM):
import fast_glcm
from skimage import data
if__name__=='__main__':
img=data.camera()
glcm_mean=fast_glcm.fast_glcm_mean(img)
LBP(Local Binary Pattern,局部二值模式)是一种用来描述图像局部纹理特征的算子,具有多分辨率、灰度尺度不变、旋转不变等特性,具体为:
获取图像的LBP特征:对图像的原始LBP模式、等价LBP模式、旋转不变LBP模式,以及等价旋转不变LBP模式的LBP特征进行提取以及显示。
通过get_LBP_from_Image.py获取图像的LBP特征。
通过get_resolve_map.py和get_uniform_map.py做降维后新的像素值的映射。然后将求出的结果写入了get_LBP_from_Image.py中,得到算法降维后新的像素值。
用一阶矩,二阶矩和三阶矩表达图像的颜色分布,具体为:一阶矩(均值,mean)、二阶矩(方差,variance)和三阶矩(斜度,skewness),有效地表示图像中的颜色分布,该方法的优点在于:不需要颜色空间量化,特征向量维数低。
颜色直方图基于不同的颜色空间和坐标系。采用HSV空间,三个分量分别代表色彩(Hue)、饱和度(Saturation)和值(Value)。
将提取的光谱敏感波段和颜色纹理特征带入不同的模型中,基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对所有模型进行深度学习训练,交叉验证结果,采取递进模式进行概念赋予,对实体概念对应的属性概念进行分辨训练,并取实体概念响应与属性概念响应的乘积作为区域块在各模型上添加概念属性响应结果。
本发明利用联网数据库作为知识源,构建知识库,以此构建多种蔬菜的种类模型、不同生长进程下的多个子体模型以及多种病害模型,在光谱敏感波段提取和颜色纹理特征提取的基础上,通过深度学习训练,添加概念属性响应结果,使得模型具备针对光谱敏感波段、颜色纹理特征的对比响应功能,有利于后续针对蔬菜的识别响应,方便快速判断蔬菜种类、生长周期和病害类型。
实施例三
本实施例提出了一种蔬菜种植用病害识别及补光调节方法,包括以下步骤:
在光照不足的条件下,利用识别探头识别蔬菜影像至控制终端,对影像中除蔬菜之外的色阶进行删除,保留蔬菜的影像,然后采用空域像素特征去噪算法对蔬菜数据进行降噪,并采用锐化及分辨率增强的方式凸出颜色特征和纹理特征,然后先进行光谱敏感波段提取,再进行颜色纹理特征提取。
当提取的光谱敏感波段、颜色纹理特征输入至模型中,模型进行对比训练并响应,先确定蔬菜种类,然后确定生长进程子模型,同步联网触发相关的属性、描述和种植参数,确定补光色彩以及补光强度,控制多色灯改变光照色彩以及光照强度,对不同生长周期的蔬菜进行适应性补光。
在确定生长子模型后,当存在病害特征时,病害模型进行相应,知识库提供数据支持,先确定病害种类,然后确定病害进程,同时启动控制终端内置的搜索引擎,根据病害搜索描述以及应对策略。
本发明在识别探头拍摄蔬菜影像后,进行光谱敏感波段、颜色纹理特征的对比,以此确定蔬菜的种类以及生长周期,有利于在光线不足的情况下精准控制多色灯的色彩以及强度对蔬菜进行补光,提高蔬菜的生长效果,满足光照需要。且确定蔬菜种类和生长周期后,还能根据光谱敏感波段、颜色纹理特征来触发病害模型的响应,确定病害以及病害进程,并搜索描述以及应对策略,有利于种植者及时对蔬菜进行除病害,提高蔬菜产量。
验证例:具体蔬菜种植产量对比。
玉米产量(%) | 白菜产量(%) | 油麦菜产量(%) | |
正常种植 | 100 | 100 | 100 |
本发明种植 | 102-103 | 110-115 | 109-125 |
本发明利用联网数据库作为知识源,构建知识库,以此构建多种蔬菜的种类模型、不同生长进程下的多个子体模型以及多种病害模型,在光谱敏感波段提取和颜色纹理特征提取的基础上,通过深度学习训练,添加概念属性响应结果,使得模型具备针对光谱敏感波段、颜色纹理特征的对比响应功能,在识别探头拍摄蔬菜影像后,进行光谱敏感波段、颜色纹理特征的对比,以此确定蔬菜的种类以及生长周期,有利于在光线不足的情况下精准控制多色灯的色彩以及强度对蔬菜进行补光,提高蔬菜的生长效果,满足光照需要。且本发明在确定蔬菜种类和生长周期后,还能根据光谱敏感波段、颜色纹理特征来触发病害模型的响应,确定病害以及病害进程,并搜索描述以及应对策略,有利于种植者及时对蔬菜进行除病害,提高蔬菜产量。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种蔬菜种植用病害识别及补光调节方法,其特征在于,包括以下步骤:
在蔬菜种植地上架设可开启顶棚的棚罩,在棚罩内设置识别探头和多色灯;
在控制终端,以主要蔬菜作为研究对象,利用联网数据库作为知识源,收集主要蔬菜的概念、属性、实例,构建知识库;
围绕知识库,先构建多种蔬菜的种类模型,在种类模型下根据该蔬菜的不同生长进程构建多个子体模型,在每个子体模型下,构建多种病害模型;
在光谱敏感波段提取和颜色纹理特征提取的基础上,给所有模型进行深度学习训练,添加概念属性响应结果;
在光照不足的条件下,关闭棚顶,利用识别探头识别蔬菜影像至控制终端,处理后对影像进行光谱敏感波段提取和颜色纹理特征提取;
将提取的数据输入模型中进行响应,确定蔬菜种类以及生长进程属性,利用联网数据库获取种植参数,控制多色灯改变光照色彩以及光照强度进行补光;
同步病害模型进行响应,确定蔬菜在当前生长进程下的病害种类,并连接搜索引擎确定病害描述以及应对策略。
2.根据权利要求1所述的一种蔬菜种植用病害识别及补光调节方法,其特征在于:在蔬菜种植地上架设棚罩,在日常光照充足的条件下,打开棚顶,使得阳光直照蔬菜,且棚罩内,识别探头采用AI摄像头,多色灯采用多光源植物灯。
3.根据权利要求2所述的一种蔬菜种植用病害识别及补光调节方法,其特征在于:构建知识库的具体流程为:以主要蔬菜作为研究对象,针对蔬菜种类、生长进程以及病害多源的问题,采用集成本体方法,汇集领域公共概念和元术语词汇,联网利用外部源、专家库、文本库及相应的传统知识库作为数据源,对数据进行选择、组合、内化外化和语义消除,并通过对该蔬菜概念和元术语的形式化描述来定义本体概念、属性、实例,进而集成为知识库。
4.根据权利要求3所述的一种蔬菜种植用病害识别及补光调节方法,其特征在于:构建模型具体为:围绕知识库的多源数据,根据不同蔬菜概念、属性、实例元素的定义,将参数进行拉伸立体化,构建立体模型,接着基于影像自动化进行三维影像模型构建,获得多种蔬菜的种类模型,然后在种类模型下,基于蔬菜的不同生长周期以及生长参数,细分出多个子体模型,最后,围绕知识库,联网获取不同蔬菜不同生长周期下的不同病害参数,将该病害参数带入多个子体模型中,再细分出多种病害模型,上述每种模型均对应相关的属性以及描述。
5.根据权利要求4所述的一种蔬菜种植用病害识别及补光调节方法,其特征在于:在不同的模型中,先进行光谱敏感波段提取,通过分析比较利用回归系数法和连续投影算法得到蔬菜不同生长周期下的的敏感波段,再经过原始光谱和直接正交信号校正不同的预处理后,通过SPA算法提取的特征波长,得到蔬菜不同生长周期下不同病害的敏感波段。
6.根据权利要求5所述的一种蔬菜种植用病害识别及补光调节方法,其特征在于:在不同的模型中,接着进行颜色纹理特征提取,利用灰度共生矩阵法,通过计算灰度图像得到它的共生矩阵,然后透过计算该共生矩阵得到矩阵的特征值,来分别代表图像的纹理特征,反映图像灰度关于方向、相邻间隔、变化幅度信息,接着利用LBP局部二值模式描述图像局部纹理特征的算子,提取纹理特征;然后利用颜色矩的特征表示方法,用一阶矩,二阶矩和三阶矩表达图像的颜色分布,并用颜色直方图描述不同色彩在整幅图像中所占的比例,提取颜色特征。
7.根据权利要求6所述的一种蔬菜种植用病害识别及补光调节方法,其特征在于:将提取的光谱敏感波段和颜色纹理特征带入不同的模型中,基于TensorFlow和PyTorch平台以卷积神经网络为基本框架对所有模型进行深度学习训练,交叉验证结果,采取递进模式进行概念赋予,对实体概念对应的属性概念进行分辨训练,并取实体概念响应与属性概念响应的乘积作为区域块在各模型上添加概念属性响应结果。
8.根据权利要求7所述的一种蔬菜种植用病害识别及补光调节方法,其特征在于:在光照不足的条件下,利用识别探头识别蔬菜影像至控制终端,对影像中除蔬菜之外的色阶进行删除,保留蔬菜的影像,然后采用空域像素特征去噪算法对蔬菜数据进行降噪,并采用锐化及分辨率增强的方式凸出颜色特征和纹理特征,然后先进行光谱敏感波段提取,再进行颜色纹理特征提取。
9.根据权利要求8所述的一种蔬菜种植用病害识别及补光调节方法,其特征在于:当提取的光谱敏感波段、颜色纹理特征输入至模型中,模型进行对比训练并响应,先确定蔬菜种类,然后确定生长进程子模型,同步联网触发相关的属性、描述和种植参数,确定补光色彩以及补光强度,控制多色灯改变光照色彩以及光照强度,对不同生长周期的蔬菜进行适应性补光。
10.根据权利要求9所述的一种蔬菜种植用病害识别及补光调节方法,其特征在于:在确定生长子模型后,当存在病害特征时,病害模型进行相应,知识库提供数据支持,先确定病害种类,然后确定病害进程,同时启动控制终端内置的搜索引擎,根据病害搜索描述以及应对策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210162475.5A CN114463322A (zh) | 2022-02-22 | 2022-02-22 | 一种蔬菜种植用病害识别及补光调节方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210162475.5A CN114463322A (zh) | 2022-02-22 | 2022-02-22 | 一种蔬菜种植用病害识别及补光调节方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114463322A true CN114463322A (zh) | 2022-05-10 |
Family
ID=81416341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210162475.5A Pending CN114463322A (zh) | 2022-02-22 | 2022-02-22 | 一种蔬菜种植用病害识别及补光调节方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114463322A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115454164A (zh) * | 2022-09-15 | 2022-12-09 | 马鞍山粤美智造电子科技有限公司 | 一种基于智能识别的自动暖菜控温*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
CN104680524A (zh) * | 2015-02-11 | 2015-06-03 | 中国农业大学 | 一种叶类蔬菜病害诊断方法 |
US20200320682A1 (en) * | 2016-05-13 | 2020-10-08 | Basf Se | System and Method for Detecting Plant Diseases |
CN111967440A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种农作物病害的综合识别处理方法 |
-
2022
- 2022-02-22 CN CN202210162475.5A patent/CN114463322A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
CN104680524A (zh) * | 2015-02-11 | 2015-06-03 | 中国农业大学 | 一种叶类蔬菜病害诊断方法 |
US20200320682A1 (en) * | 2016-05-13 | 2020-10-08 | Basf Se | System and Method for Detecting Plant Diseases |
CN111967440A (zh) * | 2020-09-04 | 2020-11-20 | 郑州轻工业大学 | 一种农作物病害的综合识别处理方法 |
Non-Patent Citations (1)
Title |
---|
张领先 等: "蔬菜病害识别诊断与预警物联网技术研究与应用", 蔬菜, 31 August 2017 (2017-08-31) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115454164A (zh) * | 2022-09-15 | 2022-12-09 | 马鞍山粤美智造电子科技有限公司 | 一种基于智能识别的自动暖菜控温*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bhargava et al. | Fruits and vegetables quality evaluation using computer vision: A review | |
Kamilaris et al. | Deep learning in agriculture: A survey | |
Abdullahi et al. | Convolution neural network in precision agriculture for plant image recognition and classification | |
Guo et al. | Illumination invariant segmentation of vegetation for time series wheat images based on decision tree model | |
Sood et al. | Computer vision and machine learning based approaches for food security: A review | |
Li et al. | Recent advances in image fusion technology in agriculture | |
CN102945376A (zh) | 一种农作物病害的诊断方法 | |
Zermas et al. | A methodology for the detection of nitrogen deficiency in corn fields using high-resolution RGB imagery | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
Kumar et al. | An identification of crop disease using image segmentation | |
Sabri et al. | Nutrient deficiency detection in maize (Zea mays L.) leaves using image processing | |
Kumar et al. | Automatic leaf disease detection and classification using hybrid features and supervised classifier | |
Ruiz et al. | Automated classification of crop types and condition in a mediterranean area using a fine-tuned convolutional neural network | |
Vaidhehi et al. | RETRACTED ARTICLE: An unique model for weed and paddy detection using regional convolutional neural networks | |
CN114463322A (zh) | 一种蔬菜种植用病害识别及补光调节方法 | |
Nawi et al. | Application of artificial neural network classification to determine nutrient content in oil palm leaves | |
Lubis et al. | Classification of tomato leaf disease and combination extraction features using K-NN algorithm | |
Zaji et al. | A survey on deep learning applications in wheat phenotyping | |
Dehkordi et al. | Performance Evaluation of Temporal and Spatial-Temporal Convolutional Neural Networks for Land-Cover Classification (A Case Study in Shahrekord, Iran) | |
Aparna et al. | Precision agriculture in maize fields | |
Concepcion II et al. | A novel artificial bee colony-optimized visible oblique dipyramid greenness index for vision-based aquaponic lettuce biophysical signatures estimation | |
Radhakrishnan | Identification of citrus fruit diseases through intelligent computational approaches: a review | |
Ullagaddi et al. | An enhanced feature extraction technique for diagnosis of pathological problems in mango crop | |
Wang et al. | Convolutional neural networks of whole jujube fruits prediction model based on multi-spectral imaging method | |
Baculio et al. | An objective classification approach of cacao pods using local binary pattern features and artificial neural network architecture (ANN) |
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 |