[发明专利]基于计算机视觉的深度学习植物生长模型分析方法及系统

说明书

本发明涉及精准农业种植技术领域，具体公开了一种基于计算机视觉的深度学习植物生长模型分析方法，包括：实时采集植物生长环境数据和不同生长周期内的植物图像，在所采集的植物图像中提取同一个体植株不同生长周期的图像；计算出同一个体植株不同生长周期的图像中植株叶片的面积，其中，不同生长周期计算出来的叶片面积为对应时刻植物生长状态；建立对应时刻植物生长状态与其生长环境数据的映射关系模型；依据映射关系模型计算出植物不同生长环境因素的权重值。本发明还公开了一种基于计算机视觉的深度学习植物生长模型分析系统。本发明提供的植物生长模型分析方法可以全天候监控植物生长状态，进而量化植物生长环境对植物生长的影响程度。

技术领域

本发明涉及精准农业种植技术领域，更具体地，涉及一种基于计算机视觉的深度学习植物生长模型分析方法及系统。

背景技术

以物联网的崛起为背景，农业物联网在当今的时代逐渐崭露头角，大量的农业传感器被运用的农业生产活动中。但对于植物本身的监控测量还是由人工测量获取，这就导致植物特征数据获取耗费时间过长，人力成本投入过大，数据的质量和数量都无法得到保证。

发明内容

针对现有技术中存在的上述弊端，本发明提供了一种基于计算机视觉的深度学习植物生长模型分析方法及系统，可以全天候监控植物生长状态，计算出同一个体植株不同生长周期的图像中植株叶片的面积，量化植物生长环境对植物生长的影响程度。

作为本发明的第一个方面，提供一种基于计算机视觉的深度学习植物生长模型分析方法，包括：

实时采集植物生长环境数据，及实时采集不同生长周期内的植物图像，在所采集的植物图像中提取同一个体植株不同生长周期的图像；

利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，其中，不同生长周期计算出来的叶片面积为对应时刻植物生长状态；

建立对应时刻植物生长状态与其生长环境数据的映射关系模型；

依据所述映射关系模型计算出植物不同生长环境因素的权重值。

进一步地，所述利用深度学习算法模型，计算出所述同一个体植株不同生长周期的图像中植株叶片的面积，包括：

利用YOLOV3目标检测框架，对输入的所述同一个体植株不同生长周期的图像进行识别，识别出叶片信息后并判断其位置；

根据叶片位置截取出所述同一个体植株不同生长周期的图像中的叶片部分；

使用KNN算法对截取出来的叶片图像进行聚类背景分割；

根据聚类背景分割结果去除所述叶片图像中的背景部分；

将去除背景部分的叶片图像进行边缘信息融合补全操作；

根据图像像素梯度值，使用阈值计算对融合补全后的叶片图像进行锐化，突出叶片边缘；

对锐化后的叶片图像进行实例分割，按照图像中分割实例的不同方向角和形状大小标记实例不同序号；

利用Canny算子检测出分割后的实例叶片图像边缘，并绘制分割后的实例叶片图像边缘的轮廓；

根据所述分割后的实例叶片图像边缘的轮廓信息，计算出contour拟合出的多边形的叶片面积。

进一步地，所述使用KNN算法对截取出来的叶片图像进行聚类背景分割，包括：

步骤301，在所述叶片图像中随机选取K个初始聚类中心；

步骤302，计算每个像素值到所述初始聚类中心的欧氏距离，将每个像素点归到与其距离最近的聚类中心所属簇；

步骤303，计算现有每一簇的所有色素均值，以一簇内所有色素的均值作为该簇新的聚类中心；