[發明專利]基于計算機視覺的深度學習植物生長模型分析方法及系統

有效

• 申請號: 202010772039.0
• 申請日: 2020-08-04
• 公開（公告）號: CN111862194B
• 公開（公告）日: 2022-06-03
• 發明（設計）人: 顧云強;顧嘉越;王品卓;胡磊
• 申請（專利權）人: 江蘇云腦數據科技有限公司
• 主分類號: G06T7/62
• 分類號: G06T7/62;G06T7/90;G06T7/13;G06T7/12;G06T5/30;G06T5/00;G06N3/08;G06N3/04;G06K9/62;G06V10/82;G06V10/762
• 代理公司: 無錫市大為專利商標事務所(普通合伙) 32104
• 代理人: 曹祖良

本發明涉及精準農業種植技術領域，具體公開了一種基于計算機視覺的深度學習植物生長模型分析方法，包括：實時采集植物生長環境數據和不同生長周期內的植物圖像，在所采集的植物圖像中提取同一個體植株不同生長周期的圖像；計算出同一個體植株不同生長周期的圖像中植株葉片的面積，其中，不同生長周期計算出來的葉片面積為對應時刻植物生長狀態；建立對應時刻植物生長狀態與其生長環境數據的映射關系模型；依據映射關系模型計算出植物不同生長環境因素的權重值。本發明還公開了一種基于計算機視覺的深度學習植物生長模型分析系統。本發明提供的植物生長模型分析方法可以全天候監控植物生長狀態，進而量化植物生長環境對植物生長的影響程度。

技術領域

本發明涉及精準農業種植技術領域，更具體地，涉及一種基于計算機視覺的深度學習植物生長模型分析方法及系統。

背景技術

以物聯網的崛起為背景，農業物聯網在當今的時代逐漸嶄露頭角，大量的農業傳感器被運用的農業生產活動中。但對于植物本身的監控測量還是由人工測量獲取，這就導致植物特征數據獲取耗費時間過長，人力成本投入過大，數據的質量和數量都無法得到保證。

發明內容

針對現有技術中存在的上述弊端，本發明提供了一種基于計算機視覺的深度學習植物生長模型分析方法及系統，可以全天候監控植物生長狀態，計算出同一個體植株不同生長周期的圖像中植株葉片的面積，量化植物生長環境對植物生長的影響程度。

作為本發明的第一個方面，提供一種基于計算機視覺的深度學習植物生長模型分析方法，包括：

實時采集植物生長環境數據，及實時采集不同生長周期內的植物圖像，在所采集的植物圖像中提取同一個體植株不同生長周期的圖像；

利用深度學習算法模型，計算出所述同一個體植株不同生長周期的圖像中植株葉片的面積，其中，不同生長周期計算出來的葉片面積為對應時刻植物生長狀態；

建立對應時刻植物生長狀態與其生長環境數據的映射關系模型；

依據所述映射關系模型計算出植物不同生長環境因素的權重值。

進一步地，所述利用深度學習算法模型，計算出所述同一個體植株不同生長周期的圖像中植株葉片的面積，包括：

利用YOLOV3目標檢測框架，對輸入的所述同一個體植株不同生長周期的圖像進行識別，識別出葉片信息后并判斷其位置；

根據葉片位置截取出所述同一個體植株不同生長周期的圖像中的葉片部分；

使用KNN算法對截取出來的葉片圖像進行聚類背景分割；

根據聚類背景分割結果去除所述葉片圖像中的背景部分；

將去除背景部分的葉片圖像進行邊緣信息融合補全操作；

根據圖像像素梯度值，使用閾值計算對融合補全后的葉片圖像進行銳化，突出葉片邊緣；

對銳化后的葉片圖像進行實例分割，按照圖像中分割實例的不同方向角和形狀大小標記實例不同序號；

利用Canny算子檢測出分割后的實例葉片圖像邊緣，并繪制分割后的實例葉片圖像邊緣的輪廓；

根據所述分割后的實例葉片圖像邊緣的輪廓信息，計算出contour擬合出的多邊形的葉片面積。

進一步地，所述使用KNN算法對截取出來的葉片圖像進行聚類背景分割，包括：

步驟301，在所述葉片圖像中隨機選取K個初始聚類中心；

步驟302，計算每個像素值到所述初始聚類中心的歐氏距離，將每個像素點歸到與其距離最近的聚類中心所屬簇；

步驟303，計算現有每一簇的所有色素均值，以一簇內所有色素的均值作為該簇新的聚類中心；