一种幼苗水肥管理方法、系统、电子设备及存储介质

技术领域

本发明涉及农业信息化技术领域，尤其涉及一种幼苗水肥管理方法、系统、电子设备及存储介质。

背景技术

潮汐式育苗是将植物生长在填充有无土栽培基质的容器中，采用定时器控制水泵，周期性的从储液罐将肥料溶液泵入多个栽培槽或床箱，植物和基质吸收剩余的肥料溶液再自然回流入储液罐，循环使用。

潮汐育苗这种新型的节水灌溉育苗方式，解决了传统顶部喷淋式育苗方式下水肥叶面供施，无法深入到根部，水肥利用效率较低的问题，因其水肥管控精细、系统搭建标准化程度高、管理高效等近年来被大面积推广开来。但是由于种苗对水肥敏感性高于成苗，水肥供施要求较高，传统的试验法无法形成系统的水肥灌溉模型，因此还是采用经验法管理所有作物，普遍还是基于“经验决策”和“闭眼决策”的方法。

发明内容

本发明提供一种幼苗水肥管理方法、系统、电子设备及存储介质，用以解决现有技术中针对潮汐苗床的幼苗水肥管理仅靠经验和人工，导致管理不够精细，信息获取不够及时的缺陷。

第一方面，本发明提供一种幼苗水肥管理方法，包括：

获取在预设生长时期之前的叶片关联数据，基于所述叶片关联信息确定幼苗生长预测信息；

获取在所述预设生长时期之前的叶片图像集，利用所述叶片图像集和所述幼苗生长预测信息，确定幼苗生育期；

获取幼苗生长环境数据，结合所述幼苗生长环境数据和所述幼苗生育期，确定幼苗灌溉施肥量。

根据本发明提供的一种幼苗水肥管理方法，获取在预设生长时期之前的叶片关联数据，基于所述叶片关联信息确定幼苗生长预测信息，包括：

利用预设神经网络模型训练所述预设生长时期之前的幼苗图像数据集，得到幼苗茎秆中心点；

基于所述幼苗茎秆中心点识别单个叶片图片，确定所述单个叶片图片的叶片中心点；

确定所述单个叶片图片中的叶星角，由所述叶星角确定所述叶片关联数据；

利用所述叶片关联数据推导得到所述预设生长时期的叶片出新叶概率。

根据本发明提供的一种幼苗水肥管理方法，确定所述单个叶片图片中的叶星角，由所述叶星角确定所述叶片关联数据，包括：

以所述单个叶片图片中的预设左上角、所述幼苗茎秆中心点和所述叶片中心点之间的夹角为所述叶星角；

分别以幼苗种植环境总辐射作为横坐标，以所述叶星角为纵坐标建立叶片关联数据坐标系，由所述叶片关联数据坐标系获取所述叶片关联数据。

根据本发明提供的一种幼苗水肥管理方法，获取在所述预设生长时期之前的叶片图像集，利用所述叶片图像集和所述幼苗生长预测信息，确定幼苗生育期，包括：

基于所述叶片图像集构建卷积神经网络模型，以获得幼苗生长状态信息；

基于所述幼苗生长状态信息，在预设时间获取反射光谱成像，基于所述反射光谱成像和所述幼苗生长预测信息，输出所述幼苗生育期。

根据本发明提供的一种幼苗水肥管理方法，基于所述叶片图像集构建卷积神经网络模型，以获得幼苗生长状态信息，包括：

对所述叶片图像集进行数据增强处理，得到增强数据集；

基于所述预设生长时期对所述增强数据集进行标注，对标注后的增强数据集按照预设比例划分为训练集、验证集和测试集；

利用预设深度学习框架，基于所述训练集、所述验证集和所述测试集构建所述卷积神经网络模型；

初始化所述卷积神经网络模型的参数，并采用随机梯度下降法训练所述卷积神经网络模型，得到检测模型；

将所述叶片图像集输入至所述检测模型，得到所述幼苗生长状态信息。

根据本发明提供的一种幼苗水肥管理方法，基于所述幼苗生长状态信息，在预设时间获取反射光谱成像，基于所述反射光谱成像和所述幼苗生长预测信息，输出所述幼苗生育期，包括：

基于所述幼苗生长状态信息，提取第三叶期叶片图像集；

在所述第三叶期叶片图像集中分别提取叶底光谱曲线、叶中光谱曲线和叶尖光谱曲线；

基于所述叶底光谱曲线、所述叶中光谱曲线、所述叶尖光谱曲线和所述幼苗生长预测信息，得到重叠叶片数量；

由所述重叠叶片数量输出第四叶期生育期和第五叶期生育期。

根据本发明提供的一种幼苗水肥管理方法，获取幼苗生长环境数据，结合所述幼苗生长环境数据和所述幼苗生育期，确定幼苗灌溉施肥量，包括：

获取当前辐射值和当前温度值，对所述当前温度值进行累加，得到小时积温；

若确定所述小时积温达到临界小时积温，且所述当前辐射值大于临界辐射值时，则以所述幼苗灌溉施肥量启动灌溉施肥，否则执行灌溉等待。

根据本发明提供的一种幼苗水肥管理方法，所述临界小时积温、所述幼苗灌溉施肥量和所述幼苗灌溉施肥量的浓度均与幼苗叶片数成线性关系。

第二方面，本发明还提供一种幼苗水肥管理系统，包括：

第一处理模块，用于获取在预设生长时期之前的叶片关联数据，基于所述叶片关联信息确定幼苗生长预测信息；

第二处理模块，用于获取在所述预设生长时期之前的叶片图像集，利用所述叶片图像集和所述幼苗生长预测信息，确定幼苗生育期；

第三处理模块，用于获取幼苗生长环境数据，结合所述幼苗生长环境数据和所述幼苗生育期，确定幼苗灌溉施肥量。

第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述幼苗水肥管理方法。

第四方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述幼苗水肥管理方法。

第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述幼苗水肥管理方法。

本发明提供的幼苗水肥管理方法、系统、电子设备及存储介质，通过利用多源信息融合技术及人工智能算法，实现幼苗生长实时监测反馈，进一步地根据当前叶片数及作物实际生长环境，制定施肥灌溉管理制度，有利于管理者更进一步分析作物耗水规律和出苗率影响因素，为发掘更优质高效的控制策略提供可能。

附图说明

为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的幼苗水肥管理方法的流程示意图；

图2是本发明提供的幼苗识别卷积神经网络模型示意图；

图3是本发明提供的幼苗水肥管理系统的结构示意图；

图4是本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1是本发明提供的幼苗水肥管理方法的流程示意图，如图1所示，包括：

步骤100：获取在预设生长时期之前的叶片关联数据，基于所述叶片关联信息确定幼苗生长预测信息；

步骤200：获取在所述预设生长时期之前的叶片图像集，利用所述叶片图像集和所述幼苗生长预测信息，确定幼苗生育期；

步骤300：获取幼苗生长环境数据，结合所述幼苗生长环境数据和所述幼苗生育期，确定幼苗灌溉施肥量。

针对潮汐苗床的幼苗管理现状，本发明利用信息化和计算机技术，提供一种全新的作物生长情况反馈系统，并实时根据反馈信息调整水肥气的供给，为成苗的可视化智慧管控提供全新思路。

系统包括潮汐苗床组件、三自由度直线单元龙门架滑台组件、传感监测组件、水肥供给组件和人机交互输入输出组件六部分。其中，潮汐苗床组件包括潮汐苗床和育苗穴盘；三自由度直线单元龙门架滑台组件包括伺服电机、光电传感器、导轨、滑块、皮带、加持机构等；传感监测组件包括高清摄像头、在线光谱仪、空气温湿度传感器、光总辐射传感器、液位计、流量计等；水肥供给组件包括储液单元、母液单元、回液单元、水肥一体化首部、供回液管道、供回液阀门等，优选地，供液选择隔膜电磁阀，回液选择三位两通无压电动阀；人机交互输入输出组件包括通讯单元、上位显示控制单元和远程服务中心。

基于上述系统，本发明还提供幼苗叶片追踪方法，利用多源信息融合技术及人工智能算法，实现基于多参数耦合的幼苗生长实时监测反馈，进而给出具体叶片数，进一步地根据当前叶片数及作物实际生长环境，制定施肥灌溉管理制度。

除此之外，系统存储所有的育苗相关的参数，包括环境参数、灌溉参数、设定参数和控制参数，并提供数据下载接口，能进一步分析作物耗水规律和出苗率影响因素，为发掘更优质高效的控制策略提供可能。

具体地，首先获取在幼苗三叶期之前的叶片生长情况、叶片数量和辐射量，建立叶片关联数据，根据叶片关联数据预测幼苗在三叶期之后的生长信息；

然后基于卷积神经网络模型和反射光谱，根据三叶期之前的叶片图像集，以及幼苗生长预测信息，判定幼苗的生育期；

最后，根据幼苗生育期，结合幼苗当前的生长环境数据，执行对应的水肥灌溉措施。

本发明通过利用多源信息融合技术及人工智能算法，实现幼苗生长实时监测反馈，进一步地根据当前叶片数及作物实际生长环境，制定施肥灌溉管理制度，有利于管理者更进一步分析作物耗水规律和出苗率影响因素，为发掘更优质高效的控制策略提供可能。

基于上述实施例，步骤100包括：

利用预设神经网络模型训练所述预设生长时期之前的幼苗图像数据集，得到幼苗茎秆中心点；

基于所述幼苗茎秆中心点识别单个叶片图片，确定所述单个叶片图片的叶片中心点；

确定所述单个叶片图片中的叶星角，由所述叶星角确定所述叶片关联数据；

利用所述叶片关联数据推导得到所述预设生长时期的叶片出新叶概率。

其中，确定所述单个叶片图片中的叶星角，由所述叶星角确定所述叶片关联数据，包括：

以所述单个叶片图片中的预设左上角、所述幼苗茎秆中心点和所述叶片中心点之间的夹角为所述叶星角；

分别以幼苗种植环境总辐射作为横坐标，以所述叶星角为纵坐标建立叶片关联数据坐标系，由所述叶片关联数据坐标系获取所述叶片关联数据。

具体地，首先采用常用的神经网络模型，例如常用的深度神经网络(Deep NeuralNetworks，DNN)、长短期记忆网络(LSTM，Long Short-Term Memory，LSTM)和残差网络(Residual Network，ResNet)等网络模型，训练预设生长时期之前的幼苗图像数据集，得到幼苗茎秆中心点，记为M；

然后基于中心点M识别单个叶片，确定叶片中心点N，并以叶片中心点N赋予该叶片唯一的ID；

定义单个叶片图片的左上角、幼苗茎秆中心点M和叶片中心点N的夹角为叶星角，以种植环境接收的总辐射作为横坐标，以每一个ID的叶星角为纵坐标，建立叶片关联数据坐标系，由叶片关联数据坐标系得到叶片关联数据；

采用三叶期之前的叶片关联数据，推断三叶期之后幼苗的生长情况，得到叶片出新叶概率，以百分比表示。

需要说明的是，这里采集的数据集必须是定点拍摄，以确保输入图像的一致性。

本发明采用定位中心点的方法进行叶片实时追踪和预测，同时融合反射光谱信息，能够解决机器视觉在农业方面应用，叶片重叠无法识别的瓶颈问题。

基于上述实施例，步骤200包括：

基于所述叶片图像集构建卷积神经网络模型，以获得幼苗生长状态信息；

基于所述幼苗生长状态信息，在预设时间获取反射光谱成像，基于所述反射光谱成像和所述幼苗生长预测信息，输出所述幼苗生育期。

其中，基于所述叶片图像集构建卷积神经网络模型，以获得幼苗生长状态信息，包括：

对所述叶片图像集进行数据增强处理，得到增强数据集；

基于所述预设生长时期对所述增强数据集进行标注，对标注后的增强数据集按照预设比例划分为训练集、验证集和测试集；

利用预设深度学习框架，基于所述训练集、所述验证集和所述测试集构建所述卷积神经网络模型；

初始化所述卷积神经网络模型的参数，并采用随机梯度下降法训练所述卷积神经网络模型，得到检测模型；

将所述叶片图像集输入至所述检测模型，得到所述幼苗生长状态信息。

其中，基于所述幼苗生长状态信息，在预设时间获取反射光谱成像，基于所述反射光谱成像和所述幼苗生长预测信息，输出所述幼苗生育期，包括：

基于所述幼苗生长状态信息，提取第三叶期叶片图像集；

在所述第三叶期叶片图像集中分别提取叶底光谱曲线、叶中光谱曲线和叶尖光谱曲线；

基于所述叶底光谱曲线、所述叶中光谱曲线、所述叶尖光谱曲线和所述幼苗生长预测信息，得到重叠叶片数量；

由所述重叠叶片数量输出第四叶期生育期和第五叶期生育期。

具体地，本发明还采用基于多参数耦合的幼苗生长实时监测反馈方法，利用卷积神经网络模型和反射光谱，耦合决策幼苗的不同生长阶段，以实现幼苗水肥的自适应控制。

首先，如图2所示，选取大量幼苗不同生长阶段的图像数据集，搭建卷积神经网络模型，训练识别作物实时生长状态，以叶片数L表示，分为一叶期、二叶期和三叶期等。

此处，获取幼苗不同生长阶段图像数据集，将所述图像数据集进行数据增强，具体包括：

使相机与作物行水平方向呈90°夹角，距离苗床高度约1m，采集不同时期的幼苗图像构建图像数据集；将图像数据集通过90度随机旋转、随机水平翻转、随机垂直翻转和随机仿反射变换等方法进行数据增强。

在获取幼苗不同生长阶段的图像数据集后，需要将图像数据进行归一化处理，再将图像数据集进行数据增强；采用标注软件标注增强数据集，将标注的数据集按照6:2:2的比例随机划分为训练集、验证集、测试集；在TensorFlow深度学习框架上，搭建卷积神经网络模型初始化模型参数，将训练集输入到检测模型基于随机梯度下降法进行训练；训练完成后将待识别图像输入到检测模型，输出幼苗所处的生长阶段。

在TensorFlow深度学习框架上，搭建卷积神经网络模型时，模型主要由两个主要块组成，分别是特征提取块和分类块，在模型中，特征提取块通过卷积层从输入图像中提取特征，分类块决定类别。

此外，初始化卷积神经网络模型参数，将训练集输入到检测模型基于随机梯度下降法进行训练，具体包括：使用Xavier初始化权重和用零来初始化偏差；采用随机梯度下降法对参数进行训练，当误差值等于或小于预期值时，结束训练，更新权重。

训练完成后将待识别图像输入到检测模型，输出幼苗所处的生长阶段，将相机获得的图像数据输入检测模型中，得到输出预测值，判断幼苗处于什么生长阶段。

本发明通过卷积神经网络模型训练获得幼苗生育期的判断结果，利于后续根据幼苗生育期进行灌溉施肥。

基于上述实施例，步骤300包括：

获取当前辐射值和当前温度值，对所述当前温度值进行累加，得到小时积温；

若确定所述小时积温达到临界小时积温，且所述当前辐射值大于临界辐射值时，则以所述幼苗灌溉施肥量启动灌溉施肥，否则执行灌溉等待。

其中，所述临界小时积温、所述幼苗灌溉施肥量和所述幼苗灌溉施肥量的浓度均与幼苗叶片数成线性关系。

具体地，在前述实施例的基础上，本发明还提供一种基于多参数耦合的灌溉施肥管理方法，即融合高清摄像头、在线光谱仪、空气温湿度传感器、光总辐射传感器的综合数据，进行灌溉管理。

按照每1分钟间隔采集作物当前环境，记当前辐射值为Wi，当前温度值为Ti。对温度进行累加，得到小时积温

进一步地，灌溉量ET也是叶片数L的正相关函数，用ET＝f2(L)表示；进一步地，灌溉液浓度EC随着叶片数L的增加而增大，以保证生长，用EC＝1200+100L表示。

本发明通过将灌溉施肥三要素：启动灌溉时刻、灌溉量和灌溉液浓度完全和叶片数关联，不仅能够充分的节约水肥，还能保证每次灌溉均在适宜温度下进行，利于作物吸收生长，不易发生徒长，有效提高成苗质量。

下面对本发明提供的幼苗水肥管理系统进行描述，下文描述的幼苗水肥管理系统与上文描述的幼苗水肥管理方法可相互对应参照。

图3是本发明提供的幼苗水肥管理系统的结构示意图，如图3所示，包括：第一处理模块31、第二处理模块32和第三处理模块33，其中：

第一处理模块31用于获取在预设生长时期之前的叶片关联数据，基于所述叶片关联信息确定幼苗生长预测信息；第二处理模块32用于获取在所述预设生长时期之前的叶片图像集，利用所述叶片图像集和所述幼苗生长预测信息，确定幼苗生育期；第三处理模块33用于获取幼苗生长环境数据，结合所述幼苗生长环境数据和所述幼苗生育期，确定幼苗灌溉施肥量。

本发明通过利用多源信息融合技术及人工智能算法，实现幼苗生长实时监测反馈，进一步地根据当前叶片数及作物实际生长环境，制定施肥灌溉管理制度，有利于管理者更进一步分析作物耗水规律和出苗率影响因素，为发掘更优质高效的控制策略提供可能。

图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行幼苗水肥管理方法，该方法包括：获取在预设生长时期之前的叶片关联数据，基于所述叶片关联信息确定幼苗生长预测信息；获取在所述预设生长时期之前的叶片图像集，利用所述叶片图像集和所述幼苗生长预测信息，确定幼苗生育期；获取幼苗生长环境数据，结合所述幼苗生长环境数据和所述幼苗生育期，确定幼苗灌溉施肥量。

此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的幼苗水肥管理方法，该方法包括：获取在预设生长时期之前的叶片关联数据，基于所述叶片关联信息确定幼苗生长预测信息；获取在所述预设生长时期之前的叶片图像集，利用所述叶片图像集和所述幼苗生长预测信息，确定幼苗生育期；获取幼苗生长环境数据，结合所述幼苗生长环境数据和所述幼苗生育期，确定幼苗灌溉施肥量。

又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的幼苗水肥管理方法，该方法包括：获取在预设生长时期之前的叶片关联数据，基于所述叶片关联信息确定幼苗生长预测信息；获取在所述预设生长时期之前的叶片图像集，利用所述叶片图像集和所述幼苗生长预测信息，确定幼苗生育期；获取幼苗生长环境数据，结合所述幼苗生长环境数据和所述幼苗生育期，确定幼苗灌溉施肥量。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。