[发明专利]一种番茄生长模型判定方法及装置

说明书

本发明提供一种番茄生长模型判定方法及装置，该方法包括获取番茄的待分类图像；将待分类图像输入深度卷积神经网络模型，输出番茄对应的生长模型类别；深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。本发明提供的番茄生长模型判定方法及装置，获取番茄的待分类图像，将待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别。本发明采用基于机器学习和深度学习的深度卷积神经网络对图像分类，得到番茄对应的生长模型类别，在增加训练样本的数目的同时，分类更加的准确和高效。

技术领域

本发明涉及番茄种植技术领域，更具体的，涉及一种番茄生长模型判定方法及装置。

背景技术

番茄属于温室栽培蔬菜，番茄的生长发育主要依靠水肥的大量投入来提高产量，不合理的灌水和施肥不仅造成水资源和肥料的浪费，还导致番茄发病率高、品质下降、土壤硝酸盐淋失、微量元素缺乏及环境污染。在番茄的栽培过程中合理的使用水肥含量尤为重要，可高效栽培产量高、品质优的番茄。

番茄在其生长过程中，不同的生长时期不同的生长模型下所呈现的形态多样，颜色变化丰富、重叠遮挡严重、环境背景复杂，用传统方法识别的技术难度较大，很难用一种方法同时识别出所有的特征。

发明内容

本发明为解决番茄生长模型判定过程复杂的缺陷，提供一种番茄生长模型判定方法及装置。

第一方面，本发明提供一种番茄生长模型判定方法，包括：

获取番茄的待分类图像；

将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

优选的，番茄生长模型判定方法还包括：

将所述番茄对应的生长模型，与预先分析得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量；其中，所述生长模型的参数包括生长期、灌水量和施肥量。

优选的，所述深度卷积神经网络模型的获得过程包括：

采集番茄在各生长模型下的样本图像，将所述样本图像中番茄的花、果、茎特征进行标注，选取其中番茄的花、果、茎具有显著特征的样本图像作为训练样本；

根据所述训练样本及其对应的生长模型类别，对深度卷积神经网络进行训练，获得深度卷积神经网络模型。

优选的，所述获取番茄的待分类图像具体包括：

计算机对摄像头发出取样指令，摄像头启动拍摄番茄培养基区域，获取番茄照片；

通过摄像头将拍摄到的番茄照片数据传输到计算机中，作为番茄的待分类图像；

其中，所述番茄置于番茄培养基内，所述番茄培养基的上方安装有摄像头，所述计算机与摄像头相连。

优选的，所述摄像头的外部安装有防水保护罩，所述摄像头为可旋转摄像头。

第二方面，本发明提供一种番茄生长模型判定装置，包括：

获取模块，用于获取番茄的待分类图像；

判定模块，用于将所述待分类图像输入深度卷积神经网络模型，输出所述番茄对应的生长模型类别；其中，所述深度卷积神经网络模型是基于番茄样本图像及其对应的生长模型类别进行训练后得到的。

优选的，番茄生长模型判定装置还包括：

调整模块，用于将所述番茄对应的生长模型，与预先分析得到的番茄各生长期对应的最优生长模型相比较，调整所述番茄的灌水量和施肥量；其中，所述生长模型的参数包括生长期、灌水量和施肥量。