[发明专利]作物氮含量缺乏分级判别的方法、装置及电子设备

说明书

本发明实施例公开了作物氮含量缺乏分级判别的方法、装置及电子设备，方法包括：获取待测作物的彩色图像；其中，彩色图像包括颜色参数以及形状参数；将待测作物的彩色图像输入至训练好的随机森林模型，得到待测作物的氮含量缺乏分级判别结果；训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到。此外，本发明采用随机森林模型对待测作物氮含量缺乏进行分级判别，通过矩形区域内图像计算叶面积和叶片周长形状参数。该特征向量提取方法融合深度学习分级准确率高和机器学习对数据量要求少的优点，减少因季节温度变化对分级判别模型带来的影响，从而对氮肥缺乏程度的判别更加高效准确。

技术领域

本发明涉及计算机技术领域，具体涉及作物氮含量缺乏分级判别的方法、装置及电子设备。

背景技术

氮元素是作物需求量最大的矿质元素，也被称为“生命元素”。当氮素充足时，作物可合成较多的蛋白质，促进细胞的分裂和增大，植物叶面积增长较快，光合作用较强。严重缺氮时，有机物合成受阻，植株矮小，叶片发黄，老叶更黄，因此如何进行作物氮含量的缺乏分级判别是当下亟待解决的问题。

目前，有直接和间接的方法来进行作物氮含量的缺乏分级判别。其中，直接的方法具体可以通过采摘植物叶片并在实验室中对其进行分析，例如硫酸-过氧化氢消煮法。这种方法需要在野外进行破坏性采集，实验室分析耗时且有一定危险性，并且不适用于大量样品的测定分析。间接方法具备简单、快速、无损的优点。一些设备基于叶片或作物入射光的光谱反射率或透射率被开发出来，这些设备的检测原理依赖于叶绿素浓度与作物组织氮含量之间的关系。这些设备包括叶绿素仪、手持式作物传感器以及野外光谱辐射仪。但是这些基于光谱学手段开发的设备价格昂贵，使用者需要具备相关光谱学专业知识才能熟练使用设备，并且结果容易受到环境因素干扰。由于这些原因使得大田或温室中使用基于光谱学手段研发设备监测作物氮含量缺乏程度存在一定困难。

综上，作物氮含量的缺乏分级判别受制于现有的技术发展，一方面，基于光谱学手段开发的设备价格昂贵，使用者需要具备相关光谱学专业知识才能熟练使用设备。另一方面，作物氮含量的缺乏分级判别结果容易受到环境因素干扰。因此，目前亟需一种作物氮含量缺乏分级判别的技术，用于解决上述现有技术存在的问题。

发明内容

由于现有方法存在上述问题，本发明实施例提出作物氮含量缺乏分级判别的方法、装置及电子设备。

第一方面，本发明实施例提供了一种作物氮含量缺乏分级判别的方法，包括：

获取待测作物的彩色图像；其中，所述彩色图像包括颜色参数以及形状参数；

将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果；

其中，所述训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到；其中，所述随机森林模型为根据所述颜色参数以及所述形状参数生成训练集以及验证集，并根据所述训练集确定所述随机森林模型的结构以及根据所述验证集进行优化后得到的模型。

进一步地，在所述将所述待测作物的彩色图像输入至训练好的随机森林模型之前，还包括：

根据所述颜色参数以及所述形状参数生成训练集以及验证集；

将所述训练集输入随机森林模型进行参数寻优并确定所述随机森林模型的参数；其中，所述参数用以确定所述随机森林模型的结构；

根据所述验证集对所述随机森林模型进行优化得到优化后的随机森林模型；

根据所述优化后的随机森林模型确定最终的随机森林模型并将所述最终的随机森林模型作为作物氮含量缺乏分级判别模型；

进一步地，所述彩色图像为RGB图像，所述获取待测作物的彩色图像，包括：

将所述彩色图像进行图像均衡化以及滤波；