[发明专利]一种基于深度学习的设施蔬菜水分调控方法及系统

说明书

本发明公开了一种基于深度学习的设施蔬菜水分调控方法及系统，包括：获取最佳蔬菜叶面蓝、绿、红、近红外和红边5个波段的图像，提取蔬菜叶面感兴趣区域；根据所述蔬菜叶面感兴趣区域内蓝、绿、红、近红外和红边5个波段处的光谱反射率及由水分测定仪获取蔬菜叶面的含水率组成数据库；基于所述数据库中的数据，通过构建一维卷积神经网络实现对蔬菜含水量的预测；以不同蔬菜灌溉标准作为阈值，与预测结果的作差，实现对外部灌溉设备的调控。本发明可以实现高精度的针对设施环境下的蔬菜叶面含水量预测，同时可以实现自动化的灌溉调控，节省了多余的成本和人力资源，还可以无损的预测蔬菜叶面含水量，对蔬菜影响较小。

技术领域

本发明涉及农业信息精准化的技术领域，尤其涉及一种基于深度学习的设施蔬菜水分调控方法及系统。

背景技术

水是蔬菜生长必不可少的元素之一，水的精准灌溉直接影响着蔬菜的品质，尤其对于设施环境下的蔬菜生产模式，如果没有及时的发现蔬菜的生理含水特性，就会导致灌溉的盲目性，同时也会带来诸多蔬菜病虫害、水资源浪费等其它问题。目前，对于设施蔬菜的含水量预测缺少智能化的管控，大多凭借农民的经验，具有主观性，一旦判断失误，造成不可挽回的损失；利用水分测定仪进行测量的方式，虽然一定程度上代替了人工，但常常需要手动的按株测量，不利于大范围设施环境下把控，价格昂贵且费时费力；一些采用传统机器学习的方法虽然也可以实现，但是常常需要大量的调参工作并且预测精度不足，不足以支持灌溉作业决策，因此，建立一种设施蔬菜水分调控系统及方法，成为当前亟需解决的问题。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：目前，对于设施蔬菜的含水量预测缺少智能化的管控，大多凭借农民的经验，具有主观性，一旦判断失误，造成不可挽回的损失；利用水分测定仪进行测量的方式，虽然一定程度上代替了人工，但常常需要手动的按株测量，不利于大范围设施环境下把控，价格昂贵且费时费力；一些采用传统机器学习的方法虽然也可以实现，但是常常需要大量的调参工作并且预测精度不足，不足以支持灌溉作业决策。

为解决上述技术问题，本发明提供如下技术方案：获取最佳蔬菜叶面蓝、绿、红、近红外和红边5个波段的图像，提取蔬菜叶面感兴趣区域；根据所述蔬菜叶面感兴趣区域内蓝、绿、红、近红外和红边5个波段处的光谱反射率及由水分测定仪获取蔬菜叶面的含水率组成数据库；基于所述数据库中的数据，通过构建一维卷积神经网络实现对蔬菜含水量的预测；以不同蔬菜灌溉标准作为阈值，与预测结果的作差，实现对外部灌溉设备的调控。

作为本发明所述的基于深度学习的设施蔬菜水分调控方法的一种优选方案，其中：利用阈值分割算法将蔬菜叶片与背景进行分割，提取所述蔬菜叶面感兴趣区域，所述阈值分割算法的数学表达式为：

其中，T为阈值，输入图像为f，输出图像为g，需要提取的叶面图像元素为g(i,j)＝1，背景图像元素为g(i,j)＝0；

当阈值确定后，将所述阈值与像素点进行逐一比较，直接获取感兴趣的蔬菜叶面图像区域。

作为本发明所述的基于深度学习的设施蔬菜水分调控方法的一种优选方案，其中：通过对拍摄时间、光照强度及拍摄高度的调整获取所述最佳蔬菜叶面图像。

作为本发明所述的基于深度学习的设施蔬菜水分调控方法的一种优选方案，其中：对所述蔬菜含水量进行预测过程包括：载入数据库；数据集划分；构建卷积神经网络模型；构建预测端的损失函数；构建评价函数；训练模型；调参；输出高于预设标准的含水量预测模型进行含水量预测。