基于图像分析的连翘套种魔芋生长智能决策方法及系统与流程

本发明涉及农业种植，更具体地说，本发明涉及基于图像分析的连翘套种魔芋生长智能决策方法及系统。

背景技术：

1、连翘是一种适应性强、喜光、耐干旱和瘠薄的深根性作物，适合在温暖、湿润的气候中生长，选择肥沃、疏松、排水性好的沙质土壤；魔芋根系较浅，喜欢半阴半阳，与连翘同样适合生长在沙质土壤；随着农业领域的发展，农业种植方法往往面临着诸如土地资源利用率不高、土壤质量下降、病虫害频发等问题。为了解决这些问题，人们开始探索各种创新的种植技术，其中包括套种技术。魔芋和连翘套种指的是在同一块土地上同时种植两种不同的植物，连翘作为主要作物，魔芋作为次要作物，进而提高土地的利用效率，减少病虫害的发生，并改善土壤质量。

2、现有的田间管理方法通过基于图像的采集即可实现种植区作物品种、作物生长状态、种植环境参数以及病虫害情况、养分和水分缺失情况的监测分析，例如，公开号为cn115424151a的中国专利公开了一种基于图像处理的农业智能平台，上述方法虽能实现提高种植区管理的效率，提高魔芋和连翘的生长质量，但经发明人对上述方法以及现有技术进行研究和应用发现，获取农作物图像时，对农作物进行一次全面拍照，容易受到农作物叶片之间的遮挡影响，特别是农作物叶片生长浓密的情况下，导致部分叶片被遮挡而无法获取完整的图像信息，进而导致数据获取不准确，影响对农作物的水分和养分含量需求的判断。

3、为此，本发明提供了基于图像分析的连翘套种魔芋生长智能决策方法及系统。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明提供了基于图像分析的连翘套种魔芋生长智能决策方法及系统，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：基于图像分析的连翘套种魔芋生长智能决策方法，包括：

3、步骤1：获取第n个种植子区域内农作物的土壤监测数据，所述土壤监测数据包括土壤湿度评估系数和土壤肥料评估系数；

4、步骤2：对第n个种植子区域内农作物的土壤监测数据进行分析，以判断是否存在土壤状态异常；若存在土壤状态异常，则生成土壤异常指令；

5、步骤3：若生成土壤异常指令，则控制无人机获取土壤异常指令对应种植子区域的农作物图像集；所述农作物图像集中包括v幅农作物图像a和m幅农作物图像b，v和m均为大于零的整数集；

6、步骤4：对农作物图像集中的v幅农作物图像a进行分析，判断是否生成灌溉指令；

7、步骤5：对农作物图像集中的m幅农作物图像b进行分析，判断是否生成施肥指令。

8、进一步地，获取第n个种植子区域内农作物的土壤监测数据，包括：

9、步骤a1：在设定监测周期内，获取农作物的土壤湿度数据；以土壤湿度数据中的时间为横轴，以土壤湿度数据中的土壤湿度值为纵轴，构建湿度波动图；所述设定监测周期可以为小时、天或由本领域技术人员根据情况确定；

10、步骤a2：根据e个湿度区间对湿度波动图进行等份划分，以获取e个实际湿度折线图，所述e个实际湿度折线图组合成实际湿度折线图集合，e为大于零的整数；

11、步骤a3：提取实际湿度折线图集合中第e个实际湿度折线图，e∈e，e的初始值为1；

12、步骤a4：获取农作物的湿度区间，提取湿度区间相关联的标准湿度折线图，计算实际湿度折线图与标准湿度折线图的相似度，若实际湿度折线图与标准湿度折线图的相似度大于等于预设湿度相似阈值，则跳到步骤a5；若实际湿度折线图与标准湿度折线图的相似度小于预设湿度相似阈值，则将实际湿度折线图标记为异常湿度折线图，并跳到步骤a5；

13、步骤a5：令e＝e+1，并跳转回步骤a3；

14、步骤a6：重复上述步骤a3～a5，直至e＝e时，结束循环，得到多个异常湿度折线图；

15、步骤a7：将异常湿度折线图的个数占实际湿度折线图的总数的百分比作为土壤湿度评估系数。

16、进一步地，获取第n个种植子区域内农作物的土壤监测数据，还包括：

17、步骤b1：在设定监测周期内，获取农作物的土壤肥料数据；以土壤肥料数据中的时间为横轴，以土壤肥料数据中的土壤肥料含量为纵轴，构建肥料含量波动图；所述土壤肥料含量包括但不限于养分含量、ph值和盐分含量中的一种；

18、步骤b2：根据f个肥料含量区间对肥料含量波动图进行等份划分，以获取f个实际肥料含量折线图，所述f个实际肥料含量折线图组合成实际肥料含量折线图集合，f为大于零的整数；

19、步骤b3：提取实际肥料含量折线图集合中第f个实际肥料含量折线图，f∈f，f的初始值为1；

20、步骤b4：获取农作物的肥料含量区间，提取肥料含量区间相关联的标准肥料含量折线图，计算实际肥料含量折线图与标准肥料含量折线图的相似度，若实际肥料含量折线图与标准肥料含量折线图的相似度大于等于预设肥料相似阈值，则跳到步骤b5；若实际肥料含量折线图与标准肥料含量折线图的相似度小于预设肥料相似阈值，则将实际肥料含量折线图标记为异常肥料含量折线图，并跳到步骤b5；

21、步骤b5：令f＝f+1，并跳转回步骤b3；

22、步骤b6：重复上述步骤b3～b5，直至f＝f时，结束循环，得到多个异常肥料含量折线图；

23、步骤b7：将异常肥料含量折线图的个数占实际肥料含量折线图的总数的百分比作为土壤肥料评估系数。

24、进一步地，对第n个种植子区域内农作物的土壤监测数据进行分析，包括：

25、获取第n个种植子区域内农作物的土壤监测数据中的土壤湿度评估系数和土壤肥料评估系数，并分别标记为tsn和tfn；

26、将土壤湿度评估系数tsn和土壤肥料评估系数tfn进行公式化计算，以获得土壤综合评估系数；所述土壤综合评估系数的计算公式如下：

27、

28、式中，tpn为第n个种植子区域内农作物的土壤综合评估系数，θ1为土壤湿度评估系数的权重因子，θ2为土壤肥料评估系数的权重因子。

29、进一步地，判断是否存在土壤状态异常，包括：

30、在第n个种植子区域内设有无人机和q个农作物监测装置，用于监测农作物的生长情况和获取土壤数据；

31、预设土壤评估阈值，将土壤综合评估系数与土壤评估阈值范围进行对比；

32、若土壤综合评估系数处于土壤评估阈值范围内，则不生成土壤异常指令，说明农作物在生长阶段中不存在土壤状态异常；

33、若土壤综合评估系数处于土壤评估阈值范围外且不等于0，则生成土壤异常指令，说明农作物在生长阶段中存在土壤状态异常；

34、若土壤综合评估系数为0，由系统的自控系统控制该农作物监测装置开启，并再次计算土壤综合评估系数。

35、进一步地，控制无人机获取土壤异常指令对应种植子区域的农作物图像集，包括：

36、步骤c1：在对应种植子区域内，通过无人机获取被监测农作物的起点坐标和终点坐标，以及w个悬停拍摄点坐标，w为大于零的整数集；

37、步骤c2：控制无人机从起点坐标飞行到悬停拍摄点坐标；

38、步骤c3：当抵达悬停拍摄点时，控制无人机悬停，并在t时刻下，利用无人机搭载的第一摄像装置获取农作物图像a，t为大于零的整数集；

39、步骤c4：基于预配置的预设图像分析模型对农作物图像a进行分析，判断农作物图像a中是否存在异常；

40、若不存在异常，则利用无人机搭载的第二摄像装置采集农作物图像b，令t＝t+i，并返回至步骤c3，i为大于零的整数；

41、若存在异常，则控制无人机移动至下一悬停拍摄点坐标，并返回至步骤c3；

42、步骤c5：重复上述步骤c3～c4，直至所述悬停拍摄点坐标为终点坐标时，结束循环，得到农作物图像集。

43、所述无人机搭载有第一摄像装置和第二摄像装置，所述第一摄像装置为高清摄像头对农作物进行45度角拍摄，所述第二摄像装置为多光谱摄像头对农作物进行正视角度拍摄。

44、进一步地，基于预配置的预设图像分析模型对农作物图像a进行分析，包括：

45、获取历史训练图像集，所述历史训练图像集中包括农作物异常图像和农作物正常图像，对历史训练图像集进行标签标注，所述标签标注逻辑为：将农作物异常图像标注“1”，将农作物正常图像标注为“0”；将历史训练图像集划分为图像训练集和图像测试集，构建分类器，将图像训练集中的农作物异常图像和农作物正常图像作为分类器的输入，将图像训练集中的标注作为分类器的输出，对分类器进行训练，得到初始分类器，利用图像测试集对初始分类器进行测试，输出满足预设准确度的初始分类器作为图像分析模型；将农作物图像a输入图像分析模型中，以获悉农作物图像a中是否存在异常；所述分类器具体为决策树分类模型、随机森林分类模型、支持向量机分类模型、逻辑回归网络模型或神经网络模型中的一种。

46、进一步地，对农作物图像集中的v幅农作物图像a进行分析，包括：

47、步骤d1：提取农作物图像集中的第v幅农作物图像a，v∈v，v的初始值为1；

48、步骤d2：获取与农作物图像a对应的第一样本图像，计算第v幅农作物图像a与第一样本图像的相似度，若第v幅农作物图像a与第一样本图像的相似度小于预设图像相似阈值，则跳到步骤d3；若第v幅农作物图像a与第一样本图像的相似度大于等于预设图像相似阈值，则将第v幅农作物图像a标记为第一异常图像，并跳到步骤d3；

49、步骤d3：令v＝v+1，并跳转回步骤d1；

50、步骤d4：重复上述步骤d1～d3，直至v＝v时，结束循环，得到多个第一异常图像；

51、步骤d5：将第一异常图像的个数占农作物图像a的总数的百分比作为第一图像评估系数；

52、其中，所述第一样本图像为通过第一摄像装置采集叶片因缺水而出现干枯、卷曲和变黄的农作物图像，并预存于系统数据库中；

53、判断是否生成灌溉指令，包括：

54、预设第一系数阈值，将第一图像评估系数与第一系数阈值进行比对；

55、若第一图像评估系数大于等于第一系数阈值，则生成灌溉指令；

56、若第一图像评估系数小于第一系数阈值，则不生成灌溉指令。

57、进一步地，对农作物图像集中的m幅农作物图像b进行分析，包括：

58、步骤s1：提取农作物图像集中的第m幅农作物图像b，m∈m，m的初始值为1；

59、步骤s2：获取与农作物图像b对应的第二样本图像，计算第m幅农作物图像b与第二样本图像的相似度，若第m幅农作物图像b与第二样本图像的相似度小于预设图像相似阈值，则跳到步骤s3；若第m幅农作物图像b与第二样本图像的相似度大于等于预设图像相似阈值，则将第m幅农作物图像b标记为第二异常图像，并跳到步骤s3；

60、步骤s3：令m＝m+1，并跳转回步骤s1；

61、步骤s4：重复上述步骤s1～s3，直至m＝m时，结束循环，得到多个第二异常图像；

62、步骤s5：将第二异常图像的个数占农作物图像b的总数的百分比作为第二图像评估系数；

63、其中，所述第二样本图像是通过第二摄像装置采集的虫害导致农作物的茎部或果实啃食的农作物图像，并预存于系统数据库中；

64、判断是否生成施肥指令，包括：

65、预设第二系数阈值，将第二图像评估系数与第二系数阈值进行比对；

66、若第二图像评估系数大于等于第二系数阈值，则生成施肥指令；

67、若第二图像评估系数小于第二系数阈值，则不生成施肥指令。

68、第二方面，本发明提供了基于图像分析的连翘套种魔芋生长智能决策系统，包括：

69、土壤数据采集模块，用于获取第n个种植子区域内农作物的土壤监测数据，所述土壤监测数据包括土壤湿度评估系数和土壤肥料评估系数；

70、判断模块，用于对第n个种植子区域内农作物的土壤监测数据进行分析，以判断是否存在土壤状态异常；若存在土壤状态异常，则生成土壤异常指令；

71、图像获取模块，用于若生成土壤异常指令，则控制无人机获取土壤异常指令对应种植子区域的农作物图像集；所述农作物图像集中包括v幅农作物图像a和m幅农作物图像b，v和m均为大于零的整数集；

72、第一图像分析模块，用于对农作物图像集中的v幅农作物图像a进行分析，判断是否生成灌溉指令；

73、第二图像分析模块，用于对农作物图像集中的m幅农作物图像b进行分析，判断是否生成施肥指令。

74、本发明的技术效果和优点：

75、1.本发明首先获取第n个种植子区域内农作物的土壤监测数据，所述土壤监测数据包括土壤湿度评估系数和土壤肥料评估系数；然后对第n个种植子区域内农作物的土壤监测数据进行分析，以判断是否存在土壤状态异常；若存在土壤状态异常，则生成土壤异常指令；若生成土壤异常指令，则控制无人机获取土壤异常指令对应种植子区域的农作物图像集；所述农作物图像集中包括v幅农作物图像a和m幅农作物图像b，接着对农作物图像集中的v幅农作物图像a进行分析，判断是否生成灌溉指令；最后对农作物图像集中的m幅农作物图像b进行分析，判断是否生成施肥指令；基于上述步骤，本发明通过无人机与农作物监测装置相互配合，采集农作物种植区域内的土壤监测数据和农作物图像，能够实时监测土壤湿度、肥料含量以及农作物生长情况，及时反馈农作物种植区域的状态，提高了农作物数据采集的准确性；基于土壤监测数据和农作物图像，综合分析农作物的生长情况，判断是否存在土壤状态异常和农作物生长异常，及时生成异常指令；对农作物图像进一步分析，根据分析结果生成灌溉指令和施肥指令，能够为农业生产提供精准的决策支持，提高了生产效率和农产品的质量。

76、2.本发明通过无人机搭载有第一摄像装置和第二摄像装置，第一摄像装置采用高清摄像头对农作物进行45度角拍摄，更容易地捕捉到农作物叶片底部的图像，第二摄像装置采用多光谱摄像头对农作物进行正视角度拍摄，更容易地捕捉到农作物表面的图像，同时也能够发现害虫躲藏在隐蔽区域的情况，通过综合分析农作物图像，可以更准确地评估农作物的生长情况、病虫害情况以及养分需求，从而指导农业生产管理和决策。