申请/专利权人：信阳农林学院

申请日：2023-04-10

公开（公告）日：2023-09-22

公开（公告）号：CN116794229A

主分类号：G01N33/00

分类号：G01N33/00;G06F18/214;G06F18/21;G06N3/0464;G06N3/0455;G06N3/0442;G06N3/08;G06Q10/04;G06Q50/02;G06F18/25

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.10.13#实质审查的生效;2023.09.22#公开

摘要：本发明涉及一种草莓苗期旺长态势监测方法与系统。方法包括：S1、数据采集；S2、建立基于深度学习的草莓生长模型；S3、利用草莓生长模型参数对数据集中的测试集进行预测，得到当前周的草莓表型数据；S4、计算当前周的草莓生长生理参数；S5、建立草莓旺长评估模型，计算草莓幼苗旺长态势等级。本发明融合了过去周的草莓幼苗的表型数据、图像数据以及农田管理数据，并结合过去周至当前周的环境数据作为输入，利用深度学习模型建立草莓生长模型，以得出当前周的草莓表型数据，该结果随即与当前周的草莓生长、发育数据建立草莓旺长评估模型，最终得出当前周草莓的旺长态势等级。

主权项：1.一种草莓苗期旺长态势监测方法，其特征在于，所述方法包括步骤如下：S1、数据采集；以周为单位连续收集多周草莓幼苗的表型数据、图像数据和农田管理数据；以天为单位获取草莓幼苗生长的环境数据；其中，所述草莓幼苗的表型数据包括草莓幼苗的株高、茎粗、茎长、叶柄长和叶面积；所述图像数据为采用拍摄设备固定距离、垂直拍摄草莓幼苗的图片；所述农田管理数据包括种植地纬度、草莓幼苗种植日期、浇水量、浇水时间、施肥量和施肥时间；所述环境数据包括日平均光照辐射量、每小时温度、日最高温度、日最低温度、日平均温度、日平均空气湿度和日平均二氧化碳浓度；S2、建立基于深度学习的草莓生长模型；S2.1、根据步骤1中采集的数据，建立数据集，所述数据集表示为：Input＝[X1，X2，…Xi…，Xn]Output＝[Y2，Y3，…Yi+1…，Yn+1]其中，Xi为一组输入训练数据，Yi+1为一组输出训练数据，i为周数，且i＝1,2,3,4,…n+1，具体的一组数据Xi,Yi+1表示如下： Yi+1＝[Hi+1，SDi+1，SLi+1，PLi+1，LEAi+1]其中，Hi为第i周草莓幼苗的株高，单位为cm；SDi为第i周草莓幼苗的茎粗，单位为cm；SLi为第i周草莓幼苗的茎长，单位为cm；PLi为第i周草莓幼苗的叶柄长，单位为cm；LEAi为第i周草莓幼苗的叶面积，单位为cm2；DIi为种植地纬度；WVi为第i周浇水量,单位为ml；WTi为第i周浇水时间；TVi为第i周施肥量，单位为kg；FTi为第i周施肥时间；DAi为种植日期；P表示草莓幼苗图像；为第i周至i+1周中每日的日平均光照辐射量组成的向量；为第i周至i+1周中每日的日最高温度组成的向量；为第i周至i+1周中每日的日最低温度组成的向量；为第i周至i+1周中每日的日平均温度组成的向量；为第i周至i+1周中每日的日平均空气湿度组成的向量；为第i周至i+1周中每日的日平均二氧化碳浓度组成的向量；Hi+1为第i+1周草莓幼苗的株高，单位为cm；SDi+1为第i+1周草莓幼苗的茎粗，单位为cm；SLi+1为第i+1周草莓幼苗的茎长，单位为cm；PLi+1为第i+1周草莓幼苗的叶柄长，单位为cm；LEAi+1为第i+1周草莓幼苗的叶面积，单位为cm2；S2.2、将步骤S2.1中的数据集中的每组数据Xi,Yi+1的顺序进行随机处理，以避免模型过拟合；然后将数据集按照一定比例划分为训练集、验证集和测试集；训练集用于训练网络模型，测试集用于评估模型，验证集用于训练过程中优化参数；S2.3、使用pytorch搭建基于深度学习的草莓生长模型，并通过步骤S2.2建立的训练集进行训练；所述草莓生长模型基于Seq2Seq架构实现，包括Encoder模块和Decoder模块；Encoder模块包括Embedding层、CNN层和LSTM-1层；Decoder模块包括LSTM-2层和Attention层；S3、获取预测结果；利用步骤S2保存的草莓生长模型参数对数据集中的测试集进行预测，得到当前周T1的草莓表型数据；S4、计算当前周的草莓生长生理参数；所述草莓生长生理参数包括草莓生理时间、草莓相对发育期和草莓相对生长进程，具体包括以下步骤：S4.1、根据步骤1获取的每小时温度和种植地纬度，计算草莓生理时间PDT： 公式1中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,…w；RTEd为单日相对热效应，通过公式2和公式3计算获得；RPEd为单日相对光周期效应，通过公式4至公式6计算获得； 公式2和公式3中，Th为当日第h小时温度，单位为℃，h＝1,2,…24；Tmax为草莓苗的生长发育最高温度，Tmax＝30℃；To为草莓苗的生长发育最适温度，To＝20℃；Tmin为草莓苗的生长发育最低温度，Tmin＝5℃；π为圆周率，π＝3.14； 公式4至公式6中，D为当日日长，单位为h，Dc为临界日长，Dc＝16h；Do为最适宜日长，Do＝10h，为种植地纬度，δ为太阳赤纬，c为当日的年日序数；π为圆周率，π＝3.14；S4.2、根据步骤S1获取的日最低温度、日平均温度和日平均光照辐射量，计算草莓苗相对生长进程RDVS： 公式7至公式9中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,…w，GDDw为一周内的总有效积温，单位为℃；TGDD为草莓苗生长所需总积温，TGDD＝1800℃；TEd为第d日有效积温，单位为℃；Tb为日最低温度，单位为℃；Td为第d日平均温度，单位为℃；Tmax为草莓苗的生长发育最高温度，Tmax＝30℃；S4.3、根据步骤1获取的日平均光照辐射总量，计算草莓生长进程RGS： 式中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,…w，PARd为第d日平均光照辐射总量，单位为molm2,TPAR为草莓苗生长所需总光照量，TPAR＝960molm2；S5、建立草莓旺长评估模型，计算草莓幼苗旺长态势等级；S5.1、建立草莓旺长态势等级；采集过量水肥的促旺栽培模式与精细管理的控旺栽培模式下草莓幼苗的叶柄长度、叶片长度和叶片颜色数据，并根据叶柄长度、叶片长度和叶片颜色划分草莓旺长态势等级，所述草莓旺长态势等级包括正常、轻微旺长、旺长和严重旺长，用yT＝[y1,y2,y3,y4]表示；S5.2、以步骤S3获得当前周的草莓表型数据和步骤S4获得的当前周的草莓生长生理参数为自变量Input＝[H,SD,SL,PL,LEA,PDT,RDVS,RGS]，以步骤S5.1获得的草莓旺长态势等级为因变量，建立旺长评估模型计算公式如下： 其中，且θ11,…,θ48表示模型中自变量的未知系数，也即因变量权重；其中b1至b4表示模型中的未知常数项，也即偏置；H表示株高，SD表示茎粗，SL表示茎长，PL表示叶柄长，LEA表示叶面积，PDT表示草莓生理时间，RDVS表示草莓相对发育期，RGS表示草莓相对生长进程；S5.3、为求解模型未知参数，使用softmax函数归一化，使得公式11符合条件yk∈0,1、y1+y2+y3+y4＝1，k为旺长等级类别，且k＝1,2,3,4，以此得到四类旺长态势等级对应的概率值计算公式如下： 公式12中，x为自变量,且xs表示x向量的第s行，s＝1,2,…,7，8；x1＝H，x2＝SD，x3＝SL，x4＝PL，x5＝LEA，x6＝PDT，x7＝RDVS，x8＝RGS；且θ11,…,θ48表示自变量的未知系数，也即因变量权重,θm表示θ向量取任意第m行，m＝1,2,3,4；θl表示θ向量循环取第1行至第4行，l＝1,2,3,4，其中，θ1＝[θ11,θ12,θ13,θ14,θ15,θ16,θ17,θ18]，θ2＝[θ21,θ22,θ23,θ24,θ25,θ26,θ27,θ28]，θ3＝[θ31,θ32,θ33,θ34,θ35,θ36,θ37,θ38]，θ4＝[θ41,θ42,θ43,θ44,θ45,θ46,θ47,θ48]；b为偏置；S5.4、根据代价函数公式13通过梯度下降法求解argminKθ,b，得解θ和b； 其中，q为自变量x向量的数量，s与m同上，分别表示x向量的行数和θ向量的行数，k为旺长等级类别，且k＝1,2,3,4；S5.5、将步骤S5.4求得的θ和b带入公式11，输出当前草莓旺长态势等级：yT＝[y1，y2，y3，y4]。

全文数据：

权利要求：

百度查询： 信阳农林学院 一种草莓苗期旺长态势监测方法与系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD