申请/专利权人：西安交通大学

申请日：2023-12-14

公开（公告）日：2024-03-15

公开（公告）号：CN117710316A

主分类号：G06T7/00

分类号：G06T7/00;A01C21/00;G06T7/11;G06T7/90;G06V10/774;G06V10/82;G06V10/764;G06N3/0464;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.02#实质审查的生效;2024.03.15#公开

摘要：本发明公开了一种基于黄瓜叶片深度学习的施肥决策方法及系统，旨在解决现代农业中精准施肥的问题。该方法主要包括黄瓜叶片图像的采集、预处理、训练模型构建以及施肥信息的精确识别。采用的深度卷积神经网络特别是VGG16模型，结合迁移学习技术，显著提升了识别的准确性和效率；本发明在精准农业领域具有重要应用价值，能有效提升施肥的精确度和作物产量，同时减少资源浪费和环境负担。

主权项：1.一种基于黄瓜叶片深度学习的施肥决策方法，其特征在于，包括以下步骤：S1、采集黄瓜害病图像，得到具有样本标签的原始黄瓜叶片与环境分割图像数据集和具有样本标签的原始黄瓜叶片与环境分割图像数据集；S2、分别对步骤S1得到的具有样本标签的原始黄瓜叶片与环境分割图像数据集和具有样本标签的原始黄瓜叶片与环境分割图像数据集进行数据增强操作；S3、对步骤S2得到的具有样本标签的原始黄瓜叶片与环境分割图像数据集和具有样本标签的原始黄瓜叶片与环境分割图像数据集进行图像预处理操作；S4、将步骤S3预处理后的具有样本标签的原始黄瓜叶片与环境分割图像数据集和具有样本标签的原始黄瓜叶片与环境分割图像数据集分别划分为训练集和验证集；S5、分别建立基于VGG16网络模型的黄瓜叶片分割卷积神经网络模型与黄瓜叶片缺肥分类卷积神经网络模型；S6、将步骤S4得到的训练集和验证集均输入步骤S5得到的卷黄瓜叶片分割卷积神经网络模型与黄瓜叶片缺肥分类卷积神经网络模型中，训练集用于分别用于模型训练，验证集用于模型训练过程中的性能评估，并利用迁移学习方法进行模型迁移优化；S7、采集黄瓜叶片不同缺肥状况图像的RGB色彩信息，并转换到HLS色彩空间，提取得到每张图像信息色彩空间信息，同时通过凯式定氮法测得每张叶片的全氮含量；S8、将每张图片的HLS色彩信息与步骤S7得到的全氮含量对应，通过最小二乘法得到黄瓜缺肥叶片的HLS色彩信息与全氮含量之间的决策曲线；S9、利用步骤S6得到的黄瓜叶片分割卷积神经网络模型将黄瓜与周围环境分离，利用步骤S6得到的黄瓜叶片缺肥分类卷积神经网络模型分类黄瓜缺肥类别，提取叶片的色彩信息，利用步骤S8得到的决策曲线对黄瓜进行施肥。

全文数据：

权利要求：

百度查询： 西安交通大学 一种基于黄瓜叶片深度学习的施肥决策方法及系统

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