CN119418213A 基于大数据的智能无土栽培环境监控系统及方法 （深圳市海卓生物科技有限公司）

道荷坳社区龙岗大道8288号大运软件基于大数据的智能无土栽培环境监控系统本发明公开了基于大数据的智能无土栽培本发明利用卷积神经网络对采集的图像数据进2按照等面积大小将无土栽培环境区域划分为若干个子区域，每个子区域的在每个子区域内，通过摄像头自动采集该子区域内植物叶片对各个子区域采集到的图像数据进行汇总，从汇总后的中提取预先训练好的卷积神经网络对该子区域的病虫害对于正常生长区域，继续保持初始状态进行病虫害监控；对于被识在摄像头聚焦于潜在病虫害区域后，根据卷积神经网络预测的需要明确整个无土栽培环境的监控区域的总面积以及划分子区域在确定了子区域面积之后，选择区域划分方法，将整个栽培环境的区域按均度和叶片颜色的渐进式色偏变化进行分析后，分别生成叶脉凸显参考值和色偏渐进参考叶脉与周围叶组织之间的反差程度和叶片颜色的渐进式色偏变化分析后生成的叶脉凸显个子区域内叶脉与周围叶组织之间的反差程度进行分析后生成叶脉凸显参考值的具体步对每个子区域的植物图像进行处理，利用多光谱成像技术提取叶片的光谱反射特征，为其中：r-t-n为叶脉与周围叶3组织在像素点(i,)的光谱反差值，Rears(i,j,Awg)为像素点(i,)在叶脉区域的近红外波段的反射值，像素点(i,)在叶脉周围组织的绿光波段的反射值，为基于光谱对比矩阵，引入位置权重函数和动态阈值函数对矩阵进行叶脉凸显参考值，计算的表达式为其度和宽度，w(i,j)为位置权重函数，根据叶片区域的重要性对像素点(i,)赋予不同的权重，中dist(i,i)为像素点(i,)到叶片中心的距离，a和p是用于控制阈值衰减的参数。通过对每个子区域内叶片图像进行多维度颜色分析，提取颜色偏移特征矩阵基于叶片在时间t和空间位置(xr,y)的颜色变化进行计算，计算的表达式为：R,(t-1,x,y)表示上一时间点t-1的颜色反射值，wz为波段权重系数；利用颜色偏移特征矩阵和空间偏移权重，计算CCSI为色偏渐进参考值，量化叶片颜色在子区域内的整体渐进偏移程度，S(x,y)空间偏当Z。,S(.)时发生分母为零的情况。过预先训练好的卷积神经网络对子区域的病虫害进行预测时生成的病虫害指数与预先设若子区域下生成的病虫害指数大于病虫害指数参考阈值，则将该若子区域下生成的病虫害指数小于等于病虫害指数参考阈值首先，由卷积神经网络生成的病虫害指数确定目标子区域的位置4采集该子区域通过卷积神经网络生成的病虫害指数，将病虫害指数数参考阈值进行比较，根据两者的关系，计算焦距差值因子，计算的表达式为：,其中，Aree为焦距差值因子，用于后续计算调整后的焦距，Thersa表示该子区域由卷积神经网络预响；根据当前焦距和计算出的焦距差值因子，计算调整后的目标焦的焦距调节范围内，目标焦距调整的表达式为其和Fmx为摄像头焦距的物理调节范围，确保计算出的目标焦距不会超出摄像头硬件能力，根据计算出的目标焦距自动调整摄像头的焦距，同时通过图像清晰下其中，un为图像清晰度指标，表示目标区域图像的清晰程度，I(F,i,i)为当前焦距F下像素点(i,)处的图像强度值，VI(F,i,i)为图像梯度，用于量化像素子区域划分模块，按照等面积大小将无土栽培环境区域划分特征提取与病虫害预测模块，对各个子区域采集到的图训练好的卷积神经网络中，通过预先训练好的卷积神经网络对该子区域的病虫害进行预健康状况分类模块，基于卷积神经网络预测的结果，将每个子区域的健潜在病虫害聚焦模块，对于被识别为潜在病虫害区域的子区域，通过5焦距优化与精细识别模块，在摄像头聚焦于潜在病67通过预先训练好的卷积神经网络对该子区域的病虫害需要明确整个无土栽培环境的监控区域的总面积以及划分子区域所需的面积比色偏渐进参考值量化叶片颜色在时间或空间上的渐进式达式为其中：r-t-n为叶脉与周围叶组织在像素点(i,)的光谱反差值，Rears(i,j,Awg)为像素点(i,)在叶脉区域的近红外波段的反射值，像素点(i,)在叶脉周围组织的绿光波段的反射值，基于光谱对比矩阵，引入位置权重函数和动态阈值函数对矩阵进行归一化处理，高度和宽度，w(i,j)为位置权重函数，根据叶片区域的重要性对像素点(i,)赋予不同的权8,其中dist(i,i)为像素点(i,)到叶片中心的距离，a和p是用于控制阈值衰减的参数。色偏移特征矩阵基于叶片在时间t和空间位置(x,y)的颜色变化进行计算，计算的表达式防止当Z。,S(r.)时发生分母为零的情况。害指数参考阈值进行比较，根据两者的关系，计算焦距差值因子，计算的表达式为：,其中，Aree为焦距差值因子，用于后续计算调整后的焦距，Thersa表示该子区域由卷积神经网络预响；9Fm和Fmx为摄像头焦距的物理调节范围，确保计算出的目标焦距不会超出摄像头硬件能式如下其中，uo为图像清晰度指标，表示目标区域图像的清晰程度，I(F,i,i)为当前焦距F下像素点(i,)处的图像强度值，VI(F,i,i)为图像梯度，用于量化[0021]本发明提供了如图1所示的基于大数据的智能无土栽培环境监控方法，包括以下需要明确整个无土栽培环境的监控区域的总面积以及划分子区域所需的面积比则网格划分法、均匀区域划分法或按作物类型/生长阶段划分法。如果采用规则网格划分通过预先训练好的卷积神经网络对该子区域的病虫害等逐渐过渡反映植物是否受到病虫害或环境胁迫导致叶绿素降解或色素异常积累。[0030]对每个子区域内叶脉与周围叶组织之间的反差程度进行分析后生成叶脉凸显参建表达式为其中：r-t-n为叶脉与周围叶组织在像素点(i,)的光谱反差值，Rears(i,j,Awg)为像素点(i,)在叶脉区域的近红外波段的反射值，像素点(i,)在叶脉周围组织的绿光波段的反射[0031]基于光谱对比矩阵，引入位置权重函数和动态阈值函数高度和宽度，w(i,j)为位置权重函数，根据叶片区域的重要性对像素点(i,)赋予不同的权[0034]对每个子区域内叶片颜色的渐进式色偏变化进行分析后生成色偏渐进参考值的示在波长下空间位置(xr,y)的颜色反射值，颜色反射值可以通过多光谱图像在可见光通过计算颜色在各波段上的时间偏移，颜色偏移特征矩阵c(t,x,y)反映了叶片在明颜色变化越明显，S(x,y)空间偏移权重，基于子区域内叶片[0037]将对叶脉与周围叶组织之间的反差程度和叶片颜色的渐进式色偏变化分析后生考值和色偏渐进参考值。这些指数分别反映了叶脉与周围叶组织的反差程度和叶片颜色的渐进变化趋势，通过它们可以捕捉潜在的病虫害早期迹象。卷积神经网络通过对这些特征高且叶脉凸显参考值中出现特定模式时，卷积神经网络可能会识别出这是某种真菌病害测病虫害的可能类型及严重程度，并生成病虫害指数，用于量化该子区域内病虫害的隐患水平。[0042]上述卷积神经网络在此不做具体的限定，能实现将叶脉偏渐进参考值进行综合分析生成病虫害指数Diseasep的卷积神经网络均可，为了将通过预先训练好的卷积神经网络对子区域的病虫害进行预测时生成的病虫害指数与预先设定的病虫害指数参考阈值进行比对分析，对每个子区域的健康状况进行分潜在病虫害区域是指通过卷积神经网络分析后生成的病虫害指数超过预设的病[0046]正常生长区域是指通过卷积神经网络分析后生成的病虫害指数小于或等于病虫对于被识别为潜在病虫害区域的子区域，通过摄像头的控制模块实现自动聚焦。害指数参考阈值进行比较，根据两者的关系，计算焦距差值因子，计算的表达式为：,其中，Aree为焦距差值因子，用于后续计算调整后的焦距，Thersa表示该子区域由卷积神经网络预测生成的病虫害指数，反映该子区域内病虫害隐Fm和Fmx为摄像头焦距的物理调节范围，确保计算出的目标焦距不会超出摄像头硬件能式如下其中，un为图像清晰度指标，表示目标区域图像的清晰程度，I(F,i,i)为当前焦距F（此焦距为调整后的目标焦距）下像素点(i,)处的图像强度值，