一种基于机器视觉技术的植物生长状态的识别方法与流程

1.本发明涉及植物生长监测技术领域，具体为一种基于机器视觉技术的植物生长状态的识别方法。


背景技术：

2.机器视觉技术，是一门涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等诸多领域的交叉学科，机器视觉主要用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理并加以理解，最终用于实际检测、测量和控制，在植物生长过程中也常使用机器视觉技术对植物生长情况进行识别监测；
3.但是目前植物生长状态的识别大多通过目测识别，识别的方向单一，会忽略植物背面的生长情况，对于没有经验的种植者来说，种植成功的概率较小，且不能及时察觉植物的生长异常情况，导致植物不能健康生长。


技术实现要素：

4.本发明提供一种基于机器视觉技术的植物生长状态的识别方法，可以有效解决上述背景技术中提出目前植物生长状态的识别大多通过目测识别，识别的方向单一，会忽略植物背面的生长情况，对于没有经验的种植者来说，种植成功的概率较小，且不能及时察觉植物的生长异常情况，导致植物不能健康生长的问题。
5.为实现上述目的，本发明提供如下技术方案：一种基于机器视觉技术的植物生长状态的识别方法，包括如下识别步骤：
6.s1、在植物四周、顶部和底部均设置拍摄机器，分别拍摄一张植物照片，对植物状态进行初次识别分析，作为后续的对比基础；
7.s2、对植物进行施肥浇水培育，定时拍摄植物照片，选择合适拍摄角度，对植物自身生长情况进行记录，并结合不同时期照片进行对比；
8.s3、建立植物数字模型，查看整体生长情况，将叶片颜色进行识别对比，查找生长异常情况；
9.s4、随着植物生长，识别植物新生器官，并添加其为识别对象，将四周拍摄图像分别对比；
10.s5、根据拍摄的照片，对植物生长环境中的光照情况进行识别分析，并对比光照面和背光面植物生长情况；
11.s6、在植物生长进入花果期后，将植物纵向分段，对不同段的植物生长情况进行识别对比；
12.s7、根据植物生长变化情况，确定后续生长情况，切换识别对象。
13.根据上述技术方案，所述s1中，植物四周的拍摄机器与植物的中部位置对齐，在植物生长出茎和叶片时，开始第一次拍摄；
14.在拍摄完成后，识别茎和叶片位置，确定植物外形。
15.根据上述技术方案，所述s2中，对不同时期照片中的新增茎和叶片数量进行识别并统计，根据不同角度拍摄的照片，为每个茎和叶片选择合适的拍摄角度；
16.将拍摄到的茎进行编号，再对茎上的叶片进行等距选择，将每根茎和选出的叶片单独作为识别对象，在四个拍摄角度中，选择一个能完全拍出的角度作为后续识别的角度。
17.根据上述技术方案，所述茎的编号由低到高为a1、a2、a3
…
18.茎a1上选出的叶片的编号为a1b1、a1b2、a1b3
…
19.茎a2上选出的叶片的编号为a2b1、a2b2、a2b3
…
20.茎a3上选出的叶片的编号为a3b1、a3b2、a3b3
…
21.根据上述技术方案，所述s3中，以土壤表面为零高度点，在茎的开始端和末端标注与土壤表面的垂直高度，建立植物的纵向数字模型；
22.再通过植物顶部与底部拍摄的照片，识别相邻的茎之间的夹角度数，建立植物的横向数字模型。
23.根据上述技术方案，所述s3中，将同一叶片不同时期的照片放在一起对比，通过识别的颜色的变化，确定叶片生长的时期，对于颜色异常的叶片进行标记，将标记的叶片与相邻的叶片对比大小和颜色，确定叶片异常的范围；
24.记录识别的总次数、异常叶片的个数和识别出叶片异常范围的次数；
25.根据记录的数据，计算识别出叶片异常范围的次数与异常叶片的个数的比值，记为召回率；
26.计算识别出叶片异常范围的次数与识别的总次数的比值，记为准确率。
27.根据上述技术方案，所述s4中，在识别初期，仅对茎和叶片的识别，在识别过程中识别出除茎叶外的植物器官后，再对识别出的植物器官单独进行识别，确定为植物花朵；
28.识别出花朵后，对茎、叶和花进行识别，识别出除茎、叶和花外的植物器官后，对识别出的植物器官单独进行识别，确定为植物果实。
29.根据上述技术方案，所述s5中，植物四周方向的拍摄照片进行识别，确定拍摄位置处植物光照情况，确定为光照面和背光面，对光照面和背光面植物生长情况进行识别；
30.植物生长情况识别包括叶片个数、叶片大小、叶片颜色、花朵个数、果实个数、开花周期、果实大小、果实颜色和果实生长周期。
31.根据上述技术方案，所述s6中，将植物纵向等分为三段，分别为底部衰落段、中部果实段和顶部生长段，同时拍摄三段区域的生长情况，识别植物不同高度的茎叶生长速度；
32.不同高度的茎叶生长速度参数包括茎的长度、新叶片的个数、新叶片的间隔时间，对不同区域的生长状态进行单独识别。
33.根据上述技术方案，所述s7中，在拍摄的植物照片中，植物上的叶片数量减少，植物花朵减少，植物的果实增多，则植物进入果实成熟期，仅对果实进行识别；
34.识别到果实全部脱落，植物进入休眠状态，仅对茎和叶进行识别。
35.与现有技术相比，本发明的有益效果：
36.1、通过对植物的叶片颜色进行识别对比，能够快速的察觉出叶片颜色的变化，确定相邻叶片的颜色变化，对比找出异常颜色的范围，记录识别的总次数、异常叶片的个数和识别出叶片异常范围的次数，计算叶片异常范围识别的召回率和准确率，从而计算出识别的准确性，通过识别出叶片异常范围的次数的增加，提升识别的准确性，对比异常区域的叶
片大小，对于异常区域的情况更加深入的识别，快速查找植物可能出现虫害病变等情况，方便种植人员尽早采取措施，帮助植物健康生长。
37.2、通过对植物的茎叶编号，建立纵向和横向的数字模型，能够清晰的查看植物的横向状态和纵向状态，后续通过照片识别对应的数据，使图片转化为数字数据，比较更为方便，能够对植物生长状态的识别效果更好，数据更加便于人们理解，能够察觉出来细微的变化，对于部分区域的识别效果较为方便。
38.3、通过在植物的四周、顶部和底部均设置拍摄机器，通过机器对植物四周进行拍摄，对于单一角度被遮挡的部分能够通过不同的角度被识别到，且能够从拍摄的不同角度植物照片中进行选择，从而能够识别更多的植物特征，使植物在识别的过程中识别更加清晰，使得识别的速度和准确率更高，且在植物的不同生长时期，特定识别不同的器官，识别目标明确。
39.4、通过对拍摄的照片中光照的识别，根据拍摄的角度确定植物的光照面和背光面，将拍摄的照片分为光照面和背光面，通过光照面和背光面植物生长情况的对比，查看二者之间的差异，并通过将植物分段识别对比，能够对植物不同区域的生长情况更加细致的对比，减少对生长缓慢区域的识别，增加对生长旺盛区域的识别，能够减少识别的工作量，提升识别效率。
40.综上所述，在植物不同方向进行拍摄，能够拍摄到植物的不同角度照片，对于重叠的部分识别更加细致，从不同方向中选择识别最为清晰的照片，能够增加对植物生长状态的识别，并通过光照面和背光面的对比，了解外界环境的影响，纵向模型和横向模型的设立，转换为数字模型，便于理解，分段识别，舍去生长缓慢区域的识别，使识别的目标更明确，不降低识别效果的情况下，减少识别的工作量，提高识别效率。
附图说明
41.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
42.在附图中：
43.图1是本发明的结构示意图；
44.图2是本发明植物茎的编号示意图；
45.图3是本发明植物叶片的编号示意图；
46.图4是本发明植物纵向数字模型图；
47.图5是本发明植物横向数字模型图；
48.图6是本发明植物分段示意图。
具体实施方式
49.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
50.实施例：如图1-6所示，本发明提供一种技术方案，一种基于机器视觉技术的植物生长状态的识别方法，包括如下识别步骤：
51.s1、在植物四周、顶部和底部均设置拍摄机器，分别拍摄一张植物照片，对植物状
态进行初次识别分析，作为后续的对比基础；
52.s2、对植物进行施肥浇水培育，定时拍摄植物照片，选择合适拍摄角度，对植物自身生长情况进行记录，并结合不同时期照片进行对比；
53.s3、建立植物数字模型，查看整体生长情况，将叶片颜色进行识别对比，查找生长异常情况；
54.s4、随着植物生长，识别植物新生器官，并添加其为识别对象，将四周拍摄图像分别对比；
55.s5、根据拍摄的照片，对植物生长环境中的光照情况进行识别分析，并对比光照面和背光面植物生长情况；
56.s6、在植物生长进入花果期后，将植物纵向分段，对不同段的植物生长情况进行识别对比；
57.s7、根据植物生长变化情况，确定后续生长情况，切换识别对象。
58.根据上述技术方案，s1中，植物四周的拍摄机器与植物的中部位置对齐，在植物生长出茎和叶片时，开始第一次拍摄；
59.在拍摄完成后，识别茎和叶片位置，确定植物外形。
60.根据上述技术方案，s2中，对不同时期照片中的新增茎和叶片数量进行识别并统计，根据不同角度拍摄的照片，为每个茎和叶片选择合适的拍摄角度；
61.将拍摄到的茎进行编号，再对茎上的叶片进行等距选择，将每根茎和选出的叶片单独作为识别对象，在四个拍摄角度中，选择一个能完全拍出的角度作为后续识别的角度。
62.能够从拍摄的不同角度植物照片中进行选择，从而能够识别更多的植物特征，使植物在识别的过程中识别更加清晰，使得识别的速度和准确率更高。
63.根据上述技术方案，茎的编号由低到高为a1、a2、a3
…
64.茎a1上选出的叶片的编号为a1b1、a1b2、a1b3
…
65.茎a2上选出的叶片的编号为a2b1、a2b2、a2b3
…
66.茎a3上选出的叶片的编号为a3b1、a3b2、a3b3
…
67.根据上述技术方案，s3中，以土壤表面为零高度点，在茎的开始端和末端标注与土壤表面的垂直高度，建立植物的纵向数字模型；
68.再通过植物顶部与底部拍摄的照片，识别相邻的茎之间的夹角度数，建立植物的横向数字模型；
69.建立纵向和横向的数字模型，能够清晰的查看植物的横向状态和纵向状态，后续通过照片识别对应的数据，使图片转化为数字数据，比较更为方便，能够对植物生长状态的识别效果更好，数据更加便于人们理解，能够察觉出来细微的变化，对于部分区域的识别效果较为方便。
70.根据上述技术方案，s3中，将同一叶片不同时期的照片放在一起对比，通过识别的颜色的变化，确定叶片生长的时期，对于颜色异常的叶片进行标记，将标记的叶片与相邻的叶片对比大小和颜色，确定叶片异常的范围；
71.记录识别的总次数、异常叶片的个数和识别出叶片异常范围的次数；
72.根据记录的数据，计算识别出叶片异常范围的次数与异常叶片的个数的比值，记为召回率；
73.计算识别出叶片异常范围的次数与识别的总次数的比值，记为准确率；
74.对植物的叶片颜色进行识别对比，能够快速的查觉出叶片颜色的变化，确定相邻叶片的颜色变化，对比找出异常颜色的范围，进而对比异常区域的叶片大小，对于异常区域的情况更加深入的识别，快速查找植物可能出现虫害病变等情况，方便种植人员尽早采取措施，帮助植物健康生长。
75.根据上述技术方案，s4中，在识别初期，仅对茎和叶片的识别，在识别过程中识别出除茎叶外的植物器官后，再对识别出的植物器官单独进行识别，确定为植物花朵；
76.识别出花朵后，对茎、叶和花进行识别，识别出除茎、叶和花外的植物器官后，对识别出的植物器官单独进行识别，确定为植物果实。
77.根据上述技术方案，s5中，植物四周方向的拍摄照片进行识别，确定拍摄位置处植物光照情况，确定为光照面和背光面，对光照面和背光面植物生长情况进行识别；
78.植物生长情况识别包括叶片个数、叶片大小、叶片颜色、花朵个数、果实个数、开花周期、果实大小、果实颜色和果实生长周期；
79.通过对拍摄的照片中光照的识别，根据拍摄的角度确定植物的光照面和背光面，将拍摄的照片分为光照面和背光面，通过光照面和背光面植物生长情况的对比，查看二者之间的差异，并通过将植物分段识别对比，能够对植物不同区域的生长情况更加细致的对比，减少对生长缓慢区域的识别，增加对生长旺盛区域的识别，能够减少识别的工作量，提升识别效率。
80.根据上述技术方案，s6中，将植物纵向等分为三段，分别为底部衰落段、中部果实段和顶部生长段，同时拍摄三段区域的生长情况，识别植物不同高度的茎叶生长速度；
81.不同高度的茎叶生长速度参数包括茎的长度、新叶片的个数、新叶片的间隔时间，对不同区域的生长状态进行单独识别。
82.根据上述技术方案，s7中，在拍摄的植物照片中，植物上的叶片数量减少，植物花朵减少，植物的果实增多，则植物进入果实成熟期，仅对果实进行识别；
83.识别到果实全部脱落，植物进入休眠状态，仅对茎和叶进行识别；在植物的不同生长时期，特定识别不同的器官，识别目标明确。
84.最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。