基于大数据技术的云种植舱的作物生长监测方法及系统与流程

本发明涉及作物生长监测技术，尤其涉及一种基于大数据技术的云种植舱的作物生长监测方法及系统。

背景技术：

1、近年来，随着现代农业技术的不断发展，智能化、精准化的作物种植方式受到越来越多的关注。传统的作物种植方式容易受到外界环境因素的影响，导致作物产量和品质不稳定，同时也缺乏对作物生长过程的实时监测和科学管理。

2、为了解决上述问题，一些研究者和企业开始探索将物联网、大数据等技术应用于作物种植领域。其中，基于物联网技术的农业环境监测系统已经取得了一定的进展，通过在种植环境中部署各种传感器，可以实时采集温度、湿度、光照等环境参数数据，并通过无线通信技术将数据传输到云端进行存储和分析。然而，这些系统主要侧重于环境参数的监测，对作物生长状态的直接监测还比较欠缺。

3、另一方面，基于计算机视觉技术的作物生长监测方法也受到研究者的关注。通过在种植环境中安装摄像头，可以实时拍摄作物生长图像，并使用图像处理算法对作物生长状态进行分析。但是，这类方法通常需要大量的人工标注数据，且受限于单一视角，难以全面反映作物生长的整体情况。

4、此外，随着大数据技术的兴起，一些研究者开始探索将大数据分析与作物种植相结合的方法。通过收集和分析大量的作物生长数据，可以挖掘出作物生长规律，为优化种植方案提供依据。但是，目前这方面的研究还处于起步阶段，缺乏成熟的数据采集和分析平台。

5、总的来说，虽然现有技术在农业环境监测、作物生长监测等方面取得了一定进展，但是仍然存在监测数据不全面、数据分析不够深入等问题。如何充分利用物联网、计算机视觉、大数据等技术，构建一个集数据采集、传输、存储、分析于一体的云种植舱的作物生长监测系统，实现对作物生长过程的全面感知和智能分析，进而指导科学种植，提高作物产量和品质，是一个亟待解决的问题。

6、本发明专利旨在解决上述技术问题，提出一种基于大数据技术的云种植舱的作物生长监测方法及系统。该系统充分利用云种植舱的封闭性和可控性，在作物生长过程中全方位采集数据，并使用大数据分析技术挖掘作物生长规律，实现对作物生长状态的全面实时监测和智能管理，为现代农业发展提供新的技术支撑。

技术实现思路

1、本发明实施例提供一种基于大数据技术的云种植舱的作物生长监测方法及系统，能够解决现有技术中的问题。

2、本发明实施例的第一方面，

3、提供一种基于大数据技术的云种植舱的作物生长监测方法，包括：

4、通过高分辨率摄像头采集云种植舱内作物生长过程中的原始图像数据，包括作物整体图像和部位图像，并对采集的原始图像数据进行预处理，得到标准图像数据集，将标准图像数据集输入预先训练的作物生长状态识别模型中，得到作物生长状态识别结果；

5、利用环境参数传感器采集作物生长环境参数，对得到的作物生长状态识别结果和作物生长环境参数进行实时监测，当检测作物生长发生异常时，触发自适应作物生长环境参数调整机制；

6、根据自适应环境参数调整机制，将作物生长环境参数控制问题建模为一个马尔可夫决策过程，其中状态空间包括作物生长状态和环境参数，动作空间包括描述环境参数的控制动作，奖励函数包括作物生长性能和能耗，采用策略优化算法求解所述马尔可夫决策过程，得到最优环境参数控制策略，并根据最优环境参数控制策略调整作物生长环境参数。

7、在一种可选的实施例中，

8、将标准图像数据集输入预先训练的作物生长状态识别模型中，得到作物生长状态识别结果包括：

9、构建卷积神经网络模型，所述卷积神经网络模型包括特征提取层、特征融合层和分类输出层，其中，特征提取层中包括多个深度可分离卷积模块，对多个深度可分离卷积模块所提取的特征进行压缩，输出多尺度特征图谱；特征融合层将输出的多尺度特征图谱进行特征融合，分类输出层将融合后的多尺度特征图谱输入全连接神经网络，利用激活函数生成作物生长状态的概率分布；

10、使用标准图像数据集对所述卷积神经网络模型进行训练，引入特征差异损失构建损失函数，并使用随机梯度下降算法优化模型参数，重复迭代直到满足预设的终止条件，得到最终训练好的作物生长状态识别模型；

11、将标准图像数据集输入训练好的作物生长状态识别模型中，输出生成作物生长状态的概率值，将作物生长状态的概率值最大的结果作为作物生长状态识别结果。

12、在一种可选的实施例中，

13、引入特征差异损失构建损失函数的计算公式如下：

14、；

15、其中，l表示损失函数，n表示图像样本数量，c表示类别数，yij表示图像样本i属于类别j的真实标签，nj表示类别为j的图像样本数量，ykj表示图像样本k属于类别j的真实标签，fi表示图像样本i的特征向量，fk表示图像样本k的特征向量，cj表示类别为j的中心特征向量。

16、在一种可选的实施例中，

17、利用环境参数传感器采集作物生长环境参数，对得到的作物生长状态识别结果和作物生长环境参数进行实时监测，当检测作物生长发生异常时，触发自适应作物生长环境参数调整机制包括：

18、对作物生长状态识别结果和作物生长环境参数进行预处理，得到生长状态特征和生长环境参数特征，并对所述生长状态特征和生长环境参数特征进行特征融合，得到综合生长特征；

19、将得到的综合生长特征划分为训练集和测试集，在训练集上利用基于树的异常检测算法，构建多棵孤立树，对于每个数据点，计算其在所有孤立树中的平均路径长度，作为第一异常评分，根据第一异常评分，设定第一阈值，将第一异常评分低于第一阈值的数据点标记为第一潜在异常点；

20、同时在训练集上利用预先训练好的自编码器模型，计算每个数据点的重构误差，作为第二异常评分，根据第二异常评分设定第二阈值，将第二异常评分高于第二阈值的数据点标记为第二潜在异常点；

21、分别计算第一潜在异常点的重构误差和第二潜在异常点在所有孤立树中的平均路径长度，并将得到的结果进行加权平均，作为联合异常评分；

22、将得到的联合异常评分分别与第一阈值和第二阈值进行比较，根据比较结果判断当前数据点是否异常，如果判断为异常，则触发自适应环境参数调整机制。

23、在一种可选的实施例中，

24、分别计算第一潜在异常点的重构误差和第二潜在异常点在所有孤立树中的平均路径长度，将得到的结果进行加权平均，作为联合异常评分的计算公式如下：

25、；

26、其中，c(x)表示联合异常评分，x表示数据点，α表示异常评分的权重系数，r(x)表示数据点x的第二异常评分，a2表示第二潜在异常点的集合，表示第二潜在异常点集合中的最小异常评分，表示第二潜在异常点集合中的最大异常评分，s(x)表示数据点x的第一异常评分，a1表示第一潜在异常点的集合，表示第一潜在异常点集合中的最小异常评分，表示第一潜在异常点集合中的最大异常评分。

27、在一种可选的实施例中，

28、采用策略优化算法求解所述马尔可夫决策过程，得到最优环境参数控制策略，并根据最优环境参数控制策略调整作物生长环境参数包括：

29、构建策略优化算法中的动作网络和状态网络，其中，动作网络将当前作物生长环境参数作为输入，输出对应的环境参数控制动作，状态网络将生长环境参数和对应的环境参数控制动作作为输入，输出对应的长期累积奖励估计值；

30、计算状态网络和目标状态网络的时序差分误差，将所述时序差分误差作为状态网络损失函数，通过最小化状态网络损失函数更新状态网络；

31、计算长期累积奖励估计值关于环境参数控制动作的梯度值，基于得到的梯度值构建动作网络损失函数，通过最大化动作网络损失函数更新动作网络；

32、将更新后的状态网络参数和更新后的动作网络参数复制到目标网络中，重复迭代直到满足预设的终止条件，最终输出最优的环境参数控制策略，并根据最优环境参数控制策略调整作物生长环境参数。

33、在一种可选的实施例中，

34、状态网络损失函数的计算公式如下：

35、；

36、其中， l 1表示状态网络损失函数，m表示样本数量，m表示样本索引，r表示即时奖励，γ表示折扣因子，(·)表示目标状态网络参数估计的长期累积奖励值，表示状态网络参数，v '表示更新后的作物生长环境状态， μ θ'表示目标动作网络，θ'表示目标动作网络参数，(·)表示当前状态网络参数估计的长期累积奖励值，v表示当前作物生长环境参数，a表示根据当前作物生长环境参数采取的环境参数控制动作；

37、动作网络损失函数的计算公式如下：

38、；

39、其中， l 2表示动作网络损失函数，vm表示第m个样本的作物生长环境参数， μ θ表示动作网络。

40、本发明实施例的第二方面，

41、提供一种基于大数据技术的云种植舱的作物生长监测系统，包括：

42、第一单元，用于通过高分辨率摄像头采集云种植舱内作物生长过程中的原始图像数据，包括作物整体图像和部位图像，并对采集的原始图像数据进行预处理，得到标准图像数据集，将标准图像数据集输入预先训练的作物生长状态识别模型中，得到作物生长状态识别结果；

43、第二单元，用于利用环境参数传感器采集作物生长环境参数，对得到的作物生长状态识别结果和作物生长环境参数进行实时监测，当检测作物生长发生异常时，触发自适应作物生长环境参数调整机制；

44、第三单元，用于根据自适应环境参数调整机制，将作物生长环境参数控制问题建模为一个马尔可夫决策过程，其中状态空间包括作物生长状态和环境参数，动作空间包括描述环境参数的控制动作，奖励函数包括作物生长性能和能耗，采用策略优化算法求解所述马尔可夫决策过程，得到最优环境参数控制策略，并根据最优环境参数控制策略调整作物生长环境参数。

45、本发明实施例的第三方面，

46、提供一种电子设备，包括：

47、处理器；

48、用于存储处理器可执行指令的存储器；

49、其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。

50、本发明实施例的第四方面，

51、提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。

52、在本实施例中，通过高分辨率摄像头采集作物图像，并利用预先训练的作物生长状态识别模型，能够实时获取作物的生长状态，及时发现作物生长异常。当检测到作物生长异常时，系统会自动触发作物生长环境参数调整机制。利用马尔可夫决策过程建模和强化学习算法，能够找到最优的环境参数控制策略，及时调整温度、湿度、光照等环境因素，为作物提供适宜的生长环境。通过实时监控和自适应调节，能够为作物提供最佳生长条件，降低生长异常风险，从而提高作物的产量和质量。在马尔可夫决策过程中，能耗被纳入奖励函数，通过权衡作物生长性能和能耗，能够在保证作物生长的同时降低不必要的能耗，实现了作物生长环境的智能化管理，提高了作物产量和质量，降低了生产成本，提升了生产效率。通过大数据和人工智能技术实现了生产环节的智能优化，对于提高农业生产效率、质量和可持续性具有重要意义，是农业现代化和智能化的重要支撑技术。