【技术实现步骤摘要】
本专利技术涉及无土栽培环境监控，具体涉及基于大数据的智能无土栽培环境监控系统及方法。
技术介绍
1、基于大数据的智能无土栽培环境监控是利用先进的传感器技术、物联网（iot）和大数据分析手段，实时监控和调节无土栽培系统中的各种环境参数，如温度、湿度、光照强度、空气流通、营养液浓度等。通过收集这些数据，并结合机器学习算法和智能预测模型，可以对栽培环境进行动态调整，实现精准控制和优化，以确保植物在最佳生长条件下生长。这种智能监控系统不仅能够提高作物的产量和质量，还能通过数据分析发现潜在问题，提前进行预警，减少资源浪费，提升农业生产的可持续性和效率。
2、现有技术存在以下不足：
3、在智能无土栽培环境监控中，现有技术通常依赖单个摄像头对大范围区域的植物叶片进行监测。然而，由于摄像头视角的局限性，其焦距通常较大，导致其只能捕捉到广泛区域的图像，进而可能掩盖或忽视病虫害的早期征兆。尤其是在植物的不同生长阶段，叶片表现差异较大，而单一视角下获取的图像难以精确区分每株植物的具体病害。因此，病虫害的初期症状往往未能及时识别，延误了干预时机，最终可能导致病虫害扩散并影响整个栽培区域的作物健康。
4、在所述
技术介绍
部分公开的上述信息仅用于加强对本公开的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本专利技术的目的是提供基于大数据的智能无土栽培环境监控系统及方法，通过将栽培区域划分为多个子区域并采集图像数据，确保每个子区域
2、为了实现上述目的，本专利技术提供如下技术方案：基于大数据的智能无土栽培环境监控方法，包括以下步骤：
3、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，每个子区域的面积根据具体栽培环境和监控要求进行设定，以保证每个子区域内的植物具有一定的代表性；
4、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的图像数据，将实时传输到数据处理系统，用于后续的病虫害检测和分析；
5、对各个子区域采集到的图像数据进行汇总，从汇总后的中提取出反映潜在病虫害的特征，对提取的特征进行分析后，将分析后的特征输入至预先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测；
6、基于卷积神经网络预测的结果，将每个子区域的健康状况分类为“潜在病虫害区域”和“正常生长区域”；
7、对于正常生长区域，继续保持初始状态进行病虫害监控；
8、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，自动调整摄像头的焦点，使摄像头聚焦于该子区域，摄像头聚焦后，将更精确地捕捉该子区域内植物的细节；
9、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结果，对摄像头的当前焦距进行缩短，更清晰地捕捉目标区域的细节，识别病虫害。
10、优选的，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，具体的步骤如下：
11、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例，根据环境的形状、栽培系统的布局、植物的种类，以及栽培区域的利用需求，确定每个子区域的面积大小；
12、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等网格划分成若干小方块，每个小方块即为一个子区域。
13、优选的，从汇总后的中提取出反映潜在病虫害的特征，其中，提取的特征包括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，对每个子区域内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进行分析后，分别生成叶脉凸显参考值和色偏渐进参考值，通过叶脉凸显参考值量化叶脉与周围叶组织之间反差的强度，通过色偏渐进参考值量化叶片颜色在时间或空间上的渐进式偏移程度。
14、优选的，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成的叶脉凸显参考值和色偏渐进参考值输入至预先训练好的卷积神经网络中，基于卷积神经网络生成病虫害指数，通过病虫害指数对该子区域的病虫害进行预测。
15、优选的，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考值的具体步骤如下：
16、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，通过光谱反差值构建叶脉区域与周围叶组织的光谱对比矩阵，光谱对比矩阵的构建表达式为：，其中：为叶脉与周围叶组织在像素点的光谱反差值，为像素点在叶脉区域的近红外波段的反射值，像素点在叶脉周围组织的绿光波段的反射值，为近红外波段，为绿光波段；
17、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，计算叶脉凸显参考值，计算的表达式为：，其中：为叶脉凸显参考值，用于量化整个子区域叶脉反差的强度， h、 w分别为图像的高度和宽度，为位置权重函数，根据叶片区域的重要性对像素点赋予不同的权重，为动态阈值函数，用于剔除正常叶脉反差的背景噪声，定义为：，其中为像素点到叶片中心的距离，和是用于控制阈值衰减的参数。
18、优选的，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具体步骤如下：
19、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，颜色偏移特征矩阵基于叶片在时间t和空间位置的颜色变化进行计算，计算的表达式为：，其中，为颜色偏移特征矩阵，表示在时间t时，空间位置的颜色偏移程度，表示在波长下空间位置的颜色反射值，表示上一时间点的颜色反射值，为波段权重系数；
20、利用颜色偏移特征矩阵和空间偏移权重，计算子区域的色偏渐进参考值，量化叶片颜色在时间或空间上的渐进偏移程度，计算的表达式为：，其中，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，空间偏移权重，基于子区域内叶片密度和颜色偏移的空间集中程度进行设定，为平滑因子，防止当时发生分母为零的情况。
21、优选的，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类，具体的分类如下：
22、若子区域下生成的病虫害指数大于病虫害指数参考阈值，则将该子区域的健康状况分类为潜在病虫害区域；
23、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，则将该子区域的健康状况分类为正常生长区域。
24、优选的，对于本文档来自技高网...
【技术保护点】
1.基于大数据的智能无土栽培环境监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大数据的智能无土栽培环境监控方法，其特征在于，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，具体的步骤如下：
3.根据权利要求1所述的基于大数据的智能无土栽培环境监控方法，其特征在于，从汇总后的中提取出反映潜在病虫害的特征，其中，提取的特征包括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，对每个子区域内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进行分析后，分别生成叶脉凸显参考值和色偏渐进参考值，通过叶脉凸显参考值量化叶脉与周围叶组织之间反差的强度，通过色偏渐进参考值量化叶片颜色在时间或空间上的渐进式偏移程度。
4.根据权利要求3所述的基于大数据的智能无土栽培环境监控方法，其特征在于，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成的叶脉凸显参考值和色偏渐进参考值输入至预先训练好的卷积神经网络中，基于卷积神经网络生成病虫害指数，通过病虫害指数对该子区域的病虫害进行预测。
5.根据权利要
6.根据权利要求3所述的基于大数据的智能无土栽培环境监控方法，其特征在于，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具体步骤如下：
7.根据权利要求5所述的基于大数据的智能无土栽培环境监控方法，其特征在于，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类，具体的分类如下：
8.根据权利要求4所述的基于大数据的智能无土栽培环境监控方法，其特征在于，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，具体为：
9.根据权利要求7所述的基于大数据的智能无土栽培环境监控方法，其特征在于，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结果，对摄像头的当前焦距进行缩短，具体的步骤如下：
10.基于大数据的智能无土栽培环境监控系统，用于实现上述权利要求1-9中任意一项所述的基于大数据的智能无土栽培环境监控方法，其特征在于，包括子区域划分模块、图像数据采集模块、特征提取与病虫害预测模块、健康状况分类模块、正常区域监控模块、潜在病虫害聚焦模块以及焦距优化与精细识别模块；
...【技术特征摘要】
1.基于大数据的智能无土栽培环境监控方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大数据的智能无土栽培环境监控方法，其特征在于，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，具体的步骤如下：
3.根据权利要求1所述的基于大数据的智能无土栽培环境监控方法，其特征在于，从汇总后的中提取出反映潜在病虫害的特征，其中，提取的特征包括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，对每个子区域内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进行分析后，分别生成叶脉凸显参考值和色偏渐进参考值，通过叶脉凸显参考值量化叶脉与周围叶组织之间反差的强度，通过色偏渐进参考值量化叶片颜色在时间或空间上的渐进式偏移程度。
4.根据权利要求3所述的基于大数据的智能无土栽培环境监控方法，其特征在于，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成的叶脉凸显参考值和色偏渐进参考值输入至预先训练好的卷积神经网络中，基于卷积神经网络生成病虫害指数，通过病虫害指数对该子区域的病虫害进行预测。
5.根据权利要求4所述的基于大数据的智能无土栽培环境监控方法，其特征在于，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...
【专利技术属性】
技术研发人员：凌小明，
申请(专利权)人：深圳市海卓生物科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。