本發(fā)明涉及人工智能航天植物種植，特別是指一種基于算法的航天石斛種植模式優(yōu)化方法。

背景技術(shù)：

1、航天石斛是一種利用創(chuàng)新育種技術(shù)培育出的鐵皮石斛品種，該技術(shù)融合了太空環(huán)境的獨特條件和地面農(nóng)業(yè)科研的先進技術(shù)，目的是顯著提升石斛的藥用價值、抗病性、抗逆性以及整體的生長長勢。石斛從太空返回陸地后，如何篩選培育出優(yōu)良變異特性的植株，需要農(nóng)業(yè)科研人員進行數(shù)代穩(wěn)定培育，來確保新品種的遺傳穩(wěn)定性。

2、傳統(tǒng)的人工篩選培育過程需要農(nóng)業(yè)科研人員對石斛植株的實時監(jiān)控、記錄以及環(huán)境參數(shù)的調(diào)控，導(dǎo)致培育過程需要大量的人力資源成本、且各項參數(shù)指標(biāo)存在不可靠性。

3、隨著人工智能技術(shù)的發(fā)展，人工智能技術(shù)在農(nóng)業(yè)種植領(lǐng)域也得到廣泛應(yīng)用，然而現(xiàn)有的智能種植還無法準(zhǔn)確根據(jù)植物生長狀態(tài)進行生長環(huán)境參數(shù)的精確調(diào)控。

技術(shù)實現(xiàn)思路

1、本發(fā)明實施例提供了一種基于圖像分割算法的航天石斛種植優(yōu)化方法，以解決背景技術(shù)中提到的技術(shù)問題。所述種植優(yōu)化方法具體步驟如下：

2、一種基于圖像分割算法的航天石斛種植優(yōu)化方法，包括：

3、s1、獲取航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)以及目標(biāo)生長狀態(tài)數(shù)據(jù)；

4、s2、獲取溫室當(dāng)前環(huán)境數(shù)據(jù)；

5、s3、通過人工智能學(xué)習(xí)模型，對比航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)與目標(biāo)生長狀態(tài)數(shù)據(jù)，當(dāng)航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)小于目標(biāo)生長狀態(tài)數(shù)據(jù)時，根據(jù)航天石斛目標(biāo)生長狀態(tài)數(shù)據(jù)計算出航天石斛生長的理論最優(yōu)溫室環(huán)境數(shù)據(jù)；根據(jù)所述理論最優(yōu)溫室環(huán)境數(shù)據(jù)，調(diào)整當(dāng)前溫室環(huán)境參數(shù)；

6、s4、重復(fù)步驟s1-s3,直至航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)大于等于目標(biāo)生長狀態(tài)數(shù)據(jù)。當(dāng)航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)大于等于目標(biāo)生長狀態(tài)數(shù)據(jù)時，記錄航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)及溫室當(dāng)前環(huán)境數(shù)據(jù)。

7、可選地，所述步驟s1的獲取航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)，包括：

8、s11、采用無人機對航天石斛生長狀態(tài)進行圖像采集；

9、s12、對所述s11采集到的圖像進行灰度化預(yù)處理；

10、s13、采用邊緣檢測算法對所述預(yù)處理后的圖像進行分割，提取出航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)。

11、可選地，所述s11采集到的圖像進行灰度化預(yù)處理，采用加權(quán)平均值方法對圖像進行灰度化預(yù)處理。

12、可選地，所述邊緣檢測算法采用改進型邊緣檢測算法，所述改進型邊緣檢測算法主要是先作高斯卷積再用log算子卷積，具體公式為：

13、

14、其中，

15、

16、其中g(shù)(x,y)為二維高斯卷積函數(shù)，即在圖像上的每個像素位置(x,y)上的權(quán)重值，用于加權(quán)平均實現(xiàn)模糊去噪效果。

17、可選地，所述通過人工智能學(xué)習(xí)模型為lstm神經(jīng)網(wǎng)絡(luò)模型，當(dāng)航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)大于等于目標(biāo)生長狀態(tài)數(shù)據(jù)時，記錄石斛當(dāng)前生長狀態(tài)數(shù)據(jù)及溫室當(dāng)前環(huán)境數(shù)據(jù)，并以此作為lstm訓(xùn)練數(shù)據(jù)。

18、在溫室中設(shè)置傳感器，實時獲取溫室環(huán)境參數(shù)。其中，采用溫濕度傳感器獲取溫室的溫度和濕度；采用光學(xué)傳感器獲取溫室中的光照強度參數(shù)；采用二氧化碳?xì)怏w傳感器獲取溫室中的二氧化碳含量參數(shù)；采用營養(yǎng)元素傳感器獲取營養(yǎng)成分含量參數(shù)。

19、本發(fā)明實施例提供了一種基于圖像的航天石斛種植模式優(yōu)化方法，通過該方法，可以準(zhǔn)確獲取航天石斛的生長狀態(tài)參數(shù)，并基于人工智能學(xué)習(xí)模型獲取目標(biāo)生長狀態(tài)參數(shù)對應(yīng)的溫室環(huán)境參數(shù)，通過對比航天石斛當(dāng)前生長狀態(tài)參數(shù)與目標(biāo)生長狀態(tài)參數(shù)實現(xiàn)對溫室環(huán)境的精確調(diào)控，大大節(jié)省了人力成本。

技術(shù)特征：

1.一種基于算法的航天石斛種植模式優(yōu)化方法，其特征在于，所述

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述s1的獲取航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)，包括：

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述對所述s11采集到的圖像進行灰度化預(yù)處理，采用加權(quán)平均值法獲取灰度化圖像。

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述邊緣檢測算法采用改進型邊緣檢測算法，所述改進型邊緣檢測算法為：

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述人工智能學(xué)習(xí)模型為lstm模型。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，當(dāng)航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)大于等于目標(biāo)生長狀態(tài)數(shù)據(jù)時，記錄石斛當(dāng)前生長狀態(tài)數(shù)據(jù)及溫室當(dāng)前環(huán)境數(shù)據(jù)，并以此作為lstm訓(xùn)練數(shù)據(jù)。

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，在溫室中設(shè)置傳感器，獲取溫室環(huán)境參數(shù)。

8.根據(jù)權(quán)利要求8所述的方法，其特征在于，采用溫濕度傳感器獲取溫室的溫度和濕度；采用光學(xué)傳感器獲取溫室中的光照強度參數(shù)；采用二氧化碳?xì)怏w傳感器獲取溫室中的二氧化碳含量參數(shù)；采用營養(yǎng)元素傳感器獲取營養(yǎng)成分含量參數(shù)。

技術(shù)總結(jié)
本發(fā)明涉及圖像分割算法技術(shù)領(lǐng)域，特別是指一種基于算法的航天石斛種植模式優(yōu)化方法，方法包括：獲取航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)以及目標(biāo)生長狀態(tài)數(shù)據(jù)；獲取溫室當(dāng)前環(huán)境數(shù)據(jù)；通過人工智能學(xué)習(xí)模型，對比航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)與目標(biāo)生長狀態(tài)數(shù)據(jù)，當(dāng)航天石斛當(dāng)前生長狀態(tài)數(shù)據(jù)小于目標(biāo)生長狀態(tài)數(shù)據(jù)時，根據(jù)航天石斛目標(biāo)生長狀態(tài)數(shù)據(jù)計算出航天石斛生長的理論最優(yōu)溫室環(huán)境數(shù)據(jù)；根據(jù)所述理論最優(yōu)溫室環(huán)境數(shù)據(jù)，調(diào)整當(dāng)前溫室環(huán)境參數(shù)；該方法通過采用改進型圖像分割算法，可以準(zhǔn)確獲取航天石斛的生長狀態(tài)參數(shù)，并基于人工智能學(xué)習(xí)模型獲取目標(biāo)生長狀態(tài)參數(shù)對應(yīng)的溫室環(huán)境參數(shù)，能夠?qū)崿F(xiàn)精確控制溫室環(huán)境，大大節(jié)省了人力成本。

技術(shù)研發(fā)人員：張南迪,孫浩亮
受保護的技術(shù)使用者：航天智聯(lián)（海南）科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/10/21