(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210842925.5 (22)申请日 2022.07.18 (71)申请人 广东省农业科 学院环境园艺研究所 地址 510640 广东省广州市天河区金颖东 一街1号 申请人 广州奇牛信息科技有限公司 (72)发明人 孙映波　刘小飞　于波　黄丽丽　 杨钰钗　曾奕东　曾润东　 (74)专利代理 机构 广州专理知识产权代理事务 所(普通合伙) 44493 专利代理师 王允辉 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01D 21/02(2006.01) H04N 7/18(2006.01) (54)发明名称 一种园艺植物温室精准栽培的智能监控方 法及系统 (57)摘要 本发明公开了一种园艺植物温室精准栽培 的智能监控 方法及系统， 通过摄像机对温室植物 的生长情况进行记录， 并对记录内容生成植物生 长特征图像， 通过对植物生长特征图像分析， 获 取植物生长异常信息图像， 并对 所述异常信息图 像建立植物 生长状态异常时的图像数据集， 通过 所述图像数据集构建识别植物生长异常情况的 MobileNetV1神经网络模型， 对图像进行训练， 并 对系统进行深度学习， 并且通过训练后的模型， 可大大提高判断植物生长状态的效率， 对植物何 时缺水缺肥或受病虫害侵染等生长异常情况可 及时发现和判断， 为迅速调整植物栽培措施提供 了极有价 值的提示和指引。 权利要求书2页 说明书7页 附图1页 CN 115294518 A 2022.11.04 CN 115294518 A 1.一种园艺 植物温室精准栽培的智能监控方法， 其特 征在于， 所述方法包括以下步骤： S100： 通过摄像机对温室植物的生长情况进行记录， 并对记录内容生成植物生长状况 图像； S200： 通过网络爬虫技术获取植物生长异常信息图像， 并对所述异常信息图像建立植 物生长状态 异常时的图像数据集； S300： 通过所述图像数据 集构建识别植物生长异常情况的MobileNetV1神经网络模型， 并对系统进行深度学习。 S400： 通过系统对温室植物进行智能栽培与监控。 2.根据权利要求1所述的一种园艺植物温室精准栽培的智能监控方法， 其特征在于， 所 述步骤S100中， 所述摄像机在一个周期T内采集植物生长状况图像为N， 通过传感器采集周 期内的温室环 境数据， 所述 温室环境数据包括 温度、 湿度、 光照、 土壤温度、 土壤湿度、 C O2浓 度、 叶面湿度等， 取一种或多种数据作为温室环境数据进行参 考。 3.根据权利要求1所述的一种园艺植物温室精准栽培的智能监控方法， 其特征在于， 所 述步骤S200中， 通过网络爬虫技术收集植物生长异常图像， 并将图像中植物生长异常原因 进行记录， 将所述植物生长异常图像和植物生长异常原因构建植物生长状态异常时的图像 数据集， 将所述图像数据集存储进入程序可识别的依赖库中， 所述依赖库为： 通过网络爬虫 技术把现有的网络资料库中温室植物可能受到的植物生长状态异常图片与植物生长状态 异常图片的异常原因进行收集并建库。 4.根据权利要求1所述的一种园艺植物温室精准栽培的智能监控方法， 其特征在于， 所 述步骤S300中， 读取依赖库中的图像数据， 将收集到的植物 生长状况图像、 依赖库中的图像 数据和实时的温室环 境数据进 行数据交互， 将图像中的RGB三个通道作为卷积核， 并在所述 系统中构建3 ×3的二维卷积， 所述3 ×3的二维卷积用于处理植物受到不同环 境变化导致生 长异常的模型， 并在系统内在构建一个深度可分离的3 ×3的卷积， 所述深度可分离的3 ×3 的卷积用于处理植物受到不同环境变化导致生长异常的模型与同一时间下所处的环境结 合， 通过所述定义的二维卷积和深度可分离卷积搭建MobileNetV1神经网络模型， 在所述 MobileNetV1神经网络模型中， 对所述植物生长状态异常时的图像进行预处理并对图像数 据作进一 步增强处 理， 得到预处 理图像， 对图像进行归一 化， 并存储进入数据库中。 5.根据权利要求4所述的一种园艺植物温室精准栽培的智能监控方法， 其特征在于， 通 过函数f()将所述数据库中的图像进行读取， 并且传递所述数据库中的图像列表路径和裁 剪图像的大小， 通过公式对f()所读取的数据进行训练， Vt+1＝Vt+η θ f()， Vt+1代表训练后的 学习动量， Vt代表训练前的学习动量， 令Vt初始值为0， η为训练图像数量， 是一个常数项， θ 为 学习权重， 通过对温室植物的每个器官按权重由高到低进行训练， 通过 减少学习权 重θ 对温室植物生长状况图像都进行训练。 6.根据权利要求1所述的一种园艺植物温室精准栽培的智能监控方法， 其特征在于， 所 述步骤S400中， 将所述植物生长状况图像与周期T内 收集的植物 生长状况图像进 行对比， 用 于判断植物是否存在生长异常的具体步骤为： S201： 对所述植物生长状况图像进行预处理， 包括灰度化和图像降噪， 并将图像转换为 BGR模式， 得到植物 生长状况图像灰度图， 将所述灰度图与下一次收集的植物 生长状况图像权　利　要　求　书 1/2 页 2 CN 115294518 A 2进行对比， 得到 差异图像； S202： 对所述灰度图进行子区域划分， 将植物的生长状态图像中的叶片和茎等植物器 官对所述灰度图进行划分， 划分为叶片子区域集和茎子区域集， 并将所述各个子区域的像 素点的数量构建集合{Yhn， Ysn， Jhn， Jsn}， 其中Yh代表叶片子区域集的横向像素点数量， Ys代 表叶片子区域集的纵向像素点 数量， Jh代表茎子区域集的横向像素点数量， Js代表茎子区域 集的纵向像素点数量， 所述下 标n为变量， 代 表周期内的生长状态图像编号； S203： 令n ＝0， 对所述茎 子区域集集合中的像素点与周期内的植物生长状况图像中的横 向像素点和纵向像素点数量进 行对比计算， Vp(Jsn)、 Vp(Jhn)分别为茎子区域集的纵向生长平均速率和横向生长平均速率， Vps为植物生长状态的最大可变值， exp()为以自然数e 为底的对数函数， 构成区间[Vp(Jsn)+Vps， Vp(Jsn)‑Vps]， 生长速率在区间内的植物为正常 生长速率植物， 若生长 速率在区间外的植物则为异常生长 速率植物； S204： 对所述植物生长状况图像灰度图的叶片子区域集的边缘位置进行扫描， 并对所 述灰度图像的叶片 子区域集进 行边缘处理， 并通过Harr is角点检测对所述叶片 子区域集内 的边缘像素点的角点提取并构建集合L， 通 过计算得到叶片 子区域集基准值Sp， 所述叶片 子区域集基准值Sp为叶片 子区域集最大的图 片采集范围， 通过基准值Sp得到叶片子区域集采集的中心点Z(Xa， Ya)， 在集合L中对所述角 点进行筛选， 通过角点到Z(Xa， Ya)的欧氏距离得到f(Xmax， Ymax)、 f(Xmin， Ymin)， 所述f(Xmax， Ymax)为角点与Z(Xa， Ya)欧氏距离的最大值， f(Xmin， Ymin)为角点与Z(Xa， Ya)欧氏距离的最小 值， 从集合L中角点进行判断， 是否满足约束条件， 即 则温室植物的叶片判断正常 状态， 反之则为异常状态， 所述f(X， Y)为角点(X， Y)与Z(Xa， Ya)欧氏距离 。 7.一种园艺植物温室精准栽培的智能监控系统， 其特征在于， 所述系统包括： 硬件系统 和软件系统， 其中硬件系统包括温室环境信息采集硬件设备、 数据传输模块、 P C端和移动端 显示模块、 智能控制调节模块 等； 软件系统包括数据分析统计模块、 农事记录系统、 系统预警模块 等。 8.根据权利要求6所述的一种园艺植物温室精准栽培的智能监控系统， 其特征在于， 所 述温室环境信息采集硬件设备包括： 环境温湿度传感器、 气压计、 光照度传感器、 土壤电导 率传感器、 土壤温湿度传感器、 土壤PH值传感器、 二氧化碳浓度传感器等， 可选择一个或多 个作为所述温室环境信息采集硬件设备。权　利　要　求　书 2/2 页 3 CN 115294518 A 3