首页 > 分享 > 一种基于机器学习的火龙果种植全周期植物营养配置方法与流程

一种基于机器学习的火龙果种植全周期植物营养配置方法与流程

一种基于机器学习的火龙果种植全周期植物营养配置方法与流程

1.本发明涉及火龙果种植技术领域,更具体地,涉及一种基于机器学习的火龙果种植全周期植物营养配置方法。

背景技术:

2.火龙果[hylocereus undatus spp.],又名红龙果、仙蜜果、情人果、芝麻果等,是仙人掌科(cactaceae)量天尺属(hylocereus undatus)的多年生攀援性的肉质植物,属热带、亚热带果树,起源于中美洲的热带雨林及沙漠地带,人工栽培遍及中美洲、以色列、越南、泰国、美国等,在我国台湾栽培较多,已有几十年历史,中国大陆近年来在广西、广东、福建等地兴起,发展面积约32万亩,其中,福建约2万多亩,并呈快速发展的势头。火龙果集水果、花卉、蔬菜、保健为一体,有很高的经济价值。火龙果根系特别发达,无明显主根,根系较浅,多分布2

15cm表土层中;茎蔓上长有攀缘根,攀缘于棚架或其他柱状支撑物向上生长;植株生长旺盛,萌芽力和发枝力较强,一年四季均可生长;无叶片,光合作用靠茎蔓来完成,肉质茎蔓粗壮,呈三角柱形或四棱柱形。火龙果适应性强、速生、早结、果大、丰产、无大小年等优点。
[0003]
火龙果在整个种植周期中需要配置不同n、p、k比例的营养配方。目前,判断火龙果营养配置方法多种多样,如通过土壤分析法、外观诊断法、化学分析法诊断等。土壤分析法有很好的针对性和预测性,但土壤干扰因素比较多,结果的准确性较低;外观诊断法受限于经验,容易产生误诊;化学分析法需要较长的检验时间。为了提高诊断的准确性,亟需一种能够判断出不同生长阶段的火龙果营养配方的配置方法。

技术实现要素:

[0004]
本发明的目的在于提供一种基于机器学习的火龙果种植全周期植物营养配置方法,解决一般火龙果种植全周期植物营养配置方法出现的干扰多,准确性低,容易误诊,需要较长检验时间的技术问题,能通过一种基于机器学习的火龙果种植全周期植物营养配置方法,具有很好的针对性和预测性,抗干扰能力强,准确性高,诊断速度快。
[0005]
为达到上述目的,提供了一种基于机器学习的火龙果种植全周期植物营养配置方法,包括以下步骤:建立土壤影响神经网络模型;获取火龙果所处环境的土壤数据并输入至土壤影响神经网络模型获得土壤影响营养系数;建立生长状态网络模型;获取火龙果的生长图像数据并输入至生长状态网络模型,获得生长状态影响营养系数;建立气象影响神经网络模型;获取火龙果所处环境的气象数据并输入至气象影响神经网络模型,获得气象影响营养系数;建立灌溉影响神经网络模型;获取火龙果种植过程中的灌溉数据并输入至灌溉影响神经网络模型,获得灌溉影响营养系数;
建立施肥影响网络模型;获取火龙果种植过程中的施肥数据并输入至施肥影响网络模型,获得施肥影响营养系数;建立地形影响网络模型;获取火龙果所处环境的地形数据并输入至地形影响网络模型,获得地形影响营养系数;将土壤影响营养系数、生长状态影响营养系数、气象影响营养系数、灌溉影响营养系数、施肥影响营养系数、地形影响营养系数分别进行过滤后,构建成数据集;划分所述数据集的70%用做模型构建,所述数据集的30%用做模型验证;构建数据集与火龙果营养n、p、k比例的回归模型,获得不同生长阶段火龙果需要相应的n、p、k的比例;其中,所述土壤影响神经网络模型为根据植物营养专家依据土壤数据对火龙果营养进行土壤影响营养系数数值设定后,采集大量对应土壤影响营养系数数值的土壤数据;所述土壤影响神经网络模型以土壤数据作为输入,以土壤影响营养系数为输出;所述生长状态网络模型为根据植物营养专家依据生长图像数据对火龙果营养进行生长状态影响营养系数数值设定后,采集大量对应生长状态影响营养系数数值的生长图像数据;所述生长状态网络模型以生长图像数据作为输入,以生长状态影响营养系数为输出;气象影响神经网络模型为根据植物营养专家依据气象数据对火龙果营养进行气象影响营养系数数值设定后,采集大量对应气象影响营养系数数值的气象数据;所述气象影响神经网络模型以气象数据作为输入,以气象影响营养系数为输出;灌溉影响神经网络模型为根据植物营养专家依据灌溉数据对火龙果营养进行灌溉影响营养系数数值设定后,采集大量对应灌溉影响营养系数数值的灌溉数据;所述灌溉影响神经网络模型以灌溉数据作为输入,以灌溉影响营养系数为输出;施肥影响网络模型为根据植物营养专家依据施肥数据对火龙果营养进行施肥影响营养系数数值设定后,采集大量对应施肥影响营养系数数值的施肥数据;所述施肥影响网络模型以施肥数据作为输入,以施肥影响营养系数为输出;地形影响网络模型为根据植物营养专家依据地形数据对火龙果营养进行地形影响营养系数数值设定后,采集大量对应地形影响营养系数数值的地形数据;所述地形影响网络模型以地形数据作为输入,以地形影响营养系数为输出。
[0006]
特别的,所述土壤数据包括土壤结构、土壤空气含量、地表平均温度、不同土层平均温度、不同土层平均湿度、土壤酸碱度、土壤电导率、土壤元素成分、土壤有机质含量、土壤微生物含量。
[0007]
特别的,所述生长图像数据包括火龙果枝叶的图像、火龙果花的图像、火龙果果实的图像。
[0008]
特别的,所述气象数据包括光照时长、光照强度、降雨量、大气温度、平均温度、极限温度、风速和蒸发量。
[0009]
特别的,所述灌溉数据包括灌溉水的种类、品质、灌溉时间、灌溉用量和灌溉频率。
[0010]
特别的,所述施肥信息包括肥料的种类、养分含量、施肥时间、施肥用量、施肥浓度和施肥频率。
[0011]
特别的,所述地形信息包括火龙果所处的地势、海拔高度、坡度和坡向。
[0012]
特别的,所述将土壤影响营养系数、生长状态影响营养系数、气象影响营养系数、
灌溉影响营养系数、施肥影响营养系数、地形影响营养系数分别进行过滤,过滤的具体方法为:将相同或相近的系数数据只保留一组,并去除其他组系数数据。
[0013]
一种应用上述火龙果种植全周期植物营养配置方法的系统,包括:土壤数据收集模块,为土壤墒情仪,用于收集火龙果所处环境的土壤数据;图像处理模块,用于收集火龙果的生长图像数据,并进行图像处理;气象数据收集模块,为气象站,用于收集火龙果所处环境的气象数据;灌溉数据收集模块,为设有灌溉系统的设备,用于收集火龙果种植过程中的灌溉数据;施肥数据收集模块,为设有施肥系统的设备,用于收集火龙果种植过程中的灌溉数据;地形数据收集模块,用于收集火龙果所处环境的地形数据;机器学习模块,用于存储土壤影响神经网络模型、生长状态网络模型、气象影响神经网络模型、灌溉影响神经网络模型、施肥影响网络模型和地形影响网络模型,并能够分别输出土壤影响营养系数、生长状态影响营养系数、气象影响营养系数、灌溉影响营养系数、施肥影响营养系数、地形影响营养系数。
[0014]
数据库模块,用于存储大量土壤数据、生长图像数据、气象数据、灌溉数据、灌溉数据和地形数据;计算模块,用于将土壤影响营养系数、生长状态影响营养系数、气象影响营养系数、灌溉影响营养系数、施肥影响营养系数、地形影响营养系数分别进行过滤后,构建成数据集;划分所述数据集的70%用做模型构建,所述数据集的30%用做模型验证;构建数据集与火龙果营养n、p、k比例的回归模型,获得不同生长阶段火龙果需要相应的n、p、k的比例;所述土壤数据收集模块、图像处理模块、气象数据收集模块、灌溉数据收集模块、施肥数据收集模块、地形数据收集模块和数据库模块分别连接机器学习模块;所述机器学习模块连接计算模块。
[0015]
特别的,还包括摄像机,所述摄像机安装在无人机上且能够无线连接图像处理模块。
[0016]
本发明的有益效果:本发明通过一种基于机器学习的火龙果种植全周期植物营养配置方法,是一种新的、实施高效的识别方法,完全能够代替传统的火龙果营养配置方法,同时利用了土壤数据、生长状况数据、气候数据、灌水数据、施肥数据和地形数据进行影响系数分析,并进行校准,最后获得不同生长阶段火龙果需要相应的n、p、k的比例。本发明不再依赖有经验的农业人员,通过机器学习,自动识别火龙果不同生长阶段植物营养配方,快速提高了火龙果的不同阶段的营养供给判断,有针对性的提高火龙果营养和品质,具有很好的针对性和预测性,抗干扰能力强,准确性高,诊断速度快,从而提高消费者满意度。
附图说明
[0017]
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以
根据这些附图获得其他的附图。
[0018]
图1为本发明实施例的实施方法的系统结构图;图2为本发明实施例的方法的流程图。
具体实施方式
[0019]
下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
[0020]
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
[0021]
需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
[0022]
此外,术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
[0023]
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
[0024]
如图1所示,本实施例的一种基于机器学习的火龙果种植全周期植物营养配置方法,包括以下步骤:建立土壤影响神经网络模型;获取火龙果所处环境的土壤数据并输入至土壤影响神经网络模型获得土壤影响营养系数。土壤影响神经网络模型为根据植物营养专家依据土壤数据对火龙果营养进行土壤影响营养系数数值设定后,采集大量对应土壤影响营养系数数值的土壤数据;土壤影响神经网络模型以土壤数据作为输入,以土壤影响营养系数为输出。土壤数据包括土壤结构、土壤空气含量、地表平均温度、不同土层平均温度、不同土层平均湿度、土壤酸碱度、土壤电导率、土壤元素成分、土壤有机质含量、土壤微生物含量。
[0025]
建立生长状态网络模型;获取火龙果的生长图像数据并输入至生长状态网络模型,获得生长状态影响营养系数。生长状态网络模型为根据植物营养专家依据生长图像数据对火龙果营养进行生长状态影响营养系数数值设定后,采集大量对应生长状态影响营养系数数值的生长图像数据;生长状态网络模型以生长图像数据作为输入,以生长状态影响营养系数为输出。生长图像数据包括火龙果枝叶的图像、火龙果花的图像、火龙果果实的图像。根据火龙果枝叶、花、果的颜色、纹理、形状判断植物营养丰缺情况。
[0026]
建立气象影响神经网络模型;获取火龙果所处环境的气象数据并输入至气象影响神经网络模型,获得气象影响营养系数;气象影响神经网络模型为根据植物营养专家依据
气象数据对火龙果营养进行气象影响营养系数数值设定后,采集大量对应气象影响营养系数数值的气象数据;气象影响神经网络模型以气象数据作为输入,以气象影响营养系数为输出。气象数据包括光照时长、光照强度、降雨量、大气温度、平均温度、极限温度、风速和蒸发量。
[0027]
建立灌溉影响神经网络模型;获取火龙果种植过程中的灌溉数据并输入至灌溉影响神经网络模型,获得灌溉影响营养系数。灌溉影响神经网络模型为根据植物营养专家依据灌溉数据对火龙果营养进行灌溉影响营养系数数值设定后,采集大量对应灌溉影响营养系数数值的灌溉数据;灌溉影响神经网络模型以灌溉数据作为输入,以灌溉影响营养系数为输出。灌溉数据包括灌溉水的种类、品质、灌溉时间、灌溉用量和灌溉频率。
[0028]
建立施肥影响网络模型;获取火龙果种植过程中的施肥数据并输入至施肥影响网络模型,获得施肥影响营养系数。施肥影响网络模型为根据植物营养专家依据施肥数据对火龙果营养进行施肥影响营养系数数值设定后,采集大量对应施肥影响营养系数数值的施肥数据;施肥影响网络模型以施肥数据作为输入,以施肥影响营养系数为输出。施肥信息包括肥料的种类、养分含量、施肥时间、施肥用量、施肥浓度和施肥频率。
[0029]
建立地形影响网络模型;获取火龙果所处环境的地形数据并输入至地形影响网络模型,获得地形影响营养系数;地形影响网络模型为根据植物营养专家依据地形数据对火龙果营养进行地形影响营养系数数值设定后,采集大量对应地形影响营养系数数值的地形数据;地形影响网络模型以地形数据作为输入,以地形影响营养系数为输出。地形信息包括火龙果所处的地势、海拔高度、坡度和坡向。
[0030]
将土壤影响营养系数、生长状态影响营养系数、气象影响营养系数、灌溉影响营养系数、施肥影响营养系数、地形影响营养系数分别进行过滤后,构建成数据集。过滤的具体方法为:将相同或相近的系数数据只保留一组,并去除其他组系数数据。
[0031]
划分数据集的70%用做模型构建,数据集的30%用做模型验证。
[0032]
构建数据集与火龙果营养n、p、k比例的回归模型,获得不同生长阶段火龙果需要相应的n、p、k的比例。
[0033]
如图2所示,本实施例一种应用上述火龙果种植全周期植物营养配置方法的系统,包括:土壤数据收集模块,为土壤墒情仪,用于收集火龙果所处环境的土壤数据。
[0034]
图像处理模块,用于收集火龙果的生长图像数据,并进行图像处理。还包括右摄像机,摄像机安装在无人机上且能够无线连接图像处理模块,将拍摄到图像无线传输至图像处理模块。
[0035]
气象数据收集模块,为气象站,用于收集火龙果所处环境的气象数据。
[0036]
灌溉数据收集模块,为设有灌溉系统的设备,用于收集火龙果种植过程中的灌溉数据。
[0037]
施肥数据收集模块,为设有施肥系统的设备,用于收集火龙果种植过程中的灌溉数据。
[0038]
地形数据收集模块,用于收集火龙果所处环境的地形数据。
[0039]
机器学习模块,用于存储土壤影响神经网络模型、生长状态网络模型、气象影响神经网络模型、灌溉影响神经网络模型、施肥影响网络模型和地形影响网络模型,并能够分别
输出土壤影响营养系数、生长状态影响营养系数、气象影响营养系数、灌溉影响营养系数、施肥影响营养系数、地形影响营养系数。
[0040]
数据库模块,用于存储大量土壤数据、生长图像数据、气象数据、灌溉数据、灌溉数据和地形数据。
[0041]
计算模块,用于将土壤影响营养系数、生长状态影响营养系数、气象影响营养系数、灌溉影响营养系数、施肥影响营养系数、地形影响营养系数分别进行过滤后,构建成数据集;划分所述数据集的70%用做模型构建,所述数据集的30%用做模型验证;构建数据集与火龙果营养n、p、k比例的回归模型,获得不同生长阶段火龙果需要相应的n、p、k的比例。
[0042]
土壤数据收集模块、图像处理模块、气象数据收集模块、灌溉数据收集模块、施肥数据收集模块、地形数据收集模块和数据库模块分别连接机器学习模块。机器学习模块连接计算模块。
[0043]
虽然结合附图描述了本发明的实施方式,但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改,只要不超过本发明的权利要求所描述的保护范围,都应当在本发明的保护范围之内。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上仅是本发明的优选实施方式,应当指出,由于文字表达的有限性,而客观上存在无限的具体结构,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进、润饰或变化,也可以将上述技术特征以适当的方式进行组合;这些改进润饰、变化或组合,或未经改进将发明的构思和技术方案直接应用于其它场合的,均应视为本发明的保护范围。

相关知识

一种基于机器学习的花朵种类识别方法与流程
一种基于种植设备的病虫害预测方法及装置与流程
一种基于深度学习和植物分类学的植物识别方法与流程
基于svm机器学习的植物病虫害检测方法
一种基于LED补光催花的火龙果水肥一体化的施肥种植方法
基于SVM机器学习的植物病虫害检测方法.pdf
如何种植火龙果种子(从选种到成活,完美种出火龙果的全流程指南)
火龙果种植方法与流程
火龙果种植与生长周期(从种植到结果)
一种高品质红心火龙果的种植方法与流程

网址: 一种基于机器学习的火龙果种植全周期植物营养配置方法与流程 https://m.huajiangbk.com/newsview1296094.html

所属分类:花卉
上一篇: 火龙果树苗怎么栽培(火龙果栽种方
下一篇: 火龙果种植时间与生长周期 火龙果