一种草莓苗期旺长态势监测方法与系统

1.本发明属于草莓种植领域，具体涉及一种草莓苗期旺长态势监测方法与系统。


背景技术：

2.草莓喜低温，春季育苗时期由于气温升高、雨水旺盛，不可控的环境因素加上不适当的水肥管理，草莓幼苗旺长时有发生，造成移栽后草莓植株的早衰、产量降低和品质下降，种植收益降低。
3.为了防止草莓苗旺长，种植者必须及时掌握草莓幼苗的生长状态，以更好地采取相应的措施调控作物的生长发育进程。现阶段，绝大部分种植者对于草莓苗长势的判定往往依赖自身经验，尽管种植者熟悉草莓的生长规律，但人工观测受个人主观影响较大，准确率不高，只能停留在定性的阶段。部分研究者使用作物生长模型和遥感监测以期定量地获取作物长势信息，但存在着实时性差的问题，难以投入实际应用，且专门用于草莓苗期旺长态势监测的还未见报道。


技术实现要素：

4.针对上述技术问题，本发明的目的是提供一种草莓苗期旺长态势监测方法与系统，以动态掌握草莓苗期旺长态势。该方法融合了过去周的草莓幼苗的表型数据、图像数据以及农田管理数据，并结合过去周至当前周的环境数据作为输入，利用深度学习模型建立草莓生长模型，以得出当前周的草莓表型数据，该结果随即与当前周的草莓生长、发育数据建立草莓旺长评估模型，最终得出当前周草莓的旺长态势等级。
5.为了实现上述目的，本发明提供了如下技术方案：
6.一种草莓苗期旺长态势监测方法，包括步骤如下：s1、数据采集；以周为单位连续收集多周草莓幼苗的表型数据、图像数据和农田管理数据；以天为单位获取草莓幼苗生长的环境数据；其中，所述草莓幼苗的表型数据包括草莓幼苗的株高、茎粗、茎长、叶柄长和叶面积；所述图像数据为采用拍摄设备固定距离、垂直拍摄草莓幼苗的图片；所述农田管理数据包括种植地纬度、草莓幼苗种植日期、浇水量、浇水时间、施肥量和施肥时间；所述环境数据包括日平均光照辐射量、每小时温度、日最高温度、日最低温度、日平均温度、日平均空气湿度和日平均二氧化碳浓度；s2、建立基于深度学习的草莓生长模型；s2.1、根据步骤1中采集的数据，建立数据集，所述数据集表示为：input＝[x1，x2，
…
xi…
，xn]output＝[y2，y3，
…yi+1
…
，y
n+1
]其中，xi为一组输入训练数据，y
i+1
为一组输出训练数据，i为周数，且i＝1,2,3,
4,
…
n+1，具体的一组数据(xi,y
i+1
)表示如下：y
i+1
＝[h i+1
，sd i+1
，sl i+1
，pl i+1
，lea i+1
]其中，hi为第i周草莓幼苗的株高，单位为cm；sdi为第i周草莓幼苗的茎粗，单位为cm；sli为第i周草莓幼苗的茎长，单位为cm；pli为第i周草莓幼苗的叶柄长，单位为cm；leai为第i周草莓幼苗的叶面积，单位为cm2；dii为种植地纬度；wvi为第i周浇水量,单位为ml；wti为第i周浇水时间；tvi为第i周施肥量，单位为kg；fti为第i周施肥时间；dai为种植日期；p表示草莓幼苗图像；为第i周至i+1周中每日的日平均光照辐射量组成的向量；为第i周至i+1周中每日的日最高温度组成的向量；为第i周至i+1周中每日的日最低温度组成的向量；为第i周至i+1周中每日的日平均温度组成的向量；为第i周至i+1周中每日的日平均空气湿度组成的向量；为第i周至i+1周中每日的日平均二氧化碳浓度组成的向量；h
i+1
为第i+1周草莓幼苗的株高，单位为cm；sd
i+1
为第i+1周草莓幼苗的茎粗，单位为cm；sl
i+1
为第i+1周草莓幼苗的茎长，单位为cm；pl
i+1
为第i+1周草莓幼苗的叶柄长，单位为cm；lea
i+1
为第i+1周草莓幼苗的叶面积，单位为cm2；s2.2、将步骤s2.1中的数据集中的每组数据(xi,y
i+1
)的顺序进行随机处理，以避免模型过拟合；然后将数据集按照一定比例划分为训练集、验证集和测试集；训练集用于训练网络模型，测试集用于评估模型，验证集用于训练过程中优化参数；s2.3、使用pytorch搭建基于深度学习的草莓生长模型，并通过步骤s2.2建立的训练集进行训练；所述草莓生长模型基于seq2seq架构实现，包括encoder模块和decoder模块；encoder模块包括embedding层、cnn层和lstm-1层；decoder模块包括lstm-2层和attention层；s3、获取预测结果；利用步骤s2保存的草莓生长模型参数对数据集中的测试集进行预测，得到当前周t1的草莓表型数据；s4、计算当前周的草莓生长生理参数；所述草莓生长生理参数包括草莓生理时间、草莓相对发育期和草莓相对生长进程，具体包括以下步骤：s4.1、根据步骤1获取的每小时温度和种植地纬度，计算草莓生理时间pdt：公式1中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,
…
w；rted为单日相对热效应，通过公式2和公式3计算获得；rped为单日相对光周期效应，通过公式4至公式6计算获得；
公式2和公式3中，th为当日第h小时温度，单位为℃，h＝1,2,
…
24；t
max
为草莓苗的生长发育最高温度，t
max
＝30℃；to为草莓苗的生长发育最适温度，to＝20℃；t
min
为草莓苗的生长发育最低温度，t
min
＝5℃；π为圆周率，π＝3.14；＝5℃；π为圆周率，π＝3.14；＝5℃；π为圆周率，π＝3.14；公式4至公式6中，d为当日日长，单位为h，dc为临界日长，dc＝16h；do为最适宜日长，do＝10h，为种植地纬度，δ为太阳赤纬，c为当日的年日序数；π为圆周率，π＝3.14；s4.2、根据步骤s1获取的日最低温度、日平均温度和日平均光照辐射量，计算草莓苗相对生长进程rdvs：苗相对生长进程rdvs：苗相对生长进程rdvs：公式7至公式9中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,
…
w，gddw为一周内的总有效积温，单位为℃；tgdd为草莓苗生长所需总积温，tgdd＝1800℃；ted为第d日有效积温，单位为℃；tb为日最低温度，单位为℃；td为第d日平均温度，单位为℃；t
max
为草莓苗的生长发育最高温度，t
max
＝30℃；s4.3、根据步骤1获取的日平均光照辐射总量，计算草莓生长进程rgs：式中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,
…
w，pard为第d日平均光照辐射总量，单位为mol/m2,tpar为草莓苗生长所需总光照量，tpar＝960mol/m2；s5、建立草莓旺长评估模型，计算草莓幼苗旺长态势等级；
s5.1、建立草莓旺长态势等级；采集过量水肥的促旺栽培模式与精细管理的控旺栽培模式下草莓幼苗的叶柄长度、叶片长度和叶片颜色数据，并根据叶柄长度、叶片长度和叶片颜色划分草莓旺长态势等级，所述草莓旺长态势等级包括正常、轻微旺长、旺长和严重旺长，用y
t
＝[y1,y2,y3,y4]表示；s5.2、以步骤s3获得当前周的草莓表型数据和步骤s4获得的当前周的草莓生长生理参数为自变量input＝[h,sd,sl,pl,lea,pdt,rdvs,rgs]，以步骤s5.1获得的草莓旺长态势等级为因变量，建立旺长评估模型计算公式如下：其中，且θ
11
,
…
,θ
48
表示模型中自变量的未知系数，也即因变量权重；其中b1至b4表示模型中的未知常数项，也即偏置；h表示株高，sd表示茎粗，sl表示茎长，pl表示叶柄长，lea表示叶面积，pdt表示草莓生理时间，rdvs表示草莓相对发育期，rgs表示草莓相对生长进程；s5.3、为求解模型未知参数，使用softmax函数归一化，使得公式11符合条件yk∈(0,1)、y1+y2+y3+y4＝1，k为旺长等级类别，且k＝1,2,3,4，以此得到四类旺长态势等级对应的概率值计算公式如下：公式12中，x为自变量,且xs表示x向量的第s行，s＝1,2,
…
,7，8；x1＝h，x2＝sd，x3＝sl，x4＝pl，x5＝lea，x6＝pdt，x7＝rdvs，x8＝rgs；
且θ
11
,
…
,θ
48
表示自变量的未知系数，也即因变量权重,θm表示θ向量取任意第m行，m＝1,2,3,4；θ
l
表示θ向量循环取第1行至第4行，l＝1,2,3,4，其中，θ1＝[θ
11
,θ
12
,θ
13
,θ
14
,θ
15
,θ
16
,θ
17
,θ
18
]，θ2＝[θ
21
,θ
22
,θ
23
,θ
24
,θ
25
,θ
26
,θ
27
,θ
28
]，θ3＝[θ
31
,θ
32
,θ
33
,θ
34
,θ
35
,θ
36
,θ
37
,θ
38
]，θ4＝[θ
41
,θ
42
,θ
43
,θ
44
,θ
45
,θ
46
,θ
47
,θ
48
]；b为偏置；s5.4、根据代价函数公式13通过梯度下降法求解argminl(θ,b)，得解θ和b；其中，q为自变量x向量的数量，s与m同上，分别表示x向量的行数和θ向量的行数，k为旺长等级类别，且k＝1,2,3,4；s5.5、将步骤s5.4求得的θ和b带入公式11，输出当前草莓旺长态势等级：y
t
＝[y1，y2，y3，y4]。所述步骤s2.2中，随机处理后的数据集为：input＝[x6，x
17
，
…
xi…
，xn]output＝[y7，y
18
，
…yi+1
…
，y
n+1
]其中，xi为一组输入训练数据，y
i+1
为一组输出训练数据，i为周数，且i＝1,2,3,4,
…
n+1。所述步骤s2.2中，将数据集按照8:1:1划分为训练集、验证集和测试集。所述步骤s2.3中，训练所述草莓生长模型，包括以下步骤：s2.3.1、模型中的embedding层负责接收训练数据集中过去周t0的草莓幼苗的表型数据，并提取草莓幼苗的表型特征，cnn层负责接收过去周t0的草莓幼苗的图像数据，并提取草莓幼苗的图像特征；s2.3.2、lstm-1层负责接收embedding层和cnn层提取的特征，并组合加工特征传递至decoder模块中lstm-2层；s2.3.3、lstm-2层负责接收encoder模块的特征信息，同时接收训练数据集中过去周t0至当前周t1的环境数据，生成输出量进入attention层；s2.3.4、attention层对不同时刻的输出量进行赋权累加，并与embedding提取的过去周t0的草莓表型融合，一起传至全连接层；模型训练更新参数的同时伴随着模型在验证集上的验证，当模型验证集上的验证损失函数loss＜0.01终止迭代，保存模型参数作为最终参数。所述步骤s5.1中，使用叶柄长度l1和叶片长度l2作为第一观察指标，使用叶片颜色作为第二观察指标进行旺长态势等级判定；当l1＜l2，则旺长态势等级判定为正常y1；当l2≤l1＜2l2，则旺长态势等级判定为轻微旺长y2；
当2l2≤l1＜3l2，则旺长态势等级判定为旺长y3；当3l2≤l1＜4l2，则旺长态势等级判定为严重旺长y4；当叶片颜色呈油绿rgb色值#00bc12，则旺长态势等级判定为正常y1；当叶片颜色呈草绿rgb色值#40de5a，则旺长态势等级判定为轻微旺长y2；当叶片颜色呈嫩绿rgb色值#bddd22，则旺长态势等级判定为旺长y3；当叶片颜色呈豆青rgb色值#96ce4，则旺长态势等级判定为严重旺长y4；当第一观察指标与第二观察指标判断结果不一致时，若第一观察指标的判定结果为旺长y3或严重旺长y4时，以第一观察指标的判定结果为最终旺长态势等级判定结果；若第一观察指标的判定结果为正常y1和轻微旺长y2，以第二观察指标的判断结果的前一个等级为最终旺长态势等级判定结果。所述方法进一步包括：s6、根据步骤s5获得的草莓旺长态势等级结果，判断是否需要继续监测和是否需要采取农艺措施，判断条件为：当输出结果为正常y1时，返回继续保持监测；当输出结果为轻微旺长y2时，返回继续保持监测，并通知采取调整农艺措施的报警；当输出结果为旺长y3时，返回继续保持监测，并通知采取紧急农艺措施的报警；当输出结果为严重旺长y4时，发出监测结束的报警，提示及时移除种苗。一种实现所述的方法的基于深度学习的草莓苗期旺长态势监测系统，包括：实时数据采集模块：用于采集并储存草莓图像数据、环境数据、作物生长数据，农田管理数据；草莓表型数据预测模块：用于建立所述基于深度学习的草莓生长模型，输出当下草莓表型参数；机理参数计算模块：用于计算草莓当前的生长发育数据；草莓旺长态势等级评估模块：用于建立所述softmax回归模型，评估当前草莓旺长等级；报警模块：用于对旺长结果进行判断，并发出下一步监测和农艺措施指令。
[0007]
与现有技术相比，本发明的有益效果在于：
[0008]
1、针对草莓旺长现象，提供了一种草莓苗期旺长监测方法与系统，以实现对草莓长势进行精准的判别。
[0009]
2、对于当前草莓表型监测，提供一种基于深度学习的草莓表型预测方法，相比人工测量成本低且无损。
[0010]
3、融合了表型预测数据和草莓生长、发育数据对草莓苗期旺长进行评估，提高了草莓旺长判断的准确性。
[0011]
4、通过建立环境、农田管理数据与草莓生长、发育数据的相关关系，提供了草莓苗期生长发育定量化计算方法。
附图说明
[0012]
图1为本发明的草莓苗期旺长态势监测方法流程图；
[0013]
图2为本发明的基于深度学习算法的草莓表型预测模型框架图；
[0014]
图3为本发明的作物生长发育数据流向图；
[0015]
图4为本发明的草莓旺长评估流程图。图5为本发明的旺长态势等级判定流程图。
具体实施方式
[0016]
下面结合附图和实施例对本发明进行进一步说明。
[0017]
如图1所示，一种草莓苗期旺长态势监测方法，包括步骤如下：
[0018]
s1、数据采集；
[0019]
以周为单位连续收集多周草莓幼苗的表型数据、图像数据和农田管理数据；以天为单位获取草莓幼苗生长的环境数据；其中，
[0020]
所述草莓幼苗的表型数据包括草莓幼苗的株高、茎粗、茎长、叶柄长和叶面积；
[0021]
所述图像数据为采用拍摄设备固定距离、垂直拍摄草莓幼苗的图片；
[0022]
所述农田管理数据包括种植地纬度、草莓幼苗种植日期、浇水量、浇水时间、施肥量和施肥时间；
[0023]
所述环境数据包括日平均光照辐射量、每小时温度、日最高温度、日最低温度、日平均温度、日平均空气湿度和日平均二氧化碳浓度。
[0024]
s2、建立基于深度学习的草莓生长模型；
[0025]
s2.1、根据步骤1中采集的数据，建立数据集，所述数据集表示为：
[0026]
input＝[x1，x2，
…
xi…
，xn]
[0027]
output＝[y2，y3，
…yi+1
…
，y
n+1
]
[0028]
其中，xi为一组输入训练数据，y
i+1
为一组输出训练数据，i为周数，且i＝1,2,3,4,
…
n+1，具体的一组数据(xi,y
i+1
)表示如下：
[0029][0030]yi+1
＝[h i+1
，sd i+1
，sl i+1
，pl i+1
，lea i+1
]
[0031]
其中，hi为第i周草莓幼苗的株高，单位为cm；sdi为第i周草莓幼苗的茎粗，单位为cm；sli为第i周草莓幼苗的茎长，单位为cm；pli为第i周草莓幼苗的叶柄长，单位为cm；leai为第i周草莓幼苗的叶面积，单位为cm2；dii为种植地纬度；wvi为第i周浇水量,单位为ml；wti为第i周浇水时间；tvi为第i周施肥量，单位为kg；fti为第i周施肥时间；dai为种植日期；p表示草莓幼苗图像；为第i周至i+1周中每日的日平均光照辐射量组成的向量；为第i周至i+1周中每日的日最高温度组成的向量；为第i周至i+1周中每日的日最低温度组成的向量；为第i周至i+1周中每日的日平均温度组成的向量；为第i周至i+1周中每日的日平均空气湿度组成的向量；为第i周至i+1周中每日的日平均二氧化碳浓度组成的向量；h
i+1
为第i+1周草莓幼苗的株高，单位为cm；sd
i+1
为第i+1周草莓幼苗的茎粗，单位为cm；sl
i+1
为第i+1周草莓幼苗的茎长，单位为cm；pl
i+1
为第i+1周草莓幼苗的叶柄长，
单位为cm；lea
i+1
为第i+1周草莓幼苗的叶面积，单位为cm2；
[0032]
s2.2、将步骤s2.1中的数据集中的每组数据(xi,y
i+1
)的顺序进行随机处理，以避免模型过拟合；然后将数据集按照8:1:1划分为训练集、验证集和测试集；训练集用于训练网络模型，测试集用于评估模型，验证集用于训练过程中优化参数。
[0033]
具体实施时，随机处理后的数据集为：
[0034]
input＝[x6，x
17
，
…
xi…
，xn]
[0035]
output＝[y7，y
18
，
…
y i+1
…
，y
n+1
]
[0036]
其中，xi为一组输入训练数据，y
i+1
为一组输出训练数据，i为周数，且i＝1,2,3,4,
…
n+1；
[0037]
s2.3、使用pytorch搭建基于深度学习的草莓生长模型，并通过步骤s2.2建立的训练集进行训练；所述草莓生长模型基于seq2seq架构实现，架构如图2所示，包括encoder模块和decoder模块；encoder模块包括embedding层、cnn层和lstm-1层；decoder模块包括lstm-2层和attention层。
[0038]
本发明的一个实施例中，建立的草莓生长模型各模块的主要架构和参数参考如表1所示：
[0039]
表1草莓生长模型各模块的主要架构和参数
[0040]
网络层参数embedding层input＝6，output＝64，drouptout＝0.5cnn层使用mobilenetv2作为特征提取器lstm-1层input＝64，hidden_size＝16，layers＝1lstm-2层input＝6，hidden_size＝16，layers＝1attention层tanh＝16，linear＝(16,1)，softmax＝7全连接层input＝16,output＝5
[0041]
训练所述草莓生长模型，具体学习步骤包括以下步骤：
[0042]
s2.3.1、模型中的embedding层负责接收训练数据集中过去周t0的草莓幼苗的表型数据，并提取草莓幼苗的表型特征，cnn层负责接收过去周t0的草莓幼苗的图像数据，并提取草莓幼苗的图像特征；
[0043]
s2.3.2、lstm-1层负责接收embedding层和cnn层提取的特征，并组合加工特征传递至decoder模块中lstm-2层；
[0044]
s2.3.3、lstm-2层负责接收encoder模块的特征信息，同时接收训练数据集中过去周t0至当前周t1的环境数据，生成输出量进入attention层；
[0045]
s2.3.4、attention层对不同时刻的输出量进行赋权累加，并与embedding提取的过去周t0的草莓表型融合，一起传至全连接层。
[0046]
模型训练更新参数的同时伴随着模型在验证集上的验证，当模型验证集上的验证损失函数loss＜0.01终止迭代，保存模型参数作为最终参数。
[0047]
s3、获取预测结果；
[0048]
利用步骤s2保存的草莓生长模型参数对数据集中的测试集进行预测，得到当前周t1的草莓表型数据。
[0049]
s4、计算当前周的草莓生长生理参数；
[0050]
所述草莓生长生理参数包括草莓生理时间、草莓相对发育期和草莓相对生长进程，如图3所示，具体包括以下步骤：
[0051]
s4.1、根据步骤1获取的每小时温度和种植地纬度，计算草莓生理时间pdt：
[0052][0053]
公式1中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,
…
w；rted为单日相对热效应，通过公式2和公式3计算获得；rped为单日相对光周期效应，通过公式4至公式6计算获得；
[0054][0055][0056]
公式2和公式3中，th为当日第h小时温度，单位为℃，h＝1,2,
…
24；t
max
为草莓苗的生长发育最高温度，t
max
＝30℃；to为草莓苗的生长发育最适温度，to＝20℃；t
min
为草莓苗的生长发育最低温度，t
min
＝5℃；π为圆周率，π＝3.14。
[0057][0058][0059][0060]
公式4至公式6中，d为当日日长，单位为h，dc为临界日长，dc＝16h；do为最适宜日长，do＝10h，为种植地纬度，δ为太阳赤纬，c为当日的年日序数；π为圆周率，π＝3.14。
[0061]
s4.2、根据步骤s1获取的日最低温度、日平均温度和日平均光照辐射量，计算草莓苗相对生长进程rdvs：
[0062][0063][0064][0065]
公式7至公式9中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,
…
w，gddw为一周内的总有效积温，单位为℃；tgdd为草莓苗生长所需总积温，tgdd＝1800℃；ted为第d日有效积温，单位为℃；tb为日最低温度，单位为℃；td为第d日平均温度，单位为℃；t
max
为草莓苗
的生长发育最高温度，t
max
＝30℃；
[0066]
s4.3、根据步骤1获取的日平均光照辐射总量，计算草莓生长进程rgs：
[0067][0068]
式中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,
…
w，pard为第d日平均光照辐射总量，单位为mol/m2,tpar为草莓苗生长所需总光照量，tpar＝960mol/m2。
[0069]
s5、建立草莓旺长评估模型，计算草莓幼苗旺长态势等级；
[0070]
如图4所示，建立草莓旺长评估模型，以对当前周草莓生长状态进行判断，草莓旺长评估模型的输入为：input＝[h,sd,sl,pl,lea,pdt,rdvs,rgs]，其中h表示株高；sd表示茎粗；sl表示茎长；pl表示叶柄长；lea表示叶面积；pdt表示草莓生理时间；rdvs表示草莓相对发育期；rgs表示草莓相对生长进程；将input数据输入至草莓旺长评估模型，以得出当前周草莓旺长态势等级。
[0071]
具体包括以下步骤：
[0072]
s5.1、建立草莓旺长态势等级；
[0073]
采集过量水肥的促旺栽培模式与精细管理的控旺栽培模式下草莓幼苗的叶柄长度、叶片长度和叶片颜色数据，并根据叶柄长度、叶片长度和叶片颜色划分草莓旺长态势等级，所述草莓旺长态势等级包括正常、轻微旺长、旺长和严重旺长，用y
t
＝[y1,y2,y3,y4]表示。
[0074]
如图5所示，使用叶柄长度l1和叶片长度l2作为观察指标1，使用叶片颜色作为观察指标2进行旺长态势等级判定；
[0075]
当l1＜l2，则旺长态势等级判定为正常y1；
[0076]
当l2≤l1＜2l2，则旺长态势等级判定为轻微旺长y2；
[0077]
当2l2≤l1＜3l2，则旺长态势等级判定为旺长y3；
[0078]
当3l2≤l1＜4l2，则旺长态势等级判定为严重旺长y4；
[0079]
当叶片颜色呈油绿rgb色值#00bc12，则旺长态势等级判定为正常y1；
[0080]
当叶片颜色呈草绿rgb色值#40de5a，则旺长态势等级判定为轻微旺长y2；
[0081]
当叶片颜色呈嫩绿rgb色值#bddd22，则旺长态势等级判定为旺长y3；
[0082]
当叶片颜色呈豆青rgb色值#96ce4，则旺长态势等级判定为严重旺长y4；
[0083]
当观察指标1与观察指标2判断结果不一致时，若观察指标1的判定结果为旺长y3或严重旺长y4时，以观察指标1的判定结果为最终旺长态势等级判定结果；若观察指标1的判定结果为正常y1和轻微旺长y2，以观察指标2的判断结果的前一个等级为最终旺长态势等级判定结果。例如，观察指标1的判定结果为正常y1，观察指标2的判断结果为旺长y3；则以轻微旺长y2为最终旺长态势等级判定结果。
[0084]
s5.2、以步骤s3获得当前周的草莓表型数据和步骤s4获得的当前周的草莓生长生理参数为自变量input＝[h,sd,sl,pl,lea,pdt,rdvs,rgs]，以步骤s5.1获得的草莓旺长态势等级为因变量，建立旺长评估模型计算公式如下：
[0085][0086]
其中，且θ
11
,
…
,θ
48
表示模型中自变量的未知系数，也即因变量权重；其中b1至b4表示模型中的未知常数项，也即偏置；h表示株高，sd表示茎粗，sl表示茎长，pl表示叶柄长，lea表示叶面积，pdt表示草莓生理时间，rdvs表示草莓相对发育期，rgs表示草莓相对生长进程。
[0087]
s5.3、为求解模型未知参数，使用softmax函数归一化，使得公式11符合条件yk∈(0,1)、y1+y2+y3+y4＝1，k为旺长等级类别，且k＝1,2,3,4，以此得到四类旺长态势等级对应的概率值计算公式如下：
[0088][0089]
公式12中，x为自变量,且xs表示x向量的第s行，s＝1,2,
…
,7，8；x1＝h，x2＝sd，x3＝sl，x4＝pl，x5＝lea，x6＝pdt，x7＝rdvs，且θ
11
,
…
,θ
48
表示自变量的未知系数，也即因变量权重,θm表示θ向量取任意第m行，m＝1,2,3,4；θ
l
表示θ向量循环取第1行至第4行，l＝1,2,3,4，其中，
[0090]
θ1＝[θ
11
,θ
12
,θ
13
,θ
14
,θ
15
,θ
16
,θ
17
,θ
18
]，
[0091]
θ2＝[θ
21
,θ
22
,θ
23
,θ
24
,θ
25
,θ
26
,θ
27
,θ
28
]，
[0092]
θ3＝[θ
31
,θ
32
,θ
33
,θ
34
,θ
35
,θ
36
,θ
37
,θ
38
]，
[0093]
θ4＝[θ
41
,θ
42
,θ
43
,θ
44
,θ
45
,θ
46
,θ
47
,θ
48
]；b为偏置。
[0094]
s5.4、根据代价函数公式13通过梯度下降法求解argmink(θ,b)，得解θ和b；
[0095][0096]
其中，q为自变量x向量的数量，s与m同上，分别表示x向量的行数和θ向量的行数，k为旺长等级类别，且k＝1,2,3,4。
[0097]
s5.5、将步骤s5.4求得的θ和b带入公式11，输出当前草莓旺长态势等级：y
t
＝[y1，y2，y3，y4]。
[0098]
s6、根据步骤s5获得的草莓旺长态势等级结果，判断是否需要继续监测和是否需要采取农艺措施，判断条件为：当输出结果为正常y1时，返回继续保持监测；当输出结果为轻微旺长y2时，返回继续保持监测，并通知采取调整农艺措施的报警；当输出结果为旺长y3时，返回继续保持监测，并通知采取紧急农艺措施的报警；当输出结果为严重旺长y4时，发出监测结束的报警，提示及时移除种苗。
[0099]
作为本发明的第二个方面，提供一种基于深度学习的草莓苗期旺长态势监测系统，包括：
[0100]
实时数据采集模块：用于采集并储存草莓图像数据、环境数据、作物生长数据，农田管理数据；
[0101]
草莓表型数据预测模块：用于建立所述基于深度学习的草莓生长模型，输出当下草莓表型参数。
[0102]
机理参数计算模块：用于计算草莓当前的生长发育数据。
[0103]
草莓旺长态势等级评估模块：用于建立所述softmax回归模型，评估当前草莓旺长等级。
[0104]
报警模块：用于对旺长结果进行判断，并发出下一步监测和农艺措施指令。

技术特征：
1.一种草莓苗期旺长态势监测方法，其特征在于，所述方法包括步骤如下：s1、数据采集；以周为单位连续收集多周草莓幼苗的表型数据、图像数据和农田管理数据；以天为单位获取草莓幼苗生长的环境数据；其中，所述草莓幼苗的表型数据包括草莓幼苗的株高、茎粗、茎长、叶柄长和叶面积；所述图像数据为采用拍摄设备固定距离、垂直拍摄草莓幼苗的图片；所述农田管理数据包括种植地纬度、草莓幼苗种植日期、浇水量、浇水时间、施肥量和施肥时间；所述环境数据包括日平均光照辐射量、每小时温度、日最高温度、日最低温度、日平均温度、日平均空气湿度和日平均二氧化碳浓度；s2、建立基于深度学习的草莓生长模型；s2.1、根据步骤1中采集的数据，建立数据集，所述数据集表示为：input＝[x1，x2，
…
x
i
…
，x
n
]output＝[y2，y3，
…
y
i+1
…
，y
n+1
]其中，x
i
为一组输入训练数据，y
i+1
为一组输出训练数据，i为周数，且i＝1,2,3,4,
…
n+1，具体的一组数据(x
i
,y
i+1
)表示如下：y
i+1
＝[h i+1
，sd i+1
，sl
i+1
，pl
i+1
，lea i+1
]其中，h
i
为第i周草莓幼苗的株高，单位为cm；sd
i
为第i周草莓幼苗的茎粗，单位为cm；sl
i
为第i周草莓幼苗的茎长，单位为cm；pl
i
为第i周草莓幼苗的叶柄长，单位为cm；lea
i
为第i周草莓幼苗的叶面积，单位为cm2；di
i
为种植地纬度；wv
i
为第i周浇水量,单位为ml；wt
i
为第i周浇水时间；tv
i
为第i周施肥量，单位为kg；ft
i
为第i周施肥时间；da
i
为种植日期；p表示草莓幼苗图像；为第i周至i+1周中每日的日平均光照辐射量组成的向量；为第i周至i+1周中每日的日最高温度组成的向量；为第i周至i+1周中每日的日最低温度组成的向量；为第i周至i+1周中每日的日平均温度组成的向量；为第i周至i+1周中每日的日平均空气湿度组成的向量；为第i周至i+1周中每日的日平均二氧化碳浓度组成的向量；h
i+1
为第i+1周草莓幼苗的株高，单位为cm；sd
i+1
为第i+1周草莓幼苗的茎粗，单位为cm；sl
i+1
为第i+1周草莓幼苗的茎长，单位为cm；pl
i+1
为第i+1周草莓幼苗的叶柄长，单位为cm；lea
i+1
为第i+1周草莓幼苗的叶面积，单位为cm2；s2.2、将步骤s2.1中的数据集中的每组数据(x
i
,y
i+1
)的顺序进行随机处理，以避免模型过拟合；然后将数据集按照一定比例划分为训练集、验证集和测试集；训练集用于训练网络模型，测试集用于评估模型，验证集用于训练过程中优化参数；s2.3、使用pytorch搭建基于深度学习的草莓生长模型，并通过步骤s2.2建立的训练集
进行训练；所述草莓生长模型基于seq2seq架构实现，包括encoder模块和decoder模块；encoder模块包括embedding层、cnn层和lstm-1层；decoder模块包括lstm-2层和attention层；s3、获取预测结果；利用步骤s2保存的草莓生长模型参数对数据集中的测试集进行预测，得到当前周t1的草莓表型数据；s4、计算当前周的草莓生长生理参数；所述草莓生长生理参数包括草莓生理时间、草莓相对发育期和草莓相对生长进程，具体包括以下步骤：s4.1、根据步骤1获取的每小时温度和种植地纬度，计算草莓生理时间pdt：公式1中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,
…
w；rte
d
为单日相对热效应，通过公式2和公式3计算获得；rpe
d
为单日相对光周期效应，通过公式4至公式6计算获得；为单日相对光周期效应，通过公式4至公式6计算获得；公式2和公式3中，t
h
为当日第h小时温度，单位为℃，h＝1,2,
…
24；t
max
为草莓苗的生长发育最高温度，t
max
＝30℃；t
o
为草莓苗的生长发育最适温度，t
o
＝20℃；t
min
为草莓苗的生长发育最低温度，t
min
＝5℃；π为圆周率，π＝3.14；＝5℃；π为圆周率，π＝3.14；＝5℃；π为圆周率，π＝3.14；公式4至公式6中，d为当日日长，单位为h，d
c
为临界日长，d
c
＝16h；d
o
为最适宜日长，d
o
＝10h，为种植地纬度，δ为太阳赤纬，c为当日的年日序数；π为圆周率，π＝3.14；s4.2、根据步骤s1获取的日最低温度、日平均温度和日平均光照辐射量，计算草莓苗相对生长进程rdvs：对生长进程rdvs：
公式7至公式9中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,
…
w，gdd
w
为一周内的总有效积温，单位为℃；tgdd为草莓苗生长所需总积温，tgdd＝1800℃；te
d
为第d日有效积温，单位为℃；t
b
为日最低温度，单位为℃；t
d
为第d日平均温度，单位为℃；t
max
为草莓苗的生长发育最高温度，t
max
＝30℃；s4.3、根据步骤1获取的日平均光照辐射总量，计算草莓生长进程rgs：式中，w表示一周天数，w＝7，d表示第几日，d＝1,2,3,
…
w，par
d
为第d日平均光照辐射总量，单位为mol/m2,tpar为草莓苗生长所需总光照量，tpar＝960mol/m2；s5、建立草莓旺长评估模型，计算草莓幼苗旺长态势等级；s5.1、建立草莓旺长态势等级；采集过量水肥的促旺栽培模式与精细管理的控旺栽培模式下草莓幼苗的叶柄长度、叶片长度和叶片颜色数据，并根据叶柄长度、叶片长度和叶片颜色划分草莓旺长态势等级，所述草莓旺长态势等级包括正常、轻微旺长、旺长和严重旺长，用y
t
＝[y1,y2,y3,y4]表示；s5.2、以步骤s3获得当前周的草莓表型数据和步骤s4获得的当前周的草莓生长生理参数为自变量input＝[h,sd,sl,pl,lea,pdt,rdvs,rgs]，以步骤s5.1获得的草莓旺长态势等级为因变量，建立旺长评估模型计算公式如下：其中，且θ
11
,
…
,θ
48
表示模型中自变量的未知系数，也即因变量权重；其中b1至b4表示模型中的未知常数项，也即偏置；h表示株高，sd表示茎粗，sl表示茎长，pl表示叶柄长，lea表示叶面积，pdt表示草莓生理时间，rdvs表示草莓相对发育期，rgs表示草莓相对生长进程；s5.3、为求解模型未知参数，使用softmax函数归一化，使得公式11符合条件y
k
∈(0,1)、
y1+y2+y3+y4＝1，k为旺长等级类别，且k＝1,2,3,4，以此得到四类旺长态势等级对应的概率值计算公式如下：公式12中，x为自变量,且x
s
表示x向量的第s行，s＝1,2,
…
,7，8；x1＝h，x2＝sd，x3＝sl，x4＝pl，x5＝lea，x6＝pdt，x7＝rdvs，x8＝rgs；且θ
11
,
…
,θ
48
表示自变量的未知系数，也即因变量权重,θ
m
表示θ向量取任意第m行，m＝1,2,3,4；θ
l
表示θ向量循环取第1行至第4行，l＝1,2,3,4，其中，θ1＝[θ
11
,θ
12
,θ
13
,θ
14
,θ
15
,θ
16
,θ
17
,θ
18
]，θ2＝[θ
21
,θ
22
,θ
23
,θ
24
,θ
25
,θ
26
,θ
27
,θ
28
]，θ3＝[θ
31
,θ
32
,θ
33
,θ
34
,θ
35
,θ
36
,θ
37
,θ
38
]，θ4＝[θ
41
,θ
42
,θ
43
,θ
44
,θ
45
,θ
46
,θ
47
,θ
48
]；b为偏置；s5.4、根据代价函数公式13通过梯度下降法求解argmink(θ,b)，得解θ和b；其中，q为自变量x向量的数量，s与m同上，分别表示x向量的行数和θ向量的行数，k为旺长等级类别，且k＝1,2,3,4；s5.5、将步骤s5.4求得的θ和b带入公式11，输出当前草莓旺长态势等级：y
t
＝[y1，y2，y3，y4]。2.根据权利要求1所述的草莓苗期旺长态势监测方法，其特征在于，所述步骤s2.2中，随机处理后的数据集为：input＝[x6，x
17
，...x
i
....，x
n
]output＝[y7，y
18
，
…
y i+1
…
，y
n+1
]其中，x
i
为一组输入训练数据，y
i+1
为一组输出训练数据，i为周数，且i＝1,2,3,4,
…
n+1。3.根据权利要求1所述的草莓苗期旺长态势监测方法，其特征在于，所述步骤s2.2中，将数据集按照8:1:1划分为训练集、验证集和测试集。4.根据权利要求1所述的草莓苗期旺长态势监测方法，其特征在于，所述步骤s2.3中，
训练所述草莓生长模型，包括以下步骤：s2.3.1、模型中的embedding层负责接收训练数据集中过去周t0的草莓幼苗的表型数据，并提取草莓幼苗的表型特征，cnn层负责接收过去周t0的草莓幼苗的图像数据，并提取草莓幼苗的图像特征；s2.3.2、lstm-1层负责接收embedding层和cnn层提取的特征，并组合加工特征传递至decoder模块中lstm-2层；s2.3.3、lstm-2层负责接收encoder模块的特征信息，同时接收训练数据集中过去周t0至当前周t1的环境数据，生成输出量进入attention层；s2.3.4、attention层对不同时刻的输出量进行赋权累加，并与embedding提取的过去周t0的草莓表型融合，一起传至全连接层；模型训练更新参数的同时伴随着模型在验证集上的验证，当模型验证集上的验证损失函数loss＜0.01终止迭代，保存模型参数作为最终参数。5.根据权利要求1所述的草莓苗期旺长态势监测方法，其特征在于，所述步骤s5.1中，使用叶柄长度l1和叶片长度l2作为第一观察指标，使用叶片颜色作为第二观察指标进行旺长态势等级判定；当l1＜l2，则旺长态势等级判定为正常y1；当l2≤l1＜2l2，则旺长态势等级判定为轻微旺长y2；当2l2≤l1＜3l2，则旺长态势等级判定为旺长y3；当3l2≤l1＜4l2，则旺长态势等级判定为严重旺长y4；当叶片颜色呈油绿rgb色值#00bc12，则旺长态势等级判定为正常y1；当叶片颜色呈草绿rgb色值#40de5a，则旺长态势等级判定为轻微旺长y2；当叶片颜色呈嫩绿rgb色值#bddd22，则旺长态势等级判定为旺长y3；当叶片颜色呈豆青rgb色值#96ce4，则旺长态势等级判定为严重旺长y4；当第一观察指标与第二观察指标判断结果不一致时，若第一观察指标的判定结果为旺长y3或严重旺长y4时，以第一观察指标的判定结果为最终旺长态势等级判定结果；若第一观察指标的判定结果为正常y1和轻微旺长y2，以第二观察指标的判断结果的前一个等级为最终旺长态势等级判定结果。6.根据权利要求1所述的草莓苗期旺长态势监测方法，其特征在于，所述方法进一步包括：s6、根据步骤s5获得的草莓旺长态势等级结果，判断是否需要继续监测和是否需要采取农艺措施，判断条件为：当输出结果为正常y1时，返回继续保持监测；当输出结果为轻微旺长y2时，返回继续保持监测，并通知采取调整农艺措施的报警；当输出结果为旺长y3时，返回继续保持监测，并通知采取紧急农艺措施的报警；当输出结果为严重旺长y4时，发出监测结束的报警，提示及时移除种苗。7.一种实现如权利要求1-6任一项所述的方法的基于深度学习的草莓苗期旺长态势监测系统，其特征在于，所述系统包括：实时数据采集模块：用于采集并储存草莓图像数据、环境数据、作物生长数据，农田管理数据；草莓表型数据预测模块：用于建立所述基于深度学习的草莓生长模型，输出当下草莓
表型参数；机理参数计算模块：用于计算草莓当前的生长发育数据；草莓旺长态势等级评估模块：用于建立所述softmax回归模型，评估当前草莓旺长等级；报警模块：用于对旺长结果进行判断，并发出下一步监测和农艺措施指令。

技术总结
本发明涉及一种草莓苗期旺长态势监测方法与系统。方法包括：S1、数据采集；S2、建立基于深度学习的草莓生长模型；S3、利用草莓生长模型参数对数据集中的测试集进行预测，得到当前周的草莓表型数据；S4、计算当前周的草莓生长生理参数；S5、建立草莓旺长评估模型，计算草莓幼苗旺长态势等级。本发明融合了过去周的草莓幼苗的表型数据、图像数据以及农田管理数据，并结合过去周至当前周的环境数据作为输入，利用深度学习模型建立草莓生长模型，以得出当前周的草莓表型数据，该结果随即与当前周的草莓生长、发育数据建立草莓旺长评估模型，最终得出当前周草莓的旺长态势等级。出当前周草莓的旺长态势等级。出当前周草莓的旺长态势等级。


技术研发人员：程浈浈 程一帆 李亮杰 李蒙 闵筱筱 龚守富
受保护的技术使用者：信阳农林学院
技术研发日：2023.04.10
技术公布日：2023/9/22