【技術實現步驟摘要】
本專利技術涉及農業數據處理，具體涉及一種用于農業數據處理的智能實驗室管理方法。
技術介紹
1、隨著農業科技的快速發展，農業生產對數據的依賴程度日益增加。傳統農業管理方式存在數據收集不全面、處理效率低、決策支持不足等問題，嚴重制約了農業生產效率的提升和農產品質量的優化。為了應對這些挑戰，農業數據處理技術應運而生，并逐漸成為現代農業發展的重要支撐。
2、現有農業數據處理技術存在不足：
3、數據收集不全面：傳統農業實驗室的數據收集主要依賴于人工記錄，存在數據遺漏、誤差大等問題，難以為后續的數據處理和分析提供全面、準確的數據支持。
4、數據處理效率低：現有農業數據處理系統大多采用單一算法或模型，難以應對復雜多變的農業數據，導致數據處理效率低下，無法滿足農業生產對實時性、準確性的要求。
5、決策支持不足：由于數據處理能力的限制，現有農業實驗室管理方法在提供決策支持方面存在明顯不足，無法為農業生產提供精準、有效的管理建議。
6、系統集成度低：不同農業實驗室之間的數據共享和系統集成度低，導致數據孤島現象嚴重，難以實現農業數據的全面整合和高效利用。
7、因此，亟須一種用于農業數據處理的智能實驗室管理方法來解決上述問題。
技術實現思路
1、本專利技術的目的在于提供一種用于農業數據處理的智能實驗室管理方法：解決現有方案對農業數據處理時，因傳統農業實驗室的數據收集主要依賴于人工記錄導致農業數據處理效率低的技術問題。
2、
3、一種用于農業數據處理的智能實驗室管理方法，應用于農業數據智能實驗室的信息管理系統，方法包括：
4、獲取農作物生長指標，其中，農作物生長指標包括外觀生長指標和非外觀生長指標；
5、基于農業數據智能實驗室的信息管理系統獲取目標農作物的圖像，并將目標農作物的圖像輸入到適應度圖像增強模型中，輸出增強后的目標農作物的圖像，并將增強后的目標農作物的圖像輸入到圖像分割模型中，輸出目標農作物的病害圖像，基于目標農作物的病害圖像和外觀生長指標的農作物病害圖像進行對比學習，生成農作物的外觀生長分析結果；
6、基于農業數據智能實驗室的信息管理系統獲取目標農作物的基本數據，其中，目標農作物的基本數據包括農作物所對應的土地元素含量數據和藥劑數據，基于非外觀生長指標對目標農作物的基本數據進行分析，生成農作物的非外觀生長分析結果；
7、將農作物的外觀生長分析結果和農作物的非外觀生長分析結果生成農作物生長報告，發送至農業數據智能實驗室管理數據中心。
8、進一步地，將目標農作物的圖像輸入到適應度圖像增強模型中，輸出增強后的目標農作物的圖像包括以下過程：
9、通過sobel邊緣算子對目標農作物的圖像提取邊緣圖像像素的強度值，并將強度值累加得到邊緣圖像像素的強度值之和；
10、統計邊緣圖像像素中強度值高于預設強度閾值的像素的數量，將該數量記為邊緣像素數；
11、計算增強圖像的熵值：
12、；
13、其中，表示邊緣圖像像素中第個強度值出現的概率；
14、將目標農作物的圖像分成個圖像塊，基于個圖像塊計算增強圖像的緊致度：
15、；
16、；
17、其中，表示圖像塊在每個像素位置處的對比度之和，表示卷積算子，、為兩個高斯函數濾波器，兩個高斯函數濾波器的高斯核的大小、計算如下：
18、；
19、；
20、其中，表示高斯函數濾波器參數，表示取m和n中最大值，m表示目標農作物的圖像的行數，n表示目標農作物的圖像的列數，v表示底層通濾波器通頻帶達到峰值的頻率；
21、基于、、和計算圖像增強適應度值：
22、；
23、基于圖像增強適應度值對目標農作物的圖像增強效果進行判定：判斷圖像增強適應度值是否超過預設適應度值閾值，若是，則輸出增強后的目標農作物的圖像，若否，則不輸出增強后的目標農作物的圖像。
24、進一步地，適應度圖像增強模型包括至少直方圖均衡化圖像增強模型、非線性拉伸圖像增強模型、對數變換圖像增強模型和冪法變換圖像增強模型中的一種圖像增強模型。
25、進一步地，將增強后的目標農作物的圖像輸入到圖像分割模型中，輸出目標農作物的病害圖像具體包括以下過程：
26、步驟一，將增強后的目標農作物的圖像中的像素點記為數據點，隨機選擇k個數據點作為初始聚類中心，基于目標函數對初始聚類中心以求得最優的聚類中心；
27、步驟二，計算隸屬度：根據最優的聚類中心，計算每個數據點到每個聚類中心的歐式距離值，用歐式距離值來更新每個數據點對每個聚類的隸屬度；
28、步驟三，根據新的隸屬度值，更新現有的聚類中心；
29、步驟四，反復執行步驟二和步驟三，直到聚類中心不再改變或超過預定的迭代次數；
30、步驟五，將聚類中心所對應的鄰域范圍圖像輸出，該聚類中心所對應的領域圖像即為目標農作物的病害圖像，其中，鄰域范圍圖像為聚類中心所對應的預設范圍內的目標農作物的圖像。
31、進一步地，基于目標函數對初始聚類中心以求得最優的聚類中心具體包括以下過程：
32、；
33、其中，為初始聚類中心的個數，增強后的目標農作物的圖像中的像素個數，表示像素i對于第k個初始聚類中心的隸屬度，表示像素i到第k個初始聚類中心的歐式距離。
34、進一步地，基于目標農作物的病害圖像和外觀生長指標的農作物病害圖像進行對比學習，生成農作物的外觀生長分析結果具體包括以下過程：
35、基于外觀生長指標的農作物病害圖像對目標農作物的病害圖像進行對比學習，得到節點學習到的表示；
36、檢索外觀異常指標的表示，并與節點學習到的表示進行對比解析：
37、判斷對比節點的表示是否出現色澤異常指標表示，若是，則目標農作物存在色澤異常指標；
38、判斷對比節點的表示是否出現黃龍病異常指標表示，若是，則目標農作物存在黃龍病異常；
39、判斷對比節點的表示是否出現形狀改變異常指標表示，若是，則目標農作物存在形狀改變異常；
40、將目標農作物存在的異常記為農作物的外觀生長分析結果。
41、進一步地，基于非外觀生長指標對目標農作物的基本數據進行分析，生成農作物的非外觀生長分析結果具體包括以下過程：
42、基于目標農作物的基本數據獲取農作物所對應的土地元素含量數據，基于土地元素含量數據得到土地營養元素種類數和土地營養元素種類總含量，基于非外觀生長指標得到該目標農作物應有土地營養元素種類數和該目標農作物土地營養元素種類應有總含量，計算得到土地營養元素種類數占該目標農作物應有土地營養元素種類數的比例ys，計算得到土地營養元素種類總含量占該目標農作物土地營養元素種類應有總含量的本文檔來自技高網...
【技術保護點】
1.一種用于農業數據處理的智能實驗室管理方法，其特征在于，應用于農業數據智能實驗室的信息管理系統，方法包括：
2.根據權利要求1所述的一種用于農業數據處理的智能實驗室管理方法，其特征在于，將目標農作物的圖像輸入到適應度圖像增強模型中，輸出增強后的目標農作物的圖像包括以下過程：
3.根據權利要求2所述的一種用于農業數據處理的智能實驗室管理方法，其特征在于，適應度圖像增強模型包括至少直方圖均衡化圖像增強模型、非線性拉伸圖像增強模型、對數變換圖像增強模型和冪法變換圖像增強模型中的一種圖像增強模型。
4.根據權利要求1所述的一種用于農業數據處理的智能實驗室管理方法，其特征在于，將增強后的目標農作物的圖像輸入到圖像分割模型中，輸出目標農作物的病害圖像具體包括以下過程：
5.根據權利要求4所述的一種用于農業數據處理的智能實驗室管理方法，其特征在于，基于目標函數對初始聚類中心以求得最優的聚類中心具體包括以下過程：
6.根據權利要求1所述的一種用于農業數據處理的智能實驗室管理方法，其特征在于，基于目標農作物的病害圖像和外觀生長指標的農作
7.根據權利要求1所述的一種用于農業數據處理的智能實驗室管理方法，其特征在于，基于非外觀生長指標對目標農作物的基本數據進行分析，生成農作物的非外觀生長分析結果具體包括以下過程：
...【技術特征摘要】
1.一種用于農業數據處理的智能實驗室管理方法，其特征在于，應用于農業數據智能實驗室的信息管理系統，方法包括：
2.根據權利要求1所述的一種用于農業數據處理的智能實驗室管理方法，其特征在于，將目標農作物的圖像輸入到適應度圖像增強模型中，輸出增強后的目標農作物的圖像包括以下過程：
3.根據權利要求2所述的一種用于農業數據處理的智能實驗室管理方法，其特征在于，適應度圖像增強模型包括至少直方圖均衡化圖像增強模型、非線性拉伸圖像增強模型、對數變換圖像增強模型和冪法變換圖像增強模型中的一種圖像增強模型。
4.根據權利要求1所述的一種用于農業數據處理的智能實驗室管理方法，其特征在于，將增強后的目標農...
【專利技術屬性】
技術研發人員：吳文茜，魏一博，時朝，熊曉菲，鄭博薇，李春輝，王秀琴，
申請(專利權)人：北京派得偉業科技發展有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。