【技術實現步驟摘要】
本說明書一個或多個實施例涉及網絡，尤其涉及一種基于機器學習的設施水培生菜產量預測方法和裝置。
技術介紹
1、水培生菜多在溫室內進行栽培，溫室可以為園藝作物的生長發育提供一個相對穩定的微氣候環境，能夠實現蔬菜作物的多茬生產，提高產品的產量和品質。在溫室中由于蔬菜作物的種植時間不同，存在多種生長階段共存的狀態，機器學習算法可以實現人工統計下無法全面總結的特征，已被廣泛應用于多學科交叉研究領域，隨著機器學習和深度學習在農業中的應用，相關算法也應用到農業產量的預測，但是由于溫室內的蔬菜作物處于不同的生長階段，需要輸入多種特征參數到機器學習算法中，機器學習算法就需要較大的計算資源，訓練成本提高，但是使用一部分特征參數時，影響模型的預測準確率。
2、申請內容
3、本申請描述一種基于機器學習的設施水培生菜產量預測方法和裝置，可以解決上述技術問題。
4、根據第一方面，提供一種基于機器學習的設施水培生菜產量預測方法，所述方法包括：
5、基于待預測大棚內的水培生菜在當前生長期的生菜圖像，確定所述待預測大棚內的水培生菜中處于各生長階段的植株數量和處于各生長階段的植株的生長指標集；
6、獲取在所述當前生長期的所述待預測大棚內的環境熱量指標值，所述環境熱量指標值包括每日光合有效輻射積、每日有效積溫和每日輻熱積；
7、將處于各生長階段的植株的生長指標集、處于各生長階段的植株數量和所述待預測大棚內的環境熱量指標值分別輸入對應的各生長階段的生菜產量模型中，得到各生長階段的生菜產量預測值，其
8、根據所有生長階段的生菜產量預測值，得到所述待預測大棚內的水培生菜的生菜產量最終預測值。
9、在一些實施例中，水培生菜的生長階段包括萌芽期、幼苗期和生長期；
10、所述將處于各生長階段的植株的生長指標集、處于各生長階段的植株數量和所述待預測大棚內的環境熱量指標值分別輸入對應的各生長階段的生菜產量模型中，得到各生長階段的生菜產量預測值，具體包括：
11、當水培生菜的生長階段在萌芽期，將第一生長指標子集、處于萌芽期的植株數量和在當前生長期的環境熱量指標值輸入所述隨機森林生菜產量模型中，得到第一產量預測結果，其中，所述第一生長指標子集是從所述待預測大棚內的水培生菜的生長指標集中提取的；
12、當水培生菜的生長階段在幼苗期，將第二生長指標子集、處于幼苗期的植株數量和在當前生長期的環境熱量指標值輸入所述支持向量機回歸生菜產量模型中，得到第二產量預測結果，其中，所述第二生長指標子集是從所述待預測大棚內的水培生菜的生長指標集中提取的；
13、當水培生菜的生長階段在生長期，將第三生長指標子集和在當前生長期的環境熱量指標值，輸入所述極端梯度提升生菜產量模型中，得到第三產量預測結果，其中，所述第二生長指標子集是從所述待預測大棚內的水培生菜的生長指標集中提取的；
14、其中，所述隨機森林生菜產量模型是根據第一樣本生長指標子集以及第一樣本預測值訓練得到的；所述支持向量機回歸生菜產量是根據第二樣本生長指標子集以及第二樣本預測值訓練得到的；所述極端梯度提升生菜產量模型是根據第三樣本生長指標子集以及第三樣本預測值訓練得到的。
15、在一些實施例中，所述根據所有生長階段的生菜產量預測值，得到所述待預測大棚內的水培生菜的生菜產量最終預測值，具體包括：
16、根據所述第一產量預測結果、所述第二產量預測結果和所述第三產量預測結果，得到所述待預測大棚內的水培生菜的生菜產量最終預測值。
17、在一些實施例中，所述基于待預測大棚內的水培生菜在當前生長期的生菜圖像，確定所述待預測大棚內的水培生菜中處于各生長階段的植株數量和處于各生長階段的植株的生長指標集，具體包括：
18、將水培生菜在當前生長期的生菜圖像按照預設生長階段劃分規則進行劃分，得到第一子生菜圖像、第二子生菜圖像和第三子生菜圖像，其中所述第一子生菜圖像是所述生菜圖像中處于萌芽期的生菜圖像，所述第二子生菜圖像是所述生菜圖像中處于幼苗期的生菜圖像，所述第三子生菜圖像是所述生菜圖像中處于生長期的生菜圖像；
19、從所述第一子生菜圖像中提取處于萌芽期的生菜的第一生長指標子集，從所述第二子生菜圖像中提取處于幼苗期的生菜的第二生長指標子集，從所述第三子生菜圖像中提取處于生長期的生菜的第三生長指標子集；
20、其中，所述第一生長指標子集包括植株的株高和葉片數量，所述第二生長指標子集包括植株的葉片數量和葉面積指數特征，所述第三生長指標子集包括植株的冠幅和葉面積指數特征。
21、在一些實施例中，所述方法還包括：
22、建立隨機森林生菜產量模型、支持向量機回歸生菜產量模型和極端梯度提升生菜產量模型，其中，所述隨機森林生菜產量模型基于隨機森林模型、所述支持向量機回歸生菜產量模型基于支持向量回歸模型，所述極端梯度提升生菜產量模型基于極端梯度提升模型；
23、將第一樣本生長指標子集、第二樣本生長指標子集和第三樣本生長指標子集，分別輸入所述隨機森林生菜產量模型中，得到所述隨機森林生菜產量模型的第一預測值、所述隨機森林生菜產量模型的第二預測值和所述隨機森林生菜產量模型的第三預測值；
24、將第一樣本生長指標子集、第二樣本生長指標子集和第三樣本生長指標子集，分別輸入所述支持向量機回歸生菜產量模型中，得到所述支持向量機回歸生菜產量模型的第一預測值、所述支持向量機回歸生菜產量模型的第二預測值和所述支持向量機回歸生菜產量模型的第三預測值；
25、將第一樣本生長指標子集、第二樣本生長指標子集和第三樣本生長指標子集，分別輸入所述極端梯度提升生菜產量模型中，得到所述極端梯度提升生菜產量模型的第一預測值、所述極端梯度提升生菜產量模型的第二預測值和所述極端梯度提升生菜產量模型的第三預測值；
26、分別計算所述隨機森林生菜產量模型的第一預測值、所述支持向量機回歸生菜產量模型的第一預測值和所述極端梯度提升生菜產量模型的第一預測值，與樣本實際產量值的第一評價指標值，根據所述第一評價指標值，確定所述第一生長指標子集對應的預測模型是所述隨機森林生菜產量模型；
27、分別計算所述隨機森林生菜產量模型的第二預測值、所述支持向量機回歸生菜產量模型的第二預測值和所述極端梯度提升生菜產量模型的第二預測值，與樣本實際產量值的第二評價指標值，根據所述第二評價指標值，確定所述第二生長指標子集對應的預測模型是所述支持向量機回歸生菜產量模型；
28、分別計算所述隨機森林生菜產量模型的第三預測值、所述支持向量機回歸生菜產量模型的第三預測值和所述極端梯度提升生菜產量模型的第三預測值，與樣本實際產量值的第三評價指標值，根據所述第三評價指標值，確定所述第三生長指標子集對應的預測模型是所述極端梯度提升生菜產量模型。
29、在一些實施例中，所述方法還本文檔來自技高網...
【技術保護點】
1.一種基于機器學習的設施水培生菜產量預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，水培生菜的生長階段包括萌芽期、幼苗期和生長期；
3.根據權利要求2所述的方法，其特征在于，所述根據所有生長階段的生菜產量預測值，得到所述待預測大棚內的水培生菜的生菜產量最終預測值，具體包括：
4.根據權利要求3所述的方法，其特征在于，所述基于待預測大棚內的水培生菜在當前生長期的生菜圖像，確定所述待預測大棚內的水培生菜中處于各生長階段的植株數量和處于各生長階段的植株的生長指標集，具體包括：
5.根據權利要求4所述的方法，其特征在于，所述方法還包括：
6.根據權利要求5所述的方法，其特征在于，所述方法還包括：
7.一種基于機器學習的設施水培生菜產量預測裝置，其特征在于，所述裝置包括：
8.根據權利要求7所述的裝置，其特征在于，水培生菜的生長階段包括萌芽期、幼苗期和生長期；
9.一種電子設備，包括存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，其特征在于
10.一種非暫態計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，
...【技術特征摘要】
1.一種基于機器學習的設施水培生菜產量預測方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，水培生菜的生長階段包括萌芽期、幼苗期和生長期；
3.根據權利要求2所述的方法，其特征在于，所述根據所有生長階段的生菜產量預測值，得到所述待預測大棚內的水培生菜的生菜產量最終預測值，具體包括：
4.根據權利要求3所述的方法，其特征在于，所述基于待預測大棚內的水培生菜在當前生長期的生菜圖像，確定所述待預測大棚內的水培生菜中處于各生長階段的植株數量和處于各生長階段的植株的生長指標集，具體包...
【專利技術屬性】
技術研發人員：滕云飛，高志賢，許海玲，郭斗斗，高麗紅，
申請(專利權)人：北京京瓦農業科技創新中心，
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。