本发明属于植物施肥，具体涉及一种植物生长施肥方法。
背景技术：
1、木棉花作为广州市的市花，不仅具有观赏价值，还具有重要的生态和文化意义。然而，随着城市化进程的加快和气候变化的影响，木棉花的生长环境和健康状况面临诸多挑战。传统的木棉花生长管理方法主要依赖于人工巡查和施肥，存在人力成本高、施肥量不精确、效率低下、数据缺乏等局限性。为了解决这些问题，现代农业技术的发展为木棉花的科学管理提供了新的解决方案。利用无人机成像技术和计算机视觉技术，可以实现对木棉花生长状态的实时监测和精准管理。
技术实现思路
1、本发明的目的是：旨在提供一种植物生长施肥方法，用于解决背景技术中存在的问题。
2、为实现上述技术目的，本发明采用的技术方案如下：
3、一种植物生长施肥方法，包括以下步骤：
4、s1:无人机定期拍摄木棉花种植基地的高分辨率图像；
5、s2:对图像进行预处理；
6、所述s2包括采用维纳滤波方法对采集的图像去除图像噪声；
7、所述s2还包括通过直方图均衡方法增强图像对比度。
8、通过计算机视觉算法对拍摄的图像进行处理，识别木棉花的生长状态，包括木棉花的叶片颜色和花朵大小，通过维纳滤波器去噪函数，具体公式为：
9、
10、其中，表示领域中处理后的估计图像，即经过降噪和恢复处理的图像，g(u，v)是观测到的图像在领域中的表示，通常是含有噪声的图像，sf(u，v)是原始无噪声图像的功率谱密度，sη(u，v)是噪声功率谱密度。
11、s3:利用计算机视觉技术识别木棉花的生长状态；
12、所述s3中包括使用深度学习算法从预处理后的图像提取木棉花的生长特征，其深度学习算法包括提取木棉花大小和数量信息的yolov5模型，还包括提取木棉花颜色变化和病虫害迹象特征的resnet(残差网络)。
13、所述s3识别木棉花生长状态方法包括：
14、s3.1：数据集准备，收集并记录大量木棉花在不同生长状态下的图像数据，包括优秀、良好、一般和不良的状态，具体为0-1之间的值来进行表示；
15、s3.2：特征采取，因图像中的花朵可能大小有异，采用yolov5算法对每一幅输入图像预测不同尺度的输出，并将每个尺度的输出设计识别不同大小的目标；
16、s3.3：将输入图像带入resnet的核心公式进行计算得到特征：
17、y＝f(x，{wi})+x
18、其中，x表示输入特征；f(x,{wi})表示残差映射，具体公式如下，y是输出特征；
19、f(x,{wi})＝relu(bn(w2*relu(bn(w1*x))))
20、其中x是输入特征向量，w1和w2是权重矩阵，bn是批量归一化操作，relu是relu激活函数，f(x，wi)是残差映射函数。
21、s3.4：将提取的特征输入gbrt机器学习模型得到的预测生长情况。
22、所述gbrt机器学习模型具体步骤包括：
23、s3.4.1：特征选择：选择花朵的大小、数量、颜色和纹理作为输入特征；
24、花朵大小通过目标检测算法计算出花朵的直径和面积，进而衡量每朵花的生长状态；花朵数量则是通过检测图像中所有花朵的中心点并进行计数来确定。颜色特征采用了rgb和hsv两种颜色空间进行分析，通过颜色直方图提取主要颜色的分布和色调的变化，这些颜色信息能够反映植物的健康状态和营养水平。纹理特征则通过灰度共生矩阵(glcm)和局部二值模式(lbp)来提取，这些特征能够揭示花朵表面的细微结构和可能的病虫害迹象。此外，为了避免过拟合，所有特征均经过标准化处理，其中灰度共生矩阵和局部二值模式的公式分别是
25、p(i，j|d，θ)＝the mumber of times(i，j)occur with distance d anddirectionθ
26、其中i，j是灰度值，表示图像中像素的灰度级，d是像素之间的距离，θ是像素之间的方向
27、
28、其中gc是中心像素的灰度值，gp是邻域像素的灰度值，p是邻域内的像素数目，s(x)代表符号函数，2p是权重值。
29、s3.4.2：模型训练：将带有标签的数据集训练gbrt模型，通过提升树的方式逐步优化模型性能，并且引入了贝叶斯算法来优化调节模型的超参数，同时实施了5折交叉验证；
30、s3.4.3：预测：将新的图像特征输入到训练好的gbrt模型，输出一个在0到1之间的连续值，作为预测的木棉花生长状态指数q。
31、使用决定系数r2，我们还引入了均方误差(mse)和平均绝对百分比误差(mape)来进一步评估模型的泛化性能，mse、mape和r2的具体计算公式如下：
32、
33、其中，n是样本的数量，yi是实际值，是预测值，是样本的平均值。
34、s4:根据识别的生长状态，计算施肥量；
35、所述s4的施肥量计算公式为：
36、w＝b×f×λ
37、其中，w为实际施肥量；b是每棵木棉花的基准施肥量：每棵50ml复合肥，f是根据生长状态指标计算得出的调整系数；
38、其中，调整因子f通过以下函数确定：
39、f＝1+(0.5×(q-0.5))
40、其中，q为步骤s3中预测的木棉花生长状态指数。
41、s5:按照计算结果传输给施肥装置，使施肥装置对木棉花进行定点精准施肥。
42、本发明提供了一种基于计算机视觉技术和无人机监控的木棉花生长状态识别及精准施肥的方法，能够高效、精准地进行木棉花的施肥操作，提高了木棉花的生长质量和产量，具有广阔的应用前景和经济效益。
1.一种植物生长施肥方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种植物生长施肥方法，其特征在于：所述s2包括采用维纳滤波方法对采集的图像去除图像噪声；
3.根据权利要求2所述的一种植物生长施肥方法，其特征在于：通过计算机视觉算法对拍摄的图像进行处理，识别木棉花的生长状态，包括木棉花的叶片颜色和花朵大小，通过维纳滤波器去噪函数，具体公式为：
4.根据权利要求1所述的一种植物生长施肥方法，其特征在于：所述s3中包括使用深度学习算法从预处理后的图像提取木棉花的生长特征，其深度学习算法包括提取木棉花大小和数量信息的yolov5模型，还包括提取木棉花颜色变化和病虫害迹象特征的resnet(残差网络)。
5.根据权利要求4所述的一种植物生长施肥方法，其特征在于：所述s3识别木棉花生长状态方法包括：
6.根据权利要求5所述的一种植物生长施肥方法，其特征在于：所述gbrt机器学习模型具体步骤包括：
7.根据权利要求6所述的一种植物生长施肥方法，其特征在于：使用决定系数r2、均方误差(mse)和平均绝对百分比误差(mape)来进一步评估模型的泛化性能，mse、mape和r2的具体计算公式如下：
8.根据权利要求6所述的一种植物生长施肥方法，其特征在于：所述s4的施肥量计算公式为：
