本文提出了一种基于深度神经网络的方法，用于分析和监测农业4.0中的植物生长情况。农业4.0是一种利用现代技术和数据驱动的农业模式，旨在监测植物的生命周期和特征，从而提高产量。本文引入了一种新的概念，称为植物亲子关系（pheno-parenting），它借鉴了植物表型鉴定（plant phenotyping）的一些方法，通过使用现代工具和技术来观察植物在不同生命周期阶段的表现，并支持它们的生长。本文建立了一个小型水培系统，用于收集和分析植物生命周期图像数据。该系统包括三种植物（矮牵牛、三色堇、金盏花），每种植物各有十株。本文基于深度神经网络完成植物种类识别、生长分析、健康分析、开花阶段识别。

植物种类识别：使用了卷积神经网络（CNN）来识别不同种类的植物，发现侧面图像比顶面图像更能有效地区分种类和追踪生长情况。金盏花在所有测试情况下都能被正确识别，准确率高于95%。生长分析：提出了一种生长发育指数（GDI）来衡量植物的生长情况，该指数随着营养液输入量的增加而先增加后饱和。发现不同种类的植物有不同的最佳营养液输入量，以及不同的生长速率和周期。健康分析：使用了基于纹理和颜色特征的图像处理方法，来检测植物叶片和花朵的健康状况。发现顶面图像比侧面图像更能捕捉叶片和花朵的纹理和颜色特征，从而更好地判断植物是否受到病虫害或缺水等影响。开花阶段识别：使用了基于形状特征的图像处理方法，来识别植物是否进入了开花阶段。

论文的创新之处在于：

• 提出了一种新的概念，称为植物亲子关系（pheno-parenting），将植物表型鉴定与现代技术相结合，支持并优化植物的生长。

• 提出了一种新的指标GDI，用于评估植物的生长情况，并发现不同种类的植物有不同的最佳营养液输入量。

• 使用了基于深度神经网络的方法，完成了四个关键任务：植物种类识别、生长分析、健康分析、开花阶段识别，并发现侧面图像和顶面图像在不同任务上有不同的优势。

• 建立了一个小型水培系统，收集并处理了三种植物在不同生命周期阶段的图像数据，为农业4.0中的数据驱动提供了一个实例。

   

  图1 基于计算机视觉的植物表型分析

图2 总体流程图

图 3 无土栽培系统

图4 数据集详情

图5 生长发育指数（GDI）的计算

图6 不同水培系统的 GDI 随时间变化

图7 2021年12月1日捕获的第三个水培系统测试用例的样本检测结果（侧视图，白天）。