本發明涉及葉類蔬菜種植管理，具體地說，涉及一種葉類蔬菜補充鍶元素的種植管理系統及方法。
背景技術：
1、隨著功能性農業的發展，通過農業生物強化技術生產富含特定微量元素的農產品已成為提升作物附加值和滿足人類健康需求的重要方向。鍶作為一種對人體骨骼健康有益的微量元素，其在葉類蔬菜中的定向富集種植技術受到關注。
2、在現有的種植實踐中，為實現葉類蔬菜的鍶元素強化，普遍采用的方式是在土壤或灌溉水中施加可溶性鍶鹽。然而，這一過程面臨一個根本性的技術難題：同一種植區域內，不同田塊甚至同一田塊內部，存在著顯著的地理環境異質性。
3、由于上述地理環境因素的復雜影響，在統一的鍶肥管理策略下，必然導致區域內不同位置的葉類蔬菜對鍶的實際吸收效率出現差異，最終表現為部分區域的蔬菜鍶含量達標，而部分區域則嚴重不足，產品均一性差。
4、目前，為應對此問題，常規做法是進行定期的人工采樣與實驗室檢測，以判斷哪些區域出現了鍶含量異常。然而，傳統的檢測方法無法揭示導致該異常的具體影響參數。即，它只能“報病”，不能“診病”。管理者無法知曉含量低下究竟是由于土壤ph不適宜、鈣離子競爭過強、還是因地形導致的水肥淋失所造成。這種“知其然而不知其所以然”的狀況，使得后續的調控措施只能憑經驗進行，具有很大的盲目性和試錯成本。
5、為了應對上述問題，現亟需一種能夠識別具體影響參數的葉類蔬菜補充鍶元素的種植管理系統。
技術實現思路
1、本發明的目的在于提供一種葉類蔬菜補充鍶元素的種植管理系統及方法，以解決上述背景技術中提出的問題。
2、為實現上述目的，本發明目的之一在于，提供了一種葉類蔬菜補充鍶元素的種植管理系統，包括鍶含量檢測模塊、檢測株定位模塊、檢測路線規劃模塊、影響參數采集模塊、對照株劃分模塊以及鍶含量定向管理模塊；
3、所述影響參數采集模塊用于對不同區域的葉類蔬菜進行影響參數采集；
4、所述檢測株定位模塊用于采集葉類蔬菜種植區域，根據葉類蔬菜分布位置進行區域化劃分，并進行序號標記，定位各個葉類蔬菜的種植位置，同時結合葉類蔬菜的影響特征選取檢測株，根據對應序號進行定位處理；
5、所述對照株劃分模塊用于結合檢測株位置分布與影響參數狀態，建立單一變量特征模型，根據單一變量特征模型為檢測株匹配對應的對照株，并進行定位處理；
6、所述檢測路線規劃模塊用于獲取各個檢測株與對應對照株的位置關系，進行檢測路線規劃，并將檢測路線反饋至鍶含量檢測模塊，所述鍶含量檢測模塊按照檢測路線對檢測株以及對照株進行順位檢測；
7、所述鍶含量定向管理模塊用于采集葉類蔬菜種植中的用鍶標準，結合檢測株與對照株的鍶含量檢測結果，識別異常影響參數，并根據用鍶標準進行針對性補鍶處理。
8、作為本技術方案的進一步改進，所述檢測株定位模塊中對葉類蔬菜分布位置進行區域化劃分的方法包括如下步驟：
9、s201、通過攝像監測設備獲取當前種植區域的實時圖像；
10、s202、對圖像進行預處理，識別區分圖像中各個葉類蔬菜；
11、s203、獲取種植區域的葉類蔬菜的數量，并在標記位置后的葉類蔬菜圖像中建立平面直角坐標系，通過坐標點表示各個位置的葉類蔬菜；
12、s204、根據葉類蔬菜的種植位置進行順位排序，統計各個位置的葉類蔬菜坐標點，建立坐標定位數據庫。
13、作為本技術方案的進一步改進，所述檢測株定位模塊中選取檢測株的方法包括如下步驟：
14、s210、結合葉類蔬菜種植標準，獲取影響葉類蔬菜鍶含量的影響參數；
15、s211、根據當前種植區域的葉類蔬菜位置分布，進行單一影響參數數值采集；
16、s212、獲取對應的影響參數數值集合，根據影響參數數值集合計算當前種植區域內常規狀態下葉類蔬菜各類影響參數平均數值；
17、s213、獲取常態化影響參數數值范圍，在種植區域內按照常態化影響參數數值進行單一影響參數梯度化變更采集；
18、s214、將位置變化前的葉類蔬菜標記為初始株，實時計算不同梯度下的葉類蔬菜與初始株之間鍶含量差值；
19、s215、設定鍶含量差值范圍，當當前位置的葉類蔬菜采集鍶含量與初始株鍶含量差值處于差值范圍內時，則將當前位置葉類蔬菜標記為檢測株；
20、s216、對各個單一影響參數進行梯度變更，獲取各個影響參數對應的檢測株；
21、s217、獲取各個檢測株的梯度變更路線，將檢測株、對應的初始株以及梯度變更路線進行綁定，建立檢測劃分數據集。
22、作為本技術方案的進一步改進，所述照株劃分模塊中建立單一變量特征模型的方法包括如下步驟：
23、s501、提取各個影響參數對應檢測株的具體位置以及梯度變更路線，對各個無關影響參數進行單一安全數值范圍劃分；
24、s502、按照梯度變更路線順位對各株葉類蔬菜進行條件集判定；
25、s503、將梯度變更路線中符合條件集中全部條件的葉類蔬菜標記為對照株。
26、作為本技術方案的進一步改進，所述s502中的條件集包括影響趨勢一致性、無關影響因素處于安全范圍以及鍶含量變化差值超過異常差值；
27、所述影響趨勢一致性表示梯度變更路線中不同順位上各株葉類蔬菜受到對應影響參數的趨勢相同；
28、所述無關影響因素處于安全范圍表示單一影響參數的梯度變更路線內各個位置的葉類蔬菜與初始株之間差值均處于對應的單一安全數值范圍內；
29、所述鍶含量變化差值超過異常差值表示梯度變更路線中測定株與檢測株之間的鍶含量差值超過設定的異常差值。
30、作為本技術方案的進一步改進，所述s502中的條件集的判定優先級為影響趨勢一致性＞鍶含量變化差值超過異常差值＞無關影響因素處于安全范圍。
31、作為本技術方案的進一步改進，所述檢測路線規劃模塊中進行檢測路線規劃的方法包括如下步驟：
32、s301、獲取檢測株與對應對照株之間的位置關鍵，構建檢測株到對照株之間的映射檢測路線；
33、s302、對各個映射檢測路線進行標記，并進行優先級劃分；
34、s303、按照檢測優先級對各條映射檢測路線進行順位劃分，構建單一檢測株的檢測路線。
35、作為本技術方案的進一步改進，所述s302中映射檢測路線的檢測優先級與鍶含量變化差值正相關。
36、作為本技術方案的進一步改進，所述鍶含量檢測模塊中對檢測株以及對照株進行順位檢測的方法包括如下步驟：
37、s101、采集葉類蔬菜的有效樣本點，對同一個樣本進行光譜數據采集；
38、s102、利用葉片接觸式光譜儀測定葉片特定點或者特定區域的反射光譜，對應光譜數據為反射率；
39、s103、對完成光譜檢測的區域進行清洗、烘干以及粉碎，通過原子吸收光譜法實際測定樣本中的總鍶含量，表示鍶含量光譜預測模型的目標變量；
40、s104、對鍶含量光譜預測模型中的特征進行提取，選取相關系數絕對值最高的波長區間作為后續的檢測區間；
41、s105、將總樣本隨機分為訓練集以及驗證集，訓練集用于構建模型，驗證集用于評估模型泛化能力；
42、s106、利用人工神經網絡進行模型訓練，獲取光譜數據與鍶含量之間的擬合關系；
43、s107、對檢測株進行間隔式檢測處理，響應異常檢測株，并根據當前異常檢測株匹配對應的檢測路線，順位對各個對照株進行檢測處理。
44、本發明目的之二在于，提供了一種應用葉類蔬菜補充鍶元素的種植管理系統的方法，包括如下方法步驟：
45、s1、通過影響參數采集模塊對不同區域的葉類蔬菜進行影響參數采集；
46、s2、檢測株定位模塊采集葉類蔬菜種植區域，根據葉類蔬菜分布位置進行區域化劃分，并進行序號標記；
47、s3、檢測株定位模塊定位各個葉類蔬菜的種植位置，同時結合葉類蔬菜的影響特征選取檢測株，根據對應序號進行定位處理；
48、s4、利用對照株劃分模塊結合檢測株位置分布與影響參數狀態，建立單一變量特征模型，根據單一變量特征模型為檢測株匹配對應的對照株；
49、s5、檢測路線規劃模塊結合各個檢測株與對應對照株的位置關系，進行檢測路線規劃；
50、s6、鍶含量檢測模塊按照檢測路線對檢測株以及對照株進行順位檢測；
51、s7、鍶含量定向管理模塊采集葉類蔬菜種植中的用鍶標準，結合檢測株與對照株的鍶含量檢測結果，識別異常影響參數，并根據用鍶標準進行針對性補鍶處理。
52、與現有技術相比，本發明的有益效果：
53、該葉類蔬菜補充鍶元素的種植管理系統及方法中，通過對照株劃分模塊建立的單一變量特征模型對葉類蔬菜種植區域進行檢測株篩選，定位檢測株位置與梯度變更路線，同時配合對照株劃分模塊結合檢測株位置分布與影響參數狀態，根據單一變量特征模型為檢測株匹配對應的對照株，獲取檢測株與對照株之間影響關系，并利用檢測路線規劃模塊進行檢測路線規劃，實現定位鍶含量檢測工作，響應異常檢測株，配合檢測路線對各個對照株進行順位檢測，保證檢測效率的同時能夠有效提高檢測準確度，規避盲目檢測對檢測結果造成影響。