CN106960216A - 一种农机作业机具类型的识别方法和装置 - Google Patents

Abstract

本发明实施例公开一种农机作业机具类型的识别方法和装置，所述方法包括：根据农机作业机具的类型，建立所述农机作业机具的监督分类数据库；采集待识别的农机作业机具的图像信息，并将所述图像信息进行图像处理，获得预处理图像信息；将所述预处理图像信息与所述监督分类数据库进行特征匹配，获取所述待识别农机作业机具的类型。所述装置用于执行上述方法。本发明实施例通过建立农机作业机具的监督分类数据库，并采集农机作业机具的图像信息，将采集到的图像信息与监督分类数据库进行特征匹配，提高了农机作业机具识别的准确性。

Description

一种农机作业机具类型的识别方法和装置

技术领域

本发明实施例涉及农机精准作业领域，具体涉及一种农机作业机具类型的识别方法和装置。

背景技术

随着科技的发展，农机作业机具的种类也越来越多，如深松机、旋耕机、播种机等，大大提高了农耕作业的效率。有些农机作业机具的使用对土壤的结构有一定的破坏，有些农机作业机具的使用则既不会破坏土壤结构，同时又能够提高作业效率。深松作业是一种使用专用深松机，在不打乱土壤层结构的前提下对农田进行深松土的耕地整地方式。该技术在打破坚硬犁底层的同时疏松土壤，增加土壤的透水性和透气性，改善土壤理化特性以及作物根系生长环境，非常有利于作物增产。2009年，国务院常务会议决定对深松作业进行补贴，深松作业在全国适宜省份相继展开。随着国家对深松作业补贴力度的加大，深松机械的生产和推广越来越多，深松作业质量也出现参差不齐的现象，特别是出现了人为操作和其他客观因素造成的面积虚报现象。随着信息化的发展，现在利用物联网技术实现农机深松作业监管成为可能，农机深松作业信息化监管服务系统将物联网、大数据成功运用于农机设备监测，可以实现深松机作业状态和作业面积准确监测，为深松作业补贴提供量化依据，提升了农机作业管理信息化水平。

现有技术中，对农机作业机具尤其是深松机的检测通常是在机具上安装机具识别传感器，利用通讯检测等物理状态来进行检测。具体将机具识别装置安装于深松机上，对深松机的机具型号、作业幅宽等信息进行自动识别，并将识别出的机具信息发送至主控制器中，主控制器再将机具信息进行处理后，通过远程传输装置上传至服务器，从而实现对机具的检测和管理，这个是当前主流的做法，其主要缺陷在于机具识别传感器可以拆卸，挪动到旋耕机、翻地机等非深松机具上，非深松机具和主控制器通讯正常，监管系统无法检测这种异常机具移动，从而造成深松作业面积误报。此外，现有技术中也有通过功率传感器和农机速度作为判断依据，结合深松作业时农机震荡时前进的特点检测出疑似深松作业的农机，然后再提取特征检测土壤含水率、土壤土质等信息，综合以土壤的函数率、土质、农机发动机功率、加速度信息，拟合出农机作业的深度信息，是该方法是解一个二次方程，将解出来的深度作为深松作业与否的标准，还需要进一步进行校正确定，有一定的不确定性。

因此，如何提出一种方案，能够提高农机作业机具的准确性，成为亟待解决的问题。

发明内容

针对现有技术中的缺陷，本发明实施例提供一种农机作业机具类型的识别方法和装置。

一方面，本发明实施例提出一种农机作业机具类型的识别方法，包括：

根据农机作业机具的类型，建立所述农机作业机具的监督分类数据库；

采集待识别的农机作业机具的图像信息，并将所述图像信息进行图像处理，获得预处理图像信息；

将所述预处理图像信息与所述监督分类数据库进行特征匹配，获取所述待识别农机作业机具的类型。

另一方面，本发明实施例提供一种农机作业机具类型的识别装置，包括：

数据库建立单元，用于根据农机作业机具的类型，建立所述农机作业机具的监督分类数据库；

图像采集单元，用于采集待识别的农机作业机具的图像信息，并将所述图像信息进行图像处理，获得预处理图像信息；

识别单元，用于将所述预处理图像信息与所述监督分类数据库进行特征匹配，获取所述待识别农机作业机具的类型。

本发明实施例提供的农机作业机具类型的识别方法及装置，通过预先建立农机作业机具的监督分类数据库，再采集农机作业机具的图像信息，将采集到的图像信息进行图像处理后，将处理后的预处理图像信息与预先建立的监督分类数据库进行正匹配，自动识别出采集到的图像信息中的农机作业机具的类型，提高了农机作业机具检测识别的准确性。

附图说明

图1为本发明实施例中农机作业机具类型的识别方法的流程示意图；

图2为本发明实施例中卷积神经网络计算的流程示意图；

图3为本发明实施例中卷积神经网络建立特征模型的流程示意图；

图4为本发明实施例中又一农机作业机具类型的识别方法的流程示意图；

图5为本发明实施例中农机作业机具类型的识别装置的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例中农机作业机具类型的识别方法的流程示意图，如图1所示，本发明实施例提供的农机作业机具类型的识别方法包括：

S1、根据农机作业机具的类型和特征，建立所述农机作业机具的监督分类数据库；

具体地，本发明实施例基于深度学习的机具识别算法属于监督分类算法，事先按照分类标准如按照农机作业机具的类型，建立出农机作业机具的监督分类数据库。其中农机作业机具包括旋耕机、播种机和深松机等，用于农业耕作的工具，当然还可以包括其他农机作业机具，本发明实施例不作具体限定。本发明实施例中的监督分类数据库中包括各种类型的农机作业机具的图像信息以及其对应的特征信息，其中特征信息可以包括各个农机作业机具的品牌、型号、外观、形状特征等。

S2、采集待识别的农机作业机具的图像信息，并将所述图像信息进行图像处理，获得预处理图像信息；

具体地，本发明实施例中在拖拉机上安装图像采集装置如：摄像头和采集终端，摄像头安装在拖拉机后部，视域要求能够完全覆盖农机作业机具，采集终端和摄像头相连，定时发送指令每隔一定时间间隔来采集待识别的农机作业机具的图像信息，采集终端将采集到的图像信息通过无线传输至图片服务器。图片服务器将采集到的图像信息进行图像处理，获得预处理图像信息。需要说明的是，本发明实施例中图像采集装置设置的具体位置以及具体装置，可以根据实际需要进行设置，本发明实施例不作具体限定。

S3、将所述预处理图像信息与所述监督分类数据库进行特征匹配，获取所述待识别农机作业机具的类型。

具体地，将采集到的图像信息进行图像处理获得预处理图像信息后，将预处理图像信息与预先建立的监督分类数据库进行特征匹配。具体可以提取预处理图像信息中的特征信息，将提取到的特征信息与监督分类数据库中的各个农机作业机具的特征信息进行匹配，将监督分类数据库中与预处理图像信息匹配程度最高的农机作业机具的类型作为待识别农机作业机具的类型，即获取采集到的图像信息中的待识别农机作业机具的类型。

例如：本发明实施例根据农机作业机具的类型以及特征建立农机作业机具的监督分类数据库，数据库中存储农机作业机具的类型以及对应的图片信息和特征信息。在拖拉机上安装图像采集装置，并采集到待识别农机作业机具的图像信息后，将图像信息发送至图片服务器，由图片服务器将采集到的图像信息进行预处理，获得预处理图像信息。将获得的预处理图像信息与监督分类数据库进行特征匹配后，获得待识别农机作业机具的图像信息与监督分类数据库中存储的A品牌B型号的深松机的匹配度最高，即获得待识别农机作业机具的类型为A品牌B型号的深松机。

此外，还可以设定当识别出待识别农机作业机具的类型不是预存储或预设的农机作业机具的类型时，即发出预警信号，提示监测人员进行查验。如：为了监测深松农机深松作业面积，预先在安装有深松机的拖拉机上设置图像采集装置。预设农机作业机具类型为深松机，若将待识别农机作业机具的图像信息进行预处理和特征匹配后，识别出待识别农机作业机具的类型不是深松机，则进行预警，提示监测人员进行查验，检查是否有人为操作将深松机更换为其他农机作业机具。

本发明实施例提供的农机作业机具类型的识别方法，通过预先建立农机作业机具的监督分类数据库，再采集农机作业机具的图像信息，将采集到的图像信息进行图像处理后，将处理后的预处理图像信息与预先建立的监督分类数据库进行正匹配，自动识别出采集到的图像信息中的农机作业机具的类型，提高了农机作业机具检测识别的准确性。

在上述实施例的基础上，所述根据农机作业机具的类型和特征，建立所述农机作业机具的监督分类数据库，包括：预先获取多种农机作业机具的图片信息，根据所述多种农机作业机具的品牌和形状特征，对所述图片信息进行标注，建立所述监督分类数据库。

具体地，本发明实施例通过搜集整理常见农机作业机具的类型以及形状特征，具体可以根据各个农机作业机具的品牌、型号、外观等，获取包含各种条件的农机作业机具的图片信息。将获取到的农机作业机具的图片信息根据农机作业机具的纹理特征、形状特征、空间关系特征进行整理分类，并可以通过人为对各个图像信息进行标注，即标注各个图像信息的农机机具类型以及特征信息，建立农机作业机具的监督分类数据库。

本发明实施例提供的农机作业机具类型的识别方法，通过搜集各类农机作业机具的图像信息，并根据农机作业机具的特征进行分类标注，建立出农机作业机具的监督分类数据库，为后期进行农机作业机具的自动识别提供了基础。不单单依靠传感器来识别农机作业机具，即使认为将传感器拆卸，安装至其他农机作业机具，也可以识别出信的农机作业机具的类型，提高了农机作业机具检测识别的准确性。

在上述实施例的基础上，所述方法还包括：利用卷积神经网络算法，对所述监督分类数据库的数据进行训练，提取各个农机作业机具的特征，建立农机作业机具的特征模型；

相应地，所述将所述预处理图像信息与所述监督分类数据库进行特征匹配，包括：将所述预处理图像信息与所述特征模型进行特征匹配。

具体地，本发明实施例通过搜集各个农机作业机具的图片信息，并进行标注，建立监督分类数据库后，利用卷积神经网络算法，对监督分类数据库的数据进行训练，提取各个农机作业机具的特征，建立农机作业机具的特征模型，并保存为特征矩阵具体可以为卷积核形式。在采集到待识别农机作业机具的图像信息并进行图像处理获得预处理图像信息后，将预处理图像信息输入特征模型，提取预处理图像信息的特征信息，获取到待识别农机作业机具的类型。其中利用卷积神经网络算法提取农机作业机具的特征信息及特征模型的方法具体如下：

R1、输入图像-训练集扩大处理

为了扩大训练集，减少过拟合，分别从图像的4个角和中心处提取224×224的区域，并分别对提取出来的区域做水平和垂直的翻转。这样，每张图片将会产生10个区域，训练集也扩大了10倍。

R2、降低数据维度和参数

然后对训练集的每张图片做PCA(Principal Component Analysis，主成分分析)操作，在保留主要特征信息的同时降低图像维度，减少参数。降维后的特征向量减少了冗余，具有低相关性，在某些程度上反映了本质特征，并且在后面做分类预测时，不容易陷入过拟合。

R3、设计卷积层-池化层-全连接层

通过反复实验，设计了深度学习的卷积层-池化层-全连接层，卷积神经网络结构共有8层，包括5个卷积层和3个全连接层，其中前3个卷积层后连接接池化层，前2个全连接层后连接降维度操作dropout，具体每层的卷积核数量，大小，移动步长及相关参数如表1所示：

表1卷积神经网络结构层次表

Layers	Filters	Kernel size/stride	parameter
				Convolution1	96	11×11/4
Max Pooling		3×3/2
				Convolution2	256	5×5/1
Max Pooling		3×3/2
				Convolution3	384	3×3/1
Max Pooling		3×3/2
				Convolution4	384	3×3/1
Convolution5	256	3×3/1
				Full Connection6	1024
Dropout			0.7
				Full Connection7	1024
Dropout			0.7
				Full Connection8	1024
softMax	N

R4、初始化网络参数，用构建好的监督分类数据库中的数据对卷积神经网络结构模型进行预训练。

R5、结合预训练结果和实际数据特点调整网络参数，使模型准确率及运行效率更高。

R6、对训练好的模型进行测试。

图2为本发明实施例中卷积神经网络计算的流程示意图，如图2所示，本发明实施例利用卷积神经网络进行计算建立特征模型的方法包括：输入农机作业机具的图像信息；卷积，提取图像信息中的特征信息；池化，进行降维；卷积，提取图像信息中的特征信息；池化，进行降维；最后，通过全连接层进行分类，建立出农机作业机具的特征模型。

本发明实施例提供的农机作业机具类型的识别方法，通过利用卷积神经网络对监督分类数据库中的农机作业机具的图片信息进行模型的训练和测试，提取农机作业机具的特征信息，建立出农机作业机具的特征模型。在需要对待识别农机作业机具进行识别时，采集到该农机作业机具的图像信息，将采集到的图像信息输入特征模型，可以自动提取到待识别农机作业机具的特征信息，进一步获取到该待识别农机作业机具的类型，提高了农机作业机具识别的准确性以及稳定性。

在上述实施例的基础上，所述方法还包括：定期更新所述监督分类数据库，并根据更新后的监督分类数据库，重新训练测试所述特征模型。

具体地，本发明实施例定期的根据农机作业机具的具体类型，对监督分类数据库进行更新，具体可以增加增的农机作业机具的类型、型号以及对应的特征信息，也可以将农业生产中已经淘汰不再使用的农机作业机具从监督分类数据库中删除。将监督分类数据库更新后，根据更新后的监督分类数据库，对特征模型进行重新训练测试，以提高特征模型的准确性。

本发明实施例提供的农机作业机具类型的识别方法，定期更新监督分类数据库，并重新训练和测试特征模型，提高了特征模型的准确性，进一步提高了农机作业机具识别的准确性。

在上述实施例的基础上，所述将所述图像信息进行图像处理，包括：将所述图像信息进行图片大小归一化处理和/或灰度化处理，获得所述预处理图像信息。

具体地，在采集农机作业机具的过程中，背景(如路面、农田地面等)对农机作业机具的识别影响很大，所以要对采集到的图像信息进行预处理并保留主要信息，可以减少计算量，提高识别准确率。具体可以采用图片大小归一化处理和/或灰度化处理。由于采集的机具图像大小与深度学习算法的要求输入的大小可能不一致，所以要对图片大小统一进行调整，对图像利用双线性内插法进行采样归一化处理即图片大小归一化处理，使所有图像分辨率为256×256，当然还可以为其他的分辩率，本发明实施例不作具体限定。同时，为了减少数据维度和数据量大小，加速图片处理时间，需要对图片进行灰度化处理。

图3为本发明实施例中卷积神经网络建立特征模型的流程示意图，如图3所示，本发明

T1、建立监督分类数据库。根据农机作业机具的类型对各个农机作业机具的图片信息进行标注，建立监督分类数据库。

T2、利用卷积神经网络设计神经网络模型。对监督分类数据库中农机作业机具的图像信息进行预处理，并设计神经网络模型即设计特征模型。

T3、训练神经网络模型。根据监督分类数据库中农机作业机具的图像信息，对神经网络模型进行训练，并根据训练的结果对神经网络模型即特征模型中的参数进行调整。

T4、神经网络模型的测试。通过控制变量法设计测试实验，测试神经网络模型的准确率和效率。

特征模型即神经网络模型建立后，将待识别农机作业机具的图像信息输入特征模型，可以自动提取待识别农机作业机具的特征信息，获取到待识别农机作业机具的类型。

本发明实施例提供的农机作业机具类型的识别方法，针对当前农机作业机具作业监管中难以全面检查的情况下，主要针对农机深松作业监管的情况，通过建立农机作业机具的监督分类数据库、获取农机作业机具作业的图像信息、对获取到的图像信息进行预处理和基于深度学习的农机作业机具的特征自动提取，来自动识别农机作业机具的类型。实现了农机作业机具类型的自动识别，本发明实施例对不同拍摄角度，不同光照，尺度形变下的图像信息都有很强的鲁棒性。其次，本发明实施例根据多种农机作业机具的图像信息训练特征模型，具有很高的泛化性能，可以用于识别多种农机作业机具，提高了农机作业机具类型识别的准确性和适用性。

图4为本发明实施例中又一农机作业机具类型的识别方法的流程示意图，如图4所示，本发明实施例中农机作业机具的识别主要流程包括：通过摄像头采集待识别农机作业机具的图像信息，并将采集到的图像信息发送至采集终端，由采集终端将采集到的图像发送至图片服务器，图片服务器将接收到的图像信息进行预处理后，将预处理图像信息发送至特征模型，通过特征模型提取待识别农机作业机具的特征信息，并将特征信息与监督分类数据库进行对比，进一步获取到待识别农机作业机具的类型。

图5为本发明实施例中农机作业机具类型的识别装置的结构示意图，如图5所示，本发明实施例提供的农机作业机具类型的识别装置包括：数据库建立单元51、图像采集单元52和识别单元53，其中：

数据库建立单元51用于根据农机作业机具的类型和特征，建立所述农机作业机具的监督分类数据库；图像采集单元52用于采集待识别的农机作业机具的图像信息，并将所述图像信息进行图像处理，获得预处理图像信息；识别单元53用于将所述预处理图像信息与所述监督分类数据库进行特征匹配，获取所述待识别农机作业机具的类型。

具体地，本发明实施例数据库建立单元51基于深度学习的机具识别算法属于监督分类算法，事先按照分类标准如按照农机作业机具的类型，建立出农机作业机具的监督分类数据库。其中，监督分类数据库中包括各种类型的农机作业机具的图像信息以及其对应的特征信息，其中特征信息可以包括各个农机作业机具的品牌、型号、外观、形状特征等。本发明实施例中在拖拉机上安装图像采集单元52，如：摄像头和采集终端，摄像头安装在拖拉机后部，视域要求能够完全覆盖农机作业机具，采集终端和摄像头相连，定时发送指令每隔一定时间间隔来采集待识别的农机作业机具的图像信息，采集终端将采集到的图像信息通过无线传输至图片服务器。图片服务器将采集到的图像信息进行图像处理，获得预处理图像信息。将采集到的图像信息进行图像处理获得预处理图像信息后，识别单元53将预处理图像信息与预先建立的监督分类数据库进行特征匹配。具体可以提取预处理图像信息中的特征信息，将提取到的特征信息与监督分类数据库中的各个农机作业机具的特征信息进行匹配，将监督分类数据库中与预处理图像信息匹配程度最高的农机作业机具的类型作为待识别农机作业机具的类型，即获取采集到的图像信息中的待识别农机作业机具的类型。

其中，农机作业机具的类型、图像采集单元设置的位置以及图像采集单元的具体结构与上述实施例一致，此处不再赘述。

本发明实施例提供的农机作业机具类型的识别装置，通过预先建立农机作业机具的监督分类数据库，再采集农机作业机具的图像信息，将采集到的图像信息进行图像处理后，将处理后的预处理图像信息与预先建立的监督分类数据库进行正匹配，自动识别出采集到的图像信息中的农机作业机具的类型，提高了农机作业机具检测识别的准确性。

在上述实施例的基础上，所述数据库建立单元具体用于：预先获取多种农机作业机具的图片信息，根据所述多种农机作业机具的品牌和形状特征，对所述图片信息进行标注，建立所述监督分类数据库。

具体地，通过搜集整理常见农机作业机具的类型以及形状特征，具体可以根据各个农机作业机具的品牌、型号、外观等，获取包含各种条件的农机作业机具的图片信息。数据库建立单元将获取到的农机作业机具的图片信息根据农机作业机具的纹理特征、形状特征、空间关系特征进行整理分类，并可以通过人为对各个图像信息进行标注，即标注各个图像信息的农机机具类型以及特征信息，建立农机作业机具的监督分类数据库。

本发明实施例提供的农机作业机具类型的识别装置，通过搜集各类农机作业机具的图像信息，并根据农机作业机具的特征进行分类标注，建立出农机作业机具的监督分类数据库，为后期进行农机作业机具的自动识别提供了基础。不单单依靠传感器来识别农机作业机具，即使认为将传感器拆卸，安装至其他农机作业机具，也可以识别出信的农机作业机具的类型，提高了农机作业机具检测识别的准确性。

在上述实施例的基础上，所述数据库建立单元还用于：利用卷积神经网络算法，对所述监督分类数据库的数据进行训练，提取各个农机作业机具的特征，建立农机作业机具的特征模型；

相应地，所述识别单元具体用于：将所述预处理图像信息与所述特征模型进行特征匹配。

具体地，数据库建立单元建立监督分类数据库后，利用卷积神经网络算法，对监督分类数据库的数据进行训练，提取各个农机作业机具的特征，建立农机作业机具的特征模型，并保存为特征矩阵具体可以为卷积核形式。图像采集单元在采集到待识别农机作业机具的图像信息并进行图像处理获得预处理图像信息后，将预处理图像信息发送至识别单元，识别单元将预处理图像信息输入特征模型，并提取预处理图像信息的特征信息，获取到待识别农机作业机具的类型。其中，利用卷积神经网络算法提取农机作业机具的特征信息机那里特征模型的方法同上述实施例一致，此处不再赘述。

本发明实施例提供的农机作业机具类型的识别装置，通过利用卷积神经网络对监督分类数据库中的农机作业机具的图片信息进行模型的训练和测试，提取农机作业机具的特征信息，建立出农机作业机具的特征模型。在需要对待识别农机作业机具进行识别时，采集到该农机作业机具的图像信息，将采集到的图像信息输入特征模型，可以自动提取到待识别农机作业机具的特征信息，进一步获取到该待识别农机作业机具的类型，提高了农机作业机具识别的准确性以及稳定性。

在上述实施例的基础上，所述数据库建立单元还用于：定期更新所述监督分类数据库，并根据更新后的监督分类数据库，重新训练测试所述特征模型。

具体地，数据库建立单元定期的根据农机作业机具的具体类型，对监督分类数据库进行更新，具体可以增加增的农机作业机具的类型、型号以及对应的特征信息，也可以将农业生产中已经淘汰不再使用的农机作业机具从监督分类数据库中删除。将监督分类数据库更新后，根据更新后的监督分类数据库，对特征模型进行重新训练测试，以提高特征模型的准确性。

本发明实施例提供的农机作业机具类型的识别装置，定期更新监督分类数据库，并重新训练和测试特征模型，提高了特征模型的准确性，进一步提高了农机作业机具识别的准确性。

在上述实施例的基础上，所述图像采集单元具体用于：将所述图像信息进行图片大小归一化处理和/或灰度化处理，获得所述预处理图像信息。

具体地，在采集农机作业机具的过程中，背景(如路面、农田地面等)对农机作业机具的识别影响很大，所以要对采集到的图像信息进行预处理并保留主要信息，可以减少计算量，提高识别准确率。具体图像采集单元可以采用图片大小归一化处理和/或灰度化处理。由于采集的机具图像大小与深度学习算法的要求输入的大小可能不一致，所以要对图片大小统一进行调整，对图像利用双线性内插法进行采样归一化处理即图片大小归一化处理，使所有图像分辨率为256×256，当然还可以为其他的分辩率，本发明实施例不作具体限定。同时，为了减少数据维度和数据量大小，加速图片处理时间，需要对图片进行灰度化处理。

本发明实施例的装置用于执行上述方法，其具体实施方式同上述实施例一致，此处不再赘述。

本发明实施例提供的农机作业机具类型的识别装置，针对当前农机作业机具作业监管中难以全面检查的情况下，主要针对农机深松作业监管的情况，通过建立农机作业机具的监督分类数据库、获取农机作业机具作业的图像信息、对获取到的图像信息进行预处理和基于深度学习的农机作业机具的特征自动提取，来自动识别农机作业机具的类型。实现了农机作业机具类型的自动识别，本发明实施例对不同拍摄角度，不同光照，尺度形变下的图像信息都有很强的鲁棒性。其次，本发明实施例根据多种农机作业机具的图像信息训练特征模型，具有很高的泛化性能，可以用于识别多种农机作业机具，提高了农机作业机具类型识别的准确性和适用性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种农机作业机具类型的识别方法，其特征在于，所述方法包括：

根据农机作业机具的类型，建立所述农机作业机具的监督分类数据库；

采集待识别的农机作业机具的图像信息，并将所述图像信息进行图像处理，获得预处理图像信息；

将所述预处理图像信息与所述监督分类数据库进行特征匹配，获取所述待识别农机作业机具的类型。

2.根据权利要求1所述的方法，其特征在于，所述根据农机作业机具的类型和特征，建立所述农机作业机具的监督分类数据库，包括：预先获取多种农机作业机具的图片信息，根据所述多种农机作业机具的品牌和形状特征，对所述图片信息进行标注，建立所述监督分类数据库。

3.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：利用卷积神经网络算法，对所述监督分类数据库的数据进行训练，提取各个农机作业机具的特征，建立农机作业机具的特征模型；

相应地，所述将所述预处理图像信息与所述监督分类数据库进行特征匹配，包括：将所述预处理图像信息与所述特征模型进行特征匹配。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：定期更新所述监督分类数据库，并根据更新后的监督分类数据库，重新训练测试所述特征模型。

5.根据权利要求1所述的方法，其特征在于，所述将所述图像信息进行图像处理，包括：将所述图像信息进行图片大小归一化处理和/或灰度化处理，获得所述预处理图像信息。

6.一种农机作业机具类型的识别装置，其特征在于，所述装置包括：

数据库建立单元，用于根据农机作业机具的类型，建立所述农机作业机具的监督分类数据库；

图像采集单元，用于采集待识别的农机作业机具的图像信息，并将所述图像信息进行图像处理，获得预处理图像信息；

识别单元，用于将所述预处理图像信息与所述监督分类数据库进行特征匹配，获取所述待识别农机作业机具的类型。

7.根据权利要求1所述的装置，其特征在于，所述数据库建立单元具体用于：预先获取多种农机作业机具的图片信息，根据所述多种农机作业机具的品牌和形状特征，对所述图片信息进行标注，建立所述监督分类数据库。

8.根据权利要求6或7所述的装置，其特征在于，所述数据库建立单元还用于：利用卷积神经网络算法，对所述监督分类数据库的数据进行训练，提取各个农机作业机具的特征，建立农机作业机具的特征模型；

相应地，所述识别单元具体用于：将所述预处理图像信息与所述特征模型进行特征匹配。

9.根据权利要求8所述的装置，其特征在于，所述数据库建立单元还用于：定期更新所述监督分类数据库，并根据更新后的监督分类数据库，重新训练测试所述特征模型。

10.根据权利要求6所述的装置，其特征在于，所述图像采集单元具体用于：将所述图像信息进行图片大小归一化处理和/或灰度化处理，获得所述预处理图像信息。