CN108073947A - 一种识别蓝莓品种的方法 - Google Patents
一种识别蓝莓品种的方法 Download PDFInfo
- Publication number
- CN108073947A CN108073947A CN201711363079.4A CN201711363079A CN108073947A CN 108073947 A CN108073947 A CN 108073947A CN 201711363079 A CN201711363079 A CN 201711363079A CN 108073947 A CN108073947 A CN 108073947A
- Authority
- CN
- China
- Prior art keywords
- blueberry
- identification
- image
- data
- blade
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 235000003095 Vaccinium corymbosum Nutrition 0.000 title claims abstract description 48
- 235000017537 Vaccinium myrtillus Nutrition 0.000 title claims abstract description 48
- 235000021014 blueberries Nutrition 0.000 title claims abstract description 48
- 240000000851 Vaccinium corymbosum Species 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000877 morphologic effect Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000003709 image segmentation Methods 0.000 claims abstract description 3
- 238000012549 training Methods 0.000 claims description 13
- 230000007613 environmental effect Effects 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 11
- 239000013598 vector Substances 0.000 claims description 8
- 244000077233 Vaccinium uliginosum Species 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 7
- 230000012010 growth Effects 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 241001269238 Data Species 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims 1
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 238000003786 synthesis reaction Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 229930014669 anthocyanidin Natural products 0.000 description 1
- 150000001452 anthocyanidin derivatives Chemical class 0.000 description 1
- 235000008758 anthocyanidins Nutrition 0.000 description 1
- 235000021028 berry Nutrition 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 206010023683 lagophthalmos Diseases 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000000050 nutritive effect Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/025—Services making use of location information using location based information parameters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Geometry (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
一种识别蓝莓品种的方法,具体步骤如下:客户端:步骤一,获取带有地理标记的叶片照片;步骤二,对叶片照片进行图像预处理;步骤三,图像分割;步骤四,叶柄剔除;步骤五,形态特征提取;步骤六,构建SVM识别模型;步骤七,基于形状特征进行初步识别品种;服务器端:步骤八,建立生活场景重构的地理空间数据库;步骤九,构建生活场景诊断模型;步骤十,判断初步识别品种是否可在此地生存,识别结果传送到客户端;客户端:步骤十一,进行品种最终识别。本申请中客户端对叶片形态特征进行识别,服务器端对品种和生存条件是否匹配进行判断,两者综合就可高效率、高精度识别蓝莓品种。
Description
本申请为申请号2017102286257、申请日2017年04月10日、发明名称“一种生活场景重构辅助识别蓝莓品种的方法”的分案申请。
技术领域
本发明涉及一种识别蓝莓品种的方法,具体说是一种识别蓝莓品种的方法。
背景技术
蓝莓为多年生浆果类小灌木树种,果实富含花青素,营养价值高,深受消费者青睐,近年来国内种植品种越来越多,市场规模不断扩大。蓝莓分为栽培种和野生种,栽培种又分为北高丛、南高丛、半高丛、矮丛和兔眼等5个类型,每一类型又包括了许多具体品种,目前全球已有数百品种。野生种在我国东北地区有分布,是该区重要的林下经济植物之一。众多蓝莓品种的正确识别是科学开发、合理利用该资源的重要前提。目前,我国种植的蓝莓基本上都是国外品种,这些品种引进渠道多样,品种信息管理不完善,还有些企业对品种私自编号,隐藏正确品种信息,造成生产实践中一些品种信息错乱。此外,国内一些科研机构和企业正在从事蓝莓育种工作,预计会有越来越多的、具有自主版权的品种发布。综上所述,研发一个使用便利、准确度高的蓝莓品种识别方法在生产实践中有着重要意义。
蓝莓品种识别需要分类学知识和丰富的实践经验,传统上是请本领域的专家到现场鉴别,该做法及时性差、经济成本高,结果准确性完全依赖专家的水平。随着计算机视觉技术的迅速发展,利用植物叶、花、果实和种子等的数字图像进行解析,进而判断植物品种,这是解决问题的一个新途径,常用的方法有关系结构匹配、统计学和机器学习等三类。当前,基于图像分析的品种识别方法还不够完善,需要改进,比如品种样本库小,结果无法满足实际需求。另外,现有的方法都局限植物器官自身的特征分析上,试图通过各种计算机算法提取分类特征,达到识别品种的目的,但极少涉及植物生长的地点、生长所需的土地、地形和气候条件以及植物植株大小等,这些因素对正确识别植物品种具有重要价值,可在一定程度上提高识别的效率和准确率。
发明内容
本发明提供了一种识别蓝莓品种的方法,客户端对叶片形态特征进行识别,服务器端对品种和生存条件是否匹配进行判断,两者综合就可高效率、高精度识别蓝莓品种。
为实现上述目的,本申请采用的技术方案是:一种识别蓝莓品种的方法,具体步骤如下:
客户端:
(1)叶片地理标记照片的获取
首先,启动手机内置GPS模块,在空旷地带利用GPS定位,在无GPS信号的地方使用手机移动网络或WiFi进行定位;其次,在手机拍照软件中进行设置,拍照时保存定位信息;最后,取一个合适尺寸的纯白背景板放在叶片后面,调整拍摄的距离和角度,获取叶片的地理标记照片,检查照片,确保照片合格。
(2)图像预处理
根据叶片大小进行剪切,去除照片多余区域,减小图像尺寸;以白色背景板为参照,进行白平衡处理,正确校正图像颜色;选择中值滤波法,消除噪声,保持图像的细节;从地理标记照片提取GPS信息,该定位信息用于发送到服务器端,利用该信息查询本地点的土地、地形、土壤、气候数据等,用来构建该地的生活场景。
(3)图像分割
以叶片图像的R、G、B三色通道为算子,按照公式(R-G-B)为特征量进行计算,结果为灰度图像,叶片和背景的灰度值差异显著,灰度分布呈双峰结构,利用Otsu最大类间方差法进行阈值分割,得到叶片的二值图像。
(4)叶柄剔除
多数情况下,叶柄容易增大品种识别难度,导致识别错误,故在完成图像分割后,还需剔除叶柄。对二值图像进行编辑,选择擦除工具,将叶柄从分类结果图像中删除,提高品种识别的精度。
(5)形态特征提取
对步骤(4)所得二值图像进行分析,提取叶片的形态特征,包括:hu不变距、纵横比、矩形度、面积凹凸比、周长凹凸比、圆形度、球状性。
(6)构建SVM识别模型
按照步骤(1)~(5)构建样本库,使用SVM向量机方法训练样本数据,得到叶片图像特征分类模型,以此作为叶片识别模型。训练过程中,选择径向基核函数来对样本特征向量进行训练,径向基核函数如下:
其中,Xi、Xj是特征向量,σ2为径向基核函数参数,σ2主要影响样本数据在高维特征空间中分布的复杂程度。
(7)基于形状特征的品种识别
在蓝莓品种鉴别现场,依据步骤(1)~(5)获取待识别蓝莓叶片照片,并提取其基本特征,利用步骤(6)构建的SVM识别模型进行诊断,得到品种初步识别结果。把初步识别结果和步骤(2)所得地理标记照片的GPS定位信息发送到服务器端。
服务器端:
(8)生活场景重构的数据准备
蓝莓生长与土地利用类型、土壤、地形和气候等因素密切相关,这些因素也构成了其生存、生长的具体生活场景,结合蓝莓自身的生物学特性就可以推断某一场景是否适合一个蓝莓品种的生长。生活场景的构建涉及两大类数据,第一类是各个蓝莓品种在全国的实际种植位置数据,第二类是环境数据,包括:年均温、年最高温、年最低温、每月月均温、每月最高温、每月最低温、年均降水量、月均降水量、年均相对湿度、月均相对湿度、年均太阳总辐射、月均太阳总辐射,以及海拔高度、坡度、坡向、土地利用、土壤pH、需冷量等。所有数据在ArcGis软件中进行预处理,最终构建成具有同一坐标系统、同一精度的地理空间数据库。
(9)构建生活场景诊断模型
从步骤(8)所建数据库中选择一个蓝莓品种分布数据作为样本点,然后从环境变量数据子库中提取样本点对应的环境特征,取90%样本点作为训练数据,10%样本点作为验证数据。选择径向基核函数,利用One-class SVM方法对训练数据进行训练并检验,构建基于品种-土地-地形-气候相匹配的生活场景诊断模型。逐一选择蓝莓样本库中的品种,重复上述构建模型的过程,最终构建完成样本库所有蓝莓品种的生活场景诊断模型。
(10)生活场景辅助识别
获取步骤(7)中客户端传来的初步识别品种和GPS位置信息,从环境数据子库中提取GPS位置所指地点的各个环境因子,利用步骤(9)所得模型进行诊断,判断初步识别品种是否可在此地生存。识别结果传送到客户端。
客户端:
(11)品种最终识别
依据步骤(10)所得结果,若初步识别品种不能在GPS所指地点生存则断定初步识别结果错误,需要重复步骤(7)及后续步骤继续识别,反之则接受初步识别结果。
本发明中,步骤(1)~(7)为叶片形态特征的识别结果,(8)~(10)为依据品种生长所需的环境因子所得识别结果,该结果不具有唯一性;综合考虑形态特征识别和环境匹配识别,以特征识别为主,以环境匹配识别为辅,以最能符合上述两个识别的为最终结果。
本发明由于采用以上技术方案,能够取得如下的技术效果:①样本库齐全;②品种识别不仅考虑了叶片本身的形态特征,而且考虑了品种生长所需的环境条件是否适合;③本发明不但可以识别蓝莓品种,而且可以获取该品种生长所需的土地、地形和气候等环境要素;④本发明可以在单机和C/S模式下使用,能联网则运行在C/S模式,不能联网则以客户端单机运行,仅以叶片形态特性识别进行诊断。
附图说明
本发明共有附图1幅:
图1为一种识别蓝莓品种的方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图和具体实施例对本发明进行详细描述。
本实施例公开了一种识别蓝莓品种的方法,具体实施步骤如下:
(1)地理标记照片的获取
启动Android手机GPS功能,拍照软件设置为保存位置信息。取一个合适尺寸的纯白背景板放在叶片后面,待搜星完成后,调整拍摄的距离和角度,拍摄叶片的地理标记照片。
(2)图像预处理
删除照片空白区域,以背景板为参照,进行白平衡处理,再采用中值滤波法消除噪声,最后提取照片的GPS信息。
(3)图像分割
以照片的R、G、B三色通道为算子,按照公式(R-G-B)为特征量进行计算,结果为灰度图像。利用Otsu最大类间方差法进行阈值分割,得到叶片的二值图像。
(4)叶柄剔除
对二值图像进行编辑,选择擦除工具,将叶柄从分类结果图像中删除。
(5)形态特征提取
对步骤(4)所得二值图像进行解析,提取叶片的hu不变距、纵横比、矩形度、面积凹凸比、周长凹凸比、圆形度、球状性等特征。
(6)构建分类器
按照步骤(1)~(5)构建样本库,使用SVM向量机方法训练样本数据,得到叶片图像特征分类模型,以此作为叶片识别模型。训练过程中,选择径向基核函数来对样本特征向量进行训练。
(7)基于形状特征的品种识别
依据步骤(1)~(5)获取待识别蓝莓叶片照片,并提取其基本特征,利用步骤(6)构建的SVM识别模型进行诊断,得到品种初步识别结果。把初步识别结果和步骤(2)所得地理标记照片的GPS定位信息发送到服务器端。
(8)生活场景重构的数据准备
多渠道获取构建蓝莓生活场景所需的两大类数据,第一类是各个蓝莓品种在全国的实际种植位置数据,第二类是环境数据,包括:年均温、年最高温、年最低温、每月月均温、每月最高温、每月最低温、年均降水量、月均降水量、年均相对湿度、月均相对湿度、年均太阳总辐射、月均太阳总辐射,以及海拔高度、坡度、坡向、土地利用、土壤pH、需冷量等。所有数据在ArcGis软件中进行预处理,最终构建成具有同一坐标系统、同一精度的地理空间数据库。
(9)构建生活场景诊断模型
从步骤(8)所建数据库中选择一个蓝莓品种分布数据作为样本点,然后从环境变量数据子库中提取样本点对应的环境特征,取90%样本点作为训练数据,10%样本点作为验证数据。选择径向基核函数,利用One-class SVM方法对训练数据进行训练并检验,构建基于品种-土地-地形-气候相匹配的生活场景诊断模型。逐一选择蓝莓样本库中的品种,重复上述构建模型的过程,最终构建完成样本库所有蓝莓品种的生活场景诊断模型。
(10)生活场景辅助识别
获取步骤(7)中客户端传来的初步识别品种和GPS位置信息,从环境数据子库中提取GPS位置所指地点的各个环境因子,利用步骤(9)所得模型进行诊断,判断初步识别品种是否可在此地生存。识别结果传送到客户端。
(11)品种最终识别
依据步骤(10)所得结果,若初步识别品种不能在GPS所指地点生存则断定初步识别结果错误,需要重复步骤(7)及后续步骤继续识别,反之则接受初步识别结果。
植物叶片存活期长,一年中多数时间都可方便采集,可作为植物品种识别的参照器官,因此用叶片来识别品种是最直接有效且最简单的方法。同时,智能手机的普及和性能的迅速提升,为利用手机识别蓝莓品种提供了性能强大的计算平台。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种识别蓝莓品种的方法,其特征在于,包括,客户端:
(1)叶片地理标记照片的获取
首先,启动手机内置GPS模块,在空旷地带利用GPS定位,在无GPS信号的地方使用手机移动网络或WiFi进行定位;其次,在手机拍照软件中进行设置,拍照时保存定位信息;最后,取一个合适尺寸的纯白背景板放在叶片后面,调整拍摄的距离和角度,获取叶片的地理标记照片,检查照片,确保照片合格;
(2)图像预处理
根据叶片大小进行剪切,去除照片多余区域,减小图像尺寸;以白色背景板为参照,进行白平衡处理,正确校正图像颜色;选择中值滤波法,消除噪声,保持图像的细节;从地理标记照片提取GPS信息,该定位信息用于发送到服务器端,利用该信息查询本地点的土地、地形、土壤、气候数据等,用来构建该地的生活场景;
(3)图像分割
以叶片图像的R、G、B三色通道为算子,按照公式(R-G-B)为特征量进行计算,结果为灰度图像,叶片和背景的灰度值差异显著,灰度分布呈双峰结构,利用Otsu最大类间方差法进行阈值分割,得到叶片的二值图像;
(4)叶柄剔除
多数情况下,叶柄容易增大品种识别难度,导致识别错误,故在完成图像分割后,还需剔除叶柄。对二值图像进行编辑,选择擦除工具,将叶柄从分类结果图像中删除,提高品种识别的精度;
(5)形态特征提取
对步骤(4)所得二值图像进行分析,提取叶片的形态特征,包括:hu不变距、纵横比、矩形度、面积凹凸比、周长凹凸比、圆形度、球状性;
(6)构建SVM识别模型
按照步骤(1)~(5)构建样本库,使用SVM向量机方法训练样本数据,得到叶片图像特征分类模型,以此作为叶片识别模型。训练过程中,选择径向基核函数来对样本特征向量进行训练,径向基核函数如下:
<mrow>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,Xi、Xj是特征向量,σ2为径向基核函数参数,σ2主要影响样本数据在高维特征空间中分布的复杂程度;
(7)基于形状特征的品种识别
在蓝莓品种鉴别现场,依据步骤(1)~(5)获取待识别蓝莓叶片照片,并提取其基本特征,利用步骤(6)构建的SVM识别模型进行诊断,得到品种初步识别结果。把初步识别结果和步骤(2)所得地理标记照片的GPS定位信息发送到服务器端。
2.根据权利要求1所述一种识别蓝莓品种的方法,其特征在于,还包括,服务器端:
(8)生活场景重构的数据准备
蓝莓生长与土地利用类型、土壤、地形和气候等因素密切相关,这些因素也构成了其生存、生长的具体生活场景,结合蓝莓自身的生物学特性就可以推断某一场景是否适合一个蓝莓品种的生长。生活场景的构建涉及两大类数据,第一类是各个蓝莓品种在全国的实际种植位置数据,第二类是环境数据,包括:年均温、年最高温、年最低温、每月月均温、每月最高温、每月最低温、年均降水量、月均降水量、年均相对湿度、月均相对湿度、年均太阳总辐射、月均太阳总辐射,以及海拔高度、坡度、坡向、土地利用、土壤pH、需冷量等。所有数据在ArcGis软件中进行预处理,最终构建成具有同一坐标系统、同一精度的地理空间数据库;
(9)构建生活场景诊断模型
从步骤(8)所建数据库中选择一个蓝莓品种分布数据作为样本点,然后从环境变量数据子库中提取样本点对应的环境特征,取90%样本点作为训练数据,10%样本点作为验证数据。选择径向基核函数,利用One-class SVM方法对训练数据进行训练并检验,构建基于品种-土地-地形-气候相匹配的生活场景诊断模型。逐一选择蓝莓样本库中的品种,重复上述构建模型的过程,最终构建完成样本库所有蓝莓品种的生活场景诊断模型;
(10)生活场景辅助识别
获取步骤(7)中客户端传来的初步识别品种和GPS位置信息,从环境数据子库中提取GPS位置所指地点的各个环境因子,利用步骤(9)所得模型进行诊断,判断初步识别品种是否可在此地生存,识别结果传送到客户端。
3.根据权利要求2所述一种识别蓝莓品种的方法,其特征在于,还包括,客户端:
(11)品种最终识别
依据步骤(10)所得结果,若初步识别品种不能在GPS所指地点生存则断定初步识别结果错误,需要重复步骤(7)及后续步骤继续识别,反之则接受初步识别结果;
步骤(1)~(7)为叶片形态特征的识别结果,(8)~(10)为依据品种生长所需的环境因子所得识别结果,该结果不具有唯一性;综合考虑形态特征识别和环境匹配识别,以特征识别为主,以环境匹配识别为辅,以最能符合上述两个识别的为最终结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711363079.4A CN108073947B (zh) | 2017-04-10 | 2017-04-10 | 一种识别蓝莓品种的方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710228625.7A CN106991449B (zh) | 2017-04-10 | 2017-04-10 | 一种生活场景重构辅助识别蓝莓品种的方法 |
CN201711363079.4A CN108073947B (zh) | 2017-04-10 | 2017-04-10 | 一种识别蓝莓品种的方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710228625.7A Division CN106991449B (zh) | 2017-04-10 | 2017-04-10 | 一种生活场景重构辅助识别蓝莓品种的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108073947A true CN108073947A (zh) | 2018-05-25 |
CN108073947B CN108073947B (zh) | 2021-08-27 |
Family
ID=59415490
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711363079.4A Active CN108073947B (zh) | 2017-04-10 | 2017-04-10 | 一种识别蓝莓品种的方法 |
CN201710228625.7A Active CN106991449B (zh) | 2017-04-10 | 2017-04-10 | 一种生活场景重构辅助识别蓝莓品种的方法 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710228625.7A Active CN106991449B (zh) | 2017-04-10 | 2017-04-10 | 一种生活场景重构辅助识别蓝莓品种的方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN108073947B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109275096A (zh) * | 2018-11-16 | 2019-01-25 | 电子科技大学 | 一种基于多层融合网络动态匹配的室内定位方法 |
CN113191175A (zh) * | 2020-01-14 | 2021-07-30 | 靳爱丛 | 信息提醒平台及方法 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967457B (zh) * | 2017-11-27 | 2024-03-19 | 全球能源互联网研究院有限公司 | 一种适应视觉特征变化的地点识别与相对定位方法及系统 |
CN112184789B (zh) * | 2020-08-31 | 2024-05-28 | 深圳大学 | 植物模型生成方法、装置、计算机设备和存储介质 |
CN112489129B (zh) * | 2020-12-18 | 2024-07-19 | 深圳市优必选科技股份有限公司 | 位姿识别模型训练方法、装置、位姿识别方法和终端设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130291151A1 (en) * | 2012-04-26 | 2013-10-31 | Monsanto Technology Llc | Plants and seeds of spring canola variety scv318181 |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN203414962U (zh) * | 2013-07-22 | 2014-01-29 | 同济大学 | 一种基于智能终端的植物叶片识别装置 |
CN103714317A (zh) * | 2013-12-10 | 2014-04-09 | 同济大学 | 一种基于Android平台的植物叶片识别方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914707B (zh) * | 2014-04-15 | 2017-02-15 | 广西交通投资集团有限公司 | 基于支持向量机的绿色通道产品辅助判别方法 |
US9734426B2 (en) * | 2014-09-03 | 2017-08-15 | Sri International | Automated food recognition and nutritional estimation with a personal mobile electronic device |
CN105203456B (zh) * | 2015-10-28 | 2018-09-18 | 小米科技有限责任公司 | 植物品种识别方法及装置 |
CN105866233A (zh) * | 2016-06-01 | 2016-08-17 | 云南省农业科学院质量标准与检测技术研究所 | 普洱茶古树茶真伪识别方法 |
CN106127239A (zh) * | 2016-06-18 | 2016-11-16 | 深圳市易特科信息技术有限公司 | 基于地理位置的植物识别系统及方法 |
CN106447170A (zh) * | 2016-08-31 | 2017-02-22 | 深圳前海弘稼科技有限公司 | 一种种植箱信息显示方法、服务器、种植箱以及种植系统 |
-
2017
- 2017-04-10 CN CN201711363079.4A patent/CN108073947B/zh active Active
- 2017-04-10 CN CN201710228625.7A patent/CN106991449B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130291151A1 (en) * | 2012-04-26 | 2013-10-31 | Monsanto Technology Llc | Plants and seeds of spring canola variety scv318181 |
CN203414962U (zh) * | 2013-07-22 | 2014-01-29 | 同济大学 | 一种基于智能终端的植物叶片识别装置 |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
CN103714317A (zh) * | 2013-12-10 | 2014-04-09 | 同济大学 | 一种基于Android平台的植物叶片识别方法 |
Non-Patent Citations (1)
Title |
---|
汤晓东 等: "《复杂背景下的大豆叶片识别》", 《电子测量与仪器学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109275096A (zh) * | 2018-11-16 | 2019-01-25 | 电子科技大学 | 一种基于多层融合网络动态匹配的室内定位方法 |
CN113191175A (zh) * | 2020-01-14 | 2021-07-30 | 靳爱丛 | 信息提醒平台及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106991449A (zh) | 2017-07-28 |
CN108073947B (zh) | 2021-08-27 |
CN106991449B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108073947A (zh) | 一种识别蓝莓品种的方法 | |
Surový et al. | Estimation of positions and heights from UAV-sensed imagery in tree plantations in agrosilvopastoral systems | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN111898503B (zh) | 基于云覆盖遥感影像和深度学习的作物识别方法和系统 | |
CN107392892B (zh) | 基于图像的玉米生育前期干旱胁迫自动识别方法 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN108195767A (zh) | 河口湿地外来种监测方法 | |
CN112712038B (zh) | 基于多光谱卫星影像监测小麦倒伏状况的方法及系统 | |
CN110008912B (zh) | 一种基于植物识别的社交平台匹配方法和系统 | |
Yancho et al. | Fine-scale spatial and spectral clustering of UAV-acquired digital aerial photogrammetric (DAP) point clouds for individual tree crown detection and segmentation | |
CN108399400A (zh) | 一种基于高分辨率遥感数据的早期作物识别方法和系统 | |
CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
CN112989969A (zh) | 一种作物病虫害识别方法及装置 | |
CN110751035A (zh) | 一种制种玉米的识别方法及装置 | |
Bhuyar et al. | Crop classification with multi-temporal satellite image data | |
Zermas et al. | Extracting phenotypic characteristics of corn crops through the use of reconstructed 3D models | |
Gonzalez Musso et al. | Applying unmanned aerial vehicles (UAVs) to map shrubland structural attributes in northern Patagonia, Argentina | |
Weaver et al. | From leaves to labels: Building modular machine learning networks for rapid herbarium specimen analysis with LeafMachine2 | |
Matias et al. | Bison‐Fly: An open‐source UAV pipeline for plant breeding data collection | |
CN114596509A (zh) | 一种基于机器视觉的水稻秧苗叶龄期识别方法 | |
Sun et al. | Monitoring annual urbanization activities in Guangzhou using Landsat images (1987–2015) | |
Green et al. | Plantation Loblolly pine seedling counts with unmanned aerial vehicle imagery: a case study | |
EP4099258A1 (en) | Information processing device | |
Zhao et al. | A dataset of pomegranate growth stages for machine learning-based monitoring and analysis | |
CN117036861A (zh) | 一种基于Faster-YOLOv8s网络的玉米作物行识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |