CN109544505A - 咖啡开花期的检测方法、装置及电子设备 - Google Patents

Abstract

本发明公开了一种咖啡开花期的检测方法、装置及电子设备，其中，方法包括：获取待检测图像；提取待检测图像的冠层区域图像；基于预设分类器对冠层区域图像进行检测，以确定待检测图像是否处于开花期；其中，预设分类器为利用样本图像对监督学习算法进行训练得到的。该方法通过对待检测图像进行冠层区域图像的提取，使得提取出的图像仅包括咖啡植株且排除其他对象(例如，树干，树枝等等)，为后续利用预设分类器进行检测提供了基础，能够保证检测的准确性；此外，由于预设分类器是通过对样本图像进行训练得到的，其学习了样本图像中开花期的特征，从而提高了对冠层区域图像进行检测的准确性。

Description

咖啡开花期的检测方法、装置及电子设备

技术领域

本发明涉及数字图像处理和农业气象观测交叉的技术领域，具体涉及一种咖啡开花期的检测方法、装置及电子设备。

背景技术

咖啡是世界三大饮料之一，由于咖啡花芽发育的不同步性，导致咖啡有多次开花现象及花期集中的特性。例如，在云南盛花期为3－5月，每次开花持续三天左右，因此果期从10月持续至1月左右，这导致收获期果实具有不同的成熟度以及咖啡果实成熟期在时间和空间上都难以追踪和预测。此外，采收期持续时间长，造成采收成本高，采后挑拣工作量大，不利于病虫害控制，且不利于高品质果实的生产。为了解决这些问题，咖啡生育期观测具有重要意义，而准确观测多次开花的时间和开花密度尤为重要，其对花期调控、灌溉和施肥具有指导作用，同时为果实发育和成熟期追踪预测以及产量预测方面提供重要数据。

目前对咖啡开花期观测一般是人工观测法和遥感方法，其中，人工观测代价高且效率低，缺乏统一标准，导致检测准确性较低。此外，基于遥感方法是利用高时间分辨率和粗空间分辨率的MODIS数据，对咖啡生育期进行观测，并结合多个完整的咖啡生育周期的数据，对咖啡开发期进行检测；然而，该方法中由于咖啡生育期的历史数据受当年环境、气候等因素的影响，对当前咖啡生育期的检测仅具有参考作用，以历史数据作为主要的检测要素，导致检测的准确性偏低。

发明内容

有鉴于此，本发明实施例提供了一种咖啡开花期的检测方法、装置及电子设备，以解决检测准确率低的问题。

根据第一方面，本发明实施例提供了一种咖啡开花期的检测方法，包括：

获取待检测图像；

提取所述待检测图像的冠层区域图像；

基于预设分类器对所述冠层区域图像进行检测，以确定所述待检测图像是否处于开花期；其中，所述预设分类器为利用样本图像对监督学习算法进行训练得到的。

本发明实施例提供的咖啡开花期的检测方法，通过对待检测图像进行冠层区域图像的提取，其中，冠层区域图像为从图像上能看到的属于咖啡植株的区域以及咖啡植株的某些侧面，使得提取出的图像仅包括咖啡植株且排除其他对象(例如，树干，树枝等等)，为后续利用预设分类器进行检测提供了基础，能够保证检测的准确性；此外，由于预设分类器是通过对样本图像进行训练得到的，其学习了样本图像中开花期的特征，从而提高了对冠层区域图像进行检测的准确性。

结合第一方面，在第一方面第一实施方式中，所述预设分类器通过如下步骤得到：

获取若干咖啡图像；

提取所述咖啡图像的冠层区域，以得到所述样本图像；其中，所述样本图像包括正样本集以及负样本集，所述正样本集为咖啡花或花序图像，所述负样本集为开花期以外的咖啡图像；

提取所述样本图像的颜色特征；

基于所述颜色特征，对所述对监督学习算法进行训练，以得到所述预设分类器。

本发明实施例提供的咖啡开花的检测方法，由于颜色特征能够较好地对于咖啡开花期的特征进行描述，因此，利用样本图像的颜色特征对监督学习算法进行训练所得到预设分类器能够对较准确地检测出咖啡开花期。

结合第一方面第一实施方式，在第一方面第二实施方式中，所述提取所述样本图像的颜色特征，包括：

将所述样本图像转换到HSV颜色空间；其中，所述HSV颜色空间量化为预设数量的量化级；

提取所述样本图像中每个像素点的HSV空间颜色，以确定所述像素点对应的所述量化级；

统计各个所述量化级的所述像素点的个数，以得到所述颜色特征。

本发明实施例提供的咖啡开花期的检测方法，由于HSV颜色空间对颜色的表达与人眼对颜色的感知类似，能够较好地还原人眼所感知的颜色特征；此外，通过对HSV颜色空间进行量化，便于后续采用颜色直方图的形式描述颜色特征，从而能够简化训练的过程，提高训练效率。

结合第一方面第一实施方式或第一方面第二实施方式，在第一方面第三实施方式中，所述基于所述颜色特征，对所述对监督学习算法进行训练，以得到所述预设分类器，包括：

采用多项式核函数对所述监督学习算法进行训练，得到预设模型；

利用K折交叉验证对所述预设模型进行评估，得到所述预设分类器。

本发明实施例提供的咖啡开花期的检测方法，通过K折交叉验证对预设模型进行评估，能够找到预设分类器中各个参数的最佳特征提取方式，以保证利用预设分类器对待检测图像进行检测的准确性。

结合第一方面，在第一方面第四实施方式中，所述基于预设分类器对所述冠层区域图像进行检测，以确定所述待检测图像是否处于开花期，包括：

利用预设尺寸的窗口，依次提取所述窗口内所述冠层区域图像的特征；

基于所述预设分类器对所述特征进行分类，以确定开花窗口的数量；其中，所述开花窗口内所述冠层区域图像的特征为开花；

利用所述开花窗口的数量，确定所述待检测图像是否处于开花期。

本发明实施例提供的咖啡开花期的检测方法，通过利用窗口对冠层区域图像的特征进行提取，即将冠层区域图像划分为若干与窗口尺寸相同的子图像，再利用划分后的子图像进行开花期的检测，能够提高检测的准确性。

结合第一方面第四实施方式，在第一方面第五实施方式中，所述利用所述开花窗口的数量，确定所述待检测图像是否处于开花期，包括：

判断所述开花窗口的数量是否大于第一阈值；

当所述开花窗口的数量大于第一阈值时，确定所述待检测图像处于开花期。

结合第一方面第四实施方式，在第一方面第六实施方式中，所述利用所述开花窗口的数量，确定所述待检测图像是否处于开花期，包括：

统计所述冠层区域图像对应的所有所述窗口的数量；

计算所述开花窗口的数量与所有所述窗口的数量的比例；

当所述比例大于第二阈值时，确定所述待检测图像处于开花期。

根据第二方面，本发明实施例还提供了一种咖啡开花期的检测装置，包括：

获取模块，用于获取待检测图像；

提取模块，用于提取所述待检测图像的冠层区域图像；

检测模块，用于基于预设分类器对所述冠层区域图像进行检测，以确定所述待检测图像是否处于开花期；其中，所述预设分类器为利用样本图像对监督学习算法进行训练得到的。

本发明实施例提供的咖啡开花期的检测装置，通过对待检测图像进行冠层区域图像的提取，其中，冠层区域图像为从图像上能看到的属于咖啡植株的区域以及咖啡植株的某些侧面，使得提取出的图像仅包括咖啡植株且排除其他对象(例如，树干，树枝等等)，为后续利用预设分类器进行检测提供了基础，能够保证检测的准确性；此外，由于预设分类器是通过对样本图像进行训练得到的，其学习了样本图像中开花期的特征，从而提高了对冠层区域图像进行检测的准确性。

根据第三方面，本发明实施例还提供了一种电子设备，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行本发明第一方面或第一方面中任一项实施方式所述的咖啡开花期的检测方法。

根据第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行本发明第一方面或第一方面中任一项实施方式所述的咖啡开花期的检测方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的咖啡开花期的检测方法的流程图；

图2是根据本发明实施例的预设分类器的构建方法的流程图；

图3是根据本发明实施例的预设分类器的构建方法的流程图；

图4是根据本发明实施例的冠层区域的提取结果的示意图；

图5是根据本发明实施例的样本图像的示意图；

图6是根据本发明实施例的样本图像直方图的示意图；

图7是根据本发明实施例的咖啡开花期的检测方法的流程图；

图8是根据本发明实施例的咖啡开花期的检测结果的示意图；

图9是根据本发明实施例的咖啡开花期的检测装置的结构框图；

图10是根据本发明实施例的咖啡开花期的检测装置的结构框图；

图11是本发明实施例提供的电子设备的硬件结构示意图。

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、完整地描述，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，本领域技术人员在没有作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。

根据本发明实施例，提供了一种咖啡开花期的检测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

在本实施例中提供了一种咖啡开花期的检测方法，可用于上述的电子设备，图1是根据本发明实施例的咖啡开花期的检测方法的流程图，如图1所示，该流程包括如下步骤：

S11，获取待检测图像。

电子设备所获取到的待检测图像，可以是来自安装于咖啡种植园的图像采集设备实时采集的图像；也可以是存储与电子设备中的图像；亦或是电子设备通过其他方式从外界获取到的图像等等。不论电子设备通过何种方式获取到待检测图像，只需保证电子设备能够获取到该待检测图像即可。

需要说明的是，待检测图像可以是单张图像；也可以是时间序列图像(即，拍摄时间连续的若干图像)。

S12，提取待检测图像的冠层区域图像。

其中，冠层是指图像上能看到的属于咖啡植株的区域，可能也包含咖啡植株的某些侧面。具体地，电子设备对于冠层区域图像的提取可以是制作冠层掩膜图像，利用冠层掩膜图像对待检测图像进行冠层区域图像的提取；也可以是利用排除法将咖啡植株以外的对象(例如，树干，树枝等等)去除；或者，采用其他方法提取待检测图像的冠层区域图像等等。

S13，基于预设分类器对冠层区域图像进行检测，以确定待检测图像是否处于开花期。

其中，预设分类器为利用样本图像对监督学习算法进行训练得到的。

具体地，预设分类器可以是事先训练好，保存在电子设备中；也可以是电子设备从外界获取到的；亦或是，电子设备在需要对待检测图像进行检测之前，训练得到的。其中，监督学习算法可以是概率监督学习、支持向量机或决策树中的一种；也可以是其他类型的监督学习算法。

电子设备通过训练好的预设分类器对冠层区域图像进行检测，即对冠层区域图像进行分类，判断该冠层区域图像是否处于开花期。如果该冠层区域图像处于开花期，则可以标记出开花植株的位置，以便于后续统计冠层区域图像中的开花植株数量。

此外，当待检测图像为时间序列图像时，电子设备还可以记录时间序列图像的各个冠层区域图像中开花植株数量的变化，从而能够实现咖啡开花期间多次开花具体日期的自动化检测，为咖啡生育期观测人员提供可靠的咖啡开花日期。

本实施例提供的咖啡开花期的检测方法，通过对待检测图像进行冠层区域图像的提取，其中，冠层区域图像为从图像上能看到的属于咖啡植株的区域以及咖啡植株的某些侧面，使得提取出的图像仅包括咖啡植株且排除其他对象(例如，树干，树枝等等)，为后续利用预设分类器进行检测提供了基础，能够保证检测的准确性；此外，由于预设分类器是通过对样本图像进行训练得到的，其学习了样本图像中开花期的特征，从而提高了对冠层区域图像进行检测的准确性。

作为本实施例的一种可选实施方式，其中，如图2所示，所述预设分类器是通过如下步骤得到的：

S21，获取若干咖啡图像。

其中，咖啡图像来自安装在咖啡种植园的图像采集系统所采集的图像，该系统可以实时采集种植园全景序列图像。针对指定咖啡观测范围，可以设置图像采集设备的拍摄俯角在60°～80°之间，采集该俯角范围内全景图像。其中，具体拍摄俯角的范围，可以根据实际情况进行调整。

S22，提取咖啡图像的冠层区域，以得到样本图像。

其中，样本图像包括正样本集以及负样本集，正样本集为咖啡花或花序图像，负样本集为开花期以外的咖啡图像。

对于咖啡图像的冠层区域的提取，可以是选取俯角分为内多个(例如，6－8个)不同水平角度的咖啡图像，制作成冠层掩膜图像，分别用于不同角度咖啡图像冠层的提取，各角度冠层区域保持一致。

此外，咖啡图像的冠层区域的提取也可以采用图1所示实施例的S12，在此不再赘述。

进一步地，在咖啡图像的冠层区域提取完成之后，从每张图选取预设大小像素的包含咖啡花或花序图像，构建正样本集；选取一定数量的开花期以外的咖啡图像，从每张图选取相同大小像素(即，与正样本集中图像的像素相同)的样本，构建负样本集。其中，正样本集以及负样本集的具体数量可以根据实际情况进行具体设置。可选地，正样本集与负样本集中图像的比例可以为1：5。

S23，提取样本图像的颜色特征。

其中，对于颜色特征的提取可以采用如下方式：

(1)样本图像为RGB彩色图像，首先，提取样本图像中各像素点的像素值；即，分别在R、G、B空间内提取各个像素点的像素值。然后，基于各像素点的像素值，计算样本图像的颜色矩，以得到颜色特征。具体计算方法为，使用一阶矩平均值、二阶矩方差以及三阶矩偏斜度来提取样本图像在R、G、B三个颜色维度的特征；即，将各像素点在R、G、B空间内分别取像素值的平均值、方差和偏斜度，组成9维特征向量；该特征向量即可用于表示颜色特征。

(2)将样本图像转化为HSV图像，利用HSV颜色空间描述样本图像的颜色特征；即，采用颜色直方图的形式描述颜色特征。

S24，基于颜色特征，对监督学习算法进行训练，以得到预设分类器。

其中，利用S23中得到的颜色特征，对监督学习算法进行训练；在训练时，也可以结合验证算法对训练结果进行评估，以提高构建出的预设分类器的准确性。

本实施例提供的预设分类器的构建方法，由于颜色特征能够较好地对于咖啡开花期的特征进行描述，因此，利用样本图像的颜色特征对监督学习算法进行训练所得到预设分类器能够对较准确地检测出咖啡开花期。

进一步可选地，如图3所示，所述预设分类器是通过如下步骤得到的：

S31，获取若干咖啡图像。详细请参见图2所示实施例的S21，在此不再赘述。

S32，提取咖啡图像的冠层区域，以得到样本图像。

其中，样本图像包括正样本集以及负样本集，正样本集为咖啡花或花序图像，负样本集为开花期以外的咖啡图像。

具体地，咖啡图像的冠层区域的提取可以包括以下步骤：

(1)对咖啡图像进行预处理。

在获取咖啡图像之后，需要对图像进行滤波预处理，以降低噪声。由于噪声属于高频信号，因此可以采用高斯滤波器去除噪声。

(2)分割预处理后的咖啡图像。

在预处理完成后，需要提取图像中的咖啡植株；及将咖啡植株从图像中分割出来。具体地，由于咖啡植株的颜色为绿色，因此，可以在RGB颜色空间中，将绿色作为特征，通过阈值的方法将图像分割为绿色以及非绿色部分。

具体地，在RGB空间中，图像的任一像素点的颜色可以看做是红、绿、蓝三个分量不同比例的组合。然而由于RGB颜色空间受光照影响较大，因此，将图像在RGB颜色空间内进行归一化处理，以减少光照的影响。其中，可以采用如下公式进行归一化处理：

其中，r、g、b分别为从图像中提取出的红色分量、绿色分量以及蓝色分量；R、G、B分别为归一化后的结果。

在归一化处理完成之后，采用预设模板向量对各点处的(R，G，B)分量进行处理，其中，预设模板向量中各元素之和为0且对称。具体可以采用如下公式表示：

其中，y+x+y＝0，x，y为常数且x大于y；ROI为用于判断提取出的植株是否为绿色区域。

具体地，由于预设模板具有对称性，且长度为技术，因此具有线性相位，保证时不变要求。对于蓝色和红色显著的区域，计算结果ROI为负值；对于绿色显著的区域，计算结果ROI大于0。上式中，可以设置阈值α∈(0,0.6]；即，当ROI∈(0,0.6]时，确定该区域为绿色显著的区域，即该区域属于咖啡植株区域；否则，该区域不属于咖啡植株区域。

优选地，

采用该公式计算出的ROI，可以用0进行阈值话，即产生二值图像，只要大于0即可判断为绿色区域。

因此，采用上述公式，即可将图像分割为咖啡植株区域以及非咖啡植株区域。

(3)填充孔洞。

由于反光会使得RGB图像中的部分区域表现为白色，而采用上式计算后，白色区域的计算结果为0，该结果在阈值化后变成背景，从而导致提取出的咖啡植株区域出现孔洞；而实际的背景在阈值化后也会出现孔洞，这两类孔洞混在一起。因此，需要对孔洞进行判断，只需要填充属于咖啡植株区域的孔洞。具体的判断方法为，读取孔洞所在区域的原始图像的红蓝分量，若其值大于定义的阈值，则该孔洞属于咖啡植株区域的孔洞，需要对其进行填充，否则是背景无需进行填充。

填充算法是从孔洞的一个给定点X₀开始，按照下式进行迭代，直至X_k＝X_k－1(k＝1，2，3，…)为止。

其中，A为一个具有8连通边界的集合，边界包围孔洞；A^C是A的补集；B为结构元素；X_k包含所有被填充的孔洞。

在孔洞填充完成之后，即可完成咖啡图像的冠层区域的提取，具体冠层区域的提取结果如图4所示。

在咖啡冠层图像提取结束之后，选取一定数量的咖啡开花图像，从每张图选取特定大小像素的包含咖啡花或者花序样本，对样本重采样处理，构建预设分类器的正样本集。选取一定数量的开花期以外咖啡图像，从每张图随机选取相同大小像素的样本，重采样处理之后，构建预设分类器的负样本集。正负训练样本比例接近1：5，此比例较适合训练分类器。训练样本集如图5所示。

S33，提取样本图像的颜色特征。

其中，HSV颜色空间是对颜色的表达与人眼对颜色的感知类似，其模型可表示为一个倒置的圆锥体，围绕长轴的角度表示色调，范围在0°到360°，离开长轴的距离表示饱和度，范围在0到1，长轴表示亮度，范围在0到1。

具体地，可以采用如下步骤提取样本图像的颜色特征：

S331，将样本图像转换到HSV颜色空间。

其中，HSV颜色空间量化为预设数量的量化级。

具体地，HSV颜色空间分别进行均匀量化，例如，可以将H维量化为16级，S维量化为4级以及V维量化为4级，从而组成256级直方图，用于描述样本图像的颜色特征。

S332，提取样本图像中每个像素点的HSV空间颜色，以确定像素点对应的量化级。

提取样本图像中每个像素点的HSV空间颜色，并将其归入256级中的一级，从而即可确定像素点对应的量化级。

S333，统计各个量化级的像素点的个数，以得到颜色特征。

统计256级每级的像素数，以得到颜色直方图，即颜色特征。具体地，正样本集以及负样本集的直方图可以如图6所示。

S34，基于颜色特征，对监督学习算法进行训练，以得到预设分类器。

在得到颜色特征之后，利用该颜色特征对监督学习算法进行训练，即可构建出预设分类器。具体地，包括：

S341，采用多项式核函数对监督学习算法进行训练，得到预设模型。

其中，监督学习算法为支持向量机(support vector machine，简称为SVM)，采用多项式核函数对SVM进行训练，以得到预设模型。具体地，多项式核函数为二次核函数。

S342，利用K折交叉验证对预设模型进行评估，得到预设分类器。

在得到预设模型之后，再结合K折交叉验证对该预设模型进行评估，以构建准确度较高的预设分类器。具体地，K取10，使用十折交叉验证的平均精度对预设模型进行性能度量，精度时分类正确的样本数占样本总数的比例。通过精度评估，找到参数最佳特征提取方式，在对所有样本进行训练之后，最终构建出预设分类器。

本实施例提供的预设分类器的构建方法，通过K折交叉验证对预设模型进行评估，能够找到预设分类器中各个参数的最佳特征提取方式，以保证利用预设分类器对待检测图像进行检测的准确性。

本发明实施例还提供了一种咖啡开花期的检测方法，如图7所示，该方法包括：

S41，获取待检测图像。

其中，待检测图像为单张图像。其具体获取方法请参见图1所示实施例的S41，在此不再赘述。

S42，提取待检测图像的冠层区域图像。

其中，待检测图像的冠层区域图像的提取与咖啡图像的冠层区域的提取类似，详细请参见图3所示实施例的S32的中关于提取咖啡图像的冠层区域的描述，在此不再赘述。

S43，基于预设分类器对冠层区域图像进行检测，以确定待检测图像是否处于开花期。

其中，预设分类器为利用样本图像对监督学习算法进行训练得到的。

电子设备在得到冠层区域图像之后，将冠层区域图像重采样为原图的50％大小，再利用预设尺寸的窗口进行特征提取，并进行分类。具体的检测过程包括：

S431，利用预设尺寸的窗口，依次提取窗口内冠层区域图像的特征。

例如，使用大小为20×20像素，间隔为20像素的滑动窗口对冠层区域图像进行检测，提取每个窗口内冠层区域图像的特征；该特征为颜色特征。

S432，基于预设分类器对特征进行分类，以确定开花窗口的数量。

其中，开花窗口内冠层区域图像的特征为开花。

其中，预设分类器为利用样本图像对支持向量机进行训练得到的。预设分类器对输入的冠层区域图像的特征进行分类，确定该特征是否为开花特征。即，训练得到的支持向量机对窗口内冠层区域图像的特征进行分类，判断该窗口内冠层区域图像的特征属于开花还是未开花，将特征为开花的窗口定义为开花窗口。

S433，利用开花窗口的数量，确定待检测图像是否处于开花期。

电子设备在利用预设尺寸的窗口对冠层区域图像进行检测之后，可以统计检测出的所有开花窗口的数量，以确定检测图像是否处于开花期，具体地，包括：

(1)统计冠层区域图像对应的所有窗口的数量；

(2)计算开花窗口的数量与所有窗口的数量的比例。

(3)当比例大于第二阈值时，确定待检测图像处于开花期。

与图1所示实施例相比，本实施例提供的咖啡开花期的检测方法，通过利用窗口对冠层区域图像的特征进行提取，即将冠层区域图像划分为若干与窗口尺寸相同的子图像，再利用划分后的子图像进行开花期的检测，能够提高检测的准确性。

可选地，当待检测图像中的窗口确定为开花窗口时，如图8所示，可以利用框线在待检测图像中将开花窗口标记出。

作为本实施例的一种可选实施方式，当待检测图像为时间序列图像时，利用开花窗口的数量，确定待检测图像是否处于开花期，还可以包括：

(1)判断开花窗口的数量是否大于第一阈值；

(2)当开花窗口的数量大于第一阈值时，确定待检测图像处于开花期。

具体地，由于用于训练的正样本图像全部为咖啡开花盛期图像，因此，为了实现咖啡开花的自动检测，对于不同拍摄角度下的时间序列图像，可以设定不同的第一阈值，若开花窗口的数量大于第一阈值，则判定为开花期，反之判定为未开花期。最后，综合多角度图像信息，最终高效准确的识别出咖啡开花期的图像。

在本实施例中还提供了一种咖啡开花期的检测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

本实施例提供一种咖啡开花期的检测装置，如图9所示，包括：

获取模块51，用于获取待检测图像。

提取模块52，用于提取待检测图像的冠层区域图像。

检测模块53，用于基于预设分类器对冠层区域图像进行检测，以确定待检测图像是否处于开花期；其中，预设分类器为利用样本图像对监督学习算法进行训练得到的。

本发明实施例提供的咖啡开花期的检测装置，通过对待检测图像进行冠层区域图像的提取，其中，冠层区域图像为从图像上能看到的属于咖啡植株的区域以及咖啡植株的某些侧面，使得提取出的图像仅包括咖啡植株且排除其他对象(例如，树干，树枝等等)，为后续利用预设分类器进行检测提供了基础，能够保证检测的准确性；此外，由于预设分类器是通过对样本图像进行训练得到的，其学习了样本图像中开花期的特征，从而提高了对冠层区域图像进行检测的准确性。

作为本实施例的一种可选实施方式，其中，如图10所示，检测模块53包括：

提取单元531，用于利用预设尺寸的窗口，依次提取窗口内冠层区域图像的特征。

分类单元532，用于基于预设分类器对特征进行分类，以确定开花窗口的数量；其中，所述开花窗口内冠层区域图像的特征为开花。

开花期确定单元533，用于利用开花窗口的数量，确定待检测图像是否处于开花期。

本实施例中的咖啡开花期的检测装置是以功能单元的形式来呈现，这里的单元是指ASIC电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

上述各个模块的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本发明实施例还提供一种电子设备，具有上述图9以及图10所示的咖啡开花期的检测装置。

请参阅图11，图11是本发明可选实施例提供的一种电子设备的结构示意图，如图11所示，该电子设备可以包括：至少一个处理器61，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口63，存储器64，至少一个通信总线62。其中，通信总线62用于实现这些组件之间的连接通信。其中，通信接口63可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口63还可以包括标准的有线接口、无线接口。存储器64可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non－volatile memory)，例如至少一个磁盘存储器。存储器64可选的还可以是至少一个位于远离前述处理器61的存储装置。其中处理器61可以结合图9以及图10所描述的装置，存储器64中存储应用程序，且处理器61调用存储器64中存储的程序代码，以用于执行上述任一方法步骤。

其中，通信总线62可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线62可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

其中，存储器64可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random－access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non－volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：harddisk drive，缩写：HDD)或固态硬盘(英文：solid－state drive，缩写：SSD)；存储器64还可以包括上述种类的存储器的组合。

其中，处理器61可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。

其中，处理器61还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application－specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field－programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic，缩写：GAL)或其任意组合。

可选地，存储器64还用于存储程序指令。处理器61可以调用程序指令，实现如本申请图1和7实施例中所示的咖啡开花期的检测方法。

本发明实施例还提供了一种非暂态计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的咖啡开花期的检测方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种咖啡开花期的检测方法，其特征在于，包括：

获取待检测图像；

提取所述待检测图像的冠层区域图像；

基于预设分类器对所述冠层区域图像进行检测，以确定所述待检测图像是否处于开花期；其中，所述预设分类器为利用样本图像对监督学习算法进行训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述预设分类器通过如下步骤得到：

获取若干咖啡图像；

提取所述咖啡图像的冠层区域，以得到所述样本图像；其中，所述样本图像包括正样本集以及负样本集，所述正样本集为咖啡花或花序图像，所述负样本集为开花期以外的咖啡图像；

提取所述样本图像的颜色特征；

基于所述颜色特征，对所述对监督学习算法进行训练，以得到所述预设分类器。

3.根据权利要求2所述的方法，其特征在于，所述提取所述样本图像的颜色特征，包括：

将所述样本图像转换到HSV颜色空间；其中，所述HSV颜色空间量化为预设数量的量化级；

提取所述样本图像中每个像素点的HSV空间颜色，以确定所述像素点对应的所述量化级；

统计各个所述量化级的所述像素点的个数，以得到所述颜色特征。

4.根据权利要求2或3所述的方法，其特征在于，所述基于所述颜色特征，对所述对监督学习算法进行训练，以得到所述预设分类器，包括：

采用多项式核函数对所述监督学习算法进行训练，得到预设模型；

利用K折交叉验证对所述预设模型进行评估，得到所述预设分类器。

5.根据权利要求1所述的方法，其特征在于，所述基于预设分类器对所述冠层区域图像进行检测，以确定所述待检测图像是否处于开花期，包括：

利用预设尺寸的窗口，依次提取所述窗口内所述冠层区域图像的特征；

基于所述预设分类器对所述特征进行分类，以确定开花窗口的数量；其中，所述开花窗口内所述冠层区域图像的特征为开花；

利用所述开花窗口的数量，确定所述待检测图像是否处于开花期。

6.根据权利要求5所述的方法，其特征在于，所述利用所述开花窗口的数量，确定所述待检测图像是否处于开花期，包括：

判断所述开花窗口的数量是否大于第一阈值；

当所述开花窗口的数量大于第一阈值时，确定所述待检测图像处于开花期。

7.根据权利要求5所述的方法，其特征在于，所述利用所述开花窗口的数量，确定所述待检测图像是否处于开花期，包括：

统计所述冠层区域图像对应的所有所述窗口的数量；

计算所述开花窗口的数量与所有所述窗口的数量的比例；

当所述比例大于第二阈值时，确定所述待检测图像处于开花期。

8.一种咖啡开花期的检测装置，其特征在于，包括：

获取模块，用于获取待检测图像；

提取模块，用于提取所述待检测图像的冠层区域图像；

检测模块，用于基于预设分类器对所述冠层区域图像进行检测，以确定所述待检测图像是否处于开花期；其中，所述预设分类器为利用样本图像对监督学习算法进行训练得到的。

9.一种电子设备，其特征在于，包括：

存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1－7中任一项所述的咖啡开花期的检测方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1－7中任一项所述的咖啡开花期的检测方法。