CN109740432A - 植物监控方法、装置、计算机设备及存储介质 - Google Patents
植物监控方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109740432A CN109740432A CN201811437012.5A CN201811437012A CN109740432A CN 109740432 A CN109740432 A CN 109740432A CN 201811437012 A CN201811437012 A CN 201811437012A CN 109740432 A CN109740432 A CN 109740432A
- Authority
- CN
- China
- Prior art keywords
- plant
- target plant
- growth
- reference picture
- image
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种植物监控方法、装置、计算机设备及存储介质,包括下述步骤:获取目标植物的图像信息;根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中目标植物的生长图像与所述参考图像是否一致,通过获取目标植物的生长图像,并根据预设的数据库中与目标植物为同一种类的植物的参考图像判断目标植物的生长图像与参考图像是否一致来判断目标植物的健康是否出现问题,以及在目标植物的健康出现问题时发送提示信息,该方法不需要特殊的设备对目标植物进行检测,仅需要目标植物的图像信息即可,不仅过程简单,而且还可以节省费用。
Description
技术领域
本发明实施例涉及监控技术领域,尤其是一种植物监控方法、装置、计算机设备及存储介质。
背景技术
随着科学技术的发展,人们的生活、工作越来越便捷、对生活和工作质量的要求越来越高,在家中或者办公场所将植物作为装饰成为一种时尚潮流。
对于用户来说,将植物作为装饰的目的只是为了享受植物带来的愉悦感受,由于没有专业知识,在植物出现问题时需要请专业的设备来检测植物健康。
但是,由于专业设备的采购和维修成本较高,维护还需要专业人员,检测过程复杂,费用较高。
发明内容
本发明实施例提供一种植物监控方法、装置、计算机设备及存储介质。
为解决上述技术问题,本发明创造的实施例采用的一个技术方案是:提供一种植物监控方法,包括下述步骤:
获取目标植物的图像信息;
根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中目标植物的生长图像与所述参考图像是否一致;
当所述目标植物的生长图像与所述参考图像不一致时,发送提示信息到监控所述目标植物的客户端。
可选地,所述根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中生长图像与所述参考图像是否一致之前,包括下述步骤:
从所述图像信息中提取所述目标植物的识别码;
根据所述识别码从预设的数据库中查找与所述识别码具有映射关系的生长信息。
可选地,所述根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中目标植物的生长图像与所述参考图像是否一致,包括下述步骤:
根据所述目标植物的识别码在预设的图像数据库中查找与所述识别码具有映射关系的参考图片集;
获取所述目标植物的生长时长;
根据所述生长时长在所述参考图片集合中查找与所述生长时长具有映射关系的参考图片;
将所述目标植物的生长图像与所述参考图像进行比对。
可选地,所述将所述目标植物的生长图像与所述参考图像进行比对,包括下述步骤:
从所述生长图像中提取生长特征;
将所述生长特征与所述参考图像中的特征进行比对。
可选地,所述发送提示信息到监控所述目标植物的客户端,包括下述步骤:
将所述目标植物的生长图像输入到预先训练的神经网络模型中,得到所述目标植物的分类标记,所述分类标记用于表示所述目标植物存在的问题的种类;
根据所述分类标记在预设的数据库中查找与所述分类标记具有映射关系的解决所述问题的结果信息;
将所述结果信息发送到监控所述目标植物的客户端。
可选地,所述将所述目标植物的生长图像输入到预先训练的神经网络模型中,得到所述目标植物的分类标记之前,还包括下述步骤:
获取所述目标植物的识别码;
根据所述识别码判断所述数据库中是否存在与所述识别码具有映射关系的神经网络模型;
当不存在时,根据所述识别码确定与所述目标植物属于同一属的植物,并将所述植物对应的神经网络模型确定为所述目标植物的神经网络模型。
为解决上述技术问题,本发明实施例还提供一种植物监控装置,包括:
获取模块,用于获取目标植物的图像信息;
处理模块,用于根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中目标植物的生长图像与所述参考图像是否一致;
执行模块,用于当所述目标植物的生长图像与所述参考图像不一致时,发送提示信息到监控所述目标植物的客户端。
可选地,还包括:
第一获取子模块,用于从所述图像信息中提取所述目标植物的识别码;
第一处理子模块,用于根据所述识别码从预设的数据库中查找与所述识别码具有映射关系的生长信息。
可选地,所述处理模块包括:
第二获取子模块,用于根据所述目标植物的识别码在预设的图像数据库中查找与所述识别码具有映射关系的参考图片集;
第三获取子模块,用于获取所述目标植物的生长时长;
第二处理子模块,用于根据所述生长时长在所述参考图片集合中查找与所述生长时长具有映射关系的参考图片;
第一执行子模块,用于将所述目标植物的生长图像与所述参考图像进行比对。
可选地,所述第一执行子模块包括:
第四获取子模块,用于从所述生长图像中提取生长特征;
第三处理子模块,用于将所述生长特征与所述参考图像中的特征进行比对。
可选地,所述执行模块包括:
第四处理子模块,用于将所述目标植物的生长图像输入到预先训练的神经网络模型中,得到所述目标植物的分类标记,所述分类标记用于表示所述目标植物存在的问题的种类;
第五处理子模块,用于根据所述分类标记在预设的数据库中查找与所述分类标记具有映射关系的解决所述问题的结果信息;
第二执行子模块,用于将所述结果信息发送到监控所述目标植物的客户端。
可选地,还包括:
第五获取子模块,用于获取所述目标植物的识别码;
第六处理子模块,用于根据所述识别码判断所述数据库中是否存在与所述识别码具有映射关系的神经网络模型;
第三执行子模块,用于当不存在时,根据所述识别码确定与所述目标植物属于同一属的植物,并将所述植物对应的神经网络模型确定为所述目标植物的神经网络模型。
为解决上述技术问题,本发明实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行上述所述植物监控方法的步骤。
为解决上述技术问题,本发明实施例还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述所述植物监控方法的步骤。
本发明实施例的有益效果是:通过获取目标植物的生长图像,并根据预设的数据库中与目标植物为同一种类的植物的参考图像判断目标植物的生长图像与参考图像是否一致来判断目标植物的健康是否出现问题,以及在目标植物的健康出现问题时发送提示信息,该方法不需要特殊的设备对目标植物进行检测,仅需要目标植物的图像信息即可,不仅过程简单,而且还可以节省费用。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,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为本发明实施例提供的一种植物监控方法的基本流程示意图;
图2为本发明实施例提供的获取目标植物的生长信息的方法的基本流程示意图;
图3为本发明实施例提供的根据预设的数据库中与目标植物为同一种类的植物的参考图像判断图像信息中目标植物的生长图像与参考图像是否一致的方法的基本流程示意图;
图4为本发明实施例提供的一种将目标植物的生长图像与参考图像进行比对的方法的基本流程示意图;
图5为本发明实施例提供的一种发送提示信息到监控目标植物的客户端的方法的基本流程示意图;
图6为本发明实施例提供的一种目标植物的问题的识别方法的基本流程示意图;
图7为本发明实施提供的例植物监控装置基本结构框图;
图8为本发明实施例提供的计算机设备基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,所描述的实施例仅仅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。
实施例
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的设备。这种设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(Personal Communications Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal Digital Assistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile Internet Device,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本实施方式中的客户终端即为上述的终端。
具体地,请参阅图1,图1为本实施例植物监控方法的基本流程示意图。
如图1所示,植物监控方法包括下述步骤:
S1100、获取目标植物的图像信息;
目标植物为监控的植物。图像信息为表示监控得到的目标植物的图像的信息,例如,目标植物的全景图像或者部分图像,例如,根、茎、叶或花的图像。其中,图像信息还包括:目标植物的类型、名称、识别码等信息。
在实际应用中,服务器在获取目标植物的图像信息时,可以通过设置在目标植物周围的拍摄装置来拍摄目标植物的图像,并通过拍摄装置将图像信息发送给服务器,或者终端从拍摄装置获取目标植物的图像后将图像信息发送给服务器。
在获取目标植物的图像信息时,可以按照预设的周期进行获取,在实际应用中,预设的周期可以按照目标植物的生长周期来进行设置,例如,按照1个月为一个周期。在其它实施方式中,为了监控目标植物的生长状况,防止出现病害,虫害,还可以设置较短的周期,例如,一天。
S1200、根据预设的数据库中与目标植物为同一种类的植物的参考图像判断图像信息中目标植物的生长图像与参考图像是否一致;
预设的数据库中包括各种类型的植物在各个生长周期内正常生长的参考图片,所以,参考图片为植物健康生长的图片,包括:茎、叶或花的图片以及植物的全景图片。其中,生长周期可以进行设置,例如,以一个月、一周为生长周期。
需要说明的是,服务器在判断目标植物的生长图片和参考图片时,通过从各自的图片中提取特征,将提取的特征进行比对。例如,提取目标植物的叶子的颜色特征,并将该颜色特征与参考图像的颜色特征进行比对,或者提取叶子的形状特征将该形状特征与参考图像的形状特征进行比对,判断二者是否一致。
S1300、当目标植物的生长图像与参考图像不一致时,发送提示信息到监控目标植物的客户端。
当服务器判断目标植物的生长图像与参考图像不一致时,确定目标植物的健康出现问题。例如,当叶子的颜色特征与参考图像的颜色特征不一致,可能会出现目标植物缺微量镁元素或铁元素,当叶子的形状特征与参考图像的形状特征不一致,可能会出现目标植物出现病害。
提示信息用于提示用户目标植物的健康状况出现问题,在实际应用中,提示信息还包括目标植物出现的问题、该问题的原因以及解决该问题的方法。
上述植物监控方法,通过获取目标植物的生长图像,并根据预设的数据库中与目标植物为同一种类的植物的参考图像判断目标植物的生长图像与参考图像是否一致来判断目标植物的健康是否出现问题,以及在目标植物的健康出现问题时发送提示信息,该方法不需要特殊的设备对目标植物进行检测,仅需要目标植物的图像信息即可,不仅过程简单,而且还可以节省费用。
在实际应用中,通过拍摄装置来拍摄目标植物的生长图像,为达到监控目标植物的目的,服务器在获取到拍摄装置拍摄的图像后,需要确定目标植物的生长信息,在一些实施方式中,目标植物的图像信息中同时也包含了生长信息,例如,当前目标植物的生长时长、名称等。本发明实施例还提供了另外一种获取生长信息的方法,如图2所示,图2为本发明实施例提供的获取目标植物的生长信息的方法的基本流程示意图。
具体地,如图2所示,步骤S1200之前还包括下述步骤:
S1201、从图像信息中提取目标植物的识别码;
目标植物的图像信息中还包括目标植物的识别码,其中,目标植物的识别码用于唯一标记目标植物。在实际应用中,目标植物可能为多个,即同时监控多个植物。终端或者拍摄终端在发送目标植物的生长图像的同时将识别码发送给服务器。
S1202、根据识别码从预设的数据库中查找与识别码具有映射关系的生长信息。
本发明实施例中,服务器预设的数据库中包括多个目标植物的生长信息,每个目标植物的识别码与生长信息具有映射关系。其中,生长信息用于表示目标植物生长的所有信息,包括:目标植物的名称、所属的类型,当前的生长时长等,其中,目标植物当前的生长时长可以通过注册时的生长时长加上注册时间得到。例如,播种时对目标植物在服务器中进行注册,注册时目标植物的生长时长为0,则发送目标植物的图像信息时间点与注册时的时间点之间的时长为目标植物当前的生长时长。
本发明实施例提供一种根据预设的数据库中与目标植物为同一种类的植物的参考图像判断图像信息中目标植物的生长图像与参考图像是否一致的方法,如图3所示,图3为本发明实施例提供的根据预设的数据库中与目标植物为同一种类的植物的参考图像判断图像信息中目标植物的生长图像与参考图像是否一致的方法的基本流程示意图。
具体地,如图3所示,步骤S1200包括下述步骤:
S1210、根据目标植物的识别码在图像数据库中查找与识别码具有映射关系的参考图片集;
图像数据库中预设于服务器中包括多种植物按照生长周期健康生长的图片,其中,参考图片集为某一种植物健康生长的集合,包括了从开始种植以及各个生长周期内的图片。每个参考图片集对应一个识别码。
本发明实施例中,服务器通过目标植物的识别码在数据库中查找该识别码具有映射关系的参考图片集作为目标植物的参考图片集。
S1220、获取目标植物的生长时长;
本发明实施例中获取目标植物的生长时长的方法可参考图2所示的第2实施例,在此不再赘述。
S1230、根据生长时长在参考图片集合中查找与生长时长具有映射关系的参考图片;
S1240、将目标植物的生长图像与参考图像进行比对。
本发明实施例中,每一种参考图片集按照生长周期划分了多个组别,例如,种植后发芽时的图像,生长20~40天时的图像,开花时的图像等。其中,每个组中包括一个或多个图像,即全景图像或局部图像,通过全景图像可以了解植物生长的尺寸、叶片的大小,通过局部图像可以判断植物生长的颜色、形状是否正常。
本发明实施例提供一种将目标植物的生长图像与参考图像进行比对的方法,如图4所示,图4为本发明实施例提供的一种将目标植物的生长图像与参考图像进行比对的方法的基本流程示意图。
具体地,如图4所示,步骤S1240包括下述步骤:
S1241、从生长图像中提取生长特征;
生长特征为表示目标图像中生长特性的特征,例如,叶子的颜色,叶脉的纹理,页面的外部轮廓、植物生长的高度和大小等。在提取特征时,可以利用服务器中内置的图像处理软件从生长图像中提取生长特征。
以下对提取生长特征的方法进行举例说明,从图像中提取页面所在位置处的像素作为叶子的颜色特征。
在提取叶子纹理特征时,提取采用绿色增强发增强叶片区域,得到植物叶片部位的灰度图,以及用图像分割算法将灰度图分割压缩至16级灰度,提取荧光图像的绿光波段(510-590nm)、红光波段(610-690nm)和近红外(760-840nm)三个分量荧光图像,把三个荧光图像的平均灰度值作为颜色特征量,计算角二阶矩、熵、对比度、相关四个纹理特征值。
在提取可见光图像中,使用形态学方法提取植物叶片的外部轮廓线,统计轮廓线覆盖的像素点个数得到植物叶片的外部周长和面积,进而得到目标植物的叶子的轮廓特征。
S1242、将生长特征与参考图像中的特征进行比对。
按照上述方法对参考图像中的生长特征进行提取,并将提取后的特征进行比对,例如,将二者的叶子的颜色特征、纹理特征、轮廓特征分别进行比对。当不一致时,则确定目标植物生长出现问题,当一致时确定目标植物健康生长。
在实际应用中,当生长特征比对不一致时,确定目标植物生长出现问题,为了及时的确定该问题的根源帮助用户解决问题,本发明实施例提供一种发送提示信息到监控目标植物的客户端的方法,如图5所示,图5为本发明实施例提供的一种发送提示信息到监控目标植物的客户端的方法的基本流程示意图。
具体地,如图5所示,步骤S1300包括下述步骤:
S1310、将目标植物的生长图像输入到预先训练的神经网络模型中,得到目标植物的分类标记,分类标记用于表示目标植物存在的问题的种类;
本发明实施例中,按照生长时长比对时,很可能会出现目标植物的长度远小于参考图片中健康生长的长度,此时可以确定目标植物缺少营养物质。当目标植物的叶子的颜色较参考图片中叶子的颜色偏黄时,可认为目标植物缺少微量元素,例如,铁元素。
为了自动识别上述问题,本发明实施例在服务器中预设的神经网络模型,用于识别目标植物出现的问题。其中,神经网络模型为预先利用标记有问题种类的植物图片的训练样本集对神经网络模型经过训练得到的。具体地训练过程如下所述:
步骤一、将训练样本集输入到神经网络模型中,获取神经网络模型输出的激励分类值;
将训练样本集中的植物样本图像依次输入到神经网络模型中,神经网络模型对植物样本图像进行特征提取和分类。
激励分类值是卷积神经网络模型根据输入的植物样本图像而输出的激励数据,在神经网络模型未被训练至收敛之前,激励分类值为离散性较大的数值,当神经网络模型未被训练至收敛之后,激励分类值为相对稳定的数据。
步骤二、比对期望分类值与激励分类值之间的距离是否小于或等于预设的第一阈值;
期望分类值为针对某一中问题的植物样本图像输入到预设的软件中得到的植物样本图像的平均值。
通过损失函数判断神经网络模型全连接层输出的激励分类值与设定的期望分类值是否一致,当结果不一致时,需要通过反向传播算法对第一通道内的权重进行调整。
在一些实施方式中,损失函数通过计算激励分类值与设定的期望分类值之间的距离(欧氏距离或者空间距离),来确定激励分类值与设定的期望分类值是否一致,设定第一阈值(例如,0.05),当激励分类值与设定的期望分类值之间的距离小于或等于第一阈值时,则确定激励分类值与设定的期望分类值一致,否则,则激励分类值与设定的期望分类值不一致。
步骤三、当期望分类值与激励分类值之间的距离大于预设的第一阈值时,反复循环迭代的通过反向算法更新所述神经网络模型中的权重,至所述期望分类值与所述激励分类值之间的距离小于或等于预设的第一阈值时结束。
当神经网络模型的激励分类值与设定的期望分类值不一致时,需要采用随机梯度下降算法对神经网络模型中的权重进行校正,以使卷积神经网络模型的输出结果与分类判断信息的期望结果相同。通过若干训练样本集(在一些实施方式中,训练时将所有训练样本集内的照片打乱进行训练,以增加模型的靠干扰能力,增强输出的稳定性。)的反复的训练与校正,当神经网络模型输出分类数据与各训练样本的分类参照信息比对达到(不限于)99.5%时,训练结束。
S1320、根据分类标记在预设的数据库中查找与分类标记具有映射关系的解决所述问题的结果信息;
本发明实施例中,数据库中还包括各种植物可能会出现的问题的分类标记,以及解决各种问题的结果信息,其中,分类标记与结果信息具有映射关系。
S1330、将结果信息发送到监控目标植物的客户端。
在一些实施方式中,当数据库中不存在该目标植物的卷积神经网络模型,但是,实际上,由于某一种问题,例如虫害,可能对同一属或科的植物造成的问题是一样的,通过同属于某一科或属的其它植物对应的神经网络模型也可以起到识别植物的问题的目的。因此,本发明实施例提供了一种目标植物的问题识别方法,如图6所示,图6为本发明实施例提供的一种目标植物的问题的识别方法的基本流程示意图。
具体地,如图6所示,S1310之前还包括下述步骤:
S1311、获取目标植物的识别码;
请参照图2所示的实施例,在此不再赘述。
S1312、根据识别码判断数据库中是否存在与识别码具有映射关系的神经网络模型;
本发明实施例中,神经网络模型为预设训练得到的,每一组或系的植物具有一个神经网络模型。如此,一个神经网络模型可能会对应多个识别码。当数据库中存在与识别码映射的神经网络模型时,则确定该神经网络模型为目标植物的神经网络模型。
S1313、当不存在时,根据识别码确定与目标植物属于同一属的植物,并将该植物对应的神经网络模型确定为目标植物的神经网络模型。
当不存在与识别码对应的神经网络模型时,服务器按照预设的植物分类库中该识别码对应的目标植物的名称确定目标植物的属的名称,以及按照属的名称确定属于该属的神经网络模型,并将确定的神经网络模型作为目标植物的神经网络模型。
为解决上述技术问题本发明实施例还提供一种植物监控装置。具体请参阅图7,图7为本实施例植物监控装置基本结构框图。
如图7所示,一种植物监控装置,包括:获取模块2100、处理模块2200和执行模块2300。其中,获取模块2100,用于获取目标植物的图像信息;处理模块2200,用于根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中目标植物的生长图像与所述参考图像是否一致;执行模块2300,用于当所述目标植物的生长图像与所述参考图像不一致时,发送提示信息到监控所述目标植物的客户端。
植物监控装置通过获取目标植物的生长图像,并根据预设的数据库中与目标植物为同一种类的植物的参考图像判断目标植物的生长图像与参考图像是否一致来判断目标植物的健康是否出现问题,以及在目标植物的健康出现问题时发送提示信息,该方法不需要特殊的设备对目标植物进行检测,仅需要目标植物的图像信息即可,不仅过程简单,而且还可以节省费用。
在一些实施方式中,还包括:第一获取子模块,用于从所述图像信息中提取所述目标植物的识别码;第一处理子模块,用于根据所述识别码从预设的数据库中查找与所述识别码具有映射关系的生长信息。
在一些实施方式中,所述处理模块包括:第二获取子模块,用于根据所述目标植物的识别码在预设的图像数据库中查找与所述识别码具有映射关系的参考图片集;第三获取子模块,用于获取所述目标植物的生长时长;第二处理子模块,用于根据所述生长时长在所述参考图片集合中查找与所述生长时长具有映射关系的参考图片;第一执行子模块,用于将所述目标植物的生长图像与所述参考图像进行比对。
在一些实施方式中,所述第一执行子模块包括:第四获取子模块,用于从所述生长图像中提取生长特征;第三处理子模块,用于将所述生长特征与所述参考图像中的特征进行比对。
在一些实施方式中,所述执行模块包括:第四处理子模块,用于将所述目标植物的生长图像输入到预先训练的神经网络模型中,得到所述目标植物的分类标记,所述分类标记用于表示所述目标植物存在的问题的种类;第五处理子模块,用于根据所述分类标记在预设的数据库中查找与所述分类标记具有映射关系的解决所述问题的结果信息;第二执行子模块,用于将所述结果信息发送到监控所述目标植物的客户端。
在一些实施方式中,植物监控装置,还包括:第五获取子模块,用于获取所述目标植物的识别码;第六处理子模块,用于根据所述识别码判断所述数据库中是否存在与所述识别码具有映射关系的神经网络模型;第三执行子模块,用于当不存在时,根据所述识别码确定与所述目标植物属于同一属的植物,并将所述植物对应的神经网络模型确定为所述目标植物的神经网络模型。
为解决上述技术问题,本发明实施例还提供计算机设备。具体请参阅图8,图8为本实施例计算机设备基本结构框图。
如图8所示,计算机设备的内部结构示意图。如图8所示,该计算机设备包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该计算机设备的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种植物监控方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种植物监控方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施方式中处理器用于执行图7中获取模块2100、处理模块2200和执行模块2300的具体内容,存储器存储有执行上述模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有植物监控方法中执行所有子模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有子模块的功能。
计算机设备通过获取目标植物的生长图像,并根据预设的数据库中与目标植物为同一种类的植物的参考图像判断目标植物的生长图像与参考图像是否一致来判断目标植物的健康是否出现问题,以及在目标植物的健康出现问题时发送提示信息,该方法不需要特殊的设备对目标植物进行检测,仅需要目标植物的图像信息即可,不仅过程简单,而且还可以节省费用。
本发明还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例所述植物监控方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种植物监控方法,其特征在于,包括下述步骤:
获取目标植物的图像信息;
根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中目标植物的生长图像与所述参考图像是否一致;
当所述目标植物的生长图像与所述参考图像不一致时,发送提示信息到监控所述目标植物的客户端。
2.根据权利要求1所述的植物监控方法,其特征在于,所述根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中生长图像与所述参考图像是否一致之前,包括下述步骤:
从所述图像信息中提取所述目标植物的识别码;
根据所述识别码从预设的数据库中查找与所述识别码具有映射关系的生长信息。
3.根据权利要求2所述的植物监控方法,其特征在于,所述根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中目标植物的生长图像与所述参考图像是否一致,包括下述步骤:
根据所述目标植物的识别码在预设的图像数据库中查找与所述识别码具有映射关系的参考图片集;
获取所述目标植物的生长时长;
根据所述生长时长在所述参考图片集合中查找与所述生长时长具有映射关系的参考图片;
将所述目标植物的生长图像与所述参考图像进行比对。
4.根据权利要求3所述的植物监控方法,其特征在于,所述将所述目标植物的生长图像与所述参考图像进行比对,包括下述步骤:
从所述生长图像中提取生长特征;
将所述生长特征与所述参考图像中的特征进行比对。
5.根据权利要求1所述的植物监控方法,其特征在于,所述发送提示信息到监控所述目标植物的客户端,包括下述步骤:
将所述目标植物的生长图像输入到预先训练的神经网络模型中,得到所述目标植物的分类标记,所述分类标记用于表示所述目标植物存在的问题的种类;
根据所述分类标记在预设的数据库中查找与所述分类标记具有映射关系的解决所述问题的结果信息;
将所述结果信息发送到监控所述目标植物的客户端。
6.根据权利要求5所述的植物监控方法,其特征在于,所述将所述目标植物的生长图像输入到预先训练的神经网络模型中,得到所述目标植物的分类标记之前,还包括下述步骤:
获取所述目标植物的识别码;
根据所述识别码判断所述数据库中是否存在与所述识别码具有映射关系的神经网络模型;
当不存在时,根据所述识别码确定与所述目标植物属于同一属的植物,并将所述植物对应的神经网络模型确定为所述目标植物的神经网络模型。
7.一种植物监控装置,其特征在于,包括:
获取模块,用于获取目标植物的图像信息;
处理模块,用于根据预设的数据库中与所述目标植物为同一种类的植物的参考图像判断所述图像信息中目标植物的生长图像与所述参考图像是否一致;
执行模块,用于当所述目标植物的生长图像与所述参考图像不一致时,发送提示信息到监控所述目标植物的客户端。
8.根据权利要求7所述的植物监控装置,其特征在于,还包括:
第一获取子模块,用于从所述图像信息中提取所述目标植物的识别码;
第一处理子模块,用于根据所述识别码从预设的数据库中查找与所述识别码具有映射关系的生长信息。
9.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机可读指令,所述计算机可读指令被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项权利要求所述植物监控方法的步骤。
10.一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行如权利要求1至7中任一项权利要求所述植物监控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811437012.5A CN109740432A (zh) | 2018-11-28 | 2018-11-28 | 植物监控方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811437012.5A CN109740432A (zh) | 2018-11-28 | 2018-11-28 | 植物监控方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109740432A true CN109740432A (zh) | 2019-05-10 |
Family
ID=66358192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811437012.5A Pending CN109740432A (zh) | 2018-11-28 | 2018-11-28 | 植物监控方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740432A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
CN113111672A (zh) * | 2021-04-13 | 2021-07-13 | 中国科学院东北地理与农业生态研究所 | 一种真湿地植物的判定方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106645155A (zh) * | 2016-12-29 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于温室环境的植物生长状态监控方法及装置 |
CN106680277A (zh) * | 2016-12-29 | 2017-05-17 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害监测方法及装置 |
CN106778845A (zh) * | 2016-12-01 | 2017-05-31 | 浙江省柯桥中学 | 一种基于叶色检测的植物生长状况监测方法 |
-
2018
- 2018-11-28 CN CN201811437012.5A patent/CN109740432A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778845A (zh) * | 2016-12-01 | 2017-05-31 | 浙江省柯桥中学 | 一种基于叶色检测的植物生长状况监测方法 |
CN106645155A (zh) * | 2016-12-29 | 2017-05-10 | 深圳前海弘稼科技有限公司 | 一种基于温室环境的植物生长状态监控方法及装置 |
CN106680277A (zh) * | 2016-12-29 | 2017-05-17 | 深圳前海弘稼科技有限公司 | 一种种植设备中植物病虫害监测方法及装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378241A (zh) * | 2019-06-25 | 2019-10-25 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
CN110378241B (zh) * | 2019-06-25 | 2022-04-29 | 北京百度网讯科技有限公司 | 作物生长状态监控方法、装置、计算机设备及存储介质 |
CN111274979A (zh) * | 2020-01-23 | 2020-06-12 | 浙江工业大学之江学院 | 植物病虫害识别方法、装置、计算机设备及可存储介质 |
CN113111672A (zh) * | 2021-04-13 | 2021-07-13 | 中国科学院东北地理与农业生态研究所 | 一种真湿地植物的判定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102102161B1 (ko) | 이미지 내 객체의 대표 특성을 추출하는 방법, 장치 및 컴퓨터 프로그램 | |
CN107391703B (zh) | 图像库的建立方法及系统、图像库和图像分类方法 | |
CN109740432A (zh) | 植物监控方法、装置、计算机设备及存储介质 | |
CN107993191A (zh) | 一种图像处理方法和装置 | |
CN108304435A (zh) | 信息推荐方法、装置、计算机设备及存储介质 | |
CN108734146A (zh) | 人脸图像年龄判断方法、装置、计算机设备及存储介质 | |
CN108596090A (zh) | 人脸图像关键点检测方法、装置、计算机设备及存储介质 | |
CN109711319A (zh) | 一种粮食不完善粒图像识别样本库建立的方法及系统 | |
CN109614973A (zh) | 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质 | |
US20230044040A1 (en) | Computer-executable method relating to weeds and computer system | |
CN109785400B (zh) | 一种剪影图像制作方法、装置、电子设备及存储介质 | |
CN102538379A (zh) | 一种冰箱食品信息管理装置及方法 | |
CN110502987A (zh) | 一种基于深度学习的植物病虫害识别方法及系统 | |
CN103324655A (zh) | 图像检索系统、图像检索装置以及图像检索方法 | |
US20230162466A1 (en) | Method and computer system for displaying identification result | |
CN106803093A (zh) | 一种基于叶片纹理特征和iOS平台的植物物种识别方法 | |
CN113449806A (zh) | 基于层次结构的二阶段林业害虫识别与检测系统及方法 | |
WO2022262586A1 (zh) | 用于植物识别的方法、计算机系统以及计算机可读存储介质 | |
CN112989969A (zh) | 一种作物病虫害识别方法及装置 | |
CN107729534A (zh) | 基于大数据云服务器的昆虫种类识别系统及方法 | |
CN107622278A (zh) | 一种基于Android手机平台的专利图像识别方法 | |
CN108446688A (zh) | 人脸图像性别判断方法、装置、计算机设备及存储介质 | |
CN110414358B (zh) | 基于人脸智能识别的信息输出方法、装置及存储介质 | |
CN110796148B (zh) | 一种荔枝虫害监测识别系统和监测识别方法 | |
CN113127663B (zh) | 目标图像搜索方法、装置、设备及计算机可读存储介质 |
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 |