CN109871833B - 一种基于深度学习卷积神经网络的农作物成熟度监控方法 - Google Patents
一种基于深度学习卷积神经网络的农作物成熟度监控方法 Download PDFInfo
- Publication number
- CN109871833B CN109871833B CN201910208251.1A CN201910208251A CN109871833B CN 109871833 B CN109871833 B CN 109871833B CN 201910208251 A CN201910208251 A CN 201910208251A CN 109871833 B CN109871833 B CN 109871833B
- Authority
- CN
- China
- Prior art keywords
- maturity
- plant
- crop
- neural network
- convolutional neural
- 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.)
- Active
Links
Images
Abstract
本发明公开了一种基于深度学习卷积神经网络的农作物成熟度监控方法,包括步骤:从接近生长成熟的农作物照片中分离出单个农作物植株的穗,利用计算机视觉算法,计算单个农作物植株穗的轮廓;对分离后的各农作物植株穗以其轮廓照片进行成熟程度分类;使用轮廓照片对深度卷积神经网络进行训练;使用验证照片对深度卷积神经网络进行验证;将监控地块进行分割和标记,并使用无人机拍摄所需监控地块照片;使用深度卷积神经网络对所述监控地块照片进行各植株成熟度分类统计,计算农作物的整体成熟度。与现有技术相比,本发明在植株生长的监控过程中,对不同地块可以实现自动化精确地分类统计,并对各个地块自动编号、记录和统计,并实现总体统计分析。
Description
技术领域
本发明涉及农作物成熟度监控系统,尤其涉及一种基于深度学习卷积神经网络的农作物成熟度监控方法。
背景技术
农作物成熟度与作物产品的品质和产量密切相关,收获过早过迟对作物种子(籽粒)的产量品质有不良影响,因此准确地进行农作物成熟度监控是现代农业必不可少的一个重要环节。现有的监控方法中,一般采用人工监控或者卫星遥感等技术。随着人们生活水平的提高,可用劳动力的减少,单纯依靠人工监控,费时费力,尤其在面对大面积生产监控时力不从心;而且在人工监控过程中,只能对不同地块进行抽样调查,难以精确地分类统计,也不能自动编号、记录和统计。卫星遥感监控准确率不高,对不同地块难以精确地分类统计,也不能自动编号、记录和统计,致使最后在总体统计分析方面也是不尽人意。
深度学习是机器学习研究中的一个新的领域,通过建立模拟人脑进行分析学习的神经网络,模仿人脑的机制来解释数据,包括图像,声音和文本等。同机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分,不同的学习框架下建立的学习模型很是不同。例如,卷积神经网络(Convolutional neural networks,简称CNNs)就是一种深度的监督学习下的机器学习模型,而深度置信网(Deep BeliefNets,简称DBNs)就是一种无监督学习下的机器学习模型。目前尚无使用卷积神经网络进行成苗率监控的技术。
发明内容
为克服现有技术的不足,本发明提出一种基于深度学习卷积神经网络的农作物成熟度监控方法。
本发明的技术方案是这样实现的:
一种基于深度学习卷积神经网络的农作物成熟度监控方法,包括步骤
S1:从接近生长成熟的农作物照片中分离出单个农作物植株的穗或者不同成熟度的植株群体轮廓,利用计算机视觉算法,计算单个农作物植株穗或者不同成熟度的植株群体轮廓;
S2:对分离后的各农作物植株穗以其轮廓照片进行成熟程度分类;或者不分离单个穗,直接利用不同成熟度的植株群体轮廓照片进行成熟程度分类;
S3:使用所述轮廓照片对深度卷积神经网络进行训练;
S4:使用验证照片对所述深度卷积神经网络进行验证;
S5:将监控地块进行分割和标记,并使用无人机拍摄所需监控地块照片;
S6:使用所述深度卷积神经网络对所需监控地块内的农作物植株穗或者植株群体轮廓的成熟程度进行分类统计,判断农作物的整体成熟度。
进一步地,所述步骤S1包括步骤
S11:利用机器学习判断农作物植株轮廓是否为单一植株的穗;
S12:如果是单一植株的穗,利用轮廓切割图像输出植株穗的图片;如果是连在一起的植株,利用图像分割算法分离粘连的植株。
S13:如果单穗难以分离,则不须分离单个穗,直接利用不同成熟度的植株群体轮廓照片进行成熟程度分类。
进一步地,所述步骤S5包括步骤:将各地块照片中的农作物植株的穗按照其成熟程度种类进行分类,并分别统计。
本发明的有益效果在于,与现有技术相比,本发明克服人工监控费时费力及遥感精度不足的问题,在农作物植株穗的成熟度监控方法过程中,可以对不同地块可以实现自动化精确地分类统计,并对各个地块自动编号、记录和统计,并实现总体统计分析。
附图说明
图1是本发明一种基于深度学习卷积神经网络的农作物成熟度监控方法流程图
具体实施方式
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,本领域普通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。
请参见图1,本发明一种基于深度学习卷积神经网络的农作物成熟度监控方法,包括步骤
S1:从接近生长成熟的农作物照片中分离出单个农作物植株的穗,利用计算机视觉算法,计算单个农作物植株穗的轮廓;
S2:对分离后的各农作物植株穗以其轮廓照片进行成熟程度分类;或者不分离单个穗,直接利用不同成熟度的植株群体轮廓照片进行成熟程度分类;
S3:使用所述轮廓照片对深度卷积神经网络进行训练;
S4:使用验证照片对所述深度卷积神经网络进行验证;
S5:将监控地块进行分割和标记,并使用无人机拍摄所需监控地块照片;
S6:使用所述深度卷积神经网络对所需监控地块内的农作物植株穗的成熟程度进行分类统计,判断农作物的整体成熟度。
下面以水稻成熟度的监控进行说明。基于深度学习卷积神经网络的水稻成熟度监控方法包括步骤
S1:从接近生长成熟的水稻照片中分离出单个稻穗,利用计算机视觉算法,计算单个稻穗的轮廓;
S2:对分离后的水稻稻穗及其轮廓照片进行成熟程度分类,或者不分离单个穗,直接利用不同成熟度的植株群体轮廓照片进行成熟程度分类;分为乳熟期、蜡熟期、完熟期、枯熟期;
S3:使用不同成熟程度的水稻稻穗及其轮廓照片对深度卷积神经网络进行训练;
S4:使用验证照片对所述深度卷积神经网络进行验证;
S5:将监控地块进行分割和标记,并使用无人机拍摄所需监控地块照片;
S6:使用所述深度卷积神经网络对所需监控地块内的水稻稻穗的成熟程度进行分类统计,以此判断水稻的整体成熟度。
以上所述是本发明的优选实施方式,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,这些改进和润饰也视为本发明的保护范围。
Claims (1)
1.一种基于深度学习卷积神经网络的农作物成熟度监控方法,其特征在于,包括步骤:
S1:从接近生长成熟的农作物图片中分离出单个农作物植株的穗或者不同成熟度的植株群体轮廓,利用计算机视觉算法,计算单个农作物植株穗或者不同成熟度的植株群体轮廓,所述S1包括步骤:
S11:利用机器学习判断农作物植株轮廓是否为单一植株的穗;
S12:如果是单一植株的穗,利用轮廓切割图像输出植株穗的图片;如果是连在一起的植株,利用图像分割算法分离粘连的植株;
S13:如果单穗难以分离,则不须分离单个穗,直接利用不同成熟度的植株群体轮廓图片进行成熟程度分类;
S2:对分离后的各农作物植株穗根据各农作物植株穗轮廓图片进行成熟程度分类;或者不分离单个穗,直接利用不同成熟度的植株群体轮廓图片进行成熟程度分类;
S3:使用所述各农作物植株穗轮廓图片和植株群体轮廓图片对深度学习卷积神经网络进行训练;
S4:使用验证图片对所述深度学习卷积神经网络进行验证;
S5:将监控地块进行分割和标记,并使用无人机拍摄所需监控地块照片,所述S5还包括步骤:将各地块照片中的农作物植株的穗按照其成熟程度种类进行分类,并分别统计;
S6:使用所述深度学习卷积神经网络对所需监控地块内的农作物植株穗或者植株群体轮廓的成熟程度进行分类统计,判断农作物的整体成熟度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208251.1A CN109871833B (zh) | 2019-03-19 | 2019-03-19 | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208251.1A CN109871833B (zh) | 2019-03-19 | 2019-03-19 | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871833A CN109871833A (zh) | 2019-06-11 |
CN109871833B true CN109871833B (zh) | 2023-04-18 |
Family
ID=66920763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910208251.1A Active CN109871833B (zh) | 2019-03-19 | 2019-03-19 | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871833B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288259B (zh) * | 2019-07-02 | 2023-06-09 | 重庆迪川科技有限公司 | 一种智慧城市监督服务方法及其平台 |
CN111046730A (zh) * | 2019-11-08 | 2020-04-21 | 北京海益同展信息科技有限公司 | 植株数据处理方法、装置、计算机设备和存储介质 |
CN112149682B (zh) * | 2020-09-29 | 2023-08-15 | 青海大学 | 基于深度学习的悬钩子植物自动识别方法、存储介质和装置 |
CN112580671A (zh) * | 2020-12-31 | 2021-03-30 | 华南农业大学 | 一种基于深度学习的稻穗多发育期自动检测方法及系统 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101957313B (zh) * | 2010-09-21 | 2012-07-04 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
CN104535574A (zh) * | 2015-01-25 | 2015-04-22 | 无锡桑尼安科技有限公司 | 一种农作物成熟度识别方法 |
CN105842246B (zh) * | 2016-05-27 | 2019-01-22 | 中国农业科学院农业信息研究所 | 农田监测系统及监测农田的方法 |
CN106339005B (zh) * | 2016-09-05 | 2019-04-02 | 深圳市双赢伟业科技股份有限公司 | 农业互联植株管理方法 |
CN106845497B (zh) * | 2017-01-12 | 2020-08-25 | 天津大学 | 基于多特征融合的玉米前期图像旱情识别方法 |
CN107316289B (zh) * | 2017-06-08 | 2020-05-08 | 华中农业大学 | 基于深度学习和超像素分割的大田稻穗分割方法 |
CN107590799A (zh) * | 2017-08-25 | 2018-01-16 | 山东师范大学 | 基于深度卷积神经网络的香蕉成熟期识别方法和装置 |
CN108174694A (zh) * | 2017-11-29 | 2018-06-19 | 深圳市易成自动驾驶技术有限公司 | 农作物收获方法、装置及计算机可读存储介质 |
CN107764245A (zh) * | 2017-12-18 | 2018-03-06 | 无锡同春新能源科技有限公司 | 基于北斗导航定位的无人机测报小麦成熟期的监控系统 |
CN109241817B (zh) * | 2018-07-02 | 2022-02-22 | 广东工业大学 | 一种无人机拍摄的农作物图像识别方法 |
CN108848892B (zh) * | 2018-08-13 | 2020-04-07 | 孙凤幼 | 一种基于无人机的联动式农业收割系统 |
-
2019
- 2019-03-19 CN CN201910208251.1A patent/CN109871833B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109871833A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871833B (zh) | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 | |
Kitano et al. | Corn plant counting using deep learning and UAV images | |
US10747999B2 (en) | Methods and systems for pattern characteristic detection | |
Faisal et al. | IHDS: Intelligent harvesting decision system for date fruit based on maturity stage using deep learning and computer vision | |
Zhang et al. | EPSA-YOLO-V5s: A novel method for detecting the survival rate of rapeseed in a plant factory based on multiple guarantee mechanisms | |
Selvi et al. | Weed detection in agricultural fields using deep learning process | |
CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
CN113936254A (zh) | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 | |
US20230157231A1 (en) | Methods for artificial pollination and apparatus for doing the same | |
Gulavnai et al. | Deep learning for image based mango leaf disease detection | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
CN114743100A (zh) | 一种农产品长势监测方法和系统 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN109934297B (zh) | 一种基于深度学习卷积神经网络的水稻考种方法 | |
CN115860581A (zh) | 农作物品种适宜性评价方法、装置、设备及存储介质 | |
CN112883915B (zh) | 一种基于迁移学习的麦穗自动识别方法和系统 | |
CN109961035A (zh) | 一种水稻分蘖期长势智慧监控调节方法 | |
JP2021073860A (ja) | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム | |
CN112686152A (zh) | 一种多尺寸输入和多尺寸目标的农作物病虫害识别方法 | |
CN111724272A (zh) | 农作物生长状况数据分析系统及方法 | |
CN109934186B (zh) | 一种农作物直播成苗率的智慧高效监控方法 | |
CN115620151A (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
JP6768767B2 (ja) | 作物生育判定システムのサーバ装置、作物生育判定装置、作物生育学習装置、作物生育判定方法及びプログラム | |
CN112034912A (zh) | 一种基于实时反馈的温室作物病害防治方法 | |
CN111402318A (zh) | 一种树上果实产量快速估测方法及装置 |
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 |