CN109874584A - 一种基于深度学习卷积神经网络的果树长势监控系统 - Google Patents
一种基于深度学习卷积神经网络的果树长势监控系统 Download PDFInfo
- Publication number
- CN109874584A CN109874584A CN201910207888.9A CN201910207888A CN109874584A CN 109874584 A CN109874584 A CN 109874584A CN 201910207888 A CN201910207888 A CN 201910207888A CN 109874584 A CN109874584 A CN 109874584A
- Authority
- CN
- China
- Prior art keywords
- plant
- fruit tree
- growing way
- convolutional neural
- neural networks
- 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
本发明公开了一种基于深度学习卷积神经网络的果树长势监控系统,包括步骤:将监控地块进行分割和标记,拍摄所需监控地块照片;从覆盖各个生长周期的果树照片中分离出单个果树植株并计算单个果树植株轮廓;对分离后的各果树植株以其轮廓照片进行人工分类;使用各类果树植株轮廓照片对卷积神经网络进行训练;使用验证照片对所述卷积神经网络进行验证;基于所述深度卷积神经网络对所需监控地块内的各类果树植株的分离和分类,结合地块数据管理系统,生成总体长势统计数据。本发明在准确判断每株果树长势的基础上,精确判断地块内果树总体长势,较传统方法自动化程度高,准确度高。
Description
技术领域
本发明涉及果树长势监控系统,尤其涉及一种基于深度学习卷积神经网络的果树长势监控系统。
背景技术
果树长势监控是现代农业必不可少的一个重要环节。现有的监控方法一般采用人工监控或者利用地理信息系统和卫星遥感图像处理等技术,但是随着社会发展,可用劳动力的减少,单纯依靠人工监控,费时费力;传统的卫星遥感图像处理技术监控准确率不高并且实时性不强。同时因为受限精度,在监控过程中,无法对不同地块进行精确分类统计,在总体统计分析方面不尽人意。
深度学习是机器学习的一个新的领域,通过建立类似人脑的多层人工神经网络来模拟人脑存储和处理数据信息的机制,以此来解译图像,声音和文本等数据格式。与传统的专家系统相比,深度学习系统具有强大的自适应能力,可较好的处理边缘和边角案例,并且系统复杂度不会因数据量增加而增加。这些优势,使得深度学习在当今大数据背景下,获得了大量应用。深度学习分为监督学习与无监督学习,不同的学习框架下建立的学习模型是不同的。本专利采用的卷积神经网络(Convolutional neural networks,简称CNNs)是一种监督学习模型。目前尚无使用卷积神经网络进行成苗率监控的专利技术。
发明内容
本发明提出一种基于深度学习卷积神经网络的果树精确长势监控系统,包括步骤如下:
S1:将监控地块进行分割和标记,在果树的各个生长周期使用无人机拍摄所需监控地块照片;
S2:利用基于卷积神经网络的目标检测方法从覆盖各个生长周期的果树照片中分离出单个果树植株,并利用计算机视觉算法勾画单个果树植株轮廓和单个果树植株典型部位及其色泽;
S3:对分离后的各果树植株或单个果树植株典型部位基于轮廓色泽等特性进行长势的人工分类,将果树精确长势分为过旺、正常、一般、较差和差类型,作为深度学习的训练样本;
S4:使用S3中的人工分类结果,对深度卷积神经网络进行训练,使之能对各类果树精确长势进行分类;
S5:使用验证照片对所述深度卷积神经网络的分类结果进行验证和精度评价,并重复S3和S4步骤直到精度达标;
S6:使用所述深度卷积神经网络对所需监控地块内的各类果树植株精确长势进行分类统计,最终判断监控地块内所有果树植株的长势状态;
S7:根据深度卷积神经网络对所需监控地块内的所有果树植株的长势状态进行相应的农艺操作;
S8:通过信息系统,将相关作物长势状态信息和农艺操作要求发送给操作人员,实行精准操作。
进一步地,所述步骤S2包括步骤
S21:利用机器学习判断果树植株轮廓是否为单一植株或者单一植株典型部位;
S22:如果是单一果树植株或者单一植株典型部位,利用轮廓切割图像输出果树植株图片或者单一植株典型部位图片,计算长度,宽度和面积或者色泽;如果是粘连在一起的果树植株或者典型植株部位,利用图像分割算法分离粘连的植株或者典型植株部位。
进一步地,所述步骤S6包括步骤:所述步骤S6包括步骤:
S61:将各地块照片中的每一植株建档入库,形成一个植株数据库;
S62:通过对单一植株或者单一植株典型部位按照植株长势进行分类,并分别统计并入库;
S63:对整个地块内的植株进行统计分析,实现对整个地块的长势进行精确判断。
本发明的有益效果在于,与现有技术相比,本发明在农作物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,然后根据统计分析结果进行相应的栽培管理。
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果树精确长势监控系统方法流程图。
具体实施方式
下面以柑橘果树为例,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。
S1:使用地理信息系统(GIS)软件将监控柑橘果园地块进行分割和标记,每个地块的边界对应一个多边形,记录相关属性信息如编号,所有权,作物,面积,灌溉情况等等。在果树的各个生长周期使用无人机拍摄所需监控地块照片。果树生长初期,树冠之间有空隙,而这个空隙随着树木成材会迅速减少后消失,这时将无法分离每株果树植株。因此,从栽种就对果树进行无人机拍摄
对分离植株,并进行后续定量分析十分重要。
S2:利用基于卷积神经网络的目标检测方法(比如Mask RCNN)从覆盖各个生长周期的柑橘果树照片中分离出单个柑橘果树植株,并利用计算机视觉算法勾画单个柑橘果树植株中心位置和轮廓和单个果树植株典型部位及其色泽。事实上,中心位置只需要提取一次,以后重复使用。轮廓只在果树尚未成片时提取,用于对果树早期长势进行分类。
S3:对分离后的各柑橘果树植株和典型部位基于轮廓色泽等特性进行长势的人工分类,将果树精确长势分为过旺、正常、一般、较差、差等类型,作为深度学习的训练样本;
S4:将S3中柑橘果树植株分类结果按照80/20分成两份(80%用于训练,20%用于精度评价),对深度卷积神经网络(例如ResNet16)进行训练,使之能对每株果树精确长势进行分类;
S5:使用S3标注中的精度评价数据(20%),对所述深度卷积神经网络的分类结果进行验证和精度评价,并重复S3和S4步骤直到精度达标;
S6:使用S4和S5中生成的深度卷积神经网络对所需监控地块内的所有柑橘植株精确长势进行分类统计。最终判断监控地块内所有果树植株的长势状态。步骤S6还包括步骤:将各地块照片中的每一植株建档入库,形成一个植株数据库;接下来,通过对单一植株或者单一植株典型部位按照植株长势进行分类,并分别统计并入库;在此基础上,对整个地块内的植株进行统计分析,从而实现对整个地块的长势进行精确判断。
S7:根据深度卷积神经网络对所需监控地块内的所有柑橘植株的长势状态进行相应的农艺操作,比如浇水和施肥。
S8:通过信息系统,将每株柑橘长势状态信息和农艺操作要求发送给操作人员,实行精准操作。
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 (3)
1.一种基于深度学习卷积神经网络的果树精确长势监控系统,其特征在于,包括步骤:
S1:将监控地块进行分割和标记,在果树的各个生长周期使用无人机拍摄所需监控地块照片;
S2:利用基于卷积神经网络的目标检测方法从覆盖各个生长周期的果树照片中分离出单个果树植株,并利用计算机视觉算法勾画单个果树植株轮廓和单个果树植株典型部位及其色泽;
S3:对分离后的各果树植株或单个果树植株典型部位基于轮廓色泽等特性进行长势的人工分类,将果树精确长势分为过旺、正常、一般、较差和差类型,作为深度学习的训练样本;
S4:使用S3中的人工分类结果,对深度卷积神经网络进行训练,使之能对各类果树精确长势进行分类;
S5:使用验证照片对所述深度卷积神经网络的分类结果进行验证和精度评价,并重复S3和S4步骤直到精度达标;
S6:使用所述深度卷积神经网络对所需监控地块内的各类果树植株精确长势进行分类统计,最终判断监控地块内所有果树植株的长势状态;
S7:根据深度卷积神经网络对所需监控地块内的所有果树植株的长势状态进行相应的农艺操作;
S8:通过信息系统,将相关作物长势状态信息和农艺操作要求发送给操作人员,实行精准操作。
2.如权利要求1所述的基于深度学习卷积神经网络的果树精确长势监控系统,其特征在于,所述步骤S2包括步骤
S21:利用机器学习判断果树植株轮廓是否为单一植株或者单一植株典型部位;
S22:如果是单一果树植株或者单一植株典型部位,利用轮廓切割图像输出果树植株图片或者单一植株典型部位图片,计算长度,宽度和面积或者色泽;如果是粘连在一起的果树植株或者典型植株部位,利用图像分割算法分离粘连的植株或者典型植株部位。
3.如权利要求1所述的基于深度学习卷积神经网络的果树精确长势监控系统,其特征在于,所述步骤S6包括步骤:
S61:将各地块照片中的每一植株建档入库,形成一个植株数据库;
S62:通过对单一植株或者单一植株典型部位按照植株长势进行分类,并分别统计并入库;
S63:对整个地块内的植株进行统计分析,实现对整个地块的长势进行精确判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207888.9A CN109874584A (zh) | 2019-03-19 | 2019-03-19 | 一种基于深度学习卷积神经网络的果树长势监控系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910207888.9A CN109874584A (zh) | 2019-03-19 | 2019-03-19 | 一种基于深度学习卷积神经网络的果树长势监控系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109874584A true CN109874584A (zh) | 2019-06-14 |
Family
ID=66932961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910207888.9A Pending CN109874584A (zh) | 2019-03-19 | 2019-03-19 | 一种基于深度学习卷积神经网络的果树长势监控系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109874584A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348403A (zh) * | 2019-07-15 | 2019-10-18 | 华瑞新智科技(北京)有限公司 | 一种树木数量实时测量统计方法、系统及无人机 |
CN110853080A (zh) * | 2019-09-30 | 2020-02-28 | 广西慧云信息技术有限公司 | 一种田间果实尺寸的测量方法 |
CN113409298A (zh) * | 2021-07-08 | 2021-09-17 | 广西大学 | 基于Kinect V2传感器的香蕉植株长势评价系统 |
CN114766333A (zh) * | 2022-05-09 | 2022-07-22 | 邢台市农业科学研究院 | 一种果树种植物联网调控系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156710A (zh) * | 2011-03-02 | 2011-08-17 | 上海大学 | 一种基于云模型和topsis法的植物鉴别方法 |
CN102626026A (zh) * | 2012-04-13 | 2012-08-08 | 南京工业职业技术学院 | 基于gps、gis和传感网技术的茶园精确管理系统 |
CN105446309A (zh) * | 2015-12-31 | 2016-03-30 | 西北工业大学 | 一种基于物联网的农业智能分析监控系统 |
CN107064931A (zh) * | 2016-12-11 | 2017-08-18 | 天津市矩辉数据科技有限公司 | 基于遥感数据与地理信息系统的农田参照点筛选方法 |
WO2018101848A1 (en) * | 2016-11-29 | 2018-06-07 | Coolfarm S.A. | Predictive dynamic cloud based system for environmental sensing and actuation and respective method of operation |
CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
CN108739052A (zh) * | 2018-06-01 | 2018-11-06 | 北京中环易达设施园艺科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
-
2019
- 2019-03-19 CN CN201910207888.9A patent/CN109874584A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156710A (zh) * | 2011-03-02 | 2011-08-17 | 上海大学 | 一种基于云模型和topsis法的植物鉴别方法 |
CN102626026A (zh) * | 2012-04-13 | 2012-08-08 | 南京工业职业技术学院 | 基于gps、gis和传感网技术的茶园精确管理系统 |
CN105446309A (zh) * | 2015-12-31 | 2016-03-30 | 西北工业大学 | 一种基于物联网的农业智能分析监控系统 |
WO2018101848A1 (en) * | 2016-11-29 | 2018-06-07 | Coolfarm S.A. | Predictive dynamic cloud based system for environmental sensing and actuation and respective method of operation |
CN107064931A (zh) * | 2016-12-11 | 2017-08-18 | 天津市矩辉数据科技有限公司 | 基于遥感数据与地理信息系统的农田参照点筛选方法 |
CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
CN108739052A (zh) * | 2018-06-01 | 2018-11-06 | 北京中环易达设施园艺科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
Non-Patent Citations (1)
Title |
---|
马浚诚等: "基于可见光图像和卷积神经网络的冬小麦苗期长势参数估算", 《农业工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110348403A (zh) * | 2019-07-15 | 2019-10-18 | 华瑞新智科技(北京)有限公司 | 一种树木数量实时测量统计方法、系统及无人机 |
CN110853080A (zh) * | 2019-09-30 | 2020-02-28 | 广西慧云信息技术有限公司 | 一种田间果实尺寸的测量方法 |
CN113409298A (zh) * | 2021-07-08 | 2021-09-17 | 广西大学 | 基于Kinect V2传感器的香蕉植株长势评价系统 |
CN114766333A (zh) * | 2022-05-09 | 2022-07-22 | 邢台市农业科学研究院 | 一种果树种植物联网调控系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109874584A (zh) | 一种基于深度学习卷积神经网络的果树长势监控系统 | |
Li et al. | Detection of fruit-bearing branches and localization of litchi clusters for vision-based harvesting robots | |
Burgos-Artizzu et al. | Improving weed pressure assessment using digital images from an experience-based reasoning approach | |
US7248968B2 (en) | Obstacle detection using stereo vision | |
CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及系统 | |
Selvi et al. | Weed detection in agricultural fields using deep learning process | |
CN102542560B (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
CN103324655A (zh) | 图像检索系统、图像检索装置以及图像检索方法 | |
CN112990103A (zh) | 一种基于机器视觉的串采二次定位方法 | |
Hsieh et al. | Fruit maturity and location identification of beef tomato using R-CNN and binocular imaging technology | |
CN106846334A (zh) | 基于支持向量数据描述的田间玉米植株识别方法 | |
CN109871833A (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 | |
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 | |
CN105891420A (zh) | 一种大数据智能分析植物生长状态的方法 | |
CN109961035A (zh) | 一种水稻分蘖期长势智慧监控调节方法 | |
CN109934186B (zh) | 一种农作物直播成苗率的智慧高效监控方法 | |
Miao et al. | Crop weed identification system based on convolutional neural network | |
CN110544237A (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 | |
CN117036926A (zh) | 一种融合深度学习与图像处理的杂草识别方法 | |
Habib et al. | Wavelet frequency transformation for specific weeds recognition | |
Grundy et al. | Using a competition model to quantify the optimal trade‐off between machine vision capability and weed removal effectiveness | |
CN114694048A (zh) | 基于无人机遥感技术的稀疏灌木物种识别方法及系统 | |
Barhate et al. | Comprehensive study on automated image detection by using robotics for agriculture applications | |
CN114757891A (zh) | 一种基于机器视觉技术的植物生长状态的识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190614 |
|
RJ01 | Rejection of invention patent application after publication |