CN110428114A - 果树产量预测方法、装置、设备及计算机可读存储介质 - Google Patents
果树产量预测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110428114A CN110428114A CN201910739482.5A CN201910739482A CN110428114A CN 110428114 A CN110428114 A CN 110428114A CN 201910739482 A CN201910739482 A CN 201910739482A CN 110428114 A CN110428114 A CN 110428114A
- Authority
- CN
- China
- Prior art keywords
- fruit tree
- target type
- orchard
- type fruit
- predicted
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 353
- 238000000034 method Methods 0.000 title claims abstract description 48
- 239000002420 orchard Substances 0.000 claims abstract description 159
- 238000004519 manufacturing process Methods 0.000 claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims description 82
- 238000013527 convolutional neural network Methods 0.000 claims description 73
- 238000012549 training Methods 0.000 claims description 58
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 11
- 230000003252 repetitive effect Effects 0.000 claims description 11
- 239000012141 concentrate Substances 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 1
- 235000011430 Malus pumila Nutrition 0.000 description 1
- 235000015103 Malus silvestris Nutrition 0.000 description 1
- 101100120298 Rattus norvegicus Flot1 gene Proteins 0.000 description 1
- 101100412403 Rattus norvegicus Reg3b gene Proteins 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Agronomy & Crop Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种果树产量预测方法、装置、设备及计算机可读存储介质，所述方法包括：获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及待预测果园的区域图片；将预测样本图片集输入预置用于预测目标类型果树枝量的第一模型，得到目标类型果树的平均枝量；将区域图片输入预置用于对目标类型果树进行密度估算和面积估算的第二模型，得到待预测果园中目标类型果树的种植密度和种植面积；根据平均枝量、种植密度和种植面积计算得到待预测果园中目标类型果树的预测产量。本发明实现了结合小尺度的平均枝量数据和大尺度的种植面积、种植密度数据，对待预测果园中目标类型果树进行产量预测，提高了果园果树产量预测的精确度。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种果树产量预测方法、装置、设备及计算机可读存储介质。
背景技术
随着智慧农业的发展，为了提高对果园的智能化管理，精确地预测果园果树的产量已经成为一个普遍需求。但是，目前的产量预测方法，无法对果园的产量进行精细化的预测，如基于遥感卫星的产量预测方法，其受卫星分辨率限制，只能拍摄到大尺度的卫星图像，无法对果园的产量进行精细化的预测。
发明内容
本发明的主要目的在于提供一种果树产量预测方法、装置、设备及计算机可读存储介质，旨在解决现有的果园果树产量预测方法，无法对果园的产量进行精细化预测的技术问题。
为实现上述目的，本发明提供一种果树产量预测方法，所述果树产量预测方法包括：
获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；
将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；
将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；
根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量。
可选地，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，还包括：
获取通过预设近距离拍摄装置采集的所述目标类型果树的训练样本图片集，以及所述训练样本图片集中每张图片对应人工标注的标注枝量；
通过所述训练样本图片集和所述标注枝量，基于迭代训练的方式对预置待训练的第一卷积神经网络CNN模型进行训练，得到图像CNN模型，将所述图像CNN模型作为所述第一模型。
可选地，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，还包括：
获取通过预设区域图片采集装置采集的多个果园区域的区域图片集，以及所述区域图片集中每张图片对应人工标注的所述目标类型果树的标注密度和标注区域；
通过所述区域图片集、所述标注密度和所述标注区域，基于迭代训练的方式对预置待训练的第二CNN模型进行训练，得到CNN语义分割模型，将所述CNN语义分割模型作为所述第二模型。
可选地，所述将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积的步骤包括：
将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到置信度矩阵和所述待预测果园中所述目标类型果树的种植密度，其中，所述置信度矩阵中的元素与所述区域图片的像素点一一对应；
基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数；
根据属于所述目标类型果树的像素点的个数以及所述预设区域图片采集装置的分辨率，计算得到所述待预测果园中所述目标类型果树的种植面积。
可选地，所述置信度矩阵包括第一矩阵和第二矩阵，所述第一矩阵中各个元素为对应像素点属于所述目标类型果树的第一概率值，所述第二矩阵中各个元素为对应像素点不属于所述目标类型果树的第二概率值，所述基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数的步骤包括：
遍历所述第一矩阵和所述第二矩阵，获取所述区域图片的各个像素点对应的第一概率值和第二概率值，比较各所述像素点对应的第一概率值和第二概率值；
当所述像素点对应的第一概率值大于第二概率值时，确定所述像素点属于所述目标类型果树；
统计属于所述目标类型果树的像素点的个数。
可选地，所述根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量的步骤包括：
将所述种植面积除以所述种植密度得到所述待预测果园中所述目标类型果树的棵数；
将所述棵数乘以所述平均枝量得到所述待预测果园中所述目标类型果树的总枝量；
将所述目标类型果树的预设单枝结果数与所述总枝量相乘，得到所述待预测果园中所述目标类型果树的预测产量。
可选地，所述根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量的步骤之后，还包括：
当检测到预设数据库中添加入新的训练数据时，获取基于所述预测产量的反馈信息；
检测所述预测产量与所述反馈信息中的实际产量之间的误差是否大于预设误差；
当检测到所述误差大于所述预设误差时，通过所述新的训练数据对所述第一模型和/或所述第二模型进行训练，以更新所述第一模型和/或所述第二模型。
此外，为实现上述目的，本发明还提供一种果树产量预测装置，所述果树产量预测装置包括：
获取模块，用于获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；
预测模块，用于将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；
估算模块，用于将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；
计算模块，用于根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的产量。
此外，为实现上述目的，本发明还提供一种果树产量预测设备，所述果树产量预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的果树产量预测程序，所述果树产量预测程序被所述处理器执行时实现如上所述的果树产量预测方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有果树产量预测程序，所述果树产量预测程序被处理器执行时实现如上所述的果树产量预测方法的步骤。
本发明中，将待预测果园中目标类型果树的预测样本图片集输入第一模型，预测得到待预测果园中目标类型果树的平均枝量，通过对单棵果树图片中的树枝特征进行识别，得到小尺度的果树平均枝量数据；将待预测果园的区域图片输入第二模型，预测得到待预测果园中目标类型果树的种植密度和种植面积，通过对整个果园图片中目标类型果树的特征进行识别，得到大尺度的种植面积和种植密度数据；并结合小尺度的平均枝量数据和大尺度的种植面积、种植密度数据，得到待预测果园中目标类型果树的预测产量，以避免了仅通过大尺度的卫星图像预测产量造成的精确度低的问题，提高了果园果树产量预测的精确度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的结构示意图；
图2为本发明果树产量预测方法第一实施例的流程示意图；
图3为本发明实施例涉及的A类果树和B类果树产量的预测流程图；
图4为本发明果树产量预测装置较佳实施例的功能示意图模块图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供了一种果树产量预测设备，参照图1，图1是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图1即可为果树产量预测设备的硬件运行环境的结构示意图。本发明实施例果树产量预测设备可以是PC，也可以是智能手机、智能电视机、平板电脑、便携计算机等具有显示功能的终端设备。
如图1所示，该果树产量预测设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，果树产量预测设备还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。本领域技术人员可以理解，图1中示出的果树产量预测设备结构并不构成对果树产量预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及果树产量预测程序。
在图1所示的果树产量预测设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的果树产量预测程序，并执行以下操作：
获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；
将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；
将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；
根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量。
进一步地，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，处理器1001可以用于调用存储器1005中存储的果树产量预测程序，并执行以下操作：
获取通过预设近距离拍摄装置采集的所述目标类型果树的训练样本图片集，以及所述训练样本图片集中每张图片对应人工标注的标注枝量；
通过所述训练样本图片集和所述标注枝量，基于迭代训练的方式对预置待训练的第一卷积神经网络CNN模型进行训练，得到图像CNN模型，将所述图像CNN模型作为所述第一模型。
进一步地，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，处理器1001可以用于调用存储器1005中存储的果树产量预测程序，并执行以下操作：
获取通过预设区域图片采集装置采集的多个果园区域的区域图片集，以及所述区域图片集中每张图片对应人工标注的所述目标类型果树的标注密度和标注区域；
通过所述区域图片集、所述标注密度和所述标注区域，基于迭代训练的方式对预置待训练的第二CNN模型进行训练，得到CNN语义分割模型，将所述CNN语义分割模型作为所述第二模型。
进一步地，所述将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积的步骤包括：
将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到置信度矩阵和所述待预测果园中所述目标类型果树的种植密度，其中，所述置信度矩阵中的元素与所述区域图片的像素点一一对应；
基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数；
根据属于所述目标类型果树的像素点的个数以及所述预设区域图片采集装置的分辨率，计算得到所述待预测果园中所述目标类型果树的种植面积。
进一步地，所述置信度矩阵包括第一矩阵和第二矩阵，所述第一矩阵中各个元素为对应像素点属于所述目标类型果树的第一概率值，所述第二矩阵中各个元素为对应像素点不属于所述目标类型果树的第二概率值，所述基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数的步骤包括：
遍历所述第一矩阵和所述第二矩阵，获取所述区域图片的各个像素点对应的第一概率值和第二概率值，比较各所述像素点对应的第一概率值和第二概率值；
当所述像素点对应的第一概率值大于第二概率值时，确定所述像素点属于所述目标类型果树；
统计属于所述目标类型果树的像素点的个数。
进一步地，所述根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量的步骤包括：
将所述种植面积除以所述种植密度得到所述待预测果园中所述目标类型果树的棵数；
将所述棵数乘以所述平均枝量得到所述待预测果园中所述目标类型果树的总枝量；
将所述目标类型果树的预设单枝结果数与所述总枝量相乘，得到所述待预测果园中所述目标类型果树的预测产量。
进一步地，所述根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量的步骤之后，处理器1001可以用于调用存储器1005中存储的果树产量预测程序，并执行以下操作：
当检测到预设数据库中添加入新的训练数据时，获取基于所述预测产量的反馈信息；
检测所述预测产量与所述反馈信息中的实际产量之间的误差是否大于预设误差；
当检测到所述误差大于所述预设误差时，通过所述新的训练数据对所述第一模型和/或所述第二模型进行训练，以更新所述第一模型和/或所述第二模型。
基于上述的硬件结构，提出本发明果树产量预测方法的各个实施例。
参照图2，本发明果树产量预测方法第一实施例提供一种果树产量预测方法，需要说明的是，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。本发明果树产量预测方法的各个实施例的执行主体可以是PC、智能手机、智能电视机、平板电脑和便携计算机等终端设备，为便于描述，在以下各实施例中以预测装置为执行主体进行阐述。所述果树产量预测方法包括：
步骤S10，获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；
在本实施例中，当需要对待预测果园中目标类型果树的产量进行预测时，如需要对待预测果园中种植的苹果树进行产量预测时，可以人工预先选取待预测果园中若干棵目标类型果树作为预测样本，通过拍摄装置如移动终端拍摄这若干棵目标类型果树的图片，每棵果树对应一张图片，图片包含果树的完整树枝图像；并可以预先通过区域图片采集装置采集待预测果园的区域图片，区域图片即包含了整个待预测果园区域的图片，如通过无人机等航拍装置拍摄待预测果园的航拍图片，航拍装置的拍摄高度可以是100米左右，或通过遥感卫星采集待预测果园的卫星遥感图片；将采集到的若干棵目标类型果树的图片上传到预测装置的数据库中，预测装置将图片保存，作为预测样本图片集，并将待预测果园的区域图片也上传至预测装置的数据库中，预测装置保存区域图片。
预测装置可在检测到对目标类型果树产量进行预测的预测指令后，获取数据库中的目标类型果树的预测样本图片集，以及待预测果园的区域图片。
步骤S20，将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；
预测装置中预先设置有第一模型，该第一模型是预先训练得到的用于预测目标类型果树树枝的枝量的模型，可以是神经网络模型，如CNN(卷积神经网络，ConvolutionalNeural Networks)模型，第一模型的输入可以是图片数据，对图片数据中的目标类型果树的树枝特征进行识别，输出目标类型果树树枝的数量，即枝量。预测装置将预测样本图片集输入预置第一模型中，具体地，可先对每张预测样本图片进行预处理，得到符合第一模型输入数据格式的图片数据，将每张预测样本图片的图片数据分别输入第一模型，由第一模型预测得到每张预测样本图片对应的枝量，预测装置求取各预测样本图片对应枝量的平均，即得到目标类型果树的平均枝量。
步骤S30，将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；
预测装置中预先设置有第二模型，该第二模型是预先训练得到的用于对果园图片中目标类型果树进行密度估算和面积估算的模型，第二模型可以是神经网络模型，如CNN模型，第二模型的输入可以是图片数据，对图片数据中的目标类型果树的种植密度特征进行识别，以及对目标类型果树的树状特征进行识别，输出目标类型果树的种植面积和种植密度。预测装置将获取到的待预测果园的区域图片输入到第二模型中，由第二模型预测得到待预测果园中目标类型果树的种植密度和种植面积，其中，种植密度可以是果树的株间距，如每隔多少米种植一棵目标类型果树。
步骤S40，根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量。
预测装置根据得到的平均枝量、种植密度和种植面积，计算得到待预测果园中目标类型果树的预测产量。具体地，预测装置可以将种植面积除以种植密度，得到待预测果园中目标类型果树的棵数，然后目标类型果树的棵数乘以平均枝量，得到待预测果园中所有目标类型果树的总枝量。预测装置可以将计算得到的该总枝量作为待预测果园中目标类型果树的预测产量，以供用户根据该总枝量结合单枝树枝的挂果量，进行目标类型果树的产量估计。
需要说明的是，当需要对待预测果园中的多种类型的果树进行产量预测时，即需要对待预测果园的总产量进行预测时，可对待预测果园中的多种类型的果树分别采取本实施例中的上述产量预测方法进行产量预测，最后将预测得到的各种类型的果树产量相加，即得到待预测果园的总产量。
在本实施例中，将待预测果园中目标类型果树的预测样本图片集输入第一模型，预测得到待预测果园中目标类型果树的平均枝量，通过对单棵果树图片中的树枝特征进行识别，得到小尺度的果树平均枝量数据；将待预测果园的区域图片输入第二模型，预测得到待预测果园中目标类型果树的种植密度和种植面积，通过对整个果园图片中目标类型果树的特征进行识别，得到大尺度的种植面积和种植密度数据；并结合小尺度的平均枝量数据和大尺度的种植面积、种植密度数据，得到待预测果园中目标类型果树的预测产量，以避免了仅通过大尺度的卫星图像预测产量造成的精确度低的问题，提高了果园果树产量预测的精确度。
进一步的，基于上述第一实施例，本发明果树产量预测方法第二实施例提供一种果树产量预测方法。在本实施例中，所述步骤S10之前，还包括：
步骤S50，获取通过预设近距离拍摄装置采集的所述目标类型果树的训练样本图片集，以及所述训练样本图片集中每张图片对应人工标注的标注枝量；
在本实施例中，可以人工预先通过近距离拍摄装置，如移动终端拍摄若干棵目标类型果树的图片，图片包含果树的完整树枝图像，并可将这些图片上传至预测装置的数据库中，预测装置保存这些图片，作为训练样本图片集；此外，可以通过人工预先对图片中目标类型果树的枝量进行标注，将标注枝量一并上传至预测装置的数据库中。
预测装置可在检测到训练第一模型的训练指令时，获取数据库中的训练样本图片集，以及每张图片对应的标注枝量。
步骤S60，通过所述训练样本图片集和所述标注枝量，基于迭代训练的方式对预置待训练的第一卷积神经网络CNN模型进行训练，得到图像CNN模型，将所述图像CNN模型作为所述第一模型。
预测装置中预先设置有待训练的第一CNN模型，该第一CNN模型的结构可以采用现有实现图像识别的CNN模型的结构。预测装置通过训练样本图片集和标注枝量，基于迭代训练的方式对第一CNN模型进行训练，得到图像CNN模型，将该图像CNN模型作为第一模型。具体地，预测装置可将训练样本图片集作为第一CNN模型的输入，第一CNN模型对训练样本图片中的树枝特征进行提取，得到第一CNN模型预测的预测枝量，然后根据预测枝量和标注枝量计算损失函数的损失值，根据损失值判断第一CNN模型是否收敛，若未收敛，则调整第一CNN模型的参数后，再次将训练样本图片集输入第一CNN模型，经过多次迭代训练，直到第一CNN模型收敛，即得到训练好的图像CNN模型。
在本实施例中，通过预先采集目标类型果树的训练样本图片集，并对训练样本图片集中枝量进行人工标注，基于训练样本图片集和标注枝量对第一CNN模型进行训练，得到能够预测目标类型果树的枝量的第一模型，通过CNN模型，能够有效地对样本图片中的果树进行树枝特征的提取，使得训练得到的模型预测精确度高、预测效果好。
进一步地，步骤S10之前还包括：
步骤S70，获取通过预设卫星遥感图片装置采集的多个果园区域的区域图片集，以及所述区域图片集中每张图片对应人工标注的所述目标类型果树的标注密度和标注区域；
在本实施例中，可以人工预先通过区域图片采集装置采集多个果园区域的区域图片，如通过无人机、遥感卫星等装置采集多个果园区域的区域图片，并对每个果园区域的区域图片，标注该区域图片上属于目标类型果树的区域，以及标注该区域图片中目标类型果树的种植密度，将多个果园区域的区域图片和对应的标注区域、标注密度上传至预测装置的数据库，预测装置将多张区域图片保存为区域图片集，并保存每张区域图片对应的标注密度和标注区域。需要说明的是，标注区域可以是图片中属于目标类型果树的像素点所构成的区域。
预测装置可在检测到训练第二模型的训练指令时，获取数据库中的区域图片集和每张区域图片对应的标注密度和标注区域。
步骤S80，通过所述区域图片集、所述标注密度和所述标注区域，基于迭代训练的方式对预置待训练的第二CNN模型进行训练，得到CNN语义分割模型，将所述CNN语义分割模型作为所述第二模型。
预测装置中预先设置有待训练的第二CNN模型，该第二CNN模型的结构可采用现有实现图像语义分割的CNN模型的结构。预测装置通过区域图片集、标注密度和标注区域，基于迭代训练的方式对预置待训练的第二CNN模型进行训练，得到CNN语义分割模型，将CNN语义分割模型作为第二模型。具体地，预测装置将区域图片集作为第二CNN模型的输入，第二CNN模型对区域图片中的目标类型果树的特征进行提取，得到第二CNN模型预测的目标类型果树的预测区域和预测密度，然后根据预测区域和标注区域，以及预测密度和标注密度计算损失函数的损失值，根据损失值判断第二CNN模型是否收敛，若未收敛，则调整第二CNN模型的参数后，再次将区域图片集输入第二CNN模型，经过多次迭代训练，直到第二CNN模型收敛，即得到训练好的CNN语义分割模型。
在本实施例中，通过预先采集多个果园区域的区域图片集，并对区域图片集中果树的种植密度和目标类型果树的区域进行人工标注，基于区域图片集、标注密度和标注区域对第一CNN模型进行训练，得到能够预测待预测果园中目标类型果树的种植密度和种植面积的第二模型，通过CNN模型，能够有效地对区域图片中目标类型果树的特征进行提取，使得训练得到的模型预测精确度高、预测效果好。
进一步地，基于上述第二实施例，本发明果树产量预测方法第三实施例提供一种果树产量预测方法。在本实施例中，所述步骤S30包括：
步骤S301，将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到置信度矩阵和所述待预测果园中所述目标类型果树的种植密度，其中，所述置信度矩阵中的元素与所述区域图片的像素点一一对应；
在本实施例中，第二模型采用预先训练好的CNN语义分割模型，可输出与输入图片对应的置信度矩阵，以及图片中目标类型果树的种植密度。其中，置信度矩阵中的元素与输入图片中的像素点一一对应，反映输入图片中各个像素点的类别。
预测装置将待预测果园的区域图片输入至第二模型，得到置信度矩阵和待预测果园中目标类型果树的种植密度。
步骤S302，基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数；
预测装置基于置信度矩阵确定区域图片中属于目标类型果树的像素点的个数。具体地，根据置信度矩阵中的元素，确定对应像素点的所属类别，确定像素点是否属于目标类型果树，对属于目标类型果树的像素点进行统计，即得到区域图片中属于目标类型果树的像素点的个数。
步骤S303，根据属于所述目标类型果树的像素点的个数以及所述预设区域图片采集装置的分辨率，计算得到所述待预测果园中所述目标类型果树的种植面积。
预测装置根据属于目标类型果树的像素点的个数以及拍摄待预测果园区域图片的区域图片采集装置的分辨率，计算得到待预测果园中目标类型果树的种植面积。具体地，区域装置的分辨率可以是指每个像素点表示多少平方米，如每个像素点表示2平方米，预测装置将属于目标类型果树的像素点的个数乘以分辨率，即得到目标类型果树的种植面积，如属于目标类型果树的像素点个数为100个，则目标类型果树的种植面积为200平方米。
在本实施例中，通过将区域图片输入预先训练好的CNN语义分割模型，得到种植密度和置信度矩阵，根据置信度矩阵确定属于目标类型果树的像素点的个数，根据区域图片采集装置的分辨率和属于目标类型果树像素点的个数计算得到目标类型果树的种植面积，通过将区域图片划分为像素点级别进行分析，能够精确地预测待预测果园中目标类型果园的种植密度和种植面积，从而提高了果园果树产量的预测精确度。
进一步地，第二模型输出的置信度矩阵可包括第一矩阵和第二矩阵，第一矩阵中各个元素为对应像素点属于目标类型果树的第一概率值，第二矩阵中各个元素为对应像素点不属于目标类型果树的第二概率值，步骤S302包括：
步骤S3021，遍历所述第一矩阵和所述第二矩阵，获取所述区域图片的各个像素点对应的第一概率值和第二概率值，比较各所述像素点对应的第一概率值和第二概率值；
在本实施例中，第二模型输出的置信度矩阵可以是包括两个矩阵，两个矩阵中的元素均与区域图片的像素点一一对应，第一矩阵中各个元素为对应像素点属于目标类型果树的概率值，记为第一概率值，第二矩阵中各个元素为对应像素点不属于目标类型果树的概率值，记为第二概率值，也即区域图片的每个像素点均对应一个第一概率值和第二概率值。预测装置遍历第一矩阵和第二矩阵，从中获取区域图片各个像素点对应的第一概率值和第二概率值，对区域图片的各个像素点，比较该像素点对应的第一概率值和第二概率值。
步骤S3022，当所述像素点对应的第一概率值大于第二概率值时，确定所述像素点属于所述目标类型果树；
当预测装置比较得到该像素点对应的第一概率值大于第二概率值时，可确定该像素点属于目标类型果树，当第以概率值不大于第一概率值时，可确定该像素点不属于目标类型果树。
步骤S3023，统计属于所述目标类型果树的像素点的个数。
预测装置在遍历完第一矩阵和第二矩阵后，可统计属于目标类型果树的像素点的个数。具体地，预测装置可以做一张果园区域预测图，该果园区域预测图中的元素与区域图片的像素点一一对应，预测装置根据上述比较结果，通过在果园区域预测图中的元素给对应像素点进行类别标记，如像素点属于目标类型果树，则对应位置的元素为1，不属于目标类型果树，则对应位置的元素为0，最后，预测装置统计果园区域预测图中值为1的元素的个数，即得到属于目标类型果树的像素点的个数。
进一步地，在一实施例中，置信度矩阵也可以是只包括一个矩阵，该矩阵中的元素可以是对应像素点属于目标类型果树的概率值，预测装置遍历该矩阵，对于区域图片中每个像素点，判断该像素点对应的概率值是否大于预设概率值，若大于预设概率值，如预设为0.5，则确定该像素点属于目标类型果树。
进一步地，在一实施例中，当要预测多种类型果树的产量时，预测装置可预先训练每种类型果树分别对应的第二模型，将待预测果园的区域图片分别输入多个第二模型，得到多种类型果树对应的置信度矩阵，遍历各个置信度矩阵，对于区域图片的各个像素点，比较该像素点在所有置信度矩阵中对应的概率值，根据最大概率值所属的置信度矩阵，确定该像素点属于哪种类型的果树，根据遍历结果生成果园区域预测图。
例如，要预测待预测果园中A类果树和B类果树的产量，预测装置预先训练得到A类果树的第二模型CNN-seg1，B类果树的第二模型CNN-seg2；预测装置将区域图片输入CNN-seg1得到矩阵A1和A2，A1中各个元素为对应像素点属于A类果树的概率，A2中各个元素为对应像素点不属于A类型果树的概率；预测装置将区域图片输入CNN-seg2得到矩阵B1和B2，B1中各个元素为对应像素点属于B类果树的概率，B2中各个元素为对应像素点不属于B类型果树的概率；预测装置遍历A1、A2、B1和B2，对于区域图片中的各个像素点，比较该像素点对应的4个概率值，根据其中最大的概率值对应的矩阵填写果园区域预测图中对应的元素，如当4个概率值中A1中的概率值最大时，确定该像素点对应果园区域预测图中元素为1，当4个概率值中B1中的概率值最大时，确定该像素点对应果园区域预测图中元素为2，当4个概率值中A2或B2中的概率值最大时，确定该像素点对应果园区域预测图中元素为0；预测装置遍历矩阵，得到果园区域预测图后，统计图中值为1的元素的个数，即得到属于A类果树的像素点的个数，统计图中值为2的元素的个数，即得到属于B类果树的像素点的个数。
如图3所示，为待预测果园中A类果树和B类果树的产量的预测流程图。图中，预测装置预先训练得到A类果树的第一模型CNN-reg1，B类果树的第一模型CNN-reg2，A类果树的第二模型CNN-seg1，B类果树的第二模型CNN-seg2；预测装置将A类果树的N1张预测样本图片输入CNN-reg1，得到A类果树的平均枝量T(a1)，将B类果树的N2张预测样本图片输入CNN-reg2，得到B类果树的平均枝量T(a2)；预测装置将待预测果园的区域图片输入CNN-seg1，得到A类果树的种植密度L1，以及置信度矩阵A1和A2，将待预测待预测果园的区域图片输入CNN-seg2，得到B类果树的种植密度L2，以及置信度矩阵B1和B2，遍历A1、A2、A3和A4得到果园区域预测图PredM；预测装置根据PredM结合L1和拍摄分辨率，得到A类果树的棵树count1，根据根据PredM结合L2和拍摄分辨率，得到B类果树的颗数count2；预测装置根据T(a1)和count1计算得到A类果树的产量P1，根据T(a2)和count2得到B类果树的产量P2，将P1和P2结合即得到待预测果园中A类果树和B类果树的总产量P。
进一步地，基于上述第一、第二或第三实施例，本发明果树产量预测方法第四实施例提供一种果树产量预测方法。在本实施例中，所述步骤S40包括：
步骤S401，将所述种植面积除以所述种植密度得到所述待预测果园中所述目标类型果树的棵数；
在本实施例中，当预测装置得到待预测果园中目标类型果树的平均枝量、种植密度和种植面积后，预测装置将种植面积除以种植密度，得到目标类型果树的棵数。
步骤S402，将所述棵数乘以所述平均枝量得到所述待预测果园中所述目标类型果树的总枝量；
预测装置将目标类型果树的棵数乘以平均枝量得到待预测果园中目标类型果树的总枝量。
步骤S403，将所述目标类型果树的预设单枝结果数与所述总枝量相乘，得到所述待预测果园中所述目标类型果树的预测产量。
预测装置中预先设置有单枝结果数，即单个目标类型果树的树枝的平均结果数，该单枝结果数可以是用户根据总结经验上传到预测装置的数据库。预测装置将目标类型果树的单枝结果数与计算得到的总枝量相乘，得到待预测果园中目标类型果树的预测产量，并可将该预测产量输出，如输出至预设装置的显示屏，以供用户获知预测结果。
在本实施例中，通过预测装置根据预设单指结果数，以及目标类型果树的平均枝量、种植密度和种植面积，计算得到待预测果园中目标类型果树的预测产量，使得用户能够直观地获知目标类型果树的预测产量，提高了用户体验。
进一步地，步骤S40之后，还包括：
步骤A10，当检测到预设数据库中添加入新的训练数据时，获取基于所述预测产量的反馈信息；
在本实施例中，用户可根据待预测果园中目标类型果树的实际产量，向预测装置上传反馈信息，如直接将实际产量作为反馈信息上传至预测装置，预测装置保存用户上传的反馈信息。
此外，用户还可以采集新的目标类型果树的图片，或新的果园区域的区域图片，作为新的训练数据上传至预测装置的数据库中。当预测装置检测到数据库中添加入新的训练数据时，获取保存的用户基于预测产量上传的反馈信息。
步骤A20，检测所述预测产量与所述反馈信息中的实际产量之间的误差是否大于预设误差；
预测装置计算预测产量与反馈信息中的实际产量之间的误差，并检测误差是否大于预设误差。其中，预设误差可根据对产量预测的精确度要求而设置，当精确度要求较高时，可将预设误差设置得较小，当精确度要求较低时，可见预设误差设置得较大。
步骤A30，当检测到所述误差大于所述预设误差时，通过所述新的训练数据对所述第一模型和/或所述第二模型进行训练，以更新所述第一模型和/或所述第二模型。
当预测装置检测到误差大于预设误差时，若新的训练数据包含新的目标类型果树的训练样本图片集和人工标注数据，则通过新的训练样本图片集和人工标注数据对第一模型进行继续训练，并将训练得到的第一模型覆盖更新原第一模型；若新的训练数据包含新的果园区域区域图片集和人工标注数据，则通过新的区域图片集和人工标注数据对第二模型进行继续训练，并将训练得到的第二模型覆盖更新原第二模型。
当预测装置检测到误差不大于预设误差时，说明第一模型和第二模型的预测精确度较高，符合用户对预测精确度的需求，可不对第二模型和第二模型进行继续训练。
在本实施例中，通过当检测到预测装置的预设数据库中添加入新的训练数据时，检测预测产量与基于预测产量的反馈信息中的实际产量之间的误差是否大于预设误差，当大于预设误差时，说明预测装置目前采用的第一模型和第二模型的预测精确度不够，则基于新的训练数据对第一模型和/或第二模型进行继续训练，以提高第一模型和第二模型的预测精确度，从而提高果园果树产量的预测精确度。
进一步地，在一实施例中，对于预测多种类型果树产量的场景(沿用上述第三实施例中的例子)，预测装置在遍历置信度矩阵时，当检测到某像素点对应的A类果树置信度矩阵A1中的概率值，与B类果树置信度矩阵B1中的概率值相同时，可对这种情况进行记录，并可以将该像素点的类别进行随机处理，当发生这种情况的次数达到预设次数(根据需要进行设置)时，说明第二模型的预测准确度不够，此时，预测装置可以输出提示信息，以提示用户可对第二模型进行再次训练，或提示用户调整第二模型的结构或参数，以实现对第二模型的预测精确度的自动反馈，从而提高果园果树产量预测的精确度。
此外本发明实施例还提出一种果树产量预测装置，参照图4，所述果树产量预测装置包括：
获取模块10，用于获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；
预测模块20，用于将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；
估算模块30，用于将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；
计算模块40，用于根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的产量。
进一步地，所述获取模块10还用于获取通过预设近距离拍摄装置采集的所述目标类型果树的训练样本图片集，以及所述训练样本图片集中每张图片对应人工标注的标注枝量；
所述果树产量预测装置还包括：
训练模块，用于通过所述训练样本图片集和所述标注枝量，基于迭代训练的方式对预置待训练的第一卷积神经网络CNN模型进行训练，得到图像CNN模型，将所述图像CNN模型作为所述第一模型。
进一步地，所述获取模块10还用于获取通过预设区域图片采集装置采集的多个果园区域的区域图片集，以及所述区域图片集中每张图片对应人工标注的所述目标类型果树的标注密度和标注区域；
所述果树产量预测装置还包括：
通过所述区域图片集、所述标注密度和所述标注区域，基于迭代训练的方式对预置待训练的第二CNN模型进行训练，得到CNN语义分割模型，将所述CNN语义分割模型作为所述第二模型。
进一步地，所述估算模块30包括：
估算单元，用于将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到置信度矩阵和所述待预测果园中所述目标类型果树的种植密度，其中，所述置信度矩阵中的元素与所述区域图片的像素点一一对应；
确定单元，用于基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数；
计算单元，用于根据属于所述目标类型果树的像素点的个数以及所述预设区域图片采集装置的分辨率，计算得到所述待预测果园中所述目标类型果树的种植面积。
进一步地，所述置信度矩阵包括第一矩阵和第二矩阵，所述第一矩阵中各个元素为对应像素点属于所述目标类型果树的第一概率值，所述第二矩阵中各个元素为对应像素点不属于所述目标类型果树的第二概率值，所述确定单元包括：
比较子单元，用于遍历所述第一矩阵和所述第二矩阵，获取所述区域图片的各个像素点对应的第一概率值和第二概率值，比较各所述像素点对应的第一概率值和第二概率值；
确定子单元，用于当所述像素点对应的第一概率值大于第二概率值时，确定所述像素点属于所述目标类型果树；
统计子单元，用于统计属于所述目标类型果树的像素点的个数。
进一步地，所述计算模块40还用于：
将所述种植面积除以所述种植密度得到所述待预测果园中所述目标类型果树的棵数；
将所述棵数乘以所述平均枝量得到所述待预测果园中所述目标类型果树的总枝量；
将所述目标类型果树的预设单枝结果数与所述总枝量相乘，得到所述待预测果园中所述目标类型果树的预测产量。
进一步地，所述获取模块10还用于当检测到预设数据库中添加入新的训练数据时，获取基于所述预测产量的反馈信息；
所述果树产量预测装置还包括：
检测模块，用于检测所述预测产量与所述反馈信息中的实际产量之间的误差是否大于预设误差；
所述训练模块还用于当检测到所述误差大于所述预设误差时，通过所述新的训练数据对所述第一模型和/或所述第二模型进行训练，以更新所述第一模型和/或所述第二模型。
本发明果树产量预测装置的具体实施方式的拓展内容与上述果树产量预测方法各实施例基本相同，在此不做赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有果树产量预测程序，所述果树产量预测程序被处理器执行时实现如上所述果树产量预测方法的步骤。
本发明果树产量预测设备和计算机可读存储介质的具体实施方式的拓展内容与上述果树产量预测方法各实施例基本相同，在此不做赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种果树产量预测方法，其特征在于，所述果树产量预测方法包括：
获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；
将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；
将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；
根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量。
2.如权利要求1所述的果树产量预测方法，其特征在于，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，还包括：
获取通过预设近距离拍摄装置采集的所述目标类型果树的训练样本图片集，以及所述训练样本图片集中每张图片对应人工标注的标注枝量；
通过所述训练样本图片集和所述标注枝量，基于迭代训练的方式对预置待训练的第一卷积神经网络CNN模型进行训练，得到图像CNN模型，将所述图像CNN模型作为所述第一模型。
3.如权利要求1所述的果树产量预测方法，其特征在于，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，还包括：
获取通过预设区域图片采集装置采集的多个果园区域的区域图片集，以及所述区域图片集中每张图片对应人工标注的所述目标类型果树的标注密度和标注区域；
通过所述区域图片集、所述标注密度和所述标注区域，基于迭代训练的方式对预置待训练的第二CNN模型进行训练，得到CNN语义分割模型，将所述CNN语义分割模型作为所述第二模型。
4.如权利要求3所述的果树产量预测方法，其特征在于，所述将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积的步骤包括：
将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到置信度矩阵和所述待预测果园中所述目标类型果树的种植密度，其中，所述置信度矩阵中的元素与所述区域图片的像素点一一对应；
基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数；
根据属于所述目标类型果树的像素点的个数以及所述预设区域图片采集装置的分辨率，计算得到所述待预测果园中所述目标类型果树的种植面积。
5.如权利要求4所述的果树产量预测方法，其特征在于，所述置信度矩阵包括第一矩阵和第二矩阵，所述第一矩阵中各个元素为对应像素点属于所述目标类型果树的第一概率值，所述第二矩阵中各个元素为对应像素点不属于所述目标类型果树的第二概率值，
所述基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数的步骤包括：
遍历所述第一矩阵和所述第二矩阵，获取所述区域图片的各个像素点对应的第一概率值和第二概率值，比较各所述像素点对应的第一概率值和第二概率值；
当所述像素点对应的第一概率值大于第二概率值时，确定所述像素点属于所述目标类型果树；
统计属于所述目标类型果树的像素点的个数。
6.如权利要求1所述的果树产量预测方法，其特征在于，所述根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量的步骤包括：
将所述种植面积除以所述种植密度得到所述待预测果园中所述目标类型果树的棵数；
将所述棵数乘以所述平均枝量得到所述待预测果园中所述目标类型果树的总枝量；
将所述目标类型果树的预设单枝结果数与所述总枝量相乘，得到所述待预测果园中所述目标类型果树的预测产量。
7.如权利要求1至6任一项所述的果树产量预测方法，其特征在于，所述根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量的步骤之后，还包括：
当检测到预设数据库中添加入新的训练数据时，获取基于所述预测产量的反馈信息；
检测所述预测产量与所述反馈信息中的实际产量之间的误差是否大于预设误差；
当检测到所述误差大于所述预设误差时，通过所述新的训练数据对所述第一模型和/或所述第二模型进行训练，以更新所述第一模型和/或所述第二模型。
8.一种果树产量预测装置，其特征在于，所述果树产量预测装置包括：
获取模块，用于获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；
预测模块，用于将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；
估算模块，用于将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；
计算模块，用于根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的产量。
9.一种果树产量预测设备，其特征在于，所述果树产量预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的果树产量预测程序，所述果树产量预测程序被所述处理器执行时实现如权利要求1至7中任一项所述的果树产量预测方法的步骤。
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上存储有果树产量预测程序，所述果树产量预测程序被处理器执行时实现如权利要求1至7中任一项所述的果树产量预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910739482.5A CN110428114B (zh) | 2019-08-12 | 2019-08-12 | 果树产量预测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910739482.5A CN110428114B (zh) | 2019-08-12 | 2019-08-12 | 果树产量预测方法、装置、设备及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110428114A true CN110428114A (zh) | 2019-11-08 |
| CN110428114B CN110428114B (zh) | 2023-05-23 |
Family
ID=68414101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910739482.5A Active CN110428114B (zh) | 2019-08-12 | 2019-08-12 | 果树产量预测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110428114B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111415189A (zh) * | 2020-02-17 | 2020-07-14 | 武汉市农业科学院 | 一种蔬菜市场行情大数据监测预警管理方法 |
| CN112016596A (zh) * | 2020-08-10 | 2020-12-01 | 西安科技大学 | 基于卷积神经网络的农田土壤肥力评价方法 |
| CN112464888A (zh) * | 2020-12-14 | 2021-03-09 | 唐山学院 | 一种基于图像的自动化喷药控制方法 |
| CN113378793A (zh) * | 2021-07-09 | 2021-09-10 | 北京京东乾石科技有限公司 | 一种农作物产量预测方法和装置 |
| CN114332196A (zh) * | 2021-12-10 | 2022-04-12 | 深圳致星科技有限公司 | 料件重量百分比的获取方法、设备、装置及存储介质 |
| CN114666748A (zh) * | 2022-05-23 | 2022-06-24 | 南昌师范学院 | 一种猕猴桃种植灌溉的生态数据感知与调控方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358169A (zh) * | 2017-06-21 | 2017-11-17 | 厦门中控智慧信息技术有限公司 | 一种人脸表情识别方法及人脸表情识别装置 |
| CN109508822A (zh) * | 2018-11-05 | 2019-03-22 | 四川省农业科学院作物研究所 | 一种农艺性状综合表现指数的油菜产量预估方法 |
| CN109658379A (zh) * | 2018-11-09 | 2019-04-19 | 广西慧云信息技术有限公司 | 一种通过图片快速计算柑橘产量的方法 |
| CN109767038A (zh) * | 2019-01-04 | 2019-05-17 | 平安科技（深圳）有限公司 | 农作物产量预测方法、装置及计算机可读存储介质 |
| US20190228477A1 (en) * | 2018-01-22 | 2019-07-25 | Weather Analytics Llc | Method and System For Forecasting Crop Yield |
-
2019
- 2019-08-12 CN CN201910739482.5A patent/CN110428114B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358169A (zh) * | 2017-06-21 | 2017-11-17 | 厦门中控智慧信息技术有限公司 | 一种人脸表情识别方法及人脸表情识别装置 |
| US20190228477A1 (en) * | 2018-01-22 | 2019-07-25 | Weather Analytics Llc | Method and System For Forecasting Crop Yield |
| CN109508822A (zh) * | 2018-11-05 | 2019-03-22 | 四川省农业科学院作物研究所 | 一种农艺性状综合表现指数的油菜产量预估方法 |
| CN109658379A (zh) * | 2018-11-09 | 2019-04-19 | 广西慧云信息技术有限公司 | 一种通过图片快速计算柑橘产量的方法 |
| CN109767038A (zh) * | 2019-01-04 | 2019-05-17 | 平安科技（深圳）有限公司 | 农作物产量预测方法、装置及计算机可读存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111415189A (zh) * | 2020-02-17 | 2020-07-14 | 武汉市农业科学院 | 一种蔬菜市场行情大数据监测预警管理方法 |
| CN112016596A (zh) * | 2020-08-10 | 2020-12-01 | 西安科技大学 | 基于卷积神经网络的农田土壤肥力评价方法 |
| CN112016596B (zh) * | 2020-08-10 | 2024-04-09 | 西安科技大学 | 基于卷积神经网络的农田土壤肥力评价方法 |
| CN112464888A (zh) * | 2020-12-14 | 2021-03-09 | 唐山学院 | 一种基于图像的自动化喷药控制方法 |
| CN113378793A (zh) * | 2021-07-09 | 2021-09-10 | 北京京东乾石科技有限公司 | 一种农作物产量预测方法和装置 |
| CN114332196A (zh) * | 2021-12-10 | 2022-04-12 | 深圳致星科技有限公司 | 料件重量百分比的获取方法、设备、装置及存储介质 |
| CN114332196B (zh) * | 2021-12-10 | 2024-04-09 | 深圳致星科技有限公司 | 料件重量百分比的获取方法、设备、装置及存储介质 |
| CN114666748A (zh) * | 2022-05-23 | 2022-06-24 | 南昌师范学院 | 一种猕猴桃种植灌溉的生态数据感知与调控方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110428114B (zh) | 2023-05-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110428114A (zh) | 果树产量预测方法、装置、设备及计算机可读存储介质 | |
| Wu et al. | Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments | |
| CN108513251B (zh) | 一种基于mr数据的定位方法及系统 | |
| KR102260011B1 (ko) | 디지털 트윈 기반의 지능형 원격농장 시스템 및 방법 | |
| CN109891440A (zh) | 用于绘制作物产量的方法 | |
| CN110222764A (zh) | 遮挡目标检测方法、系统、设备及存储介质 | |
| CN109447150A (zh) | 一种植物观赏方法、装置、电子设备和存储介质 | |
| WO2019133282A1 (en) | Capture of ground truthed labels of plant traits method and system | |
| WO2020207201A1 (zh) | 用户行为预测模型构建方法、装置、存储介质及电子设备 | |
| CN111008733A (zh) | 一种作物生长管控方法和系统 | |
| JP6685856B2 (ja) | 農作業計画支援装置及び農作業計画支援方法 | |
| US20200151903A1 (en) | Methods and systems for player location determination in gameplay with a mobile device | |
| CN107609078B (zh) | 长势监测模型更新方法、传感器、服务器及系统 | |
| CN110796135A (zh) | 目标的定位方法及装置、计算机设备、计算机存储介质 | |
| CN110287219A (zh) | 一种数据处理方法及系统 | |
| CN105468161A (zh) | 指令执行方法和装置 | |
| CN109522899A (zh) | 咖啡成熟果实的检测方法、装置及电子设备 | |
| CN110321774B (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
| CN114511500A (zh) | 图像处理方法、存储介质以及计算机终端 | |
| CN114494909A (zh) | 一种大豆生长季空间分布图的生成方法和系统 | |
| CN110427998A (zh) | 模型训练、目标检测方法及装置、电子设备、存储介质 | |
| CN113435345A (zh) | 生长阶段确定方法、装置、农业系统、设备及存储介质 | |
| CN113326925A (zh) | 基于密度图回归的卷积神经网络的花量统计方法、系统、设备及介质 | |
| CN116259078A (zh) | 一种杀虫剂推荐方法、装置、设备及存储介质 | |
| CN113408374B (zh) | 基于人工智能的产量预估方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |