CN110555416B - 一种植物识别方法及装置 - Google Patents
一种植物识别方法及装置 Download PDFInfo
- Publication number
- CN110555416B CN110555416B CN201910842916.4A CN201910842916A CN110555416B CN 110555416 B CN110555416 B CN 110555416B CN 201910842916 A CN201910842916 A CN 201910842916A CN 110555416 B CN110555416 B CN 110555416B
- Authority
- CN
- China
- Prior art keywords
- plant
- target
- information
- image
- identification
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Abstract
本发明提供了一种植物识别方法及装置，所述方法包括：步骤S1，获取包含待识别的目标植物的植物图像；步骤S2，根据所述植物图像的属性信息，确定所述目标植物的属性；步骤S3，从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息，所述植物识别模型为神经网络模型。应用本发明提供的方案可以提高植物识别结果的准确率。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种植物识别方法及装置、电子设备、计算机可读存储介质。
背景技术
目前，越来越多的人喜欢到户外如公园、植物园等地观赏植物，当人们发现不认识的植物种类时，通常会通过植物识别APP进行识别。目前的植物识别APP均是采用一个通用的植物识别模型来识别植物，然而植物在不同的季节,形态差别是比较大的，在不同季节中植物一般都会有不同的形态，例如桃花樱花开在春季，荷花开在夏季，银杏树在秋季变黄，很多植物在秋季结出果实，腊梅在冬季开放，如果采用单一的通用植物识别模型来识别植物，有时会将不在本季节的近似植物错误的纳入到识别结果中，导致识别结果不准确，造成用户的困扰。
发明内容
本发明的目的在于提供一种植物识别方法及装置、电子设备、计算机可读存储介质，以解决现有技术植物识别不准确的问题。具体技术方案如下：
第一方面，本发明提供了一种植物识别方法，包括：
步骤S1，获取包含待识别的目标植物的植物图像；
步骤S2，根据所述植物图像的属性信息，确定所述目标植物的属性；
步骤S3，从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息，所述植物识别模型为神经网络模型。
可选的，所述植物图像的属性信息包括所述植物图像的拍摄时间信息，所述目标植物的属性包括所述目标植物所处的目标季节；
步骤S3具体包括：
S31，从多个与不同季节相关联的植物识别模型中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。
可选的，所述植物图像的属性信息还包括所述植物图像的拍摄位置信息，所述目标植物的属性还包括所述目标植物所处的目标地域；
步骤S31具体包括：
从多个与不同地域相关联的植物识别模型组中，确定与所述目标地域相关联的目标植物识别模型组，每一植物识别模型组包含多个与不同季节相关联的植物识别模型；
从所述目标植物识别模型组中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。
可选的，与每个季节相关联的植物识别模型通过如下过程训练得到：
获取各个季节的不同类型植物的植物图像，组成各个季节对应的训练样本集；
对各个季节对应的训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；
通过经过所述标注处理的各个季节对应的训练样本集，分别对神经网络进行训练，得到与各个季节相关联的植物识别模型。
可选的，若步骤S3无法确定所述目标植物的植物信息或确定的植物信息不准确，则执行步骤S4；
步骤S4，调用通用的植物识别模型对所述植物图像再次进行识别，确定所述目标植物的植物信息，所述通用的植物识别模型为不区分植物属性的模型。
可选的，所述通用的植物识别模型通过如下过程训练得到：
获取不同类型植物在不同季节的植物图像，组成训练样本集；
对训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；
通过经过所述标注处理的训练样本集，分别对神经网络进行训练，得到所述通用的植物识别模型。
可选的，所述神经网络模型为卷积神经网络模型或残差网络模型。
可选的，所述植物识别方法还包括：
在步骤S3确定所述目标植物的植物信息后，将所述植物图像作为图像样本存储到植物信息对应的样本库中，并与所述植物图像的拍摄时间信息、拍摄位置信息以及所述目标植物的生理周期、形态信息进行关联存储。
第二方面，本发明还提供了一种植物识别装置，包括：
获取模块，用于获取包含待识别的目标植物的植物图像；
确定模块，用于根据所述植物图像的属性信息，确定所述目标植物的属性；
第一识别模块，用于从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息，所述植物识别模型为神经网络模型。
可选的，所述植物图像的属性信息包括所述植物图像的拍摄时间信息，所述目标植物的属性包括所述目标植物所处的目标季节；
所述第一识别模块具体用于：
从多个与不同季节相关联的植物识别模型中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。
可选的，所述植物图像的属性信息还包括所述植物图像的拍摄位置信息，所述目标植物的属性还包括所述目标植物所处的目标地域；
所述第一识别模块具体用于：
从多个与不同地域相关联的植物识别模型组中，确定与所述目标地域相关联的目标植物识别模型组，每一植物识别模型组包含多个与不同季节相关联的植物识别模型；
从所述目标植物识别模型组中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。
可选的，所述装置还包括第一模型训练模块，用于通过如下过程训练得到与每个季节相关联的植物识别模型：
获取各个季节的不同类型植物的植物图像，组成各个季节对应的训练样本集；
对各个季节对应的训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；
通过经过所述标注处理的各个季节对应的训练样本集，分别对神经网络进行训练，得到与各个季节相关联的植物识别模型。
可选的，所述装置还包括第二模型训练模块，用于通过如下过程训练得到所述通用的植物识别模型：
获取具有各种属性的不同类型植物的植物图像，组成训练样本集；
对训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；
通过经过所述标注处理的训练样本集，分别对神经网络进行训练，得到所述通用的植物识别模型。
可选的，所述装置还包括：
第二识别模块，用于若所述第一识别模块无法确定所述目标植物的植物信息或确定的植物信息不准确，则调用通用的植物识别模型对所述植物图像再次进行识别，确定所述目标植物的植物信息，所述通用的植物识别模型为不区分植物属性的模型。
可选的，所述神经网络模型为卷积神经网络模型或残差网络模型。
可选的，所述装置还包括：
存储模块，用于在所述第一识别模块确定所述目标植物的植物信息后，将所述植物图像作为图像样本存储到植物信息对应的样本库中，并与所述植物图像的拍摄时间信息、拍摄位置信息以及所述目标植物的生理周期、形态信息进行关联存储。
第三方面，本发明还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上所存放的程序时，实现上述第一方面所述的植物识别方法的步骤。
第四方面，本发明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内存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的植物识别方法的步骤。
与现有技术相比，本发明的技术方案具有以下有益效果：
首先获取包含待识别的目标植物的植物图像，然后根据所述植物图像的属性信息，确定所述目标植物的属性，最后从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。由于本发明根据植物图像中植物的属性选择相应的植物识别模型进行识别，相比于采用单一的通用识别模型进行识别的方式，提高了识别结果的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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是本发明一实施例提供的植物识别方法的流程示意图；
图2是本发明一实施例提供的植物识别装置的结构示意图；
图3是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种植物识别方法及装置、电子设备及计算机可读存储介质作进一步详细说明。根据下面说明和权利要求书，本发明的优点和特征将更清楚。需要说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。此外，需要说明的是，本文的框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机程序指令的组合来实现。对于本领域技术人员来说公知的是，通过硬件方式实现、通过软件方式实现以及通过软件和硬件结合的方式实现都是等价的。
为解决现有技术的问题，本发明实施例提供了一种植物识别方法及装置、电子设备及计算机可读存储介质。
需要说明的是，本发明实施例的一种植物识别方法可应用于本发明实施例的一种植物识别装置，该植物识别装置可被配置于电子设备上。其中，该电子设备可以是个人计算机、移动终端等，该移动终端可以是手机、平板电脑等具有各种操作系统的硬件设备。
图1是本发明一实施例提供的一种植物识别方法的流程示意图。请参考图1，一种植物识别方法可以包括如下步骤：
步骤S101，获取包含待识别的目标植物的植物图像。
所述植物图像为用户上传或输入的植物图片，可以为用户当前拍摄的植物图片，也可以为用户从相册中选择的以前拍摄的植物图片。
步骤S102，根据所述植物图像的属性信息，确定所述目标植物的属性。
植物图像的属性信息可以为图片的拍摄时间信息以及拍摄位置信息等，根据植物图片的属性信息，可以确定目标植物的相关属性。例如，根据图片的拍摄时间信息可以确定图像中所述目标植物所处的季节，根据图片的拍摄位置信息可以确定图像中所述目标植物所处的地域。
步骤S103，从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息，所述植物识别模型为神经网络模型。
本实施例中，根据植物图像中所述目标植物的属性信息调用相应的植物识别模型进行识别，可以提高植物识别的准确性。
具体的，在一种实施例中，所述植物图像的属性信息包括所述植物图像的拍摄时间信息，所述目标植物的属性包括所述目标植物所处的目标季节。
步骤S3具体包括：
S31，从多个与不同季节相关联的植物识别模型中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。
可以理解的是，同一植物在不同季节的形态有所不同，因此，可以预先训练得到各个不同季节的植物识别模型，则在对待识别的目标植物的植物图像进行识别时，可以调用相应季节的植物识别模型进行识别，确定目标植物的类型。
举例而言，用户上传了一张当前拍摄的植物图片，若当前为秋季，则调用秋季的植物识别模型进行识别，若用户上传的是之前拍摄的植物图片，则根据图片的拍摄时间确定拍摄时的季节，若拍摄时植物所处的季节为动机，则调用冬季的植物识别模型进行识别。
在实际应用中，由于植物在不同季节会有特定的植物形态，同时不同季节也具有不同的特征植物，例如荷花只在夏季开放，梅花只在冬季开放。用户在某一季节拍摄的植物图片，经识别后的识别结果应该是该季节的植物，而不能是其它季节的植物。若现在是夏季且用户当前拍摄了一张植物图片，则该植物图片的识别结果应该是夏季的植物，而不能是秋季或春季的植物。
其中，与每个季节相关联的植物识别模型可以通过如下过程得到：获取各个季节的不同类型植物的植物图像，组成各个季节对应的训练样本集；对各个季节对应的训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；通过经过所述标注处理的各个季节对应的训练样本集，分别对神经网络进行训练，得到与各个季节相关联的植物识别模型。
例如，对于樱花而言，获取各个季节的樱花树的图片，然后在训练春季的植物识别模型时，将春季的樱花树的图片放入春季对应的训练样本集，同样的，获取其它各个植物种类在春季的图片放入春季对应的训练样本集，然后对春季对应的样本训练集中各个植物图片进行标注处理，并根据标注后的训练样本集对神经网络进行训练后，得到与春季相关联的植物识别模型。按照同样的流程再分别建立与夏季相关联的植物识别模型、与秋季相关联的植物识别模型和与冬季相关联的植物识别模型。
训练样本集中的植物图片样本可以是从用户拍摄的图片中或相册中获取的相应季节的植物图片，也可以是从网络或数据库中获取的相应季节的植物图片。对植物图片样本进行标注包括标注植物名称、拍摄位置信息、拍摄时间信息等，由于不同季节或不同地域的植物形态可能会有所不同，还可以根据拍摄时间和地点获取拍摄时的天气信息，获取大量不同角度、不同时间(早晚光照不一样，植物形态也可能不同)、不同季节的植物图片进行训练。
与每个季节相关联的植物识别模型的训练过程具体如下：
S1、针对每个季节，为各个种类植物准备一定数量的标注有植物名称信息(也可包括拍摄位置信息、拍摄时间信息等信息)的图片样本，各个种类植物的图片数量可以相等,也可以不等；
S2、从标注图片中挑选一定比例的图片作为测试集，挑选可以是人工，也可以是自动随机，比例一般为5％到20％，测试集占总图片的比例可以视结果调整，剩下的图片为训练集；
S3、利用所述训练集训练所述植物识别模型，并利用所述测试集对经所述训练集训练完成后的所述植物识别模型的准确率进行验证；
S4、若准确率大于或者等于预设准确率，则训练结束；
S5、若准确率小于预设准确率，则增加该季节对应的图片样本的数量，或者调整测试集的比例进行再次训练。
所述植物识别模型为神经网络模型，具体可以为深度卷积神经网络(CNN)模型或者深度残差网络(Resnet)模型。卷积神经网络模型为深度前馈神经网络，其利用卷积核扫描植物图片，提取出植物图片中待识别的特征，进而对植物待识别的特征进行识别。另外，在对植物图片进行识别的过程中，可以直接将原始植物图片输入卷积神经网络模型，而无需对植物图片进行预处理。卷积神经网络模型相比于其他的识别模型，具备更高的识别准确率以及识别效率。
残差网络模型相比于卷积神经网络模型多了恒等映射层，可以避免随着网络深度(网络中叠层的数量)的增加，卷积神经网络造成的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足：恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后，残差网络模型对输出的变化更加明显，因此可以大大提高植物生理期识别的识别准确率和识别效率，进而提高植物的识别准确率和识别效率。
在另一种实施例中，所述植物图像的属性信息还可以包括所述植物图像的拍摄位置信息，所述目标植物的属性还可以包括所述目标植物所处的目标地域；
步骤S31具体包括：
从多个与不同地域相关联的植物识别模型组中，确定与所述目标地域相关联的目标植物识别模型组，每一植物识别模型组包含多个与不同季节相关联的植物识别模型；
从所述目标植物识别模型组中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。
可以理解的是，不同地域所包含的植物种类可能不同，而同一种类植物在不同地域的形态也可能不同，因此，为了进一步提高植物识别的准确性，可以针对不同地域，预先训练得到不同地域对应的植物识别模型组，植物识别模型组中包含与不同季节相关联的植物识别模型，则在对待识别的目标植物的植物图像进行识别时，可以确定目标植物所处地域对应的目标植物识别模型组，再从中调用相应季节的植物识别模型进行识别，确定目标植物的类型。地域的划分可以按照实际情况进行，例如可以按照北美、东亚、欧洲等较大面积进行划分，可以按照国家划分，也可以按照中国的长三角、珠三角、西北地区等较小面积进行划分。
举例而言，用户上传了一张植物图片，根据该植物图片的拍摄位置信息(例如GPS数据)确定植物所处的地域A，根据该植物图片的拍摄时间信息确定植物所处的季节为春季，则首先从多个与不同地域相关联的植物识别模型组中确定与地域A相关联的植物识别模型组，然后再从与地域A相关联的植物识别模型组中调用与春季相关联的植物识别模型进行植物识别。
进一步的，若步骤S103无法确定所述目标植物的植物信息或确定的植物信息不准确，则可以调用通用的植物识别模型对所述植物图像再次进行识别，确定所述目标植物的植物信息。
所述通用的植物识别模型为不区分植物属性的模型，所述通用的植物识别模型可以通过如下过程训练得到：获取具有各种属性的不同类型植物的植物图像，组成训练样本集；对训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；通过经过所述标注处理的训练样本集，分别对神经网络进行训练，得到所述通用的植物识别模型。
可见，对于每一种植物都选取一定数量的标注样本进行训练，建立通用的植物识别模型，即将各个季节、各个地域的植物图片均加入到同一个训练集中，对神经网络进行训练，得到通用的植物识别模型。
在实际应用中，在步骤S103确定所述目标植物的植物信息后，还可以将所述植物图像作为图像样本存储到植物信息对应的样本库中，并与所述植物图像的拍摄时间信息、拍摄位置信息以及所述目标植物的生理周期、形态信息进行关联存储，以便后续用户使用。另外，还可以将所述植物图像作为新的植物图片样本，添加到相应的训练样本集中，以便优化相应季节的植物识别模型。
综上所述，本实施例提供的植物识别方法，首先获取包含待识别的目标植物的植物图像，然后根据所述植物图像的属性信息，确定所述目标植物的属性，最后从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。由于本实施例根据植物图像中植物的属性选择相应的植物识别模型进行识别，相比于采用单一的通用识别模型进行识别的方式，提高了识别结果的准确率。
相应于上述方法实施例，本发明一实施例还提供了一种植物识别装置。请参考图2，图2是本发明一实施例提供的一种植物识别装置的结构示意图，一种植物识别装置可以包括：
获取模块201，用于获取包含待识别的目标植物的植物图像；
确定模块202，用于根据所述植物图像的属性信息，确定所述目标植物的属性；
第一识别模块203，用于从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息，所述植物识别模型为神经网络模型。
本实施例提供的植物识别装置，首先获取包含待识别的目标植物的植物图像，然后根据所述植物图像的属性信息，确定所述目标植物的属性，最后从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。由于本实施例根据植物图像中植物的属性选择相应的植物识别模型进行识别，相比于采用单一的通用识别模型进行识别的方式，提高了识别结果的准确率。
可选的，所述植物图像的属性信息包括所述植物图像的拍摄时间信息，所述目标植物的属性包括所述目标植物所处的目标季节；
所述第一识别模块203具体用于：
从多个与不同季节相关联的植物识别模型中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。
可选的，所述植物图像的属性信息还包括所述植物图像的拍摄位置信息，所述目标植物的属性还包括所述目标植物所处的目标地域；
所述第一识别模块203具体用于：
从多个与不同地域相关联的植物识别模型组中，确定与所述目标地域相关联的目标植物识别模型组，每一植物识别模型组包含多个与不同季节相关联的植物识别模型；
从所述目标植物识别模型组中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。
可选的，所述装置还包括第一模型训练模块，用于通过如下过程训练得到与每个季节相关联的植物识别模型：
获取各个季节的不同类型植物的植物图像，组成各个季节对应的训练样本集；
对各个季节对应的训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；
通过经过所述标注处理的各个季节对应的训练样本集，分别对神经网络进行训练，得到与各个季节相关联的植物识别模型。
可选的，所述装置还包括：
第二识别模块，用于若所述第一识别模块203无法确定所述目标植物的植物信息或确定的植物信息不准确，则调用通用的植物识别模型对所述植物图像再次进行识别，确定所述目标植物的植物信息，所述通用的植物识别模型为不区分植物属性的模型。
可选的，所述装置还包括第二模型训练模块，用于通过如下过程训练得到所述通用的植物识别模型：
获取具有各种属性的不同类型植物的植物图像，组成训练样本集；
对训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；
通过经过所述标注处理的训练样本集，分别对神经网络进行训练，得到所述通用的植物识别模型。
可选的，所述神经网络模型为卷积神经网络模型或残差网络模型。
可选的，所述装置还包括：
存储模块，用于在所述第一识别模块203确定所述目标植物的植物信息后，将所述植物图像作为图像样本存储到植物信息对应的样本库中，并与所述植物图像的拍摄时间信息、拍摄位置信息以及所述目标植物的生理周期、形态信息进行关联存储。
本发明一实施例还提供了一种电子设备，图3是本发明一实施例提供的一种电子设备的结构示意图。请参考图3，一种电子设备包括处理器301、通信接口302、存储器303和通信总线304，其中，处理器301、通信接口302、存储器303通过通信总线304完成相互间的通信，
存储器303，用于存放计算机程序；
处理器301，用于执行存储器303上所存放的程序时，实现如下步骤：
步骤S1，获取包含待识别的目标植物的植物图像；
步骤S2，根据所述植物图像的属性信息，确定所述目标植物的属性；
步骤S3，从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息，所述植物识别模型为神经网络模型。
关于该方法各个步骤的具体实现以及相关解释内容可以参见上述图1所示的植物识别方法实施例，在此不做赘述。
另外，处理器301执行存储器303上所存放的程序而实现的植物识别方法的其他实现方式，与前述植物识别方法实施例部分所提及的实现方式相同，这里也不再赘述。
本实施例提供的电子装置，首先获取包含待识别的目标植物的植物图像，然后根据所述植物图像的属性信息，确定所述目标植物的属性，最后从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。由于本实施例根据植物图像中植物的属性选择相应的植物识别模型进行识别，相比于采用单一的通用识别模型进行识别的方式，提高了识别结果的准确率。
上述电子设备提到的通信总线可以是外设部件互连标准(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图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。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory，RAM)，也可以包括非易失性存储器(Non-Volatile Memory，NVM)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明一实施例还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，该计算机程序被处理器执行时实现上述的植物识别方法的步骤。
本实施例提供的计算机可读存储介质，首先获取包含待识别的目标植物的植物图像，然后根据所述植物图像的属性信息，确定所述目标植物的属性，最后从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息。由于本实施例根据植物图像中植物的属性选择相应的植物识别模型进行识别，相比于采用单一的通用识别模型进行识别的方式，提高了识别结果的准确率。
需要说明的是，本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、计算机可读存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (8)
1.一种植物识别方法，其特征在于，包括：
步骤S1，获取包含待识别的目标植物的植物图像；
步骤S2，根据所述植物图像的属性信息，确定所述目标植物的属性；
步骤S3，从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息，所述植物识别模型为神经网络模型；
所述植物图像的属性信息包括所述植物图像的拍摄时间信息，所述目标植物的属性包括所述目标植物所处的目标季节；
步骤S3具体包括：
S31，从多个与不同季节相关联的植物识别模型中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息；
所述植物图像的属性信息还包括所述植物图像的拍摄位置信息，所述目标植物的属性还包括所述目标植物所处的目标地域；
步骤S31具体包括：
从多个与不同地域相关联的植物识别模型组中，确定与所述目标地域相关联的目标植物识别模型组，每一植物识别模型组包含多个与不同季节相关联的植物识别模型；
从所述目标植物识别模型组中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息；
若步骤S3无法确定所述目标植物的植物信息或确定的植物信息不准确，则执行步骤S4；
步骤S4，调用通用的植物识别模型对所述植物图像再次进行识别，确定所述目标植物的植物信息，所述通用的植物识别模型为不区分植物属性的模型。
2.如权利要求1所述的植物识别方法，其特征在于，与每个季节相关联的植物识别模型通过如下过程训练得到：
获取各个季节的不同类型植物的植物图像，组成各个季节对应的训练样本集；
对各个季节对应的训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；
通过经过所述标注处理的各个季节对应的训练样本集，分别对神经网络进行训练，得到与各个季节相关联的植物识别模型。
3.如权利要求1所述的植物识别方法，其特征在于，所述通用的植物识别模型通过如下过程训练得到：
获取具有各种属性的不同类型植物的植物图像，组成训练样本集；
对训练样本集中每个植物图片样本进行标注处理，以标注出每个植物图片样本对应的植物信息；
通过经过所述标注处理的训练样本集，分别对神经网络进行训练，得到所述通用的植物识别模型。
4.如权利要求1所述的植物识别方法，其特征在于，所述神经网络模型为卷积神经网络模型或残差网络模型。
5.如权利要求1所述的植物识别方法，其特征在于，还包括：
在步骤S3确定所述目标植物的植物信息后，将所述植物图像作为图像样本存储到植物信息对应的样本库中，并与所述植物图像的拍摄时间信息、拍摄位置信息以及所述目标植物的生理周期、形态信息进行关联存储。
6.一种植物识别装置，其特征在于，包括：
获取模块，用于获取包含待识别的目标植物的植物图像；
确定模块，用于根据所述植物图像的属性信息，确定所述目标植物的属性；
第一识别模块，用于从多个与植物不同属性相关联的植物识别模型中，调用与所述目标植物的属性相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息，所述植物识别模型为神经网络模型；
所述植物图像的属性信息包括所述植物图像的拍摄时间信息，所述目标植物的属性包括所述目标植物所处的目标季节；
所述第一识别模块具体用于：
从多个与不同季节相关联的植物识别模型中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息；
所述植物图像的属性信息还包括所述植物图像的拍摄位置信息，所述目标植物的属性还包括所述目标植物所处的目标地域；
所述第一识别模块具体用于：
从多个与不同地域相关联的植物识别模型组中，确定与所述目标地域相关联的目标植物识别模型组，每一植物识别模型组包含多个与不同季节相关联的植物识别模型；
从所述目标植物识别模型组中，调用与所述目标季节相关联的植物识别模型对所述植物图像进行识别，确定所述目标植物的植物信息；
所述装置还包括：
第二识别模块，用于若所述第一识别模块无法确定所述目标植物的植物信息或确定的植物信息不准确，则调用通用的植物识别模型对所述植物图像再次进行识别，确定所述目标植物的植物信息，所述通用的植物识别模型为不区分植物属性的模型。
7.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，所述处理器、所述通信接口、所述存储器通过所述通信总线完成相互间的通信；
所述存储器，用于存放计算机程序；
所述处理器，用于执行所述存储器上存储的程序时，实现权利要求1-5任一项所述的方法步骤。
8.一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内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-5任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910842916.4A CN110555416B (zh) | 2019-09-06 | 2019-09-06 | 一种植物识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910842916.4A CN110555416B (zh) | 2019-09-06 | 2019-09-06 | 一种植物识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110555416A CN110555416A (zh) | 2019-12-10 |
| CN110555416B true CN110555416B (zh) | 2021-09-03 |
Family
ID=68739545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910842916.4A Active CN110555416B (zh) | 2019-09-06 | 2019-09-06 | 一种植物识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110555416B (zh) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110808970A (zh) * | 2019-10-28 | 2020-02-18 | 上海掌门科技有限公司 | 一种用于提供植物生长信息的方法与设备 |
| CN111325240A (zh) * | 2020-01-23 | 2020-06-23 | 杭州睿琪软件有限公司 | 与杂草相关的计算机可执行的方法和计算机系统 |
| CN111291689B (zh) * | 2020-02-14 | 2024-02-27 | 杭州睿琪软件有限公司 | 植物花期播报方法、系统及计算机可读存储介质 |
| CN113627216B (zh) * | 2020-05-07 | 2024-02-27 | 杭州睿琪软件有限公司 | 植物状态评估方法、系统及计算机可读存储介质 |
| CN111723730B (zh) * | 2020-06-18 | 2023-08-22 | 中国银行股份有限公司 | 对目标对象的数量进行预测的方法及相关设备 |
| CN112686159A (zh) * | 2020-12-30 | 2021-04-20 | 北京墨迹风云科技股份有限公司 | 过敏植物分布统计方法以及装置 |
| CN113112183B (zh) * | 2021-05-06 | 2024-03-19 | 国家市场监督管理总局信息中心 | 一种出入境危险货物风险评估的方法、系统和可读存储介质 |
| CN113298180A (zh) * | 2021-06-15 | 2021-08-24 | 杭州睿胜软件有限公司 | 用于植物识别的方法和计算机系统 |
| CN113516067B (zh) * | 2021-07-06 | 2023-10-13 | 中山大学 | 一种植物生长时间的识别方法及装置 |
| CN114266734B (zh) * | 2021-12-03 | 2023-04-07 | 深圳市桑瑞生物科技有限公司 | 植物生长阶段的识别方法、装置、设备及存储介质 |
| CN115316237B (zh) * | 2022-08-31 | 2024-04-19 | 广州文远知行科技有限公司 | 一种自动驾驶环卫车浇灌控制方法及装置 |
| CN116704345B (zh) * | 2023-06-09 | 2024-01-23 | 中国科学院地理科学与资源研究所 | 植被提取方法、装置、电子设备及存储介质 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3021795A1 (en) * | 2016-05-13 | 2017-11-16 | Basf Se | System and method for detecting plant diseases |
| CN106127239A (zh) * | 2016-06-18 | 2016-11-16 | 深圳市易特科信息技术有限公司 | 基于地理位置的植物识别系统及方法 |
| CN106354869A (zh) * | 2016-09-13 | 2017-01-25 | 四川研宝科技有限公司 | 基于位置信息与时间段的实景图像处理方法及其服务器 |
| EP3340130A1 (en) * | 2016-12-23 | 2018-06-27 | Hexagon Technology Center GmbH | Method for prediction of soil and/or plant condition |
| EP3622443A4 (en) * | 2017-05-08 | 2021-01-20 | Plantsnap, Inc. | SYSTEMS AND METHODS FOR ELECTRONIC IDENTIFICATION OF PLANT SPECIES |
| CN107392892B (zh) * | 2017-06-30 | 2019-11-19 | 天津大学 | 基于图像的玉米生育前期干旱胁迫自动识别方法 |
| CN108074236B (zh) * | 2017-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 植物浇灌提醒方法、装置、设备及存储介质 |
| CN109344738A (zh) * | 2018-09-12 | 2019-02-15 | 杭州睿琪软件有限公司 | 农作物病虫草害识别方法及装置 |
| CN109472210A (zh) * | 2018-10-15 | 2019-03-15 | 广州地理研究所 | 一种植物的识别方法、装置、储存介质和设备 |
| CN109447150B (zh) * | 2018-10-26 | 2020-12-18 | 杭州睿琪软件有限公司 | 一种植物观赏方法、装置、电子设备和存储介质 |
| CN109558939B (zh) * | 2018-10-29 | 2021-02-12 | 广东奥博信息产业股份有限公司 | 一种基于神经网络的作物生长模型选择方法及装置 |
| CN109815846B (zh) * | 2018-12-29 | 2021-08-27 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、存储介质和电子装置 |
| CN109840549B (zh) * | 2019-01-07 | 2021-04-27 | 武汉南博网络科技有限公司 | 一种病虫害识别方法和装置 |
-
2019
- 2019-09-06 CN CN201910842916.4A patent/CN110555416B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110555416A (zh) | 2019-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110555416B (zh) | 一种植物识别方法及装置 | |
| US11663802B2 (en) | Insect identification method and system | |
| RU2608261C2 (ru) | Автоматическое генерирование тега на основании содержания изображения | |
| US11335087B2 (en) | Method and system for object identification | |
| CN111178120B (zh) | 一种基于作物识别级联技术的害虫图像检测方法 | |
| CN110490086B (zh) | 一种用于对象识别结果二次确认的方法及系统 | |
| CN109858476B (zh) | 标签的扩充方法和电子设备 | |
| CN112712069B (zh) | 一种判题方法、装置、电子设备及存储介质 | |
| WO2019218459A1 (zh) | 一种照片存储方法、存储介质、服务器和装置 | |
| WO2022262585A1 (zh) | 植物图片识别方法、可读存储介质及电子设备 | |
| CN111460149A (zh) | 文本分类方法、相关设备及可读存储介质 | |
| CN109284700B (zh) | 图像中多个人脸检测的方法、存储介质、设备及系统 | |
| CN111104542B (zh) | 零件识别管理方法及装置 | |
| Korotaeva et al. | Botanicum: a telegram bot for tree classification | |
| CN109710628B (zh) | 信息处理方法及装置、系统、计算机及可读存储介质 | |
| CN112101231A (zh) | 学习行为的监控方法、终端、小程序以及服务器 | |
| CN110851638A (zh) | 获取物种识别名称的方法及装置 | |
| CN111597937B (zh) | 鱼姿势识别方法、装置、设备及存储介质 | |
| CN112991410A (zh) | 一种文本图像配准方法、电子设备及其存储介质 | |
| CN112559785A (zh) | 一种基于大数据训练的鸟类图像识别系统及方法 | |
| CN117033668A (zh) | 一种知识图谱质量评估方法、装置、存储介质及电子设备 | |
| CN111325212A (zh) | 模型训练方法、装置、电子设备和计算机可读存储介质 | |
| CN114612401A (zh) | 一种模型训练方法、装置、设备和存储介质 | |
| CN114782720A (zh) | 文案的配图确定方法、装置、电子设备、介质及程序产品 | |
| WO2017107361A1 (zh) | 图片景观信息的确定方法及装置 |
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 |