CN111027380A - 喷头控制方法、装置、计算机设备和存储介质 - Google Patents
喷头控制方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN111027380A CN111027380A CN201911073264.9A CN201911073264A CN111027380A CN 111027380 A CN111027380 A CN 111027380A CN 201911073264 A CN201911073264 A CN 201911073264A CN 111027380 A CN111027380 A CN 111027380A
- Authority
- CN
- China
- Prior art keywords
- target
- image
- spraying
- spray head
- target object
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种喷头控制方法、装置、计算机设备和存储介质。所述方法包括:实时获取拍摄设备的图像,图像中包含至少一个目标对象;输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;根据各个目标对象的位置信息和喷淋区域匹配目标喷头;当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。通过预设目标检测模型实时检测获取到的图像,输出各个图像中的目标对象和对应的位置信息,只有匹配的喷头才开启,即根据目标对应的实时位置信息自动控制喷头的喷淋状态,对应不存在目标对象所在区域不开启对应的喷头,从而节约资源。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种喷头控制方法、装置、计算机设备和存储介质。
背景技术
随着我国经济的不断发展、人们生活水平的不断提高,人们的消费观念和消费水平也有了很大的转变与提升。在这个契机下,养殖行业也得到了快速发展,养殖规模不断壮大。
然而,夏季高温对于养殖场来说是一项非常严峻的考验,天气炎热非常容易导致养殖的动物出现热应激现象。热应激会影响养殖的动物的生产性能、损害养殖动物的身体等等,从而损害养殖场的经济效益。由于我国幅员辽阔,从北方到南方,从东北到西北,夏季热应激期间热应激不断加剧。
为了给养殖的动物进行降温,目前的主要技术是采用喷淋系统。喷淋系统通过在养殖的动物上喷水,达到快速降低动物温度的目的。
目前采取的措施是在进入喷淋厅内设置多根喷淋杆,每根喷淋杆上固定多个喷头,需要喷淋时打开总开关,所有喷淋杆的喷头全部喷水。这种方式带来的问题是只要有动物,全部喷头都会喷水,包括没有动物的地方也会喷,造成严重的水资源浪费。同时,需要人工触发喷淋开关喷水,耗费人力。
发明内容
为了解决上述技术问题,本申请提供了一种喷头控制方法、装置、计算机设备和存储介质。
第一方面,本申请提供了一种喷头控制方法,包括:
实时获取图像,图像中包含至少一个目标对象;
输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;
获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;
根据各个目标对象的位置信息和喷淋区域匹配目标喷头;
当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。
第二方面,本申请提供了一种喷头控制装置,包括:
图像获取模块,用于实时获取图像,图像中包含至少一个目标对象;
目标检测模块,用于输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;
属性信息获取模块,用于获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;
匹配模块,用于根据各个目标对象的位置信息和喷淋区域匹配目标喷头;
控制模块,用于当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送所述指令。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
实时获取图像,图像中包含至少一个目标对象;
输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;
获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;
根据各个目标对象的位置信息和喷淋区域匹配目标喷头;
当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
实时获取图像,图像中包含至少一个目标对象;
输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;
获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;
根据各个目标对象的位置信息和喷淋区域匹配目标喷头;
当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。
上述喷头控制方法、装置、计算机设备和存储介质,方法包括:实时获取图像,图像中包含至少一个目标对象;输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;根据各个目标对象的位置信息和喷淋区域匹配目标喷头;当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。通过预设目标检测模型实时检测获取到的图像,输出各个图像中的目标对象和对应的位置信息,只有匹配的喷头才开启,即根据目标对应的实时位置信息自动控制喷头的喷淋状态,对应不存在目标对象所在区域不开启对应的喷头,从而节约资源。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为一个实施例中喷头控制方法的应用环境图;
图2为一个实施例中喷头控制方法的流程示意图;
图3为一个实施例中bottleneck结构的网络结构示意图;
图4为一个实施例中预设目标检测模型的结构示意图;
图5为一个实施例中喷头控制装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1为一个实施例中喷头控制方法的应用环境图。参照图1,该喷头控制方法应用于喷头控制系统。该喷头控制系统包括拍摄设备110和计算机设备120。拍摄设备110和计算机设备120通过网络连接。计算机设备120实时获取拍摄设备的图像,图像中包含至少一个目标对象;输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;根据各个目标对象的位置信息和喷淋区域匹配目标喷头;当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。
上述目标检测、属性信息获取、喷头匹配和指令生成和发送过程均可以在拍摄设备110上执行。
拍摄设备110可以为摄像头或搭载有摄像头的终端。摄像头包括鱼眼摄像头、普通摄像头、广角摄像头等。计算机设备可以为终端或服务器,其中终端具体可以是台式终端或移动终端,移动终端具体可以手机、平板电脑、笔记本电脑等中的至少一种。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
如图2所示,在一个实施例中,提供了一种喷头控制方法。本实施例主要以该方法应用于上述图1中的拍摄设备110(或计算机设备120)来举例说明。参照图2,该喷头控制方法具体包括如下步骤:
步骤S201,实时获取图像。
在本实施例中,图像中包含至少一个目标对象。
步骤S202,输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息。
具体地,图像为各个拍摄设备拍摄的图像,其中不同的拍摄设备用于监控不同的区域。目标对象是指养殖场中养殖的动物,动物包括但不限于牛、猪等。同一张图像中可以包含多个目标对象,包含的多个目标对象可以为相同类型,也可以为不同类型。多张不同的图像中包含的目标对象的类型可以相同也可以不同。
预设目标检测模型是根据大量的携带目标对象类型和对应的位置信息的图像训练得到的卷积分割网络模型。其中卷积分割网络模型包括但不限于ENet、FCN(FullyConvolutional Networks)等等网络。其中ENet网络主要分为编码模块和解码模块两个模块,其中整个网络结构由bottleneck组成,其中bottleneck结构如图3所示,分为三个卷积层:第一个1x1卷积用来降低特征维度;第二个为主卷积层,可以为普通卷积、空洞卷积和卷积核为mx1或1xm的非对称卷积;第三个1x1卷积用来扩张维度。若bottleneck为下采样,则在主分支中加入一个最大池化层(MaxPooling),同时卷积核大小为2x2、步长为2的卷积代替第一个1x1卷积,对激活值进行padding操作,保证两个分支的数据在融合时具有相同的特征尺寸。
步骤S203,获取喷头的属性信息。
在本实施例中,属性信息包括喷淋区域和喷淋状态。
具体地,喷头属性信息包括喷头的喷淋区域、喷淋状态、喷淋的流量等级等等,其中喷淋区域与喷头本身结构和设置高度等相关,且各个喷头的喷淋区域可以重叠或不重叠。喷淋状态包括但不限于开启状态和关闭状态等等。喷头的属性信息的获取方法可以根据需求自定义设置,如实时采集喷头的属性信息,或在检测到目标对象后生成用于采集喷头的属性信息的数据采集指令。
步骤S204,根据各个目标对象的位置信息和喷淋区域匹配目标喷头。
步骤S205,当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。
具体地,目标对象的位置信息包括目标的中心位置信息、所在区域的区域位置信息等等。根据各个目标对象的位置信息和喷淋区域对应的位置信息对喷头进行匹配,同一目标对象可能位于多个喷头的喷淋区域,故在根据位置信息确定至少一个喷头后,需要对位置进行进一步的确认,如判断目标对象在各个喷淋区域的所占有的比例,其中占有比例可以根据目标对象位于各个喷头的喷淋区域的面积的占比表示。也可以采用位于目标对象的中心点的位置判断目标对象位于哪个喷淋区域等。还可以是中心点位置和区域占比同时考虑等等。目标喷头的喷淋状态为关闭状态,表示目标对象位于目标喷头对应的喷淋区域,而该喷头未喷出对应的液体,故生成用于开启该喷头的指令,发送该指令,以使控制喷头的控制器执行该指令,实现对液体的喷洒。
上述喷头控制方法,包括:实时获取图像,图像中包含至少一个目标对象;输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;根据各个目标对象的位置信息和喷淋区域匹配目标喷头;当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。通过预设目标检测模型实时检测获取到的图像,输出各个图像中的目标对象和对应的位置信息,只有匹配的喷头才开启,即根据目标对应的实时位置信息自动控制喷头的喷淋状态,对应不存在目标对象所在区域不开启对应的喷头,从而节约资源。
在一个实施例中,根据目标对象的位置信息和喷淋区域匹配目标喷头,包括:根据目标对象的位置信息查找候选喷淋区域,得到至少一个候选喷淋区域;计算目标对象位于各个候选喷淋区域的面积占比;将面积占比大于预设占比对应的候选喷淋区域,作为目标喷淋区域;将目标喷淋区域对应的喷头作为目标喷头。
具体地,候选喷淋区域是指与目标对象所在的区域存在重叠的喷淋区域,其中,候选喷淋区域可以包含一个或多个。计算目标对象所在的区域与各个候选喷淋区域的重叠区域的面积,计算重叠各个重叠区域面积与目标对象所在的区域的面积的比值,即面积占比,其中面积占比可以通过像素点占比得到。判断该比值是否大于预设占比,当该比值大于预设占比的候选喷淋区域作为目标喷淋区域,将目标喷淋区域对应的喷头作为目标喷头。其中目标喷头可以为一个或多个。如目标对象位于两个喷淋区域内,且目标对象所在区域与两个喷淋区域的重叠区域都大于预设值,若两个喷头都未开启,则生成开启两个喷头的指令,通过执行控制喷头的开启。根据重叠区域的区域面积和目标对象的位于的区域面积的比值确定目标喷头,能够较为准确的定位目标喷头。
在一个实施例中,上述喷头控制方法,还包括:生成预设目标检测模型,其中生成预设目标检测模型,包括:
步骤S301,获取多个训练图像。
在本具体实施例中,各个训练图像中携带标签信息,标签信息包括目标对象和对应的位置信息。
步骤S302,输入各个训练图像至初始目标检测模型,输出各个训练图像的预测标签。
在本具体实施例中,预测标签包括预测目标对象和预测位置信息。
步骤S303,根据各个训练图像的标签信息和对应的预测标签更新初始目标检测模型的模型参数,直至初始目标检测模型满足预设收敛条件,得到预设目标检测模型。
具体地,训练图像中包含目标对象,且图像携带各个目标对象的位置信息和目标对象的类型信息等。其中目标对象的类型可以为相同也可以不相同,若为相同的类型可以不标注类型,若包含多个类型时,则可以标注对应的类型。将图像输入初始目标检测模型,通过初始目标检测模型对训练图像进行特征提取,根据提取到的特征识别目标对象和检测目标对象所在的位置,即得到训练图像对应的预测目标对象和对应的预测位置信息。其中预测位置信息包括位置中心点坐标、区域坐标等等。根据各个训练图像的预测标签和标签判断模型是否满足预设收敛条件,若初始目标检测模型满足预设收敛条件,得到预设目标检测模型,反之,则根据各个预测标签和标签的差异度更新初始目标检测模型的模型参数,直至更新了模型参数的初始目标检测模型满足预设收敛条件,得到预设目标检测模型。其中更新模型参数的方法为常见的机器学习的参数更新方法。其中预设收敛条件对应的损失函数可以为常见的机器学习的损失函数,最小化损失函数使得初始目标检测模型收敛。
在一个实施例中,预设目标检测模型包括编码模块和解码模块,编码模块对应的网络结构与ENet网络中的前15个模块相同,解码模块包括反卷积单元和全卷积单元,全卷积单元的输入为反卷积单元的输出。
具体地,解码模块用于提取图像的特征,反卷积单元是用于对解码模块提取的特征采用反卷积操作增大特征的尺寸,全卷积单元用于根据上采样后的数据实现检测,得到目标对象和对应的位置信息。
在一个实施例中,编码模块包括下采样单元和卷积单元,输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息,包括:输入图像至下采样单元执行下次采样操作,得到图像的下采样特征;输入图像的下采样特征至卷积单元执行卷积操作,得到图像的卷积特征;输入图像的卷积特征至反卷积单元执行反卷积操作,得到各个图像的反卷积特征,输入图像的反卷积特征至全卷积单元执行全卷积操作,输出图像的目标对象和对应的位置信息。
具体地,下采样单元用于减少图像的数据量,从而加快数据处理效率。如执行下采样操作,将100*100的图像变成25*25的图像。卷积单元用于提取图像中的特征,提取出的特征用于描述目标对象。其中卷积单元包括至少一个空洞卷积单元、至少一个不对称卷积单元和至少一个普通卷积单元等。其中空洞卷积单元是用于空洞卷积减小计算量和增大感受野。卷积层权重有相当大的冗余,采用不对称卷积层级联可以缩小计算量。
在一个实施例中,反卷积单元的网络结构为第一反卷积子单元后接两个bottleneck结构,两个bottleneck结构后接第二反卷积子单元,第二反卷积子单元后接一个bottleneck结构。
在一个具体的实施例中,参照图3和图4,图4为一个预设目标检测模型的网络结构图,包括编码和解码两个部分。预设目标检测模型为改进的ENet分割网络,其中初始化层用于实现下采样,下采样bottleneck1.0和4个常规卷积bottleneck1.x,下采样bottleneck2.0,常规卷积bottleneck2.1,超参rate=2的空洞卷积bottleneck2.2,不对称卷积bottleneck2.3,超参rate=4的空洞卷积bottleneck2.4,常规卷积bottleneck2.5,超参rate=8的空洞卷积bottleneck2.6,不对称卷积bottleneck2.7,超参rate=16的空洞卷积bottleneck2.8,反卷积bottleneck3.0,常规卷积bottleneck3.1和bottleneck3.2,反卷积bottleneck4.1,常规卷积bottleneck4.1,最后一层为全卷积。
在一个具体地实施例中,生成预设目标检测模型的步骤,包括:
获取摄像头拍摄的包含目标对象的原始图像,采用PixelAnnotationTool对原始图像中的目标对象所在区域进行标记,生成标签图像;
将原始图像和标签图像输入改进的ENet分割网络,改进的ENet分割网络先用初始化单元缩小空间尺寸,合并最大池化特征和卷积后特征。
通过一系列的bottleneck网络对牛棚图像进行编码特征提取,将图像下采样了8倍。其中考虑到卷积层权重有相当大的冗余,可以用5x1和1x5的两个不对称卷积层级联来缩小计算量。同时在维持特征图的分辨率的情况下,引入空洞卷积减小计算量、增大感受野。
编码之后为解码过程,将特征图还原到与原始图像相同的大小。即采用两个反卷积和一个完全卷积层进行上采样,还原特征分辨率得到解码特征。对解码特征进行像素级别的分类,并根据分类结果和标签图像计算loss损失函数,不断反向传播损失函数至网络收敛,得到预设目标检测模型。
将拍摄到的图像输入预设目标检测模型,即可到分割出的目标对象的位置信息。
在分割出目标对象之后,需确定当前位置的目标对象归属的喷淋杆。如两根相邻喷头的中线为喷淋区域的界限,使用LabelMe标记出各个喷头的喷淋区域,用图像处理的方法计算出落入每个喷淋区域的牛体面积与该喷淋区域的占比,当占比大于一定阈值,相应的喷头执行喷淋。
上述根据目标对象的位置实时喷水,无人化喷淋,节省大量喷淋液体和人力资源。
图2为一个实施例中喷头控制方法的流程示意图。应该理解的是,虽然图2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,这些步骤可以以其它的顺序执行。而且,图2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,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它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。
在一个实施例中,如图5所示,提供了一种喷淋装置200,包括:
图像获取模块201,用于实时获取图像,图像中包含至少一个目标对象。
目标检测模块202,用于输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息。
属性信息获取模块203,用于获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态。
匹配模块204,用于根据各个目标对象的位置信息和喷淋区域匹配目标喷头。
控制模块205,用于当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。
在一个实施例中,匹配模块204具体用于根据所述目标对象的位置信息查找候选喷淋区域,得到至少一个候选喷淋区域,计算所述目标对象位于各个所述候选喷淋区域的面积占比,将所述面积占比大于预设占比对应的所述候选喷淋区域,作为目标喷淋区域,将所述目标喷淋区域对应的喷头作为所述目标喷头。
在一个实施例中,上述喷头控制装置200,还包括:
模型生成模块,用于获取多个训练图像,各个训练图像中携带标签信息,标签信息包括目标对象和对应的位置信息,输入各个训练图像至初始目标检测模型,输出各个训练图像的预测标签,预测标签包括预测目标对象和预测位置信息;根据各个训练图像的标签信息和对应的预测标签更新初始目标检测模型的模型参数,直至初始目标检测模型满足预设收敛条件,得到预设目标检测模型。
图6示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的拍摄设备110(或计算机设备120)。如图6所示,该计算机设备通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统,还可存储有计算机程序,该计算机程序被处理器执行时,可使得处理器实现喷头控制方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行喷头控制方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6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。
在一个实施例中,本申请提供的喷淋装置可以实现为一种计算机程序的形式,计算机程序可在如图6所示的计算机设备上运行。计算机设备的存储器中可存储组成该喷淋装置的各个程序模块,比如,图5所示的图像获取模块201、目标检测模块202、属性信息获取模块203匹配模块204和控制模块205。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的喷头控制装置中的步骤。
例如,图6所示的计算机设备可以通过如图5所示的喷淋装置中的图像获取模块201执行实时获取图像,图像中包含至少一个目标对象。计算机设备可通过目标检测模块202执行输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息。计算机设备可通过属性信息获取模块203执行获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态。计算机设备可通过匹配模块204根据各个目标对象的位置信息和喷淋区域匹配目标喷头。计算机设备可通过控制模块205执行当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:实时获取图像,图像中包含至少一个目标对象;输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;根据各个目标对象的位置信息和喷淋区域匹配目标喷头;当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。
在一个实施例中,根据目标对象的位置信息和喷淋区域匹配目标喷头,包括:根据目标对象的位置信息查找候选喷淋区域,得到至少一个候选喷淋区域;计算目标对象位于各个候选喷淋区域的面积占比;将面积占比大于预设占比对应的候选喷淋区域,作为目标喷淋区域;将目标喷淋区域对应的喷头作为目标喷头。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:生成预设目标检测模型,包括:获取多个训练图像,各个训练图像中携带标签信息,标签信息包括目标对象和对应的位置信息;输入各个训练图像至初始目标检测模型,输出各个训练图像的预测标签,预测标签包括预测目标对象和预测位置信息;根据各个训练图像的标签信息和对应的预测标签更新初始目标检测模型的模型参数,直至初始目标检测模型满足预设收敛条件,得到预设目标检测模型。
在一个实施例中,预设目标检测模型包括编码模块和解码模块,编码模块对应的网络结构与ENet网络中的前15个模块相同,解码模块包括反卷积单元和全卷积单元,全卷积单元的输入为反卷积单元的输出。
在一个实施例中,编码模块包括下采样单元和卷积单元,输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息,包括:输入图像至下采样单元执行下次采样操作,得到图像的下采样特征;输入图像的下采样特征至卷积单元执行卷积操作,得到图像的卷积特征;输入图像的卷积特征至反卷积单元执行反卷积操作,得到各个图像的反卷积特征;输入图像的反卷积特征至全卷积单元执行全卷卷积操作,输出图像的目标对象和对应的位置信息。
在一个实施例中,反卷积单元的网络结构为第一反卷积子单元后接两个bottleneck结构,两个bottleneck结构后接第二反卷积子单元,第二反卷积子单元后接一个bottleneck结构。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:实时获取图像,图像中包含至少一个目标对象;输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息;获取喷头的属性信息,属性信息包括喷淋区域和喷淋状态;根据各个目标对象的位置信息和喷淋区域匹配目标喷头;当目标喷头的喷淋状态为关闭状态时,生成用于开启目标喷头的指令,发送指令。
在一个实施例中,根据目标对象的位置信息和喷淋区域匹配目标喷头,包括:根据目标对象的位置信息查找候选喷淋区域,得到至少一个候选喷淋区域;计算目标对象位于各个候选喷淋区域的面积占比;将面积占比大于预设占比对应的候选喷淋区域,作为目标喷淋区域;将目标喷淋区域对应的喷头作为目标喷头。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:生成预设目标检测模型,包括:获取多个训练图像,各个训练图像中携带标签信息,标签信息包括目标对象和对应的位置信息;输入各个训练图像至初始目标检测模型,输出各个训练图像的预测标签,预测标签包括预测目标对象和预测位置信息;根据各个训练图像的标签信息和对应的预测标签更新初始目标检测模型的模型参数,直至初始目标检测模型满足预设收敛条件,得到预设目标检测模型。
在一个实施例中,预设目标检测模型包括编码模块和解码模块,编码模块对应的网络结构与ENet网络中的前15个模块相同,解码模块包括反卷积单元和全卷积单元,全卷积单元的输入为反卷积单元的输出。
在一个实施例中,编码模块包括下采样单元和卷积单元,输入图像至预设目标检测模型,输出各个目标对象和对应的位置信息,包括:输入图像至下采样单元执行下次采样操作,得到图像的下采样特征;输入图像的下采样特征至卷积单元执行卷积操作,得到图像的卷积特征;输入图像的卷积特征至反卷积单元执行反卷积操作,得到各个图像的反卷积特征;输入图像的反卷积特征至全卷积单元执行全卷卷积操作,输出图像的目标对象和对应的位置信息。
在一个实施例中,反卷积单元的网络结构为第一反卷积子单元后接两个bottleneck结构,两个bottleneck结构后接第二反卷积子单元,第二反卷积子单元后接一个bottleneck结构。
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,所述的程序可存储于一非易失性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,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
需要说明的是,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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种喷头控制方法,其特征在于,所述方法包括:
实时获取图像,所述图像中包含至少一个目标对象;
输入所述图像至预设目标检测模型,输出各个所述目标对象和对应的位置信息;
获取喷头的属性信息,所述属性信息包括喷淋区域和喷淋状态;
根据各个所述目标对象的位置信息和所述喷淋区域匹配目标喷头;
当所述目标喷头的喷淋状态为关闭状态时,生成用于开启所述目标喷头的指令,发送所述指令。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标对象的位置信息和所述喷淋区域匹配目标喷头,包括:
根据所述目标对象的位置信息查找候选喷淋区域,得到至少一个候选喷淋区域;
计算所述目标对象位于各个所述候选喷淋区域的面积占比;
将所述面积占比大于预设占比对应的所述候选喷淋区域,作为目标喷淋区域;
将所述目标喷淋区域对应的喷头作为所述目标喷头。
3.根据权利要求1所述的方法,其特征在于,生成所述预设目标检测模型的步骤,包括:
获取多个训练图像,各个所述训练图像中携带标签信息,所述标签信息包括目标对象和对应的位置信息;
输入各个所述训练图像至初始目标检测模型,输出各个所述训练图像的预测标签,所述预测标签包括预测目标对象和预测位置信息;
根据各个所述训练图像的标签信息和对应的所述预测标签更新所述初始目标检测模型的模型参数,直至所述初始目标检测模型满足预设收敛条件,得到所述预设目标检测模型。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述预设目标检测模型包括编码模块和解码模块,所述编码模块对应的网络结构与ENet网络中的前15个模块相同,所述解码模块包括反卷积单元和全卷积单元,所述全卷积单元的输入为所述反卷积单元的输出。
5.根据权利要求4所述的方法,其特征在于,所述编码模块包括下采样单元和卷积单元,所述输入所述图像至预设目标检测模型,输出各个所述目标对象和对应的位置信息,包括:
输入所述图像至所述下采样单元执行下次采样操作,得到所述图像的下采样特征;
输入所述图像的下采样特征至所述卷积单元执行卷积操作,得到所述图像的卷积特征;
输入所述图像的卷积特征至所述反卷积单元执行反卷积操作,得到各个所述图像的反卷积特征;
输入所述图像的反卷积特征至所述全卷积单元执行全卷积操作,输出所述图像的目标对象和对应的位置信息。
6.根据权利要求4所述的方法,其特征在于,所述反卷积单元的网络结构为第一反卷积子单元后接两个bottleneck结构,两个所述bottleneck结构后接第二反卷积子单元,所述第二反卷积子单元后接一个bottleneck结构。
7.一种喷头控制装置,其特征在于,所述装置包括:
图像获取模块,用于实时获取图像,所述图像中包含至少一个目标对象;
目标检测模块,用于输入所述图像至预设目标检测模型,输出各个所述目标对象和对应的位置信息;
属性信息获取模块,用于获取喷头的属性信息,所述属性信息包括喷淋区域和喷淋状态;
匹配模块,用于根据各个所述目标对象的位置信息和所述喷淋区域匹配目标喷头;
控制模块,用于当所述目标喷头的喷淋状态为关闭状态时,生成用于开启所述目标喷头的指令,发送所述指令。
8.根据权利要求7所述的装置,其特征在于,所述匹配模块具体用于根据所述目标对象的位置信息查找候选喷淋区域,得到至少一个候选喷淋区域,计算所述目标对象位于各个所述候选喷淋区域的面积占比,将所述面积占比大于预设占比对应的所述候选喷淋区域,作为目标喷淋区域,将所述目标喷淋区域对应的喷头作为所述目标喷头。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911073264.9A CN111027380A (zh) | 2019-11-05 | 2019-11-05 | 喷头控制方法、装置、计算机设备和存储介质 |
PCT/CN2020/124470 WO2021088700A1 (zh) | 2019-11-05 | 2020-10-28 | 喷头控制方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911073264.9A CN111027380A (zh) | 2019-11-05 | 2019-11-05 | 喷头控制方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027380A true CN111027380A (zh) | 2020-04-17 |
Family
ID=70200816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911073264.9A Pending CN111027380A (zh) | 2019-11-05 | 2019-11-05 | 喷头控制方法、装置、计算机设备和存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111027380A (zh) |
WO (1) | WO2021088700A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539937A (zh) * | 2020-04-24 | 2020-08-14 | 北京海益同展信息科技有限公司 | 一种物体指标的检测方法、家畜重量的检测方法及装置 |
CN112766171A (zh) * | 2021-01-21 | 2021-05-07 | 京东数科海益信息科技有限公司 | 一种喷淋方法、装置、系统及介质 |
WO2021088700A1 (zh) * | 2019-11-05 | 2021-05-14 | 京东数科海益信息科技有限公司 | 喷头控制方法、装置、计算机设备和存储介质 |
CN113312799A (zh) * | 2021-06-25 | 2021-08-27 | 中铁十一局集团桥梁有限公司 | 喷淋系统冲洗方法、装置、设备及可读存储介质 |
CN114445027A (zh) * | 2021-12-27 | 2022-05-06 | 江西省交通工程集团有限公司 | 用于喷淋车的出勤频率控制方法与系统 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116273692B (zh) * | 2023-03-14 | 2023-08-15 | 深圳徕科技术有限公司 | 分布式高速喷射阀联合控制方法、装置、设备及存储介质 |
CN117180952B (zh) * | 2023-11-07 | 2024-02-02 | 湖南正明环保股份有限公司 | 多向气流料层循环半干法烟气脱硫系统及其方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530643A (zh) * | 2013-10-11 | 2014-01-22 | 中国科学院合肥物质科学研究院 | 基于农作物行间自动识别技术的农药定位喷洒方法及系统 |
CN108734277A (zh) * | 2018-05-18 | 2018-11-02 | 拓普暨达(广州)基因精准医疗科技有限公司 | 一种基于卷积神经网络的靶向药物喷洒方法 |
CN109409275A (zh) * | 2018-10-18 | 2019-03-01 | 广州极飞科技有限公司 | 目标对象的识别方法及装置、施药信息的确定方法 |
CN109446987A (zh) * | 2018-10-29 | 2019-03-08 | 北京麦飞科技有限公司 | 基于pca和pnn算法检测水稻病虫害等级的方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140105058A (ko) * | 2013-02-21 | 2014-09-01 | 순천대학교 산학협력단 | 센서 네트워크 기반 차량 방역 시스템 |
CN107038448B (zh) * | 2017-03-01 | 2020-02-28 | 中科视语(北京)科技有限公司 | 目标检测模型构建方法 |
CN107950506B (zh) * | 2017-11-15 | 2021-06-15 | 广州极飞科技股份有限公司 | 移动装置、基于移动装置的喷洒控制方法及装置 |
CN111027380A (zh) * | 2019-11-05 | 2020-04-17 | 北京海益同展信息科技有限公司 | 喷头控制方法、装置、计算机设备和存储介质 |
-
2019
- 2019-11-05 CN CN201911073264.9A patent/CN111027380A/zh active Pending
-
2020
- 2020-10-28 WO PCT/CN2020/124470 patent/WO2021088700A1/zh active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530643A (zh) * | 2013-10-11 | 2014-01-22 | 中国科学院合肥物质科学研究院 | 基于农作物行间自动识别技术的农药定位喷洒方法及系统 |
CN108734277A (zh) * | 2018-05-18 | 2018-11-02 | 拓普暨达(广州)基因精准医疗科技有限公司 | 一种基于卷积神经网络的靶向药物喷洒方法 |
CN109409275A (zh) * | 2018-10-18 | 2019-03-01 | 广州极飞科技有限公司 | 目标对象的识别方法及装置、施药信息的确定方法 |
CN109446987A (zh) * | 2018-10-29 | 2019-03-08 | 北京麦飞科技有限公司 | 基于pca和pnn算法检测水稻病虫害等级的方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021088700A1 (zh) * | 2019-11-05 | 2021-05-14 | 京东数科海益信息科技有限公司 | 喷头控制方法、装置、计算机设备和存储介质 |
CN111539937A (zh) * | 2020-04-24 | 2020-08-14 | 北京海益同展信息科技有限公司 | 一种物体指标的检测方法、家畜重量的检测方法及装置 |
CN112766171A (zh) * | 2021-01-21 | 2021-05-07 | 京东数科海益信息科技有限公司 | 一种喷淋方法、装置、系统及介质 |
CN113312799A (zh) * | 2021-06-25 | 2021-08-27 | 中铁十一局集团桥梁有限公司 | 喷淋系统冲洗方法、装置、设备及可读存储介质 |
CN113312799B (zh) * | 2021-06-25 | 2023-03-21 | 中铁十一局集团桥梁有限公司 | 喷淋系统冲洗方法、装置、设备及可读存储介质 |
CN114445027A (zh) * | 2021-12-27 | 2022-05-06 | 江西省交通工程集团有限公司 | 用于喷淋车的出勤频率控制方法与系统 |
CN114445027B (zh) * | 2021-12-27 | 2023-04-07 | 江西省交通工程集团有限公司 | 用于喷淋车的出勤频率控制方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2021088700A1 (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027380A (zh) | 喷头控制方法、装置、计算机设备和存储介质 | |
CN109543627B (zh) | 一种判断驾驶行为类别的方法、装置、及计算机设备 | |
Zhang et al. | Seggan: Semantic segmentation with generative adversarial network | |
Marin-Jimenez et al. | 3D human pose estimation from depth maps using a deep combination of poses | |
CN111079632A (zh) | 文本检测模型的训练方法、装置、计算机设备和存储介质 | |
CN108805058B (zh) | 目标对象变化姿态识别方法、装置及计算机设备 | |
Sun et al. | Fast object detection based on binary deep convolution neural networks | |
CN110287836B (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
AU2021354030B2 (en) | Processing images using self-attention based neural networks | |
US11163989B2 (en) | Action localization in images and videos using relational features | |
CN110163864B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN111738074B (zh) | 基于弱监督学习的行人属性识别方法、系统及装置 | |
CN109963072B (zh) | 对焦方法、装置、存储介质及电子设备 | |
Zeng et al. | Nlfftnet: A non-local feature fusion transformer network for multi-scale object detection | |
CN111832561B (zh) | 基于计算机视觉的字符序列识别方法、装置、设备和介质 | |
CN110807463B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
CN112580660A (zh) | 图像处理方法、装置、计算机设备和可读存储介质 | |
CN112580550A (zh) | 一种利用人机物时空交互关系的用户意图预测方法及装置 | |
CN111080697A (zh) | 检测目标对象方向的方法、装置、计算机设备和存储介质 | |
CN111914596A (zh) | 车道线检测方法、装置、系统及存储介质 | |
CN111582012A (zh) | 一种检测小目标船只方法及装置 | |
US20230131589A1 (en) | Method and electronic device for segmenting objects in scene | |
Wang et al. | SCNet: Scale-aware coupling-structure network for efficient video object detection | |
CN115761892A (zh) | 基于流式图像的手势识别模型训练方法、装置及电子设备 | |
WO2022127576A1 (zh) | 站点模型更新方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |