CN111046730A - 植株数据处理方法、装置、计算机设备和存储介质 - Google Patents

植株数据处理方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN111046730A
CN111046730A CN201911090225.XA CN201911090225A CN111046730A CN 111046730 A CN111046730 A CN 111046730A CN 201911090225 A CN201911090225 A CN 201911090225A CN 111046730 A CN111046730 A CN 111046730A
Authority
CN
China
Prior art keywords
stem
preset
image
plant
stalk
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
Application number
CN201911090225.XA
Other languages
English (en)
Inventor
张为明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Haiyi Tongzhan Information Technology Co Ltd
Original Assignee
Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Haiyi Tongzhan Information Technology Co Ltd filed Critical Beijing Haiyi Tongzhan Information Technology Co Ltd
Priority to CN201911090225.XA priority Critical patent/CN111046730A/zh
Publication of CN111046730A publication Critical patent/CN111046730A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种植株数据处理方法、装置、计算机设备和存储介质。所述方法包括：获取包含植株茎秆的图像；输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；统计各个主茎对应的侧茎的数量；当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。通过预设茎秆识别模型自动识别图像中的植株的茎秆和茎秆高度，自动统计植株的高度和植株的侧枝的数据，根据自动识别得到的数据，标记满足预设标记条件的植株，避免了人工测量带来的人力物力的耗费，提高了处理效率。

Description

植株数据处理方法、装置、计算机设备和存储介质
技术领域
本申请涉及计算机技术领域，尤其涉及一种植株数据处理方法、装置、计算机设备和存储介质。
背景技术
在无人干预、自由生长的过程中，由于植株激素的作用会形成顶端优势，植株持续长高，结实率低，果实营养积累少。同时生长过程中，侧芽过多也会导致侧枝过多，结实率低等问题。目前已有成熟的规则来决定植株在长多高的情况下打顶，长了几个侧枝的情况下去芽，以确保最终的结实率和果实质量。但是这些规则基本全都是靠人在现场勘查，观测植株的高度和侧枝的数量，对于大规模的种植，需花费太多的人力物力和时间。
发明内容
为了解决上述技术问题，本申请提供了一种植株数据处理方法、装置、计算机设备和存储介质。
第一方面，本申请提供了一种植株数据处理方法，包括：
获取包含植株茎秆的图像；
输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；
统计各个主茎对应的侧茎的数量；
当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。
第二方面，本申请提供了一种植株数据处理装置，包括：
图像获取模块，用于获取包含植株茎秆的图像；
识别模块，用于输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；
统计模块，用于统计各个主茎对应的侧茎的数量；
标记模块，用于当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。
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：
获取包含植株茎秆的图像；
输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；
统计各个主茎对应的侧茎的数量；
当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取包含植株茎秆的图像；
输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；
统计各个主茎对应的侧茎的数量；
当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。
上述植株数据处理方法、装置、计算机设备和存储介质，所述方法包括：获取包含植株茎秆的图像；输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；统计各个主茎对应的侧茎的数量；当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。通过预设茎秆识别模型自动识别图像中的植株的茎秆和茎秆高度，自动统计植株的高度和植株的侧枝的数据，根据自动识别得到的数据，标记满足预设标记条件的植株，避免了人工测量带来的人力物力的耗费，提高了处理效率。
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为一个实施例中植株数据处理方法的应用环境图；
图2为一个实施例中植株数据处理方法的流程示意图；
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茎秆识别模型的结构示意图；
图5为一个实施例中植株数据处理装置的结构框图；
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为一个实施例中植株数据处理方法的应用环境图。参照图1，该植株数据处理方法应用于植株数据处理系统。该植株数据处理系统包括拍摄设备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获取拍摄设备110采集的包含植株茎秆的图像；输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；统计各个主茎对应的侧茎的数量；当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。
上述茎秆识别、统计和植株标记过程均可在拍摄设备110上执行。
拍摄设备110为搭载摄像头的设备。计算机设备120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，提供了一种植株数据处理方法。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，该植株数据处理方法具体包括如下步骤：
步骤S201，获取包含植株茎秆的图像。
步骤S202，输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息。
在本具体实施例中，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎。
步骤S203，统计各个主茎对应的侧茎的数量。
步骤S204，当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。
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。植株茎秆是指植株的主要枝干，植株包括但不限于西红柿、辣椒等等。茎秆类型包括主茎和侧茎，其中主茎是指植株的最主要的枝干，侧茎是指主茎上生长的枝干。每个植株对应一个主茎，一个主茎可以对应多个侧茎。
预设茎秆识别模型是通过大量的携带茎秆的标签信息的图像训练得到的网络模型。该网络模型可以对输入的图像进行茎秆提取，并根据提取到的茎秆特征与网络模型中的茎秆特征进行匹配，得到茎秆特征对应的识别结果，识别记过包括茎秆类型，茎秆高度等等。其中网络模型可以为常见的机器学习模型，机器学习模型包括但不限与ENet、改进的ENet、FCN(Fully Convolutional Networks)等等网络。其中ENet网络主要分为编码和解码两个部分，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。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，由于植物的茎秆属于较为简单的几何特征，大部分都是直线和折线，属于较为简单和直观的特征，在构建神经网络时，可以选择网络模块较少的网络，因为网络的深度和网络模块的多少有关系，如一个网络仅包含5个bottleneck，另一个网络包含20个bottleneck，一般情况下，包含20个bottleneck的网络中的最后的特征提取模块中所提取的语义信息，会比包含5个bottleneck的网络最后的特征提取模块提取到的语义信息更为丰富。故针对较为简单的茎秆特征可以选择网络模块较少的网络。
根据茎秆之间的对应关系，即主茎和侧茎之间的对应关系，统计各个主茎对应的侧茎的数量，得到各个主茎对应的侧茎数量。其中侧茎和主茎之间的对应关系是通过主茎和侧茎之间的位置关系确定的。
首先判断主茎的高度是否大于预设高度，当主茎的高度大于或等于预设高度，且侧茎的数量大于预设数量时，表示植株的高度已经达到了预设的高度，且侧茎的数量也较多，标记该植株为目标植株。目标植株是指需要进行后续处理的植株，如打顶去芽、修剪侧茎等等。采用机器视觉的方法，用摄像头拍摄植株，并通过神经网络模型分割出植株的茎干，由主茎可得出植株的高度，由侧茎个数可知侧枝数量。标记出满足需求的植株，可节省大量的成本。
上述植株数据处理方法，包括：获取包含植株茎秆的图像；输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；统计各个主茎对应的侧茎的数量；当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。通过预设茎秆识别模型自动识别图像中的植株的茎秆和茎秆高度，自动统计植株的高度和植株的侧枝的数据，根据自动识别得到的数据，标记满足预设标记条件的植株，避免了人工测量带来的人力物力的耗费，提高了处理效率。
在一个实施例中，生成预设茎秆识别模型的步骤，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，标签信息包括标准茎秆类型和茎秆像素分布图。
步骤S302，输入各个训练图像至初始茎秆识别模型，输出各个训练图像的预测信息。
步骤S303，根据各个训练图像的标签信息和对应的预测信息，判断初始茎秆识别模型是否满足预设收敛条件。
步骤S304，当初始茎秆识别模型满足预设收敛条件，得到预设茎秆识别模型。
具体地，训练图像包含植株和植株的茎秆特征，训练图像中还携带了标签信息，其中标签信息是指茎秆的类型信息(标准茎秆类型)和茎秆像素分布图。标准茎秆类型包括主茎和侧茎。其中一个训练图像中可以包含一个或多个植株，一个植株对应一个主茎，主茎对应的侧茎的数量可以一个或多个，主茎也可能一个对应的侧茎也没有。茎秆像素分布图中的每个像素都存在对应的类别信息。初始茎秆识别模型和预设茎秆识别模型具有相同的网络结构。将携带标签信息的训练图像输入初始茎秆识别模型，通过初始茎秆识别模型提取训练图像的茎秆特征，根据提取到的训练图像的茎秆特征，得到训练图像的预测信息。预测信息包括预测茎秆类型和对应的预测茎秆高度，当预测类型为主茎时，包括主茎高度，当预测类型为侧茎时，可以不预测侧茎的长度。根据预测信息和标签信息的差异度判断初始茎秆识别模型是否收敛，即初始茎秆识别模型是否满足预设收敛条件，当差异度小于或等于预设差异度时，初始茎秆识别模型收敛，得到预设茎秆识别模型。其中差异度的计算方法可以自定义或采用常见的机器学习模型的损失函数定义。
在一个实施例中，当初始茎秆识别模型未满足预设收敛条件时，根据各个训练图像的标签信息和对应的预测信息，更新初始茎秆识别模型的模型参数，得到中间茎秆识别模型，执行输入各个训练图像至中间茎秆识别模型，直至中间茎秆识别模型满足预设收敛条件，得到预设茎秆识别模型。
具体地，当差异度小于或等于预设差异度时，表示初始茎秆识别模型未满足预设收敛条件，需要更新模型的参数，在更新模型参数时，是根据各个训练图像的标签信息和对应的预测信息的差异度更新的，将更新了参数的初始茎秆识别模型作为中间茎秆识别模型，将各个训练图像输入至中间茎秆识别模型，得到采用中间茎秆识别模型进行预测的，各个训练图像的预测信息，计算再次得到的各个训练图像的预测信息和标签信息的差异度，根据差异度判断中间茎秆识别模型是否收敛，若收敛，则得到预设茎秆识别模型，反之，则更新中间茎秆识别模型的模型参数，重复上述数据输入、预测、差异判断过程，直至更新了模型参数的中间茎秆识别模型满足预设收敛条件，得到预设茎秆识别模型。
在一个实施例中，获取多个训练图像之前，还包括：获取原始图像，原始图像中包含植株的茎秆，茎秆类型包括主茎和侧茎，采用折线在原始图像中标记主茎和侧茎，得到携带标签信息的训练图像。
具体地，获取拍摄设备拍摄的原始图像。对原始图像进行标记，标记原始图像中的植株的主茎和侧茎，和主茎的高度、侧茎的数量等等。标记主茎和侧茎时采用折线标记，若标记时才的折线的像素宽度较窄，则增加在标记完成之后，增加折线的像素宽度，使得标记更为明显，其中增加的折线的像素宽度可以根据需求自定义，如根据图像中各个枝干的宽度定义折线的像素宽度，还可以是主茎和侧茎采用相同的或不同的像素宽度定义等。将包含标签信息的原始图像作为训练图像。其中标记时可以采用常见的图像标记工具。
在一个实施例中，预设茎秆识别模型包括编码模块和解码模块，编码模块后接解码模块，其中，编码模块对应的网络结构与ENet网络中的前15个模块相同，解码模块与ENet网络中的后6个模块相同。
在一个实施例中，编码模块包括下采样单元和卷积单元，解码模块包括上采样单元和全卷积单元，输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取所述图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，包括：输入图像至所述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上采样单元执行上采样操作，得到各个图像的上采样特征；输入图像的上采样特征至全卷积单元执行全卷积操作，输出少一个茎秆的识别信息。
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。上采样单元用于执行上采用操作，全卷机单元用于执行全卷积操作。
在一个具体的实施例中，参照图3和图4，图4为一个预设茎秆识别模型的网络结构图，包括编码部分和解码部分。预设目标检测模型为改进的ENet分割网络，其中初始化模块用于实现下采样，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，上采样bottleneck3.0，常规卷积bottleneck3.1和bottleneck3.2，上采样bottleneck4.1，常规卷积bottleneck4.1，最后为全卷积模块。
在一个具体地实施例中，生成预设茎秆识别模型的步骤，包括：
摄像头拍摄植株图像。
使用LabelImg打标植株图像，沿着植株茎干打折线，若有些部分被叶子遮挡，则联想打过去，并标记为主茎和侧茎，标记完成后使用图像处理工具进行图像处理。采用折线标记主茎和侧茎，并加宽折线像素，生成携带标签的训练图像。
将标签图像输入初始茎秆识别模型，由于网络先用初始化模块缩小空间尺寸，合并最大池化特征和卷积后特征。通过一系列的bottleneck模块对图像进行编码特征提取，将图像下采样了4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，将特征图还原到原始图像大小。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，得到预设茎秆识别模型，模型的网络结构参考图4。
实际场景使用时，直接将拍摄到的植株图像输入预设茎秆识别模型，分割得到主茎和侧茎概率分布，图像处理之后得到主茎和侧茎的分割图，进而得到图像中主茎高度和侧枝数量。如通过透视变换之后，便可由主茎高度获得植株的高度，由侧茎的数量得出侧枝的数量。根据各个植株的主茎高度和对应的侧茎的数量判断该植株是否为目标植株，当主茎高度大于或等于预设高度，且一个植株的侧茎的数量大于预设数量时，标记该植株为目标植株。
图2为一个实施例中植株数据处理方法的流程示意图。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，提供了一种植株数据处理装置200，包括：
图像获取模块201，用于获取包含植株茎秆的图像。
识别模块202，用于输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎。
统计模块203，用于统计各个主茎对应的侧茎的数量。
标记模块204，用于当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。
在一个实施例中，上述植株数据处理装置200，还包括：
模型生成模块，用于生成预设茎秆识别模型，其中模型生成模块，包括：
训练图像获取单元，用于获取多个训练图像，各个训练图像中携带标签信息，标签信息包括标准茎秆类型和茎秆像素分布图。
预测单元，用于输入各个训练图像至初始茎秆识别模型，输出各个训练图像的预测信息。
判断单元，用于根据各个训练图像的标签信息和对应的预测信息，判断初始茎秆识别模型是否满足预设收敛条件。
模型生成单元，用于当初始茎秆识别模型满足预设收敛条件，得到预设茎秆识别模型。
在一个实施例中，模型生成单元还用于当初始茎秆识别模型未满足预设收敛条件时，根据各个训练图像的标签信息和对应的预测信息，更新初始茎秆识别模型的模型参数，得到中间茎秆识别模型，执行输入各个训练图像至中间茎秆识别模型，直至中间茎秆识别模型满足预设收敛条件，得到预设茎秆识别模型。
在一个实施例中，上述模型生成模块，还包括：
标记单元，获取原始图像，原始图像中包含植株的茎秆，茎秆类型包括主茎和侧茎，采用折线在原始图像中标记主茎和侧茎的，得到携带标签信息的训练图像。
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，可使得处理器实现植株数据处理方法。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，可使得处理器执行植株数据处理方法。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，本申请提供的植株数据处理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植株数据处理装置的各个程序模块，比如，图5所示的图像获取模块201、识别模块202、统计模块203和标记模块204。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植株数据处理方法中的步骤。
例如，图6所示的计算机设备可以通过如图5所示的植株数据处理装置中的图像获取模块201执行获取包含植株茎秆的图像。计算机设备可以通过识别模块202执行输入所述图像至预设茎秆识别模型，通过所述预设茎秆识别模型提取所述图像中的茎秆特征，根据所述茎秆特征输出至少一个所述茎秆的识别信息，所述识别信息包括茎秆类型和茎秆高度，所述茎秆类型包括主茎和侧茎。计算机设备可以通过统计模块203执行统计各个所述主茎对应的侧茎的数量。计算机设备可以通过标记模块204执行当所述主茎的高度大于预设高度，且所述主茎对应的侧茎的数量大于预设数量时，将所述主茎对应的植株标记为目标植株。
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：获取包含植株茎秆的图像；输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；统计各个主茎对应的侧茎的数量；当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。
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：生成预设茎秆识别模型，其中生成预设茎秆识别模型，包括：获取多个训练图像，各个训练图像中携带标签信息，标签信息包括标准茎秆类型和茎秆像素分布图；输入各个训练图像至初始茎秆识别模型，输出各个训练图像的预测信息；根据各个训练图像的标签信息和对应的预测信息，判断初始茎秆识别模型是否满足预设收敛条件；当初始茎秆识别模型满足预设收敛条件，得到预设茎秆识别模型。
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：当初始茎秆识别模型未满足预设收敛条件时，根据各个训练图像的标签信息和对应的预测信息，更新初始茎秆识别模型的模型参数，得到中间茎秆识别模型，执行输入各个训练图像至中间茎秆识别模型，直至中间茎秆识别模型满足预设收敛条件，得到预设茎秆识别模型。
在一个实施例中，获取多个训练图像之前，处理器执行计算机程序时还实现以下步骤：获取原始图像，原始图像中包含植株的茎秆，茎秆类型包括主茎和侧茎；采用折线在原始图像中标记主茎和侧茎的，得到携带标签信息的训练图像。
在一个实施例中，预设茎秆识别模型包括编码模块和解码模块，编码模块后接解码模块，其中，编码模块对应的网络结构与ENet网络中的前15个模块相同，解码模块与ENet网络中的后6个模块相同。
在一个实施例中，编码模块包括下采样单元和卷积单元，解码模块包括上采样单元和全卷积单元，输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，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上采样单元执行上采样操作，得到各个图像的上采样特征；输入图像的上采样特征至全卷积单元执行全卷积操作，输出少一个茎秆的识别信息。
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：获取包含植株茎秆的图像；输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，识别信息包括茎秆类型和茎秆高度，茎秆类型包括主茎和侧茎；统计各个主茎对应的侧茎的数量；当主茎的高度大于预设高度，且主茎对应的侧茎的数量大于预设数量时，将主茎对应的植株标记为目标植株。
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：生成预设茎秆识别模型，其中生成预设茎秆识别模型，包括：获取多个训练图像，各个训练图像中携带标签信息，标签信息包括标准茎秆类型和茎秆像素分布图；输入各个训练图像至初始茎秆识别模型，输出各个训练图像的预测信息；根据各个训练图像的标签信息和对应的预测信息，判断初始茎秆识别模型是否满足预设收敛条件；当初始茎秆识别模型满足预设收敛条件，得到预设茎秆识别模型。
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：当初始茎秆识别模型未满足预设收敛条件时，根据各个训练图像的标签信息和对应的预测信息，更新初始茎秆识别模型的模型参数，得到中间茎秆识别模型，执行输入各个训练图像至中间茎秆识别模型，直至中间茎秆识别模型满足预设收敛条件，得到预设茎秆识别模型。
在一个实施例中，获取多个训练图像之前，计算机程序被处理器执行时还实现以下步骤：获取原始图像，原始图像中包含植株的茎秆，茎秆类型包括主茎和侧茎；采用折线在原始图像中标记主茎和侧茎的，得到携带标签信息的训练图像。
在一个实施例中，预设茎秆识别模型包括编码模块和解码模块，编码模块后接解码模块，其中，编码模块对应的网络结构与ENet网络中的前15个模块相同，解码模块与ENet网络中的后6个模块相同。
在一个实施例中，编码模块包括下采样单元和卷积单元，解码模块包括上采样单元和全卷积单元，输入图像至预设茎秆识别模型，通过预设茎秆识别模型提取图像中的茎秆特征，根据茎秆特征输出至少一个茎秆的识别信息，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上采样单元执行上采样操作，得到各个图像的上采样特征；输入图像的上采样特征至全卷积单元执行全卷积操作，输出少一个茎秆的识别信息。
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)

1.一种植株数据处理方法，其特征在于，所述方法包括：
获取包含植株茎秆的图像；
输入所述图像至预设茎秆识别模型，通过所述预设茎秆识别模型提取所述图像中的茎秆特征，根据所述茎秆特征输出至少一个所述茎秆的识别信息，所述识别信息包括茎秆类型和茎秆高度，所述茎秆类型包括主茎和侧茎；
统计各个所述主茎对应的侧茎的数量；
当所述主茎的高度大于预设高度，且所述主茎对应的侧茎的数量大于预设数量时，将所述主茎对应的植株标记为目标植株。
2.根据权利要求1所述的方法，其特征在于，生成所述预设茎秆识别模型的步骤，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，所述标签信息包括标准茎秆类型和茎秆像素分布图；
输入各个所述训练图像至初始茎秆识别模型，输出各个所述训练图像的预测信息；
根据各个所述训练图像的标签信息和对应的所述预测信息，判断所述初始茎秆识别模型是否满足预设收敛条件；
当所述初始茎秆识别模型满足预设收敛条件，得到所述预设茎秆识别模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
当所述初始茎秆识别模型未满足预设收敛条件时，根据各个所述训练图像的标签信息和对应的所述预测信息，更新所述初始茎秆识别模型的模型参数，得到中间茎秆识别模型，执行输入各个所述训练图像至所述中间茎秆识别模型，直至所述中间茎秆识别模型满足所述预设收敛条件，得到所述预设茎秆识别模型。
4.根据权利要求2所述的方法，其特征在于，所述获取多个训练图像之前，所述方法还包括：
获取原始图像，所述原始图像中包含植株的茎秆，所述茎秆类型包括主茎和侧茎；
采用折线在所述原始图像中标记主茎和侧茎，得到携带所述标签信息的训练图像。
5.根据权利要求1至4中任一项所述的方法，其特征在于，所述预设茎秆识别模型包括编码模块和解码模块，所述编码模块后接所述解码模块，其中，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，所述解码模块与所述ENet网络中的后6个模块相同。
6.根据权利要求5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，所述解码模块包括上采样单元和全卷积单元，所述输入所述图像至预设茎秆识别模型，通过所述预设茎秆识别模型提取所述图像中的茎秆特征，根据所述茎秆特征输出至少一个所述茎秆的识别信息，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上采样单元执行上采样操作，得到各个所述图像的上采样特征；
输入所述图像的上采样特征至所述全卷积单元执行全卷积操作，输出少一个所述茎秆的识别信息。
7.一种植株数据处理装置，其特征在于，所述装置包括：
图像获取模块，用于获取包含植株茎秆的图像；
识别模块，用于输入所述图像至预设茎秆识别模型，通过所述预设茎秆识别模型提取所述图像中的茎秆特征，根据所述茎秆特征输出至少一个所述茎秆的识别信息，所述识别信息包括茎秆类型和茎秆高度，所述茎秆类型包括主茎和侧茎；
统计模块，用于统计各个所述主茎对应的侧茎的数量；
标记模块，用于当所述主茎的高度大于预设高度，且所述主茎对应的侧茎的数量大于预设数量时，将所述主茎对应的植株标记为目标植株。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
模型生成模块，用于生成所述预设茎秆识别模型，其中所述模型生成模块，包括：
训练图像获取单元，用于获取多个训练图像，各个所述训练图像中携带标签信息，所述标签信息包括标准茎秆类型和茎秆像素分布图；
预测单元，用于输入各个所述训练图像至初始茎秆识别模型，输出各个所述训练图像的预测信息；
判断单元，用于根据各个所述训练图像的标签信息和对应的所述预测信息，判断所述初始茎秆识别模型是否满足预设收敛条件；
模型生成单元，用于当所述初始茎秆识别模型满足预设收敛条件，得到所述预设茎秆识别模型。
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。
CN201911090225.XA 2019-11-08 2019-11-08 植株数据处理方法、装置、计算机设备和存储介质 Pending CN111046730A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911090225.XA CN111046730A (zh) 2019-11-08 2019-11-08 植株数据处理方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911090225.XA CN111046730A (zh) 2019-11-08 2019-11-08 植株数据处理方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN111046730A true CN111046730A (zh) 2020-04-21

Family

ID=70231793

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911090225.XA Pending CN111046730A (zh) 2019-11-08 2019-11-08 植株数据处理方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN111046730A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095851A (zh) * 2021-04-02 2021-07-09 浙江玖重科技有限公司 烟草信息采集方法、装置、系统及可读存储介质
CN116468657A (zh) * 2023-02-17 2023-07-21 七海行(深圳)科技有限公司 植株长势的检测方法、设备、装置及计算机存储介质
CN117689823A (zh) * 2024-02-02 2024-03-12 之江实验室 基于拼接技术的植株三维模型生成方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574852A (zh) * 2015-12-07 2016-05-11 中国科学院合肥物质科学研究院 一种基于图像识别的植株株高检测方法及系统
CN109711325A (zh) * 2018-12-25 2019-05-03 华南农业大学 一种芒果采摘点识别方法
CN109871833A (zh) * 2019-03-19 2019-06-11 广东省农业科学院农业生物基因研究中心 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
CN109919239A (zh) * 2019-03-15 2019-06-21 尹显东 一种基于深度学习的农作物病虫害智能检测方法
CN109962975A (zh) * 2019-02-15 2019-07-02 深圳绿米联创科技有限公司 基于物体识别的信息推送方法、装置、电子设备及系统
US20190200535A1 (en) * 2017-12-28 2019-07-04 X Development Llc Capture of ground truthed labels of plant traits method and system
CN110298831A (zh) * 2019-06-25 2019-10-01 暨南大学 一种基于分块深度学习的医学图像处理系统及其方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574852A (zh) * 2015-12-07 2016-05-11 中国科学院合肥物质科学研究院 一种基于图像识别的植株株高检测方法及系统
US20190200535A1 (en) * 2017-12-28 2019-07-04 X Development Llc Capture of ground truthed labels of plant traits method and system
CN109711325A (zh) * 2018-12-25 2019-05-03 华南农业大学 一种芒果采摘点识别方法
CN109962975A (zh) * 2019-02-15 2019-07-02 深圳绿米联创科技有限公司 基于物体识别的信息推送方法、装置、电子设备及系统
CN109919239A (zh) * 2019-03-15 2019-06-21 尹显东 一种基于深度学习的农作物病虫害智能检测方法
CN109871833A (zh) * 2019-03-19 2019-06-11 广东省农业科学院农业生物基因研究中心 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
CN110298831A (zh) * 2019-06-25 2019-10-01 暨南大学 一种基于分块深度学习的医学图像处理系统及其方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
杨露菁等: "基于深度学习的图像语义分割技术", vol. 1, 中国铁道出版社, pages: 38 - 100 *
毋立芳等: "深度目标检测与图像分类相结合的棉花发育期自动识别方法", 《中国科技论文》, no. 20, 31 October 2018 (2018-10-31), pages 2309 - 2316 *
王嫣然等: "面向复杂环境的图像语义分割方法综述", 《计算机科学》 *
王嫣然等: "面向复杂环境的图像语义分割方法综述", 《计算机科学》, no. 09, 30 September 2019 (2019-09-30), pages 36 - 46 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095851A (zh) * 2021-04-02 2021-07-09 浙江玖重科技有限公司 烟草信息采集方法、装置、系统及可读存储介质
CN116468657A (zh) * 2023-02-17 2023-07-21 七海行(深圳)科技有限公司 植株长势的检测方法、设备、装置及计算机存储介质
CN117689823A (zh) * 2024-02-02 2024-03-12 之江实验室 基于拼接技术的植株三维模型生成方法和装置
CN117689823B (zh) * 2024-02-02 2024-05-14 之江实验室 基于拼接技术的植株三维模型生成方法和装置

Similar Documents

Publication Publication Date Title
CN109934197B (zh) 人脸识别模型的训练方法、装置和计算机可读存储介质
CN111046730A (zh) 植株数据处理方法、装置、计算机设备和存储介质
WO2021248859A1 (zh) 视频分类方法、装置、设备及计算机可读存储介质
CN111507319A (zh) 一种基于深度融合卷积网络模型的农作物病害识别方法
CN111080654B (zh) 图像的病变区域分割方法、装置及服务器
CN111951167B (zh) 超分辨率图像重建方法、装置、计算机设备和存储介质
CN110796162A (zh) 图像识别、训练识别模型的方法、相关设备及存储介质
CN112183295A (zh) 行人重识别方法、装置、计算机设备及存储介质
CN111047508B (zh) 图像处理方法、装置、计算机设备和存储介质
CN110909663A (zh) 一种人体关键点识别方法、装置及电子设备
CN111681165A (zh) 图像处理方法、装置、计算机设备和计算机可读存储介质
CN112598110B (zh) 神经网络构建方法、装置、设备及介质
CN113111835A (zh) 卫星遥感图像语义分割方法、装置、电子设备和存储介质
CN114913094A (zh) 图像修复方法、装置、计算机设备、存储介质和程序产品
CN114445651A (zh) 一种语义分割模型的训练集构建方法、装置及电子设备
CN109886287B (zh) 杀虫剂确定方法、装置、计算机设备及存储介质
CN112215893B (zh) 目标二维中心坐标点确定方法、装置、设备及测距系统
CN111612732B (zh) 图像质量评估方法、装置、计算机设备及存储介质
CN107368847A (zh) 一种作物叶部病害识别方法及系统
CN111414823A (zh) 人体特征点的检测方法、装置、电子设备以及存储介质
CN116386803A (zh) 一种基于图的细胞病理报告生成方法
CN115439842A (zh) 一种基于深度学习的桑葚菌核病严重度的检测方法
CN110796184B (zh) 图像分类方法、装置、电子设备及存储介质
CN114937030A (zh) 一种用于智慧农业种植生菜的表型参数计算方法
CN115082966A (zh) 行人重识别模型训练方法、行人重识别方法、装置和设备

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Jingdong Technology Information Technology Co.,Ltd.

Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant before: Jingdong Shuke Haiyi Information Technology Co.,Ltd.

Address after: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Daxing District, Beijing, 100176

Applicant after: Jingdong Shuke Haiyi Information Technology Co.,Ltd.

Address before: 601, 6 / F, building 2, No. 18, Kechuang 11th Street, Beijing Economic and Technological Development Zone, Beijing 100176

Applicant before: BEIJING HAIYI TONGZHAN INFORMATION TECHNOLOGY Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200421