CN111325240A - 与杂草相关的计算机可执行的方法和计算机系统 - Google Patents

与杂草相关的计算机可执行的方法和计算机系统 Download PDF

Info

Publication number
CN111325240A
CN111325240A CN202010076015.1A CN202010076015A CN111325240A CN 111325240 A CN111325240 A CN 111325240A CN 202010076015 A CN202010076015 A CN 202010076015A CN 111325240 A CN111325240 A CN 111325240A
Authority
CN
China
Prior art keywords
weed
weeds
plant
computer
classification
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
CN202010076015.1A
Other languages
English (en)
Inventor
徐青松
李青
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.)
Hangzhou Glority Software Ltd
Original Assignee
Hangzhou Glority Software 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 Hangzhou Glority Software Ltd filed Critical Hangzhou Glority Software Ltd
Priority to CN202010076015.1A priority Critical patent/CN111325240A/zh
Publication of CN111325240A publication Critical patent/CN111325240A/zh
Priority to US17/790,131 priority patent/US20230044040A1/en
Priority to PCT/CN2020/134072 priority patent/WO2021147528A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Abstract

本公开涉及与杂草相关的计算机可执行的方法，包括：接收影像；识别所述影像中的一个或多个植物以得到所述植物的分类和/或名称，以及确定所述植物是否为杂草；以及响应于确定至少一个植物为杂草，输出表示所述至少一个植物为杂草的信息。本公开还涉及与杂草相关的计算机系统。

Description

与杂草相关的计算机可执行的方法和计算机系统
技术领域
本公开涉及计算机技术领域，尤其涉及与杂草相关的计算机可执行的方法和计算机系统。
背景技术
计算机技术领域中，存在多种对目标进行检测和识别的应用，例如用于识别植物的应用。这些应用通常接收来自用户的包含待识别植物的至少一部分的影像(包括静态图像、动态图像、以及视频等)，基于预先训练的植物分类识别模型来识别影像中的植物的分类和/或名称。本文所称的“分类”，是指植物学分类，可以包括门、纲、目、科、属、种等。本文所称的“名称”可以包括植物的常用名、别名、俗名(非正式的名称)、学名等。
在一些情况下，用户想要识别的目标植物的附近会生长有杂草。在一些情况下，用户想要对杂草进行识别。杂草包括普通杂草、入侵杂草和有害杂草。入侵杂草是非本土原产的外域物种，当成功入侵后，其长势难以控制，常会压制或排挤本地物种，形成单优势种群，危及本土物种的生态。有害杂草主要指可能对人或动物造成伤害的杂草，包括例如有毒杂草、致敏杂草、有刺杂草等。通常可将入侵杂草和有害杂草统称为恶性杂草。将恶性杂草之外的杂草可称为普通杂草。
发明内容
本公开的一个目的是提供与杂草相关的计算机可执行的方法和计算机系统。
根据本公开的第一方面，提供了一种与杂草相关的计算机可执行的方法，包括：接收影像；识别所述影像中的一个或多个植物以得到所述植物的分类和/或名称，以及确定所述植物是否为杂草；以及响应于确定至少一个植物为杂草，输出表示所述至少一个植物为杂草的信息。
根据本公开的第二方面，提供了一种与杂草相关的计算机可执行的方法，包括：接收影像；基于预先训练的神经网络模型，识别所述影像中的杂草的分类和/或名称，并确定所述杂草是否为恶性杂草，其中所述神经网络模型是基于预先建立的杂草样本库训练的；以及响应于确定所述杂草为恶性杂草，输出警告信息。
根据本公开的第三方面，提供了一种与杂草相关的计算机可执行的方法，包括：接收影像；基于预先训练的神经网络模型，识别所述影像中的杂草的分类和/或名称，其中所述神经网络模型是基于预先建立的杂草样本库训练的；以及输出所述杂草的分类和/或名称、以及以下各项中的至少一项：当前生长阶段、危害、避免危害的方法、防治措施、以及推荐的防治时间。
根据本公开的第四方面，提供了一种与杂草相关的计算机系统，包括：一个或多个处理器；以及一个或多个存储器，所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，其中，当所述一系列计算机可执行的指令被所述一个或多个处理器执行时，使得所述一个或多个处理器进行如上所述的方法。
根据本公开的第五方面，提供了一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列计算机可执行的指令被一个或多个计算装置执行时，使得所述一个或多个计算装置进行如上所述的方法。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1是示意性地示出根据本公开的实施例的与杂草相关的计算机可执行的方法的至少一部分的流程图。
图2是示意性地示出根据本公开的实施例的与杂草相关的计算机可执行的方法的至少一部分的流程图。
图3是示意性地示出根据本公开的实施例的与杂草相关的计算机可执行的方法的至少一部分的流程图。
图4是示意性地示出根据本公开的实施例的方法输出信息的示意图。
图5是示意性地示出根据本公开的实施例的方法输出信息的示意图。
图6是示意性地示出根据本公开的实施例的方法输出信息的示意图。
图7是示意性地示出根据本公开的实施例的与杂草相关的计算机系统的至少一部分的结构图。
图8是示意性地示出根据本公开的实施例的与杂草相关的计算机系统的至少一部分的结构图。
注意，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在本说明书中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
具体实施方式
以下将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。在下面描述中，为了更好地解释本公开，阐述了许多细节，然而可以理解的是，在没有这些细节的情况下也可以实践本公开。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
参照图1，为根据本公开实施例的与杂草相关的计算机可执行的方法100的流程图。执行方法100的计算机应用可以是向用户提供植物识别功能的应用。该应用在识别到杂草时，可以提示用户存在杂草。在一些实施例中，该应用在识别到杂草之后，还可以对相关公众和/或杂草防治单位/个人提供信息。方法100所包括的步骤S11～S13描述如下。
步骤S11：接收影像。用户可以将包括待识别植物的影像输入到应用，以由应用来识别植物的分类和/或名称。影像可以包括一个或多个植物，应用可以对影像中的一个或多个植物进行识别。呈现在影像中的每个植物可以包括植物的全部也可以仅包括植物的一部分。例如影像可以包括待识别植物的根、茎、叶、花、果实、以及种子等各项的至少一部分中的任意一项或多项的组合。该影像可以是用户先前存储的、实时拍摄的、或者从网络上下载的。影像可以包括任何形式的视觉呈现，例如静态图像、动态图像、以及视频等。
步骤S12：识别影像中的一个或多个植物以得到植物的分类和/或名称，以及确定植物是否为杂草。该步骤中的识别可以包括任何已知的基于影像进行植物识别的方法。例如，可以通过计算装置和预先训练的(或称为“已训练的”)分类识别模型，识别出植物的分类和/或名称。在一个实施例中，在使用分类识别模型进行识别之前，可以对影像进行目标检测，然后使用分类识别模型对检测出的一个或多个目标分别进行识别。例如可以用注意力模型检测出影像中各个植物的区域，然后针对各区域分别进行识别。本领域技术人员应理解，若接收的影像中不包括植物，则可以不进行识别或向用户识别失败，也可以识别出一种与接收的影像(或影像中的目标)最接近的植物。
可以基于神经网络(例如深度卷积神经网络(CNN)或深度残差网络(Resnet)等)来建立已训练的分类识别模型，以用于识别植物的分类和/或名称。已训练的分类识别模型的建立过程描述如下。为每个植物分类获取一定数量的标注有该植物的分类和/或名称的影像样本，为每个植物分类准备的影像样本的数量可以相等也可以不等。将经过标注的影像样本划分为用于训练分类识别模型的训练样本集和用于对训练结果进行测试的测试样本集。通常训练样本集内的样本的数量会明显大于测试样本集内的样本的数量。本领域技术人员应理解，训练和测试样本集内的样本的数量可以根据需要来调整。利用训练样本集对神经网络进行训练，并利用测试样本集对经过训练的神经网络的输出准确率进行测试。若输出准确率不满足要求，则增加训练样本集中的影像样本的数量，并利用更新的训练样本集重新对神经网络进行训练，直到经过训练的神经网络的输出准确率满足要求为止。若输出准确率满足要求，则训练结束。如此，输出准确率满足要求的经过训练的神经网络可以用作步骤S12中的识别影像中的一个或多个植物，以得到该一个或多个植物的分类和/或名称。
识别植物以得到植物的分类和/或名称之后，还根据植物的分类和/或名称确定植物是否为杂草。在一个实施例中，得到植物的分类包括得到植物的种。相应地，判断该植物的种是否被预先记录为杂草，若是，则将该植物确定为杂草。否则，可以判断该植物的种的较上层级的分类“属”所下辖的其他种中是否有被预先记录为杂草的种，若有，则输出信息以提示用户输入包括该植物的附加的影像，以便进一步判断该植物确定为杂草。输出的信息例如可以是“请靠近该植物拍摄”或“请换个角度再拍摄一张以便更准确地识别”等。在一个实施例中，可以输出信息以提示用户输入包括该植物的特征部位的附加的影像，以使得应用能够获取更多的该特征部分的形态特征。不同分类的植物的特征部位可能不同。例如，对于同属的第一种植物和第二种植物，其差别可能在于花的细节形态特征，而其他部位的差别可能不大。这种情况下，特征部位可以包括花。可以输出信息以提示用户输入包括该植物的花(甚至花的细节)的形态特征的附加的影像。可以根据用户输入的附加的影像(或者根据用户输入的附加的影像和步骤11中接收的影像)来重新识别该植物的分类和/或名称，从而确定该植物是否为杂草。以上以一个具体的实施例描述了如何确定植物是否为杂草。本领域技术人员应理解，识别植物得到的植物分类可以不是“种”这个层级，例如可以是比种更下层级的亚种，也可以是比种更上层级的属。
可以预先自行建立数据库、数据表或数据文件来记录那些已经被认定为杂草的植物。也可以预先从外部源(例如政府公开的数据)来获取记录杂草的数据库、数据表或数据文件。对于普通杂草和有害杂草，这些数据在相当长的时间里可能是相对固定的，对于不同的地理区域来说也可能是相同的。而对于入侵杂草，这些数据通常需要及时更新，并且对于不同的地理区域来说通常是不同的。因此，无论是自行建立还是从外部源获取，都需要及时更新这些记录杂草的数据。
步骤S13：若影响中的一个或多个植物中，至少一个植物被确定为杂草，则输出表示该至少一个植物为杂草的信息。图4所示的画面400可以为执行方法100的应用的输出的一个示例。在该示例中，应用不仅输出表示该至少一个植物为杂草的信息，还输出该至少一个植物的分类和/或名称。在前述步骤中，应用接收用户输入的影像并对其中的植物进行识别，分别识别出位于影像前景和背景中的植物的分类和/或名称，并输出识别出的分类和/或名称。例如，在画面400上用文字401来输出识别出的位于前景的植物的分类和/或名称“xx花”，用文字402来输出识别出的位于背景的植物的分类和/或名称“xx草”。此外，在步骤S12中还确定出位于背景的植物为杂草，因此在画面400上用文字403来向用户提示该至少一个植物为杂草。图5所示的画面500可以为执行方法100的应用的输出的又一个示例。在该示例中，应用仅输出表示该至少一个植物为杂草的信息，而没有输出该至少一个植物的分类和/或名称。在画面500上用文字501来输出待识别植物的分类和/或名称“xx花”，而用文字503来向用户提示位于待识别植物附近的至少一个植物为杂草。在一个实施例中，如果应用识别到的植物没有除杂草之外的植物，则可以直接以图6所示的画面600的形式、而不是画面400或500的形式，来输出表示识别到的植物为杂草的信息。
在一个实施例中，可以针对恶性杂草输出表示杂草为恶性杂草的信息，以避免用户受到伤害。响应于确定至少一个植物为杂草，确定杂草是否为恶性杂草；以及响应于确定杂草为恶性杂草，输出表示杂草为恶性杂草的信息。恶性杂草可以包括有毒杂草、有刺杂草、致敏杂草、以及入侵杂草。前述记录杂草的数据库、数据表或数据文件中的数据，不但可以记录某个植物分类是否为杂草，还可以记录该杂草的性质，例如是否为有毒杂草、有刺杂草、致敏杂草、或入侵杂草等。通过查询这些记录杂草的数据，可以确定杂草是否为恶性杂草。输出表示杂草为恶性杂草的信息的一个示例可以参照图4，在画面400上用文字404来提示用户该杂草为有毒杂草，甚至可以像该示例一样警告用户不要靠近。
在一些实施例中，应用可以响应于用户的操作，基于预先建立的杂草特征数据库再次识别杂草，以得到杂草的修正后的分类或更细分的分类，并输出再次识别的结果(包括修正后的分类或更细分的分类、和/或这种分类所对应的名称)。以图4所示的示例来说明，用户的操作可以是操作画面400中显示杂草的部分，也可以是操作文字402至404的区域等。操作可以包括单击、双击、触摸、拉伸放大、和滑动等。
在一些实施例中，预先建立的杂草特征数据库包括各个杂草的各种特征，例如生长习性/环境特征、整体形态特征、细节形态特征。每个杂草的每种特征均可以包括该杂草在各个不同的生长阶段的特征，例如外部细节形态特征可以包括幼苗期和成熟期的外部细节形态特征。可以针对每个杂草的根、茎、叶、花、果实、种子等不同部位分别建立各自特征数据。各个特征的形式可以是能够体现该特征的图片(或者图片和文字)。此外，杂草特征数据库可以重点描述类似杂草的区别特征。例如，杂草1和杂草2的生长习性/环境和整体形态均相似，只是二者果实的细节形态有细微区别。在这种情况下，可以杂草特征数据库重点描述杂草1和杂草2的果实的细节形态特征。重点描述一个特征的方式可以是使用比其他特征更多的图片(或者图片和文字)来描述该特征。在一个实施例中，再次识别杂草可以是将杂草特征数据库中与在步骤S12中识别到的杂草的分类、其下层级的分类、以及其亲缘分类相匹配的特征提取出来，与影像中的杂草的特征进行特征比对和/或特征匹配，从而再次识别杂草，以得到杂草的修正后的分类或更细分的分类、和/或这种分类所对应的名称。在一个实施例中，再次识别可以基于神经网络模型，该神经网络模型是基于预先建立的杂草特征数据库来预先训练的，数据库中的体现各特征的图片即为该预先训练的样本。由于该神经网络模型是基于特别针对杂草的数据库(在该实施例中也是样本库)训练的，因此其对于杂草的识别的准确度和精细度可以高于步骤S12中的识别所使用的神经网络模型，因此可以得到杂草的修正后的分类或更细分的分类、和/或这种分类所对应的名称。
再次识别之后，可以输出再次识别的结果。此外，可以从杂草特征数据库中提取与该分类匹配的图片和/或文字形式的特征，也作为再次识别的结果的一部分输出给用户。图6所示的画面600可以为响应于用户的操作进行再次识别并输出再次识别结果的一个示例。画面600中可以包括杂草的常见形态601、常用名602、再次识别出的分类603、别名604、学名605、以及可供用户选择的选项606(包括“详情”、“防治”和“图集”)。在图示的情况下，选项“详情”被选择，选项606下方可以显示对杂草的危害的警告607和对其危害的描述608。下方还显示有可供用户操作的区域609，响应于用户对其的操作，可以显示关于该杂草的更多信息。此外，例如若选项“防治”被选择，可以显示对该杂草的防治措施。例如在选项“图集”被选择，可以显示该杂草的多个图片，其中至少一部分可以来源于杂草特征数据库中与该杂草的分类相匹配的特征。
在一个实施例中，应用可以不等待用户的操作，而是只要识别到杂草，就基于预先建立的杂草特征数据库再次识别杂草，以得到杂草的修正后的分类或更细分的分类，并输出再次识别的结果。在一个实施例中，应用可以不等待用户的操作，而是只要识别到杂草，就显示输出杂草信息的画面，例如画面600。在这个实施例中，输出杂草信息之前，应用可以已经进行再次识别，例如画面600中输出的是再次识别的结果；也可以不进行再次识别，例如画面600中输出的是步骤S12中的识别的结果，待用户操作区域609之后再进行再次识别和结果输出。
在一个实施例中，在确定出至少一个植物为杂草之后，还识别该植物的存在场所。若识别出的存在场所为私人场所，输出杂草的分类、和/或名称、危害和防治措施。例如在图5所示的示例中，识别出杂草的存在场所为花盆，可以将其判断为私人场所。在私人场所，通常防治杂草的工作由个人来完成，因此，应用可以将杂草的危害和防止措施输出给用户，给用户以警示和指导。若识别出的存在场所为公共场所，输出与杂草防治有关的政府部门、企事业单位和/或个人的联系方式。例如在图4所示的示例中，识别出杂草的存在场所可以为森林公园、住宅小区的花园、或路边的绿化带等，可以将其判断为公共场所。在公共场所，通常防治杂草的工作由职责相关的单位/个人进行，因此，应用可以将与该公共场所的杂草防治有关的政府部门、企事业单位和/或个人的联系方式输出给用户，用户可以通过联系方式向相关单位/个人报告某个地理位置/地理区域出现杂草，或寻求指导/帮助。上述识别杂草的存在场所，可以通过影像识别杂草周围的环境，例如是否存在花盘、居家/办公用品、路沿、围栏、大石块等，来判断场所为私人或公共。也可以将识别到的周围环境，结合拍摄影像的地理位置，例如在住宅小区内、在道路旁、在某公园里等，来判断场所为私人或公共。
输出给用户的杂草的危害可以包括对人、动物、植物、和/或环境的危害。对人的危害的例子包括：某种杂草能产生大量的花粉，可能会导致严重的花粉过敏，最坏情况下会引发哮喘。对动物的危害的例子包括：某种杂草的茎叶含有有毒物质，若大量摄取，不论是鲜草还是干草，马都出现呼吸困难、肺充血、瞳孔扩张、流涎、出汗等症状，甚至死亡。对植物的危害的例子包括：某种杂草常入侵农田、菜园、花园、草坪以及空地，影响其他植物的幼苗生长，并导致作物减产；某种杂草会与其他物种争夺阳光、水分和营养，影响其他植物的正常生长和本地生物多样性，导致农作物减产，其中玉米和大豆因其产生的损失可高达理想产量的50％。对环境的危害的例子包括：某种杂草是一种世界性的常见杂草，他的繁殖能力强，单株植物可产生240,000粒种子，且种子生存能力超过40年，难以根除；某种杂草能够高度适应不同的环境，繁殖能力强，每株植物每年约能生产70,000-100,000粒种子，随风广泛传播到各地，而且这些种子具有30-40年的生命力；某种杂草生长迅速，会压制本土植物生长，破坏原有生态环境。
在一个实施例中，响应于确定至少一个植物为杂草，应用向与杂草防治有关的政府部门、企事业单位和/或个人输出杂草的信息，从而应用可以自行向与杂草防治有关的单位/个人报告有杂草出现。在一个实施例中，即使步骤S12中识别得到的植物的分类(例如种)未被预先记录为杂草，可以进一步判断该分类的较上层级的分类(例如属)所下辖的其他分类(例如其他的种)是否被预先记录为杂草。若有其他分类(例如其他的种)被预先记录为杂草，则向与杂草防治有关的政府部门、企事业单位和/或个人输出信息以告知出现杂草的近亲。
在一些实施例中，应用可以仅针对恶性杂草向相关公众、或与杂草防治有关的单位/个人报告。在一个实施例中，响应于确定杂草为恶性杂草，向地理位置相关的公众输出杂草的分类和出现的地理位置。同时还可以输出杂草的以下各项中的至少一项：常见形态、与当前生长阶段匹配的形态、危害、以及避免危害的方法。地理位置相关的公众可以是位于杂草出现的地理位置附近的公众、与杂草出现的行政区划相关的公众、常去/去过/想去杂草出现的地理位置的公众(例如可以基于个人的行程数据来得到)。杂草出现的地理位置可以根据影像被拍摄的地理位置(例如可以从影像的元数据中获取)来确定。向公众输出上述信息的手段可以包括拨打语音电话、发送手机短信、电子邮件、社交网络上的消息等。告知公众的杂草出现的地理位置，可以是绝对的地理位置(例如经纬度)、相对的地理位置(例如“本市东南”)、和/或地点名称(例如“xx公园”、“xx河的xx段”)。
在一些实施例中，响应于确定杂草为恶性杂草，向与杂草防治有关的政府部门、企事业单位和/或个人输出杂草的分类、出现的地理位置和防治措施。这些与杂草防治有关的单位/个人可以参考这些信息做出应对，例如实施防治措施，或对杂草附近的居民给出指导。例如，若杂草被识别为田旋花，则可以输出的防治措施可以包括：1.在种子期时，用地膜覆盖来抑制杂草种子的萌发；2.幼苗期，可使用除草剂有效去除；3.种植竞争性植物，尤其是南瓜，甜瓜等带有多刺藤蔓的植物，减少他的生长空间；4.通过勤耕田地(适用于农场)或者频繁修剪(适用于草地)来抑制杂草生长；5.用沸水烫死杂草。
在一个实施例中，向有关的单位/个人还可以输出杂草的当前生长阶段，其中，防治措施为与当前生长阶段匹配的防治措施。防治措施可以是最佳去除措施，还可以输出最佳去除措施的推荐实施时间和/或实施紧急度。例如，识别出的田旋花的生长阶段为幼苗期，则输出的防治措施可以包括：可使用除草剂有效去除。此外，由于幼苗期存在时间较短，可以输出推荐实施时间为20天内、和/或实施紧急度为高。
向与杂草防治有关的单位/个人输出上述信息的手段可以包括拨打语音电话、发送手机短信、电子邮件、社交网络上的消息等。告知与杂草防治有关的单位/个人的杂草出现的地点可以是较为精确的地理位置，以便于准确定位。
在一些实施例中，为了减少那些不够准确的信息对相关公众、或与杂草防治有关的单位/个人的信息骚扰，可以在报告之前对杂草进行再次识别，以提高准确性。响应于确定杂草为恶性杂草，基于预先建立的杂草特征数据库再次识别杂草，以得到杂草的修正后的分类或更细分的分类。根据再次识别的结果，向与杂草防治有关的政府部门、企事业单位和/或个人输出杂草的信息。或者，根据再次识别的结果确定杂草是否为恶性杂草，若是，则向地理位置相关的公众输出杂草的信息。其中，再次识别的方法、杂草特征数据库的建立方法、向相关公众、或与杂草防治有关的单位/个人输出信息的方法均可以如前文所述。
参照图2，为根据本公开实施例的与杂草相关的计算机可执行的方法200的流程图。执行方法200的计算机应用可以是向用户提供恶性杂草识别和警告功能的应用。该应用在识别到恶性杂草时，可以输出警告信息。在一些实施例中，该应用在识别到恶性杂草之后，还可以对相关公众和/或杂草防治单位/个人提供信息。在方法200中，应用可以预先定义恶性杂草的范围。例如，如果应用仅针对于入侵杂草，可以预先定义恶性杂草仅包括入侵杂草；如果应用仅针对对人的伤害较严重的杂草，可以预先定义恶性杂草包括有毒杂草和致敏杂草。方法200包括步骤S21～S23，其中步骤S21与步骤S11类似，步骤S22～S23描述如下。
步骤S22：基于预先训练的神经网络模型，识别影像中的杂草的分类和/或名称，并确定杂草是否为恶性杂草，其中神经网络模型是基于预先建立的杂草样本库训练的。杂草样本库中包括各种杂草的影像样本，每个影像样本可以包括呈现所针对的杂草的至少一部分的影像、以及标注的该杂草的对应信息。例如影像可以包括待识别杂草的根、茎、叶、花、果实、以及种子等各项的至少一部分中的任意一项或多项的组合。在杂草样本库中，对杂草的每个分类的均需要收集一定数量的影像样本。收集的样本数量越多，识别的结果可能越准确。
除了上述对杂草的不同部分(根、茎、叶、花、果实、种子)分别收集一定数量的样本之外，影像样本可以考虑到各种不同的环境条件。例如，为杂草的每个分类获取的影像样本可以包括不同观察角度、不同光照条件、不同的生长阶段、不同季节(因为同一分类的杂草在不同季节的形态可能是不同的)、不同天气(因为同一分类的杂草在下雪天和晴天的形态可能是不同的)、一天内的不同时间(因为同一分类的杂草在每天的早晨和夜晚的形态可能是不同的)、不同生长环境(因为同一分类的杂草生长在室内和室外的形态可能是不同的)、不同地理位置(因为同一分类的杂草生长在某一山脉的南侧与北侧的形态可能是不同的)的影像。为每个影像样本所标注的对应信息除了上述杂草的分类、杂草的部分之外，还可以包括在该影像样本中杂草的观察角度、光照条件、生长阶段、季节、天气、一天内的时间、生长环境、地理位置等信息。
可以使用任何已知的方法来基于杂草样本库训练步骤S22中使用的神经网络模型。例如，可以如在前文步骤S12中所描述的那样训练。步骤S22中基于神经网络模型识别杂草的方法可以参考步骤S12中的描述。通过查询前文描述的记录杂草的数据库、数据表或数据文件中的数据，可以确定杂草是否为恶性杂草。
步骤S23：响应于确定杂草为恶性杂草，输出警告信息。在一些实施例中，输出警告信息可以包括对当前使用该应用的用户输出的警告信息。例如，输出信息以提示用户不要靠近杂草、输出信息以告知用户杂草的危害、和/或输出信息以告知用户杂草为恶性杂草。例如，图4中的文字404、图6中的对危害的警告607和对危害的描述608，都可以是输出警告信息的示例。在一些实施例中，输出警告信息可以包括向地理位置相关的公众输出杂草的分类和/或名称、出现的地理位置、形态、以及危害等信息。在一些实施例中，输出警告信息可以包括向与杂草防治有关的政府部门、企事业单位和/或个人输出杂草的分类和/或名称、以及出现的地理位置，还可以输出杂草的当前生长阶段、防治措施、和/或推荐的防治时间等信息。
参照图3，为根据本公开实施例的与杂草相关的计算机可执行的方法300的流程图。执行方法300的计算机应用可以是面向杂草防治单位/个人的应用，其功能包括输出针对杂草的专业指导信息。方法300包括：步骤S31：接收影像；步骤S32：基于预先训练的神经网络模型，识别影像中的杂草的分类和/或名称，其中神经网络模型是基于预先建立的杂草样本库训练的；以及步骤S33：输出杂草的分类和/或名称、以及以下各项防治信息中的至少一项：当前生长阶段、危害、避免危害的方法、防治措施、以及推荐的防治时间。
图7是示意性地示出根据本公开的实施例的与杂草相关的计算机系统700的至少一部分的结构图。本领域技术人员可以理解，系统700只是一个示例，不应将其视为限制本公开的范围或本文所描述的特征。在该示例中，系统700可以包括一个或多个存储装置710、一个或多个电子设备720、以及一个或多个计算装置730，其可以通过网络或总线740互相通信连接。一个或多个存储装置710为一个或多个电子设备720、以及一个或多个计算装置730提供存储服务。虽然一个或多个存储装置710在系统700中以独立于一个或多个电子设备720、以及一个或多个计算装置730之外的单独的框示出，应当理解，一个或多个存储装置710可以实际存储在系统700所包括的其他实体720、730中的任何一个上。一个或多个电子设备720以及一个或多个计算装置730中的每一个可以位于网络或总线740的不同节点处，并且能够直接地或间接地与网络或总线740的其他节点通信。本领域技术人员可以理解，系统700还可以包括图7未示出的其他装置，其中每个不同的装置均位于网络或总线740的不同节点处。
一个或多个存储装置710可以被配置为存储上文所述的任何数据，包括但不限于：影像及其元数据、神经网络模型、各样本集/样本库、记录杂草的数据库/数据表/数据文件、杂草特征数据库、应用的程序文件等数据。一个或多个计算装置730可以被配置为执行上述方法100、200、300中的一个或多个，和/或一个或多个方法100、200、300中的一个或多个步骤。一个或多个电子设备720可以被配置为为用户提供服务，其可以显示如上所述的画面400、500、600。一个或多个电子设备720还可以被配置为执行方法100、200、300中的一个或多个步骤。
网络或总线740可以是任何有线或无线的网络，也可以包括线缆。网络或总线740可以是互联网、万维网、特定内联网、广域网或局域网的一部分。网络或总线740可以利用诸如以太网、WiFi和HTTP等标准通信协议、对于一个或多个公司来说是专有的协议、以及前述协议的各种组合。网络或总线740还可以包括但不限于工业标准体系结构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线、和外围部件互连(PCI)总线。
一个或多个电子设备720和一个或多个计算装置730中的每一个可以被配置为与图8所示的系统800类似，即具有一个或多个处理器810、一个或多个存储器820、以及指令和数据。一个或多个电子设备720和一个或多个计算装置730中的每一个可以是意在由用户使用的个人计算装置或者由企业使用的商业计算机装置，并且具有通常与个人计算装置或商业计算机装置结合使用的所有组件，诸如中央处理单元(CPU)、存储数据和指令的存储器(例如，RAM和内部硬盘驱动器)、诸如显示器(例如，具有屏幕的监视器、触摸屏、投影仪、电视或可操作来显示信息的其他装置)、鼠标、键盘、触摸屏、麦克风、扬声器、和/或网络接口装置等的一个或多个I/O设备。
一个或多个电子设备720还可以包括用于捕获静态图像或记录视频流的一个或多个相机、以及用于将这些元件彼此连接的所有组件。虽然一个或多个电子设备720可以各自包括全尺寸的个人计算装置，但是它们可能可选地包括能够通过诸如互联网等网络与服务器无线地交换数据的移动计算装置。举例来说，一个或多个电子设备720可以是移动电话，或者是诸如带无线支持的PDA、平板PC或能够经由互联网获得信息的上网本等装置。在另一个示例中，一个或多个电子设备720可以是可穿戴式计算系统。
图8是示意性地示出根据本公开的一个实施例的与杂草相关的计算机系统800的至少一部分的结构图。系统800包括一个或多个处理器810、一个或多个存储器820、以及通常存在于计算机等装置中的其他组件(未示出)。一个或多个存储器820中的每一个可以存储可由一个或多个处理器810访问的内容，包括可以由一个或多个处理器810执行的指令821、以及可以由一个或多个处理器810来检索、操纵或存储的数据822。
指令821可以是将由一个或多个处理器810直接地执行的任何指令集，诸如机器代码，或者间接地执行的任何指令集，诸如脚本。本文中的术语“指令”、“应用”、“过程”、“步骤”和“程序”在本文中可以互换使用。指令821可以存储为目标代码格式以便由一个或多个处理器810直接处理，或者存储为任何其他计算机语言，包括按需解释或提前编译的独立源代码模块的脚本或集合。指令821可以包括引起诸如一个或多个处理器810来充当本文中的各神经网络的指令。本文其他部分更加详细地解释了指令821的功能、方法和例程。
一个或多个存储器820可以是能够存储可由一个或多个处理器810访问的内容的任何临时性或非临时性计算机可读存储介质，诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD、USB存储器、能写存储器和只读存储器等。一个或多个存储器820中的一个或多个可以包括分布式存储系统，其中指令821和/或数据822可以存储在可以物理地位于相同或不同的地理位置处的多个不同的存储装置上。一个或多个存储器820中的一个或多个可以经由网络连接至一个或多个第一装置810，和/或可以直接地连接至或并入一个或多个处理器810中的任何一个中。
一个或多个处理器810可以根据指令821来检索、存储或修改数据822。存储在一个或多个存储器820中的数据822可以包括上文所述的一个或多个存储装置710中存储的各项中一项或多项的至少部分。举例来说，虽然本文所描述的主题不受任何特定数据结构限制，但是数据822还可能存储在计算机寄存器(未示出)中，作为具有许多不同的字段和记录的表格或XML文档存储在关系型数据库中。数据822可以被格式化为任何计算装置可读格式，诸如但不限于二进制值、ASCII或统一代码。此外，数据822可以包括足以识别相关信息的任何信息，诸如编号、描述性文本、专有代码、指针、对存储在诸如其他网络位置处等其他存储器中的数据的引用或者被函数用于计算相关数据的信息。
一个或多个处理器810可以是任何常规处理器，诸如市场上可购得的中央处理单元(CPU)、图形处理单元(GPU)等。可替换地，一个或多个处理器810还可以是专用组件，诸如专用集成电路(ASIC)或其他基于硬件的处理器。虽然不是必需的，但是一个或多个处理器810可以包括专门的硬件组件来更快或更有效地执行特定的计算过程，诸如对影像进行图像处理等。
虽然图8中示意性地将一个或多个处理器810以及一个或多个存储器820示出在同一个框内，但是系统800可以实际上包括可能存在于同一个物理壳体内或不同的多个物理壳体内的多个处理器或存储器。例如，一个或多个存储器820中的一个可以是位于与与上文所述的一个或多个计算装置(未示出)中的每一个的壳体不同的壳体中的硬盘驱动器或其他存储介质。因此，引用处理器、计算机、计算装置或存储器应被理解成包括引用可能并行操作或可能非并行操作的处理器、计算机、计算装置或存储器的集合。
在说明书及权利要求中的词语“A或B”包括“A和B”以及“A或B”，而不是排他地仅包括“A”或者仅包括“B”，除非另有特别说明。
在本公开中，对“一个实施例”、“一些实施例”的提及意味着结合该实施例描述的特征、结构或特性包含在本公开的至少一个实施例、至少一些实施例中。因此，短语“在一个实施例中”、“在一些实施例中”在本公开的各处的出现未必是指同一个或同一些实施例。此外，在一个或多个实施例中，可以任何合适的组合和/或子组合来组合特征、结构或特性。
如在此所使用的，词语“示例性的”意指“用作示例、实例或说明”，而不是作为将被精确复制的“模型”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且，本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。
另外，仅仅为了参考的目的，还可以在下面描述中使用某种术语，并且因而并非意图限定。例如，除非上下文明确指出，否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。还应理解，“包括/包含”一词在本文中使用时，说明存在所指出的特征、整体、步骤、操作、单元和/或组件，但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。
在本公开中，术语“部件”和“系统”意图是涉及一个与计算机有关的实体，或者硬件、硬件和软件的组合、软件、或执行中的软件。例如，一个部件可以是，但是不局限于，在处理器上运行的进程、对象、可执行态、执行线程、和/或程序等。通过举例说明，在一个服务器上运行的应用程序和所述服务器两者都可以是一个部件。一个或多个部件可以存在于一个执行的进程和/或线程的内部，并且一个部件可以被定位于一台计算机上和/或被分布在两台或更多计算机之间。
本领域技术人员应当意识到，在上述操作之间的边界仅仅是说明性的。多个操作可以结合成单个操作，单个操作可以分布于附加的操作中，并且操作可以在时间上至少部分重叠地执行。而且，另选的实施例可以包括特定操作的多个实例，并且在其他各种实施例中可以改变操作顺序。但是，其它的修改、变化和替换同样是可能的。因此，本说明书和附图应当被看作是说明性的，而非限制性的。
另外，本公开的实施方式还可以包括以下示例：
1.一种与杂草相关的计算机可执行的方法，包括：
接收影像；
识别所述影像中的一个或多个植物以得到所述植物的分类和/或名称，以及确定所述植物是否为杂草；以及
响应于确定至少一个植物为杂草，输出表示所述至少一个植物为杂草的信息。
2.根据1所述的方法，其特征在于，还包括：
响应于确定至少一个植物为杂草，确定所述杂草是否为恶性杂草；以及
响应于确定所述杂草为恶性杂草，输出表示所述杂草为恶性杂草的信息。
3.根据2所述的方法，其特征在于，所述恶性杂草包括有毒杂草、有刺杂草、致敏杂草、以及入侵杂草。
4.根据2所述的方法，其特征在于，还包括：响应于确定所述杂草为恶性杂草，向地理位置相关的公众输出所述杂草的分类和/或名称、以及出现的地理位置。
5.根据4所述的方法，其特征在于，还输出所述杂草的以下各项中的至少一项：常见形态、与当前生长阶段匹配的形态、危害、以及避免危害的方法。
6.根据2所述的方法，其特征在于，还包括：响应于确定所述杂草为恶性杂草，向与杂草防治有关的政府部门、企事业单位和/或个人输出所述杂草的分类和/或名称、出现的地理位置、以及防治措施。
7.根据6所述的方法，其特征在于，还输出所述杂草的当前生长阶段，其中，所述防治措施为与当前生长阶段匹配的防治措施。
8.根据6所述的方法，其特征在于，所述防治措施包括最佳去除措施，其中，还输出所述最佳去除措施的推荐实施时间和/或实施紧急度。
9.根据2所述的方法，其特征在于，还包括：
响应于确定所述杂草为恶性杂草，基于预先建立的杂草特征数据库再次识别所述杂草，以得到所述杂草的修正后的分类或更细分的分类；以及
根据所述再次识别的结果，向与杂草防治有关的政府部门、企事业单位和/或个人输出所述杂草的信息。
10.根据9所述的方法，其特征在于，还包括：
根据所述再次识别的结果确定所述杂草是否为恶性杂草；以及
响应于确定所述杂草为恶性杂草，向地理位置相关的公众输出所述杂草的信息。
11.根据1所述的方法，其特征在于，得到所述植物的分类包括得到所述植物的种，确定所述植物是否为杂草包括：
响应于所述植物的种被预先记录为杂草，确定所述植物为杂草；或
响应于所述植物的种未被预先记录为杂草、但所述种的较上层级的分类所下辖的其他分类被预先记录为杂草，输出信息以提示用户输入包括所述植物的附加的影像，并基于所述附加的影像、或基于所述影像和所述附加的影像来确定所述植物是否为杂草。
12.根据1所述的方法，其特征在于，还包括：
响应于所述植物的分类未被预先记录为杂草、但所述分类的较上层级的分类所下辖的其他分类被预先记录为杂草，向与杂草防治有关的政府部门、企事业单位和/或个人输出信息以告知出现杂草的近亲。
13.根据1所述的方法，其特征在于，还包括：
响应于用户操作，基于预先建立的杂草特征数据库再次识别所述杂草，以得到所述杂草的修正后的分类或更细分的分类；以及
输出所述再次识别的结果。
14.根据1所述的方法，其特征在于，还包括：
响应于确定至少一个植物为杂草，识别所述至少一个植物的存在场所；
响应于识别出所述存在场所为私人场所，输出所述杂草的分类和/或名称、危害、以及防治措施；以及
响应于识别出所述存在场所为公共场所，输出与杂草防治有关的政府部门、企事业单位和/或个人的联系方式。
15.根据1所述的方法，其特征在于，还包括：响应于确定至少一个植物为杂草，向与杂草防治有关的政府部门、企事业单位和/或个人输出所述杂草的信息。
16.根据6所述的方法，其特征在于，所述杂草出现的地理位置根据所述影像被拍摄的地理位置来确定。
17.根据1所述的方法，其特征在于，所述识别基于预先训练的神经网络模型。
18.根据17所述的方法，其特征在于，还包括：
在所述识别之前，根据对所述影像进行目标检测；以及
对检测出的一个或多个目标分别进行所述识别。
19.根据9所述的方法，其特征在于，所述再次识别基于神经网络模型，所述神经网络模型是基于预先建立的杂草特征数据库预先训练的。
20.一种与杂草相关的计算机可执行的方法，包括：
接收影像；
基于预先训练的神经网络模型，识别所述影像中的杂草的分类和/或名称，并确定所述杂草是否为恶性杂草，其中所述神经网络模型是基于预先建立的杂草样本库训练的；以及
响应于确定所述杂草为恶性杂草，输出警告信息。
21.根据20所述的方法，其特征在于，所述输出警告信息包括：
输出信息以提示用户不要靠近所述杂草；
输出信息以告知用户所述杂草的危害；和/或
输出信息以告知用户所述杂草为恶性杂草。
22.根据20所述的方法，其特征在于，所述输出警告信息包括：向地理位置相关的公众输出所述杂草的分类和/或名称、出现的地理位置、形态、以及危害。
23.根据20所述的方法，其特征在于，所述输出警告信息包括：向与杂草防治有关的政府部门、企事业单位和/或个人输出所述杂草的分类和/或名称、以及出现的地理位置。
24.根据23所述的方法，其特征在于，所述输出警告信息还包括：向与杂草防治有关的政府部门、企事业单位和/或个人输出所述杂草的当前生长阶段、防治措施、和/或推荐的防治时间。
25.一种与杂草相关的计算机可执行的方法，包括：
接收影像；
基于预先训练的神经网络模型，识别所述影像中的杂草的分类和/或名称，其中所述神经网络模型是基于预先建立的杂草样本库训练的；以及
输出所述杂草的分类和/或名称、以及以下各项中的至少一项：当前生长阶段、危害、避免危害的方法、防治措施、以及推荐的防治时间。
26.一种与杂草相关的计算机系统，包括：
一个或多个处理器；以及
一个或多个存储器，所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，
其中，当所述一系列计算机可执行的指令被所述一个或多个处理器执行时，使得所述一个或多个处理器进行如1-25中任一项所述的方法。
27.一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列计算机可执行的指令被一个或多个计算装置执行时，使得所述一个或多个计算装置进行如1-25中任一项所述的方法。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。在此公开的各实施例可以任意组合，而不脱离本公开的精神和范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本公开的范围和精神。本公开的范围由所附权利要求来限定。

Claims (10)

1.一种与杂草相关的计算机可执行的方法，包括：
接收影像；
识别所述影像中的一个或多个植物以得到所述植物的分类和/或名称，以及确定所述植物是否为杂草；以及
响应于确定至少一个植物为杂草，输出表示所述至少一个植物为杂草的信息。
2.根据权利要求1所述的方法，其特征在于，还包括：
响应于确定至少一个植物为杂草，确定所述杂草是否为恶性杂草；以及
响应于确定所述杂草为恶性杂草，输出表示所述杂草为恶性杂草的信息。
3.根据权利要求2所述的方法，其特征在于，所述恶性杂草包括有毒杂草、有刺杂草、致敏杂草、以及入侵杂草。
4.根据权利要求2所述的方法，其特征在于，还包括：响应于确定所述杂草为恶性杂草，向地理位置相关的公众输出所述杂草的分类和/或名称、以及出现的地理位置。
5.根据权利要求4所述的方法，其特征在于，还输出所述杂草的以下各项中的至少一项：常见形态、与当前生长阶段匹配的形态、危害、以及避免危害的方法。
6.根据权利要求2所述的方法，其特征在于，还包括：响应于确定所述杂草为恶性杂草，向与杂草防治有关的政府部门、企事业单位和/或个人输出所述杂草的分类和/或名称、出现的地理位置、以及防治措施。
7.一种与杂草相关的计算机可执行的方法，包括：
接收影像；
基于预先训练的神经网络模型，识别所述影像中的杂草的分类和/或名称，并确定所述杂草是否为恶性杂草，其中所述神经网络模型是基于预先建立的杂草样本库训练的；以及
响应于确定所述杂草为恶性杂草，输出警告信息。
8.一种与杂草相关的计算机可执行的方法，包括：
接收影像；
基于预先训练的神经网络模型，识别所述影像中的杂草的分类和/或名称，其中所述神经网络模型是基于预先建立的杂草样本库训练的；以及
输出所述杂草的分类和/或名称、以及以下各项中的至少一项：当前生长阶段、危害、避免危害的方法、防治措施、以及推荐的防治时间。
9.一种与杂草相关的计算机系统，包括：
一个或多个处理器；以及
一个或多个存储器，所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，
其中，当所述一系列计算机可执行的指令被所述一个或多个处理器执行时，使得所述一个或多个处理器进行如权利要求1-8中任一项所述的方法。
10.一种非临时性计算机可读存储介质，其特征在于，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列计算机可执行的指令被一个或多个计算装置执行时，使得所述一个或多个计算装置进行如权利要求1-8中任一项所述的方法。
CN202010076015.1A 2020-01-23 2020-01-23 与杂草相关的计算机可执行的方法和计算机系统 Pending CN111325240A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010076015.1A CN111325240A (zh) 2020-01-23 2020-01-23 与杂草相关的计算机可执行的方法和计算机系统
US17/790,131 US20230044040A1 (en) 2020-01-23 2020-12-04 Computer-executable method relating to weeds and computer system
PCT/CN2020/134072 WO2021147528A1 (zh) 2020-01-23 2020-12-04 与杂草相关的计算机可执行的方法和计算机系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010076015.1A CN111325240A (zh) 2020-01-23 2020-01-23 与杂草相关的计算机可执行的方法和计算机系统

Publications (1)

Publication Number Publication Date
CN111325240A true CN111325240A (zh) 2020-06-23

Family

ID=71167056

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010076015.1A Pending CN111325240A (zh) 2020-01-23 2020-01-23 与杂草相关的计算机可执行的方法和计算机系统

Country Status (3)

Country Link
US (1) US20230044040A1 (zh)
CN (1) CN111325240A (zh)
WO (1) WO2021147528A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112270297A (zh) * 2020-11-13 2021-01-26 杭州睿琪软件有限公司 用于显示识别结果的方法和计算机系统
WO2021147528A1 (zh) * 2020-01-23 2021-07-29 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
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
CN113793405A (zh) * 2021-09-15 2021-12-14 杭州睿胜软件有限公司 用于呈现植物的分布的方法、计算机系统和存储介质
CN114707585A (zh) * 2022-03-22 2022-07-05 杭州睿胜软件有限公司 过敏物种播报方法、系统及可读存储介质
WO2024027476A1 (zh) * 2022-08-03 2024-02-08 杭州睿胜软件有限公司 用于植物图像的识别处理方法、系统和存储介质

Citations (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5606821A (en) * 1994-07-25 1997-03-04 Loral Corporation Smart weed recognition/classification system
JP2013059296A (ja) * 2011-09-14 2013-04-04 Chugoku Electric Power Co Inc:The 農地管理方法、及び農地管理システム
CN103996055A (zh) * 2014-06-13 2014-08-20 上海珉智信息科技有限公司 基于影像档案电子资料识别系统中分类器的识别方法
CN105426458A (zh) * 2015-11-13 2016-03-23 盐城工学院 一种杂草识别与防控信息咨询系统及杂草信息查询方法
CN106203333A (zh) * 2016-07-08 2016-12-07 乐视控股（北京）有限公司 人脸识别方法及系统
WO2017178666A1 (es) * 2016-04-12 2017-10-19 Diego Hernan Perez Roca Conjunto autónomo de dispositivos y método para la detección e identificación de especies vegetales en un cultivo agrícola para la aplicación de agroquímicos en forma selectiva
EP3279831A1 (en) * 2016-08-03 2018-02-07 Bayer CropScience AG Recognition of weed in a natural environment using a digital image
CN108009518A (zh) * 2017-12-19 2018-05-08 大连理工大学 一种基于快速二分卷积神经网络的层次化交通标识识别方法
CN108304796A (zh) * 2018-01-29 2018-07-20 深圳春沐源控股有限公司 一种智能杂草警示方法及系统
US20180330166A1 (en) * 2017-05-09 2018-11-15 Blue River Technology Inc. Automated plant detection using image data
CN109416735A (zh) * 2016-05-12 2019-03-01 巴斯夫欧洲公司 自然环境中杂草的识别
CN109478232A (zh) * 2016-05-12 2019-03-15 巴斯夫欧洲公司 自然环境中的杂草的识别
US20190104722A1 (en) * 2016-04-15 2019-04-11 The Regents Of The University Of California Robotic plant care systems and methods
WO2019083336A1 (ko) * 2017-10-27 2019-05-02 전북대학교산학협력단 신경회로망 학습에 의한 작물과 잡초 식별 방법 및 장치
WO2019094266A1 (en) * 2017-11-07 2019-05-16 University Of Florida Research Foundation Detection and management of target vegetation using machine vision
CN109886112A (zh) * 2019-01-16 2019-06-14 创新奇智(合肥)科技有限公司 一种基于图像的物体识别方法、商品自助收银系统及电子设备
CN109961024A (zh) * 2019-03-08 2019-07-02 武汉大学 基于深度学习的小麦田间杂草检测方法
CN110210355A (zh) * 2019-05-24 2019-09-06 华南农业大学 稻田杂草种类识别方法及系统、目标位置检测方法及系统
CN110378303A (zh) * 2019-07-25 2019-10-25 杭州睿琪软件有限公司 用于对象识别的方法及系统
CN110490086A (zh) * 2019-07-25 2019-11-22 杭州睿琪软件有限公司 一种用于对象识别结果二次确认的方法及系统
US20190362146A1 (en) * 2018-05-24 2019-11-28 Blue River Technology Inc. Semantic Segmentation to Identify and Treat Plants in a Field and Verify the Plant Treatments
CN114341948A (zh) * 2019-09-05 2022-04-12 巴斯夫欧洲公司 用于植物物种识别的系统和方法
CN114818909A (zh) * 2022-04-22 2022-07-29 北大荒信息有限公司 一种基于作物长势特征的杂草检测方法和装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100437629C (zh) * 2005-10-08 2008-11-26 中国农业机械化科学研究院 一种自动识别田间杂草的方法
CN110555416B (zh) * 2019-09-06 2021-09-03 杭州睿琪软件有限公司 一种植物识别方法及装置
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

Patent Citations (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5606821A (en) * 1994-07-25 1997-03-04 Loral Corporation Smart weed recognition/classification system
JP2013059296A (ja) * 2011-09-14 2013-04-04 Chugoku Electric Power Co Inc:The 農地管理方法、及び農地管理システム
CN103996055A (zh) * 2014-06-13 2014-08-20 上海珉智信息科技有限公司 基于影像档案电子资料识别系统中分类器的识别方法
CN105426458A (zh) * 2015-11-13 2016-03-23 盐城工学院 一种杂草识别与防控信息咨询系统及杂草信息查询方法
WO2017178666A1 (es) * 2016-04-12 2017-10-19 Diego Hernan Perez Roca Conjunto autónomo de dispositivos y método para la detección e identificación de especies vegetales en un cultivo agrícola para la aplicación de agroquímicos en forma selectiva
US20190104722A1 (en) * 2016-04-15 2019-04-11 The Regents Of The University Of California Robotic plant care systems and methods
CN109416735A (zh) * 2016-05-12 2019-03-01 巴斯夫欧洲公司 自然环境中杂草的识别
CN109478232A (zh) * 2016-05-12 2019-03-15 巴斯夫欧洲公司 自然环境中的杂草的识别
CN106203333A (zh) * 2016-07-08 2016-12-07 乐视控股（北京）有限公司 人脸识别方法及系统
EP3279831A1 (en) * 2016-08-03 2018-02-07 Bayer CropScience AG Recognition of weed in a natural environment using a digital image
US20180330166A1 (en) * 2017-05-09 2018-11-15 Blue River Technology Inc. Automated plant detection using image data
CN111163628A (zh) * 2017-05-09 2020-05-15 蓝河技术有限公司 使用图像数据的自动植物检测
WO2019083336A1 (ko) * 2017-10-27 2019-05-02 전북대학교산학협력단 신경회로망 학습에 의한 작물과 잡초 식별 방법 및 장치
WO2019094266A1 (en) * 2017-11-07 2019-05-16 University Of Florida Research Foundation Detection and management of target vegetation using machine vision
CN108009518A (zh) * 2017-12-19 2018-05-08 大连理工大学 一种基于快速二分卷积神经网络的层次化交通标识识别方法
CN108304796A (zh) * 2018-01-29 2018-07-20 深圳春沐源控股有限公司 一种智能杂草警示方法及系统
US20190362146A1 (en) * 2018-05-24 2019-11-28 Blue River Technology Inc. Semantic Segmentation to Identify and Treat Plants in a Field and Verify the Plant Treatments
CN109886112A (zh) * 2019-01-16 2019-06-14 创新奇智(合肥)科技有限公司 一种基于图像的物体识别方法、商品自助收银系统及电子设备
CN109961024A (zh) * 2019-03-08 2019-07-02 武汉大学 基于深度学习的小麦田间杂草检测方法
CN110210355A (zh) * 2019-05-24 2019-09-06 华南农业大学 稻田杂草种类识别方法及系统、目标位置检测方法及系统
CN110490086A (zh) * 2019-07-25 2019-11-22 杭州睿琪软件有限公司 一种用于对象识别结果二次确认的方法及系统
CN110378303A (zh) * 2019-07-25 2019-10-25 杭州睿琪软件有限公司 用于对象识别的方法及系统
CN114341948A (zh) * 2019-09-05 2022-04-12 巴斯夫欧洲公司 用于植物物种识别的系统和方法
CN114818909A (zh) * 2022-04-22 2022-07-29 北大荒信息有限公司 一种基于作物长势特征的杂草检测方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CIRO POTENA ET AL.: "《fast and accurate crop and weed inentification with summarized train sets for precision agriculture》", 《INTELLIGENT AUTONOMOUS SYSTEMS》 *
岳国良 等: "《一种基于可见光巡检图像的杂草智能识别方法 岳》", 《中国电力》, vol. 52, no. 11 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021147528A1 (zh) * 2020-01-23 2021-07-29 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
CN112270297A (zh) * 2020-11-13 2021-01-26 杭州睿琪软件有限公司 用于显示识别结果的方法和计算机系统
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
WO2022262586A1 (zh) * 2021-06-15 2022-12-22 杭州睿胜软件有限公司 用于植物识别的方法、计算机系统以及计算机可读存储介质
CN113793405A (zh) * 2021-09-15 2021-12-14 杭州睿胜软件有限公司 用于呈现植物的分布的方法、计算机系统和存储介质
CN114707585A (zh) * 2022-03-22 2022-07-05 杭州睿胜软件有限公司 过敏物种播报方法、系统及可读存储介质
WO2023179317A1 (zh) * 2022-03-22 2023-09-28 杭州睿胜软件有限公司 过敏物种播报方法、系统及可读存储介质
WO2024027476A1 (zh) * 2022-08-03 2024-02-08 杭州睿胜软件有限公司 用于植物图像的识别处理方法、系统和存储介质

Also Published As

Publication number Publication date
US20230044040A1 (en) 2023-02-09
WO2021147528A1 (zh) 2021-07-29

Similar Documents

Publication Publication Date Title
CN111325240A (zh) 与杂草相关的计算机可执行的方法和计算机系统
JP7060119B2 (ja) 情報処理装置、及び、情報処理方法、情報処理システム、並びにプログラム
Chhogyel et al. Perception of farmers on climate change and its impacts on agriculture across various altitudinal zones of Bhutan Himalayas
Sharpe et al. Goosegrass detection in strawberry and tomato using a convolutional neural network
JP6760069B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
Chang‐Yang et al. ENSO and frost codetermine decade‐long temporal variation in flower and seed production in a subtropical rain forest
JP6760068B2 (ja) 情報処理装置、情報処理方法、及び、プログラム
CN111767802A (zh) 一种对象异常状态的检测方法和装置
Montti et al. The role of bioclimatic features, landscape configuration and historical land use in the invasion of an Asian tree in subtropical Argentina
WO2022262586A1 (zh) 用于植物识别的方法、计算机系统以及计算机可读存储介质
Fantaye et al. Land use land cover change analysis using geospatial tools in case of Asayita District, zone one, Afar Region, Ethiopia
Zhuang et al. Drought stress impact on the performance of deep convolutional neural networks for weed detection in Bahiagrass
Montes et al. Variable climate suitability for wheat blast (Magnaporthe oryzae pathotype Triticum) in Asia: results from a continental-scale modeling approach
Scorer et al. Do abandoned farmlands promote spread of invasive alien plants? Change detection analysis of black wattle in montane grasslands of the Eastern Cape
Combalicer et al. Changes in the forest landscape of Mt. Makiling forest reserve, Philippines
WO2023179317A1 (zh) 过敏物种播报方法、系统及可读存储介质
Tessema et al. Assessment of the severity and incidence of Faba bean ascochyta blight (Ascochyta fabae S.) disease in Northwestern Ethiopia
Peerbhay et al. Can remote sensing detect, monitor and track baboon-damaged Pinus plantations located in South Africa?
WO2016039175A1 (ja) 情報処理装置、情報処理方法、及び、プログラム
Serban et al. Combining Image Retrieval, Metadata Processing and Naive Bayes Classification at Plant Identification 2013.
Maheshwary et al. Mobile detection of crop diseases for agricultural yield management
CN106790418B (zh) 一种反馈方法和装置
Effendi et al. Knowledge Level of Agricultural Extension Agent and Farmers’ to Response the Climate Change in Pringsewu Distric, Lampung Province, Indonesia
Kim et al. Image analysis as a potential tool for marker-assisted selection
Prashant et al. Application of geospatial technology for high-resolution mapping and monitoring of crop patterns in support of crop insurance for the rain-fed regions of India

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