CN111950773A - 一种茶叶产量预测系统及方法 - Google Patents
一种茶叶产量预测系统及方法 Download PDFInfo
- Publication number
- CN111950773A CN111950773A CN202010711376.9A CN202010711376A CN111950773A CN 111950773 A CN111950773 A CN 111950773A CN 202010711376 A CN202010711376 A CN 202010711376A CN 111950773 A CN111950773 A CN 111950773A
- Authority
- CN
- China
- Prior art keywords
- tea
- bud
- target
- garden
- yield
- 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
- 241001122767 Theaceae Species 0.000 title claims abstract description 239
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 19
- 239000000178 monomer Substances 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 abstract description 8
- 230000006378 damage Effects 0.000 abstract description 3
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000012010 growth Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000001066 destructive effect Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 235000009024 Ceanothus sanguineus Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000003553 Leptospermum scoparium Species 0.000 description 1
- 235000015459 Lycium barbarum Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000028446 budding cell bud growth Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
Abstract
本发明提供一种茶叶产量预测系统及方法,该系统包括:图像拼接模块用于获取目标茶园的正射镶嵌图;茶芽分类识别模块用于将目标茶园的正射镶嵌图输入到茶叶识别模型中,获取目标茶园中不同等级的茶芽,茶芽识别模型是基于不同等级的茶芽样本和茶芽样本的预设标签进行训练得到;产量计算模块用于根据每一等级对应的茶芽数目和每一等级对应的茶芽单体质量,获取目标茶园中的茶芽总产量。本系统采用与茶叶非接触无破坏的方式,无需将茶芽采摘下来就能进行茶芽量的统计,通过机器学习的方式进行茶芽的识别与统计,实现无损监测,实时性高,数据精度也较高。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种茶叶产量预测系统及方法。
背景技术
中国是世界上茶叶生产和出口大国,茶叶品种多,种植面积大。茶芽的采摘量一直是茶农们关心的问题,也是影响市场收益的一个重要因素。传统对茶芽量的统计一般分为两种方式,一种是依靠人工经验进行采摘,然后再称重来实现产量的统计,这样做存在多方面的不足。
现有的统计产量的方法是根据气候环境因子再结合历年数据的经验模型进行大体估测,这样分析的结果首先是受模型精度影响较大,由于模型精度受到除气候环境数据的精度及数据量的影响外,而且还受到类似土壤、病虫害等多种环境因子的影响,其估测的精度难以保证,对于分类产量统计更是无法完成,导致最终对实际生产的指导作用有限。
因此,亟需一种茶叶产量预测系统。
发明内容
本发明实施例提供一种茶叶产量预测系统及方法,用以解决现有技术中茶叶产量预测不准的缺陷,以提高茶叶产量预测精度。
本发明实施例提供一种茶叶产量预测系统,包括:
图像拼接模块,用于获取目标茶园的正射镶嵌图;
茶芽分类识别模块,用于将所述目标茶园的正射镶嵌图输入到茶叶识别模型中,获取所述目标茶园中不同等级的茶芽,所述茶芽识别模型是基于不同等级的茶芽样本和茶芽样本的预设标签进行训练得到;
产量计算模块,用于根据每一等级对应的茶芽数目和每一等级对应的茶芽单体质量,获取所述目标茶园中的茶芽总产量。
根据本发明一个实施例的茶叶产量预测系统,还包括图像采集模块,其中,所述图像采集模块用于采集所述目标茶园的若干局部图像,以使得所述图像拼接模块对局部图像进行拼接,得到所述目标茶园的正射镶嵌图。
根据本发明一个实施例的茶叶产量预测系统,所述图像采集模块包括无人机和相机单元,其中,所述相机单元安装在所述无人机上,所述无人机用于按照预设路线进行飞行,所述相机单元用于拍摄获取所述目标茶园的局部图像。
根据本发明一个实施例的茶叶产量预测系统,所述图像采集模块还包括定位单元,所述定位单元安装在所述无人机上,所述定位模块用于在所述相机单元拍摄时获取所述无人机的实时坐标。
根据本发明一个实施例的茶叶产量预测系统,所述预设路线为U和倒U字形结合形成。
根据本发明一个实施例的茶叶产量预测系统,所述相机单元为数码相机。
根据本发明一个实施例的茶叶产量预测系统,所述茶叶识别模型为Fastern Rcnn卷积神经网络。
本发明实施例还提供一种茶叶产量预测方法,包括:
获取目标茶园的正射镶嵌图;
将所述目标茶园的正射镶嵌图输入到茶叶识别模型中,获取所述目标茶园中不同等级的茶芽,所述茶芽识别模型是基于不同等级的茶芽样本和茶芽样本的预设标签进行训练得到;
根据每一等级对应的茶芽数目和每一等级对应的茶芽单体质量,获取所述目标茶园中的茶芽总产量。
本发明实施例提供的一种茶叶产量预测系统及方法,该系统采用与茶叶非接触无破坏的方式,无需将茶芽采摘下来就能进行茶芽量的统计,通过机器学习的方式进行茶芽的识别与统计,该方法的优点是实现无损监测,而且实时性高,数据精度也较高,能为茶园管理者在茶芽采摘前提供茶芽的总产量及不同大小的茶芽产量,为茶园管理者快速掌握茶园茶芽的生长情况,做好科学管理决策提供有力的数据支撑。
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一简单地介绍,显而易见地,下面描述中的附图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为本发明实施例提供的一种茶叶产量预测系统的结构示意图;
图2为本发明又一实施例提供的一种茶叶产量预测系统的结构示意图;
图3为本发明实施例中无人机的巡航路线示意图;
图4为本发明实施例中茶芽的识别流程图;
图5为本发明实施例提供的一种茶叶产量预测方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明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发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有另一种茶芽采摘方法为人工采摘方法,该方法在采摘前无法感知茶园茶芽量,从而造成采摘人员安排不足或者浪费,采摘人员安排不足影响采摘进度,采摘人员安排过多会增加浪费,增加了生产成本;其次,由于茶芽的生长速度不均一,不同生长时间内其产量变化也较大,对于何时是最合适的采摘时间没有一个科学数据的支撑,完全靠经验来完成,而将茶芽进行分类(主要根据大小分类),然后再分别统计产量,最后获得最大产量时间点对于确定采摘时间具有很高的参考价值,例如,采摘时间太靠前,容易导致过采(把一些还没完全达到生长成熟的小叶也给采了),不但影响茶芽的整体品质,而且还影响到后期茶芽的生长,采摘时间太靠后,生长较旺的芽由于过了最佳采摘期,导致嫩度不够,同样也影响茶芽的总体品质。
因此,本发明实施例提供一种茶叶产量预测系统,在采摘之前通过无人机获取茶园冠层的实时高清数码照片(即正射镶嵌图),然后利用机器学习的手段进行茶芽的分类提取,最后得到分类产量及总产量结果,对于指导何时进行采摘来实现产量最大化而且不影响后期茶芽生长具有重要的意义,该方法填补了国内外在快速分类估测茶芽产量方面的空白。
图1为本发明实施例提供的一种茶叶产量预测系统的结构示意图,如图1所示,该系统包括:图像拼接模块101、茶芽分类识别模块102和产量计算模块103,其中:
图像拼接模块101用于获取目标茶园的正射镶嵌图;
首先获取目标茶园的正射镶嵌图,该正射镶嵌图是指位于目标茶园上方、垂直拍摄得到的目标茶园图像。该正射镶嵌图是高清数码照片,能够很清晰的显示到每个茶芽,一般而言,该正射镶嵌图是由多幅图像拼接合成的。
茶芽分类识别模块102用于将所述目标茶园的正射镶嵌图输入到茶叶识别模型中,获取所述目标茶园中不同等级的茶芽,所述茶芽识别模型是基于不同等级的茶芽样本和茶芽样本的预设标签进行训练得到;
茶芽分类识别模块获取图像拼接模块的正射镶嵌图,并将该正射镶嵌图输入到茶叶识别模型中,得到目标茶园中不同等级的茶芽,具体地,本发明实施例中,根据茶芽的大小,将茶芽区分为不同的等级,通过茶叶识别模型,将目标镶嵌图中每个茶芽的等级都提取出来,这样就可以得到每个等级的茶芽数目。
本发明实施例中的茶叶分类识别模型是以不同等级的茶芽图像为样本、每个茶芽图像的预设标签进行训练得到,茶芽的预设标签是通过人工标记得到的。
另外地,本发明实施例中,每个不同类别的茶芽样本至少包含100片以上。
产量计算模块103用于根据每一等级对应的茶芽数目和每一等级对应的茶芽单体质量,获取所述目标茶园中的茶芽总产量。
产量计算模块根据每个等级对应的茶芽数目和每个等级对应的茶芽单体质量,茶芽单体质量是指该等级中每个茶芽的平均质量,对于任意一个等级的茶芽,将该等级的茶芽数目乘以该等级的茶芽单体质量,就可以得到该等级的茶芽产量,将所有等级的茶芽产量相加,得到该目标茶园的茶芽总产量。
由于统计的是鲜叶质量,因此本发明实施例中采集的样本需要快速称重并进行平均单片叶片质量换算。
针对现有的非采摘条件下的茶叶产量估测系统大多是通过分析气候因子然后结合历年数据分析的经验模型来进行的,由于估测模型的精度限制,因此估测误差较大,不确定性也较高。本发明通过图像识别的方法,解决了气候因子和经验模型对识别精度的影响,从而提高了茶叶产量的估算精度。
针对现有的通过人工采摘再统计产量的模式,虽然这种模式的精度较高,但一方面对于茶园不同大小茶芽的产量分布没有提前感知,从而也无法找到产量最大化的时间点,另一方面由于对茶园总茶芽量的信息感知不及时,导致在安排劳动力方面难以做到精准投放。本发明实施例可以提前感知不同大小茶芽的产量,从而能合理的安排茶叶采摘时间,并且合理的安排劳动力。
本发明实施例提供一种茶叶产量预测系统,该系统采用与茶叶非接触无破坏的方式,无需将茶芽采摘下来就能进行茶芽量的统计,通过机器学习的方式进行茶芽的识别与统计,该方法的优点是实现无损监测,而且实时性高,数据精度也较高,能为茶园管理者在茶芽采摘前提供茶芽的总产量及不同大小的茶芽产量,为茶园管理者快速掌握茶园茶芽的生长情况,做好科学管理决策提供有力的数据支撑。
在上述实施例的基础上,优选地,图2为本发明又一实施例提供的一种茶叶产量预测系统的结构示意图,如图2所示,该系统还包括图像采集模块104,其中,所述图像采集模块用于采集所述目标茶园的若干局部图像,以使得所述图像拼接模块对局部图像进行拼接,得到所述目标茶园的正射镶嵌图。
具体地,该系统还包括图像采集模块104,其中,图像采集模块采集目标茶园的多个局部图像,因为目标茶园一般比较大,在正常拍摄时很难通过一张图像将目标茶园的全景图全部覆盖,因此,通过该目标茶园的多张局部图像进行拼接,从而得到该目标茶园的正射镶嵌图。
在上述实施例的基础上,优选地,所述图像采集模块包括无人机和相机单元,其中,所述相机单元安装在所述无人机上,所述无人机用于按照预设路线进行飞行,所述相机单元用于拍摄获取所述目标茶园的局部图像。
具体地,该图像采集模块由无人机和相机单元两部分组成,相机单元安装在无人机上,无人机按照预设路线进行飞行,无人机在飞行过程中需要满足一定的条件:首先,图3为本发明实施例中无人机的巡航路线示意图,如图3所示,无人机能保持距离茶树冠层稳定高度巡航,其巡航路线应该按照U形和倒U形组成的回形路线巡航;其次,能同时控制相机单元同步工作,相机单元获取的局部图像分辨率必须保证在2mm以内;再次,要实现目标茶园的全覆盖统计需要无人机全茶园覆盖巡航,且相机单元拍摄的纵向两张照片(照片a和图片b)的重叠度应该在80%以上,旁向照片(即照片a和图片c)之间的重叠度在60%以上,如图3所示,最后,由于是通过图像来进行茶芽的分类识别,因此在选择数据获取时间点时,选择茶芽垂直重叠较少的时期,能显著提高识别的精度。
在上述实施例的基础上,优选地,所述图像采集模块还包括定位单元,所述定位单元安装在所述无人机上,所述定位模块用于在所述相机单元拍摄时获取所述无人机的实时坐标。
具体地,定位单元是在图像系统触发拍照的时候同步记录无人机当时的坐标信息,其水平方向的定位精度应该在5cm以内,垂直定位精度在1m以内,这样做的目的是为了能够更好的获取高质量的局部图片,保证后期数据分析的精度。
在上述实施例的基础上,优选地,所述预设路线为U和倒U字形结合形成。
具体地,该无人机按照U形和倒U形组成的回字形路线进行巡航,以保证局部图像的纵向重合度大于80%,横向重合度大于60%。以使得图像拼接系统将采集到的单张图片信息进行拼接,获得一张完整的目标茶园覆盖的正射镶嵌图,特别的,图像拼接过程要选择原始分辨率进行拼接,得到分辨率精度在2mm以内的图像。
在上述实施例的基础上,优选地,所述相机单元为数码相机。
具体地,该相机单元为高清数码相机,一方面便于人工进行茶芽样本的分类,生成训练集;另一方面,数码相机成本也较低,便于推广应用。
在上述实施例的基础上,优选地,所述茶叶识别模型为Fastern Rcnn卷积神经网络。
茶芽识别模型为利用大数据进行机器学习,通过机器自动进行茶芽的识别,图4为本发明实施例中茶芽的识别流程图,如图4所示,本发明实施例最终采用预训模型为Vgg16模型,最后对茶园正射镶嵌图使用的是FasternRcnn卷积神经网络进行不同等级的茶芽分类识别与提取,机器学习过程需要大数据样本量进行训练,因此规定茶芽训练样本必须具备几个基本特征:
首先,选取的训练样本必须覆盖所有的不同生长特点的茶芽,其次,要保证精度,训练的样本量不能低于总样本量(包括训练样本和测试样本)的10%;最后,最关键的一点,要实现对不同生长大小的茶芽进行识别,需要在人工做标记形成训练集的过程中,不同类别的茶芽(不同大小)标记要具有鲜明的差异,否则将影响到机器分类识别和提取的精度,在此规定,不同类别的茶芽其大小差别应该在20%以上。
综上,本发明实施例由四部分组成,包括图像采集模块、图像拼接模块、茶芽分类识别模块及产量计算模块,每个模块都是实现完整功能的重要组成部分,也是当今应用都比较成熟的模块,但其四个的组合确实第一次在茶园应用中被提出,具有独创性。
然后在系统实现过程中,首先采用的是无人机加高清数码相机等非接触非破坏的数据采集模式,避免了对茶园的破坏;其次,采用能自主巡航的无人机作为相机单元的搭载平台,一方面能实现数据的自动获取,节省人力物力,另一方面无人机与相机系统的协同工作,既能获取符合重叠度要求的照片,同时也能保证数据的分辨率;再次,相机单元获取的高清数码照片作为数据分析对象,一方面便于人工进行样本的分类,生成训练集,另一方面,数码相机成本也较低,便于推广应用;最后,利用机器学习的方法能够实现机器自动识别的目的,同时大大提高了分析效率及精度;再然后,系统识别方法选择了针对茶叶来讲识别精度较高的Vgg16模型进行训练集的生成,然后使用Fastern Rcnn卷积神经网络来大大提高了不同类别茶芽的识别精度,为实现茶芽产量的高精度统计提供了有力支撑,同时也解决了单靠人力几乎不可能完成的事情,产量计算模块选择茶芽数量乘以茶芽单体质量的方法进行最终产量的统计,符合科学分析规律。
本发明实施例提供的一种茶叶产量预测系统应用不受地域及环境影响,应用范围广,同时由于其数据的实时性较强,因此能很快很高效反应茶园茶芽的产量情况,该系统的应用,为茶园管理者提供了更加丰富的管理决策信息支撑。
图5为本发明实施例提供的一种茶叶产量预测方法的流程图,如图5所示,该方法包括:
S1,获取目标茶园的正射镶嵌图;
S2,将所述目标茶园的正射镶嵌图输入到茶叶识别模型中,获取所述目标茶园中不同等级的茶芽,所述茶芽识别模型是基于不同等级的茶芽样本和茶芽样本的预设标签进行训练得到;
S3,根据每一等级对应的茶芽数目和每一等级对应的茶芽单体质量,获取所述目标茶园中的茶芽总产量。
本实施例为与上述系统相对应的方法实施例,详情请参考上述系统实施例,本方法实施例在此不再赘述。
本发明实施例提出的一种茶叶产量测算方法实现了茶芽产量的无接触无破坏测算,能够在茶芽采摘前通过图像采集子系统高效快速获取全茶园的茶芽生长高清数码图像,数据源时效性高,对于海量数据的分析提取采用机器学习的方法,人工只需少量茶芽标记工作,计算机就能实现自动根据训练数据集识别和提取整个茶园的茶芽数量,实现高效分析,最后通过平均茶芽重和茶芽数量来统计整个茶园的总产量,相比于传统通过分析对比气候因子结合经验模型预测产量的方法具有精度更高,实际参考价值更好的特点,而相比于采摘后再称重的模式,该系统具有能提前感知,能够为合理安排茶园生产管理提供可靠的数据支撑。更重要的一点是通过该方法能够实现茶芽的分类统计,根据不同生长大小的茶芽分类统计能更好的指导采摘期,保证最大的产量效益,而这也是传统方法不可能完成的任务,因此其应用效果是比较突出的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种茶叶产量预测系统,其特征在于,包括:
图像拼接模块,用于获取目标茶园的正射镶嵌图;
茶芽分类识别模块,用于将所述目标茶园的正射镶嵌图输入到茶叶识别模型中,获取所述目标茶园中不同等级的茶芽,所述茶芽识别模型是基于不同等级的茶芽样本和茶芽样本的预设标签进行训练得到;
产量计算模块,用于根据每一等级对应的茶芽数目和每一等级对应的茶芽单体质量,获取所述目标茶园中的茶芽总产量。
2.根据权利要求1所述的茶叶产量预测系统,其特征在于,还包括图像采集模块,其中,所述图像采集模块用于采集所述目标茶园的若干局部图像,以使得所述图像拼接模块对局部图像进行拼接,得到所述目标茶园的正射镶嵌图。
3.根据权利要求2所述的茶叶产量预测系统,其特征在于,所述图像采集模块包括无人机和相机单元,其中,所述相机单元安装在所述无人机上,所述无人机用于按照预设路线进行飞行,所述相机单元用于拍摄获取所述目标茶园的局部图像。
4.根据权利要求3所述的茶叶产量预测系统,其特征在于,所述图像采集模块还包括定位单元,所述定位单元安装在所述无人机上,所述定位模块用于在所述相机单元拍摄时获取所述无人机的实时坐标。
5.根据权利要求2所述的茶叶产量预测系统,其特征在于,所述预设路线为U和倒U字形结合形成。
6.根据权利要求3所述的茶叶产量预测系统,其特征在于,所述相机单元为数码相机。
7.根据权利要求1所述的茶叶产量预测系统,其特征在于,所述茶叶识别模型为Fastern Rcnn卷积神经网络。
8.一种茶叶产量预测方法,其特征在于,包括:
获取目标茶园的正射镶嵌图;
将所述目标茶园的正射镶嵌图输入到茶叶识别模型中,获取所述目标茶园中不同等级的茶芽,所述茶芽识别模型是基于不同等级的茶芽样本和茶芽样本的预设标签进行训练得到;
根据每一等级对应的茶芽数目和每一等级对应的茶芽单体质量,获取所述目标茶园中的茶芽总产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711376.9A CN111950773A (zh) | 2020-07-22 | 2020-07-22 | 一种茶叶产量预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010711376.9A CN111950773A (zh) | 2020-07-22 | 2020-07-22 | 一种茶叶产量预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950773A true CN111950773A (zh) | 2020-11-17 |
Family
ID=73341022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010711376.9A Pending CN111950773A (zh) | 2020-07-22 | 2020-07-22 | 一种茶叶产量预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950773A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049574A (zh) * | 2022-01-11 | 2022-02-15 | 易旺(北京)企业管理有限公司 | 茶叶成熟度检测方法、茶叶采摘方法及相关设备 |
CN114399108A (zh) * | 2022-01-13 | 2022-04-26 | 北京智进未来科技有限公司 | 一种基于多模态信息的茶园产量预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009116613A1 (ja) * | 2008-03-21 | 2009-09-24 | 株式会社 伊藤園 | 茶葉の摘採適性評価方法及び摘採適性評価装置、摘採適性評価システム並びにコンピュータ使用可能な媒体 |
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
US9984455B1 (en) * | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
CN110378305A (zh) * | 2019-07-24 | 2019-10-25 | 中南民族大学 | 茶叶病害识别方法、设备、存储介质及装置 |
-
2020
- 2020-07-22 CN CN202010711376.9A patent/CN111950773A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2009116613A1 (ja) * | 2008-03-21 | 2009-09-24 | 株式会社 伊藤園 | 茶葉の摘採適性評価方法及び摘採適性評価装置、摘採適性評価システム並びにコンピュータ使用可能な媒体 |
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
US9984455B1 (en) * | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
CN110378305A (zh) * | 2019-07-24 | 2019-10-25 | 中南民族大学 | 茶叶病害识别方法、设备、存储介质及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049574A (zh) * | 2022-01-11 | 2022-02-15 | 易旺(北京)企业管理有限公司 | 茶叶成熟度检测方法、茶叶采摘方法及相关设备 |
CN114399108A (zh) * | 2022-01-13 | 2022-04-26 | 北京智进未来科技有限公司 | 一种基于多模态信息的茶园产量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110967339B (zh) | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 | |
CN111950773A (zh) | 一种茶叶产量预测系统及方法 | |
CN106403904A (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及系统 | |
CN105868784A (zh) | 一种基于sae-svm的病虫害检测系统 | |
CN113657469A (zh) | 基于图像识别的木本植物物候期的自动观测方法和系统 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
CN110188609A (zh) | 一种杂草种子的检测方法 | |
CN112507768A (zh) | 目标物检测方法、装置和图像采集方法、装置 | |
CN116597332A (zh) | 一种基于无人机的茶树嫩芽检测方法及装置 | |
CN113325872A (zh) | 植物的巡查方法及装置、系统、飞行器 | |
CN117576195A (zh) | 一种植物叶片形态识别方法 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN113763196A (zh) | 一种基于改进YOLOv3的果园产量测定系统 | |
CN116309625A (zh) | 适用于智慧农业的数据处理方法 | |
CN114062366A (zh) | 烟草制丝生产风选剔梗质量在线检测方法及系统 | |
CN115294448A (zh) | 一种农作物育种小区苗数计数方法、装置及系统 | |
CN110517228A (zh) | 基于卷积神经网络与迁移学习的树干图像快速检测方法 | |
CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
CN117671529A (zh) | 一种基于无人机扫描测量的农田水位观测装置及观测方法 | |
CN117197574A (zh) | 一种海洋浮游植物的鉴定方法 | |
CN116486267A (zh) | 一种基于无人机航拍图像的大面积竹林计数方法 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
CN111598874A (zh) | 一种基于智能移动端的红树林郁闭度调查方法 | |
TWI632528B (zh) | 空拍機影像分析系統及其方法 |
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 |
Application publication date: 20201117 |
|
RJ01 | Rejection of invention patent application after publication |