CN111985724B - 一种农作物产量预估的方法、装置、设备及存储介质 - Google Patents

一种农作物产量预估的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN111985724B
CN111985724B CN202010888215.7A CN202010888215A CN111985724B CN 111985724 B CN111985724 B CN 111985724B CN 202010888215 A CN202010888215 A CN 202010888215A CN 111985724 B CN111985724 B CN 111985724B
Authority
CN
China
Prior art keywords
sub
crops
crop
sample image
fruit
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010888215.7A
Other languages
English (en)
Other versions
CN111985724A (zh
Inventor
朱超杰
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.)
WeBank Co Ltd
Original Assignee
WeBank 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 WeBank Co Ltd filed Critical WeBank Co Ltd
Priority to CN202010888215.7A priority Critical patent/CN111985724B/zh
Publication of CN111985724A publication Critical patent/CN111985724A/zh
Application granted granted Critical
Publication of CN111985724B publication Critical patent/CN111985724B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Abstract

本发明公开了一种农作物产量预估的方法、装置、设备及存储介质，包括：用预设模型对指定农作物在第一种植区域的图像数据中每株指定农作物的果实部分进行识别，获得在第一种植区域中包含果实部分的指定农作物的预估株数；由于预设模型是用指定农作物在不同生长周期的样本图像，及每株指定农作物的果实部分在样本图像中对应的唯一位置信息对深度学习目标检测模型训练得到的，故能通过预设模型识别图像数据中指定农作物在不同生长周期中的果实部分的位置，来确定第一种植区域中包含果实部分的指定农作物的预估株数，在结合单株指定农作物的预设果实产量后确定预估产量，使得可以对各种尺度面积的种植区域中指定农作物的产量进行准确、快速的预估。

Description

一种农作物产量预估的方法、装置、设备及存储介质
技术领域
本发明涉及金融领域，尤其涉及一种农作物产量预估的方法、装置、设备及存储介质。
背景技术
在金融领域中，为了降低种植户的风险，种植户可以为种植的农作物投保。在投保前，通常需要对种植户投保的农作物(如小麦)的产量进行预估，以确定保额、保费等。
在现有技术中，基于遥感卫星获得小麦种植地图像的方法，通常适用于大尺度大面积(如国家尺度)的小麦遥感监测，受限于卫星数据的分辨率、更新频率等因素的影响，导致无法实现对小麦产量进行实时、准确的预估。对于小面积的小麦产量的预估，通常是通过识别麦穗与周围色彩的过渡色来确定麦田图片中麦穗的数量来预估麦田产量的，这种方式通常只能适用麦穗与周围色差大的特定时间，而这样的时间通常难以掌握，即便掌握了在受到天气等原因影响时也可能因无法完成图像采集，导致无法进行产量预估。
鉴于此，如何快速、准确的对农作物的产量进行预估，成为一个亟待解决的技术问题。
发明内容
本发明的主要目的在于提供一种农作物产量预估的方法、装置、设备及存储介质，旨在提高农作物产量预估的准确度。
第一方面，本发明提供一种农作物产量预估的方法，所述农作物产量预估的方法包括：
采集指定农作物在第一种植区域的图像数据；其中，所述图像数据为所述第一种植区域的俯视图；
用预设模型对所述图像数据中每株所述指定农作物的果实部分进行识别，获得在所述第一种植区域中包含所述果实部分的所述指定农作物的预估株数；其中，所述预设模型是用所述指定农作物在不同生长周期的样本图像，及每株所述指定农作物的所述果实部分在所述样本图像中对应的唯一位置信息对深度学习目标检测模型训练得到的；
根据单株所述指定农作物的预设果实产量及所述预估株数，确定所述第一种植区域中所述指定农作物的预估产量。
上述技术方案中，由于预设模型是用指定农作物在不同生长周期的样本图像，及每株指定农作物的果实部分在样本图像中对应的唯一位置信息对深度学习目标检测模型训练得到的，因此预设模型能够识别图像数据中指定农作物在不同生长周期中的果实部分的位置，进而确定第一种植区域中包含果实部分的指定农作物的预估株数，在结合单株指定农作物的预设果实产量后确定预估产量，使得可以对各种尺度面积的种植区域中种植的指定农作物的产量进行准确、快速的预估。
可选地，所述深度学习目标检测模型的训练方法，包括：
将所述样本图像分为训练集和验证集；
用所述训练集对所述深度学习目标检测模型进行训练，用所述验证集对训练后的所述深度学习目标检测模型进行验证，直至识别所述样本图像中包含所述果实部分的所述指定农作物的株数的准确率达到预设阈值，获得所述预设模型。
可选地，所述样本图像，包括：
第一子样本图像及第二子样本图像；
所述第一子样本图像为样本种植区域的俯视图，在所述样本种植区域中种植了所述指定农作物；
所述第二子样本图像包括所述指定农作物在具有所述果实部分后的多个不同生长期的图像；所述第二子样本图像与所述第一子样本图像对应所述指定农作物的不同生长期，且所述第二子样本图像中所述指定农作物在每个生长期对应的图像是通过对所述第一子样本图像进行色彩调整后获得的。
上述技术方案中，通过对第一子样本图像进行色彩调整，得到指定农作物在每个生长周期对应的图片，并将之作为第二子样本图像，可以在样本数据较少的初期为深度学习目标检测模型的训练提供更加丰富的样本，使训练好的深度学习目标检测模型(即预设模型)可以准确识别出指定农作物在各个生长周期的果实部分，提高识别的准确率。
可选地，所述第二子样本图像的获得方法，包括：
根据所述预设农作物的预设生长期对应的色彩范围，用色调-饱和度-明度色彩模型对所述第一子样本图像中包含的所述色调-饱和度-明度色彩模型的参数进行调整，使所述预设农作物在所述第一子样本图像中的色彩在所述色彩范围内，获得所述第二子样本图像。
可选地，所述预设果实产量是根据所有所述样本图像对应的每个第二种植区域中单株所述指定农作物的所述果实部分的平均产量确定的。
可选地，所述第一种植区域包括多个第一种植子区域时，用预设模型对所述图像数据所述果实部分进行识别，获得在所述第一种植区域中所述指定农作物的预估株数，包括：
用所述预设模型，对每个所述第一种植子区域对应的图像数据中的所述果实部分进行识别，获得每个所述第一种植子区域对应的子预估株数；
对所有所述子预估株数进行和运算，获得所述预估株数。
可选地，采集所述图像数据的图像采集器安装在低空飞行器上；
所述低空飞行器的飞行高度范围为3～5米。
在上述方案中，通过将图像采集器安装在低空飞行器上，对第一种植区域的指定农作物进行图像采集，能够快速的完成对指定农作物的图像采集工作，从而提高工作效率；而将低空飞行器的飞行高度控制在3～5米的范围内，可以使图像采集器采集的图像数据清晰度较高，从而使指定农作物的纹理形状、颜色等特征在图像数据中得以清晰的呈现。
第二方面，本发明还提供了一种农作物产量预估装置，包括：
采集单元，用于采集指定农作物在第一种植区域的图像数据；其中，所述图像数据为所述第一种植区域的俯视图；
识别单元，用于用预设模型对所述图像数据中每株所述指定农作物的果实部分进行识别，获得在所述第一种植区域中包含所述果实部分的所述指定农作物的预估株数；其中，所述预设模型是用所述指定农作物在不同生长周期的样本图像，及每株所述指定农作物的所述果实部分在所述样本图像中对应的唯一位置信息对深度学习目标检测模型训练得到的；
产量预估单元，用于根据单株所述指定农作物的预设果实产量及所述预估株数，确定所述第一种植区域中所述指定农作物的预估产量。
可选地，所述装置还包括训练单元，所述训练单元用于：
将所述样本图像分为训练集和验证集；
用所述训练集对所述深度学习目标检测模型进行训练，用所述验证集对训练后的所述深度学习目标检测模型进行验证，直至识别所述样本图像中包含所述果实部分的所述指定农作物的株数的准确率达到预设阈值，获得所述预设模型。
可选地，所述样本图像，包括：
第一子样本图像及第二子样本图像；
所述第一子样本图像为样本种植区域的俯视图，在所述样本种植区域中种植了所述指定农作物；
所述第二子样本图像包括所述指定农作物在具有所述果实部分后的多个不同生长期的图像；所述第二子样本图像与所述第一子样本图像对应所述指定农作物的不同生长期，且所述第二子样本图像中所述指定农作物在每个生长期对应的图像是通过对所述第一子样本图像进行色彩调整后获得的。
可选地，所述装置还包括获取单元，所述获取单元用于：
根据所述预设农作物的预设生长期对应的色彩范围，用色调-饱和度-明度色彩模型对所述第一子样本图像中包含的所述色调-饱和度-明度色彩模型的参数进行调整，使所述预设农作物在所述第一子样本图像中的色彩在所述色彩范围内，获得所述第二子样本图像。
可选地，所述预设果实产量是根据所有所述样本图像对应的每个第二种植区域中单株所述指定农作物的所述果实部分的平均产量确定的。
可选地，所述第一种植区域包括多个第一种植子区域时，所述识别单元用于：
用所述预设模型，对每个所述第一种植子区域对应的图像数据中的所述果实部分进行识别，获得每个所述第一种植子区域对应的子预估株数；
对所有所述子预估株数进行和运算，获得所述预估株数。
可选地，采集所述图像数据的图像采集器安装在低空飞行器上；
所述低空飞行器的飞行高度范围为3～5米。
第三方面，本发明提供一种计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于调用所述存储器中存储的计算机程序，按照获得的程序执行农作物产量预估方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行农作物产量预估方法。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，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系统架构的示意图；
图2为本发明实施例提供的一种农作物产量预估方法的流程图；
图3为本发明实施提供的标记小麦麦穗的示意图；
图4为本发明实施例提供的小麦的第一子样本图像；
图5为本发明实施例提供的小麦的第二子样本图像一；
图6为本发明实施例提供的小麦的第二子样本图像二；
图7为本发明实施例提供的小麦的第二子样本图像三；
图8为本发明实施例提供的一种农作物产量预估装置的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
图1为本发明实施例提供的一种系统架构。如图1所示，该系统架构可以为服务器100，包括处理器110、通信接口120和存储器130。
其中，通信接口120用于与终端设备进行通信，收发该终端设备传输的信息，实现通信。
处理器110是服务器100的控制中心，利用各种接口和线路连接整个服务器100的各个部分，通过运行或执行存储在存储器130内的软件程序/或模块，以及调用存储在存储器130内的数据，执行服务器100的各种功能和处理数据。可选地，处理器110可以包括一个或多个处理单元。
存储器130可用于存储软件程序以及模块，处理器110通过运行存储在存储器130的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器130可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据业务处理所创建的数据等。此外，存储器130可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是，上述图1所示的结构仅是一种示例，本发明实施例对此不做限定。
基于上述描述，图2示例性的示出了本发明实施例提供的一种农作物产量预估方法的流程，该流程可以由农作物产量预估装置执行。
如图2所示，该流程具体包括：
步骤201，采集指定农作物在第一种植区域的图像数据；其中，图像数据为第一种植区域的俯视图。
指定农作物可以是果实部分生长在植株顶端的禾本科植物；该禾本科植物可以为粮食作物，例如可以为小麦、稻米、高粱、大麦等中的任一种。
第一种植区域可以是指定农作物的主产区，在进行粮食期货交易前，需要都对相关粮食作物的产量进行调研预估，以粮食作物为小麦、稻米为例，第一种植区域可以为小麦、稻米的主产区，包括东北主产区、中原主产区等。
第一种植区域还可以是用户指定的种植区域，如用户种植的小麦需要投保，第一种植区域即为用户要投保的小麦种植区。
本发明实施例中，采集图像数据的图像采集器安装在低空飞行器上；低空飞行器例如可以为无人机。图像采集器例如可以为相机，也可以为摄像头等。通过将图像采集器安装在低空飞行器上，对第一种植区域的指定农作物进行图像采集，能够快速的完成对指定农作物的图像采集工作，从而提高工作效率。
本发明实施例中，低空飞行器的飞行高度范围为3～5米。通过将低空飞行器的飞行高度控制在3～5米的范围内，可以使图像采集器采集的图像数据清晰度较高，从而使指定农作物的纹理形状、颜色等特征在图像数据中得以清晰的呈现。
步骤202，用预设模型对图像数据中每株指定农作物的果实部分进行识别，获得在第一种植区域中包含果实部分的指定农作物的预估株数；其中，预设模型是用指定农作物在不同生长周期的样本图像，及每株指定农作物的果实部分在样本图像中对应的唯一位置信息对深度学习目标检测模型训练得到的。
本发明实施例中，由于预设模型是用指定农作物在不同生长周期的样本图像，及每株指定农作物的果实部分在样本图像中对应的唯一位置信息对深度学习目标检测模型训练得到的，因此预设模型能够识别图像数据中指定农作物在不同生长周期中的果实部分的位置，进而确定第一种植区域中包含果实部分的指定农作物的预估株数，在结合单株指定农作物的预设果实产量后确定预估产量，使得可以对各种尺度面积的种植区域中种植的指定农作物的产量进行准确、快速的预估。
本发明实施例中，样本图像包括第一子样本图像及第二子样本图像；通过低空飞行器上携带的图像采集设备对种植了指定农作物的样本区域进行图像采集，获得第一子样本图像，该第一子样本图像为样本种植区域的俯视图，样本种植区域可以属于第一种植区域，也可以不属于第一种植区域。样本种植区与第一种植区域位于指定农作物的同一主产区。
例如，将小麦的东北主产区中的区域1、区域2作为样本区域，位于该东北主产区的种植户1需要对区域3中种植的小麦进行投保，则可以使用由区域1、区域2中的样本图像训练得到的预设模型1对区域3中的小麦的麦穗进行识别。而位于小麦中原主产区的用户2需要对区域4中的小麦进行投保，则不能使用预设模型1对区域4中的小麦麦穗进行识别，而应使用由中原主产区中的区域5中的样本图像训练得到的预设模型2对区域4中的小麦的麦穗进行识别。此时，样本种植区域不属于第一种植区域。
又如，某期货公司需要对小麦东北主产区的产量进行调研，则第一种植区域为东北主产区，可以使用预设模型1对东北主产区中的小麦麦穗进行识别。此时，样本种植区域属于第一种植区域。
在得到第一子样本图像后，还可以对第一子样本图像中指定农作物的果实部分进行标记，以确定指定果实部分在第一子样本图像中的唯一位置。
例如，以小麦作为指定农作物为例，可以通过用户使用特定的软件，对小麦的麦穗(即果实部分)进行标记，进而得到每个麦穗的唯一位置信息。请参见图3为本发明实施提供的标记小麦麦穗的示意图。
在图3中每个小麦麦穗对应一个矩形框(即麦穗在图像中的唯一位置)，该矩形框是用户使用特定的软件标记的，并且在标记后便能得到对应的位置信息，该位置信息可以包括矩形框的一对对角点的坐标以及长、宽。通过对图3中小麦麦穗(即果实部分)进行标记，不管麦穗是直立状态、倒伏状态、还是倾斜状态，都可以准确的麦穗的位置，使得用小麦的样本图像及其在样本图像中的唯一位置信息，对深度学习目标检测模型训练得到的预设模型能够准确识别出麦穗。
需要说的是，图3只是示意性的说明如何通过标记小麦麦穗来确定每个麦穗对应的唯一位置信息，在实际应用中，还可以用别的标记方式，如以椭圆形、梯形等对小麦麦穗进行标记，得到每个麦穗对应的唯一位置信息，还可以是直接将标记了小麦麦穗位置的图像作为位置信息。由于第二子样本子图像是根据第一子样本图像得到的，因此可以不对第二子样本图像中的小麦麦穗进行标记。
第二子样本图像包括指定农作物在具有果实部分后的多个不同生长期的图像；第二子样本图像与第一子样本图像对应指定农作物的不同生长期，且第二子样本图像中指定农作物在每个生长期对应的图像是通过对第一子样本图像进行色彩调整后获得的。通过对第一子样本图像进行色彩调整，得到指定农作物在每个生长周期对应的图片，并将之作为第二子样本图像，可以在样本数据较少的初期为深度学习目标检测模型的训练提供更加丰富的样本，使训练好的深度学习目标检测模型(即预设模型)可以准确识别出指定农作物在各个生长周期的果实部分，提高识别的准确率。
第二子样本图像的获得，具体可以采用下列方法：
根据预设农作物的预设生长期对应的色彩范围，用色调-饱和度-明度(HSV)色彩模型对第一子样本图像中包含的色调-饱和度-明度色彩模型的参数进行调整，使预设农作物在第一子样本图像中的色彩在色彩范围内，获得第二子样本图像。
例如，将预设农作物的出果后的生长周期划分为前期、中期、后期，可以根据这几个生长期各自对应的色彩范围，对第一子样本图像进行调整，得到前期、中期、后期的图像，将它们作为第二子样本图像。
也可以在采集到第一子样本图像后，根据多个生长周期覆盖的总生产周期的颜色范围，在该颜色范围内随机调整HSV色彩模型的参数，得到多个生长周期对应的图片，并将它们作为第二子样本图像。
需要说明的是，这里的前期、中期、后期指示对生长期的一个粗略划分，实际应用中可以将生长期划分的更为精细，具体如何划分在此不做限定。
HSV色彩模型的参数包括色调(H)、饱和度(S)、亮度(V)，它们的取值范围可以为：
色调(H)的取值范围为[-19.78,21.05]，饱和度(S)的取值范围为[-12.24,14.20]，亮度(V)的取值范围为[-29,31.04]。在该取值范围内，对第一子样本图像中的色调(H)、饱和度(S)、亮度(V)进行任意调整，可以得到指定农作物在不同生长周期的图像，从而可以弥补仅使用第一子样本图像进行深度学习目标检测模型训练时，存在样本不够丰富的问题。
请参见图4～图7，图4为本发明实施例提供的小麦的第一子样本图像，图5为本发明实施例提供的小麦的第二子样本图像一，图6为本发明实施例提供的小麦的第二子样本图像二，图7为本发明实施例提供的小麦的第二子样本图像三。
图4的图像是通过图像采集设备直接采集到的图像(例如为小麦中后期的图像)，作为第一子样本图像，图5～图7中的图像是使用HSV色彩模型，对图3中的图像进行参数调整后得到的图像，图5～图7中调整参数所使用的参数值不同，相应得到了小麦的前期图像(如图5所示)、中期图像(如图6所示)、后期图像(如图7所示)。图5～图7都可以称之为第二子样本图像。
需要说明的是，在实际应用中样本图像，图像数据中的图像都是彩色的，而不应理解为是如图3～图7中的灰度图。
由此，所有的第一子样本图像和所有的第二子样本图像，便能组成训练深度学习目标检测模型所需的所有样本图像。在将样本图像提供给深度学习目标检测模型的同时，还需要将样本图像中果实部分对应的位置信息一起提供给深度学习目标检测模型，使深度学习目标检测模型在训练的过程中，可以根据真实的位置信息对深度学习目标检测模型中的参数进行修正。
用所有样本图像对深度学习目标检测模型进行训练，得到预设模型，可以采用下列方式实现：
将样本图像分为训练集和验证集；用训练集对深度学习目标检测模型进行训练，用验证集对训练后的深度学习目标检测模型进行验证，直至识别样本图像中包含果实部分的指定农作物的株数的准确率达到预设阈值，获得预设模型。
用预设模型对图像数据中每株指定农作物的果实部分进行识别，获得在第一种植区域中包含果实部分的指定农作物的预估株数。
第一种植区域包括多个第一种植子区域时，用预设模型对每个第一种植子区域对应的图像数据中每株指定农作物的果实部分进行识别，获得每个第一种植子区域包含果实部分的指定农作物的子预估株数；对所有子预估株数进行和运算，获得预估株数。
例如，第一种植区域为东北主产区，将东北主产区划分为多个小区域，将每个小区域作为第一种植子区域，用预设模型对每个小区域对应的图像数据进行识别，得到每个小区域中包含果实部分的指定农作物的子预估株数，将所有子预估株数的和值作为东北主产区中包含果实部分的指定农作物的预估株数。
又如，第一种植区域为种植户要投保的区域1，将区域1分为多个子区域，将每个子区域作为第一种植子区域，用预设模型对每个子区域对应的图像数据进行识别，得到每个子区域的子预估株数，将所有子预估株数的和值作为区域1的预估株数。
预设模型还可以进行模型更新，例如对同一主产区的指定农作物进行再次产量预估后，可以用当前采集的图像数据作为样本图像，对预设模型进行再次训练，以更新预设模型，这样可以使预设模型识别指定农作物果实部分的准确率越来越高。
步骤203，根据单株指定农作物的预设果实产量及预估株数，确定第一种植区域中指定农作物的预估产量。
在本发明实施例中，预设果实产量是根据所有样本图像对应的每个第二种植区域中单株指定农作物的平均产量确定的。
指定农作物在不同的主产区，可能单株产量不同，因此，预设果实产量可以根据指定农作物在不同主产区的平均单株产量确定。
例如，指定农作物为小麦时，小麦产量受区域影响较大，如中原地区的小麦和东北地区的小麦在麦穗(即果实部分)大小、颗粒数等方面都不同，因此不同主产区小麦的单株产量不同，这可以通过不同主产区的小麦的单株产量进行统计，得到平均单株产量，将其设置为对应主产区小麦的预设果实产量。指定农作物为其它农作物(如稻米、大麦、高粱等)时，依次类推，不再一一赘述。
将预设果实产量与第一种植区域中包含果实部分的指定农作物的预估株数进行积运算，便可确定第一种植区域中指定农作物的预估产量。
若第一种植区域是种植户需要投保的种植区域，则可以根据得到的预估产量后，确定相应的保费和保额。
若第一种植区域是进行期货交易需要调研的种植区域，则可以将得到的预估产量提供给相关人员，为指定农作物的期货交易提供数据支撑。
当然，第一种植区域代表的是某个国家的指定农作物的所有主产区时，还可以根据得到的指定农作物的预估产量，为指定农作物的进、出口量提供调整依据，或者为来年的种植量增、减提供指导等。
基于相同的技术构思，图8示例性的示出了本发明实施例提供的一种农作物产量预估装置，该装置可以执行农作物产量预估方法的流程。
如图8所示，该装置包括：
采集单元801，用于采集指定农作物在第一种植区域的图像数据；其中，所述图像数据为所述第一种植区域的俯视图；
识别单元802，用于用预设模型对所述图像数据中每株所述指定农作物的果实部分进行识别，获得在所述第一种植区域中包含所述果实部分的所述指定农作物的预估株数；其中，所述预设模型是用所述指定农作物在不同生长周期的样本图像，及每株所述指定农作物的所述果实部分在所述样本图像中对应的唯一位置信息对深度学习目标检测模型训练得到的；
产量预估单元803，用于根据单株所述指定农作物的预设果实产量及所述预估株数，确定所述第一种植区域中所述指定农作物的预估产量。
可选地，所述装置还包括训练单元804，所述训练单元804用于：
将所述样本图像分为训练集和验证集；
用所述训练集对所述深度学习目标检测模型进行训练，用所述验证集对训练后的所述深度学习目标检测模型进行验证，直至识别所述样本图像中包含所述果实部分的所述指定农作物的株数的准确率达到预设阈值，获得所述预设模型。
可选地，所述样本图像，包括：
第一子样本图像及第二子样本图像；
所述第一子样本图像为样本种植区域的俯视图，在所述样本种植区域中种植了所述指定农作物；
所述第二子样本图像包括所述指定农作物在具有所述果实部分后的多个不同生长期的图像；所述第二子样本图像与所述第一子样本图像对应所述指定农作物的不同生长期，且所述第二子样本图像中所述指定农作物在每个生长期对应的图像是通过对所述第一子样本图像进行色彩调整后获得的。
可选地，所述装置还包括获取单元805，所述获取单元805用于：
根据所述预设农作物的预设生长期对应的色彩范围，用色调-饱和度-明度色彩模型对所述第一子样本图像中包含的所述色调-饱和度-明度色彩模型的参数进行调整，使所述预设农作物在所述第一子样本图像中的色彩在所述色彩范围内，获得所述第二子样本图像。
可选地，所述预设果实产量是根据所有所述样本图像对应的每个第二种植区域中单株所述指定农作物的所述果实部分的平均产量确定的。
可选地，所述第一种植区域包括多个第一种植子区域时，所述识别单元802用于：
用所述预设模型，对每个所述第一种植子区域对应的图像数据中所述果实部分进行识别，获得每个所述第一种植子区域对应的子预估株数；
对所有所述子预估株数进行和运算，获得所述预估株数。
可选地，采集所述图像数据的图像采集器安装在低空飞行器上；
所述低空飞行器的飞行高度范围为3～5米。
基于相同的技术构思，本发明实施例提供一种计算设备，包括：
存储器，用于存储计算机程序；
处理器，用于调用所述存储器中存储的计算机程序，按照获得的程序执行农作物产量预估方法。
基于相同的技术构思，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行程序，所述计算机可执行程序用于使计算机执行农作物产量预估方法。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的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，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (9)

1.一种农作物产量预估的方法，其特征在于，包括：
采集指定农作物在第一种植区域的图像数据；其中，所述图像数据为所述第一种植区域的俯视图；
用预设模型对所述图像数据中每株所述指定农作物的果实部分进行识别，获得在所述第一种植区域中包含所述果实部分的所述指定农作物的预估株数；其中，所述预设模型是用所述指定农作物在不同生长周期的样本图像，及每株所述指定农作物的所述果实部分在所述样本图像中对应的唯一位置信息对深度学习目标检测模型训练得到的；所述样本图像包括第一子样本图像及第二子样本图像；所述第一子样本图像为样本种植区域的俯视图，在所述样本种植区域中种植了所述指定农作物；所述第二子样本图像包括所述指定农作物在具有所述果实部分后的多个不同生长期的图像；所述第二子样本图像与所述第一子样本图像对应所述指定农作物的不同生长期，且所述第二子样本图像中所述指定农作物在每个生长期对应的图像是通过对所述第一子样本图像进行色彩调整后获得的；
根据单株所述指定农作物的预设果实产量及所述预估株数，确定所述第一种植区域中所述指定农作物的预估产量。
2.如权利要求1所述的方法，其特征在于，所述深度学习目标检测模型的训练方法，包括：
将所述样本图像分为训练集和验证集；
用所述训练集对所述深度学习目标检测模型进行训练，用所述验证集对训练后的所述深度学习目标检测模型进行验证，直至识别所述样本图像中包含所述果实部分的所述指定农作物的株数的准确率达到预设阈值，获得所述预设模型。
3.如权利要求1所述的方法，其特征在于，所述第二子样本图像的获得方法，包括：
根据预设农作物的预设生长期对应的色彩范围，用色调-饱和度-明度色彩模型对所述第一子样本图像中包含的所述色调-饱和度-明度色彩模型的参数进行调整，使所述预设农作物在所述第一子样本图像中的色彩在所述色彩范围内，获得所述第二子样本图像。
4.如权利要求1所述的方法，其特征在于，所述预设果实产量是根据所有所述样本图像对应的每个第二种植区域中单株所述指定农作物的所述果实部分的平均产量确定的。
5.如权利要求1所述的方法，其特征在于，所述第一种植区域包括多个第一种植子区域时，用预设模型对所述图像数据中每株所述指定农作物的果实部分进行识别，获得在所述第一种植区域中包含所述果实部分的所述指定农作物的预估株数，包括：
用所述预设模型，对每个所述第一种植子区域对应的图像数据中的所述果实部分进行识别，获得每个所述第一种植子区域对应的子预估株数；
对所有所述子预估株数进行和运算，获得所述预估株数。
6.如权利要求1所述的方法，其特征在于，采集所述图像数据的图像采集器安装在低空飞行器上；
所述低空飞行器的飞行高度范围为3～5米。
7.一种农作物产量预估的装置，其特征在于，包括：
采集单元，用于采集指定农作物在第一种植区域的图像数据；其中，所述图像数据为所述第一种植区域的俯视图；
识别单元，用于用预设模型对所述图像数据中每株所述指定农作物的果实部分进行识别，获得在所述第一种植区域中包含所述果实部分的所述指定农作物的预估株数；其中，所述预设模型是用所述指定农作物在不同生长周期的样本图像，及每株所述指定农作物的所述果实部分在所述样本图像中对应的唯一位置信息对深度学习目标检测模型训练得到的；所述样本图像包括第一子样本图像及第二子样本图像；所述第一子样本图像为样本种植区域的俯视图，在所述样本种植区域中种植了所述指定农作物；所述第二子样本图像包括所述指定农作物在具有所述果实部分后的多个不同生长期的图像；所述第二子样本图像与所述第一子样本图像对应所述指定农作物的不同生长期，且所述第二子样本图像中所述指定农作物在每个生长期对应的图像是通过对所述第一子样本图像进行色彩调整后获得的；
产量预估单元，用于根据单株所述指定农作物的预设果实产量及所述预估株数，确定所述第一种植区域中所述指定农作物的预估产量。
8.一种农作物产量预估设备，其特征在于，所述农作物产量预估设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的产量预估程序，所述产量预估程序被所述处理器执行时实现如权利要求1至6中任一项所述的农作物产量预估方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有产量预估程序，所述产量预估程序被处理器执行时实现如权利要求1至6中任一项所述的农作物产量预估方法的步骤。
CN202010888215.7A 2020-08-28 2020-08-28 一种农作物产量预估的方法、装置、设备及存储介质 Active CN111985724B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010888215.7A CN111985724B (zh) 2020-08-28 2020-08-28 一种农作物产量预估的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010888215.7A CN111985724B (zh) 2020-08-28 2020-08-28 一种农作物产量预估的方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN111985724A CN111985724A (zh) 2020-11-24
CN111985724B true CN111985724B (zh) 2023-07-25

Family

ID=73440332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010888215.7A Active CN111985724B (zh) 2020-08-28 2020-08-28 一种农作物产量预估的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN111985724B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112711900A (zh) * 2020-12-02 2021-04-27 济南浪潮高新科技投资发展有限公司 一种农作物数字孪生建模方法
CN112700347A (zh) * 2020-12-31 2021-04-23 广州极飞科技有限公司 农作物高度生长曲线的生成方法、装置和存储介质
CN113408374B (zh) * 2021-06-02 2022-09-23 湖北工程学院 基于人工智能的产量预估方法、装置、设备及存储介质
CN114742324A (zh) * 2022-05-24 2022-07-12 北京极星农业有限公司 一种果实产量预估方法及其应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053078A (zh) * 2017-12-28 2018-05-18 深圳春沐源控股有限公司 一种产量预测方法、服务器以及计算机可读存储介质
CN109767038A (zh) * 2019-01-04 2019-05-17 平安科技（深圳）有限公司 农作物产量预测方法、装置及计算机可读存储介质
CN110796011A (zh) * 2019-09-29 2020-02-14 湖北工程学院 一种基于深度学习的稻穗识别方法、系统、装置及介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10204270B2 (en) * 2016-11-17 2019-02-12 Fruitspec Ltd Method and system for crop yield estimation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108053078A (zh) * 2017-12-28 2018-05-18 深圳春沐源控股有限公司 一种产量预测方法、服务器以及计算机可读存储介质
CN109767038A (zh) * 2019-01-04 2019-05-17 平安科技（深圳）有限公司 农作物产量预测方法、装置及计算机可读存储介质
CN110796011A (zh) * 2019-09-29 2020-02-14 湖北工程学院 一种基于深度学习的稻穗识别方法、系统、装置及介质

Also Published As

Publication number Publication date
CN111985724A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN111985724B (zh) 一种农作物产量预估的方法、装置、设备及存储介质
CN111406261B (zh) 一种从大视野图像中检测被感染对象的计算机实现的方法
RU2735151C2 (ru) Распознавание сорняков в естественной среде
US11935282B2 (en) Server of crop growth stage determination system, growth stage determination method, and storage medium storing program
CN111582055B (zh) 一种无人机的航空施药航线生成方法及系统
US11321942B2 (en) Method for measuring plant planting data, device and system
CN113029971B (zh) 一种作物冠层氮素监测方法及系统
EP3279831A1 (en) Recognition of weed in a natural environment using a digital image
CN111753646A (zh) 一种融合种群季节消长信息的农业害虫检测分类方法
CN113469112B (zh) 农作物生长状况图像识别方法及系统
EP4064182A1 (en) Information processing device, information processing method, and program
CN114743100A (zh) 一种农产品长势监测方法和系统
CN113610040B (zh) 一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法
CN113435345A (zh) 生长阶段确定方法、装置、农业系统、设备及存储介质
CN116399401B (zh) 一种基于人工智能的农业种植系统及方法
CN116739739A (zh) 一种贷款额度评估方法、装置、电子设备及存储介质
CN115620151B (zh) 物候期识别方法、装置、电子设备和存储介质
CN115424151A (zh) 一种基于图像处理的农业智能平台
CN114663652A (zh) 图像处理方法、装置、管理系统、电子设备和存储介质
de Ocampo et al. Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing.
CN112700347A (zh) 农作物高度生长曲线的生成方法、装置和存储介质
CN114267005A (zh) 用于农作物的收割方法、装置、处理器及农业机械
CN114916336B (zh) 一种基于棉花顶叶成熟期分类识别的化学打顶方法
CN115314851B (zh) 一种基于大数据平台的农业信息化管理平台
CN116844075B (zh) 一种耕地环境判定方法及系统

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
GR01 Patent grant
GR01 Patent grant