CN112183212A - 一种杂草识别方法、装置、终端设备及可读存储介质 - Google Patents
一种杂草识别方法、装置、终端设备及可读存储介质 Download PDFInfo
- Publication number
- CN112183212A CN112183212A CN202010903447.5A CN202010903447A CN112183212A CN 112183212 A CN112183212 A CN 112183212A CN 202010903447 A CN202010903447 A CN 202010903447A CN 112183212 A CN112183212 A CN 112183212A
- Authority
- CN
- China
- Prior art keywords
- image
- target detection
- weed
- target
- recognized
- 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.)
- Granted
Links
- 241000196324 Embryophyta Species 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000003860 storage Methods 0.000 title claims description 13
- 238000001514 detection method Methods 0.000 claims abstract description 69
- 230000011218 segmentation Effects 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 19
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 235000007164 Oryza sativa Nutrition 0.000 abstract description 8
- 235000009566 rice Nutrition 0.000 abstract description 8
- 238000012545 processing Methods 0.000 abstract description 6
- 240000007594 Oryza sativa Species 0.000 abstract 1
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 241000209094 Oryza Species 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 241000207894 Convolvulus arvensis Species 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 244000075634 Cyperus rotundus Species 0.000 description 1
- 235000016854 Cyperus rotundus Nutrition 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003064 k means clustering 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
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
- G06V20/188—Vegetation
-
- 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
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本申请适用于图像处理技术领域，提供了一种杂草识别方法，包括：获取包含植株群的待识别图像，通过预训练的目标检测算法对待识别图像进行分割，获得包含植株群的关键部位的预分割图像，然后对预分割图像进行聚类，获得一个以上的子图像，获取满足预设条件的子图像，作为目标图像，将目标图像和待识别图像输入预训练的神经网络模型中，获得杂草种类识别结果。本申请通过目标检测算法对待识别图像进行分割，获得包含植株群关键部位的分割图像，并基于包含关键部位的分割图像进行杂草的分类识别，能否模拟人眼识别植株群关键部位进而实现植株群分类的效果，提高分类精度和识别效果的准确性，以在早期对杂草进行防治，减小非水稻植带来的经济损失。
Description
技术领域
本申请属于图像处理技术领域，尤其涉及一种杂草识别方法、装置、终端设备及可读存储介质。
背景技术
在农业生成过程中，如何在早期区分识别水稻和杂草是一项非常重要的环节。
然而，由于水稻田间的杂草种类繁多，不同种类之间的相似度高、差距小，容易让人混淆，因此，现有的杂草识别方法难以对杂草进行准确区分，进而无法在早期实现对杂草的防治，难以减小杂草造成的经济损失。
发明内容
本申请实施例提供了一种杂草识别方法、装置、终端设备及可读存储介质，可以解决现有的杂草识别方法难以对杂草进行准确区分的问题。
第一方面，本申请实施例提供了一种杂草识别方法，包括：
获取待识别图像；其中，所述待识别图像为包含植株群的图像；
通过预训练的目标检测算法对所述待识别图像进行分割，获得预分割图像；其中，预分割图像为包含所述植株群的关键部位的分割图像；
对所述预分割图像进行聚类，获得一个以上的子图像；
获取满足预设条件的子图像，作为目标图像；
将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得杂草种类识别结果。
第二方面，本申请实施例提供了一种杂草识别装置，包括：
第一获取模块，用于获取待识别图像；其中，所述待识别图像为包含植株群的图像；
分割模块，用于通过预训练的目标检测算法对所述待识别图像进行分割，获得预分割图像；其中，预分割图像为包含所述植株群的关键部位的分割图像；
聚类模块，用于对所述预分割图像进行聚类，获得一个以上的子图像；
第二获取模块，用于获取满足预设条件的子图像，作为目标图像；
识别模块，用于将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得杂草种类识别结果。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如上述第一方面所述的杂草识别方法。
第四方面，本申请实施例提供了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程序，所述计算机程序被处理器执行时实现如上述第一方面所述的杂草识别方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面所述的杂草识别方法。
本申请实施例通过目标检测算法对待识别图像进行分割，获得包含植株群关键部位的分割图像，并基于包含关键部位的分割图像进行杂草的分类识别，能否模拟人眼识别植株群关键部位进而实现植株群分类的效果，提高分类精度和识别效果的准确性，以在早期对杂草进行防治，减小非水稻植带来的经济损失。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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，下面描述中的附图仅仅是本申请的一些实施例，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是本申请实施例提供的杂草识别方法的流程示意图；
图2是本申请实施例提供的杂草识别方法的流程示意图；
图3是本申请实施例提供的杂草识别方法的流程示意图；
图4是本申请实施例提供的杂草识别方法的流程示意图；
图5是本申请实施例提供的杂草识别装置的结构示意图；
图6是本申请实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例提供的杂草识别方法可以应用于手机、平板电脑、可穿戴设备、车载设备、笔记本电脑、等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
图1示出了本申请提供的杂草识别方法的示意性流程图，作为示例而非限定，该方法可以应用于上述笔记本电脑中。
S101、获取待识别图像；其中，所述待识别图像为包含植株群的图像。
在具体应用中，获取关于目标识别场景的待识别图像，其中，待识别图像为在目标识别场景中拍摄的包含植株群的图像。目标识别场景可以是陆稻田地、棉花田地、水稻田地或小麦田地等需要进行杂草识别的种植场所。杂草是指生长在有害于人类生存和活动场地的植物，一般是非栽培的野生植物或对人类有碍的植物；例如，田旋花、香附子等。
S102、通过预训练的目标检测算法对所述待识别图像进行分割，获得预分割图像；其中，预分割图像为包含所述植株群的关键部位的分割图像。
在具体应用中，通过预训练的目标检测算法对待识别图像进行目标检测，并根据目标检测结果进行分割，获得一个以上的分割图像；其中，检测目标可设定为植株群的关键部位，关键部位包括但不限于植株的根、茎或叶；对应的，预分割图像为包含植株群的关键部位(根、茎或叶)的分割图像。
S103、对所述预分割图像进行聚类，获得一个以上的子图像。
在具体应用中，通过聚类算法对预分割图像进行聚类处理，将聚类处理后图像作为子图像。其中，聚类算法可以包括但不限于yolo-v3算法、目标掩码检测算法(mask-rcnn)或单机多框检测算法(Single Shot MultiBox Detector，SSD)。
S104、获取满足预设条件的子图像，作为目标图像。
在具体应用中，预先设定进行种类识别的标准作为预设条件，获取所有子图像中满足预设条件的子图像作为目标图像，以根据预训练的神经网络模型对目标图像和待识别图像进行种类识别。
其中，预设条件可根据用户实际需求进行具体设定，例如，设定预设条件为，获得置信度大于置信度中值的子图像。
S105、将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得杂草种类识别结果。
在具体应用中，可以理解的是，目标图像和待识别图像的分辨率并不相同，预训练的神经网络模型包括多个卷积层，通过在预训练的神经网络模型中预训练的神经网络模型。实现对输入的不同分辨率的待识别图像和包含植株群的各个关键部位的目标图像分别进行卷积，再进行不同分辨率的图像之间的特征融合，可以减小噪音对种类识别的干扰，提升识别效果，同时模拟人眼通过植株群关键部位进行种类识别的重要过程，获得杂草种类识别结果。
如图2所示，在一个实施例中，所述步骤S102，包括：
S1021、以植株群的关键部位为目标，通过所述预训练的目标检测算法对所述待识别图像进行目标检测，获得目标检测结果；其中，关键部位包括根、茎和叶；所述目标检测结果包括所述关键部位在所述待识别图像中的位置信息和置信度；
S1022、根据所述目标检测结果对所述待识别图像进行分割，获得一个以上的预分割图像。
在具体应用中，以植株群的每个关键部位为目标，通过预训练的目标检测算法对待识别图像进行目标检测，获得待识别图像中包含的每一个关键部位的检测结果，作为目标检测结果，根据目标检测结果对待识别图像中进行分割，获得一个以上的包含关键部位的预分割图像；目标检测结果包括任一个关键部位在待识别图像中的位置信息和置信度；其中，置信度是指一个概率样本的置信区间(Confidence interval)，是对这个样本的某个总体参数的区间估计，其取值范围在[0，1]之间。
可以理解的是，由于杂草以植株群的方式杂糅成群，因此多个分割图像中可能包含某种植物的同一个关键部位。例如，多个分割图像均包含田旋花的茎。
在一个实施例中，所述步骤S103，包括：
根据置信度对所述预分割图像进行聚类，将每个聚类结果作为一个子图像。
在具体应用中，由于在实际生活中，杂草往往在生长过程中杂糅成群，不存在天然分隔的簇，通过目标检测结果可能无法准确识别每簇植株群中的每个关键部位，因此需要对包含关键部位的预分割图像进行聚类，合并包含同一关键部位的预分割图像。首先，获取每个预分割图像的置信度，并根据置信度对预分割图像进行聚类，将属于同一关键部位的多个预分割图像进行融合，获得对应的聚类结果，并将每个聚类结果作为一个子图像。其中，聚类算法可以包括但不限于K-MEANS聚类算法、K-MEDOIDS算法或CLARANS算法。
如图3所示，在一个实施例中，所述步骤S104，包括：
S1041、获取每个所述子图像的置信度；
S1042、对所述置信度进行排序，获取满足所述预设条件的置信度对应的子图像，作为目标图像。
在具体应用中，可计算获得聚类过程中的多个预分割图像的置信度的平均值，作为与聚类结果对应的子图像的置信度，然后按照置信度的大小对置信度进行排序(例如，从大到小的顺序或从小到大的顺序)，按照序列获取满足预设条件的置信度，将与满足预设条件的置信度对应的子图像作为目标图像。
例如，设定预设条件为获取置信度最大的前5个子图像；则按照置信度的从大到小的顺序对置信度进行排序，获取序列中前5个置信度，并将与上述5个置信度对应的子图像作为目标图像。
在一个实施例中，所述步骤S105，包括：
将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得所述待识别图像中的植株群属于每个种类的杂草的概率；
获取概率最大的杂草的种类，作为杂草种类识别结果。
在具体应用中，可将目标图像和待识别图像进行缩放，使得所有图像的大小更新为预设大小，将缩放后的目标图像和待识别图像输入预训练的神经网络模型中，在预训练的神经网络模型中的logits层求取所有子图像的输出结果的平均值，再通过softmax函数计算所述待识别图像中的植株群属于每个种类的杂草的概率，将概率值最大的杂草种类作为杂草种类识别结果。其中，预设大小可以根据实际需要进行具体设定；例如，设定预设大小为224×224，若识别场景较为复杂，则可对应设定为336×336或448×448，以提高分类分类精度。
如图4所示，在一个实施例中，所述步骤S102之前，包括：
S201、获取两个以上的包含植株群的图像作为训练数据；
S202、对所述训练数据中植株群的关键部位添加候选框进行标记，获得标记后的训练数据；
S203、根据所述标记后的训练数据对目标检测算法进行预训练，获得预训练的目标检测算法；其中，目标检测算法包括yolo-v3算法、目标掩码检测算法或单机多框检测算法。
在具体应用中，预先获取目标识别场景可能出现的所有种类的杂草名录，并通过在目标识别场景拍摄获取大量的包含所有种类杂草的植株群的图像，对所有包含植株群的图像进行预处理，以过滤清晰度过低、重复或噪音太大的图像，将预处理后的图像作为训练数据，通过专家对训练数据进行种类识别，获得目标识别场景中出现的所有杂草的种类。其中，预处理包括但不限于去重处理、降噪处理、图像增强等中的至少一种。
通过对每个训练数据中植株群的关键部位添加候选框进行标记，将标记后的训练数据输入目标检测算法进行预训练，获得目标检测结果，计算目标检测结果与候选框的差值，并进行反向传播，更新目标检测算法的参数，获得预训练的目标检测算法。
在本实施例中，在对目标检测算法进行与训练后，可通过预训练的目标检测算法的输出结果进行图像分割，并对分割结果进行聚类，将聚类后的结果作为输入数据，输入神经网络模型中，获得神经网络模型的输出结果，计算输出结果与专家的分类结果的差值，并进行反向传播，更新神经网络模型的参数，获得预训练的神经网络模型；其中，神经网络模型可以包括但不限于深度残差网络(Deep residual network，ResNet)，密集连接卷积网络(Dense Convolutional Network，densenet)，或可变形图像卷积(deformableconvolutionnetwork)。
本实施例通过目标检测算法对待识别图像进行分割，获得包含植株群关键部位的分割图像，并基于包含关键部位的分割图像进行杂草的分类识别，能否模拟人眼识别植株群关键部位进而实现植株群分类的效果，提高分类精度和识别效果的准确性，以在早期对杂草进行防治，减小非水稻植带来的经济损失。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的杂草识别方法，图5示出了本申请实施例提供的杂草识别装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图5，该杂草识别装置100包括：
第一获取模块101，用于获取待识别图像；其中，所述待识别图像为包含植株群的图像；
分割模块102，用于通过预训练的目标检测算法对所述待识别图像进行分割，获得预分割图像；其中，预分割图像为包含所述植株群的关键部位的分割图像；
聚类模块103，用于对所述预分割图像进行聚类，获得一个以上的子图像；
第二获取模块104，用于获取满足预设条件的子图像，作为目标图像；
识别模块105，用于将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得杂草种类识别结果。
在一个实施例中，所述分割模块102，包括：
目标检测单元，用于以植株群的关键部位为目标，通过所述预训练的目标检测算法对所述待识别图像进行目标检测，获得目标检测结果；其中，关键部位包括根、茎和叶；所述目标检测结果包括所述关键部位在所述待识别图像中的位置信息和置信度；
分割单元，用于根据所述目标检测结果对所述待识别图像进行分割，获得一个以上的预分割图像。
在一个实施例中，所述聚类模块103，包括：
聚类单元，用于根据置信度对所述预分割图像进行聚类，将每个聚类结果作为一个子图像。
在一个实施例中，所述第二获取模块104，包括：
第一获取单元，用于获取每个所述子图像的置信度；
第二获取单元，用于对所述置信度进行排序，获取满足所述预设条件的置信度对应的子图像，作为目标图像。
在一个实施例中，所述识别模块105，包括：
输入单元，用于将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得所述待识别图像中的植株群属于每个种类的杂草的概率；
第三获取单元，用于获取概率最大的杂草的种类，作为杂草种类识别结果。
在一个实施例中，所述杂草识别装置100，还包括：
第三获取模块，用于获取两个以上的包含植株群的图像作为训练数据；
标记模块，用于对所述训练数据中植株群的关键部位添加候选框进行标记，获得标记后的训练数据；
预训练模块，用于根据所述标记后的训练数据对目标检测算法进行预训练，获得预训练的目标检测算法；其中，目标检测算法包括yolo-v3算法、目标掩码检测算法或单机多框检测算法。
本实施例通过目标检测算法对待识别图像进行分割，获得包含植株群关键部位的分割图像，并基于包含关键部位的分割图像进行杂草的分类识别，能否模拟人眼识别植株群关键部位进而实现植株群分类的效果，提高分类精度和识别效果的准确性，以在早期对杂草进行防治，减小非水稻植带来的经济损失。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图6为本申请一实施例提供的终端设备的结构示意图。如图6所示，该实施例的终端设备6包括：至少一个处理器60(图6中仅示出一个)处理器、存储器61以及存储在所述存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时实现上述任意各个杂草识别方法实施例中的步骤。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图6仅仅是终端设备6的举例，并不构成对终端设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61在一些实施例中可以是所述终端设备6的内部存储单元，例如终端设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述终端设备6的外部存储设备，例如所述终端设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字卡(Secure Digital,SD)，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了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程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种杂草识别方法，其特征在于，包括：
获取待识别图像；其中，所述待识别图像为包含植株群的图像；
通过预训练的目标检测算法对所述待识别图像进行分割，获得预分割图像；其中，预分割图像为包含所述植株群的关键部位的分割图像；
对所述预分割图像进行聚类，获得一个以上的子图像；
获取满足预设条件的子图像，作为目标图像；
将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得杂草种类识别结果。
2.如权利要求1所述的杂草识别方法，其特征在于，所述通过预训练的目标检测算法对所述待识别图像进行分割，获得预分割图像，包括：
以植株群的关键部位为目标，通过所述预训练的目标检测算法对所述待识别图像进行目标检测，获得目标检测结果；其中，关键部位包括根、茎和叶；所述目标检测结果包括所述关键部位在所述待识别图像中的位置信息和置信度；
根据所述目标检测结果对所述待识别图像进行分割，获得一个以上的预分割图像。
3.如权利要求1所述的杂草识别方法，其特征在于，所述对所述预分割图像进行聚类，获得一个以上的子图像，包括：
根据置信度对所述预分割图像进行聚类，将每个聚类结果作为一个子图像。
4.如权利要求1所述的杂草识别方法，其特征在于，所述获取满足预设条件的子图像，作为目标图像，包括：
获取每个所述子图像的置信度；
对所述置信度进行排序，获取满足所述预设条件的置信度对应的子图像，作为目标图像。
5.如权利要求1所述的杂草识别方法，其特征在于，将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得杂草种类识别结果，包括：
将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得所述待识别图像中的植株群属于每个种类的杂草的概率；
获取概率最大的杂草的种类，作为杂草种类识别结果。
6.如权利要求1至5任一项所述的杂草识别方法，其特征在于，所述通过预训练的目标检测算法对所述待识别图像进行分割，获得预分割图像之前，包括：
获取两个以上的包含植株群的图像作为训练数据；
对所述训练数据中植株群的关键部位添加候选框进行标记，获得标记后的训练数据；
根据所述标记后的训练数据对目标检测算法进行预训练，获得预训练的目标检测算法；其中，目标检测算法包括yolo-v3算法、目标掩码检测算法或单机多框检测算法。
7.一种杂草识别装置，其特征在于，包括：
第一获取模块，用于获取待识别图像；其中，所述待识别图像为包含植株群的图像；
分割模块，用于通过预训练的目标检测算法对所述待识别图像进行分割，获得预分割图像；其中，预分割图像为包含所述植株群的关键部位的分割图像；
聚类模块，用于对所述预分割图像进行聚类，获得一个以上的子图像；
第二获取模块，用于获取满足预设条件的子图像，作为目标图像；
识别模块，用于将所述目标图像和所述待识别图像输入预训练的神经网络模型中，获得杂草种类识别结果。
8.如权利要求7所述的杂草识别装置，其特征在于，所述分割模块，包括：
目标检测单元，用于以植株群的关键部位为目标，通过所述预训练的目标检测算法对所述待识别图像进行目标检测，获得目标检测结果；其中，关键部位包括根、茎和叶；所述目标检测结果包括所述关键部位在所述待识别图像中的位置信息和置信度；
分割单元，用于根据所述目标检测结果对所述待识别图像进行分割，获得一个以上的预分割图像。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如权利要求1至6任一项所述的方法。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010903447.5A CN112183212B (zh) | 2020-09-01 | 一种杂草识别方法、装置、终端设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010903447.5A CN112183212B (zh) | 2020-09-01 | 一种杂草识别方法、装置、终端设备及可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112183212A true CN112183212A (zh) | 2021-01-05 |
| CN112183212B CN112183212B (zh) | 2024-05-03 |
Family
ID=
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112949423A (zh) * | 2021-02-07 | 2021-06-11 | 深圳市优必选科技股份有限公司 | 物体识别方法、物体识别装置及机器人 |
| CN112989924A (zh) * | 2021-01-26 | 2021-06-18 | 深圳市优必选科技股份有限公司 | 目标检测方法、目标检测装置及终端设备 |
| CN113128525A (zh) * | 2021-05-19 | 2021-07-16 | 内蒙古农业大学 | 一种荒漠草原种群斑块识别的控制装置及方法 |
| CN113435282A (zh) * | 2021-06-18 | 2021-09-24 | 南京农业大学 | 基于深度学习的无人机影像麦穗识别方法 |
| CN115063699A (zh) * | 2022-05-30 | 2022-09-16 | 广州中科云图智能科技有限公司 | 基于无人机的变电站巡检方法、装置、设备以及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106971160A (zh) * | 2017-03-23 | 2017-07-21 | 西京学院 | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 |
| JP6360650B1 (ja) * | 2017-02-28 | 2018-07-18 | 株式会社オプティム | 異常検知システム、方法及びプログラム |
| CN109063577A (zh) * | 2018-07-05 | 2018-12-21 | 浙江大学 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
| CN109635653A (zh) * | 2018-11-09 | 2019-04-16 | 华南农业大学 | 一种植物识别方法 |
| CN110889437A (zh) * | 2019-11-06 | 2020-03-17 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111553240A (zh) * | 2020-04-24 | 2020-08-18 | 四川省农业科学院农业信息与农村经济研究所 | 一种玉米病害病情分级方法、系统和计算机设备 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6360650B1 (ja) * | 2017-02-28 | 2018-07-18 | 株式会社オプティム | 異常検知システム、方法及びプログラム |
| CN106971160A (zh) * | 2017-03-23 | 2017-07-21 | 西京学院 | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 |
| CN109063577A (zh) * | 2018-07-05 | 2018-12-21 | 浙江大学 | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 |
| CN109635653A (zh) * | 2018-11-09 | 2019-04-16 | 华南农业大学 | 一种植物识别方法 |
| CN110889437A (zh) * | 2019-11-06 | 2020-03-17 | 北京达佳互联信息技术有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
| CN111553240A (zh) * | 2020-04-24 | 2020-08-18 | 四川省农业科学院农业信息与农村经济研究所 | 一种玉米病害病情分级方法、系统和计算机设备 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112989924A (zh) * | 2021-01-26 | 2021-06-18 | 深圳市优必选科技股份有限公司 | 目标检测方法、目标检测装置及终端设备 |
| CN112949423A (zh) * | 2021-02-07 | 2021-06-11 | 深圳市优必选科技股份有限公司 | 物体识别方法、物体识别装置及机器人 |
| CN113128525A (zh) * | 2021-05-19 | 2021-07-16 | 内蒙古农业大学 | 一种荒漠草原种群斑块识别的控制装置及方法 |
| CN113435282A (zh) * | 2021-06-18 | 2021-09-24 | 南京农业大学 | 基于深度学习的无人机影像麦穗识别方法 |
| CN113435282B (zh) * | 2021-06-18 | 2021-12-21 | 南京农业大学 | 基于深度学习的无人机影像麦穗识别方法 |
| CN115063699A (zh) * | 2022-05-30 | 2022-09-16 | 广州中科云图智能科技有限公司 | 基于无人机的变电站巡检方法、装置、设备以及存储介质 |
| CN115063699B (zh) * | 2022-05-30 | 2023-11-28 | 广州中科云图智能科技有限公司 | 基于无人机的变电站巡检方法、装置、设备以及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108537292B (zh) | 语义分割网络训练方法、图像语义分割方法及装置 | |
| CN109117773B (zh) | 一种图像特征点检测方法、终端设备及存储介质 | |
| CN110689043A (zh) | 一种基于多重注意力机制的车辆细粒度识别方法及装置 | |
| CN111797835B (zh) | 一种病症识别方法、病症识别装置及终端设备 | |
| CN113095370B (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN112163637B (zh) | 基于非平衡数据的图像分类模型训练方法、装置 | |
| CN112966687B (zh) | 图像分割模型训练方法、装置及通信设备 | |
| CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
| KR102283452B1 (ko) | 작물 이미지의 병해충 검출 방법 및 장치 | |
| CN112183212B (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
| CN111104965A (zh) | 车辆目标识别的方法及装置 | |
| CN111126501A (zh) | 一种图像识别方法、终端设备及存储介质 | |
| CN112183212A (zh) | 一种杂草识别方法、装置、终端设备及可读存储介质 | |
| CN116612307A (zh) | 一种基于迁移学习的茄科病害等级识别方法 | |
| CN112215186B (zh) | 沼泽湿地植被分类方法、装置、计算机设备及存储介质 | |
| WO2022254211A1 (en) | Cloud-free analytics from satellite input | |
| CN114549884A (zh) | 一种异常图像检测方法、装置、设备及介质 | |
| CN110827243B (zh) | 网格梁覆盖区域异常检测方法和装置 | |
| CN108664921B (zh) | 一种安卓平台下基于词袋模型的图像识别方法及系统 | |
| CN112288748A (zh) | 一种语义分割网络训练、图像语义分割方法及装置 | |
| CN117474070B (zh) | 模型剪枝方法、人脸识别模型训练方法及人脸识别方法 | |
| US20240144633A1 (en) | Image recognition method, electronic device and storage medium | |
| Lavreniuk | Crop Classification Maps Filtration Based on Deep Learning Methods | |
| CN113269796B (zh) | 一种图像分割方法、装置及终端设备 | |
| Jayanthi et al. | Performance Evaluation of the Infected Rice Leaves Using RCNN |
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 |