CN112418473A - 农作物信息的处理方法、装置、设备及计算机存储介质 - Google Patents
农作物信息的处理方法、装置、设备及计算机存储介质 Download PDFInfo
- Publication number
- CN112418473A CN112418473A CN201910769029.9A CN201910769029A CN112418473A CN 112418473 A CN112418473 A CN 112418473A CN 201910769029 A CN201910769029 A CN 201910769029A CN 112418473 A CN112418473 A CN 112418473A
- Authority
- CN
- China
- Prior art keywords
- information
- processed
- crops
- crop
- view
- 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
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
- 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
Abstract
本发明实施例提供了一种农作物信息的处理方法、装置、设备及计算机存储介质,方法包括:获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息。通过获取待处理农作物的多个待处理图像,而后利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息,有效地保证了农作物相关信息获取的质量和效率,并且该处理方法适用于对大范围的农作物信息进行处理,进一步降低了人工成本。
Description
技术领域
本发明涉及农业生产技术领域,尤其涉及一种农作物信息的处理方法、装置、设备及计算机存储介质。
背景技术
农作物是指农业上栽培的各种植物,其可以包括粮食作物和经济作物(油料作物、蔬菜作物、花、草、树木)两大类。其中,可食用的农作物是人类基本食物的来源之一,“民以食为天”就表达了食物对人们的重要程度。在人们种植或者养植农作物的过程中,可以对农作物信息进行处理,其中,农作物信息可以包括:农作物产量、农作物的果实成熟度、农作物的病虫害信息等等,在对农作物信息进行处理后,便于人们对农作物进行合理分配和计划。
以农作物产量作为农作物信息为例进行说明,现有技术中,对农作物产量的估计方法往往是需要大量的人工调查和数据统计,通过人工调查和数据统计来估计农作物的产量。然而,人工统计的方式并不适宜对大范围的农作物产量进行估计,并且产量预测的效率和准确率较低,人工成本较高。
发明内容
本发明实施例提供一种农作物信息的处理方法、装置、设备及计算机存储介质,利用预测模型可以对大范围的农作物信息进行处理,不仅保证了农作物信息处理的准确性和效率,并且还降低了人工成本。
第一方面,本发明实施例提供一种农作物信息的处理方法,包括:
获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息。
第二方面,本发明实施例提供一种农作物产量的处理装置,包括:
第一获取模块,用于获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
第一处理模块,用于利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息。
第三方面,本发明实施例提供一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第一方面中的一种农作物信息的处理方法。
第四方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第一方面中的一种农作物信息的处理方法。
通过获取待处理农作物的多个待处理图像,而后利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息,有效地保证了农作物相关信息获取的质量和效率,并且该处理方法适用于对大范围的农作物信息进行处理,进一步提高了对农作物信息进行处理的速度和效率,降低了人工成本,有效地提高了该方法的实用性,有利于市场的推广与应用。
第五方面,本发明实施例提供一种模型的训练方法,包括:
获取农作物的预设参数信息和多个图像信息,多个所述图像信息至少包括多个俯视图信息和多个侧视图信息;
确定与所述农作物相对应的预估产量信息;
对所述预设参数信息、俯视图信息、侧视图信息和预估产量信息进行学习训练,获得用于对农作物的产量进行预测的预估模型。
第六方面,本发明实施例提供一种模型的训练装置,包括:
第二获取模块,用于获取农作物的预设参数信息和多个图像信息,多个所述图像信息至少包括多个俯视图信息和多个侧视图信息;
第二确定模块,用于确定与所述农作物相对应的预估产量信息;
第二处理模块,用于对所述预设参数信息、俯视图信息、侧视图信息和预估产量信息进行学习训练,获得用于对农作物的产量进行预测的预估模型。
第七方面,本发明实施例提供一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第五方面中的一种模型的训练方法。
第八方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第五方面中的一种模型的训练方法。
第九方面,本发明实施例提供一种农作物信息的处理方法,包括:
获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息;
根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户;
获取与所述目标需求用户所对应的目标需求信息;
根据所述目标需求信息生成针对待处理农作物的供应信息。
第十方面,本发明实施例提供了一种农作物信息的处理装置,包括:
第三获取模块,用于获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息;
第三确定模块,用于根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户;
所述第三获取模块,还用于获取与所述目标需求用户所对应的目标需求信息;
第三处理模块,用于根据所述目标需求信息生成针对待处理农作物的供应信息。
第十一方面,本发明实施例提供一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第九方面中的一种农作物信息的处理方法。
第十二方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第九方面中的一种农作物信息的处理方法。
通过获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息;而后确定与所述产量信息相对应的目标需求用户;获取与所述目标需求用户相对应的目标需求信息;最后根据所述目标需求信息生成针对待处理农作物的供应信息,有效地实现了根据农作物的产量信息直接确定与该农作物相对应的供应信息,从而提高了农作物的推销效率和质量,节省了对农作物进行推销的成本,保证了该方法的实用性,有利于市场的推广与应用。
第十三方面,本发明实施例提供一种农作物信息的处理方法,包括:
获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
第十四方面,本发明实施例提供了一种农作物信息的处理装置,包括:
第四获取模块,用于获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
第四处理模块,用于利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
第十五方面,本发明实施例提供一种电子设备,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现上述第十三方面中的一种农作物信息的处理方法。
第十六方面,本发明实施例提供了一种计算机存储介质,用于储存计算机程序,所述计算机程序使计算机执行时实现上述第十三方面中的一种农作物信息的处理方法。
通过获取与待处理农作物相对应的病虫害信息,可以使得用户及时了解待处理农作物的生长状态,当待处理农作物的病虫害信息较为严重时,可以及时地对待处理农作物进行病虫害防治工作,从而实现了对待处理农作物的及时管理和维护,保证了待处理农作物的生长质量和果实产量。
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农作物信息的处理方法的示意图;
图2a为本发明实施例提供的另一种农作物信息的处理方法的示意图;
图2b为本发明实施例提供的一种利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息的流程图一;
图3为本发明实施例提供的另一种农作物信息的处理方法的流程图;
图4为本发明实施例提供的确定与所述农作物相对应的预估产量信息的流程图;
图5为本发明实施例提供的基于所述俯视图信息获取所述农作物的第一特征信息的流程图一;
图6为本发明实施例提供的基于所述俯视图信息获取所述农作物的第一特征信息的流程图二;
图7为本发明实施例提供的基于所述侧视图信息获取所述农作物的第二特征信息的流程图;
图8为本发明应用实施例提供的一种农作物信息的处理方法的示意图;
图9为本发明实施例提供的一种模型的训练方法的流程图;
图10为本发明实施例提供的还一种农作物信息的处理方法的流程图;
图11为本发明实施例提供的又一种农作物信息的处理方法的流程图;
图12为本发明实施例提供的一种农作物产量的处理装置的结构示意图;
图13为与图12所示实施例提供的农作物产量的处理装置对应的电子设备的结构示意图;
图14为本发明实施例提供的一种模型的训练装置的结构示意图;
图15为与图14所示实施例提供的模型的训练装置对应的电子设备的结构示意图;
图16为本发明实施例提供的一种农作物信息的处理装置的结构示意图;
图17为与图16所示实施例提供的农作物信息的处理装置对应的电子设备的结构示意图;
图18为本发明实施例提供的一种农作物信息的处理装置的结构示意图;
图19为与图18所示实施例提供的农作物信息的处理装置对应的电子设备的结构示意图。
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。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义,“多种”一般包含至少两种,但是不排除包含至少一种的情况。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
取决于语境,如在此所使用的词语“如果”、“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地,取决于语境,短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
还需要说明的是,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商品或者系统不仅包括那些要素,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商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
另外,下述各方法实施例中的步骤时序仅为一种举例,而非严格限定。
术语定义:
深度学习算法,是一种通过建立具有阶层结构的人工神经网络,在计算系统中实现人工智能的算法。深度学习所使用的阶层ANN具有多种形态,其阶层的复杂度被通称为“深度”。按构筑类型,深度学习的形式可以包括多层感知器、卷积神经网络、循环神经网络、深度置信网络和其它混合构筑。具体应用时,深度学习算法的实现原理为:深度学习使用数据对其构筑中的参数进行更新以达成训练目标,该过程被通称为“学习”。
神经网络,在机器学习和认知科学领域,神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。其中,神经网络由大量的人工神经元联结进行计算,大多数情况下人工神经网络能在外界信息的基础上改变内部结构,是一种自适应系统,通俗的讲就是具备学习功能。
图1为本发明实施例提供的一种农作物信息的处理方法的示意图;参考附图1所示,本实施例提供了一种农作物信息的处理方法,该农作物信息的处理方法的执行主体为处理装置,可以理解的是,该处理装置可以实现为软件、或者软件和硬件的组合。具体的,该方法可以包括:
S1:获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图。
其中,待处理农作物可以是指单颗农作物,也可以是指预设区域的部分农作物或者所有农作物,例如:待处理农作物可以是指果园中的某颗、部分或者全部果树,或者,待处理农作物也可以是指某一种植区域中所种植的某颗、部分或者所有植物等等。
另外,在获取待处理农作物的待处理俯视图时,可以通过拍摄装置来获取;具体的,可以利用无人机加拍摄装置来实现,即无人机飞行在待处理农作物的上端,通过无人机上的拍摄装置可以获取待处理农作物的若干待处理俯视图,所获取到的待处理俯视图个数可以为一个或多个。需要说明的是,在无人机飞行在待处理农作物的上端时,无人机与待处理农作物之间的距离会对待处理俯视图的效果产生影响,例如:在无人机与待处理农作物之间的距离较近时,待处理俯视图的清晰度较高,覆盖面积较小;在无人机与待处理农作物之间的距离较远时,待处理俯视图的清晰度较差,覆盖面积较大。为了保证对待处理农作物产量预测的准确性,同时降低数据处理的复杂度,可以根据待处理农作物种类的不同,按照农业领域的规范来设置无人机的飞行高度,例如,当待处理农作物为果树时,可以控制无人机与果树之间的飞行距离在100米到200米之间。
在获取待处理农作物的待处理侧视图时,可以通过拍摄装置来获取;具体的,可以利用无人机加拍摄装置来实现,即无人机飞行在待处理农作物的侧端,通过无人机上的拍摄装置可以获取待处理农作物的若干待处理侧视图,所获取的待处理侧视图个数可以为一个或多个,并且,多个待处理侧视图的拍摄角度可以不同。需要说明的是,不同的待处理农作物与果实之间的相对位置不同,例如:在待处理农作物为果树时,果树上的果实可以被果树的枝叶所覆盖;在待处理农作物为水稻时,水稻上的果实位于水稻的上端,不容易被水稻的枝叶所覆盖。因此,在获取待处理农作物的待处理侧视图时,可以根据不同待处理农作物与果实之间的位置关系调整无人机的飞行角度,例如,在待处理农作物为果树时,可以控制无人机低空倾斜飞行,而无人机低空倾斜飞行的具体飞行高度和倾斜角度可以根据果树的高度进行调整,只要能够获得包括有较为清晰的第二特征信息的待处理侧视图即可。
另外,在利用无人机获取待处理农作物的待处理俯视图和待处理侧视图时,可以根据无人机的数量选择不同的拍摄策略,例如:当无人机的个数为多个时,可以控制多个无人机同时从不同角度进行图像拍摄操作,从而可以同时获得待处理俯视图和待处理侧视图;当无人机的个数为一个时,可以先控制无人机获取到待处理俯视图,而后再获取到待处理侧视图,从而实现了通过一个无人机的串行动作拍摄依次获取到待处理俯视图和待处理侧视图。
需要注意的是,除了上述利用无人机加拍摄装置来获取待处理俯视图和待处理侧视图外,还可以采用其他装置来获取到待处理俯视图和待处理侧视图,例如:可以利用飞艇/无人车加拍摄装置来获取到待处理俯视图和待处理侧视图;或者,还可以通过遥控汽车加360°摄像头来获取到待处理俯视图和待处理侧视图;或者采用摄像头联动技术来获取到待处理俯视图和待处理侧视图。此外,待处理图像还可以包括其他视角的视图,例如,还可以包括待处理农作物的待处理仰视图等等;本领域技术人员可以根据具体的应用需求和设计需求来选择不同的待处理图像进行处理,在此不再赘述。
S2:利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息。
在获取到待处理俯视图和待处理侧视图之后,可以利用预估模型对待处理俯视图和待处理侧视图进行处理,从而可以快速、准确地获取到与所述待处理农作物相对应的相关信息;其中,相关信息可以包括以下至少之一:农作物的产量信息、农作物的果实成熟信息、农作物的生长信息、农作物的病虫害信息等等,本领域技术人员可以根据具体的应用需求来设置相关信息的具体内容,在此不再赘述。
本实施例提供的农作物信息的处理方法,通过获取待处理农作物的多个待处理图像,而后利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息,有效地保证了农作物相关信息获取的质量和效率,并且该处理方法适用于对大范围的农作物信息进行处理,进一步提高了对农作物信息进行处理的速度和效率,并且还降低了人工成本,有效地提高了该方法的实用性,有利于市场的推广与应用。
图2a为本发明实施例提供的另一种农作物信息的处理方法的示意图;图2b为本发明实施例提供的一种利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息的流程图一;在上述实施例的基础上,参考附图2a-2b所示,针对利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息,一种可实现的方式包括:
S001:获取与所述待处理农作物的待处理参数信息,所述待处理参数信息包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息。
其中,待处理农作物的浇水信息可以包括:浇水频率和浇水量;施肥信息可以包括施肥频率和施肥数量,病虫害信息可以包括:病虫害发生次数、病虫害发生范围、病虫害防治频率、病虫害防治数量、病虫害防治质量等等。可以理解的是,待处理参数信息所包括的参数信息并不限于上述举例说明的参数信息,本领域技术人员还可以根据具体的应用需求对其所包括的参数信息进行设置,例如,待处理参数信息还可以包括:土质信息、农作物年龄信息等等,在此不再赘述。
具体的,在获取待处理农作物的待处理参数信息时,可以利用环境传感器来获取,例如:可以通过温度传感器获取温度信息,通过雨量器或者水量检测器获取降水信息,通过光照传感器获取光照信息。当然的,本领域技术人员也可以通过其他方式来获取到待处理参数信息,例如,可以通过气象站或者气象中心来获取到温度信息、降水信息、光照信息等等,只要能够保证待处理参数信息获取的准确可靠性即可,在此不再赘述。或者,在获取农作物的其他待处理参数信息(例如:浇水信息、施肥信息、病虫害信息)时,可以通过读取预设存储区域内存储的数据来获取到浇水信息、施肥信息、病虫害信息,或者,人员可以直接记录或者输入浇水信息、施肥信息、病虫害信息,也即,该信息是人员直接提供的,从而有效地保证了待处理参数信息获取的准确可靠性。
S002:利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的产量信息。
在获取到待处理参数信息、待处理俯视图和待处理侧视图之后,可以利用预估模型对待处理农作物的产量进行预测,如图2a所示,从而可以快速、准确地获取到与所述待处理农作物相对应的产量信息。
本实施例提供的农作物信息的处理方法,通过获取待处理农作物的待处理参数信息和多个待处理图像,其中,待处理参数信息包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息,而后利用预估模型对待处理农作物的产量进行预测,在对待处理农作物的产量进行预测时,由于充分考虑了对产量有影响的各个因素,故有效地实现了对待处理农作物产量的精准预测,并且该预测方法也适用于对大范围的农作物产量进行估计,不仅保证了产量估计的准确性和效率,并且还降低了人工成本,进一步提高了该方法的实用性,有利于市场的推广与应用。
图3为本发明实施例提供的另一种农作物信息的处理方法的流程图;在上述实施例的基础上,继续参考附图3所示,在利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理之前,本实施例中的方法可以包括:
S101:获取农作物的预设参数信息和多个图像信息,图像信息至少包括俯视图信息和侧视图信息。
其中,农作物可以是指单颗农作物,也可以是指预设区域的部分农作物或者所有农作物,例如:农作物可以是指果园中的某颗、部分或者全部果树,或者,农作物也可以是指某一种植区域中所种植的某颗、部分或者所有植物等等。而农作物的预设参数信息可以包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息,其中,浇水信息可以包括:浇水频率和浇水量;施肥信息可以包括施肥频率和施肥数量,病虫害信息可以包括:病虫害发生次数、病虫害发生范围、病虫害防治频率、病虫害防治数量、病虫害防治质量等等。
另外,在获取农作物的预设参数信息和多个图像信息时,其实现方式预设上述实施例中获取待处理农作物的待处理参数信息和多个待处理图像的实现方式相类似,具体可参考上述陈述内容,在此不再赘述。
可选地,在确定与农作物相对应的预估产量信息之前,本实施例中的方法还可以包括:
S1011:对预设参数信息进行数字化处理,获得与预设参数信息相对应的描述数据。
具体的,在获取到预设参数信息之后,为了便于基于预设参数信息进行分析处理,可以将预设参数信息进行数字化处理,即将结构化的预设参数信息转换为数字型的描述数据,从而便于对预设参数信息进行数据处理,进一步保证了该方法应用的准确可靠性。
S102:确定与农作物相对应的预估产量信息。
在获取到农作物的侧视图和俯视图之后,可以确定与农作物相对应的预估产量信息,该预估产量信息可以是根据侧视图和俯视图获得的。其中,本实施例对于预估产量信息的具体确定方式不做限定,例如:对于侧视图和俯视图进行分析处理,获得与农作物相对应的三维点云数据,通过对三维点云数据的分析处理,可以获得预估产量信息等等,本领域技术人员可以根据具体的应用需求和应用场景进行设置,在此不再赘述。
S103:根据预设参数信息、俯视图信息、侧视图信息和预估产量信息建立预估模型。
在获取到预估产量信息之后,可以对预设参数信息、俯视图信息、侧视图信息与预估产量信息之间的对应关系进行学习训练,从而可以建立预估模型,该预估模型用于对待处理农作物的产量进行预测。可以理解的是,为了保证预估模型获取的精确度和准确度,可以获得多个预设参数信息、俯视图信息、侧视图信息与预估产量信息之间的对应关系,基于多个对应关系来建立预估模型。
本实施例提供的农作物信息的处理方法,通过获取农作物的预设参数信息和多个图像信息,确定与农作物相对应的预估产量信息,而后根据预设参数信息、俯视图信息、侧视图信息和预估产量信息建立预估模型,从而可以利用所建立的预估模型对待处理农作物的产量进行预测,适用于对大范围的农作物产量进行估计,不仅保证了产量估计的准确性和效率,并且还降低了人工成本,进一步提高了该方法的实用性,有利于市场的推广与应用。
图4为本发明实施例提供的确定与农作物相对应的预估产量信息的流程图;在上述实施例的基础上,继续参考附图4所示,本实施例对于确定与农作物相对应的预估产量信息的具体实现方式不做限定,本领域技术人员可以根据具体的应用场景和应用需求进行设置,较为优选的,本实施例中的确定与农作物相对应的预估产量信息可以包括:
S1021:基于俯视图信息获取农作物的第一特征信息,第一特征信息包括以下至少之一:农作物的位置信息、农作物的高度信息、农作物的树冠大小;
其中,农作物的第一特征信息不仅限于上述举例说明的信息,还可以包括其他信息,例如:农作物的种类信息、农作物的历史产量信息等等。
另外,本实施例对于农作物的第一特征信息的具体获取方式不做限定,本领域技术人员可以根据具体的应用需求和应用场景进行设置,如图5所示,在第一特征信息包括位置信息时,基于俯视图信息获取农作物的第一特征信息可以包括:
S10211:基于俯视图信息获取与农作物相对应的正射影像。
其中,正射影像是具有正射投影性质的影像。在获取到俯视图信息之后,可以基于俯视图信息进行点云重建和图片配准拼接处理,从而可以得到与农作物相对应的正射影像。具体的,点云重建和图片配准的实现方式与现有技术中的点云重建和图片配准的实现方式相同,在此不再赘述。
S10212:利用深度学习算法对正射影像进行处理,获得用于标识农作物的位置信息。
在获取到正摄影像之后,可以利用深度学习算法对正射影像进行分析处理,从而可以获得农作物的位置信息,该位置信息用于标识农作物,以便于对多个农作物的预测产量进行统计。举例来说:预设区域中有多颗农作物,每颗农作物均对应有不同的位置信息,在对不同的农作物进行产量预测时,可以获得不同的农作物所对应的预测产量;实际应用时,可以基于位置信息对上述不同农作物的预测产量情况进行统计,如:位置1的农作物所对应的预测产量为S2,位置2的农作物所对应的预测产量为S2等等。
具体的,在利用深度学习算法对正射影像进行分析处理时,可以采用深度学习之目标检测的方法对正射影像进行分析处理,其中,深度学习之目标检测的方法可以包括one-stage和two-stage的方法。具体的,One-stage方法有单步多框检测框架(Single ShotDetector,简称SSD)、(You Only Look Once,简称YOLO)等框架,上述目标检测方法快速实时性好;Two-stage方法有faster rcnn系列框架,上述目标检测方法的精度较高。本领域技术人员可以根据不同的应用场景和不同的应用需求来选择不同的目标检测方法,只要能够获得农作物的位置信息即可在此不再赘述。
此外,参考附图6所示,在第一特征信息包括高度信息和树冠大小时,基于俯视图信息获取农作物的第一特征信息可以包括:
S10213:基于俯视图信息获取与农作物相对应的数字高程模型。
其中,数字高程模型是通过有限的地形高程数据实现对地面地形的数字化模拟(即地形表面形态的数字化表达),它是用一组有序数值阵列形式表示地面高程的一种实体地面模型,是数字地形模型(Digital Terrain Model,简称DTM)的一个分支,其它各种地形特征值均可由此派生。具体的,在获取到俯视图信息之后,可以基于俯视图信息进行点云重建和图片配准拼接处理,从而可以得到与农作物相对应的数字高程模型。具体的,点云重建和图片配准的实现方式与现有技术中的点云重建和图片配准的实现方式相同,在此不再赘述。
S10214:根据数字高程模型确定农作物的高度信息和树冠大小。
在获取到数字高程模型之后,可以基于数字高程模型进行分析识别,从而可以确定农作物的高度信息和树冠大小,通过所获得的农作物的高度信息和树冠大小可以辅助实现对农作物的产量进行精准预测。
S1022:基于侧视图信息获取农作物的第二特征信息,第二特征信息包括以下至少之一:果实位置信息和果实大小信息。
具体的,参考附图7所示,本实施例中的基于侧视图信息获取农作物的第二特征信息可以包括:
S10221:基于侧视图信息进行点云重建处理,获得农作物的三维模型数据。
S10222:利用深度学习算法对三维模型数据进行处理,获得位于农作物上的果实位置信息和果实大小信息。
具体的,在获取到侧视图之后,可以获得侧视图中的点云信息,而后对点云信息进行点云重建处理,从而可以获得农作物的三维模型数据;在获取到三维模型数据之后,利用深度学习算法对三维模型数据进行图像分割处理,从而可以准确、有效地获得位于农作物上的果实位置信息和果实大小信息。
其中,图像分割的方法有语义分割方法Semantic Segmentation和实例分割方法Instance Segmentation两种。具体的,语义分割方法代表网络Unet,特点U型结构和跳跃连接skip-connection结构,适用于结构固定、语义简单的场景。实例分割方法代表网络Maskrcnn,在faster rcnn基础上加入mask分支,具有极大的提升了网络性能,分割效果很好。
S1023:利用浅层神经网络对第一特征信息、第二特征信息和预设参数信息进行拟合处理,获得与农作物相对应的预估产量信息。
其中,浅层神经网络是层数很少的神经网络算法,比如:隐藏层的层数为1。该浅层神经网络可以实现农作物产量的拟合预估处理,具体的,在获取到第一特征信息、第二特征信息和预设参数信息之后,可以利用浅层神经网络、并基于上述信息对农作物的产量进行拟合处理,从而可以获得与农作物相对应的预估产量信息,这样不仅提高了预估产量信息的准确度,并且还降低了人工成本。
为了进一步提高该方法的实用性,在上述实施例的基础上,本实施例中的方法还可以包括:
S201:获取与至少一个参考农作物相对应的至少一个参考产量信息。
其中,参考农作物可以是指与待处理农作物相同类型的其他农作物,例如:待处理农作物位于A区域,参考农作物可以是指位于B区域相同类型的其他农作物。或者,参考农作物可以是指不同时期的待处理农作物,也即:参考农作物可以是指处于历史时期的农作物;例如:待处理农作物为今年的农作物,参考农作物可以是去年的同一农作物或者是指前年的同一农作物。在参考农作物为其他农作物时,参考产量信息为其他农作物所对应的其他产量信息,在参考农作物为历史时期的农作物时,参考产量信息为历史时期农作物所对应的历史产量信息。
S202:根据所述产量信息和至少一个参考产量信息确定所述待处理农作物的产量水平。
在获取到至少一个参考产量信息之后,可以将产量信息与至少一个参考产量信息进行分析对比,从而可以确定待处理农作物的产量水平;具体的,在参考产量信息为与其他农作物相对应的其他产量信息时,可以获得该待处理农作物相对于其他农作物的产量水平,例如:该待处理农作物的产量信息比位于A区域的农作物的参考产量信息要高;该待处理农作物的产量信息比位于B区域的农作物的参考产量信息要低。在参考产量信息为历史农作物所对应的历史产量信息时,则可以获得该待处理农作物相对于历史农作物的产量水平,例如:该待处理农作物的产量信息高于前年的历史产量,而该待处理农作物的产量信息低于去年的历史产量等等。
可以想到的是,在确定所述待处理农作物的产量水平之后,本实施例中的方法还可以包括:
S203:根据所述产量水平确定用于对所述待处理农作物进行管理的管理策略。
在获取到产量水平之后,可以根据产量水平确定对待处理农作物进行管理的管理策略,该管理策略包括以下至少一个方面的管理内容:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息。举例来说:在产量水平为:待处理农作物的产量信息比位于B区域的农作物的参考产量信息要低时,可以获取与B区域的农作物所对应的B区管理信息,根据B区管理信息确定对所述待处理农作物进行管理的管理策略;具体的,可以获取到待处理农作物相对应的原始管理信息,根据原始管理信息和B区管理信息确定用于对待处理农作物进行管理的管理策略。或者,在产量水平为:待处理农作物的产量信息低于去年的历史产量时,则可以获取到去年针对待处理农作物进行管理的历史管理信息,而后根据历史管理信息确定用于对所述待处理农作物进行管理的管理策略;其中,一种可实现的方式,可以将历史管理信息直接确定为用于对所述待处理农作物进行管理的管理策略;另一种可实现的方式为,可以获取待处理农作物相对应的原始管理信息,根据历史管理信息和原始管理信息确定用于对所述待处理农作物进行管理的管理策略。
具体的,本领域技术人员可以根据应用场景的需求和设计需求选择不同的方式来获得用于对所述待处理农作物进行管理的管理策略,只要能够保证管理策略获取的准确可靠性即可。在获取到管理策略之后,可以利用管理策略对待处理农作物进行管理,从而可以提高待处理农作物的产量水平。
在上述任意一个实施例的基础上,为了进一步提高该方法的实用性,在获得与所述待处理农作物相对应的产量信息之后,本实施例中的方法还可以包括:
S4:获取针对待处理农作物的至少一个需求信息;
在用户针对农作物存在需求信息时,可以将需求信息上传至预设位置(例如:需求平台、农作物交易平台),该处理装置通过访问预设位置可以多个用户针对不同农作物的需求信息。在获取到待处理农作物相对应的产量信息之后,可以获取用户上传的针对待处理农作物的至少一个需求信息。
S5:根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户。
在获取到至少一个需求信息和产量信息之后,可以确定与所述产量信息相对应的至目标需求用户,可以想到的是,目标需求用户的个数可以为一个或多个;需要注意的是,在确定目标需求用户时,要尽量保证所有目标需求用户所对应的需求信息尽量靠近产量信息,以使得产量信息的最大利用化。
举例来说:产量信息为1000,用户甲的需求信息为500、用户乙的需求信息为600、用户丙的需求信息为950,此时,可以将用户丙确定为与产量信息相对应的目标需求用户。或者,产量信息为1000,用户甲的需求信息为500,用户乙的需求信息为450,用户丙的信息为800,此时,可以将用户甲和用户乙确定为与产量信息相对应的目标需求用户;或者,也可以将用户丙单独确定为与产量信息相对应的目标需求用户。
S6:获取与所述目标需求用户相对应的目标需求信息;
其中,在获取到目标需求用户之后,可以根据用户与需求信息之间的映射关系确定与目标需求用户相对应的目标需求信息。
S7:根据所述目标需求信息生成针对待处理农作物的供应信息。
在获取到目标需求信息之后,可以根据目标需求信息生成针对待处理农作物的供应信息,该供应信息可以包括:供应需求信息、供应量信息、供应者信息、供应目标等等。
通过获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息;而后确定与所述产量信息相对应的目标需求用户;获取与所述目标需求用户相对应的目标需求信息;最后根据所述目标需求信息生成针对待处理农作物的供应信息,有效地实现了根据农作物的产量信息直接确定与该农作物相对应的供应信息,从而提高了农作物的推销效率和质量,节省了对农作物进行推销的成本,保证了该方法的实用性,有利于市场的推广与应用。
在上述任意一个实施例的基础上,针对利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息,又一种可实现的方式可以包括:
S301:获取与所述待处理农作物的待处理参数信息,所述待处理参数信息包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息;
S302:利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的果实成熟信息。
在获取到待处理参数信息、待处理俯视图和待处理侧视图之后,可以利用预估模型对待处理农作物相对应的果实成熟信息进行预测,从而可以快速、准确地获取到与所述待处理农作物相对应的果实成熟信息;该果实成熟信息可以与果实位于待处理农作物的位置信息和待处理农作物所处的位置信息相关,例如:位于同一颗待处理农作物而言,位于A处的果实成熟信息比位于B处的果实成熟信息要高;对于不同区域的多个待处理农作物而言,位于A区域的待处理农作物的果实成熟信息比位于B区域的待处理农作物的果实成熟信息要低等等。
通过获取待处理农作物的待处理参数信息和多个待处理图像,而后利用预估模型对待处理农作物的果实成熟信息进行预测,在对待处理农作物的果实成熟信息进行预测时,由于充分考虑了对果实成熟信息有影响的各个因素,故有效地实现了对待处理农作物的果实成熟信息的精准预测,并且该预测方法也适用于对大范围的农作物的果实成熟信息进行估计,不仅保证了果实成熟信息估计的准确性和效率,并且还降低了人工成本,进一步提高了该方法的实用性,有利于市场的推广与应用。
进一步的,在利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理之前,本实施例中的方法还可以包括:
S401:获取农作物的预设参数信息和多个图像信息,所述图像信息至少包括俯视图信息和侧视图信息;
S402:确定与所述农作物相对应的预估果实成熟信息。
在获取到农作物的侧视图和俯视图之后,可以确定与农作物相对应的预估果实成熟信息,该预估果实成熟信息可以是根据侧视图和俯视图获得的。其中,本实施例对于预估果实成熟信息的具体确定方式不做限定,例如:对于侧视图和俯视图进行分析处理,获得与农作物相对应的三维点云数据,通过对三维点云数据的分析处理,可以获得预估果实成熟信息等等。或者,也可以获取到农作物的果实生长周期(可以从农作物的花朵期结束开始计算),通过果实生长周期和农作物的侧视图和俯视图来获得与农作物相对应的预估果实成熟信息。本领域技术人员可以根据具体的应用需求和应用场景进行设置,在此不再赘述。
S403:根据所述预设参数信息、俯视图信息、侧视图信息和预估果实成熟信息建立所述预估模型。
在获取到预估产量信息和预估果实成熟信息之后,可以对预设参数信息、俯视图信息、侧视图信息和预估果实成熟信息之间的对应关系进行学习训练,从而可以建立预估模型,该预估模型用于对待处理农作物的果实成熟情况进行预测。可以理解的是,为了保证预估模型获取的精确度和准确度,可以获得多个预设参数信息、俯视图信息、侧视图信息与预估果实成熟信息之间的对应关系,基于多个对应关系来建立预估模型。
进一步的,在获得与所述待处理农作物相对应的果实成熟信息之后,本实施例中的方法还可以包括:
S501:在所述待处理农作物上,获取所述果实成熟信息满足预设条件的果实所在的果实位置信息。
S502:根据所述果实位置信息生成与所述待处理农作物相对应的第一建议信息。
其中,预设条件是预先设置的果实成熟标准,不同的果实可以对应有不同的果实成熟标准,不同的区域可以对应有不同的果实成熟标准,本领域技术人员可以根据具体的应用场景、农作物的类型和需求信息对预设条件进行设置,在此不再赘述。由于果实成熟信息与果实位于待处理农作物上的位置信息相关,因此,为了提高对待处理农作物进行管理的质量和效率,可以在所述待处理农作物上,获取所述果实成熟信息满足预设条件的果实所在的果实位置信息,具体的,针对同一颗待处理农作物上的多个果实而言,可以根据果实成熟信息筛选出果实成熟信息满足预设条件的果实,而后获取筛选出的果实所在的果实位置信息,并可以根据该果实位置信息生成第一建议信息,该第一建议信息用于对待处理农作物的管理进行建议,以提高待处理农作物上所有果实的果实成熟信息。
举例来说:针对同一颗待处理农作物,现有果实成熟信息如下:A果实的果实成熟信息为80,B果实的果实成熟信息为70,C果实的果实成熟信息为90,之后分别确定A果实、B果实和C果实位于待处理农作物的果实位置信息:A果实的果实位置信息为ad1,B果实的果实位置信息为ad2,C果实的果实位置信息为ad3,而后,确定满足预设条件的果实为C果实,从而可以获取C果实所在的果实位置信息ad3,并可以根据该果实位置信息ad3确定第一建议信息。例如:可以获取位于ad3位置处果实的光照信息,通过光照信息生成第一建议信息,通过该第一建议信息可以对待处理农作物(主要是对待处理农作物上除了ad3位置外的其他位置)进行管理,从而可以提高其他位置处的果实成熟信息。
进一步的,在获得与所述待处理农作物相对应的果实成熟信息之后,本实施例中的方法还可以包括:
S601:针对预设的区域范围中的多个农作物,获取所述果实成熟信息满足预设条件的农作物所在的农作物位置信息。
S602:根据所述农作物位置信息生成与所述待处理农作物相对应的第二建议信息。
其中,由于果实成熟信息与待处理农作物所在的区域位置相关,因此,为了提高对待处理农作物进行管理的质量和效率,可以在预设的区域范围中,获取所述果实成熟信息满足预设条件的农作物所在的农作物位置信息,具体的,在预设的区域范围内,可以先获取多个农作物所对应的果实成熟信息,针对果实成熟信息满足预设条件的农作物,可以通过卫星遥感数据获取到农作物所在的区域位置(农作物位置信息),而后可以根据农作物位置信息生成第二建议信息,该第二建议信息用于对待处理农作物的管理进行建议,以提高待处理农作物上果实的果实成熟信息。
举例来说:针对不同区域的待处理农作物,现有果实成熟信息如下:A区域的果实成熟信息为85,B区域的果实成熟信息为75,C区域的果实成熟信息为95,在上述预设的区域范围中,可以获取果实程度信息满足预设条件的农作物位置信息为C区域,因此,可以根据C区域生成第二建议信息,例如:可以获取位于C区域处的待处理农作物的光照信息,通过光照信息生成第二建议信息,通过该第二建议信息可以对其他区域的待处理农作物(主要是对A区域和B区域的待处理农作物)进行管理,从而可以提高其他位置处的待处理农作物的果实成熟信息。
在上述实施例的基础上,针对利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息,还一种可实现的方式包括:
S701:利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
在获取到待处理俯视图和待处理侧视图之后,可以利用预估模型对待处理侧视图和待处理俯视图进行分析识别,具体的,可以获取到与待处理农作物相对应的枝叶生长状态、果实状态,通过枝叶生长状态和果实状态获得与待处理农作物相对应的病虫害信息。
通过获取与待处理农作物相对应的病虫害信息,可以使得用户及时了解待处理农作物的生长状态,当待处理农作物的病虫害信息较为严重时,可以及时地对待处理农作物进行病虫害防治工作,从而实现了对待处理农作物的及时管理和维护,保证了待处理农作物的生长质量和果实产量。
具体应用时,参考附图8所示,本应用实施例提供了一种农作物信息的处理方法,该方法的执行主体可以是处理装置,该处理装置可以通过所建立的预测模型对农作物的产量进行预测,并且可以实现对大范围的农作物产量进行估计,不仅保证了产量估计的准确性和效率,并且还降低了人工成本。以农作物是一定区域范围内的果园为例进行说明,具体的,该方法可以包括步骤:
step1:利用无人机和拍摄装置在高处飞行果园,得到若干俯视图。
step2:基于所获取的俯视图进行点云重建、图片配准以及拼接处理,从而获得农作物的数字高程模型和正射影像。
step3:利用深度学习检测算法对数字高程模型和正射影像进行分析处理,获得果园中果树的位置、每颗果树的高度以及树冠大小。
具体的,通过无人机搭配相机传感器拍摄若干图像,对所获得的图像进行图像拼接、点云重建等操作,可以得到整个果园的正射影像和高程模型。利用深度学习对正射影像进行处理,可以得到果园内每个果树的具体真实位置;通过高程模型可以得到每棵果树的高度以及树冠大小。
step4:利用无人机和拍摄装置在低处飞行果园,得到若干侧视图。
step5:基于所获取的侧视图进行三维点云重建处理,从而可以获得三维模型数据。
step6:利用深度学习算法对三维模型数据进行处理,获得位于果树上的果实位置信息和果实大小信息(果实的实际半径信息)。
需要注意的是,step1-step3与step4-step6之间的执行顺序并不限于上述的次序,步骤step1-step3还可以在step4-step6之后执行,或者,step1-step3还可以与step4-step6同时执行。
step7:统计获得果园的预设参数信息。
预设参数信息包括以下至少之一:气候信息、温度信息、降水信息、光照信息、果树年份信息、浇水信息、施肥信息、病虫害信息。其中,果树年份信息与果实产量息息相关,一般情况下,一颗果树的寿命大约为20年左右,其年份在第5-10年时,果实的产量最高,因此,为了更加准确地对果园的产量进行预测,可以获取果园中每颗果树的年份信息或者每棵果树的树龄信息。
step8:对预设参数信息进行数字化处理,获得与预设参数信息相对应的描述数据。
具体的,可以基于预设参数信息对果园中的每颗果树进行评分,从而可以获得与果园中每个果树相对应的评分信息,从而实现了将结构化的预设参数信息(例如:环境数据)转换为数字化的描述数据,从而便于对预设参数信息进行处理。其中,用于实现基于预设参数信息对果园中的每颗果树进行评分的规则可以是人为制定的,用户可以根据具体的应用需求来设置不同预设参数信息所占的分值和权重。
step9:确定与农作物相对应的预估产量信息。
具体的,基于果园中果树的位置、每颗果树的高度、树冠大小、果实位置信息、果实大小信息以及预设参数信息拟合获得与农作物相对应的预估产量信息。
step10:根据预设参数信息、俯视图信息、侧视图信息和预估产量信息建立预估模型,该预估模型可以对待处理农作物的产量进行预测。
本应用实施例提供的农作物信息的处理方法,通过使用无人机高空飞行获得俯视图,而后利用深度学习方式可以精确定位果园中每棵树的位置,得到树高树冠等基础信息;再通过无人机低空精确飞行,得到点云三维数据,得到每棵果子的详细大小尺寸信息;而后充分采集环境因素,作为影响因子修正模型;只要能搜集到上面三种数据,就可以不断的修正优化所建立的预估模型,达到良好的使用效果;最终通过预估模型可以预估得到农作物的产量,大大提高了产量预估的精确性。可以对大范围的农作物产量进行估计,不仅保证了产量估计的准确性和效率,并且还降低了人工成本。
图9为本发明实施例提供的一种模型的训练方法的流程图;参考附图9所示,本实施例提供了一种模型的训练方法,该方法的执行主体为模型的训练装置,该训练装置可以实现为软件、或者软件和硬件的组合。具体的,该方法可以包括:
S801:获取农作物的预设参数信息和多个图像信息,多个图像信息至少包括多个俯视图信息和多个侧视图信息。
S802:确定与农作物相对应的预估产量信息。
S803:对预设参数信息、俯视图信息、侧视图信息和预估产量信息进行学习训练,获得用于对农作物的产量进行预测的预估模型。
本实施例中的方法的具体实现过程以及实现效果与上述实施例中的S101-S103的具体实现过程以及实现效果相类似,具体参见上述实施例中的描述内容,在此不再赘述。
图10为本发明实施例提供的还一种农作物信息的处理方法的流程图;参考附图10所示,本实施例提供了一种农作物信息的处理方法,该方法的执行主体为农作物信息的处理装置,该处理装置可以实现为软件、或者软件和硬件的组合。具体的,该方法可以包括:
S901:获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息。
在用户针对农作物存在需求信息之后,可以将需求信息上传至预设位置(例如:需求平台、农作物交易平台),该处理装置通过访问预设位置可以多个用户针对不同农作物的需求信息。在获取到待处理农作物相对应的产量信息之后,可以获取用户上传的针对待处理农作物的至少一个需求信息。
S902:根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户。
在获取到至少一个需求信息和产量信息之后,可以确定与所述产量信息相对应的至目标需求用户,可以想到的是,目标需求用户的个数可以为一个或多个;需要注意的是,在确定目标需求用户时,要尽量保证所有目标需求用户所对应的需求信息尽量靠近产量信息,以使得产量信息的最大利用化。
举例来说:产量信息为1000,用户甲的需求信息为500、用户乙的需求信息为600、用户丙的需求信息为950,此时,可以将用户丙确定为与产量信息相对应的目标需求用户。或者,产量信息为1000,用户甲的需求信息为500,用户乙的需求信息为450,用户丙的信息为800,此时,可以将用户甲和用户乙确定为与产量信息相对应的目标需求用户;或者,也可以将用户丙单独确定为与产量信息相对应的目标需求用户。
S903:获取与所述目标需求用户相对应的目标需求信息。
其中,在获取到目标需求用户之后,可以根据用户与需求信息之间的映射关系确定与目标需求用户相对应的目标需求信息。
S904:根据所述目标需求信息生成针对待处理农作物的供应信息。
在获取到目标需求信息之后,可以根据目标需求信息生成针对待处理农作物的供应信息,该供应信息可以包括:供应需求信息、供应量信息、供应者信息、供应目标等等。
可以想到的是,本实施例中的方法还可以包括上述图1-图8所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图8所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图8所示实施例中的描述,在此不再赘述。
本实施例提供的农作物信息的处理方法,通过获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息;而后确定与所述产量信息相对应的目标需求用户;获取与所述目标需求用户相对应的目标需求信息;最后根据所述目标需求信息生成针对待处理农作物的供应信息,有效地实现了根据农作物的产量信息直接确定与该农作物相对应的供应信息,从而提高了农作物的推销效率和质量,节省了对农作物进行推销的成本,保证了该方法的实用性,有利于市场的推广与应用。
图11为本发明实施例提供的又一种农作物信息的处理方法的流程图;参考附图11所示,本实施例提供了一种农作物信息的处理方法,该方法的执行主体为农作物信息的处理装置,该处理装置可以实现为软件、或者软件和硬件的组合。具体的,该方法可以包括:
S1001:获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
S1002:利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
在获取到待处理俯视图和待处理侧视图之后,可以利用预估模型对待处理侧视图和待处理俯视图进行分析识别,可以获取到与待处理农作物相对应的枝叶生长状态、果实状态,通过枝叶生长状态和果实状态可以获取到与待处理农作物相对应的病虫害信息。
通过获取与待处理农作物相对应的病虫害信息,可以使得用户及时了解待处理农作物的生长状态,当待处理农作物的病虫害信息较为严重时,可以及时地对待处理农作物进行病虫害防治工作,从而实现了对待处理农作物的及时管理和维护,保证了待处理农作物的生长质量。
图12为本发明实施例提供的一种农作物产量的处理装置的结构示意图;参考附图12所示,本实施例提供了一种农作物产量的处理装置,该处理装置可以执行上述图1所对应的农作物信息的处理方法。具体的,该处理装置可以包括:
第一获取模块11,用于获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
第一处理模块12,用于利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息。
进一步的,第一处理模块12利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息时,该第一处理模块12还可以用于执行:获取与所述待处理农作物的待处理参数信息,所述待处理参数信息包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息;利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的产量信息。
可选地,在利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理之前,本实施例中的第一获取模块11和第一处理模块12还用于执行以下步骤:
第一获取模块11,用于获取农作物的预设参数信息和多个图像信息,图像信息至少包括俯视图信息和侧视图信息;
第一处理模块12,用于确定与农作物相对应的预估产量信息;根据预设参数信息、俯视图信息、侧视图信息和预估产量信息建立预估模型。
可选地,在第一处理模块12确定与农作物相对应的预估产量信息时,该第一处理模块12可以用于执行:基于俯视图信息获取农作物的第一特征信息,第一特征信息包括以下至少之一:农作物的位置信息、农作物的高度信息、农作物的树冠大小;基于侧视图信息获取农作物的第二特征信息,第二特征信息包括以下至少之一:果实位置信息和果实大小信息;利用浅层神经网络对第一特征信息、第二特征信息和预设参数信息进行拟合处理,获得与农作物相对应的预估产量信息。
可选地,在第一处理模块12基于俯视图信息获取农作物的第一特征信息时,该第一处理模块12可以用于执行:基于俯视图信息获取与农作物相对应的正射影像;利用深度学习算法对正射影像进行处理,获得用于标识农作物的位置信息。
可选地,在第一处理模块12基于俯视图信息获取农作物的第一特征信息时,该第一处理模块12可以用于执行:基于俯视图信息获取与农作物相对应的数字高程模型;根据数字高程模型确定农作物的高度信息和树冠大小。
可选地,在第一处理模块12基于侧视图信息获取农作物的第二特征信息时,该第一处理模块12可以用于执行:基于侧视图信息进行点云重建处理,获得农作物的三维模型数据;利用深度学习算法对三维模型数据进行处理,获得位于农作物上的果实位置信息和果实大小信息。
可选地,预设参数信息包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息。
可选地,在确定与农作物相对应的预估产量信息之前,本实施例中的第一处理模块12还用于:对预设参数信息进行数字化处理,获得与预设参数信息相对应的描述数据。
可选地,本实施例中的第一获取模块11和第一处理模块12还用于执行以下步骤:
第一获取模块11,用于获取与至少一个参考农作物相对应的至少一个参考产量信息;
第一处理模块12,用于根据所述产量信息和至少一个参考产量信息确定所述待处理农作物的产量水平。
可选地,本实施例中的第一处理模块12还可以用于执行:根据所述产量水平确定用于对所述待处理农作物进行管理的管理策略。
可选地,在获得与所述待处理农作物相对应的产量信息之后,本实施例中的第一获取模块11和第一处理模块12还用于执行以下步骤:
第一获取模块11,用于获取针对待处理农作物的至少一个需求信息;
第一处理模块12,用于根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户;获取与所述目标需求用户相对应的目标需求信息;根据所述目标需求信息生成针对待处理农作物的供应信息。
可选地,在第一处理模块12利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息时,该第一处理模块12还可以用于执行:获取与所述待处理农作物的待处理参数信息,所述待处理参数信息包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息;利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的果实成熟信息。
可选地,在利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理之前,本实施例中的第一获取模块11和第一处理模块12还用于执行以下步骤:
第一获取模块11,用于获取农作物的预设参数信息和多个图像信息,所述图像信息至少包括俯视图信息和侧视图信息;
第一处理模块12,用于确定与所述农作物相对应的预估果实成熟信息;根据所述预设参数信息、俯视图信息、侧视图信息和预估果实成熟信息建立所述预估模型。
可选地,在获得与所述待处理农作物相对应的果实成熟信息之后,本实施例中的第一获取模块11和第一处理模块12还用于执行以下步骤:
第一获取模块11,用于在所述待处理农作物上,获取所述果实成熟信息满足预设条件的果实所在的果实位置信息;
第一处理模块12,用于根据所述果实位置信息生成与所述待处理农作物相对应的第一建议信息。
可选地,在获得与所述待处理农作物相对应的果实成熟信息之后,本实施例中的第一获取模块11和第一处理模块12还用于执行以下步骤:
第一获取模块11,用于在预设的区域范围中,获取所述果实成熟信息满足预设条件的农作物位置信息;
第一处理模块12,用于根据所述农作物位置信息生成与所述待处理农作物相对应的第二建议信息。
可选地,在第一处理模块12利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息时,该第一处理模块12可以用于执行:利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
图12所示装置可以执行图1-图8所示实施例的方法,本实施例未详细描述的部分,可参考对图1-图8所示实施例的相关说明。该技术方案的执行过程和技术效果参见图1-图8所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图12所示农作物产量的处理装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、服务器等各种设备。如图13所示,该电子设备可以包括:第一处理器21和第一存储器22。其中,第一存储器22用于存储支持电子设备执行上述图1-图8所示实施例中提供的农作物信息的处理方法的程序,第一处理器21被配置为用于执行第一存储器22中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第一处理器21执行时能够实现如下步骤:
获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息。
可选地,第一处理器21还用于执行前述图1-图8所示实施例中的全部或部分步骤。
其中,电子设备的结构中还可以包括第一通信接口23,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图1-图8所示方法实施例中数据的处理方法所涉及的程序。
图14为本发明实施例提供的一种模型的训练装置的结构示意图;参考附图14所示,本实施例提供了一种模型的训练装置,该训练装置可以执行上述图9所对应的模型的训练方法。具体的,该训练装置可以包括:
第二获取模块31,用于获取农作物的预设参数信息和多个图像信息,多个图像信息至少包括多个俯视图信息和多个侧视图信息;
第二确定模块32,用于确定与农作物相对应的预估产量信息;
第二处理模块33,用于对预设参数信息、俯视图信息、侧视图信息和预估产量信息进行学习训练,获得用于对农作物的产量进行预测的预估模型。
图14所示装置可以执行图9所示实施例的方法,本实施例未详细描述的部分,可参考对图9所示实施例的相关说明。该技术方案的执行过程和技术效果参见图9所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图14所示模型的训练装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、服务器等各种设备。如图15所示,该电子设备可以包括:第二处理器41和第二存储器42。其中,第二存储器42用于存储支持电子设备执行上述图9所示实施例中提供的模型的训练方法的程序,第二处理器41被配置为用于执行第二存储器42中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第二处理器41执行时能够实现如下步骤:
获取农作物的预设参数信息和多个图像信息,图像信息至少包括俯视图信息和侧视图信息;
确定与农作物相对应的预估产量信息;
根据预设参数信息、俯视图信息、侧视图信息和预估产量信息建立预估模型;
利用预估模型对待处理农作物的产量进行预测。
其中,电子设备的结构中还可以包括第二通信接口43,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图9所示方法实施例中模型的训练方法所涉及的程序。
图16为本发明实施例提供的一种农作物信息的处理装置的结构示意图;参考附图16所示,本实施例提供了一种农作物信息的处理装置,该处理装置可以执行上述图10所对应的农作物信息的处理方法。具体的,该处理装置可以包括:
第三获取模块51,用于获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息;
第三确定模块52,用于根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户;
所述第三获取模块51,还用于获取与所述目标需求用户所对应的目标需求信息;
第三处理模块53,用于根据所述目标需求信息生成针对待处理农作物的供应信息。
图16所示装置可以执行图10所示实施例的方法,本实施例未详细描述的部分,可参考对图10所示实施例的相关说明。该技术方案的执行过程和技术效果参见图10所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图16所示农作物信息的处理装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、服务器等各种设备。如图17所示,该电子设备可以包括:第三处理器61和第三存储器62。其中,第三存储器62用于存储支持电子设备执行上述图10所示实施例中提供的农作物信息的处理方法的程序,第三处理器61被配置为用于执行第三存储器62中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第三处理器61执行时能够实现如下步骤:
获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息;
根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户;
获取与所述目标需求用户相对应的目标需求信息;
根据所述目标需求信息生成针对待处理农作物的供应信息。
其中,电子设备的结构中还可以包括第三通信接口63,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图10所示方法实施例中农作物信息的处理方法所涉及的程序。
图18为本发明实施例提供的一种农作物信息的处理装置的结构示意图;参考附图18所示,本实施例提供了一种农作物信息的处理装置,该处理装置可以执行上述图11所对应的农作物信息的处理方法。具体的,该处理装置可以包括:
第四获取模块71,用于获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
第四处理模块72,用于利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
图18所示装置可以执行图11所示实施例的方法,本实施例未详细描述的部分,可参考对图11所示实施例的相关说明。该技术方案的执行过程和技术效果参见图11所示实施例中的描述,在此不再赘述。
在一个可能的设计中,图18所示农作物信息的处理装置的结构可实现为一电子设备,该电子设备可以是手机、平板电脑、服务器等各种设备。如图19所示,该电子设备可以包括:第四处理器81和第四存储器82。其中,第四存储器82用于存储支持电子设备执行上述图11所示实施例中提供的农作物信息的处理方法的程序,第四处理器81被配置为用于执行第四存储器82中存储的程序。
程序包括一条或多条计算机指令,其中,一条或多条计算机指令被第四处理器81执行时能够实现如下步骤:
获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
其中,电子设备的结构中还可以包括第四通信接口83,用于电子设备与其他设备或通信网络通信。
另外,本发明实施例提供了一种计算机存储介质,用于储存电子设备所用的计算机软件指令,其包含用于执行上述图11所示方法实施例中农作物信息的处理方法所涉及的程序。
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和软件结合的方式来实现。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计算机产品的形式体现出来,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例提供的农作物信息的处理方法可以由某种程序/软件来执行,该程序/软件可以由网络侧提供,该程序/软件比如可以是前述实施例中提及的即时通信应用程序,前述实施例中提及的预测终端可以将该程序/软件下载到本地的非易失性存储介质中,并在其需要执行前述农作物信息的处理方法时,通过CPU将该程序/软件读取到内存中,进而由CPU执行该程序/软件以实现前述实施例中所提供的农作物信息的处理方法,执行过程可以参见前述图1至图11中的示意。
本发明实施例提供的模型的训练方法可以由某种程序/软件来执行,该程序/软件可以由网络侧提供,该程序/软件比如可以是前述实施例中提及的即时通信应用程序,前述实施例中提及的训练终端可以将该程序/软件下载到本地的非易失性存储介质中,并在其需要执行前述模型的训练方法时,通过CPU将该程序/软件读取到内存中,进而由CPU执行该程序/软件以实现前述实施例中所提供的模型的训练方法,执行过程可以参见前述图8中的示意。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程设备的处理器以产生一个机器,使得通过计算机或其他可编程设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
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 (32)
1.一种农作物信息的处理方法,其特征在于,包括:
获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息。
2.根据权利要求1所述的方法,其特征在于,利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息,包括:
获取与所述待处理农作物的待处理参数信息,所述待处理参数信息包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息;
利用所述预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的产量信息。
3.根据权利要求2所述的方法,其特征在于,在利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理之前,所述方法还包括:
获取农作物的预设参数信息和多个图像信息,所述图像信息至少包括俯视图信息和侧视图信息;
确定与所述农作物相对应的预估产量信息;
根据所述预设参数信息、俯视图信息、侧视图信息和预估产量信息建立预估模型。
4.根据权利要求3所述的方法,其特征在于,确定与所述农作物相对应的预估产量信息,包括:
基于所述俯视图信息获取所述农作物的第一特征信息,所述第一特征信息包括以下至少之一:农作物的位置信息、农作物的高度信息、农作物的树冠大小;
基于所述侧视图信息获取所述农作物的第二特征信息,所述第二特征信息包括以下至少之一:果实位置信息和果实大小信息;
利用浅层神经网络对所述第一特征信息、第二特征信息和预设参数信息进行拟合处理,获得与所述农作物相对应的预估产量信息。
5.根据权利要求4所述的方法,其特征在于,基于所述俯视图信息获取所述农作物的第一特征信息,包括:
基于所述俯视图信息获取与所述农作物相对应的正射影像;
利用深度学习算法对所述正射影像进行处理,获得用于标识所述农作物的位置信息。
6.根据权利要求4所述的方法,其特征在于,基于所述俯视图信息获取所述农作物的第一特征信息,包括:
基于所述俯视图信息获取与所述农作物相对应的数字高程模型;
根据所述数字高程模型确定所述农作物的高度信息和树冠大小。
7.根据权利要求4所述的方法,其特征在于,基于所述侧视图信息获取所述农作物的第二特征信息,包括:
基于所述侧视图信息进行点云重建处理,获得所述农作物的三维模型数据;
利用深度学习算法对所述三维模型数据进行处理,获得位于所述农作物上的果实位置信息和果实大小信息。
8.根据权利要求3-7中任意一项所述的方法,其特征在于,所述预设参数信息包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息。
9.根据权利要求8所述的方法,其特征在于,在确定与所述农作物相对应的预估产量信息之前,所述方法还包括:
对所述预设参数信息进行数字化处理,获得与所述预设参数信息相对应的描述数据。
10.根据权利要求2-7中任意一项所述的方法,其特征在于,所述方法还包括:
获取与至少一个参考农作物相对应的至少一个参考产量信息;
根据所述产量信息和至少一个参考产量信息确定所述待处理农作物的产量水平。
11.根据权利要求10所述的方法,其特征在于,所述方法还包括:
根据所述产量水平确定用于对所述待处理农作物进行管理的管理策略。
12.根据权利要求2-7中任意一项所述的方法,其特征在于,在获得与所述待处理农作物相对应的产量信息之后,所述方法还包括:
获取针对待处理农作物的至少一个需求信息;
根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户;
获取与所述目标需求用户相对应的目标需求信息;
根据所述目标需求信息生成针对待处理农作物的供应信息。
13.根据权利要求1所述的方法,其特征在于,利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息,包括:
获取与所述待处理农作物的待处理参数信息,所述待处理参数信息包括以下至少之一:温度信息、降水信息、光照信息、浇水信息、施肥信息、病虫害信息;
利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的果实成熟信息。
14.根据权利要求13所述的方法,其特征在于,在利用预估模型对所述待处理参数信息、待处理俯视图和待处理侧视图进行处理之前,所述方法还包括:
获取农作物的预设参数信息和多个图像信息,所述图像信息至少包括俯视图信息和侧视图信息;
确定与所述农作物相对应的预估果实成熟信息;
根据所述预设参数信息、俯视图信息、侧视图信息和预估果实成熟信息建立所述预估模型。
15.根据权利要求13所述的方法,其特征在于,在获得与所述待处理农作物相对应的果实成熟信息之后,所述方法还包括:
在所述待处理农作物上,获取所述果实成熟信息满足预设条件的果实所在的果实位置信息;
根据所述果实位置信息生成与所述待处理农作物相对应的第一建议信息。
16.根据权利要求13所述的方法,其特征在于,在获得与所述待处理农作物相对应的果实成熟信息之后,所述方法还包括:
针对预设的区域范围中的多个农作物,获取所述果实成熟信息满足预设条件的农作物所在的农作物位置信息;
根据所述农作物位置信息生成与所述待处理农作物相对应的第二建议信息。
17.根据权利要求1所述的方法,其特征在于,利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息,包括:
利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
18.一种模型的训练方法,其特征在于,包括:
获取农作物的预设参数信息和多个图像信息,多个所述图像信息至少包括多个俯视图信息和多个侧视图信息;
确定与所述农作物相对应的预估产量信息;
对所述预设参数信息、俯视图信息、侧视图信息和预估产量信息进行学习训练,获得用于对农作物的产量进行预测的预估模型。
19.一种农作物信息的处理方法,其特征在于,包括:
获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息;
根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户;
获取与所述目标需求用户相对应的目标需求信息;
根据所述目标需求信息生成针对待处理农作物的供应信息。
20.一种农作物信息的处理方法,其特征在于,包括:
获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
21.一种农作物信息的处理装置,其特征在于,包括:
第一获取模块,用于获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
第一处理模块,用于利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的相关信息。
22.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求1至17中任一项所述的农作物信息的处理方法。
23.一种计算机存储介质,其特征在于,该计算机存储介质用于储存计算机程序,所述计算机程序使计算机执行时实现权利要求1-17中任意一项所述的农作物信息的处理方法。
24.一种模型的训练装置,其特征在于,包括:
第二获取模块,用于获取农作物的预设参数信息和多个图像信息,多个所述图像信息至少包括多个俯视图信息和多个侧视图信息;
第二确定模块,用于确定与所述农作物相对应的预估产量信息;
第二处理模块,用于对所述预设参数信息、俯视图信息、侧视图信息和预估产量信息进行学习训练,获得用于对农作物的产量进行预测的预估模型。
25.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求18所述的模型的训练方法。
26.一种计算机存储介质,其特征在于,该计算机存储介质用于储存计算机程序,所述计算机程序使计算机执行时实现权利要求18所述的模型的训练方法。
27.一种农作物信息的处理装置,其特征在于,包括:
第三获取模块,用于获取待处理农作物相对应的产量信息以及针对待处理农作物的至少一个需求信息;
第三确定模块,用于根据所述产量信息和至少一个需求信息,确定与所述产量信息相对应的目标需求用户;
所述第三获取模块,还用于获取与所述目标需求用户所对应的目标需求信息;
第三处理模块,用于根据所述目标需求信息生成针对待处理农作物的供应信息。
28.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求19所述的农作物信息的处理方法。
29.一种计算机存储介质,其特征在于,该计算机存储介质用于储存计算机程序,所述计算机程序使计算机执行时实现权利要求19所述的农作物信息的处理方法。
30.一种农作物信息的处理装置,其特征在于,包括:
第四获取模块,用于获取待处理农作物的多个待处理图像,所述待处理图像至少包括待处理俯视图和待处理侧视图;
第四处理模块,用于利用预估模型对所述待处理俯视图和待处理侧视图进行处理,获得与所述待处理农作物相对应的病虫害信息。
31.一种电子设备,其特征在于,包括:存储器、处理器;其中,所述存储器用于存储一条或多条计算机指令,其中,所述一条或多条计算机指令被所述处理器执行时实现如权利要求20所述的农作物信息的处理方法。
32.一种计算机存储介质,其特征在于,该计算机存储介质用于储存计算机程序,所述计算机程序使计算机执行时实现权利要求20所述的农作物信息的处理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769029.9A CN112418473A (zh) | 2019-08-20 | 2019-08-20 | 农作物信息的处理方法、装置、设备及计算机存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910769029.9A CN112418473A (zh) | 2019-08-20 | 2019-08-20 | 农作物信息的处理方法、装置、设备及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112418473A true CN112418473A (zh) | 2021-02-26 |
Family
ID=74779709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910769029.9A Pending CN112418473A (zh) | 2019-08-20 | 2019-08-20 | 农作物信息的处理方法、装置、设备及计算机存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418473A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906627A (zh) * | 2021-03-15 | 2021-06-04 | 西南大学 | 一种基于语义分割的青花椒识别方法 |
CN113408374A (zh) * | 2021-06-02 | 2021-09-17 | 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 |
CN114063686A (zh) * | 2021-11-15 | 2022-02-18 | 宁夏农林科学院植物保护研究所(宁夏植物病虫害防治重点实验室) | 农业有害生物监测预警方法 |
CN114467530A (zh) * | 2022-01-25 | 2022-05-13 | 深圳市五谷网络科技有限公司 | 果树环割方法、装置、终端设备及计算机可读存储介质 |
CN117130414A (zh) * | 2023-10-24 | 2023-11-28 | 南京生动科技有限公司 | 智能控制方法及控制系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914786A (zh) * | 2014-03-10 | 2014-07-09 | 北京农业信息技术研究中心 | 一种大田农业生产情景感知计算方法及装置 |
CN106060174A (zh) * | 2016-07-27 | 2016-10-26 | 昆山阳翎机器人科技有限公司 | 一种基于数据分析的农业指导系统 |
CN106408132A (zh) * | 2016-09-30 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的作物产量预测方法及装置 |
CN106407880A (zh) * | 2015-07-31 | 2017-02-15 | 埃森哲环球服务有限公司 | 使用图像处理的存量、生长和风险预测 |
CN107229999A (zh) * | 2017-05-31 | 2017-10-03 | 深圳前海弘稼科技有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
KR20170114065A (ko) * | 2016-04-01 | 2017-10-13 | 한국전자통신연구원 | 작물 영상 및 생육 정보의 관제 서비스 시스템 및 방법 |
KR101811640B1 (ko) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
CN108960990A (zh) * | 2018-06-29 | 2018-12-07 | 普定县林业技术推广站 | 一种梨树认领培育方法 |
KR101935008B1 (ko) * | 2017-12-08 | 2019-01-03 | 함영국 | 농작물 생장상태정보를 이용한 농작물 유통관리 방법 |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
CN109738435A (zh) * | 2018-12-13 | 2019-05-10 | 成都信息工程大学 | 一种荞麦生长监测诊断及产量预测方法 |
CN110060294A (zh) * | 2019-04-30 | 2019-07-26 | 中国农业科学院农业环境与可持续发展研究所 | 一种果树作物的产量评估方法 |
-
2019
- 2019-08-20 CN CN201910769029.9A patent/CN112418473A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914786A (zh) * | 2014-03-10 | 2014-07-09 | 北京农业信息技术研究中心 | 一种大田农业生产情景感知计算方法及装置 |
CN106407880A (zh) * | 2015-07-31 | 2017-02-15 | 埃森哲环球服务有限公司 | 使用图像处理的存量、生长和风险预测 |
KR20170114065A (ko) * | 2016-04-01 | 2017-10-13 | 한국전자통신연구원 | 작물 영상 및 생육 정보의 관제 서비스 시스템 및 방법 |
CN106060174A (zh) * | 2016-07-27 | 2016-10-26 | 昆山阳翎机器人科技有限公司 | 一种基于数据分析的农业指导系统 |
KR101811640B1 (ko) * | 2016-08-03 | 2017-12-26 | 한국과학기술연구원 | 기계학습을 이용한 작물의 생산량 예측장치 및 방법 |
CN106408132A (zh) * | 2016-09-30 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的作物产量预测方法及装置 |
CN107229999A (zh) * | 2017-05-31 | 2017-10-03 | 深圳前海弘稼科技有限公司 | 作物产量的预测方法、系统、计算机设备及可读存储介质 |
US20190050948A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
WO2019032648A1 (en) * | 2017-08-08 | 2019-02-14 | Indigo Ag, Inc. | MACHINE LEARNING IN AGRICULTURAL PLANTATION, CULTIVATION AND HARVEST CONTEXTS |
KR101935008B1 (ko) * | 2017-12-08 | 2019-01-03 | 함영국 | 농작물 생장상태정보를 이용한 농작물 유통관리 방법 |
CN108960990A (zh) * | 2018-06-29 | 2018-12-07 | 普定县林业技术推广站 | 一种梨树认领培育方法 |
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
CN109738435A (zh) * | 2018-12-13 | 2019-05-10 | 成都信息工程大学 | 一种荞麦生长监测诊断及产量预测方法 |
CN110060294A (zh) * | 2019-04-30 | 2019-07-26 | 中国农业科学院农业环境与可持续发展研究所 | 一种果树作物的产量评估方法 |
Non-Patent Citations (1)
Title |
---|
许海港;季萌萌;葛顺峰;姜远茂;姜翰;陈汝;: "不同水平位置施肥对‘嘎啦’苹果~(15)N吸收、分配与利用的影响", 植物营养与肥料学报, no. 05 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906627A (zh) * | 2021-03-15 | 2021-06-04 | 西南大学 | 一种基于语义分割的青花椒识别方法 |
CN113408374A (zh) * | 2021-06-02 | 2021-09-17 | 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 |
CN114063686A (zh) * | 2021-11-15 | 2022-02-18 | 宁夏农林科学院植物保护研究所(宁夏植物病虫害防治重点实验室) | 农业有害生物监测预警方法 |
CN114467530A (zh) * | 2022-01-25 | 2022-05-13 | 深圳市五谷网络科技有限公司 | 果树环割方法、装置、终端设备及计算机可读存储介质 |
CN117130414A (zh) * | 2023-10-24 | 2023-11-28 | 南京生动科技有限公司 | 智能控制方法及控制系统 |
CN117130414B (zh) * | 2023-10-24 | 2023-12-29 | 南京生动科技有限公司 | 智能控制方法及控制系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2021261947B2 (en) | Ponding water detection on satellite imagery | |
Ayaz et al. | Internet-of-Things (IoT)-based smart agriculture: Toward making the fields talk | |
Apolo-Apolo et al. | A cloud-based environment for generating yield estimation maps from apple orchards using UAV imagery and a deep learning technique | |
CN112418473A (zh) | 农作物信息的处理方法、装置、设备及计算机存储介质 | |
Ballesteros et al. | Onion biomass monitoring using UAV-based RGB imaging | |
Kulbacki et al. | Survey of drones for agriculture automation from planting to harvest | |
US20210224967A1 (en) | Methods and systems for crop pest management utilizing geospatial images and microclimate data | |
US20210150184A1 (en) | Target region operation planning method and apparatus, storage medium, and processor | |
US20180342020A1 (en) | System, method and apparatus for management of agricultural resource | |
EP3528613A1 (en) | Methods for mapping temporal and spatial stability and sustainability of a cropping system | |
KR20220159400A (ko) | 하위-농장 수준에서 작물 병해충 위험 및/또는 작물 질병 위험 추정 | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
US20170172077A1 (en) | Property landscape management apparatus and method | |
CN107077650A (zh) | 用于管理农业活动的方法和系统 | |
CN110197308B (zh) | 一种用于农业物联网的作物监测系统及方法 | |
Diago et al. | On‐the‐go assessment of vineyard canopy porosity, bunch and leaf exposure by image analysis | |
CN108366526B (zh) | 通过自动生物特征数据的优先级简化林业信息管理的系统及方法 | |
US11816834B2 (en) | Unmanned aerial system genotype analysis using machine learning routines | |
JP2018005467A (ja) | 農作業計画支援装置及び農作業計画支援方法 | |
US20190012749A1 (en) | Dynamic cost function calculation for agricultural users | |
Debangshi et al. | Application of Smart Farming Technologies in Sustainable Agriculture Development: A Comprehensive Review on Present Status and Future Advancements | |
US20210315150A1 (en) | Method and systems for generating prescription plans for a region under cultivation | |
Jacygrad et al. | Comparison between Field Measured and UAV-Derived Pistachio Tree Crown Characteristics throughout a Growing Season | |
Singh et al. | Soilless Smart Agriculture Systems for Future Climate | |
RU2805670C2 (ru) | Обнаружение заражения растений болезнями путем классификации фотоснимков растений |
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 |