CN112686159A - 过敏植物分布统计方法以及装置 - Google Patents
过敏植物分布统计方法以及装置 Download PDFInfo
- Publication number
- CN112686159A CN112686159A CN202011615063.XA CN202011615063A CN112686159A CN 112686159 A CN112686159 A CN 112686159A CN 202011615063 A CN202011615063 A CN 202011615063A CN 112686159 A CN112686159 A CN 112686159A
- Authority
- CN
- China
- Prior art keywords
- allergic
- plants
- plant
- information
- distribution
- 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
- 230000000172 allergic effect Effects 0.000 title claims abstract description 301
- 208000010668 atopic eczema Diseases 0.000 title claims abstract description 301
- 238000009826 distribution Methods 0.000 title claims abstract description 148
- 238000007619 statistical method Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000010586 diagram Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 19
- 230000001932 seasonal effect Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 8
- 230000008901 benefit Effects 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 247
- 206010020751 Hypersensitivity Diseases 0.000 description 17
- 230000006870 function Effects 0.000 description 8
- 208000026935 allergic disease Diseases 0.000 description 7
- 230000007815 allergy Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 244000144730 Amygdalus persica Species 0.000 description 2
- 244000260524 Chrysanthemum balsamita Species 0.000 description 2
- 235000005633 Chrysanthemum balsamita Nutrition 0.000 description 2
- 235000006040 Prunus persica var persica Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种过敏植物分布统计方法以及装置，方法包括：将预选区域内多个待识别的图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率；针对预选区域，计算过敏植物类别对应的过敏植物数与过敏植物总数的比值，得到各个图像中过敏植物类别对应的第二概率；将第一概率和第二概率求乘积，得到总概率；根据各个图像中过敏植物类别对应的总概率，得到预选区域的过敏植物分布图。不仅提高过敏植物识别准确率，还更清晰的标识出预选区域内过敏植物的分布情况，使得过敏植物分布图包含了其地理位置的分布、浓度信息、以及持续时间等，更加精准的构建过敏植物分布图。
Description
技术领域
本申请涉及深度学习领域，尤其涉及过敏植物分布统计领域。
背景技术
植物分布资料是宏观生态学，生物地理学等多个学科的研究基础，也是农、林业生产实践的重要依据。植物的分布信息对于理解和解释生物多样性分布格局及其机制、生态系统结构与功能维持有这重要的意义。同时一个准确的植物分布系统对于植物识别也有着纠正和指导意义。现阶段植物分布系统的建立基本上基于植物学家和生态学家对植物资源的广泛调查。可靠和大量植物标本的采集和鉴定的基础上得来的。这也就意味着该分布式基于大量数据统计的，由于传统的统计方式限制，其制定相对耗时，不易修改。目前，植物识别系统可分为两种，一种是基于神经网络方法或机器学习的方法识别静态图片中的植物，另一种是基于遥感图片识别植物。这两种识别方法只能够对同一类植物进行了科、属、种的识别，但是，并不能给出关于过敏植物的分布、浓度、持续时间等信息。
发明内容
本申请实施例提供一种过敏植物分布统计方法以及装置，以解决相关技术存在的问题，技术方案如下：
第一方面，本申请实施例提供了一种过敏植物分布统计方法，包括：
将预选区域内多个待识别的图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率；
针对预选区域，计算过敏植物类别对应的过敏植物数与过敏植物总数的比值，得到各个图像中过敏植物类别对应的第二概率；
将第一概率和第二概率求乘积，得到总概率；
根据各个图像中过敏植物类别对应的总概率，得到预选区域的过敏植物分布图。
在一种实施方式中，还包括：
预设时间段内，累计多次统计的过敏植物分布图；
从累计多次统计的过敏植物分布图中，提取过敏植物的类别信息和分布信息；
利用提取的过敏植物的类别信息和分布信息动态更新过敏植物分布图。
在一种实施方式中，还包括：
预设时间段内，获取已识别过敏植物的数量以及对应的分布面积；
计算已识别过敏植物的数量和对应的分布面积的比值，得到已识别过敏植物的平均浓度。
在一种实施方式中，还包括：
根据已识别过敏植物的平均浓度和当前的温度和风速，得到已识别过敏植物的浓度信息。
在一种实施方式中，还包括：
根据已识别过敏植物的出现时间和浓度信息，得到已识别过敏植物的持续时间。
在一种实施方式中，还包括：
利用过敏植物的训练集训练神经网络模型，得到过敏植物识别模型，训练集包括过敏植物分布图、季节信息、天气信息、植被分布信息以及多张标注图像，标注图像包括图像信息、地理位置信息、季节信息、天气信息以及植被分布信息。
在一种实施方式中，还包括：
利用过敏植物分布图、季节信息、天气信息、植被分布信息对过敏植物识别模型进行更新，过敏植物分布图包括已识别过敏植物的类别、浓度信息、持续时间以及地理位置信息；
针对更新的过敏植物识别模型，返回执行将预选区域内的多个待识别图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率的步骤。
第二方面，本实施例提供一种过敏植物识别装置，包括：
过敏植物类别识别模块，用于将预选区域内多个待识别的图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率；
概率计算模块，用于针对预选区域，计算过敏植物类别对应的过敏植物数与过敏植物总数的比值，得到各个图像中过敏植物类别对应的第二概率；用于将第一概率和第二概率求乘积，得到总概率；
过敏植物分布图生成模块，用于过敏植物分布根据各个图像中过敏植物类别对应的总概率，得到预选区域的过敏植物分布图。
在一种实施方式中，还包括：
过敏植物分布图更新模块，用于预设时间段内，累计多次统计的过敏植物分布图；从累计多次统计的过敏植物分布图中，提取过敏植物的类别信息和分布信息；利用提取的过敏植物的类别信息和分布信息动态更新过敏植物分布图。
在一种实施方式中，还包括：
浓度计算模块，用于预设时间段内，获取已识别过敏植物的数量以及对应的分布面积；计算已识别过敏植物的数量和对应的分布面积的比值，得到已识别过敏植物的平均浓度；用于根据已识别过敏植物的平均浓度和当前的温度和风速，得到已识别过敏植物的浓度信息。
在一种实施方式中，还包括：
持续时间计算模块，用于根据已识别过敏植物的出现时间和浓度信息，得到已识别过敏植物的持续时间。
在一种实施方式中，还包括：
过敏植物识别模型训练模块，用于利用过敏植物的训练集训练神经网络模型，得到过敏植物识别模型，训练集包括过敏植物分布图、季节信息、天气信息、植被分布信息以及多张标注图像，标注图像包括图像信息、地理位置信息、季节信息、天气信息以及植被分布信息。
在一种实施方式中，还包括：
过敏植物识别模型更新模块，用于利用过敏植物分布图、季节信息、天气信息、植被分布信息对过敏植物识别模型进行更新，过敏植物分布图包括已识别过敏植物的类别、浓度信息、持续时间以及地理位置信息；
触发模块，用于针对更新的过敏植物识别模型，返回执行将预选区域内的多个图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率的步骤。
第三方面，提供了一种电子设备，包括：
至少一个处理器；以及与至少一个处理器通信连接的存储器；
其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述任一项的方法。
第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行上述任一项的方法。
上述申请中的一个实施例具有如下优点或有益效果：本实施例提供的一种过敏植物分布统计方法，利用神经网络模型对过敏植物的类别进行识别，同时计算了过敏植物类别对应的总概率，根据总概率得到过敏植物分布图，不仅提高过敏植物识别准确率，还更清晰的标识出预选区域内过敏植物的分布情况。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请一实施例的一种过敏植物分布统计方法的示意图；
图2是根据本申请一实施例的一种过敏植物分布图的统计流程示意图；
图3是根据本申请另一实施例的一种过敏植物分布图的统计流程示意图；
图4是根据本申请一实施例的一种过敏植物分布统计结果示意图；
图5是根据本申请一实施例的一种过敏植物分布统计装置的结构框图；
图6是用来实现本申请实施例的一种过敏植物分布统计方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
在一种具体的实施例中，如图1和图2所示，提供了一种过敏植物分布统计方法，包括：
步骤S110：将预选区域内多个待识别的图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率；
步骤S120：针对预选区域，计算过敏植物类别对应的过敏植物数与过敏植物总数的比值，得到各个图像中过敏植物类别对应的第二概率；
步骤S130：将第一概率和第二概率求乘积，得到总概率；
步骤S140：根据各个图像中过敏植物类别对应的总概率，得到预选区域的过敏植物分布图。
一种示例中，如图3所示，在模型建立模块中，过敏植物识别模型可以是基于深度学习的模型，包括但不限于基于卷积神经网络结构的深度网络。针对过敏植物识别模型进行训练过程中，优选的可以选取softmax函数作为最后一层特征到概率分布的转换公式：
优选的，可以选用交叉熵作为在训练时的损失函数，其公式如下：
其中，Vi第i类过敏植物的评分，Si是第i类过敏植物的概率值。
优选的，可以选用Adam优化器对模型进行优化训练。可以选用剪切，旋转等常规的数据扩增方法对训练数据进行扩增，增加模型的鲁棒性。将待识别的图像和对应的地理位置信息输入至训练好的过敏植物识别模型，对待识别的图像中的过敏植物进行识别，过敏植物识别模型输出过敏植物类别数目，以及各个类别对应的概率值。在各个类别对应的概率值中选取概率最大值对应的类别，作为本次识别的过敏植物类别，并记录概率最大值作为第一概率值Pd。待识别的图像中可以包含一种或多种过敏植物，或者，给出一张过敏植物图片经过网络前向计算，网络输出为该张图片属于各个过敏植物类别的概率。其中，过敏植物的种类可以预先定义设置完成训练和测试。利用过敏植物识别模型，对于数据集中的每一张图片计算其所属各个类别的概率。
在分布统计模块中，可以根据历史数据统计得到预选区域内的初始过敏植物分布图。在初始过敏植物分布图中，获取预选区域内第i种过敏植物类别对应的过敏植物数，以及预选区域内过敏植物总数，并计算二者的比值，得到各个图像中过敏植物类别对应的第二概率Ps。Ps(i)＝预选区域内第i种过敏植物类别对应的过敏植物数目/该区域内总共的过敏植物的数目。预选区域的大小是一个超级参数，可以在系统建立时候设定。由于获取各个待识别的图像同时会得到该张图像的地理位置信息，所以，通过地理位置信息可以得到的每一种类的概率Ps，s＝[1,2,…,N]N为过敏植物总数。得到总概率为P＝Pd*Ps。最后，根据各个图像中过敏植物类别对应的总概率，得到预选区域的过敏植物分布图。如图4所示，在过敏植物分布图中标识有分布在各个地理位置的过敏植物类别。例如，在地理位置延庆的位置中，分布有雏菊花的总概率为0.8，那么在过敏植物分布图中标识出这部分地区主要分布雏菊花，在地理位置在平谷地区的位置中，分布有桃树的总概率为0.9，那么在过敏植物分布图中标识出主要分布桃树等等。
在用户使用模块中，用户每次将需要计算的待识别的图像及其地理位置信息输入过敏植物识别模型，服务器端可以返回该图像的类别。并通过分布统计模块计算总概率。遍历全部的待识别的图像之后，得到预选区域的过敏植物分布图。同时，实时更新过敏植物分布图。在用户使用模块中得到的数据累计到一定程度后，利用累计的各个历史时期统计的过敏植物分布图(过敏植物分布图至少包括过敏植物的类别和地理位置信息)、季节信息、天气信息、植被分布信息对过敏植物识别模型进行更新，针对更新的过敏植物识别模型，返回执行步骤S110-步骤S140。值得注意的是用户统计模块和用户模型建立模块都是在服务器端进行的。
本实施例提供的一种过敏植物分布统计方法，利用神经网络模型对过敏植物的类别进行识别，同时计算了过敏植物类别对应的总概率，根据总概率得到过敏植物分布图，不仅提高过敏植物识别准确率，还更清晰的标识出预选区域内过敏植物的分布情况。
在一种实施方式中，还包括：
步骤S141：预设时间段内，累计多次统计的过敏植物分布图；
步骤S142：从所述累计多次统计的过敏植物分布图中，提取过敏植物的类别信息和分布信息；
步骤S143：利用提取的过敏植物的类别信息和分布信息动态更新所述过敏植物分布图。
一种示例中，在预设时间段内，可以预先设置过敏植物分布图的更新次数和更新停止条件，均在本实施例的保护范围内。一方面，可以利用更新后的过敏植物分布图对过敏植物识别模型进行更新，使得模型预测精确率更高，另一方面，可以利用更新后的过敏植物分布图作为下一次利用过敏植物识别模型进行类别识别时的输入，有效提高了各个地理位置的过敏植物的类别识别的准确率。
在一种实施方式中，还包括：
步骤S150：预设时间段内，获取已识别过敏植物的数量以及对应的分布面积；
步骤S160：计算已识别过敏植物的数量和对应的分布面积的比值，得到已识别过敏植物的平均浓度；
步骤S170：根据已识别过敏植物的平均浓度和当前的温度和风速，得到已识别过敏植物的浓度信息。
一种示例中，过敏植物的平均浓度可以通过当前拍摄该过敏植物上传的个数归一化后确定，上传该类过敏植物的人数越多，单位人群密度内上传过敏植物的类别数越多，说明过敏植物的浓度越大。可以通过以下公式求得：过敏植物的平均浓度D＝当前一段时刻已识别过敏植物的数量/这些过敏植物覆盖的外凸多边形的面积。
用户使用模块中输出的过敏植物的浓度信息由当前过敏植物的平均浓度，当前的模式气象要素，如风，温度，湿度等计算而来。该计算方法可以通过模型训练而来，也可以通过经验公式计算而来，如：
在一种实施方式中，还包括：
步骤S180：根据已识别过敏植物的出现时间和浓度信息，得到已识别过敏植物的持续时间。
一种示例中，过敏植物持续时间有该年所有过敏植物的上传统计计算来的。例如，过敏植物在该地理位置的持续时间可以通过本年度的第一张过敏植物出现时间与历史中和浓度信息，得到已识别过敏植物的持续时间。
本实施方式中，在统计过敏地图分布时，除了过敏植物的识别信息，位置信息，还可以融入季节要素，天气要素，植被要素等额外先验要素以同时计算过敏植物的浓度和持续时间等信息，使得过敏植物的分布图包含了其地理位置的分布，浓度信息，以及在该地理位置的分布信息以及持续时间等，更加精准的构建一个过敏植物分布图供使用者使用。
在一种实施方式中，还包括：
步骤S200：利用过敏植物的训练集训练神经网络模型，得到过敏植物识别模型，训练集包括过敏植物分布图、季节信息、天气信息、植被分布信息以及多张标注图像，标注图像包括图像信息和地理位置信息。
一种示例中，如图3所示，对过敏植物识别模型进行训练时，输入数据可以包括不同的过敏植物图片数据，过敏植物分布图也作为一种信息与图片信息与位置编码信息一同输入进网络进行训练，最终可以直接得到一个属于每个过敏植物的分类的概率。同时在训练过程中也可以加入季节要素，天气要素，植被分布要素的编码对过敏植物的信息进行补充。
在一种实施方式中，还包括：
步骤S210：利用过敏植物分布图、季节信息、天气信息、植被分布信息对过敏植物识别模型进行更新，过敏植物分布图包括已识别过敏植物的类别、浓度信息、持续时间以及地理位置信息；
针对更新的过敏植物识别模型，返回执行将预选区域内的多个待识别图像以及对应的位置信息，输入至过敏植物识别模型中，输出各个待识别图像中的过敏植物类别，以及对应的第一概率的步骤。
一种示例中，在过敏植物识别时候，除了实时更新的植物分布地图，图片位置信息，图片，同时也可以输入季节要素，天气要素信息，植被信息作为辅助识别的依据。输出的信息除了植物的类别信息，还有分布浓度和持续时间的更丰富的信息。
在另一种具体实施方式中，如图5所示，提供一种过敏植物识别装置，包括：
过敏植物类别识别模块110，用于将预选区域内多个待识别的图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率；
概率计算模块120，用于针对预选区域，计算过敏植物类别对应的过敏植物数与过敏植物总数的比值，得到各个图像中过敏植物类别对应的第二概率；用于将第一概率和第二概率求乘积，得到总概率；
过敏植物分布图生成模块130，用于过敏植物分布根据各个图像中过敏植物类别对应的总概率，得到预选区域的过敏植物分布图。
在一种实施方式中，还包括：
过敏植物分布图更新模块，用于预设时间段内，累计多次统计的过敏植物分布图；从所述累计多次统计的过敏植物分布图中，提取过敏植物的类别信息和分布信息；利用提取的过敏植物的类别信息和分布信息动态更新所述过敏植物分布图。
在一种实施方式中，还包括：
浓度计算模块，用于预设时间段内，获取已识别过敏植物的数量以及对应的分布面积；计算已识别过敏植物的数量和对应的分布面积的比值，得到已识别过敏植物的平均浓度；用于根据已识别过敏植物的平均浓度和当前的温度和风速，得到已识别过敏植物的浓度信息。
在一种实施方式中，还包括：
持续时间计算模块，用于根据已识别过敏植物的出现时间和浓度信息，得到已识别过敏植物的持续时间。
在一种实施方式中，过敏植物识别模型训练模块，用于利用过敏植物的训练集训练神经网络模型，得到所述过敏植物识别模型，所述训练集包括所述过敏植物分布图、季节信息、天气信息、植被分布信息以及多张标注图像，所述标注图像包括图像信息和地理位置信息。
在一种实施方式中，还包括：
过敏植物识别模型更新模块，用于利用过敏植物分布图、季节信息、天气信息、植被分布信息对过敏植物识别模型进行更新，过敏植物分布图包括已识别过敏植物的类别、浓度信息、持续时间以及地理位置信息；
触发模块，用于针对更新的过敏植物识别模型，返回执行将预选区域内的多个图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个待识别图像中的过敏植物类别，以及对应的第一概率的步骤。
本申请实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的一种过敏植物分布统计方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的一种过敏植物分布统计方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的一种过敏植物分布统计方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的一种过敏植物分布统计方法对应的程序指令/模块。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的一种过敏植物分布统计方法。
存储器602可以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、至少一个功能所需要的应用程序；存储数据区可存储根据一种过敏植物分布统计方法的电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至上述电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
上述电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与上述电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(Liquid Cr6stal Displa6，LCD)、发光二极管(Light Emitting Diode，LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(programmable logic device，PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode Ray Tube，阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (14)
1.一种过敏植物分布统计方法，其特征在于，包括：
将预选区域内多个待识别的图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率；
针对所述预选区域，计算所述过敏植物类别对应的过敏植物数与过敏植物总数的比值，得到各个图像中过敏植物类别对应的第二概率；
将所述第一概率和所述第二概率求乘积，得到总概率；
根据各个图像中过敏植物类别对应的总概率，得到所述预选区域的过敏植物分布图。
2.根据权利要求1所述的方法，其特征在于，还包括：
预设时间段内，累计多次统计的过敏植物分布图；
从所述累计多次统计的过敏植物分布图中，提取过敏植物的类别信息和分布信息；
利用提取的过敏植物的类别信息和分布信息动态更新所述过敏植物分布图。
3.根据权利要求1所述的方法，其特征在于，还包括：
预设时间段内，获取已识别过敏植物的数量以及对应的分布面积；
计算所述已识别过敏植物的数量和对应的分布面积的比值，得到所述已识别过敏植物的平均浓度；
根据所述已识别过敏植物的平均浓度和当前的温度和风速，得到所述已识别过敏植物的浓度信息。
4.根据权利要求3所述的方法，其特征在于，还包括：
根据所述已识别过敏植物的出现时间和所述浓度信息，得到所述已识别过敏植物的持续时间。
5.根据权利要求4所述的方法，其特征在于，还包括：
利用过敏植物的训练集训练神经网络模型，得到所述过敏植物识别模型，所述训练集包括所述过敏植物分布图、季节信息、天气信息、植被分布信息以及多张标注图像，所述标注图像包括图像信息和地理位置信息。
6.根据权利要求5所述的方法，其特征在于，还包括：
利用所述过敏植物分布图、所述季节信息、所述天气信息、所述植被分布信息对所述过敏植物识别模型进行更新，所述过敏植物分布图包括所述已识别过敏植物的类别、浓度信息、持续时间以及地理位置信息；
针对更新的过敏植物识别模型，返回执行所述将预选区域内的多个待识别图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率的步骤。
7.一种过敏植物分布统计装置，其特征在于，包括：
过敏植物类别识别模块，用于将预选区域内多个待识别的图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率；
概率计算模块，用于针对所述预选区域，计算所述过敏植物类别对应的过敏植物数与过敏植物总数的比值，得到各个图像中过敏植物类别对应的第二概率；用于将所述第一概率和所述第二概率求乘积，得到总概率；
过敏植物分布图生成模块，用于过敏植物分布根据各个图像中过敏植物类别对应的总概率，得到所述预选区域的过敏植物分布图。
8.根据权利要求7所述的装置，其特征在于，还包括：
过敏植物分布图更新模块，用于预设时间段内，累计多次统计的过敏植物分布图；从所述累计多次统计的过敏植物分布图中，提取过敏植物的类别信息和分布信息；利用提取的过敏植物的类别信息和分布信息动态更新所述过敏植物分布图。
9.根据权利要求7所述的装置，其特征在于，还包括：
浓度计算模块，用于预设时间段内，获取已识别过敏植物的数量以及对应的分布面积；计算所述已识别过敏植物的数量和对应的分布面积的比值，得到所述已识别过敏植物的平均浓度；根据所述已识别过敏植物的平均浓度和当前的温度和风速，得到所述已识别过敏植物的浓度信息。
10.根据权利要求9所述的装置，其特征在于，还包括：
持续时间计算模块，用于根据所述已识别过敏植物的出现时间和所述浓度信息，得到所述已识别过敏植物的持续时间。
11.根据权利要求10所述的装置，其特征在于，还包括：
过敏植物识别模型训练模块，用于利用过敏植物的训练集训练神经网络模型，得到所述过敏植物识别模型，所述训练集包括所述过敏植物分布图、季节信息、天气信息、植被分布信息以及多张标注图像，所述标注图像包括图像信息和地理位置信息。
12.根据权利要求11所述的装置，其特征在于，还包括：
过敏植物识别模型更新模块，用于利用所述过敏植物分布图、所述季节信息、所述天气信息、所述植被分布信息对所述过敏植物识别模型进行更新，所述过敏植物分布图包括所述已识别过敏植物的类别、浓度信息、持续时间以及地理位置信息；
触发模块，用于针对更新的过敏植物识别模型，返回执行所述将预选区域内的多个图像以及对应的地理位置信息，输入至过敏植物识别模型中，输出各个图像中的过敏植物类别，以及对应的第一概率的步骤。
13.一种电子设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011615063.XA CN112686159B (zh) | 2020-12-30 | 2020-12-30 | 过敏植物分布统计方法以及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011615063.XA CN112686159B (zh) | 2020-12-30 | 2020-12-30 | 过敏植物分布统计方法以及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112686159A true CN112686159A (zh) | 2021-04-20 |
| CN112686159B CN112686159B (zh) | 2024-06-14 |
Family
ID=75453514
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011615063.XA Active CN112686159B (zh) | 2020-12-30 | 2020-12-30 | 过敏植物分布统计方法以及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112686159B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114707585A (zh) * | 2022-03-22 | 2022-07-05 | 杭州睿胜软件有限公司 | 过敏物种播报方法、系统及可读存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003271231A (ja) * | 2002-03-15 | 2003-09-26 | Mitsubishi Heavy Ind Ltd | 検出器ドリフトの推定装置、及び、検出器の監視システム |
| CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
| CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
| CN110163301A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像的分类方法及装置 |
| CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
| CN111291819A (zh) * | 2020-02-19 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、电子设备及存储介质 |
| CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
-
2020
- 2020-12-30 CN CN202011615063.XA patent/CN112686159B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003271231A (ja) * | 2002-03-15 | 2003-09-26 | Mitsubishi Heavy Ind Ltd | 検出器ドリフトの推定装置、及び、検出器の監視システム |
| CN107392133A (zh) * | 2017-07-14 | 2017-11-24 | 中国科学院新疆生态与地理研究所 | 利用面向对象多源信息融合的荒漠植物遥感识别方法 |
| CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
| CN110163301A (zh) * | 2019-05-31 | 2019-08-23 | 北京金山云网络技术有限公司 | 一种图像的分类方法及装置 |
| CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
| CN111291819A (zh) * | 2020-02-19 | 2020-06-16 | 腾讯科技（深圳）有限公司 | 图像识别方法、装置、电子设备及存储介质 |
| CN111639710A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 图像识别模型训练方法、装置、设备以及存储介质 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114707585A (zh) * | 2022-03-22 | 2022-07-05 | 杭州睿胜软件有限公司 | 过敏物种播报方法、系统及可读存储介质 |
| WO2023179317A1 (zh) * | 2022-03-22 | 2023-09-28 | 杭州睿胜软件有限公司 | 过敏物种播报方法、系统及可读存储介质 |
| CN114707585B (zh) * | 2022-03-22 | 2024-08-02 | 杭州睿胜软件有限公司 | 过敏物种播报方法、系统及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112686159B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7196382B2 (ja) | 更新道路を識別する方法、装置、デバイス及びコンピュータ記憶媒体 | |
| CN111832292B (zh) | 文本识别处理方法、装置、电子设备和存储介质 | |
| CN111984689B (zh) | 信息检索的方法、装置、设备以及存储介质 | |
| CN110489453B (zh) | 基于大数据日志分析的用户游戏实时推荐方法及系统 | |
| CN111639710A (zh) | 图像识别模型训练方法、装置、设备以及存储介质 | |
| CN114612749B (zh) | 神经网络模型训练方法及装置、电子设备和介质 | |
| CN110543558B (zh) | 问题匹配方法、装置、设备和介质 | |
| CN111695680B (zh) | 成绩预测方法、成绩预测模型训练方法、装置及电子设备 | |
| CN111783760A (zh) | 文字识别的方法、装置、电子设备及计算机可读存储介质 | |
| CN111666462A (zh) | 地理位置的推荐方法、装置、设备和计算机存储介质 | |
| CN111046176A (zh) | 对抗样本生成方法、装置、电子设备及存储介质 | |
| CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
| CN111982138B (zh) | 预测模型获取及路径规划方法、装置及存储介质 | |
| CN111914994B (zh) | 多层感知机的生成方法、装置、电子设备及存储介质 | |
| CN112837466B (zh) | 票据识别方法、装置、设备以及存储介质 | |
| CN112541052B (zh) | 确定问题的答案的方法、装置、设备及存储介质 | |
| CN114386503A (zh) | 用于训练模型的方法和装置 | |
| CN107862551A (zh) | 网络应用推广效果的预测方法、装置和终端设备 | |
| CN114090601A (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
| CN112200360A (zh) | 植物生长重量预测方法、模型训练方法及装置 | |
| CN112686159A (zh) | 过敏植物分布统计方法以及装置 | |
| CN113961765A (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
| CN116258721A (zh) | 一种oled面板缺陷判别方法、装置、设备和介质 | |
| CN113988295A (zh) | 模型训练方法、装置、设备及存储介质 | |
| CN112232089B (zh) | 语义表示模型的预训练方法、设备和存储介质 |
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 |