CN112906437B - 一种燕麦植株识别的方法及装置 - Google Patents

一种燕麦植株识别的方法及装置 Download PDF

Info

Publication number
CN112906437B
CN112906437B CN201911224022.5A CN201911224022A CN112906437B CN 112906437 B CN112906437 B CN 112906437B CN 201911224022 A CN201911224022 A CN 201911224022A CN 112906437 B CN112906437 B CN 112906437B
Authority
CN
China
Prior art keywords
sub
image information
condition
label
information
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
CN201911224022.5A
Other languages
English (en)
Other versions
CN112906437A (zh
Inventor
徐丽君
王波
孙启忠
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.)
Institute of Agricultural Resources and Regional Planning of CAAS
Original Assignee
Institute of Agricultural Resources and Regional Planning of CAAS
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 Institute of Agricultural Resources and Regional Planning of CAAS filed Critical Institute of Agricultural Resources and Regional Planning of CAAS
Priority to CN201911224022.5A priority Critical patent/CN112906437B/zh
Publication of CN112906437A publication Critical patent/CN112906437A/zh
Application granted granted Critical
Publication of CN112906437B publication Critical patent/CN112906437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00Scenes; Scene-specific elements
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02Agriculture; Fishing; Forestry; Mining
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/20Image preprocessing
    • G06V10/26Segmentation 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
    • G06V10/267Segmentation 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06VIMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00Arrangements for image or video recognition or understanding
    • G06V10/40Extraction of image or video features
    • G06V10/50Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Animal Husbandry (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开一种燕麦植株识别的方法及装置,包括:获取植物的图像信息以及所述图像信息所对应的条件信息;从植物的图像信息中进行比例切取得到子图像信息;利用第一条件分析子图像信息以得到子图像信息的第一标签;通过条件信息以及第一标签来确定每个子图像信息的第二条件,所述第二条件用于分析子图像信息以获取植株类别是否属于燕麦植株。本申请通过条件信息的获取以及将整个图像切割为子图像信息来减小了图像信息分析的难度以及工作量,并且提高了准确率,而通过设置条件信息,客观上排除了大量的噪音,并且对于后续识别点的选择也提供了参考;子图像信息则为焦点识别区域的选取提供了可能,并提高了准确率。

Description

一种燕麦植株识别的方法及装置
技术领域
本说明书涉及一种燕麦植株识别的方法及装置。
背景技术
燕麦是一种古老的农作物,燕麦属于八大粮食作物之一的禾谷类作物。燕麦属禾本科、燕麦族、燕麦属,是世界各地广泛栽培种植的一种重要粮食兼饲草、饲料作物。具有抗旱、耐冷、耐瘠薄等优良性状和很高的营养及保健价值,主要栽培种分为有稃和裸粒两大类型。
不论是为了数据上的统计、疾病的预防亦或是植物种类的区别,植株识别日益重要。一般是通过对于植物外形,表皮,叶子的识别来识别植物的种类。但是,采用人工方式,效率极为低下,需要消耗大量的人力、物力和财力,而且比较依赖个人的专业技能。
随着计算机技术的发展,将计算机技术应用到个别物种的识别之中成为可能。目前,一般是基于计算机图像处理技术来划分特征,然后通过划分特征得到一些技术参数,从技术参数出发来得到植株的种类。此种处理方法实质上是一种图片信息获取和处理的方式,并没有很好的利用相关植株种类,如燕麦,的特点来进行相关信息的筛选和甄别。这不仅降低了识别的准确率,也提高了识别的难度。
发明内容
本说明书一方面提供了一种燕麦植株识别的方法,包括:
获取植物的图像信息以及所述图像信息所对应的条件信息;
从植物的图像信息中进行比例切取得到子图像信息;
利用第一条件分析子图像信息以得到子图像信息的第一标签;
通过条件信息以及第一标签来确定每个子图像信息的第二条件,所述第二条件用于分析子图像信息以获取植株类别是否属于燕麦植株。本申请通过条件信息的获取以及将整个图像切割为子图像信息来减小了图像信息分析的难度以及工作量,并且提高了准确率,而通过设置条件信息,客观上排除了大量的噪音,并且对于后续识别点的选择也提供了参考;子图像信息则为焦点识别区域的选取提供了可能,在降低图片信息处理上的工作量的前提之下,提高了准确率。
优选的,所述条件信息包括图像信息的生成时间以及地理位置。
优选的,所述地理位置为经纬度坐标。
优选的,所述比例切割为等比例切割或者按照高度方向按照预定方案进行切割。
优选的,所述第一条件采用如下方法进行:获取子图像信息,利用卷积-池化层对子图片信息进行特征提取,得到特征图,计算特征图所占子图像信息的面积的百分比,若百分比超过指定阈值,则将特征图所表征的特征标注为第一标签;若百分比未超过指定阈值,则继续在删除掉第一层次的特征图的前提下,对剩余的子图像信息进行特征提取得到下一层次的特征图,并继续计算此时得到的特征图所占子图像信息的面积的百分比,将该百分比与前面得到的百分比进行累加,如此反复,直至得到的所有百分比之和超过指定阈值,所需要累加的各个百分比对应的特征图所表征的特征全部标注为第一标签。本申请通过对于每个子图片信息进行处理得到每个子图片信息最能代表的信息,从而快速的得到每个子图片信息的真正的代表性信息,而此代表性信息也是原来获取的图片的代表性信息,以此尽可能快的完成图片的处理,需要说明的是,在处理过程中,可能会由于切割以及标签选择造成部分信息的丧失,但是在使用过程中发现,在相当快的识别速率下,准确率也相对较高,而此种信息的略微丧失尚在可接受的范围之内,若需要降低此种丧失,则可以通过调整比例切割的方式以达到降低信息缺损目的。
优选的,所述第一标签包括穗部、叶部、杆部、芒部、花部。
优选的,所述第二条件按照如下方法进行:所述第二条件由若干子第二方法组成,所述子第二方法与第一标签一一对应,所述子第二方法的排列顺序按照条件信息预先确定。
优选的,所述子第二方法包括选取标签为一第一标签的子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别,否则选择标签中含有一标签的所有子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别。
优选的,所述第二条件采用如下方法进行:首先选取第一标签为穗部的子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别,否则选择标签中含有穗部的所有子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别,否则依次选择叶部、杆部、芒部、花部,如此往复,直至得到结论,如最终无法得出结论,则输出无法识别的结论。
另一方面,还提供了一种燕麦植株识别的装置,包括:
获取模块,用于获取植物的图像信息以及所述图像信息所对应的条件信息;
分切模块,用于从植物的图像信息中进行比例切取得到子图像信息;
标签模块,用于利用第一条件分析子图像信息以得到子图像信息的第一标签;
识别模块,用于通过条件信息以及第一标签来确定每个子图像信息的第二条件,所述第二条件用于分析子图像信息以获取植株类别是否属于燕麦植株。
本申请能够带来如下有益效果:
1、相较于苜蓿,燕麦的类型变化更多,在对于子图像信息处理的时候,才利用条件信息,可以更为充分的利用条件信息提供的辅助信息;
2、本申请通过条件信息的获取以及将整个图像切割为子图像信息来减小了图像信息分析的难度以及工作量,并且提高了准确率,而通过设置条件信息,客观上排除了大量的噪音,并且对于后续识别点的选择也提供了参考;子图像信息则为焦点识别区域的选取提供了可能,在降低图片信息处理上的工作量的前提之下,提高了准确率;
3、本申请通过对于每个子图片信息进行处理得到每个子图片信息最能代表的信息,从而快速的得到每个子图片信息的真正的代表性信息,而此代表性信息也是原来获取的图片的代表性信息,以此尽可能快的完成图片的处理,需要说明的是,在处理过程中,可能会由于切割以及标签选择造成部分信息的丧失,但是在使用过程中发现,在相当快的识别速率下,准确率也相对较高,而此种信息的略微丧失尚在可接受的范围之内,若需要降低此种丧失,则可以通过调整比例切割的方式以达到降低信息缺损目的。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书实施例提供的操作过程;
图2为本说明书实施例提供的操作装置。
具体实施方式
本说明书提供的电子烟评价方法由具有计算功能的计算设备执行,将电子烟的各测试用户针对各预设指标返回的评价值以及各预设指标的权重值输入到该计算设备中(可通过人工方式输入,也可通过在线传输等其他方式输入),计算设备采用一定的算法确定电子烟的综合分值。任何具有上述功能的计算设备,如个人计算机(Personal Computer,PC)、手机、平板电脑、服务器等,均在本申请的保护范围之内。
为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案,下面将结合本说明书一个或多个实施例中的附图,对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都应当属于本说明书保护的范围。
图1为本说明书实施例提供的燕麦植株识别的评价过程,具体包括以下步骤:
S101:获取植物的图像信息以及所述图像信息所对应的条件信息;
本申请所说的条件信息主要是用于确定此事的图像信息处于何种情况下获取的,对于燕麦植株来讲,至少可以确定其可能所属的大类,以及可能处于幼苗期,成长期,成熟期等的初步信息。所述条件信息包括图像信息的生成时间以及地理位置。如其地址位置是处于西南地区,则可能属于高原类型的燕麦或者高山类型的燕麦,此时其分别有自己的特点,则可以根据其特点来用来后期的方法的选择。
S102:从植物的图像信息中进行比例切取得到子图像信息;所述比例切割为等比例切割或者按照高度方向按照预定方案进行切割;
S103:利用第一条件分析子图像信息以得到子图像信息的第一标签;
所述第一条件采用如下方法进行:获取子图像信息,利用卷积-池化层对子图片信息进行特征提取,得到特征图,计算特征图所占子图像信息的面积的百分比,若百分比超过指定阈值,则将特征图所表征的特征标注为第一标签;若百分比未超过指定阈值,则继续在删除掉第一层次的特征图的前提下,对剩余的子图像信息进行特征提取得到下一层次的特征图,并继续计算此时得到的特征图所占子图像信息的面积的百分比,将该百分比与前面得到的百分比进行累加,如此反复,直至得到的所有百分比之和超过指定阈值,所需要累加的各个百分比对应的特征图所表征的特征全部标注为第一标签。本申请通过对于每个子图片信息进行处理得到每个子图片信息最能代表的信息,从而快速的得到每个子图片信息的真正的代表性信息,而此代表性信息也是原来获取的图片的代表性信息,以此尽可能快的完成图片的处理,需要说明的是,在处理过程中,可能会由于切割以及标签选择造成部分信息的丧失,但是在使用过程中发现,在相当快的识别速率下,准确率也相对较高,而此种信息的略微丧失尚在可接受的范围之内,若需要降低此种丧失,则可以通过调整比例切割的方式以达到降低信息缺损目的。所述第一标签包括穗部、叶部、杆部、芒部、花部。
如阈值是50%,在分析穗部时,计算出来的面积是45%,则继续分析叶部,叶部占总面积的10%,则总和为55%,超过其阈值,此时的标签为叶部和穗部;若分析穗部时,计算出来的面积为55%,则超过了阈值,此时的标签则为穗部。
S104:通过条件信息以及第一标签来确定每个子图像信息的第二条件,所述第二条件用于分析子图像信息以获取植株类别是否属于燕麦植株。所述第二条件按照如下方法进行:所述第二条件由若干子第二方法组成,所述子第二方法与标签一一对应,所述子第二方法的排列顺序按照条件信息预先确定。所述子第二方法包括选取标签为一标签的子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别,否则选择标签中含有一标签的所有子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别。相较于苜蓿,燕麦的类型变化更多,在对于子图像信息处理的时候,可更为充分的利用条件信息。
例如,可以按照下列方式进行,首先选取标签为穗部的子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别,否则选择标签中含有穗部的所有子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别,否则依次选择叶部、杆部、芒部、花部,如此往复,直至得到结论,如最终无法得出结论,则输出无法识别的结论。
S105、得到最后结论,是否是燕麦植株。
可以理解的,所述地理位置为经纬度坐标。
在第二个实施例中,如图2所示,一种燕麦植株识别的装置,包括:获取模块201,用于获取植物的图像信息以及所述图像信息所对应的条件信息;分切模块202,用于从植物的图像信息中进行比例切取得到子图像信息;标签模块203,用于利用第一条件分析子图像信息以得到子图像信息的第一标签;识别模块204,用于通过条件信息以及第一标签来确定每个子图像信息的第二条件,所述第二条件用于分析子图像信息以获取植株类别是否属于燕麦植株。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Comell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC 18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本说明书的实施例可提供为方法、系统、或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本说明书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。
本说明书是参照根据本说明书一个或多个实施例的方法、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数据处理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数据处理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数据处理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数据处理设备上,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。
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过程、方法、商品或者设备不仅包括那些要素,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、商品或者设备所固有的要素。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过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书的一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本说明书的一个或多个实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。

Claims (5)

1.一种燕麦植株识别的方法,其特征在于,包括:
获取植物的图像信息以及所述图像信息所对应的条件信息;
从植物的图像信息中进行比例切取得到子图像信息;
利用第一条件分析子图像信息以得到子图像信息的第一标签;
通过条件信息以及第一标签来确定每个子图像信息的第二条件,所述第二条件用于分析子图像信息以获取植株类别是否属于燕麦植株;
获取子图像信息,利用卷积-池化层对子图片信息进行特征提取,得到特征图,计算特征图所占子图像信息的面积的百分比,若百分比超过指定阈值,则将特征图所表征的特征标注为第一标签;若百分比未超过指定阈值,则继续在删除掉第一层次的特征图的前提下,对剩余的子图像信息进行特征提取得到下一层次的特征图,并继续计算此时得到的特征图所占子图像信息的面积的百分比,将该百分比与前面得到的百分比进行累加,如此反复,直至得到的所有百分比之和超过指定阈值,所需要累加的各个百分比对应的特征图所表征的特征全部标注为第一标签;
所述第二条件由若干子第二方法组成,所述子第二方法与第一标签一一对应,所述子第二方法的排列顺序按照条件信息预先确定;
所述子第二方法包括选取标签为一第一标签的子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别,否则选择标签中含有一标签的所有子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别;
所述第二条件采用如下方法进行:首先选取标签为穗部的子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别,否则选择标签中含有穗部的所有子图像信息,若识别得到其属于燕麦植株的比例超过指定阈值,即完成识别,否则依次选择叶部、杆部、芒部、花部,如此往复,直至得到结论,如最终无法得出结论,则输出无法识别的结论。
2.如权利要求1所述的方法,其特征在于,所述条件信息包括图像信息的生成时间以及地理位置。
3.如权利要求2所述的方法,其特征在于,所述地理位置为经纬度坐标。
4.如权利要求1所述的方法,其特征在于,所述比例切割为等比例切割或者按照高度方向按照预定方案进行切割。
5.如权利要求1所述的方法,其特征在于,所述第一标签包括穗部、叶部、杆部、芒部、花部。
CN201911224022.5A 2019-12-04 2019-12-04 一种燕麦植株识别的方法及装置 Active CN112906437B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911224022.5A CN112906437B (zh) 2019-12-04 2019-12-04 一种燕麦植株识别的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911224022.5A CN112906437B (zh) 2019-12-04 2019-12-04 一种燕麦植株识别的方法及装置

Publications (2)

Publication Number Publication Date
CN112906437A CN112906437A (zh) 2021-06-04
CN112906437B true CN112906437B (zh) 2023-12-26

Family

ID=76104560

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911224022.5A Active CN112906437B (zh) 2019-12-04 2019-12-04 一种燕麦植株识别的方法及装置

Country Status (1)

Country Link
CN (1) CN112906437B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583318A (zh) * 2018-11-06 2019-04-05 平安科技(深圳)有限公司 药用植物识别方法、装置和计算机设备
CN109635811A (zh) * 2018-11-09 2019-04-16 中国科学院空间应用工程与技术中心 空间植物的图像分析方法
CN110070101A (zh) * 2019-03-12 2019-07-30 平安科技(深圳)有限公司 植物种类的识别方法及装置、存储介质、计算机设备
CN110245664A (zh) * 2019-06-26 2019-09-17 深兰科技(上海)有限公司 车牌识别方法
CN110287850A (zh) * 2019-06-20 2019-09-27 北京三快在线科技有限公司 一种模型训练以及目标物识别的方法及装置
CN110516739A (zh) * 2019-08-27 2019-11-29 阿里巴巴集团控股有限公司 一种证件识别方法、装置及设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
BR112019023576A8 (pt) * 2017-05-09 2022-11-22 Blue River Tech Inc Método e meio legível por computador

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109583318A (zh) * 2018-11-06 2019-04-05 平安科技(深圳)有限公司 药用植物识别方法、装置和计算机设备
CN109635811A (zh) * 2018-11-09 2019-04-16 中国科学院空间应用工程与技术中心 空间植物的图像分析方法
CN110070101A (zh) * 2019-03-12 2019-07-30 平安科技(深圳)有限公司 植物种类的识别方法及装置、存储介质、计算机设备
CN110287850A (zh) * 2019-06-20 2019-09-27 北京三快在线科技有限公司 一种模型训练以及目标物识别的方法及装置
CN110245664A (zh) * 2019-06-26 2019-09-17 深兰科技(上海)有限公司 车牌识别方法
CN110516739A (zh) * 2019-08-27 2019-11-29 阿里巴巴集团控股有限公司 一种证件识别方法、装置及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂背景下植物叶部病害识别系统的设计;张芳;张习博;;农业网络信息(第08期) *

Also Published As

Publication number Publication date
CN112906437A (zh) 2021-06-04

Similar Documents

Publication Publication Date Title
CN113095124B (zh) 一种人脸活体检测方法、装置以及电子设备
CN110443618B (zh) 风控策略的生成方法及装置
JP6869347B2 (ja) リスク制御イベント自動処理の方法および装置
CN115618964B (zh) 一种模型训练的方法、装置、存储介质及电子设备
CN115828162B (zh) 一种分类模型训练的方法、装置、存储介质及电子设备
CN115618748B (zh) 一种模型优化的方法、装置、设备及存储介质
CN115203451A (zh) 用于植物图像的识别处理方法、系统和存储介质
CN112906698B (zh) 一种苜蓿植株识别的方法及装置
CN109886804B (zh) 一种任务处理方法及装置
CN112906437B (zh) 一种燕麦植株识别的方法及装置
CN113298180A (zh) 用于植物识别的方法和计算机系统
CN116091895B (zh) 一种面向多任务知识融合的模型训练方法及装置
CN115082803B (zh) 基于植被季相变化的耕地撂荒监测方法、装置和存储介质
CN116805393A (zh) 一种基于3DUnet光谱-空间信息融合的高光谱图像分类方法和系统
CN114926706B (zh) 数据处理方法、装置及设备
CN115689676A (zh) 一种行业识别的方法、装置、存储介质及电子设备
CN111242195B (zh) 模型、保险风控模型训练方法、装置及电子设备
CN112417275A (zh) 一种信息提供的方法、装置存储介质及电子设备
CN111291645A (zh) 身份识别方法及装置
CN117011718B (zh) 一种基于多元损失融合的植物叶片细粒度识别方法和系统
CN116340670A (zh) 一种目标对象的缓存管理方法、系统、装置及电子设备
CN111461352B (zh) 模型训练、业务节点识别方法、装置及电子设备
CN116188919B (zh) 一种测试方法、装置、可读存储介质及电子设备
CN113673601B (zh) 一种行为识别方法、装置、存储介质及电子设备
CN116817754B (zh) 一种基于稀疏重建的大豆植株表型提取方法及系统

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