CN113256567A - 香蕉叶面积指数检测方法及系统 - Google Patents
香蕉叶面积指数检测方法及系统 Download PDFInfo
- Publication number
- CN113256567A CN113256567A CN202110502373.9A CN202110502373A CN113256567A CN 113256567 A CN113256567 A CN 113256567A CN 202110502373 A CN202110502373 A CN 202110502373A CN 113256567 A CN113256567 A CN 113256567A
- Authority
- CN
- China
- Prior art keywords
- banana
- leaf area
- area index
- layer
- top 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.)
- Granted
Links
- 241000234295 Musa Species 0.000 title claims abstract description 449
- 235000018290 Musa x paradisiaca Nutrition 0.000 title claims abstract description 438
- 238000001514 detection method Methods 0.000 title claims abstract description 207
- 238000005286 illumination Methods 0.000 claims abstract description 94
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims description 50
- 238000005070 sampling Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 36
- 238000003860 storage Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000000034 method Methods 0.000 description 30
- 238000010586 diagram Methods 0.000 description 16
- 238000013527 convolutional neural network Methods 0.000 description 13
- 241000196324 Embryophyta Species 0.000 description 12
- 238000005259 measurement Methods 0.000 description 12
- 235000021015 bananas Nutrition 0.000 description 11
- 230000008901 benefit Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000008140 language development Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种香蕉叶面积指数检测方法及系统,其中,香蕉叶面积指数检测方法,包括:获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,香蕉冠层俯视图由飞行装置拍摄;拍摄信息为飞行装置拍摄香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;将香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度输入香蕉叶面积指数检测模型中,得到香蕉叶面积指数检测模型输出的香蕉叶面积指数;其中,香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。能够有效地提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本。
Description
技术领域
本发明涉及植物表型技术领域,尤其涉及一种香蕉叶面积指数检测方法及系统。
背景技术
香蕉为大型草本植物,多产于热带和亚热带地区,生长快速,产量较高,具有较好的经济效益,香蕉的科学种植备受重视。香蕉的生长与其叶片有着紧密地联系,叶片面积越大,生长越快。因此,需要关注香蕉的叶面积指数。
叶面积指数(Leaf Area Index,简称LAI)是指单位土地面积上植物叶片的总面积,可作为表征植物冠层结构的重要参数,用于农业中的生长监测和产量预测,作为评价作物长势的重要依据。
叶面积指数的大小直接影响了作物的光合作用,数值越大,叶片对光能的截获率越高,干物质积累量就越高,就会取得高产量;但是当叶面积指数太大时,叶子相互遮蔽,光能的利用率反而降低。所以合适的叶面积指数是作物高产的关键。
现有技术中叶面积指数的检测方法主要有人工观察与测量、测量仪测量、遥感监测和机器视觉及图像处理技术。但仍然存在检测准确度低、实时性差和检测成本高等问题。
因此,如何提供一种香蕉叶面积指数检测方法及系统,提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本,成为亟待解决的问题。
发明内容
针对现有技术中的缺陷,本发明提供一种香蕉叶面积指数检测方法及系统。
本发明提供一种香蕉叶面积指数检测方法,包括:
获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,所述香蕉冠层俯视图由飞行装置拍摄;所述拍摄信息为所述飞行装置拍摄所述香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;
将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述拍摄信息和所述光照强度输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数;
其中,所述香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;所述样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。
根据本发明提供的香蕉叶面积指数检测方法,所述香蕉叶面积指数检测模型包括:俯视图特征提取层、仰视图特征提取层、特征处理层和指数输出层;
所述俯视图特征提取层用于根据所述香蕉冠层俯视图,确定俯视图特征;
所述仰视图特征提取层用于根据所述香蕉冠层仰视图,确定仰视图特征;
所述特征处理层用于根据所述俯视图特征、所述仰视图特征、所述光照强度和所述拍摄信息,确定特征组合;
所述指数输出层用于根据所述特征组合,确定并输出香蕉叶面积指数。
根据本发明提供的香蕉叶面积指数检测方法,所述将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述光照强度和所述拍摄信息输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数,具体包括:
将所述香蕉冠层俯视图输入至所述俯视图特征提取层中,得到所述俯视图特征提取层输出的所述俯视图特征;
将所述香蕉冠层仰视图输入至所述仰视图特征提取层中,得到所述仰视图特征提取层输出的所述仰视图特征;
将所述俯视图特征、所述仰视图特征、所述光照强度和所述拍摄信息输入至所述特征处理层中,得到所述特征处理层输出的所述特征组合;
将所述特征组合输入至所述指数输出层中,得到所述指数输出层输出的香蕉叶面积指数。
根据本发明提供的香蕉叶面积指数检测方法,所述特征处理层包括:第一特征组合层和第二特征组合层;
所述第一特征组合层用于根据所述俯视图特征和所述仰视图特征,确定图像特征组合;
所述第二特征组合层用于根据所述图像特征组合、所述光照强度和所述拍摄信息,确定特征组合。
根据本发明提供的香蕉叶面积指数检测方法,所述拍摄角度包括:偏航角、横滚角和俯仰角。
根据本发明提供的香蕉叶面积指数检测方法,所述获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度,具体包括:
在所述飞行装置低空飞行至采样点上空时,拍摄所述香蕉冠层俯视图,并确定对应的拍摄信息;
在所述采样点拍摄所述香蕉冠层仰视图;
确定所述采样点处光照强度。
本发明还提供一种香蕉叶面积指数检测系统,包括:数据获取单元和指数检测单元;
所述数据获取单元,用于获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,所述香蕉冠层俯视图由飞行装置拍摄;所述拍摄信息为所述飞行装置拍摄所述香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;
所述指数检测单元,用于将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述拍摄信息和所述光照强度输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数;
其中,所述香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;所述样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。
根据本发明提供的香蕉叶面积指数检测系统,所述香蕉叶面积指数检测模型包括:俯视图特征提取层、仰视图特征提取层、特征处理层和指数输出层;
所述俯视图特征提取层用于根据所述香蕉冠层俯视图,确定俯视图特征;
所述仰视图特征提取层用于根据所述香蕉冠层仰视图,确定仰视图特征;
所述特征处理层用于根据所述俯视图特征、所述仰视图特征、所述光照强度和所述拍摄信息,确定特征组合;
所述指数输出层用于根据所述特征组合,确定并输出香蕉叶面积指数。
本发明还提供一种电子设备,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如上述香蕉叶面积指数检测方法的各个步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述香蕉叶面积指数检测方法的各个步骤。
本发明提供的香蕉叶面积指数检测方法及系统,通过将低空数据和地面数据进行融合,使用一维数据和二维数据共同建立香蕉叶面积指数检测模型,可以提高香蕉叶面积指数检测模型的预测准确性。将香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度输入香蕉叶面积指数检测模型中确定香蕉叶面积指数的预测结果,能够有效提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本。
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为本发明提供的香蕉叶面积指数检测方法流程图;
图2为本发明提供的香蕉叶面积指数检测模型结构示意图;
图3为本发明提供的卷积神经网络预测模型结构示意图;
图4为本发明提供的香蕉叶面积指数检测系统结构示意图;
图5为本发明提供的香蕉叶面积指数检测系统设计结构示意图;
图6为本发明提供的光照强度数据显示界面图;
图7为本发明提供的香蕉冠层俯视图显示界面图;
图8为本发明提供的香蕉冠层仰视图显示界面图;
图9为本发明提供的香蕉叶面积指数显示界面图;
图10为本发明提供的电子设备的实体结构示意图。
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。
现有技术中叶面积指数的检测方法主要有人工观察与测量、测量仪测量、遥感监测和机器视觉及图像处理技术。其中,人工观察与测量方式耗时、费力,需要测量人有长期的经验积累,且人工干预较多,得到的数据随机性较大,检测结果精确度较低,工作量大且缺乏专业性。利用测量仪测量叶面积指数常常受叶片的倾斜度、形态等的影响,导致测量结果不准确。遥感技术具备快速及无损测定等优势,但测量费用昂贵,后期处理过程复杂。而图像处理技术具有处理信息量大、速度快、精度高等明显优势,且相比遥感,可以监测小范围作物的长势,更能关注到作物的个体特征。
现有技术中,基于获取的图像测定叶面积指数的方法包括以下几种:
(一)基于半球图像法测量叶面积指数的方法,该方法使用鱼眼镜头在一个采样点拍摄植物冠层图像,并对其进行灰度化和二值化处理。使用阈值分割的方法分割植物与天空像元,进而根据投影方程提取冠层孔隙度,反演出叶面积指数。
优缺点:可以在低成本的硬件条件下准确快速地测量出叶面积指数。但是只能采集单个采样点的叶面积指数,测量结果较片面。
(二)作物叶面积指数反演方法及装置,该方法将获取得到的遥感影像数据进行预处理获得高光谱数据。建立目标基准反演模型用于反演叶面积指数。
优缺点:使用生成对抗网络进行数据增强增加建模数据量,可以使模型预测更加准确,进而实现小样本数据的高精度叶面积指数反演。但是前期需要对遥感影像数据进行预处理,难以实时获取叶面积指数数据,处理过程较为复杂。
(三)基于智能手机的植物叶面积指数测定方法,使用手机拍摄作物冠层的投影面积,对图片进行矫正,利用像元比例关系计算出投影面积,进而根据投影面积真实值与拍摄地面积的比值计算叶面积指数。
优缺点:依据智能手机的优势,具有可操作性强,检测方法简单方便等优点,对于生长良好和排列规则的植物具有较好的测量效果,但是对于香蕉这类大型草本植物,其测量准确性较低。
基于以上问题,本发明提供了一种的香蕉叶面积指数检测方法,利用低空及地面多元数据来加强实体边界的判断,从而提高香蕉叶面积指数检测的准确率。详细方法步骤的说明如下。
图1为本发明提供的香蕉叶面积指数检测方法流程图,如图1所示,本发明提供一种香蕉叶面积指数检测方法,包括:
步骤S1,获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,所述香蕉冠层俯视图由飞行装置拍摄;所述拍摄信息为所述飞行装置拍摄所述香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;
步骤S2,将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述拍摄信息和所述光照强度输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数;
其中,所述香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;所述样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。
具体的,由于香蕉一般作为经济作物种植,种植面积大,在确定香蕉的叶面积指数时,可以在种植区域选定多个采样点,针对每个采样点均获取相关数据,确定香蕉叶面积指数。采样点的确定规则(对角线布点和棋盘式布点等方法)可根据实际需求进行调整,本发明对此不做限定。
针对每一个选定的采样点,在步骤S1中,获取采样点处的香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度。
其中,香蕉冠层俯视图和香蕉冠层仰视图为RGB图像,RGB图像能够反映香蕉冠层的色彩特征。可以理解的是,在将香蕉冠层俯视图和香蕉冠层仰视图输入模型之前,还可以将图像进行预处理,具体的处理方法可根据实际需求进行调整,本发明对此不做限定。
可以理解的是,香蕉冠层的俯视图是由运动的飞行装置拍摄的,拍摄信息为飞行装置拍摄香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度。拍摄角度反映了飞行装置的飞行姿势,结合拍摄焦距和拍摄高度作为俯视图的辅助参数,能够有效的补偿获取的俯视图差异导致的模型适用范围小,准确性降低的问题,有助于降低对俯视图拍摄的要求,提高叶片指数预测的准确性。香蕉冠层仰视图可以由设置于采样点处的摄像头拍摄。
需要说明的是,飞行装置为能够在低空飞行的携带摄像头的装置,具体的装置类型不做限定。优选的,飞行装置为无人机,基于无人机灵活性强和图像分辨率高等特点,将其用于香蕉冠层的低空检测,能够使俯视图的获取变得更加方便和快捷,提高检测的智能程度。
在步骤S2中,将香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度输入香蕉叶面积指数检测模型中,得到香蕉叶面积指数检测模型输出的香蕉叶面积指数。
需要说明的是,在使用香蕉叶面积指数检测模型之前,还需要使用样本数据(样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度)及对应的香蕉叶面积指数对模型进行训练。
例如,建立一个由4000组样本数据和对应的香蕉叶面积指数实测值构成的数据集,该数据集用于模型的训练、验证和测试。数据集分成三个子集,其中3000组数据构成训练集,500组数据构成验证集,500组数据构成测试集。利用该数据集确定训练好的香蕉叶面积指数检测模型,以供后续基于获取的采样点相关数据预测香蕉叶面积指数。
其次,本发明提供的香蕉叶面积指数检测方法除了应用于香蕉之外,还可以在适应性的改变模型的训练样本之后,应用于其他植物的叶面积指数的检测。进一步,还可以适应性地应用于进行其他物体的疏密程度检测。具体的迁移应用,可根据实际需求进行设置,本发明对此不做限定。
本发明提供的香蕉叶面积指数检测方法,通过将低空数据和地面数据进行融合,使用一维数据(拍摄信息和光照强度)和二维数据(香蕉冠层俯视图和仰视图)共同建立香蕉叶面积指数检测模型,可以提高香蕉叶面积指数检测模型的预测准确性。将香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度输入香蕉叶面积指数检测模型中确定香蕉叶面积指数的预测结果,能够有效提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本。
可选的,图2为本发明提供的香蕉叶面积指数检测模型结构示意图,如图2所示,根据本发明提供的香蕉叶面积指数检测方法,所述香蕉叶面积指数检测模型包括:俯视图特征提取层、仰视图视图特征提取层、特征处理层和指数输出层;
所述俯视图特征提取层用于根据所述香蕉冠层俯视图,确定俯视图特征;
所述仰视图特征提取层用于根据所述香蕉冠层仰视图,确定仰视图特征;
所述特征处理层用于根据所述俯视图特征、所述仰视图特征、所述光照强度和所述拍摄信息,确定特征组合;
所述指数输出层用于根据所述特征组合,确定并输出香蕉叶面积指数。
具体的,香蕉叶面积指数检测模型按照功能可以将层级划分为:俯视图特征提取层、仰视图视图特征提取层、特征处理层和指数输出层。
其中,俯视图特征提取层用于提取输入模型中的香蕉冠层俯视图的特征,确定俯视图特征。仰视图特征提取层用于提取输入模型中香蕉冠层仰视图,确定仰视图特征。
特征处理层用于根据确定的俯视图特征和仰视图特征,以及输入模型中的光照强度和拍摄信息,确定特征组合。
指数输出层用于根据特征组合,确定并输出香蕉叶面积指数。
图3为本发明提供的卷积神经网络预测模型结构示意图,如图3所示看,香蕉叶面积指数检测模型可以是Keras深度学习框架的顺序模型设计卷积神经网络预测模型的结构。模型的输入为获取的一维数据和二维数据。
该网络有2个输入分支,分别用于二维图像输入和一维数据输入。
(1)整个网络的最初输入为2张图片,大小为128*128*2;
(2)C1层为卷积层,滤波器个数设置为64*2,卷积核大小为3×3;
(3)C2层为卷积层,滤波器个数设置为64*2,卷积核大小为3×3;
(4)P1层为最大池化层,卷积核大小为3×3,滤波器数目为64*2个,以减少输出的复杂性和模型的过拟合;
(5)C3层和C4层均为卷积层,用于学习更高维度的特征,其中C3层共有64*2个滤波器,卷积核大小为3×3;C4层有32*2个滤波器,卷积核大小为3×3;
(6)P2层添加一个最大池化层,卷积核大小为3×3,滤波器数目为32*2个;
(7)C5层和C6层均为卷积层,用于进一步提取图像特征,C5层滤波器数量为32*2个,卷积核大小为3×3;C6层滤波器数量为16*2个,卷积核大小为3×3;
(8)P3层添加了一个平均池化层,以避免过拟合,该层滤波器的卷积核大小为3×3,滤波器个数为16*2个;
(9)两个全连接层用于特征组合,D1层和第D2层均为单位为32的全连接层;
(10)最后的输出层得到一个输出值,即卷积神经网络预测模型输出的叶面积指数。
由于本模型要解决的是回归问题,模型结构中输出层的激活函数是RELU,而其他隐藏层的激活函数也是RELU。
需要说明的是,以上香蕉叶面积指数检测模型的具体结构仅作为一个实例对本发明进行解释说明,在实际应用过程中,模型的实际结构可根据应用需求进行调整,本发明对此不做限定。
本发明提供的香蕉叶面积指数检测方法,获取香蕉冠层俯仰图像,并确定拍摄数据和光照强度,通过将低空数据和地面数据进行融合,融合一维数据和二维数据使用卷积神经网络,共同建立香蕉叶面积指数检测模型,可以提高香蕉叶面积指数检测模型的预测准确性。香蕉叶面积指数检测模型输入分为两个通道,分别将一维数据(拍摄信息和光照强度)和二维数据(香蕉冠层俯视图和香蕉冠层仰视图)输入香蕉叶面积指数检测模型中确定香蕉叶面积指数的预测结果,实现叶面积指数的实时、低成本的监测。能够有效提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本,操作简便,具有在农业检测中广泛应用的潜力。
可选的,根据本发明提供的香蕉叶面积指数检测方法,所述将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述光照强度和所述拍摄信息输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数,具体包括:
将所述香蕉冠层俯视图输入至所述俯视图特征提取层中,得到所述俯视图特征提取层输出的所述俯视图特征;
将所述香蕉冠层仰视图输入至所述仰视图特征提取层中,得到所述仰视图特征提取层输出的所述仰视图特征;
将所述所述俯视图特征、所述仰视图特征、所述光照强度和所述拍摄信息输入至所述特征处理层中,得到所述特征处理层输出的所述特征组合;
将所述特征组合输入至所述指数输出层中,得到所述指数输出层输出的香蕉叶面积指数。
具体的,确定了香蕉叶面积指数检测模型之后,将香蕉冠层俯视图、香蕉冠层仰视图、光照强度和拍摄信息输入香蕉叶面积指数检测模型中,得到香蕉叶面积指数检测模型输出的香蕉叶面积指数,具体包括:
将香蕉冠层俯视图和香蕉冠层仰视图(二维数据)输入香蕉叶面积指数检测模型中。香蕉冠层俯视图输入至模型的俯视图特征提取层中,得到俯视图特征提取层输出的俯视图特征,香蕉冠层仰视图输入至仰视图特征提取层中,得到仰视图特征提取层输出的仰视图特征。
分别获取俯视图特征和仰视图特征之后,在模型中特征处理层中,将俯视图特征和仰视图特征,以及输入的光照强度和拍摄信息(一维数据)进行组合,得到特征处理层输出的特征组合。并将特征组合输入至指数输出层中,利用指数输出层对香蕉叶面积指数进行预测,得到指数输出层输出的香蕉叶面积指数。
本发明提供的香蕉叶面积指数检测方法,获取香蕉冠层俯仰图像,并确定拍摄数据和光照强度,通过将低空数据和地面数据进行融合,融合一维数据和二维数据使用卷积神经网络,共同建立香蕉叶面积指数检测模型,可以提高香蕉叶面积指数检测模型的预测准确性。香蕉叶面积指数检测模型输入分为两个通道,分别将一维数据(拍摄信息和光照强度)和二维数据(香蕉冠层俯视图和香蕉冠层仰视图)输入香蕉叶面积指数检测模型中确定香蕉叶面积指数的预测结果,实现叶面积指数的实时、低成本的监测。能够有效提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本,操作简便,具有在农业检测中广泛应用的潜力。
可选的,根据本发明提供的香蕉叶面积指数检测方法,所述特征处理层包括:第一特征组合层和第二特征组合层;
所述第一特征组合层用于根据所述俯视图特征和所述仰视图特征,确定图像特征组合;
所述第二特征组合层用于根据所述图像特征组合、所述光照强度和所述拍摄信息,确定特征组合。
具体的,模型中的特征处理层包括:第一特征组合层和第二特征组合层。
其中,第一特征组合层用于根据俯视图特征提取层和仰视图特征提取层分别输出的俯视图特征和仰视图特征,确定图像特征组合(二维数据特征)。
第二特征组合层用于根据第一特征组合层确定的图像特征组合,以及输入的光照强度和拍摄信息(一维数据),确定特征组合。
本发明提供的香蕉叶面积指数检测方法,获取香蕉冠层俯仰图像,并确定拍摄数据和光照强度,通过将低空数据和地面数据进行融合,融合一维数据和二维数据使用卷积神经网络,共同建立香蕉叶面积指数检测模型,可以提高香蕉叶面积指数检测模型的预测准确性。香蕉叶面积指数检测模型输入分为两个通道,分别将一维数据(拍摄信息和光照强度)和二维数据(香蕉冠层俯视图和香蕉冠层仰视图)输入香蕉叶面积指数检测模型中,根据不同的输入通道提取二维数据的特征,将特征与一维数据进行组合确定特征组合,进一步根据特征组合确定香蕉叶面积指数的预测结果,实现叶面积指数的实时、低成本的监测。能够有效提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本,操作简便,具有在农业检测中广泛应用的潜力。
可选的,根据本发明提供的香蕉叶面积指数检测方法,所述拍摄角度包括:偏航角、横滚角和俯仰角。
具体的,由于在拍摄香蕉冠层俯视图时,飞行装置在低空中飞行,飞行装置拍摄图像的相关参数影响最终叶面积指数预测的准确性。
为了进一步提高准确性,考虑到飞行装置的飞行姿势,将飞行数据中的偏航角、横滚角和俯仰角作为拍摄角度,输入模型中作为一维参数,作为香蕉冠层俯视图的辅助参数。
本发明提供的香蕉叶面积指数检测方法,通过将低空数据和地面数据进行融合,使用一维数据和二维数据共同建立香蕉叶面积指数检测模型,可以提高香蕉叶面积指数检测模型的预测准确性。将香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度输入香蕉叶面积指数检测模型中确定香蕉叶面积指数的预测结果,能够有效提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本。其中,以一维数据中的拍摄数据中,飞行装置的飞行数据(偏航角,横滚角,俯仰角)、和拍摄参数(焦距,拍摄高度),作为飞行装置拍摄的香蕉冠层俯视图的辅助数据,能够有助于反映香蕉冠层俯视观测时的特征,提高检测的精度并扩大模型的适应性,降低利用飞行装置获取俯视图时对装置飞行姿势和拍摄的要求。
可选的,根据本发明提供的香蕉叶面积指数检测方法,所述获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度,具体包括:
在所述飞行装置低空飞行至采样点上空时,拍摄所述香蕉冠层俯视图,并确定对应的拍摄信息;
在所述采样点拍摄所述香蕉冠层仰视图;
确定所述采样点处光照强度。
具体的,由于香蕉种植区域一般面积较广,选取采样点时,一般设置多个采样点,飞行装置在香蕉种植区域飞行时,经过采样点上空即拍摄香蕉冠层俯视图。
在本方案中,对于任一采样点,获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度的步骤,具体包括:
在飞行装置低空飞行至采样点上空时,拍摄香蕉冠层俯视图,并确定在拍摄该采样点的香蕉冠层俯视图时对应的拍摄信息。
获取采样点处的香蕉冠层仰视图,并确定采样点处光照强度。
以获取的采样点对应的香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度作为一组数据,将该数据输入训练好的输入香蕉叶面积指数检测模型中,即可得到该采样点处对应的香蕉叶面积指数。
本发明提供的香蕉叶面积指数检测方法,通过将低空数据和地面数据进行融合,使用一维数据和二维数据共同建立香蕉叶面积指数检测模型,可以提高香蕉叶面积指数检测模型的预测准确性。将香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度输入香蕉叶面积指数检测模型中确定香蕉叶面积指数的预测结果,能够有效提高对香蕉叶面积指数检测的准确度和实时性。通过设置飞行装置采集香蕉冠层俯视图以及对应的拍摄数据,能够高效、快速且智能的一次性获取多个采样点对应的低空数据,有效的降低检测成本,使本发明提供的方法能够在农业生产中进行广泛的应用,方便快捷的确定香蕉叶面积指数。
图4为本发明提供的香蕉叶面积指数检测系统结构示意图,如图4所示,本发明还提供一种香蕉叶面积指数检测系统,包括:数据获取单元410和指数检测单元420;
所述数据获取单元410,用于获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,所述香蕉冠层俯视图由飞行装置拍摄;所述拍摄信息为所述飞行装置拍摄所述香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;
所述指数检测单元420,用于将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述拍摄信息和所述光照强度输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数;
其中,所述香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;所述样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。
具体的,由于香蕉一般作为经济作物种植,种植面积大,在确定香蕉的叶面积指数时,可以在种植区域选定多个采样点,针对每个采样点均获取相关数据,确定香蕉叶面积指数。采样点的确定规则(对角线布点和棋盘式布点等方法)可根据实际需求进行调整,本发明对此不做限定。
针对每一个选定的采样点,数据获取单元410,用于获取采样点处的香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度。
其中,香蕉冠层俯视图和香蕉冠层仰视图为RGB图像,RGB图像能够反映香蕉冠层的色彩特征。可以理解的是,在将香蕉冠层俯视图和香蕉冠层仰视图输入模型之前,还可以将图像进行预处理,具体的处理方法可根据实际需求进行调整,本发明对此不做限定。
可以理解的是,香蕉冠层的俯视图是由运动的飞行装置拍摄的,拍摄信息为飞行装置拍摄香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度。拍摄角度反映了飞行装置的飞行姿势,结合拍摄焦距和拍摄高度作为俯视图的辅助参数,能够有效的补偿获取的俯视图差异导致的模型适用范围小,准确性降低的问题,有助于降低对俯视图拍摄的要求,提高叶片指数预测的准确性。香蕉冠层仰视图可以由设置于采样点处的摄像头拍摄。
需要说明的是,飞行装置为能够在低空飞行的携带摄像头的装置,具体的装置类型不做限定。优选的,飞行装置为无人机,基于无人机灵活性强和图像分辨率高等特点,将其用于香蕉冠层的低空检测,能够使俯视图的获取变得更加方便和快捷,提高检测的智能程度。
所述指数检测单元420,用于将香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度输入香蕉叶面积指数检测模型中,得到香蕉叶面积指数检测模型输出的香蕉叶面积指数。
需要说明的是,在使用香蕉叶面积指数检测模型之前,还需要使用样本数据(样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度)及对应的香蕉叶面积指数对模型进行训练。
例如,建立一个由4000组样本数据和对应的香蕉叶面积指数实测值构成的数据集,该数据集用于模型的训练、验证和测试。数据集分成三个子集,其中3000组数据构成训练集,500组数据构成验证集,500组数据构成测试集。利用该数据集确定训练好的香蕉叶面积指数检测模型,以供后续基于获取的采样点相关数据预测香蕉叶面积指数。
其次,本发明提供的香蕉叶面积指数检测方法除了应用于香蕉之外,还可以在适应性的改变模型的训练样本之后,应用于其他植物的叶面积指数的检测。进一步,还可以适应性的应用于进行其他物体的疏密程度检测。具体的迁移应用,可根据实际需求进行设置,本发明对此不做限定。
本发明提供的香蕉叶面积指数检测系统,通过将低空数据和地面数据进行融合,使用一维数据(拍摄信息和光照强度)和二维数据(香蕉冠层俯视图和仰视图)共同建立香蕉叶面积指数检测模型,可以提高香蕉叶面积指数检测模型的预测准确性。将香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度输入香蕉叶面积指数检测模型中确定香蕉叶面积指数的预测结果,能够有效提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本。
可选的,根据本发明提供的香蕉叶面积指数检测系统,所述香蕉叶面积指数检测模型包括:俯视图特征提取层、仰视图视图特征提取层、特征处理层和指数输出层;
所述俯视图特征提取层用于根据所述香蕉冠层俯视图,确定俯视图特征;
所述仰视图特征提取层用于根据所述香蕉冠层仰视图,确定仰视图特征;
所述特征处理层用于根据所述俯视图特征、所述仰视图特征、所述光照强度和所述拍摄信息,确定特征组合;
所述指数输出层用于根据所述特征组合,确定并输出香蕉叶面积指数。
具体的,香蕉叶面积指数检测系统中使用的香蕉叶面积指数检测模型按照功能可以将层级划分为:俯视图特征提取层、仰视图视图特征提取层、特征处理层和指数输出层。
其中,俯视图特征提取层用于提取输入模型中的香蕉冠层俯视图的特征,确定俯视图特征。仰视图特征提取层用于提取输入模型中香蕉冠层仰视图,确定仰视图特征。
特征处理层用于根据确定的俯视图特征和仰视图特征,以及输入模型中的光照强度和拍摄信息,确定特征组合。
指数输出层用于根据特征组合,确定并输出香蕉叶面积指数。
图3为本发明提供的卷积神经网络预测模型结构示意图,如图3所示看,香蕉叶面积指数检测模型可以是Keras深度学习框架的顺序模型设计卷积神经网络预测模型的结构。模型的输入为获取的一维数据和二维数据。
该网络有2个输入分支,分别用于二维图像输入和一维数据输入。
(1)整个网络的最初输入为2张图片,大小为128*128*2;
(2)C1层为卷积层,滤波器个数设置为64*2,卷积核大小为3×3;
(3)C2层为卷积层,滤波器个数设置为64*2,卷积核大小为3×3;
(4)P1层为最大池化层,卷积核大小为3×3,滤波器数目为64*2个,以减少输出的复杂性和模型的过拟合;
(5)C3层和C4层均为卷积层,用于学习更高维度的特征,其中C3层共有64*2个滤波器,卷积核大小为3×3;C4层有32*2个滤波器,卷积核大小为3×3;
(6)P2层添加一个最大池化层,卷积核大小为3×3,滤波器数目为32*2个;
(7)C5层和C6层均为卷积层,用于进一步提取图像特征,C5层滤波器数量为32*2个,卷积核大小为3×3;C6层滤波器数量为16*2个,卷积核大小为3×3;
(8)P3层添加了一个平均池化层,以避免过拟合,该层滤波器的卷积核大小为3×3,滤波器个数为16*2个;
(9)两个全连接层用于特征组合,D1层和第D2层均为单位为32的全连接层;
(10)最后的输出层得到一个输出值,即卷积神经网络预测模型输出的叶面积指数。
由于本模型要解决的是回归问题,模型结构中输出层的激活函数是RELU,而其他隐藏层的激活函数也是RELU。
需要说明的是,以上香蕉叶面积指数检测模型的具体结构仅作为一个实例对本发明进行解释说明,在实际应用过程中,模型的实际结构可根据应用需求进行调整,本发明对此不做限定。
本发明提供的香蕉叶面积指数检测系统,获取香蕉冠层俯仰图像,并确定拍摄数据和光照强度,通过将低空数据和地面数据进行融合,融合一维数据和二维数据使用卷积神经网络,共同建立香蕉叶面积指数检测模型,可以提高香蕉叶面积指数检测模型的预测准确性。香蕉叶面积指数检测模型输入分为两个通道,分别将一维数据(拍摄信息和光照强度)和二维数据(香蕉冠层俯视图和香蕉冠层仰视图)输入香蕉叶面积指数检测模型中确定香蕉叶面积指数的预测结果,实现叶面积指数的实时、低成本的监测。能够有效提高对香蕉叶面积指数检测的准确度和实时性,降低检测成本,操作简便,具有在农业检测中广泛应用的潜力。
需要说明的是,本发明实施例提供的香蕉叶面积指数检测系统用于执行上述香蕉叶面积指数检测方法,其具体的实施方式与方法实施方式一致,在此不再赘述。
下面结合具体的例子对本发明提供的香蕉叶面积指数检测系统进行说明:
图5为本发明提供的香蕉叶面积指数检测系统设计结构示意图,如图5所示,低空俯视图获取、光照强度信息采集、地面仰视图获取和叶面积指数处理四个部分。
系统首先通过无人机拍摄香蕉低空冠层俯视图像,通过无线图传技术将图像传输到Android手机端。由于无人机拍摄的香蕉冠层俯视图像属于EXIF(Exchangeable imagefile format,可交换图像文件格式的图像)类型,其中包含许多无人机的飞行信息和图像拍摄信息。通过无线图传技术将图片发送到手机端之后,使用香蕉叶面积指数检测系统解析图片。通过系统客户端调用软件中的get_FlightDrgreeInfo()函数获取无人机的偏航角、横滚角和俯仰角信息,通过调用get_pic_f_h()函数获取图片的焦距和拍摄高度。
使用ZigBee JN5168模块设计系统的采集节点。GY-30光照传感器通过I2C通信协议与ZigBee JN5168模块连接用于采集光照强度信息。ZigBee JN5168模块同时与4G移动通信模块连接用于远程数据传输。采集节点将检测得到的光照强度信息通过4G移动网络发送到远程服务器的数据库中。
使用Android手机端拍摄香蕉的冠层仰视图,将其与香蕉冠层仰视图,偏航角,横滚角,俯仰角,焦距,拍摄高度信息和光照强度信息输入香蕉叶面积指数检测系统的客户端软件中的叶面积指数预测模型中,用于计算香蕉的叶面积指数。
其中,用到的数据库为SQL Server 2008数据库,数据库的建立环境是SQL ServerManagement Studio,使用“Windows身份验证”连接到SQL Server 2008数据库实例。在服务器端打开监听端口,ZigBee节点采集的光照强度数据经过4G网络传输至服务器中,后台程序对数据进行字符串解析、数据格式调整,将其保存至数据库中。整个数据库设计依赖于多张数据表,包括光照强度信息表和数据储存表。光照强度信息表,包含采样点序号,实验数据等信息,该数据表可以帮助Android客户端软件实现光照强度信息的远程在线获取。数据储存表,主要用于保存叶面积指数数据,可以让查询者查询到历史实验中各个采样点的叶面积指数,方便后续对数据进行分析。
客户端软件采用Android Studio 3.3.0集成开发环境,Java语言开发,采用Android 7.0版本的Android智能手机进行程序的调试与应用。Android系统是当前智能手机使用最广泛的操作系统,以Android智能手机为载体开发叶面积指数检测系统具有易于安装、携带方便、运行便捷、操作简单、数据传输速度快以及能够随时随地采集信息等特点。
(1)客户端软件界面设计
系统客户端基于Android设计,界面设计以Material Design设计语言作为设计原则。Android的界面显示依赖于Android组件中的Activity,分别创建了MainActivity、LoginActivity、SignupActivity、GroupActivity、DataActivity以及它们对应的.xml文件来实现客户端的主界面、登录界面、注册界面、类别界面和数据界面。在界面设计时使用相关Material控件,包括Toolbar、滑动菜单、悬浮按钮、卡片式布局和可折叠式标题栏。
(2)客户端软件读取光照强度信息
Android客户端与数据库的连接采用JDBC技术直接与服务器Microsoft SQLServer数据库连接的方式,主要内容包括加载JDBC驱动程序、建立连接、发送SQL语句对数据库进行操作。Android接收到的光照强度数据是JSON格式的,Android系统本身有对JSON格式直接解析的API,在解析JSON格式时使用了Gson API。
(3)客户端软件载入作物图片
软件在采集图像时需要调用Android手机的摄像头拍摄作物的冠层仰视图图像并调用相册读取无人机RGB冠层俯视图图像。运行该功能时需要用户同意程序所需要的权限才能进行操作,为了兼容新老版本的Android手机,程序编写了handleImageBeforeKitKat()和handleImageOnKitKat()两种方法来分别实现低于Android 4.4版本和4.4之后版本的图像显示。针对Android 4.4之前的版本,需要在Manifest中声明访问SD卡的权限,即“WRITE_EXTERNAL_STORAGE”和“READ_EXTERNAL_STORAGE”。
(4)客户端软件运行卷积神经网络模型
该发明中的卷积神经网络预测模型是由Keras搭建的,Keras是在TensorFlow基础上构建的高层API。为了实现模型的轻量化,在编写Android软件客户端时,TensorFlow的移动端SDK需要被添加到Android工程中的build.gradle文件中。将卷积神经网络预测模型写入工程中,同时,在工程中的MainActivity中创建用于显示预测结果的TextView。
客户端软件可以根据用户的操作实现对采集的各数据进行显示,以及叶面积指数预测等功能。
图6为本发明提供的光照强度数据显示界面图,图6所示,在显示界面中,可以查看每次实验建表时采集到的光照强度数据,该数据是由软件自动从服务器数据库中获取得到的。图7为本发明提供的香蕉冠层俯视图显示界面图,图8为本发明提供的香蕉冠层仰视图显示界面图,图7和图8所示,在显示界面中,可以导入无人机俯视RGB图像以及调用相机从地面拍摄香蕉冠层仰视图。
图9为本发明提供的香蕉叶面积指数显示界面图,如图9所示,在显示界面中,在调用图像之后,点击“计算叶面积指数”按键,软件可以显示后台基于低空及地面多元数据计算得到的叶面积指数数值。点击“数据保存”按键,则该数值会被保存到服务器数据库中。
以ZigBee技术和Android平台设计了香蕉叶面积指数检测系统,香蕉叶面积指数检测模型轻量化后嵌入检测系统中,可以实现数据的自动智能化、便携式获取。且叶面积指数处理的主要工作在香蕉叶面积指数检测系统的Android手机客户端软件中进行,可以实现叶面积指数的实时快速检测,在保证运算速度的前提下降低检测成本,简化检测操作步骤,使该发明具有投入实际农业进行广泛应用的潜力。
需要说明的是,上述香蕉叶面积指数检测系统的具体结构和软件设计,仅作为一个具体的实例对本发明进行解释说明,其中应用的装置类型以及装置的具体选型,和软件功能的适应性设计均可根据实际需求进行调整,本发明对此不做限定。
图10为本发明提供的电子设备的实体结构示意图,如图10所示,所述电子设备可以包括:处理器(processor)101、通信接口(communication interface)102、存储器(memory)103和通信总线(bus)104,其中,处理器101,通信接口102,存储器103通过通信总线104完成相互间的通信。处理器101可以调用存储器103中的逻辑指令,以执行上述香蕉叶面积指数检测方法,包括:获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,所述香蕉冠层俯视图由飞行装置拍摄;所述拍摄信息为所述飞行装置拍摄所述香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述拍摄信息和所述光照强度输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数;其中,所述香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;所述样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。
此外,上述的存储器103中的逻辑指令可以通过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,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的香蕉叶面积指数检测方法,该方法包括:获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,所述香蕉冠层俯视图由飞行装置拍摄;所述拍摄信息为所述飞行装置拍摄所述香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述拍摄信息和所述光照强度输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数;其中,所述香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;所述样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的以执行香蕉叶面积指数检测方法,该方法包括:获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,所述香蕉冠层俯视图由飞行装置拍摄;所述拍摄信息为所述飞行装置拍摄所述香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述拍摄信息和所述光照强度输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数;其中,所述香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;所述样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。
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软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。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软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
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 (10)
1.一种香蕉叶面积指数检测方法,其特征在于,包括:
获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,所述香蕉冠层俯视图由飞行装置拍摄;所述拍摄信息为所述飞行装置拍摄所述香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;
将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述拍摄信息和所述光照强度输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数;
其中,所述香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;所述样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。
2.根据权利要求1所述的香蕉叶面积指数检测方法,其特征在于,所述香蕉叶面积指数检测模型包括:俯视图特征提取层、仰视图特征提取层、特征处理层和指数输出层;
所述俯视图特征提取层用于根据所述香蕉冠层俯视图,确定俯视图特征;
所述仰视图特征提取层用于根据所述香蕉冠层仰视图,确定仰视图特征;
所述特征处理层用于根据所述俯视图特征、所述仰视图特征、所述光照强度和所述拍摄信息,确定特征组合;
所述指数输出层用于根据所述特征组合,确定并输出香蕉叶面积指数。
3.根据权利要求2所述的香蕉叶面积指数检测方法,其特征在于,所述将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述光照强度和所述拍摄信息输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数,具体包括:
将所述香蕉冠层俯视图输入至所述俯视图特征提取层中,得到所述俯视图特征提取层输出的所述俯视图特征;
将所述香蕉冠层仰视图输入至所述仰视图特征提取层中,得到所述仰视图特征提取层输出的所述仰视图特征;
将所述俯视图特征、所述仰视图特征、所述光照强度和所述拍摄信息输入至所述特征处理层中,得到所述特征处理层输出的所述特征组合;
将所述特征组合输入至所述指数输出层中,得到所述指数输出层输出的香蕉叶面积指数。
4.根据权利要求2所述的香蕉叶面积指数检测方法,其特征在于,所述特征处理层包括:第一特征组合层和第二特征组合层;
所述第一特征组合层用于根据所述俯视图特征和所述仰视图特征,确定图像特征组合;
所述第二特征组合层用于根据所述图像特征组合、所述光照强度和所述拍摄信息,确定特征组合。
5.根据权利要求1-4任一项所述的香蕉叶面积指数检测方法,其特征在于,所述拍摄角度包括:偏航角、横滚角和俯仰角。
6.根据权利要求1-4任一项所述的香蕉叶面积指数检测方法,其特征在于,所述获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度,具体包括:
在所述飞行装置低空飞行至采样点上空时,拍摄所述香蕉冠层俯视图,并确定对应的拍摄信息;
在所述采样点拍摄所述香蕉冠层仰视图;
确定所述采样点处光照强度。
7.一种香蕉叶面积指数检测系统,其特征在于,包括:数据获取单元和指数检测单元;
所述数据获取单元,用于获取香蕉冠层俯视图、香蕉冠层仰视图、拍摄信息和光照强度;其中,所述香蕉冠层俯视图由飞行装置拍摄;所述拍摄信息为所述飞行装置拍摄所述香蕉冠层俯视图时的拍摄角度、拍摄焦距和拍摄高度;
所述指数检测单元,用于将所述香蕉冠层俯视图、所述香蕉冠层仰视图、所述拍摄信息和所述光照强度输入香蕉叶面积指数检测模型中,得到所述香蕉叶面积指数检测模型输出的香蕉叶面积指数;
其中,所述香蕉叶面积指数检测模型由样本数据及对应的香蕉叶面积指数训练得到;所述样本数据包括:样本香蕉冠层俯视图、样本香蕉冠层仰视图、样本拍摄信息和样本光照强度。
8.根据权利要求7所述的香蕉叶面积指数检测系统,其特征在于,所述香蕉叶面积指数检测模型包括:俯视图特征提取层、仰视图特征提取层、特征处理层和指数输出层;
所述俯视图特征提取层用于根据所述香蕉冠层俯视图,确定俯视图特征;
所述仰视图特征提取层用于根据所述香蕉冠层仰视图,确定仰视图特征;
所述特征处理层用于根据所述俯视图特征、所述仰视图特征、所述光照强度和所述拍摄信息,确定特征组合;
所述指数输出层用于根据所述特征组合,确定并输出香蕉叶面积指数。
9.一种电子设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至6任一项所述的香蕉叶面积指数检测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述的香蕉叶面积指数检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502373.9A CN113256567B (zh) | 2021-05-08 | 2021-05-08 | 香蕉叶面积指数检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110502373.9A CN113256567B (zh) | 2021-05-08 | 2021-05-08 | 香蕉叶面积指数检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256567A true CN113256567A (zh) | 2021-08-13 |
CN113256567B CN113256567B (zh) | 2023-09-22 |
Family
ID=77222244
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110502373.9A Active CN113256567B (zh) | 2021-05-08 | 2021-05-08 | 香蕉叶面积指数检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256567B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821344A (zh) * | 2022-06-24 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种叶面积指数计算方法和装置 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2067385C1 (ru) * | 1992-03-04 | 1996-10-10 | Владимир Викторович Чулков | Способ определения оптимального объема кроны виноградного куста при его формировке |
CN102331244A (zh) * | 2011-08-10 | 2012-01-25 | 浙江大学 | 利用普通数码相机获取水稻冠层叶面积指数的方法 |
WO2014122256A1 (en) * | 2013-02-08 | 2014-08-14 | Universita' Degli Studi Di Milano | Method and electronic equipment for determining a leaf area index |
CN104200457A (zh) * | 2014-07-21 | 2014-12-10 | 华南农业大学 | 基于广角摄像的离散型冠层叶面积指数检测系统和方法 |
CN105225255A (zh) * | 2015-09-24 | 2016-01-06 | 中国农业科学院农业资源与农业区划研究所 | 叶面积指数测定方法及装置 |
CN106442329A (zh) * | 2016-08-31 | 2017-02-22 | 青岛农业大学 | 一种基于冠层图像参数的冬小麦叶面积指数估算方法 |
CN107464260A (zh) * | 2017-07-06 | 2017-12-12 | 山东农业大学 | 一种采用无人机的水稻冠层图像处理方法 |
CN107610066A (zh) * | 2017-09-21 | 2018-01-19 | 电子科技大学 | 一种叶面积指数测量方法 |
CN107782259A (zh) * | 2017-09-21 | 2018-03-09 | 电子科技大学 | 一种基于无线传感器网络的叶面积指数测量系统 |
US20200320682A1 (en) * | 2016-05-13 | 2020-10-08 | Basf Se | System and Method for Detecting Plant Diseases |
US20210056685A1 (en) * | 2017-12-11 | 2021-02-25 | Jiangsu University | Method and device for monitoring comprehensive growth of potted lettuce |
CN112418073A (zh) * | 2020-11-19 | 2021-02-26 | 安徽农业大学 | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 |
CN112580610A (zh) * | 2021-01-27 | 2021-03-30 | 仲恺农业工程学院 | 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 |
-
2021
- 2021-05-08 CN CN202110502373.9A patent/CN113256567B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2067385C1 (ru) * | 1992-03-04 | 1996-10-10 | Владимир Викторович Чулков | Способ определения оптимального объема кроны виноградного куста при его формировке |
CN102331244A (zh) * | 2011-08-10 | 2012-01-25 | 浙江大学 | 利用普通数码相机获取水稻冠层叶面积指数的方法 |
WO2014122256A1 (en) * | 2013-02-08 | 2014-08-14 | Universita' Degli Studi Di Milano | Method and electronic equipment for determining a leaf area index |
CN104200457A (zh) * | 2014-07-21 | 2014-12-10 | 华南农业大学 | 基于广角摄像的离散型冠层叶面积指数检测系统和方法 |
CN105225255A (zh) * | 2015-09-24 | 2016-01-06 | 中国农业科学院农业资源与农业区划研究所 | 叶面积指数测定方法及装置 |
US20200320682A1 (en) * | 2016-05-13 | 2020-10-08 | Basf Se | System and Method for Detecting Plant Diseases |
CN106442329A (zh) * | 2016-08-31 | 2017-02-22 | 青岛农业大学 | 一种基于冠层图像参数的冬小麦叶面积指数估算方法 |
CN107464260A (zh) * | 2017-07-06 | 2017-12-12 | 山东农业大学 | 一种采用无人机的水稻冠层图像处理方法 |
CN107610066A (zh) * | 2017-09-21 | 2018-01-19 | 电子科技大学 | 一种叶面积指数测量方法 |
CN107782259A (zh) * | 2017-09-21 | 2018-03-09 | 电子科技大学 | 一种基于无线传感器网络的叶面积指数测量系统 |
US20210056685A1 (en) * | 2017-12-11 | 2021-02-25 | Jiangsu University | Method and device for monitoring comprehensive growth of potted lettuce |
CN112418073A (zh) * | 2020-11-19 | 2021-02-26 | 安徽农业大学 | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 |
CN112580610A (zh) * | 2021-01-27 | 2021-03-30 | 仲恺农业工程学院 | 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 |
Non-Patent Citations (3)
Title |
---|
安佳佳;李茂富;黄绵佳;李绍鹏;: "香蕉叶面积回归模型的建立", 广西农业科学, no. 06 * |
李晓冬;王雪峰;贺鹏;: "改进Otsu法的冠层图像分割及银杏叶面积指数估测", 东北林业大学学报, no. 08 * |
王玮: "基于Kinect的苹果树冠层特征信息提取方法研究", 中国优秀硕士学位论文全文数据库 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821344A (zh) * | 2022-06-24 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种叶面积指数计算方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113256567B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Aerial images and convolutional neural network for cotton bloom detection | |
Zhang et al. | Assessment of defoliation during the Dendrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images | |
Qian et al. | UAV and a deep convolutional neural network for monitoring invasive alien plants in the wild | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
CN113392775A (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
Verhoeven et al. | Trying to break new ground in aerial archaeology | |
Barbosa et al. | Application of rgb images obtained by uav in coffee farming | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
CN111918547B (zh) | 树冠识别装置、识别方法、程序和记录介质 | |
CN115861858B (zh) | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 | |
CN113537293A (zh) | 基于无人机和全卷积神经网络的小麦倒伏区域识别方法 | |
CN113256567B (zh) | 香蕉叶面积指数检测方法及系统 | |
Hájek | Process-based approach to automated classification of forest structures using medium format digital aerial photos and ancillary GIS information | |
Saeed et al. | Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
Albuquerque et al. | Remotely piloted aircraft imagery for automatic tree counting in forest restoration areas: a case study in the Amazon | |
CN116597332A (zh) | 一种基于无人机的茶树嫩芽检测方法及装置 | |
Green et al. | Plantation Loblolly pine seedling counts with unmanned aerial vehicle imagery: a case study | |
Patel et al. | Deep Learning-Based Plant Organ Segmentation and Phenotyping of Sorghum Plants Using LiDAR Point Cloud | |
CN114120158A (zh) | 基于超低空遥感的叶面积统计方法、装置及存储介质 | |
CN113705454A (zh) | 一种包含红外光谱遥感影像的有林地提取方法 | |
Mathivanan et al. | Utilizing satellite and UAV data for crop yield prediction and monitoring through deep learning | |
Yang et al. | Simple, Low-Cost Estimation of Potato Above-Ground Biomass Using Improved Canopy Leaf Detection Method | |
Khidher et al. | Automatic trees density classification using deep learning of unmanned aerial vehicles images | |
Xiong et al. | A novel growth evaluation system for tobacco planting based on image classification |
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 |