CN113344035A - 一种香蕉物候期监控模块及种植系统 - Google Patents
一种香蕉物候期监控模块及种植系统 Download PDFInfo
- Publication number
- CN113344035A CN113344035A CN202110535987.7A CN202110535987A CN113344035A CN 113344035 A CN113344035 A CN 113344035A CN 202110535987 A CN202110535987 A CN 202110535987A CN 113344035 A CN113344035 A CN 113344035A
- Authority
- CN
- China
- Prior art keywords
- banana
- image
- stage
- phenological period
- deep learning
- 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
- 241000234295 Musa Species 0.000 title claims abstract description 102
- 235000018290 Musa x paradisiaca Nutrition 0.000 title claims abstract description 90
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000012010 growth Effects 0.000 claims abstract description 24
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 235000021015 bananas Nutrition 0.000 claims abstract description 12
- 230000004069 differentiation Effects 0.000 claims abstract description 9
- 229940079593 drug Drugs 0.000 claims abstract description 9
- 239000003814 drug Substances 0.000 claims abstract description 9
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 9
- 230000004720 fertilization Effects 0.000 claims abstract description 9
- 230000035935 pregnancy Effects 0.000 claims abstract description 9
- 230000009105 vegetative growth Effects 0.000 claims abstract description 9
- 238000009313 farming Methods 0.000 claims abstract description 6
- 238000013136 deep learning model Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/02—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP]
- H04L67/025—Protocols based on web technology, e.g. hypertext transfer protocol [HTTP] for remote control or remote monitoring of applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Multimedia (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Computer Networks & Wireless Communication (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理方法，具体涉及本发明涉及图像处理方法，具体涉及一种香蕉物候期监控模块及种植系统。本发明通过大量的香蕉物候期图像，农艺人员对图像进行标注，利用深度学习进行训练，最后自动对新的香蕉物候期图像进行识别，智能识别香蕉的物候期，识别出苗期、营养生长期、花芽分化期、孕蕾期、幼果期、膨大期等各个生长阶段，实现远程智能识别，农业人员无需去香蕉田进行人工判断，从而减少时间成本，降低人工成本，降低了区域限制。识别香蕉物候期对于农事操作、施肥用药、上市时间判断提供了重要依据。本发明提供的香蕉智能种植系统，可根据香蕉所处的生长阶段给出香蕉种植指导方案，包括对应的农事操作、施肥用药等，给出科学合理的种植方案。
Description
技术领域
本发明涉及图像处理方法，具体涉及一种香蕉物候期监控模块及种植系统。
背景技术
目前，市场上香蕉物候期的判断还是以人工判断为主，需要到香蕉基地进行实地观察，还需要经验丰富的农业人员进行判断，因此增加了香蕉物候期识别的限制，存在如消耗时间成本、现场观测麻烦、对人员技术要求高等问题。在香蕉种植中，使得时间成本、人工成本增加，从而让香蕉价格上涨。
发明内容
为了解决上述问题，本发明提供了一种香蕉物候期监控模块及种植系统，通过大量的香蕉物候期图像，农艺人员对图像进行标注，利用深度学习进行训练，最后自动对新的图像进行识别，智能识别物候期，从而减少时间成本，降低人工成本，采用远程智能识别，进一步提高检测的效率。具体技术方案如下：
一种香蕉物候期监控模块，包括设置在香蕉田内的若干摄像头装置、服务器、上位机；所述上位机包括图像数据库、深度学习单元；若干所述摄像头装置分别于服务器通信连接；所述服务器分别与图像数据库、深度学习单元连接；所述图像数据库与深度学习单元连接；
所述摄像头装置用于采集香蕉苗的生长状况图像，并将采集的图像传输至服务器；所述服务器用于对摄像头装置采集的图像进行预处理并保存至图像数据库，且同时输入至深度学习单元；所述深度学习单元用于对服务器输入的图像进行判断对应香蕉苗的物候期；所述物候期包括香蕉苗期、营养生长期、花芽分化期、孕蕾期、幼果期、膨大期。
优选地，所述摄像头装置包括CMOS摄像头、处理器、远程传输模块、太阳能电池板、上位机、支撑架；所述CMOS摄像头、处理器、远程传输模块、太阳能电池板分别安装在支撑架上；所述CMOS摄像头、远程传输模块、太阳能电池板分别与处理器连接；所述远程传输模块与上位机连接；所述CMOS摄像头用于采集香蕉田中香蕉苗的生长状况图像，并将采集的图像传输至处理器；所述处理器用于通过远程传输模块接收上位机传输来的控制指令或将CMOS摄像头采集的图像通过远程传输模块传输至服务器；所述太阳能电池板用于为摄像头装置提供工作电源。
优选地，所述摄像头装置还包括温湿度传感器、光照传感器；所述温湿度传感器、光照传感器分别与处理器连接；所述温湿度传感器用于实时采集香蕉田的温湿度数据，并将采集的数据传输至处理器；所述光照度传感器用于实时采集香蕉田的光照度数据，并将采集的数据传输至处理器。
优选地，所述深度学习单元存储有训练好的深度学习模型。
优选地，所述深度学习模型的训练方法如下：
S1：采集香蕉苗期、营养生长期、花芽分化期、孕蕾期、幼果期、膨大期各个生长阶段的历史图像，存储至图像数据库中；
S2：对图像数据库中每个生长阶段的图像进行剪裁为大小不等的若干子图像，按照不同生长阶段对训练样本集中的图像进行标注；
S3：对属于同一张原始图片的若干子图像进行数据增强，并部分划入训练样本集，部分划入测试样本集；
S4：建立深度学习模型，采用训练样本集对深度学习模型进行训练，得到训练后的深度学习模型；
S5：采用测试样本集对训练后的深度学习模型进行测试，若测试精度达到设定阈值，则训练后的深度学习模型符合要求，若测试精度达不到设定阈值，则重复步骤S1-S4，直至训练后的深度学习模型的测试精度达到设定阈值为止。
优选地，所述步骤S5前还包括采用公开的COCO数据集对深度学习模型进行预训练，预训练达到设定精度时再用训练样本集进行训练。
优选地，所述步骤S3中数据增强的方式包括：
（1）随机设置图像的旋转角度；
（2）随机设置图像的亮度；
（3）随机设置图像的对比度；
（4）随机设置图像的饱和度；
（5）随机设置图像的色调。
优选地，所述服务器对摄像头装置采集的图像进行预处理的步骤包括：去除图像的无效区域、对图像进行滤波处理、对图像进行对比度增强。
优选地，所述支撑架包括支撑杆、支撑底座、水平调节底座、仰角调节座；所述支撑底座为开口向下的方形槽；所述水平调节底座为向上开口的方形槽；所述支撑底座一端固定在支撑杆上，另一端顶面通过螺栓固定水平调节底座的底面；水平调节底座的两侧设置半圆侧板；水平调节底座的两块半圆侧板分别设置有定位孔；所述仰角调节座为开口向下的方形槽，两侧设置半圆侧板；所述仰角调节座的半圆侧板上分别沿圆周设置弧形限位槽；所述弧形限位槽所在的位置与水平调节底座的半圆侧板上的定位孔匹配，并通过螺栓可拆卸链接；所述CMOS摄像头可拆卸安装在仰角调节座的顶面上。
一种香蕉种植系统，包括香蕉物候期监控模块、种植方案模块、专家库；所述种植方案模块分别与香蕉物候期监控模块、专家库连接；所述专家库预存有香蕉每个物候期的农事操作、施肥用药指导方案；所述种植方案模块用于根据香蕉物候期监控模块判断的香蕉苗对应物候期并匹配专家库中对应的指导方案。
本发明的有益效果为：本发明通过大量的香蕉物候期图像，农艺人员对图像进行标注，利用深度学习进行训练，最后自动对新的香蕉物候期图像进行识别，智能识别香蕉的物候期，识别出苗期、营养生长期、花芽分化期、孕蕾期、幼果期、膨大期等各个生长阶段，实现远程智能识别，农业人员无需去香蕉田进行人工判断，从而减少时间成本，降低人工成本，消除了区域限制。识别香蕉物候期对于农事操作、施肥用药、上市时间判断提供了重要依据。
本发明提供的香蕉种植系统，可根据香蕉所处的生长阶段给出香蕉种植指导方案，包括对应的农事操作、施肥用药等，给出科学合理的种植方案，有助于提高香蕉的产量和质量。
附图说明
图1为本发明的原理示意图；
图2为本发明支撑架的结构示意图。
具体实施方式
为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：
如图1所示，一种香蕉物候期监控模块，包括设置在香蕉田内的若干摄像头装置、服务器、上位机；上位机包括图像数据库、深度学习单元；若干摄像头装置分别于服务器通信连接；服务器分别与图像数据库、深度学习单元连接；图像数据库与深度学习单元连接；
摄像头装置用于采集香蕉苗的生长状况图像，并将采集的图像传输至服务器；服务器用于对摄像头装置采集的图像进行预处理并保存至图像数据库，且同时输入至深度学习单元；深度学习单元用于对服务器输入的图像进行判断对应香蕉苗的物候期；物候期包括香蕉苗期、营养生长期、花芽分化期、孕蕾期、幼果期、膨大期。
摄像头装置包括CMOS摄像头、处理器、远程传输模块、太阳能电池板、上位机、支撑架；CMOS摄像头、处理器、远程传输模块、太阳能电池板分别安装在支撑架上；CMOS摄像头、远程传输模块、太阳能电池板分别与处理器连接；远程传输模块与上位机连接；CMOS摄像头用于采集香蕉田中香蕉苗的生长状况图像，并将采集的图像传输至处理器；处理器用于通过远程传输模块接收上位机传输来的控制指令或将CMOS摄像头采集的图像通过远程传输模块传输至服务器；太阳能电池板用于为摄像头装置提供工作电源。
摄像头装置还包括温湿度传感器、光照传感器；温湿度传感器、光照传感器分别与处理器连接；温湿度传感器用于实时采集香蕉田的温湿度数据，并将采集的数据传输至处理器；光照度传感器用于实时采集香蕉田的光照度数据，并将采集的数据传输至处理器。
如图2所示，支撑架包括支撑杆、支撑底座1、水平调节底座2、仰角调节座3；支撑底座1为开口向下的方形槽；水平调节底座2为向上开口的方形槽；支撑底座1一端固定在支撑杆上，另一端顶面通过螺栓固定水平调节底座2的底面；水平调节底座2的两侧设置半圆侧板；水平调节底座2的两块半圆侧板分别设置有定位孔；仰角调节座3为开口向下的方形槽，两侧设置半圆侧板；仰角调节座3的半圆侧板上分别沿圆周设置弧形限位槽31；弧形限位槽31所在的位置与水平调节底座的半圆侧板上的定位孔匹配，并通过螺栓可拆卸链接；CMOS摄像头4可拆卸安装在仰角调节座3的顶面上。
深度学习单元存储有训练好的深度学习模型。深度学习模型的训练方法如下：
S1：采集香蕉苗期、营养生长期、花芽分化期、孕蕾期、幼果期、膨大期各个生长阶段的历史图像，存储至图像数据库中。
S2：对图像数据库中每个生长阶段的图像进行剪裁为大小不等的若干子图像，按照不同生长阶段对训练样本集中的图像进行标注。
S3：对属于同一张原始图片的若干子图像进行数据增强，并部分划入训练样本集，部分划入测试样本集；数据增强的方式包括：
（1）随机设置图像的旋转角度；
（2）随机设置图像的亮度；
（3）随机设置图像的对比度；
（4）随机设置图像的饱和度；
（5）随机设置图像的色调。
S4：建立深度学习模型，采用训练样本集对深度学习模型进行训练，得到训练后的深度学习模型；采用公开的COCO数据集对深度学习模型进行预训练，预训练达到设定精度时再用训练样本集进行训练。在采用本实施例的训练样本集训练前采用公开的COCO数据集对设计好的深度学习模型进行预训练，达到设定的精度阈值时再用本实施例的训练样本集进行训练，若是采用公开的数据集对设计好的COCO模型进行预训练时精度已经收敛，但是达不到设定的精度阈值，则重新设计COCO模型，调整COCO模型的相关参数，继续采用公开的数据集进行预训练，直至设计的COCO模型的精度达到设定的精度阈值。采用公开的数据集对设计的COCO模型进行预训练可以减少模型训练的工作量和算法工作量。
S5：采用测试样本集对训练后的深度学习模型进行测试，若测试精度达到设定阈值，则训练后的深度学习模型符合要求，若测试精度达不到设定阈值，则重复步骤S1-S4，直至训练后的深度学习模型的测试精度达到设定阈值为止。
服务器对摄像头装置采集的图像进行预处理的步骤包括：去除图像的无效区域、对图像进行滤波处理、对图像进行对比度增强。
去除图像的无效区域可以减少计算量，提高结果输出效率，例如本实施例是要采集香蕉田中香蕉苗的生长状况，有时会拍摄到香蕉田周围的图像或者天空的图像，则先将这些周围环境或天空的图像去除，减少计算量。滤波采用均值滤波的方式，去除图像噪音。在本实施例中，先去除图像的无效区域，再进行滤波处理，最后再进行对比度增强，如此既减少了计算量，提高了识别结果输出的效率，又提高了识别的精度。
一种香蕉种植系统，包括香蕉物候期监控模块、种植方案模块、专家库；种植方案模块分别与香蕉物候期监控模块、专家库连接；专家库预存有香蕉每个物候期的农事操作、施肥用药指导方案；种植方案模块用于根据香蕉物候期监控模块判断的香蕉苗对应物候期并匹配专家库中对应的指导方案。
本实施例采用英特尔i7-8700k CPU以及英伟达1080Ti GPU进行训练，采用设计好的COCO模型进行检测，结果如表1所示：
表1 对比结果
| mAP | |
| 本方法 | 74.75 |
mAP 计算方法：
1、本实施例针对香蕉各个生长阶段的图像类别，设定IOU阈值，本实施例设定阈值为0.5，（意思是检测为对应生长阶段的香蕉图像的目标的预测边界框和真实边界框的交并比要大于0.5，大于该阈值的认为是TP，其它的认为是FP，TP表示检测对了的正样本，FP表示检测错了的正样本，然后用测试样本中真实的正样本数量减去TP，就得到了FN，FN是漏检的正样本），统计出ground truth框的个数（计算召回率的分母）M和检测框个数N；IOU表示交并比，即目标预测框和真实框的交集和并集的比例。
2、从计算机内存初始化一个二维数组
（i=1,2,3,...,N.j=1，2），第一列存储目标分类的预测分数，第二列用于标记检测框是否为TP。
3、从计算机内存初始化precision（查准率），recall（召回率）结果矩阵
（i=1,2,3,...,N.j=1，2），第一列存储召回值，第二列存储对应的精度值。precision=TP/(TP+FP)；recall=TP/(TP+FN)。
4、对每张图像每个检测框与与ground Truth计算IOU，大于阈值的为TP，否则为FP，并赋值给数组
。
5、对二维数组
第一列预测分数进行从大到小进行排序（第二列也跟随第一列排序）。
6、对二维数组
逐行计算当前时刻的查准率和召回率，得到一组（
），赋值到
的第i行。
7、计算当前类别下的AP（Average Precision，平均精确度），具体是通过
绘制PR曲线，然后用插值法（0、0.1、0.2,...1）共11个插值点或者曲线上所有点进行插值求曲线下的面积即为
。P-R曲线下的面积可以用于评估该曲线对应的模型的能力，也就是说面积越大模型性能越好。求取所有AP的平均值得到mAP的值。
本发明通过大量的香蕉物候期图像，农艺人员对图像进行标注，利用深度学习进行训练，最后自动对新的香蕉物候期图像进行识别，智能识别香蕉的物候期，识别出苗期、营养生长期、花芽分化期、孕蕾期、幼果期、膨大期等各个生长阶段，实现远程智能识别，农业人员无需去香蕉田进行人工判断，从而减少时间成本，降低人工成本，降低了区域限制。识别香蕉物候期对于农事操作、施肥用药、上市时间判断提供了重要依据。
本发明提供的香蕉智能种植系统，可根据香蕉所处的生长阶段给出香蕉种植指导方案，包括对应的农事操作、施肥用药等，进一步提高种植的效率，给出科学合理的种植方案，提高了香蕉的产量和质量。
本发明不局限于以上的具体实施方式，以上仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种香蕉物候期监控模块，其特征在于：包括设置在香蕉田内的若干摄像头装置、服务器、上位机；所述上位机包括图像数据库、深度学习单元；若干所述摄像头装置分别于服务器通信连接；所述服务器分别与图像数据库、深度学习单元连接；所述图像数据库与深度学习单元连接；
所述摄像头装置用于采集香蕉苗的生长状况图像，并将采集的图像传输至服务器；所述服务器用于对摄像头装置采集的图像进行预处理并保存至图像数据库，且同时输入至深度学习单元；所述深度学习单元用于对服务器输入的图像进行判断对应香蕉苗的物候期；所述物候期包括香蕉苗期、营养生长期、花芽分化期、孕蕾期、幼果期、膨大期。
2.根据权利要求1所述的一种香蕉物候期监控模块，其特征在于：所述摄像头装置包括CMOS摄像头、处理器、远程传输模块、太阳能电池板、上位机、支撑架；所述CMOS摄像头、处理器、远程传输模块、太阳能电池板分别安装在支撑架上；所述CMOS摄像头、远程传输模块、太阳能电池板分别与处理器连接；所述远程传输模块与上位机连接；所述CMOS摄像头用于采集香蕉田中香蕉苗的生长状况图像，并将采集的图像传输至处理器；所述处理器用于通过远程传输模块接收上位机传输来的控制指令或将CMOS摄像头采集的图像通过远程传输模块传输至服务器；所述太阳能电池板用于为摄像头装置提供工作电源。
3.根据权利要求1所述的一种香蕉物候期监控模块，其特征在于：所述摄像头装置还包括温湿度传感器、光照传感器；所述温湿度传感器、光照传感器分别与处理器连接；所述温湿度传感器用于实时采集香蕉田的温湿度数据，并将采集的数据传输至处理器；所述光照度传感器用于实时采集香蕉田的光照度数据，并将采集的数据传输至处理器。
4.根据权利要求1所述的一种香蕉物候期监控模块，其特征在于：所述深度学习单元存储有训练好的深度学习模型。
5.根据权利要求4所述的一种香蕉物候期监控模块，其特征在于：所述深度学习模型的训练方法如下：
S1：采集香蕉苗期、营养生长期、花芽分化期、孕蕾期、幼果期、膨大期各个生长阶段的历史图像，存储至图像数据库中；
S2：对图像数据库中每个生长阶段的图像进行剪裁为大小不等的若干子图像，按照不同生长阶段对训练样本集中的图像进行标注；
S3：对属于同一张原始图片的若干子图像进行数据增强，并部分划入训练样本集，部分划入测试样本集；
S4：建立深度学习模型，采用训练样本集对深度学习模型进行训练，得到训练后的深度学习模型；
S5：采用测试样本集对训练后的深度学习模型进行测试，若测试精度达到设定阈值，则训练后的深度学习模型符合要求，若测试精度达不到设定阈值，则重复步骤S1-S4，直至训练后的深度学习模型的测试精度达到设定阈值为止。
6.根据权利要求5所述的一种香蕉物候期监控模块，其特征在于：所述步骤S5前还包括采用公开的COCO数据集对深度学习模型进行预训练，预训练达到设定精度时再用训练样本集进行训练。
7.根据权利要求5所述的一种香蕉物候期监控模块，其特征在于：所述步骤S3中数据增强的方式包括：
（1）随机设置图像的旋转角度；
（2）随机设置图像的亮度；
（3）随机设置图像的对比度；
（4）随机设置图像的饱和度；
（5）随机设置图像的色调。
8.根据权利要求1所述的一种香蕉物候期监控模块，其特征在于：所述服务器对摄像头装置采集的图像进行预处理的步骤包括：去除图像的无效区域、对图像进行滤波处理、对图像进行对比度增强。
9.根据权利要求2所述的一种香蕉物候期监控模块，其特征在于：所述支撑架包括支撑杆、支撑底座、水平调节底座、仰角调节座；所述支撑底座为开口向下的方形槽；所述水平调节底座为向上开口的方形槽；所述支撑底座一端固定在支撑杆上，另一端顶面通过螺栓固定水平调节底座的底面；水平调节底座的两侧设置半圆侧板；水平调节底座的两块半圆侧板分别设置有定位孔；所述仰角调节座为开口向下的方形槽，两侧设置半圆侧板；所述仰角调节座的半圆侧板上分别沿圆周设置弧形限位槽；所述弧形限位槽所在的位置与水平调节底座的半圆侧板上的定位孔匹配，并通过螺栓可拆卸链接；所述CMOS摄像头可拆卸安装在仰角调节座的顶面上。
10.一种香蕉种植系统，其特征在于：包括香蕉物候期监控模块、种植方案模块、专家库；所述种植方案模块分别与香蕉物候期监控模块、专家库连接；所述专家库预存有香蕉每个物候期的农事操作、施肥用药指导方案；所述种植方案模块用于根据香蕉物候期监控模块判断的香蕉苗对应物候期并匹配专家库中对应的指导方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110535987.7A CN113344035A (zh) | 2021-05-17 | 2021-05-17 | 一种香蕉物候期监控模块及种植系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110535987.7A CN113344035A (zh) | 2021-05-17 | 2021-05-17 | 一种香蕉物候期监控模块及种植系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113344035A true CN113344035A (zh) | 2021-09-03 |
Family
ID=77469015
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110535987.7A Pending CN113344035A (zh) | 2021-05-17 | 2021-05-17 | 一种香蕉物候期监控模块及种植系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113344035A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660236A (zh) * | 2022-12-29 | 2023-01-31 | 中化现代农业有限公司 | 作物物候期预测方法、装置、电子设备和存储介质 |
| CN117197595A (zh) * | 2023-11-08 | 2023-12-08 | 四川省农业科学院农业信息与农村经济研究所 | 基于边缘计算的果树生育期识别方法、装置及管理平台 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6375369B1 (en) * | 1999-04-22 | 2002-04-23 | Videolarm, Inc. | Housing for a surveillance camera |
| CN110579987A (zh) * | 2019-09-10 | 2019-12-17 | 西京学院 | 基于lora通讯的智慧果园信息控制系统及方法 |
| CN110751019A (zh) * | 2019-09-03 | 2020-02-04 | 武汉珈和科技有限公司 | 基于深度学习的高分辨率影像农作物自动提取方法及装置 |
| WO2020181817A1 (zh) * | 2019-03-12 | 2020-09-17 | 平安科技（深圳）有限公司 | 一种基于神经网络模型的植物图像的识别方法及装置 |
| CN111766820A (zh) * | 2020-07-20 | 2020-10-13 | 成都快乐猴科技有限公司 | 一种应用于智能农业的智能精细化管理控制系统 |
| CN112084977A (zh) * | 2020-09-14 | 2020-12-15 | 太原理工大学 | 一种融合图像和时间特征的苹果物候期自动识别方法 |
-
2021
- 2021-05-17 CN CN202110535987.7A patent/CN113344035A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6375369B1 (en) * | 1999-04-22 | 2002-04-23 | Videolarm, Inc. | Housing for a surveillance camera |
| WO2020181817A1 (zh) * | 2019-03-12 | 2020-09-17 | 平安科技（深圳）有限公司 | 一种基于神经网络模型的植物图像的识别方法及装置 |
| CN110751019A (zh) * | 2019-09-03 | 2020-02-04 | 武汉珈和科技有限公司 | 基于深度学习的高分辨率影像农作物自动提取方法及装置 |
| CN110579987A (zh) * | 2019-09-10 | 2019-12-17 | 西京学院 | 基于lora通讯的智慧果园信息控制系统及方法 |
| CN111766820A (zh) * | 2020-07-20 | 2020-10-13 | 成都快乐猴科技有限公司 | 一种应用于智能农业的智能精细化管理控制系统 |
| CN112084977A (zh) * | 2020-09-14 | 2020-12-15 | 太原理工大学 | 一种融合图像和时间特征的苹果物候期自动识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张善文等: "《图像模式识别》", vol. 1, 31 May 2020, 西安电子科技大学出版社, pages: 33 - 38 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115660236A (zh) * | 2022-12-29 | 2023-01-31 | 中化现代农业有限公司 | 作物物候期预测方法、装置、电子设备和存储介质 |
| CN117197595A (zh) * | 2023-11-08 | 2023-12-08 | 四川省农业科学院农业信息与农村经济研究所 | 基于边缘计算的果树生育期识别方法、装置及管理平台 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Parvathi et al. | Detection of maturity stages of coconuts in complex background using Faster R-CNN model | |
| US10747999B2 (en) | Methods and systems for pattern characteristic detection | |
| CN102564593B (zh) | 基于计算机视觉及物联网的植物生长状况监测系统 | |
| CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
| CN113344035A (zh) | 一种香蕉物候期监控模块及种植系统 | |
| CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
| CN101916279A (zh) | 基于图像分析技术的植物物种查询系统及方法 | |
| CN111727457A (zh) | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 | |
| CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
| EP3971767A1 (en) | Method for constructing farmland image-based convolutional neural network model, and system thereof | |
| CN115661544B (zh) | 基于N-MobileNetXt的菠菜幼苗水分胁迫等级分类系统及方法 | |
| CN116030348A (zh) | 一种基于LS-YOLOv5网络的绿豆叶斑病病斑检测方法及装置 | |
| CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
| CN116818002A (zh) | 一种基于大数据的智慧农业种植监控系统 | |
| CN115690609A (zh) | 一种作物生育期长势监测的方法 | |
| US11988509B2 (en) | Portable field imaging of plant stomata | |
| CN112329697B (zh) | 一种基于改进YOLOv3的树上果实识别方法 | |
| CN113222025A (zh) | 一种基于激光雷达的可行区域标签生成方法 | |
| CN114916336B (zh) | 一种基于棉花顶叶成熟期分类识别的化学打顶方法 | |
| Zang et al. | RETRACTED ARTICLE: The design and experiment of peanut high-throughput automatic seed testing system based on machine learning | |
| CN116740704B (zh) | 基于深度学习的小麦叶片表型参数变化率监测方法和装置 | |
| CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
| Li et al. | A study based on weed image recognition of a corn-weed control robot | |
| CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
| CN108426884A (zh) | 智慧城市无人机农产品物流控制系统 |
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 |