CN113407755A - 植物生长状况信息获取方法、装置及电子设备 - Google Patents
植物生长状况信息获取方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113407755A CN113407755A CN202010185068.7A CN202010185068A CN113407755A CN 113407755 A CN113407755 A CN 113407755A CN 202010185068 A CN202010185068 A CN 202010185068A CN 113407755 A CN113407755 A CN 113407755A
- Authority
- CN
- China
- Prior art keywords
- plant
- target
- image
- target plant
- growth
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000008635 plant growth Effects 0.000 title claims abstract description 35
- 230000012010 growth Effects 0.000 claims abstract description 105
- 238000012544 monitoring process Methods 0.000 claims abstract description 60
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 230000015654 memory Effects 0.000 claims description 20
- 238000003709 image segmentation Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种植物生长状况信息获取方法、装置及电子设备，涉及计算机技术领域中的人工智能技术。具体实现方案为：获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株；基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据；将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据；基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息，从而可以提升植株生长状况监测的效率。
Description
技术领域
本申请涉及计算机技术领域中的人工智能技术，尤其涉及一种植物生长状况信息获取方法、装置及电子设备。
背景技术
随着国民经济的发展和农业鼓励政策的出台，国家对于农业收成的增加更加重视。目前，我国农业生产能力巨大，而巨大的生产量下农作物的质量和植物生长健康情况的监测就成为一个浩大的工程。以前，人们一般采取人工目视的方法来监测农作物的质量是否合格以及植物的生长是否健康，但这种监测方式效率低下。
发明内容
本申请实施例提供一种植物生长状况信息获取方法、装置及电子设备，以解决目前植物生长状况监测中存在效率较低的问题。
为解决上述技术问题，本申请是这样实现的：
本申请第一方面提供一种植物生长状况信息获取方法，应用于电子设备，所述方法包括：
获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株；
基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据；
将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据；
基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息。
可选的，所述获取目标监控区域内生长的目标植株的目标图像，包括：
获取在所述目标监控区域拍摄的目标图像，其中，所述目标图像包括所述至少一棵植株的图像；
对所述目标图像进行图像分割，得到所述至少一棵植株中目标植株的图像。
可选的，所述获取所述目标植株的身份信息，包括：
在所述目标植株的图像中提取所述目标植株的植株特征；
在植株数据库中查找植株特征与所述目标植株的植株特征匹配的植株；
将查找到的植株的身份信息确定为所述目标植株的身份信息。
可选的，所述将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集之后，还包括：
将所述目标数据集中的部分或者全部数据输入至预测模型，得到所述目标植株的生长状况的预测结果。
本申请第二方面还提供一种植物生长状况信息获取装置，包括：
第一获取模块，用于获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株；
第二获取模块，用于基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据；
数据添加模块，用于将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据；
分析模块，用于基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息。
可选的，所述第一获取模块，包括：
图像获取单元，用于获取在所述目标监控区域拍摄的目标图像，其中，所述目标图像包括所述至少一棵植株的图像；
图像分割单元，用于对所述目标图像进行图像分割，得到所述至少一棵植株中目标植株的图像。
可选的，所述第二获取模块，包括：
特征提取单元，用于在所述目标植株的图像中提取所述目标植株的植株特征；
特征匹配单元，用于在植株数据库中查找植株特征与所述目标植株的植株特征匹配的植株；
身份确定单元，用于将查找到的植株的身份信息确定为所述目标植株的身份信息。
可选的，所述装置，还包括：
预测模块，用于将所述目标数据集中的部分或者全部数据输入至预测模型，得到所述目标植株的生长状况的预测结。
本申请第三方面提供一种服务器，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上述第一方面所述的方法。
本申请第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行上述第一方面所述的方法。
上述申请中的一个实施例具有如下优点或有益效果：获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株；基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据；将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据；基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息。因为采用通过单棵植株的图像获取植株的生长评估指标数据，并基于添加有植株的生长评估指标数据的数据集自动分析植株的生长状况信息的技术手段，所以克服了目前植物生长状况监测中存在效率较低的问题，进而提升植株生长状况监测的效率，且能够为单棵植株提供更精准的培育指导。
另外，通过对目标拍摄区域的目标图像进行图像分割，自动获取到目标图像中的目标植株的图像，使得获取目标植株的图像更便捷且省时，从而提升电子设备监测植物生长状况的效率。
通过提取目标植株的植株特征，在植株数据库中查找植株特征与目标植株的植株特征匹配的植株，并将查找到的植株的身份信息确定为目标植株的身份信息，从而使获取目标植株的身份信息更便捷且省时，进一步提升电子设备监测植物生长状况的效率。
通过基于目标数据集对目标植株的生长状况进行预测，从而使种植人员可以根据预测结果获知目标植株未来可能的生长趋势，从而对于植株的生长可以给出更加精准的培育建议，提升植株的培育质量。
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是根据本申请第一实施例的示意图；
图2是根据本申请第二实施例的示意图之一；
图3是根据本申请第二实施例的示意图之二；
图4是根据本申请第二实施例的示意图之三；
图5是根据本申请第二实施例的示意图之四；
图6是用来实现本申请实施例的植物生长状况信息获取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。
请参见图1，本申请实施例提供的一种植物生长状况信息获取方法，应用于电子设备，如图1所示，所述植物生长状况信息获取方法包括如下步骤：
步骤101、获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株。
本申请中，上述获取目标监控区域内生长的目标植株的图像，可以是电子设备通过设置在目标监控区域内的摄像装置采集目标植株的图像；或者，也可以是电子设备通过摄像头采集整个目标监控区域的图像，并在目标监控区域的图像中提取出目标植株的图像。
其中，上述在目标监控区域的图像中提取出目标植株的图像，可以是电子设备在摄像头采集到目标监控区域的图像之后，显示目标监控区域的图像，在接收到操作人员对显示的目标监控区域的图像中目标植株的图像的标注操作的情况下，提取操作人员的标注操作所标注的目标植株的图像。
或者，在一些实施方式中，所述获取目标监控区域内生长的目标植株的目标图像，包括：
获取在所述目标监控区域拍摄的目标图像，其中，所述目标图像包括所述至少一棵植株的图像；
对所述目标图像进行图像分割，得到所述至少一棵植株中目标植株的图像。
这里，电子设备可以通过对目标拍摄区域的目标图像进行图像分割，自动获取到目标图像中的目标植株的图像，使得获取目标植株的图像更便捷且省时，从而提升电子设备监测植物生长状况的效率。
需要说明的是，上述目标植株可以是上述至少一棵植株中任意一棵植株，而上述对目标图像进行图像分割，可以是电子设备通过预设的用于植株的图像分割的图像分割算法分割出目标图像中每一棵植株的图像。其中，该预设的图像分割算法可以是基于区域的分割算法等。
另外，上述获取目标监控区域内生长的目标植株的图像，可以是电子设备按照预设时间间隔获取目标监控区域内生长的目标植株的图像，例如，可以是间隔10小时或者一天，等等。
步骤102、基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据。
本申请中，在电子设备获取到目标植株的图像之后，电子设备可以基于目标植株的图像，获取目标植株的身份信息，即实现对目标植株的身份识别。
其中，上述获取目标植株的身份信息，可以是电子设备根据操作人员输入的选取操作，确定目标植株的身份信息。例如，电子设备显示目标植株的图像以及历史获取到的至少一张植株图像，当电子设备接收到操作人员基于显示的目标植株的图像和至少一张植株图像，选中至少一张植株图像中某一张植株图像的选取操作的情况下，电子设备将该选取操作所选中的植株图像对应的植株的身份信息，确定为上述目标植株的图像。
或者，在一些实施方式中，上述获取所述目标植株的身份信息，包括：
在所述目标植株的图像中提取所述目标植株的植株特征；
在植株数据库中查找植株特征与所述目标植株的植株特征匹配的植株；
将查找到的植株的身份信息确定为所述目标植株的身份信息。
这里，电子设备可以提取到的目标植株的植株特征，在植株数据库中查找植株特征与目标植株的植株特征匹配的植株，并将查找到的植株的身份信息确定为目标植株的身份信息，从而使获取目标植株的身份信息更便捷且省时，进一步提升电子设备监测植物生长状况的效率。
其中，上述在目标植株的图像中提取所述目标植株的植株特征，可以是通过预设的图像特征提取算法对目标植株的图像进行特征提取，得到目标植株的植株特征，该植株特征可以包括图像的颜色特征、纹理特征以及植株的形状特征(如植株的植物高度、叶片数量、花朵数量以及果实大小等中的至少一项)，等等。
另外，上述植株数据库中存储有至少一株植株的植株特征，该至少一棵植株的植株特征可以是历史提取的，以及还存储有该至少一棵植株的中每一植株的身份信息，从而电子设备在植株数据库中查找到植株特征与上述目标植株的植株特征匹配的植株的情况下，可以获取查找到的植株的身份信息，并将获取到的身份信息作为目标植株的身份信息，实现对目标植株的身份识别。
需要说明的是，上述在植株数据库中查找植株特征与所述目标植株的植株特征匹配的植株，可以是电子设备计算植株数据库中每一植株的植株特征与目标植株的植株特征的相似度(例如，可以是计算每一植株的植株特征的特征向量与目标植株的植株特征的特征向量的欧式距离作为相似度)，并在某一植株的植株特征与目标植株的植株特征的相似度高于预设阈值的情况下，确定该植株的植株特征与目标植株的植株特征匹配。
本申请中，电子设备在获取到上述目标植株的图像之后，还可以基于目标植株的图像，获取目标植株当前的生长评估指标数据。
其中，上述基于目标植株的图像，获取目标植株当前的生长评估指标数据，可以是由操作人员基于目标植株的图像进行测量，得到目标植株当前的生长评估指标并输入至电子设备，电子设备接收到用户输入的生长评估指标；或者，上述基于目标植株的图像，获取目标植株当前的生长评估指标数据，也可以是电子设备通过预设的测量算法自动测量目标植株当前的生长评估指标数据。
另外，上述生长评估指标数据可以包括植株的植物高度、叶片数量、花朵数量以及果实大小等中的至少一项的数据。
步骤103、将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据。
本申请中，在电子设备识别目标植株的身份即获取到目标植株的身份信息，且获取到目标植株当前的生长评估指标数据的情况下，电子设备可以将目标植株当前的生长评估指标数据添加至与其身份信息对应的目标数据集。
需要说明的是，电子设备中设置有目标监控区域内生长的至少一棵植株中每一棵植株对应的数据集，从而可以将目标监控区域内每一棵植株当前的生长评估指标数据添加至对应的数据集中，实现对目标监控区域内所有植株的生长状况的监控。
步骤104、基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息。
本申请中，在电子设备将目标植株当前的生长评估指标数据添加至目标数据集之后，电子设备可以基于目标数据集对目标植株当前的生长状况进行分析，得到目标植株的生长状况信息，从而使得种植人员可以根据生长状况信息及时监测植株的生长状况，提升植物监测的效率；而且，可以实现对单棵植株的生长状况的监测，使得监测更精准。
其中，上述基于所述目标数据集，对所述目标植株当前的生长状况进行分析，可以是电子设备将目标数据集中当前的生长评估指标数据与历史的生长评估指标数据进行比对，并根据比对结果确定目标植株的生长状况信息。
另外，上述生长状况分析可以包括对目标植株的植株高度、叶片宽度。花朵数量、果实数量、叶片颜色以及病毒情况等中的至少一项进行分析，在此并不进行限定。
需要说明的是，上述目标植株的生长状况信息包括任何用于反映目标植株的生长状况的信息，且通过该生长状况信息可以为目标植株的培育提供指导，如施肥数量以及灌溉周期等。
在一些实施方式中，所述将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集之后，还包括：
将所述目标数据集中的部分或者全部数据输入至预测模型，得到所述目标植株的生长状况的预测结果。
这里，电子设备还可以基于目标数据集对目标植株的生长状况进行预测，从而使种植人员可以根据预测结果获知目标植株未来可能的生长趋势，从而对于植株的生长可以给出更加精准的培育建议，提升植株的培育质量。
其中，上述预测模型模型可以是任何能够根据植株的生长评估指标数据，对植株的生长状况进行预测的模型。例如，上述预测模型可以是深度神经网路模型，且该深度神经网路模型是通过大量的植株历史的生长评估指标数据训练得到。
本申请中，获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株；基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据；将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据；基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息。这样，可以实现对单棵植株的生长状况的及时监测，从而提升植物监测的效率，且能够提供更加精准的培育指导。
请参见图2，本申请实施例提供一种植物生长状况信息获取装置，如图2所示，植物生长状况信息获取装置200包括：
第一获取模块201，用于获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株；
第二获取模块202，用于基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据；
数据添加模块203，用于将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据；
分析模块204，用于基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息。
可选的，如图3所示，所述第一获取模块201，包括：
图像获取单元2011，用于获取在所述目标监控区域拍摄的目标图像，其中，所述目标图像包括所述至少一棵植株的图像；
图像分割单元2012，用于对所述目标图像进行图像分割，得到所述至少一棵植株中目标植株的图像。
可选的，如图4所示，所述第二获取模块202，包括：
特征提取单元2021，用于在所述目标植株的图像中提取所述目标植株的植株特征；
特征匹配单元2022，用于在植株数据库中查找植株特征与所述目标植株的植株特征匹配的植株；
身份确定单元2023，用于将查找到的植株的身份信息确定为所述目标植株的身份信息。
可选的，如图5所示，所述装置200，还包括：
预测模块205，用于将所述目标数据集中的部分或者全部数据输入至预测模型，得到所述目标植株的生长状况的预测结。
需要说明的是，植物生长状况信息获取装置200能够实现本申请图1方法实施例中电子设备实现的各个过程，以及达到相同的有益效果，为避免重复，这里不再赘述。
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植物生长状况信息获取方法(如图1所示的植物生长状况信息获取方法)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，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的植物生长状况信息获取方法。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植物生长状况信息获取方法(如图1所示的植物生长状况信息获取方法)。
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植物生长状况信息获取方法对应的程序指令/模块(例如，附图2所示的第一获取模块201、第二获取模块202、数据添加模块203和分析模块204)。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，从而执行电子设备的各种功能应用以及数据处理，即实现上述图1所示的方法实施例中的植物生长状况信息获取方法。
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小程序处理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小程序处理的电子设备。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。
植物生长状况信息获取方法的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，以及产生与小程序处理的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(LCD)、发光二极管(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ASIC(专用集成电路)、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(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(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，作为数据电子设备)、或者包括中间件部件的计算系统(例如，应用电子设备)、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(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和电子设备。客户端和电子设备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-电子设备关系的计算机程序来产生客户端和电子设备的关系。
根据本申请实施例的技术方案，获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株；基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据；将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据；基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息。因为采用通过单棵植株的图像获取植株的生长评估指标数据，并基于添加有植株的生长评估指标数据的数据集自动分析植株的生长状况信息的技术手段，所以克服了目前植物生长状况监测中存在效率较低的问题，进而提升植株生长状况监测的效率，且能够为单棵植株提供更精准的培育指导。
另外，通过对目标拍摄区域的目标图像进行图像分割，自动获取到目标图像中的目标植株的图像，使得获取目标植株的图像更便捷且省时，从而提升电子设备监测植物生长状况的效率。
通过提取目标植株的植株特征，在植株数据库中查找植株特征与目标植株的植株特征匹配的植株，并将查找到的植株的身份信息确定为目标植株的身份信息，从而使获取目标植株的身份信息更便捷且省时，进一步提升电子设备监测植物生长状况的效率。
通过基于目标数据集对目标植株的生长状况进行预测，从而使种植人员可以根据预测结果获知目标植株未来可能的生长趋势，从而对于植株的生长可以给出更加精准的培育建议，提升植株的培育质量。
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，本发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 (10)
1.一种植物生长状况信息获取方法，应用于电子设备，其特征在于，包括：
获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株；
基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据；
将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据；
基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息。
2.根据权利要求1所述的方法，其特征在于，所述获取目标监控区域内生长的目标植株的目标图像，包括：
获取在所述目标监控区域拍摄的目标图像，其中，所述目标图像包括所述至少一棵植株的图像；
对所述目标图像进行图像分割，得到所述至少一棵植株中目标植株的图像。
3.根据权利要求1所述的方法，其特征在于，所述获取所述目标植株的身份信息，包括：
在所述目标植株的图像中提取所述目标植株的植株特征；
在植株数据库中查找植株特征与所述目标植株的植株特征匹配的植株；
将查找到的植株的身份信息确定为所述目标植株的身份信息。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集之后，还包括：
将所述目标数据集中的部分或者全部数据输入至预测模型，得到所述目标植株的生长状况的预测结果。
5.一种植物生长状况信息获取装置，其特征在于，包括：
第一获取模块，用于获取目标监控区域内生长的目标植株的图像，其中，所述目标监控区域内生长有包括所述目标植株的至少一棵植株；
第二获取模块，用于基于所述目标植株的图像，获取所述目标植株的身份信息，以及获取所述目标植株当前的生长评估指标数据；
数据添加模块，用于将所述目标植株当前的生长评估指标数据添加至与所述身份信息对应的目标数据集，其中，所述目标数据集包括所述目标植株历史的生长评估指标数据；
分析模块，用于基于所述目标数据集，对所述目标植株当前的生长状况进行分析，得到所述目标植株的生长状况信息。
6.根据权利要求5所述的装置，其特征在于，所述第一获取模块，包括：
图像获取单元，用于获取在所述目标监控区域拍摄的目标图像，其中，所述目标图像包括所述至少一棵植株的图像；
图像分割单元，用于对所述目标图像进行图像分割，得到所述至少一棵植株中目标植株的图像。
7.根据权利要求5所述的装置，其特征在于，所述第二获取模块，包括：
特征提取单元，用于在所述目标植株的图像中提取所述目标植株的植株特征；
特征匹配单元，用于在植株数据库中查找植株特征与所述目标植株的植株特征匹配的植株；
身份确定单元，用于将查找到的植株的身份信息确定为所述目标植株的身份信息。
8.根据权利要求5至7中任一项所述的装置，其特征在于，所述装置，还包括：
预测模块，用于将所述目标数据集中的部分或者全部数据输入至预测模型，得到所述目标植株的生长状况的预测结果。
9.一种电子设备，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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010185068.7A CN113407755A (zh) | 2020-03-17 | 2020-03-17 | 植物生长状况信息获取方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010185068.7A CN113407755A (zh) | 2020-03-17 | 2020-03-17 | 植物生长状况信息获取方法、装置及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113407755A true CN113407755A (zh) | 2021-09-17 |
Family
ID=77677038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010185068.7A Pending CN113407755A (zh) | 2020-03-17 | 2020-03-17 | 植物生长状况信息获取方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113407755A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106096563A (zh) * | 2016-06-17 | 2016-11-09 | 深圳市易特科信息技术有限公司 | 植物自动识别系统和方法 |
| US20180082412A1 (en) * | 2016-09-21 | 2018-03-22 | iUNU, LLC | Hi-fidelity computer object recognition based horticultural feedback loop |
| CN108140118A (zh) * | 2015-10-28 | 2018-06-08 | 罗伯特·博世有限公司 | 用于识别至少一株种植在耕地上的植物的方法和信息系统 |
| CN109033937A (zh) * | 2018-06-01 | 2018-12-18 | 武汉禾大科技有限公司 | 通过无人机影像进行植物数量统计方法及系统 |
| JP2019165658A (ja) * | 2018-03-22 | 2019-10-03 | 株式会社セラク | 植物生育指標測定装置、方法およびプログラム |
| CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
| US20210004594A1 (en) * | 2018-03-23 | 2021-01-07 | Guangzhou Xaircraft Technology Co.,Ltd. | Method for measuring plant planting data, device and system |
-
2020
- 2020-03-17 CN CN202010185068.7A patent/CN113407755A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108140118A (zh) * | 2015-10-28 | 2018-06-08 | 罗伯特·博世有限公司 | 用于识别至少一株种植在耕地上的植物的方法和信息系统 |
| CN106096563A (zh) * | 2016-06-17 | 2016-11-09 | 深圳市易特科信息技术有限公司 | 植物自动识别系统和方法 |
| US20180082412A1 (en) * | 2016-09-21 | 2018-03-22 | iUNU, LLC | Hi-fidelity computer object recognition based horticultural feedback loop |
| JP2019165658A (ja) * | 2018-03-22 | 2019-10-03 | 株式会社セラク | 植物生育指標測定装置、方法およびプログラム |
| US20210004594A1 (en) * | 2018-03-23 | 2021-01-07 | Guangzhou Xaircraft Technology Co.,Ltd. | Method for measuring plant planting data, device and system |
| CN109033937A (zh) * | 2018-06-01 | 2018-12-18 | 武汉禾大科技有限公司 | 通过无人机影像进行植物数量统计方法及系统 |
| CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 豆东东等: "基于机器视觉的蔬菜生长状况分析", 《中国农机化学报》, vol. 37, no. 10, pages 162 - 165 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tetila et al. | Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks | |
| Tedesco-Oliveira et al. | Convolutional neural networks in predicting cotton yield from images of commercial fields | |
| Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
| CN107808139B (zh) | 一种基于深度学习的实时监控威胁分析方法及系统 | |
| Lu et al. | Fine-grained maize tassel trait characterization with multi-view representations | |
| CN110298249A (zh) | 人脸识别方法、装置、终端及存储介质 | |
| Rong et al. | Tomato cluster detection and counting using improved YOLOv5 based on RGB-D fusion | |
| Liang et al. | Segmentation and weight prediction of grape ear based on SFNet-ResNet18 | |
| CN103778630A (zh) | 基于android的田间病害程度图像识别方法 | |
| CN116012720A (zh) | 基于高分遥感影像的农作物长势监测方法、设备及介质 | |
| Qian et al. | A smartphone-based apple yield estimation application using imaging features and the ANN method in mature period | |
| Lai et al. | Real-time detection of ripe oil palm fresh fruit bunch based on YOLOv4 | |
| Wang et al. | A review on the application of computer vision and machine learning in the tea industry | |
| CN109960972B (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
| Syal et al. | Apple fruit detection and counting using computer vision techniques | |
| CN110378241B (zh) | 作物生长状态监控方法、装置、计算机设备及存储介质 | |
| CN113407755A (zh) | 植物生长状况信息获取方法、装置及电子设备 | |
| CN111522888B (zh) | 挖掘兴趣点之间的竞争关系的方法和装置 | |
| CN116757707B (zh) | 一种农作物果实生长溯源方法及系统 | |
| Zhang et al. | A rapidly diagnosis and application system of fusarium head blight based on smartphone | |
| Sudana et al. | Mobile Application for Identification of Coffee Fruit Maturity using Digital Image Processing | |
| CN112287922A (zh) | 表计读取方法、装置、设备以及存储介质 | |
| CN112069994A (zh) | 信息预测方法、装置、设备及存储介质 | |
| CN111709480A (zh) | 用于识别图像类别的方法及装置 | |
| CN110555343B (zh) | 典型资源要素中林、灌、草三要素提取方法和系统 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211012 Address after: 100176 101, floor 1, building 1, yard 7, Ruihe West 2nd Road, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Apollo Zhilian (Beijing) Technology Co.,Ltd. Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. |