CN113556473B - 花朵开花过程的拍摄方法、装置、电子设备及存储介质 - Google Patents
花朵开花过程的拍摄方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113556473B CN113556473B CN202111110052.0A CN202111110052A CN113556473B CN 113556473 B CN113556473 B CN 113556473B CN 202111110052 A CN202111110052 A CN 202111110052A CN 113556473 B CN113556473 B CN 113556473B
- Authority
- CN
- China
- Prior art keywords
- shooting
- target
- flower
- flowering
- variety
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
-
- 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
- G06N3/08—Learning methods
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Studio Devices (AREA)
Abstract
本申请公开了一种花朵开花过程的拍摄方法、装置、电子设备及存储介质。其中,该方法包括:确定目标拍摄花朵的品种及花期;根据所述目标拍摄花朵的品种及花期,从数据库中查找与所述目标拍摄花朵的品种及花期对应的目标延时拍摄参数;其中,所述数据库中包括多种不同品种的花朵以及各个品种的花朵的不同花期各自对应的延时拍摄参数;根据所述目标延时拍摄参数调整相机的拍摄参数;基于调整后的拍摄参数采集所述目标拍摄花朵的图像。采用该方法可以根据花朵品种及花期实时调节延时拍摄的参数,实现智能拍摄。
Description
技术领域
本申请涉及拍摄领域,尤其涉及一种花朵开花过程的拍摄方法、装置、电子设备及存储介质。
背景技术
花朵的绽放过程唯美,而花朵绽放的过程通常比较缓慢,人们无法通过眼睛观察到花朵绽放瞬间的细微变化。摄影爱好者们热衷于采用延时摄影方法拍摄花朵绽放的唯美瞬间,但是目前采用的延时摄影方法不够智能。
发明内容
本申请实施例提供了一种花朵开花过程的拍摄方法、装置、电子设备及存储介质,可以实现智能拍摄花朵的开花过程。
第一方面,本申请实施例提供了一种花朵开花过程的拍摄方法,包括:
确定目标拍摄花朵的品种及花期;
根据所述目标拍摄花朵的品种及花期,从数据库中查找与所述目标拍摄花朵的品种及花期对应的目标延时拍摄参数;其中,所述数据库中包括多种不同品种的花朵以及各个品种的花朵的不同花期各自对应的延时拍摄参数;
根据所述目标延时拍摄参数调整相机的拍摄参数;
基于调整后的拍摄参数采集所述目标拍摄花朵的图像。
在一些可能的实现方式中,所述确定目标拍摄花朵的品种及花期包括:
采集目标拍摄植物的图像;其中,所述目标拍摄植物包括所述目标拍摄花朵;
将所述目标拍摄植物的图像输入到神经网络模型中,输出所述目标拍摄花朵的品种及花期;其中,所述神经网络模型由多张已知品种及花期的拍摄植物的图像训练得到。
在一些可能的实现方式中,所述确定目标拍摄花朵的品种及花期之前,所述方法还包括:训练所述神经网络模型。
在一些可能的实现方式中,所述训练所述神经网络模型包括:
获取样本数据集;所述样本数据集包括多张拍摄植物的图像以及各个所述图像对应的品种及花期;
将所述样本数据集随机分为训练组和实验组;
将所述训练组的数据输入所述神经网络模型;
通过前向传播计算预测值和后向传播更新所述神经网络模型的参数;
将所述实验组输入所述神经网络模型;
评估所述神经网络模型的预测性能;
若所述预测性能的精准度小于预设精准度,则执行所述通过后向传播更新所述神经网络模型的参数。
在一些可能的实现方式中,所述目标延时拍摄参数包括拍摄频率;所述花期包括:初花期、盛花期及落花期。
在一些可能的实现方式中,同一品种的花朵的初花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于初花期对应的拍摄频率;不同品种的花朵的相同花期对应的拍摄频率不同。
在一些可能的实现方式中,所述基于调整后的拍摄参数采集所述目标拍摄花朵的图像之后,所述方法还包括:
保存所述目标拍摄花朵在各个所述花期的图像;
根据所述目标拍摄花朵在各个所述花期的图像输出所述目标拍摄花朵的开花过程的视频;
基于所述开花过程的视频接收用户的查看操作;
响应于所述查看操作,确定当前显示图像,并显示所述当前显示图像对应的花朵的品种、花期及目标延时拍摄参数。
第二方面,本申请实施例提供了一种花朵开花过程的拍摄装置,包括:
确定模块,用于确定目标拍摄花朵的品种及花期;
查找模块,用于根据所述目标拍摄花朵的品种及花期,从数据库中查找与所述目标拍摄花朵的品种及花期对应的目标延时拍摄参数;其中,所述数据库中包括多种不同品种的花朵以及各个品种的花朵的不同花期各自对应的延时拍摄参数;
调整模块,用于根据所述目标延时拍摄参数调整相机的拍摄参数;
拍摄模块,用于基于调整后的拍摄参数采集所述目标拍摄花朵的图像。
在一些可能的实现方式中,所述确定模块包括:
采集单元,用于采集目标拍摄植物的图像;其中,所述目标拍摄植物包括所述目标拍摄花朵;
输出单元,用于将所述目标拍摄植物的图像输入到神经网络模型中,输出所述目标拍摄花朵的品种及花期;其中,所述神经网络模型由多张已知品种及花期的拍摄植物的图像训练得到。
在一些可能的实现方式中,所述装置还包括:训练模块,用于训练所述神经网络模型。
在一些可能的实现方式中,所述训练模块包括:
获取单元,用于获取样本数据集;所述样本数据集包括多张拍摄植物的图像以及各个所述图像对应的品种及花期;
分组单元,用于将所述样本数据集随机分为训练组和实验组;
输入单元,用于将所述训练组的数据输入所述神经网络模型;
更新单元,用于通过前向传播计算预测值和后向传播更新所述神经网络模型的参数;
所述输入单元,还用于将所述实验组输入所述神经网络模型;
评估单元,用于评估所述神经网络模型的预测性能;
所述更新单元,还用于若所述预测性能的精准度小于预设精准度,则通过后向传播更新所述神经网络模型的参数。
在一些可能的实现方式中,所述目标延时拍摄参数包括拍摄频率;所述花期包括:初花期、盛花期及落花期。
在一些可能的实现方式中,同一品种的花朵的初花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于初花期对应的拍摄频率;不同品种的花朵的相同花期对应的拍摄频率不同。
在一些可能的实现方式中,所述装置还包括:
保存模块,用于保存所述目标拍摄花朵在各个所述花期的图像;
输出模块,用于根据所述目标拍摄花朵在各个所述花期的图像输出所述目标拍摄花朵的开花过程的视频;
接收模块,用于基于所述开花过程的视频接收用户的查看操作;
显示模块,用于响应于所述查看操作,确定当前显示图像,并显示所述当前显示图像对应的花朵的品种、花期及目标延时拍摄参数。
第三方面,本申请实施例提供一种电子设备,可包括:处理器和存储器;
其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述第一方面或第一方面的任意一种可能的实现方式提供的方法步骤。
第四方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质 存储有多条指令,所述指令适于由处理器加载并执行上述第一方面或第一方面的任意一种可能的实现方式提供的方法步骤。
本申请一些实施例提供的技术方案带来的有益效果至少包括:通过拍摄花朵的品种和花期确定对应的拍摄参数,在拍摄过程中可根据花期的不同实时调制拍摄参数,为不同的花期定制对应的拍摄参数,实现智能拍摄花朵的开花过程。为不同的花期定制对应的拍摄参数还可以节约拍摄过程中的拍摄设备的功耗,减小拍摄设备的数据存储压力,并减小拍摄设备的数据处理能力。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例提供的一种应用场景示意图。
图2为本申请实施例提供的一种花朵开花过程的拍摄方法的流程示意图。
图3为本申请实施例提供的一种训练神经网络模型的方法的流程示意图。
图4为本申请实施例提供的另一种花朵开花过程的拍摄方法的流程示意图。
图5为本申请实施例提供的一种花朵开花过程的拍摄装置的结构示意图。
图6为本申请实施例提供的一种训练模块的结构示意图。
图7为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
图1示例性示出本申请实施例提供的一种应用场景示意图。如图1所示,该应用场景中可以包括目标拍摄花朵10及拍摄装置20。拍摄装置20用于拍摄目标拍摄花朵10的绽放过程。其中,拍摄装置20可以是任意包括摄像头的装置,例如智能手机、平板电脑、单反相机等。
图2示例性示出了本申请实施例提供的一种花朵开花过程的拍摄方法的流程示意图。如图2所示,花朵开花过程的拍摄方法可以包括以下几个步骤:
S201:确定目标拍摄花朵的品种及花期。
具体地,目标拍摄花朵的品种例如但不限于为:牡丹花、玫瑰花、水仙花、雏菊、昙花等。花期包括:初花期、盛花期及落花期。
S202:根据所述目标拍摄花朵的品种及花期,从数据库中查找与所述目标拍摄花朵的品种及花期对应的目标延时拍摄参数。
其中,所述数据库中包括多种不同品种的花朵以及各个品种的花朵的不同花期各自对应的延时拍摄参数。数据库中的数据可根据大量的花朵开花统计数据得到。
具体地,目标延时拍摄参数包括拍摄频率。即拍摄两张照片之间的时间间隔。时间间隔越小,拍摄频率越大;时间间隔越大,拍摄频率越小。
具体地,同一品种的花朵的初花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于初花期对应的拍摄频率。
具体地,由于不同品种的花,开花的速度可能不同,那么不同品种的花朵的相同花期对应的拍摄频率不同。例如昙花的开花速度相比于其他品种的花的开花速度大,那么在拍摄昙花的开花过程时,可以将拍摄频率增大,而在拍摄其他品种的花的开花过程时,可以将拍摄频率减小。
具体地,可以先确定目标拍摄花朵的品种,从数据库中查找与该品种的花朵对应的各个花期对应的延时拍摄参数。再确定目标拍摄花朵的目标花期,从数据库中查找该品种的花朵对应的目标花期对应的目标延时拍摄参数。
S203:根据所述目标延时拍摄参数调整相机的拍摄参数。
具体地,目标延时拍摄参数可以是拍摄频率。假设相机当前的拍摄参数为每5秒拍摄1张,而根据目标拍摄花朵的品种和花期从数据库中查找到目标延时拍摄参数为每分钟拍摄1张,那么此时需要将相机的拍摄参数从每5秒拍摄1张调整为每分钟拍摄1张。
S204:基于调整后的拍摄参数采集所述目标拍摄花朵的图像。
本申请实施例中,调整后的拍摄参数是根据目标拍摄花朵的品种和花期确定的,符合该品种的花朵的特性,且符合该品种花朵当前花期的开花特性。基于调整后的拍摄参数采集所述目标拍摄花朵的图像可以更加贴合该品种花朵当前花期的开花特性,对于开花速度较快的品种设置更大的拍摄频率,更加细致的记录花朵开花过程中的绽放细节,对于开花速度较慢的品种设置较小的拍摄频率,在不错过花朵开花过程中的绽放细节的同时节约拍摄装置的功耗和数据存储的压力,使得花朵开花过程的拍摄更加智能。
在一些可能的实施例中,所述确定目标拍摄花朵的品种及花期包括:
采集目标拍摄植物的图像;将所述目标拍摄植物的图像输入到神经网络模型中,输出所述目标拍摄花朵的品种及花期。
其中,所述目标拍摄植物包括所述目标拍摄花朵;所述神经网络模型由多张已知品种及花期的拍摄植物的图像训练得到。
在一些可能的实施例中,确定目标拍摄花朵的品种及花期之前,所述方法还包括:训练所述神经网络模型。
具体地,如图3所示,训练所述神经网络模型的方法可以包括以下几个步骤:
S301:获取样本数据集。
具体的,可以直接获取存储在存储器中的多个样本数据。其中,样本数据集包括多张拍摄植物的图像以及各个所述图像对应的品种及花期。
S302:将所述样本数据集随机分为训练组和实验组。
具体的,可以将所述样本数据集按照一定的比例随机分为训练组和实验组。例如,在样本数据集中随机抽取80%的数据作为训练组,将样本数据集中剩下的20%的数据作为实验组。上述比例可依据实际情况而进行设定,本申请对此不作具体限定。
S303:将所述训练组的数据输入所述神经网络模型。
具体的,先创建并初始化神经网络模型,然后将训练组的数据输入神经网络模型。
S304:通过前向传播计算预测值和后向传播更新所述神经网络模型的参数。
具体的,将训练组的数据输入配神经网络模型之后,通过前向传播计算得到预测值,并计算预测值与实际值之间的均方误差。然后根据预测值与实际值之间的均方误差通过使用随机梯度下降法调整全连接层和隐含层的参数,即通过后向传播更新神经网络模型的参数。最后保存已更新的神经网络模型。
S305:将所述实验组输入所述神经网络模型。
具体的,将上述实验组的数据输入至上述已更新的神经网络模型中。
S306:评估所述神经网络模型的预测性能。
具体的,将上述实验组包括的多张拍摄植物的图像输入至上述已更新的神经网络模型之后,可以输出得到对应的品种及花期。将张拍摄植物的图像的品种以及花期与实验组包括对应的多个实际品种以及花期进行对比得到神经网络模型的预测性能的精准度,即多张拍摄植物的图像的品种以及花期与实验组包括对应的多个实际品种以及花期一致的个数占总个数的百分比。例如,实验组中一共包括1000张拍摄植物的图像的品种以及花期,经过已更新的神经网络模型之后,输出得到对应的1000张拍摄植物的图像的品种以及花期中有500张与实验组中包括的对应相同的500张拍摄植物对应的品种及花期一致时,可以评估得到该神经网络模型的预测性能的精准度为50%。
S307:若所述预测性能的精准度小于预设精准度,则执行所述通过后向传播更新所述神经网络模型的参数。
具体的,若神经网络模型的预测性能的精准度小于预设精准度,则执行所述通过后向传播更新所述神经网络模型的参数。例如,当通过实验组评估得到的神经网络模型的预测性能的精准度为50%,而预先设置的精准度为95%时,神经网络模型的预测性能的精准度小于预设精准度,则执行所述通过后向传播更新所述神经网络模型的参数,具体的,与步骤304中的通过后向传播更新所述神经网络模型的参数一致,此处不再赘述。所述预设精准度可依据实际情况而进行设定,本申请对此不作具体限定。
在本实施例中,将多张已知品种及花期的拍摄植物的图片分为训练组和实验组,通过训练组训练神经网络模型和实验组评估神经网络模型的预测性能,进一步提高神经网络模型的精准度和可解释性,从而提高花朵的品种及花期识别的准确度,从而提高花朵绽放过程拍摄的智能性。
图4示例性示出了本申请实施例提供的另外一种花朵开花过程的拍摄方法发流程示意图。如图4所示,该方法包括以下几个步骤:
S401:确定目标拍摄花朵的品种及花期。
具体地,S401与S201一致,此处不再赘述。
S402:根据所述目标拍摄花朵的品种及花期,从数据库中查找与所述目标拍摄花朵的品种及花期对应的目标延时拍摄参数。
具体地,S402与S202一致,此处不再赘述。
S403:根据所述目标延时拍摄参数调整相机的拍摄参数。
具体地,S403与S203一致,此处不再赘述。
S404:基于调整后的拍摄参数采集所述目标拍摄花朵的图像。
具体地,S404与S204一致,此处不再赘述。
S405:保存所述目标拍摄花朵在各个所述花期的图像。
具体地,每拍摄一张图像,就可以将图像保存至内存中。最终可以得到目标拍摄花朵在各个花期中的图像。
S406:根据所述目标拍摄花朵在各个所述花期的图像输出所述目标拍摄花朵的开花过程的视频。
具体地,对于该目标拍摄花朵的拍摄完成后,可以根据其在各个花期的图像输出其开花过程的视频。也就是连续展示在时序上先后关联的各个图像,从而在视觉上达到播放视频的效果,直观的展现开花的过程。
S407:基于所述开花过程的视频接收用户的查看操作。
具体地,在显示开花过程的视频中,可以接收用户输入的查看操作。其中,该查看操作可以是针对特定的控件输入的用户操作,该用户操作可以是点击操作、滑动操作、悬浮操作、双击操作或长按操作等。
S408:响应于所述查看操作,确定当前显示图像,并显示所述当前显示图像对应的花朵的品种、花期及目标延时拍摄参数。
具体地,响应于上述查看操作,确定用户输入查看操作的时刻显示的图像是哪张,即为当前显示图像,确定当前显示图像对应的花朵的品种、花期及目标延时参数供用户查看。例如,假设开花过程的视频的时长为3分钟。当该视频播放到1分20秒时接收到用户输入的查看操作,可确定当前显示图像为第200张图像,显示该图像对应的花朵的品种为水仙花,花期为盛花期,拍摄参数为每10秒拍摄1张。而当该视频播放到2分30秒时接收到用户输入的查看操作,可确定当前显示图像为第268张图像,显示该图像对应的花朵的品种为水仙花,花期为落花期,拍摄参数为每分钟拍摄1张。
本申请实施例中,通过拍摄花朵的品种和花期确定对应的拍摄参数,在拍摄过程中可根据花期的不同实时调制拍摄参数,为不同的花期定制对应的拍摄参数,实现智能拍摄花朵的开花过程。为不同的花期定制对应的拍摄参数还可以节约拍摄过程中的拍摄设备的功耗,减小拍摄设备的数据存储压力,并减小拍摄设备的数据处理能力。另外可以将该花朵的拍摄过程以视频的形式直观地展示给用户,并基于用户的查看操作为用户展示花朵的品种、花期及拍摄参数,给用户带来更直观的观看体验。
图5示出了本申请实施例提供的一种花朵开花过程的拍摄装置的结构示意图。如图5所示,花朵开花过程的拍摄装置50包括:
确定模块510,用于确定目标拍摄花朵的品种及花期;
查找模块520,用于根据所述目标拍摄花朵的品种及花期,从数据库中查找与所述目标拍摄花朵的品种及花期对应的目标延时拍摄参数;其中,所述数据库中包括多种不同品种的花朵以及各个品种的花朵的不同花期各自对应的延时拍摄参数;
调整模块530,用于根据所述目标延时拍摄参数调整相机的拍摄参数;
拍摄模块540,用于基于调整后的拍摄参数采集所述目标拍摄花朵的图像。
在一些可能的实施例中,所述确定模块510包括:
采集单元,用于采集目标拍摄植物的图像;其中,所述目标拍摄植物包括所述目标拍摄花朵;
输出单元,用于将所述目标拍摄植物的图像输入到神经网络模型中,输出所述目标拍摄花朵的品种及花期;其中,所述神经网络模型由多张已知品种及花期的拍摄植物的图像训练得到。
在一些可能的实施例中,所述装置还包括:训练模块,用于训练所述神经网络模型。
在一些可能的实施例中,如图6所示,所述训练模块550包括:
获取单元5510,用于获取样本数据集;所述样本数据集包括多张拍摄植物的图像以及各个所述图像对应的品种及花期;
分组单元5520,用于将所述样本数据集随机分为训练组和实验组;
输入单元5530,用于将所述训练组的数据输入所述神经网络模型;
更新单元5540,用于通过前向传播计算预测值和后向传播更新所述神经网络模型的参数;
所述输入单元5530,还用于将所述实验组输入所述神经网络模型;
评估单元5550,用于评估所述神经网络模型的预测性能;
所述更新单元5540,还用于若所述预测性能的精准度小于预设精准度,则通过后向传播更新所述神经网络模型的参数。
在一些可能的实施例中,所述目标延时拍摄参数包括拍摄频率;所述花期包括:初花期、盛花期及落花期。
在一些可能的实施例中,同一品种的花朵的初花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于初花期对应的拍摄频率;不同品种的花朵的相同花期对应的拍摄频率不同。
在一些可能的实施例中,所述装置还包括:
保存模块,用于保存所述目标拍摄花朵在各个所述花期的图像;
输出模块,用于根据所述目标拍摄花朵在各个所述花期的图像输出所述目标拍摄花朵的开花过程的视频;
接收模块,用于基于所述开花过程的视频接收用户的查看操作;
显示模块,用于响应于所述查看操作,确定当前显示图像,并显示所述当前显示图像对应的花朵的品种、花期及目标延时拍摄参数。
上述数据擦除装置中各模块的划分仅用于举例说明,在其他实施例中,可将数据擦除装置按照需要划分为不同的模块,以完成上述数据擦除装置的全部或部分功能。本申请实施例中提供的数据擦除装置中的各个模块的实现可为计算机程序的形式。该计算机程序可在终端或服务器上运行。该计算机程序构成的程序模块可存储在终端或服务器的存储器上。该计算机程序被处理器执行时,实现本申请实施例中所描述的数据擦除方法的全部或部分步骤。请参阅图7,图7示出了本申请实施例提供的一种电子设备的结构示意图。
如图7所示,该电子设备70可以包括:至少一个处理器701、至少一个网络接口704、用户接口703、存储器705以及至少一个通信总线702。
其中,通信总线702可用于实现上述各个组件的连接通信。
其中,用户接口703可以包括显示屏和摄像头,可选用户接口还可以包括标准的有线接口、无线接口。
其中,网络接口704可选的可以包括蓝牙模块、NFC模块、Wi-Fi模块等。
其中,处理器701可以包括一个或者多个处理核心。处理器701利用各种接口和线路连接整个电子设备70内的各个部分,通过运行或执行存储在存储器705内的指令、程序、代码集或指令集,以及调用存储在存储器705内的数据,执行路由设备70的各种功能和处理数据。可选的,处理器701可以采用DSP、FPGA、PLA中的至少一种硬件形式来实现。处理器701可集成CPU、GPU和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示屏所需要显示的内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器701中,单独通过一块芯片进行实现。
其中,存储器705可以包括RAM,也可以包括ROM。可选的,该存储器705包括非瞬时性计算机可读介质。存储器705可用于存储指令、程序、代码、代码集或指令集。存储器705可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于至少一个功能的指令(比如触控功能、声音播放功能、图像播放功能等)、用于实现上述各个方法实施例的指令等;存储数据区可存储上面各个方法实施例中涉及到的数据等。存储器705可选的还可以是至少一个位于远离前述处理器701的存储装置。如图7所示,作为一种计算机存储介质的存储器705中可以包括操作系统、网络通信模块、用户接口模块以及应用程序。
具体地,处理器701可以用于调用存储器705中存储的应用程序,并具体执行以下操作:
确定目标拍摄花朵的品种及花期;
根据所述目标拍摄花朵的品种及花期,从数据库中查找与所述目标拍摄花朵的品种及花期对应的目标延时拍摄参数;其中,所述数据库中包括多种不同品种的花朵以及各个品种的花朵的不同花期各自对应的延时拍摄参数;
根据所述目标延时拍摄参数调整相机的拍摄参数;
基于调整后的拍摄参数采集所述目标拍摄花朵的图像。
在一些可能的实施例中,所述处理器701确定目标拍摄花朵的品种及花期时具体执行:
采集目标拍摄植物的图像;其中,所述目标拍摄植物包括所述目标拍摄花朵;
将所述目标拍摄植物的图像输入到神经网络模型中,输出所述目标拍摄花朵的品种及花期;其中,所述神经网络模型由多张已知品种及花期的拍摄植物的图像训练得到。
在一些可能的实施例中,所述处理器701确定目标拍摄花朵的品种及花期之前,还用于执行:训练所述神经网络模型。
在一些可能的实施例中,所述处理器701训练所述神经网络模型时具体执行:
获取样本数据集;所述样本数据集包括多张拍摄植物的图像以及各个所述图像对应的品种及花期;
将所述样本数据集随机分为训练组和实验组;
将所述训练组的数据输入所述神经网络模型;
通过前向传播计算预测值和后向传播更新所述神经网络模型的参数;
将所述实验组输入所述神经网络模型;
评估所述神经网络模型的预测性能;
若所述预测性能的精准度小于预设精准度,则执行所述通过后向传播更新所述神经网络模型的参数。
在一些可能的实施例中,所述目标延时拍摄参数包括拍摄频率;所述花期包括:初花期、盛花期及落花期。
在一些可能的实施例中,同一品种的花朵的初花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于初花期对应的拍摄频率;不同品种的花朵的相同花期对应的拍摄频率不同。
在一些可能的实施例中,所述处理器701基于调整后的拍摄参数采集所述目标拍摄花朵的图像之后,还用于执行:
保存所述目标拍摄花朵在各个所述花期的图像;
根据所述目标拍摄花朵在各个所述花期的图像输出所述目标拍摄花朵的开花过程的视频;
基于所述开花过程的视频接收用户的查看操作;
响应于所述查看操作,确定当前显示图像,并显示所述当前显示图像对应的花朵的品种、花期及目标延时拍摄参数。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当其在计算机或处理器上运行时,使得计算机或处理器执行上述图2或图4所示实施例中的一个或多个步骤。上述电子设备的各组成模块如果以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,可以存储在所述计算机可读取存储介质中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital SubscriberLine,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,数字多功能光盘(Digital VersatileDisc,DVD))、或者半导体介质(例如,固态硬盘(Solid State Disk,SSD))等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下,本实施例和实施方案中的技术特征可以任意组合。
以上所述的实施例仅仅是本申请的优选实施例方式进行描述,并非对本申请的范围进行限定,在不脱离本申请的设计精神的前提下,本领域普通技术人员对本申请的技术方案作出的各种变形及改进,均应落入本申请的权利要求书确定的保护范围内。
Claims (7)
1.一种花朵开花过程的拍摄方法,其特征在于,包括:
采集目标拍摄植物的图像;其中,所述目标拍摄植物包括目标拍摄花朵;
将所述目标拍摄植物的图像输入到神经网络模型中,输出所述目标拍摄花朵的品种及花期;其中,所述神经网络模型由多张已知品种及花期的拍摄植物的图像训练得到,所述花期包括:初花期、盛花期及落花期,同一品种的花朵的初花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于初花期对应的拍摄频率;不同品种的花朵的相同花期对应的拍摄频率不同;
根据所述目标拍摄花朵的品种及花期,从数据库中查找与所述目标拍摄花朵的品种及花期对应的目标拍摄频率;其中,所述数据库中包括多种不同品种的花朵以及各个品种的花朵的不同花期各自对应的拍摄频率;
根据所述目标拍摄频率调整相机的拍摄频率;
基于调整后的拍摄频率采集所述目标拍摄花朵的图像。
2.如权利要求1所述的方法,其特征在于,所述采集目标拍摄植物的图像之前,所述方法还包括:训练所述神经网络模型。
3.如权利要求2所述的方法,其特征在于,所述训练所述神经网络模型包括:
获取样本数据集;所述样本数据集包括多张拍摄植物的图像以及各个所述图像对应的品种及花期;
将所述样本数据集随机分为训练组和实验组;
将所述训练组的数据输入所述神经网络模型;
通过前向传播计算预测值和后向传播更新所述神经网络模型的参数;
将所述实验组输入所述神经网络模型;
评估所述神经网络模型的预测性能;
若所述预测性能的精准度小于预设精准度,则执行所述通过后向传播更新所述神经网络模型的参数。
4.如权利要求1所述的方法,其特征在于,所述基于调整后的拍摄频率采集所述目标拍摄花朵的图像之后,所述方法还包括:
保存所述目标拍摄花朵在各个所述花期的图像;
根据所述目标拍摄花朵在各个所述花期的图像输出所述目标拍摄花朵的开花过程的视频;
基于所述开花过程的视频接收用户的查看操作;
响应于所述查看操作,确定当前显示图像,并显示所述当前显示图像对应的花朵的品种、花期及目标延时拍摄参数。
5.一种花朵开花过程的拍摄装置,其特征在于,包括:
确定模块,用于采集目标拍摄植物的图像;其中,所述目标拍摄植物包括目标拍摄花朵;将所述目标拍摄植物的图像输入到神经网络模型中,输出所述目标拍摄花朵的品种及花期;其中,所述神经网络模型由多张已知品种及花期的拍摄植物的图像训练得到,所述花期包括:初花期、盛花期及落花期,同一品种的花朵的初花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于盛花期对应的拍摄频率,同一品种的花朵的落花期对应的拍摄频率小于初花期对应的拍摄频率;不同品种的花朵的相同花期对应的拍摄频率不同;
查找模块,用于根据所述目标拍摄花朵的品种及花期,从数据库中查找与所述目标拍摄花朵的品种及花期对应的目标拍摄频率;其中,所述数据库中包括多种不同品种的花朵以及各个品种的花朵的不同花期各自对应的拍摄频率;
调整模块,用于根据所述目标拍摄频率调整相机的拍摄频率;
拍摄模块,用于基于调整后的拍摄频率采集所述目标拍摄花朵的图像。
6.一种电子设备,其特征在于,包括:存储器及处理器;其中,所述存储器用于存储有计算机程序,所述计算机程序适于由处理器加载并执行如权利要求1-4任一项的方法步骤。
7.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1-4任一项的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111110052.0A CN113556473B (zh) | 2021-09-23 | 2021-09-23 | 花朵开花过程的拍摄方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111110052.0A CN113556473B (zh) | 2021-09-23 | 2021-09-23 | 花朵开花过程的拍摄方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113556473A CN113556473A (zh) | 2021-10-26 |
CN113556473B true CN113556473B (zh) | 2022-02-08 |
Family
ID=78106492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111110052.0A Active CN113556473B (zh) | 2021-09-23 | 2021-09-23 | 花朵开花过程的拍摄方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113556473B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105959539A (zh) * | 2016-05-09 | 2016-09-21 | 南京云恩通讯科技有限公司 | 一种自动确定延时速度的延时摄影方法 |
CN110086985A (zh) * | 2019-03-25 | 2019-08-02 | 华为技术有限公司 | 一种延时摄影的录制方法及电子设备 |
CN111291689A (zh) * | 2020-02-14 | 2020-06-16 | 杭州睿琪软件有限公司 | 植物花期播报方法、系统及计算机可读存储介质 |
CN112532857A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 一种延时摄影的拍摄方法及设备 |
CN112911139A (zh) * | 2021-01-15 | 2021-06-04 | 广州富港生活智能科技有限公司 | 物品拍摄方法、装置、电子设备及存储介质 |
CN112996898A (zh) * | 2018-10-12 | 2021-06-18 | 株式会社尼康 | 传代时期算出装置、传代时期算出方法及程序 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107124563A (zh) * | 2017-04-28 | 2017-09-01 | 深圳前海弘稼科技有限公司 | 一种植物生长视频的合成方法及系统 |
-
2021
- 2021-09-23 CN CN202111110052.0A patent/CN113556473B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105959539A (zh) * | 2016-05-09 | 2016-09-21 | 南京云恩通讯科技有限公司 | 一种自动确定延时速度的延时摄影方法 |
CN112996898A (zh) * | 2018-10-12 | 2021-06-18 | 株式会社尼康 | 传代时期算出装置、传代时期算出方法及程序 |
CN110086985A (zh) * | 2019-03-25 | 2019-08-02 | 华为技术有限公司 | 一种延时摄影的录制方法及电子设备 |
CN112532857A (zh) * | 2019-09-18 | 2021-03-19 | 华为技术有限公司 | 一种延时摄影的拍摄方法及设备 |
CN111291689A (zh) * | 2020-02-14 | 2020-06-16 | 杭州睿琪软件有限公司 | 植物花期播报方法、系统及计算机可读存储介质 |
CN112911139A (zh) * | 2021-01-15 | 2021-06-04 | 广州富港生活智能科技有限公司 | 物品拍摄方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113556473A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110012210B (zh) | 拍照方法、装置、存储介质及电子设备 | |
US11245968B2 (en) | Prediction model training via live stream concept association | |
CN109327737B (zh) | 电视节目推荐方法、终端、系统及存储介质 | |
CN110109878A (zh) | 相册管理方法、装置、存储介质及电子设备 | |
CN107577706B (zh) | 用户行为数据处理方法、装置及计算机可读存储介质 | |
CN111260037B (zh) | 图像数据的卷积运算方法、装置、电子设备及存储介质 | |
CN111835982B (zh) | 图像获取方法、图像获取装置、电子设备及存储介质 | |
CN110659581A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
CN104244101A (zh) | 对多媒体内容进行评论的方法和设备 | |
CN109101931A (zh) | 一种场景识别方法、场景识别装置及终端设备 | |
CN108875931A (zh) | 神经网络训练及图像处理方法、装置、系统 | |
CN105830429A (zh) | 处理被相机运动损坏的视频帧 | |
CN107948743A (zh) | 视频推送方法及其装置、存储介质 | |
CN113411498A (zh) | 图像拍摄方法、移动终端及存储介质 | |
CN113012082A (zh) | 图像显示方法、装置、设备及介质 | |
CN111428660B (zh) | 视频剪辑方法和装置、存储介质及电子装置 | |
CN109388737B (zh) | 一种内容项的曝光数据的发送方法、装置及存储介质 | |
CN104113682A (zh) | 一种图像获取方法及电子设备 | |
CN108595211A (zh) | 用于输出数据的方法和装置 | |
CN110363814A (zh) | 一种视频处理方法、装置、电子装置和存储介质 | |
CN113556473B (zh) | 花朵开花过程的拍摄方法、装置、电子设备及存储介质 | |
CN109685015B (zh) | 图像的处理方法、装置、电子设备和计算机存储介质 | |
CN114697568B (zh) | 特效视频确定方法、装置、电子设备及存储介质 | |
CN111292234A (zh) | 一种全景图像生成方法及装置 | |
CN109474851A (zh) | 视频转换方法、装置及设备 |
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 |