CN113627216B - 植物状态评估方法、系统及计算机可读存储介质 - Google Patents
植物状态评估方法、系统及计算机可读存储介质 Download PDFInfo
- Publication number
- CN113627216B CN113627216B CN202010378128.7A CN202010378128A CN113627216B CN 113627216 B CN113627216 B CN 113627216B CN 202010378128 A CN202010378128 A CN 202010378128A CN 113627216 B CN113627216 B CN 113627216B
- Authority
- CN
- China
- Prior art keywords
- plant
- state
- sample set
- training
- image
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 230000012010 growth Effects 0.000 claims abstract description 108
- 238000012423 maintenance Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 51
- 241000196324 Embryophyta Species 0.000 claims description 424
- 238000012549 training Methods 0.000 claims description 94
- 241000607479 Yersinia pestis Species 0.000 claims description 59
- 238000012360 testing method Methods 0.000 claims description 59
- 201000010099 disease Diseases 0.000 claims description 29
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 29
- 238000003062 neural network model Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000010485 coping Effects 0.000 claims description 9
- 241000894007 species Species 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 15
- 241000238631 Hexapoda Species 0.000 description 13
- 241001464837 Viridiplantae Species 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 241000282376 Panthera tigris Species 0.000 description 5
- 238000002372 labelling Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 239000002689 soil Substances 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 244000252337 Epipremnum pinnatum Species 0.000 description 3
- 241001237160 Kallima inachus Species 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004383 yellowing Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 235000013619 trace mineral Nutrition 0.000 description 2
- 239000011573 trace mineral Substances 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241001116389 Aloe Species 0.000 description 1
- 241000432824 Asparagus densiflorus Species 0.000 description 1
- 241000345998 Calamus manan Species 0.000 description 1
- 101100117236 Drosophila melanogaster speck gene Proteins 0.000 description 1
- 240000000411 Sansevieria trifasciata Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 235000011399 aloe vera Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 239000003899 bactericide agent Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001723 curing Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 230000002015 leaf growth Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 235000012950 rattan cane Nutrition 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- 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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种植物状态评估方法、系统及计算机可读存储介质，方法包括：接收植物图像，识别所述植物图像中的植物以得到所述植物的种类；识别所述植物图像中所包含的植物的部位；确定各个部位的生长状态；根据各个部位的生长状态，综合评估所述植物的养护状态。本发明通过人工智能的方式，可以简便、快速、准确地评估植物的养护状态。
Description
技术领域
本发明涉及人工智能技术领域，特别涉及一种植物状态评估方法、系统及计算机可读存储介质。
背景技术
随着生活水平的提高，人们对生活环境的要求越来越高，室内室外总会通过种植绿植来调节生活的环境。绿植在办公场所还能够缓解视觉疲劳，增加生活情趣。现有的绿植需要精心打理培养，且尤其是文竹、芦荟以及多肉类植物，对其生长环境要求较高，经常出现旱死、涝死，只有绿萝能够顽强生长，其生长条件简单，定期补水就可存活，即便出现缺水情况，其也能够在藤茎侧生出根吸取空气中的水分，生命顽强，还能够吸附室内有害气体，被广泛培植在家居、办公等场所。
然而，人们在种植绿植时，养护方法不同，绿植所呈现出来的养护状态也不尽相同，因此人们通常希望能够了解自己的绿植的养护状态是否良好。
发明内容
本发明的目的在于提供一种植物状态评估方法、系统及计算机可读存储介质，以简便、快速、准确地评估植物的养护状态。具体技术方案如下：
为达到上述目的，本发明提供一种植物状态评估方法，包括：
接收植物图像，识别所述植物图像中的植物以得到所述植物的种类；
识别所述植物图像中所包含的植物的部位；
确定各个部位的生长状态；
根据各个部位的生长状态，综合评估所述植物的养护状态。
可选的，所述识别所述植物图像中所包含的所述植物的部位，包括：
利用预先训练建立的植物部位识别模型识别所述植物图像中的植物，以得到所包含的所述植物的部位，所述植物部位识别模型为神经网络模型。
可选的，所述确定各个部位的生长状态，包括：
利用预先训练建立的植物状态识别模型对各个部位分别进行识别，以得到各个部位的生长状态，所述植物状态识别模型为神经网络模型。
可选的，当确定出一部位的生长状态异常时，所述方法还包括：
调用预先训练建立的病虫害识别模型对所述植物图像进行识别，以判断所述植物是否具有病虫害，以及在有病虫害的情况下得到至少一个候选病虫害信息；
结合所述植物的种类，对所述至少一个候选病虫害信息进行筛选，以确定所述植物的病虫害信息。
可选的，所述生长状态按照好坏程度从高到低分为多个等级，当确定出一部位的生长状态不高于预设等级时，输出该部位生长状态不高的可能原因以及应对方法。
可选的，所述确定各个部位的生长状态，包括：
结合所述植物的种类，确定各个部位的生长状态。
可选的，在识别所述植物图像中的植物以得到所述植物的种类时，识别所述植物当前的生长周期；
所述确定各个部位的生长状态，包括：
结合所述植物当前所处的生长周期，确定各个部位的生长状态。
可选的，若所述植物状态识别模型无法识别一部位的生长状态，所述确定各个部位的生长状态，包括：
向用户收集所述植物的养护信息，根据所述养护信息确定该部位的生长状态。
可选的，通过问卷的形式向用户收集所述植物的养护信息，所述问卷中的题目是根据所述植物的种类确定的。
可选的，根据所述植物状态识别模型对所述植物的各个部位的识别结果，判断所述植物的养护状态是否属于优秀，如果是则将所述植物图像进行推荐分享。
可选的，利用预先训练建立的美感识别模型识别所述植物图像中的植物，以得到所述植物的美感程度，所述美感识别模型为神经网络模型。
可选的，所述美感程度从高到低分为多个等级，若所述植物的养护状态好且美感程度高，则将所述植物图像进行推荐分享。
基于同一发明构思，本发明还提供一种植物状态评估系统，所述系统包括处理器和存储器，所述存储器上存储有指令，当所述指令被所述处理器执行时，实现植物状态评估方法的步骤，所述方法包括：接收植物图像，识别所述植物图像中的植物以得到所述植物的种类；识别所述植物图像中所包含的植物的部位；确定各个部位的生长状态；根据各个部位的生长状态，综合评估所述植物的养护状态。
基于同一发明构思，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，当所述指令被执行时，实现植物状态评估方法的步骤，所述方法包括：接收植物图像，识别所述植物图像中的植物以得到所述植物的种类；识别所述植物图像中所包含的植物的部位；确定各个部位的生长状态；根据各个部位的生长状态，综合评估所述植物的养护状态。
与现有技术相比，本发明提供的植物状态评估方法、系统及计算机可读存储介质具有以下优点：
本发明在接收到用户上传的植物图像，识别所述植物图像中的植物以得到所述植物的种类，并识别所述植物图像中所包含的植物的部位，然后确定各个部位的生长状态，从而根据各个部位的生长状态，综合评估所述植物的养护状态。本发明通过人工智能的方式客观的确定植物各部位的生长状态并综合评估，从而能够可以简便、快速、准确地评估植物的养护状态。
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简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明一实施例提供的植物状态评估系统的网络环境示意图；
图2是本发明一实施例提供的植物状态评估方法的流程示意图；
图3是本发明一实施例提供的植物状态评估系统的结构示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的一种植物状态评估方法、系统及计算机可读存储介质作进一步详细说明。根据下面说明，本发明的优点和特征将更清楚。需说明的是，附图均采用非常简化的形式且均使用非精准的比例，仅用以方便、明晰地辅助说明本发明实施例的目的。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
本申请的发明人深入研究了用于植物状态评估的方法及系统。图1示出了根据本发明实施例的植物状态评估系统的网络环境100的示意图。
植物状态评估系统的网络环境100可以包括移动设备102、远程服务器103、训练设备104和数据库105，它们通过网络106彼此有线或无线地耦接。网络106可以体现为广域网(诸如移动电话网络、公共交换电话网络、卫星网络、互联网等)、局域网(诸如Wi-Fi、Wi-Max、ZigBeeTM、BluetoothTM等)和/或其它形式的联网功能。
移动设备102可以包括移动电话、平板计算机、膝上型计算机、个人数字助理和/或被配置用于捕获、存储和/或传输诸如数字照片之类的图像的其它计算装置。因此，移动设备102可以包括诸如数字相机之类的图像捕获装置和/或可以被配置为从其它装置接收图像。移动设备102可以包括显示器。显示器可以被配置用于向用户101提供一个或多个用户界面，所述用户界面可以包括多个界面元素，用户101可以与界面元素进行交互等。例如，用户101可以使用移动设备102对某一植物进行拍摄并上传或存储图像。移动设备102可以向用户输出有关该植物的类别信息、养护状态等详细介绍等，或者可以向用户推送养护状态不好的原因和应对方法，以及推送养护优秀的植物、提示用户该植物可能存在的病虫害信息等。
远程服务器103可以被配置为对经由网络106从移动设备102接收的图像等进行分析以确定植物的种类，并识别该植物的部位以及各个部位的生长状态等详细信息，进而综合评估该植物的养护状态。远程服务器103还可以被配置为创建并训练本实施例的植物种类识别模型、植物部位识别模型、植物状态识别模型和美感识别模型。植物种类识别模型、植物部位识别模型、植物状态识别模型和美感识别模型的具体训练过程将在下文结合具体实施例进行描述。在其它实施例中，远程服务器103可以仅用于对上述各个识别模型进行训练，然后将训练好的各个识别模型直接部署在客户端移动设备102上，由客户端移动设备102对获取的植物图像进行后续识别处理，也还可以在必要时通过网络106对客户端移动设备102中的各个识别模型进行更新。
训练设备104可以耦合到网络106以促进植物种类识别模型、植物部位识别模型、植物状态识别模型和美感识别模型的训练。训练设备104可以具有多个CPU和/或GPU以辅助训练植物种类识别模型、植物部位识别模型、植物状态识别模型和美感识别模型。
数据库105可以耦合到网络106并提供远程服务器103进行相关计算所需的数据。例如，数据库105可以包括存储有大量的不同种类的植物的图像的样本库，以及同一种类下的多个品种的植物的图像的样本库。在一个实施例中，以绿萝为例，样本库可以包括大量不同位置、不同季节、不同时间天气和不同拍摄角度下的不同品种的绿萝的图像样本。在一个实施例中，还可以将用户所拍摄的选定植物照片存储到与该植物种类相对应的样本库中，同时，还可以在数据库中记录与该植物的位置信息、季节信息、时间信息、天气信息和拍摄角度信息中的一个或多个相对应的生理周期信息和形态信息。数据库可以采取本领域中已知的各种数据库技术来实现。远程服务器103可以根据需要访问数据库105以进行相关操作。
应该理解的是，本文的网络环境100仅仅是一个示例。本领域技术人员可以根据需要，增加更多的装置或删减一些装置，并且可以对一些装置的功能和配置进行修改。
下面结合图2来介绍本发明一实施例提供的一种植物状态评估方法。如图2所示，本发明一实施例提供的植物状态评估方法包括如下步骤：
步骤S101，接收植物图像，识别所述植物图像中的植物以得到所述植物的种类。
如前所述，接收的植物图像可以是用户先前存储的或者是用户实时拍摄的。例如，所述植物图像可以是用户先前存储在移动设备102中或者是用户使用连接到移动设备102的外置摄像头或移动设备102内置的摄像头进行实时拍摄的。在一个实施例中，用户还可以通过网络实时获取所述植物图像。
在一个实施例中，可以利用预先训练建立的植物种类识别模型识别所述植物图像中的植物以得到所述植物的种类。所述植物种类识别模型的训练步骤可以包括：步骤a，获取训练样本集，所述训练样本集中的每一样本标注有植物的种类；步骤b，获取测试样本集，所述测试样本集中的每一样本也标注有植物的种类，其中，所述测试样本集不同于所述训练样本集；步骤c，基于所述训练样本集对所述植物种类识别模型进行训练；步骤d，基于所述测试样本集对所述植物种类识别模型进行测试；步骤e，在所述测试结果指示所述植物种类识别模型的识别准确率小于预设准确率时，增加所述训练样本集中的样本数量进行再次训练；以及步骤f，在所述测试结果指示所述植物种类识别模型的识别准确率大于或等于所述预设准确率时，完成训练。
例如，为每个植物种类获取一定数量的标注有对应信息的图像样本，为每个植物种类准备的图像样本的数量可以相等也可以不等。为每个图像样本标注的对应信息可以包括图像样本中的植物种类、植物的各个部位、各个部位的养护状态等。为每个植物种类获取的图像样本可以尽可能包括该种类的植物的不同拍摄角度、不同光照条件、不同天气(例如同一植物在艳阳天和雨天的形态可能不同)、不同月份或季节(例如同一植物在不同月份或季节的形态可能不同)、不同时间(例如同一植物在每天的早晨和夜晚的形态可能不同)、不同生长环境(例如同一植物在室内和室外生长的形态可能不同)、不同地理位置(例如同一植物在不同的地理位置生长的形态可能不同)的图像。在这些情况下，为每个图像样本标注的对应信息还可以包括该图像样本的拍摄角度、光照、天气、季节、时间、生长环境或地理位置等信息。
可以将经过上述标注处理的图像样本划分为用于训练植物种类识别模型的训练样本集和用于对训练结果进行测试的测试样本集。通常训练样本集内的样本的数量明显大于测试样本集内的样本的数量，例如，测试样本集内的样本的数量可以占总图像样本数量的5％到20％，而相应的训练样本集内的样本的数量可以占总图像样本数量的80％到95％。本领域技术人员应该理解的是，训练样本集和测试样本集内的样本数量可以根据需要来调整。
可以利用训练样本集对植物种类识别模型进行训练，并利用测试样本集对经过训练的植物种类识别模型的识别准确率进行测试。若识别准确率不满足要求，则增加训练样本集中的图像样本的数量，并利用更新的训练样本集重新对植物种类识别模型进行训练，直到经过训练的植物种类识别模型的识别准确率满足要求为止。若识别准确率满足要求，则训练结束。在一个实施例中，可以基于识别准确率是否小于预设准确率来判断训练是否可以结束。如此，输出准确率满足要求的经过训练的植物种类识别模型可以用于进行植物种类的识别。
所述植物种类识别模型为神经网络模型，例如可以是深度卷积神经网络(CNN)或深度残差网络(Resnet)。其中，深度卷积神经网络为深度前馈神经网络，其利用卷积核扫描植物图像，提取出植物图像中待识别的特征，进而对植物待识别的特征进行识别。另外，在对植物图像进行识别的过程中，可以直接将原始植物图像输入深度卷积神经网络模型，而无需对植物图像进行预处理。深度卷积神经网络模型相比于其他的识别模型，具备更高的识别准确率以及识别效率。而深度残差网络模型相比于深度卷积神经网络模型增加了恒等映射层，可以避免随着网络深度(网络中叠层的数量)的增加，卷积神经网络造成的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足：恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后，残差网络模型对输出的变化更加明显，因此可以大大提高植物生理期识别的识别准确率和识别效率，进而提高植物的识别准确率和识别效率。
步骤S102，识别所述植物图像中所包含的植物的部位。
植物的部位例如可以包括根、茎、叶、花等部位，所述植物图像中所包含的植物的部位可以为一个或多个，本实施例中对此不做限定。举例而言，用户在采集所述植物图像时，可以对所述植物拍摄全景图片，如此所述植物图像中可包含所述植物的所有部位，也可以仅对所述植物拍摄局部图片，例如仅拍摄叶、花等部位，如此所述植物图像中仅包含所述植物的局部部位。当所述植物图像中包含多个部位时，将所有部位均识别出来并对每个部位均进行后续处理。
具体的，可以利用预先训练建立的植物部位识别模型识别所述植物图像中的植物，以得到所包含的所述植物的部位。所述植物部位识别模型的训练步骤可以包括：步骤a，获取训练样本集，所述训练样本集中的每一样本标注有植物的各个部位；步骤b，获取测试样本集，所述测试样本集中的每一样本也标注有植物的各个部位，其中，所述测试样本集不同于所述训练样本集；步骤c，基于所述训练样本集对所述植物部位识别模型进行训练；步骤d，基于所述测试样本集对所述植物部位识别模型进行测试；步骤e，在所述测试结果指示所述植物部位识别模型的识别准确率小于预设准确率时，增加所述训练样本集中的样本数量进行再次训练；以及步骤f，在所述测试结果指示所述植物部位识别模型的识别准确率大于或等于所述预设准确率时，完成训练。所述植物部位识别模型为神经网络模型，例如可以是深度卷积神经网络(CNN)或深度残差网络(Resnet)。
在训练时，每个植物种类获取一定数量的标注有对应信息的图像样本，为每个植物种类准备的图像样本的数量可以相等也可以不等。为每个图像样本标注的对应信息可以包括图像样本中的植物的各个部位等。其中，训练样本集和测试样本集可以采用与上述植物种类识别模型相同的样本集，也可以采用不同的样本集，本实施例中对此不做限定。
步骤S103，确定各个部位的生长状态。
在识别出所述植物的各个部位后，可以将各个部位分别标注出来，以便于确定各个部位的生长状态。优选的，还可以将各个部位进行切片处理，得到各个部位的图片，再根据各个部位的图片分别确定生长状态。例如，对于植物的叶片部位，当出现黄叶、枯叶、叶斑、虫洞等异常状态时，表示该部位的生长状态不佳，需要调整养护方式。
具体的，生长状态可以按照好坏程度从高到低分为多个等级，例如分为优秀、良好、一般、较差四个等级，也可以对生长状态进行评分，按照分数段划分为多个等级。通过设置等级的方式可以直观的评价一部位的生长状态。优选的，当确定出一部位的生长状态不高于预设等级时，输出该部位生长状态不高的可能原因以及应对方法。该预设等级例如可以是良好，则当识别出一部位的生长状态不高于良好，即生长状态一般或较差，此时输出部位生长状态不高的可能原因以及应对方法，以便于提醒用户该植物的养护状态存在不足，需要调整或加强养护方法，并给出具体建议。
举例而言，当植物的叶片部位有黄叶时，可确定该植物的生长状态较差，此时向用户输出叶片出现黄叶的可能原因以及应对方法。例如，首先检查是否根部有腐烂，而根部腐烂很有可能是积水导致的，因此应对方法可以通过晾根或使用土壤杀菌剂进行处理，若平时浇水过多导致根部腐烂，需要改善浇水方式；其次，若根部没有腐烂，且叶片发黄的症状是叶脉绿色而叶脉间发黄，或者出现斑点状发黄，这可能是缺微量元素发黄，应对方法是补充微量元素或者氮肥；再次，若根部没有腐烂，但是叶片也没有上述症状，可能是根出现断痕，由于存在地下害虫危害到根部导致植物水分跟不上从而发黄的，或者可能是由于叶面害虫咬食叶柄或者茎导致叶片发黄，应对方法是浇泼或喷淋杀虫剂；最后，判断是否是因为缺水导致的，应对方法是通过松土和补充水分解决土壤板结问题。
需要说明的是，由于对于一些特殊植物，例如虎皮兰，其叶片本身就具有斑纹，这是正常状态。因此，在确定各个部位的生长状态时，需要结合植物的种类来确定，例如当确定所述植物为虎皮兰时，若识别该植物的叶片上具有斑纹，由于叶片具有斑纹是该植物的正常状态，因此不应认为该植物叶片的生长状态不好。可见对于特殊植物应该进一步结合植物种类来确定生长状态，以避免造成误识别，提高识别准确率。具体的，可以将这些特殊植物进行统计并记录在数据库中，同时记录其具有的特殊的正常状态，例如，将虎皮兰记录在数据库中，并且记录其叶片斑纹是正常状态。如此，当识别出植物的种类时，可以在该数据库中进行搜索查找，判断其是否属于特殊植物，如果属于则获取该植物的特殊的正常状态，并在步骤S103中辅助确认其相应部位的生长状态有无异常。
另外，由于植物的生长状态也与其所处的生长周期有关，例如当植物处于枯叶期时，该植物的叶片部位上具有黄叶、枯叶就是正常现象，因此，在确定各个部位的生长状态时，还需要结合植物当前所处的生长周期来确定。具体的，在步骤S101识别植物图像中的植物以得到所述植物的种类时，同时还识别出所述植物当前的生长周期，进而在步骤S103中可以结合植物当前所处的生长周期来确定各个部位的生长状态。例如，当识别出该植物当前的生长周期为枯叶期，则即使识别出该植物的叶片部位存在黄叶、枯叶，也不会认为该植物的叶片部生长状态不佳。可见结合植物的生长周期来进一步确定生长状态，可避免造成误识别，提高识别准确率。
具体的，可以利用预先训练建立的植物状态识别模型对各个部位分别进行识别，以得到各个部位的生长状态。所述植物状态识别模型的训练步骤可以包括：步骤a，获取训练样本集，所述训练样本集中的每一样本标注有植物的各个部位以及对应的生长状态；步骤b，获取测试样本集，所述测试样本集中的每一样本也标注有植物的各个部位以及对应的生长状态，其中，所述测试样本集不同于所述训练样本集；步骤c，基于所述训练样本集对所述植物状态识别模型进行训练；步骤d，基于所述测试样本集对所述植物状态识别模型进行测试；步骤e，在所述测试结果指示所述植物状态识别模型的识别准确率小于预设准确率时，增加所述训练样本集中的样本数量进行再次训练；以及步骤f，在所述测试结果指示所述植物状态识别模型的识别准确率大于或等于所述预设准确率时，完成训练。所述植物状态识别模型为神经网络模型，例如可以是深度卷积神经网络(CNN)或深度残差网络(Resnet)。
在训练时，每个植物种类获取一定数量的标注有对应信息的图像样本，为每个植物种类准备的图像样本的数量可以相等也可以不等。为每个图像样本标注的对应信息可以包括图像样本中的植物的各个部位以及对应的生长状态等。其中，训练样本集和测试样本集可以采用与上述植物种类识别模型或植物部位识别模型相同的样本集，也可以采用不同的样本集，本实施例对此不做限定。
需要说明的是，在标注图像样本中植物各个部位的生长状态时，可以按照好坏程度从高到低将生长状态分为多个等级，例如优秀、良好、较差。然而对于特殊植物在标注时需要将正常生长状态与非正常生长状态进行区分。如前所述，虎皮兰是一种特殊植物，其叶片部位的斑纹是正常生长状态。因此对于图像样本为虎皮兰时，由于其叶片部位的斑纹是正常状态，因此在标注生长状态时不能一律标注为较差，需要根据实际生长状况进行标注。如此，当训练完成的植物状态识别模型在识别虎皮兰时，可以根据植物的种类信息准确判断其叶片部位是枯叶还是正常叶片斑纹，从而避免造成误识别，提高识别准确率。
实际应用中，针对不同植物，在训练时会获取大量养护优秀的样本图像，当利用训练完成的植物状态识别模型识别某一植物图像时，若该植物图像近似于某一养护优秀样本图像达到预设的阈值(例如80％)后即认定该植物图像为优秀，并根据特征值近似度对其进行评分，例如，若特征值近似度为98％，则将该植物图像作为优秀养护的植物图像，并且对其评分为98分。同样的，针对养护良好、一般或者较差的植物图像也进行相同处理。如此，通过评分的方式可以准确的表征植物的生长和养护情况。同时，当所述植物状态识别模型对所述植物的各个部位提取的植物图像特征都接近于优秀养护的标准时，可以判断所述植物的养护状态为优秀，从而可将该植物标识为养护优秀的植物，进而将该植物图像进行推荐分享。
进一步的，若所述植物状态识别模型无法准确识别一部位的生长状态，还可以向用户收集所述植物的养护信息，根据所述养护信息确定该部位的生长状态。养护信息例如包括浇水频率、水培还是土培、室内还是室外、选择叶片状态近似图片等，还可以包括其它能够反映植物生长状态的信息。通过所述养护信息可以判断植物的生长环境、养护方法是否适当，从而有助于从侧面推断植物的生长状态。具体而言，可以通过问卷的形式向用户收集所述植物的养护信息，在移动设备的界面上依次弹出问卷中的题目，并由用户选择选项或填写信息。由于不同类型植物的养护方法各有差异，因此所述问卷中的题目优选根据所述植物的种类确定。实际应用中，可以预先为每一植物种类设置一组题目并形成问卷，当所述植物状态识别模型无法识别生长状态时，根据当前植物的种类调用相应的问卷，并呈现给用户以便用户提供养护信息。
另外，还可以利用预先训练建立的美感识别模型识别所述植物图像中的植物，以得到所述植物的美感程度。可以将所述美感程度从高到低划分为多个等级，例如美观、较好、一般等，也可以按照分数段划分为多个等级。若所述植物的养护状态好且美感程度高，还可以将所述植物图像进行推荐分享。例如，通过二维评分的方式来综合评价所述植物的养护状态和美观程度，即分别为养护状态和美感程度设置权重，在获得所述植物的养护状态和美感程度的分数后，利用权重计算所述植物的综合评分，植物的分数高表示其养护状态好且美感程度高，因此，将分数较高的植物进行推荐分享。
所述美感识别模型为神经网络模型，例如可以是深度卷积神经网络(CNN)或深度残差网络(Resnet)。所述美感识别模型的训练步骤可以包括：步骤a，获取训练样本集，所述训练样本集中的每一样本标注有植物的美感程度；步骤b，获取测试样本集，所述测试样本集中的每一样本也标注有植物的美感程度，其中，所述测试样本集不同于所述训练样本集；步骤c，基于所述训练样本集对所述美感识别模型进行训练；步骤d，基于所述测试样本集对所述美感识别模型进行测试；步骤e，在所述测试结果指示所述美感识别模型的识别准确率小于预设准确率时，增加所述训练样本集中的样本数量进行再次训练；以及步骤f，在所述测试结果指示所述美感识别模型的识别准确率大于或等于所述预设准确率时，完成训练。
在训练时，每个植物种类获取一定数量的标注有对应信息的图像样本，为每个植物种类准备的图像样本的数量可以相等也可以不等。为每个图像样本标注的对应信息可以包括图像样本中的植物的美感程度等。其中，训练样本集和测试样本集可以采用与上述植物种类识别模型或植物部位识别模型或植物状态识别模型相同的样本集，也可以采用不同的样本集，本实施例对此不做限定。
需要说明的是，在标注图像样本中植物的美感程度时，可以按照好坏程度从高到低将美感程度分为多个等级，例如美观、较好、一般等。然而由于人对植物美感的判断具有很大的主观性，不同人对同一植物的美观程度判断可能不同。因此在标注图像样本中植物的美感程度时，可以由多人分别进行标注，然后根据多人的标注结果综合判断植物的美感程度。例如，由三人对图像样本进行标注，当至少有两人的标注结果相同时，才将该标注结果作为该图像样本的最终标注结果。如此，各个图像样本的美感标注结果更加准确，训练得到的美感识别模型的识别准确率也更高，当利用训练完成的美感识别模型在进行植物美感识别时，可以避免造成误识别，提高识别准确率。
实际应用中，针对不同植物，在训练时会获取大量美感为优秀的样本图像，当利用训练完成的美感识别模型识别某一植物图像时，若该植物图像近似于某一美感优秀样本图像达到预设的阈值(例如80％)后即认定该植物图像为优秀，并根据特征值近似度对其进行评分，例如，若特征值近似度为98％，则将该植物图像作为美感优秀的植物图像，并且对其评分为98分。同样的，针对美感良好、一般或者较差的植物图像也进行相同处理。如此，通过评分的方式可以准确的表征植物的美感程度。同时，当所述美感识别模型对所述植物提取的植物图像特征接近于美感优秀的标准时，可将该植物标识为美感优秀的植物，进而将该植物图像进行推荐分享。
进一步的，当确定出一部位的生长状态异常时，例如存在虫洞，还可以调用预先训练建立的病虫害识别模型对所述植物图像进行识别，以判断所述植物是否具有病虫害，以及在有病虫害的情况下得到至少一个候选病虫害信息；同时，结合所述植物的种类，对所述至少一个候选病虫害信息进行筛选，以确定所述植物的病虫害信息。如前所述，确定某一部位生长状态异常，可以通过植物状态识别模型来判断，当采用所述植物状态识别模型识别该部位的生长状态，识别出的状态等级低于预设等级时则判定该部位的生长状态为异常。例如，预设等级可以设置为一般，当识别出的状态等级为一般或较差时判定该部位的生长状态为异常，此时需要进一步识别该部位生长状态异常是否是由于病虫害引起的。
具体的，所述病虫害识别模型可以识别出所述植物图像中是否具有病虫害，如果有还可以输出至少一个可能的病虫害作为候选病虫害信息。然后可以结合识别出的所述植物的种类，对候选病虫害信息进行筛选，从中筛选出与植物种类相匹配的病虫害，从而避免输出不准确的病虫害信息给用户。例如，所述病虫害识别模型对某一植物图像进行识别，识别出四种病虫害信息A、B、C、D，若其中仅有病虫害信息A会出现在该种类的植物上，则可以确定病虫害信息A为该植物的病虫害。若其中的病虫害信息A、B均可能会出现在该种类的植物上，则可以根据这两种病虫害出现的概率以及模型的识别准确率综合判断该植物的病虫害信息实际上是A还是B。优选的，若确定出所述植物的病虫害信息，还可以向用户输出具体的病虫害信息以及应对方法，以便提醒用户该植物存在病虫害，并给出具体建议以消除病虫害。另外，若所述病虫害识别模型无法识别出具体的病虫害信息，还可以引导用户另外上传图片进行病虫害识别，或者引导用户采用进行专家识别从而由人工诊断病虫害信息。
所述病虫害识别模型为神经网络模型，例如可以是深度卷积神经网络(CNN)或深度残差网络(Resnet)。其训练步骤可以包括：步骤a，获取训练样本集，所述训练样本集中的每一样本标注有植物是否存在病虫害以及病虫害信息；步骤b，获取测试样本集，所述测试样本集中的每一样本也标注有植物是否存在病虫害以及病虫害信息，其中，所述测试样本集不同于所述训练样本集；步骤c，基于所述训练样本集对所述病虫害识别模型进行训练；步骤d，基于所述测试样本集对所述病虫害识别模型进行测试；步骤e，在所述测试结果指示所述病虫害模型的识别准确率小于预设准确率时，增加所述训练样本集中的样本数量进行再次训练；以及步骤f，在所述测试结果指示所述病虫害识别模型的识别准确率大于或等于所述预设准确率时，完成训练。
在训练时，每个植物种类获取一定数量的标注有对应信息的图像样本，为每个植物种类准备的图像样本的数量可以相等也可以不等。为每个图像样本标注的对应信息可以包括图像样本中的植物是否存在病虫害以及病虫害信息等。其中，训练样本集和测试样本集可以采用与上述植物种类识别模型或植物部位识别模型或植物状态识别模型或美感识别模型相同的样本集，也可以采用不同的样本集，本实施例对此不做限定。
S104，根据各个部位的生长状态，综合评估所述植物的养护状态。
在步骤S103获得各个部位的生长状态后，可以综合评估植物的养护状态，例如，若各个部位的生长状态都是优秀，则可确定该植物的养护状态为优秀，若生长状态一般或较差的部位较多，则可确定该植物的养护状态一般或较差。另外，优选采用评分的方式来评估植物的养护状态。例如，如前所述在识别各个部位的生长状态时，为各个部位进行了评分，然后将各个部位的分值进行相加，若总分值超过一定阈值，则认为该植物的养护状态良好或优秀，反之，若总分值低于一定阈值，则认为该植物的养护状态一般或较差。
另外，在评估植物的养护状态时，还可以结合病虫害信息以及美感程度进行综合评估，即，当植物各部位的生长状态均良好或优秀，同时没有病虫害信息，且美感程度较高，则认为该植物的养护状态为良好或优秀。
综上所述，本发明的植物状态评估方法，在接收到用户上传的植物图像，识别所述植物图像中的植物以得到所述植物的种类，并识别所述植物图像中所包含的植物的部位，然后确定各个部位的生长状态，从而根据各个部位的生长状态，综合评估所述植物的养护状态。本发明通过人工智能的方式客观的确定植物各部位的生长状态并综合评估，从而能够可以简便、快速、准确地评估植物的养护状态。
基于同一发明构思，本发明还提供了一种植物状态评估系统。如图3所示，植物状态评估系统200可以包括处理器210和存储器220，存储器220上存储有指令，当指令被处理器210执行时，可以实现如上文所描述的植物状态评估方法中的步骤。
其中，处理器210可以根据存储在存储器220中的指令执行各种动作和处理。具体地，处理器210可以是一种集成电路芯片，具有信号的处理能力。上述处理器可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中公开的各种方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，可以是X86架构或者是ARM架构等。
存储器220存储有可执行指令，该指令在被处理器210执行上文所述的植物状态评估方法。存储器220可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。非易失性存储器可以是只读存储器(ROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)或闪存。易失性存储器可以是随机存取存储器(RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(SDRAM)、双倍数据速率同步动态随机存取存储器(DDRSDRAM)、增强型同步动态随机存取存储器(ESDRAM)、同步连接动态随机存取存储器(SLDRAM)和直接内存总线随机存取存储器(DR RAM)。应注意，本文描述的方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
基于同一发明构思，本发明还提供了一种计算机可读存储介质，计算机可读存储介质上存储有指令，当指令被执行时，可以实现上文所描述的植物状态评估方法中的步骤。
类似地，本发明实施例中的计算机可读存储介质可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。应注意，本文描述的计算机可读存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
需要说明的是，附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，所述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
一般而言，本发明的各种示例实施例可以在硬件或专用电路、软件、固件、逻辑，或其任何组合中实施。某些方面可以在硬件中实施，而其他方面可以在可以由控制器、微处理器或其他计算设备执行的固件或软件中实施。当本发明的实施例的各方面被图示或描述为框图、流程图或使用某些其他图形表示时，将理解此处描述的方框、装置、系统、技术或方法可以作为非限制性的示例在硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备，或其某些组合中实施。
需要说明的是，本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统、计算机可读存储介质而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
上述描述仅是对本发明较佳实施例的描述，并非对本发明范围的任何限定，本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰，均属于权利要求书的保护范围。
Claims (12)
1.一种植物状态评估方法，其特征在于，包括：
接收植物图像，识别所述植物图像中的植物以得到所述植物的种类；
识别所述植物图像中所包含的植物的部位；
确定各个部位的生长状态；
根据各个部位的生长状态，综合评估所述植物的养护状态；
所述生长状态按照好坏程度从高到低分为多个等级；
所述识别所述植物图像中所包含的所述植物的部位，包括：
利用预先训练建立的植物部位识别模型识别所述植物图像中的植物，以得到所包含的所述植物的部位，所述植物部位识别模型为神经网络模型；
所述植物部位识别模型的训练步骤包括：
获取训练样本集，所述训练样本集中的每一样本标注有植物的各个部位；
获取测试样本集，所述测试样本集中的每一样本也标注有植物的各个部位，其中，所述测试样本集不同于所述训练样本集；
基于所述训练样本集对所述植物部位识别模型进行训练；
基于所述测试样本集对所述植物部位识别模型进行测试；
在测试结果指示所述植物部位识别模型的识别准确率小于预设准确率时，增加所述训练样本集中的样本数量进行再次训练；以及
在测试结果指示所述植物部位识别模型的识别准确率大于或等于所述预设准确率时，完成训练；
所述确定各个部位的生长状态，包括：
利用预先训练建立的植物状态识别模型对各个部位分别进行识别，以得到各个部位的生长状态，所述植物状态识别模型为神经网络模型；
所述植物状态识别模型的训练步骤包括：
获取训练样本集，所述训练样本集中的每一样本标注有植物的各个部位以及对应的生长状态；
获取测试样本集，所述测试样本集中的每一样本也标注有植物的各个部位以及对应的生长状态，其中，所述测试样本集不同于所述训练样本集；
基于所述训练样本集对所述植物状态识别模型进行训练；
基于所述测试样本集对所述植物状态识别模型进行测试；
在测试结果指示所述植物状态识别模型的识别准确率小于预设准确率时，增加所述训练样本集中的样本数量进行再次训练；
在测试结果指示所述植物状态识别模型的识别准确率大于或等于所述预设准确率时，完成训练；
所述根据各个部位的生长状态，综合评估所述植物的养护状态，包括：
在识别各个部位的生长状态时，为各个部位进行评分，并将各个部位的分值进行相加，若总分值超过一定阈值，则认为该植物的养护状态良好或优秀，若总分值低于一定阈值，则认为该植物的养护状态一般或较差。
2.如权利要求1所述的植物状态评估方法，其特征在于，当确定出一部位的生长状态异常时，所述方法还包括：
调用预先训练建立的病虫害识别模型对所述植物图像进行识别，以判断所述植物是否具有病虫害，以及在有病虫害的情况下得到至少一个候选病虫害信息；
结合所述植物的种类，对所述至少一个候选病虫害信息进行筛选，以确定所述植物的病虫害信息。
3.如权利要求1所述的植物状态评估方法，其特征在于，当确定出一部位的生长状态不高于预设等级时，输出该部位生长状态不高的可能原因以及应对方法。
4.如权利要求1所述的植物状态评估方法，其特征在于，所述确定各个部位的生长状态，包括：
结合所述植物的种类，确定各个部位的生长状态。
5.如权利要求1所述的植物状态评估方法，其特征在于，在识别所述植物图像中的植物以得到所述植物的种类时，识别所述植物当前的生长周期；
所述确定各个部位的生长状态，包括：
结合所述植物当前所处的生长周期，确定各个部位的生长状态。
6.如权利要求1所述的植物状态评估方法，其特征在于，若所述植物状态识别模型无法识别一部位的生长状态，所述确定各个部位的生长状态，包括：
向用户收集所述植物的养护信息，根据所述养护信息确定该部位的生长状态。
7.如权利要求6所述的植物状态评估方法，其特征在于，通过问卷的形式向用户收集所述植物的养护信息，所述问卷中的题目是根据所述植物的种类确定的。
8.如权利要求1所述的植物状态评估方法，其特征在于，根据所述植物状态识别模型对所述植物的各个部位的识别结果，判断所述植物的养护状态是否属于优秀，如果是则将所述植物图像进行推荐分享。
9.如权利要求1所述的植物状态评估方法，其特征在于，利用预先训练建立的美感识别模型识别所述植物图像中的植物，以得到所述植物的美感程度，所述美感识别模型为神经网络模型。
10.如权利要求9所述的植物状态评估方法，其特征在于，所述美感程度从高到低分为多个等级，若所述植物的养护状态好且美感程度高，则将所述植物图像进行推荐分享。
11.一种植物状态评估系统，其特征在于，所述系统包括处理器和存储器，所述存储器上存储有指令，当所述指令被所述处理器执行时，实现如权利要求1至10中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有指令，当所述指令被执行时，实现如权利要求1至10中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010378128.7A CN113627216B (zh) | 2020-05-07 | 2020-05-07 | 植物状态评估方法、系统及计算机可读存储介质 |
| PCT/CN2021/089485 WO2021223607A1 (zh) | 2020-05-07 | 2021-04-25 | 植物状态评估方法、系统及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010378128.7A CN113627216B (zh) | 2020-05-07 | 2020-05-07 | 植物状态评估方法、系统及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627216A CN113627216A (zh) | 2021-11-09 |
| CN113627216B true CN113627216B (zh) | 2024-02-27 |
Family
ID=78376873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010378128.7A Active CN113627216B (zh) | 2020-05-07 | 2020-05-07 | 植物状态评估方法、系统及计算机可读存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113627216B (zh) |
| WO (1) | WO2021223607A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114565846A (zh) * | 2022-02-24 | 2022-05-31 | 杭州睿胜软件有限公司 | 植物生长环境的识别方法、设备及计算机可读存储介质 |
| CN114663762A (zh) * | 2022-03-28 | 2022-06-24 | 杭州睿胜软件有限公司 | 辅助用户进行植物养护的方法和计算机系统 |
| CN114973001B (zh) * | 2022-06-17 | 2023-02-03 | 东北林业大学 | 一种湿地植物生长信息监测方法 |
| CN116523352B (zh) * | 2023-07-05 | 2023-09-22 | 浙江榧圣农业科技有限公司 | 一种森林资源信息的管理方法及系统 |
| CN116997053B (zh) * | 2023-09-26 | 2023-12-26 | 北京猫猫狗狗科技有限公司 | 一种植物灯光照控制方法 |
| CN117079140B (zh) * | 2023-10-13 | 2024-01-23 | 金埔园林股份有限公司 | 一种景观植物种植管理方法 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4340096A1 (de) * | 1992-11-27 | 1994-06-01 | Basf Ag | Verfahren zur Auswertung von Düngungsversuchen an Pflanzen |
| WO2012063455A1 (ja) * | 2010-11-08 | 2012-05-18 | 国立大学法人 愛媛大学 | 植物健康診断方法および植物健康診断装置 |
| CN106444378A (zh) * | 2016-10-10 | 2017-02-22 | 重庆科技学院 | 基于物联网大数据分析的植物培育方法及系统 |
| CN106605530A (zh) * | 2015-10-27 | 2017-05-03 | 上海中医药大学 | 盆栽植物的自动监测与栽培方法及智能花盆 |
| CN107064470A (zh) * | 2016-11-28 | 2017-08-18 | 青岛理工大学 | 一种用于植生混凝土的植物生长特性指标性评价方法 |
| CN107734029A (zh) * | 2017-10-12 | 2018-02-23 | 深圳市铁汉方环境科技有限公司 | 绿化系统的控制系统、绿化系统的控制系统的控制方法 |
| CA3065851A1 (en) * | 2017-08-18 | 2019-02-21 | Guangzhou Xaircraft Technology Co., Ltd. | Method and apparatus for monitoring plant health state |
| CN109541966A (zh) * | 2018-07-09 | 2019-03-29 | 菏泽学院 | 植物生理监控管理系统 |
| CN109635653A (zh) * | 2018-11-09 | 2019-04-16 | 华南农业大学 | 一种植物识别方法 |
| CN109815846A (zh) * | 2018-12-29 | 2019-05-28 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、存储介质和电子装置 |
| CN109840549A (zh) * | 2019-01-07 | 2019-06-04 | 武汉南博网络科技有限公司 | 一种病虫害识别方法和装置 |
| CN110070101A (zh) * | 2019-03-12 | 2019-07-30 | 平安科技（深圳）有限公司 | 植物种类的识别方法及装置、存储介质、计算机设备 |
| CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
| CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726B (zh) * | 2010-06-18 | 2011-11-02 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| US10113910B2 (en) * | 2014-08-26 | 2018-10-30 | Digimarc Corporation | Sensor-synchronized spectrally-structured-light imaging |
| CN108694444A (zh) * | 2018-05-15 | 2018-10-23 | 重庆科技学院 | 一种基于智能数据采集与云服务技术的植物培育方法 |
| US10803312B2 (en) * | 2018-06-06 | 2020-10-13 | AgEYE Technologies, Inc. | AI-powered autonomous plant-growth optimization system that automatically adjusts input variables to yield desired harvest traits |
| CN109948652A (zh) * | 2019-02-14 | 2019-06-28 | 天津科技大学 | 一种基于叶花融合的局部判别cca的植物物种识别方法 |
| CN109993228A (zh) * | 2019-04-02 | 2019-07-09 | 南通科技职业学院 | 基于机器视觉的植保无人机水稻纹枯病识别方法 |
-
2020
- 2020-05-07 CN CN202010378128.7A patent/CN113627216B/zh active Active
-
2021
- 2021-04-25 WO PCT/CN2021/089485 patent/WO2021223607A1/zh active Application Filing
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4340096A1 (de) * | 1992-11-27 | 1994-06-01 | Basf Ag | Verfahren zur Auswertung von Düngungsversuchen an Pflanzen |
| WO2012063455A1 (ja) * | 2010-11-08 | 2012-05-18 | 国立大学法人 愛媛大学 | 植物健康診断方法および植物健康診断装置 |
| CN106605530A (zh) * | 2015-10-27 | 2017-05-03 | 上海中医药大学 | 盆栽植物的自动监测与栽培方法及智能花盆 |
| CN106444378A (zh) * | 2016-10-10 | 2017-02-22 | 重庆科技学院 | 基于物联网大数据分析的植物培育方法及系统 |
| CN107064470A (zh) * | 2016-11-28 | 2017-08-18 | 青岛理工大学 | 一种用于植生混凝土的植物生长特性指标性评价方法 |
| CA3065851A1 (en) * | 2017-08-18 | 2019-02-21 | Guangzhou Xaircraft Technology Co., Ltd. | Method and apparatus for monitoring plant health state |
| CN107734029A (zh) * | 2017-10-12 | 2018-02-23 | 深圳市铁汉方环境科技有限公司 | 绿化系统的控制系统、绿化系统的控制系统的控制方法 |
| CN109541966A (zh) * | 2018-07-09 | 2019-03-29 | 菏泽学院 | 植物生理监控管理系统 |
| CN109635653A (zh) * | 2018-11-09 | 2019-04-16 | 华南农业大学 | 一种植物识别方法 |
| CN109815846A (zh) * | 2018-12-29 | 2019-05-28 | 腾讯科技（深圳）有限公司 | 图像处理方法、装置、存储介质和电子装置 |
| CN109840549A (zh) * | 2019-01-07 | 2019-06-04 | 武汉南博网络科技有限公司 | 一种病虫害识别方法和装置 |
| CN110070101A (zh) * | 2019-03-12 | 2019-07-30 | 平安科技（深圳）有限公司 | 植物种类的识别方法及装置、存储介质、计算机设备 |
| CN110210434A (zh) * | 2019-06-10 | 2019-09-06 | 四川大学 | 病虫害识别方法及装置 |
| CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| Kosuke Miyagawa ; Ryuichi Tsuchiya ; Shota Shimazaki ; Dai Hanawa ; Kimio Oguchi.Plant growth promotion system using artificial lighting — Experimental setup realization and plant growth evaluation method.《2013 36th International Conference on Telecommunications and Signal Processing (TSP)》.2013,全文. * |
| 汪园园 ; 姚黎清 ; 赵莹.植物状态的治疗与预后评估.《世界最新医学信息文摘》.2019,全文. * |
| 试析计算机图像处理与识别技术;袁晓桂;;数码世界;20181001(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627216A (zh) | 2021-11-09 |
| WO2021223607A1 (zh) | 2021-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113627216B (zh) | 植物状态评估方法、系统及计算机可读存储介质 | |
| CN109840549B (zh) | 一种病虫害识别方法和装置 | |
| Neethling et al. | Assessing local climate vulnerability and winegrowers’ adaptive processes in the context of climate change | |
| JP6638121B1 (ja) | 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム | |
| CN111767802B (zh) | 一种对象异常状态的检测方法和装置 | |
| Rudis et al. | Forest inventory and management-based visual preference models of southern pine stands | |
| CN111291689B (zh) | 植物花期播报方法、系统及计算机可读存储介质 | |
| GB2598012A (en) | System and method for crop monitoring | |
| JP2019187259A (ja) | 栽培支援方法、栽培支援プログラム、栽培支援装置、および栽培支援システム | |
| Grossetete et al. | Early estimation of vineyard yield: site specific counting of berries by using a smartphone. | |
| CN111476149A (zh) | 一种植物培育控制方法和系统 | |
| EP3654272A1 (en) | Crop injury diagnosis system and method | |
| Solvin et al. | Use of UAV photogrammetric data in forest genetic trials: measuring tree height, growth, and phenology in Norway spruce (Picea abies L. Karst.) | |
| Kicherer et al. | Automatic image‐based determination of pruning mass as a determinant for yield potential in grapevine management and breeding | |
| CN113034301A (zh) | 一种农作物生长管理系统及方法 | |
| US20230042208A1 (en) | Object identification method, apparatus and device | |
| CN111832448A (zh) | 一种用于葡萄果园的病害识别方法及系统 | |
| Nagy et al. | Assessment of a 15-year white-tailed deer management program and woody recovery in a suburban forest preserve | |
| Rekha et al. | Disease Detection in Tomato Plants Using CNN | |
| Sharma | Recognition of Anthracnose Injuries on Apple Surfaces using YOLOV 3-Dense | |
| CN114707585A (zh) | 过敏物种播报方法、系统及可读存储介质 | |
| Scalisi et al. | Detecting, mapping and digitising canopy geometry, fruit number and peel colour in pear trees with different architecture | |
| Navarrete | Characterizing grapevine canopy architecture | |
| CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
| Clarke | Quantifying grizzly bear (Ursus arctos) habitat selection for a seasonal resource, the Canadian buffaloberry (Sheperdia canadensis) in southern British Columbia |
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 |