CN113807132B - 植物生长区域的灌水状态的识别方法、装置和存储介质 - Google Patents

植物生长区域的灌水状态的识别方法、装置和存储介质 Download PDF

Info

Publication number
CN113807132B
CN113807132B CN202010537569.7A CN202010537569A CN113807132B CN 113807132 B CN113807132 B CN 113807132B CN 202010537569 A CN202010537569 A CN 202010537569A CN 113807132 B CN113807132 B CN 113807132B
Authority
CN
China
Prior art keywords
target
state
irrigation
sub
area
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
Application number
CN202010537569.7A
Other languages
English (en)
Other versions
CN113807132A (zh
Inventor
黄敬易
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Xaircraft Technology Co Ltd
Original Assignee
Guangzhou Xaircraft Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangzhou Xaircraft Technology Co Ltd filed Critical Guangzhou Xaircraft Technology Co Ltd
Priority to CN202010537569.7A priority Critical patent/CN113807132B/zh
Publication of CN113807132A publication Critical patent/CN113807132A/zh
Application granted granted Critical
Publication of CN113807132B publication Critical patent/CN113807132B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Animal Husbandry (AREA)
  • Economics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Agronomy & Crop Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种植物生长区域的灌水状态的识别方法、装置和存储介质。该方法包括：获取目标植物生长区域的目标图像，并对目标图像进行切图处理，得到多张子图像；基于第一深度学习网络模型，分别对多张子图像进行识别，得到多个子灌水状态，并基于多个子灌水状态确定目标灌水状态，其中，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。本发明解决了植物生长区域的灌水状态的识别的效率低的技术问题。

Description

植物生长区域的灌水状态的识别方法、装置和存储介质
技术领域
本发明涉及计算机领域，具体而言，涉及一种植物生长区域的灌水状态的识别方法、装置和存储介质。
背景技术
目前，对植物生长区域的灌溉管理是植物种植过程中的重要工作，而通常识别植物生长区域的灌水状态的手段主要有：通过人工巡视来观察；通过摄像头和尺或带刻度的杆来测量；通过液位传感器来检测。
但是，通过人工巡视来观察的方法依赖于劳动力，在农场规模越大的情况下，效率反而越低；通过摄像头和尺或带刻度杆来测量的方法仍然需要人员观测分析，这相比于人工巡视，仅仅是减少了人工巡田的环节而已；通过液位传感器来检测的方法，数据采集点是单一的点，如果需获取摄像头视野范围的水位数据，则需要相关人员在多个位置安装液位传感器，从而上述方法对植物生长区域的灌水状态的识别的效率比较低。
针对上述的植物生长区域的灌水状态的识别的效率低的技术问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种植物生长区域的灌水状态的识别方法、装置和存储介质，以至少解决植物生长区域的灌水状态的识别的效率低的技术问题。
根据本发明实施例的一个方面，提供了一种植物生长区域的灌水状态的识别方法。该方法可以包括：获取目标植物生长区域的目标图像，并对目标图像进行切图处理，得到多张子图像；基于第一深度学习网络模型，分别对多张子图像进行识别，得到多个子灌水状态，并基于多个子灌水状态确定目标灌水状态，其中，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。
可选地，在获取目标植物生长区域的目标图像之后，该方法还包括：对目标图像进行切图处理，得到多张子图像；基于第一深度学习网络模型，分别对目标图像中的多张子图像进行识别，得到植物生长区域的目标灌水状态，包括：基于第一深度学习网络模型，分别对每张子图像进行识别，得到多个子灌水状态，其中，多个子灌水状态与多张子图像一一对应；基于多个子灌水状态确定目标灌水状态。
可选地，每张子图像的尺寸与第一深度学习网络模型相匹配，对目标图像进行切图处理，得到多张子图像，包括以下之一：将目标图像按照第一数量平均切分为第一数量的子图像；在目标图像中的目标位置中截取出第二数量的子图像。
可选地，基于多个子灌水状态确定目标灌水状态，包括以下之一：对每个子灌水状态的值按照对应的权值进行加权平均，得到目标值，并基于目标值确定目标灌水状态，其中，每个子灌水状态的值用于表征每个子灌水状态所属的种类，每个子灌水状态对应的权值为每个子灌水状态所属的种类的概率；将多个子灌水状态中数量最多的相同种类的子灌水状态，确定为目标灌水状态。
可选地，基于目标值确定目标灌水状态，包括：从多个区间中确定出目标值所处的目标区间，其中，不同的区间对应不同种类的灌水状态；将与目标区间对应的种类的灌水状态，确定为目标灌水状态。
可选地，在基于第一深度学习网络模型，分别对多张子图像进行识别，得到多个子灌水状态之前，该方法还包括：基于多组样本数据中的训练数据对初始神经网络模型进行深度学习训练，得到第二深度学习网络模型；基于多组样本数据中的测试数据对第二深度学习网络模型进行测试，得到测试结果；基于测试结果调整第二深度学习网络模型的网络参数，得到深度学习网络模型。
可选地，在基于多组样本数据中的训练数据对初始神经网络模型进行深度学习训练，得到第二深度学习网络模型之前，该方法还包括：获取植物生长区域的原始图像样本；对原始图像样本进行切图处理，得到多张子原始图像样本，并将多张子原始图像样本、灌水状态的标签，以及多张子原始图像样本与灌水状态的标签之间的对应关系确定为一组样本数据，其中，样本数据与第一深度学习网络模型相匹配。
可选地，该方法还包括以下至少之一：按照不同的文件夹对植物生长区域的灌水状态进行分类，得到灌水状态的标签；通过文件夹的文件名上包含灌水状态所属的种类的字符串，对灌水状态进行分类，得到灌水状态的标签。
可选地，目标灌水状态包括：目标灌水状态所属的种类和/或目标灌水状态所属的种类的概率，其中，目标灌水状态所属的种类通过目标植物生长区域中的覆盖水的区域进行确定。
可选地，目标灌水状态所属的种类包括以下之一：第一状态，其中，处于第一状态的目标植物生长区域包括覆盖水的区域；第二状态，其中，处于第二状态的目标植物生长区域未包括覆盖水的区域。
可选地，第一状态包括以下至少之一：第一子状态，其中，处于第一子状态的目标植物生长区域中覆盖水的区域与目标植物生长区域的占比小于第一阈值；第二子状态，其中，处于第二子状态的目标植物生长区域中覆盖水的区域与未覆盖水的区域之间具有差值绝对值，差值绝对值与目标植物生长区域的占比小于第二阈值；第三子状态，其中，处于第三子状态的目标植物生长区域中覆盖水的区域与目标植物生长区域的占比超过第三阈值。
可选地，目标图像为在目标植物生长区域的上空对目标植物生长区域进行俯拍得到，图像样本为在植物生长区域的上空对植物生长区域进行俯拍得到。
根据本发明实施例的另一方面，还提供了另一种植物生长区域的灌水状态的识别方法。该方法可以包括：在交互界面上输入并显示目标植物生长区域的目标图像；在交互界面上显示目标植物生长区域的目标灌水状态，其中，目标灌水状态为基于多个子灌水状态确定得到，多个子灌水状态为通过第一深度学习网络模型分别对多张子图像进行识别得到，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。
可选地，在交互界面上显示目标植物生长区域的目标灌水状态，包括：在交互界面上显示目标灌水状态所属的种类和/或目标灌水状态所属的种类的概率，其中，目标灌水状态所属的种类通过目标植物生长区域中的覆盖水的区域进行确定。
根据本发明实施例的另一方面，还提供了另一种植物生长区域的灌水状态的识别方法。该方法通过本发明上述方法确定目标植物生长区域的目标灌水状态，该方法还包括：基于目标灌水状态确定目标植物生长区域中的水量；在水量高于第四阈值的情况下，从目标植物生长区域中排水；在水量低于第五阈值的情况下，向目标植物生长区域中灌水。
根据本发明实施例的另一方面，还提供了另一种植物生长区域的灌水状态的识别方法。该方法在通过处于开启状态的水阀向目标植物生长区域中灌水的过程中，通过本发明上述方法确定目标植物生长区域的目标灌水状态，该方法还包括：基于目标灌水状态确定目标植物生长区域中的水量；在水量达到第六阈值的情况下，控制水阀由开启状态转换为关闭状态；在水量未达到第六阈值的情况下，控制水阀保持开启状态。
根据本发明实施例的另一方面，还提供了另一种植物生长区域的灌水状态的识别方法。该方法通过本发明上述方法确定目标植物生长区域的目标灌水状态，该方法还包括：基于目标灌水状态确定目标灌水深度；获取与目标灌水深度对应的灌水量；基于灌水量向目标植物生长区域中灌水。
根据本发明实施例的另一方面，还提供了一种植物生长区域的灌水状态的识别装置。该装置包括：获取单元，用于获取目标植物生长区域的目标图像，并对目标图像进行切图处理，得到多张子图像；识别单元，用于基于第一深度学习网络模型，分别对多张子图像进行识别，得到多个子灌水状态，并基于多个子灌水状态确定目标灌水状态，其中，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。
根据本发明实施例的另一方面，还提供了另一种植物生长区域的灌水状态的识别装置。该装置包括：第一显示单元，用于在交互界面上输入并显示目标植物生长区域的目标图像；第二显示单元，用于在交互界面上显示目标植物生长区域的目标灌水状态，其中，目标灌水状态为基于多个子灌水状态确定得到，多个子灌水状态为通过第一深度学习网络模型分别对多张子图像进行识别得到，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。
根据本发明实施例的另一方面，还提供了一种存储介质。该存储介质包括存储的程序，其中，在程序被处理器运行时控制存储介质所在设备执行本发明实施例的植物生长区域的灌水状态的识别方法。
根据本发明实施例的另一方面，还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的植物生长区域的灌水状态的识别方法。
在本发明实施例中，获取目标植物生长区域的目标图像，并对目标图像进行切图处理，得到多张子图像；基于第一深度学习网络模型，分别对多张子图像进行识别，得到多个子灌水状态，并基于多个子灌水状态确定目标灌水状态，其中，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。也就是说，本申请仅需要将目标植物生长区域的目标图像输入至由植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系练训练好的第一深度学习网络模型中进行处理，便可以达到识别出目标植物生长区域的灌水状态的目的，避免了通过人工巡视、通过摄像头和尺或带刻度的杆来测量、通过液位传感器来检测所耗费的劳动力，能有效提高对植物生长区域的自动化管理水平，解决了植物生长区域的灌水状态的识别的效率低的技术问题，进而达到了提高植物生长区域的灌水状态的识别的效率的技术效果。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种植物生长区域的灌水状态的识别方法的流程图；
图2是根据本发明实施例的另一种植物生长区域的灌水状态的识别方法的流程图；
图3是根据本发明实施例的一种基于空中俯拍的稻田照片的稻田灌溉状态识别方法的流程图；
图4是根据本发明实施例的一种深度学习网络模型的结构示意图；
图5是根据本发明实施例的另一种深度学习网络模型的结构示意图；
图6是根据本发明实施例的另一种深度学习网络模型的结构示意图；
图7是根据本发明实施例的一种植物生长区域的灌水状态的识别装置的示意图；以及
图8是根据本发明实施例的另一种植物生长区域的灌水状态的识别装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例1
根据本发明实施例，提供了一种植物生长区域的灌水状态的识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种植物生长区域的灌水状态的识别方法的流程图。如图1所示，该方法可以包括如下步骤：
步骤S102，获取目标植物生长区域的目标图像，并对目标图像进行切图处理，得到多张子图像。
在本发明上述步骤S102提供的技术方案中，目标植物生长区域可以为待识别灌水状态的植物生长区域，可以超过一定规模，其中可以种植有任何需要靠经常灌水来维持正常生长状态的植物，比如，该植物为水稻，则目标植物生长区域为稻田区域，此处不做任何具体限制。
该实施例获取目标植物生长区域的目标图像，可以在目标植物生长区域的上空对目标植物生长区域进行俯拍得到。可选地，该目标图像为通过光电传感器从目标植物生长区域的上空向下获取目标植物生长区域的目标图像，拍摄方式可以包括但不限于利用摄影无人机在目标植物生长区域的上空向下拍摄目标植物生长区域、通过载人飞行器由拍摄人员在目标植物生长区域的上空向下拍摄目标植物生长区域，从而得到目标图像。
在获取目标植物生长区域的目标图像之后，可以对目标图像进行切图处理，得到多张子图像，也即，切割目标图像为多张子图像，其作用是在尽可能地保留切出的图像的信息的情况下，使每张子图像满足第一深度学习网络模型的输入要求。
步骤S104，基于第一深度学习网络模型，分别对多张子图像进行识别，得到多个子灌水状态，并基于多个子灌水状态确定目标灌水状态，其中，多个子灌水状态与多张子图像一一对应。
在本发明上述步骤S104提供的技术方案中，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。
该实施例在获取目标植物生长区域的目标图像之后，获取上述多张子图像，该多张子图像满足第一深度学习网络的输入要求，可以将上述多张子图像的数据逐个输入至第一深度学习网络模型中，通过该第一深度学习网络模型对多张子图像进行识别，得到每张子图像对应的子灌水状态，也即，得到多个子灌水状态，进而对多个子灌水状态按照综合评估算法进行综合处理，以确定目标植物生长区域当前的目标灌水状态，进而输出该目标灌水状态，该目标灌水状态可以用于指示目标植物生长区域当前所覆盖水的区域的多少，也即，目标植物生长区域中的可积水的区域的多少，也可以称为灌溉状态。其中，第一深度学习网络模型用于建立不同的植物生长区域的图像的多张子图像与对应的灌水状态之间的映射关系，可以是预先训练好的深度学习网络模型。
在该实施例中，可以预先采集大量的多组样本数据，该多组样本数据中的每组数据可以包括对大量的植物生长区域的图像样本进行切图处理所得到的多张子图像样本、用于指示植物生长区域的灌水状态的标签以及建立多张子图像样本与对应的灌水状态之间的对应关系的标签，其中，图像样本为在植物生长区域的上空对植物生长区域进行俯拍得到。在采集大量的多组样本数据之后，可以通过该多组样本数据进行训练，从而得到上述第一深度学习网络模型。
通过上述步骤S102和步骤S104，获取目标植物生长区域的目标图像，并对目标图像进行切图处理，得到多张子图像；基于第一深度学习网络模型，分别对多张子图像进行识别，得到多个子灌水状态，并基于多个子灌水状态确定目标灌水状态，其中，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的。也就是说，该实施例仅需要将目标植物生长区域的目标图像输入至由植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系练训练好的第一深度学习网络模型中进行处理，便可以达到识别出目标植物生长区域的灌水状态的目的，避免了通过人工巡视、通过摄像头和尺或带刻度的杆来测量、通过液位传感器来检测所耗费的劳动力，能有效提高对植物生长区域的自动化管理水平，解决了植物生长区域的灌水状态的识别的效率低的技术问题，进而达到了提高植物生长区域的灌水状态的识别的效率的技术效果。
下面对该实施例的上述方法进行进一步介绍。
作为一种可选的实施方式，在步骤S102，获取目标植物生长区域的目标图像之后，该方法还包括：对目标图像进行切图处理，得到多张子图像；基于第一深度学习网络模型，分别对目标图像中的多张子图像进行识别，得到植物生长区域的目标灌水状态，包括：基于第一深度学习网络模型，分别对每张子图像进行识别，得到多个子灌水状态，其中，多个子灌水状态与多张子图像一一对应；基于多个子灌水状态确定目标灌水状态。
作为一种可选的实施方式，每张子图像的尺寸与第一深度学习网络模型相匹配，对目标图像进行切图处理，得到多张子图像，包括以下之一：将目标图像按照第一数量平均切分为第一数量的子图像；在目标图像中的目标位置中截取出第二数量的子图像。
在该实施例中，每张子图像的尺寸与第一深度学习网络模型相匹配，指每张子图像的尺寸符合第一深度学习网络模型所要求的目标尺寸。该实施例对目标图像进行切图处理，可以是对目标图像按照第一数量进行平均切分，从而得到第一数量的子图像，每张子图像的尺寸为目标尺寸，比如，目标数量为n，目标尺寸为512×512，也即，将目标图像平均切分至n张512×512大小的图片(n满足512×512×n＝目标图像的尺寸)；可选地，该实施例还可以在目标图像中的目标位置中截取出第二数量的符合第一深度学习网络模型所要求的目标尺寸的子图像，比如，第二数量为5，目标位置可以为目标图像的左上角位置、右上角位置、中间位置、左下角位置、右下角位置，从目标图像中截取出左上角位置、右上角位置、中间位置、左下角位置、右下角位置共五张子图像。
作为一种可选的实施方式，基于多个子灌水状态确定目标灌水状态，包括以下之一：对每个子灌水状态的值按照对应的权值进行加权平均，得到目标值，并基于目标值确定目标灌水状态，其中，每个子灌水状态的值用于表征每个子灌水状态所属的种类，每个子灌水状态对应的权值为每个子灌水状态所属的种类的概率；将多个子灌水状态中数量最多的相同种类的子灌水状态，确定为目标灌水状态。
在该实施例中，每张子图像对应的子灌水状态所属的种类可以通过一定值来表征，还可以通过对应的权值来表征每个子灌水状态所属的种类的概率，从而在实现基于多个子灌水状态确定目标灌水状态时，可以对每张子图像对应的子灌水状态的值通过对应的权值进行加权平均，得到目标值，进而基于该目标值确定目标植物生长区域的目标灌水状态，也即，通过加权平均的方法来确定目标灌水状态。
可选地，该实施例获取多个子灌水状态中相同种类的子灌水状态的数量，可以将多个子灌水状态中数量最多的相同种类的子灌水状态，确定为目标植物生长区域的目标灌水状态，也即，通过状态最大众数来确定目标灌水状态。
需要说明的是，该实施例的上述基于多个子灌水状态确定目标灌水状态的方法仅为本发明实施例的一种举例说明，并不代表本发明仅限于通过加权平均和状态最大众数的方法来确定目标灌水状态，任何对多个子灌水状态按照综合评估算法进行综合处理，以确定目标植物生长区域的目标灌水状态的方法都在该实施例的范围之内，此处不再一一举例说明。
作为一种可选的实施方式，基于目标值确定目标灌水状态，包括：从多个区间中确定出目标值所处的目标区间，其中，不同的区间对应不同种类的灌水状态；将与目标区间对应的种类的灌水状态，确定为目标灌水状态。
在该实施例中，在实现基于目标值确定目标灌水状态时，可以将植物生长区域的不同种类的灌水状态通过不同的区间进行表示，该区间可以包括缺水状态的区间、浅水状态的区间、深水状态的区间等，进而判断目标值所属的目标区间，进而将目标值所属的目标区间对应的种类的灌水状态，确定为目标植物生长区域的目标灌水状态。
作为一种可选的实施方式，在基于第一深度学习网络模型，分别对多张子图像进行识别，得到多个子灌水状态之前，该方法还包括：基于多组样本数据中的训练数据对初始神经网络模型进行深度学习训练，得到第二深度学习网络模型；基于多组样本数据中的测试数据对第二深度学习网络模型进行测试，得到测试结果；基于测试结果调整第二深度学习网络模型的网络参数，得到深度学习网络模型。
在该实施例中，可以按照一定的比例分将多组样本数据分为训练数据和测试数据，比如，训练数据占95％。在基于第一深度学习网络模型，分别对目标图像中的多张子图像进行识别，得到植物生长区域的目标灌水状态之前，需要通过多组样本数据中的训练数据对初始神经网络模型进行深度学习训练，该初始神经网络模型是以神经元的数学模型为基础来描述的。可选地，该实施例通过机器学习来解析多组样本数据中的训练数据，从中学习来对初始神经网络模型进行训练，其中，在通过机器学习来解析多组样本数据中的训练数据时，可以对多组样本数据中的训练数据按照分布一致性算法、去噪、采样等算法进行预处理，再从预处理后的数据中进行特征提取、特征变换、特征归一、特征组合等得到用于训练初始神经网络模型的特征，进一步通过优化算法、假设函数、损失函数、决策边界、收敛速度、迭代策略等对特征进行处理，得到不同的植物生长区域的图像的多张子图像与对应的灌水状态之间的映射关系的标签，进而通过该标签对初始神经网络模型进行训练，得到网络参数，通过该初始神经网络模型和网络参数共同确定第二深度学习网络模型。
可选地，该实施例的多组样本数据还包括测试数据，通过该测试数据对第二深度学习网络模型进行测试，得到测试结果，该测试结果用于指示对第二深度学习网络模型进行测试，该第二深度学习网络模型的性能表现结果，进而将其返回至第二深度学习网络模型，对其的网络参数进一步调整(修正)，也即，优化第二深度学习网络模型的网络参数，可以通过反向传播算法来优化第二深度学习网络模型的网络参数。
该实施例通过上述方法通过样本数据中的训练数据不断训练得到第二深度学习网络模型，并对其通过样本数据中的测试数据不断进行测试，通过测试结果不断优化第二深度学习网络模型的网络参数，直至优化后的第二深度学习网络模型的性能达到要求，从而最终得到用于确定植物生长区域的灌水状态的第一深度学习网络模型。
可选地，该实施例还可以对第二深度学习网络模型进行交叉验证、评估目标、过拟合、欠拟合等评价，从而最终得到用于确定植物生长区域的灌水状态的第一深度学习网络模型。
需要说明的是，该实施例的第二深度学习网络模型可以包括但不限于卷积神经网络、ResNet深度残差网络结构、VGGNet深度卷积神经网络、MobileNet神经网络等。
作为一种可选的实施方式，在基于多组样本数据中的训练数据对初始神经网络模型进行深度学习训练，得到第二深度学习网络模型之前，该方法还包括：获取植物生长区域的原始图像样本；对原始图像样本进行切图处理，得到多张子原始图像样本，并将多张子原始图像样本、灌水状态的标签，以及多张子原始图像样本与灌水状态的标签之间的对应关系确定为一组样本数据，其中，样本数据与第一深度学习网络模型相匹配。
在该实施例中，在基于多组样本数据中的训练数据对初始神经网络模型进行深度学习训练，得到第二深度学习网络模型之前，需要采集多组样本数据，可以获取植物生长区域的原始图像样本，可以在空中对不同的植物生长区域进行俯拍来得到原始图像样本。可选地，该原始图像样本为通过光电传感器从不同的植物生长区域的上空向下获取植物生长区域的图像，拍摄方式可以包括但不限于利用摄影无人机在植物生长区域的上空向下拍摄植物生长区域、通过载人飞行器由拍摄人员在植物生长区域的上空向下拍摄植物生长区域，从而得到原始图像样本。
在得到植物生长区域的原始图像样本之后，该实施例还可以进一步对原始图像样本进行切图处理，可以包括但不限于原始标图像样本平均切分多张子图像，在原始图像样本中的目标位置中截取出多张子图像，每张子原始图像样本的尺寸符合初始神经网络模型所要求的尺寸。需要说明的是，该实施例的对原始图像样本进行切图处理的方式与对目标图像进行切图处理的方式需要保持一致。
在得到多张子原始图像样本之后，可以将多张子原始图像样本、灌水状态的标签，以及多张子原始图像样本与灌水状态的标签之间的对应关系确定为一组样本数据，其中，该样本数据与第一深度学习网络模型相匹配。
可选地，该实施例的与原始图像样本的每张子图像对应的灌水状态的标签由人工进行标注得到，其标注的依据根据生产需求而定，分类等级两个或以上，可以是通过未覆盖水的植物生长区域确定的状态，也可以是通过覆盖水的植物生长区域确定的状态，也即，可以是通过视野中植物生长区域内的可积水的区域确定，比如，植物生长区域中覆盖水的区域与目标植物生长区域的占比小于第一阈值，则该植物生长区域的灌水状态为缺水状态，其标签可以为0-Dry，其中，第一阈值可以为10％，该10％针对地势特别低的坑中所积的水；植物生长区域中覆盖水的区域与未覆盖水的区域之间具有差值绝对值，差值绝对值与目标植物生长区域的占比小于第二阈值，其中，未覆盖水的区域可以是裸土区域，也即，覆盖水的区域与裸土区域大致相当(对于不平的地面)，则该植物生长区域的灌水状态为潜水状态，其标签可以为1-Mid；植物生长区域中覆盖水的区域与目标植物生长区域的占比超过第三阈值，则该植物生长区域的灌水状态为深水状态，其标签可以为2-Ful，其中，第二阈值可以为90％，其中，10％针对地势特别高的地面。
作为一种可选的实施方式，该方法还包括以下至少之一：按照不同的文件夹对植物生长区域的灌水状态进行分类，得到灌水状态的标签；通过文件夹的文件名上包含灌水状态所属的种类的字符串，对灌水状态进行分类，得到灌水状态的标签。
在该实施例中，在获取样本数据时，植物生长区域的灌水状态，也即，植物生长区域对应的原始图像样本的每张子图像的灌水状态，在对其进行标注时，可以按照不同的文件夹对植物生长区域的灌水状态进行分类，得到灌水状态的标签，也即，按照文件夹分类来实现对灌水状态的标注；该实施例还可以通过文件夹的文件名上包含灌水状态所属的种类的字符串，对灌水状态进行分类，得到灌水状态的标签，也即，通过在文件名上包含类别对应的字符串，对灌水状态来划分类别。
需要说明的是，该实施例的上述对灌水状态进行标注的方式仅为本发明实施例的一种举例说明，并不代表本发明实施例的对灌水状态进行标注的方式仅为上述，任何可以实现对灌水状态进行分类的方式都在该实施例的范围之内，此处不再一一举例说明。
作为一种可选的实施方式，目标灌水状态包括：目标灌水状态所属的种类和/或目标灌水状态所属的种类的概率，其中，目标灌水状态所属的种类通过目标植物生长区域中的覆盖水的区域进行确定。
在该实施例中，植物生长区域的灌水状态可以划分为不同的种类，可以是通过目标植物生长区域中的覆盖水的区域来确定灌水状态的种类。可选地，该实施例的由第一深度学习网络模型识别出的目标灌水状态可以包括目标灌水状态所属的种类，还可以包括目标灌水状态所属的种类的概率。
作为一种可选的实施方式，目标灌水状态所属的种类包括以下之一：第一状态，其中，处于第一状态的目标植物生长区域包括覆盖水的区域；第二状态，其中，处于第二状态的目标植物生长区域未包括覆盖水的区域。
在该实施例中，目标灌水状态所属的种类通过目标植物生长区域中的覆盖水的区域进行确定，而目标植物生长区域可以为覆盖水的区域，也可以为未覆盖水的区域，则该实施例的目标灌水状态可以属于第一状态，处于该第一状态的目标植物生长区域包括覆盖水的区域，该实施例的目标灌水状态可以属于第二状态，处于该第二状态的目标植物生长区域未包括覆盖水的区域。
作为一种可选的实施方式，第一状态包括以下至少之一：第一子状态，其中，处于第一子状态的目标植物生长区域中覆盖水的区域与目标植物生长区域的占比小于第一阈值；第二子状态，其中，处于第二子状态的目标植物生长区域中覆盖水的区域与未覆盖水的区域之间具有差值绝对值，该差值绝对值与目标植物生长区域的占比小于第二阈值；第三子状态，其中，处于第三子状态的目标植物生长区域中覆盖水的区域与目标植物生长区域的占比超过第三阈值。
在该实施例中，由第一深度学习网络模型识别出的第一状态可以包括第一子状态、第二子状态和第三子状态，这与在训练得到第一深度学习网络模型时，所采用的样本数据中的与原始图像样本对应的灌水状态的标签是相对应的，其中，处于第一子状态的目标植物生长区域中覆盖水的区域与目标植物生长区域的占比小于第一阈值，也即，该第一子状态可以为上述缺水状态；处于第二子状态的目标植物生长区域中覆盖水的区域与未覆盖水的区域之间具有差值绝对值，该差值绝对值与目标植物生长区域的占比小于第二阈值，也即，该第二子状态为上述浅水状态；处于第三子状态的目标植物生长区域中覆盖水的区域与目标植物生长区域的占比超过第三阈值，也即，该第三子状态为上述深水状态。
需要说明的是，该实施例的灌水状态的上述几种状态仅为本发明实施例的一种举例说明，并不代表本发明实施例的灌水状态仅为上述几种状态，任何可以用于表示植物生长区域的灌水的情况的方式都在改实施例的范围之内，此处不再一一举例说明。
图2是根据本发明实施例的另一种植物生长区域的灌水状态的识别方法的流程图。如图2所示，该方法可以包括以下步骤：
步骤S202，在交互界面上输入并显示目标植物生长区域的目标图像。
在本发明上述步骤S202提供的技术方案中，目标植物生长区域可以为待识别灌水状态的植物生长区域，可以超过一定规模，其中可以种植有任何需要靠经常灌水来维持正常生长状态的植物。
该实施例获取目标植物生长区域的目标图像，在交互界面上输入并显示目标植物生长区域的目标图像，进而可以在目标植物生长区域的上空对目标植物生长区域进行俯拍得到。可选地，该实施例的目标图像为通过光电传感器从目标植物生长区域的上空向下获取目标植物生长区域的目标图像，拍摄方式可以包括但不限于利用摄影无人机在目标植物生长区域的上空向下拍摄目标植物生长区域、通过载人飞行器由拍摄人员在目标植物生长区域的上空向下拍摄目标植物生长区域，从而得到目标图像。
步骤S204，在交互界面上显示目标植物生长区域的目标灌水状态，其中，目标灌水状态为基于多个子灌水状态确定得到，多个子灌水状态为通过第一深度学习网络模型分别对多张子图像进行识别得到，多个子灌水状态与多张子图像一一对应。
在本发明上述步骤S204提供的技术方案中，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。
该实施例在交互界面上输入并显示目标植物生长区域的目标图像之后，可以对目标图像进行切图处理，得到多张子图像，也即，切割目标图像为多张子图像，其作用是在尽可能地保留切出的图像的信息的情况下，使每张子图像满足第一深度学习网络模型的输入要求。该实施例可以将上述多张子图像的数据逐个输入至第一深度学习网络模型中，该第一深度学习网络模型可以为预先训练好的深度学习网络模型，通过该第一深度学习网络模型对多张子图像进行识别，得到每张子图像对应的子灌水状态，也即，得到多个子灌水状态，进而对多个子灌水状态按照综合评估算法进行综合处理，以确定目标植物生长区域当前的目标灌水状态，进而交互界面上显示目标植物生长区域的目标灌水状态。其中，第一深度学习网络模型用于建立不同的植物生长区域的图像的多张子图像与对应的灌水状态之间的映射关系。
在该实施例中，可以预先采集大量的多组样本数据，该多组样本数据中的每组数据可以包括对大量的植物生长区域的图像样本进行切图处理所得到的多张子图像样本、用于指示植物生长区域的灌水状态的标签以及建立多张子图像样本与对应的灌水状态之间的对应关系的标签，其中，图像样本为在植物生长区域的上空对植物生长区域进行俯拍得到。在采集大量的多组样本数据之后，可以通过该多组样本数据进行训练，从而得到上述第一深度学习网络模型。
通过上述步骤S202和步骤S204，在交互界面上输入并显示目标植物生长区域的目标图像；在交互界面上显示目标植物生长区域的目标灌水状态，其中，目标灌水状态为基于多个子灌水状态确定得到，多个子灌水状态为通过第一深度学习网络模型分别对多张子图像进行识别得到，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。也就是说，该实施例仅需要将目标植物生长区域的目标图像输入至由植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系练训练好的第一深度学习网络模型中进行处理，便可以达到识别出目标植物生长区域的灌水状态的目的，避免了通过人工巡视、通过摄像头和尺或带刻度的杆来测量、通过液位传感器来检测所耗费的劳动力，能有效提高对植物生长区域的自动化管理水平，解决了植物生长区域的灌水状态的识别的效率低的技术问题，进而达到了提高植物生长区域的灌水状态的识别的效率的技术效果。
作为一种可选的实施方式，在交互界面上显示目标植物生长区域的目标灌水状态，包括：在交互界面上显示目标灌水状态所属的种类和/或目标灌水状态所属的种类的概率，其中，目标灌水状态所属的种类通过目标植物生长区域中的覆盖水的区域进行确定。
在该实施例中，可以预先将植物生长区域的灌水状态划分为不同的种类，可以是通过目标植物生长区域中的覆盖水的区域来确定灌水状态的种类。可选地，该实施例的由第一深度学习网络模型识别出的目标灌水状态可以包括目标灌水状态所属的种类，还可以包括目标灌水状态所属的种类的概率。在将交互界面上显示的目标植物生长区域的目标图像输入至训练训练好的第一深度学习网络模型中进行处理之后，可以在交互界面上显示目标灌水状态所属的种类和/或目标灌水状态所属的种类的概率。
下面对该实施例的应用场景进行进一步介绍。
作为一种可选的示例，通过本发明实施例的上述方法确定目标植物生长区域的目标灌水状态，该方法还包括：基于目标灌水状态确定目标植物生长区域中的水量；在水量高于第四阈值的情况下，从目标植物生长区域中排水；在水量低于第五阈值的情况下，向目标植物生长区域中灌水。
在该实施例中，可以采用上述植物生长区域的灌水状态的识别方法，来确定目标植物生长区域的目标灌水状态。可选地，该实施例可以基于目标灌水状态确定目标植物生长区域中的水量，该水量也即目标植物生长区域中覆盖水的区域的含水量，如果目标植物生长区域不包括覆盖水的区域，则水量可以为0。在该实施例中，当目标灌水状态为第一子状态(缺水状态)时，目标植物生长区域中覆盖水的区域与目标植物生长区域的占比小于第一阈值，可以基于上述覆盖水的区域确定目标植物生长区域中的水量；当目标灌水状态为第二子状态(浅水状态)时，目标植物生长区域中覆盖水的区域与未覆盖水的区域之间具有差值绝对值，该差值绝对值与目标植物生长区域的占比小于第二阈值，可以基于上述覆盖水的区域确定目标植物生长区域中的水量；当目标灌水状态为第三子状态(深水状态)时，目标植物生长区域中覆盖水的区域与目标植物生长区域的占比超过第三阈值，可以基于覆盖水的区域确定目标植物生长区域中的水量。
可选地，该实施例可以预先建立不同灌水状态与对应的水量之间的对应关系，这样在确定出目标植物生长区域的目标灌水状态之后，则可以基于对应关系确定目标灌水状态对应的水量。在该实施例中，基于第一子灌水状态确定目标植物生长区域中的水量小于基于第二子灌水状态确定目标植物生长区域中的水量，基于第二子灌水状态确定目标植物生长区域中的水量小于基于第三子灌水状态确定目标植物生长区域中的水量。
在基于目标灌水状态确定目标植物生长区域中的水量之后，判断目标植物生长区域的水量是否高于第四阈值，其中，第四阈值可以为目标植物生长区域设置的理想水量范围的最高临界值。如果判断出目标植物生长区域的水量高于第四阈值，也即，目标植物生长区域的水量太多了，则可以从目标植物生长区域中排水，以满足目标植物生长区域中的植物的生长需求。
可选地，该实施例还可以判断目标植物生长区域的水量是否低于第五阈值，其中，第五阈值可以为目标植物生长区域设置的理想水量范围的最低临界值。如果判断出目标植物生长区域的水量低于第五阈值，也即，目标植物生长区域的水量太少了，则可以向目标植物生长区域中灌水，以满足目标植物生长区域中的植物的生长需求。
该实施例通过本发明上述实施例的植物生长区域的灌水状态的识别方法，来确定目标植物生长区域的目标灌水状态，使得用户了解目标植物生长区域的目前灌水情况，进而实现在水多时排水，水少时灌水，以满足目标植物生长区域中的植物的生长需求的目的。
作为一种可选的示例，在通过处于开启状态的水阀向目标植物生长区域中灌水的过程中，通过本发明实施例的上述方法确定目标植物生长区域的目标灌水状态，该方法还包括：基于目标灌水状态确定目标植物生长区域中的水量；在水量达到第六阈值的情况下，控制水阀由开启状态转换为关闭状态；在水量未达到第六阈值的情况下，控制水阀保持开启状态。
在该实施例中，控制水阀处于开启状态，通过处于开启状态的水阀向目标植物生长区域中灌水。在灌水的过程中，通过本发明实施例的上述方法不断识别目标植物生长区域的目标灌水状态，并且基于目标灌水状态确定目标植物生长区域中的水量，可以按照上述基于目标灌水状态确定目标植物生长区域中的水量的方法进行实现，此处不再赘述。该实施例可以判断目标植物生长区域中的水量是否达到第六阈值，该第六阈值可以为预先为目标植物生长区域设置的最理想的水量。如果判断出目标植物生长区域中的水量达到第六阈值，则表明目标植物生长区域中的水量已经符合要求，不需要再继续进行灌水了，则控制水阀由开启状态转换为关闭状态。可选地，如果判断出目标植物生长区域中的水量未达到第六阈值，则表明目标植物生长区域中的水量还不符合要求，仍然需要继续灌水，则控制水阀保持开启状态。
该实施例通过本发明上述植物生长区域的灌水状态的识别方法，来确定目标植物生长区域的目标灌水状态，使得用户了解目标植物生长区域的目前灌水情况，确定在向目标植物生长区域灌水时水量是否满足第六阈值，以达到自动话控制水阀，实现目标植物生长区域的自动化灌溉。
作为一种可选的示例，通过本发明实施例的上述方法确定目标植物生长区域的目标灌水状态，该方法还包括：基于目标灌水状态确定目标灌水深度；获取与目标灌水深度对应的灌水量；基于灌水量向目标植物生长区域中灌水。
在该实施例中，可以采用上述植物生长区域的灌水状态的识别方法，来确定目标植物生长区域的目标灌水状态，然后基于目标灌水状态确定目标灌水深度。其中，不同的灌水状态可以对应不同的灌水深度，其可以是针对灌水状态下的植物生长区域，为了使其符合植物生长需求，还需要对其进行灌水的灌水量所对应的深度。该实施例可以预先设置不同的灌水状态与灌水深度之间的对应关系。在基于目标灌水状态确定目标灌水深度之后，可以获取与目标灌水深度对应的灌水量，然后基于灌水量控制水阀向目标植物生长区域中灌水，从而实现了目标植物生长区域的自动化灌溉的目的。
在相关技术中，通常识别植物生长区域的灌水状态的手段主要有：通过人工巡视来观察；通过摄像头和尺或带刻度的杆来测量；通过液位传感器来检测。而在该实施例中，通过上述植物生长区域的目标灌水状态的识别方法，训练出可以用于识别出植物生长区域的灌水状态的第一深度学习网络模型，然后在任何需要识别出目标植物生长区域的目标灌水状态的场景下，都可以将目标植物生长区域的目标图像直接输入至第一深度学习网络模型中进行处理，从而直接得到目标植物生长区域的目标灌水状态，节省了劳动力，能有效提高对植物生长区域的自动化管理水平，解决了植物生长区域的灌水状态的识别的效率低的技术问题，进而达到了提高植物生长区域的灌水状态的识别的效率的技术效果。
实施例2
下面结合优选的实施方式对本发明实施例的技术方案进行举例说明，具体以植物生长区域为稻田区域进行举例说明。
在该实施例中，通过空中俯拍的稻田照片，判断稻田灌水状态，该灌水状态可以包括但不限于缺水状态、浅水状态和深水状态，进而通过获得的稻田的灌水状态，来指导稻田的灌溉管理。
图3是根据本发明实施例的一种基于空中俯拍的稻田照片的稻田灌溉状态识别方法的流程图。如图3所示，该方法可以包括以下步骤：
步骤S301，获取在稻田的上空对稻田进行俯拍得到的稻田照片。
在该实施例中，空中俯拍的稻田照片指的是光电传感器从稻田上空向下获取稻田的图像，拍摄方式可以包括但不限于利用摄影无人机在稻田上空向下拍摄稻田、载人飞行器上拍摄人员在稻田上空向下拍摄稻田。
步骤S302，对稻田照片进行切图处理。
在该实施例中，对稻田照片进行切图处理的作用是在尽可能地保留切出的图片的信息的情况下，满足深度学习网络的输入要求。该实施例的切图处理的方法可以包括但不限于将原来的稻田照片平均切分至n张512×512大小的图片(n满足512×512×n＝原图尺寸)，还可以是从原来的稻田照片中截取n张符合网络要求的尺寸大小的图片，比如，在n＝5时，从原来的稻田照片中截取左上角、右上角、中间、左下角、右下角的五张图片。
步骤S303，对切出的多张图片进行标注。
在该实施例中，对切出的多张图片进行标注的方式可以包括但不限于按文件夹分类、在文件名上包含类别对应的字符串。
在该实施例中，灌溉状态的分类可以根据生产需求而定，分类等级两个或以上，两个的情况，比如有缺水和有水，三个的情况有如下例子：
人工分类依据，可以是视野中稻田内的可积水的区域，缺水状态(0-Dry)，覆盖水的区域与目标植物生长区域的占比少于10％(10％用于包括地势特别低的坑)；浅水状态(1-Mid)，覆盖水的区域与未覆盖水的区域大致相当(对于不平的土面)；深水状态(2-Ful)，覆盖水的区域与目标植物生长区域的占比超过90％(10％用于除去地势特别高的土)。
步骤S304，从已标注的切图数据中获取一定比例的训练数据。
该实施例的训练数据可以占已标注的切图数据的95％。
步骤S305，从已标注的切图数据中获取一定比例的测试数据。
该实施例的测试数据可以占已标注的切图数据的5％。
步骤S306，通过训练数据训练深度学习网络模型。
在该实施例中，深度学习网络模型可以包括但不限于卷积神经网络。典型的深度学习网络有：ResNet深度残差网络结构、VGGNet、MobileNet等。
步骤S307，训练得到深度学习网络模型。
步骤S308，输出通过样本数据中的测试数据对训练得到的深度学习网络模型进行测所得到的测试结果。
步骤S309，通过测试结果不断优化训练得到的深度学习网络模型的网络参数。
在优化训练得到的深度学习网络模型的网络参数之后，继续执行步骤S306、步骤S307和步骤S308，直至训练得到的深度学习网络模型的性能达到一定的精度要求。
步骤S310，获取待识别的空中俯拍的稻田照片。
步骤S311，对待识别的稻田照片进行切图处理，得到切图1、切图2……切图n。
该实施例将待识别的空中俯拍的稻田照片，按照与用于训练深度学习训练模型的图像样本的切图处理一致的方式进行切图处理，得到切图1、切图2……切图n。
步骤S312，利用训练好的深度学习网络模型对每个切图进行逐个处理，得到切图1所指示的灌水状态的识别结果、切图2所指示的灌水状态的识别结果……切图n所指示的灌水状态的识别结果。
该实施例的灌水状态的识别结果可以包括灌水状态的种类和属于该种类的概率。
步骤S313，对切图1所指示的灌水状态的识别结果、切图2所指示的灌水状态的识别结果……切图n所指示的灌水状态的识别结果进行综合评估，得到待识别的稻田的灌水状态的识别结果。
该实施例的综合评估的算法可以包括但不限于加权平均，状态最大众数等。待识别的稻田的灌水状态的识别结果可以包括待识别的稻田属于哪种灌水状态，以及对应的概率。
步骤S314，输出待识别的稻田的灌水状态的识别结果。
图4是根据本发明实施例的一种深度学习网络模型的结构示意图。如图4所示，该实施例采集的图像为稻田图像，可以对其进行切图处理以及对稻田图像对应的稻田的灌水状态进行人工标注，得到样本数据，通过其对初始卷积神经网络进行网络训练，得到训练好的卷积神经网络，进而向其输入待识别的稻田图像，通过训练好的卷积神经网络对待检测的稻田图像进行识别，得到识别结果，该识别结果用于指示待检测的稻田的灌水状态的种类和对应的概率。
图5是根据本发明实施例的另一种深度学习网络模型的结构示意图。如图5所示，获取地表覆盖图片，该地表覆盖图片可以为稻田的地表覆盖水的图片，对该图片进行切图处理，且对其所指示的稻田的灌水状态进行人工标注，得到训练数据和测试数据，通过该训练数据和测试数据进行图片识别模型的构建，该图片识别模型为用于识别稻田的灌水状态的模型。可选地，该实施例通过训练数据对初始建立的卷积神经网络进行训练，包括通过训练数据对卷积层、多层感知器、分类器进行训练，得到训练好的卷积神经网络模型，进而通过测试数据对其进行测试，得到测试结果，可以通过反向传播算法利用测试结果对训练好的卷积神经网络模型的网络参数进行修正，得到最终的卷积神经网络模型，通过该最终的卷积神经网络模型对输入的其它待识别灌水状态的稻田图像进行识别，得到其地表覆盖识别结果，该地表覆盖识别结果可以用于指示待识别灌水状态的稻田的覆盖水的区域的多少，可以反映出灌水状态，进而对地表覆盖识别结果进行验证。
图6是根据本发明实施例的另一种深度学习网络模型的结构示意图。如图6所示，获取预先收集的针对稻田的训练数据，对其进行切图处理，从切图处理后的训练数据中提取图像特征，通过提取出的图像特征和预先标注的稻田的灌水状态的标签对初始建立的卷积神经网络模型(CNN)进行训练，得到分类模型，该分类模型也即用于识别稻田的灌水状态的模型。然后获取预先收集的针对稻田的测试数据，对其进行切图处理，从切图处理后的训练数据中提取图像特征，通过提取出的图像特征和预先标注的稻田的灌水状态的标签对分类模型进行测试，通过测试结果对分类模型的网络参数进行进一步优化，从而得到最终的分类模型。
在相关技术中，通常识别植物生长区域的灌水状态的手段主要有：通过人工巡视来观察；通过摄像头和尺或带刻度的杆来测量；通过液位传感器来检测。而在该实施例中，通过上述植物生长区域的目标灌水状态的识别方法，训练出可以用于识别出植物生长区域的灌水状态的第一深度学习网络模型，然后在任何需要识别出目标植物生长区域的目标灌水状态的场景下，都可以将目标植物生长区域的目标图像直接输入至第一深度学习网络模型中进行处理，从而直接得到目标植物生长区域的目标灌水状态，节省了劳动力，能有效提高对植物生长区域的自动化管理水平，解决了植物生长区域的灌水状态的识别的效率低的技术问题，进而达到了提高植物生长区域的灌水状态的识别的效率的技术效果。
实施例3
本发明实施例还提供了一种植物生长区域的灌水状态的识别装置。需要说明的是，该实施例的植物生长区域的灌水状态的识别装置可以用于执行本发明实施例的图1所示的植物生长区域的灌水状态的识别方法。
图7是根据本发明实施例的一种植物生长区域的灌水状态的识别装置的示意图。如图7所示，该实施例的植物生长区域的灌水状态的识别装置70可以包括：获取单元71和识别单元72。
获取单元71，用于获取目标植物生长区域的目标图像，并对目标图像进行切图处理，得到多张子图像。
识别单元72，用于基于第一深度学习网络模型，分别对多张子图像进行识别，得到多个子灌水状态，并基于多个子灌水状态确定目标灌水状态，其中，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。
本发明实施例还提供了另一种植物生长区域的灌水状态的识别装置。需要说明的是，该实施例的植物生长区域的灌水状态的识别装置可以用于执行本发明实施例的图2所示的植物生长区域的灌水状态的识别方法。
图8是根据本发明实施例的另一种植物生长区域的灌水状态的识别装置的示意图。如图8所示，该实施例的植物生长区域的灌水状态的识别装置80可以包括以下包括：第一显示单元81和第二显示单元82。
第一显示单元81，用于在交互界面上输入并显示目标植物生长区域的目标图像。
第二显示单元82，用于在交互界面上显示目标植物生长区域的目标灌水状态，其中，目标灌水状态为基于多个子灌水状态确定得到，多个子灌水状态为通过第一深度学习网络模型分别对多张子图像进行识别得到，多个子灌水状态与多张子图像一一对应，第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系。
本发明实施例还提供了另一种植物生长区域的目标灌水状态的识别装置。该装置可以通过本发明实施例的上述方法确定目标植物生长区域的目标灌水状态，该装置还包括：第一确定单元，用于基于目标灌水状态确定目标植物生长区域中的水量；排水单元，用于在水量高于第四阈值的情况下，从目标植物生长区域中排水；第一灌水单元，用于在水量低于第五阈值的情况下，向目标植物生长区域中灌水。
本发明实施例还提供了另一种植物生长区域的目标灌水状态的识别装置。该装置在通过处于开启状态的水阀向目标植物生长区域中灌水的过程中，通过本发明实施例的上述方法确定目标植物生长区域的目标灌水状态，该装置还包括：第二确定单元，用于基于目标灌水状态确定目标植物生长区域中的水量；第一控制单元，用于在水量达到第六阈值的情况下，控制水阀由开启状态转换为关闭状态；第二控制单元，用于在水量未达到第六阈值的情况下，控制水阀保持开启状态。
本发明实施例还提供了另一种植物生长区域的目标灌水状态的识别装置。该装置可以通过本发明实施例的上述方法确定目标植物生长区域的目标灌水状态，该装置还包括：第三确定单元，用于基于目标灌水状态确定目标灌水深度；第一获取单元，用于获取与目标灌水深度对应的灌水量；第二灌水单元，用于基于灌水量向目标植物生长区域中灌水。
该实施例的植物生长区域的灌水状态的识别装置，仅需要将目标植物生长区域的目标图像输入至由植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及图像样本与灌水状态的标签之间的对应关系练训练好的第一深度学习网络模型中进行处理，便可以达到识别出目标植物生长区域的灌水状态的目的，避免了通过人工巡视、通过摄像头和尺或带刻度的杆来测量、通过液位传感器来检测所耗费的劳动力，能有效提高对植物生长区域的自动化管理水平，解决了植物生长区域的灌水状态的识别的效率低的技术问题，进而达到了提高植物生长区域的灌水状态的识别的效率的技术效果。
实施例4
本发明实施例还提供了一种存储介质。该存储介质包括存储的程序，其中，在程序被处理器运行时控制存储介质所在设备执行本发明实施例的植物生长区域的灌水状态的识别方法。
实施例5
本发明实施例还提供了一种处理器。该处理器用于运行程序，其中，程序运行时执行本发明实施例的植物生长区域的灌水状态的识别方法。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (20)

1.一种植物生长区域的灌水状态的识别方法，其特征在于，包括：
获取目标植物生长区域的目标图像，并对所述目标图像进行切图处理，得到多张子图像；
基于第一深度学习网络模型，分别对所述多张子图像进行识别，得到多个子灌水状态，并基于所述多个子灌水状态确定目标灌水状态，所述目标灌水状态用于指示目标植物生长区域中可积水的区域的多少；其中，所述多个子灌水状态与所述多张子图像一一对应，所述第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，所述多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及所述图像样本与所述灌水状态的标签之间的对应关系；所述灌水状态的标签基于所述植物生长区域中覆盖水的区域或未覆盖水的区域与所述植物生长区域的占比确定得到。
2.根据权利要求1所述的方法，其特征在于，每张所述子图像的尺寸与所述第一深度学习网络模型相匹配，对所述目标图像进行切图处理，得到所述多张子图像，包括以下之一：
将所述目标图像按照第一数量平均切分为所述第一数量的所述子图像；
在所述目标图像中的目标位置中截取出第二数量的所述子图像。
3.根据权利要求1所述的方法，其特征在于，基于所述多个子灌水状态确定所述目标灌水状态，包括以下之一：
对每个所述子灌水状态的值按照对应的权值进行加权平均，得到目标值，并基于所述目标值确定所述目标灌水状态，其中，每个所述子灌水状态的值用于表征每个所述子灌水状态所属的种类，每个所述子灌水状态对应的权值为每个所述子灌水状态所属的种类的概率；
将所述多个子灌水状态中数量最多的相同种类的子灌水状态，确定为所述目标灌水状态。
4.根据权利要求3所述的方法，其特征在于，基于所述目标值确定所述目标灌水状态，包括：
从多个区间中确定出所述目标值所处的目标区间，其中，不同的所述区间对应不同种类的灌水状态；
将与所述目标区间对应的种类的灌水状态，确定为所述目标灌水状态。
5.根据权利要求1所述的方法，其特征在于，在基于第一深度学习网络模型，分别对所述多张子图像进行识别，得到多个子灌水状态之前，所述方法还包括：
基于所述多组样本数据中的训练数据对初始神经网络模型进行深度学习训练，得到第二深度学习网络模型；
基于所述多组样本数据中的测试数据对所述第二深度学习网络模型进行测试，得到测试结果；
基于所述测试结果调整所述第二深度学习网络模型的网络参数，得到所述深度学习网络模型。
6.根据权利要求5所述的方法，其特征在于，在基于所述多组样本数据中的训练数据对所述初始神经网络模型进行深度学习训练，得到所述第二深度学习网络模型之前，所述方法还包括：
获取所述植物生长区域的原始图像样本；
对所述原始图像样本进行切图处理，得到多张子原始图像样本，并将所述多张子原始图像样本、所述灌水状态的标签，以及所述多张子原始图像样本与所述灌水状态的标签之间的对应关系确定为一组所述样本数据，其中，所述样本数据与所述第一深度学习网络模型相匹配。
7.根据权利要求6所述的方法，其特征在于，所述方法还包括以下至少之一：
按照不同的文件夹对所述植物生长区域的灌水状态进行分类，得到所述灌水状态的标签；
通过文件夹的文件名上包含所述灌水状态所属的种类的字符串，对所述灌水状态进行分类，得到所述灌水状态的标签。
8.根据权利要求1所述的方法，其特征在于，所述目标灌水状态包括：所述目标灌水状态所属的种类和/或所述目标灌水状态所属的种类的概率，其中，所述目标灌水状态所属的种类通过所述目标植物生长区域中的覆盖水的区域进行确定。
9.根据权利要求8所述的方法，其特征在于，所述目标灌水状态所属的种类包括以下之一：
第一状态，其中，处于所述第一状态的所述目标植物生长区域包括覆盖水的区域；
第二状态，其中，处于所述第二状态的所述目标植物生长区域未包括覆盖水的区域。
10.根据权利要求9所述的方法，其特征在于，所述第一状态包括以下至少之一：
第一子状态，其中，处于所述第一子状态的所述目标植物生长区域中覆盖水的区域与所述目标植物生长区域的占比小于第一阈值；
第二子状态，其中，处于所述第二子状态的所述目标植物生长区域中覆盖水的区域与未覆盖水的区域之间具有差值绝对值，所述差值绝对值与所述目标植物生长区域的占比小于第二阈值；
第三子状态，其中，处于所述第三子状态的所述目标植物生长区域中覆盖水的区域与所述目标植物生长区域的占比超过第三阈值。
11.根据权利要求1至10中任意一项所述的方法，其特征在于，所述目标图像为在所述目标植物生长区域的上空对所述目标植物生长区域进行俯拍得到，所述图像样本为在所述植物生长区域的上空对所述植物生长区域进行俯拍得到。
12.一种植物生长区域的灌水状态的识别方法，其特征在于，包括：
在交互界面上输入并显示目标植物生长区域的目标图像；
在所述交互界面上显示所述目标植物生长区域的目标灌水状态，所述目标灌水状态用于指示目标植物生长区域中可积水的区域的多少；其中，所述目标灌水状态为基于多个子灌水状态确定得到，所述多个子灌水状态为通过第一深度学习网络模型分别对多张子图像进行识别得到，所述多个子灌水状态与所述多张子图像一一对应，所述第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，所述多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及所述图像样本与所述灌水状态的标签之间的对应关系；所述灌水状态的标签基于所述植物生长区域中覆盖水的区域或未覆盖水的区域与所述植物生长区域的占比确定得到。
13.根据权利要求12所述的方法，其特征在于，在所述交互界面上显示所述目标植物生长区域的目标灌水状态，包括：
在所述交互界面上显示所述目标灌水状态所属的种类和/或所述目标灌水状态所属的种类的概率，其中，所述目标灌水状态所属的种类通过所述目标植物生长区域中的覆盖水的区域进行确定。
14.一种植物生长区域的灌水状态的识别方法，其特征在于，通过权利要求1至13中任意一项所述的方法确定目标植物生长区域的目标灌水状态，所述方法还包括：
基于所述目标灌水状态确定所述目标植物生长区域中的水量；
在所述水量高于第四阈值的情况下，从所述目标植物生长区域中排水；
在所述水量低于第五阈值的情况下，向所述目标植物生长区域中灌水。
15.一种植物生长区域的灌水状态的识别方法，其特征在于，在通过处于开启状态的水阀向所述目标植物生长区域中灌水的过程中，通过权利要求1至13中任意一项所述的方法确定目标植物生长区域的目标灌水状态，所述方法还包括：
基于所述目标灌水状态确定所述目标植物生长区域中的水量；
在所述水量达到第六阈值的情况下，控制所述水阀由所述开启状态转换为关闭状态；
在所述水量未达到所述第六阈值的情况下，控制所述水阀保持所述开启状态。
16.一种植物生长区域的灌水状态的识别方法，其特征在于，通过权利要求1至13中任意一项所述的方法确定目标植物生长区域的目标灌水状态，所述方法还包括：
基于所述目标灌水状态确定目标灌水深度；
获取与所述目标灌水深度对应的灌水量；
基于所述灌水量向所述目标植物生长区域中灌水。
17.一种植物生长区域的灌水状态的识别装置，其特征在于，包括：
获取单元，用于获取目标植物生长区域的目标图像，并对所述目标图像进行切图处理，得到多张子图像；
识别单元，用于基于第一深度学习网络模型，分别对所述多张子图像进行识别，得到多个子灌水状态，并基于所述多个子灌水状态确定目标灌水状态，所述目标灌水状态用于指示目标植物生长区域中可积水的区域的多少；其中，所述多个子灌水状态与所述多张子图像一一对应，所述第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，所述多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及所述图像样本与所述灌水状态的标签之间的对应关系；所述灌水状态的标签基于所述植物生长区域中覆盖水的区域或未覆盖水的区域与所述植物生长区域的占比确定得到。
18.一种植物生长区域的灌水状态的识别装置，其特征在于，包括：
第一显示单元，用于在交互界面上输入并显示目标植物生长区域的目标图像；
第二显示单元，用于在所述交互界面上显示所述目标植物生长区域的目标灌水状态，所述目标灌水状态用于指示目标植物生长区域中可积水的区域的多少；其中，所述目标灌水状态为基于多个子灌水状态确定得到，所述多个子灌水状态为通过第一深度学习网络模型分别对多张子图像进行识别得到，所述多个子灌水状态与所述多张子图像一一对应，所述第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，所述多组样本数据中的每组数据均包括：植物生长区域的图像样本的多张子图像样本、灌水状态的标签，以及所述图像样本与所述灌水状态的标签之间的对应关系；所述灌水状态的标签基于所述植物生长区域中覆盖水的区域或未覆盖水的区域与所述植物生长区域的占比确定得到。
19.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序被处理器运行时控制所述存储介质所在设备执行权利要求1至16中任意一项所述的方法。
20.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至16中任意一项所述的方法。
CN202010537569.7A 2020-06-12 2020-06-12 植物生长区域的灌水状态的识别方法、装置和存储介质 Active CN113807132B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010537569.7A CN113807132B (zh) 2020-06-12 2020-06-12 植物生长区域的灌水状态的识别方法、装置和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010537569.7A CN113807132B (zh) 2020-06-12 2020-06-12 植物生长区域的灌水状态的识别方法、装置和存储介质

Publications (2)

Publication Number Publication Date
CN113807132A CN113807132A (zh) 2021-12-17
CN113807132B true CN113807132B (zh) 2023-05-02

Family

ID=78892211

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010537569.7A Active CN113807132B (zh) 2020-06-12 2020-06-12 植物生长区域的灌水状态的识别方法、装置和存储介质

Country Status (1)

Country Link
CN (1) CN113807132B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117036954B (zh) * 2023-08-22 2024-04-26 生态环境部南京环境科学研究所 一种植物区长势识别方法及系统
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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3425372A1 (en) * 2016-02-29 2019-01-09 Panasonic Intellectual Property Management Co., Ltd. Moisture content observation device, moisture content observation method, and cultivation device

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103424160B (zh) * 2013-08-26 2016-03-02 浙江大学 一种测量稻田持水层水位深度的方法
CN109815846B (zh) * 2018-12-29 2021-08-27 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
CN110070101B (zh) * 2019-03-12 2024-05-14 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
CN110169336A (zh) * 2019-06-21 2019-08-27 昆山千亿圆生物科技有限公司 一种大棚种植灌溉系统及方法
CN111178445A (zh) * 2019-12-31 2020-05-19 上海商汤智能科技有限公司 图像处理方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3425372A1 (en) * 2016-02-29 2019-01-09 Panasonic Intellectual Property Management Co., Ltd. Moisture content observation device, moisture content observation method, and cultivation device

Also Published As

Publication number Publication date
CN113807132A (zh) 2021-12-17

Similar Documents

Publication Publication Date Title
CN110378909B (zh) 基于Faster R-CNN的面向激光点云的单木分割方法
Tellaeche et al. A new vision-based approach to differential spraying in precision agriculture
CN113392775B (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
CN113807132B (zh) 植物生长区域的灌水状态的识别方法、装置和存储介质
Linker Machine learning based analysis of night-time images for yield prediction in apple orchard
KR20180057785A (ko) 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법
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.)
CN104751199A (zh) 一种棉花裂铃期自动检测方法
CN106971409B (zh) 玉米冠层叶色建模系统及方法
CN107680098A (zh) 一种甘蔗蔗节特征的识别方法
CN110188657A (zh) 基于卷曲叶片检测的玉米干旱识别方法
CN112580671A (zh) 一种基于深度学习的稻穗多发育期自动检测方法及系统
Tubau Comas et al. Automatic apple tree blossom estimation from UAV RGB imagery
CN107886497A (zh) 一种基于图像的小麦旗叶无损自动检测及测量方法
CN104573701A (zh) 一种玉米雄穗性状的自动检测方法
CN113807143A (zh) 作物连通域的识别方法、装置及作业系统
Li et al. Image processing for crop/weed discrimination in fields with high weed pressure
CN113807133B (zh) 植物生长区域的灌水状态的识别方法、装置和存储介质
CN116883309A (zh) 一种大豆表型获取方法
CN116416523A (zh) 一种基于机器学习的水稻生长阶段的识别系统和方法
CN116258844A (zh) 一种棉花叶片表型性状快速精准鉴定方法
WO2022137242A1 (en) Deep learning system for estimating object volume, weight and crop yields based on remote imaging
Saliola Object-based image analysis for the delineation of canopy gaps and individual tree crowns using multi-source data: A case study in Haliburton Forest, Ontario
Yihang et al. Automatic recognition of rape seeding emergence stage based on computer vision technology
CN112488230A (zh) 基于机器学习的作物水分胁迫程度判定方法和装置

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