CN113807133B - 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 PDFInfo
- Publication number
- CN113807133B CN113807133B CN202010537591.1A CN202010537591A CN113807133B CN 113807133 B CN113807133 B CN 113807133B CN 202010537591 A CN202010537591 A CN 202010537591A CN 113807133 B CN113807133 B CN 113807133B
- Authority
- CN
- China
- Prior art keywords
- target
- state
- deep learning
- image
- irrigation
- 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
- 230000008635 plant growth Effects 0.000 title claims abstract description 239
- 238000003973 irrigation Methods 0.000 title claims abstract description 222
- 230000002262 irrigation Effects 0.000 title claims abstract description 222
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 190
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 172
- 238000012360 testing method Methods 0.000 claims description 132
- 238000012549 training Methods 0.000 claims description 114
- 230000000875 corresponding effect Effects 0.000 claims description 38
- 238000005457 optimization Methods 0.000 claims description 38
- 238000013136 deep learning model Methods 0.000 claims description 35
- 238000007781 pre-processing Methods 0.000 claims description 34
- 230000002452 interceptive effect Effects 0.000 claims description 25
- 230000002596 correlated effect Effects 0.000 claims description 24
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 6
- 239000000758 substrate Substances 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 description 124
- 238000013527 convolutional neural network Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000007788 liquid Substances 0.000 description 6
- 241000209094 Oryza Species 0.000 description 5
- 235000007164 Oryza sativa Nutrition 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000003621 irrigation water Substances 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual 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
- G06F18/24—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)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Biology (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (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)
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。其中,该方法包括:获取目标植物生长区域的目标图像;基于第一深度学习网络模型,对目标图像进行识别,得到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、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
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;基于第一深度学习网络模型,对目标图像进行识别,得到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、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;其中,生成第一深度学习网络模型的方法包括:获取目标植物生长区域的多张图像样本,将多张图像样本作为第一数据集合,并确定多张图像样本的灌水状态的标签,将灌水状态的标签作为第二数据集合;将第一数据集合和第二数据集合进行关联,得到关联数据集,并将关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,训练数据和测试数据均包括预处理后的图像样本及对应的灌水状态的标签;采用训练数据训练得出第二深度学习网络模型,并将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果;根据测试结果生成优化参数,并采用优化参数优化第二深度学习模型,得到第一深度学习模型。
可选地,在获取目标植物生长区域的目标图像之前,该方法还包括:获取目标植物生长区域的原始图像;对原始图像进行预处理,得到目标图像,其中,目标图像与第一深度学习模型相匹配。
可选地,目标图像包括目标尺寸的图像,对原始图像进行预处理,得到目标图像,包括以下之一:对原始图像进行压缩处理,得到目标尺寸的图像;从原始图像中截取出目标比例的子图像,并对子图像进行压缩处理,得到目标尺寸的图像。
可选地,采用训练数据训练得出第二深度学习网络模型,包括:基于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;将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果,包括:基于测试数据中的测试图像对第二深度学习网络模型进行测试,得到测试结果;采用优化参数优化第二深度学习模型,得到第一深度学习模型,包括:基于优化参数调整第二深度学习网络模型的网络参数,得到第一深度学习网络模型。
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预处理,并将预处理后的原始图像样本、灌水状态的标签,以及预处理后的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,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,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。
可选地,目标图像为在目标植物生长区域的边缘区域对目标植物生长区域进行拍摄得到,图像样本为在植物生长区域的边缘区域对植物生长区域进行拍摄得到。
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第一深度学习网络模型对目标图像进行识别得到,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、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;其中,生成第一深度学习网络模型的方法包括:获取目标植物生长区域的多张图像样本,将多张图像样本作为第一数据集合,并确定多张图像样本的灌水状态的标签,将灌水状态的标签作为第二数据集合;将第一数据集合和第二数据集合进行关联,得到关联数据集,并将关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,训练数据和测试数据均包括预处理后的图像样本及对应的灌水状态的标签;采用训练数据训练得出第二深度学习网络模型,并将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果;根据测试结果生成优化参数,并采用优化参数优化第二深度学习模型,得到第一深度学习模型。
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,还提供了一种植物生长区域的灌水状态的识别方法。该方法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,还提供了一种植物生长区域的灌水状态的识别方法。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。
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方法。该方法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目标灌水状态的识别装置。该装置可以包括:获取单元,用于获取目标植物生长区域的目标图像;识别单元,用于基于第一深度学习网络模型,对目标图像进行识别,得到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:目标植物生长区域的图像样本、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;其中,该装置用于通过以下步骤来生成第一深度学习网络模型:获取目标植物生长区域的多张图像样本,将多张图像样本作为第一数据集合,并确定多张图像样本的灌水状态的标签,将灌水状态的标签作为第二数据集合;将第一数据集合和第二数据集合进行关联,得到关联数据集,并将关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,训练数据和测试数据均包括预处理后的图像样本及对应的灌水状态的标签;采用训练数据训练得出第二深度学习网络模型,并将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果;根据测试结果生成优化参数,并采用优化参数优化第二深度学习模型,得到第一深度学习模型。
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目标灌水状态的识别装置。该装置可以包括: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第一深度学习网络模型对目标图像进行识别得到,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、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其中,该装置用于通过以下步骤来生成第一深度学习网络模型:获取目标植物生长区域的多张图像样本,将多张图像样本作为第一数据集合,并确定多张图像样本的灌水状态的标签,将灌水状态的标签作为第二数据集合;将第一数据集合和第二数据集合进行关联,得到关联数据集,并将关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,训练数据和测试数据均包括预处理后的图像样本及对应的灌水状态的标签;采用训练数据训练得出第二深度学习网络模型,并将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果;根据测试结果生成优化参数,并采用优化参数优化第二深度学习模型,得到第一深度学习模型。
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目标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目标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;基于第一深度学习网络模型,对目标图像进行识别,得到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、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、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的方法的流程图;
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田边拍摄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在田边拍摄的处于缺水状态的稻田的示意图;
图8是根据本发明实施例的一种在田边拍摄的处于浅水状态的稻田的示意图;
图9是根据本发明实施例的一种在田边拍摄的处于深水状态的稻田的示意图;
图10是根据本发明实施例的一种植物生长区域的目标灌水状态的识别装置的示意图;以及
图11是根据本发明实施例的另一种植物生长区域的目标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的方法的实施例,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的方法的流程图。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。
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,该植物为水稻等,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边缘区域对目标植物生长区域进行拍摄来得到目标图像,该拍摄的方式可以包括但不限于在目标植物生长区域的边缘区域通过图像采集设备对目标植物生长区域进行拍摄,该图像采集设备可以为任何可以用于实现拍摄功能的设备,比如,为带有摄像头的手机、照相机等,该图像采集设备还可以固定在目标植物生长区域的边缘区域,还可以是具有拍摄功能的无人机,该无人机可以通过在目标植物生长区域近地面飞行倾斜来对目标植物生长区域进行拍摄,以得到目标植物生长区域的目标图像。
步骤S104,基于第一深度学习网络模型,对目标图像进行识别,得到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为使用多组样本数据通过深度学习训练出的。
在本发明上述步骤S104提供的技术方案中,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、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,可以将上述目标图像的数据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目标图像进行识别,得到识别结果,该识别结果为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大量的植物生长区域的图像样本、用于指示植物生长区域的灌水状态的标签以及建立图像样本与对应的灌水状态之间的对应关系的标签,其中,灌水状态可以用于指示植物生长区域当前所覆盖水的区域的多少。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。
可选地,在该实施例中,生成第一深度学习网络模型的方法包括:获取目标植物生长区域的多张图像样本,将多张图像样本作为第一数据集合,并确定多张图像样本的灌水状态的标签,将灌水状态的标签作为第二数据集合;将第一数据集合和第二数据集合进行关联,得到关联数据集,并将关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,训练数据和测试数据均包括预处理后的图像样本及对应的灌水状态的标签;采用训练数据训练得出第二深度学习网络模型,并将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果;根据测试结果生成优化参数,并采用优化参数优化第二深度学习模型,得到第一深度学习模型。
在该实施例中,预先采集目标植物生长区域的多张图像样本,可以是在目标植物生长区域的边缘区域通过图像采集设备对其进行拍摄,该图像采集设备可以固定在目标植物生长区域的边缘区域,还可以是具有拍摄功能的无人机,该无人机可以通过在目标植物生长区域近地面飞行倾斜来对其进行拍摄,从而得到多张图像样本。该实施例将上述得到的多张图像样本作为第一数据集合,并且分别获取多张图像样本对应的灌水状态的标签,,灌水标签例如为“缺水”、“无水”、“水满”、“水过多”、“部分缺水”等,将灌水状态的标签作为第二数据集合,进而将第一数据集合和第二数据集合进行关联,得到关联数据集。在关联过程中,不仅仅包括简单的关联方式,同样的一张图像样本也可以标记多种标签,例如在一个样本中标记“缺水概率40%,无水概率10%,水满概率30%,水过多概率20%”,在该实施例中采用的是一张图像样本中标记多个标签的情况;又如在另一个样本中标记“缺水99%,无水1%”;在得到关联数据集之后,可以对关联数据集进行预处理,得到至少一组训练数据和至少一组测试数据,该至少一组训练数据和至少一组测试数据符合训练第一深度学习网络模型的要求,其中,训练数据和测试数据均可以包括预处理后的图像样本以及对应的灌水状态的标签,例如训练数据可以占95%,测试数据可以占5%。该实施例可以先通过训练数据训练得出第二深度学习网络模型,然后从测试数据中提取出测试图像,将测试图像输入至第二深度学习网络模型中,以得到测试结果,进而根据测试结果生成用于对上述第二深度学习网络模型进行优化的优化参数,从而可以采用优化参数优化第二深度学习模型,得到第一深度学习模型。
优选地,在多组训练数据集中采样的时候可以将其中任意标签概率大于一定值的数据作为一个训练数据集合,例如将缺水标签的大于40%的图像作为一个集合,将水满标签大于30%的图像作为一个集合,训练时可以训练多次,每一次都从其中任意多个集合中选取任意多张样本。
测试数据集合用于对训练好的训练模型进行优化,且可以进行多次优化,在优化过程中可以采用输出图像和收集反馈的方式去优化,将训练数据集输入到训练模型中,查看第二神经识别网络的识别结果与其本身的标签的差异值,如果差异较大,则将差异较大的图像重新存储至所述测试数据集合中作为下一次优化过程中随机取样的候选对象,直到训练结果满足识别要求则得到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;基于第一深度学习网络模型,对目标图像进行识别,得到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、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。
下面对该实施例的植物生长区域的灌水状态的识别方法进行详细介绍。
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前,该方法还包括:获取目标植物生长区域的原始图像;对原始图像进行预处理,得到目标图像,其中,目标图像与第一深度学习模型相匹配。
在该实施例中,目标植物生长区域的目标图像可以为通过对原始图像进行预处理所得到的图像。获取目标植物生长区域的原始图像,可以对目标植物生长区域进行拍摄,来直接得到上述原始图像,该拍摄的方式可以包括但不限于在目标植物生长区域的边缘区域通过图像采集设备对目标植物生长区域进行拍摄,该图像采集设备还可以固定在目标植物生长区域的边缘区域,还可以是具有拍摄功能的无人机,该无人机可以通过在目标植物生长区域近地面飞行倾斜来对目标植物生长区域进行拍摄,来直接得到原始图像。
在获取目标植物生长区域的原始图像之后,可以对原始图像进行预处理,以得到与第一深度学习网络模型相匹配的目标图像,也即,得到第一深度学习网络模型能够处理的目标图像。可选地,该实施例的预处理方式为在尽可能地满足第一深度学习网络模型的输入要求的情况下,要尽可能地保留目标植物生长区域的原始图像的信息的处理方式。
下面对该实施例的对原始图像进行预处理的方式进行介绍。
作为一种可选的实施方式,目标图像包括目标尺寸的图像,对原始图像进行预处理,得到目标图像,包括以下之一:对原始图像进行压缩处理,得到目标尺寸的图像;从原始图像中截取出目标比例的子图像,并对子图像进行压缩处理,得到目标尺寸的图像。
在该实施例中,在对目标植物生长区域的原始图像进行预处理时,可以对原始图像进行压缩处理,将其压缩至目标尺寸的图像,将该目标尺寸的图像确定为目标图像,其中,目标尺寸为符合第一深度学习网络模型的输入图像所要求的尺寸大小,比如,可以包括但不限于压缩原始图像至目标尺寸为512×512大小的目标图像;可选地,该实施例还可以从原始图像下方中截取出目标比例的子图像,该目标比例可以为三分之二,进而再将目标比例的子图像压缩至第一深度学习网络模型要求的目标尺寸的图像,将其确定为上述目标图像。
需要说明的是,该实施例的上述对目标植物生长区域的原始图像进行预处理的方式仅为本发明实施例的一种举例,并不代表本发明实施例的对原始图像进行预处理的方式仅为上述,任何可以将目标植物生长区域的原始图像处理为第一深度学习网络模型所要求的尺寸的图像的方式都在该实施例的范围之内,此处不再一一举例说明。
下面对该实施例的上述生成第一深度学习网络模型的方法进行进一步地介绍。
作为一种可选的实施方式,采用训练数据训练得出第二深度学习网络模型,包括:基于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;将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果,包括:基于测试数据中的测试图像对第二深度学习网络模型进行测试,得到测试结果;采用优化参数优化第二深度学习模型,得到第一深度学习模型,包括:基于优化参数调整第二深度学习网络模型的网络参数,得到第一深度学习网络模型。
在该实施例中,在实现采用训练数据训练得出第二深度学习网络模型时,需要通过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训练数据时,可以对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,得到目标植物生长区域的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,该实施例通过该测试数据的测试图像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,根据测试结果生成优化参数,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,通过优化参数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预处理,并将预处理后的原始图像样本、灌水状态的标签,以及预处理后的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,可以对不同的植物生长区域进行拍摄,来直接得到不同的植物生长区域的原始图像样本,该拍摄的方式可以包括但不限于在不同的植物生长区域的边缘区域通过图像采集设备对不同的植物生长区域进行拍摄,该图像采集设备可以固定在植物生长区域的边缘区域,还可以是具有拍摄功能的无人机,该无人机可以通过在不同植物生长区域近地面飞行倾斜来对不同的植物生长区域进行拍摄,来直接得到原始图像样本。
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预处理,可以包括但不限于将原始图像样本进行压缩处理,得到目标尺寸的图像样本;从原始图像样本中截取出目标比例的子图像,并对子图像进行压缩处理,得到目标尺寸的图像样本。
在对原始图像样本进行预处理之后,可以将预处理后的原始图像样本、灌水状态的标签,以及预处理后的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,其中,未覆盖水的区域可以是裸土区域,上述差值绝对值与目标植物生长区域的占比小于第二阈值,可以是覆盖水的区域与未覆盖水的区域大致相当(对于不平的地面),则该植物生长区域的灌水状态为浅水状态,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,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。
下面从用户交互角度对该实施例的植物生长区域的目标灌水状态的识别方法进行介绍。
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,然后将其输入至交互界面上并显示,可以在目标植物生长区域的边缘区域对目标植物生长区域进行拍摄来得到目标图像,该拍摄的方式可以包括但不限于在目标植物生长区域的边缘区域通过图像采集设备对目标植物生长区域进行拍摄,该图像采集设备可以为任何可以用于实现拍摄功能的设备,还可以固定在目标植物生长区域的边缘区域,还可以是具有拍摄功能的无人机,该无人机可以通过在目标植物生长区域近地面飞行倾斜来对目标植物生长区域进行拍摄,以得到目标植物生长区域的目标图像,进而在交互界面上输入并显示目标植物生长区域的目标图像。
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第一深度学习网络模型对目标图像进行识别得到,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。
在本发明上述步骤S204提供的技术方案中,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、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。
在该实施例中,在获取目标植物生长区域的目标图像之后,可以将上述目标图像的数据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目标图像进行识别,得到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至交互界面,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,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大量的植物生长区域的图像样本、用于指示植物生长区域的灌水状态的标签以及建立图像样本与对应的灌水状态之间的对应关系的标签。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。
可选地,在该实施例中,生成第一深度学习网络模型的方法包括:获取目标植物生长区域的多张图像样本,将多张图像样本作为第一数据集合,并确定多张图像样本的灌水状态的标签,将灌水状态的标签作为第二数据集合;将第一数据集合和第二数据集合进行关联,得到关联数据集,并将关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,训练数据和测试数据均包括预处理后的图像样本及对应的灌水状态的标签;采用训练数据训练得出第二深度学习网络模型,并将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果;根据测试结果生成优化参数,并采用优化参数优化第二深度学习模型,得到第一深度学习模型。
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第一深度学习网络模型对目标图像进行识别得到,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、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,该实施例仅需要将交互界面上显示的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、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,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,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进行举例说明。
在该实施例中,通过田边拍摄的稻田照片来识别稻田的灌水状态,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田边拍摄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,获取田边拍摄的稻田照片。
在该实施例中,稻田照片的拍摄方式可以包括但不限于在稻田边使用手机进行拍摄、通过固定在田边的摄像头进行拍摄、通过摄影无人机近地面飞行倾斜进行拍摄。
步骤S302,对稻田照片进行标注。
在该实施例中,对稻田照片进行标注(打标签),也即,对稻田照片进行人工分类,其依据为视野中稻田内的可积水的区域中,可以包括缺水状态(0-Dry)、浅水状态(1-Mid)和深水状态(2-Ful)。
步骤S303,对稻田照片进行预处理,将处理后的稻田照片和对应的标注数据确定为样本数据。
在该实施例中,预处理的作用是在尽可能地满足深度学习网络的输入要求的情况下,尽可能地保留原稻田照片的信息。预处理的方法包括但不限于压缩原稻田照片至512×512大小的图片,从原稻田照片截取下方三分之二的部分并对这部分缩小至符合深度学习网络要求的尺寸大小,得到样本数据。
步骤S304,从样本数据中确定出训练数据。
该实施例的训练数据可以样本数据的95%。
步骤S305,从样本数据中确定测试数据。
该实施例的测试数据可以样本数据的5%。
步骤S306,通过样本数据中的训练数据对深度学习网络模型进行训练。
在该实施例中,深度学习网络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,确定训练得到的深度学习网络模型。
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,获取由无人机拍摄得到的待识别的稻田照片。
步骤S311,对待识别的稻田照片进行预处理。
该实施例对待识别的稻田照片进行预处理,以尽可能地满足深度学习网络的输入要求的情况下,尽可能地保留原待识别的稻田照片的信息。预处理的方法包括但不限于压缩原待识别的稻田照片至512x512大小的图片,从原待识别的稻田照片截取下方三分之二的部分并对这部分缩小至符合深度学习网络要求的尺寸大小。
步骤S312,利用训练好的深度学习网络模型预测,对输入的预处理后的待识别的稻田照片进行识别,得到待识别的稻田属于哪种灌水状态,以及对应的概率。
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,对其进行预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,对该图片进行预处理,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,对其进行预处理,从预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,对其进行预处理,从预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。
图7是根据本发明实施例的一种在田边拍摄的处于缺水状态的稻田的示意图。如图7所示,缺水状态(0-Dry),覆盖水的区域可以少于整个稻田区域的10%(10%针对地势特别低的坑)。
图8是根据本发明实施例的一种在田边拍摄的处于浅水状态的稻田的示意图。如图8所示,浅水状态(1-Mid),覆盖水的区域可以与未覆盖水的区域大致相当(对于不平的土面)。
图9是根据本发明实施例的一种在田边拍摄的处于深水状态的稻田的示意图。如图9所示,深水状态(2-Ful),覆盖水的区域可以超过整个稻田区域的90%(整个稻田区域的10%用于除去地势特别高的土)。
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,训练出可以用于识别出植物生长区域的灌水状态的深度学习网络模型,然后在任何需要识别出植物生长区域的灌水状态的场景下,都可以将待识别的植物生长区域的图像直接输入至训练好的深度学习网络模型中进行处理,从而直接得到待识别的植物生长区域的灌水状态,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目标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目标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目标灌水状态的识别方法。
图10是根据本发明实施例的一种植物生长区域的目标灌水状态的识别装置的示意图。如图10所示,该植物生长区域的目标灌水状态的识别装置100可以包括:获取单元101和识别单元102。
获取单元101,用于获取目标植物生长区域的目标图像。
识别单元102,用于基于第一深度学习网络模型,对目标图像进行识别,得到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:目标植物生长区域的图像样本、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,该实施例的装置用于通过以下步骤来生成第一深度学习网络模型:获取目标植物生长区域的多张图像样本,将多张图像样本作为第一数据集合,并确定多张图像样本的灌水状态的标签,将灌水状态的标签作为第二数据集合;将第一数据集合和第二数据集合进行关联,得到关联数据集,并将关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,训练数据和测试数据均包括预处理后的图像样本及对应的灌水状态的标签;采用训练数据训练得出第二深度学习网络模型,并将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果;根据测试结果生成优化参数,并采用优化参数优化第二深度学习模型,得到第一深度学习模型。
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。需要说明的是,该实施例的植物生长区域的目标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目标灌水状态的识别方法。
图11是根据本发明实施例的另一种植物生长区域的目标灌水状态的识别装置的示意图。如图11所示,该植物生长区域的目标灌水状态的识别装置110可以包括:第一显示单元111和第二显示单元112。
第一显示单元111,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112,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第一深度学习网络模型对目标图像进行识别得到,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、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,该实施例的装置用于通过以下步骤来生成第一深度学习网络模型:获取目标植物生长区域的多张图像样本,将多张图像样本作为第一数据集合,并确定多张图像样本的灌水状态的标签,将灌水状态的标签作为第二数据集合;将第一数据集合和第二数据集合进行关联,得到关联数据集,并将关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,训练数据和测试数据均包括预处理后的图像样本及对应的灌水状态的标签;采用训练数据训练得出第二深度学习网络模型,并将测试数据中的测试图像输入至第二深度学习网络模型中,得到测试结果;根据测试结果生成优化参数,并采用优化参数优化第二深度学习模型,得到第一深度学习模型。
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。
在该实施例的植物生长区域的灌水状态的识别装置中,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、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目标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目标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 (18)
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;
基于第一深度学习网络模型,对所述目标图像进行识别,得到所述目标植物生长区域的目标灌水状态,其中,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、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;
其中,生成所述第一深度学习网络模型的方法包括:
获取所述目标植物生长区域的多张图像样本,将所述多张图像样本作为第一数据集合,并确定所述多张图像样本的灌水状态的标签,将所述灌水状态的标签作为第二数据集合;
将所述第一数据集合和所述第二数据集合进行关联,得到关联数据集,并将所述关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,所述训练数据和所述测试数据均包括预处理后的图像样本及对应的灌水状态的标签;
采用所述训练数据训练得出第二深度学习网络模型,并将所述测试数据中的测试图像输入至所述第二深度学习网络模型中,得到测试结果;
根据所述测试结果生成优化参数,并采用所述优化参数优化所述第二深度学习模型,得到所述第一深度学习模型。
2.根据权利要求1所述的方法,其特征在于,在获取所述目标植物生长区域的目标图像之前,所述方法还包括:
获取所述目标植物生长区域的原始图像;
对所述原始图像进行预处理,得到所述目标图像,其中,所述目标图像与所述第一深度学习模型相匹配。
3.根据权利要求2所述的方法,其特征在于,所述目标图像包括目标尺寸的图像,对所述原始图像进行预处理,得到所述目标图像,包括以下之一:
对所述原始图像进行压缩处理,得到所述目标尺寸的图像;
从所述原始图像中截取出目标比例的子图像,并对所述子图像进行压缩处理,得到所述目标尺寸的图像。
4.根据权利要求1所述的方法,其特征在于,
采用所述训练数据训练得出第二深度学习网络模型,包括:基于所述训练数据对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;
将所述测试数据中的测试图像输入至所述第二深度学习网络模型中,得到测试结果,包括:基于所述测试数据中的测试图像对所述第二深度学习网络模型进行测试,得到所述测试结果;
采用所述优化参数优化所述第二深度学习模型,得到所述第一深度学习模型,包括:基于所述优化参数调整所述第二深度学习网络模型的网络参数,得到所述第一深度学习网络模型。
5.根据权利要求4所述的方法,其特征在于,在基于所述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预处理,并将预处理后的所述原始图像样本、所述灌水状态的标签,以及所述预处理后的所述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。
6.根据权利要求1至5中任意一项所述的方法,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。
7.根据权利要求6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。
8.根据权利要求7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目标植物生长区域的占比超过第三阈值。
9.根据权利要求1至5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边缘区域对所述目标植物生长区域进行拍摄得到,所述图像样本为在所述植物生长区域的边缘区域对所述植物生长区域进行拍摄得到。
10.一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,其中,所述目标灌水状态为基于第一深度学习网络模型对所述目标图像进行识别得到,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、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;
其中,生成所述第一深度学习网络模型的方法包括:
获取所述目标植物生长区域的多张图像样本,将所述多张图像样本作为第一数据集合,并确定所述多张图像样本的灌水状态的标签,将所述灌水状态的标签作为第二数据集合;
将所述第一数据集合和所述第二数据集合进行关联,得到关联数据集,并将所述关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,所述训练数据和所述测试数据均包括预处理后的图像样本及对应的灌水状态的标签;
采用所述训练数据训练得出第二深度学习网络模型,并将所述测试数据中的测试图像输入至所述第二深度学习网络模型中,得到测试结果;
根据所述测试结果生成优化参数,并采用所述优化参数优化所述第二深度学习模型,得到所述第一深度学习模型。
11.根据权利要求10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。
12.一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11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。
13.一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11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。
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11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。
15.一种植物生长区域的目标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;
识别单元,用于基于第一深度学习网络模型,对所述目标图像进行识别,得到所述目标植物生长区域的目标灌水状态,其中,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:目标植物生长区域的图像样本、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;
其中,所述装置用于通过以下步骤来生成所述第一深度学习网络模型:
获取所述目标植物生长区域的多张图像样本,将所述多张图像样本作为第一数据集合,并确定所述多张图像样本的灌水状态的标签,将所述灌水状态的标签作为第二数据集合;
将所述第一数据集合和所述第二数据集合进行关联,得到关联数据集,并将所述关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,所述训练数据和所述测试数据均包括预处理后的图像样本及对应的灌水状态的标签;
采用所述训练数据训练得出第二深度学习网络模型,并将所述测试数据中的测试图像输入至所述第二深度学习网络模型中,得到测试结果;
根据所述测试结果生成优化参数,并采用所述优化参数优化所述第二深度学习模型,得到所述第一深度学习模型。
16.一种植物生长区域的目标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,其中,所述目标灌水状态为基于第一深度学习网络模型对所述目标图像进行识别得到,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、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;
其中,所述装置用于通过以下步骤来生成所述第一深度学习网络模型:
获取所述目标植物生长区域的多张图像样本,将所述多张图像样本作为第一数据集合,并确定所述多张图像样本的灌水状态的标签,将所述灌水状态的标签作为第二数据集合;
将所述第一数据集合和所述第二数据集合进行关联,得到关联数据集,并将所述关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据,其中,所述训练数据和所述测试数据均包括预处理后的图像样本及对应的灌水状态的标签;
采用所述训练数据训练得出第二深度学习网络模型,并将所述测试数据中的测试图像输入至所述第二深度学习网络模型中,得到测试结果;
根据所述测试结果生成优化参数,并采用所述优化参数优化所述第二深度学习模型,得到所述第一深度学习模型。
17.一种存储介质,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14中任意一项所述的方法。
18.一种处理器,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14中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537591.1A CN113807133B (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 |
---|---|---|---|
CN202010537591.1A CN113807133B (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 |
---|---|
CN113807133A CN113807133A (zh) | 2021-12-17 |
CN113807133B true CN113807133B (zh) | 2023-09-01 |
Family
ID=78892219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010537591.1A Active CN113807133B (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) | CN113807133B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018157862A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置、存储介质、电子装置 |
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 |
CN109871885A (zh) * | 2019-01-28 | 2019-06-11 | 南京林业大学 | 一种基于深度学习和植物分类学的植物识别方法 |
-
2020
- 2020-06-12 CN CN202010537591.1A patent/CN113807133B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018157862A1 (zh) * | 2017-03-02 | 2018-09-07 | 腾讯科技(深圳)有限公司 | 车型的识别方法和装置、存储介质、电子装置 |
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 |
CN109871885A (zh) * | 2019-01-28 | 2019-06-11 | 南京林业大学 | 一种基于深度学习和植物分类学的植物识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113807133A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jia et al. | Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot | |
Aquino et al. | Automated early yield prediction in vineyards from on-the-go image acquisition | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN109800697B (zh) | 基于VGG-net风格迁移的变压器目标检测与外观缺陷识别方法 | |
KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
CN102509085A (zh) | 基于轮廓不变矩特征的猪行走姿态识别系统和方法 | |
CN111141653B (zh) | 一种基于神经网络的隧道渗漏速率预测方法 | |
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 | |
CN112215217B (zh) | 模拟医师阅片的数字图像识别方法及装置 | |
CN105023272A (zh) | 农作物叶子虫害检测方法和系统 | |
CN112541383B (zh) | 杂草区域的识别方法和装置 | |
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 | |
CN111950812A (zh) | 一种自动识别与预测雨量的方法及其装置 | |
CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
CN116543386A (zh) | 一种基于卷积神经网络的农业病虫害图像识别方法 | |
Wang et al. | Extracting vegetation information from high dynamic range images with shadows: A comparison between deep learning and threshold methods | |
CN112883969B (zh) | 一种基于卷积神经网络的降雨强度检测方法 | |
CN114399664A (zh) | 植株种苗生长状态智能监测与控制方法及系统 | |
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 | |
CN112966698A (zh) | 基于轻量化卷积网络的淡水鱼图像实时识别方法 | |
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 | |
CN116563889A (zh) | 一种基于机器视觉的蛋鸡体重预估设备及方法 | |
CN102004537B (zh) | 系统上下电控制装置和方法 | |
CN116935235B (zh) | 基于采茶无人机的新鲜茶叶识别方法及相关装置 |
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 |