CN113850132A - 农作物识别方法、装置、设备及存储介质 - Google Patents

农作物识别方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113850132A
CN113850132A CN202110971442.0A CN202110971442A CN113850132A CN 113850132 A CN113850132 A CN 113850132A CN 202110971442 A CN202110971442 A CN 202110971442A CN 113850132 A CN113850132 A CN 113850132A
Authority
CN
China
Prior art keywords
crop
planting
determining
aerial vehicle
unmanned aerial
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202110971442.0A
Other languages
English (en)
Inventor
王有宁
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.)
Hubei Engineering University
Original Assignee
Hubei Engineering University
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 Hubei Engineering University filed Critical Hubei Engineering University
Priority to CN202110971442.0A priority Critical patent/CN113850132A/zh
Publication of CN113850132A publication Critical patent/CN113850132A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Agronomy & Crop Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Husbandry (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种农作物识别方法、装置、设备及存储介质。该方法包括：向无人机发送采集指令，以使无人机采集目标区域的高精度图像，根据无人机的位置信息将高精度图像与预设种植地图融合；对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态；获取当前时间，根据各种植区域对应的农作物品种、播种时间以及当前时间确定预期农作物状态；将当前农作物状态与预期农作物状态进行比对，得到农作物识别结果，从而确定各种植区域内农作物的生长状态。通过对无人机采集的高精度图像进行分析，确定各种植区域对应的农作物生长状态，避免采用存在较大主观性和局限性的人工识别，提高了农作物生长状态识别的准确性。

Description

农作物识别方法、装置、设备及存储介质
技术领域
本发明涉及图像处理技术领域，尤其涉及一种农作物识别方法、装置、设备及存储介质。
背景技术
传统的农作物生长情况的识别一般采用人工识别，即利用专业的园艺人员或者技术专家对农作物的生长情况进行判断，此种识别方式严重依赖园艺人员或者技术专家的知识和经验，存在较大的主观性和局限性，容易造成农作物生长状况识别的不准确；并且在面对大面积农作物生长区域时，识别效率低。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种农作物识别方法、装置、设备及存储介质，旨在解决现有的农作物生长情况由人工进行识别，人工识别方式存在较大的主观性和局限性的技术问题。
为实现上述目的，本发明提供了一种农作物识别方法，所述方法包括以下步骤：
向无人机发送采集指令，以使所述无人机根据所述采集指令采集目标区域的高精度图像，其中，所述无人机包括图像采集装置以及定位装置；
接收所述无人机采集的所述高精度图像，根据无人机的位置信息将所述高精度图像与预设种植地图融合，生成当前种植地图，其中，所述当前种植地图包括若干种植区域、各种植区域对应的高精度图像数据、农作物品种以及播种时间；
对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态；
获取当前时间，根据各种植区域对应的农作物品种、播种时间以及所述当前时间确定预期农作物状态；
将所述当前农作物状态与所述预期农作物状态进行比对，得到农作物识别结果；
根据所述农作物识别结果确定各种植区域内农作物的生长状态。
可选地，所述向无人机发送采集指令之前，所述方法还包括：
获取目标区域的位置信息；
将所述目标区域划分为若干种植区域；
获取各种植区域内种植的农作物品种以及播种时间；
根据所述位置信息、所述若干种植区域、所述农作物品种以及所述播种时间构建预设种植地图。
可选地，所述获取当前时间，根据各种植区域对应的农作物品种、播种时间以及所述当前时间确定预期农作物状态，包括：
获取当前时间，根据所述当前时间以及各种植区域对应的播种时间确定各种植区域对应的生长时间；
根据各种植区域对应的农作物品种以及生长时间从预设存储区域内查找对应的预期农作物状态。
可选地，所述对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态，包括：
将各种植区域对应的高精度图像数据进行二值化处理，得到二值化图像；
根据所述二值化图像确定各种植区域内农作物的疏密信息；
提取各种植区域对应的高精度图像数据的色彩参数，根据所述色彩参数确定各种植区域内农作物的成熟信息；
根据所述无人机执行采集指令时的飞行高度以及所述图像采集装置的内外参数确定各种植区域内农作物的高度信息；
根据所述疏密信息、所述成熟信息以及所述高度信息确定各种植区域对应的当前农作物状态。
可选地，所述根据所述农作物识别结果确定各种植区域内农作物的生长状态之后，所述方法还包括：
在根据所述农作物识别结果确定目标种植区域内农作物的生长状态不符合预设要求时，确定所述目标种植区域的目标位置信息；
根据所述目标位置信息向无人机发送目标采集指令，以使所述无人机按照预设高度飞行，采集所述目标种植区域的近距离图像数据；
根据所述近距离图像数据确定所述目标种植区域内农作物的特征信息；
根据所述特征信息确定所述目标种植区域内农作物对应的营养缺失元素。
可选地，所述根据所述近距离图像数据确定所述目标种植区域内农作物的特征信息，包括：
提取所述近距离图像数据的RGB色彩信息，根据所述RGB色彩信息确定所述目标种植区域内农作物的叶片颜色信息；
根据所述近距离图像数据确定所述目标种植区域内农作物的叶片形状信息；
将所述叶片颜色信息以及所述叶片形状信息作为所述目标种植区域内农作物的特征信息。
可选地，所述根据所述特征信息确定所述目标种植区域内农作物对应的营养缺失元素，包括：
根据所述特征信息确定目标种植区域内农作物对应的表现症状；
根据所述表现症状查找对应的营养缺失元素。
此外，为实现上述目的，本发明还提出一种农作物识别装置，所述农作物识别装置包括：
采集模块，用于向无人机发送采集指令，以使所述无人机根据所述采集指令采集目标区域的高精度图像，其中，所述无人机包括图像采集装置以及定位装置；
融合模块，用于接收所述无人机采集的所述高精度图像，根据无人机的位置信息将所述高精度图像与预设种植地图融合，生成当前种植地图，其中，所述当前种植地图包括若干种植区域、各种植区域对应的高精度图像数据、农作物品种以及播种时间；
分析模块，用于对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态；
确定模块，用于获取当前时间，根据各种植区域对应的农作物品种、播种时间以及所述当前时间确定预期农作物状态；
比对模块，用于将所述当前农作物状态与所述预期农作物状态进行比对，得到农作物识别结果；
所述确定模块，还用于根据所述农作物识别结果确定各种植区域内农作物的生长状态。
此外，为实现上述目的，本发明还提出一种农作物识别设备，所述农作物识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的农作物识别程序，所述农作物识别程序配置为实现如上文所述的农作物识别方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有农作物识别程序，所述农作物识别程序被处理器执行时实现如上文所述的农作物识别方法的步骤。
本发明通过向无人机发送采集指令，以使无人机根据采集指令采集目标区域的高精度图像，其中，无人机包括图像采集装置以及定位装置；接收无人机采集的高精度图像，根据无人机的位置信息将高精度图像与预设种植地图融合，生成当前种植地图，其中，当前种植地图包括若干种植区域、各种植区域对应的高精度图像数据、农作物品种以及播种时间；对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态；获取当前时间，根据各种植区域对应的农作物品种、播种时间以及当前时间确定预期农作物状态；将当前农作物状态与预期农作物状态进行比对，得到农作物识别结果；根据农作物识别结果确定各种植区域内农作物的生长状态。通过上述方式，对无人机采集的高精度图像与预设种植地图数据融合，对各种植区域的图像数据进行分析，以确定各种植区域对应的农作物生长状态，实现了自动对农作物生长状态进行识别，避免采用存在较大主观性和局限性的人工识别，提高了农作物生长状态识别的准确性。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的农作物识别设备的结构示意图；
图2为本发明农作物识别方法第一实施例的流程示意图；
图3为本发明农作物识别方法第二实施例的流程示意图；
图4为本发明农作物识别装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的农作物识别设备结构示意图。
如图1所示，该农作物识别设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对农作物识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及农作物识别程序。
在图1所示的农作物识别设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明农作物识别设备中的处理器1001、存储器1005可以设置在农作物识别设备中，所述农作物识别设备通过处理器1001调用存储器1005中存储的农作物识别程序，并执行本发明实施例提供的农作物识别方法。
本发明实施例提供了一种农作物识别方法，参照图2，图2为本发明农作物识别方法第一实施例的流程示意图。
本实施例中，所述农作物识别方法包括以下步骤：
步骤S10：向无人机发送采集指令，以使所述无人机根据所述采集指令采集目标区域的高精度图像，其中，所述无人机包括图像采集装置以及定位装置。
可以理解的是，本实施例的执行主体为农作物识别设备，所述农作物识别设备可以为处理器、计算机、服务器或者终端设备，还可以为其他具备相同或相似功能的设备，本实施例对此不加以限制。
需要说明的是，采集指令包括扫描区域信息以及高度信息，在具体实现中，农作物识别设备的存储区域存储有需要扫描的目标区域的位置信息以及默认高度信息，在接收到用户输入的农作物识别指令时，根据目标区域的位置信息以及默认高度信息向无人机发送采集指令。
应当理解的是，无人机包括图像采集装置、定位装置、飞行装置以及通信装置，其中，通信装置可以为与农作物识别设备实时通信的无线通信装置，也可以为有线通信装置，在无人机按照采集指令以默认高度采集目标区域的高精度图像数据后，在用户将无人机与农作物识别设备通过有线连接的操作下，无人机向农作物识别设备传输采集到的高精度图像。定位装置，用于定位无人机的当前位置，将当前位置发送给飞行装置。飞行装置，用于在采集指令的控制下，按照默认高度以及目标区域对应的位置进行匀速飞行，根据定位装置采集的当前位置信息进行位置判断。采集装置，用于在无人机飞行过程中，采集俯瞰高精度图像，采集装置设置为采集正下方图像数据。
进一步地，所述步骤S10之前，所述方法还包括：获取目标区域的位置信息；将所述目标区域划分为若干种植区域；获取各种植区域内种植的农作物品种以及播种时间；根据所述位置信息、所述若干种植区域、所述农作物品种以及所述播种时间构建预设种植地图。
需要说明的是，在进行农作物生长状态识别之前，提前对种植有农作物的目标区域进行位置标定，在具体实现中，可以提前通过包含定位装置的无人机对需要扫描的目标区域进行初始地图采集，从而确定目标区域的位置信息，将目标区域的位置信息存储在预设存储区域内。将目标区域划分为若干种植区域的过程可以对初始地图进行网格划分，从而得到若干种植区域，将目标区域划分为若干种植区域的过程还可以按照种植的农作物品种划分出种植区域，通过各农作物品种所种植的区域的边界线对应的位置信息对目标区域进行划分。
应当理解的是，农作物品种以及播种时间由用户进行标签设定，根据位置信息以及种植区域的划分确定了初始地图框架，根据用户设定的标签在各种植区域内设置对应的农作物品种以及播种时间，从而构建预设种植地图。
步骤S20：接收所述无人机采集的所述高精度图像，根据无人机的位置信息将所述高精度图像与预设种植地图融合，生成当前种植地图，其中，所述当前种植地图包括若干种植区域、各种植区域对应的高精度图像数据、农作物品种以及播种时间。
需要说明的是，位置信息可以为经纬度信息，根据无人机采集图像数据时对应的经纬度信息将高精度图像与预设种植地图融合，在进行地图融合时，根据无人机上安装的采集装置的内外参数对无人机采集的高精度图像进行矫正，以多帧高精度图像的中心图像、采集数据时对应的经纬度以及预设种植地图对应的经纬度作为基准，将高精度图像与预设种植地图融合，得到当前种植地图，在当前种植地图中包含预设种植地图对应的各种植区域以及各种植区域对应的农作物品种、播种时间，将高精度图像与各种植区域进行匹配对应，得到各种植区域对应的高精度图像数据。
步骤S30：对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态。
具体地，所述步骤S30，包括：将各种植区域对应的高精度图像数据进行二值化处理，得到二值化图像；根据所述二值化图像确定各种植区域内农作物的疏密信息；提取各种植区域对应的高精度图像数据的色彩参数，根据所述色彩参数确定各种植区域内农作物的成熟信息；根据所述无人机执行采集指令时的飞行高度以及所述图像采集装置的内外参数确定各种植区域内农作物的高度信息；根据所述疏密信息、所述成熟信息以及所述高度信息确定各种植区域对应的当前农作物状态。
可以理解的是，二值化处理的过程可以为计算像素的平均像素值，将像素值大于平均像素值的像素值设为255，将像素值小于等于平均像素值的像素值设为0。根据二值化图像中像素值255的像素点的分布位置以及个数确定农作物的疏密信息，在具体实现中，对各种植区域对应的二值化图像进行聚类处理，按照预设个数设置聚类个数，预设个数可以根据疏密信息中的中值确定，例如，种植区域大小中正常的农作物生长个数为10个，设置预设个数为10个，在按照预设个数进行聚类处理后，确定每个类中像素值255的像素点的个数，在每个类中像素值255的像素点均超过预设数值时，确定该种植区域内农作物密集；在每个类中像素值255的像素点均未超过预设数值时，确定该种植区域内农作物稀疏；在预设个数类中有的像素值255的像素点多，有的像素值255的像素点少，确定该种植区域内农作物较为稀疏。
需要说明的是，色彩参数可以为RGB色彩值，根据RGB色彩值确定各种植区域的农作物是否成熟，预先存储各农作物品种对应的成熟参数，如叶子的颜色、花苞颜色、花朵颜色以及果实颜色等等，根据高精度图像中采集的RGB色彩值与该农作物品种对应的成熟参数进行比对，从而确定各种植区域内农作物的成熟信息。
应当理解的是，预设存储区域存储有通过无人机在匀速行驶时采集各种植区域未种植农作物时的帧数，根据无人机当前采集装置采集各种植区域对应的帧数确定当前种植区域范围大小与未种植区域大小之比，根据飞行高度确定、内外参数以及范围之比确定农作物的高度信息。
需要说明的是，将各种植区域的疏密信息、成熟信息以及高度信息按照预先设定的格式存储，生成当前农作物状态，预先设定的格式可以为key-value格式，以便后续查找调用。
步骤S40：获取当前时间，根据各种植区域对应的农作物品种、播种时间以及所述当前时间确定预期农作物状态。
可以理解的是，预先根据用户的输入信息确定各农作物品种对应的生长周期，并采集各生长周期对应的样本数据作为预期农作物状态存储在预设存储区域内，以便进行农作物生长状态识别时从预设存储区域内查找对应的预期农作物状态。
具体地，所述步骤S40，包括：获取当前时间，根据所述当前时间以及各种植区域对应的播种时间确定各种植区域对应的生长时间；根据各种植区域对应的农作物品种以及生长时间从预设存储区域内查找对应的预期农作物状态。
可以理解的是，预设存储区域内存储的预期农作物状态与农作物品种以及生长时间范围对应，在根据当前时间以及播种时间确定生长时间后，确定生长时间所属于的生长时间范围，从预设存储区域内查找该农作物品种的该生长时间范围对应的预期农作物状态，预期农作物状态可以为农作物在该生长阶段(生长时间)对应的高度、颜色、是否开花结果等等。
步骤S50：将所述当前农作物状态与所述预期农作物状态进行比对，得到农作物识别结果。
需要说明的是，将各种植区域的成熟信息以及高度信息与预先存储的预期农作物状态进行比对，确定各种植区域的成熟信息以及高度信息是否满足预设要求，农作物识别结果包括农作物生长稀疏、当前成熟信息与预期成熟信息不符以及高度与预期高度不符。
步骤S60：根据所述农作物识别结果确定各种植区域内农作物的生长状态。
可以理解的是，根据农作物识别结果确定农作物是否存在存活率低、生长缓慢或者生长矮小的问题。
本实施例通过向无人机发送采集指令，以使无人机根据采集指令采集目标区域的高精度图像，其中，无人机包括图像采集装置以及定位装置；接收无人机采集的高精度图像，根据无人机的位置信息将高精度图像与预设种植地图融合，生成当前种植地图，其中，当前种植地图包括若干种植区域、各种植区域对应的高精度图像数据、农作物品种以及播种时间；对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态；获取当前时间，根据各种植区域对应的农作物品种、播种时间以及当前时间确定预期农作物状态；将当前农作物状态与预期农作物状态进行比对，得到农作物识别结果；根据农作物识别结果确定各种植区域内农作物的生长状态。通过上述方式，对无人机采集的高精度图像与预设种植地图数据融合，对各种植区域的图像数据进行分析，以确定各种植区域对应的农作物生长状态，实现了自动对农作物生长状态进行识别，避免采用存在较大主观性和局限性的人工识别，提高了农作物生长状态识别的准确性。
参考图3，图3为本发明农作物识别方法第二实施例的流程示意图。
基于上述第一实施例，本实施例农作物识别方法在所述步骤S60之后，还包括：
步骤S601：在根据所述农作物识别结果确定目标种植区域内农作物的生长状态不符合预设要求时，确定所述目标种植区域的目标位置信息。
可以理解的是，在某一种植区域的农作物较为稀疏或者生长缓慢或者生长矮小时，确定该种植区域内农作物的生长状态不符合预设要求，根据当前种植地图确定该种植区域的位置信息。
步骤S602：根据所述目标位置信息向无人机发送目标采集指令，以使所述无人机按照预设高度飞行，采集所述目标种植区域的近距离图像数据。
应当理解的是，预设高度根据目标种植区域内农作物的高度信息确定，具体方式可以将目标种植区域内农作物的高度加上预先设置的冗余高度，得到预设高度，根据预设高度以及目标位置信息向无人机发送目标采集指令，控制无人机按照预设高度匀速飞行，采集目标种植区域的近距离图像数据。
步骤S603：根据所述近距离图像数据确定所述目标种植区域内农作物的特征信息。
具体地，所述步骤S603，包括：提取所述近距离图像数据的RGB色彩信息，根据所述RGB色彩信息确定所述目标种植区域内农作物的叶片颜色信息；根据所述近距离图像数据确定所述目标种植区域内农作物的叶片形状信息；将所述叶片颜色信息以及所述叶片形状信息作为所述目标种植区域内农作物的特征信息。
需要说明的是，确定目标种植区域内农作物的叶片颜色信息是为了确定农作物是否存在叶黄、叶斑以及叶枯萎的问题，确定目标种植区域内农作物的叶片形状信息是为了确定农作物是否存在叶枯萎、叶腐烂的问题。
步骤S604：根据所述特征信息确定所述目标种植区域内农作物对应的营养缺失元素。
具体地，所述步骤S604，包括：根据所述特征信息确定目标种植区域内农作物对应的表现症状；根据所述表现症状查找对应的营养缺失元素。
应当理解的是，根据农作物的叶片颜色信息以及叶片形状信息确定农作物是否存在叶黄、叶斑、叶枯萎以及叶腐烂等表现症状，例如在叶片颜色信息中叶黄特征点超过预设比例时，确定农作物是否存在叶黄的表现症状。
需要说明的是，在预设存储区域存储有营养缺失元素以及对应的表现症状，例如，农作物缺铁时，植株会出现矮小、黄化、失绿等症状。将农作物的表现症状与各营养缺失元素对应的表现症状一一比对，从而查找出表现症状对应的营养缺失元素。
应当理解的是，所述步骤S60之后，所述方法还包括：获取各种植区域内农作物的历史生长状态，根据历史生长状态生成生长曲线图，根据生成生长曲线图对各种植区域内种植的种子进行打分。
本实施例通过在根据农作物识别结果确定目标种植区域内农作物的生长状态不符合预设要求时，确定目标种植区域的目标位置信息；根据目标位置信息向无人机发送目标采集指令，以使无人机按照预设高度飞行，采集目标种植区域的近距离图像数据；根据近距离图像数据确定目标种植区域内农作物的特征信息；根据特征信息确定目标种植区域内农作物对应的营养缺失元素。通过上述方式，在确定各种植区域对应的农作物生长状态之后，再次控制无人机采集近距离图像数据，根据近距离图像数据对农作物的生长状态进行更细致的分析，确定农作物缺失的营养元素，为改善农作物生长状态提供参考依据，实现了自动对农作物生长状态进行识别，避免采用存在较大主观性和局限性的人工识别，提高了农作物生长状态识别的准确性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有农作物识别程序，所述农作物识别程序被处理器执行时实现如上文所述的农作物识别方法的步骤。
参照图4，图4为本发明农作物识别装置第一实施例的结构框图。
如图4所示，本发明实施例提出的农作物识别装置包括：
采集模块10，用于向无人机发送采集指令，以使所述无人机根据所述采集指令采集目标区域的高精度图像，其中，所述无人机包括图像采集装置以及定位装置。
融合模块20，用于接收所述无人机采集的所述高精度图像，根据无人机的位置信息将所述高精度图像与预设种植地图融合，生成当前种植地图，其中，所述当前种植地图包括若干种植区域、各种植区域对应的高精度图像数据、农作物品种以及播种时间。
分析模块30，用于对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态。
确定模块40，用于获取当前时间，根据各种植区域对应的农作物品种、播种时间以及所述当前时间确定预期农作物状态。
比对模块50，用于将所述当前农作物状态与所述预期农作物状态进行比对，得到农作物识别结果。
所述确定模块40，还用于根据所述农作物识别结果确定各种植区域内农作物的生长状态。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
本实施例通过向无人机发送采集指令，以使无人机根据采集指令采集目标区域的高精度图像，其中，无人机包括图像采集装置以及定位装置；接收无人机采集的高精度图像，根据无人机的位置信息将高精度图像与预设种植地图融合，生成当前种植地图，其中，当前种植地图包括若干种植区域、各种植区域对应的高精度图像数据、农作物品种以及播种时间；对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态；获取当前时间，根据各种植区域对应的农作物品种、播种时间以及当前时间确定预期农作物状态；将当前农作物状态与预期农作物状态进行比对，得到农作物识别结果；根据农作物识别结果确定各种植区域内农作物的生长状态。通过上述方式，对无人机采集的高精度图像与预设种植地图数据融合，对各种植区域的图像数据进行分析，以确定各种植区域对应的农作物生长状态，实现了自动对农作物生长状态进行识别，避免采用存在较大主观性和局限性的人工识别，提高了农作物生长状态识别的准确性。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的农作物识别方法，此处不再赘述。
在一实施例中，所述采集模块10，还用于获取目标区域的位置信息，将所述目标区域划分为若干种植区域，获取各种植区域内种植的农作物品种以及播种时间，根据所述位置信息、所述若干种植区域、所述农作物品种以及所述播种时间构建预设种植地图。
在一实施例中，所述确定模块40，还用于获取当前时间，根据所述当前时间以及各种植区域对应的播种时间确定各种植区域对应的生长时间，根据各种植区域对应的农作物品种以及生长时间从预设存储区域内查找对应的预期农作物状态。
在一实施例中，所述分析模块30，还用于将各种植区域对应的高精度图像数据进行二值化处理，得到二值化图像，根据所述二值化图像确定各种植区域内农作物的疏密信息，提取各种植区域对应的高精度图像数据的色彩参数，根据所述色彩参数确定各种植区域内农作物的成熟信息，根据所述无人机执行采集指令时的飞行高度以及所述图像采集装置的内外参数确定各种植区域内农作物的高度信息，根据所述疏密信息、所述成熟信息以及所述高度信息确定各种植区域对应的当前农作物状态。
在一实施例中，所述农作物识别装置还包括营养缺失分析模块；
所述营养缺失分析模块，用于在根据所述农作物识别结果确定目标种植区域内农作物的生长状态不符合预设要求时，确定所述目标种植区域的目标位置信息，根据所述目标位置信息向无人机发送目标采集指令，以使所述无人机按照预设高度飞行，采集所述目标种植区域的近距离图像数据，根据所述近距离图像数据确定所述目标种植区域内农作物的特征信息，根据所述特征信息确定所述目标种植区域内农作物对应的营养缺失元素。
在一实施例中，所述营养缺失分析模块，还用于提取所述近距离图像数据的RGB色彩信息，根据所述RGB色彩信息确定所述目标种植区域内农作物的叶片颜色信息，根据所述近距离图像数据确定所述目标种植区域内农作物的叶片形状信息，将所述叶片颜色信息以及所述叶片形状信息作为所述目标种植区域内农作物的特征信息。
在一实施例中，所述营养缺失分析模块，还用于根据所述特征信息确定目标种植区域内农作物对应的表现症状。根据所述表现症状查找对应的营养缺失元素。
此外，需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
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。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种农作物识别方法，其特征在于，所述农作物识别方法包括：
向无人机发送采集指令，以使所述无人机根据所述采集指令采集目标区域的高精度图像，其中，所述无人机包括图像采集装置以及定位装置；
接收所述无人机采集的所述高精度图像，根据无人机的位置信息将所述高精度图像与预设种植地图融合，生成当前种植地图，其中，所述当前种植地图包括若干种植区域、各种植区域对应的高精度图像数据、农作物品种以及播种时间；
对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态；
获取当前时间，根据各种植区域对应的农作物品种、播种时间以及所述当前时间确定预期农作物状态；
将所述当前农作物状态与所述预期农作物状态进行比对，得到农作物识别结果；
根据所述农作物识别结果确定各种植区域内农作物的生长状态。
2.如权利要求1所述的农作物识别方法，其特征在于，所述向无人机发送采集指令之前，所述方法还包括：
获取目标区域的位置信息；
将所述目标区域划分为若干种植区域；
获取各种植区域内种植的农作物品种以及播种时间；
根据所述位置信息、所述若干种植区域、所述农作物品种以及所述播种时间构建预设种植地图。
3.如权利要求1所述的农作物识别方法，其特征在于，所述获取当前时间，根据各种植区域对应的农作物品种、播种时间以及所述当前时间确定预期农作物状态，包括：
获取当前时间，根据所述当前时间以及各种植区域对应的播种时间确定各种植区域对应的生长时间；
根据各种植区域对应的农作物品种以及生长时间从预设存储区域内查找对应的预期农作物状态。
4.如权利要求1所述的农作物识别方法，其特征在于，所述对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态，包括：
将各种植区域对应的高精度图像数据进行二值化处理，得到二值化图像；
根据所述二值化图像确定各种植区域内农作物的疏密信息；
提取各种植区域对应的高精度图像数据的色彩参数，根据所述色彩参数确定各种植区域内农作物的成熟信息；
根据所述无人机执行采集指令时的飞行高度以及所述图像采集装置的内外参数确定各种植区域内农作物的高度信息；
根据所述疏密信息、所述成熟信息以及所述高度信息确定各种植区域对应的当前农作物状态。
5.如权利要求1所述的农作物识别方法，其特征在于，所述根据所述农作物识别结果确定各种植区域内农作物的生长状态之后，所述方法还包括：
在根据所述农作物识别结果确定目标种植区域内农作物的生长状态不符合预设要求时，确定所述目标种植区域的目标位置信息；
根据所述目标位置信息向无人机发送目标采集指令，以使所述无人机按照预设高度飞行，采集所述目标种植区域的近距离图像数据；
根据所述近距离图像数据确定所述目标种植区域内农作物的特征信息；
根据所述特征信息确定所述目标种植区域内农作物对应的营养缺失元素。
6.如权利要求5所述的农作物识别方法，其特征在于，所述根据所述近距离图像数据确定所述目标种植区域内农作物的特征信息，包括：
提取所述近距离图像数据的RGB色彩信息，根据所述RGB色彩信息确定所述目标种植区域内农作物的叶片颜色信息；
根据所述近距离图像数据确定所述目标种植区域内农作物的叶片形状信息；
将所述叶片颜色信息以及所述叶片形状信息作为所述目标种植区域内农作物的特征信息。
7.如权利要求5所述的农作物识别方法，其特征在于，所述根据所述特征信息确定所述目标种植区域内农作物对应的营养缺失元素，包括：
根据所述特征信息确定目标种植区域内农作物对应的表现症状；
根据所述表现症状查找对应的营养缺失元素。
8.一种农作物识别装置，其特征在于，所述农作物识别装置包括：
采集模块，用于向无人机发送采集指令，以使所述无人机根据所述采集指令采集目标区域的高精度图像，其中，所述无人机包括图像采集装置以及定位装置；
融合模块，用于接收所述无人机采集的所述高精度图像，根据无人机的位置信息将所述高精度图像与预设种植地图融合，生成当前种植地图，其中，所述当前种植地图包括若干种植区域、各种植区域对应的高精度图像数据、农作物品种以及播种时间；
分析模块，用于对各种植区域对应的高精度图像数据进行分析，确定各种植区域对应的当前农作物状态；
确定模块，用于获取当前时间，根据各种植区域对应的农作物品种、播种时间以及所述当前时间确定预期农作物状态；
比对模块，用于将所述当前农作物状态与所述预期农作物状态进行比对，得到农作物识别结果；
所述确定模块，还用于根据所述农作物识别结果确定各种植区域内农作物的生长状态。
9.一种农作物识别设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的农作物识别程序，所述农作物识别程序配置为实现如权利要求1至7中任一项所述的农作物识别方法。
10.一种存储介质，其特征在于，所述存储介质上存储有农作物识别程序，所述农作物识别程序被处理器执行时实现如权利要求1至7任一项所述的农作物识别方法。
CN202110971442.0A 2021-08-23 2021-08-23 农作物识别方法、装置、设备及存储介质 Pending CN113850132A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110971442.0A CN113850132A (zh) 2021-08-23 2021-08-23 农作物识别方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110971442.0A CN113850132A (zh) 2021-08-23 2021-08-23 农作物识别方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN113850132A true CN113850132A (zh) 2021-12-28

Family

ID=78976057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110971442.0A Pending CN113850132A (zh) 2021-08-23 2021-08-23 农作物识别方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113850132A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116399401A (zh) * 2023-04-14 2023-07-07 浙江年年发农业开发有限公司 一种基于人工智能的农业种植系统及方法
CN117115687A (zh) * 2023-08-02 2023-11-24 江苏商贸职业学院 一种基于人工智能技术的无人机精准施肥方法及系统
CN117315492A (zh) * 2023-11-29 2023-12-29 中国平安财产保险股份有限公司 基于无人机技术的种植险预警方法、系统、设备及介质

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116399401A (zh) * 2023-04-14 2023-07-07 浙江年年发农业开发有限公司 一种基于人工智能的农业种植系统及方法
CN116399401B (zh) * 2023-04-14 2024-02-09 浙江年年发农业开发有限公司 一种基于人工智能的农业种植系统及方法
CN117115687A (zh) * 2023-08-02 2023-11-24 江苏商贸职业学院 一种基于人工智能技术的无人机精准施肥方法及系统
CN117115687B (zh) * 2023-08-02 2024-04-09 江苏商贸职业学院 一种基于人工智能技术的无人机精准施肥方法及系统
CN117315492A (zh) * 2023-11-29 2023-12-29 中国平安财产保险股份有限公司 基于无人机技术的种植险预警方法、系统、设备及介质
CN117315492B (zh) * 2023-11-29 2024-04-02 中国平安财产保险股份有限公司 基于无人机技术的种植险预警方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN113850132A (zh) 农作物识别方法、装置、设备及存储介质
CN109583301B (zh) 一种农作物生长过程最优外部种植条件预测方法及装置
CN110751019B (zh) 基于深度学习的高分辨率影像农作物自动提取方法及装置
CN112639869A (zh) 作物生长阶段判定系统的服务器装置、生长阶段判定方法以及程序
EP1573669A2 (en) Method of feature identification and analysis
EP3279831A1 (en) Recognition of weed in a natural environment using a digital image
CN109919083A (zh) 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法
CN110796011A (zh) 一种基于深度学习的稻穗识别方法、系统、装置及介质
CN111985724B (zh) 一种农作物产量预估的方法、装置、设备及存储介质
CN110363176B (zh) 一种图像分析方法及装置
CN111918547B (zh) 树冠识别装置、识别方法、程序和记录介质
CN111914914A (zh) 一种病虫害的识别方法、装置、设备和存储介质
CN113657469A (zh) 基于图像识别的木本植物物候期的自动观测方法和系统
JP2018005467A (ja) 農作業計画支援装置及び農作業計画支援方法
CN110751035A (zh) 一种制种玉米的识别方法及装置
CN114782838A (zh) 水稻识别方法、装置、电子设备和存储介质
CN114882359B (zh) 基于植被指数时序谱特征的大豆种植区提取方法和系统
Matias et al. Bison‐Fly: An open‐source UAV pipeline for plant breeding data collection
Leiva et al. Evaluating remotely sensed plant count accuracy with differing unmanned aircraft system altitudes, physical canopy separations, and ground covers
CN113435345A (zh) 生长阶段确定方法、装置、农业系统、设备及存储介质
CN115797764B (zh) 一种应用于耕地非农化监测的遥感大数据解译方法及系统
CN115620151B (zh) 物候期识别方法、装置、电子设备和存储介质
CN113807143A (zh) 作物连通域的识别方法、装置及作业系统
CN113011220A (zh) 穗数识别方法、装置、存储介质及处理器
CN114663652A (zh) 图像处理方法、装置、管理系统、电子设备和存储介质

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