CN114266734A - 植物生长阶段的识别方法、装置、设备及存储介质 - Google Patents
植物生长阶段的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114266734A CN114266734A CN202111467492.1A CN202111467492A CN114266734A CN 114266734 A CN114266734 A CN 114266734A CN 202111467492 A CN202111467492 A CN 202111467492A CN 114266734 A CN114266734 A CN 114266734A
- Authority
- CN
- China
- Prior art keywords
- growth stage
- image
- plant
- target
- training
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种植物生长阶段的识别方法,包括:获取拍摄目标植物得到的目标植物图像;将目标植物图像作为训练好的生长阶段识别模型的输入,获取生长阶段识别模型识别得到的目标生长阶段;获取目标生长阶段对应的标准图像,标准图像是通过将目标生长阶段对应的不同光照、不同角度下的多张第一训练植物图像进行叠加,然后选取出包含有植物生长阶段特征的重叠区域图像得到的;将目标植物图像与标准图像进行匹配,若满足匹配条件,则确定识别得到的目标生长阶段为与目标植物图像对应的真实生长阶段。该方法实现了在不同光照、不同角度下能够准确地对植物生长阶段的识别。此外,还提出了一种植物生长阶段的识别装置、设备和存储介质。
Description
技术领域
本申请涉及计算机技术领域,特别涉及为一种植物生长阶段的识别方法、装置、设备及存储介质。
背景技术
随着生活水平的不断提高,人们对高质量植物的需求也不断增加。不论是食用蔬菜、医药用植物还是特殊用途的名贵植物,适宜的光照是植物健壮生长的必要条件。尤其对于一些医药用的名贵植物,人们往往采用无污染、环境适宜的室内工厂种植。
在植物生长的全过程,采取一种固定的光谱波长去补光照射,难以满足植物不同阶段的生长特点对光照的特定化需求。而且随着研究的深入,发现植物的不同阶段需要的光照、温湿度都是不同的。为了能够更好地促进植物的健壮生长,有人提出了针对不同的植物生长阶段进行不同的干预,比如,专利CN112867196A就提出了一种针对不同植物不同生长阶段采用不同的光谱进行照射的方式。而如何准确地识别植物所处的生长阶段成为了至关重要的一环。
植物生长阶段的识别是基于对目标植物图像进行识别得到的,但是由于在拍摄图像时会受到光照、角度等因素的影响,导致识别得到的生长阶段不够准确,这样很不利于后续进行有效的干预。因此,亟待需要一种准确识别植物生长阶段的方法。
发明内容
基于此,提出了一种即使在不同光照、不同角度下,仍然能够准确地识别出植物生长阶段的方法、装置、计算机设备及存储介质。
为实现上述目的,本申请第一方面提供一种植物生长阶段的识别方法,包括:
获取拍摄所述目标植物得到的目标植物图像,所述目标植物图像中包括:植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种;
将所述目标植物图像作为训练好的生长阶段识别模型的输入,获取所述生长阶段识别模型识别得到的目标生长阶段,所述生长阶段识别模型是基于卷积神经网络模型训练得到的;
获取所述目标生长阶段对应的标准图像,所述标准图像是通过将所述目标生长阶段对应的不同光照、不同角度下的多张第一训练植物图像进行叠加,然后选取出包含有植物生长阶段特征的重叠区域图像得到的;
将所述目标植物图像与所述标准图像进行匹配,若满足匹配条件,则确定识别得到的所述目标生长阶段为与所述目标植物图像对应的真实生长阶段。
为实现上述目的,本申请第二方面提供一种植物生长阶段的识别装置,包括:
第一获取模块,用于获取拍摄所述目标植物得到的目标植物图像,所述目标植物图像中包括:植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种;
识别模块,用于将所述目标植物图像作为训练好的生长阶段识别模型的输入,获取所述生长阶段识别模型识别得到的目标生长阶段,所述生长阶段识别模型是基于卷积神经网络模型训练得到的;
第二获取模块,用于获取所述目标生长阶段对应的标准图像,所述标准图像是通过将所述目标生长阶段对应的多张训练植物图像进行叠加,然后选取出包含有植物生长阶段特征的重叠区域图像得到的;
匹配模块,用于将所述目标植物图像与所述标准图像进行匹配,若满足匹配条件,则确定识别得到的所述目标生长阶段为与所述目标植物图像对应的真实生长阶段。
为实现上述目的,本申请第三方面提供一种计算机设备,包括:包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:
获取拍摄所述目标植物得到的目标植物图像,所述目标植物图像中包括:植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种;
将所述目标植物图像作为训练好的生长阶段识别模型的输入,获取所述生长阶段识别模型识别得到的目标生长阶段,所述生长阶段识别模型是基于卷积神经网络模型训练得到的;
获取所述目标生长阶段对应的标准图像,所述标准图像是通过将所述目标生长阶段对应的不同光照、不同角度下的多张第一训练植物图像进行叠加,然后选取出包含有植物生长阶段特征的重叠区域图像得到的;
将所述目标植物图像与所述标准图像进行匹配,若满足匹配条件,则确定识别得到的所述目标生长阶段为与所述目标植物图像对应的真实生长阶段。
为实现上述目的,本申请第四方面提供一种计算机可读存储介质,包括:存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行以下步骤:
获取拍摄所述目标植物得到的目标植物图像,所述目标植物图像中包括:植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种;
将所述目标植物图像作为训练好的生长阶段识别模型的输入,获取所述生长阶段识别模型识别得到的目标生长阶段,所述生长阶段识别模型是基于卷积神经网络模型训练得到的;
获取所述目标生长阶段对应的标准图像,所述标准图像是通过将所述目标生长阶段对应的不同光照、不同角度下的多张第一训练植物图像进行叠加,然后选取出包含有植物生长阶段特征的重叠区域图像得到的;
将所述目标植物图像与所述标准图像进行匹配,若满足匹配条件,则确定识别得到的所述目标生长阶段为与所述目标植物图像对应的真实生长阶段。
上述植物生长阶段的识别方法、装置、计算机设备及存储介质,首先,采用训练好的生长阶段识别模型对目标植物图像进行识别,识别得到目标生长阶段,为了进一步提高识别的准确度,将目标植物图像与该目标生长阶段对应的标准图像进行匹配,若满足匹配条件,则确定该目标生长阶段为真实生长阶段,该标准图像是通过将不同光照、不同角度下的多张第一训练植物图像进行叠加得到的,这样得到的标准图像大大降低了光照、角度对其的影响,其包含的特征是更加真实的内在稳定特征,从而能够更准确地确定目标植物图像对应的真实生长阶段。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为一个实施例中植物生长阶段的识别方法的流程图;
图2为一个实施例中生长阶段识别模型的训练方法流程图;
图3为一个实施例中植物生长阶段的识别装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
下面将结合本申请的实施例中的附图,对本申请的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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本申请的权利要求书、说明书以及说明书附图中的术语,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来,而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实际的关系或者顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
如图1所示,提出了一种植物生长阶段的识别方法,该方法可以应用于终端,也可以应用于服务器,本实施例中以应用于终端举例说明。上述方法具体包括一下步骤:
步骤102,获取拍摄目标植物得到的目标植物图像,目标植物图像中包括:植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种。
其中,通过摄像头对目标植物进行拍摄得到目标植物图像,该目标植物图像中至少包括植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种。植株高度、叶片、茎秆、花朵、果实和轮廓是识别生长阶段的主要特征,其中,轮廓是指植物长的整体形状。
步骤104,将目标植物图像作为训练好的生长阶段识别模型的输入,获取生长阶段识别模型识别得到的目标生长阶段,生长阶段识别模型是基于卷积神经网络模型训练得到的。
其中,生长阶段识别模型是训练得到的,为了使得生长阶段识别模型能够对不同环境、不同光照以及不同角度下的植物图像都能够准确地识别,在进行模型训练时,采用的训练植物图像是不同环境、不同光照以及不同角度下拍摄得到的,这样训练得到的生长阶段识别模型能够针对不同环境、不同光照以及不同角度下的目标植物图像所对应的植物生长阶段都能够准确识别。需要说明的是,不同植物对应的生长阶段识别模型是不同的,因为不同植物对应的特征是不同的,不能用同一个模型识别多种植物,这里的,生长阶段识别模型是与目标植物对应的模型。
步骤106,获取目标生长阶段对应的标准图像,标准图像是通过将目标生长阶段对应的不同光照、不同角度下的多张第一训练植物图像进行叠加,然后选取出包含有植物生长阶段特征的重叠区域图像得到的。
其中,为了进一步保障识别得到的植物生长阶段是准确的,将不同光照、不同角度下的多张第一训练植物图像进行叠加,这样得到的标准图像降低了光照、角度对其的影响。具体地,叠加的方法是针对同一重叠区域,按照加权的方式在像素级别进行叠加,这样得到的标准图像降低了环境对其的影响,其包含的特征是属于内在稳定特征。举个例子,比如,在强光下拍摄得到的图像与在弱光下拍摄得到的图像都会影响植物图像的真实度,而将两者的图像进行叠加,可以起到中和的效果,能够更加还原出更加真实的植物图像,不同角度的叠加也是同样的原理。植物生长阶段特征包括:植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种。
步骤108,将目标植物图像与标准图像进行匹配,若满足匹配条件,则确定识别得到的目标生长阶段为与目标植物图像对应的真实生长阶段。
其中,匹配是指将目标植物图像与标准图像进行比对,计算两者的相似度或差异度,当相似度高或差异度低时,说明目标植物图像与标准图像是匹配的,此时可以进一步确认识别得到的目标生长阶段为真实生长阶段。
在一个实施例中,当不满足匹配条件时,则需要对目标植物进行重新拍照,然后进行重新识别。
上述植物生长阶段的识别方法,首先,采用训练好的生长阶段识别模型对目标植物图像进行识别,识别得到目标生长阶段,为了进一步提高识别的准确度,将目标植物图像与该目标生长阶段对应的标准图像进行匹配,若满足匹配条件,则确定该目标生长阶段为真实生长阶段,该标准图像是通过将不同光照、不同角度下的多张第一训练植物图像进行叠加得到的,这样得到的标准图像大大降低了光照、角度对其的影响,其包含的特征是更加真实的内在稳定特征,从而能够更准确地确定目标植物图像对应的真实生长阶段。
如图2所示,在一个实施例中,生长阶段识别模型是采用如下方式训练得到的:
步骤202,针对每个生长阶段,分别获取不同光照、不同角度下拍摄得到的多张第一训练植物图像。
其中,预先将植物的生长划分为多个阶段,然后针对每个阶段分别拍摄得到第一训练植物图像,第一训练植物图像是为了区分后面的重叠区域图像而命名的。举个例子,将一种开花结果的植物生长全过程划分为5个不同的阶段,分别为育苗发育期、茁壮成长期、开花授粉期、果实成长期和果实成熟期。然后针对每个阶段,分别获取第一训练植物图像。
步骤204,将同一生长阶段中的多张第一训练植物图像进行叠加,选择多张第一训练植物图像中包含有植物生长阶段特征的重叠区域图像,将重叠区域图像进行保存,作为第二训练植物图像。
其中,为了能够让生长阶段识别模型更好地识别到不受光照、角度等影响的植物本身的内在特征,这里将得到的重叠区域图像作为第二训练植物图像。
步骤206,将第一训练植物图像和第二训练植物图像对应的生长阶段作为相应的标注。
其中,分别对每个训练植物图像进行标注,为了提高标注的效率,针对同一生长阶段的第一训练植物图像和第二训练植物图像进行同一批量标注。
步骤208,基于第一训练植物图像、第二训练植物图像以及对应的生长阶段的标注对生长阶段识别模型进行训练,得到训练好的生长阶段识别模型。
其中,生长阶段识别模型是基于卷积神经网络模型训练得到的,采用的训练图像是第一训练植物图像和第二训练植物图像以及对应的标注,具体地,将第一训练植物图像和第二训练植物图像分别作为生长阶段识别模型的输入,获取输出的实际生长阶段,将实际生长阶段与标准的理论生长阶段进行比对,若不一致,则需要调整生长阶段识别模型中的参数权重,由此循环,直到达到收敛条件。具体的训练方式可以采用梯度下降法来实现。本发明实施例中的改进在于训练数据的改进,创新性将第一训练植物图像和第二训练植物图像都作为训练植物图像,这样训练得到生长阶段识别模型能够更好地学习到植物的内在稳定特征,即使是在不同光照、不同角度下仍然能够准确地识别出真实的生长阶段。
在一个实施例中,所述将所述目标植物图像与所述标准图像进行匹配,包括:从所述目标植物图像的中心位置向外搜索,每次截取出与所述标准图像相同大小的区域图像;分别计算截取得到的所述区域图像与所述标准图像之间的差异度,所述差异度是基于边长像素数以及所述区域图像和所述标准图像中的像素灰度得到的:将差异度最小的区域图像作为目标区域图像;当所述目标区域图像与所述标准图像的差异度小于预设阈值时,则判定所述目标植物图像与所述标准图像匹配。
其中,由于标准图像是叠加区域图像,所以其是一个小图像,为了使得更加准确地进行图像匹配,在目标植物图像中分别截取与该标准图像同样大小的区域图像,然后将区域图像与该标准图像进行匹配,具体地,从中心位置开始不断向外搜索,即不断地截取不同的区域图像,然后将每个区域图像分别与标准图像进行匹配,找到差异度最小的区域图像作为目标区域图像。然后判断该目标区域图像与标准图像的差异度,在一个实施例中,差异度可以采用计算方差的方式得到。
在一个实施例中,所述分别计算截取得到的所述区域图像与所述标准图像之间的差异度,所述差异度是基于边长像素数以及所述区域图像和所述标准图像中的像素灰度得到的,包括:
所述区域图像与所述标准图像之间的差异度采用如下公式计算得到:
其中,N为标准图像或区域图像的边长像素数;Cij为标准图像中的第ij个像素的像素灰度;Rij为区域图像中的第ij个像素的像素灰度。
在一个实施例中,所述方法还包括:获取所述目标植物对应的生长天数,确定与所述生长天数对应的理论生长阶段;将所述真实生长阶段与所述理论生长阶段进行比对,若不一致,则发出预警。
其中,为了更好地监控目标植物的生长,将监控到实际生长阶段与理论生长阶段不符时,及时发出预警,这样便于后续有针对性地进行干预,分析不符的原因,及早干预,从而促进植物更好的成长。
在一个实施例中,所述方法还包括:获取所述真实生长阶段对应的光照方案,所述光照方案包括:光谱和亮度;根据所述光照方案控制对应的植物照明灯发出相应的理论光谱和理论亮度;获取光照传感器采集得到的实际光谱和实际亮度;根据所述实际光谱和所述实际亮度对所述理论光谱和理论亮度进行微调。
其中,基于目标植物图像识别出植物的生长阶段后,根据植物培育的数据,设置好对应的光谱和光输出强度大小,其中,光谱由385nm的UVA紫光、450nm的蓝光、530nm的绿光、660nm的红光、730nm的远红光以及380-780nm的全光谱白光组成。以上不同波长的光单独控制,通过调节灯珠电流大小来实现不同波长在整个光谱中的含量组成,以及光谱的亮度大小。
其中,光照传感器是位于植物当中的,光照传感器接收到的光照和植物接收到的光谱和亮度可以认为是相同的。而植物照明灯是位于植物上方的,实际发出的理论光谱和理论亮度很可能与实际接收到的实际光谱和实际亮度不符合,这个时候为了更好地促进植物生长,对植物照明灯发出的理论光谱和理论亮度进行调整,调整为与实际光谱和实际亮度相符的光谱和亮度,这样更有利于促进植物的生长。具体地,光照传感器接受光谱和亮度大小数据,传输给控制端,控制端根据植物生长阶段所需要的光谱和亮度进行比对,如果有异常会自动控制每一路电流大小,来进行调整。在一个实施例中,控制端自带声音和灯光报警装置,当图像识别分析或者光谱调整出现异常时,会进行声音和灯光报警提示用户进行人工干预,同时在人机交互界面,提示是哪一个模块或者步骤异常。
在实际场景中,光照传感器、图像识别端、LED灯具以及控制端,基于2.4G无线RF通信协议或者WIFI-Zigbee协议,形成无线互联,实现一个智能化的精准补光系统。整个系统的控制端,包含信息接收与存储、信息分析处理与发送、以及人机交互界面,方便用户对参数进行设置与修正。
在一个实施例中,所述方法还包括:获取所述真实生长阶段对应的理论温湿度;获取温湿度传感器采集得到的实际温湿度;根据所述理论温湿度对所述实际温湿度进行调整。
其中,植物生长除了受光照等因素的影响外,还与土壤中的温湿度或者环境中的温湿度有关,所以在得到真实生长阶段之后,将对应的理论温湿度和采集得到的实际温湿度进行比对,然后根据比对结果进行调整,从而更有利于植物的快速生长。在一个实施例中,控制端接土壤温湿度传感器接口和种植环境温湿度接口。土壤温湿度传感器埋入土壤中,实时传输土壤的温度和湿度数据。环境温湿度接口置于植物培育环境中,实时传输土壤的温度和湿度数据。温度和湿度数据设置上限和下限,超过即声音和灯光报警,同时关闭灯具。
在空气中装置CO2传感器,实时检测环境中的成分含量,设置上限和下限,超过即声音和灯光报警。当CO2浓度过高时,启动空气泵进行相应剂量的稀释;当CO2浓度过低时,启动CO2泵进行加注对应剂量。
针对水培植物,除了有以上温度和湿度传感器外。还有营养液水位和成分传感器,当营养液水位低或者营养成分浓度变低试,控制端会自动开起泵液马达开关注入营养液。待营养液水位低或者营养成分浓度恢复正常即停止。
如图3所示,提出了一种植物生长阶段的识别装置,包括:
第一获取模块302,用于获取拍摄所述目标植物得到的目标植物图像,所述目标植物图像中包括:植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种;
识别模块304,用于将所述目标植物图像作为训练好的生长阶段识别模型的输入,获取所述生长阶段识别模型识别得到的目标生长阶段,所述生长阶段识别模型是基于卷积神经网络模型训练得到的;
第二获取模块306,用于获取所述目标生长阶段对应的标准图像,所述标准图像是通过将所述目标生长阶段对应的多张训练植物图像进行叠加,然后选取出包含有植物生长阶段特征的重叠区域图像得到的;
匹配模块308,用于将所述目标植物图像与所述标准图像进行匹配,若满足匹配条件,则确定识别得到的所述目标生长阶段为与所述目标植物图像对应的真实生长阶段。
在一个实施例中,上述装置还包括:
训练模块,用于针对每个生长阶段,分别获取不同光照、不同角度下拍摄得到的多张第一训练植物图像;将同一生长阶段中的所述多张第一训练植物图像进行叠加,选择所述多张第一训练植物图像中包含有植物生长阶段特征的重叠区域图像,将所述重叠区域图像进行保存,作为第二训练植物图像;将所述第一训练植物图像和所述第二训练植物图像对应的生长阶段作为相应的标注;基于所述第一训练植物图像、所述第二训练植物图像以及对应的生长阶段的标注对所述生长阶段识别模型进行训练,得到训练好的生长阶段识别模型。
在一个实施例中,上述匹配模块还用于从所述目标植物图像的中心位置向外搜索,每次截取出与所述标准图像相同大小的区域图像;分别计算截取得到的所述区域图像与所述标准图像之间的差异度,所述差异度是基于边长像素数以及所述区域图像和所述标准图像中的像素灰度得到的:将差异度最小的区域图像作为目标区域图像;当所述目标区域图像与所述标准图像的差异度小于预设阈值时,则判定所述目标植物图像与所述标准图像匹配。
在一个实施例中,上述匹配模块还用于所述区域图像与所述标准图像之间的差异度采用如下公式计算得到:
其中,N为标准图像或区域图像的边长像素数;Cij为标准图像中的第ij个像素的像素灰度;Rij为区域图像中的第ij个像素的像素灰度。
在一个实施例中,上述装置还包括:
预警模块,用于获取所述目标植物对应的生长天数,确定与所述生长天数对应的理论生长阶段;将所述真实生长阶段与所述理论生长阶段进行比对,若不一致,则发出预警。
在一个实施例中,上述装置还包括:
光照调整模块,用于获取所述真实生长阶段对应的光照方案,所述光照方案包括:光谱和亮度;根据所述光照方案控制对应的植物照明灯发出相应的理论光谱和理论亮度;获取光照传感器采集得到的实际光谱和实际亮度;根据所述实际光谱和所述实际亮度对所述理论光谱和理论亮度进行微调。
在一个实施例中,上述装置还包括:
温湿度调整模块,用于获取所述真实生长阶段对应的理论温湿度,获取温湿度传感器采集得到的实际温湿度,根据所述理论温湿度对所述实际温湿度进行调整。
图4示出了一个实施例中计算机设备的内部结构图。该计算机设备可以是终端,也可以是服务器。如图4所示,该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质有存储操作系统,还可有存储计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述的植物生长阶段的识别方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述的植物生长阶段的识别方法。本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的设备的限定,具体的设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,所述存储器有存储计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述植物生长阶段的识别方法的步骤。
在一个实施例中,提出了一种计算机可读存储介质,有存储计算机程序,计算机程序被处理器执行时,使得处理器执行上述植物生长阶段的识别方法的步骤。
可以理解的是,上述植物生长阶段的识别方法、装置、植物生长阶段的识别设备以及计算机可读存储介质属于一个总的发明构思,实施例可相互适用。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种植物生长阶段的识别方法,其特征在于,包括:
获取拍摄所述目标植物得到的目标植物图像,所述目标植物图像中包括:植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种;
将所述目标植物图像作为训练好的生长阶段识别模型的输入,获取所述生长阶段识别模型识别得到的目标生长阶段,所述生长阶段识别模型是基于卷积神经网络模型训练得到的;
获取所述目标生长阶段对应的标准图像,所述标准图像是通过将所述目标生长阶段对应的不同光照、不同角度下的多张第一训练植物图像进行叠加,然后选取出包含有植物生长阶段特征的重叠区域图像得到的;
将所述目标植物图像与所述标准图像进行匹配,若满足匹配条件,则确定识别得到的所述目标生长阶段为与所述目标植物图像对应的真实生长阶段。
2.根据权利要求1所述的方法,其特征在于,所述生长阶段识别模型是采用如下方式训练得到的:
针对每个生长阶段,分别获取不同光照、不同角度下拍摄得到的多张第一训练植物图像;
将同一生长阶段中的所述多张第一训练植物图像进行叠加,选择所述多张第一训练植物图像中包含有植物生长阶段特征的重叠区域图像,将所述重叠区域图像进行保存,作为第二训练植物图像;
将所述第一训练植物图像和所述第二训练植物图像对应的生长阶段作为相应的标注;
基于所述第一训练植物图像、所述第二训练植物图像以及对应的生长阶段的标注对所述生长阶段识别模型进行训练,得到训练好的生长阶段识别模型。
3.根据权利要求1所述的方法,其特征在于,所述将所述目标植物图像与所述标准图像进行匹配,包括:
从所述目标植物图像的中心位置向外搜索,每次截取出与所述标准图像相同大小的区域图像;
分别计算截取得到的所述区域图像与所述标准图像之间的差异度,所述差异度是基于边长像素数以及所述区域图像和所述标准图像中的像素灰度得到的:
将差异度最小的区域图像作为目标区域图像;
当所述目标区域图像与所述标准图像的差异度小于预设阈值时,则判定所述目标植物图像与所述标准图像匹配。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标植物对应的生长天数,确定与所述生长天数对应的理论生长阶段;
将所述真实生长阶段与所述理论生长阶段进行比对,若不一致,则发出预警。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述真实生长阶段对应的光照方案,所述光照方案包括:光谱和亮度;
根据所述光照方案控制对应的植物照明灯发出相应的理论光谱和理论亮度;
获取光照传感器采集得到的实际光谱和实际亮度;
根据所述实际光谱和所述实际亮度对所述理论光谱和理论亮度进行微调。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述真实生长阶段对应的理论温湿度;
获取温湿度传感器采集得到的实际温湿度;
根据所述理论温湿度对所述实际温湿度进行调整。
8.一种植物生长阶段的识别装置,其特征在于,包括:
第一获取模块,用于获取拍摄所述目标植物得到的目标植物图像,所述目标植物图像中包括:植株高度、叶片、茎秆、花朵、果实和轮廓中的一种或多种;
识别模块,用于将所述目标植物图像作为训练好的生长阶段识别模型的输入,获取所述生长阶段识别模型识别得到的目标生长阶段,所述生长阶段识别模型是基于卷积神经网络模型训练得到的;
第二获取模块,用于获取所述目标生长阶段对应的标准图像,所述标准图像是通过将所述目标生长阶段对应的多张训练植物图像进行叠加,然后选取出包含有植物生长阶段特征的重叠区域图像得到的;
匹配模块,用于将所述目标植物图像与所述标准图像进行匹配,若满足匹配条件,则确定识别得到的所述目标生长阶段为与所述目标植物图像对应的真实生长阶段。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的植物生长阶段的识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行如权利要求1至7中任一项所述的植物生长阶段的识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111467492.1A CN114266734B (zh) | 2021-12-03 | 2021-12-03 | 植物生长阶段的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111467492.1A CN114266734B (zh) | 2021-12-03 | 2021-12-03 | 植物生长阶段的识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114266734A true CN114266734A (zh) | 2022-04-01 |
CN114266734B CN114266734B (zh) | 2023-04-07 |
Family
ID=80826175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111467492.1A Active CN114266734B (zh) | 2021-12-03 | 2021-12-03 | 植物生长阶段的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114266734B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234475A (zh) * | 2012-11-27 | 2013-08-07 | 深圳华用科技有限公司 | 一种基于激光三角测量法的亚像素表面形态检测方法 |
US9984455B1 (en) * | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
CN109815846A (zh) * | 2018-12-29 | 2019-05-28 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、存储介质和电子装置 |
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
JP2021073860A (ja) * | 2019-11-05 | 2021-05-20 | 国立大学法人神戸大学 | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム |
US20210183045A1 (en) * | 2018-08-30 | 2021-06-17 | Ntt Data Ccs Corporation | Server of crop growth stage determination system, growth stage determination method, and storage medium storing program |
CN113076832A (zh) * | 2020-11-06 | 2021-07-06 | 长江大学 | 多模式有机组分显微识别方法 |
-
2021
- 2021-12-03 CN CN202111467492.1A patent/CN114266734B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234475A (zh) * | 2012-11-27 | 2013-08-07 | 深圳华用科技有限公司 | 一种基于激光三角测量法的亚像素表面形态检测方法 |
US9984455B1 (en) * | 2017-06-05 | 2018-05-29 | Hana Resources, Inc. | Organism growth prediction system using drone-captured images |
CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
US20210183045A1 (en) * | 2018-08-30 | 2021-06-17 | Ntt Data Ccs Corporation | Server of crop growth stage determination system, growth stage determination method, and storage medium storing program |
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 |
CN110555416A (zh) * | 2019-09-06 | 2019-12-10 | 杭州睿琪软件有限公司 | 一种植物识别方法及装置 |
JP2021073860A (ja) * | 2019-11-05 | 2021-05-20 | 国立大学法人神戸大学 | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム |
CN113076832A (zh) * | 2020-11-06 | 2021-07-06 | 长江大学 | 多模式有机组分显微识别方法 |
CN112800665A (zh) * | 2021-01-13 | 2021-05-14 | 电凯(常州)新能源技术研究院有限公司 | 一种基于人工智能的植物生长自反馈学习培育方法 |
Non-Patent Citations (2)
Title |
---|
王志毅 等: "基于深度学习的自动判别茶叶生长的物候期模型的建立" * |
翁杨 等: "基于深度学习的农业植物表型研究综述", 《中国科学:生命科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN114266734B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Machine vision assessment of mango orchard flowering | |
KR101763835B1 (ko) | 군락에서 영상이미지를 통한 작물기관별 이미지식별시스템 | |
KR102301658B1 (ko) | 식물 생육 장치 및 그 제어 방법 | |
CN113627216B (zh) | 植物状态评估方法、系统及计算机可读存储介质 | |
CN115204689A (zh) | 一种基于图像处理的智慧农业管理系统 | |
CN113439727A (zh) | 大棚农作物的除虫方法、装置、设备及存储介质 | |
CN110598583A (zh) | 智能绿化管理方法、智能绿化控制系统以及存储介质 | |
Majeed et al. | Estimating the trajectories of vine cordons in full foliage canopies for automated green shoot thinning in vineyards | |
KR102351652B1 (ko) | 스마트팜 제어 방법 및 스마트팜 제어 시스템 | |
CN116523147B (zh) | 基于无人机红外探测的农田碳排放预测方法及系统 | |
CN109324509A (zh) | 信息调控方法、装置及系统 | |
CN114971933B (zh) | 一种食用菌的保存方法和系统 | |
CN107064159B (zh) | 一种依据植物黄叶检测判断生长趋势的装置及系统 | |
CN114266734B (zh) | 植物生长阶段的识别方法、装置、设备及存储介质 | |
CN117094532B (zh) | 一种果园智能监测系统 | |
KR20210065607A (ko) | 식물 생육 상태 판단 방법 및 이를 이용한 식물 생육 장치 | |
Wang et al. | Automated mango flowering assessment via refinement segmentation | |
KR20180133612A (ko) | 특용 과수용 병해충 통합 예측 시스템을 위한 병해충 이미지 분석방법 | |
US20230102916A1 (en) | A plant growth monitoring system and method | |
KR102398294B1 (ko) | 싱크 용량 및 소스 용량 판단 시스템 및 방법 | |
CN116795157A (zh) | 基于物联网的温室大棚环境监测与调整方法和系统 | |
TW202133717A (zh) | 智慧型竹筍栽培採收監控系統及方法 | |
CN114449711B (zh) | 多功能植物灯的智能控制方法及装置、多功能植物灯 | |
CN118470578B (zh) | 一种园林精细化管理与自动检测方法 | |
CN116997053B (zh) | 一种植物灯光照控制方法 |
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 |