CN114419133A - 判断植物的容器是否适合植物的养护的方法和装置 - Google Patents

Abstract

本公开涉及一种用于判断植物的容器是否适合植物的养护的方法和装置。提供了一种用于判断植物的容器是否适合植物的养护的方法，包括：基于通过相机获取的包括容器的图像和相关联的相机信息，识别容器的形状并计算容器的实际尺寸信息；基于包括植物的图像，识别所述植物的物种；基于识别出的物种、识别出的容器的形状以及计算出的容器的实际尺寸信息，判断容器的实际尺寸信息是否在适用于识别出的物种的容器尺寸范围内，以判断所述容器是否适合所述植物的养护。

Description

判断植物的容器是否适合植物的养护的方法和装置

技术领域

本公开涉及计算机技术领域，具体而言涉及一种用于判断植物的容器是否适合植物的养护的方法和装置。

背景技术

在植物的养护过程中，一般会用到诸如花盆、花瓶之类的容器以放置和/或种植植物。市面上用于植物的容器具有各种各样的尺寸、形状、材质等，而普通用户难以判断当前所使用的容器是否适用于计划在该容器中种植或者放置的植物或当前种植或放置在该容器中的植物。不合适的植物容器可能会限制植物的生长发育，对植物造成不良影响。

发明内容

本公开的目的包括提供一种用于判断植物的容器是否适合植物的养护的方法和装置，以有利于找到适合当前植物物种的花盆来进行植物的养护。

根据本公开的第一方面，提供了一种用于判断植物的容器是否适合植物的养护的方法，包括：基于通过相机获取的包括容器的图像和相关联的相机信息，识别容器的形状并计算容器的实际尺寸信息；基于包括植物的图像，识别所述植物的物种；基于识别出的物种、识别出的容器的形状以及计算出的容器的实际尺寸信息，判断容器的实际尺寸信息是否在适用于识别出的物种的容器尺寸范围内，以判断所述容器是否适合所述植物的养护。

根据本公开的第二方面，提供了一种用于判断植物的容器是否适合植物的养护的装置，所述装置包括：一个或多个处理器；以及存储计算机可读指令的存储器，所述计算机可读指令在由所述一个或多个处理器执行时使得所述一个或多个处理器执行根据本公开的第一方面所述的方法。

根据本公开的第三方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机可读指令，所述计算机可读指令在由一个或多个计算装置执行时，使得所述一个或多个计算装置进行根据本公开的第一方面所述的方法。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：

图1是示意性地示出根据本公开的实施例的用于判断植物的容器是否适合植物的养护的方法的至少一部分的流程图；

图2是示意性地示出根据本公开的实施例的通过相机获取图像的示意图；

图3是示意性地示出根据本公开的实施例的用于判断植物的容器是否适合植物的养护的计算机系统的至少一部分的结构图；

图4是示意性地示出根据本公开的实施例的用于判断植物的容器是否适合植物的养护的计算机系统的至少一部分的结构图。

注意，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在本说明书中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

具体实施方式

以下将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。在下面描述中，为了更好地解释本公开，阐述了许多细节，然而可以理解的是，在没有这些细节的情况下也可以实践本公开。

以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。

对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。

图1示意性地示出根据本公开的实施例的用于判断植物的容器是否适合植物的养护的方法100的至少一部分的流程图。本文中所述的植物可以是指植物的完整植株，该完整植株可以被种植在容器(诸如，花盆)内；植物也可以是指植物的至少一部分，诸如，植物的花和/或叶，植物的这些部分可以被放置在容器(诸如，花瓶)内。

如图1所示，在S11处，可以基于通过相机获取的包括容器的图像和相关联的相机信息，识别容器的形状并计算容器的实际尺寸信息。

这里，相机可以是诸如智能手机、平板电脑之类的移动设备中包括的相机，也可以是数码相机等；并且，相机可以具有单个光学镜头，也可以包括由多个光学镜头构成的镜头组，诸如，双目相机。

通过这样的相机获取的图像可以是：仅包括计划应用于植物的容器而不包括植物的图像、仅包括待识别的植物而不包括计划应用于该植物的容器的图像、以及包括待识别的植物及其容器二者的图像。在本公开中，用户在获取图像时可以将植物和容器同时包括在同一图像中，例如，用户可以拍摄当前被放置或种植在容器内的植物以了解当前的容器是否适用于该植物，如果不适用，则考虑为该植物更换其他容器；用户也可以分别获取植物的图像和容器的图像，例如，用户可以拍摄其感兴趣的植物的图像，然后拍摄计划用于容纳或种植该植物的容器的图像，以了解该容器是否适合于感兴趣的植物，如果不适用，则考虑不将该容器应用于该植物并寻找其他容器。

这里，容器的形状可以是指根据容器的外部轮廓的几何形状。作为非限制性示例，容器的形状可以包括圆柱、倒置/正置的圆台、棱柱、倒置/正置的棱台、这些形状的组合体及其他规则或不规则的几何形状。对于通过相机获取的二维图像，不同形状的容器从一些角度的视图可能是类似的，诸如，圆柱形和棱柱形的容器的主视图和侧视图可能是类似的，但是这些容器所涉及的实际尺寸及其实际尺寸(诸如，体积)的计算方法可能是不同的。因此，在本公开的实施例中，获取的包括容器的图像可以包括从至少两个不同的方向获取的至少两个图像，从而有利于识别容器的形状并且更准确地获取容器的实际尺寸。诸如，为了区分圆柱形和棱柱形容器，可以获取容器的主视图及俯视图，以判断容器的形状。

作为非限制性示例，相关联的相机信息可以是指相机的内部参数，诸如，镜头的焦距、各镜头之间的距离(在相机的镜头是由多个镜头构成的镜头组的情况下)等。这些相机参数可以直接从设备信息中获取，例如在用户使用诸如智能手机、平板电脑之类的移动设备通过App获取图像的情况下，App可以弹出要求获取设备信息，从而可以直接从移动设备获取相机信息。

在根据本公开的实施例中，在获取图像之后和/或基于图像对容器进行识别时，可以通过在App中向用户推送交互问题等方式从用户处获取与图像中的容器相关联的信息，交互问题可以包括但不限于询问用户容器的形状、材质、是否有排水孔等等。根据从用户处获取的信息，可以辅助进行容器的识别和确认。这些信息可以是用户能够简单地通过视觉、触觉等方式获取的信息。用户对交互问题的答复可以采取诸如但不限于从提供的答复选项中进行选择、输入文字答复等形式。

作为非限制性示例，容器的实际尺寸信息可以是指容器的实际的高度、开口直径或开口宽度、底部直径或底部宽度、容积，以及高度、开口直径或开口宽度、底部直径或底部宽度之间的比率。诸如，对于圆柱形的容器，尺寸信息可以包括底部直径、高度、容积以及底部直径和高度之间的比率等；对于圆台形的容器，尺寸信息可以包括底面直径、开口直径以及高度，容积，以及高度、开口直径、底部直径之间的比率；对于长方体形的容器，尺寸信息可以包括底部长度和宽度、高度、容积以及底部长度、宽度和高度之间的比率。因此，可以根据识别出的容器的形状确定要计算的容器的实际尺寸信息。作为非限制性示例，对于圆柱形的容器，要计算的实际尺寸可以包括以下中的一种或多种：底部直径、高度、容积、底部直径和高度之比等等。对于长方体形的容器，要计算的实际尺寸可以包括以下中的一种或多种：长度、宽度、高度、容积、长度与宽度之比、长度与高度之比、宽度与高度之比等等。

在本公开中，计算容器的实际尺寸信息可以是采取边缘检测的方法。具体而言，可以基于包括容器的图像识别该图像中的容器的边缘；基于相机信息和包括容器的图像，计算用于获取该图像的相机与容器的实际距离；以及基于图像中识别出的边缘、计算出的实际距离以及识别出的形状，计算容器的实际尺寸。在根据本公开的实施例中，边缘检测可以是采取现有技术中已知的边缘检测算法，例如基于OpenCV的边缘检测算法，诸如，Sobel、Scarry、Canny、Laplacian、Prewitt、Marr-Hildresh、Scharr等，也可以采取已训练为检测边缘的神经网络模型。并且，在如前文所述的包括容器和植物二者的图像的情况下，在进行边缘检测时，可以基于原始图像检测容器的边缘，也可以通过神经网络模型(诸如，通过目标识别、语义分割等)先将原始图像划分为容器区域和非容器区域(诸如，植物区域)，然后在容器区域中进一步获取容器的边缘信息。

在根据本公开的实施例中，用于计算容器的实际尺寸信息的图像可以是从容器的正面获取的图像，例如是从与容器的轴线正交或平行的角度获取的一个或多个图像。例如参见图2，图2是示意性地示出根据本公开的实施例的通过相机获取图像的示意图。如图2所示，对于具有对称轴211的花盆210，可以从与对称轴211垂直的方向221(方向221垂直于纸面)或与对称轴211垂直的方向222获取花盆的主视图或侧视图，并且根据花盆的主视图或侧视图以及结合相机信息，可以计算得到花盆210的各边缘的实际长度。诸如对于如图2所示的倒置圆台形的花盆210的梯形的主视图，可以计算该梯形的各边的实际长度。并且，基于计算出的梯形各边的实际长度，可以得到花盆210的如下实际尺寸：底面直径、开口直径以及高度，容积，以及高度、开口直径、底部直径之间的比率。应理解的是，用于计算容器的实际尺寸信息的图像也可以不是从容器的正面获取的，例如对于图2所示的花盆210，可以从相对于对称轴211成锐角的角度获取图像，但这样的图像可能存在畸变，需要校正，因此计算过程可能更复杂。在根据本公开的实施例中，从至少两个不同的方向获取的至少两个图像可以用于计算容器的实际尺寸信息。

在本公开中，计算容器的实际尺寸信息可以是采取顶点检测的方法。具体而言，可以通过拍摄获取容器的至少两张不同视角的图像；对每张图像，分别获取其中的多个对象顶点的二维位置信息；根据至少两张图像，根据特征点匹配法建立三维空间坐标系，确定相机的空间位置；以及选取任意一张图像，基于相机标定的参数信息以及相机的空间位置，得到多个顶点的三维空间位置信息，进而得到容器的实际尺寸。具体而言，根据特征点匹配法建立三维空间坐标系确定相机的空间位置可以包括：提取至少两张图像中相互匹配的二维特征点；根据相互匹配的二维特征点，得到至少两张图像的约束关系；基于约束关系，得到每张图像中的二维特征点的三维空间位置，进而得到每张图像所对应的相机的空间位置。优选地，可以基于来自不同视角的三张或更多的图像来确定相机的空间位置，进而确定容器的实际尺寸。

在本公开中，计算容器的实际尺寸信息可以是利用移动设备的现有App。作为非限制性示例，可以基于iOS操作系统的移动设备的“测距仪”(“Measure”)App和相机来测量容器的实际尺寸(例如，具体参见https://support.Apple.com/zh-cn/guide/iphone/iphd8ac2cfea/ios)。Android操作系统的移动设备也可以利用类似的App测量容器的实际尺寸信息。

返回参考图1，在S12处，可以基于包括植物的图像来识别植物的物种。具体而言，识别植物的物种可以包括利用预先训练好的识别模型来识别植物的物种。应理解的是，识别物种的方法不限于此。这里，植物的物种可以是指该植物在植物学上的分类，包括门、纲、目、科、属、种等，可以是指该植物的名称，包括植物的常用名、别名、俗名(非正式的名称)、学名等，并且还可以是将该植物与其他植物区分开的任何指代。

在本公开的实施例中，输入到识别模型中的图像可以是原始图像，例如，可以是未经分割处理的图像、未进行标注的图像等。在本公开的实施例中，输入到识别模型中的图像也可以是经处理的图像，例如，可以是原始图像经分割处理得到的包括植物的一部分图像、标注有信息的图像。

在本公开的实施例中，识别模型可以是利用标注有物种名称的植物图像样本训练得到的。在本公开的实施例中，除了物种名称之外，用于训练识别模型的植物图像样本还可以标注有植物图像样本的拍摄地点信息、植物图像样本的拍摄时间信息、或者植物图像样本的拍摄天气信息。这主要考虑的是，在不同的时间(诸如，一天中的不同时间、一年中的不同季节)、不同的地点、不同的天气(诸如，不同的光照条件)，植物呈现出的形态可能会有所不同；并且，还可以根据拍摄时间信息和拍摄时间地点从诸如互联网之类的外部源获取拍摄天气信息。此外，在本公开的实施例中，在利用识别模型识别植物的物种之前，可以根据待识别的植物的地点信息和时间信息排除掉不可能的植物种类，从而可以简化识别过程。在本公开的实施例中，当前用户所拍摄的待识别的植物的图像可以被存储到与该植物的物种对应的样本库中，并且可以记录该植物的位置信息、生理周期和形态信息等，以便后续用户使用，存储时还可以记录图像的拍摄地点信息、拍摄时间信息和拍摄天气信息。并且，由用户拍摄的除了待识别的植物之外的其他植物图像也可以被存储利用。

在本公开中，作为非限制性示例，识别模型可以是卷积神经网络CNN，诸如，残差神经网络ResNet。卷积神经网络模型可以是深度前馈神经网络。卷积神经网络模型可以利用卷积核扫描植物图像，提取出植物图像中的待识别的特征，进而基于植物的待识别的特征进行识别。另外，在根据本公开的实施例中，在对植物图像进行识别的过程中，可以直接将原始植物图像输入卷积神经网络模型，而无需对植物图像进行预处理。卷积神经网络模型相比于其他的识别模型，具备更高的识别准确率以及识别效率。残差网络模型相比于卷积神经网络模型多了恒等映射层，可以避免随着网络深度(网络中叠层的数量)的增加而带来的由卷积神经网络造成的准确率饱和、甚至下降的现象。残差网络模型中恒等映射层的恒等映射函数需要满足：恒等映射函数与残差网络模型的输入之和等于残差网络模型的输出。引入恒等映射以后，残差网络模型对输出的变化更加明显，因此可以大大提高植物识别的识别准确率和识别效率。

在本公开的实施例中，识别模型的训练过程可以包括：

S121：获取不同物种的大量植物图像样本，其中，植物图像样本标注有植物的物种，并且物种的类型是预先确定的。在根据本公开的实施例中，植物图像样本还可以标注有植物图像样本的拍摄地点信息、植物图像样本的拍摄时间信息、或者植物图像样本的拍摄天气信息等。在根据本公开的实施例中，各个物种的植物图像样本的数量可以是相同的，也可以是不同的。

S122：将这些植物图像样本划分为测试集和训练集。该划分过程可以是随机进行的，也可以是人工进行的。对于各个物种，测试集中的植物图像样本的数量占植物图像样本的总数的比例可以例如是5％到20％，并且该比例可以根据需要进行调整，训练集也是如此。

S123：利用训练集训练神经网络。

S124：在S123利用训练集进行训练之后，利用训练集验证识别模型的准确率，并判断准确率是否高于阈值。

S125：如果准确率高于阈值，则结束训练。

S126：如果准确率不高于阈值，则重新进行测试集和训练集的划分，或增加新的植物图像样本，并且再次训练模型，即重复步骤S123至S126，直到准确率高于阈值为止。

接着，仍参考图1，在S13处，可以基于识别出的物种、识别出的容器的形状以及计算出的实际尺寸信息，判断容器的实际尺寸信息是否在适用于识别出的物种的容器尺寸范围内。具体而言，在识别出物种之后，可以从物种-容器尺寸信息数据库中获取与识别出的物种对应的容器的尺寸范围。在本公开的实施例中，物种-容器尺寸信息数据库可以是预先自行建立的数据库、数据表或数据文件等，其中记录有物种和物种对应的容器的合理尺寸范围之间的对应关系。在本公开的实施例中，也可以从诸如互联网之类的外部源获取这些对应关系。在根据本公开的实施例中，数据库中的尺寸范围可以与容器的形状相关联。诸如，对于同一物种，不同形状的容器的尺寸范围可以是不同的。

在根据本公开的实施例中，适用于识别出的物种的尺寸范围可以包括该尺寸范围的最大值和/或最小值，在最大值和/或最小值的±10％(作为非限制性示例)的范围内的实际尺寸均可以被判定为该实际尺寸在适用于识别出的物种的尺寸范围内。例如，对于从数据库中获取的尺寸范围为高度≥20cm的情况，考虑误差的扩大尺寸范围为≥(1-10％)*20cm，即，如果容器的实际高度≥18cm则可以判定该容器的实际尺寸信息在适用于识别出的物种的容器尺寸范围内。例如，对于从数据库中获取的尺寸范围为直径≤10cm的情况，考虑误差的扩大尺寸范围为≤(1+10％)*10cm，即，如果容器的实际直径≤11cm则可以判定该容器的实际尺寸信息在适用于识别出的物种的容器尺寸范围内。例如，对于从数据库中获取的尺寸范围为0.8＜直径与高度之比＜1.2的情况，考虑误差的扩大尺寸范围为(1-10％)*0.8＜直径与高度之比＜(1+10％)*1.2，即，如果容器的实际的直径与高度之比在0.72和1.32之间则可以判定该容器的实际尺寸信息在适用于识别出的物种的尺寸范围内。应理解的是，以上的数值范围仅仅是示例，可以根据需要进行调整。

在根据本公开的实施例中，考虑到容器的实际尺寸中由于识别、计算等引入的误差，容器的实际尺寸信息可以被视为包括与该数值之差在该数值的±10％的误差范围之内的数值范围，即，该数值范围包括在(1-10％)*容器的实际尺寸和(1+10％)*容器的尺寸之间的所有数值，并且如果该数值范围与适用于识别出的物种的尺寸范围存在交集则可以判定该容器的实际尺寸信息在适用于识别出的物种的容器尺寸范围内。例如，对于计算出的实际尺寸信息为高度＝20cm并且从数据库中获取的尺寸范围为高度≤18cm的情况，可以视为该容器的实际高度的数值范围为18cm-22cm，并因此判定该容器的实际尺寸信息在适用于识别出的物种的尺寸范围内。应理解的是，以上的数值范围仅仅是示例，可以根据需要进行调整。

在根据本公开的实施例中，可以同时考虑上述两种情况。如果两个范围(即，与从外部源获取的原始的容器尺寸范围相比考虑误差的扩大尺寸范围，以及与计算出的容器的实际尺寸信息之差在误差范围内的数值范围)存在交集，则可以判定容器的实际尺寸信息在适用于识别出的物种的尺寸范围内。

在本公开中，还可以基于包括植物的图像识别植物的数量、生长阶段信息和形态信息中的一种或多种；以及基于识别出的植物的数量、生长阶段信息和形态信息中的一种或多种，判断容器是否适合植物的养护。

在本公开中，还可以利用材质识别模型来识别容器的材质，并且根据识别出的材质判断容器是否适合植物的养护。与植物的物种识别类似，可以训练神经网络来得到用于识别容器的材质的材质识别模型。作为非限制性示例，在识别出的植物的物种属于容易烂根的植物的情况下，对应的合理的容器材质可以包括透水性及透气性较好的材质，诸如陶等。如果通过材质识别模型识别出容器的材质为塑料，则可以判定该容器不适合该植物的养护。

在根据如上所述的方法判断容器是否适合植物的养护之后，可以将判断的结果输出以提醒用户。

以下详述根据本公开的实施例的若干非限制性示例。

在一个非限制性示例中，具体而言，在植物的识别中需要识别植物的物种，在计算容器的实际尺寸信息中需要计算容器的高度、开口直径或宽度、底面直径或宽度以及高度、开口直径或宽度、底面直径或宽度之间的比率。这里的物种可以是如下表1中的“分类”，也可以是“植物示例”。根据前文所述的方法，在识别出植物的物种之后，可以从物种-容器尺寸信息数据库中获取对应的容器尺寸范围，并判断当前容器的识别出的实际尺寸是否在从物种-容器尺寸信息数据库中获取的容器尺寸范围内。

关联的物种-容器尺寸信息数据库中的物种和容器尺寸之间的对应关系具体如下表：

表1

应理解的是，表1中示出的情况仅仅是非限制性示例，植物对应的合理的容器尺寸范围可以根据植物的生长特性而具体确定和调整，例如，小型植物用小盆，大型植物用大盆，高的植物用深盆，矮的植物用浅盆，根系纵向发展的植物用深盆，根系横向发展的植物用浅盆，根系易腐烂的植物用浅盆。除此之外，花盆优选地用盆口大的，这样一方面可以增加与空气接触的面积，有利于水分蒸发和透气，另外一方面可以方便换盆。忌小花用大盆，弱根、根系怕涝用深盆。

在另一个非限制性示例中，具体而言，在植物的识别中需要识别植物的物种、生长阶段信息和数量，在计算容器的实际尺寸信息中需要计算容器的高度、开口直径和底面直径。根据前文所述的方法，在识别出植物的物种、生长阶段信息和数量之后，可以从物种-容器尺寸信息数据库中获取该物种的植物在该生长阶段和数量的情况下所对应的容器尺寸范围，并判断容器的识别出的实际尺寸是否在从物种-容器尺寸信息数据库中获取的容器尺寸范围内。

关联的物种-容器尺寸信息数据库中的该物种的植物在不同的生长阶段和数量的情况下和容器尺寸之间的对应关系具体如表2，该表2是针对诸如草本植物种植在倒圆台形的花盆中的示例性情况。

表2

在识别出植物的生长阶段为2-3片叶小苗并且花盆中种植有2株植物的情况下，可以判断花盆的实际尺寸是否符合10cm≤开口直径≤13cm，11cm≤高度≤13cm，以及8.5cm≤底面直径≤11cm，即，该花盆是否为3寸或4寸的花盆。如果符合，则可以判定该花盆适合于该植物的生长养护；否则，可以判定该花盆不适合，并通知用户。

应理解的是，表2中示出的情况仅仅是非限制性示例，植物在不同生长阶段和数量的情况下对应的合理的容器尺寸范围可以根据需要而具体确定和调整。

图3是示意性地示出根据本公开的实施例的用于判断植物的容器是否适合植物的养护的计算机系统300的至少一部分的结构图。本领域技术人员可以理解，系统300只是一个示例，不应将其视为限制本公开的范围或本文所描述的特征。在该示例中，系统300可以包括一个或多个存储装置310、一个或多个电子设备320、以及一个或多个计算装置330，其可以通过网络或总线340互相通信连接。一个或多个存储装置310为一个或多个电子设备320、以及一个或多个计算装置330提供存储服务。虽然一个或多个存储装置310在系统300中以独立于一个或多个电子设备320、以及一个或多个计算装置330之外的单独的框示出，应当理解，一个或多个存储装置310可以实际存储在系统300所包括的其他实体320、330中的任何一个上。一个或多个电子设备320以及一个或多个计算装置330中的每一个可以位于网络或总线340的不同节点处，并且能够直接地或间接地与网络或总线340的其他节点通信。本领域技术人员可以理解，系统300还可以包括图3未示出的其他装置，其中每个不同的装置均位于网络或总线340的不同节点处。

一个或多个存储装置310可以被配置为存储上文所述的任何数据，包括但不限于：图像、模型、数据文件、应用的程序文件等数据。一个或多个计算装置330可以被配置为执行上述方法100和/或方法100中的一个或多个步骤。一个或多个电子设备320可以被配置为执行方法100以及本文所述的其他方法的一个或多个步骤。

网络或总线340可以是任何有线或无线的网络，也可以包括线缆。网络或总线340可以是互联网、万维网、特定内联网、广域网或局域网的一部分。网络或总线340可以利用诸如以太网、WiFi和HTTP等标准通信协议、对于一个或多个公司来说是专有的协议、以及前述协议的各种组合。网络或总线340还可以包括但不限于工业标准体系结构(ISA)总线、微通道架构(MCA)总线、增强型ISA(EISA)总线、视频电子标准协会(VESA)本地总线、和外围部件互连(PCI)总线。

一个或多个电子设备320和一个或多个计算装置330中的每一个可以被配置为与图4所示的系统400类似，即具有一个或多个处理器410、一个或多个存储器420、以及指令和数据。一个或多个电子设备320和一个或多个计算装置330中的每一个可以是意在由用户使用的个人计算装置或者由企业使用的商业计算机装置，并且具有通常与个人计算装置或商业计算机装置结合使用的所有组件，诸如中央处理单元(CPU)、存储数据和指令的存储器(例如，RAM和内部硬盘驱动器)、诸如显示器(例如，具有屏幕的监视器、触摸屏、投影仪、电视或可操作来显示信息的其他装置)、鼠标、键盘、触摸屏、麦克风、扬声器、和/或网络接口装置等的一个或多个I/O设备。

一个或多个电子设备320还可以包括用于获取图像的一个或多个相机、以及用于将这些元件彼此连接的所有组件。虽然一个或多个电子设备320可以各自包括全尺寸的个人计算装置，但是它们可能可选地包括能够通过诸如互联网等网络与服务器无线地交换数据的移动计算装置。举例来说，一个或多个电子设备320可以是移动电话，或者是诸如带无线支持的PDA、平板PC或能够经由互联网获得信息的上网本等装置。在另一个示例中，一个或多个电子设备320可以是可穿戴式计算系统。

图4是示意性地示出根据本公开的一个实施例的用于判断植物的容器是否适合植物的养护的计算机系统400的至少一部分的结构图。系统400包括一个或多个处理器410、一个或多个存储器420、以及通常存在于计算机等装置中的其他组件(未示出)。一个或多个存储器420中的每一个可以存储可由一个或多个处理器410访问的内容，包括可以由一个或多个处理器410执行的指令421、以及可以由一个或多个处理器410来检索、操纵或存储的数据422。

指令421可以是将由一个或多个处理器410直接地执行的任何指令集，诸如机器代码，或者间接地执行的任何指令集，诸如脚本。本文中的术语“指令”、“应用”、“过程”、“步骤”和“程序”在本文中可以互换使用。指令421可以存储为目标代码格式以便由一个或多个处理器410直接处理，或者存储为任何其他计算机语言，包括按需解释或提前编译的独立源代码模块的脚本或集合。指令421可以包括引起诸如一个或多个处理器410来充当本文中的各模型的指令。本文其他部分更加详细地解释了指令421的功能、方法和例程。

一个或多个存储器420可以是能够存储可由一个或多个处理器410访问的内容的任何临时性或非临时性计算机可读存储介质，诸如硬盘驱动器、存储卡、ROM、RAM、DVD、CD、USB存储器、能写存储器和只读存储器等。一个或多个存储器420中的一个或多个可以包括分布式存储系统，其中指令421和/或数据422可以存储在可以物理地位于相同或不同的地理位置处的多个不同的存储装置上。一个或多个存储器420中的一个或多个可以经由网络连接至一个或多个处理器410，和/或可以直接地连接至或并入一个或多个处理器410中的任何一个中。

一个或多个处理器410可以根据指令421来检索、存储或修改数据422。存储在一个或多个存储器420中的数据422可以包括上文所述的一个或多个存储装置310中存储的各项中一项或多项的至少部分。举例来说，虽然本文所描述的主题不受任何特定数据结构限制，但是数据422还可能存储在计算机寄存器(未示出)中，作为具有许多不同的字段和记录的表格或XML文档存储在关系型数据库中。数据422可以被格式化为任何计算装置可读格式，诸如但不限于二进制值、ASCII或统一代码。此外，数据422可以包括足以识别相关信息的任何信息，诸如编号、描述性文本、专有代码、指针、对存储在诸如其他网络位置处等其他存储器中的数据的引用或者被函数用于计算相关数据的信息。

一个或多个处理器410可以是任何常规处理器，诸如市场上可购得的中央处理单元(CPU)、图形处理单元(GPU)等。可替换地，一个或多个处理器410还可以是专用组件，诸如专用集成电路(ASIC)或其他基于硬件的处理器。虽然不是必需的，但是一个或多个处理器410可以包括专门的硬件组件来更快或更有效地执行特定的计算过程，诸如对影像进行图像处理等。

虽然图4中示意性地将一个或多个处理器410以及一个或多个存储器420示出在同一个框内，但是系统400可以实际上包括可能存在于同一个物理壳体内或不同的多个物理壳体内的多个处理器或存储器。例如，一个或多个存储器420中的一个可以是位于与上文所述的一个或多个计算装置(未示出)中的每一个的壳体不同的壳体中的硬盘驱动器或其他存储介质。因此，引用处理器、计算机、计算装置或存储器应被理解成包括引用可能并行操作或可能非并行操作的处理器、计算机、计算装置或存储器的集合。

在说明书及权利要求中的词语“A或B”包括“A和B”以及“A或B”，而不是排他地仅包括“A”或者仅包括“B”，除非另有特别说明。

在本公开中，对“一个实施例”、“一些实施例”的提及意味着结合该实施例描述的特征、结构或特性包含在本公开的至少一个实施例、至少一些实施例中。因此，短语“在一个实施例中”、“在一些实施例中”在本公开的各处的出现未必是指同一个或同一些实施例。此外，在一个或多个实施例中，可以任何合适的组合和/或子组合来组合特征、结构或特性。

如在此所使用的，词语“示例性的”意指“用作示例、实例或说明”，而不是作为将被精确复制的“模型”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且，本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。

另外，仅仅为了参考的目的，还可以在下面描述中使用某种术语，并且因而并非意图限定。例如，除非上下文明确指出，否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。还应理解，“包括/包含”一词在本文中使用时，说明存在所指出的特征、整体、步骤、操作、单元和/或组件，但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。

在本公开中，术语“部件”和“系统”意图是涉及一个与计算机有关的实体，或者硬件、硬件和软件的组合、软件、或执行中的软件。例如，一个部件可以是，但是不局限于，在处理器上运行的进程、对象、可执行态、执行线程、和/或程序等。通过举例说明，在一个服务器上运行的应用程序和所述服务器两者都可以是一个部件。一个或多个部件可以存在于一个执行的进程和/或线程的内部，并且一个部件可以被定位于一台计算机上和/或被分布在两台或更多计算机之间。

本领域技术人员应当意识到，在上述操作之间的边界仅仅是说明性的。多个操作可以结合成单个操作，单个操作可以分布于附加的操作中，并且操作可以在时间上至少部分重叠地执行。而且，另选的实施例可以包括特定操作的多个实例，并且在其他各种实施例中可以改变操作顺序。但是，其它的修改、变化和替换同样是可能的。因此，本说明书和附图应当被看作是说明性的，而非限制性的。

虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。在此公开的各实施例可以任意组合，而不脱离本公开的精神和范围。本领域的技术人员还应理解，可以对实施例进行多种修改而不脱离本公开的范围和精神。本公开的范围由所附权利要求来限定。

另外，本公开的实施方式还可以包括以下示例：

示例1、一种用于判断植物的容器是否适合植物的养护的方法，包括：

基于通过相机获取的包括容器的图像和相关联的相机信息，识别容器的形状并计算容器的实际尺寸信息；

基于包括植物的图像，识别所述植物的物种；

基于识别出的物种、识别出的容器的形状以及计算出的容器的实际尺寸信息，判断容器的实际尺寸信息是否在适用于识别出的物种的容器尺寸范围内，以判断所述容器是否适合所述植物的养护。

示例2、根据示例1所述的方法，其中，识别植物的物种包括：

利用预先训练好的识别模型来识别所述植物的物种，其中，所述识别模型是利用标注有物种名称的植物图像样本训练得到的。

示例3、根据示例2所述的方法，其中，输入到识别模型中的图像是原始图像或原始图像经分割处理得到的包括植物的一部分图像。

示例4、根据示例2所述的方法，其中，

所述识别模型的训练包括：

获取不同物种的多个植物图像样本，所述植物图像样本标注有物种，将所述多个植物图像样本划分为测试集和训练集，以及

利用所述训练集训练神经网络，并利用所述测试集验证所述识别模型的准确率；以及

判断准确率是否高于阈值：

如果准确率高于阈值，则结束训练，

否则，重新划分测试集和训练集或增加新的植物图像样本，再次训练模型。

示例5、根据示例4所述的方法，其中，用于训练识别模型的植物图像样本还标注有以下信息中的一种或多种：

植物图像样本的拍摄地点信息，

植物图像样本的拍摄时间信息，

植物图像样本的拍摄天气信息。

示例6、根据示例4所述的方法，其中，所述神经网络为卷积神经网络或残差神经网络。

示例7、根据示例1所述的方法，其中，所述方法还包括：

基于包括植物的图像识别所述植物的数量、生长阶段信息和形态信息中的一种或多种；以及

基于识别出的植物的数量、生长阶段信息和形态信息中的一种或多种，判断所述容器是否适合所述植物的养护。

示例8、根据示例1所述的方法，其中，所述容器的实际尺寸包括所述容器的各边缘的实际尺寸，计算容器的实际尺寸包括：

基于包括容器的图像识别所述图像中的容器的边缘；

基于所述相机信息和包括容器的图像，计算获取所述图像的相机与所述容器的实际距离；

基于图像中识别出的边缘、计算出的实际距离以及识别出的形状，计算所述容器的实际尺寸。

示例9、根据示例8所述的方法，其中，包括容器的图像是从与所述容器的轴线正交或平行的角度获取的一个或多个图像。

示例10、根据示例1所述的方法，其中，实际尺寸信息包括所述容器的如下实际尺寸中的一项或多项：

高度，

开口直径或开口宽度，

底部直径或底部宽度，

容积，以及

高度、开口直径或开口宽度、底部直径或底部宽度之间的比率。

示例11、根据示例1所述的方法，其中，所述方法还包括：利用材质识别模型来识别所述容器的材质，并且根据识别出的材质判断所述容器是否适合所述植物的养护。

示例12、根据示例1所述的方法，其中，判断容器的实际尺寸信息是否在适用于识别出的物种的容器尺寸范围内包括：

判断与计算出的容器的实际尺寸信息之差在误差范围内的数值范围是否与识别出的物种的容器尺寸范围存在交集；

如果存在交集，则判定容器的实际尺寸信息在适用于识别出的物种的容器尺寸范围内。

示例13、根据示例1或12所述的方法，其中，所述容器尺寸范围为与从外部源获取的容器尺寸范围相比扩大的尺寸范围。

示例14、根据示例1所述的方法，其中，物种的容器尺寸范围与容器的形状相关联。

示例15、根据示例1所述的方法，还包括从用户处获取与容器相关联的信息。

示例16、根据示例1所述的方法，其中，包括植物的图像与包括容器的图像均为由相机拍摄的同一图像的至少一部分。

示例17、根据示例1所述的方法，其中，包括植物的图像与包括容器的图像是不同的图像。

示例18、一种用于判断植物的容器是否适合植物的养护的装置，所述装置包括：

一个或多个处理器；以及

存储计算机可读指令的存储器，所述计算机可读指令在由所述一个或多个处理器执行时使得所述一个或多个处理器执行根据示例1至17中任一项所述的方法。

示例19、一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机可读指令，所述计算机可读指令在由一个或多个计算装置执行时，使得所述一个或多个计算装置进行如示例1至17中任一项所述的方法。

Claims (10)

1.一种用于判断植物的容器是否适合植物的养护的方法，包括：

基于通过相机获取的包括容器的图像和相关联的相机信息，识别容器的形状并计算容器的实际尺寸信息；

基于包括植物的图像，识别所述植物的物种；

基于识别出的物种、识别出的容器的形状以及计算出的容器的实际尺寸信息，判断容器的实际尺寸信息是否在适用于识别出的物种的容器尺寸范围内，以判断所述容器是否适合所述植物的养护。

2.根据权利要求1所述的方法，其中，识别植物的物种包括：

利用预先训练好的识别模型来识别所述植物的物种，其中，所述识别模型是利用标注有物种名称的植物图像样本训练得到的。

3.根据权利要求2所述的方法，其中，输入到识别模型中的图像是原始图像或原始图像经分割处理得到的包括植物的一部分图像。

4.根据权利要求2所述的方法，其中，

所述识别模型的训练包括：

获取不同物种的多个植物图像样本，所述植物图像样本标注有物种，

将所述多个植物图像样本划分为测试集和训练集，以及

利用所述训练集训练神经网络，并利用所述测试集验证所述识别模型的准确率；以及

判断准确率是否高于阈值：

如果准确率高于阈值，则结束训练，

否则，重新划分测试集和训练集或增加新的植物图像样本，再次训练模型。

5.根据权利要求4所述的方法，其中，用于训练识别模型的植物图像样本还标注有以下信息中的一种或多种：

植物图像样本的拍摄地点信息，

植物图像样本的拍摄时间信息，

植物图像样本的拍摄天气信息。

6.根据权利要求4所述的方法，其中，所述神经网络为卷积神经网络或残差神经网络。

7.根据权利要求1所述的方法，其中，所述方法还包括：

基于包括植物的图像识别所述植物的数量、生长阶段信息和形态信息中的一种或多种；以及

基于识别出的植物的数量、生长阶段信息和形态信息中的一种或多种，判断所述容器是否适合所述植物的养护。

8.根据权利要求1所述的方法，其中，所述容器的实际尺寸包括所述容器的各边缘的实际尺寸，计算容器的实际尺寸包括：

基于包括容器的图像识别所述图像中的容器的边缘；

基于所述相机信息和包括容器的图像，计算获取所述图像的相机与所述容器的实际距离；

基于图像中识别出的边缘、计算出的实际距离以及识别出的形状，计算所述容器的实际尺寸。

9.一种用于判断植物的容器是否适合植物的养护的装置，所述装置包括：

一个或多个处理器；以及

存储计算机可读指令的存储器，所述计算机可读指令在由所述一个或多个处理器执行时使得所述一个或多个处理器执行根据权利要求1至8中任一项所述的方法。

10.一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机可读指令，所述计算机可读指令在由一个或多个计算装置执行时，使得所述一个或多个计算装置进行如权利要求1至8中任一项所述的方法。

Images