CN114467530B - 果树环割方法、装置、终端设备及计算机可读存储介质 - Google Patents
果树环割方法、装置、终端设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114467530B CN114467530B CN202210086836.2A CN202210086836A CN114467530B CN 114467530 B CN114467530 B CN 114467530B CN 202210086836 A CN202210086836 A CN 202210086836A CN 114467530 B CN114467530 B CN 114467530B
- Authority
- CN
- China
- Prior art keywords
- girdling
- data
- fruit tree
- historical
- detection model
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 134
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 93
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 20
- 238000005520 cutting process Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000000611 regression analysis Methods 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 235000020971 citrus fruits Nutrition 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 241000207199 Citrus Species 0.000 description 2
- 244000141359 Malus pumila Species 0.000 description 2
- 235000011430 Malus pumila Nutrition 0.000 description 2
- 235000015103 Malus silvestris Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000132456 Haplocarpha Species 0.000 description 1
- 208000012868 Overgrowth Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G3/00—Cutting implements specially adapted for horticultural purposes; Delimbing standing trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- General Business, Economics & Management (AREA)
- Environmental Sciences (AREA)
- Forests & Forestry (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Marine Sciences & Fisheries (AREA)
- Ecology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Biodiversity & Conservation Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Economics (AREA)
- Animal Husbandry (AREA)
Abstract
本申请适用于数据处理技术领域,提供了一种果树环割方法、装置、终端设备及计算机可读存储介质,包括:获取目标果树的当前采集数据,所述当前采集数据包括当前生育期图片和当前气象数据;根据训练后的环割检测模型和所述目标果树的当前采集数据,检测所述目标果树的目标环割时间;将所述目标环割时间发送给用户端,以提示用户根据所述目标环割时间对所述目标果树进行环割。通过上述方法,能够保证获得最佳的果树环割时间,进而提高果树生产质量。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种果树环割方法、装置、终端设备及计算机可读存储介质。
背景技术
果树环割,是指在果树适宜的生长时期内和适合的气候条件下对果树的枝干剥去一定宽度和适当深度的树皮一种方法。在果树生产上采用环割技术,能够收到控制旺长、保花保果、防治裂果和促进花芽形成的效果,增加果树果实的产量和改善果实的品质,有利于实现果树的平衡增产提高果园的经济效益。
目前,通常由人工进行果树环割操作。即由技术人员观察果树的发育状态,并人为选定果树环割的时间。这种方式对技术人员主观经验的依赖性较强,无法统一环割标准,无法保证获得最佳的环割时间,进而影响果树生产质量。
发明内容
本申请实施例提供了一种果树环割方法、装置、终端设备及计算机可读存储介质,能够保证获得最佳的果树环割时间,进而提高果树生产质量。
第一方面,本申请实施例提供了一种果树环割方法,包括:
获取目标果树的当前采集数据,所述当前采集数据包括当前生育期图片和当前气象数据;
根据训练后的环割检测模型和所述目标果树的当前采集数据,检测所述目标果树的目标环割时间;
将所述目标环割时间发送给用户端,以提示用户根据所述目标环割时间对所述目标果树进行环割。
本申请实施例中,利用训练后的环割检测模型和目标果树的当前采集数据,检测目标果树的目标环割时间。通过上述方法,以客观的数据为支撑来确定目标果树的最佳环割时间,避免了人为主观经验导致的环割时间的判断错误,进而有效提高了果树的生产质量。
在第一方面的一种可能的实现方式中,在根据训练后的环割检测模型和所述目标果树的当前采集数据,检测所述目标果树的目标环割时间之前,所述方法还包括:
获取不同种类果树的历史环割数据,其中,所述历史环割数据中包括历史环割时间、所述历史环割时间对应的历史生育期图片和所述历史环割时间对应的历史气象数据;
根据所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型。
在第一方面的一种可能的实现方式中,所述获取不同种类果树的历史环割数据,包括:
获取不同种类果树各自的历史环割时间对应的所述历史气象数据;
获取不同种类果树各自的标志性部位在各自的所述历史环割时间下对应的所述历史生育期图片。
在第一方面的一种可能的实现方式中,所述根据所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型,包括:
对所述历史环割数据进行数据清洗,获得清洗后的所述历史环割数据;
对清洗后的所述历史环割数据进行数据归类,获得归类后的所述历史环割数据;
根据归类后的所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型。
在第一方面的一种可能的实现方式中,所述根据归类后的所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型,包括:
对归类后的所述历史环割数据进行回归分析,获得不同种类果树各自的环割指标数据;
根据不同种类果树各自的所述环割指标数据训练所述环割检测模型,获得训练后的所述环割检测模型。
在第一方面的一种可能的实现方式中,所述根据不同种类果树各自的所述环割指标数据训练所述环割检测模型,获得训练后的所述环割检测模型,包括:
根据所述环割检测模型对每个种类果树的所述环割指标数据进行数据拟合处理,获得拟合结果;
若所述拟合结果不满足预设阈值,则根据所述拟合结果继续训练所述环割检测模型;
若所述拟合结果满足预设阈值,则将当前的所述环割检测模型确定为训练后的所述环割检测模型。
第二方面,本申请实施例提供了一种果树环割装置,包括:
数据获取单元,用于获取目标果树的当前采集数据,所述当前采集数据包括当前生育期图片和当前气象数据;
时间检测单元,用于根据训练后的环割检测模型和所述目标果树的当前采集数据,检测所述目标果树的目标环割时间;
时间发送单元,用于将所述目标环割时间发送给用户端,以提示用户根据所述目标环割时间对所述目标果树进行环割。
第三方面,本申请实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述的果树环割方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任一项所述的果树环割方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的果树环割方法。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的果树环割方法的流程示意图;
图2是本申请实施例提供的果树环割流程的示意图;
图3是本申请实施例提供果树环割装置的结构示意图;
图4是本申请实施例提供终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。
参见图1,是本申请实施例提供的果树环割方法的流程示意图,作为示例而非限定,所述方法可以包括以下步骤:
S101,获取目标果树的当前采集数据,所述当前采集数据包括当前生育期图片和当前气象数据。
本申请实施例中,当前生育期图片可以由摄像装置获得,例如,可以包括果树枝干图片、果树花朵图片、果树树叶图片等,在此不做具体限定。当前气象数据可以由传感器采集获得。例如,当前气象数据可以包括由温度传感器获得的土壤温度、叶面温度和空气温度、由湿度传感器获得的土壤湿度、叶面湿度和空气湿度,由元素含量传感器获得的土壤营养元素含量,,以及由摄像装置获得的天气图片等。
S102,根据训练后的环割检测模型和所述目标果树的当前采集数据,检测所述目标果树的目标环割时间。
具体的,可以将目标果树的当前采集输入训练后的环割检测模型,输出目标环割时间。
S103,将所述目标环割时间发送给用户端,以提示用户根据所述目标环割时间对所述目标果树进行环割。
实际应用中,用于果树环割监测的终端设备分别与各传感器和至少一个用户端通信连接。终端设备可以实时获得各传感器的数据,并根据获得的传感器数据执行S102后,将目标环割时间发送给用户端。用户通过用户端查看目标环割时间。
本申请实施例中,利用训练后的环割检测模型和目标果树的当前采集数据,检测目标果树的目标环割时间。通过上述方法,以客观的数据为支撑来确定目标果树的最佳环割时间,避免了人为主观经验导致的环割时间的判断错误,进而有效提高了果树的生产质量。
在一个实施例中,需要预先对环割检测模型进行训练,具体步骤包括:
I、获取不同种类果树的历史环割数据,其中,所述历史环割数据中包括历史环割时间、所述历史环割时间对应的历史生育期图片和所述历史环割时间对应的历史气象数据。
实际应用中,在获取历史环割数据过程中,尽量选取环割成功案例的历史环割数据,以避免影响环割检测模型的训练精度。
本申请实施例中,历史环割数据中包括图像数据和文本数据这两类数据。其中,图像数据可以包括历史生育期图片和环割图片(如环割树干粗度图片、环割宽度图片、环割深度图片等),文本数据包括历史环割时间标签和历史气象数据标签。
一种训练方式为,分别训练每个种类果树的环割检测模型,即一个环割检测模型只用于检测一个种类果树的最佳环割时间。
另一种训练方式为,训练多个种类果树的环割检测模型,即一个环割检测模型能够用于检测多个种类果树的最佳环割时间。
由于不同种类果树的生育期状态不同,可选的,步骤I包括:
获取不同种类果树各自的历史环割时间对应的所述历史气象数据;获取不同种类果树各自的标志性部位在各自的所述历史环割时间下对应的所述历史生育期图片。
示例性的,苹果果树的最佳环割时期在盛花期,相应的,苹果果树的标志性部位为果树花朵部位。柑橘类果树的最佳环割时期在花芽分化开始前一个月,相应的,柑橘类果树的标志性部位为花芽部位。
通过上述方法,可以针对性地获取历史生育期图片,有利于减少历史环割数据的数据量,进而提高模型训练的效率。
II、根据所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型。
可选的,步骤II包括:
对所述历史环割数据进行数据清洗,获得清洗后的所述历史环割数据;对清洗后的所述历史环割数据进行数据归类,获得归类后的所述历史环割数据;根据归类后的所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型。
通过数据清洗,可以将历史环割数据的数据格式进行统一。通过数据归类,可以将属于同种种类果树的历史环割数据划分到一起。通过上述对数据的预处理,可以有效提高模型的训练效率。
同种种类果树的历史环割数据中包含的指标可能也不相同。例如,湖南柑橘和宜昌柑橘的环割时间、环割方式、环割时的气象数据等可能存在差异。可选的,根据归类后的所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型,包括:
对归类后的所述历史环割数据进行回归分析,获得不同种类果树各自的环割指标数据;根据不同种类果树各自的所述环割指标数据训练所述环割检测模型,获得训练后的所述环割检测模型。
通过回归分析,可以分析出同种种类果树的历史环割数据的共同点,再利用这些共同点对应的数据训练环割检测模型,有利于提高环割检测模型的通用性和检测精度。
本申请实施例中,可以利用SAS(statistical analysis system)软件进行回归分析。
可选的,根据不同种类果树各自的所述环割指标数据训练所述环割检测模型,获得训练后的所述环割检测模型,包括:
根据所述环割检测模型对每个种类果树的所述环割指标数据进行数据拟合处理,获得拟合结果;若所述拟合结果不满足预设阈值,则根据所述拟合结果继续训练所述环割检测模型;若所述拟合结果满足预设阈值,则将当前的所述环割检测模型确定为训练后的所述环割检测模型。
通过数据拟合处理,可以获得各环割指标数据之间的关联关系,如环割图片、气象数据和环割时间之间的关联。可以采用现有的拟合方法。例如,采用最小二乘拟合进行数据拟合处理,拟合结果为各数据的加权平方和;当该加权平方和小于预设阈值时,说明满足拟合要求,将此时的环割检测模型确定为训练后的环割检测模型;当该加权平方和大于预设阈值,说明未满足拟合要求,根据拟合结果反向调节模型参数,并对调参后的环割检测模型继续进行训练,直到满足拟合要求。
本申请实施例中的环割检测模型可以为神经网络模型。
实际应用中,训练后的环割检测模型可以上传到云服务器。当需要时,终端设备从云服务器调用训练后的环割检测模型,或者将历史环割数据上传至云服务器、由云服务器根据训练后的环割检测模型和历史环割数据计算目标环割时间。
在一个应用场景中,参见图2,是本申请实施例提供的果树环割流程的示意图。如图2所示,预先训练环割检测模型,其过程包括:通过传感器采集果树数据,包括生育期图片(图2所示的生育时期)、环割时间和环割部位图片(图2所示的环割部位);然后对采集到的数据进行预处理,包括数据清洗和数据归类;将预处理后的数据输入模型进行迭代训练,直到获得训练后的模型(图2所示的最终模型);将最终模型上传到云服务器(图2所示的云端服务器)。在应用过程中,将目标果树的当前采集数据(由传感器、摄像头设备采集到的数据)上传至云服务器,由云服务器根据训练后的模型和当前采集数据计算出目标果树的最佳环割时间。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的果树环割方法,图3是本申请实施例提供的果树环割装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参照图3,该装置包括:
数据获取单元31,用于获取目标果树的当前采集数据,所述当前采集数据包括当前生育期图片和当前气象数据。
时间检测单元32,用于根据训练后的环割检测模型和所述目标果树的当前采集数据,检测所述目标果树的目标环割时间。
时间发送单元33,用于将所述目标环割时间发送给用户端,以提示用户根据所述目标环割时间对所述目标果树进行环割。
可选的,装置3还包括:
模型训练单元34,用于获取不同种类果树的历史环割数据,其中,所述历史环割数据中包括历史环割时间、所述历史环割时间对应的历史生育期图片和所述历史环割时间对应的历史气象数据;根据所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型。
可选的,模型训练单元34还用于:
获取不同种类果树各自的历史环割时间对应的所述历史气象数据;
获取不同种类果树各自的标志性部位在各自的所述历史环割时间下对应的所述历史生育期图片。
可选的,模型训练单元34还用于:
对所述历史环割数据进行数据清洗,获得清洗后的所述历史环割数据;
对清洗后的所述历史环割数据进行数据归类,获得归类后的所述历史环割数据;
根据归类后的所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型。
可选的,模型训练单元34还用于:
对归类后的所述历史环割数据进行回归分析,获得不同种类果树各自的环割指标数据;
根据不同种类果树各自的所述环割指标数据训练所述环割检测模型,获得训练后的所述环割检测模型。
可选的,模型训练单元34还用于:
根据所述环割检测模型对每个种类果树的所述环割指标数据进行数据拟合处理,获得拟合结果;
若所述拟合结果不满足预设阈值,则根据所述拟合结果继续训练所述环割检测模型;
若所述拟合结果满足预设阈值,则将当前的所述环割检测模型确定为训练后的所述环割检测模型。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
另外,图3所示的果树环割装置可以是内置于现有的终端设备内的软件单元、硬件单元、或软硬结合的单元,也可以作为独立的挂件集成到所述终端设备中,还可以作为独立的终端设备存在。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图4是本申请实施例提供的终端设备的结构示意图。如图4所示,该实施例的终端设备4包括:至少一个处理器40(图4中仅示出一个)处理器、存储器41以及存储在所述存储器41中并可在所述至少一个处理器40上运行的计算机程序42,所述处理器40执行所述计算机程序42时实现上述任意各个果树环割方法实施例中的步骤。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,图4仅仅是终端设备4的举例,并不构成对终端设备4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,例如还可以包括输入输出设备、网络接入设备等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),该处理器40还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路 (Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41在一些实施例中可以是所述终端设备4的内部存储单元,例如终端设备4的硬盘或内存。所述存储器41在另一些实施例中也可以是所述终端设备4的外部存储设备,例如所述终端设备4上配备的插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
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网络单元上。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。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (8)
1.一种果树环割方法,其特征在于,包括:
获取目标果树的当前采集数据,所述当前采集数据包括当前生育期图片和当前气象数据;
根据训练后的环割检测模型和所述目标果树的当前采集数据,检测所述目标果树的目标环割时间;
将所述目标环割时间发送给用户端,以提示用户根据所述目标环割时间对所述目标果树进行环割;
在根据训练后的环割检测模型和所述目标果树的当前采集数据,检测所述目标果树的目标环割时间之前,所述方法还包括:
获取不同种类果树的历史环割数据,其中,所述历史环割数据中包括历史环割时间、所述历史环割时间对应的历史生育期图片和所述历史环割时间对应的历史气象数据;
根据所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型;
所述根据所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型,包括:
对所述历史环割数据进行数据清洗,获得清洗后的所述历史环割数据;
对清洗后的所述历史环割数据进行数据归类,获得归类后的所述历史环割数据;
根据归类后的所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型。
2.如权利要求1所述的果树环割方法,其特征在于,所述获取不同种类果树的历史环割数据,包括:
获取不同种类果树各自的历史环割时间对应的所述历史气象数据;
获取不同种类果树各自的标志性部位在各自的所述历史环割时间下对应的所述历史生育期图片。
3.如权利要求2所述的果树环割方法,其特征在于,所述根据归类后的所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型,包括:
对归类后的所述历史环割数据进行回归分析,获得不同种类果树各自的环割指标数据;
根据不同种类果树各自的所述环割指标数据训练所述环割检测模型,获得训练后的所述环割检测模型。
4.如权利要求3所述的果树环割方法,其特征在于,所述根据不同种类果树各自的所述环割指标数据训练所述环割检测模型,获得训练后的所述环割检测模型,包括:
根据所述环割检测模型对每个种类果树的所述环割指标数据进行数据拟合处理,获得拟合结果;
若所述拟合结果不满足预设阈值,则根据所述拟合结果继续训练所述环割检测模型;
若所述拟合结果满足预设阈值,则将当前的所述环割检测模型确定为训练后的所述环割检测模型。
5.一种果树环割装置,其特征在于,包括:
数据获取单元,用于获取目标果树的当前采集数据,所述当前采集数据包括当前生育期图片和当前气象数据;
时间检测单元,用于根据训练后的环割检测模型和所述目标果树的当前采集数据,检测所述目标果树的目标环割时间;
时间发送单元,用于将所述目标环割时间发送给用户端,以提示用户根据所述目标环割时间对所述目标果树进行环割。
6.如权利要求5所述的果树环割装置,其特征在于,所述装置还包括:
模型训练单元,用于获取不同种类果树的历史环割数据,其中,所述历史环割数据中包括历史环割时间、所述历史环割时间对应的历史生育期图片和所述历史环割时间对应的历史气象数据;根据所述历史环割数据训练所述环割检测模型,获得训练后的所述环割检测模型。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210086836.2A CN114467530B (zh) | 2022-01-25 | 2022-01-25 | 果树环割方法、装置、终端设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210086836.2A CN114467530B (zh) | 2022-01-25 | 2022-01-25 | 果树环割方法、装置、终端设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114467530A CN114467530A (zh) | 2022-05-13 |
CN114467530B true CN114467530B (zh) | 2023-06-20 |
Family
ID=81474774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210086836.2A Active CN114467530B (zh) | 2022-01-25 | 2022-01-25 | 果树环割方法、装置、终端设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114467530B (zh) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103444480B (zh) * | 2013-08-16 | 2017-07-04 | 福州市经济作物技术站 | 橄榄树环割方法 |
CN104850226A (zh) * | 2015-04-30 | 2015-08-19 | 北京农业信息技术研究中心 | 基于手势识别的三维交互式果树树形修整方法 |
CN109522858A (zh) * | 2018-11-26 | 2019-03-26 | Oppo广东移动通信有限公司 | 植物疾病检测方法、装置及终端设备 |
CN112286263A (zh) * | 2019-07-24 | 2021-01-29 | 中国移动通信有限公司研究院 | 一种农作物的调控方法、装置、系统及通信设备 |
CN112418473A (zh) * | 2019-08-20 | 2021-02-26 | 阿里巴巴集团控股有限公司 | 农作物信息的处理方法、装置、设备及计算机存储介质 |
CN110889547B (zh) * | 2019-11-20 | 2022-04-15 | 中国农业大学 | 一种作物生育期预测方法及装置 |
CN111814952A (zh) * | 2020-06-01 | 2020-10-23 | 珠海格力电器股份有限公司 | 植被生长监测方法、装置、设备及存储介质 |
CN111859056B (zh) * | 2020-07-31 | 2023-08-29 | 中国工商银行股份有限公司 | 数据处理方法、装置、电子设备和介质 |
-
2022
- 2022-01-25 CN CN202210086836.2A patent/CN114467530B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114467530A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ni et al. | Deep learning image segmentation and extraction of blueberry fruit traits associated with harvestability and yield | |
Palacios et al. | Automated grapevine flower detection and quantification method based on computer vision and deep learning from on-the-go imaging using a mobile sensing platform under field conditions | |
Qiongyan et al. | Detecting spikes of wheat plants using neural networks with Laws texture energy | |
Liu et al. | Automated image-processing for counting seedlings in a wheat field | |
Annamalai et al. | Color vision system for estimating citrus yield in real-time | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
Liu et al. | The recognition of apple fruits in plastic bags based on block classification | |
Mann et al. | Automatic flower detection and phenology monitoring using time‐lapse cameras and deep learning | |
CN111476149A (zh) | 一种植物培育控制方法和系统 | |
CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
CN115661650A (zh) | 一种基于物联网数据监测的农场管理系统 | |
Fu et al. | Kiwifruit yield estimation using image processing by an Android mobile phone | |
CN106576499A (zh) | 植物发芽的提示方法、提示装置、种植监控终端和服务器 | |
Fiona et al. | Automated detection of plant diseases and crop analysis in agriculture using image processing techniques: A survey | |
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 | |
Ramesh et al. | Comparison and analysis of Rice Blast disease identification in Greenhouse Controlled Environment and Field Environment using ML Algorithms | |
Hacking et al. | Vineyard yield estimation using 2-D proximal sensing: A multitemporal approach | |
Murugeswari et al. | Automated sugarcane disease detection using faster RCNN with an android application | |
CN114467530B (zh) | 果树环割方法、装置、终端设备及计算机可读存储介质 | |
CN108171417B (zh) | 种植任务调整方法、电子设备及存储介质 | |
Amemiya et al. | Appropriate grape color estimation based on metric learning for judging harvest timing | |
Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
CN106326882A (zh) | 一种基于图像质量评估技术的指纹识别系统及方法 | |
Rahmawati et al. | Design of automatic harvest system monitoring for oyster mushroom using image processing | |
Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time |
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 |