CN114764814A - 植物高度确定方法、装置、电子设备及介质 - Google Patents

植物高度确定方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN114764814A
CN114764814A CN202110037831.6A CN202110037831A CN114764814A CN 114764814 A CN114764814 A CN 114764814A CN 202110037831 A CN202110037831 A CN 202110037831A CN 114764814 A CN114764814 A CN 114764814A
Authority
CN
China
Prior art keywords
depth
plant
image
target
detected
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
CN202110037831.6A
Other languages
English (en)
Inventor
林子甄
卢志德
郭锦斌
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.)
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
Original Assignee
Futaihua Industry Shenzhen Co Ltd
Hon Hai Precision Industry Co Ltd
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 Futaihua Industry Shenzhen Co Ltd, Hon Hai Precision Industry Co Ltd filed Critical Futaihua Industry Shenzhen Co Ltd
Priority to CN202110037831.6A priority Critical patent/CN114764814A/zh
Priority to US17/571,847 priority patent/US11954875B2/en
Publication of CN114764814A publication Critical patent/CN114764814A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/50—Depth or shape recovery
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/64—Analysis of geometric attributes of convexity or concavity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)

Abstract

本申请涉及图像分析技术，本申请提供一种植物高度确定方法、装置、电子设备及介质。该方法获取待检测植物的彩色图像及深度图像，将所述彩色图像与所述深度图像进行映射处理，得到目标图像，利用预先训练好的mobilenet‑ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框，从所述检测框内提取所述待检测植物的目标轮廓，根据所述目标图像确定所述目标轮廓中所有像素点的深度值，对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度。本申请能够提高所述待检测植物的高度确定的准确度。

Description

植物高度确定方法、装置、电子设备及介质
技术领域
本申请涉及图像分析技术领域，尤其涉及一种植物高度确定方法、装置、电子设备及介质。
背景技术
目前，通过分析植物的日生长有利于确定植物的最佳种植方式，以便提高植物的产量和质量，进而降低种植成本，给种植者带来福音。现有的方式是通过深度学习算法检测出带有待检测植物的边界框，进而根据边界框内的深度值确定待检测植物的高度，然而，由于边界框通常是四边形，而待检测植物不是四边形的，导致检测得到的边界框内会出现一些不相关的信息，例如叶子、杂草等，从而造成待检测植物的计算高度不准确。
发明内容
鉴于以上内容，有必要提供一种植物高度确定方法、装置、电子设备及介质，能够提高植物高度的准确度。
一种植物高度确定方法，所述植物高度确定方法包括：
获取待检测植物的彩色图像及深度图像；
将所述彩色图像与所述深度图像进行映射处理，得到目标图像；
利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框；
从所述检测框内提取所述待检测植物的目标轮廓；
根据所述目标图像确定所述目标轮廓中所有像素点的深度值；
对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度。
根据本申请可选实施例，所述获取待检测植物的彩色图像及深度图像包括以下一种或者多种方式的组合：
利用摄像装置的第一镜头拍摄所述待检测植物，得到所述彩色图像，并利用所述摄像装置的第二镜头拍摄所述待检测植物，得到所述深度图像；及/或
确定所述待检测植物的标签，从第一配置库中获取带有所述标签的图像作为所述彩色图像，从第二配置库中获取带有所述标签的图像作为所述深度图像。
根据本申请可选实施例，所述对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度包括：
从所述所有深度值中获取等于预设值的深度值，并将获取到的深度值确定为零值；
从所述所有深度值中删除所述零值，并将剩余的深度值确定为所述目标深度值；
确定所述目标深度值的数量；
计算所述目标深度值的总和；
将所述总和除以所述数量，得到所述待检测植物与所述摄像装置的距离；
确定所述摄像装置所在位置的摄像高度；
将所述摄像高度与所述距离进行相减运算，得到所述待检测植物的高度。
根据本申请可选实施例，所述将所述彩色图像与所述深度图像进行映射处理，得到目标图像包括：
获取所述深度图像上的所有深度像素；
将所述所有深度像素映射到预设深度坐标系中，得到所述所有深度像素的深度坐标；
根据所有深度坐标及预设世界坐标系确定所述所有深度像素的世界坐标；
根据所有世界坐标确定所述所有深度像素在所述彩色图像上的位置，并确定所述位置在所述彩色图像上的彩色像素；
将每个深度像素与每个彩色像素进行融合，得到所述目标图像。
根据本申请可选实施例，所述利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框包括：
获取所述mobilenet-ssd网络中的深度卷积核及点卷积核；
利用所述深度卷积核提取所述彩色图像的特征，得到第一特征图；
利用所述点卷积核对所述第一特征图进行处理，得到第二特征图；
根据所述第二特征图确定所述检测框。
根据本申请可选实施例，所述从所述检测框内提取所述待检测植物的目标轮廓包括：
删除所述检测框中的背景图像，得到灰度图像；
检测所述灰度图像上所述待检测植物的轮廓，得到所述目标轮廓。
根据本申请可选实施例，所述根据所述目标图像确定所述目标轮廓中所有像素点的深度值包括：
确定每个像素点在所述目标图像上的目标位置；
从所述目标图像上获取所述目标位置上的深度值，作为每个像素点的深度值。
一种植物高度确定装置，所述植物高度确定装置包括：
获取单元，用于获取待检测植物的彩色图像及深度图像；
映射单元，用于将所述彩色图像与所述深度图像进行映射处理，得到目标图像；
检测单元，用于利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框；
提取单元，用于从所述检测框内提取所述待检测植物的目标轮廓；
确定单元，用于根据所述目标图像确定所述目标轮廓中所有像素点的深度值；
所述确定单元，还用于对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度。
根据本申请可选实施例，所述确定单元对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度包括：
从所述所有深度值中获取等于预设值的深度值，并将获取到的深度值确定为零值；
从所述所有深度值中删除所述零值，并将剩余的深度值确定为所述目标深度值；
确定所述目标深度值的数量；
计算所述目标深度值的总和；
将所述目标深度值的总和除以所述数量，得到所述待检测植物与所述摄像装置的距离；
确定所述摄像装置所在位置的摄像高度；
将所述摄像高度与所述距离进行相减运算，得到所述待检测植物的高度。
根据本申请可选实施例，所述获取单元具体用于：
利用摄像装置的第一镜头拍摄所述待检测植物，得到所述彩色图像，并利用所述摄像装置的第二镜头拍摄所述待检测植物，得到所述深度图像；及/或
确定所述待检测植物的标签，从第一配置库中获取带有所述标签的图像作为所述彩色图像，从第二配置库中获取带有所述标签的图像作为所述深度图像。
根据本申请可选实施例，所述映射单元具体用于：
获取所述深度图像上的所有深度像素；
将所述所有深度像素映射到预设深度坐标系中，得到所述所有深度像素的深度坐标；
根据所有深度坐标及预设世界坐标系确定所述所有深度像素的世界坐标；
根据所有世界坐标确定所述所有深度像素在所述彩色图像上的位置，并确定所述位置在所述彩色图像上的彩色像素；
将每个深度像素与每个彩色像素进行融合，得到所述目标图像。
根据本申请可选实施例，所述检测单元具体用于：
获取所述mobilenet-ssd网络中的深度卷积核及点卷积核；
利用所述深度卷积核提取所述彩色图像的特征，得到第一特征图；
利用所述点卷积核对所述第一特征图进行处理，得到第二特征图；
根据所述第二特征图确定所述检测框。
根据本申请可选实施例，所述提取单元具体用于：
删除所述检测框中的背景图像，得到灰度图像；
检测所述灰度图像上所述待检测植物的轮廓，得到所述目标轮廓。
根据本申请可选实施例，所述确定单元根据所述目标图像确定所述目标轮廓中所有像素点的深度值包括：
确定每个像素点在所述目标图像上的目标位置；
从所述目标图像上获取所述目标位置上的深度值，作为每个像素点的深度值。
一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现所述植物高度确定方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现所述植物高度确定方法。
由以上技术方案可以看出，本申请通过将所述彩色图像与所述深度图像进行映射处理，能够得到包含深度值的目标图像，进而通过预先训练好的mobilenet-ssd网络能够快速检测出所述检测框，提高检测效率，从所述检测框内提取所述待检测植物的目标轮廓，能够提取到除无关信息外的目标轮廓，通过根据所述目标图像确定所述目标轮廓中所有像素点的深度值，能够准确快速确定所述所有像素点的深度值，进而通过对所述所有深度值进行去噪处理，得到目标深度值，能够再次确保所述目标深度值中没有包含无关信息的深度值，并根据所述目标深度值能够准确地确定所述待检测植物的高度。
附图说明
图1是本申请植物高度确定方法的较佳实施例的应用环境图。
图2是本申请植物高度确定方法的较佳实施例的流程图。
图3是本申请植物高度确定装置的较佳实施例的功能模块图。
图4是本申请实现植物高度确定方法的较佳实施例的电子设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本申请进行详细描述。
如图1所示，是本申请植物高度确定方法的较佳实施例的应用环境图。摄像装置2与电子设备1相通信，所述摄像装置2包括第一镜头20及第二镜头21。通过所述第一镜头20能够拍摄彩色图像，通过所述第二镜头21能够拍摄深度图像。
如图2所示，是本申请植物高度确定方法的较佳实施例的流程图。根据不同的需求，该流程图中步骤的顺序可以改变，某些步骤可以省略。
所述植物高度确定方法应用于一个或者多个电子设备1中，所述电子设备1是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程门阵列(Field－Programmable Gate Array，FPGA)、数字信号处理器(Digital SignalProcessor，DSP)、嵌入式设备等。
所述电子设备1可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理(Personal Digital Assistant，PDA)、游戏机、交互式网络电视(Internet Protocol Television，IPTV)、智能式穿戴式设备等。
所述电子设备1还可以包括网络设备和/或用户设备。其中，所述网络设备包括，但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算(CloudComputing)的由大量主机或网络服务器构成的云。
所述电子设备1所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络(Virtual Private Network，VPN)等。
S10，获取待检测植物的彩色图像及深度图像。
在本申请的至少一个实施例中，所述彩色图像是指RGB三通道彩色图像，所述深度图像是指将从图像采集器到场景中各点的距离作为像素值的图像。
在本申请的至少一个实施例中，所述彩色图像及所述深度图像可以从摄像装置中获取，也可以从配置库中获取。
进一步地，所述彩色图像及所述深度图像中都包含所述待检测植物。
在本申请的至少一个实施例中，所述电子设备获取待检测植物的彩色图像及深度图像包括以下一种或者多种方式的组合：
(1)所述电子设备利用所述摄像装置的第一镜头拍摄所述待检测植物，得到所述彩色图像，并利用所述摄像装置的第二镜头拍摄所述待检测植物，得到所述深度图像。
其中，所述摄像装置包括双镜头，分别为所述第一镜头及所述第二镜头。进一步地，所述摄像装置可以是摄像头，所述摄像装置可以安装在便于拍摄所述检测植物的正上方。
进一步地，所述待检测植物可以是任意需要进行分析日生长的植物，例如：玫瑰花、向日葵、水稻等。
具体地，当检测到所述待检测植物在所述摄像装置的正前方时，所述电子设备开启所述摄像装置，并利用所述第一镜头拍摄所述待检测植物，得到所述彩色图像；进一步地，所述电子设备利用所述第二镜头拍摄所述待检测植物，得到所述深度图像。
通过上述实施方式，能够快速获取到包含所述待检测植物的彩色图像及深度图像。
(2)所述电子设备确定所述待检测植物的标签，进一步地，所述电子设备从第一配置库中获取带有所述标签的图像作为所述彩色图像，更进一步地，所述电子设备从第二配置库中获取带有所述标签的图像作为所述深度图像。
其中，所述第一配置库中存储多张彩色图像与所述标签的映射关系，所述第二配置库中存储多张深度图像与所述标签的映射关系。
进一步地，所述标签可以所述待检测植物的编号，例如，所述标签可以是0001。
通过标签与彩色图像的映射关系，能够准确地获取到所述彩色图像，进而通过标签与深度图像的映射关系，能够准确地获取所述深度图像。
S11，将所述彩色图像与所述深度图像进行映射处理，得到目标图像。
在本申请的至少一个实施例中，所述目标图像是指融合所述彩色图像的像素与所述深度图像的像素而生成的图像。
在本申请的至少一个实施例中，所述电子设备将所述彩色图像与所述深度图像进行映射处理，得到目标图像包括：
所述电子设备获取所述深度图像上的所有深度像素，进一步地，所述电子设备将所述所有深度像素映射到预设深度坐标系中，得到所述所有深度像素的深度坐标，更进一步地，所述电子设备根据所有深度坐标及预设世界坐标系确定所述所有深度像素的世界坐标，进一步地，所述电子设备根据所有世界坐标确定所述所有深度像素在所述彩色图像上的位置，并确定所述位置在所述彩色图像上的彩色像素，更进一步地，所述电子设备将每个深度像素与每个彩色像素进行融合，得到所述目标图像。
其中，所述预设深度坐标系及所述预设世界坐标系可以从开源系统上获取，也可以用户根据应用场景任意设置，本申请对此不作限制。
通过上述实施方式，能够生成包含深度值的目标图像，以便后续确定所述待检测植物的高度。
S12，利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框。
在本申请的至少一个实施例中，所述待检测框是利用所述mobilenet-ssd网络中的卷积核对所述彩色图像进行特征提取得到的。
在本申请的至少一个实施例中，在利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框之前，所述方法还包括：
所述电子设备确定所述待检测植物所属的领域，进一步地，所述电子设备获取所述领域上的多张彩色训练图像，更进一步地，所述电子设备融合获取到的多张彩色训练图像，得到数据集，所述电子设备将所述数据集划分为训练集及验证集，进一步地，所述电子设备利用所述训练集中的彩色训练图像训练开源的卷积网络，得到学习器，进一步地，所述电子设备利用所述验证集中的彩色训练图像调整所述学习器，得到所述mobilenet-ssd网络。
在本申请的至少一个实施例中，在将所述数据集划分为训练集及验证集之前，所述方法还包括：
所述电子设备计算所述数据集中彩色训练图像的数量，当所述数量小于预设数量时，所述电子设备利用数据增强算法增加所述数据集中彩色训练图像的数量。
通过上述实施方式，能够避免由于彩色训练图像的数量不足，导致训练得到的mobilenet-ssd网络的泛化能力较差。
在本申请的至少一个实施例中，所述电子设备将所述数据集划分为训练集及验证集包括：
所述电子设备将所述数据集按照预设比例随机划分为至少一个数据包，将所述至少一个数据包中的任意一个数据包确定为所述验证集，其余的数据包确定为所述训练集，重复上述步骤，直至所有的数据包全都依次被用作为所述验证集。
其中，所述预设比例可以自定义设置，本申请不作限制。
通过上述实施方式划分所述数据集，使所述数据集中的每个彩色训练图像均参与训练及验证，由此，提高训练所述mobilenet-ssd网络的拟合度。
在本申请的至少一个实施例中，所述电子设备利用所述验证集中的彩色训练图像调整所述学习器，得到所述mobilenet-ssd网络包括：
所述电子设备采用超参数网格搜索方法从所述验证集中确定最优超参数点，进一步地，所述电子设备通过所述最优超参数点对所述学习器进行调整，得到所述mobilenet-ssd网络。
具体地，所述电子设备将所述验证集按照固定步长进行拆分，得到目标子集，遍历所述目标子集上两端端点的参数，通过所述两端端点的参数验证所述学习器，得到每个参数的学习率，将学习率最好的参数确定为第一超参数点，并在所述第一超参数点的邻域内，缩小所述步长继续遍历，直至所述步长为预设步长，即得到的超参数点为所述最优超参数点，更进一步地，所述电子设备根据所述最优超参数点调整所述学习器，得到所述mobilenet-ssd网络。
其中，本申请对所述预设步长不作限制。
通过上述实施方式，能够使所述mobilenet-ssd网络更加适合所述领域上的彩色图像的检测。
在本申请的至少一个实施例中，所述电子设备利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框包括：
所述电子设备获取所述mobilenet-ssd网络中的深度卷积核及点卷积核，进一步地，所述电子设备利用所述深度卷积核提取所述彩色图像的特征，得到第一特征图，更进一步地，所述电子设备利用所述点卷积核对所述第一特征图进行处理，得到所述检测框。
其中，所述深度卷积核可以是16*16*128的矩阵，进一步地，所述点卷积核可以是1*1*16的矩阵。
通过预先训练好的mobilenet-ssd网络能够快速检测出所述检测框，提高检测效率。
S13，从所述检测框内提取所述待检测植物的目标轮廓。
在本申请的至少一个实施例中，所述目标轮廓是指在所述检测框中去除无关信息后的轮廓，所述目标轮廓的形状根据所述待检测植物的形状确定。
在本申请的至少一个实施例中，所述电子设备从所述检测框内提取所述待检测植物的目标轮廓包括：
所述电子设备删除所述检测框中的背景图像，得到灰度图像，进一步地，所述电子设备检测所述灰度图像上所述待检测植物的轮廓，得到所述目标轮廓。
通过删除所述背景图像，能够避免背景图像带来的干扰，进而提高提取所述目标轮廓的准确性。
S14，根据所述目标图像确定所述目标轮廓中所有像素点的深度值。
在本申请的至少一个实施例中，所述深度值是指像素对应到所述待检测植物上的特征点距离摄像装置的高度。
在本申请的至少一个实施例中，所述电子设备根据所述目标图像确定所述目标轮廓中所有像素点的深度值包括：
所述电子设备确定每个像素点在所述目标图像上的目标位置，进一步地，所述电子设备从所述目标图像上获取所述目标位置上的深度值，作为每个像素点的深度值。
通过根据所述目标图像确定所述目标轮廓中所有像素点的深度值，能够准确快速确定所述所有像素点的深度值。
S15，对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度。
在本申请的至少一个实施例中，所述电子设备对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度包括：
所述电子设备从所述所有深度值中获取等于预设值的深度值，并将获取到的深度值确定为零值，进一步地，所述电子设备从所述所有深度值中删除所述零值，并将剩余的深度值确定为所述目标深度值，更进一步地，所述电子设备确定所述目标深度值的数量，所述电子设备计算所述目标深度值的总和，并将所述总和除以所述数量，得到所述待检测植物与所述摄像装置的距离，更进一步地，所述电子设备确定所述摄像装置所在位置的摄像高度，所述电子设备将所述摄像高度与所述距离进行相减运算，得到所述待检测植物的高度。
通过对所述所有深度值进行去噪处理，得到目标深度值，能够再次确保所述目标深度值中没有包含无关信息的深度值，并根据所述目标深度值能够准确地确定所述待检测植物的高度。
在本申请的至少一个实施例中，在根据所述目标深度值确定所述待检测植物的高度之后，所述植物高度确定方法还包括：
当所述高度小于预设高度时，所述电子设备根据所述高度生成告警信息，进一步地，所述电子设备采用对称加密算法加密所述告警信息，得到密文，更进一步地，所述电子设备根据所述待检测植物确定所述密文的告警等级，所述电子设备根据所述告警等级确定告警方式，更进一步地，所述电子设备以所述告警方式发送所述密文。
其中，所述预设高度可以根据所述待检测植物的预期生成速率设置，本申请对所述预设高度的取值不作限制。
进一步地，所述告警等级包括：等级一、等级二等。
更进一步地，所述告警方式包括：扬声器的警报声、邮件方式、电话方式等。
通过上述实施方式，能够在所述高度小于所述预设高度时，发出告警信息，此外，通过加密告警信息，能够避免告警信息被篡改，提高告警信息的安全性，同时，根据告警等级确定告警方式，能够以合适的告警方式发送告警信息，使告警信息的发送更加人性化。
由以上技术方案可以看出，本申请通过将所述彩色图像与所述深度图像进行映射处理，能够得到包含深度值的目标图像，进而通过预先训练好的mobilenet-ssd网络能够快速检测出所述检测框，提高检测效率，从所述检测框内提取所述待检测植物的目标轮廓，能够提取到除无关信息外的目标轮廓，通过根据所述目标图像确定所述目标轮廓中所有像素点的深度值，能够准确快速确定所述所有像素点的深度值，进而通过对所述所有深度值进行去噪处理，得到目标深度值，能够再次确保所述目标深度值中没有包含无关信息的深度值，并根据所述目标深度值能够准确地确定所述待检测植物的高度。
如图3所示，是本申请植物高度确定装置的较佳实施例的功能模块图。所述植物高度确定装置11包括获取单元110、映射单元111、检测单元112、提取单元113、确定单元114、融合单元115、划分单元116、训练单元117、调整单元118、计算单元119、增强单元120、生成单元121、加密单元122及发送单元123。本申请所称的模块/单元是指一种能够被处理器13所执行，并且能够完成固定功能的一系列计算机程序段，其存储在存储器12中。在本实施例中，关于各模块/单元的功能将在后续的实施例中详述。
获取单元110获取待检测植物的彩色图像及深度图像。
在本申请的至少一个实施例中，所述彩色图像是指RGB三通道彩色图像，所述深度图像是指将从图像采集器到场景中各点的距离作为像素值的图像。
在本申请的至少一个实施例中，所述彩色图像及所述深度图像可以从摄像装置中获取，也可以从配置库中获取。
进一步地，所述彩色图像及所述深度图像中都包含所述待检测植物。
在本申请的至少一个实施例中，所述获取单元110获取待检测植物的彩色图像及深度图像包括以下一种或者多种方式的组合：
(1)所述获取单元110利用所述摄像装置的第一镜头拍摄所述待检测植物，得到所述彩色图像，并利用所述摄像装置的第二镜头拍摄所述待检测植物，得到所述深度图像。
其中，所述摄像装置包括双镜头，分别为所述第一镜头及所述第二镜头。进一步地，所述摄像装置可以是摄像头，所述摄像装置可以安装在便于拍摄所述检测植物的正上方。
进一步地，所述待检测植物可以是任意需要进行分析日生长的植物，例如：玫瑰花、向日葵、水稻等。
具体地，当检测到所述待检测植物在所述摄像装置的正前方时，所述获取单元110开启所述摄像装置，并利用所述第一镜头拍摄所述待检测植物，得到所述彩色图像；进一步地，所述电子设备利用所述第二镜头拍摄所述待检测植物，得到所述深度图像。
通过上述实施方式，能够快速获取到包含所述待检测植物的彩色图像及深度图像。
(2)所述获取单元110确定所述待检测植物的标签，进一步地，所述获取单元110从第一配置库中获取带有所述标签的图像作为所述彩色图像，更进一步地，所述获取单元110从第二配置库中获取带有所述标签的图像作为所述深度图像。
其中，所述第一配置库中存储多张彩色图像与所述标签的映射关系，所述第二配置库中存储多张深度图像与所述标签的映射关系。
进一步地，所述标签可以所述待检测植物的编号，例如，所述标签可以是0001。
通过标签与彩色图像的映射关系，能够准确地获取到所述彩色图像，进而通过标签与深度图像的映射关系，能够准确地获取所述深度图像。
映射单元111将所述彩色图像与所述深度图像进行映射处理，得到目标图像。
在本申请的至少一个实施例中，所述目标图像是指融合所述彩色图像的像素与所述深度图像的像素而生成的图像。
在本申请的至少一个实施例中，所述映射单元111将所述彩色图像与所述深度图像进行映射处理，得到目标图像包括：
所述映射单元111获取所述深度图像上的所有深度像素，进一步地，所述映射单元111将所述所有深度像素映射到预设深度坐标系中，得到所述所有深度像素的深度坐标，更进一步地，所述映射单元111根据所有深度坐标及预设世界坐标系确定所述所有深度像素的世界坐标，进一步地，所述映射单元111根据所有世界坐标确定所述所有深度像素在所述彩色图像上的位置，并确定所述位置在所述彩色图像上的彩色像素，更进一步地，所述电子设备将每个深度像素与每个彩色像素进行融合，得到所述目标图像。
其中，所述预设深度坐标系及所述预设世界坐标系可以从开源系统上获取，也可以用户根据应用场景任意设置，本申请对此不作限制。
通过上述实施方式，能够生成包含深度值的目标图像，以便后续确定所述待检测植物的高度。
检测单元112利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框。
在本申请的至少一个实施例中，所述待检测框是利用所述mobilenet-ssd网络中的卷积核对所述彩色图像进行特征提取得到的。
在本申请的至少一个实施例中，在利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框之前，确定单元114确定所述待检测植物所属的领域，进一步地，所述获取单元110获取所述领域上的多张彩色训练图像，更进一步地，融合单元115融合获取到的多张彩色训练图像，得到数据集，划分单元116将所述数据集划分为训练集及验证集，进一步地，训练单元117利用所述训练集中的彩色训练图像训练开源的卷积网络，得到学习器，进一步地，调整单元118利用所述验证集中的彩色训练图像调整所述学习器，得到所述mobilenet-ssd网络。
在本申请的至少一个实施例中，在将所述数据集划分为训练集及验证集之前，计算单元119计算所述数据集中彩色训练图像的数量，当所述数量小于预设数量时，增强单元120利用数据增强算法增加所述数据集中彩色训练图像的数量。
通过上述实施方式，能够避免由于彩色训练图像的数量不足，导致训练得到的mobilenet-ssd网络的泛化能力较差。
在本申请的至少一个实施例中，所述划分单元116将所述数据集划分为训练集及验证集包括：
所述划分单元116将所述数据集按照预设比例随机划分为至少一个数据包，将所述至少一个数据包中的任意一个数据包确定为所述验证集，其余的数据包确定为所述训练集，重复上述步骤，直至所有的数据包全都依次被用作为所述验证集。
其中，所述预设比例可以自定义设置，本申请不作限制。
通过上述实施方式划分所述数据集，使所述数据集中的每个彩色训练图像均参与训练及验证，由此，提高训练所述mobilenet-ssd网络的拟合度。
在本申请的至少一个实施例中，所述调整单元118利用所述验证集中的彩色训练图像调整所述学习器，得到所述mobilenet-ssd网络包括：
所述调整单元118采用超参数网格搜索方法从所述验证集中确定最优超参数点，进一步地，所述调整单元118通过所述最优超参数点对所述学习器进行调整，得到所述mobilenet-ssd网络。
具体地，所述调整单元118将所述验证集按照固定步长进行拆分，得到目标子集，遍历所述目标子集上两端端点的参数，通过所述两端端点的参数验证所述学习器，得到每个参数的学习率，将学习率最好的参数确定为第一超参数点，并在所述第一超参数点的邻域内，缩小所述步长继续遍历，直至所述步长为预设步长，即得到的超参数点为所述最优超参数点，更进一步地，所述调整单元118根据所述最优超参数点调整所述学习器，得到所述mobilenet-ssd网络。
其中，本申请对所述预设步长不作限制。
通过上述实施方式，能够使所述mobilenet-ssd网络更加适合所述领域上的彩色图像的检测。
在本申请的至少一个实施例中，所述检测单元112利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框包括：
所述检测单元112获取所述mobilenet-ssd网络中的深度卷积核及点卷积核，进一步地，所述检测单元112利用所述深度卷积核提取所述彩色图像的特征，得到第一特征图，更进一步地，所述检测单元112利用所述点卷积核对所述第一特征图进行处理，得到所述检测框。
其中，所述深度卷积核可以是16*16*128的矩阵，进一步地，所述点卷积核可以是1*1*16的矩阵。
通过预先训练好的mobilenet-ssd网络能够快速检测出所述检测框，提高检测效率。
提取单元113从所述检测框内提取所述待检测植物的目标轮廓。
在本申请的至少一个实施例中，所述目标轮廓是指在所述检测框中去除无关信息后的轮廓，所述目标轮廓的形状根据所述待检测植物的形状确定。
在本申请的至少一个实施例中，所述提取单元113从所述检测框内提取所述待检测植物的目标轮廓包括：
所述提取单元113删除所述检测框中的背景图像，得到灰度图像，进一步地，所述提取单元113检测所述灰度图像上所述待检测植物的轮廓，得到所述目标轮廓。
通过删除所述背景图像，能够避免背景图像带来的干扰，进而提高提取所述目标轮廓的准确性。
所述确定单元114根据所述目标图像确定所述目标轮廓中所有像素点的深度值。
在本申请的至少一个实施例中，所述深度值是指像素对应到所述待检测植物上的特征点距离摄像装置的高度。
在本申请的至少一个实施例中，所述确定单元114根据所述目标图像确定所述目标轮廓中所有像素点的深度值包括：
所述确定单元114确定每个像素点在所述目标图像上的目标位置，进一步地，所述确定单元114从所述目标图像上获取所述目标位置上的深度值，作为每个像素点的深度值。
通过根据所述目标图像确定所述目标轮廓中所有像素点的深度值，能够准确快速确定所述所有像素点的深度值。
所述确定单元114对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度。
在本申请的至少一个实施例中，所述确定单元114对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度包括：
所述确定单元114从所述所有深度值中获取等于预设值的深度值，并将获取到的深度值确定为零值，进一步地，所述确定单元114从所述所有深度值中删除所述零值，并将剩余的深度值确定为所述目标深度值，更进一步地，所述确定单元114确定所述目标深度值的数量，所述确定单元114计算所述目标深度值的总和，并将所述总和除以所述数量，得到所述待检测植物与所述摄像装置的距离，更进一步地，所述确定单元114确定所述摄像装置所在位置的摄像高度，所述确定单元114将所述摄像高度与所述距离进行相减运算，得到所述待检测植物的高度。
通过对所述所有深度值进行去噪处理，得到目标深度值，能够再次确保所述目标深度值中没有包含无关信息的深度值，并根据所述目标深度值能够准确地确定所述待检测植物的高度。
在本申请的至少一个实施例中，在根据所述目标深度值确定所述待检测植物的高度之后，当所述高度小于预设高度时，生成单元121根据所述高度生成告警信息，进一步地，加密单元122采用对称加密算法加密所述告警信息，得到密文，更进一步地，所述确定单元114根据所述待检测植物确定所述密文的告警等级，所述确定单元114根据所述告警等级确定告警方式，更进一步地，发送单元123以所述告警方式发送所述密文。
其中，所述预设高度可以根据所述待检测植物的预期生成速率设置，本申请对所述预设高度的取值不作限制。
进一步地，所述告警等级包括：等级一、等级二等。
更进一步地，所述告警方式包括：扬声器的警报声、邮件方式、电话方式等。
通过上述实施方式，能够在所述高度小于所述预设高度时，发出告警信息，此外，通过加密告警信息，能够避免告警信息被篡改，提高告警信息的安全性，同时，根据告警等级确定告警方式，能够以合适的告警方式发送告警信息，使告警信息的发送更加人性化。
由以上技术方案可以看出，本申请通过将所述彩色图像与所述深度图像进行映射处理，能够得到包含深度值的目标图像，进而通过预先训练好的mobilenet-ssd网络能够快速检测出所述检测框，提高检测效率，从所述检测框内提取所述待检测植物的目标轮廓，能够提取到除无关信息外的目标轮廓，通过根据所述目标图像确定所述目标轮廓中所有像素点的深度值，能够准确快速确定所述所有像素点的深度值，进而通过对所述所有深度值进行去噪处理，得到目标深度值，能够再次确保所述目标深度值中没有包含无关信息的深度值，并根据所述目标深度值能够准确地确定所述待检测植物的高度。
如图4所示，是本申请实现植物高度确定方法的较佳实施例的电子设备的结构示意图。
在本申请的一个实施例中，所述电子设备1包括，但不限于，存储器12、处理器13，以及存储在所述存储器12中并可在所述处理器13上运行的计算机程序，例如植物高度确定程序。
本领域技术人员可以理解，所述示意图仅仅是电子设备1的示例，并不构成对电子设备1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，例如所述电子设备1还可以包括输入输出设备、网络接入设备、总线等。
所述处理器13可以是中央处理单元(Central Processing Unit，CPU)，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)、现场可编程门阵列(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，所述处理器13是所述电子设备1的运算核心和控制中心，利用各种接口和线路连接整个电子设备1的各个部分，及执行所述电子设备1的操作系统以及安装的各类应用程序、程序代码等。
所述处理器13执行所述电子设备1的操作系统以及安装的各类应用程序。所述处理器13执行所述应用程序以实现上述各个植物高度确定方法实施例中的步骤，例如图2所示的步骤。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器12中，并由所述处理器13执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述电子设备1中的执行过程。例如，所述计算机程序可以被分割成获取单元110、映射单元111、检测单元112、提取单元113、确定单元114、融合单元115、划分单元116、训练单元117、调整单元118、计算单元119、增强单元120、生成单元121、加密单元122及发送单元123。
所述存储器12可用于存储所述计算机程序和/或模块，所述处理器13通过运行或执行存储在所述存储器12内的计算机程序和/或模块，以及调用存储在存储器12内的数据，实现所述电子设备1的各种功能。所述存储器12可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器12可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
所述存储器12可以是电子设备1的外部存储器和/或内部存储器。进一步地，所述存储器12可以是具有实物形式的存储器，如内存条、TF卡(Trans-flash Card)等等。
所述电子设备1集成的模块/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，也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可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)。
结合图2，所述电子设备1中的所述存储器12存储多个指令以实现一种植物高度确定方法，所述处理器13可执行所述多个指令从而实现：获取待检测植物的彩色图像及深度图像；将所述彩色图像与所述深度图像进行映射处理，得到目标图像；利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框；从所述检测框内提取所述待检测植物的目标轮廓；根据所述目标图像确定所述目标轮廓中所有像素点的深度值；对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度。
具体地，所述处理器13对上述指令的具体实现方法可参考图2对应实施例中相关步骤的描述，在此不赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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，或者也可以分布图像到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本申请内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。本申请中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本申请的技术方案而非限制，尽管参照较佳实施例对本申请进行了详细说明，本领域的普通技术人员应当理解，可以对本申请的技术方案进行修改或等同替换，而不脱离本申请技术方案的精神和范围。

Claims (10)

1.一种植物高度确定方法，其特征在于，所述植物高度确定方法包括：
获取待检测植物的彩色图像及深度图像；
将所述彩色图像与所述深度图像进行映射处理，得到目标图像；
利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框；
从所述检测框内提取所述待检测植物的目标轮廓；
根据所述目标图像确定所述目标轮廓中所有像素点的深度值；
对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度。
2.如权利要求1所述的植物高度确定方法，其特征在于，所述获取待检测植物的彩色图像及深度图像包括以下一种或者多种方式的组合：
利用摄像装置的第一镜头拍摄所述待检测植物，得到所述彩色图像，并利用所述摄像装置的第二镜头拍摄所述待检测植物，得到所述深度图像；及/或
确定所述待检测植物的标签，从第一配置库中获取带有所述标签的图像作为所述彩色图像，从第二配置库中获取带有所述标签的图像作为所述深度图像。
3.如权利要求2所述的植物高度确定方法，其特征在于，所述对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度包括：
从所述所有深度值中获取等于预设值的深度值，并将获取到的深度值确定为零值；
从所述所有深度值中删除所述零值，并将剩余的深度值确定为所述目标深度值；
确定所述目标深度值的数量；
计算所述目标深度值的总和；
将所述总和除以所述数量，得到所述待检测植物与所述摄像装置的距离；
确定所述摄像装置所在位置的摄像高度；
将所述摄像高度与所述距离进行相减运算，得到所述待检测植物的高度。
4.如权利要求1所述的植物高度确定方法，其特征在于，所述将所述彩色图像与所述深度图像进行映射处理，得到目标图像包括：
获取所述深度图像上的所有深度像素；
将所述所有深度像素映射到预设深度坐标系中，得到所述所有深度像素的深度坐标；
根据所有深度坐标及预设世界坐标系确定所述所有深度像素的世界坐标；
根据所有世界坐标确定所述所有深度像素在所述彩色图像上的位置，并确定所述位置在所述彩色图像上的彩色像素；
将每个深度像素与每个彩色像素进行融合，得到所述目标图像。
5.如权利要求1所述的植物高度确定方法，其特征在于，所述利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框包括：
获取所述mobilenet-ssd网络中的深度卷积核及点卷积核；
利用所述深度卷积核提取所述彩色图像的特征，得到第一特征图；
利用所述点卷积核对所述第一特征图进行处理，得到所述检测框。
6.如权利要求1所述的植物高度确定方法，其特征在于，所述从所述检测框内提取所述待检测植物的目标轮廓包括：
删除所述检测框中的背景图像，得到灰度图像；
检测所述灰度图像上所述待检测植物的轮廓，得到所述目标轮廓。
7.如权利要求1所述的植物高度确定方法，其特征在于，所述根据所述目标图像确定所述目标轮廓中所有像素点的深度值包括：
确定每个像素点在所述目标图像上的目标位置；
从所述目标图像上获取所述目标位置上的深度值，作为每个像素点的深度值。
8.一种植物高度确定装置，其特征在于，所述植物高度确定装置包括：
获取单元，用于获取待检测植物的彩色图像及深度图像；
映射单元，用于将所述彩色图像与所述深度图像进行映射处理，得到目标图像；
检测单元，用于利用预先训练好的mobilenet-ssd网络检测所述彩色图像，得到带有所述待检测植物的检测框；
提取单元，用于从所述检测框内提取所述待检测植物的目标轮廓；
确定单元，用于根据所述目标图像确定所述目标轮廓中所有像素点的深度值；
所述确定单元，还用于对所述所有深度值进行去噪处理，得到目标深度值，并根据所述目标深度值确定所述待检测植物的高度。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储至少一个指令；及
处理器，执行所述存储器中存储的指令以实现如权利要求1至7中任意一项所述的植物高度确定方法。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现如权利要求1至7中任意一项所述的植物高度确定方法。
CN202110037831.6A 2021-01-12 2021-01-12 植物高度确定方法、装置、电子设备及介质 Pending CN114764814A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110037831.6A CN114764814A (zh) 2021-01-12 2021-01-12 植物高度确定方法、装置、电子设备及介质
US17/571,847 US11954875B2 (en) 2021-01-12 2022-01-10 Method for determining height of plant, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110037831.6A CN114764814A (zh) 2021-01-12 2021-01-12 植物高度确定方法、装置、电子设备及介质

Publications (1)

Publication Number Publication Date
CN114764814A true CN114764814A (zh) 2022-07-19

Family

ID=82322018

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110037831.6A Pending CN114764814A (zh) 2021-01-12 2021-01-12 植物高度确定方法、装置、电子设备及介质

Country Status (2)

Country Link
US (1) US11954875B2 (zh)
CN (1) CN114764814A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345919A (zh) * 2022-08-25 2022-11-15 北京精英路通科技有限公司 一种深度确定方法、装置、电子设备以及存储介质

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10096154B2 (en) * 2016-04-04 2018-10-09 University Of Cincinnati Localized contour tree method for deriving geometric and topological properties of complex surface depressions based on high resolution topographical data
CN109285145B (zh) * 2018-08-12 2021-07-02 浙江农林大学 基于智能手机的多株立木高度测量方法
CN109115776B (zh) * 2018-08-27 2020-07-31 江苏大学 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置
CN109389589A (zh) 2018-09-28 2019-02-26 百度在线网络技术（北京）有限公司 用于统计人数的方法和装置
CN109584293A (zh) * 2018-11-14 2019-04-05 南京农业大学 一种基于rgb-d视觉技术的温室作物三维形态全景测量系统
US11501454B2 (en) * 2019-10-25 2022-11-15 7-Eleven, Inc. Mapping wireless weight sensor array for item detection and identification
CN111640140B (zh) * 2020-05-22 2022-11-25 北京百度网讯科技有限公司 目标跟踪方法、装置、电子设备及计算机可读存储介质
CN112102391A (zh) 2020-08-31 2020-12-18 北京市商汤科技开发有限公司 测量方法及装置、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115345919A (zh) * 2022-08-25 2022-11-15 北京精英路通科技有限公司 一种深度确定方法、装置、电子设备以及存储介质
CN115345919B (zh) * 2022-08-25 2024-04-12 北京精英路通科技有限公司 一种深度确定方法、装置、电子设备以及存储介质

Also Published As

Publication number Publication date
US20220222836A1 (en) 2022-07-14
US11954875B2 (en) 2024-04-09

Similar Documents

Publication Publication Date Title
CN110853033B (zh) 基于帧间相似度的视频检测方法和装置
KR20180105876A (ko) 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치
CN114820758A (zh) 植物生长高度测量方法、装置、电子设备及介质
CN109035147B (zh) 图像处理方法及装置、电子装置、存储介质和计算机设备
CN111325051A (zh) 一种基于人脸图像roi选取的人脸识别方法及装置
CN110222572A (zh) 跟踪方法、装置、电子设备及存储介质
CN113240031B (zh) 全景图像特征点匹配模型的训练方法、装置以及服务器
CN108596032B (zh) 一种视频中打架行为检测方法、装置、设备及介质
CN112561973A (zh) 训练图像配准模型的方法、装置和电子设备
CN111783593A (zh) 基于人工智能的人脸识别方法、装置、电子设备及介质
CN112287867A (zh) 一种多摄像头的人体动作识别方法及装置
CN112668453A (zh) 视频识别方法及相关设备
CN111667504A (zh) 一种人脸追踪方法、装置及设备
CN113112542A (zh) 一种视觉定位方法、装置、电子设备及存储介质
CN114049536A (zh) 一种虚拟样本生成方法、装置、存储介质及电子设备
CN114764814A (zh) 植物高度确定方法、装置、电子设备及介质
CN112529006B (zh) 全景图片的检测方法、装置、终端及存储介质
TWI762152B (zh) 植物高度確定方法、裝置、電腦裝置及介質
CN112102205B (zh) 图像去模糊方法、装置、电子设备及存储介质
CN114764833A (zh) 植物生长曲线确定方法、装置、电子设备及介质
CN114820743A (zh) 植物生长高度确定方法、装置、电子设备及介质
CN112991419A (zh) 视差数据生成方法、装置、计算机设备及存储介质
CN111369612A (zh) 一种三维点云图像生成方法及设备
TWI759069B (zh) 植物生長高度測量方法、裝置、電腦裝置及介質
CN113379853B (zh) 相机内参的获取方法、装置、设备及可读存储介质

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