CN115205677A - 识别图像信息的方法、装置、电子设备和计算机可读介质 - Google Patents

Abstract

本公开的实施例公开了识别图像信息方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标图像；对目标图像进行预处理，得到预处理图像；将预处理图像输入至预先训练的农作物识别模型，得到目标图像对应的至少一种农作物可信度；将预处理图像输入至预先训练的害虫识别模型，得到目标图像对应的至少一种害虫可信度；根据至少一种农作物可信度和至少一种害虫可信度，确定目标图像中的图像信息。实现了数字化农业的进步，解决了农作物生产过程中出现害虫的问题，提升农作物的生产效率和农作物质量。

Description

识别图像信息的方法、装置、电子设备和计算机可读介质

技术领域

本公开的实施例涉及图像处理技术领域，具体涉及识别图像信息方法、装置、电子设备和计算机可读介质。

背景技术

传统的农业是建立在悠久的农耕文明的基础之上的。是通过人类成千上万年来对于天象、四季、气候和环境的了解，对于生物的育种经验的掌握，对于人力、畜力和机械力的驾驭，对化学技术的破解和运用掌握，以及对于栽培、灌溉等技能的积累，所建立的一套完整的经验和知识的技术体系。

传统农业的生产效率主要取决于人们的经验和技术，因此在农作物终止过程中一旦出现害虫危害时，农作物的生产效率会大幅度降低，作物产品的质量和产量可控性也会大幅度降低。

发明内容

本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的一些实施例提出了用于识别图像信息的方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题。

第一方面，本公开的一些实施例提供了一种用于识别图像信息的方法，该方法包括：获取目标图像；对上述目标图像进行预处理，得到预处理图像；将上述预处理图像输入至预先训练的农作物识别模型，得到上述目标图像对应的至少一种农作物可信度；将上述预处理图像输入至预先训练的害虫识别模型，得到上述目标图像对应的至少一种害虫可信度；根据上述至少一种农作物可信度和上述至少一种害虫可信度，确定上述目标图像中的图像信息。

第二方面，本公开的一些实施例提供了一种识别图像信息装置，装置包括：获取单元，被配置成获取目标图像；处理单元，被配置成对上述目标图像进行预处理，得到预处理图像；农作物可信度生成单元，被配置成将上述预处理图像输入至预先训练的农作物识别模型，得到上述目标图像对应的至少一种农作物可信度；害虫可信度生成单元，被配置成将上述预处理图像输入至预先训练的害虫识别模型，得到上述目标图像对应的至少一种害虫可信度；识别单元，被配置成根据上述至少一种农作物可信度和上述至少一种害虫可信度，确定上述目标图像中的图像信息。

第三方面，本申请实施例提供了一种电子设备，该网络设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。

第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过对目标图像进行预处理，得到预处理图像，再对上述预处理图像进行识别以得到相应的农作物可信度和害虫可信度，最后确定上述目标图像中的图像信息。从而可以利用农作物的图像来确定农作物中存在的害虫等信息，实现了数字化农业的进步，解决了农作物生产过程中出现害虫的问题，提升农作物的生产效率和农作物质量。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。

图1是根据本公开的一些实施例的识别图像信息方法的一个应用场景的示意图；

图2是根据本公开的识别图像信息方法的一些实施例的流程图；

图3是根据本公开的识别图像信息装置的一些实施例的结构示意图；

图4是适于用来实现本公开的一些实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

下面将参考附图并结合实施例来详细说明本公开。

图1是根据本公开一些实施例的识别图像信息方法的一个应用场景的示意图。

如图1所示，执行主体服务器101可以获取目标图像102，并对上述目标图像102进行预处理，得到预处理图像103，之后将上述预处理图像103输入至农作物识别模型104和害虫识别模型106，得到至少一种害虫可信度107和至少一种农作物可信度105，最后再根据至少一种害虫可信度107和至少一种农作物可信度105生成目标图像102对应的图像信息108。

可以理解的是，识别图像信息方法可以是由终端设备来执行，或者也可以是由服务器101来执行，上述方法的执行主体还可以包括上述终端设备与上述服务器101通过网络相集成所构成的设备，或者还可以是各种软件程序来执行。其中，终端设备可以是具有信息处理能力的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。执行主体也可以体现为服务器101、软件等。当执行主体为软件时，可以安装在上述所列举的电子设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的服务器数目仅仅是示意性的。根据实现需要，可以具有任意数目的服务器。

继续参考图2，示出了根据本公开的识别图像信息方法的一些实施例的流程200。该识别图像信息方法，包括以下步骤：

步骤201，获取目标图像。

在一些实施例中，识别图像信息方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式获取目标图像。需要指出的是，上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultrawideband)连接、以及其他现在已知或将来开发的无线连接方式。

在这里，上述目标图像通常是指包含农作物的图像。

步骤202，对目标图像进行预处理，得到预处理图像。

在一些实施例中，基于步骤201中得到的目标图像，上述执行主体(例如图1所示的服务器)可以对上述目标图像进行预处理。在这里，上述预处理的方式有多种。作为示例，上述执行主体可以将目标图像调整为预设尺寸以得到预处理图像。作为又一示例，上述执行主体还可以将上述目标图像调整为预设分辨率以得到预处理图像。

步骤203，将预处理图像输入至预先训练的农作物识别模型，得到目标图像对应的至少一种农作物可信度。

在一些实施例中，上述执行主体可以将预处理图像输入至预先训练的农作物识别模型，得到目标图像对应的至少一种农作物可信度。具体的，上述农作物可信度通常是指上述预处理图像中存在该农作物的可能性。作为示例，上述至少一种农作物可信度可以是：预处理图像中的农作物10％概率为玉米、预处理图像中的农作物90％概率为水稻。

在这里，上述农作物识别模型通常用于表征上述预处理图像和至少一种农作物可信度的对应关系。作为示例，上述农作物识别模型可以是预先训练的卷积神经网络。作为又一示例，上述农作物识别模型还可以是研究人员基于大量数据建立的预处理图像和农作物可信度的对应关系表。

在一些实施例的一些可选的实现方式中，上述农作物识别模型是根据以下步骤训练得到的：

获取训练样本集合，其中，上述训练样本集合包括输入样本以及和上述输入样本对应的期望输出样本。具体的，上述输入样本通常为带有标签的待识别图像。在这里，上述待识别图像的标签为上述待识别图像的期望输出样本。

将上述输入样本输入至待训练模型，得到实际输出样本；将上述实际输出样本和上述期望输出样本进行对比，得到对比结果；响应于上述比对结果满足预设条件，确定上述待训练模型训练完成，将上述待训练模型确定为农作物识别模型。

在一些实施例的一些可选的实现方式中，响应于上述比对结果不满足预设条件，上述执行主体可以使用随机梯度下降优化函数(Stochasitc Gradient Descent)进行反向传播更新上述待训练模型的参数。

在一些实施例的一些可选的实现方式中，上述随机梯度下降优化函数的学习率设置为0.001。在这里，学习率太大可能对上述待训练模型的输出有影响，学习率太小可能导致训练过程太慢。

步骤204，将预处理图像输入至预先训练的害虫识别模型，得到目标图像对应的至少一种害虫可信度。

在一些实施例中，上述执行主体可以将预处理图像输入至预先训练的害虫识别模型，得到目标图像对应的至少一种害虫可信度。

具体的，上述害虫可信度通常是指上述预处理图像中存在该害虫的可能性。作为示例，上述至少一种害虫可信度可以是：预处理图像中的害虫10％概率为蚜虫、预处理图像中的害虫90％概率为棉铃虫。

在这里，上述害虫识别模型通常用于表征上述预处理图像和至少一种害虫可信度的对应关系。作为示例，上述害虫识别模型可以是预先训练的卷积神经网络。作为又一示例，上述害虫识别模型还可以是研究人员基于大量数据建立的预处理图像和害虫可信度的对应关系表。

在一些实施例的一些可选的实现方式中，上述害虫识别模型是利用第二训练样本集合对第二待训练模型进行训练得到的，包括以下训练步骤：获取第二训练样本集合，其中，所述第二训练样本集合包括输入样本以及和所述输入样本对应的期望输出样本；将所述输入样本输入至第二待训练模型，得到实际输出样本；将所述实际输出样本和所述期望输出样本进行对比，得到对比结果；响应于所述比对结果满足预设条件，确定所述第二待训练模型训练完成，将所述第二待训练模型确定为害虫识别模型。具体的，上述第二训练样本集合中的上述输入样本通常为带有标签的待识别图像。在这里，上述待识别图像的标签为上述待识别图像的期望输出样本。

在一些实施例的一些可选的实现方式中，响应于上述比对结果不满足预设条件，上述执行主体可以使用随机梯度下降优化函数(Stochasitc Gradient Descent)进行反向传播更新上述待训练模型的参数。

在一些实施例的一些可选的实现方式中，上述随机梯度下降优化函数的学习率设置为0.001。在这里，学习率太大可能对上述待训练模型的输出有影响，学习率太小可能导致训练过程太慢。

步骤204，根据至少一种农作物可信度和至少一种害虫可信度，确定目标图像中的图像信息。

在一些实施例中，上述执行主体可以根据至少一种农作物可信度和至少一种害虫可信度，确定目标图像中的图像信息。在这里，上述图像信息通常是指上述目标图像存在的农作物信息和害虫信息。

作为示例，上述执行主体可以将可信度最高的农作物可信度和害虫可信度对应的害虫信息和农作物信息作为图像信息。

在一些实施例的一些可选的实现方式中，上述执行主体可以获取上述目标图像对应的位置信息，上述位置数据包括当前环境因子、温度、湿度、日照；

对于上述至少一种农作物可信度中的每种农作物可信度，将上述农作物可信度与每种害虫可信度进行组合，得到至少一种组合可信度。在这里，上述组合可信度通常是由农作物可信度和害虫可信度进行算数运算(相乘或相加等方式)得到的。

对于上述至少一种组合可信度中的每一种组合可信度，根据上述位置信息和上述组合可信度在目标数据库中进行验证，得到至少一种验证结果。具体的，上述执行主体可以在上述目标数据库中验证A农作物是否会存在a害虫。

从上述至少一种验证结果中选取目标验证结果，以及将上述目标验证结果确定为上述图像信息。

作为示例，在对某张目标图像进行识别后，可以得到待识别农作物是玉米的可信度为0.5，是棉花的可信度为0.4，是花生的可信度为0.1等等。通过害虫识别模型对相同的目标图像进行处理后，得到该图像中的待识别害虫是蚜虫的可信度为0.8，是棉铃虫和红蜘蛛的可信度分别为0.1；则可以分别将上述待识别农作物的可信度与待识别害虫的可信度分别相乘，一共得到目标图像的9个组合。

即：玉米+蚜虫＝0.5*0.8＝0.4；

棉花+棉铃虫＝0.4*0.1＝0.03；

花生+红蜘蛛＝0.1*0.1＝0.01；

玉米+棉铃虫＝0.5*0.1＝0.05；

棉花+红蜘蛛＝0.4*0.1＝0.04；

花生+蚜虫＝0.1*0.8＝0.08；

玉米+红蜘蛛＝0.5*0.1＝0.05；

棉花+蚜虫＝0.4*0.8＝0.32；

花生+棉铃虫＝0.1*0.1＝0.01；

再将结果与信息库中数据对比，例如在信息库中可以记录有棉花上可能出现蚜虫、棉铃虫和红蜘蛛等三种害虫，而玉米上出现蚜虫、棉铃虫和红蜘蛛等三种害虫的可能性较低，花生上出现蚜虫和棉铃虫的可能性也较低等等。

可以对上述4个数值进行排序，确定棉花与蚜虫的组合可信度为4个数值中的最大值，则可以确定目标图像中的图像信息为：农作物为棉花，害虫为蚜虫。

在一些实施例的一些可选的实现方式中，上述执行主体还可以获取上述目标图像对应的位置信息，上述位置数据包括当前环境因子信息、温度信息、湿度信息、日照信息。之后，上述执行主体可以根据上述图像信息，从目标数据库中确定目标图像对应的数据库信息。具体的，上述执行主体可以利用上述图像信息在上述目标数据库中进行检索以得到数据库信息。在这里，上述目标数据库通常是指上述存储了多种害虫解决方案以及存储了多种农作物对应的害虫信息的数据库。

根据上述位置信息、上述图像信息和上述数据库信息，生成治理方案以及将上述治理方案发送至目标设备。作为示例，上述执行主体可以将上述位置信息、上述图像信息和上述数据库信息合并为治理方案。在这里，上述目标设备通常是指提供目标图像的设备或是用户指定的设备。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过对目标图像进行预处理，得到预处理图像，再对上述预处理图像进行识别以得到相应的农作物可信度和害虫可信度，最后确定上述目标图像中的图像信息。从而可以利用农作物的图像来确定农作物中存在的害虫等信息，实现了数字化农业的进步，解决了农作物生产过程中出现害虫的问题，提升农作物的生产效率和农作物质量。

进一步参考图3，作为对上述各图所示方法的实现，本公开提供了一种识别图像信息装置的一些实施例，这些装置实施例与图2所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图3所示，一些实施例的识别图像信息装置300包括：获取单元301、处理单元302、农作物可信度生成单元303、害虫可信度生成单元304和识别单元305。其中，获取单元301，被配置成获取目标图像；处理单元302，被配置成对上述目标图像进行预处理，得到预处理图像；农作物可信度生成单元303，被配置成将上述预处理图像输入至预先训练的农作物识别模型，得到上述目标图像对应的至少一种农作物可信度；害虫可信度生成单元304，被配置成将上述预处理图像输入至预先训练的害虫识别模型，得到上述目标图像对应的至少一种害虫可信度；识别单元305，被配置成根据上述至少一种农作物可信度和上述至少一种害虫可信度，确定上述目标图像中的图像信息。

在一些实施例的可选实现方式中，上述装置还包括发送单元配置用于：获取上述目标图像对应的位置信息，上述位置数据包括当前环境因子信息、温度信息、湿度信息、日照信息；根据上述图像信息，从目标数据库中确定目标图像对应的数据库信息；根据上述位置信息、上述图像信息和上述数据库信息，生成治理方案以及将上述治理方案发送至目标设备。

在一些实施例的可选实现方式中，上述农作物识别模型是根据以下步骤训练得到的：获取训练样本集合，其中，上述训练样本集合包括输入样本以及和上述输入样本对应的期望输出样本；将上述输入样本输入至待训练模型，得到实际输出样本；将上述实际输出样本和上述期望输出样本进行对比，得到对比结果；响应于上述比对结果满足预设条件，确定上述待训练模型训练完成，将上述待训练模型确定为农作物识别模型。

在一些实施例的可选实现方式中，上述装置还包括调整单元配置用于：响应于上述比对结果不满足预设条件，使用随机梯度下降优化函数进行反向传播更新上述待训练模型的参数。

在一些实施例的可选实现方式中，上述随机梯度下降优化函数的学习率设置为0.001。

在一些实施例的可选实现方式中，上述害虫识别模型是利用第二训练样本集合，如上述各个实施例之一上述的农作物识别模型的训练方法，对第二待训练模型进行训练得到的。

在一些实施例的可选实现方式中，识别单元被进一步的配置成：获取上述目标图像对应的位置信息，上述位置数据包括当前环境因子、温度、湿度、日照；对于上述至少一种农作物可信度中的每种农作物可信度，将上述农作物可信度与每种害虫可信度进行组合，得到至少一种组合可信度；对于上述至少一种组合可信度中的每一种组合可信度，根据上述位置信息和上述组合可信度在目标数据库中进行验证，得到至少一种验证结果；从上述至少一种验证结果中选取目标验证结果，以及将上述目标验证结果确定为上述图像信息。

可以理解的是，该装置300中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置300及其中包含的单元，在此不再赘述。

本公开的上述各个实施例中的一个实施例具有如下有益效果：通过对目标图像进行预处理，得到预处理图像，再对上述预处理图像进行识别以得到相应的农作物可信度和害虫可信度，最后确定上述目标图像中的图像信息。从而可以利用农作物的图像来确定农作物中存在的害虫等信息，实现了数字化农业的进步，解决了农作物生产过程中出现害虫的问题，提升农作物的生产效率和农作物质量。

下面参考图4，其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的服务器)400的结构示意图。图4示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图4中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开的一些实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标图像；对上述目标图像进行预处理，得到预处理图像；将上述预处理图像输入至预先训练的农作物识别模型，得到上述目标图像对应的至少一种农作物可信度；将上述预处理图像输入至预先训练的害虫识别模型，得到上述目标图像对应的至少一种害虫可信度；根据上述至少一种农作物可信度和上述至少一种害虫可信度，确定上述目标图像中的图像信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、处理单元、农作物可信度生成单元、害虫可信度生成单元和识别单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取目标图像的单元”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种用于识别图像信息的方法，包括：

获取目标图像；

对所述目标图像进行预处理，得到预处理图像；

将所述预处理图像输入至预先训练的农作物识别模型，得到所述目标图像对应的至少一种农作物可信度；

将所述预处理图像输入至预先训练的害虫识别模型，得到所述目标图像对应的至少一种害虫可信度；

根据所述至少一种农作物可信度和所述至少一种害虫可信度，确定所述目标图像中的图像信息。

2.根据权利要求1所述的方法，其中，所述方法还包括：

获取所述目标图像对应的位置信息，所述位置数据包括当前环境因子信息、温度信息、湿度信息、日照信息；

根据所述图像信息，从目标数据库中确定目标图像对应的数据库信息；

根据所述位置信息、所述图像信息和所述数据库信息，生成治理方案以及将所述治理方案发送至目标设备。

3.根据权利要求1所述的方法，其中，所述农作物识别模型是根据以下步骤训练得到的：

获取训练样本集合，其中，所述训练样本集合包括输入样本以及和所述输入样本对应的期望输出样本；

将所述输入样本输入至待训练模型，得到实际输出样本；

将所述实际输出样本和所述期望输出样本进行对比，得到对比结果；

响应于所述比对结果满足预设条件，确定所述待训练模型训练完成，将所述待训练模型确定为农作物识别模型。

4.根据权利要求3所述的方法，其中，所述方法还包括：

响应于所述比对结果不满足预设条件，使用随机梯度下降优化函数进行反向传播更新所述待训练模型的参数。

5.根据权利要求4所述的方法，其中，所述随机梯度下降优化函数的学习率设置为0.001。

6.根据权利要求1所述的方法，其中，所述害虫识别模型是利用第二训练样本集合对第二待训练模型进行训练得到的，包括以下训练步骤：

获取第二训练样本集合，其中，所述第二训练样本集合包括输入样本以及和所述输入样本对应的期望输出样本；

将所述输入样本输入至第二待训练模型，得到实际输出样本；

将所述实际输出样本和所述期望输出样本进行对比，得到对比结果；

响应于所述比对结果满足预设条件，确定所述第二待训练模型训练完成，将所述第二待训练模型确定为害虫识别模型。

7.根据权利要求1所述的方法，其中，所述根据所述至少一种农作物可信度和所述至少一种害虫可信度，确定所述目标图像中的图像信息，包括以下步骤：

获取所述目标图像对应的位置信息，所述位置数据包括当前环境因子、温度、湿度、日照；

对于所述至少一种农作物可信度中的每种农作物可信度，将所述农作物可信度与每种害虫可信度进行组合，得到至少一种组合可信度；

对于所述至少一种组合可信度中的每一种组合可信度，根据所述位置信息和所述组合可信度在目标数据库中进行验证，得到至少一种验证结果；

从所述至少一种验证结果中选取目标验证结果，以及将所述目标验证结果确定为所述图像信息。

8.一种用于识别图像信息的装置，包括：

获取单元，被配置成获取目标图像；

处理单元，被配置成对所述目标图像进行预处理，得到预处理图像；

农作物可信度生成单元，被配置成将所述预处理图像输入至预先训练的农作物识别模型，得到所述目标图像对应的至少一种农作物可信度；

害虫可信度生成单元，被配置成将所述预处理图像输入至预先训练的害虫识别模型，得到所述目标图像对应的至少一种害虫可信度；

识别单元，被配置成根据所述至少一种农作物可信度和所述至少一种害虫可信度，确定所述目标图像中的图像信息。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个计算机程序，

当所述一个或多个计算机程序被所述一个或多个处理器执行时，实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被执行时实现如权利要求1-7中任一所述的方法。

Images