CN115620151A - 物候期识别方法、装置、电子设备和存储介质 - Google Patents

Abstract

本发明涉及数据处理技术领域，提供一种候期识别方法、装置、电子设备和存储介质。其中方法包括：获取目标作物种植区域的待识别图像，并确定水稻待识别图像的作物类型对应的物候期识别模型；基于水稻物候期识别模型，对水稻待识别图像进行物候期识别，获得物候期识别结果；其中，水稻物候期识别模型是基于样本识别图像和水稻样本识别图像对应的样本物候期识别结果训练得到的；水稻样本识别图像包括水稻作物类型对应的生育期内每一天的图像。本发明中，样本识别图像包括作物类型对应的生育期内每一天的图像，从而在模型的训练过程中考虑了作物生长的连续性和渐变性，从而提高物候期识别的准确性。

Description

物候期识别方法、装置、电子设备和存储介质

技术领域

本发明涉及数据处理技术领域，尤其涉及一种物候期识别方法、装置、电子设备和存储介质。

背景技术

物候期是指作物的生长、发育、活动等规律与生物的变化对节候的反应，正在产生这种反应的时候叫物候期。对作物所处的物候期进行识别，可以指导作物精准种植、防治害虫、规避风险、合理调配生产资源，从而提高作物的产量和质量。

目前，对作物的各个物候期的图像进行特征提取，生成特征库，根据各物候期的特征建立数学模型，从而通过对作物的待识别图像进行特征提取，并基于该数学模型进行分析，实现物候期的自动识别。然而，作物生长具有连续性、渐变性，两个连续物候期之间是渐变的，仅是获取各个物候期的图像建立数学模型，并无法准确划分物候期，导致物候期识别准确性不高。

发明内容

本发明提供一种物候期识别方法、装置、电子设备和存储介质，用以解决现有技术中物候期识别准确性低的缺陷，实现高准确的物候期识别。

本发明提供一种物候期识别方法，包括：

获取目标作物种植区域的待识别图像，并确定所述待识别图像的作物类型对应的物候期识别模型；

基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果；

其中，所述物候期识别模型是基于样本识别图像和所述样本识别图像对应的样本物候期识别结果训练得到的；

所述样本识别图像包括所述作物类型对应的生育期内每一天的图像。

根据本发明提供的一种物候期识别方法，所述物候期识别结果包括物候期结果和所述物候期结果对应的物候期天数；

所述物候期结果用于表征作物所处的目标物候期，所述物候期天数用于表征作物处于所述目标物候期的天数。

根据本发明提供的一种物候期识别方法，所述基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果，包括：

基于所述物候期识别模型，对所述待识别图像进行物候期识别得到物候期结果，并对所述待识别图像进行物候期天数预测得到所述物候期结果对应的物候期天数；或，

基于所述物候期识别模型，对所述待识别图像进行生育期天数预测得到生育期天数，并基于所述生育期天数确定物候期结果和所述物候期结果对应的物候期天数，所述生育期天数用于表征作物从播种开始时刻至当前时刻的天数。

根据本发明提供的一种物候期识别方法，所述对所述待识别图像进行物候期天数预测得到所述物候期结果对应的物候期天数，包括：

对所述待识别图像进行生长指数预测，得到所述物候期结果对应的生长指数；

基于所述物候期结果对应的生长指数日变化值和所述生长指数，确定所述物候期结果对应的物候期天数。

根据本发明提供的一种物候期识别方法，所述确定所述待识别图像的作物类型对应的物候期识别模型，包括：

基于实例分割模型，对所述待识别图像进行语义分割获得目标作物区域图，并对所述目标作物区域图进行实例识别得到所述目标作物区域图的作物类型；

从物候期识别模型集中确定出所述作物类型对应的物候期识别模型；

所述基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果，包括：

基于所述物候期识别模型，对所述目标作物区域图进行物候期识别，获得所述目标作物种植区域中各目标作物的物候期识别结果。

根据本发明提供的一种物候期识别方法，所述实例分割模型是基于损失函数训练得到的，所述损失函数包括对损失值进行加权计算的加权权重，不同作物类别对应的所述加权权重不同，任一作物类别对应的加权权重是基于如下步骤确定：

确定样本图像的总像素个数，以及所述样本图像中所述任一作物类别对应的像素个数；

确定所述总像素个数与所述像素个数的差值；

基于所述差值与所述总像素个数的比值，确定所述任一作物类别对应的加权权重。

根据本发明提供的一种物候期识别方法，所述获取目标作物种植区域的待识别图像，包括：

获取目标作物种植区域的采集图像；

对所述采集图像进行图像拉伸处理，得到所述目标作物种植区域的待识别图像。

本发明还提供一种物候期识别装置，包括：

获取模块，用于获取目标作物种植区域的待识别图像，并确定所述待识别图像的作物类型对应的物候期识别模型；

识别模块，用于基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果；

其中，所述物候期识别模型是基于样本识别图像和所述样本识别图像对应的样本物候期识别结果训练得到的；

所述样本识别图像包括所述作物类型对应的生育期内每一天的图像。

本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述物候期识别方法。

本发明还提供一种非暂态计算机可读存储介质，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上述任一种所述物候期识别方法。

本发明提供的物候期识别方法、装置、电子设备和存储介质，确定目标作物种植区域的待识别图像的作物类型对应的物候期识别模型，以针对不同的作物类型有不同的物候期识别模型，从而提高物候期识别的准确性；同时，目标作物种植区域的待识别图像涵盖了作物整体的图像，以供对作物整体进行物候期识别，不局限于作物关键部位，从而对图像质量要求不高，进而进一步提高物候期识别的准确性；最为重要的，对物候期识别模型进行训练的样本识别图像包括该物候期识别模型对应的作物类型对应的生育期内每一天的图像，从而在模型的训练过程中考虑了作物生长的连续性和渐变性，以使训练后的物候期识别模型可以对每一天的待识别图像进行精确的物候期识别，以准确划分作物的物候期，最终进一步提高物候期识别的准确性。

附图说明

为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。

图1为本发明提供的物候期识别方法的流程示意图之一；

图2为本发明提供的物候期识别方法的流程示意图之二；

图3为本发明提供的物候期识别装置的结构示意图；

图4为本发明提供的电子设备的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

物候期是指作物的生长、发育、活动等规律与生物的变化对节候的反应，正在产生这种反应的时候叫物候期。具体地，可以根据植株的外部形态变化来划分物候期。物候期可以划分为出苗期、分蘖期、开花期、成熟期等等。不同的作物类型具有不同的阶段发育特点和形态建成过程。作物的生长发育与温度、光照、水分、土壤、作物本身等多种因素有关。

对作物所处的物候期进行识别，可以指导作物精准种植、防治害虫、规避风险、合理调配生产资源，从而提高作物的产量和质量。因此，对作物所处的物候期进行准确识别是至关重要的，其对农业生产影响很大，基于此，需要对作物的物候期进行准确识别。

传统的作物生长状态观测主要依靠人工完成，然而，人工观测受主观影响较大，并严重依赖于人员的经验，导致物候期识别准确性较低，且人工观测效率低，极大降低物候期识别的效率。基于此，随着科技的迅速发展，可以通过设备实现对物候期的自动识别。

目前，对作物的各个物候期的图像进行特征提取，生成特征库，根据各物候期的特征建立数学模型，从而通过对作物的待识别图像进行特征提取，并基于该数学模型进行分析，实现物候期的自动识别。然而，作物生长具有连续性、渐变性，两个连续物候期之间是渐变的，仅是获取各个物候期的图像建立数学模型，并无法准确划分物候期，导致物候期识别准确性不高。

此外，通过神经网络模型，对作物关键部位的图像进行识别得到物候期识别结果，然而通过图像识别作物关键部位的方法来确定物候期，对图像质量要求高，因此无法确保物候期识别的准确性，且需要近距离拍摄，而近距离拍摄就无法覆盖更大的作物面积，无法对大面积作物进行物候期识别。

针对上述问题，本发明提出以下各实施例。图1为本发明提供的物候期识别方法的流程示意图之一，如图1所示，该物候期识别方法包括：

步骤110，获取目标作物种植区域的待识别图像，并确定所述待识别图像的作物类型对应的物候期识别模型。

此处，目标作物种植区域为种植有作物的区域，且其作物需要进行物候期识别。该目标作物种植区域可以包括一种作物，也可以包括多种作物，还可以包括作物和非作物，该非作物可以为房屋、街道等等。

此处，待识别图像为需要进行物候期识别的图像，该待识别图像为涵盖作物整体的图像，以供对作物整体进行物候期识别，不局限于作物关键部位，从而对图像质量要求不高，进而提高物候期识别的准确性。该待识别图像可以包括一种作物，也可以包括多种作物，还可以包括作物和非作物，该非作物可以为房屋、街道等等。该待识别图像用于记录作物的生长信息。

在一实施例中，待识别图像是由摄像装置采集得到的，该摄像装置设于目标作物种植区域，例如田间摄像头用于采集田间的图像。

在另一实施例中，待识别图像为遥感影像，该遥感影像是由遥感卫星采集得到，该遥感卫星每天都采集一期遥感影像。

在一实施例中，对待识别图像进行数据预处理，以得到优化后的待识别图像。该数据预处理用于优化图像质量，进而提高物候期识别的准确性。该数据预处理可以包括但不限于：图像拉伸处理、异常去除处理。考虑到受天气影响，不同时间段获得的待识别图像质量也不同，可以对待识别图像进行图像拉伸处理。考虑到极端天气的待识别图像质量较差，可以通过异常处理将其去除。

在一实施例中，待识别图像为预设时间点对应的图像。该预设时间点可以根据实际需要进行设定，例如，每天上午9点，从而避免光照对待识别图像的影响，进而提高物候期识别的准确性。

此处，作物类型用于表征待识别图像中的作物的类型。该作物类型可以包括但不限于：玉米、小麦、水稻等等。

需要说明的是，若待识别图像中包括M种作物，则作物类型的数量为M，相应的，物候期识别模型的数量也为M个，即一种作物类型对应一种物候期识别模型。例如，待识别图像中包括玉米作物、小麦作物，则待识别图像的作物类型包括玉米和小麦，物候期识别模型包括玉米物候期识别模型和小麦物候期识别模型。

在一实施例中，对待识别图像进行实例识别，得到待识别图像的作物类型。可以理解的是，此处仅确定作物的作物类型，并不确定非作物的类型。

在另一实施例中，已知目标作物种植区域所包括的作物，或已知待识别图像所包括的作物，则可以直接确定待识别图像的作物类型。

此处，物候期识别模型用于对每一天的待识别图像进行物候期识别。该物候期识别模型用于表征待识别图像中的作物特征，与作物的物候期之间的关系。

值得注意的是，考虑到不同类型的作物生长状况不同，不同类型的作物生育期不同，例如，玉米的生育期包括播种期、出苗期、拔节期、抽雄期、开花期、吐丝期、成熟期，而小麦的生育期包括播种期、出苗期、三叶期、分蘖期、越冬期、返青期、起身期、拔节期、孕穗期、抽穗期、开花期、乳熟期、成熟期，而水稻的生育期包括播种期、出苗期、三叶期、移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、成熟期；且不同类型的作物的生育期历时不同，例如，玉米的生育期历时为100天，小麦的生育期历时为244天，水稻的生育期历时为137天。基于此，预先构建了多种作物类型对应的物候期识别模型，以针对不同的作物类型有不同的物候期识别模型，进而提高物候期识别的准确性。此外，不同品种、不同地区的作物的生育期会有差别。

步骤120，基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果。

此处，物候期识别结果包括物候期结果，该物候期结果用于表征作物所处的目标物候期。若待识别图像包括一种作物，则物候期结果包括该作物对应的物候期结果；若待识别图像包括多种作物，则物候期结果包括多种作物对应的物候期结果。进一步地，物候期识别结果还包括物候期结果对应的物候期天数，物候期天数用于表征作物处于该目标物候期的天数，从而更细致地确定作物所处物候期的第几天，即得到以天为单位的物候期，进而进一步提高物候期识别的准确性。

需要说明的是，不同作物的物候期不同，例如，玉米的物候期包括播种期、出苗期、拔节期、抽雄期、开花期、吐丝期、成熟期，而小麦的物候期包括播种期、出苗期、三叶期、分蘖期、越冬期、返青期、起身期、拔节期、孕穗期、抽穗期、开花期、乳熟期、成熟期，而水稻的物候期包括播种期、出苗期、三叶期、移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、成熟期。

在一实施例中，若待识别图像包括多种作物，基于各作物对应的物候期识别模型，分别对待识别图像进行物候期识别，获得各作物对应的物候期识别结果。

其中，所述物候期识别模型是基于样本识别图像和所述样本识别图像对应的样本物候期识别结果训练得到的；所述样本识别图像包括所述作物类型对应的生育期内每一天的图像。

此处，样本物候期识别结果包括样本物候期结果。进一步地，样本物候期识别结果还包括样本物候期结果对应的样本物候期天数。

需要说明的是，为准确划分作物的物候期，提高物候期识别的准确性，进一步地，还为了使物候期识别结果还包括物候期结果对应的物候期天数，需要从作物的播种期到收获期每天均获取样本识别图像，即获取生育期内每一天的样本识别图像。示例性的，一天获取一张样本识别图像，例如，玉米的生育期历时为100天，则样本识别图像包括100天中每一天的图像。

此处，样本识别图像为涵盖作物整体的图像，进而使训练后的物候期识别模型，对作物整体进行物候期识别，不局限于作物关键部位，从而对图像质量要求不高，进而提高物候期识别的准确性。该样本识别图像可以包括一种作物，也可以包括多种作物，还可以包括作物和非作物，该非作物可以为房屋、街道等等。该样本识别图像用于记录作物的生长信息。

在一实施例中，为提高模型训练效果，样本识别图像仅包括一种作物的作物类型，即包括要训练的物候期识别模型对应的作物类型，

在另一实施例中，若样本识别图像包括多种作物类型，则需要先对样本识别图像进行语义分割，得到各样本作物区域图，进而基于作物类型对应的样本作物区域图进行模型训练。

在一实施例中，样本识别图像是由摄像装置采集得到的，例如田间摄像头用于采集田间的图像。在另一实施例中，样本识别图像为样本遥感影像，该样本遥感影像是由遥感卫星采集得到，该遥感卫星每天都采集一期遥感影像。

在一实施例中，对样本识别图像进行数据预处理，以得到优化后的样本识别图像，进而基于优化后的样本识别图像进行模型训练。该数据预处理用于优化图像质量，从而提高模型训练效果，进而提高物候期识别的准确性。该数据预处理可以包括但不限于：图像拉伸处理、异常去除处理。考虑到受天气影响，不同时间段获得的样本识别图像质量也不同，可以对样本识别图像进行图像拉伸处理。考虑到极端天气的样本识别图像质量较差，可以通过异常处理将其去除，但需确保每天都有对应的待识别图像。

在一实施例中，样本识别图像为预设时间点对应的图像。该预设时间点可以根据实际需要进行设定，例如，每天上午9点，从而避免光照对样本识别图像的影响，从而提高模型训练效果，进而提高物候期识别的准确性。

具体地，基于物候期识别模型的特征提取层，对待识别图像进行特征提取，得到图像特征；基于物候期识别模型的识别层，对图像特征进行识别，得到物候期识别结果。

其中，特征提取层的结构可以根据实际需要进行设定，例如vgg16，本发明实施例对此不做具体限定。进一步地，特征提取层还包括特征金字塔网络层，以将多个不同尺度大小的特征图输入至特征金字塔网络层，进行特征融合得到图像特征，即将深层特征与浅层特征相融合，进而提高物候期识别的准确性。

在一实施例中，确定物候期识别模型对应的作物类型，并确定该作物类型对应的生育期历时，将图像特征拉伸成1*1大小，且维度为生育期历时的一个特征，以基于物候期识别模型的识别层，对拉伸后的图像特征进行识别，得到物候期识别结果。例如，玉米的生育期历时为100天，则将图像特征拉伸成1*1大小100维的一个特征。基于此，使图像特征与作物的生育期历时匹配，进而便于得到对应于每一天的特征，从而便于确定作物所处物候期的第几天，即得到以天为单位的物候期，进而提高物候期识别的准确性。

本发明实施例提供的物候期识别方法，确定目标作物种植区域的待识别图像的作物类型对应的物候期识别模型，以针对不同的作物类型有不同的物候期识别模型，从而提高物候期识别的准确性；同时，目标作物种植区域的待识别图像涵盖了作物整体的图像，以供对作物整体进行物候期识别，不局限于作物关键部位，从而对图像质量要求不高，进而进一步提高物候期识别的准确性；最为重要的，对物候期识别模型进行训练的样本识别图像包括该物候期识别模型对应的作物类型对应的生育期内每一天的图像，从而在模型的训练过程中考虑了作物生长的连续性和渐变性，以使训练后的物候期识别模型可以对每一天的待识别图像进行精确的物候期识别，以准确划分作物的物候期，最终进一步提高物候期识别的准确性。

基于上述实施例，所述物候期识别结果包括物候期结果和所述物候期结果对应的物候期天数；所述物候期结果用于表征作物所处的目标物候期，所述物候期天数用于表征作物处于所述目标物候期的天数。

为便于理解，例如，目标物候期为出苗期，则物候期天数可以为出苗期的5天，即确定作物当前处于出苗期的第五天。

本发明实施例提供的物候期识别方法，其物候期识别结果不仅包括物候期结果，还包括物候期结果对应的物候期天数，物候期天数用于表征作物处于该目标物候期的天数，从而更细致地确定作物所处物候期的第几天，即得到以天为单位的物候期，进而进一步提高物候期识别的准确性。

基于上述任一实施例，该方法中，上述步骤120包括：

基于所述物候期识别模型，对所述待识别图像进行物候期识别得到物候期结果，并对所述待识别图像进行物候期天数预测得到所述物候期结果对应的物候期天数。

在一实施例中，所述对所述待识别图像进行物候期天数预测得到所述物候期结果对应的物候期天数，包括：

对所述待识别图像进行生长指数预测，得到所述物候期结果对应的生长指数；

基于所述物候期结果对应的生长指数日变化值和所述生长指数，确定所述物候期结果对应的物候期天数。

此处，生长指数用于表征作物处于目标物候期的生长程度。

此处，生长指数日变化值是基于各物候期内的持续天数确定的，该持续天数可以根据历史数据确定得到。例如，确定出苗期的持续天数为8天，则出苗期的生长指数日变化值为1/8。每一物候期结果均有对应的生长指数日变化值，即每一目标物候期均有对应的生长指数日变化值；且不同作物类型的物候期也不同，进而其生长指数日变化值也不同。

为便于理解，例如，玉米的出苗期的持续天数为8天，则其生长指数日变化值为1/8；玉米的拔节期的持续天数为25天，则其生长指数日变化值为1/25；玉米的抽雄期的持续天数为15天，则其生长指数日变化值为1/15；玉米的开花期的持续天数为4天，则其生长指数日变化值为1/4；玉米的吐丝期的持续天数为3天，则其生长指数日变化值为1/3；玉米的成熟期的持续天数为50天，则其生长指数日变化值为1/50。又例如，小麦的出苗期的持续天数为10天，则其生长指数日变化值为1/10；小麦的三叶期的持续天数为15天，则其生长指数日变化值为1/15；小麦的分蘖期的持续天数为16天，则其生长指数日变化值为1/16；小麦的越冬期的持续天数为44天，则其生长指数日变化值为1/44；小麦的返青期的持续天数为48天，则其生长指数日变化值为1/48；小麦的起身期的持续天数为18天，则其生长指数日变化值为1/18；小麦的拔节期的持续天数为33天，则其生长指数日变化值为1/33；小麦的孕穗期的持续天数为16天，则其生长指数日变化值为1/16；小麦的抽穗期的持续天数为4天，则其生长指数日变化值为1/4；小麦的开花期的持续天数为4天，则其生长指数日变化值为1/4；小麦的乳熟期的持续天数为24天，则其生长指数日变化值为1/24；小麦的成熟期的持续天数为12天，则其生长指数日变化值为1/12。又例如，水稻的出苗期的持续天数为5天，则其生长指数日变化值为1/5；水稻的三叶期的持续天数为7天，则其生长指数日变化值为1/7；水稻的移栽期的持续天数为18天，则其生长指数日变化值为1/18；水稻的返青期的持续天数为5天，则其生长指数日变化值为1/5；水稻的分蘖期的持续天数为6天，则其生长指数日变化值为1/6；水稻的拔节期的持续天数为25天，则其生长指数日变化值为1/25；水稻的孕穗期的持续天数为18天，则其生长指数日变化值为1/18；水稻的抽穗期的持续天数为5天，则其生长指数日变化值为1/5；水稻的乳熟期的持续天数为22天，则其生长指数日变化值为1/22；水稻的成熟期的持续天数为26天，则其生长指数日变化值为1/26。不同品种、不同地区的作物的物候期的持续天数会有差别。

具体地，基于生长指数和物候期结果对应的生长指数日变化值的比值，确定物候期结果对应的物候期天数。例如，物候期结果的目标物候期为玉米的出苗期，其对应的生长指数日变化值为1/8，生长指数为3/8，则物候期天数为3。

在另一实施例中，物候期识别模型直接进行回归得到物候期天数。

本发明实施例提供的物候期识别方法，基于物候期识别模型，对待识别图像进行物候期识别得到物候期结果，并对待识别图像进行物候期天数预测得到物候期结果对应的物候期天数，从而为物候期结果和物候期天数的确定提供支持，且物候期识别模型划分成两个任务进行识别，可以进一步提高物候期识别的准确性。

基于上述任一实施例，该方法中，上述步骤120包括：

基于所述物候期识别模型，对所述待识别图像进行生育期天数预测得到生育期天数，并基于所述生育期天数确定物候期结果和所述物候期结果对应的物候期天数，所述生育期天数用于表征作物从播种开始时刻至当前时刻的天数。

需要说明的是，每个物候期都有其持续天数，该持续天数可以根据历史数据确定得到。且不同作物类型的物候期也不同，进而其持续天数也不同。

为便于理解，例如，玉米的出苗期的持续天数为8天，玉米的拔节期的持续天数为25天，玉米的抽雄期的持续天数为15天，玉米的开花期的持续天数为4天，玉米的吐丝期的持续天数为3天，玉米的成熟期的持续天数为50天，若生育期天数为38，则确定物候期结果为抽雄期，且其物候期天数为5。

又例如，小麦的出苗期的持续天数为10天，小麦的三叶期的持续天数为15天，小麦的分蘖期的持续天数为16天，小麦的越冬期的持续天数为44天，小麦的返青期的持续天数为48天，小麦的起身期的持续天数为18天，小麦的拔节期的持续天数为33天；小麦的孕穗期的持续天数为16天；小麦的抽穗期的持续天数为4天；小麦的开花期的持续天数为4天；小麦的乳熟期的持续天数为24天；小麦的成熟期的持续天数为12天，若生育期天数为38，则确定物候期结果为分蘖期，且其物候期天数为13。

又例如，水稻的出苗期的持续天数为5天，水稻的三叶期的持续天数为7天，水稻的移栽期的持续天数为18天，水稻的返青期的持续天数为5天，水稻的分蘖期的持续天数为6天，水稻的拔节期的持续天数为25天，水稻的孕穗期的持续天数为18天，水稻的抽穗期的持续天数为5天，水稻的乳熟期的持续天数为22天，水稻的成熟期的持续天数为26天，若生育期天数为38，则确定物候期结果为分蘖期，且其物候期天数为3。

本发明实施例提供的物候期识别方法，基于物候期识别模型，对待识别图像进行生育期天数预测得到生育期天数，并基于生育期天数确定物候期结果和物候期结果对应的物候期天数，从而为物候期结果和物候期天数的确定提供支持，且物候期识别模型可以识别得到生育期天数，从而可以更细致地确定作物所处物候期的第几天，即得到以天为单位的物候期，进而进一步提高物候期识别的准确性。

基于上述任一实施例，图2为本发明提供的物候期识别方法的流程示意图之二，如图2所示，上述步骤110中，确定所述待识别图像的作物类型对应的物候期识别模型，包括：

步骤111，基于实例分割模型，对所述待识别图像进行语义分割获得目标作物区域图，并对所述目标作物区域图进行实例识别得到所述目标作物区域图的作物类型。

考虑到待识别图像中可能包括多种作物，或者包括作物和非作物，基于此，需要对待识别图像进行实例分割，以确定各作物对应的目标作物区域图。

此处，目标作物区域图为待识别图像中的一部分，该目标作物区域图中必须包括作物，且只包括一种作物。基于此，对待识别图像进行语义分割后，仅获取目标作物区域图，对于非作物区域图并不获取。

若待识别图像中包括多种作物，则该目标作物区域图的数量为多个，相应的，每一目标作物区域图均有对应的一种作物类型。

此处，实例分割模型是基于样本图像进行训练得到的。该实例分割模型的结构可以根据实际需要进行设定，本发明实施例对此不做具体限定，例如，该实例分割模型为deeplabv3分割模型，其主干网络采用resnet50构建。

该实例分割模型是基于损失函数进行训练得到的，该损失函数可以根据实际需要进行设定，例如，该损失函数为交叉熵损失函数。

步骤112，从物候期识别模型集中确定出所述作物类型对应的物候期识别模型。

此处，物候期识别模型集包括多种作物类型对应的物候期识别模型，以供选择待识别图像的作物类型对应的物候期识别模型。

考虑到不同类型的作物生长状况不同，不同类型的作物生育期不同，基于此，预先构建了多种作物类型对应的物候期识别模型，以形成物候期识别模型集，以针对不同的作物类型有不同的物候期识别模型，进而提高物候期识别的准确性。

相应地，上述步骤120包括：

基于所述物候期识别模型，对所述目标作物区域图进行物候期识别，获得所述目标作物种植区域中各目标作物的物候期识别结果。

可以理解的是，输入至物候期识别模型的图像为目标作物区域图，相比输入待识别图像，由于待识别图像可能包括其他作物，或非作物，因此，本发明实施例可以进一步提高物候期识别的准确性。

此处，目标作物种植区域可以包括一种作物，也可以包括多种作物，还可以包括作物和非作物，该非作物可以为房屋、街道等等。若目标作物种植区域包括一种作物，则各目标作物的数量为1个；若目标作物种植区域包括多种作物，则各目标作物的数量为多个，相应的，物候期识别结果也为多个。

本发明实施例提供的物候期识别方法，基于实例分割模型，对待识别图像进行语义分割获得目标作物区域图，并对目标作物区域图进行实例识别得到目标作物区域图的作物类型，从而为作物类型的确定提供支持，从物候期识别模型集中确定出作物类型对应的物候期识别模型，以针对不同的作物类型有不同的物候期识别模型，从而进一步提高物候期识别的准确性；同时，基于物候期识别模型，对目标作物区域图进行物候期识别，获得目标作物种植区域中各目标作物的物候期识别结果，即输入至物候期识别模型的图像为目标作物区域图，相比输入待识别图像，本发明实施例可以进一步提高物候期识别的准确性。

基于上述任一实施例，所述实例分割模型是基于损失函数训练得到的，所述损失函数包括对损失值进行加权计算的加权权重，不同作物类别对应的所述加权权重不同。

任一作物类别对应的加权权重是基于如下步骤确定：

确定样本图像的总像素个数，以及所述样本图像中所述任一作物类别对应的像素个数；

确定所述总像素个数与所述像素个数的差值；

基于所述差值与所述总像素个数的比值，确定所述任一作物类别对应的加权权重。

此处，样本图像用于训练实例分割模型，该样本图像中已标注对应的作物类别（即作物类型）。基于此，可以得知样本图像中的所有作物类别。

为便于理解，任一作物类别对应的加权权重的计算公式如下所示：

；

式中，

表示该任一作物类别对应的加权权重，N表示样本图像的总像素个数，

表示样本图像中该任一作物类别对应的像素个数。

在一实施例中，损失函数为交叉熵损失函数，该交叉熵损失函数为带权重的损失函数。为便于理解，该损失函数如下所示：

；

式中，

表示样本图像中该任一作物类别对应的像素个数，

表示第几个像素，

表示该任一作物类别对应的加权权重，

表示该任一作物类别在第

个像素的真实值，

表 示该任一作物类别在第

个像素的预测值，

表示第

个像素的损失值。

本发明实施例提供的物候期识别方法，对实例分割模型进行训练的损失函数包括对损失值进行加权计算的加权权重，而任一作物类别对应的加权权重是基于样本图像的总像素个数与样本图像中该任一作物类别对应的像素个数确定的，从而为不同作物类别确定不同的加权权重，同时，该样本图像中该任一作物类别对应的像素个数越少，其对应的加权权重越大，进而在各作物类别的像素数量不均衡的情况下，仍可以确保实例分割模型的训练效果，进而提高实例分割的准确性，最终进一步提高物候期识别的准确性。

基于上述任一实施例，该方法中，在上述步骤110中，获取目标作物种植区域的待识别图像，包括：

获取目标作物种植区域的采集图像；

对所述采集图像进行图像拉伸处理，得到所述目标作物种植区域的待识别图像。

此处，采集图像为涵盖作物整体的图像，以供对作物整体进行物候期识别，不局限于作物关键部位，从而对图像质量要求不高，进而提高物候期识别的准确性。该采集图像可以包括一种作物，也可以包括多种作物，还可以包括作物和非作物，该非作物可以为房屋、街道等等。该采集图像用于记录作物的生长信息。

在一实施例中，采集图像是由摄像装置采集得到的，该摄像装置设于目标作物种植区域，例如田间摄像头用于采集田间的图像。

在另一实施例中，采集图像为遥感影像，该遥感影像是由遥感卫星采集得到，该遥感卫星每天都采集一期遥感影像。

在一实施例中，采集图像为预设时间点对应的图像。该预设时间点可以根据实际需要进行设定，例如，每天上午9点，从而避免光照对采集图像的影响，进而提高物候期识别的准确性。

此处，图像拉伸处理可以包括但不限于：线性拉伸处理、非线性拉伸处理、多波段拉伸处理等等。该线性拉伸处理可以包括但不限于：百分比线性拉伸、分段线性拉伸、分段窗口切片等等。

需要说明的是，考虑到受天气影响，不同时间段获得的待识别图像质量也不同，可以对待采集图像进行图像拉伸处理，从而将将较暗的图像进行图像拉伸、较亮的图像进行图像对比度调整，以提高图像质量，进而进一步提高物候期识别的准确性。

本发明实施例提供的物候期识别方法，对目标作物种植区域的采集图像进行图像拉伸处理，从而优化图像质量，以基于优化后的待识别图像进行物候期识别，进而进一步提高物候期识别的准确性。

在实际应用过程中，本发明实施例的物候期识别方法，准确性高，且可覆盖大面积的目标种植区域。具体地，本发明实施例建立逐日的物候期识别模型，从而提高物候期识别的准确性。

下面对本发明提供的物候期识别装置进行描述，下文描述的物候期识别装置与上文描述的物候期识别方法可相互对应参照。

图3为本发明提供的物候期识别装置的结构示意图，如图3所示，该物候期识别装置，包括：

获取模块310，用于获取目标作物种植区域的待识别图像，并确定所述待识别图像的作物类型对应的物候期识别模型；

识别模块320，用于基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果；

其中，所述物候期识别模型是基于样本识别图像和所述样本识别图像对应的样本物候期识别结果训练得到的；

所述样本识别图像包括所述作物类型对应的生育期内每一天的图像。

本发明实施例提供的物候期识别装置，确定目标作物种植区域的待识别图像的作物类型对应的物候期识别模型，以针对不同的作物类型有不同的物候期识别模型，从而提高物候期识别的准确性；同时，目标作物种植区域的待识别图像涵盖了作物整体的图像，以供对作物整体进行物候期识别，不局限于作物关键部位，从而对图像质量要求不高，进而进一步提高物候期识别的准确性；最为重要的，对物候期识别模型进行训练的样本识别图像包括该物候期识别模型对应的作物类型对应的生育期内每一天的图像，从而在模型的训练过程中考虑了作物生长的连续性和渐变性，以使训练后的物候期识别模型可以对每一天的待识别图像进行精确的物候期识别，以准确划分作物的物候期，最终进一步提高物候期识别的准确性。

基于上述任一实施例，所述物候期识别结果包括物候期结果和所述物候期结果对应的物候期天数；

所述物候期结果用于表征作物所处的目标物候期，所述物候期天数用于表征作物处于所述目标物候期的天数。

基于上述任一实施例，该识别模块320包括：

第一识别单元，用于基于所述物候期识别模型，对所述待识别图像进行物候期识别得到物候期结果，并对所述待识别图像进行物候期天数预测得到所述物候期结果对应的物候期天数；或，

第二识别单元，用于基于所述物候期识别模型，对所述待识别图像进行生育期天数预测得到生育期天数，并基于所述生育期天数确定物候期结果和所述物候期结果对应的物候期天数，所述生育期天数用于表征作物从播种开始时刻至当前时刻的天数。

基于上述任一实施例，该第一识别单元还用于：

对所述待识别图像进行生长指数预测，得到所述物候期结果对应的生长指数；

基于所述物候期结果对应的生长指数日变化值和所述生长指数，确定所述物候期结果对应的物候期天数。

基于上述任一实施例，该获取模块310包括：

语义分割单元，用于基于实例分割模型，对所述待识别图像进行语义分割获得目标作物区域图，并对所述目标作物区域图进行实例识别得到所述目标作物区域图的作物类型；

模型确定单元，用于从物候期识别模型集中确定出所述作物类型对应的物候期识别模型；

该识别模块320包括：

第三识别单元，用于基于所述物候期识别模型，对所述目标作物区域图进行物候期识别，获得所述目标作物种植区域中各目标作物的物候期识别结果。

基于上述任一实施例，所述实例分割模型是基于损失函数训练得到的，所述损失函数包括对损失值进行加权计算的加权权重，不同作物类别对应的所述加权权重不同，该装置还包括权重确定模块，该权重确定模块用于：

确定样本图像的总像素个数，以及所述样本图像中所述任一作物类别对应的像素个数；

确定所述总像素个数与所述像素个数的差值；

基于所述差值与所述总像素个数的比值，确定所述任一作物类别对应的加权权重。

基于上述任一实施例，该获取模块310包括：

图像获取单元，用于获取目标作物种植区域的采集图像；

图像处理单元，用于对所述采集图像进行图像拉伸处理，得到所述目标作物种植区域的待识别图像。

图4示例了一种电子设备的实体结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行物候期识别方法，该方法包括：获取目标作物种植区域的待识别图像，并确定所述待识别图像的作物类型对应的物候期识别模型；基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果；其中，所述物候期识别模型是基于样本识别图像和所述样本识别图像对应的样本物候期识别结果训练得到的；所述样本识别图像包括所述作物类型对应的生育期内每一天的图像。

此外，上述的存储器430中的逻辑指令可以通过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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

又一方面，本发明还提供一种非暂态计算机可读存储介质，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以执行上述各方法提供的物候期识别方法，该方法包括：获取目标作物种植区域的待识别图像，并确定所述待识别图像的作物类型对应的物候期识别模型；基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果；其中，所述物候期识别模型是基于样本识别图像和所述样本识别图像对应的样本物候期识别结果训练得到的；所述样本识别图像包括所述作物类型对应的生育期内每一天的图像。

以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (10)

1.一种物候期识别方法，其特征在于，包括：

获取目标作物种植区域的待识别图像，并确定所述待识别图像的作物类型对应的物候期识别模型；

基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果；

其中，所述物候期识别模型是基于样本识别图像和所述样本识别图像对应的样本物候期识别结果训练得到的；

所述样本识别图像包括所述作物类型对应的生育期内每一天的图像。

2.根据权利要求1所述的物候期识别方法，其特征在于，所述物候期识别结果包括物候期结果和所述物候期结果对应的物候期天数；

所述物候期结果用于表征作物所处的目标物候期，所述物候期天数用于表征作物处于所述目标物候期的天数。

3.根据权利要求2所述的物候期识别方法，其特征在于，所述基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果，包括：

基于所述物候期识别模型，对所述待识别图像进行物候期识别得到物候期结果，并对所述待识别图像进行物候期天数预测得到所述物候期结果对应的物候期天数；或，

基于所述物候期识别模型，对所述待识别图像进行生育期天数预测得到生育期天数，并基于所述生育期天数确定物候期结果和所述物候期结果对应的物候期天数，所述生育期天数用于表征作物从播种开始时刻至当前时刻的天数。

4.根据权利要求3所述的物候期识别方法，其特征在于，所述对所述待识别图像进行物候期天数预测得到所述物候期结果对应的物候期天数，包括：

对所述待识别图像进行生长指数预测，得到所述物候期结果对应的生长指数；

基于所述物候期结果对应的生长指数日变化值和所述生长指数，确定所述物候期结果对应的物候期天数。

5.根据权利要求1所述的物候期识别方法，其特征在于，所述确定所述待识别图像的作物类型对应的物候期识别模型，包括：

基于实例分割模型，对所述待识别图像进行语义分割获得目标作物区域图，并对所述目标作物区域图进行实例识别得到所述目标作物区域图的作物类型；

从物候期识别模型集中确定出所述作物类型对应的物候期识别模型；

所述基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果，包括：

基于所述物候期识别模型，对所述目标作物区域图进行物候期识别，获得所述目标作物种植区域中各目标作物的物候期识别结果。

6.根据权利要求5所述的物候期识别方法，其特征在于，所述实例分割模型是基于损失函数训练得到的，所述损失函数包括对损失值进行加权计算的加权权重，不同作物类别对应的所述加权权重不同，任一作物类别对应的加权权重是基于如下步骤确定：

确定样本图像的总像素个数，以及所述样本图像中所述任一作物类别对应的像素个数；

确定所述总像素个数与所述像素个数的差值；

基于所述差值与所述总像素个数的比值，确定所述任一作物类别对应的加权权重。

7.根据权利要求1所述的物候期识别方法，其特征在于，所述获取目标作物种植区域的待识别图像，包括：

获取目标作物种植区域的采集图像；

对所述采集图像进行图像拉伸处理，得到所述目标作物种植区域的待识别图像。

8.一种物候期识别装置，其特征在于，包括：

获取模块，用于获取目标作物种植区域的待识别图像，并确定所述待识别图像的作物类型对应的物候期识别模型；

识别模块，用于基于所述物候期识别模型，对所述待识别图像进行物候期识别，获得物候期识别结果；

其中，所述物候期识别模型是基于样本识别图像和所述样本识别图像对应的样本物候期识别结果训练得到的；

所述样本识别图像包括所述作物类型对应的生育期内每一天的图像。

9.一种电子设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1至7任一项所述物候期识别方法。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，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7任一项所述物候期识别方法。

Images