CN115656167A - 植物诊断方法、装置及计算机可读存储介质 - Google Patents
植物诊断方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN115656167A CN115656167A CN202211180906.7A CN202211180906A CN115656167A CN 115656167 A CN115656167 A CN 115656167A CN 202211180906 A CN202211180906 A CN 202211180906A CN 115656167 A CN115656167 A CN 115656167A
- Authority
- CN
- China
- Prior art keywords
- plant
- information
- condition
- environmental information
- user
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title abstract description 15
- 230000007613 environmental effect Effects 0.000 claims abstract description 117
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 95
- 201000010099 disease Diseases 0.000 claims abstract description 92
- 230000008635 plant growth Effects 0.000 claims abstract description 24
- 239000002689 soil Substances 0.000 claims description 71
- 208000024891 symptom Diseases 0.000 claims description 48
- 238000012423 maintenance Methods 0.000 claims description 39
- 230000003993 interaction Effects 0.000 claims description 22
- 230000004044 response Effects 0.000 claims description 21
- 238000002405 diagnostic procedure Methods 0.000 claims description 16
- 238000009423 ventilation Methods 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 13
- 239000002245 particle Substances 0.000 claims description 13
- 235000016709 nutrition Nutrition 0.000 claims description 12
- 230000035764 nutrition Effects 0.000 claims description 9
- 208000035143 Bacterial infection Diseases 0.000 claims description 6
- 208000022362 bacterial infectious disease Diseases 0.000 claims description 6
- 239000003337 fertilizer Substances 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 5
- 241000607479 Yersinia pestis Species 0.000 claims description 4
- 241000238631 Hexapoda Species 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 19
- 241000196324 Embryophyta Species 0.000 description 297
- 238000004590 computer program Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 16
- 230000006870 function Effects 0.000 description 10
- 230000000153 supplemental effect Effects 0.000 description 10
- 238000011282 treatment Methods 0.000 description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 230000035558 fertility Effects 0.000 description 8
- 230000002452 interceptive effect Effects 0.000 description 6
- 238000011269 treatment regimen Methods 0.000 description 6
- 230000004720 fertilization Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 4
- 230000012010 growth Effects 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 208000035475 disorder Diseases 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 206010006895 Cachexia Diseases 0.000 description 1
- 208000032544 Cicatrix Diseases 0.000 description 1
- 241000344246 Tetranychus cinnabarinus Species 0.000 description 1
- 239000000642 acaricide Substances 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 239000003181 biological factor Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 208000026500 emaciation Diseases 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 239000000417 fungicide Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002631 hypothermal effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000007119 pathological manifestation Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
- 230000037387 scars Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009885 systemic effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Cultivation Of Plants (AREA)
Abstract
本公开提供了一种植物诊断方法、装置及计算机可读存储介质,涉及计算机技术领域,所述方法包括:获取植物生长的环境信息和所述植物的病症表象特征,所述病症表象特征包括植物由于病症而表现出的样态;以及基于所述环境信息和所述病症表象特征确定引起所述病症的病因。
Description
技术领域
本公开涉及计算机技术领域,尤其是一种植物诊断方法、装置及计算机可读存储介质。
背景技术
随着生活水平的提高,植物越来越多地出现在人们的生活中。然而,由于各种生物性或非生物性因素的影响,植物在生长过程中可能会具有各种病症。这种情况下,需要针对病症及时进行处理,否则植物将会生长发育不良,甚至死亡,这会影响植物的观赏价值,甚至造成经济损失。
发明内容
本公开一个或多个实施例的目的之一是提供植物诊断方法、装置及计算机可读存储介质。
根据本公开实施例的第一方面,提供一种植物诊断方法,包括:获取植物生长的环境信息和所述植物的病症表象特征,所述病症表象特征包括植物由于病症而表现出的样态;以及基于所述环境信息和所述病症表象特征确定引起所述病症的病因。
在一些实施例中,获取所述环境信息或获取所述病症表象特征包括:通过人机交互的方式从用户处直接获取;和/或通过计算机视觉技术从用户输入的图像中获取。
在一些实施例中,通过计算机视觉技术从用户输入的图像中获取包括:基于所述图像和预先训练的环境信息识别模型或病症表象特征识别模型识别所述环境信息或所述病症表象特征。
在一些实施例中,所述环境信息包括光照环境信息、湿度环境信息、空气环境信息、温度环境信息、土壤环境信息、和营养环境信息中的一种或多种。
在一些实施例中,所述病症表象特征包括徒长瘦弱、基部软腐、开花倒伏、茎软倒、叶片霉斑、幼果发霉和叶片枯黄中的一种或多种。
在一些实施例中,所述病因包括缺乏光照、光照过强、缺乏浇水、浇水过多、通风不畅、温度过高、温度过低、土壤板结、土壤颗粒过大、缺乏修剪、缺乏肥料、细菌感染、病虫害和烂根中的一种或多种。
在一些实施例中,所述方法还包括:获取所述植物的其他信息;以及基于所述环境信息、所述病症表象特征和所述其他信息确定所述病因,其中,所述其他信息包括:所述植物的植株疏密情况信息、所述植物的生长地信息、与所述植物被诊断相关联的时间信息以及所述植物的养护方式信息中的一种或多种。
在一些实施例中,所述方法还包括:在确定所述病因之前,在数据库中建立所述环境信息、所述病症表象特征和所述病因的对应关系,以便基于所述环境信息、所述病症表象特征和所述对应关系确定所述病因。
在一些实施例中,所述方法还包括:基于所述病因确定相应的治疗方案和/或养护计划;向用户输出所述治疗方案和/或养护计划。
在一些实施例中,所述方法还包括:在用户输入所述图像之前,向用户展示拍摄提示,以指导用户对植物的植株和/或生长环境进行拍摄。
在一些实施例中,所述方法还包括:响应于用户对专家诊断的需求,将所述植物的信息提交给专家以进行诊断,所述植物的信息包括所述环境信息、所述病症表象特征、与所述植物相关联的一个或多个图像、和所述植物的养护方式中的一种或多种。
根据本公开实施例的第二方面,提供一种植物诊断方法,包括:获取与植物相关联的一个或多个图像;基于所述一个或多个图像,通过计算机视觉技术识别所述植物生长的环境信息和所述植物的病症表象特征,所述病症表象特征包括所述植物由于病症而表现出的样态;以及,基于所述环境信息和所述病症表象特征确定引起所述病症的原因。
在一些实施例中,所述一个或多个图像包括:能呈现所述植物的整体样态的图像;能呈现所述植物的具有所述病症的部位的样态的图像;和能呈现所述植物的生长环境的情况的图像。
在一些实施例中,能呈现所述植物的生长环境的情况的图像包括能呈现所述植物的土壤情况的图像。
在一些实施例中,所述方法还包括:在获取所述一个或多个图像之前,展示拍摄提示以指导用户拍摄所述一个或多个图像。
在一些实施例中,所述方法还包括:在获取所述一个或多个图像中的至少一个图像之后、并且在获取所述一个或多个图像中的所有图像之前,展示拍摄提示以指导用户拍摄所述一个或多个图像中除去已获取图像之外的剩余图像。
在一些实施例中,所述方法还包括:通过人机交互的方式从用户处直接获取与所述植物相关联的补充信息;以及基于所述环境信息、所述病症表象特征和所述补充信息确定引起所述病症的原因。
在一些实施例中,所述补充信息包括以下中的一种或多种:关于所述植物的生长环境的补充信息;关于所述植物的病症表象特征的补充信息;关于所述植物的养护方式的补充信息;关于所述植物的植株疏密情况的补充信息;关于所述植物的生长地的补充信息;或关于与所述植物被诊断相关联的时间的补充信息。
根据本公开实施例的第三方面,提供一种植物诊断方法,包括:获取植物的图像;基于所述图像,通过计算机视觉技术识别所述植物是否具有病症;响应于识别为所述植物具有病症,提示用户输入所述植物的附加图像,所述附加图像与所述植物的生长环境相关联和/或与所述植物的具有所述病症的部位相关联;以及至少基于所述附加图像,确定引起所述病症的原因。
根据本公开实施例的第四方面,提供一种植物诊断装置,包括:获取模块,被配置为获取植物生长的环境信息和所述植物的病症表象特征,所述病症表象特征包括植物由于病症而表现出的样态;以及确定模块,被配置为基于所述环境信息和所述病症表象特征确定引起所述病症的病因。
根据本公开实施例的第五方面,提供一种植物诊断装置,包括:存储器;以及耦接至所述存储器的处理器,被配置为基于存储在所述存储器中的指令,执行上述任意一个实施例所述的方法。
根据本公开实施例的第六方面,提供一种计算机可读存储介质,包括计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述任意一个实施例所述的方法。
根据本公开实施例的第七方面,提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现上述任意一个实施例所述的方法。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本公开实施例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简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,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是根据本公开一些实施例的植物诊断方法的流程示意图。
图2是根据本公开一些实施例的植物诊断方法中的拍摄界面的示意图。
图3是根据本公开一些实施例的植物诊断方法中的拍摄提示的示意图。
图4是根据本公开一些实施例的植物诊断方法的专家诊断界面的示意图。
图5是根据本公开一些实施例的植物诊断方法的流程示意图。
图6是根据本公开一些实施例的植物诊断装置的结构示意图。
图7是根据本公开另一些实施例的植物诊断装置的结构示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
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。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
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。
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。因此,示例性实施例的其它示例可以具有不同的值。
应注意到,相似的标号和字母在下面的附图中表示类似项,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。
现有技术中存在一些可以被安装在例如计算机、手机等的电子设备上的应用程序(App),可以用来根据用户输入的图像来识别植物、或者提供与植物养护有关的辅助功能,例如向用户建议植物养护的方案等。有些应用程序还可以识别图像中的植物的病症,从而给用户一些治疗该病症的建议。这些功能对于植物养护的新手、或者对特定植物的养护方式不太熟悉的用户尤其有利。本申请的发明人注意到,如果能向用户输出引起某种植物病症的病因,将更有利于用户掌握植物养护的方法,积累植物养护的经验;同时有助于根据病因确定植物的治疗和/或养护方案。
图1是根据本公开一些实施例的植物诊断方法的流程示意图。该方法可以由安装在例如计算机、手机等的电子设备上的应用程序来执行,以向用户提供植物诊断的功能。该方法可以包括如下所述的步骤S110和步骤S120。
在步骤S110,获取植物生长的环境信息和植物的病症表象特征。这里,病症表象特征包括植物由于病症而表现出的样态。
例如,植物生长的环境信息包括光照环境信息、湿度环境信息、空气环境信息、温度环境信息、土壤环境信息和营养环境信息中的一种或多种。其中,不同的植物生长环境信息之间可以有交集。例如,如下文所述,湿度环境信息中的土壤湿度信息与土壤环境信息中的土壤湿度信息、土壤环境信息中的土壤肥力信息与营养环境信息中的土壤营养信息可以是全部或部分重叠的。
其中,光照环境信息例如包括光照时长信息和/或光照强度信息。光照强度信息例如分为光照良好或光照不良。
湿度环境信息例如包括空气湿度信息、土壤湿度信息和浇水行为信息中的一个或多个。空气湿度信息例如是空气过干、空气过湿或空气湿度正常。土壤湿度信息例如是土壤过干、土壤过湿或土壤湿度正常。浇水行为信息例如分为包括刚浇过水或较长时间没有浇水。
空气环境信息例如包括通风程度、风力等级和风向中的一个或多个。通风程度例如包括植物根部通风程度和/或植物主体通风程度,这里,植物主体指位于土壤以上的植物部位。植物主体的通风程度例如分为通风不佳或通风正常。
温度环境信息例如包括诊断时的气温、预设时间段内的平均气温、预设时间段内的最高气温和预设时间段内的最低气温中的一个或多个。例如,可以将预设时间段内的平均气温与预设值相比较,从而将预设时间段内的平均气温分为温度过高、温度过低和温度正常。
土壤环境信息例如包括土壤湿度信息、土壤颗粒信息和土壤肥力信息中的一个或多个。如前所述,土壤湿度信息例如是土壤过干、土壤过湿或土壤湿度正常。土壤颗粒信息例如是土壤颗粒过大、土壤颗粒过小或土壤颗粒正常。土壤颗粒过大可能导致植物无法保水,土壤颗粒过小可能导致植物根部通风不畅。土壤肥力信息例如可以分为土壤肥力不足、土壤肥力过多或土壤肥力正常。土壤肥力不足可能导致植物具有缺素症。
营养环境信息例如包括土壤营养信息、水营养信息和施肥信息中的一个或多个。土壤营养信息例如可以包括上文所述的土壤肥力信息,还可以包括土壤中的营养元素信息。水营养信息例如可以包括对该植物浇的水中的营养元素信息,也可以包括浇的水的酸碱度(或软硬度)信息。施肥信息例如可以包括施肥频率信息、施加的肥料的营养元素信息等。
植物的病症表象特征例如包括徒长瘦弱、基部软腐、开花倒伏、茎软倒、叶片霉斑、幼果发霉和叶片枯黄中的一种或多种。徒长瘦弱例如是指植物的茎叶发育过旺,而枝干瘦长的现象。基部软腐例如是指植物的茎与根交界的部分变软乃至腐烂。
应理解,上述列举的内容仅用于对植物生长的环境信息和植物的病症表象特征进行示例性地描述,而非用于限制本公开的范围。后文将结合一些实施例介绍如何获取病症表象特征和/或病症表象特征。
在步骤S120,基于植物生长的环境信息和植物的病症表象特征确定引起病症的病因。
这里,病因例如可以包括缺乏光照、光照过强、缺乏浇水、浇水过多、通风不畅、温度过高、温度过低、土壤板结、土壤颗粒过大、缺乏修剪、缺乏肥料、细菌感染、病虫害和烂根中的一种或多种。例如,在植物生长的环境信息表示光照不良并且土壤湿度正常,植物的病症表象特征表示植物徒长瘦弱的情况下,可以确定病因是缺乏光照。后文将结合一些实施例进一步介绍如何确定病因。
上述实施例中,根据植物生长的环境信息和植物的病症表象特征两者确定病因,这样能够准确地确定导致病症的病因,有利于后续根据病因对植物进行治疗或养护,改善植物病症的处理效果。
作为一些实现方式,图1所示的植物诊断方法可以由用户的终端上的应用程序实现。终端例如包括移动电话、平板计算机、膝上型计算机等。终端例如可以包括显示器,显示器可以被配置用于向用户展示应用程序的一个或多个用户界面,用户可以与用户界面进行交互。
下面介绍如何获取植物生长的环境信息和植物的病症表象特征。
在一些实施例中,获取环境信息或获取病症表象特征包括:通过人机交互的方式从用户处直接获取和/或通过计算机视觉技术从用户输入的图像中获取。
这里,通过人机交互的方式从用户处直接获取是指从用户处获取的信息能够直接表明环境信息和/或病症表象特征,例如,从用户处可以获取“光照良好”和“徒长瘦弱”等文字信息。通过计算机视觉技术从用户输入的图像中不能够直接获取环境信息和/或病症表现特征,而是需要对图像进行分析处理,然后才能获得环境信息和/或病症表象特征。后文将结合一些实施例进一步介绍人机交互和计算机视觉技术这两种方式。
应理解,可以仅通过人机交互的方式从用户处直接获取环境信息和病症表象特征,也可以仅通过计算机视觉技术从用户输入的图像中获取环境信息和病症表象特征,还可以通过人机交互和计算机视觉技术两者结合来获取环境信息和病症表象特征。例如,营养环境信息不易通过计算机视觉技术获取,光照环境信息易于通过计算机视觉技术获取,因此可以结合人机交互和计算机视觉技术两者来获取营养环境信息和光照环境信息。再例如,可以先通过计算机视觉技术来获取某一项环境信息或病症表象特征,然后通过人机交互的方式从用户处获取对于该项信息或特征的修正的、或更准确的内容。
上述实施例中,获取环境信息或获取病症表象特征可以通过人机交互和/或计算机视觉技术来实现,相应地,用户可以根据自身情况在人机交互和/或提供图像之间进行选择,有利于提高用户的使用体验。
接下来介绍如何通过计算机视觉技术从用户输入的图像中获取植物生长的环境信息和/或植物的病症表象特征。
在一些实施例中,可以基于图像和预先训练的环境信息识别模型或病症表象特征识别模型识别环境信息或病症表象特征。作为一些实现方式,图像可以是与植物相关联的一个或多个图像,例如可以包括能呈现植物的整体样态的图像、能呈现植物的具有病症的部位的样态的图像和能呈现植物的生长环境的情况的图像。这些图像可以是同一张图像,也可以是多个不同的图像。例如,一张图片可能既能呈现植物的整体样态、又能呈现植物的具有病症的部位的样态,还能呈现植物的生长环境的情况。作为一些实现方式,能呈现植物的生长环境的情况的图像可以包括能呈现植物的土壤情况的图像。作为一些实现方式,能呈现植物的生长环境的情况的图像可以包括含有位于植物的生长环境中的温度计和/或湿度计的图像。
作为一些实现方式,可以基于图像和预先训练的环境信息识别模型来识别环境信息。在训练环境信息识别模型的过程中,首先需要对多个样本图像进行标注。表1是根据本公开一些实施例的植物诊断方法中的环境信息标注的内容示例。
表1
可以根据表1中的标注规则对多个样本图像进行标注。例如,若样本图像显示植物位于室外且图像中有影子、植物的叶片和茎秆等部位具有明显水迹,并且土壤能明显看出颗粒感。那么,该样本图像的标注结果可以是光照环境信息取值为1、湿度环境信息取值为1,并且土壤颗粒信息取值为1。
可以对标注后的样本图像进行训练,从而获取环境信息识别模型。环境信息识别模型可以是神经网络模型,例如是卷积神经网络模型或残差网络模型,有利于提高环境信息的识别准确率和识别效率,进而提高病因确定的准确性和效率。
作为一些实现方式,可以基于图像和预先训练的病症表象特征识别模型识别病症表象特征。例如,可以建立病症表象特征的标注规则,根据标注规则对样本图像进行标注,再对标注后的样本图像进行训练,从而得到病症表象特征识别模型。病症表象特征识别模型可以是神经网络模型,例如是卷积神经网络模型或残差网络模型,这样有利于提高病症表象特征的识别准确率和识别效率,进而提高病因确定的准确性和效率。
接下来介绍如何通过人机交互的方式从用户处直接获取植物生长的环境信息和/或植物的病症表象特征。
作为一些实现方式,可以向用户展示与植物生长的环境信息和/或植物的病症表象特征相关的交互问卷,通过用户的输入可以确定植物生长的环境信息和/或植物的病症表象特征。交互问卷可以是问答式的,例如可以向用户询问“光照强度如何?”,通过用户的文字回答(例如,光照良好)可以获取到光照环境信息为光照良好。交互问卷也可以是选择式的,响应于用户的选择操作,可以获取植物生长的环境信息和/或植物的病症表象特征。例如可以向用户询问“光照强度如何?”,并向用户展示“光照良好”、“光照不良”和“其他”3种选项,响应于用户对“光照良好”的选择,则可以确定光照环境信息为光照良好。
在一些实施例中,还可以获取植物的其他信息,基于环境信息、病症表象特征和其他信息确定病因。进一步结合其他信息来确定病因,有利于提高病因确定的准确性。其他信息可以用来进一步确定环境信息和/或病症表象特征,也可以用来与环境信息和病症表象特征相结合来确定病因。这里,其他信息包括植物的植株疏密情况信息、植物的生长地信息、与植物被诊断相关联的时间信息以及植物的养护方式信息中的一种或多种。作为一些实现方式,植物的植株疏密情况信息、植物的生长地信息、与植物被诊断相关联的时间信息以及植物的养护方式信息可以通过人机交互的方式从用户处直接获取,和/或通过计算机视觉技术从用户输入的图像中获取。关于人机交互方式和计算机视觉技术的介绍可以参考前文描述,在此不再赘述。
植株疏密情况信息例如分为植株疏密合适和植株过密。植物的生长地信息例如是植物的生长地所在的经纬度、行政区划和气候带中的一种或多种。植物的生长地信息例如可以通过应用程序读取其所在的终端的定位信息而获得,又例如可以从用户输入的图像的元数据中提取。例如,如果生长地信息指示植物生长在热带,则可以据此确定植物的温度环境信息,例如对于室外植物可能为温度过高。与植物被诊断相关联的时间信息例如是确定病因的时刻和/或用户拍摄图像的时刻。确定病因的时刻例如是应用程序执行确定病因操作的时刻。用户拍摄图像的时刻例如是从用户输入的图像的元数据中提取的时刻。例如,如果与植物被诊断相关联的时间信息指示用户拍摄图像的时刻是冬季,则可以据此确定植物的温度环境信息,例如对于室外植物可能为温度过低。例如,如果生长地信息指示植物生长在热带、并且时间信息指示处于雨季,则可以据此确定植物的温度环境信息和湿度环境信息,例如对于室外植物可能为温度过高并且空气过湿。
植物的养护方式信息例如是用户的浇水频次、浇水量、施肥频次、施肥种类、施肥量和修剪频次中的一种或多种。作为一些实现方式,应用程序可以记录用户的养护方式,由此可以结合应用程序中记录的历史养护方式确定病因。作为另一些实现方式,可以通过人机交互的方式从用户处直接获取植物的养护方式信息。
作为一些实现方式,可以基于环境信息、病症表象特征和多个其他信息确定病因。例如,如果环境信息表示光照不良并且土壤湿度过大,病症表象特征表示植物徒长瘦弱,植物的生长地信息表示植物在亚热带地区,与植物被诊断相关联的时间信息表示在图像的拍摄时间,生长地处于春季。相应地,可以确定病因是缺乏光照并且烂根。又例如,如果环境信息表示光照良好,病症表象特征表示植物茎软倒,植物的生长地信息表示植物在亚寒带地区,与植物被诊断相关联的时间信息表示在图像的拍摄时间,生长地处于冬季。相应地,可以确定病因是温度过低。
在一些实施例中,在确定病因之前,可以在数据库中建立环境信息、病症表象特征和病因的对应关系,以便基于环境信息、病症表象特征和对应关系确定病因。表2是根据本公开一些实施例的植物诊断方法中的环境信息、病症表象特征和病因的对应关系表。
表2
如表2所示,可以根据病症表象特征、环境信息中的光照环境信息和土壤湿度信息、以及其他信息中的植株疏密情况,并根据以上表格中的对应关系,来确定病因。例如,在病症表象特征表示植物徒长瘦弱,植株疏密情况信息表示植株过密的情况下,可以确定病症原因为缺乏修剪。又例如,在病症表象特征表示叶片枯黄,环境信息表示土壤湿度正常,土壤颗粒度过小,土壤结块的情况下,可以确定病症原因为土壤板结。应理解,表2仅用于对植物生长的环境信息、植物的病症表象特征和病因之间的对应关系进行示例性地描述,而非用于限制本公开的范围。
在一些实施例中,可以通过计算机视觉技术基于接收的图像识别植物生长的环境信息和/或植物的病症表象特征,然后通过人机交互的方式从用户处直接获取与植物相关联的补充信息,并基于环境信息、病症表象特征和补充信息确定引起病症的原因。在这些实施例中,将通过计算机视觉技术识别环境信息和病症表象特征、与通过人机交互的方式获取补充信息相结合,有助于更准确地确定环境信息和病症表象特征,和/或更准确地确定引起病症的原因。
作为一些实现方式,补充信息可以包括以下中的一种或多种:关于植物的生长环境的补充信息、关于植物的病症表象特征的补充信息、关于植物的养护方式的补充信息、关于植物的植株疏密情况的补充信息、关于植物的生长地的补充信息或关于与植物被诊断相关联的时间的补充信息。这里,植物的养护方式的补充信息、关于植物的植株疏密情况的补充信息、关于植物的生长地的补充信息以及关于与植物被诊断相关联的时间的补充信息可以参照上文对植物的植株疏密情况信息、植物的生长地信息、与所述植物被诊断相关联的时间信息以及所述植物的养护方式信息的介绍,在此不再赘述。
例如,可以通过计算机视觉技术识别出植物的光照环境信息,再结合关于光照的补充信息,判断计算机视觉技术识别出的光照环境信息是否准确,如果不准确则可以再次识别,也可以再次向用户获取关于光照的补充信息,或者可以根据关于光照的补充信息对识别出的植物的光照环境信息进行修正。通过计算机视觉技术和人机交互方式获取的补充信息获取同种环境信息和/或病症表象特征,这样有利于提高获取的环境信息和/或病症表象特征的准确性,进而提高病因确定的准确性。
又例如,可以根据计算机视觉技术识别出植物的光照环境信息和植物的病症表象特征,再通过人机交互方式获取计算机视觉技术没有识别出的信息,例如关于植物的植株疏密情况的补充信息,最终结合两种方式获取的信息来确定病因。这样用于确定病因的信息更加丰富,病因确定更加准确。
在一些实施例中,可以基于病因确定相应的治疗方案和/或养护计划,并且向用户输出治疗方案和/或养护计划。这样用户能够根据治疗方案和/或养护计划对植物进行治疗和/养护,有利于及时帮助用户解决植物病症,提高用户体验。
作为一些实现方式,可以基于病因确定治疗方案。例如,在病症表象特征是叶片霉斑、叶片枯黄或者叶片出现斑点或斑痕,环境信息表示植株根部通风程度不佳的情况下,可以确定病因是细菌感染。由于细菌感染和土壤透气性较差有关系,因此可以确定治疗方案是疏松土壤、在土壤中施入内吸性杀菌剂、将被细菌感染的叶片剪掉以及将植物放在通风程度良好的位置。此外,由于叶片出现斑痕与红蜘蛛可能有关,治疗方案中还可以包括喷洒杀螨药剂。例如,在病症表象特征是幼果发霉,环境信息表示植株主体通风程度不佳的情况下,可以确定病因是通风不畅。因此,治疗方案可以是将植物放在通风程度良好的位置,摘除下部过于密集的叶片(例如10片左右)以露出幼果,以及及时将发霉部分剪除。例如,在病症表象特征是植物基部有部分干枯枝条,环境信息表示光照过强的情况下,可以确定病因是光照过强。由于光照过强导致植株出现矮化现象,使得植物主体通风不畅。因此,可以确定治疗方案为将植物放置在阳光相对弱且湿度更高的地方。
作为一些实现方式,可以基于病因确定养护计划。例如,在确定病因是土壤板结的情况下,可以确定养护计划是定期进行松土,以及定期补充含有铁元素的肥料。例如,可以通过应用程序定期向用户推送松土和施肥的通知。作为一些实现方式,可以基于病因对原有的养护计划进行调整,以生成新的养护计划。例如,原有的养护计划是每10天浇一次水,在确定病因是浇水过少的情况下,可以确定养护计划是每5天浇一次水。
在一些实施例中,在确定病因后,还可以向用户输出与病症表象特征和/或病因相关联的信息。例如,与病症表象特征相关联的信息可以是病症表象特征的典型图像和/或病症表象特征的详细文字描述。与病因相关联的信息可以是对病因如何导致病症表象特征的介绍。通过向用户输出与病症表象特征和/或病因相关联的信息,能够满足用户想要了解病症表象特征和/或病因的需求,提高用户体验。
在一些实施例中,在用户输入图像之前,向用户展示拍摄提示,以指导用户对植物的植株和/或生长环境进行拍摄。图2是根据本公开一些实施例的植物诊断方法中的拍摄界面的示意图。图3是根据本公开一些实施例的植物诊断方法中的拍摄提示的示意图。
如图2所示,拍摄界面20可以包括用于向用户展示拍摄提示的区域210。拍摄提示可以以文字信息的形式呈现,例如是“请拍摄土壤环境的图像”。通过展示拍摄提示以指导用户进行拍摄,有利于获取便于利用计算机视觉技术识别的图像,从而提高利用计算机视觉技术从图像中确定环境信息和/或病症表象特征的准确性,进而提高病因确定的准确性。
在一些实施例中,拍摄提示可以根据已输入的图像确定。作为一些实现方式,在获取一个或多个图像中的至少一个图像之后、并且在获取一个或多个图像中的所有图像之前,展示拍摄提示以指导用户拍摄一个或多个图像中除去已获取图像之外的剩余图像。这里,一个或多个图像包括:能呈现植物的整体样态的图像、能呈现植物的具有病症的部位的样态的图像、以及能呈现植物的生长环境的情况的图像。例如,在已获取的图像能够呈现植物的整体样态并且能够呈现植物的具有病症的部位的样态的情况下,向用户展示的拍摄提示可以是“请获取能呈现植物的生长环境的情况的图像”。根据已获取的图像确定拍摄提示使得拍摄提示具有针对性,有利于更好地指导用户进行拍摄,从而进一步提高利用计算机视觉技术从图像中确定环境信息和/或病症表象特征的准确性,进一步提高病因确定的准确性。
在一些实施例中,拍摄界面还可以包括区域220。区域220用于展示已获取和/或待拍摄的图像。已获取的图像是指用户已提供给应用程序,但应用程序尚未根据该图像进行植物诊断的图像。在用户进行特定操作(例如后文将提到的对提交按钮的操作)后,应用程序将根据该图像进行植物诊断。区域220可以具有多个子区域,每个子区域可以对应一个已获取和/或待拍摄的图像。例如,如图2所示,在已获取的图像是两个图像的情况下,区域220可以有3个子区域,其中子区域221和子区域222中分别用于显示已获取的两个图像的缩略图。子区域223是空白区域,对应于待拍摄的图像。在子区域221和子区域222的右上角可以显示删除按钮。响应于用户对删除按钮的操作,与该删除按钮所在的子区域对应的图像将不再作为已获取的图像,后续该图像也不会用于植物诊断。针对被删除的图像,用户可以重新拍摄或重新上传新的图像。
在一些实施例中,拍摄界面还可以包括用于展示画面大小调节按钮的区域230。用户可以对画面大小调节按钮进行操作,从而对待拍摄的画面进行缩小或者放大,调整拍摄图像的范围。
在一些实施例中,拍摄界面还可以包括用于展示打开相册按钮的区域240。响应于用户对打开相册按钮的操作,可以打开用户的终端上的相册,由此用户可以对相册中的图像进行选择,被选择的图像将作为已获取的图像。
在一些实施例中,拍摄界面还可以包括用于展示拍摄按钮的区域250。用户可以对拍摄按钮进行操作,从而拍摄植物图像。作为一些实现方式,在用户对拍摄按钮进行操作后,用户拍摄的图像将成为已获取的图像,相应地,子区域223将显示用户拍摄的图像的缩略图。
在一些实施例中,拍摄界面还可以包括用于展示提交按钮的区域260。响应于用户对提交按钮的操作,已获取的图像将用于植物诊断。
在一些实施例中,拍摄界面还可以包括区域270。区域270例如可以包括拍摄界面关闭按钮271、拍摄提示展示按钮272、闪光灯设置按钮273和拍摄画面翻转按钮274。响应于用户对拍摄界面关闭按钮271的操作,可以关闭图2所示的拍摄画面。响应于用户对闪光灯设置按钮273的操作,可以关闭或者开启闪光灯。响应于用户对拍摄画面翻转按钮274的操作,可以在前置摄像头和后置摄像头之间进行切换。
响应于用户对拍摄提示展示按钮272的操作,可以向用户展示拍摄提示,这里的拍摄提示可以与区域210中展示的拍摄提示不同,例如是图3所示的拍摄提示界面。这里的拍摄提示可以是预先设置的,也可以是根据已输入的图像确定的(确定过程可以参照前文的描述)。
下面介绍图3所示的拍摄提示界面。作为一些实现方式,可以响应于用户对拍摄提示展示按钮272的操作,向用户展示图3所示的拍摄提示界面30。作为另一些实现方式,可以在用户进入图2所示的拍摄界面之前,向用户展示图3所示的拍摄提示界面30。
如图3所示,拍摄提示界面30可以包括用于展示拍摄提示的区域310。区域310可以包括多个子区域,例如子区域311、子区域312、子区域313,每个子区域展示一种拍摄提示。例如,子区域311、子区域312、子区域313分别用于展示如下三种拍摄提示:请提供能呈现所述植物的整体样态的图像、请提供能呈现所述植物的具有所述病症的部位的样态的图像、以及请提供能呈现所述植物的生长环境的情况的图像。
子区域可以包括文字提示和/或图像提示。例如,子区域311包括文字提示3111和图像提示3112。文字提示3111的内容例如是“拍摄植物的整体样态的图像,并且图像中需要包含例如土壤和花盆之类的环境”。图像提示3112示意性地示出了符合文字提示3111的内容的图像和不符合文字提示3111的内容的图像,并且图像上相应地标注了正确图标和错误图标。通过结合文字提示和图像提示,有利于用户迅速并且直观地了解到植物拍摄的要求,便于提高用户体验,提高病因确定的准确性。
在一些实施例中,图像提示也可以仅示出符合文字提示的内容的图像。例如,子区域312包括文字提示3121和图像提示3122。文字提示3121的内容是“植株中的这部分看起来存在病症,可以继续提供这部分的叶子的背面的图像。”相应地,图像提示3122示出了植株中存在病症的部分的正面图像以及背面图像。又例如,子区域313包括文字提示3131和图像提示3132。文字提示3131的内容是“土壤环境。请近距离拍摄一张没有被植株的叶片挡住的土壤图像”相应地,图像提示3132示出了两张符合要求的土壤图像。
在一些实施例中,拍摄提示界面30还可以包括用于展示界面名称的区域320,以便用户迅速了解到拍摄提示界面的作用。
在一些实施例中,拍摄提示界面30还可以包括区域330,用于展示继续展示按钮和/或结束展示按钮。例如,图3中示出了继续展示按钮,响应于用户对继续展示按钮的选择操作,可以在区域310中向用户展示其他尚未展示的拍摄提示。又例如,在一些其他实施例中,可以响应于用户对结束展示按钮的选择操作,关闭拍摄提示界面30。
在一些实施例中,可以响应于用户对专家诊断的需求,将植物的信息提交给专家以进行诊断。这里,植物的信息包括环境信息、病症表象特征、与植物相关联的一个或多个图像以及植物的养护方式中的一种或多种。与植物相关联的一个或多个图像例如可以包括能呈现所述植物的整体样态的图像、能呈现植物的具有病症的部位的样态的图像、以及能呈现植物的生长环境的情况的图像等。
图4是根据本公开一些实施例的植物诊断方法的专家诊断界面的示意图。
如图4所示,专家诊断界面40可以包括图像提交区域410,以便用户提交图像。图像提交区域410可以包括区域名称411、图像提交提示412和图像提交子区域413。
区域名称411例如是“添加图像”。作为一些实现方式,区域名称411还可以携带需要提交的图像的总数量以及用户已提交的图像的总数量。例如,在需要提交的图像的总数量是3,用户已提交的图像的总数量是0的情况下,区域名称411可以是“添加图像(0/3)”。作为一些实现方式,区域名称411还可以携带特定标记,以便用户知晓自己必须提交图像,例如,可以携带特定标记“*”使得区域名称411为“添加图像(0/3)*”,以显示该操作项为必选项。
图像提交提示412用于向用户展示对提交的图像的建议,例如是“请拍摄植物的整体植株、病症部分以及土壤环境的照片”。作为一些实现方式,可以通过加粗、斜体、下划线等方式对图像提交提示中的部分文字进行强调,以便引起用户的注意,使用户能够把握住图像提交提示412中的关键部分,例如,可以对“整体植株”、“病症部分”以及“土壤环境”进行加粗处理。
图像提交子区域413被设置为可交互,用户可以与图像提交子区域413进行交互以添加一张或多张图像用于提交。
在一些实施例中,专家诊断界面40还可以包括界面名称420,以便用户能够迅速了解该界面的内容。界面名称420例如是“向专家提问”。
在一些实施例中,专家诊断界面40还可以包括用于展示界面返回按钮的区域430。响应于用户对界面返回按钮的操作,可以关闭专家诊断界面40,而显示其他的页面。
在一些实施例中,专家诊断界面40还可以包括用于展示与专家诊断页面有关的提示的区域440。例如,与专家诊断页面有关的提示可以是“请提供关于您的植物的更多信息,这将帮助我们的专家作出更加精确地诊断和治疗方案”。
在一些实施例中,专家诊断界面40还可以包括用于获取用户联系方式的区域450,以便后续通过用户联系方式向用户提供专家诊断结果。区域450可以包括区域名称451、区域功能介绍452和用户填写子区域453。区域名称451例如是“你的邮箱”。作为一些实现方式,区域名称411还可以携带特定标记,以便用户知晓自己必须提交自己的联系方式,例如,区域名称可以是“你的邮箱*”。区域功能介绍452例如是“我们将根据您填写的联系方式联系您”。用户填写子区域453被设置为可交互的,用户可以在此填写自己的邮箱地址等联系方式。
在一些实施例中,专家诊断界面40还可以包括用于获取植物的养护方式的区域460。区域460可以包括至少一个子区域,每个子区域可以获取养护方式的一个方面。例如,可以具有2个子区域,一个子区域用于获取浇水相关的信息,另一个子区域用于获取施肥相关的信息。每个子区域可以包括与养护方式相关的问题461和养护方式输入子区域462。例如,与养护方式相关的问题461可以是“请问您多久交一次水”。养护方式输入子区域462例如是可交互的。作为一些实现方式,在用户点击养护方式输入子区域462后,可以出现与养护方式相关的问题461对应的多个选项,用户可以在其中进行选择。作为另一些实现方式,用户可以在养护方式输入子区域462中直接输入相关的信息。
在一些实施例中,专家诊断界面40还可以包括用于展示发送按钮的区域470。响应于用户对发送按钮的操作,应用程序可以将用户提交的图像、联系方式以及养护方式等信息发送到服务器,以便服务器将这些信息发送给专家进行诊断。作为一些实现方式,用户进行专家诊断的次数可以是有限制的,发送按钮还可以携带用户可以进行专家诊断的次数。例如,用户还可以进行2次专家诊断,则发送按钮的内容可以是“发送(还剩2次机会)”。
图5是根据本公开一些实施例的植物诊断方法的流程示意图。该方法可以由安装在例如计算机、手机等的电子设备上的应用程序来执行,以向用户提供植物诊断的功能。该方法可以包括如下所述的步骤S510和步骤S540。
如图5所示,在步骤S510,获取植物的图像。在步骤S520,基于图像,通过计算机视觉技术识别植物是否具有病症。作为一些实现方式,在识别植物不具有病症的情况下,可以向用户展示“植物不具有病症”的信息。作为一些实现方式,还可以通过计算机视觉技术一并识别植物的类别等信息,并将植物的类别等信息和植物是否具有病症的信息一并告知用户。
在步骤S530,响应于识别为植物具有病症,提示用户输入植物的附加图像。这里,附加图像与植物的生长环境相关联和/或与植物的具有病症的部位相关联。作为一些实现方式,可以根据识别出的植物的病症确定拍摄提示,向用户展示拍摄提示以指导用户输入植物的附加图像。拍摄提示的内容和形式可以参考上文对图2和图3的介绍。
在步骤S540,至少基于附加图像,确定引起病症的原因。作为一些实现方式,可以仅基于附加图像,确定引起病症的原因。作为另一些实现方式,可以基于用于识别植物是否具有病症的图像和附加图像确定引起病症的原因。作为一些实现方式,可以参照图1所示的方法,根据图像识别环境信息和/或病症表象特征,从而确定病因。作为另一些实现方式,可以参照图4所示的方法,将图像发送给专家,使得专家确定病因。作为又一些实现方式,可以预先训练病因识别模型,基于图像和病因识别模型来确定病因。
上述实施例中,在获取植物图像后,可以判断植物是否具有病症,并且在植物具有病症的情况下,可以确定引起病症的原因。这样,有利于用户了解植物的健康状况,并且在植物具有病症的情况下了解引起病症的原因,便于后续对症下药。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于装置实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
图6是根据本公开一些实施例的植物诊断装置的结构示意图。如图6所示,植物诊断装置600包括获取模块610和确定模块620。获取模块610被配置为获取植物生长的环境信息和植物的病症表象特征。这里,病症表象特征包括植物由于病症而表现出的样态。确定模块620被配置为基于环境信息和病症表象特征确定引起病症的病因。
图7是根据本公开另一些实施例的植物诊断装置的结构示意图。如图7所示,植物诊断装置700包括存储器710以及耦接至该存储器710的处理器720,处理器720被配置为基于存储在存储器710中的指令,执行前述任意一个实施例的方法。
存储器710例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如可以存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
植物诊断装置700还可以包括输入输出接口730、网络接口740、存储接口750等。这些接口730、740、750之间、以及存储器710与处理器720之间例如可以通过总线760连接。输入输出接口730为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口740为各种联网设备提供连接接口。存储接口750为SD卡、U盘等外置存储设备提供连接接口。
本公开实施例还提供了一种计算机可读存储介质,包括计算机程序指令,该计算机程序指令被处理器执行时实现上述任意一个实施例的方法。
本公开实施例还提供了一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现上述任意一项所述的方法。
至此,已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解,可由计算机程序指令实现流程图中一个流程或多个流程和/或方框图中一个方框或多个方框中指定的功能。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
另外,本公开的实施方式还可以包括以下示例:
1、一种植物诊断方法,包括:
获取植物生长的环境信息和所述植物的病症表象特征,所述病症表象特征包括植物由于病症而表现出的样态;以及
基于所述环境信息和所述病症表象特征确定引起所述病症的病因。
2、根据1所述的方法,其中,获取所述环境信息或获取所述病症表象特征包括:
通过人机交互的方式从用户处直接获取;和/或
通过计算机视觉技术从用户输入的图像中获取。
3、根据2所述的方法,其中,通过计算机视觉技术从用户输入的图像中获取包括:
基于所述图像和预先训练的环境信息识别模型或病症表象特征识别模型识别所述环境信息或所述病症表象特征。
4、根据1所述的方法,其中,
所述环境信息包括光照环境信息、湿度环境信息、空气环境信息、温度环境信息、土壤环境信息、和营养环境信息中的一种或多种。
5、根据1所述的方法,其中,
所述病症表象特征包括徒长瘦弱、基部软腐、开花倒伏、茎软倒、叶片霉斑、幼果发霉和叶片枯黄中的一种或多种。
6、根据1所述的方法,其中,
所述病因包括缺乏光照、光照过强、缺乏浇水、浇水过多、通风不畅、温度过高、温度过低、土壤板结、土壤颗粒过大、缺乏修剪、缺乏肥料、细菌感染、病虫害和烂根中的一种或多种。
7、根据1所述的方法,还包括:
获取所述植物的其他信息;以及
基于所述环境信息、所述病症表象特征和所述其他信息确定所述病因,
其中,所述其他信息包括:所述植物的植株疏密情况信息、所述植物的生长地信息、与所述植物被诊断相关联的时间信息以及所述植物的养护方式信息中的一种或多种。
8、根据1所述的方法,还包括:
在确定所述病因之前,在数据库中建立所述环境信息、所述病症表象特征和所述病因的对应关系,以便基于所述环境信息、所述病症表象特征和所述对应关系确定所述病因。
9、根据1所述的方法,还包括:
基于所述病因确定相应的治疗方案和/或养护计划;
向用户输出所述治疗方案和/或养护计划。
10、根据2所述的方法,还包括:
在用户输入所述图像之前,向用户展示拍摄提示,以指导用户对植物的植株和/或生长环境进行拍摄。
11、根据1所述的方法,还包括:
响应于用户对专家诊断的需求,将所述植物的信息提交给专家以进行诊断,所述植物的信息包括所述环境信息、所述病症表象特征、与所述植物相关联的一个或多个图像、和所述植物的养护方式中的一种或多种。
12、一种植物诊断方法,包括:
获取与植物相关联的一个或多个图像;
基于所述一个或多个图像,通过计算机视觉技术识别所述植物生长的环境信息和所述植物的病症表象特征,所述病症表象特征包括所述植物由于病症而表现出的样态;以及
基于所述环境信息和所述病症表象特征确定引起所述病症的原因。
13、根据12所述的方法,其中,所述一个或多个图像包括:
能呈现所述植物的整体样态的图像;
能呈现所述植物的具有所述病症的部位的样态的图像;和
能呈现所述植物的生长环境的情况的图像。
14、根据13所述的方法,其中,能呈现所述植物的生长环境的情况的图像包括能呈现所述植物的土壤情况的图像。
15、根据13所述的方法,还包括:
在获取所述一个或多个图像之前,展示拍摄提示以指导用户拍摄所述一个或多个图像。
16、根据13所述的方法,还包括:
在获取所述一个或多个图像中的至少一个图像之后、并且在获取所述一个或多个图像中的所有图像之前,展示拍摄提示以指导用户拍摄所述一个或多个图像中除去已获取图像之外的剩余图像。
17、根据12所述的方法,还包括:
通过人机交互的方式从用户处直接获取与所述植物相关联的补充信息;以及
基于所述环境信息、所述病症表象特征和所述补充信息确定引起所述病症的原因。
18、根据17所述的方法,其中,所述补充信息包括以下中的一种或多种:
关于所述植物的生长环境的补充信息;
关于所述植物的病症表象特征的补充信息;
关于所述植物的养护方式的补充信息;
关于所述植物的植株疏密情况的补充信息;
关于所述植物的生长地的补充信息;或
关于与所述植物被诊断相关联的时间的补充信息。
19、一种植物诊断方法,包括:
获取植物的图像;
基于所述图像,通过计算机视觉技术识别所述植物是否具有病症;
响应于识别为所述植物具有病症,提示用户输入所述植物的附加图像,所述附加图像与所述植物的生长环境相关联和/或与所述植物的具有所述病症的部位相关联;以及
至少基于所述附加图像,确定引起所述病症的原因。
20、一种植物诊断装置,包括:
获取模块,被配置为获取植物生长的环境信息和所述植物的病症表象特征,所述病症表象特征包括植物由于病症而表现出的样态;以及
确定模块,被配置为基于所述环境信息和所述病症表象特征确定引起所述病症的病因。
21、一种植物诊断装置,包括:
存储器;以及
耦接至所述存储器的处理器,被配置为基于存储在所述存储器中的指令,执行1-19任意一项所述的方法。
22、一种计算机可读存储介质,包括计算机程序指令,其中,所述计算机程序指令被处理器执行时实现1-19任意一项所述的方法。
23、一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现1-19任意一项所述的方法。
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。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (10)
1.一种植物诊断方法,包括:
获取植物生长的环境信息和所述植物的病症表象特征,所述病症表象特征包括植物由于病症而表现出的样态;以及
基于所述环境信息和所述病症表象特征确定引起所述病症的病因。
2.根据权利要求1所述的方法,其中,获取所述环境信息或获取所述病症表象特征包括:
通过人机交互的方式从用户处直接获取;和/或
通过计算机视觉技术从用户输入的图像中获取。
3.根据权利要求2所述的方法,其中,通过计算机视觉技术从用户输入的图像中获取包括:
基于所述图像和预先训练的环境信息识别模型或病症表象特征识别模型识别所述环境信息或所述病症表象特征。
4.根据权利要求1所述的方法,其中,
所述环境信息包括光照环境信息、湿度环境信息、空气环境信息、温度环境信息、土壤环境信息、和营养环境信息中的一种或多种。
5.根据权利要求1所述的方法,其中,
所述病症表象特征包括徒长瘦弱、基部软腐、开花倒伏、茎软倒、叶片霉斑、幼果发霉和叶片枯黄中的一种或多种。
6.根据权利要求1所述的方法,其中,
所述病因包括缺乏光照、光照过强、缺乏浇水、浇水过多、通风不畅、温度过高、温度过低、土壤板结、土壤颗粒过大、缺乏修剪、缺乏肥料、细菌感染、病虫害和烂根中的一种或多种。
7.根据权利要求1所述的方法,还包括:
获取所述植物的其他信息;以及
基于所述环境信息、所述病症表象特征和所述其他信息确定所述病因,
其中,所述其他信息包括:所述植物的植株疏密情况信息、所述植物的生长地信息、与所述植物被诊断相关联的时间信息以及所述植物的养护方式信息中的一种或多种。
8.根据权利要求1所述的方法,还包括:
在确定所述病因之前,在数据库中建立所述环境信息、所述病症表象特征和所述病因的对应关系,以便基于所述环境信息、所述病症表象特征和所述对应关系确定所述病因。
9.一种植物诊断方法,包括:
获取与植物相关联的一个或多个图像;
基于所述一个或多个图像,通过计算机视觉技术识别所述植物生长的环境信息和所述植物的病症表象特征,所述病症表象特征包括所述植物由于病症而表现出的样态;以及
基于所述环境信息和所述病症表象特征确定引起所述病症的原因。
10.一种植物诊断方法,包括:
获取植物的图像;
基于所述图像,通过计算机视觉技术识别所述植物是否具有病症;
响应于识别为所述植物具有病症,提示用户输入所述植物的附加图像,所述附加图像与所述植物的生长环境相关联和/或与所述植物的具有所述病症的部位相关联;以及
至少基于所述附加图像,确定引起所述病症的原因。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211180906.7A CN115656167A (zh) | 2022-09-27 | 2022-09-27 | 植物诊断方法、装置及计算机可读存储介质 |
PCT/CN2023/115207 WO2024066851A1 (zh) | 2022-09-27 | 2023-08-28 | 植物诊断方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211180906.7A CN115656167A (zh) | 2022-09-27 | 2022-09-27 | 植物诊断方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115656167A true CN115656167A (zh) | 2023-01-31 |
Family
ID=84984870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211180906.7A Pending CN115656167A (zh) | 2022-09-27 | 2022-09-27 | 植物诊断方法、装置及计算机可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115656167A (zh) |
WO (1) | WO2024066851A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930459A (zh) * | 2023-07-25 | 2023-10-24 | 江苏龙环环境科技有限公司 | 一种土壤原位探测装置及其探测方法 |
WO2024066851A1 (zh) * | 2022-09-27 | 2024-04-04 | 杭州睿胜软件有限公司 | 植物诊断方法、装置及计算机可读存储介质 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101695128A (zh) * | 2009-10-21 | 2010-04-14 | 中国农业大学 | 植物病害远程诊断仪 |
CN104484408A (zh) * | 2014-12-16 | 2015-04-01 | 百度在线网络技术(北京)有限公司 | 植物信息的搜索处理方法和系统 |
WO2018078866A1 (ja) * | 2016-10-31 | 2018-05-03 | 株式会社オプティム | コンピュータシステム、植物の診断方法及びプログラム |
US10088816B1 (en) * | 2017-06-26 | 2018-10-02 | International Business Machines Corporation | Cognitive plant clinic |
US11398028B2 (en) * | 2020-06-08 | 2022-07-26 | X Development Llc | Generating and using synthetic training data for plant disease detection |
KR20220091787A (ko) * | 2020-12-24 | 2022-07-01 | 전북대학교산학협력단 | 다양한 병증이 표현된 영상을 대량으로 생성할 수 있는 딥러닝 기반의 병증 식물 영상 생성 장치 및 방법 |
CN113096100B (zh) * | 2021-04-15 | 2023-08-22 | 杭州睿胜软件有限公司 | 用于植物病症诊断的方法和植物病症诊断系统 |
CN113947697A (zh) * | 2021-10-21 | 2022-01-18 | 杭州睿胜软件有限公司 | 植物病虫害诊断方法、诊断系统及可读存储介质 |
CN115656167A (zh) * | 2022-09-27 | 2023-01-31 | 杭州睿胜软件有限公司 | 植物诊断方法、装置及计算机可读存储介质 |
-
2022
- 2022-09-27 CN CN202211180906.7A patent/CN115656167A/zh active Pending
-
2023
- 2023-08-28 WO PCT/CN2023/115207 patent/WO2024066851A1/zh unknown
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024066851A1 (zh) * | 2022-09-27 | 2024-04-04 | 杭州睿胜软件有限公司 | 植物诊断方法、装置及计算机可读存储介质 |
CN116930459A (zh) * | 2023-07-25 | 2023-10-24 | 江苏龙环环境科技有限公司 | 一种土壤原位探测装置及其探测方法 |
CN116930459B (zh) * | 2023-07-25 | 2024-03-12 | 江苏龙环环境科技有限公司 | 一种土壤原位探测装置及其探测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024066851A1 (zh) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115656167A (zh) | 植物诊断方法、装置及计算机可读存储介质 | |
US20200005063A1 (en) | Systems and methods for electronically identifying plant species | |
US20230380349A1 (en) | Information processing device and information processing method | |
CN109583301B (zh) | 一种农作物生长过程最优外部种植条件预测方法及装置 | |
JP6551943B2 (ja) | 生育管理装置、生育管理方法、及び、プログラム | |
CN113627216B (zh) | 植物状态评估方法、系统及计算机可读存储介质 | |
CN111046204A (zh) | 一种病虫害识别防治系统 | |
CN106605254B (zh) | 信息处理设备、信息处理方法以及程序 | |
JP2012080790A (ja) | 育成支援システム | |
WO2023065989A1 (zh) | 植物病虫害诊断方法、诊断系统及可读存储介质 | |
EP3850360A1 (en) | Systems and methods for electronically identifying plant species | |
WO2024045959A1 (zh) | 植物信息的展示方法、装置及计算机可读存储介质 | |
CN113298180A (zh) | 用于植物识别的方法和计算机系统 | |
CN113435345A (zh) | 生长阶段确定方法、装置、农业系统、设备及存储介质 | |
US20180144657A1 (en) | Learning assistance apparatus, learning assistance method, and computer-readable storage medium | |
CN109871427A (zh) | 一种基于论文的植物数据库建立方法和装置 | |
CN115690609A (zh) | 一种作物生育期长势监测的方法 | |
CN114937030A (zh) | 一种用于智慧农业种植生菜的表型参数计算方法 | |
US20240221093A1 (en) | Method and device configured for assisting user in caring for plant | |
CN113128043A (zh) | 一种基于水分胁迫的植被生长模型构建方法及系统 | |
CN116228194A (zh) | 用于辅助用户进行植物养护的方法及装置 | |
CN111508078A (zh) | 基于3d模型的农作物修剪演示方法、装置及系统 | |
CN111135577B (zh) | 一种数据处理方法及装置 | |
CN114817584B (zh) | 信息处理方法、计算机可读存储介质以及电子设备 | |
CN113408474B (zh) | 一种林下复合生态处理方法、装置、介质及终端设备 |
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 |