CN115690590A - 作物生长异常监测方法、装置、设备及存储介质 - Google Patents
作物生长异常监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115690590A CN115690590A CN202310005520.0A CN202310005520A CN115690590A CN 115690590 A CN115690590 A CN 115690590A CN 202310005520 A CN202310005520 A CN 202310005520A CN 115690590 A CN115690590 A CN 115690590A
- Authority
- CN
- China
- Prior art keywords
- growth
- fitting
- crop
- dividing
- track
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种作物生长异常监测方法、装置、设备及存储介质，涉及图像处理技术领域，包括：获取作物在不同时刻对应的生长图像数据；基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。本发明通过基于不同时刻对应的生长图像数据，确定作物生长的变动轨迹，从而根据变动轨迹来判定作物的生长监测结果，实现对作物生长状态进行自动识别，无需人工实地观察作物，有效提高作物生长状态监测的效率，保证作物的正常生长。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种作物生长异常监测方法、装置、设备及存储介质。
背景技术
在农作物生长过程中，经常会因为气候、虫害等原因影响农作物生长，因此，需要定期对农作物生长状态进行监测。目前，通常是通过工作人员进行实地观察，例如，观察作物的几何尺寸、形状或颜色等外观特征来判别作物生长情况。然而，人工直接观察作物生长情况费时费力，导致对农作物生长状态监测的效率较低。
发明内容
本发明提供一种作物生长异常监测方法、装置、设备及存储介质，旨在在农作物生长过程中，提高农作物生长状态监测的效率。
本发明提供一种作物生长异常监测方法，包括：
获取作物在不同时刻对应的生长图像数据；
基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；
基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。
根据本发明提供的一种作物生长异常监测方法，所述作物拟合生长轨迹包括茎尖拟合生长轨迹和叶尖拟合生长轨迹；
所述基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹，包括：
在任一时刻的生长图像数据中提取得到所述作物的茎尖像素坐标以及叶尖像素坐标；
基于不同时刻对应的茎尖像素坐标，形成茎尖时间序列数据；以及基于不同时刻对应的叶尖像素坐标，形成叶尖时间序列数据；
将所述茎尖时间序列数据进行轨迹分析，得到所述茎尖拟合生长轨迹；以及将所述叶尖时间序列数据进行轨迹分析，得到所述叶尖拟合生长轨迹。
根据本发明提供的一种作物生长异常监测方法，所述将所述茎尖时间序列数据进行轨迹分析，得到所述茎尖拟合生长轨迹，包括：
基于所述茎尖时间序列数据中的各个茎尖像素坐标，计算得到X轴坐标平均值以及Y轴坐标平均值；
基于各所述茎尖像素坐标、所述X轴坐标平均值以及所述Y轴坐标平均值，生成时间序列曲线；
将所述时间序列曲线进行划分，得到若干段划分曲线，其中，任一所述划分曲线配置有划分序号；
分别对各所述划分曲线进行直线拟合处理，得到各个目标拟合直线；
基于各所述划分曲线以及各所述划分曲线对应的目标拟合直线，分别计算得到各所述划分曲线对应的目标拟合值；
基于各所述划分曲线对应的划分序号以及目标拟合值，生成所述茎尖拟合生长轨迹。
根据本发明提供的一种作物生长异常监测方法，所述基于各所述茎尖像素坐标、所述X轴坐标平均值以及所述Y轴坐标平均值，生成时间序列曲线，包括：
将任一所述茎尖像素坐标中的第一X轴坐标值与所述X轴坐标平均值进行做差处理，以及将任一所述茎尖像素坐标中的第一Y轴坐标值与所述Y轴坐标平均值进行做差处理，得到各个更新像素坐标；
基于各所述更新像素坐标，形成所述时间序列曲线。
根据本发明提供的一种作物生长异常监测方法，所述基于各所述划分曲线以及各所述划分曲线对应的目标拟合直线，分别计算得到各所述划分曲线对应的目标拟合值，包括：
对于任意一段划分曲线，基于所述划分曲线上更新像素坐标对应的第二X轴坐标值，计算得到所述目标拟合直线对应的直线Y轴坐标值；
基于所述直线Y轴坐标值以及所述更新像素坐标对应的第二Y轴坐标值，计算得到所述目标拟合值。
根据本发明提供的一种作物生长异常监测方法，所述基于各所述划分曲线对应的划分序号以及目标拟合值，生成所述茎尖拟合生长轨迹，包括：
分别任一所述划分曲线对应的划分序号以及目标拟合值进行对数处理，得到所述划分序号对应的序号对数值以及所述目标拟合值对应的拟合对数值；
将任一所述划分曲线对应的序号对数值作为第三X轴坐标值，以及将任一所述划分曲线对应的拟合对数值作为第三Y轴坐标值；
将各所述划分曲线对应的第三X轴坐标值以及第三Y轴坐标值进行直线拟合处理，得到所述茎尖拟合生长轨迹。
根据本发明提供的一种作物生长异常监测方法，所述基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果，包括：
计算所述茎尖拟合生长轨迹对应的第一斜率以及所述叶尖拟合生长轨迹对应的第二斜率；
若所述第一斜率小于第一预先斜率阈值，和/或所述第二斜率小于第二预先斜率阈值，则判定所述生长监测结果是作物生长异常结果；
若所述第一斜率不小于所述第一预先斜率阈值，且所述第二斜率不小于所述第二预先斜率阈值，则判定所述生长监测结果是作物生长正常结果。
本发明还提供一种作物生长异常监测装置，包括：
获取模块，用于获取作物在不同时刻对应的生长图像数据；
生成模块，用于基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；
确定模块，用于基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。
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作物生长异常监测方法。
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作物生长异常监测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述作物生长异常监测方法。
本发明提供的作物生长异常监测方法、装置、设备及存储介质，通过基于不同时刻对应的生长图像数据，确定作物生长的变动轨迹，从而根据变动轨迹来判定作物的生长监测结果，实现作物生长状态的自动识别，从而无需人工实地观察作物，有效提高作物生长状态监测的效率，保证作物的正常生长。
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逐一简单地介绍，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是本发明提供的作物生长异常监测方法的流程示意图之一；
图2是本发明提供的作物生长异常监测方法的流程示意图之二；
图3是本发明提供的作物生长异常监测方法的流程示意图之三；
图4是本发明提供的作物生长异常监测装置的结构示意图；
图5是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。
在本发明一个或多个实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明一个或多个实施例。在本发明一个或多个实施例中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本发明一个或多个实施例中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明一个或多个实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明一个或多个实施例范围的情况下，第一也可以被称为第二，类似地，第二也可以被称为第一。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”。
图1是本发明提供的作物生长异常监测方法的流程示意图之一。如图1所示，该作物生长异常监测方法包括：
步骤11，获取作物在不同时刻对应的生长图像数据；
需要说明的是，生长图像数据是通过安装在作物种植区域内的各个图像采集设备采集得到，图像采集设备可以包括摄像头、相机等设备。进一步地，所述不同时刻对应的生长图像数据可以是预先时间间隔对应的图像数据，也可以是预设一段时间内连续多天的图像数据，所述预设时间间隔以及预设一段时间可根据实际情况设置，在此不做具体限制。具体地，获取图像采集设备采集到的生长图像数据，并将当前采集的生长图像数据上传至服务器或者存储在数据库中，从而可在服务器或者存储在数据库中查询得到不同时刻对应的生长图像数据。
步骤12，基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；
需要说明的是，作物的茎和叶子等信息能够反映出作物的生长情况，为了提高对作物生长状态监测的准确性，作物拟合生长轨迹包括作物茎尖对应的茎尖拟合生长轨迹以及作物叶尖对应的叶尖拟合生长轨迹，也即，本实施例通过结合茎尖和叶尖的生长情况来作为作物生长状态的监测指标。在其他实施例中，还可利用其他能够反映出作物生长情况的作物信息作为监测指标。
具体地，首先分别对不同时刻的生长图像数据进行像素点提取，得到不同时刻对应的茎尖像素坐标以及不同时刻对应的叶尖像素坐标，进而将基于不同时刻对应的茎尖像素坐标，形成茎尖时间序列数据，以及基于不同时刻对应的叶尖像素坐标，形成叶尖时间序列数据，进一步地，将所述茎尖时间序列数据中的各个茎尖像素坐标进行位置变动轨迹分析，以及将所述叶尖时间序列数据中的各个叶尖像素坐标进行位置变动轨迹分析，可以理解地，作物在正常生长过程中，作物的茎尖和叶尖的像素点坐标位置会发生变化，从而通过拟合分析各个叶尖像素点坐标以及各个茎尖像素坐标，得到作物对应的茎尖拟合生长轨迹和叶尖拟合生长轨迹。
步骤13，基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。
具体地，计算所述茎尖拟合生长轨迹对应的第一斜率，以及计算所述叶尖拟合生长轨迹对应的第二斜率，进而将第一斜率与第一预先斜率阈值进行比较，以及将第二斜率与第二预先斜率阈值进行比较，需要说明的是，茎尖拟合生长轨迹和叶尖拟合生长轨迹对应的斜率阈值不同，其中，所述第一预先斜率阈值和第二预先斜率阈值可根据实际情况设置，在此不做具体限制。进一步地，若所述第一斜率小于所述第一预先斜率阈值，和/或所述第二斜率小于所述第一预先斜率阈值，则判定所述作物处于异常生长状态，进而确定所述生长监测结果是作物生长异常结果。另外地，若所述第一斜率不小于所述第一预先斜率阈值，且所述第二斜率不小于所述第二预先斜率阈值，则判定所述作物处于正常生长状态，进而确定所述生长监测结果是作物生长正常结果。
另外地，在其他实施方式中，也可将茎尖拟合生长轨迹与预设茎尖变动轨迹进行相似度匹配，以及将叶尖拟合生长轨迹与预设叶尖变动轨迹进行相似度匹配，需要说明的是，所述预设茎尖变动轨迹和预设叶尖变动轨迹是表示作物在正常生长状态下的轨迹，进而当叶尖以及茎尖分别对应的相似度匹配满足预设匹配阈值时，判定所述作物处于正常生长状态，进而确定所述生长监测结果是作物生长正常结果。
可以理解地，为了提高对作物生长状态监测的准确性，只有作物的茎尖和叶尖的生长趋势轨迹均正常，才判定所述作物处于正常生长状态。另外地，当确定作物处于异常生长状态，可根据茎尖和叶尖的比较结果，指导人们及时改变作物所处环境或者改进作物施肥方案，保证作物的正常生长。
本发明实施例通过上述方案，也即，获取作物在不同时刻对应的生长图像数据；基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。实现通过基于不同时刻对应的生长图像数据，确定作物生长的变动轨迹，从而根据变动轨迹来判定作物的生长监测结果，实现作物生长状态的自动识别，从而无需人工实地观察作物，有效提高作物生长状态监测的效率，保证作物的正常生长。
图2是本发明提供的作物生长异常监测方法的流程示意图之二，如图2所示，在本发明的一个实施例中，所述基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹，包括：
步骤21，在任一时刻的生长图像数据中提取得到所述作物的茎尖像素坐标以及叶尖像素坐标；
步骤22，基于不同时刻对应的茎尖像素坐标，形成茎尖时间序列数据；以及基于不同时刻对应的叶尖像素坐标，形成叶尖时间序列数据；
步骤23，将所述茎尖时间序列数据进行轨迹分析，得到所述茎尖拟合生长轨迹；以及将所述叶尖时间序列数据进行轨迹分析，得到所述叶尖拟合生长轨迹。
具体地，首先构建一个像素坐标系，其中，坐标系的坐标原点、X轴方向以及Y轴方向可根据实际情况设置，例如，以图像左上角的像素点作为坐标原点，以图像的长作为X轴方向，以图像的宽作为Y轴方向。进而在每一个时刻的生长图像数据中提取得到所述作物的茎尖像素坐标以及叶尖像素坐标。进一步地，基于不同时刻对应的茎尖像素坐标，按照时间顺序形成茎尖时间序列数据，以及基于不同时刻对应的叶尖像素坐标，按照时间顺序形成叶尖时间序列数据。
进一步地，针对茎尖时间序列数据中的各个茎尖像素坐标：将各个茎尖像素坐标进行分析拟合，形成所述茎尖拟合生长轨迹，更为具体地：基于各个茎尖像素坐标对应的X轴坐标值以及Y轴坐标值，分别计算得到X轴坐标平均值以及Y轴坐标平均值，在其他实施例中，也可计算X轴和Y轴对应的标准差和平方差等，进一步地，基于各所述茎尖像素坐标中的X轴坐标值与所述X轴坐标平均值进行做差，以及将Y轴坐标值与所述Y轴坐标平均值进行做差处理，得到各个更新像素坐标，进而基于各个更新像素坐标，生成时间序列曲线。
更进一步地，在一实施例中，将所述时间序列曲线进行直线拟合，得到拟合直线，并将拟合直线作为所述茎尖拟合生长轨迹。另外地，在另一实施例中，为了提高茎尖拟合生长轨迹拟合的准确性，将时间序列曲线进行划分，得到若干个划分曲线，每一段所述划分曲线配置有划分序号，进而分别将各个划分曲线进行拟合处理，得到各个划分曲线分别对应的目标拟合直线。进而针对任意一段划分曲线以及所述划分曲线对应的目标拟合直线：基于所述划分曲线上更新像素坐标的X轴坐标值，计算所述划分曲线与所述目标拟合直线在Y轴上的差异值，从而基于任一所述划分曲线对应的划分序号以及所述在Y轴上的差异值，生成所述茎尖拟合生长轨迹。
另外需要说明的是，针对叶尖时间序列数据中的各个叶尖像素坐标，将各个茎尖像素坐标进行分析拟合，形成所述茎尖拟合生长轨迹，需要说明的是，叶尖拟合生长轨迹的分析过程与茎尖拟合生长轨迹基本相同，在此不再赘述。
本发明实施例通过基于时间序列数据中像素坐标，分析得到茎尖和叶尖的变动位置轨迹，而茎尖和叶尖的变动位置轨迹能够表征作物的生长情况，从而实现对作物生长状态的自动识别。
图3是本发明提供的作物生长异常监测方法的流程示意图之三，如图3所示，在本发明的一个实施例中，所述将所述茎尖时间序列数据进行轨迹分析，得到所述茎尖拟合生长轨迹，包括：
步骤31，基于所述茎尖时间序列数据中的各个茎尖像素坐标，计算得到X轴坐标平均值以及Y轴坐标平均值；
具体地，确定所述茎尖时间序列数据中的各个茎尖像素坐标的坐标个数，进而基于坐标个数以及各所述茎尖像素坐标分别对应的第一X轴坐标值，计算得到X轴坐标平均值，以及基于坐标个数以及各所述茎尖像素坐标分别对应的第一Y轴坐标值，计算得到Y轴坐标平均值。
步骤32，基于各所述茎尖像素坐标、所述X轴坐标平均值以及所述Y轴坐标平均值，生成时间序列曲线；
具体地，对于任意一个茎尖像素坐标：将所述茎尖像素坐标中的第一X轴坐标值减去所述X轴坐标平均值，以及将所述茎尖像素坐标中的第一Y轴坐标值减去所述Y轴坐标平均值，得到新的第一X轴坐标值以及新的第一Y轴坐标值，进一步地，基于所述新的第一X轴坐标值以及新的第一Y轴坐标值，形成所述更新像素坐标。进一步地，基于各所述茎尖像素坐标分别对应的更新像素坐标，绘制形成所述时间序列曲线。
步骤33，将所述时间序列曲线进行划分，得到若干段划分曲线，其中，任一所述划分曲线配置有划分序号；
步骤34，分别对各所述划分曲线进行直线拟合处理，得到各个目标拟合直线；
需要说明的是，划分表示对时间序列曲线进行等间隔划分，划分的间隔可根据实际情况设置，在此不做具体限制。进一步地，每一段划分曲线配置有划分序号，所述划分序号可用于表示划分曲线的识别标签。
具体地，将所述时间序列曲线按照等间隔进行划分，得到若干段等间隔对应的划分曲线。进一步地，针对任意一段划分曲线：将划分曲线进行直线拟合处理，得到所述划分曲线对应的目标拟合直线，其中，直线拟合处理包括最小二乘法和梯度下降方法等直线拟合算法。
步骤35，基于各所述划分曲线以及各所述划分曲线对应的目标拟合直线，分别计算得到各所述划分曲线对应的目标拟合值；
需要说明的是，将时间序列曲线进行划分过程中，每一段划分曲线至少包括一个更新像素坐标。
具体地，对于任意一段划分曲线均执行以下步骤：
确定在所述划分曲线上更新像素坐标中的第二X轴坐标值以及第二Y轴坐标值，进而基于所述第二X轴坐标值，在所述目标拟合直线上计算得到所述第二X轴坐标值对应的直线Y轴坐标值，进一步地，基于所述直线Y轴坐标值以及所述更新像素坐标对应的第二Y轴坐标值，计算得到Y轴差值，也即，基于该段划分曲线上更新像素坐标对应的第二X轴坐标值，将更新像素坐标的第二Y轴坐标值减去在目标拟合直线上的该X轴坐标值所对应的直线Y轴坐标值。进一步地，基于所述Y轴差值，计算得到所述划分曲线对应的目标拟合值。
步骤36，基于各所述划分曲线对应的划分序号以及目标拟合值，生成所述茎尖拟合生长轨迹。
在一个实施例中，具体地，对于任意一段划分曲线，将所述划分曲线对应的划分序号作为X轴坐标值，以及将所述划分曲线对应的目标拟合值作为Y轴坐标值，进而基于所述X轴坐标值以及所述Y轴坐标值，形成二维坐标。进一步地，将各个划分曲线对应的二维坐标进行直线拟合，得到所述茎尖拟合生长轨迹。
在另一个实施例中，具体地，为了提高茎尖拟合生长轨迹的效率，对于任意一段划分曲线：将所述划分曲线对应的划分序号进行对数处理，以及将所述划分曲线对应的目标拟合值进行对数处理，得到所述划分序号对应的序号对数值以及所述目标拟合值对应的拟合对数值，其中，需要说明的是，所述对数处理是对划分序号以及目标拟合值进行取对数值的操作，例如，取ln和lg，优选地，选取lg对数处理。需要说明的是，对数处理不会改变数据的性质和相关关系，但压缩了变量的尺度，以方便计算。进一步地，将所述划分曲线对应的序号对数值作为第三X轴坐标值，以及将所述划分曲线对应的拟合对数值作为第三Y轴坐标值，基于所述第三X轴坐标值以及所述第三Y轴坐标值，形成该划分曲线对应的目标坐标。进一步地，将各个划分曲线对应的目标坐标进行直线拟合处理，得到所述茎尖拟合生长轨迹。
本发明实施例通过根据茎尖时间序列数据中的各个茎尖像素坐标拟合生成茎尖拟合生长轨迹，从而可基于茎尖拟合生长轨迹，实现对作物生长状态的自动识别，无需人工实地观察作物，有效提高作物生长状态监测的效率。
在本发明的一个实施例中，所述基于各所述茎尖像素坐标、所述X轴坐标平均值以及所述Y轴坐标平均值，生成时间序列曲线，包括：
将任一所述茎尖像素坐标中的第一X轴坐标值与所述X轴坐标平均值进行做差处理，以及将任一所述茎尖像素坐标中的第一Y轴坐标值与所述Y轴坐标平均值进行做差处理，得到各个更新像素坐标；基于各所述更新像素坐标，形成所述时间序列曲线。
具体地，针对任意一个茎尖像素坐标均执行以下步骤：
基于所述茎尖像素坐标中的第一X轴坐标值和第一Y轴坐标值，将所述第一X轴坐标值与所述X轴坐标平均值相减，以及将第一Y轴坐标值与所述Y轴坐标平均值相减，从而得到新的X轴坐标值以及新的Y轴坐标值，进而基于新的X轴坐标值以及新的Y轴坐标值，形成更新像素坐标，进一步地，基于各所述更新像素坐标，形成所述时间序列曲线，更新像素坐标表示如下：
（Xi1，Yii1）=（（Xi-Xi-ave），（Yi-Yi-ave））
其中，（Xi1，Yii1）表示更新像素坐标，Xi表示第一X轴坐标值，Yi表示第一Y轴坐标值，Xi-ave表示X轴坐标平均值，Yi-ave表示Y轴坐标平均值。
本发明实施例通过基于所述茎尖时间序列数据中的茎尖像素坐标，生成时间序列曲线，为后续生成茎尖拟合生长轨迹奠定基础。
在本发明的一个实施例中，所述基于各所述划分曲线以及各所述划分曲线对应的目标拟合直线，分别计算得到各所述划分曲线对应的目标拟合值，包括：
对于任意一段划分曲线，基于所述划分曲线上更新像素坐标对应的第二X轴坐标值，计算得到所述目标拟合直线对应的直线Y轴坐标值；基于所述直线Y轴坐标值以及所述更新像素坐标对应的第二Y轴坐标值，计算得到所述目标拟合值。
需要说明的是，所述划分曲线至少包括一个更新像素坐标。
具体地，针对任意一段划分曲线均执行以下步骤：
首先，确定所述划分曲线上更新像素坐标的个数以及更新像素坐标对应的第二X轴坐标值，进而针对划分曲线上任意一个更新像素坐标：基于所述更新像素坐标中的第二X轴坐标值，在所述划分曲线对应的目标拟合直线上确定所述第二X轴坐标值对应的Y轴坐标值，也即，本实施例中的直线Y轴坐标值，进一步地，计算所述直线Y轴坐标值与所述更新像素坐标对应的第二Y轴坐标值之间的差值，进一步地，基于该差值，计算得到所述目标拟合值，目标拟合值计算公式如下：
其中，Fn表示目标拟合值，r表示划分曲线上更新像素坐标的个数，Xu表示第二X轴坐标值，f（Xu）表示第二Y轴坐标值，v（Xu）表示直线Y轴坐标值。
本发明实施例通过基于更新像素坐标，计算每一段划分曲线对应的目标拟合值，从而基于所述目标拟合值，为后续准确拟合得到最终的茎尖拟合生长轨迹奠定基础。
在本发明的一个实施例中，所述基于各所述划分曲线对应的划分序号以及目标拟合值，生成所述茎尖拟合生长轨迹，包括：
分别任一所述划分曲线对应的划分序号以及目标拟合值进行对数处理，得到所述划分序号对应的序号对数值以及所述目标拟合值对应的拟合对数值；将任一所述划分曲线对应的序号对数值作为第三X轴坐标值，以及将任一所述划分曲线对应的拟合对数值作为第三Y轴坐标值；将各所述划分曲线对应的第三X轴坐标值以及第三Y轴坐标值进行直线拟合处理，得到所述茎尖拟合生长轨迹。
具体地，针对任意一段划分曲线：将所述划分曲线对应的划分序号进行对数处理，以及将划分曲线对应的目标拟合值进行对数处理，得到所述划分序号对应的序号对数值以及所述目标拟合值对应的拟合对数值。进而将所述划分曲线对应的序号对数值作为第三X轴坐标值，以及将所述划分曲线对应的拟合对数值作为第三Y轴坐标值，进一步地，基于所述第三X轴坐标值以及所述第三Y轴坐标值，形成所述划分曲线对应的目标坐标。进一步地，由于各个划分曲线均配置有划分序号，进而按照所述划分序号的顺序，将各个划分曲线对应的目标坐标进行直线拟合处理，得到目标直线，并将所述目标直线作为茎尖拟合生长轨迹。
可以理解地，划分序号包括1、2、3，划分序号1对应的目标坐标是（0，lgF1）、划分序号2对应的目标坐标（lg2，lgF2）和划分序号3对应的目标坐标（lg3，lgF3），进而按照划分序号的大小顺序，将各个目标坐标进行直线拟合，得到茎尖拟合生长轨迹。
本发明实施例通过将任一所述划分曲线对应的划分序号以及目标拟合值进行对数处理，由于对数处理不会改变数据的性质和相关关系，但压缩了变量的尺度，从而有效提高茎尖拟合生长轨迹的构建效率。
下面对本发明提供的作物生长异常监测装置进行描述，下文描述的作物生长异常监测装置与上文描述的作物生长异常监测方法可相互对应参照。
图4是本发明提供的作物生长异常监测装置的结构示意图，如图4所示，本发明实施例的一种作物生长异常监测装置，该装置包括：
获取模块41，用于获取作物在不同时刻对应的生长图像数据；
生成模块42，用于基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；
确定模块43，用于基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。
所述生成模块42还包括：
所述作物拟合生长轨迹包括茎尖拟合生长轨迹和叶尖拟合生长轨迹。
所述生成模块42还用于：
在任一时刻的生长图像数据中提取得到所述作物的茎尖像素坐标以及叶尖像素坐标；
基于不同时刻对应的茎尖像素坐标，形成茎尖时间序列数据；以及基于不同时刻对应的叶尖像素坐标，形成叶尖时间序列数据；
将所述茎尖时间序列数据进行轨迹分析，得到所述茎尖拟合生长轨迹；以及将所述叶尖时间序列数据进行轨迹分析，得到所述叶尖拟合生长轨迹。
所述生成模块42还用于：
基于所述茎尖时间序列数据中的各个茎尖像素坐标，计算得到X轴坐标平均值以及Y轴坐标平均值；
基于各所述茎尖像素坐标、所述X轴坐标平均值以及所述Y轴坐标平均值，生成时间序列曲线；
将所述时间序列曲线进行划分，得到若干段划分曲线，其中，任一所述划分曲线配置有划分序号；
分别对各所述划分曲线进行直线拟合处理，得到各个目标拟合直线；
基于各所述划分曲线以及各所述划分曲线对应的目标拟合直线，分别计算得到各所述划分曲线对应的目标拟合值；
基于各所述划分曲线对应的划分序号以及目标拟合值，生成所述茎尖拟合生长轨迹。
所述生成模块42还用于：
将任一所述茎尖像素坐标中的第一X轴坐标值与所述X轴坐标平均值进行做差处理，以及将任一所述茎尖像素坐标中的第一Y轴坐标值与所述Y轴坐标平均值进行做差处理，得到各个更新像素坐标；
基于各所述更新像素坐标，形成所述时间序列曲线。
所述生成模块42还用于：
对于任意一段划分曲线，基于所述划分曲线上更新像素坐标对应的第二X轴坐标值，计算得到所述目标拟合直线对应的直线Y轴坐标值；
基于所述直线Y轴坐标值以及所述更新像素坐标对应的第二Y轴坐标值，计算得到所述目标拟合值。
所述生成模块42还用于：
将任一所述划分曲线对应的序号对数值作为第三X轴坐标值，以及将任一所述划分曲线对应的拟合对数值作为第三Y轴坐标值；
将各所述划分曲线对应的第三X轴坐标值以及第三Y轴坐标值进行直线拟合处理，得到所述茎尖拟合生长轨迹。
所述确定模块43还用于：
计算所述茎尖拟合生长轨迹对应的第一斜率以及所述叶尖拟合生长轨迹对应的第二斜率；
若所述第一斜率小于第一预先斜率阈值，和/或所述第二斜率小于第二预先斜率阈值，则判定所述生长监测结果是作物生长异常结果；
若所述第一斜率不小于所述第一预先斜率阈值，且所述第二斜率不小于所述第二预先斜率阈值，则判定所述生长监测结果是作物生长正常结果。
在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同技术效果，在此不再对本实施例中与方法实施例相同部分及有益效果进行具体赘述。
图5是本发明提供的电子设备的结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、存储器(memory)520、通信接口(Communications Interface)530和通信总线540，其中，处理器510，存储器520，通信接口530通过通信总线540完成相互间的通信。处理器510可以调用存储器520中的逻辑指令，以执行作物生长异常监测方法，该方法包括：获取作物在不同时刻对应的生长图像数据；基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。
此外，上述的存储器520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作物生长异常监测方法，该方法包括：获取作物在不同时刻对应的生长图像数据；基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的作物生长异常监测方法，该方法包括：获取作物在不同时刻对应的生长图像数据；基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。
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)
1.一种作物生长异常监测方法，其特征在于，包括：
获取作物在不同时刻对应的生长图像数据；
基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；
基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。
2.根据权利要求1所述的作物生长异常监测方法，其特征在于，所述作物拟合生长轨迹包括茎尖拟合生长轨迹和叶尖拟合生长轨迹；
所述基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹，包括：
在任一时刻的生长图像数据中提取得到所述作物的茎尖像素坐标以及叶尖像素坐标；
基于不同时刻对应的茎尖像素坐标，形成茎尖时间序列数据；以及基于不同时刻对应的叶尖像素坐标，形成叶尖时间序列数据；
将所述茎尖时间序列数据进行轨迹分析，得到所述茎尖拟合生长轨迹；以及将所述叶尖时间序列数据进行轨迹分析，得到所述叶尖拟合生长轨迹。
3.根据权利要求2所述的作物生长异常监测方法，其特征在于，所述将所述茎尖时间序列数据进行轨迹分析，得到所述茎尖拟合生长轨迹，包括：
基于所述茎尖时间序列数据中的各个茎尖像素坐标，计算得到X轴坐标平均值以及Y轴坐标平均值；
基于各所述茎尖像素坐标、所述X轴坐标平均值以及所述Y轴坐标平均值，生成时间序列曲线；
将所述时间序列曲线进行划分，得到若干段划分曲线，其中，任一所述划分曲线配置有划分序号；
分别对各所述划分曲线进行直线拟合处理，得到各个目标拟合直线；
基于各所述划分曲线以及各所述划分曲线对应的目标拟合直线，分别计算得到各所述划分曲线对应的目标拟合值；
基于各所述划分曲线对应的划分序号以及目标拟合值，生成所述茎尖拟合生长轨迹。
4.根据权利要求3所述的作物生长异常监测方法，其特征在于，所述基于各所述茎尖像素坐标、所述X轴坐标平均值以及所述Y轴坐标平均值，生成时间序列曲线，包括：
将任一所述茎尖像素坐标中的第一X轴坐标值与所述X轴坐标平均值进行做差处理，以及将任一所述茎尖像素坐标中的第一Y轴坐标值与所述Y轴坐标平均值进行做差处理，得到各个更新像素坐标；
基于各所述更新像素坐标，形成所述时间序列曲线。
5.根据权利要求4所述的作物生长异常监测方法，其特征在于，所述基于各所述划分曲线以及各所述划分曲线对应的目标拟合直线，分别计算得到各所述划分曲线对应的目标拟合值，包括：
对于任意一段划分曲线，基于所述划分曲线上更新像素坐标对应的第二X轴坐标值，计算得到所述目标拟合直线对应的直线Y轴坐标值；
基于所述直线Y轴坐标值以及所述更新像素坐标对应的第二Y轴坐标值，计算得到所述目标拟合值。
6.根据权利要求3所述的作物生长异常监测方法，其特征在于，所述基于各所述划分曲线对应的划分序号以及目标拟合值，生成所述茎尖拟合生长轨迹，包括：
分别任一所述划分曲线对应的划分序号以及目标拟合值进行对数处理，得到所述划分序号对应的序号对数值以及所述目标拟合值对应的拟合对数值；
将任一所述划分曲线对应的序号对数值作为第三X轴坐标值，以及将任一所述划分曲线对应的拟合对数值作为第三Y轴坐标值；
将各所述划分曲线对应的第三X轴坐标值以及第三Y轴坐标值进行直线拟合处理，得到所述茎尖拟合生长轨迹。
7.根据权利要求2所述的作物生长异常监测方法，其特征在于，所述基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果，包括：
计算所述茎尖拟合生长轨迹对应的第一斜率以及所述叶尖拟合生长轨迹对应的第二斜率；
若所述第一斜率小于第一预先斜率阈值，和/或所述第二斜率小于第二预先斜率阈值，则判定所述生长监测结果是作物生长异常结果；
若所述第一斜率不小于所述第一预先斜率阈值，且所述第二斜率不小于所述第二预先斜率阈值，则判定所述生长监测结果是作物生长正常结果。
8.一种作物生长异常监测装置，其特征在于，包括：
获取模块，用于获取作物在不同时刻对应的生长图像数据；
生成模块，用于基于所述不同时刻的生长图像数据，生成作物拟合生长轨迹；
确定模块，用于基于所述作物拟合生长轨迹，确定所述作物对应的生长监测结果。
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任一项所述作物生长异常监测方法。
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任一项所述作物生长异常监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310005520.0A CN115690590B (zh) | 2023-01-04 | 2023-01-04 | 作物生长异常监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310005520.0A CN115690590B (zh) | 2023-01-04 | 2023-01-04 | 作物生长异常监测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115690590A true CN115690590A (zh) | 2023-02-03 |
| CN115690590B CN115690590B (zh) | 2023-03-31 |
Family
ID=85057174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310005520.0A Active CN115690590B (zh) | 2023-01-04 | 2023-01-04 | 作物生长异常监测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115690590B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861301A (zh) * | 2023-09-04 | 2023-10-10 | 山东爱福地生物股份有限公司 | 一种秸秆生产生物质燃料数据管理方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106197317A (zh) * | 2016-07-28 | 2016-12-07 | 北京农业信息技术研究中心 | 田间环境下玉米叶尖生长运动测量方法及装置 |
| CN109146948A (zh) * | 2018-07-27 | 2019-01-04 | 内蒙古大学 | 基于视觉的作物长势表型参数量化与产量相关性分析方法 |
| CN109142359A (zh) * | 2018-08-23 | 2019-01-04 | 中国水利水电科学研究院 | 一种基于时间序列遥感数据的农作物长势监测方法 |
| CN109282744A (zh) * | 2018-08-01 | 2019-01-29 | 北京农业信息技术研究中心 | 作物节单位表型监测装置及方法 |
| US20190042598A1 (en) * | 2016-05-24 | 2019-02-07 | Tencent Technology (Shenzhen) Company Limited | Picture dynamic display method, electronic equipment and storage medium |
| JP2020140131A (ja) * | 2019-02-28 | 2020-09-03 | キヤノン株式会社 | 電子写真用感光体の製造方法 |
| CN114283382A (zh) * | 2021-12-27 | 2022-04-05 | 广州极飞科技股份有限公司 | 一种作物生长高度获取方法、装置、存储介质及终端设备 |
| CN114818909A (zh) * | 2022-04-22 | 2022-07-29 | 北大荒信息有限公司 | 一种基于作物长势特征的杂草检测方法和装置 |
-
2023
- 2023-01-04 CN CN202310005520.0A patent/CN115690590B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190042598A1 (en) * | 2016-05-24 | 2019-02-07 | Tencent Technology (Shenzhen) Company Limited | Picture dynamic display method, electronic equipment and storage medium |
| CN106197317A (zh) * | 2016-07-28 | 2016-12-07 | 北京农业信息技术研究中心 | 田间环境下玉米叶尖生长运动测量方法及装置 |
| CN109146948A (zh) * | 2018-07-27 | 2019-01-04 | 内蒙古大学 | 基于视觉的作物长势表型参数量化与产量相关性分析方法 |
| CN109282744A (zh) * | 2018-08-01 | 2019-01-29 | 北京农业信息技术研究中心 | 作物节单位表型监测装置及方法 |
| CN109142359A (zh) * | 2018-08-23 | 2019-01-04 | 中国水利水电科学研究院 | 一种基于时间序列遥感数据的农作物长势监测方法 |
| JP2020140131A (ja) * | 2019-02-28 | 2020-09-03 | キヤノン株式会社 | 電子写真用感光体の製造方法 |
| CN114283382A (zh) * | 2021-12-27 | 2022-04-05 | 广州极飞科技股份有限公司 | 一种作物生长高度获取方法、装置、存储介质及终端设备 |
| CN114818909A (zh) * | 2022-04-22 | 2022-07-29 | 北大荒信息有限公司 | 一种基于作物长势特征的杂草检测方法和装置 |
Non-Patent Citations (1)
| Title |
|---|
| 王丹 等: "不同苗龄云南松异速生长及其表型可塑性" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116861301A (zh) * | 2023-09-04 | 2023-10-10 | 山东爱福地生物股份有限公司 | 一种秸秆生产生物质燃料数据管理方法及系统 |
| CN116861301B (zh) * | 2023-09-04 | 2023-11-24 | 山东爱福地生物股份有限公司 | 一种秸秆生产生物质燃料数据管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115690590B (zh) | 2023-03-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11275941B2 (en) | Crop models and biometrics | |
| CN110018670B (zh) | 一种基于动态关联规则挖掘的工业过程异常工况预测方法 | |
| Reddy et al. | Analysis of classification algorithms for plant leaf disease detection | |
| CN112735094B (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
| Boogaard et al. | Robust node detection and tracking in fruit-vegetable crops using deep learning and multi-view imaging | |
| CN115690590B (zh) | 作物生长异常监测方法、装置、设备及存储介质 | |
| CN107669278B (zh) | 运动状态识别方法和系统、动物行为识别系统 | |
| CN112288597A (zh) | 一种基于层次聚类和直方图算法的能耗在线异常检测方法 | |
| CN112380926B (zh) | 一种田间除草机器人除草路径规划系统 | |
| EP4050527A1 (en) | Estimation program, estimation method, information processing device, relearning program, and relearning method | |
| CN110995461B (zh) | 网络故障诊断方法 | |
| CN117251798A (zh) | 一种基于两层渐进式的气象设备异常检测方法 | |
| CN113538560B (zh) | 基于三维重建的叶面积指数提取方法 | |
| CN114020598A (zh) | 一种时间序列数据的异常检测方法、装置及设备 | |
| CN113057598B (zh) | 一种面向动物活体无屠宰的肉质品质分级方法与系统 | |
| CN111738259A (zh) | 一种杆塔状态检测方法及装置 | |
| CN116051645A (zh) | 作物群体的表型获取方法及装置 | |
| CN113408210A (zh) | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 | |
| CN114708264A (zh) | 一种光斑质量判别方法、装置、设备和存储介质 | |
| WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging | |
| CN112395810B (zh) | 基于人工神经网络的鱼类攻击行为量化方法、装置及存储介质 | |
| CN114459482A (zh) | 边界简化方法、路径规划方法、装置、设备及系统 | |
| CN112733582A (zh) | 农作物产量的确定方法及装置、非易失性存储介质 | |
| CN116610923B (zh) | 活立木生命状态的确定方法、装置、电子设备及存储介质 | |
| CN111311568B (zh) | 一种ct图像中神经束分合次数的统计方法和相关装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |