CN116052141B - 作物生育期的识别方法、装置、设备及介质 - Google Patents
作物生育期的识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116052141B CN116052141B CN202310325545.9A CN202310325545A CN116052141B CN 116052141 B CN116052141 B CN 116052141B CN 202310325545 A CN202310325545 A CN 202310325545A CN 116052141 B CN116052141 B CN 116052141B
- Authority
- CN
- China
- Prior art keywords
- image
- crop
- growth period
- period
- identified
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
- G06V10/40—Extraction of image or video features
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
Abstract
本发明提供一种作物生育期的识别方法、装置、设备及介质,涉及图像识别领域,该方法包括:输入目标温室区域所对应的原始作物图像至图像增强模型,获取待识别作物图像;输入待识别作物图像至生育期识别模型,获取作物生育期;生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的;原始作物图像的分辨率小于待识别作物图像的分辨率。本发明针对温室种植中仅能针对局部视野特征识别,无法覆盖全棚群体性特征的技术问题,采用机器视觉技术提取图像特征,结合作物生长特性识别作物生育期,从而在降低图像采集成本的同时,提高了待识别图像的图像质量,并提高了生育期识别的准确率。
Description
技术领域
本发明涉及图像识别领域,尤其涉及一种作物生育期的识别方法、装置、设备及介质。
背景技术
目前在对作物生育期的识别中,通常采用近红外传感器或多光谱图像传感器作为成像手段,且普遍仅针对局部视野特征识别,尤其对于温室作物的生育期识别中,在难以落地应用的同时也无法覆盖全棚群体性特征。
发明内容
本发明提供一种作物生育期的识别方法、装置、设备及介质,用以解决现有技术普遍仅针对局部视野特征识别,无法覆盖全棚群体性特征的技术问题,提供了一种融合图像和气象数据的生育期识别的技术方案。
第一方面,本发明提供了一种作物生育期的识别方法,包括:
输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像;
输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期;
所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的;
所述原始作物图像的分辨率小于所述待识别作物图像的分辨率。
根据本发明提供的作物生育期的识别方法,在输入目标温室区域所对应的原始作物图像至图像增强模型之前,还包括:
获取目标温室对应的温室图像;
提取所述温室图像中的地块区域,获取地块作物图像;
对所述地块作物图像进行高斯噪声、旋转以及改变对比度的数据增强处理,获取目标温室区域所对应的原始作物图像。
根据本发明提供的作物生育期的识别方法,所述输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像,包括:
输入所述原始作物图像至图像增强模型的特征提取模块,获取所述特征提取模块输出的第一输出结果;
输入所述第一输出结果至图像增强模型的注意力学习模块,获取所述注意力学习模块输出的第二输出结果;
输入所述第一输出结果以及所述第二输出结果至图像增强模型的特征融合模块,获取所述特征融合模块输出的第三输出结果;
输入所述第三输出结果至图像增强模型的图像重建模块,获取所述图像重建模块输出的待识别作物图像。
根据本发明提供的作物生育期的识别方法,所述输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期,包括:
输入所述待识别作物图像至所述生育期识别模型的特征检测模块,获取所述特征检测模块输出的果实特征识别结果;
在所述果实特征识别结果为不具有果实的情况下,输入所述待识别作物图像至作物分割模块,获取所述作物分割模块输出的待识别作物图像的作物覆盖度,根据所述作物覆盖度以及预设覆盖度确定作物生育前期,所述作物生育前期包括苗期以及开花期;
在所述果实特征识别结果为具有果实的情况下,提取所述待识别作物图像所对应果实的颜色以及果实大小,根据所述果实的颜色以及果实大小确定作物生育后期,所述作物生育后期包括结果期以及成熟期。
根据本发明提供的作物生育期的识别方法,所述根据所述作物覆盖度以及预设覆盖度确定作物生育前期,包括:
在所述作物覆盖度小于或等于所述预设覆盖度的情况下,确定所述待识别作物图像的生育期为苗期;
在所述作物覆盖度大于所述预设覆盖度的情况下,确定所述待识别作物图像的生育期为开花期;
所述作物覆盖度为所述待识别作物图像中的绿色像素点与所述待识别作物图像中全部像素点的比值。
根据本发明提供的作物生育期的识别方法,所述待识别作物图像为番茄图像;
所述根据所述果实的颜色以及果实大小确定作物生育后期,包括:
在所述果实所表征的每一像素点数值处于预设区间的情况下,和/或,所述果实所表征的像素点数量大于预设数量的情况下,确定所述待识别作物图像的生育期为成熟期;
在所述果实所表征的任一像素点数值不处于预设区间的情况下,和/或,所述果实所表征的像素点数量小于或等于预设数量的情况下,确定所述待识别作物图像的生育期为结果期。
根据本发明提供的作物生育期的识别方法,在获取所述生育期识别模型输出的作物生育期之后,还包括:
根据气象信息获取当前积温,并根据当前积温以及修正系数确定修正后积温;
根据所述修正后积温,从积温与作物成长天数的对应关系中,确定作物实际成长天数;
在所述作物实际成长天数与所述作物生育期不匹配的情况下,修正所述作物生育期;
所述修正系数是根据目标温室区域的历史数据中,每日实测积温以及气象积温进行线性拟合后确定的。
第二方面,提供了一种作物生育期的识别装置,包括:
第一获取单元:用于输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像;
第二获取单元:用于输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期;
所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的;
所述原始作物图像的分辨率小于所述待识别作物图像的分辨率。
第三方面,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育期的识别方法。
第四方面,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如上述任一种所述作物生育期的识别方法。
本发明提供的作物生育期的识别方法、装置、设备及介质,能够通过对低分辨率图像进行图像增强处理,从而根据图像增强处理后的作物图像,结合作物图像中的作物特征,对作物生育期进行识别,本发明针对温室种植中仅能针对局部视野特征识别,无法覆盖全棚群体性特征的技术问题,采用机器视觉技术提取图像特征,结合作物生长特性识别作物生育期,从而在降低图像采集成本的同时,提高了待识别图像的图像质量,并提高了生育期识别的准确率。
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是本发明提供的作物生育期的识别方法的流程示意图之一;
图2是本发明提供的作物生育期的识别方法的流程示意图之二;
图3是本发明提供的获取待识别作物图像的流程示意图;
图4是本发明提供的获取作物生育期的流程示意图;
图5是本发明提供的作物生育期的识别方法的流程示意图之三;
图6是本发明提供的作物生育期的识别方法的流程示意图之四;
图7是本发明提供的作物生育期的识别装置的结构示意图;
图8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。
目前,环境、土壤监测已经实现自动化,但仅利用环境、土壤监测已不满足于灌溉、施肥决策指导,融合作物生长的自动化监测是一个重要方向,而生育期是作物生长的一个关键参数,生育期的准确判别是指导农事操作和农业生产的关键。通过图像技术识别作物生育期具有高效率、非接触等特点,然而,在相关技术中存在如下缺陷:
在成像原理方面,相关技术通常采用高成本图像传感器作为成像手段,反演作物的整体光谱特征或者检测果树的果实发育,实现生育期的判定。然而,由于传感器自身成本及数据复杂度的限制,相关技术方法很难应用于实际的农业生产,更难以大规模推广使用;
在研究对象方面,相关技术主要针对大田或者果园的种植环境下的粮食作物或水果为主,鲜有面向设施生育期判别的研究。室外广阔的种植空间便于结合无人机或者遥感卫星等数据采集方式,使得数据的采集获取相对容易。与之相比,日光温室的种植环境则相对狭小封闭,有限的拍摄空间与视角使得数据的采集面临挑战。此外,相关技术所判定的生育期通常仅限于整个生育期中的个别阶段,无法覆盖作物的全生育周期。
在模型算法方面,相关技术普遍仅针对局部视野特征识别,无法覆盖全棚群体性特征。因此,基于低成本图像进行精准生育期判别方法,具有重要的理论意义与实用价值,为了解决上述技术问题,本发明提供了一种作物生育期的识别方法、装置、设备及介质,图1是本发明提供的作物生育期的识别方法的流程示意图之一,提供了一种作物生育期的识别方法,包括:
步骤101、输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像;
步骤102、输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期;
所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的;
所述原始作物图像的分辨率小于所述待识别作物图像的分辨率。
在步骤101中,所述原始作物图像的分辨率小于所述待识别作物图像的分辨率,目标温室区域所对应的原始作物图像是根据低成本图像采集装置所获取的低分辨率图像数据,所述原始作物图像中不仅包括温室中的田地区域,还包括温室中的非田地区域,此时还需对田地区域进行提取,以提高作物生育期识别的精准度,然而对原始作物图像进行特征区域提取的操作会使得本就分辨率不高的原始作物图像更为不清晰,本发明旨在解决这一技术问题,采用注意力机制将低分辨率图像恢复为高分辨率图像,具体地,所述图像增强模型包括特征提取、注意力学习、图像重建四个模块组成,用以提高图像分辨率,弥补RGB图像低分辨率的缺点,在不降低显示效果的同时使设备成本最小化。
在步骤102中,所述作物生育期包括苗期、开花期、结果期以及成熟期,所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的,为了更好的对本申请的具体实施方案进行描述,本发明以番茄作为描述对象,即本发明构建了一种基于机器视觉的番茄生育期识别模型,以日光温室番茄的苗期、开花期、结果期、成熟期四个主要生育期作为识别模型目标,细化分类图像阶段,即划分为每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签,并依照比例划分训练与测试数据集,通过训练集进行所述生育期识别模型的训练,并通过测试集验证所述生育期识别模型,优化所述生育期识别模型。
所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的,本发明将作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签作为数据集,进行模型构建,结合实际种植过程中各温室所记录的不同生育期时间点,将采集的完整数据集按照设施番茄的四个生育期进行划分,分成苗期、开花期、结果期和成熟期四个生育期,以此构建样本图像集。样本图像集划分时,针对每个生育期数据集,采用生育期划分和经典划分相结合的方式进行,在四个生育期的样本图像集中选取40%的样本图像集作为训练验证集用于模型训练,30%的样本图像集作为验证集用于评价训练过程精度,剩余的30%图像数据作为测试集用于评价模型的泛化精度。评价指标采用平均交并比(Mean Intersection Over Union,mIoU)以及平均准确率(Mean Average Precision,mAP)。
所述平均交并比mIoU的公式如下:
所述平均准确率mAP的公式如下:
本发明还提供了一种可视化解释分析,为了能够使模型的训练结果具备可解释性,采用基于梯度定位的深层网络可视化方法(Gradient-weighted Class ActivationMapping,Grad-CAM)实现模型训练后的特征可视化,利用网络反向传播的梯度计算出特征层每一个通道的权重从而得到热力图,通过热力图的形式展示模型核心权重所在图像空间区域,分析并评价所构建模型网络的主观置信度。
神经元重要性权重公式如下:
反向传播激活图的加权组合公式如下:
进一步地,根据模型的可视化结果评价模型的训练程度是否存在训练不足、过拟合等情况,分别针对特征图所展示出的模型拟合偏好,改进训练迭代数、数据块体积、卷积核大小、集成网络深度等超参数信息,在平衡精度与训练效率的基础上,实现最佳的模型泛化识别精度。
本发明采用低成本图像作为基础信息采集载体以降低成本,为提高图像质量,构建基于深度学习的图像超分辨率算法,使图像更加清晰,在降低成本的同时不降低图像质量;辨识番茄在不同生育期的图像特征差异问题,根据作物的覆盖度以及果实器官等情况动态判断作物所处的生长阶段,融合目标检测和图像分割方法构建基于机器视觉的番茄生育期识别模型,实现高精度的生育期阶段判断;在番茄生长过程中收集温室内的气象数据,构建作物成长天数和积温的关系,探索积温对番茄生长周期的影响,使用积温辅助图像的方式判别生育期,提高生育期判别的准确率。
本发明通过对生育期进行准确识别,以使得在生产中可以为水肥、环境自动调控提供决策依据,在产业中可以为货架期、产品供应提供监管调度,准确识别作物所处的生育期,为能够在农产品生产监测、统计分析、行业指导、决策调控等方面提供支撑。
本发明提供的作物生育期的识别方法、装置、设备及介质,能够通过对低分辨率图像进行图像增强处理,从而根据图像增强处理后的作物图像,结合作物图像中的作物特征,对作物生育期进行识别,本发明针对温室种植中仅能针对局部视野特征识别,无法覆盖全棚群体性特征的技术问题,采用机器视觉技术提取图像特征,结合作物生长特性识别作物生育期,从而在降低图像采集成本的同时,提高了待识别图像的图像质量,并提高了生育期识别的准确率。
图2是本发明提供的作物生育期的识别方法的流程示意图之二,在输入目标温室区域所对应的原始作物图像至图像增强模型之前,还包括:
步骤201、获取目标温室对应的温室图像;
步骤202、提取所述温室图像中的地块区域,获取地块作物图像;
步骤203、对所述地块作物图像进行高斯噪声、旋转以及改变对比度的数据增强处理,获取目标温室区域所对应的原始作物图像。
在步骤201中,本发明首先在目标温室内架设摄像头,可选地,在较高位的中心区域设置,以尽可能的获取到温室区域覆盖范围内的全部田地区域,在一个可选地实施例中,若一个摄像头无法覆盖所有田地,则可以分设多个摄像头,并将所有摄像头所拍摄的图像进行拼接,以获取温室区域覆盖范围内的全部田地区域。
可选地,在采集图像的同时记录温室内气象数据,用于后续对所识别的作物生育期进行修正,在获取到目标温室对应的温室图像以及相应的气象数据后,进行异常数据清洗,去除错误图像及错误的气象数据。
在步骤202中,所述地块区域即为存在作物的种植区域,而相对应的,所述温室图像中还包括不存在作物的土壤或走道区域,本发明需要对所述温室图像中的地块区域进行显著性区域提取,获取地块作物图像。
作为一个可选实施例,本发明基于图像分割算法划分图像内容中的“田块-非田块”区域范围,以原始图像的宽高比例为基准,最大化选取单一图像中的田块范围。
考虑到不同的图像中,田块的范围和区域具有明显差异导致的图像像素面积不同,本发明还可以利用双线型内插值算法对所提取图像进行尺度变换,缩放至原始图像同比例、同尺寸图像数据,形成对原始图像的显著区域增强替代。
在步骤203中,在获取地块作物图像后,由于本发明采集的是低分辨率的原始图像,再经过图像处理、显著性区域提取之后进一步地降低了图像的清晰度,此时,对显著性区域提取后的图像数据采用高斯噪声、旋转、改变对比度等多种数据扩增方式进行数据增强,从而改善图像清晰度,为后续的基于深度学习的图像超分辨率算法提高图像清晰度提供数据输入。
图3是本发明提供的获取待识别作物图像的流程示意图,所述输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像,包括:
步骤1011、输入所述原始作物图像至图像增强模型的特征提取模块,获取所述特征提取模块输出的第一输出结果;
步骤1012、输入所述第一输出结果至图像增强模型的注意力学习模块,获取所述注意力学习模块输出的第二输出结果;
步骤1013、输入所述第一输出结果以及所述第二输出结果至图像增强模型的特征融合模块,获取所述特征融合模块输出的第三输出结果;
步骤1014、输入所述第三输出结果至图像增强模型的图像重建模块,获取所述图像重建模块输出的待识别作物图像。
为降低作物生育期的识别成本,本发明摒弃了传统的高成本图像采集设备,而采用成本较低的,分辨率较低的图像采集设备,为了克服由于图像采集装置设备而导致的成像图像模糊、质量低下、感兴趣区域不显著等问题,本发明构建基于深度学习的图像超分辨率算法,通过特定算法将给定的低分辨率图像恢复成相应的高分辨率图像。此算法包括步骤1011至步骤1014,能够弥补RGB图像低分辨率的缺点,在不降低效果的同时使设备成本最小化。
在步骤1011中,所述特征提取模块由两个卷积组成,所述原始作物图像,也即低分辨率图像被输入到第一个卷积中得到浅层特征后,再通过第二个卷积实现特征提取,获取第一输出结果。
在步骤1012中,本发明注意力学习模块包括残差模块,通过残差模块提取第一输出结果的多层次的特征,然后采用离散小波变换得到低频特征和高频特征,分别在低频和高频空间挖掘特征间的依赖关系,最后通过逆离散小波变换将低频和高频特征恢复到原始图像空间,从而得到第二输出结果。
可选地,离散小波变换是图像领域中的一种常见变换,可以有效的将图像中的高频信号和低频信号分开。
在步骤1013中,将特征提取模块和注意力学习模块中提取到的特征信息进行融合,即输入所述第一输出结果以及所述第二输出结果至图像增强模型的特征融合模块,获取所述特征融合模块输出的第三输出结果。
在步骤1014中,将图像块依照顺序聚合起来,得到高分辨图像,即输入所述第三输出结果至图像增强模型的图像重建模块,获取所述图像重建模块输出的待识别作物图像。
图4是本发明提供的获取作物生育期的流程示意图,所述输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期,包括:
步骤1021、输入所述待识别作物图像至所述生育期识别模型的特征检测模块,获取所述特征检测模块输出的果实特征识别结果;
步骤1022、在所述果实特征识别结果为不具有果实的情况下,输入所述待识别作物图像至作物分割模块,获取所述作物分割模块输出的待识别作物图像的作物覆盖度,根据所述作物覆盖度以及预设覆盖度确定作物生育前期,所述作物生育前期包括苗期以及开花期;
步骤1023、在所述果实特征识别结果为具有果实的情况下,提取所述待识别作物图像所对应果实的颜色以及果实大小,根据所述果实的颜色以及果实大小确定作物生育后期,所述作物生育后期包括结果期以及成熟期。
在步骤1021中,根据作物生长发育的规律,在生育前期作物生长发育较快的情况下着重观察群体长势,在生育后期主要是器官发育,则着重观察果实状况。因此,本发明根据作物的覆盖度以及果实器官等情况动态判断作物所处的生长阶段,构建融合目标检测和图像分割技术的生育期识别模型,并且采用可视化技术展示模型提取特征的显著性区域,实现模型的可解释性,依照模型特征图所展示出的拟合偏好优化模型结构及超参数,实现番茄生育期的高精度判别。
可选地,所述待识别作物图像在输入至所述生育期识别模型的特征检测模块后,会输出两种结果,一种是具有果实特征的结果,另一种是不具有果实特征的结果,本发明将进一步地根据这两种结果,采取不同的识别策略。以获取作物的生育期情况。
在步骤1022中,在所述果实特征识别结果为不具有果实的情况下,输入所述待识别作物图像至作物分割模块,获取所述作物分割模块输出的待识别作物图像的作物覆盖度,根据所述作物覆盖度以及预设覆盖度确定作物生育前期,所述作物生育前期包括苗期以及开花期。
可选地,所述根据所述作物覆盖度以及预设覆盖度确定作物生育前期,包括:
在所述作物覆盖度小于或等于所述预设覆盖度的情况下,确定所述待识别作物图像的生育期为苗期;
在所述作物覆盖度大于所述预设覆盖度的情况下,确定所述待识别作物图像的生育期为开花期;
所述作物覆盖度为所述待识别作物图像中的绿色像素点与所述待识别作物图像中全部像素点的比值。
可选地,本发明根据番茄的生长特性设计温室番茄生育期识别模型,将番茄的生育期划分为生育前期和生育后期。其中,生育前期包括苗期和开花期,生育后期包括结果期和成熟期,利用是否存在果实来区分生育前期和生育后期。
当未检测到果实时,说明番茄处于生育前期,针对苗期和开花期的作物覆盖度变化较大的特点,利用分割模型作为核心算法,提取图像内多层次的宏观特征信息,计算作物覆盖度,结合实际图像统计苗期和开花期的作物覆盖度的合理阈值,进而识别番茄的苗期和开花期。
由于作物生育前期中所包括的苗期以及开花期,其在图像中所显示出来的绿色像素点的个数存在差异,本发明可以通过这一特征区分出苗期以及开花期,然而在其他的实施例中,也可以通过区分开花的颜色所对应的像素点的个数,或者背景区域中土壤颜色所对应的像素点个数来区分苗期以及开花期。
在步骤1023中,给出了在所述果实特征识别结果为具有果实的情况下,对作物生育后期进行区分识别的技术方案,具体地,通过提取所述待识别作物图像所对应果实的颜色以及果实大小,根据所述果实的颜色以及果实大小确定作物生育后期,所述作物生育后期包括结果期以及成熟期。
可选地,所述待识别作物图像为番茄图像;
所述根据所述果实的颜色以及果实大小确定作物生育后期,包括:
在所述果实所表征的每一像素点数值处于预设区间的情况下,和/或,所述果实所表征的像素点数量大于预设数量的情况下,确定所述待识别作物图像的生育期为成熟期;
在所述果实所表征的任一像素点数值不处于预设区间的情况下,和/或,所述果实所表征的像素点数量小于或等于预设数量的情况下,确定所述待识别作物图像的生育期为结果期。
在一个可选地实施例中,所述果实所表征的每一像素点数值为每一像素点的三原色信息值,即R值、G值以及B值,相应地,在本发明中所述R值、G值以及B值均可以对应一个预设区间,例如,所述R值的取值范围可以为200至255,所述G值的取值范围可以为30至150,所述B值的取值范围可以为0至140,即只有在所述果实所表征的每一像素点数值的R值、G值以及B值均处于其相对应的预设区间的情况下,确定所述待识别作物图像的生育期为成熟期。
本发明利用是否存在果实来区分生育前期和生育后期,采用目标检测技术识别局部器官的微观特征信息,根据果实大小、颜色等信息区分结果期和成熟期,利用语义分割模型作为核心算法,提取图像内多层次的宏观特征信息,计算作物覆盖度,识别番茄的苗期和开花期,本发明综合宏观特征与微观特征,实现番茄的高精度全生育期判别。
图5是本发明提供的作物生育期的识别方法的流程示意图之三,在获取所述生育期识别模型输出的作物生育期之后,还包括:
步骤301、根据气象信息获取当前积温,并根据当前积温以及修正系数确定修正后积温;
步骤302、根据所述修正后积温,从积温与作物成长天数的对应关系中,确定作物实际成长天数;
步骤303、在所述作物实际成长天数与所述作物生育期不匹配的情况下,修正所述作物生育期;
所述修正系数是根据目标温室区域的历史数据中,每日实测积温以及气象积温进行线性拟合后确定的。
在步骤301中,本发明在确定出所述生育期识别模型输出的作物生育期之后,由于模型输出可能会存在一定的误差,进而本发明在番茄生长过程中收集温室内的气象数据,构建积温与作物成长天数之间的线性关系,而作物成长天数与作物生育期存在紧密关联,故本发明探索积温对番茄生长周期的影响,使用积温辅助图像识别的方式,判别生育期,提高生育期判别的准确率。
进一步地,本发明以目标温室区域作为修正系数的确定标准,根据目标温室区域的历史数据中,每日实测积温以及气象积温进行线性拟合后确定的,不同目标温室区域存在不同的修正系数。
本发明通过气象信息获取当前积温,并根据当前积温以及修正系数的乘积确定修正后积温。
在步骤302中,根据所述修正后积温,从积温与作物成长天数的对应关系中,确定作物实际成长天数,例如,在A积温至B积温区间内对应苗期,在B积温至C积温区间内对应开花期,在C积温至D积温区间内对应结果期,而在D积温至E积温区间内对应成熟期,此时,获取所述修正后积温,判断其具体所对应的区间,例如,确定所述修正后积温对应的作物生育期为成熟期。
在步骤303中,根据本发明中的作物生育期模型识别的方案,识别出所述作物对应的生育期为结果期,而根据气象信息对应的修正后积温,确定所述作物生育期为成熟期,此时,则修正所述作物生育期为成熟期。
为了克服不同的全棚温室所对应的不同环境会产生作物生育期识别的误差,故本发明对根据作物积温所对应的生长天数,确定所识别的作物生育期是否准确,并在不准确时进行修正。
具体地,本发明预设有气象积温与作物生育期的对应关系,获取历史数据中每日的实测积温,根据每日实测积温以及气象积温进行线性拟合进而确定出修正系数,即所述修正系数是针对于当前温室区域所确定的修正系数,以使得根据气象信息获取当前积温,并根据当前积温以及修正系数确定修正后积温,进而根据气象积温与作物生育期的对应关系,确定出作物实际成长天数,判断所述作物实际成长天数所对应的生育期是否与所述作物生育期相匹配。
本发明以低成本图像为输入,利用深度学习算法提高图像清晰度,针对全棚群体性特征,采用机器视觉技术提取图像特征,结合作物生长特性及气象数据开展番茄生育期的识别方法研究。首先,采集温室番茄种植场景图像数据集,建立面向温室图像的显著性特征区域提取与数据增强方法,实现图像信息提纯并建立体量丰富的训练数据集;其次,构建基于深度学习的图像超分辨率算法,提高图像清晰度;然后,根据番茄不同生育阶段的生长特性,构建基于机器视觉的番茄生育期识别模型,其中,针对生育前期的群体长势特征利用图像分割技术计算覆盖度并结合阈值识别具体生育期,针对生育后期的果实器官特征利用目标检测技术检测果实并提取大小、颜色等特征识别具体生育期;最后,结合气象数据对图像识别生育期结果进行修正,实现番茄的全生育阶段的精准判别。
图6是本发明提供的作物生育期的识别方法的流程示意图之四,包括数据采集及处理、显著性区域提取、基于深度学习的图像超分辨率算法、数据扩增增强、基于机器视觉的番茄生育期识别模型以及气象数据辅助识别。
在数据采集及处理中,本发明采集温室图像以及气象数据,并进行异常数据清洗。
在显著性区域提取中,对异常数据清洗之后的图像数据进行分割“田块-非田块”区域,最大化选取田块区域,并进行图像尺度变换,从而获取显著性区域图像。
在数据扩增增强中,将所述显著性区域图像依次经过高斯噪声、旋转以及改变对比度等数据处理。
在基于深度学习的图像超分辨率算法中,将经过数据处理后的图像依次经过特征提取、注意力学习、特征融合以及图像重建,从而获取高分辨率图像。
在基于机器视觉的番茄生育期识别模型中,输入所述高分辨率的番茄图像,根据目标检测模型提取微观特征,辅以特征可视化,判断是否存在果实,在存在果实的情况下,进一步地判断果实颜色、大小,进而确定图像识别生育期结果。
在不存在果实的情况下,根据图像分割模型,提取宏观特征,辅以特征可视化,计算覆盖度,从而确定图像识别生育期结果。
在气象数据辅助识别中,根据所采用的气象数据识别当前积温,根据修正系数确定修正后积温,并根据积温与作物成长天数的对应关系,修正生育期结果。
本发明由于采集的是低成本RGB图像,经过图像处理、显著性区域提取之后会降低图像清晰度,因此构建基于深度学习的图像超分辨率算法,可以很好的提高图像质量;能够精准的从不同光照、不同背景的图像中判断出番茄的生育期,识别的准确率达到90%以上;结合气象数据修正优化番茄生育期图像识别模型,提高生育期判别的准确率。
作为本发明的一种实施例,选取温室内固定视角下摄像头所采集的每日预设时段内的图像数据作为基础数据,图像名称包含日期及采集时间。图像传感器获取图片分辨率为1920×1080,水平垂直分辨率为96,位深24。对原始图像进行异常图像数据清洗,去除乱码、花屏、拍摄角度不对等错误图像,对图像进行显著性区域提取,选取图像中的田块范围。
对显著性区域提取后的图像数据集采用多种数据扩增方式进行数据增强。利用图像增强库对图像开展高斯噪声、旋转、改变对比度等数据增强。其中,针对30%的随机样本加入高斯噪声;针对30%的随机样本改变训练图像中RGB通道的强度,对所有RGB像素值进行降维,得到3*3的协方差矩阵,对特征值进行波动,乘以一个服从均值为0、标准差为0.1高斯分布的随机变量,得到一个新的协方差矩阵,从而实现滤镜效果;针对40%的随机样本进行镜像翻转、旋转30°至-30°、裁剪20%至40%的操作。
图7是本发明提供的作物生育期的识别装置的结构示意图,本发明提供了一种作物生育期的识别装置,包括:第一获取单元1:用于输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像,所述第一获取单元1的工作原理可以参考前述步骤101,在此不予赘述。
所述作物生育期的识别装置还包括第二获取单元2:用于输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期,所述第二获取单元2的工作原理可以参考前述步骤102,在此不予赘述。
所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的;
所述原始作物图像的分辨率小于所述待识别作物图像的分辨率。
本发明提供的作物生育期的识别方法、装置、设备及介质,能够通过对低分辨率图像进行图像增强处理,从而根据图像增强处理后的作物图像,结合作物图像中的作物特征,对作物生育期进行识别,本发明针对温室种植中仅能针对局部视野特征识别,无法覆盖全棚群体性特征的技术问题,采用机器视觉技术提取图像特征,结合作物生长特性识别作物生育期,从而在降低图像采集成本的同时,提高了待识别图像的图像质量,并提高了生育期识别的准确率。
图8是本发明提供的电子设备的结构示意图。如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行作物生育期的识别方法,该方法包括:输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像;输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期;所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的;所述原始作物图像的分辨率小于所述待识别作物图像的分辨率。
此外,上述的存储器830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。
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一种作物生育期的识别方法,该方法包括:输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像;输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期;所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的;所述原始作物图像的分辨率小于所述待识别作物图像的分辨率。
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育期的识别方法,该方法包括:输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像;输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期;所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的;所述原始作物图像的分辨率小于所述待识别作物图像的分辨率。
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 (7)
1.一种作物生育期的识别方法,其特征在于,包括:
步骤1、输入目标温室区域所对应的原始作物图像至图像增强模型,获取所述图像增强模型输出的待识别作物图像;
其中,所述原始作物图像的分辨率小于所述待识别作物图像的分辨率;所述图像增强模型包括特征提取模块、注意力学习模块、特征融合模块以及图像重建模块;所述特征提取模块由两个卷积组成,所述原始作物图像被输入到第一个卷积中得到浅层特征后,再通过第二个卷积实现特征提取,获取第一输出结果;所述注意力学习模块包括残差模块,通过残差模块提取所述第一输出结果的多层次的特征,然后采用离散小波变换得到低频特征和高频特征,分别在低频和高频空间挖掘特征间的依赖关系,最后通过逆离散小波变换将低频和高频特征恢复到原始图像空间,得到第二输出结果;所述特征融合模块用于融合所述第一输出结果以及所述第二输出结果,获取第三输出结果;所述图像重建模块用于根据所述第三输出结果,将图像块依照顺序聚合起来得到高分辨率图像,从而输出所述待识别作物图像;
步骤2、输入所述待识别作物图像至生育期识别模型,获取所述生育期识别模型输出的作物生育期;所述生育期识别模型是根据作物在每一生育期所对应的样本图像集,以及每一样本图像集所对应的作物特征标签训练得到的;
其中,步骤2具体包括:输入所述待识别作物图像至所述生育期识别模型的特征检测模块,获取所述特征检测模块输出的果实特征识别结果;
在所述果实特征识别结果为不具有果实的情况下,输入所述待识别作物图像至作物分割模块,获取所述作物分割模块输出的待识别作物图像的作物覆盖度,根据所述作物覆盖度以及预设覆盖度确定作物生育前期,所述作物生育前期包括苗期以及开花期;所述作物覆盖度为所述待识别作物图像中的绿色像素点与所述待识别作物图像中全部像素点的比值;在所述作物覆盖度小于或等于所述预设覆盖度的情况下,确定所述待识别作物图像的生育期为苗期;在所述作物覆盖度大于所述预设覆盖度的情况下,确定所述待识别作物图像的生育期为开花期;
在所述果实特征识别结果为具有果实的情况下,提取所述待识别作物图像所对应果实的颜色以及果实大小,根据所述果实的颜色以及果实大小确定作物生育后期,所述作物生育后期包括结果期以及成熟期;
步骤3、根据气象信息获取当前积温,并根据当前积温以及修正系数确定修正后积温;具体地,根据所述修正后积温,从积温与作物成长天数的对应关系中,确定作物实际成长天数,在所述作物实际成长天数与所述作物生育期不匹配的情况下,修正所述作物生育期;其中,所述修正系数是根据目标温室区域的历史数据中,每日实测积温以及气象积温进行线性拟合后确定的。
2.根据权利要求1所述的作物生育期的识别方法,其特征在于,在输入目标温室区域所对应的原始作物图像至图像增强模型之前,还包括:
获取目标温室对应的温室图像;提取所述温室图像中的地块区域,获取地块作物图像;对所述地块作物图像进行高斯噪声、旋转以及改变对比度的数据增强处理,获取目标温室区域所对应的原始作物图像。
3.根据权利要求2所述的作物生育期的识别方法,其特征在于,所述提取所述温室图像中的地块区域,获取地块作物图像,包括:
基于图像分割算法划分所述温室图像中的地块区域中的田块和非田块区域范围,以原始图像的宽高比例为基准,最大化选取单一图像中的田块范围,进而获取与所述田块范围对应的地块作物图像。
4.根据权利要求1所述的作物生育期的识别方法,其特征在于,
所述待识别作物图像为番茄图像;
所述根据所述果实的颜色以及果实大小确定作物生育后期,包括:
在所述果实所表征的每一像素点数值处于预设区间的情况下,和/或,所述果实所表征的像素点数量大于预设数量的情况下,确定所述待识别作物图像的生育期为成熟期;
在所述果实所表征的任一像素点数值不处于预设区间的情况下,和/或,所述果实所表征的像素点数量小于或等于预设数量的情况下,确定所述待识别作物图像的生育期为结果期。
5.一种作物生育期的识别装置,其特征在于,包括:
所述作物生育期的识别装置中设置有用于实现如权利要求1中的方法步骤的单元模块。
6.一种电子设备,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1-4中任一项所述的作物生育期的识别方法。
7.一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1-4中任一项所述的作物生育期的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310325545.9A CN116052141B (zh) | 2023-03-30 | 2023-03-30 | 作物生育期的识别方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310325545.9A CN116052141B (zh) | 2023-03-30 | 2023-03-30 | 作物生育期的识别方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052141A CN116052141A (zh) | 2023-05-02 |
CN116052141B true CN116052141B (zh) | 2023-06-27 |
Family
ID=86129895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310325545.9A Active CN116052141B (zh) | 2023-03-30 | 2023-03-30 | 作物生育期的识别方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052141B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492665A (zh) * | 2018-09-28 | 2019-03-19 | 江苏省无线电科学研究所有限公司 | 水稻生育期的检测方法、装置及电子设备 |
CN109961007A (zh) * | 2019-02-12 | 2019-07-02 | 平安科技(深圳)有限公司 | 水稻分蘖期识别方法及终端设备 |
CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
WO2020252863A1 (zh) * | 2019-06-21 | 2020-12-24 | 中国气象科学研究院 | 一种基于作物对环境的响应与适应机制的发育期模拟方法 |
CN112418188A (zh) * | 2020-12-17 | 2021-02-26 | 成都亚讯星科科技股份有限公司 | 基于无人机视觉的农作物生长全程数字化评估方法 |
CN113936254A (zh) * | 2021-12-17 | 2022-01-14 | 江苏省气候中心 | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 |
CN114463637A (zh) * | 2022-02-07 | 2022-05-10 | 中国科学院空天信息创新研究院 | 一种基于深度学习的冬小麦遥感识别分析方法和系统 |
WO2022105179A1 (zh) * | 2020-11-23 | 2022-05-27 | 平安科技(深圳)有限公司 | 生物特征图像识别方法、装置、电子设备及可读存储介质 |
CN114627411A (zh) * | 2022-03-04 | 2022-06-14 | 水发智慧农业科技有限公司 | 基于计算机视觉下并行检测的农作物生育期识别方法 |
CN114627467A (zh) * | 2022-02-22 | 2022-06-14 | 华南农业大学 | 基于改进神经网络的水稻生育期识别方法及系统 |
CN115115514A (zh) * | 2022-06-15 | 2022-09-27 | 浙江科技学院 | 基于高频信息特征融合的图像超分辨率重建方法 |
CN115577866A (zh) * | 2022-12-09 | 2023-01-06 | 中化现代农业有限公司 | 物候期预测方法、装置、电子设备和存储介质 |
CN115620151A (zh) * | 2022-12-16 | 2023-01-17 | 中化现代农业有限公司 | 物候期识别方法、装置、电子设备和存储介质 |
CN115861858A (zh) * | 2023-02-16 | 2023-03-28 | 之江实验室 | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 |
-
2023
- 2023-03-30 CN CN202310325545.9A patent/CN116052141B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492665A (zh) * | 2018-09-28 | 2019-03-19 | 江苏省无线电科学研究所有限公司 | 水稻生育期的检测方法、装置及电子设备 |
CN109961007A (zh) * | 2019-02-12 | 2019-07-02 | 平安科技(深圳)有限公司 | 水稻分蘖期识别方法及终端设备 |
WO2020252863A1 (zh) * | 2019-06-21 | 2020-12-24 | 中国气象科学研究院 | 一种基于作物对环境的响应与适应机制的发育期模拟方法 |
CN110532936A (zh) * | 2019-08-26 | 2019-12-03 | 李清华 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
WO2022105179A1 (zh) * | 2020-11-23 | 2022-05-27 | 平安科技(深圳)有限公司 | 生物特征图像识别方法、装置、电子设备及可读存储介质 |
CN112418188A (zh) * | 2020-12-17 | 2021-02-26 | 成都亚讯星科科技股份有限公司 | 基于无人机视觉的农作物生长全程数字化评估方法 |
CN113936254A (zh) * | 2021-12-17 | 2022-01-14 | 江苏省气候中心 | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 |
CN114463637A (zh) * | 2022-02-07 | 2022-05-10 | 中国科学院空天信息创新研究院 | 一种基于深度学习的冬小麦遥感识别分析方法和系统 |
CN114627467A (zh) * | 2022-02-22 | 2022-06-14 | 华南农业大学 | 基于改进神经网络的水稻生育期识别方法及系统 |
CN114627411A (zh) * | 2022-03-04 | 2022-06-14 | 水发智慧农业科技有限公司 | 基于计算机视觉下并行检测的农作物生育期识别方法 |
CN115115514A (zh) * | 2022-06-15 | 2022-09-27 | 浙江科技学院 | 基于高频信息特征融合的图像超分辨率重建方法 |
CN115577866A (zh) * | 2022-12-09 | 2023-01-06 | 中化现代农业有限公司 | 物候期预测方法、装置、电子设备和存储介质 |
CN115620151A (zh) * | 2022-12-16 | 2023-01-17 | 中化现代农业有限公司 | 物候期识别方法、装置、电子设备和存储介质 |
CN115861858A (zh) * | 2023-02-16 | 2023-03-28 | 之江实验室 | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 |
Non-Patent Citations (5)
Title |
---|
农作物主要生长参数自动观测技术综述;张雪芬 等;气象科技(第06期);全文 * |
图像超分辨重建算法综述;史振威 等;数据采集与处理(第01期);全文 * |
基于图像识别技术的夏玉米生育期识别方法初探;陆明 等;中国农业气象(第03期);全文 * |
基于对比敏感度的小波域图像显著性检测;郭迎春 等;通信学报(第10期);全文 * |
陆明 等.基于图像识别技术的夏玉米生育期识别方法初探.中国农业气象.2011,(第03期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116052141A (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
CN113392775B (zh) | 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法 | |
CN113221765B (zh) | 一种基于数字相机影像有效像元的植被物候期提取方法 | |
CN114239756B (zh) | 一种虫害检测方法及系统 | |
CN113936254B (zh) | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 | |
Zhang et al. | An algorithm for automatic identification of multiple developmental stages of rice spikes based on improved Faster R-CNN | |
CN116543316B (zh) | 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法 | |
CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
Olenskyj et al. | End-to-end deep learning for directly estimating grape yield from ground-based imagery | |
CN114841961A (zh) | 基于图像增强和改进YOLOv5的小麦赤霉病检测方法 | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
CN109960972B (zh) | 一种基于中高分辨率时序遥感数据的农林作物识别方法 | |
CN111832480B (zh) | 一种基于光谱特征的油菜种植区遥感识别方法 | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN116227758B (zh) | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 | |
CN112434569A (zh) | 一种无人机热成像系统 | |
CN116863341A (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
Piani et al. | Apple orchard flower clusters density mapping by unmanned aerial vehicle RGB acquisitions | |
Heylen et al. | Counting strawberry flowers on drone imagery with a sequential convolutional neural network | |
CN114299379A (zh) | 一种基于高动态影像的阴影区植被覆盖度提取方法 | |
WO2022137242A1 (en) | Deep learning system for estimating object volume, weight and crop yields based on remote imaging | |
CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |