CN116310844A - 一种农业作物生长监测系统 - Google Patents

一种农业作物生长监测系统 Download PDF

Info

Publication number
CN116310844A
CN116310844A CN202310562731.4A CN202310562731A CN116310844A CN 116310844 A CN116310844 A CN 116310844A CN 202310562731 A CN202310562731 A CN 202310562731A CN 116310844 A CN116310844 A CN 116310844A
Authority
CN
China
Prior art keywords
crop
layer
image
profile
contour
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
Application number
CN202310562731.4A
Other languages
English (en)
Other versions
CN116310844B (zh
Inventor
陈宇锋
蒋应良
朱芳高
张友挺
张佳惠
冯良勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Cpt Information Technology Co ltd
Original Assignee
Sichuan Cpt Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Cpt Information Technology Co ltd filed Critical Sichuan Cpt Information Technology Co ltd
Priority to CN202310562731.4A priority Critical patent/CN116310844B/zh
Publication of CN116310844A publication Critical patent/CN116310844A/zh
Application granted granted Critical
Publication of CN116310844B publication Critical patent/CN116310844B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种农业作物生长监测系统，属于图像数据处理技术领域，本发明通过图像采集单元采集农业作物图像，并对农业作物图像进行滤波和提取轮廓处理，得到作物轮廓图像，先对作物轮廓图像进行识别，得到作物类型，再通过识别叶片轮廓，得到叶片数量，从而获知作物的生长情况，在知道作物的类型后，根据叶片数量，更能精细化的获知的作物生长阶段，实现精确预估。

Description

一种农业作物生长监测系统
技术领域
本发明涉及图像数据处理技术领域，具体而言，涉及一种农业作物生长监测系统。
背景技术
在农作物生长时期，需要监控作物生长情况，根据生长情况从而采取相应的挽救措施。现有对农作物生长情况的监测是通过将地表反射率数据和土壤温度数据等地表特征数据输入卷积神经网络中，从而得到作物的生长情况，但这种方式仅能从宏观上粗略估计作物的生长情况，无法做到对作物生长情况进行精确预估。
发明内容
针对现有技术中的上述不足，本发明提供的一种农业作物生长监测系统解决了现有农业作物生长监测系统存在作物生长情况无法实现精确预估的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种农业作物生长监测系统，包括：图像采集单元、图像预处理单元、作物识别单元、叶片轮廓识别单元和作物生长阶段分类单元；
所述图像采集单元用于采集农业作物图像；所述图像预处理单元用于对农业作物图像进行滤波和提取轮廓处理，得到作物轮廓图像；所述作物识别单元用于对作物轮廓图像进行识别，得到作物类型；所述叶片轮廓识别单元用于识别出作物轮廓图像上的叶片轮廓，得到叶片数量；所述作物生长阶段分类单元用于根据作物类型和叶片数量，对作物生长阶段进行分类。
进一步地，所述滤波公式为：
Figure SMS_1
其中，
Figure SMS_3
为第/>
Figure SMS_6
个像素点的滤波像素值，/>
Figure SMS_9
为第/>
Figure SMS_4
个像素点的像素值，/>
Figure SMS_7
为第/>
Figure SMS_8
个像素点邻域范围第/>
Figure SMS_10
个像素点的像素值，/>
Figure SMS_2
为邻域范围内像素点的数量，/>
Figure SMS_5
为第/>
Figure SMS_11
个像素点的滤波像素值。
上述进一步地方案的有益效果为：本发明以当前待滤波像素点的像素值和临近像素点的像素值的大小作为滤波的核心，同时考虑当前的像素值和上一个滤波像素值，通过上一个滤波像素值和临近像素值弱化当前像素值的影响，但为了不破坏轮廓上的像素点像素值的特征，本发明仅选取
Figure SMS_12
和/>
Figure SMS_13
作为衡量像素值/>
Figure SMS_14
的滤波情况，从而使其保障滤波后图像的轮廓特征。
进一步地，所述作物识别单元包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一加法器、第二加法器、乘法器、LSTM层、激活函数层、池化层和全连接层；
所述第一卷积层的输入端与第一加法器的输入端连接，并作为作物识别单元的输入端；所述第二卷积层的输入端与第一卷积层的输出端连接，其输出端与第一加法器的输入端连接；所述第一加法器的输出端分别与第三卷积层的输入端和LSTM层的输入端连接；所述第三卷积层的输出端与第四卷积层的输入端连接；所述第二加法器的输入端分别与第四卷积层的输出端和LSTM层的输出端连接，其输出端分别与第五卷积层的输入端和乘法器的输入端连接；所述第五卷积层的输出端与激活函数层的输入端连接；所述激活函数层的输出端与乘法器的输入端连接；所述乘法器的输出端与池化层的输入端连接；所述全连接层的输入端与池化层的输出端连接，其输出端作为作物识别单元的输出端。
上述进一步地方案的有益效果为：本发明的作物轮廓图像通过第一卷积层和第二卷积层提取特征后，汇入第一加法器，又将作物轮廓图像直接加入第一加法器，实现恒等映射，解决网络退化的问题，在第一加法器后，本发明设置两条路径：第三卷积层和第四卷积层、LSTM层，本发明分别通过这两条路线实现不同特征提取，在第二加法器后，设置第五卷积层对特征进行提取，为了防止误差被进一步累计放大，采用激活函数层对数据进行统一，加速模型训练速度，同时为了自适应的对特征数据增加关注度，本发明连接乘法器和第二加法器。
进一步地，所述激活函数层的公式为：
Figure SMS_15
其中，
Figure SMS_17
为激活函数层的第/>
Figure SMS_19
个输出数据，/>
Figure SMS_20
为激活函数层的学习权重参数，/>
Figure SMS_18
为激活函数层的学习偏置参数，/>
Figure SMS_21
为调节系数，/>
Figure SMS_22
为激活函数层的第/>
Figure SMS_23
个输入数据，/>
Figure SMS_16
为激活函数层的输入数据的数量。
进一步地，所述LSTM层的细胞单元的表达式为：
Figure SMS_24
Figure SMS_25
Figure SMS_26
Figure SMS_27
Figure SMS_28
其中，
Figure SMS_33
为遗忘层第/>
Figure SMS_38
时刻的输出，/>
Figure SMS_44
为sigmoid函数，/>
Figure SMS_30
为遗忘层的权重，/>
Figure SMS_32
为遗忘层的偏置，/>
Figure SMS_36
为细胞单元第/>
Figure SMS_41
时刻的输入，/>
Figure SMS_31
为细胞单元第/>
Figure SMS_35
时刻的输出，/>
Figure SMS_40
为细胞单元第/>
Figure SMS_45
时刻的输出，/>
Figure SMS_48
为细胞单元第/>
Figure SMS_51
时刻的输出状态，/>
Figure SMS_53
为双曲正切函数，
Figure SMS_55
为输入门的权重，/>
Figure SMS_42
为输入门的偏置，/>
Figure SMS_46
为输入门第/>
Figure SMS_49
时刻的输出，/>
Figure SMS_52
为更新门第/>
Figure SMS_29
时刻的输出，/>
Figure SMS_34
为更新门的权重，/>
Figure SMS_37
为更新门的偏置，/>
Figure SMS_39
为细胞单元第/>
Figure SMS_43
时刻的输出状态，/>
Figure SMS_47
为输出门的第一权重，/>
Figure SMS_50
为输出门的第一偏置，/>
Figure SMS_56
为输出门的第二权重，/>
Figure SMS_54
为输出门的第二偏置。
上述进一步地方案的有益效果为：本发明在遗忘门处设置了3个输入量
Figure SMS_58
，从而增强遗忘门选择遗忘的范围，以及可以保留的范围，再将输入门和更新门的输入量和更新量分别融合到传输带的不同位置，从而使得输出状态/>
Figure SMS_61
具备更丰富的特征，在输出门中分别对激活函数/>
Figure SMS_64
和/>
Figure SMS_59
赋予不同权重和偏置，使得输出/>
Figure SMS_60
建立起分别与/>
Figure SMS_63
、
Figure SMS_66
的对应关系，实现输出/>
Figure SMS_57
分别从/>
Figure SMS_62
、/>
Figure SMS_65
上提取特征。
进一步地，所述作物识别单元的损失函数为：
Figure SMS_67
其中，
Figure SMS_78
为损失函数，/>
Figure SMS_70
为第/>
Figure SMS_73
次训练时第/>
Figure SMS_81
个作物轮廓图像属于作物类型/>
Figure SMS_84
的标签概率，/>
Figure SMS_83
为第/>
Figure SMS_86
次训练时第/>
Figure SMS_76
个作物轮廓图像属于作物类型/>
Figure SMS_80
的预测概率，/>
Figure SMS_68
为第/>
Figure SMS_72
次训练时第/>
Figure SMS_71
个作物轮廓图像属于作物类型/>
Figure SMS_74
的预测概率，/>
Figure SMS_77
为第/>
Figure SMS_82
次训练时第/>
Figure SMS_69
个作物轮廓图像属于作物类型/>
Figure SMS_75
的标签概率，/>
Figure SMS_79
为统计的临近训练次数，/>
Figure SMS_85
为统计的临近训练次数的标号。
上述进一步地方案的有益效果为：本发明考虑多次训练的损失情况，但仅通过标签概率
Figure SMS_87
和预测概率/>
Figure SMS_88
两者的差值无法真实反映两者的距离，本发明还通过标签概率/>
Figure SMS_89
与预测概率/>
Figure SMS_90
的比值真实反映两者从比例上的差距，从而实现对损失的补充，通过本发明的损失函数，不仅使得标签概率/>
Figure SMS_91
和预测概率/>
Figure SMS_92
两者在数值上差值较小，同时也使得比值更接近于1。
进一步地，所述叶片轮廓识别单元包括：叶片识别子单元和叶片标注子单元；
所述叶片识别子单元用于识别出作物轮廓图像上叶片轮廓；
所述叶片标注子单元用于对识别出的叶片轮廓进行标注，得到叶片数量。
进一步地，所述叶片识别子单元包括：特征提取模块和特征匹配模块；
所述特征提取模块用于提取作物轮廓图像的轮廓分布特征；
所述特征匹配模块用于计算轮廓分布特征与存储轮廓分布特征的匹配度，在匹配度高于阈值时，该处为叶片轮廓。
进一步地，所述特征提取模块具体包括：设置轮廓提取窗，采用轮廓提取窗在作物轮廓图像上进行滑动，每滑动一次，计算出当前轮廓提取窗下的像素点的轮廓分布特征，通过多次滑动，遍历完作物轮廓图像；
所述轮廓分布特征的公式为：
Figure SMS_93
其中，
Figure SMS_94
为轮廓分布特征，/>
Figure SMS_95
为当前轮廓提取窗下的第/>
Figure SMS_96
个像素点到窗口中心的距离，/>
Figure SMS_97
为当前轮廓提取窗下的像素点到窗口中心的最远距离，/>
Figure SMS_98
为当前轮廓提取窗下的像素点到窗口中心的最近距离，/>
Figure SMS_99
为当前轮廓提取窗下的像素点数量。
上述进一步地方案的有益效果为：由于叶片属于作物轮廓图像上的小部分区域，因此，很难通过作物轮廓图像整体上的对比或者特征提取，获得叶片的位置，因此，本发明设置轮廓提取窗，不断框选出作物轮廓图像上的区域，进行局部对比，找到匹配高的位置，标注为叶片位置。本发明在进行提取轮廓分布特征时，本发明计算各个轮廓点在窗口中心的距离，从而根据各个点到窗口中心的长度，确定各个轮廓点的分布特征。
进一步地，所述匹配度的计算公式为：
Figure SMS_100
其中，
Figure SMS_101
为匹配度，/>
Figure SMS_102
为作物轮廓图像的轮廓分布特征，/>
Figure SMS_103
为存储轮廓分布特征，/>
Figure SMS_104
为匹配因子。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明通过图像采集单元采集农业作物图像，并对农业作物图像进行滤波和提取轮廓处理，得到作物轮廓图像，先对作物轮廓图像进行识别，得到作物类型，再通过识别叶片轮廓，得到叶片数量，从而获知作物的生长情况，在知道作物的类型后，根据叶片数量，更能精细化的获知的作物生长阶段，实现精确预估。
附图说明
图1为一种农业作物生长监测系统的系统框图；
图2为作物识别单元的系统框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
如图1所示，一种农业作物生长监测系统，包括：图像采集单元、图像预处理单元、作物识别单元、叶片轮廓识别单元和作物生长阶段分类单元；
所述图像采集单元用于采集农业作物图像；所述图像预处理单元用于对农业作物图像进行滤波和提取轮廓处理，得到作物轮廓图像；所述作物识别单元用于对作物轮廓图像进行识别，得到作物类型；所述叶片轮廓识别单元用于识别出作物轮廓图像上的叶片轮廓，得到叶片数量；所述作物生长阶段分类单元用于根据作物类型和叶片数量，对作物生长阶段进行分类。
在本实施例中，图像采集单元为摄像单元，摄像单元可以搭载在无人机上，通过巡查的方式，拍摄农作物图像，实现对整片农业区域的监测，摄像单元也可以固定在某个位置，从而实现对固定区域的农作物的实时监测。
在图像预处理单元中先对农业作物图像进行滤波处理，得到滤波图像，再对滤波图像进行提取轮廓，去除噪点。
所述滤波公式为：
Figure SMS_105
其中，
Figure SMS_108
为第/>
Figure SMS_111
个像素点的滤波像素值，/>
Figure SMS_113
为第/>
Figure SMS_107
个像素点的像素值，/>
Figure SMS_110
为第/>
Figure SMS_114
个像素点邻域范围第/>
Figure SMS_115
个像素点的像素值，/>
Figure SMS_106
为邻域范围内像素点的数量，/>
Figure SMS_109
为第/>
Figure SMS_112
个像素点的滤波像素值。
本发明以当前待滤波像素点的像素值和临近像素点的像素值的大小作为滤波的核心，同时考虑当前的像素值和上一个滤波像素值，通过上一个滤波像素值和临近像素值弱化当前像素值的影响，但为了不破坏轮廓上的像素点像素值的特征，本发明仅选取
Figure SMS_116
和/>
Figure SMS_117
作为衡量像素值/>
Figure SMS_118
的滤波情况，从而使其保障滤波后图像的轮廓特征。
如图2所示，所述作物识别单元包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一加法器、第二加法器、乘法器、LSTM层、激活函数层、池化层和全连接层；
所述第一卷积层的输入端与第一加法器的输入端连接，并作为作物识别单元的输入端；所述第二卷积层的输入端与第一卷积层的输出端连接，其输出端与第一加法器的输入端连接；所述第一加法器的输出端分别与第三卷积层的输入端和LSTM层的输入端连接；所述第三卷积层的输出端与第四卷积层的输入端连接；所述第二加法器的输入端分别与第四卷积层的输出端和LSTM层的输出端连接，其输出端分别与第五卷积层的输入端和乘法器的输入端连接；所述第五卷积层的输出端与激活函数层的输入端连接；所述激活函数层的输出端与乘法器的输入端连接；所述乘法器的输出端与池化层的输入端连接；所述全连接层的输入端与池化层的输出端连接，其输出端作为作物识别单元的输出端。
本发明的作物轮廓图像通过第一卷积层和第二卷积层提取特征后，汇入第一加法器，又将作物轮廓图像直接加入第一加法器，实现恒等映射，解决网络退化的问题，在第一加法器后，本发明设置两条路径：第三卷积层和第四卷积层、LSTM层，本发明分别通过这两条路线实现不同特征提取，在第二加法器后，设置第五卷积层对特征进行提取，为了防止误差被进一步累计放大，采用激活函数层对数据进行统一，加速模型训练速度，同时为了自适应的对特征数据增加关注度，本发明连接乘法器和第二加法器。
所述激活函数层的公式为：
Figure SMS_119
其中，
Figure SMS_120
为激活函数层的第/>
Figure SMS_123
个输出数据，/>
Figure SMS_125
为激活函数层的学习权重参数，/>
Figure SMS_122
为激活函数层的学习偏置参数，/>
Figure SMS_124
为调节系数，/>
Figure SMS_126
为激活函数层的第/>
Figure SMS_127
个输入数据，/>
Figure SMS_121
为激活函数层的输入数据的数量。
所述LSTM层的细胞单元的表达式为：
Figure SMS_128
Figure SMS_129
Figure SMS_130
Figure SMS_131
Figure SMS_132
其中，
Figure SMS_152
为遗忘层第/>
Figure SMS_154
时刻的输出，/>
Figure SMS_157
为sigmoid函数，/>
Figure SMS_135
为遗忘层的权重，/>
Figure SMS_140
为遗忘层的偏置，/>
Figure SMS_145
为细胞单元第/>
Figure SMS_148
时刻的输入，/>
Figure SMS_136
为细胞单元第/>
Figure SMS_141
时刻的输出，/>
Figure SMS_144
为细胞单元第/>
Figure SMS_150
时刻的输出，/>
Figure SMS_155
为细胞单元第/>
Figure SMS_158
时刻的输出状态，/>
Figure SMS_159
为双曲正切函数，
Figure SMS_160
为输入门的权重，/>
Figure SMS_147
为输入门的偏置，/>
Figure SMS_149
为输入门第/>
Figure SMS_153
时刻的输出，/>
Figure SMS_156
为更新门第/>
Figure SMS_133
时刻的输出，/>
Figure SMS_137
为更新门的权重，/>
Figure SMS_139
为更新门的偏置，/>
Figure SMS_143
为细胞单元第/>
Figure SMS_134
时刻的输出状态，/>
Figure SMS_138
为输出门的第一权重，/>
Figure SMS_142
为输出门的第一偏置，/>
Figure SMS_146
为输出门的第二权重，/>
Figure SMS_151
为输出门的第二偏置。
本发明在遗忘门处设置了3个输入量
Figure SMS_162
，从而增强遗忘门选择遗忘的范围，以及可以保留的范围，再将输入门和更新门的输入量和更新量分别融合到传输带的不同位置，从而使得输出状态/>
Figure SMS_166
具备更丰富的特征，在输出门中分别对激活函数/>
Figure SMS_169
和/>
Figure SMS_163
赋予不同权重和偏置，使得输出/>
Figure SMS_165
建立起分别与/>
Figure SMS_168
、/>
Figure SMS_170
的对应关系，实现输出/>
Figure SMS_161
分别从/>
Figure SMS_164
、/>
Figure SMS_167
上提取特征。
所述作物识别单元的损失函数为：
Figure SMS_171
其中，
Figure SMS_181
为损失函数，/>
Figure SMS_175
为第/>
Figure SMS_177
次训练时第/>
Figure SMS_184
个作物轮廓图像属于作物类型/>
Figure SMS_189
的标签概率，/>
Figure SMS_186
为第/>
Figure SMS_188
次训练时第/>
Figure SMS_180
个作物轮廓图像属于作物类型/>
Figure SMS_182
的预测概率，/>
Figure SMS_173
为第/>
Figure SMS_176
次训练时第/>
Figure SMS_183
个作物轮廓图像属于作物类型/>
Figure SMS_187
的预测概率，/>
Figure SMS_185
为第/>
Figure SMS_190
次训练时第/>
Figure SMS_174
个作物轮廓图像属于作物类型/>
Figure SMS_179
的标签概率，/>
Figure SMS_172
为统计的临近训练次数，/>
Figure SMS_178
为统计的临近训练次数的标号。
本发明考虑多次训练的损失情况，但仅通过标签概率
Figure SMS_191
和预测概率/>
Figure SMS_192
两者的差值无法真实反映两者的距离，本发明还通过标签概率/>
Figure SMS_193
与预测概率/>
Figure SMS_194
的比值真实反映两者从比例上的差距，从而实现对损失的补充，通过本发明的损失函数，不仅使得标签概率/>
Figure SMS_195
和预测概率/>
Figure SMS_196
两者在数值上差值较小，同时也使得比值更接近于1。
所述叶片轮廓识别单元包括：叶片识别子单元和叶片标注子单元；
所述叶片识别子单元用于识别出作物轮廓图像上叶片轮廓；
所述叶片标注子单元用于对识别出的叶片轮廓进行标注，得到叶片数量。
所述叶片识别子单元包括：特征提取模块和特征匹配模块；
所述特征提取模块用于提取作物轮廓图像的轮廓分布特征；
所述特征匹配模块用于计算轮廓分布特征与存储轮廓分布特征的匹配度，在匹配度高于阈值时，该处为叶片轮廓。
在本实施例中，存储轮廓分布特征为从已知作物类型的各个生长阶段的作物轮廓图像上提取的。
所述特征提取模块具体包括：设置轮廓提取窗，采用轮廓提取窗在作物轮廓图像上进行滑动，每滑动一次，计算出当前轮廓提取窗下的像素点的轮廓分布特征，通过多次滑动，遍历完作物轮廓图像；
所述轮廓分布特征的公式为：
Figure SMS_197
其中，
Figure SMS_198
为轮廓分布特征，/>
Figure SMS_199
为当前轮廓提取窗下的第/>
Figure SMS_200
个像素点到窗口中心的距离，/>
Figure SMS_201
为当前轮廓提取窗下的像素点到窗口中心的最远距离，/>
Figure SMS_202
为当前轮廓提取窗下的像素点到窗口中心的最近距离，/>
Figure SMS_203
为当前轮廓提取窗下的像素点数量。
由于叶片属于作物轮廓图像上的小部分区域，因此，很难通过作物轮廓图像整体上的对比或者特征提取，获得叶片的位置，因此，本发明设置轮廓提取窗，不断框选出作物轮廓图像上的区域，进行局部对比，找到匹配高的位置，标注为叶片位置。本发明在进行提取轮廓分布特征时，本发明计算各个轮廓点在窗口中心的距离，从而根据各个点到窗口中心的长度，确定各个轮廓点的分布特征。
所述匹配度的计算公式为：
Figure SMS_204
其中，
Figure SMS_205
为匹配度，/>
Figure SMS_206
为作物轮廓图像的轮廓分布特征，/>
Figure SMS_207
为存储轮廓分布特征，/>
Figure SMS_208
为匹配因子。
本发明实施例的技术方案至少具有如下优点和有益效果：本发明通过图像采集单元采集农业作物图像，并对农业作物图像进行滤波和提取轮廓处理，得到作物轮廓图像，先对作物轮廓图像进行识别，得到作物类型，再通过识别叶片轮廓，得到叶片数量，从而获知作物的生长情况，在知道作物的类型后，根据叶片数量，更能精细化的获知的作物生长阶段，实现精确预估。
在本实施例中，作物生长阶段分类单元可根据对应的作物类型，存储各个作物类型的各个生长阶段的叶片数量，从而根据叶片数量就能推断或者查表得到生长阶段，其次，还可以通过叶片数据判断出一个区域中作物的密度，从而实现对生长阶段的估计。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种农业作物生长监测系统，其特征在于，包括：图像采集单元、图像预处理单元、作物识别单元、叶片轮廓识别单元和作物生长阶段分类单元；
所述图像采集单元用于采集农业作物图像；所述图像预处理单元用于对农业作物图像进行滤波和提取轮廓处理，得到作物轮廓图像；所述作物识别单元用于对作物轮廓图像进行识别，得到作物类型；所述叶片轮廓识别单元用于识别出作物轮廓图像上的叶片轮廓，得到叶片数量；所述作物生长阶段分类单元用于根据作物类型和叶片数量，对作物生长阶段进行分类。
2.根据权利要求1所述的农业作物生长监测系统，其特征在于，所述滤波公式为：
Figure QLYQS_1
其中，
Figure QLYQS_4
为第/>
Figure QLYQS_5
个像素点的滤波像素值，/>
Figure QLYQS_7
为第/>
Figure QLYQS_3
个像素点的像素值，/>
Figure QLYQS_8
为第/>
Figure QLYQS_10
个像素点邻域范围第/>
Figure QLYQS_11
个像素点的像素值，/>
Figure QLYQS_2
为邻域范围内像素点的数量，/>
Figure QLYQS_6
为第/>
Figure QLYQS_9
个像素点的滤波像素值。
3.根据权利要求1所述的农业作物生长监测系统，其特征在于，所述作物识别单元包括：第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第一加法器、第二加法器、乘法器、LSTM层、激活函数层、池化层和全连接层；
所述第一卷积层的输入端与第一加法器的输入端连接，并作为作物识别单元的输入端；所述第二卷积层的输入端与第一卷积层的输出端连接，其输出端与第一加法器的输入端连接；所述第一加法器的输出端分别与第三卷积层的输入端和LSTM层的输入端连接；所述第三卷积层的输出端与第四卷积层的输入端连接；所述第二加法器的输入端分别与第四卷积层的输出端和LSTM层的输出端连接，其输出端分别与第五卷积层的输入端和乘法器的输入端连接；所述第五卷积层的输出端与激活函数层的输入端连接；所述激活函数层的输出端与乘法器的输入端连接；所述乘法器的输出端与池化层的输入端连接；所述全连接层的输入端与池化层的输出端连接，其输出端作为作物识别单元的输出端。
4.根据权利要求3所述的农业作物生长监测系统，其特征在于，所述激活函数层的公式为：
Figure QLYQS_12
其中，
Figure QLYQS_13
为激活函数层的第/>
Figure QLYQS_17
个输出数据，/>
Figure QLYQS_19
为激活函数层的学习权重参数，/>
Figure QLYQS_15
为激活函数层的学习偏置参数，/>
Figure QLYQS_16
为调节系数，/>
Figure QLYQS_18
为激活函数层的第/>
Figure QLYQS_20
个输入数据，/>
Figure QLYQS_14
为激活函数层的输入数据的数量。
5.根据权利要求3所述的农业作物生长监测系统，其特征在于，所述LSTM层的细胞单元的表达式为：
Figure QLYQS_21
Figure QLYQS_22
Figure QLYQS_23
Figure QLYQS_24
Figure QLYQS_25
其中，
Figure QLYQS_44
为遗忘层第/>
Figure QLYQS_48
时刻的输出，/>
Figure QLYQS_50
为sigmoid函数，/>
Figure QLYQS_28
为遗忘层的权重，/>
Figure QLYQS_33
为遗忘层的偏置，/>
Figure QLYQS_35
为细胞单元第/>
Figure QLYQS_40
时刻的输入，/>
Figure QLYQS_42
为细胞单元第/>
Figure QLYQS_47
时刻的输出，/>
Figure QLYQS_49
为细胞单元第/>
Figure QLYQS_53
时刻的输出，/>
Figure QLYQS_45
为细胞单元第/>
Figure QLYQS_46
时刻的输出状态，/>
Figure QLYQS_51
为双曲正切函数，/>
Figure QLYQS_52
为输入门的权重，/>
Figure QLYQS_29
为输入门的偏置，/>
Figure QLYQS_32
为输入门第/>
Figure QLYQS_37
时刻的输出，/>
Figure QLYQS_39
为更新门第/>
Figure QLYQS_26
时刻的输出，/>
Figure QLYQS_30
为更新门的权重，/>
Figure QLYQS_36
为更新门的偏置，/>
Figure QLYQS_38
为细胞单元第/>
Figure QLYQS_27
时刻的输出状态，/>
Figure QLYQS_31
为输出门的第一权重，/>
Figure QLYQS_34
为输出门的第一偏置，/>
Figure QLYQS_41
为输出门的第二权重，/>
Figure QLYQS_43
为输出门的第二偏置。
6.根据权利要求1所述的农业作物生长监测系统，其特征在于，所述作物识别单元的损失函数为：
Figure QLYQS_54
其中，
Figure QLYQS_63
为损失函数，/>
Figure QLYQS_57
为第/>
Figure QLYQS_60
次训练时第/>
Figure QLYQS_65
个作物轮廓图像属于作物类型/>
Figure QLYQS_67
的标签概率，/>
Figure QLYQS_71
为第/>
Figure QLYQS_73
次训练时第/>
Figure QLYQS_64
个作物轮廓图像属于作物类型/>
Figure QLYQS_69
的预测概率，/>
Figure QLYQS_56
为第
Figure QLYQS_59
次训练时第/>
Figure QLYQS_66
个作物轮廓图像属于作物类型/>
Figure QLYQS_72
的预测概率，/>
Figure QLYQS_68
为第/>
Figure QLYQS_70
次训练时第/>
Figure QLYQS_55
个作物轮廓图像属于作物类型/>
Figure QLYQS_61
的标签概率，/>
Figure QLYQS_58
为统计的临近训练次数，/>
Figure QLYQS_62
为统计的临近训练次数的标号。
7.根据权利要求1所述的农业作物生长监测系统，其特征在于，所述叶片轮廓识别单元包括：叶片识别子单元和叶片标注子单元；
所述叶片识别子单元用于识别出作物轮廓图像上叶片轮廓；
所述叶片标注子单元用于对识别出的叶片轮廓进行标注，得到叶片数量。
8.根据权利要求7所述的农业作物生长监测系统，其特征在于，所述叶片识别子单元包括：特征提取模块和特征匹配模块；
所述特征提取模块用于提取作物轮廓图像的轮廓分布特征；
所述特征匹配模块用于计算轮廓分布特征与存储轮廓分布特征的匹配度，在匹配度高于阈值时，该处为叶片轮廓。
9.根据权利要求8所述的农业作物生长监测系统，其特征在于，所述特征提取模块具体包括：设置轮廓提取窗，采用轮廓提取窗在作物轮廓图像上进行滑动，每滑动一次，计算出当前轮廓提取窗下的像素点的轮廓分布特征，通过多次滑动，遍历完作物轮廓图像；
所述轮廓分布特征的公式为：
Figure QLYQS_74
其中，
Figure QLYQS_75
为轮廓分布特征，/>
Figure QLYQS_76
为当前轮廓提取窗下的第/>
Figure QLYQS_77
个像素点到窗口中心的距离，
Figure QLYQS_78
为当前轮廓提取窗下的像素点到窗口中心的最远距离，/>
Figure QLYQS_79
为当前轮廓提取窗下的像素点到窗口中心的最近距离，/>
Figure QLYQS_80
为当前轮廓提取窗下的像素点数量。
10.根据权利要求8所述的农业作物生长监测系统，其特征在于，所述匹配度的计算公式为：
Figure QLYQS_81
其中，
Figure QLYQS_82
为匹配度，/>
Figure QLYQS_83
为作物轮廓图像的轮廓分布特征，/>
Figure QLYQS_84
为存储轮廓分布特征，/>
Figure QLYQS_85
为匹配因子。
CN202310562731.4A 2023-05-18 2023-05-18 一种农业作物生长监测系统 Active CN116310844B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310562731.4A CN116310844B (zh) 2023-05-18 2023-05-18 一种农业作物生长监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310562731.4A CN116310844B (zh) 2023-05-18 2023-05-18 一种农业作物生长监测系统

Publications (2)

Publication Number Publication Date
CN116310844A true CN116310844A (zh) 2023-06-23
CN116310844B CN116310844B (zh) 2023-07-28

Family

ID=86801726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310562731.4A Active CN116310844B (zh) 2023-05-18 2023-05-18 一种农业作物生长监测系统

Country Status (1)

Country Link
CN (1) CN116310844B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117530031A (zh) * 2024-01-10 2024-02-09 北京科百宏业科技有限公司 智能水肥管理方法、装置、设备及存储介质

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104023166A (zh) * 2014-06-20 2014-09-03 武汉烽火众智数字技术有限责任公司 一种环境自适应视频图像降噪方法及装置
CN104657593A (zh) * 2015-01-21 2015-05-27 中国科学院自动化研究所 一种作物性状动态形成过程评估品种的方法
JP2015167470A (ja) * 2015-06-23 2015-09-24 墫野　和夫 国の全額借金返済と都道府県市町村区の全額借金返済後に対して自給自足型の農業及び漁業及び林業及び中小企業が世界トップの日本円銀行団体と世界最高銀行団体に成る為の完全自給自足物流通システムに対しての知的所有財産を使った財団経営の未来的農業漁業林業一体型中小工企業体システム。
US20170297967A1 (en) * 2012-05-24 2017-10-19 Niha Corp. Bioactive nutrient fortified fertilizers and related methods
CN107798356A (zh) * 2017-11-24 2018-03-13 郑州大学西亚斯国际学院 基于深度卷积神经网络的作物叶片病害识别方法
CN109946427A (zh) * 2019-03-25 2019-06-28 大夏数据服务有限公司 一种农业农作物生长计算分析系统
CN109977924A (zh) * 2019-04-15 2019-07-05 北京麦飞科技有限公司 针对农作物的无人机机上实时图像处理方法及系统
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
CN110689022A (zh) * 2019-06-18 2020-01-14 华南农业大学 基于叶片匹配的各株作物图像提取方法
CN113822825A (zh) * 2021-11-25 2021-12-21 电子科技大学成都学院 基于3d-r2n2的光学建筑目标三维重建方法
CN113895629A (zh) * 2021-11-08 2022-01-07 广东省农业科学院蔬菜研究所 一种基于无人机的蔬菜生长监测及喷药系统
CN114548265A (zh) * 2022-02-21 2022-05-27 安徽农业大学 一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质
CN114926735A (zh) * 2022-05-17 2022-08-19 东北农业大学 一种基于raml的作物叶片复合侵染性多病害识别方法
CN115250887A (zh) * 2022-07-27 2022-11-01 中化现代农业有限公司 农作物灌溉方法、系统、设备及介质
CN115761518A (zh) * 2023-01-10 2023-03-07 云南瀚哲科技有限公司 一种基于遥感图像数据的作物分类方法
CN116030345A (zh) * 2022-12-30 2023-04-28 黑龙江省农垦科学院 基于机器学习模型的叶龄预测方法
CN116051996A (zh) * 2023-01-13 2023-05-02 大连东软信息学院 一种基于多模态信息的二阶段农作物生长预测方法

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170297967A1 (en) * 2012-05-24 2017-10-19 Niha Corp. Bioactive nutrient fortified fertilizers and related methods
CN104023166A (zh) * 2014-06-20 2014-09-03 武汉烽火众智数字技术有限责任公司 一种环境自适应视频图像降噪方法及装置
CN104657593A (zh) * 2015-01-21 2015-05-27 中国科学院自动化研究所 一种作物性状动态形成过程评估品种的方法
JP2015167470A (ja) * 2015-06-23 2015-09-24 墫野　和夫 国の全額借金返済と都道府県市町村区の全額借金返済後に対して自給自足型の農業及び漁業及び林業及び中小企業が世界トップの日本円銀行団体と世界最高銀行団体に成る為の完全自給自足物流通システムに対しての知的所有財産を使った財団経営の未来的農業漁業林業一体型中小工企業体システム。
CN107798356A (zh) * 2017-11-24 2018-03-13 郑州大学西亚斯国际学院 基于深度卷积神经网络的作物叶片病害识别方法
CN109946427A (zh) * 2019-03-25 2019-06-28 大夏数据服务有限公司 一种农业农作物生长计算分析系统
CN109977924A (zh) * 2019-04-15 2019-07-05 北京麦飞科技有限公司 针对农作物的无人机机上实时图像处理方法及系统
CN110689022A (zh) * 2019-06-18 2020-01-14 华南农业大学 基于叶片匹配的各株作物图像提取方法
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
CN113895629A (zh) * 2021-11-08 2022-01-07 广东省农业科学院蔬菜研究所 一种基于无人机的蔬菜生长监测及喷药系统
CN113822825A (zh) * 2021-11-25 2021-12-21 电子科技大学成都学院 基于3d-r2n2的光学建筑目标三维重建方法
CN114548265A (zh) * 2022-02-21 2022-05-27 安徽农业大学 一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质
CN114926735A (zh) * 2022-05-17 2022-08-19 东北农业大学 一种基于raml的作物叶片复合侵染性多病害识别方法
CN115250887A (zh) * 2022-07-27 2022-11-01 中化现代农业有限公司 农作物灌溉方法、系统、设备及介质
CN116030345A (zh) * 2022-12-30 2023-04-28 黑龙江省农垦科学院 基于机器学习模型的叶龄预测方法
CN115761518A (zh) * 2023-01-10 2023-03-07 云南瀚哲科技有限公司 一种基于遥感图像数据的作物分类方法
CN116051996A (zh) * 2023-01-13 2023-05-02 大连东软信息学院 一种基于多模态信息的二阶段农作物生长预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
LIYING CHANG 等: "Using a Hybrid Neural Network Model DCNN–LSTM for Image-Based Nitrogen Nutrition Diagnosis in Muskmelon", 《HORTICULTURAE 》, pages 1 - 24 *
周航: "基于感知量化的卷积神经网络加速系统设计", 《中国优秀硕士学位论文全文数据库 信息科技辑》, pages 140 - 449 *
宁斯岚: "基于深度学习和雷达遥感数据的水稻种植面积提取研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, pages 043 - 17 *
李静雪: "基于深度学习的农作物产量预测", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, pages 028 - 297 *
聂虎帅: "玉米杂种优势相关基因的克隆与功能分析", 《中国优秀硕士学位论文全文数据库 农业科技辑》, pages 047 - 45 *
解毅: "基于多变量和数据同化算法的冬小麦单产估测", 《中国优秀硕士学位论文全文数据库 农业科技辑》, pages 047 - 29 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117530031A (zh) * 2024-01-10 2024-02-09 北京科百宏业科技有限公司 智能水肥管理方法、装置、设备及存储介质
CN117530031B (zh) * 2024-01-10 2024-04-05 北京科百宏业科技有限公司 智能水肥管理方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN116310844B (zh) 2023-07-28

Similar Documents

Publication Publication Date Title
CN110046631B (zh) 用于自动推断时空图像的变化的系统和方法
CN107665324B (zh) 一种图像识别方法及终端
CN116310844B (zh) 一种农业作物生长监测系统
CN109886161B (zh) 一种基于可能性聚类和卷积神经网络的道路交通标识识别方法
CN111476713A (zh) 基于多深度卷积神经网络融合的天气图像智能识别方法及系统
CN111352113B (zh) 一种强对流天气短临预报方法及系统、存储介质和终端
CN111476280A (zh) 植物叶片识别方法及系统
CN109086823B (zh) 一种小麦赤霉病病穗率自动统计方法
CN116776238B (zh) 一种基于多源信息水旱灾害动态风险评估方法和系统
CN111950498A (zh) 一种基于端到端实例分割的车道线检测方法及装置
CN113723157B (zh) 一种农作物病害识别方法、装置、电子设备及存储介质
CN113850312A (zh) 森林生态状况的监测方法、装置、电子设备及存储介质
CN110532875A (zh) 夜晚模式镜头付着物的检测系统、终端和存储介质
CN107516061B (zh) 一种影像分类方法和系统
CN114881286A (zh) 一种基于深度学习的短时降水预测方法
CN115311689A (zh) 牛脸身份识别特征提取模型构建方法及牛脸身份识别方法
CN111241987B (zh) 基于代价敏感的三支决策的多目标模型视觉追踪方法
CN115410096A (zh) 卫星遥感影像多尺度融合变化检测方法、介质及电子装置
CN115171001A (zh) 基于改进ssd的增强热红外图像上车辆检测方法及系统
CN110443577A (zh) 一种基于人脸识别的校园考勤系统
CN117705815A (zh) 一种基于机器视觉的印刷缺陷检测方法
CN116206208B (zh) 一种基于人工智能的林业病虫害快速分析系统
CN112699836A (zh) 低空水田图像的分割方法、装置和电子设备
CN114040124B (zh) 森林草原巡视无人机的相机自适应曝光处理系统及方法
CN111931670B (zh) 基于卷积神经网的深度图像头部检测与定位方法及系统

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