CN116579751B - 农作物检测数据处理方法及系统 - Google Patents
农作物检测数据处理方法及系统 Download PDFInfo
- Publication number
- CN116579751B CN116579751B CN202310865349.0A CN202310865349A CN116579751B CN 116579751 B CN116579751 B CN 116579751B CN 202310865349 A CN202310865349 A CN 202310865349A CN 116579751 B CN116579751 B CN 116579751B
- Authority
- CN
- China
- Prior art keywords
- image
- crop
- preset
- lesion
- user side
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 21
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 230000003902 lesion Effects 0.000 claims abstract description 234
- 238000012795 verification Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 56
- 238000000034 method Methods 0.000 claims description 40
- 238000003860 storage Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 10
- 230000001960 triggered effect Effects 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims 2
- 239000000758 substrate Substances 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 description 152
- 241000196324 Embryophyta Species 0.000 description 54
- 230000002159 abnormal effect Effects 0.000 description 33
- 201000010099 disease Diseases 0.000 description 25
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 25
- 238000009826 distribution Methods 0.000 description 17
- 235000013399 edible fruits Nutrition 0.000 description 17
- 241000233679 Peronosporaceae Species 0.000 description 9
- 244000144730 Amygdalus persica Species 0.000 description 7
- 235000006040 Prunus persica var persica Nutrition 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 208000035143 Bacterial infection Diseases 0.000 description 2
- 244000241257 Cucumis melo Species 0.000 description 2
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 2
- 208000031888 Mycoses Diseases 0.000 description 2
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000001575 pathological effect Effects 0.000 description 2
- 241000244206 Nematoda Species 0.000 description 1
- 231100000674 Phytotoxicity Toxicity 0.000 description 1
- 241000592344 Spermatophyta Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 208000022362 bacterial infectious disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005200 bud stage Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002845 discoloration Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003071 parasitic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000003612 virological effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/64—Computer-aided capture of images, e.g. transfer from script file into camera, check of taken image quality, advice or proposal for image composition or decision on when to take image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
- H04N23/60—Control of cameras or camera modules
- H04N23/61—Control of cameras or camera modules based on recognised objects
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种农作物检测数据处理方法及系统,调取第一预设农作物图像发送给用户端;将被点击的区域框标记为目标区域框,根据目标区域框对第一预设农作物图像更新得到第二预设农作物图像;基于第二预设农作物图像和病变部位图像,确定多个待定病变类别,和与多个待定病变类别对应的关联区域框,根据关联区域框对第二预设农作物图像更新得到第三预设农作物图像;接收用户端对第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像,将关联部位图像和第三预设农作物图像中的关联区域框相对应存储,得到自动判断信息;将自动判断信息分别与各待定病变类别对应的验证图像组比对,得到确定病变类别。
Description
技术领域
本发明涉及数据处理技术,尤其涉及一种农作物检测数据处理方法及系统。
背景技术
农作物疾病具有种类多、爆发成灾的特点,例如,种类可以是真菌病害、细菌病害、病毒病害、线虫病害以及寄生性种子植物引致的病害,严重危害着农作物的种植和粮食作物生产,因此,农作物疾病检测已成为农业生产中的一项重要工作。
现有技术中,主要针对农户拍摄的农作物图像与病变数据库进行比对,从而自动确定相关的农作物疾病,但,由于农作物疾病种类多样,且多个种类之间病变的特征相似,例如,角斑病和霜霉病,两者都会在作物病叶上产生黄枯病斑,但它们一种是真菌性病害、一种是细菌性病害,二者有着本质性的区别。并且农户一般仅会对明显出现病变的部分进行拍摄,通常导致判断结果准确性较差,不仅防治不住病情,而且还容易导致农作物因发生药害而加重减产的损失,因此,对于病变特征相似的病变类别,需要依据农作物的实际情况结合相关位置的其他部位进行综合判断。
因此,如何依据农作物的实际情况自动定位至与病变部分相关的其他部分的位置,并指导用户进行拍摄,以使识别农作物疾病的准确度提高成为亟待解决的问题。
发明内容
本发明实施例提供一种农作物检测数据处理方法及系统, 可以依据农作物的实际情况自动定位至与病变部分相关的其他部分的位置,并指导用户进行拍摄,以使识别农作物疾病的准确度提高。
本发明实施例的第一方面,提供一种农作物检测数据处理方法,包括:
接收用户端触发生成的自动图像处理信息,响应所述自动图像处理信息将农作物列表发送给用户端进行展示,并接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端,其中,所述第一预设农作物图像中包括多个区域框;
接收用户端对所述第一预设农作物图像中区域框的点击信息,将被点击的所述区域框标记为目标区域框,根据所述目标区域框对所述第一预设农作物图像进行更新得到第二预设农作物图像,获取用户端采集的对应所述目标区域框的图像作为病变部位图像,将所述第二预设农作物图像和所述病变部位图像发送至服务器;
服务器基于所述第二预设农作物图像和所述病变部位图像,确定多个待定病变类别,以及与多个所述待定病变类别对应的多组关联区域框,根据多组关联区域框对所述第二预设农作物图像进行更新,得到第三预设农作物图像,将所述第三预设农作物图像发送至用户端;
接收用户端对所述第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像,并将所述关联部位图像和第三预设农作物图像中的关联区域框一一对应存储,得到自动判断信息;
获取病变数据库中各待定病变类别对应的验证图像组,将所述自动判断信息分别与各待定病变类别对应的验证图像组进行比对,得到确定病变类别,将所述确定病变类别发送至用户端。
可选地,在第一方面的一种可能实现方式中,所述响应所述自动图像处理信息将农作物列表发送给用户端进行展示,并接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端,包括:
响应所述自动图像处理信息将农作物列表发送给用户端进行展示,所述农作物列表包括农作物种类和生长周期与第一农作物一一对应的关系;
接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端。
可选地,在第一方面的一种可能实现方式中,所述根据所述目标区域框对所述第一预设农作物图像进行更新得到第二预设农作物图像,获取用户端采集的对应所述目标区域框的图像作为病变部位图像,包括:
保留所述第一预设农作物图像中的所述目标区域框,并将其他的区域框删除,得到第二预设农作物图像;
调取与所述目标区域框对应的图像采集框,接收用户端基于所述图像采集框在所述目标区域框的位置处所采集病变部位的图像,作为病变部位图像。
可选地,在第一方面的一种可能实现方式中,所述服务器基于所述第二预设农作物图像和所述病变部位图像,确定多个待定病变类别,以及与多个所述待定病变类别对应的多组关联区域框,根据多组关联区域框对所述第二预设农作物图像进行更新,得到第三预设农作物图像,包括:
基于所述第二预设农作物图像中目标区域框的部位,从病变数据库中提取对应的病变验证图像,将所述病变验证图像与所述病变部位图像进行比对,确定多个待定病变类别;
根据所述第二预设农作物图像中目标区域框的位置和多个待定病变类别,确定对应第二预设农作物图像中的多组关联区域框,其中,各区域框对应各待定病变类别在所述预设农作物图像中具有预先对应设置的一组关联区域框;
对多组所述关联区域框进行去重处理,得到对应第二预设农作物图像中的一组关联区域框,保留所述第二预设农作物图像中的一组所述关联区域框,将其他的区域框删除,得到第三预设农作物图像。
可选地,在第一方面的一种可能实现方式中,所述接收用户端对所述第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像,包括:
接收用户端对所述第三预设农作物图像中的关联区域框的点击信息,基于所述点击信息调取与相应所述关联区域框对应的图像采集框;
接收用户端基于所述图像采集框在所述关联区域框的位置处所采集的部位图像,作为关联部位图像。
可选地,在第一方面的一种可能实现方式中,所述将所述自动判断信息分别与各待定病变类别对应的验证图像组进行比对,得到确定病变类别,包括:
从所述自动判断信息中提取与各所述待定病变类别对应的一组关联部位图像;
将一组关联部位图像与相应的待定病变类别对应的验证图像组进行比对,得到确定病变类别。
可选地,在第一方面的一种可能实现方式中,还包括:
接收用户端触发生成的主动图像处理信息,响应所述主动图像处理信息接收所述用户端拍摄的第一实际农作物图像,根据用户端对所述第一实际农作物图像的第一编辑信息生成标记区域框,基于所述标记区域框对所述第一实际农作物图像进行更新,得到第二实际农作物图像;
根据用户端对所述标记区域框的图像采集信息,得到所述标记区域框对应的病变部位图像,将所述第二实际农作物图像和病变部位图像发送至植保端;
基于植保端对第二实际农作物图像的第二编辑信息,得到包括多个关联区域框的第三实际农作物图像发送给用户端,其中,所述关联区域框一一对应有区域编号;
接收用户端对所述第三实际农作物图像中的多个关联区域框的图像采集信息,得到多个关联部位图像,将所述关联部位图像和所述第三实际农作物图像中的区域编号一一关联存储,得到主动判断信息;
将所述主动判断信息发送至植保端进行展示,接收植保员基于植保端输入的确定病变类别,将所述确定病变类别发送至用户端。
可选地,在第一方面的一种可能实现方式中,所述基于植保端对第二实际农作物图像的第二编辑信息,得到包括多个关联区域框的第三实际农作物图像发送给用户端,其中,所述关联区域框一一对应有区域编号,包括:
基于植保端对第二实际农作物图像的第二编辑信息,得到多个关联区域框,基于所述第二编辑信息的编辑顺序,对多个所述关联区域框依次编号,得到对应关联区域框的区域编号;
接收植保端根据所述区域编号对应配置的预设采集次数,得到包括多个关联区域框的第三实际农作物图像和所述预设采集次数发送给用户端。
可选地,在第一方面的一种可能实现方式中,所述接收用户端对所述第三实际农作物图像中的多个关联区域框的图像采集信息,得到多个关联部位图像,将所述关联部位图像和所述第三实际农作物图像中的区域编号一一关联存储,得到主动判断信息,包括:
接收用户端基于所述区域编号和预设采集次数,对所述第三实际农作物图像中的所述关联区域框的图像采集信息,得到对应所述区域编号的多个关联部位图像;
将多个关联部位图像放置于相应的预设填充模板内,得到对应各所述区域编号的组合图像,其中,所述预设采集次数具有对应的预设填充模板;
将所述组合图像和所述第三实际农作物图像中的区域编号一一关联存储,得到主动判断信息。
本发明实施例的第二方面,提供一种农作物检测数据处理系统,包括:
接收模块,用于接收用户端触发生成的自动图像处理信息,响应所述自动图像处理信息将农作物列表发送给用户端进行展示,并接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端,其中,所述第一预设农作物图像中包括多个区域框;
标记模块,用于接收用户端对所述第一预设农作物图像中区域框的点击信息,将被点击的所述区域框标记为目标区域框,根据所述目标区域框对所述第一预设农作物图像进行更新得到第二预设农作物图像,获取用户端采集的对应所述目标区域框的图像作为病变部位图像,将所述第二预设农作物图像和所述病变部位图像发送至服务器;
确定模块,用于服务器基于所述第二预设农作物图像和所述病变部位图像,确定多个待定病变类别,以及与多个所述待定病变类别对应的多组关联区域框,根据多组关联区域框对所述第二预设农作物图像进行更新,得到第三预设农作物图像,将所述第三预设农作物图像发送至用户端;
存储模块,用于接收用户端对所述第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像,并将所述关联部位图像和第三预设农作物图像中的关联区域框一一对应存储,得到自动判断信息;
比对模块,用于获取病变数据库中各待定病变类别对应的验证图像组,将所述自动判断信息分别与各待定病变类别对应的验证图像组进行比对,得到确定病变类别,将所述确定病变类别发送至用户端。
本发明的有益效果如下:
1、本发明依据农作物的实际情况和用户的需求,分别通过2种方式指导用户对农作物中与病变部分相关的其他部分进行拍摄并识别,以提升识别病变类别的准确度。第一种方式,通过调取与农作物对应的预设农作物图像,依据用户选择的目标区域框和病变部位图像,自动定位与病变部分图像相关的关联区域框,方便用户参考关联区域框的位置,从而进行图像的拍摄,提升农作物疾病检测的准确度。第二种方式,通过用户上传的实际农作物图像进行处理,根据框中区域的位置和病变部位图像,通过与植保端交互,定位与病变部分图像相关的关联区域,方便用户参考关联区域的位置,从而进行图像的拍摄,提升农作物疾病检测的准确度。通过第一方式,对于大多数农作物可以通过预设农作物图像直接定位到相应的关联区域框,以指导农户进行相关拍摄区域的定位,从而提升识别的准确性。通过第二方式,使得本发明可以对形状不规则的农作物,或因环境等因素影响导致形态异常的农作物,进行针对性指导农户进行关联区域的拍摄,从而提升识别病变类型的准确度。
2、本发明对于大多数农作物,响应第一图像处理策略,并调取与农作物相对应的预设农作物图像,当出现农作物病变部分图像对应多个待定病变类别时,则自动确定相应的关联区域框,针对病变问题,指导用户进行针对性的拍摄,使得农作物疾病检测的结果较为准确。首先,本发明会接收农作物的农作物种类信息和生长阶段信息,可以理解的是,农作物种类不同相应的预设农作物图像不同,相同农作物种类不同的生长阶段对应的预设农作物图像不同,本发明会依据农作物的实际情况,对应调取相应的预设农作物图像进行后续处理。当识别后存在多种待定病变类别,则会依据病变部位图像和所述目标区域框的位置,自动确定与病变部位图像和位置相对应的多组关联区域框,可以指导用户针对不同病变类别,进行针对性的指导拍摄,以提升识别病变类别的准确性。同时,本发明会对第一关联区域框对应的多个关联部位图像进行筛选处理,选择病变最明显的关联部位图像进行保留。
3、本发明可以结合农户的需求,响应第二图像处理策略,主动接收用户拍摄的实际农作物图像,基于与植保端之间的交互确定,与病变类别相对应的关联区域,并针对病变问题,指导用户进行针对性的拍摄,使得农作物疾病检测的结果较为准确。首先,本发明会主动接收用户拍摄的实际农作物图像,并利用透明框中图层进行操作,对病变部位的区域进行框中,从而得到框中区域和框中标号,用户按照框中标号对病变部位图像进行一一拍摄,方便植保员后续进行观察,确定不同病变部位图像所处的位置,并且方便定位相应的关联区域,随后用户基于关联标号对相应区域进行拍摄并识别,提升识别病变类别的准确性。同时,本发明会获取处于值班状态的植保员的历史处理信息,确定当前最少的等待时长作为用户等待时长,并将该用户等待时长在用户端进行展示,以提醒用户,提升用户的体验。
附图说明
图1为本发明所提供的一种农作物检测数据处理方法的流程图;
图2为本发明所提供的一种第二预设农作物图像的示意图;
图3为本发明所提供的一种第三预设农作物图像的示意图;
图4为本发明所提供的一种农作物检测数据处理系统的结构示意图。
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,所描述的实施例仅仅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做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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种农作物检测数据处理方法,如图1所示,包括步骤S1-S5:
S1,接收用户端触发生成的自动图像处理信息,响应所述自动图像处理信息将农作物列表发送给用户端进行展示,并接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端,其中,所述第一预设农作物图像中包括多个区域框。
其中,农作物列表包括农作物种类和生长周期与第一农作物一一对应的关系。
需要说明的是,农作物主要有,粮食作物、经济作物、蔬菜作物、果类、野生果类、饲料作物等,一般来说,相同的农作物的形状近似,例如,桃树,由树干、侧枝、根、叶等组成,但,不同农作物形状不同,相同农作物在不同生长时期下对应的形状也不相同。例如,农作物可以有幼苗期、花蕾期、结果期等,本发明为不同农作物种类在不同生长阶段处,设置了不同的第一预设农作物图像。
因此,本发明将农作物列表在用户端进行展示,用户可以通过农作物列表选择与之相同的农作物种类和相同的生长周期的第一农作物,从而调取与第一农作物对应的第一预设农作物图像,使得第一预设农作物图像与第一农作物相对应。
通过上述实施方式,本发明可以针对不同的农作物以及不同的生长周期确定与其相对应的第一预设农作物图像,方便后续较为准确的指导农户对相应位置处照片进行拍摄。
在一些实施例中,步骤S1中的(响应所述自动图像处理信息将农作物列表发送给用户端进行展示,并接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端),包括S11-S12:
S11,响应所述自动图像处理信息将农作物列表发送给用户端进行展示,所述农作物列表包括农作物种类和生长周期与第一农作物一一对应的关系。
可以理解的是,将农作物列表发送给用户端进行展示,方便后续用户可以依据当前农作物种类和相应的生长周期,从农作物列表选择相应的第一农作物。
S12,接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端。
其中,第一预设农作物图像为提前为第一农作物对应设置的图像。
可以理解的是,接收用户在用户端对所述农作物列表的选中信息,从而确定相应的第一农作物,依据第一农作物调取相应的第一预设农作物图像。例如,用户选择了农作物列表中处于幼苗期的桃树,从而调取处于幼苗期的桃树对应的第一预设农作物图像。
S2,接收用户端对所述第一预设农作物图像中区域框的点击信息,将被点击的所述区域框标记为目标区域框,根据所述目标区域框对所述第一预设农作物图像进行更新得到第二预设农作物图像,获取用户端采集的对应所述目标区域框的图像作为病变部位图像,将所述第二预设农作物图像和所述病变部位图像发送至服务器。
其中,目标区域框为用户在第一预设农作物图像中点击的区域框。第二预设农作物图像为仅保留目标区域框的第一预设农作物图像。病变部位图像为以第一预设农作物图像中目标区域框所在位置为依据,对第一农作物相应位置的病变部位进行采集的图像。
例如,如图2所示,农户发现桃树右半部分出现疾病,则会在第一预设农作物图像中点击相应位置的目标区域框,并对相应位置处的病变部位进行拍摄,从而得到病变部位图像。
可以理解的是,当用户发现第一农作物出现异常时,则会点击相应的第一预设农作物图像中相应位置的区域框,从而得到目标区域框,将目标区域框以外的其他区域框删除,从而得到第二预设农作物图像。并且会对第一农作物中病变部位的图像进行采集,从而得到病变部位图像。方便后续依据第二预设农作物图像中目标区域框以及病变部位图像,确定相应的病变类别。
在一些实施例中,步骤S2中(根据所述目标区域框对所述第一预设农作物图像进行更新得到第二预设农作物图像,获取用户端采集的对应所述目标区域框的图像作为病变部位图像),包括S21-S22:
S21,保留所述第一预设农作物图像中的所述目标区域框,并将其他的区域框删除,得到第二预设农作物图像。
S22,调取与所述目标区域框对应的图像采集框,接收用户端基于所述图像采集框在所述目标区域框的位置处所采集病变部位的图像,作为病变部位图像。
可以理解的是,本发明会调取与目标区域框相对应的图像采集框,方便后续用户基于图像采集框对病变部位的图像进行采集,从而得到病变部位图像。
S3,服务器基于所述第二预设农作物图像和所述病变部位图像,确定多个待定病变类别,以及与多个所述待定病变类别对应的多组关联区域框,根据多组关联区域框对所述第二预设农作物图像进行更新,得到第三预设农作物图像,将所述第三预设农作物图像发送至用户端。
需要说明的是,由于农作物疾病种类多样,且多个种类之间病变的特征相似,例如,角斑病和霜霉病,两者都会在农作物的病叶上产生黄枯病斑,角斑病和霜霉病需要结合果实部分进行一步筛选。因此,在对病变部位图像进行识别时,可能会识别处多个病变类别,所以需要结合其他相关部分进行进一步筛选,比如,与病变部位相邻的果实,树干等。
所以,在得到多个待定病变类别后,会确定与相应待定病变类别对应的关联区域框,其中,关联区域框为目标区域框对应各待定病变类别预先设置的一组区域框。比如,确定桃树右上角树叶出现黄枯病斑,此时筛选出角斑病和霜霉病,则自动定位与右上角树叶相关的果实部位的区域框作为关联区域框。
可以理解的是,服务器会基于第二预设农作物图像中目标区域框所处的部位,比如,树叶、果实等部位,从病变数据库中提取相应的验证图像进行比对,本发明无需对数据库中所有数据进行遍历比对,减少了数据处理量。将验证图像和病变部位图像进行比对从而确定相应的病变类别,如果病变类别只有一类,则直接发送至用户端进行展示。如果,为多个待定病变类别,则需要确定与多个待定病变类别相对应的关联区域框,方便后续指导用户进行针对性拍摄,以便于后续进行比对,得到较为准确的病变类别。
在一些实施例,步骤S3中(服务器基于所述第二预设农作物图像和所述病变部位图像,确定多个待定病变类别,以及与多个所述待定病变类别对应的多组关联区域框,根据多组关联区域框对所述第二预设农作物图像进行更新,得到第三预设农作物图像),包括S31-S33:
S31,基于所述第二预设农作物图像中目标区域框的部位,从病变数据库中提取对应的病变验证图像,将所述病变验证图像与所述病变部位图像进行比对,确定多个待定病变类别。
可以理解的是,本发明会基于第二预设农作物图像中目标区域框的部位,比如,树叶部位、果实部位、树干部位等,从病变数据库中提取对应的病变验证图像,使得本方案无需遍历所有的病变验证图像,减少了数据处理量,有针对性的进行比对。
随后,将所述病变验证图像与病变部位图像进行比对,确定多个待定病变类别,比如,出现黄枯病斑,则定位到角斑病和霜霉病。
S32,根据所述第二预设农作物图像中目标区域框的位置和多个待定病变类别,确定对应第二预设农作物图像中的多组关联区域框,其中,各区域框对应各待定病变类别在所述预设农作物图像中具有预先对应设置的一组关联区域框。
需要说明的是,对于同一农作物而言,相同病变部位的关联区域框可能不同,需要考虑病变部位所处的位置。比如,桃树对应的第二预设农作物图像中右上角的树叶出现黄枯病斑,需要选取右上角的果实进行拍摄比对,此时选择远离病变部位的果实则没有参考比对的意义。
因此,本发明综合考虑了目标区域框的位置和多个待定病变类别,依据待定病变类别确定所需拍摄的部位,依据目标区域框的位置确定所需拍摄关联部位的位置,从而在第二预设农作物图像中确定相应的关联区域框。
S33,对多组所述关联区域框进行去重处理,得到对应第二预设农作物图像中的一组关联区域框,保留所述第二预设农作物图像中的一组所述关联区域框,将其他的区域框删除,得到第三预设农作物图像。
需要说明的是,多个待定病变类别可能出现相同的关联区域框,比如,角斑病和霜霉病均需要对果实进行拍摄,因此需要进行去重处理。
可以理解的是,对重复的关联区域框进行去重处理,从而得到对应第二预设农作物图像中的一组关联区域框。保留所述第二预设农作物图像中的一组所述关联区域框,将其他的区域框删除,得到第三预设农作物图像,方便后续用户基于第三预设农作物图像中关联区域框的位置,对相应部位的图像进行指导拍摄,从而较好的提升后续识别的准确性。
比如,如图3所示,可以桃树可能患有A类病、B类病,依据A类病、B类病和目标区域框,确定相应的关联区域框,将其他区域框删除,仅保留关联区域框,从而得到对应的第三预设农作物图像。
S4,接收用户端对所述第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像,并将所述关联部位图像和第三预设农作物图像中的关联区域框一一对应存储,得到自动判断信息。
可以理解的是,用户端进行展示第三预设农作物图像后,用户会根据第三预设农作物图像中关联区域框的大体位置对关联部位图像进行拍摄,点击相应的关联区域框从而调取相应的图像采集框,方便用户对关联部位图像进行采集。
将采集的关联部位图像与关联区域框一一对应存储,得到自动判断信息,方便后续服务器依据第三预设农作物图中关联区域框和相应的关联部位图像与病变数据库中的验证图像组进行自动比对判断。
在一些实施例中,步骤S4中(接收用户端对所述第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像),包括S41-S42:
S41,接收用户端对所述第三预设农作物图像中的关联区域框的点击信息,基于所述点击信息调取与相应所述关联区域框对应的图像采集框。
可以理解的是,用户会点击第三预设农作物图像中相应的关联区域框,则会调取与关联区域框相应的图像采集框,方便用户进行关联部位图像的采集。
S42,接收用户端基于所述图像采集框在所述关联区域框的位置处所采集的部位图像,作为关联部位图像。
可以理解的是,用户会参考第三预设农作物图像中的关联区域框的位置,利用图像采集框对第一农作物中相应位置的部位图像进行采集,从而得到关联部位图像。
在上述实施例的基础上,还可以用预设推荐拍摄次数对相应的关联部位进行采集,其中,预设推荐拍摄次数为人为预先设置的拍摄次数,拍摄完毕后,通过如下方式进行去重处理,包括A1-A2:
A1,获取所述关联区域框对应的预设像素值区间作为关联像素值区间,统计所述关联部位图像中不处于所述关联像素值区间的像素点数量,得到异常数量。
需要说明的是,本方发明会提前在预设农作物图像中设置在多个部位处的多个区域框,每个区域框具有与其对应的预设像素值区间。
因此,本发明会统计关联部位图像中不处于关联像素值区间内的像素点数量,从而得到异常数量。方便后续选择最为异常的图像,进行后续的比对。
A2,选取多个所述关联部位图像中异常数量最多的关联部位图像,得到一个关联部位图像。
可以理解的是,选择关联部位图像中最异常的图像,本发明会对同一个关联区域框内多个关联部位图像进行筛选处理。
在另一些实施例中,本发明还可以生成与病变程度对应的推荐拍摄次数从而替代预设拍摄次数,以使用户实际的拍摄的图片数量与实际情况相贴合,还包括B1-B4:
B1,获取第二预设农作物图像中目标区域框对应的目标像素值区间,统计所述病变部位图像中不处于所述目标像素值区间的像素点数量,得到异常数量,根据所述异常数量和所述病变部位图像中像素点的总数量,得到面积异常占比。
可以理解的是,本发明会统计病变部位图像中异常部分的占比,得到面积异常占比,比如,果实出现腐烂的面积越大,则相应的面积异常占比越大,果实出现腐烂的面积越小,则相应的面积异常占比越小。
B2,统计所述病变部位图像中不处于所述目标像素值区间的相邻像素点,得到异常像素点集合的第一数量,根据所述第一数量与预设区域数量,得到分布异常占比。
可以理解的是,某些病变类别出现病变时,面积较小,但分布数量较多,比如,枝叶处出现多处异常斑点。因此,本发明考虑了异常的分布情况,分布的数量越多,则相应的分布异常占比越大,分布的数量越少,则相应的分布异常占比越小。
B3,根据所述待定数量和预设待定数量的比值,得到数量异常占比。
可以理解的是,当待定病变类别的待定数量越多,相应的数量异常占比越大,待定病变类别的待定数量越少,相应的数量异常占比越小。
B4,根据所述面积异常占比、数量异常占比和所述分布异常占比,确定综合异常值,根据所述综合异常值和病变程度对照表,确定推荐拍摄次数,其中,所述病变程度对照表包含综合异常系数和推荐拍摄次数之间一一对应的关系。
可以理解的是,本发明综合考虑了异常情况的面积异常占比、分布异常占比和待定数量,不难理解的是,当待定病变类别的待定数量越多,则说明相似的病变类别越多,因此需要增加拍摄次数,当面积异常占比和分布异常占比较大,则说明此时农作物病变程度较高,因此需要增加拍摄次数以提升判断的准确度。
在一些实施例中,步骤B4中的(根据所述面积异常占比、数量异常占比和所述分布异常占比,确定综合异常值),包括:
根据所述面积异常占比和面积权重值的乘积,得到面积异常值,根据所述分布异常占比和分布权重值的乘积,得到分布异常值,根据所述数量异常占比和数量权重值的乘积,得到数量异常值。
基于所述面积异常值、所述分布异常值和所述数量异常值的和值,得到综合异常值。
可以理解的是,综合异常值与所述面积异常值成正比,综合异常值与所述分布异常值成正比,综合异常值与所述数量异常值成正比,不难理解的是,当待定病变类别的待定数量越多,则综合异常值越大,因此需要增加拍摄次数,当面积异常占比和分布异常占比较大,则综合异常值越大,因此需要增加拍摄次数。
S5,获取病变数据库中各待定病变类别对应的验证图像组,将所述自动判断信息分别与各待定病变类别对应的验证图像组进行比对,得到确定病变类别,将所述确定病变类别发送至用户端。
可以理解的是,每个待定病变类别在病变数据库中均具有相对应的验证图像组,可以对相应的一组关联部位图像进行对比验证,从而得到确定病变类别。其中,确定病变类别为经过病变数据库对多个待定病变类别验证筛选后得到的一个病变类别。
例如,角斑病和霜霉病,两者需要结合果实部位进行判断,因此会将病变数据库中关于角斑病和霜霉病果实部位的验证图像与相应的果实关联部位图像进行比对,从而确定相应的病变类别。
在一些实施例中,步骤S5中(将所述自动判断信息分别与各待定病变类别对应的验证图像组进行比对,得到确定病变类别),包括S51-S52:
S51,从所述自动判断信息中提取与各所述待定病变类别对应的一组关联部位图像。
可以理解的是,自动判断信息是由第三预设农作物图像和关联部位图像组成的信息。在确定关联部位图像时,是依据多个待定病变类别决定的。因此需要提取出与各待定病变类别对应的一组关联部位图像,方便后续与相应的验证图像组进行比对。
S52,将一组关联部位图像与相应的待定病变类别对应的验证图像组进行比对,得到确定病变类别。
可以理解的是,将一组关联部位图像与相应的待定病变类别对应的验证图像组进行比对,从而对多个待定病变类别进行筛选得到确定病变类别。
比如,角斑病会造成果实出现水浸状病斑、果肉变色,到发病后期还回造成病瓜出现早落、腐烂的问题,腐烂的病瓜还会有比较刺鼻的恶臭味,而霜霉病主要危害农作物的叶片,果实则一般不会受到危害。因此可以通过比对确定相应的病变类别。
在上述实施例的基础上,本发明可以结合用户的需求,生成主动图像处理信息,通过与植保端进行交互,识别农作物的疾病,还包括C1-C5:
C1,接收用户端触发生成的主动图像处理信息,响应所述主动图像处理信息接收所述用户端拍摄的第一实际农作物图像,根据用户端对所述第一实际农作物图像的第一编辑信息生成标记区域框,基于所述标记区域框对所述第一实际农作物图像进行更新,得到第二实际农作物图像。
需要说明的是,本发明可以依据用户的需求不同,选择不同的检测农作物疾病的方式,当出现农作物形状较为特殊,或农户有相应的需求时,则会触发主动图像处理信息,通过与植保端进行交互确定相应的农作物疾病。
其中,第一实际农作物图像为用户基于用户端所拍摄的第一农作物的实际图像。用户端可以对第一实际农作物图像直接进行编辑,比如,进行框中操作,从而定位到出现病变部位的位置,得到第二实际农作物图像,方便后续植保端进行观察和定位相应的关联部位。
其中,第一编辑信息为用户基于用户端对第一实际农作物图像的编辑信息,可以是框中编辑,画圈编辑等,在此不做限定。可以理解的是,经过框中编辑后生成相应的标记区域框,从而得到第二实际农作物图像。
C2,根据用户端对所述标记区域框的图像采集信息,得到所述标记区域框对应的病变部位图像,将所述第二实际农作物图像和病变部位图像发送至植保端。
需要说明的是,由于大部分农作物的体积较大,因此,本发明会对农作物病变部位进行二次拍摄,展示更多细节,以方便后续植保端进行观察确定相应的病变类别。
可以理解的是,服务器会接收用户端对标记区域框的图像采集信息,得到所述标记区域框对应的病变部位图像,将所述第二实际农作物图像和病变部位图像发送至植保端。
通过上述实施方式,植保端可以通过第二实际农作物图像中用户的编辑的标记区域框确定病变部位所处的位置,通过病变部位图像确定可能的病变类别。
C3,基于植保端对第二实际农作物图像的第二编辑信息,得到包括多个关联区域框的第三实际农作物图像发送给用户端,其中,所述关联区域框一一对应有区域编号。
可以理解的是,当植保端通过第二实际农作物图像中用户的编辑的标记区域框确定病变部位所处的位置,通过病变部位图像确定可能的病变类别后,会对第二实际农作物图像进行编辑处理。
其中,第二编辑信息为是植保员基于植保端对第二实际农作物图像的编辑信息,可以是框中编辑、画圈编辑等。
可以理解的是,植保员经过对第二实际农作物图像进行框中编辑后,生成相应的关联区域框,从而得到第三实际农作物图像。
通过上述实施方式,生成了带有关联区域框的第三实际农作物图像,方便后续用户进行参考,对相应位置处的部位进行针对性拍摄。
在一些实施例中,步骤C3中的(基于植保端对第二实际农作物图像的第二编辑信息,得到包括多个关联区域框的第三实际农作物图像发送给用户端,其中,所述关联区域框一一对应有区域编号),包括C31-C32:
C31,基于植保端对第二实际农作物图像的第二编辑信息,得到多个关联区域框,基于所述第二编辑信息的编辑顺序,对多个所述关联区域框依次编号,得到对应关联区域框的区域编号。
需要说明的是,在植保端对第二实际农作物图像进行编辑时,会基于第二编辑信息的编辑顺序对多个关联区域框依次编号,从而使得每个关联区域框对应各自的区域编号。
例如,植保员先对第二实际农作物图像中左侧的树叶部分进行编辑,得到一个关联区域框,编号为A,再对第二实际农作物图像中左侧的树叶部分进行编辑,得到一个关联区域框,编号为B。
C32,接收植保端根据所述区域编号对应配置的预设采集次数,得到包括多个关联区域框的第三实际农作物图像和所述预设采集次数发送给用户端。
需要说明的是,由于用户在进行拍摄时,如果仅进行一次拍摄,可能会出现照片模糊的情况。
因此,植保端会依据不同部位的实际情况,设置相应的预设采集次数,将预设采集次数与区域编号相互关联,从而得到拥有区域编号的多个关联区域框的第三实际农作物图像和相应的预设采集次数发送至用户端。
例如,编号为A的关联区域框的位置处,拍摄3次,编号为B的关联区域框的位置处,拍摄4次。使得用户可以参考相应关联区域框的位置和区域编号对应的预设采集次数对关联部位进行拍摄。
C4,接收用户端对所述第三实际农作物图像中的多个关联区域框的图像采集信息,得到多个关联部位图像,将所述关联部位图像和所述第三实际农作物图像中的区域编号一一关联存储,得到主动判断信息。
可以理解的是,用户可以基于第三实际农作物图像中的区域编号和相应的预设采集次数,对关联部位的图像进行采集,从而得到多个关联部位图像。并与区域编号一一关联存储,得到主动判断信息。后续植保员可以直接通过主动判断信息对农作物的病变类别进行确定。
在一些实施例中,步骤C4中(接收用户端对所述第三实际农作物图像中的多个关联区域框的图像采集信息,得到多个关联部位图像,将所述关联部位图像和所述第三实际农作物图像中的区域编号一一关联存储,得到主动判断信息),包括C41-C43:
C41,接收用户端基于所述区域编号和预设采集次数,对所述第三实际农作物图像中的所述关联区域框的图像采集信息,得到对应所述区域编号的多个关联部位图像。
可以理解的是,用户会基于第三实际农作物图像中的区域编号和相应的预设采集次数,对第三实际农作物图像中与关联区域框位置相同的部位进行图像采集,从而得到对应区域编号的多个关联部位图像。
C42,将多个关联部位图像放置于相应的预设填充模板内,得到对应各所述区域编号的组合图像,其中,所述预设采集次数具有对应的预设填充模板。
需要说明的是,预设采集次数具有对应的预设填充模板,比如,4次为田字型填充模板,2次为日字型填充模板,在此不做限定。
可以理解的是,每个关联部位用户以相应的预设采集次数进行采集,从而得到多个关联部位图像,将多个图像放置于相应的预设填充模板内,从而组合为一张组合图像。
通过上述实施方式,方便植保员进行观察,避免出现部分图像不清晰时,影响植保员的判断。
C43,将所述组合图像和所述第三实际农作物图像中的区域编号一一关联存储,得到主动判断信息。
可以理解的是,组合图像为对应各区域编号的多个关联部位图像组合的图像。因此,将组合图像和相应的第三实际农作物图像中的区域编号一一关联存储,从而得到主动判断信息。
C5,将所述主动判断信息发送至植保端进行展示,接收植保员基于植保端输入的确定病变类别,将所述确定病变类别发送至用户端。
可以理解的是,接收植保员通过植保端观察相应区域编号对应的组合图像后,输入相应的确定病变类别,将确定病变类别发送至用户端。
通过上述实施方式,本发明可以结合用户自身的需求选择相应的判别方式,可以选择与植保端进行交互,从而指导拍摄,确定较为准确的农作物病变类别。
在上述实施例的基础上,还包括D1-D3:
D1,获取值班的植保员的历史处理时长,以及历史处理数量,根据所述历史处理时长和所述历史处理数量,得到历史平均处理时长。
本发明会获取当前值班的植保员的历史数据,统计当前值班植保员历史处理用户的数量,得到历史处理数量。统计当前值班植保员服务每个用户对应的历史时长,得到历史处理时长。
因此,根据历史处理时长和所述历史处理数量的比值,可以得到历史平均处理时长。
D2,根据各所述值班的植保员对应的待处理数量和相应所述历史平均处理时长,得到对应各所述植保员的等待时长。
可以理解的是,根据各值班的植保员对应的待处理数量和历史平均处理时长的乘积,得到对应各所述植保员的等待时长。例如,植保员F对应的当前等待人数为2人,植保员F的历史平均处理时长为3min;植保员G对应的当前等待人数为3人,植保员G的历史平均处理时长为4min,因此植保员F处的等待时长为6min,植保员G处的等待时长为12min。
D3,选取最短的等待时长作为用户等待时长,并将所述用户等待时长在所述用户端进行展示。
可以理解的是,选取最短的等待时长作为用户等待时长,并将用户等待时长在所述用户端进行展示,例如,植保员F处的等待时长为6min,植保员G处的等待时长为12min,因此,选取植保员F的6min等待时长作为用户等待时长,并在用户端进行展示。
为了更好的实现本发明所提供的一种农作物检测数据处理方法,本发明还提供一种农作物检测数据处理系统,如图4所示,包括:
接收模块,用于接收用户端触发生成的自动图像处理信息,响应所述自动图像处理信息将农作物列表发送给用户端进行展示,并接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端,其中,所述第一预设农作物图像中包括多个区域框;
标记模块,用于接收用户端对所述第一预设农作物图像中区域框的点击信息,将被点击的所述区域框标记为目标区域框,根据所述目标区域框对所述第一预设农作物图像进行更新得到第二预设农作物图像,获取用户端采集的对应所述目标区域框的图像作为病变部位图像,将所述第二预设农作物图像和所述病变部位图像发送至服务器;
确定模块,用于服务器基于所述第二预设农作物图像和所述病变部位图像,确定多个待定病变类别,以及与多个所述待定病变类别对应的多组关联区域框,根据多组关联区域框对所述第二预设农作物图像进行更新,得到第三预设农作物图像,将所述第三预设农作物图像发送至用户端;
存储模块,用于接收用户端对所述第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像,并将所述关联部位图像和第三预设农作物图像中的关联区域框一一对应存储,得到自动判断信息;
比对模块,用于获取病变数据库中各待定病变类别对应的验证图像组,将所述自动判断信息分别与各待定病变类别对应的验证图像组进行比对,得到确定病变类别,将所述确定病变类别发送至用户端。
本发明还提供一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序被处理器执行时用于实现上述的各种实施方式提供的方法。
其中,可读存储介质可以是计算机存储介质,也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如,可读存储介质耦合至处理器,从而使处理器能够从该可读存储介质读取信息,且可向该可读存储介质写入信息。当然,可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits,简称:ASIC)中。另外,该ASIC可以位于用户设备中。当然,处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品,该程序产品包括执行指令,该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令,至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述设备的实施例中,应理解,处理器可以是中央处理单元(英文:CentralProcessing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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,或者对其中部分或者全部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范围。
Claims (10)
1.一种农作物检测数据处理方法,其特征在于,包括:
接收用户端触发生成的自动图像处理信息,响应所述自动图像处理信息将农作物列表发送给用户端进行展示,并接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端,其中,所述第一预设农作物图像中包括多个区域框;
接收用户端对所述第一预设农作物图像中区域框的点击信息,将被点击的所述区域框标记为目标区域框,根据所述目标区域框对所述第一预设农作物图像进行更新得到第二预设农作物图像,获取用户端采集的对应所述目标区域框的图像作为病变部位图像,将所述第二预设农作物图像和所述病变部位图像发送至服务器;
服务器基于所述第二预设农作物图像和所述病变部位图像,确定多个待定病变类别,以及与多个所述待定病变类别对应的多组关联区域框,根据多组关联区域框对所述第二预设农作物图像进行更新,得到第三预设农作物图像,将所述第三预设农作物图像发送至用户端;
接收用户端对所述第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像,并将所述关联部位图像和第三预设农作物图像中的关联区域框一一对应存储,得到自动判断信息;
获取病变数据库中各待定病变类别对应的验证图像组,将所述自动判断信息分别与各待定病变类别对应的验证图像组进行比对,得到确定病变类别,将所述确定病变类别发送至用户端。
2.根据权利要求1所述的方法,其特征在于,
所述响应所述自动图像处理信息将农作物列表发送给用户端进行展示,并接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端,包括:
响应所述自动图像处理信息将农作物列表发送给用户端进行展示,所述农作物列表包括农作物种类和生长周期与第一农作物一一对应的关系;
接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端。
3.根据权利要求2所述的方法,其特征在于,
所述根据所述目标区域框对所述第一预设农作物图像进行更新得到第二预设农作物图像,获取用户端采集的对应所述目标区域框的图像作为病变部位图像,包括:
保留所述第一预设农作物图像中的所述目标区域框,并将其他的区域框删除,得到第二预设农作物图像;
调取与所述目标区域框对应的图像采集框,接收用户端基于所述图像采集框在所述目标区域框的位置处所采集病变部位的图像,作为病变部位图像。
4.根据权利要求3所述的方法,其特征在于,
所述服务器基于所述第二预设农作物图像和所述病变部位图像,确定多个待定病变类别,以及与多个所述待定病变类别对应的多组关联区域框,根据多组关联区域框对所述第二预设农作物图像进行更新,得到第三预设农作物图像,包括:
基于所述第二预设农作物图像中目标区域框的部位,从病变数据库中提取对应的病变验证图像,将所述病变验证图像与所述病变部位图像进行比对,确定多个待定病变类别;
根据所述第二预设农作物图像中目标区域框的位置和多个待定病变类别,确定对应第二预设农作物图像中的多组关联区域框,其中,各区域框对应各待定病变类别在所述预设农作物图像中具有预先对应设置的一组关联区域框;
对多组所述关联区域框进行去重处理,得到对应第二预设农作物图像中的一组关联区域框,保留所述第二预设农作物图像中的一组所述关联区域框,将其他的区域框删除,得到第三预设农作物图像。
5.根据权利要求4所述的方法,其特征在于,
所述接收用户端对所述第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像,包括:
接收用户端对所述第三预设农作物图像中的关联区域框的点击信息,基于所述点击信息调取与相应所述关联区域框对应的图像采集框;
接收用户端基于所述图像采集框在所述关联区域框的位置处所采集的部位图像,作为关联部位图像。
6.根据权利要求5所述的方法,其特征在于,
所述将所述自动判断信息分别与各待定病变类别对应的验证图像组进行比对,得到确定病变类别,包括:
从所述自动判断信息中提取与各所述待定病变类别对应的一组关联部位图像;
将一组关联部位图像与相应的待定病变类别对应的验证图像组进行比对,得到确定病变类别。
7.根据权利要求1所述的方法,其特征在于,还包括:
接收用户端触发生成的主动图像处理信息,响应所述主动图像处理信息接收所述用户端拍摄的第一实际农作物图像,根据用户端对所述第一实际农作物图像的第一编辑信息生成标记区域框,基于所述标记区域框对所述第一实际农作物图像进行更新,得到第二实际农作物图像;
根据用户端对所述标记区域框的图像采集信息,得到所述标记区域框对应的病变部位图像,将所述第二实际农作物图像和病变部位图像发送至植保端;
基于植保端对第二实际农作物图像的第二编辑信息,得到包括多个关联区域框的第三实际农作物图像发送给用户端,其中,所述关联区域框一一对应有区域编号;
接收用户端对所述第三实际农作物图像中的多个关联区域框的图像采集信息,得到多个关联部位图像,将所述关联部位图像和所述第三实际农作物图像中的区域编号一一关联存储,得到主动判断信息;
将所述主动判断信息发送至植保端进行展示,接收植保员基于植保端输入的确定病变类别,将所述确定病变类别发送至用户端。
8.根据权利要求7所述的方法,其特征在于,
所述基于植保端对第二实际农作物图像的第二编辑信息,得到包括多个关联区域框的第三实际农作物图像发送给用户端,其中,所述关联区域框一一对应有区域编号,包括:
基于植保端对第二实际农作物图像的第二编辑信息,得到多个关联区域框,基于所述第二编辑信息的编辑顺序,对多个所述关联区域框依次编号,得到对应关联区域框的区域编号;
接收植保端根据所述区域编号对应配置的预设采集次数,得到包括多个关联区域框的第三实际农作物图像和所述预设采集次数发送给用户端。
9.根据权利要求8所述的方法,其特征在于,
所述接收用户端对所述第三实际农作物图像中的多个关联区域框的图像采集信息,得到多个关联部位图像,将所述关联部位图像和所述第三实际农作物图像中的区域编号一一关联存储,得到主动判断信息,包括:
接收用户端基于所述区域编号和预设采集次数,对所述第三实际农作物图像中的所述关联区域框的图像采集信息,得到对应所述区域编号的多个关联部位图像;
将多个关联部位图像放置于相应的预设填充模板内,得到对应各所述区域编号的组合图像,其中,所述预设采集次数具有对应的预设填充模板;
将所述组合图像和所述第三实际农作物图像中的区域编号一一关联存储,得到主动判断信息。
10.一种农作物检测数据处理系统,其特征在于,包括:
接收模块,用于接收用户端触发生成的自动图像处理信息,响应所述自动图像处理信息将农作物列表发送给用户端进行展示,并接收用户端对所述农作物列表的选中信息确定第一农作物,调取与所述第一农作物对应的第一预设农作物图像发送给用户端,其中,所述第一预设农作物图像中包括多个区域框;
标记模块,用于接收用户端对所述第一预设农作物图像中区域框的点击信息,将被点击的所述区域框标记为目标区域框,根据所述目标区域框对所述第一预设农作物图像进行更新得到第二预设农作物图像,获取用户端采集的对应所述目标区域框的图像作为病变部位图像,将所述第二预设农作物图像和所述病变部位图像发送至服务器;
确定模块,用于服务器基于所述第二预设农作物图像和所述病变部位图像,确定多个待定病变类别,以及与多个所述待定病变类别对应的多组关联区域框,根据多组关联区域框对所述第二预设农作物图像进行更新,得到第三预设农作物图像,将所述第三预设农作物图像发送至用户端;
存储模块,用于接收用户端对所述第三预设农作物图像中的关联区域框的图像采集信息,得到关联部位图像,并将所述关联部位图像和第三预设农作物图像中的关联区域框一一对应存储,得到自动判断信息;
比对模块,用于获取病变数据库中各待定病变类别对应的验证图像组,将所述自动判断信息分别与各待定病变类别对应的验证图像组进行比对,得到确定病变类别,将所述确定病变类别发送至用户端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865349.0A CN116579751B (zh) | 2023-07-14 | 2023-07-14 | 农作物检测数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310865349.0A CN116579751B (zh) | 2023-07-14 | 2023-07-14 | 农作物检测数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116579751A CN116579751A (zh) | 2023-08-11 |
CN116579751B true CN116579751B (zh) | 2023-09-08 |
Family
ID=87541793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310865349.0A Active CN116579751B (zh) | 2023-07-14 | 2023-07-14 | 农作物检测数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579751B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117130414B (zh) * | 2023-10-24 | 2023-12-29 | 南京生动科技有限公司 | 智能控制方法及控制系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110796011A (zh) * | 2019-09-29 | 2020-02-14 | 湖北工程学院 | 一种基于深度学习的稻穗识别方法、系统、装置及介质 |
CA3116881A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Detecting infection of plant diseases by classifying plant photos |
CN111695560A (zh) * | 2020-05-12 | 2020-09-22 | 浙江省农业科学院 | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 |
CN113094464A (zh) * | 2021-03-31 | 2021-07-09 | 哈尔滨理工大学 | 可扩展的农作物病害分析库的建立以及辅助鉴定方法 |
CN115482465A (zh) * | 2022-09-20 | 2022-12-16 | 广东交通职业技术学院 | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 |
CN115601585A (zh) * | 2022-09-15 | 2023-01-13 | 中科聚信信息技术(北京)有限公司(Cn) | 基于图片分析的农业病虫害诊断方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340070B (zh) * | 2020-02-11 | 2024-03-26 | 杭州睿琪软件有限公司 | 植物病虫害诊断方法和系统 |
-
2023
- 2023-07-14 CN CN202310865349.0A patent/CN116579751B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3116881A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Detecting infection of plant diseases by classifying plant photos |
CN110796011A (zh) * | 2019-09-29 | 2020-02-14 | 湖北工程学院 | 一种基于深度学习的稻穗识别方法、系统、装置及介质 |
CN111695560A (zh) * | 2020-05-12 | 2020-09-22 | 浙江省农业科学院 | 基于卷积神经网络对农作物病虫害主动定位聚焦的方法 |
CN113094464A (zh) * | 2021-03-31 | 2021-07-09 | 哈尔滨理工大学 | 可扩展的农作物病害分析库的建立以及辅助鉴定方法 |
CN115601585A (zh) * | 2022-09-15 | 2023-01-13 | 中科聚信信息技术(北京)有限公司(Cn) | 基于图片分析的农业病虫害诊断方法及装置 |
CN115482465A (zh) * | 2022-09-20 | 2022-12-16 | 广东交通职业技术学院 | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 |
Non-Patent Citations (1)
Title |
---|
手机端植物病害识别与严重程度估计;刘洋;《中国优秀硕士学位论文全文数据库农业科技辑》(第9期);D046-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN116579751A (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11935282B2 (en) | Server of crop growth stage determination system, growth stage determination method, and storage medium storing program | |
CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
Rastogi et al. | Leaf disease detection and grading using computer vision technology & fuzzy logic | |
CN116579751B (zh) | 农作物检测数据处理方法及系统 | |
CN110455340B (zh) | 一种基于大数据的农产品种植环境检测系统 | |
CN111753646A (zh) | 一种融合种群季节消长信息的农业害虫检测分类方法 | |
KR20140125229A (ko) | 과수의 생산량 예측 시스템 및 그것의 구동 방법 | |
Tumang | Pests and diseases identification in mango using MATLAB | |
JP2017046639A (ja) | 農作物育成支援装置、及びそのプログラム | |
CN112734083A (zh) | 一种基于机器视觉的水稻收割机路径规划控制系统 | |
CN108345992A (zh) | 一种复种指数提取方法及装置 | |
Murawwat et al. | Weed detection using SVMs | |
CN115620151A (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN110689022B (zh) | 基于叶片匹配的各株作物图像提取方法 | |
Dvorak et al. | Predicting quality and yield of growing alfalfa from a UAV | |
JP2019071802A (ja) | 苗データ生成システム、苗判別システム、苗データ生成プログラム、苗判別プログラム、苗データ生成装置、苗判別装置 | |
CN108537164B (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
CN111122453A (zh) | 信息处理方法、装置和系统 | |
US20220392214A1 (en) | Scouting functionality emergence | |
CN115511158A (zh) | 一种基于大数据的农作物智能选育分析方法及系统 | |
CN112699805A (zh) | 蔬菜病虫害防治智能识别系统 | |
CN116823918B (zh) | 作物苗株数测量方法、装置、电子设备及存储介质 | |
CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
Padilla et al. | Rice Spikelet Yield Determination Using Image Processing | |
CN114663752B (zh) | 一种基于机器视觉的食用豆产量智能估计方法、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 |