CN116596923A - 基于边缘检测的园林植物识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于边缘检测的园林植物识别方法及系统，所述方法包括：获取园林植物的图像数据和标注数据；将图像数据输入到深度识别模型中，识别图像数据中园林植物的深度信息；依据深度信息，确定园林植物的尺寸信息，并依据尺寸信息确定园林植物对应的缩减量；识别图像数据中园林植物的边缘信息，并依据边缘信息和缩减量，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型。基于本申请的方法，可以提升园林植物的识别准确率。

Description

基于边缘检测的园林植物识别方法及系统

技术领域

本发明涉及计算机技术领域，尤其是涉及一种基于边缘检测的园林植物识别方法及系统。

背景技术

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。

在一种应用中，可以利用图像识别的方式对图像数据中的园林植物进行识别。但是，目前的识别模型均是采用包含完整的园林植物的图像训练得到的，但是在实际应用过程中，需要识别到的园林植物的图像可能不包含完整的园林植物，可能只包含园林植物的一部分，导致图像识别的准确率不高。

发明内容

本发明提供一种基于边缘检测的园林植物识别方法及系统，以提升图像识别的准确性。

为了解决上述技术问题，本发明是这样实现的：

第一方面，本申请提供了一种基于边缘检测的园林植物识别方法，所述方法包括：获取园林植物的图像数据和标注数据；将图像数据输入到深度识别模型中，识别图像数据中园林植物的深度信息；依据深度信息，确定园林植物的尺寸信息，并依据尺寸信息确定园林植物对应的缩减量；识别图像数据中园林植物的边缘信息，并依据边缘信息和缩减量，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型。

进一步的，所述依据训练数据训练对象边缘识别模型，包括：将对象边缘图像输入到对象边缘识别模型中，确定预测数据；依据预测数据和标注数据之间的差异，确定模型参数调整量；按照模型参数调整量，调整对象边缘识别模型的参数，以确定训练好的对象边缘识别模型。

进一步的，所述方法还包括：依据标注数据，确定园林植物的第一轨迹信息，所述第一轨迹信息包括园林植物的叶片的特征轨迹；依据边缘信息，确定与第一轨迹信息对应园林植物的第二轨迹信息，并确定对象特征图像；依据对象特征图像和标注数据，确定训练数据。

进一步的，所述获取园林植物的图像数据和标注数据，包括：获取园林植物的视频数据，并获取人工标注的标注数据；依据标注数据确定园林植物在不同阶段的状态信息；从视频数据中获取各状态信息对应的图像数据组，并添加标注数据。

进一步的，所述从视频数据中获取各状态信息对应的图像数据组，包括：对视频数据按照第一切分规则进行第一切分，得到对应目标状态信息的目标视频数据；对目标视频数据按照第二切分规则进行第二切分，得到多个视频段；选取第一端视频段的关键图像数据，添加到图像数据组中；将图像数据组中最新的关键图像数据与下一视频段的目标关键图像数据进行对比，在最新的关键图像数据与下一视频段的目标关键图像数据之间的图像差异量超过预设阈值时，将目标关键图像数据添加到图像数据组中作为最新的关键图像数据，直至遍历全部视频段，得到图像数据组。

进一步的，所述将图像数据组中最新的关键图像数据与下一视频段的目标关键图像数据进行对比，包括：确定最新的关键图像数据中的园林植物的识别框，并提取出第一图像；确定目标关键图像数据中的园林植物的识别框，并提取出第二图像；将第一图像与第二图像进行逐像素对比，确定图像差异量。

进一步的，所述园林植物的视频数据，包括：针对于同一园林植物的由第一摄像组件和第二摄像组件拍摄的视频数据；在确定第一摄像组件对应的图像数据组之后，从第二摄像组件的视频数据中获取各状态信息对应的图像数据组的步骤，包括：获取第一摄像组件对应的图像数据组中各个图像的对应的时间数据；按照时间数据以及第一摄像组件和第二摄像组件之间的空间位姿关系，从第二摄像组件的视频数据中获取各状态信息对应的图像数据组。

进一步的，所述依据训练数据训练对象边缘识别模型，包括：接收边缘识别模型的本地模型，并依据训练数据对本地模型进行训练，得到本地模型参数；上传本地模型参数给训练中心，以使得训练中心聚合多个参与方的本地模型参数，并进行全局分析，以更新边缘识别模型的全局模型参数，并生成下一轮迭代的模型参数发送给参与方；接收下一轮迭代的模型参数，并更新边缘识别模型的本地模型，以据训练数据对本地模型进行训练，得到更新的本地模型参数；上传更新的本地模型参数给训练中心，直至完成边缘识别模型的训练。

第二方面，本申请提供了一种基于边缘检测的园林植物识别系统，所述系统包括：图像数据获取模块，用于获取园林植物的图像数据和标注数据；深度信息获取模块，用于将图像数据输入到深度识别模型中，识别图像数据中园林植物的深度信息；尺寸信息获取模块，用于依据深度信息，确定园林植物的尺寸信息，并依据尺寸信息确定园林植物对应的缩减量；训练数据生成模块，用于识别图像数据中园林植物的边缘信息，并依据边缘信息和缩减量，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型。

第三方面，本申请提供了一种电子设备，包括：存储器和至少一个处理器；所述存储器用于存储计算机执行指令；所述至少一个处理器用于执行所述存储器中存储的计算机执行指令，使得所述至少一个处理器执行如第一方面所述的方法。

本申请提供了一种基于边缘检测的园林植物识别方法，所述方法包括：获取园林植物的图像数据和标注数据；将图像数据输入到深度识别模型中，识别图像数据中园林植物的深度信息；依据深度信息，确定园林植物的尺寸信息，并依据尺寸信息确定园林植物对应的缩减量；识别图像数据中园林植物的边缘信息，并依据边缘信息和缩减量，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型。

本申请的方案中，可以获取具有标注数据的图像数据，标注数据可以包括；标注了图像数据中园林植物的标注框、以及定义了园林植物的信息，如园林植物的名称、园林植物的状态（如年龄状态、生长周期状态等）。图像数据中包含了完整的园林植物，因此，本申请的方案可以对图像数据进行切分，得到对应园林植物的边缘的图像，具体的，可以对图像数据进行深度识别，并依据深度信息和园林植物在图像数据中的大小，确定园林植物的尺寸信息，进而确定相应的缩减量。之后，可以依据缩减量和图像数据中园林植物的边缘信息，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型。本方案中，通过对现有的图像数据进行切分，得到对应园林植物的边缘的对象边缘图像，从而训练对象边缘识别模型，从而可以依据园林植物的边缘来识别出园林植物，提升园林植物识别的准确率。另外，本方案可以更好的利用现有的具有标注的数据来生成训练数据。本方案在对象边缘识别模型的基础上，还可以结合依据完整的园林植物的图像和标注数据训练出的识别模型来进行园林植物的识别，提升了园林植物识别的准确率。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本申请一个实施例的基于边缘检测的园林植物识别方法的流程示意图；

图2是本申请一个实施例的基于边缘检测的园林植物识别方法的步骤示意图；

图3是本申请一个实施例的基于边缘检测的园林植物识别系统的结构示意图。

具体实施方式

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。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。

本申请的方案中，可以获取具有标注数据的图像数据，标注数据可以包括；标注了图像数据中园林植物的标注框、以及定义了园林植物的信息，如园林植物的名称、园林植物的状态（如年龄状态、生长周期状态等）。图像数据中包含了完整的园林植物，因此，如图1所示，本申请的方案可以对图像数据进行切分，得到对应园林植物的边缘的图像，以便训练对象边缘识别模型，以提升识别准确率。具体的，可以对图像数据进行深度识别，并依据深度信息和园林植物在图像数据中的大小，确定园林植物的尺寸信息，进而确定相应的缩减量。之后，可以依据缩减量和图像数据中园林植物的边缘信息，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型。本方案中，通过对现有的图像数据进行切分，得到对应园林植物的边缘的对象边缘图像，从而训练对象边缘识别模型，从而可以依据园林植物的边缘来识别出园林植物，提升园林植物识别的准确率。另外，本方案可以更好的利用现有的具有标注的数据来生成训练数据。本方案在对象边缘识别模型的基础上，还可以结合依据完整的园林植物的图像和标注数据训练出的识别模型来进行园林植物的识别，提升了园林植物识别的准确率。

另外，本方案还可以依据标注数据获取园林植物的第一轨迹信息，第一轨迹信息包括园林植物的叶片的特征轨迹，之后，依据第一轨迹来识别边缘信息中的轨迹，确定与第一轨迹信息匹配的第二轨迹信息，该信息对应的特征包含有园林植物的单个叶片的特征信息，因此，可以作为对象特征图像，并结合标注数据，作为训练数据，以训练对象边缘识别模型。

本申请方法中的图像数据，可以是从视频数据中切分得到的，因此，本方案可以利用不同的视频拍摄组件拍摄的视频进行切分，得到图像数据，从而进行模型的训练。由于视频可能来自于不同的数据提供方，为了保护各方的数据安全，本方案可以采取联邦学习的方式来完成模型的训练。

具体来说，本申请提供了一种基于边缘检测的园林植物识别方法，如图2所示，所述方法包括：

步骤202、获取园林植物的图像数据和标注数据。在一些场景中，摄像组件的位置不会改变，因此，随着时间的推移，拍摄到的视频数据中会包含有园林植物在不同时段的图像，因此，本申请实施例可以从视频数据中切分出图像数据，具体的，作为一个可选的实施例，所述获取园林植物的图像数据和标注数据，包括：获取园林植物的视频数据，并获取人工标注的标注数据；依据标注数据确定园林植物在不同阶段的状态信息；从视频数据中获取各状态信息对应的图像数据组，并添加标注数据。园林植物的状态是指园林植物生长过程中的状态，如对应四季的状态（如开花、绿叶、结果、落叶等）、对应不同年龄的状态，本方案可以依据标注数据，在知识库中进行检索，确定相应的状态信息。本方案可以从视频数据中切分出对应每个状态的图像数据组，并添加标注，以便生成大量的训练数据。

本方案可以为每一个状态生成多张图像，以便进行训练，具体的，作为一个可选的实施例，所述从视频数据中获取各状态信息对应的图像数据组，包括：对视频数据按照第一切分规则进行第一切分，得到对应目标状态信息的目标视频数据；对目标视频数据按照第二切分规则进行第二切分，得到多个视频段；选取第一端视频段的关键图像数据，添加到图像数据组中；将图像数据组中最新的关键图像数据与下一视频段的目标关键图像数据进行对比，在最新的关键图像数据与下一视频段的目标关键图像数据之间的图像差异量超过预设阈值时，将目标关键图像数据添加到图像数据组中作为最新的关键图像数据，直至遍历全部视频段，得到图像数据组。

本方案中，每种园林植物对应的状态可能不同，如对应各状态的周期不同，因此，每一种园林植物对应的第一切分规则和第二切分规则可以不同，第一切分规则可以为按照时间进行切分，第二切分规则也可以是按照时间（该时间小于第一切分规则的时间）进行切分，从而得到对应园林植物的同一个状态的多个视频段。第一切分规则还可以是根据图像之间的差异进行切分，具体可以依据需求进行设置。切分出视频段之后，可以从每一个视频段中选取出关键图像数据，关键图像数据可以是按照时间来筛选，如筛选出视频段中间时间的图像，关键图像数据还可以是通过图像之间的对比来确定的，具体可以依据需求进行设置。确定关键图像数据之后，可以将把不同的时间段内的关键图像数据之间进行对比，从而将差异大的关键图像数据，添加到图像数据组中，以便生成训练数据。其中，最新的关键图像数据可以是最后一个添加到图像数据组中的图像数据。目标关键图像数据是指已对比过的视频段的下一个视频段的关键图像数据。

在对比关键图像数据之间的差异时，可以去除园林植物的背景部分的影响，仅对比园林植物相关的部分，具体的，作为一个可选的实施例，所述将图像数据组中最新的关键图像数据与下一视频段的目标关键图像数据进行对比，包括：确定最新的关键图像数据中的园林植物的识别框，并提取出第一图像；确定目标关键图像数据中的园林植物的识别框，并提取出第二图像；将第一图像与第二图像进行逐像素对比，确定图像差异量。本方案可以将第一图像和第二图像转变为灰度图，进而确定灰度值，以进行逐像素对比。

对于同一个园林植物来说，可能有至少一个摄像组件进行拍摄，因此，本方案在对一个摄像组件拍摄的视频进行处理之后，可以按照该处理方案，提取另一个摄像组件对应的图像数据，具体的，作为一个可选的实施例，所述园林植物的视频数据，包括：针对于同一园林植物的由第一摄像组件和第二摄像组件拍摄的视频数据；在确定第一摄像组件对应的图像数据组之后，从第二摄像组件的视频数据中获取各状态信息对应的图像数据组的步骤，包括：获取第一摄像组件对应的图像数据组中各个图像的对应的时间数据；按照时间数据以及第一摄像组件和第二摄像组件之间的空间位姿关系，从第二摄像组件的视频数据中获取各状态信息对应的图像数据组。按照第一摄像组件的图像提取方案来提取第二摄像组件对应的视频，从而得到对应的图像数据组，可以减少数据分析的过程，节约了算力。其中，空间位姿关系为第一摄像组件和第二摄像组件的空间位置关系，可以依据空间位置关系、摄像组件距离园林植物的距离来确定拍摄的图像之间的映射关系，从而裁剪出包含园林植物的图像。

获取图像数据之后，可以在步骤204中，将图像数据输入到深度识别模型中，识别图像数据中园林植物的深度信息。在步骤206中，依据深度信息，确定园林植物的尺寸信息，并依据尺寸信息确定园林植物对应的缩减量。在步骤208中，识别图像数据中园林植物的边缘信息，并依据边缘信息和缩减量，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型，所述对象边缘识别模型用于依据对象边缘图像来确定园林植物的标注数据。

获取到图像数据之后，可以依据深度识别模型来识别图像数据中园林植物的深度信息，深度识别模型可以为单图像的深度识别模型，所述深度识别模型用于依据图像数据识别图像数据中园林植物的深度信息，所述深度信息用于表征园林植物距离拍摄图像的设备的距离。确定深度信息之后，可以依据园林植物在图像中的大小，进而确定园林植物实际的尺寸信息，从而确定相应的缩减量，该缩减量表征园林植物边缘向园林植物中部的缩减数量（如向内缩减1厘米、2厘米等），缩减量还可以与图像质量相关。之后，依据缩减量和图像数据中园林植物的边缘信息，进行图像切分，得到至少一组对象边缘图像，并为对象边缘图像添加标注数据，从而形成训练数据。

确定训练数据之后，可以将对象边缘图像输入到待训练的模型中，以训练模型，具体的，作为一个可选的实施例，所述依据训练数据训练对象边缘识别模型，包括：将对象边缘图像输入到对象边缘识别模型中，确定预测数据；依据预测数据和标注数据之间的差异，确定模型参数调整量；按照模型参数调整量，调整对象边缘识别模型的参数，以确定训练好的对象边缘识别模型。本方案可以采取反向调整的方式来训练模型。另外，在选取对象边缘图像的过程中，本方案还可以选取包含有园林植物叶片的图像，从而进行模型训练。具体的，作为一个可选的实施例，所述方法还包括：依据标注数据，确定园林植物的第一轨迹信息，所述第一轨迹信息包括园林植物的叶片的特征轨迹；依据边缘信息，确定与第一轨迹信息对应园林植物的第二轨迹信息，并确定对象特征图像，所述第二轨迹信息代表边缘信息中与第一轨迹信息的相似度超过预设相似阈值的信息，所述对象特征图像为第二轨迹信息对应的图像；依据对象特征图像和标注数据，确定训练数据。通过选取包含各种园林植物的叶片的对象特征图像，并输入到对象边缘识别模型中进行训练，从而可以使得对象边缘识别模型更好的进行学习，从而提升识别的准确率。

由于视频可能来自于不同的数据提供方，为了保护各方的数据安全，本方案可以采取联邦学习的方式来完成模型的训练。具体的，作为一个可选的实施例，所述依据训练数据训练对象边缘识别模型，包括：接收边缘识别模型的本地模型，并依据训练数据对本地模型进行训练，得到本地模型参数，所述边缘识别模型的本地模型是训练中心依据边缘识别模型和参与方的训练数据生成的与参与方的训练数据对应的模型；上传本地模型参数给训练中心，以使得训练中心聚合多个参与方的本地模型参数，并进行全局分析，以更新边缘识别模型的全局模型参数，并生成下一轮迭代的模型参数发送给参与方；接收下一轮迭代的模型参数，并更新边缘识别模型的本地模型，以据训练数据对本地模型进行训练，得到更新的本地模型参数；上传更新的本地模型参数给训练中心，直至完成边缘识别模型的训练。本方案中，训练中心可以与多个参与方进行交互，本方案中生成训练的数据的设备可以作为一个参与方，相应的，本方案中参与方无需传输原始数据，只需传输模型参数即可完成模型的训练，提升了数据的安全性。

在上述实施例的基础上，本申请实施例还提供一种基于边缘检测的园林植物识别系统，如图3所示，所述系统包括：

图像数据获取模块302，用于获取园林植物的图像数据和标注数据；

深度信息获取模块304，用于将图像数据输入到深度识别模型中，识别图像数据中园林植物的深度信息；

尺寸信息获取模块306，用于依据深度信息，确定园林植物的尺寸信息，并依据尺寸信息确定园林植物对应的缩减量；

训练数据生成模块308，用于识别图像数据中园林植物的边缘信息，并依据边缘信息和缩减量，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型。

本申请实施例的实施方式与上述方法实施例的实施方式类似，具体实施方式可以参考上述方法实施例的具体实施方式，此处不再赘述。

本申请的方案中，可以获取具有标注数据的图像数据，标注数据可以包括；标注了图像数据中园林植物的标注框、以及定义了园林植物的信息，如园林植物的名称、园林植物的状态（如年龄状态、生长周期状态等）。图像数据中包含了完整的园林植物，因此，本申请的方案可以对图像数据进行切分，得到对应园林植物的边缘的图像，具体的，可以对图像数据进行深度识别，并依据深度信息和园林植物在图像数据中的大小，确定园林植物的尺寸信息，进而确定相应的缩减量。之后，可以依据缩减量和图像数据中园林植物的边缘信息，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型。本方案中，通过对现有的图像数据进行切分，得到对应园林植物的边缘的对象边缘图像，从而训练对象边缘识别模型，从而可以依据园林植物的边缘来识别出园林植物，提升园林植物识别的准确率。另外，本方案可以更好的利用现有的具有标注的数据来生成训练数据。本方案在对象边缘识别模型的基础上，还可以结合依据完整的园林植物的图像和标注数据训练出的识别模型来进行园林植物的识别，提升了园林植物识别的准确率。

在上述实施例的基础上，本申请还提供一种电子设备，包括：存储器和至少一个处理器；所述存储器用于存储计算机执行指令；所述至少一个处理器用于执行所述存储器中存储的计算机执行指令，使得所述至少一个处理器执行如上述实施例所述的方法。

本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述数据的处理方法实施例的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。其中，所述的计算机可读存储介质，如只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random ACGess Memory，简称RAM）、磁碟或者光盘等。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM) 和/或非易失性内存等形式，如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的定界，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

以上仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理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权利要求范围之内。

Claims (10)

1.一种基于边缘检测的园林植物识别方法，其特征在于，所述方法包括：

获取园林植物的图像数据和标注数据，所述标注数据包括：标注了图像数据中园林植物的标注框以及园林植物的信息；

将图像数据输入到深度识别模型中，识别图像数据中园林植物的深度信息，所述深度识别模型用于依据图像数据识别图像数据中园林植物的深度信息，所述深度信息用于表征园林植物距离拍摄图像的设备的距离；

依据深度信息，确定园林植物的尺寸信息，并依据尺寸信息确定园林植物对应的缩减量；

识别图像数据中园林植物的边缘信息，并依据边缘信息和缩减量，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型，所述对象边缘识别模型用于依据对象边缘图像来确定园林植物的标注数据。

2.根据权利要求1所述的方法，其特征在于，所述依据训练数据训练对象边缘识别模型，包括：

将对象边缘图像输入到对象边缘识别模型中，确定预测数据；

依据预测数据和标注数据之间的差异，确定模型参数调整量；

按照模型参数调整量，调整对象边缘识别模型的参数，以确定训练好的对象边缘识别模型。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

依据标注数据，确定园林植物的第一轨迹信息，所述第一轨迹信息包括园林植物的叶片的特征轨迹；

依据边缘信息，确定与第一轨迹信息对应园林植物的第二轨迹信息，并确定对象特征图像，所述第二轨迹信息代表边缘信息中与第一轨迹信息的相似度超过预设相似阈值的信息，所述对象特征图像为第二轨迹信息对应的图像；

依据对象特征图像和标注数据，确定训练数据。

4.根据权利要求1所述的方法，其特征在于，所述获取园林植物的图像数据和标注数据，包括：

获取园林植物的视频数据，并获取人工标注的标注数据；

依据标注数据确定园林植物在不同阶段的状态信息；

从视频数据中获取各状态信息对应的图像数据组，并添加标注数据。

5.根据权利要求4所述的方法，其特征在于，所述从视频数据中获取各状态信息对应的图像数据组，包括：

对视频数据按照第一切分规则进行第一切分，得到对应目标状态信息的目标视频数据；

对目标视频数据按照第二切分规则进行第二切分，得到多个视频段；

选取第一端视频段的关键图像数据，添加到图像数据组中；

将图像数据组中最新的关键图像数据与下一视频段的目标关键图像数据进行对比，在最新的关键图像数据与下一视频段的目标关键图像数据之间的图像差异量超过预设阈值时，将目标关键图像数据添加到图像数据组中作为最新的关键图像数据，直至遍历全部视频段，得到图像数据组。

6.根据权利要求5所述的方法，其特征在于，所述将图像数据组中最新的关键图像数据与下一视频段的目标关键图像数据进行对比，包括：

确定最新的关键图像数据中的园林植物的识别框，并提取出第一图像；

确定目标关键图像数据中的园林植物的识别框，并提取出第二图像；

将第一图像与第二图像进行逐像素对比，确定图像差异量。

7.根据权利要求5所述的方法，其特征在于，所述园林植物的视频数据，包括：针对于同一园林植物的由第一摄像组件和第二摄像组件拍摄的视频数据；

在确定第一摄像组件对应的图像数据组之后，从第二摄像组件的视频数据中获取各状态信息对应的图像数据组的步骤，包括：

获取第一摄像组件对应的图像数据组中各个图像的对应的时间数据；

按照时间数据以及第一摄像组件和第二摄像组件之间的空间位姿关系，从第二摄像组件的视频数据中获取各状态信息对应的图像数据组。

8.根据权利要求1所述的方法，其特征在于，所述依据训练数据训练对象边缘识别模型，包括：

接收边缘识别模型的本地模型，并依据训练数据对本地模型进行训练，得到本地模型参数，所述边缘识别模型的本地模型是训练中心依据边缘识别模型和参与方的训练数据生成的与参与方的训练数据对应的模型；

上传本地模型参数给训练中心，以使得训练中心聚合多个参与方的本地模型参数，并进行全局分析，以更新边缘识别模型的全局模型参数，并生成下一轮迭代的模型参数发送给参与方；

接收下一轮迭代的模型参数，并更新边缘识别模型的本地模型，以据训练数据对本地模型进行训练，得到更新的本地模型参数；

上传更新的本地模型参数给训练中心，直至完成边缘识别模型的训练。

9.一种基于边缘检测的园林植物识别系统，其特征在于，所述系统包括：

图像数据获取模块，用于获取园林植物的图像数据和标注数据；

深度信息获取模块，用于将图像数据输入到深度识别模型中，识别图像数据中园林植物的深度信息；

尺寸信息获取模块，用于依据深度信息，确定园林植物的尺寸信息，并依据尺寸信息确定园林植物对应的缩减量；

训练数据生成模块，用于识别图像数据中园林植物的边缘信息，并依据边缘信息和缩减量，生成至少一组对象边缘图像，并添加标注数据，形成训练数据，以依据训练数据训练对象边缘识别模型。

10.一种电子设备，其特征在于，包括：存储器和至少一个处理器；

所述存储器用于存储计算机执行指令；

所述至少一个处理器用于执行所述存储器中存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-8任一项所述的方法。