CN117671503A - 一种农作物病害范围确定方法、装置及电子设备 - Google Patents

一种农作物病害范围确定方法、装置及电子设备 Download PDF

Info

Publication number
CN117671503A
CN117671503A CN202311684433.9A CN202311684433A CN117671503A CN 117671503 A CN117671503 A CN 117671503A CN 202311684433 A CN202311684433 A CN 202311684433A CN 117671503 A CN117671503 A CN 117671503A
Authority
CN
China
Prior art keywords
image
disease
crop
convolution processing
semantic segmentation
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.)
Pending
Application number
CN202311684433.9A
Other languages
English (en)
Inventor
代湖明
杨诗媛
杜赞豪
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.)
Agricultural Bank of China
Original Assignee
Agricultural Bank of China
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 Agricultural Bank of China filed Critical Agricultural Bank of China
Priority to CN202311684433.9A priority Critical patent/CN117671503A/zh
Publication of CN117671503A publication Critical patent/CN117671503A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/20—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
    • G06V10/70—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
    • 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)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种农作物病害范围确定方法、装置及电子设备。该方法包括：获取目标农田的候选农作物图像；将候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，得到标记农作物病害区域的目标农作物图像；根据目标农作物图像，确定目标农田中的农作物病害范围；病害语义分割模型用于对候选农作物图像进行第一预设数量的下采样卷积处理后，通过第一预设数量的上采样卷积处理，确定目标农作物图像；其中，上采样卷积处理的输入至少包括对应的下采样卷积处理结果。采用本申请技术方案，使得在确定农作物病害范围时，能够在语义分割产生结果时，尽可能的减少信息的损失，提高确定结果的准确率，提高病害发现的及时性与准确性。

Description

一种农作物病害范围确定方法、装置及电子设备
技术领域
本发明涉及机器学习技术领域，尤其涉及一种农作物病害范围确定方法、装置及电子设备。
背景技术
传统的农作物的病害情况主要依赖认为判断或较简易的图像识别，在发现病害的及时性以及精准性较差，难以保证农田的正常生产。
因此需要一种能够通过农田图像，通过语义分割网络对获取到的农作物图像进行自动分析、处理，从而得到农作物的病害范围的技术，从而在进行农田病害范围确定时，提供更为准确的判断。
发明内容
本发明提供了一种农作物病害范围确定方法、装置及电子设备，以解决在发现病害的及时性以及精准性较差，难以保证农田的正常生产的问题。
根据本发明的一方面，提供了一种农作物病害范围确定方法，该方法包括：
获取目标农田的候选农作物图像；
将候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，得到标记农作物病害区域的目标农作物图像；
根据目标农作物图像，确定目标农田中的农作物病害范围；
病害语义分割模型用于对候选农作物图像进行第一预设数量的下采样卷积处理后，通过第一预设数量的上采样卷积处理，确定目标农作物图像；其中，上采样卷积处理的输入至少包括对应的下采样卷积处理结果。
根据本发明的另一方面，提供了一种农作物病害范围确定装置，该装置包括：
候选图像确定模块，用于获取目标农田的候选农作物图像；
目标图像确定模块，用于将候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，得到标记农作物病害区域的目标农作物图像；
病害范围确定模块，用于根据目标农作物图像，确定目标农田中的农作物病害范围；
病害语义分割模型用于对候选农作物图像进行第一预设数量的下采样卷积处理后，通过第一预设数量的上采样卷积处理，确定目标农作物图像；其中，上采样卷积处理的输入至少包括对应的下采样卷积处理结果。
根据本发明的另一方面，提供了一种电子设备，电子设备包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中，
存储器存储有可被至少一个处理器执行的计算机程序，计算机程序被至少一个处理器执行，以使至少一个处理器能够执行本发明任一实施例的农作物病害范围确定方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行时实现本发明任一实施例的农作物病害范围确定方法。
本发明实施例的技术方案，通过获取目标农田的候选农作物图像，将候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，得到标记农作物病害区域的目标农作物图像，根据目标农作物图像，确定目标农田中的农作物病害范围，使得在确定农作物病害范围时，能够在语义分割产生结果时，尽可能的减少信息的损失，提高确定结果的准确率，提高病害发现的及时性与准确性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是根据本发明实施例一提供的一种农作物病害范围确定方法的流程图；
图2为本发明实施例所适用的病害语义分割模型中目标特征图像的确定算法的示意图；
图3是根据本发明实施例二提供的一种农作物病害范围确定装置的结构示意图；
图4是实现本发明实施例的一种农作物病害范围确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，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”等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。此外，术语“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。
实施例一
图1为本发明实施例一提供了一种农作物病害范围确定方法的流程图，本实施例可适用于在确定农田中农作物病害范围时，通过拍摄农田中农作物图像进行语义分割进行确定的情况，该方法可以由农作物病害范围确定装置来执行，该农作物病害范围确定装置可以采用硬件和/或软件的形式实现，该农作物病害范围确定装置可配置于具有数据处理能力的电子设备中。如图1所示，该方法包括：
S110、获取目标农田的候选农作物图像。
目标农田可以是需要判断农作物出现病害的范围的农田。候选农作物图像可以是对目标农田进行拍摄得到的图像。由于目标农田的面积不同，因此，在获取目标农田的候选农作物图像时，可能会获取一张或多张候选农作物图像。
在获取目标农田的候选农作物图像时，可以通过无人机拍摄以及卫星遥感技术等方式，对目标农田进行拍摄，从而得到候选农作物图像。
S120、将候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，得到标记农作物病害区域的目标农作物图像。
病害语义分割模型用于对候选农作物图像进行第一预设数量的下采样卷积处理后，通过第一预设数量的上采样卷积处理，确定目标农作物图像；其中，上采样卷积处理的输入至少包括对应的下采样卷积处理结果。
下采样卷积处理可以是下采样处理与卷积处理。
病害语义分割模型可以是用以将候选农作物图像中的病害区域进行标定的模型。目标农作物图像可以是被标记了病害范围的农作物图像。
通过将候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，利用病害语义分割模型所能标记病害范围的功能，对候选农作物图像中的病害区域进行标定，从而得到目标农作物图像。
在上述实施例的基础上，病害语义分割模型的训练过程，可包括步骤A1-A2：
步骤A1、获取至少一个农田的历史农作物图像以及历史目标农作物图像，作为样本数据图像。
步骤A2、将样本数据图像，输入到预先构建的病害语义分割模型的初始模型中，对初始模型进行训练，得到病害语义分割模型。
历史农作物图像可以是历史上不同农田的农作物图像。历史目标农作物图像可以是对历史农作物图像中的病害区域进行准确标定后得到的图像。
对于病害语义分割模型的训练，需要获取不同农田的历史农作物图像以及历史目标农作物图像作为训练的样本数据图像。
通过历史农作物图像以及历史目标农作物图像，对初始模型进行调整，从而得到能够建立起能够确定历史农作物图像与历史目标农作物图像之间对应关系的病害语义分割模型。
可选的，病害语义分割模型的初始模型可以是ResNet50模型。
在上述实施例的基础上，将样本数据图像，输入到预先构建的病害语义分割模型的初始模型中，对初始模型进行训练，得到病害语义分割模型，可包括步骤B1-B3：
步骤B1、对输入的历史农作物图像进行第一预设数量的下采样卷积处理，得到下采样卷积处理结果。
其中，下采样卷积处理包括下采样处理和卷积处理，下采样卷积处理结果包括下采样处理结果和卷积处理结果，每一次下采样处理的输入为上一次下采样处理的输出。
步骤B2、根据第一预设数量中末次下采样卷积处理的下采样卷积处理结果，和其他下采样处理得到的其他卷积处理结果进行上采样卷积处理，得到目标特征图像。
步骤B3、基于目标特征图像对初始模型进行训练，得到病害语义分割模型。
在输入历史农作物图像后，会对历史农作物图像进行第一预设数量的次数的下采样处理，并在每次下采样处理后进行卷积处理。其中，下采样处理将得到下采样处理结果，对下采样处理结果进行卷积处理后得到的卷积处理结果。
目标特征图像可以是与历史农作物图像的像素大小相同，且保留历史农作物图像中特征的图像。
以最后一次下采样卷积处理的卷积处理结果为上采样卷积处理的首次输入，进行上采样卷积处理，从而得到目标特征图像。
通过目标特征图像，可以确定出图像中不同像素点之间的关系，从而使得在初始模型对目标特征图像进行处理时，能够准确确定病害区域的准确位置，从而实现病害语义分割模型的确定。
在上述实施例的基础上，根据第一预设数量中末次下采样卷积处理的下采样卷积处理结果，和其他下采样处理得到的其他卷积处理结果进行上采样卷积处理，得到目标特征图像，可包括步骤C1-C2：
步骤C1、对末次下采样卷积处理的下采样卷积处理结果进行第一次上采样卷积处理，得到第一上采样卷积处理结果。
步骤C2、对上一次上采样卷积处理结果和其他卷积处理结果中对应的目标卷积处理结果进行后续上采样卷积处理，直至上采样卷积处理的数量达到第一预设数量，得到目标特征图像。
其中，根据上一次上采样卷积处理结果的尺寸信息从其他卷积处理结果中确定对应的目标卷积处理结果。
以最后一次下采样卷积处理的卷积处理结果为上采样卷积处理的首次输入，进行上采样卷积处理，从而得到第一上采样卷积处理结果。在之后的上采样卷积处理时，将上一次上采样卷积处理结果以及对应的目标卷积处理结果作为下一次下采样卷积处理结果的输入进行处理，直至上采样卷积处理的数量达到第一预设数量，得到目标特征图像。
目标卷积处理结果的确定，可以简单的通过第N次上采样卷次处理时输入目标卷积处理结果为第M次下采样卷积处理得到的下采样卷积处理结果。其中，M+N-1等于第一预设数量。
示例性的，图2为本发明实施例所适用的病害语义分割模型中目标特征图像的确定算法的示意图。参见图2，图中共有5次下采样卷积处理以及五次上采样卷积处理。
在输入历史农作物图像后，根据经过连续5次下采样处理后，在每次下采样处理后进行卷积处理，从而得到5个下采样卷积处理结果，以最后一次下采样卷积处理得到的下采样卷积处理结果作为上采样卷积处理的最初输入进行计算，计算结果与第四次下采样卷积处理得到的下采样卷积处理结果一起，作为下一次下采样卷积处理的输入，以此类推，得到第五次下采样卷积处理后得到的目标特征图像。
在上述实施例的基础上，基于目标特征图像对初始模型进行训练，得到病害语义分割模型，可包括步骤D1-D2：
步骤D1、根据目标特征图像，确定目标特征图像中历史病害范围，并在目标特征图像中进行标记，得到历史病害标记图像。
步骤D2、根据历史病害标记图像与历史目标农作物图像的差异，对初始模型进行调整，得到病害语义分割模型。
由于目标特征图像中并未损失较多的历史农作物图像中的特征，在得到目标特征图像后，能够对目标特征图像中历史病害范围进行较为准确的标记，从而得到历史病害标记图像。
在得到历史病害标记图像后，可以通过与历史目标农作物图像进行比对，判断模型计算与实际情况的差异，从而对初始模型进行调整，得到病害语义分割模型。
S130、根据目标农作物图像，确定目标农田中的农作物病害范围。
由于目标农作物图像能够反应目标农田的候选农作物图像中病害区域，因此可以根据目标农作物图像，对目标农田中的农作物病害范围进行确定，以及计算出目标农田中出现病害的农作物病害范围所占比例。
在一种可选方案中，在获取至少一个农田的历史农作物图像以及历史目标农作物图像，作为样本数据图像之后，该方法还包括：
对样本数据图像进行拆分，得到训练数据图像集与测试数据图像集。
相应的，将样本数据图像，输入到预先构建的病害语义分割模型的初始模型中，对初始模型进行训练，得到病害语义分割模型，包括步骤E1-E2：
步骤E1、通过训练数据图像集，对初始模型进行训练，得到初始病害语义分割模型。
步骤E2、通过测试数据图像集，对初始病害语义分割模型进行测试，得到病害语义分割模型。
为保证病害语义分割模型的准确率，在输入样本数据图像前，会将收集到的样本数据图像进行分割，得到训练数据图像集与测试数据图像集，分别用来对初始模型进行训练以及对训练后的模型进行准确性验证。
在得到训练数据图像集与测试数据图像集后，通过训练数据图像集对初始模型进行训练，并通过测试数据图像集对训练后得到的初始病害语义分割模型的计算准确率进行检验，从而保证了最终生成的病害语义分割模型的计算准确率，减少了计算误差。
在一种可选方案中，通过测试数据图像集，对初始病害语义分割模型进行测试，得到病害语义分割模型，可包括步骤F1-F3：
步骤F1、通过测试数据图像集，对初始病害语义分割模型进行测试，得到测试准确率。
步骤F2、若测试准确率大于预设准确率，则停止测试，并将测试后的初始病害语义分割模型作为病害语义分割模型。
步骤F3、否则，重新获取样本数据图像，并通过重新获取的样本数据图像对初始病害语义分割模型进行训练，直至测试准确率大于预设准确率。
在通过测试数据图像集，对初始病害语义分割模型进行测试时，根据初始病害语义分割模型对测试数据图像集中的历史农作物图像进行计算，判断得到的历史病害标记图像，与对应的历史目标农作物图像的差异程度，确定测试准确率，若测试准确率大于预设准确率，则表明当前的初始病害语义分割模型的计算准确率满足实际使用要求，此时，可以停止对初始病害语义分割模型的测试，并将其作为病害语义分割模型。
否则，则表明当前的初始病害语义分割模型的计算准确率不满足实际使用要求，将重新获取样本数据图像，并利用重新获取的样本数据图像对初始病害语义分割模型进行再次训练，并测试，直到测试准确率大于预设准确率。
根据本发明实施例的技术方案，通过获取目标农田的候选农作物图像，将候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，得到标记农作物病害区域的目标农作物图像，根据目标农作物图像，确定目标农田中的农作物病害范围，使得在确定农作物病害范围时，能够在语义分割产生结果时，尽可能的减少信息的损失，提高确定结果的准确率，提高病害发现的及时性与准确性。
实施例二
图3为本发明实施例提供了一种农作物病害范围确定装置的结构框图，本实施例可适用于在确定农田中农作物病害范围时，通过拍摄农田中农作物图像进行语义分割进行确定的情形。该农作物病害范围确定装置可以采用硬件和/或软件的形式实现，该农作物病害范围确定装置可配置于具有数据处理能力的电子设备中。如图3所示，本实施例的农作物病害范围确定装置，可包括：候选图像确定模块210、目标图像确定模块220以及病害范围确定模块230。其中：
候选图像确定模块210，用于获取目标农田的候选农作物图像；
目标图像确定模块220，用于将候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，得到标记农作物病害区域的目标农作物图像；
病害范围确定模块230，用于根据目标农作物图像，确定目标农田中的农作物病害范围；
病害语义分割模型用于对候选农作物图像进行第一预设数量的下采样卷积处理后，通过第一预设数量的上采样卷积处理，确定目标农作物图像；其中，上采样卷积处理的输入至少包括对应的下采样卷积处理结果。
在上述实施例的基础上，可选的，病害语义分割模型的训练模块，包括：
样本图像获取单元，用于获取至少一个农田的历史农作物图像以及历史目标农作物图像，作为样本数据图像；
分割模型确定单元，用于将样本数据图像，输入到预先构建的病害语义分割模型的初始模型中，对初始模型进行训练，得到病害语义分割模型。
在上述实施例的基础上，可选的，分割模型确定单元，包括：
下采样处理子单元，用于对输入的历史农作物图像进行第一预设数量的下采样卷积处理，得到下采样卷积处理结果；其中，下采样卷积处理包括下采样处理和卷积处理，下采样卷积处理结果包括下采样处理结果和卷积处理结果，每一次下采样处理的输入为上一次下采样处理的输出；
特征图像确定子单元，用于根据第一预设数量中末次下采样卷积处理的下采样卷积处理结果，和其他下采样处理得到的其他卷积处理结果进行上采样卷积处理，得到目标特征图像；
语义分割模型确定子单元，用于基于目标特征图像对初始模型进行训练，得到病害语义分割模型。
在上述实施例的基础上，可选的，特征图像确定子单元，包括：
第一次上采样结果确定子子单元，用于对末次下采样卷积处理的下采样卷积处理结果进行第一次上采样卷积处理，得到第一上采样卷积处理结果；
特征图像生成子子单元，用于对上一次上采样卷积处理结果和其他卷积处理结果中对应的目标卷积处理结果进行后续上采样卷积处理，直至上采样卷积处理的数量达到第一预设数量，得到目标特征图像；其中，根据上一次上采样卷积处理结果的尺寸信息从其他卷积处理结果中确定对应的目标卷积处理结果。
在上述实施例的基础上，可选的，语义分割模型确定子单元，包括：
病害标记图像生成子子单元，用于根据目标特征图像，确定目标特征图像中历史病害范围，并在目标特征图像中进行标记，得到历史病害标记图像；
病害语义分割模型生成子子单元，用于根据历史病害标记图像与历史目标农作物图像的差异，对初始模型进行调整，得到病害语义分割模型。
在上述实施例的基础上，可选的，在样本图像获取单元之后，该装置还包括：
图像拆分单元，用于对样本数据图像进行拆分，得到训练数据图像集与测试数据图像集；
相应的，分割模型确定单元，包括：
初始模型训练子单元，用于通过训练数据图像集，对初始模型进行训练，得到初始病害语义分割模型；
模型测试子单元，用于通过测试数据图像集，对初始病害语义分割模型进行测试，得到病害语义分割模型。
在上述实施例的基础上，可选的，模型测试子单元，包括：
测试准确率确定子子单元，用于通过测试数据图像集，对初始病害语义分割模型进行测试，得到测试准确率；
测试停止子子单元，用于若测试准确率大于预设准确率，则停止测试，并将测试后的初始病害语义分割模型作为病害语义分割模型；
重新测试子子单元，用于否则，重新获取样本数据图像，并通过重新获取的样本数据图像对初始病害语义分割模型进行训练，直至测试准确率大于预设准确率。
本发明实施例所提供的农作物病害范围确定装置可执行本发明任意实施例所提供的农作物病害范围确定方法，具备执行方法相应的功能模块和有益效果。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如农作物病害范围确定方法。
在一些实施例中，农作物病害范围确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的农作物病害范围确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行农作物病害范围确定方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种农作物病害范围确定方法，其特征在于，包括：
获取目标农田的候选农作物图像；
将所述候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，得到标记农作物病害区域的目标农作物图像；
根据所述目标农作物图像，确定所述目标农田中的农作物病害范围；
所述病害语义分割模型用于对所述候选农作物图像进行第一预设数量的下采样卷积处理后，通过第一预设数量的上采样卷积处理，确定目标农作物图像；其中，上采样卷积处理的输入至少包括对应的下采样卷积处理结果。
2.根据权利要求1所述的方法，其特征在于，所述病害语义分割模型的训练过程包括：
获取至少一个农田的历史农作物图像以及历史目标农作物图像，作为样本数据图像；
将所述样本数据图像，输入到预先构建的所述病害语义分割模型的初始模型中，对所述初始模型进行训练，得到所述病害语义分割模型。
3.根据权利要求2所述的方法，其特征在于，将所述样本数据图像，输入到预先构建的所述病害语义分割模型的初始模型中，对所述初始模型进行训练，得到所述病害语义分割模型，包括：
对输入的所述历史农作物图像进行所述第一预设数量的所述下采样卷积处理，得到下采样卷积处理结果；其中，所述下采样卷积处理包括下采样处理和卷积处理，所述下采样卷积处理结果包括下采样处理结果和卷积处理结果，每一次所述下采样处理的输入为上一次所述下采样处理的输出；
根据所述第一预设数量中末次所述下采样卷积处理的所述下采样卷积处理结果，和其他所述下采样处理得到的其他所述卷积处理结果进行所述上采样卷积处理，得到目标特征图像；
基于所述目标特征图像对所述初始模型进行训练，得到所述病害语义分割模型。
4.根据权利要求3所述的方法，其特征在于，根据所述第一预设数量中末次所述下采样卷积处理的所述下采样卷积处理结果，和其他所述下采样处理得到的其他所述卷积处理结果进行所述上采样卷积处理，得到目标特征图像，包括：
对末次所述下采样卷积处理的所述下采样卷积处理结果进行第一次所述上采样卷积处理，得到第一上采样卷积处理结果；
对上一次所述上采样卷积处理结果和其他所述卷积处理结果中对应的目标卷积处理结果进行后续所述上采样卷积处理，直至所述上采样卷积处理的数量达到所述第一预设数量，得到所述目标特征图像；其中，根据上一次所述上采样卷积处理结果的尺寸信息从其他所述卷积处理结果中确定对应的所述目标卷积处理结果。
5.根据权利要求4所述的方法，其特征在于，基于所述目标特征图像对所述初始模型进行训练，得到所述病害语义分割模型，包括：
根据所述目标特征图像，确定所述目标特征图像中历史病害范围，并在所述目标特征图像中进行标记，得到历史病害标记图像；
根据所述历史病害标记图像与所述历史目标农作物图像的差异，对所述初始模型进行调整，得到所述病害语义分割模型。
6.根据权利要求3所述的方法，其特征在于，在获取至少一个农田的历史农作物图像以及历史目标农作物图像，作为样本数据图像之后，所述方法还包括：
对所述样本数据图像进行拆分，得到训练数据图像集与测试数据图像集；
相应的，将所述样本数据图像，输入到预先构建的所述病害语义分割模型的初始模型中，对所述初始模型进行训练，得到所述病害语义分割模型，包括：
通过所述训练数据图像集，对所述初始模型进行训练，得到初始病害语义分割模型；
通过所述测试数据图像集，对所述初始病害语义分割模型进行测试，得到所述病害语义分割模型。
7.根据权利要求6所述的方法，其特征在于，通过所述测试数据图像集，对所述初始病害语义分割模型进行测试，得到所述病害语义分割模型，包括：
通过所述测试数据图像集，对所述初始病害语义分割模型进行测试，得到测试准确率；
若所述测试准确率大于预设准确率，则停止测试，并将测试后的所述初始病害语义分割模型作为所述病害语义分割模型；
否则，重新获取所述样本数据图像，并通过重新获取的所述样本数据图像对所述初始病害语义分割模型进行训练，直至所述测试准确率大于预设准确率。
8.一种农作物病害范围确定装置，其特征在于，包括：
候选图像确定模块，用于获取目标农田的候选农作物图像；
目标图像确定模块，用于将所述候选农作物图像输入至预先训练的病害语义分割模型中进行图像语义分割，得到标记农作物病害区域的目标农作物图像；
病害范围确定模块，用于根据所述目标农作物图像，确定所述目标农田中的农作物病害范围；
所述病害语义分割模型用于对所述候选农作物图像进行第一预设数量的下采样卷积处理后，通过第一预设数量的上采样卷积处理，确定目标农作物图像；其中，上采样卷积处理的输入至少包括对应的下采样卷积处理结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的农作物病害范围确定方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的农作物病害范围确定方法。
CN202311684433.9A 2023-12-08 2023-12-08 一种农作物病害范围确定方法、装置及电子设备 Pending CN117671503A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311684433.9A CN117671503A (zh) 2023-12-08 2023-12-08 一种农作物病害范围确定方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311684433.9A CN117671503A (zh) 2023-12-08 2023-12-08 一种农作物病害范围确定方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN117671503A true CN117671503A (zh) 2024-03-08

Family

ID=90074874

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311684433.9A Pending CN117671503A (zh) 2023-12-08 2023-12-08 一种农作物病害范围确定方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN117671503A (zh)

Similar Documents

Publication Publication Date Title
CN113095336B (zh) 关键点检测模型的训练方法和检测目标对象关键点的方法
WO2022213718A1 (zh) 样本图像增量、图像检测模型训练及图像检测方法
CN113436100B (zh) 用于修复视频的方法、装置、设备、介质和产品
CN113065614B (zh) 分类模型的训练方法和对目标对象进行分类的方法
CN113344862B (zh) 缺陷检测方法、装置、电子设备及存储介质
CN113362314B (zh) 医学图像识别方法、识别模型训练方法及装置
CN116596854A (zh) 一种设备缺陷的识别方法、装置、设备及介质
CN114119990B (zh) 用于图像特征点匹配的方法、装置及计算机程序产品
CN114202648A (zh) 文本图像矫正方法、训练方法、装置、电子设备以及介质
CN113643260A (zh) 用于检测图像质量的方法、装置、设备、介质和产品
CN114494782B (zh) 图像处理方法、模型训练方法、相关装置及电子设备
CN114596362B (zh) 一种高点摄像头坐标计算方法、装置、电子设备及介质
CN117671503A (zh) 一种农作物病害范围确定方法、装置及电子设备
CN113032071A (zh) 页面元素定位方法、页面测试方法、装置、设备和介质
CN113313049A (zh) 超参数的确定方法、装置、设备、存储介质以及计算机程序产品
CN114926447B (zh) 用于训练模型的方法、用于检测目标的方法和装置
CN115471717B (zh) 模型的半监督训练、分类方法装置、设备、介质及产品
CN117739993B (zh) 一种机器人定位方法、装置、机器人及存储介质
CN116258769B (zh) 一种定位校验方法、装置、电子设备和存储介质
CN117893840B (zh) 一种痘痘严重程度分级方法、装置、电子设备及存储介质
CN114399555B (zh) 数据在线标定方法、装置、电子设备和计算机可读介质
CN115661211A (zh) 一种基于点云的物体检测方法、装置、设备及介质
CN117710459A (zh) 三维信息的确定方法、装置及计算机程序产品
CN116977930A (zh) 基于图像的油迹检测方法及装置
CN114757845A (zh) 基于人脸识别的光线调节方法、装置、电子设备及介质

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