CN110827269A - 农作物生长变化状况检测方法、装置、设备及介质 - Google Patents
农作物生长变化状况检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN110827269A CN110827269A CN201911096106.5A CN201911096106A CN110827269A CN 110827269 A CN110827269 A CN 110827269A CN 201911096106 A CN201911096106 A CN 201911096106A CN 110827269 A CN110827269 A CN 110827269A
- Authority
- CN
- China
- Prior art keywords
- preset
- sub
- crop growth
- picture
- detection
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 298
- 239000011159 matrix material Substances 0.000 claims description 132
- 238000012795 verification Methods 0.000 claims description 66
- 238000012545 processing Methods 0.000 claims description 60
- 238000012549 training Methods 0.000 claims description 52
- 238000011176 pooling Methods 0.000 claims description 46
- 238000013527 convolutional neural network Methods 0.000 claims description 27
- 238000000034 method Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012272 crop production Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种农作物生长变化状况检测方法、装置、设备和介质,所述农作物生长变化状况检测方法包括:接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片,将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果,将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果。本申请解决了农作物生长状况检测准确度低的技术问题。
Description
技术领域
本申请涉及金融科技的神经网络技术领域,尤其涉及一种农作物生长变化状况检测方法、装置、设备及介质。
背景技术
随着金融科技,尤其是互联网科技金融的不断发展,越来越多的技术(如分布式、区块链Blockchain、人工智能等)应用在金融领域,但金融业也对技术提出了更高的要求,如对金融业对应待办事项的分发也有更高的要求。
随着现代农业的逐步发展,人们通常会实时监控农作物的生长状况,进而通过掌握农作物的生长状况获取更高的农作物产量,目前,通常通过人工监控或者卫星遥感等技术来监控农作物的生长状况,但是通过人工监控通常是进行抽样检测农作物的生长状况,进而导致农作物的生长状况的检测结果准确度不高,而通过卫星遥感技术监控农作物的生长状况,对不同地块的农作物生长状况难以精确地分类统计,致使最后在总体统计分析方面也是不尽人意,进而导致农作物的生长状况的检测结果准确度不高,所以,现有技术中存在农作物生长状况检测准确度低的技术问题。
发明内容
本申请的主要目的在于提供一种农作物生长变化状况检测方法、装置、设备和介质,旨在解决现有技术中农作物生长状况检测准确度低的技术问题。
为实现上述目的,本申请提供一种农作物生长变化状况检测方法,所述农作物生长变化状况检测方法应用于农作物生长变化状况检测设备,所述农作物生长变化状况检测方法包括:
接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片;
将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果;
将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果。
可选地,所述子区域图片包括第一时间点子区域图片和第二时间点子区域图片,所述预设农作物生长变化状况检测模型包括卷积神经网络模型,
所述将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果的步骤包括:
将各所述子区域图片输入预设农作物生长变化状况检测模型中,以对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵;
将所述差分矩阵输入所述卷积神经网络模型,获得所述子区域检测结果。
可选地,所述对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵的步骤包括:
获取所述第一时间点子区域图片和所述第二时间点子区域图片分别对应的第一像素矩阵和第二像素矩阵;
对所述第一像素矩阵和所述第二像素矩阵进行减法运算,获得差分矩阵。
所述将所述差分矩阵输入所述卷积神经网络模型,获得子区域检测结果的步骤包括:
将所述差分矩阵输入所述卷积神经网络模型,对所述差分矩阵进行卷积处理,获得卷积处理结果;
对所述卷积处理结果进行池化处理,获得池化处理结果;
基于预设卷积池化次数,对所述池化处理结果重复进行卷积与池化交替处理,获得所述子区域检测结果。
可选地,所述将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果的步骤之前包括:
获取预设基础检测模型和预设训练数据,其中,所述预设训练数据包括训练差分矩阵和所述训练差分矩阵对应的理论输出结果;
将所述训练差分矩阵输入所述预设基础检测模型,获得实际输出结果;
将所述实际输出结果与所述理论输出结果进行比对,获得回归损失值;
基于所述回归损失值,对所述预设基础检测模型进行调整并重新进行训练,直至所述回归损失值小于所述预设回归损失阀值,获得所述预设农作物生长变化状况检测模型。
可选地,所述获得所述预设农作物生长变化状况检测模型的步骤之前,还包括:
获取预设验证数据,其中,所述预设验证数据包括验证差分矩阵和各所述验证差分矩阵对应的理论验证结果;
将各所述验证差分矩阵输入已经收敛的所述预设基础检测模型,获得实际验证结果;
将各所述实际验证结果与各所述理论验证结果进行比对,获得多个误差率;
将各所述误差率与预设标准误差率范围进行比对,统计处于所述预设标准误差率范围内的误差率数量,并统计所述误差率数量相对于所述多个误差率的数量占比;
若所述数量占比小于或者等于预设数量占比阀值,则基于所述数量占比,对所述预设基础检测模型进行调整并重新进行训练;
所述获得所述预设农作物生长变化状况检测模型的步骤,包括:
若所述数量占比大于预设数量占比阀值,则将对应训练得到的预设基础检测模型,确定为所述预设农作物生长变化状况检测模型。
可选地,所述子区域检测结果包括子区域农作物生长状况变化程度,
所述将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果的步骤包括:
基于所述子区域农作物生长状况变化程度,对各所述子区域检测结果进行标识,获得子区域生长变化程度标签;
获取所述待测农作物生长区域图片对应的分割模板,并将各所述子区域检测结果和各所述子区域生长变化程度标签导入所述分割模板,获得所述待测农作物生长区域检测结果。
本申请还提供一种农作物生长变化状况检测装置,所述农作物生长变化状况检测装置应用于农作物生长变化状况检测设备,所述农作物生长变化状况检测装置包括:
分割模块,用于所述接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片;
检测模块,用于所述将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果;
合并模块,用于所述将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果。
可选地,所述检测模块包括:
第一输入单元,用于将所述将各所述子区域图片输入预设农作物生长变化状况检测模型中,以对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵;
第二输入单元,用于所述将所述差分矩阵输入所述卷积神经网络模型,获得所述子区域检测结果。
可选地,所述第一输入单元包括:
获取子单元,用于所述获取所述第一时间点子区域图片和所述第二时间点子区域图片分别对应的第一像素矩阵和第二像素矩阵;
计算子单元,用于所述对所述第一像素矩阵和所述第二像素矩阵进行减法运算,获得差分矩阵。
可选地,所述第二输入单元包括:
卷积子单元,用于所述将所述差分矩阵输入所述卷积神经网络模型,对所述差分矩阵进行卷积处理,获得卷积处理结果;
池化子单元,用于所述对所述卷积处理结果进行池化处理,获得池化处理结果;
重复子单元,用于所述基于预设卷积池化次数,对所述池化处理结果重复进行卷积与池化交替处理,获得所述子区域检测结果。
可选地,所述农作物生长变化状况检测装置还包括:
第一获取单元,用于所述获取预设基础检测模型和预设训练数据,其中,所述预设训练数据包括训练差分矩阵和所述训练差分矩阵对应的理论输出结果;
交替处理单元,用于所述将所述训练差分矩阵输入所述预设基础检测模型,获得实际输出结果;
第一比对单元,用于所述将所述实际输出结果与所述理论输出结果进行比对,获得回归损失值;
第一调整单元,用于所述基于所述回归损失值,对所述预设基础检测模型进行调整并重新进行训练,直至所述回归损失值小于所述预设回归损失阀值,获得所述预设农作物生长变化状况检测模型。
可选地,所述农作物生长变化状况检测装置还包括:
第二获取单元,用于所述获取预设验证数据,其中,所述预设验证数据包括验证差分矩阵和各所述验证差分矩阵对应的理论验证结果;
第三输入单元,用于所述将各所述验证差分矩阵输入已经收敛的所述预设基础检测模型,获得实际验证结果;
第二比对单元,用于所述将各所述实际验证结果与各所述理论验证结果进行比对,获得多个误差率;
统计单元,用于所述将各所述误差率与预设标准误差率范围进行比对,统计处于所述预设标准误差率范围内的误差率数量,并统计所述误差率数量相对于所述多个误差率的数量占比;
第二调整单元,用于所述若所述数量占比小于或者等于预设数量占比阀值,则基于所述数量占比,对所述预设基础检测模型进行调整并重新进行训练;
确定单元,用于所述若所述数量占比大于预设数量占比阀值,则将对应训练得到的预设基础检测模型,确定为所述预设农作物生长变化状况检测模型。
可选地,所述合并模块包括:
标识单元,基于所述子区域农作物生长状况变化程度,对各所述子区域检测结果进行标识,获得子区域生长变化程度标签;
导入单元,用于所述获取所述待测农作物生长区域图片对应的分割模板,并将各所述子区域检测结果和各所述子区域生长变化程度标签导入所述分割模板,获得所述待测农作物生长区域检测结果。
本申请还提供一种农作物生长变化状况检测设备,所述农作物生长变化状况检测设备包括:存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的所述农作物生长变化状况检测方法的程序,所述农作物生长变化状况检测方法的程序被处理器执行时可实现如上述的农作物生长变化状况检测方法的步骤。
本申请还提供一种介质,所述介质为可读存储介质,且所述介质上存储有实现农作物生长变化状况检测方法的程序,所述农作物生长变化状况检测方法的程序被处理器执行时实现如上述的农作物生长变化状况检测方法的步骤。
本申请通过接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片,进而将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果,最后将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果。也即,本申请首先进行对所述待测农作物生长区域图片的分割,获得子区域图片,进而将各所述子区域图片输入预设农作物生长变化状况检测模型中,进行子区域检测结果的获取,进一步地,进行各所述子区域检测结果的合并,获得待测农作物生长区域检测结果。也即,本申请通过将待测农作物生长区域图片进行分割成多个子区域图片,进而对所述多个子区域图片对应的农作物生长状况分别进行检测,获得各所述子区域图片对应的子区域检测结果,进而通过合并各子区域检测结果获得待测农作物生长区域检测结果,所以,本申请可精准检测出待测农作物生长区域的整体农作物生长状况和各子区域生长状况分布状况,所以,解决了现有技术中农作物生长状况检测准确度低的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请实施例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简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请农作物生长变化状况检测方法第一实施例的流程示意图;
图2为本申请农作物生长变化状况检测方法中对待测农作物生长区域图片进行分割的示意图;
图3为本申请农作物生长变化状况检测方法中将各所述子区域检测结果进行合并的示意图;
图4为本申请农作物生长变化状况检测方法第二实施例的流程示意图;
图5为本申请农作物生长变化状况检测方法中获取所述子区域检测结果的流程示意图;
图6为本申请农作物生长变化状况检测方法第三实施例的流程示意图;
图7为本申请农作物生长变化状况检测方法中对预设基础检测模型进行训练的流程示意图;
图8为本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供一种农作物生长变化状况检测方法,所述农作物生长变化状况检测方法应用于农作物生长变化状况检测设备,在本申请农作物生长变化状况检测方法的第一实施例中,参照图1,所述农作物生长变化状况检测方法包括:
步骤S10,接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片;
在本实施例中,接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片,具体地,接收通过预设拍摄方式获取的待测农作物生长区域图片,其中,所述预设拍摄方式包括卫星拍摄、航拍拍摄、相机拍摄等方式,进一步地,如图2所述分割方式,其中,Sn为待测农作物生长区域图片,a1至a9为子区域图片,进而按照预设分割比例将所述待测农作物生长区域图片进行分割,获得子区域图片,例如,假设所述待测农作物生长区域图片的大小为X*Y,其中,图片为长方形,且X为图片长,Y为图片宽,预设分割比例为图片长分为a等分,图片宽分为b等分,则所述子区域图片大小为X/b*Y/a。
步骤S20,将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果;
在本实施例中,需要说明的是,所述预设农作物生长变化状况检测模型是训练好的且可靠的模型,所述子区域检测结果为一段预设时间段内的农作物生长变化状况,其中,所述预设时间段的第一个时间点为初始时间点,所述预设时间段的最后一个时间点为检测时间点,所述农作物生长变化状况包括农作物结果量变化状况、农作物产量变化状况、农作物开花量变化状况和农作物生长茂盛程度等生长变化状况。
将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果,具体地,将各所述子区域图片输入预设农作物生长变化状况检测模型中,以将所述初始时间点对应的子区域的图片和所述检测时间点对应的同一子区域的图片做帧差,获得各所述子区域图片对应的差分矩阵,进一步地,将所述差分矩阵输入预设农作物生长变化状况检测模型中的卷积神经网络模型,进而获得所述子区域检测结果。
步骤S30,将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果。
在本实施例中,需要说明的是,所述待测农作物生长区域检测结果为一段预设时间段内的农作物生长变化状况,其中,所述预设时间段的第一个时间点为初始时间点,所述预设时间段的最后一个时间点为检测时间点。
将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果,具体地,基于对所述待测农作物生长区域图片进行分割的分割方式,对各所述子区域检测结果反向进行合并,获得待测农作物生长区域检测结果,其中,所述待测农作物生长区域检测结果中包括所述待测农作物生长区域图片对应的整体区域农作物变化生长状况和各所述子区域图片对应的子区域农作物变化生长状况。
其中,所述子区域检测结果包括子区域农作物生长状况变化程度,
所述将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果的步骤包括:
步骤S31,基于所述子区域农作物生长状况变化程度,对各所述子区域检测结果进行标识,获得子区域生长变化程度标签;
在本实施例中,需要说明的是,所述子区域农作物生长状况变化程度包括子区域农作物产量变化状况、子区域农作物结果量变化状况、子区域农作物茂盛度变化状况等,所述子区域生长变化程度标签是用于标识所述子区域农作物生长状况变化程度的,例如,可设置所述子区域农作物生长状况变化程度越大,则所述子区域生长变化程度标签的颜色越深,且所述子区域生长变化程度标签包括二维码、条形码、图案、文字等标签。
基于所述子区域农作物生长状况变化程度,对各所述子区域检测结果进行标识,获得子区域生长变化程度标签,具体地,基对所述子区域农作物生长状况变化程度进行分级,获得各所述子区域检测结果的分级级别,并基于所述分级级别,对各所述子区域检测结果进行标识,获得所述子区域检测结果对应的子区域生长变化程度标签,例如,假设所述子区域农作物生长状况变化程度为农作物产量变化,并所述农作物产量变化分为3个级别,分别为亩产2000斤以上、亩产1500斤至2000斤和亩产1500斤以下,则设置亩产2000斤以上的子区域检测结果对应的子区域生长变化程度标签设置为红色,亩产1500斤至2000斤的子区域检测结果对应的子区域生长变化程度标签设置为黄色,亩产1500斤以下的子区域检测结果对应的子区域生长变化程度标签设置为白色。
步骤S32,获取所述待测农作物生长区域图片对应的分割模板,并将各所述子区域检测结果和各所述子区域生长变化程度标签导入所述分割模板,获得所述待测农作物生长区域检测结果。
在本实施例中,如图3所示,在图3中左侧图为导入了各所述子区域检测结果和各所述子区域生长变化程度标签之后的分割模板,其中,out1至out9中均包括其对应的子区域图片的子区域检测结果和子区域生长变化程度标签也即,out1至out9中均包括其对应子区域图片的子区域农作物变化生长状况和子区域生长变化程度标签,在图3中右侧图为所述待测农作物生长区域检测结果,其中,outall包括out1至out9和待测农作物生长区域图片对应的整体区域农作物变化生长状况,例如,假设右侧图为一动态图,点击所述outall,即可展示左侧图。
本实施例通过接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片,进而将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果,最后将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果。也即,本实施例首先进行对所述待测农作物生长区域图片的分割,获得子区域图片,进而将各所述子区域图片输入预设农作物生长变化状况检测模型中,进行子区域检测结果的获取,进一步地,进行各所述子区域检测结果的合并,获得待测农作物生长区域检测结果。也即,本实施例通过将待测农作物生长区域图片进行分割成多个子区域图片,进而对所述多个子区域图片对应的农作物生长状况分别进行检测,获得各所述子区域图片对应的子区域检测结果,进而通过合并各子区域检测结果获得待测农作物生长区域检测结果,所以,本实施例可精准检测出待测农作物生长区域的整体农作物生长状况和各子区域生长状况分布状况,所以,解决了现有技术中农作物生长状况检测准确度低的技术问题。
进一步地,参照图4,基于本申请中第一实施例,在农作物生长变化状况检测方法的另一实施例中,所述子区域图片包括第一时间点子区域图片和第二时间点子区域图片,所述预设农作物生长变化状况检测模型包括卷积神经网络模型,
所述将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果的步骤包括:
步骤S21,将各所述子区域图片输入预设农作物生长变化状况检测模型中,以对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵;
在本实施例中,需要说明的是,所述第一时间点子区域图片和所述第二时间点子区域图片均对应着所述待测农作物生长区域的同一子区域,所述第一时间点为预设时间段的初始时间点,所述第二时间点为预设时间段的检测时间点。
将各所述子区域图片输入预设农作物生长变化状况检测模型中,以对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵,具体地,将各所述子区域图片输入预设农作物生长变化状况检测模型中,以对所述第一时间点子区域图片和所述第二时间点子区域图片做帧差,也即,将所述第一时间点子区域图片对应的第一像素矩阵和所述第二时间点子区域图片对应的第二像素矩阵进行减法运算,获得差分矩阵,并将所述差分矩阵转化为差分矩阵,如图5所示为子区域检测结果获取的流程示意图,其中,a1m和a1n分别为所述第一时间点子区域图片和所述第二时间点子区域图片,dc11j为预设农作物生长变化状况检测模型的输入,CNN M2为所述预设农作物生长变化状况检测模型,out1为子区域检测结果。
其中,在步骤S21中,所述对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵的步骤包括:
步骤S211,获取所述第一时间点子区域图片和所述第二时间点子区域图片分别对应的第一像素矩阵和第二像素矩阵;
在本实施中,需要说明的是,所述第一时间点子区域图片和所述第二时间点子区域图片在计算机中均可以使用一数字矩阵表示,也即,所述第一时间点子区域图片和所述第二时间点子区域图片分别对应的第一像素矩阵和第二像素矩阵,其中,所述数字矩阵中的数值即为图片的像素值。
步骤S212,对所述第一像素矩阵和所述第二像素矩阵进行减法运算,获得差分矩阵;
在本实施例中,需要说明的是,所述第一像素矩阵和所述第二像素矩阵的规格是相同的,例如,假设所述第一像素矩阵为一个m*n的矩阵,则所述第二像素矩阵同样为一个m*n的矩阵。
对所述第一像素矩阵和所述第二像素矩阵进行减法运算,获得差分矩阵,具体地,将所述第一像素矩阵和所述第二像素矩阵中相应的像素值进行相减,获得差分矩阵。
步骤S22,将所述差分矩阵输入所述卷积神经网络模型,获得所述子区域检测结果;
在本实施例中,需要说明的是,所述卷积神经网络模型是基于深度学习已经训练好的模型,所述卷积神经网络模型包括卷积层、池化层、全连接层等数据处理层。
将所述差分矩阵输入所述卷积神经网络模型,获得所述子区域检测结果,具体地,将所述差分矩阵输入所述卷积神经网络模型,基于已经选择好的卷积层、池化层或者全连接层等数据处理层对所述差分矩阵进行数据处理,其中,所述数据处理包括卷积、池化和全连接等,进而获得所述子区域检测结果,其中,所述数据处理层的数量和类型可由用户自主选择使用。
其中,所述将所述差分矩阵输入所述卷积神经网络模型,获得子区域检测结果的步骤包括:
步骤S221,将所述差分矩阵输入所述卷积神经网络模型,对所述差分矩阵进行卷积处理,获得卷积处理结果;
在本实施例中,需要说明的是,卷积过程可以理解为:图像特征的一部分的统计特性与其他部分是一样的,即是在这一部分学习的统计特性也能出现在相应另一部分上,因而将学习到的统计特性作为探测器,应用到这个图像特征的任意地方中去,即通过小范围图像所学习到的统计特性跟原本的大尺寸图像的图像特征作卷积,在数学上,卷积可以是相应图像的特性矩阵与预先的多个探测矩阵相乘最后求和,得到卷积处理结果。
在本实施例中,基于所述多个预设图像特征和所述多个权值矩阵,对所述差分矩阵进行卷积处理,获得卷积处理结果,具体地,将所述差分矩阵对应的图像矩阵与所述权值矩阵进行点乘,然后进行权值求和,获得卷积处理结果。
步骤S223,对所述卷积处理结果进行池化处理,获得池化处理结果;
在本实施例中,池化处理包括最大值池化、均值池化等方式,对所述卷积处理结果进行池化处理,获得池化处理结果,具体地,首先将所述卷积处理结果分割为多个预设大小的像素矩阵,若为最大值池化,则使用像素矩阵的最大像素值代替所述像素矩阵,进而获得新的图像矩阵,也即,获得池化处理结果。
步骤S224,基于预设卷积池化次数,对所述池化处理结果重复进行卷积与池化交替处理,获得所述子区域检测结果。
在本实施例中,基于预设卷积池化次数,对所述池化处理结果重复进行卷积与池化交替处理,获得所述子区域检测结果,具体地,对步骤S222至步骤S223进行预设次数循环进行,直至所述卷积和池化交替处理的次数到达所述预设卷积池化次数,获得子区域检测结果。此外,在进行卷积和池化交替处理之后,还可选择在卷积神经网络模型中接入全连接层进行全连接以获取所述子区域检测结果,其中,所述全连接可视为一种特殊卷积处理,所述特殊卷积处理的结果为获得图像对应的一个一维向量,也即,通过全连接将所述多个子区域特征图转化为一个一维向量,且所述一维向量中包括所述一维向量对应差分矩阵的所有特征的组合信息,其中,所述组合信息包括农作物生长变化状况,进而获得所述子区域检测结果。
本实施例通过将各所述子区域图片输入预设农作物生长变化状况检测模型中,以对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵,进而将所述差分矩阵输入所述卷积神经网络模型,获得所述子区域检测结果。也即,本实施例中首先将各所述子区域图片输入预设农作物生长变化状况检测模型中,以进行对所述第一时间点子区域图片和所述第二时间点子区域图片的帧差处理,进而进行差分矩阵的获取,进一步地,将所述差分矩阵输入所述卷积神经网络模型,获得所述子区域检测结果。也即,本实施例提供了一种获取所述子区域检测结果的方法,即将各所述子区域图片输入预设农作物生长变化状况检测模型中,即可输出所述子区域检测结果,进而为获取所述待测农作物生长区域检测结果奠定了基础,所以,为解决现有技术中农作物生长状况检测准确度低的技术问题奠定了基础。
进一步地,参照图6,基于本申请中第一实施例和第二实施例,在农作物生长变化状况检测方法的另一实施例中,所述将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果的步骤之前包括:
步骤A10,获取预设基础检测模型和预设训练数据,其中,所述预设训练数据包括训练差分矩阵和所述训练差分矩阵对应的理论输出结果;
在本实施例中,需要说明的是,所述预设基础检测模型为未确定是否训练好的模型,通过对待拍摄区域在不同的m个时刻进行拍摄,则可得到m个时刻的图像数据,其中所述图像数据包括多个子区域的图片,进而,取其中两个时刻的子区域做帧差,即可获得所述训练差分矩阵,并且通过国家***等网站得到前m个时刻的图像上每一块区域的农作物生长状况,进而可获取m个时刻中任意两时刻的农作物生产变化状况,也即,获得所述训练差分矩阵对应的理论输出结果。
步骤A20,将所述训练差分矩阵输入所述预设基础检测模型,获得实际输出结果;
在本实施例中,需要说明的是,所述卷积指的是对图像对应的图像矩阵和卷积核进行逐个元素相乘再求和,获得图像特征值的过程,其中,所述卷积核指的是差分矩阵特征对应的权值矩阵,所述池化指的是对通过卷积而获得的图像特征值进行整合,从而获得新的特征值的过程。
将所述训练差分矩阵输入所述预设基础检测模型,获得实际输出结果,具体地,将所述差分矩阵输入所述预设基础检测模型,基于已经选择好的卷积层、池化层或者全连接层等数据处理层对所述训练差分矩阵进行数据处理,其中,所述数据处理包括卷积、池化和全连接等,进而获得所述实际输出结果,其中,所述数据处理层的数量和类型可由用户自主选择使用。
步骤A30,将所述实际输出结果与所述理论输出结果进行比对,获得回归损失值;
在本实施例中,将所述实际输出结果与所述理论输出结果进行比对,获得回归损失值,具体地,将所述实际输出结果与所述理论输出结果进行比对,获得所述实际输出结果与所述理论输出结果的差值,并计算所述差值与所述理论输出结果的比值,所述比值即为回归损失值,也即,获得回归损失值。
步骤A40,基于所述回归损失值,对所述预设基础检测模型进行调整并重新进行训练,直至所述回归损失值小于所述预设回归损失阀值,获得所述预设农作物生长变化状况检测模型。
在本实施例中,基于所述回归损失值,对所述预设基础检测模型进行调整并重新进行训练,直至所述回归损失值小于所述预设回归损失阀值,获得所述预设农作物生长变化状况检测模型,具体地,将所述回归损失值与预设回归损失阀值进行对比,当所述回归损失值小于所述预设回归损失阀值时,获得所述预设基础检测模型对应的验证模型,当所述回归损失值大于或者等于所述预设回归损失阀值时,调整所述预设基础检测模型中的所述权重矩阵,并重新进行训练,直至所述回归损失值小于所述预设回归损失阀值时,将所述预设基础检测模型设置为所述预设农作物生长变化状况检测模型,其中,需要说明的是,所述预设回归损失阀值可通过用户输入或者使用***默认阀值,且所述预设回归损失阀值越小,则所述预设农作物生长变化状况检测模型的检测精度越高,如图7所示为对预设基础检测模型进行训练的过程示意图,其中,a1i和a1j两张图片做帧差获得所述训练差分矩阵,da11j为预设基础检测模型的输入,dp11j为模型的理论输出结果,CNN M1为所述预设基础检测模型,进而将da11j输入CNN M1,然后将CNN M1的输出与dp11j进行对比,获得回归损失值,也即,将实际输出结果与理论输出结果进行对比,获得回归损失值。
其中,所述获得所述预设农作物生长变化状况检测模型的步骤之前包括:
步骤B10,获取预设验证数据,其中,所述预设验证数据包括验证差分矩阵和各所述验证差分矩阵对应的理论验证结果;
在本实施例中,需要说明的是,通过对待拍摄区域在不同的m个时刻进行拍摄,则可得到m个时刻的图像数据,其中所述图像数据包括多个子区域的图片,进而,取其中两个时刻的子区域做帧差,即可获得所述验证差分矩阵,并且通过国家***等网站得到前m个时刻的图像上每一块区域的农作物生长状况,进而可获取m个时刻中任意两时刻的农作物生产变化状况,也即,获得所述验证差分矩阵对应的理论验证结果。
步骤B20,将各所述验证差分矩阵输入已经收敛的所述预设基础检测模型,获得实际验证结果;
在本实施例中,需要说明的是,所述已经收敛的所述预设基础检测模型指的是所述预设基础检测模型的回归损失值小于所述预设回归损失阀值的预测基础检测模型。
将各所述验证差分矩阵输入已经收敛的所述预设基础检测模型,获得实际验证结果,具体地,将所述验证差分矩阵输入已经收敛的所述预设基础检测模型,基于已经选择好的卷积层、池化层或者全连接层等数据处理层对所述验证差分矩阵进行数据处理,其中,所述数据处理包括卷积、池化和全连接等,进而获得所述实际验证结果,其中,所述数据处理层的数量和类型可由用户自主选择使用。
步骤B30,将各所述实际验证结果与各所述理论验证结果进行比对,获得多个误差率;
在本实施例中,需要说明的是,所述实际验证结果的数量可保证对所述验证模型进行验证的可靠性,将各所述实际验证结果与各所述理论验证结果进行比对,获得多个误差率,具体地,将各所述实际验证结果与各所述实际验证结果分别相对应的各所述理论验证结果进行对比,计算各所述实际验证结果与各所述理论验证结果的多个误差值,进而计算所述误差值与所述理论验证结果之间的比值,获得多个误差率,例如,假设所述实际验证结果为农作物产量亩产900斤,所述理论验证结果为农作物产量亩产1000斤,则所述误差值为100斤,所述误差率为10%。
步骤B40,将各所述误差率与预设标准误差率范围进行比对,统计处于所述预设标准误差率范围内的误差率数量,并统计所述误差率数量相对于所述多个误差率的数量占比;
在本实施例中,将各所述误差率与预设标准误差率范围进行比对,统计处于所述预设标准误差率范围内的误差率数量,并统计所述误差率数量相对于所述多个误差率的数量占比,具体地,将各所述误差率与预设标准误差率范围进行比对,统计处于所述预设标准误差率范围内的误差率数量,进而计算所述误差率数量与所述多个误差率的数量之间的比值,获得所述数量占比。
步骤B50,若所述数量占比小于或者等于预设数量占比阀值,则基于所述数量占比,对所述预设基础检测模型进行调整并重新进行训练;
在本实施例中,若所述数量占比小于或者等于预设数量占比阀值,则基于所述数量占比,对所述预设基础检测模型进行调整并重新进行训练,具体地,若所述数量占比小于或者等于预设数量占比阀值,则基于所述数量占比小于或者等于所述预设数量占比阀值,调整所述预设基础检测模型中的所述权值矩阵,并进行重新训练和验证,直至所述数量占比大于预设数量占比阀值。
其中,所述获得所述预设农作物生长变化状况检测模型的步骤,包括:
步骤B60,若所述数量占比大于预设数量占比阀值,则将对应训练得到的预设基础检测模型,确定为所述预设农作物生长变化状况检测模型。
在本实施例中,需要说明的是,若所述数量占比大于预设数量占比阀值,则确定所述预设基础检测模型的预测准确率已达到所述预设农作物生长变化状况检测模型的要求,也即,可将所述预设基础检测模型作为所述预设农作物生长变化状况检测模型。
本实施例通过获取预设基础检测模型和预设训练数据,其中,所述预设训练数据包括训练差分矩阵和所述训练差分矩阵对应的理论输出结果,进而将将所述训练差分矩阵输入所述预设基础检测模型,以对所述训练差分矩阵进行预设次数的卷积和池化交替处理,获得实际输出结果,并将所述实际输出结果与所述理论输出结果进行比对,获得回归损失值,最后,基于所述回归损失值,对所述预设基础检测模型进行调整并重新进行训练,直至所述回归损失值小于所述预设回归损失阀值,获得所述预设农作物生长变化状况检测模型。也即,本实施例首先进行预设基础检测模型和预设训练数据的获取,进而将所述训练差分矩阵输入所述预设基础检测模型,获得实际输出结果,进而进行所述实际输出结果与所述理论输出结果的比对,获得回归损失值,最后,基于所述回归损失值,对所述预设基础检测模型进行调整并重新进行训练,直至所述回归损失值小于所述预设回归损失阀值,获得所述预设农作物生长变化状况检测模型。也即,本申请提供了一种预设农作物生长变化状况检测模型的训练获取方法,可将所述预设基础检测模型训练成为所述预设农作物生长变化状况检测模型,进而为获取所述子区域检测结果奠定了基础,所以,为解决现有技术中农作物生长状况检测准确度低的技术问题奠定了基础。
参照图8,图8是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
如图8所示,该农作物生长变化状况检测设备可以包括:处理器1001,例如CPU,存储器1005,通信总线1002。其中,通信总线1002用于实现处理器1001和存储器1005之间的连接通信。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatilememory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
可选地,该农作物生长变化状况检测设备还可以包括矩形用户接口、网络接口、摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。矩形用户接口可以包括显示屏(Display)、输入子模块比如键盘(Keyboard),可选矩形用户接口还可以包括标准的有线接口、无线接口。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。
本领域技术人员可以理解,图8中示出的农作物生长变化状况检测设备结构并不构成对农作物生长变化状况检测设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图8所示,作为一种计算机存储介质的存储器1005中可以包括操作***、网络通信模块以及农作物生长变化状况检测程序。操作***是管理和控制农作物生长变化状况检测设备硬件和软件资源的程序,支持农作物生长变化状况检测程序以及其它软件和/或程序的运行。网络通信模块用于实现存储器1005内部各组件之间的通信,以及与农作物生长变化状况检测***中其它硬件和软件之间通信。
在图8所示的农作物生长变化状况检测设备中,处理器1001用于执行存储器1005中存储的农作物生长变化状况检测程序,实现上述任一项所述的农作物生长变化状况检测方法的步骤。
本申请农作物生长变化状况检测设备具体实施方式与上述农作物生长变化状况检测方法各实施例基本相同,在此不再赘述。
本申请实施例还提供一种农作物生长变化状况检测装置,所述农作物生长变化状况检测装置包括:
分割模块,用于所述接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片;
检测模块,用于所述将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果;
合并模块,用于所述将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果。
可选地,所述检测模块包括:
第一输入单元,用于将所述将各所述子区域图片输入预设农作物生长变化状况检测模型中,以对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵;
第二输入单元,用于所述将所述差分矩阵输入所述卷积神经网络模型,获得所述子区域检测结果。
可选地,所述第一输入单元包括:
获取子单元,用于所述获取所述第一时间点子区域图片和所述第二时间点子区域图片分别对应的第一像素矩阵和第二像素矩阵;
计算子单元,用于所述对所述第一像素矩阵和所述第二像素矩阵进行减法运算,获得差分矩阵。
可选地,所述第二输入单元包括:
卷积子单元,用于所述将所述差分矩阵输入所述卷积神经网络模型,对所述差分矩阵进行卷积处理,获得卷积处理结果;
池化子单元,用于所述对所述卷积处理结果进行池化处理,获得池化处理结果;
重复子单元,用于所述基于预设卷积池化次数,对所述池化处理结果重复进行卷积与池化交替处理,获得所述子区域检测结果。
可选地,所述农作物生长变化状况检测装置还包括:
第一获取单元,用于所述获取预设基础检测模型和预设训练数据,其中,所述预设训练数据包括训练差分矩阵和所述训练差分矩阵对应的理论输出结果;
交替处理单元,用于所述将所述训练差分矩阵输入所述预设基础检测模型,获得实际输出结果;
第一比对单元,用于所述将所述实际输出结果与所述理论输出结果进行比对,获得回归损失值;
第一调整单元,用于所述基于所述回归损失值,对所述预设基础检测模型进行调整并重新进行训练,直至所述回归损失值小于所述预设回归损失阀值,获得所述预设农作物生长变化状况检测模型。
可选地,所述农作物生长变化状况检测装置还包括:
第二获取单元,用于所述获取预设验证数据,其中,所述预设验证数据包括验证差分矩阵和各所述验证差分矩阵对应的理论验证结果;
第三输入单元,用于所述将各所述验证差分矩阵输入已经收敛的所述预设基础检测模型,获得实际验证结果;
第二比对单元,用于所述将各所述实际验证结果与各所述理论验证结果进行比对,获得多个误差率;
统计单元,用于所述将各所述误差率与预设标准误差率范围进行比对,统计处于所述预设标准误差率范围内的误差率数量,并统计所述误差率数量相对于所述多个误差率的数量占比;
第二调整单元,用于所述若所述数量占比小于或者等于预设数量占比阀值,则基于所述数量占比,对所述预设基础检测模型进行调整并重新进行训练;
确定单元,用于所述若所述数量占比大于预设数量占比阀值,则将对应训练得到的预设基础检测模型,确定为所述预设农作物生长变化状况检测模型。
可选地,所述合并模块包括:
标识单元,基于所述子区域农作物生长状况变化程度,对各所述子区域检测结果进行标识,获得子区域生长变化程度标签;
导入单元,用于所述获取所述待测农作物生长区域图片对应的分割模板,并将各所述子区域检测结果和各所述子区域生长变化程度标签导入所述分割模板,获得所述待测农作物生长区域检测结果。
本申请农作物生长变化状况检测装置的具体实施方式与上述农作物生长变化状况检测方法各实施例基本相同,在此不再赘述。
本申请实施例提供了一种介质,所述介质为可读存储介质,且所述介质存储有一个或者一个以上程序,所述一个或者一个以上程序还可被一个或者一个以上的处理器执行以用于实现上述任一项所述的农作物生长变化状况检测方法的步骤。
本申请介质的具体实施方式与上述农作物生长变化状况检测方法各实施例基本相同,在此不再赘述。
以上仅为本申请的优选实施例,并非因此限制本申请的专利范围,凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本申请的专利处理范围内。
Claims (10)
1.一种农作物生长变化状况检测方法,其特征在于,所述农作物生长变化状况检测方法包括:
接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片;
将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果;
将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果。
2.如权利要求1所述农作物生长变化状况检测方法,其特征在于,所述子区域图片包括第一时间点子区域图片和第二时间点子区域图片,所述预设农作物生长变化状况检测模型包括卷积神经网络模型,
所述将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果的步骤包括:
将各所述子区域图片输入预设农作物生长变化状况检测模型中,以对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵;
将所述差分矩阵输入所述卷积神经网络模型,获得所述子区域检测结果。
3.如权利要求2所述农作物生长变化状况检测方法,其特征在于,所述对所述第一时间点子区域图片和所述第二时间点子区域图片进行帧差处理,获得差分矩阵的步骤包括:
获取所述第一时间点子区域图片和所述第二时间点子区域图片分别对应的第一像素矩阵和第二像素矩阵;
对所述第一像素矩阵和所述第二像素矩阵进行减法运算,获得差分矩阵。
4.如权利要求2所述农作物生长变化状况检测方法,其特征在于,所述将所述差分矩阵输入所述卷积神经网络模型,获得子区域检测结果的步骤包括:
将所述差分矩阵输入所述卷积神经网络模型,对所述差分矩阵进行卷积处理,获得卷积处理结果;
对所述卷积处理结果进行池化处理,获得池化处理结果;
基于预设卷积池化次数,对所述池化处理结果重复进行卷积与池化交替处理,获得所述子区域检测结果。
5.如权利要求1所述农作物生长变化状况检测方法,其特征在于,所述将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果的步骤之前包括:
获取预设基础检测模型和预设训练数据,其中,所述预设训练数据包括训练差分矩阵和所述训练差分矩阵对应的理论输出结果;
将所述训练差分矩阵输入所述预设基础检测模型,获得实际输出结果;
将所述实际输出结果与所述理论输出结果进行比对,获得回归损失值;
基于所述回归损失值,对所述预设基础检测模型进行调整并重新进行训练,直至所述回归损失值小于所述预设回归损失阀值,获得所述预设农作物生长变化状况检测模型。
6.如权利要求5所述农作物生长变化状况检测方法,其特征在于,所述获得所述预设农作物生长变化状况检测模型的步骤之前,还包括:
获取预设验证数据,其中,所述预设验证数据包括验证差分矩阵和各所述验证差分矩阵对应的理论验证结果;
将各所述验证差分矩阵输入已经收敛的所述预设基础检测模型,获得实际验证结果;
将各所述实际验证结果与各所述理论验证结果进行比对,获得多个误差率;
将各所述误差率与预设标准误差率范围进行比对,统计处于所述预设标准误差率范围内的误差率数量,并统计所述误差率数量相对于所述多个误差率的数量占比;
若所述数量占比小于或者等于预设数量占比阀值,则基于所述数量占比,对所述预设基础检测模型进行调整并重新进行训练;
所述获得所述预设农作物生长变化状况检测模型的步骤,包括:
若所述数量占比大于预设数量占比阀值,则将对应训练得到的预设基础检测模型,确定为所述预设农作物生长变化状况检测模型。
7.如权利要求1所述农作物生长变化状况检测方法,其特征在于,所述子区域检测结果包括子区域农作物生长状况变化程度,
所述将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果的步骤包括:
基于所述子区域农作物生长状况变化程度,对各所述子区域检测结果进行标识,获得子区域生长变化程度标签;
获取所述待测农作物生长区域图片对应的分割模板,并将各所述子区域检测结果和各所述子区域生长变化程度标签导入所述分割模板,获得所述待测农作物生长区域检测结果。
8.一种农作物生长变化状况监测装置,其特征在于,所述农作物生长变化状况监测装置应用于农作物生长变化状况监测设备,所述农作物生长变化状况监测装置包括:
分割模块,用于所述接收待测农作物生长区域图片,并对所述待测农作物生长区域图片进行分割,获得子区域图片;
检测模块,用于所述将各所述子区域图片输入预设农作物生长变化状况检测模型,获得子区域检测结果;
合并模块,用于所述将各所述子区域检测结果进行合并,获得待测农作物生长区域检测结果。
9.一种农作物生长变化状况监测设备,其特征在于,所述农作物生长变化状况监测设备包括:存储器、处理器以及存储在存储器上的用于实现所述农作物生长变化状况检测方法的程序,
所述存储器用于存储实现农作物生长变化状况检测方法的程序;
所述处理器用于执行实现所述农作物生长变化状况检测方法的程序,以实现如权利要求1至7中任一项所述农作物生长变化状况检测方法的步骤。
10.一种介质,其特征在于,所述介质上存储有实现农作物生长变化状况检测方法的程序,所述实现农作物生长变化状况检测方法的程序被处理器执行以实现如权利要求1至7中任一项所述农作物生长变化状况检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096106.5A CN110827269B (zh) | 2019-11-11 | 2019-11-11 | 农作物生长变化状况检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911096106.5A CN110827269B (zh) | 2019-11-11 | 2019-11-11 | 农作物生长变化状况检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827269A true CN110827269A (zh) | 2020-02-21 |
CN110827269B CN110827269B (zh) | 2024-03-05 |
Family
ID=69553956
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911096106.5A Active CN110827269B (zh) | 2019-11-11 | 2019-11-11 | 农作物生长变化状况检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827269B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369152A (zh) * | 2020-03-06 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 农业土地价值评估优化方法、装置、设备及可读存储介质 |
CN112800929A (zh) * | 2021-01-25 | 2021-05-14 | 安徽农业大学 | 一种基于深度学习的竹笋数量与高生长率的在线监测方法 |
CN113418509A (zh) * | 2021-05-20 | 2021-09-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种用于农业的自动对靶检测装置及检测方法 |
CN116228454A (zh) * | 2023-03-20 | 2023-06-06 | 广东七天牧草种养殖有限公司 | 一种基于大数据的种植管理控制方法、***和可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201010435A (en) * | 2008-08-22 | 2010-03-01 | Hon Hai Prec Ind Co Ltd | Video monitoring system and method thereof |
CN108198239A (zh) * | 2017-12-27 | 2018-06-22 | 中山大学 | 一种实现血管动态仿真的三维可视化方法 |
CN108776772A (zh) * | 2018-05-02 | 2018-11-09 | 北京佳格天地科技有限公司 | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 |
CN110163294A (zh) * | 2019-05-29 | 2019-08-23 | 广东工业大学 | 基于降维操作和卷积网络的遥感图像变化区域检测方法 |
CN110378224A (zh) * | 2019-06-14 | 2019-10-25 | 香港理工大学深圳研究院 | 一种地物变化的检测方法、检测***及终端 |
-
2019
- 2019-11-11 CN CN201911096106.5A patent/CN110827269B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201010435A (en) * | 2008-08-22 | 2010-03-01 | Hon Hai Prec Ind Co Ltd | Video monitoring system and method thereof |
CN108198239A (zh) * | 2017-12-27 | 2018-06-22 | 中山大学 | 一种实现血管动态仿真的三维可视化方法 |
CN108776772A (zh) * | 2018-05-02 | 2018-11-09 | 北京佳格天地科技有限公司 | 一种跨时间建筑物变化检测建模方法以及检测装置、方法及存储介质 |
CN110163294A (zh) * | 2019-05-29 | 2019-08-23 | 广东工业大学 | 基于降维操作和卷积网络的遥感图像变化区域检测方法 |
CN110378224A (zh) * | 2019-06-14 | 2019-10-25 | 香港理工大学深圳研究院 | 一种地物变化的检测方法、检测***及终端 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111369152A (zh) * | 2020-03-06 | 2020-07-03 | 深圳前海微众银行股份有限公司 | 农业土地价值评估优化方法、装置、设备及可读存储介质 |
CN111369152B (zh) * | 2020-03-06 | 2024-07-19 | 深圳前海微众银行股份有限公司 | 农业土地价值评估优化方法、装置、设备及可读存储介质 |
CN112800929A (zh) * | 2021-01-25 | 2021-05-14 | 安徽农业大学 | 一种基于深度学习的竹笋数量与高生长率的在线监测方法 |
CN113418509A (zh) * | 2021-05-20 | 2021-09-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种用于农业的自动对靶检测装置及检测方法 |
CN116228454A (zh) * | 2023-03-20 | 2023-06-06 | 广东七天牧草种养殖有限公司 | 一种基于大数据的种植管理控制方法、***和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110827269B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110827269A (zh) | 农作物生长变化状况检测方法、装置、设备及介质 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
KR101967089B1 (ko) | 컨볼루션 신경망 기반의 완전 기준 이미지 품질 평가 | |
CN111754498B (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN113159300B (zh) | 图像检测神经网络模型及其训练方法、图像检测方法 | |
CN108337505B (zh) | 信息获取方法和装置 | |
US11915430B2 (en) | Image analysis apparatus, image analysis method, and storage medium to display information representing flow quantity | |
CN110766007A (zh) | 证件遮挡检测方法、装置、设备及可读存储介质 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN111814776B (zh) | 一种图像处理方法、设备、服务器及存储介质 | |
CN117710756B (zh) | 一种目标检测及模型训练方法、装置、设备、介质 | |
CN115880260A (zh) | 基站施工的检测方法、装置、设备及计算机可读存储介质 | |
CN111950457A (zh) | 油田安全生产图像识别方法及*** | |
CN112052702A (zh) | 一种识别二维码的方法和装置 | |
CN111369152A (zh) | 农业土地价值评估优化方法、装置、设备及可读存储介质 | |
CN111783528B (zh) | 监控货架上的物品的方法、计算机和*** | |
CN116630367B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN116091874B (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
CN112784494A (zh) | 假阳性识别模型的训练方法、目标识别方法及装置 | |
CN112364918A (zh) | 异常识别方法、终端和计算机可读存储介质 | |
CN112381177A (zh) | 一种基于深度学习的表盘数字字符识别方法及*** | |
CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
CN112686851A (zh) | 一种图像检测方法、装置及存储介质 | |
CN114764833A (zh) | 植物生长曲线确定方法、装置、电子设备及介质 | |
CN111402275A (zh) | 镂空检测方法、***、设备及存储介质 |
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 |