CN113011220A - 穗数识别方法、装置、存储介质及处理器 - Google Patents
穗数识别方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN113011220A CN113011220A CN201911319103.3A CN201911319103A CN113011220A CN 113011220 A CN113011220 A CN 113011220A CN 201911319103 A CN201911319103 A CN 201911319103A CN 113011220 A CN113011220 A CN 113011220A
- Authority
- CN
- China
- Prior art keywords
- area
- target area
- image
- crop
- target
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 210000005069 ears Anatomy 0.000 claims abstract description 63
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 241000196324 Embryophyta Species 0.000 description 49
- 238000001914 filtration Methods 0.000 description 26
- 241001024327 Oenanthe <Aves> Species 0.000 description 24
- 230000008569 process Effects 0.000 description 21
- 241000209140 Triticum Species 0.000 description 20
- 235000021307 Triticum Nutrition 0.000 description 18
- 238000012545 processing Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 9
- 241000495841 Oenanthe oenanthe Species 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 6
- 235000013339 cereals Nutrition 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011946 reduction process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000009313 farming Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了穗数识别方法、装置、存储介质及处理器。其中,该方法包括:获取目标区域的图像;将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签;基于果穗的分布信息确定目标区域中植株的果穗数。本申请解决了相关技术中果穗数量统计速度慢且产量测量精度较低的的技术问题。
Description
技术领域
本申请涉及农作物产量预测领域,具体而言,涉及穗数识别方法、装置、存储介质及处理器。
背景技术
目前谷物类产量统计方法,比较粗放,测量精度比较低,并且需要大量的人工去做基础的统计,这种产量统计方法很难在大农场去应用,因为统计需要大量的工作量,耗费时间长,很难在最佳的时间点统一完成。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种穗数识别方法、装置、存储介质及处理器,以至少解决相关技术中果穗数量统计速度慢且产量测量精度较低的的技术问题。
根据本申请实施例的一个方面,提供了一种穗数识别方法,包括:获取目标区域的图像;将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签;基于果穗的分布信息确定目标区域中植株的果穗数。
可选地,方法还包括:获取目标区域中单位面积的果穗数,以及基准穗数的平均质量;基于单位面积的果穗数和基准穗数的平均质量确定目标区域的作物产量。
可选地,获取目标区域中单位面积的果穗数,包括:获取多个作物区域的图像信息;将多个作物区域的图像信息分别输入至预设学习模型进行分析,得到多个作物区域的果穗分布信息;基于果穗分布信息确定多个作物区域中各个作物区域的果穗数量;依据各个作物区域的果穗数量和各个作物区域的面积,确定目标区域中单位面积的果穗数。
可选地,基于单位面积的果穗数和基准穗数的平均质量确定目标区域的作物产量之后,方法还包括:将目标区域的作物产量添加至电子地图中,其中,该电子地图用于展示至少一个作物区域的产量;在电子地图中展示目标区域的作物产量。
可选地,将目标区域的作物产量添加至电子地图中,包括:在电子地图中创建目标图层;将目标区域的作物产量添加至目标图层中,并设置目标区域的作物产量的显示属性。
可选地,上述方法还包括:检测目标对象在电子地图中的框选区域;确定框选区域在目标区域中的占比,其中,该占比用于指示框选区域的面积与目标区域的面积的比值;依据占比和目标区域的作物产量确定框选区域中目标作物的产量。
可选地,其特征在于,多组训练数据中的标签为用于标记果穗中心点的标签。
根据本申请实施例的另一方面,提供了一种测量***,包括:无人机,用于获取目标区域的图像;网络侧设备,用于将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签;基于果穗的分布信息确定目标区域中植株的果穗数。
根据本申请实施例的又一方面,提供了一种穗数识别装置,包括:获取模块,用于获取目标区域的图像;分析模块,用于将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签;确定模块,用于基于果穗的分布信息确定目标区域中植株的果穗数。
根据本申请实施例的又一方面,提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行以上所述的穗数识别方法
在本申请实施例中,穗数识别方法为:获取目标区域的图像;将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签;基于果穗的分布信息确定目标区域中植株的果穗数。。基于上述方案,由于可以采用预设学习模型对目标区域的图像进行分析,根据分析结果统计果穗的数量。因此,实现了果穗数的自动识别,从而代替了人工统计的方案,达到了快速、精确地统计目标区域的果穗数量的目的,从而解决了相关技术中果穗数量统计速度慢且产量测量精度较低的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种穗数识别方法的流程示意图;
图2是根据本申请实施例的一种麦穗中心点标注示意图;
图3是根据本申请实施例的一种网络的基础结构示意图;
图4是根据本申请实施例的一种中心高斯处理示意图;
图5是根据本申请实施例的一种测量***的结构示意图;
图6是根据本申请实施例的一种穗数识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请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,以便这里描述的本申请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、***、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。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
高斯滤波:是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗地讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模版(或称卷积、掩模)扫描图像中的每一个像素,用模版确定的邻域内像素的加权平均灰度值去替代模版中心像素点的值。
根据本申请实施例,提供了一种穗数识别的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的一种穗数识别方法,如图1所示,该方法包括如下步骤:
步骤S102,获取目标区域的图像。
具体地,目标区域为果穗生长的地块。在本申请可选实施例中,上述麦穗可以为麦穗。其中,获取麦穗生长地块的图像的方式有多种,例如:可以利用测绘无人机航拍得到麦穗生长地块的图像,将航拍得到的图像存储至存储器中,在进行穗数识别时从网络侧获取图像即可;或者可以人工拍摄麦穗生长地块的图像,拍摄完成后,在进行穗数识别时,手动将拍摄的图像输入至处理模块。
步骤S104,将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签。
具体地,多组训练数据中的标签为用于标记麦穗中心点的标签,麦穗中心点标注的示意图如图2所示;植株的麦穗分布信息可以为麦穗的中心点在目标区域图像中分布的位置、密度等;植株的图像信息可以包括:每个植株生长的位置、植株的密度等。
具体地,上述深度学习过程可以采用预设学习模型进行处理,预设学习模型的网络基础结构如图3所示,该网络的基础结构可以包括以下四个部分:Image单元,作为网络的输入部分;同卷积神经网络Encoder和Decoder单元,作为对图像的处理单元;Output单元,作为网络的输出部分。预设学习模型可以对拍摄的目标区域的图像执行以下操作:首先将原始拍摄的目标区域的RGB图片输入至Image单元,然后经过同卷积神经网络Encoder和Decoder单元进行处理,最后从Output单元输出和上述标注类似的内容。
在本申请的一些实施例中,由于麦穗本身比较小,并且存在交叉问题,用传统的图像算法很难准确地统计出麦穗的数量,因此本方案采用深度学习的方式直接分割出麦穗的中心点,进而统计麦穗的数量。首先我们对每一株小麦进行中心点的标注,以麦穗的中心为标准进行点的标注,为了方便深度学习完成分割,需要对中心点进行高斯滤波处理。麦穗的中心点标注示意图经过高斯滤波处理后,得到的中心高斯处理示意图如图4所示。
步骤S106,基于果穗的分布信息确定目标区域中植株的果穗数。
在本申请的一些实施例中,基于麦穗的分布信息确定目标区域中植株的麦穗数之前,上述方法还可以执行以下操作,即对麦穗的分布信息中的麦穗进行滤波处理,经过滤波处理后得到目标分布信息。其中,上述滤波处理在本申请可选实施例中可以是高斯滤波处理。
具体地,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗地讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模版(或称卷积、掩模)扫描图像中的每一个像素,用模版确定的邻域内像素的加权平均灰度值去替代模版中心像素点的值。
在本申请的一些实施例中,上述方法还包括:获取目标区域中单位面积的麦穗数,以及基准穗数的平均质量,然后依据单位面积的麦穗数和基准穗数的平均质量确定目标区域的作物产量。
具体地,基准穗数的平均质量可以是一千个麦穗的质量,计算基准穗数的平均质量时,可以采取以下方式:例如:从植株上获取五千个麦穗,将五千个麦穗平均分成五组,分别称量五组麦穗的质量,然后取五组麦穗质量的平均值作为基准穗数的平均质量。
在本申请的一些实施例中,获取目标区域中单位面积的麦穗数,包括:获取多个作物区域的图像信息,并将多个作物区域的图像信息分别输入至预设学习模型进行分析,多个作物区域图像经过预设模型分析后得到多个作物区域的麦穗分布信息,然后依据麦穗分布信息确定多个作物区域中各个作物区域的麦穗数量,再依据各个作物区域的麦穗数量和各个作物区域的面积,确定目标区域中单位面积的麦穗数。
针对确定目标区域中单位面积的麦穗数进行举例说明,例如:已知各个作物区域的总面积为5000平方米,用户依据麦穗分布信息获知多个作物区域中各个作物区域的麦穗数量为3000000个,通过公式:3000000/5000=600,可知目标区域中单位面积的麦穗数为600个。
在本申请的一些实施例中,基于单位面积的麦穗数和基准穗数的平均质量确定目标区域的作物产量,例如:通过计算可知基准穗数的平均质量为1.25kg,单位面积的平均麦穗数量为600个,目标区域的总面积为5000平方米,通过公式:(600*5000/1000)*1.25=3750,目标区域的麦穗总产量为3750kg。
在本申请的一些实施例中,基于单位面积的麦穗数和基准穗数的平均质量确定目标区域的作物产量之后,上述方法还可以包括以下步骤:将目标区域的作物产量添加至电子地图中,在电子地图中展示目标区域的作物产量。其中,该电子地图用于展示至少一个作物区域的产量。当作物区域的产量展示在电子地图后,可以直观地观测出各个作物区域的产量情况,并且可以对不同作物区域的产量情况进行对比。
具体地,将目标区域的作物产量添加至电子地图中,可以包括:在电子地图中创建目标图层,然后将目标区域的作物产量添加至目标图层中,并设置目标区域的作物产量在目标图层中的显示属性。
其中,目标区域的作物产量在目标图层中的显示方式可以有多种,例如:可以将产量以数字的形式直接显示在目标图层中;或者用图层颜色的深浅来表示作物产量的高低,例如:用红色图层表示农作物的产量,对图层颜色的深浅赋予程度值,随着产量的增加,农作物产量的图层颜色越深。
在本申请一些实施例中,上述方法还包括:首先检测目标对象在电子地图中的框选区域,然后确定框选区域在目标区域中的占比,其中,该占比用于指示框选区域的面积与目标区域的面积的比值,最后依据占比和目标区域的小麦产量确定框选区域中小麦的产量。
具体地,若用户要统计目标区域中任意区域的小麦的产量,用户要先从目标区域中框选出需要统计的区域,然后计算框选区域面积与目标区域面积的比值,依据比值和目标区域小麦的总产量计算出框选区域的小麦的产量。但由于不同区域小麦的生长状态可能不同,所以当框选区域的面积较小时,按上述方法计算出的框选区域小麦的产量可能存在较大误差。为了减小误差,可以设定一个阈值,即当框选区域面积与目标区域面积的比值大于该阈值时,可以选择上述方法计算框选区域的小麦的产量;当框选区域面积与目标区域面积的比值小于该阈值时,不建议使用上述方法计算框选区域的小麦的产量,可以依据单位面积的果穗数、基准穗数的平均质量和框选区域的面积确定框选区域的小麦产量。此处需要说明的是,上述阈值的大小是根据目标区域的面积确定的,目标区域面积不同,阈值也不相同。
例如:假设目标区域的面积为5000平方米,目标区域的产量为3750kg,设定阈值为0.01。当框选区域的面积为100平方米时,框选区域面积与目标区域面积的比值为0.02,由于0.02大于0.01,因此可以依据比值和目标区域小麦的总产量计算出框选区域的小麦的产量,即3750*0.02=75kg。当框选区域的面积为40平方米时,面积比值为0.008,由于0.008小于0.01,因此可以依据单位面积的果穗数、基准穗数的平均质量和框选区域的面积确定框选区域的小麦产量,即框选区域小麦产量为50kg。
在本申请的一些实施例中,当模型训练完成之后,可以通过测绘无人机的低空飞行随机采样大量农田图片,进而获得单位面积的穗数,而后再通过穗数的平均质量进而获得整个地块的产量。
基于上述过程,在测绘无人机拍摄完高清影像之后,可以预测每一块农作物区域的产量,生成产量地图,这样可以方便对农作物区域进行回溯,进而发现种植管理环节可能存在的纰漏,帮助农户更好地积累种植管理经验。
通过上述步骤,由于可以采用预设学习模型对目标区域的图像进行分析,根据分析结果统计果穗的数量。因此,实现了果穗数的自动识别,从而代替了人工统计的方案,达到了快速、精确地统计目标区域的果穗数量的目的,从而解决了相关技术中果穗数量统计速度慢且产量测量精度较低的技术问题。
图5是根据本申请实施例的一种测量***,如图5所示,该***包括:
无人机1,用于获取目标区域2的图像。
具体地,目标区域2为果穗生长的地块。在本申请可选实施例中,上述麦穗可以为麦穗。利用测绘无人机航拍得到麦穗生长地块的图像,将航拍得到的图像存储至存储器中,在进行穗数识别时从网络侧获取图像即可。
网络侧设备3,用于将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签;基于果穗的分布信息确定目标区域中植株的果穗数。
具体地,预设学习模型的网络基础结构如图3所示,该网络的基础结构可以包括以下四个部分:图像信息(Image)单元,作为网络的输入部分;同卷积神经网络编码器(Encoder)和译码器(Decoder)单元,作为对图像的处理单元;输出(Output)单元,作为网络的输出部分。预设学习模型可以对拍摄的目标区域的图像执行以下操作:首先将原始拍摄的目标区域的RGB图片输入至Image单元,然后经过同卷积神经网络Encoder和Decoder单元进行处理,最后从Output单元输出和上述标注类似的内容。
在本申请的一些实施例中,基于麦穗的分布信息确定目标区域中植株的麦穗数之前,上述方法还可以执行以下操作,即对麦穗的分布信息中的麦穗进行滤波处理,经过滤波处理后得到目标分布信息。其中,上述滤波处理在本申请可选实施例中可以是高斯滤波处理。
在本申请的一些实施例中,上述方法还包括:获取目标区域中单位面积的麦穗数,以及基准穗数的平均质量,然后依据单位面积的麦穗数和基准穗数的平均质量确定目标区域的作物产量。
在本申请的一些实施例中,获取目标区域中单位面积的麦穗数,包括:获取多个作物区域的图像信息,并将多个作物区域的图像信息分别输入至预设学习模型进行分析,多个作物区域图像经过预设模型分析后得到多个作物区域的麦穗分布信息,然后依据麦穗分布信息确定多个作物区域中各个作物区域的麦穗数量,再依据各个作物区域的麦穗数量和各个作物区域的面积,确定目标区域中单位面积的麦穗数。
本实施例中的优选实施例可以参考图1的描述,此处不再赘述。
图6是根据本申请实施例的一种穗数识别装置,如图6所示,该装置包括:
获取模块60,用于获取目标区域的图像。
具体地,目标区域为麦穗生长的地块。在本申请可选实施例中,上述麦穗可以为麦穗。其中,获取麦穗生长地块的图像的方式有多种,例如:可以利用测绘无人机航拍得到麦穗生长地块的图像,将航拍得到的图像存储至存储器中,在进行穗数识别时从网络侧获取图像即可;或者可以人工拍摄麦穗生长地块的图像,拍摄完成后,在进行穗数识别时,手动将拍摄的图像输入至处理模块。
分析模块62,用于将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签。
具体地,多组训练数据中的标签为用于标记麦穗中心点的标签,麦穗中心点标注的示意图如图2所示;植株的麦穗分布信息可以为麦穗的中心点在目标区域图像中分布的位置、密度等;植株的图像信息可以包括:每个植株生长的位置、植株的密度等。
具体地,上述深度学习过程可以采用预设学习模型进行处理,预设学习模型的网络基础结构如图3所示,该网络的基础结构可以包括以下四个部分:Image单元,作为网络的输入部分;同卷积神经网络Encoder和Decoder单元,作为对图像的处理单元;Output单元,作为网络的输出部分。预设学习模型可以对拍摄的目标区域的图像执行以下操作:首先将原始拍摄的目标区域的RGB图片输入至Image单元,然后经过同卷积神经网络Encoder和Decoder单元进行处理,最后从Output单元输出和上述标注类似的内容。
在本申请的一些实施例中,由于麦穗本身比较小,并且存在交叉问题,用传统的图像算法很难准确地统计出麦穗的数量,因此本方案采用深度学习的方式直接分割出麦穗的中心点,进而统计麦穗的数量。首先我们对每一株小麦进行中心点的标注,以麦穗的中心为标准进行点的标注,为了方便深度学习完成分割,需要对中心点进行高斯滤波处理。麦穗的中心点标注示意图经过高斯滤波处理后,得到的中心高斯处理示意图如图4所示。
确定模块64,用于基于果穗的分布信息确定目标区域中植株的果穗数。
在本申请的一些实施例中,基于麦穗的分布信息确定目标区域中植株的麦穗数之前,上述方法还可以执行以下操作,即对麦穗的分布信息中的麦穗进行滤波处理,经过滤波处理后得到目标分布信息。其中,上述滤波处理在本申请可选实施例中可以是高斯滤波处理。
具体地,高斯滤波是一种线性平滑滤波,适用于消除高斯噪声,广泛应用于图像处理的减噪过程。通俗地讲,高斯滤波就是对整幅图像进行加权平均的过程,每一个像素点的值,都由其本身和邻域内的其他像素值经过加权平均后得到。高斯滤波的具体操作是:用一个模版(或称卷积、掩模)扫描图像中的每一个像素,用模版确定的邻域内像素的加权平均灰度值去替代模版中心像素点的值。
在本申请的一些实施例中,上述方法还包括:获取目标区域中单位面积的麦穗数,以及基准穗数的平均质量,然后依据单位面积的麦穗数和基准穗数的平均质量确定目标区域的作物产量。
具体地,基准穗数的平均质量可以是一千个麦穗的质量,计算基准穗数的平均质量时,可以采取以下方式:例如:从植株上获取五千个麦穗,将五千个麦穗平均分成五组,分别称量五组麦穗的质量,然后取五组麦穗质量的平均值作为基准穗数的平均质量。
在本申请的一些实施例中,获取目标区域中单位面积的麦穗数,包括:获取多个作物区域的图像信息,并将多个作物区域的图像信息分别输入至预设学习模型进行分析,多个作物区域图像经过预设模型分析后得到多个作物区域的麦穗分布信息,然后依据麦穗分布信息确定多个作物区域中各个作物区域的麦穗数量,再依据各个作物区域的麦穗数量和各个作物区域的面积,确定目标区域中单位面积的麦穗数。
在本申请的一些实施例中,基于单位面积的麦穗数和基准穗数的平均质量确定目标区域的作物产量之后,上述方法还可以包括以下步骤:将目标区域的作物产量添加至电子地图中,在电子地图中展示目标区域的作物产量。其中,该电子地图用于展示至少一个作物区域的产量。当作物区域的产量展示在电子地图后,可以直观地观测出各个作物区域的产量情况,并且可以对不同作物区域的产量情况进行对比。
具体地,将目标区域的作物产量添加至电子地图中,可以包括:在电子地图中创建目标图层,然后将目标区域的作物产量添加至目标图层中,并设置目标区域的作物产量在目标图层中的显示属性。
其中,目标区域的作物产量在目标图层中的显示方式可以有多种,例如:可以将产量以数字的形式直接显示在目标图层中;或者用图层颜色的深浅来表示作物产量的高低,例如:用红色图层表示农作物的产量,对图层颜色的深浅赋予程度值,随着产量的增加,农作物产量的图层颜色越深。
在本申请的一些实施例中,当模型训练完成之后,可以通过测绘无人机的低空飞行随机采样大量农田图片,进而获得单位面积的穗数,而后再通过穗数的平均质量进而获得整个地块的产量。
基于上述过程,在测绘无人机拍摄完高清影像之后,可以预测每一块农作物区域的产量,生成产量地图,这样可以方便对农作物区域进行回溯,进而发现种植管理环节可能存在的纰漏,帮助农户更好地积累种植管理经验。
本实施例的优选实施例可以参考对图1和图5的相关描述,在此不再赘述。
根据本申请实施例的又一方面,提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,非易失性存储介质用于运行实现以下功能的程序:
获取目标区域的图像;将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签;基于果穗的分布信息确定目标区域中植株的果穗数。
根据本申请实施例的再一方面,提供了一种处理器,处理器用于运行存储在存储介质中的程序,处理器用于运行实现以下功能的程序:
获取目标区域的图像;将图像输入至预设学习模型进行分析,得到目标区域中植株的果穗分布信息,其中,预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记每个植株中的果穗的标签;基于果穗的分布信息确定目标区域中植株的果穗数。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种穗数识别方法,其特征在于,包括:
获取目标区域的图像;
将所述图像输入至预设学习模型进行分析,得到所述目标区域中植株的果穗分布信息,其中,所述预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记所述每个植株中的果穗的标签;
基于所述果穗的分布信息确定所述目标区域中植株的果穗数。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标区域中单位面积的果穗数,以及基准穗数的平均质量;
基于所述单位面积的果穗数和所述基准穗数的平均质量确定所述目标区域的作物产量。
3.根据权利要求2所述的方法,其特征在于,获取所述目标区域中单位面积的果穗数,包括:
获取多个作物区域的图像信息;
将所述多个作物区域的图像信息分别输入至所述预设学习模型进行分析,得到所述多个作物区域的果穗分布信息;
基于所述果穗分布信息确定所述多个作物区域中各个作物区域的果穗数量;
依据所述各个作物区域的果穗数量和所述各个作物区域的面积,确定所述目标区域中单位面积的果穗数。
4.根据权利要求2所述的方法,其特征在于,基于所述单位面积的果穗数和所述基准穗数的平均质量确定所述目标区域的作物产量之后,所述方法还包括:
将所述目标区域的作物产量添加至电子地图中,其中,该电子地图用于展示至少一个作物区域的产量;
在所述电子地图中展示所述目标区域的作物产量。
5.根据权利要求4所述的方法,其特征在于,将所述目标区域的作物产量添加至电子地图中,包括:
在所述电子地图中创建目标图层;
将所述目标区域的作物产量添加至所述目标图层中,并设置所述目标区域的作物产量的显示属性。
6.根据权利要求4所述的方法,其特征在于,所述方法还包括:
检测目标对象在所述电子地图中的框选区域;
确定所述框选区域在所述目标区域中的占比,其中,该占比用于指示所述框选区域的面积与所述目标区域的面积的比值;
依据所述占比和所述目标区域的作物产量确定所述框选区域中目标作物的产量。
7.根据权利要求1至6中任意一项所述的方法,其特征在于,所述多组训练数据中的标签为用于标记果穗中心点的标签。
8.一种测量***,其特征在于,包括:
无人机,用于获取目标区域的图像;
网络侧设备,用于将所述图像输入至预设学习模型进行分析,得到所述目标区域中植株的果穗分布信息,其中,所述预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记所述每个植株中的果穗的标签;基于所述果穗的分布信息确定所述目标区域中植株的果穗数。
9.一种穗数识别装置,其特征在于,包括:
获取模块,用于获取目标区域的图像;
分析模块,用于将所述图像输入至预设学习模型进行分析,得到所述目标区域中植株的果穗分布信息,其中,所述预设学习模型是通过多组数据训练得到的,每组数据中均包括:每个植株的图像信息,以及用于标记所述每个植株中的果穗的标签;
确定模块,用于基于所述果穗的分布信息确定所述目标区域中植株的果穗数。
10.一种非易失性存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的穗数识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319103.3A CN113011220A (zh) | 2019-12-19 | 2019-12-19 | 穗数识别方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911319103.3A CN113011220A (zh) | 2019-12-19 | 2019-12-19 | 穗数识别方法、装置、存储介质及处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011220A true CN113011220A (zh) | 2021-06-22 |
Family
ID=76381276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911319103.3A Pending CN113011220A (zh) | 2019-12-19 | 2019-12-19 | 穗数识别方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011220A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628186A (zh) * | 2021-08-09 | 2021-11-09 | 海南青峰生物科技有限公司 | 一种基于5g通讯及图像识别的测量水稻穗数的*** |
WO2023072018A1 (zh) * | 2021-10-26 | 2023-05-04 | 中国科学院空天信息创新研究院 | 基于计算机视觉和深度学习技术的小麦单产观测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
CN109145848A (zh) * | 2018-08-30 | 2019-01-04 | 西京学院 | 一种麦穗计数方法 |
US20190066234A1 (en) * | 2017-08-28 | 2019-02-28 | The Climate Corporation | Crop disease recognition and yield estimation |
CN109409275A (zh) * | 2018-10-18 | 2019-03-01 | 广州极飞科技有限公司 | 目标对象的识别方法及装置、施药信息的确定方法 |
CN109445457A (zh) * | 2018-10-18 | 2019-03-08 | 广州极飞科技有限公司 | 分布信息的确定方法、无人飞行器的控制方法及装置 |
CN109523509A (zh) * | 2018-09-28 | 2019-03-26 | 江苏省无线电科学研究所有限公司 | 小麦抽穗期的检测方法、装置及电子设备 |
CN109740721A (zh) * | 2018-12-19 | 2019-05-10 | 中国农业大学 | 麦穗计数方法及装置 |
CN109843034A (zh) * | 2016-10-19 | 2019-06-04 | 巴斯夫农化商标有限公司 | 用于麦田的产量预测 |
CN110569747A (zh) * | 2019-08-20 | 2019-12-13 | 南京农业大学 | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 |
-
2019
- 2019-12-19 CN CN201911319103.3A patent/CN113011220A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161560A1 (en) * | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
CN109843034A (zh) * | 2016-10-19 | 2019-06-04 | 巴斯夫农化商标有限公司 | 用于麦田的产量预测 |
US20190066234A1 (en) * | 2017-08-28 | 2019-02-28 | The Climate Corporation | Crop disease recognition and yield estimation |
CN109145848A (zh) * | 2018-08-30 | 2019-01-04 | 西京学院 | 一种麦穗计数方法 |
CN109523509A (zh) * | 2018-09-28 | 2019-03-26 | 江苏省无线电科学研究所有限公司 | 小麦抽穗期的检测方法、装置及电子设备 |
CN109409275A (zh) * | 2018-10-18 | 2019-03-01 | 广州极飞科技有限公司 | 目标对象的识别方法及装置、施药信息的确定方法 |
CN109445457A (zh) * | 2018-10-18 | 2019-03-08 | 广州极飞科技有限公司 | 分布信息的确定方法、无人飞行器的控制方法及装置 |
CN109740721A (zh) * | 2018-12-19 | 2019-05-10 | 中国农业大学 | 麦穗计数方法及装置 |
CN110569747A (zh) * | 2019-08-20 | 2019-12-13 | 南京农业大学 | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 |
Non-Patent Citations (1)
Title |
---|
李毅念 等: "基于小麦群体图像的田间麦穗计数及产量预测方法", 《农业工程学报》, vol. 34, no. 21, 5 November 2018 (2018-11-05), pages 185 - 194 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113628186A (zh) * | 2021-08-09 | 2021-11-09 | 海南青峰生物科技有限公司 | 一种基于5g通讯及图像识别的测量水稻穗数的*** |
WO2023072018A1 (zh) * | 2021-10-26 | 2023-05-04 | 中国科学院空天信息创新研究院 | 基于计算机视觉和深度学习技术的小麦单产观测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110967339B (zh) | 一种玉米果穗性状分析的方法及装置、玉米性状分析设备 | |
CN104200193A (zh) | 一种果树产量估测方法及装置 | |
CN110427933A (zh) | 一种基于深度学习的水尺识别方法 | |
CN111985724B (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
CN113313692B (zh) | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 | |
CN113011220A (zh) | 穗数识别方法、装置、存储介质及处理器 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量*** | |
CN114581464A (zh) | 边界检测方法、装置、电子设备及计算机可读存储介质 | |
CN116912265A (zh) | 一种遥感图像分割方法和*** | |
CN112053371A (zh) | 一种遥感图像中的水体提取方法和装置 | |
CN114419367A (zh) | 一种农作物高精度制图方法及*** | |
CN110610438A (zh) | 一种农作物冠层叶柄夹角计算方法及*** | |
Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
CN111738310B (zh) | 物料分类方法、装置、电子设备和存储介质 | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业*** | |
CN109523509B (zh) | 小麦抽穗期的检测方法、装置及电子设备 | |
CN114662621B (zh) | 基于机器学习的农机作业面积计算方法及*** | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN115294472A (zh) | 果实产量估计方法、模型训练方法、设备及存储介质 | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
CN115082812A (zh) | 一种农业景观非农生境绿地斑块提取方法及其相关设备 | |
CN112733582A (zh) | 农作物产量的确定方法及装置、非易失性存储介质 | |
CN114663652A (zh) | 图像处理方法、装置、管理***、电子设备和存储介质 | |
CN114004463A (zh) | 一种可视化智慧农业大数据分析管理***及方法 |
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 |