CN115700805A - 植物高度检测方法、装置、设备及存储介质 - Google Patents
植物高度检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115700805A CN115700805A CN202110870104.8A CN202110870104A CN115700805A CN 115700805 A CN115700805 A CN 115700805A CN 202110870104 A CN202110870104 A CN 202110870104A CN 115700805 A CN115700805 A CN 115700805A
- Authority
- CN
- China
- Prior art keywords
- image
- plant
- target
- information
- target plant
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种植物高度检测方法、装置、设备及存储介质,属于高度检测技术领域。本发明通过获取目标摄像机拍摄的待处理图像和目标摄像机的高度信息以及参数信息,将待处理图像进行区域划分得到待处理图像中的目标植物区域图像,最后根据待处理图像中的目标植物区域图像、目标摄像机的高度信息以及参数信息确定目标植物的高度,本发明通过对目标摄像机拍摄的待处理图像通过预设区域划分模型进行区域划分,工作量较少,避免了环境因素导致的降低测量精度,再根据目标植物区域图像、目标摄像机的高度信息和参数信息确定目标植物的高度,可以准确的区分所需要测量的目标植物高度,提高了目标植物高度的测量精度。
Description
技术领域
本发明涉及高度检测技术领域,尤其涉及一种植物高度检测方法、装置、 设备及存储介质。
背景技术
变电站光伏板是变电站电量的重要来源之一,放置于室外,四周通常有 杂草分布。在春夏季节,杂草生长快速,若不能监测杂草生长高度状况,及 时对杂草进行清理,造成光伏电站的组件遮挡,导致较大的发电量损失。目 前变电站光伏板杂草高度识别主要是靠人工肉眼辨别或红外测距仪,其中人 工辨认最直观但具有主观性且工作量大容易误检;使用红外测距仪完成高度 测量是最普遍的变电站光伏板附近杂草生长高度测量方式,但是红外测距仪 容易受到环境的影响,导致测量高度容易出错,测量精度不高。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是 现有技术。
发明内容
本发明的主要目的在于提供一种植物高度检测方法、装置、设备及存储 介质,旨在解决现有技术中测量植物高度时工作量大,且测量高度容易产生 误检,测量精度不高的技术问题。
为实现上述目的,本发明提供了一种植物高度检测方法,所述方法包括 以下步骤:
获取目标摄像机拍摄的待处理图像,并获取所述目标摄像机的高度信息 和参数信息;
根据预设区域划分模型对所述待处理图像进行区域划分,获得所述待处 理图像中的目标植物区域图像;
根据所述目标植物区域图像、所述高度信息和所述参数信息确定目标植 物区域高度。
可选地,所述根据预设区域划分模型对所述待处理图像进行区域划分, 获得所述待处理图像中的目标植物区域图像的步骤,包括:
根据所述待处理图像通过预设图像处理模型进行图像处理,获得目标植 物区域掩膜图像;
根据预设信息提取模型对所述待处理图像进行信息提取,获得图像深度 信息;
根据所述目标植物区域掩膜图像和所述图像深度信息确定目标植物区域 图像。
可选地,根据所述待处理图像通过预设图像处理模型进行图像处理,获 得目标植物区域掩膜图像的步骤,包括:
根据预设图像分割模型对所述待处理图像进行图像分割,获得植物分割 图像;
从所述植物分割图像中提取目标植物分布轮廓信息;
基于所述目标植物分布轮廓信息和所述植物分割图像确定目标植物区域 掩膜图像。
可选地,根据预设图像分割模型对所述待处理图像进行图像分割,获得 植物分割图像的步骤之前,所述方法还包括:
获取目标摄像机拍摄的待处理图像样本;
从所述待处理样本图像中提取目标植物数据集样本;
根据所述目标数据集样本对初始神经网络模型进行模型训练,获得预设 图像分割模型。
可选地,根据预设信息提取模型对所述待处理图像进行信息提取,获得 图像深度信息的步骤之前,所述方法还包括:
获取目标摄像机拍摄的待处理图像样本;
从所述待处理样本图像中提取图像深度数据集样本;
根据所述深度数据集样本对初始神经网络模型进行模型训练,获得预设 信息提取模型。
可选地,根据所述目标植物区域掩膜图像和所述图像深度信息确定目标 植物区域图像的步骤,包括:
提取所述目标植物区域掩膜图像中各像素点的像素值;
将所述目标植物区域掩膜图像中各像素值分别与所述图像深度信息中对 应像素点的深度值对应相乘,获得目标植物深度信息;
根据所述目标植物深度信息以及所述目标植物区域掩膜图像确定目标植 物区域图像。
可选地,根据所述目标植物区域图像、所述高度信息和所述参数信息确 定目标植物区域高度的步骤,包括:
基于所述目标摄像机的参数信息确定所述目标摄像机与目标植物的直线 距离;
根据所述目标植物区域图像的目标植物深度信息和所述目标摄像机的参 数信息确定对应的所述目标摄像机与目标植物顶部的相对距离;
基于所述直线距离、所述相对距离以及所述目标摄像机的高度信息确定 目标植物区域高度。
此外,为实现上述目的,本发明还提出一种植物高度测量装置,所述植 物高度测量装置包括:
信息获取模块,用于获取目标摄像机拍摄的待处理图像,并获取所述目 标摄像机的高度信息和参数信息;
图像提取模块,用于根据预设区域划分模型对所述待处理图像进行区域 划分,获得所述待处理图像中的目标植物区域图像;
高度检测模块,用于根据所述目标植物区域图像、所述高度信息和参数 信息确定目标植物区域高度。
此外,为实现上述目的,本发明还提出一种植物高度测量设备,所述植 物高度测量设备包括:存储器、处理器及存储在所述存储器上并可在所述处 理器上运行的植物高度测量程序,所述植物高度测量程序配置为实现如上文 所述的植物高度测量方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上 存储有植物高度测量程序,所述植物高度测量程序被处理器执行时实现如上 文所述的植物高度测量方法的步骤。
本发明通过获取目标摄像机拍摄的待处理图像和目标摄像机的高度信息 以及参数信息,将待处理图像进行区域划分得到待处理图像中的目标植物区 域图像,最后根据待处理图像中的目标植物区域图像、目标摄像机的高度信 息以及参数信息确定目标植物的高度。与现有技术中依靠人工辨认植物高度, 或者是红外测距仪进行测量相比,本发明通过对目标摄像机拍摄的待处理图 像通过预设区域划分模型进行区域划分,工作量较少,避免了环境因素导致 的降低测量精度,再根据目标植物区域图像、目标摄像机的高度信息和参数 信息确定目标植物的高度,可以准确的区分所需要测量的目标植物高度,提 高了目标植物高度的测量精度。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的植物高度测量设备的结 构示意图;
图2为本发明植物高度测量方法第一实施例的流程示意图;
图3为本发明植物高度测量方法第二实施例的流程示意图;
图4为本发明植物高度测量装置第一实施例的结构框图。
本发明目的的实现、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用以解释本发明,并不用于限定 本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的植物高度测量 设备结构示意图。
如图1所示,该植物高度测量设备可以包括:处理器1001,例如中央处 理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网 络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的 连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘 (Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。 网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity,Wi-Fi)接口)。存储器1005可以是高速的随机存取存储 器(RandomAccess Memory,RAM)存储器,也可以是稳定的非易失性存储 器(Non-Volatile Memory,NVM),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的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对植物高度测量 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1所示,作为一种存储介质的存储器1005中可以包括操作***、网 络通信模块、用户接口模块以及植物高度测量程序。
在图1所示的植物高度测量设备中,网络接口1004主要用于与网络服务 器进行数据通信;用户接口1003主要用于与用户进行数据交互;本发明植物 高度测量设备中的处理器1001、存储器1005可以设置在植物高度测量设备中, 所述植物高度测量设备通过处理器1001调用存储器1005中存储的植物高度 测量程序,并执行本发明实施例提供的植物高度测量方法。
本发明实施例提供了一种植物高度测量方法,参照图2,图2为本发明一 种植物高度测量方法第一实施例的流程示意图。
本实施例中,所述植物高度测量方法包括以下步骤:
步骤S10:获取目标摄像机拍摄的待处理图像,并获取所述目标摄像机的 高度信息和参数信息;
需要说明的是,本实施例方法的执行主体可以是植物高度测量设备,其 中,所述植物高度测量设备可以是服务器、控制计算机以及掌上电脑等电子 设备;也可以是具有相同或相似功能的其它设备。本实施例不做具体限制, 本实施例及下述各实施例将以服务器为例进行说明。
可理解的是,目标摄像机可以是在监测区域安装的摄像机,所述摄像机 可以是双目一体摄像机,也可以是两个单目摄像机组成,在本实施例中将会 以双目摄像机为例进行说明,其中,监测区域是变电站光伏板附近的区域, 摄像机在固定安装的时候需要调整摄像机角度,使得摄像机能够拍摄到变电 站光伏板附近的植物与地面图像,摄像机视角的调整,可以通过服务器远程 发出指令进行调整。
可理解的是,待处理图像为双目摄像机拍摄的变电站光伏板附近区域的 图像,该图像中包含有目标植物以及目标植物区域地面图像,在双目摄像机 完成拍摄后,提取双目摄像机拍摄的左视图图像以及右视图图像,将左视图 图像以及右视图图像上传到服务器。
值得说明的是,目标摄像机的高度信息是摄像机在安装固定时,摄像机 距离地面的高度,通常情况下,会将目标摄像机的安装高度调整为近似变电 站光伏板的高度,例如:70~90cm;采用水平拍摄方式采集图像,便于采集完 整的目标植物区域图像;目标摄像机的参数信息可以是目标摄像机的焦距信 息以及目标摄像机的基线信息。
在具体实现中,摄像机拍摄变电站光伏板附近区域的杂草图像,该杂草 图像中包含有杂草以及杂草区域地面图像,在完成拍摄后,将所述杂草图像 发送至服务器,以供服务器进行后续对杂草图像的图像处理。
步骤S20:根据预设区域划分模型对所述待处理图像进行区域划分,获得 所述待处理图像中的目标植物区域图像;
需要说明的是,预设区域划分模型可以用于对待处理图像进行区域划分, 从待处理图像中提取出只包含有目标植物区域深度信息的图像,其中,所述 目标植物区域深度信息可以是计算机中只存储目标植物图像的每个像素点用 到的比特数信息;将待处理图像提取后获得的只包含有目标植物区域深度信 息的图像记为目标植物区域图像。
值得说明的是,对于目标植物区域深度信息的获取,需要对目标植物基 准图像与目标植物所属图像进行校正处理,基准图像就是双目摄像机拍摄的 待处理图像的左视图;所属图像就是双目摄像机拍摄的待处理图像的右视图; 对于基准图像与所属图像的校正处理可以是通过校正模型进行;所述校正模 型的作用是降低双目摄像机图像的光照、遮挡、噪声和像素深度不连续等问 题,获得高精度的视差图。
在具体实现中,根据预设区域划分模型对所接收的杂草图像进行图像分 割,获得只包含有杂草深度信息的杂草区域图像,杂草深度信息可以是计算 机中只存储杂草图像的每个像素点用到的比特数信息,提取杂草深度信息之 前需要对杂草区域左视图对应的杂草区域基准图像与杂草区域右视图对应的 杂草区域所属图像通过校正模型进行校正处理,所述校正模型采用的是半全 局立体算法,也可以是其它可以对杂草区域左视图与杂草区域右视图进行校 正处理的算法,本实施例不作具体限制。
步骤S30:根据所述目标植物区域图像、所述高度信息和所述参数信息确 定目标植物区域高度。
需要说明的是,基于相同目标摄像机的基线信息,通过调整目标摄像机 的焦距,获得多个待处理图像,确定在不同焦距下的同一个目标植物的像素 深度值,基于多组像素深度值与对应的焦距的函数关系确定目标植物与目标 摄像机的直线距离。
可理解的是,根据目标摄像机与目标植物的直线距离以及目标摄像机与 目标植物顶部的相对距离可以确定目标摄像机与目标植物的高度差,根据所 述高度差和目标摄像机的高度信息即可以确定目标植物区域高度。
值得说明的是,目标植物区域高度的检测还可以是通过建立世界坐标系、 相机坐标系、图像坐标系以及像素坐标系等,根据相邻坐标之间的映射关系 计算目标植物区域高度。
可理解的是,目标植物区域高度通常代表目标植物区域内的最大高度, 即目标植物区域内的高度的最大值。所述最大高度并不能代表目标区域的一 般高度,因此,需要对求得的目标植物区域高度进行统计分析,获得能够代 表目标植物区域一般高度,可以采用对目标植物区域高度值加权求平均的方 式获得目标植物区域一般高度,或者其它能够获得目标植物区域一般高度的 方式,本实施例不做具体限制。
在具体实现中,在杂草区域一般高度达到预设高度阈值时,将会生成预 警信息,将预警信息进行展示,提醒用户需要进行修剪杂草;预设高度阈值 可以是标准值,也可以由用户进行设置,且预警信息可以是展示界面弹出警 示框,或者是其它可以提醒用户的预警信息,本实施例不做具体限制。
本实施例通过获取目标摄像机拍摄的待处理图像和目标摄像机的高度信 息以及参数信息,将待处理图像进行区域划分得到待处理图像中的目标植物 区域图像,最后根据待处理图像中的目标植物区域图像、目标摄像机的高度 信息以及参数信息确定目标植物的高度。本实施例通过对目标摄像机拍摄的 待处理图像通过预设区域划分模型进行区域划分,工作量较少,避免了环境 因素导致的降低测量精度,再根据目标植物区域图像、目标摄像机的高度信 息和参数信息确定目标植物的高度,可以准确的区分所需要测量的目标植物 高度,提高了目标植物高度的测量精度。
参考图3,图3为本发明一种植物高度测量方法第二实施例的流程示意图。
基于上述第一实施例,在本实施例中,所述步骤S20,包括:
步骤S201:根据所述待处理图像通过预设图像处理模型进行图像处理, 获得目标植物区域掩膜图像;
需要说明的是,所述掩膜图像是由0和1组成的一个二进制图像,且掩 膜图像的大小与基准图像的大小相等,且掩膜图像就是将基准图像的目标区 域记为1,其他非目标区域记为0,即基准图像中目标植物区域的像素点,在 掩膜图像中对应的像素点的像素值为1,该基准图像中非目标植物区域的其他 像素点,在该掩膜图像中对应的像素点的像素值为0。
进一步地,为了获得清晰的目标植物区域掩膜图像,所述步骤S201,还 包括:
根据预设图像分割模型对所述待处理图像进行图像分割,获得植物分割 图像;从所述植物分割图像中提取目标植物分布轮廓信息;基于所述目标植 物分布轮廓信息和所述植物分割图像确定目标植物区域掩膜图像。
可理解的是,植物分割图像是通过向预设图像分割模型输入原始采集到 的杂草图像的左视图,产生的分割区域图像;所述分割区域图像中含有目标 植物的基本信息以及分割区域的图像特征,所述基本信息包括但不限于:杂 草种类、杂草生长区、杂草分布密度、杂草分布面积、采集点地理位置信息 等;所述图像特征包括但不限于:图像颜色阈值特征、纹理特征、边缘特征 等。
需要说明的是,预设图像分割模型可以是将目标植物区域图像进行图像 分割,获得植物分割图像的神经网络模型,对于目标植物图像进行图像分割 的目的是为了便于提取目标植物区域的基本信息,以及图像特征;所述预设 图像分割模型可以是基于目标监测网络(You Only Look Once,YOLO)中 YOLOv4神经网络的图像分割模型,或者其他可以获得目标植物区域掩膜图 像的图像分割模型,本实施例不作具体限制。
进一步地,为了获得预设图像分割模型,在步骤根据预设图像分割模型 对所述待处理图像进行图像分割,获得植物分割图像之前,还包括:
获取目标摄像机拍摄的待处理图像样本;
从所述待处理样本图像中提取目标植物数据集样本;
根据所述目标数据集样本对初始神经网络模型进行模型训练,获得预设 图像分割模型。
可理解的是,目标植物数据集可以是由摄像机采集的以不同的地块、不 同光照强度、不同土壤背景下采集作物幼苗及伴生杂草图像构建而成,目标 植物数据及样本是从目标植物数据集中按照预设比例随机抽取样本构成训练 集样本、验证集样本和测试集样本,将所述训练集样本、验证集样本和测试 集样本中的目标植物进行分类标注;预设比例可以为训练集样本、验证集样 本和测试集样本的比例为8:1:1。
需要说明的是,对于目标植物的分类标注可以采用具有分类标注功能的 Labelme标注软件进行标注,还可以使用其他具有标注功能的标注软件,本实 施例不作具体限制。
在具体实现中,由于变电站光伏板附近有可能不全是杂草,即需要对杂 草信息进行分类标注,只需要测量分类标注后的杂草高度,可以减少工作量, 提高工作效率,在杂草区域的图像分割过程中,需要根据杂草区域的基本信 息中的杂草种类、杂草生长区、杂草分布密度一项或者多项进行筛选,减少 工作量。
值得说明的是,在对于目标植物的分类标注的过程中,经常会出现目标 植物数据集的分类标注错误,因此,在本实施例中,在预设图像分割模型中 可以设置一个类别置信度阈值,所述类别置信度阈值,是用于判断是否将预 测结果归属于目标植物类的值,可以筛选出错误的分类标注,若预测结果置 信度大于等于阈值则接受预测结果,若预测结果置信度小于阈值则拒绝预测 结果,所述类别置信度阈值的获得可以是现场实验获得值,也可以是预设值, 例如:在预设图像分割模型预先设置类别置信度阈值为0.8,当获得的类别置信度0.7时,认为此次分类标注错误,则不记录此次分类标注;当获得的类别 置信度0.9时,认为此次分类标注成功,获得分类标注框,并存储此次标注结 果。
在具体实现中,对于杂草区域的分类标注,获得分类标注框的过程中, 所述分类标注框还可能出现偏移,导致标注框没有分割完整的杂草区域,因 此,在本实施例中,可以设置一个交集与并集比值(Intersection over Union,IoU) 阈值,所述IoU阈值用于判断预测分割的杂草区域是否能够作为最终分割区 域的值,若预测分割的杂草区域交并比大于等于IoU阈值则认为预测分割的 杂草区域有效,若预测分割的杂草区域交并比小于IoU阈值则认为预测分割 的杂草区域无效。对于IoU阈值的确定,可以是现场实验获得值,也可以是 预设值,在本实施例中,预设IoU阈值为0.5,当获得的IoU值为0.1时,认 定对于杂草区域图像分割无效;当获得的IoU值为0.9时,认定对于杂草区域 图像分割有效,基于有效地杂草区域分割图像提取杂草掩膜图像。
步骤S202:根据预设信息提取模型对所述待处理图像进行信息提取,获 得图像深度信息;
需要说明的是,图像深度信息指基于目标植物区域图像中每个像素点的 深度值,将深度值作为像素点的像素值得到的深度图片信息。所述深度图片 信息是向预设信息提取模型输入原始采集到的杂草图像的左视图,从而得到 的图片信息。
值得说明的是,对于图像深度信息的获取,需要对基准图像与所属图像 进行校正处理,对于基准图像与所属图像的校正处理可以是通过校正模型对 进行;所述校正模型的作用是降低双目摄像机图像的光照、遮挡、噪声和像 素深度不连续等问题,获得高精度的视差图。
在具体实现中,图像深度信息可以是计算机中只存储图像的每个像素点 用到的比特数信息,提取图像深度信息之前需要对图像区域左视图对应的图 像区域基准图像与图像区域右视图对应的图像区域所属图像通过校正模型进 行校正处理,所述校正模型采用的是半全局立体算法,也可以是其它可以对 图像区域左视图与图像区域右视图进行校正处理的算法,本实施例不作具体 限制。
进一步地,为了获得预设信息提取模型,步骤S202之前,还包括:获取 目标摄像机拍摄的待处理图像样本;从所述待处理样本图像中提取图像深度 数据集样本;根据所述图像深度数据集样本对初始神经网络模型进行模型训 练,获得预设信息提取模型。
需要说明的是,根据所述图像深度数据集样本对初始神经网络模型进行 模型训练,获得预设信息提取模型,所述预设信息提取模型可以是基于卷积 神经网络(Convolutional Neural Networks,CNN)的半全局匹配神经网络模型, 或者其他具有提取图像深度信息的神经网络模型,本实施例不做具体限制。
步骤S203:根据所述目标植物区域掩膜图像和所述图像深度信息确定目 标植物区域图像。
需要说明的是,目标植物区域图像是只包含目标植物深度信息的图像, 目标植物区域图像的获取是通过提取所述目标植物区域掩膜图像中各像素点 的像素值,将所述目标植物区域掩膜图像中各像素值分别与所述图像深度信 息中对应像素点的深度值对应相乘,获得目标植物区域深度信息,最后根据 所述目标植物区域深度信息以及所述目标植物区域掩膜图像确定目标植物区 域图像。
在具体实现中,杂草区域深度信息可以是计算机中只存储杂草图像的每 个像素点用到的比特数信息,由于杂草区域腌膜图像含有的信息由0,1组成, 其中杂草所在区域为1,其他区域为0,相乘后只保留杂草区域的深度信息。
本实施例通过获取目标摄像机拍摄的待处理图像和目标摄像机的高度信 息以及参数信息,将待处理图像进行图像处理获得目标植物掩膜图像,将待 处理图像进行信息提取获得图像深度信息,最后根据目标植物区域掩膜图像、 图像深度信息、目标摄像机的高度信息以及参数信息确定目标植物的高度, 本实施例通过将待处理图像进行图像处理获得目标植物掩膜图像,将待处理 图像进行信息提取获得图像深度信息,获得目标植物区域图像信息更为准确, 避免了环境因素导致的降低测量精度,再根据目标植物区域图像、目标摄像 机的高度信息和参数信息确定目标植物的高度,可以准确的区分所需要测量 的目标植物高度,并提高了目标植物高度的测量精度。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有植物 高度测量程序,所述植物高度测量程序被处理器执行时实现如上文所述的植 物高度测量方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案,因此至少县有 上述实施例的技术方案所带来的所有有益效果,在此不再一一赘述。
参照图4,图4为本发明植物高度测量装置第一实施例的结构框图。
如图4所示,本发明实施例提出的植物高度测量装置包括:
信息获取模块10,用于获取目标摄像机拍摄的待处理图像,并获取所述 目标摄像机的高度信息和参数信息;
图像提取模块20,用于根据预设区域划分模型对所述待处理图像进行区 域划分,获得所述待处理图像中的目标植物区域图像;
高度检测模块30,用于根据所述目标植物区域图像、所述高度信息和参 数信息确定目标植物的高度。
本实施例通过获取目标摄像机拍摄的待处理图像和目标摄像机的高度信 息以及参数信息,将待处理图像进行区域划分得到待处理图像中的目标植物 区域图像,最后根据待处理图像中的目标植物区域图像、目标摄像机的高度 信息以及参数信息确定目标植物的高度。本实施例通过对目标摄像机拍摄的 待处理图像通过预设区域划分模型进行区域划分,工作量较少,避免了环境 因素导致的降低测量精度,再根据目标植物区域图像、目标摄像机的高度信 息和参数信息确定目标植物的高度,可以准确的区分所需要测量的目标植物 高度,提高了目标植物高度的测量精度。
在一实施例中,所述图像提取模块20,还用于根据所述待处理图像通过 预设图像处理模型进行图像处理,获得目标植物区域掩膜图像;根据预设信 息提取模型对所述待处理图像进行信息提取,获得图像深度信息;根据所述 目标植物区域掩膜图像和所述图像深度信息确定目标植物区域图像;
在一实施例中,所述图像提取模块20,还用于根据预设图像分割模型对 所述待处理图像进行图像分割,获得植物分割图像;从所述植物分割图像中 提取目标植物分布轮廓信息;基于所述目标植物分布轮廓信息和所述植物分 割图像确定目标植物区域掩膜图像
在一实施例中,所述图像提取模块20,还用于获取目标摄像机拍摄的待 处理图像样本;从所述待处理样本图像中提取目标植物数据集样本;根据所 述目标数据集样本对初始神经网络模型进行模型训练,获得预设图像分割模 型;
在一实施例中,所述图像提取模块20,还用于获取目标摄像机拍摄的待 处理图像样本;从所述待处理样本图像中提取图像深度数据集样本;根据所 述深度数据集样本对初始神经网络模型进行模型训练,获得预设信息提取模 型;
在一实施例中,所述图像提取模块20,还用于提取所述目标植物区域掩 膜图像中各像素点的像素值;将所述目标植物区域掩膜图像中各像素值分别 与所述图像深度信息中对应像素点的深度值对应相乘,获得目标植物深度信 息;根据所述目标植物深度信息以及所述目标植物区域掩膜图像确定目标植 物区域图像;
在一实施例中,所述高度检测模块30,还用于基于所述目标摄像机的参 数信息确定所述目标摄像机与目标植物的直线距离;根据所述目标植物区域 图像的目标植物深度信息和所述目标摄像机的参数信息确定对应的所述目标 摄像机与目标植物顶部的相对距离;基于所述直线距离、所述相对距离以及 所述目标摄像机的高度信息确定目标植物区域高度。
应当理解的是,以上仅为举例说明,对本发明的技术方案并不构成任何 限定,在具体应用中,本领域的技术人员可以根据需要进行设置,本发明对 此不做限制。
需要说明的是,以上所描述的工作流程仅仅是示意性的,并不对本发明 的保护范围构成限定,在实际应用中,本领域的技术人员可以根据实际的需 要选择其中的部分或者全部来实现本实施例方案的目的,此处不做限制。
另外,未在本实施例中详尽描述的技术细节,可参见本发明任意实施例 所提供的植物高度测量方法,此处不再赘述。
此外,需要说明的是,在本文中,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、物品 或者***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、物品或者***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,并不排除在包括该要素的过程、 方法、物品或者***中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的 技术方案本质上或者说对现有技术做出贡献的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(如只读存储器(Read Only Memory,ROM)/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端 设备(可以是手机,计算机,服务器,或者网络设备等)执行本发明各个实 施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是 利用本发明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,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种植物高度检测方法,其特征在于,所述植物高度检测方法包括:
获取目标摄像机拍摄的待处理图像,并获取所述目标摄像机的高度信息和参数信息;
根据预设区域划分模型对所述待处理图像进行区域划分,获得所述待处理图像中的目标植物区域图像;
根据所述目标植物区域图像、所述高度信息和所述参数信息确定目标植物区域高度。
2.如权利要求1所述的植物高度检测方法,其特征在于,所述根据预设区域划分模型对所述待处理图像进行区域划分,获得所述待处理图像中的目标植物区域图像的步骤,包括:
根据所述待处理图像通过预设图像处理模型进行图像处理,获得目标植物区域掩膜图像;
根据预设信息提取模型对所述待处理图像进行信息提取,获得图像深度信息;
根据所述目标植物区域掩膜图像和所述图像深度信息确定目标植物区域图像。
3.如权利要求2所述的植物高度检测方法,其特征在于,所述根据所述待处理图像通过预设图像处理模型进行图像处理,获得目标植物区域掩膜图像的步骤,包括:
根据预设图像分割模型对所述待处理图像进行图像分割,获得植物分割图像;
从所述植物分割图像中提取目标植物分布轮廓信息;
基于所述目标植物分布轮廓信息和所述植物分割图像确定目标植物区域掩膜图像。
4.如权利要求3所述的植物高度检测方法,其特征在于,所述根据预设图像分割模型对所述待处理图像进行图像分割,获得植物分割图像的步骤之前,所述方法还包括:
获取目标摄像机拍摄的待处理图像样本;
从所述待处理样本图像中提取目标植物数据集样本;
根据所述目标植物数据集样本对初始神经网络模型进行模型训练,获得预设图像分割模型。
5.如权利要求2所述的植物高度检测方法,其特征在于,所述根据预设信息提取模型对所述待处理图像进行信息提取,获得图像深度信息的步骤之前,所述方法还包括:
获取目标摄像机拍摄的待处理图像样本;
从所述待处理样本图像中提取图像深度数据集样本;
根据所述图像深度数据集样本对初始神经网络模型进行模型训练,获得预设信息提取模型。
6.如权利要求2所述的植物高度检测方法,其特征在于,所述根据所述目标植物区域掩膜图像和所述图像深度信息确定目标植物区域图像的步骤,包括:
提取所述目标植物区域掩膜图像中各像素点的像素值;
将所述目标植物区域掩膜图像中各像素值分别与所述图像深度信息中对应像素点的深度值对应相乘,获得目标植物深度信息;
根据所述目标植物深度信息以及所述目标植物区域掩膜图像确定目标植物区域图像。
7.如权利要求1-6任一项所述的植物高度检测方法,其特征在于,所述根据所述目标植物区域图像、所述高度信息和所述参数信息确定目标植物区域高度的步骤,包括:
基于所述目标摄像机的参数信息确定所述目标摄像机与目标植物的直线距离;
根据所述目标植物区域图像的目标植物深度信息和所述目标摄像机的参数信息确定对应的所述目标摄像机与目标植物顶部的相对距离;
基于所述直线距离、所述相对距离以及所述目标摄像机的高度信息确定目标植物区域高度。
8.一种植物高度检测装置,其特征在于,所述植物高度检测装置包括:
信息获取模块,用于获取目标摄像机拍摄的待处理图像,并获取所述目标摄像机的高度信息和参数信息;
图像提取模块,用于根据预设区域划分模型对所述待处理图像进行区域划分,获得所述待处理图像中的目标植物区域图像;
高度检测模块,用于根据所述目标植物区域图像、所述高度信息和参数信息确定目标植物区域高度。
9.一种植物高度检测设备,其特征在于,所述植物高度检测设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的植物高度检测程序,所述植物高度检测程序配置为实现如权利要求1至7中任一项所述的植物高度检测方法。
10.一种存储介质,其特征在于,所述存储介质上存储有植物高度检测程序,所述植物高度检测程序被处理器执行时实现如权利要求1至7任一项所述的植物高度检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110870104.8A CN115700805A (zh) | 2021-07-30 | 2021-07-30 | 植物高度检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110870104.8A CN115700805A (zh) | 2021-07-30 | 2021-07-30 | 植物高度检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115700805A true CN115700805A (zh) | 2023-02-07 |
Family
ID=85120756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110870104.8A Pending CN115700805A (zh) | 2021-07-30 | 2021-07-30 | 植物高度检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115700805A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522950A (zh) * | 2023-12-28 | 2024-02-06 | 江西农业大学 | 一种基于机器视觉的植物茎杆生长的几何参数测量方法 |
-
2021
- 2021-07-30 CN CN202110870104.8A patent/CN115700805A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117522950A (zh) * | 2023-12-28 | 2024-02-06 | 江西农业大学 | 一种基于机器视觉的植物茎杆生长的几何参数测量方法 |
CN117522950B (zh) * | 2023-12-28 | 2024-03-12 | 江西农业大学 | 一种基于机器视觉的植物茎杆生长的几何参数测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN112949366B (zh) | 障碍物识别方法和装置 | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
Grigillo et al. | Automated building extraction from IKONOS images in suburban areas | |
CN114612896B (zh) | 基于遥感图像的水稻产量预测方法、装置以及设备 | |
CN112016497A (zh) | 基于人工智能的单视角太极拳动作分析及考核*** | |
Pan et al. | No-reference assessment on haze for remote-sensing images | |
CN112529827A (zh) | 遥感图像融合模型的训练方法及装置 | |
CN111222539A (zh) | 基于多源多时相遥感影像优化和扩充监督分类样本的方法 | |
CN110298366B (zh) | 农作物分布提取方法及装置 | |
CN116258956A (zh) | 无人机树木识别方法、设备、存储介质及装置 | |
CN117576195A (zh) | 一种植物叶片形态识别方法 | |
CN110007764B (zh) | 一种手势骨架识别方法、装置、***及存储介质 | |
CN115700805A (zh) | 植物高度检测方法、装置、设备及存储介质 | |
CN113408374B (zh) | 基于人工智能的产量预估方法、装置、设备及存储介质 | |
CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及*** | |
CN114119695A (zh) | 一种图像标注方法、装置及电子设备 | |
CN103824083B (zh) | 基于叶片完备局部二值特征的Web在线物种识别方法 | |
CN115239794B (zh) | 道路积水面积检测方法、装置及电子设备 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN116758419A (zh) | 针对遥感图像的多尺度目标检测方法、装置和设备 | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及*** | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
CN115830474A (zh) | 一种识别野生藏药独一味及其分布并计算其产量的方法与*** | |
CN114445326A (zh) | 光伏面板异常检测方法、检测装置及计算机可读存储装置 |
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 |