CN116543330A - 农作物信息存储方法、装置、电子设备和计算机可读介质 - Google Patents
农作物信息存储方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN116543330A CN116543330A CN202310395339.5A CN202310395339A CN116543330A CN 116543330 A CN116543330 A CN 116543330A CN 202310395339 A CN202310395339 A CN 202310395339A CN 116543330 A CN116543330 A CN 116543330A
- Authority
- CN
- China
- Prior art keywords
- crop
- image
- sequence
- information
- identification information
- 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 62
- 238000012216 screening Methods 0.000 claims abstract description 55
- 238000012545 processing Methods 0.000 claims abstract description 34
- 238000001514 detection method Methods 0.000 claims description 101
- 230000008859 change Effects 0.000 claims description 44
- 241000196324 Embryophyta Species 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000012010 growth Effects 0.000 description 26
- 230000006870 function Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000003698 anagen phase Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- 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
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了农作物信息存储方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列;对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列;基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列;将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对上述农作物信息序列进行存储。该实施方式与智慧农业有关,可以提高得到的农作物信息序列的准确度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及农作物信息存储方法、装置、电子设备和计算机可读介质。
背景技术
智慧化是农业发展的重要趋势,作物长势监测技术是智慧农业科学决策的一个重要组成部分,也是目前各大农业平台的重要研究方向。目前,在进行农作物信息存储时,通常采用的方式为:将固定时间(例如7天、15天等)内的全部图像数据作为农作物信息进行存储,以供为后续的智慧化农业决策提供数据支持。
然而,发明人发现,当采用上述方式进行农作物信息存储时,经常会存在如下技术问题:
农作物的长势是一个时间跨度很长的时空结构图像数据,可以从连续的图像中体现农作物生成过程的变化状态,而仅存储固定时间内的全部图像数据,则难以全面的体现农作物在较长生命周期中的生长变化状态,从而,导致存储的农作物信息不够完整,进而,使得无法为后续的智慧化农业决策提供准确的数据支持。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解,并因此,其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了农作物信息存储方法、装置、电子设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。
第一方面,本公开的一些实施例提供了一种农作物信息存储方法,该方法包括:对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列;对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列;基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列;将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对上述农作物信息序列进行存储。
可选的,在上述对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列之前,上述农作物信息存储方法还包括:根据预设的时间周期和视频信息,获取农作物拍摄视频。
可选的,上述对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列,包括:对上述农作物拍摄视频中的每一帧图像进行亮度检测,以生成图像亮度检测信息序列;对上述农作物拍摄视频中的每一帧图像进行模糊度检测,以生成图像模糊度检测信息序列;将上述图像亮度检测信息序列与图像模糊度检测信息序列中满足预设图像质量条件的图像亮度检测信息和图像模糊度检测信息对应的图像确定为农作物图像,得到农作物图像序列。
可选的,上述对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列,包括:将上述农作物图像序列中对应预设时间间隔的农作物图像确定为农作物参照图像,得到农作物参照图像序列。
可选的,上述基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列,包括:对于上述农作物参照图像序列中的每个农作物参照图像,执行以下生成步骤:以上述农作物参照图像为起始状态图像,对上述农作物图像序列中、与上述农作物参照图像处于同一时间间隔内的各个农作物图像进行农作物状态变化识别,以生成农作物识别信息组,其中,上述农作物识别信息组中的每个农作物识别信息包括以下至少一项:农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数、杂草颜色变化指数和异物检测信息;将所生成的农作物识别信息组中的各个农作物识别信息按照时序进行组合,以生成农作物识别信息序列。
可选的,上述将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,包括:响应于确定上述农作物识别信息包括的农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数或杂草颜色变化指数大于对应的预设阈值,确定上述农作物识别信息满足上述预设农作物状态筛选条件;将上述农作物识别信息和对应的农作物图像确定为农作物信息。
可选的,上述将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,还包括:响应于确定上述农作物识别信息包括的异物检测信息为表征存在异物的信息,将上述农作物识别信息与对应的农作物图像确定为农作物信息。
第二方面,本公开的一些实施例提供了一种农作物信息存储装置,装置包括:检测处理单元,被配置成对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列;筛选处理单元,被配置成对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列;生成单元,被配置成基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列;确定以及存储单元,被配置成将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对上述农作物信息序列进行存储。
可选的,在上述检测处理单元之前,上述农作物信息存储装置还包括获取单元,被配置成根据预设的时间周期和视频信息,获取农作物拍摄视频。
可选的,上述检测处理单元被进一步配置成:对上述农作物拍摄视频中的每一帧图像进行亮度检测,以生成图像亮度检测信息序列;对上述农作物拍摄视频中的每一帧图像进行模糊度检测,以生成图像模糊度检测信息序列;将上述图像亮度检测信息序列与图像模糊度检测信息序列中满足预设图像质量条件的图像亮度检测信息和图像模糊度检测信息对应的图像确定为农作物图像,得到农作物图像序列。
可选的,上述筛选处理单元被进一步配置成:将上述农作物图像序列中对应预设时间间隔的农作物图像确定为农作物参照图像,得到农作物参照图像序列。
可选的,上述生成单元被进一步配置成:对于上述农作物参照图像序列中的每个农作物参照图像,执行以下生成步骤:以上述农作物参照图像为起始状态图像,对上述农作物图像序列中、与上述农作物参照图像处于同一时间间隔内的各个农作物图像进行农作物状态变化识别,以生成农作物识别信息组,其中,上述农作物识别信息组中的每个农作物识别信息包括以下至少一项:农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数、杂草颜色变化指数和异物检测信息;将所生成的农作物识别信息组中的各个农作物识别信息按照时序进行组合,以生成农作物识别信息序列。
可选的,上述确定以及存储单元被进一步配置成:响应于确定上述农作物识别信息包括的农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数或杂草颜色变化指数大于对应的预设阈值,确定上述农作物识别信息满足上述预设农作物状态筛选条件;将上述农作物识别信息和对应的农作物图像确定为农作物信息。
可选的,上述确定以及存储单元还被进一步配置成:响应于确定上述农作物识别信息包括的异物检测信息为表征存在异物的信息,将上述农作物识别信息与对应的农作物图像确定为农作物信息。
第三方面,本公开的一些实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面,本公开的一些实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的农作物信息存储方法,可以存储更加完整的农作物信息。具体来说,造成存储的农作物信息不够准确的原因在于:农作物的长势是一个时间跨度很长的时空结构图像数据,可以从连续的图像中体现农作物生成过程的变化状态,而仅存储固定时间内的全部图像数据,则难以全面的体现农作物在较长生命周期中的生长变化状态。基于此,本公开的一些实施例的农作物信息存储方法,首先,对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列。接着,对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列。通过筛选处理选出的农作物参照图像,可以用于作为农作物在不同时间段的生长状态参照图。之后,基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列。由于引入了农作物参照图像序列,使得在较长的生长周期中,也可以用于体现农作物在不同时间段的参考状态。从而,使得生成的农作物识别信息序列也具有可以体现不同时间段农作物的生长状态。最后,将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对上述农作物信息序列进行存储。通过预设农作物状态筛选条件,可以选出更加准确表征农作物生长状态的农作物信息。以此提高农作物信息序列的准确度。从而,使得存储的农作物信息足够完整。进而,可以为后续的智慧化农业决策提供准确的数据支持。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,元件和元素不一定按照比例绘制。
图1是本公开的一些实施例的农作物信息存储方法的一个应用场景的示意图;
图2是根据本公开的农作物信息存储方法的一些实施例的流程图;
图3是根据本公开的农作物信息存储方法的一些实施例中的异物图像显示的示意图;
图4是根据本公开的农作物信息存储方法的另一些实施例的流程图;
图5是根据本公开的农作物信息存储装置的一些实施例的结构示意图;
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1是本公开的一些实施例的农作物信息存储方法的一个应用场景的示意图。
在图1的应用场景中,首先,计算设备101可以对预获取的农作物拍摄视频102进行检测处理,以生成农作物图像序列103。接着,计算设备101可以对上述农作物图像序列103中的各个农作物图像进行筛选处理,得到农作物参照图像序列104。然后,计算设备101可以基于上述农作物参照图像序列104和上述农作物图像序列103,生成农作物识别信息序列105。例如,农作物识别信息可以包括农作物光照强度数据、农作物生长阶段数据等。最后,计算设备101可以将上述农作物识别信息序列105中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列106,以及对上述农作物信息106序列进行存储。
需要说明的是,上述计算设备101可以是硬件,也可以是软件。当计算设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时,可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的计算设备的数目仅仅是示意性的。根据实现需要,可以具有任意数目的计算设备。
继续参考图2,示出了根据本公开的农作物信息存储方法的一些实施例的流程200。该农作物信息存储方法,包括以下步骤:
步骤201,对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列。
在一些实施例中,农作物信息存储方法的执行主体(如图1所示的计算设备101)可以对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列。其中,农作物拍摄视频可以是由预先设定的相机对某一种农作物拍摄的视频。其次,检测处理可以是:确定农作物拍摄视频中的每一帧的图像可以正常打开,不出现报错。然后,可以按照帧顺序,将各帧的图像作为农作物图像,得到农作物图像序列。另外,农作物图像序列中的每个农作物图像可以对应一个时间戳。农作物可以包括但不限于以下至少一项:粮食作物、蔬菜作物、水果作物、花卉植物等植物。
步骤202,对农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列。
在一些实施例中,上述执行主体可以对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列。其中,可以将农作物图像序列中对应预设时间条件的农作物图像作为农作物参照图像,得到农作物参照图像序列。实践中,智慧化农业中的农作物会进行浇水、施肥、除虫等工作。这里,预设时间条件可以是农作物图像对应的时间戳为浇水工作开始的时间、施肥工作开始时间等。对应预设时间条件可以是农作物图像对应的时间戳与预设时间条件对应同一时间。另外,农作物参照图像序列中的各个农作物参照图像可以用于作为农作物在不同时间段的生长状态参照图。
在一些实施例的一些可选的实现方式中,上述执行主体对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列,可以包括以下步骤:
将上述农作物图像序列中对应预设时间间隔的农作物图像确定为农作物参照图像,得到农作物参照图像序列。其中,预设时间间隔可以是预先设定的、用于划分时间段的时长。因此,若以农作物图像序列中的某一个农作物图像对应的时间点为起点,则可以将经过预设时间间隔后的时刻对应的农作物图像确定为农作物参照图像。由此,农作物参照图像序列中的各个农作物参照图像对应的时间戳之间的时间间隔可以是相同的。
步骤203,基于农作物参照图像序列和农作物图像序列,生成农作物识别信息序列。
在一些实施例中,上述执行主体可以基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列。其中,可以通过预设的农作物检测模型,对上述农作物参照图像序列中的各个农作物参照图像进行农作物检测,以生成农作物检测结果序列。然后,可以将每个农作物检测结果与对应的农作物图像确定为农作物识别信息。这里,农作物图像的时间点处于农作物检测结果对应的时间点之后的预设时间间隔之内,则可以确定农作物检测结果与对应的农作物图像为对应关系。其次,农作物检测结果可以包括但不限于以下至少一项:农作物光照强度数据和农作物生长阶段数据等。农作物生长阶段数据可以表征农作物生长阶段。具体的,可以预先针对某一农作物设置不同的生长阶段,用于训练农作物检测模型。
作为示例,上述农作物检测模型可以包括但不限于以下至少一项:Resnet(Residual Network,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型和GoogLeNet(深度神经网络)模型等。
在一些实施例的一些可选的实现方式中,上述执行主体基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列,可以包括以下步骤:
第一步,对于上述农作物参照图像序列中的每个农作物参照图像,执行以下生成步骤:
以上述农作物参照图像为起始状态图像,对上述农作物图像序列中、与上述农作物参照图像处于同一时间间隔内的各个农作物图像进行农作物状态变化识别,以生成农作物识别信息组。其中,上述农作物识别信息组中的每个农作物识别信息可以包括但不限于以下至少一项:农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数、杂草颜色变化指数和异物检测信息。这里,异物检测信息可以表征农作物图像中是否存在异常。例如,有动物或人出现在图像中即存在异常。其次,同一时间间隔内的各个农作物图像可以是:以上述农作物参照图像所在时间点开始、对应的时间点处于上述预设时间间隔之内的农作物图像。另外,可以将起始状态图像和每个农作物图像输入至预设的识别模型中,得到农作物识别信息。
作为示例,上述识别模型可以包括但不限于以下至少一项:DenseCRF(Fully-Connected Conditional Random Fields,全连接条件随机场)模型、MRF(MRF-MarkovRandom Field,马尔科夫条件随机场)模型、SPP(Spatial Pyramid Pooling,空间金字塔池化模块)模型或FCN(Fully Convolutional Networks,全卷机神经网络)模型等。
实践中,通过以农作物参照图像为起始状态图像、对处于同一时间间隔内的每个农作物图像进行识别,使得对农作物图像的状态变化识别设定了参照物。由此,可以便于识别时间间隔内的农作物图像之间的农作物颜色变化指数和杂草颜色变化指数。从而,可以用于提高生成的农作物识别信息的准确度。
第二步,将所生成的农作物识别信息组中的各个农作物识别信息按照时序进行组合,以生成农作物识别信息序列。其中,组合可以是将各个农作物识别信息按照时间顺序进行排列组合,以生成农作物识别信息序列。由此,避免农作物信息在时间结构上出现错乱。
步骤204,将农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对农作物信息序列进行存储。
在一些实施例中,上述执行主体可以将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对上述农作物信息序列进行存储。其中,预设农作物状态筛选条件可以是农作物识别信息包括的农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数、杂草颜色变化指数均大于对应的预设阈值。农作物识别信息对应的农作物图像可以指识别后得到农作物识别信息的农作物图像。其次,存储可以是将农作物信息序列存储至预先设定的数据库中。
在一些实施例的一些可选的实现方式中,上述执行主体将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,可以包括以下步骤:
第一步,响应于确定上述农作物识别信息包括的农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数或杂草颜色变化指数大于对应的预设阈值,确定上述农作物识别信息满足上述预设农作物状态筛选条件。其中,农作物识别信息包括的农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数或杂草颜色变化指数大于对应的预设阈值,可以指农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数和杂草颜色变化指数中至少有一项大于对应的预设阈值,即确定农作物识别信息满足上述预设农作物状态筛选条件。例如,农作物图像占比面积大于对应的预设农作物占比面积阈值。这里,农作物识别信息满足上述预设农作物状态筛选条件,可以表征农作物生长状态出现了变化。
第二步,将上述农作物识别信息和对应的农作物图像确定为农作物信息。
在一些实施例的一些可选的实现方式中,上述执行主体将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,可以包括以下步骤:
响应于确定上述农作物识别信息包括的异物检测信息为表征存在异物的信息,将上述农作物识别信息与对应的农作物图像确定为农作物信息。其中,异物检测信息表征存在异物,可以表示农作物图像中存在异常事物。例如,农作物图像中出现人、动物、塑料袋等情况。因此,需要对此类农作物图像进行存储。
可选的,上述执行主体还可以将上述农作物参照图像序列中未被存储的农作物参照图像和对应的农作物识别信息确定为农作物信息,以供存储。这里,由于农作物参照图像是用于表征一段时间内农作物起始状态的,因此,需要将全部农作物参照图像进行存储。另外,在存储过程中也可以是按照时间先后顺序进行存储。
实践中,通过设定预设农作物状态筛选条件,可以从农作物识别信息序列中选出农作物生长变化程度较大的农作物识别信息,以生成农作物信息。由此,可以无需将所有的农作物图像进行存储。而是选出满足条件的农作物识别信息和对应的农作物图像作为农作物信息,已进行存储。从而,不仅可以保留农作物生长过程中的变化状态,还可以减少农作物信息的储存量,使得可以更好的为后续的智慧化农业决策提供准确的数据支持。
可选的,上述执行主体还可以执行以下步骤:
响应于确定农作物识别信息包括的异物检测信息为表征存在异物的信息,将上述农作物识别信息对应的农作物图像发送至显示终端以供显示。
作为示例,参考图3。如图3所示,上述执行主体(如图1所示的计算设备101)在检测到农作物识别信息301包括的异物检测信息302为表征存在异物的信息时,可以将上述农作物识别信息301对应的农作物图像303发送至显示终端304以供显示。以此便于及时通知工作人员处理异物。
本公开的上述各个实施例具有如下有益效果:通过本公开的一些实施例的农作物信息存储方法,可以存储更加完整的农作物信息。具体来说,造成存储的农作物信息不够准确的原因在于:农作物的长势是一个时间跨度很长的时空结构图像数据,可以从连续的图像中体现农作物生成过程的变化状态,而仅存储固定时间内的全部图像数据,则难以全面的体现农作物在较长生命周期中的生长变化状态。基于此,本公开的一些实施例的农作物信息存储方法,首先,对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列。接着,对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列。通过筛选处理选出的农作物参照图像,可以用于作为农作物在不同时间段的生长状态参照图。之后,基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列。由于引入了农作物参照图像序列,使得在较长的生长周期中,也可以用于体现农作物在不同时间段的参考状态。从而,使得生成的农作物识别信息序列也具有可以体现不同时间段农作物的生长状态。最后,将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对上述农作物信息序列进行存储。通过预设农作物状态筛选条件,可以选出更加准确表征农作物生长状态的农作物信息。以此提高农作物信息序列的准确度。从而,使得存储的农作物信息足够完整。进而,可以为后续的智慧化农业决策提供准确的数据支持。
进一步参考图4,其示出了农作物信息存储方法的另一些实施例的流程400。该农作物信息存储方法,包括以下步骤:
步骤401,根据预设的时间周期和视频信息,获取农作物拍摄视频。
在一些实施例中,农作物信息存储方法的执行主体(如图1所示的计算设备101)可以根据预设的时间周期和视频信息,获取农作物拍摄视频。其中,时间周期可以是拍摄农作物拍摄视频的时间段(例如,每天上午10点-11点)。视频信息可以是拍摄农作物视频的基础数据。这里,上述执行主体可以按照时间周期控制相机按照视频信息的数据进行拍摄,以获得农作物拍摄视频。视频信息可以包括视频拍摄的帧率。另外,对于不同的农作物预设的视频信息可以是不同的。
实践中,对于生长时间较长的农作物,减少连续的拍摄时长,改为周期性拍摄,并不影响图像中体现的农作物生长周期的生长状态的情况。因此,通过引入农作物拍摄视频的时机,可以在一定程度上减少农作物拍摄视频的时长,以此减少农作物拍摄图像的数量。同时,考虑到农作物在短时间变化程度不大的情况,对于不同的农作物设定不同的视频信息,可以进一步减少相似图像的数量。从而,可以极大的去除冗余图像。进而,可以提高农作物信息的存储效率。
步骤402,对农作物拍摄视频中的每一帧图像进行亮度检测,以生成图像亮度检测信息序列。
在一些实施例中,上述执行主体可以对上述农作物拍摄视频中的每一帧图像进行亮度检测,以生成图像亮度检测信息序列。其中,可以通过以下步骤对每一帧图像进行亮度检测,以生成图像亮度检测信息:
第一步,对上述每一帧图像进行灰度化,得到农作物灰度图像。其中,可以通过二值化函数对图像进行灰度化处理。
第二步,确定上述农作物灰度图像的灰度均值。其中,可以通过预设的图像处理函数,确定上述农作物灰度图像的灰度均值。其次,图像处理函数可以是计算机视觉库中的函数。
第三步,响应于确定上述灰度均值不等于预设的灰度均值点,确定上述农作物灰度图像的灰度偏差值和色偏方向值。其中,灰度均值不等于预设的灰度均值点(例如,128)表征图像亮度存在与异常。因此,可以确定上述农作物灰度图像的灰度偏差值和色偏方向值,以供进一步确定图像亮度是否异常。其次,可以通过预设的视频清晰度函数确定上述农作物灰度图像的灰度偏差值和色偏方向值。
作为示例,视频清晰度函数可以是brightnessException(视频清晰度)函数。
第四步,响应于确定上述灰度偏差值大于预设灰度偏差值、上述色偏方向值不满足预设色偏条件,生成表征亮度异常的图像亮度检测信息。其中,预设色偏条件可以是色偏方向值不等于0。灰度偏差值大于预设灰度偏差阈值(例如1)、或色偏方向值不满足预设色偏条件可以表征亮度异常。
第五步,响应于确定上述灰度偏差值大于预设灰度偏差值、上述色偏方向值满足预设色偏条件,生成表征亮度正常的图像亮度检测信息。
步骤403,对农作物拍摄视频中的每一帧图像进行模糊度检测,以生成图像模糊度检测信息序列。
在一些实施例中,上述执行主体可以对上述农作物拍摄视频中的每一帧图像进行模糊度检测,以生成图像模糊度检测信息序列。其中,首先,可以确定每一帧图像对应的农作物灰度图像的灰度方差值。然后,灰度方差值大于预设方差阈值,则生成表征图像模糊度正常的图像模糊度检测信息。例如,表征图像模糊度正常的图像模糊度检测信息可以是“图像模糊度正常”。若灰度方差值小于等于预设方差阈值,则生成表征图像模糊度异常的图像模糊度检测信息。例如,表征图像模糊度异常的图像模糊度检测信息可以是“图像模糊度异常”。
步骤404,将图像亮度检测信息序列与图像模糊度检测信息序列中满足预设图像质量条件的图像亮度检测信息和图像模糊度检测信息对应的图像确定为农作物图像,得到农作物图像序列。
在一些实施例中,上述执行主体可以将上述图像亮度检测信息序列与图像模糊度检测信息序列中满足预设图像质量条件的图像亮度检测信息和图像模糊度检测信息对应的图像确定为农作物图像,得到农作物图像序列。其中,满足预设图像质量条件的图像亮度检测信息和图像模糊度检测信息,可以指对应同一帧图像的图像亮度检测信息与图像模糊度检测信息同时满足预设图像质量条件。预设图像质量条件可以是图像亮度检测信息表征图像亮度正常、图像模糊度检测信息表征图像模糊度正常。
步骤405,对农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列。
步骤406,基于农作物参照图像序列和农作物图像序列,生成农作物识别信息序列。
步骤407,将农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对农作物信息序列进行存储。
在一些实施例中,步骤405-步骤407的具体实现方式及所带来的技术效果可以参考图2对应的那些实施例中的步骤202-步骤204,在此不再赘述。
从图4中可以看出,与图2对应的一些实施例的描述相比,图4对应的一些实施例中的农作物信息存储方法的流程400引入了农作物拍摄视频的获取时机,可以在一定程度上减少农作物拍摄视频的时长,以此减少农作物拍摄图像的数量。接着,去除清晰度和亮度不足的农作物图像,不仅可以确保的农作物图像序列中的图像足够清晰。且可以再次减少农作物拍摄图像的数量。同时,考虑到农作物在短时间变化程度不大的情况,对于不同的农作物设定不同的视频信息,可以进一步减少相似图像的数量。从而,可以极大的去除冗余图像。进而,可以提高农作物信息的存储效率。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种农作物信息存储装置的一些实施例,这些装置实施例与图2所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,一些实施例的农作物信息存储装置500包括:检测处理单元501、筛选处理单元502、生成单元503和确定以及存储单元504。其中,检测处理单元501,被配置成对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列;筛选处理单元502,被配置成对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列;生成单元503,被配置成基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列;确定以及存储单元504,被配置成将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对上述农作物信息序列进行存储。
在一些实施例的可选实现方式中,农作物信息存储装置500还可以包括获取单元。其中,获取单元可以被进一步配置成:根据预设的时间周期和视频信息,获取农作物拍摄视频。
在一些实施例的可选实现方式中,上述农作物信息存储装置500中的检测处理单元501可以被进一步配置成:对上述农作物拍摄视频中的每一帧图像进行亮度检测,以生成图像亮度检测信息序列;对上述农作物拍摄视频中的每一帧图像进行模糊度检测,以生成图像模糊度检测信息序列;将上述图像亮度检测信息序列与图像模糊度检测信息序列中满足预设图像质量条件的图像亮度检测信息和图像模糊度检测信息对应的图像确定为农作物图像,得到农作物图像序列。
在一些实施例的可选实现方式中,上述农作物信息存储装置500中的筛选处理单元502可以被进一步配置成:将上述农作物图像序列中对应预设时间间隔的农作物图像确定为农作物参照图像,得到农作物参照图像序列。
在一些实施例的可选实现方式中,上述农作物信息存储装置500中的生成单元503可以被进一步配置成:对于上述农作物参照图像序列中的每个农作物参照图像,执行以下生成步骤:以上述农作物参照图像为起始状态图像,对上述农作物图像序列中、与上述农作物参照图像处于同一时间间隔内的各个农作物图像进行农作物状态变化识别,以生成农作物识别信息组,其中,上述农作物识别信息组中的每个农作物识别信息包括以下至少一项:农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数、杂草颜色变化指数和异物检测信息;将所生成的农作物识别信息组中的各个农作物识别信息按照时序进行组合,以生成农作物识别信息序列。
在一些实施例的可选实现方式中,上述农作物信息存储装置500中的确定以及存储单元504可以被进一步配置成:响应于确定上述农作物识别信息包括的农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数或杂草颜色变化指数大于对应的预设阈值,确定上述农作物识别信息满足上述预设农作物状态筛选条件;将上述农作物识别信息和对应的农作物图像确定为农作物信息。
在一些实施例的可选实现方式中,上述农作物信息存储装置500中的确定以及存储单元504还可以被进一步配置成:响应于确定上述农作物识别信息包括的异物检测信息为表征存在异物的信息,将上述农作物识别信息与对应的农作物图像确定为农作物信息。
可以理解的是,农作物信息存储装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开的一些实施例的电子设备600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的一些实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列;对上述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列;基于上述农作物参照图像序列和上述农作物图像序列,生成农作物识别信息序列;将上述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对上述农作物信息序列进行存储。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括检测处理单元、筛选处理单元、生成单元和确定以及存储单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,生成单元还可以被描述为“生成农作物识别信息序列的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上***(SOC)、复杂可编程逻辑设备(CPLD)等等。
Claims (10)
1.一种农作物信息存储方法,包括:
对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列;
对所述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列;
基于所述农作物参照图像序列和所述农作物图像序列,生成农作物识别信息序列;
将所述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对所述农作物信息序列进行存储。
2.根据权利要求1所述的方法,其中,在所述对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列之前,所述方法还包括:
根据预设的时间周期和视频信息,获取农作物拍摄视频。
3.根据权利要求1所述的方法,其中,所述对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列,包括:
对所述农作物拍摄视频中的每一帧图像进行亮度检测,以生成图像亮度检测信息序列;
对所述农作物拍摄视频中的每一帧图像进行模糊度检测,以生成图像模糊度检测信息序列;
将所述图像亮度检测信息序列与图像模糊度检测信息序列中满足预设图像质量条件的图像亮度检测信息和图像模糊度检测信息对应的图像确定为农作物图像,得到农作物图像序列。
4.根据权利要求1所述的方法,其中,所述对所述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列,包括:
将所述农作物图像序列中对应预设时间间隔的农作物图像确定为农作物参照图像,得到农作物参照图像序列。
5.根据权利要求4所述的方法,其中,所述基于所述农作物参照图像序列和所述农作物图像序列,生成农作物识别信息序列,包括:
对于所述农作物参照图像序列中的每个农作物参照图像,执行以下生成步骤:
以所述农作物参照图像为起始状态图像,对所述农作物图像序列中、与所述农作物参照图像处于同一时间间隔内的各个农作物图像进行农作物状态变化识别,以生成农作物识别信息组,其中,所述农作物识别信息组中的每个农作物识别信息包括以下至少一项:农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数、杂草颜色变化指数和异物检测信息;
将所生成的农作物识别信息组中的各个农作物识别信息按照时序进行组合,以生成农作物识别信息序列。
6.根据权利要求5所述的方法,其中,所述将所述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,包括:
响应于确定所述农作物识别信息包括的农作物图像面积占比、杂草图像面积占比、农作物颜色变化指数或杂草颜色变化指数大于对应的预设阈值,确定所述农作物识别信息满足所述预设农作物状态筛选条件;
将所述农作物识别信息和对应的农作物图像确定为农作物信息。
7.根据权利要求5所述的方法,其中,所述将所述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,还包括:
响应于确定所述农作物识别信息包括的异物检测信息为表征存在异物的信息,将所述农作物识别信息与对应的农作物图像确定为农作物信息。
8.一种农作物信息存储装置,包括:
检测处理单元,被配置成对预获取的农作物拍摄视频进行检测处理,以生成农作物图像序列;
筛选处理单元,被配置成对所述农作物图像序列中的各个农作物图像进行筛选处理,得到农作物参照图像序列;
生成单元,被配置成基于所述农作物参照图像序列和所述农作物图像序列,生成农作物识别信息序列;
确定以及存储单元,被配置成将所述农作物识别信息序列中满足预设农作物状态筛选条件的每个农作物识别信息与对应的农作物图像确定为农作物信息,得到农作物信息序列,以及对所述农作物信息序列进行存储。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395339.5A CN116543330A (zh) | 2023-04-13 | 2023-04-13 | 农作物信息存储方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310395339.5A CN116543330A (zh) | 2023-04-13 | 2023-04-13 | 农作物信息存储方法、装置、电子设备和计算机可读介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116543330A true CN116543330A (zh) | 2023-08-04 |
Family
ID=87451463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310395339.5A Pending CN116543330A (zh) | 2023-04-13 | 2023-04-13 | 农作物信息存储方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116543330A (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5731832A (en) * | 1996-11-05 | 1998-03-24 | Prescient Systems | Apparatus and method for detecting motion in a video signal |
CN106897983A (zh) * | 2016-12-30 | 2017-06-27 | 青岛海信电器股份有限公司 | 一种多帧图像集合的处理方法和图像处理装置 |
CN109166261A (zh) * | 2018-10-11 | 2019-01-08 | 平安科技(深圳)有限公司 | 基于图像识别的图像处理方法、装置、设备及存储介质 |
US20200065986A1 (en) * | 2018-08-22 | 2020-02-27 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image Processing Method, Non-Transitory Computer-Readable Storage Medium, and Electronic Apparatus |
CN111024710A (zh) * | 2019-12-17 | 2020-04-17 | 江苏恒宝智能***技术有限公司 | 一种农作物异常检测***及方法 |
CN111444833A (zh) * | 2020-03-25 | 2020-07-24 | 中国农业科学院农业信息研究所 | 果实测产方法、装置、计算机设备及存储介质 |
WO2020211339A1 (zh) * | 2019-04-16 | 2020-10-22 | 平安科技(深圳)有限公司 | 指静脉识别方法、装置、计算机设备及存储介质 |
WO2020259264A1 (zh) * | 2019-06-28 | 2020-12-30 | Oppo广东移动通信有限公司 | 主体追踪方法、电子设备和计算机可读存储介质 |
CN112836682A (zh) * | 2021-03-04 | 2021-05-25 | 广东建邦计算机软件股份有限公司 | 视频中对象的识别方法、装置、计算机设备和存储介质 |
US20210256266A1 (en) * | 2019-03-18 | 2021-08-19 | Tencent Technology (Shenzhen) Company Limited | Target detection method, system, and apparatus, storage medium, and computer device |
CN113763195A (zh) * | 2020-08-21 | 2021-12-07 | 北京京东振世信息技术有限公司 | 种植计划的控制方法、装置及计算机可读介质 |
CN113850312A (zh) * | 2021-09-17 | 2021-12-28 | 西安天和防务技术股份有限公司 | 森林生态状况的监测方法、装置、电子设备及存储介质 |
US20220058871A1 (en) * | 2020-08-20 | 2022-02-24 | Qualcomm Incorporated | Object scanning using planar segmentation |
CN114170690A (zh) * | 2022-02-14 | 2022-03-11 | 中国科学院自动化研究所 | 活体识别和构建活体识别模型的方法、装置 |
US20220309633A1 (en) * | 2021-03-16 | 2022-09-29 | Monsters Aliens Robots Zombies Inc. | Method and system for image processing |
CN115273074A (zh) * | 2022-07-26 | 2022-11-01 | 武汉轻工大学 | 品质检测方法、装置、设备及存储介质 |
CN115457437A (zh) * | 2022-08-31 | 2022-12-09 | 北京市农林科学院智能装备技术研究中心 | 作物识别方法、装置、***及农药喷施机器人 |
WO2023021303A1 (en) * | 2021-08-20 | 2023-02-23 | Garford Farm Machinery Ltd | Image processing |
-
2023
- 2023-04-13 CN CN202310395339.5A patent/CN116543330A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5731832A (en) * | 1996-11-05 | 1998-03-24 | Prescient Systems | Apparatus and method for detecting motion in a video signal |
CN106897983A (zh) * | 2016-12-30 | 2017-06-27 | 青岛海信电器股份有限公司 | 一种多帧图像集合的处理方法和图像处理装置 |
US20200065986A1 (en) * | 2018-08-22 | 2020-02-27 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Image Processing Method, Non-Transitory Computer-Readable Storage Medium, and Electronic Apparatus |
CN109166261A (zh) * | 2018-10-11 | 2019-01-08 | 平安科技(深圳)有限公司 | 基于图像识别的图像处理方法、装置、设备及存储介质 |
US20210256266A1 (en) * | 2019-03-18 | 2021-08-19 | Tencent Technology (Shenzhen) Company Limited | Target detection method, system, and apparatus, storage medium, and computer device |
WO2020211339A1 (zh) * | 2019-04-16 | 2020-10-22 | 平安科技(深圳)有限公司 | 指静脉识别方法、装置、计算机设备及存储介质 |
WO2020259264A1 (zh) * | 2019-06-28 | 2020-12-30 | Oppo广东移动通信有限公司 | 主体追踪方法、电子设备和计算机可读存储介质 |
CN111024710A (zh) * | 2019-12-17 | 2020-04-17 | 江苏恒宝智能***技术有限公司 | 一种农作物异常检测***及方法 |
CN111444833A (zh) * | 2020-03-25 | 2020-07-24 | 中国农业科学院农业信息研究所 | 果实测产方法、装置、计算机设备及存储介质 |
US20220058871A1 (en) * | 2020-08-20 | 2022-02-24 | Qualcomm Incorporated | Object scanning using planar segmentation |
CN113763195A (zh) * | 2020-08-21 | 2021-12-07 | 北京京东振世信息技术有限公司 | 种植计划的控制方法、装置及计算机可读介质 |
CN112836682A (zh) * | 2021-03-04 | 2021-05-25 | 广东建邦计算机软件股份有限公司 | 视频中对象的识别方法、装置、计算机设备和存储介质 |
US20220309633A1 (en) * | 2021-03-16 | 2022-09-29 | Monsters Aliens Robots Zombies Inc. | Method and system for image processing |
WO2023021303A1 (en) * | 2021-08-20 | 2023-02-23 | Garford Farm Machinery Ltd | Image processing |
CN113850312A (zh) * | 2021-09-17 | 2021-12-28 | 西安天和防务技术股份有限公司 | 森林生态状况的监测方法、装置、电子设备及存储介质 |
CN114170690A (zh) * | 2022-02-14 | 2022-03-11 | 中国科学院自动化研究所 | 活体识别和构建活体识别模型的方法、装置 |
CN115273074A (zh) * | 2022-07-26 | 2022-11-01 | 武汉轻工大学 | 品质检测方法、装置、设备及存储介质 |
CN115457437A (zh) * | 2022-08-31 | 2022-12-09 | 北京市农林科学院智能装备技术研究中心 | 作物识别方法、装置、***及农药喷施机器人 |
Non-Patent Citations (4)
Title |
---|
JIE-YAN LU ET AL.: "Monitoring growth rate of lettuce using deep convolutional nerual networks", 《2019 ASABE ANNUAL INTERNATIONAL MEETING》, pages 1 - 7 * |
YIN-SYUEN TONG ET AL.: "Deep Learning for Image-Based Plant Growth Monitoring:A Review", 《INTERNATIONAL JOURNAL OF ENGINEERING AND TECHNOLOGY INNOVATION》, vol. 12, no. 3, pages 225 - 246 * |
刘晖等: "机器视觉技术在农作物生长状况监测的研究进展", 《福建农机》, no. 4, pages 20 - 26 * |
叶志强: "《社交电视 ***关键支撑技术与应用案例》", 中国广播电视出版社, pages: 83 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11379723B2 (en) | Method and apparatus for compressing neural network | |
CN109145781B (zh) | 用于处理图像的方法和装置 | |
CN109740018B (zh) | 用于生成视频标签模型的方法和装置 | |
CN107330731B (zh) | 一种识别广告位点击异常的方法和装置 | |
CN108337505B (zh) | 信息获取方法和装置 | |
CN111797976A (zh) | 神经网络的训练方法、图像识别方法、装置、设备及介质 | |
US20200082199A1 (en) | Method and apparatus for inspecting burrs of electrode slice | |
CN115272182B (zh) | 车道线检测方法、装置、电子设备和计算机可读介质 | |
CN110633718B (zh) | 用于确定环境图像中的行驶区域的方法和装置 | |
CN113449773A (zh) | 模型更新方法、装置、存储介质及电子设备 | |
CN113592033B (zh) | 油罐图像识别模型训练方法、油罐图像识别方法和装置 | |
CN113379006B (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
CN114758140A (zh) | 目标检测方法、装置、设备及介质 | |
CN110942097A (zh) | 基于单像素探测器的免成像分类方法和*** | |
CN111414921B (zh) | 样本图像处理方法、装置、电子设备及计算机存储介质 | |
CN116543330A (zh) | 农作物信息存储方法、装置、电子设备和计算机可读介质 | |
CN116506741A (zh) | 监控视频去闪烁方法、装置、电子设备和计算机可读介质 | |
CN115205677A (zh) | 识别图像信息的方法、装置、电子设备和计算机可读介质 | |
US11681920B2 (en) | Method and apparatus for compressing deep learning model | |
CN111062920B (zh) | 用于生成半导体检测报告的方法及装置 | |
CN115393652B (zh) | 基于对抗网络的人工智能模型更新方法、识别方法和设备 | |
CN116010289B (zh) | 自动驾驶仿真场景测试方法、装置、电子设备和可读介质 | |
CN115292540B (zh) | 多模态零件信息识别方法、装置、设备和计算机可读介质 | |
CN113220384B (zh) | 基于门禁设备的信息发布***、方法、电子设备和介质 | |
CN117853987A (zh) | 一种人群异常行为检测方法、装置、设备和介质 |
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 |