一种土壤翻耕状态的检测方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种土壤翻耕状态的检测方法、装置、设备及存储介质，该方法包括：获取目标土壤区域内的至少一张土壤图片；识别土壤图片中包括的至少一个土块，以及各土块的土块尺寸；根据土壤图片中至少一个尺寸等级的土块数量，确定与目标土壤区域对应的土壤翻耕状态。本发明专利技术实施例的技术方案解决了现有技术中土壤翻耕状态的检测方法自动化程度低的问题，能够快速地显示或告知用户土壤的翻耕状态，提高了翻耕状态检测的准确率。了翻耕状态检测的准确率。了翻耕状态检测的准确率。

【技术实现步骤摘要】
一种土壤翻耕状态的检测方法、装置、设备及存储介质


[0001]本专利技术实施例涉及图像识别与处理技术，尤其涉及一种土壤翻耕状态的检测方法、装置、设备及存储介质。

技术介绍

[0002]翻耕是农业生产中一种重要的耕作方法，主要是指将土壤铲起、碾碎并翻转。翻耕有利于疏松土壤、存储雨水以及促进农作物的养分转化和根系伸展；另一方面，翻耕可以有效地将土壤表面的杂草、病菌、以及害虫等埋入深层土壤，提高农田的播种质量，抑制病、虫、杂草生长繁育。因此，结合目前自动化农业的发展趋势，自动高效地对土壤翻耕情况进行检测就显得尤为重要。
[0003]现有的翻耕状态的检测方法主要是由工作人员裸眼视察，自动化程度不高，不能快速显示或告知翻耕的情况，检测的准确率较低。

技术实现思路

[0004]本专利技术实施例提供一种土壤翻耕状态的检测方法、装置、设备及存储介质，能够快速地显示或告知用户土壤的翻耕状态，提高了翻耕状态检测的准确率。
[0005]第一方面，本专利技术实施例提供了一种土壤翻耕状态的检测方法，所述方法包括：
[0006]获取目标土壤区域内的至少一张土壤图片；
[0007]识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；
[0008]根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
[0009]可选的，识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸，包括：
[0010]将所述土壤图片输入至预先训练的土块识别模型中，并获取所述土块识别模型中输出的所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸。
[0011]可选的，在获取目标土壤区域内的至少一张土壤图片之前，还包括：
[0012]获取翻耕后的多张土壤样本图片，其中，所述土壤样本图片中预先标注有至少一个土块的位置标注坐标以及土块尺寸等级；
[0013]将所述多张土壤样本图片划分为训练数据集和测试数据集；
[0014]使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型。
[0015]可选的，在使用所述训练数据集和测试数据集对神经网络模型进行迭代训练之前，还包括：
[0016]加载COCO数据集中与土壤图片匹配的预权重，对所述神经网络模型进行预设置。
[0017]可选的，使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型，包括：
[0018]将所述训练数据集划分为多个训练数据分组，并依次获取一个所述训练数据分组；
[0019]将所述训练数据分组中的各土壤样本图片分别输入至所述神经网络模型中，对所述神经网络模型进行训练；
[0020]其中，所述神经网络模型根据模型输出结果中的土块识别位置坐标，与输入的土壤样本图片中的位置标注坐标之间的距离损失函数，利用随机梯度下降法调整所述神经网络模型的参数；
[0021]将所述测试数据集中的各土壤样本图片分别输入至训练后的所述神经网络模型，并计算识别准确率；
[0022]如果所述计算识别准确率不满足预设的准确率要求，则返回执行依次获取一个所述训练数据分组的操作，直至训练后的神经网络模型满足准确率要求。
[0023]可选的，所述神经网络模型为基于MobileNet模型以及YOLOV3算法构建的卷积神经网络模型。
[0024]可选的，根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态，包括：
[0025]判断所述土壤图片中预设尺寸等级的土块数量是否大于预设阈值；
[0026]如果是，则确定与所述目标土壤区域对应的土壤翻耕状态不合格；
[0027]如果否，则确定与所述目标土壤区域对应的土壤翻耕状态合格。
[0028]可选的，所述土壤翻耕状态的检测方法由移动视觉设备执行，且所述移动视觉设备中预先部署所述土块识别模型；
[0029]获取目标土壤区域内的至少一张土壤图片，包括：
[0030]获取所述移动视觉设备采集的目标土壤区域内的土壤视频，并获取所述土壤视频的至少一个视频帧，作为所述土壤图片。
[0031]第二方面，本专利技术实施例还提供了一种土壤翻耕状态的检测装置，该装置包括：
[0032]土壤图片获取模块，用于获取目标土壤区域内的至少一张土壤图片；
[0033]土块识别模块，用于识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；
[0034]土壤翻耕状态确定模块，用于根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。
[0035]第三方面，本专利技术实施例还提供了一种计算设备，该计算设备包括：
[0036]一个或多个处理器；
[0037]存储装置，用于存储一个或多个程序；
[0038]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本专利技术任意实施例提供的一种土壤翻耕状态的检测方法。
[0039]第四方面，本专利技术实施例还提供了一种计算机可读存储介质，该存储介质上存储有计算机程序，该程序被处理器执行时实现本专利技术任意实施例提供的一种土壤翻耕状态的检测方法。
[0040]本专利技术实施例的技术方案通过获取目标土壤区域内的至少一张土壤图片，识别到土壤图片中包括的土块以及各土块的土块尺寸，然后根据土壤图片中至少一个尺寸等级的
土块数量，确定与目标土壤区域对应的土壤翻耕状态。本专利技术实施例的技术方案解决了现有技术中土壤翻耕状态的检测方法自动化程度低的问题，能够快速地显示或告知用户土壤的翻耕状态，提高了翻耕状态检测的准确率。
附图说明
[0041]图1是本专利技术实施例一中的一种土壤翻耕状态的检测方法的流程图；
[0042]图2是本专利技术实施例二中的一种土壤翻耕状态的检测方法的流程图；
[0043]图3是本专利技术实施例三中的一种土壤翻耕状态的检测装置的结构图；
[0044]图4是本专利技术实施例四中的一种计算设备的结构示意图。
具体实施方式
[0045]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0046]实施例一
[0047]图1为本专利技术实施例一提供的一种土壤翻耕状态的检测方法的流程图，本实施例可适用于根据农田图像检测土壤翻耕状态的情况，该方法可以由土壤翻耕状态的检测装置来执行，该装置可以由软件和/或硬件来实现，并一般可以集成在移动视觉设备中，例如，摄像机或者移动终端等，所述方法具体包括如下步骤：
[0048]步骤110、获取目标土壤区域内的至少一张土壤图片。
[0049]在此步骤中，目标土壤区域为用户关注的农田土壤区域，具体的，该目标土壤区域为已经完成翻本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种土壤翻耕状态的检测方法，其特征在于，包括：获取目标土壤区域内的至少一张土壤图片；识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸；根据所述土壤图片中至少一个尺寸等级的土块数量，确定与所述目标土壤区域对应的土壤翻耕状态。2.根据权利要求1所述的方法，其特征在于，识别所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸，包括：将所述土壤图片输入至预先训练的土块识别模型中，并获取所述土块识别模型中输出的所述土壤图片中包括的至少一个土块，以及各土块的土块尺寸。3.根据权利要求2所述的方法，其特征在于，在获取目标土壤区域内的至少一张土壤图片之前，还包括：获取翻耕后的多张土壤样本图片，其中，所述土壤样本图片中预先标注有至少一个土块的位置标注坐标以及土块尺寸等级；将所述多张土壤样本图片划分为训练数据集和测试数据集；使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型。4.根据权利要求3所述的方法，其特征在于，在使用所述训练数据集和测试数据集对神经网络模型进行迭代训练之前，还包括：加载COCO数据集中与土壤图片匹配的预权重，对所述神经网络模型进行预设置。5.根据权利要求3所述的方法，其特征在于，使用所述训练数据集和测试数据集对神经网络模型进行迭代训练，得到所述土块识别模型，包括：将所述训练数据集划分为多个训练数据分组，并依次获取一个所述训练数据分组；将所述训练数据分组中的各土壤样本图片分别输入至所述神经网络模型中，对所述神经网络模型进行训练；其中，所述神经网络模型根据模型输出结果中的土块识别位置坐标，与输入的土壤样本图片中的位置标注坐标之间的距离损失函数，利用随机梯度下降法调整所述神经网络模型的参数；将所述测试数据集中的各土壤样本图片分别输入至训练后的所述神经网络模型，并计算识别准确率；如...

【专利技术属性】
技术研发人员：黄盛，
申请(专利权)人：广州极飞科技股份有限公司，
类型：发明
国别省市：