基于人工智能的植物识别方法、装置以及设备制造方法及图纸

本公开提供了一种基于人工智能的植物识别方法、装置以及设备，涉及人工智能领域，具体涉及图像识别、多模态识别、深度学习技术，可应用在智慧城市、智慧农业场景下。植物识别模型训练方法的一具体实施方式包括：获取样本植物的样本遥感图像和样本类别标签；基于样本遥感图像，提取样本植物的样本多模态特征；将样本多模态特征作为输入，将样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。该实施方式在训练植物识别模型时，引入植物的多模态数据。多模态数据能够从不同角度对植物的识别提供增益，进而提升植物识别的准确度。度。度。

【技术实现步骤摘要】
基于人工智能的植物识别方法、装置以及设备


[0001]本公开涉及人工智能领域，具体涉及图像识别、多模态识别、深度学习技术，可应用在智慧城市、智慧农业场景下。

技术介绍

[0002]农作物种植情况对于作为农业大国的我国来说是关乎民生的重要课题之一。然而，我国幅员广大，各地自然条件也多有差异，单纯依靠人工统计农作物相关信息效率较为低下。随着遥感技术的发展，遥感图像监测范围广、数据获取成本低的特点使得对农作物种植面积的分析取得了长足的进步。
[0003]目前，通过遥感技术识别农作物的方案主要包括两种：其一，遥感领域的指数判别法，例如计算NDVI(Normalized Difference Vegetation Index，归一化植被指数)等，通过设定不同阈值，对原始遥感图像中的像素点进行农作物种类的判别；其二，机器学习方法，将遥感图像输入到分类器中进行农作物种类的判别。

技术实现思路

[0004]本公开实施例提出了一种基于人工智能的植物识别方法、装置、设备、存储介质以及程序产品。
[0005]第一方面，本公开实施例提出了一种植物识别模型训练方法，包括：获取样本植物的样本遥感图像和样本类别标签；基于样本遥感图像，提取样本植物的样本多模态特征；将样本多模态特征作为输入，将样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。
[0006]第二方面，本公开实施例提出了一种植物识别方法，包括：获取待识别植物的遥感图像；基于待识别植物的遥感图像，提取待识别植物的多模态特征；将待识别植物的多模态特征输入至植物识别模型，得到待识别植物的类别，其中，植物识别模型是采用第一方面所述的方法训练得到的。
[0007]第三方面，本公开实施例提出了一种植物识别模型训练装置，包括：获取模块，被配置成获取样本植物的样本遥感图像和样本类别标签；提取模块，被配置成基于样本遥感图像，提取样本植物的样本多模态特征；训练模块，被配置成将样本多模态特征作为输入，将样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。
[0008]第四方面，本公开实施例提出了一种植物识别装置，包括：获取模块，被配置成获取待识别植物的遥感图像；提取模块，被配置成基于待识别植物的遥感图像，提取待识别植物的多模态特征；识别模块，被配置成将待识别植物的多模态特征输入至植物识别模型，得到待识别植物的类别，其中，植物识别模型是第三方面所述的装置训练得到的。
[0009]第五方面，本公开实施例提出了一种电子设备，包括：至少两个处理器；以及与至少两个处理器通信连接的存储器；其中，存储器存储有可被至少两个处理器执行的指令，指令被至少两个处理器执行，以使至少两个处理器能够执行如第一方面中任一实现方式描述
的方法或第二方面中任一实现方式描述的方法。
[0010]第六方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
[0011]第七方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
[0012]本公开实施例提供的基于人工智能的植物识别方法、装置、设备、存储介质以及程序产品，在训练植物识别模型时，引入植物的多模态数据。多模态数据能够从不同角度对植物的识别提供增益，进而提升植物识别的准确度。
[0013]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0014]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0015]图1是根据本公开的植物识别模型训练方法的一个实施例的流程图；
[0016]图2是根据本公开的植物识别模型训练方法的又一个实施例的流程图；
[0017]图3是没有特征缺失时的植物识别模型的结构示意图；
[0018]图4是特征C缺失时的植物识别模型的结构示意图；
[0019]图5是特征BC缺失时的植物识别模型的结构示意图；
[0020]图6是根据本公开的植物识别方法的一个实施例的流程图；
[0021]图7是根据本公开的植物识别模型训练装置的一个实施例的结构示意图；
[0022]图8是根据本公开的植物识别装置的一个实施例的结构示意图；
[0023]图9是用来实现本公开实施例的植物识别模型训练方法或植物识别方法的电子设备的框图。
具体实施方式
[0024]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0025]需要说明的是，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。下面将参考附图并结合实施例来详细说明本公开。
[0026]图1示出了根据本公开的植物识别模型训练方法的一个实施例的流程100。该植物识别模型训练方法包括以下步骤：
[0027]步骤101，获取样本植物的样本遥感图像和样本类别标签。
[0028]在本实施例中，植物识别模型训练方法的执行主体可以获取样本植物的样本遥感
图像和样本类别标签。
[0029]这里，植物通常是指大面积种植的植物。例如，田地里种植的各种农作物。又例如，公园里种植的花、草、树木等等。利用传感器对样本植物的种植地区进行图像采集，即可得到样本植物的样本遥感图像。对样本植物的样本遥感图像进行类别标注，即可得到样本植物的样本类别标签。
[0030]步骤102，基于样本遥感图像，提取样本植物的样本多模态特征。
[0031]在本实施例中，上述执行主体可以基于样本遥感图像，提取样本植物的样本多模态特征。
[0032]通常，上述执行主体可以首先获取样本植物的样本多模态数据；然后对样本遥感图像划分网格；最后统计样本遥感图像的网格内的样本多模态数据，得到样本多模态特征。
[0033]其中，多模态数据能够从不同角度对植物的识别提供增益。多模态数据可以包括植物的至少两种模态的数据。例如，多模态数据可以包括但不限于以下至少两项：遥感图像、定位数据、搜索数据、POI(Point of Interes，兴趣点)数据和到访数据等等。
[0034]定位数据是指手机或者具有类似GPS(Global Positioning System，全球定位系统)定位功能的设备所记录到的位置信息。植物的种植地区的定位数据较道路、建筑、空本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种植物识别模型训练方法，包括：获取样本植物的样本遥感图像和样本类别标签；基于所述样本遥感图像，提取所述样本植物的样本多模态特征；将所述样本多模态特征作为输入，将所述样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。2.根据权利要求1所述的方法，其中，所述基于所述样本遥感图像，提取所述样本植物的样本多模态特征，包括：对所述样本遥感图像划分网格；统计所述样本遥感图像的网格内的样本多模态数据，得到所述样本多模态特征。3.根据权利要求2所述的方法，其中，所述样本多模态特征包括以下至少两项：样本遥感图像特征、样本定位特征、样本搜索特征、样本兴趣点特征和样本到访特征。4.根据权利要求3所述的方法，其中，所述统计所述样本遥感图像的网格内的样本多模态数据，得到所述样本多模态特征，包括以下至少两项：基于所述样本遥感图像，提取样本遥感图像特征；统计所述样本遥感图像的网格内的样本定位点数量，以及对所述样本定位点数量进行归一化，得到样本定位特征；统计所述样本遥感图像的网格内的样本搜索查询次数，以及基于所述样本搜索查询次数，构造样本搜索特征；统计所述样本遥感图像的网格内的样本兴趣点数量，作为样本兴趣点特征；统计所述样本遥感图像的网格内的样本用户到访次数，以及基于所述样本用户到访次数，构造样本到访特征。5.根据权利要求1
‑
4中任一项所述的方法，其中，所述语义分割模型包括预先训练的融合层和未训练的分类层；以及所述将所述样本多模态特征作为输入，将所述样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型，包括：将所述样本多模态特征输入至所述融合层，得到样本融合特征；将所述样本融合特征输入至所述分类层，得到样本预测类别；基于所述样本预测类别与所述样本类别标签的差异，调整所述分类层的参数，得到所述植物识别模型。6.根据权利要求5所述的方法，其中，所述融合层包括常规融合层和自编码器；以及所述对所述样本多模态特征输入至融合层，得到样本融合特征，包括：若所述样本多模态特征不存在特征缺失，将所述多模态特征输入至常规融合层，得到所述样本融合特征；若所述样本多模态特征存在特征缺失，将所述样本多模态特征输入至缺失特征对应的自编码器，得到所述样本融合特征，其中，不同缺失特征对应不同的自编码器。7.根据权利要求6所述的方法，其中，所述自编码器通过无监督训练得到，优化目标包括减小重构误差和控制重构误差下限，在所述自编码器的训练阶段，通过添加惩罚项控制重构误差。8.一种植物识别方法，包括：
获取待识别植物的遥感图像；基于所述待识别植物的遥感图像，提取所述待识别植物的多模态特征；将所述待识别植物的多模态特征输入至植物识别模型，得到所述待识别植物的类别，其中，所述植物识别模型是采用权利要求1
‑
7中任一项所述的方法训练得到的。9.一种植物识别模型训练装置，包括：获取模块，被配置成获取样本植物的样本遥感图像和样本类别标签；提取模块，被配置成基于所述样本遥感图像，提取所述样本植物的样本多模态特征；训练模块，被配置成将所述样本多模态特征作为输入，将所述样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。10.根据权利要求9所述的装置，其中，所述提取模块包括：划分子模块，被配置成对所述样本遥感图像划分网格...

【专利技术属性】
技术研发人员：万程，陈程，龚建，孙珂，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：