本申请公开了一种杂草覆盖度确定方法、系统、装置及电子设备。其中，该方法包括：确定目标区域中作物的作物类型；在作物类型为第一类型的情况下，采用第一识别模型，确定目标区域对应的图像中杂草所对应的像素数量；在作物类型为第二类型的情况下，采用第二识别模型，确定包含杂草的检测网格的网格数量；在作物类型为第一类型的情况下，依据杂草所对应的像素数量，确定目标区域的杂草覆盖度，以及，在在作物类型为第二类型的情况下，依据包含杂草的检测网格的网格数量，确定目标区域的杂草覆盖度。本申请解决了由于相关技术在进行杂草覆盖度评估时，大多使用人工肉眼评估的方式，造成杂草覆盖度的评估效率低、准确度差的技术问题。准确度差的技术问题。准确度差的技术问题。
【技术实现步骤摘要】
杂草覆盖度确定方法、系统、装置及电子设备
[0001]本申请涉及自动化
，具体而言，涉及一种杂草覆盖度确定方法、系统、装置及电子设备。
技术介绍
[0002]杂草与作物竞争光照、水分和土壤营养，滋生病虫害，导致粮食减产。田间杂草经常聚集性生长在田间的不同位置。田间杂草覆盖度与分布需要即时检测与评估，以便及时做出杂草防控决策。通过评估杂草覆盖度，农民和研究人员可以了解杂草对农作物生长和产量的影响，制定相应的防治措施。
[0003]然而，目前的田间杂草调查方法主要利用人工方式，依赖人工通过W或Z形状在田间用肉眼评估杂草覆盖度和田间分布，存在杂草覆盖度调查效率低、准确度差等问题。
[0004]针对上述的问题，目前尚未提出有效的解决方案。
技术实现思路
[0005]本申请实施例提供了一种杂草覆盖度确定方法、系统、装置及电子设备，以至少解决由于相关技术在进行杂草覆盖度评估时，大多使用人工肉眼评估的方式，造成杂草覆盖度的评估效率低、准确度差的技术问题。
[0006]根据本申请实施例的一个方面，提供了一种杂草覆盖度确定方法，包括：确定目标区域中作物的作物类型；在作物类型为第一类型的情况下，采用第一识别模型，确定目标区域对应的图像中杂草所对应的像素数量，其中，第一类型的作物的种植密度低于预设密度阈值；在作物类型为第二类型的情况下，采用第二识别模型，将目标区域对应的图像划分为多个检测网格，并确定包含杂草的检测网格的网格数量，其中，第二类型的作物的种植密度不低于预设密度阈值；在作物类型为第一类型的情况下，依据杂草所对应的像素数量，确定目标区域的杂草覆盖度，以及，在作物类型为第二类型的情况下，依据包含杂草的检测网格的网格数量，确定目标区域的杂草覆盖度。
[0007]可选地，采用第一识别模型，确定目标区域对应的图像中杂草所对应的像素数量包括：获取无人机对目标区域进行图像采集后所得到的原始图像；采用第一识别模型对原始图像中的作物进行识别，并将识别出的作物从原始图像中剔除，得到第一图像；将第一图像转换为预设格式的第二图像，其中，预设格式为色相
‑
饱和度
‑
色明度HSV颜色空间格式；依据预设色彩阈值，确定第二图像中杂草对应的像素点，其中，预设色彩阈值包括：色相阈值、饱和度阈值和色明度阈值。
[0008]可选地，依据预设色彩阈值，确定第二图像中杂草对应的像素点包括：依据预设色彩阈值，提取第二图像中目标颜色的像素点区域，其中，目标颜色为杂草对应的颜色；对第二图像进行二值化处理，得到第三图像，其中，第三图像中目标颜色的像素点区域为第一颜色，除像素点区域外的其余区域为第二颜色；对第三图像进行腐蚀和/或膨胀操作，得到多个目标颜色对应的连通区域；统计第三图像中各个连通区域中像素点的数量，得到杂草所
对应的像素数量。
[0009]可选地，第一识别模型部署于云端服务器中，由带有注意力机制的初始模型通过第一训练数据集训练得到，其中，注意力机制包括：通道注意力和空间注意力，第一训练数据集中包括：多个第一类型的作物的不同生长时期的训练图像，以及与训练图像对应的作物名称。
[0010]可选地，确定包含杂草的检测网格的网格数量包括：获取无人机对目标区域进行图像采集后所得到的原始图像；将原始图像划分为多个检测网格，其中，每个检测网格中像素点的数量相同；采用第二识别模型，判断检测网格中是否包含杂草，并统计原始图像中包含杂草的检测网格的网格数量。
[0011]可选地，第二识别模型部署于云端服务器中，由带有注意力机制的初始模型通过第二训练数据集训练得到，其中，注意力机制包括：通道注意力和空间注意力，第二训练数据集中包括：由第二类型的作物的图像划分得到的训练网格，以及每个训练网格对应的目标标签，目标标签用于指示训练网格中是否含有杂草。
[0012]可选地，依据杂草所对应的像素数量，确定目标区域的杂草覆盖度包括：在作物类型为第一类型的情况下，计算目标区域对应的图像中杂草所对应的像素数量与图像的像素总数量的第一比值，并将第一比值确定为杂草覆盖度。
[0013]可选地，依据包含杂草的检测网格的网格数量，确定目标区域的杂草覆盖度包括：在作物类型为第二类型的情况下，计算目标区域对应的图像中包含杂草的检测网格的网格数量与图像中检测网格的总数量的第二比值，并将第二比值确定为杂草覆盖度。
[0014]根据本申请实施例的另一个方面，还提供了一种杂草覆盖度确定系统，包括：无人机、终端设备、云端服务器，其中，无人机，用于响应终端设备发送的采集指令，采集目标区域的图像，并将图像发送至云端服务器；云端服务器，用于确定目标区域中作物的作物类型；在作物类型为第一类型的情况下，采用第一识别模型，确定目标区域对应的图像中杂草所对应的像素数量，其中，第一类型的作物的种植密度低于预设密度阈值；在作物类型为第二类型的情况下，采用第二识别模型，将目标区域对应的图像划分为多个检测网格，并确定包含杂草的检测网格的网格数量，其中，第二类型的作物的种植密度不低于预设密度阈值；在作物类型为第一类型的情况下，依据杂草所对应的像素数量，确定目标区域的杂草覆盖度，以及，在作物类型为第二类型的情况下，依据包含杂草的检测网格的网格数量，确定目标区域的杂草覆盖度。
[0015]根据本申请实施例的另一个方面，还提供了一种杂草覆盖度确定装置，包括：作物类型确定模块，用于确定目标区域中作物的作物类型；第一识别模块，用于在作物类型为第一类型的情况下，采用第一识别模型，确定目标区域对应的图像中杂草所对应的像素数量，其中，第一类型的作物的种植密度低于预设密度阈值；第二识别模块，用于在作物类型为第二类型的情况下，采用第二识别模型，将目标区域对应的图像划分为多个检测网格，并确定包含杂草的检测网格的网格数量，其中，第二类型的作物的种植密度不低于预设密度阈值；覆盖度确定模块，用于在作物类型为第一类型的情况下，依据杂草所对应的像素数量，确定目标区域的杂草覆盖度，以及，在作物类型为第二类型的情况下，依据包含杂草的检测网格的网格数量，确定目标区域的杂草覆盖度。
[0016]根据本申请实施例的又一方面，还提供了一种电子设备，包括：存储器和处理器，
处理器用于运行存储在存储器中的程序，其中，程序运行时执行杂草覆盖度确定方法。
[0017]根据本申请实施例的再一方面，还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计算机程序，其中，非易失性存储介质所在设备通过运行计算机程序执行杂草覆盖度确定方法。
[0018]在本申请实施例中，采用确定目标区域中作物的作物类型；在作物类型为第一类型的情况下，采用第一识别模型，确定目标区域对应的图像中杂草所对应的像素数量，其中，第一类型的作物的种植密度低于预设密度阈值；在作物类型为第二类型的情况下，采用第二识别模型，将目标区域对应的图像划分为多个检测网格，并确定包含杂草的检测网格的网格数量，其中，第二类型的作物的种植密度不低于预设密度阈值；在作物类型为第一类型的情况下，依据杂草本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种杂草覆盖度确定方法，其特征在于，包括：确定目标区域中作物的作物类型；在所述作物类型为第一类型的情况下，采用第一识别模型，确定所述目标区域对应的图像中杂草所对应的像素数量，其中，所述第一类型的作物的种植密度低于预设密度阈值；在所述作物类型为第二类型的情况下，采用第二识别模型，将所述目标区域对应的图像划分为多个检测网格，并确定包含杂草的所述检测网格的网格数量，其中，所述第二类型的作物的种植密度不低于所述预设密度阈值；在所述作物类型为第一类型的情况下，依据所述杂草所对应的像素数量，确定所述目标区域的杂草覆盖度，以及，在所述作物类型为第二类型的情况下，依据所述包含杂草的所述检测网格的网格数量，确定所述目标区域的杂草覆盖度。2.根据权利要求1所述的杂草覆盖度确定方法，其特征在于，采用第一识别模型，确定所述目标区域对应的图像中杂草所对应的像素数量包括：获取无人机对所述目标区域进行图像采集后所得到的原始图像；采用所述第一识别模型对所述原始图像中的作物进行识别，并将识别出的所述作物从所述原始图像中剔除，得到第一图像；将所述第一图像转换为预设格式的第二图像，其中，所述预设格式为色相
‑
饱和度
‑
色明度HSV颜色空间格式；依据预设色彩阈值，确定所述第二图像中杂草对应的像素点，其中，所述预设色彩阈值包括：色相阈值、饱和度阈值和色明度阈值。3.根据权利要求2所述的杂草覆盖度确定方法，其特征在于，依据预设色彩阈值，确定所述第二图像中杂草对应的像素点包括：依据所述预设色彩阈值，提取所述第二图像中目标颜色的像素点区域，其中，所述目标颜色为杂草对应的颜色；对所述第二图像进行二值化处理，得到第三图像，其中，所述第三图像中所述目标颜色的像素点区域为第一颜色，除所述像素点区域外的其余区域为第二颜色；对所述第三图像进行腐蚀和/或膨胀操作，得到多个所述目标颜色对应的连通区域；统计所述第三图像中各个所述连通区域中像素点的数量，得到所述杂草所对应的像素数量。4.根据权利要求2所述的杂草覆盖度确定方法，其特征在于，所述第一识别模型部署于云端服务器中，由带有注意力机制的初始模型通过第一训练数据集训练得到，其中，所述注意力机制包括：通道注意力和空间注意力，所述第一训练数据集中包括：多个所述第一类型的作物的不同生长时期的训练图像，以及与所述训练图像对应的作物名称。5.根据权利要求1所述的杂草覆盖度确定方法，其特征在于，确定包含杂草的所述检测网格的网格数量包括：获取无人机对所述目标区域进行图像采集后所得到的原始图像；将所述原始图像划分为多个所述检测网格，其中，每个所述检测网格中像素点的数量相同；采用所述第二识别模型，判断所述检测网格中是否包含杂草，并统计所述原始图像中包含杂草的所述检测网格的网格数量。
6.根据权利要求5所述的杂草覆盖度确定方法，其特征在于，所述第二识别模型部署于云端服务器中，由带有注意力机制的初始模型通过第二训练数据集训练得到，其中，所述注意力机制包括：通道注意力和空间注意力，所述第二训练数据集中包括：由所述第...
【专利技术属性】
技术研发人员：于佳琳，刘腾，
申请(专利权)人：潍坊现代农业山东省实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。