【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 ...
【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。