System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及作物生长监控领域,尤其涉及一种作物种类识别方法、装置、电子设备及介质。
技术介绍
1、在设施农业领域,主要依赖于人类的专业知识和判断能力分辨作物种类,效能太低,不能动态监管,采用图像识别设施作物种类可以有效的减少人力,但作物种类繁多增加了识别的难度;在作物种植期内越早识别出作物种类,越能够提前进行施肥指导、灌溉指导以及病虫害预防的指导,但不同种类的作物幼苗外形相似,导致苗期识别难度大。
技术实现思路
1、本专利技术提供一种作物种类识别方法、装置、电子设备及介质,通过对作物生长全周期进行动态作物识别,解决现有作物种类识别准确率较低的技术问题。
2、第一方面,本专利技术提供了一种作物种类识别方法,包括:
3、获取目标区域中作物在第一生长阶段中的第一图像数据集,识别所述作物在所述目标区域中的行间距、株间距、株高以及种植密度;
4、根据所述行间距、所述株间距、所述株高以及所述种植密度,从预设作物种植规划中确定作物的作物类型,所述作物类型包括果菜作物以及叶菜作物;
5、获取目标区域中作物在第二生长阶段中的第二图像数据集,输入所述第二图像数据集至所述作物类型对应的种类识别模型,获取所述作物类型对应的种类识别模型输出的作物种类识别结果;
6、所述种类识别模型包括果菜作物识别模型以及叶菜作物识别模型,所述果菜作物识别模型用于根据所述第二图像数据集中的花特征以及果特征确定作物种类识别结果,所述叶菜作物识别模型用于根据所述第二图
7、本专利技术提供了一种作物种类识别方法,所述获取目标区域中作物在第一生长阶段中的第一图像数据集,包括:
8、获取目标区域中作物在第一生长阶段中的所有原始图像数据;
9、对所述所有原始图像数据进行数据清洗,获取所有清洗后图像数据;
10、对所述所有清洗后图像数据进行数据增强,获取所有增强后图像数据;
11、对所述所有增强后图像数据进行数据标注,获取第一图像数据集。
12、本专利技术提供了一种作物种类识别方法,所述识别所述作物在所述目标区域中的行间距、株间距、株高以及种植密度,包括:
13、基于图像分割技术处理所述第一图像数据集中的任一图像,直至确定所述作物在所述目标区域中的行间距;
14、基于目标检测技术处理所述第一图像数据集中的任一图像,直至确定所述作物在所述目标区域中的株间距、株高以及种植密度。
15、本专利技术提供了一种作物种类识别方法,所述花特征包括开花时间、花的颜色以及花的形状,所述果特征包括结果时间、果实颜色、果实形状以及果实数量;
16、所述输入所述第二图像数据集至所述作物类型对应的种类识别模型,获取所述作物类型对应的种类识别模型输出的作物种类识别结果,包括:
17、在根据所述第二图像数据集中任一第二图像,识别出所述花特征的情况下,输入所述第二图像至所述果菜作物识别模型的第一层,获取所述第一层输出的第一种类识别结果,并将所述第一种类识别结果作为所述作物种类识别结果;
18、在根据所述第二图像数据集中任一第二图像,识别出所述果特征的情况下,输入所述第二图像至所述果菜作物识别模型的第二层,获取所述第二层输出的第二种类识别结果;
19、在所述第一种类识别结果与所述第二种类识别结果相同的情况下,保持所述作物种类识别结果不变;
20、所述果菜作物识别模型的第一层是根据所有第一样本花特征以及每一第一样本花特征对应的第一样本种类识别结果训练得到的,所述果菜作物识别模型的第二层是根据所有第一样本果特征以及每一第一样本果特征对应的第二样本种类识别结果训练得到的。
21、本专利技术提供了一种作物种类识别方法,在获取所述第二层输出的第二种类识别结果之后,所述方法还包括:
22、在所述第一种类识别结果与所述第二种类识别结果不相同的情况下,输入所述第二图像至所述果菜作物识别模型的第三层,获取所述第三层输出的第三种类识别结果,并将所述第三种类识别结果作为所述作物种类识别结果;
23、所述果菜作物识别模型的第三层是根据所有第二样本花特征以及第二样本果特征所构成的第一特征集合,以及每一第一特征集合对应的第三样本种类识别结果训练得到的。
24、本专利技术提供了一种作物种类识别方法,所述叶特征包括叶片颜色、叶片形状、叶片覆盖度以及叶片生长速率;
25、所述输入所述第二图像数据集至所述作物类型对应的种类识别模型,获取所述作物类型对应的种类识别模型输出的作物种类识别结果,包括:
26、在根据所述第二图像数据集中任一第二图像,分割出所述叶片颜色的情况下,输入所述第二图像至所述叶菜作物识别模型的第一层,获取所述第一层输出的第四种类识别结果,并将所述第四种类识别结果作为所述作物种类识别结果;
27、在根据所述第二图像数据集中任一第二图像,确定出所述叶片形状、叶片覆盖度以及叶片生长速率的情况下,输入所述第二图像至所述叶菜作物识别模型的第二层,获取所述第二层输出的第五种类识别结果;
28、在所述第四种类识别结果与所述第五种类识别结果相同的情况下,保持所述作物种类识别结果不变;
29、所述叶菜作物识别模型的第一层是根据所有第一样本叶片颜色特征以及每一第一样本叶片颜色特征对应的第四样本种类识别结果训练得到的,所述叶菜作物识别模型的第二层是根据所有第一非叶片颜色特征以及每一第一非叶片颜色特征对应的第五样本种类识别结果训练得到的。
30、所述非叶片颜色特征包括叶片形状特征、叶片覆盖度特征以及叶片生长速率特征。
31、本专利技术提供了一种作物种类识别方法,在获取所述第二层输出的第五种类识别结果之后,所述方法还包括:
32、在所述第四种类识别结果与所述第五种类识别结果不相同的情况下,输入所述第二图像至所述叶菜作物识别模型的第三层,获取所述第三层输出的第六种类识别结果,并将所述第六种类识别结果作为所述作物种类识别结果;
33、所述叶菜作物识别模型的第三层是根据所有第二样本叶片颜色特征以及第二非叶片颜色特征所构成的第二特征集合,以及每一第二特征集合对应的第六样本种类识别结果训练得到的。
34、第二方面,本专利技术提供了一种作物种类识别装置,包括:
35、识别单元,所述识别单元用于获取目标区域中作物在第一生长阶段中的第一图像数据集,识别所述作物在所述目标区域中的行间距、株间距、株高以及种植密度;
36、确定单元,所述确定单元用于根据所述行间距、所述株间距、所述株高以及所述种植密度,从预设作物种植规划中确定作物的作物类型,所述作物类型包括果菜作物以及叶菜作物;
37、获取单元,所述获取单元用于获取目标区域中作物在第二生长阶段中的第二图像数据集,输入所述第二图像数据集至所述作物类型对应的种类识别模型,获取所述作物类型对本文档来自技高网...
【技术保护点】
1.一种作物种类识别方法,其特征在于,包括:
2.根据权利要求1所述的作物种类识别方法,其特征在于,所述获取目标区域中作物在第一生长阶段中的第一图像数据集,包括:
3.根据权利要求1所述的作物种类识别方法,其特征在于,所述识别所述作物在所述目标区域中的行间距、株间距、株高以及种植密度,包括:
4.根据权利要求1所述的作物种类识别方法,其特征在于,所述花特征包括开花时间、花的颜色以及花的形状,所述果特征包括结果时间、果实颜色、果实形状以及果实数量;
5.根据权利要求4所述的作物种类识别方法,其特征在于,在获取所述第二层输出的第二种类识别结果之后,所述方法还包括:
6.根据权利要求1所述的作物种类识别方法,其特征在于,所述叶特征包括叶片颜色、叶片形状、叶片覆盖度以及叶片生长速率;
7.根据权利要求6所述的作物种类识别方法,其特征在于,在获取所述第二层输出的第五种类识别结果之后,所述方法还包括:
8.一种作物种类识别装置,其特征在于,包括:
9.一种电子设备,包括存储器、处理器及存储在所述存
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的作物种类识别方法。
...【技术特征摘要】
1.一种作物种类识别方法,其特征在于,包括:
2.根据权利要求1所述的作物种类识别方法,其特征在于,所述获取目标区域中作物在第一生长阶段中的第一图像数据集,包括:
3.根据权利要求1所述的作物种类识别方法,其特征在于,所述识别所述作物在所述目标区域中的行间距、株间距、株高以及种植密度,包括:
4.根据权利要求1所述的作物种类识别方法,其特征在于,所述花特征包括开花时间、花的颜色以及花的形状,所述果特征包括结果时间、果实颜色、果实形状以及果实数量;
5.根据权利要求4所述的作物种类识别方法,其特征在于,在获取所述第二层输出的第二种类识别结果之后,所述方法还包括:
6.根据权利要求...
【专利技术属性】
技术研发人员:张钟莉莉,吕芯悦,曲明山,胡潇怡,姚远方,冯思思,
申请(专利权)人:北京市农林科学院智能装备技术研究中心,
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。