[发明专利]作物识别方法、装置、电子设备及存储介质

说明书

本说明书一个或多个实施例提供了一种作物识别方法，包括：获取包含作物的图像；提取上述图像的色彩特征、纹理特征和光谱特征中的至少一个特征作为作物识别模型的输入特征；基于上述作物识别模型，根据上述图像的色彩特征、纹理特征和光谱特征中的至少一个特征，识别出所述图像中的作物；其中，所述作物识别模型是用于基于所述输入特征识别出图像中作物的更快速区域卷积神经网络(Faster‑RCNN)模型。对应上述作物识别方法，本说明书还提供了作物识别装置、电子设备以及计算机可读介质。

技术领域

本说明书一个或多个实施例涉及图像识别技术领域，尤其涉及一种作物识别方法、作物识别装置、电子设备以及计算机可读存储介质。

背景技术

作物指农作物的简称，通常包括油料作物、粮食作物、经济作物等等。作物在播种后的出苗率通常是衡量作物产量的一个重要指标。农作物中很重要的一类是使用穴播机进行播种的农作物，通常被称为穴播作物。穴播机是按照一定行距和穴距将种子成穴播种的种植机械，每穴可播种1粒种子或数粒种子，分别称单粒精播种和多粒穴播，主要用于玉米、棉花、甜菜、向日葵、豆类等中耕作物。由于穴播作物种植范围广泛，对农业经济影响巨大，其出苗率是某些地区农作物产量的重要的决策性指标之一。

然而，对于作物出苗率的检测目前需要通过人工目视识别、调查并获取田间作物的出苗情况并进行统计得到。而人工目视识别判断的精确性会受到由于不同的判别标准等诸多因素的影响，并且人工成本过高，大部分农户难以承担，因此，作物的自动识别成为作物产量监测过程中不可缺少的一环。

发明内容

有鉴于此，本说明书一个或多个实施例提出一种作物识别方法，可以从包含作物的图像中快速并精确地识别出其中的作物，从而可以确定作物的出苗以及生长情况等等。

本说明书实施例所述的作物识别方法可以包括：获取包含作物的图像；提取上述图像的色彩特征、纹理特征和光谱特征中的至少一个特征作为作物识别模型的输入特征；以及基于上述作物识别模型，根据上述图像的色彩特征、纹理特征和光谱特征中的至少一个特征，识别出所述图像中的作物；其中，上述作物识别模型是用于基于上述输入特征识别出图像中作物的更快速区域卷积神经网络(Faster-RCNN)模型。

其中，上述获取包含作物的图像可以包括：获取由无人机拍摄的包含作物的彩色图像和近红外波段图像；或者获取由图像拍摄装置拍摄得到包含作物的彩色图像以及通过光谱相机拍摄得到包含作物的近红外波段图像。

其中，提取所述图像的色彩特征可以包括：分别提取所述彩色图像上每个像素点在R、G、B三个基色波段上的分量；以及将所述每个像素点在R、G、B三个基色波段上的分量作为所述图像的色彩特征。

其中，提取所述图像的纹理特征可以包括：通过色彩空间转换，将所述彩色图像转换至HSV色彩空间；提取所述HSV色彩空间中彩色图像上每个像素点在H通道、S通道以及V通道上的分量；以及将所述每个像素点在H、S、V三个通道上的分量作为所述图像的纹理特征。

其中，提取所述图像的光谱特征可以包括：提取所述近红外波段图像每个像素点在近红外波段上的分量；以及将所述每个像素点在近红外波段上的分量作为所述图像的光谱特征。

上述方法可以进一步包括：将上述作物识别模型的多个输入特征进行特征融合，将融合后的至少一个特征作为所述作物识别模型的输入特征。

其中，将上述作物识别模型的多个输入特征进行特征融合可以包括：对作物识别模型的输入特征执行主成分分析变换，将主成分分析变换输出的前N个特征作为所述作物识别模型更新后的输入特征；其中，N为预先确定的作物识别模型的输入特征的数量。

其中，上述Faster-RCNN模型的区域生成网络中锚窗的尺度参数以及长宽比可以根据上述图像的尺寸、上述作物占所述图像的比例以及所述图像的分辨率中的至少一项设定。