杂草区域的识别方法和装置转让专利
申请号 : CN202010537565.9
文献号 : CN112541383B
文献日 : 2021-12-28
发明人 : 黄敬易
申请人 : 广州极飞科技股份有限公司
摘要 :
权利要求 :
1.一种杂草区域的识别方法,其特征在于,包括:获取多张作物图像,并对所述多张作物图像进行处理,得到数据集;
基于所述数据集对神经网络模型进行训练,得到作物区域识别模型,所述作物区域识别模型用于识别作物区域,所述作物区域是不包含杂草的区域;
基于所述作物区域识别模型对包含杂草的图集进行识别的识别结果确定杂草识别模型;
基于所述杂草识别模型对待识别区域的待识别图像进行识别,得到所述待识别区域中的杂草区域;
其中,对所述多张作物图像进行处理,得到所述数据集,包括:对所述多张作物图像进行处理,得到作物区域所对应的标签图;
确定所述多张作物图像以及所述标签图的对应关系,基于所述对应关系获取所述数据集;
其中,对所述多张作物图像进行处理,得到作物区域所对应的标签图,包括:对所述多张作物图像进行二值化处理,得到二值化图像;
将所述二值化图像转换为种植行方向为垂直方向的第一图像;
检测所述第一图像中的植被种植状态,其中,所述植被种植状态至少包括:种植行内连续密植状态和种植行内稀疏种植状态;
根据所述植被状态对所述第一图像进行反转处理,得到所述标签图。
2.根据权利要求1所述的方法,其特征在于,对所述多张作物图像进行二值化处理,得到二值化图像,包括:
获取所述多张作物图像的多个预设颜色通道的颜色值;
基于所述多个预设颜色通道的颜色值得到所述多张作物图像中每个像素点所对应的颜色指数;
基于所述颜色指数以及预设的颜色阈值对所述多张作物图像进行二值化处理,得到所述二值化图像。
3.根据权利要求1所述的方法,其特征在于,将所述二值化图像转换为种植行方向为垂直方向的第一图像,包括:
基于霍夫检测直线算法确定所述二值化图像中的作物的种植行方向;
对所述二值化图像扩充处理,得到预设形状的第二图像,其中,所述第二图像中的扩充区域所对应的像素值为零值;
基于所述种植行方向对所述第二图像进行旋转处理,得到所述种植行方向为垂直方向的第一图像。
4.根据权利要求1所述的方法,其特征在于,根据所述植被种植状态对所述第一图像进行反转处理,得到所述标签图,包括:在所述植被种植状态为所述种植行内连续密植状态的情况下,在所述垂直方向对所述第一图像中的非零像素的个数进行累加处理,得到第一累加曲线;
对所述第一累加曲线进行平滑处理,得到第一平滑曲线;
确定所述第一平滑曲线所对应的特征信息,其中,所述特征信息至少包括:波峰顶点信息以及种植行的宽度;
基于所述特征信息对所述第一图像中的种植行进行逐行覆盖操作,得到第三图像;
对所述第三图像进行反转操作,得到所述标签图。
5.根据权利要求1所述的方法,其特征在于,根据所述植被种植状态对所述第一图像进行反转处理,得到所述标签图,包括:在所述植被种植状态为所述种植行内稀疏种植状态的情况下,在所述垂直方向对所述第一图像中的零像素的个数进行累加处理,得到第二累加曲线;
对所述第二累加曲线进行平滑处理,得到第二平滑曲线;
确定所述第二平滑曲线的波峰顶点信息;
基于所述波峰顶点信息对所述第一图像中的种植行进行分割处理,得到种植行区域;
对所述种植行区域逐行进行连通域处理,得到第四图像;
对所述第四图像进行反转操作,得到所述标签图。
6.根据权利要求5所述的方法,其特征在于,对所述种植行区域逐行进行连通域处理,得到第四图像,包括:
对所述种植行区域进行筛选,得到作物连通域;
对所述作物连通域进行分析处理,得到分析结果,其中,所述分析处理至少包括如下之一:面积分析、特征分析、形状分析、纹理分析;
根据所述分析结果对所述作物连通域进行标记,得到所述第四图像。
7.根据权利要求1所述的方法,其特征在于,基于所述数据集对神经网络模型进行训练,得到作物区域识别模型,包括:基于所述数据集对卷积神经网络进行训练,得到所述作物区域识别模型。
8.根据权利要求7所述的方法,其特征在于,基于所述数据集对卷积神经网络进行训练,得到所述作物区域识别模型,包括:从所述数据集中获取第一训练数据和第一测试数据;
基于所述第一训练数据对所述卷积神经网络进行训练,得到预训练的作物区域识别模型;
基于所述第一测试数据对所述预训练的作物区域识别模型进行测试,得到第一测试结果;
基于所述第一测试结果对所述预训练的作物区域识别模型进行参数优化,得到目标作物区域识别模型。
9.根据权利要求1所述的方法,其特征在于,基于所述作物区域识别模型对包含杂草的图集进行识别的识别结果确定杂草识别模型,包括:获取包含杂草的图集;
基于所述作物区域识别模型对所述图集进行识别处理,得到识别结果;
基于所述识别结果对所述图集中的杂草区域进行标记,得到杂草数据集;
基于所述杂草数据集对预设的神经网络模型进行训练,得到所述杂草识别模型。
10.根据权利要求9所述的方法,其特征在于,基于所述图集对所述作物区域识别模型进行识别处理,得到识别结果,包括:基于所述图集对所述作物区域识别模型进行识别处理,确定所述图集中的作物区域;
基于所述识别结果对所述图集中的杂草区域进行标记,得到杂草数据集,包括:基于预设筛选条件以及所述识别结果对所述图集中的杂草区域进行标记,得到所述杂草数据集,其中,所述预设筛选条件至少包括连通域面积筛选条件。
11.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取包含杂草的图集;
对所述图集中的杂草区域进行标记,得到杂草数据集;
基于所述杂草数据集对预设的神经网络模型进行训练,得到所述杂草识别模型。
12.根据权利要求9或11中任意一项所述的方法,其特征在于,基于所述杂草数据集对预设的神经网络模型进行训练,得到所述杂草识别模型,包括:从所述杂草数据集中获取第二训练数据和第二测试数据;
基于所述第二训练数据对所述预设的神经网络模型进行训练,得到预训练的杂草识别模型;
基于所述第二测试数据对所述预训练的杂草识别模型进行测试,得到第二测试结果;
基于所述第二测试结果对所述预训练的杂草识别模型进行参数优化,得到目标杂草识别模型。
13.一种杂草区域的识别方法,其特征在于,包括:获取待识别区域的待识别图像;
基于杂草识别模型对所述待识别图像进行识别,得到识别结果,其中,所述识别结果用于表征所述待识别区域中的杂草区域,所述杂草识别模型是基于作物区域识别模型得到的,所述作物区域识别模型用于识别所述待识别区域内的作物区域,所述作物区域是不包含杂草的区域;
所述方法还包括:
获取多张作物图像,并对所述多张作物图像进行处理,得到数据集;
基于所述数据集对神经网络模型进行训练,得到作物区域识别模型;
其中,对所述多张作物图像进行处理,得到所述数据集,包括:对所述多张作物图像进行处理,得到作物区域所对应的标签图;
确定所述多张作物图像以及所述标签图的对应关系,基于所述对应关系获取所述数据集;
其中,对所述多张作物图像进行处理,得到作物区域所对应的标签图,包括:对所述多张作物图像进行二值化处理,得到二值化图像;
将所述二值化图像转换为种植行方向为垂直方向的第一图像;
检测所述第一图像中的植被种植状态,其中,所述植被状态至少包括:种植行内连续密植状态和种植行内稀疏种植状态;
根据所述植被状态对所述第一图像进行反转处理,得到所述标签图。
14.一种除草方法,其特征在于,通过权利要求1至12中任意一项所述的方法识别杂草,得到杂草位置,所述方法还包括:获取待除草区域的区域图像;
在所述区域图像中对所述杂草位置进行标记,得到标记位置;
控制除草设备按照所述标记位置执行除草操作,其中,所述除草操作包括如下至少之一:喷除草剂、拔除作业。
15.一种除草路径规划方法,其特征在于,通过权利要求1至12中任意一项所述的方法识别杂草,得到杂草位置,所述方法还包括:获取待除草区域的区域图像;
根据所述杂草位置以及所述区域图像生成进行除草作业的作业路径。
16.一种产量预估方法,其特征在于,通过权利要求1至12中任意一项所述的方法识别杂草,得到杂草位置,包括:
确定待预估区域内无杂草时的目标产量;
根据所述杂草位置确定杂草面积与所述待预估区域的区域面积的比值;
根据所述比值确定杂草所造成的减产产量;
根据所述目标产量以及所述减产产量确定所述待预估区域内作物的预估产量。
17.一种杂草区域的识别装置,其特征在于,包括:获取模块,用于获取多张作物图像,并对所述多张作物图像进行处理,得到数据集;
训练模块,用于基于所述数据集对神经网络模型进行训练,得到作物区域识别模型,所述作物区域识别模型用于识别作物区域,所述作物区域是不包含杂草的区域;
确定模块,用于基于所述作物区域识别模型对包含杂草的图集进行识别的识别结果确定杂草识别模型;
识别模块,用于基于所述杂草识别模型对待识别区域的待识别图像进行识别,得到所述待识别区域中的杂草区域
所述装置还用于:
对所述多张作物图像进行处理,得到作物区域所对应的标签图;
确定所述多张作物图像以及所述标签图的对应关系,基于所述对应关系获取所述数据集;
对所述多张作物图像进行二值化处理,得到二值化图像;
将所述二值化图像转换为种植行方向为垂直方向的第一图像;
检测所述第一图像中的植被种植状态,其中,所述植被状态至少包括:种植行内连续密植状态和种植行内稀疏种植状态;
根据所述植被状态对所述第一图像进行反转处理,得到所述标签图。
18.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至13中任意一项所述的杂草区域的识别方法。
19.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至13中任意一项所述的杂草区域的识别方法。
说明书 :
杂草区域的识别方法和装置
技术领域
背景技术
式进行田间除草,而化学除草会污染环境,机械化除草对环境友好,因此,为了提高田间作
物的产量,同时保护环境,目前许多农场采用机械化除草。然而,对于面积较大的农田,如果
采用人工除草的方式不仅会增加成本,还会降低除草效率。
定农田中的杂草区域。在确定了杂草区域之后,可使用自动化的除草设备进行田间除草。
农田图像进行识别处理来确定杂草区域,但现有技术通常是通过人工标注数据的方式来训
练神经网络模型,而且,现有的神经网络模型严重依赖于标注数据的质量与数量。如果需要
获得高鲁棒性、精度高的神经网络模型,则需要大量的标注数据,而且不同地域不同作物下
杂草的类型不同,这又增加了数据标注的工作量。
发明内容
练,得到作物区域识别模型;基于作物区域识别模型对包含杂草的图集进行识别的识别结
果确定杂草识别模型;基于杂草识别模型对待识别区域的待识别图像进行识别,得到待识
别区域中的杂草区域。
被种植状态,其中,植被种植状态至少包括:种植行内连续密植状态和种植行内稀疏种植状
态;根据植被种植状态对第一图像进行反转处理,得到标签图。
指数;基于颜色指数以及预设的颜色阈值对多张作物图像进行二值化处理,得到二值化图
像。
像中的扩充区域所对应的像素值为零值;基于种植行方向对第二图像进行旋转处理,得到
种植行方向为垂直方向的第一图像。
线;对第一累加曲线进行平滑处理,得到第一平滑曲线;确定第一平滑曲线所对应的特征信
息,其中,特征信息至少包括:波峰顶点信息以及种植行的宽度;基于特征信息对第一图像
中的种植行进行逐行覆盖操作,得到第三图像;对第三图像进行反转操作,得到标签图。
对第二累加曲线进行平滑处理,得到第二平滑曲线;确定第二平滑曲线的波峰顶点信息;基
于波峰顶点信息对第一图像中的种植行进行分割处理,得到种植行区域;对种植行区域逐
行进行连通域处理,得到第四图像;对第四图像进行反转操作,得到标签图。
析、特征分析、形状分析、纹理分析;根据分析结果对作物连通域进行标记,得到第四图像。
于第一测试数据对预训练的作物区域识别模型进行测试,得到第一测试结果;基于第一测
试结果对预训练的作物区域识别模型进行参数优化,得到目标作物区域识别模型。
到杂草数据集;基于杂草数据集对预设的神经网络模型进行训练,得到杂草识别模型。
标记,得到杂草数据集,其中,预设筛选条件至少包括连通域面积筛选条件。
识别模型。
模型;基于第二测试数据对预训练的杂草识别模型进行测试,得到第二测试结果;基于第二
测试结果对预训练的杂草识别模型进行参数优化,得到目标杂草识别模型。
识别结果用于表征待识别区域中的杂草区域,杂草识别模型是基于作物区域识别模型得到
的,作物区域识别模型用于识别待识别区域内的作物区域。
草位置进行标记,得到标记位置;控制除草设备按照标记位置执行除草操作,其中,除草操
作包括如下至少之一:喷除草剂、拔除作业。
位置以及区域图像生成进行除草作业的作业路径。
据杂草位置确定杂草面积与待预估区域的区域面积的比值;根据比值确定杂草所造成的减
产产量;根据目标产量以及减产产量确定待预估区域内作物的预估产量。
数据集对神经网络模型进行训练,得到作物区域识别模型;确定模块,用于基于作物区域识
别模型对包含杂草的图集进行识别的识别结果确定杂草识别模型;识别模块,用于基于杂
草识别模型对待识别区域的待识别图像进行识别,得到待识别区域中的杂草区域。
数据集,然后基于数据集对神经网络模型进行训练,得到作物区域识别模型,并基于作物区
域识别模型对包含杂草的图集进行识别的识别结果确定杂草识别模型,最后,基于杂草识
别模型对待识别区域的待识别图像进行识别,得到待识别区域中的杂草区域。
由于在田间作物的区域通常大于杂草区域,而从包含少量杂草区域的作物图像中易训练得
到作物区域识别模型,进而可快速的得到杂草识别模型。与现有的通过人工标注杂草的方
式相比,本申请能够快速的识别田间的杂草区域。
致的数据标注工作量大的技术问题。
附图说明
具体实施方式
本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人
员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范
围。
的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或
描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆
盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于
清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品
或设备固有的其它步骤或单元。
虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示
出或描述的步骤。
如下步骤:
摄的多张作物图像之后,对多张作物图像进行处理,并将处理后的多张作物图像作为数据
集,以实现对作物区域识别模型的训练。
有广泛性和鲁棒性。
下,杂草识别系统基于数据集对卷积神经网络进行训练,得到作物区域识别模型。
为包含杂草的图像。
通常远大于杂草的数量,因此,基于包含少量杂草的农田图像容易训练得到作物区域识别
模型,进而也容易得到杂草识别模型,从而避免了现有技术中,直接人工逐个标记杂草工作
量大,且严重依赖于标记质量的问题。
选的实施例中,杂草识别模型还可输出杂草区域在待识别区域中的位置信息以及面积信息
等。可选的,杂草识别系统具有显示设备,其可在待识别图像标记出杂草区域的位置信息以
及面积信息。
息、杂草种类,并根据杂草区域的位置信息、面积信息以及杂草种类给出对应的除草策略,
例如,除草工具、除草时间以及预计的除草时长等信息,以供用户参考。
之后,对多张作物图像进行处理,得到数据集,然后基于数据集对神经网络模型进行训练,
得到作物区域识别模型,并基于作物区域识别模型对包含杂草的图集进行识别的识别结果
确定杂草识别模型,最后,基于杂草识别模型对待识别区域的待识别图像进行识别,得到待
识别区域中的杂草区域。
型。由于在田间作物的区域通常大于杂草区域,而从包含少量杂草区域的作物图像中易训
练得到作物区域识别模型,进而可快速的得到杂草识别模型。与现有的通过人工标注杂草
的方式相比,本申请能够快速的识别田间的杂草区域。
致的数据标注工作量大的技术问题。
域所对应的标签图,然后确定多张作物图像以及标签图的对应关系,并基于对应关系获取
数据集。
得到数据集。
状态,最后再根据植被种植状态对第一图像进行反转处理,得到标签图,其中,植被种植状
态至少包括:种植行内连续密植状态(例如,小麦、甘蔗等作物的条带状的种植状态)和种植
行内稀疏种植状态(例如,水稻、果树等作物的种植状态)。
(Hue、Saturation、Value,即色调、饱和度、明度)的方法。
颜色值,然后基于多个预设颜色通道的颜色值得到多张作物图像中每个像素点所对应的颜
色指数,最后基于颜色指数以及预设的颜色阈值对多张作物图像进行二值化处理,得到二
值化图像。其中,预设颜色通道可以为红绿蓝三个颜色通道。
物区域,其中,作物图像中的超绿指数大于预设的颜色阈值的位置设置为非零值,作物图像
中的超绿指数小于预设的颜色阈值的位置置零,从而得到二值化图。其中,上述预设的颜色
阈值可以人为设定,也可以通过Ostu法获得。
化图像中的作物的种植行方向,并对二值化图像扩充处理,得到预设形状的第二图像,然后
基于种植行方向对第二图像进行旋转处理,得到种植行方向为垂直方向的第一图像。其中,
第二图像中的扩充区域所对应的像素值为零值。
中,上述统计分析的方法包括但不限于选取出现次数最多的角度作为种植行方向,当靠前
的直线的角度、半径列表的数量小于预设数量时,可对靠前的直线的角度按照出现次数的
多少进行排序,并选取次数最多的角度作为种植行方向。
至垂直方向,根据二值化图像的高度、宽度计算二值化图像的对角线长度,填补零值使得二
值化图变为正方形,并根据主方向角度旋转种植行至垂直。如图2和图4为原始的作物图像
的示意图,图3为对图2所示的作物图像的二值化图像进行旋转后所得到的第一图像的示意
图,图5为对图4所示的作物图像的二值化图像进行旋转后所得到的第一图像的示意图,由
图3和图5可知,第一图像中的种植行方向为垂直方向。
曲线进行平滑处理,得到第一平滑曲线,然后确定第一平滑曲线所对应的特征信息,并基于
特征信息对第一图像中的种植行进行逐行覆盖操作,得到第三图像,最后对第三图像进行
反转操作,得到标签图。其中,特征信息至少包括:波峰顶点信息以及种植行的宽度。
度逐行覆盖种植行矩形条,生成种植行区域覆盖图(即第三图像),种植行区域覆盖图反旋
转反填补后得到标签图。可选的,种植行区域覆盖图也是二值图,如图7所示的种植行区域
覆盖图,每行对应一个种植行矩形条,矩形条的中线为波峰定点所在列,矩形宽度为波峰宽
度,矩形高度为原图宽度。另外,图8为对种植行区域覆盖图(即第三图像)进行反转操作后
所生成的标签图。
Golay Filter平滑后去噪方法。其中,对第一累加曲线进行平滑处理可用于修正Savitzky_
Golay Filter平滑后的负数值等。另外,计算平滑后曲线的波峰顶点与宽度可以用
scipy.signal.find_peaks等类似方法。
理,得到第二平滑曲线,然后确定第二平滑曲线的波峰顶点信息,并基于波峰顶点信息对第
一图像中的种植行进行分割处理,得到种植行区域,最后对种植行区域逐行进行连通域处
理,得到第四图像,并对第四图像进行反转操作,得到标签图。
的区域为二值化图像中的种植行区域,其中,种植行区域的宽度大于作物的宽度,直线D为
两行作物的中间分界。
对作物连通域进行分析处理,得到分析结果,并根据分析结果对作物连通域进行标记,得到
第四图像。其中,分析处理至少包括如下之一:面积分析、特征分析、形状分析、纹理分析。
选出作物连通域,对种植行区域内的连通域进行面积分析或者特征分析(例如,形状分析,
或结合原图进行纹理分析),并将符合作物特征的连通域进行标记。
于GaborFilter。分析方法包括但不限于比对作物植被纹理,例如,如果与小麦植被纹理相
似度在置信区间内,则可判别为作物。
像,然后基于二值化图像确定种植行方向,并填补至边长为原图对角线长度的正方形,并根
据种植行方向的角度对二值化图像进行旋转,使得种植行方向为垂直方向。然后,杂草识别
系统在分别基于植被种植状态采用两种方式对旋转后的二值化图像进行处理,得到标签
图。其中,在植被种植状态为种植行内连续密植状态和种植行内稀疏种植状态的情况下,得
到标签图的方法已在上文中进行说明,在此不再赘述。
模型。具体的,杂草识别系统从数据集中获取第一训练数据和第一测试数据,并基于第一训
练数据对卷积神经网络进行训练,得到预训练的作物区域识别模型,然后基于第一测试数
据对预训练的作物区域识别模型进行测试,得到第一测试结果,最后基于第一测试结果对
预训练的作物区域识别模型进行参数优化,得到目标作物区域识别模型。
的方式得到,也可以通过上述方法获得。
系统获取包含杂草的图集,并基于作物区域识别模型对图集进行识别处理,得到识别结果,
然后基于识别结果对图集中的杂草区域进行标记,得到杂草数据集,最后基于杂草数据集
对预设的神经网络模型进行训练,得到杂草识别模型。
记,得到杂草数据集,其中,预设筛选条件至少包括连通域面积筛选条件。
取包含杂草的图集,然后对图集中的杂草区域进行标记,得到杂草数据集,最后基于杂草数
据集对预设的神经网络模型进行训练,得到杂草识别模型。
据集中获取第二训练数据和第二测试数据,并基于第二训练数据对预设的神经网络模型进
行训练,得到预训练的杂草识别模型,然后再基于第二测试数据对预训练的杂草识别模型
进行测试,得到第二测试结果,最后基于第二测试结果对预训练的杂草识别模型进行参数
优化,得到目标杂草识别模型。
别结果可以包括杂草区域的位置信息、面积信息,还可以包括但不限于杂草种类等信息。
到无人机拍摄的待识别图像之后,可对待识别图像进行预处理,并将预处理后的待识别图
像输入至杂草识别模型,以得到对待识别区域的识别结果。
作物区域识别模型用于识别待识别区域内的作物区域。
的实施例中,杂草识别模型还可输出杂草区域在待识别区域中的位置信息以及面积信息
等。可选的,杂草识别系统具有显示设备,其可在待识别图像标记出杂草区域的位置信息以
及面积信息。
息、杂草种类,并根据杂草区域的位置信息、面积信息以及杂草种类给出对应的除草策略,
例如,除草工具、除草时间以及预计的除草时长等信息,以供用户参考。
之后,基于杂草识别模型对所述待识别图像进行识别,得到识别结果。
型。由于在田间作物的区域通常大于杂草区域,而从包含少量杂草区域的作物图像中易训
练得到作物区域识别模型,进而可快速的得到杂草识别模型。与现有的通过人工标注杂草
的方式相比,本申请能够快速的识别田间的杂草区域。
致的数据标注工作量大的技术问题。
体。
无人机与除草控制设备为两种不同的设备。在另一种可选的实施例中,除草控制设备可以
为无人机,在该场景中,无人机可直接获取待除草区域的区域图像,并执行步骤S1604和步
骤S1606,即无人机可在区域图像中对杂草位置进行标记,得到标记位置,并控制除草设备
按照标记位置执行除草操作。
记位置。可选的,可以使用与待除草区域的背景颜色相差较大的颜色来进行标记。
除草区域中所对应的现实世界中的物理位置,并在物理位置处进行除草操作。
为待除草区域中所对应的现实世界中的物理位置,并根据物理位置来确定待除草区域中的
杂草区域,然后在杂草区域内进行除草操作。
理位置,并将该物理位置发送至除草设备。除草设备在得到物理位置之后,根据物理位置来
确定待除草区域中的杂草区域,然后在杂草区域内进行除草操作。
节省了人力物力,提高了除草效率。
骤:
体。
无人机与除草控制设备为两种不同的设备。在另一种可选的实施例中,除草控制设备可以
为无人机,在该场景中,无人机可直接获取待除草区域的区域图像,并执行步骤S1704,即无
人机可根据杂草位置以及区域图像生成进行除草作业的作业路径,以使除草设备按早作业
路径进行除草作业。
记位置,并将得到至少一个标记位置进行连接,得到多个候选作业路径,然后从多个候选作
业路径中选出最优的候选作业路径,作为除草设备进行除草作业的作业路径。可选的,上述
最优的候选作业路径可以为但不限于除草设备完成除草作业的时长最短的路径,以及除草
设备完成除草作业所移动的距离最短的路径。
预估区域的区域面积可以通过无人机拍摄的方式来获取。
定最优的种植策略,最大化的提高作物的产量,同时也提高了土地的利用率。
训练模块1503、确定模块1505以及识别模块1507。
型;确定模块1505,用于基于作物区域识别模型对包含杂草的图集进行识别的识别结果确
定杂草识别模型;识别模块1507,用于基于杂草识别模型对待识别区域的待识别图像进行
识别,得到待识别区域中的杂草区域。
应用场景相同,但不限于上述实施例所公开的内容。
域的识别方法。
一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或
者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互
之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连
接,可以是电性或其它的形式。
单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式
体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机
设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或
部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read‑OnlyMemory)、随机存取存
储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的
介质。
视为本发明的保护范围。