杂草的识别方法及装置、杂草的喷施方法

IPRDB

API 数据接口

专利申请

使用指引 chat嘟嘟

会员体验

联系我们

交流群

现在联系顾问~

杂草的识别方法及装置、杂草的喷施方法
申请号	CN202311186202.5	申请日	2023-09-14	公开(公告)号	CN116912701A	公开(公告)日	2023-10-20
申请人	潍坊现代农业山东省实验室;			发明人	刘腾; 于佳琳; 王金续; 杨喆;
摘要	本申请公开了一种杂草的识别方法及装置、杂草的喷施方法。其中，该方法包括：通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识；利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；去除目标图像中的作物信息，得到目标图像中的杂草信息。本申请解决了由于相关的杂草识别方法仅适用于特定的区域造成的难以识别不同类型的农田杂草的技术问题。
权利要求	1.一种杂草的识别方法，其特征在于，包括：通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，所述第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，所述第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，所述第一作物为种植密度大于预设阈值的作物，所述第二作物为种植密度不大于预设阈值的作物；利用所述第一学生模型中的所述第一作物识别知识和所述第二学生模型中的所述第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；去除所述目标图像中的所述作物信息，得到所述目标图像中的杂草信息。 2.根据权利要求1所述的方法，其特征在于，通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识之前，所述方法还包括：将所述多个第一图像中的每个第一图像切分为多个第一子图像；在多个第一子图像中的每个第一子图像中的每个像素分配作物特征，得到多个第一目标子图像；对所述多个第一目标子图像进行预处理，得到第二目标子图像，其中，所述预处理至少包括：对所述多个第一目标子图像进行归一化处理；利用所述第二目标子图像对预设教师模型进行训练，得到所述第一教师模型和所述第一教师模型中包括的所述第一作物识别知识。 3.根据权利要求2所述的方法，其特征在于，所述方法还包括：在所述多个第二图像中的每个第二图像中的每个像素内分配作物特征，得到第一目标图像；对所述第一目标图像进行预处理，得到第二目标图像，其中，所述预处理至少包括：对所述第一目标图像进行归一化处理；利用所述第二目标图像对所述预设教师模型进行训练，得到所述第二教师模型和所述第二教师模型中包括的所述第二作物识别知识。 4.根据权利要求1所述的方法，其特征在于，利用所述第一学生模型中的所述第一作物识别知识和所述第二学生模型中的所述第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息，包括：将包括所述第一学生模型和所述第二学生模型的目标识别模型部署至目标对象，其中，所述目标对象包括以下之一：服务器、喷药设备对应的边缘设备以及所述喷药设备。 5.根据权利要求1所述的方法，其特征在于，包括：所述第一学生模型的第一主干网络的卷积核数小于所述第一教师模型；所述第二学生模型的第二主干网络的卷积核数小于所述第二教师模型。 6.一种杂草的识别方法，其特征在于，包括：通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，所述第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，所述第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，所述第一作物为种植密度大于预设阈值的作物，所述第二作物为种植密度不大于预设阈值的作物；利用所述第一学生模型中的所述第一作物识别知识和所述第二学生模型中的所述第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；对所述目标图像进行颜色转化处理，去除处理后的所述目标图像中的所述作物信息，得到所述目标图像中的杂草信息。 7.根据权利要求6所述的方法，其特征在于，对所述目标图像进行颜色转化处理，去除处理后的所述目标图像中的所述作物信息，得到所述目标图像中的杂草信息，包括：提取所述目标图像中的作物对应的第一图像掩码，并确定所述第一图像掩码在所述目标图像中的位置信息；将所述第一图像掩码向外扩充x个像素点，得到第二图像掩码，其中，x为自然数；在所述第二图像掩码的掩码颜色不为黑色的情况下，将所述第二图像掩码的掩码颜色转化为黑色，得到第三图像掩码；根据所述位置信息，将所述第三图像掩码添加至所述目标图像，得到第三目标图像；将所述第三目标图像由RGB图像转化为HSV图像；在所述HSV图像中确定色相在第一预设范围、饱和度在第二预设范围以及透明度在第三预设范围的第一区域；将包含所述第一区域的HSV图像转化为二进制图像，并对所述二进制图像进行去噪声处理，得到第四目标图像；填充所述第四目标图像中所述第一区域的边缘轮廓的凹陷部分，去除所述第一区域的所述边缘轮廓的凸起部分，得到第二区域；去除所述第三目标图像中的第二区域，得到所述杂草信息。 8.一种杂草的喷施方法，其特征在于，包括：确定喷药设备采集到的目标图像中的杂草信息；确定所述杂草信息中杂草像素点所在的第一坐标点；将所述第一坐标点转化为目标坐标点，其中，所述目标坐标点为所述喷药设备所在的目标地图采用的目标坐标系中的坐标点；在所述目标坐标点在所述喷药设备的喷头的工作范围内的情况下，对杂草进行喷施。 9.根据权利要求8所述的方法，其特征在于，包括：根据所述杂草信息中的杂草密度，将所述目标图像分割为多个子图像；确定所述多个子图像中的每个子图像的杂草像素点所在的所述第一坐标点；将所述第一坐标点转化为所述目标坐标点；获取在所述目标坐标系中所述喷药设备的喷头的坐标点，并根据所述喷头的坐标点，确定所述喷头的所述工作范围；在所述目标坐标点在所述喷药设备的喷头的工作范围内的情况下，对杂草进行喷施。 10.一种杂草的识别装置，其特征在于，包括：接收模块，用于通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，所述第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，所述第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，所述第一作物为种植密度大于预设阈值的作物，所述第二作物为种植密度不大于预设阈值的作物；识别模块，用于利用所述第一学生模型中的所述第一作物识别知识和所述第二学生模型中的所述第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；确定模块，用于去除所述目标图像中的所述作物信息，得到所述目标图像中的杂草信息。 11.一种非易失性存储介质，其特征在于，所述非易失性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非易失性存储介质所在设备执行权利要求1至7中任意一项所述的杂草的识别方法或者权利要求8至9中任意一项所述的杂草的喷施方法。 12.一种电子设备，其特征在于，包括：存储器和处理器，所述处理器用于运行存储在所述存储器中的程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的杂草的识别方法或者权利要求8至9中任意一项所述的杂草的喷施方法。
说明书全文	杂草的识别方法及装置、杂草的喷施方法技术领域 [0001] 本申请涉及图像识别技术领域，具体而言，涉及一种杂草的识别方法及装置、杂草的喷施方法。背景技术 [0002] 在农业领域，除草用以确保作物的生长和产量。然而，传统的除草方法存在一些问题，其中之一是杂草识别的准确性和效率。手工除草费时费力，而化学除草剂可能对环境造成负面影响。因此，人们迫切需要一种精准除草的解决方案，能够准确识别和消除杂草，从而提高农作物的生长环境。 [0003] 相关的杂草识别方式主要依赖人工视觉和图像处理技术，这些方法通常基于图像特征提取和分类算法，通过分析植物的形状、颜色和纹理等特征来判断其是否为杂草。然而，这些传统方法在复杂的农田环境中面临挑战，因为杂草的外观和特征与作物相似，难以准确区分。此外，这些方法通常需要大量的人力和时间，限制了其在大规模农田中的应用。 [0004] 随着计算机技术的不断发展和图形处理器（Graphics Processing Unit，GPU）的兴起，人工智能技术被引入精准除草的方式中。利用深度学习和神经网络等技术，可以更准确地识别和分类植物，从而实现精准除草的目标。然而，相关的人工智能识别方法仍然存在一些限制。具体而言，首先，相关的识别杂草的方法通常只适用于特定的区域和特定的田地，其迁移能力较差，难以应用于不同类型的农田。其次，通过识别作物间接识别杂草，即识别作物、框选作物并去除作物，剩下的绿色植物被认定为杂草。然而，这种方法存在一个问题，即训练这些模型时只能使用锚框来框选作物，无法有效去除框内的杂草，从而影响了除草的效果。 [0005] 针对上述的问题，目前尚未提出有效的解决方案。发明内容 [0006] 本申请实施例提供了一种杂草的识别方法及装置、杂草的喷施方法，以至少解决由于相关的杂草识别方法仅适用于特定的区域造成的难以识别不同类型的农田杂草的技术问题。 [0007] 根据本申请实施例的一个方面，提供了一种杂草的识别方法，包括：通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，第一作物为种植密度大于预设阈值的作物，第二作物为种植密度不大于预设阈值的作物；利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；去除目标图像中的作物信息，得到目标图像中的杂草信息。 [0008] 可选地，通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识之前，方法还包括：将多个第一图像中的每个第一图像切分为多个第一子图像；在多个第一子图像中的每个第一子图像中的每个像素分配作物特征，得到多个第一目标子图像；对多个第一目标子图像进行预处理，得到第二目标子图像，其中，预处理至少包括：对多个第一目标子图像进行归一化处理；利用第二目标子图像对预设教师模型进行训练，得到第一教师模型和第一教师模型中包括的第一作物识别知识。 [0009] 可选地，在多个第二图像中的每个第二图像中的每个像素内分配作物特征，得到第一目标图像；对第一目标图像进行预处理，得到第二目标图像，其中，预处理至少包括：对第一目标图像进行归一化处理；利用第二目标图像对预设教师模型进行训练，得到第二教师模型和第二教师模型中包括的第二作物识别知识。 [0010] 可选地，利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息，包括：将包括第一学生模型和第二学生模型的目标识别模型部署至目标对象，其中，目标对象包括以下之一：服务器、喷药设备对应的边缘设备以及喷药设备。 [0011] 可选地，第一学生模型的第一主干网络的卷积核数小于第一教师模型；第二学生模型的第二主干网络的卷积核数小于第二教师模型。 [0012] 根据本申请实施例的再一方面，还提供了一种杂草的识别方法，包括：通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，第一作物为种植密度大于预设阈值的作物，第二作物为种植密度不大于预设阈值的作物；利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；对目标图像进行颜色转化处理，去除处理后的目标图像中的作物信息，得到目标图像中的杂草信息。 [0013] 可选地，对目标图像进行颜色转化处理，去除处理后的目标图像中的作物信息，得到目标图像中的杂草信息，包括：提取目标图像中的作物对应的第一图像掩码，并确定第一图像掩码在目标图像中的位置信息；将第一图像掩码向外扩充x个像素点，得到第二图像掩码，其中，x为自然数；在第二图像掩码的掩码颜色不为黑色的情况下，将第二图像掩码的掩码颜色转化为黑色，得到第三图像掩码；根据位置信息，将第三图像掩码添加至目标图像，得到第三目标图像；将第三目标图像由RGB图像转化为HSV图像；在HSV图像中确定色相在第一预设范围、饱和度在第二预设范围以及透明度在第三预设范围的第一区域；将包含第一区域的HSV图像转化为二进制图像，并对二进制图像进行去噪声处理，得到第四目标图像；填充第四目标图像中第一区域的边缘轮廓的凹陷部分，去除第一区域的边缘轮廓的凸起部分，得到第二区域；去除第三目标图像中的第二区域，得到杂草信息。 [0014] 根据本申请实施例的再一方面，还提供了一种杂草的喷施方法，其特征在于，包括：确定喷药设备采集到的目标图像中的杂草信息；确定杂草信息中杂草像素点所在的第一坐标点；将第一坐标点转化为目标坐标点，其中，目标坐标点为喷药设备所在的目标地图采用的目标坐标系中的坐标点；在目标坐标点在喷药设备的喷头的工作范围内的情况下，对杂草进行喷施。 [0015] 可选地，根据杂草信息中的杂草密度，将目标图像分割为多个子图像；确定多个子图像中的每个子图像的杂草像素点所在的第一坐标点；将第一坐标点转化为目标坐标点；获取在目标坐标系中喷药设备的喷头的坐标点，并根据喷头的坐标点，确定喷头的工作范围；在目标坐标点在喷药设备的喷头的工作范围内的情况下，对杂草进行喷施。 [0016] 根据本申请实施例的再一方面，还提供了一种杂草的识别装置，包括：接收模块，用于通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，第一作物为种植密度大于预设阈值的作物，第二作物为种植密度不大于预设阈值的作物；识别模块，用于利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；确定模块，用于去除目标图像中的作物信息，得到目标图像中的杂草信息。 [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，存储介质包括存储的程序，其中，程序运行时控制存储介质所在的设备执行以上的杂草的识别方法。 [0018] 根据本申请实施例的再一方面，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，程序运行时执行以上的杂草的识别方法。 [0019] 在本申请实施例中，采用通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，第一作物为种植密度大于预设阈值的作物，第二作物为种植密度不大于预设阈值的作物；利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；去除目标图像中的作物信息，得到目标图像中的杂草信息的方式，通过利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息，去除目标图像中的作物信息，得到目标图像中的杂草信息，达到了识别不同类型的农田杂草的目的，从而实现了提升杂草识别效率的技术效果，进而解决了由于相关的杂草识别方法仅适用于特定的区域造成的难以识别不同类型的农田杂草的技术问题。附图说明 [0020] 此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中： [0021] 图1是根据相关技术的一种杂草的识别方法的示意图； [0022] 图2是根据本申请实施例的一种杂草的识别方法的流程图； [0023] 图3是根据本申请实施例的另一种杂草的识别方法的流程图； [0024] 图4是根据本申请实施例的另一种杂草的识别方法的流程图； [0025] 图5是根据本申请实施例的一种杂草的喷施方法的流程图； [0026] 图6是根据本申请实施例的一种在高种植密度作物中的杂草的识别方法的示意图； [0027] 图7是根据本申请实施例的一种在低密度种植作物中的杂草的识别方法的示意图； [0028] 图8是根据本申请实施例的一种杂草的识别装置的结构图； [0029] 图9是根据本申请实施例的一种杂草的识别方法的计算机终端（或电子设备）的硬件结构框图。具体实施方式 [0030] 为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。 [0031] 需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请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。 [0032] 在相关技术中，通过识别作物的方法间接识别杂草，即识别作物、框选作物并去除作物，则剩下的绿色植物被认定为杂草，然而，上述方法存在一个问题，图1是根据相关技术的一种杂草的识别方法的示意图，如图1所示，在训练作物识别模型的过程中，只能使用锚框来框选作物，无法有效去除框内的杂草，从而影响了除草的效果。为了解决上述问题，本申请实施例中提供了相关的解决方案，以下详细说明。 [0033] 根据本申请实施例，提供了一种杂草的识别方法的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，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。 [0034] 图2是根据本申请实施例的一种杂草的识别方法的流程图，如图2所示，该方法包括如下步骤： [0035] 步骤S202，通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，第一作物为种植密度大于预设阈值的作物，第二作物为种植密度不大于预设阈值的作物。 [0036] 根据本申请的一些可选的实施例，教师模型和学生模型是指在深度学习中，用于知识蒸馏（Knowledge Distillation）的两种模型。教师模型是指已经经过训练和优化的复杂模型，通常具有较高的准确率和复杂度。教师模型可以作为“教师”来指导学生模型的训练，教师模型可以通过大规模的数据集进行训练，以获得更好的性能。学生模型是指通过知识蒸馏技术从教师模型中提取出来的简化模型。学生模型通常比教师模型较小、更轻量级，运行速度更快，学生模型通过学习教师模型的知识，尽可能地模拟教师模型的输出结果。教师模型和学生模型之间的知识传递可以通过不同的方法实现，例如，可以使用教师模型的输出结果作为学生模型的目标标签，或者通过最小化教师模型和学生模型之间的KL散度来进行训练。KL散度（Kullback‑Leibler divergence），也称为相对熵，是一种用于度量两个概率分布之间的差异的指标。KL散度由两个概率分布的相对信息熵的差值给出。设P和Q是两个概率分布，其概率质量函数分别为p(x)和q(x)，KL散度定义为：KL(P\|\|Q) = Σ p(x) * log(p(x) / q(x))，其中，Σ表示对所有可能的取值x求和。可以理解的是，KL散度的值越大，表示两个概率分布的差异越大；值越小，表示两个概率分布越接近。 [0037] 通过知识蒸馏，学生模型可以从教师模型中获得更多的知识和经验，从而在保持较高性能的同时，具有较小的模型大小和更快的推理速度。 [0038] 可选地，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，其中，第一作物为种植密度大于预设阈值的作物，即高种植密度作物，例如：小麦、小白菜、草莓、花卉等。第二教师模型为采用第二作物对应的多个第二图像进行训练得到的，其中，第二作物为种植密度不大于预设阈值的作物，即低种植密度作物，例如：玉米、大豆、棉花、花生等。 [0039] 由于高种植密度作物和低种植密度作物之间的作物种植间距、作物边界以及杂草分布等维度不同，因此采用高种植密度作物对应多个图像对预设教师模型进行训练，得到第一教师模型，采用低种植密度作物对应多个图像对预设教师模型进行训练，得到第二教师模型。 [0040] 可选地，第一作物识别知识和第二作物识别知识包括以下内容：1.分类概率分布：教师模型通过softmax函数将输入映射到不同类别的概率分布。这些概率分布可以作为学生模型的目标，帮助学生模型更好地学习分类任务；2.中间层表示：教师模型的中间层表示可以包含更多的语义信息，可以用来指导学生模型学习更好的特征表示；3.模型权重：教师模型的权重可以作为学生模型的初始权重或者正则化项，帮助学生模型更快地收敛或者避免过拟合。 [0041] 步骤S204，利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息。 [0042] 根据本申请的另一些可选的实施例，将第一学生模型和第二学生模型部署至喷药设备，喷药设备将采集到的实时图像输入第一学生模型和第二学生模型，由于第一学生模型和第二学生模型从教师模型中获得更多的知识和经验，在保持较高性能的同时，具有更快的推理速度，因此第一学生模型和第二学生模型可在极快的时间内识别喷药设备采集到的实时图像中的作物信息。 [0043] 步骤S206，去除目标图像中的作物信息，得到目标图像中的杂草信息。 [0044] 在本申请的一些可选的实施例，提取目标图像中的作物对应的第一图像掩码，并确定第一图像掩码在目标图像中的位置信息；将第一图像掩码向外扩充x个像素点，得到第二图像掩码，其中，x为自然数；在第二图像掩码的掩码颜色不为黑色的情况下，将第二图像掩码的掩码颜色转化为黑色，得到第三图像掩码；根据位置信息，将第三图像掩码添加至目标图像，得到第三目标图像；将第三目标图像由RGB图像转化为HSV图像；在HSV图像中确定色相在第一预设范围、饱和度在第二预设范围以及透明度在第三预设范围的第一区域；将包含第一区域的HSV图像转化为二进制图像，并对二进制图像进行去噪声处理，得到第四目标图像；填充第四目标图像中第一区域的边缘轮廓的凹陷部分，去除第一区域的边缘轮廓的凸起部分，得到第二区域；去除第三目标图像中的第二区域，得到杂草信息。 [0045] 根据上述步骤，通过利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息，去除目标图像中的作物信息，得到目标图像中的杂草信息，达到了识别不同类型的农田的杂草的目的，从而实现了提升杂草识别效率的技术效果。 [0046] 根据本申请的一些可选的实施例，通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识之前，还需要：将多个第一图像中的每个第一图像切分为多个第一子图像；在多个第一子图像中的每个第一子图像中的每个像素分配作物特征，得到多个第一目标子图像；对多个第一目标子图像进行预处理，得到第二目标子图像，其中，预处理至少包括：对多个第一目标子图像进行归一化处理；利用第二目标子图像对预设教师模型进行训练，得到第一教师模型和第一教师模型中包括的第一作物识别知识。 [0047] 根据本申请的另一些可选的实施例，当作物为小麦、小白菜、草莓、花卉等作物时，由于作物种植密度较大，作物之间间隔较小，杂草体积往往较小、轮廓较为不清晰，且存在大量遮挡的情况，因此，在高种植密度作物田中，采用如下步骤对预设教师模型进行训练： [0048] 1.数据获取：获取用于语义分割的作物训练数据集图像； [0049] 2.图像剪切：将图像剪切为多个较小的图像块； [0050] 3.数据标注：对剪切后的图像块进行像素级标注，即每个像素都有对应的标签，该标签用于指示像素所属的语义类别； [0051] 4.数据预处理：对标注完成的训练数据进行预处理，包括图像的缩放、裁剪、旋转等操作，以及标签的编码和归一化等，用以提高模型的鲁棒性和泛化能力； [0052] 5.模型训练：使用语义分割网络，例如DeeplabV3等，对处理后的数据进行训练。 [0053] 语义分割网络是一种用于图像分割任务的深度学习模型，其目标是将输入的图像像素级别地分割为不同的语义类别。与传统的图像分类任务不同，语义分割网络需要输出每个像素的分类标签，从而实现对图像中不同物体的像素级别识别和分割。DeeplabV3通过将一个图像划分为多个像素级别的区域，并为每个像素分配一个标签，从而实现对图像的精细分类。DeeplabV3的核心是使用卷积神经网络进行特征提取，然后通过空洞卷积（dilated convolution）来增加感受野（receptive field），以更好地捕捉图像中的上下文信息。此外，DeeplabV3还使用了空间金字塔池化（Spatial Pyramid Pooling）和残差连接（Residual Connections）等技术，以提高模型的性能和准确性。 [0054] 在本申请的一些可选的实施例，在多个第二图像中的每个第二图像中的每个像素内分配作物特征，得到第一目标图像；对第一目标图像进行预处理，得到第二目标图像，其中，预处理至少包括：对第一目标图像进行归一化处理；利用第二目标图像对预设教师模型进行训练，得到第二教师模型和第二教师模型中包括的第二作物识别知识。 [0055] 作为本申请的一些可选的实施例，当作物为玉米、大豆、棉花、花生等作物时，由于作物种植间距较大，作物间隔较大，作物边界明显，杂草分布清晰，因此，在低密度种植作物田中，采用如下步骤对预设教师模型进行训练： [0056] 1.数据获取：获取用于语义分割的作物训练数据集图像； [0057] 2.数据标注：对获取的作物训练数据集图像进行像素级标注，即每个像素都有对应的标签，该标签用于指示像素所属的语义类别； [0058] 3.数据预处理：对标注完成的训练数据进行预处理，包括图像的缩放、裁剪、旋转等操作，以及标签的编码和归一化等，用以提高模型的鲁棒性和泛化能力； [0059] 4.模型训练：使用语义分割网络，例如DeeplabV3等，对处理后的数据进行训练。 [0060] 在本申请的一些可选的实施例中，利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息，可以通过以下方法实现：将包括第一学生模型和第二学生模型的目标识别模型部署至目标对象，其中，目标对象包括以下之一：服务器、喷药设备对应的边缘设备以及喷药设备。 [0061] 喷药设备对应的边缘设备为人工智能边缘计算设备，其中，人工智能边缘计算设备是指在边缘计算环境中运行和处理人工智能任务的设备。边缘计算是指将数据处理功能移动到接近数据源的位置，即在离数据生成源头更近的地方进行数据处理和分析，减少数据传输延迟和网络带宽压力。人工智能边缘计算设备通常具备以下特点：1.高性能处理器：人工智能边缘计算设备通常集成了高性能的处理器，如多核中央处理器、图像处理器等，以支持快速而复杂的人工智能任务；2.低功耗：人工智能边缘计算设备需要具备低功耗的特点，以适应边缘环境中有限的电力供应，并延长设备的使用寿命；3.高效的存储器：人工智能边缘计算设备通常具备高速和大容量的存储器，以存储和处理大规模的数据集；4.网络连接能力：人工智能边缘计算设备需要具备可靠的网络连接能力，以便与云端服务器进行通信和数据交换；5.安全性：由于人工智能边缘计算设备通常处理敏感数据，因此安全性是一个重要的考虑因素。设备需要具备安全的数据传输和存储机制，以保护数据的机密性和完整性。 [0062] 将包括第一学生模型和第二学生模型的目标识别模型部署至服务器、喷药设备对应的边缘设备以及喷药设备，喷药设备将采集到的实时图像输入目标识别模型，由于第一学生模型和第二学生模型从教师模型中获得更多的知识和经验，在保持较高性能的同时，具有更快的推理速度，因此目标识别模型可在极快的时间内识别喷药设备采集到的实时图像中的作物信息。 [0063] 在一些可选的实施例中，第一学生模型的第一主干网络的卷积核数小于第一教师模型；第二学生模型的第二主干网络的卷积核数小于第二教师模型。 [0064] 可选地，教师模型使用的主干网络为ResNet50，学生模型使用的主干网络为ResNet18，教师模型可选用更复杂的主干网络模型，学生模型也可选用更为简单的主干网络模型。 [0065] ResNet50是一种卷积神经网络模型，ResNet50具有50个卷积层，包含了多个残差块（residual blocks），可以用于图像分类、目标检测和语义分割等计算机视觉任务。ResNet50的设计主要解决了深度神经网络训练过程中的梯度消失和模型退化问题，使得更深的网络可以取得更好的性能。 [0066] ResNet18具有18层深度，由卷积层、池化层、全连接层等组成。与传统的卷积神经网络相比，ResNet引入了残差连接（residual connection），将输入的特征映射直接与输出相加，从而构建了一个“跳跃连接”的结构。这种结构使得网络能够更好地捕捉到输入数据的细节特征，同时减少了梯度的传播路径，有助于解决梯度消失问题，提高了模型的训练效果和泛化能力。 [0067] 图3是根据本申请实施例的另一种杂草的识别方法的流程图，如图3所示，该方法包括如下步骤： [0068] 步骤S302，通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，第一作物为种植密度大于预设阈值的作物，第二作物为种植密度不大于预设阈值的作物。 [0069] 根据本申请的一些可选的实施例，教师模型和学生模型是指在深度学习中，用于知识蒸馏（Knowledge Distillation）的两种模型。教师模型是指已经经过训练和优化的复杂模型，通常具有较高的准确率和复杂度。教师模型可以作为“教师”来指导学生模型的训练，教师模型可以通过大规模的数据集进行训练，以获得更好的性能。学生模型是指通过知识蒸馏技术从教师模型中提取出来的简化模型。学生模型通常比教师模型较小、更轻量级，运行速度更快，学生模型通过学习教师模型的知识，尽可能地模拟教师模型的输出结果。教师模型和学生模型之间的知识传递可以通过不同的方法实现，例如，可以使用教师模型的输出结果作为学生模型的目标标签，或者通过最小化教师模型和学生模型之间的KL散度来进行训练。KL散度（Kullback‑Leibler divergence），也称为相对熵，是一种用于度量两个概率分布之间的差异的指标。KL散度由两个概率分布的相对信息熵的差值给出。设P和Q是两个概率分布，其概率质量函数分别为p(x)和q(x)，KL散度定义为：KL(P\|\|Q) = Σ p(x) * log(p(x) / q(x))，其中，Σ表示对所有可能的取值x求和。可以理解的是，KL散度的值越大，表示两个概率分布的差异越大；值越小，表示两个概率分布越接近。 [0070] 通过知识蒸馏，学生模型可以从教师模型中获得更多的知识和经验，从而在保持较高性能的同时，具有较小的模型大小和更快的推理速度。 [0071] 可选地，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，其中，第一作物为种植密度大于预设阈值的作物，即高种植密度作物，例如：小麦、小白菜、草莓、花卉等。第二教师模型为采用第二作物对应的多个第二图像进行训练得到的，其中，第二作物为种植密度不大于预设阈值的作物，即低种植密度作物，例如：玉米、大豆、棉花、花生等。 [0072] 由于高种植密度作物和低种植密度作物之间的作物种植间距、作物边界以及杂草分布等维度不同，因此采用高种植密度作物对应多个图像对预设教师模型进行训练，得到第一教师模型，采用低种植密度作物对应多个图像对预设教师模型进行训练，得到第二教师模型。 [0073] 可选地，第一作物识别知识和第二作物识别知识包括以下内容：1.分类概率分布：教师模型通过softmax函数将输入映射到不同类别的概率分布。这些概率分布可以作为学生模型的目标，帮助学生模型更好地学习分类任务；2.中间层表示：教师模型的中间层表示可以包含更多的语义信息，可以用来指导学生模型学习更好的特征表示；3.模型权重：教师模型的权重可以作为学生模型的初始权重或者正则化项，帮助学生模型更快地收敛或者避免过拟合。 [0074] 步骤S304，利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息。 [0075] 根据本申请的另一些可选的实施例，将第一学生模型和第二学生模型部署至喷药设备，喷药设备将采集到的实时图像输入第一学生模型和第二学生模型，由于第一学生模型和第二学生模型从教师模型中获得更多的知识和经验，在保持较高性能的同时，具有更快的推理速度，因此第一学生模型和第二学生模型可在极快的时间内识别喷药设备采集到的实时图像中的作物信息。 [0076] 步骤S306，对目标图像进行颜色转化处理，去除处理后的目标图像中的作物信息，得到目标图像中的杂草信息。 [0077] 具体地，提取目标图像中的作物对应的第一图像掩码，并确定第一图像掩码在目标图像中的位置信息；将第一图像掩码向外扩充x个像素点，得到第二图像掩码，其中，x为自然数；在第二图像掩码的掩码颜色不为黑色的情况下，将第二图像掩码的掩码颜色转化为黑色，得到第三图像掩码；根据位置信息，将第三图像掩码添加至目标图像，得到第三目标图像；将第三目标图像由RGB图像转化为HSV图像；在HSV图像中确定色相在第一预设范围、饱和度在第二预设范围以及透明度在第三预设范围的第一区域；将包含第一区域的HSV图像转化为二进制图像，并对二进制图像进行去噪声处理，得到第四目标图像；填充第四目标图像中第一区域的边缘轮廓的凹陷部分，去除第一区域的边缘轮廓的凸起部分，得到第二区域；去除第三目标图像中的第二区域，得到杂草信息。 [0078] 图像掩码是一个与原始图像具有相同尺寸的二进制矩阵，其中特定区域的像素值为1，其他区域的像素值为0。 [0079] RGB图像是一种以红色（R），绿色（G）和蓝色（B）作为基本颜色通道的图像。在RGB图像中，每个像素都由这三个颜色通道的数值组成，用来表示该像素的颜色。每个颜色通道的数值范围通常是0‑255，其中0表示最暗，255表示最亮。HSV图像是一种描述颜色的模型，由色相（Hue）、饱和度（Saturation）和透明度（Value）三个要素组成。在HSV模型中，色相表示颜色的基本属性，取值范围为0到360度；饱和度表示颜色的纯度或浓度，取值范围为0到1；明度表示颜色的亮度，取值范围为0到1。 [0080] 图4是根据本申请实施例的另一种杂草的识别方法的流程图，如图4所示，该方法包括如下步骤： [0081] 步骤S402，采用低种植密度作物对应的多个图像对预设教师模型进行训练，得到第一教师模型和第一教师模型输出的第一作物识别知识；对高种植密度作物对应的多个图像进行切割，采用切割后的多个子图像对预设教师模型进行训练，得到第二教师模型和第二教师模型输出的第二作物识别知识。 [0082] 根据本申请的一些可选的实施例，知识蒸馏的方法，包括以下步骤：1.数据准备：完成语义分割训练的模型作为教师模型（一般为大型复杂且准确率高的模型）以及用于教师模型训练的训练数据集；2.定义学生模型：选择一个小型简化的模型结构作为学生模型，学生模型通常比教师模型具有更少的参数和计算复杂度。该发明教师模型使用的主干网络为ResNet50，学生模型的主干网络为ResNet18。教师模型可选用更复杂的主干网络模型。学生模型可选用更为简单的主干网络模型；3. 定义损失函数：为了将教师模型的知识传递给学生模型，需要定义一个损失函数来衡量它们之间的差异。本申请使用交叉熵损失函数，也可选用均方差损失函数；4.进行知识蒸馏训练：使用教师模型和学生模型对准备好的数据集进行训练。在训练过程中，除了传统的目标标签外，还需要计算教师模型的输出与学生模型的输出之间的差异，并将其作为额外的监督信号；5.调整温度参数：在计算教师模型输出与学生模型输出之间的差异时，使用了一个温度参数，其中，该参数用于调整教师模型输出的分布，以使其更平滑。通过调整温度参数，可以控制知识传递的程度；6.进行推理和评估：完成知识蒸馏训练后，使用测试集来评估学生模型的准确度和其他性能指标。 [0083] 知识蒸馏的目标是通过在训练过程中结合教师模型的知识，使得学生模型能够更好地学习和泛化。用于减少模型的参数数量、降低计算复杂度，并在资源受限的环境中实现高性能模型。引入知识蒸馏对用于进行应用的模型产生了以下影响： [0084] 1.提升学生模型性能：通过将教师模型的知识转移给学生模型，可以提高学生模型的性能。教师模型通常具有更高的准确度和复杂性，因此学生模型可以通过模仿教师模型的决策和特征学习到更多有用的信息，从而取得更好的性能；2.减少模型复杂度：将大型复杂模型的知识压缩到小型简化模型中，从而减少模型的参数数量和计算复杂度。这对于在资源受限的环境中使用模型非常有益，例如在移动设备上进行实时推理或在边缘计算设备上进行部署；3.提高模型泛化能力：教师模型在大规模数据上进行了训练，并具有较强的泛化能力。通过将其知识传递给学生模型，可以帮助学生模型学习到更具泛化性的特征和决策，从而提高其在新样本上的性能。 [0085] 步骤S404，将第一作物识别知识传输至第一学生模型；将第二作物识别知识传输至第二学生模型。 [0086] 图6是根据本申请实施例的一种在高种植密度作物中的杂草的识别方法的示意图，如图6所示，当作物为小麦、小白菜、草莓、花卉等作物时，由于作物种植密度较大，作物之间间隔较小，杂草体积往往较小、轮廓较为不清晰，且存在大量遮挡的情况，因此，在高种植密度作物田中，采用如下步骤获取杂草分割图像：1.数据获取：获取用于语义分割的作物训练数据集图像；2.图像剪切：将图像剪切为多个较小的图像块；3.数据标注：对剪切后的图像块进行像素级标注，即每个像素都有对应的标签，该标签用于指示像素所属的语义类别；4.数据预处理：对标注完成的训练数据进行预处理，包括图像的缩放、裁剪、旋转等操作，以及标签的编码和归一化等，用以提高模型的鲁棒性和泛化能力；5.模型训练：使用语义分割网络，例如DeeplabV3等，对处理后的数据进行训练；6.知识蒸馏：使用知识蒸馏方法，提升模型的性能和泛化能力，减少模型复杂度；7.杂草分割：对图像块中的杂草进行精准分割；8.图像拼接：将切割后的图像块经过上述操作处理后，将其拼接成原来的图像，以此形成完整的杂草分割图像。 [0087] 图7是根据本申请实施例的一种在低密度种植作物中的杂草的识别方法的示意图，如图7所示，当作物为玉米、大豆、棉花、花生等作物时，由于作物种植间距较大，作物间隔较大，作物边界明显，杂草分布清晰，因此，在低密度种植作物田中，采用如下步骤获取杂草分割图像：1.数据获取：获取用于语义分割的作物训练数据集图像；2.数据标注：对获取的作物训练数据集图像进行像素级标注，即每个像素都有对应的标签，该标签用于指示像素所属的语义类别；3.数据预处理：对标注完成的训练数据进行预处理，包括图像的缩放、裁剪、旋转等操作，以及标签的编码和归一化等，用以提高模型的鲁棒性和泛化能力；4.模型训练：使用语义分割网络，例如DeeplabV3等，对处理后的数据进行训练。5.知识蒸馏：使用知识蒸馏方法，提升模型的性能和泛化能力，减少模型复杂度；6.对图像中的杂草进行精准分割。 [0088] 步骤S406，将包括第一学生模型和第二学生模型的目标识别模型部署至目标对象，其中，目标对象包括以下之一：服务器、喷药设备对应的边缘设备以及喷药设备；利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息。 [0089] 步骤S408，对目标图像进行网格划分，对包含杂草的网格进行除草剂喷施。 [0090] 根据本申请一些优选的实施例，首先，调用喷药设备上双目摄像头对获取田间图像数据，进行实时传输。其次，使用部署后的目标识别模型对获取的图像进行实时处理，对图像中的杂草进行精准分割。然后，获取分割后图像中杂草像素点对应的图像中的具体坐标（x，y），并结合深度信息，将其确定世界坐标下的具体坐标信息。可以理解的是，由于小车在前进过程中，田地地面高低起伏不平，摄像头和喷头位置不在同一直线上，而是前后关系。相机拍摄完图片，模型处理，小车前进，喷头到达相机拍摄位置后进行喷洒，这时小车位置发生变化，只有将杂草坐标与喷头坐标都对应于同一个坐标系，即世界坐标，才能准确确定杂草位置对应哪个喷头的覆盖范围，以此来进行精准喷施。再次，每个喷头对应世界坐标的相应喷洒区域，若反馈的杂草坐标在对应喷头的工作范围，则开启该喷头进行喷施。最后，根据田地杂草不同密度可以选择不同的网格宽度进行喷洒，以此来达到节省农药的目的。 [0091] 图5是根据本申请实施例的一种杂草的喷施方法的流程图，如图5所示，该方法包括如下步骤： [0092] 步骤S502，确定喷药设备采集到的目标图像中的杂草信息； [0093] 步骤S504，确定杂草信息中杂草像素点所在的第一坐标点； [0094] 步骤S506，将第一坐标点转化为目标坐标点，其中，目标坐标点为喷药设备所在的目标地图采用的目标坐标系中的坐标点； [0095] 步骤S508，在目标坐标点在喷药设备的喷头的工作范围内的情况下，对杂草进行喷施。 [0096] 具体地，根据杂草信息中的杂草密度，将目标图像分割为多个子图像；确定多个子图像中的每个子图像的杂草像素点所在的第一坐标点；将第一坐标点转化为目标坐标点；获取在目标坐标系中喷药设备的喷头的坐标点，并根据喷头的坐标点，确定喷头的工作范围；在目标坐标点在喷药设备的喷头的工作范围内的情况下，对杂草进行喷施。 [0097] 可以理解的是，由于小车在前进过程中，田地地面高低起伏不平，摄像头和喷头位置不在同一直线上，而是前后关系。相机拍摄完图片，模型处理，小车前进，喷头到达相机拍摄位置后进行喷洒，这时小车位置发生变化，只有将杂草坐标与喷头坐标都对应于同一个坐标系，即世界坐标，才能准确确定杂草位置对应哪个喷头的覆盖范围，以此来进行精准喷施。 [0098] 图8是根据本申请实施例的一种杂草的识别装置的结构图，如图8所示，该装置包括： [0099] 接收模块80，用于通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，第一作物为种植密度大于预设阈值的作物，第二作物为种植密度不大于预设阈值的作物； [0100] 识别模块82，用于利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息； [0101] 确定模块84，用于去除目标图像中的作物信息，得到目标图像中的杂草信息。 [0102] 需要说明的是，上述图8中的各个模块可以是程序模块（例如是实现某种特定功能的程序指令集合），也可以是硬件模块，对于后者，其可以表现为以下形式，但不限于此：上述各个模块的表现形式均为一个处理器，或者，上述各个模块的功能通过一个处理器实现。 [0103] 需要说明的是，图8所示实施例的优选实施方式可以参见图2所示实施例的相关描述，此处不再赘述。 [0104] 图9示出了一种用于实现杂草的识别方法的计算机终端（或移动设备）的硬件结构框图。如图9所示，计算机终端90（或移动设备90）可以包括一个或多个（图中采用902a、902b，……，902n来示出）处理器902（处理器902可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器904、以及用于通信功能的传输模块 906。除此以外，还可以包括：显示器、输入/输出接口（I/O接口）、通用串行总线（USB）端口（可以作为BUS总线的端口中的一个端口被包括）、网络接口、电源和/或相机。本领域普通技术人员可以理解，图9所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端90还可包括比图9中所示更多或者更少的组件，或者具有与图9所示不同的配置。 [0105] 应当注意到的是上述一个或多个处理器902和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端90（或移动设备）中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制（例如与接口连接的可变电阻终端路径的选择）。 [0106] 存储器904可用于存储应用软件的软件程序以及模块，如本申请实施例中的杂草的识别方法对应的程序指令/数据存储装置，处理器902通过运行存储在存储器904内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的杂草的识别方法。存储器904可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器904可进一步包括相对于处理器902远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端90。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。 [0107] 传输模块906用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端90的通信供应商提供的无线网络。在一个实例中，传输模块906包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输模块906可以为射频（Radio Frequency，RF）模块，其用于通过无线方式与互联网进行通讯。 [0108] 显示器可以例如触摸屏式的液晶显示器（LCD），该液晶显示器可使得用户能够与计算机终端90（或移动设备）的用户界面进行交互。 [0109] 此处需要说明的是，在一些可选实施例中，上述图9所示的计算机设备（或电子设备）可以包括硬件元件（包括电路）、软件元件（包括存储在计算机可读介质上的计算机代码）、或硬件元件和软件元件两者的结合。应当指出的是，图9仅为特定具体实例的一个实例，并且旨在示出可存在于上述计算机设备（或电子设备）中的部件的类型。 [0110] 需要说明的是，图9所示的电子设备用于执行图2所示的杂草的识别方法，因此上述命令的执行方法中的相关解释说明也适用于该电子设备，此处不再赘述。 [0111] 本申请实施例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程序，其中，程序运行时控制存储介质所在的设备执行以上的杂草的识别方法。 [0112] 非易失性存储介质执行以下功能的程序：通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，第一作物为种植密度大于预设阈值的作物，第二作物为种植密度不大于预设阈值的作物；利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；去除目标图像中的作物信息，得到目标图像中的杂草信息。 [0113] 本申请实施例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，程序运行时执行以上的杂草的识别方法。 [0114] 处理器用于运行执行以下功能的程序：通过第一学生模型接收第一教师模型输出的第一作物识别知识，通过第二学生模型接收第二教师模型输出的第二作物识别知识，其中，第一教师模型为采用第一作物对应的多个第一图像进行训练得到的，第二教师模型为通过采用第二作物对应的多个第二图像进行训练得到的，第一作物为种植密度大于预设阈值的作物，第二作物为种植密度不大于预设阈值的作物；利用第一学生模型中的第一作物识别知识和第二学生模型中的第二作物识别知识，识别喷药设备采集到的目标图像中的作物信息；去除目标图像中的作物信息，得到目标图像中的杂草信息。 [0115] 上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。 [0116] 在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。 [0117] 在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，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。 [0118] 所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。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。 [0119] 另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单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。 [0120] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对相关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）执行本申请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‑Only Memory）、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。 [0121] 以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。