[发明专利]植物生长区域的灌水状态的识别方法、装置和存储介质

权利要求书

1.一种植物生长区域的灌水状态的识别方法，其特征在于，包括：

获取目标植物生长区域的目标图像；

基于第一深度学习网络模型，对所述目标图像进行识别，得到所述目标植物生长区域的目标灌水状态，其中，所述第一深度学习网络模型为使用多组样本数据通过深度学习训练出的，所述多组样本数据中的每组数据均包括：植物生长区域的图像样本、灌水状态的标签，以及所述图像样本与所述灌水状态的标签之间的对应关系；

其中，生成所述第一深度学习网络模型的方法包括：

获取所述目标植物生长区域的多张图像样本，将所述多张图像样本作为第一数据集合，并确定所述多张图像样本的灌水状态的标签，将所述灌水状态的标签作为第二数据集合；

将所述第一数据集合和所述第二数据集合进行关联，得到关联数据集，并将所述关联数据集进行预处理后生成至少一组训练数据和至少一组测试数据，其中，所述训练数据和所述测试数据均包括预处理后的图像样本及对应的灌水状态的标签；

采用所述训练数据训练得出第二深度学习网络模型，并将所述测试数据中的测试图像输入至所述第二深度学习网络模型中，得到测试结果；

根据所述测试结果生成优化参数，并采用所述优化参数优化所述第二深度学习模型，得到所述第一深度学习模型。

2.根据权利要求1所述的方法，其特征在于，在获取所述目标植物生长区域的目标图像之前，所述方法还包括：

获取所述目标植物生长区域的原始图像；

对所述原始图像进行预处理，得到所述目标图像，其中，所述目标图像与所述第一深度学习模型相匹配。

3.根据权利要求2所述的方法，其特征在于，所述目标图像包括目标尺寸的图像，对所述原始图像进行预处理，得到所述目标图像，包括以下之一：

对所述原始图像进行压缩处理，得到所述目标尺寸的图像；

从所述原始图像中截取出目标比例的子图像，并对所述子图像进行压缩处理，得到所述目标尺寸的图像。

4.根据权利要求1所述的方法，其特征在于，

采用所述训练数据训练得出第二深度学习网络模型，包括：基于所述训练数据对初始神经网络模型进行深度学习训练，得到所述第二深度学习网络模型；

将所述测试数据中的测试图像输入至所述第二深度学习网络模型中，得到测试结果，包括：基于所述测试数据中的测试图像对所述第二深度学习网络模型进行测试，得到所述测试结果；

采用所述优化参数优化所述第二深度学习模型，得到所述第一深度学习模型，包括：基于所述优化参数调整所述第二深度学习网络模型的网络参数，得到所述第一深度学习网络模型。

5.根据权利要求4所述的方法，其特征在于，在基于所述训练数据对所述初始神经网络模型进行深度学习训练，得到所述第二深度学习网络模型之前，所述方法还包括：

获取所述植物生长区域的原始图像样本；

对所述原始图像样本进行预处理，并将预处理后的所述原始图像样本、所述灌水状态的标签，以及所述预处理后的所述原始图像样本与所述灌水状态的标签之间的对应关系确定为一组所述样本数据，其中，所述样本数据与所述第一深度学习网络模型相匹配。

6.根据权利要求1至5中任意一项所述的方法，其特征在于，所述目标灌水状态包括：所述目标灌水状态所属的种类和/或所述目标灌水状态所属的种类的概率，其中，所述目标灌水状态所属的种类通过所述目标植物生长区域中的覆盖水的区域进行确定。

7.根据权利要求6所述的方法，其特征在于，所述目标灌水状态所属的种类包括以下之一：

第一状态，其中，处于所述第一状态的所述目标植物生长区域包括覆盖水的区域；

第二状态，其中，处于所述第二状态的所述目标植物生长区域未包括覆盖水的区域。