[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

说明书

本发明公开了一种植物生长区域的灌水状态的识别方法、装置和存储介质。其中，该方法包括：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，对目标图像进行识别，得到目标植物生长区域的目标灌水状态，其中，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，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，以及图像样本与灌水状态的标签之间的对应关系。本发明解决了植物生长区域的灌水状态的识别的效率低的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种植物生长区域的灌水状态的识别方法、装置和存储介质。

背景技术

目前，对植物生长区域的灌溉管理是植物种植过程中的重要工作，而通常识别植物生长区域的灌水状态的手段主要有：通过人工巡视来观察；通过摄像头和尺或带刻度的杆来测量；通过液位传感器来检测。

但是，通过人工巡视来观察的方法依赖于劳动力，在农场规模越大的情况下，效率反而越低；通过摄像头和尺或带刻度杆来测量的方法仍然需要人员观测分析，这相比于人工巡视，仅仅是减少了人工巡田的环节而已；通过液位传感器来检测的方法，数据采集点是单一的点，如果需获取摄像头视野范围的水位数据，则需要相关人员在多个位置安装液位传感器，从而上述方法对植物生长区域的灌水状态的识别的效率比较低。

针对上述的植物生长区域的灌水状态的识别的效率低的技术问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种植物生长区域的灌水状态的识别方法、装置和存储介质，以至少解决植物生长区域的灌水状态的识别的效率低的技术问题。

根据本发明实施例的一个方面，提供了一种植物生长区域的灌水状态的识别方法。该方法可以包括：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，对目标图像进行识别，得到目标植物生长区域的目标灌水状态，其中，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，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，以及图像样本与灌水状态的标签之间的对应关系；其中，生成第一深度学习网络模型的方法包括：获取目标植物生长区域的多张图像样本，将多张图像样本作为第一数据集合，并确定多张图像样本的灌水状态的标签，将灌水状态的标签作为第二数据集合；将第一数据集合和第二数据集合进行关联，得到关联数据集，并将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，训练数据和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；采用训练数据训练得出第二深度学习网络模型，并将测试数据中的测试图像输入至第二深度学习网络模型中，得到测试结果；根据测试结果生成优化参数，并采用优化参数优化第二深度学习模型，得到第一深度学习模型。

可选地，在获取目标植物生长区域的目标图像之前，该方法还包括：获取目标植物生长区域的原始图像；对原始图像进行预处理，得到目标图像，其中，目标图像与第一深度学习模型相匹配。

可选地，目标图像包括目标尺寸的图像，对原始图像进行预处理，得到目标图像，包括以下之一：对原始图像进行压缩处理，得到目标尺寸的图像；从原始图像中截取出目标比例的子图像，并对子图像进行压缩处理，得到目标尺寸的图像。

可选地，采用训练数据训练得出第二深度学习网络模型，包括：基于训练数据对初始神经网络模型进行深度学习训练，得到第二深度学习网络模型；将测试数据中的测试图像输入至第二深度学习网络模型中，得到测试结果，包括：基于测试数据中的测试图像对第二深度学习网络模型进行测试，得到测试结果；采用优化参数优化第二深度学习模型，得到第一深度学习模型，包括：基于优化参数调整第二深度学习网络模型的网络参数，得到第一深度学习网络模型。