果树产量预测方法、装置、设备及计算机可读存储介质制造方法及图纸

本发明专利技术公开了一种果树产量预测方法、装置、设备及计算机可读存储介质，所述方法包括：获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及待预测果园的区域图片；将预测样本图片集输入预置用于预测目标类型果树枝量的第一模型，得到目标类型果树的平均枝量；将区域图片输入预置用于对目标类型果树进行密度估算和面积估算的第二模型，得到待预测果园中目标类型果树的种植密度和种植面积；根据平均枝量、种植密度和种植面积计算得到待预测果园中目标类型果树的预测产量。本发明专利技术实现了结合小尺度的平均枝量数据和大尺度的种植面积、种植密度数据，对待预测果园中目标类型果树进行产量预测，提高了果园果树产量预测的精确度。

Methods, devices, equipment and computer readable storage medium for fruit tree yield prediction

The invention discloses a method for predicting fruit tree output, a device, a device and a computer readable storage medium. The method comprises the following steps: obtaining a predicted sample picture set of a target fruit tree to be predicted in the orchard, and a regional picture of the fruit orchard to be predicted; and putting the predicted sample picture set into the first model for predicting the branch amount of fruit tree of the target type, and obtaining the target class. The average number of branches of fruit trees was used. The regional image input preset was used to estimate the density and area of the target fruit trees in second models. The planting density and planting area of the target fruit trees in the orchard were predicted. The predicted yield of the target fruit trees in the orchard was calculated according to the average branch density, planting density and planting area. The invention realizes the yield prediction of the target type fruit trees in the prediction orchard by combining the small-scale average branch amount data, the large-scale planting area and planting density data, and improves the accuracy of the yield prediction of fruit trees in the orchard.

【技术实现步骤摘要】
果树产量预测方法、装置、设备及计算机可读存储介质
本专利技术涉及人工智能
，尤其涉及一种果树产量预测方法、装置、设备及计算机可读存储介质。
技术介绍
随着智慧农业的发展，为了提高对果园的智能化管理，精确地预测果园果树的产量已经成为一个普遍需求。但是，目前的产量预测方法，无法对果园的产量进行精细化的预测，如基于遥感卫星的产量预测方法，其受卫星分辨率限制，只能拍摄到大尺度的卫星图像，无法对果园的产量进行精细化的预测。
技术实现思路
本专利技术的主要目的在于提供一种果树产量预测方法、装置、设备及计算机可读存储介质，旨在解决现有的果园果树产量预测方法，无法对果园的产量进行精细化预测的技术问题。为实现上述目的，本专利技术提供一种果树产量预测方法，所述果树产量预测方法包括：获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量。可选地，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，还包括：获取通过预设近距离拍摄装置采集的所述目标类型果树的训练样本图片集，以及所述训练样本图片集中每张图片对应人工标注的标注枝量；通过所述训练样本图片集和所述标注枝量，基于迭代训练的方式对预置待训练的第一卷积神经网络CNN模型进行训练，得到图像CNN模型，将所述图像CNN模型作为所述第一模型。可选地，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，还包括：获取通过预设区域图片采集装置采集的多个果园区域的区域图片集，以及所述区域图片集中每张图片对应人工标注的所述目标类型果树的标注密度和标注区域；通过所述区域图片集、所述标注密度和所述标注区域，基于迭代训练的方式对预置待训练的第二CNN模型进行训练，得到CNN语义分割模型，将所述CNN语义分割模型作为所述第二模型。可选地，所述将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积的步骤包括：将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到置信度矩阵和所述待预测果园中所述目标类型果树的种植密度，其中，所述置信度矩阵中的元素与所述区域图片的像素点一一对应；基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数；根据属于所述目标类型果树的像素点的个数以及所述预设区域图片采集装置的分辨率，计算得到所述待预测果园中所述目标类型果树的种植面积。可选地，所述置信度矩阵包括第一矩阵和第二矩阵，所述第一矩阵中各个元素为对应像素点属于所述目标类型果树的第一概率值，所述第二矩阵中各个元素为对应像素点不属于所述目标类型果树的第二概率值，所述基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数的步骤包括：遍历所述第一矩阵和所述第二矩阵，获取所述区域图片的各个像素点对应的第一概率值和第二概率值，比较各所述像素点对应的第一概率值和第二概率值；当所述像素点对应的第一概率值大于第二概率值时，确定所述像素点属于所述目标类型果树；统计属于所述目标类型果树的像素点的个数。可选地，所述根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量的步骤包括：将所述种植面积除以所述种植密度得到所述待预测果园中所述目标类型果树的棵数；将所述棵数乘以所述平均枝量得到所述待预测果园中所述目标类型果树的总枝量；将所述目标类型果树的预设单枝结果数与所述总枝量相乘，得到所述待预测果园中所述目标类型果树的预测产量。可选地，所述根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量的步骤之后，还包括：当检测到预设数据库中添加入新的训练数据时，获取基于所述预测产量的反馈信息；检测所述预测产量与所述反馈信息中的实际产量之间的误差是否大于预设误差；当检测到所述误差大于所述预设误差时，通过所述新的训练数据对所述第一模型和/或所述第二模型进行训练，以更新所述第一模型和/或所述第二模型。此外，为实现上述目的，本专利技术还提供一种果树产量预测装置，所述果树产量预测装置包括：获取模块，用于获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；预测模块，用于将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；估算模块，用于将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；计算模块，用于根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的产量。此外，为实现上述目的，本专利技术还提供一种果树产量预测设备，所述果树产量预测设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的果树产量预测程序，所述果树产量预测程序被所述处理器执行时实现如上所述的果树产量预测方法的步骤。此外，为实现上述目的，本专利技术还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有果树产量预测程序，所述果树产量预测程序被处理器执行时实现如上所述的果树产量预测方法的步骤。本专利技术中，将待预测果园中目标类型果树的预测样本图片集输入第一模型，预测得到待预测果园中目标类型果树的平均枝量，通过对单棵果树图片中的树枝特征进行识别，得到小尺度的果树平均枝量数据；将待预测果园的区域图片输入第二模型，预测得到待预测果园中目标类型果树的种植密度和种植面积，通过对整个果园图片中目标类型果树的特征进行识别，得到大尺度的种植面积和种植密度数据；并结合小尺度的平均枝量数据和大尺度的种植面积、种植密度数据，得到待预测果园中目标类型果树的预测产量，以避免了仅通过大尺度的卫星图像预测产量造成的精确度低的问题，提高了果园果树产量预测的精确度。附图说明图1是本专利技术实施例方案涉及的硬件运行环境的结构示意图；图2为本专利技术果树产量预测方法第一实施例的流程示意图；图3为本专利技术实施例涉及的A类果树和B类果树产量的预测流程图；图4为本专利技术果树产量预测装置较佳实施例的功能示意图模块图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术提供了一种果树产量预测设备，参照图1，图1是本专利技术实施例方案涉及的硬件运行环境的结构示意图。需要说明的是，图1即可为果树产量预测设备的硬件运行环境的结构示意图。本专利技术实施例果树产量预测设备可以是PC，也可以是智能手机、智能电视机、平板电脑、便携计算机等具有显示功能的终端设备。如图1所示，该果树产量预测设备可以包括：处理器1001，例本文档来自技高网...

【技术保护点】
1.一种果树产量预测方法，其特征在于，所述果树产量预测方法包括：获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量。

【技术特征摘要】
1.一种果树产量预测方法，其特征在于，所述果树产量预测方法包括：获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片；将所述预测样本图片集输入预置用于预测所述目标类型果树枝量的第一模型，得到所述目标类型果树的平均枝量；将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积；根据所述平均枝量、所述种植密度和所述种植面积，计算得到所述待预测果园中所述目标类型果树的预测产量。2.如权利要求1所述的果树产量预测方法，其特征在于，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，还包括：获取通过预设近距离拍摄装置采集的所述目标类型果树的训练样本图片集，以及所述训练样本图片集中每张图片对应人工标注的标注枝量；通过所述训练样本图片集和所述标注枝量，基于迭代训练的方式对预置待训练的第一卷积神经网络CNN模型进行训练，得到图像CNN模型，将所述图像CNN模型作为所述第一模型。3.如权利要求1所述的果树产量预测方法，其特征在于，所述获取预先采集的待预测果园中目标类型果树的预测样本图片集，以及所述待预测果园的区域图片的步骤之前，还包括：获取通过预设区域图片采集装置采集的多个果园区域的区域图片集，以及所述区域图片集中每张图片对应人工标注的所述目标类型果树的标注密度和标注区域；通过所述区域图片集、所述标注密度和所述标注区域，基于迭代训练的方式对预置待训练的第二CNN模型进行训练，得到CNN语义分割模型，将所述CNN语义分割模型作为所述第二模型。4.如权利要求3所述的果树产量预测方法，其特征在于，所述将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到所述待预测果园中所述目标类型果树的种植密度和种植面积的步骤包括：将所述区域图片输入预置用于对所述目标类型果树进行密度估算和面积估算的第二模型，得到置信度矩阵和所述待预测果园中所述目标类型果树的种植密度，其中，所述置信度矩阵中的元素与所述区域图片的像素点一一对应；基于所述置信度矩阵确定所述区域图片中属于所述目标类型果树的像素点的个数；根据属于所述目标类型果树的像素点的个数以及所述预设区域图片采集装置的分辨率，计算得到所述待预测果园中所述目标类型果树的种植面积。5.如权利要求4所述的果树产量预测方法，其特征在于，所述置信度矩阵包括第一矩阵和第二矩阵，所述第一矩阵中各个元素为对应像素点属于所述目标类型果树的第一概率值，所述第二矩阵中各个元素为对应像素点不属于...

【专利技术属性】
技术研发人员：汪飙，邹冲，李世行，张元梵，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东,44