【技术实现步骤摘要】
作物根系图像生成方法及装置、作物健康确定方法及装置
[0001]本申请涉及智能农业
,具体涉及一种作物根系图像生成方法及装置、作物健康确定方法及装置。
技术介绍
[0002]近年来,智能农业逐渐兴起,卷积神经网络特征提取技术应用在农业的方方面面,如通过计算机分析作物的叶、茎图像来判断作物的生长状况、通过计算机分析作物图像判断作物的长势等,然而对于利用土壤中的作物根系图像分析作物的健康状况的研究还不够完善、以及对于地下土壤中作物图像的获取还在一些困难。
技术实现思路
[0003]为了解决上述技术问题,提出了本申请。本申请实施例提供了一种作物根系图像生成方法及装置、作物健康确定方法及装置。
[0004]第一方面,本申请一实施例提供了一种作物根系图像生成方法,该方法包括:确定待观测作物的地下切面图像;利用根系轮廓图像生成模型,基于地下切面图像,确定待观测作物的根系轮廓图像;基于地下切面图像和根系轮廓图像,确定待观测作物的作物根系图像。
[0005]结合第一方面,在第一方面的某些实现方式中,根系轮廓图像生成模型的损失函数包括根系区域像素值预测函数和整体图像标签函数,其中,针对根系切面图像样本,根系区域像素值预测函数的函数值基于根系切面图像样本对应的分类标签数据和模型输出结果确定,整体图像标签函数的函数值基于根系切面图像样本对应的分类标签数据确定。
[0006]结合第一方面,在第一方面的某些实现方式中,损失函数包括:
[0007][0008]表示根系区域像素值预测函数,表示 ...
【技术保护点】
【技术特征摘要】
1.一种作物根系图像生成方法,其特征在于,包括:确定待观测作物的地下切面图像;利用根系轮廓图像生成模型,基于所述地下切面图像,确定所述待观测作物的根系轮廓图像;基于所述地下切面图像和所述根系轮廓图像,确定所述待观测作物的作物根系图像。2.根据权利要求1所述的作物根系图像生成方法,其特征在于,所述根系轮廓图像生成模型的损失函数包括根系区域像素值预测函数和整体图像标签函数,其中,针对根系切面图像样本,所述根系区域像素值预测函数的函数值基于所述根系切面图像样本对应的分类标签数据和模型输出结果确定,所述整体图像标签函数的函数值基于所述根系切面图像样本对应的分类标签数据确定。3.根据权利要求2所述的作物根系图像生成方法,其特征在于,所述损失函数包括:所述表示所述根系区域像素值预测函数,所述表示所述整体图像标签函数,针对所述根系切面图像样本,n表示所述根系切面图像样本的像素点总数,y
i
表示第i个像素点的根系标签数据,p
i
表示所述第i个像素点的模型预测概率,其中,所述根系切面图像样本对应的分类标签数据包括所述根系切面图像样本包含的像素点各自对应的根系标签数据,所述第i个像素点的模型预测概率基于所述根系切面图像样本对应的模型输出结果确定。4.根据权利要求1至3任一项所述的作物根系图像生成方法,其特征在于,在利用根系轮廓图像生成模型,基于所述地下切面图像,确定所述待观测作物的根系轮廓图像之前,还包括:确定训练数据集,所述训练数据集包括M幅根系切面图像样本以及所述M幅根系切面图像样本各自对应的分类标签数据,所述根系切面图像样本对应的分类标签数据包括所述根系切面图像样本包含的像素点各自对应的根系标签数据;基于所述训练数据集训练初始网络模型,得到所述根系轮廓图像生成模型。5.根据权利要求4所述的作物根系图像生成方法,其特征在于,所述M幅根系切面图像样本包括不同类型土样的根系切面图像样本、不同类型作物的根系切面图像样本、同一类型作物的不同生长状况的根系切面图像样本以及同一类型作物的不同光照强度下的根系切面图像样本中的至少一种。6.根据权利要求1至3任一项所述的作物根系图像生成方法,其特征在于,所述地下切面图像包括N个切面图像像素点,所述根系轮廓图像包括N个轮廓图像像素点,所述作物根系图像包括N个根系图像像素点,并且,所述N个切面图像像素点和所述N个轮廓图像像素点呈一一对应关系,所述N个切面图像像素点和所述N个根系图像像素点呈一一对应关系;所述基于所述地下切面图像和所述根系轮廓图像,确定所述待观测作物的作物根系图像,包括:针对所述N个切面图像像素点中的每个切面图像像素点,将所述切面图像像素点的像
素值与所述切面图像像素点对应的轮廓图像像素点的像素值相乘,得到所述切面图像像素点对应的根系图像像素点的像素值;基于所述N个切面图像像素点各自对应的根系图像像素点的像素值,确定所述作物根系图像。7.一种作物健康确定方法,其特征在于,包括:确定待观测作物的作物根系图像,所述作物根系图像...
【专利技术属性】
技术研发人员:代双亮,
申请(专利权)人:广州极飞科技股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。