基于人工智能的植物识别方法、装置以及设备与流程

1.本公开涉及人工智能领域，具体涉及图像识别、多模态识别、深度学习技术，可应用在智慧城市、智慧农业场景下。


背景技术：

2.农作物种植情况对于作为农业大国的我国来说是关乎民生的重要课题之一。然而，我国幅员广大，各地自然条件也多有差异，单纯依靠人工统计农作物相关信息效率较为低下。随着遥感技术的发展，遥感图像监测范围广、数据获取成本低的特点使得对农作物种植面积的分析取得了长足的进步。
3.目前，通过遥感技术识别农作物的方案主要包括两种：其一，遥感领域的指数判别法，例如计算ndvi(normalized difference vegetation index，归一化植被指数)等，通过设定不同阈值，对原始遥感图像中的像素点进行农作物种类的判别；其二，机器学习方法，将遥感图像输入到分类器中进行农作物种类的判别。


技术实现要素：

4.本公开实施例提出了一种基于人工智能的植物识别方法、装置、设备、存储介质以及程序产品。
5.第一方面，本公开实施例提出了一种植物识别模型训练方法，包括：获取样本植物的样本遥感图像和样本类别标签；基于样本遥感图像，提取样本植物的样本多模态特征；将样本多模态特征作为输入，将样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。
6.第二方面，本公开实施例提出了一种植物识别方法，包括：获取待识别植物的遥感图像；基于待识别植物的遥感图像，提取待识别植物的多模态特征；将待识别植物的多模态特征输入至植物识别模型，得到待识别植物的类别，其中，植物识别模型是采用第一方面所述的方法训练得到的。
7.第三方面，本公开实施例提出了一种植物识别模型训练装置，包括：获取模块，被配置成获取样本植物的样本遥感图像和样本类别标签；提取模块，被配置成基于样本遥感图像，提取样本植物的样本多模态特征；训练模块，被配置成将样本多模态特征作为输入，将样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。
8.第四方面，本公开实施例提出了一种植物识别装置，包括：获取模块，被配置成获取待识别植物的遥感图像；提取模块，被配置成基于待识别植物的遥感图像，提取待识别植物的多模态特征；识别模块，被配置成将待识别植物的多模态特征输入至植物识别模型，得到待识别植物的类别，其中，植物识别模型是第三方面所述的装置训练得到的。
9.第五方面，本公开实施例提出了一种电子设备，包括：至少两个处理器；以及与至少两个处理器通信连接的存储器；其中，存储器存储有可被至少两个处理器执行的指令，指令被至少两个处理器执行，以使至少两个处理器能够执行如第一方面中任一实现方式描述
的方法或第二方面中任一实现方式描述的方法。
10.第六方面，本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
11.第七方面，本公开实施例提出了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法或第二方面中任一实现方式描述的方法。
12.本公开实施例提供的基于人工智能的植物识别方法、装置、设备、存储介质以及程序产品，在训练植物识别模型时，引入植物的多模态数据。多模态数据能够从不同角度对植物的识别提供增益，进而提升植物识别的准确度。
13.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
14.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显。附图用于更好地理解本方案，不构成对本公开的限定。其中：
15.图1是根据本公开的植物识别模型训练方法的一个实施例的流程图；
16.图2是根据本公开的植物识别模型训练方法的又一个实施例的流程图；
17.图3是没有特征缺失时的植物识别模型的结构示意图；
18.图4是特征c缺失时的植物识别模型的结构示意图；
19.图5是特征bc缺失时的植物识别模型的结构示意图；
20.图6是根据本公开的植物识别方法的一个实施例的流程图；
21.图7是根据本公开的植物识别模型训练装置的一个实施例的结构示意图；
22.图8是根据本公开的植物识别装置的一个实施例的结构示意图；
23.图9是用来实现本公开实施例的植物识别模型训练方法或植物识别方法的电子设备的框图。
具体实施方式
24.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
25.需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
26.图1示出了根据本公开的植物识别模型训练方法的一个实施例的流程100。该植物识别模型训练方法包括以下步骤：
27.步骤101，获取样本植物的样本遥感图像和样本类别标签。
28.在本实施例中，植物识别模型训练方法的执行主体可以获取样本植物的样本遥感
图像和样本类别标签。
29.这里，植物通常是指大面积种植的植物。例如，田地里种植的各种农作物。又例如，公园里种植的花、草、树木等等。利用传感器对样本植物的种植地区进行图像采集，即可得到样本植物的样本遥感图像。对样本植物的样本遥感图像进行类别标注，即可得到样本植物的样本类别标签。
30.步骤102，基于样本遥感图像，提取样本植物的样本多模态特征。
31.在本实施例中，上述执行主体可以基于样本遥感图像，提取样本植物的样本多模态特征。
32.通常，上述执行主体可以首先获取样本植物的样本多模态数据；然后对样本遥感图像划分网格；最后统计样本遥感图像的网格内的样本多模态数据，得到样本多模态特征。
33.其中，多模态数据能够从不同角度对植物的识别提供增益。多模态数据可以包括植物的至少两种模态的数据。例如，多模态数据可以包括但不限于以下至少两项：遥感图像、定位数据、搜索数据、poi(point of interes，兴趣点)数据和到访数据等等。
34.定位数据是指手机或者具有类似gps(global positioning system，全球定位系统)定位功能的设备所记录到的位置信息。植物的种植地区的定位数据较道路、建筑、空地等地形更为稀疏，且时间分布也较为独特，具有较为明显的季节性。例如，春小麦的种植周期在4月到7月，冬小麦的种植周期在10月到次年8月。
35.搜索数据是指用户使用搜索引擎所记录下来的搜索记录信息。搜索数据能够反映该地区种植偏好。例如，小麦产地搜索小麦相关信息的可能性较大。
36.poi数据指的是指定位置设施的相关信息。poi数据能够从配套设施情况反映该地区种植情况。
37.到访数据是用户维度的定位数据，描述用户到访过的位置。到访数据是从运动的角度反映该地区种植情况。例如，该地区是玉米产地，那么种植人员可能需要到访市场采购相关物资。
38.其中，多模态特征可以包括植物的至少两种模态的特征。例如，多模态特征可以包括但不限于以下至少两项：遥感图像特征、定位特征、搜索特征、兴趣点特征和到访特征等等。
39.遥感图像特征是基于遥感图像提取到的。例如，将遥感图像或者将遥感图像做二次加工后的数据作为遥感图像特征。
40.定位特征是通过统计遥感图像的网格内的定位点数量得到的。例如，按照遥感图像的分辨率对遥感图像划分网格。按月统计网格内的定位点数量，并按照网格内的最大值归一化到[0,1]范围内。
[0041]
搜索特征是通过统计遥感图像的网格内的样本搜索查询次数得到的。例如，按照遥感图像的分辨率对遥感图像划分网格。统计网格内的搜索查询次数，并采用lda(latent dirichlet allocation，潜在狄利克雷分布)或者其他词嵌入方法构造搜索特征。
[0042]
poi特征是通过统计遥感图像的网格内的样本兴趣点数量得到的。例如，按照遥感图像的分辨率对遥感图像划分网格。按照类别统计网格内的poi数量，作为poi特征。
[0043]
到访特征是通过统计样本遥感图像的网格内的样本用户到访次数得到的。例如，按照遥感图像的分辨率对遥感图像划分网格。统计网格内的用户到访次数，将用户类比为
搜索查询，将用户到访poi类别类比为查询中的分词，并采用lda或者其他词嵌入方法构造到访特征。
[0044]
步骤103，将样本多模态特征作为输入，将样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。
[0045]
在本实施例中，上述执行主体可以将样本多模态特征作为输入，将样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。
[0046]
通常，将样本定位特征、样本搜索特征、样本兴趣点特征和样本到访特征等，分别类比为样本遥感图像特征的不同图层，作为语义分割模型的输入，将样本遥感图像的各像素点的植物类别标签作为输出，有监督训练得到植物识别模型。
[0047]
需要说明的是，植物识别模型的训练样本中可以加入有云层遮挡的样本遥感图像。这样，训练出的植物识别模型针对遥感图像被云层遮挡的情况，也能够进行一定程度的识别。
[0048]
本公开实施例提供的植物识别模型训练方法，在训练植物识别模型时，引入植物的多模态数据。多模态数据能够从不同角度对植物的识别提供增益，进而提升植物识别的准确度。
[0049]
继续参考图2，其示出了根据本公开的植物识别模型训练方法的又一个实施例的流程200。该植物识别模型训练方法包括以下步骤：
[0050]
步骤201，获取样本植物的样本遥感图像和样本类别标签。
[0051]
在本实施例中，步骤201的具体操作已在图1所示的实施例中步骤101中进行了详细的介绍，在此不再赘述。
[0052]
步骤202，对样本遥感图像划分网格。
[0053]
在本实施例中，植物识别模型训练方法的执行主体可以对样本遥感图像划分网格。例如，按照遥感图像的分辨率对遥感图像划分网格，一个像素点对应一个网格。
[0054]
步骤203，基于样本遥感图像，提取样本遥感图像特征。
[0055]
在本实施例中，上述执行主体可以基于样本遥感图像，提取样本遥感图像特征。
[0056]
其中，遥感图像特征是基于遥感图像提取到的。例如，将遥感图像或者将遥感图像做二次加工后的数据作为遥感图像特征。
[0057]
步骤204，统计样本遥感图像的网格内的样本定位点数量，以及对样本定位点数量进行归一化，得到样本定位特征。
[0058]
在本实施例中，上述执行主体可以统计样本遥感图像的网格内的样本定位点数量，以及对样本定位点数量进行归一化，得到样本定位特征。
[0059]
其中，定位特征是通过统计遥感图像的网格内的定位点数量得到的。例如，按照遥感图像的分辨率对遥感图像划分网格。按月统计网格内的定位点数量，并按照网格内的最大值归一化到[0,1]范围内。
[0060]
步骤205，统计样本遥感图像的网格内的样本搜索查询次数，以及基于样本搜索查询次数，构造样本搜索特征。
[0061]
在本实施例中，上述执行主体可以统计样本遥感图像的网格内的样本搜索查询次数，以及基于样本搜索查询次数，构造样本搜索特征。
[0062]
其中，搜索特征是通过统计遥感图像的网格内的样本搜索查询次数得到的。例如，
按照遥感图像的分辨率对遥感图像划分网格。统计网格内的搜索查询次数，并采用lda或者其他词嵌入方法构造搜索特征。
[0063]
步骤206，统计样本遥感图像的网格内的样本兴趣点数量，作为样本兴趣点特征。
[0064]
在本实施例中，上述执行主体可以统计样本遥感图像的网格内的样本兴趣点数量，作为样本兴趣点特征。
[0065]
其中，poi特征是通过统计遥感图像的网格内的样本兴趣点数量得到的。例如，按照遥感图像的分辨率对遥感图像划分网格。按照类别统计网格内的poi数量，作为poi特征。
[0066]
步骤207，统计样本遥感图像的网格内的样本用户到访次数，以及基于样本用户到访次数，构造样本到访特征。
[0067]
在本实施例中，上述执行主体可以统计样本遥感图像的网格内的样本用户到访次数，以及基于样本用户到访次数，构造样本到访特征。
[0068]
其中，到访特征是通过统计样本遥感图像的网格内的样本用户到访次数得到的。例如，按照遥感图像的分辨率对遥感图像划分网格。统计网格内的用户到访次数，将用户类比为搜索查询，将用户到访poi类别类比为查询中的分词，并采用lda或者其他词嵌入方法构造到访特征。
[0069]
步骤208，将样本多模态特征输入至融合层，得到样本融合特征。
[0070]
在本实施例中，上述执行主体可以将样本多模态特征输入至融合层，得到样本融合特征。
[0071]
其中，语义分割模型可以包括预先训练的融合层和未训练的分类层。融合层可以用于多模态特征融合。分类层可以用于植物分类。
[0072]
在一些实施例中，融合层可以包括常规融合层和自编码器。常规融合层可以采用全连接层等结构，在没有特征缺失的情况下使用。自编码器具体为单特征对其他任意数量特征的自编码器，在特征缺失的情况下使用。具体地，若样本多模态特征不存在特征缺失，上述执行主体可以将多模态特征输入至常规融合层，得到样本融合特征；若样本多模态特征存在特征缺失，上述执行主体可以将样本多模态特征输入至缺失特征对应的自编码器，得到样本融合特征。
[0073]
其中，不同缺失特征对应不同的自编码器。例如，植物识别任务总共使用3类特征a、b和c。此时，需要训练a《-》b、a《-》c、a《-》bc、b《-》c、b《-》ac和c《-》ab六种自编码器。如图3所示，对于没有特征缺失的情况，融合层为常规融合层。如图4所示，对于特征c缺失的情况，融合层为c《-》ab自编码器。应当理解的是，特征a或者特征b缺失的情况类似。如图5所示，对于特征bc缺失的情况，融合层为a《-》bc自编码器。应当理解的，特征ab或者特征ac缺失的情况类似。这种做法的好处是能够最大限度利用大量的无标签数据。
[0074]
在一些实施例中，自编码器是通过无监督训练得到的。其优化目标有两类：其一，减小重构误差；其二，控制重构误差下限。其中，减小重构误差的意义在于使得网络能够捕捉不同模态的数据之间的共性部分。控制重构误差下限不能使得重构误差过小。因为本质是不同模态的数据，虽然在高层语义上能一定程度上反应相同的事实，但还是存在差异。如果重构误差过小，实际上可能已经发生了过拟合。
[0075]
其中，控制重构误差的具体方法为：在自编码器的训练阶段，通过添加惩罚项控制重构误差。对于任意一对不同模态的数据，其相互重构的误差应该随着网络层次的增加而
减少。因为网络越深，特征越抽象，而信息损失越大。但我们的目标就是使得深层语义更加相似，因此，我们需要对给深层误差一个更大的修正系数，给低层误差一个更小的修正系数，表示深层误差的权重更大。
[0076]
步骤209，将样本融合特征输入至分类层，得到样本预测类别。
[0077]
在本实施例中，上述执行主体可以将样本融合特征输入至分类层，得到样本预测类别。
[0078]
其中，语义分割模型可以包括预先训练的融合层和未训练的分类层。分类层可以用于植物分类。
[0079]
步骤210，基于样本预测类别与样本类别标签的差异，调整分类层的参数，得到植物识别模型。
[0080]
在本实施例中，上述执行主体可以基于样本预测类别与样本类别标签的差异，调整分类层的参数，使得差异足够小，即可得到植物识别模型。
[0081]
通常，基于样本预测类别与样本类别标签，可以计算损失函数。基于损失函数调整网络的参数，来降低损失函数的值，直至网络收敛，即可得到植物识别模型。
[0082]
从图2中可以看出，与图1对应的实施例相比，本实施例中的植物识别模型训练方法的流程200突出了特征提取步骤和模型训练步骤。由此，本实施例描述的方案在训练植物识别模型时，引入植物的遥感图像、定位数据、搜索数据、poi数据和到访数据。能够从五个角度对植物的识别提供增益，进而提升植物识别的准确度。融合多模态特征进行植物分类，解决了单一遥感数据的局限性，进一步提升了植物识别的准确度。
[0083]
进一步参考图6，其示出了根据本公开的植物识别方法的一个实施例的流程600。该植物识别方法包括以下步骤：
[0084]
步骤601，获取待识别植物的遥感图像。
[0085]
在本实施例中，植物识别方法的执行主体可以获取待识别植物的遥感图像。
[0086]
这里，植物通常是指大面积种植的植物。例如，田地里种植的各种农作物。又例如，公园里种植的花、草、树木等等。利用传感器对待识别植物的种植地区进行图像采集，即可得到待识别植物的遥感图像。
[0087]
步骤602，基于待识别植物的遥感图像，提取待识别植物的多模态特征。
[0088]
在本实施例中，上述执行主体可以基于待识别植物的遥感图像，提取待识别植物的多模态特征。
[0089]
通常，上述执行主体可以首先获取待识别植物的多模态数据；然后对待识别植物的遥感图像划分网格；最后统计待识别植物的遥感图像的网格内的多模态数据，得到待识别植物的多模态特征。
[0090]
其中，多模态数据能够从不同角度对植物的识别提供增益。多模态数据可以包括植物的至少两种模态的数据。例如，多模态数据可以包括但不限于以下至少两项：遥感图像、定位数据、搜索数据、poi数据和到访数据等等。多模态特征可以包括植物的至少两种模态的特征。例如，多模态特征可以包括但不限于以下至少两项：遥感图像特征、定位特征、搜索特征、兴趣点特征和到访特征等等。
[0091]
需要说明的是，待识别植物的多模态特征的提取方式与样本植物的样本多模态特征的提取方式类似，这里不再赘述。
[0092]
步骤603，将待识别植物的多模态特征输入至植物识别模型，得到待识别植物的类别。
[0093]
在本实施例中，上述执行主体可以将待识别植物的多模态特征输入至植物识别模型，得到待识别植物的类别。其中，植物识别模型通过引入植物的多模态数据，从不同角度对植物进行识别。植物识别模型是采用图1或图2所示的的植物识别模型训练方法训练得到的，这里不再赘述。
[0094]
本公开实施例提供的植物识别模型训练方法，在单一遥感图像的基础上，引入植物的多模态数据。多模态数据能够从不同角度对植物的识别提供增益，进而提升植物识别的准确度。
[0095]
进一步参考图7，作为对上述各图所示方法的实现，本公开提供了一种植物识别模型训练装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0096]
如图7所示，本实施例的植物识别模型训练装置700可以包括：获取模块701、提取模块702和训练模块703。其中，获取模块701，被配置成获取样本植物的样本遥感图像和样本类别标签；提取模块702，被配置成基于样本遥感图像，提取样本植物的样本多模态特征；训练模块703，被配置成将样本多模态特征作为输入，将样本类别标签作为输出，对语义分割模型进行训练，得到植物识别模型。
[0097]
在本实施例中，植物识别模型训练装置700中：获取模块701、提取模块702和训练模块703的具体处理及其所带来的技术效果可分别参考图1对应实施例中的步骤101-103的相关说明，在此不再赘述。
[0098]
在本实施例的一些可选的实现方式中，提取模块702包括：划分子模块，被配置成对样本遥感图像划分网格；统计子模块，被配置成统计样本遥感图像的网格内的样本多模态数据，得到样本多模态特征。
[0099]
在本实施例的一些可选的实现方式中，样本多模态特征包括以下至少两项：样本遥感图像特征、样本定位特征、样本搜索特征、样本兴趣点特征和样本到访特征。
[0100]
在本实施例的一些可选的实现方式中，统计子模块包括以下至少两项：提取单元，被配置成基于样本遥感图像，提取样本遥感图像特征；第一统计单元，被配置成统计样本遥感图像的网格内的样本定位点数量，以及对样本定位点数量进行归一化，得到样本定位特征；第二统计单元，被配置成统计样本遥感图像的网格内的样本搜索查询次数，以及基于样本搜索查询次数，构造样本搜索特征；第三统计单元，被配置成统计样本遥感图像的网格内的样本兴趣点数量，作为样本兴趣点特征；第四统计单元，被配置成统计样本遥感图像的网格内的样本用户到访次数，以及基于样本用户到访次数，构造样本到访特征。
[0101]
在本实施例的一些可选的实现方式中，语义分割模型包括预先训练的融合层和未训练的分类层；以及训练模块703包括：融合子模块，被配置成将样本多模态特征输入至融合层，得到样本融合特征；分类子模块，被配置成将样本融合特征输入至分类层，得到样本预测类别；调整子模块，被配置成基于样本预测类别与样本类别标签的差异，调整分类层的参数，得到植物识别模型。
[0102]
在本实施例的一些可选的实现方式中，融合层包括常规融合层和自编码器；以及融合子模块包括：第一融合单元，被配置成若样本多模态特征不存在特征缺失，将多模态特
征输入至常规融合层，得到样本融合特征；第二融合单元，被配置成若样本多模态特征存在特征缺失，将样本多模态特征输入至缺失特征对应的自编码器，得到样本融合特征，其中，不同缺失特征对应不同的自编码器。
[0103]
在本实施例的一些可选的实现方式中，自编码器通过无监督训练得到，优化目标包括减小重构误差和控制重构误差下限，在自编码器的训练阶段，通过添加惩罚项控制重构误差。
[0104]
进一步参考图8，作为对上述各图所示方法的实现，本公开提供了一种植物识别装置的一个实施例，该装置实施例与图6所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
[0105]
如图8所示，本实施例的植物识别装置800可以包括：获取模块801、提取模块802和识别模块803。其中，获取模块801，被配置成获取待识别植物的遥感图像；提取模块802，被配置成基于待识别植物的遥感图像，提取待识别植物的多模态特征；识别模块803，被配置成将待识别植物的多模态特征输入至植物识别模型，得到待识别植物的类别，其中，植物识别模型是采用图7所示的装置训练得到的。
[0106]
在本实施例中，植物识别装置800中：获取模块801、提取模块802和识别模块803的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤601-603的相关说明，在此不再赘述。
[0107]
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
[0108]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0109]
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0110]
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0111]
设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0112]
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及
任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如植物识别模型训练方法或植物识别方法。例如，在一些实施例中，植物识别模型训练方法或植物识别方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由rom 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的植物识别模型训练方法或植物识别方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行植物识别模型训练方法或植物识别方法。
[0113]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少两个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少两个输入装置、和至少两个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少两个输入装置、和该至少两个输出装置。
[0114]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0115]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0116]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0117]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部
件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0118]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。
[0119]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开提供的技术方案所期望的结果，本文在此不进行限制。
[0120]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。