基于人工智能的作物生长监控方法及计算机设备与流程

本技术涉及人工智能、图像处理领域，具体而言，涉及一种基于人工智能的作物生长监控方法及计算机设备。

背景技术：

1、作物病虫害智能监测预警是目前人工智能在农业领域的热门应用，其是基于物联网技术，动态监测田间作物的病虫情、墒情、苗情、及灾情的监测过程。可以通过移动端和pc端随时随地访问田间的实时数据并进行管理，对每个监测点的环境、气象、病虫状况、作物生长情况等进行实时监测。结合系统预警模型，可以对作物实时远程监测与诊断，并获得智能化、自动化的解决方案，实现作物生长动态监测和人工远程管理，保证农作物在适宜的环境条件下生长，提高农业生产力，增加农民收入。其中，重要的一环是对物联网采集的目标作物的图像进行计算机视觉识别，产生病害往往是一个动态持续的过程，如何精确确定病虫害等作物异常是需要解决的技术问题，而这个过程因为是动态进行的，前一过程识别的异常结果对后一过程的检测结果会构成影响，使得当前图像检测的结果受到扰动，引起更多的误检。

技术实现思路

1、本发明的目的在于提供一种基于人工智能的作物生长监控方法及计算机设备，以改善以上的技术问题，减少误检。

2、本技术实施例的技术方案是这样实现的：

3、第一方面，本技术实施例提供了一种基于人工智能的作物生长监控方法，应用于计算机设备，所述计算机设备与监控设备通信连接，所述方法包括：

4、获取所述监控设备拍摄的目标作物的当前作物生长图像和历史作物生长图像；

5、获取所述当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体；其中，所述历史作物生长图像为拍摄于所述当前作物生长图像前的至少一张作物生长监控图像；

6、将所述当前作物生长图像的图像要素表示载体、所述历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的光流信息要素表示载体；

7、对所述当前作物生长图像的图像要素表示载体进行特征提取操作，得到所述当前作物生长图像的特征提炼要素表示载体；

8、基于作物生长监控模型对所述当前作物生长图像的特征提炼要素表示载体和所述当前作物生长图像的光流信息要素表示载体进行生长状态检测，得到所述当前作物生长图像的作物生长状态，所述作物生长状态用以反映所述当前作物生长图像对应的各个作物部位的健康检测结果。

9、作为一种实施方案，所述将所述当前作物生长图像的图像要素表示载体、所述历史作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的光流信息要素表示载体，包括：

10、将所述当前作物生长图像的图像要素表示载体作为所述生长要素提炼模型的执行数据，得到所述当前作物生长图像的生长状态要素表示载体；

11、将所述历史作物生长图像的图像要素表示载体作为所述生长要素提炼模型的执行数据，得到所述历史作物生长图像的生长状态要素表示载体；

12、将所述当前作物生长图像的生长状态要素表示载体和所述历史作物生长图像的生长状态要素表示载体进行聚合操作，得到所述当前作物生长图像的光流信息要素表示载体。

13、作为一种实施方案，所述基于所述作物生长监控模型对所述当前作物生长图像的特征提炼要素表示载体以及所述当前作物生长图像的光流信息要素表示载体进行生长状态检测，得到所述当前作物生长图像的作物生长状态，包括：

14、将所述当前作物生长图像的特征提炼要素表示载体和所述当前作物生长图像的光流信息要素表示载体输入至所述作物生长监控模型，得到所述当前作物生长图像中每个目标区域的推测状态可信权重；

15、基于所述每个目标区域的推测状态可信权重确定所述当前作物生长图像的作物生长状态；

16、所述将所述当前作物生长图像的图像要素表示载体作为生长要素提炼模型的执行数据，得到所述当前作物生长图像的生长状态要素表示载体，包括：

17、将所述当前作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量进行融合操作，得到融合后的第一图像要素表示载体；

18、将所述融合后的第一图像要素表示载体输入至所述生长要素提炼模型中，获取所述当前作物生长图像的生长状态要素表示载体；

19、所述将所述历史作物生长图像的图像要素表示载体作为所述生长要素提炼模型的执行数据，得到所述历史作物生长图像的生长状态要素表示载体，包括：

20、将所述历史作物生长图像的图像要素表示载体和预设尺寸的零值拼接张量进行融合操作，得到融合后的第二图像要素表示载体；

21、将所述融合后的第二图像要素表示载体输入至所述生长要素提炼模型中，获取所述历史作物生长图像的生长状态要素表示载体。

22、作为一种实施方案，所述获取当前作物生长图像的图像要素表示载体，包括：

23、获取所述当前作物生长图像；

24、将所述当前作物生长图像输入图像要素表示载体抽取模型，得到所述当前作物生长图像的图像要素表示载体，其中，所述图像要素表示载体抽取模型为通过作物生长图像学习样例进行训练得到的人工智能模型。

25、作为一种实施方案，所述生长要素提炼模型通过以下步骤训练得到：

26、获取当前作物生长图像学习样例的图像要素表示载体和所述当前作物生长图像学习样例对应的健康检测结果表示载体；

27、对所述当前作物生长图像学习样例的图像要素表示载体进行表示载体清洗和表示载体掩盖处理，得到第一学习样例表示载体，并对所述当前作物生长图像学习样例对应的健康检测结果表示载体进行表示载体清洗和表示载体掩盖处理，得到第一健康检测结果表示载体；

28、获取历史作物生长图像学习样例的图像要素表示载体以及所述历史作物生长图像学习样例对应的历史健康检测结果表示载体；

29、对所述历史作物生长图像学习样例的图像要素表示载体进行表示载体清洗和表示载体掩盖处理，得到第一历史学习样例表示载体，并对所述历史作物生长图像学习样例对应的历史健康检测结果表示载体进行表示载体清洗和表示载体掩盖处理，得到第一历史健康检测结果表示载体；

30、基于所述第一学习样例表示载体、所述第一健康检测结果表示载体、所述第一历史学习样例表示载体以及所述第一历史健康检测结果表示载体，对所述生长要素提炼模型进行迭代训练。

31、作为一种实施方案，所述方法还包括：

32、将所述第一学习样例表示载体和所述第一健康检测结果表示载体输入至所述生长要素提炼模型中，以得到第一生长状态要素表示载体；

33、基于所述第一生长状态要素表示载体和所述当前作物生长图像学习样例的生长状态要素表示载体之间的误差，获取重建误差值；其中，所述当前作物生长图像学习样例的生长状态要素表示载体是将所述当前作物生长图像学习样例的图像要素表示载体和所述当前作物生长图像学习样例对应的健康检测结果表示载体输入所述生长要素提炼模型后获取的生长状态特征；

34、基于所述重建误差值修正所述生长要素提炼模型的内部变量，得到所述生长要素提炼模型。

35、作为一种实施方案，所述方法还包括：

36、将所述当前作物生长图像学习样例的图像要素表示载体、所述第一学习样例表示载体分别输入所述生长要素提炼模型，得到所述当前作物生长图像学习样例对应的生长状态要素表示载体、所述第一学习样例表示载体对应的生长状态要素表示载体；

37、基于所述当前作物生长图像学习样例对应的生长状态要素表示载体和所述第一学习样例表示载体对应的生长状态要素表示载体之间的误差，获取图像误差值；

38、基于所述图像误差值修正所述生长要素提炼模型的内部变量，得到所述生长要素提炼模型。

39、作为一种实施方案，所述基于所述当前作物生长图像学习样例对应的生长状态要素表示载体和所述第一学习样例表示载体对应的生长状态要素表示载体之间的误差，获取图像误差值，包括：

40、确定所述当前作物生长图像学习样例对应的生长状态要素表示载体和所述第一学习样例表示载体对应的生长状态要素表示载体之间的第一表示载体相似评分，以及所述当前作物生长图像学习样例对应的生长状态要素表示载体与预设图像要素表示载体之间的第二表示载体相似评分，其中，所述预设图像要素表示载体与所述当前作物生长图像学习样例不产生牵涉关系；

41、基于所述第一表示载体相似评分和所述第二表示载体相似评分，确定图像误差值。

42、作为一种实施方案，所述方法还包括：

43、将所述当前作物生长图像学习样例对应的健康检测结果表示载体、所述第一健康检测结果表示载体分别输入所述生长要素提炼模型，得到所述当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体、所述第一健康检测结果表示载体的生长状态要素表示载体；

44、基于所述当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体与所述第一健康检测结果表示载体的生长状态要素表示载体之间的误差，获取检测结果误差值；

45、基于所述检测结果误差值修正所述生长要素提炼模型的内部变量，得到所述生长要素提炼模型。

46、作为一种实施方案，所述基于所述当前作物生长图像学习样例对应的健康检测结果表示载体的生长状态要素表示载体与所述第一健康检测结果表示载体的生长状态要素表示载体之间的误差，获取检测结果误差值，包括：

47、从所述当前作物生长图像学习样例对应的健康检测结果表示载体中确定第二健康检测结果表示载体；其中，所述第二健康检测结果表示载体为所述当前作物生长图像对应的健康检测结果表示载体中排开所述第一健康检测结果表示载体后后的表示载体；

48、将所述第二健康检测结果表示载体输入所述生长要素提炼模型中，得到所述第二健康检测结果表示载体的生长状态要素表示载体；

49、确定所述第二健康检测结果表示载体的生长状态要素表示载体与所述第一健康检测结果表示载体的生长状态要素表示载体间的空间距离，得到所述检测结果误差值。

50、第二方面，本技术提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法。

51、本技术至少具有的有益效果：本技术在获取了监控设备拍摄的当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体后，将当前作物生长图像的图像要素表示载体以及历史作物生长图像的图像要素表示载体输入生长要素提炼模型以获得当前作物生长图像的光流信息要素表示载体。再将当前作物生长图像的图像要素表示载体进行特征提取操作得到当前作物生长图像的特征提炼要素表示载体后，将当前作物生长图像的特征提炼要素表示载体和当前作物生长图像的光流信息要素表示载体一并作为作物生长监控模型的执行数据，检测得到当前作物生长图像的作物生长状态，能基于作物生长状态表征当前作物生长图像对应的各个作物部位的健康检测结果。换言之，本技术针对当前作物生长图像的生长状态检测，是在当前作物生长图像对应的监测图像集中挖掘得到光流信息，也就是同时将当前作物生长图像的图像要素表示载体和相应的光流信息要素表示载体进行分析，不仅仅取决于历史作物生长图像的健康检测结果，减少对当前作物生长图像进行生长状态检测得到的作物生长状态的误检，以增加生长状态检测的准确度。

52、在后面的描述中，将部分地陈述其他的特征。在检查后面内容和附图时，本领域的技术人员将部分地发现这些特征，或者可以通过生产或运用了解到这些特征。通过实践或使用后面所述详细示例中列出的方法、工具和组合的各个方面，当前申请中的特征可以被实现和获得。