用于智能农业器械的夜间图像识别方法、装置和存储介质与流程

本申请涉及图像识别技术领域，特别是一种用于智能农业器械的夜间图像识别方法、装置和存储介质。

背景技术：

目前，智能农业器械在农业生产中得到了广泛的应用，例如常见的除草车、花期识别探头和农业喷洒设备，极大地减少了人力劳动，提高了生产效率。智能农业器械实现自动化的基础在于图像识别技术，通过图像识别技术对作物的种类进行识别，进而执行与该作物种类对应的操作。但是有一些工作需要夜间进行，例如夜间除草、采摘果实等，现有方案需要在夜间保持灯光，便于智能农业器械的摄像头采集图像，耗费的电能较多，不利于成本控制。

技术实现要素：

为了克服现有技术的不足，本申请的目的在于提供一种用于智能农业器械的夜间图像识别方法、装置和存储介质，能够在无光照的环境下实现图像识别。

本申请解决其问题所采用的技术方案是：第一方面，本申请提供了一种用于智能农业器械的夜间图像识别方法，包括以下步骤：

获取若干帧农作物的红外图像，对若干帧所述红外图像进行预处理后得出ir图；

将所述ir图输入至预先训练好的yolo网络中，得出所述农作物的种类信息。

进一步，所述红外图像由深度摄像头采集。

进一步，所述深度摄像头为奥比中光深度摄像头。

进一步，所述获取若干帧农作物的红外图像之前，还包括：

获取当前环境的光照强度，若所述光照强度小于预先设定的光照阈值，获取所述农作物的所述红外图像。

进一步，所述得出所述农作物的种类信息，具体包括：

对所述ir图进行去阴影处理；

从所述ir图中获取目标农作物灰度图；

将所述目标农作物灰度图与预先训练好的参照图进行比对，得出所述种类信息。

进一步，所述得出所述农作物的种类信息后，还包括：

根据所述种类信息对所述目标农作物灰度图进行标注，将标注后的所述目标农作物灰度图输入至所述yolo网络中训练。

进一步，所处预处理对若干帧所述红外图像进行帧灰度图转化。

进一步，所述帧灰度图转化基于opencv和python完成。

第二方面，本申请提供了一种用于智能农业器械的夜间图像识别装置，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上述所述的用于智能农业器械的夜间图像识别方法。

第三方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上所述的用于智能农业器械的夜间图像识别方法。

第四方面，本申请还提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的用于智能农业器械的夜间图像识别方法。

本申请实施例中提供的一个或多个技术方案，至少具有如下有益效果：本申请通过获取若干帧农作物的红外图像，对若干帧所述红外图像进行预处理后得出ir图；将所述ir图输入至预先训练好的yolo网络中，得出所述农作物的种类信息；通过红外图像的形式能够实现夜间采集，yolo网络能够从少数和灰度图中快速识别出种类信息，提高了夜间图像识别的准确性。

附图说明

下面结合附图和实例对本申请作进一步说明。

图1是本申请一个实施例提供的一种用于智能农业器械的夜间图像识别方法的流程图；

图2是本申请另一个实施例提供的一种用于智能农业器械的夜间图像识别方法的流程图；

图3是本申请另一个实施例提供的一种用于智能农业器械的夜间图像识别方法的流程图；

图4是本申请另一个实施例提供的一种用于智能农业器械的夜间图像识别方法的流程图；

图5是本申请另一实施例提供的一种用于执行用于智能农业器械的夜间图像识别方法的装置示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，如果不冲突，本申请实施例中的各个特征可以相互结合，均在本申请的保护范围之内。另外，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。

参考图1，本申请的第一实施例提供了一种用于智能农业器械的夜间图像识别方法，包括以下步骤：

步骤s100，获取若干帧农作物的红外图像，对若干帧红外图像进行预处理后得出ir图；

步骤s200，将ir图输入至预先训练好的yolo网络中，得出农作物的种类信息。

需要说明的是，本实施例中的智能农业机械可以是常见的除草车，药剂喷洒装置等，能够搭载摄像头获取红外图像，并且搭载yolo网络实现识别即可，本实施例不多作限制。

在一实施例中，由于夜间拍摄的红外图像中的内容较少，本实施例优选采用yolo网络进行图像识别，对比起传统的r-cnn或者fastr-cnn网络，yolo网络的计算速度快，仅需对图像进行一次遍历即可完成识别，更适合夜间使用。需要说明的是，yolo网络的具体模型和算法可以采用现有技术中的任意模型，在此不再赘述。

在一实施例中，步骤s100中可以采用一帧图像，有可以采用若干帧，本实施例优选至少包括两帧，由于农作物并不会频繁发生移动，因此所采集到的相邻两帧图像相似度较高，结合进行预处理得出的ir图包含的细节较多且较清晰，具体的帧数根据实际需求选取即可。

在本申请的另一个实施例中，红外图像由深度摄像头采集。

在一实施例中，红外图像可以通过任意类型的摄像头获取，本实施例优选采用深度摄像头，在采集红外图像的同时能够获取更多的空间细节，更有利于对农作物进行识别。

在本申请的另一个实施例中，深度摄像头为奥比中光深度摄像头。

在一实施例中，深度摄像头可以采用现有技术中的任意型号，本实施例优选采用奥比中光深度摄像头，智能化程度较高，且易于进一步的开发，具体的深度摄像头类型根据实际需求选取即可。

参考图2，在本申请的另一个实施例中，获取若干帧农作物的红外图像之前，还包括：

步骤s110，获取当前环境的光照强度，若光照强度小于预先设定的光照阈值，获取农作物的红外图像。

在一实施例中，由于夜间并非完全没有光线，若在外界射入的光线充足的情况下，则可以通过任意图像识别网络进行识别，基于此，本实施例可以通过现有技术中的光强传感器等设备获取光照强度，并且预先设定好光照阈值，光照强度小于光照阈值时，则处于光线不足的状态，在这种情况下，执行本实施例的夜间图像识别方法，能够使得智能农业器械的智能化程度更高。

参考图3，在本申请的另一个实施例中，得出农作物的种类信息，具体包括：

步骤s210，对ir图进行去阴影处理；

步骤s220，从ir图中获取目标农作物灰度图；

步骤s230，将目标农作物灰度图与预先训练好的参照图进行比对，得出种类信息。

在一实施例中，上述步骤s210至步骤s220为本实施例的优选，也可以根据具体的yolo网络采用不同的步骤，能够实现图像识别即可。

需要说明的是，去阴影处理能够将目标植物从背景中分割出来，避免背景图像对目标植物的识别造成干扰。

在一实施例中，预先训练好的参照图可以通过人工标注所得，具体的标注方法根据实际需求选取即可。

参考图4，在本申请的另一个实施例中，得出农作物的种类信息后，还包括：

步骤s240，根据种类信息对目标农作物灰度图进行标注，将标注后的目标农作物灰度图输入至yolo网络中训练。

在一实施例中，将识别出的图形标注后输入至yolo网络中训练，能够进一步提高yolo网络的准确性，便于下次识别。

在本申请的另一个实施例中，预处理包括对若干帧红外图像进行帧灰度图转化。

在一实施例中，对若干帧红外图像进行帧灰度图转化，能够将多帧红外图像合并成一张ir图，对细节起到一定的强化作用，提高图像识别的准确度。

在本申请的另一个实施例中，帧灰度图转化基于opencv和python完成。

在一实施例中，opencv是一个基于bsd许可发行的跨平台计算机视觉和机器学习软件库，可以运行在linux、windows、android和macos操作系统上，具有轻量级而且高效的特点，同时提供了python、ruby、matlab等语言的接口，更适合用于图像处理，也可以出于实际需求采用其他平台进行图像处理，在此不再赘述。

参考图5，本申请的另一个实施例还提供了一种用于智能农业器械的夜间图像识别装置5000，包括：存储器5100、控制处理器5200及存储在存储器5200上并可在控制处理器5100上运行的计算机程序，控制处理器执行所述计算机程序时实现如上任意实施例中的用于智能农业器械的夜间图像识别方法，例如，执行以上描述的图1中的方法步骤s100至s200，图2中的方法步骤s110，图3中的方法步骤s210至s230，图4中的方法步骤s240。

控制处理器5200和存储器5100可以通过总线或者其他方式连接，图5中以通过总线连接为例。

存储器5100作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器5100可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件或其他非暂态固态存储器件。在一些实施方式中，存储器5100可选包括相对于控制处理器5200远程设置的存储器，这些远程存储器可以通过网络连接至该用于智能农业器械的夜间图像识别装置5000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

此外，本申请的另一个实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，例如，被图5中的一个控制处理器5200执行，可使得上述一个或多个控制处理器5200执行上述方法实施例中的用于智能农业器械的夜间图像识别方法，例如，执行以上描述的图1中的方法步骤s100至s200，图2中的方法步骤s110，图3中的方法步骤s210至s230，图4中的方法步骤s240。

需要说明的是，由于本实施例中的用于执行用于智能农业器械的夜间图像识别方法的装置与上述的用于智能农业器械的夜间图像识别方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。

通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(readonlymemory,rom)或随机存储记忆体(randomaccessmemory,ram)等。

以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。