一种农作物产量预测方法和装置与流程

1.本发明涉及计算机技术领域，尤其涉及一种农作物产量预测方法和装置。


背景技术：

2.随着技术的发展，现代化的技术装备在农业中的应用越来越多，农业水利化、机械化和信息化水平也逐渐提高，农作物的产量也在随之上升。但是，由于农作物的产量相对于农产品的市场需求存在滞后性，如何事先预测农作物的产量、以提前应对市场需求以及农作物产量的动态变化，是目前亟待解决的问题。


技术实现要素：

3.有鉴于此，本发明实施例提供一种农作物产量预测方法和装置，能够利用图像识别模型对农作物在当前周期的第一图片进行识别，确定农作物的第一数量，获取包括历史产量在内的属性数据以及目标第二图片，其中目标第二图片是当前周期对应的历史同期的农作物图片，并根据第一数量、目标第二图片中农作物的第二数量以及农作物的历史产量，确定农作物的预测产量，从而实现了对农作物产量的事先预测，以提前应对市场需求以及农作物产量的动态变化、更好地满足市场需求。
4.为实现上述目的，根据本发明实施例的一个方面，提供了一种农作物产量确定方法。
5.本发明实施例的一种农作物产量确定方法包括：
6.获取农作物在当前周期的多张第一图片；
7.获取农作物对应的属性数据以及目标第二图片，属性数据包括农作物的历史产量，目标第二图片是当前周期对应的历史同期的农作物图片；
8.根据预训练的图像识别模型以及多张第一图片，对第一图片中的目标农作物进行识别，并根据识别的结果，确定农作物的第一数量；
9.根据第一数量、目标第二图片中农作物的第二数量以及历史产量，确定农作物的预测产量。
10.可选地，
11.图像识别模型是利用多张第二图片训练得到的；
12.目标第二图片是从多张第二图片中选择得到的。
13.可选地，
14.属性数据还包括：历史环境数据、农作物在当前周期内的当前环境数据；
15.根据第一数量、第二数量以及历史产量，确定农作物的预测产量，包括：
16.分别对历史环境数据和当前环境数据进行归一化处理；
17.根据归一化处理后的历史环境数据和当前环境数据，计算当前产量偏移参数，当前产量偏移参数用于表征当前环境和历史环境的变化程度；
18.根据第一数量、第二数量、历史产量以及当前产量偏移参数，确定农作物的预测产
量。
19.可选地，
20.属性数据还包括：表征历史时间段内环境变化程度的历史产量偏移参数；
21.根据第一数量、第二数量、历史产量以及当前产量偏移参数，确定农作物的预测产量，包括：
22.根据历史产量偏移参数以及当前产量偏移参数，对农作物的预测产量进行修正。
23.可选地，
24.属性数据还包括：农作物对应的可用库存、历史销量以及历史价格；
25.在确定农作物的预测产量之后，还包括：
26.根据农作物对应的可用库存、历史销量以及历史价格，确定农作物的当前定价策略。
27.可选地，
28.根据农作物对应的可用库存、历史销量以及历史价格，确定农作物的当前定价策略，包括：
29.根据可用库存，计算库存能力参数；
30.根据库存能力参数、历史销量以及预测产量，确定预测产量对应的价格波动参数；
31.根据价格波动参数以及历史价格，确定农作物的当前定价策略。
32.可选地，
33.获取农作物在当前周期的多张第一图片，包括：
34.对农作物的一个或多个种植区域进行划分，得到多个拍摄区域；
35.在每一个拍摄区域内对农作物进行拍摄，得到多张第一图片。
36.可选地，
37.根据图像识别模型以及多张第一图片，对第一图片中的目标农作物进行识别，包括：
38.从多张第一图片中选择一张或多张待识别图片，采用图像识别模型对一张或多张待识别图片进行识别，并根据识别的结果，确定第一数量。
39.可选地，
40.在确定农作物的预测产量之后，还包括：
41.利用第一图片，对图像识别模型进行训练，并将第二图片替换为第一图片。
42.可选地，
43.第二数量是根据图像识别模型对目标第二图片的识别结果得到的。
44.可选地，
45.当目标第二图片为多张时，
46.从多张目标第二图片中选择标准图片，并利用图像识别模型对标准图片进行识别，得到标准图片中包含的目标农作物的数量，并将标准图片中包含的目标农作物的数量作为第二数量。
47.可选地，
48.当目标第二图片为多张时，
49.利用图像识别模型分别对多个目标第二图片进行识别，得到每一张目标第二图片
中包含的目标农作物的数量，并根据每一张目标第二图片中包含的目标农作物的数量计算第二数量。
50.为实现上述目的，根据本发明实施例的又一方面，提供了一种农作物产量确定装置。
51.本发明实施例的一种农作物产量确定装置包括第一获取模块、第二获取模块、识别模块、以及产量预测模块；其中：
52.第一获取模块，用于获取农作物在当前周期的多张第一图片；
53.第二获取模块，用于获取农作物对应的属性数据以及目标第二图片，属性数据包括农作物的历史产量，目标第二图片是当前周期对应的历史同期的农作物图片；
54.识别模块，用于根据预训练的图像识别模型以及多张第一图片，对第一图片中的目标农作物进行识别，并根据识别的结果，确定农作物的第一数量；
55.产量预测模块，用于根据第一数量、目标第二图片中农作物的第二数量以及历史产量，确定农作物的预测产量。
56.为实现上述目的，根据本发明实施例的又一方面，提供了一种农作物产量确定电子设备。
57.本发明实施例的一种农作物产量确定电子设备包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现本发明实施例的一种农作物产量确定方法。
58.为实现上述目的，根据本发明实施例的再一方面，提供了一种计算机可读存储介质。
59.本发明实施例的一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现本发明实施例的一种农作物产量确定方法。
60.上述发明中的一个实施例具有如下优点或有益效果：能够利用图像识别模型对农作物在当前周期的第一图片进行识别，确定农作物的第一数量，获取包括历史产量在内的属性数据以及目标第二图片，其中目标第二图片是当前周期对应的历史同期的农作物图片，并根据第一数量、目标第二图片中农作物的第二数量以及农作物的历史产量，确定农作物的预测产量，从而实现了对农作物产量的事先预测，以提前应对市场需求以及农作物产量的动态变化、更好地满足市场需求。
61.上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
62.附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
63.图1是根据本发明实施例的一种农作物产量确定方法的主要步骤的示意图；
64.图2是步骤s104的具体实现过程的示意图；
65.图3是一种确定农作物的当前定价策略的方法的主要步骤的示意图；
66.图4是一种计算预测产量对应的价格波动参数的方法的主要步骤的示意图；
67.图5是根据本发明实施例的一种农作物产量确定装置的主要模块的示意图；
68.图6是本发明实施例可以应用于其中的示例性系统架构图；
69.图7是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
70.以下结合附图对本发明的示范性实施例做出说明，其中包括本发明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，而不会背离本发明的范围和精神。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。
71.需要指出的是，在不冲突的情况下，本发明的实施例以及实施例中的技术特征可以相互结合。
72.图1是根据本发明实施例的一种农作物产量确定方法的主要步骤的示意图。
73.如图1所示，本发明实施例的一种农作物产量确定方法主要包括以下步骤：
74.步骤s101：获取农作物在当前周期的多张第一图片；
75.步骤s102：获取农作物对应的属性数据以及目标第二图片，属性数据包括农作物的历史产量，目标第二图片是当前周期对应的历史同期的农作物图片；
76.步骤s103：根据预训练的图像识别模型以及多张第一图片，对第一图片中的目标农作物进行识别，并根据识别的结果，确定农作物的第一数量；
77.步骤s104：根据第一数量、目标第二图片中农作物的第二数量以及历史产量，确定农作物的预测产量。
78.在本发明实施例中，可以在农作物生长的各个周期，都对农作物进行一次拍摄，以获取农作物在各个周期的生长状态。
79.在本发明实施例中，由于农作物可以种植在一个种植区域内，也可以种植在多个种植区域内，因此在获取第一图片时，可以对农作物的一个或多个种植区域进行划分，得到多个拍摄区域；并在每一个拍摄区域内对农作物进行拍摄一张第一图片，得到多张第一图片。在本发明一个优选的实施例中，划分多个拍摄区域时，每一个拍摄区域的面积相等、各个拍摄区域之间没有重叠区域、并且各个拍摄区域汇总在一起能够覆盖农作物的全部种植区域。
80.在本发明实施例中，划分的每一个拍摄区域的面积为s
d
，属性数据中除了农作物的历史产量还包括农作物的多个种植区域的总面积s
z
，因此可以得到每一个拍摄区域的产量
81.举例来说，以巨峰葡萄这一农作物为例，划分的每一个拍摄区域的面积为0.25亩，即s
d
＝0.25，假设该产地巨峰葡萄的多个种植区域的总面积s
z
为200亩，而历史产量k为每月13000重量单位，则可以计算出每一个拍摄区域的产量
82.在本发明实施例中，图像识别模型是利用多张第二图片训练得到的；目标第二图片是从多张第二图片中选择得到的。
83.在本发明实施例中，第二数量是根据图像识别模型对目标第二图片的识别结果得
到的。
84.在本发明实施例中，当目标第二图片为多张时，可以从多张目标第二图片中选择标准图片，并利用图像识别模型对标准图片进行识别，得到标准图片中包含的目标农作物的数量，并将标准图片中包含的目标农作物的数量作为第二数量。
85.在本发明实施例中，当目标第二图片为多张时，也可以利用图像识别模型分别对多个目标第二图片进行识别，得到每一张目标第二图片中包含的目标农作物的数量，并根据每一张目标第二图片中包含的目标农作物的数量计算第二数量。
86.在本发明实施例中，图像识别模型是基于多张第二图片进行多次迭代训练优化后得到的cnn(convolutional neural network，卷积神经网络)模型。此时步骤s103的具体实现过程可以是利用图像识别模型对多张第一图片中的目标农作物一一进行识别，进而将识别的结果汇总，即得到农作物的第一数量；也可以是从多张第一图片中随机选择一定数量的抽样图片，再利用图像识别模型对抽样图片中的目标农作物进行识别，进而根据识别的结果，确定农作物的第一数量。
87.在本发明一个优选的实施例中，是从多张第一图片中随机选择一定数量的第一抽样图片，再利用图像识别模型对第一抽样图片中的目标农作物进行识别，以减少识别过程中计算资源的开销。其中，第一图片的数量为d，而第一抽样图片的数量t一般不超过并且能够识别出目标农作物的第一抽样图片的数量为r，正常情况下r＞0.8t，如果r≤0.8t则需要重新选取第一抽样图片。
88.具体地，可以利用图像识别模型分别对t张第一抽样图片进行去雨优化后再与目标农作物的标准图像进行匹配，从而确定出每一张第一抽样图片中目标农作物的个数n
r
，则农作物的第一数量m
r
的计算公式为：其中，n为目标第二图片对应的第二数量，n
r
为第一抽样图片中识别出的目标农作物的个数，k
c
为每一个拍摄区域的产量，m
r
为农作物的第一数量。此时根据第一数量、目标第二图片中农作物的第二数量以及历史产量，确定农作物的预测产量的计算公式可以为：
[0089][0090]
其中，m
r
为农作物的第一数量，d为第一图片的数量，t为第一抽样图片的数量，r为能够识别出目标农作物的第一抽样图片的数量，k为农作物的预测产量。
[0091]
在本发明实施例中，在根据多张第一抽样图片确定出r＞0.8t之后，还可以进一步从多张第一抽样图片中随机选择一张第二抽样图片，再利用图像识别模型对第二抽样图片中的目标农作物的个数进行识别，以进一步减少识别过程中计算资源的开销。此时根据第一数量、目标第二图片中农作物的第二数量以及历史产量，确定农作物的预测产量的计算公式可以为：
[0092]
[0093]
其中，r
i
为第二抽样图片中识别出目标农作物的个数，为识别出的r
i
个目标农作物上农作物的总个数，k
c
为每一个拍摄区域的产量，n为目标第二图片中农作物的第二数量，d为第一图片的数量，t为第一抽样图片的数量，r为能够识别出目标农作物的第一抽样图片的数量。
[0094]
仍以前述巨峰葡萄这一农作物为例，其多个种植区域的总面积s
z
为200亩，划分的每一个拍摄区域的面积s
d
为0.25亩，则可以划分出800块拍摄区域并编号，针对每一个拍摄区域拍摄一张第一图片，则得到800张第一图片，即d＝800。从800张第一图片中随机抽取20张第一抽样图片，即t＝20。对这20张第一抽样图片经过去雨处理后输入图像识别模型中，有19张识别出目标农作物：巨峰葡萄，而有1张未能匹配到目标农作物的标准图像，即r＝19＞0.8
×
20。因此可以再从20张第一抽样图片中随机抽取1张第二抽样图片，利用图像识别模型对第二抽样图片进行识别，得到该第二抽样图片中识别出8个目标农作物，即r
i
＝8，也即有8串巨峰葡萄。而每一串上的巨峰葡萄的数量分别为：25，29，27，31，32，31，28，36个，因此农作物的总个数此时根据第一数量、目标第二图片中农作物的第二数量以及历史产量，确定农作物的预测产量为
[0095]
在本发明实施例中，属性数据还可以包括：历史环境数据、农作物在当前周期内的当前环境数据；其中，历史环境数据与当前环境数据中所包括的环境数据的种类相同，环境数据的种类包括但不限于以下任意一种或多种：温度，水源数据，湿度，以及光照强度。此时步骤s104的具体实现过程如图2所示，主要包括以下步骤：
[0096]
步骤s201：分别对历史环境数据和当前环境数据进行归一化处理；
[0097]
步骤s202：根据归一化处理后的历史环境数据和当前环境数据，计算当前产量偏移参数，当前产量偏移参数用于表征当前环境和历史环境的变化程度；
[0098]
步骤s203：根据第一数量、第二数量、历史产量以及当前产量偏移参数，确定农作物的预测产量。
[0099]
在本发明实施例中，归一化处理后的历史环境数据以及当前环境数据均以特征向量的形式表示。例如，某属性数据中的历史环境数据以及当前环境数据包括三种环境数据，则归一化处理后的当前环境数据表示为<μ1,ν1,ο1>，其中，μ1为当前环境数据中第一种环境数据归一化后的值，同理，ν1和ο1分别为当前环境数据中第二、三种环境数据归一化后的值。当前产量偏移参数的计算公式为
[0100][0101]
其中，d
p
为当前产量偏移参数，用于表征当前环境相较于历史环境的变化程度；μ
b
为历史环境数据中第一种环境数据归一化后的值，同理，ν
b
和ο
b
分别为历史环境数据中第二、三种环境数据归一化后的值。在计算出当前产量偏移参数之后，进而根据第一数量、第二数量、历史产量以及当前产量偏移参数，确定农作物的预测产量。
[0102]
举例来说，历史环境数据与当前环境数据中所包括的环境数据的种类为：温度、湿
度、光照强度，可以调取传感器在当前周期内采集的温度数据、湿度数据以及光照强度数据，取均值后分别为25，50，300，而历史环境数据中的温度数据、湿度数据以及光照强度数据分别为26，44，350。再分别对历史环境数据和当前环境数据进行归一化处理，得到归一化处理后的当前环境数据为<0.067,0.133,0.800>，归一化处理后的历史环境数据为<0.065,0.105,0.830>，计算得当前产量偏移参数为
[0103]
在本发明实施例中，属性数据还可以包括：表征历史时间段内环境变化程度的历史产量偏移参数；此时就可以根据历史产量偏移参数以及当前产量偏移参数，对农作物的预测产量进行修正。
[0104]
具体地，历史产量偏移参数包括历史时间段内的最大产量偏移参数d
g
以及最小产量偏移参数d
d
。从历史产量偏移参数以及当前产量偏移参数中取最小值d
min
＝min{d
g
,d
d
,d
p
}，若d
min
＝d
g
，则修正参数ε＝1+d
g
；若d
min
＝d
d
，则修正参数ε＝1
‑
d
d
；若d
min
＝d
p
，则修正参数ε＝1。进而根据修正参数ε，对农作物的预测产量进行修正，修正公式为k为修正前的预测产量，为修正后的预测产量，以提高预测精度。
[0105]
仍以前述计算得d
p
＝0.04的农作物为例，该农作物的最大产量偏移参数d
g
＝0.06，最小产量偏移参数d
d
＝0.08，取最小值得d
min
＝0.04＝d
p
，则修正参数ε＝1，因此，该农作物在当前周期内修正后的预测产量与修正前的预测产量相同。
[0106]
在本发明实施例中，属性数据还可以包括：农作物对应的可用库存、历史销量以及历史价格；此时在确定农作物的预测产量之后，还可以根据农作物对应的可用库存、历史销量以及历史价格，确定农作物的当前定价策略。具体地，一种确定农作物的当前定价策略的方法如图3所示，该方法主要包括以下步骤：
[0107]
步骤s301：根据可用库存，计算库存能力参数；
[0108]
步骤s302：根据库存能力参数、历史销量以及预测产量，确定预测产量对应的价格波动参数；
[0109]
步骤s303：根据价格波动参数以及历史价格，确定农作物的当前定价策略。
[0110]
在本发明实施例中，步骤s301中根据可用库存，计算库存能力参数的公式为其中α为库存能力参数，用来表征库存能力，库存能力越强，可用库存越大，该库存能力参数的取值就越大。举例来说，某仓库的总库存量为100单位面积/体积，当前的可用库存为10单位面积/体积，则库存能力参数
[0111]
在本发明实施例中，步骤s302中可以根据库存能力参数、历史销量以及修正前的预测产量，计算预测产量对应的价格波动参数；也可以根据库存能力参数、历史销量以及修正后的预测产量，计算预测产量对应的价格波动参数。在本发明一个优选的实施例中，是根据库存能力参数、历史销量以及修正后的预测产量，计算预测产量对应的价格波动参数，具体地，如图4所示，图4是一种计算预测产量对应的价格波动参数的方法，该方法主要包括以下步骤：
[0112]
步骤s401：根据库存能力参数、历史销量以及修正后的预测产量，计算预测销量阈值。
[0113]
预测销量阈值的计算公式为：
[0114]
k
ymax
＝k
next
+α
·
k
next
[0115]
k
ymin
＝k
next
‑
α
·
k
next
[0116]
其中，k
ymax
为最大预测销量阈值，k
ymin
为最小预测销量阈值，α为库存能力参数，k
next
为历史销量，为修正后的预测产量。
[0117]
步骤s402：根据修正后的预测产量以及当前销量阈值，确定预测产量对应的价格波动参数。
[0118]
在本发明实施例中，针对不同的修正后的预测产量，对应有5个价格波动参数，以表示5个价格波动风险等级：当时，确定价格波动参数为1，表示预测产量能够正常满足预测销量，无价格波动风险；当时，确定价格波动参数为2，表示预测产量略低于预测销量，可能有较低的价格上涨风险；当时，确定价格波动参数为3，表示预测产量略高于预测销量，可能有较低的价格下跌风险；当时，确定价格波动参数为4，表示预测产量低于预测销量，可能有较高的价格上涨风险；当时，确定价格波动参数为5，可能有较高的价格下跌风险。
[0119]
在本发明实施例中，步骤s303的具体实现方式为：当价格波动参数为1时，由于该农作物无价格波动风险，因此可以沿用该农作物的历史价格作为其当前定价策略；当价格波动参数为2时，由于该农作物可能有较低的价格上涨风险，因此可以使用改善生产端为主的策略，例如调整温湿度至更合适于该农作物生长的范围、缩短该农作物的生长周期等，以加大该农作物的产量，而由于价格上涨风险较低，销售端仍可以沿用该农作物的历史价格作为其当前定价策略；当价格波动参数为3时，由于该农作物可能有较低的价格下跌风险，因此仍可以使用改善生产端为主的策略，例如调整温湿度至较不合适于该农作物生长的范围、延长该农作物的生长周期等，以减少该农作物的产量，而由于价格下跌风险较低，销售端仍可以沿用该农作物的历史价格作为其当前定价策略；当价格波动参数为4时，由于该农作物可能有较高的价格上涨风险，因此销售端确定的当前定价策略应为：在该农作物历史价格的基础上进行涨价，参考价格为其中p
c
为参考价格，为历史价格，k
ymin
为最小预测销量阈值，为修正后的预测产量；当价格波动参数为5时，由于该农作物可能有较高的价格下跌风险，因此销售端确定的当前定价策略应为：在该农作物历史价格的基础上进行降价促销，参考价格为其中p
c
为参考价格，为历史价格，k
ymax
为最大预测销量阈值，为修正后的预测产量。
[0120]
仍以前述计算得当前周期内修正后的预测产量的农作物为例，从属性数据可得该农作物的历史销量k
next
＝13500、历史价格而用于储存该农作物的仓库的库存能力参数α＝0.1，计算预测销量阈值为：
[0121]
k
ymax
＝k
next
+α
·
k
next
＝13500+1350＝14850
[0122]
k
ymin
＝k
next
‑
α
·
k
next
＝13500
‑
1350＝12150
[0123]
由此可知对应的价格波动参数为1，表示预测产量能够正常满足预测销量，无价格波动风险，因此可以确定农作物的当前定价策略为：沿用该农作物的历史价格作为其当前定价策略，无需调整售价，仍保持10.5元。
[0124]
在本发明实施例中，在确定农作物的预测产量之后，还包括：利用第一图片，对图像识别模型进行训练，并将第二图片替换为第一图片，从而保证训练数据的高时效性，降低图像识别模型的识别结果出现误差的概率。
[0125]
根据本发明实施例的一种农作物产量确定方法可以看出，该方法能够利用图像识别模型对农作物在当前周期的第一图片进行识别，确定农作物的第一数量，获取包括历史产量在内的属性数据以及目标第二图片，其中目标第二图片是当前周期对应的历史同期的农作物图片，并根据第一数量、目标第二图片中农作物的第二数量以及农作物的历史产量，确定农作物的预测产量，从而实现了对农作物产量的事先预测，以提前应对市场需求以及农作物产量的动态变化、更好地满足市场需求。
[0126]
图5是根据本发明实施例的一种农作物产量确定装置的主要模块的示意图。
[0127]
如图5所示，本发明实施例的一种农作物产量确定装置500包括第一获取模块501、第二获取模块502、识别模块503、以及产量预测模块504；其中：
[0128]
第一获取模块501，用于获取农作物在当前周期的多张第一图片；
[0129]
第二获取模块502，用于获取农作物对应的属性数据以及目标第二图片，属性数据包括农作物的历史产量，目标第二图片是当前周期对应的历史同期的农作物图片；
[0130]
识别模块503，用于根据预训练的图像识别模型以及多张第一图片，对第一图片中的目标农作物进行识别，并根据识别的结果，确定农作物的第一数量；
[0131]
产量预测模块504，用于根据第一数量、目标第二图片中农作物的第二数量以及历史产量，确定农作物的预测产量。
[0132]
在本发明实施例中，图像识别模型是利用多张第二图片训练得到的；目标第二图片是从多张第二图片中选择得到的。
[0133]
在本发明实施例中，属性数据还包括：历史环境数据、农作物在当前周期内的当前环境数据；产量预测模块504进一步用于：分别对历史环境数据和当前环境数据进行归一化处理；根据归一化处理后的历史环境数据和当前环境数据，计算当前产量偏移参数，当前产量偏移参数用于表征当前环境和历史环境的变化程度；根据第一数量、第二数量、历史产量以及当前产量偏移参数，确定农作物的预测产量。
[0134]
在本发明实施例中，属性数据还包括：表征历史时间段内环境变化程度的历史产量偏移参数；产量预测模块504进一步用于：根据历史产量偏移参数以及当前产量偏移参数，对农作物的预测产量进行修正。
[0135]
在本发明实施例中，属性数据还包括：农作物对应的可用库存、历史销量以及历史价格；在确定农作物的预测产量之后，产量预测模块504进一步用于：根据农作物对应的可用库存、历史销量以及历史价格，确定农作物的当前定价策略。
[0136]
在本发明实施例中，产量预测模块504进一步用于：根据可用库存，计算库存能力参数；根据库存能力参数、历史销量以及预测产量，确定预测产量对应的价格波动参数；根
据价格波动参数以及历史价格，确定农作物的当前定价策略。
[0137]
在本发明实施例中，第一获取模块501进一步用于：对农作物的一个或多个种植区域进行划分，得到多个拍摄区域；在每一个拍摄区域内对农作物进行拍摄，得到多张第一图片。
[0138]
在本发明实施例中，识别模块503进一步用于：从多张第一图片中选择一张或多张待识别图片，采用图像识别模型对一张或多张待识别图片进行识别，并根据识别的结果，确定第一数量。
[0139]
在本发明实施例中，在确定农作物的预测产量之后，识别模块503进一步用于：利用第一图片，对图像识别模型进行训练，并将第二图片替换为第一图片。
[0140]
在本发明实施例中，第二数量是根据图像识别模型对目标第二图片的识别结果得到的。
[0141]
在本发明实施例中，当目标第二图片为多张时，识别模块503进一步用于：从多张目标第二图片中选择标准图片，并利用图像识别模型对标准图片进行识别，得到标准图片中包含的目标农作物的数量，并将标准图片中包含的目标农作物的数量作为第二数量。
[0142]
在本发明实施例中，当目标第二图片为多张时，识别模块503进一步用于：利用图像识别模型分别对多个目标第二图片进行识别，得到每一张目标第二图片中包含的目标农作物的数量，并根据每一张目标第二图片中包含的目标农作物的数量计算第二数量。
[0143]
根据本发明实施例的一种农作物产量确定装置可以看出，该装置能够利用图像识别模型对农作物在当前周期的第一图片进行识别，确定农作物的第一数量，获取包括历史产量在内的属性数据以及目标第二图片，其中目标第二图片是当前周期对应的历史同期的农作物图片，并根据第一数量、目标第二图片中农作物的第二数量以及农作物的历史产量，确定农作物的预测产量，从而实现了对农作物产量的事先预测，以提前应对市场需求以及农作物产量的动态变化、更好地满足市场需求。
[0144]
图6示出了可以应用本发明实施例的一种农作物产量确定方法或一种农作物产量确定装置的示例性系统架构600。
[0145]
如图6所示，系统架构600可以包括终端设备601、602、603，网络604和电子设备605。网络604用以在终端设备601、602、603和电子设备605之间提供通信链路的介质。网络604可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
[0146]
用户可以使用终端设备601、602、603通过网络604与电子设备605交互，以接收或发送消息等。
[0147]
终端设备601、602、603可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
[0148]
电子设备605可以是提供各种服务的服务器，可以对接收到的第一图片、属性数据等进行分析等处理，并将处理结果(例如预测产量等)反馈给终端设备。
[0149]
需要说明的是，本发明实施例所提供的一种农作物产量确定方法一般由电子设备605执行，相应地，一种农作物产量确定装置一般设置于电子设备605中。
[0150]
应该理解，图6中的终端设备、网络和电子设备的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和电子设备。
[0151]
下面参考图7，其示出了适于用来实现本发明实施例的终端设备的计算机系统700
的结构示意图。图7示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0152]
如图7所示，计算机系统700包括中央处理单元(cpu)701，其可以根据存储在只读存储器(rom)702中的程序或者从存储部分708加载到随机访问存储器(ram)703中的程序而执行各种适当的动作和处理。在ram 703中，还存储有系统700操作所需的各种程序和数据。cpu 701、rom 702以及ram 703通过总线704彼此相连。输入/输出(i/o)接口705也连接至总线704。
[0153]
以下部件连接至i/o接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(crt)、液晶显示器(lcd)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如lan卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至i/o接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。
[0154]
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。在该计算机程序被中央处理单元(cpu)701执行时，执行本发明的系统中限定的上述功能。
[0155]
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0156]
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际
上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0157]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括第一获取模块、第二获取模块、识别模块、以及产量预测模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一获取模块还可以被描述为“用于获取农作物在当前周期的多张第一图片的模块”。
[0158]
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：获取农作物在当前周期的多张第一图片；获取农作物对应的属性数据以及目标第二图片，属性数据包括农作物的历史产量，目标第二图片是当前周期对应的历史同期的农作物图片；根据预训练的图像识别模型以及多张第一图片，对第一图片中的目标农作物进行识别，并根据识别的结果，确定农作物的第一数量；根据第一数量、目标第二图片中农作物的第二数量以及历史产量，确定农作物的预测产量。
[0159]
根据本发明实施例的技术方案，能够利用图像识别模型对农作物在当前周期的第一图片进行识别，确定农作物的第一数量，获取包括历史产量在内的属性数据以及目标第二图片，其中目标第二图片是当前周期对应的历史同期的农作物图片，并根据第一数量、目标第二图片中农作物的第二数量以及农作物的历史产量，确定农作物的预测产量，从而实现了对农作物产量的事先预测，以提前应对市场需求以及农作物产量的动态变化、更好地满足市场需求。
[0160]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。