植株授粉信息确定方法、装置、设备及存储介质与流程

1.本发明属于智慧农业领域，尤其涉及一种植株授粉信息确定方法、装置、设备及存储介质。


背景技术：

2.农业生产上常采用人工辅助授粉的方法，以克服因授粉条件不足而使传粉得不到保证的缺陷，以达到预期的产量。在品种复壮的工作中，也需要采取人工辅助授粉，以达到预期的目的。
3.目前，在果树种植中，一般由果农的经验判断是否进行授粉以及授粉的粉量。但是，部分果农的经验不足容易发生误判，导致授粉时机不正确或者授粉量不足，严重影响产量。


技术实现要素：

4.本发明实施例提供一种植株授粉信息确定方法、装置、设备及存储介质，能够准确判断目标植株是否需要进行授粉，并在需要授粉时给出授粉的环境信息和授粉量，以帮助目标用户完成授粉工作。
5.第一方面，本发明实施例提供一种植株授粉信息确定方法，方法包括：获取目标植株的环境温度数据和雌花图像信息；将目标植株的雌花图像信息输入到预先训练的第一预测模型中，得到预测结果，预测结果包括目标植株的品种以及是否需要授粉；在预测结果为目标植株需要授粉时，将环境温度数据和预测结果输入到预先训练的第二预测模型中，得到目标植株授粉的环境信息和授粉量，其中预测结果还包括多个授粉特征数据。
6.在一种可选的实施方式中，第一预测模型包括主干网络和辅助网络；主干网络用于识别植株的雌花图像信息的全局特征，得到植株的品种；辅助网络用于识别植株的雌花图像信息的局部特征，并根据植株的品种，得到植株是否需要授粉及多个授粉特征数据；
7.将目标植株的雌花图像信息输入到预先训练的第一预测模型中，得到预测结果，包括：
8.将目标植株的雌花图像信息输入到预先训练的主干网络中，得到目标植株的品种；
9.将目标植株的雌花图像信息和目标植株的品种输入到预先训练的辅助网络中，得到目标植株是否需要授粉以及多个授粉特征数据。
10.在一种可选的实施方式中，局部特征包括花朵特征和花粉特征。
11.在一种可选的实施方式中，将目标植株的雌花图像信息输入到预先训练的第一预测模型中之前，方法还包括：
12.获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括雌花图像信息及与其对应的标签数据，标签数据为雌花图像信息对应的目标植株的品种、是否需要授粉以及多个授粉特征数据；
13.利用训练样本集训练预设的第一预测模型，直至满足训练停止条件，得到训练后的第一预测模型。
14.在一种可选的实施方式中，利用训练样本训练预设的预测模型，直至满足训练停止条件，得到训练后的第一预测模型，具体包括：
15.对每个训练样本，分别执行以下步骤：
16.将雌花图像信息输入至预设第一预测模型中，得到预测数据；
17.根据预测数据和标签数据，确定第一预测模型的损失函数值；
18.在损失函数值不满足训练停止条件的情况下，调整第一预测模型的模型参数，并利用训练样本集训练参数调整后的第一预测模型，直至满足训练停止条件，得到训练后的第一预测模型。
19.在一种可选的实施方式中，获取训练样本集，包括：
20.获取多个植株的多个历史授粉信息，每个历史授粉信息包括一个植株的多个雌花图像信息及与每个雌花图像信息对应的标签数据；
21.将同一个植株的一个雌花图像信息及与其对应的一个标签数据作为一个训练样本，以得到训练样本集。
22.在一种可选的实施方式中，多个授粉特征数据包括目标植株的雌花的花粉量；授粉量为目标植株的雌花需求的雄花的花粉量。
23.第二方面，本发明实施例提供了一种植株授粉信息确定装置，装置包括：
24.第一获取模块，被配置为获取环境温度数据和目标植株的雌花图像信息；
25.预测模块，被配置为将目标植株的雌花图像信息输入到预先训练的第一预测模型中，得到预测结果，预测结果包括目标植株的品种以及是否需要授粉；
26.确定模块，被配置为在预测结果为目标植株需要授粉时，将环境温度数据和预测结果输入到预先训练的第二预测模型中，得到目标植株授粉的环境信息和授粉量，其中预测结果还包括多个授粉特征数据。
27.第三方面，本发明实施例提供了一种植株授粉信息确定设备，设备包括：处理器，以及存储有计算机程序指令的存储器；所述处理器读取并执行所述计算机程序指令，以实现第一方面及第一方面中任一可选实施方式提供的一种植株授粉信息确定方法。
28.第四方面，本发明实施例提供了一种计算机存储介质，计算机存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现第一方面及第一方面中任一可选实施方式提供的一种植株授粉信息确定方法。
29.本发明实施例的一种植株授粉信息确定方法、装置、设备及存储介质，能够通过目标植株的雌花图像信息和预先训练的预测模型判断目标植株的品种、是否需要授粉，以及目标植株的多个授粉特征数据；在目标植株需要授粉时，可以通过预先训练的第二预测模型，得到授粉的环境信息和授粉量，目标用户可以根据环境信息和授粉量更好地完成授粉工作，降低了植株授粉工作对个人经验的依赖，便于推广使用。
附图说明
30.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还
可以根据这些附图获得其他的附图。
31.图1是本发明实施例提供的一种植株授粉信息确定方法流程示意图；
32.图2是本发明实施例中的第一预测模型框架示意图；
33.图3是本发明实施例中的注意力区域候选网络示意图；
34.图4是本发明实施例提供的一种植株授粉信息确定装置的结构示意图
35.图5是本发明实施例提供的一种植株授粉信息确定设备的结构示意图。
具体实施方式
36.下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本发明，而不是限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
37.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
38.授粉是一种植物结成果实必经的过程。花朵中通常都有一些黄色的粉，这叫做花粉。这些花粉需要被传给同类植物某些花朵。把雄花的花粉授给雌花的花柱，花粉从花药到柱头的移动过程叫做授粉。
39.根据植物的授粉方式不同，可分为自然授粉和人工辅助授粉两类。
40.人工辅助授粉，也简称人式授粉。农业生产上常采用人工辅助授粉的方法，以克服因条件不足而使传粉得不到保证的缺陷，以达到预期的产量。在品种复壮的工作中，也需要采取人工辅助授粉，以达到预期的目的。人工辅助授粉可以大量增加柱头上的花粉粒，使花粉粒所含的激素相对总量有所增加，酶的反应也相应有了加强，起到促进花粉萌发和花粉管生长的作用，受精率可以得到很大提高。
41.授粉后，花粉粒在柱头上萌发。随着花粉管的伸长，营养核与精核进入胚囊内。随后1个精核与卵细胞受精结合成合子，将来发育为胚(2n)。另1个精核与2个极核受精结合为胚乳核(3n)，将来发育成胚乳(3n)，故这一过程被称为双受精。
42.人工授粉的方法：人工进行授粉之前，首先要搞清楚植物花朵的属性，比如自花传粉。通常来说自花传粉植物人工授粉的方法有两种，第一种：将雄花蕊直接碰触雌花蕊上面即可；第二种：用毛笔沾上雄花蕊的花粉，将它涂抹到雌花蕊上面。
43.目前，在果树种植中，经常采用人工授粉，由果农的经验判断是否进行授粉以及授粉的粉量。但是，经验不足的果农容易发生误判，造成授粉时机不正确或者授粉量不足，从而严重影响产量。
44.鉴于现有人工授粉方式中存在的问题，本技术提供一种植株授粉信息确定方法、
装置、设备及存储介质，能够满足农业果园中对花粉精准授粉的需求。
45.下面首先对本技术提供的植株授粉信息确定方法进行介绍，该方法可以基于植株授粉信息确定系统实现。
46.请参见图1，本技术实施例提供的一种植株授粉信息确定方法的流程示意图。该方法包括步骤s101至s103。
47.s101.获取目标植株的环境温度数据和雌花图像信息。
48.系统获取目标植株所处环境的环境温度数据以及目标植株的雌花图像信息。具体地，系统可以从设置在植株所处环境的温度传感器中获取到环境温度数据，从图像采集设备获取到雌花的图像信息。
49.在一个示例中，雌花图像信息可以是果农拍摄并上传至系统的雌花图像。即果农在人工授粉中，凭个人经验不确定该植株是否已经授粉，为获得准确结果辅助完成授粉工作，将拍摄的雌花图像上传至系统查询。雌花图像信息也可以是设置在植株附近的图像采集设备例如摄像头，采集的视频或图像中提取得到的雌花图像信息。
50.s102.将目标植株的雌花图像信息输入到预先训练的第一预测模型中，得到预测结果，预测结果包括目标植株的品种以及是否需要授粉。
51.系统将获取到的雌花图像信息输入到第一预测模型中，经过预先训练的第一预测模型可以识别输入的雌花图像信息，并根据雌花图像信息中目标植株的雌花特征，得到目标植株的品种，结合目标植株的品种及雌花特征得到目标植株是否需要授粉。在目标植株不需要授粉时，输出已授粉不需要人工辅助授粉、目标植株的品种；在目标植株需要授粉时，输出未授粉需要人工辅助授粉、目标植株的品种以及目标植株的雌花特征包括多个授粉特征数据。
52.s103.在预测结果为目标植株需要授粉时，将环境温度数据和预测结果输入到预先训练的第二预测模型中，得到目标植株授粉的环境信息和授粉量，其中预测结果还包括多个授粉特征数据。
53.在预测结果为目标植株需要授粉时，系统将第一预测模型输出的目标植株品种和多个授粉特征数据以及步骤s101中获取的环境温度数据一起输入第二预测模型中，第二预测模型结合所有数据信息，得到目标植株的授粉条件和授粉量。授粉条件即环境信息，具体可以包括最佳的授粉温度范围、湿度范围。
54.在一个示例中，多个授粉特征数据包括目标植株的雌花的花粉量；而授粉量为目标植株的雌花需求的雄花的花粉量。
55.根据本技术实施例中的植株授粉信息确定方法，能够通过目标植株的雌花图像信息和预先训练的预测模型判断目标植株的品种、是否需要授粉，以及目标植株的多个授粉特征数据；在目标植株需要授粉时，可以通过预先训练的第二预测模型，得到授粉的环境信息和授粉量，目标用户可以根据环境信息和授粉量更好地完成授粉工作，降低了植株授粉工作对个人经验的依赖，便于推广使用；由于给出的授粉条件及授粉量更为准确，因此可以提升雌花的授粉率，进而提高相关植株的产量，产生更多的经济效益；通过模型准确判断植株是否授粉，已授粉的可以不再需要人工辅助，因此还可以减少农户授粉的工作量。
56.在一个实施例中，第一预测模型包括主干网络和辅助网络；
57.步骤s102可以包括s1021和s1022。
58.s1021.将目标植株的雌花图像信息输入到预先训练的主干网络中，得到目标植株的品种。
59.主干网络可以识别植株的雌花图像信息的全局特征，根据雌花图像信息的全局特征，得到植株的品种。全局特征具体的可以是雌蕊的全局特征。
60.s1022.将目标植株的雌花图像信息和目标植株的品种输入到预先训练的辅助网络中，得到目标植株是否需要授粉以及多个授粉特征数据。
61.辅助网络可以识别植株的雌花图像信息的局部特征，根据局部特征结合步骤s1021得到的植株的品种，得到植株是否需要授粉及多个授粉特征数据。
62.在一个示例中，局部特征可以包括花朵特征和花粉特征。
63.在一个具体示例中，因为涉及到多个维度的目标检测识别，所以，第一预测模型可以采用多任务网络。在图像识别问题中花朵、花粉属于小目标物体检测，如果直接使用全局特征进行训练网络模型，那么随着网络的不断加深小目标特征则会不断损失，到最后将无法对其进行精准识别。考虑到以上这个问题，特意在模型训练的时候，增加一个辅助网络，用来学习局部特征(花朵、花粉)，然后再与主干网络学习的全局特征进行特征融合，使得网络不会丢失局部特征，提升网络的鲁棒性。而在模型推理应用的过程中，由于模型训练阶段已经学习到了局部和全局的融合特征参数，因此，仅仅使用主干网络通过即可。这样就大大降低了模型复杂度且不会影响其准确率，进而能够部署在低算力的嵌入式设备上而不影响模型的性能。
64.如图2所示是第一预测模型的结构框架。第一预测模型包括主干网络与辅助网络，主干网络用于模型的训练以及推理，辅助网络用于模型的训练。
65.为了网络模型能在嵌入式等低算力的设备中进行推理应用，必须得考虑使用一些轻量级的网络作为主干网络，来减少模型的参数量和降低复杂度。但是，又考虑到轻量级网络的准确性确实不如resnet、inceptionnet等复杂模型。因此，本技术设计了一种结合轻量级网络squeezenet的fire blocks和复杂模型inceptionnet blocks两者优势的网络结构(squeezenet inceptionnet blocks，si blocks)。在si blocks中，使用了4个1x1的卷积层减少了输入的通道数量，并且用两个1x3和两个3x1的卷积代替了原网络的四个3x3卷积，将参数量减少为原网络的1/12，整个block将提供更大的激活度，就能保留更多的特征信息，提供更高的分类准确率。
66.整个主干网络是一个多任务网络，最后一层全连接与三个子任务(花朵湿度识别、品种识别以及花粉检测)相连进行图像分类操作。在recognition模块中，使用了全局平均池化层(global average pooling，gap)代替了与卷积层直接相连的全连接层，减小了这一层的参数量，提升了模型训练的收敛速度。
67.最后使用使用三个softmax分类器对不同任务进行分类识别。当定义第i个输入特征为xi，对应的标签为yi时，softmax分类器的计算公式可表示为：
[0068][0069]
其中，n表示为训练的样本数；fj表示最后一层全连接的类别输出向量f的第j个元素(j∈[1,k]，k表示类别总数)；表示最后一层全连接的类别输出向量f的第yi个元素；w
表示最后一层全连接的参数矩阵，故可表示为两个向量相乘：(是指w的第yi列)，然后，展开可得到fj同理可得
[0070]
但是，传统的softmax分类器并不能够有效地学习得到使得类内紧凑、类间离散的特征，因此，为了更进一步提升模型的准确性，本技术提出一种基于决策约束的改进版softmax分类器。为了更加直观的解释改进之后的softmax多分类器是如何实现的，在这里进行举例说明。例如：在二分类任务，已知通过模型训练得到了每一个类别的参数权重：w1和w2，如果，新来的样本向量x属于第一类，那么就有如下公式进行表示：
[0071][0072]
||w1||*||x||*cos(θ1)＞||w2||*||x||*cos(θ2)
ꢀꢀ
(3)
[0073]
其中，将不等式(2)展开可以得到不等式(3)，又知cos(θ)在[0,π]之间是单调递减的，可得θ1《θ2，也就是说只要θ在[θ1,θ2]之间，不等式就满足且x属于第一类，但是，这个θ的取值范围如果太大，模型就越不易找到最优的θ值，就会导致模型的结构化风险增大，而如果在[θ1,θ2]之间添加一个mθ1(m为一个正整数变量)，缩小θ的取值范围，增加模型求解最优解的约束条件，那么就能减小模型的结构化风险，学习到使得类间距离更大的，类内距离更小的最优解。因此，放在多分类任务的改进版softmax分类器可表示为：
[0074][0075]
与传统的softmax分类器相比，多了一个正整数超参数m，它的值可以在训练中进行测试，选择模型准确率最高时的m值，注意：m的取值也不易过大，不然会增加模型训练的难度，可能无法进行收敛，所以，m的取值尽量在[1,5]之间进行选择。
[0076]
在主干网络中，全部使用尺寸为3x3的卷积，这样可以减少网络的参数量，且使用了两种不同的池化层，为特征图进行了降维操作，同时加强了图像特征的不变性，使之增加图像的偏移、旋转等方面的鲁棒性。最后，预测图像通过主干网络的推理就能够准确的得到水果品种(西瓜、猕猴桃、草莓等)、花朵湿度(高、中、低)、花粉量(大量、一般、少量、无)的水果授粉信息。
[0077]
辅助网络只在模型训练时才会使用，是因为它主要的功能是将花朵和花粉这样的小目标进行检测，得到它们的局部特征图，然后将它们与主干网络得到的全局特征进行add融合之后，再对不同的任务进行识别，提高模型的鲁棒性。下面具体介绍一下辅助网络的工作流程。
[0078]
首先，在主干网络进行到第三层卷积操作之后，取卷积得到的特征图作为候选框提取网络也叫区域候选网络(region proposal network，rpn)的原始输入。然后提取特征图中的花朵目标框，再将提取出来的花朵作为输入，提取其中花粉粒特征，接着通过roi池化层将所有检出的目标候选区域放缩到相同大小，提取固定大小的特征图，将它们通过concat操作进行融合，形成只包含花粉和花朵的特征图，进而形成局部特征，为后续的多任务网络提供更多丰富的特征，提升模型的准确率。其中，区域候选网络(rpn)是提取局部特征的关键网络，影响提取出来的局部特征的质量，所以，仅依靠传统的rpn网络是远远不足的。在这里我们使用了注意力机制(attention)来改进rpn网络，使之不需要大量数据也能
很好的确定目标的位置。
[0079]
下面介绍注意力区域候选网络(attention-rpn)，请参考附图3，首先输入网络的特征图是主干网络的第二个卷积层的输出，然后，基于特征图的通道进行global max pooling和global average pooling；将上述的结果基于通道做concat融合；将concat后的结果经过一个卷积操作，通道降为1；接着，结果经过激活函数relu生成了attention feature，也可以与输入的特征图做乘法，为feature增加空间注意力；最后，将生成的attention feature连接到标准的rpn网络中完成后面的候选区域提取任务。
[0080]
其中，attention feature计算的公式为：
[0081][0082]
σ表示激活函数relu；f7×7表示一个卷积操作，卷积核的大小为7
×
7；[avgpooling(f)；maxpooling(f)]表示两个池化层的concat融合操作。
[0083]
可根据第一预测模型的预测结果和外在自然因素对花朵进行授粉指导。对于花朵授粉量的预测方法，本技术采用了基于规则的第二预测模型。
[0084]
首先设置需要授粉的农作物品种类型，例如：设置本次要授粉的水果为草莓、西瓜、猕猴桃，分别用v1、v2、v3进行表示。通过授粉检测网络推理预测之后，会输出水果的类型v、湿度h、花粉量p，再结合当前气温c的值输入到第二预测模型中；
[0085]
基于规则对授粉量进行指导，如果在正常情况下授粉量(纯花粉 增量剂)为x(x1、x2、x3分别代表草莓、西瓜、猕猴桃的量)，那么应授粉量为y，具体模型规则定义如下：
[0086]
①
当c＜15℃或者h＞80％时，y＝0；
[0087]
②
当h＜30％时，首先使用水将h增加到[30％,80％]之间，再授粉；
[0088]
③
当30％≤h≤80％时：
[0089][0090]
在一个实施例中，步骤s102之前还可包括步骤s104-s105。
[0091]
s104.获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括雌花图像信息及与其对应的标签数据，标签数据为雌花图像信息对应的目标植株的品种、是否需要授粉以及多个授粉特征数据。
[0092]
s105.利用训练样本集训练预设的第一预测模型，直至满足训练停止条件，得到训练后的第一预测模型。
[0093]
在一个示例中，步骤s105可以具体是对每个训练样本，分别执行步骤s1051-s1053。
[0094]
s1051.将雌花图像信息输入至预设第一预测模型中，得到预测数据；
[0095]
s1052.根据预测数据和标签数据，确定第一预测模型的损失函数值；
[0096]
s1053.在损失函数值不满足训练停止条件的情况下，调整第一预测模型的模型参
数，并利用训练样本集训练参数调整后的第一预测模型，直至满足训练停止条件，得到训练后的第一预测模型。
[0097]
在一个示例中，步骤s104可以具体包括步骤s1041-s1042。
[0098]
s1041.获取多个植株的多个历史授粉信息，每个历史授粉信息包括一个植株的多个雌花图像信息及与每个雌花图像信息对应的标签数据；
[0099]
s1042.将同一个植株的一个雌花图像信息及与其对应的一个标签数据作为一个训练样本，以得到训练样本集。
[0100]
通过多维度进行花粉授粉量的预测，具体的，多维度体现在，对应的植物品种、湿度信息以及环境温度信息；本技术提供的第二预测模型，在si blocks中，提供了4个1x1的卷积层减少了输入的通道数量，并且提供两个1x3和两个3x1的卷积代替了现有技术中常用的四个3x3卷积，将参数量减少为原网络的1/12，整个block将提供更大的激活度，能保留更多的特征信息，提供更高的分类准确率；主干网络与辅助网络的联和进行模型训练，主干网络学习雌蕊图像的全局特征，辅助网络的候选框提取网络提取花朵特征然后进一步提取花粉特征，最终融合花朵特征及花粉特征图像，进行局部特征提取，辅助网络将局部特征发送给主干网络，与主干网络提取的全局特征进行融合，输入全连接层，并与输入的授粉量信息、湿度信息、品种信息关联，提升网络的鲁棒性；在模型推理应用的过程中，由于模型训练阶段已经学习到了局部和全局的融合特征参数，因此，仅仅使用主干网络通过即可。这样就大大降低了模型复杂度且不会影响其准确率，进而能够部署在低算力的嵌入式设备上而不影响模型的性能。
[0101]
基于上述实施例提供的植株授粉信息确定方法，相应地，本技术实施例还提供一种植株授粉信息确定装置，请参考图4，包括：
[0102]
第一获取模块401，被配置为获取环境温度数据和目标植株的雌花图像信息；
[0103]
预测模块402，被配置为将目标植株的雌花图像信息输入到预先训练的第一预测模型中，得到预测结果，预测结果包括目标植株的品种以及是否需要授粉；
[0104]
确定模块403，被配置为在预测结果为目标植株需要授粉时，将环境温度数据和预测结果输入到预先训练的第二预测模型中，得到目标植株授粉的环境信息和授粉量，其中预测结果还包括多个授粉特征数据。
[0105]
本技术实施例的一种植株授粉信息确定装置，能够给出目标植株的授粉环境信息和授粉量辅助目标用户更好地完成授粉工作，降低了植株授粉工作对个人经验的依赖；授粉环境信息和授粉量相比人工判断更为准确，可以提升雌花的授粉率，进而提高相关植株的产量，产生更多的经济效益。
[0106]
在一个实施例中，预测模块402中的第一预测模型包括主干网络和辅助网络；主干网络用于识别植株的雌花图像信息的全局特征，得到植株的品种；辅助网络用于识别植株的雌花图像信息的局部特征，并根据植株的品种，得到植株是否需要授粉及多个授粉特征数据。
[0107]
预测模块402，可以包括第一预测子模块和第二预测子模块。
[0108]
第一预测子模块，被配置为将目标植株的雌花图像信息输入到预先训练的主干网络中，得到目标植株的品种。
[0109]
第二预测子模块，被配置为将目标植株的雌花图像信息和目标植株的品种输入到
预先训练的辅助网络中，得到目标植株是否需要授粉以及多个授粉特征数据。
[0110]
在一个示例中，预测模块402中的辅助网络识别植株的雌花图像信息的局部特征，局部特征包括花朵特征和花粉特征。
[0111]
在一个实施例中，一种植株授粉信息确定装置还可以包括第二获取模块和模型训练模块。
[0112]
第二获取模块，被配置为在将目标植株的雌花图像信息输入到预先训练的第一预测模型中之前，获取训练样本集，训练样本集包括多个训练样本，每个训练样本包括雌花图像信息及与其对应的标签数据，标签数据为雌花图像信息对应的目标植株的品种、是否需要授粉以及多个授粉特征数据。
[0113]
模型训练模块，被配置为利用训练样本集训练预设的第一预测模型，直至满足训练停止条件，得到训练后的第一预测模型。
[0114]
在一个示例中，模型训练模块，包括输入输出子模块、确定子模块、训练子模块。模型训练模块中的具体被配置为通过各个子模块对每个训练样本，分别执行以下步骤：
[0115]
输入输出子模块，被配置为将雌花图像信息输入至预设第一预测模型中，得到预测数据；
[0116]
确定子模块，被配置为根据预测数据和标签数据，确定第一预测模型的损失函数值；
[0117]
训练子模块，在损失函数值不满足训练停止条件的情况下，调整第一预测模型的模型参数，并利用训练样本集训练参数调整后的第一预测模型，直至满足训练停止条件，得到训练后的第一预测模型。
[0118]
在一个示例中，第二获取模块，包括：
[0119]
第一获取子模块，被配置为获取多个植株的多个历史授粉信息，每个历史授粉信息包括一个植株的多个雌花图像信息及与每个雌花图像信息对应的标签数据；
[0120]
样本集构建子模块，被配置为将同一个植株的一个雌花图像信息及与其对应的一个标签数据作为一个训练样本，以得到训练样本集。
[0121]
在一个实施例中，确定模块中多个授粉特征数据包括目标植株的雌花的花粉量；授粉量为目标植株的雌花需求的雄花的花粉量。
[0122]
上述各实施例提供的植株授粉信息确定方法可以由图5所示的植株授粉信息确定设备执行。
[0123]
植株授粉信息确定设备可以包括处理器501以及存储有计算机程序指令的存储器502。
[0124]
具体地，上述处理器501可以包括cpu，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本发明实施例的一个或多个集成电路。
[0125]
存储器502可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器502可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在一个实例中，存储器502可以包括可移除或不可移除(或固定)的介质，或者存储器502是非易失性固态存储器。存储器502可在综合网关容灾设备的内部或外部。
[0126]
在一个实例中，存储器502可以是只读存储器(read only memory，rom)。在一个实例中，该rom可以是掩模编程的rom、可编程rom(prom)、可擦除prom(eprom)、电可擦除prom(eeprom)、电可改写rom(earom)或闪存或者两个或更多个以上这些的组合。
[0127]
存储器502可以包括只读存储器(rom)，随机存取存储器(ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
[0128]
处理器501通过读取并执行存储器502中存储的计算机程序指令，以实现上述任一实施例提供的业务资源容量动态分配方法，并达到该方法达到的相应技术效果，为简洁描述在此不再赘述。
[0129]
在一个示例中，植株授粉信息确定设备还可包括通信接口503和总线510。其中，如图5所示，处理器501、存储器502、通信接口503通过总线510连接并完成相互间的通信。
[0130]
通信接口503，主要用于实现本发明实施例中各模块、装置、单元和/或设备之间的通信。
[0131]
总线510包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(accelerated graphics port，agp)或其他图形总线、增强工业标准架构(extended industry standard architecture，eisa)总线、前端总线(front side bus，fsb)、超传输(hyper transport，ht)互连、工业标准架构(industry standard architecture，isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线510可包括一个或多个总线。尽管本发明实施例描述和示出了特定的总线，但本发明考虑任何合适的总线或互连。
[0132]
该植株授粉信息确定设备能够给出目标植株的授粉环境信息和授粉量辅助目标用户更好地完成授粉工作，降低了植株授粉工作对个人经验的依赖；授粉环境信息和授粉量相比人工判断更为准确，可以提升雌花的授粉率，进而提高相关植株的产量，产生更多的经济效益。
[0133]
结合上述实施例中的植株授粉信息确定方法，本发明实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种植株授粉信息确定方法。
[0134]
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
[0135]
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(application specific integrated circuit，asic)、适当的固件、插件、功能卡等。当以软件方式实现时，本发明的
元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(radio frequency，rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0136]
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0137]
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0138]
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。