一种用于耕地监测的自动识别系统及方法与流程

1.本发明涉及自动识别领域，尤其涉及一种用于耕地监测的自动识别系统及方法。


背景技术：

2.随着科技的发展，尺度不变特征变换模型基于其对于光线、噪声、微视角改变的容忍度相当高的特性，被广泛应用于识别领域中。
3.现阶段，通过尺度不变特征变换模型进行的图片识别的技术方案主要为：将待测图片中的特征向量与预存的特征向量进行对比来确定该图片对应的植物种类。
4.但是，传统的尺度不变特征变换模型在对图像进行特征向量提取的过程中，需要多次干预，提出的特征向量不能反映图像特点，使各种识别对象的特征向量范围重叠较多等，导致效率低、工作量大和存在人为误差的问题。


技术实现要素：

5.本发明实施例提供了一种用于耕地监测的自动识别系统及方法，用以解决上述问题。
6.第一方面，本发明实施例提供了一种用于耕地监测的自动识别系统，系统包括：数据搭建模块，用于将若干标记好植物名称的叶片图像作为训练样本；基于训练样本及预设神经网络算法，确定植物名称、叶片特征向量之间的对应关系，以更新预设的样本数据库；目标获取模块，用于获取预设采集设备上传的采集图片，基于最大类间方差算法，获得采集图片中植物叶片对应的目标图片；图片处理模块，用于将目标图片导入预设尺度不变特征变换算法，获取目标图片对应的目标特征向量；进而基于目标特征向量以及样本数据库，确定采集图片对应的植物名称。
7.进一步地，数据搭建模块包括：样本获取单元、样本处理单元以及数据库更新单元；样本获取单元，用于获取若干标记好植物名称的原始图像；样本处理单元，用于对原始图像进行灰度处理和图像分割，以获得叶片图像作为训练样本；导入训练样本至预设神经网络算法，以获得训练样本对应的叶片特征向量；将植物名称作为聚类中心，以通过邻近算法对所叶片特征向量进行聚类处理，去除无效的特征向量，以获得叶片特征向量与植物名称之间的对应关系；数据库更新单元，用于将叶片特征向量与植物名称之间的对应关系，更新至预设的样本数据库。
8.进一步地，图片处理模块包括：特征变换单元；特征变换单元，用于将目标图片导入尺度不变特征变换算法，以通过算法中预设的高斯函数获取目标图片中的关键点；确定计算关键点对应的直方图的高斯权重函数参数；确定直方图的泰勒展开式进行二次曲线拟合，确定关键点对应的方向；通过尺度不变特征变换，确定关键点对应的关键点描述子；根据关键点、关键点方向以及关键点描述子，确定目标图片对应的目标特征向量。
9.进一步地，系统还包括二次验证模块；二次验证模块包括标准图片单元、matlab校验单元；标准图片单元，用于存储植物名称对应的标准图片；matlab矫正单元，用于在确定
采集图片对应的植物名称后，基于matlab软件以及植物名称，确定采集图片与标准图片之间的相似度；当相似度小于预设相似度阈值时，生成错误维护指令至维护终端。
10.第二方面，本发明实施例提供了一种用于耕地监测的自动识别，方法包括：将若干标记好植物名称的叶片图像作为训练样本；基于训练样本及预设神经网络算法，确定植物名称、叶片特征向量之间的对应关系，以更新预设的样本数据库；获取预设采集设备上传的采集图片，基于最大类间方差算法，获得采集图片中植物叶片对应的目标图片；将目标图片导入预设尺度不变特征变换算法，获取目标图片对应的目标特征向量；进而基于目标特征向量以及样本数据库，确定采集图片对应的植物名称。
11.进一步地，将若干标记好植物名称的叶片图像作为训练样本；基于训练样本及预设神经网络算法，确定植物名称、叶片特征向量之间的对应关系，以更新预设的样本数据库，具体包括：获取若干标记好植物名称的原始图像；对原始图像进行灰度处理和图像分割，以获得叶片图像作为训练样本；导入训练样本至预设神经网络算法，以获得训练样本对应的叶片特征向量；将植物名称作为聚类中心，以通过邻近算法对所叶片特征向量进行聚类处理，去除无效的特征向量，以获得叶片特征向量与植物名称之间的对应关系；将叶片特征向量与植物名称之间的对应关系，更新至预设的样本数据库。
12.进一步地，将目标图片导入预设尺度不变特征变换算法，获取目标图片对应的目标特征向量，具体包括：将目标图片导入尺度不变特征变换算法，以通过算法中预设的高斯函数获取目标图片中的关键点；确定计算关键点对应的直方图的高斯权重函数参数；确定直方图的泰勒展开式进行二次曲线拟合，确定关键点对应的方向；通过尺度不变特征变换，确定关键点对应的关键点描述子；根据关键点、关键点方向以及关键点描述子，确定目标图片对应的目标特征向量。
13.进一步地，预设校验数据库用于存储植物名称对应的标准图片；方法还包括：在确定采集图片对应的植物名称后，基于matlab软件以及预设校验数据库，确定采集图片与标准图片之间的相似度；当相似度小于预设相似度阈值时，生成错误维护指令至维护终端。
14.本领域技术人员能够理解的是，本发明至少具有如下有益效果：
15.通过数据搭建模块对原始图片进行灰度处理和图像分割，获得训练样本。降级了图像原始数据量，便于后续处理时计算量更少，进而提高工作效率。通过预设神经网络算法，确定各个植物名称对应的叶片特征向量，以使后续能够直接通过校验向量确定为图片对应的叶片对应的植物名称，提高了处理效率。通过目标获取模块，且将叶片作为目标图片从采集图片中扣取出来，使后续待检测的图像唯一(全部是叶片数据)，避免了其他背景图片数据的干扰。通过图片处理模块，将目标图片将入预设尺度不变特征变换算法，使得预设尺度不变特征变换算法处理的图像尽可能地少，且处理的图像尽可能地具有典型性，提高了预设尺度不变特征变换算法的准确性，降低了特征向量的范围重叠。
16.此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。
附图说明
17.下面参照附图来描述本公开的部分实施例，附图中：
18.图1是本发明具体实施方式的系统内部结构示意图。
19.图2是本发明具体实施方式的方法流程图。
具体实施方式
20.本领域技术人员应当理解的是，下文所描述的实施例仅仅是本公开的优选实施例，并不表示本公开仅能通过该优选实施例实现，该优选实施例仅仅是用于解释本公开的技术原理，并非用于限制本公开的保护范围。基于本公开提供的优选实施例，本领域普通技术人员在没有付出创造性劳动的情况下所获得的其他所有实施例，仍应落入到本公开的保护范围之内。
21.还需要说明的是，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、商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、商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“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
22.下面通过附图对本发明实施例提出的技术方案进行详细的说明。
23.图1为本发明实施例提供的用于耕地监测的自动识别系统。如图1所示，本发明实施例提供的自动识别系统，主要包括：数据搭建模块110、目标获取模块120以及图片处理模块130。
24.其中，数据搭建模块110，主要用于将若干标记好植物名称的叶片图像作为训练样本；基于训练样本及预设神经网络算法，确定各个植物名称对应的叶片特征向量，以更新预设的样本数据库。
25.需要说明的是，获取若干标记好植物名称的叶片图像方法可以通过人工上传的数据的方式获取。预设神经网络算法可以为任意可行的能够从训练样本中学习叶片图像与叶片特征向量之间的对应关系的算法。样本数据库用于保存植物名称、叶片特征向量、植物名称与叶片特征向量之间的对应关系。
26.作为示例地，数据搭建模块110包括：样本获取单元111、样本处理单元112以及数据库更新单元113。样本获取单元111，用于获取若干标记好植物名称的原始图像；样本处理单元112，用于对原始图像进行灰度处理和图像分割，以获得叶片图像作为训练样本；导入训练样本至预设神经网络算法，以获得训练样本对应的叶片特征向量；通过邻近算法对所叶片特征向量进行聚类处理，去除无效的特征向量，以获得叶片特征向量与植物名称之间的对应关系；数据库更新单元113，用于将叶片特征向量与植物名称之间的对应关系，更新至预设的样本数据库。
27.其中，目标获取模块120，用于获取预设采集设备上传的采集图片，基于最大类间方差算法，获得采集图片中植物叶片对应的目标图片。
28.需要说明的是，图片采集模块为任意可行的具有图片采集功能的设备。且图片采集模块的安装位置可以为任意可行位置，如，飞行器上。待测图片为包含需要检查病虫害的植物叶片的图片。预处理图片为待测图片经过灰度处理后的图片。
29.此外，最大类间方差算法对应的具体执行过程可由现有方法或设备进行，本实施例对此不作过多限定。
30.其中，图片处理模块130，用于将目标图片导入预设尺度不变特征变换算法，获取目标图片对应的目标特征向量；进而基于目标特征向量以及样本数据库，确定采集图片对应的植物名称。
31.图片处理模块130包括：特征变换单元131；特征变换单元131，用于将目标图片导入尺度不变特征变换算法，以通过算法中预设的高斯函数获取目标图片中的关键点；确定计算关键点对应的直方图的高斯权重函数参数；确定直方图的泰勒展开式进行二次曲线拟合，确定关键点对应的方向；通过尺度不变特征变换，确定关键点对应的关键点描述子；根据关键点、关键点方向以及关键点描述子，确定目标图片对应的目标特征向量。需要说明的是，高斯函数、二次曲线拟合等的具体运算过程，可以通过现有的方法或者技术实现，本技术实施例对此不作限定。
32.此外，本实施还可以通过第三方工具验证预设尺度不变特征变换算法的准确率。
33.作为示例地，系统还包括二次验证模块140；二次验证模块140包括标准图片单元、matlab校验单元；标准图片单元，用于存储植物名称对应的标准图片；matlab矫正单元，用于在确定采集图片对应的植物名称后，基于matlab软件以及植物名称，确定采集图片与标准图片之间的相似度；当相似度小于预设相似度阈值时，生成错误维护指令至维护终端。
34.除此之外，本发明实施例还提供了一种用于耕地监测的自动识别方法。如图1所示，其执行主体是服务器。本发明实施例提供的自动识别方法，主要包括以下步骤：
35.步骤210、将若干标记好植物名称的叶片图像作为训练样本；基于训练样本及预设神经网络算法，确定植物名称、叶片特征向量之间的对应关系，以更新预设的样本数据库。
36.其中，将若干标记好植物名称的叶片图像作为训练样本；基于训练样本及预设神经网络算法，确定植物名称、叶片特征向量之间的对应关系，以更新预设的样本数据库，可以具体为：获取若干标记好植物名称的原始图像；对原始图像进行灰度处理和图像分割，以获得叶片图像作为训练样本；导入训练样本至预设神经网络算法，以获得训练样本对应的叶片特征向量；将植物名称作为聚类中心，以通过邻近算法对所叶片特征向量进行聚类处理，去除无效的特征向量，以获得叶片特征向量与植物名称之间的对应关系；将叶片特征向量与植物名称之间的对应关系，更新至预设的样本数据库。
37.步骤220、获取预设采集设备上传的采集图片，基于最大类间方差算法，获得采集图片中植物叶片对应的目标图片。
38.步骤230、将目标图片导入预设尺度不变特征变换算法，获取目标图片对应的目标特征向量；进而基于目标特征向量以及样本数据库，确定采集图片对应的植物名称。
39.其中，将目标图片导入预设尺度不变特征变换算法，获取目标图片对应的目标特征向量，可以具体为：将目标图片导入尺度不变特征变换算法，以通过算法中预设的高斯函数获取目标图片中的关键点；确定计算关键点对应的直方图的高斯权重函数参数；确定直方图的泰勒展开式进行二次曲线拟合，确定关键点对应的方向；通过尺度不变特征变换，确定关键点对应的关键点描述子；根据关键点、关键点方向以及关键点描述子，确定目标图片对应的目标特征向量。
40.此外，本实施例还对可以通过第三方工具验证预设尺度不变特征变换算法的准确率。
41.作为示例地，存在预设校验数据库用于存储植物名称对应的标准图片；服务器在确定采集图片对应的植物名称后，基于matlab软件以及预设校验数据库，确定采集图片与标准图片之间的相似度；当相似度小于预设相似度阈值时，生成错误维护指令至维护终端。
42.至此，已经结合前文的多个实施例描述了本公开的技术方案，但是，本领域技术人
员容易理解的是，本公开的保护范围并不仅限于这些具体实施例。在不偏离本公开技术原理的前提下，本领域技术人员可以对上述各个实施例中的技术方案进行拆分和组合，也可以对相关技术特征作出等同的更改或替换，凡在本公开的技术构思和/或技术原理之内所做的任何更改、等同替换、改进等都将落入本公开的保护范围之内。