向日葵覆盖度获取方法、系统、装置及介质

1.本发明涉及图像处理技术领域，尤其涉及一种向日葵覆盖度获取方法、系统、装置及介质。


背景技术：

2.向日葵是一种广泛种植的花卉作物，具有多种生物学和生态学上的重要功能。向日葵是一种高效的光合作用植物，具有强大的抗旱、耐盐和耐酸能力，可以在不利环境下生长。其长时间的开花期不仅可以为多种昆虫和鸟类提供重要的花粉和食物来源，同时也能够成为美丽的园林和野外景观。此外，向日葵的种子含有高水平的蛋白质和油脂，以及丰富的矿物质和维生素，对于食品工业具有广泛的用途。
3.农作物的植被覆盖度是指农作物在土壤表面形成的覆盖纹理，是描述地表植被分布的重要指标。农作物覆盖度的获取和评估对于农业生产是非常重要的。农作物植被覆盖度反映了农作物生长状况和产量的变化。研究表明，植被覆盖度与作物的生长状况、产量、质量有着密切的关系。农作物的覆盖度与农作物的产量有很高的相关性，可以通过提取农作物的覆盖度来估计农作物的产量。因此，在农业中如何准确的获取到农作物的覆盖度成为一个急需解决的技术问题。
4.随着计算机技术的发展，图像分割技术在农业中存在广泛应用。现有技术中在获取向日葵覆盖度时，可以采用传统图像分割方法对农作物分割以获取覆盖度。然而，传统图像分割方法在进行向日葵覆盖度的获取时，无法准备地分割出向日葵的花盘，进而无法精确地获取到向日葵的覆盖度。


技术实现要素：

5.本发明的目的在于提供一种向日葵覆盖度获取方法、系统、装置及介质，旨在精确地获取向日葵的覆盖度。
6.为实现上述目的，第一方面，本发明提供一种向日葵覆盖度获取方法，所述向日葵覆盖度获取方法包括：
7.采集若干向日葵影像数据，并对其进行预处理，以生成用于模型训练的数据集；
8.基于所述数据集进行训练得到目标网络模型，其中，所述目标网络模型包括用于融合颜色特征的颜色融合模块以及用于对向日葵花盘的边缘进行分割的边缘增强模块；
9.在获取到待识别向日葵图片后，利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，并利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果；
10.基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度。
11.优选地，所述的利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，包括：
12.获取所述待识别向日葵图片对应的rgb图片特征以及由所述rgb图片特征计算得
到的植被指数图片特征；
13.将所述rgb图片特征以及植被指数图片特征进行融合处理得到融合特征。
14.优选地，所述的将所述rgb图片特征以及植被指数图片特征进行融合处理得到融合特征，具体包括：
15.设定x表示所述rgb图片特征，y表示植被指数图片特征；将特征y进行全局平均池化fgp，得到特征u，并通过两个全连接层ffc，得到特征s；
16.特征s通过softmax激活函数，给特征s的每一个通道获取一个指定区间的权重值，并将权重值与特征x进行点乘，得到融合之后的融合特征z，其计算公式为：
17.z＝x*softmax(ffc(ffc(fgp(y))))。
18.优选地，所述的利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果，具体包括：
19.设定x表示输入特征；将输入特征x分别经过全局最大池化fgmp和全局平均池化fgap得到两个特征a和b，将两个特征a和b进行逐像素相加，得到初步的融合特征c，并将特征c经过卷积得到特征d，将特征d经过激活函数激活，为每一个像素赋予权重值，最后将权重值与初始特征相乘，得到输出特征e，其计算公式为：
20.e＝x*(conv(fgap(x)+fgmp(x))。
21.优选地，所述的将所述rgb图片特征以及植被指数图片特征进行融合处理得到融合特征，具体包括：
22.将所述rgb图片特征经卷积后得到特征a1，所述植被指数图片特征经卷积后得到特征b1，将特征a1与特征b1进行第一次融合处理得到融合特征c1；特征c1经过下采样操作得到特征d1，将特征d1卷积后得到特征a2，并将特征b1经过下采样后得到特征e1，将特征e1卷积后得到特征b2，将特征a2与特征b2进行第二次融合处理得到融合特征c2；依此，在经过至少两次融合处理后得到多个融合特征，将最终获得的融合特征c4通过下采样和卷积后得到融合特征c5。
23.优选地，所述的利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果，具体包括：
24.利用所述边缘增强模块对融合特征c5进行空间关系计算后得到特征f1，将特征f1与特征c4进行通道叠加操作后得到特征g1，将特征g1卷积后得到特征c6；利用所述边缘增强模块对特征c6进行空间关系计算后得到特征f2，将特征f2与特征c3进行通道叠加操作后得到特征g2，将特征g2卷积后得到特征c7；依此，在经过至少连续两次所述边缘增强模块的操作后，得到特征c9，并将特征c9卷积后得到最终的输出结果。
25.优选地，所述的基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度，具体包括：
26.根据所述输出结果得到向日葵花盘的分割图片，对所述分割图片进行二值化处理，并计算向日葵花盘的像素占比，以获得向日葵的覆盖度。
27.第二方面，本发明提供一种向日葵覆盖度获取系统，所述向日葵覆盖度获取系统包括：
28.采集模块，用于采集若干向日葵影像数据，并对其进行预处理，以生成用于模型训练的数据集；
29.训练模块，用于基于所述数据集进行训练得到目标网络模型，其中，所述目标网络模型包括用于融合颜色特征的颜色融合模块以及用于对向日葵花盘的边缘进行分割的边缘增强模块；
30.计算模块，用于在获取到待识别向日葵图片后，利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，并利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果；
31.确定模块，用于基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度。
32.第三方面，本发明提供一种电子装置，所述电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的向日葵覆盖度获取方法的步骤。
33.第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有向日葵覆盖度获取系统，所述向日葵覆盖度获取系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述的向日葵覆盖度获取方法的步骤。
34.采用上述实施例的有益效果是：本技术通过采集的若干向日葵影像数据，训练生成基于深度学习的目标网络模型，其中，所述目标网络模型包括用于融合颜色特征的颜色融合模块以及用于对向日葵花盘的边缘进行分割的边缘增强模块；在获取到待识别向日葵图片后，利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，并利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果；基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度。由于能够利用训练好的目标网络模型对向日葵图片的颜色特征进行融合，并针对向日葵花盘的边缘进行特征增强分割，能够更加有效地将向日葵的花盘边缘部分分割出来，进而实现精确地获取向日葵的覆盖度。
附图说明
35.图1为本技术提供的向日葵覆盖度获取方法一实施例的方法流程图一；
36.图2为本技术提供的向日葵覆盖度获取方法一实施例中的方法流程图二；
37.图3为本技术提供的向日葵覆盖度获取方法一实施例中裁剪后的向日葵影像；
38.图4为本技术提供的向日葵覆盖度获取方法一实施例中unet-color-edge网络的结构图；
39.图5为本技术提供的向日葵覆盖度获取方法一实施例中unet-color模块的结构图；
40.图6为本技术提供的向日葵覆盖度获取方法一实施例中unet-edge模块的结构图；
41.图7为本技术提供的向日葵覆盖度获取方法一实施例中不同网络的分割效果对比图；
42.图8为本技术提供的向日葵覆盖度获取系统一实施例的原理框图；
43.图9为本技术提供的电子装置一实施例的原理框图。
具体实施方式
44.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
45.需要说明的是，在本发明中涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
46.本技术提供了一种向日葵覆盖度获取方法、系统、电子装置及存储介质，以下分别进行详细说明。
47.参照图1为本技术提供的向日葵覆盖度获取方法一种实施例的方法流程图，该方法，包括下述步骤：
48.s1、采集若干向日葵影像数据，并对其进行预处理，以生成用于模型训练的数据集；
49.s2、基于所述数据集进行训练得到目标网络模型，其中，所述目标网络模型包括用于融合颜色特征的颜色融合模块以及用于对向日葵花盘的边缘进行分割的边缘增强模块；
50.s3、在获取到待识别向日葵图片后，利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，并利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果；
51.s4、基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度。
52.本技术通过采集的若干向日葵影像数据，训练生成基于深度学习的目标网络模型，其中，所述目标网络模型包括用于融合颜色特征的颜色融合模块以及用于对向日葵花盘的边缘进行分割的边缘增强模块；在获取到待识别向日葵图片后，利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，并利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果；基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度。由于能够利用训练好的目标网络模型对向日葵图片的颜色特征进行融合，并针对向日葵花盘的边缘进行特征增强分割，能够更加有效地将向日葵的花盘边缘部分分割出来，进而实现精确地获取向日葵的覆盖度。
53.进一步的，在一些实施例中，所述的利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，包括：
54.获取所述待识别向日葵图片对应的rgb图片特征以及由所述rgb图片特征计算得到的植被指数图片特征；
55.将所述rgb图片特征以及植被指数图片特征进行融合处理得到融合特征。
56.在一些实施例中，所述的将所述rgb图片特征以及植被指数图片特征进行融合处理得到融合特征，具体包括：
57.设定x表示所述rgb图片特征，y表示植被指数图片特征；将特征y进行全局平均池
化fgp，得到特征u，并通过两个全连接层ffc，得到特征s；
58.特征s通过softmax激活函数，给特征s的每一个通道获取一个指定区间的权重值，并将权重值与特征x进行点乘，得到融合之后的融合特征z，其计算公式为：
59.z＝x*softmax(ffc(ffc(fgp(y))))。
60.在一些实施例中，所述的利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果，具体包括：
61.设定x表示输入特征；将输入特征x分别经过全局最大池化fgmp和全局平均池化fgap得到两个特征a和b，将两个特征a和b进行逐像素相加，得到初步的融合特征c，并将特征c经过卷积得到特征d，将特征d经过激活函数激活，为每一个像素赋予权重值，最后将权重值与初始特征相乘，得到输出特征e，其计算公式为：
62.e＝x*(conv(fgap(x)+fgmp(x))。
63.在一些实施例中，所述的将所述rgb图片特征以及植被指数图片特征进行融合处理得到融合特征，具体包括：
64.将所述rgb图片特征经卷积后得到特征a1，所述植被指数图片特征经卷积后得到特征b1，将特征a1与特征b1进行第一次融合处理得到融合特征c1；特征c1经过下采样操作得到特征d1，将特征d1卷积后得到特征a2，并将特征b1经过下采样后得到特征e1，将特征e1卷积后得到特征b2，将特征a2与特征b2进行第二次融合处理得到融合特征c2；依此，在经过至少两次融合处理后得到多个融合特征，将最终获得的融合特征c4通过下采样和卷积后得到融合特征c5。
65.在一些实施例中，所述的利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果，具体包括：
66.利用所述边缘增强模块对融合特征c5进行空间关系计算后得到特征f1，将特征f1与特征c4进行通道叠加操作后得到特征g1，将特征g1卷积后得到特征c6；利用所述边缘增强模块对特征c6进行空间关系计算后得到特征f2，将特征f2与特征c3进行通道叠加操作后得到特征g2，将特征g2卷积后得到特征c7；依此，在经过至少连续两次所述边缘增强模块的操作后，得到特征c9，并将特征c9卷积后得到最终的输出结果。
67.优选地，所述的基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度，具体包括：
68.根据所述输出结果得到向日葵花盘的分割图片，对所述分割图片进行二值化处理，并计算向日葵花盘的像素占比，以获得向日葵的覆盖度。
69.具体的，参照图2，在一种可选的实施方式中，本技术包括以下步骤：
70.步骤1：数据的获取。本技术中，在采集若干向日葵影像数据，并对其进行预处理，以生成用于模型训练的数据集时，可采集到的数据包括但不限于：数据1，数据采集使用的无人机型号为大疆精灵phantom 4pro v2.0，搭载相机为2
×
107像素，拍摄单张图像尺寸为5472
×
3648。采用自动规划航拍模式，航向重叠率和旁向重叠率设定为75％，飞行高度10m，以等距间隔方式进行拍照，飞行速度为1.9m/s，约10min完成研究区域数据采集。以及数据2，使用搜索引擎或者python爬虫在网上寻找向日葵花盘的数据集。
71.步骤2：数据集的构建。无人机采集到了不同花期不同品种的向日葵rgb影像数据。将获取到的数据进行预处理，以获取网络模型的训练数据。首先，将研究区域的无人机航拍
影像进行拼接，获取大田的正射影像；然后，利用图像处理软件将正射影像按照实际地面尺寸进行裁剪，获取具体到每一个小区的影像。
72.当获取到各小区的影像数据后，本技术使用标注工具labelme对图片中的向日葵花盘进行打标，然后将打标获得的json文件进行处理，转化为语义分割所需的mask图片。
73.考虑到获取的影像数据较少，可能不满足模型训练的特征提取，为了解决这个问题，本研究对标记好的原始小区图片进行裁剪，裁剪后的大小为512
×
512像素。裁剪后的图片如图3所示。随后，对裁剪后的图片进行数据增强，得到最终网络模型训练所需的数据集。
74.当获取到网络训练所需的数据样本后，本技术将数据集按8：1：1的比例分配为训练集、验证集和测试集。
75.步骤3：基于unet-color-edge网络的分割方法。本技术所使用的深度学习语义分割网络为unet-color-edge网络。网络为u型结构，如图4所示，网络大致分为两个部分，左边的编码器部分和右边的解码器部分。包括：
76.(1)融合颜色特征先验的unet-color模块。网络左边的编码器结构包含融合了颜色特征的unet-color模块，该模块的作用是两个不同的特征做融合。在本技术中，两个特征分别为rgb图片和由rgb图片计算得到的植被指数图片。在本技术中，该模块的具体操作如图5所示：
77.x表示由rgb图片得到的特征，y表示由植被指数图片获得的特征。假定x和y的大小为h
×w×
c，首先将y进行全局平均池化(fgp)，得到特征u，大小为1
×1×
c，然后通过两个全连接层ffc，得到特征s。特征s通过softmax激活函数，给特征s的每一个通道获取一个区间值为0～1的权重值。最后，将权重值与特征x进行点乘，得到融合之后的特征z，特征z与x、y的大小相同。具体公式为：
78.z＝x*softmax(ffc(ffc(fgp(y))))。
79.(2)边缘增强的unet-edge的网络模块。为了更好地对向日葵花盘的边缘进行分割，本技术提出了unet-edge模块，可以使网络更好地注意特征的空间关系，利用空间关系生成空间注意力图，具体操作如图6所示：
80.输入特征x的大小为h
×w×
c，将输入特征分别经过全局最大池化(fgmp)和全局平均池化(fgap)得到两个特征a和b，特征大小皆为h
×w×
1，然后将两个特征进行逐像素相加，得到初步的融合特征c，大小为h
×w×
2，将特征c经过一个单通道卷积得到特征d，大小为h
×w×
1，最后将d经过激活函数激活，为每一个像素赋予权重值，最后将权重值与初始特征相乘，得到输出特征e。具体的公式为：
81.e＝x*(conv(fgap(x)+fgmp(x))
82.(3)unet-color-edge的多模块融合策略。本技术提出了两个模块，分别为融合颜色特征的unet-color模块和边缘注意力的unet-edge模块。网络的具体融合策略如图4所示。
83.输入网络中的rgb图片大小为512
×
512
×
3，经过第一个卷积模块后得到特征a1，大小为512
×
512
×
64，第一个卷积模块包含两个3
×3×
64的卷积核和一个relu激活函数。为保证卷积前后图片大小相同，需对图片进行padding操作。
84.本技术通过计算rgb图片的植被指数获得单通道的植被指数图，然后将植被指数图复制三遍，获得三通道植被指数图，大小为512
×
512
×
3，然后送入网络中，经过第一个卷
积模块，获得大小为512
×
512
×
64的特征b1。将特征a1与特征b1送入第一个unet-color模块中，进行rgb图片与植被指数提供的颜色特征的第一次融合，获得输出特征c1，大小为512
×
512
×
64。
85.特征c1经过下采样操作得到特征d1，大小为256
×
256
×
64，将d1送入第二个卷积模块中，得到大小为256
×
256
×
128的特征a2，第二个卷积模块包含两个大小为3
×3×
128的卷积和一个relu激活函数。同理由植被指数获得的特征b1经过下采样后获得大小为256
×
256
×
64的特征e1，将e1通过第二个卷积模块后得到大小为256
×
256
×
128的特征b2，将特征a2与特征b2送入第二个unet-color模块中，进行rgb图片与植被指数提供的颜色特征的第二次融合，获得输出特征c2，大小为256
×
256
×
128。
86.以此类推，将两条分支进行四次融合，最终获得大小为64
×
64
×
512的特征c4，最后将c4通过下采样和第五个卷积模块，得到大小为32
×
32
×
512的特征c5。
87.以上为编码器部分操作，图4右边为解码器操作，具体如下：
88.特征c5经过第一个unet-edge模块后获得相同大小的特征f1，将f1与编码器的特征c4进行skip-connection操作，具体为通道叠加，获得大小为64
×
64
×
1024的特征g1，将g1通过第六个卷积模块获得大小为64
×
64
×
512的特征c6。
89.连续经过四次操作后，最终得到大小为512
×
512
×
64的特征c9，将c9最后通过1
×
1的卷积获得网络的输出结果。
90.步骤4：向日葵的覆盖度计算。将数据集送入改进后的网络中训练，得到训练好的模型。然后，使用该模型对向日葵图片进行预测输出，得到向日葵花盘的分割图片。对于获得的分割图片，进行二值化处理，并计算花的像素占比，以获得向日葵的覆盖度。
91.随着计算机技术的发展，图像分割技术在农业中存在广泛应用。目前已有多种分割方法应用于农作物的分割，可大致分为两类：传统图像分割方法和深度学习分割方法。基于传统学习的方法常见的有基于颜色、形状、纹理的方法。对于用遥感平台采集的花卉图像，颜色阈值和聚类方法被广泛采用。深度学习的分割方法主要是指使用经典语义分割网络对农作物进行分割，常用的语义分割网络有unet，deeplabv3+等经典网络。
92.与其它经典的语义分割方法相比，无论是从图像分割的质量，还是算法性能指标，本技术提出的unet-color-edge网络分割向日葵花盘的方法，都要具有明显优势，能够更加有效对花盘的边缘部分进行良好的分割。
93.进一步的，本技术发明人为了证明所提出网络的有效性，发明人将unet-color-edge网络与经典的语义分割网络unet、deeplabv3+做了分割效果的对比实验。
94.本技术将数据集分别送入unet、deeplabv3+网络中进行分割，并将分割结果与unet-color-edge网络的分割结果继续对比，具体的可视化结果如图7所示。参照图7，可以看出本发明提出的unet-color-egde的分割效果最佳，能够很好地将向日葵的花盘边缘分割出来。其次就是unet网络，能基本将向日葵花盘很好地分割。而在deepabv3+网络地分割图中，存在很多噪声点。
95.具体的分割精度对比如下表1所示：
[0096] miou(％)map(％)mrecall(％)mprecision(％)unet-color-edge90.493.993.495.4unet88.192.491.893.1
deeplabv3+85.491.790.890.7
[0097]
表1
[0098]
从表1中，可以看出本技术提出的unet-color-edge网络各项精度指标皆要明显高于unet、deeplabv3+这一类经典语义分割网络。因此，本技术相比于现有技术，能够更加精确地获取向日葵的覆盖度。
[0099]
本技术提出的基于颜色先验和边缘约束的向日葵花盘分割方法可以应用于以下方面：
[0100]
通过分割向日葵花盘，可以获取向日葵花盘的覆盖度，覆盖度可以与向日葵的花盘数量以及向日葵的产量做线性相关实验。通过计算相关性，可以获得通过向日葵花盘覆盖度估计向日葵花盘数量和向日葵产量的模型。
[0101]
在很多地区，存在着将向日葵与西葫芦这两种双生植物共同种植在同一块田地的情况，使用本技术提出的分割网络，可以很好地在种植两种共生植物的农田中有效地分割出向日葵的花盘，进而更加精确地获取向日葵的覆盖度。
[0102]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0103]
本实施例还提供一种向日葵覆盖度获取系统，该向日葵覆盖度获取系统与上述实施例中向日葵覆盖度获取方法一一对应。如图8所示，该向日葵覆盖度获取系统包括：
[0104]
采集模块20，用于采集若干向日葵影像数据，并对其进行预处理，以生成用于模型训练的数据集；
[0105]
训练模块21，用于基于所述数据集进行训练得到目标网络模型，其中，所述目标网络模型包括用于融合颜色特征的颜色融合模块以及用于对向日葵花盘的边缘进行分割的边缘增强模块；
[0106]
计算模块22，用于在获取到待识别向日葵图片后，利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，并利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果；
[0107]
确定模块23，用于基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度。
[0108]
关于向日葵覆盖度获取系统各个模块的具体限定可以参见上文中对于向日葵覆盖度获取方法的限定，在此不再赘述。上述向日葵覆盖度获取系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0109]
参照图9，是本发明向日葵覆盖度获取系统10较佳实施例的运行环境示意图。
[0110]
在本实施例中，所述的向日葵覆盖度获取系统10安装并运行于电子装置1中。该电子装置1是一种能够按照事先设定或者存储的指令，自动进行数值计算和/或信息处理的设备。所述电子装置1可以是计算机、也可以是单个网络服务器、多个网络服务器组成的服务器组或者基于云计算的由大量主机或者网络服务器构成的云，其中云计算是分布式计算的一种，由一群松散耦合的计算机集组成的一个超级虚拟计算机。(所述电子装置1可以是服
务器、智能手机、平板电脑、便携计算机、桌上型计算机等具有存储和运算功能的终端设备。在一个实施例中，当电子装置1为服务器时，该服务器可以是机架式服务器、刀片式服务器、塔式服务器或机柜式服务器等的一种或几种。)
[0111]
在本实施例中，电子装置1可包括，但不仅限于，可通过系统总线相互通信连接的存储器11、处理器12、网络接口13，存储器11存储有可在处理器12上运行的向日葵覆盖度获取系统10。需要指出的是，图1仅示出了具有组件11-13的电子装置1，但是应当理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
[0112]
其中，存储器11包括内存及至少一种类型的可读存储介质。内存为电子装置1的运行提供缓存；可读存储介质可为如闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等的非易失性存储介质。在一些实施例中，可读存储介质可以是电子装置1的内部存储单元，例如该电子装置1的硬盘；在另一些实施例中，该非易失性存储介质也可以是电子装置1的外部存储设备，例如电子装置1上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。本实施例中，存储器11的可读存储介质通常用于存储安装于电子装置1的操作系统和各类应用软件，例如存储本发明一实施例中的向日葵覆盖度获取系统10等。此外，存储器11还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0113]
所述处理器12在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器12通常用于控制所述电子装置1的总体操作，例如执行与所述其他设备进行数据交互或者通信相关的控制和处理等。本实施例中，所述处理器12用于运行所述存储器11中存储的程序代码或者处理数据，例如向日葵覆盖度获取系统10等。
[0114]
所述网络接口13可包括无线网络接口或有线网络接口，该网络接口13通常用于在所述电子装置1与其他电子设备之间建立通信连接。
[0115]
向日葵覆盖度获取系统10包括至少一个存储在所述存储器11中的计算机可读指令，该至少一个计算机可读指令可被所述处理器12执行，以实现本技术各实施例。
[0116]
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有向日葵覆盖度获取系统，所述向日葵覆盖度获取系统可被至少一个处理器执行，以使所述至少一个处理器执行如上述实施例中的各个步骤。
[0117]
本发明计算机可读存储介质具体实施方式与上述电子装置1和方法各实施例基本相同，在此不再赘述。
[0118]
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0119]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件来实现，但很多
情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0120]
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。另外，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0121]
本领域技术人员不脱离本发明的范围和实质，可以有多种变型方案实现本发明，比如作为一个实施例的特征可用于另一实施例而得到又一实施例。凡在运用本发明的技术构思之内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

技术特征：
1.一种向日葵覆盖度获取方法，其特征在于，所述向日葵覆盖度获取方法包括：采集若干向日葵影像数据，并对其进行预处理，以生成用于模型训练的数据集；基于所述数据集进行训练得到目标网络模型，其中，所述目标网络模型包括用于融合颜色特征的颜色融合模块以及用于对向日葵花盘的边缘进行分割的边缘增强模块；在获取到待识别向日葵图片后，利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，并利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果；基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度。2.如权利要求1所述的向日葵覆盖度获取方法，其特征在于，所述的利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，包括：获取所述待识别向日葵图片对应的rgb图片特征以及由所述rgb图片特征计算得到的植被指数图片特征；将所述rgb图片特征以及植被指数图片特征进行融合处理得到融合特征。3.如权利要求2所述的向日葵覆盖度获取方法，其特征在于，所述的将所述rgb图片特征以及植被指数图片特征进行融合处理得到融合特征，具体包括：设定x表示所述rgb图片特征，y表示植被指数图片特征；将特征y进行全局平均池化fgp，得到特征u，并通过两个全连接层ffc，得到特征s；特征s通过softmax激活函数，给特征s的每一个通道获取一个指定区间的权重值，并将权重值与特征x进行点乘，得到融合之后的融合特征z，其计算公式为：z＝x*softmax(ffc(ffc(fgp(y))))。4.如权利要求2所述的向日葵覆盖度获取方法，其特征在于，所述的利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果，具体包括：设定x表示输入特征；将输入特征x分别经过全局最大池化fgmp和全局平均池化fgap得到两个特征a和b，将两个特征a和b进行逐像素相加，得到初步的融合特征c，并将特征c经过卷积得到特征d，将特征d经过激活函数激活，为每一个像素赋予权重值，最后将权重值与初始特征相乘，得到输出特征e，其计算公式为：e＝x*(conv(fgap(x)+fgmp(x))。5.如权利要求3或4所述的向日葵覆盖度获取方法，其特征在于，所述的将所述rgb图片特征以及植被指数图片特征进行融合处理得到融合特征，具体包括：将所述rgb图片特征经卷积后得到特征a1，所述植被指数图片特征经卷积后得到特征b1，将特征a1与特征b1进行第一次融合处理得到融合特征c1；特征c1经过下采样操作得到特征d1，将特征d1卷积后得到特征a2，并将特征b1经过下采样后得到特征e1，将特征e1卷积后得到特征b2，将特征a2与特征b2进行第二次融合处理得到融合特征c2；依此，在经过至少两次融合处理后得到多个融合特征，将最终获得的融合特征c4通过下采样和卷积后得到融合特征c5。6.如权利要求5所述的向日葵覆盖度获取方法，其特征在于，所述的利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果，具体包括：利用所述边缘增强模块对融合特征c5进行空间关系计算后得到特征f1，将特征f1与特征c4进行通道叠加操作后得到特征g1，将特征g1卷积后得到特征c6；利用所述边缘增强模
块对特征c6进行空间关系计算后得到特征f2，将特征f2与特征c3进行通道叠加操作后得到特征g2，将特征g2卷积后得到特征c7；依此，在经过至少连续两次所述边缘增强模块的操作后，得到特征c9，并将特征c9卷积后得到最终的输出结果。7.如权利要求1至4中任一项所述的向日葵覆盖度获取方法，其特征在于，所述的基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度，具体包括：根据所述输出结果得到向日葵花盘的分割图片，对所述分割图片进行二值化处理，并计算向日葵花盘的像素占比，以获得向日葵的覆盖度。8.一种向日葵覆盖度获取系统，其特征在于，所述向日葵覆盖度获取系统包括：采集模块，用于采集若干向日葵影像数据，并对其进行预处理，以生成用于模型训练的数据集；训练模块，用于基于所述数据集进行训练得到目标网络模型，其中，所述目标网络模型包括用于融合颜色特征的颜色融合模块以及用于对向日葵花盘的边缘进行分割的边缘增强模块；计算模块，用于在获取到待识别向日葵图片后，利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，并利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果；确定模块，用于基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度。9.一种电子装置，其特征在于，所述电子装置包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的向日葵覆盖度获取方法的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的向日葵覆盖度获取方法的步骤。

技术总结
本发明涉及一种向日葵覆盖度获取方法、系统、装置及介质，该方法包括：采集若干向日葵影像数据，并对其进行预处理，以生成用于模型训练的数据集；基于所述数据集进行训练得到目标网络模型，其中，所述目标网络模型包括用于融合颜色特征的颜色融合模块以及用于对向日葵花盘的边缘进行分割的边缘增强模块；在获取到待识别向日葵图片后，利用所述颜色融合模块对所述待识别向日葵图片进行颜色特征融合处理得到融合特征，并利用所述边缘增强模块对所述融合特征的空间关系进行计算，得到输出结果；基于所述输出结果确定所述待识别向日葵图片所对应的向日葵覆盖度。本发明能够实现精确地获取向日葵的覆盖度。获取向日葵的覆盖度。获取向日葵的覆盖度。


技术研发人员：李婕 高澄 刘钊 李青清 秦涛 陈纪文 李焕文 杨子豪 张新月
受保护的技术使用者：湖北工业大学
技术研发日：2023.06.19
技术公布日：2023/9/20