首页分享一种基于图像识别的疏花疏果方法及设备与流程

一种基于图像识别的疏花疏果方法及设备与流程

来源：花匠小妙招时间：2025-01-02 21:14

1.本技术涉及疏花疏果技术领域，尤其涉及一种基于图像识别的疏花疏果方法及设备。

背景技术：

2.果树栽培过程中，果实的优劣主要取决于果树的营养水平以及果园管理水平。果树能够有优质的果实及较高的座果率，疏花疏果起到关键作用。疏花疏果是调节树体养分平衡的关键措施，合理的花果量有利于提高果品的产量和质量。疏花疏果能够避免50％以上的养分浪费，合理疏花疏果节约的养分将集中供给未疏落的花和幼果，使花果营养充足，实现更高的经济效益。
3.目前，疏花疏果主要依靠人工进行，由于疏花疏果的季节性强、劳动强度大，仅靠人工疏花疏果，效率低，而且用工高峰期易出现用工荒的现象，使得大型果树栽培基地往往错过最佳的疏花疏果时间。
4.此外，随着经济社会的发展，大批无经验者也开始利用闲地，种植果树，这些人在欠缺种植经验的情况下，更易错过或忽视疏花疏果。
5.因此，通过人工进行管理果树、疏果疏果，作业效率低、作业时间长，同时劳动强度大、浪费人力资源，人工疏花疏果还可能影响种植者种植收益。

技术实现要素：

6.基于此，本技术实施例提供了一种基于图像识别的疏花疏果方法及设备，用于提高疏花疏果的作业效率，减少作业时间，减少人力成本，提高种植者收益。
7.一方面，本技术实施例提供了一种基于图像识别的疏花疏果方法，该方法包括：
8.获取图像采集设备采集的待处理果树的第一图像。基于第一图像，确定待处理果树的果树类型。根据果树类型，确定果树类型匹配的疏花疏果模型。基于疏花疏果模型，确定待处理果树对应的若干待处理目标信息及各待处理目标的属性值。其中，待处理目标至少包括花芽图像、幼果图像。属性值表征待处理目标的处理后的座果率。将第一图像、各待处理目标的第二图像及各待处理目标的属性值发送至预设的专家种植模型，以确定待处理目标的处理风险值。其中，第二图像为图像采集设备采集的待处理目标的图像。处理风险值表征处理待处理目标对座果率的影响程度。基于各待处理目标的属性值及相应的处理风险值，确定处理目标，以使图像采集设备相应的疏花疏果管理终端，根据处理目标，对待处理果树疏花疏果。
9.在本技术实施例中，将第一图像输入疏花疏果模型，以确定待处理果树对应的若干待处理目标信息。分别获取各待处理目标的第二图像。其中，第二图像至少包括待处理目标的两个不同拍摄角度的子图像。根据各第二图像及第一图像，通过疏花疏果模型，分别确定各待处理目标的第一权重。其中，第一权重为待处理目标所在枝条的养分含量预测比重。以及根据各第二图像、第一图像及预设位置对照表，分别确定各待处理目标的第二权重，其
中，第二权重为待处理目标在所在枝条上的生长位置比重。根据第一权重及第二权重，确定待处理目标的第三权重。第三权重用于表征处理待处理目标的处理权重。基于第三权重及待处理果树的若干历史座果率，确定待处理目标的属性值。
10.在本技术实施例中，根据第一图像，确定待处理果树是否存在历史座果记录。在确定待处理果树存在历史座果记录的情况下，根据历史座果记录，确定待处理果树的若干历史座果率。否则，将第一图像与预设果树样本库比对，以根据比对结果，确定相应的果树样本的若干历史座果率为待处理果树的若干历史座果率。
11.在本技术实施例中，确定各历史座果率相应的若干座果目标。其中，座果目标至少花芽、幼果。将各待处理目标与各座果目标匹配。匹配至少包括：所在枝条的养分含量预测比重匹配、在所在枝条上的生长位置比重匹配。在待处理目标的第二图像与座果目标图像的匹配程度大于第一预设阈值的情况下，将第三权重作为座果目标的座果权重。根据各座果权重及相应的历史座果率，更新历史座果率。确定更新后的历史座果率是否处于预设座果率区间。在确定更新后的历史座果率处于预设座果率区间的情况下，将更新后的历史座果率作为待处理目标的属性值。否则，确定待处理目标的属性值为预设值。预设值为零。
12.在本技术实施例中，通过图像采集设备实时采集的图像及图像采集设备的当前位置坐标，确定当前位置与待处理果树的欧式距离。在欧式距离处于预设距离区间的情况下，生成图像采集指令，并发送至图像采集设备，以使图像采集设备采集待定第一图像。通过滑动窗口算法，确定待定第一图像中，待处理果树的轮廓图像。在轮廓图像中，设置扫描曲线，并按照预设方向、预设步长移动扫描曲线，直至在轮廓图像的边缘，扫描曲线上的像素值大于第二预设阈值且像素值与扫描曲线在前一位置上的像素值的差值小于第三预设阈值，确定待定第一图像为未包括待处理果树的果树轮廓。在确定待定第一图像为未包括待处理果树的果树轮廓的情况下，生成移动指令，并发送至疏花疏果管理终端，以使当前位置与待处理果树的欧式距离增加预设距离值，并使图像采集设备采集待定第一图像，直至待定第一图像相应的轮廓图像包括待处理果树的果树轮廓。将包括待处理果树的果树轮廓的待定第一图像，作为第一图像。
13.在本技术实施例中，将第一图像及各第二图像发送至专家种植模型，以获取各待处理目标的比对属性值。确定属性值与比对属性值是否满足预设条件。其中，预设条件为属性值在比对属性值的预设邻域内。在属性值与比对属性值不满足预设条件的情况下，确定属性值与比对属性值的差值倒数，为处理风险值。
14.在本技术实施例中，在属性值与比对属性值满足预设条件的情况下，确定处理风险值为1。在属性值与比对属性值不满足预设条件的情况下，将比对属性值作为模型训练标签，更新疏花疏果模型。
15.在本技术实施例中，将第一图像进行二值化处理，并提取第一图像中的花序特征、幼果特征。将花序特征、幼果特征与预设图像库中的各类型比对图像进行特征比对。确定特征比对的余弦相似度最高的类型对比图像的果树类型，为待处理果树的果树类型。
16.在本技术实施例中，计算属性值与处理风险值的乘积绝对值。确定小于第四预设阈值的乘积绝对值对应的待处理目标，为处理目标。
17.另一方面，本技术实施例还提供了一种基于图像识别的疏花疏果设备，该设备包括：
18.至少一个处理器；以及，与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
19.获取图像采集设备采集的待处理果树的第一图像。基于第一图像，确定待处理果树的果树类型。根据果树类型，确定果树类型匹配的疏花疏果模型。基于疏花疏果模型，确定待处理果树对应的若干待处理目标信息及各待处理目标的属性值。其中，待处理目标至少包括花芽图像、幼果图像。属性值表征待处理目标的处理后的座果率。将第一图像、各待处理目标的第二图像及各待处理目标的属性值发送至预设的专家种植模型，以确定待处理目标的处理风险值。其中，第二图像为图像采集设备采集的待处理目标的图像。处理风险值表征处理待处理目标对座果率的影响程度。基于各待处理目标的属性值及相应的处理风险值，确定处理目标，以使图像采集设备相应的疏花疏果管理终端，根据处理目标，对待处理果树疏花疏果。
20.通过上述方案，本技术能够利用采集的果树的第一图像，判定果树类型，并能够通过该果树类型对应的疏花疏果模型，进行确定该果树上的待处理目标(待处理的花芽和/或幼果)。并得到该花芽或幼果的属性值，该属性值为处理该目标后，果树的预测座果率。然后通过专家种植模型，得到用于表征果树的待处理目标被处理后，对座果率影响程度的处理风险值，根据该处理风险值及属性值，能够进行确定各个待处理目标是否能够为处理目标，进而通过疏花疏果管理终端，进行处理处理目标，进行果树疏花疏果。上述方案能够通过管理终端进行疏花疏果，解放人力，减少人力成本，加快疏花疏果的作业时间，从而提高种植者的收益。
附图说明
21.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
22.图1为本技术实施例中一种基于图像识别的疏花疏果方法的一种流程示意图；
23.图2为本技术实施例中一种基于图像识别的疏花疏果方法的一种流程示意图；
24.图3为本技术实施例中一种基于图像识别的疏花疏果设备的结构示意图。
具体实施方式
25.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
26.对于果树栽培人员，果树疏花疏果是耗费体力及财力的工作，若只依靠人工进行疏果疏果，在此劳动力短缺的时期，人力成本高，且易延误农时。
27.基于此，本技术实施例提供了一种基于图像识别的疏花疏果方法及设备，用来提高疏花疏果的作业效率，减少作业时间，减少人力成本，提高种植者收益。
28.本技术实施例所提供的一种基于图像识别的疏花疏果方法对应的系统，包括：中央控制器、图像采集设备、疏花疏果装置(疏花疏果管理终端，可以为携带照明系统的疏花
疏果的修剪机器人)。图像采集设备可以采集上下、左右合理范围内的果树枝条、花果位置、相对大小等信息，并将信息传输至中央控制器。中央控制器能够根据图像采集设备采集的信息，并结合疏花疏果经验策略，生成疏除花果的策略，然后通过疏果花果装置进行疏除执行操作。此外，中央控制器能够在发现图像信息中，存在病虫等异常花序、异常幼果时，记录异常，并将异常数据发送给园区管理员的终端设备。上述上下、左右合理范围可以根据管理者进行设定，例如：栽培间距为1米，株高3米，则设定上下50cm-300cm、左右分别50cm的范围。
29.疏花经验策略：疏花工作于花序分离期开始，一次完成；疏除每束花的边花，保留中心花；疏果经验策略：根据品种、坐果情况、树势、立地条件、肥水条件，确定亩留果量。大果型品种(如富士)20～25厘米留一个果；中、小果型品种(如嘎啦)15～20厘米留一个果。树势强则多留，树势弱则少留。(1)每隔20-25厘米留1个果，多余的果全部疏除，(2)优先除去腋花和顶头花，多留短枝花，(3)优先疏除畸形果、病虫果和伤残果。
30.所述异常数据，指的是图像采集器采集的图像，经过中央处理器识别为病虫、不完整花序或幼果时，不进行修剪，记录一次异常，园区管理者可以参考异常数据的分布、数量酌情应对园区的植保、异常天气等。本技术的果树可以是梨树、桃树、苹果树。
31.以下结合附图，详细说明本技术的各个实施例。
32.本技术实施例提供了一种基于图像识别的疏花疏果方法，该方法的执行主体为中央控制器，如图1所示，该方法可以包括步骤s101-s106：
33.s101，中央控制器获取图像采集设备采集的待处理果树的第一图像。
34.在本技术实施例中，待处理果树可以是种植园区内的任意果树、也可以是用户指定的果树，本技术对此不作具体限定。中央控制器获取图像采集设备采集的待处理果树的第一图像，如图2所示，具体包括以下步骤：
35.s201，中央控制器通过图像采集设备实时采集的图像及图像采集设备的当前位置坐标，确定当前位置与待处理果树的欧式距离。
36.图像采集设备可以将实时采集到的图像及图像采集设备的当前位置坐标发送到中央控制器，且图像采集设备可以计算得到与待处理果树的枝条之间的距离。中央控制器根据当前位置坐标也可以计算得到当前位置坐标与待处理果树的欧式距离。欧式距离计算公式如下：
[0037][0038]
其中，d为当前位置坐标与待处理果树的欧式距离，(x1，y1)为待处理果树所处的位置坐标，(x2，y2)为当前位置坐标。
[0039]
s202，中央控制器在欧式距离处于预设距离区间的情况下，生成图像采集指令，并发送至图像采集设备，以使图像采集设备采集待定第一图像。
[0040]
中央控制器可以进行距离判断，判断欧式距离是否处于预设距离区间，例如预设距离区间为(20cm，30cm)(cm为厘米)；若在该预设距离区间，可以向图像采集设备发送拍摄指令，以采集待定第一图像。
[0041]
在本技术的一些实施例中，图像采集设备可以进行判断与枝条之间的距离，在图像采集设备判断与枝条之间的距离处于预设距离区间的情况下，也可以进行采集待定第一图像。
[0042]
s203，中央控制器通过滑动窗口算法，确定待定第一图像中，待处理果树的轮廓图像。
[0043]
中央控制器可以通过滑动窗口算法，确定在待定第一图像中，待处理果树的轮廓图像。轮廓图像可以是二值化图像，待处理果树的轮廓为白色，背景为黑色。
[0044]
s204，中央控制器在轮廓图像中，设置扫描曲线，并按照预设方向、预设步长移动扫描曲线，直至在轮廓图像的边缘，扫描曲线上的像素值大于第二预设阈值且像素值与扫描曲线在前一位置上的像素值的差值小于第三预设阈值，确定待定第一图像为未包括待处理果树的果树轮廓。
[0045]
轮廓图像中的扫描曲线，可以从轮廓图像的底部开始，沿待处理果树的生长方向依次进行扫描，并且，在依次往上部进行扫描过程中，扫描曲线的长度将随待处理果树的粗细进行等比例缩短。在扫描待处理果树过程中，存在同一水平线上，多根枝条的情况下，扫描曲线将分割为与枝条树木相同的扫描曲线，并沿枝条生长方向进行扫描。若一枝条的末端未达到轮廓图像的边缘就结束(像素值为0)，那么该枝条为在轮廓图像中的完整枝条；若在轮廓图像的边缘，枝条对应的扫描曲线上的像素值仍大于第二预设阈值，且该像素值与扫描曲线在前一位置上的像素值的差值小于第三预设阈值，则确定该待定第一图像没有包括待处理果树完整的果树轮廓。
[0046]
在实际使用过程中，第二预设阈值及第三预设阈值的具体取值，可以根据实际使用过程进行设定，第二预设阈值的设定可以保证能够结果的枝条能够包括在待定第一图像中，例如像素值小于第二预设阈值的枝条，不能够结花结果。第三预设阈值的设定，可以保证枝条为同一待处理果树的枝条或不被背景噪声所影响。
[0047]
s205，中央控制器在确定待定第一图像为未包括待处理果树的果树轮廓的情况下，生成移动指令，并发送至疏花疏果管理终端，以使当前位置与待处理果树的欧式距离增加预设距离值，并使图像采集设备采集待定第一图像，直至待定第一图像相应的轮廓图像包括待处理果树的果树轮廓。
[0048]
中央控制器根据上述判定结果，在确定待定第一图像中，未包括所有的果树轮廓的情况下，中央控制器可以生成控制进行移动的指令，由疏花疏果管理终端进行移动，增加欧式距离。每次增加的预设距离值可以是固定值，也可以人为设定的距离值，满足条件自动调节不同距离值。并在增加距离值以后，重新进行采集待定第一图像，判断其是否包含所有轮廓。
[0049]
s206，中央控制器将包括待处理果树的果树轮廓的待定第一图像，作为第一图像。
[0050]
通过上述方案，本技术能够保证得到合适的第一图像，保证果树轮廓都在第一图像中，避免在进行疏花疏果操作时，产生误判，或影响疏花疏果策略的正常进行。
[0051]
s102，中央控制器基于第一图像，确定待处理果树的果树类型。
[0052]
在本技术实施例中，中央控制器确定待处理果树的果树类型，具体包括：
[0053]
首先，中央控制器将第一图像进行二值化处理，并提取第一图像中的花序特征、幼果特征。
[0054]
中央控制器可以将第一图像进行二值化处理，二值化处理后的第一图像，果树的图像为白色，背景为黑色。中央控制器从二值化处理后的第一图像中，获取花序特征和幼果特征，提取特征可以通过神经网络模型进行实现。
[0055]
接着，中央控制器将花序特征、幼果特征与预设图像库中的各类型比对图像进行特征比对。
[0056]
在得到花序特征或幼果特征之后，中央控制器将其与预设的图像库中的各类型比对图像进行特征比对。预设图像库中存储有若干的果树类型的花序特征、幼果特征的图像，通过花序特征、幼果特征的比对，可以确定第一图像对应的果树类型。
[0057]
随后，中央控制器确定特征比对的余弦相似度最高的类型对比图像的果树类型，为待处理果树的果树类型。
[0058]
中央控制器可以计算特征比对过程中，花序特征、幼果特征对应的余弦相似度最高的类型比对图像，为果树类型。其中，待处理果树存在有花序、无幼果的情况，在无幼果时，中央控制器将花序特征与预设图像库中的各类型比对图像进行计算余弦相似度，得到的最高的余弦相似度的类型比对图像的果树类型，为待处理果树的果树类型。
[0059]
在待处理果树存在花序和幼果的情况下，中央控制器分别将花序特征与幼果特征与各类型比对图像进行特征比对，计算余弦相似度，确定二者得到的余弦相似度最高的类型比对图像的果树类型是否为同一果树类型。若是，将该果树类型确定为待处理果树的果树类型；若不是，将第一图像发送给用户终端(如手机、电脑等)，获取用户终端选取的果树类型。
[0060]
s103，中央控制器根据果树类型，确定果树类型匹配的疏花疏果模型。
[0061]
在本技术实施例中，中央控制器在得到果树类型之后，可以根据果树类型进行确定疏花疏果模型，该疏花疏果模型可以预设于中央控制器，也可以是中央控制器向一服务器发送果树类型，由服务器发送该果树类型的疏花疏果模型至中央控制器。本技术对于疏花疏果模型具体获取方式，不作具体限定。
[0062]
s104，中央控制器基于疏花疏果模型，确定待处理果树对应的若干待处理目标信息及各待处理目标的属性值。
[0063]
其中，待处理目标信息至少包括花芽图像、幼果图像。属性值表征待处理目标的处理后的座果率。
[0064]
在本技术实施例中，中央控制器基于疏花疏果模型，确定待处理果树对应的若干待处理目标及各待处理目标的属性值，具体包括：
[0065]
首先，中央控制器将第一图像输入疏花疏果模型，以确定待处理果树对应的若干待处理目标信息。
[0066]
换言之，疏花疏果模型能够在第一图像中进行确定待处理目标，待处理目标可以是花芽与幼果。即，疏花疏果模型可以在待处理果树的完整图像中，确定花芽或幼果所在第一图像中的位置，并能够识别它们。该待处理目标的输出为在未输入第二图像的情况下，疏花疏果模型的输出结果。
[0067]
接着，中央控制器分别获取各待处理目标的第二图像。
[0068]
其中，第二图像至少包括待处理目标的两个不同拍摄角度的子图像。
[0069]
可以在待处理目标之前，或者之后，确定第二图像。换言之，在确定待处理目标之前，图像采集设备可以实时采集若干待处理果树的图像，中央控制器可以从该若干图像中，筛选同一待处理目标的两个不同拍摄角度的图像为第二图像；在确定待处理目标之后，中央控制器可以控制图像采集设备采集待处理目标的两个不同拍摄角度的图像，并将该图像
作为第二图像。
[0070]
随后，中央控制器根据各第二图像及第一图像，通过疏花疏果模型，分别确定各待处理目标的第一权重。以及中央控制器根据各第二图像、第一图像及预设位置对照表，分别确定各待处理目标的第二权重。
[0071]
其中，第一权重为待处理目标所在枝条的养分含量预测比重。第二权重为待处理目标在所在枝条上的生长位置比重。
[0072]
中央控制器可以将各第二图像，输入疏花疏果模型，疏花疏果模型通过第一图像以及各第二图像，得到各个待处理目标的第一权重。疏花疏果模型为预先训练的图像识别神经网络模型，训练样本为若干果树图像以及果树枝条对应的养分含量比重标签。
[0073]
中央控制器还能够根据各第二图像的待处理目标，处于第一图像的待处理果树的位置以及预设位置对照表，确定待处理目标的位置对应的待处理目标生长位置比重，将该生长位置比重作为第二权重。
[0074]
随后，中央控制器根据第一权重及第二权重，确定待处理目标的第三权重。第三权重用于表征处理待处理目标的处理权重。
[0075]
中央控制器得到第一权重及第二权重之后，可以将第一权重与第二权重进行相乘，例如第一权重为a，第二权重为b，第三权重为a*b，第一权重与第二权重均不大于1。
[0076]
然后，中央控制器基于第三权重及待处理果树的若干历史座果率，确定待处理目标的属性值。
[0077]
在本技术实施例中，中央控制器基于第三权重及待处理果树的历史座果率，确定待处理目标的属性值之前，还包括：
[0078]
中央控制器根据第一图像，确定待处理果树是否存在历史座果记录。
[0079]
中央控制器可以识别第一图像后，在预设数据库中确定该第一图像是否存在历史座果记录，即过去结果时的记录，例如果树a在去年有座果记录，通过果树a的第一图像，中央控制器可以在预设数据库中查询到去年果树a的座果记录。
[0080]
在确定待处理果树存在历史座果记录的情况下，中央控制器根据历史座果记录，确定待处理果树的若干历史座果率。
[0081]
中央控制器可以在查询到历史座果记录的情况下，中央控制器可以根据该历史座果记录，得到待处理果树的历史座果率。例如得到过去三年的座果率为：t1、t2、t3。在实际的果树养殖过程中，单棵树的历史坐果率可能是没有记录的，上一年的坐果情况参考性不大，那该历史座果率可以是通过果树林中的亩均产量以及果树数量，求取平均每棵树的座果率得到。
[0082]
否则，中央控制器将第一图像与预设果树样本库比对，以根据比对结果，确定相应的果树样本的若干历史座果率为待处理果树的若干历史座果率。
[0083]
也就是说，在中央控制器没有查询到第一图像对应的历史座果记录的情况下，中央控制器将会把第一图像与预设果树样本库进行比对，预设果树样本库存有若干果树的图像及该果树对应的历史座果率，通过比对结果，将匹配的果树图像的历史座果率作为待处理果树的历史座果率。
[0084]
比对是将待处理果树与预设果树样本库中的果树的外形、枝条粗细、枝条数量、生长高度、树干粗细、待处理目标位置及数量进行比对。通过比对结果能够更好地进行预测待
处理果树的历史座果率。
[0085]
在本技术实施例中，中央控制器基于第三权重及待处理果树的若干历史座果率，确定待处理目标的属性值，具体包括：
[0086]
首先，中央控制器确定各历史座果率相应的若干座果目标。
[0087]
其中，座果目标至少花芽、幼果。
[0088]
中央控制器可以在得到历史座果率后，确定各历史座果率的果树图像，以及该果树图像上的花芽、幼果。
[0089]
其次，中央控制器将各待处理目标与各座果目标匹配。
[0090]
匹配至少包括：所在枝条的养分含量预测比重匹配、在所在枝条上的生长位置比重匹配。
[0091]
中央处理器可以将待处理目标与上述花芽、幼果进行匹配，匹配即进行图像特征比对匹配。
[0092]
再次，中央控制器在待处理目标的第二图像与座果目标图像的匹配程度大于第一预设阈值的情况下，将第三权重作为座果目标的座果权重。
[0093]
将第二图像与座果目标图像进行匹配，匹配可以是计算两个图像的像素余弦相似度，在余弦相似度大于第一预设阈值时，便把待处理目标的第三权重赋给该待处理目标匹配的座果目标，作为其座果权重。
[0094]
接着，中央控制器根据各座果权重及相应的历史座果率，更新历史座果率。
[0095]
中央控制器可以将各座果目标的座果权重，与各座果目标对应的果树的历史座果率进行乘积运算，例如果树上有座果目标3个，历史座果率为m，各座果目标对应的座果权重为x1，x2，x3，那么更新的历史座果率为
[0096]
x1*m+x2*m+x3*m。
[0097]
再接着，中央控制器确定更新后的历史座果率是否处于预设座果率区间。
[0098]
预设座果率区间可以用户进行自行设定，也可以是通过网络获取养殖专家提供的座果率区间，该座果率区间包含果树的最佳座果率。
[0099]
在中央控制器确定更新后的历史座果率处于预设座果率区间的情况下，将更新后的历史座果率作为待处理目标的属性值。
[0100]
否则，确定待处理目标的属性值为预设值。预设值为零。
[0101]
在中央控制器确定更新后的历史座果率不处于预设座果率区间的情况下，那么将该待处理目标的属性值设置为0。
[0102]
s105，中央控制器将第一图像、各待处理目标的第二图像及各待处理目标的属性值发送至预设的专家种植模型，以确定待处理目标的处理风险值。
[0103]
其中，第二图像为图像采集设备采集的待处理目标的图像。处理风险值表征处理待处理目标对座果率的影响程度。
[0104]
在本技术实施例中，中央控制器将第一图像、各待处理目标的第二图像及各待处理目标的属性值发送至预设的专家种植模型，以确定待处理目标的处理风险值，具体包括：
[0105]
首先，中央控制器将第一图像及各第二图像发送至专家种植模型，以获取各待处理目标的比对属性值。
[0106]
专家种植模型为通过专家的养殖数据及养殖果树图像，进行训练的图像识别模
型，能够输出图像对应的比对属性值。该比对属性值对应于果树的座果率。
[0107]
然后，中央控制器确定属性值与比对属性值是否满足预设条件。其中，预设条件为属性值在比对属性值的预设邻域内。
[0108]
预设邻域可以用户进行自行设定，在此不作具体限定。
[0109]
中央控制器在属性值与比对属性值不满足预设条件的情况下，确定属性值与比对属性值的差值倒数，为处理风险值。
[0110]
例如属性值为q，比对属性值为p，处理风险值为1/(q-p)。比对属性值为根据专家的养殖数据得到的，属性值为根据历史的座果目标得到的。通过比对可以确定得到属性值是否准确，从而在后续疏花疏果时，依靠准确的疏花疏果模型进行疏花疏果操作，无需依靠专家种植模型的数据。
[0111]
在本技术的一些实施例中，还包括：
[0112]
在属性值与比对属性值满足预设条件的情况下，中央控制器确定处理风险值为1。
[0113]
在属性值与比对属性值不满足预设条件的情况下，中央控制器将比对属性值作为模型训练标签，更新疏花疏果模型。
[0114]
更新疏花疏果模型，能够在后续进行待处理目标确定属性值时，更加精确。
[0115]
s106，中央控制器基于各待处理目标的属性值及相应的处理风险值，确定处理目标，以使图像采集设备相应的疏花疏果管理终端，根据处理目标，对待处理果树疏花疏果。
[0116]
在本技术实施例中，中央控制器基于各待处理目标的属性值及相应的处理风险值，确定处理目标，具体包括：
[0117]
中央控制器可以计算属性值与处理风险值的乘积绝对值。例如属性值为q，处理风险值为1/(q-p)，那么乘积绝对值为|q/(q-p)|。
[0118]
中央控制器将确定小于第四预设阈值的乘积绝对值对应的待处理目标，为处理目标。第四预设阈值可以根据实际使用进行设定。
[0119]
疏花疏果管理终端可以是执行自动疏花疏果的机器人或机器手臂，根据中央控制器的指令，进行修剪处理目标。
[0120]
通过上述方案，本技术能够利用图像采集设备，采集果树图像，通过对果树图像进行识别以及疏花疏果模型的处理，得到图像中各待处理目标(花芽、幼果)的预测座果率。然后通过专家种植模型得到预测座果率相应的待处理目标的处理风险值，进而确定各待处理目标中的处理目标。本技术能够自动进行处理目标的判断，可以无需人力去疏花疏果，通过自动运行的机器执行疏花疏果，减少了作业时间，且能够昼夜交替作业，提高种植者的收益。
[0121]
图3为本技术实施例提供的一种基于图像识别的疏花疏果设备的结构示意图，该设备包括：
[0122]
至少一个处理器；以及，与至少一个处理器通信连接的存储器。其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
[0123]
获取图像采集设备采集的待处理果树的第一图像。基于第一图像，确定待处理果树的果树类型。根据果树类型，确定果树类型匹配的疏花疏果模型。基于疏花疏果模型，确定待处理果树对应的若干待处理目标信息及各待处理目标的属性值。其中，待处理目标至
少包括花芽图像、幼果图像。属性值表征待处理目标的处理后的座果率。将第一图像、各待处理目标的第二图像及各待处理目标的属性值发送至预设的专家种植模型，以确定待处理目标的处理风险值。其中，第二图像为图像采集设备采集的待处理目标的图像。处理风险值表征处理待处理目标对座果率的影响程度。基于各待处理目标的属性值及相应的处理风险值，确定处理目标，以使图像采集设备相应的疏花疏果管理终端，根据处理目标，对待处理果树疏花疏果。
[0124]
本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0125]
本技术实施例提供的设备与方法是一一对应的，因此，设备也具有与其对应的方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述设备的有益技术效果。
[0126]
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，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0127]
以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。