基于融合模型的智能桃花识别与果实产量预测方法与流程

本发明具体涉及一种基于融合模型的智能桃花识别与果实产量预测方法。

背景技术：

1、农业领域一直在寻找创新的方法来提高产量、优化农业管理，以满足不断增长的食品需求。其中，果树的智能识别和产量预测对于提高农业生产效益具有重要意义。传统的农业管理方法面临诸如人工劳动力成本高、信息获取不及时、生长状态监测不精准等问题。随着计算机科学的发展，利用图像识别和深度学习技术结合，为农业提供了新的解决方案。因此，研究一种基于融合模型的智能桃花识别与果实产量预测方法实现高精度的果树图像采集和分析融合环境因素达到准确产量预测，具有较大现实意义。

2、传统产量预测大多凭借农业专业“经验式”判断，农业管理流程依赖于人工调查，缺乏实时图像监测和综合多维特征的全面分析，导致信息获取滞后且管理效率有限，近年来智能化的生长监测系统已完备化，但在智能化产量预测方面还存在困难。现有技术存在以下问题：(1)桃花识别的准确性问题，传统的桃花识别方法可能受到光照、角度等因素的影响，导致识别准确度不高；(2)产量预测的精确性问题；(3)农业信息获取的时效性问题；(4)农业管理效益问题。因此，有必要为构建新的高效性预测方法。该解决方案必须：(1)桃花图像精准识别；(2)搭建特征识别融合模型；(3)提高农业信息获取的时效性；(4)提高农业管理的效益。

技术实现思路

1、本发明提供了一种基于融合模型的智能桃花识别与果实产量预测方法解决上述提到的技术问题，具体采用如下的技术方案：

2、一种基于融合模型的智能桃花识别与果实产量预测方法，包含：

3、采集桃花在各个阶段的图像数据；

4、对采集到的图像数据集进行预处理；

5、对图像数据进行标注，并通过标注后的图像数据对特征识别融合模型进行训练；

6、将图像数据输入训练好的特征识别融合模型得到图像数据的花朵特征，将图像数据的花朵特征和对应的环境特征拼接得到多维融合特征；

7、通过多维融合特征和历史产量数据对产量预测模型进行训练；

8、采集待识别的桃花的图像数据输入训练好的特征识别融合模型得到待识别图像数据的花朵特征；

9、将待识别图像数据的花朵特征和对应的环境特征拼接得到多维融合特征，输入到训练好的产量预测模型得到预测结果。

10、进一步地，采集图像的图像采集设备选择多光谱相机。

11、进一步地，图像采集设备包括无人机相机和固定摄像头。

12、进一步地，所述采集桃花在各个阶段的图像数据的具体方法为：

13、图像采集设备部署：安装固定摄像头在桃树园的关键位置，以持续监控特定区域，同时规划无人机的飞行路径，确保其能够覆盖整个桃树园，并在关键生长阶段捕获图像；

14、拍摄计划的制定：确定拍摄频率，优先选择日照充足的时段，考虑天气和季节变化，并规划无人机的飞行路线，以全面捕捉桃树园的图像数据，确保在不同生长阶段和光照条件下有效地收集高质量的桃花图像；

15、周期性评估和调整：在数据采集过程中，定期评估拍摄计划的有效性，并随时根据需要进行调整，以保持数据采集的高质量和高效性。

16、进一步地，所述对采集到的图像数据进行预处理的具体方法为：

17、噪声去除和增强：利用自适应噪声滤波技术清除图像中的随机噪声，以提高图像清晰度，应用内容感知的图像增强技术，使处理后的图像突出关键特征；

18、颜色校正和尺寸调整：通过自适应颜色校正算法，以校正图像的色彩，使之更接近自然状态，根据需要对图像进行尺寸调整和剪裁，以确保关注于关键区域；

19、智能图像缩放：实施多层次的图像缩放策略，以在不同分辨率下提供更多细节，以便特征识别融合模型可以根据需要选择不同的分辨率进行处理。

20、进一步地，综合采用点标注和框标注对图像数据进行标注。

21、进一步地，所述对图像数据进行标注的具体方法为：

22、点标注：选定图像数据集中的每朵桃花，手动或使用半自动工具在花朵中心或重要特征点上进行点标注，记录标注点的坐标；

23、框标注：对图像数据集中的桃花进行框标注，绘制一个矩形框精确地围绕每朵花的边界。

24、将点标注和框标注的数据结合起来，创建一个包含两种类型标注的综合数据集。

25、进一步地，所述特征识别融合模型为基于多列深度神经网络和yolo架构的融合模型。

26、进一步地，环境特征包含环境数据和土壤数据。

27、进一步地，环境数据包含温度、湿度和降雨量；

28、土壤数据包含ph值和营养成分。

29、本发明的有益之处在于所提供的基于融合模型的智能桃花识别与果实产量预测方法，融合环境因素，提高了产量预测的准确性。

技术特征：

1.一种基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，包含：

2.根据权利要求1所述的基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，

3.根据权利要求2所述的基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，

4.根据权利要求3所述的基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，

5.根据权利要求1所述的基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，

6.根据权利要求1所述的基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，

7.根据权利要求6所述的基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，

8.根据权利要求1所述的基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，

9.根据权利要求1所述的基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，

10.根据权利要求9所述的基于融合模型的智能桃花识别与果实产量预测方法，其特征在于，

技术总结本发明公开了一种基于融合模型的智能桃花识别与果实产量预测方法，包含：采集桃花在各个阶段的图像数据；对采集到的图像数据集进行预处理；对特征识别融合模型进行训练；将图像数据输入训练好的特征识别融合模型得到图像数据的花朵特征，将图像数据的花朵特征和对应的环境特征拼接得到多维融合特征；对产量预测模型进行训练；采集待识别的桃花的图像数据输入训练好的特征识别融合模型得到待识别图像数据的花朵特征；将待识别图像数据的花朵特征和对应的环境特征拼接得到多维融合特征，输入到训练好的产量预测模型得到预测结果。本发明提供的基于融合模型的智能桃花识别与果实产量预测方法，融合环境因素，提高了产量预测的准确性。技术研发人员：郑新立,刘卓,黄声杰,马鹏受保护的技术使用者：浙江天演维真网络科技股份有限公司技术研发日：技术公布日：2024/7/29