买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本申请提供一种高集成度多源异构农情在线监测方法与装置，属于图像处理技术领域，用以通过AIML模型实现对农产品生长周期的全程自动化跟踪监测。方法包括：电子设备获取M个时刻针对同一种农作物分别采集的M张农作物图像，M为大于或等于3的整数；电子设备通过AIML模型处理M张农作物图像，得到M张农作物图像的每张农作物图像中的农作物的生长信息，共得到农作物的M个生长信息；电子设备根据农作物的M个生长信息，确定农作物的生长情况，其中，农作物的生长情况包括如下至少一项：农作物的病害情况、农作物的雄雌花情况、农作物的生长阶段情况、或农作物的果实情况。

主权项：1.一种高集成度多源异构农情在线监测方法，其特征在于，应用于电子设备，所述方法包括：所述电子设备获取M个时刻针对同一种农作物分别采集的M张农作物图像，M为大于或等于3的整数；所述电子设备通过AIML模型处理所述M张农作物图像，得到所述M张农作物图像的每张农作物图像中的所述农作物的生长信息，共得到所述农作物的M个生长信息；所述电子设备根据所述农作物的M个生长信息，确定所述农作物的生长情况，其中，所述农作物的生长情况包括如下至少一项：所述农作物的病害情况、所述农作物的雄雌花情况、所述农作物的生长阶段情况、或所述农作物的果实情况；所述AIML模型包括特征提取层和4个特征处理层，所述4个特征处理层分别开放给所述AIML模型各自对应的接口，所述4个特征处理层的部分神经元节点相同，所述4个特征处理层包括特征处理层#1、特征处理层#2、特征处理层#3和特征处理层#4；若所述M张农作物图像包含所述农作物的枝叶部分，则所述特征提取层在从所述M张农作物图像中一一对应的提取出M个特征信息#1，所述特征提取层通过调用所述特征处理层#1的接口，将所述M个特征信息#1依次输入到所述特征处理层#1处理，得到所述特征处理层#1输出的所述M张农作物图像各自中所述农作物的病害区域；若所述M张农作物图像包含所述农作物的花枝部分，则所述特征提取层在从所述M张农作物图像中一一对应的提取出M个特征信息#2，所述特征提取层通过调用所述特征处理层#2的接口，将所述M个特征信息#2依次输入到所述特征处理层#2处理，得到所述特征处理层#2输出的所述M张农作物图像各自中的所述农作物的雄雌花数目；若所述M张农作物图像包含所述农作物的枝叶部分，则所述特征提取层在从所述M张农作物图像中一一对应的提取出M个特征信息#3，所述特征提取层通过调用所述特征处理层#3的接口，将所述M个特征信息#3依次输入到所述特征处理层#3处理，得到所述特征处理层#3输出的所述M张农作物图像各自中的所述农作物所处的生长阶段；若所述M张农作物图像包含所述农作物的果实部分，则所述特征提取层在从所述M张农作物图像中一一对应的提取出M个特征信息#4，所述特征提取层通过调用所述特征处理层#4的接口，将所述M个特征信息#4依次输入到所述特征处理层#4处理，得到所述特征处理层#4输出的M张农作物图像各自中的所述农作物的果实尺寸；所述特征处理层#1、特征处理层#2、特征处理层#3和特征处理层#4均包含K个公共部分神经元，K大于2的整数，所述K个公共部分神经元中每个公共部分神经元的结构为的矩阵，M为大于1的整数，所述的矩阵包括权值参数#1和权值参数#2，对于的矩阵：所述权值参数#1位于所述的矩阵的对角线上，所述权值参数#2位于所述的矩阵除对角线以外的其他位置上，在所述AIML模型训练之前，的矩阵中的所述权值参数#1的初始取值与所述权值参数#2互为倒数；所述AIML模型的训练包含第一阶段和第二阶段；在所述第一阶段中，所述AIML模型的所述特征提取层仅配置所述K个公共部分神经元，所述电子设备使用包含所述农作物的枝叶部分的训练图像集、包含所述农作物的花枝部分的训练图像集、包含所述农作物的果实部分的训练图像集训练所述AIML模型，以调整所述K个公共部分神经元各自中的所述权值参数#1和所述权值参数#2的取值；在所述第一阶段之后进入所述第二阶段；在所述第二阶段中，所述电子设备将所述特征提取层中所述K个公共部分神经元复制4份，在所述4份的基础上一一对应的构建出所述4个特征处理层，所述电子设备使用包含所述农作物的枝叶部分的训练和测试图像集训练并测试所述特征处理层#1，且在所述特征处理层#1训练的过程中，所述特征处理层#1中所包含的所述K个公共部分神经元不做回归，所述电子设备使用包含所述农作物的花枝部分的训练和测试图像集训练并测试所述特征处理层#2，且在所述特征处理层#2训练的过程中，所述特征处理层#2中所包含的所述K个公共部分神经元不做回归，所述电子设备使用包含所述农作物的枝叶部分的训练和测试图像集训练并测试所述特征处理层#3，且在所述特征处理层#3训练的过程中，所述特征处理层#3中所包含的所述K个公共部分神经元不做回归，所述电子设备使用包含所述农作物的果实部分的训练和测试图像集训练并测试所述特征处理层#4，且在所述特征处理层#4训练的过程中，所述特征处理层#4中所包含的所述K个公共部分神经元不做回归；所述K个公共部分神经元中任一个公共部分神经元都与所述公共部分神经元中除该个公共部分神经元以外的其他所有公共部分神经元连接；所述特征处理层#1的构建包括：配置仅与所述K个公共部分神经元中处于外围的部分公共部分神经元连接的L1个非公共部分神经元，L1为大于2的整数，所述L1个非公共部分神经元中每个非公共部分神经元的结构为的矩阵，N为大于1且小于M的整数，所述的矩阵包括权值参数#1和权值参数#2，对于所述的矩阵：所述权值参数#1位于所述的矩阵的对角线上，所述权值参数#2位于所述的矩阵除对角线以外的其他位置上；所述特征处理层#2的构建包括：配置仅与所述K个公共部分神经元中处于外围的部分公共部分神经元连接的L2个非公共部分神经元，L2为大于2的整数，所述L1个非公共部分神经元中每个非公共部分神经元的结构为所述的矩阵，所述特征处理层#2训练之前，所述的矩阵中所述权值参数#1的初始取值与所述权值参数#2的初始取值互为倒数；所述特征处理层#3的构建包括：配置仅与所述K个公共部分神经元中处于外围的部分公共部分神经元连接的L3个非公共部分神经元，L3为大于2的整数，所述L3个非公共部分神经元中每个非公共部分神经元的结构为所述的矩阵；所述特征处理层#2的构建包括：配置仅与所述K个公共部分神经元中处于外围的部分公共部分神经元连接的L4个非公共部分神经元，L4为大于2的整数，所述L4个非公共部分神经元中每个非公共部分神经元的结构为所述的矩阵；在所述4个特征处理层训练之前，所述的矩阵中所述权值参数#1的初始取值与所述权值参数#2的初始取值互为倒数。

全文数据：

权利要求：

百度查询： 广州海睿智能科技股份有限公司 一种高集成度多源异构农情在线监测方法与装置