(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211254436.4 (22)申请日 2022.10.13 (71)申请人 吉林师范大学 地址 136000 吉林省四平市铁西区海丰大 街1301号 (72)发明人 杜会石　曲玮　关晓鹏　王一阳　 (74)专利代理 机构 哈尔滨市松花江专利商标事 务所 23109 专利代理师 刘强 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/20(2022.01) G06V 10/40(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01)G06T 5/00(2006.01) G06T 7/00(2017.01) G06T 7/60(2017.01) G06T 7/62(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种植物生长信息监测方法 (57)摘要 一种植物 生长信息监测方法， 涉及植物 监测 技术领域， 针对现有技术中不能得出植物在各个 阶段准确清楚的生长信息的问题， 本申请解决了 传统靠肉眼来分辨湿地植物在各个阶段的生长 信息准确率低的问题， 本申请通过叶面积指数对 植物的生长信息进行判断， 本申请结合了神经网 络， 使得对植物监测时的速度提升， 本申请实现 了对植物 生长情况进行连续的监测， 极大地提升 了监测效率， 避免了人为的目测植物的生长状 况， 监测效率低、 费时费力的问题。 权利要求书3页 说明书7页 附图1页 CN 115482469 A 2022.12.16 CN 115482469 A 1.一种植物生长信息监测方法， 其特 征在于包括训练步骤以及监测步骤： 所述训练步骤具体为： 训练模型1： 针对被监测植物， 获取被监测植物图像， 并对图像中被监测植物的茎以及被监测植物 正向叶片图像进行标记， 最后利用被监测植物图像为输入、 标记后的图像为输出训练神经 网络， 得到训练好的模型1； 训练模型2： 针对被监测植物， 根据历史数据得到被监测植物茎的长度与对应叶片的数量， 并利用 被监测植物茎的长度作为输入、 对应叶片的数量作为输出训练神经网络， 得到训练好的模 型2； 训练模型3： 根据历史数据 得到被监测植物的叶面积指数以及该叶面积指数下植物的生长率， 并以 叶面积指数为输入、 该叶面积指数下植物的生长率作为输出训练神经网络， 得到训练好的 模型3； 所述监测步骤为： 步骤一： 获取被监测植物所占土地面积以及所占土地内被测植物的数量， 之后根据所 占土地面积以及所占土地内被测植物的数量得到单株 被监测植物所占土地 面积的均值； 步骤二： 获取待识别的被监测植物图像， 并将待识别的被监测植物图像输入模型1， 得 到被监测植物图像中被监测植物的茎以及被监测植物正向叶片图像； 步骤三： 根据拍摄相机的内参， 得到待识别的被监测植物图像中每个被监测植物叶片 正向图像的面积， 并得到被监测植物图像中所有叶片正向图像面积的均值； 步骤四： 根据拍摄相机的内参， 得到待识别的被监测植物图像中被监测植物茎的长度， 并将被监测植物茎的长度输入 模型2， 得到对应叶片的数量； 步骤五： 将步骤三得到的每个被监测植物叶片正向图像面积的均值与步骤四得到的对 应叶片的数量相乘， 得到单株植物所有叶片的面积和； 步骤六： 根据 单株植物所有叶片的面积和和步骤一中得到的所占土地面积的均值得到 叶面积指数； 步骤七： 将步骤六中得到的叶面积指数输入模型3， 得到生长率， 进而实现植物生长信 息监测。 2.根据权利要求1所述的一种植物生长信息监测方法， 其特征在于所述被监测植物正 向叶片图像进行 标记的具体步骤为： 步骤1： 获取待检测图像， 并将待检测图像进行压缩， 得到 压缩后的图像； 步骤2： 将压缩后的图像输入训练好的目标检测网络进行叶片检测； 所述目标检测网络的训练过程 为： 步骤21： 获取原 始图像， 并得到原 始图像的压缩图像； 步骤22： 将原始图像和压缩图像分别进行特征提取， 得到原始图像特征图和压缩图像 特征图， 并利用检测网络对原 始图像进行检测， 得到原 始图像中的类别预测值； 步骤23： 利用Feature  map蒸馏对原始图像特征图和压缩图像特征图进行处理， 得到与 原始图像特 征图分布相似的压缩图像特 征图；权　利　要　求　书 1/3 页 2 CN 115482469 A 2步骤24： 利用与原始图像特征图分布相似的压缩图像特征图替换原始压缩图像特征 图， 并利用检测网络得到 压缩图像中物体的位置和类别预测值； 步骤25： 利用Logit蒸馏对原始图像中的类别预测值以及步骤24中得到的类别预测值 进行处理， 得到靠近原始图像中的类别预测值的类别预测值； 步骤26： 利用原始图像的压缩图像作为输入、 步骤24中得到的压缩图像中物体的位置 以及与靠 近原始图像中的类别预测值的类别预测值作为输出训练目标检测网络 。 3.根据权利要求2所述的一种植物生长信 息监测方法， 其特征在于所述Logit蒸馏的损 失函数表示 为： 其中， 代表softmax函数， 代表超参数温度， pt和ps分别代表教师和学生的类别预 测值， KL代 表KL散度。 4.根据权利要求3所述的一种植物生长信息监测方法， 其特征在于所述Feature  map蒸 馏的损失函数表示 为： 其中， FT和FS代表教师和学生网络中ResNet50的输出特征图， L代表ResNet50的卷积层 层数， C， H， W分别代表特征图的通道数， 高度和宽度， f代表特征图对齐操作， l、 c、 h和w代表 特征图的初始通道。 5.根据权利要求1所述的一种植物生长信息监测方法， 其特征在于还包括对步骤二中 得到的被监测植物正向叶片图像进行修复的步骤， 具体为： 步骤二一： 针对破损正向叶片图像， 将叶片图像中破损部分所占区域进行提取， 得到 Mask图； 步骤二二： 对Mask图进行膨胀处 理； 步骤二三： 对膨胀处理后的Mask图中的破损区域进行修复， 进而得到修复好的叶片图 像。 6.根据权利要求5所述的一种植物生长信息监测方法， 其特征在于若步骤二一中并未 提取到破损区域， 则该叶片为轮廓缺失叶片， 将该叶片按非正向叶片图像进行处 理。 7.根据权利要求5所述的一种植物生长信 息监测方法， 其特征在于所述步骤3中对M ask 图中的白色区域进行修复的具体步骤为： 先将膨胀后的Mask图取反， 然后和破损叶片图像点乘， 得到带有mask的彩色图像， 之后 将带有mask的彩色图像和膨胀后的Mask图基于通道进 行叠加， 得到一个4通道的图片， 最后 将4通道的图片输入lama模型中； 所述4通道的图片在lama模型中首先进行下采样操作， 然后经过快速傅立叶卷积处理， 最后再上采样， 输出修复后的叶片图像； 其中， 在快速傅立叶卷积处理的过程中， 将输入tensor基于通道分为2部分分别通过 local分支和global分支， 所述local分支用于提取局部信息， 所述global分支用于利用快 速傅立叶卷积提取全局信息；权　利　要　求　书 2/3 页 3 CN 115482469 A 3