CN112883996B - 一种钩藤茶高效采收加工方法及装置 - Google Patents
一种钩藤茶高效采收加工方法及装置 Download PDFInfo
- Publication number
- CN112883996B CN112883996B CN202110032516.4A CN202110032516A CN112883996B CN 112883996 B CN112883996 B CN 112883996B CN 202110032516 A CN202110032516 A CN 202110032516A CN 112883996 B CN112883996 B CN 112883996B
- Authority
- CN
- China
- Prior art keywords
- obtaining
- information
- hook
- harvesting
- image information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01D—HARVESTING; MOWING
- A01D46/00—Picking of fruits, vegetables, hops, or the like; Devices for shaking trees or shrubs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Environmental Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种钩藤茶高效采收加工方法及装置,所述方法包括:在钩藤苗的第一栽种时间信息达到第一阈值之后,获得所述第一钩藤苗第一钩枝的第一图像信息;依据第一预设压力信息对所述第一钩枝进行压力测试;并获得所述第一钩枝进行压力测试后的第二图像信息;依据所述第二图像信息,获得所述第一钩枝的第一形变度;将所述第一图像信息、所述第一形变度输入至第一评估模型,获得所述第一钩枝的第一木质化程度;依据所述第一木质化程度,判断所述第一钩枝是否达到第一采收标准;若所述第一钩枝达到所述第一采收标准,获得第一采收指令。解决了现有技术中钩藤茶采收效率低,所采收的钩藤茶质量参差不齐的技术问题。
Description
技术领域
本发明涉及钩藤茶采收方法领域,尤其涉及一种钩藤茶高效采收加工方法及装置。
背景技术
钩藤种植第3年后可以开始逐年采收,于每年的秋冬季进行截干和采收,钩藤的用药部位主要为带钩的茎枝,秋冬进行采收,晒干,或置锅内蒸后再晒干备用。选择恰当的钩藤采收时间和采收方式,为获得高质量的钩藤茶奠定了基础,现有技术中,通过人工进行实时观测及采收的方式,使得钩藤茶采收效率较低。
本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
钩藤茶采收效率低,所采收的钩藤茶质量参差不齐。
发明内容
本申请实施例通过提供一种钩藤茶高效采收加工方法及装置,解决了现有技术中钩藤茶采收效率低,所采收的钩藤茶质量参差不齐的技术问题,达到了智能分析钩藤苗的最佳采收时间,从而提升采收质量和效率的技术目的。
本申请实施例通过提供一种钩藤茶高效采收加工方法,其中,所述方法包括:获得第一钩藤苗的第一栽种时间信息;判断所述第一栽种时间信息是否达到第一阈值;若所述第一栽种时间信息达到所述第一阈值,获得第一图像信息,所述第一图像信息为所述第一钩藤苗的第一钩枝的图像信息;获得第一预设压力信息,依据所述第一预设压力信息对所述第一钩枝进行压力测试;获得第二图像信息,所述第二图像信息为对所述第一钩枝进行压力测试后的图像信息;依据所述第二图像信息,获得所述第一钩枝的第一形变度;将所述第一图像信息、所述第一形变度输入至第一评估模型,其中,所述第一评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一图像信息、所述第一形变度和用来标识所述第一钩枝的第一木质化程度的标识信息;获得所述第一评估模型的第一输出信息,其中,所述第一输出信息为所述第一钩枝的第一木质化程度;依据所述第一木质化程度,判断所述第一钩枝是否达到第一采收标准;若所述第一钩枝达到所述第一采收标准,获得第一采收指令。
另一方面,本申请还提供了一种钩藤茶高效采收加工装置,其中,所述装置包括:第一获得单元,所述第一获得单元用于获得第一钩藤苗的第一栽种时间信息;第一判断单元,所述第一判断单元用于判断所述第一栽种时间信息是否达到第一阈值;第二获得单元,所述第二获得单元用于若所述第一栽种时间信息达到所述第一阈值,获得第一图像信息,所述第一图像信息为所述第一钩藤苗的第一钩枝的图像信息;第三获得单元,所述第三获得单元用于获得第一预设压力信息,依据所述第一预设压力信息对所述第一钩枝进行压力测试;第四获得单元,所述第四获得单元用于获得第二图像信息,所述第二图像信息为对所述第一钩枝进行压力测试后的图像信息;第五获得单元,所述第五获得单元用于依据所述第二图像信息,获得所述第一钩枝的第一形变度;第一输入单元,所述第一输入单元用于将所述第一图像信息、所述第一形变度输入至第一评估模型,其中,所述第一评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一图像信息、所述第一形变度和用来标识所述第一钩枝的第一木质化程度的标识信息;第六获得单元,所述第六获得单元用于获得所述第一评估模型的第一输出信息,其中,所述第一输出信息为所述第一钩枝的第一木质化程度;第二判断单元,所述第二判断单元用于依据所述第一木质化程度,判断所述第一钩枝是否达到第一采收标准;第七获得单元,所述第七获得单元用于若所述第一钩枝达到所述第一采收标准,获得第一采收指令。
另一方面,本申请实施例还提供了一种钩藤茶高效采收加工装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了通过对钩藤苗进行压力测试,从而基于神经网络模型,依据钩藤苗的图像信息和压力测试后的形变度确定所述第一钩枝的木质化程度,从而依据所述第一钩枝的木质化程度确定所述第一钩枝的最佳采收时间,从而达到了智能分析钩藤苗的最佳采收时间,从而提升采收质量和效率的技术目的。
上述说明是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种钩藤茶高效采收加工方法的流程示意图;
图2为本申请实施例一种钩藤茶高效采收加工装置的结构示意图;
图3为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第一判断单元12,第二获得单元13,第三获得单元14,第四获得单元15,第五获得单元16,第一输入单元17,第六获得单元18,第二判断单元19,第七获得单元20,总线300,接收器301,处理器302,发送器303,存储器304,总线接口305。
具体实施方式
本申请实施例通过提供一种钩藤茶高效采收加工方法及装置,解决了现有技术中钩藤茶采收效率低,所采收的钩藤茶质量参差不齐的技术问题,达到了智能分析钩藤苗的最佳采收时间,从而提升采收质量和效率的技术目的。下面,将参考附图详细的描述本申请的示例实施例。显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
申请概述
钩藤的用药部位主要为带钩的茎枝,秋冬进行采收,晒干,或置锅内蒸后再晒干备用。选择恰当的钩藤采收时间和采收方式,为获得高质量的钩藤茶奠定了基础。现有技术中还存在着钩藤茶采收效率低,所采收的钩藤茶质量参差不齐的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例通过提供一种钩藤茶高效采收加工方法,其中,所述方法包括:获得第一钩藤苗的第一栽种时间信息;判断所述第一栽种时间信息是否达到第一阈值;若所述第一栽种时间信息达到所述第一阈值,获得第一图像信息,所述第一图像信息为所述第一钩藤苗的第一钩枝的图像信息;获得第一预设压力信息,依据所述第一预设压力信息对所述第一钩枝进行压力测试;获得第二图像信息,所述第二图像信息为对所述第一钩枝进行压力测试后的图像信息;依据所述第二图像信息,获得所述第一钩枝的第一形变度;将所述第一图像信息、所述第一形变度输入至第一评估模型,其中,所述第一评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一图像信息、所述第一形变度和用来标识所述第一钩枝的第一木质化程度的标识信息;获得所述第一评估模型的第一输出信息,其中,所述第一输出信息为所述第一钩枝的第一木质化程度;依据所述第一木质化程度,判断所述第一钩枝是否达到第一采收标准;若所述第一钩枝达到所述第一采收标准,获得第一采收指令。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种钩藤茶高效采收加工方法,其中,所述方法包括:
步骤S100:获得第一钩藤苗的第一栽种时间信息;
步骤S200:判断所述第一栽种时间信息是否达到第一阈值;
具体而言,一般来说,钩藤栽种后第2年就能进行采收,第三年达丰产,每年在11月份后,钩枝变黄老熟,已木质化时采收。采收时间可延长至次年2月。获得所述第一栽种时间并判断是否达到预设栽种时长,从而初步判断钩藤是否可采收,所述第一阈值为所述第一钩藤苗的预设栽种时长。
步骤S300:若所述第一栽种时间信息达到所述第一阈值,获得第一图像信息,所述第一图像信息为所述第一钩藤苗的第一钩枝的图像信息;
具体而言,通过图像采集装置获得所述第一钩藤苗的钩枝的所述第一图像信息,从而通过对所述第一图像信息进行所述第一钩枝的特征提取和图像分析,来对所述第一钩枝的颜色进行判断,为进一步判断所述第一钩枝的木质化程度奠定了基础。
步骤S400:获得第一预设压力信息,依据所述第一预设压力信息对所述第一钩枝进行压力测试;
具体而言,所述第一预设压力信息由所述第一钩藤苗的种类,和所述第一钩藤苗达到采收标准对应的木质化程度确定,当所述第一钩藤苗达到采收标准时,会达到一定程度的木质化,且具有一定的硬度。通过对所述第一钩枝进行压力测试,从而依据所述第一钩枝的形变程度,评估所述第一钩枝的硬度,从而进一步确定所述第一钩枝的木质化程度。
步骤S500:获得第二图像信息,所述第二图像信息为对所述第一钩枝进行压力测试后的图像信息;
具体而言,所述第二图像信息为对所述第一钩枝进行压力测试后的图像信息,通过图像捕捉装置获得所述第一钩枝在压力测试前后的图像信息,从而通过图像分析获得压力测试的结果。
步骤S600:依据所述第二图像信息,获得所述第一钩枝的第一形变度;
具体而言,对所述第一钩枝进行压力测试时,通过对所述第一钩枝的某个点进行加压,继而加压点会发生形变,通过获得所述第一钩枝在压力测试之后的图像信息,从而获得所述第一钩枝在所述第一预设压力信息之下的所述第一形变度,继而依据所述第一形变度评估所述第一钩枝的木质化程度。
步骤S700:将所述第一图像信息、所述第一形变度输入至第一评估模型,其中,所述第一评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一图像信息、所述第一形变度和用来标识所述第一钩枝的第一木质化程度的标识信息;
步骤S800:获得所述第一评估模型的第一输出信息,其中,所述第一输出信息为所述第一钩枝的第一木质化程度;
具体而言,所述第一评估模型为一机器学习模型,所述机器学习模型能通过大量数据不断的学习,进而不断地修正模型,最终获得满意的经验来处理其他数据。所述机器模型通过多组训练数据训练获得,所述神经网络模型通过训练数据训练的过程本质上为监督学习的过程。所述多组中的训练数据中的每一组训练数据均包括:所述第一图像信息、所述第一形变度和用来标识所述第一钩枝的第一木质化程度的标识信息;在获得所述第一图像信息、所述第一形变度的情况下,机器学习模型会输出所述第一钩枝的第一木质化程度的标识信息,通过标识的所述第一木质化程度来对机器学习模型输出的所述第一木质化程度进行校验,如果输出的所述第一木质化程度同标识的所述第一木质化程度相一致,则本数据监督学习完成,则进行下一组数据监督学习;如果输出的所述第一木质化程度同标识的所述第一木质化程度不一致,则机器学习模型自身进行调整,直到机器学习模型达到预期的准确率后,进行下一组数据的监督学习。通过训练数据使机器学习模型自身不断地修正、优化,通过监督学习的过程来提高机器学习模型处理所述数据的准确性,进而获得准确的所述第一输出信息。
步骤S900:依据所述第一木质化程度,判断所述第一钩枝是否达到第一采收标准;
具体而言,所述第一采收标准为所述第一钩枝通过评估,达到一定的木质化程度,即所述第一钩枝的颜色及硬度达到预设值,则所述第一钩枝达到所述第一采收标准,可进行采收工作。
步骤S1000:若所述第一钩枝达到所述第一采收标准,获得第一采收指令。
具体而言,若通过评估,所述第一钩枝达到所述第一采收标准,则通过获得发送提醒信息,提醒工作人员进行采收。
进一步而言,获得所述第一钩藤苗的第一栽种时间信息之后,本申请实施例步骤S100还包括:
步骤S101:判断所述第一栽种时间信息是否达到第二阈值;
步骤S102:若所述第一栽种时间达到所述第二阈值,获得所述第一钩藤苗的第三图像信息;
步骤S103:依据所述第三图像信息获得所述第一钩藤苗的第一生长态势;
步骤S104:获得所述第一钩藤苗的第一施肥量;
步骤S105:依据所述第一栽种时间信息、所述第一施肥量确定所述第一预设态势;
步骤S106:判断所述第一生长态势是否达到第一预设态势;
步骤S107:若所述第一生长态势未达到所述第一预设态势,获得第一提示信息,所述第一提示信息用于提示第一采收人员对所述第一钩藤苗进行修剪。
具体而言,所述第一钩藤苗在生长过程中,需要定时进行修剪,以剪去长势差和带有病虫害、干枯的枝条,及时打去顶尖,防止植株徒长,减少养分消耗。所述第二阈值为对所述第一钩藤苗进行修建的预设时间阈值,并通过获得所述第一钩藤苗的图像信息,来评估所述第一钩藤苗的长势,并由所述第一钩藤苗的施肥量及栽种时间预估其长势,从而对所述第一钩藤苗的所述第一生长态势进行评估,并依据评估结果及时提醒工作人员进行修剪。
进一步而言,本申请实施例步骤S600还包括:
步骤S601:依据所述第二图像信息,获得第一测试点;
步骤S602:获得所述第一测试点的第一位置信息,所述第一位置信息为所述第一测试点在进行压力测试之前的位置;
步骤S603:获得所述第一测试点的第二位置信息,所述第一位置信息为所述第一测试点在进行压力测试之后的位置;
步骤S604:依据所述第一位置和所述第二位置确定所述第一钩枝的第一形变度。
具体而言,所述第一测试点为对所述第一钩枝进行压力测定的点,在确定所述第一测试点之后,通过从图像信息中识别所述第一测试点的位置变化,来获得所述第一钩枝的形变程度。
进一步而言,本申请实施例步骤S1000还包括:
步骤S1001:获得所述第一钩藤苗的第一采收部位;
步骤S1002:获得所述第一采收部位的第二形变度;
步骤S1003:由所述第二形变度,获得所述第一采收角度;
步骤S1004:获得第二采收指令,并依据所述第一采收角度对所述第一钩藤苗进行采收。
具体而言,所述第一钩藤苗的可采收部位包括枝干和茎枝,不同部位有不同的采用功效。通过获得图像信息判断所述第一钩藤苗采收部位的压力测试后的形变程度,从而依据所述第二形变度,评估所述第一采收部位的硬度,从而确定采收角度,以减少对切处的损伤。
进一步而言,本申请实施例步骤S1003还包括:
步骤S10031:获得第一预设采收长度;
步骤S10032:获得所述第一采收部位的第二木质化程度;
步骤S10033:依据所述第二木质化程度,获得第一调整信息;
步骤S10034:依据所述第一调整信息,对所述第一预设采收长度进行调整,获得第二预设采收长度;
步骤S10035:依据所述第二预设采收长度和所述第一采收角度,获得第三采收指令,依据所述第三采收指令,对所述第一钩藤苗进行采收。
具体而言,所述第一预设采收长度一般为3厘米左右,在剪下钩枝后,对所述第一采收部位的木质化程度进行评估,并依据所述第一采收部位的所述第二木质化程度对所述第一预设采收长度进行调整,调整之后,依据所述第一采收角度及所述第二预设采收长度对所述第一钩藤苗进行采收。
进一步而言,本申请实施例步骤S10035还包括:
步骤S100351:获得所述第一钩藤苗的第二钩枝,所述第二钩枝为依据所述第三采收指令对所述第一钩藤苗进行采收所得到的钩枝;
步骤S100352:获得所述第二钩枝的第四图像信息;
步骤S100353:将所述第四图像信息输入至第二评估模型,其中,所述第二评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第四图像信息和用来标识所述第一钩枝质量等级的标识信息;
步骤S100354:获得所述第二训练模型的第二输出信息,其中,所述第二输出信息为所述第二钩枝的第一钩枝质量等级。
具体而言,在对所述第一钩藤苗依据所述第三采收指令进行采收之后,获得所述第二钩枝,通过获得所述第二钩枝的图像信息,对所采收的第二钩枝进行质量等级评估。通过对图像信息进行特征提取,从而从所述第二钩枝的颜色、形貌、粗细程度等方面进行质量评估,以双钩、茎细、钩结实、光滑、色紫红、无枯枝钩者为佳,从而获得所述第一钩枝质量等级。
进一步而言,本申请实施例步骤S100354还包括:
步骤S1003541:获得所述第二钩枝的第一预设质量等级,其中,所述第一预设质量等级由所述第二钩藤苗的经销商所提供;
步骤S1003542:依据所述第一预设质量等级和所述第一钩枝质量等级,获得第一筛选指令;
步骤S1003543:依据所述第一筛选指令,对所述第二钩枝进行筛选。
具体而言,依据钩藤茶经销商所要求的钩藤质量标准,确定对所述第二钩枝进行质量筛选的规则,并依据所述第一预设质量等级和所述第一钩枝质量等级,对所述第二钩枝进行进一步筛选。
进一步而言,本申请实施例步骤S100354还包括:
获得所述第一
综上所述,本申请实施例所提供的一种钩藤茶高效采收加工方法具有如下技术效果:
由于采用了通过对钩藤苗进行压力测试,从而基于神经网络模型,依据钩藤苗的图像信息和压力测试后的形变度确定所述第一钩藤苗的木质化程度,从而依据所述第一钩藤苗的木质化程度确定所述第一钩藤苗的最佳采收时间,从而达到了智能分析钩藤苗的最佳采收时间,从而提升采收质量和效率的技术目的。
实施例二
基于与前述实施例中一种钩藤茶高效采收加工方法同样发明构思,本发明还提供了一种钩藤茶高效采收加工装置,如图2所示,所述装置包括:
第一获得单元11,所述第一获得单元11用于获得第一钩藤苗的第一栽种时间信息;
第一判断单元12,所述第一判断单元12用于判断所述第一栽种时间信息是否达到第一阈值;
第二获得单元13,所述第二获得单元13用于若所述第一栽种时间信息达到所述第一阈值,获得第一图像信息,所述第一图像信息为所述第一钩藤苗的第一钩枝的图像信息;
第三获得单元14,所述第三获得单元14用于获得第一预设压力信息,依据所述第一预设压力信息对所述第一钩枝进行压力测试;
第四获得单元15,所述第四获得单元15用于获得第二图像信息,所述第二图像信息为对所述第一钩枝进行压力测试后的图像信息;
第五获得单元16,所述第五获得单元16用于依据所述第二图像信息,获得所述第一钩枝的第一形变度;
第一输入单元17,所述第一输入单元17用于将所述第一图像信息、所述第一形变度输入至第一评估模型,其中,所述第一评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一图像信息、所述第一形变度和用来标识所述第一钩枝的第一木质化程度的标识信息;
第六获得单元18,所述第六获得单元18用于获得所述第一评估模型的第一输出信息,其中,所述第一输出信息为所述第一钩枝的第一木质化程度;
第二判断单元19,所述第二判断单元19用于依据所述第一木质化程度,判断所述第一钩枝是否达到第一采收标准;
第七获得单元20,所述第七获得单元20用于若所述第一钩枝达到所述第一采收标准,获得第一采收指令。
进一步的,所述装置还包括:
第三判断单元,所述第三判断单元用于判断所述第一栽种时间信息是否达到第二阈值;
第八获得单元,所述第八获得单元用于若所述第一栽种时间达到所述第二阈值,获得所述第一钩藤苗的第三图像信息;
第九获得单元,所述第九获得单元用于依据所述第三图像信息获得所述第一钩藤苗的第一生长态势;
第十获得单元,所述第十获得单元用于获得所述第一钩藤苗的第一施肥量;
第十一获得单元,所述第十一获得单元用于依据所述第一栽种时间信息、所述第一施肥量确定所述第一预设态势;
第四判断单元,所述第四判断单元用于判断所述第一生长态势是否达到第一预设态势;
第十二获得单元,所述第十二获得单元用于若所述第一生长态势未达到所述第一预设态势,获得第一提示信息,所述第一提示信息用于提示第一采收人员对所述第一钩藤苗进行修剪。
进一步的,所述装置还包括:
第十三获得单元,所述第十三获得单元用于依据所述第二图像信息,获得第一测试点;
第十四获得单元,所述第十四获得单元用于获得所述第一测试点的第一位置信息,所述第一位置信息为所述第一测试点在进行压力测试之前的位置;
第十五获得单元,所述第十五获得单元用于获得所述第一测试点的第二位置信息,所述第一位置信息为所述第一测试点在进行压力测试之后的位置;
第十六获得单元,所述第十六获得单元用于依据所述第一位置和所述第二位置确定所述第一钩枝的第一形变度。
进一步的,所述装置还包括:
第十七获得单元,所述第十七获得单元用于获得所述第一钩藤苗的第一采收部位;
第十八获得单元,所述第十八获得单元用于获得所述第一采收部位的第二形变度;
第十九获得单元,所述第十九获得单元用于由所述第二形变度,获得所述第一采收角度;
第二十获得单元,第二十获得单元用于获得第二采收指令,并依据所述第一采收角度对所述第一钩藤苗进行采收。
进一步的,所述装置还包括:
第二十一获得单元,所述第二十一获得单元用于获得第一预设采收长度;
第二十二获得单元,所述第二十二获得单元用于获得所述第一采收部位的第二木质化程度;
第二十三获得单元,所述第二十三获得单元用于依据所述第二木质化程度,获得第一调整信息;
第一调整单元,所述第一调整单元用于依据所述第一调整信息,对所述第一预设采收长度进行调整,获得第二预设采收长度;
第二十四获得单元,所述第二十四获得单元用于依据所述第二预设采收长度和所述第一采收角度,获得第三采收指令,依据所述第三采收指令,对所述第一钩藤苗进行采收。
进一步的,所述装置还包括:
第二十五获得单元,所述第二十五获得单元用于获得所述第一钩藤苗的第二钩枝,所述第二钩枝为依据所述第三采收指令对所述第一钩藤苗进行采收所得到的钩枝;
第二十六获得单元,所述第二十六获得单元用于获得所述第二钩枝的第四图像信息;
第二输入单元,所述第二输入单元用于将所述第四图像信息输入至第二评估模型,其中,所述第二评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第四图像信息和用来标识所述第一钩枝质量等级的标识信息;
第二十七获得单元,所述第二十七获得单元用于获得所述第二训练模型的第二输出信息,其中,所述第二输出信息为所述第二钩枝的第一钩枝质量等级。
进一步的,所述装置还包括:
第二十八获得单元,所述第二十八获得单元用于获得所述第二钩枝的第一预设质量等级,其中,所述第一预设质量等级由所述第二钩藤苗的经销商所提供;
第二十九获得单元,所述第二十九获得单元用于依据所述第一预设质量等级和所述第一钩枝质量等级,获得第一筛选指令;
第一执行单元,所述第一执行单元用于依据所述第一筛选指令,对所述第二钩枝进行筛选。
前述图1实施例一中的一种钩藤茶高效采收加工方法的各种变化方式和具体实例同样适用于本实施例的一种钩藤茶高效采收加工装置,通过前述对一种钩藤茶高效采收加工方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种钩藤茶高效采收加工装置,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图3来描述本申请实施例的电子设备。
图3图示了根据本申请实施例的电子设备的结构示意图。
基于与前述实施例中一种钩藤茶高效采收加工方法的发明构思,本发明还提供一种钩藤茶高效采收加工装置,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种钩藤茶高效采收加工方法的任一方法的步骤。
其中,在图3中,总线架构(用总线300来代表),总线300可以包括任意数量的互联的总线和桥,总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进行进一步描述。总线接口305在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。
处理器302负责管理总线300和通常的处理,而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
本申请实施例通过提供一种钩藤茶高效采收加工方法,其中,所述方法包括:获得第一钩藤苗的第一栽种时间信息;判断所述第一栽种时间信息是否达到第一阈值;若所述第一栽种时间信息达到所述第一阈值,获得第一图像信息,所述第一图像信息为所述第一钩藤苗的第一钩枝的图像信息;获得第一预设压力信息,依据所述第一预设压力信息对所述第一钩枝进行压力测试;获得第二图像信息,所述第二图像信息为对所述第一钩枝进行压力测试后的图像信息;依据所述第二图像信息,获得所述第一钩枝的第一形变度;将所述第一图像信息、所述第一形变度输入至第一评估模型,其中,所述第一评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一图像信息、所述第一形变度和用来标识所述第一钩枝的第一木质化程度的标识信息;获得所述第一评估模型的第一输出信息,其中,所述第一输出信息为所述第一钩枝的第一木质化程度;依据所述第一木质化程度,判断所述第一钩枝是否达到第一采收标准;若所述第一钩枝达到所述第一采收标准,获得第一采收指令。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的系统。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令系统的制造品,该指令系统实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (9)
1.一种钩藤茶高效采收加工方法,其中,所述方法包括:
获得第一钩藤苗的第一栽种时间信息;
判断所述第一栽种时间信息是否达到第一阈值;
若所述第一栽种时间信息达到所述第一阈值,获得第一图像信息,所述第一图像信息为所述第一钩藤苗的第一钩枝的图像信息;
获得第一预设压力信息,依据所述第一预设压力信息对所述第一钩枝进行压力测试;
获得第二图像信息,所述第二图像信息为对所述第一钩枝进行压力测试后的图像信息;
依据所述第二图像信息,获得所述第一钩枝的第一形变度;
将所述第一图像信息、所述第一形变度输入至第一评估模型,其中,所述第一评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一图像信息、所述第一形变度和用来标识所述第一钩枝的第一木质化程度的标识信息;
获得所述第一评估模型的第一输出信息,其中,所述第一输出信息为所述第一钩枝的第一木质化程度;
依据所述第一木质化程度,判断所述第一钩枝是否达到第一采收标准;
若所述第一钩枝达到所述第一采收标准,获得第一采收指令。
2.如权利要求1所述的方法,其中,获得所述第一钩藤苗的第一栽种时间信息之后,所述方法还包括:
判断所述第一栽种时间信息是否达到第二阈值;
若所述第一栽种时间达到所述第二阈值,获得所述第一钩藤苗的第三图像信息;
依据所述第三图像信息获得所述第一钩藤苗的第一生长态势;
获得所述第一钩藤苗的第一施肥量;
依据所述第一栽种时间信息、所述第一施肥量确定第一预设态势;
判断所述第一生长态势是否达到所述第一预设态势;
若所述第一生长态势未达到所述第一预设态势,获得第一提示信息,所述第一提示信息用于提示第一采收人员对所述第一钩藤苗进行修剪。
3.如权利要求1所述的方法,其中,依据所述第二图像信息,获得所述第一钩枝的第一形变度,所述方法还包括:
依据所述第二图像信息,获得第一测试点;
获得所述第一测试点的第一位置信息,所述第一位置信息为所述第一测试点在进行压力测试之前的位置;
获得所述第一测试点的第二位置信息,所述第一位置信息为所述第一测试点在进行压力测试之后的位置;
依据所述第一位置和所述第二位置确定所述第一钩枝的第一形变度。
4.如权利要求1所述的方法,其中,获得第一采收指令之后,所述方法还包括:
获得所述第一钩藤苗的第一采收部位;
获得所述第一采收部位的第二形变度;
由所述第二形变度,获得第一采收角度;
获得第二采收指令,并依据所述第一采收角度对所述第一钩藤苗进行采收。
5.如权利要求4所述的方法,依据所述第二形变度信息获得第一采收角度之后,所述方法还包括:
获得第一预设采收长度;
获得所述第一采收部位的第二木质化程度;
依据所述第二木质化程度,获得第一调整信息;
依据所述第一调整信息,对所述第一预设采收长度进行调整,获得第二预设采收长度;
依据所述第二预设采收长度和所述第一采收角度,获得第三采收指令,依据所述第三采收指令,对所述第一钩藤苗进行采收。
6.如权利要求5所述的方法,其中,获得所述第三采收指令之后,所述方法还包括:
获得所述第一钩藤苗的第二钩枝,所述第二钩枝为依据所述第三采收指令对所述第一钩藤苗进行采收所得到的钩枝;
获得所述第二钩枝的第四图像信息;
将所述第四图像信息输入至第二评估模型,其中,所述第二评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第四图像信息和用来标识所述第一钩枝质量等级的标识信息;
获得所述第二评估模型的第二输出信息,其中,所述第二输出信息为所述第二钩枝的第一钩枝质量等级。
7.如权利要求6所述的方法,其中,获得所述第二评估模型的第二输出信息之后,所述方法还包括:
获得所述第二钩枝的第一预设质量等级,其中,所述第一预设质量等级由所述第一钩藤苗的经销商所提供;
依据所述第一预设质量等级和所述第一钩枝质量等级,获得第一筛选指令;
依据所述第一筛选指令,对所述第二钩枝进行筛选。
8.一种钩藤茶高效采收加工装置,其中,所述装置包括:
第一获得单元,所述第一获得单元用于获得第一钩藤苗的第一栽种时间信息;
第一判断单元,所述第一判断单元用于判断所述第一栽种时间信息是否达到第一阈值;
第二获得单元,所述第二获得单元用于若所述第一栽种时间信息达到所述第一阈值,获得第一图像信息,所述第一图像信息为所述第一钩藤苗的第一钩枝的图像信息;
第三获得单元,所述第三获得单元用于获得第一预设压力信息,依据所述第一预设压力信息对所述第一钩枝进行压力测试;
第四获得单元,所述第四获得单元用于获得第二图像信息,所述第二图像信息为对所述第一钩枝进行压力测试后的图像信息;
第五获得单元,所述第五获得单元用于依据所述第二图像信息,获得所述第一钩枝的第一形变度;
第一输入单元,所述第一输入单元用于将所述第一图像信息、所述第一形变度输入至第一评估模型,其中,所述第一评估模型通过多组训练数据训练获得,所述多组中的训练数据中的每一组训练数据均包括:所述第一图像信息、所述第一形变度和用来标识所述第一钩枝的第一木质化程度的标识信息;
第六获得单元,所述第六获得单元用于获得所述第一评估模型的第一输出信息,其中,所述第一输出信息为所述第一钩枝的第一木质化程度;
第二判断单元,所述第二判断单元用于依据所述第一木质化程度,判断所述第一钩枝是否达到第一采收标准;
第七获得单元,所述第七获得单元用于若所述第一钩枝达到所述第一采收标准,获得第一采收指令。
9.一种钩藤茶高效采收加工装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现权利要求1-7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032516.4A CN112883996B (zh) | 2021-01-11 | 2021-01-11 | 一种钩藤茶高效采收加工方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110032516.4A CN112883996B (zh) | 2021-01-11 | 2021-01-11 | 一种钩藤茶高效采收加工方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112883996A CN112883996A (zh) | 2021-06-01 |
CN112883996B true CN112883996B (zh) | 2022-12-23 |
Family
ID=76044185
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110032516.4A Active CN112883996B (zh) | 2021-01-11 | 2021-01-11 | 一种钩藤茶高效采收加工方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883996B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1531673A2 (en) * | 2002-08-12 | 2005-05-25 | Bayer CropScience S.A. | Novel 2-pyridylethylbenzamide derivative |
CN108151644A (zh) * | 2016-12-02 | 2018-06-12 | 财团法人资讯工业策进会 | 农产品检测装置、农产品管理系统及其方法 |
CN110414491A (zh) * | 2019-08-29 | 2019-11-05 | 新疆农业科学院经济作物研究所 | 一种棉花单株形态照片的拍摄方法及其辅助装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10999973B2 (en) * | 2017-06-14 | 2021-05-11 | Grow Solutions Tech Llc | Systems and methods for harvesting plants |
-
2021
- 2021-01-11 CN CN202110032516.4A patent/CN112883996B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1531673A2 (en) * | 2002-08-12 | 2005-05-25 | Bayer CropScience S.A. | Novel 2-pyridylethylbenzamide derivative |
CN108151644A (zh) * | 2016-12-02 | 2018-06-12 | 财团法人资讯工业策进会 | 农产品检测装置、农产品管理系统及其方法 |
CN110414491A (zh) * | 2019-08-29 | 2019-11-05 | 新疆农业科学院经济作物研究所 | 一种棉花单株形态照片的拍摄方法及其辅助装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112883996A (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Parkes et al. | Chilling requirements of apple cultivars grown in mild Australian winter conditions | |
Sweet | The effect of maturation on the growth and form of vegetative propagules of radiata pine | |
CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
KR102242577B1 (ko) | 농작물의 생산성 향상을 위한 데이터 분석 방법 및 장치 | |
JP7544392B2 (ja) | 農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム | |
CN106846334A (zh) | 基于支持向量数据描述的田间玉米植株识别方法 | |
CN108334139A (zh) | 一种基于大数据的温室自动化控制的方法及系统 | |
CN113656958A (zh) | 一种耐荫大豆种质筛选鉴定方法 | |
CN109325630B (zh) | 一种基于形态参数的高温胁迫下水稻产量预测方法 | |
CN112883996B (zh) | 一种钩藤茶高效采收加工方法及装置 | |
Brignolas et al. | Compared water deficit response of two Populus x euramericana clones, Luisa Avanzo and Dorskamp | |
CN107301605A (zh) | 作物虫害的控制方法及装置 | |
Rudd | Simulation of insect damage to soybeans | |
White | Modeling and crop improvement | |
CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
CN108575602A (zh) | 一种农作物植株整枝方法及系统 | |
Lovatt et al. | Yield characteristics of ‘Hass’ avocado trees under California growing conditions | |
CN109740794A (zh) | 一种烤烟单产量预测方法 | |
CN113358829B (zh) | 一种红茶品质的评定方法及装置 | |
Vories et al. | Determining the optimum timing for the final furrow irrigation on Mid-South cotton | |
Marino et al. | Plant-based water stress sensing in two olive cultivars with different physiological responses to drought | |
Zhang et al. | Gala apple fruit size distribution | |
Brorman | Evaluating Cotton (Gossypium hirsutum L.) Maturity Patterns in the Northern Texas High Plains | |
Padilla et al. | Rice Spikelet Yield Determination Using Image Processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20221207 Address after: 545000 No.5, nongtuantun village, Linxi Town, Sanjiang County, Liuzhou City, Guangxi Zhuang Autonomous Region Applicant after: Sanjiang Lianxing Technology Co.,Ltd. Address before: 545000 No.705, building 2, Guantang R & D center, No.10 Shuangren Road, Liudong New District, Yufeng District, Liuzhou City, Guangxi Zhuang Autonomous Region (entrusted by Liuzhou Gaochuang business secretary Co., Ltd.) Applicant before: Liuzhou pengmoshan Agricultural Technology Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |