植物类别识别方法及系统专利检索-接口电脑零配件专利检索查询-专利查询网

植物类别识别方法及系统

阅读：8发布：2023-05-27

专利汇可以提供植物类别识别方法及系统专利检索，专利查询，专利分析的服务。并且本发明实施例提供了一种植物类别识别方法及系统，植物类别识别方法在获取目标区域内目标植物在目标特征波段内的光谱数据后，将目标特征波段内的光谱数据作为输入项，输入至目标支持向量机，由目标支持向量机对光谱数据进行识别，进而输出目标植物所属的类别。该方法及系统采用光谱技术与支持向量机相结合的方法识别目标植物所属的类别，分析结果可靠，为精确识别农田中杂草以便针对性施用除草剂提供了技术支持。，下面是植物类别识别方法及系统专利的具体信息内容。

权利要求

1.一种植物类别识别方法，其特征在于，包括：
获取目标区域内目标植物在目标特征波段内的光谱数据；
将所述光谱数据输入至目标支持向量机，由所述目标支持向量机输出所述目标植物所属的类别。
2.根据权利要求1所述的植物类别识别方法，其特征在于，还包括：
确定所述目标区域内的植物样本集以及所述植物样本集内每一植物样本所属的类别，并获取每一植物样本的光谱数据；
根据每一植物样本的光谱数据，确定有效特征光谱范围，所述有效特征光谱范围内包括多个特征波段；
对于所述有效特征光谱范围内的每一特征波段，将每一植物样本在每一特征波段内的光谱数据作为输入，每一植物样本所属的类别作为输出，对支持向量机进行训练；
若判断获知训练后的支持向量机的准确率达到预设准确率，则将所述训练后的支持向量机对应的特征波段作为所述目标特征波段，并将所述训练后的支持向量机作为所述目标支持向量机。
3.根据权利要求2所述的植物类别识别方法，其特征在于，所述植物样本集具体包括训练样本子集和测试样本子集；相应地，所述将每一植物样本在每一特征波段内的光谱数据作为输入，每一植物样本所属的类别作为输出，对支持向量机进行训练，具体包括：
将所述训练样本子集中的每一植物样本在每一特征波段内的光谱数据作为支持向量机的输入，所述训练样本子集中的每一植物样本所属的类别作为支持向量机的输出，对支持向量机进行训练；
将所述测试样本子集中的每一植物样本在每一特征波段内的光谱数据作为训练后的支持向量机的输入，获取训练后的支持向量机的输出结果；
比较每一输出结果与所述测试样本子集中对应的植物样本所属的类别，确定训练后的支持向量机的准确率。
4.根据权利要求2所述的植物类别识别方法，其特征在于，所述根据每一植物样本的光谱数据，确定有效特征光谱范围，具体包括：
剔除所述植物样本集内包含有异常光谱数据的植物样本，并对所述植物样本集内其他植物样本的光谱数据进行平均处理，确定光谱数据曲线；
基于所述光谱数据曲线的态势，确定所述有效特征光谱范围。
5.根据权利要求2-4中任一项所述的植物类别识别方法，其特征在于，所述目标区域为花生农田，所述目标植物为花生或杂草。
6.根据权利要求5所述的植物类别识别方法，其特征在于，所述有效特征光谱范围为
400nm-900nm。
7.根据权利要求1所述的植物类别识别方法，其特征在于，所述获取目标区域内目标植物在目标特征波段内的光谱数据之前还包括：
基于遥感影像单元获取所述目标植物的原始辐射值；
将所述原始辐射值转化为光谱反射率，将所述光谱反射率作为所述目标植物在整个波段内的光谱数据。
8.一种植物类别识别系统，其特征在于，包括：
光谱数据获取模块，用于获取目标区域内目标植物在目标特征波段内的光谱数据；
类别确定模块，用于将所述光谱数据输入至目标支持向量机，由所述目标支持向量机输出所述目标植物所属的类别。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器、通信接口和总线；其中，
所述处理器、存储器、通信接口通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行如权利要求1至7中任一项所述的植物类别识别方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至7中任一项所述的植物类别识别方法。

说明书全文

植物类别识别方法及系统

技术领域

[0001] 本发明实施例涉及分类识别技术领域，更具体地，涉及植物类别识别方法及系统。

背景技术

[0002] 花生是我国重要的油料和经济作物，我国的花生种植总面积达到4500khm2以上，占我国油料作物种植面积的33％。总产量16000kt左右，占油料作物产量的48％。但是由于花生田间杂草种类繁多、数量巨大、发生普遍，杂草与花生争抢光、肥、水等资源，严重影响了花生的生长，进而降低了花生的产量和品质。因此研究有效除去花生田间杂草的方法，对于有效提高花生的产量和品质具有重要的现实意义。

[0003] 现有的防除花生田间杂草的方法是化学防除，在花生田间大面积均匀喷洒化学药剂，很容易造成环境污染、土壤化学残留、花生田杂草种群交替快及抗性上升等问题。因此，现急需提供一种植物类别识别方法，用以准确识别花生田间的杂草以及花生，进而有针对性的去除花生田间的杂草，以达到减少除草剂用量的目的。

发明内容

[0004] 为克服上述问题或者至少部分地解决上述问题，本发明实施例提供了一种植物类别识别方法及系统。

[0005] 第一方面，本发明实施例提供了一种植物类别识别方法，包括：

[0006] 获取目标区域内目标植物在目标特征波段内的光谱数据；

[0007] 将所述光谱数据输入至目标支持向量机，由所述目标支持向量机输出所述目标植物所属的类别。

[0008] 第二方面，本发明实施例还提供了一种植物类别识别系统，包括：

[0009] 光谱数据获取模块，用于获取目标区域内目标植物在目标特征波段内的光谱数据；

[0010] 类别确定模块，用于将所述光谱数据输入至目标支持向量机，由所述目标支持向量机输出所述目标植物所属的类别。

[0011] 第三方面，本发明实施例还提供了一种电子设备，包括：

[0012] 至少一个处理器、至少一个存储器、通信接口和总线；其中，

[0013] 所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

[0014] 所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行第一方面提供的植物类别识别方法。

[0015] 第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面提供的植物类别识别方法。

[0016] 本发明实施例提供的一种植物类别识别方法及系统，在获取目标区域内目标植物在目标特征波段内的光谱数据后，将目标特征波段内的光谱数据作为输入项，输入至目标支持向量机，由目标支持向量机对光谱数据进行识别，进而输出目标植物所属的类别。该方法采用光谱技术与支持向量机相结合的方法识别目标植物所属的类别，分析结果可靠，为精确识别农田中杂草以便针对性施用除草剂提供了技术支持。附图说明

[0017] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0018] 图1为本发明实施例提供的一种植物类别识别方法的流程示意图；

[0019] 图2为本发明实施例提供的一种植物类别识别方法中植物样本集内所有类别的植物样本的光谱数据曲线示意图；

[0020] 图3为本发明实施例提供的一种植物类别识别方法中获取到的植物样本集中所有植物样本的原始辐射值的曲线图；

[0021] 图4为本发明实施例提供的一种植物类别识别系统的结构示意图；

[0022] 图5为本发明实施例提供的一种电子设备的结构示意图。

具体实施方式

[0023] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0024] 在本发明实施例的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0025] 在本发明实施例的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明实施例中的具体含义。

[0026] 如图1所示，本发明一实施例提供了一种植物类别识别方法，包括：

[0027] S1，获取目标区域内目标植物在目标特征波段内的光谱数据；

[0028] S2，将所述光谱数据输入至目标支持向量机，由所述目标支持向量机输出所述目标植物所属的类别。

[0029] 具体地，本发明实施例中所说的目标区域是指需要进行分类的固定区域，该区域内包括目标植物。例如对于农田来说，目标植物的类别可以是农田中的农作物，也可以是农田中的杂草。当目标植物的类别为农田中的农作物时，目标植物作为保留对象，当目标植物的类别为农田中的杂草时，则目标植物作为剔除对象。

[0030] 需要说明的是，目标特征波段是指最能体现不同类别的植物之间差异的光谱数据所处的波段范围，获取该波段范围内的光谱数据进行后续的类别识别，可以使识别的结果更准确。

[0031] 光谱数据是指能够区分不同类别的数据，由于不同类别的植物，对于光谱的吸收与反射能力并不相同，因此可以通过不同植物的光谱数据对植物进行分类识别。本发明实施例中光谱数据表征目标植物在不同波长下的光谱反射率。

[0032] 在获取目标区域内目标植物在目标特征波段内的光谱数据后，将目标特征波段内的光谱数据作为输入项，输入至目标支持向量机，由目标支持向量机对光谱数据进行识别，进而输出目标植物所属的类别。本发明实施例中采用的目标支持向量机(Support Vector Machine，SVM)是一种经目标区域内植物样本训练后得到的二分类模型，通过目标支持向量机可以准确确定出输入的光谱数据对应的目标植物所属的类别。本发明实施例中目标支持向量机中采用的径向基核函数为线性核：

[0033]

[0034] 其中，K(Xi,Yi)为径向基核函数，Xi和Yi均为输入参数，分别为对应的输入向量，<*>表示求*的内积。

[0035] 本发明实施例中提供的植物类别识别方法，在获取目标区域内目标植物的光谱数据后，将目标特征波段内对应的光谱数据作为输入项，输入至目标支持向量机，由目标支持向量机对光谱数据进行识别，进而输出目标植物所属的类别。该方法采用光谱技术与支持向量机相结合的方法识别目标植物，分析结果可靠，为精确识别农田中杂草以便针对性施用除草剂提供了技术支持。

[0036] 在上述实施例的基础上，本发明实施例中提供的植物类别识别方法，还包括：

[0037] 确定所述目标区域内的植物样本集以及所述植物样本集内每一植物样本所属的类别，并获取每一植物样本的光谱数据；

[0038] 根据每一植物样本的光谱数据，确定有效特征光谱范围，所述有效特征光谱范围内包括多个特征波段；

[0039] 对于所述有效特征光谱范围内的每一特征波段，将每一植物样本在每一特征波段内的光谱数据作为输入，每一植物样本所属的类别作为输出，对支持向量机进行训练；

[0040] 若判断获知训练后的支持向量机的准确率达到预设准确率，则将所述训练后的支持向量机对应的特征波段作为所述目标特征波段，并将所述训练后的支持向量机作为所述目标支持向量机。

[0041] 具体地，本发明实施例主要是在对支持向量机的训练过程中确定目标特征波段以及目标支持向量机。

[0042] 首先，选取目标区域内的植物样本集，植物样本集中包括多个植物样本，植物样本的类别包括第一类别和第二类别，其中可以将第一类别作为目标植物所属的类别。这里的第一类别可以为花生，第二类别可以是杂草。

[0043] 根据每一植物样本的光谱数据，确定有效特征光谱范围，这里确定的有效特征光谱范围是指光谱数据没有出现较大波动、比较平稳的光谱范围。在实际研究有效特征光谱范围内的光谱数据时，通常将有效特征光谱范围分为多个特征波段，每个特征波段的长度相同。例如，整个有效特征光谱范围为400nm-900nm，则可将特征波段的长度设置为50nm，则整个有效特征光谱范围内包括10个特征波段。

[0044] 对于有效特征光谱范围内的每一特征波段，将每一植物样本在该特征波段内的光谱数据作为输入，每一植物样本所属的类别作为输出，对支持向量机进行训练；每一特征波段均对应一个支持向量机。

[0045] 若判断获知训练后的支持向量机的准确率达到预设准确率，则将所述训练后的支持向量机对应的特征波段作为目标特征波段，并将所述训练后的支持向量机作为所述目标支持向量机。

[0046] 本发明实施例中的预设准确率可根据需要进行设置，本发明实施例中在此不作具体限定。

[0047] 表1特征波段以及对应的训练后的支持向量机的识别准确率

[0048]

[0049] 例如，整个有效特征光谱范围为400nm-900nm，则可将特征波段的长度设置为50nm，则整个有效特征光谱范围内包括10个特征波段。每一特征波段对应的训练后的支持向量机的识别准确率如表1所示，表1中第一列为组别，即10个特征波段，第二列为训练后的支持向量机对所有植物样本的类别进行识别的准确率，第三类为训练后的支持向量机对目标植物的类别进行识别的准确率。其中，设植物样本集内测试验证训练后的支持向量机类别识别的准确率的植物样本共有79个，其中目标植物有6个。从表1中可以看出，特征波段
701-750nm时得到的训练后的支持向量机的识别准确率达到96％，而且对目标植物的类别进行识别的准确率也达到66％，因此可以将特征波段701-750nm作为目标特征波段，并将特征波段701-750nm对应的训练后的支持向量机作为目标支持向量机。

[0050] 在上述实施例的基础上，本发明实施例中提供的植物样本集具体包括训练样本子集和测试样本子集；相应地，所述将每一植物样本在每一特征波段内的光谱数据作为输入，每一植物样本所属的类别作为输出，对支持向量机进行训练，具体包括：

[0051] 将所述训练样本子集中的每一植物样本在每一特征波段内的光谱数据作为支持向量机的输入，所述训练样本子集中的每一植物样本所属的类别作为支持向量机的输出，对支持向量机进行训练；

[0052] 将所述测试样本子集中的每一植物样本在每一特征波段内的光谱数据作为训练后的支持向量机的输入，获取训练后的支持向量机的输出结果；

[0053] 比较每一输出结果与所述测试样本子集中对应的植物样本所属的类别，确定训练后的支持向量机的准确率。

[0054] 表2植物样本集

[0055]

[0056] 具体地，基于上述实施例举例说明，如表2所示，植物样本集中包括训练样本子集和测试样本子集，训练样本子集中共有92个植物样本作为训练样本，其中10个为目标植物，所属类别标记为1，82个为非目标植物，所属类别标记为2。测试样本子集中共有79个植物样本作为测试样本，其中6个目标植物。每个植物样本均有50个光谱数据，对应着同一个特征波段内每一波长处的光谱数据。

[0057] 在上述实施例的基础上，所述根据每一植物样本的光谱数据，确定有效特征光谱范围，具体包括：

[0058] 剔除所述植物样本集内包含有异常光谱数据的植物样本，并对所述植物样本集内其他植物样本的光谱数据进行平均处理，确定光谱数据曲线；

[0059] 基于所述光谱数据曲线的态势，确定所述有效特征光谱范围。

[0060] 具体地，由于每个植物样本的光谱数据的态势并不相同，因此本发明实施例中为准确确定出有效特征光谱范围，需要剔除植物样本集内包含有异常光谱数据的植物样本，防止异常光谱数据对有效特征光谱范围的确定。作为优选方案，可以将所有植物样本的光谱数据输入至ViewSpecPro 软件中，以剔除植物样本集内包含有异常光谱数据的植物样本，得到有效植物样本，即植物样本集内的其他植物样本。

[0061] 对植物样本集内其他植物样本的光谱数据进行平均处理，确定光谱数据曲线，即对于其他植物样本中每一类别的植物样本，将同一类别的植物样本在相同波长处的光谱数据进行求和取平均值，即可得到同一类别的植物样本在整个光谱范围内的光谱数据曲线，根据所有植物样本的光谱数据，确定植物样本集内所有类别的植物样本的光谱数据的态势，即光谱数据曲线，选取存在光谱数据且光谱数据平稳无波动的波段范围作为有效特征光谱范围。

[0062] 在上述实施例的基础上，所述目标区域为花生农田，所述目标植物为花生或杂草。

[0063] 具体地，由于现有的防除花生田间杂草的方法是化学防除，化学除草大面积均匀喷洒化学药剂，容易造成环境污染、土壤化学残留、花生田杂草种群交替快及抗性上升等问题，这在有效防除花生田间杂草的生态效果上不理想，不能很好地防除花生田间杂草。因此将本发明实施例中提供的植物类别识别方法应用于花生农田中用以识别花生或杂草。本发明实施例中以目标植物为花生为例进行说明，植物样本集内植物样本的类别可包括花生和杂草，杂草又可具体分为稗草、马塘、牛筋草和千金子。则上述实施例中得到的植物样本集内所有类别的植物样本的光谱数据曲线如图2所示，图2中曲线由上到下依次为稗草21、牛筋草22、花生23、千金子24和马塘25。图2中横坐标为波长，纵坐标为光谱反射率(即光谱数据)，根据图2中5条光谱数据曲线的态势，确定出400nm-900nm的波段范围为有效特征光谱范围。

[0064] 本发明实施例中，采用光谱技术与支持向量机相结合的方法识别花生田间的杂草，分析结果可靠，为精确识别花生田间杂草以便针对性施用除草剂提供了技术支持，同时该发明专利可解决化学防治花生田间杂草带来的农药残留、土壤污染、杂草抗药性增加等问题。

[0065] 在上述实施例的基础上，所述获取目标区域内目标植物在目标特征波段内的光谱数据之前还包括：

[0066] 基于遥感影像单元获取所述目标植物的原始辐射值；

[0067] 将所述原始辐射值转化为光谱反射率，将所述光谱反射率作为所述目标植物在整个波段内的光谱数据。

[0068] 具体地，本发明实施例中，可以首先采用遥感影像单元获取目标植物的原始辐射值；然后将原始辐射值转化为光谱反射率，将光谱反射率作为目标植物在整个波段内的光谱数据。

[0069] 对于植物样本集中每一植物样本的光谱数据的获取，均可以采用上述同样的方法实现。如图3所示，为获取到的植物样本集中所有植物样本的原始辐射值(Digital Number，DN)的曲线图。图3中横坐标为波长，纵坐标为原始辐射值。从图3中也可以看出，孤立出的四条曲线对应的植物样本为无效的植物样本，需要剔除。需要说明的是，为减少计算量，可以在确定有效特征光谱范围后，将有效特征光谱范围内波长对应的原始辐射值转化为光谱反射率。

[0070] 如图4所示，在上述实施例的基础上，本发明实施例中还提供了一种植物类别识别系统，包括：光谱数据获取模块41和类别确定模块42。其中，

[0071] 光谱数据获取模块41用于获取目标区域内目标植物在目标特征波段内的光谱数据；

[0072] 类别确定模块42用于将所述光谱数据输入至目标支持向量机，由所述目标支持向量机输出所述目标植物所属的类别。

[0073] 具体地，本发明实施例中由光谱数据获取模块41获取目标区域内目标植物在目标特征波段内的光谱数据；目标区域是指需要进行分类的固定区域，该区域内包括目标植物和非目标植物，例如对于农田，农田中的农作物可以作为目标植物，农田中的杂草可以作为非目标植物，此时需要保留目标植物，将非目标植物剔除。也可以将农田中的杂草作为目标植物，农田中的农作物作为非目标植物，此时需要将目标植物剔除，保留非目标植物。光谱数据是指能够区分不同类别的数据，由于不同类别的植物，对于光谱的吸收与反射能力并不相同，因此可以通过不同植物的光谱数据对植物进行分类识别。本发明实施例中光谱数据表征目标植物在不同波长下的光谱反射率。

[0074] 类别确定模块42将目标植物在目标特征波段内的光谱数据作为输入项，输入至目标支持向量机，由目标支持向量机对光谱数据进行识别，进而输出目标植物所属的类别。

[0075] 本发明实施例中提供的植物类别识别系统，在光谱数据获取模块获取目标区域内目标植物在目标特征波段内的光谱数据后，由类别确定模块将目标特征波段内的光谱数据作为输入项，输入至目标支持向量机，由目标支持向量机对光谱数据进行识别，进而输出目标植物所属的类别。该系统采用光谱技术与支持向量机相结合的方法识别目标植物，分析结果可靠，为精确识别农田中杂草以便针对性施用除草剂提供了技术支持。

[0076] 在上述实施例的基础上，本发明实施例中提供的植物类别识别系统，还包括：训练模块，所述训练模块具体包括：

[0077] 数据获取子模块，用于确定所述目标区域内的植物样本集以及所述植物样本集内每一植物样本所属的类别，并获取每一植物样本的光谱数据；

[0078] 有效特征光谱范围确定子模块，用于根据每一植物样本的光谱数据，确定有效特征光谱范围，所述有效特征光谱范围内包括多个特征波段；

[0079] 训练子模块，用于对于所述有效特征光谱范围内的每一特征波段，将每一植物样本在每一特征波段内的光谱数据作为输入，每一植物样本所属的类别作为输出，对支持向量机进行训练；

[0080] 目标支持向量机确定子模块，用于若判断获知训练后的支持向量机的准确率达到预设准确率，则将所述训练后的支持向量机对应的特征波段作为所述目标特征波段，并将所述训练后的支持向量机作为所述目标支持向量机。

[0081] 在上述实施例的基础上，所述植物样本集具体包括训练样本子集和测试样本子集；相应地，所述训练子模块具体用于：

[0082] 将所述训练样本子集中的每一植物样本在每一特征波段内的光谱数据作为支持向量机的输入，所述训练样本子集中的每一植物样本所属的类别作为支持向量机的输出，对支持向量机进行训练；

[0083] 将所述测试样本子集中的每一植物样本在每一特征波段内的光谱数据作为训练后的支持向量机的输入，获取训练后的支持向量机的输出结果；

[0084] 比较每一输出结果与所述测试样本子集中对应的植物样本所属的类别，确定训练后的支持向量机的准确率。

[0085] 在上述实施例的基础上，所述有效特征光谱范围确定子模块具体用于：剔除所述植物样本集内包含有异常光谱数据的植物样本，并对所述植物样本集内其他植物样本的光谱数据进行平均处理，确定光谱数据曲线；基于所述光谱数据曲线的态势，确定所述有效特征光谱范围。

[0086] 在上述实施例的基础上，所述目标区域为花生农田，所述目标植物为花生或杂草。

[0087] 在上述实施例的基础上，所述光谱数据获取模块还用于：

[0088] 基于遥感影像单元获取所述目标植物的原始辐射值；

[0089] 将所述原始辐射值转化为光谱反射率，将所述光谱反射率作为所述目标植物在整个波段内的光谱数据。

[0090] 如图5所示，在上述实施例的基础上，本发明实施例中还提供了一种电子设备，包括：至少一个处理器501、至少一个存储器502、通信接口503和总线504。其中，

[0091] 所述处理器501、存储器502、通信接口503通过总线504完成相互间的通信；存储器502存储有可被处理器501执行的程序指令，处理器501调用存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：S1，获取目标区域内目标植物在目标特征波段内的光谱数据；S2，将所述光谱数据输入至目标支持向量机，由所述目标支持向量机输出所述目标植物所属的类别。

[0092] 存储器502中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0093] 在上述实施例的基础上，本发明实施例中还提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：S1，获取目标区域内目标植物在目标特征波段内的光谱数据；S2，将所述光谱数据输入至目标支持向量机，由所述目标支持向量机输出所述目标植物所属的类别。

[0094] 以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

[0095] 通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

[0096] 最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

标题	发布/更新时间	阅读量
耳机系统	2020-05-08	389
一种显示设备	2020-05-08	955
一种反向路径检查方法和装置	2020-05-08	887
一种墙壁开关面板及灯具	2020-05-08	75
电机控制器和用于与电机控制器进行无线通信的方法	2020-05-11	234
用于改进DDR存储器装置中的写入前同步码的系统和方法	2020-05-08	244
报文转发方法、装置、电子设备和介质	2020-05-11	52
用于运行家用电器的方法和家用电器	2020-05-08	860
一种建立多路径连接的子流的方法、装置和系统	2020-05-08	679
工业控制系统	2020-05-08	321

植物类别识别方法及系统

植物类别识别方法及系统

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：