基于神经网络提取地被植物容纳落叶能力的方法及装置

技术领域

本申请涉及生态环境与资源利用技术领域，具体而言，涉及一种基于神经网络提取地被植物容纳落叶能力的方法及装置。

背景技术

生态园林建设已成为当今城市园林建设的必然趋势，低养护是生态园林建设重要目标。目前，园林落叶被当作园林绿化废弃物一部分，采用集中清理、运输、堆放、填埋的方式进行处理。

然而，通过上述处理方式进行处理会使得成本较高，花费了大量的人力物力，而且还浪费了落叶资源，不符合园林低养护的概念。

因此，如何解决上述问题是目前亟需解决的问题。

发明内容

本申请提供一种基于神经网络提取地被植物容纳落叶能力的方法及装置，旨在改善上述问题。

第一方面，本申请提供的一种基于神经网络提取地被植物容纳落叶能力的方法，采集地被植物的生长环境图像，所述生长环境图像包括地被植物和掉落在所述地被植物上的落叶；基于预训练的神经网络模型将所述生长环境图像与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行分析处理，得到所述生长环境图像所对应的地被植物的容纳落叶能力；发送登录经验数据库的登录验证信息至服务器，所述服务器验证所述登录验证信息合法后，返回登录所述经验数据库的登录链接；接收所述登录链接，并登录至所述经验数据库；查找所述经验数据库中与所述地被植物的容纳落叶能力匹配的植物种植建议，所述植物种植建议包括待种植的地被植物的类型；输出所述待种植的地被植物的图像。

在一可能的实施例中，所述基于预训练的神经网络模型将所述生长环境图像与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行分析处理，得到所述生长环境图像所对应的地被植物的容纳落叶能力，包括：基于预训练的神经网络模型对所述生长环境图像进行特征提取，得到地被植物特征和落叶特征；对所述地被植物特征和所述落叶特征进行特征处理，得到所述地被植物的高度以及落叶信息；根据所述地被植物信息以及所述落叶信息与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行对比，得到所述生长环境图像所对应的地被植物的容纳落叶能力。

在一可能的实施例中，所述落叶信息包括落叶叶片面积和落叶盖度；其中，所述落叶盖度＝落叶所残留在地被植物表层上的面积/单位平面的总面积×100％；所述落叶所残留在地被植物表层上的面积则为单位面积下：植物落叶数×落叶叶片面积；根据所述地被植物信息以及所述落叶信息与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行对比，得到所述生长环境图像所对应的地被植物的容纳落叶能力，包括：确定所述落叶盖度所对应的阈值区间；查询所述预设地被植物容纳落叶能力数据库中与所述阈值区间匹配的容纳落叶能力。

在一可能的实施例中，所述地被植物信息包括用于表征所述落叶于地被植物表层厚度的地被表层落叶蓄积度，其中，所述地被表层落叶蓄积度为取4个1平方米区域的样本，并取其平均值；根据所述地被植物信息以及所述落叶信息与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行对比，得到所述生长环境图像所对应的地被植物的容纳落叶能力，包括：确定所述落叶盖度所对应的阈值区间以及所述地被表层落叶蓄积度对应的阈值；查询所述预设地被植物容纳落叶能力数据库中与所述阈值区间和所述地被表层落叶蓄积度对应的阈值匹配的容纳落叶能力，其中，所述容纳落叶能力包括以下至少一种：完全可容纳；大部分可容纳；部分可容纳；少部分可容纳；极少可容纳。

在一可能的实施例中，所述查询所述预设地被植物容纳落叶能力数据库中与所述阈值区间和所述地被表层落叶蓄积度对应的阈值匹配的容纳落叶能力，包括：当所述阈值区间位于第一阈值区间时，且所述地被表层落叶蓄积度为零时，所述地被植物的容纳落叶能力为所述完全可容纳；当所述阈值区间位于第二阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述大部分可容纳；当所述阈值区间位于第三阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述部分可容纳；当所述阈值区间位于第四阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述少部分可容纳；当所述阈值区间位于第五阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述极少可容纳；其中，所述第一阈值区间的最大值小于或等于所述第二阈值区间的最小值；所述第二阈值区间的最大值小于或等于所述第三阈值区间的最小值；所述第三阈值区间的最大值小于或等于所述第四阈值区间的最小值；所述第四阈值区间的最大值小于或等于所述第五阈值区间的最小值。

在一可能的实施例中，所述第一阈值区间为：0.2～3％；所述第二阈值区间为：4～19％；所述第三阈值区间为：19％～39％；所述第四阈值区间为：40％～65％；所述第五阈值区间为：66％～98.5％。

在一可能的实施例中，所述方法还包括：所述输出所述待种植的地被植物的图像，包括：获取所述待种植的地被植物对于的低灰度图像；将所述低灰度图像转换为高灰度图像，所述高灰度图像的灰度大于所述低灰度图像的灰度值；输出所述待种植的地被植物对应的所述高灰度图像。

在一可能的实施例中，确定所述落叶叶片面积的阈值；根据所述落叶叶片面积的阈值确定所述地被植物的高低类型，所述高低类型包括以下类型中的任意一种：低矮型地被；中低矮型地被；高大型地被；其中，所述根据所述落叶叶片面积的阈值确定所述地被植物的高低类型，包括：当所述落叶叶片面积位于第一面积区间时，确定所述地被植物的高低类型为所述低矮型地被、所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积位于第二面积区间时，确定所述地被植物的高低类型为所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积位于第三面积区间时，确定所述地被植物的高低类型为所述高大型地被；其中，所述第一面积区间的最大值小于所述第二面积区间的最小值；所述第二面积区间的最大值小于所述第三面积区间的最小值。

在一可能的实施例中，所述第一面积区间为：0～12；所述第二面积区间为：13～60；所述第三面积区间为：61～99.99；当所述落叶叶片面积小于或等于12时，确定所述地被植物的高低类型为所述低矮型地被、所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积大于12且小于或等于60时，确定所述地被植物的高低类型为所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积大于60且小于或等于99.99时，确定所述地被植物的高低类型为所述高大型地被。

第二方面，本申请提供的一种基于神经网络提取地被植物容纳落叶能力的装置，所述装置包括：采集模块，用于采集地被植物的生长环境图像，所述生长环境图像包括地被植物和掉落在所述地被植物上的落叶；处理模块，用于基于预训练的神经网络模型将所述生长环境图像与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行分析处理，得到所述生长环境图像所对应的地被植物的容纳落叶能力；发送模块，用于发送登录经验数据库的登录验证信息至服务器，所述服务器验证所述登录验证信息合法后，返回登录所述经验数据库的登录链接；接收模块，用于接收所述登录链接，并登录至所述经验数据库；查找模块，用于查找所述经验数据库中与所述地被植物的容纳落叶能力匹配的植物种植建议，所述植物种植建议包括待种植的地被植物的类型；输出模块，用于输出所述待种植的地被植物的图像。

有益效果：

上述本申请提供的一种基于神经网络提取地被植物容纳落叶能力的方法及装置，本申请通过采集地被植物的生长环境图像，所述生长环境图像包括地被植物和掉落在所述地被植物上的落叶；基于预训练的神经网络模型将所述生长环境图像与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行分析处理，得到所述生长环境图像所对应的地被植物的容纳落叶能力，发送登录经验数据库的登录验证信息至服务器，所述服务器验证所述登录验证信息合法后，返回登录所述经验数据库的登录链接；接收所述登录链接，并登录至所述经验数据库；查找所述经验数据库中与所述地被植物的容纳落叶能力匹配的植物种植建议，所述植物种植建议包括待种植的地被植物的类型；输出所述待种植的地被植物的图像，从而可以快速且准确地利用神经网络来输出地被植物对落叶的容纳能力，以提高生态园林建设的合理性，以符合园林低养护的概念，以使得落叶资源可以更好地被地被植物利用，进而节约落叶资源，降低对落叶处理的人力物力以及提出针对性的种植建议。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为本申请第一实施例提供的一种电子设备的结构示意图；

图2为本申请第二实施例提供的一种基于神经网络提取地被植物容纳落叶能力的方法的流程图；

图3为本申请第三实施例提供的一种基于神经网络提取地被植物容纳落叶能力的装置的功能模块示意图。

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合附图对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

第一实施例

图1为本申请实施例提供的一种电子设备的结构示意图，在本申请中可以通过图1所示的示意图来描述用于实现本申请实施例的基于神经网络提取地被植物容纳落叶能力的方法及装置的示例的电子设备100。

可选地，该电子设备100用于执行如第二实施例所示的方法；或者是实现如第三实施例所示的装置的功能，具体的请参照对应的实施例，在此，不再赘述。

其中，如图1所示的一种电子设备的结构示意图，电子设备100包括一个或多个处理器102、一个或多个存储装置104、输入装置106、输出装置108，这些组件通过总线系统和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备可以具有图1示出的部分组件，也可以具有图1未示出的其他组件和结构。

所述处理器102可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元，并且可以控制所述电子设备100中的其它组件以执行期望的功能。

所述存储装置104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器102可以运行所述程序指令，以实现下文所述的本申请实施例中(由处理器实现)的客户端功能以及/或者其它期望的功能。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。

所述输入装置106可以是用户用来输入生长环境图像的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。

所述输出装置108可以是该电子设备100输出分析处理结果的装置，例如，显示器、输出端口等。

第二实施例：

参照图2所示的一种基于神经网络提取地被植物容纳落叶能力的方法的流程图，该基于神经网络提取地被植物容纳落叶能力的方法具体包括如下步骤：

步骤S201，采集地被植物的生长环境图像。

其中，所述生长环境图像包括地被植物和掉落在所述地被植物上的落叶。

作为一种实施方式，该生长环境图像可以是通过安装在特定区域的摄像头定期采集，也可以是通过从服务器上下载待分析的生长环境图像。

也就是说，该生长环境图像可以是实时的，也可以是预先采集的。在此，不作具体限定。

步骤S203，基于预训练的神经网络模型将所述生长环境图像与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行分析处理，得到所述生长环境图像所对应的地被植物的容纳落叶能力。

其中，预设地被植物容纳落叶能力数据库中预先配置有针对不同场景的地被植物的容纳落叶能力数据。

其中，该容纳落叶能力数据可以是通过图像与文字关联的方式进行存储在数据库中，也可以是仅以文字的方式存储在数据库中。在此，不作具体限定。

需要说明的是，本申请中的神经网络对应的网络模型为预先训练好的，故本申请再进行数据处理的时候无需再对神经网络进行训练。该神经网络的训练过程在此，不作具体限定。

作为一种实施方式，所述基于预训练的神经网络模型将所述生长环境图像与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行分析处理，得到所述生长环境图像所对应的地被植物的容纳落叶能力，包括：基于预训练的神经网络模型对所述生长环境图像进行特征提取，得到地被植物特征和落叶特征；对所述地被植物特征和所述落叶特征进行特征处理，得到所述地被植物的高度以及落叶信息；根据所述地被植物信息以及所述落叶信息与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行对比，得到所述生长环境图像所对应的地被植物的容纳落叶能力。

可选地，所述落叶信息包括落叶叶片面积和落叶盖度；其中，所述落叶盖度＝落叶所残留在地被植物表层上的面积/单位平面的总面积×100％；所述落叶所残留在地被植物表层上的面积则为单位面积下：植物落叶数×落叶叶片面积；根据所述地被植物信息以及所述落叶信息与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行对比，得到所述生长环境图像所对应的地被植物的容纳落叶能力，包括：确定所述落叶盖度所对应的阈值区间；查询所述预设地被植物容纳落叶能力数据库中与所述阈值区间匹配的容纳落叶能力。

其中，落叶叶片面积满足以下规则之一：

计算方式一：对于狭长形叶片面积Al1＝k*(L×W)

其中，Al1为叶面积，cm

计算方式二：近圆形叶片面积Al2＝π*(L×W)2/16

其中Al2为叶面积，cm

也就是说，可以基于上述两种方式来确定落叶的落叶叶片面积。

可选地，所述地被植物信息包括用于表征所述落叶于地被植物表层厚度的地被表层落叶蓄积度，其中，所述地被表层落叶蓄积度为取4个1平方米区域的样本，并取其平均值；根据所述地被植物信息以及所述落叶信息与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行对比，得到所述生长环境图像所对应的地被植物的容纳落叶能力，包括：确定所述落叶盖度所对应的阈值区间以及所述地被表层落叶蓄积度对应的阈值；查询所述预设地被植物容纳落叶能力数据库中与所述阈值区间和所述地被表层落叶蓄积度对应的阈值匹配的容纳落叶能力，其中，所述容纳落叶能力包括以下至少一种：完全可容纳；大部分可容纳；部分可容纳；少部分可容纳；极少可容纳。

其中，地被表层落叶蓄积度指落叶于地被植物表层厚度值，是衡量是否影响地被植物正常生长的重要指标，当地被表层落叶蓄积度大于0时落叶则会严重地被植物甚至会出现死亡，不利于地被植物容纳落叶物。因此，地被表层落叶蓄积度反映的是地被作生长状况。当地被表层落叶蓄积度数值越高时，其容纳能力越低，容纳落叶能力会变小；反之，地被表层落叶蓄积度越低，对地被植物容纳影响越小，其容纳性越高。因此，地被表层落叶蓄积度作为地被植物容纳能力高低的指标之一。

举例来说，参见表一和二，以大花紫薇+吊竹梅为例，单位平方米下地被植物吊竹梅平均高度31cm，大叶紫薇落叶平均高于地被表层为2cm，则其地被表层落叶蓄积度＝2cm，对植物生长状况很受影响。因此，其地被植物容纳其落叶能力低。

可选地，所述查询所述预设地被植物容纳落叶能力数据库中与所述阈值区间和所述地被表层落叶蓄积度对应的阈值匹配的容纳落叶能力，包括：当所述阈值区间位于第一阈值区间时，且所述地被表层落叶蓄积度为零时，所述地被植物的容纳落叶能力为所述完全可容纳；当所述阈值区间位于第二阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述大部分可容纳；当所述阈值区间位于第三阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述部分可容纳；当所述阈值区间位于第四阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述少部分可容纳；当所述阈值区间位于第五阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述极少可容纳；其中，所述第一阈值区间的最大值小于或等于所述第二阈值区间的最小值；所述第二阈值区间的最大值小于或等于所述第三阈值区间的最小值；所述第三阈值区间的最大值小于或等于所述第四阈值区间的最小值；所述第四阈值区间的最大值小于或等于所述第五阈值区间的最小值。

可选地，所述第一阈值区间为：0.2～3％；所述第二阈值区间为：4～19％；所述第三阈值区间为：19％～39％；所述第四阈值区间为：40％～65％；所述第五阈值区间为：66％～98.5％。

在一可能的实施例中，所述方法还包括：确定所述落叶叶片面积的阈值；根据所述落叶叶片面积的阈值确定所述地被植物的高低类型，所述高低类型包括以下类型中的任意一种：低矮型地被；中低矮型地被；高大型地被。

可选地，所述根据所述落叶叶片面积的阈值确定所述地被植物的高低类型，包括：当所述落叶叶片面积位于第一面积区间时，确定所述地被植物的高低类型为所述低矮型地被、所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积位于第二面积区间时，确定所述地被植物的高低类型为所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积位于第三面积区间时，确定所述地被植物的高低类型为所述高大型地被；其中，所述第一面积区间的最大值小于所述第二面积区间的最小值；所述第二面积区间的最大值小于所述第三面积区间的最小值。

可选地，所述第一面积区间为：0～12；所述第二面积区间为：13～60；所述第三面积区间为：61～99.99；当所述落叶叶片面积小于或等于12时，确定所述地被植物的高低类型为所述低矮型地被、所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积大于12且小于或等于60时，确定所述地被植物的高低类型为所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积大于60且小于或等于99.99时，确定所述地被植物的高低类型为所述高大型地被。

为了验证上述基于神经网络输出的结果的正确性，本申请提供了四个区域(A区域、B区域、C区域和D区域)的地被植物对落叶的容纳能力的实验数据，具体地：

其中，A区域植被丰富，品种多样。以混交林和湖泊为基础的自然生态绿地，并结合历史人文景观打造特色主题公园。园中植物种类繁多、植被配置丰富。因此，选择该A区域调查地被植物容纳落叶状况作为调查分析依据。

B区域以绿化造景为主，植物配置上以平地与山地建设结合的成片的混交林搭配形式，运用各种配置手法体现不同的植物季相和植物层次，具有明显观花、观果、观叶特性。该园区植物配置中展现高大乔木的孤植、对植、丛植等形式，划分了不同特色的专类园。由于此园的植被空间结构和景观营造效果不同，对其落叶受纳状况的调查与分析有重大意义。

C区域以湖面为主，其植物配置以滨水布局为特色，整个区域北堤以高大榕树为主的配置，中堤以菩提、垂柳、红花紫荆为乔木进行搭配。注重体现季相的搭配，特别是每逢春季呈现一番春暖花开、桃红柳绿、湖面荡漾、优美春景的景象。调查此区域有助于更深了解地被植物容纳落叶的现状。

D区域设有不同类型的专类园，内有木兰园、姜园、竹园、棕榈区、孑遗植物区、药用植物区、兰园、苏铁园等近30个专类园，其植物丰富、种类齐全、配置完善，乔灌木多样，调查该区域地被植物容纳落叶现状有重要参考依据。

具体地，(1)测量不同类型的地被植物高度(表一)、形态、密度。采用单一变量法。分析在相同乔木下，不同高度、形态、密度的地被植物容纳其落叶的能力。(2)测量落叶叶面积(表二)及落叶量。采用单一变量法。分析相同地被情况下，不同落叶面积、落叶量的乔木对地被植物容纳能力产生的影响。(3)调查植物群落结构(包括垂直结构、水平结构，其中垂直结构包括单层及复层)对地被植物容纳能力产生的影响。水平结构通过群落郁闭度(盖度)进行调查与分析。

1)地被植物高度的分类

调查常见34地被植物的高度(表一)，按期高度差异划分了三个范围：第一种低矮型地被植物(≦25cm)、第二种中等型地被植物(25～60cm)、第三种高大型地被植物(≧60cm)。

表一 不同地被植物高度分类

2)常见乔木叶面积

通过统计和测量A区域、B区域、C区域和D区域内的常见乔木56种树种落叶的叶长、叶宽得出其叶面积(表二)。棕榈科属于常绿植物其落叶较少，更新时间慢且落叶面积较大，不利于地被就地容纳，因此，这里不作统计。为了调查和分析的需要，一般将叶面积小于12cm

表二 常见乔木60种落叶树种叶面积统计

举例来说，以爪哇木棉+吊竹梅配置为例，爪哇木棉树树叶形状三角狭长形，最大宽为7cm，最大长为13cm，依据公式Al＝k*(L×W)得面积Al＝68.25cm

由此可知，基于表一以及表二可知，基于落叶叶片面积、地被植物的高低类型和落叶盖度可以得到地被植物的的容纳落叶能力。

也就是说：(1)当树木叶片面积≤12cm

步骤S205，发送登录经验数据库的登录验证信息至服务器，所述服务器验证所述登录验证信息合法后，返回登录所述经验数据库的登录链接。

其中，登录验证信息可以是自动按照预设规则生成的一个字符串。而预设规则的具体设置可以根据实际需求进行设置，本申请不作具体限定。例如，该预设规则可以是生成一个带A的字符串。

当然，上述仅为示例，而非限定。

步骤S207，接收所述登录链接，并登录至所述经验数据库。

步骤S209，查找所述经验数据库中与所述地被植物的容纳落叶能力匹配的植物种植建议，所述植物种植建议包括待种植的地被植物的类型。

当然，在实际使用中，地被植物的类型对其容纳落叶能力的影响。例如，地被植物类型较多，按其生态学特性，将其分为木本、草本。其中，草本中的蔓生植物也占据很大的比例。

可选地，地被植物的形态以及密度也会对其容纳落叶能力产生影响，在此，不作具体限定。

步骤S211，输出所述待种植的地被植物的图像。

作为一种实施方式，步骤S211包括：获取所述待种植的地被植物对于的低灰度图像；将所述低灰度图像转换为高灰度图像，所述高灰度图像的灰度大于所述低灰度图像的灰度值；输出所述待种植的地被植物对应的所述高灰度图像。

在上述实现过程中，由于是先获取对应的低灰度图像，从而可以降低存储图像的容量，以提高存储利用率，并且通过在最后输出的时候输出高灰度图像，以使得用户可以看见一个清晰度较高的图像，从而便于用户快速确定该待种植的地被植物的具体名称与类型，便于用户后期种植时可以减少确定该待种植的地被植物的时间，提高种植效率。

综上所述，通过上述实验数据可知，基于本申请的方法可以准确得到地被植物对落叶的容纳落叶能力。并且基于本申请所得到的容纳落叶能力可以给用户一个较好的园林布局意见。例如，地被植物容纳落叶能力与落叶叶面积和落叶量有关；同时，与地被植物密度、高度、形态有关。因此，通过而搭配地被植物种类对其容纳性更为突出也是最关键，因而用户可以选择适合地被植物种类对提高地被植物容纳落叶能力有着重要的作用，例如，用户基于本申请所得到的地被植物的容纳落叶能力可以做出如下园林布局：

(1)对于高大型地被植物种类，其群落结构，落叶叶面积和落叶量，地被植物类型、密度、高度、形态对其容纳落叶能力没有明显的关系。如水鬼蕉、肾蕨、海芋、花叶艳山姜、姜花等植物。

(2)对于中等型地被植物种类，当树木叶面积≧90cm

(3)对于低矮型地被植物种类，当13cm

(4)合理利用地被植物，依据乔灌木叶片大小等因素匹配相适应的地被植物可以有效地容纳落叶。

在上述实施例中，本实施例通过采集地被植物的生长环境图像，所述生长环境图像包括地被植物和掉落在所述地被植物上的落叶；基于预训练的神经网络模型将所述生长环境图像与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行分析处理，得到所述生长环境图像所对应的地被植物的容纳落叶能力，从而可以快速且准确地利用神经网络来输出地被植物对落叶的容纳能力，以提高生态园林建设的合理性，以符合园林低养护的概念，以使得落叶能够更好地就地容纳与消解有利于保持土壤的肥力，实现落叶资源循环利用。并且通过该地被植物对落叶的容纳能力可以使得在栽种树木与地被植物时，可以更好地形成容纳落叶能力更强的组合，较好地实现落叶就地容纳与消解的目的，避免人工对落叶进行处理，从而一方面可以解决落叶资源浪费的问题，以实现节约落叶资源，另一方面还可以实现降低对落叶处理的人力物力的技术效果以及提出针对性的种植建议。

第三实施例：

参见图3所示的一种基于神经网络提取地被植物容纳落叶能力的装置，该基于神经网络提取地被植物容纳落叶能力的装置400包括：

采集模块410，用于采集地被植物的生长环境图像，所述生长环境图像包括地被植物和掉落在所述地被植物上的落叶。

处理模块420，用于基于预训练的神经网络模型将所述生长环境图像与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行分析处理，得到所述生长环境图像所对应的地被植物的容纳落叶能力。

发送模块430，用于发送登录经验数据库的登录验证信息至服务器，所述服务器验证所述登录验证信息合法后，返回登录所述经验数据库的登录链接；

接收模块440，用于接收所述登录链接，并登录至所述经验数据库；

查找模块450，用于查找所述经验数据库中与所述地被植物的容纳落叶能力匹配的植物种植建议，所述植物种植建议包括待种植的地被植物的类型；

输出模块460，用于输出所述待种植的地被植物的图像。

可选地，处理模块420，还用于：基于预训练的神经网络模型对所述生长环境图像进行特征提取，得到地被植物特征和落叶特征；对所述地被植物特征和所述落叶特征进行特征处理，得到所述地被植物的高度以及落叶信息；根据所述地被植物信息以及所述落叶信息与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行对比，得到所述生长环境图像所对应的地被植物的容纳落叶能力。

可选地，所述落叶信息包括落叶叶片面积和落叶盖度；其中，所述落叶盖度＝落叶所残留在地被植物表层上的面积/单位平面的总面积×100％；所述落叶所残留在地被植物表层上的面积则为单位面积下：植物落叶数×落叶叶片面积；根据所述地被植物信息以及所述落叶信息与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行对比，得到所述生长环境图像所对应的地被植物的容纳落叶能力，包括：确定所述落叶盖度所对应的阈值区间；查询所述预设地被植物容纳落叶能力数据库中与所述阈值区间匹配的容纳落叶能力。

可选地，所述地被植物信息包括用于表征所述落叶于地被植物表层厚度的地被表层落叶蓄积度，其中，所述地被表层落叶蓄积度为取4个1平方米区域的样本，并取其平均值；根据所述地被植物信息以及所述落叶信息与预设地被植物容纳落叶能力数据库中的容纳落叶能力数据进行对比，得到所述生长环境图像所对应的地被植物的容纳落叶能力，包括：确定所述落叶盖度所对应的阈值区间以及所述地被表层落叶蓄积度对应的阈值；查询所述预设地被植物容纳落叶能力数据库中与所述阈值区间和所述地被表层落叶蓄积度对应的阈值匹配的容纳落叶能力，其中，所述容纳落叶能力包括以下至少一种：完全可容纳；大部分可容纳；部分可容纳；少部分可容纳；极少可容纳。

可选地，所述查询所述预设地被植物容纳落叶能力数据库中与所述阈值区间和所述地被表层落叶蓄积度对应的阈值匹配的容纳落叶能力，包括：当所述阈值区间位于第一阈值区间时，且所述地被表层落叶蓄积度为零时，所述地被植物的容纳落叶能力为所述完全可容纳；当所述阈值区间位于第二阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述大部分可容纳；当所述阈值区间位于第三阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述部分可容纳；当所述阈值区间位于第四阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述少部分可容纳；当所述阈值区间位于第五阈值区间时，且所述地被表层落叶蓄积度大于零时，所述地被植物的容纳落叶能力为所述极少可容纳；其中，所述第一阈值区间的最大值小于或等于所述第二阈值区间的最小值；所述第二阈值区间的最大值小于或等于所述第三阈值区间的最小值；所述第三阈值区间的最大值小于或等于所述第四阈值区间的最小值；所述第四阈值区间的最大值小于或等于所述第五阈值区间的最小值。

可选地，所述第一阈值区间为：0.2～3％；所述第二阈值区间为：4～19％；所述第三阈值区间为：19％～39％；所述第四阈值区间为：40％～65％；所述第五阈值区间为：66％～98.5％。

在一可能的实施例中，所述装置400还包括：计算模块，用于确定所述落叶叶片面积的阈值；根据所述落叶叶片面积的阈值确定所述地被植物的高低类型，所述高低类型包括以下类型中的任意一种：低矮型地被；中低矮型地被；高大型地被。

可选地，所述根据所述落叶叶片面积的阈值确定所述地被植物的高低类型，包括：当所述落叶叶片面积位于第一面积区间时，确定所述地被植物的高低类型为所述低矮型地被、所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积位于第二面积区间时，确定所述地被植物的高低类型为所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积位于第三面积区间时，确定所述地被植物的高低类型为所述高大型地被；其中，所述第一面积区间的最大值小于所述第二面积区间的最小值；所述第二面积区间的最大值小于所述第三面积区间的最小值。

可选地，所述第一面积区间为：0～12；所述第二面积区间为：13～60；所述第三面积区间为：61～99.99；当所述落叶叶片面积小于或等于12时，确定所述地被植物的高低类型为所述低矮型地被、所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积大于12且小于或等于60时，确定所述地被植物的高低类型为所述中低矮型地被和/或所述高大型地被；当所述落叶叶片面积大于60且小于或等于99.99时，确定所述地被植物的高低类型为所述高大型地被。

进一步，本实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理设备运行时执行上述第二实施例提供的任一项基于神经网络提取地被植物容纳落叶能力的方法的步骤。

本申请实施例所提供的一种基于神经网络提取地被植物容纳落叶能力的方法及装置的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。

需要说明的是，上述功能如果以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，本申请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)执行本申请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(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。