草地边界识别方法、装置、割草机器人以及存储介质

技术领域

本申请涉及计算机技术领域，具体涉及一种草地边界识别方法、装置、割草机器人以及存储介质。

背景技术

割草机器人被广泛应用于家庭庭院草坪的维护和大型草地的修剪。割草机器人融合了运动控制、多传感器融合以及路径规划等技术。为了控制割草机器人实现割草作业，需要对割草机器人的割草路径进行规划，使其可以完全覆盖所有的作业区域。

割草机器人在草地上运行过程中需要识别草地边界，目前的草地边界识别方案包括基于场景颜色的分割方案和基于点云的场景分割，基于颜色的分割容易受到场景的光照影响，导致草地边界分割的鲁棒性不高，难以在真实的场景中应用，而基于点云特征的草地边界分割方案，易受噪声点的影响且计算的复杂度较大，很难进行实时的分割，可见，目前的草地边界识别方案的可靠性不佳，进而影响割草机器人的割草效果。

发明内容

本申请实施例提供一种草地边界识别方法、装置、割草机器人以及存储介质，可以提高草地边界识别的可靠性，进而提升割草机器人的割草效果。

第一方面，本申请实施例提供了一种草地边界识别方法，包括：

获取包含草地样本的颜色图像样本；

对所述颜色图像样本进行数据增强，得到目标图像样本，其中，所述目标图像样本中标注有所述草地样本的真实边界；

根据预设的基础模型预估所述目标图像样本的预估边界；

基于所述预估边界以及真实边界对所述基础模型进行训练，得到草地边界识别模型，以通过所述草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别。

可选地，在一些实施例中，所述通过所述草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别，包括：

将割草机器人采集的待检测图像输入至所述草地边界识别模型，输出所述待检测图像中各像素点属于草地边界的概率；

基于所述概率在所述待检测图像中确定草地边界。

可选地，在一些实施例中，所述将割草机器人采集的待检测图像输入至所述草地边界识别模型，输出所述待检测图像中各像素点属于草地边界的概率，包括：

利用所述草地边界识别模型的解码器对所述待检测图像进行下采样处理；

利用所述所述草地边界识别模型的解码器对下采样结果进行连接，得到所述待检测图像中各像素点属于草地边界的概率。

可选地，在一些实施例中，所述通过所述草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别之后，还包括：

获取所述割草机器人行驶时对应的实时点云数据；

基于所述实时点云数据以及识别的草地边界，控制所述割草机器人的行驶方向。

可选地，在一些实施例中，所述获取所述割草机器人行驶时对应的实时点云数据，包括：

从点云数据中随机选取起始点，并将所述起始点添加至采样点集合中；

计算所述起始点与所述点云数据中其余点的第一距离，将距离最大的其余点确定为候选点，并将所述候选点添加至采样点集合中；

计算所述候选点与所述点云数据中其余点的第二距离，并基于所述第二距离对所述采样点集合进行更新，直至获得预设数量的采样点为止。

可选地，在一些实施例中，所述对所述颜色图像样本进行数据增强，得到目标图像样本，包括：

对所述图像样本进行预处理；

对预处理后的图像样本进行几何变换，并在变换后的图像样本中标注所述草地样本的真实边界，得到目标图像样本。

可选地，在一些实施例中，所述基于所述预估边界以及真实边界对所述基础模型进行训练，得到草地边界识别模型，包括：

基于所述预估边界以及真实边界之间的位置偏差，生成所述基础模型的边界损失；

根据所述边界损失收敛所述基础模型，得到草地边界识别模型。

第二方面，本申请实施例提供了一种草地边界识别装置，包括：

获取模块，用于获取包含草地样本的颜色图像样本；

增强模块，用于对所述颜色图像样本进行数据增强，得到目标图像样本，其中，所述目标图像样本中标注有所述草地样本的真实边界；

预估模块，用于根据预设的基础模型预估所述目标图像样本的预估边界；

训练模块，用于基于所述预估边界以及真实边界对所述基础模型进行训练，得到草地边界识别模型；

识别模块，用于通过所述草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别。

本申请实施例在获取包含草地样本的颜色图像样本后，对所述颜色图像样本进行数据增强，得到目标图像样本，其中，所述目标图像样本中标注有所述草地样本的真实边界，然后，根据预设的基础模型预估所述目标图像样本的预估边界，最后，基于所述预估边界以及真实边界对所述基础模型进行训练，得到草地边界识别模型，以通过所述草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别，在本申请提供的草地边界识别方案中，利用预设的基础模型预估目标图像样本的预估边界，并且，预先在图像样本标注草地样本的真实边界，然后，基于预估边界和真实边界对基础模型进行训练，得到草地边界识别模型，使得该草地边界识别模型具有识别草地边界的能力，由此，可以提高草地边界识别的可靠性，进而提升割草机器人的割草效果。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，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。

图1a是本申请实施例提供的草地边界识别方法的场景示意图；

图1b是本申请实施例提供的草地边界识别方法的流程示意图；

图1c是本申请提实施例提供的基础模型的结构示意图；

图2a是本申请实施例提供的草地边界识别装置的结构示意图；

图2b是本申请实施例提供的草地边界识别装置的另一结构示意图；

图3是本申请实施例提供的电子设备的结构示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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，都属于本申请保护的范围。

需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者间接在该另一个元件上。当一个元件被称为是“连接于”另一个元件，它可以是直接连接到另一个元件或间接连接至该另一个元件上。另外，连接既可以是用于固定作用也可以是用于电路连通作用。

需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“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的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多该特征。在本申请实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

本申请实施例提供一种草地边界识别方法、装置、割草机器人和存储介质。

其中，该草地边界识别装置具体可以集成在割草机器人的微控制单元(Microcontroller Unit，MCU)中，还可以集成在智能终端或服务器中，MCU又称单片微型计算机(Single Chip Microcomputer)或者单片机，是把中央处理器(Central ProcessUnit，CPU)的频率与规格做适当缩减，并将内存(memory)、计数器(Timer)、USB、模数转换/数模转换、UART、PLC、DMA等周边接口，形成芯片级的计算机，为不同的应用场合做不同组合控制。割草机器人可以自动行走，防止碰撞，范围之内自动返回充电，具备安全检测和电池电量检测，具备一定爬坡能力，尤其适合家庭庭院、公共绿地等场所进行草坪修剪维护，其特点是：自动割草、清理草屑、自动避雨、自动充电、自动躲避障碍物、外形小巧、电子虚拟篱笆、网络控制等。

终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN、以及大数据和人工智能平台等基础云计算服务的云服务器，本申请在此不做限制。

例如，请参阅图1a，本申请提供一种割草系统，包括相互之间建立有通信连接的割草机器人10、服务器20以及用户设备30，其中，该割草机器人10上安装有视觉传感器P，该视觉传感器P可以用于采集草地图像。

具体的，在割草机器人10执行割草任务之前，可以获取包含草地样本的颜色图像样本，然后，可以对颜色图像样本进行数据增强，得到目标图像样本，其中，该目标图像样本中标注有草地样本的真实边界，接着，根据预设的基础模型预估目标图像样本的预估边界，最后，基于预估边界以及真实边界对所述基础模型进行训练，得到草地边界识别模型，在割草机器人10执行割草任务时，可以通过视觉传感器P采集待检测图像，然后，将通过草地边界识别模型对待检测图像进行草地边界识别，以便割草机器人10后续执行割草任务。

本申请提供的草地边界识别方案，利用预设的基础模型预估目标图像样本的预估边界，并且，预先在图像样本标注草地样本的真实边界，然后，基于预估边界和真实边界对基础模型进行训练，得到草地边界识别模型，使得该草地边界识别模型具有识别草地边界的能力，由此，可以提高草地边界识别的可靠性，进而提升割草机器人的割草效果。

以下分别进行详细说明。需说明的是，以下实施例的描述顺序不作为对实施例优先顺序的限定。

一种草地边界识别方法，包括：获取包含草地样本的颜色图像样本，对颜色图像样本进行数据增强，得到目标图像样本，根据预设的基础模型预估目标图像样本的预估边界，基于预估边界以及真实边界对基础模型进行训练，得到草地边界识别模型，以通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别。

请参阅图1b，图1b为本申请实施例提供的草地边界识别方法的流程示意图。该草地边界识别方法的具体流程可以如下：

101、获取包含草地样本的颜色图像样本。

其中，颜色图像样本可以为RGB颜色图像，即，为RGB色彩模式下的图像，RGB色彩模式是工业界的一种颜色标准，是通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的，RGB即是代表红、绿、蓝三个通道的颜色，这个标准几乎包括了人类视力所能感知的所有颜色，是目前运用最广的颜色系统之一。

102、对颜色图像样本进行数据增强，得到目标图像样本。

其中，目标图像样本中标注有草地样本的真实边界，由于样本图像可能会存在模糊区域，因此，在训练前，可以去除颜色图像样本中的模糊区域；又比如，可以采用预设的方法或策略，优化颜色图像样本中的模糊区域，即，可选地，在一些实施例中，步骤“对颜色图像样本进行数据增强，得到目标图像样本”，具体可以包括：

(11)对图像样本进行预处理；

(12)对预处理后的图像样本进行几何变换，并在变换后的图像样本中标注草地样本的真实边界，得到目标图像样本。

该预处理的方法可以是直方图均衡化方法，其主要将该颜色图像样本对应的直方图分布变成近似均匀化分布，从而增强颜色图像样本中模糊区域的对比度，其中，几何变换主要指的是图像中的像素点坐标的变换，通过对应的坐标点关系，将原始图像转换为目标图像，如镜像变换和垂直变换等等，该方法并不是本申请的重点，在此不作赘述。

在得到变换后的图像样本后，可以通过人工的方式对草地样本的边界进行标注，以便后续对基础模型进行训练。

103、根据预设的基础模型预估目标图像样本的预估边界。

例如，将目标图像样本输入至预设的基础模型中，利用该基础模型预估目标图像样本的预估边界，其中，该基础模型可以是U形语义分割网络(U-net)，U-net实际上是全卷积神经网络(Full convolution neural network，FCN)的变形t。

具体的，将目标图像样本输入至U-net中，利用U-net对其进行下采样-上采样等一系列过程，最终预估目标图像样本的预估边界，在得到预估边界后，可以结合步骤102中标注的真实边界，对该U-net模型进行训练，需要说明的是，本申请对步骤102和步骤103的顺序不作限制，即，步骤103可以在步骤102之前，也可以在步骤102之后，还可以与步骤102同时进行，具体可以根据实际情况进行选择，在此不作赘述。

104、基于预估边界以及真实边界对基础模型进行训练，得到草地边界识别模型，以通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别。

例如，具体的，可以基于预估边界和真实边界，构建基础模型的边界损失，然后，根据该边界损失收敛基础模型，从而得到草地边界识别模型，即，可选地，在一些实施例中，步骤“基于预估边界以及真实边界对基础模型进行训练，得到草地边界识别模型”，具体可以包括：

(21)基于预估边界以及真实边界之间的位置偏差，生成基础模型的边界损失；

(22)根据边界损失收敛基础模型，得到草地边界识别模型。

其中，预估边界以及真实边界之间的位置偏差可以通过预估边界与真实边界之间的像素差异来表示，即，该基础模型的边界损失loss具体通过下式表示：

其中，N代表目标图像样本中像素点的数量，y

在得到草地边界识别模型后，在实际割草时，可以利用该草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别，即，将待检测图像输入至草地边界识别模型中，输出每个像素点属于草地边界的概率，以此确定草地边界，即，可选地，在一些实施例中，步骤“通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别”，具体可以包括：

(31)将割草机器人采集的待检测图像输入至草地边界识别模型，输出待检测图像中各像素点属于草地边界的概率；

(32)基于概率在待检测图像中确定草地边界。

可选地，请参阅图1c，该基础模型结构可以包括下采样层S、上采样层U和卷积核C，图像I经过下采样层S进行下采样后，由于上采样只能扩大图片而不能还原图片，为了减少数据丢失，将下采样时的图片裁剪成相同大小后直接拼过来的方法增加特征层，再进行卷积来提取特征，再然后，对采样的结果进行拼接，以输出图像中每个像素属于草地边界的概率，最后，基于概率在待检测图像中确定草地边界，即，可选地，在一些实施例中，步骤“将割草机器人采集的待检测图像输入至草地边界识别模型，输出待检测图像中各像素点属于草地边界的概率”，具体可以包括：

(41)利用草地边界识别模型的解码器对待检测图像进行下采样处理；

(42)利用草地边界识别模型的解码器对下采样结果进行连接，得到待检测图像中各像素点属于草地边界的概率。

需要说明的是，对于前馈神经网络而言，在信息传递时，或多或少会存在信息丢失、损耗等问题，同时还会导致梯度消失或梯度爆炸，使得很深的网络无法训练，因此，为了降低本申请模型训练的难度，本申请的编码器可以为残差网络结构，该残差网络结构可以包括至少一个残差模块，其中，一个残差模块包含多个卷积层，这些卷积层对这个残差模块的输入数据进行变化，同时原始输入信息跳过这些卷积层直接传导至后面的层中，最终将它们的整体作为输入，用激活函数激活，得到这个残差模块的输出结果。

在得到草地边界后，可以结合割草机器人的实时点云数据，从而控制割草机器人的行驶方向，即，可选地，在一些实施例中，步骤“通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别”，具体可以包括：

(51)获取割草机器人行驶时对应的实时点云数据；

(52)基于实时点云数据以及识别的草地边界，控制割草机器人的行驶方向。

其中，可以通过安装在割草机器人中的激光雷达获取割草机器人行驶时对应的实时点云数据，当割草机器人行驶时，激光雷达可以通过一束激光照射到行驶方向前物体的表面，物体的表面反射的激光会携带方位以及距离等信息，若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，因此能够得到大量的激光点，从而形成实时点云数据。

为了尽可能地覆盖空间中的所有点，可选地，在一些实施例中，可以采用最远点采样的方式进行点云采集，即，步骤“获取割草机器人行驶时对应的实时点云数据”，具体可以包括：

(61)从点云数据中随机选取起始点，并将起始点添加至采样点集合中；

(62)计算起始点与点云数据中其余点的第一距离，将距离最大的其余点确定为候选点，并将候选点添加至采样点集合中；

(63)计算候选点与点云数据中其余点的第二距离，并基于第二距离对所述采样点集合进行更新，直至获得预设数量的采样点为止。

具体如下：

1)从点云中选取一个点P0作为起始点，得到采样点集合S＝{P0}；

2)计算所有点到P0的距离，构成N维数组L，从中选择最大值对应的点作为P1，更新采样点集合S＝{P0，P1}；

3)计算所有点到P1的距离，对于每一个点Pi，其距离P1的距离如果小于L[i]，则更新L[i]＝d(Pi,P1)，因此，数组L中存储的一直是每一个点到采样点集合S的最近距离；

4)选取L中最大值对应的点作为P2，更新采样点集合S＝{P0，P1，P2}；

重复2-4步，一直采样到N’个目标采样点为止。

本申请实施例在获取包含草地样本的颜色图像样本后，对颜色图像样本进行数据增强，得到目标图像样本，其中，目标图像样本中标注有草地样本的真实边界，然后，根据预设的基础模型预估目标图像样本的预估边界，最后，基于预估边界以及真实边界对基础模型进行训练，得到草地边界识别模型，以通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别，在本申请提供的草地边界识别方案中，利用预设的基础模型预估目标图像样本的预估边界，并且，预先在图像样本标注草地样本的真实边界，然后，基于预估边界和真实边界对基础模型进行训练，得到草地边界识别模型，使得该草地边界识别模型具有识别草地边界的能力，在实际草地边界识别时，利用草地边界识别模型的解码器对待检测图像进行下采样处理，并利用草地边界识别模型的解码器对下采样结果进行连接，得到待检测图像中各像素点属于草地边界的概率，由此，可以提高草地边界识别的可靠性，进而提升割草机器人的割草效果。

请参阅图2a，图2a为本申请实施例提供的草地边界识别装置的结构示意图，其中该草地边界识别装置可以包括第一获取模块201、增强模块202、预估模块203、训练模块204以及识别模块205具体可以如下：

第一获取模块201，用于获取包含草地样本的颜色图像样本。

其中，颜色图像样本可以为RGB颜色图像，即，为RGB色彩模式下的图像。

增强模块202，用于对颜色图像样本进行数据增强，得到目标图像样本。

其中，目标图像样本中标注有草地样本的真实边界。在训练前，可以去除颜色图像样本中的模糊区域；又比如，可以采用预设的方法或策略，优化颜色图像样本中的模糊区域，即，可选地，在一些实施例中，增强模块202具体可以用于：对图像样本进行预处理；对预处理后的图像样本进行几何变换，并在变换后的图像样本中标注草地样本的真实边界，得到目标图像样本。

预估模块203，用于根据预设的基础模型预估目标图像样本的预估边界。

训练模块204，用于基于预估边界以及真实边界对基础模型进行训练，得到草地边界识别模型。

例如，具体的，可以基于预估边界和真实边界，构建基础模型的边界损失，然后，根据该边界损失收敛基础模型，从而得到草地边界识别模型，可选地，在一些实施例中，训练模块204具体可以用于：基于预估边界以及真实边界之间的位置偏差，生成基础模型的边界损失；根据边界损失收敛基础模型，得到草地边界识别模型。

识别模块205，用于通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别。

可选地，在一些实施例中，识别模块205具体可以包括：

输出单元，用于将割草机器人采集的待检测图像输入至草地边界识别模型，输出待检测图像中各像素点属于草地边界的概率；

确定单元，用于基于概率在待检测图像中确定草地边界。

可选地，在一些实施例中，输出单元具体可以用于：利用草地边界识别模型的解码器对待检测图像进行下采样处理；利用草地边界识别模型的解码器对下采样结果进行连接，得到待检测图像中各像素点属于草地边界的概率。

可选地，在一些实施例中，请参阅图2b，本申请提供的草地边界识别装置具体还可以包括第二获取模块206和控制模块207，其中，第二获取模块206用于获取割草机器人行驶时对应的实时点云数据；控制模块207用于基于实时点云数据以及识别的草地边界，控制割草机器人的行驶方向。

可选地，在一些实施例中，第二获取模块206具体可以用于：从点云数据中随机选取起始点，并将起始点添加至采样点集合中；计算起始点与点云数据中其余点的第一距离，将距离最大的其余点确定为候选点，并将候选点添加至采样点集合中；计算候选点与点云数据中其余点的第二距离，并基于第二距离对所述采样点集合进行更新，直至获得预设数量的采样点为止。

本申请实施例的草地边界识别装置的第一获取模块201在获取包含草地样本的颜色图像样本后，增强模块202对颜色图像样本进行数据增强，得到目标图像样本，其中，目标图像样本中标注有草地样本的真实边界，然后，预估模块203根据预设的基础模型预估目标图像样本的预估边界，最后，训练模块204基于预估边界以及真实边界对基础模型进行训练，得到草地边界识别模型，识别模块205通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别，在本申请提供的草地边界识别方案中，利用预设的基础模型预估目标图像样本的预估边界，并且，预先在图像样本标注草地样本的真实边界，然后，基于预估边界和真实边界对基础模型进行训练，得到草地边界识别模型，使得该草地边界识别模型具有识别草地边界的能力，在实际草地边界识别时，利用草地边界识别模型的解码器对待检测图像进行下采样处理，并利用草地边界识别模型的解码器对下采样结果进行连接，得到待检测图像中各像素点属于草地边界的概率，由此，可以提高草地边界识别的可靠性，进而提升割草机器人的割草效果。

此外，本申请实施例还提供一种割草机器人，如图3所示，其示出了本申请实施例所涉及的割草机器人的结构示意图，具体来讲：

该割草机器人可以包括控制模块301、行进机构302、切割模块303以及电源304等部件。本领域技术人员可以理解，图3中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：

控制模块301是该割草机器人的控制中心，该控制模块301具体可以包括中央处理器(Central Process Unit，CPU)、存储器、输入/输出端口、系统总线、定时器/计数器、数模转换器和模数转换器等组件，CPU通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行割草机器人的各种功能和处理数据；优选的，CPU可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到CPU中。

存储器可用于存储软件程序以及模块，CPU通过运行存储在存储器的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器还可以包括存储器控制器，以提供CPU对存储器的访问。

行进机构302与控制模块301电性相连，用于响应控制模块301传递的控制信号，调整割草机器人的行进速度和行进方向，实现割草机器人的自移动功能。

切割模块303与控制模块301电性相连，用于响应控制模块传递的控制信号，调整切割刀盘的高度和转速，实现割草作业。

电源304可以通过电源管理系统与控制模块301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源304还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。

尽管未示出，该割草机器人还可以包括通信模块、传感器模块、提示模块等，在此不再赘述。

通信模块用于收发信息过程中信号的接收和发送，通过与用户设备、基站或服务器建立通信连接，实现与用户设备、基站或服务器之间的信号收发。

传感器模块用于采集内部环境信息或外部环境信息，并将采集到的环境数据反馈给控制模块进行决策，实现割草机器人的精准定位和智能避障功能。本申请实施例中，传感器模块至少包括视觉传感器，用于采集作业环境中的图形码。可选地，传感器模块还可以包括：超声波传感器、红外传感器、碰撞传感器、雨水感应器、激光雷达传感器、惯性测量单元、轮速计、位置传感器及其他传感器，对此不做限定。

提示模块用于提示用户当前割草机器人的工作状态。本方案中，提示模块包括但不限于指示灯、蜂鸣器等。例如，割草机器人可以通过指示灯提示用户当前的电源状态、电机的工作状态、传感器的工作状态等。又例如，当检测到割草机器人出现故障或被盗时，可以通过蜂鸣器实现告警提示。

具体在本实施例中，控制模块301中的处理器会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器中，并由处理器来运行存储在存储器中的应用程序，从而实现各种功能，如下：

获取包含草地样本的颜色图像样本，对所述颜色图像样本进行数据增强，得到目标图像样本，根据预设的基础模型预估目标图像样本的预估边界，基于预估边界以及真实边界对基础模型进行训练，得到草地边界识别模型，以通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

本申请实施例在获取包含草地样本的颜色图像样本后，对颜色图像样本进行数据增强，得到目标图像样本，其中，目标图像样本中标注有草地样本的真实边界，然后，根据预设的基础模型预估目标图像样本的预估边界，最后，基于预估边界以及真实边界对基础模型进行训练，得到草地边界识别模型，以通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别，在本申请提供的草地边界识别方案中，利用预设的基础模型预估目标图像样本的预估边界，并且，预先在图像样本标注草地样本的真实边界，然后，基于预估边界和真实边界对基础模型进行训练，得到草地边界识别模型，使得该草地边界识别模型具有识别草地边界的能力，在实际草地边界识别时，利用草地边界识别模型的解码器对待检测图像进行下采样处理，并利用草地边界识别模型的解码器对下采样结果进行连接，得到待检测图像中各像素点属于草地边界的概率，由此，可以提高草地边界识别的可靠性，进而提升割草机器人的割草效果。

本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。

为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种草地边界识别方法中的步骤。例如，该指令可以执行如下步骤：

获取包含草地样本的颜色图像样本，对所述颜色图像样本进行数据增强，得到目标图像样本，根据预设的基础模型预估目标图像样本的预估边界，基于预估边界以及真实边界对基础模型进行训练，得到草地边界识别模型，以通过草地边界识别模型对割草机器人采集的待检测图像进行草地边界识别。

以上各个操作的具体实施可参见前面的实施例，在此不再赘述。

其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。

由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种草地边界识别方法中的步骤，因此，可以实现本申请实施例所提供的任一种草地边界识别方法所能实现的有益效果，详见前面的实施例，在此不再赘述。

以上对本申请实施例所提供的一种草地边界识别方法、装置、割草机器人以及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。