用于识别农作物高度的方法、装置、存储介质及处理器

技术领域

本申请涉及图像处理技术领域，具体涉及一种用于识别农作物高度的方法、装置、存储介质及处理器。

背景技术

农作物高度作为农作物生长的重要指标，在一定程度上影响到农作物的产量和品质。因此，通过测量农作物高度对保障粮食安全具有重要意义。

目前，常见的农作物高度测量方式包括人工测量和遥感测量。其中，传统的人工测量一般由人工进入到农田指定区域，并通过手动测量的方式对农作物的高度进行测量。此种测量方法需要耗费较高的时间成本和人力成本，测量范围的局限性较大，测量结果的准确性也不够高，同时也无法运用于大田农作物整体高度的测量。而遥感测量可以利用遥感技术获取农作物遥感影像数据，并对其进行分析以获取到农作物高度。但此种测量方式受遥感影像分辨率、农作物间阴影、农作物冠层均质现象的影响较大，也无法运用于大田农作物整体高度的测量。

发明内容

本申请实施例的目的是提供一种用于识别农作物高度的方法、装置、存储介质及处理器。

为了实现上述目的，本申请第一方面提供一种用于识别农作物高度的方法，图像采集设备固定于无人移动平台，方法包括：

根据预设行驶路线对待观测区域进行划分，以将待观测区域划分为多个子区域；

在无人移动平台沿着预设行驶路线移动的过程中，通过图像采集设备获取每个子区域的区域图像；

根据每个子区域的区域图像生成每个子区域的三维点云数据，三维点云数据包括多个点，以及每个点的RGB值、坐标数据与分类标签，分类标签至少包括与土壤和农作物对应的标签；

将每个子区域的三维点云数据输入至机器学习模型，并获取机器学习模型输出的每个子区域中的农作物高度。

在本申请的实施例中，方法还包括：在将每个子区域的三维点云数据输入至机器学习模型之前，对三维点云数据重采样，以得到与每个子区域对应的规则的体素数据；将每个子区域的体素数据输入至机器学习模型，并获取机器学习模型输出的每个子区域中的农作物高度。

在本申请的实施例中，对三维点云数据重采样，以得到与每个子区域对应的规则的体素数据包括：按照预设重采样尺寸，将每个子区域的三维点云数据划分为多个子空间；根据每个子空间中包含的每个三维点云数据的位置确定每个子空间的中心点，并根据每个三维点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签；将全部的中心点构成的数据确定为与子区域对应的体素数据。

在本申请的实施例中，方法还包括：在任意一个子空间中未包含有三维点云数据的情况下，确定子空间的中心点的RGB值均为0，且分类标签为预设标签。

在本申请的实施例中，根据每个子区域的区域图像生成每个子区域的三维点云数据包括：针对每个子区域，在获取到子区域的区域图像的数量达到预设数量的情况下，根据预设数量的区域图像生成每个子区域的三维点云数据。

在本申请的实施例中，方法还包括：将每个子区域中的农作物高度发送至显示设备，以通过显示设备显示待观测区域的每个子区域中的农作物高度。

在本申请的实施例中，方法还包括对机器学习模型的训练步骤，训练步骤包括：获取多个样本区域的样本图像；根据每个样本区域的样本图像确定每个样本区域的样本点云数据，样本点云数据包括多个点，以及每个点的RGB值、坐标数据与分类标签，分类标签至少包括与土壤和农作物对应的标签；针对每个样本区域，将样本区域的样本点云数据输入至机器学习模型，以对机器学习模型进行训练。

在本申请的实施例中，针对每个样本区域，将样本区域的样本点云数据输入至机器学习模型，以对机器学习模型进行训练包括：按照预设重采样尺寸，将每个样本区域的样本点云数据划分为多个子空间；根据每个子空间中包含的每个样本点云数据的位置确定每个子空间的中心点，并根据每个样本点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签；将全部的中心点构成的数据确定为与样本区域对应的体素数据；针对每个样本区域，将样本区域的体素数据输入至机器学习模型，以对机器学习模型进行训练。

本申请第二方面提供一种处理器，被配置成执行上述的用于识别农作物高度的方法。

本申请第三方面提供一种用于识别农作物高度的装置，包括：无人移动平台，用于搭载图像采集设备沿着预设行驶路线移动；图像采集设备，固定于无人移动平台，用于采集待观测区域的每个子区域的区域图像；以及上述的处理器。

本申请第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得处理器被配置成执行上述的用于识别农作物高度的方法。

通过上述技术方案，能够将待观测区域划分为多个子区域，针对每个子区域能够生成与其对应的三维点云数据，进一步减少生成三维点云数据的时间成本。同时，将三维点云数据输入至机器学习模型以获取每个子区域中的农作物高度，在很大程度上减少人工测量带来的误差，能够运用于大田农作物高度的测量。

本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：

图1示意性示出了根据本申请实施例的用于识别农作物高度的方法的流程示意图；

图2示意性示出了根据本申请实施例的用于识别农作物高度的方法的应用环境示意图；

图3示意性示出了根据本申请又一实施例的用于识别农作物高度的方法的流程示意图；

图4示意性示出了根据本申请实施例的用于识别农作物高度的装置的结构框图；

图5示意性示出了根据本申请实施例的计算机设备的内部结构图。

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，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。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的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。

图1示意性示出了根据本申请实施例的用于识别农作物高度的方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种用于识别农作物高度的方法，图像采集设备固定于无人移动平台，方法包括以下步骤：

步骤101，根据预设行驶路线对待观测区域进行划分，以将待观测区域划分为多个子区域。

步骤102，在无人移动平台沿着预设行驶路线移动的过程中，通过图像采集设备获取每个子区域的区域图像。

步骤103，根据每个子区域的区域图像生成每个子区域的三维点云数据，三维点云数据包括多个点，以及每个点的RGB值、坐标数据与分类标签，分类标签至少包括与土壤和农作物对应的标签。

步骤104，将每个子区域的三维点云数据输入至机器学习模型，并获取机器学习模型输出的每个子区域中的农作物高度。

农作物可以指的是农业上栽培的各种植物，可以包括粮食作物和经济作物等。进一步地，农作物可以指的是水稻和小麦等粮食作物。一般可以采用农业机械栽种农作物。在通过农业机械栽种农作物之前，可以在农业机械上安装导航打点装置，以通过导航打点装置确定农作物的栽种区域。根据农作物的栽种区域可以对农业机械的作业路径进行规划。在规划好农业机械的作业路径之后，农业机械可以根据规划好的作业路线栽种农作物。

为了能够获取栽种之后的农作物高度的变化情况，处理器可以根据预设行驶路线对待观测区域进行划分，以将待观测区域划分为多个子区域。具体地，处理器可以先获取预设行驶路线。其中，预设行驶路线可以指的是无人移动平台的行驶路线。预设行驶路线可以包括多个行驶行。

无人移动平台可以指的是在无人工参与的情况下按照预设行驶路线移动的空中设备或者陆地设备。具体地，无人移动平台可以指的是无人机和无人农业机械等。无人移动平台上可以安装有图像采集设备。图像采集设备可以指的是普通数码相机。通过普通数码相机观测到的图像可以为只包括红、绿以及蓝三个波段信息的图像。由于普通数码相机的采购成本较低，因此，采用普通数码相机能够节省大量的设备成本。

图像采集设备的安装位置和观测角度可以根据无人移动平台的类型进行适应性设置。例如，若无人移动平台为无人机等空中移动设备，则图像采集设备可以安装在无人移动平台的下部，其观测角度可以为俯视观测角度。具体地，俯视观测角度可以为俯视60度。若无人移动平台为无人农业机械等陆地移动设备，则图像采集设备可以安装在无人移动平台的上部，其观测角度可以为俯视观测角度。具体地，俯视观测角度可以为俯视60度。此时，安装在无人移动平台上部的图像采集设备可以以俯视60度的观测角度观测前方农作物。

在获取到预设行驶路线的情况下，处理器可以根据预设行驶路线对待观测区域进行划分，以将待观测区域划分为多个子区域。其中，待观测区域可以指的是农作物的栽种区域。农作物一般被栽种在农田中。因此，待观测区域也可以指的是农田观测区域。子区域可以指的是栽种区域中的部分区域。在确定多个子区域之后，处理器可以发送观测指令至无人移动平台。无人移动平台可以在接收到观测指令的情况下沿着预设行驶路线进行移动，以通过图像采集设备对每个子区域的区域图像进行采集。在图像采集设备采集到区域图像之后，无人移动平台可以实时将采集到的区域图像发送至处理器。处理器可以实时获取到每个子区域的区域图像。

在无人移动平台沿着预设行驶路线移动的过程中，无人移动平台由于环境因素或者其他不可抗力因素可以会存在晃动的情况。若无人移动平台晃动的情况较为剧烈，则固定于无人移动平台上的图像采集设备可能也会出现晃动现象，进而会影响到区域图像的图像质量。为了避免无人移动平台的影响，可以采用配备支撑设备的图像采集设备。其中，支撑设备可以为三轴稳定器。具体地，可以是云台。云台可以包括固定云台和电动云台。配备有固定云台的图像采集设备可以调整图像采集设备的水平观测角度和俯仰观测角度。配备有电动云台的图像采集设备可以对待观测区域进行大范围的扫描和监视。因此，安装有支撑设备的图像采集设备可以具备固定和平稳的观测环境，能够降低无人移动平台晃动时对区域图像的影响，大幅度提高区域图像的图像质量，为后续识别农作物高度提供良好基础。

在获取到每个子区域的区域图像之后，处理器可以根据每个子区域的区域图像生成与每个子区域的三维点云数据。其中，三维点云数据可以包括多个点，以及每个点的RGB值、坐标数据与分类标签。进一步地，每个点的坐标数据可以为三维坐标数据。即，通过三维点云数据可以反映农作物在每个子区域内的高度。根据每个点的RGB值可以确定每个点的分类标签。分类标签可以至少包括与土壤和农作物对应的标签。

在确定每个子区域的三维点云数据之后，处理器可以将每个子区域的三维点云数据输入至机器学习模型，并可以获取机器学习模型输出的每个子区域的农作物高度。其中，机器学习模型可以为已训练好的模型。具体地，机器学习模型可以指的是神经网络模型。

通过上述技术方案，能够将待观测区域划分为多个子区域，针对每个子区域能够生成与其对应的三维点云数据，进一步减少生成三维点云数据的时间成本。同时，将三维点云数据输入至机器学习模型以获取每个子区域中的农作物高度，在很大程度上减少人工测量带来的误差，能够运用于针对大田农作物高度的测量。

在一个实施例中，方法还包括：在将每个子区域的三维点云数据输入至机器学习模型之前，对三维点云数据重采样，以得到与每个子区域对应的规则的体素数据；将每个子区域的体素数据输入至机器学习模型，并获取机器学习模型输出的每个子区域中的农作物高度。

在将每个子区域的三维点云数据输入至机器学习模型之前，处理器可以对三维点云数据重采样，以得到与每个子区域对应的规则的体素数据。其中，体素可以指的是数字数据于三维空间分割上的最小单位。因此，对三维点云数据进行重采样，即可以指的是分割每个子区域的三维点云数据。然后，处理器可以将每个子区域的体素数据输入至机器学习模型，并获取机器学习模型输出的每个子区域中的农作物高度。

在一个实施例中，对三维点云数据重采样，以得到与每个子区域对应的规则的体素数据包括：按照预设重采样尺寸，将每个子区域的三维点云数据划分为多个子空间；根据每个子空间中包含的每个三维点云数据的位置确定每个子空间的中心点，并根据每个三维点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签；将全部的中心点构成的数据确定为与子区域对应的体素数据。

处理器可以按照预设重采样尺寸，并将每个子区域的三维点云数据划分为多个子空间。然后，处理器可以根据每个子空间中包含的每个三维点云数据的位置确定每个子空间的中心点。具体地，处理器可以先确定每个三维点云数据的位置，然后可以采用预设尺寸的卷积核对每个子空间中包含的每个三维点云数据进行三维卷积，以确定每个子空间的中心点。在确定每个子空间的中心点的情况下，处理器可以根据每个三维点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签。然后，处理器可以将全部的中心点构成的数据确定为与子区域对应的体素数据。

例如，预设重采样尺寸可以为5mm。若每个子区域中的农作物高度为1m，按照预设重采样尺寸则可以将每个子区域的三维点云数据划分为多个子空间。其中，在1平米的子区域内则可以确定一个200mm*200mm*200mm的多体素的三维空间。每个体素包含4个维度的数据，该三维空间可以认为是一个200*200*200*4的子空间。然后，可以采用一个7*7*7*4的卷积核对每个子空间中的三维点云数据进行三维卷积，以确定每个子空间的中心点。在确定每个子空间的中心点之后，处理器可以将全部的中心点构成的数据确定为与子区域对应的体素数据。

在一个实施例中，方法还包括：在任意一个子空间中未包含有三维点云数据的情况下，确定子空间的中心点的RGB值均为0，且分类标签为预设标签。

若在对每个子区域的三维点云数据重采样之后，处理器确定每个子空间中未包含有三维点云数据。此时，处理器可以确定子空间中的RGB值均为0，且分类标签可以为预设标签。其中，预设标签可以设置为0。

在一个实施例中，根据每个子区域的区域图像生成每个子区域的三维点云数据包括：针对每个子区域，在获取到子区域的区域图像的数量达到预设数量的情况下，根据预设数量的区域图像生成每个子区域的三维点云数据。

为了能够更好地对农作物高度进行识别，无人移动平台可以按照预设行驶路线进行反复移动。此时，固定于无人移动平台上的图像采集设备可以采集每个子区域的区域图像。当图像采集设备每采集到一张区域图像，可以将此张区域图像实时发送至处理器。处理器可以获取到图像采集设备采集的此张区域图像。因此，当无人移动平台按照预设行驶路线进行反复移动的过程时，则可以获取到针对每个子区域的多张区域图像。在处理器获取到子区域的区域图像的数量达到预设数量的情况下，处理器可以根据预设数量的区域图像生成每个子区域的三维点云数据。其中，预设数量的区域图像可以是9张。

为了使得处理器能够获取到预设数量的每个子区域的区域图像，在无人移动平台开始作业之前，可以预设每相邻两张区域图像之间的旁向重叠率和航向重叠率。其中，航向重叠率可以为航向重叠区域的占比。航向重叠区域可以指的是每两张相邻区域图像在无人移动平台的预设行驶路线上所存在的重叠区域。例如，航向重叠率可以为90％。旁向重叠率可以为旁向重叠区域的占比。旁向重叠区域可以指的是每两张相邻区域图像在与垂直于无人移动平台的预设行驶路线上所存在的重叠区域。例如，旁向重叠率可以为90％。根据旁向重叠率和航向重叠率可以确定无人移动平台的移动速率和图像采集设备的采集速率。因此，在无人移动平台以及无人移动平台上的图像采集设备按照此移动速率和采集速率进行作业时，可以保证图像采集设备能够采集到预设数量的区域图像。

如图2所示，提供了一种用于识别农作物高度的方法的应用环境示意图。其中，由多个圆点连接而成的路线为无人移动平台的预设行驶路线。预设行驶路线可以包括多个行驶行L1、L2、L3、L4、L5、L6以及L7。区域A为农田观测区域。每个圆点所在的区域可以为与待观测区域对应的多个子区域。若无人移动平台在L1行驶行进行移动时，处理器可以获取到子区域的区域图像A1和A2。此时的区域图像A1和A2存在重叠区域M1。重叠区域M1即为航向重叠区域。无人移动平台按照预设行驶路线进行移动，处理器还可以获取到子区域的区域图像A3、A4以及A5。此时的区域图像A3和A5存在重叠区域N1。重叠区域N1即为旁向重叠区域。

在一个实施例中，方法还包括：将每个子区域中的农作物高度发送至显示设备，以通过显示设备显示待观测区域的每个子区域中的农作物高度。

在确定每个子区域中的农作物高度之后，处理器可以将每个子区域中的农作物高度发送至显示设备，以通过显示设备显示待观测区域的每个子区域中的农作物高度。其中，显示设备可以将农作物高度以图像的形式进行显示。显示设备可以指的是农用信息平台。农用信息平台可以安装在田间工作站内。用户通过田间工作站内的显示设备可以直观地查看到农作物高度。

在一个实施例中，方法还包括对机器学习模型的训练步骤，训练步骤包括：获取多个样本区域的样本图像；根据每个样本区域的样本图像确定每个样本区域的样本点云数据，样本点云数据包括多个点，以及每个点的RGB值、坐标数据与分类标签，分类标签至少包括与土壤和农作物对应的标签；针对每个样本区域，将样本区域的样本点云数据输入至机器学习模型，以对机器学习模型进行训练。

在将每个子区域的三维点云数据输入至机器学习模型以对每个子区域中的农作物高度进行预测之前，可以对机器学习模型进行训练。首先，处理器可以获取多个样本区域的样本图像。样本区域可以指的是在将农作物的栽种区域进行划分之后确定的区域。在获取到多个样本区域的样本图像之后，处理器可以根据样本区域的样本图像确定每个样本区域的样本点云数据。其中，样本点云数据可以包括多个点，以及每个点的RGB值、坐标数据与分类标签。进一步地，每个样本点的坐标数据可以为三维坐标数据。根据每个样本点的RGB值可以确定每个样本点的分类标签。分类标签可以至少包括与土壤和农作物对应的标签。针对每个样本区域，处理器可以将样本区域的样本点云数据输入至机器学习模型，以对机器学习模型进行训练。

在一个实施例中，针对每个样本区域，将样本区域的样本点云数据输入至机器学习模型，以对机器学习模型进行训练包括：按照预设重采样尺寸，将每个样本区域的样本点云数据划分为多个子空间；根据每个子空间中包含的每个样本点云数据的位置确定每个子空间的中心点，并根据每个样本点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签；将全部的中心点构成的数据确定为与样本区域对应的体素数据；针对每个样本区域，将样本区域的体素数据输入至机器学习模型，以对机器学习模型进行训练。

处理器可以按照预设重采样尺寸，并将每个样本区域的样本点云数据划分为多个子空间。然后，根据每个子空间中包含的每个样本点云数据的位置确定每个子空间的中心点。具体地，可以先确定每个样本点云数据的位置，然后可以采用预设尺寸的卷积核对每个子空间中包含的每个样本点云数据进行三维卷积，以确定每个子空间的中心点。在确定每个子空间的中心点的情况下，处理器可以根据每个样本点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签。在确定每个中心点的RGB值和分类标签的情况下，处理器可以将全部的中心点构成的数据确定为与样本区域对应的体素数据。针对每个样本区域，处理器可以将样本区域的体素数据输入至机器学习模型，以对机器学习模型进行训练。

在一个实施例中，可以通过优化代价函数以提高机器学习模型的训练效果。代价函数的具体形式可以为：

其中，m为样本图像的数量，h

在一个实施例中，如图3所示，提供了另一种用于识别农作物高度的方法的流程示意图。通过田间工作站可以监督和控制无人移动平台。在田间工作站发送观测指令至无人移动平台的情况下，安装有图像采集设备的无人移动平台可以沿着预设行驶路线移动并获取数据。其中，数据可以指的是与待观测区域对应的多个子区域的区域图像。区域图像可以包含有农作物的冠层图像。在无人移动平台获取到数据之后，可以将数据发送至服务器。然后，服务器可以利用数据分割与点云生成的方法，并根据接收到的数据生成三维点云数据。以农作物为水稻为例，在生成三维点云数据之后，服务器可以将三维点云数据输入至机器学习模型以获得水稻高度。进一步地，服务器可以根据确定的农作物高度实时生成水稻高度图，并将水稻高度图发送至田间工作站。位于田间工作站的用户可以查看服务器发送的实时的水稻高度图。

通过上述技术方案，能够将待观测区域划分为多个子区域，针对每个子区域能够生成与其对应的三维点云数据，进一步减少生成三维点云数据的时间成本。同时，将三维点云数据输入至机器学习模型以获取每个子区域中的农作物高度，在很大程度上减少人工测量带来的误差，能够运用于针对大田农作物高度的测量。另外，能够将农作高度发送至显示设备，并以图像的形式对农作物高度进行显示，能够使得用户更直观地获取到农作物高度。

图1为一个实施例中用于识别农作物高度的方法的流程示意图。应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图4所示，提供了一种用于识别农作物高度的装置，包括无人移动平台401、图像采集设备402以及处理器403，其中：

无人移动平台401，用于搭载图像采集设备沿着预设行驶路线移动。

图像采集设备402，固定于无人移动平台，用于采集待观测区域的每个子区域的区域图像。

无人移动平台401可以搭载图像采集设备沿着预设行驶路线移动。其中，无人移动平台401可以指的是在无人工参与的情况下按照预设行驶路线移动的空中设备或者陆地设备。无人移动平台401可以指的是无人机和无人农业机械等。预设行驶路线可以指的是无人移动平台401的行驶路线。预设行驶路线可以包括多个行驶行。

图像采集设备402可以固定于无人移动平台401。图像采集设备402可以指的是普通数码相机。通过普通数码相机拍摄到的图像可以为只包括红、绿以及蓝三个波段信息的图像。图像采集设备402可以用于采集待观测区域的每个子区域的区域图像。其中，待观测区域可以指的是农作物的栽种区域。农作物一般被栽种在农田中。因此，待观测区域也可以指的是农田观测区域。子区域可以指的是栽种区域中的部分区域。

用于识别农作物高度的装置包括处理器和存储器，上述无人移动平台、图像采集设备等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序模块中实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来实现对用于识别农作物高度的方法。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本申请实施例提供了一种存储介质，其上存储有程序，该程序被处理器执行时实现上述用于识别农作物高度的方法。

本申请实施例提供了一种处理器，处理器用于运行程序，其中，程序运行时执行上述用于识别农作物高度的方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、存储器(图中未示出)和数据库(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A04。该非易失性存储介质A04存储有操作系统B01、计算机程序B02和数据库(图中未示出)。该内存储器A03为非易失性存储介质A04中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的数据库用于存储农作物高度等数据。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序B02被处理器A01执行时以实现一种用于识别农作物高度的方法。

本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：根据预设行驶路线对待观测区域进行划分，以将待观测区域划分为多个子区域；在无人移动平台沿着预设行驶路线移动的过程中，通过图像采集设备获取每个子区域的区域图像；根据每个子区域的区域图像生成每个子区域的三维点云数据，三维点云数据包括多个点，以及每个点的RGB值、坐标数据与分类标签，分类标签至少包括与土壤和农作物对应的标签；将每个子区域的三维点云数据输入至机器学习模型，并获取机器学习模型输出的每个子区域中的农作物高度。

在一个实施例中，方法还包括：在将每个子区域的三维点云数据输入至机器学习模型之前，对三维点云数据重采样，以得到与每个子区域对应的规则的体素数据；将每个子区域的体素数据输入至机器学习模型，并获取机器学习模型输出的每个子区域中的农作物高度。

在一个实施例中，对三维点云数据重采样，以得到与每个子区域对应的规则的体素数据包括：按照预设重采样尺寸，将每个子区域的三维点云数据划分为多个子空间；根据每个子空间中包含的每个三维点云数据的位置确定每个子空间的中心点，并根据每个三维点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签；将全部的中心点构成的数据确定为与子区域对应的体素数据。

在一个实施例中，方法还包括：在任意一个子空间中未包含有三维点云数据的情况下，确定子空间的中心点的RGB值均为0，且分类标签为预设标签。

在一个实施例中，根据每个子区域的区域图像生成每个子区域的三维点云数据包括：针对每个子区域，在获取到子区域的区域图像的数量达到预设数量的情况下，根据预设数量的区域图像生成每个子区域的三维点云数据。

在一个实施例中，方法还包括：将每个子区域中的农作物高度发送至显示设备，以通过显示设备显示待观测区域的每个子区域中的农作物高度。

在一个实施例中，方法还包括对机器学习模型的训练步骤，训练步骤包括：获取多个样本区域的样本图像；根据每个样本区域的样本图像确定每个样本区域的样本点云数据，样本点云数据包括多个点，以及每个点的RGB值、坐标数据与分类标签，分类标签至少包括与土壤和农作物对应的标签；针对每个样本区域，将样本区域的样本点云数据输入至机器学习模型，以对机器学习模型进行训练。

在一个实施例中，针对每个样本区域，将样本区域的样本点云数据输入至机器学习模型，以对机器学习模型进行训练包括：按照预设重采样尺寸，将每个样本区域的样本点云数据划分为多个子空间；根据每个子空间中包含的每个样本点云数据的位置确定每个子空间的中心点，并根据每个样本点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签；将全部的中心点构成的数据确定为与样本区域对应的体素数据；针对每个样本区域，将样本区域的体素数据输入至机器学习模型，以对机器学习模型进行训练。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：根据预设行驶路线对待观测区域进行划分，以将待观测区域划分为多个子区域；在无人移动平台沿着预设行驶路线移动的过程中，通过图像采集设备获取每个子区域的区域图像；根据每个子区域的区域图像生成每个子区域的三维点云数据，三维点云数据包括多个点，以及每个点的RGB值、坐标数据与分类标签，分类标签至少包括与土壤和农作物对应的标签；将每个子区域的三维点云数据输入至机器学习模型，并获取机器学习模型输出的每个子区域中的农作物高度。

在一个实施例中，方法还包括：在将每个子区域的三维点云数据输入至机器学习模型之前，对三维点云数据重采样，以得到与每个子区域对应的规则的体素数据；将每个子区域的体素数据输入至机器学习模型，并获取机器学习模型输出的每个子区域中的农作物高度。

在一个实施例中，对三维点云数据重采样，以得到与每个子区域对应的规则的体素数据包括：按照预设重采样尺寸，将每个子区域的三维点云数据划分为多个子空间；根据每个子空间中包含的每个三维点云数据的位置确定每个子空间的中心点，并根据每个三维点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签；将全部的中心点构成的数据确定为与子区域对应的体素数据。

在一个实施例中，方法还包括：在任意一个子空间中未包含有三维点云数据的情况下，确定子空间的中心点的RGB值均为0，且分类标签为预设标签。

在一个实施例中，根据每个子区域的区域图像生成每个子区域的三维点云数据包括：针对每个子区域，在获取到子区域的区域图像的数量达到预设数量的情况下，根据预设数量的区域图像生成每个子区域的三维点云数据。

在一个实施例中，方法还包括：将每个子区域中的农作物高度发送至显示设备，以通过显示设备显示待观测区域的每个子区域中的农作物高度。

在一个实施例中，方法还包括对机器学习模型的训练步骤，训练步骤包括：获取多个样本区域的样本图像；根据每个样本区域的样本图像确定每个样本区域的样本点云数据，样本点云数据包括多个点，以及每个点的RGB值、坐标数据与分类标签，分类标签至少包括与土壤和农作物对应的标签；针对每个样本区域，将样本区域的样本点云数据输入至机器学习模型，以对机器学习模型进行训练。

在一个实施例中，针对每个样本区域，将样本区域的样本点云数据输入至机器学习模型，以对机器学习模型进行训练包括：按照预设重采样尺寸，将每个样本区域的样本点云数据划分为多个子空间；根据每个子空间中包含的每个样本点云数据的位置确定每个子空间的中心点，并根据每个样本点云数据包含的点的RGB值、坐标数据与分类标签确定每个中心点的RGB值和分类标签；将全部的中心点构成的数据确定为与样本区域对应的体素数据；针对每个样本区域，将样本区域的体素数据输入至机器学习模型，以对机器学习模型进行训练。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。

本申请是参照根据本申请实施例的方法、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装置。

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装置的制造品，该指令装置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。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。