技术摘要：
本发明公开了一种农作物生长周期识别方法，涉及智慧农业领域，该方法包括：用户终端获取农作物图像；当用户终端处于离线状态时，用户终端自动识别农作物图像，得到农作物的生长周期，执行用户终端展示农作物生长周期的识别结果的步骤；当用户终端处于在线状态时，用户  全部
背景技术：
通常来说，视觉对图像分类的流程包括，提取图像特征，根据特征进行分类判断， 其中传统的图像特征提取方法有SIFT(Scale-Invariant  Feature  Transform，尺度不变特 征变换)、SURF(Speeded-Up  Robust  Features，加速稳健特征)等方式。上述传统的图像特 征提取方法都属于在线预测方式，这样就需要用户在使用产品时具备良好的使用环境，比 如网络信号不好的情况下，在线预测就会遇到阻碍。虽然越多的参数会带来越好的分类效 果，但是需要很庞大的计算量，从而导致计算端压力过大，极易造成数据冗余，甚至出现计 算端崩溃的现象。
技术实现要素：
本发明人针对上述问题及技术需求，提出了一种农作物生长周期识别方法，通过 用户终端的离线识别功能进行农作物生长周期的识别，减少了云端的压力，同时还具有在 线识别功能，保证了识别的准确度。 本发明的技术方案如下： 一种农作物生长周期识别，包括如下步骤： 用户终端获取农作物图像； 当用户终端处于离线状态时，用户终端自动识别农作物图像，得到农作物的生长 周期，执行用户终端展示农作物生长周期的识别结果的步骤； 当用户终端处于在线状态时，用户终端将农作物图像上传至云端； 在云端中建立算法模型； 算法模型自动识别农作物的生长周期，将识别结果回传至用户终端； 用户终端展示农作物生长周期的识别结果。 其进一步的技术方案为，用户终端自动识别农作物图像，包括： 在使用用户终端前，云端将算法模型打包压缩发送至用户终端中，用户终端利用 压缩后的算法模型进行农作物图像的识别。 其进一步的技术方案为，方法还包括： 当用户终端处于在线状态时，用户终端将农作物图像上传至专家系统； 在专家系统中，通过专家诊断建立图像数据库，图像数据库包括由专家判断出的 农作物生长周期的识别结果； 通过图像数据库对算法模型进行在线训练和更新。 其进一步的技术方案为，在云端中建立算法模型，包括： 提取出农作物图像的图像特征，确定图像特征与农作物生长周期之间的对应关 系，根据对应关系通过CNN算法计算出农作物生长周期的概率值，若生长周期的概率值大于 3 CN 111553804 A 说　明　书 2/3 页 预定值，则确定农作物处于该生长周期下；否则，将不确定的生长周期进行标注，在执行通 过图像数据库对算法模型进行在线训练和更新的步骤时，同时会优化被标注的生长周期的 算法。 其进一步的技术方案为，算法模型中存有的农作物生长周期的种类包括：乳熟期、 出苗期、分蘖期、孕穗期、成熟期、拔节期、播种期和蜡熟期。 本发明的有益技术效果是： 本申请针对用户终端可能存在网络状况差的情况，提出了用户终端离线预测农作 物生长周期，通过预先将云端的算法模型打包压缩至用户终端，使得用户终端能够自动识 别农作物图像，本申请的用户终端拥有每秒28帧的处理速度，能够有85％的准确率，这极大 的减少了云端的压力；当网络状态良好时，还可以将农作物图像上传至云端进行在线预测， 同时专家系统也会接收到农作物图像进行判别，并将判别结果存储在图像数据库中，利用 图像数据库对算法模型进行在线训练和更新，保证了算法模型中数据的准确度，准确率高 达98％，更新意味着会删除不正确的数据，因此算法模型也不会有冗余数据，分析农作物图 像的过程用时较短，同时训练更新后的算法模型也会打包压缩至用户终端，提升了用户终 端的识别准确度。 附图说明 图1是本申请提供的农作物生长周期识别方法的流程图。