CN110060294A - 一种果树作物的产量评估方法 - Google Patents
一种果树作物的产量评估方法 Download PDFInfo
- Publication number
- CN110060294A CN110060294A CN201910363807.4A CN201910363807A CN110060294A CN 110060294 A CN110060294 A CN 110060294A CN 201910363807 A CN201910363807 A CN 201910363807A CN 110060294 A CN110060294 A CN 110060294A
- Authority
- CN
- China
- Prior art keywords
- fruit
- photo
- image
- fruit tree
- assessment method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 144
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 26
- 238000012706 support-vector machine Methods 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 5
- 241001164374 Calyx Species 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000037039 plant physiology Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种果树作物的产量评估方法,所述评估方法为:建立果实尺寸识别***,录入大量拍摄的果实照片,利用深度学***台对采集到的实际果实照片进行识别,判断果实尺寸,分析果树作物产量情况。本发明解决了现有果树产量评估效率低、成本高的问题。
Description
技术领域
本发明实施例涉及果树培育技术领域,具体涉及一种果树作物的产量评估方法。
背景技术
果树种植较多受到人工管理水平与自然气候的制约,因此每年果实产量存在很大的不稳定性,进一步造成市场供应和果农收入的波动。如果种植户能够在果树生长过程中通过一些相对简单的方法对果实产量进行估测,并根据预估产量及时调整生产管理与销售策略,可有效节省生产资料投入,并提高种植户收入,达到经济与生态效益的双赢。然而目前与产量预测相关的两种主流方法都较复杂,一种是利用遥感技术,通过影像光谱信息分析NVDI等参数,预测大面积范围的农作物产量;另一种则是通过专业生化检测设备,检测农作物生理指标、生长环境等与产量相关的因子,并分析生化因子与产量间的关系,建立产量预测模型。
目前已有的主流方法,专业性较强,且使用成本较高。遥感技术估测产量需要产量估测区域的高光谱图像,通过分析反演农作物的生物物理参数,较多地应用于大面积连片的农作物种植区域,且图像价格昂贵,适用于政府管理部门的宏观决策;而预测模型方法依赖于农作物生理指标、环境因子等一系列生化参数,参数获取需要专业测量设备,且不同区域具有不同的参数值,每次预测都需要重新采样化验,获取模型输入值。因此,已有主流方法都需要专业性技术人员的指导和专业设备的支持,产量估测所需材料需要重复投入,成本也相对较高,且操作步骤繁琐,预测周期相对较长,不利于在普通种植户中推广应用。
发明内容
为此,本发明实施例提供一种果树作物的产量评估方法,以解决现有果树产量评估效率低、成本高的问题。
为了实现上述目的,本发明实施例提供如下技术方案:
根据本发明实施例公开了一种果树作物的产量评估方法,所述评估方法为:建立果实尺寸识别***,录入大量拍摄的果实照片,利用深度学***台对采集到的实际果实照片进行识别,判断果实尺寸,分析果树作物产量情况。
进一步地,所述果实尺寸识别***包括:深度学习训练用数据集和深度学习算法训练模块,所述深度学习训练用数据集导入用于深度学习训练的果实照片,并生成算法模块训练所需的格式化数据集,所述深度学习算法训练模块将果实照片中果实面积的像素点与实际测量的果实尺寸值进行匹配训练,针对不同果实照片的像素点判断果实的尺寸。
进一步地,所述机器视觉处理平台全方位采集视觉传感器中果实的RGB图像,对采集的图像进行图像分割,然后划分出果实感兴趣区域,提取果实轮廓,根据所提取的果实轮廓,使用形状不变特征提取形状特征向量,克服果实大小、位置和朝向各异的问题。
进一步地,所述机器视觉处理平台利用采集的不同形状农产品样本图像和提取的特征向量,训练支持向量机,确定支持向量机最优参数和检测正确率。
进一步地,所述机器视觉检测平台是由视觉传感器、光照***、CCD摄像机、图像采集卡、计算机及控制机构组成,所述CCD摄像机的帧速120fps、分辨率656*492、型号MER030-120UM,所述图像采集卡与所述控制机构均是电连接在所述计算机上,所述CCD摄像机是电连接在所述图像采集卡上,所述视觉传感器位于所述CCD摄像机下方,所述光照***提供充足的光照,利用所述机器视觉检测平台采集果实图像过程中,每次可以拍摄一个或多个果实照片。
进一步地,所述图像分割过程包括选择合适的颜色模型、阈值分割、形态学闭运算、边缘提取和轮廓提取;所述颜色模型采用具有显著波峰波谷形态的2R-G-B图像,所述阈值分割是指用固定阈值T分割2R-GB图像,得到农产品果实感兴趣区域,该区域通常会受花萼遮挡影响而被分割;所述形态学闭运算采用5*5方形结构元素填充果实感兴趣区域的细小孔洞,所述边缘提取是指用Canny算子提取果实感兴趣区域边缘;所述轮廓提取是指用凸包算法求解包含农产品果实边缘并且顶点属于果实边缘的最小凸多边形,以该凸多边形来近似农产品形状,克服农产品果实被花尊遮挡造成的分割问题。
进一步地,所述形状不变特征提取算子指Hu不变矩和椭圆傅里叶描述子,所述Hu不变矩形将7个几何矩形作为形状特征向量,所述椭圆傅里叶描述子将图像轮廓的傅里叶展开式的前20个系数组合作为农产品形状特征向量。
进一步地,所述支持向量机是一种模式分类算法,其训练过程包括:获取不同形状农产品样本特征向量;线性缩放特征向量每个属性值到区间[-1,1];选用RBF核函数;采用网格搜索法设定支持向量机两个未知参数,即惩罚因子C和函数参数r的变化范围,运用K交叉验证求不同参数组合条件下的分类正确率,选用预测正确率最高的组合参数作为支持向量机的最优参数;利用80%样本特征向量训练最优参数条件下的支持向量机,利用20%样本特征向量验证支持向量机,确定分类正确率。
进一步地,所述机器视觉处理平台采集的果实照片录入果实尺寸识别***,根据照片的像素点判断果实尺寸,结合果树的种植密度预测果树产量。
本发明实施例具有如下优点:
本发明实施例公开了一种果树作物的产量评估方法,通过机器视觉处理平台采集果实照片,对照片中果实的形状进行处理,挖取出果实轮廓,识别其像素点,利用基于深度学习训练好的果实尺寸识别***将像素点与果实尺寸进行匹配,确定果实的尺寸,根据种植密度对果树产量进行评估,提升效率,降低成本。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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,都属于本发明保护的范围。
实施例
本实施例公开了一种果树作物的产量评估方法,所述评估方法为:建立果实尺寸识别***,录入大量拍摄的果实照片,利用深度学***台对采集到的实际果实照片进行识别,判断果实尺寸,分析果树作物产量情况。
果实尺寸识别***包括:深度学习训练用数据集和深度学习算法训练模块,所述深度学习训练用数据集导入用于深度学习训练的果实照片,并生成算法模块训练所需的格式化数据集,所述深度学习算法训练模块将果实照片中果实面积的像素点与实际测量的果实尺寸值进行匹配训练,针对不同果实照片的像素点判断果实的尺寸。
通过机器视觉处理平台拍摄农作物果实的原始图像,经过处理得到二值图像,将果实的像素点范围挖出,得到追踪结果,所述机器视觉处理平台全方位采集视觉传感器中果实的RGB图像,对采集的图像进行图像分割,然后划分出果实感兴趣区域,提取果实轮廓,根据所提取的果实轮廓,使用形状不变特征提取形状特征向量,克服果实大小、位置和朝向各异的问题,机器视觉处理平台利用采集的不同形状农产品样本图像和提取的特征向量,训练支持向量机,确定支持向量机最优参数和检测正确率。
机器视觉检测平台是由视觉传感器、光照***、CCD摄像机、图像采集卡、计算机及控制机构组成,所述CCD摄像机的帧速120fps、分辨率656*492、型号MER030-120UM,所述图像采集卡与所述控制机构均是电连接在所述计算机上,所述CCD摄像机是电连接在所述图像采集卡上,所述视觉传感器位于所述CCD摄像机下方,所述光照***提供充足的光照,利用所述机器视觉检测平台采集果实图像过程中,每次可以拍摄一个或多个果实照片。
所述图像分割过程包括选择合适的颜色模型、阈值分割、形态学闭运算、边缘提取和轮廓提取;所述颜色模型采用具有显著波峰波谷形态的2R-G-B图像,所述阈值分割是指用固定阈值T分割2R-GB图像,得到农产品果实感兴趣区域,该区域通常会受花萼遮挡影响而被分割;所述形态学闭运算采用5*5方形结构元素填充果实感兴趣区域的细小孔洞,所述边缘提取是指用Canny算子提取果实感兴趣区域边缘;所述轮廓提取是指用凸包算法求解包含农产品果实边缘并且顶点属于果实边缘的最小凸多边形,以该凸多边形来近似农产品形状,克服农产品果实被花尊遮挡造成的分割问题。
形状不变特征提取算子指Hu不变矩和椭圆傅里叶描述子,所述Hu不变矩形将7个几何矩形作为形状特征向量,所述椭圆傅里叶描述子将图像轮廓的傅里叶展开式的前20个系数组合作为农产品形状特征向量支持向量机是一种模式分类算法,其训练过程包括:获取不同形状农产品样本特征向量;线性缩放特征向量每个属性值到区间[-1,1];选用RBF核函数;采用网格搜索法设定支持向量机两个未知参数,即惩罚因子C和函数参数r的变化范围,运用K交叉验证求不同参数组合条件下的分类正确率,选用预测正确率最高的组合参数作为支持向量机的最优参数;利用80%样本特征向量训练最优参数条件下的支持向量机,利用20%样本特征向量验证支持向量机,确定分类正确率.
所述机器视觉处理平台采集的果实照片录入果实尺寸识别***,根据照片的像素点判断果实尺寸,结合果树的种植密度预测果树产量,果树密度为单位面积内种植果树的数量,通过选取多个片区内果树密度和果树产量预测,实现整片果树作物产量的评估,提升评估效率,降低评估成本。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (9)
1.一种果树作物的产量评估方法,其特征在于,所述评估方法为:建立果实尺寸识别***,录入大量拍摄的果实照片,利用深度学***台对采集到的实际果实照片进行识别,判断果实尺寸,分析果树作物产量情况。
2.如权利要求1所述的一种果树作物的产量评估方法,其特征在于,所述果实尺寸识别***包括:深度学习训练用数据集和深度学习算法训练模块,所述深度学习训练用数据集导入用于深度学习训练的果实照片,并生成算法模块训练所需的格式化数据集,所述深度学习算法训练模块将果实照片中果实面积的像素点与实际测量的果实尺寸值进行匹配训练,针对不同果实照片的像素点判断果实的尺寸。
3.如权利要求1所述的一种果树作物的产量评估方法,其特征在于,所述机器视觉处理平台全方位采集视觉传感器中果实的RGB图像,对采集的图像进行图像分割,然后划分出果实感兴趣区域,提取果实轮廓,根据所提取的果实轮廓,使用形状不变特征提取形状特征向量,克服果实大小、位置和朝向各异的问题。
4.如权利要求3所述的一种果树作物的产量评估方法,其特征在于,所述机器视觉处理平台利用采集的不同形状农产品样本图像和提取的特征向量,训练支持向量机,确定支持向量机最优参数和检测正确率。
5.如权利要求3所述的一种果树作物的产量评估方法,其特征在于,所述机器视觉检测平台是由视觉传感器、光照***、CCD摄像机、图像采集卡、计算机及控制机构组成,所述CCD摄像机的帧速120fps、分辨率656*492、型号MER030-120UM,所述图像采集卡与所述控制机构均是电连接在所述计算机上,所述CCD摄像机是电连接在所述图像采集卡上,所述视觉传感器位于所述CCD摄像机下方,所述光照***提供充足的光照,利用所述机器视觉检测平台采集果实图像过程中,每次可以拍摄一个或多个果实照片。
6.如权利要求3所述的一种果树作物的产量评估方法,其特征在于,所述图像分割过程包括选择合适的颜色模型、阈值分割、形态学闭运算、边缘提取和轮廓提取;所述颜色模型采用具有显著波峰波谷形态的2R-G-B图像,所述阈值分割是指用固定阈值T分割2R-GB图像,得到农产品果实感兴趣区域,该区域通常会受花萼遮挡影响而被分割;所述形态学闭运算采用5*5方形结构元素填充果实感兴趣区域的细小孔洞,所述边缘提取是指用Canny算子提取果实感兴趣区域边缘;所述轮廓提取是指用凸包算法求解包含农产品果实边缘并且顶点属于果实边缘的最小凸多边形,以该凸多边形来近似农产品形状,克服农产品果实被花尊遮挡造成的分割问题。
7.如权利要求3所述的一种果树作物的产量评估方法,其特征在于,所述形状不变特征提取算子指Hu不变矩和椭圆傅里叶描述子,所述Hu不变矩形将7个几何矩形作为形状特征向量,所述椭圆傅里叶描述子将图像轮廓的傅里叶展开式的前20个系数组合作为农产品形状特征向量。
8.如权利要求3所述的一种果树作物的产量评估方法,其特征在于,所述支持向量机是一种模式分类算法,其训练过程包括:获取不同形状农产品样本特征向量;线性缩放特征向量每个属性值到区间[-1,1];选用RBF核函数;采用网格搜索法设定支持向量机两个未知参数,即惩罚因子C和函数参数r的变化范围,运用K交叉验证求不同参数组合条件下的分类正确率,选用预测正确率最高的组合参数作为支持向量机的最优参数;利用80%样本特征向量训练最优参数条件下的支持向量机,利用20%样本特征向量验证支持向量机,确定分类正确率。
9.如权利要求1所述的一种果树作物的产量评估方法,其特征在于,所述机器视觉处理平台采集的果实照片录入果实尺寸识别***,根据照片的像素点判断果实尺寸,结合果树的种植密度预测果树产量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363807.4A CN110060294A (zh) | 2019-04-30 | 2019-04-30 | 一种果树作物的产量评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910363807.4A CN110060294A (zh) | 2019-04-30 | 2019-04-30 | 一种果树作物的产量评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110060294A true CN110060294A (zh) | 2019-07-26 |
Family
ID=67321960
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910363807.4A Pending CN110060294A (zh) | 2019-04-30 | 2019-04-30 | 一种果树作物的产量评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110060294A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111444833A (zh) * | 2020-03-25 | 2020-07-24 | 中国农业科学院农业信息研究所 | 果实测产方法、装置、计算机设备及存储介质 |
CN112418473A (zh) * | 2019-08-20 | 2021-02-26 | 阿里巴巴集团控股有限公司 | 农作物信息的处理方法、装置、设备及计算机存储介质 |
CN115388993A (zh) * | 2022-10-08 | 2022-11-25 | 山东省果树研究所 | 一种果树产量测量装置及测量方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5158386B2 (ja) * | 2010-06-22 | 2013-03-06 | 株式会社アイティーティー | 単一カメラによる画像計測処理装置,画像計測処理方法および画像計測処理プログラム |
CN103148781A (zh) * | 2013-01-26 | 2013-06-12 | 广西工学院鹿山学院 | 一种基于双目视觉的柚子体积估测方法 |
CN103307979A (zh) * | 2013-05-27 | 2013-09-18 | 四川农业大学 | 基于计算机视觉的水果体积测量方法 |
CN104200193A (zh) * | 2014-08-05 | 2014-12-10 | 北京农业信息技术研究中心 | 一种果树产量估测方法及装置 |
CN105865420A (zh) * | 2016-03-24 | 2016-08-17 | 北京林业大学 | 一种智能手机摄影法测定果树冠体及果品产量估测的方法 |
CN106372635A (zh) * | 2016-08-24 | 2017-02-01 | 滁州学院 | 一种基于机器视觉的草莓外形品质判别方法 |
CN107316116A (zh) * | 2017-08-23 | 2017-11-03 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
CN108053078A (zh) * | 2017-12-28 | 2018-05-18 | 深圳春沐源控股有限公司 | 一种产量预测方法、服务器以及计算机可读存储介质 |
CN108572174A (zh) * | 2018-04-25 | 2018-09-25 | 苏州农业职业技术学院 | 一种农产品品质指标无损检测方法 |
-
2019
- 2019-04-30 CN CN201910363807.4A patent/CN110060294A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5158386B2 (ja) * | 2010-06-22 | 2013-03-06 | 株式会社アイティーティー | 単一カメラによる画像計測処理装置,画像計測処理方法および画像計測処理プログラム |
CN103148781A (zh) * | 2013-01-26 | 2013-06-12 | 广西工学院鹿山学院 | 一种基于双目视觉的柚子体积估测方法 |
CN103307979A (zh) * | 2013-05-27 | 2013-09-18 | 四川农业大学 | 基于计算机视觉的水果体积测量方法 |
CN104200193A (zh) * | 2014-08-05 | 2014-12-10 | 北京农业信息技术研究中心 | 一种果树产量估测方法及装置 |
CN105865420A (zh) * | 2016-03-24 | 2016-08-17 | 北京林业大学 | 一种智能手机摄影法测定果树冠体及果品产量估测的方法 |
CN106372635A (zh) * | 2016-08-24 | 2017-02-01 | 滁州学院 | 一种基于机器视觉的草莓外形品质判别方法 |
CN107316116A (zh) * | 2017-08-23 | 2017-11-03 | 吉林大学 | 一种叶类蔬菜产量预测方法 |
CN108053078A (zh) * | 2017-12-28 | 2018-05-18 | 深圳春沐源控股有限公司 | 一种产量预测方法、服务器以及计算机可读存储介质 |
CN108572174A (zh) * | 2018-04-25 | 2018-09-25 | 苏州农业职业技术学院 | 一种农产品品质指标无损检测方法 |
Non-Patent Citations (3)
Title |
---|
冯斌 等: "基于计算机视觉的水果大小检测方法", 《农业机械学报》 * |
程洪 等: "基于图像处理与支持向量机的树上苹果早期估产研究", 《农业机械学报》 * |
钱建平 等: "基于双侧图像识别的单株苹果树产量估测模型", 《农业工程学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418473A (zh) * | 2019-08-20 | 2021-02-26 | 阿里巴巴集团控股有限公司 | 农作物信息的处理方法、装置、设备及计算机存储介质 |
CN111444833A (zh) * | 2020-03-25 | 2020-07-24 | 中国农业科学院农业信息研究所 | 果实测产方法、装置、计算机设备及存储介质 |
CN111444833B (zh) * | 2020-03-25 | 2023-09-15 | 中国农业科学院农业信息研究所 | 果实测产方法、装置、计算机设备及存储介质 |
CN115388993A (zh) * | 2022-10-08 | 2022-11-25 | 山东省果树研究所 | 一种果树产量测量装置及测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farjon et al. | Detection and counting of flowers on apple trees for better chemical thinning decisions | |
Rastogi et al. | Leaf disease detection and grading using computer vision technology & fuzzy logic | |
Bai et al. | Rice heading stage automatic observation by multi-classifier cascade based rice spike detection method | |
Zhou et al. | Using colour features of cv.‘Gala’apple fruits in an orchard in image processing to predict yield | |
Stajnko et al. | Estimation of number and diameter of apple fruits in an orchard during the growing season by thermal imaging | |
Natarajan et al. | Detection of disease in tomato plant using Deep Learning Techniques | |
Liu et al. | Towards automated yield estimation in viticulture | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
Victorino et al. | Yield components detection and image-based indicators for non-invasive grapevine yield prediction at different phenological phases | |
CN110060294A (zh) | 一种果树作物的产量评估方法 | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
Lin et al. | A review on computer vision technologies applied in greenhouse plant stress detection | |
Weis et al. | Detection and identification of weeds | |
Hsieh et al. | Fruit maturity and location identification of beef tomato using R-CNN and binocular imaging technology | |
CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
CN114758132B (zh) | 一种基于卷积神经网络的果树病虫害识别方法及*** | |
CN111950391A (zh) | 果树芽体的识别方法及装置 | |
Kaiyan et al. | Measurement of plant leaf area based on computer vision | |
CN114399664A (zh) | 植株种苗生长状态智能监测与控制方法及*** | |
Bortolotti et al. | A computer vision system for in-field quality evaluation: Preliminary results on peach fruit | |
Abdelghafour et al. | Potential of on-board colour imaging for in-field detection and counting of grape bunches at early fruiting stages | |
Mumtaz et al. | Integrated digital image processing techniques and deep learning approaches for wheat stripe rust disease detection and grading | |
Ojo et al. | Estimating hydroponic lettuce phenotypic parameters for efficient resource allocation | |
Li et al. | Image processing for crop/weed discrimination in fields with high weed pressure | |
James et al. | Citdet: A benchmark dataset for citrus fruit detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190726 |