CN110455201A - 基于机器视觉的茎秆作物高度测量方法 - Google Patents
基于机器视觉的茎秆作物高度测量方法 Download PDFInfo
- Publication number
- CN110455201A CN110455201A CN201910743242.2A CN201910743242A CN110455201A CN 110455201 A CN110455201 A CN 110455201A CN 201910743242 A CN201910743242 A CN 201910743242A CN 110455201 A CN110455201 A CN 110455201A
- Authority
- CN
- China
- Prior art keywords
- roi2
- height
- value
- image
- stalk
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0608—Height gauges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于机器视觉的茎秆作物高度测量方法,包括1、在收获机上安装相机,并标定获取比例因子;在获取的收获机侧面原始茎秆作物图像序列的第一帧图像中设置第一目标区域;2、在n时刻原始茎秆作物图像中第一目标区域内获取茎秆作物前景区域;3、确定作物粗略像素高度yroi(n),并以yroi(n)为高度中线确定第二目标区域;4、对第二目标区域进行图像增强和二值化;5、对第二目标区域图像进行边界直线检测,得到边界直线的像素高度均值yh(n);6、检测yh(n)是否为异常值,如果是,在第二目标区域图像中,采集一组边界点,边界点的高度均值作为作物像素高度yh(n);7、根据yh(n)计算当前时刻作物的实际高度。该方法能够精准测量茎秆作物高度,实时为收获机提供高度数据。
Description
技术领域
本发明属于茎秆作物植株高度测量技术领域,具体是一种利用机器视觉测量茎秆作物高度的方法。
背景技术
精准农业是农业科学研究的热点领域,智能收获机的使用,能够实现收割自动化,解放劳动生产力,有效提高农业生产的效率,降低农业生产的成本。智能收获机在工作过程中需要根据茎秆作物高度调整拔禾轮高度,使智能收获机正常稳定地工作,根据测量的茎秆作物高度,可以实时计算喂入量,计算收获机负荷程度,防止负荷过大。因此,茎秆作物的高度是智能收获机工作中需要获取的一项重要参数之一。
茎秆作物株高作为茎秆作物关键性状之一,目前主要通过人工测量获取高度信息,手持测量仪直接测量稻麦高度,该过程速度缓慢,使用不便,在大面积种植区域无法连续操作;需要投入大量人力物力,增加了生产成本。近年来,非接触式的视觉测量成为一个热点领域,利用相机对目标进行分析,测量精度高,实时性好,数据采集更加方便,被应用到各种测量场合中。目前阶段通常利用K-means、反向投影算法、模板匹配算法对前景进行提取,均会将部分背景分割成前景,不利于后续的高度测量。采用其他传统的前景提取的方法:基于边缘、基于阈值或利用分水岭等,也不能对茎秆作物区域完整提取。
大面积种植的茎秆作物生长高度不一,需要为智能收获机实时提供高度数据,且要考虑光照对视觉测量精度的影响。
发明内容
发明目的:本发明旨在提供一种能够精准测量茎秆作物高度的方法,实时为智能收获机提供高度数据。
技术方案:本发明采用如下技术方案:
基于机器视觉的茎秆作物高度测量方法,包括步骤:
(1)在收获机上固定安装相机,调整相机角度,使相机能够拍摄收获机侧面茎秆作物图像;对相机进行标定,获取相机的比例因子SCALE;相机实时获取收获机侧面原始茎秆作物图像序列;在原始茎秆作物图像序列的第一帧图像中设置第一目标区域ROI1,所述第一目标区域中包括茎秆作物顶部与背景的边界;
(2)当前时刻n的原始茎秆作物图像为Picorg(n);在Picorg(n)中第一目标区域ROI1(n)内获取茎秆作物前景区域;
(3)确定当前时刻茎秆作物粗略像素高度yroi(n),并以yroi(n)为高度中线确定Picorg(n)中第二目标区域ROI2(n);所述第二目标区域ROI2(n)的高度为固定值height_slide,宽度为原始茎秆作物图像的宽度;
(4)对第二目标区域ROI2(n)进行图像增强,并进行二值化,得到二值化的图像区域ROI2(n)′;
(5)对ROI2(n)′进行边界直线检测,得到边界直线的像素高度均值yh(n);如果n=1,跳转至步骤(2);否则,检测|yh(n)-yh(n-1)|<Th是否成立,如果成立,则yh(n)为当前时刻的茎秆作物像素高度,跳转至步骤(7)计算茎秆作物的实际高度;如果不成立,执行步骤(6)重新计算茎秆作物像素高度yh(n);
(6)在二值化的图像区域ROI2(n)′中,采集一组前景与背景的边界点,计算边界点的高度均值作为茎秆作物像素高度yh(n);
(7)由yh(n)计算茎秆作物在原始图像上的像素高度:
yreal(n)=Hsrc-(yroi(n)+yh(n)-height_slide/2)
其中,Hsrc为原始茎秆作物图像的高度,height_slide为第二目标区域ROI2(n)的高度;
当前时刻茎秆作物的实际高度H(n)为:H(n)=SCALE*yreal(n)。
具体地,所述步骤(2)中在ROI1(n)内获取茎秆作物前景区域,包括以下步骤:
对ROI1(n)内的每个像素(x,y),在R-G-B颜色空间中做像素值转换:
其中f(x,y)为原始茎秆作物图像Picorg(n)中ROI1(n)内像素点(x,y)处的R-G-B颜色空间像素值,f(x,y)B为(x,y)处B通道的值,f(x,y)R为(x,y)处R通道的值,f(x,y)G为(x,y)处G通道的值,T1、T2为自设定的阈值;g(x,y)为转换后(x,y)处的R-G-B颜色空间像素值,g(x,y)R、g(x,y)G、g(x,y)B分别为(x,y)处转换后的R、G、B通道的值;
像素值转换后,ROI1(n)区域内R、G、B通道的值均为0的像素点为背景,其余像素为前景。
所述步骤(3)中确定茎秆作物粗略像素高度yroi,包括以下步骤:
(3.1)在像素值转换后的ROI1(n)区域的上边界,沿水平方向等距离取m1个点,沿此m1个点从上往下分别寻找第一个前景点,保存其纵坐标值,分别为:
(3.2)如果n>1,根据n-1时刻作物像素高度yreal(n-1)在第一目标区域ROI1(n-1)中的纵坐标y'对这m1个纵坐标检验,排除异常值,若|y'-yi|<T3,保留yi,否则将yi删除;T3为阈值,i=1,2,3,...m1;设排除检验后剩余的纵坐标值有m2个,为
y'=Hsrc-yreal(n-1)-topleft_y;
其中topleft_y为第一目标区域ROI1(n)左上角在原始茎秆作物图像上的纵坐标值;
对剩余的纵坐标包括n-1时刻的测量值y'取平均值ymean:
(3.3)如果n=1,
(3.4)计算ymean在原始茎秆作物图像上的位置:
yroi(n)=ymean+topleft_y
其中yroi(n)为茎秆作物粗略像素高度。
所述步骤(4)中对ROI2(n)进行图像增强,并进行二值化,包括以下步骤:
(4.1)对第二目标区域ROI2(n)在R-G-B颜色空间提取前景,得到区分背景与前景的图像ROI2g(n);
(4.2)对ROI2g(n)进行增强,得到增强后的图像ROI2s(n):
ROI2s(n)=ROI2g(n)+ROI2g(n-1)+ROI2g(n-2)
ROI2g(k)为k时刻的第二目标区域在R-G-B颜色空间提取前景后得到的区分背景与前景的图像;如果k≤0,ROI2g(k)=0;
(4.3)对增强后的ROI2s(n)进行二值化处理,具体操作为:将RGB颜色空间转换到灰度空间,进行中值滤波,图像二值化,开运算去除噪声,得到二值化的图像区域ROI2(n)′。
所述步骤(5)中对ROI2(n)′进行边界直线检测,得到边界直线的像素高度均值yh(n),包括以下步骤:
(5.1)采用卷积掩膜进行水平边界检测;
(5.2)对检测出的边界采用LSD算法检测直线,对检测出的所有直线的首尾两点的高度值求均值,得到的结果即为边界直线的像素高度均值yh(n)。
本发明中卷积掩膜h为:
所述步骤(6)中,还包括对采集到的边界点去除值最大的前m3个,和值最小的前m4个。
有益效果:与现有技术相比,本发明公开的基于机器视觉的茎秆作物高度测量方法具有以下优点:1、本发明在R-G-B颜色空间中对目标区域的前景进行提取,能够在光线充足的情况下完整分割出茎秆作物区域,实现在复杂背景下对图像前景针对性的提取;2、第一目标区域固定设置,第二目标区域动态设置,尽可能保留了有效区域,加快了处理速度;3、采用改进的帧间差分法对第二目标区域进行图像增强,保证在光线不足的情况下能有效提取前景区域,提高了测量的精度。本发明适用对稻麦高度的测量,亦适用对成熟玉米,大豆等茎秆作物的高度测量,应用领域广泛。
附图说明
图1为本发明公开的基于机器视觉的茎秆作物高度测量方法的流程图;
图2为第一目标区域和第二目标区域示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明的具体实施案例做说明。
本发明公开了一种基于机器视觉的茎秆作物高度测量方法,如图1所示,包括步骤:
步骤1、在收获机上固定安装相机,调整相机角度,使相机能够拍摄收获机侧面茎秆作物图像;对相机进行标定,获取相机的比例因子SCALE;相机实时获取收获机侧面原始茎秆作物图像序列;在原始茎秆作物图像序列的第一帧图像中设置第一目标区域ROI1,所述第一目标区域中包括茎秆作物顶部与背景的边界;
第一目标区域ROI1根据经验设置,在第一帧中设置好后,后续的图像帧中的第一目标区域ROI1都采用与第一帧的第一目标区域ROI1相同位置;
步骤2、当前时刻n的原始茎秆作物图像为Picorg(n);在Picorg(n)中第一目标区域ROI1(n)内获取茎秆作物前景区域;包括以下步骤:
对ROI1(n)内的每个像素(x,y),在R-G-B颜色空间中做像素值转换:
其中f(x,y)为原始茎秆作物图像Picorg(n)中ROI1(n)内像素点(x,y)处的R-G-B颜色空间像素值,f(x,y)B为(x,y)处B通道的值,f(x,y)R为(x,y)处R通道的值,f(x,y)G为(x,y)处G通道的值,T1、T2为自设定的颜色阈值;g(x,y)为转换后(x,y)处的R-G-B颜色空间像素值,g(x,y)R、g(x,y)G、g(x,y)B分别为(x,y)处转换后的R、G、B通道的值;
像素值转换后,ROI1(n)区域内R、G、B通道的值均为0的像素点为黑色背景,其余像素为彩色前景区域。
步骤3、采用多值探测,并结合上一时刻测量值来确定当前时刻茎秆作物粗略像素高度yroi(n),并以yroi(n)为高度中线确定Picorg(n)中第二目标区域ROI2(n);所述第二目标区域ROI2(n)的高度为固定值height_slide,宽度为原始茎秆作物图像的宽度;包括以下步骤:
(3.1)在像素值转换后的ROI1(n)区域的上边界,沿水平方向等距离取m1个点,沿此m1个点从上往下分别寻找第一个前景点,保存其纵坐标值,分别为:本实施例中,获取6个点,即m1=6;
(3.2)如果n>1,根据n-1时刻作物像素高度yreal(n-1)在第一目标区域ROI1(n-1)中的纵坐标y'对这m1个纵坐标检验,排除异常值,若|y'-yi|<T3,保留yi,否则将yi删除;T3为阈值,i=1,2,3,...m1;设排除检验后剩余的纵坐标值有m2个,为
y'=Hsrc-yreal(n-1)-topleft_y;
其中topleft_y为第一目标区域ROI1(n)左上角在原始茎秆作物图像上的纵坐标值;Hsrc为原始茎秆作物图像的高度;
对剩余的纵坐标包括n-1时刻的测量值y'取平均值ymean:
(3.3)如果n=1,
(3.4)计算ymean在原始茎秆作物图像上的位置:
yroi(n)=ymean+topleft_y
其中yroi(n)为茎秆作物粗略像素高度。
由此在Picorg(n)上得到了第二目标区域ROI2(n),ROI2(n)的宽度与Picorg(n)宽度相同,高度为固定值height_slide;且ROI2(n)的高度中线为yroi(n),即ROI2(n)在不同的图像帧中位置随着茎秆作物粗略像素高度yroi(n)的变化而上下滑动。图2为为第一目标区域和第二目标区域示意图。
步骤4、对第二目标区域ROI2(n)进行图像增强,并进行二值化,得到二值化的图像区域ROI2(n)′;包括以下步骤:
(4.1)对第二目标区域ROI2(n)在R-G-B颜色空间提取前景,得到区分黑色背景与彩色前景的图像ROI2g(n);
提取前景的方法采用与步骤(2)相同的方法,即按照式(1)对ROI2(n)区域进行像素值转换;像素值转换后,R、G、B通道的值均为0的像素点为黑色背景,其余像素为彩色前景区域;
(4.2)对ROI2g(n)进行增强,得到增强后的图像ROI2s(n):
ROI2s(n)=ROI2g(n)+ROI2g(n-1)+ROI2g(n-2)
ROI2g(k)为k时刻的第二目标区域在R-G-B颜色空间提取前景后得到的区分背景与前景的图像;如果k≤0,ROI2g(k)=0;
(4.3)对增强后的ROI2s(n)进行二值化处理,具体操作为:将RGB颜色空间转换到灰度空间,进行中值滤波,图像二值化,开运算去除噪声,得到二值化的图像区域ROI2(n)′;
本实施例中,采用17*17的窗口进行中值滤波;
步骤5、对ROI2(n)′进行边界直线检测,得到边界直线的像素高度均值yh(n);
边界直线检测包括以下步骤:
(5.1)采用卷积掩膜进行水平边界检测;
本实施例中,采用3*3的卷积掩膜,卷积掩膜h为:
(5.2)对检测出的边界采用LSD算法检测直线,将检测出的所有直线的首尾两点的高度值求均值,得到的结果即为边界直线的像素高度均值yh(n)。
如果n=1,跳转至步骤(2);否则,检测|yh(n)-yh(n-1)|<Th是否成立,如果成立,则yh(n)为当前时刻的茎秆作物像素高度,跳转至步骤(7)计算茎秆作物的实际高度;如果不成立,执行步骤(6)重新计算茎秆作物像素高度yh(n);
步骤6、在二值化的图像区域ROI2(n)′中,采集一组前景与背景的边界点,采集到的边界点的高度均值作为茎秆作物像素高度yh(n);
为了降低噪声的影响,对采集到的边界点去除高度值最大的前m3个,和高度值最小的前m4个之后再计算高度均值。本实施例中,共采集120个边界点,去除其中高度值最大的前20个点,和高度值最小的前20个点,对剩余的80个边界点计算高度均值。
步骤7、由yh(n)计算茎秆作物在原始图像上的像素高度:
yreal(n)=Hsrc-(yroi(n)+yh(n)-height_slide/2)
其中,height_slide为第二目标区域ROI2(n)的高度;
当前时刻茎秆作物的实际高度H(n)为:H(n)=SCALE*yreal(n)。
Claims (7)
1.基于机器视觉的茎秆作物高度测量方法,其特征在于,包括步骤:
(1)在收获机上固定安装相机,调整相机角度,使相机能够拍摄收获机侧面茎秆作物图像;对相机进行标定,获取相机的比例因子SCALE;相机实时获取收获机侧面原始茎秆作物图像序列;在原始茎秆作物图像序列的第一帧图像中设置第一目标区域ROI1,所述第一目标区域中包括茎秆作物顶部与背景的边界;
(2)当前时刻n的原始茎秆作物图像为Picorg(n);在Picorg(n)中第一目标区域ROI1(n)内获取茎秆作物前景区域;
(3)确定当前时刻茎秆作物粗略像素高度yroi(n),并以yroi(n)为高度中线确定Picorg(n)中第二目标区域ROI2(n);所述第二目标区域ROI2(n)的高度为固定值height_slide,宽度为原始茎秆作物图像的宽度;
(4)对第二目标区域ROI2(n)进行图像增强,并进行二值化,得到二值化的图像区域ROI2(n)′;
(5)对ROI2(n)′进行边界直线检测,得到边界直线的像素高度均值yh(n);如果n=1,跳转至步骤(2);否则,检测|yh(n)-yh(n-1)|<Th是否成立,如果成立,则yh(n)为当前时刻的茎秆作物像素高度,跳转至步骤(7)计算茎秆作物的实际高度;如果不成立,执行步骤(6)重新计算茎秆作物像素高度yh(n);
(6)在二值化的图像区域ROI2(n)′中,采集一组前景与背景的边界点,计算边界点的高度均值作为茎秆作物像素高度yh(n);
(7)由yh(n)计算茎秆作物在原始图像上的像素高度:
yreal(n)=Hsrc-(yroi(n)+yh(n)-height_slide/2)
其中,Hsrc为原始茎秆作物图像的高度,height_slide为第二目标区域ROI2(n)的高度;
当前时刻茎秆作物的实际高度H(n)为:H(n)=SCALE*yreal(n)。
2.根据权利要求1所述的基于机器视觉的茎秆作物高度测量方法,其特征在于,所述步骤(2)中在ROI1(n)内获取茎秆作物前景区域,包括以下步骤:
对ROI1(n)内的每个像素(x,y),在R-G-B颜色空间中做像素值转换:
其中f(x,y)为原始茎秆作物图像Picorg(n)中ROI1(n)内像素点(x,y)处的R-G-B颜色空间像素值,f(x,y)B为(x,y)处B通道的值,f(x,y)R为(x,y)处R通道的值,f(x,y)G为(x,y)处G通道的值,T1、T2为自设定的阈值;g(x,y)为转换后(x,y)处的R-G-B颜色空间像素值,g(x,y)R、g(x,y)G、g(x,y)B分别为(x,y)处转换后的R、G、B通道的值;
像素值转换后,ROI1(n)区域内R、G、B通道的值均为0的像素点为背景,其余像素为前景。
3.根据权利要求1所述的基于机器视觉的茎秆作物高度测量方法,其特征在于,所述步骤(3)中确定茎秆作物粗略像素高度yroi,包括以下步骤:
(3.1)在像素值转换后的ROI1(n)区域的上边界,沿水平方向等距离取m1个点,沿此m1个点从上往下分别寻找第一个前景点,保存其纵坐标值,分别为:
(3.2)如果n>1,根据n-1时刻作物像素高度yreal(n-1)在第一目标区域ROI1(n-1)中的纵坐标y'对这m1个纵坐标检验,排除异常值,若|y'-yi|<T3,保留yi,否则将yi删除;T3为阈值,i=1,2,3,...m1;设排除检验后剩余的纵坐标值有m2个,为
y'=Hsrc-yreal(n-1)-topleft_y;
其中topleft_y为第一目标区域ROI1(n)左上角在原始茎秆作物图像上的纵坐标值;
对剩余的纵坐标包括n-1时刻的测量值y'取平均值ymean:
(3.3)如果n=1,
(3.4)计算ymean在原始茎秆作物图像上的位置:
yroi(n)=ymean+topleft_y;
其中yroi(n)为茎秆作物粗略像素高度。
4.根据权利要求1所述的基于机器视觉的茎秆作物高度测量方法,其特征在于,所述步骤(4)中对ROI2(n)进行图像增强,并进行二值化,包括以下步骤:
(4.1)对第二目标区域ROI2(n)在R-G-B颜色空间提取前景,得到区分背景与前景的图像ROI2g(n);
(4.2)对ROI2g(n)进行增强,得到增强后的图像ROI2s(n):
ROI2s(n)=ROI2g(n)+ROI2g(n-1)+ROI2g(n-2)
ROI2g(k)为k时刻的第二目标区域在R-G-B颜色空间提取前景后得到的区分背景与前景的图像;如果k≤0,ROI2g(k)=0;
(4.3)对增强后的ROI2s(n)进行二值化处理,具体操作为:将RGB颜色空间转换到灰度空间,进行中值滤波,图像二值化,开运算去除噪声,得到二值化的图像区域ROI2(n)′。
5.根据权利要求1所述的基于机器视觉的茎秆作物高度测量方法,其特征在于,所述步骤(5)中对ROI2(n)′进行边界直线检测,得到边界直线的像素高度均值yh(n),包括以下步骤:
(5.1)采用卷积掩膜进行水平边界检测;
(5.2)对检测出的边界采用LSD算法检测直线,对检测出的所有直线的首尾两点的高度值求均值,得到的结果即为边界直线的像素高度均值yh(n)。
6.根据权利要求5所述的基于机器视觉的茎秆作物高度测量方法,其特征在于,所述卷积掩膜h为:
7.根据权利要求1所述的基于机器视觉的茎秆作物高度测量方法,其特征在于,所述步骤(6)中,还包括对采集到的边界点去除高度值最大的前m3个,和高度值最小的前m4个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743242.2A CN110455201B (zh) | 2019-08-13 | 2019-08-13 | 基于机器视觉的茎秆作物高度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910743242.2A CN110455201B (zh) | 2019-08-13 | 2019-08-13 | 基于机器视觉的茎秆作物高度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110455201A true CN110455201A (zh) | 2019-11-15 |
CN110455201B CN110455201B (zh) | 2020-11-03 |
Family
ID=68486098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910743242.2A Active CN110455201B (zh) | 2019-08-13 | 2019-08-13 | 基于机器视觉的茎秆作物高度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110455201B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953402A (zh) * | 2023-03-13 | 2023-04-11 | 江西农业大学 | 一种基于机器视觉的植株应力应变测量方法及装置 |
CN116416249A (zh) * | 2023-06-08 | 2023-07-11 | 张家港市民华塑胶有限公司 | 一种人造运动草丝的质量检测评估方法及*** |
CN117635719A (zh) * | 2024-01-26 | 2024-03-01 | 浙江托普云农科技股份有限公司 | 基于多传感器融合的除草机器人定位方法、***及装置 |
CN117726935A (zh) * | 2023-11-23 | 2024-03-19 | 盐城中科高通量计算研究院有限公司 | 一种基于机器视觉的农业秸秆离地识别装置及方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216288A (zh) * | 2008-01-07 | 2008-07-09 | 浙江理工大学 | 农作物植株高度的检测方法 |
CN101574709A (zh) * | 2009-06-12 | 2009-11-11 | 东北大学 | 一种中厚板自动转钢方法 |
US20120169868A1 (en) * | 2010-12-31 | 2012-07-05 | Kt Corporation | Method and apparatus for measuring sizes of objects in image |
CN102927916A (zh) * | 2012-11-29 | 2013-02-13 | 中国农业大学 | 野外环境玉米株高的监控方法和装置 |
CN103824282A (zh) * | 2013-12-11 | 2014-05-28 | 香港应用科技研究院有限公司 | 使用表面映射图、物体阴影和一个相机的触摸及运动检测 |
CN104296665A (zh) * | 2014-09-28 | 2015-01-21 | 苏州镭络视觉技术有限公司 | 一种基于机器视觉的工件尺寸测量方法及*** |
CN105444677A (zh) * | 2014-11-04 | 2016-03-30 | 赖军臣 | 一种基于图象技术测定棉花株高的方法及*** |
CN105674881A (zh) * | 2016-01-26 | 2016-06-15 | 上海乾菲诺农业科技有限公司 | 一种植物茎秆测量方法及装置 |
CN106841053A (zh) * | 2017-01-07 | 2017-06-13 | 塔里木大学 | 一种红枣品种快速鉴定方法 |
CN107392908A (zh) * | 2017-06-08 | 2017-11-24 | 北京农业信息技术研究中心 | 作物株高测量方法及***、田间定标装置 |
CN108647697A (zh) * | 2018-05-11 | 2018-10-12 | 武汉鸿瑞达信息技术有限公司 | 一种基于改进Hough变换的目标边界检测方法和装置 |
CN208765648U (zh) * | 2018-08-29 | 2019-04-19 | 甘肃农业大学 | 一种玉米叶片夹角测定仪 |
-
2019
- 2019-08-13 CN CN201910743242.2A patent/CN110455201B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101216288A (zh) * | 2008-01-07 | 2008-07-09 | 浙江理工大学 | 农作物植株高度的检测方法 |
CN101574709A (zh) * | 2009-06-12 | 2009-11-11 | 东北大学 | 一种中厚板自动转钢方法 |
US20120169868A1 (en) * | 2010-12-31 | 2012-07-05 | Kt Corporation | Method and apparatus for measuring sizes of objects in image |
CN102927916A (zh) * | 2012-11-29 | 2013-02-13 | 中国农业大学 | 野外环境玉米株高的监控方法和装置 |
CN103824282A (zh) * | 2013-12-11 | 2014-05-28 | 香港应用科技研究院有限公司 | 使用表面映射图、物体阴影和一个相机的触摸及运动检测 |
CN104296665A (zh) * | 2014-09-28 | 2015-01-21 | 苏州镭络视觉技术有限公司 | 一种基于机器视觉的工件尺寸测量方法及*** |
CN105444677A (zh) * | 2014-11-04 | 2016-03-30 | 赖军臣 | 一种基于图象技术测定棉花株高的方法及*** |
CN105674881A (zh) * | 2016-01-26 | 2016-06-15 | 上海乾菲诺农业科技有限公司 | 一种植物茎秆测量方法及装置 |
CN106841053A (zh) * | 2017-01-07 | 2017-06-13 | 塔里木大学 | 一种红枣品种快速鉴定方法 |
CN107392908A (zh) * | 2017-06-08 | 2017-11-24 | 北京农业信息技术研究中心 | 作物株高测量方法及***、田间定标装置 |
CN108647697A (zh) * | 2018-05-11 | 2018-10-12 | 武汉鸿瑞达信息技术有限公司 | 一种基于改进Hough变换的目标边界检测方法和装置 |
CN208765648U (zh) * | 2018-08-29 | 2019-04-19 | 甘肃农业大学 | 一种玉米叶片夹角测定仪 |
Non-Patent Citations (4)
Title |
---|
LYNDON NEAL SMITH等: "Innovative 3D and 2D machine vision methods for analysis of plants and crops in the", 《COMPUTERS IN INDUSTRY》 * |
RONGJI CAO等: "Effects of flow rates and layer thicknesses for aggregate conveying process on the prediction accuracy of aggregate gradation by image segmentation based on machine vision", 《CONSTRUCTION AND BUILDING MATERIALS》 * |
冯佳睿等: "基于深度信息的大豆株高计算方法", 《光学学报》 * |
阙玲丽: "基于计算机视觉技术的玉米植株高度检测的研究", 《农机化研究》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953402A (zh) * | 2023-03-13 | 2023-04-11 | 江西农业大学 | 一种基于机器视觉的植株应力应变测量方法及装置 |
CN115953402B (zh) * | 2023-03-13 | 2023-05-12 | 江西农业大学 | 一种基于机器视觉的植株应力应变测量方法及装置 |
CN116416249A (zh) * | 2023-06-08 | 2023-07-11 | 张家港市民华塑胶有限公司 | 一种人造运动草丝的质量检测评估方法及*** |
CN116416249B (zh) * | 2023-06-08 | 2023-09-05 | 张家港市民华塑胶有限公司 | 一种人造运动草丝的质量检测评估方法及*** |
CN117726935A (zh) * | 2023-11-23 | 2024-03-19 | 盐城中科高通量计算研究院有限公司 | 一种基于机器视觉的农业秸秆离地识别装置及方法 |
CN117635719A (zh) * | 2024-01-26 | 2024-03-01 | 浙江托普云农科技股份有限公司 | 基于多传感器融合的除草机器人定位方法、***及装置 |
CN117635719B (zh) * | 2024-01-26 | 2024-04-16 | 浙江托普云农科技股份有限公司 | 基于多传感器融合的除草机器人定位方法、***及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110455201B (zh) | 2020-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110455201A (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
Wang et al. | Image segmentation of overlapping leaves based on Chan–Vese model and Sobel operator | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
CN111753577B (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
CN106780537B (zh) | 一种基于图像处理的方格蔟蚕茧筛选装置及方法 | |
CN104361330B (zh) | 一种玉米精准施药***的作物行识别方法 | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN103336966B (zh) | 一种应用于农业智能机械的杂草图像辨识方法 | |
CN105631903B (zh) | 基于rgbw特征空间图割算法的遥感图像水体提取方法、装置 | |
CN107886086A (zh) | 一种基于图像视频的目标动物检测方法及装置 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN105005813B (zh) | 虫害分析计数方法及*** | |
CN112149543B (zh) | 一种基于计算机视觉的建筑扬尘识别***与方法 | |
Zhou et al. | Early detection and continuous quantization of plant disease using template matching and support vector machine algorithms | |
CN108323389A (zh) | 水稻插秧机的插秧秧苗株距与穴秧苗数的检测方法和装置 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN116188465B (zh) | 基于图像处理技术的作物生长状态检测方法 | |
CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
CN105447860B (zh) | 一种麦苗计数方法 | |
CN108805924A (zh) | 一种百合花采摘点定位方法及*** | |
CN108830874A (zh) | 一种数字病理全切片图像空白区域自动分割方法 | |
CN107610066A (zh) | 一种叶面积指数测量方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
Kaiyan et al. | Measurement of plant leaf area based on computer vision | |
CN103942555A (zh) | 一种植物氮素含量丰缺图像检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |