CN111339954A - 一种基于图像识别的薇甘菊监测方法 - Google Patents

一种基于图像识别的薇甘菊监测方法 Download PDF

Info

Publication number
CN111339954A
CN111339954A CN202010123179.5A CN202010123179A CN111339954A CN 111339954 A CN111339954 A CN 111339954A CN 202010123179 A CN202010123179 A CN 202010123179A CN 111339954 A CN111339954 A CN 111339954A
Authority
CN
China
Prior art keywords
mikania micrantha
image
threshold segmentation
segmentation algorithm
algorithm
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
Application number
CN202010123179.5A
Other languages
English (en)
Other versions
CN111339954B (zh
Inventor
李岩舟
范卿
麦聪
施瑞
吴舒晗
林涛
田洪坤
刘亚东
王天海
江欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University
Original Assignee
Guangxi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University filed Critical Guangxi University
Priority to CN202010123179.5A priority Critical patent/CN111339954B/zh
Publication of CN111339954A publication Critical patent/CN111339954A/zh
Application granted granted Critical
Publication of CN111339954B publication Critical patent/CN111339954B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06T7/11—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
    • G06T7/136—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • 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
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像识别的薇甘菊监测方法，属于图像智能识别技术领域。包括如下步骤：通过无人机所搭载的相机对待监测地区进行等间隔拍摄，得到多张薇甘菊航拍图，将薇甘菊航拍图传输到计算机；构建阈值分割算法，用采样集的薇甘菊航拍图像调试所述阈值分割算法的平均值参数和标准差参数，校准用于识别薇甘菊的阈值分割算法；所述薇甘菊航拍图经过图像合成算法处理后，传输至阈值分割算法，再经图像增强算法处理后，得到包含薇甘菊识别信息的二值图像；根据无人机飞行高度参数和相机广角参数，结合所述二值图像，得到薇甘菊分布图和薇甘菊分布面积。本发明克服现有的对于盛花期薇甘菊爆发点监测效率较低的缺点。

Description

一种基于图像识别的薇甘菊监测方法
技术领域
本发明属于图像智能识别技术领域，尤其是一种基于图像识别的薇甘菊监测方法。
背景技术
薇甘菊(Mikania micrantha)，菊科假泽兰属，原产于美洲，是一种危害性极强的入侵性杂草。20世纪80年代初，薇甘菊被发现传入中国华南地区，危害当地植被和农林作物并造成巨大经济损失。
目前针对薇甘菊的自动识别的研究很少，目前有基于卫星遥感技术、基于高光谱遥感技术、基于深度学习技术的相关研究，但是均存在较大的局限性。因此，随着薇甘菊危害的严重性日益增加和现有监测方法的缺陷，迫切需要开发一种高精度的监测方法快速、准确、有效地获取薇甘菊分布数据。
发明内容
本发明的发明目的是提供一种基于图像识别的薇甘菊监测方法，克服现有的对于盛花期薇甘菊爆发点监测效率较低的缺点。
为达到上述目的，本发明所采用的技术方案是：
一种基于图像识别的薇甘菊监测方法，包括如下步骤：
步骤S1，通过无人机所搭载的相机对待监测地区进行等间隔拍摄，得到多张薇甘菊航拍图，将薇甘菊航拍图传输到计算机；
步骤S2，构建阈值分割算法，将多张薇甘菊航拍图像分为采样集和测试集，用采样集的薇甘菊航拍图像调试所述阈值分割算法的平均值参数和标准差参数，校准用于识别薇甘菊的阈值分割算法；用测试集的薇甘菊航拍图像验证生成的阈值分割算法的准确率，当准确率小于预设阈值时，调整阈值分割算法中的平均值参数、标准差参数，重新测试准确率，重复此步骤直至准确率大于等于预设阈值时，完成阈值分割算法的参数调试；
步骤S3，所述薇甘菊航拍图经过图像合成算法处理后，传输至阈值分割算法，再经图像增强算法处理后，得到包含薇甘菊识别信息的二值图像；
步骤S4，根据无人机飞行高度参数和相机广角参数，结合所述二值图像，得到薇甘菊分布图和薇甘菊分布面积。
进一步的，所述无人机飞行高度为距离冠层之上20-30m处，所述相机为全画幅单镜头反光数码相机。
进一步的，所述步骤S2中，采样集和测试集的图像数量比为1：3。
进一步的，所述步骤S2中，所述预设阈值为90％。
进一步的，所述步骤S3中，图像合成算法包括图像拼接技术、地面控制点精确校正技术，所述图像合成算法将薇甘菊航拍图处理后得到RGB三通道图像。
进一步的，所述步骤S3中，所述阈值分割算法以(μ-1.5σ，μ+1.5σ)这一范围作为薇甘菊不同颜色通道的取值范围，其中μ为在采样集中得到的不同颜色通道的平均值，σ为在采样集中得到的不同颜色通道的标准差，当所述RGB三通道图像中像素点相应通道值落在所述取值范围内时，认为该像素属于薇甘菊的像素点；反之，则不是。
进一步的，所述步骤S3中,所述图像增强算法包括形态学开、闭运算。
进一步的，所述二值图像包含薇甘菊的坐标信息。
由于采用上述技术方案，本发明具有以下有益效果：
1.本发明中的阈值分割算法由依据采样集获得的平均值参数与标准差参数经特定比例系数结合而成，在继承传统阈值分割算法运算简单、运算效率高、速度快的特点的同时，对薇甘菊监测的针对性更强，具有高精度、高准确率、时效性强、低成本的优点；与现有的卫星遥感技术相比，本方法精度、效率更高，尤其是在小规模薇甘菊监测领域具有较大优势；与现有的高光谱技术和深度学习技术相比，本方法训练所需时间短，效率高，对计算机的运算能力要求更低，成本低。
2.本发明中的图像增强算法包括形态学运算，形态学运算的优点是快速提取图像特征，本发明采用形态学运算增强阈值分割算法所提取到的薇甘菊信息，具有高精度、高准确率、抗变化性强、低成本的特点，尤其是能提高盛花期薇甘菊爆发点的监测效率。
3.本发明中的图像预处理技术包括图像拼接技术、地面控制点精确校正技术，从而能够更准确获取薇甘菊RGB三通道图像。
4.本发明不仅可以得到薇甘菊分布图，并且可以根据无人机飞行高度参数和相机广角参数智能计算出薇甘菊分布面积，有利于精准判断薇甘菊危害程度。
附图说明
图1是根据本发明一种基于图像识别的薇甘菊监测方法的流程图；
图2是根据本发明一种基于图像识别的薇甘菊监测方法的***示意图；
图3是根据本发明步骤S3和S4的流程图。
图中主要元件符号说明如下：
附图中，1-待监测地区，2-相机，3-无人机，4-计算机。
具体实施方式
下面结合附图，对本发明的具体实施方式进行详细描述，但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示，否则在整个说明书和权利要求书中，术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分，而并未排除其它元件或其它组成部分。
如图1-3所示，一种基于图像识别的薇甘菊监测方法，包括如下步骤：
步骤S1，通过无人机3所搭载的相机2对待监测地区进行等间隔拍摄，得到多张薇甘菊航拍图，将薇甘菊航拍图传输到计算机4；
步骤S2，构建阈值分割算法，将多张薇甘菊航拍图像分为采样集和测试集，用采样集的薇甘菊航拍图像调试阈值分割算法的平均值参数和标准差参数，校准用于识别薇甘菊的阈值分割算法；用测试集的薇甘菊航拍图像验证生成的阈值分割算法的准确率，当准确率小于预设阈值时，调整阈值分割算法中的平均值参数、标准差参数，重新测试准确率，重复此步骤直至准确率大于等于预设阈值时，完成阈值分割算法的参数调试；步骤S2中，采样集和测试集的图像数量比为1：3。步骤S2中，预设阈值为90％。
步骤S3，薇甘菊航拍图经过图像合成算法处理后，传输至阈值分割算法，再经图像增强算法处理后，得到包含薇甘菊识别信息的二值图像；图像合成算法包括图像拼接技术、地面控制点精确校正技术，图像增强算法包括形态学开、闭运算，二值图像包含薇甘菊的坐标信息。
本实施例中，图像合成算法对薇甘菊航拍图进行处理的过程为：
采用Agisoft Photoscan professional v1.4.0(Agisoft LLC，俄罗斯)软件对获取到的薇甘菊航拍图进行拼接处理，经过排列图片、生成密集点云、生成网络、生成纹理等过程，获得待监测地区的三维点云、数字表面模型(DSM)、数字高程模型(DEM)和数字正摄影像(DOM)。最后通过地面控制点精确校正拼接影像的空间坐标，生成RGB三通道图像。
本实施例中，阈值分割算法和图像增强算法对RGB三通道图像进行处理的过程为：
从RGB三通道图像随机采集100个薇甘菊的R通道、G通道B通道的数值，通过人工去除明显不合理数值后，计算每个颜色通道的平均值μ和方差σ，以(μ-1.5σ，μ+1.5σ)这一范围作为薇甘菊不同颜色通道的取值范围。根据取值范围，当RGB三通道图像中像素点相应通道值落在取值范围内时，认为该像素属于薇甘菊的像素点；反之，则不是。提取满足条件的像素点坐标，将像素点坐标对应的值设为1；不满足条件的则将像素点坐标对应的值设为0，经过形态学开、闭运算后，得到二值图像。
步骤S4，根据无人机3飞行高度参数和相机2广角参数，结合二值图像，得到薇甘菊分布图和薇甘菊分布面积。无人机3飞行高度为距离冠层之上20-30m处，相机2为全画幅单镜头反光数码相机。
对二值图像进行处理的过程为：
在二值图像中，提取值为1的像素点坐标，将像素点坐标在RGB三通道图像中对应的R通道值设为255、G通道值设为255、B通道值设为0，得到薇甘菊分布图，其中标注为黄色的是薇甘菊。在二值图像中，计算值为1的像素点个数，计算二值图像的像素点总数，利用值为1的像素点个数除以像素点总数，得到薇甘菊分布面积百分比。根据无人机3飞行高度参数和相机2广角参数，得到RGB三通道图像所代表的图像实际对应面积。利用薇甘菊分布面积百分比乘以图像实际对应面积，得到薇甘菊分布面积。
上述说明是针对本发明较佳实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所提示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。

Claims (8)

1.一种基于图像识别的薇甘菊监测方法，其特征在于，包括如下步骤：
步骤S1，通过无人机所搭载的相机对待监测地区进行等间隔拍摄，得到多张薇甘菊航拍图，将薇甘菊航拍图传输到计算机；
步骤S2，构建阈值分割算法，将多张薇甘菊航拍图像分为采样集和测试集，用采样集的薇甘菊航拍图像调试所述阈值分割算法的平均值参数和标准差参数，校准用于识别薇甘菊的阈值分割算法；用测试集的薇甘菊航拍图像验证生成的阈值分割算法的准确率，当准确率小于预设阈值时，调整阈值分割算法中的平均值参数、标准差参数，重新测试准确率，重复此步骤直至准确率大于等于预设阈值时，完成阈值分割算法的参数调试；
步骤S3，所述薇甘菊航拍图经过图像合成算法处理后，传输至阈值分割算法，再经图像增强算法处理后，得到包含薇甘菊识别信息的二值图像；
步骤S4，根据无人机飞行高度参数和相机广角参数，结合所述二值图像，得到薇甘菊分布图和薇甘菊分布面积。
2.如权利要求1所述的基于图像识别的薇甘菊监测方法，其特征在于，所述无人机飞行高度为距离冠层之上20-30m处，所述相机为全画幅单镜头反光数码相机。
3.如权利要求1所述的基于图像识别的薇甘菊监测方法，其特征在于，所述步骤S2中，采样集和测试集的图像数量比为1：3。
4.如权利要求1所述的基于图像识别的薇甘菊监测方法，其特征在于，所述步骤S2中，所述预设阈值为90％。
5.如权利要求1所述的基于图像识别的薇甘菊监测方法，其特征在于，所述步骤S3中，图像合成算法包括图像拼接技术、地面控制点精确校正技术，所述图像合成算法将薇甘菊航拍图处理后得到RGB三通道图像。
6.如权利要求1所述的基于图像识别的薇甘菊监测方法，其特征在于，所述步骤S3中，所述阈值分割算法以(μ-1.5σ，μ+1.5σ)这一范围作为薇甘菊不同颜色通道的取值范围，其中μ为在采样集中得到的不同颜色通道的平均值，σ为在采样集中得到的不同颜色通道的标准差，当所述RGB三通道图像中像素点相应通道值落在所述取值范围内时，认为该像素属于薇甘菊的像素点；反之，则不是。
7.如权利要求1所述的基于图像识别的薇甘菊监测方法，其特征在于，所述步骤S3中,所述图像增强算法包括形态学开、闭运算。
8.如权利要求1所述的基于图像识别的薇甘菊监测方法，其特征在于，所述二值图像包含薇甘菊的坐标信息。
CN202010123179.5A 2020-02-27 2020-02-27 一种基于图像识别的薇甘菊监测方法 Active CN111339954B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010123179.5A CN111339954B (zh) 2020-02-27 2020-02-27 一种基于图像识别的薇甘菊监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010123179.5A CN111339954B (zh) 2020-02-27 2020-02-27 一种基于图像识别的薇甘菊监测方法

Publications (2)

Publication Number Publication Date
CN111339954A true CN111339954A (zh) 2020-06-26
CN111339954B CN111339954B (zh) 2022-08-09

Family

ID=71183722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010123179.5A Active CN111339954B (zh) 2020-02-27 2020-02-27 一种基于图像识别的薇甘菊监测方法

Country Status (1)

Country Link
CN (1) CN111339954B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103488988A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 基于无人机巡线可见光影像的电力设备中绝缘子的提取方法
CN103699903A (zh) * 2013-12-24 2014-04-02 中国科学院深圳先进技术研究院 基于图像识别的城市屋顶绿化面积计算方法及***
CN103914680A (zh) * 2013-01-07 2014-07-09 上海宝信软件股份有限公司 一种喷印字符图像识别与校验***及方法
CN104217215A (zh) * 2014-08-28 2014-12-17 哈尔滨工程大学 一种水面有雾图像和清晰图像的分类识别方法
CN105225228A (zh) * 2015-09-08 2016-01-06 广西大学 田间自然背景下甘蔗宿根图像分割方法
CN106503695A (zh) * 2016-12-02 2017-03-15 汕头大学 一种基于航拍图像的烟草植株识别与计数方法
CN107346434A (zh) * 2017-05-03 2017-11-14 上海大学 一种基于多特征及支持向量机的植物病虫害检测方法
CN107464260A (zh) * 2017-07-06 2017-12-12 山东农业大学 一种采用无人机的水稻冠层图像处理方法
CN108764199A (zh) * 2018-06-06 2018-11-06 中国农业科学院深圳农业基因组研究所 入侵植物薇甘菊的自动识别方法及***
CN108875620A (zh) * 2018-06-06 2018-11-23 中国农业科学院深圳农业基因组研究所 入侵植物的监测方法及***
CN109376728A (zh) * 2018-12-28 2019-02-22 华南农业大学 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用
CN109410168A (zh) * 2018-08-31 2019-03-01 清华大学 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法
CN109583378A (zh) * 2018-11-30 2019-04-05 东北大学 一种植被覆盖度提取方法及***
CN110516648A (zh) * 2019-09-02 2019-11-29 湖南农业大学 基于无人机遥感和模式识别的苎麻株数识别方法
CN110796076A (zh) * 2019-10-29 2020-02-14 北京环境特性研究所 一种高光谱图像河流检测方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914680A (zh) * 2013-01-07 2014-07-09 上海宝信软件股份有限公司 一种喷印字符图像识别与校验***及方法
CN103488988A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 基于无人机巡线可见光影像的电力设备中绝缘子的提取方法
CN103699903A (zh) * 2013-12-24 2014-04-02 中国科学院深圳先进技术研究院 基于图像识别的城市屋顶绿化面积计算方法及***
CN104217215A (zh) * 2014-08-28 2014-12-17 哈尔滨工程大学 一种水面有雾图像和清晰图像的分类识别方法
CN105225228A (zh) * 2015-09-08 2016-01-06 广西大学 田间自然背景下甘蔗宿根图像分割方法
CN106503695A (zh) * 2016-12-02 2017-03-15 汕头大学 一种基于航拍图像的烟草植株识别与计数方法
CN107346434A (zh) * 2017-05-03 2017-11-14 上海大学 一种基于多特征及支持向量机的植物病虫害检测方法
CN107464260A (zh) * 2017-07-06 2017-12-12 山东农业大学 一种采用无人机的水稻冠层图像处理方法
CN108764199A (zh) * 2018-06-06 2018-11-06 中国农业科学院深圳农业基因组研究所 入侵植物薇甘菊的自动识别方法及***
CN108875620A (zh) * 2018-06-06 2018-11-23 中国农业科学院深圳农业基因组研究所 入侵植物的监测方法及***
CN109410168A (zh) * 2018-08-31 2019-03-01 清华大学 用于确定图像中的子图块的类别的卷积神经网络模型的建模方法
CN109583378A (zh) * 2018-11-30 2019-04-05 东北大学 一种植被覆盖度提取方法及***
CN109376728A (zh) * 2018-12-28 2019-02-22 华南农业大学 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用
CN110516648A (zh) * 2019-09-02 2019-11-29 湖南农业大学 基于无人机遥感和模式识别的苎麻株数识别方法
CN110796076A (zh) * 2019-10-29 2020-02-14 北京环境特性研究所 一种高光谱图像河流检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
姚娜: "低空无人机载组合宽角相机关键技术研究与性能分析", 《中国博士学位论文全文数据库 (基础科学辑)》 *

Also Published As

Publication number Publication date
CN111339954B (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
TWI709109B (zh) 偵測航拍影像內物體之非暫態電腦可讀取媒體及系統，以及航拍影像中物體偵測之方法
CN108009542B (zh) 油菜大田环境下杂草图像分割方法
CN111723654B (zh) 基于背景建模、YOLOv3与自优化的高空抛物检测方法及装置
CN109146889B (zh) 一种基于高分辨率遥感图像的农田边界提取方法
CN106951836B (zh) 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
CN111898651A (zh) 一种基于Tiny YOLOV3算法的树木检测方法
CN108629368B (zh) 一种基于联合深度融合的多模态地基云分类方法
CN111080526A (zh) 航拍图像的农田面积的测算方法、装置、设备及介质
CN110110618B (zh) 一种基于pca和全局对比度的sar目标检测方法
CN109784205B (zh) 一种基于多光谱巡检图像的杂草智能识别方法
Ye et al. An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency
CN111339953B (zh) 一种基于聚类分析的薇甘菊监测方法
CN114692991A (zh) 一种基于深度学习的枸杞产量预测方法及***
CN117409339A (zh) 一种用于空地协同的无人机作物状态视觉识别方法
Xiang et al. Measuring stem diameter of sorghum plants in the field using a high-throughput stereo vision system
CN112884795A (zh) 一种基于多特征显著性融合的输电线路巡检前景与背景分割方法
CN112613437B (zh) 一种违章建筑识别方法
CN111339954B (zh) 一种基于图像识别的薇甘菊监测方法
CN114463630B (zh) 一种对速生林中多种不同植株生长态势精准判断的方法
CN110827375B (zh) 一种基于微光图像的红外图像真彩着色方法及***
CN115760885B (zh) 基于消费级无人机影像的高郁闭度湿地森林参数提取方法
CN116721385A (zh) 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法
CN116721344A (zh) 基于航拍设备的植被检测方法、装置和设备
KR20180096966A (ko) 형태적 연산과 연결 연산을 이용한 벼 모종 자동 개수 세는 방법
Lin et al. A multi-target detection framework for multirotor UAV

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