CN111738159A - 一种基于矢量标定的棉花顶芽定位方法 - Google Patents
一种基于矢量标定的棉花顶芽定位方法 Download PDFInfo
- Publication number
- CN111738159A CN111738159A CN202010582957.7A CN202010582957A CN111738159A CN 111738159 A CN111738159 A CN 111738159A CN 202010582957 A CN202010582957 A CN 202010582957A CN 111738159 A CN111738159 A CN 111738159A
- Authority
- CN
- China
- Prior art keywords
- leaf
- cotton
- base point
- line segment
- image area
- 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
- 229920000742 Cotton Polymers 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 230000011218 segmentation Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 12
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 235000019005 Digitaria californica Nutrition 0.000 description 1
- 241001115843 Digitaria californica Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于矢量标定的棉花顶芽定位方法,包括:对采集的棉花图像进行叶片分割,提取各叶片的图像区域,并进一步获取各叶片图像区域的对角线长度、叶基点和中心点;分别连接同一叶片图像区域中的中心点和叶基点,计算所得线段的斜率和常数项;对同一叶片图像区域中心点和叶基点的连接线段进行有向延长,延长线终止于重新确定的更新后的叶基点坐标,得到定位线段;获取所得定位线段的所有交叉点并获取它们相互之间的距离矩阵;对距离矩阵进行去重,所得去重之后的所有交叉点即为棉花图像中所有的顶芽的坐标定位。本发明所述方法在复杂目标作物场景下具有较好的准确性及快速检测能力。
Description
技术领域
本发明涉及作物自动识别定位技术领域,具体涉及一种基于矢量标定的棉花顶芽定位方法。
背景技术
棉花顶芽定位技术是实现大规模集中自动化棉花打顶一个底层核心算法技术,算法的实现可用于定点农药喷洒、自动化顶芽移除、植物定点部位虫害检测等应用场景。
现有的棉花顶芽定位方法主要有以下几种(郝延杰等,棉花顶芽识别定位技术研究现状及展望,中国农机化学报,2018(11):72-78):
1.基于激光对射的检测定位方法,这类方法主要通过对激光发射器和接收器平行摆放,利用激光穿透性原理(当发射器和接收器中间有物体遮挡时,接收器则获取不到激光,从而输出低电平信号,反之,输出高电平信号),实现顶芽高度的定位,该方法借助激光抗干扰性强、单色性好以及功耗低等优点,具有较好的实用性,但这种方法存在成本较高、制作工艺难度大等问题。
2.基于超声波检测的定位方法,这类方法主要是借助超声波频率高、波长短、方向性好等优点,运用超声波发射器向某一方向发射超声波并计时,一旦超声波遇到障碍物就会立即反射回来,此时接收器收到反射波并停止计时。通过超声波在某一介质中的传播速度及对应的时间差,便可计算出发射位置和障碍物之间的距离,再通过计算获得顶芽的具体高度,从而实现顶芽的定位,但该方法易受周边环境因素影响(温度、光照等影响),稳定性较差。
3.基于仿形板检测定位方法,该方法利用仿形板与棉花顶端的接触产生作用力与反作用力,棉花顶芽支撑起仿形板,同时与仿形板相连的角度传感器产生角度变化,通过角度变化可计算出顶芽实际高度。这种方法易受到仿形板重量因素的干扰,误差较大。
4.基于机器视觉检测定位方法,但这种方法存在计算复杂度高、实时性不强以及光照敏感性过强等不足。
发明内容
本发明要解决的技术问题是提供一种在复杂目标作物场景下(包含目标作物叶片自身遮挡、人为障碍物遮挡、光照不均等)具有较好准确性及快速检测能力的基于矢量标定的棉花顶芽定位方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于矢量标定的棉花顶芽定位方法,包括:对采集的棉花图像进行叶片分割,提取各叶片的图像区域,并进一步获取各叶片图像区域的对角线长度、叶基点坐标和中心点坐标;分别连接同一叶片图像区域中的中心点和叶基点,计算所得线段的斜率和常数项;对同一叶片图像区域中心点和叶基点的连接线段进行有向延长,延长线终止于根据各叶片图像区域对角线长度、叶基点坐标、中心点坐标、以及中心点和叶基点的连接线段的斜率和常数项进行重新确定的更新后的叶基点坐标,得到定位线段;获取所得定位线段的所有交叉点并获取其距离矩阵;对距离矩阵进行去重,所得去重之后的所有交叉点即为棉花图像中所有的顶芽的坐标定位。
本发明所述的基于矢量标定的棉花顶芽定位方法具体包括以下步骤:
S1:采集棉花图像;
S2:提取棉花图像中各叶片的图像区域;
S3:获取各叶片图像区域的对角线长度L对角线,单位为像素;
S4:获取各叶片图像区域的叶基点坐标B(xb,yb);
S5:获取各叶片图像区域的中心点坐标C(xc,yc);
S7:分别以各连接线段为基础进行有向延长,延长线终止于更新后的叶基点坐标,得到n条延长线段各连接线段与其延长线段共同构成定位线段即得到n条定位线段n为0或正整数;根据下述条件确定更新后的叶基点坐标,具体如下:
当xb>xc且k>0时,更新后的叶基点坐标为(xb+L对角线,k×(xb+L对角线)+b);
当xb>xc且k<0时,更新后的叶基点坐标为(yb-L对角线-b/k),yb-L对角线);
当xb<xc且k>0时,更新后的叶基点坐标为(xb-L对角线,k×(xb-L对角线)+b);
当xb<xc且k<0时,更新后的叶基点坐标为(yb+L对角线-b/k),yb+L对角线);
S8:判断n是否为0,如果n为0,表示采集的棉花图像中未识别到延长线段,程序判别此棉花图像中的棉花不存在顶芽,返回顶芽定位结果为None,识别结束;否则执行步骤S9;
S10:获取步骤S9获得的所有交叉点相互之间的距离矩阵;
S11:对步骤S10获得的距离矩阵进行去重,所得去重之后的所有交叉点即为棉花图像中所有的顶芽的坐标定位。
上述方法的步骤S1中,采用现有技术采集棉花图像并上传。步骤S2中,采用现有技术对棉花叶片的叶片区域进行分割以提取图像中各棉花叶片的图像区域(如利用Mask R-CNN目标检测模型对棉花图像实施棉花叶片分割、基于卷积神经网络的目标叶片分割或基于迁移学习的图像分割等),提取所得棉花叶片的图像区域(即叶片轮廓)通常为长方形或正方形。步骤S3~S5均采用现有常规技术实现,且步骤S3、S4和S5可以不分先后进行。本申请中,优选在采用基于Mask R-CNN卷积神经网络获取各叶片的图像区域并根据区域进一步获得对角线长度,采用SVM算法提取各叶片图像区域的轮廓标记及其叶基点坐标,采用最小外接矩形算法获取各叶片图像区域的中心点坐标(外接矩形对角线的交点即为中心点坐标)。
上述方法的步骤S10中,可以采用现有常规的计算欧式距离、余弦相似度、海明距离或马氏距离等方法获取距离矩阵。在本申请中,优选是先遍历步骤S9获得的所有交叉点,通过计算两两之间的欧式距离获取距离矩阵。
上述方法的步骤S11中,可以采用现有常规的方法如k近邻算法或k-means算法等实现去重的目的。在本申请中,优选是先设定距离误差阈值,然后遍历步骤S10获得的距离矩阵,根据距离误差阈值判断进行去重。考虑到现实棉花顶芽位置允许0~3cm的偏差,通常设定机器视觉距离误差阈值为5。
与现有技术相比,本发明所述方法借助目标作物的叶片生物特征信息,并利用目标作物叶片与叶片之间的空间位置信息,最后将上述特征融合为矢量信息进行抽象表达,利用矢量具有方向、大小的特征最终实现目标作物顶芽的识别。本发明所述方法并非直接定位目标作物顶芽区域,而是通过顶芽周边叶片的生物特征和空间信息融合进行的间接顶芽定位方法,借助矢量定位方法可以克服目标作物叶片自身遮挡、人为障碍物遮挡、顶芽区域光照不均等复杂场景下的诸多问题,有较好的可操作性和准确性以及快速检测能力。
附图说明
图1为本发明所述基于矢量标定的棉花顶芽定位方法的流程图;
图2为获取的棉花图像(即待上传的棉花图像);
图3为对图2所示图像进行叶片分割后的结果图;
图4为从图3中截取单独截取某一棉花叶片,并对其图像区域分割对角线标识图;
图5为对图3所示图像中经叶片分割后的棉花叶片进行轮廓标记的结果图;
图6为对图3所示图像中经叶片分割后的棉花叶片进行中心点以及叶基点标记的结果图;
图7为对图3所示图像中经叶片分割后的棉花叶片的棉花顶芽矢量定位结果图;
具体实施方式
下面结合附图对本发明作进一步的详述,以更好地理解本发明的内容,但本发明并不限于以下实施例。
本发明所述的基于矢量标定的棉花顶芽定位方法包括:对采集的棉花图像进行叶片分割,提取各叶片的图像区域,并进一步获取各叶片图像区域的对角线长度、叶基点坐标和中心点坐标;分别连接同一叶片图像区域中的中心点和叶基点,计算所得线段的斜率和常数项;对同一叶片图像区域中心点和叶基点的连接线段进行有向延长,延长线终止于根据各叶片图像区域对角线长度、叶基点坐标、中心点坐标、以及中心点和叶基点的连接线段的斜率和常数项进行重新确定的更新后的叶基点坐标,得到定位线段;获取所得定位线段的所有交叉点并获取其距离矩阵;对距离矩阵进行去重,所得去重之后的所有交叉点即为棉花图像中所有的顶芽的坐标定位。
如图1所示,在一个具体的实施例中,本发明所述的基于矢量标定的棉花顶芽定位方法具体包括以下步骤:
S1:采集棉花图像;
以图2所示的图像作为获取的棉花图像并上传。
S2:提取棉花图像中各叶片的图像区域;
利用现有Mask R-CNN目标检测模型对图2所示棉花图像实施棉花叶片分割,保留大量的叶片区域,提取得到各叶片的图像区域,结果如图3所示。
S3:获取各叶片图像区域的对角线长度L对角线,单位为像素(px);
以单独截取图3中某一棉花叶片的图像区域为例(如图4),获取叶片图像区域的对角线长度L对角线,单位为像素(px)。
S4:获取各叶片图像区域的叶基点坐标B(xb,yb);
在各叶片的图像区域,运用SVM二分类模型获得叶片的轮廓标记(如图5所示)及各叶片图像区域的叶基点位置B(xb,yb),将获取的各叶片的叶基点标记于棉花图像上,如图6所示。
S5:获取各叶片图像区域的中心点坐标C(xc,yc);
通过叶片标记位置信息,运用统计学原理计算得到各叶片图像区域的中心点位置C(xc,yc),将获取的各叶片的中心点标记于棉花图像上,如图6所示。
S7:分别以各连接线段为基础进行有向延长,延长线终止于更新后的叶基点坐标,得到n条延长线段各连接线段与其延长线段共同构成定位线段即得到n条定位线段n为0或正整数;根据下述条件确定更新后的叶基点坐标,具体如下:
S8:判断n是否为0,如果n为0,表示采集的棉花图像中未识别到延长线段,程序判别此棉花图像中的棉花不存在顶芽,返回顶芽定位结果为None,识别结束;否则执行步骤S9;
在本实施例中,采用Bentley-Ottmann算法快速获取这n条定位线段的所有交叉点;
S10:遍历步骤S9获得的所有交叉点,通过计算两两之间的欧式距离获得如下距离矩阵;
Cr<sup>1</sup> | Cr<sup>2</sup> | …… | Cr<sup>n′</sup> | |
Cr<sup>1</sup> | d(Cr<sup>1</sup>,Cr<sup>1</sup>) | d(Cr<sup>1</sup>,Cr<sup>2</sup>) | …… | d(Cr<sup>1</sup>,Cr<sup>n′</sup>) |
Cr<sup>2</sup> | d(Cr<sup>2</sup>,Cr<sup>1</sup>) | d(Cr<sup>2</sup>,Cr<sup>2</sup>) | …… | d(Cr<sup>2</sup>,Cr<sup>n′</sup>) |
…… | …… | …… | …… | …… |
Cr<sup>n′</sup> | d(Cr<sup>n′</sup>,Cr<sup>1</sup>) | d(Cr<sup>n′</sup>,Cr<sup>2</sup>) | …… | d(Cr<sup>n′</sup>,Cr<sup>n′</sup>) |
欧式距离计算公式,以d(Cr1,Cr2)为例:
在本实施例中,考虑到现实棉花顶芽位置允许0~3cm的偏差,设定机器视觉距离误差阈值Threshold为5px,即d(Crn′-1,Crn′-2)≤5(n’>2)时,将两个点合并为一个新的坐标点,该新坐标点的坐标值为以此类推,最终求得去重之后的所有新的交叉点为 这些新的交叉点即为棉花图像中所有的顶芽的坐标定位(如图7所示)。
对上述具体实施例中的顶芽定位精度(precision)进行测试:
方法:采用圆概率误差(CEP)衡量预测顶芽位置的精度,因考虑到实际棉花顶芽位置允许0~3cm的偏差,我们在测试实验中最终选取0.5cm CEP(即以0.5cm为半径画圆,预测的点能出现在圆内)作为衡量指标值,其中0.5cm约包含13个像素(px),所以最终预测的顶芽坐标值于人工标注的顶芽坐标值允许欧式距离误差范围[0,13px],即人工标注顶芽坐标与预测顶芽坐标二者欧式距离值小于等于13即可判算法预测准确。本次实验先采用人工标注顶芽图像,其中共标记100张图片(人工标记顶芽267个),然后再本发明所述方法进行顶芽定位测试,最后测试结果统计如下表所示。
Claims (4)
1.一种基于矢量标定的棉花顶芽定位方法,其特征在于,对采集的棉花图像进行叶片分割,提取各叶片的图像区域,并进一步获取各叶片图像区域的对角线长度、叶基点坐标和中心点坐标;分别连接同一叶片图像区域中的中心点和叶基点,计算所得线段的斜率和常数项;对同一叶片图像区域中心点和叶基点的连接线段进行有向延长,延长线终止于根据各叶片图像区域对角线长度、叶基点坐标、中心点坐标、以及中心点和叶基点的连接线段的斜率和常数项进行重新确定的更新后的叶基点坐标,得到定位线段;获取所得定位线段的所有交叉点并获取它们相互之间的距离矩阵;对距离矩阵进行去重,所得去重之后的所有交叉点即为棉花图像中所有的顶芽的坐标定位。
2.根据权利要求1所述的基于矢量标定的棉花顶芽定位方法,其特征在于,具体包括以下步骤:
S1:采集棉花图像;
S2:提取棉花图像中各叶片的图像区域;
S3:获取各叶片图像区域的对角线长度L对角线,单位为像素;
S4:获取各叶片图像区域的叶基点坐标B(xb,yb);
S5:获取各叶片图像区域的中心点坐标C(xc,yc);
S7:分别以各连接线段为基础进行有向延长,延长线终止于更新后的叶基点坐标,得到n条延长线段各连接线段与其延长线段共同构成定位线段即得到n条定位线段n为0或正整数;根据下述条件确定更新后的叶基点坐标,具体如下:
当xb>xc且k>0时,更新后的叶基点坐标为(xb+L对角线,k×(xb+L对角线)+b);
当xb>xc且k<0时,更新后的叶基点坐标为(yb-L对角线-b/k),yb-L对角线);
当xb<xc且k>0时,更新后的叶基点坐标为(xb-L对角线,k×(xb-L对角线)+b);
当xb<xc且k<0时,更新后的叶基点坐标为(yb+L对角线-b/k),yb+L对角线);
S8:判断n是否为0,如果n为0,表示采集的棉花图像中未识别到延长线段,程序判别此棉花图像中的棉花不存在顶芽,返回顶芽定位结果为None,识别结束;否则执行步骤S9;
S10:获取步骤S9获得的所有交叉点相互之间的距离矩阵;
S11:对步骤S10获得的距离矩阵进行去重,所得去重之后的所有交叉点即为棉花图像中所有的顶芽的坐标定位。
3.根据权利要求1所述的基于矢量标定的棉花顶芽定位方法,其特征在于,步骤S10中,先遍历步骤S9获得的所有交叉点,通过计算两两之间的欧式距离获取距离矩阵。
4.根据权利要求1所述的基于矢量标定的棉花顶芽定位方法,其特征在于,步骤S11中,先设定距离误差阈值,然后遍历步骤S10获得的距离矩阵,根据距离误差阈值进行去重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582957.7A CN111738159A (zh) | 2020-06-23 | 2020-06-23 | 一种基于矢量标定的棉花顶芽定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582957.7A CN111738159A (zh) | 2020-06-23 | 2020-06-23 | 一种基于矢量标定的棉花顶芽定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111738159A true CN111738159A (zh) | 2020-10-02 |
Family
ID=72650739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010582957.7A Pending CN111738159A (zh) | 2020-06-23 | 2020-06-23 | 一种基于矢量标定的棉花顶芽定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738159A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298768A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 棉花检测分割计数方法及*** |
CN113313692A (zh) * | 2021-06-03 | 2021-08-27 | 广西大学 | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324423A (zh) * | 2008-07-31 | 2008-12-17 | 华中科技大学 | 植物株高自动测量装置及方法 |
CN107220647A (zh) * | 2017-06-05 | 2017-09-29 | 中国农业大学 | 一种叶片交叉条件下作物中心点定位方法及*** |
CN108229502A (zh) * | 2017-12-20 | 2018-06-29 | 中国农业大学 | 一种树冠层的三维点云数据中叶片基点提取方法 |
CN108805924A (zh) * | 2018-05-22 | 2018-11-13 | 湘潭大学 | 一种百合花采摘点定位方法及*** |
CN110892828A (zh) * | 2019-12-27 | 2020-03-20 | 湘潭大学 | 一种基于履带式机器人的棉花打顶方法 |
-
2020
- 2020-06-23 CN CN202010582957.7A patent/CN111738159A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101324423A (zh) * | 2008-07-31 | 2008-12-17 | 华中科技大学 | 植物株高自动测量装置及方法 |
CN107220647A (zh) * | 2017-06-05 | 2017-09-29 | 中国农业大学 | 一种叶片交叉条件下作物中心点定位方法及*** |
CN108229502A (zh) * | 2017-12-20 | 2018-06-29 | 中国农业大学 | 一种树冠层的三维点云数据中叶片基点提取方法 |
CN108805924A (zh) * | 2018-05-22 | 2018-11-13 | 湘潭大学 | 一种百合花采摘点定位方法及*** |
CN110892828A (zh) * | 2019-12-27 | 2020-03-20 | 湘潭大学 | 一种基于履带式机器人的棉花打顶方法 |
Non-Patent Citations (1)
Title |
---|
周有耀: "<棉花高产优质栽培技术>", 31 January 2000, 金盾出版社, pages: 10 - 11 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298768A (zh) * | 2021-05-20 | 2021-08-24 | 山东大学 | 棉花检测分割计数方法及*** |
CN113298768B (zh) * | 2021-05-20 | 2022-11-08 | 山东大学 | 棉花检测分割计数方法及*** |
CN113313692A (zh) * | 2021-06-03 | 2021-08-27 | 广西大学 | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 |
CN113313692B (zh) * | 2021-06-03 | 2023-04-25 | 广西大学 | 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766058B (zh) | 一种获取车道线的方法和装置 | |
CN112418188B (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN109215071B (zh) | 基于视觉的智能稻麦收割机割幅测量方法 | |
CN110689519B (zh) | 基于yolo网络的雾滴沉积图像检测***和方法 | |
CN106709950A (zh) | 一种基于双目视觉的巡线机器人跨越障碍导线定位方法 | |
CN111738159A (zh) | 一种基于矢量标定的棉花顶芽定位方法 | |
CN107301649B (zh) | 一种基于超像素的区域合并sar图像海岸线检测算法 | |
CN114022771A (zh) | 一种基于深度学习的玉米苗期田间分布信息统计方法 | |
Paturkar et al. | 3D reconstruction of plants under outdoor conditions using image-based computer vision | |
Liu et al. | Recognition method of maize crop rows at the seedling stage based on MS-ERFNet model | |
Mao et al. | Agricultural robot navigation path recognition based on k-means algorithm for large-scale image segmentation | |
CN117152719B (zh) | 除草障碍物检测方法、设备、存储介质及装置 | |
CN107507192B (zh) | 一种水稻剑叶夹角在体测量便携装置及在体测量方法 | |
CN106355576B (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
CN111627059A (zh) | 一种棉花叶片中心点位置定位方法 | |
Liang et al. | A depth-colour image registration method based on local feature point extraction | |
CN115830474A (zh) | 一种识别野生藏药独一味及其分布并计算其产量的方法与*** | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN116030373A (zh) | 鱼道智能监测*** | |
Songtao et al. | Extraction of potato plant phenotypic parameters based on multi-source data | |
CN114049390A (zh) | 一种基于机器视觉的小麦麦苗种植密度测量装置及方法 | |
CN113569786A (zh) | 基于多模态影像的作物病虫害检测方法及***、设备、存储介质 | |
CN113379738A (zh) | 一种基于图像的疫木检测与定位方法及*** | |
CN113807137A (zh) | 用于识别种植行中心线的方法、装置、农用机械及介质 | |
Bi et al. | Quick acquisition of wheat ear morphology parameter based on imaging processing |
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 |