CN112926359A - 农作物的识别方法及装置、作业设备的控制方法 - Google Patents
农作物的识别方法及装置、作业设备的控制方法 Download PDFInfo
- Publication number
- CN112926359A CN112926359A CN201911236923.6A CN201911236923A CN112926359A CN 112926359 A CN112926359 A CN 112926359A CN 201911236923 A CN201911236923 A CN 201911236923A CN 112926359 A CN112926359 A CN 112926359A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- height information
- plant protection
- information
- cloud height
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000013507 mapping Methods 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 abstract description 60
- 239000002420 orchard Substances 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 239000000575 pesticide Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011218 segmentation Effects 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
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种农作物的识别方法及装置、作业设备的控制方法。其中,该方法包括:获取植保区域的图像数据以及数字地表模型数据;依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;依据图像数据和第二点云高度信息识别出目标农作物的个体信息。本申请解决了现阶段利用二维RGB图像对果树的分布范围进行测绘,由于果树相互交叉,难以准确识别每一棵果树的技术问题。
Description
技术领域
本申请涉及植保领域,具体而言,涉及一种农作物的识别方法及装置、作业设备的控制方法。
背景技术
目前无人机对果树进行植保作业需要人工测绘果树的分布范围以及果树个体的大小,或者利用航测的高清RGB图像进行图像分割进而识别果树的位置信息,但是人工测绘耗时成本比较高,而单纯的RGB图像对于长比较密集的果园效果不是很好。
图1是果树的二维RGB图像,如果仅仅用二维RGB图像对果树进行检测,会得到如图2所示的检测结果,由于果树之间相互交叉,仅仅利用二维图像很难将每一棵果树进行准确识别出来。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种农作物的识别方法及装置、作业设备的控制方法,以至少解决现阶段利用二维RGB图像对果树的分布范围进行测绘,由于果树相互交叉,难以准确识别每一棵果树的技术问题。
根据本申请实施例的一个方面,提供了一种农作物的识别方法,包括:获取植保区域的图像数据以及数字地表模型数据;依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;依据图像数据和第二点云高度信息识别出目标农作物的个体信息。
可选地,依据第一点云高度信息确定目标农作物的第二点云高度信息,包括:将第一点云高度信息对应的点云的高度值由中间向四周逐渐降低的区域作为目标农作物所在的区域;将目标农作物所在的区域对应的第一点云高度信息作为第二点云高度信息。
可选地,依据第一点云高度信息确定目标农作物的第二点云高度信息,还包括:将第一点云高度信息分别与预设高度信息范围进行比对;将落入预设高度信息范围内的第一点云高度信息作为第二点云高度信息。
可选地,依据图像数据和第二点云高度信息识别出目标农作物的个体信息,包括:将图像数据与第二点云高度信息输入预设深度学习模型进行检测,得到每个目标农作物的位置信息和个体大小信息,个体大小信息用于表征俯视目标农作物时的轮廓大小。
可选地,上述图像数据包括二维RGB图像。
可选地,在识别出目标农作物的个体信息之后,上述方法还包括:依据目标农作物的位置信息确定作业的作业路线;依据目标农作物的个体大小信息确定对目标农作物喷洒药物的剂量;依据作业路线和喷洒药物的剂量对目标农作物进行植保作业。
可选地,上述方法还包括:依据目标农作物的第二点云高度信息在数字地表模型数据对应的三维坐标系中确定目标农作物的位置信息。
根据本申请实施例的另一方面,还提供了一种作业设备的控制方法,包括:获取植保区域的图像数据以及数字地表模型数据;依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;依据图像数据和第二点云高度信息识别出目标农作物的个体信息;依据目标农作物的个体信息控制作业设备对目标农作物进行植保作业。
根据本申请实施例的另一方面,还提供了一种农作物的识别装置,包括:获取模块,用于获取植保区域的图像数据以及数字地表模型数据;第一确定模块,用于依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;第二确定模块,用于依据第一点云高度信息确定目标农作物的第二点云高度信息;识别模块,用于依据图像数据和第二点云高度信息识别出目标农作物的个体信息。
根据本申请实施例的另一方面,还提供了一种植保***,包括:测绘设备,用于采集植保区域的图像数据以及数字地表模型数据,并将图像数据和数字地表模型数据发送至服务器;服务器,用于依据数字地表模型数据确定植保区域中的第一点云高度信息,所述第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;依据图像数据和第二点云高度信息识别出目标农作物的个体信息;作业设备,与服务器通信,用于对目标农作物进行植保作业。
根据本申请实施例的另一方面,还提供了一种存储介质,存储介质包括存储的程序,其中,程序运行时控制存储介质所在的设备执行以上的农作物的识别方法。
根据本申请实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行以上的农作物的识别方法。
在本申请实施例中,采用获取植保区域的图像数据以及数字地表模型数据;依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;依据图像数据和第二点云高度信息识别出目标农作物的个体信息的方式,通过利用植保区域的数字地表模型数据确定植保区域中目标农作物的高度信息,然后结合植保区域的二维RGB图像数据,准确识别植保区域每个农作物的个体信息,从而实现了准确测绘植保区域内每颗果树的分布信息,提果园高植保作业的自动化程度,降低果园植保作业的复杂程度的技术效果,进而解决了现阶段利用二维RGB图像对果树的分布范围进行测绘,由于果树相互交叉,难以准确识别每一棵果树的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种果树的RGB图像的示意图;
图2是根据RGB图像对果树进行检测得到的果树分布的示意图;
图3是根据本申请实施例的一种农作物的识别方法的流程图;
图4是根据本申请实施例的一种果树的数字地表模型数据进行二维可视化的示意图;
图5是根据本申请实施例的一种作业设备的控制方法的流程图;
图6是根据本申请实施例的一种农作物的识别装置的结构图;
图7是根据本申请实施例的一种植保***的结构图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例,提供了一种作业设备的控制方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图3是根据本申请实施例的一种农作物识别方法的流程图,如图3所示,该方法包括如下步骤:
步骤S302,获取植保区域的图像数据以及数字地表模型数据。
根据本申请的一个可选的实施例,上述图像数据包括二维RGB图像。RGB色彩模式是工业界的一种颜色标准,是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。
在本申请的一个可选的实施例中,上述植保区域的RGB图像可以利用测绘无人机上安装的高清摄像机拍摄采集。
数字地表模型是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。其用于表示的是最真实地表达地面起伏情况,可广泛应用于各行各业,如在森林地区,可以用于检测森林的生长情况。
步骤S304,依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值。
步骤S306,依据第一点云高度信息确定目标农作物的第二点云高度信息。
获取的数字地表模型数据中包括多种农作物的高度信息,不同农作物的高度信息不同,因此首先需要获取植保区域的数字地表模型数据来确定植保区域中目标农作物的高度信息。需要说明的是,这里提到的目标农作物是指果树。
在本申请的一个可选的实施例中,以果园为例,果园中的果树相互交叉,仅仅利用二维RGB图像无法准确识别每棵果树,因此需要利用果园的数字地表模型数据来确定每棵果树的高度,然后利用果树高度来区分果树。
步骤S308,依据图像数据和第二点云高度信息识别出目标农作物的个体信息。
上文中提到,由于果园中的果树相互交叉,仅仅利用二维RGB图像无法准确识别每棵果树,但是利用果园的数字地表模型数据确定出每棵果树的高度之后,再结合果树的二维RGB图像便可以准确识别出果园中的每棵果树的信息。
图4是根据本申请实施例的一种果树的数字地表模型数据进行二维可视化的示意图,如图4所示,将果树的数字地表模型数据进行二维可视化显示,在二维的RGB上难以区分的果树,映射到高度信息之后,就变得很容易区分,可以得到每棵果树的分部信息。
通过上述步骤,通过利用植保区域的数字地表模型数字地表模型数据确定植保区域中目标农作物的高度信息,然后结合植保区域的二维RGB图像数据,准确识别植保区域每个目标农作物的个体信息,从而实现了准确测绘植保区域内每颗果树的分布信息,提高果园植保作业的自动化程度,降低果园植保作业的复杂程度的技术效果。
在本申请的一个可选的实施例中,步骤S306可以通过以下方法实现:将第一点云高度信息对应的点云的高度值由中间向四周逐渐降低的区域作为目标农作物所在的区域;将目标农作物所在的区域对应的第一点云高度信息作为第二点云高度信息。
果树的树冠一般中间部分高,四周区域低,因此对果树识别时,将点云高度信息对应的点云的高度值由中间向四周逐渐降低的区域作为果树的种植区域,而这部分区域对应的点云高度信息也就是果树的点云高度信息,即上文中提到的第二点云高度信息。
在本申请的一个可选的实施例中,步骤S306还可以通过以下方法实现:将第一点云高度信息分别与预设高度信息范围进行比对;将落入预设高度信息范围内的第一点云高度信息作为第二点云高度信息。
植保区域中可能分布有多种农作物,不同农作物的高度不同,例如,需要对植保区域的果树的分布范围进行测绘,通过果园的数字地表模型数据获取了多种农作物的高度信息,若获取果树的高度信息还需进一步将获取的多种农作物的高度信息与数据库中预存的果树的高度范围进行比对,从而确定哪些高度信息是需要测绘的果树的高度信息。
在本申请的一个可选的实施例中,步骤S308可以通过以下方法实现:将图像数据与第二高度信息输入预设深度学习模型进行检测,得到每个目标农作物的位置信息和个体大小信息,个体大小信息用于表征俯视目标农作物时的轮廓大小。
根据本申请的一个可选的实施例,在得到果树的高度信息后,将果树的高度信息和果树的RGB图像作为depth通道和RGB通道一起作为机器学习模型的输入,输入至预先训练好的机器学习模型进行分割和检测。得到每颗果树的位置信息和个体大小信息。需要说明的是,这里的个体大小信息是指俯视果树时,树冠轮廓的大小。通过上述方法可以大大提高机器学习模型的鲁棒性和准确度。
在本申请的一个可选的实施例中,在利用机器学习模型识别目标农作物的位置信息和个体大小信息之前,还需要获取训练数据集,其中,所述训练数据集包括:植保区域的图像数据、目标农作物的点云高度信息及目标农作物的位置信息和目标农作物的个体大小信息;基于所述训练数据集,生成所述训练好的机器学习模型。
在本申请的另一个可选的实施例中,在执行步骤S308之后,还需要依据目标农作物的位置信息确定作业的作业路线;依据目标农作物的个体大小信息确定对目标农作物喷洒药物的剂量;依据作业路线和喷洒药物的剂量对目标农作物进行植保作业。可以根据果树的分布信息制定植保无人机的航线;根据果树的树冠的大小确定对该果树进行植保作业时,喷洒农药的剂量。
通过该方法,利用果树的位置分布信息提前制定植保作业的路线,根据果树的个体大小确定植保作业时针对果树喷洒的农药的剂量,不仅可以提高植保作业的效率,还可以节省资源。
在本申请的一些可选的实施例中,上述农作的识别方法还包括依据目标农作物的第二点云高度信息在数字地表模型数据对应的三维坐标系中确定目标农作物的位置信息。
上文中提到利用植保区域的数字地表模型数据结合植保区域的RGB图像数据确定农作物的位置分部信息和个体大小信息。也可以直接利用植保区域的数字地表模型数据确定出农作物的高度信息后,在植保区域的数字地表模型数据对应的三维空间中对农作物进行识别。
通过上述方法,在测绘无人机拍摄完高清影像之后,根据高清影像和数字地表模型数据直接检测出果树的位置和个体大小,然后直接用于植保作业,可以提高植保作业的自动化程度,减少果园作业的复杂程度。
图5是根据本申请实施例的一种作业设备的控制方法的流程图,如图5所示,该方法包括如下步骤:
步骤S502,获取植保区域的图像数据以及数字地表模型数据。
步骤S504,依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值。
步骤S506,依据第一点云高度信息确定目标农作物的第二点云高度信息。
步骤S508,依据图像数据和第二点云高度信息识别出目标农作物的个体信息。
根据本申请的一个可选的实施例,步骤S508中识别出目标农作物的个体信息是指识别目标农作物的位置信息和个体大小信息。
步骤S510,依据目标农作物的个体信息控制作业设备对目标农作物进行植保作业。
可选地,识别出目标农作物的个体信息之后,依据目标农作物的位置信息确定作业的作业路线;依据目标农作物的个体大小信息确定对目标农作物喷洒药物的剂量。作业设备依据确定的作业路线和喷洒药物的剂量对目标农作物进行植保作业。
需要说明的是图5所示实施例的优选实施方式可以参见图3所示实施例的相关描述,此处不再赘述。
图6是根据本申请实施例的一种农作物识别装置的结构图,如图6所示,该装置包括:
获取模块60,用于获取植保区域的图像数据以及数字地表模型数据。
根据本申请的一个可选的实施例,上述图像数据包括二维RGB图像。RGB色彩模式是工业界的一种颜色标准,是通过对红、绿、蓝三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色的。
在本申请的一个可选的实施例中,上述植保区域的RGB图像可以利用测绘无人机上安装的高清摄像机拍摄采集。
数字地表模型(Digital Surface Model,数字地表模型)是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。数字地表模型表示的是最真实地表达地面起伏情况,可广泛应用于各行各业,如在森林地区,可以用于检测森林的生长情况。
第一确定模块62,用于依据数字地表模型数据确定植保区域中第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值。
第二确定模块64,用于依据第一点云高度信息确定目标农作物的第二点云高度信息。
获取的数字地表模型数据中包括多种农作物的高度信息,不同农作物的高度信息不同,因此首先需要获取植保区域的数字地表模型数据来确定植保区域中目标农作物的高度信息。需要说明的是,这里提到的目标农作物是指果树。
识别模块66,用于依据图像数据和第二点云高度信息识别出目标农作物的个体信息。
通过上述装置,通过利用植保区域的数字地表模型数字地表模型数据确定植保区域中目标农作物的高度信息,然后结合植保区域的二维RGB图像数据,准确识别植保区域每个目标农作物的个体信息,从而实现了准确测绘植保区域内每颗果树的分布信息,提果园高植保作业的自动化程度,降低果园植保作业的复杂程度的技术效果。
需要说明的是,图6所示实施例的优选实施方式可以参见图3所示实施例的相关描述,此处不再赘述。
图7是根据本申请实施例的一种植保***的结构图,如图6所示,该***包括:测绘设备70,服务器72以及作业设备74,其中,
测绘设备70,用于采集植保区域的图像数据以及数字地表模型数据,并将图像数据和数字地表模型M数据发送至服务器72;
可选地,测绘设备可以是测绘无人机,通过在测绘无人机上述安装高清摄像机采集植保区域的高清图像,得到植保区域的二维RGB图像。通过在测绘无人机上安装三维成像仪,获取植保区域的数字地表模型数据。测绘无人机上设置有通信模块,将采集的图像数据和GSM数据发送至服务器72。
服务器72,用于依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;并依据图像数据和第二点云高度信息识别出目标农作物的个体信息。
作业设备74,与服务器72通信,用于对目标农作物进行植保作业。
根据本申请的一个可选的实施例,服务器72在识别出目标农作物的个体信息之后,依据目标农作物的位置信息确定作业的作业路线;依据目标农作物的个体大小信息确定对目标农作物喷洒药物的剂量。作业设备74依据作业路线和喷洒药物的剂量对目标农作物进行植保作业。
可选地,作业设备74包括但不限于植保无人机等无人驾驶设备。
需要说明的是,图7所示实施例的优选实施方式可以参见图3所示实施例的相关描述,此处不再赘述。
本申请实施例还提供了一种存储介质,存储介质包括存储的程序,其中,程序运行时控制存储介质所在的设备执行以上的农作物的识别方法或者作业设备的控制方法。
存储介质用于存储执行以下功能的程序:获取植保区域的图像数据以及数字地表模型数据;依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;依据图像数据和第二点云高度信息识别出目标农作物的个体信息。或者
获取植保区域的图像数据以及数字地表模型数据;依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;依据图像数据和第二点云高度信息识别出目标农作物的个体信息;依据目标农作物的个体信息控制作业设备对目标农作物进行植保作业。
本申请实施例还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行以上的农作物的识别方法或者作业设备的控制方法。
处理器用于运行执行以下功能的程序:获取植保区域的图像数据以及数字地表模型数据;依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;依据图像数据和第二点云高度信息识别出目标农作物的个体信息。或者
获取植保区域的图像数据以及数字地表模型数据;依据数字地表模型数据确定植保区域中的第一点云高度信息,第一点云高度信息包括植保区域中点云的高度值;依据第一点云高度信息确定目标农作物的第二点云高度信息;依据图像数据和第二点云高度信息识别出目标农作物的个体信息;依据目标农作物的个体信息控制作业设备对目标农作物进行植保作业。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种农作物的识别方法,其特征在于,包括:
获取植保区域的图像数据以及数字地表模型数据;
依据所述数字地表模型数据确定所述植保区域中的第一点云高度信息,所述第一点云高度信息包括所述植保区域中点云的高度值;
依据所述第一点云高度信息确定目标农作物的第二点云高度信息;
依据所述图像数据和所述第二点云高度信息识别出所述目标农作物的个体信息。
2.根据权利要求1所述的方法,其特征在于,依据所述第一点云高度信息确定目标农作物的第二点云高度信息,包括:
将所述第一点云高度信息对应的点云的高度值由中间向四周逐渐降低的区域作为所述目标农作物所在的区域;
将所述目标农作物所在的区域对应的第一点云高度信息作为所述第二点云高度信息。
3.根据权利要求1所述的方法,其特征在于,依据所述第一点云高度信息确定目标农作物的第二点云高度信息,还包括:
将所述第一点云高度信息分别与预设高度信息范围进行比对;
将落入所述预设高度信息范围内的第一点云高度信息作为所述第二点云高度信息。
4.根据权利要求2或3所述的方法,其特征在于,依据所述图像数据和所述第二点云高度信息识别出所述目标农作物的个体信息,包括:
将所述图像数据与所述第二点云高度信息输入至预设深度学习模型进行检测,得到每个所述目标农作物的位置信息和个体大小信息,所述个体大小信息用于表征俯视所述目标农作物时的轮廓大小。
5.根据权利要求1所述的方法,其特征在于,所述图像数据包括二维RGB图像。
6.根据权利要求4所述的方法,其特征在于,在识别出所述目标农作物的个体信息之后,所述方法还包括:
依据所述目标农作物的位置信息确定作业的作业路线;
依据所述目标农作物的个体大小信息确定对所述目标农作物喷洒药物的剂量;
依据所述作业路线和所述喷洒药物的剂量对所述目标农作物进行植保作业。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
依据所述目标农作物的第二点云高度信息在所述数字地表模型数据对应的三维坐标系中确定所述目标农作物的位置信息。
8.一种作业设备的控制方法,其特征在于,包括:
获取植保区域的图像数据以及数字地表模型数据;
依据所述数字地表模型数据确定所述植保区域中的第一点云高度信息,所述第一点云高度信息包括所述植保区域中点云的高度值;
依据所述第一点云高度信息确定目标农作物的第二点云高度信息;
依据所述图像数据和所述第二点云高度信息识别出所述目标农作物的个体信息;
依据所述目标农作物的个体信息控制作业设备对所述目标农作物进行植保作业。
9.一种农作物的识别装置,其特征在于,包括:
获取模块,用于获取植保区域的图像数据以及数字地表模型数据;
第一确定模块,用于依据所述数字地表模型数据确定所述植保区域中的第一点云高度信息,所述第一点云高度信息包括所述植保区域中点云的高度值;
第二确定模块,用于依据所述第一点云高度信息确定目标农作物的第二点云高度信息;
识别模块,用于依据所述图像数据和所述第二点云高度信息识别出所述目标农作物的个体信息。
10.一种植保***,其特征在于,包括:
测绘设备,用于采集植保区域的图像数据以及数字地表模型数据,并将所述图像数据和所述数字地表模型数据发送至服务器;
所述服务器,用于依据所述数字地表模型数据确定所述植保区域中的第一点云高度信息,所述第一点云高度信息包括所述植保区域中点云的高度值;依据所述第一点云高度信息确定目标农作物的第二点云高度信息;依据所述图像数据和所述第二点云高度信息识别出所述目标农作物的个体信息;
作业设备,与所述服务器通信,用于对所述目标农作物进行植保作业。
11.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,所述程序运行时控制存储介质所在的设备执行权利要求1至7中任意一项所述的农作物的识别方法。
12.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的农作物的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911236923.6A CN112926359A (zh) | 2019-12-05 | 2019-12-05 | 农作物的识别方法及装置、作业设备的控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911236923.6A CN112926359A (zh) | 2019-12-05 | 2019-12-05 | 农作物的识别方法及装置、作业设备的控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112926359A true CN112926359A (zh) | 2021-06-08 |
Family
ID=76162279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911236923.6A Pending CN112926359A (zh) | 2019-12-05 | 2019-12-05 | 农作物的识别方法及装置、作业设备的控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926359A (zh) |
-
2019
- 2019-12-05 CN CN201911236923.6A patent/CN112926359A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11869192B2 (en) | System and method for vegetation modeling using satellite imagery and/or aerial imagery | |
Gené-Mola et al. | Fruit detection and 3D location using instance segmentation neural networks and structure-from-motion photogrammetry | |
Ge et al. | Fruit localization and environment perception for strawberry harvesting robots | |
CN109197278B (zh) | 作业策略的确定方法及装置、药物喷洒策略的确定方法 | |
CN110297483B (zh) | 待作业区域边界获取方法、装置,作业航线规划方法 | |
EP3125151A2 (en) | Inventory, growth, and risk prediction using image processing | |
US12032360B2 (en) | Method, apparatus and system for presenting spraying operation | |
CN109446958B (zh) | 施药效果的确定方法及装置、*** | |
Röder et al. | Application of optical unmanned aerial vehicle-based imagery for the inventory of natural regeneration and standing deadwood in post-disturbed spruce forests | |
CN112541383B (zh) | 杂草区域的识别方法和装置 | |
KR20210126485A (ko) | 매칭 방법, 장치, 전자 기기, 컴퓨터 판독 가능한 저장 매체, 및 컴퓨터 프로그램 | |
JP2017169520A (ja) | ブドウの栽培管理方法 | |
JP7075171B2 (ja) | コンピュータシステム、病害虫検出方法及びプログラム | |
CN109598215A (zh) | 一种基于无人机定位拍摄的果园建模分析***和方法 | |
CN109657540B (zh) | 枯死树定位方法及*** | |
CN112204567A (zh) | 基于机器视觉的树木种类识别方法及装置 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业*** | |
CN112926359A (zh) | 农作物的识别方法及装置、作业设备的控制方法 | |
CN117132891A (zh) | 一种玉米苗情苗势获取方法及*** | |
CN112052811A (zh) | 基于人工智能及航拍图像的牧场草原沙化检测方法 | |
Malik et al. | Tomato segmentation and localization method based on RGB-D camera | |
JP5352435B2 (ja) | 分類画像作成装置 | |
CN109492541B (zh) | 目标对象类型的确定方法及装置、植保方法、植保*** | |
WO2020157879A1 (ja) | コンピュータシステム、作物生育支援方法及びプログラム | |
CN115294472A (zh) | 果实产量估计方法、模型训练方法、设备及存储介质 |
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 |