CN113255434B - 一种融合果实特征与深度卷积神经网络的苹果识别方法 - Google Patents
一种融合果实特征与深度卷积神经网络的苹果识别方法 Download PDFInfo
- Publication number
- CN113255434B CN113255434B CN202110376545.2A CN202110376545A CN113255434B CN 113255434 B CN113255434 B CN 113255434B CN 202110376545 A CN202110376545 A CN 202110376545A CN 113255434 B CN113255434 B CN 113255434B
- Authority
- CN
- China
- Prior art keywords
- fruit
- shape
- adopting
- frame
- image
- 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.)
- Active
Links
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 15
- 241000220225 Malus Species 0.000 claims abstract description 52
- 235000021016 apples Nutrition 0.000 claims abstract description 11
- 238000010586 diagram Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000746 purification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000004345 fruit ripening Effects 0.000 description 1
- 235000012055 fruits and vegetables Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种融合果实特征与深度卷积神经网络的苹果识别方法，该方法以Faster RCNN作为基础网络，通过将果实特征融入到Faster RCNN的输入层、RPN以及位置回归分支，从而实现苹果识别框架的定制，有效提高苹果识别和定位的准确率。该算法充分考虑了苹果的颜色、形状及其他特征，同时对于粘连和遮挡情况下，果实识别准确率的提高具有重要作用。
Description
技术领域
本发明涉及计算机视觉和农业工程领域，特别是一种用于自然环境下苹果的识别方法，具体涉及一种融合果实特征与深度卷积神经网络的苹果识别方法。
背景技术
在果实成熟期内需要大量劳动力进行集中的采摘作业，不仅对劳动力需求量大，同时需求时间集中。但是目前我国农业人口老龄化严重，可以预见未来十五年内，实际从事农业生产的人口将急剧减少，农业生产的劳动力成本将显著提高。因此，研发高效的采摘机器人替代人工进行果蔬的采摘作业迫在眉睫。
苹果的识别和定位是苹果采摘机器人的研究重点。基于深度卷积神经网络的果实识别方法是当前进行果实识别的主流方法，在识别的速度和效果上都超越了传统的果实识别方法。但是，大部分基于深度卷积神经网络的果实识别方法没有综合考虑果实的特征，识别和定位的准确率难以得到进一步提高。由于果园环境复杂，果实受到光线、粘连和遮挡等多种因素影响，因此需要结合果实特征对深度卷积神经网络的结构进行改进和优化，从而有效提高识别和定位的准确率。
发明内容
针对上述的技术问题，本技术方案提供了一种融合果实特征与深度卷积神经网络的苹果识别方法，能有效的解决上述问题。
本发明通过以下技术方案实现：
一种融合果实特征与深度卷积神经网络的苹果识别方法，该方法以Faster RCNN作为基础网络，通过将果实特征融入到Faster RCNN的输入层、RPN以及位置回归分支，从而实现苹果识别框架的定制，包含以下步骤：
步骤1：以Faster RCNN目标检测框架作为基础网络框架，并在Faster RCNN的输入层、RPN和位置回归分支中融入果实特征；
步骤2：将苹果的颜色、形状、纹理、边缘、光谱和立体的特征采用图形化的方式进行表达，并与果实图像整合成多通道图像作为目标检测框架的输入；
步骤3：根据果实颜色特征确定果实可能存在的区域，并将RPN中预选框的生成位置限定在该区域；
步骤4：将RPN中预选框的形状设置为圆形，使其与苹果形状相适应，从而有效屏蔽部分背景干扰纯化果实特征；
步骤5：根据苹果果实在图像中的大小分布，设置预选框的尺寸，使其与果实大小相契合；
步骤6：采用可进行椭圆形状预测和位置回归的分支结构替代Faster RCNN框架中进行矩形框位置回归的分支。
进一步的，步骤2所述的果实特征的图形化表达，其中颜色特征采用色差图或聚类图表达，形状特征采用梯度图表达，纹理特征采用编码图表达，边缘特征采用边线图表达，光谱特征采用多层光谱反射图表达，立体形状特征采用点云图或强度图表达。
进一步的，步骤2所述的与果实图像整合成多通道图像作为目标检测框架的输入，具体的整合方式如下：将果实的图形化特征叠加到果实图像的第三维度上形成含有多个通道的图像，并根据图像通道数量修改Faster RCNN输入层通道数量。
进一步的，步骤3所述的根据果实颜色特征确定果实可能存在的区域，具体的操作步骤如下：
首先，采用R-G算子生成苹果图像的色差图Gray，具体的R-G算子如下所示：
然后采用最大类间方差法计算所得最佳阈值的1/10进行图像分割，并对连通区域进行膨胀扩充得到苹果可能存在的区域；最大类间方差法通过寻找最佳阈值Thr将图像中的像素分为2类，具体公式如下所示：
其中和/>分别为2类像素值的类间方差和类内方差；μ1和μ2分别为2类像素值的均值；p1和p2分别为2类像素数量占像素总数量的比例；/>和/>分别为2类像素值的方差。
进一步的，步骤4所述的将RPN中预选框的形状设置为圆形，具体的操作步骤如下：
首先将RPN中预选框的形状设置为正方形并用于参与运算，具体的运算方式如下：以果实可能存在区域的每个像素为中心生成3个不同尺寸的正方形预选框，然后根据输入图像与特征图的尺寸比例映射到特征图上；
再提取预选框内特征时采用掩膜图形将预选框形状修改为圆形，使其与苹果形状相适应。
进一步的，步骤5所述的设置预选框尺寸，首先大规模标注图像中果实的尺寸，然后采用聚类算法分析并绘制样本果实的尺寸分布图，最后在图中选择合适的值作为预选框尺寸；具体的聚类算法如下：首先在尺寸分布范围[x1,x2]内平均选取3个种子点，种子点的数值分别为x1+h，x1+3h，x1+5h，其中h＝(x2-x1)/6；然后采用k-means聚类算法以种子点为中心进行聚类确定合适的预选框尺寸。
进一步的，步骤6所述椭圆回归分支的具体操作步骤如下：
首先以全卷积网络为基础实现局部区域的像素级分割，然后通过***的参数回归模块对椭圆形的中心坐标，长短轴半径、倾斜角和偏移量进行预测。
(三)有益效果
本发明提出的一种融合果实特征与深度卷积神经网络的苹果识别方法，与现有技术相比较，其具有以下有益效果：
(1)本技术方案在深度卷积神经网络的框架下，有效的融合了果实的颜色、纹理和形状等多种特征，尤其针对果实的形状特征设计了圆形预选框和椭圆形预测分支结构，提高了果实的识别和定位准确率，对于粘连和遮挡果实更为显著。
(2)本技术方案在Faster RCNN的基础上增加了特征的输入，使输入网络的特征更加多样化，有利于卷积网络学习到相应的特征，从而提高识别的准确率。同时对RPN网络进行了改进，主要修改了其中预选框的形状和尺寸以及生成方式，使得预选框与苹果的形状更加契合，有助于纯化目标特征。而且提出了可进行椭圆回归和位置预测的分支，取代了原有的矩形定位框回归分支，使该网络能够更好的识别和定位粘连和遮挡果实。
附图说明
图1是本发明提出果实识别方法的整体结构图。
图2是本发明中Faster RCNN目标检测框架结构图。
图3a是本发明中苹果图像的颜色特征表达图。
图3b是本发明中苹果图像的形状特征表达图。
图3c是本发明中苹果图像的边缘特征表达图。
图3d是本发明中苹果图像的立体形状特征表达图。
图4a是本发明中苹果的原图。
图4b是本发明中苹果通过R-G算子表示的色差图。
图4c是本发明中苹果可能存在的区域示例图。
图5是本发明中苹果的掩膜图形示例图。
图6是本发明中对苹果的识别效果图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。在不脱离本发明设计构思的前提下，本领域普通人员对本发明的技术方案做出的各种变型和改进，均应落入到本发明的保护范围。
实施例1：
一种融合果实特征与深度卷积神经网络的苹果识别方法，该方法以Faster RCNN作为基础网络，通过将果实特征融入到Faster RCNN的输入层、RPN以及位置回归分支，从而实现苹果识别框架的定制，包含以下步骤：
步骤1：以Faster RCNN目标检测框架作为基础网络框架，如图2所示；在此基础上将果实特征融入Faster RCNN的输入层、RPN和位置回归分支，融入果实特征后Faster RCNN的整体结构图如图1所示。
对比图1和图2可以看出：
(1)在Faster RCNN的基础上增加了特征的输入，使输入网络的特征更加多样化，有利于卷积网络学习到相应的特征，从而提高识别的准确率。
(2)对RPN网络进行了改进，主要修改了其中预选框的形状和尺寸以及生成方式，使得预选框与苹果的形状更加契合，有助于纯化目标特征。
(3)提出了可进行椭圆回归和位置预测的分支，取代了原有的矩形定位框回归分支，使该网络能够更好的识别和定位粘连和遮挡果实。
步骤2：将苹果的颜色、形状、纹理、边缘、光谱和立体的特征采用图形化的方式进行表达，并与果实图像整合成多通道图像作为目标检测框架的输入。其中颜色特征采用色差图或聚类图表达，形状特征采用梯度图表达，纹理特征采用编码图表达，边缘特征采用边线图表达，光谱特征采用多层光谱反射图表达，立体形状特征采用点云图或强度图表达。
具体的整合方式如下：将果实的图形化特征叠加到果实图像的第三维度上形成含有多个通道的图像，并根据图像通道数量修改Faster RCNN输入层通道数量。
图3a为三通道的彩色苹果图像，图3b采用R-G颜色算子进行苹果颜色特征的图形化表达，图3c采用canny算子进行果实图像边缘特征的图形化表达，图3d采用深度图进行果实图像立体特征的图形化表达。
步骤3：根据果实颜色特征确定果实可能存在的区域，并将RPN中预选框的生成位置限定在该区域。首先，采用R-G算子生成苹果图像的色差图Gray，具体的R-G算子如下所示：
然后采用最大类间方差法计算所得最佳阈值的1/10进行图像分割，并对连通区域进行膨胀扩充得到苹果可能存在的区域；最大类间方差法通过寻找最佳阈值Thr将图像中的像素分为2类，具体公式如下所示：
其中和/>分别为2类像素值的类间方差和类内方差；μ1和μ2分别为2类像素值的均值；p1和p2分别为2类像素数量占像素总数量的比例；/>和/>分别为2类像素值的方差。
该区域约占图像总面积的1/5，在此区域内生成预选框能够大大减少RPN网络的计算量，并减少误识别的风险；果实可能存在区域示例如图4所示，图4b为R-G算子表示的色差图，图4c为果实可能存在的区域。
步骤4：将RPN中预选框的形状设置为圆形，使其与苹果形状相适应，从而有效屏蔽部分背景干扰纯化果实特征。首先将RPN中预选框的形状设置为正方形并用于参与运算，具体的运算方式如下：以果实可能存在区域的每个像素为中心生成3个不同尺寸的正方形预选框，然后根据输入图像与特征图的尺寸比例映射到特征图上；
再提取预选框内特征时采用掩膜图形将预选框形状修改为圆形，使其与苹果形状相适应。图5为掩膜图形，将其覆盖到相应的正方形预选框上，只保留掩膜图形中白色区域，黑色区域不保留。
步骤5：根据苹果果实在图像中的大小分布，设置预选框的尺寸，使其与果实大小相契合。首先大规模标注图像中果实的尺寸，然后采用聚类算法分析并绘制样本果实的尺寸分布图，最后在图中选择合适的值作为预选框尺寸。具体的聚类算法如下：
首先在尺寸分布范围[x1,x2]内平均选取3个种子点，种子点的数值分别为x1+h，x1+3h，x1+5h，其中h＝(x2-x1)/6；然后采用k-means聚类算法以种子点为中心进行聚类确定合适的预选框尺寸。
步骤6：采用可进行椭圆形状预测和位置回归的分支结构替代Faster RCNN框架中进行矩形框位置回归的分支。
首先以全卷积网络为基础实现局部区域的像素级分割，然后通过***的参数回归模块对椭圆形的中心坐标，长短轴半径、倾斜角和偏移量进行预测。最后识别效果示例如图6所示。
Claims (3)
1.一种融合果实特征与深度卷积神经网络的苹果识别方法，其特征在于：该方法以Faster RCNN作为基础网络，通过将果实特征融入到Faster RCNN的输入层、RPN以及位置回归分支，从而实现苹果识别框架的定制，包含以下步骤：
步骤1：以FasterRCNN目标检测框架作为基础网络框架，并在Faster RCNN的输入层、RPN和位置回归分支中融入果实特征；
步骤2：将苹果的颜色、形状、纹理、边缘、光谱和立体的特征采用图形化的方式进行表达，并与果实图像整合成多通道图像作为目标检测框架的输入；其中，与果实图像整合成多通道图像作为目标检测框架的输入，具体的整合方式如下：将果实的图形化特征叠加到果实图像的第三维度上形成含有多个通道的图像，并根据图像通道数量修改Faster RCNN输入层通道数量；
步骤3：根据果实颜色特征确定果实可能存在的区域，并将RPN中预选框的生成位置限定在该区域；其中，根据果实颜色特征确定果实可能存在的区域，具体的操作步骤如下：
首先，采用R-G算子生成苹果图像的色差图Gray，具体的R-G算子如下所示：
然后采用最大类间方差法计算所得最佳阈值的1/10进行图像分割，并对连通区域进行膨胀扩充得到苹果可能存在的区域；最大类间方差法通过寻找最佳阈值Thr将图像中的像素分为2类，具体公式如下所示：
其中，和/>分别为2类像素值的类间方差和类内方差；μ1和μ2分别为2类像素值的均值；p1和p2分别为2类像素数量占像素总数量的比例；/>和/>分别为2类像素值的方差；
步骤4：将RPN中预选框的形状设置为圆形，使其与苹果形状相适应，从而有效屏蔽部分背景干扰纯化果实特征；其中，将RPN中预选框的形状设置为圆形，具体的操作步骤如下：
首先将RPN中预选框的形状设置为正方形并用于参与运算，具体的运算方式如下：以果实可能存在区域的每个像素为中心生成3个不同尺寸的正方形预选框，然后根据输入图像与特征图的尺寸比例映射到特征图上；
再提取预选框内特征时采用掩膜图形将预选框形状修改为圆形，使其与苹果形状相适应；
步骤5：根据苹果果实在图像中的大小分布，设置预选框的尺寸，使其与果实大小相契合；其中，所述的设置预选框尺寸，具体的操作方式为：
首先大规模标注图像中果实的尺寸，然后采用聚类算法分析并绘制样本果实的尺寸分布图，最后在图中选择合适的值作为预选框尺寸；具体的聚类算法如下：首先在尺寸分布范围[x1,x2]内平均选取3个种子点，种子点的数值分别为x1+h，x1+3h，x1+5h，其中h＝(x2-x1)/6；然后采用k-means聚类算法以种子点为中心进行聚类确定合适的预选框尺寸；
步骤6：采用可进行椭圆形状预测和位置回归的分支结构替代Faster RCNN框架中进行矩形框位置回归的分支。
2.根据权利要求1所述的一种融合果实特征与深度卷积神经网络的苹果识别方法，其特征在于：步骤2所述的果实特征的图形化表达，其中颜色特征采用色差图或聚类图表达，形状特征采用梯度图表达，纹理特征采用编码图表达，边缘特征采用边线图表达，光谱特征采用多层光谱反射图表达，立体形状特征采用点云图或强度图表达。
3.根据权利要求1所述的一种融合果实特征与深度卷积神经网络的苹果识别方法，其特征在于：步骤6所述椭圆回归分支，首先以全卷积网络为基础实现局部区域的像素级分割，然后通过***的参数回归模块对椭圆形的中心坐标，长短轴半径、倾斜角和偏移量进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376545.2A CN113255434B (zh) | 2021-04-08 | 2021-04-08 | 一种融合果实特征与深度卷积神经网络的苹果识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110376545.2A CN113255434B (zh) | 2021-04-08 | 2021-04-08 | 一种融合果实特征与深度卷积神经网络的苹果识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113255434A CN113255434A (zh) | 2021-08-13 |
| CN113255434B true CN113255434B (zh) | 2023-12-19 |
Family
ID=77220466
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110376545.2A Active CN113255434B (zh) | 2021-04-08 | 2021-04-08 | 一种融合果实特征与深度卷积神经网络的苹果识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113255434B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114612769B (zh) * | 2022-03-14 | 2023-05-26 | 电子科技大学 | 一种融入局部结构信息的集成感知红外成像舰船检测方法 |
| CN114913179B (zh) * | 2022-07-19 | 2022-10-21 | 南通海扬食品有限公司 | 基于迁移学习的苹果表皮缺陷检测*** |
| CN116021526A (zh) * | 2023-02-07 | 2023-04-28 | 台州勃美科技有限公司 | 一种农业机器人控制方法、装置及农业机器人 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718945A (zh) * | 2016-01-20 | 2016-06-29 | 江苏大学 | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 |
| CN108470339A (zh) * | 2018-03-21 | 2018-08-31 | 华南理工大学 | 一种基于信息融合的重叠苹果视觉识别与定位方法 |
| WO2019040866A2 (en) * | 2017-08-25 | 2019-02-28 | The Board Of Trustees Of The University Of Illinois | APPARATUS AND METHOD FOR COLLECTING AGRICULTURAL DATA AND AGRICULTURAL OPERATIONS |
| CN109948444A (zh) * | 2019-02-19 | 2019-06-28 | 重庆理工大学 | 基于cnn的果实与障碍物的同步识别方法、***与机器人 |
| CN111325764A (zh) * | 2020-02-11 | 2020-06-23 | 广西师范大学 | 一种果实图像轮廓识别方法 |
| JP2020205048A (ja) * | 2019-06-18 | 2020-12-24 | 富士通株式会社 | 深層学習ネットワークに基づく対象検出方法、装置及び電子機器 |
| CN112395972A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院沈阳自动化研究所 | 一种基于无人机图像处理的电力***绝缘子串识别方法 |
-
2021
- 2021-04-08 CN CN202110376545.2A patent/CN113255434B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105718945A (zh) * | 2016-01-20 | 2016-06-29 | 江苏大学 | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 |
| WO2019040866A2 (en) * | 2017-08-25 | 2019-02-28 | The Board Of Trustees Of The University Of Illinois | APPARATUS AND METHOD FOR COLLECTING AGRICULTURAL DATA AND AGRICULTURAL OPERATIONS |
| CN108470339A (zh) * | 2018-03-21 | 2018-08-31 | 华南理工大学 | 一种基于信息融合的重叠苹果视觉识别与定位方法 |
| CN109948444A (zh) * | 2019-02-19 | 2019-06-28 | 重庆理工大学 | 基于cnn的果实与障碍物的同步识别方法、***与机器人 |
| JP2020205048A (ja) * | 2019-06-18 | 2020-12-24 | 富士通株式会社 | 深層学習ネットワークに基づく対象検出方法、装置及び電子機器 |
| CN111325764A (zh) * | 2020-02-11 | 2020-06-23 | 广西师范大学 | 一种果实图像轮廓识别方法 |
| CN112395972A (zh) * | 2020-11-16 | 2021-02-23 | 中国科学院沈阳自动化研究所 | 一种基于无人机图像处理的电力***绝缘子串识别方法 |
Non-Patent Citations (4)
| Title |
|---|
| "多功能果蔬采摘机器人的图像识别算法研究";刘晓洋;《中国博士学位论文全文数据库》;全文 * |
| "A Detection Method for Apple Fruits Based on Color and Shape Features";Xiaoyang Liu;《IEEE Access》;全文 * |
| "复杂环境下苹果采摘机器人的目标识别算法";田玉宇;《中国优秀硕士学位论文全文数据库》;全文 * |
| 基于颜色与果径特征的苹果树果实检测与分级;樊泽泽;柳倩;柴洁玮;杨晓峰;李海芳;;计算机工程与科学(09);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113255434A (zh) | 2021-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113255434B (zh) | 一种融合果实特征与深度卷积神经网络的苹果识别方法 | |
| CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
| Fu et al. | A novel image processing algorithm to separate linearly clustered kiwifruits | |
| CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
| Xiong et al. | The recognition of litchi clusters and the calculation of picking point in a nocturnal natural environment | |
| Xiang et al. | Recognition of clustered tomatoes based on binocular stereo vision | |
| CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
| Liu et al. | A method of segmenting apples at night based on color and position information | |
| CN102214306B (zh) | 叶片病斑识别方法及装置 | |
| CN110610506B (zh) | 一种基于图像处理技术的姬松茸子实体生长参数检测方法 | |
| US11880981B2 (en) | Method and system for leaf age estimation based on morphological features extracted from segmented leaves | |
| CN113313692B (zh) | 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 | |
| Wang et al. | Combining SUN-based visual attention model and saliency contour detection algorithm for apple image segmentation | |
| CN111798470A (zh) | 一种应用于智能农业的农作物图像实体分割方法及*** | |
| CN114067206A (zh) | 一种基于深度图像的球形果实识别定位方法 | |
| CN111008642A (zh) | 基于卷积神经网络的高分辨率遥感影像分类方法及*** | |
| CN115862004A (zh) | 一种玉米果穗表面缺陷检测方法及装置 | |
| CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及*** | |
| Saputra et al. | Integration CLAHE and Seeded Region Growing for Segmentation of Rubber Tree in HSI Color Space | |
| Tran et al. | Automatic dragon fruit counting using adaptive thresholds for image segmentation and shape analysis | |
| CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
| CN111612797B (zh) | 一种水稻图像信息处理*** | |
| Nawawi et al. | Comprehensive pineapple segmentation techniques with intelligent convolutional neural network | |
| CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
| CN111401121A (zh) | 一种基于超像素特征提取实现柑橘分割方法 |
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 |