CN113639643A - 基于rgb-d深度相机的作物苗期高度检测方法 - Google Patents

基于rgb-d深度相机的作物苗期高度检测方法 Download PDF

Info

Publication number
CN113639643A
CN113639643A CN202110705470.8A CN202110705470A CN113639643A CN 113639643 A CN113639643 A CN 113639643A CN 202110705470 A CN202110705470 A CN 202110705470A CN 113639643 A CN113639643 A CN 113639643A
Authority
CN
China
Prior art keywords
image
depth
crop
value
pixel
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
CN202110705470.8A
Other languages
English (en)
Other versions
CN113639643B (zh
Inventor
李�赫
赵弋秋
徐一高
柴嘉君
郭长乐
程上上
牛潇潇
张开飞
丁力
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.)
Henan Agricultural University
Original Assignee
Henan Agricultural 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 Henan Agricultural University filed Critical Henan Agricultural University
Priority to CN202110705470.8A priority Critical patent/CN113639643B/zh
Publication of CN113639643A publication Critical patent/CN113639643A/zh
Application granted granted Critical
Publication of CN113639643B publication Critical patent/CN113639643B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof
    • G06T3/608—Rotation of whole images or parts thereof by skew deformation, e.g. two-pass or three-pass rotation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G06T7/0016—Biomedical image inspection using an image reference approach involving temporal comparison
    • 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
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明属于农业植保技术领域，具体涉及一种基于RGB‑D深度相机的作物苗期高度检测方法。该方法通过获取的原始图像依次进行作物位置寻找、姿态校正，获取高程图像以及根据高程图像计算作物高度等步骤对作物高度进行测量，该方法不依赖于相机自身位置，能够消除用运动平台上相机的倾斜误差，通过相对高度差提取目标高度，能够有效抗干扰。

Description

基于RGB-D深度相机的作物苗期高度检测方法
技术领域
本发明属于农业植保技术领域，具体涉及一种基于RGB-D深度相机的作物苗期高度检测方法。
背景技术
作物苗期长势检测，是作物精细植保作业的重要依据之一，对保证作物产量具有重要意义。使用机器视觉技术快速、准确的获取作物苗高度信息，是作物苗期长势监测的重要研究内容之一。传统作物苗高度测量方法，有目视估测法，相对位置法，目视估测法速度较快，但是精度低，无法得出绝对高度数据，估测范围较小。相对位置法使用传感器以俯视角度测量苗冠层相对距离，其准确度高度依赖传感器位置的准确性，移动测量时易受位置偏移干扰。
目前通过测距仪或深度相机测量植物冠层距传感器的距离L，再使用已知的传感器安装高度H(固定值)对测得的距离做差值，求得作物高度。
然而现有方法的测量数据是基于已知的传感器安装高度，在实际田间测量中，H会随机具的运动产生高低浮动，影响测量结果的准确性。而且在机具产生某一方向的倾斜晃动时，除传感器实际高度H会发生变化外，传感器所测得的距离L也会因为其方向与垂直地面法线产生倾角而发生变化，该方法不能有效抵抗干扰，影响作物高度测量。
发明内容
针对现有技术存在的缺陷和问题，本发明提供一种能够在传感器随机具产生偏移时，能够有效抗干扰并能保证测量结果的基于RGB-D深度相机的作物苗期高度检测方法。
本发明解决其技术问题所采用的方案是：一种基于RGB-D深度相机的作物苗期高度检测方法，包括以下步骤：
步骤一、数据获取：在作物冠层上方垂直俯视安装深度相机和IMU姿态传感器，在保证各数据时间帧一致且深度图像与RGB图像像素间的像素位置及大小相同的同时，通过数据通道从姿态传感器中获取深度、RGB图像和姿态；
步骤二、基于RGB图像寻找作物位置，包括以下步骤：
(1)采用超绿化算法强化RGB图像中的绿色，弱化红色和蓝色得到超绿化图像，
Figure BDA0003131923390000021
Figure BDA0003131923390000022
式中：R、G、B为RGB颜色空间中的像素通道值，ExG为超绿图像；
(2)对超绿化图像进行二值化分割得到二值化分割图像，以图像中的绿色区域作为地面植被的覆盖范围；
(3)对二值化图像进行开运算和闭运算以消除噪点，然后采用腐蚀操作将连片作物株苗进行分离；
(4)在二值化图像中寻找每一个独立覆盖范围的轮廓，将每一个不被其他轮廓所包含的轮廓作为一个独立的作物苗。
步骤三、通过姿态传感器的数据计算获得深度相机前后俯仰角和左右翻滚角，将计算的前后俯仰角和左右翻滚角与传感器自身的前后俯仰角和左右翻滚角的误差值进行对比；
(1)若前后俯仰角或左右翻滚角小于传感器自身的俯仰角和翻滚角的误差值，则认为在前后或左右方向上不存在倾角，不对该方向进行校正，直接将其作为深度图像用于计算地面深度；
(2)若前后俯仰角或左右翻滚角大于传感器自身的俯仰角和翻滚角的误差值，则认为前后或左右方向上存在倾角，计算出倾角α，然后对倾角α的方向进行姿态校正得到校正后的深度图像；
步骤四、计算地面深度
(1)将步骤三得到的深度图像进行灰度统计，以灰度值作为自变量、像素值作为因变量建立灰度分布曲线；
(2)对深度图像的灰度分步曲线进行滤波得到滤波后的灰度分步曲线；
(3)在滤波后的灰度分步曲线中基于临近值的极值寻找极大值点，选取最大灰度极值点作为地面深度；
步骤五、将深度图像转化成高程图像
(1)将步骤三校正后的深度图像进行2D滤波；
(2)将灰度值非0的像素值减去地面深度G；
(3)将图像灰度值取负值以反转Z轴；
(4)将小于0的像素值设为0获得原点高度位于地面的高程图像；
步骤六、测算单株作物高度
(1)从高程图像中依据单株范围截取局部图像；
(2)去除局部图像中灰度值为0的点，然后对局部图像灰度值进行滤波除去其中的离散点，将局部图像中的最高点作为该位置作物的高度值；或对作物范围进行滤波，取区域中的最小值Dmin，获得该位置作物的高度H＝|G-Dmin|。
上述的基于RGB-D深度相机的作物苗期高度检测方法，步骤三中对倾角α的方向进行姿态校正的方法为：
(1)以图像中心像素点Pix0(x0,y0)为坐标原点，将像素坐标系上一像素坐标Pixi(px,hp)转换为世界坐标系内一点Pix(x,y)，
x＝(W/2-px)/W*tan(β)*hp*2
y＝hp
式中：W为校正方向上的图像像素数(个)；β为相机在校正方向上的视场角(°)；hp为像素在Z轴方向上的深度(mm)；
(2)将像素点Pix(x,y)绕图像中心像素点Pix0(x0,y0)逆时针旋转倾角α后计算得到深度值yi；
yi＝(x-x0)×sin(α)+(y-y0)×cos(α)+y0；
(3)将yi重新赋值给像素Pixi得到校正后的深度图像。
上述的基于RGB-D深度相机的作物苗期高度检测方法，步骤三中对倾角α的方向进行姿态校正的方法为：
(1)由原始深度图像中获取点云，并对点云进行旋转操作；
(2)将旋转后的点云取俯视正射图像；
(3)将正射图像与RGB图像对齐，得到校正后的深度图像。
上述的基于RGB-D深度相机的作物苗期高度检测方法，步骤六中对局部图像灰度值进行中值或高斯滤波处理除去其中的离散点。
本发明的有益效果：
在交底材料中申请人提到：本申请的方法能够消除运动平台上相机的倾斜误差，有效避免因方向与垂直地面发生倾角变化造成倾斜晃动影响测量结果准确性的问题出现；通过相对高度差提取目标高度，可以避免高度随运动产生的高低浮动造成的干扰；测试方法不依赖于相机自身位置，能够精确的测量出地面作物的高度，为田间作业提供数据支持。
附图说明
图1为本发明作物的原始图像IMG。
图2为基于超绿化算法的二值分割图像IMG-TH。
图3为作物轮廓查找结果示意图。
图4为某一方向上的倾角校正示意图。
图5为同一平面进行深度校正前后的灰度直方图，图中以图像灰度值为横坐标，以像素数量为纵坐标。
图6为同一平面进行深度校正前后各点的深度分布。
图7为校正后的深度图像的灰度直方图。
图8为滤波处理后的灰度直方图。
图9为局部图像中作物高度图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
实施例1：本实施例提供一种基于RGB-D深度相机的作物苗期(可观察到裸漏土地时期)高度检测方法，该检测方法包括以下步骤。
步骤一、传感器数据获取
在作物冠层与地面平面与深度相机的距离均在相机有效量程内尽可能垂直俯视地面的情况下安装深度相机和IMU姿态传感器，获得如图1所示的原始图像IMG。在保证各数据时间帧一致且深度图像与RGB图像像素间的配准关系，使同一物体在两图向内的像素位置及大小相同的同时，通过数据通道从姿态传感器中获取深度图像、RGB图像和姿态。
步骤二、基于RGB图像寻找作物位置
采用超绿化算法强化RGB图像中的绿色，弱化红色和蓝色，得到超绿图像，具体为：
Figure BDA0003131923390000061
Figure BDA0003131923390000062
式中：R、G、B为RGB颜色空间中的像素通道值，ExG为超绿图像。
对超绿图像进行(OTSU’S)二值化分割得到如图2所示的二值化图像IMG_TH。由于在大田中，植物覆盖范围呈现为绿色，背景(即土壤等)呈现为土黄色、灰棕色等，因此在RGB图像中，认为绿色即为植被覆盖范围，将绿色范围作为地面植被的覆盖范围；
对二值化图像进行开运算和闭运算消除噪点，并用腐蚀将连片作物株苗进行分离；
在二值化图像中寻找每一个独立覆盖范围的轮廓轮廓，如图3所示，将每一个不被其他轮廓所包含的轮廓作为一个独立的作物苗。
步骤三、对深度图像进行姿态矫正
通过姿态传感器数据，计算获得深度相机前后俯仰角和左右翻滚角，并判断前后俯仰角和左右翻滚角与传感器自身的俯仰角和翻滚角误差数值之间的大小；
(1)若前后俯仰角和左右翻滚角小于传感器自身的误差值，则认为在前后或左右方向上不存在倾角，则不对该方向进行校正，直接将其作为深度图像进行步骤四地面深度的计算；
(2)若前后俯仰角或/和左右翻滚角大于传感器自身的误差值，则认为在前后或左右方向上存在倾角，并计算倾角α；然后对倾角α的方向进行姿态校正.其中某一方向上的倾角校正示意图如图4所示，在某一方向上的倾角校正示意图，将传感器所得的ABCDEF，校正α度为A’B’C’D’E’F’，使平面ABF与平面CD校正为垂直于相机视线方向的A’B’F’与C’D’，同时保持两平面间的高度关系不变。图中所示为图像横向或纵向上的切面，各点高低位置代表图像灰度(在深度图像中其含义为深度)。计算方法为：
以图像中心像素点Pix0(x0,y0)为坐标原点，将像素坐标系上一像素坐标Pixi(px,hp)转换为世界坐标系内一点Pix(x,y)，
x＝(W/2-px)/W*tan(β)*hp*2
y＝hp (3)
式中：W为校正方向上的图像像素数(个)；β为相机在校正方向上的视场角(°)；hp为像素在Z轴方向上的深度(mm)；
将像素点Pix(x,y)绕图像中心像素点Pix0(x0,y0)逆时针旋转倾角α后计算得到深度值；
yi＝(x-x0)×sin(α)+(y-y0)×cos(α)+y0 (4)
式中：yi表示经该点经计算所得的校正后的深度值。
同一平面进行深度校正前后的灰度直方图如图4所示。
将计算所得的某一个像素的新yi值，再次赋值给原像素，使像素改变其深度值时不变动其像素位置。深校正图像中物体的深度信息后，不改变物体在成像中的成像位置，在此基础上，可以保留其与RGB图像间的配准关系，使由RGB图像得到的作物苗位置可以直接用于校正后的深度图像。
对深度图像每一像素进行步骤(2)中的计算，如图5所示，所获得的新图像为校正后的深度图像D1。
同一平面校正前(左)后(右)平面上各点深度值分布，直方图中可体现处平面各点深度分布得到了良好的收束，具有较好的校正效果。经过校正后，平面上各点深度数据基本相同，在直方图上汇聚于一处，表明使用该计算方法进行深度图像的姿态校正具有较为优异的效果，为使用统计方法寻找地面位置提供了基础。
对于垂直于深度相机视线方向的平面，理论上其上各点的深度值相等，因此在图像的灰度直方图中，一平面点将会在横轴上某一点聚集。
步骤四、计算地面深度
1、对步骤三得到的深度图像D1进行灰度统计，如图6所示，以灰度值作为自变量、像素值作为因变量建立灰度分布曲线，其中灰度值的范围为0至图像最大深度值。
2、采用Savitzky-Golay滤波器对深度图像的灰度分布曲线进行滤波，在消除杂波的同时，保持分布曲线形状的横向宽度不变，如图7所示，得到滤波后的灰度分布曲线。
3、在滤波后的灰度分布曲线中基于对比临近值的极值查找(scipy.signal.find_peaks())极大值点，选取最大灰度极值点作为地面深度G。
对于垂直于图像Z轴的平面，其平面上各点Z值即深度值相等，对于地面平面，其为视野中最深度值最大平面，在姿态校正后会在灰度分布曲线上产生一极值点。
步骤五、将深度图像转化成高程图像
实际环境：俯视观察田地
图像内容：前景为植物冠层，背景为地面
在深度图像中，灰度值表示被观察位置与传感器间的距离在相机Z轴方向(即相机视线方向)上的投影，坐标原点位于相机位置，且方向垂直向下，地面灰度值大于植物冠层灰度值。在实际地面上，植物冠层高度大于地面高度，通常以地面为基准面，垂直向上为高度坐标轴。在深度图像中，为便于高度直观处理，将坐标系进行变换，转换为高程图像，步骤如下。
1、将步骤三校正后的深度图像进行2D滤波以消除图像空洞；
2、将灰度值非0的像素值减去地面深度G；
3、将图像灰度值取负值以反转Z轴；
4、将小于0的像素值设为0获得原点高度位于地面的高程图像。
步骤六、测算单株作物高度
从高程图像中依据单株范围截取局部图像；获得矩阵中的非零值并生成新的一维矩阵，去除局部图像中灰度值为0的点；对局部图像灰度值进行中值或高斯滤波处理，除去其中的离散点；如图8所示，将局部图像中的最高点作为该位置作物的高度值(numpy中直接取最大值)，即可计算出每株作物的高度。
实施例2：本实施例与实施例1的相同之处不在赘述，不同之处在于，在对姿态进行校正时除了采用实施例1的方式之外还可以通过点云的方式进行校正，方法如下。
(1)由原始深度图像获取点云，并对点云进行旋转操作；
(2)将旋转后的点云取俯视正射图像。
(3)将正射图像与RGB图像配准(对齐)，即可得到校正后的深度图像D1。
实施例3：本实施例与实施例1的相同之处不再赘述，不同之处在于，在对作物高度进行计算时还可以直接对作物范围进行滤波处理，并取区域中的最小值Dmin，使用地面深度G与Dmin做差，并取绝对值，获得该位置作物高度H，H＝|G-Dmin|。

Claims (4)

1.一种基于RGB-D深度相机的作物苗期高度检测方法，其特征在于：包括以下步骤：
步骤一、数据获取：在作为冠层上方垂直俯视安装深度相机和IMU姿态传感器，在保证各数据时间帧一致且深度图像与RGB图像像素间的像素位置及大小相同的同时，通过数据通道从姿态传感器中获取深度、RGB图像和姿态；
步骤二、基于RGB图像寻找作物位置，包括以下步骤：
(1)采用超绿化算法强化RGB图像中的绿色，弱化红色和蓝色得到超绿化图像，
Figure FDA0003131923380000011
Figure FDA0003131923380000012
式中：R、G、B为RGB颜色空间中的像素通道值，ExG为超绿图像；
(2)对超绿化图像进行二值化分割得到二值化分割图像，以图像中的绿色区域作为地面植被的覆盖范围；
(3)对二值化图像进行开运算和闭运算以消除噪点，然后采用腐蚀操作将连片作物株苗进行分离；
(4)在二值化图像中寻找每一个独立覆盖范围的轮廓，将每一个不被其他轮廓所包含的轮廓作为一个独立的作物苗；
步骤三、通过姿态传感器的数据计算获得深度相机前后俯仰角和左右翻滚角，将计算的前后俯仰角和左右翻滚角与传感器自身的前后俯仰角和左右翻滚角的误差值进行对比，
(1)若前后俯仰角或左右翻滚角小于传感器自身的俯仰角和翻滚角的误差值，则认为在前后或左右方向上不存在倾角，不对该方向进行校正，直接向其作为深度图像进行地面深度的计算；
(2)若前后俯仰角或左右翻滚角大于传感器自身的俯仰角和翻滚角的误差值，则认为前后或左右方向上存在倾角，计算出倾角α，然后对倾角α的方向进行姿态校正得到校正后的深度图像；
步骤四、计算地面深度
(1)将步骤三得到的深度图像进行灰度统计，以灰度值作为自变量、像素值作为因变量建立灰度分布曲线；
(2)对深度图像的灰度分步曲线进行滤波得到滤波后的灰度分步曲线；
(3)在滤波后的灰度分步曲线中基于临近值的极值寻找极大值点，选取最大灰度极值点作为地面深度；
步骤五、将深度图像转化成高程图像
(1)将步骤三校正后的深度图像进行2D滤波；
(2)将灰度值非0的像素值减去地面深度G；
(3)将图像灰度值取负值以反转Z轴；
(4)将小于0的像素值设为0获得原点高度位于地面的高程图像；
步骤六、测算单株作物高度
(1)从高程图像中依据单株范围截取局部图像；
(2)去除局部图像中灰度值为0的点，然后对局部图像灰度值进行滤波除去其中的离散点，将局部图像中的最高点作为该位置作物的高度值；或对作物范围进行滤波，取区域中的最小值Dmin，获得该位置作物的高度H＝|G-Dmin|。
2.根据权利要求1所述的基于RGB-D深度相机的作物苗期高度检测方法，其特征在于：步骤三中对倾角α的方向进行姿态校正的方法为：
(1)图像中心像素点Pix0(x0,y0)为坐标原点，将像素坐标系上一像素坐标Pixi(px,hp)转换为世界坐标系内一点Pix(x,y)，
x＝(W/2-px)/W*tan(β)*hp*2
y＝hp
式中：W为校正方向上的图像像素数(个)；β为相机在校正方向上的视场角(°)；hp为像素在Z轴方向上的深度(mm)；
(2)将像素点Pix(x,y)绕图像中心像素点Pix0(x0,y0)逆时针旋转倾角α后计算得到深度值yi；
yi＝(x-x0)×sin(α)+(y-y0)×cos(α)+y0；
(3)将yi重新赋值给像素Pixi得到校正后的深度图像。
3.根据权利要求1所述的基于RGB-D深度相机的作物苗期高度检测方法，其特征在于：步骤三中对倾角α的方向进行姿态校正的方法为：
(1)由原始深度图像中获取点云，并对点云进行旋转操作；
(2)将旋转后的点云取俯视正射图像；
(3)将正射图像与RGB图像对齐，得到校正后的深度图像。
4.根据权利要求1所述的基于RGB-D深度相机的作物苗期高度检测方法，其特征在于：步骤六中对局部图像灰度值进行中值或高斯滤波处理除去其中的离散点。
CN202110705470.8A 2021-06-24 2021-06-24 基于rgb-d深度相机的作物苗期高度检测方法 Active CN113639643B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110705470.8A CN113639643B (zh) 2021-06-24 2021-06-24 基于rgb-d深度相机的作物苗期高度检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110705470.8A CN113639643B (zh) 2021-06-24 2021-06-24 基于rgb-d深度相机的作物苗期高度检测方法

Publications (2)

Publication Number Publication Date
CN113639643A true CN113639643A (zh) 2021-11-12
CN113639643B CN113639643B (zh) 2023-12-22

Family

ID=78416229

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110705470.8A Active CN113639643B (zh) 2021-06-24 2021-06-24 基于rgb-d深度相机的作物苗期高度检测方法

Country Status (1)

Country Link
CN (1) CN113639643B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926532A (zh) * 2022-04-26 2022-08-19 江苏大学 一种再生稻穗层高度在线检测方法及***和收获机

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785379A (zh) * 2018-12-17 2019-05-21 中国科学院长春光学精密机械与物理研究所 一种对称物体尺寸及重量的测量方法及测量***
CN111414798A (zh) * 2019-02-03 2020-07-14 沈阳工业大学 基于rgb-d图像的头部姿态检测方法及***
WO2020228694A1 (zh) * 2019-05-13 2020-11-19 长沙智能驾驶研究院有限公司 一种相机姿态信息检测方法、装置以及相应的智能驾驶设备
CN112686859A (zh) * 2020-12-30 2021-04-20 中国农业大学 基于热红外和rgb-d相机的作物cwsi的检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785379A (zh) * 2018-12-17 2019-05-21 中国科学院长春光学精密机械与物理研究所 一种对称物体尺寸及重量的测量方法及测量***
CN111414798A (zh) * 2019-02-03 2020-07-14 沈阳工业大学 基于rgb-d图像的头部姿态检测方法及***
WO2020228694A1 (zh) * 2019-05-13 2020-11-19 长沙智能驾驶研究院有限公司 一种相机姿态信息检测方法、装置以及相应的智能驾驶设备
CN112686859A (zh) * 2020-12-30 2021-04-20 中国农业大学 基于热红外和rgb-d相机的作物cwsi的检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
仇瑞承;苗艳龙;季宇寒;张漫;李寒;刘刚;: "基于RGB-D相机的单株玉米株高测量方法", 农业机械学报, no. 1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114926532A (zh) * 2022-04-26 2022-08-19 江苏大学 一种再生稻穗层高度在线检测方法及***和收获机
CN114926532B (zh) * 2022-04-26 2024-06-11 江苏大学 一种再生稻穗层高度在线检测方法及***和收获机

Also Published As

Publication number Publication date
CN113639643B (zh) 2023-12-22

Similar Documents

Publication Publication Date Title
CN107203973B (zh) 一种三维激光扫描***中线激光中心的亚像素定位方法
CN110443836B (zh) 一种基于平面特征的点云数据自动配准方法及装置
CN107463918B (zh) 基于激光点云与影像数据融合的车道线提取方法
CN109785379B (zh) 一种对称物体尺寸及重量的测量方法及测量***
CN109325935B (zh) 一种基于无人机图像的输电线路检测方法
CN109345554A (zh) 一种基于rgb－d相机的粘连蘑菇视觉原位测量方法
CN111354047B (zh) 一种基于计算机视觉的摄像模组定位方法及***
CN109815822B (zh) 基于广义Hough变换的巡检图零部件目标识别方法
CN106815553B (zh) 一种基于边缘匹配的红外前视图像舰船检测方法
CN112017249A (zh) 车载摄像头滚转角获取、安装角度校正方法及设备
CN113313116A (zh) 一种基于视觉的水下人工目标准确检测与定位方法
CN115063579B (zh) 基于二维图像和三维点云投影的列车定位销松动检测方法
CN111145198B (zh) 一种基于快速角点检测的非合作目标运动估计方法
CN113252103A (zh) 一种基于matlab图像识别技术计算物料堆体积及质量的方法
CN114820474A (zh) 一种基于三维信息的列车车轮缺陷检测方法
CN113781523B (zh) 一种足球检测跟踪方法及装置、电子设备、存储介质
CN113639643B (zh) 基于rgb-d深度相机的作物苗期高度检测方法
CN107765257A (zh) 一种基于反射强度辅助外部校准的激光探测与测量方法
CN112330667B (zh) 一种基于形态学的激光条纹中心线提取方法
CN117115196B (zh) 一种切割机刀具磨损视觉检测方法及***
US11354794B2 (en) Deposit detection device and deposit detection method
CN111899289B (zh) 一种基于图像特征信息的红外图像与可见光图像的配准方法
CN111178210B (zh) 一种十字标记的图像识别及对准方法
CN113298725A (zh) 一种轮船图标图像叠加误差的纠正方法
WO2023134251A1 (zh) 一种基于聚类的光条提取方法及装置

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
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Li He

Inventor after: Ding Li

Inventor after: Zhao Geqiu

Inventor after: Xu Yigao

Inventor after: Chai Jiajun

Inventor after: Guo Changle

Inventor after: Cheng Shangshang

Inventor after: Niu Xiaoxiao

Inventor after: Zhang Kaifei

Inventor before: Li He

Inventor before: Zhao Geqiu

Inventor before: Xu Yigao

Inventor before: Chai Jiajun

Inventor before: Guo Changle

Inventor before: Cheng Shangshang

Inventor before: Niu Xiaoxiao

Inventor before: Zhang Kaifei

Inventor before: Ding Li

GR01 Patent grant
GR01 Patent grant