CN115358991A - 一种秧苗的漏秧数量和漏秧位置的识别方法及*** - Google Patents
一种秧苗的漏秧数量和漏秧位置的识别方法及*** Download PDFInfo
- Publication number
- CN115358991A CN115358991A CN202210996052.3A CN202210996052A CN115358991A CN 115358991 A CN115358991 A CN 115358991A CN 202210996052 A CN202210996052 A CN 202210996052A CN 115358991 A CN115358991 A CN 115358991A
- Authority
- CN
- China
- Prior art keywords
- seedling
- seedlings
- image
- leaking
- leakage
- 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
Images
Classifications
-
- 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
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Guiding Agricultural Machines (AREA)
Abstract
本发明公开了一种秧苗的漏秧数量和漏秧位置的识别方法及***,涉及水稻田漏秧数量和位置识别领域,该方法包括:利用携带RGB相机的无人机采集漏秧检测目标区域的图像信息;对图像信息进行预处理,得到HSV颜色空间模型;对HSV颜色空间模型采用经验阈值方法进行分割,得到秧苗图像的二值化图;根据秧苗图像的二值化图,确定秧苗的根部位置;利用秧苗的根部位置进行线性回归拟合,得到秧苗的拟合直线;根据秧苗的拟合直线,计算秧苗的漏秧数量;根据秧苗的漏秧数量,确定漏秧位置在秧苗的拟合直线上的坐标。本发明能够快速准确地检测漏秧数量和漏秧位置,降低劳动强度和作业成本,提高作业效率和作业精准度。
Description
技术领域
本发明涉及水稻田漏秧数量和位置识别领域,特别是涉及一种秧苗的漏秧数量和漏秧位置的识别方法及***。
背景技术
水稻移栽扦插质量和漏秧数量对水稻最终产量有较大影响,传统水稻插秧漏秧数量和位置检测方法劳动强度大、成本高、主观性强,主要依靠人工实地在水田中仔细检查每行秧苗扦插情况,确定漏秧数量和漏秧位置。随着大农场数量增加和人工费用的激增,水稻种植者对于水稻插秧漏秧数量和位置检测准确度和速度的要求有了进一步提髙,如何提高水稻插秧漏秧数量和位置检测的速度和精度是当前急需解决的问题。
发明内容
本发明的目的是提供一种秧苗的漏秧数量和漏秧位置的识别方法及***,能够快速准确地检测漏秧数量和漏秧位置,降低劳动强度和作业成本,提高作业效率和作业精准度。
为实现上述目的,本发明提供了如下方案:
一种秧苗的漏秧数量和漏秧位置的识别方法,所述方法包括:
利用携带RGB相机的无人机采集漏秧检测目标区域的图像信息;
对所述图像信息进行预处理,得到HSV颜色空间模型;
对所述HSV颜色空间模型采用经验阈值方法进行分割,得到秧苗图像的二值化图;
根据所述秧苗图像的二值化图,确定秧苗的根部位置;
利用所述秧苗的根部位置进行线性回归拟合,得到秧苗的拟合直线;
根据所述秧苗的拟合直线,计算秧苗的漏秧数量;
根据所述秧苗的漏秧数量,确定漏秧位置在所述秧苗的拟合直线上的坐标。
可选地,所述对所述图像信息进行预处理,得到HSV颜色空间模型,具体包括:
对所述图像信息进行图像拼接;
对拼接后的图像信息进行正射影像矫正和多光谱图像光谱校正,得到漏秧检测目标区域的RGB正射图像;
将所述RGB正射图像转换为HSV颜色空间模型。
可选地,所述根据所述秧苗图像的二值化图,确定秧苗的根部位置,具体包括:
根据所述秧苗图像的二值化图,提取秧苗骨架的二值图像;
去除所述秧苗骨架的二值图像中冗余分支,得到秧苗形态图;
采用Harris角点检测算法对所述秧苗形态图进行角点检测,确定秧苗的根部位置。
可选地,所述根据所述秧苗的拟合直线,计算秧苗的漏秧数量,具体包括:
计算所述秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标;
根据所述投影点坐标,计算所述漏秧检测目标区域内各行的相邻两秧苗投影的间距、所述漏秧检测目标区域内各行的秧苗的实际起始位置和设定起始位置的间距以及秧苗投影的平均间距;
当所述相邻两秧苗投影的间距大于设定距离时,相邻两秧苗之间为中间漏秧处;所述设定距离为设定倍数的所述秧苗投影的平均间距;
当所述秧苗的实际起始位置和秧苗的设定起始位置的间距大于设定距离时,秧苗的实际起始位置和设定起始位置之间为起始漏秧处;
根据所述秧苗投影的平均间距,计算所述中间漏秧处的漏秧数量和所述起始漏秧处的漏秧数量,得到秧苗的漏秧数量。
可选地,所述根据所述秧苗的漏秧数量,确定漏秧位置在所述秧苗的拟合直线上的坐标,具体包括:
根据秧苗的漏秧数量和秧苗投影的平均间距,确定漏秧的秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标;
根据所述投影点坐标,确定漏秧位置的秧苗在所述秧苗的拟合直线上的坐标。
一种秧苗的漏秧数量和漏秧位置的识别***,应用于上述的秧苗的漏秧数量和漏秧位置的识别方法,所述***包括:
采集模块,用于利用携带RGB相机的无人机采集漏秧检测目标区域的图像信息;
预处理模块,用于对所述图像信息进行预处理,得到HSV颜色空间模型;
分割模块,用于对所述HSV颜色空间模型采用经验阈值方法进行分割,得到秧苗图像的二值化图;
根部位置确定模块,用于根据所述秧苗图像的二值化图,确定秧苗的根部位置;
拟合模块,用于利用所述秧苗的根部位置进行线性回归拟合,得到秧苗的拟合直线;
计算模块,用于根据所述秧苗的拟合直线,计算秧苗的漏秧数量;
坐标确定模块,用于根据所述秧苗的漏秧数量,确定漏秧位置在所述秧苗的拟合直线上的坐标。
可选地,所述预处理模块包括:
拼接子模块,用于对所述图像信息进行图像拼接;
校正子模块,用于对拼接后的图像信息进行正射影像校正和多光谱图像光谱校正,得到漏秧检测目标区域的RGB正射图像;
转换子模块,用于将所述RGB正射图像转换为HSV颜色空间模型。
可选地,所述根部位置确定模块包括:
提取子模块,用于根据所述秧苗图像的二值化图,提取秧苗骨架的二值图像;
去除子模块,用于去除所述秧苗骨架的二值图像中冗余分支,得到秧苗形态图;
检测子模块,用于采用Harris角点检测算法对所述秧苗形态图进行角点检测,确定秧苗的根部位置。
可选地,所述计算模块包括:
投影点坐标计算子模块,用于计算所述秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标;
间距计算子模块,用于根据所述投影点坐标,计算所述漏秧检测目标区域内各行的相邻两秧苗投影的间距、所述漏秧检测目标区域内各行的秧苗的实际起始位置和设定起始位置的间距以及秧苗投影的平均间距;
第一比较子模块,用于当所述相邻两秧苗投影的间距大于设定距离时,相邻两秧苗之间为中间漏秧处;所述设定距离为设定倍数的所述秧苗投影的平均间距;
第二比较子模块,用于当所述秧苗的实际起始位置和秧苗的设定起始位置的间距大于设定距离时,秧苗的实际起始位置和设定起始位置之间为起始漏秧处;
漏秧数量确定子模块,用于根据所述秧苗投影的平均间距,计算所述中间漏秧处的漏秧数量和所述起始漏秧处的漏秧数量,得到秧苗的漏秧数量。
可选地,所述坐标确定模块包括:
漏秧投影点坐标确定子模块,用于根据秧苗的漏秧数量和秧苗投影的平均间距,确定漏秧的秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标;
漏秧坐标确定子模块,用于根据所述投影点坐标,确定漏秧位置的秧苗在所述秧苗的拟合直线上的坐标。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种秧苗的漏秧数量和漏秧位置的识别方法,方法包括:利用携带RGB相机的无人机采集漏秧检测目标区域的图像信息;对图像信息进行预处理,得到HSV颜色空间模型;对HSV颜色空间模型采用经验阈值方法进行分割,得到秧苗图像的二值化图;根据秧苗图像的二值化图,确定秧苗的根部位置;利用秧苗的根部位置进行线性回归拟合,得到秧苗的拟合直线;根据秧苗的拟合直线,计算秧苗的漏秧数量;根据秧苗的漏秧数量,确定漏秧位置在秧苗的拟合直线上的坐标。本发明使用无人机采集水稻插秧漏秧检测目标区域,利用图像形态学处理方法和图像分割处理方法快速准确地检测漏秧数量和漏秧位置,降低劳动强度和作业成本,提高作业效率和作业精准度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的秧苗的漏秧数量和漏秧位置的识别方法流程图;
图2为本发明提供的RGB正射图像效果图;
图3为本发明提供的秧苗识别结果效果图;
图4为本发明提供的第1行漏秧定位效果图;
图5为本发明提供的第1行处理结果放大后的效果图;
图6为本发明提供的秧苗检测和漏秧检测处理结果效果图;
图7为本发明提供的秧苗的漏秧数量和漏秧位置的识别***模块图。
符合说明:
1-采集模块,2-预处理模块,3-分割模块,4-根部位置确定模块,5-拟合模块,6-计算模块,7-坐标确定模块。
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,显然,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。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种秧苗的漏秧数量和漏秧位置的识别方法及***,能够快速准确地检测漏秧数量和漏秧位置,降低劳动强度和作业成本,提高作业效率和作业精准度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的一种秧苗的漏秧数量和漏秧位置的识别方法,所述方法包括:
步骤S1:利用携带RGB相机的无人机采集漏秧检测目标区域的图像信息;在实际应用中,利用携带RGB相机的无人机采集漏秧检测目标区域图像信息,航拍多光相机朝无人机航向方向布置且设置为航向跟随,采集图像信息时,自稳云台保证镜头方向与地面保持垂直;航拍相机朝无人机航向方向布置且设置为航向跟随时,无人机航向重复率设置不小于60%,无人机旁向重复率设置不小于55%,飞行高度设置为50m,飞行速度不大于5m/s。
步骤S2:对所述图像信息进行预处理,得到HSV颜色空间模型。
S2具体包括:
步骤S21:对所述图像信息进行图像拼接;具体地,根据照片航向前后重复和旁向左右重复部分图像相同特征完成图像拼接。
步骤S22:对拼接后的图像信息进行正射影像矫正和多光谱图像光谱校正,得到漏秧检测目标区域的RGB正射图像;具体地,以图2中第1行为例,对拼接后的图像信息再进行正射影像校正和多光谱图像光谱校正,得到漏秧检测目标区域的RGB正射图像。
步骤S23:将所述RGB正射图像转换为HSV颜色空间模型。具体地,如图3所示,为了获得准确的秧苗的形状信息,将原始RGB正射图像转换为HSV颜色空间模型,来对无人机图像进行增强,也即对RGB正射图像进行图像增强。
步骤S3:对所述HSV颜色空间模型采用经验阈值方法进行分割,得到秧苗图像的二值化图。
具体地,查找HSV颜色空间模型图像(图像大小为M*N)中秧苗像素最大值MaxValue和最小值MinValue,采用经验阈值方法来调整最优阈值范围。图像被分为前景(秧苗)和背景(土壤背景),分割得到田中秧苗的秧苗图像的二值化图。阈值分割模型的决策公式如下:
Bi=0(Pi<MinValue或Pi>MaxValue);
Fi=1(MinValue≤Pi≤MaxValue);
其中,Bi为背景像素值,Fi为前景像素值,Pi为HSV颜色模型图像像素的值,i为像素序号,其中1≤i≤M*N。
步骤S4:根据所述秧苗图像的二值化图,确定秧苗的根部位置。
S4具体包括:
步骤S41:根据所述秧苗图像的二值化图,提取秧苗骨架的二值图像。
具体地,根据所述秧苗图像的二值化图,进行秧苗骨架提取,骨架结构是对图像的一个重要的拓扑描述,它可以在视觉上保留物体的原始形状,便于描述目标的形态和提取特征。
步骤S42:去除所述秧苗骨架的二值图像中冗余分支,得到秧苗形态图;具体地,通过从骨架二值图像中去除冗余分支,获得了精度较高的水稻秧苗形态图。
步骤S43:采用Harris角点检测算法对所述秧苗形态图进行角点检测,确定秧苗的根部位置。
具体地,秧苗叶片交汇点为秧苗植株的根部位置,采用Harris角点检测算法对秧苗骨架进行角点检测,检测到的角点即为叶片交汇点(Xcenter,Ycenter),图4为第1行漏秧定位效果图,如图4所示。
步骤S5:利用所述秧苗的根部位置进行线性回归拟合,得到秧苗的拟合直线。
在实际应用中,如图5所示,每行秧苗基本沿垄种植成一条直线,可认为秧苗中心点坐标Xcenter与Ycenter具有线性关系,利用每行秧苗中心点坐标进行线性回归进行拟合,得到融合图像中每个通道图像中每行种植直线。对一行秧苗X=(x1,x2,…,xn),与y的线性关系式可表示为:y=β0+β1x1+…+βnxn+ε。
对不同行秧苗的拟合直线,可得到Y=(y1,y2,…,yn),则有:Y=Xβ+ε。
步骤S6:根据所述秧苗的拟合直线,计算秧苗的漏秧数量。
S6具体包括:
步骤S61:计算所述秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标。具体地,每行秧苗植株之间的距离通过植株中心向对应行的回归直线的投影点进行计算,其计算公式为:
步骤S62:根据所述投影点坐标,计算所述漏秧检测目标区域内各行的相邻两秧苗投影的间距、所述漏秧检测目标区域内各行的秧苗的实际起始位置和设定起始位置的间距以及秧苗投影的平均间距。
在实际应用中,选择不存在漏秧的区域的图像,重复步骤S3、步骤S4、步骤S5和步骤S61,得到每行秧苗植株的投影点坐标(Xprojection,Yprojection),计算秧苗植株投影的平均间距,公式为:
其中(Xprojection1,Yprojection1)和(Xprojection2,Yprojection2)为相邻两秧苗植株坐标,distance为两颗秧苗中心投影点坐标间的间距,为投影平均株距,number(plant)为植株数量。
步骤S63:当所述相邻两秧苗投影的间距大于设定距离时,相邻两秧苗之间为中间漏秧处;所述设定距离为设定倍数的所述秧苗投影的平均间距。
步骤S64:当所述秧苗的实际起始位置和秧苗的设定起始位置的间距大于设定距离时,秧苗的实际起始位置和设定起始位置之间为起始漏秧处。
步骤S65:根据所述秧苗投影的平均间距,计算所述中间漏秧处的漏秧数量和所述起始漏秧处的漏秧数量,得到秧苗的漏秧数量。
具体地,计算田块所有行总共的漏秧数,公式为:
total number=sum(m)+sum(n);其中,total number为总漏秧数。
步骤S7:根据所述秧苗的漏秧数量,确定漏秧位置在所述秧苗的拟合直线上的坐标。
S7具体包括:
步骤S71:根据秧苗的漏秧数量和秧苗投影的平均间距,确定漏秧的秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标。
步骤S72:根据所述投影点坐标,确定漏秧位置的秧苗在所述秧苗的拟合直线上的坐标。
具体地,根据漏秧数、漏秧现象出现的范围以及平均株距,可以计算出对应漏秧位置在拟合直线上的坐标。具体计算公式为:
将本发明提供的秧苗的漏秧数量和漏秧位置的识别方法应用于整个田块,得到的检测结果如图6所示;其中X,Y坐标都以像素为单位,空心圆为植株中心,虚线为垄向分割线,直线为第1行线性回归拟合直线。
本发明提供的一种秧苗的漏秧数量和漏秧位置的识别***,应用于上述的一种秧苗的漏秧数量和漏秧位置的识别方法,如图7所示,所述***包括:
采集模块1,用于利用携带RGB相机的无人机采集漏秧检测目标区域的图像信息。
预处理模块2,用于对所述图像信息进行预处理,得到HSV颜色空间模型。
分割模块3,用于对所述HSV颜色空间模型采用经验阈值方法进行分割,得到秧苗图像的二值化图。
根部位置确定模块4,用于根据所述秧苗图像的二值化图,确定秧苗的根部位置。
拟合模块5,用于利用所述秧苗的根部位置进行线性回归拟合,得到秧苗的拟合直线。
计算模块6,用于根据所述秧苗的拟合直线,计算秧苗的漏秧数量。
坐标确定模块7,用于根据所述秧苗的漏秧数量,确定漏秧位置在所述秧苗的拟合直线上的坐标。
作为一个具体的实施方式,所述预处理模块2包括:
拼接子模块,用于对所述图像信息进行图像拼接。
校正子模块,用于对拼接后的图像信息进行正射影像校正和多光谱图像光谱校正,得到漏秧检测目标区域的RGB正射图像。
转换子模块,用于将所述RGB正射图像转换为HSV颜色空间模型。
作为一个具体的实施方式,所述根部位置确定模块4包括:
提取子模块,用于根据所述秧苗图像的二值化图,提取秧苗骨架的二值图像。
去除子模块,用于去除所述秧苗骨架的二值图像中冗余分支,得到秧苗形态图。
检测子模块,用于采用Harris角点检测算法对所述秧苗形态图进行角点检测,确定秧苗的根部位置。
作为一个具体的实施方式,所述计算模块6包括:
投影点坐标计算子模块,用于计算所述秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标。
间距计算子模块,用于根据所述投影点坐标,计算所述漏秧检测目标区域内各行的相邻两秧苗投影的间距、所述漏秧检测目标区域内各行的秧苗的实际起始位置和设定起始位置的间距以及秧苗投影的平均间距。
第一比较子模块,用于当所述相邻两秧苗投影的间距大于设定距离时,相邻两秧苗之间为中间漏秧处;所述设定距离为设定倍数的所述秧苗投影的平均间距。
第二比较子模块,用于当所述秧苗的实际起始位置和秧苗的设定起始位置的间距大于设定距离时,秧苗的实际起始位置和设定起始位置之间为起始漏秧处。
漏秧数量确定子模块,用于根据所述秧苗投影的平均间距,计算所述中间漏秧处的漏秧数量和所述起始漏秧处的漏秧数量,得到秧苗的漏秧数量。
此外,所述坐标确定模块7包括:
漏秧投影点坐标确定子模块,用于根据秧苗的漏秧数量和秧苗投影的平均间距,确定漏秧的秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标。
漏秧坐标确定子模块,用于根据所述投影点坐标,确定漏秧位置的秧苗在所述秧苗的拟合直线上的坐标。
本发明提供的一种秧苗的漏秧数量和漏秧位置的识别方法及***具有一些优点:
(1)劳动强度和作业成本低,作业效率高。
传统水稻插秧漏秧检测需要人工实地在水田中仔细检查每行秧苗扦插情况,确定漏秧数量和漏秧位置,劳动强度大、成本高、耗费时间长。而本发明使用无人机采集水稻插秧漏秧检测目标区域,利用图像形态学处理方法和图像分割处理方法快速准确地检测漏秧数量和漏秧位置,速度快,时间短,无需人员进入水田即可检测漏秧数量和漏秧位置,作业便捷、效率高。
(2)精准度高、稳定。
传统水稻插秧漏秧检测方法主观性强,主要依靠操作人员的专业知识,操作人员的专业知识和经验高低不同导致测量精度高低不一,对于水稻插秧漏秧检测难以保持稳定度和可信度。本发明方法成熟稳定,检测过程固定化、流程化,排除人为影响,经过实际生产验证,精度均能达到98.5%以上,稳定性达到99%以上。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种秧苗的漏秧数量和漏秧位置的识别方法,其特征在于,所述方法包括:
利用携带RGB相机的无人机采集漏秧检测目标区域的图像信息;
对所述图像信息进行预处理,得到HSV颜色空间模型;
对所述HSV颜色空间模型采用经验阈值方法进行分割,得到秧苗图像的二值化图;
根据所述秧苗图像的二值化图,确定秧苗的根部位置;
利用所述秧苗的根部位置进行线性回归拟合,得到秧苗的拟合直线;
根据所述秧苗的拟合直线,计算秧苗的漏秧数量;
根据所述秧苗的漏秧数量,确定漏秧位置在所述秧苗的拟合直线上的坐标。
2.根据权利要求1所述的秧苗的漏秧数量和漏秧位置的识别方法,其特征在于,所述对所述图像信息进行预处理,得到HSV颜色空间模型,具体包括:
对所述图像信息进行图像拼接;
对拼接后的图像信息进行正射影像矫正和多光谱图像光谱校正,得到漏秧检测目标区域的RGB正射图像;
将所述RGB正射图像转换为HSV颜色空间模型。
3.根据权利要求1所述的秧苗的漏秧数量和漏秧位置的识别方法,其特征在于,所述根据所述秧苗图像的二值化图,确定秧苗的根部位置,具体包括:
根据所述秧苗图像的二值化图,提取秧苗骨架的二值图像;
去除所述秧苗骨架的二值图像中冗余分支,得到秧苗形态图;
采用Harris角点检测算法对所述秧苗形态图进行角点检测,确定秧苗的根部位置。
4.根据权利要求1所述的秧苗的漏秧数量和漏秧位置的识别方法,其特征在于,所述根据所述秧苗的拟合直线,计算秧苗的漏秧数量,具体包括:
计算所述秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标;
根据所述投影点坐标,计算所述漏秧检测目标区域内各行的相邻两秧苗投影的间距、所述漏秧检测目标区域内各行的秧苗的实际起始位置和设定起始位置的间距以及秧苗投影的平均间距;
当所述相邻两秧苗投影的间距大于设定距离时,相邻两秧苗之间为中间漏秧处;所述设定距离为设定倍数的所述秧苗投影的平均间距;
当所述秧苗的实际起始位置和秧苗的设定起始位置的间距大于设定距离时,秧苗的实际起始位置和设定起始位置之间为起始漏秧处;
根据所述秧苗投影的平均间距,计算所述中间漏秧处的漏秧数量和所述起始漏秧处的漏秧数量,得到秧苗的漏秧数量。
5.根据权利要求4所述的秧苗的漏秧数量和漏秧位置的识别方法,其特征在于,所述根据所述秧苗的漏秧数量,确定漏秧位置在所述秧苗的拟合直线上的坐标,具体包括:
根据秧苗的漏秧数量和秧苗投影的平均间距,确定漏秧的秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标;
根据所述投影点坐标,确定漏秧位置的秧苗在所述秧苗的拟合直线上的坐标。
6.一种秧苗的漏秧数量和漏秧位置的识别***,其特征在于,所述***包括:
采集模块,用于利用携带RGB相机的无人机采集漏秧检测目标区域的图像信息;
预处理模块,用于对所述图像信息进行预处理,得到HSV颜色空间模型;
分割模块,用于对所述HSV颜色空间模型采用经验阈值方法进行分割,得到秧苗图像的二值化图;
根部位置确定模块,用于根据所述秧苗图像的二值化图,确定秧苗的根部位置;
拟合模块,用于利用所述秧苗的根部位置进行线性回归拟合,得到秧苗的拟合直线;
计算模块,用于根据所述秧苗的拟合直线,计算秧苗的漏秧数量;
坐标确定模块,用于根据所述秧苗的漏秧数量,确定漏秧位置在所述秧苗的拟合直线上的坐标。
7.根据权利要求6所述的秧苗的漏秧数量和漏秧位置的识别***,其特征在于,所述预处理模块包括:
拼接子模块,用于对所述图像信息进行图像拼接;
校正子模块,用于对拼接后的图像信息进行正射影像校正和多光谱图像光谱校正,得到漏秧检测目标区域的RGB正射图像;
转换子模块,用于将所述RGB正射图像转换为HSV颜色空间模型。
8.根据权利要求6所述的秧苗的漏秧数量和漏秧位置的识别***,其特征在于,所述根部位置确定模块包括:
提取子模块,用于根据所述秧苗图像的二值化图,提取秧苗骨架的二值图像;
去除子模块,用于去除所述秧苗骨架的二值图像中冗余分支,得到秧苗形态图;
检测子模块,用于采用Harris角点检测算法对所述秧苗形态图进行角点检测,确定秧苗的根部位置。
9.根据权利要求6所述的秧苗的漏秧数量和漏秧位置的识别***,其特征在于,所述计算模块包括:
投影点坐标计算子模块,用于计算所述秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标;
间距计算子模块,用于根据所述投影点坐标,计算所述漏秧检测目标区域内各行的相邻两秧苗投影的间距、所述漏秧检测目标区域内各行的秧苗的实际起始位置和设定起始位置的间距以及秧苗投影的平均间距;
第一比较子模块,用于当所述相邻两秧苗投影的间距大于设定距离时,相邻两秧苗之间为中间漏秧处;所述设定距离为设定倍数的所述秧苗投影的平均间距;
第二比较子模块,用于当所述秧苗的实际起始位置和秧苗的设定起始位置的间距大于设定距离时,秧苗的实际起始位置和设定起始位置之间为起始漏秧处;
漏秧数量确定子模块,用于根据所述秧苗投影的平均间距,计算所述中间漏秧处的漏秧数量和所述起始漏秧处的漏秧数量,得到秧苗的漏秧数量。
10.根据权利要求9所述的秧苗的漏秧数量和漏秧位置的识别***,其特征在于,所述坐标确定模块包括:
漏秧投影点坐标确定子模块,用于根据秧苗的漏秧数量和秧苗投影的平均间距,确定漏秧的秧苗的根部位置在对应的所述秧苗的拟合直线的投影点坐标;
漏秧坐标确定子模块,用于根据所述投影点坐标,确定漏秧位置的秧苗在所述秧苗的拟合直线上的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210996052.3A CN115358991A (zh) | 2022-08-19 | 2022-08-19 | 一种秧苗的漏秧数量和漏秧位置的识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210996052.3A CN115358991A (zh) | 2022-08-19 | 2022-08-19 | 一种秧苗的漏秧数量和漏秧位置的识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115358991A true CN115358991A (zh) | 2022-11-18 |
Family
ID=84002092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210996052.3A Pending CN115358991A (zh) | 2022-08-19 | 2022-08-19 | 一种秧苗的漏秧数量和漏秧位置的识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115358991A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823918A (zh) * | 2023-08-30 | 2023-09-29 | 北京市农林科学院信息技术研究中心 | 作物苗株数测量方法、装置、电子设备及存储介质 |
-
2022
- 2022-08-19 CN CN202210996052.3A patent/CN115358991A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823918A (zh) * | 2023-08-30 | 2023-09-29 | 北京市农林科学院信息技术研究中心 | 作物苗株数测量方法、装置、电子设备及存储介质 |
CN116823918B (zh) * | 2023-08-30 | 2023-12-22 | 北京市农林科学院信息技术研究中心 | 作物苗株数测量方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020103026A4 (en) | A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images | |
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 | |
CN111340826B (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN112418188B (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及*** | |
CN110765916B (zh) | 一种基于语义和实例分割的农田苗垄识别方法及*** | |
CN111727457B (zh) | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 | |
CN109919088B (zh) | 一种喀斯特地区火龙果单株识别自动提取方法 | |
CN112614147B (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及*** | |
CN114239756B (zh) | 一种虫害检测方法及*** | |
CN112307992A (zh) | 一种基于无人机可见光遥感的红树植物自动识别方法 | |
CN115358991A (zh) | 一种秧苗的漏秧数量和漏秧位置的识别方法及*** | |
CN112881294A (zh) | 一种基于无人机的红树林林分健康度评价方法 | |
Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
CN106373133B (zh) | 一种基于暗通道去雾算法的农田插秧检测方法及其*** | |
CN110569805A (zh) | 一种基于无人机影像点云的人工林单木提取及立地质量评价的方法 | |
CN117392535A (zh) | 一种面向复杂环境的果树花芽目标检测与白点率估算方法 | |
CN111339953A (zh) | 一种基于聚类分析的薇甘菊监测方法 | |
CN111402318A (zh) | 一种树上果实产量快速估测方法及装置 | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及*** | |
CN113111892B (zh) | 一种基于无人机影像的作物种植行提取方法 | |
CN115527192A (zh) | 一种油菜苗期杂株定位方法及杂株去除方法 | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
CN115451965A (zh) | 基于双目视觉的插秧机插植***相对航向信息检测方法 | |
CN114266784A (zh) | 基于线型掩膜扫描寻界的田间作物行区域实例分割方法 |
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 |