CN104392430A - 基于机器视觉的超级杂交稻穴播量的检测方法及装置 - Google Patents
基于机器视觉的超级杂交稻穴播量的检测方法及装置 Download PDFInfo
- Publication number
- CN104392430A CN104392430A CN201410568497.7A CN201410568497A CN104392430A CN 104392430 A CN104392430 A CN 104392430A CN 201410568497 A CN201410568497 A CN 201410568497A CN 104392430 A CN104392430 A CN 104392430A
- Authority
- CN
- China
- Prior art keywords
- connected region
- seeding
- seedling
- neural network
- seedling dish
- 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
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 29
- 235000009566 rice Nutrition 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 27
- 238000010899 nucleation Methods 0.000 title claims abstract description 27
- 240000007594 Oryza sativa Species 0.000 title 1
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 241000209094 Oryza Species 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 7
- 238000000513 principal component analysis Methods 0.000 claims description 24
- 239000008187 granular material Substances 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000001537 neural effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000011218 segmentation Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000474 nursing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005452 bending Methods 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 abstract 3
- 238000009395 breeding Methods 0.000 abstract 1
- 230000001488 breeding effect Effects 0.000 abstract 1
- 239000002245 particle Substances 0.000 abstract 1
- 238000009331 sowing Methods 0.000 description 6
- 235000019994 cava Nutrition 0.000 description 5
- 235000013339 cereals Nutrition 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 239000012535 impurity Substances 0.000 description 3
- 206010038743 Restlessness Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06T7/77—Determining position or orientation of objects or cameras using statistical methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及超级杂交稻秧盘秧穴播种量检测方法及装置,检测装置包括摄像头、计算机及红外光电传感模块;当红外光电传感模块检测播种后的水稻秧盘随传送带到达拍摄区域时,向计算机输出电平信号,计算机控制摄像头拍摄秧盘图像;计算机对秧盘图像进行二值化处理,用投影法定位秧盘检测区域和秧穴,提取连通区域及其形状特征参数,对形状特征参数的主成分进行分析以降维,建立种子连通区域颗粒数检测的BP神经网络,最后采用BP神经网络检测秧盘的播种量。本发明依据种子连通区域的形状特征结合BP神经网络检测秧穴播种量,按“穴粒数”检测思想,实现播种量的精确检测,为超级杂交稻精密育秧恒量播种装置的研究奠定了基础。
Description
技术领域
本发明涉及一种超级杂交稻秧盘播种后播种量检测方法及装置,尤其是一种基于机器视觉的超级杂交稻穴播量的检测方法及装置。
背景技术
超级杂交稻因其增产显著,在我国得到大面积推广应用;因具有超强的分蘖能力,所以要求每穴插1-2株,依靠分蘖能力增加有效穗数,提高产量。根据超级杂交稻的这种生长特性,通常育秧要求低播量精密育秧,保证2-3粒/穴。因水稻种子要催芽后播种,播种期间种芽长度、种子含水量和种子形状尺寸都要发生变化,影响播种性能,目前的精密播种技术和手段难达到上述要求。因此有必要在播种过程中对每秧穴播种量进行精确检测,及时发现播种状态的变化,为后续调控播种量或补种工作提供依据,以保证秧盘上每穴的种子数保持一致,实现精密恒量播种作业。
发明内容
为了上述技术问题,本发明提出基于机器视觉的超级杂交稻穴播量的检测方法及装置,实现超级杂交稻穴播量的精确检测,提高播种质量,实现精量、恒量播种作业。
本发明检测装置采用如下技术方案:基于机器视觉的超级杂交稻穴播量的检测装置,包括摄像头、计算机及红外光电传感模块,红外光电传感模块和摄像头安装在水稻育秧播种流水线上,红外光电传感模块、摄像头分别与计算机连接;当红外光电传感模块检测播种后的水稻秧盘随传送带到达摄像头的拍摄区域时,向计算机输出电平信号,计算机控制摄像头拍摄秧盘图像;
所述计算机对秧盘图像进行二值化处理,用投影法定位秧盘检测区域和秧穴,提取种子连通区域及连通区域的形状特征参数,并对连通区域的形状特征参数的主成分进行分析,对连通区域的形状特征参数降维,然后建立种子连通区域颗粒数检测的BP神经网络,最后采用BP神经网络检测秧盘的播种量。
本发明检测方法采用如下技术方案:基于机器视觉的超级杂交稻穴播量的检测方法,包括以下步骤:
S1、当检测到秧盘到达拍摄区域时,拍摄秧盘图像;
S2、获取秧盘图像进行二值化处理,把种子和土壤背景分离,得到二值图像;
S3、利用投影法定位秧盘检测区域和秧穴;
S4、提取二值图像中种子连通区域及连通区域的形状特征参数;
S5、对连通区域的形状特征参数进行主成分分析,实现连通区域的形状特征参数降维;
S6、建立种子连通区域颗粒数检测的BP神经网络;
S7、采用BP神经网络检测秧盘的播种量。
优选地,步骤S2采用腐蚀和膨胀方法去除秧盘图像中的噪声点和孔洞,使用OSTU自适应阈值法确定分割阈值,对秧盘图像进行二值化处理,把种子和土壤背景分离。
优选地,步骤S3定位时,沿水平方向和垂直方向作投影,投影图中水平方向和垂直方向最小值的像素坐标确定为秧盘上一条水平或垂直的秧穴边界连线。
优选地,步骤S4所述连通区域的形状特征参数包括连通区域的面积、周长、形状因子和二阶偏心率,以及连通区域边界的7个不变矩特征;步骤S5所述主成分分析是将多个变量通过线性变换以选出较少个数变量。
优选地,步骤S6建立BP神经网络后,以对主成分分析得到的主成分进行归一化处理后的数据作为输入向量,以连通区域颗粒数的种类作为输出向量,通过BP神经网络对输入向量和输出向量样本集训练,对BP神经网络的阈值和权值进行学习和修正,使BP神经网络实现给定的输入输出映射关系。
本发明的检测原理如下:精密育秧播种流水线由铺底土、淋水、播种、覆土等工序组成,基于机器视觉的超级杂交稻穴播量检测工序设置在秧盘播种后,覆表土工序之前。秧盘经过铺底土工序后,底土覆盖秧穴,采集的图像不显示秧穴,要实现穴播量检测,需要定位检测区域及秧穴。水稻种子从振动播种装置播到秧盘中,在秧穴中呈现的形态各异,有单粒、多粒,多粒的种子存在重叠、交叉、粘连或混合的情况,且土壤中混有杂质和碎米。传统的图像分割算法对重叠或交叉的种子进行分割,不可避免过分割现象,造成颗粒计数准确率低。考虑到每个种子连通区域的形态特征在一定程度上反映其包含的种子数量,本发明通过提取秧穴种子连通区域的4个形状特征和7个不变矩特征,主成分分析进行信息降维,由BP神经网络检测连通区域的种子数量,按“穴粒数”检测思想,对超级杂交稻秧盘图像每穴播种量进行检测,从左到右、从上到下依次扫描检测区域内的秧穴。
本发明相对于现有技术具有如下有益效果:依据种子连通区域的形状特征结合BP神经网络检测秧穴播种粒数,按“穴粒数”检测思想,实现播种量的精确检测,为超级杂交稻精密育秧恒量播种装置的研究奠定了基础。
附图说明
图1是本发明的装置结构示意图;
图2是本发明检测流程图;
图3为二值图像投影图;
图4为目标检测区域和秧穴定位图;
图5为连通区域边界示意图。
具体实施方式
为了使本发明目的、技术方案和优点更加清楚明白,以下结合附图及实施例对本发明作进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,而不用于限定本发明。
参见图1,本发明检测装置包括:光源1、数字摄像头2、暗箱3、计算机4及红外光电传感模块5。红外光电传感模块5和数字摄像头2安装在水稻育秧播种流水线上。播种后的水稻秧盘6在流水线上随传送带到达摄像头的拍摄区域,红外光电传感模块5检测到秧盘6到达拍摄区域时,输出低电平信号,红外光电传感模块5通过串口接线与计算机4通信,计算机4通过USB线控制数字摄像头2拍摄秧盘图像。为获取高对比度的清晰图像,在拍摄区域上安装暗箱3,暗箱3中安装光源1。计算机4开发图像处理软件,完成基于机器视觉和BP神经网络超级杂交稻秧盘秧穴播种量检测。计算机4所开发的图像处理软件完成以下功能:
(1)图像预处理和二值化:计算机通过数字摄像头获取秧盘的RGB图像,需要消除背景噪声影响,然后对图像进行阈值分割,提取种子二值图像。
(2)投影法定位秧盘检测区域和秧穴。
(3)提取种子连通区域及连通区域的形状特征信息:对种子二值图像提取连通区域,对每个连通区域计算其形状特征值,包括面积、周长、形状因子和二阶偏心率,以及连通区域边界的7个不变矩,共11个形状特征。
(4)主成分分析,对连通区域形状特征参数降维。
(5)建立种子连通区域颗粒数检测的BP神经网络:设计BP神经网络结构,包括输入层、隐层及输出层节点数,通过样本训练确立输入输出向量映射关系。
(6)检测每秧穴的播种量。
参见图2,本发明检测方法,其流程包括:
S1、当检测到秧盘到达拍摄区域时,拍摄秧盘图像,获取秧盘的RGB图像。
S2、计算机获取秧盘RGB图像进行预处理和二值化处理:将秧盘RGB图像转化为灰度图像,由于背景噪声和孔洞的存在,运用形态学的腐蚀和膨胀方法去除噪声点和孔洞,使用OSTU自适应阈值法确定分割阈值,对灰度图像进行二值化处理,把种子和土壤背景分离。
S3、利用投影法定位秧盘检测区域和秧穴。定位时,沿水平方向和垂直方向作投影,即像素值的累加,投影图中水平方向和垂直方向最小值的像素坐标确定为秧盘上一条水平或垂直的秧穴边界连线。
投影图中水平方向和垂直方向最小值的像素坐标选择准则如下:如果水平方向和垂直方向投影图上最小值的波谷只有一个,则波谷最小值的中点坐标为秧盘上一条水平或垂直的秧穴边界连线;如果最小值的波谷有多个,则取最小值数量最多的波谷的中点坐标为秧盘上一条水平或垂直的秧穴边界连线,如图3所示。
作为一种优选方案,数字摄像头物理像素为1280像素×720像素,拍摄秧盘视窗为11穴/行×7穴/列,每秧穴大小约为116像素×102像素,选取拍摄视窗中10穴/行×6穴/列为检测区域,假设检测出垂直方向秧穴边界连线的坐标为x,水平方向边界坐标为y,目标检测区域:
[(x-116*n1):(x+116*n2),(y-102*n3):(y+102*n4)]
n1=floor(x/116);n2=floor[(1280-x)/116]
n3=floor(y/102);n4=floor[(720-y)/102]
其中floor为向下取整数,目标检测区域内秧穴边界的连线为:
在垂直方向:
x-116*i,x+116*j,(i=0:n1,j=1:n2)
在水平方向:
y-102*i,y+102*j,(i=0:n3,j=1:n4)
目标检测区域和秧穴定位后如图4所示。
S4、二值图像中每个连通区域的形状在一定程度上反应种子数量,提取二值图像中种子连通区域及连通区域的形状特征参数。每个连通区域的形状特征参数,包括连通区域的面积、周长、形状因子和二阶偏心率,以及连通区域边界的7个不变矩特征,共11个形状特征参数。图5示意了所提取的连通区域具有的几种形状及边界。
S5、对连通区域的11个形状特征参数进行主成分分析,实现特征参数降维。主成分分析是将多个变量通过线性变换以选出较少个数变量,但尽可能多地反映原来变量的一种多元统计分析方法,作为一种优选方案,对11个形状特征参数进行主成分分析,提取前3个主成分分量。
S6、建立种子连通区域颗粒数检测的BP神经网络;再通过BP神经网络对输入向量和输出向量样本集训练,对BP神经网络的阈值和权值进行学习和修正,使BP神经网络实现给定的输入输出映射关系。
对主成分分析得到的主成分进行归一化处理,作输入向量,范围为[0,1]。输出向量的设计按照连通区域颗粒数的种类设计为向量形式,本实施例检测连通区域颗粒数的种类分为:碎米(杂质)、1粒、2粒、3粒、4粒和5粒以上等6种情况,输出向量中“1”的数量代表连通区域的颗粒数,因此输出向量设置具体如下:
0粒(杂质):[0 0 0 0 0];
1粒:[0 0 0 0 1];
2粒:[0 0 0 1 1];
3粒:[0 0 1 1 1];
4粒:[0 1 1 1 1];
5粒以上:[1 1 1 1 1]。
BP神经网络采用三层结构,即输入层、隐层及输出层,输入层节点数为3,隐层节点数为8,输出层节点数为5,隐层神经元的传递函数采用S型正切函数tansig,输出层神经元传递函数采用线性函数purlin。BP神经网络结构可根据实际检测要求灵活改变。通过BP神经网络得到的输出向量,即为所要求取的连通区域颗粒数。
S7、采用BP神经网络检测秧盘的播种量,按“穴粒数”检测思想,即检测秧盘图像每秧穴的播种数量。根据步骤S3所定位的秧盘检测区域和秧穴,从左到右、从上到下依次扫描检测区域内的秧穴。连通区域在秧穴内分布由连通区域的质心坐标决定,本步骤具体如下:
(ⅰ)顺序检测每个秧穴是否存在种子连通区域且该连通区域的质心坐标是否在秧穴里,如果有,计算连通区域的11个形状特征参数,利用BP神经网络检测连通区域种子数量,并记录。
(ⅱ)继续搜索该秧穴是否还有连通区域,如果有返回步骤(ⅰ),如果没有,检测下一个秧穴并返回步骤(ⅰ)。
(ⅲ)按顺序检测所有秧穴的种子数量,输出秧盘中每个秧穴的种子数量,统计分析秧盘播种质量参数,如空穴率、平均播种量(粒/穴)等。
以上所述,仅为本发明优选的实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明公开的范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都属于本发明的保护范围。
Claims (10)
1.基于机器视觉的超级杂交稻穴播量的检测装置,其特征在于,包括摄像头、计算机及红外光电传感模块,红外光电传感模块和摄像头安装在水稻育秧播种流水线上,红外光电传感模块、摄像头分别与计算机连接;当红外光电传感模块检测播种后的水稻秧盘随传送带到达摄像头的拍摄区域时,向计算机输出电平信号,计算机控制摄像头拍摄秧盘图像;
所述计算机对秧盘图像进行二值化处理,用投影法定位秧盘检测区域和秧穴,提取种子连通区域及连通区域的形状特征参数,并对连通区域的形状特征参数的主成分进行分析,对连通区域的形状特征参数降维,然后建立种子连通区域颗粒数检测的BP神经网络,最后采用BP神经网络检测秧盘的播种量。
2.根据权利要求1所述的检测装置,其特征在于,所述检测装置还包括安装在摄像头拍摄区域的暗箱,以及安装在暗箱中的光源。
3.根据权利要求1所述的检测装置,其特征在于,所述连通区域的形状特征包括面积、周长、形状因子和二阶偏心率,以及连通区域边界的7个不变矩。
4.基于机器视觉的超级杂交稻穴播量的检测方法,其特征在于,包括以下步骤:
S1、当检测到秧盘到达拍摄区域时,拍摄秧盘图像;
S2、获取秧盘图像进行二值化处理,把种子和土壤背景分离,得到二值图像;
S3、利用投影法定位秧盘检测区域和秧穴;
S4、提取二值图像中种子连通区域及连通区域的形状特征参数;
S5、对连通区域的形状特征参数进行主成分分析,实现连通区域的形状特征参数降维;
S6、建立种子连通区域颗粒数检测的BP神经网络;
S7、采用BP神经网络检测秧盘的播种量。
5.根据权利要求4所述的检测方法,其特征在于,步骤S2采用腐蚀和膨胀方法去除秧盘图像中的噪声点和孔洞,使用OSTU自适应阈值法确定分割阈值,对秧盘图像进行二值化处理,把种子和土壤背景分离。
6.根据权利要求4所述的检测方法,其特征在于,步骤S3定位时,沿水平方向和垂直方向作投影,投影图中水平方向和垂直方向最小值的像素坐标确定为秧盘上一条水平或垂直的秧穴边界连线。
7.根据权利要求6所述的检测方法,其特征在于,所述投影图中水平方向和垂直方向最小值的像素坐标选择准则如下:如果水平方向和垂直方向投影图上最小值的波谷只有一个,则波谷最小值的中点坐标为秧盘上一条水平或垂直的秧穴边界连线;如果最小值的波谷有多个,则取最小值数量最多的波谷的中点坐标为秧盘上一条水平或垂直的秧穴边界连线。
8.根据权利要求4所述的检测方法,其特征在于,步骤S4所述连通区域的形状特征参数包括连通区域的面积、周长、形状因子和二阶偏心率,以及连通区域边界的7个不变矩特征;步骤S5所述主成分分析是将多个变量通过线性变换以选出较少个数变量。
9.根据权利要求4所述的检测方法,其特征在于,步骤S6建立BP神经网络后,以对主成分分析得到的主成分进行归一化处理后的数据作为输入向量,以连通区域颗粒数的种类作为输出向量,通过BP神经网络对输入向量和输出向量样本集训练,对BP神经网络的阈值和权值进行学习和修正,使BP神经网络实现给定的输入输出映射关系。
10.根据权利要求4所述的检测方法,其特征在于,步骤S6所建立的BP神经网络采用三层结构,即输入层、隐层及输出层,输入层节点数为3,隐层节点数为8,输出层节点数为5,隐层神经元的传递函数采用S型正切函数tansig,输出层神经元传递函数采用线性函数purlin。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410568497.7A CN104392430B (zh) | 2014-10-22 | 2014-10-22 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410568497.7A CN104392430B (zh) | 2014-10-22 | 2014-10-22 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104392430A true CN104392430A (zh) | 2015-03-04 |
CN104392430B CN104392430B (zh) | 2017-06-20 |
Family
ID=52610328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410568497.7A Expired - Fee Related CN104392430B (zh) | 2014-10-22 | 2014-10-22 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104392430B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631884A (zh) * | 2016-01-06 | 2016-06-01 | 上海交通大学 | 农作物穗数田间主动测量装置与方法 |
CN105844632A (zh) * | 2016-03-21 | 2016-08-10 | 华南农业大学 | 基于机器视觉的稻株识别与定位方法 |
CN106373133A (zh) * | 2016-08-31 | 2017-02-01 | 重庆广播电视大学 | 一种基于暗通道去雾算法的农田插秧检测方法及其系统 |
CN107278434A (zh) * | 2017-07-06 | 2017-10-24 | 华南农业大学 | 一种水稻秧盘育秧智能恒量精密播种装置 |
CN107527066A (zh) * | 2017-07-26 | 2017-12-29 | 华南农业大学 | 一种基于嵌入式的杂交稻播种性能检测系统及检测方法 |
CN108323389A (zh) * | 2018-01-18 | 2018-07-27 | 华南农业大学 | 水稻插秧机的插秧秧苗株距与穴秧苗数的检测方法和装置 |
CN109949323A (zh) * | 2019-03-19 | 2019-06-28 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
CN110501065A (zh) * | 2019-07-24 | 2019-11-26 | 南京农业大学 | 基于碰撞特性的杂交水稻裂颖种子检测方法 |
CN110887707A (zh) * | 2019-08-28 | 2020-03-17 | 江苏大学 | 一种谷物收集装置以及基于U-Net网络的谷物含杂破碎状态实时监测系统和方法 |
CN111932551A (zh) * | 2020-07-10 | 2020-11-13 | 华南农业大学 | 一种水稻插秧机的漏插率检测方法 |
CN112102258A (zh) * | 2020-08-28 | 2020-12-18 | 无锡卡尔曼导航技术有限公司 | 一种基于机器视觉的气吸式播种机下种检测方法 |
CN112098275A (zh) * | 2020-09-07 | 2020-12-18 | 华南农业大学 | 一种航空撒播作业质量的快速检测系统及方法 |
CN113850117A (zh) * | 2021-07-13 | 2021-12-28 | 江苏省农业机械试验鉴定站 | 一种水稻插秧机性能检测系统及方法 |
CN116267326A (zh) * | 2023-02-22 | 2023-06-23 | 华南农业大学 | 一种水稻育秧生产线秧盘播种量智能调控装置及方法 |
CN117574280A (zh) * | 2024-01-15 | 2024-02-20 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
-
2014
- 2014-10-22 CN CN201410568497.7A patent/CN104392430B/zh not_active Expired - Fee Related
Non-Patent Citations (5)
Title |
---|
GONG ZHANG等: "Separation of Touching Grain Kernels in an Image by Ellipse Fitting Algorithm", 《BIOSYSTEMS ENGINEERING》 * |
周海波等: "基于LabVIEW的超级稻秧盘播种质量检测技术研究", 《佳木斯大学学报(自然科学版)》 * |
王伟: "基于机器视觉的农产品物料分级检测系统关键技术研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
王辰星等: "基于图像处理的水稻育秧播种质量检测方法的研究", 《云南农业大学学报》 * |
邹修国等: "基于4中不变矩和BP神经网络的稻飞虱分类", 《农业工程学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631884A (zh) * | 2016-01-06 | 2016-06-01 | 上海交通大学 | 农作物穗数田间主动测量装置与方法 |
CN105844632A (zh) * | 2016-03-21 | 2016-08-10 | 华南农业大学 | 基于机器视觉的稻株识别与定位方法 |
CN106373133A (zh) * | 2016-08-31 | 2017-02-01 | 重庆广播电视大学 | 一种基于暗通道去雾算法的农田插秧检测方法及其系统 |
CN106373133B (zh) * | 2016-08-31 | 2019-02-26 | 重庆广播电视大学 | 一种基于暗通道去雾算法的农田插秧检测方法及其系统 |
CN107278434A (zh) * | 2017-07-06 | 2017-10-24 | 华南农业大学 | 一种水稻秧盘育秧智能恒量精密播种装置 |
CN107527066A (zh) * | 2017-07-26 | 2017-12-29 | 华南农业大学 | 一种基于嵌入式的杂交稻播种性能检测系统及检测方法 |
CN108323389A (zh) * | 2018-01-18 | 2018-07-27 | 华南农业大学 | 水稻插秧机的插秧秧苗株距与穴秧苗数的检测方法和装置 |
CN109949323B (zh) * | 2019-03-19 | 2022-12-20 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
CN109949323A (zh) * | 2019-03-19 | 2019-06-28 | 广东省农业科学院农业生物基因研究中心 | 一种基于深度学习卷积神经网络的作物种子净度判断方法 |
CN110501065A (zh) * | 2019-07-24 | 2019-11-26 | 南京农业大学 | 基于碰撞特性的杂交水稻裂颖种子检测方法 |
CN110887707B (zh) * | 2019-08-28 | 2022-03-22 | 江苏大学 | 基于U-Net网络的谷物含杂破碎状态实时监测系统和方法 |
CN110887707A (zh) * | 2019-08-28 | 2020-03-17 | 江苏大学 | 一种谷物收集装置以及基于U-Net网络的谷物含杂破碎状态实时监测系统和方法 |
CN111932551B (zh) * | 2020-07-10 | 2023-06-23 | 华南农业大学 | 一种水稻插秧机的漏插率检测方法 |
CN111932551A (zh) * | 2020-07-10 | 2020-11-13 | 华南农业大学 | 一种水稻插秧机的漏插率检测方法 |
CN112102258A (zh) * | 2020-08-28 | 2020-12-18 | 无锡卡尔曼导航技术有限公司 | 一种基于机器视觉的气吸式播种机下种检测方法 |
CN112098275A (zh) * | 2020-09-07 | 2020-12-18 | 华南农业大学 | 一种航空撒播作业质量的快速检测系统及方法 |
CN113850117A (zh) * | 2021-07-13 | 2021-12-28 | 江苏省农业机械试验鉴定站 | 一种水稻插秧机性能检测系统及方法 |
CN113850117B (zh) * | 2021-07-13 | 2024-05-14 | 江苏省农业机械试验鉴定站 | 一种水稻插秧机性能检测系统及方法 |
CN116267326A (zh) * | 2023-02-22 | 2023-06-23 | 华南农业大学 | 一种水稻育秧生产线秧盘播种量智能调控装置及方法 |
CN116267326B (zh) * | 2023-02-22 | 2024-05-28 | 华南农业大学 | 一种水稻育秧生产线秧盘播种量智能调控装置及方法 |
CN117574280A (zh) * | 2024-01-15 | 2024-02-20 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
CN117574280B (zh) * | 2024-01-15 | 2024-04-16 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104392430B (zh) | 2017-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392430A (zh) | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 | |
Parvathi et al. | Detection of maturity stages of coconuts in complex background using Faster R-CNN model | |
Tellaeche et al. | A new vision-based approach to differential spraying in precision agriculture | |
Altaheri et al. | Date fruit dataset for intelligent harvesting | |
Shrestha et al. | Automatic corn plant population measurement using machine vision | |
CN110472575B (zh) | 一种基于深度学习和计算机视觉的串番茄成熟度检测方法 | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN103177261B (zh) | 一种基于图像识别技术的奶牛产奶量自动计量系统及其图像识别方法 | |
Jin et al. | Design and implementation of anti-leakage planting system for transplanting machine based on fuzzy information | |
CN107316289A (zh) | 基于深度学习和超像素分割的大田稻穗分割方法 | |
Kalampokas et al. | Grape stem detection using regression convolutional neural networks | |
Choudhury et al. | Automated vegetative stage phenotyping analysis of maize plants using visible light images | |
CN103134758A (zh) | 基于多尺度高光谱图像处理的稻叶瘟病抗性鉴定分级方法 | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
Tabb et al. | Automatic segmentation of trees in dynamic outdoor environments | |
Karimi et al. | Development of pixel-wise U-Net model to assess performance of cereal sowing | |
He et al. | Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method | |
Wang et al. | The seedling line extraction of automatic weeding machinery in paddy field | |
Lee et al. | Single-plant broccoli growth monitoring using deep learning with UAV imagery | |
CN103824083B (zh) | 基于叶片完备局部二值特征的Web在线物种识别方法 | |
CN116897668A (zh) | 一种电驱农作物播种施肥控制方法及系统 | |
CN117095153A (zh) | 一种多模态果实感知系统、装置及存储介质 | |
CN116740337A (zh) | 一种红花采摘点识别定位方法及采摘系统 | |
Liang et al. | High-throughput instance segmentation and shape restoration of overlapping vegetable seeds based on sim2real method | |
CN115088566A (zh) | 一种基于水稻栽培系统及其培育方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170620 |