CN105117701A - 基于最大正方形原理的玉米作物行骨架提取方法 - Google Patents
基于最大正方形原理的玉米作物行骨架提取方法 Download PDFInfo
- Publication number
- CN105117701A CN105117701A CN201510516770.6A CN201510516770A CN105117701A CN 105117701 A CN105117701 A CN 105117701A CN 201510516770 A CN201510516770 A CN 201510516770A CN 105117701 A CN105117701 A CN 105117701A
- Authority
- CN
- China
- Prior art keywords
- crop row
- image
- skeleton
- line
- corn
- 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
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 52
- 240000008042 Zea mays Species 0.000 title claims abstract description 51
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 50
- 235000005822 corn Nutrition 0.000 title claims abstract description 50
- 238000000605 extraction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 230000000877 morphologic effect Effects 0.000 claims description 13
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000003628 erosive effect Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 230000010339 dilation Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims 2
- 230000007797 corrosion Effects 0.000 claims 2
- 241000482268 Zea mays subsp. mays Species 0.000 claims 1
- 230000036039 immunity Effects 0.000 abstract 1
- 239000000575 pesticide Substances 0.000 description 11
- 238000011160 research Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000004042 decolorization Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005587 bubbling Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 235000009973 maize Nutrition 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012795 verification 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于最大正方形原理的玉米作物行骨架提取方法，其步骤如下：采集玉米作物行RGB彩色图像；使用改进的过绿灰度化方法对玉米作物行图像进行灰度化处理；对获得的灰度化图像利用中值滤波进行分割处理；对中指滤波后的图像进行二值化操作；对二值化图像进行形态学运算得到作物行轮廓图像；采用最大正方形原理的玉米作物行骨架提取算法处理提取玉米作物行的骨架线；采用常用的随机Hough变换算法获得作物行导航线。本发明能为导航线提供准确的位置信息，且对作物行边缘噪声具有较强的鲁棒性，不仅保持了玉米作物行骨架的单一性和稳定性，而且提取骨架的冗余分支数最少，对背景较复杂的图像也具有很好的适应性和抗干扰性。
Description
技术领域
本发明涉及作物行检测的技术领域，具体涉及一种基于最大正方形原理的玉米作物行骨架提取方法，主要应用于农业机械自动行走或者精准施药机械自动对准的作物行导航线检测方面。
背景技术
在现代精准农业系统的研究中，精准施药技术占据着重要的位置，然而作物行骨架线的提取对施药机械导航信息的获取具有重要的作用。数字图像处理算法在自动识别方面具有很大的优势，是现代精准施药技术的基础和关键技术。以往研究的作物行骨架提取算法虽然在很大程度上拓扑性较强，但针对背景较复杂的对象运用这些算法提取的骨架很难保证其稳定性、像素单一性等特点，且适应性不强，而且农作物生长的不同时期、光照、及作物种类均会对作物行骨架提取的实现造成影响，因此，寻找一种高效率且能够满足多种条件的作物行骨架提取方法是精准施药系统面临的关键问题。
根据以往的研究，农田作物行骨架提取算法一般是以作物行线或者作物沟线为研究对象。早在1967年，Blum就提出了骨架的概念，随后，有关骨架的研究得到了广泛的关注。由最初的文字识别到现在的指纹验证以及车牌和工业零件的检测、医学图像分析等领域。骨架是由一些理想的细线组成的，可以有效的反映出物体形状的连通性或拓扑结构。近年来，国内外学者对骨架提取算法做了大量的研究。Bittle等为了提高骨架点提取的精确度，在计算距离变换的同时，还引入了距离变换的L阶导数变换。贾挺猛等运用Rosenfeld细化算法对葡萄树枝骨架进行了提取，维持了骨架的中心性。吕哲等提出了一种改进的最大圆盘形态学骨架提取算法，保证了骨架曲线的中轴特性。以上这些对骨架线提取的研究虽然在很大程度上拓扑性较强，但针对背景较复杂的对象运用这些算法提取的骨架很难保证其稳定性、像素单一性等特点，因此还需要进一步的研究和实验。
2015年6月30日申请的申请号为2015103642669的中国发明专利申请《基于最小相切圆和形态学原理的作物行检测方法》，利用最小相切圆原理提取中央作物行骨架，很好的连接了植株间的间断区域，但是其运用的形态学细化提取的骨架存在较多的冗余分支，影响导航线拟合的精准度且适应性不强。
发明内容
为了解决上述技术问题，本发明提供了一种基于最大正方形原理的玉米作物行骨架提取方法，运用最大正方形原理提取的作物行骨架分支数少，提取的玉米作物行骨架误差小于5cm，能够满足玉米对行精准施药的需求。
为了达到上述目的，本发明的技术方案是：一种基于最大正方形原理的玉米作物行骨架提取方法，其步骤如下：
S1：采用CCD工业相机和镜头对田间玉米作物行图像进行采集，得到8位玉米作物行RGB彩色图像；
S2：根据获取的RGB彩色图像的特征，使用改进的过绿灰度化方法对玉米作物行图像进行灰度化处理，得到灰度化图像；
S3：对获得的灰度化图像利用中值滤波进行分割处理；
S4：对中指滤波后的图像进行二值化操作，获得二值化图像；
S5：选用形态学中3*3和5*1的模板元素对二值化图像进行形态学运算，得到形态学运算后的作物行轮廓图像；
S6：采用最大正方形原理的玉米作物行骨架提取算法处理作物行轮廓图像，提取玉米作物行的骨架线；
S7：采用常用的随机Hough变换算法对中央作物行骨架进行直线拟合处理，获得作物行导航线。
所述改进的过绿灰度化算法为：，其中，Gr为灰度值；(m，n)为平面坐标系中每个像素的坐标位置；G、R、B分别为RGB彩色模型中的绿色分量、红色分量和蓝色分量的值。
所述中值滤波对灰度化图像进行两次滤波处理。
所述形态学运算包括腐蚀和膨胀操作。
所述最大正方形原理的玉米作物行骨架提取算法的步骤如下：
（1）以二值化图像的中心线为对称轴进行对称性行区域划分；
（2）寻找划分行区域后的作物行图像中像素值为1的邻像素点，找出满足该像素值为1的像素点的最大正方形；
（3）记下满足最大正方形准则的待定骨架点；
（4）计算每个待定骨架点的最大正方形所包含的值为1的像素点的个数；
（5）对每一个待定骨架点自左向右，自下向上进行扫描，比较每一划分的行区域中待定骨架点的最大正方形包含的像素值为1的像素点个数的大小；
（6）保留含最多像素值为1的最大正方形的骨架点为目标骨架点，则目标骨架点的集合为区域作物行的骨架。
所述获得作物行导航线后，利用拟合出的中央作物行线与实际导航线偏差的大小来判断骨架提取的精准度。
本发明为农田玉米作物行骨架线提取提供了一种新方法，在背景分割、作物行骨架线提取和获取中心线偏差信息方面具有一定的优势，能克服作物间断的区域或断垄的地方，提取的作物行骨架线更准确。本发明克服了现有作物行骨架提取方法中像素不单一、适应性不强等缺点，可以满足玉米行精准施药的需求。通过对不同的图像实验得出，本发明可有效地避免土壤、麦茬等背景噪声的影响，能很好地保持作物行骨架的连续性，同时又保持了作物行骨架的单像素特性，并且适应于不同作物及光照条件，为农业精准施药系统导航线的识别奠定了基础。
附图说明
图1为本发明的流程图。
图2（a）是本发明的去色后的玉米田原图；（b）是采用传统的过绿算法处理的灰度图；（c）是本发明的过绿算法处理的结果图像。
图3是本发明中值滤波得到的滤波后的图像。
图4是本发明的二值化后的图像。
图5是本发明两种模板元素的窗口大小图，（a）为5*1线型结构模板元素；（b）为3*3方形结构模板元素。
图6是本发明的形态学滤波处理得到的作物行轮廓图。
图7是本发明中邻像素点和最大正方形的具体原理图，(a)为邻像素点；(b)为一阶最大正方形；(c)为二阶最大正方形。
图8是最大正方形原理的目标骨架点描述。
图9是本发明（a）采用对称性原理划分的行区域结果图像；(b)采用最大正方形原理的骨架提取算法得到的结果图像。
图10是本发明的作物行中心线拟合成直线后的偏差大小图像。
具体实施方式
下面通过附图和实施例具体描述一下本发明。
如图1所示，一种基于最大正方形原理的玉米作物行骨架提取方法，其步骤如下：
S1：采用CCD工业相机对田间玉米作物行图像进行采集，得到8位玉米作物行RGB彩色图像。
采用维视数字图像技术有限公司生产的型号为MV-VD030SC的CCD工业相机和AFT-0814MP镜头采集玉米田图像，拍摄时间为2015年7月，图片输出为8位RGB彩色图像，去色后的黑白图像如图2(a)所示。将RGB彩色图像保存在电脑程序中，保存方式为BMP格式。用于对玉米作物行图像进行处理的计算机配置为Intel(R)Core(TM)i3，3.1GHz，2G内存，并在MicrosoftVisualC++6.0下的MFC应用程序框架下进行研究和开发。
S2：根据获取的RGB彩色图像的特征，使用改进的过绿灰度化方法对玉米作物行图像进行灰度化处理，得到灰度化图像。
对传统的过绿灰度化方法Gray=2G-R-B进行改善，得到改进的过绿灰度化方法为：
，其中，Gr为灰度值；(m，n)为平面坐标系中每个像素的坐标位置；G、R、B分别为RGB彩色模型中的绿色分量、红色分量和蓝色分量的值。
传统的过绿灰度化方法处理的RGB彩色图像如图2(b)所示，利用上述改进的过绿灰度化方法得到的灰度图像，在程序界面上显示如图2(c)所示。由图2(b)和图2(c)实验结果对比表明，利用改进后的过绿灰度化方法得到的灰度化图像的作物行和背景的分割更加明显，行间背景噪声明显减少，为后续进行中值滤波操作节省了大量的时间。
S3：对获得的灰度化图像利用中值滤波进行分割处理。
本文选取3*3大小的模板数组窗口对灰度化图像进行中值滤波，并采用冒泡法对数组进行排序后返回数组元素的中值。经2次相同的滤波操作后的灰度图像如图3所示。由图3可知，滤波处理的灰度化图像原有的噪声基本去除，满足了后续对作物行处理的需求。
S4：对中指滤波后的图像进行二值化操作，获得二值化图像。
采用阈值分割法对滤波后的玉米作物行灰度图进行二值化处理，得到二值图像。本发明采用的阈值分割法的基本原理是通过设定不同的特征阈值，把图像像素点分为两部分，从而对图像进行二值化处理。采取设定阈值的分割算法，其实现简单、性能稳定、计算量小、节约了处理时间。通过实验验证，当阈值设定为190时，二值化后的图像具有较好的分割效果，处理后可得到清晰的二值化图像。当阈值设定为190时，二值化图像如图4所示。由图4可知，经二值化处理后的玉米作物行图像与滤波后的图像相比，玉米作物行的信息更加明显，由于形态学算法只能处理二值图像，所以进行二值化处理是后续进行腐蚀和膨胀运算的基础。
S5：选用形态学中3*3和5*1的模板元素对二值化图像进行形态学运算，得到形态学运算后的作物行轮廓图像。
由图4可知，二值化图像行间有许多小噪声，作物行上也有少许小孔噪声。但是这些噪声相对于作物行的面积较小，因此采用形态学中5*1和3*3两种模板元素分别进行腐蚀和膨胀运算滤除噪声，3*3的模板元素和5*1模板元素的窗口大小如图5所示，（a）为5*1线型结构模板元素，（b）为3*3方形结构模板元素。操作顺序为先利用全1的3*3方形结构模板元素进行3次腐蚀操作，再利用全1的5*1线型结构模板元素进行4次膨胀操作，最后再利用全1的3*3方形结构模板元素进行2次腐蚀操作，得到玉米作物行轮廓图，如图6所示。由如图6可知，形态学运算后得到的是玉米作物行的轮廓图像，该轮廓图像与图4中二值化图像的作物行轮廓相符。
S6：采用最大正方形原理的玉米作物行骨架提取算法处理作物行轮廓图像，提取玉米作物行的骨架线。
为了提取作物行的骨架信息，采用最大正方形原理的玉米作物行骨架提取算法得到玉米作物行的骨架线，其步骤如下：
（1）以二值化图像的中心线为对称轴进行对称性行区域划分，即以二值化后的作物行图像中心线为对称轴；
（2）寻找划分行区域后的作物行图像中像素值为1的邻像素点，找出满足该像素值为1的像素点的最大正方形；
（3）记下满足最大正方形准则的待定骨架点；
（4）计算每个待定骨架点的最大正方形所包含的值为1的像素点的个数；
（5）对每一个待定骨架点自左向右，自下向上进行扫描，比较每一划分的行区域中待定骨架点的最大正方形包含的像素值为1的像素点个数的大小；
（6）保留含最多像素值为1的最大正方形的骨架点为目标骨架点，则目标骨架点的集合为区域作物行的骨架。
对于具体的邻像素点，最大正方形原理描述如图7所示。假设O为目标像素，定义O1，O2，O3…O8为目标像素O的一阶邻像素点，依次类推，O9…O24为其二阶邻像素点，如图7(a)示。当目标像素O周围的一阶邻像素点（即O1到O8）不全为值1时，那么由一阶邻像素构成的正方形为目标像素O的最大正方形，如图7(b)示；如果当目标像素O周围的一阶邻像素点全为1时，就继续搜寻二阶邻像素点（即O9到O24），如果二阶邻像素点中有不全为1的像素点，那么由该二阶邻像素围成的正方形即为目标像素O的最大正方形，如图7(c)所示；而若所有二阶邻像素点全为1，则继续搜寻下一阶邻像素点，即三阶邻像素，直到找到不全为1的邻像素点。满足上面条件的像素点O即为待定的骨架点。
对于具体的像素，目标骨架点的具体描述如图8所示。以第2行像素点为例对利用最大正方形原理对目标骨架点提取进行具体描述。该行有3个目标像素，由左向右观察可知，第一个目标像素的一阶邻像素不全为1，则该目标像素包含邻像素点为1的个数为6个；而由于第二个目标像素的一阶邻像素全为1，需继续寻找下一阶邻像素，即二阶邻像素，该二阶邻像素包含的像素点为1的个数为16个；同样地，第三个目标像素的一阶邻像素不全为1，且包含的像素点为1的个数为7个。那么这三个像素点即为待定骨架点。由待定骨架点所包含的像素点为1的总数的大小确定目标骨架点。经比较发现，第二个目标像素包含的像素点为1的个数最多即为所找的目标骨架点。
以二值化后的作物行图像中心线为对称轴，区域划分图如图9（a）所示，利用最大正方形原理的骨架提取后的到的结果图像如图9（b）所示。进行区域划分减小了每行待定骨架点中含有的邻像素点比较的范围，节约了处理时间。
S7：采用常用的随机Hough变换算法对中央作物行骨架进行直线拟合处理，获得作物行导航线。
为了验证该算法的准确度，一般采用常用的随机Hough变换算法对中央作物行骨架进行直线拟合处理，常用的随机Hough变换算法的基本原理在于利用点与线的对偶性，将图像空间中共线的点转换到参数空间里相交的线，通过在参数空间里进行简单的累加统计，然后在Hough参数空间寻找累加器峰值的方法检测直线。其方法如下：Hough变换检测直线的极坐标映射关系表示为：
其中，表示直线与图像空间中原点的距离，表示直线法线与x轴的夹角。（，）表示参数空间的坐标，（x，y)为图像空间的坐标。在图像空间中随机选择两个点（x i ，y i ）和(x j ，y j )代入上式得到参数空间的一点，然后在参数空间里进行累加统计，依次进行这样的操作，当参数空间的累加器达到峰值时即检测出直线。
获得作物行导航线后，利用拟合出的中央作物行线与实际导航线偏差的大小来判断骨架提取的精准度。依据世界坐标系与图像坐标系的变换关系可以得到所对应的偏差大小。判断方法如下：假设图像的分辨率为S*N，图像拍摄区域的大小为K*L，则田间实际拍摄区域的宽度与图像像素间的关系为Z=S/K，依据图像中心和作物行中心的像素偏差与喷头对应的相机的位置信息就可以得出图像像素所对应的实际地理偏差。
利用本发明的方法对中心线拟合，如图10所示，中心线拟合的偏差与原来的理论值相差2cm，提取的玉米作物行骨架误差小于5cm，能够满足玉米行精准施药的需求。本发明能为导航线提供准确的位置信息，且对作物行边缘噪声具有较强的鲁棒性，不仅保持了玉米作物行骨架的单一性和稳定性，而且提取骨架的冗余分支数最少，对背景较复杂的图像也具有很好的适应性和抗干扰性。对进一步研究精准施药提供了参考依据，可满足农业机械的对行行走。
因此，本发明克服了现有作物行骨架提取方法中像素不单一性、适应性不强等缺点，可以满足玉米行精准施药的需求。通过对不同的图像实验得出，本发明可有效地避免土壤、麦茬等背景噪声的影响，能很好地保持作物行骨架的连续性，同时又保持了作物行骨架的单像素特性，并且适应于不同作物及光照条件，为农业精准施药系统导航线的识别奠定了基础。
以上所述，仅为本发明较佳的具体实施方式，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揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于最大正方形原理的玉米作物行骨架提取方法，其特征在于，其步骤如下：
S1：采用CCD工业相机和镜头对田间玉米作物行图像进行采集，得到8位玉米作物行RGB彩色图像；
S2：根据获取的RGB彩色图像的特征，使用改进的过绿灰度化方法对玉米作物行图像进行灰度化处理，得到灰度化图像；
S3：对获得的灰度化图像利用中值滤波进行分割处理；
S4：对中值滤波后的图像进行二值化操作，获得二值化图像；
S5：选用形态学中3*3和5*1的模板元素对二值化图像进行形态学运算，得到形态学运算后的作物行轮廓图像；
S6：采用最大正方形原理的玉米作物行骨架提取算法处理作物行轮廓图像，提取玉米作物行的骨架线；
S7：采用常用的随机Hough变换算法对中央作物行骨架进行直线拟合处理，获得作物行导航线。
2.根据权利要求1所述的基于最大正方形原理的玉米作物行骨架提取方法，其特征在于，所述改进的过绿灰度化方法为：
，其中，Gr为灰度值；(m，n)为平面坐标系中每个像素的坐标位置；G、R、B分别为RGB彩色模型中的绿色分量、红色分量和蓝色分量的值。
3.根据权利要求2所述的基于最大正方形原理的玉米作物行骨架提取方法，其特征在于，所述中值滤波对灰度化图像进行两次滤波处理。
4.根据权利要求3所述的基于最大正方形原理的玉米作物行骨架提取方法，其特征在于，所述形态学运算包括腐蚀和膨胀操作。
5.根据权利要求4所述的基于最大正方形原理的玉米作物行骨架提取方法，其特征在于，所述得到作物行轮廓图像的方法是：利用全1的3*3方形结构模板元素对二值化图像进行3次腐蚀操作；利用全1的5*1线型结构模板元素进行4次膨胀操作；再利用全1的3*3方形结构模板元素进行2次腐蚀操作，得到玉米作物行轮廓图。
6.根据权利要求1至5中任一项所述的基于最大正方形原理的玉米作物行骨架提取方法，其特征在于，所述最大正方形原理的玉米作物行骨架提取算法的步骤如下：
（1）以二值化图像的中心线为对称轴进行对称性行区域划分；
（2）寻找划分行区域后的作物行图像中像素值为1的邻像素点，找出满足该像素值为1的像素点的最大正方形；
（3）记下满足最大正方形准则的待定骨架点；
（4）计算每个待定骨架点的最大正方形所包含的值为1的像素点的个数；
（5）对每一个待定骨架点自左向右，自下向上进行扫描，比较每一划分的行区域中待定骨架点的最大正方形包含的像素值为1的像素点个数的大小；
（6）保留含最多像素值为1的最大正方形的骨架点为目标骨架点，则目标骨架点的集合为区域作物行的骨架。
7.根据权利要求6所述的基于最大正方形原理的玉米作物行骨架提取方法，其特征在于，所述获得作物行导航线后，利用拟合出的中央作物行线与实际导航线偏差的大小来判断骨架提取的精准度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510516770.6A CN105117701B (zh) | 2015-08-21 | 2015-08-21 | 基于最大正方形原理的玉米作物行骨架提取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510516770.6A CN105117701B (zh) | 2015-08-21 | 2015-08-21 | 基于最大正方形原理的玉米作物行骨架提取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105117701A true CN105117701A (zh) | 2015-12-02 |
| CN105117701B CN105117701B (zh) | 2018-06-15 |
Family
ID=54665684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510516770.6A Active CN105117701B (zh) | 2015-08-21 | 2015-08-21 | 基于最大正方形原理的玉米作物行骨架提取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105117701B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105987684A (zh) * | 2015-12-18 | 2016-10-05 | 中国科学院合肥物质科学研究院 | 一种基于单目视觉的农业车辆导航线检测系统及方法 |
| CN105989601A (zh) * | 2015-12-30 | 2016-10-05 | 安徽农业大学 | 基于机器视觉的农业agv玉米行间导航基准线提取方法 |
| CN108596917A (zh) * | 2018-04-19 | 2018-09-28 | 湖北工业大学 | 一种目标主骨架线提取方法 |
| CN109190452A (zh) * | 2018-07-09 | 2019-01-11 | 北京农业智能装备技术研究中心 | 作物行识别方法及装置 |
| CN109522901A (zh) * | 2018-11-27 | 2019-03-26 | 中国计量大学 | 一种基于边缘对偶关系的番茄植株茎秆边缘识别方法 |
| CN109829465A (zh) * | 2019-01-03 | 2019-05-31 | 上海交通大学 | 一种搜寻对虾最佳吸取位置和识别尾肢特征的方法 |
| CN109949245A (zh) * | 2019-03-25 | 2019-06-28 | 长沙智能驾驶研究院有限公司 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
| CN113450402A (zh) * | 2021-07-16 | 2021-09-28 | 天津理工大学 | 用于蔬菜大棚巡检机器人的导航中心线提取方法 |
| CN114266784A (zh) * | 2021-12-21 | 2022-04-01 | 浙江大学 | 基于线型掩膜扫描寻界的田间作物行区域实例分割方法 |
| CN114494888A (zh) * | 2022-02-18 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 一种无人机影像中机播小麦苗期断垄自动监测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361330A (zh) * | 2014-12-01 | 2015-02-18 | 郑州轻工业学院 | 一种玉米精准施药系统的作物行识别方法 |
-
2015
- 2015-08-21 CN CN201510516770.6A patent/CN105117701B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104361330A (zh) * | 2014-12-01 | 2015-02-18 | 郑州轻工业学院 | 一种玉米精准施药系统的作物行识别方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张田文: "线性四元树中轴变换", 《计算机学报》 * |
| 毛以芳等: "室内复杂背景下人体骨架的提取", 《西华大学学报》 * |
| 赵春江等: "具有鲁棒性的图像骨架提取方法", 《计算机应用》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105987684A (zh) * | 2015-12-18 | 2016-10-05 | 中国科学院合肥物质科学研究院 | 一种基于单目视觉的农业车辆导航线检测系统及方法 |
| CN105989601A (zh) * | 2015-12-30 | 2016-10-05 | 安徽农业大学 | 基于机器视觉的农业agv玉米行间导航基准线提取方法 |
| CN105989601B (zh) * | 2015-12-30 | 2021-02-05 | 安徽农业大学 | 基于机器视觉的农业agv玉米行间导航基准线提取方法 |
| CN108596917A (zh) * | 2018-04-19 | 2018-09-28 | 湖北工业大学 | 一种目标主骨架线提取方法 |
| CN109190452A (zh) * | 2018-07-09 | 2019-01-11 | 北京农业智能装备技术研究中心 | 作物行识别方法及装置 |
| CN109522901A (zh) * | 2018-11-27 | 2019-03-26 | 中国计量大学 | 一种基于边缘对偶关系的番茄植株茎秆边缘识别方法 |
| CN109829465B (zh) * | 2019-01-03 | 2023-03-24 | 上海交通大学 | 一种搜寻对虾最佳吸取位置和识别尾肢特征的方法 |
| CN109829465A (zh) * | 2019-01-03 | 2019-05-31 | 上海交通大学 | 一种搜寻对虾最佳吸取位置和识别尾肢特征的方法 |
| CN109949245A (zh) * | 2019-03-25 | 2019-06-28 | 长沙智能驾驶研究院有限公司 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
| CN109949245B (zh) * | 2019-03-25 | 2021-04-16 | 长沙智能驾驶研究院有限公司 | 十字激光检测定位方法、装置、存储介质及计算机设备 |
| CN113450402A (zh) * | 2021-07-16 | 2021-09-28 | 天津理工大学 | 用于蔬菜大棚巡检机器人的导航中心线提取方法 |
| CN113450402B (zh) * | 2021-07-16 | 2022-12-13 | 天津理工大学 | 用于蔬菜大棚巡检机器人的导航中心线提取方法 |
| CN114266784A (zh) * | 2021-12-21 | 2022-04-01 | 浙江大学 | 基于线型掩膜扫描寻界的田间作物行区域实例分割方法 |
| CN114266784B (zh) * | 2021-12-21 | 2024-12-03 | 浙江大学 | 基于线型掩膜扫描寻界的田间作物行区域实例分割方法 |
| CN114494888A (zh) * | 2022-02-18 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 一种无人机影像中机播小麦苗期断垄自动监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105117701B (zh) | 2018-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105117701B (zh) | 基于最大正方形原理的玉米作物行骨架提取方法 | |
| CN105021196B (zh) | 基于最小相切圆和形态学原理的作物行检测方法 | |
| CN104361330B (zh) | 一种玉米精准施药系统的作物行识别方法 | |
| CN111640157B (zh) | 一种基于神经网络的棋盘格角点检测方法及其应用 | |
| CN104268583B (zh) | 基于颜色区域特征的行人重识别方法及系统 | |
| CN103077384B (zh) | 一种车标定位识别的方法与系统 | |
| CN106296725B (zh) | 运动目标实时检测与跟踪方法及目标检测装置 | |
| CN110415208B (zh) | 一种自适应目标检测方法及其装置、设备、存储介质 | |
| CN101750051A (zh) | 一种视觉导航的多作物行检测方法 | |
| CN111784597B (zh) | 一种植保机器人自主导航路径检测方法及服务器、存储介质 | |
| CN110136159B (zh) | 面向高分辨率遥感影像的线段提取方法 | |
| CN103530606B (zh) | 一种杂草环境下的农机导航路径提取方法 | |
| CN112861654B (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
| CN103870808A (zh) | 一种手指静脉识别方法 | |
| CN103914836B (zh) | 基于机器视觉的农田机械导航线提取算法 | |
| CN107066952A (zh) | 一种车道线检测方法 | |
| CN103218605A (zh) | 一种基于积分投影与边缘检测的快速人眼定位方法 | |
| CN103646249A (zh) | 一种温室智能移动机器人视觉导航路径识别方法 | |
| CN103258201A (zh) | 一种融合全局和局部信息的表格线提取方法 | |
| CN104091175B (zh) | 一种基于Kinect深度信息获取技术的害虫图像自动识别方法 | |
| CN101751571B (zh) | 一种实用的二值文档图像倾斜角度检测方法 | |
| CN104463120B (zh) | 基于二叉树的手指静脉识别方法 | |
| CN105138990A (zh) | 一种基于单目摄像头的手势凸包检测与掌心定位方法 | |
| CN107423735A (zh) | 一种利用水平梯度和饱和度的车牌定位算法 | |
| CN108765456B (zh) | 基于直线边缘特征的目标跟踪方法、系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB03 | Change of inventor or designer information |
Inventor after: Diao Zhihua Inventor after: Wang Zicheng Inventor after: Wu Yuanyuan Inventor after: Qian Xiaoliang Inventor after: Chen Zhiwu Inventor after: Luo Yawen Inventor after: Wu Beibei Inventor after: Wei Yuquan Inventor after: Diao Chunying Inventor before: Diao Zhihua Inventor before: Wang Zicheng Inventor before: Wu Yuanyuan Inventor before: Qian Xiaoliang Inventor before: Chen Zhiwu Inventor before: Wu Beibei Inventor before: Wei Yuquan Inventor before: Diao Chunying |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant |