CN105469020B - 一种杂草定位喷除系统及其定位喷除方法 - Google Patents
一种杂草定位喷除系统及其定位喷除方法 Download PDFInfo
- Publication number
- CN105469020B CN105469020B CN201410452183.0A CN201410452183A CN105469020B CN 105469020 B CN105469020 B CN 105469020B CN 201410452183 A CN201410452183 A CN 201410452183A CN 105469020 B CN105469020 B CN 105469020B
- Authority
- CN
- China
- Prior art keywords
- weeds
- image
- spraying
- crops
- field
- 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
Landscapes
- Guiding Agricultural Machines (AREA)
- Catching Or Destruction (AREA)
Abstract
一种杂草定位喷除系统及其定位喷除方法,该杂草定位喷除系统包括:杂草定位装置,包括壳体及安装在所述壳体内的图像采集模块、喷头控制板和数据处理模块,所述图像采集模块与所述数据处理模块连接,所述数据处理模块与所述喷头控制板连接;喷头装置,包括喷头、电磁阀和喷杆连接机构,所述喷头与所述电磁阀连接并通过所述喷杆连接机构与喷药机的喷药管连接固定。该杂草定位喷除方法包括杂草定位,通过分析农作物的图像信息,根据该农作物的不变矩特征分析识别田间农作物,将该田间农作物区域以外的绿色植物均定位并标记为杂草;结果输出,根据标记的杂草信息输出控制指令;以及对靶喷药,根据该控制指令对杂草进行对靶喷药予以喷除。
Description
技术领域
本发明涉及一种杂草定位系统及其定位方法,特别是一种能自动分析识别田间作物从而实现对杂草准确定位的智能杂草定位喷除系统及其定位喷除方法。
背景技术
精准农业是21世纪农业发展的一个重要方向,将推动粗放型传统农业向精细型现代农业转变。农田杂草是农业生产的大敌,也是困扰农作物生长的基本问题之一。因此,如何快速、准确地自动获取农田杂草信息,成为杂草精准控制技术所面临的首要问题,也是制约其实现的瓶颈。
现有技术中尚未有应用于田间实际作业中的成熟杂草定位系统,而且田间杂草种类较多,如果需要准确的定位识别出每一种杂草也是不现实的。因此,如何自动分析识别田间作物,从而实现对杂草的准确定位,是本领域亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术中的上述问题,提供一种能自动分析识别田间作物从而实现对杂草准确定位喷除的杂草定位喷除系统及其定位喷除方法。
为了实现上述目的,本发明提供了一种杂草定位喷除方法,用于农作物的田间杂草定位及喷除,其中,包括以下步骤:
S100,杂草定位,通过分析农作物的图像信息,根据该农作物的不变矩特征分析识别田间农作物,将该田间农作物区域以外的绿色植物均定位并标记为杂草;
S200,结果输出,根据标记的杂草信息输出控制指令;以及
S300,对靶喷药,根据该控制指令对杂草进行对靶喷药予以喷除。
上述的杂草定位喷除方法,其中,所述步骤S100进一步包括:
S101,图像采集,实时采集田间图像信息;
S102,图像处理,利用2G-R-B超绿模型灰度化所述步骤S101采集的田间图像,并将该灰度化的田间图像用OTSU自动阈值法二值化处理;
S103,模板特征提取,对所述二值化处理的田间图像利用n*n模板进行特征提取,计算出该模板对应的不变矩值,采用扩展HU不变矩,得到6个不变矩特征值;
S104,特征匹配,对所述6个HU不变矩特征值利用最临近分类器法与预存的该田间作物的HU不变矩值进行特征匹配;以及
S105,作物定位,对所述步骤S104的匹配结果认定为杂草的对应图像进行标记。
上述的杂草定位喷除方法,其中,所述步骤S100还包括:
S106,图像遍历,对所述步骤S102二值化处理的田间图像从该田间图像的左上角开始从左到右、从上到下按顺序遍历,重复所述步骤S103至步骤S105,直到所有图像均被遍历一边为止。
上述的杂草定位喷除方法,其中,所述步骤S102中用OTSU自动阈值法二值化处理该灰度化的田间图像包括:
设该灰度化的田间图像灰度级是L,则其灰度范围为[0,L-1],利用OTSU算法计算该田间图像的最佳阈值为:
t=Max[w0(t)*(u0(t)-u)2+w1(t)*(u1(t)-u)2)],
其中,当分割的阈值为t时,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,使以上表达式值最大的t,即为分割该田间图像的最佳阈值。
上述的杂草定位喷除方法,其中,在所述步骤S103中所述6个不变矩特征值的计算进一步包括:
S1031,采用离散情况下的不变矩,积分用求和代替,p+q(p、q为任意非负整数)阶几何矩mpq定义为:
式中f(x,y)为图像的灰度,x,y为图像坐标;
S1032,定义p+q阶中心矩为:
式中是图像的重心坐标,其中
归一化的中心距定义为:
采用满足平移、旋转、比例不变的p+q≤3的7个不变矩,其公式如下:
通过(3)与(4)式计算出满足平移、旋转不变的新的不变矩;以及
S1033,扩展HU不变矩
关于同一物体的两幅在对比度、比例、位置和旋转上都有差别的图像f1(x,y)和f2(x',y'),其相互关系可用下式表示:
其中,k是对比度变化因子,C是比例变化因子,θ是旋转角,(a,b)分别是x方向和y方向上的位移,使用式(4),分别对f1(x,y)和f2(x',y')计算出七个度量值,并使用变换公式(5),进行变换组合后,得出一组具有对比度、比例、平移和旋转不变性的扩展HU不变矩:
将β1,β2,β3,β4,β5,β6作为作物的不变性特征,计算出所述n*n模板的6个不变矩特征值。
上述的杂草定位喷除方法,其中,所述步骤S104中,进一步包括:
S1041,在实时采集的所述田间图像中提取出具有代表性的单独叶片,利用所述公式(6)计算该单独叶片的6个HU不变矩特征值并作为该田间作物的HU不变矩值预存;以及
S1042,采用最临近分类器法进行匹配,将预存的该田间作物的HU不变矩值与步骤S103计算的n*n模板的6个不变矩特征值通过公式(7)进行计算:
其中,d(X,Y)为两个点X=(x1,x2,...,xn)和Y=(y1,y2,...,yn)的欧几里德距离,X,Y分别代表n维空间的一个点。
为了更好地实现上述目的,本发明还提供了一种杂草定位喷除系统,用于农作物的田间杂草定位及喷除,其中,包括:
杂草定位装置,包括壳体及安装在所述壳体内的图像采集模块、喷头控制板和数据处理模块,所述图像采集模块与所述数据处理模块连接,所述数据处理模块与所述喷头控制板连接,所述数据处理模块通过分析所述图像采集模块采集的农作物的图像信息,根据该农作物的不变矩特征分析识别田间农作物,将该田间农作物区域以外的绿色植物均定位并标记为杂草,并根据标记的杂草信息向所述喷头控制板输出控制指令;以及
喷头装置,与所述杂草定位装置连接,该喷头装置包括喷头、电磁阀和喷杆连接机构,所述喷头与所述电磁阀连接并通过所述喷杆连接机构与喷药机的喷药管连接固定,所述喷头控制板根据所述控制指令控制所述电磁阀的开闭以实现所述喷头的对靶喷药。
上述的杂草定位喷除系统,其中,所述喷杆连接机构包括喷头过渡块、电磁阀安装板、喷杆连接块和紧固件,所述喷头过渡块与所述电磁阀安装板的一端连接,所述喷头安装在所述喷头过渡块上,所述喷杆连接块与所述电磁阀安装板的另一端连接,所述电磁阀安装在所述电磁阀安装板的顶面上,所述紧固件与所述喷杆连接块连接并将所述喷杆连接块与所述喷药机的喷药管连接固定。
上述的杂草定位喷除系统,其中,所述图像采集模块包括摄像头和LED光源板,所述摄像头与所述LED光源板连接,所述LED光源板安装在所述壳体的上盖上。
本发明的技术效果在于:
本发明由杂草定位装置、线缆和智能喷头等组成的智能杂草定位喷除系统,可根据作物的不变矩特征自动分析识别田间作物,然后把作物区域以外的绿色植物均认定为杂草,从而实现对杂草的准确定位及喷除。该杂草定位系统可直接安装于喷药机上,能够检测小麦、玉米和大豆等主要作物的田间杂草;具有杂草定位及喷除功能,可实现精准对靶变量喷药;可实现单个喷头的自动开闭控制;还可配备LED光源,以用于夜晚作业。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为本发明一实施例的杂草定位系统结构示意图;
图2A为本发明一实施例的杂草定位装置结构示意图;
图2B为图2A的主视图;
图2C为图2B的俯视图;
图2D为图2B的左视图;
图3A为本发明一实施例的喷头装置主视图;
图3B为图3A的俯视图;
图4为本发明一实施例的杂草定位方法流程图。
其中,附图标记
1 杂草定位装置
11 壳体
111 上盖
112 下盖
12 图像采集模块
121 摄像头
122 LED光源板
13 喷头控制板
14 数据处理模块
15 安装支架
2 线缆
3 喷头装置
31 喷头
32 电磁阀
33 喷杆连接机构
331 喷头过渡块
332 电磁阀安装板
333 喷杆连接块
334 紧固件
S101-S200 步骤
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述:
参见图1,图1为本发明一实施例的杂草定位系统结构示意图。本发明的杂草定位喷除系统,用于农作物的田间杂草定位及喷除,包括:
杂草定位装置1和喷头装置3,该杂草定位装置1和喷头装置3可通过线缆2连接,其中,参见图2A-2D,图2A为本发明一实施例的杂草定位装置结构示意图,图2B为图2A的主视图,图2C为图2B的俯视图,图2D为图2B的左视图,该杂草定位装置1包括壳体11及安装在所述壳体11内的图像采集模块12、喷头控制板13和数据处理模块14,所述图像采集模块12与所述数据处理模块14连接,所述数据处理模块14与所述喷头控制板13连接,所述数据处理模块14通过分析所述图像采集模块12采集的农作物的图像信息,根据该农作物的不变矩特征分析识别田间农作物,将该田间农作物区域以外的绿色植物均定位并标记为杂草,并根据标记的杂草信息向所述喷头控制板13输出控制指令。
参见图3A、3B,图3A为本发明一实施例的喷头装置主视图,图3B为图3A的俯视图,该喷头31装置3包括喷头31、电磁阀32和喷杆连接机构33,所述喷头31与所述电磁阀32连接并通过所述喷杆连接机构33与喷药机的喷药管连接固定,所述喷头控制板13根据所述控制指令控制所述电磁阀32的开闭以实现所述喷头31的对靶喷药。
本实施例中,所述喷杆连接机构33包括喷头过渡块331、电磁阀安装板332、喷杆连接块333和紧固件334,所述喷头过渡块331与所述电磁阀安装板332的一端侧面连接,所述喷头31安装在所述喷头过渡块331上,所述喷杆连接块333与所述电磁阀安装板332的另一端侧面连接,所述电磁阀32安装在所述电磁阀安装板332的顶面上,所述紧固件334与所述喷杆连接块333连接并将所述喷杆连接块333与所述喷药机的喷药管连接固定。
本实施例中,所述图像采集模块12包括摄像头121和LED光源板122,所述摄像头121与所述LED光源板122连接,该壳体11包括相互扣合的上盖111和下盖112,所述LED光源板122安装在所述壳体11的上盖111上,喷头控制板13与所述上盖111连接,数据处理模块14与所述下盖112连接,安装支架15与所述上盖111连接,安装支架15可直接固定于喷药机的喷杆支架上。
下面对该杂草定位喷除系统所采用的杂草定位喷除方法予以详细说明。参见图4,图4为本发明一实施例的杂草定位方法流程图。本发明的杂草定位喷除方法,用于农作物的田间杂草定位及喷除,包括以下步骤:
步骤S100,杂草定位,通过分析农作物的图像信息,根据该农作物的不变矩特征分析识别田间农作物,将该田间农作物区域以外的绿色植物均定位并标记为杂草;
步骤S200,结果输出,根据标记的杂草信息输出控制指令;以及
步骤S300,对靶喷药,根据该控制指令对杂草进行对靶喷药予以喷除。
其中,所述步骤S100进一步包括:
步骤S101,图像采集,通过所述摄像头121实时采集田间图像信息;
步骤S102,图像处理,利用2G-R-B超绿模型灰度化所述步骤S101采集的田间图像,并将该灰度化的田间图像用OTSU自动阈值法二值化处理;
步骤S103,模板特征提取,对所述二值化处理的田间图像利用n*n模板进行特征提取,本实施例中,优选采用16*16模板,计算出该模板对应的不变矩值,采用扩展HU不变矩,得到6个不变矩特征值;
步骤S104,特征匹配,对所述6个HU不变矩特征值利用最临近分类器法与预存的该田间作物的HU不变矩值进行特征匹配;以及
步骤S105,作物定位,对所述步骤S104的匹配结果认定为杂草的对应图像进行标记。
其中,所述步骤S100还可包括:
步骤S106,图像遍历,对所述步骤S102二值化处理的田间图像从该田间图像的左上角开始从左到右、从上到下按顺序遍历,重复所述步骤S103至步骤S105,直到所有图像均被遍历一边为止。
其中,所述步骤S102中用2G-R-B超绿模型灰度化田间图像的基本原理为:
田间采集的彩色图像中每一个像素点均包含R、G、B三个分量值,超绿模型即是对每一像素点的这三个分量值利用数学公式2G-R-B进行计算,从而可以较好地将绿色植物区域从背景中区分出来。
其中,所述步骤S102中用OTSU自动阈值法二值化处理该灰度化的田间图像具体包括:
设该灰度化的田间图像灰度级是L,则其灰度范围为[0,L-1],利用OTSU算法计算该田间图像的最佳阈值为:
t=Max[w0(t)*(u0(t)-u)2+w1(t)*(u1(t)-u)2)],
其中,当分割的阈值为t时,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,使以上表达式值最大的t,即为分割该田间图像的最佳阈值。
其中,在所述步骤S103中所述6个不变矩特征值的计算进一步包括:
步骤S1031,对于数字图像,采用离散情况下的不变矩,积分用求和代替,p+q(p、q为任意非负整数)阶几何矩mpq定义为:
式中f(x,y)为图像的灰度,x,y为图像坐标;
步骤S1032,由于mpq不具有平移不变性,因此定义p+q阶中心矩为:
式中是图像的重心坐标,其中
归一化的中心距定义为:
这种几何矩与中心矩可用于描述区域的形状,但是都不具有不变性,因此Hu提出了p+q≤3的7个不变矩,它们满足平移、旋转、比例不变的条件,采用满足平移、旋转、比例不变的p+q≤3的7个不变矩,其公式如下:
通过(3)与(4)式计算出满足平移、旋转不变的新的7个不变矩,经证明,这7个不变矩满足平移、旋转不变的条件,但不满足比例不变的条件;
步骤S1033,扩展HU不变矩
离散情况下的不变矩不满足比例不变的条件,而且在实际应用中还存在对比度上的差别。为了推导出更一般的不变矩,假设两幅在对比度、比例、位置和旋转上都有差别的图像f1(x,y)和f2(x',y'),它们的内容完全是关于同一物体的。该关于同一物体的两幅在对比度、比例、位置和旋转上都有差别的图像f1(x,y)和f2(x',y'),其相互关系可用下式表示:
其中,k是对比度变化因子,C是比例变化因子,θ是旋转角,(a,b)分别是x方向和y方向上的位移,使用式(4),分别对f1(x,y)和f2(x',y')计算出七个度量值,并使用变换公式(5),进行变换组合后,重新得出一组具有对比度、比例、平移和旋转不变性的更一般化的扩展HU不变矩:
将β1,β2,β3,β4,β5,β6作为作物的不变性特征,计算出所述n*n模板的6个不变矩特征值。
其中,所述步骤S104中,进一步包括:
步骤S1041,在实时采集的所述田间图像中提取出具有代表性的单独叶片,利用所述公式(6)计算该单独叶片的6个HU不变矩特征值并作为该田间作物的HU不变矩值预存,即作物的HU不变矩值预先计算(例如通过PhotoShop软件在拍摄的大豆图片中分别提取出具有代表性的单独叶片,然后计算其6个HU不变矩值),并存储于数据处理模块14内;通过PhotoShop软件在拍摄的作物图片中分别提取出具有代表性的单独叶片,然后利用公式(6)计算其6个HU不变矩值。
步骤S1042,采用最临近分类器法进行匹配,将预存的该田间作物的HU不变矩值与步骤S103计算的n*n模板的6个不变矩特征值通过公式(7)进行计算。其原理为,训练样本用n维数值属性描述。每个样本代表n维空间的一个点。这样,所有的训练样本都存放在n维模式空间中。给定一个未知样本,k-最临近分类法搜索模式空间,找出最接近未知样本的k个训练样本。这k个训练样本是未知样本的k个“近邻”。“临近性”用欧几里德距离定义。其中,两个点X=(x1,x2,...,xn)和Y=(y1,y2,...,yn)的欧几里德距离是:
其中,d(X,Y)为两个点X=(x1,x2,...,xn)和Y=(y1,y2,...,yn)的欧几里德距离,X,Y分别代表n维空间的一个点。
然后在步骤S105作物定位中,对上述匹配结果进行标记,若公式(7)的计算值小于经验阈值,则认定为作物,即匹配成功,若大于该经验阈值,则将其认定为杂草,即匹配失败,并把对应的图像标记为红色。
最后根据上述红色杂草图像输出信息,由数据处理模块14输出指令到喷头控制板13来控制电磁阀32的开闭工作,实现喷头31的对靶喷药。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种杂草定位喷除方法,用于农作物的田间杂草定位及喷除,其特征在于,包括以下步骤:
S100,杂草定位,通过分析农作物的图像信息,根据该农作物的不变矩特征分析识别田间农作物,将该田间农作物区域以外的绿色植物均定位并标记为杂草;
S200,结果输出,根据标记的杂草信息输出控制指令;以及
S300,对靶喷药,根据该控制指令对杂草进行对靶喷药予以喷除;
其中,所述步骤S100进一步包括:
S101,图像采集,实时采集田间图像信息;
S102,图像处理,利用2G-R-B超绿模型灰度化所述步骤S101采集的田间图像,并将该灰度化的田间图像用OTSU自动阈值法二值化处理;
S103,模板特征提取,定义n维空间,对所述二值化处理的田间图像利用n*n模板进行特征提取,计算出该模板对应的不变矩值,采用扩展HU不变矩,得到6个不变矩特征值;
S104,特征匹配,对所述6个HU不变矩特征值利用最临近分类器法与预存的该田间作物的HU不变矩值进行特征匹配;以及
S105,作物定位,对所述步骤S104的匹配结果认定为杂草的对应图像进行标记;
在所述步骤S103中所述6个不变矩特征值的计算进一步包括:
S1031,采用离散情况下的不变矩,积分用求和代替,p+q阶几何矩mpq定义为:
式中f(x,y)为图像的灰度,x,y为图像坐标;
S1032,定义p+q阶中心矩为:
式中是图像的重心坐标,其中
归一化的中心距定义为:
采用满足平移、旋转、比例不变的p+q≤3的7个不变矩,其公式如下:
通过(3)与(4)式计算出满足平移、旋转不变的新的不变矩;以及
S1033,扩展HU不变矩:
关于同一物体的两幅在对比度、比例、位置和旋转上都有差别的图像f1(x,y)和f2(x',y'),其相互关系用下式表示:
其中,k是对比度变化因子,C是比例变化因子,θ是旋转角,(a,b)分别是x方向和y方向上的位移,使用式(4),分别对f1(x,y)和f2(x',y')计算出七个度量值,并使用变换公式(5),进行变换组合后,得出一组具有对比度、比例、平移和旋转不变性的扩展HU不变矩:
将β1,β2,β3,β4,β5,β6作为作物的不变性特征,计算出所述n*n模板的6个不变矩特征值。
2.如权利要求1所述的杂草定位喷除方法,其特征在于,所述步骤S100还包括:
S106,图像遍历,对所述步骤S102二值化处理的田间图像从该田间图像的左上角开始从左到右、从上到下按顺序遍历,重复所述步骤S103至步骤S105,直到所有图像均被遍历一边为止。
3.如权利要求1所述的杂草定位喷除方法,其特征在于,所述步骤S104中,进一步包括:
S1041,在实时采集的所述田间图像中提取出具有代表性的单独叶片,利用所述公式(6)计算该单独叶片的6个HU不变矩特征值并作为该田间作物的HU不变矩值预存;以及
S1042,采用最临近分类器法进行匹配,将预存的该田间作物的HU不变矩值与步骤S103计算的n*n模板的6个不变矩特征值通过公式(7)进行计算:
其中,d(X,Y)为两个点X=(x1,x2,...,xn)和Y=(y1,y2,...,yn)的欧几里德距离,X,Y分别代表n维空间的一个点。
4.如权利要求1、2或3所述的杂草定位喷除方法,其特征在于,所述步骤S102中用OTSU自动阈值法二值化处理该灰度化的田间图像包括:
设该灰度化的田间图像灰度级是L,则其灰度范围为[0,L-1],利用OTSU算法计算该田间图像的最佳阈值为:
t=Max[w0(t)*(u0(t)-u)2+w1(t)*(u1(t)-u)2],
其中,当分割的阈值为t时,w0为背景比例,u0为背景均值,w1为前景比例,u1为前景均值,u为整幅图像的均值,使以上表达式值最大的t,即为分割该田间图像的最佳阈值。
5.一种杂草定位喷除系统,用于农作物的田间杂草定位及喷除,其特征在于,采用上述权利要求1-4中任意一项所述的杂草定位喷除方法进行喷除定位,该杂草定位喷除系统包括:
杂草定位装置,包括壳体及安装在所述壳体内的图像采集模块、喷头控制板和数据处理模块,所述图像采集模块与所述数据处理模块连接,所述数据处理模块与所述喷头控制板连接,所述数据处理模块通过分析所述图像采集模块采集的农作物的图像信息,根据该农作物的不变矩特征分析识别田间农作物,将该田间农作物区域以外的绿色植物均定位并标记为杂草,并根据标记的杂草信息向所述喷头控制板输出控制指令;以及
喷头装置,与所述杂草定位装置连接,该喷头装置包括喷头、电磁阀和喷杆连接机构,所述喷头与所述电磁阀连接并通过所述喷杆连接机构与喷药机的喷药管连接固定,所述喷头控制板根据所述控制指令控制所述电磁阀的开闭以实现所述喷头的对靶喷药。
6.如权利要求5所述的杂草定位喷除系统,其特征在于,所述喷杆连接机构包括喷头过渡块、电磁阀安装板、喷杆连接块和紧固件,所述喷头过渡块与所述电磁阀安装板的一端连接,所述喷头安装在所述喷头过渡块上,所述喷杆连接块与所述电磁阀安装板的另一端连接,所述电磁阀安装在所述电磁阀安装板的顶面上,所述紧固件与所述喷杆连接块连接并将所述喷杆连接块与所述喷药机的喷药管连接固定。
7.如权利要求5或6所述的杂草定位喷除系统,其特征在于,所述图像采集模块包括摄像头和LED光源板,所述摄像头与所述LED光源板连接,所述LED光源板安装在所述壳体的上盖上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410452183.0A CN105469020B (zh) | 2014-09-05 | 2014-09-05 | 一种杂草定位喷除系统及其定位喷除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410452183.0A CN105469020B (zh) | 2014-09-05 | 2014-09-05 | 一种杂草定位喷除系统及其定位喷除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105469020A CN105469020A (zh) | 2016-04-06 |
CN105469020B true CN105469020B (zh) | 2019-04-23 |
Family
ID=55606696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410452183.0A Active CN105469020B (zh) | 2014-09-05 | 2014-09-05 | 一种杂草定位喷除系统及其定位喷除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105469020B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111397936A (zh) * | 2020-04-02 | 2020-07-10 | 农业农村部南京农业机械化研究所 | 一种基于机器视觉的对靶喷施试验台及控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707992A (zh) * | 2009-10-15 | 2010-05-19 | 南京林业大学 | 高效除草机器人 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
HU224536B1 (hu) * | 2002-07-05 | 2005-10-28 | G & G Növényvédelmi és Kereskedelmi Kft. | Vasúti kocsira szerelt gyomirtó berendezés kapcsolási elrendezése, és eljárás a berendezéssel történõ gyomirtásra |
-
2014
- 2014-09-05 CN CN201410452183.0A patent/CN105469020B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101707992A (zh) * | 2009-10-15 | 2010-05-19 | 南京林业大学 | 高效除草机器人 |
Non-Patent Citations (2)
Title |
---|
Robotic Weed Control using Machine Vision;J. Blasco 等;《Biosystems Engineering》;20021231;第83卷(第2期);第149页-157页 |
图像识别的RSTC不变矩;王连亮 等;《数据采集与处理》;20060630;第21卷(第2期);第225页-229页 |
Also Published As
Publication number | Publication date |
---|---|
CN105469020A (zh) | 2016-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Weed detection using image processing under different illumination for site-specific areas spraying | |
Wang et al. | A review on weed detection using ground-based machine vision and image processing techniques | |
Boltes et al. | Automatic extraction of pedestrian trajectories from video recordings | |
Sujaritha et al. | Weed detecting robot in sugarcane fields using fuzzy real time classifier | |
Crivellaro et al. | Robust 3D object tracking from monocular images using stable parts | |
Guijarro et al. | Discrete wavelets transform for improving greenness image segmentation in agricultural images | |
CN111163628A (zh) | 使用图像数据的自动植物检测 | |
CN109635875A (zh) | 一种基于深度学习的端到端网口检测方法 | |
Persson et al. | Classification of crops and weeds extracted by active shape models | |
CN107346434A (zh) | 一种基于多特征及支持向量机的植物病虫害检测方法 | |
CN107016646A (zh) | 一种基于改进的逼近投影变换图像拼接方法 | |
CN105279769B (zh) | 一种联合多特征的层次粒子滤波跟踪方法 | |
Liu et al. | A multispectral 3-D vision system for invertebrate detection on crops | |
CN104376575B (zh) | 一种基于多摄像头监控的行人计数方法和装置 | |
WO2007135659A2 (en) | Clustering - based image registration | |
CN105488541A (zh) | 增强现实系统中基于机器学习的自然特征点识别方法 | |
CN114092808A (zh) | 基于图像和深度学习的农作物病虫害检测防治装置及方法 | |
CN105469020B (zh) | 一种杂草定位喷除系统及其定位喷除方法 | |
CN108154176A (zh) | 一种针对单一深度图像的3d人体姿态估计算法 | |
CN105469019B (zh) | 一种逆向杂草定位方法及定位装置 | |
CN107703519A (zh) | 基于激光位移传感器的植保无人机障碍物检测方法 | |
Higgs et al. | ProTractor: a lightweight ground imaging and analysis system for early-season field phenotyping | |
CN104361573B (zh) | 融合颜色信息和全局信息的sift特征匹配算法 | |
Diao et al. | Algorithms of wheat disease identification in spraying robot system | |
Bo et al. | Research on weed recognition method based on invariant moments |
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 |