CN106373133B - 一种基于暗通道去雾算法的农田插秧检测方法及其系统 - Google Patents
一种基于暗通道去雾算法的农田插秧检测方法及其系统 Download PDFInfo
- Publication number
- CN106373133B CN106373133B CN201610778568.5A CN201610778568A CN106373133B CN 106373133 B CN106373133 B CN 106373133B CN 201610778568 A CN201610778568 A CN 201610778568A CN 106373133 B CN106373133 B CN 106373133B
- Authority
- CN
- China
- Prior art keywords
- seedling
- farmland
- value
- seedlings
- transplanting
- 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.)
- Expired - Fee Related
Links
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 97
- 235000009566 rice Nutrition 0.000 title claims abstract description 97
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 98
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000005315 distribution function Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 23
- 238000002834 transmittance Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 9
- 238000013441 quality evaluation Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000002054 transplantation Methods 0.000 claims description 4
- 238000012271 agricultural production Methods 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 239000003595 mist Substances 0.000 abstract 2
- 230000008030 elimination Effects 0.000 abstract 1
- 238000003379 elimination reaction Methods 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30—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)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于暗通道去雾算法的农田插秧检测方法，涉及农田插秧领域，包括：首先，采集目标农田的拍摄图像，判断大气能见度大小，若大气能见度小于或等于能见度设定值，则进行去雾处理；将去雾图像进行二值化处理，获取秧苗轮廓并获得秧苗的位置坐标；然后，提取各个秧苗的几何位置关系，获取各个秧苗所占有的农田面积，获取秧苗的密度分布函数；最后，进行农田的插秧质量评定或插秧整体密度值评定。同时，本发明还公开一种基于暗通道去雾算法的农田插秧检测系统。综上，本发明能够快速反馈插秧质量，及时对插秧机工作参数进行调整和管控，提高农业生产效率，提高农作物产量，同时，本发明在雾、霾等能见度不高的天气，依然能够很好的使用。
Description
技术领域
本发明涉及农田插秧领域，特别是涉及一种基于暗通道去雾算法的农田插秧检测方法及其系统。
背景技术
实践证明，水稻适当稀植可提高水稻产量，已成为不争的事实。水稻是高分蘖作物，其分蘖数量因环境条件而差异很大。高密度栽培时，可能不产生分蘖；如果密度较小，每株水稻由足够的空间，再有相应的水肥条件，一般每株水稻可产生十几甚至几十个分蘖。因此，调控分蘖发生和生长情况的关系，是高产水稻栽培重要的技术措施之一。
由于我国幅员广大，气候条件和土壤条件差异很大，所以一般不应该强调固定的插秧密度，水稻插秧密度应根据各地的具体情况在基本插秧密度的基础上，做出相应的调整。以东北地区为例，一般基本插秧规格为30.0×13.3厘米，每平方米25穴。每穴插3～4株。每平方米合计插秧75～100株。但实际插秧时，北部地区要适当增加插秧密度，南部地区要适当减少插秧密度。秧苗素质好，插秧密度可适当小些；秧苗素质差，插秧密度可适当大些。先插秧可稀一些，后插秧可密一些。土壤肥力高，施肥量足的地块，插秧密度宜少些，反之宜大些。育大苗可少些，小苗则应大些。总之，水稻插秧密度应根据当地的具体情况，做出适当调整，一般的调整范围是：行距变化为24～33厘米；穴距变化为10～156厘米；每穴株数变化为2～4株，每平方米穴株数变化为18～38穴。
水稻机插秧是我国水稻种植普遍采用的方法，按照农艺要求的种植密度进行插秧是水稻稳产增产的基础。目前水稻机插秧田间种植密度一般依靠插秧机标定的行距和株距进行推算，但由于稻田土质和泥脚深度的差异，引起插秧机在插秧时的滑转率差异较大，直接影响到机插秧田间种植密度，所以推算密度与插秧机田间种植密度的误差很大，迫切需要田间栽插密度自动测试装置。此外，在雾、霾天气下，由于物体能见度降低，农田秧苗的拍摄图像对比度下降，影响秧苗轮廓判断，影响插秧密度评定；在农田插秧密度检测领域并没有相关去雾检测密度的方法或系统，迫切需要基于去雾算法的田间栽插密度自动测试装置。
发明内容
有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是提供一种基于暗通道去雾算法的农田插秧检测方法，旨在提供一种高精度、高效、快速检测农田插秧质量检测方法，同时，该方法在雾、霾等能见度不高的天气，依然能够很好的使用。
为实现上述目的，本发明提供了一种基于暗通道去雾算法的农田插秧检测方法，其特征在于，所述方法包括：
步骤S1、采集目标农田的拍摄图像；
步骤S2、获取大气能见度，并判断所述大气能见度大小；若所述大气能见度大于能见度设定值，则执行步骤S4；若所述大气能见度小于或等于能见度设定值，则执行步骤S3；
步骤S3、进行去雾处理，获得去雾图像J(x)；
步骤S4、将所述拍摄图像或去雾图像进行二值化处理，获取秧苗轮廓，提取所述秧苗的轮廓的中心位置作为所述秧苗的位置坐标；
步骤S5、提取各个所述秧苗的几何位置关系，获取各个所述秧苗所占有的农田面积，获取所述秧苗的密度分布函数；
步骤S6、根据所述秧苗的密度分布函数，进行所述农田的插秧质量评定或插秧整体密度值评定；
其中，所述步骤S3包括：
S31：计算所述拍摄图像I(x)各个像素点的暗通道Idark(x)；所述
S32：选取所述暗通道Idark(x)前ε％亮度值的平均灰度值，作为大气光强度值A；
S33、计算像素点的透射率t(x)；所述所述β为去雾系数，所述0＜β＜0.5；
S34、根据大气光强度值A和透射率t(x)，获得去雾图像J(x)；所述去雾图像所述0.05＜T＜0.5。
在该技术方案中，通过对拍摄图像进行图像处理，获得秧苗位置，并通过秧苗之间的位置关系，获取每个秧苗所占有的面积，并建立密度分布函数；基于该密度函数对插秧质量进行评价。该技术方案提供了农田秧苗插秧质量快速检测的方法，能够快速反馈插秧质量，并及时对插秧机工作参数进行调整和管控，提高农业生产效率，提高农作物产量。同时，该技术方案，插秧质量评价精确度高，评价速度快。此外，该技术方案可以有效避免雾霾天气，插秧图像采集的不清晰，增强系统的天气适应性。
进一步而言，所述方法还包括：步骤SA、将所述拍摄图像或去雾图像二值化处理获得农田轮廓，根据所述农田的实际尺寸，获得拍摄图像的比例倍数。
在该技术方案中，为了获得是秧苗之间的距离，坐标位置精确，提取出农田轮廓，并根据农田的实际尺寸，换算出图像与实际农田的比例关系；可以有效提高检测精度。
进一步而言，所述步骤S5，包括：
步骤S51、提取秧苗R(i,j)和秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置；所述秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)是秧苗R(i,j)相临近的八个秧苗；所述i,j为整数；
步骤S52、根据所述秧苗R(i,j)、R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置，获得所述秧苗R(i,j)占有的农田面积S(i,j)；
所述所述为秧苗R(i-1,j-1)到秧苗R(i,j)的向量；
步骤S53、对所述秧苗R(i,j)占有的农田面积S(i,j)进行标准化处理，获得所述秧苗R(i,j)占有的标准化面积A(i,j)；所述所述M、N为所述秧苗的行数和列数，所述1≤m≤M，1≤n≤N；
步骤S54、根据所述秧苗R(i,j)占用的标准化面积A(i,j)，获得所述秧苗R(i,j)的密度值ρ(i,j)；所述
步骤S55、根据所述拍摄图像内各个秧苗的密度值ρ(i,j)，构成所述密度分布函数F(I,J)；所述F(I,J)|(i,j)＝ρ(i,j)。
在该改进技术方案中，通过秧苗之间的位置关系，获取各个秧苗占有的面积，进而获得秧苗的密度分布函数。该技术方案进一步提高秧苗所占有面积S(i,j)的换算精度，减少误差；通过进一步对秧苗面积进行标准化处理，减少误差。
进一步而言，在所述步骤S6中，所述插秧质量评定，包括：
根据秧苗密度值上限值ρup_limit和下限值ρdown_limit，统计过密秧苗个数Sumup_limit，统计秧苗过稀疏个数Sumdown_limit；若插秧质量指数E≤δ,则所述插秧质量评定合格；若插秧质量指数E≥δ,则所述插秧质量评定不合格；所述δ取值范围为0.01≤δ≤0.5，所述
所述插秧整体密度值评定，包括：
统计秧苗密度值的平均值所述若秧苗密度值的平均值则所述插秧整体密度值评定合格；若插秧密度指数或则所述插秧整体密度值评定不合格；所述Fmin为秧苗整体密度的下限值，所述Fmax为秧苗整体密度的上限值。
在该技术方案中，引入插秧质量指数E对插秧质量进行评定，其有益效果在于，提高评定速度和准确性。引入秧苗密度值的平均值快速评定插秧整体密度值是否合格。
有鉴于现有技术的缺陷，本发明还提供一种基于暗通道去雾算法的农田插秧检测系统，旨在提供一种高精度、高效、快速检测农田插秧质量检测系统，同时该系统在雾、霾等能见度低的天气条件下正常使用。所述系统包括：
图像采集模块，用于采集目标农田的拍摄图像；
大气能见度判定模块，用于获取大气能见度并判断所述大气能见度大小；
去雾处理模块，用于对所述拍摄图像去雾处理并获得去雾图像；
秧苗坐标构建模块，用于将所述拍摄图像或去雾图像进行二值化处理，获取秧苗轮廓，取各个所述秧苗轮廓的中心坐标作为所述秧苗的位置坐标；根据所述秧苗的轮廓获得所述秧苗的位置坐标；
秧苗密度分布构建模块，用于提取各个所述秧苗的几何位置关系，获取各个所述秧苗所占有的农田面积，获取所述秧苗的密度分布函数；
秧苗插秧评价模块，用于根据所述秧苗的密度分布函数，评定所述农田的插秧密度、插秧整体密度值或者插秧均匀性。
在该技术方案中，通过对拍摄图像进行图像处理，获得秧苗位置，并通过秧苗之间的位置关系，获取每个秧苗所占有的面积，并建立密度分布函数；基于该密度函数对插秧质量进行评价。该技术方案提供了农田秧苗插秧质量快速检测的方法，能够快速反馈插秧质量，并及时对插秧机工作参数进行调整和管控，提高农业生产效率，提高农作物产量。同时，该技术方案，插秧质量评价精确度高，评价速度快。此外，该技术方案可以有效避免雾霾天气，插秧图像采集的不清晰，增强系统的天气适应性。
进一步而言，所述去雾处理模块包括：图像暗通道采集单元、大气光强度设定单元、大气透射率求解单元和去雾图像求解单元；
所述图像暗通道采集单元，用于计算所述拍摄图像I(x)各个像素点的暗通道Idark(x)；所述
所述大气光强度设定单元，用于选取所述暗通道Idark(x)前ε％亮度值的平均灰度值，作为大气光强度值A；
所述大气透射率求解单元，用于计算像素点的透射率t(x)；所述所述β为去雾系数，所述0＜β＜0.5；
所述去雾图像求解单元，用于根据大气光强度值A和透射率t(x)，获得去雾图像J(x)；所述去雾图像所述0.05＜T＜0.5。
该技术方案可以有效避免雾霾天气，造成插秧图像采集的不清晰，增强系统的天气适应性。
进一步而言，其特征在于，所述系统还包括：图像比例计算模块，用于将所述拍摄图像或去雾图像二值化处理获得农田轮廓，根据所述农田的实际尺寸，获得拍摄图像的比例倍数。
在该技术方案中，为了获得是秧苗之间的距离，坐标位置精确，提取出农田轮廓，并根据农田的实际尺寸，换算出图像与实际农田的比例关系；可以有效提高检测精度。
进一步而言，所述秧苗密度分布构建模块，包括：
秧苗位置提取单元，用于提取秧苗的位置坐标；所述秧苗位置提取单元，被配置为：提取秧苗R(i,j)和秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置；所述秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)是秧苗R(i,j)相临近的八个秧苗；所述i,j为整数；
秧苗占有面积计算单元，用于计算所述秧苗的所占有农田面积；所述秧苗占有面积计算单元，被配置为：根据所述秧苗R(i,j)、R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置，获得所述秧苗R(i,j)占有的农田面积S(i,j)；
所述所述为秧苗R(i-1,j-1)到秧苗R(i,j)的向量；
秧苗占有面积标准化单元，用于对所述所占有农田面积进行标准化处理；所述秧苗占有面积标准化单元，被配置为：对所述秧苗R(i,j)占有的农田面积S(i,j)进行标准化处理，获得所述秧苗R(i,j)占有的标准化面积A(i,j)；所述所述M、N为所述秧苗的行数和列数，所述1≤m≤M，1≤n≤N；
秧苗的密度分布函数构建单元，用于生成秧苗的密度分布函数；所述秧苗的密度分布函数构建单元，被配置为：根据所述秧苗R(i,j)占用的标准化面积A(i,j)，获得所述秧苗R(i,j)的密度值ρ(i,j)；根据所述拍摄图像内各个秧苗的密度值ρ(i,j)，构成所述密度分布函数F(I,J)；所述所述F(I,J)|(i,j)＝ρ(i,j)。
在该技术方案中，通过秧苗之间的位置关系，获取各个秧苗占有的面积，进而获得秧苗的密度分布函数。该技术方案可以快速且精确地换算秧苗所占有面积，通过进一步对秧苗面积进行标准化处理，减少误差。
进一步而言，所述秧苗插秧评价模块包括插秧质量评定单元或插秧整体密度值评定单元，其中，
所述插秧质量评定单元，被配置为：
根据秧苗密度值上限值ρup_limit和下限值ρdown_limit，统计过密秧苗个数Sumup_limit，统计秧苗过稀疏个数Sumdown_limit；若插秧质量指数E≤δ,则所述插秧质量评定合格；若插秧质量指数E≥δ,则所述插秧质量评定不合格；所述δ取值范围为0.01≤δ≤0.5，所述
所述插秧整体密度值评定单元，被配置为：
统计秧苗密度值的平均值所述若秧苗密度值的平均值则所述插秧整体密度值评定合格；若插秧密度指数或则所述插秧整体密度值评定不合格；所述Fmin为秧苗整体密度的下限值，所述Fmax为秧苗整体密度的上限值。
在该技术方案中，引入插秧质量指数E对插秧质量进行评定，其有益效果在于，提高评定速度和准确性。引入秧苗密度值的平均值快速评定插秧整体密度值是否合格。
本发明的有益效果是：本发明通过对拍摄图像进行图像处理，获得秧苗位置，并通过秧苗之间的位置关系，获取每个秧苗所占有的面积，并建立密度分布函数；基于该密度函数对插秧质量进行评价。本发明提供了农田秧苗插秧质量快速检测的方法，能够快速反馈插秧质量，并及时对插秧机工作参数进行调整和管控，提高农业生产效率，提高农作物产量。同时，该技术方案，插秧质量评价精确度高，评价速度快。
附图说明
图1是本发明一具体实施方式的流程图；
图2是本发明一具体实施方式中的秧苗分布示意图；
图3是本发明另一具体实施方式中的秧苗分布示意图；
图4是本发明一具体实施方式的系统结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明：
如图1-图4所示，本发明第一实施例中提供一种基于暗通道去雾算法的农田插秧检测方法，包括：
步骤S1、采集目标农田的拍摄图像；
步骤S2、获取大气能见度，并判断所述大气能见度大小；若所述大气能见度大于能见度设定值，则执行步骤S4；若所述大气能见度小于或等于能见度设定值，则执行步骤S3；
步骤S3、进行去雾处理，获得去雾图像J(x)；
步骤S4、将所述拍摄图像或去雾图像进行二值化处理，获取秧苗轮廓，提取所述秧苗的轮廓的中心位置作为所述秧苗的位置坐标；
步骤S5、提取各个所述秧苗的几何位置关系，获取各个所述秧苗所占有的农田面积，获取所述秧苗的密度分布函数；
步骤S6、根据所述秧苗的密度分布函数，进行所述农田的插秧质量评定或插秧整体密度值评定；
如下将对本发明第一实施例进行详细论述。
步骤S1、采集目标农田的拍摄图像
在本实施例中，首先需要对农田的秧苗进行拍摄，并获得图像，该图像将用于后续进行图像处理。
在本公开实施例中并不限定农田拍摄图像的获取方式，拍摄图像可以通过飞行器航拍，也可以在具有一定高度的建筑物上拍摄，也可以通过拍摄多张子图像通过拼接的方式获得农田的拍摄图像，也可以将摄像机安装于插秧机上对农田进行拍摄。优选地，在本实施例中，通过飞行器航拍获得农田的拍摄图像。
可选地，为了方便后续图像处理，方便后续图像处理，拍摄图像为农田的俯视图，其好处在于可以使上部秧苗和下部秧苗在图像中的比例相近。
可选地，拍摄图像的角度应该与农田轮廓或者秧苗排布相平行，其好处在于，图像处理中免于将图像旋转，同时，可以减少图像处理的计算量。
步骤S2、获取大气能见度，并判断所述大气能见度大小；若所述大气能见度大于能见度设定值，则执行步骤S4；若所述大气能见度小于或等于能见度设定值，则执行步骤S3；
在本实施例中，通过互联网或者其他方式，获得天气信息、获得大气能见度值，若能见度过低，则需要进行去雾处理。优选地，在本实施例中，能见度设定值设置为500米，当能见度小于500米是，则需要对拍摄图像进行去雾处理。
步骤S3、进行去雾处理，获得去雾图像J(x)；步骤S3包括：
S31：计算所述拍摄图像I(x)各个像素点的暗通道Idark(x)；所述其中，上标C表示R/G/B三个通道，对于每个像素点而言，取灰度最小的颜色的灰度值作为暗通道灰度值。
S32：选取所述暗通道Idark(x)前ε％亮度值的平均灰度值，作为大气光强度值A；ε％可以根据需求自行设定，在本实施例中ε％设置为1％。所述Φ为暗通道Idark(x)前1％亮度值构成的像素点集合。
S33、计算像素点的透射率t(x)；所述所述β为去雾系数，所述0＜β＜0.5；在本实施例中，β＝0.1。
S34、根据大气光强度值A和透射率t(x)，获得去雾图像J(x)；所述去雾图像所述0.05＜T＜0.5。在本实施例中，T＝0.1。
步骤S4、将所述拍摄图像或去雾图像进行二值化处理，获取秧苗轮廓，提取所述秧苗的轮廓的中心位置作为所述秧苗的位置坐标；
在本步骤中也对秧苗坐标构建进行相关说明。
1)图像二值化处理获得秧苗轮廓
二值化处理获得秧苗轮廓的具体方法是：利用计算机图像处理技术将彩色图像转化成灰度图像，通过直方图均衡化算法进行图像增强，根据直方图求出最佳阈值，将灰度图像转化成二值图像,然后利用八邻域分析法提取秧苗轮廓。
在本实施例中，提取所述秧苗的轮廓的中心位置作为所述秧苗的位置坐标。具体而言，选取秧苗轮廓像素点，提取秧苗轮廓的外接最小长方形，选取长方形的中心作为秧苗的位置坐标。
2)、拍摄图像尺寸比例确定
可选地，将所述拍摄图像二值化处理获得农田轮廓，根据所述农田的实际尺寸，获得拍摄图像的比例倍数。
可选地，二值化处理获取农田轮廓，获取农田轮廓内像素个数，根据实际农田的面积，换算每个像素的所对应的农田面积，确定图像和实际农田的比例关系；其优点在于，方便图像中的尺寸转换为实际尺寸。
具体而言，二值化处理获取农田轮廓，包括：利用计算机图像处理技术将彩色图像转化成灰度图像，通过直方图均衡化算法进行图像增强，根据直方图求出最佳阈值,将灰度图像转化成二值图像,然后利用八邻域分析法提取农田轮廓。
值得一提的是，农田的实际尺寸可以实地测量，也可以通过拍摄位置、角度与农田的位置关系计算获得，实际上也可以通过拍摄位置、角度与图像上秧苗位置关系，获得秧苗之间的几何关系。本公开实施例并不限于采用农田的实际尺寸与拍摄图像关系获得拍摄图像的比例倍数。此外，采用农田轮廓相对于秧苗之间的几何位置关系数值量级大，进行农田轮廓提取获得比例倍数，计算精确度要高。
3)、对秧苗进行编号
值得一提的是，在本实施例中，还对秧苗进行编号。在实际农田插秧作业中，插秧虽然会存在密度不均等情况，但秧苗之间近似为直线排布；在本实施例中坐标包含有秧苗的编号以及秧苗的位置数据，秧苗编号设定为R(i,j)，其中i为行编号，j为列编号，编号值可以为负。
步骤S5、提取各个所述秧苗的几何位置关系，获取各个所述秧苗所占有的农田面积，获取所述秧苗的密度分布函数；
1)秧苗所占有的农田面积计算
在本实施例中，已经将秧苗轮廓的中心位置的点替代为秧苗，各个秧苗所占有的农田面积转换为这些点占有的农田面积。如图2中，示意性地用圆点来代表秧苗，通过这些点位置关系，计算各个点所占有的面积。下面以计算秧苗R(i,j)所占有的面积S(i,j)为例，进行详细叙述。
秧苗R(i,j)是需要计算的目标秧苗，秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)是上下左右四个方位与秧苗R(i,j)相临近的四个秧苗。为简化表述，秧苗R(i,j)为点A，秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)分别为点B、C、D、E。秧苗R(i,j)所占有的面积S(i,j)，即为四边形BCDE面积SBECD的一半，值得一提的是，在本发明公开的实施例中，“×”代表叉乘；向量可通过坐标B、C、D、E获得。具体流程如下：
提取与点A相邻的点B、C、D、E的位置坐标，获得向量值；
根据向量值，计算获取秧苗R(i,j)所占有的面积S(i,j)，所述
计算获取秧苗所占有农田面积的另一可选的方案，包括如下流程：
提取与点A相邻的点B、C、D、E的位置坐标，获得线段BC长度值LBC、DE长度值LDE以及线段BC、DE夹角θ；计算获取秧苗R(i,j)所占有的面积S(i,j)，其中，
计算获取秧苗所占有农田面积的另一可选的方案，包括如下流程
提取与秧苗点A相邻的秧苗点B、C、D、E、G、H、P、Q的位置坐标，如图3所示；
获取四边形GBAD、BHEA、AEPC、DACQ的面积SGBAD、SBHEA、SAEPC、SDACQ；
计算秧苗R(i,j)所占有的面积其中，求解四边形的方法可以参照前两个可选方案，这里不再赘述。
2)秧苗的密度分布函数；
秧苗的密度是指单位面积下秧苗的数量，与秧苗的所占有的面积呈反比。在农田中，由于环境因素地影响，造成农田中各处的秧苗也不同，在本公开实施例中，建立秧苗的密度分布函数有助于查看各个区域秧苗密度。秧苗的密度分布函数建立流程如下：
提取各个秧苗所占有的农田面积S(i,j)，计算各个秧苗的密度值ρ(i,j)，构成密度分布函数F(I,J)；其中，F(I,J)|(i,j)＝ρ(i,j)。
在一可选的实施例中，其中，A为农田实际总面积，S(i,j)为图像处理计算秧苗R(i,j)占有的农田面积，为图像处理计算全部秧苗占有的农田总面积。
3)综上针对获取秧苗密度函数给出一个优选地示例。
优选地，提取各个所述秧苗的几何位置关系，获取所述秧苗的密度分布函数，包括如下步骤：
提取秧苗R(i,j)和秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)的位置；所述秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)是秧苗R(i,j)相临近的四个秧苗；所述i,j为整数；
根据所述秧苗R(i,j)、R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)的位置坐标，获得所述秧苗R(i,j)占有的农田面积S(i,j)；所述所述为秧苗R(i-1,j)到秧苗R(i+1,j)的向量，为秧苗R(i,j-1)到秧苗R(i,j+1)的向量；
对所述秧苗R(i,j)占有的农田面积S(i,j)进行标准化处理，获得所述秧苗R(i,j)占有的标准化面积A(i,j)；所述所述M、N为所述秧苗的行数和列数，所述1≤m≤M，1≤n≤N；
根据所述秧苗R(i,j)占用的标准化面积A(i,j)，获得所述秧苗R(i,j)的密度值ρ(i,j)；所述
根据所述拍摄图像内各个秧苗的密度值ρ(i,j)，构成所述密度分布函数F(I,J)；所述F(I,J)|(i,j)＝ρ(i,j)。
4)在另一优选的示例中，通过提取与R(i,j)相邻的八个秧苗位置，获得秧苗R(i,j)占有的农田面积S(i,j)，包括：
提取秧苗R(i,j)和秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置；所述秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)是秧苗R(i,j)相临近的八个秧苗；所述i,j为整数；
根据所述秧苗R(i,j)、R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置，获得所述秧苗R(i,j)占有的农田面积S(i,j)；
所述所述为秧苗R(i-1,j-1)到秧苗R(i,j)的向量。
步骤S6、根据所述秧苗的密度分布函数，进行所述农田的插秧质量评定或插秧整体密度值评定；
1)根据所述秧苗的密度分布函数，进行所述农田的插秧质量评定；
插秧质量评定，包括：
根据秧苗密度值上限值ρup_limit和下限值ρdown_limit，统计过密秧苗个数Sumup_limit，统计秧苗过稀疏个数Sumdown_limit；若插秧质量指数E≤δ,则所述插秧质量评定合格；若插秧质量指数E≥δ,则所述插秧质量评定不合格；所述δ取值范围为0.01≤δ≤0.5，所述
在一可选示例中,秧苗密度值上限为1/40m2，秧苗密度下限值为1/120m2，
其中，每平方米穴数变化为20～30穴，每穴株数变化为2～4株，δ＝0.1。
值得一提的是，当Sumup_limit值和Sumdown_limit值均较大时，插秧质量指数E增大较快；而当Sumup_limit值和Sumdown_limit值只有一方均较大时，插秧质量指数E增大较慢，即利用质量指数E可以有效区分秧苗是密度值波动或则是密度值偏移。
2)根据所述秧苗的密度分布函数，进行所述农田的插秧整体密度值评定。
插秧整体密度值评定，包括：
统计秧苗密度值的平均值所述若秧苗密度值的平均值则所述插秧整体密度值评定合格；若插秧密度指数或则所述插秧整体密度值评定不合格；所述Fmin为秧苗整体密度的下限值，所述Fmax为秧苗整体密度的上限值。在一可选的示例中，Fmax＝1/60m2，Fmin＝1/80m2。
如图1-图4所示，在本发明第二实施例中，提供一种基于暗通道去雾算法的农田插秧检测系统，其特征在于，所述系统包括：
图像采集模块1，用于采集目标农田的拍摄图像；
大气能见度判定模块6，用于获取大气能见度并判断所述大气能见度大小；
去雾处理模块7，用于对所述拍摄图像去雾处理并获得去雾图像；
秧苗坐标构建模块3，用于将所述拍摄图像或去雾图像进行二值化处理，获取秧苗轮廓，取各个所述秧苗轮廓的中心坐标作为所述秧苗的位置坐标；根据所述秧苗的轮廓获得所述秧苗的位置坐标；
秧苗密度分布构建模块4，用于提取各个所述秧苗的几何位置关系，获取各个所述秧苗所占有的农田面积，获取所述秧苗的密度分布函数；
秧苗插秧评价模块5，用于根据所述秧苗的密度分布函数，评定所述农田的插秧密度、插秧整体密度值或者插秧均匀性。
在本实施例中，所述去雾处理模块7包括：图像暗通道采集单元71、大气光强度设定单元72、大气透射率求解单元73和去雾图像求解单元74；
所述图像暗通道采集单元71，用于计算所述拍摄图像I(x)各个像素点的暗通道Idark(x)；所述
所述大气光强度设定单元72，用于选取所述暗通道Idark(x)前ε％亮度值的平均灰度值，作为大气光强度值A；
所述大气透射率求解单元73，用于计算像素点的透射率t(x)；所述所述β为去雾系数，所述0＜β＜0.5；在本实施例中β＝0.1
所述去雾图像求解单元74，用于根据大气光强度值A和透射率t(x)，获得去雾图像J(x)；所述去雾图像所述0.05＜T＜0.5。在本实施例中，T＝0.1。
在本实施例中，所述系统还包括图像比例计算模块2，用于将所述拍摄图像或去雾图像二值化处理获得农田轮廓，根据所述农田的实际尺寸，获得拍摄图像的比例倍数。
在本实施例中，秧苗密度分布构建模块4，包括：秧苗位置提取单元41、秧苗占有面积计算单元42、秧苗占有面积标准化单元43和秧苗的密度分布函数构建单元44。
秧苗位置提取单元41，用于提取秧苗的位置坐标；所述秧苗位置提取单元41，被配置为：提取秧苗R(i,j)和秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置；所述秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)是秧苗R(i,j)相临近的八个秧苗；所述i,j为整数；
秧苗占有面积计算单元42，用于计算所述秧苗的所占有农田面积；所述秧苗占有面积计算单元42，被配置为：根据所述秧苗R(i,j)、R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置，获得所述秧苗R(i,j)占有的农田面积S(i,j)；
所述所述为秧苗R(i-1,j-1)到秧苗R(i,j)的向量；
秧苗占有面积标准化单元43，用于对所述所占有农田面积进行标准化处理；所述秧苗占有面积标准化单元43，被配置为：对所述秧苗R(i,j)占有的农田面积S(i,j)进行标准化处理，获得所述秧苗R(i,j)占有的标准化面积A(i,j)；所述所述M、N为所述秧苗的行数和列数，所述1≤m≤M，1≤n≤N；
秧苗的密度分布函数构建单元44，用于生成秧苗的密度分布函数；所述秧苗的密度分布函数构建单元44，被配置为：根据所述秧苗R(i,j)占用的标准化面积A(i,j)，获得所述秧苗R(i,j)的密度值ρ(i,j)；根据所述拍摄图像内各个秧苗的密度值ρ(i,j)，构成所述密度分布函数F(I,J)；所述所述F(I,J)|(i,j)＝ρ(i,j)。
在另一可选实施例中，秧苗密度分布构建模块4，包括：秧苗位置提取单元41、秧苗占有面积计算单元42、秧苗占有面积标准化单元43和秧苗的密度分布函数构建单元44。
秧苗位置提取单元41，被配置为：提取秧苗R(i,j)和秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)的位置；所述秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)是秧苗R(i,j)相临近的四个秧苗；所述i,j为整数。
秧苗占有面积计算单元42，被配置为：根据所述秧苗R(i,j)、R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)的位置坐标，获得所述秧苗R(i,j)占有的农田面积S(i,j)；所述所述为秧苗R(i-1,j)到秧苗R(i+1,j)的向量，为秧苗R(i,j-1)到秧苗R(i,j+1)的向量。
秧苗占有面积标准化单元43，被配置为：对所述秧苗R(i,j)占有的农田面积S(i,j)进行标准化处理，获得所述秧苗R(i,j)占有的标准化面积A(i,j)；所述所述M、N为所述秧苗的行数和列数，所述1≤m≤M，1≤n≤N。
秧苗的密度分布函数构建单元44，被配置为：根据所述秧苗R(i,j)占用的标准化面积A(i,j)，获得所述秧苗R(i,j)的密度值ρ(i,j)；所述根据所述拍摄图像内各个秧苗的密度值ρ(i,j)，构成所述密度分布函数F(I,J)；所述F(I,J)|(i,j)＝ρ(i,j)。
在本实施例中，所述秧苗插秧评价模块5包括插秧质量评定单元51或插秧整体密度值评定单元52，其中，
所述插秧质量评定单元51，被配置为：
根据秧苗密度值上限值ρup_limit和下限值ρdown_limit，统计过密秧苗个数Sumup_limit，统计秧苗过稀疏个数Sumdown_limit；若插秧质量指数E≤δ,则所述插秧质量评定合格；若插秧质量指数E≥δ,则所述插秧质量评定不合格；所述δ取值范围为0.01≤δ≤0.5，所述
所述插秧整体密度值评定单元52，被配置为：
统计秧苗密度值的平均值所述若秧苗密度值的平均值则所述插秧整体密度值评定合格；若插秧密度指数或则所述插秧整体密度值评定不合格；所述Fmin为秧苗整体密度的下限值，所述Fmax为秧苗整体密度的上限值。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (9)
1.一种基于暗通道去雾算法的农田插秧检测方法，其特征在于，所述方法包括：
步骤S1、采集目标农田的拍摄图像；
步骤S2、获取大气能见度，并判断所述大气能见度大小；若所述大气能见度大于能见度设定值，则执行步骤S4；若所述大气能见度小于或等于能见度设定值，则执行步骤S3；
步骤S3、进行去雾处理，获得去雾图像J(x)；
步骤S4、将所述拍摄图像或去雾图像进行二值化处理，获取秧苗轮廓，提取所述秧苗的轮廓的中心位置作为所述秧苗的位置坐标；
步骤S5、提取各个所述秧苗的几何位置关系，获取各个所述秧苗所占有的农田面积，获取所述秧苗的密度分布函数；
步骤S6、根据所述秧苗的密度分布函数，进行所述农田的插秧质量评定或插秧整体密度值评定；
其中，所述步骤S3包括：
S31：计算所述拍摄图像I(x)各个像素点的暗通道Idark(x)；所述
S32：选取所述暗通道Idark(x)前ε％亮度值的平均灰度值，作为大气光强度值A；
S33、计算像素点的透射率t(x)；所述所述β为去雾系数，0＜β＜0.5；
S34、根据大气光强度值A和透射率t(x)，获得去雾图像J(x)；所述去雾图像0.05＜T＜0.5。
2.如权利要求1所述的一种基于暗通道去雾算法的农田插秧检测方法，其特征在于，所述方法还包括：
步骤SA、将所述拍摄图像或去雾图像二值化处理获得农田轮廓，根据所述农田的实际尺寸，获得拍摄图像的比例倍数。
3.如权利要求1所述的一种基于暗通道去雾算法的农田插秧检测方法，其特征在于，所述步骤S5，包括：
步骤S51、提取秧苗R(i,j)和秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置；所述秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)是秧苗R(i,j)相邻近的八个秧苗；所述i,j为整数；
步骤S52、根据所述秧苗R(i,j)、R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置，获得所述秧苗R(i,j)占有的农田面积S(i,j)；
所述所述为秧苗R(i-1,j-1)到秧苗R(i,j)的向量；
步骤S53、对所述秧苗R(i,j)占有的农田面积S(i,j)进行标准化处理，获得所述秧苗R(i,j)占有的标准化面积A(i,j)；所述所述M、N为所述秧苗的行数和列数，所述1≤m≤M，1≤n≤N，A0为秧苗面积；
步骤S54、根据所述秧苗R(i,j)占用的标准化面积A(i,j)，获得所述秧苗R(i,j)的密度值ρ(i,j)；所述
步骤S55、根据所述拍摄图像内各个秧苗的密度值ρ(i,j)，构成所述密度分布函数F(I,J)；所述F(I,J)|(i,j)＝ρ(i,j)。
4.如权利要求3所述的一种基于暗通道去雾算法的农田插秧检测方法，其特征在于，在所述步骤S6中，所述插秧质量评定，包括：
根据秧苗密度值上限值ρup_limit和下限值ρdown_limit，统计过密秧苗个数Sumup_limit，统计秧苗过稀疏个数Sumdown_limit；若插秧质量指数E≤δ,则所述插秧质量评定合格；若插秧质量指数E≥δ,则所述插秧质量评定不合格；所述δ取值范围为0.01≤δ≤0.5，所述Sumall为所有秧苗个数；
所述插秧整体密度值评定，包括：
统计秧苗密度值的平均值所述若秧苗密度值的平均值则所述插秧整体密度值评定合格；若插秧密度指数或则所述插秧整体密度值评定不合格；所述Fmin为秧苗整体密度的下限值，所述Fmax为秧苗整体密度的上限值。
5.一种基于暗通道去雾算法的农田插秧检测系统，其特征在于，所述系统包括：
图像采集模块(1)，用于采集目标农田的拍摄图像；
大气能见度判定模块(6)，用于获取大气能见度并判断所述大气能见度大小；
去雾处理模块(7)，用于对所述拍摄图像去雾处理并获得去雾图像；
秧苗坐标构建模块(3)，用于将所述拍摄图像或去雾图像进行二值化处理，获取秧苗轮廓，取各个所述秧苗轮廓的中心坐标作为所述秧苗的位置坐标；根据所述秧苗的轮廓获得所述秧苗的位置坐标；
秧苗密度分布构建模块(4)，用于提取各个所述秧苗的几何位置关系，获取各个所述秧苗所占有的农田面积，获取所述秧苗的密度分布函数；
秧苗插秧评价模块(5)，用于根据所述秧苗的密度分布函数，评定所述农田的插秧密度、插秧整体密度值或者插秧均匀性。
6.如权利要求5所述的一种基于暗通道去雾算法的农田插秧检测系统，其特征在于，所述去雾处理模块(7)包括：图像暗通道采集单元(71)、大气光强度设定单元(72)、大气透射率求解单元(73)和去雾图像求解单元(74)；
所述图像暗通道采集单元(71)，用于计算所述拍摄图像I(x)各个像素点的暗通道Idark(x)；所述
所述大气光强度设定单元(72)，用于选取所述暗通道Idark(x)前ε％亮度值的平均灰度值，作为大气光强度值A；
所述大气透射率求解单元(73)，用于计算像素点的透射率t(x)；所述所述β为去雾系数，所述0＜β＜0.5；
所述去雾图像求解单元(74)，用于根据大气光强度值A和透射率t(x)，获得去雾图像J(x)；所述去雾图像所述0.05＜T＜0.5。
7.如权利要求5所述的一种基于暗通道去雾算法的农田插秧检测系统，其特征在于，所述系统还包括：图像比例计算模块(2)，用于将所述拍摄图像或去雾图像二值化处理获得农田轮廓，根据所述农田的实际尺寸，获得拍摄图像的比例倍数。
8.如权利要求5所述的一种基于暗通道去雾算法的农田插秧检测系统，其特征在于，所述秧苗密度分布构建模块(4)，包括：
秧苗位置提取单元(41)，用于提取秧苗的位置坐标；所述秧苗位置提取单元(41)，被配置为：提取秧苗R(i,j)和秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置；所述秧苗R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)是秧苗R(i,j)相临近的八个秧苗；所述i,j为整数；
秧苗占有面积计算单元(42)，用于计算所述秧苗的所占有农田面积；所述秧苗占有面积计算单元(42)，被配置为：根据所述秧苗R(i,j)、R(i-1,j)、R(i+1,j)、R(i,j-1)、R(i,j+1)、R(i-1,j-1)、R(i+1,j-1)、R(i-1,j-1)、R(i+1,j+1)的位置，获得所述秧苗R(i,j)占有的农田面积S(i,j)；
所述所述为秧苗R(i-1,j-1)到秧苗R(i,j)的向量；
秧苗占有面积标准化单元(43)，用于对所述所占有农田面积进行标准化处理；所述秧苗占有面积标准化单元(43)，被配置为：对所述秧苗R(i,j)占有的农田面积S(i,j)进行标准化处理，获得所述秧苗R(i,j)占有的标准化面积A(i,j)；所述所述M、N为所述秧苗的行数和列数，所述1≤m≤M，1≤n≤N，A0为秧苗面积；
秧苗的密度分布函数构建单元(44)，用于生成秧苗的密度分布函数；所述秧苗的密度分布函数构建单元(44)，被配置为：根据所述秧苗R(i,j)占用的标准化面积A(i,j)，获得所述秧苗R(i,j)的密度值ρ(i,j)；根据所述拍摄图像内各个秧苗的密度值ρ(i,j)，构成所述密度分布函数F(I,J)；所述所述F(I,J)|(i,j)＝ρ(i,j)。
9.如权利要求5所述的一种基于暗通道去雾算法的农田插秧检测系统，其特征在于，所述秧苗插秧评价模块(5)包括插秧质量评定单元(51)或插秧整体密度值评定单元(52)，其中，
所述插秧质量评定单元(51)，被配置为：
根据秧苗密度值上限值ρup_limit和下限值ρdown_limit，统计过密秧苗个数Sumup_limit，统计秧苗过稀疏个数Sumdown_limit；若插秧质量指数E≤δ,则所述插秧质量评定合格；若插秧质量指数E≥δ,则所述插秧质量评定不合格；所述δ取值范围为0.01≤δ≤0.5，所述
所述插秧整体密度值评定单元(52)，被配置为：
统计秧苗密度值的平均值所述若秧苗密度值的平均值则所述插秧整体密度值评定合格；若插秧密度指数或则所述插秧整体密度值评定不合格；所述Fmin为秧苗整体密度的下限值，所述Fmax为秧苗整体密度的上限值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610778568.5A CN106373133B (zh) | 2016-08-31 | 2016-08-31 | 一种基于暗通道去雾算法的农田插秧检测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610778568.5A CN106373133B (zh) | 2016-08-31 | 2016-08-31 | 一种基于暗通道去雾算法的农田插秧检测方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106373133A CN106373133A (zh) | 2017-02-01 |
| CN106373133B true CN106373133B (zh) | 2019-02-26 |
Family
ID=57902054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610778568.5A Expired - Fee Related CN106373133B (zh) | 2016-08-31 | 2016-08-31 | 一种基于暗通道去雾算法的农田插秧检测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106373133B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108765309B (zh) * | 2018-04-26 | 2022-05-17 | 西安汇智信息科技有限公司 | 基于暗通道的线状自适应改进全局大气光的图像去雾方法 |
| CN111886982B (zh) * | 2020-08-21 | 2022-03-22 | 农业农村部南京农业机械化研究所 | 一种旱地栽植作业质量实时检测系统的检测方法 |
| 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 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542560A (zh) * | 2011-10-31 | 2012-07-04 | 华中科技大学 | 一种水稻移栽后密度自动检测的方法 |
| CN102592118A (zh) * | 2011-12-31 | 2012-07-18 | 华中科技大学 | 一种玉米出苗期的自动检测方法 |
| CN104392430A (zh) * | 2014-10-22 | 2015-03-04 | 华南农业大学 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
| CN105354806A (zh) * | 2015-11-20 | 2016-02-24 | 上海熙菱信息技术有限公司 | 基于暗通道的快速去雾方法及系统 |
| 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 |
-
2016
- 2016-08-31 CN CN201610778568.5A patent/CN106373133B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102542560A (zh) * | 2011-10-31 | 2012-07-04 | 华中科技大学 | 一种水稻移栽后密度自动检测的方法 |
| CN102592118A (zh) * | 2011-12-31 | 2012-07-18 | 华中科技大学 | 一种玉米出苗期的自动检测方法 |
| CN104392430A (zh) * | 2014-10-22 | 2015-03-04 | 华南农业大学 | 基于机器视觉的超级杂交稻穴播量的检测方法及装置 |
| CN105354806A (zh) * | 2015-11-20 | 2016-02-24 | 上海熙菱信息技术有限公司 | 基于暗通道的快速去雾方法及系统 |
| 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 |
Non-Patent Citations (3)
| Title |
|---|
| 《Recognition of Plants by Leaves Digital Image and Neural Network》;Jiazhi Pan等;《2008 International Conference on Computer Science and Software Engineering》;20081231;第4卷;第906-910页 |
| 《植株田间分布均匀度的定义与计算》;杨丽华等;《玉米科学》;20061231;第14卷(第s1期);第92,-94,96 |
| 《水稻播种质量检测技术的研究进展及展望》;梁琨等;《浙江农业学报》;20100331;第22卷(第2期);第253-257页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106373133A (zh) | 2017-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100416590C (zh) | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 | |
| Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
| CN106373133B (zh) | 一种基于暗通道去雾算法的农田插秧检测方法及其系统 | |
| CN109508633B (zh) | 一种基于光学遥感数据的甘蔗分布识别方法 | |
| CN109919083A (zh) | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 | |
| CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
| CN108334476B (zh) | 农机作业平整度的检测方法、装置和系统 | |
| Liu et al. | A lightweight method for grape berry counting based on automated 3D bunch reconstruction from a single image | |
| CN116881812A (zh) | 基于多源遥感数据和随机森林法估测森林碳储量的方法 | |
| Miao et al. | Measurement method of maize morphological parameters based on point cloud image conversion | |
| CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
| CN114692991A (zh) | 一种基于深度学习的枸杞产量预测方法及系统 | |
| CN106340017B (zh) | 一种基于图像处理的农田插秧检测方法及系统 | |
| CN107818565B (zh) | 一种小麦一至三叶期麦苗数量调查方法 | |
| CN115358991A (zh) | 一种秧苗的漏秧数量和漏秧位置的识别方法及系统 | |
| CN115619286B (zh) | 一种评估育种田间小区样地质量的方法和系统 | |
| CN111932551A (zh) | 一种水稻插秧机的漏插率检测方法 | |
| CN113421301B (zh) | 一种田间作物中心区域定位方法及系统 | |
| CN113111892B (zh) | 一种基于无人机影像的作物种植行提取方法 | |
| CN115861851A (zh) | 一种基于无人机遥感影像深度学习的玉米出苗率计算方法 | |
| CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 | |
| CN110554406B (zh) | 一种基于无人机立体摄影测量点云的次生林结构参数反演的方法 | |
| CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
| CN113643231B (zh) | 一种基于深度图像的作物出苗质量检测方法 | |
| CN111860220A (zh) | 一种小麦幼苗分布特征的评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | 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 Jia Inventor after: Zhao Bin Inventor before: Li Jia |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20190226 Termination date: 20200831 |