CN107578447B - 一种基于无人机影像的作物垄位置确定方法及系统 - Google Patents
一种基于无人机影像的作物垄位置确定方法及系统 Download PDFInfo
- Publication number
- CN107578447B CN107578447B CN201710881460.3A CN201710881460A CN107578447B CN 107578447 B CN107578447 B CN 107578447B CN 201710881460 A CN201710881460 A CN 201710881460A CN 107578447 B CN107578447 B CN 107578447B
- Authority
- CN
- China
- Prior art keywords
- spot
- crops
- characteristic point
- crop
- value
- 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
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机影像的作物垄位置确定方法及系统,是根据无人机影像中作物的成像特征,提供出了一种基于滤波扫描策略结合最小二乘法来确定作物垄位置。其中,所述方法具体包括:获取无人机拍摄的作物区图像,通过二值化并根据提取图斑面积和图斑面积特征去除杂草等非作物图斑;基于作物成像原理提取农作物特征点;建立一个与农作物垄方向平行的h×d矩形窗口,通过滤波扫描的策略筛选符合要求的农作物特征点;根据筛选出的农作物特征点,采用最小二乘法,确定作物垄的位置。因此,采用本发明提供的方法或者系统,能够利用无人机影像精确地检测出作物垄并确定作物垄位置。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种基于无人机影像的作物垄位置确定方法及系统。
背景技术
精准农业是当今世界农业发展的潮流,通过信息技术支持,定位、定时、定量地实施现代化农事操作技术与管理,极大的节约各种农业生产资料的投入,大大降低生产成本,提高土地的收益率,同时有利于环境的保护。农业机械智能导航技术是精细农业的一个重要组成部分,在播种、喷药、施肥、除草、收割等多方面有着广泛的应用,为了实现农业机械智能导航技术,最重要的一步就是通过作物垄的提取准确获取导航信息。目前用于作物垄提取的主要方法包括霍夫变换法和消失点法等,且主要应用于农业车载相机获取的影像。目前,作物垄提取未能考虑到无人机遥感在农业方面的应用,特别是无人机遥感技术结合航空喷洒技术在农业领域的应用,且霍夫变换法存在计算量大、耗时多的不足,难以满足实时处理的要求,消失点法检测作物垄的算法比较复杂,且其原理只适用于农业车载相机获取的影像,无法应用于无人机影像的作物垄提取。因此,如何基于无人机影像精确的提取作物垄,是图像处理领域急需解决的技术问题。
发明内容
本发明的目的是提供一种基于无人机影像的作物垄位置确定方法及系统,能够精确地检测出作物垄并确定作物垄位置。
为实现上述目的,本发明提供了如下方案:
一种基于无人机影像的作物垄位置确定方法,所述作物垄位置确定方法包括:
步骤101:获取无人机拍摄的作物区图像;所述作物区图像中包含有农作物、杂草以及土壤;
步骤102:获取作物垄的方向;
步骤103:对所述作物区图像进行去杂草图斑处理;
步骤104:根据处理后的所述作物区图像,提取农作物特征点;所述农作物特征点为农作物根部的位置;
步骤105:以任一个所述农作物特征点为中心点,建立一个与所述农作物垄方向平行的h×d矩形窗口,并计算所述h×d矩形窗口内所有所述农作物特征点的绝对距离和相邻距离;所述绝对距离为所述农作物特征点的纵坐标与平均值的差值的绝对值;所述平均值为所述h×d矩形窗口内所有所述农作物特征点的纵坐标的平均值;所述相邻距离为所述h×d矩形窗口中所述农作物特征点与相邻的农作物特征点之间的相邻距离;所述h为所述h×d矩形窗口的高度;所述d为所述h×d矩形窗口的宽度;
步骤106:判断所述h×d矩形窗口内各所述农作物特征点的绝对距离是否小于或者等于第一阈值,得到第一判断结果;
步骤107:若所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离小于或者等于第一阈值,则将所述农作物特征点保留在所述h×d矩形窗口中,并判断保留在所述h×d矩形窗口中的各所述农作物特征点的相邻距离是否大于或者等于第二阈值,得到第二判断结果;
步骤108:若所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离大于所述第一阈值,则删除所述农作物特征点;
步骤109:若所述第二判断结果表示所述农作物特征点的相邻距离大于或者等于所述第二阈值,则将所述农作物特征点保留在所述h×d矩形窗口中;
步骤110:若所述第二判断结果表示所述农作物特征点的相邻距离小于所述第二阈值,则计算所述农作物特征点对应的农作物图斑面积以及与所述农作物特征点相邻的所述农作物特征点对应的农作物图斑面积,并将大的所述农作物图斑面积对应的所述农作物特征点保留在所述h×d矩形窗口中;
步骤111:计算所述h×d矩形窗口内保留的所述农作物特征点的几何中心,将所述几何中心沿着作物垄方向平移d/2单位,并将平移后的所述几何中心替换所述中心点,返回步骤105,直至所述h×d矩形窗口的边缘移动至处理后的所述作物区图像的边缘停止,筛选出所述绝对距离小于等于所述第一阈值且所述相邻距离大于等于所述第二阈值的所有的所述农作物特征点;
步骤112:根据筛选出的所有的所述农作物特征点,采用最小二乘法,确定作物垄的位置;
重复步骤105-步骤112,确定所述作物区图像中所有作物垄的位置。
可选的,所述对所述作物区图像进行去杂草图斑处理,具体包括:
根据超绿指数对所述作物区图像进行灰度化处理;
对所述灰度化处理后的所述作物区图像进行阈值分割,得到包含植被图斑和土壤背景的二值图像;所述二值图像包含有植被的图斑面积和图斑形状;
获取图斑形状参数值和图斑面积参数值;
根据所述图斑形状参数值和所述图斑面积参数值,对所述二值图像进行去杂草图斑处理。
可选的,所述根据所述图斑形状参数值和所述图斑面积参数值,对所述二值图像进行除杂草处理,具体包括:
获取图斑面积阈值和图斑形状阈值;
获取植被图斑的面积值和植被图斑的形状值;
判断所述植被图斑的面积值是否大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值是否大于所述图斑形状参数值与所述图斑形状阈值的乘积,得到第三判断结果;
若所述第三判断结果表示所述植被图斑的面积值大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值大于所述图斑形状参数值与所述图斑形状阈值的乘积,则确定所述植被图斑为农作物图斑,保留所述农作物图斑;
若所述第三判断结果表示所述植被图斑的面积值小于等于所述图斑面积参数值与所述图斑面积阈值的乘积或者所述植被图斑的形状值小于等于所述图斑形状参数值与所述图斑形状阈值的乘积,则确定所述植被图斑为所述杂草图斑,删除所述杂草图斑。
可选的,所述根据处理后的所述作物区图像,提取农作物特征点,具体包括
根据无人机影像中作物的成像原理,提取所述处理后的作物区图像中的农作物特征点。
可选的,所述根据筛选出的所述农作物特征点,采用最小二乘法,确定作物垄的位置,具体包括:
根据筛选出的所述农作物特征点和公式(1),确定作物垄的位置;所述公式(1)为:y=kx+b (1);
式(1)中b=y'-k*x';其中,n表示筛选出的所述农作物特征点的个数;xi表示筛选出的所述农作物特征点的横坐标,i=1,2,...n;yi表示筛选出的所述农作物特征点的纵坐标,i=1,2,...n;x'表示筛选出的所述农作物特征点的横坐标均值;y'表示筛选出的所述农作物特征点的纵坐标均值。
本发明还提供了一种基于无人机影像的作物垄位置确定系统,所述作物垄位置确定系统包括:
作物区图像获取模块,用于获取无人机拍摄的作物区图像;所述作物区图像中包含有农作物、杂草以及土壤;
作物垄方向获取模块,用于获取作物垄的方向;
作物区图像处理模块,用于对所述作物区图像进行去杂草图斑处理;
农作物特征点提取模块,用于根据处理后的所述作物区图像,提取农作物特征点;所述农作物特征点为农作物根部的位置;
绝对距离和相邻距离计算模块,用于以任一个所述农作物特征点为中心点,建立一个与所述农作物垄方向平行的h×d矩形窗口,并计算所述h×d矩形窗口内所有所述农作物特征点的绝对距离和相邻距离;所述绝对距离为所述农作物特征点的纵坐标与平均值的差值的绝对值;所述平均值为所述h×d矩形窗口内所有所述农作物特征点的纵坐标的平均值;所述相邻距离为所述h×d矩形窗口中所述农作物特征点与相邻的农作物特征点之间的相邻距离;所述h为所述h×d矩形窗口的高度;所述d为所述h×d矩形窗口的宽度;
第一判断结果得到模块,用于判断所述h×d矩形窗口内各所述农作物特征点的绝对距离是否小于或者等于第一阈值,得到第一判断结果;
第二判断结果得到模块,用于当所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离小于或者等于第一阈值时,将所述农作物特征点保留在所述h×d矩形窗口中,并判断保留在所述h×d矩形窗口中的各所述农作物特征点的相邻距离是否大于或者等于第二阈值,得到第二判断结果;
农作物特征点删除模块,用于当所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离大于所述第一阈值时,删除所述农作物特征点;
农作物特征点第一保留模块,用于当所述第二判断结果表示所述农作物特征点的相邻距离大于或者等于所述第二阈值时,将所述农作物特征点保留在所述h×d矩形窗口中;
农作物特征点第二保留模块,用于当若所述第二判断结果表示所述农作物特征点的相邻距离小于所述第二阈值,则计算所述农作物特征点对应的农作物图斑面积以及与所述农作物特征点相邻的所述农作物特征点对应的农作物图斑面积,并将小的所述农作物图斑面积对应的所述农作物特征点删除,将大的所述农作物图斑面积对应的所述农作物特征点保留在所述h×d矩形窗口中;
农作物特征点筛选模块,用于计算所述h×d矩形窗口内保留的所述农作物特征点的几何中心,将所述几何中心沿着作物垄方向平移d/2单位,并将平移后的所述几何中心替换所述中心点,跳转至绝对距离和相邻距离计算模块,直至所述h×d矩形窗口的边缘移动至处理后的所述作物区图像的边缘停止,筛选出所述绝对距离小于等于所述第一阈值且所述相邻距离大于等于所述第二阈值的所有的所述农作物特征点;
作物垄位置确定模块,用于根据筛选出的所有的所述农作物特征点,采用最小二乘法,确定作物垄的位置。
可选的,所述作物区图像处理模块,具体包括:
灰度化处理单元,用于根据超绿指数对所述作物区图像进行灰度化处理;
二值图像得到单元,用于对所述灰度化处理后的所述作物区图像进行阈值分割,得到包含植被图斑和土壤背景的二值图像;所述二值图像包含有植被的图斑面积和图斑形状;
图斑形状参数值和图斑面积参数值获取单元,用于获取图斑形状参数值和图斑面积参数值;
杂草图斑处理单元,用于根据所述图斑形状参数值和所述图斑面积参数值,对所述二值图像进行去杂草图斑处理。
可选的,所述杂草图斑处理单元,具体包括:
图斑面积阈值和图斑形状阈值获取子单元,用于获取图斑面积阈值和图斑形状阈值;
植被图斑面积值和植被图斑形状值获取子单元,用于获取植被图斑的面积值和植被图斑的形状值;
第三判断结果得到子单元,用于判断所述植被图斑的面积值是否大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值是否大于所述图斑形状参数值与所述图斑形状阈值的乘积,得到第三判断结果;
保留子单元,用于当所述第三判断结果表示所述植被图斑的面积值大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值大于所述图斑形状参数值与所述图斑形状阈值的乘积时,确定所述植被图斑为农作物图斑,保留所述农作物图斑;
删除子单元,用于当所述第三判断结果表示所述植被图斑的面积值小于等于所述图斑面积参数值与所述图斑面积阈值的乘积或者所述植被图斑的形状值小于等于所述图斑形状参数值与所述图斑形状阈值的乘积时,确定所述植被图斑为所述杂草图斑,删除所述杂草图斑。
可选的,所述农作物特征点提取模块,具体包括
农作物特征点提取单元,用于根据无人机影像中作物的成像原理,提取所述处理后的作物区图像中的农作物特征点。
可选的,所述作物垄位置确定模块,具体包括:
作物垄位置确定单元,用于根据筛选出的所述农作物特征点和公式(1),确定作物垄的位置;所述公式(1)为:y=kx+b (1);
式(1)中b=y'-k*x';其中,n表示筛选出的所述农作物特征点的个数;xi表示筛选出的所述农作物特征点的横坐标,i=1,2,...n;yi表示筛选出的所述农作物特征点的纵坐标,i=1,2,...n;x'表示筛选出的所述农作物特征点的横坐标均值;y'表示筛选出的所述农作物特征点的纵坐标均值。
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:本发明提供了一种基于无人机影像的作物垄位置确定方法及系统,包括:步骤101获取无人机拍摄的作物区图像;所述作物区图像中包含有农作物、杂草以及土壤;步骤102获取作物垄的方向;步骤103对所述作物区图像进行去杂草图斑处理;步骤104根据处理后的所述作物区图像,提取农作物特征点;所述农作物特征点为农作物根部的位置;步骤105:以任一个所述农作物特征点为中心点,建立一个与所述农作物垄方向平行的h×d矩形窗口,并计算所述h×d矩形窗口内所有所述农作物特征点的绝对距离和相邻距离;所述绝对距离为所述农作物特征点的纵坐标与平均值的差值的绝对值;所述平均值为所述h×d矩形窗口内所有所述农作物特征点的纵坐标的平均值;所述相邻距离为所述h×d矩形窗口中所述农作物特征点与相邻的农作物特征点之间的相邻距离;所述h为所述h×d矩形窗口的高度;所述d为所述h×d矩形窗口的宽度;步骤106判断所述h×d矩形窗口内各所述农作物特征点的绝对距离是否小于或者等于第一阈值,得到第一判断结果;若否,则删除所述农作物特征点;若是,则将所述农作物特征点保留在所述h×d矩形窗口中,并判断保留在所述h×d矩形窗口中的各所述农作物特征点的相邻距离是否大于或者等于第二阈值,若是,则将所述农作物特征点保留在所述h×d矩形窗口中;若否,则计算所述农作物特征点对应的农作物图斑面积以及与所述农作物特征点相邻的所述农作物特征点对应的农作物图斑面积,并将大的所述农作物图斑面积对应的所述农作物特征点保留在所述h×d矩形窗口中;步骤107:计算所述h×d矩形窗口内保留的所述农作物特征点的几何中心,将所述几何中心沿着作物垄方向平移d/2单位,并将平移后的所述几何中心替换所述中心点,返回步骤105,直至所述h×d矩形窗口的边缘移动至处理后的所述作物区图像的边缘停止,筛选出所述绝对距离小于等于所述第一阈值且所述相邻距离大于等于所述第二阈值的所有所述农作物特征点;步骤108:根据筛选出的所有所述农作物特征点,采用最小二乘法,确定作物垄的位置;重复步骤105-步骤108,确定所述作物区图像中所有作物垄的位置。因此,采用本发明提供的方法或者系统,能够利用无人机影像精确地检测出作物垄并确定作物垄位置。
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为本发明实施例作物垄位置确定方法的流程示意图;
图2为本发明实施例去杂草后的玉米二值图像;
图3为本发明实施例玉米成像示意图;
图4为本发明实施例作物垄提取示意图;
图5为本发明实施例作物垄位置确定系统的结构示意图。
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。
由于无人机影像和车载影像的拍摄视角不同导致所成图像特征不同,在无人机影像中,作物垄直线之间是相互平行的,而车载图像中的作物垄直线不是平行的,所有作物垄向远离观察者方向延伸的交点与图像中线的延长线交于一点。若采用霍夫变换算法提取作物垄的过程中会把非作物垄也提取出来,并根据车载图像的这一特征,可以结合消失点法去除非作物垄,但对于无人机影像来说,采用霍夫变换算法却无法去除非作物垄。因此,本发明的目的是提供一种基于无人机影像的作物垄位置确定方法及系统,能够实时、精确地检测出作物垄并确定作物垄位置,且能够避免采用霍夫变换算法提取作物垄的过程中会把非作物垄也提取出来的问题。
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。
图1为本发明实施例作物垄位置确定方法的流程示意图,如图1所示,本发明提供的作物垄位置确定方法具体包括以下步骤:
步骤101:获取无人机拍摄的作物区图像;所述作物区图像中包含有农作物、杂草以及土壤。
步骤102:获取作物垄的方向。
步骤103:对所述作物区图像进行去杂草图斑处理。
步骤104:根据处理后的所述作物区图像,提取农作物特征点;所述农作物特征点为农作物根部的位置。
步骤105:以任一个所述农作物特征点为中心点,建立一个与所述农作物垄方向平行的h×d矩形窗口,并计算所述h×d矩形窗口内所有所述农作物特征点的绝对距离和相邻距离;所述绝对距离为所述农作物特征点的纵坐标与平均值的差值的绝对值;所述平均值为所述h×d矩形窗口内所有所述农作物特征点的纵坐标的平均值;所述相邻距离为所述h×d矩形窗口中所述农作物特征点与相邻的农作物特征点之间的相邻距离;所述h为所述h×d矩形窗口的高度;所述d为所述h×d矩形窗口的宽度。
步骤106:判断所述h×d矩形窗口内各所述农作物特征点的绝对距离是否小于或者等于第一阈值,得到第一判断结果。
步骤107:若所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离小于或者等于第一阈值,则将所述农作物特征点保留在所述h×d矩形窗口中,并判断保留在所述h×d矩形窗口中的各所述农作物特征点的相邻距离是否大于或者等于第二阈值,得到第二判断结果。
步骤108:若所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离大于所述第一阈值,则删除所述农作物特征点。
步骤109:若所述第二判断结果表示所述农作物特征点的相邻距离大于或者等于所述第二阈值,则将所述农作物特征点保留在所述h×d矩形窗口中。
步骤110:若所述第二判断结果表示所述农作物特征点的相邻距离小于所述第二阈值,则计算所述农作物特征点对应的农作物图斑面积以及与所述农作物特征点相邻的所述农作物特征点对应的农作物图斑面积,并将大的所述农作物图斑面积对应的所述农作物特征点保留在所述h×d矩形窗口中。
步骤111:计算所述h×d矩形窗口内保留的所述农作物特征点的几何中心,将所述几何中心沿着作物垄方向平移d/2单位,并将平移后的所述几何中心替换所述中心点,返回步骤105,直至所述h×d矩形窗口的边缘移动至处理后的所述作物区图像的边缘停止,筛选出所述绝对距离小于等于所述第一阈值且所述相邻距离大于等于所述第二阈值的所有的所述农作物特征点。
步骤112:根据筛选出的所有的所述农作物特征点,采用最小二乘法,确定作物垄的位置。重复步骤105至步骤112,确定所述作物区图像中所有作物垄的位置。
其中,所述步骤103具体包括:
步骤1031:根据超绿指数对所述作物区图像进行灰度化处理。
步骤1032:对所述灰度化处理后的所述作物区图像进行阈值分割,得到包含植被图斑和土壤背景的二值图像。所述二值图像包含有植被的图斑面积和图斑形状;
步骤1033:获取图斑形状参数值和图斑面积参数值;所述图斑形状参数值为所述二值图像中所有植被图斑的形状参数平均值;所述图斑面积参数值为二值图像中所有植被图斑的面积平均值。
步骤1034:根据所述图斑形状参数值和所述图斑面积参数值,对所述二值图像进行去杂草图斑处理。
所述步骤1034具体包括:
获取图斑面积阈值和图斑形状阈值。
获取植被图斑的面积值和植被图斑的形状值。
判断所述植被图斑的面积值是否大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值是否大于所述图斑形状参数值与所述图斑形状阈值的乘积,得到第三判断结果。
若所述第三判断结果表示所述植被图斑的面积值大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值大于所述图斑形状参数值与所述图斑形状阈值的乘积,则确定所述植被图斑为农作物图斑,保留所述农作物图斑;
若所述第三判断结果表示所述植被图斑的面积值小于等于所述图斑面积参数值与所述图斑面积阈值的乘积或者所述植被图斑的形状值小于等于所述图斑形状参数值与所述图斑形状阈值的乘积,则确定所述植被图斑为所述杂草图斑,删除所述杂草图斑。
所述步骤104具体包括
根据无人机影像中作物的成像原理,提取所述处理后的作物区图像中的农作物特征点。
所述步骤112具体包括:
根据筛选出的所述农作物特征点和公式(1),确定作物垄的位置;所述公式(1)为:y=kx+b (1);
式(1)中b=y'-k*x';其中,n表示筛选出的所述农作物特征点的个数;xi表示筛选出的所述农作物特征点的横坐标,i=1,2,...n;yi表示筛选出的所述农作物特征点的纵坐标,i=1,2,...n;x'表示筛选出的所述农作物特征点的横坐标均值;y'表示筛选出的所述农作物特征点的纵坐标均值。
为了更好的说明本发明提供的基于无人机影像的作物垄位置确定方法,能够避免采用霍夫变换算法提取作物垄的过程中会把非作物垄也提取出来的问题,且也能够实时、精确地检测出作物垄并确定作物垄位置,下面通过具体的实施例来说明。
本发明实施例提供的技术方案具体包括:
(1)作物图像获取:获取无人机拍摄的玉米作物区图像和玉米作物垄方向。
(2)作物识别:利用超绿指数excess green(ExG)=2g-r-b对玉米作物区图像灰度化,然后对得到的灰度图像进行阈值分割,得到一副包含植被图斑和土壤背景两部分的二值图像,并根据玉米作物独特的特征对二值图像去除杂草和作物残留物等部分。
考虑到玉米独特的特征(玉米图斑面积大于杂草图斑和作物残留物图斑面积,且其形状也不同于两者),因此引入图斑面积、图斑形状(面积/周长)去除杂草和作物残留物,得到如图2所示的图像。
具体为:判断所述植被图斑的面积值是否大于玉米图斑面积参数值与玉米图斑面积阈值的乘积,且所述植被图斑的形状值是否大于玉米图斑形状参数值与玉米图斑形状阈值的乘积,得到第三判断结果。
若所述第三判断结果表示所述植被图斑的面积值大于玉米图斑面积参数值与玉米图斑面积阈值的乘积,且所述植被图斑的形状值大于玉米图斑形状参数值与玉米图斑形状阈值的乘积,则确定所述植被图斑为玉米图斑,保留所述玉米图斑。
若所述第三判断结果表示所述植被图斑的面积值小于等于玉米图斑面积参数值与玉米图斑面积阈值的乘积或者所述植被图斑的形状值小于等于玉米图斑形状参数值与玉米图斑形状阈值的乘积,则确定所述植被图斑为杂草图斑或者作物残留物图斑,删除所述杂草图斑或者作物残留物图斑。
其中,所述玉米图斑形状参数值为所述二值图像中所有植被图斑的形状参数平均值;所述玉米图斑面积参数值为二值图像中所有植被图斑的面积平均值。另外经反复实验,发现玉米图斑面积阈值和玉米图斑形状阈值均为0.3时可以较好地把杂草和作物残留物去除。
另外,还需要对图像进行膨胀处理,把可能被分离的各个部分合并为一个玉米对象。
膨胀是将与目标区域接触的背景点合并到目标物中,使目标边界向外部扩张的处理。膨胀可用来填补目标区域中的某些空洞以及消除在目标区域中的小颗粒噪声,用结构元素B膨胀图像A可以定义为:
式中,(B)xy表示将结构元素B的原点平移到图像像元(x,y)位置。如果B在图像像元(x,y)处与A的交集不为空,则将输出像元对应的像元(x,y)赋值为1,否则赋值为0。
(3)作物特征点提取:根据无人机影像中作物的成像原理,对图2所示的图像进行处理,提取玉米特征点即玉米的根部点位置。玉米特征点提取的步骤为:如图3所示,
1.玉米特征点就是玉米的根部点(点A的位置),是作物垄提取的关键变量。
2.从图3可以看出相机、玉米及其成像之间的位置关系。相机距离地面的高度为无人机的飞行高度。假定玉米植物p是直立并垂直于地面(xOy),p'是相机观察到的玉米投影,玉米植株的根部位置A就是作物垄提取所必需的关键因素,即要提取的玉米特征点。
图3中的阴影部分是在相机位置角度玉米投影到地面的区域。C是玉米最高点的投影在地面上的位置,并且该投影多边形的质心是点B。点B的坐标可由下式确定:
式中centroidmaize是玉米斑块的中心点(即B点),x、y分别为xOy坐标平面上玉米像元点的横、纵坐标,n为玉米对象的像元总个数。
由于B是AC的中点,最后可以推导出:
式中H为相机所在位置相对于地面的高度,AD是玉米的平均高度,OB为B点到原点的实际地面距离。因此A的坐标(Ax,Ay)可以由B点坐标(Bx,By)计算出来:
Ax=Bx-|AB|cosθ (6);
Ay=By-|AB|sinθ (7);
式中|AB|为线段AB的长度,θ为∠Box。
(4)作物垄提取:基于滤波扫描的策略并结合最小二乘法来提取作物垄。作物垄提取核心思想是设计一个合适大小的窗口,通过不断的平移搜寻一条作物垄上所有的特征点并利用最小二乘法计算出这条作物垄的位置,然后通过不断地迭代上述过程直至检测出所有的作物垄。
具体步骤如下:如图4所示,
(i)滤波设计:随机挑选一个玉米特征点P0,以P0为中心,做一个与作物垄方向平行的h×d的矩形窗口,其中h为窗口的高度,d为窗口的宽度,h和d具体取值依研究区状况而定,一般窗口高度是作物行宽的1~1.5倍,窗口宽度取决于作物的分布,分布均匀的一般是相邻作物植株间距的10~15倍;缺株较严重时取15~20倍。
(ii)特征点过滤:在作物特征点提取步骤中提取的作物特征点除玉米特征点外,一些杂草点和残留物点也被提取出来,为了精确的检测作物垄,需要剔除掉异常特征点(杂草点和残留物点)。满足以下任一条件的都为异常特征点:在与作物垄方向垂直的方向上远离大多数特征点的特征点为异常点,或者两个特征点距离太近如小于0.1米时,所对应的植株面积较小的特征点为异常点。
具体为:计算所述h×d矩形窗口内所有所述玉米特征点的绝对距离和相邻距离;所述绝对距离为所述玉米特征点的纵坐标与平均值的差值的绝对值;所述平均值为所述h×d矩形窗口内所有所述玉米特征点的纵坐标的平均值;所述相邻距离为所述h×d矩形窗口中所述玉米特征点与相邻的玉米特征点之间的相邻距离;
判断所述h×d矩形窗口内各所述玉米特征点的绝对距离是否小于或者等于第一阈值,得到第一判断结果。
若所述第一判断结果表示所述h×d矩形窗口内所述玉米特征点的绝对距离小于或者等于第一阈值,则将所述玉米特征点保留在所述h×d矩形窗口中,并判断保留在所述h×d矩形窗口中的各所述玉米特征点的相邻距离是否大于或者等于第二阈值,得到第二判断结果。
若所述第一判断结果表示所述h×d矩形窗口内所述玉米特征点的绝对距离大于所述第一阈值,则删除所述玉米特征点。所述第一阈值为0.2倍的作物垄宽度。
若所述第二判断结果表示所述玉米特征点的相邻距离大于或者等于所述第二阈值,则将所述玉米特征点保留在所述h×d矩形窗口中。所述第二阈值为0.1米。
若所述第二判断结果表示所述玉米特征点的相邻距离小于所述第二阈值,则计算所述玉米特征点对应的玉米图斑面积以及与所述玉米特征点相邻的所述玉米特征点对应的玉米图斑面积,并将大的所述玉米图斑面积对应的所述玉米特征点保留在所述h×d矩形窗口中。
(iii)滤波扫描:筛选出窗口内所有正常特征点后,计算它们的几何中心点P(P点的横纵坐标分别为滤波窗口内所有正常特征点的横坐标均值和纵坐标均值),并使点P沿着作物垄方向向右移动d/2个单位得到一个新的点P1,然后以P1为中心,做一个h×d的矩形窗口(与作物垄方向平行),重复上述步骤,直到扫描至图像的右边缘位置;然后按照相同的方法使点P沿着作物垄方向向左移动扫描至图像的左边缘位置。
(iv)最小二乘法拟合作物垄:至此已筛选出作物垄上的所有正常的玉米特征点,然后用最小二乘法拟合计算出作物垄的位置。
根据筛选出的所述农作物特征点和公式(1),确定作物垄的位置;所述公式(1)为:y=kx+b (1);
式(1)中b=y'-k*x';其中,n表示筛选出的所述农作物特征点的个数;xi表示筛选出的所述农作物特征点的横坐标,i=1,2,...n;yi表示筛选出的所述农作物特征点的纵坐标,i=1,2,...n;x'表示筛选出的所述农作物特征点的横坐标均值;y'表示筛选出的所述农作物特征点的纵坐标均值。
(v)排除上述所选的正常特征点后,在剩下的特征点中再随机挑选一个特征点,重复(i)(ii)(iii)(iv)步骤,即可提取一条新的作物垄。即可把剩余所有的作物垄提取出来。
现有技术中,常用的作物垄检测方法中,霍夫变换法存在计算量大、耗时多的不足,难以满足实时处理的要求;基于消失点法检测作物垄的算法比较复杂,且其原理只适用于农业车载相机获取的影像,无法应用于无人机影像的作物垄提取。与现有技术相比,本发明根据无人机影像中作物的成像特征,提供出了一种基于滤波扫描的策略并结合最小二乘法来提取作物垄,可为航空喷洒作业提供作物的辅助信息,可极大地提高工作效率和质量,降低成本,减少农肥、农药和水的使用,保护环境,在提高作业效率的同时减少对环境的污染,实现农业的精细化管理,并达到高效高产低成本和环保的目的
为达到上述目的,本发明还提供了一种基于无人机影像的作物垄位置确定系统,图5为本发明实施例作物垄位置确定系统的结构示意图,如图5所示,所述作物垄位置确定系统包括:
作物区图像获取模块501,用于获取无人机拍摄的作物区图像;所述作物区图像中包含有农作物、杂草以及土壤。
作物垄方向获取模块502,用于获取作物垄的方向。
作物区图像处理模块503,用于对所述作物区图像进行去杂草图斑处理。
农作物特征点提取模块504,用于根据处理后的所述作物区图像,提取农作物特征点;所述农作物特征点为农作物根部的位置。
绝对距离和相邻距离计算模块505,用于以任一个所述农作物特征点为中心点,建立一个与所述农作物垄方向平行的h×d矩形窗口,并计算所述h×d矩形窗口内所有所述农作物特征点的绝对距离和相邻距离;所述绝对距离为所述农作物特征点的纵坐标与平均值的差值的绝对值;所述平均值为所述h×d矩形窗口内所有所述农作物特征点的纵坐标的平均值;所述相邻距离为所述h×d矩形窗口中所述农作物特征点与相邻的农作物特征点之间的相邻距离;所述h为所述h×d矩形窗口的高度;所述d为所述h×d矩形窗口的宽度。
第一判断结果得到模块506,用于判断所述h×d矩形窗口内各所述农作物特征点的绝对距离是否小于或者等于第一阈值,得到第一判断结果。
第二判断结果得到模块507,用于当所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离小于或者等于第一阈值时,将所述农作物特征点保留在所述h×d矩形窗口中,并判断保留在所述h×d矩形窗口中的各所述农作物特征点的相邻距离是否大于或者等于第二阈值,得到第二判断结果。
农作物特征点删除模块508,用于当所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离大于所述第一阈值时,删除所述农作物特征点。
农作物特征点第一保留模块509,用于当所述第二判断结果表示所述农作物特征点的相邻距离大于或者等于所述第二阈值时,将所述农作物特征点保留在所述h×d矩形窗口中。
农作物特征点第二保留模块510,用于当若所述第二判断结果表示所述农作物特征点的相邻距离小于所述第二阈值,则计算所述农作物特征点对应的农作物图斑面积以及与所述农作物特征点相邻的所述农作物特征点对应的农作物图斑面积,并将小的所述农作物图斑面积对应的所述农作物特征点删除,将大的所述农作物图斑面积对应的所述农作物特征点保留在所述h×d矩形窗口中。
农作物特征点筛选模块511,用于计算所述h×d矩形窗口内保留的所述农作物特征点的几何中心,将所述几何中心沿着作物垄方向平移d/2单位,并将平移后的所述几何中心替换所述中心点,跳转至绝对距离和相邻距离计算模块,直至所述h×d矩形窗口的边缘移动至处理后的所述作物区图像的边缘停止,筛选出所述绝对距离小于等于所述第一阈值且所述相邻距离大于等于所述第二阈值的所有的所述农作物特征点。
作物垄位置确定模块512,用于根据筛选出的所有的所述农作物特征点,采用最小二乘法,确定作物垄的位置。
其中,所述作物区图像处理模块503,具体包括:
灰度化处理单元,用于根据超绿指数对所述作物区图像进行灰度化处理。
二值图像得到单元,用于对所述灰度化处理后的所述作物区图像进行阈值分割,得到包含植被图斑和土壤背景的二值图像;所述二值图像包含有植被的图斑面积和图斑形状。
图斑形状参数值和图斑面积参数值获取单元,用于获取图斑形状参数值和图斑面积参数值。所述图斑形状参数值为所述二值图像中所有植被图斑的形状参数平均值;所述图斑面积参数值为二值图像中所有植被图斑的面积平均值。
杂草图斑处理单元,用于根据图斑形状参数值和图斑面积参数值,对所述二值图像进行去杂草图斑处理。
所述杂草图斑处理单元,具体包括:
图斑面积阈值和图斑形状阈值获取子单元,用于获取图斑面积阈值和图斑形状阈值;
植被图斑面积值和植被图斑形状值获取子单元,用于获取植被图斑的面积值和植被图斑的形状值;
第三判断结果得到子单元,用于判断所述植被图斑的面积值是否大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值是否大于所述图斑形状参数值与所述图斑形状阈值的乘积,得到第三判断结果;
保留子单元,用于当所述第三判断结果表示所述植被图斑的面积值大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值大于所述图斑形状参数值与所述图斑形状阈值的乘积时,确定所述植被图斑为农作物图斑,保留所述农作物图斑;
删除子单元,用于当所述第三判断结果表示所述植被图斑的面积值小于等于所述图斑面积参数值与所述图斑面积阈值的乘积或者所述植被图斑的形状值小于等于所述图斑形状参数值与所述图斑形状阈值的乘积时,确定所述植被图斑为所述杂草图斑,删除所述杂草图斑。
所述农作物特征点提取模块504,具体包括
农作物特征点提取单元,用于根据无人机影像中作物的成像原理,提取所述处理后的作物区图像中的农作物特征点。
所述作物垄位置确定模块512,具体包括:
作物垄位置确定单元,用于根据筛选出的所述农作物特征点和公式(1),确定作物垄的位置;所述公式(1)为:y=kx+b (1);
式(1)中b=y'-k*x';其中,n表示筛选出的所述农作物特征点的个数;xi表示筛选出的所述农作物特征点的横坐标,i=1,2,...n;yi表示筛选出的所述农作物特征点的纵坐标,i=1,2,...n;x'表示筛选出的所述农作物特征点的横坐标均值;y'表示筛选出的所述农作物特征点的纵坐标均值。
对于实施例公开的系统而言,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)
1.一种基于无人机影像的作物垄位置确定方法,其特征在于,所述作物垄位置确定方法包括:
步骤101:获取无人机拍摄的作物区图像;所述作物区图像中包含有农作物、杂草以及土壤;
步骤102:获取作物垄的方向;
步骤103:对所述作物区图像进行去杂草图斑处理;
步骤104:根据处理后的所述作物区图像,提取农作物特征点;所述农作物特征点为农作物根部的位置;
步骤105:以任一个所述农作物特征点为中心点,建立一个与所述农作物垄方向平行的h×d矩形窗口,并计算所述h×d矩形窗口内所有所述农作物特征点的绝对距离和相邻距离;所述绝对距离为所述农作物特征点的纵坐标与平均值的差值的绝对值;所述平均值为所述h×d矩形窗口内所有所述农作物特征点的纵坐标的平均值;所述相邻距离为所述h×d矩形窗口中所述农作物特征点与相邻的农作物特征点之间的相邻距离;所述h为所述h×d矩形窗口的高度;所述d为所述h×d矩形窗口的宽度;
步骤106:判断所述h×d矩形窗口内各所述农作物特征点的绝对距离是否小于或者等于第一阈值,得到第一判断结果;
步骤107:若所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离小于或者等于第一阈值,则将所述农作物特征点保留在所述h×d矩形窗口中,并判断保留在所述h×d矩形窗口中的各所述农作物特征点的相邻距离是否大于或者等于第二阈值,得到第二判断结果;
步骤108:若所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离大于所述第一阈值,则删除所述农作物特征点;
步骤109:若所述第二判断结果表示所述农作物特征点的相邻距离大于或者等于所述第二阈值,则将所述农作物特征点保留在所述h×d矩形窗口中;
步骤110:若所述第二判断结果表示所述农作物特征点的相邻距离小于所述第二阈值,则计算所述农作物特征点对应的农作物图斑面积以及与所述农作物特征点相邻的所述农作物特征点对应的农作物图斑面积,并将大的所述农作物图斑面积对应的所述农作物特征点保留在所述h×d矩形窗口中;
步骤111:计算所述h×d矩形窗口内保留的所述农作物特征点的几何中心,将所述几何中心沿着作物垄方向平移d/2单位,并将平移后的所述几何中心为中心点,返回建立一个与所述农作物垄方向平行的h×d矩形窗口,并计算所述h×d矩形窗口内所有所述农作物特征点的绝对距离和相邻距离的步骤,直至所述h×d矩形窗口的边缘移动至处理后的所述作物区图像的边缘停止,筛选出所述绝对距离小于等于所述第一阈值且所述相邻距离大于等于所述第二阈值的所有的所述农作物特征点;
步骤112:根据筛选出的所有的所述农作物特征点,采用最小二乘法,确定作物垄的位置;
重复步骤105-步骤112,确定所述作物区图像中所有作物垄的位置。
2.根据权利要求1所述的作物垄位置确定方法,其特征在于,所述对所述作物区图像进行去杂草图斑处理,具体包括:
根据超绿指数对所述作物区图像进行灰度化处理;
对所述灰度化处理后的所述作物区图像进行阈值分割,得到包含植被图斑和土壤背景的二值图像;所述二值图像包含有植被的图斑面积和图斑形状;
获取图斑形状参数值和图斑面积参数值;
根据所述图斑形状参数值和所述图斑面积参数值,对所述二值图像进行去杂草图斑处理。
3.根据权利要求2所述的作物垄位置确定方法,其特征在于,所述根据所述图斑形状参数值和所述图斑面积参数值,对所述二值图像进行除杂草处理,具体包括:
获取图斑面积阈值和图斑形状阈值;
获取植被图斑的面积值和植被图斑的形状值;
判断所述植被图斑的面积值是否大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值是否大于所述图斑形状参数值与所述图斑形状阈值的乘积,得到第三判断结果;
若所述第三判断结果表示所述植被图斑的面积值大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值大于所述图斑形状参数值与所述图斑形状阈值的乘积,则确定所述植被图斑为农作物图斑,保留所述农作物图斑;
若所述第三判断结果表示所述植被图斑的面积值小于等于所述图斑面积参数值与所述图斑面积阈值的乘积或者所述植被图斑的形状值小于等于所述图斑形状参数值与所述图斑形状阈值的乘积,则确定所述植被图斑为所述杂草图斑,删除所述杂草图斑。
4.根据权利要求1所述的作物垄位置确定方法,其特征在于,所述根据处理后的所述作物区图像,提取农作物特征点,具体包括
根据无人机影像中作物的成像原理,提取所述处理后的作物区图像中的农作物特征点。
5.根据权利要求1所述的作物垄位置确定方法,其特征在于,所述根据筛选出的所有的所述农作物特征点,采用最小二乘法,确定作物垄的位置,具体包括:
根据筛选出的所述农作物特征点和公式(1),确定作物垄的位置;所述公式(1)为:y=kx+b(1);
式(1)中b=y'-k*x';其中,n表示筛选出的所述农作物特征点的个数;xi表示筛选出的所述农作物特征点的横坐标,i=1,2,...n;yi表示筛选出的所述农作物特征点的纵坐标,i=1,2,...n;x'表示筛选出的所述农作物特征点的横坐标均值;y'表示筛选出的所述农作物特征点的纵坐标均值。
6.一种基于无人机影像的作物垄位置确定系统,其特征在于,所述作物垄位置确定系统包括:
作物区图像获取模块,用于获取无人机拍摄的作物区图像;所述作物区图像中包含有农作物、杂草以及土壤;
作物垄方向获取模块,用于获取作物垄的方向;
作物区图像处理模块,用于对所述作物区图像进行去杂草图斑处理;
农作物特征点提取模块,用于根据处理后的所述作物区图像,提取农作物特征点;所述农作物特征点为农作物根部的位置;
绝对距离和相邻距离计算模块,用于以任一个所述农作物特征点为中心点,建立一个与所述农作物垄方向平行的h×d矩形窗口,并计算所述h×d矩形窗口内所有所述农作物特征点的绝对距离和相邻距离;所述绝对距离为所述农作物特征点的纵坐标与平均值的差值的绝对值;所述平均值为所述h×d矩形窗口内所有所述农作物特征点的纵坐标的平均值;所述相邻距离为所述h×d矩形窗口中所述农作物特征点与相邻的农作物特征点之间的相邻距离;所述h为所述h×d矩形窗口的高度;所述d为所述h×d矩形窗口的宽度;
第一判断结果得到模块,用于判断所述h×d矩形窗口内各所述农作物特征点的绝对距离是否小于或者等于第一阈值,得到第一判断结果;
第二判断结果得到模块,用于当所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离小于或者等于第一阈值时,将所述农作物特征点保留在所述h×d矩形窗口中,并判断保留在所述h×d矩形窗口中的各所述农作物特征点的相邻距离是否大于或者等于第二阈值,得到第二判断结果;
农作物特征点删除模块,用于当所述第一判断结果表示所述h×d矩形窗口内所述农作物特征点的绝对距离大于所述第一阈值时,删除所述农作物特征点;
农作物特征点第一保留模块,用于当所述第二判断结果表示所述农作物特征点的相邻距离大于或者等于所述第二阈值时,将所述农作物特征点保留在所述h×d矩形窗口中;
农作物特征点第二保留模块,用于当所述第二判断结果表示所述农作物特征点的相邻距离小于所述第二阈值时,计算所述农作物特征点对应的农作物图斑面积以及与所述农作物特征点相邻的所述农作物特征点对应的农作物图斑面积,并将小的所述农作物图斑面积对应的所述农作物特征点删除,将大的所述农作物图斑面积对应的所述农作物特征点保留在所述h×d矩形窗口中;
农作物特征点筛选模块,用于计算所述h×d矩形窗口内保留的所述农作物特征点的几何中心,将所述几何中心沿着作物垄方向平移d/2单位,并将平移后的所述几何中心为中心点,跳转至绝对距离和相邻距离计算模块中建立一个与所述农作物垄方向平行的h×d矩形窗口,并计算所述h×d矩形窗口内所有所述农作物特征点的绝对距离和相邻距离的步骤,直至所述h×d矩形窗口的边缘移动至处理后的所述作物区图像的边缘停止,筛选出所述绝对距离小于等于所述第一阈值且所述相邻距离大于等于所述第二阈值的所有的所述农作物特征点;
作物垄位置确定模块,用于根据筛选出的所有的所述农作物特征点,采用最小二乘法,确定作物垄的位置。
7.根据权利要求6所述的作物垄位置确定系统,其特征在于,所述作物区图像处理模块,具体包括:
灰度化处理单元,用于根据超绿指数对所述作物区图像进行灰度化处理;
二值图像得到单元,用于对所述灰度化处理后的所述作物区图像进行阈值分割,得到包含植被图斑和土壤背景的二值图像;所述二值图像包含有植被的图斑面积和图斑形状;
图斑形状参数值和图斑面积参数值获取单元,用于获取图斑形状参数值和图斑面积参数值;
杂草图斑处理单元,用于根据所述图斑形状参数值和所述图斑面积参数值,对所述二值图像进行去杂草图斑处理。
8.根据权利要求7所述的作物垄位置确定系统,其特征在于,所述杂草图斑处理单元,具体包括:
图斑面积阈值和图斑形状阈值获取子单元,用于获取图斑面积阈值和图斑形状阈值;
植被图斑面积值和植被图斑形状值获取子单元,用于获取植被图斑的面积值和植被图斑的形状值;
第三判断结果得到子单元,用于判断所述植被图斑的面积值是否大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值是否大于所述图斑形状参数值与所述图斑形状阈值的乘积,得到第三判断结果;
保留子单元,用于当所述第三判断结果表示所述植被图斑的面积值大于所述图斑面积参数值与所述图斑面积阈值的乘积,且所述植被图斑的形状值大于所述图斑形状参数值与所述图斑形状阈值的乘积时,确定所述植被图斑为农作物图斑,保留所述农作物图斑;
删除子单元,用于当所述第三判断结果表示所述植被图斑的面积值小于等于所述图斑面积参数值与所述图斑面积阈值的乘积或者所述植被图斑的形状值小于等于所述图斑形状参数值与所述图斑形状阈值的乘积时,确定所述植被图斑为所述杂草图斑,删除所述杂草图斑。
9.根据权利要求6所述的作物垄位置确定系统,其特征在于,所述农作物特征点提取模块,具体包括
农作物特征点提取单元,用于根据无人机影像中作物的成像原理,提取所述处理后的作物区图像中的农作物特征点。
10.根据权利要求6所述的作物垄位置确定系统,其特征在于,所述作物垄位置确定模块,具体包括:
作物垄位置确定单元,用于根据筛选出的所述农作物特征点和公式(1),确定作物垄的位置;所述公式(1)为:y=kx+b(1);
式(1)中b=y'-k*x';其中,n表示筛选出的所述农作物特征点的个数;xi表示筛选出的所述农作物特征点的横坐标,i=1,2,...n;yi表示筛选出的所述农作物特征点的纵坐标,i=1,2,...n;x'表示筛选出的所述农作物特征点的横坐标均值;y'表示筛选出的所述农作物特征点的纵坐标均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710881460.3A CN107578447B (zh) | 2017-09-26 | 2017-09-26 | 一种基于无人机影像的作物垄位置确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710881460.3A CN107578447B (zh) | 2017-09-26 | 2017-09-26 | 一种基于无人机影像的作物垄位置确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107578447A CN107578447A (zh) | 2018-01-12 |
CN107578447B true CN107578447B (zh) | 2019-08-30 |
Family
ID=61038565
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710881460.3A Active CN107578447B (zh) | 2017-09-26 | 2017-09-26 | 一种基于无人机影像的作物垄位置确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578447B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494888B (zh) * | 2022-02-18 | 2022-08-19 | 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 |
CN116543309B (zh) * | 2023-06-28 | 2023-10-27 | 华南农业大学 | 一种作物异常信息获取方法、系统、电子设备及介质 |
CN117095299B (zh) * | 2023-10-18 | 2024-01-26 | 浙江省测绘科学技术研究院 | 破碎化耕作区的粮食作物提取方法、系统、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186773A (zh) * | 2013-02-06 | 2013-07-03 | 内蒙古大学 | 一种基于一维Hough变换和专家系统的早期苗田垄线识别算法 |
CN103530606A (zh) * | 2013-09-30 | 2014-01-22 | 中国农业大学 | 一种杂草环境下的农机导航路径提取方法 |
CN105469019A (zh) * | 2014-09-05 | 2016-04-06 | 中国农业机械化科学研究院 | 一种逆向杂草定位方法及定位装置 |
-
2017
- 2017-09-26 CN CN201710881460.3A patent/CN107578447B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103186773A (zh) * | 2013-02-06 | 2013-07-03 | 内蒙古大学 | 一种基于一维Hough变换和专家系统的早期苗田垄线识别算法 |
CN103530606A (zh) * | 2013-09-30 | 2014-01-22 | 中国农业大学 | 一种杂草环境下的农机导航路径提取方法 |
CN105469019A (zh) * | 2014-09-05 | 2016-04-06 | 中国农业机械化科学研究院 | 一种逆向杂草定位方法及定位装置 |
Non-Patent Citations (1)
Title |
---|
On Crop Height Estimation with UAVs;David Anthony, et al.;《2014 IEEE/RSJ International Conference on intelligent Robots and Systems(IROS 2014)》;20140914;4805-4812 |
Also Published As
Publication number | Publication date |
---|---|
CN107578447A (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
García-Santillán et al. | Curved and straight crop row detection by accumulation of green pixels from images in maize fields | |
Vidović et al. | Crop row detection by global energy minimization | |
CN109146948B (zh) | 基于视觉的作物长势表型参数量化与产量相关性分析方法 | |
CN105989601B (zh) | 基于机器视觉的农业agv玉米行间导航基准线提取方法 | |
CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
Chen et al. | Extracting the navigation path of a tomato-cucumber greenhouse robot based on a median point Hough transform | |
CN107578447B (zh) | 一种基于无人机影像的作物垄位置确定方法及系统 | |
Jin et al. | Corn plant sensing using real‐time stereo vision | |
CN109448127B (zh) | 一种基于无人机遥感的农田高精度导航地图生成方法 | |
Vázquez-Arellano et al. | Determination of stem position and height of reconstructed maize plants using a time-of-flight camera | |
CN106225774B (zh) | 一种基于计算机视觉的无人驾驶农机耕道测量装置及方法 | |
CN108009551A (zh) | 适用于电力作业机器人的电力刀闸分合位状态识别方法 | |
Zhang et al. | An adaptive vision navigation algorithm in agricultural IoT system for smart agricultural robots | |
Bai et al. | A fast and robust method for plant count in sunflower and maize at different seedling stages using high-resolution UAV RGB imagery | |
Li et al. | Image detection and verification of visual navigation route during cotton field management period | |
Wang et al. | Measurement of harvesting width of intelligent combine harvester by improved probabilistic Hough transform algorithm | |
CN115049925A (zh) | 田块田坎提取方法、电子设备及存储介质 | |
Xiang et al. | Field‐based robotic leaf angle detection and characterization of maize plants using stereo vision and deep convolutional neural networks | |
Li et al. | Improved random sampling consensus algorithm for vision navigation of intelligent harvester robot | |
Zhu et al. | A method for detecting tomato canopies’ phenotypic traits based on improved skeleton extraction algorithm | |
Xie et al. | Multi-feature detection of in-field grain lodging for adaptive low-loss control of combine harvesters | |
Mahmud et al. | Measuring tree canopy density using a lidar-guided system for precision spraying | |
CN106355576A (zh) | 基于mrf图像分割算法的sar图像配准方法 | |
Gong et al. | Navigation line extraction based on root and stalk composite locating points | |
CN112712534B (zh) | 基于导航趋势线的玉米根茎导航基准线提取方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |