CN107633202A - 一种基于农田图像特征识别的植保无人机飞控方法和系统 - Google Patents
一种基于农田图像特征识别的植保无人机飞控方法和系统 Download PDFInfo
- Publication number
- CN107633202A CN107633202A CN201710686377.0A CN201710686377A CN107633202A CN 107633202 A CN107633202 A CN 107633202A CN 201710686377 A CN201710686377 A CN 201710686377A CN 107633202 A CN107633202 A CN 107633202A
- Authority
- CN
- China
- Prior art keywords
- ridge
- farmland
- original image
- image
- feature
- 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.)
- Withdrawn
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于农田图像特征识别的植保无人机飞控方法和系统,所述方法包括以下步骤:采集农田的原始图像;通过RGB分解对原始图像进行灰度化处理,并采用原始图像灰度化处理后的三分量亮度的最大值作为原始图像灰度图的灰度值;对原始图像灰度图通过区域分割法和边缘检测法进行分割处理,再通过多通道的数字图像对原始图像灰度图进行二值化,得到包含目标物体特征的农田特征图像;对农田特征图像进行特征提取得到农田的田埂特征;通过PCA对田埂特征进行特征降维,得到包含田埂特征向量的田埂特征矩阵;将田埂特征矩阵导入无人机,并根据无人机当前坐标与田埂特征矩阵中田埂坐标得到无人机飞行路径。
Description
技术领域
本发明涉及无人机飞控技术领域,尤其涉及一种基于农田图像特征识别的植保无人机飞控方法和系统。
背景技术
随着我国农业工业化进程的发展,植保无人机行业正在蓬勃发展,以提高农业技术装备和信息化水平,加快推进农业机械化,发展智慧农业,提高农业生产力水平。飞控系统是无人机最核心的技术之一,现有的飞控系统主要是操作手通过地面遥控器、GPS定位和传感器反馈对其实施控制。
但是,上述多种飞控方法均存在不便之处:地面遥控很难准确控制离控制者较远区域的飞行;GPS定位及传感器反馈均需要事先走点定位定好工作区域,相对繁琐,而利用图像识别技术研究植保无人机的精确导航问题,是现阶段无人机市场竞争中的一个差异化亮点,也是提高无人机效率和可靠性的有效技术手段。
发明内容
基于背景技术存在的技术问题,本发明提出了一种基于农田图像特征识别的植保无人机飞控方法和系统。
本发明提出的一种基于农田图像特征识别的植保无人机飞控方法,该方法包括以下:
S1、采集农田的原始图像;
S2、通过RGB分解对原始图像进行灰度化处理,并采用原始图像灰度化处理后的三分量亮度的最大值作为原始图像灰度图的灰度值;
S3、对原始图像灰度图通过区域分割法和边缘检测法进行分割处理,再通过多通道的数字图像对原始图像灰度图进行二值化,得到包含目标物体特征的农田特征图像;
S4、对农田特征图像进行特征提取得到农田的田埂特征;
S5、通过PCA对田埂特征进行特征降维,得到包含田埂特征向量的田埂特征矩阵;
S6、将田埂特征矩阵导入无人机,并根据无人机当前坐标与田埂特征矩阵中田埂坐标得到无人机飞行路径。
优选地,在步骤S2中,在通过RGB分解对原始图像进行灰度化处理之前,还包括:对原始图像进行缩放,将原始图像调整为标准大小。
优选地,在步骤S4中,所述对农田特征图像进行特征提取得到农田的田埂特征,具体包括:通过对农田特征图像的颜色特征、形状特征、纹理特征和空间关系特征进行提取,得到农田的田埂特征。
优选地,在步骤S6中,将田埂特征矩阵导入无人机之前,还包括:采用迭代机器学习算法对田埂特征矩阵进行归纳总结,其中至少对1000个田埂特征矩阵进行归纳总结。
一种基于农田图像特征识别的植保无人机飞控系统,其特征在于,包括:
采集模块,用于采集农田的原始图像;
灰度化处理模块,用于通过RGB分解对原始图像数据库中原始图像进行灰度化处理,并采用原始图像灰度化处理后的三分量亮度的最大值作为原始图像灰度图的灰度值;
预处理模块,用于对原始图像灰度图通过区域分割法和边缘检测法进行分割处理,再通过多通道的数字图像对原始图像灰度图进行二值化,得到包含目标物体特征的农田特征图像;
田埂特征提取模块,用于对农田特征图像进行特征提取得到农田的田埂特征;
田埂特征矩阵建立模块,用于通过PCA对田埂特征进行特征降维,得到包含田埂特征向量的田埂特征矩阵;
路径规划模块,用于将田埂特征矩阵导入无人机,并根据无人机当前坐标与田埂特征矩阵中田埂坐标得到无人机飞行路径。
优选地,所述灰度化处理模块,具体用于:在通过RGB分解对原始图像进行灰度化处理之前,对原始图像进行缩放,将原始图像调整为标准大小。
优选地,所述田埂特征提取模块,具体用于:通过对农田特征图像的颜色特征、形状特征、纹理特征和空间关系特征进行提取,得到农田的田埂特征。
优选地,还包括机器学习模块,机器学习模块具体用于:采用迭代机器学习算法对田埂特征矩阵进行归纳总结,其中至少对1000个田埂特征矩阵进行归纳总结。
本发明通过图像采集田地图像,对田地图像处理识别得到田地边界,将田地边界的位置信息融入进整个飞行控制系统之中,在复杂的农林作业区域,能够自动快速识别边界,自主规划路径并精确作业,提高植保无人机智能化水平,提高效率,节省时间,根据作业区域图像,可同步实现航线规划及农林作物图像采集功能,方便管理者监测管理,实现飞行效率最大化,实现自动识别农田边界、优化规划飞行航路、测算喷药农田面积、精细化施药的功能。
附图说明
图1为本发明提出的一种基于农田图像特征识别的植保无人机飞控方法的流程示意图;
图2为本发明提出的一种基于农田图像特征识别的植保无人机飞控系统的模块示意图。
具体实施方式
参照图1,本发明提出的一种基于农田图像特征识别的植保无人机飞控方法,包括:
步骤S1,采集农田的原始图像;
在本实施方式中,通过无人机拍摄或高空拍摄采集预设农田的原始图像。
步骤S2,通过RGB分解对原始图像进行灰度化处理,并采用原始图像灰度化处理后的三分量亮度的最大值作为原始图像灰度图的灰度值;
在本步骤中,在通过RGB分解对原始图像进行灰度化处理之前,还包括:对原始图像进行缩放,将原始图像调整为标准大小;
在本实施方式中,由于农田大小不一,以及采集原始图像时,图像大小不一,需要对对原始图像进行缩放,将原始图像调整为标准大小,方便后续的处理,对原始图像进行灰度化处理,采用原始图像灰度化处理后的三分量亮度的最大值作为原始图像灰度图的灰度值,以拉升原始图像灰度图的对比度。
步骤S3,对原始图像灰度图通过区域分割法和边缘检测法进行分割处理,再通过多通道的数字图像对原始图像灰度图进行二值化,得到包含目标物体特征的农田特征图像;
在本实施方式中,根据区域分割法设定阈值以及边缘检测法的sobel算子对原始图像灰度图进行分割处理,将原始图像灰度图中各目标物体分割开,再通过多通道的数字图像对原始图像灰度图进行二值化,得到各目标物体特征。
步骤S4,对农田特征图像进行特征提取得到农田的田埂特征;
在本步骤中,所述对农田特征图像进行特征提取得到农田的田埂特征,具体包括:通过对农田特征图像的颜色特征、形状特征、纹理特征和空间关系特征进行提取,得到农田的田埂特征。
在本实施方式中,在农田特征图像中,根据颜色特征、形状特征、纹理特征和空间关系特征,识别农田田埂特征,对农田特征图像中田埂特征进行提取,得到农田的田埂特征。
步骤S5,通过PCA对田埂特征进行特征降维,得到包含田埂特征向量的田埂特征矩阵;
在本实施方式中,采用PCA主成分分析方法对田埂特征进行特征降维,形成田埂特征向量,得到田埂特征矩阵。
步骤S6,将田埂特征矩阵导入无人机,并根据无人机当前坐标与田埂特征矩阵中田埂坐标得到无人机飞行路径。
在本步骤中,将田埂特征矩阵导入无人机之前,还包括:采用迭代机器学习算法对田埂特征矩阵进行归纳总结,其中至少对1000个田埂特征矩阵进行归纳总结;
在本实施方式中,通过迭代机器学习算法对田埂特征矩阵进行归纳总结,能够自主地越来越精确地识别农田田埂特征。
参照图2,本发明提出的一种基于农田图像特征识别的植保无人机飞控系统,包括:
采集模块,用于采集农田的原始图像;
在本实施方式中,通过无人机拍摄或高空拍摄采集预设农田的原始图像。
灰度化处理模块,用于通过RGB分解对原始图像数据库中原始图像进行灰度化处理,并采用原始图像灰度化处理后的三分量亮度的最大值作为原始图像灰度图的灰度值;
灰度化处理模块,具体用于:在通过RGB分解对原始图像进行灰度化处理之前,对原始图像进行缩放,将原始图像调整为标准大小。
在本实施方式中,由于农田大小不一,以及采集原始图像时,图像大小不一,需要对对原始图像进行缩放,将原始图像调整为标准大小,方便后续的处理,对原始图像进行灰度化处理,采用原始图像灰度化处理后的三分量亮度的最大值作为原始图像灰度图的灰度值,以拉升原始图像灰度图的对比度。
预处理模块,用于对原始图像灰度图通过区域分割法和边缘检测法进行分割处理,再通过多通道的数字图像对原始图像灰度图进行二值化,得到包含目标物体特征的农田特征图像;
在本实施方式中,根据区域分割法设定阈值以及边缘检测法的sobel算子对原始图像灰度图进行分割处理,将原始图像灰度图中各目标物体分割开,再通过多通道的数字图像对原始图像灰度图进行二值化,得到各目标物体特征。
田埂特征提取模块,用于对农田特征图像进行特征提取得到农田的田埂特征;
田埂特征提取模块,具体用于:通过对农田特征图像的颜色特征、形状特征、纹理特征和空间关系特征进行提取,得到农田的田埂特征;
在本实施方式中,在农田特征图像中,根据颜色特征、形状特征、纹理特征和空间关系特征,识别农田田埂特征,对农田特征图像中田埂特征进行提取,得到农田的田埂特征。
田埂特征矩阵建立模块,用于通过PCA对田埂特征进行特征降维,得到包含田埂特征向量的田埂特征矩阵;
在本实施方式中,采用PCA主成分分析方法对田埂特征进行特征降维,形成田埂特征向量,得到田埂特征矩阵。
还包括机器学习模块,机器学习模块具体用于:采用迭代机器学习算法对田埂特征矩阵进行归纳总结,其中至少对1000个田埂特征矩阵进行归纳总结。
在本实施方式中,通过迭代机器学习算法对田埂特征矩阵进行归纳总结,能够自主地越来越精确地识别农田田埂特征。
路径规划模块,用于将田埂特征矩阵导入无人机,并根据无人机当前坐标与田埂特征矩阵中田埂坐标得到无人机飞行路径。
本实施方式通过图像采集田地图像,对田地图像处理识别得到田地边界,将田地边界的位置信息融入进整个飞行控制系统之中,在复杂的农林作业区域,能够自动快速识别边界,自主规划路径并精确作业,提高植保无人机智能化水平,提高效率,节省时间,根据作业区域图像,可同步实现航线规划及农林作物图像采集功能,方便管理者监测管理,实现飞行效率最大化,实现自动识别农田边界、优化规划飞行航路、测算喷药农田面积、精细化施药的功能。
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,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,都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种基于农田图像特征识别的植保无人机飞控方法,其特征在于,包括:
S1、采集农田的原始图像;
S2、通过RGB分解对原始图像进行灰度化处理,并采用原始图像灰度化处理后的三分量亮度的最大值作为原始图像灰度图的灰度值;
S3、对原始图像灰度图通过区域分割法和边缘检测法进行分割处理,再通过多通道的数字图像对原始图像灰度图进行二值化,得到包含目标物体特征的农田特征图像;
S4、对农田特征图像进行特征提取得到农田的田埂特征;
S5、通过PCA对田埂特征进行特征降维,得到包含田埂特征向量的田埂特征矩阵;
S6、将田埂特征矩阵导入无人机,并根据无人机当前坐标与田埂特征矩阵中田埂坐标得到无人机飞行路径。
2.根据权利要求1所述基于农田图像特征识别的植保无人机飞控方法,其特征在于,在步骤S2中,在通过RGB分解对原始图像进行灰度化处理之前,还包括:对原始图像进行缩放,将原始图像调整为标准大小。
3.根据权利要求1所述基于农田图像特征识别的植保无人机飞控方法,其特征在于,在步骤S4中,所述对农田特征图像进行特征提取得到农田的田埂特征,具体包括:通过对农田特征图像的颜色特征、形状特征、纹理特征和空间关系特征进行提取,得到农田的田埂特征。
4.根据权利要求1所述基于农田图像特征识别的植保无人机飞控方法,其特征在于,在步骤S6中,将田埂特征矩阵导入无人机之前,还包括:采用迭代机器学习算法对田埂特征矩阵进行归纳总结,其中至少对1000个田埂特征矩阵进行归纳总结。
5.一种基于农田图像特征识别的植保无人机飞控系统,其特征在于,包括:
采集模块,用于采集农田的原始图像;
灰度化处理模块,用于通过RGB分解对原始图像数据库中原始图像进行灰度化处理,并采用原始图像灰度化处理后的三分量亮度的最大值作为原始图像灰度图的灰度值;
预处理模块,用于对原始图像灰度图通过区域分割法和边缘检测法进行分割处理,再通过多通道的数字图像对原始图像灰度图进行二值化,得到包含目标物体特征的农田特征图像;
田埂特征提取模块,用于对农田特征图像进行特征提取得到农田的田埂特征;
田埂特征矩阵建立模块,用于通过PCA对田埂特征进行特征降维,得到包含田埂特征向量的田埂特征矩阵;
路径规划模块,用于将田埂特征矩阵导入无人机,并根据无人机当前坐标与田埂特征矩阵中田埂坐标得到无人机飞行路径。
6.根据权利要求5所述基于农田图像特征识别的植保无人机飞控系统,其特征在于,所述灰度化处理模块,具体用于:在通过RGB分解对原始图像进行灰度化处理之前,对原始图像进行缩放,将原始图像调整为标准大小。
7.根据权利要求5所述基于农田图像特征识别的植保无人机飞控系统,其特征在于,所述田埂特征提取模块,具体用于:通过对农田特征图像的颜色特征、形状特征、纹理特征和空间关系特征进行提取,得到农田的田埂特征。
8.根据权利要求5所述基于农田图像特征识别的植保无人机飞控系统,其特征在于,还包括机器学习模块,机器学习模块具体用于:采用迭代机器学习算法对田埂特征矩阵进行归纳总结,其中至少对1000个田埂特征矩阵进行归纳总结。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710686377.0A CN107633202A (zh) | 2017-08-11 | 2017-08-11 | 一种基于农田图像特征识别的植保无人机飞控方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710686377.0A CN107633202A (zh) | 2017-08-11 | 2017-08-11 | 一种基于农田图像特征识别的植保无人机飞控方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107633202A true CN107633202A (zh) | 2018-01-26 |
Family
ID=61099261
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710686377.0A Withdrawn CN107633202A (zh) | 2017-08-11 | 2017-08-11 | 一种基于农田图像特征识别的植保无人机飞控方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633202A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108827297A (zh) * | 2018-03-14 | 2018-11-16 | 江苏大学 | 一种基于图像的无人机农业巡检轨迹实时规划方法 |
CN110309933A (zh) * | 2018-03-23 | 2019-10-08 | 广州极飞科技有限公司 | 植株种植数据测量方法、作业路线规划方法及装置、系统 |
CN110371294A (zh) * | 2019-07-12 | 2019-10-25 | 仲恺农业工程学院 | 植保无人机系统及植保无人机作业方法 |
CN113074740A (zh) * | 2021-04-29 | 2021-07-06 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
EP3770810A4 (en) * | 2018-03-21 | 2021-12-08 | Guangzhou Xaircraft Technology Co., Ltd | PROCESS AND APPARATUS FOR ACQUIRING A BOUNDARY OF AN AREA TO BE OPERATED, AND PROCESS FOR OPERATING ROUTE PLANNING |
CN114253284A (zh) * | 2021-12-22 | 2022-03-29 | 湖北襄开电力设备有限公司 | 无人机自动控制方法、装置、设备及存储介质 |
CN114879746A (zh) * | 2022-07-13 | 2022-08-09 | 山东中宇航空科技发展有限公司 | 一种农业植保无人机飞行路线优化方法 |
CN114967763A (zh) * | 2022-08-01 | 2022-08-30 | 电子科技大学 | 一种基于图像定位的植保无人机的播撒控制方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100004802A1 (en) * | 2005-01-25 | 2010-01-07 | William Kress Bodin | Navigating UAVS with an on-board digital camera |
CN105004337A (zh) * | 2015-08-19 | 2015-10-28 | 青岛科技大学 | 基于直线匹配的农用无人机自主导航方法 |
CN105159319A (zh) * | 2015-09-29 | 2015-12-16 | 广州极飞电子科技有限公司 | 一种无人机的喷药方法及无人机 |
CN106020233A (zh) * | 2016-07-08 | 2016-10-12 | 聂浩然 | 无人机植保作业系统、用于植保作业的无人机及控制方法 |
CN106919178A (zh) * | 2017-04-14 | 2017-07-04 | 南京信息工程大学 | 一种植保无人机自主飞行路径优化装置及其优化方法 |
-
2017
- 2017-08-11 CN CN201710686377.0A patent/CN107633202A/zh not_active Withdrawn
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100004802A1 (en) * | 2005-01-25 | 2010-01-07 | William Kress Bodin | Navigating UAVS with an on-board digital camera |
CN105004337A (zh) * | 2015-08-19 | 2015-10-28 | 青岛科技大学 | 基于直线匹配的农用无人机自主导航方法 |
CN105159319A (zh) * | 2015-09-29 | 2015-12-16 | 广州极飞电子科技有限公司 | 一种无人机的喷药方法及无人机 |
CN106020233A (zh) * | 2016-07-08 | 2016-10-12 | 聂浩然 | 无人机植保作业系统、用于植保作业的无人机及控制方法 |
CN106919178A (zh) * | 2017-04-14 | 2017-07-04 | 南京信息工程大学 | 一种植保无人机自主飞行路径优化装置及其优化方法 |
Non-Patent Citations (1)
Title |
---|
王林惠 等: "基于图像识别的无人机精准喷雾控制系统的研究", 《华南农业大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108827297A (zh) * | 2018-03-14 | 2018-11-16 | 江苏大学 | 一种基于图像的无人机农业巡检轨迹实时规划方法 |
CN108827297B (zh) * | 2018-03-14 | 2021-09-10 | 江苏大学 | 一种基于图像的无人机农业巡检轨迹实时规划方法 |
EP3770810A4 (en) * | 2018-03-21 | 2021-12-08 | Guangzhou Xaircraft Technology Co., Ltd | PROCESS AND APPARATUS FOR ACQUIRING A BOUNDARY OF AN AREA TO BE OPERATED, AND PROCESS FOR OPERATING ROUTE PLANNING |
CN110309933A (zh) * | 2018-03-23 | 2019-10-08 | 广州极飞科技有限公司 | 植株种植数据测量方法、作业路线规划方法及装置、系统 |
CN110371294A (zh) * | 2019-07-12 | 2019-10-25 | 仲恺农业工程学院 | 植保无人机系统及植保无人机作业方法 |
CN113074740A (zh) * | 2021-04-29 | 2021-07-06 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
CN113074740B (zh) * | 2021-04-29 | 2023-11-17 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
CN114253284A (zh) * | 2021-12-22 | 2022-03-29 | 湖北襄开电力设备有限公司 | 无人机自动控制方法、装置、设备及存储介质 |
CN114879746A (zh) * | 2022-07-13 | 2022-08-09 | 山东中宇航空科技发展有限公司 | 一种农业植保无人机飞行路线优化方法 |
CN114879746B (zh) * | 2022-07-13 | 2022-09-20 | 山东中宇航空科技发展有限公司 | 一种农业植保无人机飞行路线优化方法 |
CN114967763A (zh) * | 2022-08-01 | 2022-08-30 | 电子科技大学 | 一种基于图像定位的植保无人机的播撒控制方法 |
CN114967763B (zh) * | 2022-08-01 | 2022-11-08 | 电子科技大学 | 一种基于图像定位的植保无人机的播撒控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107633202A (zh) | 一种基于农田图像特征识别的植保无人机飞控方法和系统 | |
Tetila et al. | Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks | |
US10405535B2 (en) | Methods, systems and devices relating to real-time object identification | |
Strothmann et al. | Plant classification with in-field-labeling for crop/weed discrimination using spectral features and 3d surface features from a multi-wavelength laser line profile system | |
EP3125151A2 (en) | Inventory, growth, and risk prediction using image processing | |
Meng et al. | Development of agricultural implement system based on machine vision and fuzzy control | |
EP3503025B1 (en) | Utilizing artificial intelligence with captured images to detect agricultural failure | |
CN108710840B (zh) | 一种农田喷药机器人视觉导航路径识别方法 | |
CN111727457B (zh) | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 | |
Lin et al. | Automatic detection of plant rows for a transplanter in paddy field using faster r-cnn | |
Miao et al. | Efficient tomato harvesting robot based on image processing and deep learning | |
Changyi et al. | Apple detection from apple tree image based on BP neural network and Hough transform | |
Karatzinis et al. | Towards an integrated low-cost agricultural monitoring system with unmanned aircraft system | |
CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
Li et al. | Identification of the operating position and orientation of a robotic kiwifruit pollinator | |
Moazzam et al. | Patch-wise weed coarse segmentation mask from aerial imagery of sesame crop | |
Mao et al. | Agricultural robot navigation path recognition based on k-means algorithm for large-scale image segmentation | |
CN111339953B (zh) | 一种基于聚类分析的薇甘菊监测方法 | |
Wang et al. | The identification of straight-curved rice seedling rows for automatic row avoidance and weeding system | |
He et al. | Extracting the navigation path of an agricultural plant protection robot based on machine vision | |
CN116524344A (zh) | 一种基于rgb-d信息融合的番茄串采摘点检测方法 | |
Patnaik et al. | Weed removal in cultivated field by autonomous robot using LabVIEW | |
Hong et al. | Adaptive target spray system based on machine vision for plant protection UAV | |
de Ocampo et al. | Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing. | |
Hu et al. | Extraction method for centerlines of crop row based on improved lightweight Yolov4 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180126 |
|
WW01 | Invention patent application withdrawn after publication |