CN108776803A - 一种去除农田中杂草的方法及系统 - Google Patents
一种去除农田中杂草的方法及系统 Download PDFInfo
- Publication number
- CN108776803A CN108776803A CN201810360478.3A CN201810360478A CN108776803A CN 108776803 A CN108776803 A CN 108776803A CN 201810360478 A CN201810360478 A CN 201810360478A CN 108776803 A CN108776803 A CN 108776803A
- Authority
- CN
- China
- Prior art keywords
- farmland
- image
- weeds
- true
- sample
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种去除农田中杂草的方法及系统。方法包括:将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;根据所述真实杂草的位置信息,去除所述真实杂草。通过支持向量机识别农田图像中的杂草区域,识别快速且精确,从而使得能及时且精确地对真实农田中的杂草进行去除,同时减小了对生态环境破坏力。
Description
技术领域
本发明实施例涉及农业除草技术领域,尤其涉及一种去除农田中杂草的方法及系统。
背景技术
随着互联网技术和各种信息技术的发展,我国的农业发展模式开始由原来的传统农业向现代化的精准农业进行转变。例如,为了保护生态环境,并提高作物的质量与产量,需要对农田里的杂草进行精准喷药。也即,通过施肥机等机器,自动、快速且精准地对杂草进行喷药处理。
种植花生苗的农田里,存在许多条犁沟,而通常犁沟中布满了密密麻麻的凹头苋,这种杂草严重影响了花生苗早期的生长,夺走了种植花生苗的土壤的大量养分,因此,需要在花生苗早期生长阶段去除杂草。现有的一些对杂草进行精准喷药的方法对杂草的识别率不高,有时甚至将花生苗作为杂草。这样不仅不会有效地去除杂草,还会影响花生苗的生长,让种植花生苗的土壤产生长期的耐药性,也会对生态环境造成巨大的污染。想要将杂草精准去除,又让其对生态环境破坏力降至最小也就变得困难重重,因此,通过研究寻找有效的方法对杂草进行精准识别成为了亟待解决的问题。
发明内容
本发明实施例提供一种去除农田中杂草的方法及系统,用以解决现有技术中无法精确识别农田中杂草,进而无法对杂草进行精准喷药以有效地去除杂草,甚至影响作物生长且对栽培作物的土地产生破坏的缺陷,提升了对杂草识别的准确率,使得在有效去除杂草的同时,保证了作物的质量和产量。
本发明实施例提供一种去除农田中杂草的方法,包括:
将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;
若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;
根据所述真实杂草的位置信息,去除所述真实杂草。
本发明实施例提供一种去除农田中杂草的系统,包括:
区域识别模块,用于将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;
位置信息的获取模块,用于若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;
杂草去除模块,用于根据所述真实杂草的位置信息,去除所述真实杂草。
本发明实施例提供一种去除农田中杂草的设备,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行上述的方法。
本发明实施例提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述的方法。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述的方法。
本发明实施例提供的一种去除农田中杂草的方法及系统,通过支持向量机识别农田图像中的杂草区域,识别快速且精确,从而使得能及时且精确地对真实农田中的杂草进行去除,同时减小了对生态环境破坏力。
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,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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为本发明一种去除农田中杂草的方法实施例流程图;
图2为本发明一种去除农田中杂草的方法实施例中真实农田的示意图;
图3为本发明一种去除农田中杂草的方法实施例中样本农田图像的示意图;
图4为本发明一种去除农田中杂草的设备实施例的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作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。
图1为本发明一种去除农田中杂草的方法实施例流程图,如图1所示,该方法包括:
将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;根据所述真实杂草的位置信息,去除所述真实杂草。
需要说明的是,本实施例中的农田图像是指对真实农田进行图像采集之后生成的图像,图像采集的方式可以是拍照,本实施例对此不作限定。真实农田通常既包含有作物区域,又包含有杂草区域,通常两个区域的排布方式如图2所示,图2为本发明一种去除农田中杂草的方法实施例中真实农田的示意图,如图2所示,该真实农田中包含有作物区域(阴影部分)和杂草区域(空白部分),作物区域和杂草区域均以矩形块的形式交替出现。
作物区域通常覆盖有大片作物苗,杂草区域通常指犁沟,杂草一般生长在犁沟中。去除杂草的方法通常为:先确定杂草所在的区域,然后对该区域喷洒农药,以达到去除杂草的目的。而现有的技术中无法快速且精确地对杂草进行喷药处理,因此,本发明实施例引入了支持向量机,通过对支持向量机进行训练,并将需要去除杂草的真实农田对应的农田图像输入至训练好的支持向量机中,识别出农田图像中的作物区域,进而获知农田图像中的杂草区域,并根据农田图像与对应的真实图像的比例关系以及农田图像中杂草区域的位置,获取真实农田中杂草的位置信息。根据真实农田中杂草的位置信息,将喷药机的喷嘴对准真实农田中杂草所在的位置进行喷药,以达到去除杂草的目的。
本发明实施例通过支持向量机识别农田图像中的杂草区域,识别快速且精确,从而使得能及时且精确地对真实农田中的杂草进行去除,同时减小了对生态环境破坏力。
基于上述实施例,所述训练好的支持向量机通过以下步骤获取:
获取多张样本农田图像作为训练集;对于所述训练集中的每一张样本农田图像,基于霍夫变换,识别出所述样本农田图像中的作物区域;根据所述多张样本农田图像和所述每一张样本农田图像的识别结果,对支持向量机进行训练,获取所述训练好的支持向量机。
具体地,霍夫变换是图像处理中从图像中识别几何形状的基本方法之一,应用很广泛,也有很多改进算法。主要用来从图像中分离出具有某种相同特征的几何形状(如,直线,圆等)。最基本的霍夫变换是从黑白图像中检测直线(线段)。运用霍夫变换可以检测出农田图像中的作物区域。由于农田图像中仅包含作物区域和杂草区域,因此,检测除了作物区域也就相当于检测出了杂草区域。当然,运用霍夫变换可以检测出农田图像中的杂草区域。由于农田图像中仅包含作物区域和杂草区域,因此,检测除了杂草区域也就相当于检测出了作物区域。在杂草区域喷洒农药,这样既可以将农药对栽培作物的土壤的影响降到最低,又可以达到去除杂草的目的。
基于霍夫变换,对训练集中的每一张样本农田图像进行处理,以识别出每一张样本农田图像中的作物区域。根据训练集以及训练集中每一张样本农田图像的识别结果,对支持向量机进行训练,以获取训练好的支持向量机。
基于上述实施例,所述对于所述训练集中的每一张样本农田图像,基于霍夫变换,识别出所述样本农田图像中的作物区域,进一步包括:
对于所述每一张样本农田图像,对所述样本农田图像进行形态学开闭操作,获取经过所述形态学开闭操作之后的第一处理图像;在所述第一处理图像中,选取在预设灰度值区间中的像素点;基于K-means聚类算法,在所述第一处理图像中,聚集所有所述像素点,生成第二处理图像,以对所述第二处理图像进行霍夫变换。
图3为本发明一种去除农田中杂草的方法实施例中样本农田图像的示意图,将图3和图2对比可知,样本农田图像和真实农田有所不同,不同之处主要在于:真实农田中的所有作物区域的大小和形状均相似,杂草区域的大小和形状也均相似;而农田图像中的所有作物区域(阴影部分)的大小和形状均不相似,杂草区域(空白部分)的大小和形状也均相似。而为了后续对作物区域和杂草区域识别的准确性,需要对农田图像进行形态学开闭操作,以实现将农田图像中的作物区域的大小和形状都调整得与真实农田中作物区域一致,将农田图像中的杂草区域的大小和形状都调整得与真实农田中杂草区域一致。其中,形态学开闭操作分为形态学开操作和形态学闭操作。形态学开操作先对图像使用膨胀的算法,后使用腐蚀的算法。该操作可以用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。形态学闭操作是先对图像膨胀后腐蚀,它可以用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。在本实施例中,先对样本农田图像进行形态学开操作,再进行形态学闭操作,将进行形态学开闭操作之后的图像称为第一处理图像。
对于第一处理图像,根据预设的灰度值区间,在第一处理图像中选取在预设的灰度值区间中像素点,并基于K-means聚类算法,对这些像素点进行聚类操作。具体地,预设的灰度值区间中灰度值为代表绿色的灰度值,提取出的像素点为作物和杂草,对这些像素点进行聚类,即在第一处理图像中均匀选取绿色像素点为中心点,然后通过K-means聚类方法将第一处理图像中的绿色像素点聚集起来。将进行聚类后的第一处理图像称为第二处理图像,然后对第二处理图像进行霍夫变换,识别出所述样本农田图像中的作物区域。
基于上述实施例,所述对于所述每一张样本农田图像,对所述样本农田图像进行形态学开闭操作,获取经过所述形态学开闭操作之后的第一处理图像,进一步包括:
将所述样本农田图像分为多个区域,对于每一区域,获取对应的结构元素;对于所述每一区域,根据所述区域对应的结构元素,对所述区域进行形态学开闭操作;对所述多个区域均进行所述形态学开闭操作后,获取经过所述形态学开闭操作之后的第一处理图像。
所述多个区域为3个,3个区域中的每一区域对应有一个结构元素,3个结构元素SL、SC和SR分别为:
和
具体地,为了用来消除小物体、在纤细点处分离物体、平滑较大物体的边界的同时并不明显改变其面积。此时使用形态学开操作,首先将农田图像分为左(L)、中(C)、右(R)三部分。
腐蚀的算法:用7x7的结构元素,扫描图像的每一个像素,用结构元素与其覆盖的二值图像做“与”操作如果都为1,结果图像的该像素为1。否则为0。腐蚀的算法的结果为:使二值图像减小一圈。
膨胀的算法:用7x7的结构元素,扫描图像的每一个像素,用结构元素与其覆盖的二值图像做“与”操作如果都为0,结果图像的该像素为0。否则为1。膨胀的算法的结果为:使二值图像扩大一圈。
形态学开操作是先腐蚀后膨胀,对于左、中、右三部分图像分别用不同7x7的结构元素(SL、SC、SR)为:
形态学闭操作是先膨胀后腐蚀,它可以用来填充物体内细小空洞、连接邻近物体、平滑其边界的同时并不明显改变其面积。所以花生田间图像在经过形态学开处理以后进行形态学闭处理。
本发明实施例还提供一种去除农田中杂草的系统,该系统包括:
区域识别模块,用于将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;位置信息的获取模块,用于若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;杂草去除模块,用于根据所述真实杂草的位置信息,去除所述真实杂草。
需要说明的是,本发明实施例的系统可用于执行图1所示的一种去除农田中杂草的方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
基于上述实施例,所述训练好的支持向量机通过以下子模块获取:
训练集获取子模块,用于获取多张样本农田图像作为训练集;
霍夫变换子模块,用于对于所述训练集中的每一张样本农田图像,基于霍夫变换,识别出所述每一张样本农田图像中的作物区域;
训练子模块,用于根据所述多张样本农田图像和所述每一张样本农田图像的识别结果,对支持向量机进行训练,获取所述训练好的支持向量机。
图4为本发明一种去除农田中杂草的设备实施例的结构框图,如图4所示,所述恢复设备包括:处理器(processor)401、存储器(memory)402和总线403;其中,所述处理器401和所述存储器402通过所述总线403完成相互间的通信;所述处理器401用于调用所述存储器402中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;根据所述真实杂草的位置信息,去除所述真实杂草。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;根据所述真实杂草的位置信息,去除所述真实杂草。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;根据所述真实杂草的位置信息,去除所述真实杂草。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种去除农田中杂草的方法,其特征在于,包括:
将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;
若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;
根据所述真实杂草的位置信息,去除所述真实杂草。
2.根据权利要求1所述的方法,其特征在于,所述训练好的支持向量机通过以下步骤获取:
获取多张样本农田图像作为训练集;
对于所述训练集中的每一张样本农田图像,基于霍夫变换,识别出所述样本农田图像中的作物区域;
根据所述多张样本农田图像和所述每一张样本农田图像的识别结果,对支持向量机进行训练,获取所述训练好的支持向量机。
3.根据权利要求2所述的方法,其特征在于,所述对于所述训练集中的每一张样本农田图像,基于霍夫变换,识别出所述样本农田图像中的作物区域,进一步包括:
对于所述每一张样本农田图像,对所述样本农田图像进行形态学开闭操作,获取经过所述形态学开闭操作之后的第一处理图像;
在所述第一处理图像中,选取在预设灰度值区间中的像素点;
基于K-means聚类算法,在所述第一处理图像中,聚集所有所述像素点,生成第二处理图像;
对所述第二处理图像进行霍夫变换,识别出所述样本农田图像中的作物区域。
4.根据权利要求3所述的方法,其特征在于,所述对于所述每一张样本农田图像,对所述样本农田图像进行形态学开闭操作,获取经过所述形态学开闭操作之后的第一处理图像,进一步包括:
将所述样本农田图像分为多个区域,对于每一区域,获取对应的结构元素;
对于所述每一区域,根据所述区域对应的结构元素,对所述区域进行形态学开闭操作;
对所述多个区域均进行所述形态学开闭操作后,获取经过所述形态学开闭操作之后的第一处理图像。
5.根据权利要求4所述的方法,其特征在于,所述多个区域为3个,3个区域中的每一区域对应有一个结构元素,3个结构元素SL、SC和SR分别为:
和
6.一种去除农田中杂草的系统,其特征在于,包括:
区域识别模块,用于将农田图像输入至训练好的支持向量机中,以识别出所述农田图像中的作物区域,并在所述农田图像中,将剔除所述作物区域后的剩余区域作为杂草区域;
位置信息的获取模块,用于若判断获知所述农田图像中存在所述杂草区域,则根据所述农田图像与所述农田图像对应的真实农田的比例关系,以及所述杂草区域在所述农田图像中的位置,获取所述真实农田中的真实杂草的位置信息;
杂草去除模块,用于根据所述真实杂草的位置信息,去除所述真实杂草。
7.根据权利要求6所述的系统,其特征在于,所述训练好的支持向量机通过以下子模块获取:
训练集获取子模块,用于获取多张样本农田图像作为训练集;
霍夫变换子模块,用于对于所述训练集中的每一张样本农田图像,基于霍夫变换,识别出所述每一张样本农田图像中的作物区域;
训练子模块,用于根据所述多张样本农田图像和所述每一张样本农田图像的识别结果,对支持向量机进行训练,获取所述训练好的支持向量机。
8.一种去除农田中杂草的设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器通过总线完成相互间的通信;所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。
9.一种计算机程序产品,其特征在于,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行如权利要求1至5任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810360478.3A CN108776803A (zh) | 2018-04-20 | 2018-04-20 | 一种去除农田中杂草的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810360478.3A CN108776803A (zh) | 2018-04-20 | 2018-04-20 | 一种去除农田中杂草的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108776803A true CN108776803A (zh) | 2018-11-09 |
Family
ID=64026457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810360478.3A Pending CN108776803A (zh) | 2018-04-20 | 2018-04-20 | 一种去除农田中杂草的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108776803A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711272A (zh) * | 2018-12-04 | 2019-05-03 | 量子云未来(北京)信息科技有限公司 | 农作物智能化管理方法、系统、电子设备及存储介质 |
CN115251024A (zh) * | 2022-08-29 | 2022-11-01 | 北京大学现代农业研究院 | 除草方式的确定方法、装置、电子设备及除草系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1936919A (zh) * | 2005-09-23 | 2007-03-28 | 中国农业机械化科学研究院 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
CN101859375A (zh) * | 2010-06-01 | 2010-10-13 | 南京林业大学 | 农田苗期行内作物-杂草识别方法 |
US20150003698A1 (en) * | 2013-04-18 | 2015-01-01 | Digimarc Corporation | Color correction arrangements for dermoscopy |
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 |
CN106022370A (zh) * | 2016-05-17 | 2016-10-12 | 北京农业信息技术研究中心 | 叶片湿润时间监测方法及系统 |
CN106503695A (zh) * | 2016-12-02 | 2017-03-15 | 汕头大学 | 一种基于航拍图像的烟草植株识别与计数方法 |
CN106846334A (zh) * | 2017-01-19 | 2017-06-13 | 江南大学 | 基于支持向量数据描述的田间玉米植株识别方法 |
-
2018
- 2018-04-20 CN CN201810360478.3A patent/CN108776803A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1936919A (zh) * | 2005-09-23 | 2007-03-28 | 中国农业机械化科学研究院 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
CN101859375A (zh) * | 2010-06-01 | 2010-10-13 | 南京林业大学 | 农田苗期行内作物-杂草识别方法 |
US20150003698A1 (en) * | 2013-04-18 | 2015-01-01 | Digimarc Corporation | Color correction arrangements for dermoscopy |
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 |
CN106022370A (zh) * | 2016-05-17 | 2016-10-12 | 北京农业信息技术研究中心 | 叶片湿润时间监测方法及系统 |
CN106503695A (zh) * | 2016-12-02 | 2017-03-15 | 汕头大学 | 一种基于航拍图像的烟草植株识别与计数方法 |
CN106846334A (zh) * | 2017-01-19 | 2017-06-13 | 江南大学 | 基于支持向量数据描述的田间玉米植株识别方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711272A (zh) * | 2018-12-04 | 2019-05-03 | 量子云未来(北京)信息科技有限公司 | 农作物智能化管理方法、系统、电子设备及存储介质 |
CN115251024A (zh) * | 2022-08-29 | 2022-11-01 | 北京大学现代农业研究院 | 除草方式的确定方法、装置、电子设备及除草系统 |
CN115251024B (zh) * | 2022-08-29 | 2023-11-21 | 北京大学现代农业研究院 | 除草方式的确定方法、装置、电子设备及除草系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
Revathi et al. | Classification of cotton leaf spot diseases using image processing edge detection techniques | |
Deshpande et al. | Grading & identification of disease in pomegranate leaf and fruit | |
CN109197278B (zh) | 作业策略的确定方法及装置、药物喷洒策略的确定方法 | |
CN109446958B (zh) | 施药效果的确定方法及装置、系统 | |
CN109446959B (zh) | 目标区域的划分方法及装置、药物的喷洒控制方法 | |
JP2023504624A (ja) | 作物の被害を特定するためのシステム及び方法 | |
Pastrana et al. | Novel image processing approach for solving the overlapping problem in agriculture | |
Selvi et al. | Weed detection in agricultural fields using deep learning process | |
de Silva et al. | Towards agricultural autonomy: crop row detection under varying field conditions using deep learning | |
KR102188521B1 (ko) | 신경회로망 학습에 의한 작물과 잡초 식별 방법 및 장치 | |
Tiwari et al. | An experimental set up for utilizing convolutional neural network in automated weed detection | |
CN112990103A (zh) | 一种基于机器视觉的串采二次定位方法 | |
Murawwat et al. | Weed detection using SVMs | |
CN108776803A (zh) | 一种去除农田中杂草的方法及系统 | |
Gothai et al. | Weed identification using convolutional neural network and convolutional neural network architectures | |
CN112329506A (zh) | 枸杞采摘机器人的果实识别方法及系统、定位方法及系统 | |
He et al. | Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method | |
CN111832448A (zh) | 一种用于葡萄果园的病害识别方法及系统 | |
Raman et al. | Robotic Weed Control and Biodiversity Preservation: IoT Solutions for Sustainable Farming | |
Ramesh et al. | Comparison and analysis of Rice Blast disease identification in Greenhouse Controlled Environment and Field Environment using ML Algorithms | |
Meena et al. | Detection of Varieties of Diseases in Rice Plants using Deep Learning Techniques | |
Wakhare et al. | Study of disease identification in pomegranate using leaf detection technique | |
Bairwa et al. | Counting of flowers using image processing | |
CN113673340B (zh) | 一种害虫种类图像识别方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181109 |