CN109241966A - 一种植物叶片无损采集方法 - Google Patents
一种植物叶片无损采集方法 Download PDFInfo
- Publication number
- CN109241966A CN109241966A CN201810961429.5A CN201810961429A CN109241966A CN 109241966 A CN109241966 A CN 109241966A CN 201810961429 A CN201810961429 A CN 201810961429A CN 109241966 A CN109241966 A CN 109241966A
- Authority
- CN
- China
- Prior art keywords
- image
- plant leaf
- leaf blade
- template
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000009466 transformation Effects 0.000 claims abstract description 24
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 241001270131 Agaricus moelleri Species 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 235000013350 formula milk Nutrition 0.000 claims 4
- XCWPUUGSGHNIDZ-UHFFFAOYSA-N Oxypertine Chemical compound C1=2C=C(OC)C(OC)=CC=2NC(C)=C1CCN(CC1)CCN1C1=CC=CC=C1 XCWPUUGSGHNIDZ-UHFFFAOYSA-N 0.000 claims 1
- 238000009738 saturating Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 230000006378 damage Effects 0.000 abstract description 2
- 230000008635 plant growth Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 239000000729 antidote Substances 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000011888 foil Substances 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/242—Aligning, centring, orientation detection or correction of the image by image rotation, e.g. by 90 degrees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- 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)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种植物叶片无损采集方法，利用相机直接对田间的植物叶片进行拍摄，对拍摄的植物叶片图像进行预处理后通过后期对图像的自动校正。与现有技术相比，本发明采集农业作物图像数据时，不需要再将作物进行采摘，避免了对作物生长连续性的破坏。以往使用透视变换对图像进行失真校正时，需要手动输入顶点坐标，本发明采用霍夫变换后再进行透视变换自动检测图像的四个顶点，即两条直线的四个端点。从而实现不需手动输入顶点坐标即可利用透视变换完成对自然环境下采集的植物叶片图像的失真校正。
Description
技术领域
本发明涉图像数据信息采集与处理技术领域，具体说是一种植物叶片无损采集方法。
背景技术
目前，在利用相机在自然环境中采集植物图像数据时，由于摄像系统不能完全地垂直于叶片拍摄，导致采集到的叶片图像发生非线性失真等问题，失真现象不消除，势必影响叶片区域特征的准确性。针对这个问题，人们往往采用的是将植物叶片进行采摘，然后放到暗箱中，进行集中拍摄采集。但大量的对植物叶片进行采摘，会破坏植物的生长连续性。现有技术通常使用透视变换对采集的图像进行失真校正，但是使用透视变换对图像进行失真校正时，需要手动输入顶点坐标，不能批量的处理失真图像数据，耗费人力和时间。
发明内容
本发明的目的是要解决现有技术中存在的不足，提出一种植物叶片无损采集方法，利用相机直接对田间的植物叶片进行拍摄，对拍摄的植物叶片图像进行预处理后通过后期对图像的自动校正，达到无损采集的目的。
为了实现上述目的，本发明采用的技术方案是：
一种植物叶片无损采集方法，利用相机直接对田间的植物叶片进行拍摄，对拍摄的植物叶片图像进行预处理后通过后期对图像的自动校正，具体步骤如下：
步骤一、将叶片摆放在模板上，所述模板为底板且其上画有两条有间隔的直线，叶片摆放在两条直线之间，然后用相机进行拍摄采集模板和植物叶片图像记为植物叶片模板图像，然后对植物叶片模板图像预处理，所述预处理是对植物叶片模板图像依次经过灰度化、高斯滤波、二值化处理，得到呈现出明显的黑白效果的图像；
步骤二、对预处理后的植物叶片模板图像进行霍夫变换找出预处理后的植物叶片模板图像上的两条直线的四个顶点坐标；
步骤三、将步骤二找到的四个顶点坐标与植物叶片模板图像上的四个顶点坐标进行匹配，根据四对顶点坐标，利用透视变换算法对采集到的植物叶片图像进行处理和几何校正，得到校正好的植物叶片图像。
进一步，所述步骤一中的灰度化处理的公式为：
f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3，即在RGB模型中，令R＝G＝B，则彩色表示一种灰度颜色，将彩色图像中的三分量亮度求平均得到灰度值。
进一步，所述步骤一中的高斯滤波的具体操作是：使用5×5的高斯滤波器模板，以模板的中心位置为坐标原点进行取样，对高斯函数进行离散化，将模板在各个位置的坐标带入到高斯函数中，其中x轴水平向右，y轴竖直向下，以离散点上的高斯函数值为权值，对灰度化的图像的每个像素点做邻域内的加权平均，从而消除高斯噪声。
进一步，所述步骤一中二值化的具体操作是：将所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
进一步，所述步骤二中的霍夫变换的具体步骤为：预处理结束后设定好霍夫变换要检测的植物叶片模板图像中直线的最短距离d和最大间隔s，然后利用霍夫变换对预处理后的植物叶片模板图像进行直线检测：
1)首先创建一个2D数组累加器，初始化累加器，使所有的值都为0,将实用y＝ax+b表示的直线表达式改为使用极坐标ρ＝x cosθ+y sinθ表示，ρ是从原点到直线的垂直距离，θ是直线的垂线与横轴顺时针方向的夹角，取直线上的第一个点，把该点的x和y带入ρ＝xcosθ+y sinθ，然后对于角度θ遍历取值：0，1，2，3，...，180，分别求出与角度θ对应的的值，得到一系列(ρ；θ)的数值对，如果这个数值对在累加器中也存在相应的位置，就在这个位置上加1；
2)取直线上的第二个点，重复把该点的x和y带入ρ＝x cosθ+y sinθ，然后对于角度θ遍历取值：0，1，2，3，...，180的过程，更新累加器中的值；
3)对直线上的每个点都执行上述步骤1)和2)的操作，每次操作完成之后，累加器中的值就加1，按照这种方式进行下去，最后搜索累加器中的最大值，并找到其直线上的位置，实现直线检测；
4)循环遍历检测到的两条直线，找出两条直线的四个顶点坐标。
进一步，所述步骤三中的透视变换的具体步骤如下：
将步骤三中找到的四个顶点坐标与植物叶片模板图像中的四个顶点坐标进行匹配，根据四对顶点坐标，利用透视变换算法对采集到的植物叶片模板图像进行处理和几何校正：
令u,v是原始植物叶片模板图像坐标，x,y是对应透视变换后的图片坐标；将检测到的四对顶点分别带入到u,v和x,y中；根据透视变换公式：
其中x=x′=x/w′，y=y′/w′，@为代表线性变换中的旋转矩阵，[a31 a32]用于平移，[a13 a23]T用于产生透视变换；将四对(u，v)(x，y)分别带入透视变换公式，得到联立方程组：
根据方程组求出该图像的变换矩阵，再利用该变换矩阵对原始图像上所有的点进行透视变换，即得到校正好的植物叶片图像。
与现有技术相比，本发明具有以下有益效果：
1.采集农业作物图像数据时，不需要再将作物进行采摘，避免了对作物生长连续性的破坏。
2.以往使用透视变换对图像进行失真校正时，需要手动输入顶点坐标，本发明采用霍夫变换后再进行透视变换自动检测图像的四个顶点，即两条直线的四个端点。从而实现不需手动输入顶点坐标即可利用透视变换完成对自然环境下采集的植物叶片图像的失真校正。
附图说明
图1为植物叶片图像的灰度化图。
图2为植物叶片图像的二值化图。
图3为霍夫变换检测直线图。
图4为植物叶片图像实现变换后的效果图。
图5为本实施例一片植物叶片的自动校正前后对比图；(a)为原始植物叶片的图像，(b)为自动校正后的植物叶片的图像。
图6为本实施例另一片植物叶片的自动校正前后对比图；(a)为原始植物叶片的图像，(b)为自动校正后的植物叶片的图像。
图7为本实施例第三片植物叶片的自动校正前后对比图；(a)为原始植物叶片的图像，(b)为自动校正后的植物叶片的图像。
具体实施方案
下面结合附图及实施例对本发明进一步详细说明。
参照图1-图4，本实施例的一种植物叶片无损采集方法，利用相机直接对田间的植物叶片进行拍摄，对拍摄的植物叶片图像进行预处理后通过后期对图像的自动校正，具体步骤如下：
步骤一、将叶片摆放在模板上，所述模板为底板且其上画有两条有间隔的直线，叶片摆放在两条直线之间，然后用相机进行拍摄采集模板和植物叶片图像记为植物叶片模板图像如图1所示，然后对植物叶片模板图像预处理，所述预处理是对植物叶片模板图像依次经过灰度化、高斯滤波、二值化处理，得到呈现出明显的黑白效果的图像如图2所示；
本实施例中，所述步骤一中的灰度化处理的公式为：f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3，即在RGB模型中，令R＝G＝B，则彩色表示一种灰度颜色，将彩色图像中的三分量亮度求平均得到灰度值。
本实施例中，所述步骤一中的高斯滤波的具体操作是：使用5×5的高斯滤波器模板，以模板的中心位置为坐标原点进行取样，对高斯函数进行离散化，将模板在各个位置的坐标带入到高斯函数中，其中x轴水平向右，y轴竖直向下，以离散点上的高斯函数值为权值，对灰度化的图像的每个像素点做邻域内的加权平均，从而消除高斯噪声。
本实施例中，所述步骤一中二值化的具体操作是：将所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
步骤二、对预处理后的植物叶片模板图像进行霍夫变换找出预处理后的植物叶片模板图像上的两条直线的四个顶点坐标；
霍夫变换的具体步骤为：预处理结束后设定好霍夫变换要检测的植物叶片模板图像中直线的最短距离d和最大间隔s，然后利用霍夫变换对预处理后的植物叶片模板图像进行直线检测：
1)首先创建一个2D数组累加器，初始化累加器，使所有的值都为0,将实用y＝ax+b表示的直线表达式改为使用极坐标ρ＝x cosθ+y sinθ表示，ρ是从原点到直线的垂直距离，θ是直线的垂线与横轴顺时针方向的夹角，取直线上的第一个点，把该点的x和y带入ρ＝xcosθ+y sinθ，然后对于角度θ遍历取值：0，1，2，3，...，180，分别求出与角度θ对应的的值，得到一系列(ρ；θ)的数值对，如果这个数值对在累加器中也存在相应的位置，就在这个位置上加1；
2)取直线上的第二个点，重复把该点的x和y带入ρ＝x cosθ+y sinθ，然后对于角度θ遍历取值：0，1，2，3，...，180的过程，更新累加器中的值；
3)对直线上的每个点都执行上述步骤1)和2)的操作，每次操作完成之后，累加器中的值就加1，按照这种方式进行下去，最后搜索累加器中的最大值，并找到其直线上的位置，实现直线检测如图3所示；
4)循环遍历检测到的两条直线，找出两条直线的四个顶点坐标。
步骤三、将步骤二找到的四个顶点坐标与植物叶片模板图像上的四个顶点坐标进行匹配，根据四对顶点坐标，利用透视变换算法对采集到的植物叶片图像进行处理和几何校正，得到校正好的植物叶片图像。
其中，透视变换的具体步骤如下：
将步骤三中找到的四个顶点坐标与植物叶片模板图像中的四个顶点坐标进行匹配，根据四对顶点坐标，利用透视变换算法对采集到的植物叶片模板图像进行处理和几何校正：
令u,v是原始植物叶片模板图像坐标，x,y是对应透视变换后的图片坐标；将检测到的四对顶点分别带入到u,v和x,y中；根据透视变换公式：
其中x＝x′/w′，y＝y′/w′，为代表线性变换中的旋转矩阵，[a31 a32]用于平移，[a13 a23]T用于产生透视变换；将四对(u，v)(x，y)分别带入透视变换公式，得到联立方程组：
根据方程组求出该图像的变换矩阵，再利用该变换矩阵对原始图像上所有的点进行透视变换，即得到校正好的植物叶片图像如图4所示。解决植物叶片进行图像采集时出现的非线性失真问题，对自然环境中采集到的植物叶片图像进行矫正，实现无损采集。
对植物叶片进行拍摄后，利用上述实施例的矫正方法直接进行自动矫正，如图5、图6、图7为使用本发明对不同植物叶片图像自动矫正后的效果图，从图5-7中可以看出，自动矫正率非常之高，也说明了本发明的可行性。
Claims (6)
1.一种植物叶片无损采集方法，其特征在于：利用相机直接对田间的植物叶片进行拍摄，对拍摄的植物叶片图像进行预处理后通过后期对图像的自动校正，具体步骤如下：
步骤一、将叶片摆放在模板上，所述模板为底板且其上画有两条有间隔的直线，叶片摆放在两条直线之间，然后用相机进行拍摄采集模板和植物叶片图像记为植物叶片模板图像，然后对植物叶片模板图像预处理，所述预处理是对植物叶片模板图像依次经过灰度化、高斯滤波、二值化处理，得到呈现出明显的黑白效果的图像；
步骤二、对预处理后的植物叶片模板图像进行霍夫变换找出预处理后的植物叶片模板图像上的两条直线的四个顶点坐标；
步骤三、将步骤二找到的四个顶点坐标与植物叶片模板图像上的四个顶点坐标进行匹配，根据四对顶点坐标，利用透视变换算法对采集到的植物叶片图像进行处理和几何校正，得到校正好的植物叶片图像。
2.根据权利要求1所述的植物叶片无损采集方法，其特征在于：所述步骤一中的灰度化处理的公式为：f(i,j)＝(R(i,j)+G(i,j)+B(i,j))/3，即在RGB模型中，令R＝G＝B，则彩色表示一种灰度颜色，将彩色图像中的三分量亮度求平均得到灰度值。
3.根据权利要求1所述的植物叶片无损采集方法，其特征在于：所述步骤一中的高斯滤波的具体操作是：使用5×5的高斯滤波器模板，以模板的中心位置为坐标原点进行取样，对高斯函数进行离散化，将模板在各个位置的坐标带入到高斯函数中，其中x轴水平向右，y轴竖直向下，以离散点上的高斯函数值为权值，对灰度化的图像的每个像素点做邻域内的加权平均，从而消除高斯噪声。
4.根据权利要求1所述的植物叶片无损采集方法，其特征在于：所述步骤一中二值化的具体操作是：将所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
5.根据权利要求1所述的植物叶片无损采集方法，其特征在于：所述步骤二中的霍夫变换的具体步骤为：预处理结束后设定好霍夫变换要检测的植物叶片模板图像中直线的最短距离d和最大间隔s，然后利用霍夫变换对预处理后的植物叶片模板图像进行直线检测：
1)首先创建一个2D数组累加器，初始化累加器，使所有的值都为0,将实用y＝ax+b表示的直线表达式改为使用极坐标ρ＝x cosθ+y sinθ表示，ρ是从原点到直线的垂直距离，θ是直线的垂线与横轴顺时针方向的夹角，取直线上的第一个点，把该点的x和y带入ρ＝x cosθ+y sinθ，然后对于角度θ遍历取值：0，1，2，3，...，180，分别求出与角度θ对应的的值，得到一系列(ρ；θ)的数值对，如果这个数值对在累加器中也存在相应的位置，就在这个位置上加1；
2)取直线上的第二个点，重复把该点的x和y带入ρ＝x cosθ+y sinθ，然后对于角度θ遍历取值：0，1，2，3，...，180的过程，更新累加器中的值；
3)对直线上的每个点都执行上述步骤1)和2)的操作，每次操作完成之后，累加器中的值就加1，按照这种方式进行下去，最后搜索累加器中的最大值，并找到其直线上的位置，实现直线检测；
4)循环遍历检测到的两条直线，找出两条直线的四个顶点坐标。
6.根据权利要求1所述的植物叶片无损采集方法，其特征在于：所述步骤三中的透视变换的具体步骤如下：
将步骤三中找到的四个顶点坐标与植物叶片模板图像中的四个顶点坐标进行匹配，根据四对顶点坐标，利用透视变换算法对采集到的植物叶片模板图像进行处理和几何校正：
令u,v是原始植物叶片模板图像坐标，x,y是对应透视变换后的图片坐标；将检测到的四对顶点分别带入到u,v和x,y中；根据透视变换公式：
其中x＝x′/w′，y＝y′/w′，为代表线性变换中的旋转矩阵，[a31 a32]用于平移，[a13 a23]T用于产生透视变换；将四对(u，v)(x，y)分别带入透视变换公式，得到联立方程组：
根据方程组求出该图像的变换矩阵，再利用该变换矩阵对原始图像上所有的点进行透视变换，即得到校正好的植物叶片图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810961429.5A CN109241966A (zh) | 2018-08-22 | 2018-08-22 | 一种植物叶片无损采集方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810961429.5A CN109241966A (zh) | 2018-08-22 | 2018-08-22 | 一种植物叶片无损采集方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109241966A true CN109241966A (zh) | 2019-01-18 |
Family
ID=65068458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810961429.5A Pending CN109241966A (zh) | 2018-08-22 | 2018-08-22 | 一种植物叶片无损采集方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109241966A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288612A (zh) * | 2019-06-18 | 2019-09-27 | 上海眼控科技股份有限公司 | 铭牌定位与校正方法及设备 |
| CN111223138A (zh) * | 2019-12-09 | 2020-06-02 | 天津市气候中心(天津市生态气象和卫星遥感中心、天津市农业气象中心) | 一种叶片形态校准与提取的方法 |
| WO2021138991A1 (zh) * | 2020-01-10 | 2021-07-15 | 大连理工大学 | 一种弱监督可信代价传播的视差估计方法 |
| CN113179775A (zh) * | 2021-05-25 | 2021-07-30 | 华中农业大学 | 一种瓜类嫁接苗愈合期生长无损检测和愈合环境评价方法 |
| CN113989689A (zh) * | 2021-11-29 | 2022-01-28 | 沈阳农业大学 | 一种基于无人机的农作物病虫害识别方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225218A (zh) * | 2014-06-24 | 2016-01-06 | 佳能株式会社 | 用于文档图像的畸变校正方法和设备 |
| WO2016070318A1 (en) * | 2014-11-04 | 2016-05-12 | SZ DJI Technology Co., Ltd. | Camera calibration |
| CN105740856A (zh) * | 2016-01-28 | 2016-07-06 | 宁波理工监测科技股份有限公司 | 一种基于机器视觉的指针式仪表示数读取方法 |
| CN107301399A (zh) * | 2017-06-23 | 2017-10-27 | 中国人民解放军陆军军官学院 | 一种基于俯视图像的水面桥梁识别方法 |
-
2018
- 2018-08-22 CN CN201810961429.5A patent/CN109241966A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105225218A (zh) * | 2014-06-24 | 2016-01-06 | 佳能株式会社 | 用于文档图像的畸变校正方法和设备 |
| WO2016070318A1 (en) * | 2014-11-04 | 2016-05-12 | SZ DJI Technology Co., Ltd. | Camera calibration |
| CN105740856A (zh) * | 2016-01-28 | 2016-07-06 | 宁波理工监测科技股份有限公司 | 一种基于机器视觉的指针式仪表示数读取方法 |
| CN107301399A (zh) * | 2017-06-23 | 2017-10-27 | 中国人民解放军陆军军官学院 | 一种基于俯视图像的水面桥梁识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 王忠芝，张金瑞: "基于图像处理的叶面积测量方法", 《微计算机应用》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288612A (zh) * | 2019-06-18 | 2019-09-27 | 上海眼控科技股份有限公司 | 铭牌定位与校正方法及设备 |
| CN111223138A (zh) * | 2019-12-09 | 2020-06-02 | 天津市气候中心(天津市生态气象和卫星遥感中心、天津市农业气象中心) | 一种叶片形态校准与提取的方法 |
| CN111223138B (zh) * | 2019-12-09 | 2023-05-09 | 天津市气候中心(天津市生态气象和卫星遥感中心、天津市农业气象中心) | 一种叶片形态校准与提取的方法 |
| WO2021138991A1 (zh) * | 2020-01-10 | 2021-07-15 | 大连理工大学 | 一种弱监督可信代价传播的视差估计方法 |
| US11315273B2 (en) | 2020-01-10 | 2022-04-26 | Dalian University Of Technology | Disparity estimation method for weakly supervised trusted cost propagation |
| CN113179775A (zh) * | 2021-05-25 | 2021-07-30 | 华中农业大学 | 一种瓜类嫁接苗愈合期生长无损检测和愈合环境评价方法 |
| CN113989689A (zh) * | 2021-11-29 | 2022-01-28 | 沈阳农业大学 | 一种基于无人机的农作物病虫害识别方法及系统 |
| CN113989689B (zh) * | 2021-11-29 | 2023-09-22 | 沈阳农业大学 | 一种基于无人机的农作物病虫害识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109241966A (zh) | 一种植物叶片无损采集方法 | |
| Lü et al. | Leaf area measurement based on image processing | |
| CN105389586B (zh) | 一种基于计算机视觉自动检测虾体完整性的方法 | |
| Nielsen et al. | Vision-based 3D peach tree reconstruction for automated blossom thinning | |
| CN109087241A (zh) | 一种农业作物图像数据无损采集方法 | |
| CN108596880A (zh) | 基于图像处理的焊接缺陷特征提取与焊接质量分析方法 | |
| CN107038446A (zh) | 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法 | |
| CN107341844A (zh) | 一种基于多Kinect的实时三维人体绘制方法 | |
| CN116503418B (zh) | 一种复杂场景下的作物三维目标检测方法 | |
| CN110348344B (zh) | 一种基于二维和三维融合的特殊人脸表情识别的方法 | |
| CN109903270A (zh) | 牲畜群体数目监测方法及装置 | |
| CN114972646B (zh) | 一种实景三维模型独立地物的提取与修饰方法及系统 | |
| Yaxiong et al. | Identification and location of grapevine sucker based on information fusion of 2D laser scanner and machine vision | |
| CN109191461A (zh) | 一种基于机器视觉技术的土鸡蛋识别方法及识别装置 | |
| CN107092905A (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
| CN107067430A (zh) | 一种基于特征点聚类的麦田作物行检测方法 | |
| CN114119987A (zh) | 基于卷积神经网络的特征提取和描述子生成方法及系统 | |
| CN109166127B (zh) | 一种可穿戴式植物表型感知系统 | |
| CN113034526B (zh) | 一种抓取方法、抓取装置及机器人 | |
| CN106815585A (zh) | 一种复杂动态环境孔特征的高精视觉定位方法 | |
| CN114120303A (zh) | 自然拍照条件下基于mser的图像表格的检测方法 | |
| CN111161227B (zh) | 一种基于深度神经网络的靶心定位方法及系统 | |
| CN116740703B (zh) | 一种基于点云信息的小麦表型参数变化率估测方法和装置 | |
| CN109596620A (zh) | 基于机器视觉的产品表面形状缺陷检测方法和系统 | |
| CN116883480A (zh) | 基于双目影像与地基雷达融合点云的玉米株高检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |