CN109961024A - 基于深度学习的小麦田间杂草检测方法 - Google Patents
基于深度学习的小麦田间杂草检测方法 Download PDFInfo
- Publication number
- CN109961024A CN109961024A CN201910175260.5A CN201910175260A CN109961024A CN 109961024 A CN109961024 A CN 109961024A CN 201910175260 A CN201910175260 A CN 201910175260A CN 109961024 A CN109961024 A CN 109961024A
- Authority
- CN
- China
- Prior art keywords
- weeds
- picture
- wheat
- classification
- crop
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
Abstract
本发明公开了一种基于深度学习的小麦田间杂草检测方法,采集大量不同生长阶段的小麦和小麦田间主要杂草的图片,建立数据集并将数据集分为训练集与测试集;通过迁移学习的方法,将训练集输入预设的卷积神经网络模型中进行训练得到作物杂草分类识别器,利用测试集对作物杂草分类识别器进行测试得到分类识别结果从而进行微调;采用滑动窗口法在待检测图片上生成大量不同尺寸的兴趣域,将每个兴趣域输入作物杂草分类识别器进行分类识别得到对应的预测类别与正确概率;应用非极大值抑制算法从所有兴趣域中筛选出对应每个种类局部极大正确概率的兴趣域,输出分类与定位的预测结果。本方法能快速准确的对作物与杂草进行识别和定位,对所数据要求较低。
Description
技术领域
本发明属于杂草检测领域,具体涉及一种基于深度学习的小麦田间杂草检测方法。
背景技术
小麦田间杂草对小麦的正常发育有很大的威胁,严重影响着小麦的高产和稳产。小麦田间杂草品种多样,在各个季节均有杂草生长,需要不同种类的除草剂进行治理。传统的粗放式大面积化学除草已经产生了诸多负面影响,如污染环境、威胁食品安全等,精准式变量喷洒技术是根据杂草和作物分布情况定点定量喷洒除草剂,既能降低对田间生态环境的影响,又能减少经济成本、提高除草效率。因此,结合目前自动化农业的发展趋势,自动高效地对小麦田间杂草进行识别就显得尤为重要。
目前,小麦田间杂草识别方法主要有计算机视觉技术方法与光谱技术方法。计算机视觉技术方法是由图像采集设备收集田间杂草与作物的RGB图像,分析杂草与作物各自的形态学特征等来实现对二者的区分,该方法对图像采集环境和图像预处理的要求较高,其特征提取过程较复杂,一般只适用于所研究对象的作物与杂草,普适性较差。光谱技术方法则是采集作物和杂草各自的光谱图像,利用不同植物在相同光照条件下光谱反射特性不同的特点对杂草进行识别,该方法虽然准确度较高,但光谱图像采集对天气的要求较严格,且图像采集仪器的价格与学习成本较高,分析方法难以推广,故不利于投入实际生产。
发明内容
本发明的目的是提供一种基于深度学习的小麦田间杂草检测方法,本方法能快速准确的对作物与杂草进行识别和定位,对所采集的图像数据要求较低,对数据的需求量灵活。
本发明所采用的技术方案是:
一种基于深度学习的小麦田间杂草检测方法,包括步骤:
S1、采集大量不同生长阶段的小麦和小麦田间主要杂草的图片,建立数据集并将数据集分为训练集与测试集;
S2、将训练集中的图片缩放至预设的卷积神经网络模型所要求的像素尺寸并通过数据增强方法扩充训练集数据量;
S3、通过迁移学习的方法,将训练集输入预设的卷积神经网络模型中进行训练得到作物杂草分类识别器,利用测试集对作物杂草分类识别器进行测试得到分类识别结果并计算准确度,若准确度达标则进入下一步,否则调整参数或网络结构并重新训练;
S4、采用滑动窗口法在待检测图片上生成大量不同尺寸的兴趣域,将每个兴趣域输入作物杂草分类识别器进行分类识别,得到兴趣域对应的预测类别与正确概率;
S5、应用非极大值抑制算法从所有兴趣域中筛选出对应每个种类局部极大正确概率的兴趣域,输出分类与定位的预测结果。
所有图片均为RGB三通道格式。
在S1中,数据集中70%图片归入训练集,用于训练得到作物杂草分类识别器,30%的图片归入测试集,用于测试作物杂草分类识别器的效果。
在S2中,扩充训练集数据量的数据增强方法为:将图片缩放70%、90%、110%、130%;将图片相对于中心点旋转45°,135°;将图片做水平与竖直方向翻转;对图片增加高斯噪声;对图片施加高斯模糊;对图片施加HSV对比度变换。
在S2和S3中,预设的卷积神经网络模型为基于ImageNet预训练得到的vgg16卷积神经网络模型,包括16个卷积层和全连接层,使用的卷积核形式为3×3,步长为1,统一的池化核为2×2,步长为2。
本发明的有益效果是:
对于小麦田间杂草的识别,传统的计算机视觉技术提取其特征(颜色、形态、纹理等)对数据采集的要求较高,预处理过程较复杂,且需要对每一类别作物或杂草进行单独的特征分析,所得到的分类模型可能只能应用于研究所涉及的植物可推广性较差,传统的光谱反射特性对作物与杂草进行识别则对采集光谱图像时的光照条件有较高要求,且当涉及多种杂草时准确率难以保证;而本方法使用大量小麦与杂草的图像制作数据集,通过深度学习训练得到了基于卷积神经网络的分类识别器,小麦与主要麦田杂草在形态上有明显差异,卷积神经网络提取小麦与杂草形态特征的实验表明,小麦与杂草的图像在经卷积处理后特征图像有显著差异,因此在本方法中,作物与杂草的识别准确率更高,速度更快,对所采集的图像数据要求较低、成本低,具有良好的可推广性和适用性。
对于小麦田间杂草的定位,传统的土壤背景分割、图像分割等定位方法,效率低,且不适合复杂环境、易用性较弱;而本方法使用了滑动窗口法结合非极大值抑制算法进行目标检测,能有效而快速地对图片中杂草与作物进行定位。
本方法中作物杂草分类识别器对数据的需求量灵活,当样本数据量较小时仍可以通过迁移学习达到较高的分类识别准确率。
附图说明
图1是本发明中建立作物杂草分类识别器的流程图。
图2是本发明中识别与定位小麦田间杂草的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明。
如图1和图2所示,一种基于深度学习的小麦田间杂草检测方法,包括步骤:
S1、使用数码相机采集小麦RGB图片1000张、主要杂草若干种的RGB图片300张,建立数据集,将数据集中70%图片归入训练集,用于训练得到作物杂草分类识别器,30%的图片归入测试集,用于测试作物杂草分类识别器的效果。
S2、将训练集中的图片缩放至预设的卷积神经网络模型所要求的像素尺寸(224*224像素的尺寸);为提高模型在不同角度、亮度、对比度、清晰度等因素影响下的识别准确率,通过以下数据增强方法扩充训练集数据量:将图片缩放70%、90%、110%、130%;将图片相对于中心点旋转45°,135°;将图片做水平与竖直方向翻转;对图片增加高斯噪声;对图片施加高斯模糊;对图片施加HSV对比度变换。
S3、通过迁移学习的方法,将训练集输入预设的卷积神经网络模型中进行训练,预设的卷积神经网络模型为基于ImageNet预训练得到的vgg16卷积神经网络模型,包括16个卷积层和全连接层,使用的卷积核形式为3×3,步长(stride)为1,统一的池化核为2×2,步长(stride)为2,通过不断加深网络结构来提升性能,一次卷积之后得到的特征图(featuremap)尺寸为:
Wn+1=(Wn-F+2P)/S+1 (1)
Hn+1=(Hn-F+2P)/S+1 (2)
上式中Wn+1、Hn+1是卷积后特征图的宽度与高度;Wn、Hn是卷积前图像的宽度;F是filter的宽度;P是Zero Padding数量;S是卷积核步长。
输入经过预处理后与数据增强后维度为224×224×3的图像,经过64个卷积核卷积处理与一次池化后得到维度为112×112×64的图像,再按照该卷积神经网络的结果依次进行卷积、池化处理。在本实施例中,将vgg16模型在ImageNet数据集上训练的权重迁移至准备的卷积神经网络模型中,进行一次向前传播,输出每一分类得分值,使用softmax函数作为损失函数,输出每一类的概率值,并得到其得分值与所属真实分类之间的损失函数值,使用反向传播算法,根据动量梯度下降算法沿损失函数值下降方向对权重系数w进行微调,当损失函数值趋于收敛时,停止训练,建立基于卷积神经网络与迁移学习的作物杂草分类识别器。
利用测试集对作物杂草分类识别器进行测试得到分类识别结果并对比正确类别标签计算预测正确率,若预测效果良好(如准确率达90%以上)则认为该模型可用,否则调整参数或网络结构并增大训练次数(epoch)重新训练。
S4、采用滑动窗口法在待检测图片上生成2000个不同尺寸的兴趣域,并将每个兴趣域按照S2中要求缩放到指定尺度,将每个兴趣域输入作物杂草分类识别器进行分类识别,得到兴趣域对应的预测类别与正确概率。
S5、使用非极大值抑制算法实现兴趣域去重复,在本实施例中,滑动窗口生成的兴趣域经过作物杂草分类识别器识别后,每个兴趣域会得到一个预测种类标签和其对应的概率,由于滑动窗口法生成的兴趣域会出现很多与其他兴趣域包含、被包含、交叉的情况,可使用非极大值抑制算法选取这些兴趣域中概率最高的区域,并抑制概率低的窗口。
非极大值抑制算法具体实施思路如下:输入窗口位置与概率(x1,y1,x2,y2,possibility),阈值(overlap);计算所有窗口面积:
Area=(x2-x1+1)×(y2-y1+1) (3)
对所有窗口的概率进行从小到大排序并去除最高概率的序号对应的兴趣域放入集合I;循环计算高分数窗口与最高分数窗口的交叉面积与两者间最小面积的比例,从集合I中取出置信度最大的一个框(xx1,yy1,xx2,yy2)存到待输出集合J中,与集合I中其他框计算交集大小,并集=两个框的面积和–交集大小,计算交并比(交集大小/并集大小),若大于阈值则将相应的组删去(即抑制此窗口);输出集合J。集合J中兴趣域所对应的区域及其预测种类标签为最终检测结果,即本方法最终输出一个区域与分类识别标签的集合,对应作物、杂草的位置与种类。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (5)
1.一种基于深度学习的小麦田间杂草检测方法,其特征在于:包括步骤,
S1、采集大量不同生长阶段的小麦和小麦田间主要杂草的图片,建立数据集并将数据集分为训练集与测试集;
S2、将训练集中的图片缩放至预设的卷积神经网络模型所要求的像素尺寸并通过数据增强方法扩充训练集数据量;
S3、通过迁移学习的方法,将训练集输入预设的卷积神经网络模型中进行训练得到作物杂草分类识别器,利用测试集对作物杂草分类识别器进行测试得到分类识别结果并计算准确度,若准确度达标则进入下一步,否则调整参数或网络结构并重新训练;
S4、采用滑动窗口法在待检测图片上生成大量不同尺寸的兴趣域,将每个兴趣域输入作物杂草分类识别器进行分类识别,得到兴趣域对应的预测类别与正确概率;
S5、应用非极大值抑制算法从所有兴趣域中筛选出对应每个种类局部极大正确概率的兴趣域,输出分类与定位的预测结果。
2.如权利要求1所述的基于深度学习的小麦田间杂草检测方法,其特征在于:所有图片均为RGB三通道格式。
3.如权利要求1所述的基于深度学习的小麦田间杂草检测方法,其特征在于:在S1中,数据集中70%图片归入训练集,用于训练得到作物杂草分类识别器,30%的图片归入测试集,用于测试作物杂草分类识别器的效果。
4.如权利要求1所述的基于深度学习的小麦田间杂草检测方法,其特征在于:在S2中,扩充训练集数据量的数据增强方法为:将图片缩放70%、90%、110%、130%;将图片相对于中心点旋转45°,135°;将图片做水平与竖直方向翻转;对图片增加高斯噪声;对图片施加高斯模糊;对图片施加HSV对比度变换。
5.如权利要求1所述的基于深度学习的小麦田间杂草检测方法,其特征在于:在S2和S3中,预设的卷积神经网络模型为基于ImageNet预训练得到的vgg16卷积神经网络模型,包括16个卷积层和全连接层,使用的卷积核形式为3×3,步长为1,统一的池化核为2×2,步长为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175260.5A CN109961024A (zh) | 2019-03-08 | 2019-03-08 | 基于深度学习的小麦田间杂草检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910175260.5A CN109961024A (zh) | 2019-03-08 | 2019-03-08 | 基于深度学习的小麦田间杂草检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109961024A true CN109961024A (zh) | 2019-07-02 |
Family
ID=67024169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910175260.5A Pending CN109961024A (zh) | 2019-03-08 | 2019-03-08 | 基于深度学习的小麦田间杂草检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109961024A (zh) |
Cited By (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111325240A (zh) * | 2020-01-23 | 2020-06-23 | 杭州睿琪软件有限公司 | 与杂草相关的计算机可执行的方法和计算机系统 |
CN111476129A (zh) * | 2020-03-27 | 2020-07-31 | 潍坊申海科技有限公司 | 一种基于深度学习的土壤杂质检测方法 |
CN111612797A (zh) * | 2020-03-03 | 2020-09-01 | 江苏大学 | 一种水稻图像信息处理系统 |
CN112287960A (zh) * | 2019-07-24 | 2021-01-29 | 辉达公司 | 用于训练或再训练机器学习模型的地面真值数据的自动生成 |
CN113128576A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 基于深度学习图像分割的作物行检测方法及装置 |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
CN113349188A (zh) * | 2021-05-31 | 2021-09-07 | 南京林业大学 | 一种基于云端杀草谱的草坪及牧草精准除草方法 |
CN113498639A (zh) * | 2021-09-13 | 2021-10-15 | 农业农村部南京农业机械化研究所 | 一种除草装置及除草方法 |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
US20220110251A1 (en) | 2020-10-09 | 2022-04-14 | Deere & Company | Crop moisture map generation and control system |
CN114617114A (zh) * | 2022-04-19 | 2022-06-14 | 浙江理工大学 | 一种太阳能除草机器人及其控制方法 |
CN114700927A (zh) * | 2022-04-19 | 2022-07-05 | 浙江理工大学 | 并联机械臂与柔性机械手的组合式除草机器人及控制方法 |
CN114700969A (zh) * | 2022-04-19 | 2022-07-05 | 浙江理工大学 | 基于xy工型滑台并联柔性机械手的除草机器人及控制方法 |
CN114818909A (zh) * | 2022-04-22 | 2022-07-29 | 北大荒信息有限公司 | 一种基于作物长势特征的杂草检测方法和装置 |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038410A (zh) * | 2017-02-24 | 2017-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度堆叠网络的杂草图像识别方法 |
-
2019
- 2019-03-08 CN CN201910175260.5A patent/CN109961024A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107038410A (zh) * | 2017-02-24 | 2017-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度堆叠网络的杂草图像识别方法 |
Non-Patent Citations (2)
Title |
---|
张慧: "深度学习在目标视觉检测中的应用进展与展望", 《自动化学报》 * |
李南: "基于机器视觉的锄草机器人快速作物识别方法研究", 《中国博士学位论文全文数据库》 * |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
US11653588B2 (en) | 2018-10-26 | 2023-05-23 | Deere & Company | Yield map generation and control system |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11650553B2 (en) | 2019-04-10 | 2023-05-16 | Deere & Company | Machine control using real-time model |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
US11829112B2 (en) | 2019-04-10 | 2023-11-28 | Deere & Company | Machine control using real-time model |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
US11783230B2 (en) | 2019-07-24 | 2023-10-10 | Nvidia Corporation | Automatic generation of ground truth data for training or retraining machine learning models |
CN112287960A (zh) * | 2019-07-24 | 2021-01-29 | 辉达公司 | 用于训练或再训练机器学习模型的地面真值数据的自动生成 |
CN112287960B (zh) * | 2019-07-24 | 2024-03-08 | 辉达公司 | 用于训练或再训练机器学习模型的地面真值数据的自动生成 |
WO2021147528A1 (zh) * | 2020-01-23 | 2021-07-29 | 杭州睿琪软件有限公司 | 与杂草相关的计算机可执行的方法和计算机系统 |
CN111325240A (zh) * | 2020-01-23 | 2020-06-23 | 杭州睿琪软件有限公司 | 与杂草相关的计算机可执行的方法和计算机系统 |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
CN111612797A (zh) * | 2020-03-03 | 2020-09-01 | 江苏大学 | 一种水稻图像信息处理系统 |
CN111612797B (zh) * | 2020-03-03 | 2021-05-25 | 江苏大学 | 一种水稻图像信息处理系统 |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
CN111476129A (zh) * | 2020-03-27 | 2020-07-31 | 潍坊申海科技有限公司 | 一种基于深度学习的土壤杂质检测方法 |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11849671B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Crop state map generation and control system |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US20220110251A1 (en) | 2020-10-09 | 2022-04-14 | Deere & Company | Crop moisture map generation and control system |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
CN113128576A (zh) * | 2021-04-02 | 2021-07-16 | 中国农业大学 | 基于深度学习图像分割的作物行检测方法及装置 |
CN113349188B (zh) * | 2021-05-31 | 2022-06-03 | 南京林业大学 | 一种基于云端杀草谱的草坪及牧草精准除草方法 |
CN113349188A (zh) * | 2021-05-31 | 2021-09-07 | 南京林业大学 | 一种基于云端杀草谱的草坪及牧草精准除草方法 |
CN113498639A (zh) * | 2021-09-13 | 2021-10-15 | 农业农村部南京农业机械化研究所 | 一种除草装置及除草方法 |
CN113498639B (zh) * | 2021-09-13 | 2021-12-10 | 农业农村部南京农业机械化研究所 | 一种除草装置及除草方法 |
CN114617114A (zh) * | 2022-04-19 | 2022-06-14 | 浙江理工大学 | 一种太阳能除草机器人及其控制方法 |
CN114700927A (zh) * | 2022-04-19 | 2022-07-05 | 浙江理工大学 | 并联机械臂与柔性机械手的组合式除草机器人及控制方法 |
CN114700969A (zh) * | 2022-04-19 | 2022-07-05 | 浙江理工大学 | 基于xy工型滑台并联柔性机械手的除草机器人及控制方法 |
CN114818909B (zh) * | 2022-04-22 | 2023-09-15 | 北大荒信息有限公司 | 一种基于作物长势特征的杂草检测方法和装置 |
CN114818909A (zh) * | 2022-04-22 | 2022-07-29 | 北大荒信息有限公司 | 一种基于作物长势特征的杂草检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961024A (zh) | 基于深度学习的小麦田间杂草检测方法 | |
Jia et al. | Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot | |
Wu et al. | Using channel pruning-based YOLO v4 deep learning algorithm for the real-time and accurate detection of apple flowers in natural environments | |
WO2022160771A1 (zh) | 基于自适应多尺度特征提取模型的高光谱图像分类方法 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN108830188A (zh) | 基于深度学习的车辆检测方法 | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
CN106971160A (zh) | 基于深度卷积神经网络和病害图像的冬枣病害识别方法 | |
CN106951836A (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
Chen et al. | A YOLOv3-based computer vision system for identification of tea buds and the picking point | |
CN110378909A (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
CN107633199A (zh) | 一种基于深度学习的苹果采摘机器人果实目标检测方法 | |
CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割系统及方法 | |
CN113012150A (zh) | 一种特征融合的高密度稻田无人机图像稻穗计数方法 | |
CN106874929B (zh) | 一种基于深度学习的珍珠分类方法 | |
CN108122003A (zh) | 一种基于深度神经网络的弱小目标识别方法 | |
CN113392748B (zh) | 一种基于卷积神经网络的遥感影像耕地信息提取方法 | |
Lin et al. | The pest and disease identification in the growth of sweet peppers using faster R-CNN and mask R-CNN | |
CN107967474A (zh) | 一种基于卷积神经网络的海面目标显著性检测方法 | |
CN110287882A (zh) | 一种基于深度学习的大菊品种图像识别方法 | |
CN110826556A (zh) | 改进深度学习的广谱农作物杂草识别与定位方法 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
Wang et al. | Tea picking point detection and location based on Mask-RCNN | |
CN110533100A (zh) | 一种基于机器学习进行cme检测和跟踪的方法 | |
CN110084198A (zh) | 基于Fisher特征分析的CNN机场室内场景识别方法 |
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 |
Application publication date: 20190702 |
|
RJ01 | Rejection of invention patent application after publication |