CN110188680A - 基于因子迭代的茶树嫩芽智能识别方法 - Google Patents

基于因子迭代的茶树嫩芽智能识别方法 Download PDF

Info

Publication number
CN110188680A
CN110188680A CN201910459994.6A CN201910459994A CN110188680A CN 110188680 A CN110188680 A CN 110188680A CN 201910459994 A CN201910459994 A CN 201910459994A CN 110188680 A CN110188680 A CN 110188680A
Authority
CN
China
Prior art keywords
iteration
tender shoots
tea tree
factor
method based
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.)
Granted
Application number
CN201910459994.6A
Other languages
English (en)
Other versions
CN110188680B (zh
Inventor
陈勇
郝淼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Forestry University
Original Assignee
Nanjing Forestry University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Forestry University filed Critical Nanjing Forestry University
Priority to CN201910459994.6A priority Critical patent/CN110188680B/zh
Publication of CN110188680A publication Critical patent/CN110188680A/zh
Application granted granted Critical
Publication of CN110188680B publication Critical patent/CN110188680B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

基于因子迭代的茶树嫩芽智能识别方法，包括如下步骤：彩色图像采集；设定R、G、B三个分量关系式；参数的取值范围选定；参数迭代步长设定；符合条件参数评价标准设定；迭代区域选择；迭代计算；确定色彩因子；对原始茶树图像进行图像分割；面积滤波。本发明能够很好的将嫩芽从复杂背景中分割出来，提出的色彩因子经过大量实验表明，对于不同品种、不同地域的茶叶均具有较强的通用性，同时对光照强度的变化具有较好的适应性，本发明的嫩芽识别算法较前期他人的研究方法具有明显的优越性，识别率高，运算时间短。

Description

基于因子迭代的茶树嫩芽智能识别方法
技术领域
本发明属于农业技术领域，具体涉及基于因子迭代的茶树嫩芽智能识别方法，是一种自然背景下茶树嫩芽的识别方法。
背景技术
制作名优绿茶对所选取的芽叶非常讲究，因此国内外目前无一例外地只能靠人工采摘，人工采茶劳动强度大、工作效率低，而且采摘不及时会严重地影响茶叶质量和茶树下一轮新梢的生长，名优绿茶采摘难问题日渐突出，已成为制约名优绿茶可持续发展的现实问题。因此，茶园急需一种工作效率高，可实现智能化茶叶采摘的采茶机器人。其中，嫩芽的智能识别则是采茶机器人的一项关键技术。
从上世纪七十年代开始，计算机视觉在农业领域的应用已得到了广泛的关注，近年已有学者开始了基于计算机视觉的嫩芽智能识别研究，当前研究基本有四类，第一种是基于嫩芽与老叶的颜色差异化加以识别，第二类是结合嫩芽颜色与形态综合考虑进行嫩芽识别，第三类是使用光谱分析的方法识别嫩芽，第四类是采用深度学习的方式实现嫩芽的识别。虽然当前对嫩芽识别的研究种类相对比较丰富，但是还未有可以有效的将嫩芽识别出来的算法。因此，需要一种新的嫩芽识别算法，能够用于采茶机器人视觉系统，替代人工实现老叶和嫩芽的有效识别。
发明内容
本发明针对现有技术中的不足，提供一种基于因子迭代的茶树嫩芽智能识别方法，该方法可以高效的、准确的将嫩芽从复杂自然背景环境中分割出来，实现嫩芽的智能识别。
为实现上述目的，本发明采用以下技术方案：
基于因子迭代的茶树嫩芽智能识别方法，其特征在于，包括如下步骤：
第一步：采集彩色图像，彩色图像中包括新梢嫩芽及复杂背景；
第二步：设定R、G、B三个分量的线性关系式；
第三步：选定线性关系式中的参数取值范围；
第四步：设定参数迭代步长；
第五步：设定符合条件参数评价标准；
第六步：选择迭代区域；
第七步：迭代计算，记录参数取值范围内满足参数评价标准的组值，并对其取平均值；
第八步：根据组值平均结果确定色彩因子；
第九步：使用色彩因子对原始茶树图像进行图像分割；
第十步：对于图像分割后的图像，使用面积滤波法，将嫩芽从复杂背景中识别出来。
为优化上述技术方案，采取的具体措施还包括：
进一步地，所述第二步中，将R、G、B三个分量联合起来考虑，假定G与B分量之间、B与R分量之间、R与G分量之间均存在一种线性关系：k1*G+k2*B+k3*R＞T，其中k1、k2、k3、T表示线性关系式中的参数。
进一步地，所述第三步中，各个像素点的R、G、B三个分量的取值均在[0，255]范围之内，由此确定k1、k2、k3以及T的取值范围。
进一步地，所述第四步中，k1、k2、k3的迭代步长设定为0.1，T的迭代步长设定为1。
进一步地，所述第五步中，在原始茶树图像上分别选取嫩芽迭代区域以及背景迭代区域，对于同一组k1、k2、k3以及T，在嫩芽迭代区域中，符合线性关系式k1*G+k2*B+k3*R＞T的像素个数占比不少于嫩芽迭代区域的总像素个数的95％，与此同时，这四个参数还满足在背景迭代区域中，满足线性关系式k1*G+k2*B+k3*R＞T的像素个数占比不大于背景迭代区域的总像素个数的5％。
进一步地，所述第六步中，在原始茶树图像中选取若干个背景迭代区域以及若干个嫩芽迭代区域。
进一步地，所述第七步中，将读取的嫩芽迭代区域以及背景迭代区域的R、G、B组值代入k1*G+k2*B+k3*R＞T中，将所有选定区域中，k1、k2、k3以及T在所有取值范围内满足参数评价标准的组值记录下来，最后对其取平均值。
进一步地，所述第八步中，根据组值平均结果确定色彩因子为：-1.01*G+0.8*B+0.19*R＞99。
进一步地，所述第十步中，使用基于连通区域标记的面积滤波法，将图像分割后的图像中不感兴趣区域和未长开嫩芽剔除，从而将嫩芽从复杂背景中识别出来。
本发明的有益效果是：
1、能够很好的将嫩芽从复杂背景中分割出来；
2、提出的色彩因子-1.01*G+0.8*B+0.19*R＞99经过大量实验表明：对于不同品种、不同地域的茶叶均具有较强的通用性，同时对光照强度的变化具有较好的适应性，本发明的嫩芽识别算法较前期他人的研究方法具有明显的优越性(识别率高、运算时间短)。
附图说明
图1是识别算法流程图。
图2是原始茶树图像示意图。
图3是迭代区域选择示意图。
图4是图像分割结果示意图。
图5是面积滤波结果示意图。
附图标记如下：1-背景；2-嫩芽；3-小嫩芽；4-老叶；5-叶梗；6-嫩芽迭代区域；7-背景迭代区域。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示的基于因子迭代的茶树嫩芽智能识别方法，是一种能将嫩芽从复杂背景中分割出来的新梢嫩芽识别方法，具体实施过程如下：
一、彩色图像采集。
彩色图像中不仅包括新梢嫩芽，同时还包括老叶、土壤等复杂背景，如图2所示。
二、设定R、G、B三个分量关系式。
将R、G、B三个分量联合起来考虑，假定G与B分量之间、B与R分量之间、R与G分量之间均存在一种线性关系：k1*G+k2*B+k3*R＞T。
三、k1、k2、k3以及T四个参数的取值范围选定。
各个像素点的R、G、B三个分量的取值均在[0，255]范围之内，由此确定k1、k2、k3以及T的取值范围。
四、参数迭代步长设定。
k1、k2、k3的迭代步长设定为0.1，T的迭代步长设定为1。
五、符合条件参数评价标准设定。
在原始茶树图像上分别选取嫩芽迭代区域以及背景迭代区域，在同一组k1、k2、k3以及T下，要求符合线性关系式k1*G+k2*B+k3*R＞T的嫩芽迭代区域中的像素个数占比不少于嫩芽迭代区域的总像素个数的95％，与此同时，这四个参数还需要满足在背景迭代区域中，满足线性关系式k1*G+k2*B+k3*R＞T的像素个数占比不大于背景迭代区域的总像素个数的5％。
六、迭代区域选择。
根据对自然环境的分析，背景区域中主要包括老叶、叶片反光区、叶片阴影区以及叶梗等情况，在原始图像中选取若干个背景迭代区域以及若干个嫩芽迭代区域，如图3所示。
七、迭代计算。
将读取的嫩芽区域以及背景区域的R、G、B组值代入k1*G+k2*B+k3*R＞T。将所有选定区域中，k1、k2、k3以及T所有取值范围内满足参数评价标准的组值记录下来，最后对其取平均值。
八、确定色彩因子。
根据组值平均结果确定色彩因子为：-1.01*G+0.8*B+0.19*R＞99。
九、对茶树原始图像进行图像分割。
使用上述色彩因子对茶树原始图像进行图像分割，如图4所示。
十、面积滤波。
使用基于连通区域标记的面积滤波法，将图像分割后的图像中不感兴趣区域和小面积的未长开嫩芽剔除，从而能够有效的将嫩芽从复杂背景中识别出来，如图5所示。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.基于因子迭代的茶树嫩芽智能识别方法，其特征在于，包括如下步骤：
第一步：采集彩色图像，彩色图像中包括新梢嫩芽及复杂背景；
第二步：设定R、G、B三个分量的线性关系式；
第三步：选定线性关系式中的参数取值范围；
第四步：设定参数迭代步长；
第五步：设定符合条件参数评价标准；
第六步：选择迭代区域；
第七步：迭代计算，记录参数取值范围内满足参数评价标准的组值，并对其取平均值；
第八步：根据组值平均结果确定色彩因子；
第九步：使用色彩因子对原始茶树图像进行图像分割；
第十步：对于图像分割后的图像，使用面积滤波法，将嫩芽从复杂背景中识别出来。
2.如权利要求1所述的基于因子迭代的茶树嫩芽智能识别方法，其特征在于：所述第二步中，将R、G、B三个分量联合起来考虑，假定G与B分量之间、B与R分量之间、R与G分量之间均存在一种线性关系：k1*G+k2*B+k3*R＞T，其中k1、k2、k3、T表示线性关系式中的参数。
3.如权利要求2所述的基于因子迭代的茶树嫩芽智能识别方法，其特征在于：所述第三步中，各个像素点的R、G、B三个分量的取值均在[0，255]范围之内，由此确定k1、k2、k3以及T的取值范围。
4.如权利要求2所述的基于因子迭代的茶树嫩芽智能识别方法，其特征在于：所述第四步中，k1、k2、k3的迭代步长设定为0.1，T的迭代步长设定为1。
5.如权利要求2所述的基于因子迭代的茶树嫩芽智能识别方法，其特征在于：所述第五步中，在原始茶树图像上分别选取嫩芽迭代区域以及背景迭代区域，对于同一组k1、k2、k3以及T，在嫩芽迭代区域中，符合线性关系式k1*G+k2*B+k3*R＞T的像素个数占比不少于嫩芽迭代区域的总像素个数的95％，与此同时，这四个参数还满足在背景迭代区域中，满足线性关系式k1*G+k2*B+k3*R＞T的像素个数占比不大于背景迭代区域的总像素个数的5％。
6.如权利要求2所述的基于因子迭代的茶树嫩芽智能识别方法，其特征在于：所述第六步中，在原始茶树图像中选取若干个背景迭代区域以及若干个嫩芽迭代区域。
7.如权利要求6所述的基于因子迭代的茶树嫩芽智能识别方法，其特征在于：所述第七步中，将读取的嫩芽迭代区域以及背景迭代区域的R、G、B组值代入k1*G+k2*B+k3*R＞T中，将所有选定区域中，k1、k2、k3以及T在所有取值范围内满足参数评价标准的组值记录下来，最后对其取平均值。
8.如权利要求7所述的基于因子迭代的茶树嫩芽智能识别方法，其特征在于：所述第八步中，根据组值平均结果确定色彩因子为：-1.01*G+0.8*B+0.19*R＞99。
9.如权利要求1所述的基于因子迭代的茶树嫩芽智能识别方法，其特征在于：所述第十步中，使用基于连通区域标记的面积滤波法，将图像分割后的图像中不感兴趣区域和未长开嫩芽剔除，从而将嫩芽从复杂背景中识别出来。
CN201910459994.6A 2019-05-29 2019-05-29 基于因子迭代的茶树嫩芽智能识别方法 Expired - Fee Related CN110188680B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910459994.6A CN110188680B (zh) 2019-05-29 2019-05-29 基于因子迭代的茶树嫩芽智能识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910459994.6A CN110188680B (zh) 2019-05-29 2019-05-29 基于因子迭代的茶树嫩芽智能识别方法

Publications (2)

Publication Number Publication Date
CN110188680A true CN110188680A (zh) 2019-08-30
CN110188680B CN110188680B (zh) 2021-08-24

Family

ID=67718727

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910459994.6A Expired - Fee Related CN110188680B (zh) 2019-05-29 2019-05-29 基于因子迭代的茶树嫩芽智能识别方法

Country Status (1)

Country Link
CN (1) CN110188680B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023088826A (ja) * 2021-12-15 2023-06-27 中国農業科学院茶叶研究所 画像および点群データ処理に基づく茶摘み方法

Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030073896A1 (en) * 2001-10-12 2003-04-17 Harry Zuzan Methods for estimating probe cell locations in high-density synthetic DNA microarrays
US6822757B1 (en) * 1998-06-19 2004-11-23 Fuji Photo Film Co., Ltd. Color transformation method, color transformation program, and recording medium recorded a color transformation program
CN101309426A (zh) * 2008-07-10 2008-11-19 北京邮电大学 基于人脸检测的可视电话视频传输抗误码方法
CN101419166A (zh) * 2008-11-18 2009-04-29 江苏大学 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置
CN101537618A (zh) * 2008-12-19 2009-09-23 北京理工大学 体育场捡球机器人视觉系统
CN101873502A (zh) * 2009-04-24 2010-10-27 晨星软件研发(深圳)有限公司 色彩空间转换电路及方法
CN101930596A (zh) * 2010-07-19 2010-12-29 赵全友 一种复杂光照下的两步法颜色恒常性方法
CN102013021A (zh) * 2010-08-19 2011-04-13 汪建 基于颜色和区域生长的茶叶嫩芽分割和识别方法
CN102222335A (zh) * 2011-05-30 2011-10-19 广东工业大学 一种彩色图像的四元数匹配方法
CN102509278A (zh) * 2011-10-31 2012-06-20 上海大学 基于Fisher判别准则的光照无关图去阴影方法
CN102663406A (zh) * 2012-04-12 2012-09-12 中国海洋大学 一种基于显微图像的角毛藻和非角毛藻自动分类方法
CN104050668A (zh) * 2014-06-17 2014-09-17 安徽农业大学 一种基于双目视觉技术的绿茶嫩芽的目标识别方法
US20150010223A1 (en) * 2013-07-02 2015-01-08 Surgical Information Sciences, Inc. Methods and systems for a high-resolution brain image pipeline and database program
CN105046670A (zh) * 2015-08-28 2015-11-11 中国科学院深圳先进技术研究院 一种图像去雨方法及系统
CN105704382A (zh) * 2016-03-18 2016-06-22 浙江宇视科技有限公司 一种多通道ccd摄像机图像校正方法和装置
CN105740787A (zh) * 2016-01-25 2016-07-06 南京信息工程大学 基于多核鉴别彩色空间的人脸识别方法
CN105761199A (zh) * 2016-03-25 2016-07-13 鲁东大学 一种基于组合域的鲁棒彩色图像水印方法
CN105809643A (zh) * 2016-03-14 2016-07-27 浙江外国语学院 一种基于自适应块通道拉伸的图像增强方法
CN106097366A (zh) * 2016-03-24 2016-11-09 南京航空航天大学 一种基于改进的Codebook前景检测的图像处理方法
CN106296612A (zh) * 2016-08-09 2017-01-04 南京工业大学 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法
CN106446840A (zh) * 2016-09-28 2017-02-22 南京信息工程大学 基于典型相关多核学习的彩色人脸识别方法
CN106485222A (zh) * 2016-10-10 2017-03-08 上海电机学院 一种基于肤色分层的人脸检测方法
CN107258226A (zh) * 2017-06-28 2017-10-20 常州明华运输有限公司 一种自识别茶叶采摘装置及其应用方法
CN107330871A (zh) * 2017-06-29 2017-11-07 西安工程大学 恶劣气象条件下运行绝缘子自动识别的图像增强方法
CN108764154A (zh) * 2018-05-30 2018-11-06 重庆邮电大学 一种基于多特征机器学习的水面垃圾识别方法
CN108921176A (zh) * 2018-06-22 2018-11-30 河海大学常州校区 一种基于机器视觉的指针式仪表定位与识别方法
CN109214993A (zh) * 2018-08-10 2019-01-15 重庆大数据研究院有限公司 一种雾霾天气智能车视觉增强方法

Patent Citations (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6822757B1 (en) * 1998-06-19 2004-11-23 Fuji Photo Film Co., Ltd. Color transformation method, color transformation program, and recording medium recorded a color transformation program
US20030073896A1 (en) * 2001-10-12 2003-04-17 Harry Zuzan Methods for estimating probe cell locations in high-density synthetic DNA microarrays
CN101309426A (zh) * 2008-07-10 2008-11-19 北京邮电大学 基于人脸检测的可视电话视频传输抗误码方法
CN101419166A (zh) * 2008-11-18 2009-04-29 江苏大学 基于近红外光谱和机器视觉技术的茶叶品质无损检测方法及装置
CN101537618A (zh) * 2008-12-19 2009-09-23 北京理工大学 体育场捡球机器人视觉系统
CN101873502A (zh) * 2009-04-24 2010-10-27 晨星软件研发(深圳)有限公司 色彩空间转换电路及方法
CN101930596A (zh) * 2010-07-19 2010-12-29 赵全友 一种复杂光照下的两步法颜色恒常性方法
CN102013021A (zh) * 2010-08-19 2011-04-13 汪建 基于颜色和区域生长的茶叶嫩芽分割和识别方法
CN102222335A (zh) * 2011-05-30 2011-10-19 广东工业大学 一种彩色图像的四元数匹配方法
CN102509278A (zh) * 2011-10-31 2012-06-20 上海大学 基于Fisher判别准则的光照无关图去阴影方法
CN102663406A (zh) * 2012-04-12 2012-09-12 中国海洋大学 一种基于显微图像的角毛藻和非角毛藻自动分类方法
US20150010223A1 (en) * 2013-07-02 2015-01-08 Surgical Information Sciences, Inc. Methods and systems for a high-resolution brain image pipeline and database program
CN104050668A (zh) * 2014-06-17 2014-09-17 安徽农业大学 一种基于双目视觉技术的绿茶嫩芽的目标识别方法
CN105046670A (zh) * 2015-08-28 2015-11-11 中国科学院深圳先进技术研究院 一种图像去雨方法及系统
CN105740787A (zh) * 2016-01-25 2016-07-06 南京信息工程大学 基于多核鉴别彩色空间的人脸识别方法
CN105809643A (zh) * 2016-03-14 2016-07-27 浙江外国语学院 一种基于自适应块通道拉伸的图像增强方法
CN105704382A (zh) * 2016-03-18 2016-06-22 浙江宇视科技有限公司 一种多通道ccd摄像机图像校正方法和装置
CN106097366A (zh) * 2016-03-24 2016-11-09 南京航空航天大学 一种基于改进的Codebook前景检测的图像处理方法
CN105761199A (zh) * 2016-03-25 2016-07-13 鲁东大学 一种基于组合域的鲁棒彩色图像水印方法
CN106296612A (zh) * 2016-08-09 2017-01-04 南京工业大学 一种图像质量评价和天气状况引导的分级式监控视频清晰化系统及方法
CN106446840A (zh) * 2016-09-28 2017-02-22 南京信息工程大学 基于典型相关多核学习的彩色人脸识别方法
CN106485222A (zh) * 2016-10-10 2017-03-08 上海电机学院 一种基于肤色分层的人脸检测方法
CN107258226A (zh) * 2017-06-28 2017-10-20 常州明华运输有限公司 一种自识别茶叶采摘装置及其应用方法
CN107330871A (zh) * 2017-06-29 2017-11-07 西安工程大学 恶劣气象条件下运行绝缘子自动识别的图像增强方法
CN108764154A (zh) * 2018-05-30 2018-11-06 重庆邮电大学 一种基于多特征机器学习的水面垃圾识别方法
CN108921176A (zh) * 2018-06-22 2018-11-30 河海大学常州校区 一种基于机器视觉的指针式仪表定位与识别方法
CN109214993A (zh) * 2018-08-10 2019-01-15 重庆大数据研究院有限公司 一种雾霾天气智能车视觉增强方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YAN-WEN,L等: "A new method for color segmentation of tree branch image based on relationship of RGB components", 《JOURNAL OF YANSHAN UNIVERSITY》 *
周礼赞等: "低对比度茶叶嫩芽图像自动分割方法的研究", 《蚕桑茶叶通讯》 *
汪洋等: "茶叶嫩芽图像自动分割方法的研究", 《黄山学院学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023088826A (ja) * 2021-12-15 2023-06-27 中国農業科学院茶叶研究所 画像および点群データ処理に基づく茶摘み方法
JP7309160B2 (ja) 2021-12-15 2023-07-18 中国農業科学院茶叶研究所 画像および点群データ処理に基づく茶摘み方法

Also Published As

Publication number Publication date
CN110188680B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN111709489A (zh) 一种基于改进YOLOv4的柑橘识别方法
AU2020103026A4 (en) A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
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
CN104239886B (zh) 基于图像分析的草坪与背景分界线的提取方法
CN109344699A (zh) 基于分层深度卷积神经网络的冬枣病害识别方法
Merchant et al. Mango leaf deficiency detection using digital image processing and machine learning
CN108537239A (zh) 一种图像显著性目标检测的方法
CN110472598A (zh) 基于区域特征的svm机采棉花含杂图像分割方法及系统
CN105719282A (zh) 一种果园红色苹果图像果实枝叶区域获取方法
CN112990103A (zh) 一种基于机器视觉的串采二次定位方法
Deng et al. Application of agricultural insect pest detection and control map based on image processing analysis
CN107314990A (zh) 一种春玉米遥感识别方法
CN111950391A (zh) 果树芽体的识别方法及装置
CN110188680A (zh) 基于因子迭代的茶树嫩芽智能识别方法
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
Payne et al. Machine vision in estimation of fruit crop yield
Jin et al. Detection method for table grape ears and stems based on a far-close-range combined vision system and hand-eye-coordinated picking test
CN111563542A (zh) 一种基于卷积神经网络的植物自动分类方法
CN106778789A (zh) 一种多视点图像中的快速目标提取方法
CN110111263A (zh) 一种基于图像处理的烤烟种植指导系统
CN116385271A (zh) 一种遥感图像耕地撂荒识别方法
CN114863287A (zh) 一种基于图像分类融合分割模块的苜蓿田杂草识别方法
Goondram et al. Strawberry Detection using Mixed Training on Simulated and Real Data
Behera et al. Yield estimation of pomegranate using image processing techniques
CN110175582A (zh) 基于像素分布的茶树嫩芽智能识别方法

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
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210824

CF01 Termination of patent right due to non-payment of annual fee