CN110189335B - 一种基于航拍图像的农作物异常分析方法 - Google Patents
一种基于航拍图像的农作物异常分析方法 Download PDFInfo
- Publication number
- CN110189335B CN110189335B CN201910461844.9A CN201910461844A CN110189335B CN 110189335 B CN110189335 B CN 110189335B CN 201910461844 A CN201910461844 A CN 201910461844A CN 110189335 B CN110189335 B CN 110189335B
- Authority
- CN
- China
- Prior art keywords
- mask
- image
- ndvi
- expression
- vegetation
- 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.)
- Active
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000011218 segmentation Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 12
- 230000009466 transformation Effects 0.000 claims abstract description 10
- 238000013519 translation Methods 0.000 claims abstract description 10
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 5
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003595 spectral effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000007670 refining Methods 0.000 abstract description 3
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 230000002093 peripheral effect Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract 1
- 241000196324 Embryophyta Species 0.000 description 16
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Abstract
本发明公开了一种基于航拍图像的农作物异常分析方法，针对植保机采集农田图像数据后需要有效提取的问题。该发明步骤如下：使用颜色显著性表达式拟合植被颜色特性进行植被分割；使用基于阴影检测表达式进行阴影细化分割；使用闭运算进行遮罩空洞的补全，多边形拟合算法去除边缘噪声；使用二维滤波器细化遮罩权重；将原始图像送入现有的影像拼接系统，得到每张图片的罗德里格斯矩阵和平移标量，将遮罩图像进行三维仿射变换，根据权重最小的方式进行遮罩合并，对最终的遮罩内像素进行NDVI计算和统计；输出NDVI响应差值图和直方图统计值。该技术通过图像分割方法得到可信的图像区域，排除阴影、周边杂物的影响，克服采集图像受工作高度的影响。
Description
技术领域
本发明涉及农业领域的计算机视觉分析系统，特别是涉及一种基于航拍图像的农作物异常分析方法。
背景技术
智慧农业是基于现代化信息采集与分析的大数据产业，近年来使用空中机器人(无人机)进行植保作业已经广泛应用于各个规模的农田场景。植保工作普遍较为枯燥，每次作业所得到的数据一般是飞行轨迹和时间，没有较为成熟的信息管理平台。较为先进的植保信息平台已经可以接入航拍图像，并将航拍图像进行自动化拼接，以得到更为直观的地理信息数据。然而仅仅依赖图像数据是无法直接转化为帮助决策的信息的。
光谱分析法已经广泛应用于分析植被覆盖率和特征方面，然而使用光谱分析法的图像一般是高分辨率的遥感图像，成像距离地面较高，而植保机的飞行高度和遥感高度不在一个量级，因此导致植保机阴影遮挡对NDVI计算有影响，不能直接用于分析。NDVI以及其它指标的计算离不开遮罩信息，只有将图像内属于植物部分的遮罩信息提供后，才能在属于植物的像素上计算NDVI。NDVI以及其它指标的统计值会受阴影，道路、建筑物等杂物影响会使得分析丧失意义。
目前，较低高度拍摄的农田图像还没有专用工具来自动分割，只能通过手动分割。同时，目前采集小块农田的边缘位置时，现有信息采集系统即便有较成熟的影像拼接算法，但无法自动分割出农田边缘，依然无法进行整体的NDVI计算和异常农作物识别。目前，使用深度神经网络进行二类语义分割任务的训练计数已经十分成熟，只需要提供大致遮罩的样本即可。因此，如何基于植保机采集的数据进行更有效的数据提取，是一个现实意义很强的问题。
发明内容
本发明克服了现有技术中植保机采集农田图像数据后需要有效提取的问题，提供一种基于航拍图像的农作物异常分析方法。
本发明的技术解决方案是，提供一种具有以下步骤的基于航拍图像的农作物异常分析方法：在拼接图像的透视变换前，对图像中不可信区域和农田范围以外区域，通过农田区域遮罩的方法将其分割为两类，分析时仅考虑遮罩内的农田区域，其包含以下步骤：步骤1、使用颜色显著性表达式拟合植被颜色特性进行植被分割；步骤2、使用基于阴影检测表达式进行阴影细化分割；步骤3、使用闭运算进行遮罩空洞的补全，并使用多边形拟合算法去除边缘噪声；步骤4、使用二维滤波器细化遮罩权重；步骤5、将原始图像送入现有的影像拼接系统，得到每张图片的罗德里格斯矩阵和平移标量，将遮罩图像进行三维仿射变换，根据权重最小的方式进行遮罩合并，对最终的遮罩内像素进行NDVI计算和统计；步骤6、输出NDVI响应差值图和直方图统计值。
所述步骤1中颜色显著性φ的表达式考虑了NDVI和一般性颜色显著性，基于该表达式进行响应的提取，进行阈值化得到二值遮罩，表达式如下：
Color Response＝Max(R(i，j)，G(i，j)，B(i，j))-Min(R(i，j)，G(i，j)，B(i，j))，
φ＝NDVImapped*alpha+ColorResponse*beta，其中，NDVImapped是对植被的常见光谱分布进行响应的重映射，作为一种修正值，ColorResponse是对所有颜色进行显著性分析的快速计算方法，与植被的纯色特性相吻合，根据修正值alpha和beta的比例调节，拟合纯色特征植被特征，得到纯净的响应图，经过φ的阈值化后得到粗略的二值遮罩。
所述步骤2中用针对植被特征的阴影检测表达式进行阴影响应的提取，进行阈值化得到二值遮罩，表达式如下：
所述步骤3中对遮罩进行闭运算，首先对遮罩进行最大值滤波器滤波，其中正方形遮罩定义如下，Maskrn中，r为边长，1为考虑的点，0为忽略的点，
在像素p(i，j)上的最大值滤波值为：
所述步骤4中通过输入粗略的二值遮罩，输入彩色原图，基于均值滤波方式得到细化的遮罩，对于卷积核，使用
对于原图S(i，j)，使用K进行卷积，得到
即以K为交叉形状做均值滤波的卷积；再使用
以倍数关系得到边缘特征，并偏移到中灰度图像中，则遮罩细化结果C为C(i，j)＝M(i，j)*F((1-abs(0.5-Response(i，j))))，
此时M(i，j)的值域仍在区间[0，1]，最终降低边缘部分的权重。
所述步骤5中通过影像拼接系统对采集的图像进行拼接，得到每张图像X相对于拼接结果P的旋转矩阵R和平移向量T，则图像坐标转移关系为(i，j)＝[R|T](i′，j′)，其中，R为罗德里格斯矩阵，T为平移向量，对每张图片X对应的遮罩进行最邻近值映射，对于不重叠部分有P(i′，j′)＝X(i，j)，对于重叠部分有P(i′，j′)＝Min(X1(a，b)，X2(c，d)，...，Xn(i，j))，其中(a，b)，(c，d)，...，(i，j)均为二维点坐标。
所述步骤6中对拼接结果P进行NDVI计算，生成直方图统计结果，
与现有技术相比，本发明基于航拍图像的农作物异常分析方法具有以下优点：本发明通过使用现有的植保机设备，得益于低的飞行高度，挂载普通的拍照设备，所拍摄的图像使用本发明提出的方法进行植被颜色响应的感知，得到属于植物的遮罩并剔除阴影、杂物。使用行业现有的拼接系统，得到每张图的三维旋转、平移参数和拼接结果，同时将三维变换应用于遮罩，进而得到拼接的遮罩结果，最终经过后处理得到完整的NVDI响应和直方图统计数据供用户参考。
本发明解决了农作物异常检测的自动化问题，提供一种针对植保机工作高度的特殊性而设计的自动化分割方法，能够使用较低高度采集的图像进行分析。通过使用自动化的图像分割方法来得到可信的图像区域，排除了阴影、周边杂物对统计的影响，克服了工作高度较高才能采集图像的条件。大部分植保机能够在工作高度下对采集的图像进行分割，并在遮罩内计算NDVI，同时提供遮罩样本，满足训练过程基于深度神经网络而进行，在将来的图像采集任务中能够使用基于深度神经网络的语义分割结果得到更精确的遮罩。
附图说明
图1是本发明基于航拍图像的农作物异常分析方法对图像色彩分界线平顺时分析处理的过程示意图；
图2是本发明基于航拍图像的农作物异常分析方法对图像色彩分界线不平顺时分析处理的过程示意图。
其中图1中图101是植保无人机以较高于喷洒作业的飞行高度拍摄的影像，图102是一种对响应图的二值分割进行生成的粗略凸包遮罩，图103是本发明对响应图的二值分割细化的结果；图2中图201是一张带有典型阴影的图像，图202是响应阈值化的结果，图203是对响应阈值化进行阴影进行遮罩去噪、细化的结果，204是基于细化的阴影遮罩进行阴影区域屏蔽的结果。
具体实施方式
下面结合附图和具体实施方式对本发明基于航拍图像的农作物异常分析方法作进一步说明：
如图所示，本实施例中在拼接图像的透视变换前，对图像中不可信区域和农田范围以外区域，通过农田区域遮罩的方法将其分割为两类，分析时仅考虑遮罩内的农田区域，其包含以下步骤：步骤1、使用颜色显著性表达式拟合植被颜色特性进行植被分割；步骤2、使用基于阴影检测表达式进行阴影细化分割；步骤3、使用闭运算进行遮罩空洞的补全，并使用多边形拟合算法去除边缘噪声；步骤4、使用二维滤波器细化遮罩权重；步骤5、将原始图像送入现有的影像拼接系统，得到每张图片的罗德里格斯矩阵和平移标量，将遮罩图像进行三维仿射变换，根据权重最小的方式进行遮罩合并，对最终的遮罩内像素进行NDVI计算和统计；步骤6、输出NDVI响应差值图和直方图统计值。
所述步骤1中颜色显著性φ的表达式考虑了NDVI和一般性颜色显著性，基于该表达式进行响应的提取，进行阈值化得到二值遮罩，表达式如下：
Color Response＝Max(R(i，j)，G(i，j)，B(i，j))-Min(R(i，j)，G(i，j)，B(i，j))，
φ＝NDVImapped*alpha+ColorResponse*beta，其中，NDVImapped是对植被的常见光谱分布进行响应的重映射，作为一种修正值，ColorResponse是对所有颜色进行显著性分析的快速计算方法，与植被的纯色特性相吻合，根据修正值alpha和beta的比例调节，拟合纯色特征植被特征，得到纯净的响应图，经过φ的阈值化后得到粗略的二值遮罩。
所述步骤2中用针对植被特征的阴影检测表达式进行阴影响应的提取，进行阈值化得到二值遮罩，表达式如下：
所述步骤3中对遮罩进行闭运算，首先对遮罩进行最大值滤波器滤波，其中正方形遮罩定义如下，Maskrn中，r为边长，1为考虑的点，0为忽略的点，
在像素p(i，j)上的最大值滤波值为：
所述步骤4中通过输入粗略的二值遮罩，输入彩色原图，基于均值滤波方式得到细化的遮罩，对于卷积核，使用
对于原图S(i，j)，使用K进行卷积，得到
即以K为交叉形状做均值滤波的卷积；再使用
以倍数关系得到边缘特征，并偏移到中灰度图像中，则遮罩细化结果C为C(i，j)＝M(i，j)*F((1-abs(0.5-Response(i，j))))，
此时M(i，j)的值域仍在区间[0，1]，最终降低边缘部分的权重。
所述步骤5中通过影像拼接系统对采集的图像进行拼接，得到每张图像X相对于拼接结果P的旋转矩阵R和平移向量T，则图像坐标转移关系为(i，j)＝[R|T](i′，j′)，其中，R为罗德里格斯矩阵，T为平移向量，对每张图片X对应的遮罩进行最邻近值映射，对于不重叠部分有P(i′，j′)＝X(i，j)，对于重叠部分有P(i′，j′)＝Min(X1(a，b)，X2(c，d)，...，Xn(i，j))，其中(a，b)，(c，d)，...，(i，j)均为二维点坐标。
所述步骤6中对拼接结果P进行NDVI计算，生成直方图统计结果，
上述实施例的具体实现步骤如下：在拼接的透视变换前对图像中不可信区域和农田范围以外区域采用生成农田区域遮罩的方法将其分割为两类，分析时仅考虑遮罩内的农田区域。包含以下步骤：使用颜色显著性表达式拟合植被颜色特性进行植被分割，使用基于阴影检测的表达式进行阴影细化分割，使用闭运算进行遮罩空洞的补全，并使用多边形拟合算法去除边缘噪声，使用二维滤波器细化遮罩权重，将原始图像送入现有的影像拼接系统，得到每张图片的罗德里格斯矩阵和平移标量，将遮罩图像同样进行三维仿射变换，根据权重最小的方式进行遮罩合并，对最终的遮罩内像素进行NDVI计算和统计。输出NDVI响应差值图和直方图统计值，便于人工分析。
步骤1中基于颜色显著性φ的表达式考虑了NDVI和一般性颜色显著性，应基于该表达式进行响应的提取，进而进行阈值化得到二值遮罩，如以下表达式所示：
Color Response＝Max(R(i，j)，G(i，j)，B(i，j))-Min(R(i，j)，G(i，j)，B(i，j))，
φ＝NDVImapped*alpha+ColorResponse*beta，
其中，NDVImapped是对植被的常见光谱分布进行响应的重映射，能够成为一种修正值。ColorResponse是对所有颜色进行显著性分析的快速计算方法，基于此与植被的纯色特性相吻合，根据修正值alpha和beta的比例调节，可以拟合纯色特征植被特征，从而得到较为纯净的响应图，经过φ的阈值化后得到粗略的二值遮罩。简单地对NVDI的二值图像进行凸包分析的结果如图一中102所示，遮罩精度较差，包括了诸如房顶等物体，容易造成误检。图一中103展现了基于本发明的方法，依次进行闭运算、多边形拟合、处理后的图像，由于闭运算依然能够保留边缘形态并填补小型空洞，基于多边形拟合后的形状能够以较高精度表示植物区域，相比图102，本发明方法对不规则区域有很好的适应性。
步骤2中使用一种针对植被特征的阴影检测表达式进行阴影响应的提取，进而进行阈值化得到二值遮罩，如以下表达式所示：
因此阴影遮罩可以通过设置阈值来进行分割，一般情况下，0.2是一种较能适应大部分情况的阈值，高于该阈值的即为阴影。图201是一张带有典型阴影的图像，并且植被特征较为复杂，图202是响应阈值化的结果。
步骤3中针对图202的响应，仍有很多噪声需要去除，对于本发明的任务中，由于是基于影像拼接的，考虑到遮罩合并，所以阴影区域的过分割对准确率没有影像，在此可使用更激进的遮罩处理：对遮罩进行闭运算，闭运算是一种最大值最小值滤波器的复合计算：
首先对遮罩进行最大值滤波器滤波：
其中正方形遮罩定义如下，Maskrn中，r为边长，1为考虑的点，0为忽略的点。
进一步地，对所有像素逐行列从左到右，从上到下进行滑动窗口，得到最大值滤波的图像。
然后以相同原理对最大值滤波图像进行最小值滤波：
最终完成窗口边长为3的闭运算，实际运行时，分辨率为1280*768的图像中，r＝15是一个较好的值。
步骤4中，考虑到细化边缘并降低根据边缘权重的遮罩能够以更高精度提高统计NDVI直方图和消除误检，使用本发明提供的波器的表达式进行遮罩的细化。其特征是输入粗略的二值遮罩，输入彩色原图，基于均值滤波方式得到细化的遮罩：对于卷积核，使用：
此时，B表示了一种低频特征，而高频的部分是属于植物根茎或小范围阴影的，为了提取阴影，使用：
C(i，j)＝M(i，j)*F((1-abs(0.5-Response(i，j))))，
此时，M(i，j)的值域仍在区间[0，1]，并降低了阴影，边缘部分的权重。
步骤5中，使用现有的任意拼接系统对采集的图像进行拼接，同时得到每张图像X相对于拼接结果P的旋转矩阵R和平移向量T：因此有图像坐标转移关系：(i，j)＝[R|T](i′，j′)，其中，R为罗德里格斯矩阵，T为平移向量。
基于上述关系，对每张图片X对应的遮罩进行最邻近值映射，对不重叠部分有P(i′，j′)＝X(i，j)，对于重叠部分，为了保证权重在映射时尽可能保守，使用：P(i′，j′)＝Min(X1(a，b)，X2(c，d)，...，Xn(i，j))，其中(a，b)，(c，d)，...，(i，j)均为二维点坐标。
所述步骤6中，对拼接结果P进行NDVI计算，并生成直方图统计结果：
基于此生成了全局的NDVI，并使用遮罩和权重进行无关信息过滤。
前面已经提到：C(i，j)＝M(i，j)*F((1-abs(0.5-Response(i，j))))，C的意义为置信度。
基于此对正值的NDVI(i，j)进行直方图统计，并忽略C小于0.3的点。对于每个柱的数据，需要记录点的位置。至此，完成了农作物异常分析的计算，用户可以得到直方图中的异常值，并通过选中直方图某一个柱来观察属于该区间的所有点。
Claims (5)
1.一种基于航拍图像的农作物异常分析方法，其特征在于：在拼接图像的透视变换前，对图像中不可信区域和农田范围以外区域，通过农田区域遮罩的方法将其分割为两类，分析时仅考虑遮罩内的农田区域，其包含以下步骤：
步骤1、使用颜色显著性表达式拟合植被颜色特性进行植被分割,颜色显著性φ的表达式考虑了NDVI和一般性颜色显著性，基于该表达式进行响应的提取，进行阈值化得到二值遮罩，表达式如下：
Colo Response＝Max(R(i，j)，G(i，j)，B(i，j))-Min(R(i，j)，G(i，j)，B(i，j))，
φ＝NDVImapped*alpha+ColorResponse*beta，其中，NDVImapped是对植被的常见光谱分布进行响应的重映射，作为一种修正值，ColorResponse是对所有颜色进行显著性分析的快速计算方法，与植被的纯色特性相吻合，根据修正值alpha和beta的比例调节，拟合纯色特征植被特征，得到纯净的响应图，经过φ的阈值化后得到粗略的二值遮罩；
步骤2、使用基于阴影检测表达式进行阴影细化分割；
步骤3、使用闭运算进行遮罩空洞的补全，并使用多边形拟合算法去除边缘噪声；
步骤4、通过输入粗略的二值遮罩，输入彩色原图，基于均值滤波方式得到细化的遮罩，对于卷积核，使用
对于原图S(i，j),使用K进行卷积，得到
即以K为交叉形状做均值滤波的卷积；再使用
以倍数关系得到边缘特征，并偏移到中灰度图像中，则遮罩细化结果C为
此时M(i，j)的值域仍在区间[0,1]，最终降低边缘部分的权重；
步骤5、将原始图像送入现有的影像拼接系统，得到每张图片的罗德里格斯矩阵和平移标量，将遮罩图像进行三维仿射变换，根据权重最小的方式进行遮罩合并，对最终的遮罩内像素进行NDVI计算和统计；
步骤6、输出NDVI响应差值图和直方图统计值。
2.根据权利要求1所述的基于航拍图像的农作物异常分析方法，其特征在于：所述步骤2中用针对植被特征的阴影检测表达式进行阴影响应的提取，进行阈值化得到二值遮罩，表达式如下：
3.根据权利要求1所述的基于航拍图像的农作物异常分析方法，其特征在于：所述步骤3中对遮罩进行闭运算，首先对遮罩进行最大值滤波器滤波，其中正方形遮罩定义如下，Maskrn中，r为边长，1为考虑的点，0为忽略的点，
在像素p(i，j)上的最大值滤波值为：
然后以对最大值滤波图像进行最小值滤波，
完成窗口边长为3的闭运算，分辨率为1280*768的图像中r＝15。
4.根据权利要求1所述的基于航拍图像的农作物异常分析方法，其特征在于：所述步骤5中通过影像拼接系统对采集的图像进行拼接，得到每张图像X相对于拼接结果P的旋转矩阵R和平移向量T，则图像坐标转移关系为(i，j)＝[R|T](i′，j′)，其中，R为罗德里格斯矩阵，T为平移向量，对每张图片X对应的遮罩进行最邻近值映射，对于不重叠部分有P(i′，j′)＝X(i，j)，对于重叠部分有P(i′，j′)＝Min(X1(a，b)，X2(c，b)，...，Xn(i，j))，其中(a，b)，(c，d)，...，(i，j)均为二维点坐标。
5.根据权利要求1所述的基于航拍图像的农作物异常分析方法，其特征在于：所述步骤6中对拼接结果P进行NDVI计算，生成直方图统计结果，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910461844.9A CN110189335B (zh) | 2019-05-30 | 2019-05-30 | 一种基于航拍图像的农作物异常分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910461844.9A CN110189335B (zh) | 2019-05-30 | 2019-05-30 | 一种基于航拍图像的农作物异常分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110189335A CN110189335A (zh) | 2019-08-30 |
| CN110189335B true CN110189335B (zh) | 2020-04-17 |
Family
ID=67718816
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910461844.9A Active CN110189335B (zh) | 2019-05-30 | 2019-05-30 | 一种基于航拍图像的农作物异常分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110189335B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
| CN102592181A (zh) * | 2011-12-30 | 2012-07-18 | 中国农业科学院农业资源与农业区划研究所 | 一种作物种植面积统计数据空间分布的优化方法 |
| CN108280410A (zh) * | 2018-01-10 | 2018-07-13 | 北京农业信息技术研究中心 | 一种基于二进制编码的农作物识别方法及系统 |
| CN108629289A (zh) * | 2018-04-11 | 2018-10-09 | 千寻位置网络有限公司 | 农田的识别方法及系统、应用于农业的无人机 |
-
2019
- 2019-05-30 CN CN201910461844.9A patent/CN110189335B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102054274A (zh) * | 2010-12-01 | 2011-05-11 | 南京大学 | 一种海岸带水体遥感信息全自动提取方法 |
| CN102592181A (zh) * | 2011-12-30 | 2012-07-18 | 中国农业科学院农业资源与农业区划研究所 | 一种作物种植面积统计数据空间分布的优化方法 |
| CN108280410A (zh) * | 2018-01-10 | 2018-07-13 | 北京农业信息技术研究中心 | 一种基于二进制编码的农作物识别方法及系统 |
| CN108629289A (zh) * | 2018-04-11 | 2018-10-09 | 千寻位置网络有限公司 | 农田的识别方法及系统、应用于农业的无人机 |
Non-Patent Citations (5)
| Title |
|---|
| Integrating spectra l indices with environment al parameters for estimating heavy metal concentration s in rice using a dynamic fuzzy neural-netw ork model;Meiling Liu等;《Computers & Geosciences》;20110401;第1642-1652页 * |
| TEMPORAL AND SPATIAL MONITORING OF POST-FIRE FOREST DYNAMICS USING TIME-SERIES MODIS DATA;Wei Chen等;《2014 IEEE Geoscience and Remote Sensing Symposium》;20141130;第772-775页 * |
| 农田信息低空遥感中图像采集与处理的关键技术研究;张艳超;《中国博士学位论文全文数据库 农业科技辑》;20170215(第2期);D043-1 * |
| 基于ＮＤＶＩ密度分割的冬小麦种植面积提取;葛广秀等;《麦类作物学报》;20140707;第34卷(第7期);第997-1002页 * |
| 基于SPOT NDVI的中国东北地表植被覆盖动态变化及其机理研究;张莲芝等;《干旱区资源与环境》;20110131;第25卷(第1期);第171-175页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110189335A (zh) | 2019-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| Huang et al. | Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms | |
| CN110232389B (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
| Wang et al. | Individual tree-crown delineation and treetop detection in high-spatial-resolution aerial imagery | |
| CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
| WO2018023916A1 (zh) | 一种彩色图像去阴影方法和应用 | |
| CN107909081B (zh) | 一种深度学习中图像数据集的快速获取和快速标定方法 | |
| CN105989601B (zh) | 基于机器视觉的农业agv玉米行间导航基准线提取方法 | |
| Hassaan et al. | Precision forestry: trees counting in urban areas using visible imagery based on an unmanned aerial vehicle | |
| CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
| CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
| CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
| CN111310771A (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
| CN110796654A (zh) | 一种引导线检测方法、装置、设备、轮胎吊及介质 | |
| CN110189335B (zh) | 一种基于航拍图像的农作物异常分析方法 | |
| Li et al. | Image processing for crop/weed discrimination in fields with high weed pressure | |
| CN112541471B (zh) | 一种基于多特征融合的遮挡目标识别方法 | |
| CN109359583B (zh) | 一种遥感影像中显著性面状特定目标提取方法 | |
| CN113223034A (zh) | 一种道路边沿检测跟踪方法 | |
| CN108967246B (zh) | 虾苗定位方法 | |
| Chaoying et al. | A cross-border detection algorithm for agricultural spraying UAV | |
| CN113723314A (zh) | 一种基于YOLOv3算法的甘蔗茎节识别方法 | |
| Chen et al. | Measurement of the distance from grain divider to harvesting boundary based on dynamic regions of interest. | |
| CN111340833A (zh) | 最小二乘去干扰随机Hough变换的输电线提取方法 | |
| Li et al. | Vision-based Navigation Line Extraction by Combining Crop Row Detection and RANSAC Algorithm |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20191119 Address after: 476000 No. 55, plain Middle Road, Liang Park, Shangqiu, Henan Applicant after: Shangqiu Normal University Applicant after: Chen Lina Address before: 476000 No. 55, plain Middle Road, Liang Park, Shangqiu, Henan Applicant before: Shangqiu Normal University |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200316 Address after: 476000 No. 55, plain Middle Road, Liang Park, Shangqiu, Henan Applicant after: SHANGQIU NORMAL University Address before: 476000 No. 55, plain Middle Road, Liang Park, Shangqiu, Henan Applicant before: SHANGQIU NORMAL University Applicant before: Chen Lina |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |