CN110288608A - 作物行中心线提取方法和装置 - Google Patents
作物行中心线提取方法和装置 Download PDFInfo
- Publication number
- CN110288608A CN110288608A CN201810225888.7A CN201810225888A CN110288608A CN 110288608 A CN110288608 A CN 110288608A CN 201810225888 A CN201810225888 A CN 201810225888A CN 110288608 A CN110288608 A CN 110288608A
- Authority
- CN
- China
- Prior art keywords
- image
- crop row
- region
- strip
- anchor point
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000003709 image segmentation Methods 0.000 claims abstract description 36
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000012986 modification Methods 0.000 claims description 12
- 230000004048 modification Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 230000003447 ipsilateral effect Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 230000006854 communication Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000005291 magnetic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 241000894007 species Species 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 240000008168 Ficus benjamina Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了作物行中心线提取方法和装置。该方法的一具体实施方式包括：获取目标图像；对目标图像进行图像分割，生成二值图像；将二值图像在与作物行垂直的方向上划分出预定数目的条状图像；计算各个条状图像中包括的作物行的定位点；根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。该实施方式丰富了作物行中心线提取方法。
Description
技术领域
本申请实施例涉及计算机技术领域，尤其涉及作物行中心线提取方法和装置。
背景技术
以无人车为代表的轮式“机器人”产业蓬勃发展，已经成为时代科技创新的重要标志，无人车的城市路线规划已日趋成熟，针对乡间道路特点的研究也成为未来的发展趋势。乡间路线规划需对农作物准确识别，合理定位，针对实际情况选择穿行或避让，而作物行的识别和定位为其中最重要一环。
发明内容
本申请实施例提出了作物行中心线提取方法和装置。
第一方面，本申请实施例提供了一种作物行中心线提取方法，该方法包括：获取目标图像；对目标图像进行图像分割，生成二值图像，二值图像中像素的取值用于指示目标图像中对应的像素是否属于作物行图像区域；将二值图像在与作物行垂直的方向上划分出预定数目的条状图像；计算各个条状图像中包括的作物行的定位点；根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。
在一些实施例中，目标图像包括彩色图像；以及对目标图像进行图像分割，生成二值图像，包括：将彩色图像转换为灰度图像；对灰度图像进行图像分割，生成二值图像。
在一些实施例中，将彩色图像转换为灰度图像，包括：基于作物的颜色将目标图像转换为灰度图像。
在一些实施例中，目标图像使用RGB色彩模式；以及基于作物的颜色将目标图像转换为灰度图像，包括：针对目标图像执行强度值修改操作得到修改后的强度值，强度值修改操作包括：增加目标图像中像素的G分量的强度值、减小目标图像中像素的R分量的强度值、减小目标图像中像素的B分量的强度值；根据修改后的强度值将目标图像转换为灰度图像。
在一些实施例中，对灰度图像进行图像分割，生成二值图像，包括：根据灰度图像中最大灰度值和最小灰度值确定灰度阈值；基于灰度阈值，执行如下修正步骤：根据灰度阈值进行图像分割；计算分割出的属于作物行图像区域的像素的平均灰度值与不属于作物行图像区域的像素的平均灰度值的平均值；如果灰度阈值与计算出的平均值相等，则根据灰度阈值进行图像分割，生成二值图像；如果灰度阈值与计算出的平均值不相等，则将平均值作为灰度阈值继续执行修正步骤。
在一些实施例中，计算各个条状图像中包括的作物行的定位点，包括：根据条状图像的垂直投影曲线中波峰的位置确定为作物行的定位点。
在一些实施例中，根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识，包括：响应于确定出两个相邻的条状图像中拍摄距离远的条状图像的边缘作物行图像区域不完整，拍摄距离近的条状图像的边缘作物行图像区域完整，确定拍摄距离远的条状图像的边缘定位点所在的作物行的标识为第一标识，拍摄距离近的条状图像的边缘定位点所在的作物行的标识为第二标识，其中，边缘作物行图像区域包括条状图像左侧或右侧的第一个作物行图像区域，边缘定位点包括条状图像左侧或右侧的第一个定位点，边缘作物行图像区域与边缘定位点同侧。
在一些实施例中，边缘作物行图像区域是否完整经由以下步骤确定：计算条状图像中，与边缘作物行图像区域同侧的第一列的像素值之和；响应于计算结果指示第一列的像素不属于作物行图像区域，确定边缘作物行图像区域完整。
第二方面，本申请实施例提供了一种作物行中心线提取装置，该装置包括：获取单元，用于获取目标图像；分割单元，用于对目标图像进行图像分割，生成二值图像，二值图像中像素的取值用于指示目标图像中对应的像素是否属于作物行图像区域；划分单元，用于将二值图像在与作物行垂直的方向上划分出预定数目的条状图像；计算单元，用于计算各个条状图像中包括的作物行的定位点；确定单元，用于根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；拟合单元，用于根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。
在一些实施例中，目标图像包括彩色图像；以及划分单元，包括：转换子单元，用于将彩色图像转换为灰度图像；生成子单元，用于对灰度图像进行图像分割，生成二值图像。
在一些实施例中，转换子单元进一步配置用于：基于作物的颜色将目标图像转换为灰度图像。
在一些实施例中，目标图像使用RGB色彩模式；以及转换子单元，包括：修改模块，用于针对目标图像执行强度值修改操作得到修改后的强度值，强度值修改操作包括：增加目标图像中像素的G分量的强度值、减小目标图像中像素的R分量的强度值、减小目标图像中像素的B分量的强度值；转换模块，用于根据修改后的强度值将目标图像转换为灰度图像。
在一些实施例中，生成子单元，包括：确定模块，用于根据灰度图像中最大灰度值和最小灰度值确定灰度阈值；修正模块，用于基于灰度阈值，执行如下修正步骤：根据灰度阈值进行图像分割；计算分割出的属于作物行图像区域的像素的平均灰度值与不属于作物行图像区域的像素的平均灰度值的平均值；如果灰度阈值与计算出的平均值相等，则根据灰度阈值进行图像分割，生成二值图像；如果灰度阈值与计算出的平均值不相等，则将平均值作为灰度阈值继续执行修正步骤。
在一些实施例中，计算单元进一步配置用于：根据条状图像的垂直投影曲线中波峰的位置确定为作物行的定位点。
在一些实施例中，确定单元进一步配置用于：响应于确定出两个相邻的条状图像中拍摄距离远的条状图像的边缘作物行图像区域不完整，拍摄距离近的条状图像的边缘作物行图像区域完整，确定拍摄距离远的条状图像的边缘定位点所在的作物行的标识为第一标识，拍摄距离近的条状图像的边缘定位点所在的作物行的标识为第二标识，其中，边缘作物行图像区域包括条状图像左侧或右侧的第一个作物行图像区域，边缘定位点包括条状图像左侧或右侧的第一个定位点，边缘作物行图像区域与边缘定位点同侧。
在一些实施例中，装置还包括完整性确定单元，完整性确定单元进一步配置用于：计算条状图像中，与边缘作物行图像区域同侧的第一列的像素值之和；响应于计算结果指示第一列的像素不属于作物行图像区域，确定边缘作物行图像区域完整。
第三方面，本申请实施例提供了一种设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面，本申请实施例提供了一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面上述的方法。
本申请实施例提供的作物行中心线提取方法和装置，通过获取目标图像，并对目标图像进行图像分割，生成二值图像，而后将二值图像在与作物行垂直的方向上划分出预定数目的条状图像，并计算各个条状图像中包括的作物行的定位点，最后根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识，并根据同一标识的作物行的包括的定位点拟合出该作物行的中心线，丰富了作物行中心线提取方法。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的作物行中心线提取方法的一个实施例的流程图；
图3A是根据本申请的作物行中心线提取方法的实施例中二值图像的示意图；
图3B是根据本申请的作物行中心线提取方法的实施例中条状图像的示意图；
图4是根据本申请的作物行中心线提取方法的实施例中条状图像及该条状图像的垂直投影结果的示意图；
图5根据本申请的作物行中心线提取方法的实施例中垂直投影曲线的一阶导数及据其确定的定位点的示意图；
图6A根据本申请的作物行中心线提取方法的实施例中二值图像包括的多个作物行的定位点的示意图；
图6B根据本申请的作物行中心线提取方法的实施例中多个作物行的定位点的错误分类结果的示意图；
图7根据本申请的作物行中心线提取方法的实施例中简化的标注有部分定位点的条状图像的示意图；
图8是根据本申请的作物行中心线提取方法的又一个实施例的流程图；
图9是根据本申请的作物行中心线提取装置的一个实施例的结构示意图；
图10是适于用来实现本申请实施例的执行主体的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的作物行中心线提取方法或作物行中心线提取装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括车辆101、网络102和对车辆101提供支持的服务器103。车辆101可以是无人车为代表的轮式机器人。车辆101中可以设置有车载智能设备104。网络102用以在终端设备101和服务器103之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
车载智能设备104上安装有车辆101的控制系统，其可以获取车辆101上安装的视觉传感器采集的车辆101的周围的图像作为目标图像，并对目标图像进行图像分割，生成二值图像；将二值图像在与作物行垂直的方向上划分出预定数目的条状图像；计算各个条状图像中包括的作物行的定位点；根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。而后可以根据作物行的中心线调整行驶轨迹。车载智能设备104也可以通过网络102与服务器103交互，以接收路径规划信息、控制指令等。
服务器103可以是提供各种服务的服务器，例如对车辆101进行管理并分配任务的管理服务器，以使车载智能设备104对车辆101进行控制。需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。需要指出的是，上述车载智能设备104也可以预先存储有待执行的任务信息，此时，上述系统架构100可以不存在网络102和服务器103。
需要说明的是，本申请实施例所提供的用于控制车辆的方法一般由车载智能设备104执行，相应地，用于控制车辆的装置一般设置于车载智能设备104中。
应该理解，图1中的车辆、车载智能设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的车辆、车载智能设备、网络和服务器。
继续参考图2，示出了根据本申请的作物行中心线提取方法的一个实施例的流程200。该作物行中心线提取方法，包括以下步骤：
步骤201，获取目标图像。
在本实施例中，作物行中心线提取方法执行主体(例如图1所示的服务器)可以首先获取目标图像。目标图像可以是图像采集装置采集到的包含作物行图像的彩色图像或灰度图像，也可以是图像采集装置采集到的并经过一些预处理的包含作物行图像的彩色图像或灰度图像，预处理可以是降噪、去噪、亮度及对比度调整等图像处理领域常见的操作。
步骤202，对目标图像进行图像分割，生成二值图像。
在本实施例中，上述执行主体可以对步骤201中获取到的目标图像进行图像分割，生成二值图像。图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割方法包括：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
二值图像中像素的取值用于指示目标图像中对应的像素是否属于作物行图像区域。二值图像(Binary Image)是指将图像上的每一个像素只有两种可能的取值或灰度等级状态，人们经常用黑白、单色图像表示二值图像。例如，可以将目标图像中表示农作物和非作物的土壤等背景的区域，分类为作物类和背景类，并分别用0、1表示，获得二值图像。
在本实施例的一些可选实现方式中，上述执行主体可以首先计算输入图像最大的灰度值Zmax和最小的灰度值Zmin，设定初始阈值T0。T0可以根据经验进行设置，也可以取Zmax与Zmin的平均值。而后，可以根据阈值T0将图像分为作物类和背景类。例如，在背景图像深于作物图像时，可以将灰度值大于T0的像素划分为背景类，灰度值小于T0的像素划分为作物类。再分别计算出属于作物类的像素的平均灰度值ZO和属于背景类的像素的平均灰度值ZB。并据此求出新阈值T1，T1可以取ZO与ZB的平均值。若T0＝T1，则T1即为所求的阈值，算法结束；否则，另T0＝T1，重复上述步骤。
在本实施例的一些可选实现方式中，上述执行主体也可以将图像导入预先训练的机器学习模型，得到与图像中各个像素对应的区域为作物行图像区域的概率，以此得到二值图像。
步骤203，将二值图像在与作物行垂直的方向上划分出预定数目的条状图像。
在本实施例中，上述执行主体可以将步骤202中生成的二值图像在与作物行垂直的方向上划分出预定数目的条状图像。可以将图像划分成等高度的、宽度与二值图像宽度相等的若干个条状图像，这涉及到选取适合的划分高度。高度的选取需要平衡作物行检测效果与计算耗时。与作物行垂直的方向可以是与作物行图像近似的垂直，作为示例，生成的二值图像可以如图3A所示，白色区域可以代表作物行图像，黑色区域可以代表非作物行图像，可以将二值图像划分出如图3B所示的预定数目的条状图像。
步骤204，计算各个条状图像中包括的作物行的定位点。
在本实施例中，上述执行主体可以计算根据步骤203中划分出的各个条状图像中包括的作物行的定位点。在各个条状图像内，对完整的作物行图像区域可提取出一个点，代表该行的所在位置，可将其称为作物行的定位点。可以将条状图像中每个完整的作物行图像区域的中心或近似的中心确定为作物行的定位点，作物行图像区域的中心可以通过计算该区域所有像素点的坐标的平均值求得，也可以根据垂直投影结果求得。
在本实施例的一些可选实现方式中，计算各个条状图像中包括的作物行的定位点，包括：根据条状图像的垂直投影曲线中波峰的位置确定为作物行的定位点。
在本实现方式中，垂直投影曲线可以通过以下步骤求得。设b(i，j)为条状图像点(i，j)处的二值像素值，该像素为1，代表其为农作物目标像素，为0则为土壤背景像素。P(j)为条状图像上第j列像素的累加值，即第j列垂直方向的投影值，可以通过以下公式计算：
其中，横坐标i＝1，2，...，h，纵坐标j＝1，2，...，W，划分出的条状图像的高度和宽度分别为h和W。图4分别是作为输入的条状图像，以及该条状图像对应的垂直投影结果。
根据条状图像的垂直投影曲线中波峰的位置确定为作物行的定位点可以直接根据垂直投影曲线，提取其波峰的位置。波峰的位置可以是取得最大值的位置，由于波形不完全规范，可能同时有多个位置取得最大值，可以将多个位置的中心确定为作物行的定位点。也可利用垂直投影曲线的一阶导数表征曲线的上升或下降特征，从而提取波峰的位置。根据微积分定理，在某一区间内单调递增曲线的一阶导数在相应区间内大于0，单调递减的曲线一阶导数小于0，而波峰位置的曲线一阶导数为0，以此为依据，可通过过零点跳变的位置确定垂直投影曲线的波峰位置。
垂直投影曲线的一阶导数可以表达为垂直投影曲线本身和一维高斯导数的卷积，可以通过以下公式计算：
其中，P′(j)为垂直投影曲线的一阶导数，P(j)为垂直投影曲线，G′(x)为一维高斯导数。
完成垂直投影曲线P(j)与一维高斯一阶导数G′(x)的卷积操作后，存在两类过零点：一类是与垂直投影曲线中波峰相对应的过零点，另一类是与波谷相对应的过零点，前者为所求，这类波峰位置曲线呈现先上升后下降的状态，即P′(j)从负数变化到0，再变化到正数。通过P′(j)的正负变化可剔除掉波谷类型的过零点，保留波峰类型的过零点，这些过零点即为需获取的作物行定位点。作为示例，图5分别示出了垂直投影曲线计算出的对应一阶导数，以及标注出作物行定位点的条状图像。如图6A所示，对各个条状图像逐个计算便可提取二值图像中的多个作物行的定位点，作物的位置可由其描述。
步骤205，根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识。
在本实施例中，上述执行主体可以根据步骤203中划分的条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识。作物行的标识可以是用于指示作物所属行数。确定定位点所在的作物行的标识，可以是对定位点按照其所属作物行分类，分类的目的是将全部作物行定位点准确划分到其所对应作物行中。各作物行的定位点的位置整齐排列，看似分类工作只需将各个条状图像中，第一个定位点分类到第一行，第二个定位点分类到第二行，依次进行即可完成。但是，如图6B所示，按照上述方法，得到作物行的定位点集合601、602和603。实际上分类结果并不准确，即601分类至第一行的定位点中包含了属于第二行的定位点。
图7为简化的切分出多个条状图像的二值图像，白色区域为作物行图像区域，黑点为定位点。由图7可以看出，由于目标图像拍摄角度等原因，部分作物行图像区域完整，部分作物行图像区域不完整。
由于作物行图像区域是否完整与定位点所在的作物行的标识之间存在规律，例如图7中，各条状图像左边的第一个作物区域由不完整变为完整时，定位点所在的作物行也发生了变化，因此，可以根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识。
在本实施例的一些可选实现方式中，根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识，包括：响应于确定出两个相邻的条状图像中拍摄距离远的条状图像的边缘作物行图像区域不完整，拍摄距离近的条状图像的边缘作物行图像区域完整，确定拍摄距离远的条状图像的边缘定位点所在的作物行的标识为第一标识，拍摄距离近的条状图像的边缘定位点所在的作物行的标识为第二标识，其中，边缘作物行图像区域包括条状图像左侧或右侧的第一个作物行图像区域，边缘定位点包括条状图像左侧或右侧的第一个定位点，边缘作物行图像区域与边缘定位点同侧。第二标识不同于第一标识。确定了边缘定位点所在的作物行的标识后，即可依次确定同一条状图像中其他定位点所在的作物行的标识。其中，第一标识、第二标识仅代表两个不同的标识，第一、第二并不构成对标识本身的特殊限定。
在本实现方式中，可以首先设置一个初始作物行参数C，C代表条状图像内第一个定位点所属的作物行行号。在算法起始时设置参数C＝1，即此时，第一个条状图像中第一个定位点被分类到第一个作物行。在所有条状图像中，左侧第一个作物行图像区域呈现完整和不完整，在若干个左侧第一个作物行图像区域完整的条状图像后，会出现若干个左侧第一个作物行图像区域不完整的条状图像，此后，再出现若干个左侧第一个作物行图像区域完整的条状图像，呈现一种轮次规律。可以将从左侧第一个作物行图像区域不完整过度到完整的过程称为一个轮次。在新的轮次开始时，即本条状图像左侧第一个作物行图像区域完整，上一条状图像左侧第一个作物行图像区域不完整时，将该条状图像的初始作物行参数C加1。
以图7为例，对图中所有作物行依次从左到右编号为1-5。初始时C＝1，第一个条状图像的第一个定位点分类到1号作物行；第二个条状图像为的左侧第一个作物行图像区域不完整，即经过了一个轮次变化，C加1，变为2，即条状图像的第一个定位点属于2号作物行；同样，在7号条状图像再次出现轮次变化，C加1，此时C＝3，即第七个条状图像的第一个定位点属于3号作物行。
在本实施例的一些可选实现方式中，也可以基于条状图像中作物行图像区域是否完整以及预先训练的机器学习模型，确定定位点所在的作物行的标识，用于训练的样本可以经由人工标注得到。
在本实施例的一些可选实现方式中，边缘作物行图像区域是否完整经由以下步骤确定：计算条状图像中，与边缘作物行图像区域同侧的第一列的像素值之和；响应于计算结果指示第一列的像素不属于作物行图像区域，确定边缘作物行图像区域完整。上述执行主体也可以依据第一列中每个像素的像素值确定第一列中每个像素是否均不属于作物行图像区域，若是，则确定边缘作物行图像区域完整。作为示例，二值图像中，作物行图像区域的像素值为1，非作物行图像区域的像素值为0，边缘作物行图像区域为左侧第一个作物行图像区域，若左侧第一列的像素值之和为0，说明第一列的像素不属于作物行图像区域，确定边缘作物行图像区域完整。
在本实施例的一些可选实现方式中，作物行图像区域是否完整也可以通过比较该区域与邻近区域的面积，或基于一些机器学习方法确定。
在本实施例中，上述执行主体可以检测出图中所有完整的作物行，是一种多作物行检测方法，提高了检测效率。
步骤206，根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。
在本实施例中，上述执行主体可以根据步骤205中确定的同一标识的作物行的包括的定位点拟合出该作物行的中心线。作物行中心线一般为直线，可以进行线性拟合，若为曲线也可以进行曲线拟合。
作为示例，可以利用函数y＝kx+b，拟合已知数据，即定位点的坐标(xi，yi)，(i＝1，2，...，n)，n为定位点的个数，使误差的平方和最小。求出使目标函数最小的最优参数k、b，目标函数可以采用以下公式：
将k看成参数，Q即为b的二次函数，当b满足以下公式时，Q取得最小值：
其中，和分别表示xi和yi的算术平均数。
再将b代入目标函数Q，将Q看作k的二次方程，当k满足以下公式时，Q取得最小值：
这样，k和b都可以用实际的x和y值表示出来，将y＝kx+b称作线性回归方程。
本申请的上述实施例提供的方法通过获取目标图像；对目标图像进行图像分割，生成二值图像；将二值图像在与作物行垂直的方向上划分出预定数目的条状图像；计算各个条状图像中包括的作物行的定位点；根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；根据同一标识的作物行的包括的定位点拟合出该作物行的中心线，从而丰富了作物行中心线提取方法。
进一步参考图8，其示出了作物行中心线提取方法的又一个实施例的流程800。该作物行中心线提取方法的流程800，包括以下步骤：
步骤801，获取目标图像。
在本实施例中，作物行中心线提取方法执行主体(例如图1所示的服务器)可以首先获取目标图像。目标图像可以是图像采集装置，例如摄像头采集到的彩色图像。
步骤802，将彩色图像转换为灰度图像。
在本实施例中，上述执行主体可以通过一个确定的函数将彩色空间映射到灰度空间，例如，原彩色RGB图像是三通道的，灰度值＝0.2989*R+0.5870*G+0.1140*B。灰度的变换还可以基于绿因子法(the Excess Green index，ExG)，超绿减红因子法(the ExcessGreen minus Red index，ExGR)进行。
在本实施例的一些可选实现方式中，将彩色图像转换为灰度图像，包括：基于作物的颜色将目标图像转换为灰度图像。例如，作物是绿色的，可以加大G分量、相应减小R分量和B分量，同样，作物是红色的则可以加大R分量、相应减小G分量和B分量，以此提高了农作物和背景环境的可分离性。
在本实施例的一些可选实现方式中，目标图像使用RGB色彩模式；以及基于作物的颜色将目标图像转换为灰度图像，包括：针对目标图像执行强度值修改操作得到修改后的强度值，强度值修改操作包括：增加目标图像中像素的G分量的强度值、减小目标图像中像素的R分量的强度值、减小目标图像中像素的B分量的强度值；根据修改后的强度值将目标图像转换为灰度图像。
步骤803，对灰度图像进行图像分割，生成二值图像。
在本实施例中，上述执行主体可以对步骤802中转换的灰度图像进行图像分割，生成二值图像。上述执行主体可以基于阈值进行分割，也可以利用K-means算法对灰度图像进行分割，K-means算法是硬聚类算法，是典型的基于原型的目标函数聚类方法的代表，它是数据点到原型的某种距离作为优化的目标函数，利用函数求极值的方法得到迭代运算的调整规则。
在本实施例的一些可选实现方式中，基于阈值进行分割对灰度图像进行图像分割，生成二值图像，可以包括：根据灰度图像中最大灰度值和最小灰度值确定灰度阈值；基于灰度阈值，执行如下修正步骤：根据灰度阈值进行图像分割；计算分割出的属于作物行图像区域的像素的平均灰度值与不属于作物行图像区域的像素的平均灰度值的平均值；如果灰度阈值与计算出的平均值相等，则根据灰度阈值进行图像分割，生成二值图像；如果灰度阈值与计算出的平均值不相等，则将平均值作为灰度阈值继续执行修正步骤。
步骤804，将二值图像在与作物行垂直的方向上划分出预定数目的条状图像。
在本实施例中，上述执行主体可以将步骤803中生成的二值图像在与作物行垂直的方向上划分出预定数目的条状图像。
步骤805，计算各个条状图像中包括的作物行的定位点。
在本实施例中，上述执行主体可以计算根据步骤804中划分出的各个条状图像中包括的作物行的定位点。
步骤806，根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识。
在本实施例中，上述执行主体可以根据步骤804中划分的条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识。
步骤807，根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。
在本实施例中，上述执行主体可以根据步骤806中确定的同一标识的作物行的包括的定位点拟合出该作物行的中心线。
在本实施例中，步骤801、步骤804、步骤805、步骤806、步骤807的操作与步骤201、步骤203、步骤204、步骤205、步骤206的操作基本相同，在此不再赘述。
从图8中可以看出，与图2对应的实施例相比，本实施例中的作物行中心线提取方法的流程800中在目标图像为彩色图像时先将彩色图像转换为灰度图像，再对灰度图像进行图像分割，由此，减少了数据处理量，提高了作物行中心线提取效率。
进一步参考图9，作为对上述各图所示方法的实现，本申请提供了一种作物行中心线提取装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图9所示，本实施例的作物行中心线提取装置900包括：获取单元901、分割单元902、划分单元903、计算单元904、确定单元905和拟合单元906，获取单元，用于获取目标图像；分割单元，用于对目标图像进行图像分割，生成二值图像，二值图像中像素的取值用于指示目标图像中对应的像素是否属于作物行图像区域；划分单元，用于将二值图像在与作物行垂直的方向上划分出预定数目的条状图像；计算单元，用于计算各个条状图像中包括的作物行的定位点；确定单元，用于根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；拟合单元，用于根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。
在本实施例中，作物行中心线提取装置900的获取单元901、分割单元902、划分单元903、计算单元904、确定单元905和拟合单元906的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204、步骤205和步骤206。
在本实施例的一些可选实现方式中，目标图像包括彩色图像；以及划分单元，包括：转换子单元，用于将彩色图像转换为灰度图像；生成子单元，用于对灰度图像进行图像分割，生成二值图像。
在本实施例的一些可选实现方式中，转换子单元进一步配置用于：基于作物的颜色将目标图像转换为灰度图像。
在本实施例的一些可选实现方式中，目标图像使用RGB色彩模式；以及转换子单元，包括：修改模块，用于针对目标图像执行强度值修改操作得到修改后的强度值，强度值修改操作包括：增加目标图像中像素的G分量的强度值、减小目标图像中像素的R分量的强度值、减小目标图像中像素的B分量的强度值；转换模块，用于根据修改后的强度值将目标图像转换为灰度图像。
在本实施例的一些可选实现方式中，生成子单元，包括：确定模块，用于根据灰度图像中最大灰度值和最小灰度值确定灰度阈值；修正模块，用于基于灰度阈值，执行如下修正步骤：根据灰度阈值进行图像分割；计算分割出的属于作物行图像区域的像素的平均灰度值与不属于作物行图像区域的像素的平均灰度值的平均值；如果灰度阈值与计算出的平均值相等，则根据灰度阈值进行图像分割，生成二值图像；如果灰度阈值与计算出的平均值不相等，则将平均值作为灰度阈值继续执行修正步骤。
在本实施例的一些可选实现方式中，计算单元进一步配置用于：根据条状图像的垂直投影曲线中波峰的位置确定为作物行的定位点。
在本实施例的一些可选实现方式中，确定单元进一步配置用于：响应于确定出两个相邻的条状图像中拍摄距离远的条状图像的边缘作物行图像区域不完整，拍摄距离近的条状图像的边缘作物行图像区域完整，确定拍摄距离远的条状图像的边缘定位点所在的作物行的标识为第一标识，拍摄距离近的条状图像的边缘定位点所在的作物行的标识为第二标识，其中，边缘作物行图像区域包括条状图像左侧或右侧的第一个作物行图像区域，边缘定位点包括条状图像左侧或右侧的第一个定位点，边缘作物行图像区域与边缘定位点同侧。
在本实施例的一些可选实现方式中，装置还包括完整性确定单元，完整性确定单元进一步配置用于：计算条状图像中，与边缘作物行图像区域同侧的第一列的像素值之和；响应于计算结果指示第一列的像素不属于作物行图像区域，确定边缘作物行图像区域完整。
本申请的上述实施例提供的装置，通过获取目标图像；对目标图像进行图像分割，生成二值图像；将二值图像在与作物行垂直的方向上划分出预定数目的条状图像；计算各个条状图像中包括的作物行的定位点；根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；根据同一标识的作物行的包括的定位点拟合出该作物行的中心线，从而丰富了作物行中心线提取方法。
下面参考图10，其示出了适于用来实现本申请实施例的执行主体的计算机系统1000的结构示意图。图10示出的执行主体仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、分割单元、划分单元、计算单元、确定单元和拟合单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“用于获取目标图像的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取目标图像；对目标图像进行图像分割，生成二值图像；将二值图像在与作物行垂直的方向上划分出预定数目的条状图像；计算各个条状图像中包括的作物行的定位点；根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (18)
1.一种作物行中心线提取方法，包括：
获取目标图像；
对所述目标图像进行图像分割，生成二值图像，所述二值图像中像素的取值用于指示所述目标图像中对应的像素是否属于作物行图像区域；
将所述二值图像在与作物行垂直的方向上划分出预定数目的条状图像；
计算各个条状图像中包括的作物行的定位点；
根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；
根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。
2.根据权利要求1所述的方法，其中，所述目标图像包括彩色图像；以及
所述对所述目标图像进行图像分割，生成二值图像，包括：
将所述彩色图像转换为灰度图像；
对所述灰度图像进行图像分割，生成二值图像。
3.根据权利要求2所述的方法，其中，所述将所述彩色图像转换为灰度图像，包括：
基于作物的颜色将所述目标图像转换为灰度图像。
4.根据权利要求3所述的方法，其中，所述目标图像使用RGB色彩模式；以及
所述基于作物的颜色将所述目标图像转换为灰度图像，包括：
针对所述目标图像执行强度值修改操作得到修改后的强度值，所述强度值修改操作包括：增加目标图像中像素的G分量的强度值、减小目标图像中像素的R分量的强度值、减小目标图像中像素的B分量的强度值；
根据修改后的强度值将所述目标图像转换为灰度图像。
5.根据权利要求2所述的方法，其中，所述对所述灰度图像进行图像分割，生成二值图像，包括：
根据所述灰度图像中最大灰度值和最小灰度值确定灰度阈值；
基于所述灰度阈值，执行如下修正步骤：根据所述灰度阈值进行图像分割；计算分割出的属于作物行图像区域的像素的平均灰度值与不属于作物行图像区域的像素的平均灰度值的平均值；如果所述灰度阈值与计算出的平均值相等，则根据所述灰度阈值进行图像分割，生成二值图像；
如果所述灰度阈值与计算出的平均值不相等，则将所述平均值作为灰度阈值继续执行所述修正步骤。
6.根据权利要求1所述的方法，其中，所述计算各个条状图像中包括的作物行的定位点，包括：
根据条状图像的垂直投影曲线中波峰的位置确定为作物行的定位点。
7.根据权利要求1-6中任一项所述的方法，其中，所述根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识，包括：
响应于确定出两个相邻的条状图像中拍摄距离远的条状图像的边缘作物行图像区域不完整，拍摄距离近的条状图像的边缘作物行图像区域完整，确定拍摄距离远的条状图像的边缘定位点所在的作物行的标识为第一标识，拍摄距离近的条状图像的边缘定位点所在的作物行的标识为第二标识，其中，所述边缘作物行图像区域包括条状图像左侧或右侧的第一个作物行图像区域，所述边缘定位点包括条状图像左侧或右侧的第一个定位点，所述边缘作物行图像区域与所述边缘定位点同侧。
8.根据权利要求7所述的方法，其中，所述边缘作物行图像区域是否完整经由以下步骤确定：
计算条状图像中，与所述边缘作物行图像区域同侧的第一列的像素值之和；
响应于计算结果指示第一列的像素不属于作物行图像区域，确定所述边缘作物行图像区域完整。
9.一种作物行中心线提取装置，包括：
获取单元，用于获取目标图像；
分割单元，用于对所述目标图像进行图像分割，生成二值图像，所述二值图像中像素的取值用于指示所述目标图像中对应的像素是否属于作物行图像区域；
划分单元，用于将所述二值图像在与作物行垂直的方向上划分出预定数目的条状图像；
计算单元，用于计算各个条状图像中包括的作物行的定位点；
确定单元，用于根据条状图像中作物行图像区域是否完整，确定定位点所在的作物行的标识；
拟合单元，用于根据同一标识的作物行的包括的定位点拟合出该作物行的中心线。
10.根据权利要求9所述的装置，其中，所述目标图像包括彩色图像；以及
划分单元，包括：
转换子单元，用于将所述彩色图像转换为灰度图像；
生成子单元，用于对所述灰度图像进行图像分割，生成二值图像。
11.根据权利要求10所述的装置，其中，所述转换子单元进一步配置用于：
基于作物的颜色将所述目标图像转换为灰度图像。
12.根据权利要求11所述的装置，其中，所述目标图像使用RGB色彩模式；以及
转换子单元，包括：
修改模块，用于针对所述目标图像执行强度值修改操作得到修改后的强度值，所述强度值修改操作包括：增加目标图像中像素的G分量的强度值、减小目标图像中像素的R分量的强度值、减小目标图像中像素的B分量的强度值；
转换模块，用于根据修改后的强度值将所述目标图像转换为灰度图像。
13.根据权利要求10所述的装置，其中，所述生成子单元，包括：
确定模块，用于根据所述灰度图像中最大灰度值和最小灰度值确定灰度阈值；
修正模块，用于基于所述灰度阈值，执行如下修正步骤：根据所述灰度阈值进行图像分割；计算分割出的属于作物行图像区域的像素的平均灰度值与不属于作物行图像区域的像素的平均灰度值的平均值；如果所述灰度阈值与计算出的平均值相等，则根据所述灰度阈值进行图像分割，生成二值图像；
如果所述灰度阈值与计算出的平均值不相等，则将所述平均值作为灰度阈值继续执行所述修正步骤。
14.根据权利要求9所述的装置，其中，所述计算单元进一步配置用于：
根据条状图像的垂直投影曲线中波峰的位置确定为作物行的定位点。
15.根据权利要求9-14中任一项所述的装置，其中，所述确定单元进一步配置用于：
响应于确定出两个相邻的条状图像中拍摄距离远的条状图像的边缘作物行图像区域不完整，拍摄距离近的条状图像的边缘作物行图像区域完整，确定拍摄距离远的条状图像的边缘定位点所在的作物行的标识为第一标识，拍摄距离近的条状图像的边缘定位点所在的作物行的标识为第二标识，其中，所述边缘作物行图像区域包括条状图像左侧或右侧的第一个作物行图像区域，所述边缘定位点包括条状图像左侧或右侧的第一个定位点，所述边缘作物行图像区域与所述边缘定位点同侧。
16.根据权利要求15所述的装置，其中，所述装置还包括完整性确定单元，所述完整性确定单元进一步配置用于：
计算条状图像中，与所述边缘作物行图像区域同侧的第一列的像素值之和；
响应于计算结果指示第一列的像素不属于作物行图像区域，确定所述边缘作物行图像区域完整。
17.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
18.一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810225888.7A CN110288608B (zh) | 2018-03-19 | 2018-03-19 | 作物行中心线提取方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810225888.7A CN110288608B (zh) | 2018-03-19 | 2018-03-19 | 作物行中心线提取方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110288608A true CN110288608A (zh) | 2019-09-27 |
| CN110288608B CN110288608B (zh) | 2024-04-12 |
Family
ID=68000943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810225888.7A Active CN110288608B (zh) | 2018-03-19 | 2018-03-19 | 作物行中心线提取方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288608B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753688A (zh) * | 2020-06-12 | 2020-10-09 | 广州极飞科技有限公司 | 种植行中心线确定方法、装置、电子设备及存储介质 |
| CN112465910A (zh) * | 2020-11-26 | 2021-03-09 | 成都新希望金融信息有限公司 | 一种目标拍摄距离获取方法、装置、存储介质及电子设备 |
| CN116882612A (zh) * | 2023-09-08 | 2023-10-13 | 安徽农业大学 | 基于遥感图像和深度学习的智能农机路径规划方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6686951B1 (en) * | 2000-02-28 | 2004-02-03 | Case, Llc | Crop row segmentation by K-means clustering for a vision guidance system |
| CN101807252A (zh) * | 2010-03-24 | 2010-08-18 | 中国农业大学 | 作物行中心线提取方法和系统 |
| CN104361330A (zh) * | 2014-12-01 | 2015-02-18 | 郑州轻工业学院 | 一种玉米精准施药系统的作物行识别方法 |
| CN104866820A (zh) * | 2015-04-29 | 2015-08-26 | 中国农业大学 | 一种基于遗传算法的农机导航线提取方法及装置 |
| CN105021196A (zh) * | 2015-06-29 | 2015-11-04 | 郑州轻工业学院 | 基于最小相切圆和形态学原理的作物行检测方法 |
| US20150324648A1 (en) * | 2014-05-09 | 2015-11-12 | Raven Industries, Inc. | Image filter based on row identification |
-
2018
- 2018-03-19 CN CN201810225888.7A patent/CN110288608B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6686951B1 (en) * | 2000-02-28 | 2004-02-03 | Case, Llc | Crop row segmentation by K-means clustering for a vision guidance system |
| CN101807252A (zh) * | 2010-03-24 | 2010-08-18 | 中国农业大学 | 作物行中心线提取方法和系统 |
| US20150324648A1 (en) * | 2014-05-09 | 2015-11-12 | Raven Industries, Inc. | Image filter based on row identification |
| CN104361330A (zh) * | 2014-12-01 | 2015-02-18 | 郑州轻工业学院 | 一种玉米精准施药系统的作物行识别方法 |
| CN104866820A (zh) * | 2015-04-29 | 2015-08-26 | 中国农业大学 | 一种基于遗传算法的农机导航线提取方法及装置 |
| CN105021196A (zh) * | 2015-06-29 | 2015-11-04 | 郑州轻工业学院 | 基于最小相切圆和形态学原理的作物行检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 马红霞;马明建;马娜;林有升;: "基于Hough变换的农业机械视觉导航基准线识别", 农机化研究, no. 04 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753688A (zh) * | 2020-06-12 | 2020-10-09 | 广州极飞科技有限公司 | 种植行中心线确定方法、装置、电子设备及存储介质 |
| CN112465910A (zh) * | 2020-11-26 | 2021-03-09 | 成都新希望金融信息有限公司 | 一种目标拍摄距离获取方法、装置、存储介质及电子设备 |
| CN112465910B (zh) * | 2020-11-26 | 2021-12-28 | 成都新希望金融信息有限公司 | 一种目标拍摄距离获取方法、装置、存储介质及电子设备 |
| CN116882612A (zh) * | 2023-09-08 | 2023-10-13 | 安徽农业大学 | 基于遥感图像和深度学习的智能农机路径规划方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110288608B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112560876B (zh) | 解耦度量的单阶段小样本目标检测方法 | |
| US20200250427A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
| US9697583B2 (en) | Image processing apparatus, image processing method, and computer-readable recording medium | |
| US10614347B2 (en) | Identifying parameter image adjustments using image variation and sequential processing | |
| CN110288608A (zh) | 作物行中心线提取方法和装置 | |
| CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
| CN114777792A (zh) | 路径规划方法、装置、计算机可读介质及电子设备 | |
| CN115345938A (zh) | 基于全局到局部的头影标记点定位方法、设备及介质 | |
| WO2020195015A1 (ja) | 画像処理装置、画像処理方法及びプログラムが格納された非一時的なコンピュータ可読媒体 | |
| US10395139B2 (en) | Information processing apparatus, method and computer program product | |
| CN104093010B (zh) | 一种图像处理方法及装置 | |
| CN107948721A (zh) | 推送信息的方法和装置 | |
| CN111914809A (zh) | 目标对象定位方法、图像处理方法、装置和计算机设备 | |
| CN112364916A (zh) | 基于迁移学习的图像分类方法、相关设备及存储介质 | |
| CN111738964A (zh) | 一种基于建模的图像数据增强的方法 | |
| CN111985471A (zh) | 一种车牌定位方法、装置及存储介质 | |
| JP2021196451A (ja) | 画像変換装置、画像変換方法及び画像変換用コンピュータプログラム | |
| JP6800901B2 (ja) | 物体領域識別装置、物体領域識別方法およびプログラム | |
| CN110490852A (zh) | 目标对象的检索方法、装置、计算机可读介质及电子设备 | |
| US20220366242A1 (en) | Information processing apparatus, information processing method, and storage medium | |
| KR102313940B1 (ko) | 연속된 3d 데이터에서 객체 추적 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 | |
| Gong et al. | Reparameterized dilated architecture: A wider field of view for pedestrian detection | |
| JP2019125031A (ja) | システム、画像認識方法、及び計算機 | |
| CN115222940B (zh) | 一种语义分割方法、系统、设备和存储介质 | |
| KR102343052B1 (ko) | 3d 데이터를 기반으로 2d 이미지에서의 객체의 이동 경로를 식별하는 방법 및 이를 실행하기 위하여 기록매체에 기록된 컴퓨터 프로그램 |
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 |