CN110765916B - 一种基于语义和实例分割的农田苗垄识别方法及系统 - Google Patents

一种基于语义和实例分割的农田苗垄识别方法及系统 Download PDF

Info

Publication number
CN110765916B
CN110765916B CN201910987125.0A CN201910987125A CN110765916B CN 110765916 B CN110765916 B CN 110765916B CN 201910987125 A CN201910987125 A CN 201910987125A CN 110765916 B CN110765916 B CN 110765916B
Authority
CN
China
Prior art keywords
seedling
segmentation
fitting
farmland
zone
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
Application number
CN201910987125.0A
Other languages
English (en)
Other versions
CN110765916A (zh
Inventor
杨顺
韩威
郑思仪
刘继凯
国大伟
刘凯
史志坚
袁野
陈杰
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.)
Beijing Zhongke Power Technology Co ltd
Original Assignee
Beijing Zhongke Power Technology Co ltd
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 Beijing Zhongke Power Technology Co ltd filed Critical Beijing Zhongke Power Technology Co ltd
Priority to CN201910987125.0A priority Critical patent/CN110765916B/zh
Publication of CN110765916A publication Critical patent/CN110765916A/zh
Application granted granted Critical
Publication of CN110765916B publication Critical patent/CN110765916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于语义和实例分割的农田苗垄识别方法及系统，方法包括采集当前农田图像、编码、实例分割和语义分割、聚类、特征点拟合、绘图得到苗线和垄沟线等步骤，该系统包括实现上述各个步骤的功能模块。本发明采用端到端的视觉图像分割训练方法进行苗垄检测，一定程度缩小了所需网络规模，有效提高了运算速度，同时通过深度网络获取到易于聚类的嵌入向量，随后通过简单的聚类算法和曲线拟合算法对苗线和垄沟线进行高效识别，可使用大数据样本不断补充提高检测方法的精确度和鲁棒性。

Description

一种基于语义和实例分割的农田苗垄识别方法及系统
技术领域
本发明涉及智能农业机械控制技术领域，具体的说，是涉及一种基于语义和实例分割的农田苗垄识别方法及系统。
背景技术
在机械化农业生产过程中，精确的苗垄识别是精准农业的基础，可以为后续的精准施肥、精准除草、智能农机精准控制提供空间约束，从而实现节省肥料、农药，提高亩产的有益效果，有效降低劳动强度、减少环境污染、降低生产成本、提高资源利用率及农产品产量与品质。当前苗垄识别多基于车载视觉传感设备，其主要流程为：首先利用人工设计的特征对图像进行分割从而确定绿色植被区域，然后利用水平兴趣区域等方法提取苗带特征点，最后对特征点进行拟合的方法确定苗线。根据方法不同，苗垄识别又分为以下几种：
1、基于Hough变换的检测方法
基于Hough变换的检测方法主要优势是受随机噪声影响小、方法较为鲁棒、在杂草较多的场景下仍然能有一定的检测率、不易受苗带断裂的影响。但是，其也存在需要存储空间较大、计算时间较长的问题，难以满足农机作业实时性要求；且基于Hough变换的方法峰值检测困难，常存在多个候选峰值为同一苗线投票结果的情况；即便是采用随机Hough变换也难以保证检测的精度。
2、基于最小二乘法的检测方法
该方法可以迅速检测苗线；缺点是比较容易受到噪声干扰，且最小二乘方法的基础是所有特征点属于同一苗线，如果针对所有特征点，最小二乘法往往难以取得很好的结果。
3、基于消失点的检测方法
基于消失点的检测方法的基本原理是，三维空间的平行线经过视觉传感设备投影在二维平面后会相交于一点。消失点对于成垄种植的作物苗线检测可以起到一定的空间约束作用，然而该方法不仅太过于依赖图像的预处理过程，而且需要很多先验信息，如苗带间距、相机内外参等，极大地影响了方法的推广使用。
4、基于立体视觉（高程差）的检测方法
基于立体视觉（高程差）的检测方法的基本原理是利用三维空间的苗线、背景的高程差探测和跟踪地面特征的方法，但是这种方法往往需要假定相机“不旋转”，但是通常农用场景中道路存在不可避免的颠簸，因此该方法难以形成稳定的检测结果。
由此可知，传统的苗垄识别方法多基于人工设置的颜色、纹理、高度等特征，在区分绿色植被和背景时需要反复调整门限值以达到较好效果。然而，反复调节得到的门限值通常难以适应所有的光照和天气情况，例如晴天正午与阴天傍晚的光照完全不同导致苗带在图像中的像素值、超绿值等差异较大，而使用固定门限值势必带来某一或多个场景下的检测失效，影响方法的鲁棒性。同时，传统方法在提取了苗带特征点后，往往需要对每一个苗带进行区分从而进行曲线拟合，从距离接近、特征相似的特征点中区分出每一个苗带的对应所有特征点往往难度较大。
发明内容
为了克服现有的技术的不足，本发明提供一种基于语义和实例分割的农田苗垄识别方法及系统。
本发明技术方案如下所述：
一方面，一种基于语义和实例分割的农田苗垄识别方法，其特征在于，包括以下步骤：
（1）通过农业机械上的视觉传感器采集当前农田图像；
（2）编码器将采集到的的农田图像进行编码，并通过解码器进行实例分割和语义分割，得到图像的嵌入向量表征结果和二分类掩码；
（3）对获得的苗带的嵌入向量表征结果进行聚类，在空间内聚成对应的簇；
（4）对不同簇的苗带特征点进行筛选，并对剩余的苗带簇进行特征点拟合，得到拟合直线或曲线的参数；
（5）绘图得到苗线和垄沟线。
根据上述方案的本发明，其特征在于，所述视觉传感器包括单目相机、双目相机、立体3D相机、红外相机。
根据上述方案的本发明，其特征在于，在步骤（2）中，编码器将编码结果输出到两个解码器的分支上，其中：解码器第一分支对编码后的数据进行实例分割，获得每个像素点的嵌入向量表征结果；解码器第二分支对编码后的数据进行语义分割，获得每个像素点属于背景或苗带的二分类掩码。
根据上述方案的本发明，其特征在于，所述编码器或所述解码器为可通过监督数据输入和梯度反向传播不断更新权重的人工神经网络结构。
进一步的，所述编码器或所述解码器包括径向基神经网络、玻尔兹曼机、自编码机及其扩展形式、深度信念网络、深度卷积神经网络结构。
更进一步的，所述编码器或所述解码器为三层及以上卷积层构成的卷积神经网络结构。
根据上述方案的本发明，其特征在于，所述编码器和所述解码器的训练以端到端形式进行，即通过监督数据输入和梯度反向传播同时更新编码器和解码器的权重。
根据上述方案的本发明，其特征在于，所述嵌入向量表征结果为二维及以上的向量表征形式。
根据上述方案的本发明，其特征在于，所述二分类掩码使用0、1编码表征背景和苗带的二维图像输出。
根据上述方案的本发明，其特征在于，在步骤（3）中，聚类算法包括均值漂移聚类算法、DBSCAN聚类算法。
根据上述方案的本发明，其特征在于，在步骤（4）中，特征点拟合的方法包括最小二乘法、随机抽样一致算法，其拟合结果为直线、二次曲线或多项式曲线。
根据上述方案的本发明，其特征在于，在步骤（5）中，苗带特征点拟合后得到苗线，分别获得相邻苗线与图像上下边沿的交点，将两个上边沿交点中点与下边沿交点中点连接，即获得垄沟线。
另一方面，一种基于语义和实例分割的农田苗垄识别系统，其特征在于，包括：
农田图像获取模块，用于获取农田图像信息；
编码模块，对获得的农田图像进行编码；
解码模块，两个解码模块分别对编码后的农田图像信息进行实例分割和语义分割，实例分割后得到图像的嵌入向量表征结果，语义分割后得到图像的二分类掩码；
聚类模块，用于对嵌入向量表征结果和二分类掩码进行聚类，使得嵌入向量表征结果在空间内聚成对应簇；
聚类结果筛选模块，用于对空间的簇进行筛选；
特征点拟合模块，使用特征点拟合方法对剩余苗带簇逐一进行特征点拟合，获得拟合直线或曲线的参数；
识别结果绘图模块，用于对拟合得到的苗带进行绘制，并得到对应的垄沟线。
根据上述方案的本发明，其特征在于，所述聚类结果筛选模块剔除特征点个数低于特征点门限值的簇，得到符合要求的空间簇。
根据上述方案的本发明，其有益效果在于：
（1）本发明避免了复杂的人工特征设计和门限值标定过程，采用端到端的方式对特征提取方法进行学习，只需要设置深度学习所需要的如学习速率、迭代次数等超参数，学习过程无需人工干预；
（2）本发明对复杂多变的天气和光照情况有更好的鲁棒性和稳定性，以训练数据对即图像和语义标注数据对为输入进行编码器-解码器网络训练，检测效果依赖于训练数据的多样性，因此可以使用大量标注数据对网络检测效果进行提升和加强，输出结果更为准确有效和稳定；
（3）本发明通过共享用于特征提取的编码器网络，使得网络规模可以得到有效减小，通过mean shift和最小二乘法等简单有效的聚类和曲线拟合算法识别苗线和垄沟线，可以有效保证算法实时性。
附图说明
图1为本发明的流程图。
图2为本发明的流程示意图。
图3为实例分割和语义分割的网络结构图。
图4为采集的农田图像示意图。
图5为农田嵌入向量可视化结果示意图。
图6为农田二值语义分割结果示意图。
图7为嵌入向量聚类结果可视化示意图。
图8为苗线和垄沟线识别结果示意图。
具体实施方式
下面结合附图以及实施方式对本发明进行进一步的描述：
如图1-8所示，一种基于语义和实例分割的农田苗垄识别系统，包括：农田图像获取模块、编码模块、解码模块、聚类模块、聚类结果筛选模块、特征点拟合模块以及识别结果绘图模块。其中：
农田图像获取模块，用于获取农田图像信息；
编码模块，对获得的农田图像进行编码；
解码模块，两个解码模块分别对编码后的农田图像信息进行实例分割和语义分割，实例分割后得到图像的嵌入向量表征结果，语义分割后得到图像的二分类掩码；
聚类模块，用于对嵌入向量表征结果和二分类掩码进行聚类，使得嵌入向量表征结果在空间内聚成对应簇；
聚类结果筛选模块，用于对空间的簇进行筛选，剔除特征点个数低于特征点门限值的簇，得到符合要求的空间簇；
特征点拟合模块，使用特征点拟合方法对剩余苗带簇逐一进行特征点拟合，获得拟合直线或曲线的参数；
识别结果绘图模块，用于对拟合得到的苗带进行绘制，并得到对应的垄沟线。
如图1、图2所示，本发明的应用场景为以垄为单位种植的任意作物或植被（如玉米、大豆、棉花等）种植区域。上述基于语义和实例分割的农田苗垄识别系统的识别方法，包括以下步骤：
1、通过农业机械上的视觉传感器采集当前农田图像。以拖拉机为例，农业机械向前行驶时，其前方农田图像如图3所示。
农业机械包括加装或不加装载具的、轮式或履带式农用拖拉机、农用联合收割机等。本实施例除却加装视觉传感器外无需对农业机械做任何改装，整个系统结构简单，机械改造成本低。
视觉传感器一般安装在农机配重上方，镜头轴向与车头朝向一致；或安装在农机车顶车辆中轴线上，镜头向下倾斜。具体的，视觉传感器包括但不仅限于单目相机、双目相机、立体3D相机、红外相机。优选为双目相机，其安装处理灵活、价格便宜，既可处理图片又能获取深度信息，方便实用。
2、编码器将采集到的的农田图像进行编码，并通过解码器进行实例分割和语义分割，得到图像的嵌入向量表征结果和二分类掩码，如图4所示。
编码器和解码器训练以端到端形式进行，即通过监督数据输入和梯度反向传播同时更新编码器和两个解码器权重，无需人工选取特征或中间结果处理等。具体的：
（1）编码器为可通过监督数据输入和梯度反向传播不断更新权重的人工神经网络结构，包括径向基神经网络、玻尔兹曼机、自编码机及其扩展形式、深度信念网络、深度卷积神经网络结构等。由于深度卷积神经网络在图像特征提取上的优势，因此，本实施例中的编码器采用的是三层及以上卷积层构成的卷积神经网络结构。
（2）如图5所示，解码器第一分支对编码后的数据进行实例分割，获得每个像素点的嵌入向量(embedding vector)表征结果，其将图像背景与苗带区分开，即判断每一个像素是否属于苗带并进行表明；
优选的，实例分割获得的嵌入向量(embedding vector)为二维及以上的向量表征形式：其中二维和三维向量可以更好地进行后续聚类可视化，更高维度的向量则有利于后续的聚类工作。本实施例中，将嵌入向量设置为三维或四维向量，即解码器第一分支输出结果为长宽与原图一致，但维度为三维或四维的嵌入向量。
如图6所示，解码器第二分支对编码后的数据进行语义分割，获得每个像素点属于背景或苗带的二分类掩码，其通过苗带像素的检索值对应获得实例分割结果中属于苗带的嵌入向量。
优选的，语义分割得到的二分类掩码是指使用0、1编码表征背景和苗带的二维图像输出，本实施例中使用0指代背景像素，1指代苗带像素。语义分割分割输出二分类掩码中的背景像素是指非苗带的其他任意目标像素，包含地面、泥土、非苗带的其他绿色植被、天空、建筑、车辆及其他可能目标。
本实施例中，解码器为可通过监督数据输入和梯度反向传播不断更新权重的人工神经网络结构，包括径向基神经网络、玻尔兹曼机、自编码机及其扩展形式、深度信念网络、深度卷积神经网络结构等。由于深度卷积神经网络在图像特征表征上的优势，因此本实施例中的解码器采用三层及以上卷积层构成的卷积神经网络结构。
3、对获得的苗带的嵌入向量表征结果进行聚类，在空间内聚成对应的簇，如图7所示。
实例分割训练的目的是输出便于聚类的嵌入向量，因此获取到苗带嵌入向量后，即可使用聚类算法对其进行聚类，所获得聚类簇的个数无需提前确定，原则上可以是任意个数。聚类阶段所使用的聚类算法包括均值漂移(mean shift)聚类算法、DBSCAN聚类算法等。
聚类过程结束后，嵌入向量在空间内聚成对应的簇（包括Cluster0、Cluster1、Cluster2、Cluster3、Cluster4），从而获得聚类簇的个数、每个簇的聚类中心，对应每个簇的特征点也会被分配相应的id标明其所属苗带。聚类簇中每一个点的维度根据嵌入向量确定，与嵌入向量保持一致，在本实施例中，所获得聚类簇为三维点簇。
4、对不同簇的苗带特征点进行筛选，并对剩余的苗带簇进行特征点拟合，得到拟合直线或曲线的参数。
具体的，首先将不同簇的苗带特征点输入到筛选模块进行簇类筛选，剔除特征点个数低于特征点门限值的簇，然后使用特征点拟合方法对剩余苗带簇逐一进行特征点拟合，获得拟合直线或曲线的参数表示。
优选的，苗带特征点拟合阶段所使用的特征点拟合方法包括最小二乘法、随机抽样一致算法(Ransac)等，拟合结果为直线、二次曲线或多项式曲线。
5、绘图得到苗线和垄沟线，如图8所示。
苗带特征点拟合后，可以描绘出苗带的苗线。依据苗线，可以分别获得相邻拟合线与图像上下边沿的交点，将两个上边沿交点中点与下边沿交点中点连接，可获得垄沟线。
本发明采用深度学习中的语义分割结合实例分割的方法，语义分割用于区分苗带和背景，实例分割则对每个图像像素生成便于聚类的嵌入向量，两者结合可以得到便于聚类的苗带嵌入向量，随后即可用聚类算法和简单的曲线拟合算法对苗线进行拟合。由于语义分割和实例分割属于同一个可端到端训练网络的两个分支，因此可以共享特征提取网络即编码器网络部分，一定程度缩小了所需网络规模，有效提高了运算速度；且通过深度学习的方法进行苗垄检测，可使用大数据样本不断补充提高检测方法的精确度和鲁棒性。
本发明旨在利用机器视觉及机器学习技术的快速发展，创新性地采用端到端的视觉图像分割训练方法进行苗垄检测，该方法可以通过深度网络获取到易于聚类的嵌入向量，随后通过简单的聚类算法和曲线拟合算法对苗线和垄沟线进行高效识别，可以有效保证算法实时性，且输出结果更为准确有效和稳定。
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。
上面结合附图对本发明专利进行了示例性的描述，显然本发明专利的实现并不受上述方式的限制，只要采用了本发明专利的方法构思和技术方案进行的各种改进，或未经改进将本发明专利的构思和技术方案直接应用于其它场合的，均在本发明的保护范围内。

Claims (6)

1.一种基于语义和实例分割的农田苗垄识别方法，其特征在于，包括以下步骤：
（1）通过农业机械上的视觉传感器采集当前农田图像；
（2）编码器将采集到的农田图像进行编码，并通过解码器进行实例分割和语义分割，得到图像的嵌入向量表征结果和二分类掩码；
所述编码器将编码结果输出到两个解码器的分支上，其中：解码器第一分支对编码后的数据进行实例分割，获得每个像素点的嵌入向量表征结果，判断每一个像素是否属于苗带并进行表明；解码器第二分支对编码后的数据进行语义分割，获得每个像素点属于背景或苗带的二分类掩码，通过苗带像素的检索值对应获得实例分割结果中属于苗带的嵌入向量；
所述编码器和所述解码器的训练以端到端形式进行，为通过监督数据输入和梯度反向传播不断更新权重的人工神经网络结构；
（3）对获得的苗带的嵌入向量表征结果进行聚类，在空间内聚成对应的簇；
（4）对不同簇的苗带特征点进行筛选，剔除特征点个数低于特征点门限值的簇，并对剩余的苗带簇进行特征点拟合，得到拟合直线或曲线的参数；
（5）绘图得到苗线和垄沟线；
苗带特征点拟合后得到苗线，分别获得相邻苗线与图像上下边沿的交点，将两个上边沿交点中点与下边沿交点中点连接，即获得垄沟线。
2.根据权利要求1所述的基于语义和实例分割的农田苗垄识别方法，其特征在于，所述视觉传感器包括单目相机、双目相机、立体3D相机、红外相机。
3.根据权利要求1所述的基于语义和实例分割的农田苗垄识别方法，其特征在于，所述编码器或所述解码器包括径向基神经网络、玻尔兹曼机、自编码机及其扩展形式、深度信念网络、深度卷积神经网络结构。
4.根据权利要求1所述的基于语义和实例分割的农田苗垄识别方法，其特征在于，在步骤（3）中，聚类算法包括均值漂移聚类算法、DBSCAN聚类算法。
5.根据权利要求1所述的基于语义和实例分割的农田苗垄识别方法，其特征在于，在步骤（4）中，特征点拟合的方法包括最小二乘法、随机抽样一致算法，其拟合结果为直线、二次曲线或多项式曲线。
6.一种基于语义和实例分割的农田苗垄识别系统，其特征在于，包括：
农田图像获取模块，设置在农业机械上，用于获取农田图像信息；
编码模块，对获得的农田图像信息进行编码；
解码模块，两个解码模块分别对编码后的农田图像信息进行实例分割和语义分割，实例分割后得到图像的每个像素点的嵌入向量表征结果，判断每一个像素是否属于苗带并进行表明；
语义分割后得到图像的每个像素点属于背景或苗带的二分类掩码，通过苗带像素的检索值对应获得实例分割结果中属于苗带的嵌入向量；
编码模块和解码模块的训练以端到端形式进行，为通过监督数据输入和梯度反向传播不断更新权重的人工神经网络结构；
聚类模块，用于对嵌入向量表征结果和二分类掩码进行聚类，使得嵌入向量表征结果在空间内聚成对应簇；
聚类结果筛选模块，用于对空间的簇进行筛选，对不同簇的苗带特征点进行筛选，剔除特征点个数低于特征点门限值的簇；
特征点拟合模块，使用特征点拟合方法对剩余苗带簇逐一进行特征点拟合，获得拟合直线或曲线的参数；
识别结果绘图模块，用于对拟合得到的苗带进行绘制，苗带特征点拟合后得到苗线，分别获得相邻苗线与图像上下边沿的交点，将两个上边沿交点中点与下边沿交点中点连接，即获得垄沟线。
CN201910987125.0A 2019-10-17 2019-10-17 一种基于语义和实例分割的农田苗垄识别方法及系统 Active CN110765916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910987125.0A CN110765916B (zh) 2019-10-17 2019-10-17 一种基于语义和实例分割的农田苗垄识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910987125.0A CN110765916B (zh) 2019-10-17 2019-10-17 一种基于语义和实例分割的农田苗垄识别方法及系统

Publications (2)

Publication Number Publication Date
CN110765916A CN110765916A (zh) 2020-02-07
CN110765916B true CN110765916B (zh) 2022-08-30

Family

ID=69332108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910987125.0A Active CN110765916B (zh) 2019-10-17 2019-10-17 一种基于语义和实例分割的农田苗垄识别方法及系统

Country Status (1)

Country Link
CN (1) CN110765916B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111727457B (zh) * 2020-05-14 2024-01-26 安徽中科智能感知科技股份有限公司 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质
CN113807135A (zh) * 2020-06-12 2021-12-17 广州极飞科技股份有限公司 基于语义分割网络的缺苗区域识别方法、设备和存储介质
CN111912816A (zh) * 2020-08-11 2020-11-10 玉林师范学院 太赫兹光谱与均值漂移算法结合的转基因作物检测方法
CN112184738B (zh) * 2020-10-30 2022-09-13 北京有竹居网络技术有限公司 一种图像分割方法、装置、设备及存储介质
CN113065562B (zh) * 2021-03-23 2024-04-02 北京工业大学 一种基于语义分割网络的作物垄行提取及主导航线选取方法
CN113065501B (zh) * 2021-04-15 2024-03-22 黑龙江惠达科技股份有限公司 苗线识别的方法、装置和农机
CN113888548A (zh) * 2021-09-28 2022-01-04 上海商汤智能科技有限公司 图像处理方法及装置、电子设备和存储介质
CN115272667B (zh) * 2022-06-24 2023-08-29 中科星睿科技(北京)有限公司 农田图像分割模型训练方法、装置、电子设备和介质
CN115336498B (zh) * 2022-10-20 2023-02-03 农业农村部南京农业机械化研究所 一种施药控制方法、装置、喷雾机及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019015785A1 (en) * 2017-07-21 2019-01-24 Toyota Motor Europe METHOD AND SYSTEM FOR LEARNING A NEURAL NETWORK TO BE USED FOR SEMANTIC INSTANCE SEGMENTATION
CN109740465A (zh) * 2018-12-24 2019-05-10 南京理工大学 一种基于实例分割神经网络框架的车道线检测算法
CN110197151A (zh) * 2019-05-28 2019-09-03 大连理工大学 一种结合双分支网络和自定义函数网络的车道线检测系统及方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10430950B2 (en) * 2018-03-01 2019-10-01 Honda Motor Co., Ltd. Systems and methods for performing instance segmentation

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019015785A1 (en) * 2017-07-21 2019-01-24 Toyota Motor Europe METHOD AND SYSTEM FOR LEARNING A NEURAL NETWORK TO BE USED FOR SEMANTIC INSTANCE SEGMENTATION
CN109740465A (zh) * 2018-12-24 2019-05-10 南京理工大学 一种基于实例分割神经网络框架的车道线检测算法
CN110197151A (zh) * 2019-05-28 2019-09-03 大连理工大学 一种结合双分支网络和自定义函数网络的车道线检测系统及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于实例分割方法的复杂场景下车道线检测;姜立标 等;《机械设计与制造工程》;20190515;第48卷(第05期);全文 *

Also Published As

Publication number Publication date
CN110765916A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110765916B (zh) 一种基于语义和实例分割的农田苗垄识别方法及系统
Fu et al. Faster R–CNN–based apple detection in dense-foliage fruiting-wall trees using RGB and depth features for robotic harvesting
Li et al. Detection of fruit-bearing branches and localization of litchi clusters for vision-based harvesting robots
Jia et al. Detection and segmentation of overlapped fruits based on optimized mask R-CNN application in apple harvesting robot
Fu et al. Kiwifruit detection in field images using Faster R-CNN with ZFNet
Majeed et al. Apple tree trunk and branch segmentation for automatic trellis training using convolutional neural network based semantic segmentation
Sun et al. Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering
Kusumam et al. 3D‐vision based detection, localization, and sizing of broccoli heads in the field
Vidović et al. Crop row detection by global energy minimization
Xiang et al. Recognition of clustered tomatoes based on binocular stereo vision
US7248968B2 (en) Obstacle detection using stereo vision
Wang et al. Deep learning approach for apple edge detection to remotely monitor apple growth in orchards
CN109886155B (zh) 基于深度学习的单株水稻检测定位方法、系统、设备及介质
CN111727457B (zh) 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质
Lin et al. Automatic detection of plant rows for a transplanter in paddy field using faster r-cnn
Luo et al. Semantic segmentation of agricultural images: A survey
CN113920474B (zh) 一种智能监管柑橘种植态势的物联网系统及方法
CN110610506A (zh) 一种基于图像处理技术的姬松茸子实体生长参数检测方法
Adhikari et al. 3D reconstruction of apple trees for mechanical pruning
CN114067206B (zh) 一种基于深度图像的球形果实识别定位方法
Zhang et al. An adaptive vision navigation algorithm in agricultural IoT system for smart agricultural robots
CN113128576A (zh) 基于深度学习图像分割的作物行检测方法及装置
Yang et al. A fruit recognition method for automatic harvesting
CN116977960A (zh) 一种基于实例分割的水稻秧苗行检测方法
CN117409339A (zh) 一种用于空地协同的无人机作物状态视觉识别方法

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