CN111027375A - 一种植物生长品质自动识别方法 - Google Patents
一种植物生长品质自动识别方法 Download PDFInfo
- Publication number
- CN111027375A CN111027375A CN201911040562.8A CN201911040562A CN111027375A CN 111027375 A CN111027375 A CN 111027375A CN 201911040562 A CN201911040562 A CN 201911040562A CN 111027375 A CN111027375 A CN 111027375A
- Authority
- CN
- China
- Prior art keywords
- quality
- plant growth
- camera
- pictures
- plants
- 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
- 238000000034 method Methods 0.000 title claims abstract description 28
- 230000008635 plant growth Effects 0.000 title claims abstract description 18
- 230000008636 plant growth process Effects 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims abstract description 8
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000012010 growth Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
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
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/51—Indexing; Data structures therefor; Storage structures
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种植物生长品质自动识别方法,使用照相机采集不同角度静态的植物优良品质图片;将采集到的植物优良品质图片抽取特征;将抽取的特征结构化并存储到数据库中作为原始参照数据;植物生长过程中,摄像机对准植物并连续拍照;按一定时间序列存储连续原始图片;同时采用图像形态学运算与原始参照数据比对;其计算熵值的高低反映了品质的好坏,并将其结果存储到数据库中,通过本发明实施例,即可达到植物生长过程中品质的自动识别,提高了植物生长过程中监测告警的效率。
Description
技术领域
本发明涉及一种植物生长品质自动识别领域,特别是植物生长品质自动识别方法。
背景技术
不论是花卉还是蔬菜还是其他植物,植物生长过程需要做不间断的监测其生长态势,尤其外观品相,在大规模种植情况下,单靠人力,是相当费时费力的。
通过本发明实施例,即可达到植物生长过程中品质的自动识别,提高了植物生长过程中监测告警的效率。
发明内容
本发明的目的在于针对上述问题,提供了一种高效率的实现植物在不同生长阶段即可自动识别其长势品相品质问题。为了达到以上目的,本发明是通过以下方案实现的。
为实现上述目的,本发明提供如下技术方案:一种植物生长品质自动识别方法,首先使用照相机采集不同角度静态的植物优良品质图片;
首先使用照相机采集不同角度静态的植物优良品质图片;
将采集到的所述植物优良品质图片抽取特征;
将抽取的所述特征结构化并存储到数据库中作为原始参照数据;
其中,植物生长过程中,摄像机对准植物并连续拍照;
且按一定时间序列存储连续原始图片;
同时采用图像形态学运算与原始参照数据比对,其计算熵值的高低反映了品质的好坏,并将其结果存储到数据库中。
作为本发明的一种优选技术方案,所述照相机采集不同角度静态的植物优良品质图片,且角度上下,左右和正面各一张,其分辨率大于800X600。
作为本发明的一种优选技术方案,所述将采集到的植物优良品质图片抽取特征,其所述特征包含了颜色特征、纹理特征、形状特征和空间关系特征。
作为本发明的一种优选技术方案,所述颜色特征是通过RGB直方图相交法所得的视觉特征参数,所述纹理特征是通过使用灰度共生矩阵的分析方法所得的全局特征参数,所述形状特征是通过利用目标所占区域的矩作为形状描述参数,所述空间关系特征是通过分割方法所得的多个目标之间的相互的空间位置或相对方向参数,且空间关系特征的分割步骤:首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域;然后根据这些区域提取图像特征,并建立索引。
作为本发明的一种优选技术方案,将所述抽取的特征结构化并存储到数据库中作为原始参照数据。
作为本发明的一种优选技术方案,所述植物生长过程中,摄像机对准植物并连续拍照,摄像机的分辨率大于800X600。
作为本发明的一种优选技术方案,所述按一定时间序列存储连续原始图片。
作为本发明的一种优选技术方案,其特征在于,所述采用图像形态学运算即主要使用膨胀计算与原始参照数据比对,其计算熵值的高低反映了品质的好坏,并将其结果存储到数据库中。
与现有技术相比,本发明的有益效果是:本发明一种植物生长品质自动识别方法,达到植物生长过程中品质的自动识别,提高了植物生长过程中监测告警的效率。
附图说明
图1为本发明的一种植物生长品质自动识别方法示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明目的的实现、功能特点及优点将结合实施例,参照附图1为本发明的一种植物生长品质自动识别方法示意图做进一步说明。
具体实施例一,本发明提供了一种植物生长品质自动识别方法,其特征在于,步骤包括:
A1:首先使用照相机采集不同角度静态的植物优良品质图片;A2:将采集到的植物优良品质图片抽取特征;A3:将抽取的特征结构化并存储到数据库中作为原始参照数据;A4:其中,植物生长过程中,摄像机对准植物并连续拍照;A5:且按一定时间序列存储连续原始图片;A6:同时采用图像形态学运算与原始参照数据比对,其计算熵值的高低反映了品质的好坏,并将其结果存储到数据库中。
具体实施例二,照相机采集不同角度静态的植物优良品质图片,且角度上下,左右和正面各一张,其分辨率大于800X600;将采集到的植物优良品质图片抽取特征,其特征包含了颜色特征、纹理特征、形状特征和空间关系特征,颜色特征是通过RGB直方图相交法所得的视觉特征参数,纹理特征是通过使用灰度共生矩阵的分析方法所得的全局特征参数,形状特征是通过利用目标所占区域的矩作为形状描述参数,空间关系特征是通过分割方法所得的多个目标之间的相互的空间位置或相对方向参数,且空间关系特征的分割步骤:首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域;然后根据这些区域提取图像特征,并建立索引。
进一步地,将抽取的特征结构化并存储到数据库中作为原始参照数据。
原始参数代入如特征结构代码中:
PIC_Data=pictures
Plant:string //植物品名
Date:date//日期
Time:time//时间
color:Rint,Gint,Bint //颜色
Grai:int//纹理
shape:int //形状
space:int//空间关系
end;
具体实施例三,植物生长过程中,摄像机对准植物并连续拍照,摄像机的分辨率大于800X600。
进一步地,按一定时间序列存储连续原始图片。
将时间以及图片数据代入以下代码:
Video_Data = Vpictures
Plant:string //植物品名
Date:date //日期
Time:time //时间
Vpic:dat //图片数据
end;
具体实施例四,同时采用图像形态学运算即主要使用膨胀计算与原始参照数据比对,其计算熵值的高低反映了品质的好坏,并将其结果存储到数据库中,其膨胀函数的计算代码如下:
void dilate(
InputArray src,//输入
OutputArray dst, //输出
InputArray kernel, //核大小
Point anchor=Point(-1,-1),// 定位位置,(-1,-1)为中心
int iterations=1, //迭代次数
int borderType=BORDER_CONSTANT,//图像边界像素模式
const Scalar& borderValue=morphologyDefaultBorderValue()//边界值
)
存储数据结构如下:
Video_pic_Data=V-Vpictures
Plant:string //植物品名
Date:date //日期
Time:time //时间
VpicResult:int //熵值
end;
进一步地,达到植物生长过程中品质的自动识别,提高了植物生长过程中监测告警的效率。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围。
Claims (8)
1.一种植物生长品质自动识别方法,其特征在于,步骤包括:
首先使用照相机采集不同角度静态的植物优良品质图片;
将采集到的所述植物优良品质图片抽取特征;
将抽取的所述特征结构化并存储到数据库中作为原始参照数据;
其中,植物生长过程中,摄像机对准植物并连续拍照;
且按一定时间序列存储连续原始图片;
同时采用图像形态学运算与原始参照数据比对,其计算熵值的高低反映了品质的好坏,并将其结果存储到数据库中。
2.根据权利要求1所述一种植物生长品质自动识别方法,其特征在于:所述照相机采集不同角度静态的植物优良品质图片,且角度上下,左右和正面各一张,其分辨率大于800X600。
3.根据权利要求1所述一种植物生长品质自动识别方法,其特征在于:所述将采集到的植物优良品质图片抽取特征,其所述特征包含了颜色特征、纹理特征、形状特征和空间关系特征。
4.根据权利要求1所述一种植物生长品质自动识别方法,其特征在于:所述颜色特征是通过RGB直方图相交法所得的视觉特征参数,所述纹理特征是通过使用灰度共生矩阵的分析方法所得的全局特征参数,所述形状特征是通过利用目标所占区域的矩作为形状描述参数,所述空间关系特征是通过分割方法所得的多个目标之间的相互的空间位置或相对方向参数,且空间关系特征的分割步骤:首先对图像进行自动分割,划分出图像中所包含的对象或颜色区域;然后根据这些区域提取图像特征,并建立索引。
5.根据权利要求1所述一种植物生长品质自动识别方法,其特征在于:将所述抽取的特征结构化并存储到数据库中作为原始参照数据。
6.根据权利要求1所述一种植物生长品质自动识别方法,其特征在于:所述植物生长过程中,摄像机对准植物并连续拍照,摄像机的分辨率大于800X600。
7.根据权利要求1所述一种植物生长品质自动识别方法,其特征在于:所述按一定时间序列存储连续原始图片。
8.根据权利要求1所述一种植物生长品质自动识别方法,其特征在于:其特征在于,所述采用图像形态学运算即主要使用膨胀计算与原始参照数据比对,其计算熵值的高低反映了品质的好坏,并将其结果存储到数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040562.8A CN111027375A (zh) | 2019-10-29 | 2019-10-29 | 一种植物生长品质自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911040562.8A CN111027375A (zh) | 2019-10-29 | 2019-10-29 | 一种植物生长品质自动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027375A true CN111027375A (zh) | 2020-04-17 |
Family
ID=70204740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911040562.8A Pending CN111027375A (zh) | 2019-10-29 | 2019-10-29 | 一种植物生长品质自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027375A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102759528A (zh) * | 2012-07-09 | 2012-10-31 | 陕西科技大学 | 一种农作物叶部病害检测方法 |
RU2466351C1 (ru) * | 2011-06-08 | 2012-11-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Поволжский государственный технологический университет" | Способ измерения площади листьев у древесных растений |
CN104182763A (zh) * | 2014-08-12 | 2014-12-03 | 中国计量学院 | 一种基于花朵特征的植物种类识别系统 |
CN107853089A (zh) * | 2017-10-31 | 2018-03-30 | 深圳春沐源控股有限公司 | 植物种植方法、植物种植系统 |
CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
-
2019
- 2019-10-29 CN CN201911040562.8A patent/CN111027375A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2466351C1 (ru) * | 2011-06-08 | 2012-11-10 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Поволжский государственный технологический университет" | Способ измерения площади листьев у древесных растений |
CN102759528A (zh) * | 2012-07-09 | 2012-10-31 | 陕西科技大学 | 一种农作物叶部病害检测方法 |
CN104182763A (zh) * | 2014-08-12 | 2014-12-03 | 中国计量学院 | 一种基于花朵特征的植物种类识别系统 |
CN107853089A (zh) * | 2017-10-31 | 2018-03-30 | 深圳春沐源控股有限公司 | 植物种植方法、植物种植系统 |
CN108346142A (zh) * | 2018-01-16 | 2018-07-31 | 中国农业大学 | 一种基于植物光照图像的植物生长状态识别方法 |
CN109583301A (zh) * | 2018-10-29 | 2019-04-05 | 广东奥博信息产业股份有限公司 | 一种农作物生长过程最优外部种植条件预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Detection of apple lesions in orchards based on deep learning methods of CycleGAN and YOLOV3‐dense | |
Li et al. | An overlapping-free leaf segmentation method for plant point clouds | |
CN109344883A (zh) | 一种基于空洞卷积的复杂背景下果树病虫害识别方法 | |
CN109522899B (zh) | 咖啡成熟果实的检测方法、装置及电子设备 | |
CN110751075A (zh) | 一种基于实例分割的遥感影像养殖塘检测方法 | |
CN111798470B (zh) | 一种应用于智能农业的农作物图像实体分割方法及系统 | |
Buayai et al. | End-to-end automatic berry counting for table grape thinning | |
CN113657326A (zh) | 一种基于多尺度融合模块和特征增强的杂草检测方法 | |
Sanaeifar et al. | Advancing precision agriculture: The potential of deep learning for cereal plant head detection | |
CN106682639A (zh) | 一种基于视频监测的作物叶部异常图像提取方法 | |
Rahim et al. | Deep learning-based accurate grapevine inflorescence and flower quantification in unstructured vineyard images acquired using a mobile sensing platform | |
CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
CN116363505A (zh) | 一种基于采摘机器人视觉系统的目标采摘方法 | |
CN105046632B (zh) | 时空高效的二值图像二元逻辑运算方法 | |
CN114581816A (zh) | 一种植物工厂茄果类蔬菜果实实时检测与计数方法 | |
CN113888397A (zh) | 基于无人机遥感和图像处理技术的烟草清塘点株方法 | |
CN108090910B (zh) | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 | |
CN113837202A (zh) | 特征点的提取方法、图像的重建方法及装置 | |
CN117456358A (zh) | 一种基于YOLOv5神经网络的植物病虫害检测方法 | |
CN110298856B (zh) | 一种鱼体长度非接触式估算方法 | |
CN111027375A (zh) | 一种植物生长品质自动识别方法 | |
CN116740337A (zh) | 一种红花采摘点识别定位方法及采摘系统 | |
CN117079125A (zh) | 一种基于改进型YOLOv5的猕猴桃授粉花朵识别方法 | |
CN117079270A (zh) | 一种基于机器视觉智能识别和定位蘑菇的采摘方法与装置 | |
Liu et al. | “Is this blueberry ripe?”: a blueberry ripeness detection algorithm for use on picking robots |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200417 |