CN111339953A - 一种基于聚类分析的薇甘菊监测方法 - Google Patents
一种基于聚类分析的薇甘菊监测方法 Download PDFInfo
- Publication number
- CN111339953A CN111339953A CN202010123100.9A CN202010123100A CN111339953A CN 111339953 A CN111339953 A CN 111339953A CN 202010123100 A CN202010123100 A CN 202010123100A CN 111339953 A CN111339953 A CN 111339953A
- Authority
- CN
- China
- Prior art keywords
- image
- mikania micrantha
- channel
- rgb
- module
- 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
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
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformation in the plane of the image
- G06T3/40—Scaling the whole image or part thereof
- G06T3/4038—Scaling the whole image or part thereof for image mosaicing, i.e. plane images composed of plane sub-images
-
- 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
Abstract
本发明公开了一种基于聚类分析的薇甘菊监测方法,属于图像智能识别技术领域。包括如下步骤:通过无人机所搭载的相机对待监测地区进行等间隔拍摄,得到多张薇甘菊航拍图,将薇甘菊航拍图传输到计算机,所述计算机包括图像预处理模块、图像增强模块、聚类分析模块以及输出模块;所述薇甘菊航拍图经过图像预处理模块处理后,得到RGB三通道图像;所述RGB三通道图像经过图像增强模块处理后,得到粗分割图像;所述粗分割图像经过聚类分析模块处理后,得到细分割图像;根据无人机飞行高度参数和相机广角参数,所述细分割图像经过输出模块处理后,得到薇甘菊分布图和薇甘菊分布面积。本发明克服现有的对于盛花期薇甘菊爆发点监测效率较低的缺点。
Description
技术领域
本发明属于图像智能识别技术领域,尤其是一种基于聚类分析的薇甘菊监测方法。
背景技术
薇甘菊(Mikania micrantha),菊科假泽兰属,原产于美洲,是一种危害性极强的入侵性杂草。20世纪80年代初,薇甘菊被发现传入中国华南地区,危害当地植被和农林作物并造成巨大经济损失。
目前针对薇甘菊的自动识别的研究很少,目前有基于卫星遥感技术、基于高光谱遥感技术、基于深度学习技术的相关研究,但是均存在较大的局限性。因此,随着薇甘菊危害的严重性日益增加和现有监测方法的缺陷,迫切需要开发一种高精度的监测方法快速、准确、有效地获取薇甘菊分布数据。
发明内容
本发明的发明目的是提供一种基于聚类分析的薇甘菊监测方法,克服现有的对于盛花期薇甘菊爆发点监测效率较低的缺点。
为达到上述目的,本发明所采用的技术方案是:
一种基于聚类分析的薇甘菊监测方法,包括如下步骤:
一种基于聚类分析的薇甘菊监测方法,其特征在于,包括如下步骤:
步骤S1,通过无人机所搭载的相机对待监测地区进行等间隔拍摄,得到多张薇甘菊航拍图,将薇甘菊航拍图传输到计算机,所述计算机包括图像预处理模块、图像增强模块、聚类分析模块以及输出模块;
步骤S2,所述薇甘菊航拍图经过图像预处理模块处理后,得到RGB三通道图像;
步骤S3,所述RGB三通道图像经过图像增强模块处理后,得到粗分割图像;
步骤S4,所述粗分割图像经过聚类分析模块处理后,得到细分割图像;
步骤S5,根据无人机飞行高度参数和相机广角参数,所述细分割图像经过输出模块处理后,得到薇甘菊分布图和薇甘菊分布面积。
进一步的,所述步骤S2中,所述图像预处理模块对所述薇甘菊航拍图进行处理的过程为:通过计算机对获取到的所述薇甘菊航拍图进行拼接处理,获得所述待监测地区的三维点云、数字表面模型、数字高程模型和数字正摄影像;通过地面控制点精确校正拼接影像的空间坐标,生成所述RGB三通道图像。
进一步的,所述步骤S3中,述图像增强模块对所述RGB三通道图像进行处理的过程为:将所述RGB三通道图像由RGB颜色空间转换到LAB空间,对所述转换到LAB空间的图像进行二值化处理,得到二值图像,其中所述二值化处理的阈值是由最大类间方差法处理得到的全局图像阈值;在所述二值图像中,提取值为0的像素点坐标,将像素点坐标在所述RGB三通道图像中对应的R通道值设为0、G通道值设为0、B通道值设为0,得到所述粗分割图像,所述粗分割图像包括薇甘菊的颜色与纹理信息、地面的颜色与纹理信息、黑色背景。
进一步的,所述步骤S4中,所述聚类分析模块对所述RGB三通道图像进行处理的过程为:根据所述粗分割图像,结合K均值聚类算法进行,以K为输入参数,把N个对象集合分为K个簇,目标是各簇内的相似度非常高,簇之间的相似度非常低;确定初始聚类数量,选取K个初始聚合中心,根据所述初始聚类中心对像素点的特征向量进行聚类,获取新的聚类中心;根据新的聚类中心对各通道矩阵的特征矩阵中的特征向量进行聚类,不断迭代,当最新的迭代结果的薇甘菊准确率低于上一次的迭代结果时,结束迭代,根据聚类结果确定各像素点所属区域类型并绘制细分割图像。
进一步的,所述步骤S5中,所述输出模块对所述细分割图像进行处理的过程为:在所述细分割图像中,提取薇甘菊区域的像素点坐标,将像素点坐标在所述RGB三通道图像中对应的R通道值设为255、G通道值设为255、B通道值设为0,得到所述薇甘菊分布图,其中标注为黄色的是薇甘菊。
进一步的,所述步骤S5中,获取薇甘菊分布面积的方法为:在所述细分割图像中,计算薇甘菊区域的像素点个数,计算所述细分割图像的像素点总数,利用所述薇甘菊区域的像素点个数除以像素点总数,得到薇甘菊分布面积百分比;根据无人机飞行高度参数和相机广角参数,得到所述RGB三通道图像所代表的图像实际对应面积;利用所述薇甘菊分布面积百分比乘以所述图像实际对应面积,得到所述薇甘菊分布面积。
进一步的,所述无人机飞行高度为距离冠层之上20-30m处,所述相机为全画幅单镜头反光高分辨率数码相机。
进一步的,所述无人机的型号为DJI M600PRO六旋翼飞行器,所述相机型号为Nikon D850全画幅单镜头反光数码相机。
进一步的,所述无人机航向重叠率为80%,旁向重叠率为80%,航高为50m。
由于采用上述技术方案,本发明具有以下有益效果:
1.与现有的卫星遥感技术相比,本方法精度、效率更高,尤其是在小规模薇甘菊监测领域具有较大优势;与现有的高光谱技术和深度学习技术相比,本方法训练所需时间短,效率高,对计算机的运算能力要求更低,成本低;本发明具有高精度、高准确率、抗变化性强、时效性强、低成本的优点,尤其是能提高盛花期薇甘菊爆发点的监测效率。
2.本发明中的图像预处理技术包括图像拼接技术、地面控制点精确校正技术,从而能够更准确获取薇甘菊RGB三通道图像。
3.本发明中的聚类分析算法包括K均值聚类算法,K均值聚类算法调试训练所需时间短,所需样本图像少,便于从粗分割图像中迅速获得细分割图像,训练好后应用于监测工作时无需人工干预,从而大大提高了薇甘菊监测的效率。
4.本发明不仅可以得到薇甘菊分布图,并且可以根据无人机飞行高度参数和相机广角参数智能计算出薇甘菊分布面积,有利于精准判断薇甘菊危害程度。
附图说明
图1是根据本发明一种基于聚类分析的薇甘菊监测方法的流程图;
图2是根据本发明一种基于聚类分析的薇甘菊监测方法的系统示意图;
图3是根据本发明一种基于聚类分析的薇甘菊监测方法的结构示意图。
图中主要元件符号说明如下:
附图中,1-待监测地区,2-相机,3-无人机,4-计算机。
具体实施方式
下面结合附图,对本发明的具体实施方式进行详细描述,但应当理解本发明的保护范围并不受具体实施方式的限制。
除非另有其它明确表示,否则在整个说明书和权利要求书中,术语“包括”或其变换如“包含”或“包括有”等等将被理解为包括所陈述的元件或组成部分,而并未排除其它元件或其它组成部分。
如图1-3所示,一种基于聚类分析的薇甘菊监测方法,包括如下步骤:
步骤S1,通过无人机3所搭载的相机2对待监测地区1进行等间隔拍摄,得到多张薇甘菊航拍图,将薇甘菊航拍图传输到计算机4。计算机4包括图像预处理模块、图像增强模块、聚类分析模块以及输出模块;
步骤S2,薇甘菊航拍图经过计算机4的图像预处理模块处理后,得到RGB三通道图像。具体地,图像预处理模块对薇甘菊航拍图进行处理的过程为:
采用Agisoft Photoscan professional v1.4.0(Agisoft LLC,俄罗斯)软件对获取到的薇甘菊航拍图进行拼接处理,经过排列图片、生成密集点云、生成网络、生成纹理等过程,获得待监测地区1的三维点云、数字表面模型(DSM)、数字高程模型(DEM)和数字正摄影像(DOM)。最后通过地面控制点精确校正拼接影像的空间坐标,生成RGB三通道图像。
步骤S3,RGB三通道图像经过计算机4图像增强模块处理后,得到粗分割图像。具体地,图像增强模块对RGB三通道图像进行处理的过程为:
将RGB三通道图像由RGB颜色空间转换到LAB空间,对转换到LAB空间的图像进行二值化处理,得到二值图像,其中二值化处理的阈值是由最大类间方差法处理得到的全局图像阈值。在二值图像中,提取值为0的像素点坐标,将像素点坐标在RGB三通道图像中对应的R通道值设为0、G通道值设为0、B通道值设为0,得到粗分割图像,粗分割图像包括薇甘菊的颜色与纹理信息、地面的颜色与纹理信息、黑色背景。
步骤S4,粗分割图像经过计算机4聚类分析模块处理后,得到细分割图像。具体地,聚类分析模块对RGB三通道图像进行处理的过程为:
根据所述粗分割图像,结合K均值聚类算法进行。以K为输入参数,把N个对象集合分为K个簇。目标是各簇内的相似度非常高,簇之间的相似度非常低。确定初始聚类数量,选取K个初始聚合中心,根据所述初始聚类中心对像素点的特征向量进行聚类,获取新的聚类中心;根据所述新的聚类中心对所述各通道矩阵的特征矩阵中的特征向量进行聚类。不断迭代,当最新的迭代结果的薇甘菊准确率低于上一次的迭代结果时,结束迭代。根据聚类结果确定各像素点所属区域类型并绘制分割图像,其中所述准确率的判断标准为,在迭代结果的所有像素点中,被判定为薇甘菊所属像素点并且所述RGB三通道图像的对应坐标位置的像素点也所属薇甘菊的百分比。
步骤S5,根据无人机3飞行高度参数和相机2广角参数,细分割图像经过输出模块处理后,得到薇甘菊分布图和薇甘菊分布面积。具体地,输出模块对细分割图像进行处理的过程为:
在细分割图像中,提取薇甘菊区域的像素点坐标,将像素点坐标在RGB三通道图像中对应的R通道值设为255、G通道值设为255、B通道值设为0,得到薇甘菊分布图,其中标注为黄色的是薇甘菊。
获取薇甘菊分布面积的方法为:
在细分割图像中,计算薇甘菊区域的像素点个数,计算细分割图像的像素点总数,利用薇甘菊区域的像素点个数除以像素点总数,得到薇甘菊分布面积百分比,根据无人机3飞行高度参数和相机2广角参数,得到RGB三通道图像所代表的图像实际对应面积,利用薇甘菊分布面积百分比乘以图像实际对应面积,得到薇甘菊分布面积。
本发明的一种实施例中,无人机3是中国深圳市大疆创新科技有限公司生产的DJIM600PRO六旋翼飞行器,相机2是日本Nikon公司生产的Nikon D850全画幅单镜头反光数码相机。无人机3飞行高度是距离冠层之上20-30m,设定无人机3航向重叠率80%,旁向重叠率80%,航高50m。
上述说明是针对本发明较佳实施例的详细说明,但实施例并非用以限定本发明的专利申请范围,凡本发明所提示的技术精神下所完成的同等变化或修饰变更,均应属于本发明所涵盖专利范围。
Claims (9)
1.一种基于聚类分析的薇甘菊监测方法,其特征在于,包括如下步骤:
步骤S1,通过无人机所搭载的相机对待监测地区进行等间隔拍摄,得到多张薇甘菊航拍图,将薇甘菊航拍图传输到计算机,所述计算机包括图像预处理模块、图像增强模块、聚类分析模块以及输出模块;
步骤S2,所述薇甘菊航拍图经过图像预处理模块处理后,得到RGB三通道图像;
步骤S3,所述RGB三通道图像经过图像增强模块处理后,得到粗分割图像;
步骤S4,所述粗分割图像经过聚类分析模块处理后,得到细分割图像;
步骤S5,根据无人机飞行高度参数和相机广角参数,所述细分割图像经过输出模块处理后,得到薇甘菊分布图和薇甘菊分布面积。
2.如权利要求1所述的基于聚类分析的薇甘菊监测方法,其特征在于,所述步骤S2中,所述图像预处理模块对所述薇甘菊航拍图进行处理的过程为:通过计算机对获取到的所述薇甘菊航拍图进行拼接处理,获得所述待监测地区的三维点云、数字表面模型、数字高程模型和数字正摄影像;通过地面控制点精确校正拼接影像的空间坐标,生成所述RGB三通道图像。
3.如权利要求1所述的基于聚类分析的薇甘菊监测方法,其特征在于,所述步骤S3中,述图像增强模块对所述RGB三通道图像进行处理的过程为:将所述RGB三通道图像由RGB颜色空间转换到LAB空间,对所述转换到LAB空间的图像进行二值化处理,得到二值图像,其中所述二值化处理的阈值是由最大类间方差法处理得到的全局图像阈值;在所述二值图像中,提取值为0的像素点坐标,将像素点坐标在所述RGB三通道图像中对应的R通道值设为0、G通道值设为0、B通道值设为0,得到所述粗分割图像,所述粗分割图像包括薇甘菊的颜色与纹理信息、地面的颜色与纹理信息、黑色背景。
4.如权利要求1所述的基于聚类分析的薇甘菊监测方法,其特征在于,所述步骤S4中,所述聚类分析模块对所述RGB三通道图像进行处理的过程为:根据所述粗分割图像,结合K均值聚类算法进行,以K为输入参数,把N个对象集合分为K个簇,目标是各簇内的相似度非常高,簇之间的相似度非常低;确定初始聚类数量,选取K个初始聚合中心,根据所述初始聚类中心对像素点的特征向量进行聚类,获取新的聚类中心;根据新的聚类中心对各通道矩阵的特征矩阵中的特征向量进行聚类,不断迭代,当最新的迭代结果的薇甘菊准确率低于上一次的迭代结果时,结束迭代,根据聚类结果确定各像素点所属区域类型并绘制细分割图像。
5.如权利要求1所述的基于聚类分析的薇甘菊监测方法,其特征在于,所述步骤S5中,所述输出模块对所述细分割图像进行处理的过程为:在所述细分割图像中,提取薇甘菊区域的像素点坐标,将像素点坐标在所述RGB三通道图像中对应的R通道值设为255、G通道值设为255、B通道值设为0,得到所述薇甘菊分布图,其中标注为黄色的是薇甘菊。
6.如权利要求5所述的基于聚类分析的薇甘菊监测方法,其特征在于,所述步骤S5中,获取薇甘菊分布面积的方法为:在所述细分割图像中,计算薇甘菊区域的像素点个数,计算所述细分割图像的像素点总数,利用所述薇甘菊区域的像素点个数除以像素点总数,得到薇甘菊分布面积百分比;根据无人机飞行高度参数和相机广角参数,得到所述RGB三通道图像所代表的图像实际对应面积;利用所述薇甘菊分布面积百分比乘以所述图像实际对应面积,得到所述薇甘菊分布面积。
7.如权利要求1所述的基于聚类分析的薇甘菊监测方法,其特征在于,所述无人机飞行高度为距离冠层之上20-30m处,所述相机为全画幅单镜头反光高分辨率数码相机。
8.如权利要求1所述的基于聚类分析的薇甘菊监测方法,其特征在于,所述无人机的型号为DJI M600PRO六旋翼飞行器,所述相机型号为Nikon D850全画幅单镜头反光数码相机。
9.如权利要求1所述的基于聚类分析的薇甘菊监测方法,其特征在于,所述无人机航向重叠率为80%,旁向重叠率为80%,航高为50m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123100.9A CN111339953B (zh) | 2020-02-27 | 2020-02-27 | 一种基于聚类分析的薇甘菊监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010123100.9A CN111339953B (zh) | 2020-02-27 | 2020-02-27 | 一种基于聚类分析的薇甘菊监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111339953A true CN111339953A (zh) | 2020-06-26 |
CN111339953B CN111339953B (zh) | 2022-11-11 |
Family
ID=71185596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010123100.9A Active CN111339953B (zh) | 2020-02-27 | 2020-02-27 | 一种基于聚类分析的薇甘菊监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339953B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215852A (zh) * | 2020-09-29 | 2021-01-12 | 忻州师范学院 | 基于聚类学习器集成的数字图像分割方法 |
CN117152474A (zh) * | 2023-07-25 | 2023-12-01 | 华能核能技术研究院有限公司 | 一种基于K-means聚类算法的高温气冷堆火焰识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966085A (zh) * | 2015-06-16 | 2015-10-07 | 北京师范大学 | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 |
CN106845366A (zh) * | 2016-12-29 | 2017-06-13 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗覆盖度自动检测方法 |
CN108764199A (zh) * | 2018-06-06 | 2018-11-06 | 中国农业科学院深圳农业基因组研究所 | 入侵植物薇甘菊的自动识别方法及系统 |
CN108875620A (zh) * | 2018-06-06 | 2018-11-23 | 中国农业科学院深圳农业基因组研究所 | 入侵植物的监测方法及系统 |
CN108898070A (zh) * | 2018-06-07 | 2018-11-27 | 湖南中科星图信息技术有限公司 | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 |
CN110288033A (zh) * | 2019-06-28 | 2019-09-27 | 广西民族大学 | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 |
US20190347767A1 (en) * | 2018-05-11 | 2019-11-14 | Boe Technology Group Co., Ltd. | Image processing method and device |
-
2020
- 2020-02-27 CN CN202010123100.9A patent/CN111339953B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966085A (zh) * | 2015-06-16 | 2015-10-07 | 北京师范大学 | 一种基于多显著特征融合的遥感图像感兴趣区域检测方法 |
CN106845366A (zh) * | 2016-12-29 | 2017-06-13 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗覆盖度自动检测方法 |
US20190347767A1 (en) * | 2018-05-11 | 2019-11-14 | Boe Technology Group Co., Ltd. | Image processing method and device |
CN108764199A (zh) * | 2018-06-06 | 2018-11-06 | 中国农业科学院深圳农业基因组研究所 | 入侵植物薇甘菊的自动识别方法及系统 |
CN108875620A (zh) * | 2018-06-06 | 2018-11-23 | 中国农业科学院深圳农业基因组研究所 | 入侵植物的监测方法及系统 |
CN108898070A (zh) * | 2018-06-07 | 2018-11-27 | 湖南中科星图信息技术有限公司 | 一种基于无人机平台的高光谱遥感提取薇甘菊装置及方法 |
CN110288033A (zh) * | 2019-06-28 | 2019-09-27 | 广西民族大学 | 一种基于卷积神经网络的甘蔗蔗节特征识别与定位方法 |
Non-Patent Citations (2)
Title |
---|
孙中宇 等: "基于无人机遥感的盛花期薇甘菊爆发点识别与监测", 《热带地理》 * |
李岩舟 等: "基于无人机遥感的盛花期薇甘菊监测", 《农业机械学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112215852A (zh) * | 2020-09-29 | 2021-01-12 | 忻州师范学院 | 基于聚类学习器集成的数字图像分割方法 |
CN117152474A (zh) * | 2023-07-25 | 2023-12-01 | 华能核能技术研究院有限公司 | 一种基于K-means聚类算法的高温气冷堆火焰识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111339953B (zh) | 2022-11-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7113044B2 (ja) | 航空画像からの自動物体検出のための方法およびシステム | |
Tetila et al. | Automatic recognition of soybean leaf diseases using UAV images and deep convolutional neural networks | |
US20210390329A1 (en) | Image processing method, device, movable platform, unmanned aerial vehicle, and storage medium | |
Xiong et al. | Visual detection of green mangoes by an unmanned aerial vehicle in orchards based on a deep learning method | |
US20220036562A1 (en) | Vision-based working area boundary detection system and method, and machine equipment | |
WO2020103110A1 (zh) | 一种基于点云地图的图像边界获取方法、设备及飞行器 | |
CN110832494A (zh) | 一种语义生成方法、设备、飞行器及存储介质 | |
CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
CN111339953B (zh) | 一种基于聚类分析的薇甘菊监测方法 | |
Keller et al. | Soybean leaf coverage estimation with machine learning and thresholding algorithms for field phenotyping | |
CN110110618B (zh) | 一种基于pca和全局对比度的sar目标检测方法 | |
CN112883850A (zh) | 一种基于卷积神经网络的多视角空天遥感图像匹配方法 | |
Ye et al. | An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency | |
CN107516061B (zh) | 一种影像分类方法和系统 | |
Ma et al. | Crlf: Automatic calibration and refinement based on line feature for lidar and camera in road scenes | |
CN114529583B (zh) | 基于残差回归网络的电力设备跟踪方法及跟踪系统 | |
CN117409339A (zh) | 一种用于空地协同的无人机作物状态视觉识别方法 | |
CN112668421A (zh) | 一种基于注意力机制的无人机高光谱农作物快速分类方法 | |
CN112542800A (zh) | 一种输电线路故障识别的方法及其系统 | |
CN115810151A (zh) | 深度学习林地提取树种识别算法模型 | |
Lin et al. | A multi-target detection framework for multirotor UAV | |
Bupathy et al. | Optimizing low-cost UAV aerial image mosaicing for crop growth monitoring | |
CN111339954B (zh) | 一种基于图像识别的薇甘菊监测方法 | |
TWI785436B (zh) | 自航拍影像偵測物體之系統、偵測航拍影像內物體之方法及其非暫態電腦可讀取媒體 | |
WO2022061496A1 (zh) | 对象边界提取方法、装置、可移动平台及存储介质 |
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 |