CN111414805A - 一种触觉智能的稻-草辨识装置和方法 - Google Patents

一种触觉智能的稻-草辨识装置和方法 Download PDF

Info

Publication number
CN111414805A
CN111414805A CN202010124693.0A CN202010124693A CN111414805A CN 111414805 A CN111414805 A CN 111414805A CN 202010124693 A CN202010124693 A CN 202010124693A CN 111414805 A CN111414805 A CN 111414805A
Authority
CN
China
Prior art keywords
rice
grass
air bag
straw
identification device
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
Application number
CN202010124693.0A
Other languages
English (en)
Other versions
CN111414805B (zh
Inventor
陈学深
毛远洋
马旭
齐龙
袁鸿涛
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202010124693.0A priority Critical patent/CN111414805B/zh
Publication of CN111414805A publication Critical patent/CN111414805A/zh
Application granted granted Critical
Publication of CN111414805B publication Critical patent/CN111414805B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种触觉智能的稻‑草辨识装置，包括触觉感知机构、接口机构、底座、测量机构；触觉感知机构为内部充气的感知气囊，测量机构为气压敏感的压力传感器，接口机构将触觉感知机构和测量机构连接并连通，接口机构与底座相接。本发明还涉及一种触觉智能的稻‑草辨识方法。本发明能获得更细微的稻‑草接触特征，保证了触觉信号特征的可靠性，帮助实现稻‑草的自动分类和辨识，属于农田作物识别领域。

Description

一种触觉智能的稻-草辨识装置和方法
技术领域
本发明涉及农田作物识别领域，具体涉及一种触觉智能的稻-草(即水稻与杂草)辨识装置和方法。
背景技术
稻田杂草危害是导致水稻生长势态萎靡、产量下降的主要原因，采用化学除草剂能高效及时地防治杂草幼苗，避免杂草成熟后影响产量。但农药长期、大量、高频的施用对水土、大气及作物造成了严重污染。为此，大力发展机械除草是保证农业可持续健康发展的关键。然而，在实际作业中，行间除草部件常因稻行弯度变化导致稻苗损伤，严重制约了机械除草技术的应用与推广。化学除草时，除草剂无目标性喷施，造成了经济浪费和环境危害，也易诱发水稻药害。因此，准确的识别稻株及杂草，实施精准机械防除或靶向喷施都是提高水稻杂草防控的有效措施。
目前，基于机器视觉的作物识别技术在精准农业中被广泛应用，主要通过捕获、处理和分析作物的形状、颜色、纹理等信息进行识别，具有实时、快速等优点，成为国内外田间作物信息获取的主要方式。基于机器视觉的作物识别技术，以作物特征的有效表达与准确提取为前提。然而，稻田积水反光，绿藻、浮萍等绿色水生植物，以颜色为特征的识别难以获得理想的分类效果；稻穴(株)间顶部叶冠相互遮掩，禾本科杂草与水稻形态相似，给形状识别带来干扰；水田作业机具振动、摇摆、俯仰等运动，使获取的图像质量难以用于纹理识别。现有成熟的图像识别技术及设备适应范围主要集中在背景差异显著的旱田作物上，且识别对象多为特征明显的叶菜类作物。因此，针对水稻田这种复杂的开放式非结构农田环境，快速、准确地实时获取稻田稻-草信息还需要在原理及技术上寻求创新。
发明内容
针对现有技术中存在的技术问题，本发明的目的是：提供一种基于触觉感知的触觉智能的稻-草辨识装置和方法，实现稻-草的自动分类和辨识。
为了达到上述目的，本发明采用如下技术方案：
一种触觉智能的稻-草辨识装置，包括触觉感知机构、接口机构、底座、测量机构；触觉感知机构为内部充气的感知气囊，测量机构为气压敏感的压力传感器，接口机构将触觉感知机构和测量机构连接并连通，接口机构与底座相接。
作为一种优选，接口机构包括连接件、三通接头、单向气阀；感知气囊、连接件、三通接头、压力传感器从前往后依次相接，仅允许进气的单向气阀安装在三通接头的第三个接口上。
作为一种优选，连接件包括从前往后依次设置的接头部分、板状部分、管状部分，通孔从接头部分的前端贯穿至管状部分的后端；底座包括安装板和位于安装板下端的底板；感知气囊的后段为圆柱形，套接在接头部分外；板状部分与安装板通过螺钉连接；管状部分穿过安装板的通孔与三通接头相接。
作为一种优选，接头部分的前段为方便感知气囊导入的圆台形，接头部分的后段为圆柱形，圆柱形的侧壁设有多条环形的密封槽，密封槽内设有橡胶圈。
作为一种优选，连接件中，接头部分的通孔从前往后孔径逐渐缩小。
作为一种优选，感知气囊的前段为半球形，后段为圆柱形，感知气囊的材料为橡胶。
一种触觉智能的稻-草辨识方法，采用一种触觉智能的稻-草辨识装置，实现稻-草的分类辨识，包括如下步骤：s1，触觉信号采集；s2，触觉信号处理；s3，触觉信号特征提取；s4，触觉信号特征选择；s5，利用BP神经网络分类器辨识稻-草。
作为一种优选，步骤s3中，触觉信号特征提取包括：有量纲特征提取、无量纲特征提取和分形维数特征提取；有量纲特征选取均值、方差、标准差、均方根和峰峰值；无量纲特征选取峭度、偏度、波形因子、脉冲因子、峰值因子和裕度因子；分形维数特征选取盒维数和Hurst指数。
作为一种优选，步骤s4中，采用遗传算法进行特征筛选，以提高BP神经网络的分类精度及分类速度，步骤包括：(1)基因编码；(2)初始化种群；(3)计算当前种群中每条染色体的适应度；(4)基于适应度的染色体选择操作；(5)交叉操作；(6)变异操作；(7)重复迭代；遗传算法的参数包括交叉概率、变异概率和迭代次数，优选分别设置为0.8、0.01和500。
作为一种优选，步骤s5中，包括：将步骤s4中选出的特征组成特征向量作为BP神经网络的输入数据进行训练与检测；最后采用训练完的BP神经网络分类器进行稻-草辨识。
本发明的原理是：
稻-草辨识有三个关键环节，数据获取、特征提取及训练分类。数据获取采用触觉方式，感知部件为柔性的橡胶气囊(内部有一定量的空气及测量内部气压变化的气体压力传感器)。因稻-草表面结构、茎秆抗弯强度等不同，使气囊与稻-草在触滑时，囊内部气体压力呈现细微的特征差异，此差异被气体压力传感器获取作为稻-草辨识数据。
特征提取采用三类特征：有量纲特征、无量纲特征、分形维数。为了提高分类精度及速度，采用遗传算法筛选了一组最优特征，作为稻-草辨识的特征向量。
构建一个基于BP神经网络的稻-草分类器，所选择的特征作为BP神经网络输入向量，经训练和检验后的基于BP神经网络的稻-草分类器可实现稻-草的分类辨识。
本发明具有如下优点：
1.触觉感知机构与稻-草为柔性接触，接触面积更大，能获得更细微的稻-草接触特征，保证了触觉信号特征的可靠性。
2.接口机构采用3道密封槽设计，以保证感知气囊密封可靠。
3.接口机构对应接头部分的通孔呈圆锥形，横截面积逐渐缩小，以保证测量机构灵敏地获得感知气囊的气压变化。
4.采用遗传算法进行特征筛选，以提高BP神经网络的分类精度及分类速度。
5.采用触觉智能分类识别稻-草方法，具有推广实用意义。
6.采用三通接头，可方便的实现感知气囊的充气，以及测量机构与触觉感知机构之间的导通。
附图说明
图1是触觉智能的稻-草辨识装置的立体图。
图2是连接件的立体图。
图3是连接件的剖视图。
图4是底座的立体图。
图5是本发明作业流程图。
图6是BP神经网络结构简化图。
其中，1为测量机构，2为三通接头，3为单向气阀，4为底座，5为连接件，6为感知气囊，7为密封槽，8为螺丝孔。
具体实施方式
下面将结合具体实施方式来对本发明做进一步详细的说明。
一种触觉智能的稻-草辨识装置，包括触觉感知机构、接口机构、底座、测量机构。
触觉感知机构为感知气囊，通过橡胶圈与密封槽配合，使感知气囊密封于接口机构上，囊内充有一定量空气。感知气囊的前段为半球形，后段为圆柱形，感知气囊的材料为橡胶。
接口机构包括连接件、三通接头、单向气阀。感知气囊、连接件、三通接头、压力传感器从前往后依次相接，仅允许进气的单向气阀安装在三通接头的第三个接口(朝上的接口)上。连接件包括从前往后依次设置的接头部分、板状部分、管状部分，通孔从接头部分的前端贯穿至管状部分的后端；感知气囊的后段为圆柱形，套接在接头部分外；板状部分与安装板通过螺钉连接；管状部分穿过安装板的通孔与三通接头相接。接头部分的前段为方便感知气囊导入的圆台形，接头部分的后段为圆柱形，圆柱形的侧壁设有多条环形的密封槽，密封槽内设有橡胶圈。接头部分的通孔从前往后孔径逐渐缩小。
底座包括安装板和位于安装板下端的底板。
测量机构为气压敏感的压力传感器。感知气囊与稻-草接触作用时，测量机构获得感知气囊受荷形变产生的压差变化。
操作如下：
工作前，水稻田灌入3-5cm的积水层，并将稻-草辨识装置与漂浮媒介(浮子或浮板等)相连，使稻-草辨识装置在稻田水面漂浮状态工作，保证了感知气囊与稻-草接触作用位置的相对稳定。
工作时，稻-草辨识装置置于水稻苗带之间，随水田拖拉机行进，当柔性的感知气囊与稻株或杂草接触时，在接触点位置感知气囊形成了局部形变，并在相互接触滑动过程中，会产生一系列的微振动，导致内部气压发生规律性变化，通过测量机构获取压力变化数据，根据测量机构获得的稻株与杂草的触觉信号，并基于多特征融合和BP神经网络稻-草辨识方法分类辨识水稻与杂草。
感知气囊与稻-草接触，压力传感器获得受荷形变产生的压差变化，采集卡采集到压力传感器的输出电压信号，并将其存储为lvm格式，经计算机软件处理得到触觉信号的excel文件并导入Matlab软件，进行触觉信号特征提取。
使用Matlab软件编写程序提取触觉信号特征，触觉信号特征提取包括：有量纲特征提取、无量纲特征提取和分形维数特征提取。有量纲特征选取均值、方差、标准差、均方根和峰峰值；无量纲特征选取峭度、偏度、波形因子、脉冲因子、峰值因子和裕度因子；分形维数特征选取盒维数和Hurst指数。
接着采用遗传算法进行特征筛选。首先，基于距离的可分性判据作为特征选择准则，以此定义适应度函数。然后，在Python环境下编写遗传算法，其基本原理是根据适应度函数对每个特征进行评估，得出一个适应度值，基于此适应度值，经过选择、交叉、变异得出下一代特征，再重读迭代以上操作，使特征逐步朝着最优方向筛选。遗传算法的参数包括交叉概率、变异概率和迭代次数，分别设置为0.8、0.01和500。将提取的触觉信号特征导入遗传算法程序，最终确定稻株与杂草的辨识特征为：盒维数、Hurst指数、方差、峭度、均方根。
利用Matlab软件构建一个基于BP神经网络的稻-草分类器。图6为BP神经网络结构简化图，上述筛选出的5种特征组成特征向量作为输入层，W1、W2是连接权值，B1、B2是阈值，F1是中间层输出，F2是神经网络输出，两个输出分别对应水稻和杂草。将80％特征样本作为训练集输入BP神经网络进行训练，20％特征样本作为测试集测试BP神经网络的性能。BP神经网络参数设置如下：目标误差设置为0.01、学习率设置为0.01、最大迭代次数设置为250。通过上述辨识方法，可实现稻-草辨识装置分类辨识水稻与杂草的功能。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种触觉智能的稻-草辨识装置，其特征在于：包括触觉感知机构、接口机构、底座、测量机构；触觉感知机构为内部充气的感知气囊，测量机构为气压敏感的压力传感器，接口机构将触觉感知机构和测量机构连接并连通，接口机构与底座相接。
2.按照权利要求1所述的一种触觉智能的稻-草辨识装置，其特征在于：接口机构包括连接件、三通接头、单向气阀；感知气囊、连接件、三通接头、压力传感器从前往后依次相接，仅允许进气的单向气阀安装在三通接头的第三个接口上。
3.按照权利要求2所述的一种触觉智能的稻-草辨识装置，其特征在于：连接件包括从前往后依次设置的接头部分、板状部分、管状部分，通孔从接头部分的前端贯穿至管状部分的后端；底座包括安装板和位于安装板下端的底板；感知气囊的后段为圆柱形，套接在接头部分外；板状部分与安装板通过螺钉连接；管状部分穿过安装板的通孔与三通接头相接。
4.按照权利要求3所述的一种触觉智能的稻-草辨识装置，其特征在于：接头部分的前段为方便感知气囊导入的圆台形，接头部分的后段为圆柱形，圆柱形的侧壁设有多条环形的密封槽，密封槽内设有橡胶圈。
5.按照权利要求3所述的一种触觉智能的稻-草辨识装置，其特征在于：连接件中，接头部分的通孔从前往后孔径逐渐缩小。
6.按照权利要求1所述的一种触觉智能的稻-草辨识装置，其特征在于：感知气囊的前段为半球形，后段为圆柱形，感知气囊的材料为橡胶。
7.一种触觉智能的稻-草辨识方法，其特征在于：采用权利要求1至6中任一项所述的一种触觉智能的稻-草辨识装置实现稻-草的分类辨识，包括如下步骤：s1，触觉信号采集；s2，触觉信号处理；s3，触觉信号特征提取；s4，触觉信号特征选择；s5，利用BP神经网络分类器辨识稻-草。
8.按照权利要求7所述的一种触觉智能的稻-草辨识方法，其特征在于：步骤s3中，触觉信号特征提取包括：有量纲特征提取、无量纲特征提取和分形维数特征提取；有量纲特征选取均值、方差、标准差、均方根和峰峰值；无量纲特征选取峭度、偏度、波形因子、脉冲因子、峰值因子和裕度因子；分形维数特征选取盒维数和Hurst指数。
9.按照权利要求7所述的一种触觉智能的稻-草辨识方法，其特征在于：步骤s4中，采用遗传算法进行特征筛选，以提高BP神经网络的分类精度及分类速度，步骤包括：(1)基因编码；(2)初始化种群；(3)计算当前种群中每条染色体的适应度；(4)基于适应度的染色体选择操作；(5)交叉操作；(6)变异操作；(7)重复迭代；遗传算法的参数包括交叉概率、变异概率和迭代次数。
10.按照权利要求7所述的一种触觉智能的稻-草辨识方法，其特征在于：步骤s5中，包括：将步骤s4中选出的特征组成特征向量作为BP神经网络的输入数据进行训练与检测；最后采用训练完的BP神经网络分类器进行稻-草辨识。
CN202010124693.0A 2020-02-27 2020-02-27 一种触觉智能的稻-草辨识装置和方法 Active CN111414805B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010124693.0A CN111414805B (zh) 2020-02-27 2020-02-27 一种触觉智能的稻-草辨识装置和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010124693.0A CN111414805B (zh) 2020-02-27 2020-02-27 一种触觉智能的稻-草辨识装置和方法

Publications (2)

Publication Number Publication Date
CN111414805A true CN111414805A (zh) 2020-07-14
CN111414805B CN111414805B (zh) 2023-10-24

Family

ID=71491011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010124693.0A Active CN111414805B (zh) 2020-02-27 2020-02-27 一种触觉智能的稻-草辨识装置和方法

Country Status (1)

Country Link
CN (1) CN111414805B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115119546A (zh) * 2022-07-19 2022-09-30 华南农业大学 一种基于视-触觉融合感知的稻田自适应柔性机械除草机
CN115500341A (zh) * 2022-09-30 2022-12-23 华南农业大学 一种基于光-触觉感知的稻田株间精准施药除草机

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5136687A (en) * 1989-10-10 1992-08-04 Edelman Gerald M Categorization automata employing neuronal group selection with reentry
CN101206522A (zh) * 2006-12-21 2008-06-25 财团法人工业技术研究院 具有表面显示信息与互动功能的可动装置
CN101706343A (zh) * 2009-11-23 2010-05-12 常州达奇信息科技有限公司 新型触觉传感器
CN102184392A (zh) * 2011-05-25 2011-09-14 中国水稻研究所 基于dsp的水稻杂草识别系统及其识别方法
WO2011120094A1 (en) * 2010-03-31 2011-10-06 Commonwealth Scientific And Industrial Research Organisation A method and apparatus for simulating a haptic response
US20120056846A1 (en) * 2010-03-01 2012-03-08 Lester F. Ludwig Touch-based user interfaces employing artificial neural networks for hdtp parameter and symbol derivation
CN103164018A (zh) * 2011-12-12 2013-06-19 西安天动数字科技有限公司 石头开花互动系统
CN103870738A (zh) * 2014-04-10 2014-06-18 宫雅卓 基于虹膜识别的可穿戴式身份认证装置
CN203953636U (zh) * 2014-03-28 2014-11-26 深圳市大富网络技术有限公司 一种血压检测装置、智能腕带、智能手表和通信系统
CN106974665A (zh) * 2017-03-30 2017-07-25 南京信息工程大学 一种咬合力检测装置及其咬合力检测方法
CN108982420A (zh) * 2018-07-12 2018-12-11 华南农业大学 一种光-触觉感知的水稻作物行中线定位装置和方法
WO2019083336A1 (ko) * 2017-10-27 2019-05-02 전북대학교산학협력단 신경회로망 학습에 의한 작물과 잡초 식별 방법 및 장치
CN109934256A (zh) * 2019-01-28 2019-06-25 华南农业大学 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5136687A (en) * 1989-10-10 1992-08-04 Edelman Gerald M Categorization automata employing neuronal group selection with reentry
CN101206522A (zh) * 2006-12-21 2008-06-25 财团法人工业技术研究院 具有表面显示信息与互动功能的可动装置
CN101706343A (zh) * 2009-11-23 2010-05-12 常州达奇信息科技有限公司 新型触觉传感器
US20120056846A1 (en) * 2010-03-01 2012-03-08 Lester F. Ludwig Touch-based user interfaces employing artificial neural networks for hdtp parameter and symbol derivation
WO2011120094A1 (en) * 2010-03-31 2011-10-06 Commonwealth Scientific And Industrial Research Organisation A method and apparatus for simulating a haptic response
CN102184392A (zh) * 2011-05-25 2011-09-14 中国水稻研究所 基于dsp的水稻杂草识别系统及其识别方法
CN103164018A (zh) * 2011-12-12 2013-06-19 西安天动数字科技有限公司 石头开花互动系统
CN203953636U (zh) * 2014-03-28 2014-11-26 深圳市大富网络技术有限公司 一种血压检测装置、智能腕带、智能手表和通信系统
CN103870738A (zh) * 2014-04-10 2014-06-18 宫雅卓 基于虹膜识别的可穿戴式身份认证装置
CN106974665A (zh) * 2017-03-30 2017-07-25 南京信息工程大学 一种咬合力检测装置及其咬合力检测方法
WO2019083336A1 (ko) * 2017-10-27 2019-05-02 전북대학교산학협력단 신경회로망 학습에 의한 작물과 잡초 식별 방법 및 장치
CN108982420A (zh) * 2018-07-12 2018-12-11 华南农业大学 一种光-触觉感知的水稻作物行中线定位装置和方法
CN109934256A (zh) * 2019-01-28 2019-06-25 华南农业大学 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈学深;黄柱健;马旭;齐龙;方贵进;: "基于触觉感知的水稻行弯度测量装置设计与试验", 农业机械学报, no. 02 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115119546A (zh) * 2022-07-19 2022-09-30 华南农业大学 一种基于视-触觉融合感知的稻田自适应柔性机械除草机
CN115119546B (zh) * 2022-07-19 2024-03-12 华南农业大学 一种基于视-触觉融合感知的稻田自适应柔性机械除草机
CN115500341A (zh) * 2022-09-30 2022-12-23 华南农业大学 一种基于光-触觉感知的稻田株间精准施药除草机
CN115500341B (zh) * 2022-09-30 2023-11-28 华南农业大学 一种基于光-触觉感知的稻田株间精准施药除草机

Also Published As

Publication number Publication date
CN111414805B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
Cao et al. RRT-based path planning for an intelligent litchi-picking manipulator
CN111414805A (zh) 一种触觉智能的稻-草辨识装置和方法
CN102524024B (zh) 基于计算机视觉的作物灌溉系统
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
Tao et al. A hybrid CNN–SVM classifier for weed recognition in winter rape field
CN109241313A (zh) 一种基于高阶深度哈希学习的图像检索方法
Persson et al. Classification of crops and weeds extracted by active shape models
CN107818302A (zh) 基于卷积神经网络的非刚性多尺度物体检测方法
CN108830144A (zh) 一种基于改进Faster-R-CNN的哺乳母猪姿态识别方法
Zhao et al. Multiple disease detection method for greenhouse-cultivated strawberry based on multiscale feature fusion Faster R_CNN
CN113920474B (zh) 一种智能监管柑橘种植态势的物联网系统及方法
CN109919239A (zh) 一种基于深度学习的农作物病虫害智能检测方法
Njoroge et al. A research review of precision farming techniques and technology
CN108873715A (zh) 基于手势识别的智能家居控制系统
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
KR102369945B1 (ko) 압력을 이용한 운동 자세 구분 방법 및 장치
CN114332849B (zh) 一种农作物生长状态联合监测方法、装置及存储介质
Dang et al. DeepCottonWeeds (DCW): a novel benchmark of YOLO object detectors for weed detection in cotton production systems
CN105869354A (zh) 一种基于吸引子传播算法的老人跌倒检测方法
CN113312999B (zh) 一种自然果园场景下的柑橘木虱高精度检测方法及装置
CN112036470A (zh) 一种基于云传输的多传感器融合的黄瓜烟粉虱识别方法
CN112364710A (zh) 一种基于深度学习算法的植物电信号分类识别方法
CN106618499A (zh) 跌倒检测设备、跌倒检测方法及装置
Li A visual recognition and path planning method for intelligent fruit-picking robots
CN109472320A (zh) 不确定条件下作物生育期模型品种参数自动校正框架

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