CN111639575A - 除草耕深调节方法、装置、系统、计算机设备及存储介质 - Google Patents

除草耕深调节方法、装置、系统、计算机设备及存储介质 Download PDF

Info

Publication number
CN111639575A
CN111639575A CN202010449756.XA CN202010449756A CN111639575A CN 111639575 A CN111639575 A CN 111639575A CN 202010449756 A CN202010449756 A CN 202010449756A CN 111639575 A CN111639575 A CN 111639575A
Authority
CN
China
Prior art keywords
weeding
rice seedling
tilling depth
weeds
weed
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
Application number
CN202010449756.XA
Other languages
English (en)
Inventor
邓向武
梁松
李新超
孙国玺
张清华
梁根
袁鹏慧
张辉
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN202010449756.XA priority Critical patent/CN111639575A/zh
Publication of CN111639575A publication Critical patent/CN111639575A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B39/00—Other machines specially adapted for working soil on which crops are growing
    • A01B39/12—Other machines specially adapted for working soil on which crops are growing for special purposes, e.g. for special culture
    • A01B39/18—Other machines specially adapted for working soil on which crops are growing for special purposes, e.g. for special culture for weeding
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B39/00—Other machines specially adapted for working soil on which crops are growing
    • A01B39/20—Tools; Details
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Environmental Sciences (AREA)
  • Soil Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Soil Working Implements (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种除草耕深调节方法、装置、系统、计算机设备及存储介质，该方法包括：按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像；在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行；根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息；根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深。本发明可以实现对水稻秧苗行间杂草密度和位置的实时识别，进而实现相应的除草耕深调节，提高了中耕除草机的除杂率，为智能秧苗行间中耕除草机的研发设计奠定了基础。

Description

除草耕深调节方法、装置、系统、计算机设备及存储介质
技术领域
本发明涉及一种除草耕深调节方法、装置、系统、计算机设备及存储介质，属于农业机械装备自动化控制技术领域。
背景技术
稻田杂草是导致水稻产量下降的主要因素之一，据统计每年由草害引起的水稻产量损失率约在15％以上。利用化学药剂除草是目前最常用的一种除草方式，然而除草剂的大量使用也带来了很多负面问题，如杂草的抗药性、土壤和水源的污染以及稻米品质的降低等。机械除草是一种无污染的除草方式，同时，具有增加氧气、提高地温、利于秧苗生长等优点。所以实现秧苗行间中耕除草的机械化、自动化和智能化的课题值得探究。
目前由于中耕除草机除草效率随除草深度增加而增加，而杂草分布的随机性和簇状生长的特点，需要对秧苗行间杂草密度进行识别分级，控制耕深调节机构根据杂草密度调节除草耕深，以提高除草效率，为水稻田间智能化机械除草装置的设计开发奠定了基础。但目前秧苗行间机械除草机构都是根据人为判断杂草密度进行除草耕深的选择，没有实现田间杂草密度和位置自动识别并将杂草密度和位置信息反馈到耕深调节机构以实现自动调节的目的。
随着计算机技术的不断发展，特别是图像处理和人工智能等技术的逐渐成熟，通过机器视觉开发自动识别田间杂草密度和智能化的机械除草装备成为当前的研究热点，实时杂草识别技术又是实现智能化机械除草的关键技术。
发明内容
有鉴于此，本发明提供了一种除草耕深调节方法、装置、系统、计算机设备及存储介质，其可以实现对水稻秧苗行间杂草密度和位置的实时识别，进而实现相应的除草耕深调节，提高了中耕除草机的除杂率，为智能秧苗行间中耕除草机的研发设计奠定了基础。
本发明的第一个目的在于提供一种除草耕深调节方法。
本发明的第二个目的在于提供一种除草耕深调节装置。
本发明的第二个目的在于提供一种除草耕深调节系统。
本发明的第四个目的在于提供一种计算机设备。
本发明的第五个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到：
一种除草耕深调节方法，所述方法包括：
按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像；
在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行；
根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息；
根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深。
进一步的，所述根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，具体为：
根据水稻秧苗作物行内杂草像素值，将杂草密度等级划分为低、中、高三级。
进一步的，所述根据水稻秧苗作物行内杂草像素值，将杂草密度等级划分为低、中、高三级，具体包括：
若水稻秧苗作物行内杂草像素值小于或等于第一预设阈值，则将杂草密度等级划分为低级；
若水稻秧苗作物行内杂草像素值大于第一预设阈值，且小于或等于第二预设阈值，则将杂草密度等级划分为中级；
若水稻秧苗作物行内杂草像素值大于第二预设阈值，则将杂草密度等级划分为高级。
进一步的，所述水稻秧苗作物行内杂草像素值的计算，如下式：
Figure BDA0002507256370000021
其中，Ll为水稻秧苗作物行的高度，L2为水稻秧苗作物行的宽度，f为语义分割出的杂草像素。
进一步的，所述根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深，具体为：
根据杂草密度等级和位置信息，若杂草密度等级为低级，控制中耕除草机的耕深调节机构调节除草部件的除草耕深为一档除草耕深；若杂草密度等级为中级，控制中耕除草机的耕深调节机构调节除草部件的除草耕深为二档除草耕深；若杂草密度等级为高级，控制中耕除草机的耕深调节机构调节除草部件的除草耕深为三档除草耕深。
进一步的，所述在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割利用深度全卷积神经网络语义分割技术实现；
所述在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行，具体包括：
将水稻秧苗作物行图像作为输入图像输入语义分割网络，通过语义分割网络的卷积层提取图像特征；
通过语义分割网络的反卷积层对最后一个卷积层的特征图进行上采样，逐层恢复得到与输入图像相同尺寸的输出图像，同时保留输入图像中的空间信息；
在上采样的特征图上进行逐像素分类，完成水稻秧苗像素和行间杂草像素的分类，提取水稻秧苗像素并划定出水稻秧苗作物行。
本发明的第二个目的可以通过采取如下技术方案达到：
一种除草耕深调节装置，所述装置包括：
获取模块，用于按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像；
划定模块，用于在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行；
划分与记录模块，用于根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息；
调节模块，用于根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深。
本发明的第三个目的可以通过采取如下技术方案达到：
一种除草耕深调节系统，所述系统包括工业摄像头、速度传感器和计算机，所述工业摄像头和速度传感器设置在中耕除草机的前部，并分别与计算机相连；
所述计算机，用于执行上述的除草耕深调节方法。
本发明的第四个目的可以通过采取如下技术方案达到：
一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述的除草耕深调节方法。
本发明的第五个目的可以通过采取如下技术方案达到：
一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的除草耕深调节方法。
本发明相对于现有技术具有如下的有益效果：
1、本发明可以按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像，在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行，根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息，进而控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深，提高了中耕除草机的除杂率，为智能秧苗行间中耕除草机的研发设计奠定了基础。
2、本发明设置了工业摄像头、速度传感器和计算机，工业摄像头和速度传感器设置在中耕除草机的前部，并分别与计算机相连，通过工业摄像头、速度传感器和计算机实现机器视觉检测技术，可以实时、准确地识别出杂草密度和位置信息，从而控制中耕除草机的耕深调节机构对应杂草密度调节除草部件的除草耕深，这样既可以提高除草效率，又可以减少人工操作强度。
3、本发明还可以设置环形光源，该环形光源含增强亮度作用，其设置在中耕除草机的前部，并与计算机相连，使中耕除草机在室外作业时阴天或亮度不足的情况时工业摄像头仍可以正常拍摄。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的除草耕深调节系统的工作原理图。
图2为本发明实施例1的除草耕深调节方法的流程图。
图3为本发明实施例1的划定出水稻秧苗作物行的流程图。
图4为本发明实施例1的划定出水稻秧苗作物行的效果图。
图5为本发明实施例1的划分杂草密度等级的流程图。
图6为本发明实施例2的除草耕深调节装置的结构框图。
图7为本发明实施例2的划定模块的结构框图。
图8为本发明实施例3的计算机设备的结构框图。
其中，1-工业摄像头，2-计算机，3-控制器，4-耕深调节机构，5-除草部件，6-水稻秧苗，7-水稻秧苗作物行，8-杂草。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
如图1所示，本实施例提供了一种除草耕深调节系统，该系统应用于中耕除草机，其包括工业摄像头1、速度传感器(图中未示出)和计算机2，工业摄像头1、速度传感器和计算机2实现了机器视觉检测技术，工业摄像头1和速度传感器设置在中耕除草机的前部，并分别与计算机2相连，工作摄像头1用于拍摄水稻秧苗作物行图像，速度传感器用于检测中耕除草机是否行走以及中耕除草机的行驶速度，计算机2用于对水稻秧苗作物行图像进行处理，得到杂草密度和位置信息；为了使中耕除草机在室外作业时阴天或亮度不足的情况时工业摄像头1仍可以正常拍摄，该系统还可包括环形光源(图中未示出)，该环形光源含增强亮度作用，其设置在中耕除草机的前部，并与计算机2相连；中耕除草机包括控制器3、耕深调节机构4和除草部件5，控制器3、耕深调节机构4和除草部件5依次相连，计算机2与控制器3相连，计算机2可以将杂草密度和位置信息反馈给控制器3，通过控制器3控制耕深调节机构4对应杂草密度调节除草部件5的除草耕深。
如图1和图2所示，本实施例还提供了一种除草耕深调节方法，该方法主要通过上述的计算机实现，包括以下步骤：
S201、按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像。
具体地，当中耕除草机作业时，速度传感器将中耕除草机的行走信号传输给计算机，从而激发计算机控制工业摄像头拍摄水稻秧苗作物行图像(包含秧苗和杂草的彩色图像)，并根据速度传感器反馈的中耕除草机的行驶速度计算出时间间隔；然后计算机按照这个时间间隔，获取水稻秧苗作物行图像，即每次获取的水稻秧苗作物行图像为一帧图像。
S202、在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行。
其中，水稻秧苗如图1中的6所示，水稻秧苗作物行如图1中的7所示，杂草如图1中的8所示，在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割利用深度全卷积神经网络语义分割技术实现，因此该步骤S202如图3所示，具体包括：
S2021、将水稻秧苗作物行图像作为输入图像输入语义分割网络，通过语义分割网络的卷积层提取图像特征。
S2022、通过语义分割网络的反卷积层对最后一个卷积层的特征图进行上采样，逐层恢复得到与输入图像相同尺寸的输出图像，同时保留输入图像中的空间信息。
S2023、在上采样的特征图上进行逐像素分类，完成水稻秧苗像素和行间杂草像素的分类，提取水稻秧苗像素并划定出水稻秧苗作物行，如图4所示。
S203、根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息。
水稻秧苗作物行内杂草像素值的计算，如下式：
Figure BDA0002507256370000061
其中，Ll为水稻秧苗作物行的高度，L2为水稻秧苗作物行的宽度，f为语义分割出的杂草像素。
根据水稻秧苗作物行内杂草像素值，将杂草密度等级划分为低、中、高三级，如图5所示，具体包括：
1)若水稻秧苗作物行内杂草像素值T小于或等于第一预设阈值thresholdl，即T≤threshold1，则将杂草密度等级划分为低级(I级)。
2)若水稻秧苗作物行内杂草像素值T大于第一预设阈值thresholdl，且小于或等于第二预设阈值threshold2，即threshold1＜T≤threshold2，则将杂草密度等级划分为中级(II级)。
3)若水稻秧苗作物行内杂草像素值T大于第二预设阈值threshold2，即T＞threshold2，则将杂草密度等级划分为高级(III级)。
上述第一预设阈值thresholdl和第二预设阈值threshold2可以根据田间杂草危害实际情况设置。
S204、根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深。
具体地，根据杂草密度等级和位置信息，若杂草密度等级为低级，控制中耕除草机的耕深调节机构调节除草部件的除草耕深为一档除草耕深(浅的除草耕深)；若杂草密度等级为中级，控制中耕除草机的耕深调节机构调节除草部件的除草耕深为二档除草耕深(中的除草耕深)；若杂草密度等级为高级，控制中耕除草机的耕深调节机构调节除草部件的除草耕深为三档除草耕深(深的除草耕深)；其中，一档、二档和三档除草耕深可以根据田间实际情况设置。
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
实施例2：
如图6所示，本实施例提供了一种除草耕深调节装置，该装置包括获取模块601、划定模块602、划分与记录模块603以及调节模块604，各个模块的具体功能如下：
所述获取模块601，用于按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像。
所述划定模块602，用于在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行。
所述划分与记录模块603，用于根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息；
所述调节模块604，用于根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深。
进一步地，所述划定模块602如图7所示，具体包括：
提取单元6021，用于将水稻秧苗作物行图像作为输入图像输入语义分割网络，通过语义分割网络的卷积层提取图像特征。
恢复单元6022，用于通过语义分割网络的反卷积层对最后一个卷积层的特征图进行上采样，逐层恢复得到与输入图像相同尺寸的输出图像，同时保留输入图像中的空间信息。
划定单元6023，用于在上采样的特征图上进行逐像素分类，完成水稻秧苗像素和行间杂草像素的分类，提取水稻秧苗像素并划定出水稻秧苗作物行。
本实施例中各个模块的具体实现可以参见上述实施例1，在此不再一一赘述；需要说明的是，本实施例提供的装置仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
实施例3：
本实施例提供了一种计算机设备，该计算机设备可以为计算机，如图8所示，其通过系统总线801连接的处理器802、存储器、输入装置803、显示器804和网络接口805，该处理器用于提供计算和控制能力，该存储器包括非易失性存储介质806和内存储器807，该非易失性存储介质806存储有操作系统、计算机程序和数据库，该内存储器807为非易失性存储介质中的操作系统和计算机程序的运行提供环境，处理器802执行存储器存储的计算机程序时，实现上述实施例1的除草耕深调节方法，如下：
按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像；
在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行；
根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息；
根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深。
实施例4：
本实施例提供了一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的考勤方法，如下：
按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像；
在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行；
根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息；
根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深。
本实施例中所述的存储介质可以是磁盘、光盘、计算机存储器、随机存取存储器(RAM，Random Access Memory)、U盘、移动硬盘等介质。
综上所述，本发明可以按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像，在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行，根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息，进而控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深，提高了中耕除草机的除杂率，为智能秧苗行间中耕除草机的研发设计奠定了基础。
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。

Claims (10)

1.一种除草耕深调节方法，其特征在于，所述方法包括：
按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像；
在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行；
根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息；
根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深。
2.根据权利要求1所述的除草耕深调节方法，其特征在于，所述根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，具体为：
根据水稻秧苗作物行内杂草像素值，将杂草密度等级划分为低、中、高三级。
3.根据权利要求2所述的除草耕深调节方法，其特征在于，所述根据水稻秧苗作物行内杂草像素值，将杂草密度等级划分为低、中、高三级，具体包括：
若水稻秧苗作物行内杂草像素值小于或等于第一预设阈值，则将杂草密度等级划分为低级；
若水稻秧苗作物行内杂草像素值大于第一预设阈值，且小于或等于第二预设阈值，则将杂草密度等级划分为中级；
若水稻秧苗作物行内杂草像素值大于第二预设阈值，则将杂草密度等级划分为高级。
4.根据权利要求1-3任一项所述的除草耕深调节方法，其特征在于，所述水稻秧苗作物行内杂草像素值的计算，如下式：
Figure FDA0002507256360000011
其中，Ll为水稻秧苗作物行的高度，L2为水稻秧苗作物行的宽度，f为语义分割出的杂草像素。
5.根据权利要求2所述的除草耕深调节方法，其特征在于，所述根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深，具体为：
根据杂草密度等级和位置信息，若杂草密度等级为低级，控制中耕除草机的耕深调节机构调节除草部件的除草耕深为一档除草耕深；若杂草密度等级为中级，控制中耕除草机的耕深调节机构调节除草部件的除草耕深为二档除草耕深；若杂草密度等级为高级，控制中耕除草机的耕深调节机构调节除草部件的除草耕深为三档除草耕深。
6.根据权利要求1-3、5任一项所述的除草耕深调节方法，其特征在于，所述在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割利用深度全卷积神经网络语义分割技术实现；
所述在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行，具体包括：
将水稻秧苗作物行图像作为输入图像输入语义分割网络，通过语义分割网络的卷积层提取图像特征；
通过语义分割网络的反卷积层对最后一个卷积层的特征图进行上采样，逐层恢复得到与输入图像相同尺寸的输出图像，同时保留输入图像中的空间信息；
在上采样的特征图上进行逐像素分类，完成水稻秧苗像素和行间杂草像素的分类，提取水稻秧苗像素并划定出水稻秧苗作物行。
7.一种除草耕深调节装置，其特征在于，所述装置包括：
获取模块，用于按照中耕除草机的行驶速度计算出的时间间隔，获取水稻秧苗作物行图像；
划定模块，用于在水稻秧苗作物行图像上完成水稻秧苗像素和行间杂草像素的语义分割，并根据水稻秧苗像素划定出水稻秧苗作物行；
划分与记录模块，用于根据水稻秧苗作物行内杂草像素值，对杂草密度进行等级划分，并记录杂草在水稻秧苗作物行图像上的位置信息；
调节模块，用于根据杂草密度等级和位置信息，控制中耕除草机的耕深调节机构对应杂草密度等级调节除草部件的除草耕深。
8.一种除草耕深调节系统，其特征在于，所述系统包括工业摄像头、速度传感器和计算机，所述工业摄像头和速度传感器设置在中耕除草机的前部，并分别与计算机相连；
所述计算机，用于执行权利要求1-6任一项所述的除草耕深调节方法。
9.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，其特征在于，所述处理器执行存储器存储的程序时，实现权利要求1-6任一项所述的除草耕深调节方法。
10.一种存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-6任一项所述的除草耕深调节方法。
CN202010449756.XA 2020-05-25 2020-05-25 除草耕深调节方法、装置、系统、计算机设备及存储介质 Pending CN111639575A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010449756.XA CN111639575A (zh) 2020-05-25 2020-05-25 除草耕深调节方法、装置、系统、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010449756.XA CN111639575A (zh) 2020-05-25 2020-05-25 除草耕深调节方法、装置、系统、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN111639575A true CN111639575A (zh) 2020-09-08

Family

ID=72329043

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010449756.XA Pending CN111639575A (zh) 2020-05-25 2020-05-25 除草耕深调节方法、装置、系统、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN111639575A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113678587A (zh) * 2021-08-09 2021-11-23 华南农业大学 一种无人驾驶水稻中耕除草机及其作业方法
CN114137974A (zh) * 2021-11-26 2022-03-04 广州极飞科技股份有限公司 中耕控制方法、装置、系统和电子设备
CN115250651A (zh) * 2022-08-19 2022-11-01 电子科技大学中山学院 一种除草强度自适应的主动式稻田除草装置
CN115390504A (zh) * 2022-09-29 2022-11-25 重庆电子工程职业学院 一种基于5g物联网的智慧农业种植系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859375A (zh) * 2010-06-01 2010-10-13 南京林业大学 农田苗期行内作物-杂草识别方法
CN109614973A (zh) * 2018-11-22 2019-04-12 华南农业大学 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101859375A (zh) * 2010-06-01 2010-10-13 南京林业大学 农田苗期行内作物-杂草识别方法
CN109614973A (zh) * 2018-11-22 2019-04-12 华南农业大学 水稻秧苗及苗期杂草图像语义分割方法、系统、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张雨滋: "计算机视觉技术在果园除草机上的应用研究" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113678587A (zh) * 2021-08-09 2021-11-23 华南农业大学 一种无人驾驶水稻中耕除草机及其作业方法
CN114137974A (zh) * 2021-11-26 2022-03-04 广州极飞科技股份有限公司 中耕控制方法、装置、系统和电子设备
CN115250651A (zh) * 2022-08-19 2022-11-01 电子科技大学中山学院 一种除草强度自适应的主动式稻田除草装置
CN115390504A (zh) * 2022-09-29 2022-11-25 重庆电子工程职业学院 一种基于5g物联网的智慧农业种植系统

Similar Documents

Publication Publication Date Title
CN111639575A (zh) 除草耕深调节方法、装置、系统、计算机设备及存储介质
CN111406261A (zh) 从具有大视野的图像中进行疾病识别
WO2019081567A1 (de) Ertragsabschätzung beim anbau von kulturpflanzen
CN109376728A (zh) 一种基于多特征融合和bp神经网络的稻田杂草识别方法及其应用
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
EP3528609A1 (de) Ertragsvorhersage für ein kornfeld
CN111563430A (zh) 一种基于卷积神经的公益林地类图像智能识别方法及系统
CN109344843A (zh) 水稻秧苗行线提取方法、装置、计算机设备和存储介质
CN114239756A (zh) 一种虫害检测方法及系统
Narra et al. A data driven approach to decision support in farming
CN110363103A (zh) 虫害识别方法、装置、计算机设备及存储介质
CN103778426A (zh) 绿色作物特征提取方法以及农情信息检测视觉系统
CN108782050A (zh) 一种退化湖泊稳定性水生植被恢复的方法
He et al. Extracting the navigation path of an agricultural plant protection robot based on machine vision
CN113421255B (zh) 一种基于栅格的耕地复种指数提取方法及系统
CN115451965A (zh) 基于双目视觉的插秧机插植系统相对航向信息检测方法
CN114937030A (zh) 一种用于智慧农业种植生菜的表型参数计算方法
CN115424151A (zh) 一种基于图像处理的农业智能平台
Santhosh Kumar et al. Review on disease detection of plants using image processing and machine learning techniques
CN109712110B (zh) 一种基于机器视觉的作物实时耗水量监测方法和装置
Mulungu et al. Dynamics of land use and land cover changes and implications on river flows in Simiyu River catchment, Lake Victoria Basin in Tanzania
CN105574853A (zh) 一种基于图像识别的麦穗粒数计算的方法及系统
CN116453003B (zh) 一种基于无人机监测智能识别水稻生长势的方法和系统
CN114485612B (zh) 路线生成方法、装置、无人作业车、电子设备及存储介质
Maldaner et al. Spatial–Temporal Analysis to Investigate the Influence of in-Row Plant Spacing on the Sugarcane Yield

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