CN111727457B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111727457B CN111727457B CN202080000929.8A CN202080000929A CN111727457B CN 111727457 B CN111727457 B CN 111727457B CN 202080000929 A CN202080000929 A CN 202080000929A CN 111727457 B CN111727457 B CN 111727457B
- Authority
- CN
- China
- Prior art keywords
- cotton
- crop
- image
- computer vision
- pictures
- 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
Links
- 229920000742 Cotton Polymers 0.000 title claims abstract description 75
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 24
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000004064 recycling Methods 0.000 claims abstract description 12
- 210000002489 tectorial membrane Anatomy 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 18
- 238000005520 cutting process Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000002372 labelling Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 6
- 239000002837 defoliant Substances 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000003137 locomotive effect Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 3
- 241000219146 Gossypium Species 0.000 description 49
- 238000005516 engineering process Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 240000002024 Gossypium herbaceum Species 0.000 description 1
- 235000004341 Gossypium herbaceum Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000002362 mulch Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明公开了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，包括以下步骤：步骤1、图像训练样本集建立；步骤2：构造基于语义分割深度神经网络的作物区域预测模型；步骤3：棉花覆膜回收机工作场景中，将实时图像输入已构建的作物区域预测模型获取识别结果；步骤4：利用作物行拟合算法处理作物区域识别结果，获得棉花作物行检测结果，作为自动导航依据。本发明获得了准确的棉花冠层分类结果，准确检测到多条棉花作物行，为拖拉机械的自动导航提供了依据，所得结果准确性高，鲁棒性好。
Description
技术领域
本发明涉及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。
背景技术
现代农业生产的发展趋势是集约化、规模化、产业化，农业机械化水平的迅速提高是现代农业转型升级的必要条件。农机自动导航技术可以提高农机作业水平，提高作业效率，还可以将农机驾驶员从重复单调的劳动中解放出来。目前，农机自动导航主要分为基于计算机视觉技术和基于高精度全球卫星定位系统(GNSS)技术两种。基于GNSS技术的自动导航技术能够实现作业路线的自动规划、直线行驶和地头转向、往复作业路线跟踪，已经广泛应用在棉花种植的耕种阶段。基于计算机视觉的自动导航技术主要是通过农机机载图像采集设备获取实时图像，然后经过快速的图像处理和分析过程，识别出作业路线，最后操纵农机，从而达到自动驾驶的目的，适合作物已长出植株的作业场景。
基于计算机视觉的自动导航技术的关键是农田开放环境下，通过图像处理和分析方法检测作物行。在常见的检测作物行算法中，通常先基于颜色特征或多通道组合特征(如超绿特征等)使用阈值分割方法，将作物和垄线进行区分，再使用Hough变换或基于最小二乘的线性回归方法，将标记为垄线的像素点拟合成直线，作为计算导航路线的依据。在面向棉花覆膜回收机的视觉导航应用中，农机需要在已经喷洒过脱叶剂并使用自动采棉机完成采收的大田中作业。由于棉花植株有一定高度，枝条凌乱，未采尽残留的棉铃、地膜覆盖和覆土所构成的图像非常复杂，现有的模型方法无法实现鲁棒的棉花作物行检测，因此需要进行改进以提高检测结果的鲁棒性。同时，由于图像非常复杂，并且是在采收后作物形成的图像边缘十分不规则，传统的确定作物行检测方法从这样的不规则图像中进行中心线拟合，计算效率低，耗费时间多，而在自动导航技术对预测结果的实时性要求较高，现有的检测方法难以有效满足导航技术的需求。
发明内容
本发明的目的在于提供一种基于计算机视觉的棉花作物行检测方法，以解决现有技术中因采集的图像复杂性高导致无法实现鲁棒的棉花作物行检测，并且计算效率低，不能有效满足导航技术对实时性需要的问题。
所述的一种基于计算机视觉的棉花作物行检测方法，包括以下步骤：
步骤1、图像训练样本集建立；
步骤2：根据是否属于棉花冠层对图像训练样本集的图片进行手工标注获得二值分类图像，以所述二值分类图像作为输出构造基于语义分割深度神经网络的作物区域预测模型；
步骤3：棉花覆膜回收机工作场景中，将实时图像输入已构建的作物区域预测模型获取识别结果；
步骤4：利用作物行拟合算法处理作物区域识别结果，获得棉花作物行检测结果，作为自动导航依据。
优选的，所述步骤4包括如下步骤：
步骤4.1：将步骤3.2中得到二值分类图像水平切割，切割数量为18-25，在每个切割后的图像中寻找图像连通域，并去除面积小于一定阈值的连通域；
步骤4.2：计算获得步骤4.1中保留的各连通域的中心点，并使用RANSAC算法进行中心点拟合，拟合后的结果即为棉花作物行检测结果。
优选的，所述步骤1包括如下步骤：
步骤1.1：在牵引拖拉机械的车头中间位置安装摄像头；
步骤1.2：在已经喷洒过脱叶剂并完成采收的大田中作业，模拟在多作物垄行上作业的棉花覆膜回收机的实际工作场景，利用所述摄像头采集作业视频，作业视频为在多天、多时段、多地块分别采集的多组视频；
步骤1.3：从所述作业视频中截取部分视频帧作为训练样本集的输入图片，被截取的视频帧的拍摄时间间隔一秒以上，训练样本集总数不少于100张。
优选的，所述步骤1.2中拖拉机械在采集多组视频的行驶过程中模拟多种工作情形，包括不同的行驶方向、不同的光照条件和不同的天气条件，所述步骤1.3中所述输入图片包含从多种工作情形下采集的视频中截取的视频帧。
优选的，所述摄像头为无畸变摄像头，所述摄像头安装后将拍摄角度调整至朝向正前方向下倾斜，所述摄像头俯角为30度。
优选的，所述步骤2包括如下步骤：
步骤2.1：利用多边形标注工具将所述图像训练样本集中的所有图片进行分类标注，类别包括棉花冠层和非棉花冠层，多边形的边缘贴合棉花冠层边缘，最终获得与原始图片尺寸相同的二值分类图像作为语义分割的目标图片；
步骤2.2：将图像训练样本集的图片作为模型的输入，将手工标注的二值分类图像作为模型的输出，将输入层调整为三通道图像，将输出层调整为单通道图像，激活函数选择Logistic函数，构建语义分割深度神经网络；
步骤2.3：初始化输入层、输出层以外的语义分割深度神经网络参数，利用所述图像训练样本集的图片与所述二值分类图像组成输入-输出对，使用反向传播算法对语义分割深度神经网络中的参数进行充分训练，得到作物区域预测模型。
优选的，所述步骤3包括如下步骤：
步骤3.1：在棉花覆膜回收机工作时，将所述摄像头采集的实时图像传入计算主机中；
步骤3.2：将传入的实时图像输入到训练完成的作物区域预测模型中，获取当前工作场景中的棉花冠层的识别结果，识别结果为二值分类图像。
本发明还提供了一种基于计算机视觉的棉花作物行检测装置，包括处理器、存储器，所述存储器中存储有计算机程序，所述计算机程序在被所述处理器执行时实现上述的基于计算机视觉的棉花作物行检测方法。
本发明还提供了一种计算机可读存储介质，所述介质上存储有计算机程序，所述计算机程序在被执行时实现上述的基于计算机视觉的棉花作物行检测方法。
本发明具有如下优点：通过本发明提供的基于计算机视觉的棉花作物行检测方法，一方面从大量样本的标注工作中，通过语义分割深度神经网络模型，端到端地实现了棉花冠层图像的自动特征提取，获得了准确的棉花冠层分类结果，解决了以往阈值分割算法无法完成的复杂场景下的作物和非作物区域分割问题；另一方面，通过对分割后的图像进行水平切割、连通域处理以及RANSAC拟合，能够依据不规则的识别结果准确检测到多条棉花作物行，进行行检测时拟合计算所用的时间短，有效提高了预测结果的效率，满足自动导轨技术对预测结果实时性的要求，为面向棉花覆膜回收机作业场景下拖拉机械的自动导航提供了依据，所得结果准确性高，鲁棒性好。
附图说明
图1为本发明的整体流程结构示意图；
图2为本发明技术方案中棉花作物行典型图像样本及识别结果标注效果图；
图3为本发明技术方案中棉花作物行棉花冠层分类、切割、中心点计算后的效果图。
具体实施方式
下面对照附图，通过对实施例的描述，对本发明具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
如图1-3所示，本发明提供了一种基于计算机视觉的棉花作物行检测方法，包括以下步骤：
步骤1、图像训练样本集建立。
步骤2：构造基于语义分割深度神经网络的作物区域预测模型。
步骤3：棉花覆膜回收机工作场景中，将实时图像输入已构建的作物区域预测模型获取识别结果。
步骤4：利用作物行拟合算法处理作物区域识别结果，获得棉花作物行检测结果，作为自动导航依据。
其中，所述步骤1具体包括如下步骤：
步骤1.1：在牵引拖拉机械的车头中间位置安装无畸变摄像头，摄像头安装后将拍摄角度调整至朝向正前方向下倾斜，所述摄像头俯角为30度。
步骤1.2：利用所述摄像头采集作业视频，具体在已经喷洒过脱叶剂并完成采收的大田中作业，模拟在多作物垄行上作业的棉花覆膜回收机的实际工作场景，作业视频为多天、多时段、多地块分别采集的多组视频；拖拉机械在采集作业视频的行驶过程中模拟多种工作情形，包括不同的行驶方向、不同的光照条件和不同的天气条件，如：行驶方向包括正常沿垄行驶、偏离行驶等情况；光照条件包括早间作业、中午作业、傍晚作业等；天气条件包括晴天、多云、阴天等。
步骤1.3：从所述作业视频中截取部分视频帧作为训练样本集的输入图片，输入图片包含从多种工作情形下采集的视频中截取的视频帧，被截取的视频帧的拍摄时间间隔一秒以上，训练样本集总数不少于100张。
所述步骤2包括如下步骤：
步骤2.1：利用多边形标注工具将所述图像训练样本集中的所有图片进行分类标注，类别包括棉花冠层和非棉花冠层，多边形的边缘贴合棉花冠层边缘，最终获得与原始图片尺寸相同的二值分类图像作为语义分割的目标图片；
步骤2.2：将图像训练样本集的图片作为模型的输入，将手工标注的二值分类图像作为模型的输出，将输入层调整为三通道图像，将输出层调整为单通道图像，激活函数选择Logistic函数，构建语义分割深度神经网络；
步骤2.3：初始化输入层、输出层以外的语义分割深度神经网络参数，利用所述图像训练样本集的图片与所述二值分类图像组成输入-输出对，使用反向传播算法对语义分割深度神经网络中的参数进行充分训练，得到作物区域预测模型。
所述步骤3包括如下步骤：
步骤3.1：在棉花覆膜回收机工作时，将所述摄像头采集的实时图像传入计算主机中；
步骤3.2：将传入的实时图像输入到训练完成的作物区域预测模型中，获取当前工作场景中的棉花冠层的识别结果，识别结果为二值分类图像。
所述步骤4包括如下步骤：
步骤4.1：将步骤3.2中得到二值分类图像水平切割，切割数量为18-25，在每个切割后的图像中寻找图像连通域，并去除面积小于一定阈值的连通域；
步骤4.2：计算获得步骤4.1中保留的各连通域的中心点，并使用RANSAC算法进行中心点拟合，拟合后的结果即为棉花作物行检测结果。
图3为对棉花作物行采集图片后通过本方法进行棉花冠层分类、切割、中心点计算后的效果图，其中大片连通的白色区域为步骤3.2中预测识别的棉花冠层区域，横向直线为步骤4.1对二值分类图像水平切割的切割线示意，白色小区域中间的黑色点为各个连通域经过计算得到的中心点。图2中的圆圈标记为将前述连通域的中心点叠加在原始图片上进行标注后的效果，其中直线为步骤4.2使用RANSAC算法进行中心点拟合后的结果叠加在原始图片上的效果。该直线作为最后的行检测结果，棉花覆膜回收机将其作为自动导航的依据。
本方法通过将图像二值分类图像水平切割得到合适数量的连通域，在进行行检测结果时通过计算各个连通域的中心点，并对有限的中心点进行拟合，计算效率大为提高，有效保障了本检测方法获得检测结果的实时性，满足了自动导航技术对检测结果实时性的要求。
本发明还提供了一种基于计算机视觉的棉花作物行检测装置，包括处理器、存储器，所述存储器中存储有计算机程序，所述计算机程序在被所述处理器执行时实现如上所述的基于计算机视觉的棉花作物行检测方法。
本发明还提供了一种计算机可读存储介质，所述介质上存储有计算机程序，所述计算机程序在被执行时实现如上所述的基于计算机视觉的棉花作物行检测方法。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的发明构思和技术方案进行的各种非实质性的改进，或未经改进将本发明构思和技术方案直接应用于其它场合的，均在本发明保护范围之内。
Claims (8)
1.一种基于计算机视觉的棉花作物行检测方法，其特征在于：包括以下步骤：
步骤1、图像训练样本集建立；
步骤2：根据是否属于棉花冠层对图像训练样本集的图片进行手工标注获得二值分类图像，以所述二值分类图像作为输出构造基于语义分割深度神经网络的作物区域预测模型；
步骤3：棉花覆膜回收机工作场景中，将实时图像输入已构建的作物区域预测模型获取识别结果；
步骤4：利用作物行拟合算法处理作物区域识别结果，获得棉花作物行检测结果，作为自动导航依据；
所述步骤4包括如下步骤：
步骤4.1：将步骤3.2中得到二值分类图像水平切割，切割数量为18-25，在每个切割后的图像中寻找图像连通域，并去除面积小于一定阈值的连通域；
步骤4.2：计算获得步骤4.1中保留的各连通域的中心点，并使用RANSAC算法进行中心点拟合，拟合后的结果即为棉花作物行检测结果；
步骤4.2使用RANSAC算法进行中心点拟合后的结果叠加在原始图片上。
2.根据权利要求1所述的一种基于计算机视觉的棉花作物行检测方法，其特征在于：所述步骤1包括如下步骤：
步骤1.1：在牵引拖拉机械的车头中间位置安装摄像头；
步骤1.2：在已经喷洒过脱叶剂并完成采收的大田中作业，模拟在多作物垄行上作业的棉花覆膜回收机的实际工作场景，利用所述摄像头采集作业视频，作业视频为在多天、多时段、多地块分别采集的多组视频；
步骤1.3：从所述作业视频中截取部分视频帧作为训练样本集的输入图片，被截取的视频帧的拍摄时间间隔一秒以上，训练样本集总数不少于100张。
3.根据权利要求2所述的一种基于计算机视觉的棉花作物行检测方法，其特征在于：所述步骤1.2中拖拉机械在采集多组视频的行驶过程中模拟多种工作情形，包括不同的行驶方向、不同的光照条件和不同的天气条件，所述步骤1.3中所述输入图片包含从多种工作情形下采集的视频中截取的视频帧。
4.根据权利要求2所述的一种基于计算机视觉的棉花作物行检测方法，其特征在于：所述摄像头为无畸变摄像头，所述摄像头安装后将拍摄角度调整至朝向正前方向下倾斜，所述摄像头俯角为30度。
5.根据权利要求1-4中任一所述的一种基于计算机视觉的棉花作物行检测方法，其特征在于：所述步骤2包括如下步骤：
步骤2.1：利用多边形标注工具将所述图像训练样本集中的所有图片进行分类标注，类别包括棉花冠层和非棉花冠层，多边形的边缘贴合棉花冠层边缘，最终获得与原始图片尺寸相同的二值分类图像作为语义分割的目标图片；
步骤2.2：将图像训练样本集的图片作为模型的输入，将手工标注的二值分类图像作为模型的输出，将输入层调整为三通道图像，将输出层调整为单通道图像，激活函数选择Logistic函数，构建语义分割深度神经网络；
步骤2.3：初始化输入层、输出层以外的语义分割深度神经网络参数，利用所述图像训练样本集的图片与所述二值分类图像组成输入-输出对，使用反向传播算法对语义分割深度神经网络中的参数进行充分训练，得到作物区域预测模型。
6.根据权利要求5所述的一种基于计算机视觉的棉花作物行检测方法，其特征在于：所述步骤3包括如下步骤：
步骤3.1：在棉花覆膜回收机工作时，将所述摄像头采集的实时图像传入计算主机中；
步骤3.2：将传入的实时图像输入到训练完成的作物区域预测模型中，获取当前工作场景中的棉花冠层的识别结果，识别结果为二值分类图像。
7.一种基于计算机视觉的棉花作物行检测装置，包括处理器、存储器，其特征在于，所述存储器中存储有计算机程序，所述计算机程序在被所述处理器执行时实现如权利要求1-6任一项所述的基于计算机视觉的棉花作物行检测方法。
8.一种计算机可读存储介质，其特征在于，所述介质上存储有计算机程序，所述计算机程序在被执行时实现如权利要求1-6任一项所述的基于计算机视觉的棉花作物行检测方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2020/090121 WO2021226900A1 (zh) | 2020-05-14 | 2020-05-14 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111727457A CN111727457A (zh) | 2020-09-29 |
| CN111727457B true CN111727457B (zh) | 2024-01-26 |
Family
ID=72574214
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080000929.8A Active CN111727457B (zh) | 2020-05-14 | 2020-05-14 | 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 |
Country Status (3)
| Country | Link |
|---|---|
| CN (1) | CN111727457B (zh) |
| WO (1) | WO2021226900A1 (zh) |
| ZA (1) | ZA202209189B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112446350B (zh) * | 2020-12-09 | 2022-07-19 | 武汉工程大学 | 一种改进YOLOv3复杂棉田背景下棉花检测方法 |
| CN114586546A (zh) * | 2022-03-14 | 2022-06-07 | 西南大学 | 基于电子鼻与图像识别的草莓自动采摘装置及其控制方法 |
| CN114882291B (zh) * | 2022-05-31 | 2023-06-06 | 南京林业大学 | 基于高光谱图像像素块机器学习的籽棉地膜识别分类方法 |
| CN117392513B (zh) * | 2023-12-07 | 2024-04-09 | 天津大学 | 一种无人驾驶采棉机垄线识别方法及其应用 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101750051A (zh) * | 2010-01-04 | 2010-06-23 | 中国农业大学 | 一种视觉导航的多作物行检测方法 |
| CN108564603A (zh) * | 2018-03-21 | 2018-09-21 | 西安理工大学 | 基于改进的高斯混合模型的sar图像变化检测方法 |
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
| DE102018126664A1 (de) * | 2017-10-27 | 2019-05-02 | GM Global Technology Operations LLC | Domänenanpassung durch klassenausgeglichenes selbsttraining mit räumlichen prioren |
| CN109740551A (zh) * | 2019-01-09 | 2019-05-10 | 贵州宽凳智云科技有限公司 | 一种基于计算机视觉的夜间车道线识别方法及系统 |
| WO2019226869A1 (en) * | 2018-05-24 | 2019-11-28 | Blue River Technology Inc. | Semantic segmentation to identify and treat plants in a field and verify the plant treatments |
| CN110765916A (zh) * | 2019-10-17 | 2020-02-07 | 北京中科原动力科技有限公司 | 一种基于语义和实例分割的农田苗垄识别方法及系统 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| IN201841039266A (zh) * | 2018-10-16 | 2019-06-28 | ||
| CN109859158A (zh) * | 2018-11-27 | 2019-06-07 | 邦鼓思电子科技（上海）有限公司 | 一种基于视觉的工作区域边界的检测系统、方法及机器设备 |
| CN110827505A (zh) * | 2019-10-29 | 2020-02-21 | 天津大学 | 一种基于深度学习的烟雾分割方法 |
| CN110942454A (zh) * | 2019-11-26 | 2020-03-31 | 北京科技大学 | 一种农业图像语义分割方法 |
-
2020
- 2020-05-14 WO PCT/CN2020/090121 patent/WO2021226900A1/zh active Application Filing
- 2020-05-14 CN CN202080000929.8A patent/CN111727457B/zh active Active
-
2022
- 2022-08-16 ZA ZA2022/09189A patent/ZA202209189B/en unknown
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101750051A (zh) * | 2010-01-04 | 2010-06-23 | 中国农业大学 | 一种视觉导航的多作物行检测方法 |
| DE102018126664A1 (de) * | 2017-10-27 | 2019-05-02 | GM Global Technology Operations LLC | Domänenanpassung durch klassenausgeglichenes selbsttraining mit räumlichen prioren |
| CN108564603A (zh) * | 2018-03-21 | 2018-09-21 | 西安理工大学 | 基于改进的高斯混合模型的sar图像变化检测方法 |
| CN108647652A (zh) * | 2018-05-14 | 2018-10-12 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
| WO2019226869A1 (en) * | 2018-05-24 | 2019-11-28 | Blue River Technology Inc. | Semantic segmentation to identify and treat plants in a field and verify the plant treatments |
| CN109740551A (zh) * | 2019-01-09 | 2019-05-10 | 贵州宽凳智云科技有限公司 | 一种基于计算机视觉的夜间车道线识别方法及系统 |
| CN110765916A (zh) * | 2019-10-17 | 2020-02-07 | 北京中科原动力科技有限公司 | 一种基于语义和实例分割的农田苗垄识别方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| In-field cotton detection via region-based semantic image segmentation;Yanan Li, Zhiguo Cao, Hao Lu, Yang Xiao, Yanjun Zhu, Armin B. Cremers;Computers and Electronics in Agriculture;第127卷;全文 * |
| 基于改进全卷积网络的棉田冠层图像分割方法;刘立波;程晓龙;赖军臣;;农业工程学报(12);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| ZA202209189B (en) | 2022-12-21 |
| WO2021226900A1 (zh) | 2021-11-18 |
| CN111727457A (zh) | 2020-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| 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 | |
| CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
| Sun et al. | Image processing algorithms for infield single cotton boll counting and yield prediction | |
| Lin et al. | Automatic detection of plant rows for a transplanter in paddy field using faster r-cnn | |
| de Silva et al. | Towards agricultural autonomy: crop row detection under varying field conditions using deep learning | |
| CN115661650A (zh) | 一种基于物联网数据监测的农场管理系统 | |
| Selvi et al. | Weed detection in agricultural fields using deep learning process | |
| CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
| CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
| CN103186773A (zh) | 一种基于一维Hough变换和专家系统的早期苗田垄线识别算法 | |
| CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
| CN113807309B (zh) | 一种基于深度学习的果园机械行走路线规划方法 | |
| CN116897668B (zh) | 一种电驱农作物播种施肥控制方法及系统 | |
| Zhang et al. | Feasibility assessment of tree-level flower intensity quantification from UAV RGB imagery: a triennial study in an apple orchard | |
| CN117218534A (zh) | 一种农作物叶部病害识别方法 | |
| US20230252791A1 (en) | Performing actions based on evaluation and comparison of multiple input processing schemes | |
| CN117058607A (zh) | 一种基于图像视觉分析的植物生长状态监测系统 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| Li et al. | Image processing for crop/weed discrimination in fields with high weed pressure | |
| CN115424151A (zh) | 一种基于图像处理的农业智能平台 | |
| CN105046229A (zh) | 一种农作物行的识别方法及装置 | |
| CN115358991A (zh) | 一种秧苗的漏秧数量和漏秧位置的识别方法及系统 | |
| CN113065562B (zh) | 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 | |
| Chang et al. | Straight-line generation approach using deep learning for mobile robot guidance in lettuce fields |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: Room 225, Building 2, Pioneering Avenue, 8 Longhu Road, Sanshan District, Wuhu City, Anhui Province, 241000 Applicant after: Anhui Zhongke intelligent perception Technology Co.,Ltd. Address before: Room 225, Building 2, Pioneering Avenue, 8 Longhu Road, Sanshan District, Wuhu City, Anhui Province, 241000 Applicant before: ANHUI ZHONGKE INTELLIGENT SENSING INDUSTRY TECHNOLOGY RESEARCH INSTITUTE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 241000 Floor 3, Building 3, Chuangye Street, No. 8, Longhu Road, Sanshan Economic Development Zone, Wuhu City, Anhui Province Applicant after: Anhui Zhongke intelligent perception Technology Co.,Ltd. Address before: Room 225, Building 2, Pioneering Avenue, 8 Longhu Road, Sanshan District, Wuhu City, Anhui Province, 241000 Applicant before: Anhui Zhongke intelligent perception Technology Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |