CN111738151B - 一种基于深度学习后优化的葡萄果梗精准识别方法 - Google Patents
一种基于深度学习后优化的葡萄果梗精准识别方法 Download PDFInfo
- Publication number
- CN111738151B CN111738151B CN202010574770.2A CN202010574770A CN111738151B CN 111738151 B CN111738151 B CN 111738151B CN 202010574770 A CN202010574770 A CN 202010574770A CN 111738151 B CN111738151 B CN 111738151B
- Authority
- CN
- China
- Prior art keywords
- grape
- stalk
- region
- deep learning
- grape stalk
- 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
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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/90—Determination of colour characteristics
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20101—Interactive definition of point of interest, landmark or seed
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于深度学习后优化的葡萄果梗精准识别方法,其包括:1,采集并标注葡萄果梗图片;2,通过深度学习模型Mask R‑CNN对标注后的葡萄果梗图片进行识别,获取预识别葡萄果梗区域;3,根据预识别葡萄果梗区域,获取葡萄果梗轮廓坐标以及葡萄果梗区域坐标;4,获取葡萄果梗轮廓的H、S、V通道值以及葡萄果梗区域的H、S、V通道值;5,分别计算葡萄果梗区域的H通道平均值、S通道平均值以及V通道平均值;6,将葡萄果梗轮廓选取为种子点,基于种子点并按照区域生长准则进行区域生长。本发明可以实现在自然环境下对葡萄果梗的识别,解决自然果园场景下葡萄果梗因为光线变化、遮挡导致的难识别的问题。
Description
技术领域
本发明涉及水果采摘技术领域,具体而言,涉及一种基于深度学习后优化的葡萄果梗精准识别方法。
背景技术
葡萄具有极高的营养、经济价值,其不仅富含人类必须的氨基酸和维生素,而且在酿酒领域远近闻名。随着科技的进步,人力成本的提升,未来采摘机器人智能化采摘葡萄是必不可少的。采摘机器人进行采摘的方式主要有二:1.拉拽式,此方法适用于果梗拽落不会对其本身有影响的水果,如苹果或者猕猴桃等;2.握切式,此方法适用于果实皮软、具有粗壮果梗且果梗拽落会影响新鲜度的水果,如葡萄等。因此葡萄采摘机器人在采摘时须识别葡萄果梗,并切割葡萄果梗。
传统葡萄采摘机器人依靠颜色阈值分割来识别葡萄果梗,即通过设定一个颜色阈值,把满足此颜色阈值的区域设定为果梗区域,然后再对葡萄果梗进行切割。由于采摘机器人在自然环境下工作时,视觉系统首先会获取一片范围的图像,并对此范围的图像进行识别,而该范围内的视觉系统受光照,遮挡等现实因素影响,可能导致满足此颜色阈值的范围变大,因此这种通过设定颜色阈值并依靠颜色阈值分割识别葡萄果梗的方法,并不适用于复杂的自然环境,只适用于特定小场景。
发明内容
为了克服传统葡萄采摘机器人依靠颜色阈值分割来识别葡萄果梗,并不适用于复杂的自然环境的问题,本发明提供了一种基于深度学习后优化的葡萄果梗精准识别方法,其具体技术方案如下:
一种基于深度学习后优化的葡萄果梗精准识别方法,其包括如下步骤:
步骤1,采集葡萄果梗图片,并对葡萄果梗图片进行标注;
步骤2,通过深度学习模型Mask R-CNN对标注后的葡萄果梗图片进行识别,获取预识别葡萄果梗区域;
步骤3,根据预识别葡萄果梗区域,获取葡萄果梗轮廓坐标以及葡萄果梗区域坐标;
步骤4,根据葡萄果梗轮廓坐标获取葡萄果梗轮廓的H通道值{Dj(0<j<n)}、S通道值{Ej(0<j<n)}和V通道值{Fj(0<j<n)},以及根据葡萄果梗区域坐标获取葡萄果梗区域的H通道值{Ai(0<i<n)}、S通道值{Bi(0<i<n)}和V通道值{Ci(0<i<n)},其中n为大于1的整数;
步骤5,分别计算葡萄果梗区域的H通道平均值a={Ai(0<i<n)}/n、S通道平均值b={Bi(0<i<n)}/n以及V通道平均值c={Ci(0<i<n)}/n;
步骤6,将葡萄果梗轮廓选取为种子点,基于种子点并按照区域生长准则进行区域生长。
可选的,在步骤6中,基于种子点并按照区域生长准则进行区域生长的具体方法为:对种子点的四邻域范围内的像素点进行搜索,若种子点的四邻域范围内的像素点的H通道值、S通道值和V通道值分别满足颜色阈值范围a±d、b±d和c±d,则将该像素点合并到种子点所属的生长区域,并将该像素点作为新的种子点进行搜索,直至没有像素点可以合并到种子点所属的生长区域,其中d=ln(|Dj-a|2+|Ej-b|2+|Fj-c|2)。
可选的,在步骤1,葡萄果梗图片通过CCD相机采集。
可选的,在步骤1中,葡萄果梗图片通过labelme标注工具进行标注。
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器执行时实现上述所述的一种基于深度学习后优化的葡萄果梗精准识别方法。
本发明所取得的有益效果为:
1、由于深度学习识别技术在自然环境下具有优异的识别效果,故而选择学习模型Mask R-CNN构建基础的深度学习识别网络,可以实现在自然环境下对葡萄果梗的识别,解决自然果园场景下葡萄果梗因为光线变化、遮挡导致的难识别的问题。
2、通过深度学习模型Mask R-CNN直接输出结果,其识别质量优异于原始的MaskR-CNN模型,能为葡萄采摘机器人提供一个精细化的葡萄果梗识别结果。
3、通过提取分析每个葡萄果梗区域特有的H、S、V三通道值,可以自适应地确定每个葡萄果梗颜色阈值,其不再依靠于人工设定的单一颜色阈值,不仅解决了在多场景下区域生长颜色阈值难以确定的问题,通过H、S、V三个颜色阈值的分析还极大的提高了葡萄果梗的识别精度。
4、在深度学习模型Mask R-CNN中加入了区域生长算法环节,通过深度学习模型Mask R-CNN获得每个葡萄果梗的区域信息,直接确定了种子点生长位置,解决了传统区域生长算法种子点难以确定的问题。
5、通过设定颜色阈值,能确保颜色阈值的稳定性,使得本发明所述的葡萄果梗精准识别方法在实现颜色阈值自适应调整的同时,不会出现因颜色阈值某一值的变化波动过大而导致分割不精确的问题。
附图说明
从以下结合附图的描述可以进一步理解本发明,将重点放在示出实施例的原理上。
图1是本发明实施例中一种基于深度学习后优化的葡萄果梗精准识别方法的流程示意图。
具体实施方式
为了使得本发明的目的、技术方案及优点更加清楚明白,以下结合其实施例,对本发明进行进一步详细说明。
本发明为一种基于深度学习后优化的葡萄果梗精准识别方法,根据附图所示讲述以下实施例:
一种基于深度学习后优化的葡萄果梗精准识别方法,其包括如下步骤:
步骤1,采集葡萄果梗图片,并对葡萄果梗图片进行标注。
可以通过CCD相机采集葡萄果梗图片,并在对葡萄果梗照片进行数据增强后,使用开源labelme标注工具对数据增强后的葡萄果梗照片进行标注。
步骤2,通过深度学习模型Mask R-CNN对标注后的葡萄果梗图片进行识别,获取预识别葡萄果梗区域。
在自然生长环境下,正常的葡萄果梗区域的颜色是渐变较单一颜色,基于特点场景进行颜色识别分割,或使用基于颜色的区域生长算法进行葡萄果梗区域识别,其并不适用于复杂的自然环境,而且难以自动确定种子点的位置选取。而由于深度学习识别技术在自然环境下具有优异的识别效果,故而选择学习模型Mask R-CNN构建基础的深度学习识别网络,可以实现在自然环境下对葡萄果梗的识别,解决自然果园场景下葡萄果梗因为光线变化、遮挡导致的难识别的问题。
构建的深度学习模型Mask R-CNN共有17个池化层,输出mask类别设置为2类(即葡萄果梗与背景),以获得适合葡萄果梗的识别模型。通过构建的Mask R-CNN的深度学习模型输出识别的葡萄果梗区域,其中葡萄果梗对应识别矩形框。通过深度学习模型Mask R-CNN直接输出结果,其识别质量优异于原始的Mask R-CNN模型,能为葡萄采摘机器人提供一个精细化的葡萄果梗识别结果。
步骤3,根据预识别葡萄果梗区域,获取葡萄果梗轮廓坐标以及葡萄果梗区域坐标。
葡萄果梗轮廓坐标标记为{Yj(0<j<n)},葡萄果梗区域坐标标记为{Xi(0<i<n)}。
步骤4,根据葡萄果梗轮廓坐标获取葡萄果梗轮廓的H通道值{Dj(0<j<n)}、S通道值{Ej(0<j<n)}和V通道值{Fj(0<j<n)},以及根据葡萄果梗区域坐标获取葡萄果梗区域的H通道值{Ai(0<i<n)}、S通道值{Bi(0<i<n)}和V通道值{Ci(0<i<n)},其中n为大于1的整数,H表示某一像素点的色调,S表示某一像素点的饱和度,V表示某一像素点的明度。
步骤5,分别计算葡萄果梗区域的H通道平均值a={Ai(0<i<n)}|n、S通道平均值b={Bi(0<i<n)}|n以及V通道平均值c={Ci(0<i<n)}|n。
通过提取分析每个葡萄果梗区域特有的H、S、V三通道值,可以自适应地确定每个葡萄果梗颜色阈值,其不再依靠于人工设定的单一颜色阈值,不仅解决了在多场景下区域生长颜色阈值难以确定的问题,通过H、S、V三个颜色阈值的分析还极大的提高了葡萄果梗的识别精度。
步骤6,将葡萄果梗轮廓选取为种子点,基于种子点并按照区域生长准则进行区域生长。
在深度学习模型Mask R-CNN中加入了区域生长算法环节,通过深度学习模型MaskR-CNN获得每个葡萄果梗的区域信息,直接确定了种子点生长位置,解决了传统区域生长算法种子点难以确定的问题。
作为一种优选的技术方案,在步骤6中,基于种子点并按照区域生长准则进行区域生长的具体方法为:对种子点的四邻域范围内的像素点进行搜索,若种子点的四邻域范围内的像素点的H通道值、S通道值和V通道值分别满足颜色阈值范围a±d、b±d和c±d,则将该像素点合并到种子点所属的生长区域,并将该像素点作为新的种子点进行搜索,直至没有像素点可以合并到种子点所属的生长区域,其中d为颜色阈值,并且d=ln(|Dj-a|2+|Ej-b|2+|Fj-c|2)。
通过设定颜色阈值,能确保颜色阈值的稳定性,使得本发明所述的葡萄果梗精准识别方法在实现颜色阈值自适应调整的同时,不会出现因颜色阈值某一值的变化波动过大而导致分割不精确的问题。
相应地,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器执行时实现上述所述的一种基于深度学习后优化的葡萄果梗精准识别方法。
综上所述,本发明公开的一种基于深度学习后优化的葡萄果梗精准识别方法,所产生的有益技术效果为:
1、由于深度学习识别技术在自然环境下具有优异的识别效果,故而选择学习模型Mask R-CNN构建基础的深度学习识别网络,可以实现在自然环境下对葡萄果梗的识别,解决自然果园场景下葡萄果梗因为光线变化、遮挡导致的难识别的问题。
2、通过深度学习模型Mask R-CNN直接输出结果,其识别质量优异于原始的MaskR-CNN模型,能为葡萄采摘机器人提供一个精细化的葡萄果梗识别结果。
3、通过提取分析每个葡萄果梗区域特有的H、S、V三通道值,可以自适应地确定每个葡萄果梗颜色阈值,其不再依靠于人工设定的单一颜色阈值,不仅解决了在多场景下区域生长颜色阈值难以确定的问题,通过H、S、V三个颜色阈值的分析还极大的提高了葡萄果梗的识别精度。
4、在深度学习模型Mask R-CNN中加入了区域生长算法环节,通过深度学习模型Mask R-CNN获得每个葡萄果梗的区域信息,直接确定了种子点生长位置,解决了传统区域生长算法种子点难以确定的问题。
5、通过设定颜色阈值,能确保颜色阈值的稳定性,使得本发明所述的葡萄果梗精准识别方法在实现颜色阈值自适应调整的同时,不会出现因颜色阈值某一值的变化波动过大而导致分割不精确的问题。
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后,技术人员可以对本发明作各种改动或修改,这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (4)
1.一种基于深度学习后优化的葡萄果梗精准识别方法,其特征在于,包括如下步骤:
步骤1,采集葡萄果梗图片,并对葡萄果梗图片进行标注;
步骤2,通过深度学习模型Mask R-CNN对标注后的葡萄果梗图片进行识别,获取预识别葡萄果梗区域;
步骤3,根据预识别葡萄果梗区域,获取葡萄果梗轮廓坐标以及葡萄果梗区域坐标;
步骤4,根据葡萄果梗轮廓坐标获取葡萄果梗轮廓的H通道值{Dj(0<j<n)}、S通道值{Ej(0<j<n)}和V通道值{Fj(0<j<n)},以及根据葡萄果梗区域坐标获取葡萄果梗区域的H通道值{Ai(0<i<n)}、S通道值{Bi(0<i<n)}和V通道值{Ci(0<i<n)},其中n为大于1的整数;
步骤5,分别计算葡萄果梗区域的H通道平均值a={Ai(0<i<n)}/n、S通道平均值b={Bi(0<i<n)}/n以及V通道平均值c={Ci(0<i<n)}/n;
步骤6,将葡萄果梗轮廓选取为种子点,基于种子点并按照区域生长准则进行区域生长;
在步骤6中,基于种子点并按照区域生长准则进行区域生长的具体方法为:对种子点的四邻域范围内的像素点进行搜索,若种子点的四邻域范围内的像素点的H通道值、S通道值和V通道值分别满足颜色阈值范围a±d、b±d和c±d,则将该像素点合并到种子点所属的生长区域,并将该像素点作为新的种子点进行搜索,直至没有像素点可以合并到种子点所属的生长区域,其中d=ln(|Dj-a|2+|Ej-b|2+|Fj-c|2)。
2.如权利要求1所述的一种基于深度学习后优化的葡萄果梗精准识别方法,其特征在于,在步骤1,葡萄果梗图片通过CCD相机采集。
3.如权利要求2所述的一种基于深度学习后优化的葡萄果梗精准识别方法,其特征在于,在步骤1中,葡萄果梗图片通过labelme标注工具进行标注。
4.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,当所述计算机程序被处理器执行时实现如权利要求1至3中任何一项所述的一种基于深度学习后优化的葡萄果梗精准识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574770.2A CN111738151B (zh) | 2020-06-22 | 2020-06-22 | 一种基于深度学习后优化的葡萄果梗精准识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010574770.2A CN111738151B (zh) | 2020-06-22 | 2020-06-22 | 一种基于深度学习后优化的葡萄果梗精准识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111738151A CN111738151A (zh) | 2020-10-02 |
CN111738151B true CN111738151B (zh) | 2023-10-10 |
Family
ID=72650443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010574770.2A Active CN111738151B (zh) | 2020-06-22 | 2020-06-22 | 一种基于深度学习后优化的葡萄果梗精准识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111738151B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114693658A (zh) * | 2022-04-01 | 2022-07-01 | 西南交通大学 | 一种基于深度学习与图像处理结合的葡萄果梗识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017042812A2 (en) * | 2015-09-10 | 2017-03-16 | Magentiq Eye Ltd. | A system and method for detection of suspicious tissue regions in an endoscopic procedure |
CN109711325A (zh) * | 2018-12-25 | 2019-05-03 | 华南农业大学 | 一种芒果采摘点识别方法 |
CN109741398A (zh) * | 2018-12-28 | 2019-05-10 | 同方威视技术股份有限公司 | 图像识别方法、装置和计算机存储介质 |
CN109886984A (zh) * | 2019-01-22 | 2019-06-14 | 浙江大学 | 利用前后景灰度差和深度学习网络的图像精确分割方法 |
CN110378909A (zh) * | 2019-06-24 | 2019-10-25 | 南京林业大学 | 基于Faster R-CNN的面向激光点云的单木分割方法 |
-
2020
- 2020-06-22 CN CN202010574770.2A patent/CN111738151B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017042812A2 (en) * | 2015-09-10 | 2017-03-16 | Magentiq Eye Ltd. | A system and method for detection of suspicious tissue regions in an endoscopic procedure |
CN109711325A (zh) * | 2018-12-25 | 2019-05-03 | 华南农业大学 | 一种芒果采摘点识别方法 |
CN109741398A (zh) * | 2018-12-28 | 2019-05-10 | 同方威视技术股份有限公司 | 图像识别方法、装置和计算机存储介质 |
CN109886984A (zh) * | 2019-01-22 | 2019-06-14 | 浙江大学 | 利用前后景灰度差和深度学习网络的图像精确分割方法 |
CN110378909A (zh) * | 2019-06-24 | 2019-10-25 | 南京林业大学 | 基于Faster R-CNN的面向激光点云的单木分割方法 |
Non-Patent Citations (4)
Title |
---|
Fruit detection for strawberry harvesting robot in non-structural environment based on Mask-RCNN;Yang Yu 等;《Computers and Electronics in Agriculture》;第163卷;1-9 * |
基于卷积神经网络的榆紫叶甲虫识别研究;聂丽郦;《中国优秀硕士学位论文全文数据库 农业科技辑》(第1期);D046-255 * |
基于深度学习的葡萄果梗识别与最优采摘定位;宁政通 等;《农业工程学报》;第37卷(第9期);222-229 * |
眼底视网膜血管分割方法研究;杨勇 等;《2011 International Conference on Future Computer Science and Application》;261-264 * |
Also Published As
Publication number | Publication date |
---|---|
CN111738151A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107886086B (zh) | 一种基于图像视频的目标动物检测方法及装置 | |
CN100393106C (zh) | 检测和/或追踪图像或图像序列中颜色区域的方法和装置 | |
CN111709489A (zh) | 一种基于改进YOLOv4的柑橘识别方法 | |
CN110569786B (zh) | 一种基于无人机数据采集的果树识别和数量监测方法及系统 | |
KR100422709B1 (ko) | 영상 의존적인 얼굴 영역 추출방법 | |
US8135216B2 (en) | Systems and methods for unsupervised local boundary or region refinement of figure masks using over and under segmentation of regions | |
CN105825168B (zh) | 一种基于s-tld的川金丝猴面部检测和追踪方法 | |
CN105844242A (zh) | 图像中的肤色检测方法 | |
CN107464249A (zh) | 一种羊只无接触体尺测量方法 | |
CN110807775A (zh) | 基于人工智能的中医舌像分割装置、方法及存储介质 | |
CN109829354B (zh) | 一种基于深度学习的人脸识别方法 | |
CN112487981A (zh) | 基于双路分割的ma-yolo动态手势快速识别方法 | |
CN111738151B (zh) | 一种基于深度学习后优化的葡萄果梗精准识别方法 | |
CN111046782A (zh) | 一种用于苹果采摘机器人的果实快速识别方法 | |
CN117152544B (zh) | 采茶方法、设备、存储介质及装置 | |
CN116843581B (zh) | 一种多场景图的图像增强方法、系统、设备和存储介质 | |
CN109191381B (zh) | 一种标定焦点处理图像的方法及系统 | |
CN115311520A (zh) | 一种基于视觉识别的百香果成熟度检测及定位方法 | |
CN114700941A (zh) | 一种基于双目视觉的草莓采摘方法、机器人系统 | |
CN110135481B (zh) | 一种农作物病变检测方法以及检测装置 | |
Nachlieli et al. | Skin-sensitive automatic color correction | |
CN112418112A (zh) | 一种果园病虫害监测预警方法及系统 | |
CN108573230B (zh) | 人脸跟踪方法和人脸跟踪装置 | |
CN107977604B (zh) | 一种基于改进聚合通道特征的手部检测方法 | |
Areni | Automatic counting of chili ripeness on computer vision for industri 4.0 |
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 |