CN111753687A - 缺苗识别方法、装置、电子设备和计算机可读存储介质 - Google Patents

缺苗识别方法、装置、电子设备和计算机可读存储介质 Download PDF

Info

Publication number
CN111753687A
CN111753687A CN202010537720.7A CN202010537720A CN111753687A CN 111753687 A CN111753687 A CN 111753687A CN 202010537720 A CN202010537720 A CN 202010537720A CN 111753687 A CN111753687 A CN 111753687A
Authority
CN
China
Prior art keywords
area
seedling
image
pixel points
processed
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
CN202010537720.7A
Other languages
English (en)
Other versions
CN111753687B (zh
Inventor
黄敬易
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.)
Guangzhou Xaircraft Technology Co Ltd
Original Assignee
Guangzhou Xaircraft Technology Co Ltd
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 Guangzhou Xaircraft Technology Co Ltd filed Critical Guangzhou Xaircraft Technology Co Ltd
Priority to CN202010537720.7A priority Critical patent/CN111753687B/zh
Publication of CN111753687A publication Critical patent/CN111753687A/zh
Application granted granted Critical
Publication of CN111753687B publication Critical patent/CN111753687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • 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
    • 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
    • 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)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Processing (AREA)

Abstract

本发明实施例提出一种缺苗识别方法、装置、电子设备和计算机可读存储介质，设计农业技术领域。其中，缺苗识别方法包括将地块图像转换为待处理二值图；其中，待处理二值图包括被赋予第一特定值的目标像素点，目标像素点与地块图像中呈现植株的图像区域内的像素点对应；基于目标像素点及表征植株种植行向的第一方向，在待处理二值图中确定规划种植区域；依据规划种植区域中目标像素点的分布，识别出规划种植区域中存在的缺苗区域，以便将缺苗区域标记于地块图像中。本方案通过基于地块图像自主分析规划种植区域，并根据规划种植区域及表征实际存在的植株的目标像素点，准确、快速地识别缺苗区域，填补农业自动化在缺苗识别领域的空缺。

Description

缺苗识别方法、装置、电子设备和计算机可读存储介质
技术领域
本发明涉及农业技术领域，具体而言，涉及一种缺苗识别方法、装置、电子设备和计算机可读存储介质。
背景技术
随着技术的进步，农业领域已经逐步进入自动化时代。然而，在农业中的个别细分领域的自动化程度还很低。以缺苗识别为例，目前主要采用人工巡检的方式确定缺苗区域，人工巡检虽然能够保证一定的识别准确性，但是在巡视面积较大时，人工巡检的人力成本相当高，同时作业效率也较低。显然，实现自动化的缺苗识别已经成为推进农业自动化发展的重要环节。
发明内容
有鉴于此，本发明的目的在于提供一种缺苗识别方法、装置、电子设备和计算机可读存储介质。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，实施例提供一种缺苗识别方法，所述缺苗识别方法包括：
将待识别缺苗的地块图像转换为待处理二值图；其中，所述待处理二值图包括被赋予第一特定值的目标像素点，所述目标像素点与所述地块图像中呈现植株的图像区域内的像素点对应；
基于所述目标像素点及表征植株种植行向的第一方向，在所述待处理二值图中确定规划种植区域；
依据所述规划种植区域中所述目标像素点的分布，识别出所述规划种植区域中存在的缺苗区域，以便将所述缺苗区域标记于所述地块图像中。
第二方面，实施例提供一种补种方法，应用于作业设备，所述方法包括：
当根据第一方面提供的方法识别出缺苗区域时，基于识别出的所述缺苗区域生成推荐作业路径；根据推荐作业路径执行自动补种作业。
第三方面，实施例提供一种作业路线规划方法，所述方法包括：在采用第一方面提供的方法识别出的缺苗区域上，规划作业路线。
第四方面，实施例提供一种喷洒/播撒/采收作业方法，应用于作业设备，所述方法包括：采用第一方面提供的方法识别出缺苗区域，并标记缺苗区域；在作业设备按照规划作业路线移动时，将实时位置与所述缺苗区域进行比较，以得到比较结果；若所述比较结果为所述实时位置属于所述缺苗区域，则暂停作业并按照所述规划作业路线继续移动，直到所述实时位置不属于所述缺苗区域时重启作业。
第五方面，实施例提供一种产量测算方法，所述方法包括：采用第一方面提供的方法识别出缺苗区域；根据所述缺苗区域确定有苗区域的面积；根据所述有苗区域的面积，计算所述区域产量。
第六方面，实施例提供一种缺苗识别装置，所述缺苗识别装置包括：
转换模块，用于将待识别缺苗的地块图像转换为待处理二值图；其中，所述待处理二值图包括被赋予第一特定值的目标像素点，所述目标像素点与所述地块图像中呈现植株的图像区域内的像素点对应；
确定模块，用于基于所述目标像素点及表征植株种植行向的第一方向，在所述待处理二值图中确定规划种植区域；
识别模块，用于依据所述规划种植区域中所述目标像素点的分布，识别出所述规划种植区域中存在的缺苗区域，以便将所述缺苗区域标记于所述地块图像中。
第七方面，实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式任一所述的方法。
第八方面，实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的方法。
相较于现有技术，本发明实施例提供的缺苗识别方法通过将地块图像转换为包括被赋予第一特定值的目标像素点的待处理二值图，由目标像素点表征地块图像中呈现植株的图像区域内的像素点。再基于目标像素点及表征植株种植行向的第一方向，在待处理二值图中确定规划种植区域，实现对理想种植区域的自动识别，最后，依据目标像素点，识别出规划种植区域中的缺苗区域。如此，即可准确的确定缺苗的位置，识别过程无需人工协助，降低了人力成本，也提高识别效率。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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获得其他相关的附图。
图1示出了本发明实施例提供的电子设备的示意图。
图2示出了本发明实施例提供的缺苗识别方法的步骤流程图之一。
图3示出了本发明实施例提供的包含作物种植区域的地块图像的示例图。
图4为图3所示的地块图像对应的待处理二值图。
图5为在图4中确定出的规划种植区域的示例图。
图6为标记出缺苗区域的地块图像的示例图。
图7示出了图2中的步骤S101的子步骤流程图。
图8示出了图2中的步骤S102的子步骤流程图。
图9示出了步骤S102-1中提到的在待处理二值图上创建的坐标轴的示例图。
图10示出了本发明实施例提供的缺苗识别方法的步骤流程图之二。
图11示出了旋转及扩充后得到的满足条件的待处理二值图的示例图。
图12示出了本发明实施例提供的缺苗识别方法的步骤流程图之三。
图13示出了本发明实施例提供的缺苗识别装置的示意图。
图标：100-电子设备；110-存储器；120-处理器；130-通信模块；400-缺苗识别装置；401-转换模块；402-确定模块；403-识别模块；404-判断模块。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
农作物的产量一定程度上受农作物植株的数量影响，通常同一农田，植株数量越多，总产量也越大。然而，农作物生长期间由于各种原因，实际存活的植株数量会减少。若不能及时发现缺苗的位置并及时补种，将造成农田减产。
值得注意的是，在本申请提出申请之前，相关技术中常用的方式包括人工巡视农田和无人机巡视农田。然而，人工巡视农田，在农田面积过大时人力成本较高且耗时也长。此外，虽然能准确的找到缺苗区域，但也容易因为疏忽遗漏部分缺苗区域。无人机巡视农田，需要人工检验无人机反馈的农田图片。显然，该方式依然需要人工参与，也必然也会存在人力成本。
本申请提供的缺苗识别方法、装置、电子设备和计算机可读存储介质可以在待处理二值图中识别预期进行种植的规划种植区域，再从规划种植区域与实际存在植株的区域进行比较，从而得到缺苗区域。实现自动识别缺苗区域，无需人员参与，节约人力成本且高效。
请参照图1，示出了本发明实施例提供的一种电子设备100的方框示意图。上述电子设备100可以是，但不限于移动设备、平板计算机、膝上型计算机等，或其任意组合。在一些实施例中，移动设备可以包括可穿戴设备、智能移动设备、虚拟现实设备、或增强现实设备等，或其任意组合。在一些实施例中，可穿戴设备可包括智能手环、智能鞋带、智能玻璃、智能头盔、智能手表、智能服装、智能背包、智能配件等、或其任何组合。在一些实施例中，智能移动设备可以包括智能手机、个人数字助理(Personal Digital Assistant，PDA)等，或其任意组合。在一些实施例中，虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实玻璃、虚拟现实贴片、增强现实头盔、增强现实玻璃、或增强现实贴片等，或其任意组合。例如，虚拟现实设备和/或增强现实设备可以包括各种虚拟现实产品等。
所述电子设备100包括存储器110、处理器120及通信模块130。所述存储器110、处理器120以及通信模块130各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。
其中，存储器110用于存储程序或者数据。所述存储器110可以是，但不限于，随机存取存储器110(Random Access Memory，RAM)，只读存储器110(Read Only Memory，ROM)，可编程只读存储器110(Programmable Read-Only Memory，PROM)，可擦除只读存储器110(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器110(ElectricErasable Programmable Read-Only Memory，EEPROM)等。
处理器120用于读/写存储器110中存储的数据或程序，并执行相应地功能。
通信模块130用于通过所述网络建立所述电子设备100与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
应当理解的是，图1所示的结构仅为电子设备100的结构示意图，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
请参考图2，图2示出了本发明实施例提供的一种缺苗识别方法。如图2所示，上述缺苗识别方法可以包括以下步骤：
步骤S101，将待识别缺苗的地块图像转换为待处理二值图。
上述地块图像可以是包含作物种植区域的图像数据。可选地，上述航拍数据可以包括完整作物种植区域。可选地，上述航拍数据可以包括多张，各张航拍数据中呈现作物种植区域的一部分，多张航拍数据能够完整的展现作物种植区域。
上述地块图像可以由图像采集设备采集，也可以从监控视频数据中获取。比如，上述图像采集设备可以是无人机、高空高清重载摄像头等。
上述待处理二值图中的像素点分为两类，一类像素点被赋予第一特定值，而另一类像素点没有被赋予第一特定值。上述被赋予第一特定值的像素点与地块图像中呈现植株的图像区域内的像素点对应。可以理解地，待处理二值图与地块图像中具有相同图像坐标的像素点之间存在对应关系。比如，作物种植区域为甘蔗地，待处理二值图中与地块图像中显现甘蔗植株的多个像素点有相同图像坐标的像素点均为被赋予第一特定值。
上述赋予像素点第一特定值可以是使像素点取值为第一特定值，还可以是将像素点对应的灰度等级状态调整为第一特定值。只要可以将其与未被赋予第一特定值的像素点区分开来即可，具体实现方式本发明实施例不做限定。
步骤S102，基于目标像素点及表征植株种植行向的第一方向，在待处理二值图中确定规划种植区域。
上述目标像素点为待处理二值图中被赋予第一特定值的像素点。上述植株种植行向为植株种植行的走向。可以理解地，作物种植区域内辐射和光照条件与裸地不同，而光照条件是影响作物生长发育的重要因素。为了提高作物植株的光能利用率，通常将作物植株按照一定的行向行距种植，使不同行(也即，不同植株种植行)的作物植株之间不会存在互相遮挡。在精细化作业的趋势下，为了最大可能的提高土地利用率，增加产量，农作物植株会按照预先规划的理想种植区域进行种植，理想种植区域包括规划的各条植株种植行所占的区域。整体上作物植株的种植位置在理想种植区域内，此外，植株种植行的方向也与规划种植区域的中轴线平行。因此，利用植株种植行的第一方向及表征植株在待处理二值图中位置的目标像素点，即可在待处理二值图中确定出表征理想种植区域的规划种植区域。可选地，每条植株种植行对应这一个规划种植区域，上述理想种植区域可以对应着多个规划种植区域。
上述规划种植区域是用户根据种植习惯划分的实际种植区，也即，用户期望种植有作物的区域，理想情况下，规划种植区域内种植的作物之间分布密度需达到指定要求。
步骤S103，依据规划种植区域中目标像素点的分布，识别出规划种植区域中存在的缺苗区域。
理想种植区域内都均匀地种植有作物植株，同时，创建待处理二值图时，采用目标像素点表征地块图像中实际显示存在作物植株的图像区域，因此，理论上待处理二值图中规划种植区域中均为目标像素点。然而，由于漏种、作物植株实际生长过程中未存活等原因，规划种植区域将会出现空缺，也即缺苗区域。因此，本发明实施例中，利用规划种植区域中目标像素点的分布，即可反推出规划种植区域中存在的缺苗区域。
最后，利用地块图像与待处理二值图之间像素点的对应关系，将确定出的缺苗区域标记于地块图像中，以便提示相关人员进行补种。
可见，本发明实施例提供的缺苗识别方法通过识别出植株所在的图像区域，再利用确认出的植株所在的图像区域分析理想种植区域，最后基于理想种植区域中植株的实际分布，得到缺苗区域。整个识别过程无需人工介入，节约大量人力成本，且耗时短，作物种植区域面积越大相较于相关技术中所采用的人工巡检或无人机巡检配合人工甄别的优势更加明显。
为了方便本领域技术人员使用本发明实施例提供的缺苗识别方法，下面以对甘蔗地的缺苗识别进行举例，具体如下：
通过无人机俯拍甘蔗地，得到如图3所示的地块图像，地块图像中呈现了甘蔗地，图中深色的像素点为甘蔗植株。将地块图像转换为图4所示的待处理二值图，在图4中黑色区域的像素点为目标像素点。基于待处理二值图中的目标像素点及表征种植行向的第一方向，确定出规划种植区域。图5中示出了与一个植株种植行对应的规划种植区域。最后，依据目标像素点在规划种植区域的分布，确定出每个规划种植区域中出现的缺苗区域，以便于将缺苗区域标记于地块图像中，提醒相关人员进行补种，将缺苗区域标记于地块图像所呈现的效果可以如图6所示。
下面对本发明实施例的实施细节进行描述。
在一些实施例中，上述步骤S101的目的在于标记植株在地块图像中所在位置。可选地，如图7所示，上述步骤S101可以包括以下子步骤：
子步骤S101-1，识别地块图像中呈现植株的图像区域。
在一些实施例中，可以通过图像识别技术从地块图像中识别出呈现作物植株的图像区域。比如，将呈现作物植株的图像区域确定为感兴趣区域，利用能够识别作物植株的深度学习模型进行识别，以得到地块图像中呈现植株的图像区域。
在另外一些实施例中，可以利用从地块图像中提取到的特定参数分辨地块图像中属于呈现作物植株的图像区域的像素点。上述特定参数可以是，但不限于是颜色空间(比如RGB转HSV)、颜色指数、植被指数等。下面以采用超绿指数为例描述利用从地块图像中提取到的特定参数分辨地块图像中属于呈现作物植株的图像区域的像素点：首先，利用超绿指数计算公式：
ExG＝2Green-Red-Blue；
依次计算地块图像中每个像素点对应的超绿指数。其中，ExG代表超绿指数；Green代表像素点的绿色颜色通道对应的值，Red代表像素点的红色颜色通道对应的值，Blue代表像素点的蓝色颜色通道对应的值。
然后，判定超绿指数超过预设值的像素点属于呈现植株的图像区域，从而确定出呈现植株的图像区域。
可以理解地，上述采用深度学习网络的实现上述子步骤S101-1不仅识别速度快，而且识别结果也精准。而，上述利用特定参数实现上述子步骤S101-1，执行过程中所占用系统资源少，实现简单、快捷。因此，本领域技术人员可以根据实际情况选择适合的方式实现上述子步骤S101-1。
子步骤S101-2，将属于呈现植株的图像区域的像素点赋予第一特定值。
在一些实施例中，可以将呈现植株的图像区域内的像素点的取值改为第一特定值。比如，将呈现植株的图像区域内的像素点的取值确定为1。在另一些实施例中，还可以是将呈现植株的图像区域内的像素点的灰度等级状态调整为第一特定值。比如，将呈现植株的图像区域内的像素点的灰度等级状态调整为255。
子步骤S101-3，将属于未呈现植株的图像区域的像素点赋予第二特定值，以生成待处理二值图。
可以理解地，得到呈现植株的图像区域，则能够对应的得到未呈现植株的图像区域。为了更加方便区分呈现植株的图像区域及未呈现植株的图像区域，可以将未呈现植株的图像区域的像素点赋予第二特定值。在一些实施例中，可以将呈现植株的图像区域内的像素点的取值改为第二特定值。比如，将呈现植株的图像区域内的像素点的取值确定为0。在另一些实施例中，还可以是将呈现植株的图像区域内的像素点的灰度等级状态调整为第二特定值。比如，将呈现植株的图像区域内的像素点的灰度等级状态调整为0。
通过上述子步骤S101-2和子步骤S101-3实现在地块图像的基础上生成对应的待处理二值图。
在本发明实施例中，上述步骤S102的目的在于从待处理二值图中确定出理想种植区域所对应的图像区域(即，规划种植区域)。
在一些实施例中，如图8所示，上述步骤S102可以包括以下子步骤：
子步骤S102-1，建立与第一方向垂直的坐标轴。
比如，图9中所示，表征植株种植行向的第一方向为方向a，因此，可以建立垂直于方向a的坐标轴，坐标轴b。
子步骤S102-2，统计坐标轴上每一个位置点对应的像素点列中目标像素点的数量。
上述位置点可以是坐标轴上的点。
上述像素点列可以是由多个像素点组成的集合。属于同一像素点列的像素点在待处理二值图中的排列方向与第一方向平行。此外，在待处理二值图中与同一个像素点之间的排列方向与第一方向平行的所有像素点均在同一像素点列中。为了方便本领域技术人员进行理解，下面以两个例子对像素点列进行说明：例子1，第一方向为竖直方向时，待处理二值图对应的像素点阵列中位于同一列的像素点属于同一像素点列，即所有满足图像坐标为(i，1)的像素点属于同一像素点列，满足图像坐标为(i，2)的像素点属于同一像素点列，依次类推，需要说明的是，i可以是1和像素点阵列的最大行号之间的任意取值。例子2，第一方向与水平方向之间的夹角为45°，假设待处理二值图对于的像素点阵列为300*300的阵列时，那么图像坐标为(1,1)、(2,2)…(300,300)的像素点属于同一像素点列，图像坐标为(2,1)、(3,2)…(300,299)的像素点属于同一像素点列，图像坐标为(1,2)、(2,3)…(299,300)的像素点属于同一像素点列。
基于以上，与位置点相关的像素点列可以是存在与位置点重合的像素点的像素点列，或者所包括的像素点构成的直线的延长线与位置点相交的像素点列。
在本发明实施例中，统计每个位置点对应的像素点列中包括的目标像素点的数量。可选地，可以通过统计像素点列中被赋予第一特定值的像素点的数量，确定对应的目标像素点的数量。
子步骤S102-3，依据坐标轴上的位置点及对应的目标像素点的数量，生成累加曲线。
可选地，得到的累加曲线的横坐标为上述坐标轴上的位置点，纵坐标为位置点对应的目标像素点的数量。
子步骤S102-4，依据累加曲线，确定规划种植区域。
上述累加曲线可以表征在第一方向上目标像素点的分布，即，表征实际空间中种植行向上植株的分布。同时，在种植过程中，作物植株整体种植于理想种植区域内。整体而言在规划种植区域内存在的目标像素点相较于其他位置较多。因此，依据累加曲线中的波峰即可确定待处理二值图中规划种植区域的位置。
基于以上原理，在一些实施例中，上述子步骤S102-4可以采用如下实现方式：
(1)从累加曲线上获取至少一个波峰对应的波峰顶点及波峰宽度。
在一些实施例中，可以是从累加曲线上识别所有的波峰，并获取对应的波峰顶点及波峰宽度。可选地，上述从累加曲线上识别波峰的方式可以是依据累加曲线每一个点的切线与第一方向之间的夹角判断是否为波峰。比如，累加曲线中连续的多个点所对应的切线与第一方向之间的夹角的变化趋势满足：先从小于90°变为等于90°，再从等于90°变为小于90°，那么判断这连续的多个点构成累加曲线的一个波峰。
在一些实施例中，上述获取至少一个波峰对应的波峰顶点及波峰宽度还可以用scipy.signal.find_peaks等类似方法实现。
(2)依据各个波峰对应的波峰顶点及第一方向，确定每个波峰对应的中轴线。可选地，可以是将穿过波峰定点且与第一方向平行的直线确定为该波峰对应的中轴线。
(3)基于波峰对应的中轴线及波峰宽度，确定出至少一个规划种植区域。
在本发明实施例中，以波峰宽度作为规划种植区域的宽幅，沿着中轴线在待处理二值图中确定矩形的规划种植区域。每个波峰对应着一对中轴线及波峰宽度，因此，可以根据识别波峰得到对应数量的规划种植区域。
在一些实施例中，为了减少误差的存在，在依据所述累加曲线，确定所述规划种植区域之前，上述步骤S102还可以包括：对累加曲线进行平滑处理。
上述平滑处理的目的在于实现对累加曲线的去噪。基于上述目的，上述对累加曲线进行平滑处理的实现可以是，但不限于是，移动平均后去噪、Univariate Spline拟合后去噪、Savitzky_Golay Filter平滑后去噪，去噪的情况包括但不限于修正Savitzky_GolayFilter平滑后负数的值等。
为了方便处理，在一些实施例中，如图10所示，在图2所示的缺苗识别方法的基础上，还包括步骤：
S201，旋转待处理二值图，直至待处理二值图中表征植株种植行向的第一方向与竖直方向重合。
S202，将旋转后的待处理二值图扩充为预选形状，以得到满足条件的待处理二值图。
可以理解地，扩充为预选形状的待处理二值图即为满足条件的待处理二值图。上述满足条件的待处理二值图中属于扩充的图像区域的像素点被赋予第二特定值。比如，如图11所示，将地块图像进行二值化处理后，旋转并扩充为正方形，将扩充的图像区域内的像素点赋予第二特定值。需要说明的是，图11内满足条件的待处理二值图中黑色区域为赋予第二特定值的像素点，白色区域为赋予第一特定值的像素点。
在图10所示的缺苗识别方法中，满足条件的待处理二值图的底边与待处理二值图的底边垂直，故，可以将待处理二值图的底边确定为步骤S102中所建立的坐标轴。如此，在统计坐标轴上每一个位置点对应的像素点列中目标像素点的数量时，可以将满足条件的待处理二值图中各列像素点作为一个像素点列，此时，与位置点对应的像素点列为包含与该位置点重合的像素点的像素点列。
基于以上描述可知，得到准确的规划种植区域，第一方向十分关键。在一些实施例中，上述第一方向可以人工在待处理二值图中标记。
在另外一些实施例中，上述第一方向也可以自动识别出来。故，在图2所示的缺苗识别方法的基础上，还包括步骤：
步骤S301，从待处理二值图中识别第一方向。
在一些实施例中，如图12所示，上述步骤S301可以包括以下子步骤：
子步骤S301-1，将待处理二值图进行霍夫变换处理，以得到多个直线参数及对应的累加值。
在本发明实施例中，上述霍夫变换处理的过程可以是首先将待处理二值图转换到极坐标系下的霍夫空间，再从霍夫空间的累加器获取识别出的直线参数及该直线参数对应的累加值。直线参数能够表征待处理二值图中由目标像素点构成的直线。比如，将待处理二值图进行霍夫变换处理后，可以得到直线列表，该列表中每一个表项内写有一个直线参数(比如，直线在极坐标系下的直线方向角和半径)，每一直线参数还对应这一个累加值。
子步骤S301-2，依据直线参数及累加值，确定出目标直线方向角。
在一些实施例中，上述直线参数可以由直线方向角和半径组成。当然，在其他实施例中，也可以由斜率和半径组成。下面以由直线方向角和半径组成的直线参数为例对子步骤S301-2进行说明，当然，可以理解地，无论直线参数以何种形式存在，上述步骤S301-2的原理均相同，就不再赘述。具体如下：
在一些实施例中，上述子步骤S301-2包括：
S301-2-1，当直线参数的数量未超过预设的第一值时，将对应的累加值最大的直线参数的直线方向角确定为目标直线方向角。比如，在得到的直线列表中表项的数量未超过预设的20时，将对应的累加值最大的表项内所记录的直线方向角确定为目标直线方向角。
S301-2-2，当直线参数的数量超过所述第一值时，基于所有的直线参数，统计不同的直线方向角的出现次数。
比如，依据直线列表中显示，直线参数(θ1,r1)、直线参数(θ1,r2)、直线参数(θ2,r3)、直线参数(θ1,r3)，上述θ1和θ2为不同的直线方向角。基于以上统计得到，直线列表中上述θ1的出现次数是3，θ2出现次数是1。
在本发明实施例中，上述S301-2-1与S301-2-2之间没有必然的先后顺序，二者为并列关系。得到不同的直线方向角对应的出现次数后流程进入步骤S301-2-3。
S301-2-3，将出现次数最高的直线方向角确定为目标直线方向角。
在一些可能的场景中，出现次数最大的直线方向角存在多个时，还可以结合对应的累加值选出目标直线方向角。比如，分别将具有相同直线方向角的直线参数所对应的累加值叠加，以得到统计值，然后从出现次数最大的直线方向角中选出所对应的统计值最大的，并将其确定为目标直线方向角。
子步骤S301-3，依据目标直线方向角确定第一方向。
在一些实施例中，将目标直线方向角表征的方向作为第一方向。
在一些实施例中，上述步骤S103的目的在于区分出理想种植区域中具有存活植株的区域及不具有存活植株的区域。
作为一种实时方式，上述步骤S103可以包括：
首先，依据目标像素点的赋值及确定出的规划种植区域，创建掩膜图。上述掩膜图也就mask图，上述mask图也是一个二值图，且图像尺寸与待处理二值图相同。可选地，创建的mask图中有与规划种植区域对应的图像区域，该图像区域内的像素点赋值为目标像素点的赋值，也即赋予第一特定值，其他图像区域被赋予第二特定值。
其次，将掩膜图与待处理二值图进行异或处理。
在一些实施例中，通过将掩膜图与待处理二值图进行异或处理，实现在待处理二值图的规划种植区域内确定出缺苗区域。再将缺苗区域映射到地块图像中，并进行标记，以提醒相关人员依照标识出的缺苗区域进行补种。整个过程，耗时短、所需人工成本几乎接近零。在一些场景下，还能够及时、自主地侦测到缺苗区域，有效避免未及时补种而造成减产。
为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种缺苗识别装置400的实现方式，可选地，该缺苗识别装置400可以采用上述图1所示的电子设备100的器件结构。进一步地，请参阅图13，图13为本发明实施例提供的一种缺苗识别装置400的功能模块图。需要说明的是，本实施例所提供的缺苗识别装置400，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该缺苗识别装置400包括：转换模块401、确定模块402、识别模块403及判断模块404。
上述转换模块401，用于将待识别缺苗的地块图像转换为待处理二值图；其中，所述待处理二值图包括被赋予第一特定值的目标像素点，所述目标像素点与所述地块图像中呈现植株的图像区域内的像素点对应。
在一些实施例中，上述步骤S101可以由转换模块401执行。
确定模块402，用于基于所述目标像素点及表征植株种植行向的第一方向，在所述待处理二值图中确定规划种植区域。具体地，上述转换模块401还用于：识别所述地块图像中呈现所述植株的图像区域；将属于呈现所述植株的图像区域的像素点赋予所述第一特定值；将属于未呈现所述植株的图像区域的像素点赋予第二特定值，以生成所述待处理二值图。
在一些实施例中，上述步骤S102可以由确定模块402执行。可选地，所述确定模块402包括：建立子模块、统计子模块、生成子模块及第一确定子模块。
在一些实施例中，建立子模块用于建立与所述第一方向垂直的坐标轴。
在一些实施例中，统计子模块用于统计所述坐标轴上每一个位置点对应的像素点列中目标像素点的数量；其中，同一所述像素点列的像素点在所述待处理二值图中的排列方向与所述第一方向平行。
在一些实施例中，生成子模块用于依据所述坐标轴上的所述位置点及对应的所述目标像素点的数量，生成累加曲线。
在一些实施例中，第一确定子模块用于依据所述累加曲线，确定所述规划种植区域。可选地，第一确定子模块用于：从所述累加曲线上获取至少一个波峰对应的波峰顶点及波峰宽度；依据各个所述波峰对应的波峰顶点及所述第一方向，确定每个所述波峰对应的中轴线；基于所述波峰对应的所述中轴线及波峰宽度，确定出至少一个所述规划种植区域。
识别模块403，用于依据所述规划种植区域中所述目标像素点的分布，识别出所述规划种植区域中存在的缺苗区域，以便将所述缺苗区域标记于所述地块图像中。
在一些实施例中，上述步骤S103可以由识别模块403执行。
上述判断模块404，用于从所述待处理二值图中识别所述第一方向。
在一些实施例中，上述步骤S301可以由判断模块404执行。
在一些实施例中，上述判断模块404可以包括变换子模块、选择子模块及第二确定子模块。
变换子模块，用于将所述待处理二值图进行霍夫变换处理，以得到多个直线参数及对应的累加值；其中，所述直线参数用于表征从所述待处理二值图中识别出的直线。
选择子模块，用于依据所述直线参数及所述累加值，确定出目标直线方向角。
第二确定子模块，用于根据所述目标直线方向角确定所述第一方向。
可选地，上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器110中或固化于该电子设备100的操作系统(Operating System，OS)中，并可由图1中的处理器120执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器110中。
此外，本发明的另外一些实施例中还提供了一种补种方法。上述补种方法可以应用于作业设备。可选地，上述补种方法包括：当根据前述实施例提供的缺苗识别方法识别出存在的缺苗区域时，基于识别出的缺苗区域生成推荐作业路径。根据推荐作业路径执行自动补种作业。在一些实施例中，可以是在用户确定使用上述推荐作业路径后，作业设备根据上述推荐作业路径自动执行补种作业。
本发明的另外一些实施例中还提供一种作业路线规划方法，上述作业路线规划方法包括：在前述实施例提供的缺苗识别方法识别出的缺苗区域的基础上，规划作业路线，以使规划出的作业路径尽可能的避开缺苗区域，减少不必要的作业。
本发明的另外一些实施例中还提供一种喷洒/播撒/采收作业方法，应用于作业设备。可选地，上述方法包括：采用前述实施例提供的缺苗识别方法确定缺苗区域，并标记缺苗区域；在作业设备按照规划作业路线移动时，将实时位置与所述缺苗区域进行比较，以得到比较结果；若所述比较结果为所述实时位置属于所述缺苗区域，则暂停作业并按照所述规划作业路线继续移动，直到所述实时位置不属于所述缺苗区域时重启作业。可以理解地，上述喷洒/播撒/采收事实上都是作业设备的作业模式，故该实施例中所提及的作业可以是喷洒/播撒/采收中的任意一种，具体而言，作为一种喷洒方法时，该实施例中提及的作业为喷洒作业，通过上述喷洒方法实现高能效的喷洒作业，避免浪费的产生；作为一种播撒方法时，该实施例中提及的作业为播撒作业，通过上述播撒方法高效利用土地的同时避免原有作物的种植位置被侵占。作为一种采收方法时，该实施例中提及的作业为采收作业，提高采收效率和能耗。
本发明的另外一些实施例中还提供一种产量测算方法。可选地，上述方法包括：采用前述实施例提供的缺苗识别方法确定缺苗区域；根据所述缺苗区域确定有苗区域的面积；根据所述有苗区域的面积，计算所述区域产量。比如，根据各有苗区域的面积和单位产量计算不同有苗区域的产量值，再将所有区域的产量值叠加，得到最终的区域产量。可以理解地，上述有苗区域为规划种植区域中除缺苗区域以外的地块区域。
综上所述，本发明实施例提供了一种缺苗识别方法、装置、电子设备和计算机可读存储介质。其中，上述缺苗识别方法包括将地块图像转换为待处理二值图；其中，所述待处理二值图包括被赋予第一特定值的目标像素点，所述目标像素点与所述地块图像中呈现植株的图像区域内的像素点对应；基于所述目标像素点及表征植株种植行向的第一方向，在所述待处理二值图中确定规划种植区域；依据所述规划种植区域中所述目标像素点的分布，识别出所述规划种植区域中存在的缺苗区域，以便将所述缺苗区域标记于所述地块图像中。本发明实施例实现了准确的确定缺苗的位置，识别过程无需人工协助，降低了人力成本，也提高识别效率。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (20)

1.一种缺苗识别方法，其特征在于，所述缺苗识别方法包括：
将待识别缺苗的地块图像转换为待处理二值图；其中，所述待处理二值图包括被赋予第一特定值的目标像素点，所述目标像素点与所述地块图像中呈现植株的图像区域内的像素点对应；
基于所述目标像素点及表征植株种植行向的第一方向，在所述待处理二值图中确定规划种植区域；
依据所述规划种植区域中所述目标像素点的分布，识别出所述规划种植区域中存在的缺苗区域，以便将所述缺苗区域标记于所述地块图像中。
2.根据权利要求1所述的缺苗识别方法，其特征在于，所述基于所述目标像素点及表征植株种植行向的第一方向，在所述待处理二值图中确定规划种植区域的步骤包括：
建立与所述第一方向垂直的坐标轴；
统计所述坐标轴上每一个位置点对应的像素点列中所述目标像素点的数量；其中，同一所述像素点列的像素点在所述待处理二值图中的排列方向与所述第一方向平行；
依据所述坐标轴上的所述位置点及对应的所述目标像素点的数量，生成累加曲线；
依据所述累加曲线，确定所述规划种植区域。
3.根据权利要求2所述的缺苗识别方法，其特征在于，所述依据所述累加曲线，确定所述规划种植区域的步骤：
从所述累加曲线上获取至少一个波峰对应的波峰顶点及波峰宽度；
依据各个所述波峰对应的波峰顶点及所述第一方向，确定每个所述波峰对应的中轴线；
基于所述波峰对应的所述中轴线及波峰宽度，确定出至少一个所述规划种植区域。
4.根据权利要求2所述的缺苗识别方法，其特征在于，在依据所述累加曲线，确定所述规划种植区域之前，所述基于所述目标像素点及表征植株种植行向的第一方向，在所述待处理二值图中确定规划种植区域的步骤包括：
对所述累加曲线进行平滑处理。
5.根据权利要求1所述的缺苗识别方法，其特征在于，在基于所述目标像素点及表征植株种植行向的第一方向，在所述待处理二值图中确定规划种植区域之前，所述缺苗识别方法还包括：
旋转所述待处理二值图，直至所述待处理二值图中表征植株种植行向的所述第一方向与竖直方向重合；
将旋转后的所述待处理二值图扩充为预选形状，以得到满足条件的待处理二值图；其中，所述满足条件的待处理二值图中属于扩充的图像区域的像素点被赋予第二特定值。
6.根据权利要求1所述的缺苗识别方法，其特征在于，所述将待识别缺苗的地块图像转换为待处理二值图的步骤包括：
识别所述地块图像中呈现所述植株的图像区域；
将属于呈现所述植株的图像区域的像素点赋予所述第一特定值；
将属于未呈现所述植株的图像区域的像素点赋予第二特定值，以生成所述待处理二值图。
7.根据权利要求1所述的缺苗识别方法，其特征在于，所述缺苗识别方法还包括：从所述待处理二值图中识别所述第一方向；所述从所述待处理二值图中识别所述第一方向的步骤包括：
将所述待处理二值图进行霍夫变换处理，以得到多个直线参数及对应的累加值；其中，所述直线参数包括直线方向角；
依据所述直线参数及所述累加值，从所述直线参数的直线方向角中确定出目标直线方向角；
根据所述目标直线方向角确定所述第一方向。
8.根据权利要求7所述的缺苗识别方法，其特征在于，
所述依据所述直线参数及所述累加值，从所述直线参数的直线方向角中确定出目标直线方向角的步骤包括：
当所述直线参数的数量未超过预设的第一值时，将对应的所述累加值最大的所述直线参数的直线方向角确定为所述目标直线方向角；
当所述直线参数的数量超过所述第一值时，基于所有的所述直线参数，统计不同的所述直线方向角的出现次数；
将所述出现次数最高的所述直线方向角确定为目标直线方向角。
9.根据权利要求1所述的缺苗识别方法，其特征在于，所述依据所述规划种植区域中所述目标像素点的分布，识别出所述规划种植区域中存在的缺苗区域的步骤包括：
依据所述目标像素点的赋值及确定出的所述规划种植区域，创建掩膜图；其中，所述掩膜图中与所述规划种植区域对应的图像区域的像素点赋值为所述目标像素点的赋值；
将所述掩膜图与所述待处理二值图进行异或处理，以得到所述缺苗区域。
10.一种补种方法，其特征在于，应用于作业设备，所述方法包括：
当根据权利要求1-9任一项所述的方法识别出所述缺苗区域时，基于识别出的所述缺苗区域生成推荐作业路径；
根据所述推荐作业路径执行自动补种作业。
11.一种作业路线规划方法，其特征在于，所述方法包括：
在采用权利要求1-9任一项所述的方法识别出的所述缺苗区域上，规划作业路线。
12.一种喷洒/播撒/采收作业方法，其特征在于，应用于作业设备，所述方法包括：
采用权利要求1-9任一项所述的方法识别出所述缺苗区域，并标记缺苗区域；
在所述作业设备按照规划作业路线移动时，将实时位置与所述缺苗区域进行比较，以得到比较结果；
若所述比较结果为所述实时位置属于所述缺苗区域，则暂停作业并按照所述规划作业路线继续移动，直到所述实时位置不属于所述缺苗区域时重启作业。
13.一种产量测算方法，其特征在于，所述方法包括：
采用权利要求1-9任一项所述的方法识别出所述缺苗区域；
根据所述缺苗区域确定有苗区域的面积；
根据所述有苗区域的面积，计算对应的区域产量。
14.一种缺苗识别装置，其特征在于，所述缺苗识别装置包括：
转换模块，用于将待识别缺苗的地块图像转换为待处理二值图；其中，所述待处理二值图包括被赋予第一特定值的目标像素点，所述目标像素点与所述地块图像中呈现植株的图像区域内的像素点对应；
确定模块，用于基于所述目标像素点及表征植株种植行向的第一方向，在所述待处理二值图中确定规划种植区域；
识别模块，用于依据所述规划种植区域中所述目标像素点的分布，识别出所述规划种植区域中存在的缺苗区域，以便将所述缺苗区域标记于所述地块图像中。
15.根据权利要求14所述的缺苗识别装置，其特征在于，所述确定模块包括：
建立子模块，用于建立与所述第一方向垂直的坐标轴；
统计子模块，用于统计所述坐标轴上每一个位置点对应的像素点列中目标像素点的数量；其中，同一所述像素点列的像素点在所述待处理二值图中的排列方向与所述第一方向平行；
生成子模块，用于依据所述坐标轴上的所述位置点及对应的所述目标像素点的数量，生成累加曲线；
第一确定子模块，用于依据所述累加曲线，确定所述规划种植区域。
16.根据权利要求15所述的缺苗识别装置，其特征在于，所述第一确定子模块用于：
从所述累加曲线上获取至少一个波峰对应的波峰顶点及波峰宽度；
依据各个所述波峰对应的波峰顶点及所述第一方向，确定每个所述波峰对应的中轴线；
基于所述波峰对应的所述中轴线及波峰宽度，确定出至少一个所述规划种植区域。
17.根据权利要求14所述的缺苗识别装置，其特征在于，所述转换模块用于：
识别所述地块图像中呈现所述植株的图像区域；
将属于呈现所述植株的图像区域的像素点赋予所述第一特定值；
将属于未呈现所述植株的图像区域的像素点赋予第二特定值，以生成所述待处理二值图。
18.根据权利要求14所述的缺苗识别装置，其特征在于，所述缺苗识别装置还包括用于从所述待处理二值图中识别所述第一方向的判断模块；所述判断模块包括：
变换子模块，用于将所述待处理二值图进行霍夫变换处理，以得到多个直线参数及对应的累加值；其中，所述直线参数用于表征从所述待处理二值图中识别出的直线；
选择子模块，用于依据所述直线参数及所述累加值，从所述直线参数的直线方向角中确定出目标直线方向角；
第二确定子模块，用于根据所述目标直线方向角确定所述第一方向。
19.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现权利要求1-13任一所述的方法。
20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-13中任一项所述的方法。
CN202010537720.7A 2020-06-12 2020-06-12 缺苗识别方法、装置、电子设备和计算机可读存储介质 Active CN111753687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010537720.7A CN111753687B (zh) 2020-06-12 2020-06-12 缺苗识别方法、装置、电子设备和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010537720.7A CN111753687B (zh) 2020-06-12 2020-06-12 缺苗识别方法、装置、电子设备和计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN111753687A true CN111753687A (zh) 2020-10-09
CN111753687B CN111753687B (zh) 2024-10-18

Family

ID=72676497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010537720.7A Active CN111753687B (zh) 2020-06-12 2020-06-12 缺苗识别方法、装置、电子设备和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111753687B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485612A (zh) * 2021-12-29 2022-05-13 广州极飞科技股份有限公司 路线生成方法、装置、无人作业车、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886094A (zh) * 2019-01-08 2019-06-14 中国农业大学 一种作物苗情苗势采集分析方法和装置
CN110243372A (zh) * 2019-06-18 2019-09-17 北京中科原动力科技有限公司 基于机器视觉的智能农机导航系统及方法
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
CN111126222A (zh) * 2019-12-16 2020-05-08 山东工商学院 一种基于神经网络的穴盘苗空穴识别方法以及穴盘苗补苗系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109886094A (zh) * 2019-01-08 2019-06-14 中国农业大学 一种作物苗情苗势采集分析方法和装置
CN110243372A (zh) * 2019-06-18 2019-09-17 北京中科原动力科技有限公司 基于机器视觉的智能农机导航系统及方法
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
CN111126222A (zh) * 2019-12-16 2020-05-08 山东工商学院 一种基于神经网络的穴盘苗空穴识别方法以及穴盘苗补苗系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡炼 等: "基于机器视觉的株间机械除草装置的作物识别与定位方法", 农业工程学报, 31 May 2013 (2013-05-31), pages 12 - 18 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485612A (zh) * 2021-12-29 2022-05-13 广州极飞科技股份有限公司 路线生成方法、装置、无人作业车、电子设备及存储介质
CN114485612B (zh) * 2021-12-29 2024-04-26 广州极飞科技股份有限公司 路线生成方法、装置、无人作业车、电子设备及存储介质

Also Published As

Publication number Publication date
CN111753687B (zh) 2024-10-18

Similar Documents

Publication Publication Date Title
CN106971167B (zh) 基于无人机平台的作物生长分析方法及其分析系统
Yu et al. Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage
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
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
CN101859375B (zh) 农田苗期行内作物-杂草识别方法
CN104091175B (zh) 一种基于Kinect深度信息获取技术的害虫图像自动识别方法
CN111985724B (zh) 一种农作物产量预估的方法、装置、设备及存储介质
CN113469112B (zh) 农作物生长状况图像识别方法及系统
CN113575388A (zh) 基于人工智能和大数据的农业智能灌溉系统
Díaz et al. Grapevine buds detection and localization in 3D space based on structure from motion and 2D image classification
CN115661650A (zh) 一种基于物联网数据监测的农场管理系统
CN111753688B (zh) 种植行中心线确定方法、装置、电子设备及存储介质
CN114581816A (zh) 一种植物工厂茄果类蔬菜果实实时检测与计数方法
CN103440648A (zh) 农作物冠层整齐度的自动测量方法及装置
CN115687850A (zh) 一种农田的灌溉需水量计算方法及装置
CN103413172A (zh) 玉米苗期缺苗数的测量方法及装置
CN111753687A (zh) 缺苗识别方法、装置、电子设备和计算机可读存储介质
Gao et al. Maize seedling information extraction from UAV images based on semi-automatic sample generation and Mask R-CNN model
CN117281016B (zh) 基于无人机遥感的间作系统的灌溉决策方法、装置和系统
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
CN112489211B (zh) 农作物长势状态确定方法、农作物作业方法及相关装置
WO2024178904A1 (zh) 作物水肥胁迫的决策方法、装置及手机终端
CN112381028A (zh) 目标物的特征检测方法和装置
CN117115769A (zh) 一种基于语义分割网络的植株检测与定位方法
CN116739739A (zh) 一种贷款额度评估方法、装置、电子设备及存储介质

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
CB02 Change of applicant information

Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province

Applicant after: XAG Co., Ltd.

Address before: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province

Applicant before: Guangzhou Xaircraft Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant