CN111886982B - 一种旱地栽植作业质量实时检测系统的检测方法 - Google Patents
一种旱地栽植作业质量实时检测系统的检测方法 Download PDFInfo
- Publication number
- CN111886982B CN111886982B CN202010847007.2A CN202010847007A CN111886982B CN 111886982 B CN111886982 B CN 111886982B CN 202010847007 A CN202010847007 A CN 202010847007A CN 111886982 B CN111886982 B CN 111886982B
- Authority
- CN
- China
- Prior art keywords
- seedling
- image
- planting
- industrial camera
- distance
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000011897 real-time detection Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 12
- 239000002689 soil Substances 0.000 description 5
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C11/00—Transplanting machines
- A01C11/006—Other parts or details or planting machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T7/11—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种旱地栽植作业质量实时检测系统和检测方法,工业相机和距离传感器固定于移栽机栽植行机架上并始终保持与地面垂直,工业相机实时采集田间移栽的秧苗样本图像,并结合距离传感器获取的相机相对地面的距离,对样本图像处理分析,利用距离传感器获取的相机与地面实时距离,计算出秧苗叶片几何形心间的精确株距,通过对比秧苗叶片几何形心距离理论株距中心距的距离,从而判断出秧苗空穴、倒伏和露苗等栽植质量指标。本发明降低成本和检测判断难度,提高处理速度和精度,为旱地移栽机移栽作业质量提供实时的露苗、倒苗和漏苗情况的实时检测,提高移栽机的作业效率降低人工使用成本。
Description
技术领域
本发明属于农机设备领域,具体涉及一种旱地栽植机移栽作业质量实时检测系统的检测方法。
背景技术
作物育苗移栽种植方式具有出苗率高、用种量少,便于苗期精细管理以及解决茬口衔接紧张等优势,但移栽机作业过程中由于土壤条件、秧苗质量等因素影响易出现漏栽、倒苗和露苗等栽植质量问题,目前现有的旱地移栽机普遍缺乏栽植质量检测功能,导致移栽作业过程中需依靠人工不断的对栽植效果进行实时观察,严重影响了作业效率的提高且增加了人工成本。
目前已有主要针对水稻插秧的移栽作业质量监测专利公开,但由于水田作业土壤经处理后,田间畦面平整,移栽条件一致性好,与旱地移栽土壤和作业条件明显不同。
国内外的研究中,已有通过一个相机从垂直地面方向进行拍摄,但该方法目前只能实现缺苗的判断,也有提出使用多个工业相机从多个角度对栽植秧苗的状态进行检测,从而判断秧苗是否倒伏或露苗,但该方法算法复杂且对系统硬件要求高,系统运算处理时间长目前不适于移栽作业实时在线检测。因此,如何设计一种成本低能满足旱地田间移栽作业复杂工况条件下的露苗、倒伏、缺苗等栽植质量检测系统和方法是提升现有旱地移栽机移栽作业质量和效率的一个重要研究课题。
发明内容
发明目的:本发明要解决的技术问题为:现有技术多采用人工观测的方法,影响作业效率提升、增加人工成本,且目前单一相机只能检测空穴,多相机成本高、算法复杂系统运算分析处理时间长。针对现有技术中存在的不足,本发明基于图像采集处理进行移栽机田间作业质量实时在线检测,能够适用于大田作业情况下的旱地移栽作物的移栽作业质量实时在线监测。
技术方案:本发明的一种旱地栽植作业质量实时检测系统的检测方法,所述检测系统包括移栽机、工业相机、工控机和距离传感器,工业相机和距离传感器均安装于移栽机的栽植行机架,工业相机和距离传感器均与地面垂直,所述工业相机采集移栽的秧苗图像并传输至工控机,距离传感器实时采集工业相机与地面的垂直距离并传输给工控机,工控机收到图像信息和距离数据后,进行秧苗栽植状态检测判断。工控机的显示器显示检测判断后的秧苗栽植质量信息,当秧苗的栽植质量不符合预设质量要求时,工控机进行警报提醒,及时便捷地提醒用户进行故障原因排查和机具参数调整;
检测方法,包括以下步骤:
S1、建立工业相机动态标定系数,即:根据工业相机像素、工业相机距离地面高度H等参数建立工业相机像素和实际秧苗几何长度之间的标定系数:
采用一标准靶块,在不改变工业相机和秧苗几何长度等参数前提下,只改变工业相机相对地面垂直高度H,建立标准靶块与拍摄的各个图像像素点个数之间的对应关系,得到标定系数k=L/L0;
其中L为标准靶块的图像像素点个数,L0为标准靶块的标准尺寸,单位为mm。
S2、获取秧苗样本数据,即:移栽秧苗过程中,通过工业相机实时采集栽植行的秧苗栽植图像,通过距离传感器实时采集拍摄某一栽植行秧苗图像时工业相机距离地面的高度;
S3、对移栽的秧苗图像预处理;
S4、对秧苗进行位置识别,即:将预处理后的秧苗图像结合步骤S1所得标定系数来确定图像中秧苗实际几何形状尺寸;然后采用图像分割和边缘检测方法来识别图像中每株秧苗叶片的面积,通过面积计算该栽植行中每株秧苗的几何形心位置;
S5、进行秧苗的状态检测识别,秧苗的状态包括空穴、倒伏和露苗;
②倒伏判断:假定秧苗的茎秆轴心线与垂直于地面的夹角为(依据移栽机作业质量标准确定不为倒伏时的的具体值),秧苗高度为P,秧苗倾斜后的实际叶片几何形心位置与该秧苗的理论中心位置之间的距离为,;在预处理后秧苗图像中,秧苗若倾斜则有投影,然后以理论秧苗栽植位置为圆心且为半径作圆A,以理论秧苗栽植位置为圆心且P为半径作圆B;
在秧苗栽植倒伏判断标准中,秧苗的实际茎秆轴心线与垂直于地面的夹角为时(为依据移栽机栽植质量标准确定的不倒伏的具体倾角值),秧苗即为不倒伏,若秧苗实际略微倾斜时,在二值化后秧苗图像上,秧苗的实际叶片形心则必然不会与其栽植位置重合,因此在处理后的秧苗图像上,可根据秧苗倾斜后实际叶片几何形心位置和理论秧苗栽植位置进行比较。即:如果栽植的秧苗实际叶片形心位置落入圆A的区域内,则判断秧苗未倒伏;并且秧苗实际叶片形心位置距离且理论中心位置越远,其倾斜得约越严重。
在秧苗实际栽植中,当秧苗完全倒伏时,根据苗高高度可知秧苗的实际叶片几何形心位置与其理论栽植中心位置之间的距离没有超过秧苗高度,秧苗的根部还是栽植在理论栽植位置处,秧苗并没有离开土壤。即:如果栽植的秧苗实际叶片形心位置超出圆A的区域但未超出圆B的区域时,则判断秧苗为倒伏状态。
③露苗判断:在秧苗的实际栽植过程中,当移栽后的秧苗脱离栽植位置时,该秧苗即为露苗状态,此时,秧苗的实际叶片形心位置与理论株距中心之间的距离不小于秧苗高度。即:在预处理后的二值化秧苗图像上,当栽植的秧苗实际叶片形心位置超出圆B的区域时,判断为该秧苗处于露苗状态。
为适应不同环境需要以及有多种参数采集工具的选择性,距离传感器包括红外传感器、激光传感器和超声波传感器的任意一种或者组合使用。
为便于提高检测精度,所述工业相机和距离传感器两者位于同一水平高度,且均位于栽植行后方,移栽机工作过程中工业相机和距离传感器一起随着栽植作物单元移动。
进一步的,所述步骤S3中秧苗图像预处理的具体方法为:
步骤S3.3、先对步骤S2所采集的移栽秧苗图像依次进行灰度化处理、图像降噪处理以及图像增强处理;
步骤S3.4、通过自适应阈值分割算法对步骤S3.3处理后的图像进行二值化处理,然后将利用二值化后的图像结合工业相机像素与实际长度的标定系数确定秧苗的实际几何尺寸。
进一步的,采用超绿算法进行图像灰度处理和大津阀值法自适应选取二值化阀值;采用小波阀值降噪法对图片进行图像降噪,采用小波变换对图像进行图像增强。
有益效果:本发明解决了现有技术中无法进行旱地移栽作业质量(空穴、倒伏、露苗)检测的问题,通过工业相机高度传感器获得精确的秧苗栽植状态信息,根据移栽机的确定株距,通过栽植秧苗的形心位置与理论株距中心的对比,基于秧苗形态特征,判断秧苗是否露苗、倒伏和漏苗。
本发明大大降低了硬件条件、成本和检测判断难度,提高了系统处理速度,可为旱地移栽机移栽作业质量提高实时的露苗、倒苗和漏苗情况的实时检测,提高移栽机的作业效率降低人工使用成本。
附图说明
图1为本发明一实施例中系统结构示意图;
图2为本发明一实施例中检测流程示意图;
图3为本发明一实施例作物示意图;
图4为本发明一实施例中图像处理和投影示意图。
具体实施方式
下面对本发明技术方案进行详细说明,但是本发明的保护范围不局限于所述实施例。
如图1所示,本实施例中的一种旱地栽植作业质量实时检测系统的检测方法,检测系统包括移栽机、工业相机、处理器和距离传感器,工业相机和距离传感器均安装于移栽机的栽植行机架,工业相机和距离传感器均与地面垂直,所述工业相机采集移栽的秧苗图像并传输至处理器,距离传感器实时采集工业相机与地面的垂直距离并传输给处理器,处理器收到图像信息和距离数据后,进行秧苗栽植状态检测判断。工控机的显示器显示检测判断后的秧苗栽植质量信息,当秧苗的栽植质量不符合预设质量要求时,工控机进行警报提醒,及时便捷地提醒用户进行故障原因排查和机具参数调整。
为适应不同环境需要以及有多种参数采集工具的选择性,距离传感器包括红外传感器、激光传感器和超声波传感器的任意一种或者组合使用。
为便于提高检测精度,所述工业相机和距离传感器两者位于同一水平高度,且均位于栽植行后方,移栽机工作过程中工业相机和距离传感器一起随着栽植作物单元移动。
如图2所示,上述旱地栽植作业质量实时检测系统的检测方法,包括以下步骤:
S1、建立工业相机动态校正系数,即:根据工业相机像素、工业相机距离地面高度等参数标定工业相机像素和实际长度之间的对应关系系数;
S2、获取秧苗样本数据,即:移栽秧苗过程中,通过工业相机实时采集栽植行的秧苗栽植图像,通过距离传感器实时采集拍摄某一栽植行秧苗图像时工业相机距离地面的高度;
S3、对移栽的秧苗图像预处理;
S4、对秧苗进行位置识别,即:将预处理后的秧苗图像结合步骤S1所得标定系数来确定图像中秧苗实际几何尺寸;然后采用图像分割和边缘检测方法来识别图像中每株(穴)秧苗叶片的面积,通过面积计算该栽植行中每株(穴)秧苗的几何形心位置;
S5、进行秧苗的状态检测识别,秧苗的状态包括空穴、倒伏和露苗;
①空穴判断:根据步骤S4获取的每株(穴)秧苗的几何形心位置,计算相邻两株(穴)的欧式距离,然后以相邻两株(穴)的欧式距离和移栽机设定的移栽株距进行比较:当满足时,判断相邻两株(穴)秧苗之间有(n-1)株空穴,其中为秧苗田间实际株距的标准偏差;
如果栽植的秧苗实际叶片几何形心位置落入圆A的区域内,则判断秧苗未倒伏;并且秧苗实际叶片几何形心位置距离且理论中心位置越远,其倾斜得约越严重。
如果栽植的秧苗实际叶片几何形心位置超出圆A的区域但未超出圆B的区域时,则判断秧苗为倒伏状态。
③露苗判断:在预处理后的二值化秧苗图像上,当栽植的秧苗实际叶片几何形心位置超出圆B的区域时,判断为该秧苗处于露苗状态。
实施例1:
如图3所示本实施例中,秧苗高度为P。
如图4所示,图中从上向下开始判断:
第一株秧苗的实际叶片几何形心位置处于两个圆之间,判断为倒伏状态,但处于未露苗状态。
第二株实际应栽植位置处,叶片几何形心位置位于半径为圆A内,判断为未倒伏状态。
第三株秧苗的实际叶片几何形心位置在圆B之外,其实际栽植位置也脱离了预设理论栽植位置,即超出了以P为半径的圆B外,判定为露苗状态。
第四株秧苗和第五株秧苗的实际叶片几何形心位置位于圆A内,且基本与圆A中心重合,因此均判断为不倒伏也不倾斜。
第六株秧苗的实际叶片几何形心位置位于圆A内且与圆A中心有偏差,因此判断为不倒伏但存在倾斜。
第七秧苗的实际叶片几何形心位置在圆B的圆周上,判定为露苗状态。
本实施例中,工控机执行上述检测判断分析方法,工控机的显示器实时显示检测判断后的秧苗栽植质量信息,当秧苗的栽植质量不符合预设质量要求时,工控机进行警报提醒,及时便捷地提醒用户进行故障原因排查和机具参数调整。
通过上述实施例可以看出,本发明中的工业相机和距离感器固定于移栽机栽植行机架上并始终保持与地面垂直,工业相机实时采集田间移栽的秧苗情况,并结合距离传感器获取的相机相对地面的距离。实际检测判断时,获取采样图像,图像处理分析,利用距离传感器获取的同业相机与地面实时距离,计算出秧苗叶片几何形心间的精确株距;然后以理论株距为参照,通过对比秧苗叶片几何形心距离理论株距中心距的距离,从而判断出秧苗空穴、倒伏和露苗等栽植质量指标。
本发明能够精准判断秧苗倒伏、露苗或者空穴状态,同时检测系统的硬件成本低、算法精简高效,对处理器要求不高,适合大规模推广使用。
Claims (6)
1.一种旱地栽植作业质量实时检测系统的检测方法,其特征在于:所述检测系统包括移栽机、工业相机、工控机和距离传感器,工业相机和距离传感器均安装于移栽机的栽植行机架,工业相机和距离传感器均与地面垂直,所述工业相机采集移栽的秧苗图像并传输至工控机,距离传感器实时采集工业相机与地面的垂直距离并传输给工控机,工控机收到图像信息和距离数据后,进行秧苗栽植状态检测判断,工控机的显示器显示检测判断后的秧苗栽植质量信息,当秧苗的栽植质量不符合预设质量要求时,工控机提醒用户;
检测方法具体包括以下步骤:
S1、建立工业相机动态标定系数,即:根据工业相机像素、工业相机距离地面高度H参数建立工业相机像素和实际秧苗几何长度之间的标定系数k;
S2、获取秧苗样本数据,即:移栽秧苗过程中,通过工业相机实时采集栽植行的秧苗栽植图像,通过距离传感器实时采集拍摄某一栽植行秧苗图像时工业相机距离地面的高度;
S3、对移栽的秧苗图像预处理;
S4、对秧苗进行位置识别,即:将预处理后的秧苗图像结合步骤S1所得标定系数k来确定图像中秧苗投影后的实际几何形状尺寸;然后采用图像分割和边缘检测方法来识别图像中每株秧苗叶片的面积,通过面积计算该栽植行中每株秧苗的几何形心位置;
S5、进行秧苗的状态检测识别,秧苗的状态包括空穴、倒伏和露苗;
②倒伏判断:假定秧苗的茎秆轴心线与垂直于地面的夹角为,秧苗高度为P,秧苗倾斜后的实际叶片几何形心位置与该秧苗的理论中心位置之间的距离为,;在预处理后秧苗图像中,秧苗若倾斜则有投影,然后以理论秧苗栽植位置为圆心且为半径作圆A,以理论秧苗栽植位置为圆心且P为半径作圆B;
如果栽植的秧苗实际叶片几何形心位置落入圆A的区域内,即,则判断秧苗为未倒伏状态;
如果栽植的秧苗实际叶片几何形心位置超出圆A的区域且未超出圆B的区域时,则判断秧苗为倒伏状态;
③露苗判断:在预处理后的秧苗图像上,当栽植的秧苗实际叶片几何形心位置超出圆B的区域时,判断为该秧苗处于露苗状态。
2.根据权利要求1所述的旱地栽植作业质量实时检测系统的检测方法,其特征在于:所述距离传感器包括红外传感器、激光传感器和超声波传感器。
3.根据权利要求1所述的旱地栽植作业质量实时检测系统的检测方法,其特征在于:所述工业相机和距离传感器两者位于同一水平高度,且均位于栽植行后方,移栽机工作过程中工业相机和距离传感器一起随着栽植作物单元移动。
4.根据权利要求1所述的旱地栽植作业质量实时检测系统的检测方法,其特征在于;所述步骤S1标定系数的具体标定方法为:
采用一标准靶块,在不改变工业相机和秧苗几何长度参数前提下,只改变工业相机相对地面的垂直高度H,然后建立标准靶块与拍摄的图像像素点个数之间的对应关系,得到校标定系数k=L/L0;
其中L为标准靶块的图像像素点个数,L0为标准靶块的标准尺寸。
5.根据权利要求1所述的旱地栽植作业质量实时检测系统的检测方法,其特征在于;所述步骤S3中秧苗图像预处理的具体方法为:
步骤S3.3、先对步骤S2所采集的移栽秧苗图像依次进行灰度化处理、图像降噪处理以及图像增强处理;
步骤S3.4、通过自适应阈值分割算法对步骤S3.3处理后的图像进行二值化处理,然后将利用二值化后的图像结合工业相机像素与实际长度的标定系数确定秧苗的实际几何尺寸。
6.根据权利要求1所述的旱地栽植作业质量实时检测系统的检测方法,其特征在于:采用超绿算法进行图像灰度处理和大津阀值法自适应选取二值化阀值;采用小波阀值降噪法对图片进行图像降噪,采用小波变换对图像进行图像增强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847007.2A CN111886982B (zh) | 2020-08-21 | 2020-08-21 | 一种旱地栽植作业质量实时检测系统的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010847007.2A CN111886982B (zh) | 2020-08-21 | 2020-08-21 | 一种旱地栽植作业质量实时检测系统的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111886982A CN111886982A (zh) | 2020-11-06 |
CN111886982B true CN111886982B (zh) | 2022-03-22 |
Family
ID=73230502
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010847007.2A Active CN111886982B (zh) | 2020-08-21 | 2020-08-21 | 一种旱地栽植作业质量实时检测系统的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111886982B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797601B (zh) * | 2023-08-24 | 2023-11-07 | 西南林业大学 | 一种基于图像识别的华山松生长动态的监控方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0837833A (ja) * | 1994-08-02 | 1996-02-13 | Yanmar Agricult Equip Co Ltd | 野菜移植機の欠株補正機構 |
CN1508512A (zh) * | 2002-12-17 | 2004-06-30 | 北京航空航天大学 | 一种多视觉传感器检测系统全局标定方法 |
CN102663397A (zh) * | 2012-03-21 | 2012-09-12 | 华中科技大学 | 一种小麦出苗的自动检测方法 |
CN103218820A (zh) * | 2013-04-22 | 2013-07-24 | 苏州科技学院 | 一种基于多维特征的相机标定误差补偿方法 |
CN103309310A (zh) * | 2013-05-21 | 2013-09-18 | 江苏大学 | 一种基于激光扫描的穴盘苗移栽机器人作业监控方法 |
CN103335634A (zh) * | 2013-06-24 | 2013-10-02 | 南京航空航天大学 | 一种用于部件安装姿态校准的视觉靶板装置及标定方法 |
CN104704969A (zh) * | 2015-03-26 | 2015-06-17 | 江苏大学 | 一种带有坏苗剔除功能的自走式移栽机及移栽方法 |
CN106373133A (zh) * | 2016-08-31 | 2017-02-01 | 重庆广播电视大学 | 一种基于暗通道去雾算法的农田插秧检测方法及其系统 |
CN107101842A (zh) * | 2017-06-22 | 2017-08-29 | 内蒙古农业大学 | 移栽机的移栽性能测试方法和系统 |
CN107464232A (zh) * | 2017-07-13 | 2017-12-12 | 江苏大学 | 一种无人插秧机栽插质量的图像检测方法 |
CN108323389A (zh) * | 2018-01-18 | 2018-07-27 | 华南农业大学 | 水稻插秧机的插秧秧苗株距与穴秧苗数的检测方法和装置 |
CN109115776A (zh) * | 2018-08-27 | 2019-01-01 | 江苏大学 | 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置 |
CN109405757A (zh) * | 2018-12-28 | 2019-03-01 | 华南农业大学 | 一种多光感式稻苗株距测量装置 |
-
2020
- 2020-08-21 CN CN202010847007.2A patent/CN111886982B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0837833A (ja) * | 1994-08-02 | 1996-02-13 | Yanmar Agricult Equip Co Ltd | 野菜移植機の欠株補正機構 |
CN1508512A (zh) * | 2002-12-17 | 2004-06-30 | 北京航空航天大学 | 一种多视觉传感器检测系统全局标定方法 |
CN102663397A (zh) * | 2012-03-21 | 2012-09-12 | 华中科技大学 | 一种小麦出苗的自动检测方法 |
CN103218820A (zh) * | 2013-04-22 | 2013-07-24 | 苏州科技学院 | 一种基于多维特征的相机标定误差补偿方法 |
CN103309310A (zh) * | 2013-05-21 | 2013-09-18 | 江苏大学 | 一种基于激光扫描的穴盘苗移栽机器人作业监控方法 |
CN103335634A (zh) * | 2013-06-24 | 2013-10-02 | 南京航空航天大学 | 一种用于部件安装姿态校准的视觉靶板装置及标定方法 |
CN104704969A (zh) * | 2015-03-26 | 2015-06-17 | 江苏大学 | 一种带有坏苗剔除功能的自走式移栽机及移栽方法 |
CN106373133A (zh) * | 2016-08-31 | 2017-02-01 | 重庆广播电视大学 | 一种基于暗通道去雾算法的农田插秧检测方法及其系统 |
CN107101842A (zh) * | 2017-06-22 | 2017-08-29 | 内蒙古农业大学 | 移栽机的移栽性能测试方法和系统 |
CN107464232A (zh) * | 2017-07-13 | 2017-12-12 | 江苏大学 | 一种无人插秧机栽插质量的图像检测方法 |
CN108323389A (zh) * | 2018-01-18 | 2018-07-27 | 华南农业大学 | 水稻插秧机的插秧秧苗株距与穴秧苗数的检测方法和装置 |
CN109115776A (zh) * | 2018-08-27 | 2019-01-01 | 江苏大学 | 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置 |
CN109405757A (zh) * | 2018-12-28 | 2019-03-01 | 华南农业大学 | 一种多光感式稻苗株距测量装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111886982A (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10568316B2 (en) | Apparatus and methods for in-field data collection and sampling | |
Tian et al. | Machine vision identification of tomato seedlings for automated weed control | |
CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
CN100416590C (zh) | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 | |
CN112614147B (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 | |
CN105844632B (zh) | 基于机器视觉的稻株识别与定位方法 | |
CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
CN108037123B (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
CN113920106B (zh) | 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法 | |
CN111291686B (zh) | 农作物根果表型参数的提取与根果表型判别方法及系统 | |
CN114694047A (zh) | 一种玉米播种质量的评价方法及装置 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
Li et al. | Image detection and verification of visual navigation route during cotton field management period | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 | |
He et al. | Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
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 | |
CN117152639A (zh) | 基于无人机影像的玉米生长初期行中心线提取方法及系统 | |
CN117456523A (zh) | 作物种类识别方法、装置、电子设备及介质 | |
CN110612813A (zh) | 基于嵌入式视觉平台的叶菜切割系统 | |
CN109685815A (zh) | 一种基于图像处理的玉米行间的路径规划方法 | |
CN114612899A (zh) | 基于改进YOLOv3的麦苗行中心线检测方法 | |
Liu et al. | Method for Detecting Obstacles of Riceplanter Based on Machine Vision |
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 |