CN111918547A - 树冠识别装置、识别方法、程序和记录介质 - Google Patents

树冠识别装置、识别方法、程序和记录介质 Download PDF

Info

Publication number
CN111918547A
CN111918547A CN201880091604.8A CN201880091604A CN111918547A CN 111918547 A CN111918547 A CN 111918547A CN 201880091604 A CN201880091604 A CN 201880091604A CN 111918547 A CN111918547 A CN 111918547A
Authority
CN
China
Prior art keywords
image
crown
farm
data
breeding
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
CN201880091604.8A
Other languages
English (en)
Other versions
CN111918547B (zh
Inventor
关谷和树
落合宏章
名越有里可
郭威
穆悦
平藤雅之
二宫正士
高田大辅
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.)
NEC Solution Innovators Ltd
University of Tokyo NUC
Original Assignee
NEC Solution Innovators Ltd
University of Tokyo NUC
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 NEC Solution Innovators Ltd, University of Tokyo NUC filed Critical NEC Solution Innovators Ltd
Publication of CN111918547A publication Critical patent/CN111918547A/zh
Application granted granted Critical
Publication of CN111918547B publication Critical patent/CN111918547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G17/00—Cultivation of hops, vines, fruit trees, or like trees
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G01C11/04—Interpretation of pictures
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/174—Segmentation; Edge detection involving the use of two or more images
    • 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
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/20036—Morphological image processing
    • G06T2207/20044—Skeletonization; Medial axis transform
    • 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
    • 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
    • G06T2207/30242—Counting objects in image

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Botany (AREA)
  • Environmental Sciences (AREA)
  • Remote Sensing (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Forests & Forestry (AREA)
  • Ecology (AREA)
  • Immunology (AREA)
  • Geometry (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Astronomy & Astrophysics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供了一种用于使用航拍图像识别果树的每个树冠的系统。本发明的树冠识别装置(40)包括识别基准确定单元(41)和树冠识别单元(42)。识别基准确定单元(41)包括：第一图像获取部(411)，其用于获取包括在果树农场中的在落叶期中的多个果树的第一航拍图像；骨架提取部(412)，其用于通过图像处理从第一航拍图像中提取包括多个果树的整体树冠骨架；顶点提取部(413)，其用于提取与每个果树相对应的树冠骨架中的顶点；和识别基准提取部(414)，其提取包括所有顶点的最小多边形树冠候选区域作为用于每个果树的识别基准并且从树冠候选区域中提取形心作为用于每个果树的识别基准。树冠识别单元(42)包括：第二图像获取部(421)，其用于获取与所述第一航拍图像具有相同的比例的在识别树冠时的果树农场的第二航拍图像；整体树冠提取部(422)，其用于通过图像处理从第二航拍图像中提取包括多个果树的整体树冠图像；和树冠识别部(423)，其用于将作为识别基准的树冠候选区域和形心与整体树冠图像进行对照并且在第二航拍图像中识别每个果树的树冠区域。

Description

树冠识别装置、识别方法、程序和记录介质
技术领域
本发明涉及一种树冠识别装置、一种识别方法、一种程序和一种记录介质。
背景技术
在果树的育种中，修剪是非常重要的。通过进行修剪，保证了用于树枝生长的空间并且改进了疏花和疏果的可加工性。通常，果农走在农场中以针对每个个体果树检查树冠的状态并且必要时进行修剪和栽培管理。然而，农场越大，走过农场并检查树冠所需要的劳动和成本越多。
因此，近年来，已提出了一种使用无人机等来检查每个果树的树冠的状态来获得农场的航拍图像的方法(非专利文献1至6)。如果能够基于航拍图像分析个体果树的个体树冠的状态，则能够通过参考信息更容易地修剪和栽培果树。然而，果树的冠部形成复杂化以优化单位面积的生产，并且难以通过所报告的计算方法来提取个体树冠，因为在叶子在果树上生长的状态下，个体果树的树冠在航拍图像中是重叠的。
引用列表
专利文献
非专利文献
非专利文献1：Patrick A,Li C.High Throughput Phenotyping of BlueberryBush Morphological Traits Using Unmanned Aerial Systems.Remote Sens 2017；9:1250。
非专利文献2：Diaz-Varela RA,de la Rosa R,Leon L,Zarco-Tejada PJ.High-Resolution Airborne UAV Imagery to Assess Olive Tree Crown Parameters Using3D Photo Reconstruction:Application in Breeding Trials.Remote Sens 2015；7:4213-4232。
非专利文献3：Panagiotidis D,Abdollahnejad A,Surovy P,ChiteculoV.Determining tree height and crown diameter from high-resolution UAVimagery.Int J Remote Sens 2016；:1-19。
非专利文献4：Zarco-Tejada PJ,Diaz-Varela R,Angileri V,Loudjani P.Treeheight quantification using very high resolution imagery acquired from anunmanned aerial vehicle(UAV)and automatic 3D photo-reconstruction methods.EurJ Agron 2014；55:89-99。
非专利文献5：Shi Y,Thomasson JA,Murray SC et al.Unmanned AerialVehicles for High-Throughput Phenotyping and Agronomic Research.PLOS ONE2016；11:e0159781。
非专利文献6：Dunford R,Michel K,Gagnage M,Piegay H,Tremelo M-L.Potential and constraints of Unmanned Aerial Vehicle technology for thecharacterization of Mediterranean riparian forest.Int J Remote Sens2009；30:4915-4935。
发明内容
技术问题
因此本发明的目的是提供一种用于例如使用农场的航拍图像来识别个体果树的个体树冠的新系统。
问题的解决方案
为了实现前述目的，本发明提供了一种用于识别在图像中的个体果树的树冠的识别装置，该识别装置包括识别基准确定单元和树冠识别单元；识别基准确定单元包括：第一图像获取部，该第一图像获取部获取包括在果树农场中的在落叶期中的多个个体果树的第一航拍图像；骨架提取部，该骨架提取部处理第一航拍图像以提取包括多个个体果树的整体树冠骨架；顶点提取单元，该顶点提取单元提取与每个个体果树相对应的每个树冠骨架的顶点；和识别基准提取部，该识别基准提取部提取包括所有顶点的最小多边形形状的树冠候选区域作为用于每个个体果树的识别基准并且提取树冠候选区域的形心，树冠识别单元包括：第二图像获取部，该第二图像获取部获取与第一航拍图像相同的比例的在识别树冠时的果树农场的第二航拍图像；整体树冠提取部，该整体树冠提取部处理第二航拍图像以提取包括多个个体果树的整体树冠图像；以及树冠识别部，该树冠识别部将识别基准的树冠候选区域和形心与整体树冠图像进行对照以识别在第二航拍图像中的每个个体果树的树冠区域。
本发明也提供了一种用于识别在图像中的多个个体果树的树冠的识别方法，该识别方法包括识别基准确定步骤和树冠识别步骤；识别基准确定步骤包括：获取包括在果树农场中的在落叶期中的多个个体果树的第一航拍图像的第一图像获取步骤，处理第一航拍图像以提取包括多个个体果树的整体树冠骨架的骨架提取步骤，提取与每个个体果树相对应的每个树冠骨架的顶点的顶点提取步骤；以及提取包括所有顶点的最小多边形形状的树冠候选区域作为用于每个个体果树的识别基准并且提取树冠候选区域的形心的识别基准提取步骤，树冠识别步骤包括：获取与第一航拍图像相同的比例的在识别树冠时的果树农场的第二航拍图像的第二图像获取步骤；处理第二航拍图像以提取包括多个个体果树的整体树冠图像的整体树冠提取步骤；以及将识别基准的树冠候选区域以及形心与整体树冠图像进行对照以在第二航拍图像中识别每个个体果树的树冠区域的树冠识别步骤。
本发明也提供了一种用于计算机执行根据本发明的识别方法的程序。
本发明也提供了一种具有根据本发明的程序的计算机可读记录介质。
发明的有益效果
根据本发明，例如，通过利用落叶期期间的航拍图像，能够容易地以更好的准确度识别个体果树的树冠。由于这个原因，本发明对于果园中果树的栽培是极其有用的。
附图说明
[图1]图1是图示第一示例实施例的识别装置的示例的框图。
[图2]图2是图示第一示例实施例的识别装置的硬件配置的示例的框图。
[图3]图3A至图3C是第一示例实施例中的图像的示例。
[图4]图4A和图4B是第一示例实施例中的图像的示例。
[图5]图5A和图5B是第一示例实施例中的图像的示例。
[图6]图6A至图6C是第一示例实施例中的图像的示例。
[图7]图7A和图7B是第一示例实施例中的图像的示例。
[图8]图8A至图8D是第一示例实施例中的图像的示例。
[图9]图9是图示第一示例实施例的识别方法的示例的流程图。
[图10]图10是图示第三示例实施例的育种数据收集装置的示例的框图。
[图11]图11是图示第三示例实施例的育种数据收集装置的另一示例的框图。
[图12]图12是图示第三示例实施例的育种数据收集装置的又一示例的框图。
[图13]图13是图示第三示例实施例的育种数据收集装置中的图像处理单元的示例的框图。
[图14]图14是图示第三示例实施例的方法的示例的流程图。
[图15]图15是图示第四示例实施例的育种数据收集装置的示例的框图。
[图16]图16A和图16B是图示第五示例实施例的系统的示例的示意图。
[图17]图17是图示第三示例实施例的系统的硬件配置的示例的框图。
具体实施方式
将参考附图描述本发明的实施例。这里注意，本发明不限于以下示例实施例。在附图中，相同的部分由相同的附图标记表示。除非另外指定，否则能够参考其它示例实施例的描述来描述每个示例实施例，并且除非另外指定，否则可以组合示例实施例的配置。
(第一示例实施例)
图1是图示本示例实施例的识别装置40的示例的配置的框图。识别装置40包括识别基准确定单元41和树冠识别单元42。识别基准确定单元41包括第一图像获取部411、骨架提取部412、顶点提取部413和识别基准提取部414。树冠识别单元42包括第二图像获取部421、整体树冠提取部422和树冠识别部423。识别装置40可以进一步包括例如果树性状分析单元43和存储部44。例如，识别装置40也被称为识别系统。
识别装置40可以是例如包括组件的一个呈现装置，或者可以是组件可经由通信网络连接到的呈现装置。通信网络不受特别限制，并且能够使用已知网络。通信网络可以是例如有线网络或无线网络。通信网络的示例包括因特网线路、电话线路和局域网(LAN)及无线保真(WiFi)。
识别装置40可以进一步包括输出单元。例如，识别装置40包括诸如要稍后描述的显示器的显示单元作为输出单元，并且可以将由识别装置40获得的信息输出到显示单元。识别装置40可以包括例如要稍后描述的通信装置作为输出单元，并且可以经由通信网络能够连接到外部装置。在这种情况下，识别装置40可以经由通信网络将由识别装置40获得的信息输出到外部装置。外部装置不受特别限制，并且其示例包括诸如相机的成像装置以及诸如个人计算机(PC)、移动电话、智能电话和平板的终端。通信网络不受特别限制并且与上述相同。
图2是图示识别装置40的硬件配置的示例的框图。识别装置40包括例如作为处理器的中央处理单元(CPU)50、存储器51、总线52、输入装置53、显示器54、通信装置55、存储装置56等。识别装置40的组件通过例如相应接口经由总线52彼此连接。
CPU 50用来控制识别装置40的整个的控制。在识别装置40中，CPU 50执行例如本发明的程序和其它程序，并且读取和写入各条信息。具体地，例如，识别装置40的CPU 50充当识别基准确定单元41、树冠识别单元42和果树性状分析单元43。
识别装置40例如可通过连接到总线52的通信装置55连接到通信网络，并且可经由通信网络连接到外部装置。
存储器51包括例如主存储器，并且该主存储器也被称为主存储装置。例如，当CPU50执行处理时，存储器51读取各种各样的操作程序57，诸如存储在要稍后描述的辅助存储装置中的本发明的程序，并且CPU 50从存储器51接收数据并执行程序57。主存储器是例如随机存取存储器(RAM)。存储器51进一步包括例如只读存储器(ROM)。
存储装置56例如相对于主存储器(主存储部)也被称为辅助存储部。存储装置56包括例如存储介质以及用于从该存储介质读取并写入到该存储介质的驱动器。存储介质不受特别限制并且可以是例如内置类型或外部类型，并且其示例包括硬盘(HD)、
Figure BDA0002694053420000061
卡(FD)、CD-ROM、CD-R、CD-RW、MO、DVD、闪速存储器和存储卡。驱动器不受特别限制。存储装置56可以是例如集成有存储介质和驱动器的硬盘驱动器(HDD)。存储装置56例如存储如上所述的程序57，并且当CPU 50被致动时，存储器51从如上所述的存储装置56读取程序57。存储装置56是例如存储部44，并且存储输入到识别装置40的信息、由识别装置40处理的信息等。
识别装置40可以进一步包括例如输入装置53和显示器54。输入装置53的示例包括触摸面板、鼠标和键盘。显示器54的示例包括LED显示器和液晶显示器。
如上所述，识别基准确定单元41包括第一图像获取部411、骨架提取部412、顶点提取部413和识别基准提取部414。
第一图像获取部411获取包括在果树农场中的在落叶期的多个个体果树的第一航拍图像F。例如，第一图像获取部411可以通过使用输入装置53来输入第一航拍图像F或者通过经由通信网络从外部装置接收第一航拍图像F来获取第一航拍图像F。
第一航拍图像F是落叶期的果树农场的图像并且包括多个个体果树。落叶期是例如当叶子从树枝掉落时的时期，并且在果树的情况下，落叶期通常是例如冬期，具体地在日本为大约十一月至三月。落叶期的果树农场的航拍图像可以是例如叶子已掉落的果树农场的航拍图像。例如，能够通过诸如无人机的无人飞行器来获得第一航拍图像F。
骨架提取部412处理第一航拍图像F以提取包括多个个体果树的整体树冠骨架F。如何处理图像不受特别限制。作为具体示例，将参考图3A至图3C对此进行描述。例如，能够通过参考成像条件等从如图3A中所示的航拍图像重构如图3B中所示的反映果树的高度等的3D图像，并且能够从如图3C中所示的此3D图像中提取果树的树冠的骨架F。树冠通常是指树在地面上方的一部分，诸如树的树枝、叶子、树干等。
例如，能够使用自适应滤波或图像形态学处理来提取树冠骨架F。
顶点提取部413提取与每个个体果树相对应的每个树冠骨架的顶点。识别基准提取部414提取包括作为识别基准的最小多边形形状的树冠候选区域F并且对于每个个体果树提取树冠候选区域F的形心F。树冠候选区域F是包括对应树冠骨架的所有顶点的最小多边形形状的区域并且具体地是例如投影最小多边形形状的区域。
作为具体示例，将在下面参考图4A和图4B描述树冠候选区域F的提取。图3C中所示的树冠骨架F的图像包括12个个体果树的树冠骨架。如图4A中所示，顶点提取部413提取每个个体果树的对应树冠骨架的所有顶点。然后，如图4B中所示，识别基准提取部414能够提取由包括所有顶点的灰线包围的最小多边形形状的区域(也称为多边形)作为每个树冠候选区域F。
图5A和图5B更详细地图示图4B。如由图5A中的白线所指示的，能够通过包括所有顶点的最小多边形形状的多边形来提取用作识别基准的树冠候选区域F的外框。图5B图示将图5A中的树冠候选区域F指示为黑白遮罩图像的外部框架。
另外，识别基准提取部414从树冠候选区域F中提取形心F。如何确定树冠候选区域F的形心F不受特别限制，并且能够通过常用方法从图5B的黑白遮罩图像的时刻起确定形心F。
树冠确定单元42包括第二图像获取部421、整体树冠提取部422和树冠识别部423。
第二图像获取部421在识别树冠时以与第一航拍图像相同的比例获取果树农场的第二航拍图像S。第二航拍图像S不受特别限制，并且可以是在有必要识别果树的树冠以进行训练和修剪时的图像。第二航拍图像S可以是例如在具体时间的仅一个图像(例如，S1)，或者可以是随着时间的推移在多个时间获得的多个图像(例如，S1、S2、S3、[…]、Sn，n是正整数)。
在本发明中，使用由识别基准确定单元41基于第一航拍图像F提取的树冠候选区域F及其形心F来识别树冠。第二航拍图像S是处于与第一航拍图像F相同的比例下的图像。例如，通过在与第一航拍图像F相同的条件下成像或者即使在不同条件下成像通过预先进行图像处理，可以将第二航拍图像S带至处于与第一航拍图像F相同的比例下。
整体树冠提取部422处理第二航拍图像S以提取包括多个个体果树的整体树冠图像S。如上所述，在有必要识别树冠时，果树的树枝和叶子与相邻果树的树枝和叶子重叠。因此，难以区分航拍图像中的边界。整体树冠提取部422不对于每个个体果树处理第二航拍图像S，而是提取多个果树的整体树冠图像S。
如何处理图像不受特别限制。将在下面参考图6A至6C描述其具体示例。例如，能够通过参考成像条件等从如图6A中所示的航拍图像重构反映如图6B中所示的果树的高度等的3D图像。能够从如图6C中所示的此3D图像中提取个体果树的整体树冠图像S。能够例如使用如上所述的自适应滤波或图像形态学处理来提取整体树冠图像S。
树冠识别部423将识别基准的树冠候选区域F和形心F与整体树冠图像S进行对照以识别每个个体果树的树冠区域S。如上所述，在第一航拍图像F中，针对第一航拍图像F中的每个个体果树提取树冠区域F及其形心。第一航拍图像F和第二航拍图像S处于相同比例下。因此，通过将作为识别基准的树冠候选区域F及其形心与从第二航拍图像S导出的整体树冠图像S进行对照，能够识别第二航拍图像S中的每个个体果树的树冠区域。
例如，树冠识别部423可以基于整体树冠图像S提取树冠候选区域并且然后可以识别最终树冠区域。也就是说，首先，可以将识别基准的树冠候选区域和形心与整体树冠图像进行对照以提取每个个体果树的树冠候选区域S，然后从树冠候选区域S和围绕树冠候选区域S的微小区域识别每个个体果树的树冠区域。将在下面更详细地描述基于树冠区域F及其形心作为识别基准来提取树冠候选区域S并且从树冠候选区域S识别树冠区域S。
整体树冠图像S由通用分水岭变换方法处理，使得每个个体果树的树冠图像被划分成如图7A中所示的多个区域。然后，在图7A的图像中使用树冠候选区域F及其形心F作为分水岭变换方法的初始值，对多个区域进行积分，并且如图7B中所示提取树冠候选区域S。
在图8A(与图7B相同的附图)中所示的每个树冠候选区域S中，如图8B中所示在树冠候选区域S(例如，由虚线围绕的区域)周围存在不均匀的微小区域S。因此，通过计算出树冠候选区域S与周围的微小区域S之间的欧几里德距离，并且如图8C中所示，对树冠候选区域S和微小区域进行积分，能够如图8D中所示的那样识别最终树冠区域S。
如上所述，例如，识别装置40可以进一步包括分析识别的树冠区域的果树性状分析单元43。树冠区域的性状是例如树冠投影面积、树冠直径、树冠形状等。这些性状的信息是通过统计分析例如从图像中的每个树冠区域获得的。
接下来，作为示例将参考图9的流程图描述本示例实施例的识别方法。例如，能够使用图1的识别装置40来执行本示例实施例的识别方法。本示例实施例的识别方法不限于使用图1的识别装置40。
首先，执行第一图像获取步骤、骨架提取步骤、顶点提取步骤和识别基准提取步骤作为识别基准确定步骤。
具体地，在第一图像获取步骤中，第一图像获取部411获取包括在果树农场中的落叶期中的多个个体果树的第一航拍图像(S10)。然后，在骨架提取步骤中，骨架提取部412处理第一航拍图像以提取包括多个个体果树的整体树冠骨架(S11)。另外，在顶点提取步骤中，顶点提取部413提取与每个个体果树相对应的每个树冠骨架的顶点(S12)。接下来，在识别基准提取步骤中，识别基准提取部414提取包括所有顶点的最小多边形形状的树冠候选区域作为用于每个个体果树的识别基准并且提取树冠候选区域的形心(S13)。然后，识别基准提取部414进一步提取用于每个个体果树的树冠候选区域的形心作为识别基准(S14)。
另一方面，执行第二图像获取步骤、整体树冠提取步骤和树冠识别步骤作为树冠识别步骤。
具体地，在第二图像获取步骤中，第二图像获取部421获取与第一航拍图像相同的比例的在识别树冠时的果树农场的第二航拍图像(S15)。接下来，在整体树冠提取步骤中，整体树冠提取部422处理第二航拍图像以提取包括多个个体果树的整体树冠图像(S16)。
然后，在树冠识别步骤中，树冠识别部423将识别基准的树冠候选区域和形心与整体树冠图像进行对照以提取每个个体果树的树冠候选区域(S17)。可以将此树冠候选区域识别为最终树冠区域。替换地，例如，可以从如上所述的树冠候选区域和微小区域识别树冠区域(S18)。可以输出以这种方式识别的树冠区域(S20)，或者可以基于所识别的树冠区域分析果树的性状(S19)，并且可以输出分析结果(S20)。
能够将本发明的识别装置和识别方法例如作为当在下述第三实施方式中分析植物的性状时的图像处理来利用。
(第二示例实施例)
本示例实施例的程序能够在计算机上执行上述示例实施例的识别方法。可以将本示例实施例的程序记录在例如计算机可读记录介质上。记录介质不受特别限制，并且其示例包括只读存储器(ROM)、硬盘(HD)、光盘和
Figure BDA0002694053420000121
盘(FD)。
[第三示例实施例]
能够例如在本示例实施例的育种数据收集装置和数据收集方法中利用本发明的用于识别个体果树的树冠的识别装置和识别方法。
在育种研究中，通常由研究人员进入农场、将农场划分成多个区块(样地)并且在视觉上观察样地来对农作物执行表达分型(表型)。然而，此方法需要大量劳动量进行评估和大工作成本，使得测量范围和测量频率也受限制。因此，例如，不在实际地对植物进行育种的农场中执行表型，而是仅在用于测试等的特殊农场中执行表型。
在这方面，例如，本示例实施例的育种数据收集装置是能够不仅在用于测试的特殊农场中而且在实际地对植物进行育种的农场中容易地获得表型用数据的新系统。
例如，本示例实施例的育种数据收集装置对农场的图像进行分类，诸如基于成像海拔高度对航拍图像进行分类，根据经分类的图像组重构农场、农场中的区块和农场中的植物的3D图像数据，并且进一步基于农场条件或成像条件将3D图像数据转换为可视化数据。因此，本示例实施例能够获得例如实际农场的广阔区域而不是测试农场的有限区域的可视化数据。结果，可视化数据能够被广泛地用于分析实际农场和在那里生长的植物，然后能够用于例如帮助获取关于表型的新知识。
图10是图示本实施方式的育种数据收集装置1的配置的示例的框图。育种数据收集装置1包括存储部100、处理器110和输出单元120。处理器110包括分类单元111、图像处理单元112和可视化单元113。存储部100包括信息存储单元101和处理信息存储单元102。
例如，育种数据收集装置1也被称为育种数据收集系统。育种数据收集装置1可以是例如包括组件的一个育种数据收集装置或组件可经由通信网络彼此连接的育种数据收集装置。通信网络不受特别限制，并且其示例是上述示例。
图17是育种数据收集装置1的硬件配置的框图。育种数据收集装置1包括例如作为处理器的CPU 50、存储器51、总线52、输入装置53、显示器54、通信装置55和存储装置56。例如，育种数据收集装置1的组件通过接口(I/F)经由总线52彼此连接。
CPU 50控制育种数据收集装置1。在育种数据收集装置1中，例如，CPU 50执行本发明的程序和其它程序，并且读取和写入各条信息。具体地，在育种数据收集装置1中，例如，CPU 50充当处理器110。
例如，育种数据收集装置1可通过连接到总线52的通信装置55连接到通信网络并且可经由通信网络连接到外部装置。例如，当向外部装置输出信息时，通信装置55充当输出单元120。
存储器51包括例如主存储器，并且该主存储器也被称为主存储装置。例如，当CPU50执行处理时，存储器51读取各种各样的操作程序103，诸如存储在要稍后描述的辅助存储装置中的本发明的程序，并且CPU 50从存储器51接收数据并执行程序103。主存储器例如与上述相同。存储装置56例如相对于主存储器(主存储部)也被称为辅助存储部。
存储装置56例如与上述相同。例如，存储装置56是例如存储部100并且存储输入到育种数据收集装置1的信息、在育种数据收集装置1中处理的信息等。
育种数据收集装置1进一步包括例如输入装置53和显示器54。输入装置53的示例包括触摸面板、鼠标和键盘。显示器54的示例包括LED显示器和液晶显示器。例如，当在育种数据收集装置1中显示信息时，显示器54充当输出单元120。
在育种数据收集装置1中，例如，如图11中所图示的，经由接口(I/F)31将要处理的信息从客户终端2输入到信息存储单元101。接口31的类型不受特别限制，并且例如，能够使用图形用户接口(GUI)、字符用户接口(CUI)、应用程序接口(API)等。
例如，如图12中所图示的，育种数据收集装置1可以经由通信网络32连接到客户终端2。通信网络不受特别限制，并且能够使用已知通信网络。通信网络可以是例如有线网络或无线网络，并且其具体示例包括因特网线路、电话线路和局域网(LAN)。
如上所述，信息存储单元101存储农场信息、包括航拍成像的飞行日志的成像条件和与该成像条件相关的农场的航拍图像。
农场信息不受特别限制并且其示例包括关于农场的地图信息、关于划分农场的每个区块(样地)的信息、关于在农场中育种的植物的信息和视觉观察信息。关于农场中的每个区块的信息是例如关于通过将农场划分成多个区块而获得的每个区块的位置信息，具体地为坐标等。视觉观察信息是例如关于农场中的植物的实际测量信息。
农场的图像包括农场的航拍图像。如上所述，当研究人员实际地进入农场并观察植物时，研究人员除了视觉观察之外还可以使用相机来执行地面成像并且使用地面图像来评价表型。然而，当研究人员对农场执行地面成像时，类似于视觉观察，劳动量大并且测量范围和测量频率受限制。相比之下，由于航拍图像例如能够由诸如无人机的无人飞行器获得，所以能够不管农场的大小容易地获得广阔区域的图像，并且能够容易地获得随着时间的推移的图像。因此，本示例实施例能够使用航拍图像来进行高速表型。图像可以进一步包括例如地面图像。
成像条件包括成像海拔高度并且进一步包括例如成像日期和时间。另外，如上所述，对于航拍图像，成像条件包括例如执行成像的无人飞行器的飞行日志。飞行日志包括例如用于成像的无人飞行器的飞行条件。飞行条件包括例如飞行路线、飞行速度、飞行时间、与飞行相关联的成像日期和时间以及成像时间。
如上所述，分类单元111基于成像条件中包括的成像海拔高度将航拍图像分类为具有不同成像海拔高度范围的多个图像组。通过基于成像海拔高度对航拍图像进行分类，合适的航拍图像能够被例如用于在由要稍后描述的图像处理单元112进行的处理中创建整个农场、农场的各区块和农场或区块中的植物群的图像处理数据。成像海拔高度范围不受特别限制并且可以是任何范围。
基于成像海拔高度范围将航拍图像分类成的图像组的数目不受特别限制，并且优选地为两个或更多个。作为具体示例，在分类成两个图像组的情况下，例如，能够将第一图像组设置为成像海拔高度比第二图像组的成像海拔高度高的图像组。每个图像组的成像海拔高度不受特别限制，并且例如，能够给出以下具体示例。如果整个农场的图像处理数据由要稍后描述的图像处理单元创建，则第一图像组包括例如航拍图像，成像海拔高度是例如距地面约100米，并且成像面积是约5公顷。如果农场的区块中的植物群的图像处理数据由图像处理单元创建，则第二图像组包括例如航拍图像，并且成像海拔高度是例如距地面约30米，并且成像面积是约0.5公顷。在航拍成像的情况下，例如，能够根据安装在无人飞行器上的图像传感器的类型、焦距、无人飞行器的垂直悬停准确地等来计算出成像面积。
图像处理单元112首先根据多个图像组中的至少一个和成像条件来创建从由二维正射镶嵌、数值表面模型和点云构成的组中选择的至少一种图像处理数据。二维正镶嵌也被称为例如正射投影图像。数值表面模型也被称为数字表面模型(DSM)。点云也被称为例如点组或三维重构数据。如将稍后描述的，图像处理数据能够被用于关于农场、农场的区块或农场中的植物的三维数据的可视化(重构成3D图像数据)等。
然后，图像处理单元112从图像处理数据来分析农场中的植物的性状以获得性状分析数据。
图像处理的创建以及使用图像组中包括的多个图像对性状的分析不受特别限制，并且能够使用例如现有软件来执行。例如，在本示例实施例的育种数据收集装置1中，可以将软件安装在处理器110中。
图像处理单元112可以包括例如多个图像处理单元。作为具体示例，图13示出包括第一图像处理部1121、第二图像处理部1122和第三图像处理部1123的配置。在本示例实施例中，例如，第一图像处理部1121创建关于整个农场的图像处理数据(例如，重构整个农场的3D图像)，而第二图像处理部1122创建关于农场的各区块具体地为农场的每个区块中的植物群的图像处理数据(例如，重构农场的每个区块的3D图像)。第三图像处理部1123能够用于例如创建任何图像处理数据。
当图像处理单元112执行如图13中所示的多种图像处理时，例如，可以通过流水线执行各种图像处理。
例如，第一图像处理部1121从第一图像组中的多个图像(优选地为航拍图像)创建图像处理数据。具体地，例如，可以对准多个图像以重构整体农场的3D图像。此时，例如，可以通过基于农场信息、关于图像的成像信息等对准和修剪图像来重构整个农场的3D图像。第一图像处理部1121可以进一步例如从图像处理数据来分析整个农场中的植物的性状。性状可以是例如农场中的植物覆盖率、植物高度、植物生长率等并且可以包括农场的条件。
例如，第二图像处理部1122从第二图像组中的多个图像(优选地为航拍图像)创建图像处理数据。具体地，例如，可以对准多个图像以重构农场的区块的3D图像。第二图像处理部1122可以例如从基于农场信息、关于图像的成像信息等的图像处理数据来进一步分析农场的区块中的植物的性状。这些性状可以与上述相同，并且例如是任何区域(任何区块)中的植物覆盖率、植物高度、植物生长率等。
例如，第三图像处理部1123从任何图像组中的多个图像(优选地为地面图像)创建任何图像处理数据。具体地，例如，能够从多个图像重构农场中的植物的3D图像。
可视化单元113可视化在图像处理单元112中获得的数据。在图像处理单元112中获得的数据是例如图像处理数据和关于性状的性状分析数据。可视化单元113基于例如农场条件或成像条件中的至少一种可视化数据。例如，整个农场的3D图像数据能够与农场的地图数据相关以可视化或者可以与成像时间相关以可视化。例如，整个农场的3D图像数据和农场的地图数据能够由与地理信息有关的软件诸如QGIS来对准。因此，能够通过进一步与成像时间相关来以时间顺序方式执行可视化。在下文中，在可视化单元113中使用的数据被称为可视化数据，并且在可视化单元113中获得的数据被称为处理数据。
处理信息存储单元102存储在图像处理单元112中获得的数据(例如，图像处理数据和性状分析数据)和在可视化单元113中获得的处理数据。例如，处理信息存储单元102可以进一步存储分类单元111中的分类数据。
输出单元120输出在图像处理单元112中获得的数据或在可视化单元113中获得的数据中的至少一种。例如，输出单元120可以将数据输出到客户终端或显示屏。例如，可以经由接口输出从育种数据收集装置1到外部的输出。
接下来，作为示例在下面参考图14的流程图描述本示例实施例的用于收集育种数据的方法(在下文中也称为育种数据收集方法)。
例如，使用图10中所图示的本示例实施方式的育种数据收集装置1来执行本示例实施方式的育种数据收集方法如下。本示例实施例的育种数据收集方法不限于图10的育种数据收集装置1。
首先，在信息存储步骤(S1)中，存储农场信息、包括航拍成像的飞行日志的成像条件和与成像条件相关的农场的航拍图像。接下来，在分类步骤(S2)中，基于成像条件中包括的成像海拔高度将航拍图像分类成具有不同成像海拔高度范围的多个图像组。
然后，在图像处理步骤(S3)中，从多个图像组中的至少一个和成像条件创建从由二维正射镶嵌、数值表面模型和点云构成的组中选择的至少一种图像处理数据，并且从图像处理数据来分析农场中的植物的性状。在本示例实施例中，将描述图像被分类成三个图像组(第一图像组、第二图像组和第三图像组)的情况作为示例。在第一图像处理步骤(S3-1)中，从第一图像组重构整个农场的3D图像。在第二图像处理步骤(S3-2)中，从第二图像组重构农场的区块的3D图像以分析农场的区块中的植物群的性状。第三图像处理步骤(S3-3)是任选的，并且例如，执行任选地选择的图像组的任选地选择的图像处理。
接下来，在可视化步骤(S4)中，可视化所获得的图像处理数据。具体地，在第一可视化步骤(S4-1)中，可视化在第一图像处理步骤(S3-1)中获得的图像处理数据，在第二可视化步骤(S4-2)中，可视化在第二图像处理步骤(S3-2)中获得的图像处理数据，并且在第三可视化步骤(S4-3)中，可视化在第三图像处理步骤(S3-3)中获得的图像处理数据。
然后，在处理信息存储步骤(S5)中，将在图像处理单元112中获得的数据和在可视化单元113中获得的数据存储为处理信息，并且在输出步骤(S6)中，输出在图像处理单元112中获得的数据或在可视化单元113中获得的数据中的至少一种。
能够从本示例实施例的育种数据收集方法中的获取航拍图像(例如，步骤(S1))到图像处理以分析性状(例如，步骤(S3))使用第一示例实施例的识别个体果树的树冠的识别方法。在本示例实施例中，如上所述，获取航拍图像(步骤(S1))并将其分类成图像组(步骤S2)，从经分类的图像组创建图像处理数据，并且从图像处理数据来分析农场中的植物的性状(步骤(S3))。因此，在收集果树农场中的果树的育种数据的情况下，例如，从果树农场的航拍图像创建图像处理数据(例如，重构3D图像)。然后，如第一示例实施例中所示，例如，从第一图像的这种图像处理数据执行骨架的提取至识别基准的提取。另一方面，如第一示例实施例中所示，例如，从第二图像的这种图像处理数据执行整体树冠图像的提取至树冠区域的识别。因此，能够如本示例实施例中所示的那样通过分析所识别的树冠区域的性状来分析植物(即，果树)的性状。
(变型1)
在第三示例实施例的育种数据收集装置1中，例如，信息存储单元101可以进一步存储与关于农场中的感测的位置信息相关的农场的感测数据。感测数据不受特别限制，并且其示例包括温度、湿度、二氧化碳水平和太阳辐射量(例如，光合光子通量密度)。
在育种数据收集装置1中，可视化单元113进一步基于农场信息可视化与关于感测的位置信息相关的农场中的感测数据。在可视化单元113中获得的数据是例如图形数据。
例如，本示例实施例能够通过使用在可视化单元113中获得的处理数据来高效地设计农场的成像中的无人机飞行路径，设置图像的成像条件，获取表型数据，管理与农场的环境有关的感测数据等。因此，例如，本发明也可用于高速表型。
此外，本示例实施例的育种数据收集装置1可以是平台。因此，例如，本发明能够与各种其它数据集成。
当研究人员直接在农场中收集数据时，数据的客观或定量评价可能是困难的，因为这取决于研究人员的经验和直觉。此外，数据是通过研究人员自己的方法来收集的，并且难以共享该方法。相比之下，例如，本示例实施例能够使由各种研究人员在个人条件下收集的图像等被存储在信息存储单元中。能够基于成像海拔高度对这些图像进行分类，然后能够处理和可视化这些图像。因此，不仅能够积累由个人获得的信息，而且能够积累由各种研究人员在不同条件下收集的图像和从中获得的处理信息，这对于新发现的发现导致更高效的支持。
(第四示例实施例)
图15是图示第三示例实施例的育种数据收集装置的另一示例的框图。在图15中，育种数据收集装置6进一步包括特征分析单元114。特征分析单元114被例如包括在处理器110中。本示例实施例的育种数据收集装置也能够被称为例如特征分析装置或特征分析系统。
特征分析单元114分析可视化数据以提取农场或植物的特征。作为可视化数据，例如，能够使用各种数据，并且其具体示例包括图像的特征量、创建的数据、性状分析数据、感测数据等。特征的提取不受特别限制，并且能够使用例如SVM等来从异常值中提取。
(第五示例实施例)
图16A和图16B是图示第三示例实施例的育种数据收集装置的另一示例的示意图。图16A是本示例实施方式的育种数据收集装置1的概要的示例。图16B是育种数据收集装置1中的图像处理单元的示例。本发明不限于此。
(第六示例实施例)
本示例实施例的程序能够在计算机上执行第三示例实施例或第四示例实施例的育种数据收集方法或特征分析方法。可以将本示例实施例的程序记录在例如计算机可读记录介质上。记录介质不受特别限制，并且其示例包括只读存储器(ROM)、硬盘(HD)、光盘和
Figure BDA0002694053420000211
盘(FD)。
虽然已经在上面参考说明性示例实施例描述了本发明，但是本发明决不限于此。在不脱离本发明的范围的情况下，可以在本发明的配置和详情方面做出可以变得对本领域的技术人员而言显而易见的各种改变和变型。
本申请要求于2018年3月23日提交的日本专利申请号2018-057034的优先权。日本专利申请的整个主题通过引用并入本文中。
(附记)
以上示例实施例和示例中的一些或全部可以如在以下附记中一样被描述，但是不限于此。
(附记A1)
一种用于识别在图像中的个体果树的树冠的识别装置，所述识别装置包括：
识别基准确定单元；以及
树冠识别单元，
所述识别基准确定单元包括：
第一图像获取部，所述第一图像获取部获取包括在果树农场中的在落叶期中的多个个体果树的第一航拍图像，
骨架提取部，所述骨架提取部处理所述第一航拍图像以提取包括所述多个个体果树的整体树冠骨架，
顶点提取单元，所述顶点提取单元提取与每个个体果树相对应的每个树冠骨架的顶点，和
识别基准提取部，所述识别基准提取部提取包括所有所述顶点的最小多边形形状的树冠候选区域作为用于每个个体果树的识别基准并且提取所述树冠候选区域的形心，
所述树冠识别单元包括：
第二图像获取部，所述第二图像获取部获取与所述第一航拍图像相同的比例的在识别树冠时的所述果树农场的第二航拍图像，
整体树冠提取部，所述整体树冠提取部处理所述第二航拍图像以提取包括所述多个个体果树的整体树冠图像，以及
树冠识别部，所述树冠识别部将所述识别基准的树冠候选区域和形心与所述整体树冠图像进行对照以在所述第二航拍图像中识别每个个体果树的树冠区域。
(附记A2)
根据附记A1所述的识别装置，其中，所述树冠识别单元将作为所述识别基准的所述树冠候选区域和所述形心与所述整体树冠图像进行对照以提取每个个体果树的树冠候选区域，并且从所述树冠候选区域和围绕所述树冠候选区域的微小区域来识别每个个体果树的树冠区域。
(附记A3)
根据附记A1或A2所述的识别装置，进一步包括果树性状分析单元，所述果树性状分析单元分析所识别的树冠区域的性状。
(附记A4)
根据附记A1至A3中的任一项所述的识别装置，进一步包括输出单元，所述输出单元输出所述树冠区域。
(附记A5)
一种用于在图像中识别多个个体果树的树冠的识别方法，所述识别方法包括：
识别基准确定步骤；以及
树冠识别步骤，
所述识别基准确定步骤包括：
获取包括在果树农场中的在落叶期中的多个个体果树的第一航拍图像的第一图像获取步骤，
处理所述第一航拍图像以提取包括所述多个个体果树的整体树冠骨架的骨架提取步骤，
提取与每个个体果树相对应的每个树冠骨架的顶点的顶点提取步骤；以及
提取包括所有所述顶点的最小多边形形状的树冠候选区域作为用于每个个体果树的识别基准并且提取所述树冠候选区域的形心的识别基准提取步骤，
所述树冠识别步骤包括：
获取与所述第一航拍图像相同的比例的在识别树冠时的所述果树农场的第二航拍图像的第二图像获取步骤；
处理所述第二航拍图像以提取包括所述多个个体果树的整体树冠图像的整体树冠提取步骤，以及
将所述识别基准的树冠候选区域和形心与所述整体树冠图像进行对照以在所述第二航拍图像中识别每个个体果树的树冠区域的树冠识别步骤。
(附记A6)
根据附记A5所述的识别方法，其中
在所述树冠识别步骤中，
将作为所述识别基准的所述树冠区域和所述形心与所述整体树冠图像进行对照以识别每个个体果树的树冠候选区域，并且
从所述树冠候选区域和围绕所述树冠候选区域的微小区域来识别每个个体果树的树冠区域。
(附记A7)
根据附记A5或A6所述的识别方法，进一步包括分析所识别的树冠区域的性状的果树性状分析步骤。
(附记A8)
根据附记A5至A7中的任一项所述的识别方法，进一步包括输出所述树冠区域的输出步骤。
(附记A9)
一种用于计算机执行根据附记A5至A8中的任一项所述的识别方法的程序。
(附记A10)
一种具有根据附记A9所述的程序的计算机可读记录介质。
第三示例实施例至第六示例实施例和示例中的一些或全部可以如在以下附记中一样被描述，但是不限于此。
(附记B1)
一种用于收集农场中的育种数据的育种数据收集装置，所述育种数据收集装置包括：
信息存储单元，所述信息存储单元存储农场信息、包括航拍成像的飞行日志的成像条件和与所述成像条件相关的所述农场的航拍图像；
分类单元，所述分类单元基于所述成像条件中包括的成像海拔高度将所述航拍图像分类成具有不同成像海拔高度范围的多个图像组；
图像处理单元，所述图像处理单元从所述多个图像组中的至少一个和所述成像条件来创建从由二维正射镶嵌、数值表面模型和点云构成的组中选择的至少一种图像处理数据并且从所述图像处理数据来分析所述农场中的植物的性状；
可视化单元，所述可视化单元可视化在所述图像处理单元中获得的所述图像处理数据；
处理信息存储单元，所述处理信息存储单元将在所述图像处理单元中获得的所述数据和在所述可视化单元中获得的所述数据存储为处理信息；和
输出单元，所述输出单元输出在所述图像处理单元中获得的所述数据或在所述可视化单元中获得的数据中的至少一种。
(附记B2)
根据附记B1所述的育种数据收集装置，其中
所述多个图像组至少包括第一图像组和第二图像组，
所述第一图像组具有比所述第二图像组更高的成像海拔高度范围。
(附注B3)
根据附记B1或B2所述的育种数据收集装置，其中，所述图像处理单元重构所述整个农场的3D图像。
(附记B4)
根据附记B1至B3中的任一项所述的育种数据收集装置，其中，所述图像处理单元重构所述农场的区块的3D图像以确定所述区块中的植物群的生长状况。
(附记B5)
根据附记B1至B4中的任一项所述的育种数据收集装置，其中，所述性状是从由所述农场中的植物覆盖率、植物高度和植物生长率构成的组中选择的至少一种。
(附记B6)
根据附记B1至B5中的任一项所述的育种数据收集装置，其中，所述图像处理单元重构所述植物的3D图像以更详细地确定所述植物的性状。
(附记B7)
根据附记B1至B6中的任一项所述的育种数据收集装置，其中
所述图像处理单元包括
第一图像处理部，所述第一图像处理部处理所述第一图像组；和
第二图像处理部，所述第二图像处理部处理所述第二图像组。
(附记B8)
根据附记B7所述的育种数据收集装置，其中，所述图像处理单元通过流水线执行多个图像处理。
(附记B9)
根据附记B1至B8中的任一项所述的育种数据收集装置，其中
所述可视化单元可视化在所述图像处理单元中获得的所述数据中包括的二维数据和三维数据。
(附记B10)
根据附记B9所述的育种数据收集装置，其中
所述二维数据包括二维正射镶嵌、数值表面模型和图形的数据，并且
所述三维数据包括点云的数据。
(附记B11)
根据附记B1至B10中的任一项所述的育种数据收集装置，其中
所述成像条件包括成像时间，并且
所述可视化单元以时间顺序方式执行可视化。
(附记B12)
根据附记B1至B11中的任一项所述的育种数据收集装置，其中
所述信息存储单元进一步存储与关于所述农场中的感测的位置信息相关的所述农场的感测数据。
(附记B13)
根据附记B12所述的育种数据收集装置，其中
所述可视化单元进一步基于所述农场信息可视化与关于所述感测的所述位置信息相关的所述农场中的所述感测数据。
(附记B14)
根据附记B13所述的育种数据收集装置，其中，所述可视化单元获得图形数据。
(附记B15)
根据附记B13或B14所述的育种数据收集装置，其中，所述感测数据是从由温度、湿度、二氧化碳水平和太阳辐射量构成的组中选择的至少一种数据。
(附记B16)
根据附记B1至B15中的任一项所述的育种数据收集装置，其中，所述农场信息包括关于划分所述农场的每个样地的坐标信息和关于在所述农场中生长的植物的植物信息，并且所述植物信息与所述坐标信息相关。
(附记B17)
根据附记B16所述的育种数据收集装置，其中，所述植物信息是关于所述植物的图像分析信息。
(附记B18)
根据附记B1至B17中的任一项所述的育种数据收集装置，其中，所述信息存储单元进一步存储成像条件和与所述成像条件相关的地面图像。
(附记B19)
根据附记B1至B18中的任一项所述的育种数据收集装置，其中，所述航拍图像是由无人飞行器获得的图像。
(附记B20)
根据附记B19所述的育种数据收集装置，其中，所述无人飞行器是无人机。
(附记B21)
根据附记B1至B20中的任一项所述的育种数据收集装置，进一步包括：
特征分析单元，所述特征分析单元分析可视化数据以提取所述农场或所述植物的特征，其中
所述可视化数据是从由每个图像的特征量、创建的数据、性状分析数据和感测数据构成的组中选择的至少一种。
(附记B22)
一种用于分析育种特征的育种特征分析装置，所述育种特征分析装置经由通信网络可连接到根据附记B1至B21中的任一项所述的育种数据收集装置并且包括：
输入单元，所述输入单元输入所述装置的可视化数据；和
特征分析单元，所述特征分析单元分析所述可视化数据并且提取所述农场或所述植物的特征。
(附记B23)
一种用于收集农场的育种数据的育种数据收集方法，所述育种数据收集方法包括：
存储农场信息、包括航拍成像的飞行日志的成像条件和与所述成像条件相关的所述农场的航拍图像的信息存储步骤；
基于所述成像条件中包括的成像海拔高度将所述航拍图像分类为具有不同成像海拔高度范围的多个图像组的分类步骤；
根据所述多个图像组中的至少一个和所述成像条件来创建从由二维正射镶嵌、数值表面模型和点云构成的组中选择的至少一种图像处理数据并且从所述图像处理数据来分析所述农场中的植物的性状的图像处理步骤。
可视化在所述图像处理步骤中获得的所述图像处理数据的可视化步骤；
将在所述图像处理步骤中获得的所述数据和在所述可视化步骤中获得的所述数据存储为处理信息的处理信息存储步骤；以及
输出在所述图像处理步骤中获得的所述数据或在所述可视化步骤中获得的所述数据中的至少一种的输出步骤。
(附记B24)
根据附记B23所述的育种数据收集方法，其中
所述多个图像组至少包括第一图像组和第二图像组，并且
所述第一图像组具有比所述第二图像组更高的成像海拔高度范围。
(附记B25)
根据附记B23或B24所述的育种数据收集方法，其中，在所述图像处理步骤中重构所述整个农场的3D图像。
(附记B26)
根据附记B23至B25中的任一项所述的育种数据收集方法，其中，在所述图像处理步骤中重构所述农场的区块的3D图像以确定所述区块中的植物群的生长状况。
(附记B27)
根据附记B23至B26中的任一项所述的育种数据收集方法，其中，所述性状是从由所述农场中的植物覆盖率、植物高度和植物生长率构成的组中选择的至少一种。
(附记B28)
根据附记B23至B27中的任一项所述的育种数据收集方法，其中在所述图像处理步骤中，重构所述植物的3D图像以更详细地确定所述植物的生长状况。
(附记B29)
根据附记B23至B28中的任一项所述的育种数据收集方法，其中
所述图像处理步骤包括
处理所述第一图像组的第一图像处理步骤；和
处理所述第二图像组的第二图像处理步骤。
(附记B30)
根据附记B29所述的育种数据收集方法，其中在所述图像处理步骤中，通过流水线执行多个图像处理。
(附记B31)
根据附记B23至B30中的任一项所述的育种数据收集方法，其中在所述可视化步骤中，可视化在所述图像处理步骤中获得的所述数据中包括的二维数据和三维数据。
(附记B32)
根据附记B31所述的育种数据收集方法，其中
所述二维数据包括二维正射镶嵌、数值表面模型和图形的数据，并且
所述三维数据包括点云的数据。
(附记B33)
根据附记B23至B32中的任一项所述的育种数据收集方法，其中
所述成像条件包括成像时间，并且
在所述可视化步骤中，以时间顺序方式执行可视化。
(附记B34)
根据附记B23至B33中的任一项所述的育种数据收集方法，其中在所述信息存储步骤中，进一步存储与关于所述农场中的感测的位置信息相关的所述农场的感测数据。
(附记B35)
根据附记B34所述的育种数据收集方法，其中在所述可视化步骤中，基于所述农场信息进一步可视化与关于所述感测的所述位置信息相关的所述农场中的所述感测数据。
(附记B36)
根据附记B35所述的育种数据收集方法，其中，在所述可视化步骤中获得的数据是图形数据。
(附记B37)
根据附记B35或B36所述的育种数据收集方法，其中，所述感测数据是从由温度、湿度、二氧化碳水平和太阳辐射量构成的组中选择的至少一种数据。
(附记B38)
根据附记B23至B37中的任一项所述的育种数据收集方法，其中，所述农场信息包括关于划分所述农场的每个样地的坐标信息和关于在所述农场中生长的植物的植物信息，并且所述植物信息与所述坐标信息相关。
(附记B39)
根据附记B38所述的育种数据收集方法，其中，所述植物信息是关于所述植物的图像分析信息。
(附记B40)
根据附记B23至B39中的任一项所述的育种数据收集方法，其中在所述信息存储步骤中，存储成像条件和与所述成像条件相关的地面图像。
(附记B41)
根据附记B23至B40中的任一项所述的育种数据收集方法，其中，所述航拍图像是由无人飞行器获得的图像。
(附记B42)
根据附记B41所述的育种数据收集方法，其中，所述无人飞行器是无人机。
(附记B43)
根据附记B23至B42中的任一项所述的育种数据收集方法，进一步包括：
分析可视化数据以提取所述农场或所述植物的特征的特征分析步骤，其中
所述可视化数据是从由每个图像的特征量、创建的数据、性状分析数据和感测数据构成的组中选择的至少一种。
(附记B44)
一种用于分析育种特征的育种特征分析方法，所述育种特征分析方法包括：
使用根据附记B23至B43中的任一项所述的方法的数据收集步骤；以及
分析从由每个图像的特征量、所述图像处理数据、性状分析数据和感测数据构成的所述组中选择的至少一种可视化数据以提取所述农场或所述植物的特征的特征分析步骤。
(附记B45)
一种用于计算机执行根据附记B23至B43中的任一项所述的方法的程序。
(附记B46)
一种用于计算机执行根据附记B44所述的方法的程序。
(附记B47)
一种具有根据附记B45或B46所述的程序的计算机可读记录介质。
工业适用性
根据本发明，例如，通过利用落叶期期间的航拍图像，能够容易地以更好的准确度识别个体果树的树冠。由于这个原因，本发明对于果园中果树的栽培是极其有用的。
附图标记列表
40：识别装置
41：识别基准确定单元
411：第一图像获取部
412：骨架提取部
413：顶点提取部
414：识别基准提取部
42：树冠识别单元
421：第二图像获取部
422：整体树冠提取部
423：树冠识别部
43：果树性状分析单元
44：存储部
1、6：育种数据收集装置
100：存储部
101：信息存储单元
102：处理信息存储单元
110：处理器
111：分类单元
112：图像处理单元
113：可视化单元
120：输出单元
2：客户终端
32：通信网络

Claims (57)

1.一种用于识别在图像中的个体果树的树冠的识别装置，所述识别装置包括：
识别基准确定单元，以及
树冠识别单元；
所述识别基准确定单元包括：
第一图像获取部，所述第一图像获取部获取第一航拍图像，所述第一航拍图像包括在果树农场中的在落叶期中的多个个体果树，
骨架提取部，所述骨架提取部处理所述第一航拍图像，以提取包括所述多个个体果树的整体树冠骨架，
顶点提取单元，所述顶点提取单元提取与每个个体果树相对应的每个树冠骨架的顶点，以及
识别基准提取部，所述识别基准提取部将包括所有所述顶点的最小多边形形状的树冠候选区域提取作为针对每个个体果树的识别基准，并且提取所述树冠候选区域的形心，
所述树冠识别单元包括：
第二图像获取部，所述第二图像获取部获取与所述第一航拍图像为相同的比例的在识别树冠时的所述果树农场的第二航拍图像，
整体树冠提取部，所述整体树冠提取部处理所述第二航拍图像，以提取包括所述多个个体果树的整体树冠图像，以及
树冠识别部，所述树冠识别部将所述识别基准的所述树冠候选区域以及所述形心与所述整体树冠图像进行对照，以识别出在所述第二航拍图像中的每个个体果树的树冠区域。
2.根据权利要求1所述的识别装置，其中，
所述树冠识别单元将作为所述识别基准的所述树冠候选区域以及所述形心与所述整体树冠图像进行对照，以提取每个个体果树的树冠候选区域，并且从所述树冠候选区域和围绕所述树冠候选区域的微小区域来识别每个个体果树的所述树冠区域。
3.根据权利要求1或2所述的识别装置，进一步包括：
果树性状分析单元，所述果树性状分析单元分析所识别的树冠区域的性状。
4.根据权利要求1至3中的任一项所述的识别装置，进一步包括：
输出单元，所述输出单元输出所述树冠区域。
5.一种用于识别在图像中的多个个体果树的树冠的识别方法，所述识别方法包括：
识别基准确定步骤；以及
树冠识别步骤，
所述识别基准确定步骤包括：
第一图像获取步骤，所述第一图像获取步骤获取第一航拍图像，所述第一航拍图像包括在果树农场中的在落叶期中的多个个体果树，
骨架提取步骤，所述骨架提取步骤处理所述第一航拍图像，以提取包括所述多个个体果树的整体树冠骨架，
顶点提取步骤，所述顶点提取步骤提取与每个个体果树相对应的每个树冠骨架的顶点；以及
识别基准提取步骤，所述识别基准提取步骤将包括所有所述顶点的最小多边形形状的树冠候选区域提取作为针对每个个体果树的识别基准，并且提取所述树冠候选区域的形心，
所述树冠识别步骤包括：
第二图像获取步骤，所述第二图像获取步骤获取与所述第一航拍图像为相同的比例的在识别树冠时的所述果树农场的第二航拍图像；
整体树冠提取步骤，所述整体树冠提取步骤处理所述第二航拍图像，以提取包括所述多个个体果树的整体树冠图像，以及
树冠识别步骤，所述树冠识别步骤将所述识别基准的所述树冠候选区域以及所述形心与所述整体树冠图像进行对照，以识别在所述第二航拍图像中的每个个体果树的树冠区域。
6.根据权利要求5所述的识别方法，其中，
在所述树冠识别步骤中，
将作为所述识别基准的所述树冠区域以及所述形心与所述整体树冠图像进行对照，以识别每个个体果树的树冠候选区域，并且
从所述树冠候选区域和围绕所述树冠候选区域的微小区域来识别所述每个个体果树的所述树冠区域。
7.根据权利要求5或6所述的识别方法，进一步包括：
果树性状分析步骤，所述果树性状分析步骤分析所识别的树冠区域的性状。
8.根据权利要求5至7中的任一项所述的识别方法，进一步包括：
输出步骤，所述输出步骤输出所述树冠区域。
9.一种用于计算机执行根据权利要求5至8中的任一项所述的识别方法的程序。
10.一种具有根据权利要求9所述的程序的计算机可读记录介质。
11.一种用于收集农场中的育种数据的育种数据收集装置，所述育种数据收集装置包括：
信息存储单元，所述信息存储单元存储农场信息、包括航拍成像的飞行日志的成像条件、以及与所述成像条件相关的所述农场的航拍图像；
分类单元，所述分类单元基于所述成像条件中包括的成像海拔高度将所述航拍图像分类成具有不同成像海拔高度范围的多个图像组；
图像处理单元，所述图像处理单元从所述多个图像组中的至少一个图像组和所述成像条件来创建从由二维正射镶嵌、数值表面模型和点云构成的组中选择的至少一种图像处理数据，并且从所述图像处理数据来分析所述农场中的植物的性状；
可视化单元，所述可视化单元对在所述图像处理单元中获得的所述图像处理数据进行可视化；
处理信息存储单元，所述处理信息存储单元将在所述图像处理单元中获得的数据和在所述可视化单元中获得的数据存储为处理信息；以及
输出单元，所述输出单元输出在所述图像处理单元中获得的数据或在所述可视化单元中获得的所述数据中的至少一种。
12.根据权利要求11所述的育种数据收集装置，其中，
所述多个图像组至少包括第一图像组和第二图像组，并且
所述第一图像组具有比所述第二图像组更高的成像海拔高度范围。
13.根据权利要求11或12所述的育种数据收集装置，其中，
所述图像处理单元重构整个所述农场的3D图像。
14.根据权利要求11至13中的任一项所述的育种数据收集装置，其中，
所述图像处理单元重构所述农场的区块的3D图像，以确定所述区块中的植物群的生长状况。
15.根据权利要求11至14中的任一项所述的育种数据收集装置，其中，
所述性状是从由所述农场中的植物覆盖率、植物高度和植物生长率构成的组中选择的至少一种。
16.根据权利要求11至15中的任一项所述的育种数据收集装置，其中，
所述图像处理单元重构所述植物的3D图像以更详细地确定所述植物的性状。
17.根据权利要求11至16中的任一项所述的育种数据收集装置，其中，
所述图像处理单元包括：
第一图像处理部，所述第一图像处理部处理所述第一图像组；以及
第二图像处理部，所述第二图像处理部处理所述第二图像组。
18.根据权利要求17所述的育种数据收集装置，其中，
所述图像处理单元通过流水线执行多个图像处理。
19.根据权利要求11至18中的任一项所述的育种数据收集装置，其中，
所述可视化单元对在所述图像处理单元中获得的数据中包括的二维数据和三维数据进行可视化。
20.根据权利要求19所述的育种数据收集装置，其中，
所述二维数据包括二维正射镶嵌、数值表面模型和图形的数据，并且
所述三维数据包括点云的数据。
21.根据权利要求11至20中的任一项所述的育种数据收集装置，其中，
所述成像条件包括成像时间，并且
所述可视化单元以时间顺序方式执行可视化。
22.根据权利要求11至21中的任一项所述的育种数据收集装置，其中，
所述信息存储单元进一步存储与关于所述农场中的感测的位置信息相关的所述农场的感测数据。
23.根据权利要求22所述的育种数据收集装置，其中，
所述可视化单元进一步基于所述农场信息来对与关于所述感测的所述位置信息相关的所述农场中的所述感测数据进行可视化。
24.根据权利要求23所述的育种数据收集装置，其中，
所述可视化单元获得图形数据。
25.根据权利要求23或24所述的育种数据收集装置，其中，
所述感测数据是从由温度、湿度、二氧化碳水平和太阳辐射量构成的组中选择的至少一种数据。
26.根据权利要求11至25中的任一项所述的育种数据收集装置，其中，
所述农场信息包括关于划分所述农场的每个样地的坐标信息和关于在所述农场中生长的植物的植物信息，并且
所述植物信息与所述坐标信息相关。
27.根据权利要求26所述的育种数据收集装置，其中，
所述植物信息是关于所述植物的图像分析信息。
28.根据权利要求11至27中的任一项所述的育种数据收集装置，其中，
所述信息存储单元进一步存储成像条件和与所述成像条件相关的地面图像。
29.根据权利要求11至28中的任一项所述的育种数据收集装置，其中，
所述航拍图像是由无人飞行器获得的图像。
30.根据权利要求29所述的育种数据收集装置，其中，
所述无人飞行器是无人机。
31.根据权利要求11至30中的任一项所述的育种数据收集装置，进一步包括：
特征分析单元，所述特征分析单元分析可视化数据，以提取所述农场或所述植物的特征，
其中，
所述可视化数据是从由每个图像的特征量、创建的数据、性状分析数据和感测数据构成的组中选择的至少一种。
32.一种用于分析育种中的特征的育种特征分析装置，所述育种特征分析装置能经由通信网络而连接到根据权利要求11至31中的任一项所述的育种数据收集装置并且包括：
输入单元，所述输入单元输入所述装置的所述可视化数据；以及
特征分析单元，所述特征分析单元分析所述可视化数据，并且提取所述农场或所述植物的特征。
33.一种用于收集农场的育种数据的育种数据收集方法，所述育种数据收集方法包括：
信息存储步骤，存储农场信息、包括航拍成像的飞行日志的成像条件、以及与所述成像条件相关的所述农场的航拍图像；
分类步骤，基于所述成像条件中包括的成像海拔高度将所述航拍图像分类为具有不同成像海拔高度范围的多个图像组；
图像处理步骤，从所述多个图像组中的至少一个图像组和所述成像条件来创建从由二维正射镶嵌、数值表面模型和点云构成的组中选择的至少一种图像处理数据，并且从所述图像处理数据来分析所述农场中的植物的性状；
可视化步骤，对在所述图像处理步骤中获得的所述图像处理数据进行可视化；
处理信息存储步骤，将在所述图像处理步骤中获得的数据和在所述可视化步骤中获得的数据存储为处理信息；以及
输出步骤，输出在所述图像处理步骤中获得的数据或在所述可视化步骤中获得的数据中的至少一种。
34.根据权利要求33所述的育种数据收集方法，其中，
所述多个图像组至少包括第一图像组和第二图像组，并且
所述第一图像组具有比所述第二图像组更高的成像海拔高度范围。
35.根据权利要求33或34所述的育种数据收集方法，其中，
在所述图像处理步骤中重构整个所述农场的3D图像。
36.根据权利要求33至35中的任一项所述的育种数据收集方法，其中，
在所述图像处理步骤中重构所述农场的区块的3D图像，以确定所述区块中的植物群的生长状况。
37.根据权利要求33至36中的任一项所述的育种数据收集方法，其中，
所述性状是从由所述农场中的植物覆盖率、植物高度、以及植物生长率构成的组中选择的至少一种。
38.根据权利要求33至37中的任一项所述的育种数据收集方法，其中，
在所述图像处理步骤中，重构所述植物的3D图像以更详细地确定所述植物的生长状况。
39.根据权利要求33至38中的任一项所述的育种数据收集方法，其中，
所述图像处理步骤包括：
处理所述第一图像组的第一图像处理步骤；以及
处理所述第二图像组的第二图像处理步骤。
40.根据权利要求39所述的育种数据收集方法，其中，
在所述图像处理步骤中，通过流水线执行多个图像处理。
41.根据权利要求33至40中的任一项所述的育种数据收集方法，其中，
在所述可视化步骤中，对在所述图像处理步骤中获得的所述数据中包括的二维数据和三维数据进行可视化。
42.根据权利要求41所述的育种数据收集方法，其中，
所述二维数据包括二维正射镶嵌、数值表面模型和图形的数据，并且
所述三维数据包括点云的数据。
43.根据权利要求33至42中的任一项所述的育种数据收集方法，其中，
所述成像条件包括成像时间，并且
在所述可视化步骤中，以时间顺序方式执行可视化。
44.根据权利要求33至43中的任一项所述的育种数据收集方法，其中，
在所述信息存储步骤中，进一步存储与关于所述农场中的感测的位置信息相关的所述农场的感测数据。
45.根据权利要求44所述的育种数据收集方法，其中，
在所述可视化步骤中，基于所述农场信息进一步可视化与关于所述感测的所述位置信息相关的所述农场中的所述感测数据。
46.根据权利要求45所述的育种数据收集方法，其中，
在所述可视化步骤中获得的数据是图形数据。
47.根据权利要求45或46所述的育种数据收集方法，其中，
所述感测数据是从由温度、湿度、二氧化碳水平和太阳辐射量构成的组中选择的至少一种数据。
48.根据权利要求33至47中的任一项所述的育种数据收集方法，其中，
所述农场信息包括关于划分所述农场的每个样地的坐标信息和关于在所述农场中生长的植物的植物信息，并且
所述植物信息与所述坐标信息相关。
49.根据权利要求48所述的育种数据收集方法，其中，
所述植物信息是关于所述植物的图像分析信息。
50.根据权利要求33至49中的任一项所述的育种数据收集方法，其中，
在所述信息存储步骤中，存储成像条件和与所述成像条件相关的地面图像。
51.根据权利要求33至50中的任一项所述的育种数据收集方法，其中，
所述航拍图像是由无人飞行器获得的图像。
52.根据权利要求51所述的育种数据收集方法，其中，
所述无人飞行器是无人机。
53.根据权利要求33至52中的任一项所述的育种数据收集方法，进一步包括：
特征分析步骤，分析可视化数据以提取所述农场或所述植物的特征，
其中，
所述可视化数据是从由每个图像的特征量、创建的数据、性状分析数据以及感测数据构成的组中选择的至少一种。
54.一种用于分析育种特征的育种特征分析方法，所述育种特征分析方法包括：
使用根据权利要求33至53中的任一项所述的方法的数据收集步骤；以及
分析从由每个图像的特征量、所述图像处理数据、所述性状分析数据以及感测数据构成的组中选择的至少一种可视化数据以提取所述农场或所述植物的特征的特征分析步骤。
55.一种用于计算机执行根据权利要求33至53中的任一项所述的方法的程序。
56.一种用于计算机执行根据权利要求54所述的方法的程序。
57.一种具有根据权利要求55或56所述的程序的计算机可读记录介质。
CN201880091604.8A 2018-03-23 2018-10-05 树冠识别装置、识别方法、程序和记录介质 Active CN111918547B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018-057034 2018-03-23
JP2018057034 2018-03-23
PCT/JP2018/037373 WO2019181025A1 (ja) 2018-03-23 2018-10-05 樹冠の同定装置、同定方法、プログラム、および記録媒体

Publications (2)

Publication Number Publication Date
CN111918547A true CN111918547A (zh) 2020-11-10
CN111918547B CN111918547B (zh) 2022-06-07

Family

ID=67986962

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880091604.8A Active CN111918547B (zh) 2018-03-23 2018-10-05 树冠识别装置、识别方法、程序和记录介质

Country Status (4)

Country Link
US (1) US11594020B2 (zh)
JP (1) JP7144779B2 (zh)
CN (1) CN111918547B (zh)
WO (1) WO2019181025A1 (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7004962B1 (ja) * 2021-02-05 2022-01-21 エムラインシステム株式会社 無人航空機の制御装置及び無人航空機システム
CN113361315B (zh) * 2021-02-23 2021-12-07 仲恺农业工程学院 基于背景饱和度压缩与差异阈值分割融合的香蕉串识别方法
JP7374977B2 (ja) 2021-12-17 2023-11-07 ヤマハ発動機株式会社 樹木情報推定システム、樹木情報推定方法およびコンピュータプログラム
CN114511849B (zh) * 2021-12-30 2024-05-17 广西慧云信息技术有限公司 一种基于图注意力网络的葡萄疏果识别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080260237A1 (en) * 2004-03-15 2008-10-23 Blom Kartta Oy Method for Determination of Stand Attributes and a Computer Program for Performing the Method
CN101672915A (zh) * 2009-09-23 2010-03-17 中国林业科学研究院资源信息研究所 一种高空间分辨率遥感影像树冠轮廓勾绘系统及方法
JP2011103098A (ja) * 2009-11-12 2011-05-26 Shinshu Univ 樹木本数算定方法及び樹木本数算定装置
US20140099000A1 (en) * 2012-10-04 2014-04-10 Intelescope Solutions Ltd. Device and method for detecting plantation rows
CN103793686A (zh) * 2014-01-16 2014-05-14 中国农业大学 一种果树产量早期预测的方法
JP2014100099A (ja) * 2012-11-20 2014-06-05 Kodaira Associates Kk 森林情報管理装置
CN103942838A (zh) * 2014-05-13 2014-07-23 福州大学 基于点云数据的单树三维建模与形态参数提取的方法
CN104463164A (zh) * 2014-09-03 2015-03-25 中国科学院遥感与数字地球研究所 一种基于伞骨法与冠高比的树木冠层结构信息提取方法
JP2016000024A (ja) * 2014-06-12 2016-01-07 清水建設株式会社 植栽防火性評価装置及び植栽防火性評価方法
JP2017169520A (ja) * 2016-03-25 2017-09-28 忠士 岩下 ブドウの栽培管理方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007033931A (ja) 2005-07-27 2007-02-08 Hitachi Software Eng Co Ltd 衛星画像等を用いた地図作成のための道路認識システム
JP4178533B2 (ja) * 2005-08-31 2008-11-12 国際航業株式会社 樹冠円抽出システム
JP4887130B2 (ja) 2006-12-15 2012-02-29 株式会社日立ソリューションズ 農地区画データ作成システム
JP5947634B2 (ja) 2012-06-25 2016-07-06 株式会社トプコン 航空写真撮像方法及び航空写真撮像システム
US11467148B2 (en) * 2017-09-27 2022-10-11 Samsung Electronics Co., Ltd. Method and apparatus for analyzing communication environments and designing networks in consideration of trees

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080260237A1 (en) * 2004-03-15 2008-10-23 Blom Kartta Oy Method for Determination of Stand Attributes and a Computer Program for Performing the Method
CN101672915A (zh) * 2009-09-23 2010-03-17 中国林业科学研究院资源信息研究所 一种高空间分辨率遥感影像树冠轮廓勾绘系统及方法
JP2011103098A (ja) * 2009-11-12 2011-05-26 Shinshu Univ 樹木本数算定方法及び樹木本数算定装置
US20140099000A1 (en) * 2012-10-04 2014-04-10 Intelescope Solutions Ltd. Device and method for detecting plantation rows
JP2014100099A (ja) * 2012-11-20 2014-06-05 Kodaira Associates Kk 森林情報管理装置
CN103793686A (zh) * 2014-01-16 2014-05-14 中国农业大学 一种果树产量早期预测的方法
CN103942838A (zh) * 2014-05-13 2014-07-23 福州大学 基于点云数据的单树三维建模与形态参数提取的方法
JP2016000024A (ja) * 2014-06-12 2016-01-07 清水建設株式会社 植栽防火性評価装置及び植栽防火性評価方法
CN104463164A (zh) * 2014-09-03 2015-03-25 中国科学院遥感与数字地球研究所 一种基于伞骨法与冠高比的树木冠层结构信息提取方法
JP2017169520A (ja) * 2016-03-25 2017-09-28 忠士 岩下 ブドウの栽培管理方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
CHAO ZHU ET AL.: "Cluster-Based Construction of Tree Crown from Scanned Data", 《2009 THIRD INTERNATIONAL SYMPOSIUM ON PLANT GROWTH MODELING,SIMULATION, VISUALIZATION AND APPLICATIONS》 *
刘见礼: "基于无人机立体影像数据的森林结构参数调查研究", 《中国优秀硕士学位论文全文数据库农业科技辑》 *
周坚华等: "城镇绿地树种识别的数学描述符", 《遥感学报》 *

Also Published As

Publication number Publication date
JPWO2019181025A1 (ja) 2021-03-18
CN111918547B (zh) 2022-06-07
US11594020B2 (en) 2023-02-28
JP7144779B2 (ja) 2022-09-30
WO2019181025A1 (ja) 2019-09-26
US20210019496A1 (en) 2021-01-21

Similar Documents

Publication Publication Date Title
Ashapure et al. A comparative study of RGB and multispectral sensor-based cotton canopy cover modelling using multi-temporal UAS data
CN111918547B (zh) 树冠识别装置、识别方法、程序和记录介质
Xu et al. Aerial images and convolutional neural network for cotton bloom detection
Marques et al. UAV-based automatic detection and monitoring of chestnut trees
Pádua et al. Vineyard variability analysis through UAV-based vigour maps to assess climate change impacts
Jiang et al. Quantitative analysis of cotton canopy size in field conditions using a consumer-grade RGB-D camera
Fernandez-Gallego et al. Automatic wheat ear counting using thermal imagery
Röder et al. Application of optical unmanned aerial vehicle-based imagery for the inventory of natural regeneration and standing deadwood in post-disturbed spruce forests
Zörner et al. LiDAR-based regional inventory of tall trees—Wellington, New Zealand
JP2023052423A (ja) 圃場の育種データ収集装置、育種における特徴解析装置、圃場の育種データ収集方法、プログラム、および記録媒体
Brocks et al. Toward an automated low-cost three-dimensional crop surface monitoring system using oblique stereo imagery from consumer-grade smart cameras
Barbosa et al. Application of rgb images obtained by uav in coffee farming
Syal et al. A survey of computer vision methods for counting fruits and yield prediction
CN116543316B (zh) 一种利用多时相高分辨率卫星影像识别稻田内草皮的方法
Pádua et al. Classification of an agrosilvopastoral system using RGB Imagery from an unmanned aerial vehicle
Vélez et al. A novel technique using planar area and ground shadows calculated from UAV RGB imagery to estimate pistachio tree (Pistacia vera L.) canopy volume
Fan et al. Application of internet of things to agriculture—The LQ-FieldPheno platform: A high-throughput platform for obtaining crop phenotypes in field
Saeed et al. Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks
Albuquerque et al. Remotely piloted aircraft imagery for automatic tree counting in forest restoration areas: a case study in the Amazon
CN116258844A (zh) 一种棉花叶片表型性状快速精准鉴定方法
Osińska-Skotak et al. The methodology for identifying secondary succession in non-Forest Natura 2000 habitats using multi-source airborne remote sensing data
Lee et al. Analysing forests using dense point clouds
Bonaria Grapevine yield estimation using image analysis for the variety Arinto
Alonso et al. Detection of very small tree plantations and tree-level characterization using open-access remote-sensing databases
Medeiros et al. Spatial distribution and temporal variation of tropical mountaintop vegetation through images obtained by drones

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