CN112037241B - 一种基于多光谱数据的作物混种区实时识别方法及系统 - Google Patents
一种基于多光谱数据的作物混种区实时识别方法及系统 Download PDFInfo
- Publication number
- CN112037241B CN112037241B CN202010886326.4A CN202010886326A CN112037241B CN 112037241 B CN112037241 B CN 112037241B CN 202010886326 A CN202010886326 A CN 202010886326A CN 112037241 B CN112037241 B CN 112037241B
- Authority
- CN
- China
- Prior art keywords
- image
- area
- contour
- ratio
- edge
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 47
- 238000001914 filtration Methods 0.000 claims abstract description 41
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 239000002689 soil Substances 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000002156 mixing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005452 bending Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 229920000742 Cotton Polymers 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 241000219146 Gossypium Species 0.000 description 2
- 241000219823 Medicago Species 0.000 description 2
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 2
- 244000046052 Phaseolus vulgaris Species 0.000 description 2
- 235000010627 Phaseolus vulgaris Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/10—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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral 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
- G06T2207/30—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)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例提供的基于多光谱数据的作物混种区实时识别方法及系统,包括:对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;对采样图像中的植被区域进行划分,确定植被区域图像;对植被区域图像中的绿色通道进行滤波,获取边缘图像;对边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;提取每个二值化图像的轮廓图像,并获取每个轮廓图像的像素面积与长度比值;根据每个轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,以实现作物混种区实时识别。本发明实施例通过计算边缘图像的像素值数量与长度比值来描述叶片弯曲程度,能够实现实时的快速对混种区进行提取,兼容性更好,识别精度更高。
Description
技术领域
本发明涉及农业信息技术领域,尤其涉及一种基于多光谱数据的作物混种区实时识别方法及系统。
背景技术
作物混种区是指当多种作物种植于田块间,不同种类作物相邻接的区域即为混种区。随着我国农业信息化和机械化的不断推进,基于旋翼无人机的农业施药作业在我国广泛的推广,对于无人机农业植保作业,自动、定位、定量和减施是农业植保智能化的体现。要实现定位、定量施药量、减少次生灾害的目标,对待喷施混种作物的边界快速识别,即混种区域信息提取是其中必要的一环。
对混种区边界的识别,传统的方法是通过人工实地勘察得到,但当前行业内也可以使用无人机对待喷施作业区域影像进行获取,获取相应的影像数据,或者使用高分辨率卫星数据作为数据源。在识别方法上,可以采用监督分类,如支持向量机(Support VectorMachine,SVM)、随机森林(Random Forest,RF)或深度学习(Deep Learning,DL)等方法开展混种区域边界的提取。上述监督学习方法一般是先选择感兴趣区域的待处理训练样本,例如对棉花和玉米混种区域的样本进行选择;然后对选用的监督分类模型进行训练,得到可用分类器;最后使用训练后的分类器对待监测区域图像进行分类识别,以实现在得到分类图像基础上,人工提取混种区域。
现行基于图像混种区域识别方法难以满足植保无人机实时作业的需求。由于直接将训练模型用于实时的混种区信息获取则存在机载计算资源难以满足需求的困难。但因为当前方案需先对待分类区域数据进行收集,然后再对分类器进行训练,才能根据分类结果得到混种区信息。故使用上述方法效率较低,作业前需事先获取区域数据并处理和识别,对于未处理的区域则无法获取混种区信息。
综上所述,现有的基于监督分类法进行作物混种区识别时,只能对已经学习的目标进行分类,当出现的作物并未事先在模型中被训练,则识别结果可能未知,故亟需研制出新的作物混种区实时识别方法,以提供更为快速的作物混种区实时识别途径。
发明内容
本发明实施例提供一种基于多光谱数据的作物混种区实时识别方法及系统,用以解决现有技术中基于监督分类法进行作物混种区识别时,需要预先获取大量的模型训练样本对分类器进行训练的缺陷,实现快速、高效、准确的作物混种区实时识别。
第一方面,本发明实施例提供一种基于多光谱数据的作物混种区实时识别方法,主要包括:对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;对采样图像中的土壤区域和植被区域进行划分,确定植被区域图像;对植被区域图像中的绿色通道进行滤波,获取边缘图像;对边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;提取每个二值化图像的轮廓图像,并获取每个轮廓图像的像素面积与长度比值;根据每个轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别。
可选地,上述对作物混种区的多光谱图像进行三通道数据采样,获取采样图像,主要包括:获取多光谱图像中的绿色通道数据、近红外通道数据和红色通道数据,构建采样图像。
可选地,上述对采样图像中的土壤区域和植被区域进行划分,确定植被区域图像,主要包括:提取采样图像中的近红外通道数据和红色通道数据,计算归一化植被指数;在所述采样图像中,将归一化指数小于第一预设阈值的区域设为裸土区域,并将绿色通道中裸土区域的像素值均设置为0,以获取植被区域图像。
可选地,上述对植被区域图像中的绿色通道进行滤波,获取边缘图像,主要包括:基于Sobel滤波算法,对所述植被区域图像中的绿色通道进行一次滤波,获取初始边缘图像;基于拉普拉斯滤波算法,对初始边缘图像进行二次滤波,获取所述边缘图像。
可选地,上述对边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像,主要包括:将边缘图像均匀划分为多个子边缘图像;
将像素值小于预设像素阈值的子边缘图像的像素值均重设为0,将素值大于预设像素阈值的子边缘图像的像素值均重设为标准像素值;收集所有像素值均重设为标准像素值的子边缘图像,获取与每个子边缘图像所对应的二值化图像。
可选地,上述提取每个二值化图像的轮廓图像,并获取每个轮廓图像的像素面积与长度比值,主要包括:提取每个二值化图像的所有轮廓图像,并统计每个轮廓图像的像素数量;计算每个轮廓图像的像素数量与轮廓长度的比值作为轮廓图像的像素面积与长度比值。
可选地,上述计算每个轮廓图像的像素数量与轮廓长度的比值作为所述轮廓图像的像素面积与长度比值,还可以包括:按像素数量的由多至少对轮廓图像进行排序;获取排序靠前N个轮廓图像的像素面积与长度比值。
可选地,上述根据每个轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别,主要包括:获取每个轮廓图像中排序靠前N个轮廓图像的像素面积与长度比值的比值均值;若当前轮廓图像的比值均值与上一轮廓图像的比值均值之间的差值百分比的绝对值小于第二预设阈值,将与当前轮廓图像所对应的植被区域划分为混种区,并将绝对值不小于第二预设阈值的植被区域划分为非混种区。
可选地,在上述将与当前轮廓图像所对应的植被区域划分为混种区之前,还可以包括:获取与当前轮廓图像所对应的二值化图像的第一归一化植被指数,以及与上一轮廓图像所对应的二值化图像的第二归一化植被指数;若第一归一化植被指数小于第三预设阈值,将与当前轮廓图像所对应的植被区域划分为边界区,并将绝对值不小于第三预设阈值的植被区域划分为非边界区。
第二方面,本发明实施例提供一种基于多光谱数据的作物混种区实时识别系统,主要包括:图像预处理单元、植被区域划分单元、边缘图像获取单元、二值化图像获取单元、比值运算单元和混种区识别单元,其中:
图像预处理单元主要用于对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;
植被区域划分单元主要用于对采样图像中的土壤区域和植被区域进行划分,确定植被区域图像;
边缘图像获取单元主要用于对植被区域图像中的绿色通道进行滤波,获取边缘图像;
二值化图像获取单元主要用于对边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;
比值运算单元主要用于提取每个二值化图像的轮廓图像,并获取每个所述轮廓图像的像素面积与长度比值;
混种区识别单元主要用于根据每个轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别。
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述基于多光谱数据的作物混种区实时识别方法的步骤。
第四方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述基于多光谱数据的作物混种区实时识别方法的步骤。
本发明实施例提供的基于多光谱数据的作物混种区实时识别方法及系统,通过计算边缘图像的像素值数量与长度比值来描述叶片弯曲程度,能够实现实时的快速对混种区进行提取,兼容性更好,识别精度更高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1是本发明实施例提供的一种基于多光谱数据的作物混种区实时识别方法的流程示意图;
图2是现有技术中单纯采用Sobel滤波算,法对植被区域图像中的绿色通道进行滤波获取的边缘图像;
图3是本发明实施例中采用联合Sobel滤波算法和拉普拉斯滤波算法对植被区域图像中的绿色通道进行综合滤波获取的边缘图像;
图4是现有技术中单纯采用拉普拉斯滤波算法,对植被区域图像中的绿色通道进行滤波获取的边缘图像;
图5是本发明实施例提供的一种植被区域图像中任一绿色植被图;
图6为本发明实施例提供的一种多光谱图像与排序靠前的20个轮廓图像的对照示意图;
图7为本发明实施例提供的另一种多光谱图像与排序靠前的20个轮廓图像的对照示意图;
图8为本发明实施例提供的有一种多光谱图像与排序靠前的20个轮廓图像的对照示意图;
图9为本发明实施例提供的一种基于多光谱数据的作物混种区实时识别系统的结构示意图;
图10是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动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。
图1为本发明实施例提供的一种基于多光谱数据的作物混种区实时识别方法的流程示意图,如图1所示,包括但不限于以下步骤:
步骤S1:对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;
步骤S2:对采样图像中的土壤区域和植被区域进行划分,确定植被区域图像;
步骤S3:对植被区域图像中的绿色通道进行滤波,获取边缘图像;
步骤S4:对边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;
步骤S5:提取每个二值化图像的轮廓图像,并获取每个所述轮廓图像的像素面积与长度比值;
步骤S6:根据每个轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别。
本发明实施例可以针对叶圆形作物(如棉花、苜蓿、豆角)与叶线形作物(如玉米、小麦)的混种区,克服当前混种区域提取实时性差的困难,具体地提出一种能够满足植保无人机喷施作业的作物混种区实时识别的方法,提取单幅混种区影像的处理时间小于500毫秒。
在步骤S1中,首先采集并读取多光谱图像。其中,多光谱图像是指包含很多带的图像,一般至少包括3个带(如彩色图像)。其中每个带是一幅灰度图像,它表示根据用来产生该带的传感器的敏感度得到的场景亮度。多光谱图像可以通过无人机携带的多光谱成像仪进行拍摄获取,其中多光谱成像仪可以是一种具有扫描成像和精细分光等做种功能的新型多光谱/超光谱成像仪,即同时集成有光学相机功能和红外扫描仪功能的超光谱成像仪。
作为可选地,可以通过无人机在待检测的作物混种区上方进行多光谱图像的拍摄后,上传至图像处理装置上,也可以在无人机上搭载所述图像处理装置,对此本发明实施例均不作限定。
作为可选地,本发明实施例提供一种对作物混种区的多光谱图像进行三通道数据采样,以获取采样图像的方法,具体包括:获取所述多光谱图像中的绿色通道数据、近红外通道数据和红色通道数据,构建所述采样图像。
例如:在获取到多光谱图像后,可以选择多光谱图像中的绿色、近红外和红色通道图像作为输入,并且将上述三通道数据采样至分辨率不大于预设值(如800*800),以获取采样图像R。其中,为方便表述将绿色通道用Rg表示,将红色通道用Rr表示,将近红外通道用Ri表示。
进一步地,在步骤S2中所述的对采样图像中的土壤区域和植被区域进行划分,以确定植被区域图像,可以包括但不限于以下步骤:
步骤S21:提取采样图像中的近红外通道数据和红色通道数据,计算归一化植被指数。
步骤S22:在采样图像中,将归一化指数小于第一预设阈值的区域设为裸土区域,并将绿色通道中所述裸土区域的像素值均设置为0,以获取植被区域图像。
具体地,使用近红外Ri和红色Rr通道数据,按照公式1计算出归一化植被指数(NDVI);
由于归一化植被指数是反映农作物长势和营养信息的重要参数之一,能反映出植物冠层的背景影响,如土壤、潮湿地面、雪、枯叶、粗糙度等,可以用于表征地表植被覆盖程度。因此,可以利用NDVI对采样图像中的土壤区域和植被区域进行划分,如:
将NDVI小于第一预设阈值(如0.2)的区域判定为裸土,即将NDVI<0.2的区域设置为没有植被的区域,同时可以将Rg通道中裸土像素值设置为0,故可以在Rg通道图像中获取到植被区域图像。
本发明实施例提供的基于多光谱数据的作物混种区实时识别方法,通过使用表征地表植被覆盖高低的归一化植被指数NDVI对土壤和植被进行区分,能有效定位出与多光谱图像对应的采样图像中的植被区域图像,防止裸土区域对识别结果的影响,有效的提高了识别精度;且通过预先删除裸土区域,极大的减轻了后期的作物混种区识别的运算量,提供了识别的效率,使后期提取单幅混种区影像的处理时间小于500毫秒。
进一步地,在步骤S3中所述的对植被区域图像中的绿色通道进行滤波,获取边缘图像,可以包括:
步骤31:基于Sobel滤波算法,对植被区域图像中的绿色通道进行一次滤波,获取初始边缘图像;
步骤32:基于拉普拉斯滤波算法,对初始边缘图像进行二次滤波,获取边缘图像。
作为一种可选的实施例,在本发明实施例中可以对步骤S2中划分采样图像所获取的植被区域图像中Rg使用Sobel算子进行滤波,得到初始边缘图像SRg。
进一步地,还可以对初始边缘图像SRg使用拉普拉斯算子进行滤波,以得到边缘增强和细化后的边缘图像SLRg。
如图2所示,是将P4M相机所采集的作物混种区的多光谱图像进行采样后的采样图像中的绿色波段(图5所示),分别使用单一Sobel滤波得到的结果;图3是使用联合Sobel和拉普拉斯滤波所得到的边缘图像;图4是与使用单一的拉普拉斯滤波得到的边缘图像。从三幅图的结果中,我们可以明显的获知:单纯采用Sobel滤波仅能获取到较粗糙的边缘图像(图2所示);单纯采用拉普拉斯滤波,虽然能获取到精细边缘,但其提取边缘区域不够显著(如图4中心的左边区域);采用本发明实施例提供的联合Sobel和拉普拉斯滤波则能够获取到比Sobel滤波更细的边缘曲线,且较拉普拉斯滤波更易与背景进行区分的边缘图像(图3所示)。
本发明实施例提供的基于多光谱数据的作物混种区实时识别方法,通过使用联合Sobel滤波算子和拉普拉斯算子进行边缘图像的提取,在降低非边缘区域像素的值的同时提升了边缘区域像素的值,使得边缘与非边缘的分割更为容易。
基于上述实施例的内容,作为一种可选实施例,步骤S4中所述的对所述边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像,包括但不限于以下步骤:
步骤S41:将所述边缘图像均匀划分为多个子边缘图像;
步骤S42:将像素值小于预设像素阈值的子边缘图像的像素值均重设为0,将像素值大于预设像素阈值的子边缘图像的像素值均重设为标准像素值;
步骤S43:收集所有像素值均重设为标准像素值的子边缘图像,获取与每个所述子边缘图像所对应的所述二值化图像。
作为一种可选实施例,设上述对作物混种区的多光谱图像进行三通道数据采样,所获取采样图像的像素为800*800,则获取到的边缘图像SLRgi的像素也是800*800。在步骤S41中将边缘图像SLRgi进一步划分为16个200*200像素大小的子边缘图像SLRgi,i∈[1,16]。
对于其中的每一个子边缘图像SLRgi,i∈[1,16],将其中像素值小于预设像素阈值(例如100)的子边缘图像的像素值设置为0,而将大于预设像素阈值的子边缘图像的像素值置为255,则可以获取处理后图像的像素中等于255像素值的图像即为作物的子边缘图像,通过上述重新赋值,则可以实现对于边缘图像的作物边缘二值化提取和识别,以实现将一个边缘图像划分为多个二值化图像的目的。
本发明实施例提供的基于多光谱数据的作物混种区实时识别方法,通过设置像素阈值对边缘图像进行二值化处理,为准确的获取到每个边缘图像中的作物轮廓图像提供基础。
基于上述实施例的内容,作为一种可选的实施例,在步骤S5中所述的提取每个所述二值化图像的轮廓图像,并获取每个所述轮廓图像的像素面积与长度比值,具体包括但不限于以下步骤:
步骤S51:提取每个二值化图像的所有轮廓图像,并统计每个轮廓图像的像素数量;
步骤S52:计算每个轮廓图像的像素数量与轮廓长度的比值作为所述轮廓图像的像素面积与长度比值。
具体地,对于每个划分后所获取到的每一个SLRgi图像的二值化图像进行轮廓信息的提取后,获取与每个二值化图像中所包含的所有轮廓图像。
由于不同的轮廓图像中所包含的像素数量基本是不相同的,且各个轮廓图像的外观形状也是不相同的,但是轮廓图像的像素值数量(相当于轮廓图像的面积)与其长度的比值能够直观的反映出叶片弯曲程度,故在本发明实施例中,通过统计每个所述轮廓图像的像素数量,并计算每个所述轮廓图像的像素数量与轮廓长度的比值来作为轮廓图像的像素面积与长度比值(Ratio)。
其中,轮廓图像的长度计算方法可以采用公式2进行计算:
其中,Length为轮廓图像的长度,xmax与xmin为该轮廓在图像SLRgi中X轴的最大和最小坐标点,ymax与ymin为该轮廓在图像SLRgi中Y轴的最大和最小坐标点。
本发明实施例提供的基于多光谱数据的作物混种区实时识别方法,通过计算提取的边缘的像素值数量(面积)与长度比值来描述叶片弯曲程度,以用于表征作物的叶型,相比现有技术中使用复杂分类算法、计算图像纹理特征等耗时算法,能够有效的提高识别的效率。
进一步地,上述计算每个轮廓图像的像素数量与轮廓长度的比值作为轮廓图像的像素面积与长度比值,还可以包括:按像素数量的由多至少对所述轮廓图像进行排序;获取排序靠前N个轮廓图像的像素面积与长度比值。
作为一种可选的实施例,记录每个轮廓图像的Ratio,并按照大小进行排序,得到像素数量最多的前N个(如20个)轮廓像素数量与长度比的集合Ratios,计算Ratios的均值。即在本发明实施例中,仅仅选取能够最大程度的表征二值化图像特征的轮廓图像作为计算目标,而忽略对于二值化图像特征影响较小的轮廓图像的干扰,相比在叶片轮廓信息中随机选择一定数量的轮廓,或选取全部数量的轮廓计算整体的面积与长度比值,本发明实施例通过直接选取轮廓面积前20的轮廓进行计算,一方面可以减少计算量,二是因轮廓面积越大代表提取的作物边缘越完整,这能有效的降低边缘提取中引入的干扰噪音。
基于上述实施例的内容,作为一种可选实施例,步骤S6中所述的根据每个轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别,包括但不限于以下步骤:
步骤S61:获取每个轮廓图像中排序靠前N个轮廓图像的像素面积与长度比值的比值均值;
步骤S62:若当前轮廓图像的比值均值与上一轮廓图像的比值均值之间的差值百分比的绝对值小于第二预设阈值,将与当前轮廓图像所对应的植被区域划分为混种区,并将所述绝对值不小于第二预设阈值的植被区域划分为非混种区。
具体地,记录每个二值化图像中每个轮廓图像的Ratio,并按照大小进行排序,得到像素数量最多的前N个(如20个)轮廓像素数量与长度比的集合Ratios,并计算与每个二值化图像所对应的Ratios均值。
进一步地,可以根据以下规则进行作物混种区的实时识别:
设上一幅二值化图像图像的Ratios均值为Ratiosp,当前二值化图像的Ratios均值为Ratiosc,若Ratiosp与Ratiosc差值百分比的绝对值Per大于第二预设阈值(如15%),如公式3所示,则认为当前二值化所对应的植被区域是混种区,否则不是混种区。
依次对所有的二值化图像进行上述判断,即可以获取到作物混种区实时识别结果。
本发明实施例提供的基于多光谱数据的作物混种区实时识别方法,通过使用边缘像素数量(面积)与边缘长度比值来获取叶片的形变情况,并设定阈值以实现对二值化图像中对应的作物种植区域中边缘区域的确定,能快速实现作物混种区实时识别。
基于上述实施例的内容,作为一种可选实施例,在将与当前轮廓图像所对应的植被区域划分为混种区之前,还可以包括:
获取与当前轮廓图像所对应的二值化图像的第一归一化植被指数,以及与上一轮廓图像所对应的二值化图像的第二归一化植被指数;若第一归一化植被指数小于第三预设阈值,将与当前轮廓图像所对应的植被区域划分为边界区,并将绝对值不小于第三预设阈值的植被区域划分为非边界区。
具体地,在进行作物混种区的识别之前,还可以先确定出进行作物的混种识别的大概范围,即预先确定出作物识别的边界,具体包括以下步骤:
设上一二值化图像的NDVI值为NDVIp,当前二值化图像的NDVI值为NDVIc,若NDVIp与NDVIc差值百分比的绝对值大于33%,如公式4所示,则认为当前二值化图像是边界区,不为混种区,否则不是边界区。
若经过本步骤的运算,判定当前二值化图像为边界区域,则不进行作物混种区的判断,仅在当前二值化图像为非边界区域时,进行作物混种区的识别。
本发明实施例提供的基于多光谱数据的作物混种区实时识别方法,在进行作物混种区的实时识别之前先进行识别边界的判断,能够避免对非识别区域的识别造成识别效率的降低。
如图6-图8所示,是在联合Sobel和拉普拉斯滤波进行边缘信息提取获取到边缘图像后,进行图像二值化处理所获取的三幅二值化图像以原始图像的对比图,其中每个二值化图像中包含边缘轮廓像素数量最多的前20个边缘图像。从三幅图像的比较可知,在作物种类一致情况下,如图6和图8所示,作物边缘曲线较为一致。具体地,本发明实施例通过使用边缘像素数量(面积)与边缘长度比值来获取叶片的形变情况,通过分析发现,在相邻两幅图像边缘的面积与长度百分比的绝对值大于15%时,可以认为此时该图像对应的作物种植区域为边缘区域。图6中的面积与长度比为1.37、图7中的面积与长度比为1.89、图8中的面积与长度比为1.81,其相邻两幅二值化图片对应的百分比分别为27.5%和4.2%,即图7所对应的区域为混种区。通过使用可快速计算的面积与长度比值获取叶形特征来区分混种情况,相比使用计算量极大的纹理特征描述量,本发明实施例能快速的完成边缘区域的识别。此外,相比监督分类算法需事先开展样本训练,且后期仅仅能作用于事先训练的目标,本发明实施例提供的识别方法兼容性更强,对叶圆形作物(如棉花、苜蓿、豆角)与叶线形作物(如玉米、小麦)混种的作物均能识别。
图9为本发明实施例提供的一种基于多光谱数据的作物混种区实时识别系统,如图9所示,包括但不限于:图像预处理单元1、植被区域划分单元2、边缘图像获取单元3、二值化图像获取单元4、比值运算单元5和混种区识别单元6,其中:
图像预处理单元1主要用于对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;
植被区域划分单元2主要用于对采样图像中的土壤区域和植被区域进行划分,确定植被区域图像;
边缘图像获取单元3主要用于对植被区域图像中的绿色通道进行滤波,获取边缘图像;
二值化图像获取单元4主要用于对边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;
比值运算单元5主要用于提取每个二值化图像的轮廓图像,并获取每个轮廓图像的像素面积与长度比值;
混种区识别单元6主要用于根据每个所述轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别。
本发明实施例提供的基于多光谱数据的作物混种区实时识别系统,首先通过使用表征地表植被覆盖高低的归一化植被指数NDVI对土壤和植被进行区分,然后通过联合Sobel滤波算子和拉普拉斯算子对作物的边缘信息进行提取,最后通过选取作物边缘质量最好的轮廓信息,结合面积与长度的比值来反映叶形状,进而对混种区信息进行识别。
本发明实施例提供的基于多光谱数据的作物混种区实时识别系统,一方面,通过联合使用Sobel滤波算子和拉普拉斯算子,降低了非边缘区域像素的值,同时提升边缘区域像素的值,这样使得边缘与非边缘的分割更为容易,因此本系统仅仅需要设置简单的像素阈值即可实现对图像边缘信息进行提取。
另一方面,相比以往使用复杂分类算法、计算图像纹理特征等耗时算法,本系统通过计算提取的边缘的像素值数量(面积)与长度比值来描述叶片弯曲程度,用于反映叶形(也圆形与叶长形)。
再一方面,相比在叶片轮廓信息中随机选择一定数量的轮廓,或选取全部数量的轮廓计算整体的面积与长度比值,本系统直接选取轮廓面积考前的部分轮廓图像进行计算,一方面可以减少计算量,二是因轮廓面积越大代表提取的作物边缘越完整,这能有效的降低边缘提取中引入的干扰噪音。
需要说明的是,本发明实施例提供的基于多光谱数据的作物混种区实时识别系统,在具体执行时,可以执行上述任一实施例所述的基于多光谱数据的作物混种区实时识别方法,对此本实施例不作赘述。
图10示例了一种电子设备的实体结构示意图,如图10所示,该电子设备可以包括:处理器(processor)310、通信接口(communication interface)320、存储器(memory)330和通信总线(bus)340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行基于多光谱数据的作物混种区实时识别方法,主要包括:对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;对采样图像中的土壤区域和植被区域进行划分,确定植被区域图像;对植被区域图像中的绿色通道进行滤波,获取边缘图像;对边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;提取每个二值化图像的轮廓图像,并获取每个轮廓图像的像素面积与长度比值;根据每个轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元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。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元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。
另一方面,本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的基于多光谱数据的作物混种区实时识别方法,主要包括:对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;对采样图像中的土壤区域和植被区域进行划分,确定植被区域图像;对植被区域图像中的绿色通道进行滤波,获取边缘图像;对边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;提取每个二值化图像的轮廓图像,并获取每个轮廓图像的像素面积与长度比值;根据每个轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别。
又一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的以执行基于多光谱数据的作物混种区实时识别方法,主要包括:对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;对采样图像中的土壤区域和植被区域进行划分,确定植被区域图像;对植被区域图像中的绿色通道进行滤波,获取边缘图像;对边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;提取每个二值化图像的轮廓图像,并获取每个轮廓图像的像素面积与长度比值;根据每个轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于多光谱数据的作物混种区实时识别方法,其特征在于,包括:
对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;
对所述采样图像中的土壤区域和植被区域进行划分,确定植被区域图像;
对所述植被区域图像中的绿色通道进行滤波,获取边缘图像;
对所述边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;
提取每个所述二值化图像的轮廓图像,并获取每个所述轮廓图像的像素面积与长度比值;
根据每个所述轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别;
所述对所述边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像,包括:将所述边缘图像均匀划分为多个子边缘图像;将像素值小于预设像素阈值的子边缘图像的像素值均重设为0,将像素值大于预设像素阈值的子边缘图像的像素值均重设为标准像素值;收集所有像素值均重设为标准像素值的子边缘图像,获取与每个所述子边缘图像所对应的所述二值化图像;
所述提取每个所述二值化图像的轮廓图像,并获取每个所述轮廓图像的像素面积与长度比值,包括:提取每个所述二值化图像的所有轮廓图像,并统计每个所述轮廓图像的像素数量;计算每个所述轮廓图像的像素数量与轮廓长度的比值作为所述轮廓图像的像素面积与长度比值;
所述计算每个所述轮廓图像的像素数量与轮廓长度的比值作为所述轮廓图像的像素面积与长度比值,还包括:按像素数量的由多至少对所述轮廓图像进行排序;获取排序靠前N个轮廓图像的像素面积与长度比值;
所述根据每个所述轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别,包括:获取每个所述轮廓图像中排序靠前N个轮廓图像的像素面积与长度比值的比值均值;若当前轮廓图像的比值均值与上一轮廓图像的比值均值之间的差值百分比的绝对值小于第二预设阈值,将与所述当前轮廓图像所对应的植被区域划分为混种区,并将所述绝对值不小于所述第二预设阈值的植被区域划分为非混种区。
2.根据权利要求1所述的基于多光谱数据的作物混种区实时识别方法,其特征在于,所述对作物混种区的多光谱图像进行三通道数据采样,获取采样图像,包括:
获取所述多光谱图像中的绿色通道数据、近红外通道数据和红色通道数据,构建所述采样图像。
3.根据权利要求2所述的基于多光谱数据的作物混种区实时识别方法,其特征在于,所述对所述采样图像中的土壤区域和植被区域进行划分,确定植被区域图像,包括:
提取所述采样图像中的近红外通道数据和红色通道数据,计算归一化植被指数;
在所述采样图像中,将所述归一化指数小于第一预设阈值的区域设为裸土区域,并将绿色通道中所述裸土区域的像素值均设置为0,以获取所述植被区域图像。
4.根据权利要求1所述的基于多光谱数据的作物混种区实时识别方法,其特征在于,所述对所述植被区域图像中的绿色通道进行滤波,获取边缘图像,包括:
基于Sobel滤波算法,对所述植被区域图像中的绿色通道进行一次滤波,获取初始边缘图像;
基于拉普拉斯滤波算法,对所述初始边缘图像进行二次滤波,获取所述边缘图像。
5.根据权利要求1所述的基于多光谱数据的作物混种区实时识别方法,其特征在于,在所述将与所述当前轮廓图像所对应的植被区域划分为混种区之前,还包括:
获取与当前轮廓图像所对应的二值化图像的第一归一化植被指数,以及与上一轮廓图像所对应的二值化图像的第二归一化植被指数;
若第一归一化植被指数小于第三预设阈值,将与所述当前轮廓图像所对应的植被区域划分为边界区,并将所述绝对值不小于所述第三预设阈值的植被区域划分为非边界区。
6.一种基于多光谱数据的作物混种区实时识别系统,其特征在于,包括:
图像预处理单元,用于对作物混种区的多光谱图像进行三通道数据采样,获取采样图像;
植被区域划分单元,用于对所述采样图像中的土壤区域和植被区域进行划分,确定植被区域图像;
边缘图像获取单元,用于对所述植被区域图像中的绿色通道进行滤波,获取边缘图像;
二值化图像获取单元,用于对所述边缘图像进行作物边缘二值化提取和识别,获取多个二值化图像;
比值运算单元,用于提取每个所述二值化图像的轮廓图像,并获取每个所述轮廓图像的像素面积与长度比值;
混种区识别单元,用于根据每个所述轮廓图像的像素面积与长度比值与相邻轮廓图像的像素面积与长度比值之间的关系,实现作物混种区实时识别;
所述二值化图像获取单元具体用于将所述边缘图像均匀划分为多个子边缘图像;将像素值小于预设像素阈值的子边缘图像的像素值均重设为0,将像素值大于预设像素阈值的子边缘图像的像素值均重设为标准像素值;收集所有像素值均重设为标准像素值的子边缘图像,获取与每个所述子边缘图像所对应的所述二值化图像;
所述比值运算单元具体用于提取每个所述二值化图像的所有轮廓图像,并统计每个所述轮廓图像的像素数量;计算每个所述轮廓图像的像素数量与轮廓长度的比值作为所述轮廓图像的像素面积与长度比值;
所述比值运算单元还具体用于按像素数量的由多至少对所述轮廓图像进行排序;获取排序靠前N个轮廓图像的像素面积与长度比值;
所述混种区识别单元具体用于获取每个所述轮廓图像中排序靠前N个轮廓图像的像素面积与长度比值的比值均值;若当前轮廓图像的比值均值与上一轮廓图像的比值均值之间的差值百分比的绝对值小于第二预设阈值,将与所述当前轮廓图像所对应的植被区域划分为混种区,并将所述绝对值不小于所述第二预设阈值的植被区域划分为非混种区。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述基于多光谱数据的作物混种区实时识别方法的步骤。
8.一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,该计算机程序被处理器执行时实现如权利要求1至5任一项所述基于多光谱数据的作物混种区实时识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010886326.4A CN112037241B (zh) | 2020-08-28 | 2020-08-28 | 一种基于多光谱数据的作物混种区实时识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010886326.4A CN112037241B (zh) | 2020-08-28 | 2020-08-28 | 一种基于多光谱数据的作物混种区实时识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037241A CN112037241A (zh) | 2020-12-04 |
CN112037241B true CN112037241B (zh) | 2024-02-23 |
Family
ID=73587622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010886326.4A Active CN112037241B (zh) | 2020-08-28 | 2020-08-28 | 一种基于多光谱数据的作物混种区实时识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037241B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112614062B (zh) * | 2020-12-17 | 2024-04-26 | 北京陆桥技术股份有限公司 | 菌落计数方法、装置及计算机存储介质 |
CN112966138B (zh) * | 2021-02-22 | 2022-04-12 | 济南大学 | 一种基于轮廓特征点匹配的二维形状检索方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163138A (zh) * | 2019-05-13 | 2019-08-23 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105009174B (zh) * | 2013-01-08 | 2018-08-03 | 新加坡科技研究局 | 用于评估组织纤维化的方法及系统 |
US10664702B2 (en) * | 2016-12-30 | 2020-05-26 | International Business Machines Corporation | Method and system for crop recognition and boundary delineation |
-
2020
- 2020-08-28 CN CN202010886326.4A patent/CN112037241B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163138A (zh) * | 2019-05-13 | 2019-08-23 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
Non-Patent Citations (1)
Title |
---|
玉米作物多光谱图像精准分割与叶绿素诊断方法研究;吴倩;孙红;李民赞;宋媛媛;张彦娥;;光谱学与光谱分析(01);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112037241A (zh) | 2020-12-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
Li et al. | Immature green citrus fruit detection and counting based on fast normalized cross correlation (FNCC) using natural outdoor colour images | |
CN109255757B (zh) | 一种机器视觉自然放置葡萄串果梗区域分割方法 | |
CN112037241B (zh) | 一种基于多光谱数据的作物混种区实时识别方法及系统 | |
US20120213440A1 (en) | Systems and Methods for Automatically Identifying Shadows in Images | |
Gujjar et al. | A method for identification of basmati rice grain of india and its quality using pattern classification | |
Primicerio et al. | NDVI-based vigour maps production using automatic detection of vine rows in ultra-high resolution aerial images | |
Netto et al. | Segmentation of RGB images using different vegetation indices and thresholding methods | |
CN110376202B (zh) | 基于成像高光谱技术的茶树炭疽病病斑识别方法 | |
AU2020103260A4 (en) | Rice blast grading system and method | |
CN112257702A (zh) | 一种基于增量学习的农作物病害识别方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN108563979A (zh) | 一种基于航拍农田图像判别水稻稻瘟病病情的方法 | |
CN110598619A (zh) | 一种利用无人机影像进行果树识别和计数的方法和系统 | |
Choi et al. | Detection of dropped citrus fruit on the ground and evaluation of decay stages in varying illumination conditions | |
CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
Lili et al. | Classification of herbs plant diseases via hierarchical dynamic artificial neural network after image removal using kernel regression framework | |
Ashok Kumar et al. | A review on crop and weed segmentation based on digital images | |
TWI785436B (zh) | 自航拍影像偵測物體之系統、偵測航拍影像內物體之方法及其非暫態電腦可讀取媒體 | |
CN113269750A (zh) | 香蕉叶部病害图像检测方法、系统、储存介质及检测设备 | |
CN107944426B (zh) | 基于纹理滤波和二维光谱特征空间判别相结合的小麦叶片白粉病斑标记方法 | |
CN107154049B (zh) | 一种基于颜色信息的蔬菜叶片病斑分割方法及服务器 | |
KR101032581B1 (ko) | 유해영상 자동 판별 방법 | |
Pereira et al. | Fruit recognition and classification based on SVM method for production prediction of peaches-preliminary study |
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 |