CN112381819A - 基于hsv颜色模型的植保雾滴检测方法 - Google Patents
基于hsv颜色模型的植保雾滴检测方法 Download PDFInfo
- Publication number
- CN112381819A CN112381819A CN202011420835.4A CN202011420835A CN112381819A CN 112381819 A CN112381819 A CN 112381819A CN 202011420835 A CN202011420835 A CN 202011420835A CN 112381819 A CN112381819 A CN 112381819A
- Authority
- CN
- China
- Prior art keywords
- image
- droplet
- value
- fogdrop
- color model
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 33
- 230000008021 deposition Effects 0.000 claims abstract description 26
- 238000005507 spraying Methods 0.000 claims abstract description 17
- 239000000575 pesticide Substances 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000000877 morphologic effect Effects 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 5
- 239000012085 test solution Substances 0.000 claims description 3
- 125000004432 carbon atom Chemical group C* 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims 1
- 238000000034 method Methods 0.000 abstract description 29
- 230000000694 effects Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 abstract description 7
- 230000000873 masking effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000010297 mechanical methods and process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- -1 t Species 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06T7/60—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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20116—Active contour; Active surface; Snakes
-
- 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)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及农药喷洒效果检测领域,具体公开了一种基于HSV颜色模型的植保雾滴检测方法,首先提取雾滴图片R通道图像,利用HSV颜色模型蒙版法对R通道图像进行处理,过滤多余背景信息,再通过二值化得到雾滴轮廓二值图,通过形态学去噪、开运算去噪后提取雾滴轮廓,最后通过对雾滴轮廓包围形状面积进行计算、过滤去除多余干扰信息,得到雾滴检测结果。本发明通过对R三通道进行合并,利用HSV颜色模型生成掩膜图,采用蒙版的方法对雾滴进行检测,能够在雾滴数量密集的水敏纸上较为准确的统计出雾滴数量中径、体积中径、沉积密度、沉积覆盖率等衡量农药喷洒效果的重要技术指标,检测过程简单。
Description
技术领域
本发明涉及农药喷洒效果检测领域,具体公开了一种基于HSV颜色模型的植保雾滴检测方法。
背景技术
在植物生长过程中,需要喷洒农药以保护植物免受虫害,此时,需要判断农药喷洒效果。常用的判断方法是先采集雾滴,然后对雾滴进行检测,计算出雾滴沉积密度、雾滴沉积覆盖率和雾滴粒径谱,再进行判断。现有雾滴检测方法主要有激光法、机械法、图像法,激光法操作较为便捷,但测量仪器成本价格昂贵,并且对检测的条件较为严格,具有一定的局限性;对于机械法来说,如油盘法,需要操作者进行大量手工操作,获取采集雾滴后,还需通过显微镜进行测定、计算、和矫正,操作过程复杂且精度很低;图像法又可分为传统图像法和基于深度学习的图像法,传统图像法在对雾滴进行图像提取时不能很好的去除背景信息,容易引入背景造成检测误差,基于深度学习的方法在实现方法上较为繁琐,需要预先训练网络模型,然后再通过模型进行检测,在检测过程中速度较慢且容易出现误检的情况。上述的激光法、机械法和图像法在某些特点场景下不能准确快速的对雾滴进行分析。
发明内容
有鉴于此,本发明的目的在于提供一种基于HSV颜色模型的植保雾滴检测方法。
为达到上述目的,本发明提供如下技术方案:
一种基于HSV颜色模型的植保雾滴检测方法,包括以下步骤:
步骤S1、使用农药喷洒设备将测试液喷洒到水敏纸上,在水敏纸上形成雾滴区域;
步骤S2、获取水敏纸的图像信息作为雾滴原图,并对雾滴原图进行RGB三通道拆分,得到R、G、B三个通道的图像信息;
步骤S3、提取出R通道的图像信息,使用R通道的图像信息代替G通道和B通道的图像信息,并将三个通道的图像信息合并得到R三通道模型;
步骤S4、将R三通道模型转化为HSV颜色模型,通过HSV颜色模型得到雾滴图像各部分对应的色相分量H、饱和度分量S和明度分量V,调节明度分量V的最大值,生成去除背景区域并保留雾滴区域的掩膜图;
步骤S5、将雾滴原图转化为BGR颜色模式并与掩膜图进行叠加,从而去除BGR颜色模式图像的背景区域,得到蒙版图;
步骤S6、对蒙版图依次进行灰度化操作和高斯滤波,得到高斯滤波图;
步骤S7、对高斯滤波图依次进行二值化操作、形态学操作和开运算去噪,得到雾滴去噪图;
步骤S8、对雾滴去噪图进行轮廓检测,提取出雾滴轮廓,得到雾滴轮廓图;
步骤S9、计算雾滴轮廓最小包围圆形的圆心及半径,并根据雾滴轮廓半径及圆心信息计算出雾滴沉积密度、雾滴沉积覆盖率和雾滴粒径谱。
进一步的,在所述步骤S4中,生成掩膜图时,先在水敏纸背景部分的明度分量值和雾滴部分的明度分量值之间选择一个值作为明度阈值Vmax,从HSV颜色模型的图像信息中提取出明度分量值小于或等于明度阈值Vmax的区域,生成掩膜图。
进一步的,在所述步骤S6中,进行灰度化操作时,先定义BGR模式的图像中单个像素的灰度值为Y,然后通过下式计算每个像素的灰度值Y:
Y=0.299R+0.587G+0.114B
其中,R表示单个像素的红色分量的值;G表示单个像素的绿色分量的值;B表示单个像素的蓝色分量的值。
进一步的,在所述步骤S7中,二值化操作的方法为:预设一个灰度阈值T1,对于灰度值小于T1的像素,将其灰度值设为0;对于灰度值大于或等于T1的像素,将其灰度值设为灰度最大值maxVal。
进一步的,在所述步骤S8中,进行轮廓检测并提取雾滴轮廓的方法为:压缩雾滴图像二值图的水平方向、垂直方向和对角线方向的元素,只保留该方向的终点坐标,得到雾滴的外侧轮廓信息,并通过轮廓信息绘制出雾滴轮廓。
进一步的,在执行完步骤S8后,先执行以下步骤:
步骤S801、预设一个最小面积阈值T2和一个最大面积阈值T3;计算各雾滴轮廓包围的面积,过滤掉包围的面积小于T2或大于T3的雾滴轮廓。
进一步的,雾滴沉积密度的计算公式如下:
上式中,K为雾滴沉积密度;N为过滤后雾滴的数量;At为水敏纸的实际面积,单位为cm2,At=wt×ht;wt表示水敏纸的实际宽度,ht表示水敏纸的实际高度。
进一步的,雾滴沉积覆盖率的计算公式如下:
本方案的工作原理及有益效果在于:本发明在传统图像法的基础上进行了改进,通过对R三通道进行合并生成掩膜图,采用蒙版的方法对雾滴进行检测,能够在雾滴数量密集的水敏纸上较为准确的统计出雾滴数量中径、体积中径、沉积密度、沉积覆盖率等衡量农药喷洒效果的重要技术指标,检测过程简单。
附图说明
图1为本发明基于HSV颜色模型的植保雾滴检测方法的一个优选实施例的流程图;
图2为步骤S2中所述的雾滴原图的示意图;
图3为步骤S2中所述的R、G、B三通道对比图的示意图;
图4为步骤S3中所述的R三通道图的示意图;
图5为步骤S4中所述的掩膜图的示意图;
图6为步骤S5中所述的蒙版图的示意图;
图7为步骤S6中所述的灰度图的示意图;
图8为步骤S6中所述的高斯滤波图的示意图;
图9为步骤S7中所述的雾滴二值图的示意图;
图10为步骤S7中所述的雾滴去噪图的示意图;
图11为步骤S8中所述的雾滴轮廓图的示意图;
图12为步骤S9中所述的检测结果图的示意图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例
本发明基于HSV颜色模型的植保雾滴检测方法的一个优选实施例包括以下步骤:
步骤S1、使用农药喷洒设备将测试液喷洒到水敏纸上,在水敏纸上形成雾滴区域。
步骤S2、获取水敏纸的图像信息作为雾滴原图,如图2所示;对雾滴原图进行RGB三通道拆分,得到R、G、B三个通道的图像信息,如图3所示。
步骤S3、通过对比可知R通道图像能够更好地突出雾滴原图的背景与雾滴的差异,更有利于雾滴轮廓的提取,因此,提取出R通道的图像信息,并使用R通道的图像信息代替G通道和B通道的图像信息,并将三个通道的图像信息合并得到R三通道模型,生成雾滴的R三通道图片,如图4所示。
步骤S4、将R三通道模型转化为HSV颜色模型,通过HSV颜色模型得到雾滴图像各部分对应的H色相分量、S饱和度分量、V明度分量,调节明度分量V的最大值,生成去除背景区域并保留雾滴区域的掩膜图,如图5所示。具体方法为,在水敏纸背景部分的明度分量值和雾滴部分的明度分量值之间选择一个值作为明度阈值Vmax。在选择明度阈值Vmax时,需要对R三通道模型进行观察,可通过多次试验的方式选择出一个能够较好的去除背景的同时有效保留雾滴区域的值作为明度阈值Vmax;例如,可选择明度阈值Vmax=200。从HSV颜色模型的图像信息中提取出明度分量值小于或等于明度阈值Vmax的区域,生成掩膜图;生成掩膜图的公式如下:
通过上式可将雾滴部分的颜色变为白色,把背景区域变为黑色,从而生成掩膜图。通过掩膜图可知其只能显示黑白两色,即目标区域为白色,背景为黑色,当然,也可将白色变成所需要的其他色彩,只需对图像进行合并叠加即可。
步骤S5、将雾滴原图转化为BGR颜色模式并与掩膜图进行叠加,从而去除BGR颜色模式图像的背景区域,得到蒙版图,如图6所示。具体方法为,利用掩膜屏蔽作用对图像上某些区域作屏蔽,使其不参加处理或不参加处理参数的计算。当两张图片进行叠加时,会在掩膜图的非屏蔽区域将原始图片保留并显示,在掩膜图的屏蔽区域显示遮罩部分。利用掩膜图与原图像进行“与”操作,即掩膜图像白色区域是对需要处理图像像素的保留,黑色区域是对需要处理图像像素的剔除,通过二者叠加能够有效的过滤水敏纸背景信息并最大限度的保持雾滴信息。
步骤S6、对蒙版图依次进行灰度化操作和高斯滤波。
去掉背景后需要对图像进一步进行灰度化,通过灰度化完成颜色空间从BGR模式转化为灰度模式,减小图像原始数据量,降低计算量加速后续处理,同时避免条带失真,保持图片信息的完整性。具体方法为:定义BGR模式的图像中单个像素的灰度值为Y,通过下式计算每个像素的灰度值Y:
Y=0.299R+0.587G+0.114B
其中,R表示单个像素的红色分量的值;G表示单个像素的绿色分量的值;B表示单个像素的蓝色分量的值。通过灰度化操作,得到灰度图,如图7所示。
在数字图像后期应用中噪声会造成很大的误差,而误差在不同的处理操作中会累积传递,为了能够得到较好的图像,需要采用高斯滤波器除去高斯噪声,让图像更加平滑。高斯滤波器能够根据高斯函数的形状来选择权值的线性平滑滤波器,高斯滤波器对于服从正太分布的噪声非常有效,其计算方法为,建立二维的UV坐标系,定义输入图像为S(u,v),通过二维高斯函数处理后得到G(u,v),用一个模板扫描灰度图中的每一个像素,确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值,公式为:
上式中,σ为正态分布的标准偏差。在高斯滤波后的得到高斯滤波图,如图8所示。
步骤S7、对高斯滤波图依次进行二值化操作、形态学操作和开运算去噪。
进行二值化操作的具体方法为:预设一个灰度阈值T1(例如,可设置T1=40),对于灰度值小于T1的像素,将其灰度值设为0;对于灰度值大于或等于T1的像素,将其灰度值设为灰度最大值maxVal,灰度最大值maxVal可设为255。通过二值化操作后使图像中背景区域的灰度值变为0,而雾滴区域的灰度值变为255,使得数据量大为减少,从而能凸显出雾滴的轮廓,高斯滤波图通过二值化操作后的得到雾滴二值图,如图9所示。
形态学处理的核心就是定义结构元素,包括结构元素的大小及形状。对雾滴二值图进行形态学操作时,先定义一个3×3的十字形的结构元素返回指定形状和尺寸的结构元素,通过结构元素与图片进行形态学操作。然后利用开运算先进行腐蚀,再进行膨胀操作,分离雾滴与小区域,去除雾滴周围无关的外部白色像素点干扰小区域,而保留其他部分不变,处理后得到雾滴去噪图,如图10所示。
步骤S8、对雾滴去噪图进行轮廓检测,提取出雾滴轮廓;具体方法为:压缩雾滴图像二值图的水平方向、垂直方向和对角线方向的元素,只保留该方向的终点坐标,得到雾滴的外侧轮廓信息,并通过轮廓信息绘制出雾滴轮廓,生成雾滴轮廓图,如图11所示。
步骤S801、预设一个最小面积阈值T2和一个最大面积阈值T3;计算各雾滴轮廓包围的面积,过滤掉包围的面积小于T2或大于T3的雾滴轮廓,去除干扰信息。
步骤S9、通过过滤后的轮廓信息检测出雾滴轮廓最小包围圆形的圆心及半径信息,并在雾滴图片上圈出,得到检测结果图,如图12所示。计算雾滴轮廓最小包围圆形的圆心及半径,并根据雾滴轮廓半径及圆心信息计算出雾滴沉积密度、雾滴沉积覆盖率和雾滴粒径谱。
1、雾滴沉积密度
雾滴沉积密度K是影响雾滴防治效果的重要参数,是指雾滴收集装置单位面积上所承接的雾滴个数,单位为:个/cm2;其计算公式如下:
上式中,N为过滤后雾滴的数量;At为水敏纸的实际面积,单位为cm2,At=wt×ht;wt表示水敏纸的实际宽度,ht表示水敏纸的实际高度。
2、雾滴沉积覆盖率
雾滴沉积覆盖率C表示雾滴覆盖区域面积占统计总面积的百分比,其计算公式如下:
3、雾滴粒径谱
雾滴粒径谱主要包括数量中径和体积中径;当然,雾滴粒径谱还包括其他参数,由于雾滴粒径谱的其他参数在判断农药喷洒效果时可以忽略,因此本实施例中只计算了数量中径和体积中径。
在一次喷雾样本中,将所有雾滴按照雾滴直径从小到大顺序累积,当累积到雾滴数量等于雾滴总数的50%时,所对应的雾滴直径即为此次雾滴样本中雾滴的数量中径,其单位为μm(微米);数量中径NMD的计算公式表示为:
上式中,rp表示数量中径在图片中所对应的像素半径。
在一次喷雾样本中,将所有雾滴按照体积由小到大的顺序累积,当累积叠加到的体积值等于雾滴体积总和的50%时,所对应的雾滴直径即为此次雾滴样本中雾滴的体积中径,其单位为μm(微米);体积中径VMD的计算公式表示为:
上式中,R表示体积中径对应的像素直径,其计算公式为:
上式中,V表示累积叠加的体积值;Vm表示所有雾滴体积之和的一半,其计算公式为:
之后,即可根据雾滴沉积密度、雾滴沉积覆盖率和雾滴粒径谱判断农药的喷洒效果。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和本发明的实用性。
Claims (8)
1.一种基于HSV颜色模型的植保雾滴检测方法,其特征在于,包括以下步骤:
步骤S1、使用农药喷洒设备将测试液喷洒到水敏纸上,在水敏纸上形成雾滴区域;
步骤S2、获取水敏纸的图像信息作为雾滴原图,并对雾滴原图进行RGB三通道拆分,得到R、G、B三个通道的图像信息;
步骤S3、提取出R通道的图像信息,使用R通道的图像信息代替G通道和B通道的图像信息,并将三个通道的图像信息合并得到R三通道模型;
步骤S4、将R三通道模型转化为HSV颜色模型,通过HSV颜色模型得到雾滴图像各部分对应的色相分量H、饱和度分量S和明度分量V,调节明度分量V的最大值,生成去除背景区域并保留雾滴区域的掩膜图;
步骤S5、将雾滴原图转化为BGR颜色模式并与掩膜图进行叠加,从而去除BGR颜色模式图像的背景区域,得到蒙版图;
步骤S6、对蒙版图依次进行灰度化操作和高斯滤波,得到高斯滤波图;
步骤S7、对高斯滤波图依次进行二值化操作、形态学操作和开运算去噪,得到雾滴去噪图;
步骤S8、对雾滴去噪图进行轮廓检测,提取出雾滴轮廓,得到雾滴轮廓图;
步骤S9、计算雾滴轮廓最小包围圆形的圆心及半径,并根据雾滴轮廓半径及圆心信息计算出雾滴沉积密度、雾滴沉积覆盖率和雾滴粒径谱。
2.根据权利要求1所述的基于HSV颜色模型的植保雾滴检测方法,其特征在于,在所述步骤S4中,生成掩膜图时,先在水敏纸背景部分的明度分量值和雾滴部分的明度分量值之间选择一个值作为明度阈值Vmax,从HSV颜色模型的图像信息中提取出明度分量值小于或等于明度阈值Vmax的区域,生成掩膜图。
3.根据权利要求1所述的基于HSV颜色模型的植保雾滴检测方法,其特征在于,在所述步骤S6中,进行灰度化操作时,先定义BGR模式的图像中单个像素的灰度值为Y,然后通过下式计算每个像素的灰度值Y:
Y=0.299R+0.587G+0.114B
其中,R表示单个像素的红色分量的值;G表示单个像素的绿色分量的值;B表示单个像素的蓝色分量的值。
4.根据权利要求1所述的基于HSV颜色模型的植保雾滴检测方法,其特征在于,在所述步骤S7中,二值化操作的方法为:预设一个灰度阈值T1,对于灰度值小于T1的像素,将其灰度值设为0;对于灰度值大于或等于T1的像素,将其灰度值设为灰度最大值maxVal。
5.根据权利要求1所述的基于HSV颜色模型的植保雾滴检测方法,其特征在于,在所述步骤S8中,进行轮廓检测并提取雾滴轮廓的方法为:压缩雾滴图像二值图的水平方向、垂直方向和对角线方向的元素,只保留该方向的终点坐标,得到雾滴的外侧轮廓信息,并通过轮廓信息绘制出雾滴轮廓。
6.根据权利要求1所述的基于HSV颜色模型的植保雾滴检测方法,其特征在于,在执行完步骤S8后,先执行以下步骤:
步骤S801、预设一个最小面积阈值T2和一个最大面积阈值T3;计算各雾滴轮廓包围的面积,过滤掉包围的面积小于T2或大于T3的雾滴轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011420835.4A CN112381819A (zh) | 2020-12-07 | 2020-12-07 | 基于hsv颜色模型的植保雾滴检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011420835.4A CN112381819A (zh) | 2020-12-07 | 2020-12-07 | 基于hsv颜色模型的植保雾滴检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381819A true CN112381819A (zh) | 2021-02-19 |
Family
ID=74589321
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011420835.4A Pending CN112381819A (zh) | 2020-12-07 | 2020-12-07 | 基于hsv颜色模型的植保雾滴检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381819A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222925A (zh) * | 2021-04-30 | 2021-08-06 | 陕西科技大学 | 一种基于ImagePy的水敏纸雾滴参数测量装置及其测量方法 |
CN113327236A (zh) * | 2021-06-04 | 2021-08-31 | 天津大学 | 新型冠状病毒抗体快速检测试剂的识别方法及系统 |
CN113888397A (zh) * | 2021-10-08 | 2022-01-04 | 云南省烟草公司昆明市公司 | 基于无人机遥感和图像处理技术的烟草清塘点株方法 |
CN114184609A (zh) * | 2021-12-03 | 2022-03-15 | 西北农林科技大学 | 一种检验药品或叶面肥在叶幕层喷施效果的便捷检测方法 |
CN115345961A (zh) * | 2022-08-24 | 2022-11-15 | 清华大学 | 基于hsv颜色空间相互运算的浓雾彩色重建方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9251614B1 (en) * | 2014-08-29 | 2016-02-02 | Konica Minolta Laboratory U.S.A., Inc. | Background removal for document images |
CN108764294A (zh) * | 2018-04-28 | 2018-11-06 | 青岛农业大学 | 基于玉米果穗对称性的行数自动检测方法 |
CN110689519A (zh) * | 2019-08-21 | 2020-01-14 | 华南农业大学 | 基于yolo网络的雾滴沉积图像检测系统和方法 |
CN111986175A (zh) * | 2020-08-19 | 2020-11-24 | 北京科技大学 | 工业喷嘴所喷液滴的粒径测量方法 |
-
2020
- 2020-12-07 CN CN202011420835.4A patent/CN112381819A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9251614B1 (en) * | 2014-08-29 | 2016-02-02 | Konica Minolta Laboratory U.S.A., Inc. | Background removal for document images |
CN108764294A (zh) * | 2018-04-28 | 2018-11-06 | 青岛农业大学 | 基于玉米果穗对称性的行数自动检测方法 |
CN110689519A (zh) * | 2019-08-21 | 2020-01-14 | 华南农业大学 | 基于yolo网络的雾滴沉积图像检测系统和方法 |
CN111986175A (zh) * | 2020-08-19 | 2020-11-24 | 北京科技大学 | 工业喷嘴所喷液滴的粒径测量方法 |
Non-Patent Citations (1)
Title |
---|
李伟;胡艳侠;吕岑;: "基于HSV空间的玉米果穗性状的检测", 湖南农业大学学报(自然科学版), no. 01, 25 February 2017 (2017-02-25), pages 112 - 116 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222925A (zh) * | 2021-04-30 | 2021-08-06 | 陕西科技大学 | 一种基于ImagePy的水敏纸雾滴参数测量装置及其测量方法 |
CN113222925B (zh) * | 2021-04-30 | 2023-01-31 | 陕西科技大学 | 一种基于ImagePy的水敏纸雾滴参数测量装置及其测量方法 |
CN113327236A (zh) * | 2021-06-04 | 2021-08-31 | 天津大学 | 新型冠状病毒抗体快速检测试剂的识别方法及系统 |
CN113327236B (zh) * | 2021-06-04 | 2022-08-02 | 天津大学 | 新型冠状病毒抗体快速检测试剂的识别方法及系统 |
CN113888397A (zh) * | 2021-10-08 | 2022-01-04 | 云南省烟草公司昆明市公司 | 基于无人机遥感和图像处理技术的烟草清塘点株方法 |
CN114184609A (zh) * | 2021-12-03 | 2022-03-15 | 西北农林科技大学 | 一种检验药品或叶面肥在叶幕层喷施效果的便捷检测方法 |
CN115345961A (zh) * | 2022-08-24 | 2022-11-15 | 清华大学 | 基于hsv颜色空间相互运算的浓雾彩色重建方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112381819A (zh) | 基于hsv颜色模型的植保雾滴检测方法 | |
KR101518722B1 (ko) | 안개 등의 대기 산란 입자로 인한 왜곡 보정용 영상 처리 방법 및 장치 | |
CN106097444B (zh) | 高精地图生成方法和装置 | |
US10592754B2 (en) | Shadow removing method for color image and application | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN109191432B (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
LU102950B1 (en) | Tobacco plant counting method based on uav remote sensing technology and image processing technology | |
CN106548160A (zh) | 一种人脸微笑检测方法 | |
CN110210428B (zh) | 一种基于mser的远距离复杂环境下的烟雾根节点检测方法 | |
CN106875407B (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN102750538A (zh) | 一种基于图像处理技术的围棋比赛结果分析方法 | |
CN112861654A (zh) | 一种基于机器视觉的名优茶采摘点位置信息获取方法 | |
CN111060442A (zh) | 一种基于图像处理的油液颗粒检测方法 | |
Zhang et al. | Filtering photogrammetric point clouds using standard lidar filters towards dtm generation | |
CN106558044B (zh) | 影像模组的解像力测量方法 | |
CN113706566A (zh) | 一种基于边缘检测的加香喷雾性能检测方法 | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
Setyawan et al. | Comparison of hsv and lab color spaces for hydroponic monitoring system | |
CN115409793A (zh) | 一种基于机器视觉的雾滴检测方法及系统 | |
CN108053409A (zh) | 一种遥感影像分割基准库自动构建方法及其系统 | |
CN114972367B (zh) | 分割图像的方法、装置、设备和计算机可读存储介质 | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
Ghazali et al. | Machine vision system for automatic weeding strategy in oil palm plantation using image filtering technique | |
JP2781530B2 (ja) | 画像処理方法および装置 | |
CN116071665B (zh) | 基于卫星影像的松材线虫病病害木提取方法和装置 |
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 |