CN112395984B - 一种用于无人驾驶农业机械的苗列导航线检测方法 - Google Patents
一种用于无人驾驶农业机械的苗列导航线检测方法 Download PDFInfo
- Publication number
- CN112395984B CN112395984B CN202011290442.6A CN202011290442A CN112395984B CN 112395984 B CN112395984 B CN 112395984B CN 202011290442 A CN202011290442 A CN 202011290442A CN 112395984 B CN112395984 B CN 112395984B
- Authority
- CN
- China
- Prior art keywords
- seedling
- image
- area
- line
- row
- 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 22
- 230000005484 gravity Effects 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 23
- 230000011218 segmentation Effects 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 7
- 230000007547 defect Effects 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000012217 deletion Methods 0.000 description 4
- 230000037430 deletion Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
- Guiding Agricultural Machines (AREA)
Abstract
一种用于无人驾驶农业机械的苗列导航线检测方法,包括图像获取、阈值分割、去噪处理、苗列重心提取、扫描苗列最优线、苗列轮廓融合与筛选和苗列导航线拟合步骤,其中分别扫描出通过苗列底部重心的底部苗列最优线,以及通过苗列中部重心的中部苗列最优线,再将底部苗列最优线和中部苗列最优线与去噪图像的苗列区域进行融合,三者在去噪图像上融合后,能够有效的消除苗列区域上由于苗列缺株而造成的缺失,即通过底部苗列最优线和中部苗列最优线两者叠加配合,能够有效填补苗列中的缺株部位,起到强化苗列轮廓的作用,最终把筛选得到的面积最大的苗列目标轮廓区域拟合为苗列导航线,能够大幅提升苗列导航线的精确程度,解决传统算法的不足。
Description
技术领域
本发明涉及无人驾驶农业机械的苗列导航领域,尤其涉及一种用于无人驾驶农业机械的苗列导航线检测方法。
背景技术
随着智能农业的发展,无人驾驶农机的应用越发广泛。为确保无人驾驶农机在作业过程中可以按照实际情况调整作业轨迹,需要其具备自动导航能力。目前国内外应用比较广泛的导航方法主要有精密GNSS导航、机器视觉导航和传感器融合导航等方式。其中,机器视觉导航技术以其成本低、鲁棒性好、实时性强的优点成为关注的热点。传统算法中通常以连续苗株作为研究对象,多数情况下由于受外界环境的影响,苗列中会存在苗株缺失的现象,此时传统算法不能保证其检测精度,导致检测出的苗列导航线与实际苗列的偏差较大。中国专利文件CN111026119A,一种对北斗卫星导航精准纠正的农苗对行除草控制方法,以及中国专利文件CN110516563A,基于DSP的农业移栽机智能路径导航方法,均对苗列导航线的检测方法进行了改进,但都依然未能彻底消除苗株缺失产生的误差现象。因此,现有的苗列导航线检测方法误差较大,难以引导无人驾驶农业机械进行准确、安全、高效的作业。
发明内容
为解决现有的苗列导航线检测方法误差较大问题,本发明提供了一种用于无人驾驶农业机械的苗列导航线检测方法。
本发明为解决上述技术问题所采用的技术方案是:一种用于无人驾驶农业机械的苗列导航线检测方法,包括以下步骤:
步骤一、图像获取
步骤二、阈值分割
根据农作物的颜色设定阈值,对步骤一得到的彩色图像进行阈值分割处理,将苗列区域从彩色图像的背景中分离并作为白色区域,得到以苗列区域为白色区域、其余区域为黑色区域的二值图像;
步骤三、去噪处理
对步骤二得到的二值图像进行中值滤波运算,然后对二值图像进行先膨胀后腐蚀的形态学闭运算,再根据坐标系对二值图像进行轮廓查找,去除二值图像中所有独立存在且面积小于设定面积的白色区域,得到消除孔洞并去除小块的去噪图像;
步骤四、苗列重心提取
在步骤三得到的去噪图像的底端和中部分别设置区域,对底端区域和中部区域分别进行图形掩膜,然后对底端区域和中部区域内的苗列分别进行重心提取,从而在去噪图像的底部得到多个苗列底部重心,并在去噪图像的中部得到多个苗列中部重心;
步骤五、扫描苗列最优线
对步骤三得到的去噪图像进行扫描,分别得到多个苗列底部重心的直线集合以及多个苗列中部重心的直线集合,每个苗列底部重心的直线集合均包含了所有以该苗列底部重心为起点、并延伸至去噪图像顶部的直线,每个苗列中部重心的直线集合均包含了所有以该苗列中部重心为起点、并延伸至去噪图像顶部的直线,对所有直线集合分别进行筛选,筛选出每个直线集合中各自通过白色区域最多的直线,从而得到分别通过多个苗列底部重心的多条底部苗列最优线,以及分别通过多个苗列中部重心的多条中部苗列最优线;
步骤六、苗列轮廓融合与筛选
将步骤五得到的底部苗列最优线和中部苗列最优线以白色线条显示并全部添加在去噪图像上,从而将去噪图像的苗列区域、底部苗列最优线、中部苗列最优线融合为苗列筛选轮廓区域,计算得出苗列筛选轮廓区域中所有独立存在的白色区域的面积,根据面积大小筛选出面积最大的两个白色区域,在去噪图像上去除其余白色区域,以保留的两个白色区域作为苗列目标轮廓区域;
步骤七、苗列导航线拟合
通过最小二乘法对步骤六得到的苗列目标轮廓区域进行直线拟合,得到苗列目标轮廓区域的苗列轮廓中心线,以苗列轮廓中心线作为无人驾驶农业机械的苗列导航线,即完成无人驾驶农业机械的苗列导航线检测。
优选的,步骤六中,通过图像轮廓面积函数计算白色区域的面积,通过集合储存面积最大的两个白色区域作为苗列目标轮廓区域的集合;步骤七中,通过直线拟合函数对苗列目标轮廓区域的集合进行最小二乘法直线拟合,得到苗列轮廓中心线。
根据上述技术方案,本发明的有益效果是:
本发明中分别扫描出通过苗列底部重心的底部苗列最优线,以及通过苗列中部重心的中部苗列最优线,再将底部苗列最优线和中部苗列最优线与去噪图像的苗列区域进行融合,三者在去噪图像上融合后,能够有效的消除苗列区域上由于苗列缺株而造成的缺失,即通过底部苗列最优线和中部苗列最优线两者叠加配合,能够有效填补苗列中的缺株部位,起到强化苗列轮廓的作用,最终把筛选得到的面积最大的苗列目标轮廓区域拟合为苗列导航线,能够大幅提升苗列导航线的精确程度。因此,本发明能够有效的消除苗株缺失产生的误差现象,解决传统算法的不足,针对存在缺株现象的农田环境具有较高的准确度,且算法对计算量的要求较低,经验证本发明对应每帧图像的平均检测时间为46ms,能够满足无人驾驶农机作业的实时性要求,引导无人驾驶农业机械进行准确、安全、高效的作业。
附图说明
图1为通过彩色相机拍照得到后建立了坐标系的彩色图像;
图2为阈值分割后得到的二值图像;
图3为去噪处理后得到的去噪图像;
图4为苗列底部重心的提取示意图;
图5为苗列中部重心的提取示意图;
图6为底部苗列最优线与苗列区域融合后,苗列轮廓仍存在缺失的示意图;
图7为中部苗列最优线与苗列区域融合后,苗列轮廓仍存在缺失的示意图;
图8为底部苗列最优线、中部苗列最优线与苗列区域融合后,苗列轮廓被完整填充的示意图;
图10为筛选后得到的苗列目标轮廓区域的示意图;
图11为将直线拟合得到的苗列轮廓中心线作为苗列导航线显示在彩色图像上的最终效果图。
具体实施方式
基于图1~图11,对本发明做出详细说明。本实施例为用于无人驾驶农业机械的苗列导航线检测方法,包括以下步骤:
步骤一、图像获取
如图1所示,本实施例中所用图像的实验对象为玉米苗,图像中苗高为30~40cm,苗列间距为20~30cm,设置彩色相机高度为140~160cm,拍照俯角为30°左右。对多处试验田进行样本采集,确保样本的普遍性。图像坐标系的原点在左上角,坐标系的横坐标(x)轴及纵坐标(y)轴分别位于原点的水平向右方向及垂直向下方向,采集的样本图像尺寸为640×480像素。样本图像如图1所示。
步骤二、阈值分割
根据农作物的颜色设定阈值,对步骤一得到的彩色图像进行阈值分割处理,将苗列区域从彩色图像的背景中分离并作为白色区域,得到以苗列区域为白色区域、其余区域为黑色区域的二值图像。
通过彩色摄像机拍摄采集到的图像为RGB格式的彩色图像,对图像进行分析发现,苗列所在区域主要为绿色,列间区域为灰褐色。为对指定的颜色进行分割,将图像转换至HSV颜色空间,根据作物的颜色设定相应的颜色阈值。对于基本色中对应的HSV分量需要给定一个严格的取值范围,分量的范围分别是,H:0-180,S:0-255,V:0-255,各颜色的取值范围如表1所示。
表1 色彩在HSV颜色空间的取值范围
经过测试,将HSV分量的范围设置在(35,43,46)~(77,255,255),可准确提取出绿色苗列,完成对苗列区域的分离操作。以HSV分量作为阈值对图像进行阈值分割,处理后的图像为二值图,其中白色区域代表苗列,黑色区域代表列间,二值图效果如图2所示。
步骤三、去噪处理
对步骤二得到的二值图像进行中值滤波运算,然后对二值图像进行先膨胀后腐蚀的形态学闭运算,再根据坐标系对二值图像进行轮廓查找,去除二值图像中所有独立存在且面积小于设定面积的白色区域,得到消除孔洞并去除小块的去噪图像。
由于杂草等因素导致采集的农田图像中存在大量噪声干扰,为了减少噪声的同时保持图像细节,对二值化图像进行中值滤波运算,滤波窗口为5×5的矩阵。为避免苗列中的孔洞对中心线提取造成影响,对图像进行先膨胀后腐蚀的形态学闭运算,处理后消除了苗列区域内的孔洞。此外,由于光照因素,阈值处理后苗尖与苗株分离,形成离散的小块,针对这种情况采用限制面积的方式进行去除,对图像进行轮廓查找,计算轮廓面积并删除轮廓面积小于300的区域,避免对苗列中心线的提取造成影响。最终经去噪处理的图像效果如图3所示。
步骤四、苗列重心提取
在步骤三得到的去噪图像的底端和中部分别设置区域,对底端区域和中部区域分别进行图形掩膜,然后对底端区域和中部区域内的苗列分别进行重心提取,从而在去噪图像的底部得到多个苗列底部重心,并在去噪图像的中部得到多个苗列中部重心。
步骤五、扫描苗列最优线
对步骤三得到的去噪图像进行扫描,分别得到多个苗列底部重心的直线集合以及多个苗列中部重心的直线集合,每个苗列底部重心的直线集合均包含了所有以该苗列底部重心为起点、并延伸至去噪图像顶部的直线,每个苗列中部重心的直线集合均包含了所有以该苗列中部重心为起点、并延伸至去噪图像顶部的直线,对所有直线集合分别进行筛选,筛选出每个直线集合中各自通过白色区域最多的直线,从而得到分别通过多个苗列底部重心的多条底部苗列最优线,以及分别通过多个苗列中部重心的多条中部苗列最优线。
在扫描时对扫描区域进行优化选取,分别以苗列底部及中部的重心为下端定位点,为构成扫描线还需要确定每个下端点对应的上端点。上端点的坐标在图像的第一行像素中设定,图像宽度为,设上端点坐标为,每个上端点的横坐标间隔5个像素点,以此将图形纵向分割为多个等份。
针对每条直线,将直线上的所有点放入集合中,直线上通过苗列区域(即白色区域)的点单独设为集合,集合中的元素即为直线穿过苗列区域的点的个数,集合中最大的元素所对应的直线即为通过苗列区域最多的直线。从列表中找出最大值的索引位置,其映射在集合上的元素即为通过苗列区域最多的线。
为确保获得的直线即为过目标苗列最优线,针对得到的直线设置以下限制条件:
通过上述条件筛选可以分别找出符合条件的底部苗列最优线和中部苗列最优线。
步骤六、苗列轮廓融合与筛选
得到底部苗列最优线和中部苗列最优线后,即可进行苗列轮廓融合。但在缺株情况下,单独用底部定位点或中部定位点会出现无法确定最优线的情况,图6所示即为底部苗列最优线与苗列区域融合后,苗列轮廓仍存在缺失的情况,图7所示为中部苗列最优线与苗列区域融合后,苗列轮廓仍存在缺失的情况。由图6和图7可知,在缺株情况下会导致苗列底部定位点的选取失败,无法获取准确的苗列最优线,因此需要对图像进行合并处理,具体步骤如下。
将步骤五得到的底部苗列最优线和中部苗列最优线以白色线条显示并全部添加在去噪图像上,从而将去噪图像的苗列区域、底部苗列最优线、中部苗列最优线融合为苗列筛选轮廓区域,通过轮廓面积函数计算得出苗列筛选轮廓区域中所有独立存在的白色区域的面积,通过集合储存面积最大的两个白色区域作为苗列目标轮廓区域的集合,根据面积大小筛选出面积最大的两个白色区域,在去噪图像上去除其余白色区域,以保留的两个白色区域作为苗列目标轮廓区域。
如图8所示,即为底部苗列最优线、中部苗列最优线与苗列区域融合后,苗列轮廓被完整填充的情况;如图10所示,为筛选后得到的苗列目标轮廓区域,图10与图8相比去除了大多数面积较小的白色区域,保留了图像中部的两个面积最大的白色区域,作为苗列目标轮廓区域。
为保存目标苗列特征并去除其他苗列,让轮廓区域的左边线为最外侧连线向外平移距离,如图9所示,即,点平移至,处,同理,右边线执行相同的操作,得到动态轮廓区域,以动态轮廓区域作为优选后的的苗列筛选轮廓区域,能够缩小对苗列轮廓进行筛选的范围,方便对苗列轮廓进行筛选。
步骤七、苗列导航线拟合
采用最小二乘法对步骤六得到的苗列目标轮廓区域进行直线拟合,得到苗列目标轮廓区域的苗列轮廓中心线,以苗列轮廓中心线作为无人驾驶农业机械的苗列导航线,具体操作为将苗列轮廓中心线作为苗列导航线显示在彩色图像上,无人驾驶农业机械在行驶时就可以沿着苗列导航线行驶,即完成无人驾驶农业机械的苗列导航线检测,最终效果如图11所示。本发明具有受缺株情况影响较小,具有鲁棒性强及准确度高的特点,经验证,本发明满足在缺株现象的农田环境中提取苗列中心线的要求,克服了传统算法面对缺株苗列的不足,算法对计算量的要求较低。本发明对应每帧图像的平均检测时间为46ms,能够满足无人驾驶农机作业的实时性要求。
Claims (3)
1.一种用于无人驾驶农业机械的苗列导航线检测方法,其特征在于,包括以下步骤:
步骤一、图像获取
步骤二、阈值分割
根据农作物的颜色设定阈值,对步骤一得到的彩色图像进行阈值分割处理,将苗列区域从彩色图像的背景中分离并作为白色区域,得到以苗列区域为白色区域、其余区域为黑色区域的二值图像;
步骤三、去噪处理
对步骤二得到的二值图像进行中值滤波运算,然后对二值图像进行先膨胀后腐蚀的形态学闭运算,再根据坐标系对二值图像进行轮廓查找,去除二值图像中所有独立存在且面积小于设定面积的白色区域,得到消除孔洞并去除小块的去噪图像;
步骤四、苗列重心提取
在步骤三得到的去噪图像的底端和中部分别设置区域,对底端区域和中部区域分别进行图形掩膜,然后对底端区域和中部区域内的苗列分别进行重心提取,从而在去噪图像的底部得到多个苗列底部重心,并在去噪图像的中部得到多个苗列中部重心;
步骤五、扫描苗列最优线
对步骤三得到的去噪图像进行扫描,分别得到多个苗列底部重心的直线集合以及多个苗列中部重心的直线集合,每个苗列底部重心的直线集合均包含了所有以该苗列底部重心为起点、并延伸至去噪图像顶部的直线,每个苗列中部重心的直线集合均包含了所有以该苗列中部重心为起点、并延伸至去噪图像顶部的直线,对所有直线集合分别进行筛选,筛选出每个直线集合中各自通过白色区域最多的直线,从而得到分别通过多个苗列底部重心的多条底部苗列最优线,以及分别通过多个苗列中部重心的多条中部苗列最优线;
步骤六、苗列轮廓融合与筛选
将步骤五得到的底部苗列最优线和中部苗列最优线以白色线条显示并全部添加在去噪图像上,从而将去噪图像的苗列区域、底部苗列最优线、中部苗列最优线融合为苗列筛选轮廓区域,计算得出苗列筛选轮廓区域中所有独立存在的白色区域的面积,根据面积大小筛选出面积最大的两个白色区域,在去噪图像上去除其余白色区域,以保留的两个白色区域作为苗列目标轮廓区域;
步骤七、苗列导航线拟合
通过最小二乘法对步骤六得到的苗列目标轮廓区域进行直线拟合,得到苗列目标轮廓区域的苗列轮廓中心线,以苗列轮廓中心线作为无人驾驶农业机械的苗列导航线,即完成无人驾驶农业机械的苗列导航线检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290442.6A CN112395984B (zh) | 2020-11-18 | 2020-11-18 | 一种用于无人驾驶农业机械的苗列导航线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290442.6A CN112395984B (zh) | 2020-11-18 | 2020-11-18 | 一种用于无人驾驶农业机械的苗列导航线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112395984A CN112395984A (zh) | 2021-02-23 |
CN112395984B true CN112395984B (zh) | 2022-09-16 |
Family
ID=74606465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011290442.6A Active CN112395984B (zh) | 2020-11-18 | 2020-11-18 | 一种用于无人驾驶农业机械的苗列导航线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112395984B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113298889A (zh) * | 2021-05-08 | 2021-08-24 | 江苏师范大学 | 一种基于机器视觉的基本苗统计方法 |
CN113850117B (zh) * | 2021-07-13 | 2024-05-14 | 江苏省农业机械试验鉴定站 | 一种水稻插秧机性能检测系统及方法 |
CN113778081B (zh) * | 2021-08-19 | 2022-07-22 | 中国农业科学院农业资源与农业区划研究所 | 一种基于激光雷达和视觉的果园路径识别方法和机器人 |
CN113989253A (zh) * | 2021-11-04 | 2022-01-28 | 广东皓行科技有限公司 | 农田目标对象信息的获取方法及装置 |
CN116892944B (zh) * | 2023-09-11 | 2023-12-08 | 黑龙江惠达科技股份有限公司 | 农机导航线生成方法及装置、导航方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278918B1 (en) * | 2000-02-28 | 2001-08-21 | Case Corporation | Region of interest selection for a vision guidance system |
CN102999757A (zh) * | 2012-11-12 | 2013-03-27 | 中国农业大学 | 导航线提取方法 |
CN105021196A (zh) * | 2015-06-29 | 2015-11-04 | 郑州轻工业学院 | 基于最小相切圆和形态学原理的作物行检测方法 |
CN105783935A (zh) * | 2016-03-07 | 2016-07-20 | 河北科技大学 | 农业机械视觉导航方法 |
CN105989601A (zh) * | 2015-12-30 | 2016-10-05 | 安徽农业大学 | 基于机器视觉的农业agv玉米行间导航基准线提取方法 |
CN105987684A (zh) * | 2015-12-18 | 2016-10-05 | 中国科学院合肥物质科学研究院 | 一种基于单目视觉的农业车辆导航线检测系统及方法 |
CN108133471A (zh) * | 2016-11-30 | 2018-06-08 | 天津职业技术师范大学 | 一种自然光照条件下基于人工蜂群算法的农业移动机器人导航路径提取方法及装置 |
WO2019176843A1 (ja) * | 2018-03-15 | 2019-09-19 | ヤンマー株式会社 | 作業車両および作物列認識プログラム |
CN111784597A (zh) * | 2020-06-18 | 2020-10-16 | 山东省农业机械科学研究院 | 一种植保机器人自主导航路径检测方法及服务器、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8121345B2 (en) * | 2006-05-18 | 2012-02-21 | Applied Perception, Inc. | Vision guidance system and method for identifying the position of crop rows in a field |
-
2020
- 2020-11-18 CN CN202011290442.6A patent/CN112395984B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6278918B1 (en) * | 2000-02-28 | 2001-08-21 | Case Corporation | Region of interest selection for a vision guidance system |
CN102999757A (zh) * | 2012-11-12 | 2013-03-27 | 中国农业大学 | 导航线提取方法 |
CN105021196A (zh) * | 2015-06-29 | 2015-11-04 | 郑州轻工业学院 | 基于最小相切圆和形态学原理的作物行检测方法 |
CN105987684A (zh) * | 2015-12-18 | 2016-10-05 | 中国科学院合肥物质科学研究院 | 一种基于单目视觉的农业车辆导航线检测系统及方法 |
CN105989601A (zh) * | 2015-12-30 | 2016-10-05 | 安徽农业大学 | 基于机器视觉的农业agv玉米行间导航基准线提取方法 |
CN105783935A (zh) * | 2016-03-07 | 2016-07-20 | 河北科技大学 | 农业机械视觉导航方法 |
CN108133471A (zh) * | 2016-11-30 | 2018-06-08 | 天津职业技术师范大学 | 一种自然光照条件下基于人工蜂群算法的农业移动机器人导航路径提取方法及装置 |
WO2019176843A1 (ja) * | 2018-03-15 | 2019-09-19 | ヤンマー株式会社 | 作業車両および作物列認識プログラム |
CN111784597A (zh) * | 2020-06-18 | 2020-10-16 | 山东省农业机械科学研究院 | 一种植保机器人自主导航路径检测方法及服务器、存储介质 |
Non-Patent Citations (7)
Title |
---|
"Automatic detection of crop rows based on multi-ROIs";Guoquan Jiang等;《Expert Systems with Applications》;20141025;第2429-2441页 * |
"Autonomous Crop Row Guidance Using Adaptive Multi-ROI in Strawberry Fields";Vignesh Raja Ponnambalam等;《Sensors》;20200914;第1-17页 * |
"基于机器视觉的农用车辆导航线提取算法研究;马振;《中国优秀硕士学位论文全文数据库 农业科技辑》;20190915;D044-8 * |
"基于机器视觉的玉米精准施药系统作物行识别算法及系统实现";刁智华等;《农业工程学报》;20150430(第07期);第47-52页 * |
"基于轮廓查找与线扫描的作物行检测算法";亢洁等;《科学技术与工程》;20190731;第273-277页 * |
"玉米行间导航线实时提取";杨洋等;《农业工程学报》;20200630;第162-171页 * |
"矮化密植枣园视觉导航路径检测方法的研究";彭顺正;《中国优秀硕士学位论文全文数据库 农业科技辑》;20180115;D043-4 * |
Also Published As
Publication number | Publication date |
---|---|
CN112395984A (zh) | 2021-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112395984B (zh) | 一种用于无人驾驶农业机械的苗列导航线检测方法 | |
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 | |
CN109215071B (zh) | 基于视觉的智能稻麦收割机割幅测量方法 | |
CN105989601B (zh) | 基于机器视觉的农业agv玉米行间导航基准线提取方法 | |
CN104361330B (zh) | 一种玉米精准施药系统的作物行识别方法 | |
CN111784597B (zh) | 一种植保机器人自主导航路径检测方法及服务器、存储介质 | |
CN105117701B (zh) | 基于最大正方形原理的玉米作物行骨架提取方法 | |
US11676376B2 (en) | Method for detecting field navigation line after ridge sealing of crops | |
CN108133471B (zh) | 一种基于人工蜂群算法的机器人导航路径提取方法及装置 | |
CN113450402B (zh) | 用于蔬菜大棚巡检机器人的导航中心线提取方法 | |
CN115272187A (zh) | 一种基于车载动态视场帧间关联性的田间稻麦倒伏全局评估方法 | |
CN109684941A (zh) | 一种基于matlab图像处理荔枝果实采摘区域划分方法 | |
He et al. | Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method | |
CN114387343A (zh) | 一种成簇平菇的菌柄采摘位置的检测方法 | |
CN110414384B (zh) | 智能稻麦收获机导航线跟踪方法 | |
CN114092822B (zh) | 图像处理方法、移动控制方法以及移动控制系统 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN117456523A (zh) | 作物种类识别方法、装置、电子设备及介质 | |
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 | |
CN115294482B (zh) | 一种基于无人机遥感图像的食用菌产量估算方法 | |
CN113963255B (zh) | 一种基于田垄颜色特征的垄上作业机械导航线识别方法 | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及系统 | |
Li et al. | Vision-based navigation line extraction by combining crop row detection and RANSAC algorithm | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210223 Assignee: Shanghai Yijie Computer Technology Co.,Ltd. Assignor: HENAN University OF SCIENCE AND TECHNOLOGY Contract record no.: X2023980048966 Denomination of invention: A Method for Detecting Seedling Navigation Lines for Unmanned Agricultural Machinery Granted publication date: 20220916 License type: Common License Record date: 20231130 |