CN112418043B - 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质 - Google Patents

玉米杂草遮挡确定方法、装置、机器人、设备及存储介质 Download PDF

Info

Publication number
CN112418043B
CN112418043B CN202011280768.0A CN202011280768A CN112418043B CN 112418043 B CN112418043 B CN 112418043B CN 202011280768 A CN202011280768 A CN 202011280768A CN 112418043 B CN112418043 B CN 112418043B
Authority
CN
China
Prior art keywords
identification frame
corn
weed
image information
information
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
Application number
CN202011280768.0A
Other languages
English (en)
Other versions
CN112418043A (zh
Inventor
李绍稳
孟余耀
张乐
梁晋欣
李志强
傅雷扬
金�秀
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.)
Anhui Agricultural University AHAU
Original Assignee
Anhui Agricultural University AHAU
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 Anhui Agricultural University AHAU filed Critical Anhui Agricultural University AHAU
Priority to CN202011280768.0A priority Critical patent/CN112418043B/zh
Publication of CN112418043A publication Critical patent/CN112418043A/zh
Application granted granted Critical
Publication of CN112418043B publication Critical patent/CN112418043B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06T7/10—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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明适用人工智能技术领域，提供玉米杂草遮挡确定方法、装置、机器人、设备及存储介质，包括：根据预设深度网络模型，在玉米和杂草图像数据集中确定玉米识别框和杂草识别框及其轮廓坐标信息；当判断玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，对其进行阈值分割及轮廓提取处理，得到玉米识别框和杂草识别框内图像信息的轮廓坐标信息；当判断玉米识别框和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，确定玉米和杂草存在遮挡关系。本发明将深度学习、图像处理与田间除草相结合，实现精确判断玉米与杂草之间的遮挡情况，在机器人除草领域具高实用价值。

Description

玉米杂草遮挡确定方法、装置、机器人、设备及存储介质
技术领域
本发明属于人工智能技术领域，尤其涉及一种玉米杂草遮挡确定方法、装置、机器人、设备及存储介质。
背景技术
玉米是主要农作物之一，在人们的饮食结构中占据重要地位，其在生长过程中一直伴随有各种杂草生长，过多的杂草会影响玉米的产量，而杂草也一直是危害农田作物茁壮成长的一大田间杀手。杂草跟农作物争夺土壤水分和养分，侵占农田空间，影响农作物生长，不仅降低了农作物的产量和质量，还间接助长了病虫害的滋生和蔓延。
为了防除杂草，目前对于田间杂草的处理主要依赖于除草机器人，然而，由于玉米与杂草的近似度高，其无法及时准确地判断出杂草所在位置以及杂草与玉米的遮挡情况，导致除草效果不佳的问题。
发明内容
本发明实施例的目的在于提供一种玉米杂草遮挡确定方法，旨在解决目前对于田间杂草的处理方法存在无法及时准确地判断出杂草所在位置以及杂草与玉米的遮挡情况，导致除草效果不佳的问题。
本发明实施例是这样实现的，一种玉米杂草遮挡确定方法，包括：
获取玉米和杂草图像数据集；
根据预设深度网络模型，在所述玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及所述玉米识别框和杂草识别框的轮廓坐标信息；
当根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息；
对所述玉米识别框内图像信息和杂草识别框内图像信息进行阈值分割处理以及轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息；
当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系。
本发明实施例的另一目的在于一种玉米杂草遮挡确定装置，包括：
数据集获取单元，用于获取玉米和杂草图像数据集；
第一轮廓坐标信息确定单元，根据预设深度网络模型，在所述玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及所述玉米识别框和杂草识别框的轮廓坐标信息；
图像信息确定单元，用于当根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息；
第二轮廓坐标信息确定单元，用于对所述玉米识别框内图像信息和杂草识别框内图像信息进行阈值分割处理以及轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息；以及
遮挡关系确定单元，用于当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系。
本发明实施例的另一目的在于一种除草机器人，包括所述的玉米杂草遮挡确定装置。
本发明实施例的另一目的在于一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述玉米杂草遮挡确定方法的步骤。
本发明实施例的另一目的在于一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述玉米杂草遮挡确定方法的步骤。
本发明实施例提供的一种玉米杂草遮挡确定方法，根据预设深度网络模型，在玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及玉米识别框和杂草识别框的轮廓坐标信息，以判断玉米识别框和杂草识别框是否产生重合，完成第一次判断，进而在玉米识别框和杂草识别框存在重合的基础上，提取识别框内图像信息，当判断玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系，完成第二次判断；本发明通过上述二次判断方式，将深度学习方法、图像处理方法与田间除草相结合，实现精确判断玉米与杂草之间的遮挡情况，在机器人除草过程中具有很高的实用价值。
附图说明
图1为本发明实施例提供的玉米杂草遮挡确定方法的应用环境图；
图2为本发明实施例提供的一种玉米杂草遮挡确定方法的实现流程图；
图3为本发明实施例提供的玉米和杂草图像经Faster R-CNN深度网络模型处理所得结果示意图；
图4为本发明实施例提供的第一次遮挡判断原理示意图；
图5为本发明实施例提供的另一种玉米杂草遮挡确定方法的实现流程图；
图6为本发明实施例提供的一种杂草识别框和玉米识别框之间重合的示意图；
图7为本发明实施例提供的又一种玉米杂草遮挡确定方法的实现流程图；
图8为本发明实施例提供的OTSU灰度化示例图；
图9为本发明实施例提供的连通域过滤算法效果示例图；
图10为本发明实施例提供的另一种杂草识别框和玉米识别框之间重合的示意图；
图11为本发明实施例提供的再一种玉米杂草遮挡确定方法的实现流程图；
图12为本发明实施例提供的玉米杂草遮挡确定装置的结构框图；
图13为一个实施例中计算机设备的内部结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明实施例中可能采用术语第一、第二等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。
本发明实施例为解决目前对于田间杂草的处理方法存在无法及时准确地判断出杂草所在位置以及杂草与玉米的遮挡情况，导致除草效果不佳的问题，提供了一种玉米杂草遮挡确定方法，根据预设深度网络模型，在玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及玉米识别框和杂草识别框的轮廓坐标信息，以判断玉米识别框和杂草识别框是否产生重合，完成第一次判断，进而在玉米识别框和杂草识别框存在重合的基础上，提取识别框内图像信息，当判断玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系，完成第二次判断；本发明通过上述二次判断方式，将深度学习方法、图像处理方法与田间除草相结合，实现精确判断玉米与杂草之间的遮挡情况，在机器人除草过程中具有很高的实用价值。
如图1所示，为本发明实施例提供的一种玉米杂草遮挡确定方法的应用环境图，也可以理解为一种除草机器人的结构示意图，详述如下。
在本发明实施例中，所述除草机器人包括摄像装置110、移动装置120、除草装置130以及玉米杂草遮挡确定装置140；其中，所述摄像装置110与所述玉米杂草遮挡确定装置140连接，并向所述玉米杂草遮挡确定装置140持续发送玉米和杂草图像信息，所述玉米杂草遮挡确定装置140用于对持续获取到的玉米和杂草图像信息按照预设的玉米杂草遮挡确定方法对玉米和杂草之间的遮挡关系进行判断确定。
在本发明实施例中，移动装置120用于控制除草机器人的移动方向以及移动距离；除草装置130用于根据玉米杂草遮挡确定装置140所确定的玉米和杂草之间的遮挡关系对杂草进行精准去除；另外，移动装置120以及除草装置130均为现有技术中的除草机器人的常规结构设置，在此不做具体说明。
如图2所示，在一个实施例中，提出了一种玉米杂草遮挡确定方法，本实施例主要以该方法应用于上述图1中的玉米杂草遮挡确定装置140来举例说明，具体可以包括以下步骤：
步骤S201，获取玉米和杂草图像数据集。
步骤S202，根据预设深度网络模型，在所述玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及所述玉米识别框和杂草识别框的轮廓坐标信息。
在本发明实施例中，所述预设深度网络模型为Faster R-CNN深度网络模型。如图3所示的玉米和杂草图像数据集经Faster R-CNN深度网络模型处理所得结果示意图，将玉米和杂草的图像数据集通过Faster R-CNN深度网络模型，得到玉米识别框和杂草识别框，进而对玉米识别框和杂草识别框轮廓坐标进行遍历，得到所述玉米识别框和所述杂草识别框轮廓坐标信息。
步骤S203，根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框是否存在重合面积；若是，则进入步骤S204中；若否，则判断下一个目标。
步骤S204，当根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息。
在本发明实施例中，根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框是否存在重合面积为第一次遮挡判断，如图4所示的第一次遮挡判断原理示意图，当第一次遮挡判断结果为遮挡时，才进行第二次遮挡判断。
在本发明实施例中，如图5所示，所述步骤S203，包括：
步骤S501，根据所述玉米识别框和杂草识别框的轮廓坐标信息，确定所述玉米识别框和杂草识别框中心点之间的水平方向距离和竖直方向距离信息、以及所述玉米识别框和杂草识别框的水平方向和竖直方向的边长信息。
在本发明实施例中，如图6所示，以图像左上角作为原点，原点X轴右方记为X轴正半轴，原点Y轴下方记为Y轴正半轴；记所述玉米识别框左上角坐标为(N1,M1)，所述玉米识别框右下角坐标为(Q1,L1)，记所述杂草识别框左上角坐标为(N2,M2)，所述杂草识别框右下角坐标为(Q2,L2)。令玉米识别框和所述杂草识别框中心点之间水平方向距离为
Figure BDA0002780677600000071
玉米识别框和杂草识别框中心点之间竖直方向距离为
Figure BDA0002780677600000072
所述玉米识别框水平方向的边长为d1＝|N1-Q1|，所述杂草识别框水平方向的边长为d2＝|N2-Q2|，所述玉米识别框竖直方向的边长为d3＝|M1-L1|，所述杂草识别框竖直方向的边长为d4＝|M2-L2|。
步骤S502，当根据所述玉米识别框和杂草识别框中心点之间的水平方向距离和竖直方向距离信息、以及所述玉米识别框和杂草识别框的水平方向和竖直方向的边长信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息。
在本发明实施例中，如上所述，当满足
Figure BDA0002780677600000073
的条件时，可判断玉米识别框和杂草识别框存在重合面积，进行第二次遮挡判断前准备，即分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息。
步骤S205，对所述玉米识别框内图像信息和杂草识别框内图像信息进行阈值分割处理以及轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息。
在本发明实施例中，如图7所示，所述步骤S204，包括：
步骤S701，对所述玉米识别框内图像信息和杂草识别框内图像信息进行OTSU阈值分割处理，得到玉米和杂草阈值图像。
步骤S702，计算所述玉米和杂草阈值图像的各个连通域面积，并对所述连通域面积进行过滤处理，得到只保留最大连通域面积的玉米识别框内图像信息和杂草识别框内图像信息。
在本发明实施例中，如图8所示的OTSU灰度化示例图以及图9所示的连通域过滤算法效果示例图，运用连通域过滤算法，计算所述玉米阈值图像内的各个连通域面积，并对所述连通域面积进行过滤，只保留面积最大的连通域，具体为：先运用灰阶公式gray＝200*g-49*b-198*r分离图像中背景，得到玉米与杂草分离背景后的图像，再转换为U8类型进行OTSU二值化处理，之后找到最大区域并进行填充，并打印最大面积值，之后再使用FindContours函数得到轮廓信息并打印所得的最大连通域轮廓坐标点。
步骤S703，对所述玉米识别框内图像信息和杂草识别框内图像信息进行轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息。
在本发明实施例中，提取玉米识别框内图像信息以及杂草识别框内图像信息，对玉米识别框内图像进行OTSU阈值分割的到玉米阈值图像，同时为了避免出现如图10所示的杂草识别框和玉米识别框之间出现重合面积但玉米和杂草轮廓并不存在重合的情况，需运用连通域过滤算法：计算玉米阈值图像内的各个连通域面积，并对连通域面积进行过滤，只保留最大面积的连通域；之后对玉米识别框内图像和杂草识别框内图像进行OTSU阈值分割处理和基于Canny算子的轮廓提取方法处理，得到玉米识别框内图像和杂草识别框内图像的轮廓坐标，以判断玉米轮廓和杂草轮廓在草识别框和玉米识别框之间出现重合面积的情况下是否重合，从而判断图像中玉米与杂草是否存在遮挡情况；
在本发明实施例中，如图6所示，将原图左上角坐标记为(0,0)，记玉米识别框左上角坐标为(N1,M1)，记所述玉米识别框左上角坐标为(N2,M2)，记玉米轮廓在识别框内任意一点坐标为p1＝(x1，y1)，记杂草轮廓在杂草识别框内任意一点坐标为p2＝(x2，y2)，可得到p1点在原图坐标为L1＝(N1+X1,M1+Y1),p2点在原图坐标为L2＝(N2+X2,M2+Y2)。
步骤S206，判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息是否存在超过预设重合轮廓坐标点数量阈值；若是，则进入步骤S207中；若否，则判断下一个目标。
步骤S207，当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系。
在本发明实施例中，预设重合轮廓坐标点数量阈值大小可以在具体实现时，根据终端性能和/或实现需求等自行设定，本发明实施例对上述预设重合轮廓坐标点数量阈值大小不作具体限定，比如举例来说，上述预设重合轮廓坐标点数量阈值可以为1个、2个、4个等。
在本发明实施例中，如图11所示，所述步骤S205，包括：
步骤S1101，根据所述玉米识别框和杂草识别框的轮廓坐标信息、以及所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息，确定所述玉米识别框内图像信息和杂草识别框内图像信息在全局图像中的坐标信息；
步骤S1102，当判断所述玉米识别框内图像信息和杂草识别框内图像信息在全局图像中的坐标信息存在重合坐标点时，则确定玉米和杂草在全局图像中存在遮挡关系。
在本发明实施例中，遍历玉米轮廓在玉米识别框内坐标和杂草轮廓在杂草识别框内坐标，判断玉米轮廓在玉米识别框内坐标和杂草轮廓在杂草识别框内坐标是否存在超过2个点以上重合，若存在重合，则可判断原图中玉米轮廓和杂草轮廓存在遮挡关系。
本发明实施例提供的一种玉米杂草遮挡确定方法，根据预设深度网络模型，在玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及玉米识别框和杂草识别框的轮廓坐标信息，以判断玉米识别框和杂草识别框是否产生重合，完成第一次判断，进而在玉米识别框和杂草识别框存在重合的基础上，提取识别框内图像信息，当判断玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系，完成第二次判断；本发明通过上述二次判断方式，将深度学习方法、图像处理方法与田间除草相结合，实现精确判断玉米与杂草之间的遮挡情况，在机器人除草过程中具有很高的实用价值。
如图12所示，在一个实施例中，提供了一种玉米杂草遮挡确定装置，该玉米杂草遮挡确定装置具体可以包括数据集获取单元1210、第一轮廓坐标信息确定单元1220、图像信息确定单元1230、第二轮廓坐标信息确定单元1240以及遮挡关系确定单元1250。
数据集获取单元1210，用于获取玉米和杂草图像数据集。
第一轮廓坐标信息确定单元1220，根据预设深度网络模型，在所述玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及所述玉米识别框和杂草识别框的轮廓坐标信息。
在本发明实施例中，所述预设深度网络模型为Faster R-CNN深度网络模型。如图3所示的玉米和杂草图像数据集经Faster R-CNN深度网络模型处理所得结果示意图，将玉米和杂草的图像数据集通过Faster R-CNN深度网络模型，得到玉米识别框和杂草识别框，进而对玉米识别框和杂草识别框轮廓坐标进行遍历，得到所述玉米识别框和所述杂草识别框轮廓坐标信息。
图像信息确定单元1230，用于当根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息。
在本发明实施例中，根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框是否存在重合面积为第一次遮挡判断，如图4所示的第一次遮挡判断原理示意图，当第一次遮挡判断结果为遮挡时，才进行第二次遮挡判断。
在本发明实施例中，如图6所示，以图像左上角作为原点，原点X轴右方记为X轴正半轴，原点Y轴下方记为Y轴正半轴；记所述玉米识别框左上角坐标为(N1,M1)，所述玉米识别框右下角坐标为(Q1,L1)，记所述杂草识别框左上角坐标为(N2,M2)，所述杂草识别框右下角坐标为(Q2,L2)。令玉米识别框和所述杂草识别框中心点之间水平方向距离为
Figure BDA0002780677600000121
玉米识别框和杂草识别框中心点之间竖直方向距离为
Figure BDA0002780677600000122
所述玉米识别框水平方向的边长为d1＝|N1-Q1|，所述杂草识别框水平方向的边长为d2＝|N2-Q2|，所述玉米识别框竖直方向的边长为d3＝|M1-L1|，所述杂草识别框竖直方向的边长为d4＝|M2-L2|。
在本发明实施例中，当满足
Figure BDA0002780677600000123
的条件时，可判断玉米识别框和杂草识别框存在重合面积，进行第二次遮挡判断前准备，即分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息。
第二轮廓坐标信息确定单元1240，用于对所述玉米识别框内图像信息和杂草识别框内图像信息进行阈值分割处理以及轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息。
在本发明实施例中，对所述玉米识别框内图像信息和杂草识别框内图像信息进行OTSU阈值分割处理，得到玉米和杂草阈值图像；计算所述玉米和杂草阈值图像的各个连通域面积，并对所述连通域面积进行过滤处理，得到只保留最大连通域面积的玉米识别框内图像信息和杂草识别框内图像信息。如图8所示的OTSU灰度化示例图以及图9所示的连通域过滤算法效果示例图，运用连通域过滤算法，计算所述玉米阈值图像内的各个连通域面积，并对所述连通域面积进行过滤，只保留面积最大的连通域，具体为：先运用灰阶公式gray＝200*g-49*b-198*r分离图像中背景，得到玉米与杂草分离背景后的图像，再转换为U8类型进行OTSU二值化处理，之后找到最大区域并进行填充，并打印最大面积值，之后再使用FindContours函数得到轮廓信息并打印所得的最大连通域轮廓坐标点。
在本发明实施例中，提取玉米识别框内图像信息以及杂草识别框内图像信息，对玉米识别框内图像进行OTSU阈值分割的到玉米阈值图像，同时为了避免出现如图10所示的杂草识别框和玉米识别框之间出现重合面积但玉米和杂草轮廓并不存在重合的情况，需运用连通域过滤算法：计算玉米阈值图像内的各个连通域面积，并对连通域面积进行过滤，只保留最大面积的连通域；之后对玉米识别框内图像和杂草识别框内图像进行OTSU阈值分割处理和基于Canny算子的轮廓提取方法处理，得到玉米识别框内图像和杂草识别框内图像的轮廓坐标，以判断玉米轮廓和杂草轮廓在草识别框和玉米识别框之间出现重合面积的情况下是否重合，从而判断图像中玉米与杂草是否存在遮挡情况；
在本发明实施例中，如图6所示，将原图左上角坐标记为(0,0)，记玉米识别框左上角坐标为(N1,M1)，记所述玉米识别框左上角坐标为(N2,M2)，记玉米轮廓在识别框内任意一点坐标为p1＝(x1，y1)，记杂草轮廓在杂草识别框内任意一点坐标为p2＝(x2，y2)，可得到p1点在原图坐标为L1＝(N1+X1,M1+Y1),p2点在原图坐标为L2＝(N2+X2,M2+Y2)。
遮挡关系确定单元1250，用于当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系。
在本发明实施例中，预设重合轮廓坐标点数量阈值大小可以在具体实现时，根据终端性能和/或实现需求等自行设定，本发明实施例对上述预设重合轮廓坐标点数量阈值大小不作具体限定，比如举例来说，上述预设重合轮廓坐标点数量阈值可以为1个、2个、4个等。
在本发明实施例中，根据所述玉米识别框和杂草识别框的轮廓坐标信息、以及所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息，确定所述玉米识别框内图像信息和杂草识别框内图像信息在全局图像中的坐标信息；当判断所述玉米识别框内图像信息和杂草识别框内图像信息在全局图像中的坐标信息存在重合坐标点时，则确定玉米和杂草在全局图像中存在遮挡关系。
在本发明实施例中，遍历玉米轮廓在玉米识别框内坐标和杂草轮廓在杂草识别框内坐标，判断玉米轮廓在玉米识别框内坐标和杂草轮廓在杂草识别框内坐标是否存在超过2个点以上重合，若存在重合，则可判断原图中玉米轮廓和杂草轮廓存在遮挡关系。
本发明实施例提供的一种玉米杂草遮挡确定装置，根据预设深度网络模型，在玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及玉米识别框和杂草识别框的轮廓坐标信息，以判断玉米识别框和杂草识别框是否产生重合，完成第一次判断，进而在玉米识别框和杂草识别框存在重合的基础上，提取识别框内图像信息，当判断玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系，完成第二次判断；本发明通过上述二次判断方式，将深度学习方法、图像处理方法与田间除草相结合，实现精确判断玉米与杂草之间的遮挡情况，在机器人除草过程中具有很高的实用价值。
图13示出了一个实施例中计算机设备的内部结构图。该计算机设备具体可以是图1中的玉米杂草遮挡确定装置140。如图13所示，该计算机设备包括该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中，存储器包括非易失性存储介质和内存储器。该计算机设备的非易失性存储介质存储有操作系统，还可存储有计算机程序，该计算机程序被处理器执行时，可使得处理器实现玉米杂草遮挡确定方法。该内存储器中也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行玉米杂草遮挡确定方法。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图13中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，本申请提供的玉米杂草遮挡确定装置可以实现为一种计算机程序的形式，计算机程序可在如图13所示的计算机设备上运行。计算机设备的存储器中可存储组成该玉米杂草遮挡确定装置的各个程序模块，比如，图12所示的数据集获取单元1210、第一轮廓坐标信息确定单元1220、图像信息确定单元1230、第二轮廓坐标信息确定单元1240以及遮挡关系确定单元1250。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的玉米杂草遮挡确定方法中的步骤。
在一个实施例中，提出了一种计算机设备，所述计算机设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取玉米和杂草图像数据集；
根据预设深度网络模型，在所述玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及所述玉米识别框和杂草识别框的轮廓坐标信息；
当根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息；
对所述玉米识别框内图像信息和杂草识别框内图像信息进行阈值分割处理以及轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息；
当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系。
在一个实施例中，提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，使得处理器执行以下步骤：
获取玉米和杂草图像数据集；
根据预设深度网络模型，在所述玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及所述玉米识别框和杂草识别框的轮廓坐标信息；
当根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息；
对所述玉米识别框内图像信息和杂草识别框内图像信息进行阈值分割处理以及轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息；
当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种玉米杂草遮挡确定方法，其特征在于，包括：
获取玉米和杂草图像数据集；
根据预设深度网络模型，在所述玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及所述玉米识别框和杂草识别框的轮廓坐标信息；
当根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息；
对所述玉米识别框内图像信息和杂草识别框内图像信息进行阈值分割处理以及轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息；
当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系；
所述当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系的步骤，包括：
根据所述玉米识别框和杂草识别框的轮廓坐标信息、以及所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息，确定所述玉米识别框内图像信息和杂草识别框内图像信息在全局图像中的坐标信息；
当判断所述玉米识别框内图像信息和杂草识别框内图像信息在全局图像中的坐标信息存在重合坐标点时，则确定玉米和杂草在全局图像中存在遮挡关系。
2.根据权利要求1所述的玉米杂草遮挡确定方法，其特征在于，所述当根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息的步骤，包括：
根据所述玉米识别框和杂草识别框的轮廓坐标信息，确定所述玉米识别框和杂草识别框中心点之间的水平方向距离和竖直方向距离信息、以及所述玉米识别框和杂草识别框的水平方向和竖直方向的边长信息；
当根据所述玉米识别框和杂草识别框中心点之间的水平方向距离和竖直方向距离信息、以及所述玉米识别框和杂草识别框的水平方向和竖直方向的边长信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息。
3.根据权利要求2所述的玉米杂草遮挡确定方法，其特征在于，
所述玉米识别框左上角坐标为(N1,M1)，所述玉米识别框右下角坐标为(Q1,L1)；所述杂草识别框左上角坐标为(N2,M2)，所述杂草识别框右下角坐标为(Q2,L2)；所述玉米识别框和杂草识别框中心点之间的水平方向距离为
Figure FDA0003859439650000021
所述玉米识别框和杂草识别框中心点之间的竖直方向距离为
Figure FDA0003859439650000031
所述玉米识别框水平方向的边长为d1＝|N1-Q1|；所述杂草识别框水平方向的边长为d2＝|N2-Q2|；所述玉米识别框竖直方向的边长为d3＝|M1-L1|；杂草识别框竖直方向的边长为d4＝|M2-L2|；
所述根据所述玉米识别框和杂草识别框中心点之间的水平方向距离和竖直方向距离信息、以及所述玉米识别框和杂草识别框的水平方向和竖直方向的边长信息判断所述玉米识别框和杂草识别框存在重合面积的步骤，包括：
当满足
Figure FDA0003859439650000032
的条件时，则判断所述玉米识别框和杂草识别框存在重合面积。
4.根据权利要求1所述的玉米杂草遮挡确定方法，其特征在于，所述对所述玉米识别框内图像信息和杂草识别框内图像信息进行阈值分割处理以及轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息的步骤，包括：
对所述玉米识别框内图像信息和杂草识别框内图像信息进行OTSU阈值分割处理，得到玉米和杂草阈值图像；
计算所述玉米和杂草阈值图像的各个连通域面积，并对所述连通域面积进行过滤处理，得到只保留最大连通域面积的玉米识别框内图像信息和杂草识别框内图像信息；
对所述玉米识别框内图像信息和杂草识别框内图像信息进行轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息。
5.根据权利要求1所述的玉米杂草遮挡确定方法，其特征在于，所述预设深度网络模型为Faster R-CNN深度网络模型。
6.一种玉米杂草遮挡确定装置，其特征在于，包括：
数据集获取单元，用于获取玉米和杂草图像数据集；
第一轮廓坐标信息确定单元，根据预设深度网络模型，在所述玉米和杂草图像数据集中确定玉米识别框和杂草识别框以及所述玉米识别框和杂草识别框的轮廓坐标信息；
图像信息确定单元，用于当根据所述玉米识别框和杂草识别框的轮廓坐标信息判断所述玉米识别框和杂草识别框存在重合面积时，则分别提取存在重合面积的玉米识别框和杂草识别框中的图像信息，获得玉米识别框内图像信息和杂草识别框内图像信息；
第二轮廓坐标信息确定单元，用于对所述玉米识别框内图像信息和杂草识别框内图像信息进行阈值分割处理以及轮廓提取处理，得到所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息；以及
遮挡关系确定单元，用于当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系；
所述当判断所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息存在超过预设重合轮廓坐标点数量阈值时，则确定玉米和杂草存在遮挡关系的步骤，包括：
根据所述玉米识别框和杂草识别框的轮廓坐标信息、以及所述玉米识别框内图像信息的轮廓坐标信息和杂草识别框内图像信息的轮廓坐标信息，确定所述玉米识别框内图像信息和杂草识别框内图像信息在全局图像中的坐标信息；
当判断所述玉米识别框内图像信息和杂草识别框内图像信息在全局图像中的坐标信息存在重合坐标点时，则确定玉米和杂草在全局图像中存在遮挡关系。
7.一种除草机器人，其特征在于，包括如权利要求6所述的玉米杂草遮挡确定装置。
8.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1至5中任一项权利要求所述玉米杂草遮挡确定方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1至5中任一项权利要求所述玉米杂草遮挡确定方法的步骤。
CN202011280768.0A 2020-11-16 2020-11-16 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质 Active CN112418043B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011280768.0A CN112418043B (zh) 2020-11-16 2020-11-16 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011280768.0A CN112418043B (zh) 2020-11-16 2020-11-16 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112418043A CN112418043A (zh) 2021-02-26
CN112418043B true CN112418043B (zh) 2022-10-28

Family

ID=74831358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011280768.0A Active CN112418043B (zh) 2020-11-16 2020-11-16 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112418043B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129306B (zh) * 2021-05-10 2022-12-02 电子科技大学成都学院 一种基于深度学习的遮挡物体分割求解方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038446A (zh) * 2017-03-23 2017-08-11 中国计量大学 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法
CN108920997A (zh) * 2018-04-10 2018-11-30 国网浙江省电力有限公司信息通信分公司 基于轮廓判断非刚性目标是否存在遮挡的跟踪方法
CN109299720A (zh) * 2018-07-13 2019-02-01 沈阳理工大学 一种基于轮廓片段空间关系的目标识别方法
CN109740533A (zh) * 2018-12-29 2019-05-10 北京旷视科技有限公司 遮挡比例确定方法、装置和电子系统
CN109871900A (zh) * 2019-03-06 2019-06-11 哈尔滨理工大学 一种基于图像处理的复杂背景下苹果的识别定位方法
CN110245564A (zh) * 2019-05-14 2019-09-17 平安科技（深圳）有限公司 一种行人检测方法、系统及终端设备
CN110942522A (zh) * 2019-10-14 2020-03-31 北京奇艺世纪科技有限公司 一种用于模型间重叠判定的处理方法及装置
CN111611994A (zh) * 2019-02-26 2020-09-01 北京嘀嘀无限科技发展有限公司 图像提取方法、装置、电子设备和存储介质
CN111738271A (zh) * 2020-03-04 2020-10-02 沈阳工业大学 自然环境中被遮挡果实的识别方法
CN111932545A (zh) * 2020-07-14 2020-11-13 浙江大华技术股份有限公司 图像处理方法、目标计数方法及其相关装置

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090252382A1 (en) * 2007-12-06 2009-10-08 University Of Notre Dame Du Lac Segmentation of iris images using active contour processing
CN104835134B (zh) * 2014-02-11 2018-01-02 阿里巴巴集团控股有限公司 一种计算商品图像牛皮癣分值的方法和装置
EP3244343A1 (en) * 2016-05-12 2017-11-15 Bayer Cropscience AG Recognition of weed in a natural environment

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107038446A (zh) * 2017-03-23 2017-08-11 中国计量大学 一种主动照明下基于重叠边缘检测的夜间双果重叠番茄识别方法
CN108920997A (zh) * 2018-04-10 2018-11-30 国网浙江省电力有限公司信息通信分公司 基于轮廓判断非刚性目标是否存在遮挡的跟踪方法
CN109299720A (zh) * 2018-07-13 2019-02-01 沈阳理工大学 一种基于轮廓片段空间关系的目标识别方法
CN109740533A (zh) * 2018-12-29 2019-05-10 北京旷视科技有限公司 遮挡比例确定方法、装置和电子系统
CN111611994A (zh) * 2019-02-26 2020-09-01 北京嘀嘀无限科技发展有限公司 图像提取方法、装置、电子设备和存储介质
CN109871900A (zh) * 2019-03-06 2019-06-11 哈尔滨理工大学 一种基于图像处理的复杂背景下苹果的识别定位方法
CN110245564A (zh) * 2019-05-14 2019-09-17 平安科技（深圳）有限公司 一种行人检测方法、系统及终端设备
CN110942522A (zh) * 2019-10-14 2020-03-31 北京奇艺世纪科技有限公司 一种用于模型间重叠判定的处理方法及装置
CN111738271A (zh) * 2020-03-04 2020-10-02 沈阳工业大学 自然环境中被遮挡果实的识别方法
CN111932545A (zh) * 2020-07-14 2020-11-13 浙江大华技术股份有限公司 图像处理方法、目标计数方法及其相关装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Occlusion-Shared and Feature-Separated Network for Occlusion Relationship Reasoning;Rui Lu等;《2019 IEEE/CVF International Conference on Computer Vision (ICCV)》;20200227;10342-10351 *
Robust Visual Tracking via Adaptive Occlusion Detection;Yueyang Gu等;《ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;20190416;2242-2246 *
基于遮挡检测机制和深度孪生网络的视觉目标跟踪算法研究;钮小光;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200615;第2020年卷(第6期);I138-807 *
复杂场景下遮挡干扰目标鲁棒跟踪技术研究;崔盼果;《中国优秀硕士学位论文全文数据库 信息科技辑》;20181015;第2018年卷(第10期);I138-783 *

Also Published As

Publication number Publication date
CN112418043A (zh) 2021-02-26

Similar Documents

Publication Publication Date Title
CN111860670B (zh) 域自适应模型训练、图像检测方法、装置、设备及介质
CN112950651B (zh) 基于深度学习网络的纵隔淋巴引流区的自动勾画方法
WO2023045231A1 (zh) 一种解耦分治的面神经分割方法和装置
CN111524137A (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN111862044A (zh) 超声图像处理方法、装置、计算机设备和存储介质
CN111368766A (zh) 一种基于深度学习的牛脸检测与识别方法
AU2021102192A4 (en) Remote sensing classification and identification method, device, equipment and storage medium for soil types
CN112668462B (zh) 车损检测模型训练、车损检测方法、装置、设备及介质
CN112418043B (zh) 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质
CN111242840A (zh) 手写体字符生成方法、装置、计算机设备和存储介质
CN113643365A (zh) 一种相机位姿估计方法、装置、设备以及可读存储介质
CN115797350A (zh) 桥梁病害检测方法、装置、计算机设备和存储介质
CN110929730A (zh) 图像处理方法、装置、计算机设备和存储介质
WO2021129324A1 (zh) 超声图像病灶的分割方法、装置和计算机设备
Fang et al. Images crack detection technology based on improved K-means algorithm
CN112215893A (zh) 目标二维中心坐标点确定方法、装置、设备及测距系统
Balaji et al. Deep transfer learning technique for multimodal disease classification in plant images
CN117036305A (zh) 一种用于咽喉检查的图像处理方法、系统及存储介质
CN109816665B (zh) 一种光学相干断层扫描图像的快速分割方法及装置
CN116310832A (zh) 遥感图像处理方法、装置、设备、介质及产品
CN111967484A (zh) 点云聚类方法、装置、计算机设备和存储介质
Li et al. Identification and localization of grape diseased leaf images captured by UAV based on CNN
Li et al. Weed Density Detection Method Based on a High Weed Pressure Dataset and Improved PSP Net
CN110751163A (zh) 目标定位方法及其装置、计算机可读存储介质和电子设备
Khan et al. Segmentation of single and overlapping leaves by extracting appropriate contours

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