CN112561985B - 一种基于双目视觉的绿篱苗木修剪对中方法 - Google Patents
一种基于双目视觉的绿篱苗木修剪对中方法 Download PDFInfo
- Publication number
- CN112561985B CN112561985B CN202011161896.3A CN202011161896A CN112561985B CN 112561985 B CN112561985 B CN 112561985B CN 202011161896 A CN202011161896 A CN 202011161896A CN 112561985 B CN112561985 B CN 112561985B
- Authority
- CN
- China
- Prior art keywords
- hedge
- point
- point cloud
- points
- binocular vision
- 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
Images
Classifications
-
- 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
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- A01G7/06—Treatment of growing trees or plants, e.g. for preventing decay of wood, for tingeing flowers or wood, for prolonging the life of plants
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
- G06T7/55—Depth or shape recovery from multiple images
- G06T7/593—Depth or shape recovery from multiple images from stereo images
-
- 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
- G06T2207/10004—Still image; Photographic image
- G06T2207/10012—Stereo images
-
- 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
- G06T2207/20—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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Forests & Forestry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Wood Science & Technology (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及绿篱修剪机的绿篱对中技术领域,具体涉及基于双目视觉的绿篱苗木修剪对中方法,包括以下步骤:S1,获取绿篱不同角度的RGB图像,并通过视差原理生成点云;S2,采用目标检测网络对绿篱图像进行识别分割,获得图像中绿篱的轮廓线;S3,通过对查询每个点与邻域点集之间的距离统计判断来过滤离群点,并去除点云离群点;S4,通过DBSCAN进行聚类过滤去除成团的无效点云集群;S5,对绿篱点云拟合,通过一定次数的迭代,获得绿篱相应形状的冠层模型。本发明获得不同角度的绿篱图像,并转化为点云数据,通过对图像和点云进行数据处理,可得到绿篱的形状类别和几何参数,对中的准确率高,大大提高了作业效率。
Description
技术领域
本发明涉及绿篱修剪机的绿篱对中技术领域,具体涉及一种基于双目视觉的绿篱苗木修剪对中方法。
背景技术
近年来随着中国经济的持续发展和城镇化进程的推进,城市园林绿化建设的市场容量和边界不断扩大,迎来了新的发展机遇。但随之而来的是城市绿化的养护问题。目前国内很多研究机构对绿篱修剪机进行了一定程度的研究,比如:西安理工大学公开了一种基于激光切割的绿化带修剪系统及其修剪方法,申请号为:CN201910151378.4,其可有效降低工作噪音,但由于激光束只能进行平面切割,应用场景较为有限;广西大学研制了可以进行、圆柱形绿篱修剪的车载绿篱修剪机械手。
常见绿篱外形一般都是旋转体,比如圆柱、圆锥、圆球等,目前针对圆柱形绿篱修剪的机械化设备在机械手手部配备了可360°旋转的L型刀架,针对绿篱修剪机械化设备配备的是弧形刀架。绿篱修剪设备的执行机构工作方式一般都是通过人工操作移动机械臂的手部至绿篱的中心位置的上方,然后安装在手部的刀具以绿篱中心轴为旋转中心进行旋转修剪。该技术的缺点主要有两个,一是由于机械手位置与绿篱的对中过程完全依赖于人工,主要以人眼通过视频进行对中,导致该方法不仅耗时耗力,而且对操作人员的熟练程度要求较高;二是由于绿篱非完全对称的特点,易造成对中准确度低。因此,绿篱修剪效率难以得到提高且修剪质量难以保证。
发明内容
本发明拟提供一种基于图像识别和点云处理技术的绿篱对中方法。主要涉及绿篱形状和位置的检测,首先使用双目相机提取到绿篱的图像信息,使用深度神经网络对目标进行检测得到目标的形状类别与点云信息,经过数据处理后得到绿篱形状参数。最后将绿篱形状参数信息提供给控制系统,从而控制机械臂快速对中并实现自动修剪。
为解决上述问题,本发明提供以下技术方案:
一种基于双目视觉的绿篱苗木修剪对中方法,包括以下步骤:
步骤S1,获取绿篱及周围环境中的其他物体不同角度的绿篱RGB图像,并通过视差原理生成点云;
步骤S2,采用MASK-RCNN目标检测网络对绿篱图像进行识别分割,获得图像中绿篱的轮廓线;
步骤S3,通过对查询每个点与邻域点集之间的距离统计判断来过滤离群点,并去除点云离群点,对每个点,设置最大临近点数量的阈值K,计算它到它的所有的K个临近点的平均距离,计算得到的结果是一个正态分布,其形状由均值和标准差决定,平均距离在超过所设定的阈值之外的点,被定义为离群点,并可从数据集中去除掉,在阈值以内的点则被保留为有效点。
步骤S4,通过基于密度聚类的方法DBSCAN进行聚类过滤去除成团的无效点云集群;
步骤S5,采用随机采样一致方法对绿篱点云拟合,通过一定次数的迭代,选取最优几何参数,获得绿篱相应形状的冠层模型,根据绿篱冠层模型计算获得绿篱的中心。
进一步的,所述步骤S1生成点云方法为:根据获得不同角度的绿篱RGB图像,基于SGBM算法计算左右图像的视差图,根据视差和深度的几何关系,计算出各像素点的深度值z,进一步计算出各空间点的x、y坐标,即可得到空间点云。
进一步的,所述步骤S2包括对MASK-RCNN目标检测网络进行训练,通过采集大量不同形状绿篱的图像数据,将绿篱按照形状分为包括圆柱、圆球和圆锥常见绿篱类别,对每张图像的绿篱轮廓和类别分别进行标注,然后对网络进行训练,获取权重数据并载入网络,完成目标检测网络的构建。
进一步的,所述步骤S2还包括根据相机锥视原理,基于图像中的绿篱轮廓线划分出空间中属于绿篱的点云,以此对原始点云进行分割,剔除点云的无意义区域,获得是绿篱检测有效区域,进行保留得到较为纯净的绿篱点云。
进一步的,所述步骤S3还包括对点云进行降采样,采用体素网格的方法对绿篱点云进行下采样:通过输入的点云数据创建一个三维体素栅格,然后在每个体素内,用体素中所有点的重心来代替其他点,这样该体素就内所有点就用一个重心点最终表示,从而实现降采样。
进一步的,所述步骤S4去除成团的无效点云集群方法包括以下步骤:
步骤S41,随机选一个未标记过的点p进行标记;
步骤S42,设定的一定邻域内最小点数的阈值Minpt,如果p周围的点数大于阈值Minpt,创建点集C,并将点p记为核心点,如果小于Minpt,则记为低密度点;
步骤S43,再遍历p邻域内各个点进行标记,如果该点邻域内点数大于阈值Minpt,则添加该点为点集C的成员点,从而完成点集C的聚类;
步骤S44,重复以上步骤,完成所有点云的聚类;聚类结束后,选取点数最多的一类点云当作最终的绿篱点云。
进一步的,还包括根据获得的绿篱相应形状的冠层模型及计算获得绿篱的中心,根据绿篱位置以及外形参数和修剪需求,控制绿篱修剪机械手运动到合适位置,进行后续的绿篱修剪作业。
本发明具有以下有益效果:
本发明使用双目视觉相机对待修剪的绿篱进行扫描,获得图像并转化为点云数据,通过对图像和点云进行数据处理,可得到绿篱的形状类别和几何参数,将绿篱几何参数提供给控制系统,然后调整刀具形状以匹配修剪需求,使修剪机械手实现快速自动对中功能。这种方法不仅减免了人工操作进行对中的繁琐,而且大大提高了作业效率,对中的准确率也有了更好的保障,使得绿篱修剪机械设备的自动化、智能化水平得到大幅度提升。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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性的前提下,还可以根据这些附图获得其他的附图。
图1为基于双目视觉的绿篱苗木修剪对中方法的流程图;
图2为基于双目视觉的绿篱苗木修剪对中方法图像信息生成点云示意图;
图3为基于双目视觉的绿篱苗木修剪对中方法相机锥视原理的绿篱点云分割示意图;
图4为基于双目视觉的绿篱苗木修剪对中方法绿篱点云采用DBSCAN算法聚类流程图;
图5为基于双目视觉的绿篱苗木修剪对中方法对球形绿篱点云进行拟合的效果图。
具体实施方式
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,所描述的实施例仅仅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做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。
实施例1
请参见附图1,一种基于双目视觉的绿篱苗木修剪对中方法,包括以下步骤:
步骤一,双目摄像头获取绿篱图像并生成点云
如图2所示,双目视觉相机2安装在机械手基座部位,可扫描绿篱及周围环境中的其他物体,获取不同角度的RGB图像,然后基于SGBM算法计算左右图像的视差图,根据视差和深度的几何关系,计算出各像素点的深度值z,进一步计算出各空间点的x、y坐标,即可得到空间点云。
步骤二,使用卷积神经网络完成绿篱的目标识别。
本发明采用MASK-RCNN目标检测网络进行绿篱目标检测;可以更加准确的划分出绿篱点云,并且区分出绿篱的形状类别。
制作数据集时,通过采集大量不同形状绿篱的图像数据,将绿篱按照形状分为若干类,包括圆柱、圆球和圆锥等类型,对每张图片的绿篱轮廓和类别分别进行标注,然后对网络进行训练,获取权重数据并载入网络,完成目标检测网络的构建,最后将双目相机捕获的图像输入目标检测网络进行前向传播,即可得到图像中绿篱的类别和轮廓线。
进一步的,根据相机锥视原理,可基于图像中的绿篱轮廓线划分出空间中属于绿篱的点云,以此对原始点云进行分割,如图3所示,A区域点云是绿篱检测的无意义区域,可以直接剔除,B区域及其他点云是绿篱检测有效区域,进行保留得到较为纯净的绿篱点云。
步骤三,绿篱点云的预处理。
由于天气变化和光照条件变化等不可控因素,分割出来的点云数据不可避免地出现噪声点,如图3中B区域所示点云,并且原始点云的密度较大,这些问题势必会增加运算平台的工作量,降低实时性,也会影响后续绿篱对中的准确度,所以需要对点云进行离群点去除和降采样。
首先进行稀疏离群点去除,通过对查询每个点与邻域点集之间的距离统计判断来过滤离群点,对每个点,设置最大临近点数量的阈值K,我们计算它到它的所有的K个临近点的平均距离,计算得到的结果是一个正态分布,其形状由均值和标准差决定,平均距离在超过所设定的阈值之外的点,被定义为离群点,并可从数据集中去除掉,在阈值以内的点则被保留为有效点。
还需要对点云进行降采样,绿篱点云中相当多的点位置距离较近或重叠在一起,只需保留部分点便能反应绿篱的外特征。因此采用体素网格的方法对绿篱点云进行下采样:通过输入的点云数据创建一个三维体素栅格(微小的空间三维立方体的集合),然后在每个体素内,用体素中所有点的重心来代替其他点,这样该体素就内所有点就用一个重心点最终表示,从而实现降采样。这种方法可以更为准确合理地减少点的数量,加快算法运算速度,同时保持绿篱点云的形状特征,后续计算所受影响较小。
步骤四,绿篱点云聚类
经过预处理的点云基本过滤了噪声点,但无法过滤成团的无效点云集群,所以本发明使用一种基于密度聚类的方法DBSCAN进行聚类,这种方法可以对任意形状的稠密数据进行聚类,而且可以在聚类的同时发现异常点,具体步骤如下,参见图4:
随机选一个未标记过的点p进行标记;
设定的一定邻域内最小点数的阈值Minpt,如果p周围的点数大于阈值Minpt,创建点集C,并将点p记为核心点,如果小于Minpt,则记为低密度点;
再遍历p邻域内各个点进行标记,如果该点邻域内点数大于阈值Minpt,则添加该点为点集C的成员点,从而完成点集C的聚类;
重复以上步骤,完成所有点云的聚类;
聚类结束后,选取点数最多的一类点云当作最终的绿篱点云。
步骤五,绿篱点云模型拟合;
需要使用绿篱点云拟合出绿篱相应形状的冠层模型,本实施例以圆球形绿篱为例,这里采用随机采样一致方法进行冠层拟合,具体方法为:在预处理之后的点云中任意选取4个点,生成一个球体模型(x-a)2+(y-b)2+(z-c)2=R2,并确定容差范围,容差范围内都有对应落入一定数量的点,计算处于容差内的点数量,然后重复以上步骤,经过一定的次数的迭代,不断更新几何参数(a,b,c,R),比较并选择容差内点数量最多的一组参数作为拟合结果,拟合效果如图5所示,此时a,b,c即为球体的中心坐标,R为球体的半径。其他形状的绿篱根据其各自形状的几何表达式,按上述方法进行迭代,确定最优参数组合。
步骤六,确定刀具修剪位置。
经过上述步骤之后,可以获取一个最优的点云拟合的几何模型,根据绿篱位置以及外形参数和修剪需求,对刀具形状进行匹配,并控制绿篱修剪机械手运动到合适位置,进行后续的绿篱修剪作业,修剪机械手及其刀具已有成熟的机械产品,这里只作为机械手自动对中方法阐述所引用,不作为本发明的重点。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (7)
1.一种基于双目视觉的绿篱苗木修剪对中方法,其特征在于,包括以下步骤:
步骤S1,获取绿篱及周围环境中的其他物体不同角度的绿篱RGB图像,并通过视差原理生成点云;
步骤S2,采用MASK-RCNN目标检测网络对绿篱图像进行识别分割,获得图像中绿篱的轮廓线;
步骤S3,通过对查询每个点与邻域点集之间的距离统计判断来过滤离群点,并去除点云离群点,对每个点,设置最大临近点数量的阈值K,计算它到它的所有的K个临近点的平均距离,计算得到的结果是一个正态分布,其形状由均值和标准差决定,平均距离在超过所设定的阈值之外的点,被定义为离群点,并可从数据集中去除掉,在阈值以内的点则被保留为有效点;
步骤S4,通过基于密度聚类的方法DBSCAN进行聚类过滤去除成团的无效点云集群;
步骤S5,采用随机采样一致方法对绿篱点云拟合,通过一定次数的迭代,选取最优几何参数,获得绿篱相应形状的冠层模型,根据绿篱冠层模型计算获得绿篱的中心。
2.根据权利要求1所述基于双目视觉的绿篱苗木修剪对中方法,其特征在于,所述步骤S1生成点云方法为:根据获得不同角度的绿篱RGB图像,基于SGBM算法计算左右图像的视差图,根据视差和深度的几何关系,计算出各像素点的深度值z,进一步计算出各空间点的x、y坐标,即可得到空间点云。
3.根据权利要求1所述基于双目视觉的绿篱苗木修剪对中方法,其特征在于,所述步骤S2包括对MASK-RCNN目标检测网络进行训练,通过采集大量不同形状绿篱的图像数据,将绿篱按照形状分为包括圆柱、圆球和圆锥常见绿篱类别,对每张图像的绿篱轮廓和类别分别进行标注,然后对网络进行训练,获取权重数据并载入网络,完成目标检测网络的构建。
4.根据权利要求1所述基于双目视觉的绿篱苗木修剪对中方法,其特征在于,所述步骤S2还包括根据相机锥视原理,基于图像中的绿篱轮廓线划分出空间中属于绿篱的点云,以此对原始点云进行分割,剔除点云的无意义区域,获得绿篱检测有效区域,进行保留得到较为纯净的绿篱点云。
5.根据权利要求1所述基于双目视觉的绿篱苗木修剪对中方法,其特征在于,所述步骤S3还包括对点云进行降采样,采用体素网格的方法对绿篱点云进行下采样:通过输入的点云数据创建一个三维体素栅格,然后在每个体素内,用体素中所有点的重心来代替其他点,这样该体素内所有点就用一个重心点最终表示,从而实现降采样。
6.根据权利要求1所述基于双目视觉的绿篱苗木修剪对中方法,其特征在于,所述步骤S4去除成团的无效点云集群方法包括以下步骤:
步骤S41,随机选一个未标记过的点p进行标记;
步骤S42,设定的一定邻域内最小点数的阈值Minpt,如果p周围的点数大于阈值Minpt,创建点集C,并将点p记为核心点,如果小于Minpt,则记为低密度点;
步骤S43,再遍历p邻域内各个点进行标记,如果该点邻域内点数大于阈值Minpt,则添加该点为点集C的成员点,从而完成点集C的聚类;
步骤S44,重复以上步骤,完成所有点云的聚类;聚类结束后,选取点数最多的一类点云当作最终的绿篱点云。
7.根据权利要求1所述基于双目视觉的绿篱苗木修剪对中方法,其特征在于,还包括根据获得的绿篱相应形状的冠层模型及计算获得绿篱的中心,根据绿篱位置以及外形参数和修剪需求,控制绿篱修剪机械手运动到合适位置,进行后续的绿篱修剪作业。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011161896.3A CN112561985B (zh) | 2020-10-27 | 2020-10-27 | 一种基于双目视觉的绿篱苗木修剪对中方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011161896.3A CN112561985B (zh) | 2020-10-27 | 2020-10-27 | 一种基于双目视觉的绿篱苗木修剪对中方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112561985A CN112561985A (zh) | 2021-03-26 |
CN112561985B true CN112561985B (zh) | 2021-07-20 |
Family
ID=75042853
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011161896.3A Active CN112561985B (zh) | 2020-10-27 | 2020-10-27 | 一种基于双目视觉的绿篱苗木修剪对中方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112561985B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113340266A (zh) * | 2021-06-02 | 2021-09-03 | 江苏豪杰测绘科技有限公司 | 一种室内空间测绘系统及方法 |
CN113470023A (zh) * | 2021-09-01 | 2021-10-01 | 南通中煌工具有限公司 | 一种基于人工智能的城市绿化带修剪的检测方法及系统 |
CN113947665B (zh) * | 2021-09-14 | 2022-10-28 | 广西大学 | 一种基于多线激光雷达和单目视觉的球形绿篱修剪机的建图方法 |
CN114241047B (zh) * | 2021-12-02 | 2023-04-07 | 广西大学 | 一种用于园林绿篱修剪的双目视觉识别和定位方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617417A (zh) * | 2013-11-25 | 2014-03-05 | 中国科学院深圳先进技术研究院 | 植物自动识别方法和系统 |
CN106339717A (zh) * | 2016-08-17 | 2017-01-18 | 衢州学院 | 一种基于混合多尺度特征模型的活立木快速识别方法 |
CN107516068A (zh) * | 2017-07-26 | 2017-12-26 | 福州大学 | 一种从无人机高分辨率影像中提取单木树冠的方法 |
CN109344813A (zh) * | 2018-11-28 | 2019-02-15 | 北醒(北京)光子科技有限公司 | 一种基于rgbd的目标识别和场景建模方法及装置 |
CN110378909A (zh) * | 2019-06-24 | 2019-10-25 | 南京林业大学 | 基于Faster R-CNN的面向激光点云的单木分割方法 |
CN111025323A (zh) * | 2020-02-17 | 2020-04-17 | 广西大学 | 一种基于多线激光雷达的圆柱形绿篱修剪机的对中方法 |
CN111149536A (zh) * | 2019-12-31 | 2020-05-15 | 广西大学 | 一种无人绿篱修剪机及其控制方法 |
CN111291686A (zh) * | 2020-02-10 | 2020-06-16 | 中国农业大学 | 农作物根果表型参数的提取与根果表型判别方法及系统 |
-
2020
- 2020-10-27 CN CN202011161896.3A patent/CN112561985B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617417A (zh) * | 2013-11-25 | 2014-03-05 | 中国科学院深圳先进技术研究院 | 植物自动识别方法和系统 |
CN106339717A (zh) * | 2016-08-17 | 2017-01-18 | 衢州学院 | 一种基于混合多尺度特征模型的活立木快速识别方法 |
CN107516068A (zh) * | 2017-07-26 | 2017-12-26 | 福州大学 | 一种从无人机高分辨率影像中提取单木树冠的方法 |
CN109344813A (zh) * | 2018-11-28 | 2019-02-15 | 北醒(北京)光子科技有限公司 | 一种基于rgbd的目标识别和场景建模方法及装置 |
CN110378909A (zh) * | 2019-06-24 | 2019-10-25 | 南京林业大学 | 基于Faster R-CNN的面向激光点云的单木分割方法 |
CN111149536A (zh) * | 2019-12-31 | 2020-05-15 | 广西大学 | 一种无人绿篱修剪机及其控制方法 |
CN111291686A (zh) * | 2020-02-10 | 2020-06-16 | 中国农业大学 | 农作物根果表型参数的提取与根果表型判别方法及系统 |
CN111025323A (zh) * | 2020-02-17 | 2020-04-17 | 广西大学 | 一种基于多线激光雷达的圆柱形绿篱修剪机的对中方法 |
Non-Patent Citations (3)
Title |
---|
"An ANSYS/LS-DYNA simulation and experimental study of circular saw blade cutting system of mulberry cutting machine";Yanmei Meng et al.;《Computers and Electronics in Agriculture》;20190228;第157卷;全文 * |
"基于切片采样和质心距直方图特征的室外大场景三维点云分类";佟国峰 等;《中国激光》;20181031;第45卷(第10期);全文 * |
"果树剪枝机械化及自动化研究进展";李守根 等;《东北农业大学学报》;20170830;第48卷(第8期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112561985A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112561985B (zh) | 一种基于双目视觉的绿篱苗木修剪对中方法 | |
CN111932688B (zh) | 一种基于三维点云的室内平面要素提取方法、系统及设备 | |
CN108656107B (zh) | 一种基于图像处理的机械臂抓取系统及方法 | |
CN110223302B (zh) | 一种基于旋转区域提取的舰船多目标检测方法 | |
CN105354883B (zh) | 基于点云的3ds Max快速精细三维建模方法及系统 | |
CN107369161A (zh) | 一种基于改进欧式聚类的散乱工件点云分割方法 | |
Mao et al. | Development of power transmission line defects diagnosis system for UAV inspection based on binocular depth imaging technology | |
CN114004938B (zh) | 一种基于海量数据的城市场景重建方法及装置 | |
CN112307553A (zh) | 一种对三维道路模型进行提取与简化的方法 | |
CN114821571A (zh) | 一种用于电力线缆识别和重建的点云处理方法 | |
CN116258857A (zh) | 一种面向室外树木激光点云分割与提取方法 | |
CN110288706B (zh) | 一种小曲率不规则点云曲面的拟合方法 | |
CN114879209A (zh) | 一种用于机场跑道低成本异物检测分类的系统和方法 | |
CN113781431A (zh) | 基于城市点云数据的绿视率计算方法 | |
WO2024027587A1 (zh) | 一种激光点云动态障碍物剔除方法、装置及电子设备 | |
CN111290437B (zh) | 一种无人机巡检轨迹的调整方法和装置 | |
CN113111830A (zh) | 一种葡萄藤冬剪点检测算法 | |
CN111897333A (zh) | 一种机器人行走路径规划方法 | |
CN112200248A (zh) | 一种基于dbscan聚类的城市道路环境下的点云语义分割方法、系统及存储介质 | |
CN116543322A (zh) | 一种基于社区安全隐患的物业智能巡检方法 | |
CN111369497A (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN113947665B (zh) | 一种基于多线激光雷达和单目视觉的球形绿篱修剪机的建图方法 | |
CN115222767A (zh) | 一种基于空间车位的跟踪方法及系统 | |
CN113932712A (zh) | 一种基于深度相机和关键点的瓜果类蔬菜尺寸测量方法 | |
Denker et al. | On-line reconstruction of CAD geometry |
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 |