CN113361503A - 一种基于无人机航拍的园林乔木数量智能检测方法及系统 - Google Patents
一种基于无人机航拍的园林乔木数量智能检测方法及系统 Download PDFInfo
- Publication number
- CN113361503A CN113361503A CN202110911289.2A CN202110911289A CN113361503A CN 113361503 A CN113361503 A CN 113361503A CN 202110911289 A CN202110911289 A CN 202110911289A CN 113361503 A CN113361503 A CN 113361503A
- Authority
- CN
- China
- Prior art keywords
- arbor
- sliding window
- aerial vehicle
- unmanned aerial
- image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于无人机航拍的园林乔木数量智能检测方法及系统,所述方法具体包括:1)针对单幅图像信息,对乔木树冠粘连区域计算边缘概率,对粘连乔木树冠进行分解,提高乔木个数识别的准确率;2)对于视频信息,自适应确定两个不相关图像之间滑动窗的宽度(帧数),降低乔木重复率,通过识别滑动窗两端图像的乔木个数,得到统计区域的乔木数量。在智慧园林场景中,利用本发明的技术方案,可将无人机拍摄的视频信息中的乔木精准识别出来,并利用自适应滑动窗确定具体识别的图片,实现了乔木数量的准确统计,大大减轻了园林资产统计工作,提高了资产盘点的准确度。
Description
技术领域
本发明涉及一种基于无人机航拍的乔木数量智能检测方法,属于目标检测和计算机视觉领域。
背景技术
目前,园林中乔木的数量统计基本上还是依靠人力的传统方式,此方式存在劳动成本大,效率低,人力及资源浪费严重,且不能保证正确率,因此不能智能的对园林进行巡检和资产盘点。现今大部分智慧园林都采用无人机对园林中的情况进行动态的监控,然后利用目标检测等算法对监控信息进行智能分析。随着深度学习在计算机视觉领域的飞速发展,目标检测技术作为计算机视觉领域的一部分也得到了突破性的发展。然而采用目标检测等深度学习方法进行识别统计其过程中由于乔木距离近,图片中存在粘连问题、对于多帧图片信息存在重复问题等,都导致乔木统计的准确率偏低,无法准确的对园林资产进行盘点。
综上所述,如何在现有技术上提出准确的乔木识别方法和乔木统计成为了目前业内人士所亟待解决的问题。
发明内容
技术问题:本发明的目的是提出一种新颖的基于无人机航拍的园林乔木数量智能检测方法及系统,解决现有技术对乔木数量统计准确率低的问题。该方法通过1)针对单幅图像信息,对乔木粘连区域计算边缘概率对粘连乔木进性分解,提高乔木个数识别的准确率;2)对于视频信息,自适应确定两个不相关图像之间滑动窗的宽度(帧数),降低乔木重复率。
首先,本发明提供一种乔木数量检测方法,包括以下步骤:
步骤1、采集乔木样本图像,并对乔木样本图像进行标注,构建乔木图像训练集和乔木图像验证集;
步骤2、根据乔木图像训练集和乔木图像验证集,构建乔木识别模型;
步骤3、通过无人机采集待识别图像,利用乔木识别模型识别其中的乔木区域;
步骤4、根据以下公式计算乔木区域内每个像素点的边缘概率:
ai= exp[∑j ( pij+ρi ) ]/ ∑i exp[∑j ( pij+ρi ) ]
pij= pi - pj
ρi = (∑j pj) / k
式中,ai表示乔木区域内第i个像素点的边缘概率,k表示乔木区域内第i个像素点邻域内的像素点个数,n表示乔木区域内像素点个数,pi表示乔木区域内第i个像素点灰度化后的像素值,pj表示乔木区域内第i个像素点邻域内第j个像素点灰度化后的像素值,ρi表示乔木区域内第i个像素点邻域内的像素密度,i=1,2,…,n,j=1,2,…,k;
步骤5、若乔木区域内某个像素点的边缘概率大于设定阈值,则将其像素值置1,否则将其像素值置0;
步骤6、根据连通区域判定方法Two-Pass算法,确定乔木区域内的连通区域,连通区域的数量即为乔木区域内的乔木数量;
步骤7、待识别图像中的乔木数量即为其中所有乔木区域内的乔木数量之和。
进一步,步骤1中还包括对乔木样本图像进行平移、放大、旋转的预处理。
进一步,步骤2中乔木识别模型采用CNN网络结构。
其次,本发明还提供一种基于无人机航拍的园林乔木数量智能检测方法,包括以下步骤:
S1、利用无人机采集乔木统计区域的视频信息,并根据无人机的飞行速度、飞行高度、视频的帧率自适应确定滑动窗的宽度;
S2、采用如上所述的乔木数量检测方法对每一个滑动窗两端的图像进行乔木数量检测;
S3、对S2中的检测结果进行求和,得到乔木统计区域内乔木的数量。
进一步,S1中根据无人机的飞行速度、飞行高度、视频的帧率自适应确定滑动窗的宽度,具体步骤如下:
1)确定滑动窗的初始宽度m0:
m0 = t·fps
式中,t为无人机以v0的速度飞行,其飞行距离为s的飞行时间;v0为无人机采集滑动窗起始位置图像时的飞行速度;s为滑动窗起始位置图像的中心点和后续首次出现与其完全不相关的某帧图像的中心点对应的实际地理位置之间的距离;fps为无人机拍摄视频的帧率;
2)计算滑动窗的宽度为m0时滑动窗两端的两帧图像的乔木重叠率fm01,执行以下迭代步骤;
3)在m0基础上分别增加或减少设定帧数l,即m= m0+ l或m= m0- l,计算增加或减少两种情况下滑动窗两端的两帧图像的乔木重叠率;
4)若3)中的两种情况下对应的乔木重叠率均大于fm01,则滑动窗的宽度m= m0,否则执行5);
5)若增加情况下对应的乔木重叠率大于减少情况下对应的乔木重叠率,则执行6),否则在m0基础上增加设定帧数l的1/2,将对应的乔木重叠率与fm01比较,若小于等于fm01则m= m0 + l/2;否则在m0基础上增加设定帧数l的1/4,继续将对应的乔木重叠率与fm01比较,若小于等于fm01则m=m0 + l/4;否则在m0基础上增加设定帧数l的1/8,直至找到对应的乔木重叠率小于等于fm01的情况,即为最终的滑动窗宽度;
6)在m0基础上减少设定帧数l的1/2,将对应的乔木重叠率与fm01比较,若小于等于fm01则m= m0 - l/2;否则在m0基础上减少设定帧数l的1/4,继续将对应的乔木重叠率与fm01比较,若小于等于fm01则m=m0 - l/4;否则在m0基础上减少设定帧数l的1/8,直至找到对应的乔木重叠率小于等于fm01的情况,即为最终的滑动窗宽度。
进一步,自适应确定的滑动窗的宽度还需要满足以下条件,否则继续执行迭代步骤:
fm2 < K
式中,fm2为滑动窗两端的两帧图像之间的乔木遗漏率,K为设定的阈值。
进一步,
fm2 = C / D
式中,C为滑动窗两端的两帧图像之间遗漏的乔木个数;D为滑动窗两端的两帧图像之间中乔木的总数。
进一步,
fm01 = A / B
式中,A为滑动窗的宽度为m0时滑动窗两端的两帧图像重叠的乔木个数;B为滑动窗的宽度为m0时去除重叠的乔木之后滑动窗两端的两帧图像中乔木的总数。
进一步,前一个滑动窗终点位置图像的下一帧图像是下一个滑动窗起始位置图像。
最后,本发明还提供一种基于无人机航拍的园林乔木数量智能检测系统,包括无人机,滑动窗自适应确定单元,乔木数量检测单元,以及乔木数量统计单元;其中,无人机采集乔木统计区域的视频信息;滑动窗自适应确定单元采用如上所述自适应确定滑动窗的宽度的步骤,自适应确定滑动窗的宽度;乔木数量检测单元采用如上所述的乔木数量检测方法,对每一个滑动窗两端的图像进行乔木数量检测;乔木数量统计单元对乔木数量检测单元的检测结果进行求和,得到乔木统计区域内乔木的数量。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:在智慧园林场景中,可将无人机拍摄的视频信息中的乔木精准识别出来,并利用自适应滑动窗确定具体识别的图片,实现了乔木数量的准确统计,大大减轻了人工巡检工作,提高了资产盘点的准确度。
附图说明
图1为乔木数量检测的流程图;
图2 为基于无人机航拍的园林乔木数量智能检测方法的流程图。
具体实施方式
本发明的方法主要包括三个内容:一是对图像信息的预处理并制作增强数据集,训练乔木识别网络;二是根据无人机飞行高度、飞行速度、采集视频的帧率自适应确定滑动窗的宽度,平衡乔木的漏检率和重检率,进而提高统计的准确率。
1.图像数据集的制作与乔木识别网络训练
1)将无人机采集的图片信息进行旋转、平移、放大,然后采用LableImg按进行数据集制作,得到增强数据集。
2)训练乔木识别模型,该模型采用CNN网络结构,如图1所示。其特征题图部分由卷积层和池化层两部分组成,通过卷积和池化两种过程的迭代从图像上提取特征信息,最后将特征图输入到一个全连接层,将全连接层的输出结果输入到SVM中,得到乔木的识别结果(图像中的乔木区域)。
3)由于乔木识别过程中存在乔木树冠粘连问题,故将步骤2)中识别到的乔木区域进行进一步处理;
根据下式对乔木区域中每个像素点进行边缘判断:
ai= exp[∑j ( pij+ρi ) ]/ ∑i exp[∑j ( pij+ρi ) ] (1)
pij= pi - pj (2)
ρi = (∑j pj) / k (3)
其中,ai表示乔木区域内第i个像素点的边缘概率,k表示乔木区域内第i个像素点邻域内的像素点个数,n表示乔木区域内像素点个数,pi表示乔木区域内第i个像素点灰度化后的像素值,pj表示乔木区域内第i个像素点邻域内第j个像素点灰度化后的像素值,ρi表示乔木区域内第i个像素点邻域内的像素密度,i=1,2,…,n,j=1,2,…,k。
设立判定边界点的阈值,根据像素点对应的边缘概率与阈值之间的关系,确定乔木边缘其中阈值为乔木区域内所有像素点的边缘概率的平均值。若乔木区域内某个像素点的边缘概率大于设定阈值,则将其像素值置1,否则将其像素值置0。
根据连通区域判定方法Two-Pass算法,确定乔木区域内的连通区域,连通区域的个数即为乔木区域内的乔木数量,从而完成乔木数量的检测,具体流程如图1所示。
2.自适应滑动窗
根据无人机采集的视频信息,建立优化模型,自适应确定滑动窗的宽度,其中优化模型如公式(4)-(6)下:
minm fm1 (4)
s.t. fm2 < K
fm1 = A / B (5)
fm2 = C / D (6)
其中,m为自适应确定的滑动窗的宽度;fm1 为滑动窗两端的两帧图像的乔木的重叠率,A为滑动窗两端的两帧图像重叠的乔木个数;B为去除重叠的乔木之后滑动窗两端的两帧图像中乔木的总数;fm2为滑动窗两端的两帧图像之间的乔木遗漏率,C为滑动窗两端的两帧图像之间遗漏的乔木个数,D为滑动窗两端的两帧图像中乔木的总数,K为自定义的阈值。这里需要说明的是,上述A、C均可采取人工计数方式得到。
确定自适应滑动窗的初始宽度m0 具体包括:(1)确定两帧完全不相关图像在拍摄时,图像中心点的实际地点之间的距离;(2)获取无人机飞行时的高度、实时飞行速度、以及无人机采集视频的帧率;根据公式(7)-(8)计算出m0 。
v0·t = s (7)
m0 = t·fps (8)
其中,t为无人机以v0的速度飞行,其飞行距离为s的飞行时间;v0为无人机采集滑动窗起始位置图像时的飞行速度;s为滑动窗起始位置图像的中心点和后续首次出现与其完全不相关的某帧图像的中心点对应的实际地理位置之间的距离;fps为无人机拍摄视频的帧率。
在确定m0后,通过如下方法自适应得到滑动窗的宽度m:
步骤一、在m0基础上分别增加或减少设定帧数l,计算增加(m= m0+ l)或减少(m=m0- l)两种情况下滑动窗两端的两帧图像的乔木重叠率;
步骤二、若步骤一中的两个乔木重叠率均大于fm01,则滑动窗的宽度m= m0,否则执行步骤三;其中,fm01为滑动窗的宽度为m0时滑动窗两端的两帧图像的乔木重叠率;
步骤三、若增加情况下对应的乔木重叠率大于减少情况下对应的乔木重叠率,则执行步骤四,否则在m0基础上增加设定帧数l的1/2,将对应的乔木重叠率与fm01比较,若小于等于fm01则m= m0 + l/2;否则在m0基础上增加设定帧数l的1/4,继续将对应的乔木重叠率与fm01比较,若小于等于fm01则m=m0 + l/4;否则在m0基础上增加设定帧数l的1/8,直至找到对应的乔木重叠率小于等于fm01的情况,即为最终的滑动窗宽度;
步骤四、在m0基础上减少设定帧数l的1/2,将对应的乔木重叠率与fm01比较,若小于等于fm01则m= m0 - l/2;否则在m0基础上减少设定帧数l的1/4,继续将对应的乔木重叠率与fm01比较,若小于等于fm01则m=m0 - l/4;否则在m0基础上减少设定帧数l的1/8,直至找到对应的乔木重叠率小于等于fm01的情况,即为最终的滑动窗宽度。
上述迭代算法的复杂度为log2 l,因此可以很快找到符合要求的m。
当然,根据优化模型,可以知道自适应确定的滑动窗的宽度m还需要满足:fm2 <K,否则继续执行上述迭代步骤。
本发明一种基于无人机航拍的园林乔木数量智能检测方法的具体的流程如图2所示,实现过程如下:
第一步: 通过无人机采集图像信息,对图像信息进性预处理(旋转、放大、平移等),制作训练和测试数据集。
第二步: 根据第一步中得到数据集训练乔木识别模型,对乔木识别的结果做进一步处理,分割粘连乔木,完成乔木数量的检测。
第三步: 针对无人机采集的智慧园林的视频信息,根据无人机飞行高度、实时飞行速度、视频信息的帧率自适应确定滑动窗的宽度。
第四步:对每一个滑动窗两端的图像进行乔木数量检测,进而输出乔木总数。其中,前一个滑动窗终点位置图像的下一帧图像是下一个滑动窗起始位置图像。
本发明还提供一种基于无人机航拍的园林乔木数量智能检测系统,包括无人机,滑动窗自适应确定单元,乔木数量检测单元,以及乔木数量统计单元;其中,无人机采集乔木统计区域的视频信息;滑动窗自适应确定单元采用如上所述自适应确定滑动窗的宽度的步骤,自适应确定滑动窗的宽度;乔木数量检测单元采用如上所述的乔木数量检测方法,对每一个滑动窗两端的图像进行乔木数量检测;乔木数量统计单元对乔木数量检测单元的检测结果进行求和,得到乔木统计区域内乔木的数量。
以上对本发明实施例所提供的一种基于无人机航拍的园林乔木数量智能检测方法及系统进行了详细介绍,对于本领域的一般技术人员,依据本发明实施例的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种乔木数量检测方法,其特征在于,包括以下步骤:
步骤1、采集乔木样本图像,并对乔木样本图像进行标注,构建乔木图像训练集和乔木图像验证集;
步骤2、根据乔木图像训练集和乔木图像验证集,构建乔木识别模型;
步骤3、通过无人机采集待识别图像,利用乔木识别模型识别其中的乔木区域;
步骤4、根据以下公式计算乔木区域内每个像素点的边缘概率:
ai= exp[∑j ( pij+ρi ) ]/ ∑i exp[∑j ( pij+ρi ) ]
pij= pi - pj
ρi = (∑j pj) / k
式中,ai表示乔木区域内第i个像素点的边缘概率,k表示乔木区域内第i个像素点邻域内的像素点个数,n表示乔木区域内像素点个数,pi表示乔木区域内第i个像素点灰度化后的像素值,pj表示乔木区域内第i个像素点邻域内第j个像素点灰度化后的像素值,ρi表示乔木区域内第i个像素点邻域内的像素密度,i=1,2,…,n,j=1,2,…,k;
步骤5、若乔木区域内某个像素点的边缘概率大于设定阈值,则将其像素值置1,否则将其像素值置0;
步骤6、根据连通区域判定方法Two-Pass算法,确定乔木区域内的连通区域,连通区域的数量即为乔木区域内的乔木数量;
步骤7、待识别图像中的乔木数量即为其中所有乔木区域内的乔木数量之和。
2.如权利要求1所述的一种乔木数量检测方法,其特征在于,步骤1中还包括对乔木样本图像进行平移、放大、旋转的预处理。
3.如权利要求1所述的一种乔木数量检测方法,其特征在于,步骤2中乔木识别模型采用CNN网络结构。
4.一种基于无人机航拍的园林乔木数量智能检测方法,其特征在于,包括以下步骤:
S1、利用无人机采集乔木统计区域的视频信息,并根据无人机的飞行速度、飞行高度、视频的帧率自适应确定滑动窗的宽度;
S2、采用权利要求1至3中任一所述的乔木数量检测方法对每一个滑动窗两端的图像进行乔木数量检测;
S3、对S2中的检测结果进行求和,得到乔木统计区域内乔木的数量。
5.如权利要求4所述的一种基于无人机航拍的园林乔木数量智能检测方法,其特征在于,S1中根据无人机的飞行速度、飞行高度、视频的帧率自适应确定滑动窗的宽度,具体步骤如下:
1)确定滑动窗的初始宽度m0:
m0 = t·fps
式中,t为无人机以v0的速度飞行,其飞行距离为s的飞行时间;v0为无人机采集滑动窗起始位置图像时的飞行速度;s为滑动窗起始位置图像的中心点和后续首次出现与其完全不相关的某帧图像的中心点对应的实际地理位置之间的距离;fps为无人机拍摄视频的帧率;
2)计算滑动窗的宽度为m0时滑动窗两端的两帧图像的乔木重叠率fm01,执行以下迭代步骤;
3)在m0基础上分别增加或减少设定帧数l,即m= m0+ l或m= m0- l,计算增加或减少两种情况下滑动窗两端的两帧图像的乔木重叠率;
4)若3)中的两种情况下对应的乔木重叠率均大于fm01,则滑动窗的宽度m= m0,否则执行5);
5)若增加情况下对应的乔木重叠率大于减少情况下对应的乔木重叠率,则执行6),否则在m0基础上增加设定帧数l的1/2,将对应的乔木重叠率与fm01比较,若小于等于fm01则m=m0 + l/2;否则在m0基础上增加设定帧数l的1/4,继续将对应的乔木重叠率与fm01比较,若小于等于fm01则m=m0 + l/4;否则在m0基础上增加设定帧数l的1/8,直至找到对应的乔木重叠率小于等于fm01的情况,即为最终的滑动窗宽度;
6)在m0基础上减少设定帧数l的1/2,将对应的乔木重叠率与fm01比较,若小于等于fm01则m= m0 - l/2;否则在m0基础上减少设定帧数l的1/4,继续将对应的乔木重叠率与fm01比较,若小于等于fm01则m=m0 - l/4;否则在m0基础上减少设定帧数l的1/8,直至找到对应的乔木重叠率小于等于fm01的情况,即为最终的滑动窗宽度。
6.如权利要求5所述的一种基于无人机航拍的园林乔木数量智能检测方法,其特征在于,自适应确定的滑动窗的宽度还需要满足以下条件,否则继续执行迭代步骤:
fm2 < K
式中,fm2为滑动窗两端的两帧图像之间的乔木遗漏率,K为设定的阈值。
7.如权利要求6所述的一种基于无人机航拍的园林乔木数量智能检测方法,其特征在于,
fm2 = C / D
式中,C为滑动窗两端的两帧图像之间遗漏的乔木个数;D为滑动窗两端的两帧图像之间中乔木的总数。
8.如权利要求5所述的一种基于无人机航拍的园林乔木数量智能检测方法,其特征在于,
fm01 = A / B
式中,A为滑动窗的宽度为m0时滑动窗两端的两帧图像重叠的乔木个数;B为滑动窗的宽度为m0时去除重叠的乔木之后滑动窗两端的两帧图像中乔木的总数。
9.如权利要求4所述的一种基于无人机航拍的园林乔木数量智能检测方法,其特征在于,前一个滑动窗终点位置图像的下一帧图像是下一个滑动窗起始位置图像。
10.一种基于无人机航拍的园林乔木数量智能检测系统,其特征在于,包括无人机,滑动窗自适应确定单元,乔木数量检测单元,以及乔木数量统计单元;其中,无人机采集乔木统计区域的视频信息;滑动窗自适应确定单元采用如权利要求4至9中任一所述的方法,自适应确定滑动窗的宽度;乔木数量检测单元采用如权利要求1至3中任一所述的方法,对每一个滑动窗两端的图像进行乔木数量检测;乔木数量统计单元对乔木数量检测单元的检测结果进行求和,得到乔木统计区域内乔木的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911289.2A CN113361503B (zh) | 2021-08-10 | 2021-08-10 | 一种基于无人机航拍的园林乔木数量智能检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110911289.2A CN113361503B (zh) | 2021-08-10 | 2021-08-10 | 一种基于无人机航拍的园林乔木数量智能检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113361503A true CN113361503A (zh) | 2021-09-07 |
CN113361503B CN113361503B (zh) | 2021-11-02 |
Family
ID=77540776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110911289.2A Active CN113361503B (zh) | 2021-08-10 | 2021-08-10 | 一种基于无人机航拍的园林乔木数量智能检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361503B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968637A (zh) * | 2012-12-20 | 2013-03-13 | 山东科技大学 | 一种复杂背景图像文字分割方法 |
CN109657541A (zh) * | 2018-11-09 | 2019-04-19 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的船舶检测方法 |
CN111340826A (zh) * | 2020-03-25 | 2020-06-26 | 南京林业大学 | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 |
CN111709964A (zh) * | 2020-06-22 | 2020-09-25 | 重庆理工大学 | 一种pcba目标边缘检测方法 |
CN112365494A (zh) * | 2020-11-30 | 2021-02-12 | 北京理工大学 | 一种基于深度学习预测边缘的矿石物料图像分割方法 |
-
2021
- 2021-08-10 CN CN202110911289.2A patent/CN113361503B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968637A (zh) * | 2012-12-20 | 2013-03-13 | 山东科技大学 | 一种复杂背景图像文字分割方法 |
CN109657541A (zh) * | 2018-11-09 | 2019-04-19 | 南京航空航天大学 | 一种基于深度学习的无人机航拍图像中的船舶检测方法 |
CN111340826A (zh) * | 2020-03-25 | 2020-06-26 | 南京林业大学 | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 |
CN111709964A (zh) * | 2020-06-22 | 2020-09-25 | 重庆理工大学 | 一种pcba目标边缘检测方法 |
CN112365494A (zh) * | 2020-11-30 | 2021-02-12 | 北京理工大学 | 一种基于深度学习预测边缘的矿石物料图像分割方法 |
Non-Patent Citations (3)
Title |
---|
KESHENG WU等: ""Optimizing two-pass connected-component labeling algorithms"", 《THEORETICAL ADVANCES》 * |
SHENGYONG XU等: ""A novel monocular visual navigation method for cotton-picking robot based on horizontal spline segmentation"", 《MIPPR 2015》 * |
王占江: ""一种基于概率密度分布的图像边缘检测技术研究"", 《应用科技》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113361503B (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9129191B2 (en) | Semantic object selection | |
US9129192B2 (en) | Semantic object proposal generation and validation | |
WO2022033150A1 (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN108447080B (zh) | 基于分层数据关联和卷积神经网络的目标跟踪方法、系统和存储介质 | |
CN107145889B (zh) | 基于具有RoI池化的双CNN网络的目标识别方法 | |
CN107145862B (zh) | 一种基于霍夫森林的多特征匹配多目标跟踪方法 | |
CN111767783A (zh) | 行为检测、模型训练方法、装置、电子设备及存储介质 | |
CN113284168A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN111310662B (zh) | 一种基于集成深度网络的火焰检测识别方法及系统 | |
CN103903006A (zh) | 一种基于Android平台的农作物害虫识别方法及系统 | |
CN109214353B (zh) | 一种基于剪枝模型的人脸图像快速检测训练方法和装置 | |
CN110766723B (zh) | 一种基于颜色直方图相似性的无人机目标跟踪方法及系统 | |
CN111429485B (zh) | 基于自适应正则化和高信度更新的跨模态滤波跟踪方法 | |
CN109740721A (zh) | 麦穗计数方法及装置 | |
CN107180056A (zh) | 视频中片段的匹配方法和装置 | |
WO2023124278A1 (zh) | 图像处理模型的训练方法、图像分类方法及装置 | |
CN109543615A (zh) | 一种基于多级特征的双学习模型目标跟踪方法 | |
CN113723157B (zh) | 一种农作物病害识别方法、装置、电子设备及存储介质 | |
CN111401145A (zh) | 一种基于深度学习与ds证据理论的可见光虹膜识别方法 | |
WO2022127814A1 (zh) | 一种图像的显著性物体检测方法、装置、设备及存储介质 | |
CN110334775B (zh) | 一种基于宽度学习的无人机线路故障识别方法和装置 | |
CN115761888A (zh) | 基于nl-c3d模型的塔吊操作人员异常行为检测方法 | |
CN115330833A (zh) | 一种改进多目标跟踪的果实产量估算方法 | |
CN113077452B (zh) | 基于dnn网络和斑点检测算法的苹果树病虫害检测方法 | |
CN110211150B (zh) | 一种具有尺度协调机制的实时视觉目标识别方法 |
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 |