CN113536958B - 导航路径提取方法、装置、农业机器人和存储介质 - Google Patents

导航路径提取方法、装置、农业机器人和存储介质 Download PDF

Info

Publication number
CN113536958B
CN113536958B CN202110699903.3A CN202110699903A CN113536958B CN 113536958 B CN113536958 B CN 113536958B CN 202110699903 A CN202110699903 A CN 202110699903A CN 113536958 B CN113536958 B CN 113536958B
Authority
CN
China
Prior art keywords
image
characteristic points
seedling planting
feature point
point
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
CN202110699903.3A
Other languages
English (en)
Other versions
CN113536958A (zh
Inventor
齐龙
江茜
杨秀丽
邢航
麦振鹏
蔡迎虎
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN202110699903.3A priority Critical patent/CN113536958B/zh
Publication of CN113536958A publication Critical patent/CN113536958A/zh
Application granted granted Critical
Publication of CN113536958B publication Critical patent/CN113536958B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Manipulator (AREA)

Abstract

本申请涉及一种导航路径提取方法、装置、农业机器人和存储介质，适用于计算机技术领域。所述方法包括：采集目标田地的第一图像，第一图像包括秧苗；从第一图像中识别植物，并根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，并且识别秧苗的特征点；对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点；根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线；根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。采用本方法能够能够实现自动提取路径，提高工作效率。

Description

导航路径提取方法、装置、农业机器人和存储介质
技术领域
本申请涉及计算机技术领域，特别是涉及一种导航路径提取方法、装置、农业机器人和存储介质。
背景技术
随着农业现代化进程的不断推进，农业机器人已经成为精准农业中现代化智能农业装备的重要组成部分。农业机器人自主行驶是农业机器人在复杂的田间作业环境智能作业的前提条件。视觉导航因其灵活性高、成本低等优点被广泛应用于作物种植、除草、施肥、收获、巡检等方面。如何有效提取视觉导航中的导航路径已经成为农业机器人研究的重要问题。
在传统技术中，通常利用农业机器人采集田地第一图像，并将田地第一图像返回给后端设备。后端设备将田地第一图像输出给用户，用户根据后端设备输出的田地第一图像，控制农业机器人行走。
上述传统方法，农业机器人不能实现自动规划导航路径，因此，需要用户辅助，工作效率低下，使用不够灵活。
发明内容
基于此，有必要针对上述技术问题，提供一种导航路径提取方法、装置、农业机器人和存储介质，能够实现自动提取路径，提高工作效率。
第一方面，提供了一种导航路径提取方法，方法包括：采集目标田地的第一图像，第一图像包括秧苗；从第一图像中识别植物，并根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，并且识别秧苗的特征点；对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点；根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线；根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。
在其中一个实施例中，从第一图像中识别植物之前，方法还包括：对第一图像进行感兴趣区域提取，得到目标田地的感兴趣区域图像；采用超绿特征法对感兴趣区域图像进行灰度化处理，得到目标灰度图像；采用最大类间方差法对灰度图像进行二值化处理，得到目标二值化图像；对目标二值图像先进行形态学开运算处理，后进行形态学闭运算处理，得到形态学变换后的形态学图像；对应地，从第一图像中识别植物，包括：从形态学图像中识别植物。
在其中一个实施例中，识别秧苗的特征点，包括：将第一图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带；对各水平图像子带进行秧苗轮廓检测处理，得到各秧苗对应的轮廓；对各秧苗对应的轮廓进行质心检测，将检测到的质心点作为各秧苗的特征点。
在其中一个实施例中，对特征点进行聚类处理，包括：获取各特征点在第一图像的位置信息；根据各特征点的位置信息，对特征点进行聚类处理。
在其中一个实施例中，根据各特征点的位置信息，对特征点进行聚类处理，包括：从各特征点中确定初始种子集合，初始种子集合中包括第一图像中预设位置的特征点；从初始种子集合中确定第一初始特征点，判断第一初始特征点是否归类，若未归类，则将第一初始特征点加入至预分类集合；根据加入预分类集合的第一初始特征点的位置信息，更新预分类集合的横坐标范围；依次获取第一图像中的各特征点，判断各特征点的横坐标是否在预分类集合的范围内；若特征点的横坐标在预分类集合的范围内，则判断特征点到预分类集合中任一特征点之间的距离是否小于第一预设距离阈值；若特征点到预分类集合中任一特征点之间的距离小于第一预设距离阈值，则将特征点加入预分类集合中；根据加入预分类集合中的特征点的位置信息，更新预分类集合的范围；如此循环，至遍历第一图像中的全部特征点为止，完成一类特征点聚类。从初始种子集合中确定第二初始特征点；循环上述步骤，直至遍历完初始种子集合中的全部初始特征点为止，聚类结束。
在其中一个实施例中，根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线，包括：对于各秧苗种植行，从秧苗种植行对应的特征点中随机选择2个特征点确定一条直线；若其他特征点到直线之间的距离小于第二预设距离阈值，则进行计数，并进行标记；若其他特征点到直线之间的距离不小于第二预设距离阈值，则不进行计数，直至遍历各秧苗种植行对应的全部特征点，并记录计数值；如此循环预设次数，确定计数值最大的一次对应的特征点，利用最小二乘法对计数值最大的一次对应的特征点进行拟合，得到各秧苗种植行的行线。
在其中一个实施例中，根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径，包括：获取拟合得到的各秧苗种植行的行线的位置信息以及第一图像中心点的位置信息；计算中心点到各秧苗种植行的行线的距离值；根据距离值，将距离中心点最近的秧苗种植行的行线确定导航路径。
第二方面，提供了一种导航路径提取装置，该装置包括：
采集模块，用于采集目标田地的第一图像，第一图像包括秧苗；
识别模块，用于从第一图像中识别植物，并根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，并且识别秧苗的特征点；
聚类模块，用于对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点；
拟合模块，用于根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线；
确定模块，根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。
第三方面，提供了一种农业机器人，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现如上述第一方面任一的方法。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述第一方面任一的方法。
上述导航路径提取方法、装置、农业机器人和存储介质，人采集目标田地的第一图像，并从第一图像中识别植物。农业机器人根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，并且识别秧苗的特征点。然后，农业机器人对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点。农业机器人根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线；根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。上述方法中，农业机器人从一图像中识别植物，并根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，可以保证识别到的秧苗的准确性的，避免了将第一图像中的杂草识别为秧苗，从而导致识别不准确，最终导致导航路径提取错误。此外，农业机器人识别秧苗的特征点，并对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点。可以保证各特征点的在对应的各秧苗种植行中，使得农业机器人可以根据各秧苗种植行对应的特征点进行拟合得到各秧苗种植行的行线，从而可以确定农业机器人的导航路径。因此，实现了自动提取导航路径的技术效果，提高了农业机器人工作的效率，提高了使用的灵活性。
附图说明
图1为一个实施例中导航路径提取方法的流程示意图；
图2为一个实施例中导航路径提取方法的流程示意图；
图3(a)为一个实施例中农业机器人中的摄像组件获取到的第一图像；
图3(b)为一个实施例中裁剪后得到的目标田地的感兴趣区域图像；
图4为一个实施例中目标灰度图像的示意图；
图5为一个实施例中目标二值化图像的示意图；
图6为一个实施例中形态学变换后的图像的示意图；
图7为一个实施例中导航路径提取方法的流程示意图；
图8为一个实施例中得到的秧苗的特征点的示意图；
图9为一个实施例中导航路径提取方法的流程示意图；
图10为一个实施例中导航路径提取方法的流程示意图；
图11为一个实施例中扩充以后的各种植行对应的特征点的示意图；
图12为一个实施例中导航路径提取方法的流程示意图；
图13为一个实施例中得到各秧苗种植行的行线的示意图；
图14为一个实施例中导航路径提取方法的流程示意图；
图15为一个实施例中导航路径提取方法的流程示意图；
图16为一个实施例中导航路径提取装置的结构框图；
图17为一个实施例中导航路径提取装置的结构框图；
图18为一个实施例中导航路径提取装置的结构框图；
图19为一个实施例中导航路径提取装置的结构框图；
图20为一个实施例中导航路径提取装置的结构框图；
图21为一个实施例中导航路径提取装置的结构框图；
图22为一个实施例中农业机器人的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的导航路径提取方法，可以应用于农业机器人中。农业机器人的型号和结构等本申请不做任何限制。农业机器人包括计算机设备。计算机设备可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。计算机设备包括存储器和处理器，存储器能够存储数据和计算机程序，处理器能够执行计算机程序以实现本申请实施例提供的导航路径提取方法。以下实施例以导航路径提取方法应用于农业机器人为例进行说明。
在本申请一个实施例中，如图1所示，提供了一种导航路径提取方法，以该方法应用于农业机器人为例进行说明，包括以下步骤：
步骤101，农业机器人采集目标田地的第一图像。
其中，第一图像包括秧苗。
其中，该农业机器人是基于ROS机器人平台的搭建，增加了农业机器人移动平台的扩展性，提高了代码的复用性。
具体地，农业机器人可以利用摄像组件采集目标田地的第一图像。其中，目标田地可以是水稻田地、小麦田地、棉花田地以及玉米田地等，本申请实施例对目标田地不做具体限定。
可选的，摄像组件可以通过USB口接入到农业机器上，摄像组件在距离目标田地表面高55cm，与水平方向夹45°的位置实施采集第一图像。
步骤102，农业机器人从第一图像中识别植物，并根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，并且识别秧苗的特征点。
具体地，农业机器人可以利用第一图像输入至预设神经网络模型，利用预设神经网络模型从第一图像中识别植物。其中，预设神经网络模型可以是卷积神经网络的模型进行改进得到的。其中，卷积神经网络模型可以是YOLO(You Only Look Once，你只看一次)、R-CNN(Region-based Convolutional Neural Networks，基于区域的卷积神经网络)、SSD(Single Shot MultiBox，单发多框)以及Mask R-CNN(Mask Region-based ConvolutionalNeural Networks，带掩码的基于区域的卷积神经网络)等中的一种。本申请实施例对于预设神经网络模型不做具体限定。
农业机器人通过预设神经网络模型从第一图像中识别出植物之后，可以通过各植物的形态从第一图像中识别出秧苗，以及除秧苗以外的其他植物，并筛选掉除秧苗以外的其他植物，得到第一图像中的秧苗。其中，形态信息可以包括植物的大小以及生长的形状以及状态等信息。
在农业机器人从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗之后，农业机器人可以利用预设轮廓检测方法识别秧苗的轮廓，并根据秧苗的轮廓确定秧苗的特征点。
步骤103，农业机器人对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点。
可选的，农业机器人可以根据组内距离最小、组间距离最大的原则，对特征点进行聚类处理，将秧苗图像中各秧苗种植行对应的秧苗归为一类。
可选的，农业机器人可以利用预设聚类算法对特征点进行聚类处理，将秧苗图像中各秧苗种植行对应的秧苗归为一类。其中，聚类算法可以为K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类方法(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类、凝聚层次聚类以及图团体检测(Graph Community Detection)等聚类算法中的任一一种。
步骤104，农业机器人根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线。
可选的，在得到目标田地中各秧苗种植行对应的特征点之后，农业机器人对优化后的点进行各秧苗种植行对应的特征点利用改进的随机抽样一致性算法拟合得到各秧苗种植行的行线。
其中，随机抽样一致性算法可以理解为一组观测数据中找出合适的2维直线。假设观测数据中包含局内点和局外点，其中局内点近似的被直线所通过，而局外点远离于直线。最后维护局内点数量num全局最优。当num达到全局最优时，保存局内点的坐标于数据集合中。
在本申请实施例中，确定数据集合中的特征点之后，运用最小二乘法对数据集O进行直线拟合，得到秧苗中心线。
步骤105，农业机器人根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。
可选的，农业机器人在拟合得到的各秧苗种植行的行线之后，可以根据各秧苗种植行的行线的位置信息，确定农业机器人的导航路径。
具体地，农业机器人可以计算各秧苗种植行的行线的距离第一图像底部中点的距离，并根据距离秧苗垂直中心线最近的秧苗种植行的行线确定农业机器人的导航路径。
可选的，农业机器人在拟合得到的各秧苗种植行的行线之后，还可以根据各秧苗种植行的行线与垂直线之间的角度信息，确定农业机器人的导航路径。
具体地，农业机器人还可以各秧苗种植行的行线与垂直线之间的角度信息，并将与垂直线之间的夹角最小的秧苗种植行的行线确定农业机器人的导航路径。
上述导航路径提取方法中，农业机器人采集目标田地的第一图像，并从第一图像中识别植物。农业机器人根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，并且识别秧苗的特征点。然后，农业机器人对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点。农业机器人根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线；根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。上述方法中，农业机器人从一图像中识别植物，并根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，可以保证识别到的秧苗的准确性的，避免了将第一图像中的杂草识别为秧苗，从而导致识别不准确，最终导致导航路径提取错误。此外，农业机器人识别秧苗的特征点，并对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点。可以保证各特征点的在对应的各秧苗种植行中，使得农业机器人可以根据各秧苗种植行对应的特征点进行拟合得到各秧苗种植行的行线，从而可以确定农业机器人的导航路径。因此，实现了自动提取导航路径的技术效果，提高了农业机器人工作的效率，提高了使用的灵活性。此外，由于该农业机器人是基于ROS机器人平台的搭建，因此，增加了农业机器人移动平台的扩展性，提高了代码的复用性。
在本申请一个可选的实施例中，如图2所示，在上述步骤102“从第一图像中识别植物”之前，还可以包括以下步骤：
步骤201，农业机器人对第一图像进行感兴趣区域提取，得到目标田地的感兴趣区域图像。
具体地，农业机器人利用预设神经网络模型对第一图像中的植物进行识别，确定植物图像，然后对根据第一图像中植物图像的大小，对第一图像中的感兴趣区域进行提取，得到目标田地中邻近田地区域的感兴趣区域图像。
示例性的，如图3(a)所示，为农业机器人中的摄像组件获取到的第一图像。其中，第一图像的大小是640X480像素。农业机器人利用预设神经网络模型对第一图像中进行感兴趣区域提取，得到目标田地的感兴趣区域图像。其中，感兴趣区域图像大小是540X400像素。如图3(b)所示，为感兴趣区域提取后得到的目标田地的感兴趣区域图像。
步骤202，农业机器人采用超绿特征法对感兴趣区域图像进行灰度化处理，得到目标灰度图像。
其中，超绿特征法取绿色植物图像效果较好，感兴趣区域图像中的阴影、枯草和土壤等均能较明显的被抑制，植物图像更为突出，对于作物识别或杂草的识别最常用的灰度化方法为超绿特征法，即ExG＝2G-R-B
具体地，为了将植物和背景分割农业机器人需要预先确定一个灰度阈值，然后将感兴趣区域图像中的每个像素点的灰度值和灰度阈值相比较，根据比较的结果将该像素划分为植物或者背景。可选的，农业机器人可以将灰度值大于灰度阈值的像素确定为植物像素，将将灰度值不大于灰度阈值的像素确定为背景像素，可选的，农业机器人也可以将灰度值大于灰度阈值的像素确定为背景像素，将将灰度值不大于灰度阈值的像素确定为植物像素。如图4所示，为对感兴趣区域图像进行灰度化处理，得到目标灰度图像。
步骤203，农业机器人采用最大类间方差法对灰度图像进行二值化处理，得到目标二值化图像。
其中，最大类间方差法是一种自适应阈值确定的方法，又叫大津法，简称OTSU。它是一种基于全局的二值化算法，它是根据图像的灰度特性，将图像分为前景和背景两个部分。当取最佳阈值时，前景和背景之间的差别最大，在OTSU算法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差越大，说明构成图像的两个部分之间的差别越大。当部分前景被错分为背景或部分背景被错分为前景，都会导致两部分差别变小，当所取阈值的分割使类间方差最大时就意味着错分概率最小。
具体地，农业机器人可以采用穷举的方式，找到使组内方差最小的阈值，处理步骤如下：
①初始化一个预设分类阈值thth，将图像(x.y)f(xy)分为两类A类和B类；
②分别计算A，B两类像素像素集合的均值uA，uBuA，uB；
③计算A，B两类的类间方差；
④将thth从0到255循环,分别计算A,B的类间方差,当类间方差最大时,对应的thth就是所求的最佳分割或值化阈值。
如图5所示，为农业机器人采用最大类间方差法对灰度图像进行二值化处理后，得到目标二值化图像。
步骤204，农业机器人对目标二值图像先进行形态学开运算处理，后进行形态学闭运算处理，得到形态学变换后的形态学图像。
具体地，为了去除目标二值图像中的噪声和细小物，填充孔洞，并平滑较大物体的边界，利用3X3大小结构对目标二值图像先进行形态学开运算处理，后进行形态学闭运算处理，得到形态学变换后的形态学图像。
如图6所示，为对目标二值化图像先进行形态学开运算处理，后进行形态学闭运算处理，得到形态学变换后的图像。
本申请实施例中，农业机器人对第一图像进行感兴趣区域提取，得到目标田地的感兴趣区域图像。因此，有利于农业机器人对感兴趣区域图像进行识别。此外，农业机器人采用超绿特征法对感兴趣区域图像进行灰度化处理，得到目标灰度图像，并采用最大类间方差法对灰度图像进行二值化处理，得到目标二值化图像。从而可以提高对感兴趣区域图像中植物识别的准确率，且有利于去除感兴趣区域图像中的噪声和细小物，填充孔洞，并平滑较大物体的边界。进一步的，有利于识别秧苗的特征点。
在本申请一个可选的实施例中，如图7所示，上述步骤102中的“识别秧苗的特征点”，可以包括以下步骤：
步骤701，农业机器人将第一图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带。
农业机器人为了便于对第一图像中的秧苗的特征点进行识别，可以将第一图像进行裁剪。
具体地，农业机器人可以将第一图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带。
示例性的，假设第一图像的大小为540X400，分割图像的高度值取20像素，即将第一图像进行分割后，得到20个水平图像子带，每个水平图像子带的尺寸是540X20像素。
步骤702，农业机器人对各水平图像子带进行秧苗轮廓检测处理，得到各秧苗对应的轮廓。
具体地，农业机器人可以利用预设的轮廓检测方法识别各水平图像子带中的秧苗的轮廓进行检测处理。其中，轮廓检测方法有两类：一类是利用传统的边缘检测算子检测目标轮廓，另一类是从人类视觉系统中提取可以使用的数学模型完成目标轮廓检测。本申请对预设的轮廓检测方法不做具体限定。
基于边缘检测的轮廓检测方法是一种低层视觉行为，它主要定义了亮度、颜色等特征的低层突变，通过标识图像中亮度变化明显的点来完成边缘检测，因此很难形成相对完整和封闭的目标轮廓。边缘检测通常将图像与微分算子卷积。比如借助于Sobel算子、Prewitt算子、Canny算子等，此方法没有考虑视觉中层和高层信息，因此很难得出完整的、连续的轮廓边缘，仅仅使用这类方法很难得出完整的目标轮廓，这种过程往往复杂且精度难以保证，甚至在含有大量噪声或者纹理的情况下，无法提取轮廓。
从视网膜经典感受野推导出的DoG模型得到初步应用。该模型一般适用于图像平滑与边缘检测领域。Gabor滤波器模型来源于初级视皮层Vl区简单细胞感受野，一般适用于角点检测和纹理特征提取等。Grigorescu和Petkov运用非经典感受野的周边抑制作用，与经典的边缘检测方法结合，取得了令人瞩目的成果。
具体地，农业机器人对各水平图像子带进行秧苗轮廓检测处理，得到各秧苗对应的轮廓的过程主要有四个步骤。首先对输入各水平图像子带做预处理，通用的方法是采用较小的二维高斯模板做平滑滤波处理，去除图像噪声，采用小尺度的模板是为了保证后续轮廓定位的准确性，因为大尺度平滑往往会导致平滑过渡，从而模糊边缘，大大影响后续的边缘检测。其次对平滑后的图像做边缘检测处理，得到初步的边缘响应图像，其中通常会涉及到亮度、颜色等可以区分物体与背景的可用梯度特征信息。然后再对边缘响应做进一步处理，得到更好的边缘响应图像。这个过程通常会涉及到判据，即对特征点和非特征点做出不同处理或用相同的程式因作用结果的不同而达到区分特征点和非特征点的效果，从而得到可以作为轮廓的边缘图像。若是此步骤之前得到的轮廓响应非常好时，该步骤往往是不用再考虑的。最后对轮廓进行精确定位处理，这个过程通常又分成两个过程。
第一步先对边缘响应图像做细化处理，得到单像素边缘图像。这个过程普遍采用的是非最大值抑制方法(局部极大搜索)。非最大值抑制可以非常有效地细化梯度幅值图像中的屋脊带，从而只保留局部变化最大的点。第二步为在此基础上做基于滞后门限的二值化处理，滞后门限利用递归跟踪算法可以保证最后的轮廓图像是连续的。
可选的，由于田间会存在较小杂草，因此，在进行秧苗轮廓检测时，可以设定预设轮廓阈值为5像素，并将小于5像素的小轮廓去除。
步骤703，农业机器人对各秧苗对应的轮廓进行质心检测，将检测到的质心点作为各秧苗的特征点。
具体地，在对各水平图像子带进行秧苗轮廓检测处理，得到各秧苗对应的轮廓之后，农业机器人可以检测各轮廓的质心，将检测到的各轮廓的质心作为各秧苗的特征点。如图8，为得到的秧苗的特征点。
在本申请实施例中，农业机器人将第一图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带；对各水平图像子带进行秧苗轮廓检测处理，得到各秧苗对应的轮廓；对各秧苗对应的轮廓进行质心检测，将检测到的质心点作为各秧苗的特征点。从而可以保证得到的各秧苗的特征点的准确性，进一步保证基于各秧苗的特征点拟合得到的各秧苗种植行的行线的准确性。
在本申请一个可选的实施例中，如图9所示，上述步骤103中的“特征点进行聚类处理”，可以包括以下步骤：
步骤901，农业机器人获取各特征点在第一图像的位置信息。
具体地，农业机器人可以以第一图像的左上角的点为原点建立图像坐标系，农业机器人可以根据图像坐标系的原点，确定第一图像中各特征点的位置信息。
步骤902，农业机器人根据各特征点的位置信息，对特征点进行聚类处理。
可选的，在获取到各轮廓的位置信息之后，农业机器人可以根据组内距离最小、组间距离最大的原则，对特征点进行聚类处理，将秧苗图像中各秧苗种植行对应的秧苗归为一类。
可选的，在获取到各轮廓的位置信息之后，农业机器人可以利用预设聚类算法对特征点进行聚类处理，将秧苗图像中各秧苗种植行对应的秧苗归为一类。其中，聚类算法可以为K-Means(K均值)聚类、均值漂移聚类、基于密度的聚类方法(DBSCAN)、用高斯混合模型(GMM)的最大期望(EM)聚类、凝聚层次聚类以及图团体检测(Graph Community Detection)等聚类算法中的任一一种。
在本申请实施例中，农业机器人获取各特征点在第一图像的位置信息，并各特征点的位置信息，对特征点进行聚类处理。从而保证了对特征点进行聚类处理的准确性。
在本申请一个可选的实施例中，如图10所示，上述步骤902中的“根据各特征点的位置信息，对特征点进行聚类处理”，可以包括以下步骤：
步骤1001，农业机器人从各特征点中确定初始种子集合。
其中，初始种子集合中包括第一图像中预设位置的特征点。
具体地，农业机器人的可以根据各特征点的位置信息，从各轮廓中确定初始种子集合。示例性的，农业机器人可以将处于图像底部预设范围内的多个特征点确定为初始种子集合。其中，初始种子集合中包括的特征点的数量可以是一个或者多个，本申请实施例对初始特征点的数量不做具体限定。
步骤1002，农业机器人从初始种子集合中确定第一初始特征点，判断第一初始特征点是否归类。
具体地，农业机器人在确定了特征点和候选特征点之后，可以将初始特征点和候选特征点确定为初始聚类集合。可选的，农业机器人可以将初始聚类集合中各特征点的横坐标中的最小值减去预设阈值作为初始聚类集合对应的横坐标范围的左边界，还可以将初始聚类集合中各特征点的横坐标中的最大值加上预设阈值作为初始聚类集合对应的横坐标范围的右边界。
步骤1003，若未归类，则农业机器人将第一初始特征点加入至预分类集合。
具体地，农业机器人根据第一初始特征点否被标记，确定第一初始特征点是否归类。其中，若第一初始特征点没有被标记，则说明第一初始特征点未归类。农业机器人将第一初始特征点加入至预分类集合，并对第一初始特征点进行标记。
其中，标记的具体方法可以为：把第一初始特征点的位置信息值修改为小于0。由于第一初始特征点所在的坐标系是图像坐标系，以左上角为原点，向右为正方向X轴，向下为正方向Y轴，所以特征点的坐标值全部是大于等于0，故将坐标值修改为小于0的值作为标记已分类可行。
步骤1004，农业机器人根据加入预分类集合的第一初始特征点的位置信息，更新预分类集合的横坐标范围。
具体地，在每次第一初始特征点加入至预分类集合以后，农业机器人需要获取第一初始特征点的横坐标，并根据第一初始特征点的横坐标以及预分类集合中的其他特征点的横坐标更新预分类集合的横坐标范围。
可选的，农业机器人可以从预分类集合中选择横坐标最小的特征点，并将横坐标最小的特征点的横坐标减去预设预设阈值作为预分类集合的左边界；从从预分类集合中选择横坐标最大的特征点，并将横坐标最大的特征点的横坐标加上预设预设阈值作为预分类集合的右边界。
步骤1005，农业机器人依次获取第一图像中的各特征点，判断各特征点的横坐标是否在预分类集合的范围内。
具体地，农业机器人依次获取第一图像中的各特征点，并获取各特征点的横坐标，判断各特征点的横坐标是否落入预分类集合的横坐标范围内。
步骤1006，若特征点的横坐标在预分类集合的范围内，则农业机器人判断特征点到预分类集合中任一特征点之间的距离是否小于第一预设距离阈值。
具体地，若特征点的横坐标在预分类集合的范围内，则农业机器人判断特征点到预分类集合中任一特征点之间的距离是否小于第一预设距离阈值，其中，第一预设距离阈值与各特征点的纵坐标相关。
步骤1007，若特征点到预分类集合中任一特征点之间的距离小于第一预设距离阈值，则农业机器人将特征点加入预分类集合中。
步骤1008，农业机器人根据加入预分类集合中的特征点的位置信息，更新预分类集合的范围。
具体地，在每次预分类集合中加入新的特征点之后，农业机器人需要获取预分类集合中的各特征点的横坐标信息。农业机器人可以从预分类集合中选择横坐标最小的特征点，并将横坐标最小的特征点的横坐标减去预设预设阈值作为预分类集合的左边界；从从预分类集合中选择横坐标最大的特征点，并将横坐标最大的特征点的横坐标加上预设预设阈值作为预分类集合的右边界。
步骤1009，农业机器人如此循环，至遍历第一图像中的全部特征点为止，完成一类特征点聚类。
步骤1010，农业机器人从初始种子集合中确定第二初始特征点；循环上述步骤，直至遍历完初始种子集合中的全部初始特征点为止，聚类结束。
示例性的，B1：农业机器人初始化起点种子集合N，将预处理图像底部的预设宽度的特征点作起点种子加入种子集合N中。
B2：从起始种子集合N中取出一个起始种子A，判断起始种子是否已归类，如果没有归类则将起始种子A加入预分类集合P中，如果已归类则返回执行步骤B2。
B3：初始化预分类集合P的边界参数x_left和x_right，初始值设定为起始种子A的横坐标。具体的预分类集合P的边界参数x_left是指预分类集合P中所有点的横坐标的最小值，边界参数x_right是指预分类集合P中所有点的横坐标的最大值。
B4：判断特征点集合M的一点B的横坐标是否在预分类集合P的横坐标领域范围内，如果不在则判断M中下一个点，如果在则计算特征点B与预分类集合P中随机一点的距离d，将的距离d与预设距离阈值进行对比，如果距离d小于距离阈值则将特征点B加入到预分类集合P中，如果距离d大于距离阈值则判断特征点集合M中的下一个特征点。
其中，预分类集合P的横坐标领域范围指[x_left-distance，x_right+distance]，distance可以是第一预设的像素阈值，distance可以为2个像素。也可以为3个像素，本申请实施例对distance不做具体限定。
其中，农业机器人可以将第一图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带。距离阈值是根据特征点B在所处水平图像子带的序号position来确定的。以第一图像的左上角的点为原点建立图像坐标系，农业机器人可以根据图像坐标系的原点，确定第一图像中各特征点的位置信息。由于相机视角的影响，拍摄的水稻秧苗图像会呈现近大远小的特点，故图像底部的秧苗与秧苗之间的距离较大，图像顶部秧苗与秧苗之间的距离较小，所以距离阈值从图像顶部到图像底部逐渐增大，threshold1的计算公式为：
position＝B点的纵坐标/水平分割的高度；
threshold1＝position*value；
其中，value可以是第二预设的像素阈值，value可以为4个像素。也可以为5个像素，本申请实施例对value不做具体限定。
B5：更新预分类集合P的边界参数x_left和x_right，比较预分类集合P中所有点的横坐标，将横坐标的最小值赋给x_left，将横坐标的最大值赋给x_right；
B6：将特征点B标记为已分类，标记的具体方法是把特征点B的横纵坐标值修改为小于0。由于特征点B所在的坐标系是图像坐标系，以左上角为原点，向右为正方向X轴，向下为正方向Y轴，所以特征点的坐标值全部是大于等于0，故将坐标值修改为小于0的值作为标记已分类可行。
B7：检测是否已遍历完特征点集M，如否则返回步骤B4；
B8：检测是否已遍历完初始种子集合N，如否则返回步骤B2；
本申请实施中，value可以等于5，也可以等于6，本申请实施例对value的值不做具体限定。如图11所示，为扩充以后的各种植行对应的特征点的示意图。
在本申请实施例中，农业机器人从各特征点中确定初始种子集合，初始种子集合中包括第一图像中预设位置的特征点；从初始种子集合中确定第一初始特征点，判断第一初始特征点是否归类，若未归类，则将第一初始特征点加入至预分类集合；根据加入预分类集合的第一初始特征点的位置信息，更新预分类集合的横坐标范围；依次获取第一图像中的各特征点，判断各特征点的横坐标是否在预分类集合的范围内；若特征点的横坐标在预分类集合的范围内，则判断特征点到预分类集合中任一特征点之间的距离是否小于第一预设距离阈值；若特征点到预分类集合中任一特征点之间的距离小于第一预设距离阈值，则将特征点加入预分类集合中；根据加入预分类集合中的特征点的位置信息，更新预分类集合的范围；如此循环，至遍历第一图像中的全部特征点为止，完成一类特征点聚类。从初始种子集合中确定第二初始特征点；循环上述步骤，直至遍历完初始种子集合中的全部初始特征点为止，聚类结束。从而可以实现将各种植行对应的特征点归为一类，进一步有助于农业机器人识别各种植行对应的行线，从而保证导航路径的准确性。
在本申请一个可选的实施例中，如图12所示，上述步骤104中的“根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线”，可以包括以下步骤：
步骤1201，对于各秧苗种植行，农业机器人从秧苗种植行对应的特征点中随机选择2个特征点确定一条直线。
具体地，对于各秧苗种植行，农业机器人可以从秧苗种植行对应的特征点中随机选择2个特征点，并基于这两个特征点确定一条直线。
步骤1202，在其他特征点到直线之间的距离小于第二预设距离阈值的情况下，农业机器人进行计数，并进行标记。
具体地，农业机器人可以基于其他特征点的位置信息，计算其他特征点到上述确定的直线之间的距离，并将其他特征点到上述确定的直线之间的距离与于第二预设距离阈值进行对比。在其他特征点到直线之间的距离小于第二预设距离阈值的情况下，农业机器人进行计数，并进行标记。
示例性的，假设当前计数量为50，以其他特征点中的任一一个特征点A为例进行说明。农业机器人可以基于特征点A的位置信息，计算特征点A到上述确定的直线之间的距离，并将特征点A到上述确定的直线之间的距离与于第二预设距离阈值进行对比。在特征点A到直线之间的距离小于第二预设距离阈值的情况下，农业机器人将当前计数量记为51，并对特征点进行标记，说明特征点A到直线之间的距离小于第二预设距离阈值。
步骤1203，在其他特征点到直线之间的距离不小于第二预设距离阈值的情况下，农业机器人不进行计数，直至遍历各秧苗种植行对应的全部特征点，并记录计数值。
具体地，在其他特征点到直线之间的距离不小于第二预设距离阈值的情况下，农业机器人不进行计数，直至遍历各秧苗种植行对应的全部特征点，并记录到直线之间的距离小于第二预设距离阈值的特征点的数量。
示例性的，假设当前计数量为50，在特征点A到直线之间的距离不小于第二预设距离阈值的情况下，农业机器人将当前计数量记为50，并不对特征点B进行标记。说明特征点B到直线之间的距离不小于第二预设距离阈值。农业机器人继续遍历各秧苗种植行对应的全部特征点，并确定到直线之间的距离小于第二预设距离阈值的特征点的数量为100。
步骤1204，如此循环预设次数，农业机器人确定计数值最大的一次对应的特征点，利用最小二乘法对计数值最大的一次对应的特征点进行拟合，得到各秧苗种植行的行线。
具体地，农业机器人循环执行步骤1201-1203，并设一累加器始终记录每次循环对应的到直线之间的距离小于第二预设距离阈值的特征点的数量。从多次循环中确定计数值最大的一次对应的特征点，农业机器人确利用最小二乘法对计数值最大的一次对应的特征点进行拟合，得到各秧苗种植行的行线。
其中，最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。
如图13所示，为利用改进的随机抽样一致性算法对特征点进行拟合，得到各秧苗种植行的行线。
在本申请实施例中，对于各秧苗种植行，农业机器人从秧苗种植行对应的特征点中随机选择2个特征点确定一条直线；若其他特征点到直线之间的距离小于第二预设距离阈值，则进行计数，并进行标记；若其他特征点到直线之间的距离不小于第二预设距离阈值，则不进行计数，直至遍历各秧苗种植行对应的全部特征点，并记录计数值；如此循环预设次数，确定计数值最大的一次对应的特征点，利用最小二乘法对计数值最大的一次对应的特征点进行拟合，得到各秧苗种植行的行线。基于上述方法，可以保证利用改进的随机抽样一致性算法对特征点进行拟合，得到各秧苗种植行的行线的准确性。
在本申请一个可选的实施例中，如图14所示，上述步骤105中的“根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径”，可以包括已以下步骤：
步骤1401，农业机器人获取拟合得到的各秧苗种植行的行线的位置信息以及第一图像底部的中心点的位置信息。
具体地，农业机器人可以以第一图像的左上角的点为原点建立图像坐标系，农业机器人可以根据图像坐标系的原点确定拟合得到的各秧苗种植行的行线的位置信息以及第一图像底部的中心点的位置信息。
步骤1402，农业机器人计算中心点到各秧苗种植行的行线的距离值。
具体地，农业机器人在获取到拟合得到的各秧苗种植行的行线的位置信息以及第一图像底部的中心点的位置信息之后，计算中心点到各秧苗种植行的行线的距离值。
步骤1403，农业机器人根据距离值，将距离中心点最近的秧苗种植行的行线确定导航路径。
具体地，农业机器人根据中心点到各秧苗种植行的行线的距离值，将距离中心点最近的秧苗种植行的行线确定导航路径。根据对比结果确定一条距离中心点最近的秧苗种植行，并根据距离中心点最近的秧苗种植行的行线确定导航路径。
在本申请实施例中，农业机器人获取拟合得到的各秧苗种植行的行线的位置信息以及第一图像中心点的位置信息；计算中心点到各秧苗种植行的行线的距离值；根据距离值，将距离中心点最近的秧苗种植行的行线确定导航路径。从而可以保证导航路径在图像的中部，避免因为导航路径的偏差，导致农业机器人行走偏，导致秧苗损坏。
为了更好的说明本申请的提供导航路径提取方法，本申请提供一种导航路径提取的整体流程方面进行解释说明的实施例，如图15所示，该方法包括：
步骤1501，农业机器人采集目标田地的第一图像。
步骤1502，农业机器人对第一图像进行感兴趣区域提取，得到目标田地的感兴趣区域图像。
步骤1503，农业机器人采用超绿特征法对感兴趣区域图像进行灰度化处理，得到目标灰度图像。
步骤1504，农业机器人采用最大类间方差法对灰度图像进行二值化处理，得到目标二值化图像。
步骤1505，农业机器人对目标二值图像先进行形态学开运算处理，后进行形态学闭运算处理，得到形态学变换后的形态学图像。
步骤1506，农业机器人从形态学图像中识别植物。
步骤1507，农业机器人根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗。
步骤1508，农业机器人将感兴趣区域图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带。
步骤1509，农业机器人对各水平图像子带进行秧苗轮廓检测处理，得到各秧苗对应的轮廓。
步骤1510，农业机器人对各秧苗对应的轮廓进行质心检测，将检测到的质心点作为各秧苗的特征点。
步骤1511，农业机器人获取各特征点在感兴趣区域图像的位置信息。
步骤1512，农业机器人从根据各特征点的位置信息，对特征点进行聚类处理，得到所述目标田地中各秧苗种植行对应的特征点。
步骤1513，农业机器人根据各秧苗种植行对应的特征点拟合得到各秧苗种植行的行线。
步骤1514，农业机器人根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。
应该理解的是，虽然图1、2、7、9、10、12、14以及15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，图1、2、7、9、10、12、14以及15中的至少一部分步骤可以包括多个步骤或者多个阶段，这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图16所示，提供了一种导航路径提取装置1600，包括：采集模块1610、识别模块1620、聚类模块1630、拟合模块1640和确定模块1650，其中：
采集模块1610，用于采集目标田地的第一图像，第一图像包括秧苗；
识别模块1620，用于从第一图像中识别植物，并根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，并且识别秧苗的特征点；
聚类模块1630，用于对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点；
拟合模块1640，用于根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线；
确定模块1650，根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。
在本申请一个实施例中，如图17所示，上述导航路径提取装置1600，还包括：裁剪模块1660、灰度化模块1670以及二值化模块1680，其中：
提取模块1660，用于对第一图像进行感兴趣区域提取，得到目标田地的感兴趣区域图像；
灰度化模块1670，用于采用超绿特征法对感兴趣区域图像进行灰度化处理，得到目标灰度图像；
二值化模块1680，用于采用最大类间方差法对灰度图像进行二值化处理，得到目标二值化图像；
形态学处理模块1690，用于对目标二值图像先进行形态学开运算处理，后进行形态学闭运算处理，得到形态学变换后的形态学图像。
在本申请一个实施例中，如图18所示，上述识别模块1620，包括：划分单元1621、轮廓检测单元1622以及质心检测单元1623，其中：
划分单元1621，用于将第一图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带；
轮廓检测单元1622，用于对各水平图像子带进行秧苗轮廓检测处理，得到各秧苗对应的轮廓；
质心检测单元1623，用于对各秧苗对应的轮廓进行质心检测，将检测到的质心点作为各秧苗的特征点。
在本申请一个实施例中，如图19所示，上述聚类模块1630，包括：第一获取单元1631以及聚类单元1632，其中：
第一获取单元1631，用于获取各特征点在第一图像的位置信息；
聚类单元1632，用于根据各特征点的位置信息，对特征点进行聚类处理。
在本申请一个实施例中，上述聚类单元，具体用于从各特征点中确定初始种子集合，初始种子集合中包括第一图像中预设位置的特征点；从初始种子集合中确定第一初始特征点，判断第一初始特征点是否归类，若未归类，则将第一初始特征点加入至预分类集合；根据加入预分类集合的第一初始特征点的位置信息，更新预类集合的横坐标范围；依次获取第一图像中的各特征点，判断各特征点的横坐标是否在预分类集合的范围内；若特征点的横坐标在预分类集合的范围内，则判断特征点到预分类集合中任一特征点之间的距离是否小于第一预设距离阈值；若特征点到预分类集合中任一特征点之间的距离小于第一预设距离阈值，则将特征点加入预分类集合中；根据加入预分类集合中的特征点的位置信息，更新预分类集合的范围；如此循环，至遍历第一图像中的全部特征点为止，完成一类特征点聚类。从初始种子集合中确定第二初始特征点；循环上述步骤，直至遍历完初始种子集合中的全部初始特征点为止，聚类结束。
在本申请一个实施例中，如图20所示，上述拟合模块1640，包括：选择单元1641、保留单元1642、去除单元1643以及拟合单元1644，其中：
选择单元1641，用于对于各秧苗种植行，从秧苗种植行对应的特征点中随机选择2个特征点确定一条直线；
计数单元1642，用于在其他特征点到直线之间的距离小于第二预设距离阈值的情况下，进行计数，并进行标记；；
记录单元1643，用于在其他特征点到直线之间的距离不小于第二预设距离阈值的情况下，不进行计数，直至遍历各秧苗种植行对应的全部特征点，并记录计数值；
拟合单元1644，用于如此循环预设次数，确定计数值最大的一次对应的特征点，利用最小二乘法对计数值最大的一次对应的特征点进行拟合，得到各秧苗种植行的行线。
在本申请一个实施例中，如图21所示，上述确定模块1650，包括：第二获取单元1651以及确定单元1652，其中：
第二获取单元1651，用于获取拟合得到的各秧苗种植行的行线的位置信息以及第一图像底部的中心点的位置信息；
计算单元1652，用于计算中心点到各秧苗种植行的行线的距离值。
确定单元1653，用于根据距离值，将距离中心点最近的秧苗种植行的行线确定导航路径。
关于导航路径提取装置的具体限定可以参见上文中对于导航路径提取方法的限定，在此不再赘述。上述导航路径提取装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于农业机器人中的处理器中，也可以以软件形式存储于农业机器人中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种农业机器人，该农业机器人可以是终端，其内部结构图可以如图22所示。该农业机器人包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该农业机器人的处理器用于提供计算和控制能力。该农业机器人的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该农业机器人的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种导航路径提取方法。该农业机器人的显示屏可以是液晶显示屏或者电子墨水显示屏，该农业机器人的输入装置可以是显示屏上覆盖的触摸层，也可以是农业机器人外壳上设置的按键、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22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农业机器人的限定，具体的农业机器人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。
在本申请一个实施例中，提供了一种农业机器人，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：采集目标田地的第一图像，第一图像包括秧苗；从第一图像中识别植物，并根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，并且识别秧苗的特征点；对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点；根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线；根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：对第一图像进行感兴趣区域提取，得到目标田地的感兴趣区域图像；采用超绿特征法对感兴趣区域图像进行灰度化处理，得到目标灰度图像；采用最大类间方差法对灰度图像进行二值化处理，得到目标二值化图像；对目标二值图像先进行形态学开运算处理，后进行形态学闭运算处理，得到形态学变换后的形态学图像；对应地，从第一图像中识别植物，包括：从形态学图像中识别植物。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：将第一图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带；对各水平图像子带进行秧苗轮廓检测处理，得到各秧苗对应的轮廓；对各秧苗对应的轮廓进行质心检测，将检测到的质心点作为各秧苗的特征点。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：获取各特征点在第一图像的位置信息；根据各特征点的位置信息，对特征点进行聚类处理。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：从各特征点中确定初始种子集合，初始种子集合中包括第一图像中预设位置的特征点；从初始种子集合中确定第一初始特征点，判断第一初始特征点是否归类，若未归类，则将第一初始特征点加入至预分类集合；根据加入预分类集合的第一初始特征点的位置信息，更新预分类集合的横坐标范围；依次获取第一图像中的各特征点，判断各特征点的横坐标是否在预分类集合的范围内；若特征点的横坐标在预分类集合的范围内，则判断特征点到预分类集合中任一特征点之间的距离是否小于第一预设距离阈值；若特征点到预分类集合中任一特征点之间的距离小于第一预设距离阈值，则将特征点加入预分类集合中；根据加入预分类集合中的特征点的位置信息，更新预分类集合的范围；如此循环，至遍历第一图像中的全部特征点为止，完成一类特征点聚类。从初始种子集合中确定第二初始特征点；循环上述步骤，直至遍历完初始种子集合中的全部初始特征点为止，聚类结束。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：对于各秧苗种植行，从秧苗种植行对应的特征点中随机选择2个特征点确定一条直线；若其他特征点到直线之间的距离小于第二预设距离阈值，则进行计数，并进行标记；若其他特征点到直线之间的距离不小于第二预设距离阈值，则不进行计数，直至遍历各秧苗种植行对应的全部特征点，并记录计数值；如此循环预设次数，确定计数值最大的一次对应的特征点，利用最小二乘法对计数值最大的一次对应的特征点进行拟合，得到各秧苗种植行的行线。
在本申请一个实施例中，处理器执行计算机程序时还实现以下步骤：获取拟合得到的各秧苗种植行的行线的位置信息以及第一图像中心点的位置信息；计算中心点到各秧苗种植行的行线的距离值；根据距离值，将距离中心点最近的秧苗种植行的行线确定导航路径。
在本申请一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：采集目标田地的第一图像，第一图像包括秧苗；从第一图像中识别植物，并根据植物的形态从第一图像中筛选掉除秧苗以外的杂草，得到第一图像中的秧苗，并且识别秧苗的特征点；对特征点进行聚类处理，得到目标田地中各秧苗种植行对应的特征点；根据各秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各秧苗种植行的行线；根据拟合得到的各秧苗种植行的行线，确定农业机器人的导航路径。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：对第一图像进行感兴趣区域提取，得到目标田地的感兴趣区域图像；采用超绿特征法对感兴趣区域图像进行灰度化处理，得到目标灰度图像；采用最大类间方差法对灰度图像进行二值化处理，得到目标二值化图像；对目标二值图像先进行形态学开运算处理，后进行形态学闭运算处理，得到形态学变换后的形态学图像；对应地，从第一图像中识别植物，包括：从形态学图像中识别植物。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：将第一图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带；对各水平图像子带进行秧苗轮廓检测处理，得到各秧苗对应的轮廓；对各秧苗对应的轮廓进行质心检测，将检测到的质心点作为各秧苗的特征点。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取各特征点在第一图像的位置信息；根据各特征点的位置信息，对特征点进行聚类处理。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：从各特征点中确定初始种子集合，初始种子集合中包括第一图像中预设位置的特征点；从初始种子集合中确定第一初始特征点，判断第一初始特征点是否归类，若未归类，则将第一初始特征点加入至预分类集合；根据加入预分类集合的第一初始特征点的位置信息，更新预分类集合的横坐标范围；依次获取第一图像中的各特征点，判断各特征点的横坐标是否在预分类集合的范围内；若特征点的横坐标在预分类集合的范围内，则判断特征点到预分类集合中任一特征点之间的距离是否小于第一预设距离阈值；若特征点到预分类集合中任一特征点之间的距离小于第一预设距离阈值，则将特征点加入预分类集合中；根据加入预分类集合中的特征点的位置信息，更新预分类集合的范围；如此循环，至遍历第一图像中的全部特征点为止，完成一类特征点聚类。从初始种子集合中确定第二初始特征点；循环上述步骤，直至遍历完初始种子集合中的全部初始特征点为止，聚类结束。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：对于各秧苗种植行，从秧苗种植行对应的特征点中随机选择2个特征点确定一条直线；若其他特征点到直线之间的距离小于第二预设距离阈值，则进行计数，并进行标记；若其他特征点到直线之间的距离不小于第二预设距离阈值，则不进行计数，直至遍历各秧苗种植行对应的全部特征点，并记录计数值；如此循环预设次数，确定计数值最大的一次对应的特征点，利用最小二乘法对计数值最大的一次对应的特征点进行拟合，得到各秧苗种植行的行线。
在本申请一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取拟合得到的各秧苗种植行的行线的位置信息以及第一图像中心点的位置信息；计算中心点到各秧苗种植行的行线的距离值；根据距离值，将距离中心点最近的秧苗种植行的行线确定导航路径。
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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，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易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上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申请的几种实施方式，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，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种导航路径提取方法，其特征在于，所述方法包括：
采集目标田地的第一图像，所述第一图像包括秧苗；
从所述第一图像中识别植物，并根据所述植物的形态从所述第一图像中筛选掉除所述秧苗以外的杂草，得到所述第一图像中的秧苗，并且识别所述秧苗的特征点；
对所述特征点进行聚类处理，得到所述目标田地中各秧苗种植行对应的特征点；所述对所述特征点进行聚类处理，包括：获取各所述特征点在所述第一图像的位置信息；根据各所述特征点的位置信息，对所述特征点进行聚类处理；其中，所述根据各所述特征点的位置信息，对所述特征点进行聚类处理，包括：从各所述特征点中确定初始种子集合，所述初始种子集合中包括所述第一图像中预设位置的特征点；从所述初始种子集合中确定第一初始特征点，判断所述第一初始特征点是否归类，若未归类，则将所述第一初始特征点加入至预分类集合；根据加入所述预分类集合的所述第一初始特征点的位置信息，更新所述预分类集合的横坐标范围；依次获取所述第一图像中的各所述特征点，判断各所述特征点的横坐标是否在所述预分类集合的范围内；若所述特征点的横坐标在所述预分类集合的范围内，则判断所述特征点到所述预分类集合中任一特征点之间的距离是否小于第一预设距离阈值；若所述特征点到所述预分类集合中任一特征点之间的距离小于所述第一预设距离阈值，则将所述特征点加入所述预分类集合中；根据加入所述预分类集合中的所述特征点的位置信息，更新所述预分类集合的范围；如此循环，至遍历所述第一图像中的全部所述特征点为止，完成一类特征点聚类；从所述初始种子集合中确定第二初始特征点；循环上述步骤，直至遍历完所述初始种子集合中的全部初始特征点为止，聚类结束；
根据各所述秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各所述秧苗种植行的行线；包括：对于各所述秧苗种植行，从所述秧苗种植行对应的特征点中随机选择2个特征点确定一条直线；若其他特征点到所述直线之间的距离小于第二预设距离阈值，则进行计数，并进行标记；若其他特征点到所述直线之间的距离不小于第二预设距离阈值，则不进行计数，直至遍历各所述秧苗种植行对应的全部所述特征点，并记录计数值；如此循环预设次数，确定所述计数值最大的一次对应的特征点，利用最小二乘法对所述计数值最大的一次对应的特征点进行拟合，得到各所述秧苗种植行的行线；
根据拟合得到的各所述秧苗种植行的行线，确定农业机器人的导航路径。
2.根据权利要求1所述的方法，其特征在于，所述从所述第一图像中识别植物之前，所述方法还包括：
对所述第一图像进行感兴趣区域提取，得到所述目标田地的感兴趣区域图像；
采用超绿特征法对所述感兴趣区域图像进行灰度化处理，得到目标灰度图像；
采用最大类间方差法对所述灰度图像进行二值化处理，得到目标二值化图像；
对所述目标二值化图像先进行形态学开运算处理，后进行形态学闭运算处理，得到形态学变换后的形态学图像；
对应地，所述从所述第一图像中识别植物，包括：
从所述形态学图像中识别植物。
3.根据权利要求1所述的方法，其特征在于，所述识别所述秧苗的特征点，包括：
将所述第一图像沿图像坐标系的纵坐标方向进行水平划分，得到多个等间距的水平图像子带；
对各所述水平图像子带进行秧苗轮廓检测处理，得到各所述秧苗对应的轮廓；
对各所述秧苗对应的轮廓进行质心检测，将检测到的质心点作为各所述秧苗的特征点。
4.根据权利要求1所述的方法，其特征在于，所述根据拟合得到的各所述秧苗种植行的行线，确定农业机器人的导航路径，包括：
获取拟合得到的各所述秧苗种植行的行线的位置信息以及所述第一图像中心点的位置信息；
计算所述中心点到各所述秧苗种植行的行线的距离值；
根据所述距离值，将距离所述中心点最近的所述秧苗种植行的行线确定所述导航路径。
5.一种导航路径提取装置，其特征在于，所述装置包括：
采集模块，用于采集目标田地的第一图像，所述第一图像包括秧苗；
识别模块，用于从所述第一图像中识别植物，并根据所述植物的形态从所述第一图像中筛选掉除所述秧苗以外的杂草，得到所述第一图像中的秧苗，并且识别所述秧苗的特征点；
聚类模块，用于对所述特征点进行聚类处理，得到所述目标田地中各秧苗种植行对应的特征点；所述聚类模块包括第一获取单元和聚类单元，所述第一获取单元用于各所述特征点在所述第一图像的位置信息；所述聚类单元用于根据各所述特征点的位置信息，对所述特征点进行聚类处理；其中，所述聚类单元具体用于从各所述特征点中确定初始种子集合，所述初始种子集合中包括所述第一图像中预设位置的特征点；从所述初始种子集合中确定第一初始特征点，判断所述第一初始特征点是否归类，若未归类，则将所述第一初始特征点加入至预分类集合；根据加入所述预分类集合的所述第一初始特征点的位置信息，更新所述预分类集合的横坐标范围；依次获取所述第一图像中的各所述特征点，判断各所述特征点的横坐标是否在所述预分类集合的范围内；若所述特征点的横坐标在所述预分类集合的范围内，则判断所述特征点到所述预分类集合中任一特征点之间的距离是否小于第一预设距离阈值；若所述特征点到所述预分类集合中任一特征点之间的距离小于所述第一预设距离阈值，则将所述特征点加入所述预分类集合中；根据加入所述预分类集合中的所述特征点的位置信息，更新所述预分类集合的范围；如此循环，至遍历所述第一图像中的全部所述特征点为止，完成一类特征点聚类；从所述初始种子集合中确定第二初始特征点；循环上述步骤，直至遍历完所述初始种子集合中的全部初始特征点为止，聚类结束；
拟合模块，用于根据各所述秧苗种植行对应的特征点，基于改进的随机抽样一致性算法拟合得到各所述秧苗种植行的行线；所述拟合模块包括选择单元、计数单元、记录单元和拟合单元；所述选择单元用于对于各所述秧苗种植行，从所述秧苗种植行对应的特征点中随机选择2个特征点确定一条直线；所述计数单元用于若其他特征点到所述直线之间的距离小于第二预设距离阈值，则进行计数，并进行标记；所述记录单元用于若其他特征点到所述直线之间的距离不小于第二预设距离阈值，则不进行计数，直至遍历各所述秧苗种植行对应的全部所述特征点，并记录计数值；所述拟合单元用于如此循环预设次数，确定所述计数值最大的一次对应的特征点，利用最小二乘法对所述计数值最大的一次对应的特征点进行拟合，得到各所述秧苗种植行的行线；
确定模块，根据拟合得到的各所述秧苗种植行的行线，确定农业机器人的导航路径。
6.一种农业机器人，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述的方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
CN202110699903.3A 2021-06-23 2021-06-23 导航路径提取方法、装置、农业机器人和存储介质 Active CN113536958B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110699903.3A CN113536958B (zh) 2021-06-23 2021-06-23 导航路径提取方法、装置、农业机器人和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110699903.3A CN113536958B (zh) 2021-06-23 2021-06-23 导航路径提取方法、装置、农业机器人和存储介质

Publications (2)

Publication Number Publication Date
CN113536958A CN113536958A (zh) 2021-10-22
CN113536958B true CN113536958B (zh) 2023-08-25

Family

ID=78096547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110699903.3A Active CN113536958B (zh) 2021-06-23 2021-06-23 导航路径提取方法、装置、农业机器人和存储介质

Country Status (1)

Country Link
CN (1) CN113536958B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114371717B (zh) * 2022-01-21 2023-04-25 厦门理工学院 一种用于茶叶修剪的绿篱机智能控制方法及系统
CN116882612A (zh) * 2023-09-08 2023-10-13 安徽农业大学 基于遥感图像和深度学习的智能农机路径规划方法及装置
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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166145A (zh) * 2018-08-10 2019-01-08 中国农业大学 一种基于聚类分割的果树叶片生长参数提取方法及系统
CN109344843A (zh) * 2018-09-07 2019-02-15 华南农业大学 水稻秧苗行线提取方法、装置、计算机设备和存储介质
CN109740595A (zh) * 2018-12-27 2019-05-10 武汉理工大学 一种基于机器视觉的斜向车辆检测与跟踪系统及方法
CN110243372A (zh) * 2019-06-18 2019-09-17 北京中科原动力科技有限公司 基于机器视觉的智能农机导航系统及方法
CN110516563A (zh) * 2019-08-06 2019-11-29 西安电子科技大学 基于dsp的农业移栽机智能路径导航方法
CN110879991A (zh) * 2019-11-26 2020-03-13 杭州光珀智能科技有限公司 一种障碍物识别方法及系统
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
CN112904306A (zh) * 2021-01-18 2021-06-04 深圳市普渡科技有限公司 斜坡感知方法、装置、机器人和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109166145A (zh) * 2018-08-10 2019-01-08 中国农业大学 一种基于聚类分割的果树叶片生长参数提取方法及系统
CN109344843A (zh) * 2018-09-07 2019-02-15 华南农业大学 水稻秧苗行线提取方法、装置、计算机设备和存储介质
CN109740595A (zh) * 2018-12-27 2019-05-10 武汉理工大学 一种基于机器视觉的斜向车辆检测与跟踪系统及方法
CN110243372A (zh) * 2019-06-18 2019-09-17 北京中科原动力科技有限公司 基于机器视觉的智能农机导航系统及方法
CN110516563A (zh) * 2019-08-06 2019-11-29 西安电子科技大学 基于dsp的农业移栽机智能路径导航方法
CN110879991A (zh) * 2019-11-26 2020-03-13 杭州光珀智能科技有限公司 一种障碍物识别方法及系统
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
CN112904306A (zh) * 2021-01-18 2021-06-04 深圳市普渡科技有限公司 斜坡感知方法、装置、机器人和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
万迪明 ; 张杰 ; 郭祥富 ; .一种基于视觉显著性分析的输电线路异物检测方法.电视技术.2018,(第01期),第1-4页. *

Also Published As

Publication number Publication date
CN113536958A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN113536958B (zh) 导航路径提取方法、装置、农业机器人和存储介质
Roscher et al. Automated image analysis framework for high-throughput determination of grapevine berry sizes using conditional random fields
Dahab et al. Automated brain tumor detection and identification using image processing and probabilistic neural network techniques
Emad et al. Automatic localization of the left ventricle in cardiac MRI images using deep learning
Guijarro et al. Discrete wavelets transform for improving greenness image segmentation in agricultural images
Sarvini et al. Performance comparison of weed detection algorithms
Valliammal et al. Plant leaf segmentation using non linear K means clustering
CN106887019B (zh) 一种足迹压力分布特征表示方法
Vazquez et al. Describing reflectances for color segmentation robust to shadows, highlights, and textures
CN110148121A (zh) 一种皮肤图像处理方法、装置、电子设备及介质
Lavania et al. Novel method for weed classification in maize field using Otsu and PCA implementation
CN114766041A (zh) 用于确定作物损害的系统和方法
Ahmed et al. Automated weed classification with local pattern-based texture descriptors.
Pastrana et al. Novel image processing approach for solving the overlapping problem in agriculture
WO2007044037A1 (en) Robust perceptual color identification
Sethy et al. Detection and identification of rice leaf diseases using multiclass SVM and particle swarm optimization technique
Chawathe Rice disease detection by image analysis
Xu et al. Shadow detection and removal in apple image segmentation under natural light conditions using an ultrametric contour map
Amelio et al. A genetic algorithm for color image segmentation
Zhou et al. Autonomous detection of crop rows based on adaptive multi-ROI in maize fields
CN110197113A (zh) 一种高精度锚点匹配策略的人脸检测方法
CN111815640A (zh) 一种基于忆阻器的rbf神经网络医学图像分割算法
Othman et al. Segmentation of breast ultrasound images using neural networks
Hu et al. Computer vision based method for severity estimation of tea leaf blight in natural scene images
CN108154513A (zh) 基于双光子成像数据的细胞自动探测和分割方法

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