CN113807129A - 一种作物区域识别方法、装置、计算机设备和存储介质 - Google Patents
一种作物区域识别方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113807129A CN113807129A CN202010537126.8A CN202010537126A CN113807129A CN 113807129 A CN113807129 A CN 113807129A CN 202010537126 A CN202010537126 A CN 202010537126A CN 113807129 A CN113807129 A CN 113807129A
- Authority
- CN
- China
- Prior art keywords
- crop
- area
- planting
- image
- farmland
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 180
- 238000012545 processing Methods 0.000 claims abstract description 13
- 241000196324 Embryophyta Species 0.000 claims description 52
- 238000001514 detection method Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 43
- 230000012010 growth Effects 0.000 claims description 25
- 230000008635 plant growth Effects 0.000 claims description 19
- 238000009825 accumulation Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 12
- 244000038559 crop plants Species 0.000 description 9
- 230000008901 benefit Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 244000037666 field crops Species 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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"
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种作物区域识别方法、装置、计算机设备和存储介质。该方法包括:根据农田图像生成作物二值图,并根据所述作物二值图获取种植行主方向;根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条;将各种植行矩形条进行组合,生成作物区域掩模图;对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图本发明实施例的技术方案可以实现快速识别作物区域,并对于非严格直线种植的作物同样适用。
Description
技术领域
本发明实施例涉及数据处理技术,尤其涉及一种作物区域识别方法、装置、计算机设备和存储介质。
背景技术
我国是农业大国,作物植株的数量对于作物产量有重大影响,只有作物植株密度达到特定数值,才能提高作物产量。能够快速识别作物区域,对识别缺苗位置、进行缺苗标记起到了重要的作用。
现有技术中,对获得的农田图像进行作物区域识别,主要通过图像分析,或通过训练神经网络模型来实现。发明人在实现本发明的过程中,发现现有技术存在以下缺陷:依赖于人工干预,成本高,效率低,并且只能适用于识别严格直线种植的作物。
发明内容
本发明实施例提供一种作物区域识别方法、装置、计算机设备和存储介质,以实现快速识别作物区域,并对于非严格直线种植的作物同样适用。
第一方面,本发明实施例提供了一种作物区域识别方法,该方法包括:
根据农田图像生成作物二值图,并根据所述作物二值图获取种植行主方向;
根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条;
将各种植行矩形条进行组合,生成作物区域掩模图;
对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图。
第二方面,本发明实施例还提供了一种作物区域的识别方法,该方法包括:
获取多个待标注农田图像;
使用本发明实施例中任一项所述的作物区域识别方法,在各所述待标注农田图像中识别得到作物区域图,并使用所述作物区域图对各所述待标注农田图像进行标注,得到多个训练样本;
使用各所述训练样本对预设的机器学习模型进行训练,得到作物区域识别模型;
将待识别农田图像输入至所述作物区域识别模型中,得到对所述待识别农田图像的作物区域识别结果。
第三方面,本发明实施例还提供了一种植物长势检测方法,该方法包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
根据作物区域在各所述作物区域图中的图像位置,以及与各所述作物区域图分别匹配的地理位置信息,确定与各所述作物区域匹配的地理位置信息;
根据与各所述作物区域匹配的地理位置信息,以及与所述种植区域匹配的数字地表模型,计算各所述作物区域内的作物高度信息;
根据各所述作物区域内的作物高度信息,估计与所述种植区域匹配的作物长势。
第四方面,本发明实施例还提供了一种产量预测方法,该方法包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
根据各作物区域在所述作物区域图中的面积,计算与所述种植区域内全部作物区域匹配的区域总面积;
根据所述区域总面积以及预设的单位面积产量,预估与所述种植区域匹配的区域产量。
第五方面,本发明实施例还提供了一种杂草识别方法,该方法包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
在各所述作物区域图中,获取除去作物区域之外的非种植区域,并在所述非种植区域内识别植被点;
根据识别得到的植被点,获取与所述非种植区域对应的至少一个非作物连通域;
根据各所述非作物连通域的形状特征、所述非种植连通域在农田图像中的纹理特征以及颜色信息中的至少一项,确定各所述非种植连通域是否为杂草。
第六方面,本发明实施例还提供了一种作物区域识别装置,该装置包括:
作物二值图获取模块,用于根据农田图像生成作物二值图,并根据所述作物二值图获取种植行主方向;
种植行矩形条获取模块,用于根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条;
作物区域掩模图生成模块,用于将各种植行矩形条进行组合,生成作物区域掩模图;
作物区域图获取模块,用于对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图。
第七方面,本发明实施例还提供了一种作物区域的识别装置,该装置包括:
待标注农田图像获取模块,用于获取多个待标注农田图像;
训练样本获取模块,用于使用如本发明任意实施例所述的作物区域识别方法,在各所述待标注农田图像中识别得到作物区域图,并使用所述作物区域图对各所述待标注农田图像进行标注,得到多个训练样本;
作物区域识别模型获取模块,用于使用各所述训练样本对预设的机器学习模型进行训练,得到作物区域识别模型;
作物区域识别结果获取模块,用于将待识别农田图像输入至所述作物区域识别模型中,得到对所述待识别农田图像的作物区域识别结果。
第八方面,本发明实施例还提供了一种植物长势检测装置,该装置包括:
作物区域图确定模块,用于获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
地理位置信息确定模块,用于根据作物区域在各所述作物区域图中的图像位置,以及与各所述作物区域图分别匹配的地理位置信息,确定与各所述作物区域匹配的地理位置信息;
作物高度信息计算模块,用于根据与各所述作物区域匹配的地理位置信息,以及与所述种植区域匹配的数字地表模型,计算各所述作物区域内的作物高度信息;
作物长势预估模块,用于根据各所述作物区域内的作物高度信息,估计与所述种植区域匹配的作物长势。
第九方面,本发明实施例还提供了一种产量预测装置,该装置包括:
作物区域图确定模块,用于获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
区域总面积确定模块,用于根据各作物区域在所述作物区域图中的面积,计算与所述种植区域内全部作物区域匹配的区域总面积;
区域产量预估模块,用于根据所述区域总面积以及预设的单位面积产量,预估与所述种植区域匹配的区域产量。
第十方面,本发明实施例还提供了一种杂草识别装置,该装置包括:
作物区域图确定模块,用于获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
植被点识别模块,用于在各所述作物区域图中,获取除去作物区域之外的非种植区域,并在所述非种植区域内识别植被点;
非作物连通域获取模块,用于根据识别得到的植被点,获取与所述非种植区域对应的至少一个非作物连通域;
杂草识别模块,用于根据各所述非作物连通域的形状特征、所述非种植连通域在农田图像中的纹理特征以及颜色信息中的至少一项,确定各所述非种植连通域是否为杂草。
第十一方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明实施例中任一所述的作物区域识别方法,或者作物区域的识别方法,或者植物长势检测方法,或者产量预测方法,或者杂草识别方法。
第十二方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一所述的作物区域识别方法,或者作物区域的识别方法,或者植物长势检测方法,或者产量预测方法,或者杂草识别方法。
本发明实施例通过根据农田图像获取二值图,并获取种植行主方向,从而获取种植行矩形条,根据种植行矩形条得到作物区域掩膜图,根据作物区域掩膜图获取作物区域图。解决了现有技术中根据农田图像识别作物区域时,依赖于人工,成本高,效率低的问题。实现了快速识别作物区域,并且对于并非严格直线种植的作物同样适用,适用的范围更加广泛。
附图说明
图1a是本发明实施例一中的一种作物区域识别方法的流程图;
图1b是适用于本发明实施例中的农田图像的示意图;
图1c是适用于本发明实施例中的作物区域图的示意图;
图2a是本发明实施例二中的一种作物区域识别方法的流程图;
图2b是适用于本发明实施例中的作物二值图的外接矩形的示意图;
图2c是适用于本发明实施例中的累加曲线的示意图;
图3a是本发明实施例三中的一种作物区域的识别方法的流程图;
图3b是识别待识别农田图像中作物区域的方法的流程图;
图4是本发明实施例四中的一种植物长势检测方法的流程图;
图5是本发明实施例五中的一种产量预测方法的流程图;
图6是本发明实施例六中的一种杂草识别方法的流程图;
图7是本发明实施例七中的一种作物区域识别装置的结构示意图;
图8是本发明实施例八中的一种作物区域的识别装置的结构示意图;
图9是本发明实施例九中的一种植物长势检测装置的结构示意图;
图10是本发明实施例十中的一种产量预测装置的结构示意图;
图11是本发明实施例十一中的一种杂草识别装置的结构示意图;
图12是本发明实施例十二中的一种计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1a是本发明实施例一提供的一种作物区域识别方法的流程图,本实施例可适用于需要识别农田图像中的作物区域的情况,该方法可以由作物区域识别装置来执行,该装置可以由软件和/或硬件来实现,并一般集成在服务器中。
如图1a所示,本发明实施例的技术方案,具体包括如下步骤:
S110、根据农田图像生成作物二值图,并根据所述作物二值图获取种植行主方向。
其中,农田图像可以为无人机巡视农田时拍摄的图像。在一个具体的示例中,图1b提供了一种农田图像的示意图,如图1b所示,农田图像为对农田的俯拍图像。
二值图可以指图像上的每一个像素只有两种可能的取值或灰度等级状态,也即,图像中的任何像素点的灰度值均为0或者255,分别代表黑色和白色。
作物二值图可以指图像中的任何像素点只能代表作物或非作物。在一个具体的示例中,可以使灰度值为255的像素点代表作物,灰度值为0的像素点代表非作物,也可以使灰度值为255的像素点代表非作物,灰度值为0的像素点代表作物,本实施例对不同灰度值的像素分别代表作物还是非作物不进行限制。
种植行主方向可以指作物的种植方向,在本发明实施例中,种植行主方向与农田图片的观察方向可以为垂直或不垂直,当种植行主方向与农田图片的观察方向不垂直时,需要获取种植行主方向。在一个具体的示例中,如图1b所示,图1b中的作物的种植行主方向就与农田图片的观察角度的方向不垂直。
在本发明一个可选的实施例中,根据农田图像生成作物二值图,可以包括:根据所述农田图像中包括的植被点,生成植被二值图;在所述植被二值图中获取至少一个植被连通域,并在所述植被连通域筛选并保留作物连通域,以得到所述作物二值图。
其中,植被点表明图像中的像素点代表植被,可以通过颜色空间的转换、颜色指数以及植被指数等方式确定图像中的像素点是否为植被点。在一个具体的示例中,可以通过植被指数中的过绿指数(Excess Green Index,EXG)判断图像中的像素点是否为植被点。具体的,通过下述公式计算像素点的过绿指数:EXG=2*Green-Red-Blue,Green、Red、Blue表示像素点的RGB指数经过归一化处理后得到的数值。如果像素点的过绿指数大于一定阈值,则判断为植被,否则为非植被。植被二值图可以指图像中的任何像素点只能代表植被或非植被。
植被连通域可以为彼此联通的灰度值代表植被的像素点的集合。在植被连通域中筛选作物连通域,可以通过按照连通域面积筛选、按照形状筛选、按照形状筛选以及按照纹理筛选等方式实现。
在一个具体的示例中,可以按照连通域面积筛选作物连通域。具体的,可以统计所有植被连通域的面积,通过植被连通域面积的平均数、众数以及密集区间等确定作物连通域的面积范围,或人为设定作物连通域的面积范围。将面积明显小于作物连通域的面积范围的植被连通域删除,保留的植被连通域即为作物连通域。
在本发明实施例中,判断农田图像中的像素点是否为植被点,对植被点和其他像素点赋予不同的灰度值,生成植被二值图,筛选植被二值图中的植被连通域,保留作物连通域,获得作物二值图。
在本发明一个可选的实施例中,根据所述作物二值图获取种植行主方向,可以包括:按照预设的直线检测算法,获取与所述作物二值图中的各作物连通域对应的至少一条直线,并根据各直线相对于参考方向的角度值,识别种植行主方向。
其中,预设的直线检测算法可以为用于获取直线以及直线对应的相对于参考方向的角度值的算法。在一个具体的示例中,直线检测算法可以为霍夫变换直线检测法,通过将作物二值图转换到极坐标系霍夫空间,通过霍夫空间累加器统计若干直线对应的与参考方向的相对角度和圆的半径。本发明对直线检测算法的类型和具体检测过程不进行限制。作物二值图中包括若干作物连通域,作物连通域可以为彼此联通的灰度值代表作物的像素的集合。
在本发明实施例中,通过预设的直线检测算法对作物二值图进行处理,得到各作物连通域对应的至少一条直线,并根据各直线相对于参考方向的角度值的统计结果,获取种植行主方向。
在本发明一个可选的实施例中,按照预设的直线检测算法,获取与所述作物二值图中的各作物连通域对应的至少一条直线,并根据各直线相对于参考方向的角度值,识别种植行主方向,可以包括:将所述各作物连通域内的像素点映射至极坐标系霍夫空间中,得到作物点映射结果;获取霍夫空间累加器针对所述作物点映射结果反馈的直线检测结果,对所述直线检测结果进行统计分析,得到所述农田的种植行主方向;其中,所述直线检测结果中包括目标数量的直线,以及与各直线对应的直线角度。
其中,极坐标系霍夫空间可以为对笛卡尔坐标系进行霍夫变换之后得到的参数空间。作物点映射结果可以为各作物连通域内的像素点经过霍夫变换之后在霍夫空间内得到的结果,作物点映射结果可以为一条直线。霍夫空间累加器可以用于统计各作物点映射结果对应的直线角度。直线角度可以为直线与图像的观察角度之间的夹角,在一个具体的示例中,直线角度可以为作物二值图的宽的方向与直线的夹角。
在本发明实施例中,将各作物连通域内的像素点映射至极坐标系霍夫空间中,得到对应的线作为作物点映射结果,通过霍夫空间累加器统计目标数量的直线,以及与各直线对应的直线角度,对各直线及其对应的直线角度进行统计分析,可以获取种植行主方向。
在本发明一个可选的实施例中,对所述直线检测结果进行统计分析,得到所述农田的种植行主方向,包括:如果所述目标数量大于等于第一数量阈值,则统计与各所述直线角度分别对应的直线个数,并获取直线个数最大的直线角度作为所述种植行主方向;如果所述目标数量小于等于第二数量阈值,则获取所述直线检测结果中首条直线的直线角度作为所述种植行主方向。
在本发明实施例中,可以选择将直线个数最多的直线角度作为种植行主方向,或首条直线的直线角度作为种植行主方向。本发明实施例仅是根据直线检测结果获取种植行主方向的一种方式,凡是可以根据直线检测结果获取种植行主方向的统计分析方式均在本发明实施例的保护范围内。
S120、根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条。
其中,种植行矩形条表示该矩形条范围内为作物区域,用种植行矩形条表示作物区域的好处在于,对于非严格直线种植的作物,可以全面准确的获取作物区域。
在本发明实施例中,根据农田图像获取作物二值图,并获取种植行主方向之后,在作物二值图内沿种植行主方向生成种植行矩形条。
S130、将各种植行矩形条进行组合,生成作物区域掩模图。
其中,作物区域掩模图又称mask图,mask图可以为对原始图像进行特定区域提取后产生的图像。
在本发明实施例中,生成种植行矩形条之后,将各种植行矩形条进行组合,即可得到作物区域掩模图。
S140、对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图。
其中,反旋转和反填补是指根据作物二值图和种植行主方向生成外接矩形的反向操作,这样设置的好处在于,可以使进行反旋转和反填补操作后获得的作物区域图与原农田图像相对应,更加准确直观。
作物区域图可以为所有种植行矩形条组合形成的图像,与农田图像相对应。示例性的,图1c提供了作物区域图的示意图,如图1c所示,作物区域图包括若干种植行矩形条,种植行矩形条内为作物区域。
在本发明实施例中,获得作物区域掩模图之后,还需要进行反旋转和反填补的操作,才能获得与农田图像相对应的作物区域图。
本实施例的技术方案,通过根据农田图像获取二值图,并获取种植行主方向,从而获取种植行矩形条,根据种植行矩形条得到作物区域掩膜图,根据作物区域掩膜图获取作物区域图。解决了现有技术中根据农田图像识别作物区域时,依赖于人工,成本高,效率低的问题。实现了快速识别作物区域,并且对于并非严格直线种植的作物同样适用,适用的范围更加广泛。
实施例二
图2a是本发明实施例二提供的一种作物区域识别方法的流程图,本发明实施例在上述实施例的基础上,对根据农田图像生成作物二值图的过程、根据作物二值图获取种植行主方向的过程、获取种植行矩形条的过程以及根据种植行矩形条获取作物区域图的过程进行了进一步的具体化。
相应的,如图2a所示,本发明实施例的技术方案,具体包括如下步骤:
S210、根据所述农田图像中包括的植被点,生成植被二值图。
S220、在所述植被二值图中获取至少一个植被连通域,并在所述植被连通域筛选并保留作物连通域,以得到所述作物二值图。
S230、将所述各作物连通域内的像素点映射至极坐标系霍夫空间中,得到作物点映射结果。
S240、获取霍夫空间累加器针对所述作物点映射结果反馈的直线检测结果,所述直线检测结果中包括目标数量的直线,以及与各直线对应的直线角度。
S250、判断所述目标数量是否大于等于第一数量阈值,如果是,则执行S260,否则执行S270。
S260、统计与各所述直线角度分别对应的直线个数,并获取直线个数最大的直线角度作为所述种植行主方向。
S270、获取所述直线检测结果中首条直线的直线角度作为所述种植行主方向。
S280、根据所述作物二值图和所述种植行主方向生成所述作物二值图的外接矩形;其中,所述外接矩形的高度方向为所述种植行主方向。
其中,外接矩形的作用在于使作物二值图中的作物连通域沿种植行主方向陈列,以便建立坐标轴,统计像素点个数以及生成累加曲线。示例性的,图2b提供了作物二值图的外接矩形的示意图,如图2b所示,种植行主方向与图像的观察角度垂直。
在本发明实施例中,获取作物二值图和种植行主方向之后,以种植行主方向为高度方向生成作物二值图的外接矩形。
S290、以所述外接矩形的高度方向为纵坐标方向,建立坐标系,并将所述作物二值图投影于所述坐标系中。
在本发明实施例中,以种植行主方向为高度方向生成作物二值图的外接矩形之后,可以以该外接矩形的高度方向为纵轴方向,以该外接矩形的长度方向为横纵方向建立坐标系。进而可以将该作物二值图投影于所述坐标系中。
S2100、统计所述纵坐标方向上作物连通域内的像素点的个数,生成累加曲线。
其中,累加曲线为横坐标各点对应的种植行主方向上作物连通域内的像素点的个数连线形成的曲线。累加曲线上横坐标的点对应的纵坐标值越高,说明横坐标的点对应的种植行主方向上作物点越多。在一个具体的示例中,图2c提供了一种累加曲线的示意图,如图2c所示,纵坐标为外接矩形的高,横坐标为外接矩形的长。
在本发明一个可选的实施例中,可以对累加曲线进行平滑处理。其中,对累加曲线进行平滑处理的方法可以为移动平均后去躁、LOWESS平滑后去躁、Univariate Spline拟合后去噪以及Savitzky_Golay Filter平滑后去躁等,去噪的方法可以为修正Savitzky_Golay Filter平滑后负数的值等,本实施例对平滑处理的具体类型和过程,以及去噪的具体过程不进行限制。
在本发明实施例中,对累加曲线进行平滑处理,这样设置的好处在于,减少累加曲线的锯齿,以便获取波峰顶点,从而准确划分种植行矩形条。
S2110、获取所述累加曲线中的各波峰顶点的横坐标,沿所述种植行主方向生成直线。
在本发明实施例中,在各波峰顶点横坐标处沿种植行主方向生成直线,目的在于确定各种植行矩形条的中线。
S2120、以由各波峰顶点生成的直线为中线,以各波峰宽度为宽度生成至少一个种植行矩形条。
在本发明实施例中,各波峰顶点分别对应一个种植行矩形条,种植行矩形条以各波峰顶点横坐标处沿种植行主方向生成的直线为中线,以各波峰的宽度为宽。
S2130、将根据各波峰顶点生成的种植行矩形条进行组合,生成作物区域掩模图。
S2140、对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图。
本发明实施例的技术方案,通过根据农田图像生成作物二值图,并获取种植行主方向,根据作物二值图和种植行主方向建立坐标轴,生成累加曲线,根据累加曲线上的各波峰顶点和波峰宽度,生成种植行矩形条,将各波峰顶点生成的种植行矩形条进行组合生成作物区域掩模图,进行反旋转和反扩充操作后得到作物区域图。解决了现有技术中识别作物区域时过于依赖人工所导致的成本高、效率低的问题。实现了自动快速识别农田图像中的作物区域,降低了识别成本,提高了识别效率,并且对于非严格直线种植的作物同样适用,扩充了适用范围。
实施例三
图3a是本发明实施例三提供的一种作物区域的识别方法的流程图,本实施例可适用于通过训练模型对待识别农田图像中的作物区域进行识别的情况,该方法可以由作物区域的识别装置来执行,该装置可以由软件和/或硬件来实现,并一般集成在服务器中。
如图3a所示,本发明实施例的技术方案,具体包括如下步骤:
S310、获取多个待标注农田图像。
其中,待标注农田图像可以为由无人机巡视农田时拍摄的农田图像,目的在于对其进行标注,以作为训练作物区域识别模型的样本。
S320、使用本发明实施例中任一项所述的作物区域识别方法,在各所述待标注农田图像中识别得到作物区域图,并使用所述作物区域图对各所述待标注农田图像进行标注,得到多个训练样本。
在本发明实施例中,对于各待标注农田图像进行作物区域识别,获得与各待标注农田图像相对应的作物区域图,将各待标注农田图像通过与其对应的作物区域图进行标注,将标注后的农田图像作为训练样本。
使用本发明实施例中任一项所述的作物区域识别方法,对待标注农田图像进行作物区域识别,这样设置的好处在于,节省了获取训练样本的时间,节省了人工成本,提高了作物区域识别效率。
S330、使用各所述训练样本对预设的机器学习模型进行训练,得到作物区域识别模型。
其中,作物区域识别模型可以为根据标注后的农田图像和预设的机器学习模型进行训练得到的、用于对待识别农田图像进行作物区域识别的模型。本实施例对机器学习模型的类型,以及机器学习模型的训练过程不进行限制。
可选的,可以选择若干待检测农田图像作为测试样本,通过作物区域识别模型得到测试结果后,根据测试结果对作物区域识别模型的参数进行优化,从而进一步完善作物区域识别模型。本实施例对训练样本和测试样本的数量以及比例不进行限制。
S340、将待识别农田图像输入至所述作物区域识别模型中,得到对所述待识别农田图像的作物区域识别结果。
其中,待识别农田图像可以为需要进行作物区域识别的农田图像,作物区域识别结果可以为与待识别农田图像对应的作物区域图。
在本发明实施例中,训练得到作物区域识别模型之后,即可对待识别农田图像快速进行作物区域识别。本发明实施例中的作物区域识别模型,可以适用于非严格直线种植的农田的作物区域识别,可以完整、准确的显示作物区域。
在本发明一个可选的实施例中,图3b提供了识别待识别农田图像中作物区域的方法的流程图。如图3b所示,根据农田图像获取作物区域对应的label,方法在于:提取植被所在区域并生成二值化图;寻找种植行的主方向,填补至边长为原图对角线长度的正方形,并根据主方向角度旋转种植行至垂直;垂直方向有植被零像素计数生成累加曲线,对累加曲线进行平滑处理后,计算平滑后曲线的波峰顶点与宽度;根据波峰顶点与宽度逐行覆盖种植行矩形条,生成种植行区域mask,对mask进行反旋转和反扩充,得到label。
使用上述方法获得与各农田图像对应的label之后,将农田图像以及与之对应的label成对存储,并将其分为训练数据和测试数据。使用训练数据对预训练的深度学习网络进行训练,得到训练后的深度学习网络模型。使用测试数据对训练得到的深度学习网络模型进行测试,并根据测试表现优化网络参数,最终得到目标模型。将待识别数据输入至目标模型,即可得到识别结果。
本发明实施例的技术方案,通过对待标注农田图像进行作物区域识别得到作物区域图,并根据作物区域图对待标注农田图像进行标注,将标注后的图像作为训练样本训练作物区域识别模型,将待识别农田图像输入至训练好的作物区域识别模型作物区域识别模型即可得到识别结果。解决了现有技术中训练作物区域识别模型时过于依赖人工标注,人工成本高,效率低的问题,以及现有的作物区域识别模型适用范围较窄的问题。实现了快速标注图像中的作物区域,,节省了人工成本,提高了标注效率,并且训练完成的作物区域识别模型适用范围更加广泛。
实施例四
图4是本发明实施例四提供的一种植物长势检测方法的流程图,本实施例可适用于预测种植区域的农田作物的长势的情况,该方法可以由植物长势检测装置来执行,该装置可以由软件和/或硬件来实现,并一般集成在计算机设备中。
如图4所示,本发明实施例的技术方案,具体包括如下步骤:
S410、获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图。
其中,设定种植区域是需要进行植物长势检测的种植区域。获取种植区域对应的各农田图像之后,采用作物区域识别方法或作物区域的识别方法,获得与种植区域对应的多个作物区域图。
S420、根据作物区域在各所述作物区域图中的图像位置,以及与各所述作物区域图分别匹配的地理位置信息,确定与各所述作物区域匹配的地理位置信息。
在本发明实施例中,根据各作物区域图的地理位置信息,以及各作物区域在作物区域图中的图像位置,可以确定各作物区域的地理位置信息。
示例性的,可以先获取作物区域图对应的经纬度范围,再获取各作物区域的中心在作物区域图中的坐标,从而获取各作物区域的中心的经纬度,但本发明实施例对确定作物区域地理位置信息的方式不进行限制。
S430、根据与各所述作物区域匹配的地理位置信息,以及与所述种植区域匹配的数字地表模型,计算各所述作物区域内的作物高度信息。
在本发明实施例中,确定各作物区域的地理位置信息之后,可以在种植区域的数字地表模型中,确定作物区域的位置,获取作物区域内的作物高度信息。
其中,数字地表模型(Digital Surface Model,DSM)是指包含了地表建筑物、桥梁和树木等高度的地面高程模型。在本发明实施例中,数字地表模型包含了种植区域的各植株的高度,但种植区域的植株中还包含非作物,因此,需要在数字地表模型中识别作物区域的位置,根据作物区域的作物高度信息估算作物长势。
这样设置的好处在于,可以提高作物高度识别的准确性,消除非作物植株高度信息对作物长势的影响。
S440、根据各所述作物区域内的作物高度信息,估计与所述种植区域匹配的作物长势。
在本发明实施例中,确定作物区域的作物高度信息之后,可以根据种植区域内各作物区域的作物高度信息,与标准作物高度信息进行比较,从而判断作物的长势。
本发明实施例的技术方案,通过作物区域识别方法或作物区域的识别方法获取种植区域的多个作物区域图,确定作物区域的地理位置信息,根据数字地表模型和作物区域的地理位置信息,获取作物区域的作物高度信息,根据作物区域的作物高度信息预估作物长势。解决了现有技术中预估作物长势时,由于种植区域存在非作物植株而造成的检测结果不准确的问题,实现了消除非作物植株高度信息对作物长势判断的影响的效果,提高了作物长势检测的准确性。
实施例五
图5是本发明实施例五提供的一种产量预测方法的流程图,本实施例可适用于预测种植区域的农田作物的产量的情况,该方法可以由产量预测装置来执行,该装置可以由软件和/或硬件来实现,并一般集成在计算机设备中。
S510、获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图。
其中,设定种植区域是需要进行产量预测的种植区域。获取种植区域对应的各农田图像之后,采用作物区域识别方法或作物区域的识别方法,获得与种植区域对应的多个作物区域图。
S520、根据各作物区域在所述作物区域图中的面积,计算与所述种植区域内全部作物区域匹配的区域总面积。
在本发明实施例中,可以根据各作物区域在作物区域图中的面积,计算种植区域内全部作物区域的区域总面积。示例性的,可以先获取各作物区域在作物区域图中所占像素个数,再根据每个像素所代表的种植区域内的农田面积,计算各作物区域代表的种植区域内的农田面积,将各作物区域代表的种植区域内的农田面积之和作为区域总面积,但本发明实施例对计算区域总面积的具体方式不进行限制。
S530、根据所述区域总面积以及预设的单位面积产量,预估与所述种植区域匹配的区域产量。
在本发明实施例中,区域总面积与预设的单位面积产量的乘积,即为种植区域的区域产量的预测值。
本发明实施例的技术方案,通过作物区域识别方法或作物区域的识别方法获取种植区域的多个作物区域图,确定作物区域在作物区域图中的面积,从而计算种植区域内全部作物区域的区域总面积,根据区域总面积和单位面积产量预估区域产量。解决了现有技术中预估区域产量时,由于种植区域存在非作物植株而造成的预测结果不准确的问题,实现了消除非作物区域对区域产量预测的影响的效果,提高了区域产量预测的准确性。
实施例六
图6是本发明实施例六提供的一种杂草识别方法的流程图,本实施例可适用于识别种植区域的杂草的情况,该方法可以由杂草识别装置来执行,该装置可以由软件和/或硬件来实现,并一般集成在计算机设备中。
S610、获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图。
其中,设定种植区域是需要进行杂草识别的种植区域。获取种植区域对应的各农田图像之后,采用作物区域识别方法或作物区域的识别方法,获得与种植区域对应的多个作物区域图。
S620、在各所述作物区域图中,获取除去作物区域之外的非种植区域,并在所述非种植区域内识别植被点。
其中,非种植区域为作物区域图中,除作物区域之外的区域。在本发明实施例中,识别出作物区域之后,可知杂草生长在作物区域之外的区域内。
S630、根据识别得到的植被点,获取与所述非种植区域对应的至少一个非作物连通域。
在本发明实施例中,植被点可以形成连通域,由于植被点为非种植区域内的植被点,因此,植被点形成的连通域为非作物连通域。
S640、根据各所述非作物连通域的形状特征、所述非种植连通域在农田图像中的纹理特征以及颜色信息中的至少一项,确定各所述非种植连通域是否为杂草。
其中,非作物连通域的形状特征可以指非作物连通域的形状、面积等特征信息,可以根据形状特征在非种植连通域中筛选杂草,例如,可以将面积大于一定数值的非种植连通域作为杂草。
非种植连通域在农田图像中的纹理特征可以指非种植连通域所展示的植株的纹理特征,纹理特征是区分植株的重要因素,可以根据非种植连通域在农田图像中的纹理特征是否与作物相同来区分作物和杂草。
非作物连通域的颜色信息可以指非作物连通域内各植被点的颜色指数的平均数等信息,可以根据非作物连通域的颜色信息是否在设定范围内,来判断非作物连通域是否为杂草。
本发明实施例的技术方案,通过作物区域识别方法或作物区域的识别方法获取种植区域的多个作物区域图,根据作物区域图中的作物区域获取非种植区域,在非种植区域内识别植被点,判断植被点构成的非作物连通域是否是杂草。解决了现有技术中无法准确区分作物与杂草的问题,实现了自动识别杂草区域的效果。
实施例七
图7是本发明实施例七提供的一种作物区域识别装置的结构示意图,该装置包括:作物二值图获取模块710、种植行矩形条获取模块720、作物区域掩模图生成模块730以及作物区域图获取模块740,其中:
作物二值图获取模块710,用于根据农田图像生成作物二值图,并根据所述作物二值图获取种植行主方向;
种植行矩形条获取模块720,用于根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条;
作物区域掩模图生成模块730,用于将各种植行矩形条进行组合,生成作物区域掩模图;
作物区域图获取模块740,用于对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图。
本发明实施例的技术方案,通过根据农田图像获取二值图,并获取种植行主方向,从而获取种植行矩形条,根据种植行矩形条得到作物区域掩膜图,根据作物区域掩膜图获取作物区域图。解决了现有技术中根据农田图像识别作物区域时,依赖于人工,成本高,效率低的问题。实现了快速识别作物区域,并且对于并非严格直线种植的作物同样适用,适用的范围更加广泛。
在上述实施例的基础上,所述种植行矩形条获取模块720,包括:
外接矩形生成单元,用于根据所述作物二值图和所述种植行主方向,生成所述作物二值图的外接矩形;其中,所述外接矩形的高度方向为所述种植行主方向;
作物二值图投影单元,用于以所述外接矩形的高度方向为纵坐标方向,建立坐标系,并将所述作物二值图投影于所述坐标系中;
累加曲线生成单元,用于统计所述纵坐标方向上作物连通域内的像素点的个数,生成累加曲线;
种植行矩形条获取单元,用于根据所述累加曲线,获取至少一个种植行矩形条。
在上述实施例的基础上,所述种植行矩形条获取单元,包括:
波峰顶点横坐标获取子单元,用于获取所述累加曲线中的各波峰顶点的横坐标,沿所述种植行主方向生成直线;
种植行矩形条生成子单元,用于以由各波峰顶点生成的直线为中线,以各波峰宽度为宽度生成至少一个种植行矩形条。
在上述实施例的基础上,所述作物二值图获取模块710,包括:
植被二值图生成单元,用于根据所述农田图像中包括的植被点,生成植被二值图;
作物连通域筛选单元,用于在所述植被二值图中获取至少一个植被连通域,并在所述植被连通域筛选并保留作物连通域,以得到所述作物二值图。
在上述实施例的基础上,所述作物二值图获取模块710,还包括:
种植行主方向识别单元,用于按照预设的直线检测算法,获取与所述作物二值图中的各作物连通域对应的至少一条直线,并根据各直线相对于参考方向的角度值,识别种植行主方向。
在上述实施例的基础上,所述种植行主方向识别单元,包括:
作物点映射结果获取子单元,用于将所述各作物连通域内的像素点映射至极坐标系霍夫空间中,得到作物点映射结果;
直线检测结果获取子单元,用于获取霍夫空间累加器针对所述作物点映射结果反馈的直线检测结果,对所述直线检测结果进行统计分析,得到所述农田的种植行主方向;其中,所述直线检测结果中包括目标数量的直线,以及与各直线对应的直线角度;
在上述实施例的基础上,所述直线检测结果获取子单元,具体用于:
如果所述目标数量大于等于第一数量阈值,则统计与各所述直线角度分别对应的直线个数,并获取直线个数最大的直线角度作为所述种植行主方向;
如果所述目标数量小于第二数量阈值,则获取所述直线检测结果中首条直线的直线角度作为所述种植行主方向。
本发明实施例所提供的作物区域识别装置可执行本发明任意实施例所提供的作物区域识别方法,具备执行方法相应的功能模块和有益效果。
实施例八
图8是本发明实施例八提供的一种作物区域的识别装置的结构示意图,该装置包括:待标注农田图像获取模块810、训练样本获取模块820、作物区域识别模型获取模块830以及作物区域识别结果获取模块840。其中:
待标注农田图像获取模块810,用于获取多个待标注农田图像;
训练样本获取模块820,用于使用本发明任一实施例所述的方法,在各所述待标注农田图像中识别得到作物区域图,并使用所述作物区域图对各所述待标注农田图像进行标注,得到多个训练样本;
作物区域识别模型获取模块830,用于使用各所述训练样本对预设的机器学习模型进行训练,得到作物区域识别模型;
作物区域识别结果获取模块840,用于将待识别农田图像输入至所述作物区域识别模型中,得到对所述待识别农田图像的作物区域识别结果。
本发明实施例的技术方案,通过对待标注农田图像进行作物区域识别得到作物区域图,并根据作物区域图对待标注农田图像进行标注,将标注后的图像作为训练样本训练作物区域识别模型,将待识别农田图像输入至训练好的作物区域识别模型作物区域识别模型即可得到识别结果。解决了现有技术中训练作物区域识别模型时过于依赖人工标注,人工成本高,效率低的问题,以及现有的作物区域识别模型适用范围较窄的问题。实现了快速标注图像中的作物区域,,节省了人工成本,提高了标注效率,并且训练完成的作物区域识别模型适用范围更加广泛。
本发明实施例所提供的作物区域的识别装置可执行本发明任意实施例所提供的作物区域的识别方法,具备执行方法相应的功能模块和有益效果。
实施例九
图9是本发明实施例九提供的一种植物长势检测装置的结构示意图,该装置包括:作物区域图确定模块910、地理位置信息确定模块920、作物高度信息计算模块930以及作物长势预估模块940。
作物区域图确定模块910,用于获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
地理位置信息确定模块920,用于根据作物区域在各所述作物区域图中的图像位置,以及与各所述作物区域图分别匹配的地理位置信息,确定与各所述作物区域匹配的地理位置信息;
作物高度信息计算模块930,用于根据与各所述作物区域匹配的地理位置信息,以及与所述种植区域匹配的数字地表模型,计算各所述作物区域内的作物高度信息;
作物长势预估模块940,用于根据各所述作物区域内的作物高度信息,估计与所述种植区域匹配的作物长势。
本发明实施例的技术方案,通过作物区域识别方法或作物区域的识别方法获取种植区域的多个作物区域图,确定作物区域的地理位置信息,根据数字地表模型和作物区域的地理位置信息,获取作物区域的作物高度信息,根据作物区域的作物高度信息预估作物长势。解决了现有技术中预估作物长势时,由于种植区域存在非作物植株而造成的检测结果不准确的问题,实现了消除非作物植株高度信息对作物长势判断的影响的效果,提高了作物长势检测的准确性。
本发明实施例所提供的植物长势检测装置可执行本发明任意实施例所提供的植物长势检测方法,具备执行方法相应的功能模块和有益效果。
实施例十
图10是本发明实施例十提供的一种产量预测装置的结构示意图,该装置包括:作物区域图确定模块1010、区域总面积确定模块1020以及区域产量预估模块1030。其中:
作物区域图确定模块1010,用于获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
区域总面积确定模块1020,用于根据各作物区域在所述作物区域图中的面积,计算与所述种植区域内全部作物区域匹配的区域总面积;
区域产量预估模块1030,用于根据所述区域总面积以及预设的单位面积产量,预估与所述种植区域匹配的区域产量。
本发明实施例的技术方案,通过作物区域识别方法或作物区域的识别方法获取种植区域的多个作物区域图,确定作物区域在作物区域图中的面积,从而计算种植区域内全部作物区域的区域总面积,根据区域总面积和单位面积产量预估区域产量。解决了现有技术中预估区域产量时,由于种植区域存在非作物植株而造成的预测结果不准确的问题,实现了消除非作物区域对区域产量预测的影响的效果,提高了区域产量预测的准确性。
本发明实施例所提供的产量预测装置可执行本发明任意实施例所提供的产量预测方法,具备执行方法相应的功能模块和有益效果。
实施例十一
图11是本发明实施例十一提供的一种杂草识别装置的结构示意图,该装置包括:作物区域图确定模块1110、植被点识别模块1120、非作物连通域获取模块1130以及杂草识别模块1140。其中:
作物区域图确定模块1110,用于获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
植被点识别模块1120,用于在各所述作物区域图中,获取除去作物区域之外的非种植区域,并在所述非种植区域内识别植被点;
非作物连通域获取模块1130,用于根据识别得到的植被点,获取与所述非种植区域对应的至少一个非作物连通域;
杂草识别模块1140,用于根据各所述非作物连通域的形状特征、所述非种植连通域在农田图像中的纹理特征以及颜色信息中的至少一项,确定各所述非种植连通域是否为杂草。
本发明实施例的技术方案,通过作物区域识别方法或作物区域的识别方法获取种植区域的多个作物区域图,根据作物区域图中的作物区域获取非种植区域,在非种植区域内识别植被点,判断植被点构成的非作物连通域是否是杂草。解决了现有技术中无法准确区分作物与杂草的问题,实现了自动识别杂草区域的效果。
本发明实施例所提供的杂草识别装置可执行本发明任意实施例所提供的杂草识别方法,具备执行方法相应的功能模块和有益效果。
实施例十二
图12为本发明实施例十二提供的一种计算机设备的结构示意图,如图12所示,该计算机设备包括处理器70、存储器71、输入装置72和输出装置73;计算机设备中处理器70的数量可以是一个或多个,图12中以一个处理器70为例;计算机设备中的处理器70、存储器71、输入装置72和输出装置73可以通过总线或其他方式连接,图12中以通过总线连接为例。
存储器71作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的作物区域识别方法对应的模块(例如,作物区域识别装置中的作物二值图获取模块710、种植行矩形条获取模块720、作物区域掩模图生成模块730以及作物区域图获取模块740),或者本发明实施例中的作物区域的识别方法对应的模块(例如,作物区域的识别装置中的待标注农田图像获取模块810、训练样本获取模块820、作物区域识别模型获取模块830以及作物区域识别结果获取模块840)。或者本发明实施例中的植物长势检测方法对应的模块(例如,植物长势检测装置中的作物区域图确定模块910、地理位置信息确定模块920、作物高度信息计算模块930以及作物长势预估模块940)。或者本发明实施例中的产量预测方法对应的模块(例如,作物区域图确定模块1010、区域总面积确定模块1020以及区域产量预估模块1030)。或者本发明实施例中的杂草识别方法对应的模块(例如,杂草识别装置中的作物区域图确定模块1110、植被点识别模块1120、非作物连通域获取模块1130以及杂草识别模块1140)。处理器70通过运行存储在存储器71中的软件程序、指令以及模块,从而执行计算机设备的各种功能应用以及数据处理,即实现上述的作物区域识别方法。该方法包括:
根据农田图像生成作物二值图,并根据所述作物二值图获取种植行主方向;
根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条;
将各种植行矩形条进行组合,生成作物区域掩模图;
对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图。
或者,实现上述的作物区域的识别方法。该方法包括:
获取多个待标注农田图像;
使用本发明实施例中任一项所述的作物区域识别方法,在各所述待标注农田图像中识别得到作物区域图,并使用所述作物区域图对各所述待标注农田图像进行标注,得到多个训练样本;
使用各所述训练样本对预设的机器学习模型进行训练,得到作物区域识别模型;
将待识别农田图像输入至所述作物区域识别模型中,得到对所述待识别农田图像的作物区域识别结果。
或者,实现上述的植物长势检测方法。该方法包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
根据作物区域在各所述作物区域图中的图像位置,以及与各所述作物区域图分别匹配的地理位置信息,确定与各所述作物区域匹配的地理位置信息;
根据与各所述作物区域匹配的地理位置信息,以及与所述种植区域匹配的数字地表模型,计算各所述作物区域内的作物高度信息;
根据各所述作物区域内的作物高度信息,估计与所述种植区域匹配的作物长势。
或者,实现上述的产量预测方法。该方法包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
根据各作物区域在所述作物区域图中的面积,计算与所述种植区域内全部作物区域匹配的区域总面积;
根据所述区域总面积以及预设的单位面积产量,预估与所述种植区域匹配的区域产量。
或者,实现上述的杂草识别方法。该方法包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
在各所述作物区域图中,获取除去作物区域之外的非种植区域,并在所述非种植区域内识别植被点;
根据识别得到的植被点,获取与所述非种植区域对应的至少一个非作物连通域;
根据各所述非作物连通域的形状特征、所述非种植连通域在农田图像中的纹理特征以及颜色信息中的至少一项,确定各所述非种植连通域是否为杂草。
存储器71可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器71可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器71可进一步包括相对于处理器70远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置72可用于接收输入的数字或字符信息,以及产生与计算机设备的用户设置以及功能控制有关的键信号输入。输出装置73可包括显示屏等显示设备。
实施例十三
本发明实施例十三还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种作物区域识别方法,该方法包括:
根据农田图像生成作物二值图,并根据所述作物二值图获取种植行主方向;
根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条;
将各种植行矩形条进行组合,生成作物区域掩模图;
对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图。
还可用于执行一种作物区域的识别方法,该方法包括:
获取多个待标注农田图像;
使用本发明实施例中任一项所述的作物区域识别方法,在各所述待标注农田图像中识别得到作物区域图,并使用所述作物区域图对各所述待标注农田图像进行标注,得到多个训练样本;
使用各所述训练样本对预设的机器学习模型进行训练,得到作物区域识别模型;
将待识别农田图像输入至所述作物区域识别模型中,得到对所述待识别农田图像的作物区域识别结果。
还可用于执行一种植物长势检测方法,该方法包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
根据作物区域在各所述作物区域图中的图像位置,以及与各所述作物区域图分别匹配的地理位置信息,确定与各所述作物区域匹配的地理位置信息;
根据与各所述作物区域匹配的地理位置信息,以及与所述种植区域匹配的数字地表模型,计算各所述作物区域内的作物高度信息;
根据各所述作物区域内的作物高度信息,估计与所述种植区域匹配的作物长势。
还可用于执行一种产量预测方法,该方法包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
根据各作物区域在所述作物区域图中的面积,计算与所述种植区域内全部作物区域匹配的区域总面积;
根据所述区域总面积以及预设的单位面积产量,预估与所述种植区域匹配的区域产量。
还可用于执行一种杂草识别方法,该方法包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如本发明实施例所述的作物区域识别方法或作物区域的识别方法确定与各所述农田图像对应的作物区域图;
在各所述作物区域图中,获取除去作物区域之外的非种植区域,并在所述非种植区域内识别植被点;
根据识别得到的植被点,获取与所述非种植区域对应的至少一个非作物连通域;
根据各所述非作物连通域的形状特征、所述非种植连通域在农田图像中的纹理特征以及颜色信息中的至少一项,确定各所述非种植连通域是否为杂草。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的作物区域识别方法或作物区域的识别方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述作物区域识别装置或作物区域的识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (18)
1.一种作物区域识别方法,其特征在于,包括:
根据农田图像生成作物二值图,并根据所述作物二值图获取种植行主方向;
根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条;
将各种植行矩形条进行组合,生成作物区域掩模图;
对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图。
2.根据权利要求1所述的方法,其特征在于,根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条,包括:
根据所述作物二值图和所述种植行主方向,生成所述作物二值图的外接矩形;其中,所述外接矩形的高度方向为所述种植行主方向;
以所述外接矩形的高度方向为纵坐标方向,建立坐标系,并将所述作物二值图投影于所述坐标系中;
统计所述纵坐标方向上作物连通域内的像素点的个数,生成累加曲线;
根据所述累加曲线,获取至少一个种植行矩形条。
3.根据权利要求2所述的方法,其特征在于,根据所述累加曲线,获取至少一个种植行矩形条,包括:
获取所述累加曲线中的各波峰顶点的横坐标,沿所述种植行主方向生成直线;
以由各波峰顶点生成的直线为中线,以各波峰宽度为宽度生成至少一个种植行矩形条。
4.根据权利要求1所述的方法,其特征在于,根据农田图像生成作物二值图,包括:
根据所述农田图像中包括的植被点,生成植被二值图;
在所述植被二值图中获取至少一个植被连通域,并在所述植被连通域筛选并保留作物连通域,以得到所述作物二值图。
5.根据权利要求1所述的方法,其特征在于,根据所述作物二值图获取种植行主方向,包括:
按照预设的直线检测算法,获取与所述作物二值图中的各作物连通域对应的至少一条直线,并根据各直线相对于参考方向的角度值,识别种植行主方向。
6.根据权利要求5所述的方法,其特征在于,按照预设的直线检测算法,获取与所述作物二值图中的各作物连通域对应的至少一条直线,并根据各直线相对于参考方向的角度值,识别种植行主方向,包括:
将所述各作物连通域内的像素点映射至极坐标系霍夫空间中,得到作物点映射结果;
获取霍夫空间累加器针对所述作物点映射结果反馈的直线检测结果,对所述直线检测结果进行统计分析,得到所述农田的种植行主方向;
其中,所述直线检测结果中包括目标数量的直线,以及与各直线对应的直线角度。
7.根据权利要求6所述的方法,其特征在于,对所述直线检测结果进行统计分析,得到所述农田的种植行主方向,包括:
如果所述目标数量大于等于第一数量阈值,则统计与各所述直线角度分别对应的直线个数,并获取直线个数最大的直线角度作为所述种植行主方向;
如果所述目标数量小于第二数量阈值,则获取所述直线检测结果中首条直线的直线角度作为所述种植行主方向。
8.一种作物区域的识别方法,其特征在于,包括:
获取多个待标注农田图像;
使用权利要求1-7任一项所述的方法,在各所述待标注农田图像中识别得到作物区域图,并使用所述作物区域图对各所述待标注农田图像进行标注,得到多个训练样本;
使用各所述训练样本对预设的机器学习模型进行训练,得到作物区域识别模型;
将待识别农田图像输入至所述作物区域识别模型中,得到对所述待识别农田图像的作物区域识别结果。
9.一种植物长势检测方法,其特征在于,包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如权利要求1-8任一项所述的方法确定与各所述农田图像对应的作物区域图;
根据作物区域在各所述作物区域图中的图像位置,以及与各所述作物区域图分别匹配的地理位置信息,确定与各所述作物区域匹配的地理位置信息;
根据与各所述作物区域匹配的地理位置信息,以及与所述种植区域匹配的数字地表模型,计算各所述作物区域内的作物高度信息;
根据各所述作物区域内的作物高度信息,估计与所述种植区域匹配的作物长势。
10.一种产量预测方法,其特征在于,包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如权利要求1-8任一项所述的方法确定与各所述农田图像对应的作物区域图;
根据各作物区域在所述作物区域图中的面积,计算与所述种植区域内全部作物区域匹配的区域总面积;
根据所述区域总面积以及预设的单位面积产量,预估与所述种植区域匹配的区域产量。
11.一种杂草识别方法,其特征在于,包括:
获取与设定种植区域匹配的至少一张农田图像,并采用如权利要求1-8任一项所述的方法确定与各所述农田图像对应的作物区域图;
在各所述作物区域图中,获取除去作物区域之外的非种植区域,并在所述非种植区域内识别植被点;
根据识别得到的植被点,获取与所述非种植区域对应的至少一个非作物连通域;
根据各所述非作物连通域的形状特征、所述非种植连通域在农田图像中的纹理特征以及颜色信息中的至少一项,确定各所述非种植连通域是否为杂草。
12.一种作物区域识别装置,其特征在于,包括:
作物二值图获取模块,用于根据农田图像生成作物二值图,并根据所述作物二值图获取种植行主方向;
种植行矩形条获取模块,用于根据所述作物二值图和所述种植行主方向,获取至少一个种植行矩形条;
作物区域掩模图生成模块,用于将各种植行矩形条进行组合,生成作物区域掩模图;
作物区域图获取模块,用于对所述作物区域掩模图进行反旋转和反填补处理,获得作物区域图。
13.一种作物区域的识别装置,其特征在于,包括:
待标注农田图像获取模块,用于获取多个待标注农田图像;
训练样本获取模块,用于使用权利要求1-7任一项所述的方法,在各所述待标注农田图像中识别得到作物区域图,并使用所述作物区域图对各所述待标注农田图像进行标注,得到多个训练样本;
作物区域识别模型获取模块,用于使用各所述训练样本对预设的机器学习模型进行训练,得到作物区域识别模型;
作物区域识别结果获取模块,用于将待识别农田图像输入至所述作物区域识别模型中,得到对所述待识别农田图像的作物区域识别结果。
14.一种植物长势检测装置,其特征在于,包括:
作物区域图确定模块,用于获取与设定种植区域匹配的至少一张农田图像,并采用如权利要求1-8任一项所述的方法确定与各所述农田图像对应的作物区域图;
地理位置信息确定模块,用于根据作物区域在各所述作物区域图中的图像位置,以及与各所述作物区域图分别匹配的地理位置信息,确定与各所述作物区域匹配的地理位置信息;
作物高度信息计算模块,用于根据与各所述作物区域匹配的地理位置信息,以及与所述种植区域匹配的数字地表模型,计算各所述作物区域内的作物高度信息;
作物长势预估模块,用于根据各所述作物区域内的作物高度信息,估计与所述种植区域匹配的作物长势。
15.一种产量预测装置,其特征在于,包括:
作物区域图确定模块,用于获取与设定种植区域匹配的至少一张农田图像,并采用如权利要求1-8任一项所述的方法确定与各所述农田图像对应的作物区域图;
区域总面积确定模块,用于根据各作物区域在所述作物区域图中的面积,计算与所述种植区域内全部作物区域匹配的区域总面积;
区域产量预估模块,用于根据所述区域总面积以及预设的单位面积产量,预估与所述种植区域匹配的区域产量。
16.一种杂草识别装置,其特征在于,包括:
作物区域图确定模块,用于获取与设定种植区域匹配的至少一张农田图像,并采用如权利要求1-8任一项所述的方法确定与各所述农田图像对应的作物区域图;
植被点识别模块,用于在各所述作物区域图中,获取除去作物区域之外的非种植区域,并在所述非种植区域内识别植被点;
非作物连通域获取模块,用于根据识别得到的植被点,获取与所述非种植区域对应的至少一个非作物连通域;
杂草识别模块,用于根据各所述非作物连通域的形状特征、所述非种植连通域在农田图像中的纹理特征以及颜色信息中的至少一项,确定各所述非种植连通域是否为杂草。
17.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7中任一所述的作物区域识别方法,或者权利要求8所述的作物区域的识别方法,或者权利要求9所述的植物长势检测方法,或者权利要求10所述的产量预测方法,或者权利要求11所述的杂草识别方法。
18.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的作物区域识别方法,或者权利要求8所述的作物区域的识别方法,或者权利要求9所述的植物长势检测方法,或者权利要求10所述的产量预测方法,或者权利要求11所述的杂草识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537126.8A CN113807129A (zh) | 2020-06-12 | 2020-06-12 | 一种作物区域识别方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010537126.8A CN113807129A (zh) | 2020-06-12 | 2020-06-12 | 一种作物区域识别方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807129A true CN113807129A (zh) | 2021-12-17 |
Family
ID=78943955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010537126.8A Pending CN113807129A (zh) | 2020-06-12 | 2020-06-12 | 一种作物区域识别方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807129A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581783A (zh) * | 2022-05-06 | 2022-06-03 | 中国计量大学 | 智能车及智慧农业管理系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116747A (zh) * | 2013-03-11 | 2013-05-22 | 山东农业大学 | 自动识别玉米茎叶图像的方法和系统 |
CN103530606A (zh) * | 2013-09-30 | 2014-01-22 | 中国农业大学 | 一种杂草环境下的农机导航路径提取方法 |
US20170206415A1 (en) * | 2016-01-15 | 2017-07-20 | Blue River Technology Inc. | Plant feature detection using captured images |
AU2018250354A1 (en) * | 2016-04-15 | 2018-11-08 | Deere And Company | Method and System for Extracting Shadows from an Image during Optical Based Selective Treatment of an Agricultural Field |
CN109859212A (zh) * | 2019-01-16 | 2019-06-07 | 中国计量大学 | 一种无人机航拍图像大豆作物行分割方法 |
CN110298366A (zh) * | 2019-07-05 | 2019-10-01 | 北华航天工业学院 | 农作物分布提取方法及装置 |
WO2020011318A1 (en) * | 2018-07-12 | 2020-01-16 | Agro Intelligence Aps | A system for use when performing a weeding operation in an agricultural field |
CN110796011A (zh) * | 2019-09-29 | 2020-02-14 | 湖北工程学院 | 一种基于深度学习的稻穗识别方法、系统、装置及介质 |
CN111080103A (zh) * | 2019-12-05 | 2020-04-28 | 中国农业科学院农业资源与农业区划研究所 | 作物产量自动评估的方法 |
-
2020
- 2020-06-12 CN CN202010537126.8A patent/CN113807129A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103116747A (zh) * | 2013-03-11 | 2013-05-22 | 山东农业大学 | 自动识别玉米茎叶图像的方法和系统 |
CN103530606A (zh) * | 2013-09-30 | 2014-01-22 | 中国农业大学 | 一种杂草环境下的农机导航路径提取方法 |
US20170206415A1 (en) * | 2016-01-15 | 2017-07-20 | Blue River Technology Inc. | Plant feature detection using captured images |
AU2018250354A1 (en) * | 2016-04-15 | 2018-11-08 | Deere And Company | Method and System for Extracting Shadows from an Image during Optical Based Selective Treatment of an Agricultural Field |
WO2020011318A1 (en) * | 2018-07-12 | 2020-01-16 | Agro Intelligence Aps | A system for use when performing a weeding operation in an agricultural field |
CN109859212A (zh) * | 2019-01-16 | 2019-06-07 | 中国计量大学 | 一种无人机航拍图像大豆作物行分割方法 |
CN110298366A (zh) * | 2019-07-05 | 2019-10-01 | 北华航天工业学院 | 农作物分布提取方法及装置 |
CN110796011A (zh) * | 2019-09-29 | 2020-02-14 | 湖北工程学院 | 一种基于深度学习的稻穗识别方法、系统、装置及介质 |
CN111080103A (zh) * | 2019-12-05 | 2020-04-28 | 中国农业科学院农业资源与农业区划研究所 | 作物产量自动评估的方法 |
Non-Patent Citations (3)
Title |
---|
胡炼;罗锡文;曾山;张智刚;陈雄飞;林潮兴;: "基于机器视觉的株间机械除草装置的作物识别与定位方法", 农业工程学报, no. 10, 15 May 2013 (2013-05-15), pages 12 - 18 * |
陈子文 等: "基于自动Hough 变换累加阈值的蔬菜作物行提取方法研究", 《农业工程学报》, vol. 35, no. 22, 30 November 2019 (2019-11-30), pages 314 - 322 * |
马志艳;朱熠;杨磊;: "基于视觉的苗期作物株间除草关键技术研究现状", 中国农机化学报, no. 02, 15 February 2020 (2020-02-15) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114581783A (zh) * | 2022-05-06 | 2022-06-03 | 中国计量大学 | 智能车及智慧农业管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN109522899B (zh) | 咖啡成熟果实的检测方法、装置及电子设备 | |
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 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN114239756B (zh) | 一种虫害检测方法及系统 | |
CN108776106A (zh) | 一种基于无人机低空遥感的作物长势监测方法及系统 | |
CN113807128B (zh) | 一种缺苗标记方法、装置、计算机设备和存储介质 | |
CN112164030A (zh) | 水稻穗粒快速检测方法、装置、计算机设备及存储介质 | |
CN114821268A (zh) | 一种基于机器学习的杂草与作物识别方法 | |
CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
CN111556157A (zh) | 农作物分布的监测方法、设备、存储介质及装置 | |
CN113807129A (zh) | 一种作物区域识别方法、装置、计算机设备和存储介质 | |
CN111539372B (zh) | 病虫害分布的监测方法、设备、存储介质及装置 | |
CN113807135A (zh) | 基于语义分割网络的缺苗区域识别方法、设备和存储介质 | |
CN113807143A (zh) | 作物连通域的识别方法、装置及作业系统 | |
CN112541383A (zh) | 杂草区域的识别方法和装置 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN115375694A (zh) | 便捷式的基于图像识别的水稻整穗测量方法及其应用 | |
CN113222025B (zh) | 一种基于激光雷达的可行区域标签生成方法 | |
CN113221788B (zh) | 一种田块垄作特征提取方法及装置 | |
CN112070791B (zh) | 一种提升畜牧个体点数精度和效率的方法和系统 | |
CN113989253A (zh) | 农田目标对象信息的获取方法及装置 | |
CN113421301B (zh) | 一种田间作物中心区域定位方法及系统 | |
CN116912702B (zh) | 杂草覆盖度确定方法、系统、装置及电子设备 | |
CN111582246A (zh) | 一种基于高寒草甸草地产草量估算放牧率的方法和系统 |
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 |