CN113807309A - 一种基于深度学习的果园机械行走路线规划方法 - Google Patents

一种基于深度学习的果园机械行走路线规划方法 Download PDF

Info

Publication number
CN113807309A
CN113807309A CN202111146509.3A CN202111146509A CN113807309A CN 113807309 A CN113807309 A CN 113807309A CN 202111146509 A CN202111146509 A CN 202111146509A CN 113807309 A CN113807309 A CN 113807309A
Authority
CN
China
Prior art keywords
fruit tree
orchard
point
trunk
yolo
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
Application number
CN202111146509.3A
Other languages
English (en)
Other versions
CN113807309B (zh
Inventor
周建军
耿思媛
李晶
雷琦
李伟
刘建东
杨军
董然
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.)
Beijing Institute of Petrochemical Technology
Original Assignee
Beijing Institute of Petrochemical Technology
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 Beijing Institute of Petrochemical Technology filed Critical Beijing Institute of Petrochemical Technology
Priority to CN202111146509.3A priority Critical patent/CN113807309B/zh
Publication of CN113807309A publication Critical patent/CN113807309A/zh
Application granted granted Critical
Publication of CN113807309B publication Critical patent/CN113807309B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Economics (AREA)
  • Computational Linguistics (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)
  • Development Economics (AREA)
  • Remote Sensing (AREA)
  • Computer Graphics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于果树树干识别的果园机械行走路线规划方法，首先获取待规划果园的环境样本集；利用所述环境样本集对改进的YOLO V3神经网络进行训练，将改进后的YOLO V3神经网络取名为TREE‑YOLO V3网络；实时获取待测果园的图片或视频，并使用步骤2训练好的TREE‑YOLO V3网络进行识别，输出带标记的图片和TXT文件；利用矩形框的底边中点进行果树行参考线的拟合；基于拟合的果树行参考线进行果园机械行走路线拟合。该方法能够对果园机械行走路线进行准确高效的规划，有助于减轻工人工作量。

Description

一种基于深度学习的果园机械行走路线规划方法
技术领域
本发明涉及智能农业装备技术领域，尤其涉及一种基于深度学习的果园机械行走路线规划方法。
背景技术
目前，在果园机械自动化进程中自动导航占据着重要地位，准确且快速的路径规划是提高果园机械导航精度和稳定性的关键技术之一。果园机械在果树行间自主行走作业可一定程度上提高作业效率，减轻工人的工作量和节约人力投入。果园机械的果树行参考路径提取可为果园机械视觉导航提供数据支持，机器视觉、电子罗盘和激光雷达获取的信息进行数据融合可以提高系统的可靠性。
现有技术在果树行识别时，算法复杂且效率低，容易受到强光和杂草环境的影响，适应性不强，还不能在果园机械视觉导航中应用，故亟需开发一种准确高效的果园机械行走路线规划方法。
发明内容
本发明的目的是提供一种基于深度学习的果园机械行走路线规划方法，该方法能够结合果园机械电子罗盘获取的方向数据，综合进行果园机械行走路线规划，促进果园机械自动导航技术应用。
本发明的目的是通过以下技术方案实现的：
一种基于深度学习的果园机械行走路线规划方法，所述方法包括：
步骤1、首先获取待规划果园的环境样本集；
步骤2、利用所述环境样本集对改进的YOLO V3神经网络进行训练，将改进后的YOLO V3神经网络取名为TREE-YOLO V3网络；
步骤3、实时获取待测果园的图片或视频，并使用步骤2训练好的TREE-YOLO V3网络进行识别，输出带标记的图片和TXT文件；其中，所述图片中用矩形框标出树和树干的位置；
步骤4、利用步骤3中矩形框的底边中点进行果树行参考线的拟合；
步骤5、基于步骤4拟合的果树行参考线进行果园机械行走路线拟合。
由上述本发明提供的技术方案可以看出，上述方法能够对果园机械行走路线进行准确高效的规划，为自动导航提供技术支持，有助于减轻工人工作量，为果园施肥、采摘等作业提供基础保障，促进果园作业向智能化进一步发展。
附图说明
为了更清楚地说明本发明实施例的技术方案，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，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于深度学习的果园机械行走路线规划方法流程示意图；
图2为本发明实施例改进后的YOLO V3神经网络示意图；
图3为本发明实施例所述果园机械行进路线的规划示意图。
具体实施方式
下面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，都属于本发明的保护范围。
下面将结合附图对本发明实施例作进一步地详细描述，如图2所示为本发明实施例提供的基于果树树干识别的果园机械行走路线规划方法流程示意图，所述方法包括：
步骤1、首先获取待规划果园的环境样本集；
在该步骤中，具体是收集待规划果园中果树与其他植物、树干支撑杆、天线杆的图像数据集，包括阴天光线阴暗与晴天光照充足的图像数据集，同时包括不同色彩、形态、轮廓、纹理、种类的果树等图像数据集，并将收集的图像数据集作为改进的YOLO V3网络训练的样本集。
具体实现中，由于果园环境复杂，各种植被均有可能出现，有些植被长势迅速枝干较普通杂草略粗，很容易被误判为果树，因此需尤为注意被包含在样本集中作为区分样本。
步骤2、利用所述环境样本集对改进的YOLO V3神经网络进行训练，将改进后的YOLO V3神经网络取名为TREE-YOLO V3网络；
在该步骤中，由于树干形状大小不一，图像采集到的树干常有较小的情况，通过改进原YOLO V3神经网络的多尺度特征融合算法，增强对小目标的检测能力，如图2所示为本发明实施例改进后的YOLO V3神经网络示意图，参考图2，具体改进过程为：
1、将原有Darknert 53网络的LeakyRelu激活函数替换为mish激活函数；
2、在原YOLO V3神经网络的基础上，扩展了64*64尺度预测。
具体实现中，还可以采用环境样本集对神经网络YOLO V3进行训练，再通过测试集提高果树树干识别的准确率，具体训练过程为：
首先采用多目标数据集进行训练，包括树干接近地面的交叉区域和果树，其中，树干标记框为红色，果树标记框为绿色；
采用矩形框标记树干与果树的位置和类别，标记的数据以JSON文件的格式保存；
其中，在标记树干时，矩形框包含树干和树干与地面结合区域，这样便于表征树干与地面结合区域信息；
训练后的TREE-YOLO V3网络生成一个权重文件。
步骤3、实时获取待测果园的图片或视频，并使用步骤2训练好的TREE-YOLO V3网络进行识别，输出带标记的图片和TXT文件；其中，所述图片中用矩形框标出树和树干的位置；
在该步骤中，所输出的TXT文件包括多行记录，每行记录包含多个字段，每个字段使用空格分开，格式如下:trunk p1 x1 y1 x2 y2；其中，trunk表示树干；p1是置信概率；x1是左上角点像素横坐标；y1是左上角点像素纵坐标；x2是右下角点像素横坐标；y2是右下角点像素纵坐标。
步骤4、利用步骤3中矩形框的底边中点进行果树行参考线的拟合；
在该步骤中，分别判断两侧果树参考点个数是否符合最小二乘法，至少三点拟合标准，即三个坐标点及三个以上即可拟合出直线，具体过程为：
由于果园中的果树种植较为规则，且每一行尽量成直线，如果遇到果树缺失现象，可提取的果树参考点数量不足三个，则连接最近的两个参考点作为果树行参考线；
输入果树参考点坐标信息，判断此点是否为左侧果树行参考点，否则为右侧果树参考点；
此后再判断每侧果树行参考点的个数，如果共有三个及三个以上参考点，则可用最小二乘法拟合此侧果树行参考线；
如果参考点个数小于三个，遇到果树有缺失现象，则连接这两个参考点即为此侧果树行参考线。
步骤5、基于步骤4拟合的果树行参考线进行果园机械行走路线拟合。
在该步骤中，拟合的两侧果树行参考线的中线即为果园机械行走的参考路线，如图3所示为本发明实施例所述果园机械行进路线的规划示意图，具体来说：
寻找左侧果树参考点Pl1在右侧参考线MN上的对应点Pr1，计算点Pl1和点Pr1之间的线段中点Pm1；其中，点Pl1为图像中最远果树参考点；
然后寻找图像中最近果树参考点Pl2的对应点Pr2，并得到点Pl2和点Pr2之间的线段中点Pm2；
点Pm1和Pm2之间的直线即为拟合的果园机械行走路线。
在具体实现过程中，单一传感器特征提取存在不可靠甚至失效的问题，为了进一步提高果树行中心线提取精度和可靠性，可采用模糊扩展卡尔曼滤波方法判断当前位置激光雷达传感器和机器视觉哪一个传感器更可靠。模糊逻辑的输入是机器视觉测定的与左右果树行的距离，激光雷达测定的与左右果树行的距离，输出是果树行中心线。在激光雷达和机器视觉配合进行环境感知时，同时检测是否探测到果树行缺口，以判断果园机械行走是否到达果树行末端。
另外，果园中经常有树枝延伸到果树行，果园机械强行通过，果树树枝和果园机械会造成相互损伤，需要评估果园机械对树枝的损伤程度以及侧枝对果园机械的影响。树枝可以看以看成是一种柔性障碍物，而较粗的侧枝又是一种刚性障碍物，在判定果园机械通过性能时，需要对障碍物进行刚柔性进行判定。举例来说，果园机械使用通过代价函数表达果园机械通过性能，选择八叉树数据结构对场景进行三维建模，生成空间的八叉树地图；八叉树数据结构三维地图可以有效地压缩和更新地图，地图的分辨率可据场景的大小适当调节，与点云地图相比，八叉树地图极大地节省了空间，能够更好地应用到导航任务中；在八叉树三维地图基础上使用混合高斯算法辅助建立通过代价函数，实现对果树侧枝等障碍物的合理表达。
另外，在具体实现过程中，果园路径规划中还可以使用多传感器融合技术，综合果园机械通过性能，将果树行参考线和陀螺仪方向数据进行融合，融合方法采用模糊逻辑方法，从而更加准确的确定果园机械行进方向。
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
举例来说，首先采用不同角度与光照下拍摄大量图像，最终经整理和数据集扩增得到1200幅图像；在每张图像上用矩形框标记树干与果树及其类别标签，保存为JOSN格式的文件；
使用安装在Anaconda上的Labelme标记软件进行统计，经统计所标记树干个数1032个，果树数量445个；
YOLO V3神经网络的训练是在一台拥有inteli7，64位和gtx1070tigpu的计算机上进行的，训练后，从日志文件中读取每次迭代的损失值并绘制曲线，经过前10次迭代，损失值迅速下降，当经过50次迭代后，损失值几乎不变。
基于采集的图像和训练后的TREE-YOLO V3网络进行果园机械行走路线拟合，在强光、有杂草干扰和树阴条件下都可以很好的识别出果树树干，尤其是果树树干和地面交界区域。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (7)

1.一种基于深度学习的果园机械行走路线规划方法，其特征在于，所述方法包括：
步骤1、首先获取待规划果园的环境样本集；
步骤2、利用所述环境样本集对改进的YOLO V3神经网络进行训练，将改进后的YOLO V3神经网络取名为TREE-YOLO V3网络；
步骤3、实时获取待测果园的图片或视频，并使用步骤2训练好的TREE-YOLO V3网络进行识别，输出带标记的图片和TXT文件；其中，所述图片中用矩形框标出树和树干的位置；
步骤4、利用步骤3中矩形框的底边中点进行果树行参考线的拟合；
步骤5、基于步骤4拟合的果树行参考线进行果园机械行走路线拟合。
2.根据权利要求1所述基于深度学习的果园机械行走路线规划方法，其特征在于，在步骤1中，具体是收集待规划果园中果树与其他植物、树干支撑杆、天线杆的图像数据集，包括阴天光线阴暗与晴天光照充足的图像数据集，同时包括不同色彩、形态、轮廓、纹理、种类的果树图像数据集，并将收集的图像数据集作为改进后的YOLO V3神经网络训练的样本集。
3.根据权利要求1所述基于深度学习的果园机械行走路线规划方法，其特征在于，在步骤2中，所述改进的YOLO V3神经网络包括：
将原有Darknert 53网络的LeakyRelu激活函数替换为mish激活函数；并在原YOLO V3神经网络的基础上，扩展了64*64尺度预测；
基于改进的YOLO V3神经网络，利用所述环境样本集对改进的YOLO V3神经网络进行训练的过程为：
首先采用多目标数据集进行训练，包括树干接近地面的交叉区域和果树；其中，树干标记框为红色，果树标记框为绿色；
采用矩形框标记树干与果树的位置和类别，标记的数据以JSON文件的格式保存；其中，在标记树干时，矩形框包含树干和树干与地面结合区域，这样便于表征树干与地面结合区域信息；
训练后的TREE-YOLO V3网络会生成一个权重文件。
4.根据权利要求1所述基于深度学习的果园机械行走路线规划方法，其特征在于，在步骤3中，所输出的TXT文件包括多行记录，每行记录包含多个字段，每个字段使用空格分开，格式如下:trunk p1 x1 y1 x2 y2；
其中，trunk表示树干；p1是置信概率；x1是左上角点像素横坐标；y1是左上角点像素纵坐标；x2是右下角点像素横坐标；y2是右下角点像素纵坐标。
5.根据权利要求1所述基于深度学习的果园机械行走路线规划方法，其特征在于，在步骤4中，分别判断两侧果树参考点个数是否符合最小二乘法，满足至少三点拟合标准，即三个坐标点及三个以上即可拟合出直线，具体过程为：
输入果树参考点坐标信息，判断此点是否为左侧果树行参考点，否则为右侧果树参考点；
此后再判断每侧果树行参考点的个数，如果共有三个及三个以上参考点，则可用最小二乘法拟合此侧果树行参考线；
如果参考点个数小于三个，遇到果树有缺失现象，则连接两个参考点即为此侧果树行参考线。
6.根据权利要求1所述基于深度学习的果园机械行走路线规划方法，其特征在于，在步骤5中，拟合的两侧果树行参考线的中线即为果园机械行走的参考路线，具体来说：
寻找左侧果树参考点Pl1在右侧参考线MN上的对应点Pr1，计算点Pl1和点Pr1之间的线段中点Pm1；其中，点Pl1为图像中最远果树参考点；
然后寻找图像中最近果树参考点Pl2的对应点Pr2，并得到点Pl2和点Pr2之间的线段中点Pm2；
则点Pm1和Pm2之间的直线即为拟合的果园机械行走路线。
7.根据权利要求1所述基于深度学习的果园机械行走路线规划方法，其特征在于，在进行果园机械行走路线拟合时，采用多传感器融合技术将果树行参考线和陀螺仪方向数据进行融合，以更加准确的确定果园机械行进方向；
其中，所采用的融合方法为模糊逻辑法。
CN202111146509.3A 2021-09-28 2021-09-28 一种基于深度学习的果园机械行走路线规划方法 Active CN113807309B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111146509.3A CN113807309B (zh) 2021-09-28 2021-09-28 一种基于深度学习的果园机械行走路线规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111146509.3A CN113807309B (zh) 2021-09-28 2021-09-28 一种基于深度学习的果园机械行走路线规划方法

Publications (2)

Publication Number Publication Date
CN113807309A true CN113807309A (zh) 2021-12-17
CN113807309B CN113807309B (zh) 2023-07-18

Family

ID=78897044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111146509.3A Active CN113807309B (zh) 2021-09-28 2021-09-28 一种基于深度学习的果园机械行走路线规划方法

Country Status (1)

Country Link
CN (1) CN113807309B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485667A (zh) * 2022-01-13 2022-05-13 中国农业大学 一种轻智能化的果园地头导航方法
CN116660916A (zh) * 2023-05-26 2023-08-29 广东省农业科学院设施农业研究所 一种用于果园移动机器人的定位方法、建图方法及电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109283937A (zh) * 2018-09-18 2019-01-29 广东省智能制造研究所 一种基于无人机的植保喷施作业的方法及系统
CN109919930A (zh) * 2019-03-07 2019-06-21 浙江大学 基于卷积神经网络yolo v3的树上果实数量的统计方法
AU2020102039A4 (en) * 2020-08-28 2020-10-08 Peng, Yue Miss A high-precision multi-targets visual detection method in automatic driving scene
CN112131963A (zh) * 2020-08-31 2020-12-25 青岛秀山移动测量有限公司 一种基于行驶方向结构特征约束的道路标识线提取方法
CN112861755A (zh) * 2021-02-23 2021-05-28 北京农业智能装备技术研究中心 一种目标多类别实时分割方法及系统
US20210164787A1 (en) * 2019-12-02 2021-06-03 Here Global B.V. System and method for generating map data of a region
CN112966615A (zh) * 2021-03-11 2021-06-15 柳州腾威机器人科技有限公司 果园病害或虫害防治方法、装置、计算机设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109283937A (zh) * 2018-09-18 2019-01-29 广东省智能制造研究所 一种基于无人机的植保喷施作业的方法及系统
CN109919930A (zh) * 2019-03-07 2019-06-21 浙江大学 基于卷积神经网络yolo v3的树上果实数量的统计方法
US20210164787A1 (en) * 2019-12-02 2021-06-03 Here Global B.V. System and method for generating map data of a region
AU2020102039A4 (en) * 2020-08-28 2020-10-08 Peng, Yue Miss A high-precision multi-targets visual detection method in automatic driving scene
CN112131963A (zh) * 2020-08-31 2020-12-25 青岛秀山移动测量有限公司 一种基于行驶方向结构特征约束的道路标识线提取方法
CN112861755A (zh) * 2021-02-23 2021-05-28 北京农业智能装备技术研究中心 一种目标多类别实时分割方法及系统
CN112966615A (zh) * 2021-03-11 2021-06-15 柳州腾威机器人科技有限公司 果园病害或虫害防治方法、装置、计算机设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIANJUN ZHOU等: "A Deep-Learning Extraction Method for Orchard Visual Navigation Lines", 《AGRICULTURE》, vol. 12, no. 10, pages 1 - 13 *
王毅等: "基于深度学习的果园道路导航线生成算法研究", 《湖南农业大学学报(自然科学版)》, vol. 45, no. 06, pages 674 - 678 *
耿思媛: "基于深度学习的果园环境路径识别研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 02, pages 044 - 1 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114485667A (zh) * 2022-01-13 2022-05-13 中国农业大学 一种轻智能化的果园地头导航方法
CN114485667B (zh) * 2022-01-13 2024-05-24 中国农业大学 一种轻智能化的果园地头导航方法
CN116660916A (zh) * 2023-05-26 2023-08-29 广东省农业科学院设施农业研究所 一种用于果园移动机器人的定位方法、建图方法及电子设备
CN116660916B (zh) * 2023-05-26 2024-02-02 广东省农业科学院设施农业研究所 一种用于果园移动机器人的定位方法、建图方法及电子设备

Also Published As

Publication number Publication date
CN113807309B (zh) 2023-07-18

Similar Documents

Publication Publication Date Title
Vandapel et al. Natural terrain classification using 3-d ladar data
Bargoti et al. A pipeline for trunk detection in trellis structured apple orchards
CN109255302A (zh) 目标物识别方法及终端、移动装置控制方法及终端
CN113807309B (zh) 一种基于深度学习的果园机械行走路线规划方法
CN115049700A (zh) 一种目标检测方法及装置
US10546216B1 (en) Recurrent pattern image classification and registration
Lin et al. Automatic detection of plant rows for a transplanter in paddy field using faster r-cnn
CN109949229A (zh) 一种多平台多视角下的目标协同检测方法
Xiang et al. Field‐based robotic leaf angle detection and characterization of maize plants using stereo vision and deep convolutional neural networks
CN114239756B (zh) 一种虫害检测方法及系统
CN115690081A (zh) 一种树木计数方法、系统、存储介质、计算机设备及终端
CN118096891B (zh) 一种基于采摘机器人的茶芽叶位姿估计方法和系统
Biglia et al. 3D point cloud density-based segmentation for vine rows detection and localisation
CN115115954A (zh) 基于无人机遥感的松材线虫病疫区变色立木智能识别方法
CN109657540B (zh) 枯死树定位方法及系统
CN113932712B (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
CN113033386B (zh) 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统
Zou et al. Density estimation method of mature wheat based on point cloud segmentation and clustering
CN114782844B (zh) 一种松材线虫病树识别方法、系统和存储介质
CN115294562A (zh) 一种植保机器人作业环境智能感知方法
CN113723833A (zh) 造林实绩质量评价方法、系统、终端设备及存储介质
CN115830474A (zh) 一种识别野生藏药独一味及其分布并计算其产量的方法与系统
Hroob et al. Learned long-term stability scan filtering for robust robot localisation in continuously changing environments
CN116660916B (zh) 一种用于果园移动机器人的定位方法、建图方法及电子设备
Gao et al. Aerial Image-based Inter-day Registration for Precision Agriculture

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