CN114202687A - 基于无人机影像的烟草植株自动提取和计数方法及系统 - Google Patents
基于无人机影像的烟草植株自动提取和计数方法及系统 Download PDFInfo
- Publication number
- CN114202687A CN114202687A CN202110923914.5A CN202110923914A CN114202687A CN 114202687 A CN114202687 A CN 114202687A CN 202110923914 A CN202110923914 A CN 202110923914A CN 114202687 A CN114202687 A CN 114202687A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- area
- image
- determining
- planting
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 262
- 244000061176 Nicotiana tabacum Species 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- 241000208125 Nicotiana Species 0.000 claims abstract description 166
- 241000196324 Embryophyta Species 0.000 claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 230000004054 inflammatory process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于无人机影像的烟草植株自动提取和计数方法及系统,该方法包括:获取待测区域图像,确定待测区域图像中的烟田区域;对所述烟田区域中的杂草进行剔除,确定烟草种植行;对所述烟草种植行进行图像像素分割,得到多个单株烟草种植区域;判断所述单株烟草种植区域中是否存在将单株烟草错分为多株烟草的情况,若存在,重新确定单株烟草种植区域;对重新确定的单株烟草种植区域的数量进行统计,确定烟株数量。本发明在确定单株烟草种植区域时,通过对单株烟草错分为多株烟草的情况进行检查、修正,提高了烟株计数的准确性。
Description
技术领域
本发明涉及图像处理领域,特别是涉及一种基于无人机影像的烟草植株自动提取和计数方法及系统。
背景技术
烟草是一种重要的经济作物,是部分农户经济主要来源。为了提高烟草产量,保障烟农收入,烟草种植的精细化管理显得尤为重要。烟草植株数量以及空间分布的准确掌握能够为后期的施肥、灌溉和虫害防治提供依据,此外,还能对烟叶产量进行预估。但采用传统人工实地调查方法,效率低、准确度低、人为主观性较强,因此如何实现烟株自动提取和计数对于实现智慧烟草具有重要意义。
当前,国内外学者围绕烟草种植面积和烟草植株精细提取已开展了较多研究。对于种植面积提取,李天坤和董梅等采用面向对象的方法提取烟田面积,但该方法需选取合适分割尺度和特征;Zhu X等通过监督分类与图像形态学操作相结合,从而实现烟田面积提取。在烟草植株精细提取的研究中,夏炎等结合多特征和SLIC超像素提取烟株;谢红辉和Xie H等基于支持向量机提取烟株;Fan Z等人则通过结合分水岭分割和深度神经网络提取烟株。然而这些研究提取精度都不够高。因此,亟需一种高精度烟草植株自动提取和计数方法。
发明内容
本发明的目的是提供一种基于无人机影像的烟草植株自动提取和计数方法及系统,能够提高烟株计数精度。
为实现上述目的,本发明提供了如下方案:
本发明提供了一种基于无人机影像的烟草植株自动提取和计数方法,所述方法包括:
获取待测区域图像,确定待测区域图像中的烟田区域;
对所述烟田区域中的杂草进行剔除,确定烟草种植行;
对所述烟草种植行进行图像像素分割,得到多个单株烟草种植区域;
判断所述单株烟草种植区域中是否存在将单株烟草错分为多株烟草的情况,若存在,重新确定单株烟草种植区域;
对重新确定的单株烟草种植区域的数量进行统计,确定烟株数量。
可选地,所述重新确定单株烟草种植区域,具体包括:
S1,基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形;
S2,获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标;
S3,分别计算目标区域内同一行相邻连通域之间的相邻距离s和第一平均距离S;所述相邻距离为相邻连通域两两之间的距离;所述第一平均距离为目标区域内所有连通域相邻距离之和的平均值;
S4,获取所述相邻距离中的最小值s_min,当s_min+k<S时,将与s_min 对应的两个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并返回执行S4,直至 S=s_min+k,k为第一参数。
可选地,所述重新确定单株烟草种植区域,具体包括:
S5,基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形;
S6,获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标;
S7,分别计算目标区域内同一行相邻连通域之间的第二平均距离以及第n 个连通域与第n+1个连通域之间坐标分量的距离xs、ys;n≥1;所述第二平均距离为目标区域内同一行相邻连通域之间的距离之和的平均值;
S8,判断xs<s0且ys<s0是否成立,若成立,将第n个连通域与第n+1个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并计算所述中点与第n+2个连通域的坐标分量的距离xs、ys,返回步骤S8;
若不成立,令s0+q,返回执行S8,直至s0=S,返回步骤S8;其中,s0为第二参数,q为第三参数。
可选地,所述获取待测区域图像,确定待测区域图像中的烟田区域,具体包括:
通过无人机对待测区域进行拍摄,得到待测区域图像;
基于待测区域图像,沿烟田边缘描绘得到掩膜数据;
将掩膜数据与所述待测区域图像作矩阵乘法,提取待测区域图像中的烟田区域。
可选地,所述对烟田区域中的杂草进行剔除,确定烟草种植行,具体包括:
提取烟田区域图像中的G通道,并对提取的G通道图像依次作直方图均衡化、二值化,得到提取的G通道二值图;
构建过绿差值指数,将所述提取的G通道二值图与所述过绿差值指数相乘,确定烟草种植行;所述过绿差值指数用于区分所述烟田区域中的烟草和杂草。
可选地,采用如下公式计算所述过绿差值指数:
EXDI=3×G-1.2×R-0.8×B;
其中,EXDI为过绿差值指数,G为图像绿波段值,R为图像红波段值, B为图像蓝波段值。
为实现上述目的,本发明还提供了一种基于无人机影像的烟草植株自动提取和计数系统,所述系统包括:
烟田区域确定模块,用于获取待测区域图像,确定待测区域图像中的烟田区域;
烟草种植行确定模块,用于对所述烟田区域中的杂草进行剔除,确定烟草种植行;
单株烟草种植区域确定模块,用于对所述烟草种植行进行图像像素分割,得到多个单株烟草种植区域;
错分烟株修正模块,用于判断所述单株烟草种植区域中是否存在将单株烟草错分为多株烟草的情况,若存在,重新确定单株烟草种植区域;
烟株数量确定模块,用于对重新确定的单株烟草种植区域的数量进行统计,确定烟株数量。
可选地,所述错分烟株修正模块,具体包括:
第一外接矩形确定单元,用于基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形;
第一中心坐标获取单元,用于获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标;
第一距离计算单元,用于分别计算目标区域内同一行相邻连通域之间的相邻距离s和第一平均距离S;所述相邻距离为相邻连通域两两之间的距离;所述第一平均距离为目标区域内所有连通域相邻距离之和的平均值;
第一修正单元,用于对错分的烟株进行修正,具体包括:S41,获取所述相邻距离中的最小值s_min;S42,当s_min+k<S时,将与s_min对应的两个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并返回S41,直至S=s_min+k,k为第一参数。
可选地,所述错分烟株修正模块,具体包括:
第二外接矩形确定单元,用于基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形;
第二中心坐标获取单元,用于获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标;
第二距离计算单元,用于分别计算目标区域内同一行相邻连通域之间的第三距离以及第n个连通域与第n+1个连通域之间坐标分量的距离xs、ys;n≥1;所述第三距离为目标区域内同一行相邻连通域之间的距离之和的平均值;
第二修正单元,用于对错分的烟株进行修正,具体包括:S81,判断xs<s0且ys<s0是否成立;S82,若成立,将第n个连通域与第n+1个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并计算所述中点与第n+2个连通域的坐标分量的距离 xs、ys,返回步骤S81;
若不成立,令s0+q,返回执行S81,直至s0=S,返回步骤S81;其中,s0为第二参数,q为第三参数。
可选地,所述烟草种植行确定模块,具体包括:
预处理单元,用于提取烟田区域图像中的G通道,并对提取的G通道图像依次作直方图均衡化、二值化,得到提取的G通道二值图;
杂草剔除单元,用于构建过绿差值指数,将所述提取的G通道二值图与所述过绿差值指数相乘,确定烟草种植行;所述过绿差值指数用于区分所述烟草种植区域中的烟草和杂草。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种基于无人机影像的烟草植株自动提取和计数方法及系统,该方法包括:获取待测区域图像,确定待测区域图像中的烟田区域;对所述烟田区域中的杂草进行剔除,确定烟草种植行;对所述烟草种植行进行图像像素分割,得到多个单株烟草种植区域;判断所述单株烟草种植区域中是否存在将单株烟草错分为多株烟草的情况,若存在,重新确定单株烟草种植区域;对重新确定的单株烟草种植区域的数量进行统计,确定烟株数量。本发明在确定单株烟草种植区域时,通过对单株烟草错分为多株烟草的情况进行检查、修正,提高了烟株计数的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明基于无人机影像的烟草植株自动提取和计数方法的流程图;
图2为本发明采用无人机拍摄的待测区域图像;
图3为本发明基于无人机影像的烟草植株自动提取和计数方法制作的掩膜数据示意图;
图4为本发明基于无人机影像的烟草植株自动提取和计数方法的烟田提取结果示意图;
图5为本发明基于无人机影像的烟草植株自动提取和计数方法烟草种植行提取结果示意图;
图6为本发明像素分割后的烟草种植区域的连通域示意图;
图7为本发明基于无人机影像的烟草植株自动提取和计数方法的烟株提取结果示意图;
图8为为本发明基于无人机影像的烟草植株自动提取和计数系统。
符号说明:
烟田区域确定模块-1、烟草种植行确定模块-2、单株烟草种植区域确定模块-3、错分烟株修正模块-4和烟株数量确定模块-5。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于无人机影像的烟草植株自动提取和计数方法及系统,能够提高烟株计数精度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供了一种基于无人机影像的烟草植株自动提取和计数方法,所述方法包括以下步骤:
获取待测区域图像,确定待测区域图像中的烟田区域。
对所述烟田区域中的杂草进行剔除,确定烟草种植行。
对所述烟草种植行进行图像像素分割,得到多个单株烟草种植区域。
判断所述单株烟草种植区域中是否存在将单株烟草错分为多株烟草的情况,若存在,重新确定单株烟草种植区域。
对重新确定的单株烟草种植区域的数量进行统计,确定烟株数量。
进一步地,在本发明的实施例中,采用欧氏距离变换法重新确定单株烟草种植区域,所述重新确定单株烟草种植区域,具体包括:
S1,基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形。
S2,获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标。
S3,分别计算目标区域内同一行相邻连通域之间的相邻距离s和第一平均距离S;所述相邻距离为相邻连通域两两之间的距离;所述第一平均距离为目标区域内所有连通域相邻距离之和的平均值。
S4,获取所述相邻距离中的最小值s_min,当s_min+k<S时,将与s_min 对应的两个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并返回执行S4,直至 S=s_min+k,k为第一参数。
进一步地,在本发明的又一实施例中,采用坐标分量变换法重新确定单株烟草种植区域,所述重新确定单株烟草种植区域,具体包括:
S5,基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形。
S6,获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标。
S7,分别计算目标区域内同一行相邻连通域之间的第二平均距离以及第n 个连通域与第n+1个连通域之间坐标分量的距离xs、ys;n≥1;所述第二平均距离为目标区域内同一行相邻连通域之间的距离之和的平均值。
S8,判断xs<s0且ys<s0是否成立,若成立,将第n个连通域与第n+1个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并计算所述中点与第n+2个连通域的坐标分量的距离xs、ys,返回步骤S8。
若不成立,令s0+q,返回执行S8,直至s0=S,返回步骤S8;其中,s0为第二参数,q为第三参数。
具体地,通过OpenCV函数cv2.findContours()确定每一个连通域的外接矩形。
进一步地,所述获取待测区域图像,确定待测区域图像中的烟田区域,具体包括:
通过无人机对待测区域进行拍摄,得到待测区域图像,如图2所示。
基于待测区域图像,使用labelme软件沿烟田边缘描绘得到掩膜数据,掩膜图像如图3所示。
将掩膜数据与所述待测区域图像作矩阵乘法,提取待测区域图像中的烟田区域。烟田提取结果如图4所示。
优选地,为了提高对烟株计数的准确度,所述对烟田区域中的杂草进行剔除,确定烟草种植行,具体包括:
提取烟田区域图像中的G通道,并对提取的G通道图像依次作直方图均衡化、二值化,得到提取的G通道二值图。
构建过绿差值指数,将所述提取的G通道二值图与所述过绿差值指数相乘,确定烟草种植行;所述过绿差值指数用于区分所述烟田区域中的烟草和杂草。烟草种植行提取结果如图5所示。
优选地,采用如下公式计算所述过绿差值指数:
EXDI=3×G-1.2×R-0.8×B;
其中,EXDI为过绿差值指数,G为图像绿波段值,R为图像红波段值, B为图像蓝波段值。
具体地,步骤S3中,采用简单线性迭代聚类(Simple Linear IterativeClustering,SLIC)分割算法对图像像素分割,分割结果如图6所示。将SLIC分割结果与之前制作的烟田掩膜作矩阵乘法,并将结果转为二值图,最后去除其中面积较小的连通域(噪声),分割后的烟草种植区域的连通域如图7所示。
采用欧氏距离变换法和坐标分量变换法进行错分烟株修正后,进行烟株数量计算,最终的烟株提取结果如图8所示。
本发明提出基于无人机影像的烟草植株自动提取和计数的方法,利用错检率、漏检率、总体精度以及准确度来评价本发明烟株提取效果,具体数据如表 1所示。
表1烟株提取结果评价
真实烟株 | 提取烟株 | 错检率(%) | 漏检率(%) | 总体精度(%) | 准确度(%) |
508 | 503 | 1.18 | 3.15 | 99.02 | 95.67 |
如图8所示,为实现上述目的,本发明还提供了一种基于无人机影像的烟草植株自动提取和计数系统,所述系统包括:烟田区域确定模块1、烟草种植行确定模块2、单株烟草种植区域确定模块3、错分烟株修正模块4和烟株数量确定模块5。
烟田区域确定模块1,用于获取待测区域图像,确定待测区域图像中的烟田区域。
烟草种植行确定模块2,用于对所述烟田区域中的杂草进行剔除,确定烟草种植行。
单株烟草种植区域确定模块3,用于对所述烟草种植行进行图像像素分割,得到多个单株烟草种植区域。
错分烟株修正模块4,用于判断所述单株烟草种植区域中是否存在将单株烟草错分为多株烟草的情况,若存在,重新确定单株烟草种植区域。
烟株数量确定模块5,用于对重新确定的单株烟草种植区域的数量进行统计,确定烟株数量。
可选地,所述错分烟株修正模块4,具体包括:
第一外接矩形确定单元,用于基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形。
第一中心坐标获取单元,用于获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标。
第一距离计算单元,用于分别计算目标区域内同一行相邻连通域之间的相邻距离s和第一平均距离S;所述相邻距离为相邻连通域两两之间的距离;所述第一平均距离为目标区域内所有连通域相邻距离之和的平均值。
第一修正单元,用于对错分的烟株进行修正,具体包括:S41,获取所述相邻距离中的最小值s_min;S42,当s_min+k<S时,将与s_min对应的两个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并返回S41,直至S=s_min+k,k为第一参数。
进一步地,所述错分烟株修正模块4,具体包括:
第二外接矩形确定单元,用于基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形。
第二中心坐标获取单元,用于获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标。
第二距离计算单元,用于分别计算目标区域内同一行相邻连通域之间的第三距离以及第n个连通域与第n+1个连通域之间坐标分量的距离xs、ys;n≥1;所述第三距离为目标区域内同一行相邻连通域之间的距离之和的平均值;
第二修正单元,用于对错分的烟株进行修正,具体包括:S81,判断xs<s0且ys<s0是否成立;S82,若成立,将第n个连通域与第n+1个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并计算所述中点与第n+2个连通域的坐标分量的距离 xs、ys,返回步骤S81;
若不成立,令s0+q,返回执行S81,直至s0=S,返回步骤S81;其中,s0为第二参数,q为第三参数。
具体地,所述烟草种植行确定模块,具体包括:
预处理单元,用于提取烟田区域图像中的G通道,并对提取的G通道图像依次作直方图均衡化、二值化,得到提取的G通道二值图。
杂草剔除单元,用于构建过绿差值指数,将所述提取的G通道二值图与所述过绿差值指数相乘,确定烟草种植行;所述过绿差值指数用于区分所述烟草种植区域中的烟草和杂草。
本发明通过无人机拍摄影像,无需人工操作。基于图像处理技术实现对烟株的自动提取和计数,效率高。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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)
1.一种基于无人机影像的烟草植株自动提取和计数方法,其特征在于,所述方法包括:
获取待测区域图像,确定待测区域图像中的烟田区域;
对所述烟田区域中的杂草进行剔除,确定烟草种植行;
对所述烟草种植行进行图像像素分割,得到多个单株烟草种植区域;
判断所述单株烟草种植区域中是否存在将单株烟草错分为多株烟草的情况,若存在,重新确定单株烟草种植区域;
对重新确定的单株烟草种植区域的数量进行统计,确定烟株数量。
2.根据权利要求1所述的基于无人机影像的烟草植株自动提取和计数方法,其特征在于,所述重新确定单株烟草种植区域,具体包括:
S1,基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形;
S2,获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标;
S3,分别计算目标区域内同一行相邻连通域之间的相邻距离s和第一平均距离S;所述相邻距离为相邻连通域两两之间的距离;所述第一平均距离为目标区域内所有连通域相邻距离之和的平均值;
S4,获取所述相邻距离中的最小值s_min,当s_min+k<S时,将与s_min对应的两个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并返回执行S4,直至S=s_min+k,k为第一参数。
3.根据权利要求1所述的基于无人机影像的烟草植株自动提取和计数方法,其特征在于,所述重新确定单株烟草种植区域,具体包括:
S5,基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形;
S6,获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标;
S7,分别计算目标区域内同一行相邻连通域之间的第二平均距离以及第n个连通域与第n+1个连通域之间坐标分量的距离xs、ys;n≥1;所述第二平均距离为目标区域内同一行相邻连通域之间的距离之和的平均值;
S8,判断xs<s0且ys<s0是否成立,若成立,将第n个连通域与第n+1个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并计算所述中点与第n+2个连通域的坐标分量的距离xs、ys,返回步骤S8;
若不成立,令s0+q,返回执行S8,直至s0=S,返回步骤S8;其中,s0为第二参数,q为第三参数。
4.根据权利要求1所述的基于无人机影像的烟草植株自动提取和计数方法,其特征在于,所述获取待测区域图像,确定待测区域图像中的烟田区域,具体包括:
通过无人机对待测区域进行拍摄,得到待测区域图像;
基于待测区域图像,沿烟田边缘描绘得到掩膜数据;
将掩膜数据与所述待测区域图像作矩阵乘法,提取待测区域图像中的烟田区域。
5.根据权利要求1所述的基于无人机影像的烟草植株自动提取和计数方法,其特征在于,所述对烟田区域中的杂草进行剔除,确定烟草种植行,具体包括:
提取烟田区域图像中的G通道,并对提取的G通道图像依次作直方图均衡化、二值化,得到提取的G通道二值图;
构建过绿差值指数,将所述提取的G通道二值图与所述过绿差值指数相乘,确定烟草种植行;所述过绿差值指数用于区分所述烟田区域中的烟草和杂草。
6.根据权利要求5所述的基于无人机影像的烟草植株自动提取和计数方法,其特征在于,采用如下公式计算所述过绿差值指数:
EXDI=3×G-1.2×R-0.8×B;
其中,EXDI为过绿差值指数,G为图像绿波段值,R为图像红波段值,B为图像蓝波段值。
7.一种基于无人机影像的烟草植株自动提取和计数系统,其特征在于,所述系统包括:
烟田区域确定模块,用于获取待测区域图像,确定待测区域图像中的烟田区域;
烟草种植行确定模块,用于对所述烟田区域中的杂草进行剔除,确定烟草种植行;
单株烟草种植区域确定模块,用于对所述烟草种植行进行图像像素分割,得到多个单株烟草种植区域;
错分烟株修正模块,用于判断所述单株烟草种植区域中是否存在将单株烟草错分为多株烟草的情况,若存在,重新确定单株烟草种植区域;
烟株数量确定模块,用于对重新确定的单株烟草种植区域的数量进行统计,确定烟株数量。
8.根据权利要求7所述的基于无人机影像的烟草植株自动提取和计数系统,其特征在于,所述错分烟株修正模块,具体包括:
第一外接矩形确定单元,用于基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形;
第一中心坐标获取单元,用于获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标;
第一距离计算单元,用于分别计算目标区域内同一行相邻连通域之间的相邻距离s和第一平均距离S;所述相邻距离为相邻连通域两两之间的距离;所述第一平均距离为目标区域内所有连通域相邻距离之和的平均值;
第一修正单元,用于对错分的烟株进行修正,具体包括:S41,获取所述相邻距离中的最小值s_min;S42,当s_min+k<S时,将与s_min对应的两个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并返回S41,直至S=s_min+k,k为第一参数。
9.根据权利要求7所述的基于无人机影像的烟草植株自动提取和计数系统,其特征在于,所述错分烟株修正模块,具体包括:
第二外接矩形确定单元,用于基于每个单株烟草种植区域对应的连通域,确定每个连通域的外接矩形;
第二中心坐标获取单元,用于获取每个外接矩形的中心坐标,将外接矩形的中心坐标作为连通域的中心坐标;
第二距离计算单元,用于分别计算目标区域内同一行相邻连通域之间的第三距离以及第n个连通域与第n+1个连通域之间坐标分量的距离xs、ys;n≥1;所述第三距离为目标区域内同一行相邻连通域之间的距离之和的平均值;
第二修正单元,用于对错分的烟株进行修正,具体包括:S81,判断xs<s0且ys<s0是否成立;S82,若成立,将第n个连通域与第n+1个连通域的中心坐标替换为两个连通域中心坐标的中点,将以所述中点为中心坐标的连通域确定为单株烟草种植区域,并计算所述中点与第n+2个连通域的坐标分量的距离xs、ys,返回步骤S81;
若不成立,令s0+q,返回执行S81,直至s0=S,返回步骤S81;其中,s0为第二参数,q为第三参数。
10.根据权利要求7所述的基于无人机影像的烟草植株自动提取和计数系统,其特征在于,所述烟草种植行确定模块,具体包括:
预处理单元,用于提取烟田区域图像中的G通道,并对提取的G通道图像依次作直方图均衡化、二值化,得到提取的G通道二值图;
杂草剔除单元,用于构建过绿差值指数,将所述提取的G通道二值图与所述过绿差值指数相乘,确定烟草种植行;所述过绿差值指数用于区分所述烟草种植区域中的烟草和杂草。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923914.5A CN114202687A (zh) | 2021-08-12 | 2021-08-12 | 基于无人机影像的烟草植株自动提取和计数方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110923914.5A CN114202687A (zh) | 2021-08-12 | 2021-08-12 | 基于无人机影像的烟草植株自动提取和计数方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202687A true CN114202687A (zh) | 2022-03-18 |
Family
ID=80645912
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110923914.5A Pending CN114202687A (zh) | 2021-08-12 | 2021-08-12 | 基于无人机影像的烟草植株自动提取和计数方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202687A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274812A (zh) * | 2023-10-08 | 2023-12-22 | 北京香田智能科技有限公司 | 一种烟株计数的方法 |
-
2021
- 2021-08-12 CN CN202110923914.5A patent/CN114202687A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274812A (zh) * | 2023-10-08 | 2023-12-22 | 北京香田智能科技有限公司 | 一种烟株计数的方法 |
CN117274812B (zh) * | 2023-10-08 | 2024-02-20 | 北京香田智能科技有限公司 | 一种烟株计数的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711325B (zh) | 一种芒果采摘点识别方法 | |
CN111340826B (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
CN108710840B (zh) | 一种农田喷药机器人视觉导航路径识别方法 | |
CN106503695B (zh) | 一种基于航拍图像的烟草植株识别与计数方法 | |
CN110175931B (zh) | 一种大范围快速提取农作物种植面积和物候信息的方法 | |
CN107392892B (zh) | 基于图像的玉米生育前期干旱胁迫自动识别方法 | |
CN111507303A (zh) | 一种湿地植物种类检测方法 | |
CN109086823B (zh) | 一种小麦赤霉病病穗率自动统计方法 | |
Ji et al. | In-field automatic detection of maize tassels using computer vision | |
CN105957115B (zh) | 广义dem思想下的农作物种植结构遥感提取方法 | |
CN111507967A (zh) | 一种自然果园场景下的芒果高精度检测方法 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
CN105447860B (zh) | 一种麦苗计数方法 | |
CN106682639A (zh) | 一种基于视频监测的作物叶部异常图像提取方法 | |
CN104751122A (zh) | 一种农作物病情指数的计算方法及系统 | |
CN114202687A (zh) | 基于无人机影像的烟草植株自动提取和计数方法及系统 | |
CN112528947A (zh) | 一种通过增加方向维度的假菌丝检测方法、设备及存储介质 | |
CN103226709B (zh) | 一种美国白蛾幼虫网幕图像识别方法 | |
CN109166127B (zh) | 一种可穿戴式植物表型感知系统 | |
CN110765927A (zh) | 一种植被群落中伴生杂草的识别方法 | |
CN105046229B (zh) | 一种农作物行的识别方法及装置 | |
CN111369497A (zh) | 一种行走式树上果实连续计数方法及装置 | |
CN117132802A (zh) | 一种田间小麦病虫害识别方法、装置及存储介质 | |
CN115358991A (zh) | 一种秧苗的漏秧数量和漏秧位置的识别方法及系统 | |
Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology |
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 |