CN114419407B - 一种用于移栽作物苗期的行内杂草自动识别方法及装置 - Google Patents
一种用于移栽作物苗期的行内杂草自动识别方法及装置 Download PDFInfo
- Publication number
- CN114419407B CN114419407B CN202111525146.4A CN202111525146A CN114419407B CN 114419407 B CN114419407 B CN 114419407B CN 202111525146 A CN202111525146 A CN 202111525146A CN 114419407 B CN114419407 B CN 114419407B
- Authority
- CN
- China
- Prior art keywords
- weeds
- image
- color code
- transplanted
- rgb camera
- 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
Links
- 241000196324 Embryophyta Species 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 14
- 239000000463 material Substances 0.000 claims abstract description 4
- 238000011161 development Methods 0.000 claims description 16
- 230000007797 corrosion Effects 0.000 claims description 6
- 238000005260 corrosion Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000031700 light absorption Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims 1
- 230000008054 signal transmission Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 15
- 240000003768 Solanum lycopersicum Species 0.000 description 15
- 238000009333 weeding Methods 0.000 description 11
- 230000002363 herbicidal effect Effects 0.000 description 5
- 239000004009 herbicide Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Soil Working Implements (AREA)
Abstract
本发明为一种用于移栽作物苗期的行内杂草自动识别方法及装置,所述装置包括型材搭建成的暗室系统;暗室系统的内部顶端固定有RGB相机,RGB相机与计算机相连接;暗室系统的内部底端固定有六个色标传感器,色标传感器的信号线通过Arduino单片机与计算机相连接,色标传感器的电源线与变压器相连接;移栽作物幼苗在六个传感器的对称中心,移栽作物幼苗正对RGB相机,移栽作物幼苗的左右两侧有杂草。通过一系列的设计,采用信号传导技术,分析从顶部捕获的图像,框选图像中的移栽作物幼苗和杂草,再利用色标传感器传回的信息将其区分。建立基于移栽作物幼苗几何外观的机器视觉与信号传导新方法,精准识别作物幼苗及杂草在田间的位置。
Description
技术领域
本发明涉及除草领域,具体说是一种基于色标传感器和计算机视觉的移栽作物苗期的行内杂草自动识别方法及装置。
背景技术
杂草防治是移栽作物生产中的重要问题之一。杂草与移栽作物争夺营养、阳光、水分等资源,如果不对杂草加以控制,会对移栽作物的产量造成较大的影响。相比于行间杂草而言,行内杂草对作物的危害更加严重,据统计,杂草在移栽作物移栽后三周内的出苗数最多,因此对移栽作物苗期的行内杂草防治十分重要。
目前喷洒除草剂、机械中耕除草和人工除草是杂草防治的常用手段。除草剂因使用方便、防治效果好,是目前主要的杂草防治手段,但除草剂具有一定的选择性,更重要的是,除草剂的大量使用正在对环境造成污染,并且威胁到了食品安全。中耕除草是已经使用多年的除草方案,既可以松动土壤,又能够清除行间的杂草,但中耕无法清除行内杂草。人工除草灵活性强,对于行内的杂草除草质量较高,但人工成本较高且效率较低,不适合大规模农田作业,无法适应未来农业的发展。综上所述,面对农业生产的实际需求,迫切需要研发一种智能行内除草设备,在移栽作物苗期生长阶段进行作物和杂草的实时自动化识别并清除,这对达到移栽作物增产增收和除草剂减量使用的目的具有重要意义。
使用现有的根据光谱反射率、形状特征、纹理特征等建立的识别方案,无法将被遮挡的农作物与高密度杂草可靠地区分开,在实际应用中受到限制。基于深度学习建立的识别方案,识别精度较高,但训练模型时需要大量的训练样本集,且识别速度十分有限,不适合实际应用。现有的作物信号传导技术所采用的识别方案,识别效果较好,速度较快,但对识别环境要求高,且装置价格昂贵。
针对相关技术的问题,目前尚无提出有效地解决方案。
发明内容
针对现有技术中存在的缺陷,以及移栽作物实际的除草需求,本发明的目的在于提供一种用于移栽作物苗期的行内杂草自动识别方法及装置,为杂草识别提供了一种新的解决方案。
为达到以上目的,本发明采取的技术方案是:
一种用于移栽作物苗期的行内杂草自动识别装置,包括:暗室系统1;黑色吸光幕布2;白色LED灯3;RGB相机4;计算机5;支架6;色标传感器7;Arduino单片机开发板8;变压器9和荧光棒11;
所述暗室系统1由型材搭建而成,四周用黑色吸光幕布2覆盖以隔绝外界光的干扰;
所述暗室系统1的内部顶端布置有一个RGB相机4,所述RGB 相机4与计算机5相连接;
所述暗室系统1的内部顶端固定有四盏白色LED灯3,所述四盏白色LED灯3均与变压器9相连接;
所述RGB相机4位于白色LED灯3的下方;
所述暗室系统1内部底端布置有六个色标传感器7,色标传感器 7通过Arduino单片机开发板8与计算机5相连接,色标传感器7通过能够调整高度和角度的支架6固定;
所述荧光棒11设置在移栽作物幼苗10的根部位置。
进一步的,所述RGB相机4的视角为45°,RGB相机4的焦距是8mm,RGB相机4距离地面的高度为800mm,以保证合适的视野,更全面的检测作物的生长环境。
进一步的,所述白色LED灯3的亮度通过变压器9调节,以保证合适的光照条件;变压器9的输出电压越大,白色LED灯3的亮度越高。
进一步的,杂草12和移栽作物幼苗10的图像可以在同一图像中分离。
进一步的,所述色标传感器7产生的激光扫描线与地面平行,六个色标传感器7均匀分布,安装高度为距离地面30mm,以保证在不影响车体前进的同时,避免信号被叶片遮挡,同时可以防止因RGB 相机4拍摄位置产生的局限性而导致错误识别的产生。
进一步的,所述色标传感器7的电源线与变压器9相连接,信号线与Arduino单片机开发板8相连接。
一种用于移栽作物苗期的行内杂草自动识别方法,包括:
步骤1、所述色标传感器7连续对前方物体进行检测,在没有检测到移栽作物幼苗10附近的荧光棒11时,色标传感器7的信号线保持低电平输出,当色标传感器7检测到移栽作物幼苗10附近的荧光棒11时,色标传感器7的信号线输出高电平,并传输至Arduino单片机开发板8,Arduino单片机开发板8接收到高电平信号后,向计算机5发出触发信号,计算机5接收到触发信号后,控制RGB相机 4获取当前位置的图像信息,图像尺寸设为800×600;
步骤2、所述RGB相机4获取图像后,将RGB图像转化为灰度图像,并将阈值设定为50,然后将灰度图像二值化,获取对应的二值图;
步骤3、采用3×3的结构元素对二值图进行一次腐蚀处理,将行数和列数均不足3个像素点的连通域消除,将行数或列数大于等于3 个像素点的连通域的面积缩小(即处理掉一部分行数和列数均不足3 个像素点的噪点连通域,又消除了移栽作物幼苗10连通域和行数或列数大于等于3个像素点的噪点连通域之间的黏连);再计算出图像中各个连通域的面积,筛选出面积小于100个像素点的连通域,并将该连通域内的所有像素点的值改为0,过滤掉面积不足100个像素点的噪声连通域,仅保留移栽作物幼苗10和杂草12面积大于等于100 个像素点的连通域;
步骤4、采用3×3的结构元素对步骤3得到的图像进行膨胀处理,以恢复连通域,降低腐蚀处理对移栽作物幼苗10和杂草12连通域的影响;
步骤5、基于步骤4得到的图像,计算出每个连通域的最小外接矩形,并使用蓝色线在图像中绘制对应的矩形框;
步骤6、基于步骤5得到的图像,以色标传感器7发出的信号在图像中的位置为起点,以其产生的激光扫描线为方向作射线,将与该射线相交的第一个矩形框标记为移栽作物幼苗10矩形框,将该矩形框内的连通域位置信息作为移栽作物幼苗10位置输出,图像中的其他矩形框标记为杂草12矩形框,将其连通域的位置信息作为杂草12 位置输出。
本发明具有以下有益效果:
(1)所述装置中采用的色标传感器对环境的要求较低,同时本装置采用的暗室系统具有良好的隔光性,因此本装置不受外界环境光线的干扰,色标传感器可持续准确稳定地识别。
(2)在移栽作物幼苗时,同时在根茎位置附近插入荧光棒,荧光棒和植株的位置可以认为在一个足够小的区域内。因此算法识别的荧光棒的位置可以近似为植株根部入土的位置,这种近似可以简化算法。
(3)通过在植物根茎附近外插荧光棒对移栽作物幼苗进行标记,荧光棒信号强度稳定,几乎不受环境影响,且荧光棒采用可降解材质制作,不会对环境造成污染。
(4)使用RGB相机和色标传感器相结合进行识别,色标传感器的反应速度极快,相比于使用两个相机识别的方案,识别速度得到了提升;且装置对相机的要求较低,因此本发明既提高了识别速度,又降低了装置成本。
附图说明
本发明有如下附图:
图1是本发明实施例的整体结构示意图;
图2是本发明实施例的左侧示意图;
图3是本发明实施例的局部结构放大示意图;
图4是本发明实施例中拍摄的部分具有代表性的识别图;
图5是本发明实施例中定位杂草和作物方法的流程图;
其中,1暗室系统;2黑色吸光幕布;3白色LED灯;4RGB相机;5计算机;6支架;7色标传感器;8Arduino单片机开发板;9 变压器;10移栽作物幼苗;11荧光棒;12杂草。
具体实施方式
以下结合附图1-5对本发明作进一步详细说明。
实施例一:
根据本发明实施例的一种用于移栽作物苗期的行内杂草自动识别装置,用于番茄幼苗,包括:由型材搭建成的暗室系统1,所述暗室系1的四周及顶部均覆盖有黑色吸光幕布2,所述暗室系统1的内部顶端固定有RGB相机4,所述RGB相机4与计算机5相连接,所述暗室系统1的内部顶端固定有四盏白色LED灯3,所述白色LED 灯3与变压器9相连接,所述暗室系统1底端固定有六个可调节高度和角度的支架6,所述支架6均安装有色标传感器7,所述色标传感器7的电源线与变压器9相连接,所述色标传感器7的信号线与 Arduino单片机开发板8相连接,所述Arduino单片机开发板8与计算机5相连接。
通过本发明的上述方案,番茄幼苗生长在田地中,杂草12可能会分布在番茄幼苗的周边位置,装置沿着作物线行走,且作物线位于装置的中间位置。通过预先为白色LED灯3调整合适的安装位置,使得光线可以均匀射向植物,且不会因某点光照过强或过弱对成像造成干扰。调整变压器9的电压值至合适范围,白色LED灯3的亮度随之变化,使光线合适。操纵计算机5,调整RGB相机4的曝光时间至合适范围并保持不变,便于拍出位于RGB相机4正下方的番茄幼苗的高质量的图片。通过将所述安装角度合适的色标传感器7和顶部RGB相机4拍下的俯视图相结合,可以更容易和更快速地检测荧光棒11的信号和预测番茄幼苗根部的位置。
通过本发明的上述方案,色标传感器7会连续对前方物体进行检测,在没有检测到番茄幼苗附近的荧光棒11时,色标传感器7的信号线保持低电平输出,此时不会产生任何动作;当色标传感器7检测到番茄幼苗附近的荧光棒11时,其信号会立即输出高电平,并传输至Arduino单片机开发板8,Arduino单片机开发板8接收到高电平信号后,立即向计算机5发出触发信号,计算机5接收到触发信号后,立即控制RGB相机4获取当前位置的图像信息。
RGB相机4获取到图像后,使用OpenCV函数库中的split函数将图像中的R、G、B三个通道分割,相对于红色和蓝色通道而言,番茄幼苗对绿色通道比较敏感,因此使用绿色通道生成灰度图。为了将图像中的前景与背景分离,使用threshold函数结合大津法,设定阈值为50将图像二值化,获取对应的二值图。
由于获取到的二值图存在较多的噪点,需要对图像进行形态学处理以消除噪声的影响,设计以下算法:采用3×3的结构元素对二值图进行一次腐蚀处理,将行数和列数均不足3个像素点的连通域消除,将行数或列数大于等于3个像素点的连通域的面积缩小(即处理掉一部分行数和列数均不足3个像素点的噪点连通域,又消除了番茄幼苗连通域和行数或列数大于等于3个像素点的噪点连通域之间的黏连);再计算出图像中各个连通域的面积,筛选出面积小于100个像素点的连通域,并将该连通域内的所有像素点的值改为0,过滤掉面积不足 100个像素点的噪声连通域,仅保留番茄幼苗和杂草12面积大于等于100个像素点的连通域;再采用3×3的结构元素对图像进行膨胀处理,以恢复连通域,降低腐蚀处理对番茄幼苗和杂草12连通域的影响。经过该方法处理,可与从RGB相机4拍摄的图像中较好的分离出番茄幼苗和杂草12,而消除了绝大部分的噪声。
在得到处理后的图像后,计算出每个连通域的最小外接矩形,并使用蓝色线在图像中绘制对应的矩形框。色标传感器7与RGB相机4在装置中安装的位置和方向都是固定且已知的,因此色标传感器7 产生的激光扫描线在图像中的位置和方向已知。得到处理后的图像后,以色标传感器7发出的信号在图像中的位置为起点,以其产生的激光扫描线为方向作射线,将与该射线相交的第一个矩形框标记为番茄幼苗矩形框,将该矩形框内的连通域位置信息作为番茄幼苗位置输出,图像中的其他矩形框标记为杂草12矩形框,将其连通域的位置信息作为杂草12位置输出。
通过该方法,可将番茄田内的杂草快速识别并定位,为精准机械除草和精准喷洒除草剂除草提供准确的定位信息,对农村农业部“双减”政策的实施提供了技术支持。同时,本发明为作物田内杂草识别提供了一个新的思路,为智慧农业提供了新的解决方案。
为了方便理解本发明的上述技术方案,以下就本发明在实际过程中的工作原理或者操作方式进行详细说明。
由于色标传感器根据灰度值对颜色进行识别,光线的强弱会对其识别结果造成一定的影响,因此在实际应用中,应首先在当前环境下对色标传感器进行学习,避免因环境光线变化导致的识别误差,使其能够准确识别荧光棒。
以上实施方式仅用于说明本发明专利,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的实质和范围的情况下,还可以做出各种变化和变型,因此所有同等的技术方案也属于本发明的保护范围。
本说明书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。
Claims (6)
1.一种用于移栽作物苗期的行内杂草自动识别装置,其特征在于,包括:暗室系统(1);黑色吸光幕布(2);白色LED灯(3);RGB相机(4);计算机(5);支架(6);色标传感器(7);Arduino单片机开发板(8);变压器(9)和荧光棒(11);
所述暗室系统(1)由型材搭建而成,四周用黑色吸光幕布(2)覆盖以隔绝外界光的干扰;
所述暗室系统(1)的内部顶端布置有一个RGB相机(4),所述RGB相机(4)与计算机(5)相连接;
所述暗室系统(1)的内部顶端固定有四盏白色LED灯(3),所述四盏白色LED灯(3)均与变压器(9)相连接;
所述RGB相机(4)位于白色LED灯(3)的下方;
所述暗室系统(1)内部底端布置有六个色标传感器(7),色标传感器(7)通过Arduino单片机开发板(8)与计算机(5)相连接,色标传感器(7)通过能够调整高度和角度的支架(6)固定;
所述荧光棒(11)设置在移栽作物幼苗(10)的根部位置。
2.如权利要求1所述的用于移栽作物苗期的行内杂草自动识别装置,其特征在于,所述RGB相机(4)的视角为45°,RGB相机(4)的焦距是8mm,RGB相机(4)距离地面的高度为800mm。
3.如权利要求1所述的用于移栽作物苗期的行内杂草自动识别装置,其特征在于,所述白色LED灯(3)的亮度通过变压器(9)调节,以保证合适的光照条件;变压器(9)的输出电压越大,白色LED灯(3)的亮度越高。
4.如权利要求1所述的用于移栽作物苗期的行内杂草自动识别装置,其特征在于,所述色标传感器(7)产生的激光扫描线与地面平行,六个色标传感器(7)均匀分布,安装高度为距离地面30mm。
5.如权利要求1所述的用于移栽作物苗期的行内杂草自动识别装置,其特征在于,杂草(12)和移栽作物幼苗(10)的图像在同一图像中分离。
6.一种用于移栽作物苗期的行内杂草自动识别方法,应用权利要求1-5任一权利要求所述的装置,其特征在于,包括:
步骤1、所述色标传感器(7)连续对前方物体进行检测,在没有检测到移栽作物幼苗(10)附近的荧光棒(11)时,色标传感器(7)的信号线保持低电平输出,当色标传感器(7)检测到移栽作物幼苗(10)附近的荧光棒(11)时,色标传感器(7)的信号线输出高电平,并传输至Arduino单片机开发板(8),Arduino单片机开发板(8)接收到高电平信号后,向计算机(5)发出触发信号,计算机(5)接收到触发信号后,控制RGB相机(4)获取当前位置的图像信息,图像尺寸设为800×600;
步骤2、所述RGB相机(4)获取图像后,将RGB图像转化为灰度图像,并将阈值设定为50,然后将灰度图像二值化,获取对应的二值图;
步骤3、采用3×3的结构元素对二值图进行一次腐蚀处理,将行数和列数均不足3个像素点的连通域消除,将行数或列数大于等于3个像素点的连通域的面积缩小;再计算出图像中各个连通域的面积,筛选出面积小于100个像素点的连通域,并将该连通域内的所有像素点的值改为0,过滤掉面积不足100个像素点的噪声连通域,仅保留移栽作物幼苗(10)和杂草(12)面积大于等于100个像素点的连通域;
步骤4、采用3×3的结构元素对步骤3得到的图像进行膨胀处理,以恢复连通域,降低腐蚀处理对移栽作物幼苗(10)和杂草(12)连通域的影响;
步骤5、基于步骤4得到的图像,计算出每个连通域的最小外接矩形,并使用蓝色线在图像中绘制对应的矩形框;
步骤6、基于步骤5得到的图像,以色标传感器(7)发出的信号在图像中的位置为起点,以其产生的激光扫描线为方向作射线,将与该射线相交的第一个矩形框标记为移栽作物幼苗(10)矩形框,将该矩形框内的连通域位置信息作为移栽作物幼苗(10)位置输出,图像中的其他矩形框标记为杂草(12)矩形框,将其连通域的位置信息作为杂草(12)位置输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525146.4A CN114419407B (zh) | 2021-12-14 | 2021-12-14 | 一种用于移栽作物苗期的行内杂草自动识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525146.4A CN114419407B (zh) | 2021-12-14 | 2021-12-14 | 一种用于移栽作物苗期的行内杂草自动识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114419407A CN114419407A (zh) | 2022-04-29 |
CN114419407B true CN114419407B (zh) | 2024-04-05 |
Family
ID=81268509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525146.4A Active CN114419407B (zh) | 2021-12-14 | 2021-12-14 | 一种用于移栽作物苗期的行内杂草自动识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419407B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117274566B (zh) * | 2023-09-25 | 2024-04-26 | 北京工业大学 | 一种基于深度学习和株间杂草分布状况的实时除草方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859375A (zh) * | 2010-06-01 | 2010-10-13 | 南京林业大学 | 农田苗期行内作物-杂草识别方法 |
CN109765190A (zh) * | 2019-02-20 | 2019-05-17 | 中国水稻研究所 | 一种利用高光谱成像技术识别稻田稗草的方法 |
CN110765927A (zh) * | 2019-10-21 | 2020-02-07 | 广西科技大学 | 一种植被群落中伴生杂草的识别方法 |
WO2021094115A1 (en) * | 2019-11-13 | 2021-05-20 | Basf Se | Crop monitoring and protection |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3244343A1 (en) * | 2016-05-12 | 2017-11-15 | Bayer Cropscience AG | Recognition of weed in a natural environment |
-
2021
- 2021-12-14 CN CN202111525146.4A patent/CN114419407B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101859375A (zh) * | 2010-06-01 | 2010-10-13 | 南京林业大学 | 农田苗期行内作物-杂草识别方法 |
CN109765190A (zh) * | 2019-02-20 | 2019-05-17 | 中国水稻研究所 | 一种利用高光谱成像技术识别稻田稗草的方法 |
CN110765927A (zh) * | 2019-10-21 | 2020-02-07 | 广西科技大学 | 一种植被群落中伴生杂草的识别方法 |
WO2021094115A1 (en) * | 2019-11-13 | 2021-05-20 | Basf Se | Crop monitoring and protection |
Non-Patent Citations (1)
Title |
---|
基于RGB颜色传感器的植物颜色检测系统研究;李喜朋;CNKI;20100630;1,15-32 * |
Also Published As
Publication number | Publication date |
---|---|
CN114419407A (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2764872C2 (ru) | Распознавание сорняка в естественной среде | |
US10740610B2 (en) | Methods, systems, and devices relating to shadow detection for real-time object identification | |
CN110286092B (zh) | 一种作物生长趋势分析系统 | |
CN106596412A (zh) | 利用无人机携带多光谱光源进行植物生长监测的方法 | |
CN113940326B (zh) | 一种基于物联网的害虫防控系统 | |
CN114419407B (zh) | 一种用于移栽作物苗期的行内杂草自动识别方法及装置 | |
WO2019014703A1 (en) | 2D AND / OR 3D IMAGING DEVICE WITH ACTIVE LIGHTING FOR AGRICULTURE | |
US11756136B2 (en) | Upward facing light sensor for plant detection | |
CN108133471A (zh) | 一种自然光照条件下基于人工蜂群算法的农业移动机器人导航路径提取方法及装置 | |
CN107121535A (zh) | 一种有效的农作物生长环境监测系统 | |
CN117011706A (zh) | 植物组织生长状况的研判系统及方法 | |
CN111798433A (zh) | 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 | |
CN104504736A (zh) | 一种识别大田作物长势监控图像中绿色植物的方法及系统 | |
CN108090910B (zh) | 一种基于信息熵梯度简化pcnn模型的夜间室外番茄植株图像分割算法 | |
CN113313737A (zh) | 一种基于计算机视觉的诱虫瓶昆虫计数方法以及计数装置 | |
Braun et al. | Improving pesticide spray application in vineyards by automated analysis of the foliage distribution pattern in the leaf wall | |
JP3551264B2 (ja) | 植物活力変動の評価画像作成方法 | |
CN110216082A (zh) | 荧光标记种子动态识别方法和系统 | |
CN114419442A (zh) | 不受外界光源干扰的地表秸秆覆盖率快速检测方法及装置 | |
CN115457437A (zh) | 作物识别方法、装置、系统及农药喷施机器人 | |
CN109187356A (zh) | 基于卫星遥感数据的大豆长势预测方法 | |
JP2019193581A (ja) | 植物栽培システム | |
JP2019193582A (ja) | 植物栽培装置 | |
CN113673279A (zh) | 植物生长辨识方法及其系统 | |
Esau et al. | Supplementary light source development for camera-based smart spraying in low light conditions |
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 |