CN114494839A - 一种障碍物识别方法、装置、设备、介质及除草机器人 - Google Patents

一种障碍物识别方法、装置、设备、介质及除草机器人 Download PDF

Info

Publication number
CN114494839A
CN114494839A CN202011241002.1A CN202011241002A CN114494839A CN 114494839 A CN114494839 A CN 114494839A CN 202011241002 A CN202011241002 A CN 202011241002A CN 114494839 A CN114494839 A CN 114494839A
Authority
CN
China
Prior art keywords
candidate
information
preset
obstacle
weeding
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
Application number
CN202011241002.1A
Other languages
English (en)
Inventor
朱绍明
任雪
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.)
Suzhou Cleva Electric Appliance Co Ltd
Suzhou Cleva Precision Machinery and Technology Co Ltd
Original Assignee
Suzhou Cleva Precision Machinery and Technology Co Ltd
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 Suzhou Cleva Precision Machinery and Technology Co Ltd filed Critical Suzhou Cleva Precision Machinery and Technology Co Ltd
Priority to CN202011241002.1A priority Critical patent/CN114494839A/zh
Priority to US18/251,960 priority patent/US20240013548A1/en
Priority to EP20960628.4A priority patent/EP4242910A4/en
Priority to PCT/CN2020/132572 priority patent/WO2022095171A1/zh
Publication of CN114494839A publication Critical patent/CN114494839A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D34/00—Mowers; Mowing apparatus of harvesters
    • A01D34/006—Control or measuring arrangements
    • A01D34/008—Control or measuring arrangements for automated or remotely controlled operation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B39/00—Other machines specially adapted for working soil on which crops are growing
    • A01B39/12—Other machines specially adapted for working soil on which crops are growing for special purposes, e.g. for special culture
    • A01B39/18—Other machines specially adapted for working soil on which crops are growing for special purposes, e.g. for special culture for weeding
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B69/00—Steering of agricultural machines or implements; Guiding agricultural machines or implements on a desired track
    • A01B69/001—Steering by means of optical assistance, e.g. television cameras
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Electromagnetism (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种障碍物识别方法、装置、设备、介质及除草机器人。该方法包括：根据候选除草区域图像的颜色信息确定候选除草区域图像中的候选障碍物区域；获取候选障碍物区域的轮廓信息和候选除草区域图像的明度信息；根据轮廓信息和明度信息，确定候选除草区域图像中是否存在障碍物。通过运行本发明实施例所提供的技术方案，可以解决通常采用埋设边界线的方式对除草机器人的除草区域的边界进行标定，耗费大量的人力和物力，增加了成本。并且由于对边界线的埋设存在限制一定程度上限制了除草区域的形状的问题，实现提高除草机器人的候选除草区域中障碍物的识别效率和准确率的效果。

Description

一种障碍物识别方法、装置、设备、介质及除草机器人
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种障碍物识别方法、装置、设备、介质及除草机器人。
背景技术
随着生活水平的提高，人们日益关注环境建设，因此城市绿化园林的建设愈发受到重视。与此同时，高效的绿化养护，如日常除草等，逐渐成为了一种需求。但由于传统除草机需要人工操控，因此具有自主工作功能的除草机器人逐渐兴起。
现有技术中，通常采用埋设边界线的方式对除草机器人的除草区域的边界进行标定，耗费大量的人力和物力，增加了成本。并且由于对边界线的埋设存在限制，例如拐角的角度不能小于90度，因此一定程度上限制了除草区域的形状。
发明内容
本发明实施例提供一种障碍物识别方法、装置、设备、介质及除草机器人，以实现提高除草机器人的候选除草区域中障碍物的识别效率和准确率的效果。
第一方面，本发明实施例提供了一种障碍物识别方法，该方法包括：
根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；
获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；
根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物。
第二方面，本发明实施例还提供了一种障碍物识别装置，该装置包括：
候选障碍物区域确定模块，用于根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；
信息获取模块，用于获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；
障碍物确定模块，用于根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物。
第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的障碍物识别方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的障碍物识别方法。
第五方面，本发明实施例还提供了一种除草机器人，包括机器人本体，还包括上述的电子设备。
本发明实施例通过根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物，解决现有技术中通常采用埋设边界线的方式对除草机器人的除草区域的边界进行标定，耗费大量的人力和物力，增加了成本。并且由于对边界线的埋设存在限制一定程度上限制了除草区域的形状的问题，实现提高除草机器人的候选除草区域中障碍物的识别效率和准确率的效果。
附图说明
图1为本发明实施例一提供的一种障碍物识别方法的流程图；
图2为本发明实施例二提供的一种障碍物识别方法的流程图；
图3为本发明实施例三提供的一种障碍物识别装置的结构示意图；
图4为本发明实施例四提供的一种电子设备的结构示意图。
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1为本发明实施例一提供的一种障碍物识别方法的流程图，本实施例可适用于除草机器人识别候选除草区域中障碍物的情况，该方法可以由本发明实施例所提供的障碍物识别装置来执行，该装置可以由软件和/或硬件的方式实现。参见图1，本实施例提供的障碍物识别方法，包括：
步骤110、根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域。
其中，候选除草区域为除草机器人可能的工作区域，可能全为待除的杂草，即为除草区域；也可能为区域表面覆盖有草的障碍物或边界区域，或者由于光照等原因造成斑驳导致难以识别的除草区域。
候选除草区域图像可以由安装在除草机器人上的摄像机进行拍摄，本实施例对此不作限制。候选除草区域图像的颜色信息可以为图像的色调Hue、饱和度Saturation、明度Value等信息，本实施例对此不作限制。通过颜色信息从候选除草区域图像中确定可能为障碍物的区域，示例性的，根据颜色信息确定图像中与周围颜色相差较大的区域作为候选障碍物区域。
本实施例中，可选的，根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域，包括：
根据所述候选除草区域图像的颜色信息获取所述候选除草区域图像的颜色分割图像；
对所述颜色分割图像进行形态学处理，并从形态学处理后的颜色分割图像中确定预设颜色的区域为候选障碍物区域。
其中，根据候选除草区域图像的颜色信息获取候选除草区域图像的颜色分割图像，可以根据颜色动态分割、边缘纹理方法分割、固定阈值分割、大津阈值分割等方式进行颜色分割，以获得候选除草区域图像的颜色分割图像。其中，颜色分割图像可以为二值图像。再对颜色分割图像进行形态学处理，其中，形态学处理可以为取反操作、开操作、闭操作等，本实施例对此不作限制。
从形态学处理后的颜色分割图像中确定预设颜色的区域为候选障碍物区域。例如将黑色区域作为除草区域，白色区域作为候选障碍物区域，以便进一步对候选障碍物区域进行识别。通过获取颜色分割图像对候选除草区域进行初步分类，并对颜色分割图像进行形态学处理以提高候选障碍物区域确定的准确性。
步骤120、获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息。
其中，轮廓信息为单个候选障碍物区域的轮廓信息，获取方式可以为对候选障碍物区域进行轮廓检测。轮廓信息可以包括轮廓的色度信息、粗糙度信息、范围信息等，本实施例对此不作限制。其中，粗糙度信息用于显示候选障碍物区域边缘的粗糙程度，可以为平均粗糙度，平均粗糙度的计算方式可以为将单个候选障碍物区域轮廓中障碍物区域所有像素的粗糙度之和除以轮廓中障碍物区域像素总个数。
本实施例中，可选的，确定粗糙度信息，包括：
获取所述候选除草区域图像的明度通道图像；
通过对所述明度通道图像进行边缘提取，获得边缘图像；
根据所述边缘图像的边缘信息中像素的灰度值确定所述粗糙度信息。
通过对候选除草区域图像进行通道分离，获取候选除草区域图像的明度通道图像，可选的，对明度通道图像进行预处理，预处理可以包括滤波处理、归一化处理等，本实施例对此不作限制。对预处理后的明度通道图像进行边缘提取，获得边缘图像，可以采用canny算子进行边缘提取，以提高边缘图像中边缘信息获取的准确率。
通过候选障碍物区域相应位置的边缘图像中的边缘信息确定候选障碍物区域的粗糙度信息，边缘信息包括候选障碍物区域轮廓中像素的灰度值。当粗糙度信息为平均粗糙度时，可以通过将轮廓中障碍物区域灰度值等于255的像素个数除以轮廓中障碍物区域的像素总个数，得到候选障碍物区域边缘的平均粗糙度。
通过边缘图像的边缘信息中像素的灰度值确定粗糙度信息，提高粗糙度信息获取的准确率，从而提高障碍物识别的准确率。
候选除草区域图像的明度信息为候选除草区域图像整体的明度信息，可以通过获取候选除草区域图像的明度通道图像以获取图中与明度相关的信息。通过明度信息判断候选障碍物区域与光照之间的关系。
本实施例中，可选的，所述候选除草区域图像的明度信息包括：曝光状态像素个数和非曝光状态白色像素个数；
相应的，获取所述候选除草区域图像的明度信息，包括：
根据所述候选除草区域图像中像素的明度值，获取所述曝光状态像素个数；
根据所述候选除草区域图像中像素的明度值和色度值，获取所述非曝光状态白色像素个数。
其中，曝光状态像素个数为候选除草区域图像中处于曝光状态的像素的个数。非曝光状态白色像素为候选除草区域图像中不处于曝光状态但呈现白色的像素的个数，例如候选除草区域图像中本身为白色的障碍物的像素。
根据候选除草区域图像中像素的明度值，获取曝光状态像素个数，获取方式可以为通过获取候选除草区域图像的明度通道图像，统计其中明度值大于等于预设阈值，例如255，的像素个数，作为曝光状态像素个数。
根据候选除草区域图像中像素的明度和色度，获取非曝光状态白色像素个数。获取方式可以为通过获取候选除草区域图像的明度通道图像和色度通道图像，统计在明度通道图像中明度值小于预设阈值，例如255，且色度通道图像中色度值为小于等于预设阈值，例如0，的像素个数，作为非曝光状态白色像素个数。
通过将明度信息分为曝光状态像素个数和非曝光状态白色像素个数，以及根据像素的明度值和/或色度值确定明度信息。提高后续区分候选障碍物区域中光照等原因造成斑驳的除草区域和本身为白色的障碍物区域的准确性。
步骤130、根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物。
将候选障碍物区域的轮廓信息和候选除草区域图像的明度信息与预设信息判断条件进行对比。其中，预设信息判断条件与轮廓信息和明度信息相关。若满足预设信息条件，则确定候选障碍物区域为障碍物区域，即确定障碍物区域所在的候选除草区域图像中存在障碍物，以便除草机器人进行后续障碍物处理。
示例性的，识别出的障碍物为区域表面覆盖有草的障碍物。
本实施例所提供的技术方案，通过根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物，解决现有技术中通常采用埋设边界线的方式对除草机器人的除草区域的边界进行标定，耗费大量的人力和物力，增加了成本。并且由于对边界线的埋设存在限制一定程度上限制了除草区域的形状的问题，实现提高除草机器人的候选除草区域中障碍物的识别效率和准确率的效果。
实施例二
图2为本发明实施例二提供的一种障碍物识别方法的流程图，本技术方案是针对根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物的过程进行补充说明的。与上述方案相比，本方案具体优化为，所述候选障碍物区域的轮廓信息包括：色度有效像素数量、色度有效像素占比、粗糙度信息和范围信息中的至少一种，所述明度信息包括：曝光状态像素个数和/或非曝光状态白色像素个数；，则根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物，包括：
若所述色度有效像素数量大于预设有效像素数量阈值且所述范围信息大于预设第一范围阈值，判断所述色度有效像素占比是否小于预设第一色度有效像素占比阈值；
若是，则根据所述轮廓信息、所述明度信息和预设第一信息判断条件确定所述候选除草区域图像中是否存在障碍物；
若否，则根据所述轮廓信息、所述明度信息和预设第二信息判断条件确定所述候选除草区域图像中是否存在障碍物。具体的，障碍物识别的流程图如图2所示：
步骤210、根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域。
步骤220、获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；所述候选障碍物区域的轮廓信息包括：色度有效像素数量、色度有效像素占比、粗糙度信息和范围信息中的至少一种；所述明度信息包括：曝光状态像素个数和/或非曝光状态白色像素个数。
其中，色度有效像素数量为单个候选障碍物区域的轮廓中障碍物区域处于有效像素值色度范围的像素个数。色度有效像素占比为单个候选障碍物区域的轮廓中障碍物区域处于有效像素值色度范围的像素占该轮廓中障碍物区域全部像素的比例。范围信息用于表示候选障碍物区域的大小，可以为面积、对角线长度，宽度、高度、包含像素个数等，本实施例对此不作限制。
本实施例中，可选的，获取所述色度有效像素数量和/或所述色度有效像素占比，包括：
根据所述候选除草区域图像的颜色信息确定所述候选除草区域图像的色度分割阈值区间；
根据所述色度分割阈值区间和所述候选障碍物区域中像素的色度值，获取所述色度有效像素数量和/或所述色度有效像素占比。
其中，根据候选除草区域图像的颜色信息获取候选除草区域图像的颜色分割图像，可以根据颜色动态分割、边缘纹理方法分割、固定阈值分割、大津阈值分割等方式进行颜色分割，获得候选除草区域图像的色度分割阈值区间，以根据色度分割阈值区间将候选除草区域图像转换为颜色分割图像。
将色度分割阈值区间作为有效像素值色度范围，将像素的色度值处于色度分割阈值区间的像素作为色度有效像素。将单个候选障碍物区域的轮廓中障碍物区域色度有效像素的个数作为色度有效像素数量，将单个候选障碍物区域的轮廓中障碍物区域色度有效像素占该轮廓中障碍物区域全部像素的比例作为色度有效像素占比。
通过根据候选除草区域图像确定的色度分割阈值区间，获取色度有效像素数量和/或色度有效像素占比，提高有效像素数量和/或色度有效像素占比与候选除草区域图像本身的关联程度，从而提高后续候选除草区域中障碍物的识别准确率。
步骤230、若所述色度有效像素数量大于预设有效像素数量阈值且所述范围信息大于预设第一范围阈值，判断所述色度有效像素占比是否小于预设第一色度有效像素占比阈值。
其中，预设第一有效像素数量阈值可以为经验值，本实施例对此不作限制。当色度有效像素数量大于预设有效像素数量阈值，表明候选障碍物区域是除草区域图像的可能性变大，需要进一步判断该候选障碍物区域是除草区域还是颜色类似除草区域的障碍物区域，且范围信息大于预设第一范围阈值，避免处理过小的候选障碍物区域，。
当满足上述条件时，再判断色度有效像素占比是否小于预设色度有效像素占比阈值，即在从除草区域的可能性较大的候选障碍物区域中确定是障碍物相对可能性较大的候选障碍物区域。
可选的，轮廓信息还包括位置信息。位置信息用于显示候选障碍物区域与除草机器人之间的距离，例如为候选障碍物区域最小外接矩形右下角的y轴坐标值，当然也可以选取其他有代表性的坐标值，本实施例对此不作限制。在通过色度有效像素数量和范围信息对候选障碍物区域判断的基础上，通过位置信息进一步判断，避免处理过远的候选障碍物区域，减少了处理的数据，提高了障碍物识别的效率。
例如若色度有效像素数量大于预设有效像素数量阈值、范围信息超过预设第一范围阈值，且位置信息大于预设位置阈值，则再判断色度有效像素占比是否在预设色度有效像素占比阈值的范围内。
示例性的，色度有效像素数量为SContoursi，其中i为候选障碍物区域的编号，色度有效像素占比为SPContoursi，范围信息为候选障碍物区域的对角线长度AContoursi.diagonal或者候选障碍物区域的高度AContoursi.height，位置信息为候选障碍物区域最小外接矩形右下角的y轴坐标值YContoursi，坐标值越大表明候选障碍物区域离机器人越近。若预设色度阈值为a，预设色度有效像素占比阈值为0.4，预设第一范围阈值的对角线阈值为105，高度阈值为70，预设位置阈值为75，则判断条件为：若SContoursi＞a且AContoursi.diagonal>105且YContoursi>75；或SContoursi＞a且AContoursi.height>70且YContoursi>75。则再判断，是否SPContoursi＜0.4
步骤240、若是，则根据所述轮廓信息、所述明度信息和预设第一信息判断条件确定所述候选除草区域图像中是否存在障碍物。
当色度有效像素数量大于预设有效像素数量阈值，且范围信息大于预设第一范围阈值，且色度有效像素占比小于预设第一色度有效像素占比阈值时，根据轮廓信息、明度信息和预设第一信息判断条件确定候选除草区域图像中是否存在障碍物。即对从除草区域的可能性较大的候选障碍物区域中确定的是障碍物相对可能性较大的候选障碍物区域进行进一步分析。其中，预设第一信息判断条件可以根据具体判断情景进行调整，本实施例对此不作限制。
本实施例中，可选的，根据所述轮廓信息、所述明度信息和预设第一信息判断条件确定所述候选除草区域图像中是否存在障碍物，包括：
若所述曝光状态像素个数小于预设第一曝光状态像素个数阈值且大于预设第二曝光状态像素个数阈值，且所述粗糙度信息小于预设第一粗糙度阈值，则确定所述候选除草区域图像中存在障碍物；
若所述曝光状态像素个数大于预设第三曝光状态像素个数阈值，且所述色度有效像素占比小于预设第二色度有效像素占比阈值，且所述范围信息大于预设第二范围阈值，则确定所述候选除草区域图像中存在障碍物；
若所述曝光状态像素个数大于预设第四曝光状态像素个数阈值，且所述非曝光状态白色像素个数大于预设第一非曝光状态白色像素阈值，且所述粗糙度信息小于预设第二粗糙度阈值，且所述范围信息大于预设第三范围阈值，则确定所述候选除草区域图像中存在障碍物。
若轮廓信息和明度信息满足预设第一信息判断条件，则确定候选除草区域图像中存在障碍物。
示例性的，粗糙度信息为候选障碍物区域轮廓的平均粗糙度HContoursi，平均粗糙度越小，表明候选障碍物区域越光滑，范围信息为候选障碍物区域中像素个数AContoursi.pixels，曝光状态像素个数overbrightPix和非曝光状态白色像素个数zeroPix。
示例性的，预设第一曝光状态像素个数阈值为200，预设第二曝光状态像素个数阈值为2500，预设第一粗糙度阈值为0.25，则预设第一信息判断条件为200<overbrightPix<2500且HContoursi<0.25，则满足该条件时，确定候选除草区域图像中存在障碍物，障碍物可能为被草覆盖的有漆的石板路。
例如预设第三曝光状态像素个数阈值为500，预设第二色度有效像素占比阈值为0.29，且预设第二范围阈值为7700，则预设第一信息判断条件为500<overbrightPix且SPContoursi<0.29且AContoursi.pixels>7700，则满足该条件时，确定候选除草区域图像中存在障碍物，障碍物可能为树叶或者木渣。
例如预设第四曝光状态像素个数阈值为400，预设第一非曝光状态白色像素阈值为80，预设第二粗糙度阈值为0.27，预设第三范围阈值为6900，则预设第一信息判断条件为400<overbrightPix且zeroPix>80且HContoursi<0.27且AContoursi.pixels>6900，则满足该条件时，确定候选除草区域图像中存在障碍物。
步骤250、若否，则根据所述轮廓信息、所述明度信息和预设第二信息判断条件确定所述候选除草区域图像中是否存在障碍物。
当色度有效像素数量大于预设有效像素数量阈值，且色度有效像素占比大于预设色度有效像素占比阈值时，根据轮廓信息、明度信息和预设第二信息判断条件确定候选除草区域图像中是否存在障碍物。即对从除草区域的可能性较大的候选障碍物区域中确定的是障碍物相对可能性较小的候选障碍物区域进行进一步分析。其中，预设第二信息判断条件可以根据具体判断情景进行调整，本实施例对此不作限制。
本实施例中间，可选的，根据所述轮廓信息、所述明度信息和预设第二信息判断条件确定所述候选除草区域图像中是否存在障碍物，包括：
若所述曝光状态像素个数小于预设第五曝光状态像素个数阈值且大于预设第六曝光状态像素个数阈值，且所述色度有效像素占比小于预设第三色度有效像素占比阈值，且所述范围信息大于预设第四范围阈值，且所述粗糙度信息小于预设第三粗糙度阈值，且所述非曝光状态白色像素个数大于预设第二非曝光状态白色像素阈值，则确定所述候选除草区域图像中存在障碍物；
若所述曝光状态像素个数小于预设第七曝光状态像素个数阈值且大于预设第八曝光状态像素个数阈值，且所述色度有效像素占比小于预设第四色度有效像素占比阈值，且所述粗糙度信息小于预设第四粗糙度阈值，则确定所述候选除草区域图像中存在障碍物。
若轮廓信息和明度信息满足预设第二信息判断条件，则确定候选除草区域图像中存在障碍物。
示例性的，预设第五曝光状态像素个数阈值为300，预设第六曝光状态像素个数阈值为400，预设第三色度有效像素占比阈值为0.6，预设第四范围阈值为8000，预设第三粗糙度阈值为0.26，预设第二非曝光状态白色像素阈值为100，则预设第二信息判断条件为300<overbrightPix<400且SPContoursi<0.6且AContoursi.pixels>8000且HContoursi<0.26且zeroPix>100，则满足该条件时，确定候选除草区域图像中存在障碍物，障碍物可能为从缝隙中长出草的石板路。
例如，预设第七曝光状态像素个数阈值为200，预设第八曝光状态像素个数阈值为2500，预设第四色度有效像素占比阈值为0.6，预设第四粗糙度阈值为0.23，则预设第二信息判断条件为200<overbrightPix<2500且SPContoursi<0.6且HContoursi<0.23，则满足该条件时，确定候选除草区域图像中存在障碍物。
本发明实施例通过根据色度有效像素数量、色度有效像素占比、粗糙度信息、范围信息等轮廓信息和明度信息，确定候选除草区域图像中是否存在障碍物，提高对于区域表面覆盖有草的障碍物或边界区域，或者由于光照等原因造成斑驳导致难以确定是否为障碍物区域的候选障碍物区域识别的准确率。
实施例三
图3为本发明实施例三提供的一种障碍物识别装置的结构示意图。该装置可以由硬件和/或软件的方式来实现，可执行本发明任意实施例所提供的一种障碍物识别方法，具备执行方法相应的功能模块和有益效果。如图3所示，该装置包括：
候选障碍物区域确定模块310，用于根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；
信息获取模块320，用于获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；
障碍物确定模块330，用于根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物。
本实施例所提供的技术方案，通过根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物，解决现有技术中通常采用埋设边界线的方式对除草机器人的除草区域的边界进行标定，耗费大量的人力和物力，增加了成本。并且由于对边界线的埋设存在限制一定程度上限制了除草区域的形状的问题，实现提高除草机器人的候选除草区域中障碍物的识别效率和准确率的效果。
在上述各技术方案的基础上，可选的，所述候选障碍物区域确定模块，包括：
颜色分割图像获取单元，用于根据所述候选除草区域图像的颜色信息获取所述候选除草区域图像的颜色分割图像；
候选障碍物区域确定单元，用于对所述颜色分割图像进行形态学处理，并从形态学处理后的颜色分割图像中确定预设颜色的区域为候选障碍物区域。
在上述各技术方案的基础上，可选的，所述候选障碍物区域的轮廓信息包括：色度有效像素数量、色度有效像素占比、粗糙度信息和范围信息中的至少一种；所述明度信息包括：曝光状态像素个数和/或非曝光状态白色像素个数；。
相应的，所述障碍物确定模块，包括：
占比判断单元，用于若所述色度有效像素数量大于预设有效像素数量阈值且所述范围信息大于预设第一范围阈值，判断所述色度有效像素占比是否小于预设第一色度有效像素占比阈值；
第一障碍物确定单元，用于若所述占比判断单元判断为是，则根据所述轮廓信息、所述明度信息和预设第一信息判断条件确定所述候选除草区域图像中是否存在障碍物；
第二障碍物确定单元，用于若所述占比判断单元判断为否，则根据所述轮廓信息、所述明度信息和预设第二信息判断条件确定所述候选除草区域图像中是否存在障碍物。
在上述各技术方案的基础上，可选的，所述第一障碍物确定单元，包括：第一障碍物确定子单元，用于若所述曝光状态像素个数小于预设第一曝光状态像素个数阈值且大于预设第二曝光状态像素个数阈值，且所述粗糙度信息小于预设第一粗糙度阈值，则确定所述候选除草区域图像中存在障碍物；
第二障碍物确定子单元，用于若所述曝光状态像素个数大于预设第三曝光状态像素个数阈值，且所述色度有效像素占比小于预设第二色度有效像素占比阈值，且所述范围信息大于预设第二范围阈值，则确定所述候选除草区域图像中存在障碍物；
第三障碍物确定子单元，用于若所述曝光状态像素个数大于预设第四曝光状态像素个数阈值，且所述非曝光状态白色像素个数大于预设第一非曝光状态白色像素阈值，且所述粗糙度信息小于预设第二粗糙度阈值，且所述范围信息大于预设第三范围阈值，则确定所述候选除草区域图像中存在障碍物。
在上述各技术方案的基础上，可选的，所述第二障碍物确定单元，包括：
第四障碍物确定子单元，用于若所述曝光状态像素个数小于预设第五曝光状态像素个数阈值且大于预设第六曝光状态像素个数阈值，且所述色度有效像素占比小于预设第三色度有效像素占比阈值，且所述范围信息大于预设第四范围阈值，且所述粗糙度信息小于预设第三粗糙度阈值，且所述非曝光状态白色像素个数大于预设第二非曝光状态白色像素阈值，则确定所述候选除草区域图像中存在障碍物；
第五障碍物确定子单元，用于若所述曝光状态像素个数小于预设第七曝光状态像素个数阈值且大于预设第八曝光状态像素个数阈值，且所述色度有效像素占比小于预设第四色度有效像素占比阈值，且所述粗糙度信息小于预设第四粗糙度阈值，则确定所述候选除草区域图像中存在障碍物。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图，如图4所示，该电子设备包括处理器40、存储器41、输入装置42和输出装置43；电子设备中处理器40的数量可以是一个或多个，图4中以一个处理器40为例；电子设备中的处理器40、存储器41、输入装置42和输出装置43可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器41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障碍物识别方法对应的程序指令/模块。处理器40通过运行存储在存储器41中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述的障碍物识别方法。
存储器41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41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41可进一步包括相对于处理器40远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。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。
实施例五
本发明实施例五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障碍物识别方法，该方法包括：
根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；
获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；
根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物。
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障碍物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，上述障碍物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。
实施例六
本发明实施例六提供一种除草机器人，包括机器人本体，还包括本发明实任意实施例所述的电子设备。
具体的，安装在除草机器人上的电子设备可以执行本发明任意实施例所述的一种障碍物识别方法的相关操作。
其中，机器人本体可以包括左右两个主动动轮，可分别由电机驱动，电机可以为带减速箱和带霍尔传感器的无刷电机。机器人本体通过控制两个主动动轮的速度、方向实现向前、后退、转弯及圆弧等行驶操作。机器人本体还包括万向轮、摄像机和可充放电池，其中，万向轮起支撑平衡作用。摄像机安装于机器人的指定位置，与水平方向成预设夹角，以拍摄候选除草区域图像。可充放电池用于提供电源，供机器人工作。
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 (10)

1.一种障碍物识别方法，其特征在于，包括：
根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；
获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；
根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物。
2.根据权利要求1所述的方法，其特征在于，根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域，包括：
根据所述候选除草区域图像的颜色信息获取所述候选除草区域图像的颜色分割图像；
对所述颜色分割图像进行形态学处理，并从形态学处理后的颜色分割图像中确定预设颜色的区域为候选障碍物区域。
3.根据权利要求1所述的方法，其特征在于，所述候选障碍物区域的轮廓信息包括：色度有效像素数量、色度有效像素占比、粗糙度信息和范围信息中的至少一种；所述明度信息包括：曝光状态像素个数和/或非曝光状态白色像素个数；
相应的，根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物，包括：
若所述色度有效像素数量大于预设有效像素数量阈值且所述范围信息大于预设第一范围阈值，判断所述色度有效像素占比是否小于预设第一色度有效像素占比阈值；
若是，则根据所述轮廓信息、所述明度信息和预设第一信息判断条件确定所述候选除草区域图像中是否存在障碍物；
若否，则根据所述轮廓信息、所述明度信息和预设第二信息判断条件确定所述候选除草区域图像中是否存在障碍物。
4.根据权利要求3所述的方法，其特征在于，根据所述轮廓信息、所述明度信息和预设第一信息判断条件确定所述候选除草区域图像中是否存在障碍物，包括：
若所述曝光状态像素个数小于预设第一曝光状态像素个数阈值且大于预设第二曝光状态像素个数阈值，且所述粗糙度信息小于预设第一粗糙度阈值，则确定所述候选除草区域图像中存在障碍物；
若所述曝光状态像素个数大于预设第三曝光状态像素个数阈值，且所述色度有效像素占比小于预设第二色度有效像素占比阈值，且所述范围信息大于预设第二范围阈值，则确定所述候选除草区域图像中存在障碍物；若所述曝光状态像素个数大于预设第四曝光状态像素个数阈值，且所述非曝光状态白色像素个数大于预设第一非曝光状态白色像素阈值，且所述粗糙度信息小于预设第二粗糙度阈值，且所述范围信息大于预设第三范围阈值，则确定所述候选除草区域图像中存在障碍物。
5.根据权利要求3所述的方法，其特征在于，根据所述轮廓信息、所述明度信息和预设第二信息判断条件确定所述候选除草区域图像中是否存在障碍物，包括：
若所述曝光状态像素个数小于预设第五曝光状态像素个数阈值且大于预设第六曝光状态像素个数阈值，且所述色度有效像素占比小于预设第三色度有效像素占比阈值，且所述范围信息大于预设第四范围阈值，且所述粗糙度信息小于预设第三粗糙度阈值，且所述非曝光状态白色像素个数大于预设第二非曝光状态白色像素阈值，则确定所述候选除草区域图像中存在障碍物；
若所述曝光状态像素个数小于预设第七曝光状态像素个数阈值且大于预设第八曝光状态像素个数阈值，且所述色度有效像素占比小于预设第四色度有效像素占比阈值，且所述粗糙度信息小于预设第四粗糙度阈值，则确定所述候选除草区域图像中存在障碍物。
6.一种障碍物识别装置，其特征在于，包括：
候选障碍物区域确定模块，用于根据候选除草区域图像的颜色信息确定所述候选除草区域图像中的候选障碍物区域；
信息获取模块，用于获取所述候选障碍物区域的轮廓信息和所述候选除草区域图像的明度信息；
障碍物确定模块，用于根据所述轮廓信息和所述明度信息，确定所述候选除草区域图像中是否存在障碍物。
7.根据权利要求6所述的装置，其特征在于，所述候选障碍物区域确定模块，包括：
颜色分割图像获取单元，用于根据所述候选除草区域图像的颜色信息获取所述候选除草区域图像的颜色分割图像；
候选障碍物区域确定单元，用于对所述颜色分割图像进行形态学处理，并从形态学处理后的颜色分割图像中确定预设颜色的区域为候选障碍物区域。
8.一种电子设备，其特征在于，所述电子设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5中任一所述的障碍物识别方法。
9.一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，该程序被处理器执行时实现如权利要求1-5中任一所述的障碍物识别方法。
10.一种除草机器人，包括机器人本体，其特征在于，还包括如权利要求8中所述的电子设备。
CN202011241002.1A 2020-11-09 2020-11-09 一种障碍物识别方法、装置、设备、介质及除草机器人 Pending CN114494839A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202011241002.1A CN114494839A (zh) 2020-11-09 2020-11-09 一种障碍物识别方法、装置、设备、介质及除草机器人
US18/251,960 US20240013548A1 (en) 2020-11-09 2020-11-30 Obstacle recognition method, apparatus, and device, medium and weeding robot
EP20960628.4A EP4242910A4 (en) 2020-11-09 2020-11-30 OBSTACLE DETECTION METHOD, DEVICE AND DEVICE, MEDIUM AND WEEDING ROBOTS
PCT/CN2020/132572 WO2022095171A1 (zh) 2020-11-09 2020-11-30 一种障碍物识别方法、装置、设备、介质及除草机器人

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011241002.1A CN114494839A (zh) 2020-11-09 2020-11-09 一种障碍物识别方法、装置、设备、介质及除草机器人

Publications (1)

Publication Number Publication Date
CN114494839A true CN114494839A (zh) 2022-05-13

Family

ID=81458596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011241002.1A Pending CN114494839A (zh) 2020-11-09 2020-11-09 一种障碍物识别方法、装置、设备、介质及除草机器人

Country Status (4)

Country Link
US (1) US20240013548A1 (zh)
EP (1) EP4242910A4 (zh)
CN (1) CN114494839A (zh)
WO (1) WO2022095171A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024046365A1 (en) * 2022-08-31 2024-03-07 Positec Power Tools (Suzhou) Co., Ltd. Island/border distinguishing for a robot lawnmower

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104111653A (zh) * 2013-04-22 2014-10-22 苏州宝时得电动工具有限公司 自动行走设备及其工作区域判断方法
CN104111460A (zh) * 2013-04-22 2014-10-22 苏州宝时得电动工具有限公司 自动行走设备及其障碍检测方法
CN106155053A (zh) * 2016-06-24 2016-11-23 桑斌修 一种割草方法、装置以及系统
CN107139666A (zh) * 2017-05-19 2017-09-08 四川宝天智控系统有限公司 越障识别系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8475050B2 (en) * 2009-12-07 2013-07-02 Honeywell International Inc. System and method for obstacle detection using fusion of color space information
US10157320B2 (en) * 2013-06-28 2018-12-18 Institute Of Automation, Chinese Academy Of Sciences Vehicle detection method based on hybrid image template
CN105701844B (zh) * 2016-01-15 2018-11-27 苏州大学 基于颜色特征的障碍物或阴影检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104111653A (zh) * 2013-04-22 2014-10-22 苏州宝时得电动工具有限公司 自动行走设备及其工作区域判断方法
CN104111460A (zh) * 2013-04-22 2014-10-22 苏州宝时得电动工具有限公司 自动行走设备及其障碍检测方法
CN106155053A (zh) * 2016-06-24 2016-11-23 桑斌修 一种割草方法、装置以及系统
CN107139666A (zh) * 2017-05-19 2017-09-08 四川宝天智控系统有限公司 越障识别系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024046365A1 (en) * 2022-08-31 2024-03-07 Positec Power Tools (Suzhou) Co., Ltd. Island/border distinguishing for a robot lawnmower

Also Published As

Publication number Publication date
WO2022095171A1 (zh) 2022-05-12
US20240013548A1 (en) 2024-01-11
EP4242910A1 (en) 2023-09-13
EP4242910A4 (en) 2024-10-16

Similar Documents

Publication Publication Date Title
CN113761970B (zh) 基于图像识别工作位置的方法、系统，机器人及存储介质
CN104036262B (zh) 一种lpr车牌筛选识别的方法和系统
US20240071094A1 (en) Obstacle recongnition method applied to automatic traveling device and automatic traveling device
CN113822094B (zh) 基于图像识别工作位置的方法、系统，机器人及存储介质
CN113822095B (zh) 基于图像识别工作位置的方法、系统，机器人及存储介质
FAN et al. Robust lane detection and tracking based on machine vision
CN114494839A (zh) 一种障碍物识别方法、装置、设备、介质及除草机器人
US20240029268A1 (en) Image Analysis Method and Apparatus, Computer Device, and Readable Storage Medium
WO2022099755A1 (zh) 基于图像识别工作区域的方法、系统及机器人
WO2022095170A1 (zh) 一种障碍物识别方法、装置、设备、介质及除草机器人
CN113313968A (zh) 车位检测方法及存储介质
WO2022095161A1 (zh) 一种障碍物识别方法、装置、设备、介质及除草机器人
WO2022135444A1 (zh) 一种障碍物识别方法、装置、设备、介质及除草机器人
WO2022135437A1 (zh) 一种障碍物识别方法、装置、设备、介质及除草机器人
CN114677581A (zh) 一种障碍物识别方法、装置、设备、介质及除草机器人
EP4266206A1 (en) Obstacle recognition method and apparatus, device, medium and weeding robot
CN115147713A (zh) 基于图像识别非工作区域的方法、系统、设备及介质
US20240029267A1 (en) Image Analysis Method and Apparatus, Computer Device, and Readable Storage Medium
WO2022135361A1 (zh) 一种障碍物识别方法、装置、设备、介质及除草机器人
CN115147714A (zh) 基于图像识别非工作区域的方法及系统
CN115147712A (zh) 基于图像识别非工作区域的方法及系统
CN118781359A (zh) 自移动设备及用于自移动设备的工作区域识别方法

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
TA01 Transfer of patent application right

Effective date of registration: 20230602

Address after: 215000 No. 8 Ting Rong Street, Suzhou Industrial Park, Jiangsu, China

Applicant after: Suzhou Cleva Precision Machinery & Technology Co.,Ltd.

Applicant after: SKYBEST ELECTRIC APPLIANCE (SUZHOU) Co.,Ltd.

Address before: 215000 Huahong street, Suzhou Industrial Park, Jiangsu 18

Applicant before: Suzhou Cleva Precision Machinery & Technology Co.,Ltd.

TA01 Transfer of patent application right