CN114511520A - 作物形态检测方法、装置、设备及存储介质 - Google Patents
作物形态检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114511520A CN114511520A CN202210068270.0A CN202210068270A CN114511520A CN 114511520 A CN114511520 A CN 114511520A CN 202210068270 A CN202210068270 A CN 202210068270A CN 114511520 A CN114511520 A CN 114511520A
- Authority
- CN
- China
- Prior art keywords
- lodging
- image data
- area
- height
- crop
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- 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)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种作物形态检测方法、装置、设备及存储介质。本申请实施例提供的技术方案,包括:获取待检测区域的第一影像数据和第二影像数据,第二影像数据包括待检测区域的地面高度信息;根据第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定待检测区域中的倒伏区域;根据倒伏区域的地面高度信息,确定倒伏区域的倒伏程度。通过上述技术手段,解决了现有技术中基于像素点的作物形态检测方法因噪声影响导致检测精度低且无法判断倒伏程度的问题,提高作物倒伏检测精度,提高定损结果的准确性。
Description
技术领域
本申请涉及农业技术领域,尤其涉及一种作物形态检测方法、装置、设备及存储介质。
背景技术
作物形态检测是农业生产中被广泛应用的技术手段,通过检测作物形态确定作物的生长状况或预估作物产量。其中,作物倒伏属于作物的异常生长状况,作物倒伏导致产量大减甚至绝收,造成极大的经济损失。作物倒伏产生后,可根据作物倒伏的程度进行农业保险行业的定损,以便农业保险进行理赔,降低农作物带来的经济损失。
目前作物形态检测方法是基于像素点的作物形态检测,通过提取作物区域的图像特征,可以根据图像特征检测对应像素点的作物形态,并根据作物形态判断作物是否发生倒伏。但该方法容易受噪声影响,作物倒伏检测的精度低且无法判断作物的倒伏程度,影响定损结果的准确性。
发明内容
本申请提供一种作物形态检测方法、装置、设备及存储介质,解决了现有技术中基于像素点的作物形态检测方法因噪声影响导致检测精度低且无法判断倒伏程度的问题,提高作物倒伏检测精度,提高定损结果的准确性。
第一方面,本申请提供了一种作物形态检测方法,包括:
获取待检测区域的第一影像数据和第二影像数据,所述第二影像数据包括所述待检测区域的地面高度信息;
根据所述第一影像数据中的地面颜色信息和所述第二影像数据中的地面高度信息,确定所述待检测区域中的倒伏区域;
根据所述倒伏区域的地面高度信息,确定所述倒伏区域的倒伏程度。
第二方面,本申请提供了一种作物形态检测装置,包括:
影像数据获取模块,被配置为获取待检测区域的第一影像数据和第二影像数据,所述第二影像数据包括所述待检测区域的地面高度信息;
倒伏区域确定模块,被配置为根据所述第一影像数据中的地面颜色信息和所述第二影像数据中的地面高度信息,确定所述待检测区域中的倒伏区域;
倒伏程度确定模块,被配置为根据所述倒伏区域的地面高度信息,确定所述倒伏区域的倒伏程度。
第三方面,本申请提供了一种作物形态检测设备,包括:
一个或多个处理器;存储装置,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第一方面所述的作物形态检测方法。
第四方面,本申请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第一方面所述的作物形态检测方法。
本申请通过获取待检测区域的第一影像数据和第二影像数据,第二影像数据包括待检测区域的地面高度信息;根据第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定待检测区域中的倒伏区域;根据倒伏区域的地面高度信息,确定倒伏区域的倒伏程度。通过上述技术手段,将待检测区域的地面高度信息和地面颜色信息相结合确定倒伏区域,提高倒伏区域的检测精度。通过倒伏区域的地面高度信息确定作物的倒伏程度,提高定损结果的准确性。
附图说明
图1是本申请实施例提供的一种作物形态检测方法的流程图;
图2是本申请实施例提供的确定倒伏区域的流程图;
图3是本申请实施例提供的确定边缘集合的流程图;
图4是本申请实施例提供的对影像数据进行二值化处理的流程图;
图5是本申请实施例提供的对边缘集合进行去噪修正的流程图;
图6是本申请实施例提供的修正边缘集合的流程图;
图7是本申请实施例提供的待检测区域的示意图;
图8是本申请实施例提供的确定倒伏区域的倒伏程度的流程图;
图9是本申请实施例提供的确定各种倒伏程度对应的子区域的流程图;
图10是本申请实施例提供的倒伏程度对应的子区域的示意图;
图11是本申请实施例提供的优化倒伏程度的梯度范围的流程图;
图12是本申请实施例提供的一种作物形态检测装置的结构示意图;
图13是本申请实施例提供的一种作物形态检测设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案和优点更加清楚,下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本申请,而非对本申请的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本申请的说明书和权利要求书中的术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
本实施例中提供的作物形态检测方法可以由作物形态检测设备执行,该作物形态检测设备可以通过软件和/或硬件的方式实现,该作物形态检测设备可以是两个或多个物理实体构成,也可以是一个物理实体构成。例如作物形态检测设备可以是服务器等运算能力较强的设备,也可以是采集图像数据的智能设备,如无人设备。示例性的,当服务器为作物形态检测方法的执行主体时,服务器接收无人设备发送的作物区域的遥感影像数据,基于遥感影像数据确定出作物区域中的倒伏区域。当无人设备为作物形态检测方法的执行主体时,无人设备采集到作物区域的遥感影像数据后,基于遥感影像数据确定出作物区域中的倒伏区域。
作物形态检测设备安装有至少一类操作系统,其中,操作系统包括但不限定于安卓系统、Linux系统及Windows系统。作物形态检测设备可以基于操作系统安装至少一个应用程序,应用程序可以为操作系统自带的应用程序,也可以为从第三方设备或者服务器中下载的应用程序,实施例中,作物形态检测设备至少按照有可以执行作物形态检测方法的应用程序,因此,作物形态检测设备也可以是应用程序本身。
为便于理解,本实施例以服务器为执行作物形态检测方法的主体为例,进行描述。
在一实施例中,服务器接收到无人设备发送的作物区域的遥感影像数据后,对遥感影像数据进行处理得到作物区域的正射影像数据,对正射影像数据进行图像特征提取,得到作物区域的图像特征。根据图像特征检测对应像素点的作物形态,并根据作物形态确定作物是否发生倒伏。根据发生倒伏的像素点确定出作物区域中的倒伏区域,并确定倒伏区域的面积以及倒伏区域在作物区域中的面积占比。根据倒伏区域的面积和面积占比进行农业保险行业的定损,得到定损结果。但基于图像特征检测作物形态的方法容易受到图像噪声干扰,导致作物形态误检测,降低倒伏区域的检测精度。而且倒伏区域中的作物倒伏程度可能不同,不同倒伏程度对作物收成造成的影响不同,因此基于倒伏面积确定的定损结果不能准确反映出作物区域的经济损失程度。
为解决上述问题,本实施例提供了一种作物形态检测方法,以提高作物倒伏检测的精度并确定作物的倒伏程度。
图1给出了本申请实施例提供的一种作物形态检测方法的流程图。参考图1,该作物形态检测方法具体包括:
S110、获取待检测区域的第一影像数据和第二影像数据,第二影像数据包括待检测区域的地面高度信息。
其中,待检测区域是指本实施例中用于检测作物发生倒伏情况的作物区域,如农田等。第一影像数据是指正射影像数据,第二影像数据是指数字地表模型,地面高度信息是指数字地表模型包含的待检测区域中的作物高度。
在一实施例中,选择想要检测发生倒伏情况的作物,确定该作物的种植区域为待检测区域,扩大性对待检测区域进行测绘任务的飞行航线规划。将测绘任务配置给无人设备,以使无人设备按照测绘任务中的飞行航线飞行并采集待检测区域的遥感影像。当无人设备完成测绘任务后,对执行该测绘任务时采集到的所有遥感影像进行处理,获取到DOM、DEM、DSM和LAS等模型数据。无人设备将DOM、DEM、DSM和LAS等模型数据发送至服务器,由服务器根据DOM、DEM、DSM和LAS等模型数据进行作物形态检测,确定出待检测区域中的倒伏作物所在的倒伏区域和作物倒伏程度,并根据倒伏面积和倒伏程度进行农业保险定损评估。其中,DOM为本实施例使用到的第一影像数据,DSM为本实施例使用到的第二影像数据。在该实施例中,无人设备可以选择具备RTK功能的遥感测绘无人机,RTK功能可基于云基站、移动基站或第三方卫星技术实现。无人机不局限于多旋翼、固定翼、垂起及复合翼无人机,无人机装载有采集待检测区域的图像采集装置,图像采集装置不局限于可见光相机、激光雷达、红外相机和高光谱相机。
在一实施例中,在卫星地图上确定出实际面积大于作物种植区域的待检测区域,根据待检测区域的地理位置信息和地理面积,规划测绘任务和飞行航线。当待检测区域的地理面积大于遥感测绘无人机的最大航摄作业面积时,根据最大作业效率算法将飞行航线划分成多个子航线,由多个遥感测绘无人机分别按照对应的子航线航行采集遥感影像数据,并统一上传至服务器。服务器对多个遥感测绘无人机上传的遥感影像数据进行处理,得到待检测区域的模型数据。当待检测区域的地面面积小于或等于遥感测绘无人机的最大航摄作业面积时,由一个遥感测绘无人机按照该飞行航线采集待检测区域的遥感影像数据,并对遥感影像数据进行处理,得到待检测区域的模型数据,并将该模型数据上传至服务器。
S120、根据第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定待检测区域中的倒伏区域。
其中,地面颜色信息是指第一影像数据中各个像素点的像素值,其可以表征待检测区域中的作物颜色。地面高度信息是指第二影像数据中各个像素点的高度值,其可以表征待检测区域中的作物高度。由于待检测区域是基于作物的种植区域进行规划的,待检测区域中为同一类别的作物,待检测区域的作物在颜色信息上和高度信息上具有一定的统一性,因此本实施例将作物的颜色信息和作物的高度信息相结合检测作物倒伏,以提高倒伏检测的精度。
在一实施例中,图2是本申请实施例提供的确定倒伏区域的流程图。如图2所示,确定倒伏区域的步骤具体包括S1201-S1202:
S1201、根据第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定倒伏区域的边缘集合。
示例性的,边缘集合是指周围像素点的像素值灰度急剧变化的像素点集合。不倒伏作物与倒伏作物的颜色存在差别,对第一影像数据进行边缘检测可确定出倒伏作物和不倒伏作物的边缘集合。但由于边缘检测存在噪声,直接对待检测区域的第一影像数据进行边缘检测,可能检测到待检测区域中的其他边缘。因此本实施例提出,可基于第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定出大致的倒伏区域范围,并对该范围进行边缘检测,以过滤待检测区域中其他边缘噪声。在该实施例中,图3是本申请实施例提供的确定边缘集合的流程图。如图3所示,确定边缘集合的步骤具体包括S12011-S12012:
S12011、对第一影像数据进行颜色二值化处理和对第二影像数据进行高度二值化处理,并确定两个二值化处理后的影像数据的重合区域。
示例性的,不倒伏作物与倒伏作物的颜色存在差别,不倒伏作物与倒伏作物的高度也存在差别。可根据不倒伏作物的颜色对第一影像数据中的作物进行大致区分,同样的,可根据不倒伏作物的高度对第二影像数据中的作物进行大致区分。而二值化处理可以将图像处理成黑白两个区域,因此可根据不倒伏作物的颜色对第一影像数据进行二值化处理,将第一影像数据大致划分为不倒伏区域和倒伏区域。同样的,可根据不倒伏作物的高度对第二影像数据进行二值化处理,将第二影像数据大致划分为不倒伏区域和倒伏区域。
在该实施例中,图4是本申请实施例提供的对影像数据进行二值化处理的流程图。如图4所示,对影像数据进行二值化处理的步骤具体包括S120111-S120113:
S120111、获取第一影像数据的颜色直方图,根据颜色直方图确定第一影像数据的主要颜色阈值。
示例性的,统计第一影像数据的颜色直方图,根据颜色直方图获取第一影像数据中各个作物颜色的占比,确定占比最高的颜色为第一影像数据的主要颜色阈值。由于第一影像数据中不倒伏作物的占比最大,不倒伏作物的颜色在第一影像数据中占比最大,因此通过颜色直方图可确定出主要颜色阈值为第一影像数据中的不倒伏作物的颜色。
S120112、获取第二影像数据的高度直方图,根据高度直方图确定第二影像数据的主要高度阈值。
示例性的,统计第二影像数据的高度直方图,根据高度直方图获取第二影像数据中各个作物高度的占比,确定占比最高的高度为第二影像数据的主要高度阈值。由于第二影像数据中不倒伏作物的占比最大,不倒伏作物的高度在第二影像数据中占比最大,因此通过高度直方图可确定出主要高度阈值为第二影像数据中的不倒伏作物的高度。
S120113、根据主要颜色阈值对第一影像数据进行二值化处理,根据主要高度阈值对第二影像数据进行二值化处理。
示例性的,通过主要颜色阈值对第一影像数据进行二值化处理后,将第一影像数据中像素值大于或等于该主要颜色阈值的像素点的灰度值设置为255,将第一影像数据中像素值小于该主要颜色阈值的像素点的灰度值设置为0。同样的,通过主要高度阈值对第二影像数据进行二值化处理后,将第二影像数据中高度值大于或等于该主要高度阈值的像素点的灰度值设置为255,将第二影像数据中高度值小于该主要高度阈值的像素点的灰度值设置为0。
进一步的,第一影像数据中灰度值为0的像素区域可看作基于作物颜色大致确定的倒伏区域,第二影像数据中灰度值为0的像素区域可看作基于作物高度大致确定的倒伏区域。将第一影像数据的倒伏区域与第二影像数据的倒伏区域进行比较,确定两者的重合区域为倒伏区域范围。该重合区域中的作物同时满足倒伏作物的高度和颜色。
S12012、对第一影像数据中的重合区域进行边缘检测,确定重合区域中每一像素点的特征值,并根据特征值确定边缘集合中的边缘点。
示例性的,由于重合区域中的作物同时满足基于直方图估计的倒伏作物的高度和颜色。因此可对第一影像数据中的重合区域进行边缘检测,在重合区域内确定出倒伏区域的边缘集合,该边缘集合包括多个特征值大于预设阈值的像素点。
S1202、根据第一影像数据的像素梯度值和第二影像数据的高度阈值对边缘集合进行修正,并根据修正后的边缘集合确定第一影像数据和/或第二影像数据中的倒伏区域。
示例性的,由于重合区域为大致的倒伏区域,其边缘检测仍会存在噪声,此时可对边缘集合进行去噪修正,以剔除边缘集合中的不属于倒伏区域边缘的像素点,或在边缘集合中增加属于倒伏区域边缘的像素点。在该实施例中,图5是本申请实施例提供的对边缘集合进行去噪修正的流程图。如图5所示,对边缘集合进行去噪修正的步骤具体包括S12021-S12023:
S12021、对第一影像数据进行灰度处理,并根据灰度图像确定每一像素点的像素梯度值。
示例性的,对第一影像数据进行灰度处理得到该灰度图像,根据该灰度图像中每一像素点和周边像素点的像素差值,确定每一像素点的像素梯度值,像素梯度值可用于表征对应像素点与周围像素点的像素变化趋势。而倒伏区域的像素值与不倒伏区域之间存在较大的像素差值,使得倒伏区域的边缘点的像素梯度值较大。因此可根据像素点的像素梯度值确定该像素点是否为倒伏区域的边缘点。
S12022、根据第二影像数据的高度直方图,确定每一像素点的高度阈值。
示例性的,第二影像数据的高度直方图根据第二影像数据中每一像素点对应的高度,将第二影像数据划分多个高度范围对应的图像区域,同一图像区域中像素点对应同一高度范围。将像素点对应的高度范围中的最大高度作为该像素点的高度阈值。倒伏区域的高度值与不倒伏区域的高度值之间存在高度差值,因此可根据像素点的高度阈值确定该像素点是否为倒伏区域的边缘点。
S12023、根据每一像素点的像素梯度值和高度阈值,调整边缘集合中的边缘点。
示例性的,将像素点的像素梯度值和高度阈值相结合确定该像素点是否为倒伏区域的边缘点。在该实施例中,图6是本申请实施例提供的修正边缘集合的流程图。如图6所示,根据像素梯度值和高度阈值修正边缘集合的步骤具体包括S120231-S120232:
S120231、对像素点的像素梯度值和高度阈值进行加权处理,得到像素点的加权值。
示例性的,像素梯度值和高度阈值配置有对应的权重系数,其权重系数根据实际需求进行设置。将像素梯度值乘以对应的权重系数后加上高度阈值乘以对应的权重系数,得到该像素点的加权值。
S120232、将像素点的加权值与特征值相加,根据相加后的像素点调整边缘集合中的边缘点。
示例性的,在对第一影像数据中的重合区域进行边缘检测时,会计算出每一像素点的特征值,将像素点的特征值与对应的加权值相加,得到该像素点的分数值,像素点的分数值越高表明该像素点为边缘点的几率越大。根据重合区域中各个像素点的分数值,确定出倒伏区域的边缘点,并根据该边缘点增删边缘集合中的边缘点,以剔除边缘集合中的噪声点和/或增加新的边缘点,提高倒伏检测精度。
进一步的,根据去噪后的边缘集合从第一影像数据和/或第二影像数据中截取对应的倒伏区域,并基于多边形微分法计算该倒伏区域的地理面积。
S130、根据倒伏区域的地面高度信息,确定倒伏区域的倒伏程度。
图7是本申请实施例提供的待检测区域的示意图。如图7所示,倒伏区域内的作物倒伏程度不同,不同的倒伏程度的作物的形态不同。以水稻为例,水稻的倒伏程度分为三个等级。水稻在第一等级时,水稻茎秆倾斜角度小于45;水稻在第二等级时,水稻茎秆倾斜角度大于45;水稻在第三等级时,水稻茎穗完全伏贴于地。等级越高,水稻倒伏越严重,水稻的高度越低,因此可根据倒伏区域内作物的高度,确定作物的倒伏程度。
在一实施例中,图8是本申请实施例提供的确定倒伏区域的倒伏程度的流程图。如图8所示,确定倒伏区域的倒伏程度的步骤具体包括S1301-S1302:
S1301、根据第二影像数据中的倒伏区域的地面高度信息,确定倒伏区域的高度梯度值。
示例性的,根据第二影像数据中每一像素点和周边像素点的高度差值,确定每一像素点的高度梯度值,高度梯度值可用于表征对应像素点与周围像素点的高度变化趋势。参考图7,按照作物的倒伏程度,可将倒伏区域划分为各种倒伏程度对应的子区域,不同子区域的作物之间存在较大的高度差值,使得子区域的边缘点的高度梯度值较大。因此可根据像素点的高度梯度值确定子区域的边缘集合。
S1302、根据倒伏区域的高度梯度值确定倒伏区域的倒伏程度。
在该实施例中,图9是本申请实施例提供的确定各种倒伏程度对应的子区域的流程图。如图9所示,确定各种倒伏程度对应的子区域的步骤具体包括SS13021-S13022:
S13021、将倒伏区域中每一像素点的高度梯度值与预设的各种倒伏程度对应的梯度范围进行比较,确定高度梯度值满足梯度范围的像素点为对应的倒伏程度的边缘点。
S13022、根据各种倒伏程度对应的边缘点在倒伏区域中确定出对应的子区域。
示例性的,在配置测绘任务时根据选择的作物类别,对应配置该作物对应的倒伏程度和倒伏程度对应的梯度范围。服务器根据该测绘任务获取到该作物的倒伏程度和对应的梯度范围。其中,倒伏程度对应的梯度范围是指该倒伏程度对应的最小高度梯度值和最大高度梯度值所涵盖的梯度范围。当倒伏区域中某一像素点的高度梯度值处于某一倒伏程度对应的梯度范围内时,确定该像素点为对应倒伏程度的边缘点。将某一倒伏程度对应的所有边缘点所围成的连通区域确定为该倒伏程度对应的子区域。图10是本申请实施例提供的倒伏程度对应的子区域的示意图。如图10所示,对图7中的待检测区域的第一影像数据和第二影像数据进行本实施例提供的作物形态检测后,得到待检测区域中的倒伏区域以及倒伏区域中各种倒伏程度对应的子区域。在待检测区域的第一影像数据中通过不同颜色标记出各种倒伏程度对应的子区域。图10中区域面积为105.36m2和35.94m2的子区域,区域面积为8.51m2的子区域,区域面积为73.59m2的子区域分别为不同倒伏程度的子区域。在该实施例中,可基于多边形微分法对第一影像数据中的子区域的面积进行计算,以获取各个子区域的地理面积。
在一实施例中,图11是本申请实施例提供的优化倒伏程度的梯度范围的流程图。如图11所示,优化倒伏程度的梯度范围的步骤具体包括S1401-S1402:
S1401、根据每一子区域的每一边缘点的高度梯度值,统计高度梯度直方图。
S1402、根据子区域在倒伏区域中的面积占比,以及高度梯度直方图中各梯度范围的占比,调整倒伏程度对应的梯度范围。
示例性的,根据所有子区域的所有边缘点的高度梯度值,统计倒伏区域的高度梯度直方图,并确定高度梯度直方图中各个梯度范围的占比。通过多边形微分法计算出倒伏区域和各个子区域的地理面积,并计算出各个子区域在倒伏区域的面积占比。由于高度梯度直方图是根据边缘点的高度梯度值进行统计,其高度梯度范围的占比可看作倒伏区域中各个子区域的标准占比。而预先设置倒伏程度对应的梯度范围是根据历史数据总结得到的,因此根据估计出的子区域占比与标准占比,微调倒伏程度对应的梯度范围,以提高倒伏程度对应的梯度范围的准确度。
在一实施例中,可根据倒伏区域中各个子区域的面积和倒伏程度生成项目报告,项目报告包括如图10所示的倒伏区域示意图以及倒伏区域的其他数据信息,提高项目报告的可视化效果。可将项目报告导入第三方平台如农业保险定损平台,以便农业保险定损平台根据项目报告确定倒伏经济损失,提高定损结果的准确性。或者导入农机设备如收割机,以调整倒伏区域的收割机的收割铲斗高度,实现倒伏作物的精准收割。
综上,本申请实施例提供的作物形态检测方法,通过获取待检测区域的第一影像数据和第二影像数据,第二影像数据包括待检测区域的地面高度信息;根据第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定待检测区域中的倒伏区域;根据倒伏区域的地面高度信息,确定倒伏区域的倒伏程度。通过上述技术手段,将待检测区域的地面高度信息和地面颜色信息相结合确定倒伏区域,提高倒伏区域的检测精度。通过倒伏区域的地面高度信息确定作物的倒伏程度,提高定损结果的准确性。
在上述实施例的基础上,图12为本申请实施例提供的一种作物形态检测装置的结构示意图。参考图12,本实施例提供的作物形态检测装置具体包括:影像数据获取模块21、倒伏区域确定模块22和倒伏程度确定模块23。
其中,影像数据获取模块,被配置为获取待检测区域的第一影像数据和第二影像数据,第二影像数据包括待检测区域的地面高度信息;
倒伏区域确定模块,被配置为根据第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定待检测区域中的倒伏区域;
倒伏程度确定模块,被配置为根据倒伏区域的地面高度信息,确定倒伏区域的倒伏程度。
在上述实施例的基础上,倒伏区域确定模块包括:边缘集合确定子模块,被配置为根据第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定倒伏区域的边缘集合;倒伏区域确定子模块,被配置为根据第一影像数据的像素梯度值和第二影像数据的高度阈值对边缘集合进行修正,并根据修正后的边缘集合确定第一影像数据和/或第二影像数据中的倒伏区域。
在上述实施例的基础上,边缘集合确定子模块包括:重合区域确定单元,被配置为对第一影像数据进行颜色二值化处理和对第二影像数据进行高度二值化处理,并确定两个二值化处理后的影像数据的重合区域;边缘集合确定单元,被配置为对第一影像数据中的重合区域进行边缘检测,确定重合区域中每一像素点的特征值,并根据特征值确定边缘集合中的边缘点。
在上述实施例的基础上,重合区域确定单元包括:颜色直方图获取子单元,被配置为获取第一影像数据的颜色直方图,根据颜色直方图确定第一影像数据的主要颜色阈值;高度直方图获取子单元,被配置为获取第二影像数据的高度直方图,根据高度直方图确定第二影像数据的主要高度阈值;二值化处理子单元,被配置为根据主要颜色阈值对第一影像数据进行二值化处理,根据主要高度阈值对第二影像数据进行二值化处理。
在上述实施例的基础上,倒伏区域确定子模块包括:像素梯度值确定单元,被配置为对第一影像数据进行灰度处理,并根据灰度图像确定每一像素点的像素梯度值;高度阈值确定单元,被配置为根据第二影像数据的高度直方图,确定每一像素点的高度阈值;边缘集合修正单元,被配置为根据每一像素点的像素梯度值和高度阈值,调整边缘集合中的边缘点。
在上述实施例的基础上,边缘集合修正单元包括:加权值计算子单元,被配置为对像素点的像素梯度值和高度阈值进行加权处理,得到像素点的加权值;边缘点调整子单元,被配置为将像素点的加权值与特征值相加,根据相加后的像素点调整边缘集合中的边缘点。
在上述实施例的基础上,倒伏程度确定模块包括:高度梯度值确定子模块,被配置为根据第二影像数据中的倒伏区域的地面高度信息,确定倒伏区域的高度梯度值;倒伏程度确定子模块,被配置为根据倒伏区域的高度梯度值确定倒伏区域的倒伏程度。
在上述实施例的基础上,倒伏程度确定子模块包括:边缘点确定单元,被配置为将倒伏区域中每一像素点的高度梯度值与预设的各种倒伏程度对应的梯度范围进行比较,确定高度梯度值满足梯度范围的像素点为对应的倒伏程度的边缘点;子区域确定单元,被配置为根据各种倒伏程度对应的边缘点在倒伏区域中确定出对应的子区域。
在上述实施例的基础上,作物形态检测装置还包括:梯度直方图确定模块,被配置为根据每一子区域的每一边缘点的高度梯度值,统计高度梯度直方图;梯度范围优化模块,被配置为根据子区域在倒伏区域中的面积占比,以及高度梯度直方图中各梯度范围的占比,调整倒伏程度对应的梯度范围。
上述,本申请实施例提供的作物形态检测装置,通过获取待检测区域的第一影像数据和第二影像数据,第二影像数据包括待检测区域的地面高度信息;根据第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定待检测区域中的倒伏区域;根据倒伏区域的地面高度信息,确定倒伏区域的倒伏程度。通过上述技术手段,将待检测区域的地面高度信息和地面颜色信息相结合确定倒伏区域,提高倒伏区域的检测精度。通过倒伏区域的地面高度信息确定作物的倒伏程度,提高定损结果的准确性。
本申请实施例提供的作物形态检测装置可以用于执行上述实施例提供的作物形态检测方法,具备相应的功能和有益效果。
图13是本申请实施例提供的一种作物形态检测设备的结构示意图,参考图13,该作物形态检测设备包括:处理器31、存储器32、通信装置33、输入装置34及输出装置35。该作物形态检测设备中处理器31的数量可以是一个或者多个,该作物形态检测设备中的存储器32的数量可以是一个或者多个。该作物形态检测设备的处理器31、存储器32、通信装置33、输入装置34及输出装置35可以通过总线或者其他方式连接。
存储器32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,如本申请任意实施例的作物形态检测方法对应的程序指令/模块(例如,作物形态检测装置中的影像数据获取模块21、倒伏区域确定模块22和倒伏程度确定模块23)。存储器32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设备的使用所创建的数据等。此外,存储器32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,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至设备。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。
通信装置33用于进行数据传输。
处理器31通过运行存储在存储器32中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的作物形态检测方法。
输入装置34可用于接收输入的数字或字符信息,以及产生与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35可包括显示屏等显示设备。
上述提供的作物形态检测设备可用于执行上述实施例提供的作物形态检测方法,具备相应的功能和有益效果。
本申请实施例还提供一种包含计算机可执行指令的存储介质,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形态检测方法,该作物形态检测方法包括:获取待检测区域的第一影像数据和第二影像数据,第二影像数据包括待检测区域的地面高度信息;根据第一影像数据中的地面颜色信息和第二影像数据中的地面高度信息,确定待检测区域中的倒伏区域;根据倒伏区域的地面高度信息,确定倒伏区域的倒伏程度。
存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括:安装介质,例如CD-ROM、软盘或磁带装置;计算机系统存储器或随机存取存储器,诸如DRAM、DDR RAM、SRAM、EDO RAM,兰巴斯(Rambus)RAM等;非易失性存储器,诸如闪存、磁介质(例如硬盘或光存储);寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外,存储介质可以位于程序在其中被执行的第一计算机系统中,或者可以位于不同的第二计算机系统中,第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。
当然,本申请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的作物形态检测方法,还可以执行本申请任意实施例所提供的作物形态检测方法中的相关操作。
上述实施例中提供的作物形态检测装置、存储介质及作物形态检测设备可执行本申请任意实施例所提供的作物形态检测方法,未在上述实施例中详尽描述的技术细节,可参见本申请任意实施例所提供的作物形态检测方法。
上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里的特定实施例,对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本申请不仅仅限于以上实施例,在不脱离本申请构思的情况下,还可以包括更多其他等效实施例,而本申请的范围由权利要求的范围决定。
Claims (12)
1.一种作物形态检测方法,其特征在于,包括:
获取待检测区域的第一影像数据和第二影像数据,所述第二影像数据包括所述待检测区域的地面高度信息;
根据所述第一影像数据中的地面颜色信息和所述第二影像数据中的地面高度信息,确定所述待检测区域中的倒伏区域;
根据所述倒伏区域的地面高度信息,确定所述倒伏区域的倒伏程度。
2.根据权利要求1所述的作物形态检测方法,其特征在于,所述根据所述第一影像数据中的地面颜色信息和所述第二影像数据中的地面高度信息,确定所述待检测区域中的倒伏区域,包括:
根据所述第一影像数据中的地面颜色信息和所述第二影像数据中的地面高度信息,确定所述倒伏区域的边缘集合;
根据所述第一影像数据的像素梯度值和所述第二影像数据的高度阈值对所述边缘集合进行修正,并根据修正后的边缘集合确定所述第一影像数据和/或第二影像数据中的倒伏区域。
3.根据权利要求2所述的作物形态检测方法,其特征在于,所述根据所述第一影像数据中的地面颜色信息和所述第二影像数据中的地面高度信息,确定所述倒伏区域的边缘集合,包括:
对所述第一影像数据进行颜色二值化处理和对所述第二影像数据进行高度二值化处理,并确定两个二值化处理后的影像数据的重合区域;
对所述第一影像数据中的重合区域进行边缘检测,确定所述重合区域中每一像素点的特征值,并根据所述特征值确定所述边缘集合中的边缘点。
4.根据权利要求3所述的作物形态检测方法,其特征在于,所述对所述第一影像数据进行颜色二值化处理和对所述第二影像数据进行高度二值化处理,包括:
获取所述第一影像数据的颜色直方图,根据所述颜色直方图确定所述第一影像数据的主要颜色阈值;
获取所述第二影像数据的高度直方图,根据所述高度直方图确定所述第二影像数据的主要高度阈值;
根据所述主要颜色阈值对所述第一影像数据进行二值化处理,根据所述主要高度阈值对所述第二影像数据进行二值化处理。
5.根据权利要求2-4任一所述的作物形态检测方法,其特征在于,所述根据所述第一影像数据的像素梯度值和所述第二影像数据的高度阈值对所述边缘集合进行修正,包括:
对所述第一影像数据进行灰度处理,并根据灰度图像确定每一像素点的像素梯度值;
根据所述第二影像数据的高度直方图,确定每一像素点的高度阈值;
根据每一像素点的像素梯度值和高度阈值,调整所述边缘集合中的边缘点。
6.根据权利要求5所述的作物形态检测方法,其特征在于,所述根据每一像素点的像素梯度值和高度阈值,调整所述边缘集合中的边缘点,包括:
对所述像素点的像素梯度值和高度阈值进行加权处理,得到所述像素点的加权值;
将所述像素点的加权值与特征值相加,根据相加后的像素点调整所述边缘集合中的边缘点。
7.根据权利要求1-4任一所述的作物形态检测方法,其特征在于,所述根据所述倒伏区域中的地面高度信息,确定所述倒伏区域的倒伏程度,包括:
根据所述第二影像数据中的倒伏区域的地面高度信息,确定所述倒伏区域的高度梯度值;
根据所述倒伏区域的高度梯度值确定所述倒伏区域的倒伏程度。
8.根据权利要求7所述的作物形态检测方法,其特征在于,所述根据所述倒伏区域的高度梯度值确定所述倒伏区域的倒伏程度,包括:
将所述倒伏区域中每一像素点的高度梯度值与预设的各种倒伏程度对应的梯度范围进行比较,确定高度梯度值满足所述梯度范围的像素点为对应的倒伏程度的边缘点;
根据各种倒伏程度对应的边缘点在所述倒伏区域中确定出对应的子区域。
9.根据权利要求8所述的作物形态检测方法,其特征在于,在所述确定所述倒伏区域的各个子区域的倒伏程度之后,还包括:
根据每一所述子区域的每一边缘点的高度梯度值,统计高度梯度直方图;
根据所述子区域在所述倒伏区域中的面积占比,以及所述高度梯度直方图中各梯度范围的占比,调整所述倒伏程度对应的梯度范围。
10.一种作物形态检测装置,其特征在于,包括:
影像数据获取模块,被配置为获取待检测区域的第一影像数据和第二影像数据,所述第二影像数据包括所述待检测区域的地面高度信息;
倒伏区域确定模块,被配置为根据所述第一影像数据中的地面颜色信息和所述第二影像数据中的地面高度信息,确定所述待检测区域中的倒伏区域;
倒伏程度确定模块,被配置为根据所述倒伏区域的地面高度信息,确定所述倒伏区域的倒伏程度。
11.一种作物形态检测设备,其特征在于,包括:一个或多个处理器;存储装置,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1-9任一所述的作物形态检测方法。
12.一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1-9任一所述的作物形态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068270.0A CN114511520A (zh) | 2022-01-20 | 2022-01-20 | 作物形态检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068270.0A CN114511520A (zh) | 2022-01-20 | 2022-01-20 | 作物形态检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114511520A true CN114511520A (zh) | 2022-05-17 |
Family
ID=81549031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210068270.0A Pending CN114511520A (zh) | 2022-01-20 | 2022-01-20 | 作物形态检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114511520A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523502A (zh) * | 2024-01-08 | 2024-02-06 | 东莞市杰瑞智能科技有限公司 | 基于机器视觉的城市道路垃圾智能监测系统 |
-
2022
- 2022-01-20 CN CN202210068270.0A patent/CN114511520A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117523502A (zh) * | 2024-01-08 | 2024-02-06 | 东莞市杰瑞智能科技有限公司 | 基于机器视觉的城市道路垃圾智能监测系统 |
CN117523502B (zh) * | 2024-01-08 | 2024-03-19 | 东莞市杰瑞智能科技有限公司 | 基于机器视觉的城市道路垃圾智能监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10015359B1 (en) | Image-based field boundary detection and identification | |
CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 | |
US10292321B2 (en) | Agricultural work machine for avoiding anomalies | |
Gruszczyński et al. | Comparison of low-altitude UAV photogrammetry with terrestrial laser scanning as data-source methods for terrain covered in low vegetation | |
EP3186685B1 (en) | Three-dimensional elevation modeling for use in operating agricultural vehicles | |
US8600589B2 (en) | Point cloud visualization of acceptable helicopter landing zones based on 4D LIDAR | |
CN110458854A (zh) | 一种道路边缘检测方法和装置 | |
CN110889808B (zh) | 一种定位的方法、装置、设备及存储介质 | |
CN104677361B (zh) | 一种综合定位的方法 | |
CN111339876A (zh) | 用于识别场景中各区域类型的方法和装置 | |
KR101092250B1 (ko) | 레인지 영상으로부터의 객체 분할 장치 및 방법 | |
CN115451948A (zh) | 一种基于多传感器融合的农业无人车定位里程计方法及系统 | |
CN114511520A (zh) | 作物形态检测方法、装置、设备及存储介质 | |
CN114998746A (zh) | 一种耕地土壤环境质量分区方法及系统 | |
CN111556157A (zh) | 农作物分布的监测方法、设备、存储介质及装置 | |
CN114519712A (zh) | 一种点云数据处理方法、装置、终端设备及存储介质 | |
CN114078211A (zh) | 基于激光雷达智能检测树木倒伏的方法 | |
JP5531643B2 (ja) | 通路検出方法、装置、及びプログラム | |
CN115205797B (zh) | 一种无人驾驶车辆工作状态监控方法及装置 | |
CN115019216B (zh) | 实时地物检测和定位计数方法、系统及计算机 | |
CN116243273A (zh) | 一种光子计数激光雷达数据滤波方法及装置 | |
CN115797310A (zh) | 一种光伏电站组串倾角的确定方法及电子设备 | |
CN115272899A (zh) | 一种风险预警方法、装置、飞行器及存储介质 | |
CN114638848A (zh) | 车道边缘线变化的检测方法、装置、设备及存储介质 | |
CN115457378A (zh) | 基站天面信息检测的方法、装置、设备及存储介质 |
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 |