CN114708208A - 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 - Google Patents
一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 Download PDFInfo
- Publication number
- CN114708208A CN114708208A CN202210298555.3A CN202210298555A CN114708208A CN 114708208 A CN114708208 A CN 114708208A CN 202210298555 A CN202210298555 A CN 202210298555A CN 114708208 A CN114708208 A CN 114708208A
- Authority
- CN
- China
- Prior art keywords
- tea
- picking
- machine vision
- famous
- famous tea
- 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
Links
- 241001122767 Theaceae Species 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000005520 cutting process Methods 0.000 claims abstract description 9
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 9
- 238000001514 detection method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Animal Husbandry (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,具体步骤如下:步骤一、制作名优茶嫩芽的原始数据集;步骤二、原始数据集训练,训练结束后将所得的参数固化成模型并输出;步骤三、获取名优茶嫩芽的测试图像,将测试图像输入至步骤二中输出的模型,并输出测试图像中茶叶嫩芽的预测框和二维掩膜信息;步骤四、获取二维掩膜信息中不同连通域面积,计算最大连通域的最小外接矩形,获得最小外接矩形旋转角度,将最小外接矩形旋转角度作为芽轴方向,沿芽轴切线方向获取下刀角度;步骤五、沿芽轴自下而上2%的位置作为采摘点。使用实例分割算法通过模型学习像素间深层特征直接输出嫩芽的掩膜区域,茶芽边缘提取准确。
Description
技术领域
本发明涉及采茶机器人技术领域,具体指一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法。
背景技术
浙江省茶叶效益主要来自于名优茶与优质茶,其中名优茶是指以一芽一叶或一芽两叶为原料制作品质较优的茶叶。由于目前通用的采茶机都是刀片往返式采茶,无法分辨其采摘的芽叶种类,芽叶完整性难以保证,使得采摘茶叶的品质低下,无法达到名优茶的要求,进而使得价格也随之降低。因此,目前名优茶的采摘仍然需要依赖人工完成。因此急切需要一种采摘方法使得机械能够准确、快速识别名优茶嫩芽与定位采摘点。
为解决上述技术问题,目前已出现利用计算机视觉和图像处理技术应用于茶叶领域的研究,一般是通过机器学习手动设定的特征对图片的幼苗部分进行定位。具体如下:
专利文献CN102013021A公开了一种基于颜色和区域生长的茶叶嫩芽分割和识别方法,其将采集茶叶彩色RGB图像转化为HSI颜色空间的方法处理嫩芽分割,可较好的保存茶叶嫩芽的轮廓信息,但是这种分割和识别方法不适合不受控的天气、光照状态的实际茶田环境,例如在雨水天气下,茶叶上的雨水会对光造成折射和衍射等现象,从而导致分割和识别的精度受到很大的影响。
专利文献CN112861654A公开了一种基于机器视觉的名优茶采摘点位置信息获取方法,其在HSV空间下利用Otsu与改进的Zhang细化算法提取嫩芽骨架,再通过Shi-Tomasi算法搜索特征角点与轮廓最低点确定采摘点的方法,其通过人工提取特征组建的模型难以提取到图片像素间的深层信息,难以将模型迁移至其他品种的茶叶中,泛化性能较弱。深度网络模型提取物体特征的能力要远超于人工选择。
专利文献CN113674226A公开了一种基于深度学习的采茶机茶叶芽尖检测方法,其主要基于Yolov4模型获得茶叶芽尖,再通过HSV图像分割与凸包检测获得采摘点坐标的方法,其采摘点提取算法需待预测框输出后再根据传统颜色特征获取嫩芽主体,可以看出需要获取的数据较多,计算复杂,效率低下。
专利文献CN113901874A公开了一种基于改进R3Det旋转目标检测算法的茶叶嫩芽识别与采摘点定位方法,其使用旋转目标检测倾斜框的方法代替检测算法后加质心法、骨架提取等后续操作,将预测框下短边中点作为采摘点,与实际采摘点位置存在偏差。
发明内容
本发明根据现有技术的不足,提出一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,在数字摄像机近距离采集的茶叶图像信息中分割出可用于生产名优茶的茶叶嫩芽,能对生成名优茶的茶叶嫩芽进行准确识别,并提取其采摘点的二维坐标与下刀角度,进而实现高精度的采摘。
为了解决上述技术问题,本发明的技术方案为:
一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,具体步骤如下:
步骤一、近距离采集不同尺度、天气状态下的茶园幼苗影像,经筛选、清理后标注出一芽一叶嫩芽位置,并对其进行数据增强,制作名优茶嫩芽的原始数据集;
步骤二、原始数据集训练,训练结束后将所得的参数固化成模型并输出;
步骤三、获取名优茶嫩芽的测试图像,将测试图像输入至步骤二中输出的模型,并输出测试图像中茶叶嫩芽的预测框和二维掩膜信息;
步骤四、获取二维掩膜信息中不同连通域面积,计算最大连通域的最小外接矩形,获得最小外接矩形旋转角度,将最小外接矩形旋转角度作为芽轴方向,沿芽轴切线方向获取下刀角度;
步骤五、沿芽轴自下而上2%的位置作为采摘点。
作为优选,所述步骤一中茶叶幼苗影像的采集通过数字摄像机进行多角度拍摄,分辨率为3024*4032,所述茶叶幼苗影像的采集场景把控晴天和多云两种场景。
作为优选,所述筛选和清洗的步骤为,对采集的茶叶幼苗影像中的原始视野范围较大的图像进行2*4比例进行分割,并挑选出嫩芽和茶梗特征清晰,采摘点可视的图像。
作为优选,所述数据增强的方法为采用尺度变换、翻转变换和像素值归一化的数据增强方式扩充数据。
作为优选,所述步骤二中,原始数据集的训练通过Mask R-CNN网络进行训练。
作为优选,所述原始数据集的训练方法为:
第一阶段,利用骨干网络从输入图像中提取特征图,然后将特征图送入区域提议网络,生成感兴趣区域;
第二阶段,将感兴趣区域映射到特征图中提取相应的目标特征,然后输出到头部网络,包括全连接层和全卷积网络这两个并行的分支,进而分别得到预测目标框和目标掩膜。
作为优选,所述步骤四中,所述最小外接矩形的计算,是通过点簇的正外接矩形进行旋转,参照公式遍历各个角度最小面积:
x′=xcos(θ)-ysin(θ)
y′=xsin(θ)+xcos(θ)
获得最小外接矩形旋转角度后,最小外接矩形面积与原始图形之间仿射变换角度即下刀角度为:
其中:θ是点簇的正外接矩形通过其重心进行旋转的角度;x和y分别是正外接矩形的宽与高;x’,y’分别是原始正外接矩形经旋转后的正外接矩形的宽与高;Θ是实现最小外接矩形所需的旋转角度;α为点簇的正外接矩形对角线与宽的夹角;φ为输出的下刀角度。
作为优选,所述步骤五中,采摘点的坐标为:
其中:(u,v)分别是二维图像上采摘点的横纵坐标;S为总的点簇个数。
本发明具有以下的特点和有益效果:
采用上述技术方案,
使用实例分割算法通过模型学习像素间深层特征直接输出嫩芽的掩膜区域,茶芽边缘提取准确;且模型中采摘点定位分支与类别预测分支并行进行,效率高。
利用实例分割模型高效准确地输出采集图像中名优茶嫩芽采摘点的二维坐标与下刀角度,实现名优茶机采的决策模块,提高名优茶采摘的智能化,降低采摘成本的同时,保证机采名优茶标准与效率,进而提高名优茶企业经济收入。
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,下面将对实施例或现有技术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为本发明实施例的流程图。
图2为Mask R-CNN网络结构图。
图3为本发明采摘点定位算法流程图。
图4为本发明模型在名优茶测试集中嫩芽识别与采摘点定位效果图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明提供了一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,如图1所示,具体步骤如下:
步骤一、近距离采集不同尺度、天气状态下的茶园幼苗影像,经筛选、清理后标注出一芽一叶嫩芽位置,并对其进行数据增强,制作名优茶嫩芽的原始数据集;
步骤二、原始数据集训练,训练结束后将所得的参数固化成模型并输出;
步骤三、获取名优茶嫩芽的测试图像,将测试图像输入至步骤二中输出的模型,并输出测试图像中茶叶嫩芽的预测框和二维掩膜信息;
步骤四、获取二维掩膜信息中不同连通域面积,计算最大连通域的最小外接矩形,获得最小外接矩形旋转角度,将最小外接矩形旋转角度作为芽轴方向,沿芽轴切线方向获取下刀角度;
步骤五、沿芽轴自下而上2%的位置作为采摘点。
作为优选,所述步骤一中,所述茶叶幼苗影像的采集通过数字摄像机进行多角度拍摄,分辨率为3024*4032,所述茶叶幼苗影像的采集场景把控晴天和多云两种场景,以确保模型具有良好的泛化能力和鲁棒性。
本实施例中,共计拍摄至少1058张有效原始图像,并以JPG格式存储。
进一步的,所述筛选和清洗的步骤为,对采集的茶叶幼苗影像中的原始视野范围较大的图像进行2*4比例进行分割,并挑选出能呀和茶梗特征清晰,采摘点可视的图像。
可以理解的,其中标注出每一个可采摘的一芽一叶嫩芽的位置,采用实例分割模型,嫩芽标记时需人工标记其边缘信息。
进一步的,为防止模型在训练过程中发生过拟合,采用数据增强方式扩充数据。
具体的,采用[640,1333],[672,1333],[704,1333],[736,1333],[768,1333],[800,1333]八个尺度的随机变换、翻转变换和像素值归一化的数据增强方式扩充数据集。
本发明的进一步设置,所述步骤二中,原始数据集的训练通过Mask R-CNN 网络进行训练。
具体得,如图2所示,所述原始数据集的训练方法为:
第一阶段,利用骨干网络从输入图像中提取特征图,然后将特征图送入区域提议网络,生成感兴趣区域;
第二阶段,将感兴趣区域映射到特征图中提取相应的目标特征,然后输出到头部网络,包括全连接层和全卷积网络这两个并行的分支,进而分别得到预测目标框和目标掩膜。
本发明的进一步设置,所述步骤四中,全连接层用于输出目标对象预测框与分类,掩膜分支用于输出目标茶芽二维掩膜信息。
具体的,所述最小外接矩形的计算,是通过点簇最开始的外接矩形进行旋转,参照公式遍历各个角度最小面积:
x′=xcos(θ)-ysin(θ)
y′=xsin(θ)+xcos(θ)
获得最小外接矩形旋转角度后,最小外接矩形面积与原始图形之间仿射变换角度即下刀角度为:
其中:θ是点簇的正外接矩形通过其重心进行旋转的角度;x和y分别是正外接矩形的宽与高;x’,y’分别是原始正外接矩形经旋转后的正外接矩形的宽与高;Θ是实现最小外接矩形所需的旋转角度;α为点簇的正外接矩形对角线与宽的夹角;φ为输出的下刀角度。
进一步的,所述步骤五中,采摘点的坐标(u,v)为:
其中:(u,v)分别是二维图像上采摘点的横纵坐标;S为总的点簇个数。
通过图3和图4可知,利用实例分割模型高效准确地输出采集图像中名优茶嫩芽采摘点的二维坐标与下刀角度,实现名优茶机采的决策模块,能够精准的实现对名优茶的嫩芽识别和采摘,为名优茶的智能采摘奠定了基础,在保证机采名优茶标准的基础上,大大提高了名优茶的采摘效率,并降低了人工采摘成本,进而提高名优茶企业经济收入。
以上结合附图对本发明的实施方式作了详细说明,但本发明不限于所描述的实施方式。对于本领域的技术人员而言,在不脱离本发明原理和精神的情况下,对这些实施方式包括部件进行多种变化、修改、替换和变型,仍落入本发明的保护范围内。
Claims (8)
1.一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,其特征在于,具体步骤如下:
步骤一、近距离采集不同尺度、天气状态下的茶园幼苗影像,经筛选、清理后标注出一芽一叶嫩芽位置,并对其进行数据增强,制作名优茶嫩芽的原始数据集;
步骤二、原始数据集训练,训练结束后将所得的参数固化成模型并输出;
步骤三、获取名优茶嫩芽的测试图像,将测试图像输入至步骤二中输出的模型,并输出测试图像中茶叶嫩芽的预测框和二维掩膜信息;
步骤四、获取二维掩膜信息中不同连通域面积,计算最大连通域的最小外接矩形,获得最小外接矩形旋转角度,将最小外接矩形旋转角度作为芽轴方向,沿芽轴切线方向获取下刀角度;
步骤五、沿芽轴自下而上2%的位置作为采摘点。
2.根据权利要求1所述的一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,其特征在于,所述茶叶幼苗影像的采集通过数字摄像机进行多角度拍摄,分辨率为3024*4032,所述茶叶幼苗影像的采集场景把控晴天和多云两种场景。
3.根据权利要求2所述的一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,其特征在于,所述筛选和清洗的步骤为,对采集的茶叶幼苗影像中的原始视野范围较大的图像进行2*4比例进行分割,并挑选出嫩芽和茶梗特征清晰,采摘点可视的图像。
4.根据权利要求3所述的一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,其特征在于,所述数据增强的方法为采用尺度变换、翻转变换和像素值归一化的数据增强方式扩充数据。
5.根据权利要求1所述的一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,其特征在于,所述步骤二中,原始数据集的训练通过Mask R-CNN网络进行训练。
6.根据权利要求5所述的一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法,所述原始数据集的训练方法为:
第一阶段,利用骨干网络从输入图像中提取特征图,然后将特征图送入区域提议网络,生成感兴趣区域;
第二阶段,将感兴趣区域映射到特征图中提取相应的目标特征,然后输出到头部网络,包括全连接层和全卷积网络这两个并行的分支,进而分别得到预测目标框和目标掩膜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210298555.3A CN114708208B (zh) | 2022-03-16 | 2022-03-16 | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210298555.3A CN114708208B (zh) | 2022-03-16 | 2022-03-16 | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708208A true CN114708208A (zh) | 2022-07-05 |
CN114708208B CN114708208B (zh) | 2023-06-16 |
Family
ID=82171091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210298555.3A Active CN114708208B (zh) | 2022-03-16 | 2022-03-16 | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114708208B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115187803A (zh) * | 2022-08-12 | 2022-10-14 | 仲恺农业工程学院 | 一种用于名优茶嫩芽采摘过程的定位方法 |
CN115965872A (zh) * | 2022-07-22 | 2023-04-14 | 中科三清科技有限公司 | 一种茶叶采摘方法、装置、电子设备和存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784764A (zh) * | 2020-05-28 | 2020-10-16 | 西南石油大学 | 一种茶叶嫩芽识别与定位算法 |
CN112861654A (zh) * | 2021-01-20 | 2021-05-28 | 浙江理工大学 | 一种基于机器视觉的名优茶采摘点位置信息获取方法 |
CN113505779A (zh) * | 2021-07-30 | 2021-10-15 | 中国农业科学院都市农业研究所 | 采茶机器人采茶面超声波和视觉融合探测方法及装置 |
CN113674226A (zh) * | 2021-07-31 | 2021-11-19 | 河海大学 | 一种基于深度学习的采茶机茶叶芽尖检测方法 |
CN113901874A (zh) * | 2021-09-09 | 2022-01-07 | 江苏大学 | 一种基于改进R3Det旋转目标检测算法的茶叶嫩芽识别与采摘点定位方法 |
CN113920190A (zh) * | 2021-06-30 | 2022-01-11 | 南京林业大学 | 银杏花穗定向方法及系统 |
-
2022
- 2022-03-16 CN CN202210298555.3A patent/CN114708208B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111784764A (zh) * | 2020-05-28 | 2020-10-16 | 西南石油大学 | 一种茶叶嫩芽识别与定位算法 |
CN112861654A (zh) * | 2021-01-20 | 2021-05-28 | 浙江理工大学 | 一种基于机器视觉的名优茶采摘点位置信息获取方法 |
CN113920190A (zh) * | 2021-06-30 | 2022-01-11 | 南京林业大学 | 银杏花穗定向方法及系统 |
CN113505779A (zh) * | 2021-07-30 | 2021-10-15 | 中国农业科学院都市农业研究所 | 采茶机器人采茶面超声波和视觉融合探测方法及装置 |
CN113674226A (zh) * | 2021-07-31 | 2021-11-19 | 河海大学 | 一种基于深度学习的采茶机茶叶芽尖检测方法 |
CN113901874A (zh) * | 2021-09-09 | 2022-01-07 | 江苏大学 | 一种基于改进R3Det旋转目标检测算法的茶叶嫩芽识别与采摘点定位方法 |
Non-Patent Citations (2)
Title |
---|
姜宏涛,等: "采茶机械手嫩芽识别与定位方法研究", 《机械与电子》, vol. 39, pages 60 - 64 * |
裴伟;王晓林: "基于图像信息的茶叶二维采摘坐标的提取", 浙江农业学报, no. 03 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965872A (zh) * | 2022-07-22 | 2023-04-14 | 中科三清科技有限公司 | 一种茶叶采摘方法、装置、电子设备和存储介质 |
CN115965872B (zh) * | 2022-07-22 | 2023-08-15 | 中科三清科技有限公司 | 一种茶叶采摘方法、装置、电子设备和存储介质 |
CN115187803A (zh) * | 2022-08-12 | 2022-10-14 | 仲恺农业工程学院 | 一种用于名优茶嫩芽采摘过程的定位方法 |
CN115187803B (zh) * | 2022-08-12 | 2023-04-21 | 仲恺农业工程学院 | 一种用于名优茶嫩芽采摘过程的定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114708208B (zh) | 2023-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128405B (zh) | 一种结合语义分割与点云处理的植物识别与模型构建方法 | |
CN107516077B (zh) | 基于激光点云和影像数据融合的交通标牌信息提取方法 | |
CN111753577B (zh) | 自动采摘机器人中的苹果识别与定位方法 | |
Li et al. | An overlapping-free leaf segmentation method for plant point clouds | |
CN114708208A (zh) | 一种基于机器视觉的名优茶嫩芽识别与采摘点定位方法 | |
CN111724433A (zh) | 一种基于多目视觉的作物表型参数提取方法及系统 | |
CN113191334B (zh) | 一种基于改进CenterNet的植物冠层密集叶片计数方法 | |
CN110070571B (zh) | 一种基于深度相机的毛竹形态参数检测方法 | |
CN108509950B (zh) | 基于概率特征加权融合的铁路接触网支柱号牌检测识别法 | |
CN112200854B (zh) | 一种基于视频图像的叶类蔬菜三维表型测量方法 | |
CN103646249A (zh) | 一种温室智能移动机器人视觉导航路径识别方法 | |
CN106991449B (zh) | 一种生活场景重构辅助识别蓝莓品种的方法 | |
CN114565675A (zh) | 一种在视觉slam前端去除动态特征点的方法 | |
CN116052222A (zh) | 自然采集牛脸图像的牛脸识别方法 | |
CN113744191A (zh) | 一种卫星遥感影像自动云检测方法 | |
CN116523898A (zh) | 一种基于三维点云的烟草表型性状提取方法 | |
CN115861409A (zh) | 大豆叶面积测算方法、系统、计算机设备及存储介质 | |
CN108022245A (zh) | 基于面线基元关联模型的光伏面板模板自动生成方法 | |
CN113033386A (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 | |
CN115880683B (zh) | 一种基于深度学习的城市内涝积水智能水位检测方法 | |
CN111627059A (zh) | 一种棉花叶片中心点位置定位方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN115294482A (zh) | 一种基于无人机遥感图像的食用菌产量估算方法 | |
CN114627463A (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
CN114240758A (zh) | 一种以四边形地块为参照物的山区茶园低空图像拼接方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |