CN114842366B - 一种农业植保无人机稳定性识别方法 - Google Patents
一种农业植保无人机稳定性识别方法 Download PDFInfo
- Publication number
- CN114842366B CN114842366B CN202210780545.3A CN202210780545A CN114842366B CN 114842366 B CN114842366 B CN 114842366B CN 202210780545 A CN202210780545 A CN 202210780545A CN 114842366 B CN114842366 B CN 114842366B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- image
- spectrogram
- plant protection
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种农业植保无人机稳定性识别方法,属于智能识别技术领域;包括以下步骤:通过无人机获取俯视图像,将所述俯视图像灰度化处理获取灰度图;根据灰度图进行傅里叶变换获取频谱图;获取多个二值图像;获取优选度最大的二值图像,即为最优频谱二值图;获取最优频谱二值图中每个像素点的边缘率;根据椭圆的长半轴尺寸和短半轴尺寸获取无人机稳定性指标;根据无人机稳定性指标判断无人机在飞行过程中的稳定性。发明通过在农业植保无人机上搭载相机,拍摄农业植保无人机下方的图像,将图像转换为频谱图,并对图像频谱图进行特征抽取,识别农业植保无人机的稳定性。
Description
技术领域
本发明涉及智能识别技术领域,具体涉及一种农业植保无人机稳定性识别方法。
背景技术
农业植保无人机是用于农林植物保护作业的无人驾驶飞机,通过地面遥控或导航飞控,来实现喷洒作业,可以喷洒药剂、种子、粉剂等。农业植保无人机喷洒农药、种子、粉剂的效率是传统人工的30倍。同时通过农业植保无人机远距离操控施药大大提高了农药喷洒的安全性。
但在农业植保无人机喷洒药剂、种子、粉剂的过程中,若农业植保无人机不稳定,产生晃动,可能会导致药剂、种子、粉剂未喷洒到指定的位置,从而影响农作物的生长,甚至危害环境。因此需要在农业植保无人机出厂投入使用前,需要对农业植保无人机进行稳定性识别。
目前,无人机稳定性可利用无人机搭载相机设备拍摄图像不同方向上模糊程度来识别,图像不同方向的模糊程度可结合频谱中不同方向频率大小识别。但在图像中可能存在周期性纹理对不同方向频率大小识别造成干扰,从而影响图像不同方向上模糊程度的识别结果。
发明内容
本发明提供一种农业植保无人机稳定性识别方法,该方法通过在农业植保无人机上搭载相机,拍摄农业植保无人机下方的图像,将图像转换为频谱图,并对图像频谱图进行特征抽取,识别农业植保无人机的稳定性。
本发明的目的是提供一种农业植保无人机稳定性识别方法,包括以下步骤:
通过无人机获取俯视图像,将所述俯视图像灰度化处理获取灰度图;
根据灰度图进行傅里叶变换获取频谱图;
根据频谱图中不同灰度值作为阈值对频谱图进行阈值分割获取多个二值图像;
根据每个二值图像中所有非孤立像素点的个数获取每个二值图像的优选度,并获取最大优选度对应的二值图像,即为最优频谱二值图;
根据最优频谱二值图中每个像素点至原点的距离,及原点到每个像素点方向上的邻域像素点个数,获取最优频谱二值图中每个像素点的边缘率;
获取原点至每个方向上边缘率最大的像素点,依次将每个方向上边缘率最大的像素点作为椭圆边缘点;
利用最小二乘法对椭圆边缘点进行椭圆拟合,获取椭圆方程;根据椭圆方程获取椭圆的长半轴尺寸和短半轴尺寸;根据椭圆的长半轴尺寸和短半轴尺寸获取无人机稳定性指标;
根据无人机稳定性指标判断无人机在飞行过程中的稳定性。
在一实施例中,所述非孤立像素点是按照以下步骤获取:
通过统计灰度值为1的像素点的八邻域内灰度值为1的像素点的个数,当八邻域内灰度值为1的像素点数量>2,则判断该像素点是非孤立像素点。
在一实施例中,每个二值图像的优选度计算公式如下:
在一实施例中,每个像素点的边缘率计算公式如下:
在一实施例中,所述无人机稳定性指标计算公式如下:
在一实施例中,所述频谱图中不同灰度值是按照以下步骤获取:
在一实施例中,获取的频谱图还经以下操作:
将频谱图进行中心化操作,使得频率最低的点位于频谱图的中心,频率高的点位于频谱图的四周。
本发明的有益效果是:
本发明提供的一种农业植保无人机稳定性识别方法,该方法通过在农业植保无人机上搭载相机,拍摄农业植保无人机下方的图像,将图像转换为频谱图,并对图像频谱图进行特征抽取,识别农业植保无人机的稳定性。
本发明结合农业植保无人机搭载相机捕获图像识别农业植保无人机的稳定性,与利用相机捕获农业植保无人机飞行视频或利用机关雷达探测方法相比,节省人力物力,效率更高。同时利用图像频谱图抽取出图像不同方向的模糊特征,相比结合图像特征利用常规图像处理的方法,更加简单便捷,且结果更加准确。
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为本发明的一种农业植保无人机稳定性识别方法的实施例总体步骤的流程示意图。
图2为灰度图经傅里叶变换获取的频谱图。
图3为不同阈值的频谱二值图。
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。
本发明针对农业植保无人机在喷洒药剂、种子、粉剂等的过程中,若飞行不稳定,则会造成药剂、种子、粉剂喷洒至其他地方,造成药剂、种子、粉剂的浪费,影响农作物的生长,同时可能会污染环境。因此,在农业植保无人机出厂使用之前,需要进行农业植保无人机稳定性识别。本发明通过在农业植保无人机上搭载相机,拍摄农业植保无人机下方的图像,将图像转换为频谱图,并对图像频谱图进行特征抽取,识别农业植保无人机的稳定性。
本发明结合农业植保无人机搭载相机捕获图像识别农业植保无人机的稳定性,与利用相机捕获农业植保无人机飞行视频或利用机关雷达探测方法相比,节省人力物力,效率更高。同时利用图像频谱图抽取出图像不同方向的模糊特征,相比结合图像特征利用常规图像处理的方法,更加简单便捷,且结果更加准确。
本发明提供的一种农业植保无人机稳定性识别方法,参见图1所示,包括以下步骤:
S1、通过无人机获取俯视图像,将俯视图像灰度化处理获取灰度图;
需要说明的是,农业植保无人机在飞行过程中可能受农业植保无人机本身的大小尺寸、重量、平衡性能、软件算法、外部环境的影响导致农业植保无人机晃动;
无人机搭载的电子计算设备是由嵌入式系统构成,能够读取相机设备的图像数据,通过分析抽取与分析图像方向模糊特征来识别农业植保无人机的稳定性;
S2、根据灰度图进行傅里叶变换获取频谱图;获取的频谱图还将频谱图进行中心化操作,使得频率最低的点位于频谱图的中心,频率高的点位于频谱图的四周。
需要说明的是,图像在农业植保无人机飞行过程中获得,则图像在农业植保无人机飞行方向上会产生运动模糊;但若农业植保无人机在飞行过程中晃动,则图像在其他方向也会产生晃动导致的运动模糊;为分析各个方向上的运动模糊情况,可将图像转化为频谱图进行分析。
在本实施例中,通过电子计算设备对图像进行傅里叶变换,得到频谱图;并将频谱图进行中心化操作,使得频率最低的点位于频谱图的中心,频率高的点位于频谱图的四周,参见图2所示;频谱图大小与图像的大小一致,均为大小。
S3、根据频谱图中灰度值作为阈值对频谱图进行阈值分割获取二值图像;依次根据频谱图中不同的灰度值作为阈值获取多个二值图像;对频谱图进行阈值分割获取二值图像的过程中,将大于阈值的像素点灰度值置为,将小于阈值的像素点灰度值置为;
根据每个二值图像中所有非孤立像素点的个数获取每个二值图像的优选度,并获取最大优选度对应的二值图像,即为最优频谱二值图;
频谱图上每个像素点的坐标表示该像素点频率的大小,亮度表示该频率参与图像的程度。图像背景或者变化缓慢的区域,灰度值分布较为平坦,此为低频分量;图像边缘、细节部分的像素灰度在空间的变化非常剧烈,此为高频分量。
对于一幅图像,其低频分量最强,频谱图中心最亮;若图像边缘、细节较为清晰,则高频分量参与图像的程度较大,即频谱图中频率较大的地方较亮;若图像较为模糊,边缘、细节不清晰,则高频分量参与图像的程度较小,频谱图中频率较大的地方较暗。对频谱图进行阈值分割,获取参与图像较大程度的频率分量。
统计频谱图中出现的所有灰度值及个数,绘制灰度直方图,对灰度直方图进行平滑处理,采用最小二乘法对灰度直方图进行高斯分布拟合,得到高斯分布的均值与标准差参数。高斯分布自变量分布在范围内的概率为0.68,因此可认为频谱图中大部分灰度值分布在该区间内。处于区间内的灰度值较小,认为此些灰度值对应的频率参与图像的程度非常小。处于区间内的灰度值较大,认为此些灰度值对应的频谱参与图像的程度非常大。区间内灰度值对应的频谱参与图像的程度较区间大,较小。
在本实施例中,为获取参与图像较大程度的频率分量,以区间内每个灰度值作为阈值对频谱图进行阈值分割,将大于阈值的像素点灰度值置为(白色),将小于阈值的像素点灰度值置为(黑色),将图像转换为二值图像。将黑色的部分视为二值图的背景,白色的视为二值图上的亮点;参见图3所示,不同阈值的频谱二值图,在本实施例中列举了四种阈值对应的频谱二值图。
每个二值图像的优选度计算公式如下:
需要说明的是,非孤立像素点是按照以下步骤获取:
通过统计灰度值为1的像素点的八邻域内灰度值为1的像素点的个数,当八邻域内灰度值为1的像素点数量>2,则判断该像素点是非孤立像素点。
同理获取所有二值图像的优选度,以其中优选度最大的二值图像作为最优频谱二值图。
根据最优频谱二值图中每个像素点至原点的距离,及原点到每个像素点方向上的邻域像素点个数,获取最优频谱二值图中每个像素点的边缘率;
获取原点至每个方向上边缘率最大的像素点,依次将每个方向上边缘率最大的像素点作为椭圆边缘点;
需要说明的是,农业植保无人机在运动方向一定会存在运动模糊,若农业植保无人机稳定,则在与运动方向的垂直方向不存在运动模糊,此时图像在农业植保无人机运动方向上的高频分量较弱,在垂直农业植保无人机运动方向上的高频分量较强。则在此两个方向的共同作用下,频谱二值图大体呈现较扁(长轴与短轴相差较大)的椭圆形状;若农业植保无人机在飞行过程中不稳定,则在与运动方向的垂直方向上也存在运动模糊,但在与运动方向的垂直方向上农业植保无人机的运动幅度小于运动方向的运动幅度,则垂直农业植保无人机运动方向上的高频分量较弱,但较农业植保无人机运动方向上的高频分量强。此时频谱二值图大体呈现较圆(长轴与短轴相差不大)的椭圆形状。
在图像中一些周期性纹理的作用下,最优频谱二值图像椭圆周围有很多分散的点,此些点干扰了对最优频谱二值图像中椭圆的检测,为获取准确的椭圆,首先需获取椭圆可能的边缘点。
计算最优频谱二值图像中每个白色像素点的边缘率,计算公式如下:
用于将归一化,为归一化系数,为二值图中所有像素点到原点距离的均值;当第个像素点为椭圆边缘时,理想情况下,第个像素点八邻域内像素点的比例为,因此当差异越小,且原点到第个像素点之间像素点均连续,第个像素点到原点的距离越大,第个像素点为椭圆边缘的可能性越大。
同理,计算每个点的边缘率。获取原点每个方向上边缘率最大的点,作为椭圆边缘点。
S5、利用最小二乘法对椭圆边缘点进行椭圆拟合,获取椭圆方程;根据椭圆方程获取椭圆的长半轴尺寸和短半轴尺寸;根据椭圆的长半轴尺寸和短半轴尺寸获取无人机稳定性指标;
则椭圆长半轴尺寸计算公式为:
椭圆短半轴尺寸计算公式为:
至此,完成了方向模糊特征的抽取。
S6、根据无人机稳定性指标判断无人机在飞行过程中的稳定性。
利用无人机的电子计算设备抽取到了方向模糊特征。若农业植保无人机稳定,则得到的不同方向的方向模糊特征差异较大。结合方向模糊特征获取农业植保无人机稳定性指标,计算公式如下:
式中,为无人机稳定性指标;为图像大小,为椭圆长半轴尺寸(无人机垂直飞行方向的方向模糊特征),为椭圆短半轴尺寸(无人机飞行方向的方向模糊特征);当垂直飞行方向的方向模糊特征越大,越小,同时飞行方向与垂直飞行方向的方向模糊特征差异越大时,越小,越大。此时意味着与农业植保无人机飞行方向垂直的方向上图像的高频分量越强,图像越清晰,农业植保无人机越稳定。
综上,本发明提供的一种农业植保无人机稳定性识别方法,该方法通过在农业植保无人机上搭载相机,拍摄农业植保无人机下方的图像,将图像转换为频谱图,并对图像频谱图进行特征抽取,识别农业植保无人机的稳定性。
本发明结合农业植保无人机搭载相机捕获图像识别农业植保无人机的稳定性,与利用相机捕获农业植保无人机飞行视频或利用机关雷达探测方法相比,节省人力物力,效率更高。同时利用图像频谱图抽取出图像不同方向的模糊特征,相比结合图像特征利用常规图像处理的方法,更加简单便捷,且结果更加准确。
以上仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种农业植保无人机稳定性识别方法,其特征在于,包括以下步骤:
通过无人机获取俯视图像,将所述俯视图像灰度化处理获取灰度图;
根据灰度图进行傅里叶变换获取频谱图;
根据频谱图中不同灰度值作为阈值对频谱图进行阈值分割获取多个二值图像;
根据每个二值图像中所有非孤立像素点的个数获取每个二值图像的优选度,并获取最大优选度对应的二值图像,即为最优频谱二值图;
根据最优频谱二值图中每个像素点至原点的距离,及原点到每个像素点方向上的邻域像素点个数,获取最优频谱二值图中每个像素点的边缘率;
获取原点至每个方向上边缘率最大的像素点,依次将每个方向上边缘率最大的像素点作为椭圆边缘点;
利用最小二乘法对椭圆边缘点进行椭圆拟合,获取椭圆方程;根据椭圆方程获取椭圆的长半轴尺寸和短半轴尺寸;根据椭圆的长半轴尺寸和短半轴尺寸获取无人机稳定性指标;
根据无人机稳定性指标判断无人机在飞行过程中的稳定性;
所述最优频谱二值图中每个像素点的边缘率计算公式如下:
所述无人机稳定性指标计算公式如下:
3.根据权利要求2所述的农业植保无人机稳定性识别方法,其特征在于,所述非孤立像素点是按照以下步骤获取:
通过统计灰度值为1的像素点的八邻域内灰度值为1的像素点的个数,当八邻域内灰度值为1的像素点数量>2,则判断该像素点是非孤立像素点。
8.根据权利要求1所述的农业植保无人机稳定性识别方法,其特征在于,获取的频谱图还经以下操作:将频谱图进行中心化操作,使得频率最低的点位于频谱图的中心,频率高的点位于频谱图的四周。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210780545.3A CN114842366B (zh) | 2022-07-05 | 2022-07-05 | 一种农业植保无人机稳定性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210780545.3A CN114842366B (zh) | 2022-07-05 | 2022-07-05 | 一种农业植保无人机稳定性识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114842366A CN114842366A (zh) | 2022-08-02 |
CN114842366B true CN114842366B (zh) | 2022-09-16 |
Family
ID=82573816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210780545.3A Active CN114842366B (zh) | 2022-07-05 | 2022-07-05 | 一种农业植保无人机稳定性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114842366B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115797473B (zh) * | 2023-02-09 | 2023-04-18 | 国网山东省电力公司东营供电公司 | 一种土建工程用混凝土成型评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530281A (zh) * | 2016-10-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于边缘特征的无人机图像模糊判断方法及系统 |
CN106856002A (zh) * | 2016-11-22 | 2017-06-16 | 上海大学 | 一种无人机拍摄图像质量评价方法 |
CN108305230A (zh) * | 2018-01-31 | 2018-07-20 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和系统 |
CN108765325A (zh) * | 2018-05-17 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种小型无人机模糊图像复原方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104344882B (zh) * | 2013-07-24 | 2017-08-04 | 中国国际航空股份有限公司 | 一种飞机抖动检测系统及方法 |
-
2022
- 2022-07-05 CN CN202210780545.3A patent/CN114842366B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530281A (zh) * | 2016-10-18 | 2017-03-22 | 国网山东省电力公司电力科学研究院 | 基于边缘特征的无人机图像模糊判断方法及系统 |
CN106856002A (zh) * | 2016-11-22 | 2017-06-16 | 上海大学 | 一种无人机拍摄图像质量评价方法 |
CN108305230A (zh) * | 2018-01-31 | 2018-07-20 | 上海康斐信息技术有限公司 | 一种模糊图像综合处理方法和系统 |
CN108765325A (zh) * | 2018-05-17 | 2018-11-06 | 中国人民解放军陆军工程大学 | 一种小型无人机模糊图像复原方法 |
Non-Patent Citations (1)
Title |
---|
航空光电平台图像稳定技术研究;王洪;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20120915;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114842366A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI709109B (zh) | 偵測航拍影像內物體之非暫態電腦可讀取媒體及系統,以及航拍影像中物體偵測之方法 | |
Millan et al. | On-the-go grapevine yield estimation using image analysis and boolean model | |
US20170177938A1 (en) | Automated detection of nitrogen deficiency in crop | |
EP2449532A1 (en) | Visual segmentation of lawn grass | |
US11455794B2 (en) | System and method for orchard recognition on geographic area | |
Thurrowgood et al. | A vision based system for attitude estimation of UAVs | |
CN114842366B (zh) | 一种农业植保无人机稳定性识别方法 | |
CN110443247A (zh) | 一种无人机地面运动小目标实时检测系统及方法 | |
CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
CN113077486A (zh) | 一种山区植被覆盖率监测方法及系统 | |
CN115512238A (zh) | 病害区域的确定方法、装置、存储介质及电子装置 | |
Lyu et al. | Development of phenotyping system using low altitude UAV imagery and deep learning | |
Buddha et al. | Weed detection and classification in high altitude aerial images for robot-based precision agriculture | |
Fuentes-Peñailillo et al. | Using clustering algorithms to segment UAV-based RGB images | |
CN112037241B (zh) | 一种基于多光谱数据的作物混种区实时识别方法及系统 | |
Liu et al. | Development of a proximal machine vision system for off-season weed mapping in broadacre no-tillage fallows | |
CN113252103A (zh) | 一种基于matlab图像识别技术计算物料堆体积及质量的方法 | |
CN110992372A (zh) | 物品抓取方法、装置、存储介质及电子装置 | |
CN113989509B (zh) | 基于图像识别的农作物虫害检测方法、检测系统及设备 | |
Kaur et al. | Automatic crop furrow detection for precision agriculture | |
de Ocampo et al. | Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing. | |
Bossu et al. | Development of methods based on double hough transform or gabor filtering to discriminate between crop and weed in agronomic images | |
KR20220168875A (ko) | 인공지능을 이용하여 벼 도복 피해면적을 산정하는 장치 및 방법 | |
CN114462485A (zh) | 一种红枣枣疯病初期防治方法 | |
CN110969210A (zh) | 一种小慢目标的识别分类方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |