CN114863106B - 一种离心式撒肥颗粒分布检测方法 - Google Patents
一种离心式撒肥颗粒分布检测方法 Download PDFInfo
- Publication number
- CN114863106B CN114863106B CN202210500301.5A CN202210500301A CN114863106B CN 114863106 B CN114863106 B CN 114863106B CN 202210500301 A CN202210500301 A CN 202210500301A CN 114863106 B CN114863106 B CN 114863106B
- Authority
- CN
- China
- Prior art keywords
- image
- fertilizer
- grid
- extracting
- algorithm
- 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
- 239000003337 fertilizer Substances 0.000 title claims abstract description 80
- 239000002245 particle Substances 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 230000007480 spreading Effects 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 19
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 230000001629 suppression Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 12
- 238000009331 sowing Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000003628 erosive effect Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000004720 fertilization Effects 0.000 abstract description 5
- 230000000877 morphologic effect Effects 0.000 abstract description 4
- 239000008187 granular material Substances 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 101100491335 Caenorhabditis elegans mat-2 gene Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000618 nitrogen fertilizer Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C15/00—Fertiliser distributors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P60/00—Technologies relating to agriculture, livestock or agroalimentary industries
- Y02P60/20—Reduction of greenhouse gas [GHG] emissions in agriculture, e.g. CO2
- Y02P60/21—Dinitrogen oxide [N2O], e.g. using aquaponics, hydroponics or efficiency measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种离心式撒肥颗粒分布检测方法,在每个校准垫上标记多个网格元素,在每个网格元素上放置两位数的数字标签,利用摄像装置拍取肥料颗粒分布的图像信息,然后对每个图像进行独立处理。本发明基于自定义的IB算法进行图像特征提取,基于数学形态学运算及霍夫变换定义网格区域及数字标签,选择SVM算法构建肥料检测分类器,在进行肥料颗粒检测时先以分水岭算法提取图像前景坐标,然后对图像数据进行预处理并使用分类器识别肥料,最后利用非极大值抑制算法对所有窗口进行排序择优,以确定最终的检测结果,进行结果标记与汇总,据此进行撒肥机参数校准。本发明的整个检测过程更加智能化、精准化,有助于提高撒肥机的施肥效率。
Description
技术领域
本发明属于精准施肥技术领域,尤其涉及一种离心式撒肥颗粒分布检测方法。
背景技术
精准施肥是保护农业环境、维持农业可持续发展、提高农作物产量的重要基础,其中,通过调节撒肥机相关参数以避免肥料滥用是实现精准施肥的关键环节。传统的对肥料颗粒分布进行检测的方法通常是基于静态测试,首先在地上放置容器,允许肥料自由撒施,利用图像传感器、电容传感器或是动态加权系统来对肥料分布进行检测,此类方法较为耗时、费力、繁琐,而且设备昂贵。为弥补此类检测方法的缺点,研究者们提出了摄影测量技术以及基于高速双眼立体视觉技术的三维方法,但由于环境因素对该种检测方法的影响较大,因此同样无法实现较为精确的检测。
发明内容
针对现有技术中存在的不足,本发明提供了一种离心式撒肥颗粒分布检测方法,基于人造草皮制作的原型校准垫,将校准垫分割成几个网格区域,然后获取颗粒肥料的图像数据进行分析,获得颗粒肥料的分布情况,从而对撒肥机进行参数校准,实现了高效化、精准化检测,能够有效减少肥料的滥用。
本发明是通过以下技术手段实现上述技术目的的。
一种离心式撒肥颗粒分布检测方法,包括如下步骤:
步骤1:使用人造草皮制作原型校准垫,在校准垫上设置8个0.5×0.5m的方形网格,在每个网格元素上放置两位数的数字标签,然后将校准垫放置在肥料播撒区域;
步骤2:在指定的肥料播撒区域进行肥料撒播,然后使用摄像机从垂直位置获取校准垫的原始图像,且保证每个图像包括1~3个网格元素及其对应的数字标签;
步骤3:摄像机获取原始图像后传递至高性能计算机平台进行数据处理分析,首先对获取的原始图像进行预处理,利用小波阈值算法去除图像噪音;
步骤4:进行图像特征提取;利用自定义的IB算法转化两个二值图像,一个二值图像显示出网格线及标签,与图像的黄色分量(IBy)相关,另一个二值图像显示出肥料颗粒,与图像的白色/浅棕色分量(IBw)相关;
步骤5:定义网格区域及数字标签;基于数学形态学运算获取具有单个网格的二值图像(IBy1),并进行细化处理,然后使用霍夫变换进行直线检测和连接,通过连续的迭代过程以提取至少20个相关线段;根据每个线段的角度θ进行评估,提取最能代表网格区域的相关线段;
步骤6:基于步骤5识别到的网格区域,对每个网格区域进行单独的肥料识别计数处理;
步骤7:进行结果标记与汇总,每幅图像输出一对数值,即输出网格对应的两位数字标签以及该网格区域肥料颗粒的数量。
进一步地,所述步骤3中,小波阈值算法处理公式为:
进一步地,所述步骤4的具体过程如下:
首先提取网格区域及对应数字标签的二值图像(IBy),将原始的RGB图像转化为HSV模型,提取HSV颜色模型下网格和数字标签的颜色特征值,融合HSV颜色模型下H分量灰度图像和S分量灰度图像,使用初始值tMin=0、tMax=0.25以及等式执行二值化处理,进行初始二值化后计算像素ON的百分比,百分比低于3%时tMax增加0.005,重复进行二值化计算处理,直至百分比高于3%时结束二值化处理;其中,表示与图像黄色分量相关的二值化初始值;
其次,提取肥料颗粒的二值化图像(IBw),使用原始RGB图像,提取RGB颜色模型下肥料颜色特征值,融合RGB颜色模型下R分量灰度图像、G分量灰度图像以及B分量灰度图像,基于[0,255]的取值范围以及等式
IBw=(2×G-R-B<1)AND(R>200)AND(B>200)执行二值化处理。
使用3像素半径邻域作为结构元素进行闭合,使用十字交叉(3像素厚度,15像素长度)作为结构元素进行闭合,提取单个最大对象,再使用5像素半径圆盘作为结构元素进行闭合,最后提取单个最大对象,从而获得具有单个网格的二值图像(IBy1)。
进一步地,所述步骤5中,提取最能代表网格区域的相关线段的具体过程为:根据每个线段的角度θ进行评估,以图像的垂直轴作为参考,|θ|<15时标记为近垂直线段,|θ|>85时标记为近水平线段,拒绝标记其他角度线段;接着分别提取两个最相关的水平线段以及两个最相关的垂直线段,最后计算这些线段的交点从而定义网格区域,每个图像定义1~3个网格区域,最后为定义到的每个四边形区域提取二值图像(IBQi,i=1,2,3),其中,i表示网格区域的编号。
进一步地,所述步骤6的具体过程为:首先构建模型训练样本集,确定正负样本点,根据样本点坐标与肥料图像信息对图像进行预处理,然后选择SVM算法的核函数并设定模型参数,从而构建肥料检测分类器,在进行肥料颗粒检测时首先以分水岭算法提取图像前景坐标,然后对图像数据进行预处理并使用分类器识别肥料,以前景坐标为中心点对肥料图像使用滑动窗口的方法确认是否存在肥料颗粒并标记,最后利用非极大值抑制算法对所有窗口进行排序择优,以确定最终的检测结果。
进一步地,所述步骤7的具体过程为:进行结果的标记与汇总时首先识别每个网格区域上的子图像并识别其两位数字标签,开发结果标记函数,将两位数字标签在网格区域上方棕色背景上以白色显示,将肥料颗粒总数在绿色背景上以黑色显示。
本发明具有如下有益效果:
本发明基于机器视觉技术提出一种肥料分布检测方法,利用人造草皮制作原型校准垫,该校准垫包含几个网格区域,利用简单的摄像装置获取肥料颗粒分布的图像信息,通过数字信号处理器、服务器,提取图像特征,结合机器视觉算法检测每个网格区域的肥料颗粒并计数,进而判断肥料颗粒分布的均匀度,实时输出肥料颗粒的分布结果,根据输出的结果进行撒肥机参数的校准,实现精准施肥。本发明所提供的方法具有成本低、检测快、精度高等优点,整个检测过程较传统的检测方法更加智能化、精准化,极大程度上节省了投入的时间以及经济成本,并且能够更加快速精准的实现肥料颗粒的分布检测,具有较强的推广价值。
附图说明
图1为本发明所述离心式撒肥颗粒分布检测方法流程图;
图2为本发明所述校准垫的图像采集示意图;
图3为本发明所述小波阈值算法中的小波阈值去噪原理示意图;
图4为本发明所述小波阈值算法中的小波分解重构过程示意图;
图5为本发明所述数学形态学运算中腐蚀运算示意图;
图6为本发明所述SVM算法分类思路示意图;
图7为本发明所述分水岭算法示意图。
图中:1-摄像机;2-校准垫。
具体实施方式
下面结合附图以及具体实施例对本发明作进一步的说明,但本发明的保护范围并不限于此。
本发明优选以水稻氮肥为研究对象进行方案说明,本发明所述的离心式撒肥颗粒分布检测方法,如图1所示,具体过程如下:
步骤1:使用人造草皮制作原型校准垫2,以防止肥料颗粒弹跳而造成检测误差,在校准垫2上设置有8个0.5×0.5m的方形网格,在每个网格元素上放置两位数的数字标签,然后提前将校准垫2放置在肥料播撒区域。
步骤2:在指定的肥料播撒区域进行肥料撒播,如图2所示,肥料播撒完成后使用索尼A6400摄像机1从垂直位置获取校准垫2的原始图像,且保证每个图像包括1~3个网格元素及其对应的数字标签;摄像机1获取原始图像后传递至高性能计算机平台进行数据处理分析。
步骤3:首先对获取的原始图像进行预处理,利用小波阈值算法去除图像噪音,以便于后续进行图像分割处理,具体的算法原理图如图3、4所示,图中,ca表示低频信息、近似分量,cd表示高频、细节分量,X为原始信号,算法公式如下:
步骤4:进行图像特征提取;利用自定义的IB算法转化两个二值图像,一个二值图像显示出网格线及标签,与图像的黄色分量(IBy)相关,另一个二值图像显示出肥料颗粒,与图像的白色/浅棕色分量(IBw)相关,具体做法如下:
首先提取网格及对应数字标签的二值图像(IBy),将原始的RGB图像转化为HSV模型,提取HSV颜色模型下网格和数字标签的颜色特征值,融合HSV颜色模型下H分量灰度图像和S分量灰度图像,使用初始值tMin=0、tMax=0.25以及等式执行二值化处理,进行初始二值化后计算像素ON的百分比,百分比低于3%时tMax增加0.005,并重复进行二值化计算处理,直至百分比高于3%时结束二值化处理;其中,表示与图像黄色分量相关的二值化初始值;
其次,提取肥料颗粒的二值化图像(IBw),使用原始RGB图像,提取RGB颜色模型下肥料颜色特征值,融合RGB颜色模型下R分量灰度图像、G分量灰度图像以及B分量灰度图像,基于[0,255]的取值范围以及等式
IBw=(2×G-R-B<1)AND(R>200)AND(B>200)执行二值化处理。
步骤5:定义网格区域及数字标签;基于数学形态学运算及霍夫变换,获取具有单个网格的二值图像(IBy1),定义相关线段,根据角度进行评估,提取最能代表网格区域的相关线段,具体做法如下:
具体如下:
使用3像素半径邻域作为结构元素进行闭合;
使用十字交叉(3像素厚度,15像素长度)作为结构元素进行闭合;
提取单个最大对象;
使用5像素半径圆盘作为结构元素进行闭合;
提取单个最大对象,从而获得具有单个网格的二值图像(IBy1);
然后对获得的具有单个网格的二值图像(IBy1)进行细化处理,使用霍夫变换进行直线检测和连接,通过连续的迭代过程以提取相关线段,减少与霍夫变换最大值有关的容差因子,提取至少20个相关线段;
然后根据每个线段的角度(θ)进行评估,以图像的垂直轴作为参考,|θ|<15时标记为近垂直线段,|θ|>85时标记为近水平线段,拒绝标记其他角度线段;接着分别提取两个最相关的水平线段以及两个最相关的垂直线段,最后计算这些线段的交点从而定义网格区域,每个图像定义1~3个网格区域,最后为定义到的每个四边形区域提取二值图像(IBQi,i=1,2,3),其中,i表示网格区域的编号。
步骤6:肥料识别与计数;
首先构建模型训练样本集,确定正负样本点,根据样本点坐标与肥料图像信息对图像进行数据预处理,包括图像数据一维化以及归一化处理;然后选择SVM算法的核函数并设定模型参数,从而构建肥料检测分类器,在进行肥料颗粒检测时首先以分水岭算法提取图像前景坐标,然后对图像数据进行预处理并使用分类器识别肥料,以前景坐标为中心点对肥料图像使用滑动窗口的方法确认是否存在肥料颗粒并标记,最后利用非极大值抑制算法对所有窗口进行排序择优,以确定最终的检测结果;
所述SVM算法原理图如图6示,其中,H1、H、H2均表示分割超平面,W表示法向量;所述分水岭算法原理图如图7所示。
步骤7:进行结果标记与汇总,每幅图像输出一对数值,即输出网格对应的两位数字标签以及该网格区域肥料颗粒的数量,具体做法如下:进行结果的标记与汇总时首先识别每个网格区域上方的子图像并识别其两位数字标签,开发结果标记函数,将两位数字标签在网格区域上方棕色背景上以白色显示,肥料颗粒总数在绿色背景上以黑色显示。
所述实施例为本发明的优选的实施方式,但本发明并不限于上述实施方式,在不背离本发明的实质内容的情况下,本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。
Claims (5)
1.一种离心式撒肥颗粒分布检测方法,其特征在于,包括如下步骤:
步骤1:使用人造草皮制作原型校准垫(2),在校准垫(2)上设置8个0.5×0.5m的方形网格,在每个网格元素上放置两位数的数字标签,然后将校准垫(2)放置在肥料播撒区域;
步骤2:在指定的肥料播撒区域进行肥料撒播,然后使用摄像机(1)从垂直位置获取校准垫(2)的原始图像,且保证每个图像包括1~3个网格元素及其对应的数字标签;
步骤3:摄像机(1)获取原始图像后传递至高性能计算机平台进行数据处理分析,首先对获取的原始图像进行预处理,利用小波阈值算法去除图像噪音;
步骤4:进行图像特征提取;利用自定义的IB算法转化两个二值图像,一个二值图像显示出网格线及标签,与图像的黄色分量相关,另一个二值图像显示出肥料颗粒,与图像的白色/浅棕色分量相关;
步骤5:定义网格区域及数字标签;基于数学形态学运算获取具有单个网格的二值图像,并进行细化处理,然后使用霍夫变换进行直线检测和连接,通过连续的迭代过程以提取至少20个相关线段;根据每个线段的角度θ进行评估,提取最能代表网格区域的相关线段;
步骤6:基于步骤5识别到的网格区域,对每个网格区域进行单独的肥料识别计数处理;
步骤7:进行结果标记与汇总,每幅图像输出一对数值,即输出网格对应的两位数字标签以及该网格区域肥料颗粒的数量;
所述步骤4的具体过程如下:
首先提取网格区域及对应数字标签的二值图像,将原始的RGB图像转化为HSV模型,提取HSV颜色模型下网格和数字标签的颜色特征值,融合HSV颜色模型下H分量灰度图像和S分量灰度图像,使用初始值tMin=0、tMax=0.25以及等式执行二值化处理,进行初始二值化后计算像素ON的百分比,百分比低于3%时tMax增加0.005,重复进行二值化计算处理,直至百分比高于3%时结束二值化处理;其中,表示与图像黄色分量相关的二值化初始值;
其次,提取肥料颗粒的二值化图像,使用原始RGB图像,提取RGB颜色模型下肥料颜色特征值,融合RGB颜色模型下R分量灰度图像、G分量灰度图像以及B分量灰度图像,基于[0,255]的取值范围以及等式IBw=(2×G-R-B<1)AND(R>200)AND(B>200)执行二值化处理;
所述步骤6的具体过程为:首先构建模型训练样本集,确定正负样本点,根据样本点坐标与肥料图像信息对图像进行预处理,然后选择SVM算法的核函数并设定模型参数,从而构建肥料检测分类器,在进行肥料颗粒检测时首先以分水岭算法提取图像前景坐标,然后对图像数据进行预处理并使用分类器识别肥料,以前景坐标为中心点对肥料图像使用滑动窗口的方法确认是否存在肥料颗粒并标记,最后利用非极大值抑制算法对所有窗口进行排序择优,以确定最终的检测结果。
4.根据权利要求1所述的离心式撒肥颗粒分布检测方法,其特征在于,所述步骤5中,提取最能代表网格区域的相关线段的具体过程为:根据每个线段的角度θ进行评估,以图像的垂直轴作为参考,|θ|<15时标记为近垂直线段,|θ|>85时标记为近水平线段,拒绝标记其他角度线段;接着分别提取两个最相关的水平线段以及两个最相关的垂直线段,最后计算这些线段的交点从而定义网格区域,每个图像定义1~3个网格区域,最后为定义到的每个四边形区域提取二值图像。
5.根据权利要求1所述的离心式撒肥颗粒分布检测方法,其特征在于,所述步骤7的具体过程为:进行结果的标记与汇总时首先识别每个网格区域上的子图像并识别其两位数字标签,开发结果标记函数,将两位数字标签在网格区域上方棕色背景上以白色显示,将肥料颗粒总数在绿色背景上以黑色显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500301.5A CN114863106B (zh) | 2022-05-09 | 2022-05-09 | 一种离心式撒肥颗粒分布检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210500301.5A CN114863106B (zh) | 2022-05-09 | 2022-05-09 | 一种离心式撒肥颗粒分布检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114863106A CN114863106A (zh) | 2022-08-05 |
CN114863106B true CN114863106B (zh) | 2023-04-28 |
Family
ID=82636496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210500301.5A Active CN114863106B (zh) | 2022-05-09 | 2022-05-09 | 一种离心式撒肥颗粒分布检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114863106B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116738704B (zh) * | 2023-06-08 | 2023-12-12 | 南京农业大学 | 离心撒肥颗粒的数字高程模型轨迹建模和均匀度检测方法 |
CN118037814B (zh) * | 2024-01-03 | 2024-08-13 | 南京农业大学 | 颗粒肥料沉积分布模式自动检测系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102014103964A1 (de) * | 2014-03-24 | 2015-09-24 | Amazonen-Werke H. Dreyer Gmbh & Co. Kg | Verfahren und Vorrichtung zum Bestimmen einer Verteilung von Düngerkörnern |
CN105794382B (zh) * | 2016-05-11 | 2018-09-07 | 山东农业大学 | 一种基于机器视觉技术的果园精准施肥装置及施肥方法 |
CN108230319A (zh) * | 2018-01-17 | 2018-06-29 | 北京农业智能装备技术研究中心 | 用于评价颗粒肥料抛撒效果的方法及装置 |
CN112098275A (zh) * | 2020-09-07 | 2020-12-18 | 华南农业大学 | 一种航空撒播作业质量的快速检测系统及方法 |
-
2022
- 2022-05-09 CN CN202210500301.5A patent/CN114863106B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114863106A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114863106B (zh) | 一种离心式撒肥颗粒分布检测方法 | |
Maldonado Jr et al. | Automatic green fruit counting in orange trees using digital images | |
CN109447945B (zh) | 基于机器视觉和图形处理的小麦基本苗快速计数方法 | |
Tan et al. | Segmentation and counting algorithm for touching hybrid rice grains | |
CN106845497B (zh) | 基于多特征融合的玉米前期图像旱情识别方法 | |
CN108257151B (zh) | 基于显著性分析的PCANet图像变化检测方法 | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN106815819B (zh) | 多策略粮虫视觉检测方法 | |
Rahamathunnisa et al. | Vegetable disease detection using k-means clustering and svm | |
CN109871900A (zh) | 一种基于图像处理的复杂背景下苹果的识别定位方法 | |
Wu et al. | Automatic kernel counting on maize ear using RGB images | |
Shao et al. | A kind of pavement crack detection method based on digital image processing | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
Pushpa et al. | Diseased leaf segmentation from complex background using indices based histogram | |
CN108073940A (zh) | 一种非结构化环境中的3d目标实例物体检测的方法 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及系统 | |
Zhang et al. | A novel image detection method for internal cracks in corn seeds in an industrial inspection line | |
Triantoro et al. | Image based water gauge reading developed with ANN Kohonen | |
CN117576564B (zh) | 用于茶叶种植的病虫害识别预警方法与系统 | |
He et al. | A calculation method of phenotypic traits of soybean pods based on image processing technology | |
CN109815784A (zh) | 一种基于红外热像仪的智能分类方法、系统及存储介质 | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN116824624A (zh) | 一种奶牛身份识别方法、系统、设备及存储介质 | |
Joshi et al. | Detection and classification of plant diseases using soft computing techniques |
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 |