CN114998656B - 一种穴盘苗分类方法及系统 - Google Patents

一种穴盘苗分类方法及系统 Download PDF

Info

Publication number
CN114998656B
CN114998656B CN202210659950.XA CN202210659950A CN114998656B CN 114998656 B CN114998656 B CN 114998656B CN 202210659950 A CN202210659950 A CN 202210659950A CN 114998656 B CN114998656 B CN 114998656B
Authority
CN
China
Prior art keywords
plug
seedling
seedlings
image
time sequence
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
Application number
CN202210659950.XA
Other languages
English (en)
Other versions
CN114998656A (zh
Inventor
徐刚
曾晶
许允款
周翔
崔玥
肖江剑
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.)
Ningbo Institute of Material Technology and Engineering of CAS
Original Assignee
Ningbo Institute of Material Technology and Engineering of CAS
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 Ningbo Institute of Material Technology and Engineering of CAS filed Critical Ningbo Institute of Material Technology and Engineering of CAS
Priority to CN202210659950.XA priority Critical patent/CN114998656B/zh
Publication of CN114998656A publication Critical patent/CN114998656A/zh
Application granted granted Critical
Publication of CN114998656B publication Critical patent/CN114998656B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/70—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
    • 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
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
    • Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
    • 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

Abstract

本发明公开了一种穴盘苗分类方法及系统。所述方法包括每日固定时间段获取穴盘苗幼苗期的穴盘图像，并通过图像处理方法对穴盘图像进行处理，建立穴盘苗的时间序列数据集；利用深度学习算法对时间序列数据集进行训练，获取穴盘苗幼苗期的长势信息，建立穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型；依据映射关系模型实现穴盘苗的长势好坏分类。本发明提供了一种基于时间序列的穴盘苗分类方案，可以在无损的情况下考虑穴盘苗整个幼苗生长阶段的状态，从而对穴盘苗进行分类，为穴盘苗机械化移栽效率的提高提供技术基础。

Description

一种穴盘苗分类方法及系统
技术领域
本发明属于农业自动化种植技术领域，具体涉及一种基于时间序列的穴盘苗分类方法及系统。
背景技术
随着现代设施农业的发展，集中化育苗和机械化移栽成为必然的发展趋势。穴盘育苗占地面积小、运输方便、效率高，对设施农业的发展具有重要意义。然而，穴盘苗在穴盘育苗过程中，受种子质量、育苗环境及播种机性能等因素的影响，穴盘苗的空穴率、坏苗率较高，严重影响了穴盘苗机械化移栽的作业效率。国内的温室大棚大多通过植保人员的主观判断对穴盘苗长势好坏进行筛选并对长势良好的穴盘苗进行手工移栽，这种移栽的方式费时费力，不适合温室大棚的大规模生产模式。
因此，发明一种准确率和稳定性高的穴盘苗分类方法及系统对穴盘苗机械化移栽效率的提高具有重要的意义。
发明内容
本发明的主要目的在于提供一种穴盘苗分类方法及系统，从而克服现有技术的不足。
为实现前述发明目的，本发明采用的技术方案包括：一种穴盘苗分类方法，包括：
S1，每日固定时间段获取穴盘苗幼苗期的穴盘图像，并通过图像处理方法对所述穴盘图像进行处理，建立穴盘苗的时间序列数据集；
S2，利用深度学习算法对所述时间序列数据集进行训练，获取穴盘苗幼苗期的长势信息，建立所述穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型；
S3，依据所述映射关系模型实现穴盘苗的长势好坏分类。
在一优选实施例中，所述S1中，所述通过图像处理方法对所述穴盘图像进行处理，建立每个穴盘苗的时间序列数据集的过程包括：
S11，对所述穴盘图像进行轮廓提取并进行水平矫正；
S12，对矫正后的穴盘图像选择合适的模板进行模板匹配，获取穴盘所有穴孔组成的最大矩形框；
S13，根据穴孔的尺寸对所述矩形框进行网格划分，获取单棵穴盘苗的图像数据；
S14，将同一穴盘的单棵穴盘苗的图像数据进行整理，形成单棵穴盘苗的时间序列数据并建立所有穴盘苗的时间序列数据集。
在一优选实施例中，所述S11包括：
S111，通过Canny算子边缘检测算法对穴盘图像进行轮廓提取；
S112，利用霍夫直线检测算法对提取的穴盘图像轮廓进行直线检测并获取检测到的直线倾斜角度；
S113，根据所述直线倾斜角度，利用仿射变换算法对穴盘图像进行水平矫正。
在一优选实施例中，所述S2中，所述建立穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型的过程包括：
S21，建立穴盘苗的时间序列数据集与标签的对应关系，将穴盘苗时间序列按好苗和坏苗分为两类；
S22，搭建深度学习模型对所述穴盘苗的时间序列数据集进行分析，获取穴盘苗幼苗期的长势信息。
在一优选实施例中，所述S112中，具体通过对检测到的所有直线计算倾斜角度并求所有倾斜角度的平均值，将该平均值作为最终的直线倾斜角度。
在一优选实施例中，所述S12包括：选择所述最大矩形框的左上角和右下角矩形区域作为模板，对矫正后的穴盘进行两次模板匹配，分别获取左上角坐标和右下角坐标，最后对矫正后的穴盘进行裁剪，获取所有穴孔组成的最大矩形框。
在一优选实施例中，所述S22包括：
S221，搭建LSTM长短期记忆神经网络对穴盘苗的时间序列数据集进行处理；
S222，建立穴盘苗长势信息与穴盘苗的好坏标签之间的映射关系，通过一个分类器实现穴盘苗好坏的精准分类。
在一优选实施例中，所述方法还包括：
S0，搭建潮汐式穴盘育苗架及穴盘苗的时间序列数据采集系统。
另一方面，本发明实施例还提供了一种穴盘苗分类系统，包括：
时间序列数据集获取模块，用于每日固定时间段获取穴盘苗幼苗期的穴盘图像，并通过图像处理方法对所述穴盘图像进行处理，建立穴盘苗的时间序列数据集；
映射模块，用于利用深度学习算法对所述时间序列数据集进行训练，获取穴盘苗幼苗期的长势信息，建立所述穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型；
穴盘苗分类模块，用于依据所述映射关系模型实现穴盘苗的长势好坏分类。
与现有技术相比较，本发明的有益效果至少在于：本发明提供了一种基于时间序列的穴盘苗分类方案，通过穴盘苗的时间序列数据获取穴盘苗的长势信息，最终实现穴盘苗的自动化分类，可以在无损的情况下考虑穴盘苗整个幼苗生长阶段的状态对穴盘苗进行分类，准确率和稳定性高，且为穴盘苗机械化移栽效率的提高提供技术基础。
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中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的穴盘苗分类方法的流程示意图；
图2是本发明采集的穴盘苗图像的示意图；
图3是本发明的单棵穴盘苗时间序列图像数据示意图；
图4是本发明的穴盘苗数据采集系统的结构示意图；
图5是本发明的穴盘所有穴孔组成的最大矩形框的示意图；
图6是本发明的穴盘苗不同越界情况的示意图；
图7是本发明的LSTM循环卷积神经网络模型的示意图。
具体实施方式
通过应连同所附图式一起阅读的以下具体实施方式将更完整地理解本发明。本文中揭示本发明的详细实施例；然而，应理解，所揭示的实施例仅具本发明的示范性，本发明可以各种形式来体现。因此，本文中所揭示的特定功能细节不应解释为具有限制性，而是仅解释为权利要求书的基础且解释为用于教示所属领域的技术人员在事实上任何适当详细实施例中以不同方式采用本发明的代表性基础。
结合图1～图6所示，本发明实施例所揭示的一种穴盘苗分类方法，具体包括以下步骤：
S1，每日固定时间段获取穴盘苗幼苗期的穴盘图像，并通过图像处理方法对穴盘图像进行处理，建立穴盘苗的时间序列数据集。
具体地，首先搭建潮汐式穴盘育苗架对穴盘苗进行种子培育，及搭建穴盘苗的时间序列数据采集系统，该系统结构如图4所示，该系统具体包括工作台5及设置于工作台5上的穴盘支架1、穴盘3、CCD工业相机4和计算机6，其中，穴盘支架1固定于工作台5上，所述穴盘3通过定位板2固定于穴盘支架1上，CCD工业相机4固定于穴盘支架1上且位于穴盘3的正上方，所述计算机6与CCD工业相机4相连，用于在固定时间段采集穴盘每日生长数据。也就是说，该系统每日固定时间段采集穴盘苗幼苗期的穴盘图像，采集的穴盘苗图像如图2所示。本实施例中，穴盘图像采集的区域保证和穴盘的颜色有明显区分，本实施例中采用的是白色背景，使用CCD工业相机采集穴盘图像数据，图像的分辨率为1920像素×1200像素。
所述通过图像处理方法对穴盘图像进行处理，建立每个穴盘苗的时间序列数据集的过程包括：
S11，对穴盘图像进行轮廓提取并进行水平矫正。
具体地，所述S11包括：
S111，通过Canny算子边缘检测算法对穴盘图像进行轮廓提取。
S112，利用霍夫直线检测算法对提取的穴盘图像轮廓进行直线检测并获取检测到的直线倾斜角度。
具体地，本实施例中，对Canny边缘检测算法提取的穴盘图像轮廓进行直线检测，霍夫直线检测中检测线段阈值的选取是图像矫正的关键，因此从大到小设置3个阈值进行直线检测，并计算检测到的所有直线弧度的均值，提高图像矫正的精度。
S113，根据直线倾斜角度，利用仿射变换算法对穴盘图像进行水平矫正。
具体地，本实施例中，根据直线倾斜角度，计算出穴盘矫正的旋转角度进行图像矫正，所述矫正的旋转角度计算公式为：
Figure BDA0003686322150000051
S12，对矫正后的穴盘图像选择合适的模板进行模板匹配，获取穴盘的所有穴孔组成的最大矩形框。
具体地，本实施例中，选择水平的穴盘穴孔组成的最大矩形框的左上角和右下角矩形区域作为模板，对矫正后的穴盘进行两次模板匹配，分别获取左上角坐标和右下角坐标，最后对矫正后的穴盘进行裁剪，获取所有穴孔组成的最大矩形框，如图5所示。
S13，根据穴孔的尺寸对矩形框进行网格划分，获取单棵穴盘苗的图像数据。
具体地，穴盘苗中穴孔的尺寸是一致的，根据穴孔的尺寸对矩形框进行网格划分，并建立穴盘苗的时间序列数据集。本实施例中，获取单棵穴盘苗的图像数据并按行的顺序对穴盘苗进行依次排序命名，如从1.png-105.png进行命名，将同一穴盘的单棵穴盘苗的每日图像进行整理，形成单棵穴盘苗的时间序列数据，如图3所示。
S14，将同一穴盘的单棵穴盘苗的图像数据进行整理，形成单棵穴盘苗的时间序列数据并建立所有穴盘苗的时间序列数据集。
S2，利用深度学习算法对时间序列数据集进行训练，获取穴盘苗幼苗期的长势信息，建立穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型。
具体地，所述建立穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型的过程包括：
S21，建立穴盘苗的时间序列数据集与标签的对应关系，将穴盘苗时间序列按好苗和坏苗分为两类；
S22，搭建深度学习模型对所述穴盘苗的时间序列数据集进行分析，获取穴盘苗幼苗期的长势信息。
具体地，所述S22包括：
S221，搭建LSTM长短期记忆神经网络对穴盘苗的时间序列数据集进行训练；
S222，获取穴盘苗长势信息与穴盘苗的好坏标签之间的映射关系，实现穴盘苗的好坏精准分类。
具体地，结合图7所示，该步骤中，先将穴盘苗的时间序列数据集通过一个LSTM(long short term memory，长短期记忆网络)隐藏层再经过dropout层避免过拟合，再通过全连接层用于解释由LSTM隐藏层提取的特征，并使用随机梯度下降Adam优化器对网络进行优化，通过卷积、池化、全连接层提取时间序列穴盘苗在时间和空间上的特征，最后经一个分类器实现穴盘苗的健康状况分类。
S3，依据映射关系模型实现穴盘苗的长势好坏分类。
与上述穴盘苗分类方法相对应的，本发明还提供了另外一种穴盘苗分类系统，包括：
时间序列数据集获取模块，用于每日固定时间段获取穴盘苗幼苗期的穴盘图像，并通过图像处理方法对所述穴盘图像进行处理，建立穴盘苗的时间序列数据集；
映射模块，用于利用深度学习算法对所述时间序列数据集进行训练，获取穴盘苗幼苗期的长势信息，建立所述穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型；
穴盘苗分类模块，用于依据所述映射关系模型实现穴盘苗的长势好坏分类。
每个模块的具体原理可参照上述方法中的对应表述，这里不做赘述。
本发明提供了一种基于时间序列的穴盘苗分类方案，通过穴盘苗的时间序列数据获取穴盘苗的长势信息，最终实现穴盘苗的自动化分类，可以在无损的情况下考虑穴盘苗整个幼苗生长阶段的状态对穴盘苗进行分类，准确率和稳定性高，且为穴盘苗机械化移栽效率的提高提供技术基础。
本发明的各方面、实施例、特征及实例应视为在所有方面为说明性的且不打算限制本发明，本发明的范围仅由权利要求书界定。在不背离所主张的本发明的精神及范围的情况下，所属领域的技术人员将明了其它实施例、修改及使用。
在本发明案中标题及章节的使用不意味着限制本发明；每一章节可应用于本发明的任何方面、实施例或特征。

Claims (7)

1.一种穴盘苗分类方法，其特征在于，所述方法包括：
S1，每日固定时间段获取穴盘苗幼苗期的穴盘图像，并通过图像处理方法对所述穴盘图像进行处理，建立穴盘苗的时间序列数据集，具体过程包括；
S11，对所述穴盘图像进行轮廓提取并进行水平矫正；
S12，对矫正后的穴盘图像选择合适的模板进行模板匹配，获取穴盘的所有穴孔组成的最大矩形框；
S13，根据穴孔的尺寸对所述矩形框进行网格划分，获取单棵穴盘苗的图像数据；
S14，将同一穴盘的单棵穴盘苗的图像数据进行整理，形成单棵穴盘苗的时间序列数据并建立所有穴盘苗的时间序列数据集；
S2，利用深度学习算法对所述时间序列数据集进行训练，获取穴盘苗幼苗期的长势信息，建立所述穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型；
S3，依据所述映射关系模型实现穴盘苗的长势好坏分类；
并且，所述S11具体包括：
S111，通过Canny算子边缘检测算法对穴盘图像进行轮廓提取；
S112，利用霍夫直线检测算法对提取的穴盘图像轮廓进行直线检测并获取检测到的直线倾斜角度；
S113，根据所述直线倾斜角度，利用仿射变换算法计算出穴盘矫正的旋转角度对穴盘图像进行水平矫正，所述矫正的旋转角度计算公式为：
Figure QLYQS_1
。
2.根据权利要求1所述的一种穴盘苗分类方法，其特征在于：所述S112中，具体通过对检测到的所有直线计算倾斜角度并求所有倾斜角度的平均值，将所述平均值作为最终的直线倾斜角度。
3.根据权利要求1所述的一种穴盘苗分类方法，其特征在于：所述S12包括：选择所述最大矩形框的左上角和右下角矩形区域作为模板，对矫正后的穴盘进行两次模板匹配，分别获取左上角坐标和右下角坐标，最后对矫正后的穴盘进行裁剪，获取所有穴孔组成的最大矩形框,选择标准穴盘的所有穴孔组成的最大矩形框的左上角和右下角矩形区域作为模板图像，对矫正后的穴盘进行两次模板匹配，分别匹配到穴盘的左上角和右下角区域，再根据匹配的结果进行获得最大矩形框的左上点和右下点坐标，最后对矫正后的穴盘进行裁剪，得到所有小穴孔组成的最大矩形框区域。
4.根据权利要求1所述的一种穴盘苗分类方法，其特征在于：所述S2中，所述建立穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型的过程包括：
S21，建立穴盘苗的时间序列数据集与标签的对应关系，将穴盘苗时间序列按好苗和坏苗分为两类；
S22，搭建深度学习模型对所述穴盘苗的时间序列数据集进行分析，获取穴盘苗幼苗期的长势信息。
5.根据权利要求4所述的一种穴盘苗分类方法，其特征在于：所述S22包括：
S221，搭建LSTM长短期记忆神经网络对穴盘苗的时间序列数据集进行训练；
S222，获取穴盘苗长势信息与穴盘苗的好坏标签之间的映射关系，实现穴盘苗的好坏精准分类。
6.根据权利要求1所述的一种穴盘苗分类方法，其特征在于：所述方法还包括：
S0，搭建潮汐式穴盘育苗架及穴盘苗的时间序列数据采集系统。
7.一种穴盘苗分类系统，其特征在于：所述系统包括：
时间序列数据集获取模块，用于每日固定时间段获取穴盘苗幼苗期的穴盘图像，并通过图像处理方法对所述穴盘图像进行处理，建立穴盘苗的时间序列数据集，具体过程包括；
S11，对所述穴盘图像进行轮廓提取并进行水平矫正，具体包括：
S111，通过Canny算子边缘检测算法对穴盘图像进行轮廓提取；
S112，利用霍夫直线检测算法对提取的穴盘图像轮廓进行直线检测并获取检测到的直线倾斜角度；
S113，根据所述直线倾斜角度，利用仿射变换算法计算出穴盘矫正的旋转角度对穴盘图像进行水平矫正，所述矫正的旋转角度计算公式为：
Figure QLYQS_2
；
S12，对矫正后的穴盘图像选择合适的模板进行模板匹配，获取穴盘的所有穴孔组成的最大矩形框；
S13，根据穴孔的尺寸对所述矩形框进行网格划分，获取单棵穴盘苗的图像数据；
S14，将同一穴盘的单棵穴盘苗的图像数据进行整理，形成单棵穴盘苗的时间序列数据并建立所有穴盘苗的时间序列数据集；
映射模块，用于利用深度学习算法对所述时间序列数据集进行训练，获取穴盘苗幼苗期的长势信息，建立所述穴盘苗幼苗期的长势信息与穴盘苗的好坏标签之间的映射关系模型；
穴盘苗分类模块，用于依据所述映射关系模型实现穴盘苗的长势好坏分类。
CN202210659950.XA 2022-06-09 2022-06-09 一种穴盘苗分类方法及系统 Active CN114998656B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210659950.XA CN114998656B (zh) 2022-06-09 2022-06-09 一种穴盘苗分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210659950.XA CN114998656B (zh) 2022-06-09 2022-06-09 一种穴盘苗分类方法及系统

Publications (2)

Publication Number Publication Date
CN114998656A CN114998656A (zh) 2022-09-02
CN114998656B true CN114998656B (zh) 2023-06-16

Family

ID=83032535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210659950.XA Active CN114998656B (zh) 2022-06-09 2022-06-09 一种穴盘苗分类方法及系统

Country Status (1)

Country Link
CN (1) CN114998656B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210015016A (ko) * 2019-07-31 2021-02-10 대한민국(농촌진흥청장) 스마트 공정육묘 통합관리시스템
CN112907516A (zh) * 2021-01-27 2021-06-04 山东省计算中心（国家超级计算济南中心） 一种用于穴盘育苗的甜玉米种子识别方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102939816A (zh) * 2012-11-29 2013-02-27 江苏大学 一种用于穴盘苗移栽的识别定位移栽方法
CN109115776B (zh) * 2018-08-27 2020-07-31 江苏大学 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置
CN111144168B (zh) * 2018-11-02 2023-04-18 阿里巴巴集团控股有限公司 农作物生长周期的识别方法、设备以及系统
CN110276775B (zh) * 2019-07-08 2021-05-04 浙江理工大学 一种基于机器视觉的番茄穴盘苗嫁接切削参数识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210015016A (ko) * 2019-07-31 2021-02-10 대한민국(농촌진흥청장) 스마트 공정육묘 통합관리시스템
CN112907516A (zh) * 2021-01-27 2021-06-04 山东省计算中心（国家超级计算济南中心） 一种用于穴盘育苗的甜玉米种子识别方法及装置

Also Published As

Publication number Publication date
CN114998656A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
Roscher et al. Automated image analysis framework for high-throughput determination of grapevine berry sizes using conditional random fields
CN111862194B (zh) 基于计算机视觉的深度学习植物生长模型分析方法及系统
CN103996018B (zh) 基于4dlbp的人脸识别方法
CN111540006B (zh) 基于深度迁移学习的植物气孔智能检测与识别方法及系统
CN110472575B (zh) 一种基于深度学习和计算机视觉的串番茄成熟度检测方法
CN108491788A (zh) 一种用于财务报表单元格的智能提取方法及装置
CN112990103B (zh) 一种基于机器视觉的串采二次定位方法
CN109684941B (zh) 一种基于matlab图像处理荔枝果实采摘区域划分方法
CN112270268A (zh) 一种非结构化环境下基于深度学习的果实采摘机器人目标检测方法
CN114049365A (zh) 一种双孢蘑菇视觉分割识别方法
CN113191334B (zh) 一种基于改进CenterNet的植物冠层密集叶片计数方法
CN115021679B (zh) 一种基于多维离群点检测的光伏设备故障检测方法
CN110232685A (zh) 基于深度学习的空间骨盆参数自动测量方法
CN110047063A (zh) 一种物料掉落的检测方法、装置、设备及存储介质
CN106991449A (zh) 一种生活场景重构辅助识别蓝莓品种的方法
CN108508844A (zh) 基于平面辅助光源与机器视觉的产品转移系统及转移方法
CN114998656B (zh) 一种穴盘苗分类方法及系统
CN113313692A (zh) 一种基于航拍可见光图像的香蕉幼株自动识别与计数方法
Zhao et al. Transient multi-indicator detection for seedling sorting in high-speed transplanting based on a lightweight model
CN110619297A (zh) 一种豆类植物子实图像批量采集识别方法及装置
CN111402235B (zh) 菌落图像的生长记录方法、装置、电子设备及存储介质
CN110956178B (zh) 一种基于图像相似度计算的植物生长测量方法、系统及电子设备
CN115330868A (zh) 一种基于深度学习与深度信息融合的葡萄采摘方法
CN114937078A (zh) 自动除草方法、装置和存储介质
CN114937030A (zh) 一种用于智慧农业种植生菜的表型参数计算方法

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