CN115170522A - 一种基于机器视觉的穴盘种苗分级移栽方法 - Google Patents
一种基于机器视觉的穴盘种苗分级移栽方法 Download PDFInfo
- Publication number
- CN115170522A CN115170522A CN202210832993.3A CN202210832993A CN115170522A CN 115170522 A CN115170522 A CN 115170522A CN 202210832993 A CN202210832993 A CN 202210832993A CN 115170522 A CN115170522 A CN 115170522A
- Authority
- CN
- China
- Prior art keywords
- image
- seedling
- plug
- machine vision
- grading
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000000758 substrate Substances 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 238000006243 chemical reaction Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 3
- 238000005260 corrosion Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000032258 transport Effects 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 27
- 241000760358 Enodes Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000002054 transplantation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 235000013311 vegetables Nutrition 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C11/00—Transplanting machines
- A01C11/02—Transplanting machines for seedlings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Soil Sciences (AREA)
- Environmental Sciences (AREA)
- Image Processing (AREA)
Abstract
一种基于机器视觉的穴盘种苗分级移栽方法,包括以下步骤:获取机械手抓取的穴盘种苗原图像,对原图像进行HSV格式处理,分别获得HSV格式种苗图中叶片感兴趣区域和基质感兴趣区域的二值图像,对两张二值图像重合相加得到掩膜图像,取掩膜图像与原图像叠加获得黑色背景种苗图,取掩膜图像进行像素转换获得透明图像,将黑色背景种苗图与透明图像相加得到白色背景种苗图,依据白色背景种苗图对待移栽穴盘种苗进行分级,机械手依据分级结果将待移栽穴盘种苗运输至对应的苗盘。本发明通过特定的图像提取能够提高分级评判的精度,减少种苗移栽损伤率,在分级中能够减少分级计算量,提升种苗识别效率。
Description
技术领域
本发明属于穴盘种苗移栽技术领域,具体涉及一种基于机器视觉的穴盘种苗分级移栽方法。
背景技术
穴盘幼苗的移栽技术是一种广泛应用于设施农业的移植方法,为满足种苗对生长空间和养分不断增多的需求,需将其从高密度穴盘移植到低密度穴盘。
穴盘苗机械化移栽对促进我国蔬菜、花卉产业的发展具有重要意义。穴盘苗机械化移栽与传统手工移栽技术相比具有显著提高移栽效率、降低人工劳动强度和成本等优势。但是空苗或者坏苗较多的穴盘苗不利于成品苗的出售或者后续机械化移栽,因此,对于穴盘苗机械化移栽,需要严格控制穴盘种苗品质。在控制种苗品质时,通常通过视觉相机拍摄种苗图像,判断种苗的品质是否合格或者划分等级,并将判断结果信息传递给机械手后执行相应操作。但是,现有在对种苗移栽中所获取种苗图像含有中杂乱的背景,造成后续对种苗分级的计算量大,种苗识别速度低,此外,还会使种苗信息判断准确性低。
发明内容
本发明的目的在于提供一种基于机器视觉的穴盘种苗分级移栽方法,以解决采用移栽中因种苗图像含有杂乱背景而使种苗分级计算量大、种苗识别速度低的问题。
本发明为了达到上述目的所采用的技术方案是:
一种基于机器视觉的穴盘种苗分级移栽方法,包括以下步骤:
(1)机械手抓取待分级移栽的穴盘种苗;
(2)获取待移栽穴盘种苗的原图像,对所述原图像转化处理得到HSV格式种苗图;
(3)对(2)获得的HSV格式种苗图处理,分别获得种苗图中叶片感兴趣区域和基质感兴趣区域的二值图像;
(4)对(3)获得的叶片感兴趣区域和基质感兴趣区域二值图像进行重合相加处理,得到掩膜图像;
(5)取(4)得到的掩膜图像与(2)中的原图像叠加,获得黑色背景种苗图,并取(4)中的掩膜图像进行像素转换获得透明图像;
(6)取(5)获得的黑色背景种苗图与透明图像进行相加,得到白色背景种苗图;
(7)依据(6)获得的白色背景种苗图对待移栽穴盘种苗进行分级;
(8)机械手依据(7)的分级结果将待移栽穴盘种苗运输至对应的苗盘。
进一步地,(2)中获取待移栽穴盘种苗原图像的过程为:将深度相机正对机械手抓取的穴盘种苗,使深度相机在视野内无除穴盘种苗之外的其他绿色和黑色物品下获取待移栽穴盘种苗的原图像。
进一步地,(3)中采用inRange函数判断HSV格式种苗图内中每一个像素是否在[lowerb,upperb]之间;如果结果为是,在输出图像相应像素位置填入255,如果结果为否,在输出图像相应像素位置填入0,获得的图像为二值图像;其中lowerb为提取颜色的低值,upperb为提取颜色的高值。
进一步地,(3)中,颜色的低值与高值根据感兴趣区域的颜色和查询HSV色彩空间表来确定,种苗图中叶片感兴趣区域选取橙、黄、绿、青、蓝的范围为叶片二值图像的提取阈值,基质感兴趣区域选取黑色的范围作为基质二值图像的提取阈值。
进一步地,叶片感兴趣区域按黄绿色提取颜色的阈值,其低值为[12, 43, 46],高值为[110, 255, 255];基质感兴趣区域按黑色提取颜色的阈值,其低值为[0, 0, 0],高值为[180, 255, 46]。
进一步地,对提取后的叶片感兴趣区域图像先采用medianBlur函数进行中值滤波去噪,再进行外轮廓划线后作为叶片感兴趣区域的二值图像。
进一步地,外轮廓划线的过程为:
S1、找到叶片感兴趣区域的轮廓:先采用threshold函数进行二值化图像处理,设定阈值thresh为235,超过此阈值的像素点取255,否则取0;再采用findContours函数寻找叶片感兴趣区域轮廓;
S2、采用convexHull函数寻找轮廓的凸的突出点,采用line函数的方法进行划线连接外轮廓;
S3、用connectedComponentsWithStats函数将整块像素相同的区域连在一起。
进一步地,对提取后的基质感兴趣区域图像先进行形态学处理,再采用medianBlur函数进行中值滤波去噪后作为基质感兴趣区域的二值图像。
进一步地,形态学处理的过程为:
S1、采用getStructuringElement函数建立一个尺寸为15*10的矩形内核;
S2、采用dilate函数膨胀操作填补图像中的细小缺陷、erode函数腐蚀操作去除图像中的毛刺。
进一步地,(7)中的分级过程为:以穴盘种苗叶片的面积、基质的面积为判断依据或者以白色背景与感兴趣区域的面积比值为判断依据,设置阈值等级,以白色背景种苗图的种苗叶片面积、基质面积所达到的阈值等级进行分级。
本发明的有益效果:
本发明的穴盘种苗分级移栽方法通过对获取的种苗图像依次进行HSV格式转换、二值图像转换、掩膜图像处理,能够更好的去除种苗图像中的背景,在分级处理中,能够大大降低种苗分级的计算量,提升种苗的识别效率,同时还能有助于获取关键的种苗信息,提高种苗信息判断的准确性。
附图说明:
图1为实施例中一种基于机器视觉的穴盘种苗分级移栽方法中图像提取部分的流程示意图;
图2为采用实施例中基于机器视觉的穴盘种苗分级移栽方法提取穴盆种苗图像的过程示意图;
图3为采用实施例中基于机器视觉的穴盘种苗分级移栽方法提取穴盆种苗图像的彩色过程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明,在本发明的描述中,需要说明的是,除非另有说明,“多个”的含义是两个或两个以上;术语“上”、“下”、“左”、“右”、“内”、“外”、“前端”、“后端”、“头部”、“尾部”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”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性。
结合图1至图3所示,本实施例提供一种基于机器视觉的穴盘种苗分级移栽方法,包括以下步骤:
(1)机械手抓取待分级移栽的穴盘种苗,实施时,每个机械手爪是由单独的伺服电机控制,可实现单个独立控制。
(2)将深度相机正对机械手抓取的穴盘种苗,深度相机位于离种苗90mm处,深度相机高度与机械手爪抓起的穴盘种苗的高度平齐,为保证种苗图像提取的完整度和去除背景的成功率,使深度相机在视野内除穴盘种苗之外没有其他绿色和黑色物品,之后,深度相机获取待移栽穴盘种苗的原图像,获取图片的方式可以为实时获取,直至穴盘种苗全部分级移栽完成,其中,对获取的种苗原图像提亮之后采用cvtColor函数将其转换为HSV图像,便于进行图片与背景的分离转化,图2中,种苗HSV图像的背景颜色为红色,将RGB图像转换为HSV图像,HSV用更加直观的数据描述我们需要的颜色,H代表色彩,S代表深浅,V代表明暗,HSV格式的图像会更加方便进行颜色的划分,只需要设置不同的阈值就可将颜色进行划分。
(3)对(2)获得的HSV格式种苗图处理,分别获得种苗图中叶片感兴趣区域和基质感兴趣区域的二值图像,可以理解地,叶片感兴趣区域即为彩色感兴趣区域,基质感兴趣区域即为黑色感兴趣区域:
处理时,采用inRange函数判断HSV格式种苗图内中每一个像素是否在[lowerb,upperb]之间;如果结果为是,在输出图像相应像素位置填入255,如果结果为否,在输出图像相应像素位置填入0,获得的图像为二值图像;其中lowerb为提取颜色的低值,upperb为提取颜色的高值,其中,颜色的低值与高值根据感兴趣区域的颜色和查询HSV色彩空间表来确定,种苗图中叶片感兴趣区域选取橙、黄、绿、青、蓝的范围为叶片二值图像的提取阈值,基质感兴趣区域选取黑色的范围作为基质二值图像的提取阈值,二值化处理遍历图像的每一个像素点,通过与设定的阈值进行比较,将感兴趣的区域即超过设定值的像素点设置为255即白色,否则为0即黑色,通过二值化处理可以迅速的获取感兴趣区域(保留重要的部分)以及其轮廓和形状。
本实施例中,叶片感兴趣区域按黄绿色提取颜色的阈值,其低值为[12, 43, 46],高值为[110, 255, 255];基质感兴趣区域按黑色提取颜色的阈值,其低值为[0, 0, 0],高值为[180, 255, 46],选取黄绿色能够尽可能的提取到更多的种苗叶片信息,以免出现漏掉、叶片信息提取不完整的现象。
其中,对提取后的叶片感兴趣区域图像先采用medianBlur函数进行中值滤波去噪,再进行外轮廓划线后作为叶片感兴趣区域的二值图像,用像素点邻域灰度值的中值来代替该像素点的灰度值,让周围的像素值接近真实的值从而消除孤立的噪声点,该方法在取出脉冲噪声、椒盐噪声的同时能保留图像的边缘细节。
具体地,外轮廓划线的过程为:
S1、找到叶片感兴趣区域的轮廓:先采用threshold函数进行二值化图像处理,设定阈值thresh为235,超过此阈值的像素点取255,否则取0;再采用findContours函数寻找叶片感兴趣区域轮廓。
S2、采用convexHull函数寻找轮廓的凸的突出点,采用line函数的方法进行划线连接外轮廓,可以使种苗的外轮廓更清晰,否则轮廓最边缘的像素点最难判别,会有模糊不清的现象。
S3、用connectedComponentsWithStats函数将整块像素相同的区域连在一起,连通域的连接是去除掉小的区域,相当于无损降噪、去除杂质。
其中,对提取后的基质感兴趣区域图像先进行形态学处理,再采用medianBlur函数进行中值滤波去噪后作为基质感兴趣区域的二值图像。
具体地,形态学处理的过程为:
先采用getStructuringElement函数建立一个尺寸为15*10的矩形内核;再采用dilate函数膨胀操作填补图像中的细小缺陷、erode函数腐蚀操作去除图像中的毛刺,可以获得更完美的目标区域、去除干扰、平滑边界、邻域连通、填补空洞。
(4)对(3)所获得的叶片感兴趣区域二值图像和基质感兴趣区域二值图像采用bitwise_or函数进行图像的基本运算,将两张图像重合相加处理,得到掩膜图像。
(5)取(4)得到的掩膜图像与(2)中的原图像采用bitwise_or函数进行叠加,感兴趣区域内的像素值保持不变,而其他的像素值都为零,获得黑色背景种苗图,并取(4)中的掩膜图像采用imge_out.convert("RGBA")将掩膜图像转换为四通道图像,并采用putpixel函数进行像素转换,即将黑色像素(0,0,0,255)转换为白色像素(255,255,255,255)、白色像素(255,255,255,255)转换为透明像素(0, 0, 0, 0),获得透明图像。
(6)取(5)获得的黑色背景种苗图与透明图像采用addWeighted函数进行图像的相加,两张图像的加权值都设置为1,且图像是uinit8类型的,直接计算的结果如果大于255则被截断在255(最终为白色),得到白色背景种苗图。
(7)依据(6)获得的白色背景种苗图对待移栽穴盘种苗进行分级,即将白色背景种苗图作为后续种苗分级或者剔除的依据,实施时,以白色背景种苗图中穴盘种苗叶片的面积、基质的面积为判断依据或者以白色背景与感兴趣区域的面积比值为判断依据,设置一定的阈值等级,以白色背景种苗图的种苗叶片面积、基质面积所达到的阈值等级进行分级,例如,可对白色背景种苗图采用深度学习进行分级处理,最终得到分级结果。
(8)机械手依据(7)的分级结果采用单片机的蓝牙模块传输给机械手,机械手将待移栽穴盘种苗运输至对应的苗盘,完成种苗的分级移栽。
需要说明的是,上述实施例仅用来说明本发明,但本发明并不局限于上述实施例,凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均落入本发明的保护范围内。
Claims (10)
1.一种基于机器视觉的穴盘种苗分级移栽方法,其特征在于,包括以下步骤:
(1)机械手抓取待分级移栽的穴盘种苗;
(2)获取待移栽穴盘种苗的原图像,对所述原图像转化处理得到HSV格式种苗图;
(3)对(2)获得的HSV格式种苗图处理,分别获得种苗图中叶片感兴趣区域和基质感兴趣区域的二值图像;
(4)对(3)获得的叶片感兴趣区域和基质感兴趣区域二值图像进行重合相加处理,得到掩膜图像;
(5)取(4)得到的掩膜图像与(2)中的原图像叠加,获得黑色背景种苗图,并取(4)中的掩膜图像进行像素转换获得透明图像;
(6)取(5)获得的黑色背景种苗图与透明图像进行相加,得到白色背景种苗图;
(7)依据(6)获得的白色背景种苗图对待移栽穴盘种苗进行分级;
(8)机械手依据(7)的分级结果将待移栽穴盘种苗运输至对应的苗盘。
2.如权利要求1所述的一种基于机器视觉的种苗分级移栽方法,其特征在于,(2)中获取待移栽穴盘种苗原图像的过程为:将深度相机正对机械手抓取的穴盘种苗,使深度相机在视野内无除穴盘种苗之外的其他绿色和黑色物品下获取待移栽穴盘种苗的原图像。
3.如权利要求1所述的一种基于机器视觉的种苗分级移栽方法,其特征在于,(3)中采用inRange函数判断HSV格式种苗图内中每一个像素是否在[lowerb,upperb]之间;如果结果为是,在输出图像相应像素位置填入255,如果结果为否,在输出图像相应像素位置填入0,获得的图像为二值图像;其中lowerb为提取颜色的低值,upperb为提取颜色的高值。
4.如权利要求3所述的一种基于机器视觉的种苗分级移栽方法,其特征在于,(3)中,颜色的低值与高值根据感兴趣区域的颜色和查询HSV色彩空间表来确定,种苗图中叶片感兴趣区域选取橙、黄、绿、青、蓝的范围为叶片二值图像的提取阈值,基质感兴趣区域选取黑色的范围作为基质二值图像的提取阈值。
5.如权利要求4所述的一种基于机器视觉的种苗分级移栽方法,其特征在于,叶片感兴趣区域按黄绿色提取颜色的阈值,其低值为[12, 43, 46],高值为[110, 255, 255];基质感兴趣区域按黑色提取颜色的阈值,其低值为[0, 0, 0],高值为[180, 255, 46]。
6.如权利要求4所述的一种基于机器视觉的种苗分级移栽方法,其特征在于,对提取后的叶片感兴趣区域图像先采用medianBlur函数进行中值滤波去噪,再进行外轮廓划线后作为叶片感兴趣区域的二值图像。
7.如权利要求6所述的一种基于机器视觉的种苗分级移栽方法,其特征在于,外轮廓划线的过程为:
S1、找到叶片感兴趣区域的轮廓:先采用threshold函数进行二值化图像处理,设定阈值thresh为235,超过此阈值的像素点取255,否则取0;再采用findContours函数寻找叶片感兴趣区域轮廓;
S2、采用convexHull函数寻找轮廓的凸的突出点,采用line函数的方法进行划线连接外轮廓;
S3、用connectedComponentsWithStats函数将整块像素相同的区域连在一起。
8.如权利要求5所述的一种基于机器视觉的种苗分级移栽方法,其特征在于,对提取后的基质感兴趣区域图像先进行形态学处理,再采用medianBlur函数进行中值滤波去噪后作为基质感兴趣区域的二值图像。
9.如权利要求8所述的一种基于机器视觉的种苗分级移栽方法,其特征在于,形态学处理的过程为:
S1、采用getStructuringElement函数建立一个尺寸为15*10的矩形内核;
S2、采用dilate函数膨胀操作填补图像中的细小缺陷、erode函数腐蚀操作去除图像中的毛刺。
10.如权利要求1所述的一种基于机器视觉的种苗分级移栽方法,其特征在于,(7)中的分级过程为:以穴盘种苗叶片的面积、基质的面积为判断依据或者以白色背景与感兴趣区域的面积比值为判断依据,设置阈值等级,以白色背景种苗图的种苗叶片面积、基质面积所达到的阈值等级进行分级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210832993.3A CN115170522A (zh) | 2022-07-15 | 2022-07-15 | 一种基于机器视觉的穴盘种苗分级移栽方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210832993.3A CN115170522A (zh) | 2022-07-15 | 2022-07-15 | 一种基于机器视觉的穴盘种苗分级移栽方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115170522A true CN115170522A (zh) | 2022-10-11 |
Family
ID=83494994
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210832993.3A Pending CN115170522A (zh) | 2022-07-15 | 2022-07-15 | 一种基于机器视觉的穴盘种苗分级移栽方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115170522A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116797601A (zh) * | 2023-08-24 | 2023-09-22 | 西南林业大学 | 一种基于图像识别的华山松生长动态的监控方法及系统 |
CN116907576A (zh) * | 2023-07-13 | 2023-10-20 | 广东省农业科学院设施农业研究所 | 一种自动化种苗检测系统、方法及电子设备 |
-
2022
- 2022-07-15 CN CN202210832993.3A patent/CN115170522A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116907576A (zh) * | 2023-07-13 | 2023-10-20 | 广东省农业科学院设施农业研究所 | 一种自动化种苗检测系统、方法及电子设备 |
CN116797601A (zh) * | 2023-08-24 | 2023-09-22 | 西南林业大学 | 一种基于图像识别的华山松生长动态的监控方法及系统 |
CN116797601B (zh) * | 2023-08-24 | 2023-11-07 | 西南林业大学 | 一种基于图像识别的华山松生长动态的监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115170522A (zh) | 一种基于机器视觉的穴盘种苗分级移栽方法 | |
CN108009542B (zh) | 油菜大田环境下杂草图像分割方法 | |
CN108304813B (zh) | 一种智能识别圆形交通信号灯状态的方法 | |
CN105701829B (zh) | 一种套袋绿色果实图像分割方法 | |
CN111666883B (zh) | 一种葡萄采摘机器人目标识别及果梗夹切点定位方法 | |
CN107527343B (zh) | 一种基于图像处理的双孢蘑菇分级方法 | |
CN103177445A (zh) | 基于分段阈值图像分割及光斑识别的室外番茄识别方法 | |
CN109241983A (zh) | 一种图像处理与神经网络结合的条烟图像识别方法 | |
CN113674226A (zh) | 一种基于深度学习的采茶机茶叶芽尖检测方法 | |
CN115272204A (zh) | 一种基于机器视觉的轴承表面划痕检测方法 | |
CN114708208B (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 | |
CN111784764A (zh) | 一种茶叶嫩芽识别与定位算法 | |
CN111046782B (zh) | 一种用于苹果采摘机器人的果实快速识别方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN117475121A (zh) | 一种图像处理系统以及图像处理方法 | |
CN110276279A (zh) | 一种基于图像分割的任意形状场景文本探测方法 | |
CN111985435A (zh) | 一种基于机器视觉的无人机水域监测巡航方法 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
CN108805875B (zh) | 双孢菇位置识别与推倒方向的选定方法 | |
CN115601690B (zh) | 一种基于智慧农业的食用菌环境检测方法 | |
CN112183230A (zh) | 自然梨园环境下梨子的识别与中心点定位方法 | |
CN117372740A (zh) | 一种基于多信息融合的茶叶嫩梢采摘部位精准识别方法 | |
CN109271867A (zh) | 一种草莓成熟度自动判断方法 | |
CN114627463B (zh) | 一种基于机器识别的非接触式配电数据识别方法 | |
CN109949310A (zh) | 一种基于Lab颜色空间的西瓜花体图像分割方法 |
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 |