CN115239965B - 一种用于室内种植的草莓疏果方法及系统 - Google Patents

一种用于室内种植的草莓疏果方法及系统 Download PDF

Info

Publication number
CN115239965B
CN115239965B CN202211139033.5A CN202211139033A CN115239965B CN 115239965 B CN115239965 B CN 115239965B CN 202211139033 A CN202211139033 A CN 202211139033A CN 115239965 B CN115239965 B CN 115239965B
Authority
CN
China
Prior art keywords
strawberry
young
seed
fruit
initial
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
CN202211139033.5A
Other languages
English (en)
Other versions
CN115239965A (zh
Inventor
钟志勇
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.)
Nantong Ruilong Agricultural Products Development Co ltd
Original Assignee
Nantong Ruilong Agricultural Products Development Co ltd
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 Nantong Ruilong Agricultural Products Development Co ltd filed Critical Nantong Ruilong Agricultural Products Development Co ltd
Priority to CN202211139033.5A priority Critical patent/CN115239965B/zh
Publication of CN115239965A publication Critical patent/CN115239965A/zh
Application granted granted Critical
Publication of CN115239965B publication Critical patent/CN115239965B/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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/68—Food, e.g. fruit or vegetables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种用于室内种植的草莓疏果方法及系统，涉及机器视觉领域。包括：获取草莓种子图像和草莓幼果Lab图像；计算初始种子区域面积占比和草莓幼果表面的凹陷程度；计算草莓幼果的初始发育程度对草莓幼果进行初始判断；若不是畸形果，计算各初始种子像素点为种子像素点的综合概率；计算确定出种子像素点得到的种子面积集合及种子区域的面积的方差，计算种子区域占比和草莓幼果种子区域的峰度；利用种子区域的面积的方差和草莓幼果种子区域的峰度计算草莓幼果的发育程度对草莓幼果进行判断和疏果。本发明利用草莓畸形果的形成原因根据草莓幼果的发育程度确定需要疏果的草莓幼果，提高对草莓幼果疏果程度的准确性，使疏果效果更好。

Description

一种用于室内种植的草莓疏果方法及系统
技术领域
本发明涉及机器视觉领域，具体涉及一种用于室内种植的草莓疏果方法及系统。
背景技术
草莓在幼青果时期由于部分种子未受精，会出现体型小、畸形果等不合格果实，这些果实由于口感和外形的原因没有好的商业价值，因此需要在幼果时期对这些不合格的草莓进行疏果，使其他发育良好的幼果能够发育的更好。合理的疏果有利于集中养分供应优质果实的发育，使单果增大，果实产量提高，果实大小均匀，提高草莓果实的商品价值。
在对草莓疏果的过程中，现有技术大都是人工进行疏果，会消耗大量的人力物力，并且人工疏果存在主观意识；而采用机器进行疏果时，判断幼果的生长发育情况基本是根据神经网络对采集的草莓图像进行判断是否为畸形果等不合格果实，这种方法对幼果的生长发育的判断不精确，不能准确的确定出畸形果和正常果。
基于上述技术问题，本发明提出一种用于室内种植的草莓疏果方法及系统，针对草莓出现畸形果的原因对采集的草莓幼果图像进行分析，确定出畸形果对草莓植株上的幼果进行疏果处理。
发明内容
针对上述技术问题，本发明提供了一种用于室内种植的草莓疏果方法及系统。
第一方面，本发明实施例提供了一种用于室内种植的草莓疏果方法，包括：
获取待检测草莓幼果的草莓幼果图像，对该草莓幼果图像进行二值化处理得到草莓幼果二值图；
获取草莓幼果二值图中初始种子区域的面积之和的初始种子面积占比；
利用草莓幼果二值图和草莓幼果图像得到幼果灰度图，将初始种子区域中像素点的灰度值均值与其他区域中像素点的灰度值均值的差值绝对值作为草莓幼果表面的凹陷程度；
利用得到的初始种子面积占比和草莓幼果表面的凹陷程度计算草莓幼果的初始发育程度，利用草莓幼果的初始发育程度对草莓幼果是否为畸形果进行初始判断，当该待检测草莓幼果为畸形果时，将该草莓幼果摘除；
当该草莓幼果不是畸形果时，获取该草莓幼果的草莓幼果Lab图像，利用草莓幼果Lab图像中每个初始种子区域中每个像素点的
Figure 100002_DEST_PATH_IMAGE001
通道的颜色分量、及该像素点到所在初始种子区域中心点的距离计算该像素点为种子像素点的综合概率；
利用每个初始种子区域中各像素点为种子像素点的综合概率确定出该初始种子区域中的种子像素点，利用每个初始种子区域中的种子像素点得到种子区域；
利用所有种子区域的面积计算种子区域的面积的方差；
利用每个种子区域的中心点与草莓幼果图像中心点之间的距离，及种子区域的数量计算草莓幼果种子区域的峰度；
利用种子区域的面积的方差和草莓幼果种子区域的峰度计算草莓幼果的发育程度；
根据草莓幼果上种子的发育程度判断该草莓幼果是否为畸形果，当该待检测草莓幼果为畸形果时，将该草莓幼果摘除。
根据草莓幼果上种子的发育程度判断该草莓幼果是否为畸形果的方法为：
根据草莓幼果的发育程度结合草莓植株上的草莓幼果数量对草莓植株进行疏果，具体方法如下：
将草莓幼果的发育程度的倒数作为草莓幼果的疏果必要性，并设置留果阈值；
将疏果必要性大于等于疏果阈值的草莓幼果摘除，若此时草莓植株上的草莓幼果数量小于留果阈值，对该草莓植株停止疏果；若此时草莓植株上的草莓幼果数量大于留果阈值，对疏果必要性按照从大到小的顺序进行疏果，直至草莓植株上的草莓幼果数量等于留果阈值。
利用种子区域的面积的方差和草莓幼果种子区域的峰度计算草莓幼果的发育程度计算公式如下：
Figure 100002_DEST_PATH_IMAGE003
式中：
Figure 889385DEST_PATH_IMAGE004
为草莓幼果的发育程度，
Figure 100002_DEST_PATH_IMAGE005
表示草莓幼果上的种子区域占比，
Figure 145792DEST_PATH_IMAGE006
表示种子区域的面积的方差，
Figure 100002_DEST_PATH_IMAGE007
为草莓幼果种子区域的峰度。
草莓幼果种子区域的峰度的计算方法如下：
通过几何距算法得到草莓幼果图像的中心点和每个种子区域的中心点，分别计算草莓幼果的果实中心点和每个种子区域中心点的距离，草莓幼果种子区域的峰度计算公式如下：
Figure 100002_DEST_PATH_IMAGE009
式中：
Figure 701538DEST_PATH_IMAGE010
为草莓幼果上种子区域的数量，
Figure 100002_DEST_PATH_IMAGE011
表示草莓幼果上的种子区域的序号，
Figure 224179DEST_PATH_IMAGE012
表示草莓幼果上第
Figure 740743DEST_PATH_IMAGE011
个种子区域与草莓幼果图像中心点的距离，
Figure 100002_DEST_PATH_IMAGE013
为所有种子区域与草莓幼果图像中心点的距离的均值。
草莓幼果上的种子区域占比和种子区域的面积的方差的获取方法如下：
获取每个种子区域的像素点数量作为各种子的面积得到种子面积集合；
对种子面积集合中的每个种子的面积求和得到种子区域面积，将种子区域面积与草莓幼果表面面积之商作为种子区域占比；
对种子面积集合进行求方差处理得到种子面积集合的方差。
计算各像素点为种子像素点的综合概率的过程为：
根据每个初始种子像素点的颜色概率和距离概率计算该初始种子像素点为种子像素点的综合概率，计算公式如下：
Figure 100002_DEST_PATH_IMAGE015
式中：
Figure 676206DEST_PATH_IMAGE016
表示第
Figure 100002_DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的综合概率，
Figure 785327DEST_PATH_IMAGE018
表示第
Figure 429935DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的颜色概率，
Figure 100002_DEST_PATH_IMAGE019
为颜色概率的权值，
Figure 902636DEST_PATH_IMAGE020
表示第
Figure 189260DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的距离概率，
Figure 100002_DEST_PATH_IMAGE021
为距离概率的权值，
Figure 890238DEST_PATH_IMAGE017
为初始种子像素点的序号；
计算各初始种子像素点为种子像素点的颜色概率的方法为：
提取每个初始种子像素点在Lab图像上
Figure 987638DEST_PATH_IMAGE001
通道的颜色分量，根据各初始种子像素点分别在
Figure 196903DEST_PATH_IMAGE001
通道上的颜色分量值计算各初始种子像素点为种子像素点的颜色概率，计算公式如下：
Figure 100002_DEST_PATH_IMAGE023
式中：
Figure 336153DEST_PATH_IMAGE018
表示第
Figure 330785DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的颜色概率，
Figure 645092DEST_PATH_IMAGE024
为第
Figure 856499DEST_PATH_IMAGE017
个初始种子像素点在
Figure 100002_DEST_PATH_IMAGE025
通道上的颜色分量值，
Figure 501238DEST_PATH_IMAGE026
为
Figure 865224DEST_PATH_IMAGE025
通道的颜色分量经验值，
Figure 100002_DEST_PATH_IMAGE027
为第
Figure 862349DEST_PATH_IMAGE017
个初始种子像素点在
Figure 62517DEST_PATH_IMAGE028
通道上的颜色分量值，
Figure 100002_DEST_PATH_IMAGE029
为
Figure 540641DEST_PATH_IMAGE028
通道的颜色分量经验值；
计算每个初始种子像素点为种子像素点的距离概率的方法为：
获取每个初始种子区域的中心点，计算该初始种子区域内每个初始种子像素点与中心点的距离，并计算中心点分别经过每个初始种子像素点到该初始种子区域边缘点的距离，根据得到的每个初始种子像素点与中心点的距离和中心点分别经过每个初始种子像素点到该初始种子区域边缘点的距离计算每个初始种子像素点为种子像素点的距离概率，计算公式如下：
Figure 100002_DEST_PATH_IMAGE031
式中：
Figure 900078DEST_PATH_IMAGE020
表示第
Figure 11647DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的距离概率，
Figure 682799DEST_PATH_IMAGE032
表示第
Figure 669341DEST_PATH_IMAGE017
个初始种子像素点与第
Figure 742339DEST_PATH_IMAGE017
个初始种子像素点所在初始种子区域中心点的距离，
Figure 100002_DEST_PATH_IMAGE033
表示第
Figure 84197DEST_PATH_IMAGE017
个初始种子像素点所在初始种子区域中心点经过第
Figure 993378DEST_PATH_IMAGE017
个初始种子像素点到第
Figure 173824DEST_PATH_IMAGE017
个初始种子像素点所在初始种子区域边缘点的距离。
第二方面，本发明实施例提供了一种用于室内种植的草莓疏果系统，包括：
图像采集单元：利用双目视觉相机采集草莓植株上草莓幼果的图像；
图像处理单元：用于对图像采集单元采集的草莓植株上的草莓幼果图像，对草莓幼果图像利用二值化处理得到草莓种子图像，对草莓幼果图像利用Lab图像空间转化得到草莓幼果Lab图像；
数据处理单元：统计草莓幼果图像中草莓幼果像素点的数量和草莓种子图像中初始种子像素点的数量计算初始种子面积占比，根据初始种子区域中像素点灰度值均值与其它区域像素点灰度值均值计算草莓幼果表面的凹陷程度；
根据草莓幼果Lab图像中
Figure 366908DEST_PATH_IMAGE001
通道的颜色分量和与所在初始种子区域中心点的距离计算各初始种子区域中像素点为种子像素点的综合概率确定出该初始种子区域中的种子像素点，利用每个初始种子区域中得到的所有种子像素点得到种子区域；
利用每个种子区域的中心点与草莓幼果图像中心点之间的距离，及种子区域的数量计算草莓幼果种子区域的峰度；
利用得到的种子区域占比、所有种子区域的面积的方差和草莓幼果种子的峰度计算草莓幼果的发育程度，根据草莓幼果的发育程度判断该草莓幼果是否为畸形果；
控制器：根据数据处理单元得到的草莓幼果是否为畸形果控制疏果机器对需要疏果的草莓幼果进行摘除。
相比于现有技术，本发明实施例的有益效果在于：
本发明利用机器视觉技术，通过对双目视觉相机采集的草莓幼果图像进行处理，得到草莓幼果的特征信息，基于草莓幼果出现畸形或发育不好的原因对草莓幼果的特征信息进行分析，确定出草莓幼果的疏果必要性，根据疏果必要性对草莓植株上的草莓幼果进行有针对性的疏果处理，能够保证对草莓畸形果的判断的准确性，有效提高疏果的效果。
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1一种用于室内种植的草莓疏果方法提供的方法流程图；
图2为本发明实施例2一种用于室内种植的草莓疏果方法提供的方法流程图；
图3为本发明实施例2一种用于室内种植的草莓疏果方法提供的室内种植实景图；
图4为本发明实施例2一种用于室内种植的草莓疏果方法提供的室内种植示意图；
图5为本发明实施例2一种用于室内种植的草莓疏果方法提供的草莓幼果灰度图像和分割后的二值图像；
图6为本发明实施例2一种用于室内种植的草莓疏果方法提供的正常草莓幼果图；
图7为本发明实施例2一种用于室内种植的草莓疏果方法提供的发育不良草莓幼果图；
图8为本发明实施例2一种用于室内种植的草莓疏果方法提供的分布距离直方图；
图9为本发明实施例2一种用于室内种植的草莓疏果方法提供的密度分布曲线；
图10为本发明实施例2一种用于室内种植的草莓疏果方法提供的机械臂采摘图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”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”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
实施例1
本发明实施例提供了一种用于室内种植的草莓疏果方法，如图1所示，包括：
S101、获取草莓幼果二值图像和草莓幼果Lab图像
对双目视觉相机采集待检测草莓幼果的草莓幼果图像分别进行图像处理和图像转化得到草莓幼果二值图像和草莓幼果Lab图像，用于获取草莓幼果图像的各种特征信息，有利于后续对草莓幼果的发育情况进行计算。
S102、对草莓幼果是否为畸形果进行判断
对草莓幼果是否为畸形果进行判断，若是畸形果，将该待检测草莓幼果进行摘除，若初步判断不是畸形果，对该待检测草莓幼果进行进一步分析，根据图像数据信息对该待检测草莓幼果的发育程度进行计算，确定是否需要进行疏果处理。
S103、确定出所有的种子区域
草莓的种子镶嵌在草莓果肉的表面，是密生在草莓花托上的雌蕊受精后形成的，是草莓真正的果实，又被称为瘦果。而平时在生活中常吃的草莓的红色果肉其实是假果，是由草莓的花托在传播花粉后发育膨大而形成的。草莓畸形是由于草莓局部果实表面不具有受精发育而成的种子。此部分果肉不膨大，果面凹陷，形成畸形果或凹凸果，一般表现为果实过肥、过瘦，呈现鸡冠状、扁平状或凹凸不整等形状。
因此可以通过对草莓果实表面的种子特征进行分析量化，获得草莓幼果的发育程度，进而获得疏果必要性。
根据草莓幼果上种子的特征，对初始种子像素点进行根据颜色分量和距离分布进行分析，确定出所有的真实的种子像素点，根据种子像素点得到每个种子的种子区域，对得到的种子区域进行特征分析，计算种子区域的整体发育情况，确定草莓幼果的疏果必要性。
S104、计算草莓幼果的发育程度
草莓幼果时期优良的幼果表面种子发育正常和各种子发育程度一致、分布均匀的特征，因此根据草莓幼果的表面种子的发育程度对草莓幼果的疏果必要性进行计算，根据草莓幼果种子的发育程度对草莓植株上的幼果进行疏果处理能够有效提高疏果的效果。
S105、对草莓植株进行疏果处理
根据得到的草莓幼果的疏果必要性对草莓植株上的幼果进行摘除，控制果实采摘机判断为畸形果的果实进行采摘，集中养分供应优质果实的发育，使单果增大，果实产量提高，果实大小均匀，提高草莓果实的商品价值。
实施例2
本发明实施例提供了一种用于室内种植的草莓疏果方法，如图2所示，具体内容包括：
S201、采集草莓幼果图像
本实施例需要根据草莓果实的特征信息来区分不合格的果实，所以需要先采集高架上的草莓植株图像，识别图中草莓果实图像。
现在为了增加草莓的产量，以及便于使用采摘机器进行采摘，室内种植结合高架种植进行草莓的种植，高架种植模式为草莓植株栽培于梯形栽培槽中，分两排种植，栽培槽与立体栽培架外侧罩有防水塑料膜，草莓果实外放，高架种植实景图如图3所示，避免与植株及培养基质接触，且大棚内光照环境不变。
利用双目视觉相机采集每株草莓植株上的每个草莓幼果图像，由于普通相机只能拍摄到一部分草莓幼果的图像，只根据一部分的图像进行分析，结果不够准确，最终计算的疏果必要性误差较大，疏果效果也不好，因此利用双目视觉相机进行图像采集能够确保得到的草莓幼果图像能够尽可能的将草莓的全景采集到，后续的分析计算过程能够更加精确。
采摘机器人行走于栽培架行间，双目视觉相机安装于机械臂末端附近，根据草莓植株种植间隔，逐植株水平拍摄图像，获得相对完整的草莓果实图像，高架种植示意图如图4所示。
S202、获取幼果图像和草莓幼果Lab图像
1.获取只包含草莓幼果的灰度图像
本实施例采用DNN语义分割的方式来识别分割图像中的目标，该DNN网络的相关内容如下：
使用的数据集为平视采集的高架上草莓植株图像数据集。
需要分割的像素，共分为2类，即训练集对应标签标注过程为：单通道的语义标签，对应位置像素属于背景类的标注为0，属于草莓果实的标注为1。
网络的任务是分类，所以使用的loss函数为交叉熵损失函数。
至此，通过DNN实现了大棚内草莓植株图像的处理，获得草莓幼果的RGB图像，对草莓幼果的RGB图像进行灰度化处理得到草莓幼果的灰度图像。
2.对草莓幼果的灰度图像进行图像处理得到草莓幼果灰度图像
由于图像中噪声和光照不均的存在将在一定程度上影响提取图像特征的精度，使用最大值值滤波处理后，再使用均值滤波处理草莓幼果灰度图像，消除噪声和光照不均匀的影响，得到去噪增强后的草莓幼果灰度图像。
已知95%的草莓籽都是凹进去的,只有少数品种的草莓籽突出，本实施例针对种子嵌入果实表面的草莓品种。故种子区域亮度较暗，使用大津算法获得灰度阈值
Figure 837857DEST_PATH_IMAGE034
，遍历草莓果实灰度图像，当像素灰度值大于
Figure 562231DEST_PATH_IMAGE034
时，判断像素点为初始果肉像素点，像素点赋值为0，当像素灰度值小于等于
Figure 546367DEST_PATH_IMAGE034
时，判断像素点为疑似种子像素点，像素点赋值为1，获得分割后的二值图像，对分割后的二值图与草莓幼果灰度图像相乘得到幼果灰度图。草莓幼果灰度图像和分割后的二值图像如图5所示。
对得到的草莓幼果灰度图像分割后的二值图进行开运算除去种子上延伸的像素点和填充种子上的突出亮点，将开运算后的疑似种子像素点作为初始种子像素点。
S203、对草莓幼果是否为畸形果进行判断
草莓的种子呈螺旋状排列在果肉上，种子为长圆锥形，正常草莓幼果如图6所示。若果实表面某处种子发育不良，此处果肉不会膨大，果面凹陷，发育不良草莓幼果如图7所示。
1.计算草莓幼果表面的初始发育程度
由于种子发育不良，果面凹陷，凹陷区域会被判定为种子区域，因此
Figure DEST_PATH_IMAGE035
越大，说明发育不良的种子越多。
统计草莓幼果表面的面积，即草莓幼果图像的像素点数量（由于双目视觉相机拍摄的草莓幼果图像几乎包含了草莓幼果的全景，因此将草莓幼果图像的像素点数量作为草莓幼果表面的面积），提取出阈值分割得到的初始种子像素点，将初始种子像素点的数量作为初始种子区域的面积，对初始种子区域的面积和草莓幼果表面的面积作商得到种子区域面积占比，计算公式如下：
Figure DEST_PATH_IMAGE037
其中，
Figure 967859DEST_PATH_IMAGE035
为种子区域面积占比，
Figure 825088DEST_PATH_IMAGE038
、
Figure DEST_PATH_IMAGE039
分别为草莓幼果表面面积和初始种子区域面积。
将初始种子区域的灰度值均值和初始果肉区域的灰度值均值的差值绝对值
Figure 272643DEST_PATH_IMAGE040
作为草莓幼果表面的凹陷程度，灰度差
Figure 388366DEST_PATH_IMAGE040
越大，说明凹陷越深，由此获得草莓幼果表面初始种子区域的发育程度
Figure DEST_PATH_IMAGE041
为：
Figure DEST_PATH_IMAGE043
2. 对草莓幼果是否为畸形果进行判断
取多组草莓幼果时期发育正常的果实，计算其初始种子区域的发育程度得到一个集合，取此集合的最大值
Figure 946256DEST_PATH_IMAGE044
为异常阈值，对草莓幼果是否为畸形果进行初步判断：
当
Figure DEST_PATH_IMAGE045
时，该草莓幼果为畸形果；
当
Figure 771123DEST_PATH_IMAGE046
时，该草莓幼果不是畸形果。
当此草莓果实不是畸形果时，对其进行进一步分析，根据种子颜色和位置对阈值分割的种子区域进行精准分割。
S204、计算各初始种子像素点为种子像素点的综合概率
1.计算各初始种子像素点为种子像素点的颜色概率
利用该草莓幼果开运算后的二值图像与其原RGB图像相乘，获得阈值分割的种子的RGB图像。由于种子嵌入果实表面，灰度阈值分割会受凹陷阴影的影响，阈值分割的种子区域为种子与绕其轮廓一周的凹陷区域。因此将草莓幼果的种子RGB图像转化为Lab图像。其中L分量用于表示像素的亮度，
Figure DEST_PATH_IMAGE047
通道只负责颜色的多少，不被图像亮度影响。
提取每个初始种子像素点在Lab图像上
Figure 434536DEST_PATH_IMAGE001
通道的颜色分量，根据各初始种子像素点分别在
Figure 150688DEST_PATH_IMAGE001
通道上的颜色分量值计算各初始种子像素点为种子像素点的颜色概率，计算公式如下：
Figure 392445DEST_PATH_IMAGE048
式中：
Figure 371902DEST_PATH_IMAGE018
表示第
Figure 463224DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的颜色概率，
Figure 592854DEST_PATH_IMAGE024
为第
Figure 938384DEST_PATH_IMAGE017
个初始种子像素点在
Figure 839476DEST_PATH_IMAGE025
通道上的颜色分量值，
Figure 965563DEST_PATH_IMAGE026
为
Figure 213398DEST_PATH_IMAGE025
通道的颜色分量经验值，
Figure 679015DEST_PATH_IMAGE027
为第
Figure 751007DEST_PATH_IMAGE017
个初始种子像素点在
Figure 974178DEST_PATH_IMAGE028
通道上的颜色分量值，
Figure 39086DEST_PATH_IMAGE029
为
Figure 874056DEST_PATH_IMAGE028
通道的颜色分量经验值，
Figure 100638DEST_PATH_IMAGE001
通道的取值范围是[127,-128]，
Figure 889733DEST_PATH_IMAGE017
为初始种子像素点的序号。
2.计算每个初始种子像素点为种子像素点的距离概率
由于阈值分割的种子区域为初始种子像素点与绕其轮廓一周的凹陷区域，因此该种子区域内像素点与该初始种子区域的中心点的距离越近，是种子像素点的概率越高。
获取每个初始种子区域的中心点，计算该初始种子区域内每个初始种子像素点与初始种子区域中心点的距离，并计算初始种子区域中心点分别经过每个初始种子像素点到该初始种子区域边缘点的距离，根据得到的每个初始种子像素点与中心点的距离和中心点分别经过每个初始种子像素点到该初始种子区域边缘点的距离计算每个初始种子像素点为种子像素点的距离概率，计算公式如下：
Figure DEST_PATH_IMAGE049
式中：
Figure 801408DEST_PATH_IMAGE020
表示第
Figure 241616DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的距离概率，
Figure 452149DEST_PATH_IMAGE032
表示第
Figure 977808DEST_PATH_IMAGE017
个初始种子像素点与第
Figure 368207DEST_PATH_IMAGE017
个初始种子像素点所在初始种子区域中心点的距离，
Figure 600605DEST_PATH_IMAGE033
表示第
Figure 168990DEST_PATH_IMAGE017
个初始种子像素点所在初始种子区域中心点经过第
Figure 932678DEST_PATH_IMAGE017
个初始种子像素点到第
Figure 674238DEST_PATH_IMAGE017
个初始种子像素点所在初始种子区域边缘点的距离，
Figure 75657DEST_PATH_IMAGE017
为初始种子像素点的序号。
3. 计算各初始种子像素点为种子像素点的综合概率
根据每个初始种子像素点的颜色概率和距离概率计算该初始种子像素点为种子像素点的综合概率，计算公式如下：
Figure 487046DEST_PATH_IMAGE015
式中：
Figure 721719DEST_PATH_IMAGE016
表示第
Figure 17702DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的综合概率，
Figure 287009DEST_PATH_IMAGE018
表示第
Figure 712043DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的颜色概率，
Figure 699591DEST_PATH_IMAGE019
为颜色概率的权值，
Figure 471369DEST_PATH_IMAGE020
表示第
Figure 860762DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的距离概率，
Figure 879533DEST_PATH_IMAGE021
为距离概率的权值，
Figure 335136DEST_PATH_IMAGE017
为初始种子像素点的序号；
由于种子的位置概率受其形状影响较大，本方案中
Figure 425452DEST_PATH_IMAGE019
为0.8，
Figure 420083DEST_PATH_IMAGE021
为0.2。设置当概率
Figure 672073DEST_PATH_IMAGE050
时，判断此初始种子像素点为真正的种子像素点，否则此初始种子像素点为阴影区域的像素点。
S205、计算草莓幼果种子区域的峰度
1.计算种子区域面积占比
一般而言，浆果上种子越多，分布越均匀，果实发育越好。综上得到此草莓幼果图像上各种子的连通域，统计其表面的种子的数量即种子区域的数量为
Figure 883481DEST_PATH_IMAGE010
。再计算各种子区域的面积，获得种子区域面积集合
Figure DEST_PATH_IMAGE051
={
Figure 324957DEST_PATH_IMAGE052
,
Figure DEST_PATH_IMAGE053
,…,
Figure 737878DEST_PATH_IMAGE054
}，对种子区域面积集合
Figure 426348DEST_PATH_IMAGE051
求和，获得此草莓幼果表面种子区域的真正面积
Figure DEST_PATH_IMAGE055
，其面积占比为：
Figure DEST_PATH_IMAGE057
式中：
Figure 734838DEST_PATH_IMAGE005
为种子区域面积占比，
Figure 166957DEST_PATH_IMAGE038
为该草莓幼果表面面积，
Figure 932918DEST_PATH_IMAGE055
为该草莓幼果的种子区域面积，
Figure 792290DEST_PATH_IMAGE005
为真正手腕种子区域面积占比，该值越大，说明种子发育越好。
2. 计算草莓幼果种子区域的峰度
计算种子区域面积集合
Figure 545718DEST_PATH_IMAGE051
的方差
Figure 250369DEST_PATH_IMAGE006
，方差表示集合中数据的差异程度，当方差
Figure 74100DEST_PATH_IMAGE006
越小时，表示每个种子的发育程度越一致。再分析各种子分布的均匀程度，通过几何距算法得到此草莓幼果图像的中心点与各种子区域的中心点，计算草莓幼果图像中心点与各种子区域中心点的距离，获得得到的距离的集合
Figure 104373DEST_PATH_IMAGE058
。以距离为横轴，划分若干个等量区间，以各区间内的种子数量为纵轴，绘制直方图，分布距离直方图如图8所示。取直方图每个柱顶的组中值连接起来拟合成曲线，获得密度分布曲线，如图9所示。
已知中心矩是随机变量到样本均值的一种距离，反映几何图形上点的分布规律。峰度是度量随机变量概率分布的陡峭程度，峰度值越大概率分布图越高尖，数据分布的越集中，峰度值越小概率分布图越矮胖，数据分布的越均匀。计算距离集合
Figure 512089DEST_PATH_IMAGE012
的平均值
Figure DEST_PATH_IMAGE059
，已知峰度为数据集合四阶中心矩与二阶中心矩平方的比，距离集合
Figure 99059DEST_PATH_IMAGE012
的峰度，即草莓幼果种子区域的峰度
Figure 292143DEST_PATH_IMAGE007
为：
Figure 745515DEST_PATH_IMAGE009
式中：
Figure 125681DEST_PATH_IMAGE010
为草莓幼果上种子区域的数量，
Figure 454025DEST_PATH_IMAGE011
表示草莓幼果上的种子区域的序号，
Figure 501615DEST_PATH_IMAGE012
表示草莓幼果上第
Figure 122958DEST_PATH_IMAGE011
个种子区域与草莓幼果的果实中心点的距离，
Figure 990420DEST_PATH_IMAGE013
为距离集合的均值。
草莓幼果种子区域的峰度
Figure 856876DEST_PATH_IMAGE007
的值越小，说明该草莓幼果上种子的分布越均匀。
S206、计算草莓幼果的疏果必要性
1.计算草莓幼果表面种子的发育程度
利用得到的种子区域占比、所有种子区域的面积的方差和草莓幼果种子的峰度计算草莓幼果上种子的发育程度的公式如下：
Figure 758973DEST_PATH_IMAGE003
式中：
Figure 974054DEST_PATH_IMAGE004
为草莓幼果的发育程度，
Figure 840729DEST_PATH_IMAGE005
表示草莓幼果上的种子区域面积占比，
Figure 494564DEST_PATH_IMAGE006
表示草莓幼果上所有种子区域的面积的方差，
Figure 595375DEST_PATH_IMAGE007
为草莓幼果种子区域的峰度，草莓幼果表面的发育程度越大，说明该草莓幼果的品质越好。
2.计算草莓幼果的疏果必要性
通过以上分析，草莓幼果期草莓优良的果实为表面种子发育正常和各种子发育程度一致、分布均匀。因此该草莓幼果的疏果必要性
Figure 558521DEST_PATH_IMAGE060
为：
Figure 666154DEST_PATH_IMAGE062
其中，
Figure DEST_PATH_IMAGE063
，即利用真正的草莓幼果上的种子像素点的面积占比和灰度值得到真正的草莓幼果表面种子的发育不良程度。
当草莓幼果表面种子的发育不良程度大于等于异常阈值时，将该草莓幼果的疏果必要性记为1；
当草莓幼果表面种子的发育不良程度小于异常阈值时，将该草莓幼果的疏果必要性记为发育程度的倒数。
Figure 139992DEST_PATH_IMAGE004
的值越大，说明果实发育越好，故此时的疏果必要性
Figure 268878DEST_PATH_IMAGE060
随
Figure 153658DEST_PATH_IMAGE004
的增大而减小。
S207、对草莓植株进行疏果处理
根据草莓幼果的疏果必要性结合草莓植株上的草莓幼果数量对草莓植株进行疏果，具体方法如下：
将疏果必要性大于等于疏果阈值的草莓幼果作为畸形果摘除，若此时草莓植株上的草莓幼果数量小于留果阈值，对该草莓植株停止疏果；若此时草莓植株上的草莓幼果数量大于留果阈值，对疏果必要性按照从大到小的顺序进行疏果，直至草莓植株上的草莓幼果数量等于留果阈值，本实施例中留果阈值为7，机械臂采摘过程如图10所示。
基于与上述方法相同的发明构思，本实施例还提供了一种用于室内种植的草莓疏果系统，本实施例中一种用于室内种植的草莓疏果系统包括图像采集单元、图像处理单元、数据处理单元和控制器，所述图像采集单元、图像处理单元、数据处理单元和控制器，以实现如一种用于室内种植的草莓疏果方法的实施例中所描述的利用图像处理和图像转化对双目视觉图像采集的草莓幼果图像进行处理获取草莓种子图像和草莓幼果Lab图像；计算初始种子区域面积占比和草莓幼果表面的凹陷程度；计算草莓幼果的初始发育程度对草莓幼果进行初始判断；若不是畸形果，计算各初始种子像素点为种子像素点的综合概率；计算确定出种子像素点得到的种子面积集合及种子区域的面积的方差，计算种子区域占比和草莓幼果种子区域的峰度；利用种子区域的面积的方差和草莓幼果种子区域的峰度计算草莓幼果的发育程度对草莓幼果进行判断和疏果。
由于一种用于室内种植的草莓疏果方法实施例中已经对利用图像处理和图像转化对双目视觉图像采集的草莓幼果图像进行处理获取草莓种子图像和草莓幼果Lab图像；计算初始种子区域面积占比和草莓幼果表面的凹陷程度；计算草莓幼果的初始发育程度对草莓幼果进行初始判断；若不是畸形果，计算各初始种子像素点为种子像素点的综合概率；计算确定出种子像素点得到的种子面积集合及种子区域的面积的方差，计算种子区域占比和草莓幼果种子区域的峰度；利用种子区域的面积的方差和草莓幼果种子区域的峰度计算草莓幼果的发育程度对草莓幼果进行判断和疏果的方法进行了说明，此处不再赘述。
以上所述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 (7)

1.一种用于室内种植的草莓疏果方法，其特征在于，包括：
获取待检测草莓幼果的草莓幼果图像，对该草莓幼果图像进行二值化处理得到草莓幼果二值图；
获取草莓幼果二值图中初始种子区域的面积之和的初始种子面积占比；
利用草莓幼果二值图和草莓幼果图像得到幼果灰度图，将初始种子区域中像素点的灰度值均值与其他区域中像素点的灰度值均值的差值绝对值作为草莓幼果表面的凹陷程度；
利用得到的初始种子面积占比和草莓幼果表面的凹陷程度计算草莓幼果的初始发育程度，利用草莓幼果的初始发育程度对草莓幼果是否为畸形果进行初始判断，当该待检测草莓幼果为畸形果时，将该草莓幼果摘除；
当该草莓幼果不是畸形果时，获取该草莓幼果的草莓幼果Lab图像，利用草莓幼果Lab图像中每个初始种子区域中每个像素点的
Figure DEST_PATH_IMAGE001
通道的颜色分量、及该像素点到所在初始种子区域中心点的距离计算该像素点为种子像素点的综合概率；
利用每个初始种子区域中各像素点为种子像素点的综合概率确定出该初始种子区域中的种子像素点，利用每个初始种子区域中的种子像素点得到种子区域；
利用所有种子区域的面积计算种子区域的面积的方差；
利用每个种子区域的中心点与草莓幼果图像中心点之间的距离，及种子区域的数量计算草莓幼果种子区域的峰度；
利用种子区域的面积的方差和草莓幼果种子区域的峰度计算草莓幼果的发育程度；
根据草莓幼果上种子的发育程度判断该草莓幼果是否为畸形果，当该待检测草莓幼果为畸形果时，将该草莓幼果摘除。
2.根据权利要求1所述的一种用于室内种植的草莓疏果方法，其特征在于，所述根据草莓幼果上种子的发育程度判断该草莓幼果是否为畸形果的方法为：
根据草莓幼果的发育程度结合草莓植株上的草莓幼果数量对草莓植株进行疏果，具体方法如下：
将草莓幼果的发育程度的倒数作为草莓幼果的疏果必要性，并设置留果阈值；
将疏果必要性大于等于疏果阈值的草莓幼果摘除，若此时草莓植株上的草莓幼果数量小于留果阈值，对该草莓植株停止疏果；若此时草莓植株上的草莓幼果数量大于留果阈值，对疏果必要性按照从大到小的顺序进行疏果，直至草莓植株上的草莓幼果数量等于留果阈值。
3.根据权利要求1所述的一种用于室内种植的草莓疏果方法，其特征在于，所述利用种子区域的面积的方差和草莓幼果种子区域的峰度计算草莓幼果的发育程度计算公式如下：
Figure DEST_PATH_IMAGE003
式中：
Figure 80762DEST_PATH_IMAGE004
为草莓幼果的发育程度，
Figure DEST_PATH_IMAGE005
表示草莓幼果上的种子区域占比，
Figure 298116DEST_PATH_IMAGE006
表示种子区域的面积的方差，
Figure DEST_PATH_IMAGE007
为草莓幼果种子区域的峰度。
4.根据权利要求3所述的一种用于室内种植的草莓疏果方法，其特征在于，所述草莓幼果种子区域的峰度的计算方法如下：
通过几何距算法得到草莓幼果图像的中心点和每个种子区域的中心点，分别计算草莓幼果的果实中心点和每个种子区域中心点的距离，草莓幼果种子区域的峰度计算公式如下：
Figure DEST_PATH_IMAGE009
式中：
Figure 954707DEST_PATH_IMAGE010
为草莓幼果上种子区域的数量，
Figure DEST_PATH_IMAGE011
表示草莓幼果上的种子区域的序号，
Figure 864894DEST_PATH_IMAGE012
表示草莓幼果上第
Figure 836130DEST_PATH_IMAGE011
个种子区域与草莓幼果图像中心点的距离，
Figure DEST_PATH_IMAGE013
为所有种子区域与草莓幼果图像中心点的距离的均值。
5.根据权利要求3所述的一种用于室内种植的草莓疏果方法，其特征在于，所述草莓幼果上的种子区域占比和种子区域的面积的方差的获取方法如下：
获取每个种子区域的像素点数量作为各种子的面积得到种子面积集合；
对种子面积集合中的每个种子的面积求和得到种子区域面积，将种子区域面积与草莓幼果表面面积之商作为种子区域占比；
对种子面积集合进行求方差处理得到种子面积集合的方差。
6.根据权利要求1所述的一种用于室内种植的草莓疏果方法，其特征在于，计算各像素点为种子像素点的综合概率的过程为：
根据每个初始种子像素点的颜色概率和距离概率计算该初始种子像素点为种子像素点的综合概率，计算公式如下：
Figure DEST_PATH_IMAGE015
式中：
Figure 529280DEST_PATH_IMAGE016
表示第
Figure DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的综合概率，
Figure 639712DEST_PATH_IMAGE018
表示第
Figure 517538DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的颜色概率，
Figure DEST_PATH_IMAGE019
为颜色概率的权值，
Figure 211955DEST_PATH_IMAGE020
表示第
Figure 302271DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的距离概率，
Figure DEST_PATH_IMAGE021
为距离概率的权值，
Figure 123334DEST_PATH_IMAGE017
为初始种子像素点的序号；
计算各初始种子像素点为种子像素点的颜色概率的方法为：
提取每个初始种子像素点在Lab图像上
Figure 313007DEST_PATH_IMAGE001
通道的颜色分量，根据各初始种子像素点分别在
Figure 494721DEST_PATH_IMAGE001
通道上的颜色分量值计算各初始种子像素点为种子像素点的颜色概率，计算公式如下：
Figure DEST_PATH_IMAGE023
式中：
Figure 986399DEST_PATH_IMAGE018
表示第
Figure 350384DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的颜色概率，
Figure 710959DEST_PATH_IMAGE024
为第
Figure 379968DEST_PATH_IMAGE017
个初始种子像素点在
Figure DEST_PATH_IMAGE025
通道上的颜色分量值，
Figure 654830DEST_PATH_IMAGE026
为
Figure 873321DEST_PATH_IMAGE025
通道的颜色分量经验值，
Figure DEST_PATH_IMAGE027
为第
Figure 952267DEST_PATH_IMAGE017
个初始种子像素点在
Figure 420157DEST_PATH_IMAGE028
通道上的颜色分量值，
Figure DEST_PATH_IMAGE029
为
Figure 111426DEST_PATH_IMAGE028
通道的颜色分量经验值；
计算每个初始种子像素点为种子像素点的距离概率的方法为：
获取每个初始种子区域的中心点，计算该初始种子区域内每个初始种子像素点与中心点的距离，并计算中心点分别经过每个初始种子像素点到该初始种子区域边缘点的距离，根据得到的每个初始种子像素点与中心点的距离和中心点分别经过每个初始种子像素点到该初始种子区域边缘点的距离计算每个初始种子像素点为种子像素点的距离概率，计算公式如下：
Figure DEST_PATH_IMAGE031
式中：
Figure 528632DEST_PATH_IMAGE020
表示第
Figure 293326DEST_PATH_IMAGE017
个初始种子像素点为种子像素点的距离概率，
Figure 123879DEST_PATH_IMAGE032
表示第
Figure 881488DEST_PATH_IMAGE017
个初始种子像素点与第
Figure 605730DEST_PATH_IMAGE017
个初始种子像素点所在初始种子区域中心点的距离，
Figure DEST_PATH_IMAGE033
表示第
Figure 26479DEST_PATH_IMAGE017
个初始种子像素点所在初始种子区域中心点经过第
Figure 406644DEST_PATH_IMAGE017
个初始种子像素点到第
Figure 27332DEST_PATH_IMAGE017
个初始种子像素点所在初始种子区域边缘点的距离。
7.一种用于室内种植的草莓疏果系统，包括：图像采集单元、图像处理单元、数据处理单元和控制器，其特征在于：
图像采集单元：利用双目视觉相机采集草莓植株上草莓幼果的图像；
图像处理单元：用于对图像采集单元采集的草莓植株上的草莓幼果图像，对草莓幼果图像利用二值化处理得到草莓种子图像，对草莓幼果图像利用Lab图像空间转化得到草莓幼果Lab图像；
数据处理单元：统计草莓幼果灰度图像中草莓幼果像素点的数量和草莓种子图像中初始种子像素点的数量计算初始种子面积占比，根据初始种子区域中像素点灰度值均值与其它区域像素点灰度值均值计算草莓幼果表面的凹陷程度；
根据草莓幼果Lab图像中
Figure 543764DEST_PATH_IMAGE001
通道的颜色分量和与所在初始种子区域中心点的距离计算各初始种子区域中像素点为种子像素点的综合概率确定出该初始种子区域中的种子像素点，利用每个初始种子区域中得到的所有种子像素点得到种子区域；
利用每个种子区域的中心点与草莓幼果图像中心点之间的距离，及种子区域的数量计算草莓幼果种子区域的峰度；
利用得到的种子区域占比、所有种子区域的面积的方差和草莓幼果种子的峰度计算草莓幼果的发育程度，根据草莓幼果的发育程度判断该草莓幼果是否为畸形果；
控制器：根据数据处理单元得到的草莓幼果是否为畸形果控制疏果机器对需要疏果的草莓幼果进行摘除。
CN202211139033.5A 2022-09-19 2022-09-19 一种用于室内种植的草莓疏果方法及系统 Active CN115239965B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211139033.5A CN115239965B (zh) 2022-09-19 2022-09-19 一种用于室内种植的草莓疏果方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211139033.5A CN115239965B (zh) 2022-09-19 2022-09-19 一种用于室内种植的草莓疏果方法及系统

Publications (2)

Publication Number Publication Date
CN115239965A CN115239965A (zh) 2022-10-25
CN115239965B true CN115239965B (zh) 2022-12-13

Family

ID=83681307

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211139033.5A Active CN115239965B (zh) 2022-09-19 2022-09-19 一种用于室内种植的草莓疏果方法及系统

Country Status (1)

Country Link
CN (1) CN115239965B (zh)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461148A (zh) * 2018-10-30 2019-03-12 兰州交通大学 基于二维Otsu的钢轨缺陷分割自适应快速算法
CN109615635A (zh) * 2018-12-06 2019-04-12 厦门理工学院 基于图像识别对草莓进行品质分拣的方法及装置

Also Published As

Publication number Publication date
CN115239965A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN107316289B (zh) 基于深度学习和超像素分割的大田稻穗分割方法
Tong et al. Machine vision techniques for the evaluation of seedling quality based on leaf area
CN110610506B (zh) 一种基于图像处理技术的姬松茸子实体生长参数检测方法
CN110120042B (zh) 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法
Ji et al. In-field automatic detection of maize tassels using computer vision
CHANG et al. Quantifying muskmelon fruit attributes with A-TEP-based model and machine vision measurement
Mu et al. Mask R-CNN based apple flower detection and king flower identification for precision pollination
CN114818909A (zh) 一种基于作物长势特征的杂草检测方法和装置
CN115861721B (zh) 基于图像数据的畜禽养殖喷雾设备状态识别方法
CN112580671A (zh) 一种基于深度学习的稻穗多发育期自动检测方法及系统
CN111798470A (zh) 一种应用于智能农业的农作物图像实体分割方法及系统
CN110188657A (zh) 基于卷曲叶片检测的玉米干旱识别方法
CN113011221A (zh) 作物分布信息的获取方法、装置及测量系统
CN116957207A (zh) 一种实时数据采集的草地生态健康监测方法
CN115862004A (zh) 一种玉米果穗表面缺陷检测方法及装置
Islam et al. Image processing algorithm to estimate ice-plant leaf area from RGB images under different light conditions
CN115239965B (zh) 一种用于室内种植的草莓疏果方法及系统
CN115601690B (zh) 一种基于智慧农业的食用菌环境检测方法
CN117036926A (zh) 一种融合深度学习与图像处理的杂草识别方法
CN110135481B (zh) 一种农作物病变检测方法以及检测装置
CN114049390A (zh) 一种基于机器视觉的小麦麦苗种植密度测量装置及方法
Chen et al. Instance Segmentation of Grape Berry Images Based on Improved Mask R-Cnn
Yihang et al. Automatic recognition of rape seeding emergence stage based on computer vision technology
Ji et al. Measuring the cap diameter of white button mushrooms (Agaricus bisporus) by using depth image processing
CN113933304A (zh) 基于视觉的金针菇成熟状态检测方法

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