CN115797811B - 一种基于视觉的农产品检测方法及系统 - Google Patents
一种基于视觉的农产品检测方法及系统 Download PDFInfo
- Publication number
- CN115797811B CN115797811B CN202310071433.5A CN202310071433A CN115797811B CN 115797811 B CN115797811 B CN 115797811B CN 202310071433 A CN202310071433 A CN 202310071433A CN 115797811 B CN115797811 B CN 115797811B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- preset
- planting area
- acquisition
- 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
-
- 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
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及农产品检测技术领域,具体公开了一种基于视觉的农产品检测方法及系统,所述方法包括根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数;基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像;根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区;根据异常区生成近景采集指令,向无人机发送。本发明在保证识别能力的基础上,极大地的降低了识别算法的资源消耗量,降低了智能识别成本,提高了智能识别过程的普及性,缓解了相关工作人员的工作压力。
Description
技术领域
本发明涉及农产品检测技术领域,具体是一种基于视觉的农产品检测方法及系统。
背景技术
在农产品种植的过程中,往往需要工作人员定时的对农产品进行检测,当农产品种植区足够大时,工作人员的巡检压力会很大,因此,现有技术中出现了基于无人机的智能识别方法。
现有的无人机获取到的图像中含有色值,在对含有色值的种植区图像进行分析时,需要消耗的计算资源极多,而且计算速度也较慢,因此,工作人员往往会自主的进行识别,不借助相关的识别算法;实际上,在种植区的绝大多数时间内,种植区都处于稳定的状态,此时,工作人员的巡检工作重复度极高,很枯燥。
因此,如何降低自动识别过程中的资源消耗量,降低成本,缓解工作人员的识别压力是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种基于视觉的农产品检测方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于视觉的农产品检测方法,所述方法包括:
根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数;所述图像采集参数为无人机中图像获取设备的参数;
基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像;
根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区;
根据异常区生成近景采集指令,向无人机发送。
作为本发明进一步的方案:所述根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数的步骤包括:
获取农产品种植区的实际尺寸和预设的模型尺寸,根据所述实际尺寸和所述模型尺寸确定比例尺,根据比例尺建立农产品种植区;
获取无人机中图像获取设备的像素,由像素确定不同采集范围的清晰度;
将所述清晰度与预设的清晰度需求进行比对,确定采集范围阈值,由采集范围阈值确定无人机的工作高度;
根据确定的工作高度对应的规划采集范围对农产品种植区进行切分,得到子区域;所述规划采集范围为实际采集范围的子集;
根据子区域生成无人机巡检路径。
作为本发明进一步的方案:所述基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像的步骤包括:
读取所有无人机获取到的含有时间标签及位置标签的子图像,根据位置标签对子图像进行分类;所述位置标签为农产品种植区中的相对位置;
在位置标签中确定初始位置,根据时间顺序依次选取初始位置的子图像作为初始图像;
在预设的填充方向上根据时间标签选取拼接下一填充图像;选取的下一填充图像与初始填充图像之间的时间间隔最短;
将下一填充图像作为新的初始图像,并循环执行步骤S203直至选取的下一填充图像为终点位置处的子图像。
作为本发明进一步的方案:所述在预设的填充方向上根据时间标签选取拼接下一填充图像的步骤包括:
根据位置标签将初始图像中的规划采集范围插入种植区图像;
在预设的填充方向上选取下一填充图像,读取下一填充图像中规划采集范围的补集;
将所述补集与已存的种植区图像进行比对,确定对应区域并计算色值差异率;所述色值差异率用于表征色值均值的差异程度;
当色值差异率达到预设的条件时,标记下一填充图像中的规划采集范围,插入种植区图像。
作为本发明进一步的方案:所述根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区的步骤包括:
根据预设的线性公式对种植区图像进行色值归一处理,得到单值图像;
根据预设的单值阈值对单值图像中各像素点进行标记,得到单值分布特征;所述单值分布特征为矩阵;
将所述单值分布特征输入预设的分析模型,得到含有异常区的异常图像;所述异常区由单值分布特征确定。
其中,所述线性公式中的常数项由预设的能量函数确定。
作为本发明进一步的方案:所述线性公式为:
;
能量函数为:
;
其中一种能量函数为:
;
式中,M为单值图像中各像素点的值;为颜色对比度;x和y为计算颜色对比度时确定的两个图像中的点;为高斯分布函数。
本发明技术方案还提供了一种基于视觉的农产品检测系统,所述系统包括:
无人机控制模块,用于根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数;所述图像采集参数为无人机中图像获取设备的参数;
图像拼接模块,用于基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像;
图像识别模块,用于根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区;
指令发送模块,用于根据异常区生成近景采集指令,向无人机发送。
作为本发明进一步的方案:所述无人机控制模块包括:
种植区建立单元,用于获取农产品种植区的实际尺寸和预设的模型尺寸,根据所述实际尺寸和所述模型尺寸确定比例尺,根据比例尺建立农产品种植区;
清晰度计算单元,用于获取无人机中图像获取设备的像素,由像素确定不同采集范围的清晰度;
高度确定单元,用于将所述清晰度与预设的清晰度需求进行比对,确定采集范围阈值,由采集范围阈值确定无人机的工作高度;
区域切分单元,用于根据确定的工作高度对应的规划采集范围对农产品种植区进行切分,得到子区域;所述规划采集范围为实际采集范围的子集;
路径生成单元,用于根据子区域生成无人机巡检路径。
作为本发明进一步的方案:所述图像拼接模块包括:
分类单元,用于读取所有无人机获取到的含有时间标签及位置标签的子图像,根据位置标签对子图像进行分类;所述位置标签为农产品种植区中的相对位置;
初始选取单元,用于在位置标签中确定初始位置,根据时间顺序依次选取初始位置的子图像作为初始图像;
选取拼接单元,用于在预设的填充方向上根据时间标签选取拼接下一填充图像;选取的下一填充图像与初始填充图像之间的时间间隔最短;
循环执行单元,用于将下一填充图像作为新的初始图像,并循环执行选取拼接单元直至选取的下一填充图像为终点位置处的子图像。
作为本发明进一步的方案:所述图像识别模块包括:
归一处理单元,用于根据预设的线性公式对种植区图像进行色值归一处理,得到单值图像;
数值标记单元,用于根据预设的单值阈值对单值图像中各像素点进行标记,得到单值分布特征;所述单值分布特征为矩阵;
模型应用单元,用于将所述单值分布特征输入预设的分析模型,得到含有异常区的异常图像;所述异常区由单值分布特征确定;
其中,所述线性公式中的常数项由预设的能量函数确定。
与现有技术相比,本发明的有益效果是:本发明借鉴现有的灰度转换公式,根据预采集的样本图像,实时确定不同的单值转换公式,在保证识别能力的基础上,极大地的降低了识别算法的资源消耗量,降低了智能识别成本,提高了智能识别过程的普及性,缓解了相关工作人员的工作压力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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。
图1为基于视觉的农产品检测方法的流程框图。
图2为基于视觉的农产品检测方法的第一子流程框图。
图3为基于视觉的农产品检测方法的第二子流程框图。
图4为基于视觉的农产品检测方法的第三子流程框图。
图5为基于视觉的农产品检测系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,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仅用以解释本发明,并不用于限定本发明。
实施例1
图1为基于视觉的农产品检测方法的流程框图,本发明实施例中,一种基于视觉的农产品检测方法,所述方法包括:
步骤S100:根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数;所述图像采集参数为无人机中图像获取设备的参数;
根据比例尺建立农产品种植区,基于农产品种植区确定无人机的工作参数;所述无人机的工作参数包括图像采集参数和无人机的运动参数。
步骤S200:基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像;
由采集参数可以获取含有时间标签和位置标签的单个图像,拼接这些图像,即可得到种植区的总图像。
步骤S300:根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区;
无人机获取的图像中含有色值,在对含有色值的种植区图像进行分析时,需要消耗的计算资源极多,而且计算速度也较慢,因此,在对含有色值的种植区图像进行分析时,需要对种植区图像进行转换;现有的转换方式是借助一些灰度转换公式或亮度转换公式完成的,这种方式虽然普适性较强,但是在转换过程中,对于不同时段的图像,采用单一的转换方式,总会有些时段的图像会丢失大量细节,尤其是对比度细节;因此,步骤S300中的线性公式采用动态的线性公式,根据不同时段的样本图像确定线性公式后,对种植区图像进行色值归一;进而对归一后的图像进行识别,定位异常区。
步骤S400:根据异常区生成近景采集指令,向无人机发送;
归一后的图像的作用是快速识别出异常区,至于何种异常,需要进一步的获取含有色值的近景图像,对近景图像进行识别;在本发明技术方案中,生成近景采集指令,向无人机发送即可,对于后续的近景图像如何识别,本发明技术方案不做限定,因为直接进行人工识别也是可行的技术方案。
图2为基于视觉的农产品检测方法的第一子流程框图,所述根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数的步骤包括:
步骤S101:获取农产品种植区的实际尺寸和预设的模型尺寸,根据所述实际尺寸和所述模型尺寸确定比例尺,根据比例尺建立农产品种植区;
农产品种植区的边界线非常明确(因为涉及到权属问题),相应的,农产品种植区的实际尺寸非常容易获取,由预设的模型尺寸和实际尺寸可以确定一个比例尺;其中,所述模型尺寸一般与显示参数相关。
步骤S102:获取无人机中图像获取设备的像素,由像素确定不同采集范围的清晰度;
图像获取设备的像素是固定的,采集范围越小,图像内的像素点越丰富,清晰度就越高,因此,采集范围与清晰度之间存在对应关系。
步骤S103:将所述清晰度与预设的清晰度需求进行比对,确定采集范围阈值,由采集范围阈值确定无人机的工作高度;
清晰度需求由用户输入,由清晰度需求可以确定一个采集范围阈值,采集范围与高度之间存在对应关系,高度越高,采集范围越大。
步骤S104:根据确定的工作高度对应的规划采集范围对农产品种植区进行切分,得到子区域;所述规划采集范围为实际采集范围的子集;
采集范围一般是个圆形,为了拼接过程的顺利进行,在圆形中确定一个矩形的规划采集范围,由规划采集范围对农产品种植区进行切分,可以得到子区域。
步骤S105:根据子区域生成无人机巡检路径;
连接子区域,可以得到无人机巡检路径。
图3为基于视觉的农产品检测方法的第二子流程框图,所述基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像的步骤包括:
步骤S201:读取所有无人机获取到的含有时间标签及位置标签的子图像,根据位置标签对子图像进行分类;所述位置标签为农产品种植区中的相对位置;
在本发明技术方案中,使用的无人机数量不做限定,如果有多个无人机,那么对每个无人机在何时何处获取的图像都需要进行标记;根据位置将所有无人机获取到的图像进行分类。
步骤S202:在位置标签中确定初始位置,根据时间顺序依次选取初始位置的子图像作为初始图像;
在种植区中选取一个位置为初始位置,初始位置处对应多张不同时刻的图像,依次选取图像进行分析。
步骤S203:在预设的填充方向上根据时间标签选取拼接下一填充图像;选取的下一填充图像与初始填充图像之间的时间间隔最短;
步骤S204:将下一填充图像作为新的初始图像,并循环执行步骤S203直至选取的下一填充图像为终点位置处的子图像;
在预设的遍历方向上选取下一个与前一图像的时间跨度最小的填充图像,进行拼接并不断重复进行,即可得到一个完整的种植区图像;生成种植区图像时,可以计算种植区图像中各子图像之间的最大时间跨度,作为种植区图像的标签。
值得一提的是,时间跨度最小指的是时间跨度的绝对值最小,对时间先后不做限定。
作为本发明技术方案的一个优选实施例,所述在预设的填充方向上根据时间标签选取拼接下一填充图像的步骤包括:
根据位置标签将初始图像中的规划采集范围插入种植区图像;
图像中插入种植区的图像是规划采集范围,由上述内容可以得知,规划采集范围是矩阵,拼接过程非常容易。
在预设的填充方向上选取下一填充图像,读取下一填充图像中规划采集范围的补集;
将所述补集与已存的种植区图像进行比对,确定对应区域并计算色值差异率;所述色值差异率用于表征色值均值的差异程度;
在填充图像时,规划采集范围之外的部分是无效部分,这一部分可以忽略,也可以进行应用,应用的方式就是,通过无效部分对已有的图像进行比对验证,根据比对验证的结果判断种植区中是否存在大的变化;一般情况下,此种变化是由于突然出现的动物引起的。
当色值差异率达到预设的条件时,标记下一填充图像中的规划采集范围,插入种植区图像;
当存在大的变化时,在填充的过程中,对规划采集范围进行标记。
图4为基于视觉的农产品检测方法的第三子流程框图,所述根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区的步骤包括:
步骤S301:根据预设的线性公式对种植区图像进行色值归一处理,得到单值图像;
步骤S302:根据预设的单值阈值对单值图像中各像素点进行标记,得到单值分布特征;所述单值分布特征为矩阵;
步骤S303:将所述单值分布特征输入预设的分析模型,得到含有异常区的异常图像;所述异常区由单值分布特征确定。
其中,所述线性公式中的常数项由预设的能量函数确定。
在本发明技术方案的一个实例中,对图像的色值归一处理方法采用与灰度转换过程类似的线性公式,但是对于线性公式中的各个常数项进行具体的限定,限定的依据是预先采集的满足能量函数条件的样本图像。
具体的,所述线性公式为:
;
能量函数为:
;
其中一种能量函数为:
;
式中,M为单值图像中各像素点的值;为颜色对比度;x和y为计算颜色对比度时确定的两个图像中的点,为高斯分布函数。
线性公式中,a、b、c是待确定的常数据,其中,a+b+c=1,这样使得最终计算出的M值的范围属于[0,255];选取一批种植区的样本图像,计算样本图像中的对比度,无论对比度采用何处算子,都会涉及到一个最大值和最小值,最大值与最小值对应的点就是点x和点y,然后获取对应的数值,输入能量函数,在H(m)取最小值时,确定a、b、c的具体值。
需要说明的是,a、b、c的取值种类是无限的,在计算时,往往会对a、b、c进行预赋值,选取几十种或几百种情况,最终选取一个符合能量函数条件的赋值结果,虽然这种方式得出的数据可能不是最优选择,但是它依旧可以满足发明要求。
实施例2
图5示出了基于视觉的农产品检测系统的组成结构框图,与实施例1不同的是,在本发明实施例中,一种基于视觉的农产品检测系统,所述系统10包括:
无人机控制模块11,用于根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数;所述图像采集参数为无人机中图像获取设备的参数;
图像拼接模块12,用于基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像;
图像识别模块13,用于根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区;
指令发送模块14,用于根据异常区生成近景采集指令,向无人机发送。
所述无人机控制模块11包括:
种植区建立单元,用于获取农产品种植区的实际尺寸和预设的模型尺寸,根据所述实际尺寸和所述模型尺寸确定比例尺,根据比例尺建立农产品种植区;
清晰度计算单元,用于获取无人机中图像获取设备的像素,由像素确定不同采集范围的清晰度;
高度确定单元,用于将所述清晰度与预设的清晰度需求进行比对,确定采集范围阈值,由采集范围阈值确定无人机的工作高度;
区域切分单元,用于根据确定的工作高度对应的规划采集范围对农产品种植区进行切分,得到子区域;所述规划采集范围为实际采集范围的子集;
路径生成单元,用于根据子区域生成无人机巡检路径。
所述图像拼接模块12包括:
分类单元,用于读取所有无人机获取到的含有时间标签及位置标签的子图像,根据位置标签对子图像进行分类;所述位置标签为农产品种植区中的相对位置;
初始选取单元,用于在位置标签中确定初始位置,根据时间顺序依次选取初始位置的子图像作为初始图像;
选取拼接单元,用于在预设的填充方向上根据时间标签选取拼接下一填充图像;选取的下一填充图像与初始填充图像之间的时间间隔最短;
循环执行单元,用于将下一填充图像作为新的初始图像,并循环执行选取拼接单元直至选取的下一填充图像为终点位置处的子图像。
所述图像识别模块13包括:
归一处理单元,用于根据预设的线性公式对种植区图像进行色值归一处理,得到单值图像;
数值标记单元,用于根据预设的单值阈值对单值图像中各像素点进行标记,得到单值分布特征;所述单值分布特征为矩阵;
模型应用单元,用于将所述单值分布特征输入预设的分析模型,得到含有异常区的异常图像;所述异常区由单值分布特征确定;
其中,所述线性公式中的常数项由预设的能量函数确定。
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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于视觉的农产品检测方法,其特征在于,所述方法包括:
根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数;所述图像采集参数为无人机中图像获取设备的参数;
基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像;
根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区;
根据异常区生成近景采集指令,向无人机发送;
所述基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像的步骤包括:
读取所有无人机获取到的含有时间标签及位置标签的子图像,根据位置标签对子图像进行分类;所述位置标签为农产品种植区中的相对位置;
在位置标签中确定初始位置,根据时间顺序依次选取初始位置的子图像作为初始图像;
在预设的填充方向上根据时间标签选取拼接下一填充图像;选取的下一填充图像与初始填充图像之间的时间间隔最短;
将下一填充图像作为新的初始图像,并循环执行以上步骤直至选取的下一填充图像为终点位置处的子图像;
所述根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区的步骤包括:
根据预设的线性公式对种植区图像进行色值归一处理,得到单值图像;
根据预设的单值阈值对单值图像中各像素点进行标记,得到单值分布特征;所述单值分布特征为矩阵;
将所述单值分布特征输入预设的分析模型,得到含有异常区的异常图像;所述异常区由单值分布特征确定;
其中,所述线性公式中的常数项由预设的能量函数确定;
所述线性公式为:
;
能量函数为:
;
式中,M为单值图像中各像素点的值;为颜色对比度;x和y为计算颜色对比度时确定的两个图像中的点;为高斯分布函数;
其中,线性公式中的a、b和c是待定的常数,a+b+c=1;
所述能量函数的应用过程包括:
计算样本图像中的对比度,确定最大值点和最小值点;
对a、b和c进行预赋值,得到至少一组预赋值结果,根据预赋值结果确定线性公式;
依次基于确定的线性公式获取最大值点和最小值点对应的数值,输入能量函数,计算并统计能量函数的输出值;其中,一组预赋值结果对应一个输出值;
选取最小的输出值对应的预赋值结果,确定a、b、c的具体值。
2.根据权利要求1所述的基于视觉的农产品检测方法,其特征在于,所述根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数的步骤包括:
获取农产品种植区的实际尺寸和预设的模型尺寸,根据所述实际尺寸和所述模型尺寸确定比例尺,根据比例尺建立农产品种植区;
获取无人机中图像获取设备的像素,由像素确定不同采集范围的清晰度;
将所述清晰度与预设的清晰度需求进行比对,确定采集范围阈值,由采集范围阈值确定无人机的工作高度;
根据确定的工作高度对应的规划采集范围对农产品种植区进行切分,得到子区域;所述规划采集范围为实际采集范围的子集;
根据子区域生成无人机巡检路径。
3.根据权利要求1所述的基于视觉的农产品检测方法,其特征在于,所述在预设的填充方向上根据时间标签选取拼接下一填充图像的步骤包括:
根据位置标签将初始图像中的规划采集范围插入种植区图像;
在预设的填充方向上选取下一填充图像,读取下一填充图像中规划采集范围的补集;
将所述补集与已存的种植区图像进行比对,确定对应区域并计算色值差异率;所述色值差异率用于表征色值均值的差异程度;
当色值差异率达到预设的条件时,标记下一填充图像中的规划采集范围,插入种植区图像。
4.一种基于视觉的农产品检测系统,其特征在于,所述系统包括:
无人机控制模块,用于根据预设的比例尺建立农产品种植区,基于预设的清晰度需求和图像采集参数确定无人机的采集参数;所述图像采集参数为无人机中图像获取设备的参数;
图像拼接模块,用于基于采集参数获取含有时间标签和位置标签的子图像,根据时间标签和位置标签拼接子图像,得到种植区图像;
图像识别模块,用于根据预设的线性公式对种植区图像进行色值归一处理,对色值归一处理后的种植区图像进行识别,定位异常区;
指令发送模块,用于根据异常区生成近景采集指令,向无人机发送;
所述图像拼接模块包括:
分类单元,用于读取所有无人机获取到的含有时间标签及位置标签的子图像,根据位置标签对子图像进行分类;所述位置标签为农产品种植区中的相对位置;
初始选取单元,用于在位置标签中确定初始位置,根据时间顺序依次选取初始位置的子图像作为初始图像;
选取拼接单元,用于在预设的填充方向上根据时间标签选取拼接下一填充图像;选取的下一填充图像与初始填充图像之间的时间间隔最短;
循环执行单元,用于将下一填充图像作为新的初始图像,并循环执行选取拼接单元直至选取的下一填充图像为终点位置处的子图像;
所述图像识别模块包括:
归一处理单元,用于根据预设的线性公式对种植区图像进行色值归一处理,得到单值图像;
数值标记单元,用于根据预设的单值阈值对单值图像中各像素点进行标记,得到单值分布特征;所述单值分布特征为矩阵;
模型应用单元,用于将所述单值分布特征输入预设的分析模型,得到含有异常区的异常图像;所述异常区由单值分布特征确定;
其中,所述线性公式中的常数项由预设的能量函数确定;
所述线性公式为:
;
能量函数为:
;
式中,M为单值图像中各像素点的值;为颜色对比度;x和y为计算颜色对比度时确定的两个图像中的点;为高斯分布函数;
其中,线性公式中的a、b和c是待定的常数,a+b+c=1;
所述能量函数的应用过程包括:
计算样本图像中的对比度,确定最大值点和最小值点;
对a、b和c进行预赋值,得到至少一组预赋值结果,根据预赋值结果确定线性公式;
依次基于确定的线性公式获取最大值点和最小值点对应的数值,输入能量函数,计算并统计能量函数的输出值;其中,一组预赋值结果对应一个输出值;
选取最小的输出值对应的预赋值结果,确定a、b、c的具体值。
5.根据权利要求4所述的基于视觉的农产品检测系统,其特征在于,所述无人机控制模块包括:
种植区建立单元,用于获取农产品种植区的实际尺寸和预设的模型尺寸,根据所述实际尺寸和所述模型尺寸确定比例尺,根据比例尺建立农产品种植区;
清晰度计算单元,用于获取无人机中图像获取设备的像素,由像素确定不同采集范围的清晰度;
高度确定单元,用于将所述清晰度与预设的清晰度需求进行比对,确定采集范围阈值,由采集范围阈值确定无人机的工作高度;
区域切分单元,用于根据确定的工作高度对应的规划采集范围对农产品种植区进行切分,得到子区域;所述规划采集范围为实际采集范围的子集;
路径生成单元,用于根据子区域生成无人机巡检路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071433.5A CN115797811B (zh) | 2023-02-07 | 2023-02-07 | 一种基于视觉的农产品检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071433.5A CN115797811B (zh) | 2023-02-07 | 2023-02-07 | 一种基于视觉的农产品检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115797811A CN115797811A (zh) | 2023-03-14 |
CN115797811B true CN115797811B (zh) | 2023-04-28 |
Family
ID=85430194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310071433.5A Active CN115797811B (zh) | 2023-02-07 | 2023-02-07 | 一种基于视觉的农产品检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115797811B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116844075B (zh) * | 2023-08-28 | 2023-11-14 | 中国科学院东北地理与农业生态研究所 | 一种耕地环境判定方法及系统 |
CN117237383B (zh) * | 2023-11-15 | 2024-02-02 | 山东智赢门窗科技有限公司 | 一种基于室内环境的智能门窗控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931664A (zh) * | 2020-08-12 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 混贴票据图像的处理方法、装置、计算机设备及存储介质 |
CN114911239A (zh) * | 2022-05-27 | 2022-08-16 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的异常识别方法及系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016025848A1 (en) * | 2014-08-15 | 2016-02-18 | Monsanto Technology Llc | Apparatus and methods for in-field data collection and sampling |
CN109117749A (zh) * | 2018-07-23 | 2019-01-01 | 福建中海油应急抢维修有限责任公司 | 一种基于无人机巡检影像的异常目标监管方法及系统 |
CN109379564A (zh) * | 2018-10-30 | 2019-02-22 | 长春市万易科技有限公司 | 一种燃气管道无人机巡检装置及巡检方法 |
CN111489418B (zh) * | 2020-04-14 | 2023-04-25 | 北京字节跳动网络技术有限公司 | 图像处理方法、装置、设备及计算机可读存储介质 |
CN113034452B (zh) * | 2021-03-15 | 2022-09-27 | 南京理工大学 | 一种焊件轮廓检测方法 |
CN113938609B (zh) * | 2021-11-04 | 2023-08-22 | 中国联合网络通信集团有限公司 | 区域监控方法、装置及设备 |
CN114612780A (zh) * | 2022-03-14 | 2022-06-10 | 上海微电机研究所(中国电子科技集团公司第二十一研究所) | 一种多地图切换slam建图方法 |
CN114565895B (zh) * | 2022-04-28 | 2022-07-26 | 深圳市博铭维系统工程有限公司 | 一种基于智慧社会的安防监控系统及方法 |
-
2023
- 2023-02-07 CN CN202310071433.5A patent/CN115797811B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111931664A (zh) * | 2020-08-12 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 混贴票据图像的处理方法、装置、计算机设备及存储介质 |
CN114911239A (zh) * | 2022-05-27 | 2022-08-16 | 上海伯镭智能科技有限公司 | 一种无人驾驶矿车的异常识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115797811A (zh) | 2023-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115797811B (zh) | 一种基于视觉的农产品检测方法及系统 | |
CN112380952B (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN110569856B (zh) | 样本标注方法及装置、损伤类别的识别方法及装置 | |
CN111191730B (zh) | 一种面向嵌入式深度学习的超大尺寸图像目标检测方法及系统 | |
CN109522963A (zh) | 一种单机运行的特征建筑目标检测方法和系统 | |
US11881015B2 (en) | High-precision identification method and system for substations | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN110992384A (zh) | 半自动化图像数据标注方法、电子装置及存储介质 | |
CN112580657A (zh) | 一种自学习字符识别方法 | |
CN114241469A (zh) | 一种面向电表轮换过程的信息识别方法和装置 | |
CN113963033B (zh) | 一种基于人工智能的电力设备异常检测方法和系统 | |
CN112561885A (zh) | 基于YOLOv4-tiny的插板阀开度检测方法 | |
CN116994721A (zh) | 一种数字病理切片图的快速处理系统 | |
CN111160374A (zh) | 一种基于机器学习的颜色识别方法及系统、装置 | |
Li et al. | Container keyhole positioning based on deep neural network | |
CN113362227B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN115512098A (zh) | 一种桥梁电子化巡检系统及巡检方法 | |
CN110956366A (zh) | 一种装维质检中分光器施工一致性检验方法 | |
CN110286825A (zh) | 一种基于机器视觉的机械式全自动鼠标操作装置 | |
CN116935079B (zh) | 一种基于视觉的线状开关状态监测方法及终端 | |
CN116523845B (zh) | 一种基于电缆隧道的缺陷检测方法和系统 | |
CN114494778B (zh) | 用于电力设备远程监造的图像采集处理系统及其控制方法 | |
CN116503406B (zh) | 基于大数据的水利工程信息管理系统 | |
CN111754547B (zh) | 一种暗光环境肉鸡的多目标自动识别跟踪定位方法 |
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 |