CN116524344A - 一种基于rgb-d信息融合的番茄串采摘点检测方法 - Google Patents
一种基于rgb-d信息融合的番茄串采摘点检测方法 Download PDFInfo
- Publication number
- CN116524344A CN116524344A CN202310137139.XA CN202310137139A CN116524344A CN 116524344 A CN116524344 A CN 116524344A CN 202310137139 A CN202310137139 A CN 202310137139A CN 116524344 A CN116524344 A CN 116524344A
- Authority
- CN
- China
- Prior art keywords
- tomato
- fruit
- picking
- rgb
- depth
- 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
- 235000007688 Lycopersicon esculentum Nutrition 0.000 title claims abstract description 84
- 230000004927 fusion Effects 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 title claims abstract description 11
- 240000003768 Solanum lycopersicum Species 0.000 title claims description 80
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000003064 k means clustering Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 16
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000009533 lab test Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 230000001788 irregular Effects 0.000 abstract description 2
- 241000227653 Lycopersicon Species 0.000 abstract 4
- 238000006243 chemical reaction Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Harvesting Machines For Specific Crops (AREA)
Abstract
本发明公开了一种基于RGB‑D信息融合的番茄串采摘点检测方法,具有识别率高、定位准确等优点。通过RGB‑D深度相机与YOLOv7算法对番茄串果梗进行识别后,采用K‑means聚类法、骨骼化等算法对果梗进行分割,得到采摘点位置;最后经过大邻域均值法和转换修正处理获取采摘点的深度值,完成采摘点图像坐标和深度信息的获取。本发明可以解决番茄串果梗被遮挡、过于纤细或较短以及形态不规则等问题,提高番茄串采摘效率,对多领域的发展具有重大意义。
Description
技术领域
本发明涉及计算机视觉与模式识别、深度学习技术领域,尤其涉及一种基于RGB-D信息融合的番茄串采摘点检测方法。
背景技术
现阶段,设施农业在我国的发展速度较快,覆盖多个地区,尤其是在温室内种植番茄日益普遍。番茄的种植、采摘、挑拣工作大部分为人工操作,这种繁琐的工作导致工人每日的劳动量很大,并且工作效率较低,不利于番茄产业的可持续发展。所以,实现番茄生产机械化、智能化对番茄种植规模的扩大和产量的提升有着重大意义。传感器技术和人工智能的飞速发展以及新型材料的出现使番茄采摘机器人开始应用于大棚内番茄果实的收获,完美的番茄采摘机器人具有可以和人眼媲美的视觉系统、灵活的执行机构以及各种传感器,机器人在多类事物构成的复杂背景下能够找到目标物,并使用执行机构快速准确地完成采摘任务。番茄采摘机器人可以替代劳动力,减少人工费用和番茄的生产成本。
番茄采摘机器人首先需要识别和定位到番茄串果梗的最佳采摘点,才能实现有效采摘,但是由于果梗颜色与背景颜色相似,因为番茄果梗生长姿态不规则、果梗之间以及果实与果梗之间相互触碰、番茄果实生长方位容易被果实覆盖以及果实采摘时果实之间容易相互影响等问题,导致目前的番茄采摘机器人对果梗识别与定位的准确率较低,采摘点位置不准确,果梗受到叶片或枝条遮挡,光照条件的影响,导致采摘点识别的准确率下降。同时由于果梗过于纤细或较短时,经济型深度相机在获取目标的时候可能存在信息误差较大甚至缺失的情况,导致番茄采摘机器人定位不准确。
发明内容
为解决现有技术的缺点和不足,提供一种基于RGB-D信息融合的番茄串采摘点检测方法,基于YOLOv7与RGB-D深度相机的核心思想,充分利用神经网络与深度信息结合,将输入的番茄串图像经过数据预处理后,提取目标串果梗特征,对果梗进行深度信息提取并确定最佳采摘点位置。利用YOLOv7算法和深度相机结合的方法来处理目前存在的难题,与其它算法相比,YOLOv7算法具有更高的准确率,可以在更多领域得到应用。所以在采摘机器人中使用YOLOv7算法和Intel D455深度相机结合,这样可以使得番茄采摘机器人具有更高的工作效率。
为实现本发明目的而提供的一种基于RGB-D信息融合的番茄串采摘点检测方法,包括有以下步骤:
步骤1,采集番茄串图像,对番茄串图像的果梗进行标注,构建番茄串果梗检测数据集;
步骤2,使用YOLOv7对标注后的番茄串图像的果梗图片进行训练,将训练结果与Intel D455深度相机相连,快速准确地识别到成熟番茄串果梗所在位置,完成粗分割;
步骤3,在步骤2粗分割的基础上,筛选出有效的番茄串果梗,在有效的番茄串果梗的最小矩形框内采用K-means聚类算法、形态学、骨骼化等传统图像处理方法,提取果梗骨骼线并在其上确定采摘点彩色图像位置,完成细分割;
步骤4,结合Intel D455深度相机获取采摘点深度值,同时针对果梗过于纤细,深度相机无法获取果梗深度值问题,采用大领域二次均值法;
步骤5,将获取到的果梗深度值转换并修正后得到完整采摘点位置信息;所述步骤5中转换并修正使用了修正系数,修正系数需要进行大量实验得出结果。
步骤6,反复进行实验室试验和温室现场试验,验证番茄采摘机器人对果梗识别与定位的准确率和采摘成功率。所述步骤6中需要在实际场景中对本发明进行实验与验证,针对出现的问题进行修改,最终实现番茄采摘机器人对果梗的识别和定位。
作为上述方案的进一步改进,所述步骤1中对番茄串图像的果梗进行标注的具体过程为:先使用LabelImg工具对番茄串果梗进行框选标注,果梗名称定义为stem。
作为上述方案的进一步改进,所述步骤2中使用YOLOv7对标注后的番茄串图像的果梗图片进行训练,首先需要将标注好的数据按照训练集:验证集:测试集:=8:1:1进行划分,然后在Ubuntu搭建好的环境下进行训练,最终训练结果中的best.pt文件和YOLOv7中的源代码替换后与Intel D455深度相机相连,快速的识别到成熟番茄串果梗所在位置,实现对番茄串果梗的实时识别,完成粗分割;
作为上述方案的进一步改进,所述步骤3中形态学采用K-means聚类算法进行处理,骨骼化采用zhang细化算法进行处理。
作为上述方案的进一步改进,所述步骤3中形态学采用K-means聚类算法进行处理,具体为:使用K-means聚类算法来提取果梗图像时,随机对聚类初始点进行选取,每当聚类的迭代次数达到10或者聚类的精度达到1时停止运算。本发明为了提高果梗图像的分割精度,使用2次K-means聚类算法来对果梗图像进行提取。第一次使用K-means聚类算法计算各类占比时,将背景去噪归为小类归;第二次使用K-means聚类算法时,先计算各类中心点的RGB值与果梗标准的RGB值间的平方差,然后将平方差的最小类识别为果梗,最后对果梗进行提取,并通过形态学中的开运算对噪声和孔洞进行去除。在现实的采摘过程中,番茄串的采摘点通常位于果梗中心位置,因此将计算得到的果梗骨骼图与X轴中轴线上的交点(Px,Py)作为采摘点,如果存在得到多个交点的情况时则取交点的平均值作为采摘点。
K-means聚类和zhang细化算法的采摘点图像坐标(Px,Py)识别算法流程如下:
1)提取果梗图像的R、G、B值并转换为n×3的矩阵Points_RGB←IRGB_depth;
2)对Points_RGB进行K-means的第一次聚类,然后计算各类别像素占比Percentagek;
3)将Points_RGB中占比小的一类规定为背景;
4)Points_RGB进行K-means算法的第二次聚类;
5)各类中心点的R、G、B数值与果梗标准的R、G、B值的平方差最小类的一类归为果梗;
6)使用形态学中的K-means聚类算法去除噪声和孔洞,输出完整的果梗图像;
7)Zhang细化算法提取果梗骨骼图;
8)计算果梗骨骼图与X轴中轴线上的交点(Px,Py),将该点设为采摘点。
作为上述方案的进一步改进,所述步骤4中采用大领域二次均值法,具体为:将K-means聚类算法处理后的图片转化为二值图,果梗所在区域的值设为1,背景区域的值设为0,然后用二值图中的矩阵与深度图对应的区域深度矩阵进行点乘运算。
本发明的有益效果是:
与现有技术相比,本发明基于YOLOv7与RGB-D深度相机的核心思想,充分利用神经网络与深度信息结合,将输入的番茄串图像经过数据预处理后,提取目标串果梗特征,对果梗进行深度信息提取并确定最佳采摘点位置。利用YOLOv7算法和深度相机结合的方法来处理目前存在的难题,与其它算法相比,YOLOv7算法具有更高的准确率,可以在更多领域得到应用。所以在采摘机器人中使用YOLOv7算法和Intel D455深度相机结合,这样可以使得番茄采摘机器人具有更高的工作效率。
附图说明
以下结合附图对本发明的具体实施方式作进一步的详细说明,其中:
图1为本发明方法流程示意图;
图2为本发明方法深度相机获取到的深度值。
具体实施方式
如图1-图2所示,本发明目的而提供的一种基于RGB-D信息融合的番茄串采摘点检测方法,包括有如下步骤:
步骤1:采集番茄串图像数据,包括不同时段,顺光、逆光,强光、弱光处的番茄串图像,以及不同角度的番茄串图像,并对番茄串图像进行划分和标注,构建番茄串果梗检测数据集。经山西“农谷番茄小镇”实地考察和取样后,对番茄串图像的果梗进行收集、整理与标注,自主构建番茄串果梗检测的数据集。使用LabelImg工具对番茄串图像的果梗数据进行框选标注,按照标注要求将果梗命名为stem,标注时需要注意,果梗太短或者有遮挡的不标注,部分枝条和果梗相似的也作为果梗进行标注。
步骤2:使用YOLOv7对标注后的番茄串图像的果梗图片进行训练,将标注好的数据按照训练集:验证集:测试集=8:1:1进行划分,标注后的图片共有3662张,首先按照划分比例将2929张图片作为训练数据集,其中包含不同分辨率、不同大小的样本以及不同饱和度或不同角度的图片样本,以此来增强数据;然后将剩余的733张图片按照1:1的比例划分为验证集和测试集,最后在Ubuntu下搭建好的YOLO环境对数据集进行训练,并将最终训练结果中的best.pt文件和YOLOv7中的源代码替换后与Intel D455深度相机相连,快速的识别到成熟番茄串果梗所在位置,实现对番茄串果梗的实时识别,完成粗分割;识别到番茄串的果梗后需要对果梗进行进一步的处理才能更加准确定位到最佳的采摘点。
步骤3:在步骤2粗分割的基础上,筛选出有效的番茄串果梗,在有效的番茄串果梗的最小矩形框内采用K-means聚类算法、形态学、骨骼化等传统图像处理方法,在有效果梗的最小矩形框内采用K-means聚类算法、形态学、骨骼化方法来提取果梗骨骼线并在其上确定采摘点彩色图像的位置,骨骼化采用zhang细化算法进行处理。提取果梗骨骼线并在其上确定采摘点彩色图像位置,完成细分割;具体的步骤如下:
步骤3.1:在使用K-means聚类算法对果梗图片进行聚类时,需要根据每个数据点的初始聚类中心,计算每个数据点与初始聚类中心的距离,并根据最小距离重新对数据点进行划分,它们的分类隶属度函数为:
其中ci为聚类中心xi为数据点。
步骤3.2:通过K-means分割算法对果梗进行处理后,果梗基本能从背景中被分割出来,但是依然存在很多噪声,比如一些孤立的小班块、果梗表面的毛刺、孔洞等都不利于后续的处理。对于这些噪声,采用了形态学开运算进行处理。开运算可以在不明显改变物体体积的条件下,消除小斑块,填补孔洞,断开细小连接,平滑较大物体的边界。
步骤3.3:使用形态学算法对果梗图像进行处理后,可以简洁的提取到果梗的区域,接下来就使用骨骼化算法提取果梗的中线。本发明采用的骨骼化算法为zhang细化算法,针对番茄串果梗的二值图像,满足要求的像素点进行标记和删除,直到没有像素点删除后,可以得到细化后的骨架。在果梗骨骼化的图像中,果梗基本贯穿在图像中,将得到的果梗骨骼图与X轴中轴线上的交点(Px,Py)作为采摘点。
步骤4:获取到果梗采摘点在图像中的坐标后,就下来就需要对采摘点与相机间的距离进行处理(即采摘点深度值)。采摘点的深度值一般是可以直接读取到与彩色图匹配的深度坐标。但是在实际的场景中,会存在果梗过于纤细或者架空等问题,导致深度相机无法准确的获取到果梗的深度值。采用大领域均值法可以有效的解决获取深度值时存在的问题。果梗获取到的深度值如图2所示。
将形态学中的K-means聚类算法处理后的图转为二值图,设置果梗所在的区域值为1,背景区域的值为0,用得到的二值图中的矩阵和深度图中相应区域的深度矩阵进行点乘运算,提取番茄串果梗区域的深度集合为{n0};考虑到温室大棚中番茄串与过道的距离以及番茄串果梗区域深度信息不准确的问题,需要对提取到的深度集合{n0}做进一步处理,即对其中深度值不在400-1000mm范围的进行删除,然后把剩余的深度集合设置为{n1};接将深度集合{n1}进行求平均值得到的结果为z1,;最后将提取到原始深度值z与z1求差,并将差的绝对值与参考值k进行比较,若结果小于等于k则取z为果梗采摘点的深度值,若结果大于k则取z1为果梗采摘点的深度值。
对于参考值k可以通过实验|z1-z|最大值来确定,随机的选取10个区域,通过对|z1-z|的差值比较后得到一个合适的参考值k。
步骤5,将获取到的果梗深度值转换并修正后得到完整采摘点位置信息;所述步骤5中转换并修正使用了修正系数,修正系数需要进行大量实验得出结果。
步骤6:最后反复进行实验室试验和温室现场试验,验证番茄采摘机器人对果梗识别与定位的准确率、采摘成功率、采摘时间。所述步骤6中需要在实际场景中对本发明进行实验与验证,针对出现的问题进行修改,最终实现番茄采摘机器人对果梗的识别和定位。
以上实施例不局限于该实施例自身的技术方案,实施例之间可以相互结合成新的实施例。以上实施例仅用以说明本发明的技术方案而并非对其进行限制,凡未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明技术方案的范围内。
Claims (6)
1.一种基于RGB-D信息融合的番茄串采摘点检测方法,其特征在于:包括有以下步骤:
步骤1,采集番茄串图像,对番茄串图像的果梗进行标注,构建番茄串果梗检测数据集;
步骤2,使用YOLOv7对标注后的番茄串图像的果梗图片进行训练,将训练结果与IntelD455深度相机相连,快速准确地识别到成熟番茄串果梗所在位置,完成粗分割;
步骤3,在步骤2粗分割的基础上,筛选出有效的番茄串果梗,在有效的番茄串果梗的最小矩形框内采用K-means聚类算法、形态学、骨骼化等传统图像处理方法,提取果梗骨骼线并在其上确定采摘点彩色图像位置,完成细分割;
步骤4,结合Intel D455深度相机获取采摘点深度值,同时针对果梗过于纤细,深度相机无法获取果梗深度值问题,采用大领域二次均值法;
步骤5,将获取到的果梗深度值转换并修正后得到完整采摘点位置信息;
步骤6,反复进行实验室试验和温室现场试验,验证番茄采摘机器人对果梗识别与定位的准确率和采摘成功率。
2.根据权利要求1所述的一种基于RGB-D信息融合的番茄串采摘点检测方法,其特征在于:所述步骤1中对番茄串图像的果梗进行标注的具体过程为:先使用LabelImg工具对番茄串果梗进行框选标注,果梗名称定义为stem。
3.根据权利要求1所述的一种基于RGB-D信息融合的番茄串采摘点检测方法,其特征在于:所述步骤2中使用YOLOv7对标注后的番茄串图像的果梗图片进行训练,首先需要将标注好的数据按照训练集:验证集:测试集:=8:1:1进行划分,然后在Ubuntu搭建好的环境下进行训练,最后将训练结果中的best.pt文件与YOLOv7中的源代码替换后与Intel D455深度相机相连快速的识别到番茄串果梗。
4.根据权利要求1所述的一种基于RGB-D信息融合的番茄串采摘点检测方法,其特征在于:所述步骤3中形态学采用K-means聚类算法进行处理,骨骼化采用zhang细化算法进行处理。
5.根据权利要求4所述的一种基于RGB-D信息融合的番茄串采摘点检测方法,其特征在于:所述步骤3中形态学采用K-means聚类算法进行处理,具体为:使用K-means聚类算法来提取果梗图像时,随机对聚类初始点进行选取,每当聚类的迭代次数达到10或者聚类的精度达到1时停止运算。
6.根据权利要求1所述的一种基于RGB-D信息融合的番茄串采摘点检测方法,其特征在于:所述步骤4中采用大领域二次均值法,具体为:将K-means聚类算法处理后的图片转化为二值图,果梗所在区域的值设为1,背景区域的值设为0,然后用二值图中的矩阵与深度图对应的区域深度矩阵进行点乘运算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137139.XA CN116524344A (zh) | 2023-02-14 | 2023-02-14 | 一种基于rgb-d信息融合的番茄串采摘点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137139.XA CN116524344A (zh) | 2023-02-14 | 2023-02-14 | 一种基于rgb-d信息融合的番茄串采摘点检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116524344A true CN116524344A (zh) | 2023-08-01 |
Family
ID=87407076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310137139.XA Pending CN116524344A (zh) | 2023-02-14 | 2023-02-14 | 一种基于rgb-d信息融合的番茄串采摘点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116524344A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117617002A (zh) * | 2024-01-04 | 2024-03-01 | 太原理工大学 | 一种用于番茄自动识别及智能采收的方法 |
-
2023
- 2023-02-14 CN CN202310137139.XA patent/CN116524344A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117617002A (zh) * | 2024-01-04 | 2024-03-01 | 太原理工大学 | 一种用于番茄自动识别及智能采收的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Song et al. | Kiwifruit detection in field images using Faster R-CNN with VGG16 | |
CN109711325B (zh) | 一种芒果采摘点识别方法 | |
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
CN105718945B (zh) | 基于分水岭和神经网络的苹果采摘机器人夜间图像识别方法 | |
CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN102704215B (zh) | 基于dst文件解析与机器视觉结合的绣布自动切割方法 | |
CN107230203A (zh) | 基于人眼视觉注意机制的铸件缺陷识别方法 | |
CN110222767B (zh) | 基于嵌套神经网络和栅格地图的三维点云分类方法 | |
CN112232263B (zh) | 一种基于深度学习的番茄识别方法 | |
CN110852186B (zh) | 一种树上柑橘的视觉识别与采摘顺序规划方法及其仿真系统 | |
CN108668637A (zh) | 一种机器视觉自然放置葡萄串抓取点定位方法 | |
CN113191334B (zh) | 一种基于改进CenterNet的植物冠层密集叶片计数方法 | |
CN114067206B (zh) | 一种基于深度图像的球形果实识别定位方法 | |
Changyi et al. | Apple detection from apple tree image based on BP neural network and Hough transform | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN107680098A (zh) | 一种甘蔗蔗节特征的识别方法 | |
CN114140665A (zh) | 一种基于改进YOLOv5的密集小目标检测方法 | |
CN113569922A (zh) | 一种苹果智能无损分拣的方法 | |
CN106228136A (zh) | 基于聚合通道特征的全景街景隐私保护方法 | |
Liu et al. | Development of a machine vision algorithm for recognition of peach fruit in a natural scene | |
CN116229265A (zh) | 一种自动无损提取大豆植株表型的方法 | |
CN116524344A (zh) | 一种基于rgb-d信息融合的番茄串采摘点检测方法 | |
CN115115954A (zh) | 基于无人机遥感的松材线虫病疫区变色立木智能识别方法 | |
CN106919901A (zh) | 一种株上球形果实识别的深度球截线方法 | |
CN112115885A (zh) | 基于深度卷积神经网络的采摘用果树结果枝剪切点定位方法 |
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 |