CN116844075B - 一种耕地环境判定方法及系统 - Google Patents
一种耕地环境判定方法及系统 Download PDFInfo
- Publication number
- CN116844075B CN116844075B CN202311083201.8A CN202311083201A CN116844075B CN 116844075 B CN116844075 B CN 116844075B CN 202311083201 A CN202311083201 A CN 202311083201A CN 116844075 B CN116844075 B CN 116844075B
- Authority
- CN
- China
- Prior art keywords
- equipment
- determining
- virtual model
- acquisition
- steering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000003971 tillage Methods 0.000 title description 2
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 230000000007 visual effect Effects 0.000 claims description 5
- 238000009313 farming Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012549 training Methods 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及耕地环境检测技术领域，具体公开了一种耕地环境判定方法及系统，所述方法包括基于无人机定时采集基础图像，根据基础图像建立虚拟模型；基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定；接收检测设备实时上传的采集数据，根据所述采集数据创建图像集；对所述图像集进行识别，判定区域状态。本发明设置两种设备，一种是清晰度较高的固定设备，其识别算法精度较低；另一种是清晰度较低的转向设备，其灵活度及识别算法的精度较高，两者相互配合，提供了梯度式识别方案，变相地提高了资源利用率。
Description
技术领域
本发明涉及耕地环境检测技术领域，具体是一种耕地环境判定方法及系统。
背景技术
耕地，是自然土壤发育形成的，能够种植农作物的土地，并具备可供农作物生长、发育、成熟的自然环境。它是人类赖以生存的基本资源。
耕地中涉及到的工作大都工作量较大，工作压力很大，往往需要大量的人力成本；即使处于农闲时期，也需要定时的对耕地环境进行巡检；随着计算机设备和网络传输技术的发展，巡检工作完全可以交由智能设备，进而缓解工作人员的工作压力。
但是，现有的智能设备识别方案大都是固定式的技术，通过摄像头获取耕地环境，然后对耕地环境进行识别；识别过程涉及到识别算法，识别算法一经确定，便会普及应用，如果性能较高，那么资源消耗量会增多，如果性能较低，识别效果会降低；如何增设识别梯度，提高资源利用率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耕地环境判定方法及系统，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：
一种耕地环境判定方法，所述方法包括：
基于无人机定时采集基础图像，根据基础图像建立虚拟模型；
基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定；
接收检测设备实时上传的采集数据，根据所述采集数据创建图像集；
对所述图像集进行识别，判定区域状态。
作为本发明进一步的方案：所述基于无人机定时采集基础图像，根据基础图像建立虚拟模型的步骤包括：
接收耕地的边界坐标，根据所述边界坐标和预设的比例尺确定模型边界；
读取无人机的分辨率和识别需求，根据所述分辨率和识别需求确定无人机的工作高度；
根据所述工作高度确定无人机的采集范围，根据采集范围和所述比例尺在所述模型边界中确定检测路径；
基于一个垂直和四个倾斜的五个不同视角同步采集基础图像，根据所述基础图像建立虚拟模型。
作为本发明进一步的方案：所述基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定的步骤包括：
显示虚拟模型，基于所述虚拟模型接收管理方选取的设备点位；所述设备点位含有类型标签；所述类型标签包括固定设备和转向设备；
根据预设的标定密度在虚拟模型中创建标定点，并获取所述标定点的空间坐标；
依次将固定设备的采集画面的中心点对应所述标定点，读取相应的空间坐标；
基于所述标定点对转向设备进行标定。
作为本发明进一步的方案：所述基于所述标定点对转向设备进行标定的步骤包括：
以固定设备为中心，选取预设范围内的转向设备；
实时获取转向设备的画面图框，调节转向设备的设备参数；
当画面图框包括标定点时，记录设备参数；
统计所述设备参数，得到转向参数表；所述转向参数表的首项为画面图框的中心与标定点重合时对应的设备参数。
作为本发明进一步的方案：所述接收检测设备实时上传的采集数据，根据所述采集数据创建图像集的步骤包括：
接收固定设备上传的采集数据，记录采集时间；
根据所述采集时间读取标准数据，将所述采集数据与所述标准数据进行比对，确定风险概率；
当风险概率大于预设的概率阈值时，基于转向参数表控制转向设备获取图像，得到图像集。
作为本发明进一步的方案：所述对所述图像集进行识别，判定区域状态的步骤包括：
根据预设的轮廓识别模型提取图像集中的轮廓信息；所述轮廓识别模型中的容差与图像集的数量呈反比；
计算轮廓信息中像素点的数值特征，根据轮廓信息排列所述数值特征，得到数值组；
将所述数值组在参考库中匹配区域状态；所述参考库为预设的数据库，数据库中含有数值组项和区域状态项；数据库中的数据量定时更新。
本发明技术方案还提供了一种耕地环境判定系统，所述系统包括：
虚拟模型建立模块，用于基于无人机定时采集基础图像，根据基础图像建立虚拟模型；
参数标定模块，用于基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定；
图像集创建模块，用于接收检测设备实时上传的采集数据，根据所述采集数据创建图像集；
图像集识别模块，用于对所述图像集进行识别，判定区域状态。
作为本发明进一步的方案：所述虚拟模型建立模块包括：
边界确定单元，用于接收耕地的边界坐标，根据所述边界坐标和预设的比例尺确定模型边界；
高度确定单元，用于读取无人机的分辨率和识别需求，根据所述分辨率和识别需求确定无人机的工作高度；
路径确定单元，用于根据所述工作高度确定无人机的采集范围，根据采集范围和所述比例尺在所述模型边界中确定检测路径；
采集执行单元，用于基于一个垂直和四个倾斜的五个不同视角同步采集基础图像，根据所述基础图像建立虚拟模型。
作为本发明进一步的方案：所述参数标定模块包括：
点位选取单元，用于显示虚拟模型，基于所述虚拟模型接收管理方选取的设备点位；所述设备点位含有类型标签；所述类型标签包括固定设备和转向设备；
坐标获取单元，用于根据预设的标定密度在虚拟模型中创建标定点，并获取所述标定点的空间坐标；
坐标应用单元，用于依次将固定设备的采集画面的中心点对应所述标定点，读取相应的空间坐标；
标定执行单元，用于基于所述标定点对转向设备进行标定。
作为本发明进一步的方案：所述图像集创建模块包括：
时间记录单元，用于接收固定设备上传的采集数据，记录采集时间；
风险概率生成单元，用于根据所述采集时间读取标准数据，将所述采集数据与所述标准数据进行比对，确定风险概率；
转向设备设定单元，用于当风险概率大于预设的概率阈值时，基于转向参数表控制转向设备获取图像，得到图像集。
与现有技术相比，本发明的有益效果是：本发明设置两种设备，一种是清晰度较高的固定设备，其识别算法精度较低；另一种是清晰度较低的转向设备，其灵活度及识别算法的精度较高，两者相互配合，提供了梯度式识别方案，变相地提高了资源利用率。
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为耕地环境判定方法的流程框图。
图2为耕地环境判定方法的第一子流程框图。
图3为耕地环境判定方法的第二子流程框图。
图4为耕地环境判定方法的第三子流程框图。
图5为耕地环境判定方法的第四子流程框图。
图6为耕地环境判定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。
图1为耕地环境判定方法的流程框图，本发明实施例中，一种耕地环境判定方法，所述方法包括：
步骤S100：基于无人机定时采集基础图像，根据基础图像建立虚拟模型；
无人机是具备移动功能和图像采集功能的设备，由无人机可以对耕地环境进行图像获取，得到基础图像，对基础图像进行分析，可以建立虚拟模型；所述虚拟模型是一个数字模型，与实际的耕地环境对应。
步骤S200：基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定；
显示虚拟模型，基于虚拟模型接收管理方上传的检测设备参数，所述检测设备参数包括检测点位以及安装在检测点位处的检测设备类型及性能参数；检测设备主要包括清晰度较高的固定设备和灵活度较高的转向设备，它们之间存在配合关系。
步骤S300：接收检测设备实时上传的采集数据，根据所述采集数据创建图像集；
检测设备在工作过程中，可以实时采集数据，采集到的数据以图像为主，统计采集数据，可以创建图像集；这一过程的含义是，由多个检测设备获取同一区域的多张图像，称为图像集。
步骤S400：对所述图像集进行识别，判定区域状态；
对所述图像集进行识别，可以得到识别结果，根据识别结果可以判定区域状态。
图2为耕地环境判定方法的第一子流程框图，所述基于无人机定时采集基础图像，根据基础图像建立虚拟模型的步骤包括：
步骤S101：接收耕地的边界坐标，根据所述边界坐标和预设的比例尺确定模型边界；
步骤S102：读取无人机的分辨率和识别需求，根据所述分辨率和识别需求确定无人机的工作高度；
步骤S103：根据所述工作高度确定无人机的采集范围，根据采集范围和所述比例尺在所述模型边界中确定检测路径；
步骤S104：基于一个垂直和四个倾斜的五个不同视角同步采集基础图像，根据所述基础图像建立虚拟模型。
耕地的边界坐标由工作人员输入，接收到工作人员上传的边界坐标后，根据边界坐标和比例尺可以确定数字模型的模型边界；基于此，获取无人机的分辨率（性能参数）以及识别需求（识别算法需要的识别清晰度），根据分辨率和识别需求可以计算出无人机的工作高度；由工作高度和采集广角可以确定无人机的采集范围，由采集范围和比例尺，可以在模型边界中确定虚拟采集范围，由虚拟采集范围对模型边界进行切分，得到检测路径。
图3为耕地环境判定方法的第二子流程框图，所述基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定的步骤包括：
步骤S201：显示虚拟模型，基于所述虚拟模型接收管理方选取的设备点位；所述设备点位含有类型标签；所述类型标签包括固定设备和转向设备；
步骤S202：根据预设的标定密度在虚拟模型中创建标定点，并获取所述标定点的空间坐标；
步骤S203：依次将固定设备的采集画面的中心点对应所述标定点，读取相应的空间坐标；
步骤S204：基于所述标定点对转向设备进行标定。
上述内容对检测设备参数的获取以及标定过程进行了限定，显示虚拟模型，基于虚拟模型接收管理方选取的设备点位，不同设备点位处安装哪种类型的设备由管理方一并确定。
由于检测设备包括固定设备和转向设备，因此，需要对转向设备和固定设备的配合关系进行限定，配合关系的限定方式是，先确定一些点位，由固定设备对准相应的点位，此时，由转向设备对这些点位进行图像获取，记录哪些位置处可以获取到图像，此时，即可建立与固定设备配合的转向设备的关系。
作为本发明技术方案的一个优选实施例，所述基于所述标定点对转向设备进行标定的步骤包括：
以固定设备为中心，选取预设范围内的转向设备；
实时获取转向设备的画面图框，调节转向设备的设备参数；
当画面图框包括标定点时，记录设备参数；
统计所述设备参数，得到转向参数表；所述转向参数表的首项为画面图框的中心与标定点重合时对应的设备参数。
上述内容提供了一种具体的转向设备的设备参数记录过程，首先，以固定设备为基准，读取预设范围内的转向设备，作为需要标定的双方；然后，将固定设备对准标定点，此时，控制转向设备进行转向，记录能够获取到标定点的位置，得到转向参数表，当转向设备的工作参数在转向参数表内时，均可以获取到标定点处的图像。
值得一提的是，固定设备的角度需要手动调节，先对所有标定点进行分析，这使得无论固定设备对准哪个区域，都可以直接查询到相应的转向参数表。
此外，转向参数表中的数据项很多，表头元素为，画面图框的中心与标定点重合时的设备参数，也即，当转向设备选取转向参数表中的表头元素时，转向设备对准标定点并采集图像。
图4为耕地环境判定方法的第三子流程框图，所述接收检测设备实时上传的采集数据，根据所述采集数据创建图像集的步骤包括：
步骤S301：接收固定设备上传的采集数据，记录采集时间；
步骤S302：根据所述采集时间读取标准数据，将所述采集数据与所述标准数据进行比对，确定风险概率；
步骤S303：当风险概率大于预设的概率阈值时，基于转向参数表控制转向设备获取图像，得到图像集。
固定设备的清晰度较高，根据预先查询到的标准数据对固定设备获取到的采集数据进行比对式识别，可以判定是否存在异常；如果存在异常，就不进行后续处理，如果固定设备的检测结果不存在异常，就通过转向设备进一步获取图像，得到图像集。
图5为耕地环境判定方法的第四子流程框图，所述对所述图像集进行识别，判定区域状态的步骤包括：
步骤S401：根据预设的轮廓识别模型提取图像集中的轮廓信息；所述轮廓识别模型中的容差与图像集的数量呈反比；
步骤S402：计算轮廓信息中像素点的数值特征，根据轮廓信息排列所述数值特征，得到数值组；
步骤S403：将所述数值组在参考库中匹配区域状态；所述参考库为预设的数据库，数据库中含有数值组项和区域状态项；数据库中的数据量定时更新。
转向设备获取到图像集后，虽然清晰度不高，但是图像数量较多，对这些图像进行综合分析，提取图像特征，将图像特征输入训练好的神经网络模型，可以确定对应区域的区域状态。
其中，所述图像特征的生成过程为：对图像进行轮廓识别，得到轮廓信息，提取轮廓信息中的像素点的色值分布情况，可以得到数值组；根据数值组和管理方提前输入的区域状态训练神经网络模型，当神经网络模型训练完成后，基于神经网络模型即可获取区域状态。
图6为耕地环境判定系统的组成结构框图，本发明实施例中，一种耕地环境判定系统，所述系统10包括：
虚拟模型建立模块11，用于基于无人机定时采集基础图像，根据基础图像建立虚拟模型；
参数标定模块12，用于基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定；
图像集创建模块13，用于接收检测设备实时上传的采集数据，根据所述采集数据创建图像集；
图像集识别模块14，用于对所述图像集进行识别，判定区域状态。
进一步的，所述虚拟模型建立模块11包括：
边界确定单元，用于接收耕地的边界坐标，根据所述边界坐标和预设的比例尺确定模型边界；
高度确定单元，用于读取无人机的分辨率和识别需求，根据所述分辨率和识别需求确定无人机的工作高度；
路径确定单元，用于根据所述工作高度确定无人机的采集范围，根据采集范围和所述比例尺在所述模型边界中确定检测路径；
采集执行单元，用于基于一个垂直和四个倾斜的五个不同视角同步采集基础图像，根据所述基础图像建立虚拟模型。
具体的，所述参数标定模块12包括：
点位选取单元，用于显示虚拟模型，基于所述虚拟模型接收管理方选取的设备点位；所述设备点位含有类型标签；所述类型标签包括固定设备和转向设备；
坐标获取单元，用于根据预设的标定密度在虚拟模型中创建标定点，并获取所述标定点的空间坐标；
坐标应用单元，用于依次将固定设备的采集画面的中心点对应所述标定点，读取相应的空间坐标；
标定执行单元，用于基于所述标定点对转向设备进行标定。
更进一步的，所述图像集创建模块13包括：
时间记录单元，用于接收固定设备上传的采集数据，记录采集时间；
风险概率生成单元，用于根据所述采集时间读取标准数据，将所述采集数据与所述标准数据进行比对，确定风险概率；
转向设备设定单元，用于当风险概率大于预设的概率阈值时，基于转向参数表控制转向设备获取图像，得到图像集。
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 (3)
1.一种耕地环境判定方法，其特征在于，所述方法包括：
基于无人机定时采集基础图像，根据基础图像建立虚拟模型；
基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定；
接收检测设备实时上传的采集数据，根据所述采集数据创建图像集；
对所述图像集进行识别，判定区域状态；
所述基于无人机定时采集基础图像，根据基础图像建立虚拟模型的步骤包括：
接收耕地的边界坐标，根据所述边界坐标和预设的比例尺确定模型边界；
读取无人机的分辨率和识别需求，根据所述分辨率和识别需求确定无人机的工作高度；
根据所述工作高度确定无人机的采集范围，根据采集范围和所述比例尺在所述模型边界中确定检测路径；
基于一个垂直和四个倾斜的五个不同视角同步采集基础图像，根据所述基础图像建立虚拟模型；
所述基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定的步骤包括：
显示虚拟模型，基于所述虚拟模型接收管理方选取的设备点位；所述设备点位含有类型标签；所述类型标签包括固定设备和转向设备；
根据预设的标定密度在虚拟模型中创建标定点，并获取所述标定点的空间坐标；
依次将固定设备的采集画面的中心点对应所述标定点，读取相应的空间坐标；
基于所述标定点对转向设备进行标定；
所述基于所述标定点对转向设备进行标定的步骤包括：
以固定设备为中心，选取预设范围内的转向设备；
实时获取转向设备的画面图框，调节转向设备的设备参数；
当画面图框包括标定点时，记录设备参数；
统计所述设备参数，得到转向参数表；所述转向参数表的首项为画面图框的中心与标定点重合时对应的设备参数；
所述接收检测设备实时上传的采集数据，根据所述采集数据创建图像集的步骤包括：
接收固定设备上传的采集数据，记录采集时间；
根据所述采集时间读取标准数据，将所述采集数据与所述标准数据进行比对，确定风险概率；
当风险概率大于预设的概率阈值时，基于转向参数表控制转向设备获取图像，得到图像集。
2.根据权利要求1所述的耕地环境判定方法，其特征在于，所述对所述图像集进行识别，判定区域状态的步骤包括：
根据预设的轮廓识别模型提取图像集中的轮廓信息；所述轮廓识别模型中的容差与图像集的数量呈反比；
计算轮廓信息中像素点的数值特征，根据轮廓信息排列所述数值特征，得到数值组；
将所述数值组在参考库中匹配区域状态；所述参考库为预设的数据库，数据库中含有数值组项和区域状态项；数据库中的数据量定时更新。
3.一种耕地环境判定系统，其特征在于，所述系统包括：
虚拟模型建立模块，用于基于无人机定时采集基础图像，根据基础图像建立虚拟模型；
参数标定模块，用于基于所述虚拟模型接收管理方上传的检测设备参数，并对检测设备参数进行标定；
图像集创建模块，用于接收检测设备实时上传的采集数据，根据所述采集数据创建图像集；
图像集识别模块，用于对所述图像集进行识别，判定区域状态；
所述虚拟模型建立模块包括：
边界确定单元，用于接收耕地的边界坐标，根据所述边界坐标和预设的比例尺确定模型边界；
高度确定单元，用于读取无人机的分辨率和识别需求，根据所述分辨率和识别需求确定无人机的工作高度；
路径确定单元，用于根据所述工作高度确定无人机的采集范围，根据采集范围和所述比例尺在所述模型边界中确定检测路径；
采集执行单元，用于基于一个垂直和四个倾斜的五个不同视角同步采集基础图像，根据所述基础图像建立虚拟模型；
所述参数标定模块包括：
点位选取单元，用于显示虚拟模型，基于所述虚拟模型接收管理方选取的设备点位；所述设备点位含有类型标签；所述类型标签包括固定设备和转向设备；
坐标获取单元，用于根据预设的标定密度在虚拟模型中创建标定点，并获取所述标定点的空间坐标；
坐标应用单元，用于依次将固定设备的采集画面的中心点对应所述标定点，读取相应的空间坐标；
标定执行单元，用于基于所述标定点对转向设备进行标定；
所述图像集创建模块包括：
时间记录单元，用于接收固定设备上传的采集数据，记录采集时间；
风险概率生成单元，用于根据所述采集时间读取标准数据，将所述采集数据与所述标准数据进行比对，确定风险概率；
转向设备设定单元，用于当风险概率大于预设的概率阈值时，基于转向参数表控制转向设备获取图像，得到图像集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311083201.8A CN116844075B (zh) | 2023-08-28 | 2023-08-28 | 一种耕地环境判定方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311083201.8A CN116844075B (zh) | 2023-08-28 | 2023-08-28 | 一种耕地环境判定方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116844075A CN116844075A (zh) | 2023-10-03 |
| CN116844075B true CN116844075B (zh) | 2023-11-14 |
Family
ID=88162020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311083201.8A Active CN116844075B (zh) | 2023-08-28 | 2023-08-28 | 一种耕地环境判定方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116844075B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101206115A (zh) * | 2007-12-05 | 2008-06-25 | 福建省特种设备监督检验所 | 转向轮定位参数测量系统 |
| CN113128407A (zh) * | 2021-04-21 | 2021-07-16 | 湖北微果网络科技有限公司 | 扫描识物方法、系统、计算机设备及存储介质 |
| CN115222909A (zh) * | 2022-09-19 | 2022-10-21 | 深圳市湾测技术有限公司 | 一种三维图像检测模型构建方法 |
| CN115330887A (zh) * | 2022-10-18 | 2022-11-11 | 广州远望电力工程设计股份有限公司 | 一种智能变电站保护装置的自动测试系统及测试方法 |
| CN115797811A (zh) * | 2023-02-07 | 2023-03-14 | 江西农业大学 | 一种基于视觉的农产品检测方法及系统 |
| CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
| CN115934979A (zh) * | 2023-02-21 | 2023-04-07 | 中国科学院东北地理与农业生态研究所 | 一种基于多采集端的土壤侵蚀信息管理方法及系统 |
| CN116386195A (zh) * | 2023-05-29 | 2023-07-04 | 南京致能电力科技有限公司 | 一种基于图像处理的人脸门禁系统 |
| CN116521108A (zh) * | 2023-03-23 | 2023-08-01 | 湖北星纪魅族科技有限公司 | 一种显示方法、可穿戴设备及存储介质 |
| CN116563391A (zh) * | 2023-05-16 | 2023-08-08 | 深圳市高素科技有限公司 | 一种基于机器视觉的激光结构自动标定方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170109458A1 (en) * | 2015-10-16 | 2017-04-20 | Ford Global Technologies, Llc | Testbed for lane boundary detection in virtual driving environment |
-
2023
- 2023-08-28 CN CN202311083201.8A patent/CN116844075B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101206115A (zh) * | 2007-12-05 | 2008-06-25 | 福建省特种设备监督检验所 | 转向轮定位参数测量系统 |
| CN113128407A (zh) * | 2021-04-21 | 2021-07-16 | 湖北微果网络科技有限公司 | 扫描识物方法、系统、计算机设备及存储介质 |
| CN115222909A (zh) * | 2022-09-19 | 2022-10-21 | 深圳市湾测技术有限公司 | 一种三维图像检测模型构建方法 |
| CN115330887A (zh) * | 2022-10-18 | 2022-11-11 | 广州远望电力工程设计股份有限公司 | 一种智能变电站保护装置的自动测试系统及测试方法 |
| CN115797811A (zh) * | 2023-02-07 | 2023-03-14 | 江西农业大学 | 一种基于视觉的农产品检测方法及系统 |
| CN115861859A (zh) * | 2023-02-20 | 2023-03-28 | 中国科学院东北地理与农业生态研究所 | 一种坡耕地环境监测方法及系统 |
| CN115934979A (zh) * | 2023-02-21 | 2023-04-07 | 中国科学院东北地理与农业生态研究所 | 一种基于多采集端的土壤侵蚀信息管理方法及系统 |
| CN116521108A (zh) * | 2023-03-23 | 2023-08-01 | 湖北星纪魅族科技有限公司 | 一种显示方法、可穿戴设备及存储介质 |
| CN116563391A (zh) * | 2023-05-16 | 2023-08-08 | 深圳市高素科技有限公司 | 一种基于机器视觉的激光结构自动标定方法 |
| CN116386195A (zh) * | 2023-05-29 | 2023-07-04 | 南京致能电力科技有限公司 | 一种基于图像处理的人脸门禁系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116844075A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hall et al. | Characterising and mapping vineyard canopy using high-spatial-resolution aerial multispectral images | |
| CN113038823B (zh) | 自动化样本采集和跟踪系统 | |
| CN111126662B (zh) | 基于大数据的灌溉决策制定方法、装置、服务器和介质 | |
| CN111914767B (zh) | 一种基于多源遥感数据的散乱污企业检测方法及系统 | |
| KR101974638B1 (ko) | 식물 영상 처리 장치 및 방법 | |
| Zhang et al. | Estimating plant distance in maize using Unmanned Aerial Vehicle (UAV) | |
| Liu et al. | Estimating maize seedling number with UAV RGB images and advanced image processing methods | |
| CN116091951A (zh) | 一种农田与机耕道边界线提取方法及系统 | |
| CN114511784A (zh) | 环境监测预警方法、装置、设备及存储介质 | |
| CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
| CN112614147A (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 | |
| CN116090634A (zh) | 一种基于物联网的工程精装修智慧管理平台及方法 | |
| CN112861666A (zh) | 一种基于深度学习的鸡群计数方法及应用 | |
| CN116844075B (zh) | 一种耕地环境判定方法及系统 | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| Galli et al. | A novel way to validate UAS-based high-throughput phenotyping protocols using in silico experiments for plant breeding purposes | |
| CN113485438B (zh) | 一种无人机空间监测路径智能规划方法及系统 | |
| CN114663652A (zh) | 图像处理方法、装置、管理系统、电子设备和存储介质 | |
| CN115690609A (zh) | 一种作物生育期长势监测的方法 | |
| CN115271435A (zh) | 适用于耕地智保的数据处理方法及装置 | |
| CN114067038A (zh) | 图像处理方法、装置及电子设备 | |
| CN114298229A (zh) | 作物类别确定方法、装置、电子设备及存储介质 | |
| CN113240340A (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
| CN113361405A (zh) | 一种基于yolo v3的亚洲象识别方法及系统 | |
| CN113807129A (zh) | 一种作物区域识别方法、装置、计算机设备和存储介质 |
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 |