CN117115774A - 草坪边界的识别方法、装置、设备及存储介质 - Google Patents
草坪边界的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117115774A CN117115774A CN202311373015.8A CN202311373015A CN117115774A CN 117115774 A CN117115774 A CN 117115774A CN 202311373015 A CN202311373015 A CN 202311373015A CN 117115774 A CN117115774 A CN 117115774A
- Authority
- CN
- China
- Prior art keywords
- ground
- identified
- lawn
- area
- boundary
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013145 classification model Methods 0.000 claims abstract description 51
- 238000001514 detection method Methods 0.000 claims description 78
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012876 topography 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
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种草坪边界的识别方法、装置、设备及存储介质，涉及图像识别领域。在本申请中，基于待识别图像中的深度信息生成待识别图像对应区域的地面趋势图；基于地面趋势的连续性对地面趋势图进行分割得到待识别区域；将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，分类结果为草坪区域或非草坪区域；将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。本实施例通过，图像中的深度信息生成地面趋势图，并根据地面趋势的连续性划分得到待识别区域，再判断待识别区域是草坪还是非草坪，最后将草坪区域与非草坪区域之间的分界线作为草坪边界，从而不设置标识的情况下，实现草坪边界识别。
Description
技术领域
本申请涉及图像识别领域，尤其涉及一种草坪边界的识别方法、装置、设备及存储介质。
背景技术
目前，草坪边界的识别通常被应用在割草机器人上，使得割草机器人就别识别出草坪边界的能力，从而避免割草机器人走出草坪的范围。目前传统草坪识别方案通常是在草坪边界设置专门的标识，例如在草坪边界下埋入线路，割草机器人在探测到下方有线路时，则判定达到草坪边界。此外，标识也可设置在地面上，通过图像识别确定标识位置，从而达到边界识别的目的。可以理解的是，上述传统方案实施的前提为人工在边界除设置标识，故其实现草坪边界识别的过程较为繁琐。
发明内容
本申请的主要目的在于提供一种草坪边界的识别方法、装置、设备及存储介质，旨在解决传统草坪边界识别方案实现过程较为繁琐的技术问题。
为实现上述目的，本申请提供一种草坪边界的识别方法，所述草坪边界的识别方法包括以下步骤：
基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图；
基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域；
将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，所述分类结果为草坪区域或非草坪区域；
将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。
可选地，所述基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域的步骤包括：
从所述地面趋势图所在的地平面中确定多个的地面趋势检测线；
对于任意一个地面趋势检测线，基于所述地面趋势检测线在所述地面趋势图中映射的各位置点的高度差进行拟合得到地面波动线，其中，任意一个位置点的高度差为所述位置点与所述位置点的相邻位置点之间的高度之差确定；
将所述地面波动线上波动趋势发生变化的位置作为地面断点；
对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线，其中，所述相似断点特征为两个地面断点之间的断点特征之差小于预设阈值；
基于所述划分线对所述地面趋势图进行分割得到所述待识别区域。
可选地，所述地面趋势检测线横穿所述地面趋势图的中心位置，在所述基于所述地面趋势检测线在所述地面趋势图中映射的各位置点的高度差进行拟合得到地面波动线的步骤之后，所述方法还包括：
若所述地面波动线上不存在地面断点，则判断当前地面趋势检测线的数量是否达到预设数量阈值；
若当前地面趋势检测线的数量未达到预设数量阈值，则基于所述中心位置在所述地平面上旋转预设角度得到新的地面趋势检测线；
若当前地面趋势检测线的数量达到预设数量阈值且各地面趋势检测线上均不存在地面断点，则将所述地面趋势图作为一个待识别区域。
可选地，在所述对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线的步骤之前，所述方法包括：
对于任意一个地面断点，确定所述地面断点在对应地面波动线两侧的局部波动线，其中，所述局部波动线上不存在地面断点；
将所述两侧的局部波动线之间的波动趋势差作为所述地面断点的断点特征。
可选地，所述区域特征包括第一区域特征和第二区域特征，所述将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果的步骤包括：
对于任意一个待识别区域，从所述待识别区域提取所述待识别区域的第一区域特征，从所述待识别区域的相邻区域提取所述待识别区域的第二区域特征，其中，所述第一区域特征包括所述待识别区域的地面波动特征、所述待识别区域的颜色特征以及所述待识别区域的纹理特征，所述第二区域特征包括所述相邻区域的地面波动特征、所述相邻区域的颜色特征以及所述相邻区域的纹理特征；
将所述第一区域特征和所述第二区域特征输入至所述预设分类模型，得到所述待识别区域的分类结果。
可选地，在所述将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果的步骤之前，所述方法包括：
对于所述预设分类模型的图像训练样本集中的任意一训练样本，将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果；
将所述分类预测结果与所述训练样本的标签进行比对，得到所述分类预测结果与所述标签之间的差异；
判断所述差异是否达到预设收敛标准，若未达到预设收敛标准，则基于所述差异对所述预设分类模型中的模型参数进行更新；
基于新的训练样本返回执行所述将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果的步骤。
可选地，所述基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图的步骤包括：
基于所述待识别图像中的深度信息生成所述待识别图像中各位置点的高度信息；
基于各所述位置点的高度信息进行曲面拟合，得到所述待识别图像对应区域的地面趋势图。
此外，为实现上述目的，本申请还提供一种草坪边界的识别装置，所述草坪边界的识别装置包括：
生成模块，用于基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图；
分割模块，用于基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域；
分类模块，用于将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，所述分类结果为草坪区域或非草坪区域；
识别模块，用于将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。
此外，为实现上述目的，本申请还提供一种草坪边界的识别设备，所述草坪边界的识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的草坪边界的识别程序，所述草坪边界的识别程序被所述处理器执行时实现上述的草坪边界的识别方法的步骤。
此外，为实现上述目的，本申请还提供一种存储介质，所述可储介质上存储有草坪边界的识别程序，所述草坪边界的识别程序被处理器执行时实现如上述的草坪边界的识别方法的步骤。
本申请实施例提出的一种草坪边界的识别方法、装置、设备及存储介质。在本申请实施例中，基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图；基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域；将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，所述分类结果为草坪区域或非草坪区域；将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。本实施例通过，图像中的深度信息生成地面趋势图，并根据地面趋势的连续性划分得到待识别区域，再判断待识别区域是草坪还是非草坪，最后将草坪区域与非草坪区域之间的分界线作为草坪边界。故本申请实现草坪边界识别时，无需在草坪边界上设置标识。
附图说明
图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图；
图2为本申请草坪边界的识别方法的第一实施例的流程示意图；
图3为本申请草坪边界的识别方法中一场景示意图；
图4为本申请草坪边界的识别方法中地面波动线的示意图；
图5为本申请草坪边界的识别方法中的第二实施例的流程示意图；
图6为本申请草坪边界的识别方法中的第三实施例的流程示意图；
图7为本申请草坪边界的识别装置的结构示意图。
本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
如图1所示，图1是本申请实施例方案涉及的硬件运行环境的设备结构示意图。
本申请实施例的设备可以是割草机器人，也可以是智能手机、PC、平板电脑、便携计算机等电子终端设备。
如图1所示，该设备可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，设备还可以包括摄像头、RF（Radio Frequency，射频）电路，传感器、音频电路、WiFi模块等等。终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的设备结构并不构成对设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
此外，如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及草坪边界的识别程序。
在图1所示的设备中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接用户终端（用户端），与用户终端进行数据通信；而处理器1001可以用于调用存储器1005中存储的草坪边界的识别程序，并执行以下操作：
基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图；
基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域；
将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，所述分类结果为草坪区域或非草坪区域；
将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的草坪边界的识别程序，还执行以下操作：
所述基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域的步骤包括：
从所述地面趋势图所在的地平面中确定多个的地面趋势检测线；
对于任意一个地面趋势检测线，基于所述地面趋势检测线在所述地面趋势图中映射的各位置点的高度差进行拟合得到地面波动线，其中，任意一个位置点的高度差为所述位置点与所述位置点的相邻位置点之间的高度之差确定；
将所述地面波动线上波动趋势发生变化的位置作为地面断点；
对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线，其中，所述相似断点特征为两个地面断点之间的断点特征之差小于预设阈值；
基于所述划分线对所述地面趋势图进行分割得到所述待识别区域。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的草坪边界的识别程序，还执行以下操作：
所述地面趋势检测线横穿所述地面趋势图的中心位置，在所述基于所述地面趋势检测线在所述地面趋势图中映射的各位置点的高度差进行拟合得到地面波动线的步骤之后，所述方法还包括：
若所述地面波动线上不存在地面断点，则判断当前地面趋势检测线的数量是否达到预设数量阈值；
若当前地面趋势检测线的数量未达到预设数量阈值，则基于所述中心位置在所述地平面上旋转预设角度得到新的地面趋势检测线；
若当前地面趋势检测线的数量达到预设数量阈值且各地面趋势检测线上均不存在地面断点，则将所述地面趋势图作为一个待识别区域。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的草坪边界的识别程序，还执行以下操作：
在所述对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线的步骤之前，所述方法包括：
对于任意一个地面断点，确定所述地面断点在对应地面波动线两侧的局部波动线，其中，所述局部波动线上不存在地面断点；
将所述两侧的局部波动线之间的波动趋势差作为所述地面断点的断点特征。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的草坪边界的识别程序，还执行以下操作：
所述区域特征包括第一区域特征和第二区域特征，所述将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果的步骤包括：
对于任意一个待识别区域，从所述待识别区域提取所述待识别区域的第一区域特征，从所述待识别区域的相邻区域提取所述待识别区域的第二区域特征，其中，所述第一区域特征包括所述待识别区域的地面波动特征、所述待识别区域的颜色特征以及所述待识别区域的纹理特征，所述第二区域特征包括所述相邻区域的地面波动特征、所述相邻区域的颜色特征以及所述相邻区域的纹理特征；
将所述第一区域特征和所述第二区域特征输入至所述预设分类模型，得到所述待识别区域的分类结果。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的草坪边界的识别程序，还执行以下操作：
在所述将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果的步骤之前，所述方法包括：
对于所述预设分类模型的图像训练样本集中的任意一训练样本，将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果；
将所述分类预测结果与所述训练样本的标签进行比对，得到所述分类预测结果与所述标签之间的差异；
判断所述差异是否达到预设收敛标准，若未达到预设收敛标准，则基于所述差异对所述预设分类模型中的模型参数进行更新；
基于新的训练样本返回执行所述将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果的步骤。
在一可行实施方式中，处理器1001可以调用存储器1005中存储的草坪边界的识别程序，还执行以下操作：
所述基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图的步骤包括：
基于所述待识别图像中的深度信息生成所述待识别图像中各位置点的高度信息；
基于各所述位置点的高度信息进行曲面拟合，得到所述待识别图像对应区域的地面趋势图。
参照图2，本申请草坪边界的识别方法的第一实施例，所述草坪边界的识别方法包括：
步骤S10，基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图；
需要说明的是，在本实施例中上述草坪边界的识别方法可应用于割草机器人。上述待识别图像可以由配置在割草机器人上的深度相机获取，例如，深度相机可配置在割草机器人的顶部，并实时获取割草机器人移动方向上的环境图像，环境图像即为上述待识别图像，且待识别图像中将包括有深度信息。
示例性的，通过待识别图像中的深度信息可生成待识别图像中各像素点的位置信息，位置信息可以是各像素点的三维坐标，例如，可以是深度相机坐标系下的三维坐标，也可以是从深度相机坐标系转换到世界坐标系下的三维坐标。在基于各像素点的三维坐标进行拟合即可得到待识别图像对应区域的地面趋势图。
可以理解的是，本实施例的草坪边界的识别方法大多应用在割草机器人上，故常规情况下草坪边界通常为草坪与路面之间的边界，而路面通常是较为平整的，也即在拟合得到的地面趋势图中路面部分的趋势也同样是平整的。而草坪由于生长绿植的缘故（尤其是在需要使用割草机器人的草坪，通常绿植的长势都较为茂盛），所以在地面趋势图中草坪部分的趋势波动较大，即草坪部分的地面趋势是凹凸不平的。
在一可行的实施方式中，所述基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图的步骤包括：
步骤S110，基于所述待识别图像中的深度信息生成所述待识别图像中各位置点的高度信息；
步骤S120，基于各所述位置点的高度信息进行曲面拟合，得到所述待识别图像对应区域的地面趋势图。
需要说明的，在实际应用过程中，待识别图像中的深度信息可能会存在有噪点，也即可能会有部分像素点的深度信息是异常的。故在本实施例中，通常会对各像素点的深度信息进行过滤，例如，像素点深度信息是表示该像素点对应的实际位置距离深度相机之间的距离，当该距离超出预设常规范围后，即可认为其实异常的，故将异常的深度信息（也可包括对应的像素点）去除，保留的像素点即为待识别图像中的各位置点，同样的，基于位置点的深度信息，即可生成该位置点的三维坐标，三维坐标中包括有该位置点的高度信息。再对各位置点的高度信息进行曲面拟合，即可得到该待识别图像实际对应区域的地面趋势图，具体的曲面拟合过程可通过现有的曲面拟合算法实现，此处不再赘述。
步骤S20，基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域；
可以理解的是，基于上述例子，若待识别图像中包括路面和草坪，且基于路面和草坪自身不同的特点，在地面趋势图中路面对应部分的趋势和草坪对应部分的趋势将会存在有较大区别，即路面对应部分的趋势较为平整，而草坪对应部分的趋势则会呈现为的无规则变化。故路面对应部分的趋势是连续的，草坪对应部分的趋势是连续的，而从路面对应部分到草坪对应部分其趋势是发生变化的，也即趋势不连续。故根据地面趋势图中趋势的连续性，可将所述地面趋势图分割得到不同的区域，而分割得到的区域即为待识别区域。
此外，还需要说明的是，当也存在有基于纹理特征对图像进行划分，但比较容易受到外界影响。例如，存在阴影时，阴影可能会被视为纹理特征，基于纹路进行拟合得到划分线时，可能会将阴影的边界线拟合为划分线。而本申请是基于深度信息实现划分，而深度信息通常不会收受到阴影的影响，故本申请的划分结果更加准确。
在一可行的实施方式中，所述基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域的步骤包括：
步骤S210，从所述地面趋势图所在的地平面中确定多个的地面趋势检测线；
步骤S220，对于任意一个地面趋势检测线，基于所述地面趋势检测线在所述地面趋势图中映射的各位置点的高度差进行拟合得到地面波动线，其中，任意一个位置点的高度差为所述位置点与所述位置点的相邻位置点之间的高度之差确定；
步骤S230，将所述地面波动线上波动趋势发生变化的位置作为地面断点；
步骤S240，对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线，其中，所述相似断点特征为两个地面断点之间的断点特征之差小于预设阈值；
步骤S250，基于所述划分线对所述地面趋势图进行分割得到所述待识别区域。
示例性的，从地面趋势图所在的地平面中确定多个的地面趋势检测线，其中，地面趋势检测线可横穿所述地面趋势图即可，通常情况下，地面趋势检测线的数量越多，最后分割的结果越准确。参照图3，为本申请中一场景示意图，在加入趋势检测线之间，包括地面趋势图对应区域的平面区1（可以理解的是，在不考虑位置点高度，如将地面趋势图垂直向地平面投影即为平面区），平面区包括区域a和区域b，区域a与区域b之间包括分界线2。在加入趋势检测线后，平面区1中增加了地面趋势检测线3、地面趋势检测线4和地面趋势检测线5。需要说明的是，地面趋势检测线可根据预设的确定规则进行确定，例如，将平面区1的对角线作为地面趋势检测线，也可以选取随机将平面区1上的线作为地面趋势检测线，优选的，地面趋势检测线经过平面区1的几何中点。对于任意一个地面趋势检测线，确定该地面趋势检测线在地面趋势图中映射的各位置点，例如，地面趋势检测线在地面趋势图中途径的位置点即为映射的各位置点。基于确定的各位置点的高度差进行拟合得到地面波动线。其中，高度差是指该位置点与周边相邻的位置点的高度差，例如，该位置点高度与周边相邻位置点高度之差的绝对值的平均值，如对于位置点A的高度差的确定，设位置点B和位置点C均与位置点A相邻，位置点A的高度为a，位置点B的高度为b，位置点C的高度为c，则位置点A的高度差=（∣a-b∣+∣a-c∣）/2。可以理解的是，高度差可反映出该位置点附近地势的波动情况，通常草坪区域的位置点的高度差较大，而路面区域的位置点的高度差较小。而拟合得到地面波动线，即可反应出对应地面趋势检测线上地面高度的波动情况。
例如，参照图4，为本申请地面波动线的示意图，图中，地面波动线可反映出地面趋势检测线上各位置点的高度差，以平滑处理前的地面波动线为例，随着地面趋势线上位置点，经过地形变更区域后（如地形变更区域可以是从草地变更至路面的区域），高度差明显下降，而地形变更区也即为波动趋势发生变化的区域，如从波动大变为波动小。而上述波动趋势发生变化的位置（地面断点）实际可从地形变更区中确定，此外，为便于地面断点的确定，可对地面波动线进行平滑处理，例如，通过滑动窗口对地面波动线进行平滑处理，使得地面波动线更加平滑。平滑处理后，再将地面波动线的拐点，或将地面波动线上斜率变化大于预设斜率阈值的位置作为地面断点，其中，若存在多个符合地面断点要求的位置集中分布，或者相邻分布，可从多个位置中任选一个作为地面断点，或选择多个位置平均位置作为地面断点。具体的，地面断点的确定方式可由技术人员根据需求设置，地面断点为地面波动线上波动趋势发生变化的位置即可。
再对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线，其中，相似断点特征为两个地面断点之间的断点特征之差小于预设阈值。断点特征可以是该地面断点前后波动趋势之差（如，地面断点前后平均高度差之差）。通过划分线对地面趋势图进行分割即可得到待识别区域。例如，参照图3，若区域a为地面，区域b为草地，则在地面趋势检测线3将确定出地面断点a，在地面趋势检测线5上确定出地面断点b，若对地面断点a和地面断点b进行直线拟合得到划分线，得到的划分线实际为分界线2，而分界线2可将平面区1划分为区域a和区域b（即两个待识别区域）。需要说明的是，在实际应用中，在在拟合得到划分线时，拟合所使用的地面断点越多，则得到的划分线与实际区域之间的分界线越接近，通常来说，可通过增加地面趋势检测线的数量来增加地面断点的数量。
在一可行的实施方式中，在所述对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线的步骤之前，所述方法包括：
步骤S231，对于任意一个地面断点，确定所述地面断点在对应地面波动线两侧的局部波动线，其中，所述局部波动线上不存在地面断点；
步骤S232，将所述两侧的局部波动线之间的波动趋势差作为所述地面断点的断点特征。
需要说明的是，在拟合得到一条划分线时，参与拟合的地面断点应当是同一条分界线上。故在本实施例中，是对具有相同断点特征或相似断点特征的地面断点进行拟合，具有相同断点特征或相似断点特征的地面断点，也即是为在同一条分界线上的地面断电。
示例性的，在对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线的步骤之前，对于任意一个地面断点，确定地面断点在对应地面波动线两侧的局部波动线，且局部波动线上不存在地面断点，例如，图4中的局部波动线a和局部波动线b，将局部波动线a上各位置点的高度差的平均值作为局部波动线a的波动趋势，将局部波动线b上各位置点的高度差的平均值作为局部波动线b的波动趋势，再将局部波动线a的波动趋势与局部波动线b的波动趋势之差作为该地面断点的断点特征。可以理解是，由于每个待识别区域中各点的高度差通常是比较接近的，因此，在分界线上不同位置两侧区域位置点的高度差之差也应当是相同或者时接近的，故若两个地面断点的断点特征是相同的或者是相似的，则表示这两个地面断点处于同一条分界线上。
步骤S30，将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，所述分类结果为草坪区域或非草坪区域；
在一可行的实施方式中，所述区域特征包括第一区域特征和第二区域特征，所述将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果的步骤包括：
步骤S310，对于任意一个待识别区域，从所述待识别区域提取所述待识别区域的第一区域特征，从所述待识别区域的相邻区域提取所述待识别区域的第二区域特征，其中，所述第一区域特征包括所述待识别区域的地面波动特征、所述待识别区域的颜色特征以及所述待识别区域的纹理特征，所述第二区域特征包括所述相邻区域的地面波动特征、所述相邻区域的颜色特征以及所述相邻区域的纹理特征；
步骤S320，将所述第一区域特征和所述第二区域特征输入至所述预设分类模型，得到所述待识别区域的分类结果。
示例性的，在本实施例中，会对每个待识别区域进行分类识别，判断其为草坪区域或为非草坪区域。可从待识别区域中提取区域特征，再将区域特征输入至预设分类模型中进行分类，得到份分类结果，而分类结果可以是草坪区域，也可以是非草坪区域。而区域特征可以是地面波动特征，也可以是地面颜色特征，还可以是纹理特征。
可以理解的是，在本实施例中，主要是对草坪的边界进行识别，也就是说，待识别图像中，通常会包括草坪区域和非草坪区域，故为提高分类的准确定率，本实施例除考虑待识别区域自身的特征外，还将加入该待识别区域相邻区域的特征参与到分类的中。
示例性的，对于任意一个待识别区域，从该待识别区域提取所述待识别区域的第一区域特征，第一区域特征包括该待识别区域的地面波动特征、该待识别区域的颜色特征以及该待识别区域的纹理特征。再从该待识别区域的相邻待识别区域（相邻区域）中提取第二区域特征，第二区域特征包括相邻区域的地面波动特征、相邻区域的颜色特征以及相邻区域的纹理特征。可以理解的是的，地面波动特征可以是该区域中各位置点平均高度差（通常草坪区域的高度差较高），颜色特征则为该区域的颜色（通常草坪区域的颜色为绿色），纹理特征可通过边缘检测算法提取（通常草坪区域的纹理特征为无规律的纹理）。预设分类模型可以是深度神经网络模型，且预设分类模型预先进行过训练，以使预设分类模型具有区分草坪区域和非草坪区域的能力。
步骤S40，将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。
示例性的，若存在草坪区域和非草坪区域，将草坪区域和非草坪区域之间的分界线作为草坪边界即可。若仅存在有草坪区域，可判定当前不存在有草坪边界。
在本实施例中，基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图；基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域；将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，所述分类结果为草坪区域或非草坪区域；将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。本实施例通过，图像中的深度信息生成地面趋势图，并根据地面趋势的连续性划分得到待识别区域，再判断待识别区域是草坪还是非草坪，最后将草坪区域与非草坪区域之间的分界线作为草坪边界。故本申请实现草坪边界识别时，无需在草坪边界上设置标识。
参照图5，基于本申请草坪边界的识别方法的第一实施例，提出本申请的第二实施例，在本实施例中与上述实施例相同的部分可参照上述内容，本实施例不再赘述。在所述将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果的步骤之前，所述方法包括：
步骤S01，对于所述预设分类模型的图像训练样本集中的任意一训练样本，将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果；
步骤S02，将所述分类预测结果与所述训练样本的标签进行比对，得到所述分类预测结果与所述标签之间的差异；
步骤S03，判断所述差异是否达到预设收敛标准，若未达到预设收敛标准，则基于所述差异对所述预设分类模型中的模型参数进行更新；
步骤S04，基于新的训练样本返回执行所述将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果的步骤。
示例性的，在本实施例中将基于训练样本对预设分类模型进行训练。训练样本可以是图像上的一块区域，且该区域被标记为草坪区域或非草坪区域（即样本标签）。将该训练样本输入至预设分类模型，预设分类模型对该训练样本进行分类的带分类预测结果（此时的结果可能是准确的，也可能是不准确的）。再将该分类预测结果与训练样本的标签进行比对，得到分类预测结果与标签之间的差异，若差异没有达到预设收敛标准，则基于该差异对预设分类模型的模型参数进行更新，例如，基于梯度下降法反向传播更新模型参数。更新完成后，再基于新的训练样本返回执行所述将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果的步骤，直到模型收敛，
参照图6，基于本申请草坪边界的识别方法的第一实施例、第二实施例。提出本申请的第三实施例，在本实施例中与上述实施例相同的部分可参照上述内容，本实施例不再赘述。在所述地面趋势检测线横穿所述地面趋势图的中心位置，在所述基于所述地面趋势检测线在所述地面趋势图中映射的各位置点的高度差进行拟合得到地面波动线的步骤之后，所述方法还包括：
步骤S221，若所述地面波动线上不存在地面断点，则判断当前地面趋势检测线的数量是否达到预设数量阈值；
步骤S222，若当前地面趋势检测线的数量未达到预设数量阈值，则基于所述中心位置在所述地平面上旋转预设角度得到新的地面趋势检测线；
步骤S223，若当前地面趋势检测线的数量达到预设数量阈值且各地面趋势检测线上均不存在地面断点，则将所述地面趋势图作为一个待识别区域。
可以理解的是，地面断点数量与划分线的准确度是成正比的，在地面波动线上无法找地面断点时，则需确定新的地面趋势检测线。同时为避免，无限制的确定地面趋势检测线，故设置有地面趋势检测线的上限。若当前地面趋势检测线的数量没有达到预设数量阈值，则可基于地面趋势图的中心位置在地平面上旋转预设角度得到新的地面趋势检测线，例如，将原来的地面趋势检测线在地平面上顺时针或逆时针旋转15°，从而得到新的地面趋势检测线。若地面趋势检测线的数量达到预设数量阈值且各地面趋势检测线上均不存在地面断点，则将所述地面趋势图作为一个待识别区域。若地面趋势检测线的数量达到预设数量阈值且仅存在有一个地面断点，同样将地面趋势图作为一个待识别区域。若地面趋势检测线的数量达到预设数量阈值且存在两个及两个以上的地面断点在，则进行拟合即可。
此外，为实现上述目的，参照图7，本申请还提供一种草坪边界的识别装置100，所述草坪边界的识别装置100包括：
生成模块10，用于基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图；
分割模块20，用于基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域；
分类模块30，用于将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，所述分类结果为草坪区域或非草坪区域；
识别模块40，用于将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。
可选地，所述分割模块20还用于：
从所述地面趋势图所在的地平面中确定多个的地面趋势检测线；
对于任意一个地面趋势检测线，基于所述地面趋势检测线在所述地面趋势图中映射的各位置点的高度差进行拟合得到地面波动线，其中，任意一个位置点的高度差为所述位置点与所述位置点的相邻位置点之间的高度之差确定；
将所述地面波动线上波动趋势发生变化的位置作为地面断点；
对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线，其中，所述相似断点特征为两个地面断点之间的断点特征之差小于预设阈值；
基于所述划分线对所述地面趋势图进行分割得到所述待识别区域。
可选地，分割模块20还用于：
若所述地面波动线上不存在地面断点，则判断当前地面趋势检测线的数量是否达到预设数量阈值；
若当前地面趋势检测线的数量未达到预设数量阈值，则基于所述中心位置在所述地平面上旋转预设角度得到新的地面趋势检测线；
若当前地面趋势检测线的数量达到预设数量阈值且各地面趋势检测线上均不存在地面断点，则将所述地面趋势图作为一个待识别区域。
可选地，分割模块20还用于：
对于任意一个地面断点，确定所述地面断点在对应地面波动线两侧的局部波动线，其中，所述局部波动线上不存在地面断点；
将所述两侧的局部波动线之间的波动趋势差作为所述地面断点的断点特征。
可选地，所述区域特征包括第一区域特征和第二区域特征，所述分类模块30还用于：
对于任意一个待识别区域，从所述待识别区域提取所述待识别区域的第一区域特征，从所述待识别区域的相邻区域提取所述待识别区域的第二区域特征，其中，所述第一区域特征包括所述待识别区域的地面波动特征、所述待识别区域的颜色特征以及所述待识别区域的纹理特征，所述第二区域特征包括所述相邻区域的地面波动特征、所述相邻区域的颜色特征以及所述相邻区域的纹理特征；
将所述第一区域特征和所述第二区域特征输入至所述预设分类模型，得到所述待识别区域的分类结果。
可选地，所述草坪边界的识别装置100还包括训练模块50，所述训练模块50用于：
对于所述预设分类模型的图像训练样本集中的任意一训练样本，将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果；
将所述分类预测结果与所述训练样本的标签进行比对，得到所述分类预测结果与所述标签之间的差异；
判断所述差异是否达到预设收敛标准，若未达到预设收敛标准，则基于所述差异对所述预设分类模型中的模型参数进行更新；
基于新的训练样本返回执行所述将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果的步骤。
可选地，所述生成模块10还用于：
基于所述待识别图像中的深度信息生成所述待识别图像中各位置点的高度信息；
基于各所述位置点的高度信息进行曲面拟合，得到所述待识别图像对应区域的地面趋势图。
本申请提供的草坪边界的识别装置，采用上述实施例中的草坪边界的识别方法，旨在解决传统草坪边界识别方案实现过程较为繁琐的技术问题。与现有技术相比，本申请实施例提供的草坪边界的识别装置的有益效果与上述实施例提供的草坪边界的识别方法的有益效果相同，且该草坪边界的识别装置中的其他技术特征与上述实施例方法公开的特征相同，在此不做赘述。
此外，为实现上述目的，本申请还提供一种草坪边界的识别设备，所述草坪边界的识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的草坪边界的识别程序，所述草坪边界的识别程序被所述处理器执行时实现如上述的草坪边界的识别方法的步骤。
本申请设备的具体实施方式与上述草坪边界的识别方法各实施例基本相同，在此不再赘述。
此外，为实现上述目的，本申请还提供一种存储介质，所述存储介质上存储有草坪边界的识别程序，所述草坪边界的识别程序被处理器执行时实现如上述的草坪边界的识别方法的步骤。
本申请存储介质具体实施方式与上述草坪边界的识别方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本申请各个实施例所述的方法。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种草坪边界的识别方法，其特征在于，所述草坪边界的识别方法包括：
基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图；
基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域；
将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，所述分类结果为草坪区域或非草坪区域；
将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。
2.如权利要求1所述的草坪边界的识别方法，其特征在于，所述基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域的步骤包括：
从所述地面趋势图所在的地平面中确定多个的地面趋势检测线；
对于任意一个地面趋势检测线，基于所述地面趋势检测线在所述地面趋势图中映射的各位置点的高度差进行拟合得到地面波动线，其中，任意一个位置点的高度差为所述位置点与所述位置点的相邻位置点之间的高度之差确定；
将所述地面波动线上波动趋势发生变化的位置作为地面断点；
对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线，其中，所述相似断点特征为两个地面断点之间的断点特征之差小于预设阈值；
基于所述划分线对所述地面趋势图进行分割得到所述待识别区域。
3.如权利要求2所述的草坪边界的识别方法，其特征在于，所述地面趋势检测线横穿所述地面趋势图的中心位置，在所述基于所述地面趋势检测线在所述地面趋势图中映射的各位置点的高度差进行拟合得到地面波动线的步骤之后，所述方法还包括：
若所述地面波动线上不存在地面断点，则判断当前地面趋势检测线的数量是否达到预设数量阈值；
若当前地面趋势检测线的数量未达到预设数量阈值，则基于所述中心位置在所述地平面上旋转预设角度得到新的地面趋势检测线；
若当前地面趋势检测线的数量达到预设数量阈值且各地面趋势检测线上均不存在地面断点，则将所述地面趋势图作为一个待识别区域。
4.如权利要求3所述的草坪边界的识别方法，其特征在于，在所述对各具有相同断点特征或相似断点特征的地面断点进行拟合得到划分线的步骤之前，所述方法包括：
对于任意一个地面断点，确定所述地面断点在对应地面波动线两侧的局部波动线，其中，所述局部波动线上不存在地面断点；
将所述两侧的局部波动线之间的波动趋势差作为所述地面断点的断点特征。
5.如权利要求1所述的草坪边界的识别方法，其特征在于，所述区域特征包括第一区域特征和第二区域特征，所述将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果的步骤包括：
对于任意一个待识别区域，从所述待识别区域提取所述待识别区域的第一区域特征，从所述待识别区域的相邻区域提取所述待识别区域的第二区域特征，其中，所述第一区域特征包括所述待识别区域的地面波动特征、所述待识别区域的颜色特征以及所述待识别区域的纹理特征，所述第二区域特征包括所述相邻区域的地面波动特征、所述相邻区域的颜色特征以及所述相邻区域的纹理特征；
将所述第一区域特征和所述第二区域特征输入至所述预设分类模型，得到所述待识别区域的分类结果。
6.如权利要求1所述的草坪边界的识别方法，其特征在于，在所述将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果的步骤之前，所述方法包括：
对于所述预设分类模型的图像训练样本集中的任意一训练样本，将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果；
将所述分类预测结果与所述训练样本的标签进行比对，得到所述分类预测结果与所述标签之间的差异；
判断所述差异是否达到预设收敛标准，若未达到预设收敛标准，则基于所述差异对所述预设分类模型中的模型参数进行更新；
基于新的训练样本返回执行所述将所述训练样本输入至所述预设分类模型得到所述训练样本的分类预测结果的步骤。
7.如权利要求1所述的草坪边界的识别方法，其特征在于，所述基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图的步骤包括：
基于所述待识别图像中的深度信息生成所述待识别图像中各位置点的高度信息；
基于各所述位置点的高度信息进行曲面拟合，得到所述待识别图像对应区域的地面趋势图。
8.一种草坪边界的识别装置，其特征在于，所述草坪边界的识别装置包括：
生成模块，用于基于待识别图像中的深度信息生成所述待识别图像对应区域的地面趋势图；
分割模块，用于基于地面趋势的连续性对所述地面趋势图进行分割得到待识别区域；
分类模块，用于将待识别区域的区域特征输入预设分类模型得到各待识别区域的分类结果，其中，所述分类结果为草坪区域或非草坪区域；
识别模块，用于将分类结果中草坪区域和非草坪区域之间的分界线作为草坪边界。
9.一种草坪边界的识别设备，其特征在于，所述草坪边界的识别设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的草坪边界的识别程序，所述草坪边界的识别程序被所述处理器执行时实现如权利要求1至7中任一项所述的草坪边界的识别方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有草坪边界的识别程序，所述草坪边界的识别程序被处理器执行时实现如权利要求1至7中任一项所述的草坪边界的识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311373015.8A CN117115774B (zh) | 2023-10-23 | 2023-10-23 | 草坪边界的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311373015.8A CN117115774B (zh) | 2023-10-23 | 2023-10-23 | 草坪边界的识别方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117115774A true CN117115774A (zh) | 2023-11-24 |
| CN117115774B CN117115774B (zh) | 2024-03-15 |
Family
ID=88813191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311373015.8A Active CN117115774B (zh) | 2023-10-23 | 2023-10-23 | 草坪边界的识别方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117115774B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117516513A (zh) * | 2024-01-08 | 2024-02-06 | 锐驰激光(深圳)有限公司 | 智能割草机路径规划方法、装置、设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107243148A (zh) * | 2017-07-27 | 2017-10-13 | 深识全球创新科技（深圳）有限公司 | 一种基于增强现实的高尔夫推杆辅助训练方法及系统 |
| CN109859158A (zh) * | 2018-11-27 | 2019-06-07 | 邦鼓思电子科技（上海）有限公司 | 一种基于视觉的工作区域边界的检测系统、方法及机器设备 |
| CN110399840A (zh) * | 2019-05-22 | 2019-11-01 | 西南科技大学 | 一种快速的草坪语义分割及边界检测方法 |
| WO2020215565A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技（深圳）有限公司 | 手部图像的分割方法、装置及计算机设备 |
| CN113627248A (zh) * | 2021-07-05 | 2021-11-09 | 深圳拓邦股份有限公司 | 自动选择识别模型的方法、系统、割草机及存储介质 |
| WO2022099511A1 (zh) * | 2020-11-11 | 2022-05-19 | 深圳元戎启行科技有限公司 | 基于点云数据的地面分割方法、装置和计算机设备 |
-
2023
- 2023-10-23 CN CN202311373015.8A patent/CN117115774B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107243148A (zh) * | 2017-07-27 | 2017-10-13 | 深识全球创新科技（深圳）有限公司 | 一种基于增强现实的高尔夫推杆辅助训练方法及系统 |
| CN109859158A (zh) * | 2018-11-27 | 2019-06-07 | 邦鼓思电子科技（上海）有限公司 | 一种基于视觉的工作区域边界的检测系统、方法及机器设备 |
| WO2020215565A1 (zh) * | 2019-04-26 | 2020-10-29 | 平安科技（深圳）有限公司 | 手部图像的分割方法、装置及计算机设备 |
| CN110399840A (zh) * | 2019-05-22 | 2019-11-01 | 西南科技大学 | 一种快速的草坪语义分割及边界检测方法 |
| WO2022099511A1 (zh) * | 2020-11-11 | 2022-05-19 | 深圳元戎启行科技有限公司 | 基于点云数据的地面分割方法、装置和计算机设备 |
| CN113627248A (zh) * | 2021-07-05 | 2021-11-09 | 深圳拓邦股份有限公司 | 自动选择识别模型的方法、系统、割草机及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 钟智超 等: "基于Hopfield网络的建筑物航测路径自动规划方法", 北京测绘, vol. 36, no. 9, pages 1132 - 1138 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117516513A (zh) * | 2024-01-08 | 2024-02-06 | 锐驰激光(深圳)有限公司 | 智能割草机路径规划方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117115774B (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108052624B (zh) | 点云数据处理方法、装置及计算机可读存储介质 | |
| WO2021051601A1 (zh) | 利用Mask R-CNN选择检测框的方法及系统、电子装置及存储介质 | |
| CN110232713B (zh) | 一种图像目标定位修正方法及相关设备 | |
| CN111507324B (zh) | 卡片边框识别方法、装置、设备和计算机存储介质 | |
| CN106874906B (zh) | 一种图片的二值化方法、装置及终端 | |
| CN117115774B (zh) | 草坪边界的识别方法、装置、设备及存储介质 | |
| CN105046254A (zh) | 字符识别方法及装置 | |
| EA004910B1 (ru) | Способ и устройство для определения областей, представляющих интерес, в изображениях и для передачи изображения | |
| CN110414649B (zh) | Dm码的定位方法、装置、终端及存储介质 | |
| CN107977658B (zh) | 图像文字区域的识别方法、电视机和可读存储介质 | |
| CN110910445B (zh) | 一种物件尺寸检测方法、装置、检测设备及存储介质 | |
| CN111553302B (zh) | 关键帧选取方法、装置、设备及计算机可读存储介质 | |
| CN111080665B (zh) | 图像边框识别方法、装置、设备和计算机存储介质 | |
| CN109313705B (zh) | 指纹识别方法、装置、设备及存储介质 | |
| CN109523015B (zh) | 一种神经网络中图像处理方法 | |
| CN115841575A (zh) | 关键点检测方法、装置、电子设备、存储介质和程序产品 | |
| CN112329889B (zh) | 图像处理方法、装置以及电子设备 | |
| CN112950590B (zh) | 地形图像适配性分析方法、设备及可读存储介质 | |
| CN111723614A (zh) | 交通信号灯识别方法及装置 | |
| CN113205067B (zh) | 作业人员监控方法、装置、电子设备和存储介质 | |
| CN111178362B (zh) | 文本图像处理方法、装置、设备和存储介质 | |
| CN114511862A (zh) | 表格识别方法、装置及电子设备 | |
| CN115908532A (zh) | 线宽识别方法、装置、介质及电子装置 | |
| CN113673362A (zh) | 对象的运动状态确定方法、装置、计算机设备和存储介质 | |
| CN111062309A (zh) | 一种雨天交通标志检测方法、存储介质及系统 |
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 |