CN117315493B - 一种田间杂草的识别分辨方法、装置、设备及介质 - Google Patents
一种田间杂草的识别分辨方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117315493B CN117315493B CN202311606824.9A CN202311606824A CN117315493B CN 117315493 B CN117315493 B CN 117315493B CN 202311606824 A CN202311606824 A CN 202311606824A CN 117315493 B CN117315493 B CN 117315493B
- Authority
- CN
- China
- Prior art keywords
- binary image
- image
- operation result
- current
- threshold value
- 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
- 241000196324 Embryophyta Species 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 50
- 235000011036 Rubus leucodermis Nutrition 0.000 claims description 30
- 235000003942 Rubus occidentalis Nutrition 0.000 claims description 30
- 244000181917 Rubus leucodermis Species 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 16
- 238000011282 treatment Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 14
- 230000003044 adaptive effect Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010187 selection method Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000000750 progressive effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002363 herbicidal effect Effects 0.000 description 3
- 239000004009 herbicide Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 244000111388 Rubus occidentalis Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008029 eradication Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- 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
-
- 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
- G06V10/52—Scale-space analysis, e.g. wavelet analysis
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种田间杂草的识别分辨方法、装置、设备及介质。该方法包括：将样本田间图像进行初始化预处理，得到初始二值图；对所述初始二值图进行多尺度的迭代开闭运算，直至满足迭代停止条件，得到特征二值图；对所述特征二值图进行滤波，并获取滤波后的特征二值图中的植物特征和各植物特征的训练标签；所述训练标签为杂草标签或作物标签；根据所述植物特征和各植物特征的训练标签对SVM向量机进行训练，得到杂草识别分辨模型；根据所述杂草识别分辨模型对实拍田间图像中的杂草进行分辨识别。本发明实施例可以提高对田间杂草的识别分辨准确率。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种田间杂草的识别分辨方法、装置、设备及介质。
背景技术
田间的杂草通过争夺阳光、水和养分来阻碍作物生长，对环境、作物产量和质量构成威胁。控制杂草的一大挑战是以最少的除草剂使用量获得最佳的根除效果，从而降低杂草管理的成本。
在田间中向被选定的杂草精准喷洒除草剂，被认为是降低除草剂使用量一种有效方法。然而，由于设备资源的局限性和异构性，现有基于田间图像的目标识别和检测技术仍面临许多挑战，存在以下问题：
一方面是杂草和作物形态上相似，在形态特征上分辨两者比较困难；另一方面由于田间图像实际上是在受限环境中捕获的，背景复杂，杂草和作物之间存在重叠和覆盖，进一步加大了两者的分辨难度。
发明内容
本发明提供了一种田间杂草的识别分辨方法、装置、设备及介质，以提高对田间杂草的识别分辨准确率。
根据本发明的一方面，提供了一种田间杂草的识别分辨方法，包括：
将样本田间图像进行初始化预处理，得到初始二值图；
对所述初始二值图进行多尺度的迭代开闭运算，直至满足迭代停止条件，得到特征二值图；
对所述特征二值图进行滤波，并获取滤波后的特征二值图中的植物特征和各植物特征的训练标签；所述训练标签为杂草标签或作物标签；
根据所述植物特征和各植物特征的训练标签对SVM向量机进行训练，得到杂草识别分辨模型；
根据所述杂草识别分辨模型对实拍田间图像中的杂草进行分辨识别。
根据本发明的另一方面，提供了一种田间杂草的识别分辨装置，包括：
初始化模块，用于将样本田间图像进行初始化预处理，得到初始二值图；
开闭运算模块，用于对所述初始二值图进行多尺度的迭代开闭运算，直至满足迭代停止条件，得到特征二值图；
特征提取模块，用于对所述特征二值图进行滤波，并获取滤波后的特征二值图中的植物特征和各植物特征的训练标签；所述训练标签为杂草标签或作物标签；
模型训练模块，用于根据所述植物特征和各植物特征的训练标签对SVM向量机进行训练，得到杂草识别分辨模型；
模型使用模块，用于根据所述杂草识别分辨模型对实拍田间图像中的杂草进行分辨识别。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；
以及，与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的田间杂草的识别分辨方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的田间杂草的识别分辨方法。
本发明实施例通过对图像进行有条件的开闭运算迭代处理，更好地捕捉图像中的细微特征，提高图像质量和图像中特征的可见性，并结合多尺度操作，进一步提高凸显图像中作物特征和杂草特征的不同之处，降低对图像中杂草和作物的分辨难度，最终提高对田间杂草的识别分辨准确率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
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的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明一实施例提供的一种田间杂草的识别分辨方法的流程图；
图2是根据本发明又一实施例提供的一种田间杂草的识别分辨方法的流程图；
图3是根据本发明又一实施例提供的一种田间杂草的识别分辨装置的结构示意图；
图4是实现本发明实施例的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明一实施例提供的一种田间杂草的识别分辨方法的流程图，本实施例可适用于根据田间图像对田间中的杂草进行识别，以便对杂草进行精准农药喷洒的情况，该方法可以由田间杂草的识别分辨装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于局具备相应数据处理能力的电子设备中。如图1所示，该方法包括：
S110、将样本田间图像进行初始化预处理，得到初始二值图。
其中，样本田间图像通过相机对田间进行拍摄得到，样本田间图像中含有田间植物部分和非植物部分，植物部分包括作物部分和杂草部分，植物部分之外的即为非植物部分，例如田间裸露的土地。
具体的，采集杂草和作物共生的田间的图像，作为样本田间图像。对样本图像进行二值化处理，得到样本田间图像的二值化图像，作为初始二值图。
S120、对所述初始二值图进行多尺度的迭代开闭运算，直至满足迭代停止条件，得到特征二值图。
其中，多尺度操作是在不同尺度下对图像进行处理的一种方法，用于捕获图像中不同尺度的特征和结构。传统的多尺度操作使用不同尺寸的结构元素进行处理，以捕获不同尺度的特征。改进的方法之一是在不同尺度下使用不同形状的结构元素，并形成递进的尺寸进行多次处理，这样可以更好地适应图像中的不同结构，并提高多尺度操作的适应性。与传统的多尺度操作相比，本发明改进的多尺度操作在以下几个方面有所不同：
结构元素的变化：传统的多尺度操作使用不同尺寸的结构元素，即固定形状和不同尺寸的窗口，在图像上进行处理。而改进的方法则在不同尺度下使用不同形状的结构元素，意味着除了尺寸，结构元素的形状也会随着尺度的变化而变化。
递进的尺寸处理：改进的多尺寸操作采用递进的尺寸处理，这意味着在每个尺度下都进行一系列的处理，而不仅仅是使用不同尺寸的固定结构元素。这种递进的处理能够更好地适应图像中的不同结构，并增强多尺度操作的适应性。
分析图像细节的过程：改进的方法描述了从大尺寸到小尺寸进行图像处理的逐步分析过程。这与传统的多尺度操作相比，更强调了从全局到局部、从粗糙到细致的图像细节分析过程。
综合不同尺度信息：由于改进方法使用了不同形状和递进的尺寸处理，它能够更好地捕获图像中不同尺度的特征。传统方法可能因为固定结构元素的限制而难以完全捕获多尺度特征。
具体的，传统的开闭运算只进行一次腐蚀和膨胀操作，因而只考虑单次操作的影响。本发明多次迭代的条件开闭运算引入了条件判断，决定是否继续进行下一次迭代。这个条件可以是迭代次数、运算结果变化情况等。而且，多次迭代的条件开闭运算可能会产生更加细化的处理结果，因为它可以在多次操作中逐步改变图像形态，更好地适应图像的特点，便于后续对图像中的杂草和作物进行区分。多次迭代的条件开闭运算在图像处理中的创新点主要体现在对迭代停止条件的使用以及多次迭代对图像细节的逐步调整。
S130、对所述特征二值图进行滤波，并获取滤波后的特征二值图中的植物特征和各植物特征的训练标签；所述训练标签为杂草标签或作物标签。
S140、根据所述植物特征和各植物特征的训练标签对SVM向量机进行训练，得到杂草识别分辨模型。
S150、根据所述杂草识别分辨模型对实拍田间图像中的杂草进行分辨识别。
具体的，设定一个3×3的滤波核，作用是加强中心像素并保留周围特征，并通过该滤波核对特征二值图进行滤波。由于样本田间图像在进行图像处理前，已通过人工等方式标记了图像中各植物所在区域，以及每个植物是作物还是杂草，作为其训练标签。从滤波后的特征二值图提取图像中的植物特征以及各植物特征的训练标签，通过这两者对SVM向量机进行训练，直至训练得到的SVM向量机能相对准确地学习到作物和杂草的区别，并可以识别分辨出大量作物中夹藏着的杂草。将其作为杂草识别分辨模型，对实拍田间图像中的杂草进行识别分辨。
需要说明的是，为了提高杂草识别分辨模型对实拍田间图像中杂草的识别分辨效果，可以对实拍田间图像也进行相同的预处理、迭代开闭运算和滤波流程后，再由杂草识别分辨模型进行进一步的处理，以提高杂草识别分辨模型的识别分辨效果。预处理、迭代开闭运算和滤波的具体流程可参考本发明的其他实施例，此处不再过多赘述。
本发明实施例通过对图像进行有条件的开闭运算迭代处理，更好地捕捉图像中的细微特征，提高图像质量和图像中特征的可见性，并结合多尺度操作，进一步提高凸显图像中作物特征和杂草特征的不同之处，降低对图像中杂草和作物的分辨难度，最终提高对田间杂草的识别分辨准确率。
图2为本发明又一实施例提供的一种田间杂草的识别分辨方法的流程图，本实施例在上述实施例的基础上进行了优化改进。如图2所示，该方法包括：
S210、确定样本田间图像中的植物图像部分和非植物图像部分；将所述样本田间图像中的非植物图像进行遮盖处理，并对遮盖处理后的样本田间图像做二值化处理，得到初始二值图。
具体的，分辨图像中的杂草和作物比较困难，因为两者具有相似的植物形态特征。但分辨出图像中的植物和非植物还是较为简单的。因此，可通过植物和非植物在灰度特征的上的区别，分辨图像中的植物部分和非植物部分，并通过掩码（mask）对非植物图像进行遮盖处理，避免非植物区域影响后续对植物部分中杂草和作物的区分识别。
S220、将基于多尺寸串联和多阈值选择所生成的融合二值图像作为结构元素；
S230、根据所述结构元素对所述初始二值图先后进行开闭运算，得到当前迭代开闭运算周期的当前闭运算结果、当前顶帽运算结果、当前底帽运算结果、当前黑帽运算结果；
S240、若所述当前顶帽运算结果、当前底帽运算结果和当前黑帽运算结果不满足迭代终止条件，则将所述当前闭运算结果作为新的初始二值图，并返回执行根据所述结构元素对所述初始二值图先后进行开闭运算；
S250、若所述当前顶帽运算结果、当前底帽运算结果和当前黑帽运算结果满足迭代终止条件，则将所述当前闭运算结果确定为特征二值图。
其中， 顶帽运算是原始图像（迭代循环中为本循环周期的初始二值图）与图像开运算结果之间的差异。它有助于检测出图像中的小亮区域。顶帽运算结果 = 原始图像 -开运算结果。底帽运算是图像闭运算结果与原始图像之间的差异。它有助于检测出图像中的小暗区域。底帽运算结果 = 闭运算结果 - 原始图像黑帽运算。黑帽运算是图像闭运算后再进行开运算，与原始图像之间的差异。它有助于检测出图像中的暗边缘。黑帽运算结果= 闭运算结果 - 原始图像。
具体的，每次循环开闭运算的具体步骤如下：
从初始二值图I开始，重复执行以下步骤：
选择结构元素：将通过一系列多尺寸串联和阈值选择所生成的融合二值图像作为结构元素K。
进行开运算：使用结构元素K对初始二值图I进行开运算，得到开运算结果。
进行闭运算：使用相同的结构元素K对上一步得到的开运算结果进行闭运算，得到闭运算结果。
本次循环开闭运算结束。
在每次迭代后，判断当前本次迭代满足特定的迭代终止条件。迭代终止条件可以通过当前周期的当前顶帽运算结果、当前底帽运算结果和当前黑帽运算来判定。
如果满足了终止条件，则终止迭代，即停止进一步的开闭运算操作。否则，继续下一轮迭代。
迭代终止时，将得到的当前闭运算结果作为特征二值图。
多次迭代的条件开闭运算在每次迭代中对图像进行开闭运算，并且将操作结果与上一次迭代结果进行比较。这使得每次迭代都可以微调图像的细节特征，从而逐步优化图像质量。由于多次迭代，每次迭代都对图像进行开闭运算，从而在多次操作中逐步调整图像的细节特征。这种迭代过程能够更好地捕捉图像中的细微特征，提高图像质量和特征的可见性。通过多次迭代，不同尺度和特征的信息可以在图像中得到更全面的提取。这对于特征分析、目标检测等任务具有积极影响。
可选的，所述迭代终止条件包括：
所述当前顶帽运算结果与上一迭代开闭运算周期中的上一闭运算结果的差值小于自适应顶帽阈值；
所述当前底帽运算结果与上一迭代开闭运算周期中的上一闭运算结果的差值小于自适应底帽阈值；
所述当前黑帽运算结果与上一迭代开闭运算周期中的上一闭运算结果的差值小于自适应黑帽阈值。
其中，迭代终止条件为自适应调整的自适应条件，使得停止条件更加灵活，不再依赖于固定的迭代次数，而是根据实际处理效果进行自适应判断。
具体的，如果在连续迭代中，当前周期中的当前顶帽、底帽和黑帽运算结果与上一周期迭代结果（上一闭运算结果）之间的差异分别小于相应的自适应顶帽阈值、自适应底帽阈值和自适应黑帽阈值，那么认为图像的变化已经足够小，即图像的特定特征已经达到了预期，可以判断运算已经收敛，可以停止迭代。传统的停止条件通常更广泛地考虑目标函数值或整体参数变化，适用于各种类型的优化和迭代问题。相比之下，本发明所描述的停止条件设定了自适应阈值与变化程度之间的相对大小来作为迭代终止的条件，更具特定性，更适用于形态学操作等对图像进行细微调整的情况。综合起来，终止条件实际上是在关注图像中的细节、亮暗区域等特征的变化情况。当这些变化达到了一个阈值以下，可以认为图像已经足够接近目标，可以停止运算。
可选的，在当前迭代开闭运算周期中：
所述自适应顶帽阈值通过当前顶帽运算结果和预设的阈值调整幅度确定；
所述自适应底帽阈值通过当前底帽运算结果和预设的阈值调整幅度确定；
所述自适应黑帽阈值通过当前黑帽运算结果和预设的阈值调整幅度确定。
具体的，顶帽自适应阈值
。
自适应底帽阈值
。
自适应黑帽阈值
。
其中，表示当前周期的自适应顶帽阈值，/>表示当前周期的自适应底帽阈值，/>表示当前周期的自适应黑帽阈值，tophat_image表示当前顶帽运算结果，bottomhat_image表示当前底帽运算结果，表示当前黑帽运算结果,Mean为图像像素的均值，k表示预设的阈值调整，可以设置为0.5；StdDev表示图像的标准差。
可选的，所述将基于多尺寸串联和阈值选择所生成的融合二值图像作为结构元素之前还包括：
选择均值阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到均值二值图像；
选择高斯阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到高斯二值图像；
选择方差阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到方差二值图像；
将所述均值二值图像、高斯二值图像和方差二值图像进行融合，得到融合二值图像。
具体的，采用多阈值选择方法并行计算二值图像阈值，计算窗口内所有像素的相应值，然后将窗口内的像素与阈值进行比较。如果像素值大于阈值，则设为前景值（白色），否则设为背景值（黑色），分别设置为1和0。采用多阈值选择方法并行计算二值图像阈值与传统方法的区别主要在于如何确定阈值以及在计算过程中的并行性。对此，本发明分别以均值阈值、高斯阈值，方差阈值作为二值化处理中的阈值计算方式，对样本田间图像的灰度图进行三种不同维度的多尺度二值化处理，得到均值二值图像、高斯二值图像和方差二值图像。对这三种图像进行融合，融合得到的融合二值图像即为后续开闭运算中的结构元素。
并行计算优势：多阈值选择方法可以同时计算多个阈值，从而在计算过程中实现并行性，提高处理速度，传统方法通常只有一个阈值，计算时难以充分利用并行计算。
局部适应性：同时，多阈值选择方法可以根据图像局部特征来选择不同的阈值，因此对于不同区域的图像能够更好地适应，而传统方法在不同区域可能表现不佳。
特定任务优化：通过调整不同阈值来针对性地突出或去除特定目标或特征，多阈值选择方法可以针对不同的图像处理任务进行优化，而传统方法通常只能使用单一全局阈值。
综上，多阈值选择方法允许选择多个阈值，从而更灵活地处理图像的不同特性。这可以提高对不同目标、特征或背景的准确处理能力。
示例性的，不同阈值类型的阈值计算方法如下：
（1）均值阈值：使用局部像素的平均值来计算阈值，得到局部阈值T(x,y)，将图像中的像素值与局部阈值T(x,y)进行比较。
。
其中，N×N：邻域的大小包含N×N个像素；pixel value at(x+i, y+j)：表示位于图像位置(x+i, y+j)处的像素值。
（2）高斯阈值：基于邻域像素的加权平均值。
。
加权系数：weight=1;Constant：0.8。
邻域像素的均值：
。
邻域像素的标准差：。
（3）方差阈值：基于邻域像素的方差来选择阈值的方法。
。
K：可调参数，取1。
示例性的，多尺度二值化处理的流程如下：
（1）从大尺寸生成二值化图像（5x5窗口）：选择窗口尺寸为 n1 x n1的结构元素，其中 n1 = 5；使用这个较大的窗口在样本田间图像的灰度图上滑动，位置为（x,y），并在每个窗口内计算像素的平均灰度值M（x,y）；将窗口内各点的像素值与阈值T进行比较，生成二值化图像B（x,y）。
。
。
（2）逐步减小尺寸并再次二值化（4x4窗口）：将已生成的二值化图像B（x,y）作为新的输入图像，选择新的窗口尺寸为 n2 x n2，其中 n2 = 4；在二值化图像B上滑动窗口，位置为 (x, y)；计算窗口内的像素占比 P(x, y)：再次设定阈值T2，将窗口内的像素占比与阈值比较，生成新的二值化图像 B2(x, y)：
。
（3）逐渐减小窗口的尺寸（3x3窗口）：重复上述步骤（2），使用减小的尺寸的窗口，在输入二值化图像B2(x, y)上滑动，选择窗口尺寸为 n3 x n3，其中 n3 = 3，计算窗口内的像素占比 P2(x, y)，并在每个窗口内进行阈值操作T3，得到一个新的二值化图像B3(x,y)。
若上述过程中用到的阈值T是高斯阈值，则最终得到的图像B3即为均值二值图像；若上述过程中用到的阈值T是均值阈值，则最终得到的图像B3即为均值二值图像；若上述过程中用到的阈值T是方差阈值，则最终得到的图像B3即为均值方差图像。
S260、对所述特征二值图进行滤波，并获取滤波后的特征二值图中的植物特征和各植物特征的训练标签；所述训练标签为杂草标签或作物标签；
S270、根据所述植物特征和各植物特征的训练标签对SVM向量机进行训练，得到杂草识别分辨模型；根据所述杂草识别分辨模型对实拍田间图像中的杂草进行分辨识别。
本发明实施例通过使用多阈值选择方法允许选择多个阈值，从而更灵活地处理图像的不同特性。这可以提高对不同目标、特征或背景的准确处理能力。
图3为本发明又一实施例提供的一种田间杂草的识别分辨装置的结构示意图。如图3所示，该装置包括：
初始化模块310，用于将样本田间图像进行初始化预处理，得到初始二值图；
开闭运算模块320，用于对所述初始二值图进行多尺度的迭代开闭运算，直至满足迭代停止条件，得到特征二值图；
特征提取模块330，用于对所述特征二值图进行滤波，并获取滤波后的特征二值图中的植物特征和各植物特征的训练标签；所述训练标签为杂草标签或作物标签；
模型训练模块340，用于根据所述植物特征和各植物特征的训练标签对SVM向量机进行训练，得到杂草识别分辨模型；
模型使用模块350，用于根据所述杂草识别分辨模型对实拍田间图像中的杂草进行分辨识别。
本发明实施例所提供的田间杂草的识别分辨装置可执行本发明任意实施例所提供的田间杂草的识别分辨方法，具备执行方法相应的功能模块和有益效果。
可选的，所述开闭运算模块320包括：
结构元素确定单元，用于将基于多尺寸串联和多阈值选择所生成的融合二值图像作为结构元素；
迭代运算单元，用于根据所述结构元素对所述初始二值图先后进行开闭运算，得到当前迭代开闭运算周期的当前闭运算结果、当前顶帽运算结果、当前底帽运算结果、当前黑帽运算结果；
迭代继续单元，用于若所述当前顶帽运算结果、当前底帽运算结果和当前黑帽运算结果不满足迭代终止条件，则将所述当前闭运算结果作为新的初始二值图，并返回执行根据所述结构元素对所述初始二值图先后进行开闭运算；
迭代终止单元，用于若所述当前顶帽运算结果、当前底帽运算结果和当前黑帽运算结果满足迭代终止条件，则将所述当前闭运算结果确定为特征二值图。
可选的，所述迭代终止条件包括：
所述当前顶帽运算结果与上一迭代开闭运算周期中的上一闭运算结果的差值小于自适应顶帽阈值；
所述当前底帽运算结果与上一迭代开闭运算周期中的上一闭运算结果的差值小于自适应底帽阈值；
所述当前黑帽运算结果与上一迭代开闭运算周期中的上一闭运算结果的差值小于自适应黑帽阈值。
可选的，在当前迭代开闭运算周期中：
所述自适应顶帽阈值通过当前顶帽运算结果和预设的阈值调整幅度确定；
所述自适应底帽阈值通过当前底帽运算结果和预设的阈值调整幅度确定；
所述自适应黑帽阈值通过当前黑帽运算结果和预设的阈值调整幅度确定。
可选的，所述装置还包括：
均值阈值使用模块，用于选择均值阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到均值二值图像；
高斯阈值使用模块，用于选择高斯阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到高斯二值图像；
方差阈值使用模块，用于选择方差阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到方差二值图像；
图像融合单元，用于将所述均值二值图像、高斯二值图像和方差二值图像进行融合，得到融合二值图像。
可选的，所述初始化模块310包括：
图像区域区分单元，用于确定样本田间图像中的植物图像部分和非植物图像部分；
图像区域遮盖单元，用于将所述样本田间图像中的非植物图像进行遮盖处理，并对遮盖处理后的样本田间图像做二值化处理，得到初始二值图。
进一步说明的田间杂草的识别分辨装置也可执行本发明任意实施例所提供的田间杂草的识别分辨方法，具备执行方法相应的功能模块和有益效果。
图4示出了可以用来实施本发明的实施例的电子设备40的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备40包括至少一个处理器41，以及与至少一个处理器41通信连接的存储器，如只读存储器（ROM）42、随机访问存储器（RAM）43等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器41可以根据存储在只读存储器（ROM）42中的计算机程序或者从存储单元48加载到随机访问存储器（RAM）43中的计算机程序，来执行各种适当的动作和处理。在RAM 43中，还可存储电子设备40操作所需的各种程序和数据。处理器41、ROM 42以及RAM 43通过总线44彼此相连。输入/输出（I/O）接口45也连接至总线44。
电子设备40中的多个部件连接至I/O接口45，包括：输入单元46，例如键盘、鼠标等；输出单元47，例如各种类型的显示器、扬声器等；存储单元48，例如磁盘、光盘等；以及通信单元49，例如网卡、调制解调器、无线通信收发机等。通信单元49允许电子设备40通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器41可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器41的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器41执行上文所描述的各个方法和处理，例如田间杂草的识别分辨方法。
在一些实施例中，田间杂草的识别分辨可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元48。在一些实施例中，计算机程序的部分或者全部可以经由ROM 42和/或通信单元49而被载入和/或安装到电子设备40上。当计算机程序加载到RAM 43并由处理器41执行时，可以执行上文描述的田间杂草的识别分辨的一个或多个步骤。备选地，在其他实施例中，处理器41可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行田间杂草的识别分辨。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (7)
1.一种田间杂草的识别分辨方法，其特征在于，所述方法包括：
将样本田间图像进行初始化预处理，得到初始二值图；
对所述初始二值图进行多尺度的迭代开闭运算，直至满足迭代停止条件，得到特征二值图；
对所述特征二值图进行滤波，并获取滤波后的特征二值图中的植物特征和各植物特征的训练标签；所述训练标签为杂草标签或作物标签；
根据所述植物特征和各植物特征的训练标签对SVM向量机进行训练，得到杂草识别分辨模型；
根据所述杂草识别分辨模型对实拍田间图像中的杂草进行分辨识别；
其中，所述对所述初始二值图进行多尺度的迭代开闭运算，直至满足迭代停止条件，得到特征二值图包括：
将基于多尺寸串联和多阈值选择所生成的融合二值图像作为结构元素；
根据所述结构元素对所述初始二值图先后进行开闭运算，得到当前迭代开闭运算周期的当前闭运算结果、当前顶帽运算结果、当前底帽运算结果、当前黑帽运算结果；
若所述当前顶帽运算结果、当前底帽运算结果和当前黑帽运算结果不满足迭代终止条件，则将所述当前闭运算结果作为新的初始二值图，并返回执行根据所述结构元素对所述初始二值图先后进行开闭运算；
若所述当前顶帽运算结果、当前底帽运算结果和当前黑帽运算结果满足迭代终止条件，则将所述当前闭运算结果确定为特征二值图；
其中，所述将基于多尺寸串联和阈值选择所生成的融合二值图像作为结构元素之前还包括：
选择均值阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到均值二值图像；
选择高斯阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到高斯二值图像；
选择方差阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到方差二值图像；
将所述均值二值图像、高斯二值图像和方差二值图像进行融合，得到融合二值图像。
2.根据权利要求1所述的方法，其特征在于，所述迭代终止条件包括：
所述当前顶帽运算结果与上一迭代开闭运算周期中的上一闭运算结果的差值小于自适应顶帽阈值；
所述当前底帽运算结果与上一迭代开闭运算周期中的上一闭运算结果的差值小于自适应底帽阈值；
所述当前黑帽运算结果与上一迭代开闭运算周期中的上一闭运算结果的差值小于自适应黑帽阈值。
3.根据权利要求2所述的方法，其特征在于，在当前迭代开闭运算周期中：
所述自适应顶帽阈值通过当前顶帽运算结果和预设的阈值调整幅度确定；
所述自适应底帽阈值通过当前底帽运算结果和预设的阈值调整幅度确定；
所述自适应黑帽阈值通过当前黑帽运算结果和预设的阈值调整幅度确定。
4.根据权利要求1所述的方法，其特征在于，所述将样本田间图像进行初始化预处理，得到初始二值图包括：
确定样本田间图像中的植物图像部分和非植物图像部分；
将所述样本田间图像中的非植物图像进行遮盖处理，并对遮盖处理后的样本田间图像做二值化处理，得到初始二值图。
5.一种田间杂草的识别分辨装置，其特征在于，所述装置包括：
初始化模块，用于将样本田间图像进行初始化预处理，得到初始二值图；
开闭运算模块，用于对所述初始二值图进行多尺度的迭代开闭运算，直至满足迭代停止条件，得到特征二值图；
特征提取模块，用于对所述特征二值图进行滤波，并获取滤波后的特征二值图中的植物特征和各植物特征的训练标签；所述训练标签为杂草标签或作物标签；
模型训练模块，用于根据所述植物特征和各植物特征的训练标签对SVM向量机进行训练，得到杂草识别分辨模型；
模型使用模块，用于根据所述杂草识别分辨模型对实拍田间图像中的杂草进行分辨识别；
其中，所述开闭运算模块包括：
结构元素确定单元，用于将基于多尺寸串联和多阈值选择所生成的融合二值图像作为结构元素；
迭代运算单元，用于根据所述结构元素对所述初始二值图先后进行开闭运算，得到当前迭代开闭运算周期的当前闭运算结果、当前顶帽运算结果、当前底帽运算结果、当前黑帽运算结果；
迭代继续单元，用于若所述当前顶帽运算结果、当前底帽运算结果和当前黑帽运算结果不满足迭代终止条件，则返回执行根据所述结构元素对所述初始二值图先后进行开闭运算；
迭代终止单元，用于若所述当前顶帽运算结果、当前底帽运算结果和当前黑帽运算结果满足迭代终止条件，则将所述当前闭运算结果确定为特征二值图；
其中，所述装置还包括：
均值阈值使用模块，用于选择均值阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到均值二值图像；
高斯阈值使用模块，用于选择高斯阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到高斯二值图像；
方差阈值使用模块，用于选择方差阈值作为二值化处理中使用的阈值类型，对所述样本田间图像的灰度图依次进行从大到小的多尺度二值化处理，得到方差二值图像；
图像融合单元，用于将所述均值二值图像、高斯二值图像和方差二值图像进行融合，得到融合二值图像。
6.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-4中任一项所述的田间杂草的识别分辨方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-4中任一项所述的田间杂草的识别分辨方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311606824.9A CN117315493B (zh) | 2023-11-29 | 2023-11-29 | 一种田间杂草的识别分辨方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311606824.9A CN117315493B (zh) | 2023-11-29 | 2023-11-29 | 一种田间杂草的识别分辨方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117315493A CN117315493A (zh) | 2023-12-29 |
| CN117315493B true CN117315493B (zh) | 2024-02-20 |
Family
ID=89281529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311606824.9A Active CN117315493B (zh) | 2023-11-29 | 2023-11-29 | 一种田间杂草的识别分辨方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117315493B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336966A (zh) * | 2013-07-15 | 2013-10-02 | 山东奥泰机械有限公司 | 一种应用于农业智能机械的杂草图像辨识方法 |
| CN104156733A (zh) * | 2014-08-12 | 2014-11-19 | 中国人民解放军理工大学 | 一种基于多尺度结构特征的地基云状识别方法 |
| CN111738342A (zh) * | 2020-06-24 | 2020-10-02 | 西南交通大学 | 一种受电弓异物检测方法、存储介质及计算机设备 |
| CN113033432A (zh) * | 2021-03-30 | 2021-06-25 | 北京师范大学 | 一种基于渐进监督的遥感影像居民区提取方法 |
| CN113971759A (zh) * | 2021-10-26 | 2022-01-25 | 中国农业大学 | 一种基于计算机视觉的大豆株间杂草自动识别装置及方法 |
| US11288535B1 (en) * | 2021-05-12 | 2022-03-29 | Zhejiang University | Method and system for identifying field boundary |
| CN114596562A (zh) * | 2022-02-23 | 2022-06-07 | 张道兵 | 一种稻田杂草识别方法 |
| CN114782761A (zh) * | 2022-06-23 | 2022-07-22 | 山东能源数智云科技有限公司 | 基于深度学习的智能仓储物料识别方法和系统 |
| CN115115935A (zh) * | 2022-06-08 | 2022-09-27 | 华智生物技术有限公司 | 一种杂草自动识别方法、系统、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI376647B (en) * | 2008-08-25 | 2012-11-11 | Univ Nat Taiwan Science Tech | Method for identifying foregrounds of visual content |
-
2023
- 2023-11-29 CN CN202311606824.9A patent/CN117315493B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103336966A (zh) * | 2013-07-15 | 2013-10-02 | 山东奥泰机械有限公司 | 一种应用于农业智能机械的杂草图像辨识方法 |
| CN104156733A (zh) * | 2014-08-12 | 2014-11-19 | 中国人民解放军理工大学 | 一种基于多尺度结构特征的地基云状识别方法 |
| CN111738342A (zh) * | 2020-06-24 | 2020-10-02 | 西南交通大学 | 一种受电弓异物检测方法、存储介质及计算机设备 |
| CN113033432A (zh) * | 2021-03-30 | 2021-06-25 | 北京师范大学 | 一种基于渐进监督的遥感影像居民区提取方法 |
| US11288535B1 (en) * | 2021-05-12 | 2022-03-29 | Zhejiang University | Method and system for identifying field boundary |
| CN113971759A (zh) * | 2021-10-26 | 2022-01-25 | 中国农业大学 | 一种基于计算机视觉的大豆株间杂草自动识别装置及方法 |
| CN114596562A (zh) * | 2022-02-23 | 2022-06-07 | 张道兵 | 一种稻田杂草识别方法 |
| CN115115935A (zh) * | 2022-06-08 | 2022-09-27 | 华智生物技术有限公司 | 一种杂草自动识别方法、系统、设备及存储介质 |
| CN114782761A (zh) * | 2022-06-23 | 2022-07-22 | 山东能源数智云科技有限公司 | 基于深度学习的智能仓储物料识别方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 基于多尺度形态学标记的分水岭算法;吴军;冯云;;科技广场(第03期);全文 * |
| 基于支持向量机的玉米田间杂草识别方法;吴兰兰 等;农业机械学报;第40卷(第1期);正文第1-3部分 * |
| 改进的HSI空间形态学有噪彩色图像边缘检测;毛若羽 等;计算机应用研究;第30卷(第2期);正文第3-4部分 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117315493A (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109492577B (zh) | 一种手势识别方法、装置及电子设备 | |
| EP3678046B1 (en) | Hand detection method and system, image detection method and system, hand segmentation method, storage medium, and device | |
| CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
| CN112417955B (zh) | 巡检视频流处理方法及装置 | |
| Chen et al. | A blind CNN denoising model for random-valued impulse noise | |
| CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
| Zhang et al. | Superpixel generation for SAR imagery based on fast DBSCAN clustering with edge penalty | |
| CN113379789A (zh) | 一种复杂环境下运动目标跟踪方法 | |
| CN113569708A (zh) | 活体识别方法、装置、电子设备以及存储介质 | |
| CN113989604A (zh) | 基于端到端深度学习的轮胎dot信息识别方法 | |
| CN107886093B (zh) | 一种字符检测方法、系统、设备及计算机存储介质 | |
| CN117315493B (zh) | 一种田间杂草的识别分辨方法、装置、设备及介质 | |
| CN111932530B (zh) | 三维对象检测方法、装置、设备和可读存储介质 | |
| CN112418089A (zh) | 一种手势识别方法、装置及终端 | |
| CN110796076A (zh) | 一种高光谱图像河流检测方法 | |
| CN115273184B (zh) | 人脸活体检测模型训练方法及装置 | |
| Jadhav et al. | FPGA based object tracking system | |
| CN114821777A (zh) | 一种手势检测方法、装置、设备及存储介质 | |
| CN113033256B (zh) | 一种指尖检测模型的训练方法和设备 | |
| CN110188601B (zh) | 一种基于学习的机场遥感图像检测方法 | |
| CN110969210A (zh) | 一种小慢目标的识别分类方法、装置、设备及存储介质 | |
| CN116311086B (zh) | 植物监测方法、植物监测模型的训练方法、装置及设备 | |
| CN117789200B (zh) | 果实点云提取方法、装置、电子设备及存储介质 | |
| CN116468962B (zh) | 害虫识别方法、装置、设备及介质 | |
| CN117437590A (zh) | 一种刀闸的开关状态检测方法、装置及设备 |
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 |