CN117546691A - 一种基于图像识别的园林树木智能修剪系统及方法 - Google Patents
一种基于图像识别的园林树木智能修剪系统及方法 Download PDFInfo
- Publication number
- CN117546691A CN117546691A CN202311362693.4A CN202311362693A CN117546691A CN 117546691 A CN117546691 A CN 117546691A CN 202311362693 A CN202311362693 A CN 202311362693A CN 117546691 A CN117546691 A CN 117546691A
- Authority
- CN
- China
- Prior art keywords
- image recognition
- image data
- tree
- main control
- recognition unit
- 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
- 238000013138 pruning Methods 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000009966 trimming Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 48
- 239000013003 healing agent Substances 0.000 claims description 29
- 238000002834 transmittance Methods 0.000 claims description 27
- 238000005520 cutting process Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 14
- 241001465754 Metazoa Species 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000001931 thermography Methods 0.000 claims description 4
- 210000001503 joint Anatomy 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000036541 health Effects 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 238000010413 gardening Methods 0.000 abstract description 3
- 208000027418 Wounds and injury Diseases 0.000 description 26
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000009423 ventilation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 241001503987 Clematis vitalba Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000003116 impacting effect Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G3/00—Cutting implements specially adapted for horticultural purposes; Delimbing standing trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5846—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using extracted text
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Library & Information Science (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Forests & Forestry (AREA)
- Ecology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Human Computer Interaction (AREA)
- Image Processing (AREA)
Abstract
本发明属于计算机、智能控制及数据处理技术领域，具体涉及一种基于图像识别的园林树木智能修剪系统及方法。本技术方案中结合了计算机视觉、机器学习、机器人技术和智能控制，旨在提高修剪的精确性、安全性和效率。自动化修剪系统可以根据树木的特征和需求进行个性化修剪，减少人为错误，提高树木的健康和园林的美观性。这种技术不仅可以提高园林管理的效率，还可以降低维护成本，并减少操作员的风险。因此，它代表了园林和树木管理领域的未来发展方向。
Description
技术领域
本发明属于计算机、智能控制及数据处理技术领域，具体涉及一种基于图像识别的园林树木智能修剪系统及方法。
背景技术
在现有的园林管理和树木修剪技术中，通常采用人工修剪方法，其中工人需要爬上梯子，使用手动工具如电锯、剪刀等，对树冠、枝干和叶片进行修剪。
然而，这种传统方法存在许多挑战和限制，包括以下方面的问题：
安全风险：工人需要爬上梯子或高架设备，这会导致操作员受伤或摔倒的风险。此外，使用电锯等锐利工具也可能引发伤害。
有限的经验：修剪树木需要工人具备丰富的园艺经验，包括了解不同树种的生长特性、适当的修剪方法和定期维护的需求。然而，许多工人的经验有限，难以根据树木的类型、年龄和形状进行个性化修剪。
不统一的修剪质量：人工修剪受到操作员技能和经验的限制，因此难以实现高度一致的修剪质量。不同工人的操作可能会导致树木的形状和健康出现不一致的结果。
需要大量人力：在大规模的园林和树木管理项目中，需要雇佣大量的工人进行修剪，这增加了劳动力成本和时间消耗。
无法精确控制：传统修剪方法难以精确控制修剪的深度和位置，这可能导致过度修剪或不足修剪，对树木的健康产生负面影响。
鉴于上述问题，研究和开发自动化树木修剪技术成为一个重要的课题。这些技术结合了计算机视觉、机器学习、机器人技术和智能控制，旨在提高修剪的精确性、安全性和效率。自动化修剪系统可以根据树木的特征和需求进行个性化修剪，减少人为错误，提高树木的健康和园林的美观性。这种技术不仅可以提高园林管理的效率，还可以降低维护成本，并减少操作员的风险。因此，它代表了园林和树木管理领域的未来发展方向。
以上背景技术部分中公开的以上信息只是用来加强对本文所描述技术的背景技术的理解，因此，背景技术中可能包含某些信息，这些信息对于本领域技术人员来说并未形成在本国已知的现有技术。
发明内容
为了解决上述现有技术存在的缺陷，本发明提出一种基于图像识别的园林树木智能修剪系统及方法。
本发明采用的技术方案如下：
一种基于图像识别的园林树木智能修剪方法，包括：
步骤1：采集目标树干处的铭牌图像数据，根据树木的品种以及树龄，从数据库中提取出对应的修剪标准，执行下一步；
步骤2：获取当前时间节点树下的红外图像数据，用以判断树下是否有人员或动物，若判定结果为是，系统发出警报，通知作业人员驱散树下人员或动物，若判定结果为否，则执行下一步，系统启动修剪程序；
步骤3：获取树木上枯枝和/或老枝的特征图像数据，并对枯枝和/或老枝进行切除，修剪完毕后执行下一步；
步骤4：分别获取树冠的整体形状、密度、透光率等特征图像数据，并将其与树冠的标准形状进行数据比对，结合修剪标准，依次对树冠进行符合该修剪标准中的整体形状、密度和/或透光率的修剪动作，修剪完毕后执行下一步；
步骤5：获取树干的特征图像数据，判断在主干基部是否存在根孽，若判定结果为否，执行下一步。若判定结果为是，则对根孽进行切除，切除完毕后执行下一步；
步骤6：修剪作业完毕后，再次获取步骤3-5中所有特征图像数据，并与数据库中标准值进行比对，若偏差结果超过设定阈值范围，则重复执行特征图像数据存在偏差的步骤，直至偏差结果在设定阈值范围内，完成作业。
在某些实施方式中，所述系统包括：主控装置以及与主控装置连接的行走机构、机械臂、树枝修剪组件以及图像采集装置，所述机械臂安装在行走机构上，所述树枝修剪组件安装在机械臂端部，图像采集装置安装在机械臂的端部；行走机构用于控制修剪系统移动，机械臂用于控制树枝修剪工具转动，树枝修剪组件用于对待修剪区域作业，图像采集装置用于获取待修剪树木的实时图像数据，主控装置用于对实时图像数据进行处理，并将实时图像数据与主控装置内部存储的标准图像数据进行对比，并从数据库中提取出符合当前目标的修剪标准。
在某些实施方式中，所述树枝修剪组件包括：对接组件和作业组件，作业组件通过对接组件与机械臂端部连接，所述作业组件包括分别用于修剪小枝、枝干以及涂抹愈合剂的三个工作头，还包括用于控制工作模式切换的工作头切换装置。
所述图像采集装置包括若干个图像识别单元，其分别为：
第一图像识别单元，用于获取树干处的铭牌图像数据；
第二图像识别单元，用于获取树下人员的红外图像数据；
第三图像识别单元，用于获取树木上枯老枝的特征图像数据；
第四图像识别单元，用于获取树冠的整体形状的特征图像数据；
第五图像识别单元，用于获取树冠密度的特征图像数据；
第六图像识别单元，用于获取树冠透光率的特征图像数据；
在某些实施方式中，还包括报警装置，所述主控装置控制第一图像识别单元常开，控制第二图像识别单元、第三图像识别单元、第四图像识别单元、第五图像识别单元、第六图像识别单元、工作头切换装置以及报警装置常闭；
当行走机构位于修剪区域后，主控装置控制第一图像识别单元获取树干处铭牌图像数据，根据树木的品种以及树龄，并与主控装置内部数据库作数据比对，确定符合当前目标的修剪程序，并进行修剪准备；
主控装置控制第二图像识别单元开启，第二图像识别单元获取当前时间节点树下的红外图像数据，基于热成像原理，判断树下是否有人员或动物，若判定结果为是，主控装置控制控制报警装置发出警报，驱散树下人员或动物，若判定结果为否，则主控装置控制第三图像识别单元开启；
第三图像识别单元获取树木上枯老枝的特征图像数据，并对枯老枝进行定位，主控装置控制工作头切换装置开启，根据枯老枝的尺寸将匹配工作头，控制工作头对枯老枝进行切除，切除完毕，第三图像识别单元再次获取树木上枯老枝的特征图像数据，用于检测枝干上的枯老枝是否切除完毕，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内，则主控装置控制第四图像识别单元开启；
第四图像识别单元获取树冠的整体形状的特征图像数据，结合修剪标准对树冠的整体形状进行修剪，修剪完毕，第四图像识别单元再次获取树冠的整体形状的特征图像数据，用于判定树冠形状是否符合标准，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内，则主控装置控制第五图像识别单元开启；
第五图像识别单元获取树冠密度的特征图像数据，结合修剪标准对树冠中密度高的区域进行枝叶修剪，修剪完毕，第五图像识别单元再次获取树冠密度的特征图像数据，用于判定树冠密度是否符合标准，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内，则主控装置控制第六图像识别单元开启；
第六图像识别单元获取树冠透光率的特征图像数据，结合修剪标准对树冠中透光率低的区域进行枝叶修剪，修剪完毕，第六图像识别单元再次获取树冠透光率的特征图像数据，用于判定树冠透光率是否符合标准，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内；
所述图像采集装置还包括：
第七图像识别单元，用于获取主干基部处根孽的特征图像数据；
主控装置控制第七图像识别单元常闭；当对树冠进行形状、密度以及透光率进行修剪作业完毕后，主控装置控制第七图像识别单元开启，第七图像识别单元获取主干基部处根孽的特征图像数据，结合修剪标准将根孽进行枝叶切除，切除完毕，第七图像识别单元再次获取主干基部处根孽的特征图像数据，用于检测主干基部处根孽是否切除完毕，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内。
在某些实施方式中，在树冠以及树干修剪作业完毕后，还包括对切口创面进行处理，所述系统还包括切口创面检测装置，用于检测切口创面的倾斜角度、尺寸以及愈合剂涂抹情况。
所述切口创面检测装置包括角度检测装置、尺寸检测装置以及愈合剂检测装置，主控装置控制角度检测装置、尺寸检测装置以及愈合剂检测装置常闭；
在树冠以及树干修剪作业完毕后，主控装置控制角度检测装置开启，角度检测装置基于图像识别，获取切口创面的倾斜角度，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，主控装置控制工作头切换装置开启，匹配对应的工作头，控制工作头对切口创面进行修剪，使其符合标准阈值范围，则主控装置控制尺寸检测装置开启；
尺寸检测装置获取切口创面的尺寸，并与主控装置内部数据库的数据比对，若超过标准值，主控装置控制工作头切换装置开启，匹配对应的工作头，控制工作头对切口创面涂抹愈合剂，涂抹完毕后，主控装置控制愈合剂检测装置开启；
愈合剂检测装置基于图像识别，获取切口创面的上愈合剂的涂抹均匀度，若检测到切口创面部分区域或整体区域未涂抹，主控装置再次控制工作头对切口创面进行愈合剂涂抹作业，直至检测结果符合标准。
一种基于图像识别的园林树木智能修剪系统，用于实现所述的园林树木智能修剪方法。
一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被运行时执行所述的园林树木智能修剪方法。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
总体而言，相比于现有技术，本发明所提供的一种基于图像识别的园林树木智能修剪系统及方法，遵从树木修剪的“先上后下、先内后外、去弱留强、去老刘新”的原则，通过主控装置、行走机构、机械臂、树枝修剪组件、警报装置以及图像采集装置的结合，基于计算机视觉、机器学习、机器人技术和智能控制，按序对枯老枝进行重短截的切除方式，切除完毕后先对树冠的整体外形进行轻短截的修剪方式，修剪完毕后使用疏剪的方式对树冠的密度以及透光率进行调整，使其树冠满足园林的美观设计的前提下，增加树木的实用性，使枝条分布更加均匀，加大树下空间，改善通风透光环境，有利于树冠内部枝条生长发育，促使树下花芽分化，树冠修剪完毕后，按序在对树干进行修剪，对树干基部、伤口处当年长出的嫩枝、根部长出的根孽进行切除，避免该类枝条和根孽争夺养分，导致树木出现生长不良的现象；在整个切除修剪过程中，全程对树下红外线图像检测，防止出现安全事故。通过上述，旨在提高修剪的精确性、安全性和效率。自动化修剪系统可以根据树木的特征和需求进行个性化修剪，减少人为错误，提高树木的健康和园林的美观性，不仅可以提高园林管理的效率，还可以降低维护成本，并减少操作员的风险。
附图说明
本发明将通过例子并参照附图的方式说明，其中：
图1为本发明中基于图像识别的园林树木智能修剪方法的流程图；
图2为本发明中基于图像识别的园林树木智能修剪方法系统结构示意图；
图3为本发明中主控装置的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以各种不同的配置来布置和设计。因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
在本申请实施例的描述中，需要说明的是，术语“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1
本发明一方面提供了一种基于图像识别的园林树木智能修剪系统及方法，参阅图1，包括：
步骤1：采集目标树干处的铭牌图像数据，根据树木的品种以及树龄，从数据库中提取出对应的修剪标准，执行下一步；
步骤2：获取当前时间节点树下的红外图像数据，用以判断树下是否有人员或动物，若判定结果为是，系统发出警报，通知作业人员驱散树下人员或动物，若判定结果为否，则执行下一步，系统启动修剪程序；
步骤3：获取树木上枯枝和/或老枝的特征图像数据，并对枯枝和/或老枝进行切除，修剪完毕后执行下一步；
步骤4：分别获取树冠的整体形状、密度、透光率等特征图像数据，并将其与树冠的标准形状进行数据比对，结合修剪标准，依次对树冠进行符合该修剪标准中的整体形状、密度和/或透光率的修剪动作，修剪完毕后执行下一步；
步骤5：获取树干的特征图像数据，判断在主干基部是否存在根孽，若判
定结果为否，执行下一步。若判定结果为是，则对根孽进行切除，切除完毕后执行下一步；
步骤6：修剪作业完毕后，再次获取步骤3-5中所有特征图像数据，并与数据库中标准值进行比对，若偏差结果超过设定阈值范围，则重复执行特征图像数据存在偏差的步骤，直至偏差结果在设定阈值范围内，完成作业。
上述步骤中，系统针对采集到的特征图像数据进行如下处理步骤：
S1：对采集到的图像进行预处理，包括调整亮度、对比度、去除噪声等，以确保图像质量适用于后续的分析：
图像去噪：使用滤波器(如高斯滤波器)降低图像中的噪声；
图像增强：调整图像的对比度、亮度以提高可见性；
图像分割：将树冠从背景分离出来，可以使用分割算法如阈值分割、边缘检测等。
S2：使用计算机视觉技术，如目标检测模型(例如YOLO、Faster R-CNN、SSD等)，来检测树冠以及树干上的枯枝和/或老枝、杂枝以及根孽。这些模型可以识别图像中的对象并框出它们；
目标检测模型可以使用卷积神经网络(CNN)架构，如Faster R-CNN或YOLO。这些模型通过以下数学表达式来检测树冠中的枝条和杂枝：
Faster R-CNN：使用区域建议网络(RPN)生成候选框，然后使用卷积神经网络(CNN)对这些候选框进行分类和边界框回归；
YOLO：通过将图像分成网格，每个单元格负责检测对象，模型输出对象的类别、位置和置信度分数。
S3：将检测到的枝条和杂枝与储存单元中设定的标准形状进行比较。这可能需要使用图像分析和形状匹配算法来确定哪些部分需要修剪；
图像分析和形状匹配算法可以用于与储存单元中的标准形状进行比较。这可能包括形状描述符(如边界框或轮廓)、特征点提取(如角点或兴趣点)和形状匹配算法(如模板匹配或最小二乘拟合)。
S4：基于标准形状比较和树冠的当前状态，使用决策算法来确定修剪的具体位置、深度和方式，并基于检测到的枝条位置的规划机械臂的轨迹，控制机器臂带动作业组件，移动到需要修剪的位置进行作业；
决策算法是基于一种启发式算法进行目标检测和图像分析，决定哪些部分需要修剪，其目的是根据树木的特定情况决定修剪的位置和方式。
其中，启发式算法的一种示例：
1)输入数据：
树冠的图像，其中包含检测到的枝条和杂枝。
树木的类型和年龄信息。
目标修剪的标准或规则，如保持树冠形状、减少树冠密度等。
2)初始化：
确定修剪操作的起始点，通常从树冠底部开始；
3)遍历树冠：
从初始化点开始遍历树冠的不同部分，检查每个部分的图像信息，如检测到的枝条和杂枝；
4)修剪决策：
对于每个部分，根据以下考虑进行决策：
枝条的位置和角度。
枝条的直径和状态(健康或受损)。
目标修剪的规则和标准；
5)决策逻辑：
基于上述信息，启发式算法可以应用一组决策逻辑来决定修剪的位置和方式。例如：
如果检测到受损的枝条，将其修剪。
如果枝条交叉或过于密集，选择删除一些以改善通风和透光率。
如果目标是保持树冠的特定形状，可以选择修剪以符合规则。
6)修剪操作：
根据决策逻辑，执行修剪操作；
7)迭代：
遍历树冠的不同部分，重复上述过程，直到任务执行完毕。
上述处理步骤中还使用到机器学习模型，如深度学习神经网络，来训练系统识别不同树种和树冠形状，以更好地适应各种树木类型。深度学习神经网络用于图像分割、特征提取和对象识别。由卷积层(Conv)和全连接层(FC)组成，以下为深度学习神经网络结构的一种示例：
输入:X
卷积层:H＝Conv(X,W1)
激活函数:A＝ReLU(H)
全连接层:Z＝FC(A,W2)
输出:Y＝Softmax(Z)
实施例2：
本发明另一方面还提供了基于图像识别的园林树木智能修剪系统，参阅图2，所述系统包括：主控装置以及与主控装置连接的行走机构、机械臂、树枝修剪组件以及图像采集装置，所述机械臂安装在行走机构上，所述树枝修剪组件安装在机械臂端部，图像采集装置安装在机械臂的端部；机械臂采用行走机构用于控制修剪系统移动，机械臂用于控制树枝修剪工具转动，树枝修剪组件用于对待修剪区域作业，图像采集装置用于获取待修剪树木的实时图像数据，主控装置用于对实时图像数据进行处理，并将实时图像数据与主控装置内部存储的标准图像数据进行对比，并从数据库中提取出符合当前目标的修剪标准。
本实施例中，在树木修剪应用中，使用多自由度的机械臂可以实现高度的精确性和可控性，以满足不同树木类型和修剪需求。以下是一些适合树木修剪的具备多个自由度的机械臂型号的示例：
Green Climber是一种专门设计用于树木修剪和维护的机械臂系统。它通常配备高度可调的臂架、伸缩和旋转功能，使其能够适应不同树木的高度、形状和位置。
Spider Lift是一种多自由度的机械臂平台，通常用于树木修剪和架设灯具。它提供了高度、伸缩和旋转控制，以便工作人员能够接近树冠的不同部分。
Palazzani Ragno是一种具有多自由度的自走式机械臂，专为树木修剪和维护而设计。它可以通过伸缩臂架和旋转功能来实现对树冠的精确控制。
Avant Tree Shear是一种配备伸缩臂和旋转装置的装载机，专为树木修剪和清理而设计。它具有多种附件和控制选项，用于不同类型的树木工作。
ATN X-TRA-Lift是一种专为园林和树木管理设计的多自由度机械臂，可用于树木修剪、清理和维护。它具有灵活的工作范围和操作控制。
这些多自由度的机械臂型号具备可伸缩、可旋转、可高度调整等功能，使其非常适合树木修剪和维护任务。它们可以有效地到达树冠的不同部分，确保修剪的精确性，提高工作效率。
本实施例中，所述树枝修剪组件包括：对接组件和作业组件，作业组件通过对接组件与机械臂端部连接，所述作业组件包括分别用于修剪小枝、枝干以及涂抹愈合剂的三个工作头，具体包括修枝剪、修枝锯以及愈合剂滚刷，所述修枝剪用于修剪直径较小的枝条，所述修枝锯用于修剪较粗的树枝，所述愈合剂滚刷用于对切口创面进行愈合剂刷涂；树枝修剪组件还包括用于控制工作模式切换的工作头切换装置，具体的，包括工具库以及主控装置内置的工作头更换程序，所述若干工作头位于工具库中，需要更换工作头时，主控装置控制机械臂端部伸入工具库中，通过对接组件的配合，替换上新的工作头。
所述图像采集装置的硬件部分包括固设在机械臂端部的摄像头模组矩阵，其中包括但不限于高清工业相机、热成像相机等，其具体布设方式本发明不做具体限定，
图像采集装置内置软件程序单元，包括若干个图像识别单元，其分别为：
第一图像识别单元，用于获取树干处的铭牌图像数据；
第二图像识别单元，用于获取树下人员的红外图像数据；
第三图像识别单元，用于获取树木上枯老枝的特征图像数据；
第四图像识别单元，用于获取树冠的整体形状的特征图像数据；
第五图像识别单元，用于获取树冠密度的特征图像数据；
第六图像识别单元，用于获取树冠透光率的特征图像数据；
在某些实施方式中，还包括报警装置，所述主控装置控制第一图像识别单元常开，控制第二图像识别单元、第三图像识别单元、第四图像识别单元、第五图像识别单元、第六图像识别单元、工作头切换装置以及报警装置常闭；
当行走机构位于修剪区域后，主控装置控制第一图像识别单元获取树干处铭牌图像数据，根据树木的品种以及树龄，并与主控装置内部数据库作数据比对，确定符合当前目标的修剪程序，并进行修剪准备；
主控装置控制第二图像识别单元开启，第二图像识别单元获取当前时间节点树下的红外图像数据，基于热成像原理，判断树下是否有人员或动物，若判定结果为是，主控装置控制控制报警装置发出警报，驱散树下人员或动物，若判定结果为否，则主控装置控制第三图像识别单元开启；
第三图像识别单元获取树木上枯老枝的特征图像数据，并对枯老枝进行定位，主控装置控制工作头切换装置开启，根据枯老枝的尺寸将匹配工作头，控制工作头对枯老枝进行切除，切除完毕，第三图像识别单元再次获取树木上枯老枝的特征图像数据，用于检测枝干上的枯老枝是否切除完毕，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内，则主控装置控制第四图像识别单元开启；
第四图像识别单元获取树冠的整体形状的特征图像数据，结合修剪标准对树冠的整体形状进行修剪，修剪完毕，第四图像识别单元再次获取树冠的整体形状的特征图像数据，用于判定树冠形状是否符合标准，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内，则主控装置控制第五图像识别单元开启；
第五图像识别单元获取树冠密度的特征图像数据，结合修剪标准对树冠中密度高的区域进行枝叶修剪，修剪完毕，第五图像识别单元再次获取树冠密度的特征图像数据，用于判定树冠密度是否符合标准，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内，则主控装置控制第六图像识别单元开启；
第六图像识别单元获取树冠透光率的特征图像数据，结合修剪标准对树冠中透光率低的区域进行枝叶修剪，修剪完毕，第六图像识别单元再次获取树冠透光率的特征图像数据，用于判定树冠透光率是否符合标准，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内；
所述图像采集装置还包括：
第七图像识别单元，用于获取主干基部处根孽的特征图像数据；
主控装置控制第七图像识别单元常闭；当对树冠进行形状、密度以及透
光率进行修剪作业完毕后，主控装置控制第七图像识别单元开启，第七图像识别单元获取主干基部处嫩枝以及根孽的特征图像数据，结合修剪标准将根孽进行枝叶切除，切除完毕，第七图像识别单元再次获取主干基部处根孽的特征图像数据，
用于检测主干基部处的嫩枝以及根孽是否切除完毕，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内。
进一步的，在树冠以及树干修剪作业完毕后，还包括对切口创面进行处理，所述系统还包括切口创面检测装置，用于检测切口创面的倾斜角度、尺寸以及愈合剂涂抹情况。
所述切口创面检测装置包括角度检测装置、尺寸检测装置以及愈合剂检测装置，主控装置控制角度检测装置、尺寸检测装置以及愈合剂检测装置常闭；
在树冠以及树干修剪作业完毕后，主控装置控制角度检测装置开启，角度检测装置基于图像识别，获取切口创面的倾斜角度，并与主控装置内部数据库的数据比对，内部数据库的数据的标准值设定为45°，若偏差结果超过0-5°阈值范围，主控装置控制工作头切换装置开启，匹配对应的工作头，控制工作头对切口创面进行修剪，使其符合标准阈值范围，则主控装置控制尺寸检测装置开启；
尺寸检测装置获取切口创面的尺寸，并与主控装置内部数据库的数据比对，若超过标准值，标准值设定为1英寸，主控装置控制工作头切换装置开启，匹配对应的工作头，控制工作头对切口创面涂抹愈合剂，涂抹完毕后，主控装置控制愈合剂检测装置开启；
愈合剂检测装置基于图像识别，获取切口创面的上愈合剂的涂抹均匀度，若检测到切口创面部分区域或整体区域未涂抹，主控装置再次控制工作头对切口创面进行愈合剂涂抹作业，直至检测结果符合标准。
实施例3：
本发明另一方面还提供了主控装置的硬件结构示意图，参阅图3，在本实施例中，主控装置包括处理器以及与处理器电连接的存储器，存储器用于存储计算机程序，处理器用于调用计算机程序以执行上述任意一实施例所描述的基于图像识别的园林树木智能修剪方法。
实施例4：
本发明另一方面还提供了一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被运行时执行所述的基于图像识别的园林树木智能修剪方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机指令表征的计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。
非易失性存储器可包括只读存储器、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器或动态随机存取存储器等。
综上，相比于现有技术，本发明所提供的一种基于图像识别的园林树木智能修剪系统及方法，遵从树木修剪的“先上后下、先内后外、去弱留强、去老刘新”的原则，通过主控装置、行走机构、机械臂、树枝修剪组件、警报装置以及图像采集装置的结合，基于计算机视觉、机器学习、机器人技术和智能控制，按序对枯老枝进行重短截的切除方式，切除完毕后先对树冠的整体外形进行轻短截的修剪方式，修剪完毕后使用疏剪的方式对树冠的密度以及透光率进行调整，使其树冠满足园林的美观设计的前提下，增加树木的实用性，使枝条分布更加均匀，加大树下空间，改善通风透光环境，有利于树冠内部枝条生长发育，促使树下花芽分化，树冠修剪完毕后，按序在对树干进行修剪，对树干基部、伤口处当年长出的嫩枝、根部长出的根孽进行切除，避免该类枝条和根孽争夺养分，导致树木出现生长不良的现象；在整个切除修剪过程中，全程对树下红外线图像检测，防止出现安全事故。通过上述，旨在提高修剪的精确性、安全性和效率。自动化修剪系统可以根据树木的特征和需求进行个性化修剪，减少人为错误，提高树木的健康和园林的美观性，不仅可以提高园林管理的效率，还可以降低维护成本，并减少操作员的风险。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的得同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于图像识别的园林树木智能修剪方法，其特征在于，包括：
步骤1：采集目标树干处的铭牌图像数据，根据树木的品种以及树龄，从数据库中提取出对应的修剪标准，执行下一步；
步骤2：获取当前时间节点树下的红外图像数据，用以判断树下是否有人员或动物，若判定结果为是，系统发出警报，通知作业人员驱散树下人员或动物，若判定结果为否，则执行下一步，系统启动修剪程序；
步骤3：获取树木上枯枝和/或老枝的特征图像数据，并对枯枝和/或老枝进行切除，修剪完毕后执行下一步；
步骤4：分别获取树冠的整体形状、密度及透光率等特征图像数据，并将其与树冠的标准形状进行数据比对，结合修剪标准，依次对树冠进行符合该修剪标准中的整体形状、密度和/或透光率的修剪动作，修剪完毕后执行下一步；
步骤5：获取树干的特征图像数据，判断在主干基部是否存在根孽，若判定结果为否，执行下一步，若判定结果为是，则对根孽进行切除，切除完毕后执行下一步；
步骤6：修剪作业完毕后，再次获取步骤3-5中所有特征图像数据，并与数据库中标准值进行比对，若偏差结果超过设定阈值范围，则重复执行特征图像数据存在偏差的步骤，直至偏差结果在设定阈值范围内，完成作业。
2.根据权利要求1所述的一种基于图像识别的园林树木智能修剪方法，其特征在于，所述系统包括：主控装置以及与主控装置连接的行走机构、机械臂、树枝修剪组件以及图像采集装置，所述机械臂安装在行走机构上，所述树枝修剪组件安装在机械臂端部，图像采集装置安装在机械臂的端部；行走机构用于控制修剪系统移动，机械臂用于控制树枝修剪工具转动，树枝修剪组件用于对待修剪区域作业，图像采集装置用于获取待修剪树木的实时图像数据，主控装置用于对实时图像数据进行处理，并将实时图像数据与主控装置内部存储的标准图像数据进行对比，并从数据库中提取出符合当前目标的修剪标准。
3.根据权利要求2所述的一种基于图像识别的园林树木智能修剪方法，其特征在于，所述树枝修剪组件包括：对接组件和作业组件，作业组件通过对接组件与机械臂端部连接，所述作业组件包括分别用于修剪小枝、枝干以及涂抹愈合剂的三个工作头，还包括用于控制工作模式切换的工作头切换装置。
4.根据权利要求3所述的一种基于图像识别的园林树木智能修剪方法，其特征在于，所述图像采集装置包括若干个图像识别单元，其分别为：
第一图像识别单元，用于获取树干处的铭牌图像数据；
第二图像识别单元，用于获取树下人员的红外图像数据；
第三图像识别单元，用于获取树木上枯老枝的特征图像数据；
第四图像识别单元，用于获取树冠的整体形状的特征图像数据；
第五图像识别单元，用于获取树冠密度的特征图像数据；
第六图像识别单元，用于获取树冠透光率的特征图像数据。
5.根据权利要求4所述的一种基于图像识别的园林树木智能修剪方法，其特征在于，还包括报警装置，所述主控装置控制第一图像识别单元常开，控制第二图像识别单元、第三图像识别单元、第四图像识别单元、第五图像识别单元、第六图像识别单元、工作头切换装置以及报警装置常闭；
当行走机构位于修剪区域后，主控装置控制第一图像识别单元获取树干处铭牌图像数据，根据树木的品种以及树龄，并与主控装置内部数据库作数据比对，确定符合当前目标的修剪程序，并进行修剪准备；
主控装置控制第二图像识别单元开启，第二图像识别单元获取当前时间节点树下的红外图像数据，基于热成像原理，判断树下是否有人员或动物，若判定结果为是，主控装置控制控制报警装置发出警报，驱散树下人员或动物，若判定结果为否，则主控装置控制第三图像识别单元开启；
第三图像识别单元获取树木上枯老枝的特征图像数据，并对枯老枝进行定位，主控装置控制工作头切换装置开启，根据枯老枝的尺寸将匹配工作头，控制工作头对枯老枝进行切除，切除完毕，第三图像识别单元再次获取树木上枯老枝的特征图像数据，用于检测枝干上的枯老枝是否切除完毕，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内，则主控装置控制第四图像识别单元开启；
第四图像识别单元获取树冠的整体形状的特征图像数据，结合修剪标准对树冠的整体形状进行修剪，修剪完毕，第四图像识别单元再次获取树冠的整体形状的特征图像数据，用于判定树冠形状是否符合标准，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内，则主控装置控制第五图像识别单元开启；
第五图像识别单元获取树冠密度的特征图像数据，结合修剪标准对树冠中密度高的区域进行枝叶修剪，修剪完毕，第五图像识别单元再次获取树冠密度的特征图像数据，用于判定树冠密度是否符合标准，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内，则主控装置控制第六图像识别单元开启；
第六图像识别单元获取树冠透光率的特征图像数据，结合修剪标准对树冠中透光率低的区域进行枝叶修剪，修剪完毕，第六图像识别单元再次获取树冠透光率的特征图像数据，用于判定树冠透光率是否符合标准，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内。
6.根据权利要求5所述的一种基于图像识别的园林树木智能修剪方法，其特征在于，所述图像采集装置还包括：
第七图像识别单元，用于获取主干基部处根孽的特征图像数据；
主控装置控制第七图像识别单元常闭；当对树冠的形状、密度以及透光率进行修剪作业完毕后，主控装置控制第七图像识别单元开启，第七图像识别单元获取主干基部处根孽的特征图像数据，结合修剪标准将根孽进行枝叶切除，切除完毕，第七图像识别单元再次获取主干基部处根孽的特征图像数据，用于检测主干基部处根孽是否切除完毕，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，则重复该步骤，直至偏差结果在设定阈值范围内。
7.根据权利要求6所述的一种基于图像识别的园林树木智能修剪方法，其特征在于，在树冠以及树干修剪作业完毕后，还包括对切口创面进行处理，所述系统还包括切口创面检测装置，用于检测切口创面的倾斜角度、尺寸以及愈合剂涂抹情况。
8.根据权利要求7所述的一种基于图像识别的园林树木智能修剪方法，其特征在于，所述切口创面检测装置包括角度检测装置、尺寸检测装置以及愈合剂检测装置，主控装置控制角度检测装置、尺寸检测装置以及愈合剂检测装置常闭；
在树冠以及树干修剪作业完毕后，主控装置控制角度检测装置开启，角度检测装置基于图像识别，获取切口创面的倾斜角度，并与主控装置内部数据库的数据比对，若偏差结果超过设定阈值范围，主控装置控制工作头切换装置开启，匹配对应的工作头，控制工作头对切口创面进行修剪，使其符合标准阈值范围，则主控装置控制尺寸检测装置开启；
尺寸检测装置基于图像识别，获取切口创面的尺寸并与主控装置内部数据库的数据比对，若超过标准值，主控装置控制工作头切换装置开启，匹配对应的工作头，控制工作头对切口创面涂抹愈合剂，涂抹完毕后，主控装置控制愈合剂检测装置开启；
愈合剂检测装置基于图像识别，获取切口创面的上愈合剂的涂抹均匀度，若检测到切口创面部分区域或整体区域未涂抹，主控装置再次控制工作头对切口创面进行愈合剂涂抹作业，直至检测结果符合标准。
9.一种基于图像识别的园林树木智能修剪系统，其特征在于，用于实现如权利要求1-8任一项所述的园林树木智能修剪方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被运行时执行如权利要求1-8任一项所述的园林树木智能修剪方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362693.4A CN117546691B (zh) | 2023-10-19 | 2023-10-19 | 一种基于图像识别的园林树木智能修剪系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311362693.4A CN117546691B (zh) | 2023-10-19 | 2023-10-19 | 一种基于图像识别的园林树木智能修剪系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117546691A true CN117546691A (zh) | 2024-02-13 |
| CN117546691B CN117546691B (zh) | 2024-04-19 |
Family
ID=89817524
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311362693.4A Active CN117546691B (zh) | 2023-10-19 | 2023-10-19 | 一种基于图像识别的园林树木智能修剪系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117546691B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201008480A (en) * | 2008-08-19 | 2010-03-01 | Nat Univ Chung Hsing | Device and method of automatic pruning for a specific gardening shape |
| JP2014135944A (ja) * | 2013-01-18 | 2014-07-28 | Nippon Telegr & Teleph Corp <Ntt> | 剪定サポート方法および情報処理装置 |
| WO2016099335A1 (ru) * | 2014-12-15 | 2016-06-23 | Акционерное общество "Квантум Системс" | Роботизированное устройство для формообразования зеленых насаждений и способ формообразования |
| JP2017169520A (ja) * | 2016-03-25 | 2017-09-28 | 忠士 岩下 | ブドウの栽培管理方法 |
| CN108633533A (zh) * | 2018-04-11 | 2018-10-12 | 北京木业邦科技有限公司 | 树木自动抚育方法、装置、电子设备及存储介质 |
| CN108811849A (zh) * | 2018-07-12 | 2018-11-16 | 苏州创存数字科技有限公司 | 一种基于人工智能的绿化修剪设备及其工作方法 |
| CN110731189A (zh) * | 2019-10-28 | 2020-01-31 | 湖北文理学院 | 远程果树修剪系统 |
| CN111226672A (zh) * | 2020-01-17 | 2020-06-05 | 武威市林业科学研究院 | 一种黑果枸杞育苗及造林方法 |
| CN111508078A (zh) * | 2020-03-24 | 2020-08-07 | 深圳市天天学农网络科技有限公司 | 基于3d模型的农作物修剪演示方法、装置及系统 |
| CN111727798A (zh) * | 2020-07-02 | 2020-10-02 | 山西农业大学 | 一种欧李短主干伞架形树形培养方法 |
| CN112634562A (zh) * | 2020-12-15 | 2021-04-09 | 国家电网有限公司 | 一种智能电力安防系统 |
| CN112868415A (zh) * | 2021-01-11 | 2021-06-01 | 福建思特电子有限公司 | 一种基于5g网络的机器视觉园林花圃修剪设备的控制系统 |
| CN112930909A (zh) * | 2021-01-25 | 2021-06-11 | 上海沐曦景观园艺有限公司 | 一种基于动态视觉捕捉的园林修剪装置 |
| CN114342687A (zh) * | 2021-12-17 | 2022-04-15 | 长沙中联重科环境产业有限公司 | 树枝修剪车及其树枝修剪装置 |
-
2023
- 2023-10-19 CN CN202311362693.4A patent/CN117546691B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201008480A (en) * | 2008-08-19 | 2010-03-01 | Nat Univ Chung Hsing | Device and method of automatic pruning for a specific gardening shape |
| JP2014135944A (ja) * | 2013-01-18 | 2014-07-28 | Nippon Telegr & Teleph Corp <Ntt> | 剪定サポート方法および情報処理装置 |
| WO2016099335A1 (ru) * | 2014-12-15 | 2016-06-23 | Акционерное общество "Квантум Системс" | Роботизированное устройство для формообразования зеленых насаждений и способ формообразования |
| JP2017169520A (ja) * | 2016-03-25 | 2017-09-28 | 忠士 岩下 | ブドウの栽培管理方法 |
| CN108633533A (zh) * | 2018-04-11 | 2018-10-12 | 北京木业邦科技有限公司 | 树木自动抚育方法、装置、电子设备及存储介质 |
| CN108811849A (zh) * | 2018-07-12 | 2018-11-16 | 苏州创存数字科技有限公司 | 一种基于人工智能的绿化修剪设备及其工作方法 |
| CN110731189A (zh) * | 2019-10-28 | 2020-01-31 | 湖北文理学院 | 远程果树修剪系统 |
| CN111226672A (zh) * | 2020-01-17 | 2020-06-05 | 武威市林业科学研究院 | 一种黑果枸杞育苗及造林方法 |
| CN111508078A (zh) * | 2020-03-24 | 2020-08-07 | 深圳市天天学农网络科技有限公司 | 基于3d模型的农作物修剪演示方法、装置及系统 |
| CN111727798A (zh) * | 2020-07-02 | 2020-10-02 | 山西农业大学 | 一种欧李短主干伞架形树形培养方法 |
| CN112634562A (zh) * | 2020-12-15 | 2021-04-09 | 国家电网有限公司 | 一种智能电力安防系统 |
| CN112868415A (zh) * | 2021-01-11 | 2021-06-01 | 福建思特电子有限公司 | 一种基于5g网络的机器视觉园林花圃修剪设备的控制系统 |
| CN112930909A (zh) * | 2021-01-25 | 2021-06-11 | 上海沐曦景观园艺有限公司 | 一种基于动态视觉捕捉的园林修剪装置 |
| CN114342687A (zh) * | 2021-12-17 | 2022-04-15 | 长沙中联重科环境产业有限公司 | 树枝修剪车及其树枝修剪装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117546691B (zh) | 2024-04-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110799030A (zh) | 基于图像处理控制土壤工作装置的方法及相关系统 | |
| CN112715162B (zh) | 一种智能化采摘串型水果的系统 | |
| CN111418349B (zh) | 一种水果采摘智能机器人及其实现水果采摘的方法 | |
| CN113597874B (zh) | 一种除草机器人及其除草路径的规划方法、装置和介质 | |
| CN108633482A (zh) | 一种水果采摘飞行器 | |
| WO2016099335A1 (ru) | Роботизированное устройство для формообразования зеленых насаждений и способ формообразования | |
| CN113207675B (zh) | 一种气流振动式设施作物自动授粉装置及方法 | |
| Silwal et al. | Bumblebee: A path towards fully autonomous robotic vine pruning | |
| WO2019196360A1 (zh) | 树木自动抚育方法、装置、电子设备及存储介质 | |
| CN111666946A (zh) | 基于点云过分割与面片生长的植株点云单叶片分割方法 | |
| JP2017169520A (ja) | ブドウの栽培管理方法 | |
| CN117546691B (zh) | 一种基于图像识别的园林树木智能修剪系统及方法 | |
| CN106683092B (zh) | 测算蓝莓树冠郁闭度的装置和方法 | |
| CN113115622B (zh) | 视觉机器人避障控制方法、装置及割草机器人 | |
| Hu et al. | Design and experiment of a new citrus harvesting robot | |
| CN112372633A (zh) | 机器人的果园树形架型自主推理与场景理解方法 | |
| CN117311366B (zh) | 一种应用于机场草坪的割草机的路径控制方法、系统及存储介质 | |
| Shamshiri et al. | An overview of visual servoing for robotic manipulators in digital agriculture | |
| CN216982989U (zh) | 一种气流振动式设施作物自动授粉装置 | |
| CN112307147B (zh) | 一种植保无人机实时导航线提取方法 | |
| CN109190541A (zh) | 树木抚育装置及控制方法、装置、电子设备及存储介质 | |
| CN221048423U (zh) | 温室黄瓜叶部病害自动巡检与识别机器人 | |
| CN114485612B (zh) | 路线生成方法、装置、无人作业车、电子设备及存储介质 | |
| KR102077219B1 (ko) | 줄기 검출을 이용한 과수원 자율주행 차량의 경로 설정 방법 및 시스템 | |
| Mhamed et al. | Advances in apple’s automated orchard equipment: A comprehensive research |
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 |