CN1936919A - 利用位置和纹理特征自动识别作物苗期田间杂草的方法 - Google Patents
利用位置和纹理特征自动识别作物苗期田间杂草的方法 Download PDFInfo
- Publication number
- CN1936919A CN1936919A CNA2005100865093A CN200510086509A CN1936919A CN 1936919 A CN1936919 A CN 1936919A CN A2005100865093 A CNA2005100865093 A CN A2005100865093A CN 200510086509 A CN200510086509 A CN 200510086509A CN 1936919 A CN1936919 A CN 1936919A
- Authority
- CN
- China
- Prior art keywords
- point
- weeds
- threshold
- crop
- row
- 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
Images
Abstract
本发明涉及一种田间杂草信息自动识别的方法。本发明公开的利用位置和纹理特征自动识别作物苗期田间杂草的方法,采取以下步骤:1)先采用数码摄像机将条播作物苗期田间作物苗和杂草苗的视频采集到DV带中;然后,通过电缆把数码摄像机和与安装在计算机内的视频采集卡连接,导出采集的视频文件,从导出的视频文件中获取帧图像;2)利用计算机进行绿色植物和土壤背景的分割;3)利用位置特征识别行间杂草;4)利用纹理特征识别行内杂草;5)作物行间杂草图与作物行内杂草进行加运算,得到田间杂草图。
Description
技术领域
本发明涉及精准农业机械装备自动控制技术领域,具体涉及一种田间杂草信息自动识别的方法。
背景技术
田间杂草与作物竞争水分和养分,侵占空间,影响作物光合作用,干扰作物生长;如不及时控制,会导致粮食产量严重下降。据估计,我国仅条播农作物小麦田间草害面积达1000万公顷,年粮食产量损失40亿公斤以上。
化学除草已成为主要的除草方式。在发达国家,除草剂的施用量占农药总施用量的一半以上;近20年来,中国的除草剂施用量增加迅速,现在年消耗总量近47万吨。
目前,化学除草剂的使用方式普遍为粗放式的大面积喷洒,而杂草的分布密度平均只占30%,因此大量的农药造成了浪费,还造成了严重的生态环境污染。因此,精准农业变量喷洒技术成为研究热点。要实现变量喷药,首要解决田间杂草自动识别问题。
田间杂草识别方法有人工监测、遥感监测和近地图像监测三种途径。1)人工监测是在喷药作业之前,运用GPS或其它定位系统,人工自动记录所看到的田间杂草的位置,然后绘制成杂草分布图,这种方法存在效率低下、劳动强度大、完全依赖人工经验,在大面积杂草苗情观测上,人工监测显得无能为力。2)遥感监测虽克服了人工监测的诸多弊端,但是,由于遥感图像的空间和光谱分辨率较低,主要用于识别一定生长期内大面积发生的几种杂草,致使杂草识别率较低且定位精度低。3)而近地图像监测方法是利用机器视觉技术在距地面较近的条件下,捕获、处理和分析田间图像中所包含的作物、杂草以及背景的信息,并自动识别出杂草,该方法能达到较高的杂草识别率。但这种方法通常是利用作物与杂草的颜色差别进行杂草自动识别。由于田间光照的不均匀性,以及杂草与作物的颜色相近的问题,用颜色自动对杂草的识别率较低,该方法杂草自动识别率通常低于80%。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种识别率高,且能快速、自动识别作物苗期田间杂草的方法。
(二)技术方案
为了达到上述目的,本发明采取以下方法步骤:
1)先采用数码摄像机将条播作物苗期田间作物苗和杂草苗的视频采集到DV带中;然后,通过电缆把数码摄像机和与安装在计算机内的视频采集卡连接,导出采集的视频文件,从导出的视频文件中获取帧图像;
2)利用计算机进行绿色植物和土壤背景的分割:
根据“超绿法”,即用颜色阈值指标分割绿色植物和土壤背景;
3)利用位置特征识别行间杂草:
根据绿色植物的象素直方图,提取作物行的中心线和宽度,从而识别行间杂草;
4)利用纹理特征识别行内杂草:
以提取的作物中心线为基准,向两侧选取纹理块,计算绿色植物的纹理特征,识别行内杂草;
5)作物行间杂草图与作物行内杂草进行加运算,得到田间杂草图。
在步骤1)中,还包括对条播作物苗期田间24位RGB原始彩色图像,根据超绿颜色指标Extra-Green=2G-R-B,转换为8位的灰度图像;然后运用Otsu法将8位的灰度图像转换为二值图像,即黑白图像,其中,绿色植物为前景-白色,土壤为背景-黑色。
在步骤3)中,还包括根据作物的作物行距基本恒定的位置特征,通过统计列方向,即沿着作物行方向植物象素数,得到植物象素分布的直方图f(x):
x=0,1,2,…W-1
其中,f(x,y)表示图像象素点(x,y)的灰度值,W为图像的宽度,H为图像的高度;
根据绿色植物的象素直方图,自动确定作物行中心的位置和行宽,位于行宽之外的植物象素即为行间杂草:
A)如果象素直方图的一点P(x)>=threshold,则该点可能为一个记录点;
B)如果是第一个记录点(i=0),则有:
当P(x-5)<threshold && P(x+5)>threshold时,x为左边界点,上升段,记录该点;
当P(x-5)>threshold && P(x+5)<threshold时,x为右边界点,下降段,记录该点;
当P(x-5)>threshold && P(x+5)>threshold时,x为左边界点,上升段,记录该点;
C)如果不是第一个记录点(i!=0),则有
当P(x-5)<threshold && P(x+5)>threshold && 前一个点为下降段点,x为左边界点,上升段,记录该点;
当P(x-5)>threshold && P(x+5)<threshold && 前一个点为上升段点,x为右边界点,下降段,记录该点。
在步骤4)中,还包括以作物行中心线为基准来选取纹理块,在8位的绿色植物的H颜色分量的灰度中,分别提取纹理块的灰度共生矩阵:
其中,i=f(x1,y1),j=f(x2,y2),且有(x2,y2)=(x1,y1)+(dcosθ,dsinθ)
d,θ分别表示象素对间距离和角度;等号右边的分子是具有某种空间关系、灰度值分别为g1和g2象素对的个数,分母为象素对的总和个数(#代表数量);
提取二阶矩、熵、对比度、均匀性和相关性这5个纹理特征参数,然后利用无监督特性的K-均值聚类法判别分析各块的类别,从而识别行内杂草。
(三)有益效果
由于采用了苗期作物和杂草的位置和纹理特征与计算机图像处理相结合,因此,具有识别率高,而且,能够快速、自动识别田间杂草分布情况,并根据该分布情况,实施变量施药,从而,节约大量农药,减轻生态环境的污染;同时,减轻了人们的劳动强度。
附图说明
图1是本发明的原理框图。
图2是本发明作物行中心的自动确定算法的流程图。
图3是本发明中以作物行中心线为基准的纹理块特征的提取算法的流程图。
具体实施方式
以下实施例用于说明本发明,但不用来限制本发明的范围。
如图1所示,先采用数码摄像机将条播作物苗期田间作物苗和杂草苗的视频采集到DV带中;然后,通过电缆把数码摄像机和与安装在计算机内的1394视频采集卡连接,导出采集的视频为*.avi格式的视频文件;从导出的视频文件中获取帧图像。
对获取的帧图像,根据条播作物苗期田间作物苗和杂草苗的位置和纹理特征,识别条播作物田间杂草。具体实施方式如下:
1)对条播作物苗期田间24 bit RGB原始彩色图像,根据超绿颜色指标Extra-Green=2G-R-B,转换为8 bit的灰度图像;
2)运用Otsu法将8 bit的灰度图像转换为二值图像,绿色植物为前景(白色),土壤为背景(黑色);
3)统计列方向(沿着作物行方向)二值图像中绿色植物的象素直方图,象素直方图的横坐标为图像的宽度,纵坐标为每列中的植物象素数;
4)根据象素直方图的最大值,确定作物行边界的阈值,由此阈值初步确定作物行的左右边界;
5)根据左右边界的宽度,去除伪边界,最终确定作物行的左右边界,并据此确定作物行的中心线位置和作物行数;
6)标记位于作物行左右边界之外的行间杂草(灰色,100);
7)二值图像与24 bit RGB原始彩色图像进行加运算,映射分割的绿色植物区域到原始图像中,得到绿色植物彩色图像,绿色植物为原始RGB值,土壤背景为黑色(0);
8)根据彩色空间RGB->HIS的转换公式,计算绿色植物彩色图像的色度H的8 bit灰度图像;
9)以提取的作物行中心线的位置为基准,分别向左右边界依次提取16×16大小的纹理块,计算每个纹理块的二阶矩、熵、对比度、均匀性和相关性;
10)运用K-均值聚类分析算法,计算各特征值到聚类中心的距离,将象素点归入距离最小的那一类,识别作物和行内杂草,标记位于作物行内的杂草(灰色,100);
11)作物行间杂草图与作物行内杂草图进行加运算,得到田间杂草图。
下面结合图2、图3,对作物行中心的自动确定算法和以作物行中心线为基准的纹理块特征的提取算法作进一步的具体描述。
1、基于象素直方图的作物行中心的自动确定
先根据作物行距基本恒定的位置特征,通过统计列方向(沿着作物行方向)植物象素数,得到植物象素分布的直方图f(x):
其中,f(x,y)表示图像象素点(x,y)的灰度值,W为图像的宽度,H为图像的高度。
然后,根据绿色植物的象素直方图的最大值,确定作物行的边界分割阈值threshold:
threshold=Max(f(x))/2
接着,根据绿色植物的象素直方图和边界分割阈值threshold,自动确定作物行的边界位置:
1)如果象素直方图的一点P(x)>=threshold,则该点可能为一个边界点;
2)如果是第一个边界点(i=0),则有:
当P(x+5)>threshold时,x为左边界点flag1=TRUE,上升段flag2=TRUE,记录该点C[i]=x;
当P(x-5)>threshold并且P(x+5)<threshold时,x为右边界点flag1=FALSE,下降段flag2=FALSE,记录该点C[i]=x;
3)如果不是第一个边界点(i!=0),则有
当P(x-5)<threshold并且P(x+5)>threshold并且前一个点为下降段点flag2=FALSE,x为上升段边界点flag2=TRUE,记录该点C[i]=x;
当P(x-5)>threshold并且P(x+5)<threshold并且前一个点为上升段点flag2=TRUE,x为下降段边界点flag2=FALSE,记录该点C[i]=x。
最后,根据绿色植物的象素直方图和作物行的边界位置C[i],自动确定作物行的中心行的位置:
1)如果第一个边界点C[i]是左边界flag1=TRUE,则按照如下方法循环求取作物行中心位置L[k]:当(C[i+1]-C[i])>20时,L[k]=(C[i+1]+C[i]))/2
2)如果第一个边界点C[i]是右边界flag1=FALSE,则按照如下方法循环求取作物行中心位置L[k]:当(C[i+2]-C[i+1])>20时,L[k]=(C[i+2]+C[i+1]))/2
2、行内杂草识别采用以作物行中心线为基准的纹理块特征的提取算法:
先以求出作物行的中心线L[k]为基准,分别向左右计算纹理块数:
Nl=(L[k]-Rw[2k])/Bw
Nr=(Rw[2k+1]-L[k])/Bw
其中,Nl和Nr分别为基准线的左边和右边的纹理块数,Rw[]为求出的作物行的边界,Bw为纹理块的宽度。
然后,根据纹理块数Nl和Nr,在8bit的绿色植物的H颜色分量的灰度图中,依次取出每个纹理块,存储于事先分配的临时图像块中,计算该纹理块的灰度共生矩阵:
其中,i=f(x1,y1),j=f(x2,y2),且有(x2,y2)=(x1,y1)+(dcosθ,dsinθ)
d,θ分别表示像素对间距离和角度(θ,一般取0°,45°,90°,135°方便运算)。等号右边的分子是具有某种空间关系、灰度值分别为g1和g2象素对的个数,分母为象素对的总和个数(#代表数量)。
接着,根据计算的灰度共生矩阵,提取能量、对比度、熵、逆差矩和相关性这5个纹理特征参数:
1)能量:
2)对比度:
(k1,k2为正整数)
3)熵:
4)逆差矩:
5)相关性:
式中μ1,μ2,σ1,σ2分别定义为:
最后,根据所计算的纹理特征参数的最大值Lmax和最小值Lmin,对求取的纹理特征参数F进行归一化:
当Lmax-Lmin=0时,F1=0。
通过上述算法得到的行间杂草图与作物行内杂草图进行加运算,即得到田间杂草图。
以上方法识别率高,解决了杂草与作物同为绿色而难以分辨的技术问题;同时,能够快速、自动识别田间杂草,从而,为下一步变量施药提供了依据。
Claims (4)
1、一种利用位置和纹理特征自动识别作物苗期田间杂草的方法,其特征在于,有以下步骤:
1)先采用数码摄像机将条播作物苗期田间作物苗和杂草苗的视频采集到DV带中;然后,通过电缆把数码摄像机和与安装在计算机内的视频采集卡连接,导出采集的视频文件,从导出的视频文件中获取帧图像;
2)利用计算机进行绿色植物和土壤背景的分割:
根据“超绿法”,即用颜色阈值指标分割绿色植物和土壤背景;
3)利用位置特征识别行间杂草:
根据绿色植物的象素直方图,提取作物行的中心线和宽度,从而识别行间杂草;
4)利用纹理特征识别行内杂草:
以提取的作物中心线为基准,向两侧选取纹理块,计算绿色植物的纹理特征,识别行内杂草;
5)作物行间杂草图与作物行内杂草图进行加运算,得到田间杂草图。
2、如权利要求1所述的一种利用位置和纹理特征自动识别作物苗期田间杂草的方法,其特征在于:
在步骤1)中,还包括对条播作物苗期田间24bit RGB原始彩色图像,根据超绿颜色指标Extra-Green=2G-R-B,转换为8bit的灰度图像;然后运用Otsu法将8bit的灰度图像转换为二值图像,即黑白图像,其中,绿色植物为前景—白色,土壤为背景—黑色。
3、如权利要求1所述的一种利用位置和纹理特征自动识别作物苗期田间杂草的方法,其特征在于:
在步骤3)中,还包括根据作物行距基本恒定的位置特征,通过统计列方向,即沿着作物行方向植物象素数,得到植物象素分布的直方图f(x):
x=0,1,2,…W-1
其中,f(x,y)表示图像象素点(x,y)的灰度值,W为图像的宽度,H为图像的高度;
根据绿色植物的象素直方图,自动确定作物行中心的位置和行宽,位于行宽之外的植物象素即为行间杂草:
A)如果象素直方图的一点P(x)>=threshold,则该点可能为一个记录点;
B)如果是第一个记录点(i=0),则有:
当P(x-5)<threshold && P(x+5)>threshold时,x为左边界点,上升段,记录该点;
当P(x-5)>threshold && P(x+5)<threshold时,x为右边界点,下降段,记录该点;
当P(x-5)>threshold && P(x+5)>threshold时,x为左边界点,上升段,记录该点;
C)如果不是第一个记录点(i!=0),则有
当P(x-5)<threshold && P(x+5)>threshold &&前一个点为下降段点,x为左边界点,上升段,记录该点;
当P(x-5)>threshold && P(x+5)<threshold &&前一个点为上升段点,x为右边界点,下降段,记录该点。
4、如权利要求1所述的一种利用位置和纹理特征自动识别作物苗期田间杂草的方法,其特征在于:
在步骤4)中,还包括以作物行中心线为基准来选取纹理块,在8bit的绿色植物的H颜色分量的灰度中,分别提取纹理块的灰度共生矩阵:
其中,i=f(x1,y1),j=f(x2,y2),且有(x2,y2)=(x1,y1)+(d cosθ,d sinθ)
d,θ分别表示象素对间距离和角度;等号右边的分子是具有某种空间关系、灰度值分别为g1和g2象素对的个数,分母为象素对的总和个数(#代表数量);
提取二阶矩、熵、对比度、均匀性和相关性这5个纹理特征参数,然后利用无监督特性的K-均值聚类法判别分析各块的类别,从而识别行内杂草。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100865093A CN100416590C (zh) | 2005-09-23 | 2005-09-23 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2005100865093A CN100416590C (zh) | 2005-09-23 | 2005-09-23 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1936919A true CN1936919A (zh) | 2007-03-28 |
CN100416590C CN100416590C (zh) | 2008-09-03 |
Family
ID=37954415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2005100865093A Active CN100416590C (zh) | 2005-09-23 | 2005-09-23 | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100416590C (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101807252A (zh) * | 2010-03-24 | 2010-08-18 | 中国农业大学 | 作物行中心线提取方法和系统 |
CN101859375A (zh) * | 2010-06-01 | 2010-10-13 | 南京林业大学 | 农田苗期行内作物-杂草识别方法 |
US8107681B2 (en) * | 2005-04-29 | 2012-01-31 | G & G Növényvédelmi és Kereskedelmi K ft. | Setup for constructing a weed map |
CN102339378A (zh) * | 2010-07-22 | 2012-02-01 | 中国农业机械化科学研究院 | 一种自动提取棉苗的方法及其装置 |
CN102982533A (zh) * | 2012-11-01 | 2013-03-20 | 江苏大学 | 一种基于计算机视觉的雷笋图像的切割方法 |
CN103020595A (zh) * | 2012-12-05 | 2013-04-03 | 汤烈 | 基于三维飞行时间法成像的农作物-杂草识别及定位方法 |
CN103839069A (zh) * | 2014-03-11 | 2014-06-04 | 浙江理工大学 | 基于图像分析的漏割草坪识别方法 |
CN104111653A (zh) * | 2013-04-22 | 2014-10-22 | 苏州宝时得电动工具有限公司 | 自动行走设备及其工作区域判断方法 |
CN104345734A (zh) * | 2013-08-07 | 2015-02-11 | 苏州宝时得电动工具有限公司 | 自动工作系统、自动行走设备及其控制方法 |
CN105335749A (zh) * | 2015-08-28 | 2016-02-17 | 浙江理工大学 | 基于灰度共生矩阵的草地未割区域分界线提取方法 |
CN106780585A (zh) * | 2016-11-28 | 2017-05-31 | 国家海洋局第二海洋研究所 | 基于图像旋转的任意灰度共生矩阵的计算方法及应用 |
CN107846848A (zh) * | 2015-07-02 | 2018-03-27 | 益高环保机器人股份公司 | 机器人车辆和使用机器人用于植物生物体的自动处理的方法 |
CN108009542A (zh) * | 2017-11-01 | 2018-05-08 | 华中农业大学 | 油菜大田环境下杂草图像分割方法 |
CN108776803A (zh) * | 2018-04-20 | 2018-11-09 | 中国农业大学 | 一种去除农田中杂草的方法及系统 |
US10165722B2 (en) * | 2014-12-05 | 2019-01-01 | Deere & Company | Scouting systems |
CN109522929A (zh) * | 2018-10-16 | 2019-03-26 | 南京农业大学 | 一种基于多源图像融合的自然环境下麦田杂草识别方法 |
CN109934256A (zh) * | 2019-01-28 | 2019-06-25 | 华南农业大学 | 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法 |
CN109975296A (zh) * | 2019-04-18 | 2019-07-05 | 广西科技大学 | 一种针对绿色叶菜类蔬菜的杂草识别方法 |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3244343A1 (en) * | 2016-05-12 | 2017-11-15 | Bayer Cropscience AG | Recognition of weed in a natural environment |
US11178818B2 (en) | 2018-10-26 | 2021-11-23 | Deere & Company | Harvesting machine control system with fill level processing based on yield data |
US11957072B2 (en) | 2020-02-06 | 2024-04-16 | Deere & Company | Pre-emergence weed detection and mitigation system |
US11589509B2 (en) | 2018-10-26 | 2023-02-28 | Deere & Company | Predictive machine characteristic map generation and control system |
US11240961B2 (en) | 2018-10-26 | 2022-02-08 | Deere & Company | Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity |
US11079725B2 (en) | 2019-04-10 | 2021-08-03 | Deere & Company | Machine control using real-time model |
US11467605B2 (en) | 2019-04-10 | 2022-10-11 | Deere & Company | Zonal machine control |
US11641800B2 (en) | 2020-02-06 | 2023-05-09 | Deere & Company | Agricultural harvesting machine with pre-emergence weed detection and mitigation system |
US11672203B2 (en) | 2018-10-26 | 2023-06-13 | Deere & Company | Predictive map generation and control |
US11778945B2 (en) | 2019-04-10 | 2023-10-10 | Deere & Company | Machine control using real-time model |
US11234366B2 (en) | 2019-04-10 | 2022-02-01 | Deere & Company | Image selection for machine control |
US11477940B2 (en) | 2020-03-26 | 2022-10-25 | Deere & Company | Mobile work machine control based on zone parameter modification |
US11650587B2 (en) | 2020-10-09 | 2023-05-16 | Deere & Company | Predictive power map generation and control system |
US11711995B2 (en) | 2020-10-09 | 2023-08-01 | Deere & Company | Machine control using a predictive map |
US11895948B2 (en) | 2020-10-09 | 2024-02-13 | Deere & Company | Predictive map generation and control based on soil properties |
US11635765B2 (en) | 2020-10-09 | 2023-04-25 | Deere & Company | Crop state map generation and control system |
US11592822B2 (en) | 2020-10-09 | 2023-02-28 | Deere & Company | Machine control using a predictive map |
US11889788B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive biomass map generation and control |
US11946747B2 (en) | 2020-10-09 | 2024-04-02 | Deere & Company | Crop constituent map generation and control system |
US11844311B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Machine control using a predictive map |
US11825768B2 (en) | 2020-10-09 | 2023-11-28 | Deere & Company | Machine control using a predictive map |
US11727680B2 (en) | 2020-10-09 | 2023-08-15 | Deere & Company | Predictive map generation based on seeding characteristics and control |
US11927459B2 (en) | 2020-10-09 | 2024-03-12 | Deere & Company | Machine control using a predictive map |
US11874669B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Map generation and control system |
US11845449B2 (en) | 2020-10-09 | 2023-12-19 | Deere & Company | Map generation and control system |
US11675354B2 (en) | 2020-10-09 | 2023-06-13 | Deere & Company | Machine control using a predictive map |
US11849672B2 (en) | 2020-10-09 | 2023-12-26 | Deere & Company | Machine control using a predictive map |
US11871697B2 (en) | 2020-10-09 | 2024-01-16 | Deere & Company | Crop moisture map generation and control system |
US11474523B2 (en) | 2020-10-09 | 2022-10-18 | Deere & Company | Machine control using a predictive speed map |
US11864483B2 (en) | 2020-10-09 | 2024-01-09 | Deere & Company | Predictive map generation and control system |
US11889787B2 (en) | 2020-10-09 | 2024-02-06 | Deere & Company | Predictive speed map generation and control system |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7003161B2 (en) * | 2001-11-16 | 2006-02-21 | Mitutoyo Corporation | Systems and methods for boundary detection in images |
-
2005
- 2005-09-23 CN CNB2005100865093A patent/CN100416590C/zh active Active
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8107681B2 (en) * | 2005-04-29 | 2012-01-31 | G & G Növényvédelmi és Kereskedelmi K ft. | Setup for constructing a weed map |
CN101807252B (zh) * | 2010-03-24 | 2012-03-28 | 中国农业大学 | 农作物行中心线提取方法和系统 |
CN101807252A (zh) * | 2010-03-24 | 2010-08-18 | 中国农业大学 | 作物行中心线提取方法和系统 |
CN101859375A (zh) * | 2010-06-01 | 2010-10-13 | 南京林业大学 | 农田苗期行内作物-杂草识别方法 |
CN101859375B (zh) * | 2010-06-01 | 2011-12-28 | 南京林业大学 | 农田苗期行内作物-杂草识别方法 |
CN102339378A (zh) * | 2010-07-22 | 2012-02-01 | 中国农业机械化科学研究院 | 一种自动提取棉苗的方法及其装置 |
CN102982533B (zh) * | 2012-11-01 | 2015-03-04 | 江苏大学 | 一种基于计算机视觉的雷笋图像的切割方法 |
CN102982533A (zh) * | 2012-11-01 | 2013-03-20 | 江苏大学 | 一种基于计算机视觉的雷笋图像的切割方法 |
CN103020595B (zh) * | 2012-12-05 | 2015-08-12 | 汤烈 | 基于三维飞行时间法成像的农作物-杂草识别及定位方法 |
CN103020595A (zh) * | 2012-12-05 | 2013-04-03 | 汤烈 | 基于三维飞行时间法成像的农作物-杂草识别及定位方法 |
CN104111653A (zh) * | 2013-04-22 | 2014-10-22 | 苏州宝时得电动工具有限公司 | 自动行走设备及其工作区域判断方法 |
CN104345734A (zh) * | 2013-08-07 | 2015-02-11 | 苏州宝时得电动工具有限公司 | 自动工作系统、自动行走设备及其控制方法 |
CN103839069A (zh) * | 2014-03-11 | 2014-06-04 | 浙江理工大学 | 基于图像分析的漏割草坪识别方法 |
CN103839069B (zh) * | 2014-03-11 | 2017-04-12 | 浙江理工大学 | 基于图像分析的漏割草坪识别方法 |
US10165722B2 (en) * | 2014-12-05 | 2019-01-01 | Deere & Company | Scouting systems |
US10939606B2 (en) | 2014-12-05 | 2021-03-09 | Deere & Company | Scouting systems |
CN107846848A (zh) * | 2015-07-02 | 2018-03-27 | 益高环保机器人股份公司 | 机器人车辆和使用机器人用于植物生物体的自动处理的方法 |
CN105335749B (zh) * | 2015-08-28 | 2019-05-10 | 浙江理工大学 | 基于灰度共生矩阵的草地未割区域分界线提取方法 |
CN105335749A (zh) * | 2015-08-28 | 2016-02-17 | 浙江理工大学 | 基于灰度共生矩阵的草地未割区域分界线提取方法 |
CN106780585A (zh) * | 2016-11-28 | 2017-05-31 | 国家海洋局第二海洋研究所 | 基于图像旋转的任意灰度共生矩阵的计算方法及应用 |
CN106780585B (zh) * | 2016-11-28 | 2019-07-23 | 自然资源部第二海洋研究所 | 基于图像旋转的任意灰度共生矩阵的计算方法及应用 |
CN108009542A (zh) * | 2017-11-01 | 2018-05-08 | 华中农业大学 | 油菜大田环境下杂草图像分割方法 |
CN108009542B (zh) * | 2017-11-01 | 2021-06-15 | 华中农业大学 | 油菜大田环境下杂草图像分割方法 |
CN108776803A (zh) * | 2018-04-20 | 2018-11-09 | 中国农业大学 | 一种去除农田中杂草的方法及系统 |
CN109522929A (zh) * | 2018-10-16 | 2019-03-26 | 南京农业大学 | 一种基于多源图像融合的自然环境下麦田杂草识别方法 |
CN109934256A (zh) * | 2019-01-28 | 2019-06-25 | 华南农业大学 | 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法 |
CN109975296A (zh) * | 2019-04-18 | 2019-07-05 | 广西科技大学 | 一种针对绿色叶菜类蔬菜的杂草识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100416590C (zh) | 2008-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100416590C (zh) | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 | |
CN109115776B (zh) | 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置 | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN110288647B (zh) | 一种基于高分辨率卫星数据监测灌区灌溉面积方法 | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN109522929A (zh) | 一种基于多源图像融合的自然环境下麦田杂草识别方法 | |
CN108710766A (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
CN105844632A (zh) | 基于机器视觉的稻株识别与定位方法 | |
Ashourloo et al. | A novel automatic method for alfalfa mapping using time series of Landsat-8 OLI data | |
Sivakumar et al. | Agroecological zones and the assessment of crop production potential | |
CN115456476A (zh) | 一种基于机器视觉的国土空间规划数据采集分析系统 | |
CN112215522A (zh) | 农作物长势监测系统、方法、计算机设备及存储介质 | |
CN102339378A (zh) | 一种自动提取棉苗的方法及其装置 | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
CN110598514B (zh) | 一种土地整治项目区地块尺度农作物播种面积监测方法 | |
CN115661647A (zh) | 一种树木栽种生长状况的定时巡检方法 | |
DE202022102591U1 (de) | System zur Überwachung des Gesundheitszustands von Pflanzen in der Präzisionslandwirtschaft mittels Bildverarbeitung und Faltungsneuronalem Netz | |
CN114494689A (zh) | 番茄干旱胁迫的识别方法 | |
Yihang et al. | Automatic recognition of rape seeding emergence stage based on computer vision technology | |
Poleshchenko et al. | Development of a System for Automated Control of Planting Density, Leaf Area Index and Crop Development Phases by UAV Photos | |
CN116453003B (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
CN114639011A (zh) | 一种基于年龄特征的香榧种植面积计算方法及装置 | |
CN115909062A (zh) | 基于多点位融合的小麦产量估测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |