TWI709111B - 快速農作物定位方法 - Google Patents
快速農作物定位方法 Download PDFInfo
- Publication number
- TWI709111B TWI709111B TW108122013A TW108122013A TWI709111B TW I709111 B TWI709111 B TW I709111B TW 108122013 A TW108122013 A TW 108122013A TW 108122013 A TW108122013 A TW 108122013A TW I709111 B TWI709111 B TW I709111B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- binary image
- surface model
- binary
- positioning
- Prior art date
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
一種快速農作物定位方法,其中該方法係同時以DSM方法及光譜分類
法對取自於一植栽區域內的複數幀航拍影像進行影像處理,進而獲得一第一二元化影像與一第二二元化影像。並且,本發明之方法更進一步地則可利用影像交集處理將該第一二元化影像與該第二二元化影像交集合併成一第三二元化影像,藉此方式消除誤授誤差。最終,再對誤授誤差已經被降至最低的該第三二元化影像進行向量化,而後準確地在該第三二元化影像標示出對應於該複數個植株的該複數個定位點。
Description
本發明是關於遙感探測(Remote sensing)之技術領域,尤指一種快速農作物定位方法。
精準農業(Precision agriculture)又稱精準農作(Precision farming)或者是定點作物管理(Site-specific crop management),是指利用現代化或科技化之技術進行精耕細作。精準農業的目標是為整個農場管理設計一個決策管理系統,達到在保留資源的同時優化投入回報。目前,決策管理系統通常採用全球衛星定位系統(GPS)、地理信息系統(GIS)、遙感探測技術(Remote sensing)、決策支持系統(DSS)、及/或變量撒布技術(VRT)在植栽場所或農田獲取定點數據且作出即時分析。植株定位被視為精準農業的先鋒技術。舉例而言,可以使用室內定位系統在一溫室植栽場內監測每一株農作物的位置與生長狀況。然而,有鑑於大部分的農作物仍是栽種於在戶外,因此,必須依靠影像辨識技術與定位系統的協作才能夠準確地監測每一株農作物的位置與生長狀況,進而派遣具有定位功能的農機執行栽培管理。
隨著無人飛行載具(Unmanned Aerial Vehicles,UAV)之製造技術已臻成熟,在搭配穩定的航拍取像裝置以及精準的自動導航技術的情況下,無人飛行載具之航拍系統已經廣泛地被應用在能提供農損查報所需之影像圖資,達到縮短人力勘災的時間並加速災後復耕。於航測及遙測學刊第二十三卷第2期
之中,周巧盈等人發表了“應用無人飛機航拍影像協助農業勘災-以香蕉災損影像判釋為例”之文獻。由該文獻之揭示內容可以得知,其係令一台無人飛行載具搭載一高解析度取像裝置,並遙控該無人飛行載具取得香蕉果園的高解析度航拍影像;接著,對高解析度航拍影像進行影像鑲嵌拼接與空間資料產製等影像處理。
完成影像鑲嵌拼接與空間資料產製之後,便可自該高解析度航拍影像之中獲得正射鑲嵌影像及數值地表模型(Digital surface model,DSM)之數據。繼續地,再對所述正射鑲嵌影像執行光譜影像分類,且依據DSM數據辨別災損傾倒的高度差異之後,便能夠進行災損判釋。最終,透過輔助參考農糧署之農產業災害勘查機制下之災損調查暨核定成果,還能夠進一步地評估災損判釋之正確性。
然而,本案之發明人透過實驗與研究發現,為獲得理想的三維模型,無人飛行載具的飛行不能過高,且所取得之高解析度航拍影像必須具有高影像重疊度。另一方面,對所述正射鑲嵌影像執行光譜影像分類之時,在辨識同一植株的定位點之時容易受到雜訊的影響而產生誤判,造成植株定位成果相對較差。
由上述說明可知,如何改善目前所使用的植株定位(positioning)之處理方法,已成為現階段之重要課題。
習知技術通常採用高程特徵萃取(DSM方法)或光譜分類法來對取自於一植栽區域內的複數幀航拍影像進行影像處理,藉此獲得標示有對應於複數個植株之複數個定位點的二元化影像。然而,此二種方法皆顯示出誤授誤差
(Commission Error)大於漏授誤差(Omission Error)之明顯缺陷。鑒於上述緣由,本發明之主要目的在於提出一種快速農作物定位方法,藉此消除誤授誤差。
為了達成上述本發明之主要目的,本案發明人係提供所述快速農作物定位方法之一實施例,包括以下步驟:(1)令一無人飛行載具於一植栽區域內取得複數幀航拍影像;(2)對該複數幀航拍影像執行一影像式三維模型重建,以獲得一正射鑲嵌影像與一數值地表模型(Digital surface model,DSM),接著執行以下步驟(3)與步驟(4);(3)將該正射鑲嵌影像轉換成一第一二元化影像,接著執行步驟(5);(4)將該數值地表模型轉換成一第二二元化影像,接著執行步驟(5);(5)對該第一二元化影像與該第二二元化影像執行一影像交集運算,獲得一第三二元化影像;以及(6)於該第三二元化影像之上標示出對應於複數個植株之複數個定位點。
S1-S6:步驟
1:無人飛行載具
2:影像擷取裝置
3a:記憶單元
PR:植栽區域
40:控制模組
41:遙控模組
3b:第一無線傳輸模組
42:第二無線傳輸模組
43:資料儲存模組
445:植株標示定位單元
44:影像處理模組
441:三維模型建立單元
442:第一影像轉換單元
443:第二影像轉換單元
444:影像交集運算單元
第1圖為本發明所應用的快速農作物計數與定位系統的示意性立體圖。
第2圖為本發明之一種快速農作物定位方法的流程圖。
第3圖為秧苗的正射鑲嵌影像與經變異數濾波處理之後的正射鑲嵌影像之實際影像圖。
第4圖為水稻秧苗之正射鑲嵌影像、經過光譜分類處理之正射鑲嵌影像、以及經過變異數濾波處理及光譜分類處理之正射鑲嵌影像之實際影像圖。
第5圖為為三張植株定位之影像圖。
第6圖為本發明所應用的快速農作物計數與定位系統的第一方塊圖。
第7圖為本發明所應用的快速農作物計數與定位系統的第二方塊圖。
為了能夠更清楚地描述本發明所提出之一種快速農作物定位方法,以下將配合圖式,詳盡說明本發明之較佳實施例。
第1圖顯示本發明之一種快速農作物計數與定位系統的示意性立體圖,且圖2顯示本發明之一種快速農作物定位方法的流程圖。如圖1與圖2所示,本發明提出之快速農作物定位方法可以透過函式庫、變數或運算元之形式而被編輯為至少一應用程式,以易於建立在一控制與處理裝置4之中,且該控制與處理裝置4可以是但不限於處理器、工業電腦、伺服器電腦、桌上型電腦、筆記型電腦、平板電腦、智慧型手機、或智慧型手錶。
繼續地參閱第1圖與第2圖。本發明之快速農作物定位方法於執行上係首先執行步驟S1:令一無人飛行載具1於一植栽區域PR內取得複數幀航拍影像。執行步驟S1時,該無人飛行載具1係以一影像擷取裝置2取得該航拍影像。依據本發明之設計,該影像擷取裝置2之一像素大小(Pixel size,PS)和一焦距(Focal length,FL)必須符合數學式:PS/FL=GSD/AGL;其中,AGL為該無人飛行載具之一航高(Above ground level,AGL),且GSD為所述航拍影像之一地面解析度(Ground sample distance,GSD)。
完成步驟S1之後,方法流程係接著執行步驟S2以對該複數幀航拍影像執行一影像式三維模型重建(Image-Based Modeling,IBM),藉以獲得一正射鑲
嵌影像(Orthomosaic)與一數值地表模型(Digital surface model,DSM)。在對所述航拍影像執行尺度不變特徵轉換(Scale-Invariant Feature Transform,SIFT)處理、移動回復結構(Structure from Motion,SfM)處理、多視角立體(Multi-View Stereo,MVS)處理、建立稀疏點雲、以及建立密集點雲之後,便可以成功產製所述數值地表模型(DSM)。另一方面,利用IBM技術將多張影像拼接為大幅影像,經過校正之後便成為一近似垂直拍攝的影像(亦即正射鑲嵌影像)。
獲得所述正射鑲嵌影像與數值地表模型之後,方法流程接著執行步驟S3與步驟S4。特別地,將該正射鑲嵌影像係於步驟S3之中被轉換成一第一二元化影像。更詳細地說明,於該步驟S3之中,係透過依序地對該正射鑲嵌影像執行一影像預處理與一光譜分類處理(Spectral Image Classification)的方式,將所述正射鑲嵌影像轉換成一第一二元化影像。影像二值化(Image binarization)係用於將影像進行前後景分離,即分成感興趣的部分(前景)以及不感興趣的部分(背景)。因此,可以推知的,依據所意欲定位的農作物之種類的不同,可以選用不同的影像預處理演算法以及光譜分類處理演算法進行合適的搭配使用。其中,前述之影像預處理可以是線性濾波處理、非線性濾波處理、或基於Lambda-Schedule演算法之影像分割處理。另一方面,前述之光譜分類處理可以是下列任一種:基於迭代自組織數據分析算法(Iterative Self-Organizing Data Analysis Technique Algorithm,ISODATA)之光譜分類處理、基於K-平均演算法(K-Means Clustering Algorithm)之光譜分類處理、高斯最大概似分類法(Gaussian Maximum Likelihood Classification)、類神經網路分類法(Neural Networks Classification)、或貝氏分類法(Bayesian Classifier)。
以水稻秧苗為例。執行步驟S3時,所述影像預處理係利用非線性濾波器中的變異數濾波器,使影像中農作物特徵增強,藉以優化光譜分類成果。
具體實施例係使用變異數濾波器對所述正射鑲嵌影像進行濾波處理,將秧苗(前景)與土壤(背景)之差異與以凸顯。所述變異數濾波器之數學運算式為,運算式為且其能夠以函式庫、變數或運算元之形式而被編輯為至少一應用程式,並建立於該影像處理模組44(如第1圖所示)之中。其中,M為空間濾波器內像素平均值,f_i(x,y)則為特徵像素。第3圖顯示秧苗的正射鑲嵌影像與經變異數濾波處理之後的正射鑲嵌影像。如第3圖之中的影像(b)所示,在影像上有不同的特徵,容易造成光譜分類時的干擾。相反地,如第3圖之中的影像(a)所示,經過變異數濾波變異數濾波處理之後,影像上的將秧苗特徵被凸顯,且其它影像的特徵被減弱,是以能夠將土壤與秧苗的灰階值差異拉大,有利於光譜分類。
再以水稻秧苗為例,使用基於ISODATA之光譜分類處理。根據原有的光譜影像與影像預處裡後產製的影像,利用ISODATA演算法完成光譜分類處理。ISODATA演算法為K-means演算法的改進型,於K-means演算法加入分裂與合併類別的操作,並具有不需要給予類別數、不需要給定訓練樣區之特性,適合用於快速的自動化分類。第4圖顯示水稻秧苗之正射鑲嵌影像以及經過變異數濾波處理及光譜分類處理之正射鑲嵌影像。顯然地,加入合適的影像預處理可以有效提升光譜分類效果。
另一方面,該數值地表模型係於步驟S4之中被轉換成一第二二元化影像。於步驟S4之中,係先對該數值地表模型(DSM)執行一最大值濾波處理(Max filter)以獲得一濾波後之數值地表模型(DSM’)。以水稻秧苗為例,已知水稻秧苗行株距約20公分且數值地表模型的GSD為1公分,因此可以建立直徑為20像素的最大濾波器(Max Filter),並接著利用該濾波器處理數值地表模型。接著,
在對該濾波後之數值地表模型與該數值地表模型進行比較之後,產生所述第二二元化(二值化)影像。二值化又稱為灰度分劃(Threshold),假設m為二值化之閾值(thresholding value),凡是特徵影像的灰度值低於分劃值m即令為0,影像的灰度值高於分劃值m即令為1。簡單地說,前述步驟S3係透過對正射鑲嵌影像執行影像預處理及光譜分類處理生成所述第一二元化(二值化)影像。易於理解的,在第一二元化影像之中便已經完成意欲監測的農作物之植株與其它背景影像之劃分。同樣地,前述步驟S4係透過對該數值地表模型(DSM)執行高程特徵萃取(Elevation Feature Extraction)生成所述第二二元化影像,且在第二二元化影像之中也已經完成意欲監測的農作物之植株與其它背景影像之劃分。
獲得所述第一二元化影像及第二二元化影像之後,方法流程即繼續地執行步驟S5:對該第一二元化影像與該第二二元化影像執行一影像交集運算,獲得一第三二元化影像,且接著執行步驟S6:於該第三二元化影像之上標示出對應於複數個植株之複數個定位點。舉例而言,令第一二元化影像與第二二元化影像分別為二元化影像A與二元化影像B,則所述第三二元化影像即為二元化影像AB。前述說明已經特別解釋,第一二元化影像(二元化影像A)與第二二元化影像(二元化影像B)皆已經透過閾值劃分的方式完成意欲監測的農作物之植株與其它背景影像之分離,因此利用人眼即可於第一二元化影像(二元化影像A)與第二二元化影像(二元化影像B)之中判釋出農作物之每顆植株的位置。然而,在完成人工判釋之後,發現二元化影像A與二元化影像B的誤授誤差(Commission Error)皆大於漏授誤差(Omission Error)。基於這個理由,本發明進一步地選擇將兩張影像交集以消除誤授誤差,獲得所述第三二元化影像(二元化影像AB)。執行型態學的膨脹操作時,係使用5X5的結構元素I膨脹二元化影像AB為AB’,如數學式
AB⊕I=AB’,並接著合併距離4個像素內的鄰近像素,進一步減少授漏誤差。接著,於二元化影像AB之上標示向量化之形狀中心,作為植株定位的點。
農作物之植株定位成果比較
請重複參閱第2圖。補充說明的是,在完成步驟S1、步驟S2、與步驟S3之後可獲得第一二元化影像(二元化影像A),其中二元化影像A已經利用光譜方類法完成意欲監測的農作物之植株定位。並且,在完成步驟S1、步驟S2、與步驟S4之後可獲得第二二元化影像(二元化影像B),其中二元化影像B已經透過對該數值地表模型(DSM)執行高程特徵萃取(Elevation Feature Extraction)完成意欲監測的農作物之植株定位。後續可利用影像交集處理、對該第三二元化影像執行一形態學(Morphology)擴張處理、完成所述形態學擴張處理的該第三二元化影像執行向量化標示處理等影像處理方式,於該二元化影像A與該二元化影像B之第三二元化影像AB之上標示出對應於該複數個植株的該複數個定位點。
第5圖顯示三張植株定位之影像圖。第5圖中的影像(A)、影像(B)、及影像(C)分別顯示利用DSM法、光譜分類法、及混合法於正射影像上標示植株定位點。並且,下表(1)及整理前述三種植株定位方式的定位成果。
補充說明的是,TP(True Positive)表示模型預測為正樣本,實際上
為正樣本。FP(False Positive),表示模型預測為正樣本,實際上為負樣本。FN(False Negative),表示模型預測為負樣本,實際上為正樣本。精確率(Precision)表示模型預測正確的正樣本佔所有預測正樣本的比例,且召回率(Recall)表示模型預測正確的正樣本佔所有實際正樣本的比例。因此,表(1)的數據可以得知,採用DSM法(二元化影像B)對農作物之植株進行定位係顯示出精確率最低的問題。值得注意的是,混合法(第三二元化影像AB)之農作物的植株定位之精確率又更高於分類法(二元化影像A)。
為了進一步評估本發明之快速農作物定位方法的定位成果,以S1、S2、S3、S4、與S5五個植栽區域PR的水稻秧苗計算其定位成果之平均值與標準差,統計成果如下表(2)所示。
雖然前述係以水稻秧苗為範例說明本發明之快速農作物定位方法的影像處理方式以及定位準確率,然而並非用以限定本發明之快速農作物定位方法僅可以被應用在水稻秧苗之植株定位。在可能的實施例中,本發明之快速農作物定位方法可以被應用在水稻秧苗、西瓜、火龍果樹、香蕉樹、及高麗菜(甘藍)等農作物之植株定位。
以高麗菜(甘藍)為例。執行步驟S3時,所述影像預處理係利用變異
數濾波器(Variance filter)對所述正射鑲嵌影像進行濾波處理,將高麗菜(前景)與土壤(背景)之差異與以凸顯。同時,使用類神經網路分類法(Neural Networks Classification)完成意欲監測的農作物之植株與其它背景影像之劃分。類神經網路為模擬人類大腦神經元之計算方法,其由輸入層(Input layer)、隱藏層(Hidden layer)、與輸出層(Output layer)組成,可根據輸入之影像光譜特徵調整其神經元中的權重,具有學習效果且建立模型後可對其他相似光譜特徵的影像分類。類神經網路的神經元公式如下f(x)-W1g(W2A+b2)+b1=t。其中,g(z)為激勵函數(Activation function)、W1、W2是權重(weight),A為輸入之(影像)光譜特徵,t為輸出值,且b1、b2是偏權值(bias)。
獲得第一二元化影像(二元化影像A)之後,還必須進一步地利用透過形態學(Morphology)的侵蝕操作,將連結在一起的甘藍像元分離。接著,將第一二元化影像(二元化影像A)進行向量化,標註向量化之形狀中心,作為植株定位的點。
另一方面,以西瓜為例。執行步驟S3時,所述影像預處理係利用基於Lambda-Schedule演算法之影像分割處理於正射鑲嵌影像之中將西瓜(前景)與土壤(背景)之差異與以凸顯。同時,使用貝氏分類法(Bayesian Classifier)完成意欲監測的農作物之植株與其它背景影像之劃分。補充說明的是,高斯最大概似分類法之改良型貝氏分類法(Bayesian Classifier)必須給定人工選定訓練樣區,其方法為利用已知的先驗機率(Prior Probability)推估後驗機率(Posterior Probability),使用後驗機率推估像素可能的類別,假設各類別是獨立事件,滿足以下機率公式。其中,P(S|C)為光譜特徵S在C類別出現的後驗機率,P(C)為C類別的先驗機率,P(S)為光譜特徵S出現的機率,且P(C|S)為類別C屬於光譜特徵S
的機率。影像二值化(Image binarization)係用於將影像進行前後景分離,即分成感興趣的部分(前景)以及不感興趣的部分(背景)。因此,由貝氏光譜分類成果將植物類別定為1,非植物類別定位0。接著,將第一二元化影像(二元化影像A)進行向量化,標註向量化之形狀中心,作為植株定位的點。
再以香蕉和火龍果為例。執行步驟S3時,可以允許不進行影像預處理,而是直接利用人工選定訓練樣區,且接著進行模板匹配。模板匹配為在原影像中搜尋相似影像的方法,給定小於原影像的模板影像,交互比對其相似程度偵測相似之影像。最終,於影像中直接標註植株位置點。
如此,上述說明已經清楚、完整地介紹本發明之快速農作物定位方法。接著,下文將說明本發明之一種快速農作物計數與定位系統。請重複參閱第1圖,並請同時參閱第6圖,其顯示本發明之一種快速農作物計數與定位系統的第一方塊圖。如第1圖與第6圖所示,本發明之一種快速農作物計數與定位系統主要包括一無人飛行載具1與一控制與處理裝置4,其中該無人飛行載具1搭載有一影像擷取裝置2與一記憶單元3a,且該控制與處理裝置4可以為但不限於處理器、工業電腦、伺服器電腦、桌上型電腦、筆記型電腦、平板電腦、智慧型手機、或智慧型手錶。
如第6圖所示,該控制與處理裝置4包括:一控制模組40(例如主控制晶片)、一遙控模組41、一資料儲存模組43、以及一影像處理模組44;,其中,該控制模組40耦接該遙控模組41和該資料儲存模組43,用以此二模組之運行。易於理解的,該遙控模組41可為顯示於該控制與處理裝置4(例如筆記型電腦)的一顯示螢幕之上的一控制介面,也可以是一實體的無人機遙控器,用於供使用者操作以控制該無人飛行載具1與該影像擷取裝置2於一植栽區域內取得複數幀航拍
影像。在取得所述複數幀航拍影像之後,可以自該記憶單元3a內取出所述複數幀航拍影像之資料,接著控制與處理裝置4便可接收該複數幀航拍影像,且所接收的該複數幀航拍影像會先儲存於該資料儲存模組43之中。
更詳細地說明,如第6圖所示,本發明特別於該影像處理模組44之中設有一三維模型建立單元441、一第一影像轉換單元442、一第二影像轉換單元443、一影像交集運算單元444、以及一植株標示定位單元445。其中,該三維模型建立單元441、該第一影像轉換單元442、該第二影像轉換單元443、該影像交集運算單元444、與該植株標示定位單元444係透過函式庫、變數或運算元之形式而被編輯為至少一應用程式,並建立於該影像處理模組44之中。
請同時參閱第2圖與第6圖。設於該影像處理模組44之中的該三維模型建立單元441主要係用於執行如第2圖所示之步驟S2,亦即,用以對該複數幀航拍影像執行一影像式三維模型重建,以獲得該正射鑲嵌影像與該數值地表模型(DSM)。並且,該第一影像轉換單元442係用以執行如圖2所示之步驟S3,以依序地對該正射鑲嵌影像執行一影像預處理與一光譜分類處理,進而將所述正射鑲嵌影像轉換成一第一二元化影像(即,前述說明之二元化影像A)。另一方面,該第二影像轉換單元443則用以執行如圖2所示之步驟S4,以對該數值地表模型(DSM)執行一最大值濾波處理(Max filter)以獲得一濾波後之數值地表模型(DSM’),且根據該濾波後之數值地表模型與該數值地表模型而產生一第二二元化影像(即,前述說明之二元化影像B)。
承上述說明,該影像交集運算單元444係用以執行如第2圖所示之步驟S5,以對該第一二元化影像與該第二二元化影像執行一影像交集運算,進而獲得所述第三二元化影像(即,前述說明之二元化影像AB)。再者,該植株標示定
位單元445則用以執行如第2圖所示之步驟S6,以對該第三二元化影像執行一形態學(Morphology)擴張處理,且進一步對完成所述形態學擴張處理的該第三二元化影像(即,前述說明之二元化影像AB’)執行一向量化標示處理,藉此於該第三二元化影像之上標示出對應於該複數個植株的該複數個定位點。
依據所意欲定位的農作物之種類的不同,該第一影像轉換單元442所使用之影像預處理影像預處理可以是變異數濾波處理(variance filter)、線性濾波處理、非線性濾波處理、或基於Lambda-Schedule演算法之影像分割處理。同樣地,依據所意欲定位的農作物之種類的不同,該第二影像轉換單元443所使用之光譜分類處理可以是下列任一種:基於迭代自組織數據分析算法(Iterative Self-Organizing Data Analysis Technique Algorithm,ISODATA)之光譜分類處理、基於K-平均演算法(K-Means Clustering Algorithm)之光譜分類處理、高斯最大概似分類法(Gaussian Maximum Likelihood Classification)、類神經網路分類法(Neural Networks Classification)、或貝氏分類法(Bayesian Classifier)。
補充說明的是,除了儲存或暫存所述複數幀航拍影像以外,該資料儲存模組43也用以儲存或暫存該正射鑲嵌影像、該數值地表模型(DSM)、該第一二元化影像、該第二二元化影像、與該第三二元化影像。
請繼續參閱第7圖,其顯示本發明之一種快速農作物計數與定位系統的第二方塊圖。比較第6圖與第7圖可以得知,第二方塊圖係繪示該無人飛行載具1更包含一第一無線傳輸模組3b,且該控制與處理裝置4更包含一第二無線傳輸模組42。易於理解的,在可實現的實施例中,該控制與處理裝置4可以利用所述第二無線傳輸模組42與該第一無線傳輸模組3b達成無線連接,藉以在該無人飛行載具1執行航拍任務的過程中即時接收該複數幀航拍影像。
如此,上述係已完整且清楚地說明本發明之快速農作物定位方法的實施例;並且,經由上述可知本發明係具有下列之優點:
習知技術通常採用高程特徵萃取(DSM方法)或光譜分類法來對取自於一植栽區域內的複數幀航拍影像進行影像處理,藉此獲得標示有對應於複數個植株之複數個定位點的二元化影像。然而,此二種方法皆顯示出誤授誤差(Commission Error)大於漏授誤差(Omission Error)之明顯缺陷。因此,本發明提出一種快速農作物定位方法。本發明之方法係同時以光譜分類法及DSM方法對取自於一植栽區域內的複數幀航拍影像進行影像處理,進而獲得一第一二元化影像與一第二二元化影像。並且,本發明之方法更進一步地則可利用影像交集處理將該第一二元化影像與該第二二元化影像合併成一第三二元化影像,藉此方式消除誤授誤差。最終,再對誤授誤差已經被降至最低的該第三二元化影像進行向量化,而後準確地在該第三二元化影像標示出對應於該複數個植株的該複數個定位點。
必須加以強調的是,上述之詳細說明係針對本發明可行實施例之具體說明,惟該實施例並非用以限制本發明之專利範圍,凡未脫離本發明技藝精神所為之等效實施或變更,均應包含於本案之專利範圍中。
S1-S6:步驟
Claims (5)
- 一種快速農作物定位方法,包括以下步驟:(1)令一無人飛行載具於一植栽區域內取得複數幀航拍影像;(2)對該複數幀航拍影像執行一影像式三維模型重建,以獲得一正射鑲嵌影像與一數值地表模型(Digital surface model,DSM),接著執行以下步驟(3)與步驟(4);(3)將該正射鑲嵌影像轉換成一第一二元化影像,接著執行步驟(5);(4)將該數值地表模型轉換成一第二二元化影像,接著執行步驟(5);(5)對該第一二元化影像與該第二二元化影像執行一影像交集運算,獲得一第三二元化影像;以及(6)於該第三二元化影像之上標示出對應於複數個植株之複數個定位點。
- 如請求項第1項所述之快速農作物定位方法,該無人飛行載具係以一影像擷取裝置取得該複數幀航拍影像,且該影像擷取裝置之一像素大小(Pixel size,PS)和一焦距(Focal length,FL)係符合以下數學式:PS/FL=GSD/AGL;其中,AGL為該無人飛行載具之一航高(Above ground level,AGL),且GSD為所述航拍影像之一地面解析度(Ground sample distance,GSD)。
- 如請求項第1項所述之快速農作物定位方法,其中,於該步驟(3)之中,係依序地對該正射鑲嵌影像執行一影像預處理與一光譜分類處理。
- 如請求項第3項所述之快速農作物定位方法,其中,該影像預處理可為下列任一種:線性濾波處理、非線性濾波處理、或基於Lambda-Schedule演算法之影像分割處理。
- 如請求項第1項所述之快速農作物定位方法,其中,於該步驟(4)之中,係先對該數值地表模型執行一最大值濾波處理(Max filter)以獲得一濾波後之數值地表模型,且接著根據該濾波後之數值地表模型與該數值地表模型而產生所述第二二元化影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108122013A TWI709111B (zh) | 2019-06-24 | 2019-06-24 | 快速農作物定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108122013A TWI709111B (zh) | 2019-06-24 | 2019-06-24 | 快速農作物定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI709111B true TWI709111B (zh) | 2020-11-01 |
TW202101382A TW202101382A (zh) | 2021-01-01 |
Family
ID=74202264
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108122013A TWI709111B (zh) | 2019-06-24 | 2019-06-24 | 快速農作物定位方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI709111B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106103275A (zh) * | 2014-03-25 | 2016-11-09 | 瓦斯菲·阿希达法特 | 救援无人机 |
TWM536779U (zh) * | 2016-11-03 | 2017-02-11 | Chung Chou Univ Of Science And Tech | 農作監控系統 |
CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析系统 |
WO2018051349A1 (en) * | 2016-09-15 | 2018-03-22 | R.A.S Robotics Artificial Intelligence Ltd. | Facility monitoring by a distributed robotic system |
-
2019
- 2019-06-24 TW TW108122013A patent/TWI709111B/zh active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106103275A (zh) * | 2014-03-25 | 2016-11-09 | 瓦斯菲·阿希达法特 | 救援无人机 |
WO2018051349A1 (en) * | 2016-09-15 | 2018-03-22 | R.A.S Robotics Artificial Intelligence Ltd. | Facility monitoring by a distributed robotic system |
TWM536779U (zh) * | 2016-11-03 | 2017-02-11 | Chung Chou Univ Of Science And Tech | 農作監控系統 |
CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析系统 |
Also Published As
Publication number | Publication date |
---|---|
TW202101382A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kamilaris et al. | Deep learning in agriculture: A survey | |
Sun et al. | Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering | |
Li et al. | A high-precision detection method of hydroponic lettuce seedlings status based on improved Faster RCNN | |
Song et al. | Kiwifruit detection in field images using Faster R-CNN with VGG16 | |
US10599926B2 (en) | Automated detection of nitrogen deficiency in crop | |
Zhou et al. | A novel greenhouse-based system for the detection and plumpness assessment of strawberry using an improved deep learning technique | |
Alzadjali et al. | Maize tassel detection from UAV imagery using deep learning | |
Shen et al. | Biomimetic vision for zoom object detection based on improved vertical grid number YOLO algorithm | |
Ye et al. | An image-based approach for automatic detecting tasseling stage of maize using spatio-temporal saliency | |
Hussain et al. | A simple and efficient deep learning-based framework for automatic fruit recognition | |
Lu et al. | Citrus green fruit detection via improved feature network extraction | |
Suresh Kumar et al. | Selective fruit harvesting: Research, trends and developments towards fruit detection and localization–A review | |
Liu et al. | Tomato detection based on convolutional neural network for robotic application | |
Jia et al. | YOLOF-Snake: An efficient segmentation model for green object fruit | |
Wu et al. | A Dense Litchi Target Recognition Algorithm for Large Scenes | |
TWI709111B (zh) | 快速農作物定位方法 | |
Saeed et al. | Cotton plant part 3D segmentation and architectural trait extraction using point voxel convolutional neural networks | |
Poleshchenko et al. | Detection of Sunflower Plants in UAV Photos | |
US20230133026A1 (en) | Sparse and/or dense depth estimation from stereoscopic imaging | |
Dong et al. | Three-dimensional quantification of apple phenotypic traits based on deep learning instance segmentation | |
Yu et al. | An image-based automatic recognition method for the flowering stage of maize | |
Chen et al. | Instance Segmentation of Grape Berry Images Based on Improved Mask R-Cnn | |
Gunes et al. | Classification of hazelnuts with CNN based deep learning system | |
KR20220168875A (ko) | 인공지능을 이용하여 벼 도복 피해면적을 산정하는 장치 및 방법 | |
Stanski et al. | Flower detection using object analysis: new ways to quantify plant phenology in a warming tundra biome |