申请/专利权人：北京工业大学;中国农业大学

申请日：2023-09-25

公开（公告）日：2024-04-26

公开（公告）号：CN117274566B

主分类号：G06V10/22

分类号：G06V10/22;G06N3/0464;G06N3/08;G06V10/82;G06V10/776;G06V10/774;G06T7/80;A01M21/02;A01M21/04

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：本发明提供了一种基于深度学习和株间杂草分布状况的实时除草方法，包括：将图像训练数据集输入至卷积神经网络进行训练，得到训练好的模型，并对摄像头实时获取到的田间的作物幼苗的图像和杂草的图像进行识别定位以得到幼苗的最小检测框的中心像素坐标和宽高以及杂草的最小检测框的中心像素坐标，并根据该结果求解幼苗的最小检测框的四角坐标；构建实时的田间单作物行地图信息；根据田间单作物行地图信息确定除草策略；根据除草策略和田间单作物行地图信息控制机械‑激光组合式除草装置的除草模式。本申请能够根据株间杂草情况给出适合的除草方法，在保证除草效率的情况下，降低了伤苗率。

主权项：1.一种基于深度学习和株间杂草分布状况的实时除草方法，应用于一种机械-激光组合式除草装置，其特征在于，包括：调整所述机械-激光组合式除草装置的摄像头高度以及摄像头的焦距参数，以使摄像头获取同一行的两株相邻作物的图像；获取摄像头的内参和外参；利用摄像头获取田间的作物幼苗的图像和杂草的图像；根据所述田间的作物幼苗的图像和杂草的图像确定幼苗的图像训练数据集和验证数据集以及杂草的图像的训练数据集和验证数据集；将所述训练数据集输入至卷积神经网络进行训练，得到训练模型，并用所述验证数据集检验所述训练模型，得到训练好的模型；基于训练好的模型，对所述摄像头实时获取到的田间的作物幼苗的图像和杂草的图像进行识别定位以得到幼苗的最小检测框的中心像素坐标和宽高以及杂草的最小检测框的中心像素坐标；根据所述幼苗的最小检测框的中心像素坐标和宽高求解所述幼苗的最小检测框的四角坐标；根据所述幼苗的最小检测框的中心坐标和四角坐标及杂草最小检测框的中心像素坐标构建实时的田间单作物行地图信息；根据所述田间单作物行地图信息确定除草策略；根据所述除草策略和所述田间单作物行地图信息控制所述机械-激光组合式除草装置的除草模式；所述根据所述田间单作物行地图信息确定除草策略包括：根据所述田间单作物行地图信息判断待工作区域杂草数量是否等于零，得到第一判断结果，若所述第一判断结果为是，则不采取任何除草措施；若所述第一判断结果为否，则判断杂草数量是否大于阈值，得到第二判断结果，若所述第二判断结果为是，则判定杂草密度大，采用机械除草方法进行无差别的除草，若第二判断结果为否，则计算各编号相邻的杂草的连线与竖直方向的夹角，得到第一夹角和第二夹角；其中，所述第一夹角为第b株杂草和第b+1株杂草中心点连线与竖直方向的夹角，所述第二夹角为左安全区第一株杂草与左危险区最后一株杂草中心点连线与竖直方向的夹角；计算激光除草模块最大横向移动速度与除草设备前进速度的夹角，得到第三夹角；判断第三夹角是否大于第一夹角或者第二夹角，若是，则采用激光模式除草，若否，则采用机械模式除草。

全文数据：

权利要求：

百度查询： 北京工业大学;中国农业大学 一种基于深度学习和株间杂草分布状况的实时除草方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD