苗线识别的方法、装置和农机制造方法及图纸

本申请实施例提供了一种苗线识别的方法、装置和农机，该方法包括：在农机行驶过程中，将所述农机上的摄像头拍摄的图像输入至预先训练的目标神经网络模型，以获得目标像素点，所述目标像素点包括所述图像中的N行像素点，所述目标神经网络模型通过对预先拍摄的多张图像中的农作物和非农作物加以标注区分训练形成；对所述目标像素点进行划分，以确定所述目标像素点中每一行像素点的M个目标点；将所述目标像素点中每一行像素点上的所述M个目标点连接形成的N条线识别为所述农机行驶过程中的苗线。本申请提供的方案，能够提高苗线识别的准确率。

【技术实现步骤摘要】
苗线识别的方法、装置和农机
本申请实施例涉及农业领域，并且更具体地，涉及一种苗线识别的方法、装置和农机。
技术介绍
随着科技的发展，农业机械化越来越趋向于智能化，农业机械自动导航技术是精细农业的关键技术，尤其是农机在田间作业的时候，苗线的识别至关重要。现有技术中，通过对图像的颜色进行处理，根据形状轮廓、颜色特征识别出农作物，进而识别出苗线进行作业。然而这种方式由于有杂草的颜色和农作物的颜色可能相同导致农机误将杂草识别为农作物，从而降低苗线识别的准确率。申请内容本申请提供一种苗线识别的方法、装置和农机，能够提高苗线识别的准确率。第一方面，提供了一种苗线识别的方法，包括：在农机行驶过程中，将所述农机上的摄像头拍摄的图像输入至预先训练的目标神经网络模型，以获得目标像素点，所述目标像素点包括所述图像中的N行像素点，所述目标神经网络模型通过对预先拍摄的多张图像中的农作物和非农作物加以标注区分训练形成；对所述目标像素点进行划分，以确定所述目标像素点中每一行像素点的M个目标点；将所述目标像素点中每一行像素点上的所述M个目标点连本文档来自技高网...

【技术保护点】
1.一种苗线识别的方法，其特征在于，包括：/n在农机行驶过程中，将所述农机上的摄像头拍摄的图像输入至预先训练的目标神经网络模型，以获得目标像素点，所述目标像素点包括所述图像中的N行像素点，所述目标神经网络模型通过对预先拍摄的多张图像中的农作物和非农作物加以标注区分训练形成；/n对所述目标像素点进行划分，以确定所述目标像素点中每一行像素点的M个目标点；/n将所述目标像素点中每一行像素点上的所述M个目标点连接形成的N条线识别为所述农机行驶过程中的苗线。/n

【技术特征摘要】
1.一种苗线识别的方法，其特征在于，包括：
在农机行驶过程中，将所述农机上的摄像头拍摄的图像输入至预先训练的目标神经网络模型，以获得目标像素点，所述目标像素点包括所述图像中的N行像素点，所述目标神经网络模型通过对预先拍摄的多张图像中的农作物和非农作物加以标注区分训练形成；
对所述目标像素点进行划分，以确定所述目标像素点中每一行像素点的M个目标点；
将所述目标像素点中每一行像素点上的所述M个目标点连接形成的N条线识别为所述农机行驶过程中的苗线。


2.根据权利要求1所述的方法，其特征在于，M＝2。


3.根据权利要求2所述的方法，其特征在于，所述对所述目标像素点进行划分，以确定所述目标像素点中每一行像素点的M个目标点，包括：
获取所述目标像素点中每一行像素点的中心坐标点；
根据所述每一行像素点的中心坐标点将所述每一行像素点分割为第一像素和第二像素；
分别确定所述第一像素和所述第二像素的坐标平均值；
将所述第一像素和所述第二像素的坐标平均值所对应的点确定为所述每一行像素的2个目标点。


4.根据权利要求1至3中任一项所述的方法，其特征在于，N＝3。


5.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
在所述农机行驶前，所述农机启动导航线，所述导航线为所述农机绘制的虚拟直线；
在所述农机识别到所述苗线后，所述农机停止按照所述导航线进行作业，并开启按照所述苗线进行作业；
在所述农机行驶至地头后，所述农机停止按照所述苗线进行作业，并开启按照所述导航线进行作业。


6.根据权利要求1至5中任一项所述的方法，其特征在于，所述目标神经网络模型包括循环神经网络模型、卷积神经网络模型或递归神经网络模型中的任一种。


7.根据权利要求1至6中任一项所述的方法，其特征在于，所述方法还包括：
将所述每一行像素点上的所述M个目标点的坐标转换为所述每一行农作物包括的M个平面目标坐标；
将所述目标像素点中每一行像素点上的所述M个目标点连接形成的N条线识别为所述农机行驶过程中的苗线，包括：
将所述每一行农作物包括的所述M个平面目标坐标所对应的坐标点连接形成的N条线识别为所述农机行驶过程中的苗线。


8.根据权利要求7所述的方法，其特征在于，所述将所述每一行像素点上的所述M个目标点的坐标转换为所述每一行农作物包括的M个平面目标坐标，包括：
根据以下公式，将所述每一行像素点上的所述M个目标点中的每一个目标点的坐标转换k个平面目标坐标，以获得所述每一行农作物所包括的M个目标点的k组平面坐标；
基于预设规则从所述k组平面坐标中选择所述每一行农作物包括的所述M个平面目标坐标；
y0＝(imageH-topi)/imageH*maxV



sinak'＝y0/Ik'*sin(angleBk')
ak'＝ak'sin(sinak')
gyk'＝sinak'*I0k'/sin(90-ak'-angleAk')
I2k'＝gyk'/sinak'*sin(90+angleAk')
gxk'＝(lefti-imageW/2)/inageW*maxHk'
gxk'＝I2k'/Ik'*gxk'
gyk'＝gyk'+d0k'
tgx0k'＝heightk'*sin(angleTiltk')
tgy0＝0
tgz0k'＝heightk'*cos(angleTiltk')
tgx1k'＝gx*cos(angleTiltk')
tgy1k'＝gyk'
tgz1k'＝gxk'*sin(angleTiltk')
rk'＝tgz1k'/tgz0k'
tgxk'＝(tgx1k'+rk'*tgx0k')/(1+rk')
tgyk'＝(tgy1k'+rk'*tgy0)/(1+rk')
其中，i表示所述M个目标点中的第i个目标点，i≤M；k'表示k组平面目标中的第k'组平面目标，k'≤k；
imageW*imageH表示所述图像的图片分辨率，(topi,lefti)表示所述图像中的第i个目标点的坐标值，maxV表示所述图像的垂直映射最远范围，I0k'表示所述摄像头的动态参数取值为第k'种时所述图像沿距离所述摄像头的直线距离，angleBk'表示所述摄像头的动态参数取值为第k'种时所述图像的垂直映射夹角，angleAk'表示所述摄像头的动态参数取值为第k'种时所述摄像头的下方盲区夹角，maxHk'表示所述摄像头的动态参数取值为第k'种时所述图像的垂直映射宽度，d0k'表示所述摄像头的动态参数取值为第k'种时所述图像沿距离所述摄像头的水平距离，angleCk'、angleTiltk'、heightk'分别表示所述摄像头的动态参数取值为第k'种时所述摄像头的俯角、左右倾斜角、距离目标物体的高度。


9.一种苗线识别的装置，其特征在于，包括：
输入单元，用于在农机行驶过程中，将所述农机上的摄像头拍摄的图像输入至预先训练的目标神经网络模型，以获得目标像素点...

【专利技术属性】
技术研发人员：姚亮，
申请(专利权)人：黑龙江惠达科技发展有限公司，
类型：发明
国别省市：黑龙江;23