【技术实现步骤摘要】
本专利技术属于智能农业机械领域，特别是涉及一种基于透视矫正的作物行线检测方法、电子设备及介质。
技术介绍
1、作业机器人作业过程中为了提高机器的对行精度和避免压损秧苗，基本都以作物行作为导航基线实现自主导航控制。
2、目前常用的作物行检测方法是机器视觉导航方法，通常包括识别作物和拟合作物行中心线两个步骤。作物的识别上，传统的机器视觉方法易受环境因素，如田间光线变化和杂草、浮萍等噪声的影响，将深度学习的方法作用于作物行线的识别上，会使检测精度得到有效提升。
3、拟合作物行上，苗行实际图像中，由于透视效应，作物密度随距离变化，即使属于同一行的作物在某些图像中也不会表现出明显的聚类趋势，还有一些场景中存在作物缺失的问题，这些都导致很难用一般的聚类方法对作物进行聚类。透视效应还会导致同样的像素在图像上部和下部的物理距离差异较大，而目前的作物行检测方法都是直接在原始图像上进行的聚类和线性回归，不能准确地反映不同部位的实际距离，作物行线检测精度低。
4、专利cn109344843b公开了一种水稻秧苗行线提取方法，...
【技术保护点】
1.一种基于透视矫正的作物行线检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于透视矫正的作物行线检测方法，其特征在于，所述深度卷积神经网络为YOLOv5模型，使用检测框对作物田间图像中的作物进行标注，建立作物检测数据集，将所述作物检测数据集作为YOLOv5模型的输入，采用DIoU损失函数迭代训练YOLOv5模型，得到训练好的YOLOv5模型。
3.根据权利要求1所述的基于透视矫正的作物行线检测方法，其特征在于，所述S3的实现过程包括：
4.根据权利要求1所述的基于透视矫正的作物行线检测方法，其特征在于，所述S4的实
...【技术特征摘要】
1.一种基于透视矫正的作物行线检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于透视矫正的作物行线检测方法，其特征在于，所述深度卷积神经网络为yolov5模型，使用检测框对作物田间图像中的作物进行标注，建立作物检测数据集，将所述作物检测数据集作为yolov5模型的输入，采用diou损失函数迭代训练yolov5模型，得到训练好的yolov5模型。
3.根据权利要求1所述的基于透视矫正的作物行线检测方法，其特征在于，所述s3的实现过程包括：
4.根据权利要求1所述的基于透视矫正的作物行线检测方法，其特征在于，所述s4的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。