RU2695490C2 - Method of agricultural lands monitoring - Google Patents
Method of agricultural lands monitoring Download PDFInfo
- Publication number
- RU2695490C2 RU2695490C2 RU2017138250A RU2017138250A RU2695490C2 RU 2695490 C2 RU2695490 C2 RU 2695490C2 RU 2017138250 A RU2017138250 A RU 2017138250A RU 2017138250 A RU2017138250 A RU 2017138250A RU 2695490 C2 RU2695490 C2 RU 2695490C2
- Authority
- RU
- Russia
- Prior art keywords
- objects
- photograph
- monitoring
- server
- photographs
- Prior art date
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
Abstract
Description
Настоящее изобретение относится к способам распознавания и подсчета объектов и направлено на использование в сельском хозяйстве для определения засоренности полей, распространения и развития заболеваний растений (проявляется в форме изменения цвета, некрозов, гнили, наростов, опухолей, отмирания тканей, язв на растении и т.д.), оценки наличия вредных и полезных насекомых (их стадий развития: яйцо, личинка, куколка, взрослая особь).The present invention relates to methods for recognizing and counting objects and is aimed at using it in agriculture to determine field weeds, the spread and development of plant diseases (manifested in the form of discoloration, necrosis, rot, growths, tumors, tissue death, ulcers on the plant, etc. etc.), assessing the presence of harmful and beneficial insects (their developmental stages: egg, larva, pupa, adult).
Из существующего уровня техники известно устройство для составления карты сорняков (Патент на изобретение RU 2370591, опубл. 20.10.2009 Бюл. №29), содержащее блок записи изображения с видеокамерой и лазерной камерой слежения за рельефом, блок обработки и оценки изображения, соединенный с ним блок хранения данных, а также базу данных сорняков. Блок записи изображения, блок определения местоположения и источник света находятся в соединении для обмена данными с блоком обработки и оценки изображения. Изобретение позволяет составлять карту сорняков, характеризующуюся высокой пространственной точностью. Кроме того, обеспечивается возможность достоверного расчета степени зараженности того или иного участка сорняками и выявления вида сорняков. Недостатком данного технического решения является невозможность классифицировать по способу питания (не паразиты, паразиты и комбинированные виды), а также и по продолжительности жизни (однолетние и многолетние) и предоставления способов борьбы с выявленными сорняками (химический, биологический или агротехнический). Также нет возможности соблюдения методики подсчета сорных растений на поле для определения их экономической вредоносности с дальнейшим выбором способов борьбы против них.A prior art device is known for compiling a weed map (Patent for invention RU 2370591, publ. 10/20/2009 Bull. No. 29), comprising an image recording unit with a video camera and a laser terrain tracking camera, an image processing and evaluation unit connected to it data storage unit, as well as a database of weeds. The image recording unit, the location unit, and the light source are in communication for exchanging data with the image processing and evaluation unit. The invention allows the mapping of weeds, characterized by high spatial accuracy. In addition, it is possible to reliably calculate the degree of infection of a particular area with weeds and to identify the type of weeds. The disadvantage of this technical solution is the inability to classify by the method of nutrition (not parasites, parasites and combined species), as well as by life expectancy (annual and perennial) and the provision of ways to combat identified weeds (chemical, biological or agricultural). It is also not possible to comply with the methodology for counting weeds in the field to determine their economic harmfulness with a further choice of ways to combat them.
Из уровня техники известна система распознавания/классификации сорняков (US 5606821, 1997-03-04). Система распознавания и идентификации сорняков содержит датчик хлорофилла для обнаружения зеленой растительности и на карте для хранения изображений, которые содержат различные формы зеленой растительности. Данные карт, хранящиеся в памяти, обрабатываются для устранения фоновой информации и оставляют карту, содержащую только зеленую растительность. Расширенная карта дополнительно обрабатывается операцией сегментации в идентифицируемые регионы, и идентифицируемые области зеленой растительности обрабатываются для идентификации уникальных признаков для каждого из регионов. Уникальные признаки для каждого из регионов хранятся в базовой библиотеке баз данных и используются в качестве справочных данных для сравнения другой зеленой растительности с данными, хранящимися в базовой модели. Недостатком данной системы является то, что система распознает сорняки по сенсору хлорофилла, однако хлорофилл содержится также и в культурных растениях, что не позволяет системе быть достоверной, предоставив ошибочные данные в идентификации сорной растительности и культурного растения.The prior art system for recognition / classification of weeds (US 5606821, 1997-03-04). The weed recognition and identification system contains a chlorophyll sensor for detecting green vegetation and on a map for storing images that contain various forms of green vegetation. Map data stored in memory is processed to eliminate background information and leaves a map containing only green vegetation. An expanded map is further processed by a segmentation operation into identifiable regions, and identifiable areas of green vegetation are processed to identify unique characteristics for each of the regions. Unique characteristics for each of the regions are stored in the base database library and are used as reference data for comparing other green vegetation with data stored in the base model. The disadvantage of this system is that the system recognizes weeds by the chlorophyll sensor, however, chlorophyll is also found in cultivated plants, which does not allow the system to be reliable by providing erroneous data in the identification of weeds and crops.
Известен патент «Методы, системы и устройства, относящиеся к идентификации объектов в режиме реального времени» (Патент США US 2017071188, 2017-03-16). Различные варианты осуществления, раскрытые в этом патенте, относятся к идентификации одного или нескольких конкретных объектов среди нескольких других объектов. Некоторые иллюстративные реализации относятся к системам, методам и устройствам для идентификации одного или нескольких конкретных видов растений среди нескольких разных растений, особенно для идентификации видов растений сорняков в реальном масштабе времени в реальных условиях, таких как поле для сельскохозяйственных культур. Другие варианты осуществления относятся к системам, методам или устройствам идентификации в сочетании с компонентами действия, такими как система распыления, для распыления растений сорняков, идентифицированных в реальном времени. В частном случае система идентификации объектов среды реального времени и реального мира содержит центральный компонент контроллера, содержащий процессор, систему видения, функционально связанную с центральным компонентом контроллера, и модуль сегментации, связанный с компонентом центрального контроллера. Система видения сконфигурирована для захвата, по меньшей мере, одного изображения целевой области, и, по меньшей мере, одно изображение содержит множество пикселей, содержащих данные высоты растений и спектральные данные. Модуль сегментации сконфигурирован для идентификации объектов в целевой области. Кроме того, модуль сегментации выполнен с возможностью сканирования данных высоты растений и спектральных данных для идентификации пикселей, захватывающих объекты по высоте и спектральной связностью. Недостатком данной системы является использования центрального контроллера, а также не раскрыта методика идентификации и подсчета объектов, имеющих экономическое значение для сельского хозяйства (насекомых, заболеваний растений и сорняков).Known patent "Methods, systems and devices related to the identification of objects in real time" (US Patent US 2017071188, 2017-03-16). Various embodiments disclosed in this patent relate to the identification of one or more specific objects among several other objects. Some illustrative implementations relate to systems, methods, and devices for identifying one or more specific plant species among several different plants, especially for identifying weed plant species in real time in real conditions, such as a crop field. Other embodiments relate to identification systems, methods, or devices in combination with action components, such as a spray system, for spraying weed plants identified in real time. In a particular case, the real-time and real-world environment object identification system comprises a central controller component, comprising a processor, a vision system functionally coupled to the central controller component, and a segmentation module associated with the central controller component. The vision system is configured to capture at least one image of the target area, and at least one image contains multiple pixels containing plant height data and spectral data. The segmentation module is configured to identify objects in the target area. In addition, the segmentation module is configured to scan plant height data and spectral data to identify pixels capturing objects by height and spectral connectivity. The disadvantage of this system is the use of a central controller, and the method for identifying and counting objects of economic importance for agriculture (insects, plant diseases and weeds) has not been disclosed.
Известен удаленный метод идентификации насекомых-вредителей на основе изображений (Патент CN 103886096, 2014-06-25). Способ включает в себя следующие этапы, на которых мобильный интеллектуальный терминал используется для получения изображений, обработка изображения, идентификация насекомого на изображении, передача полученных изображений идентификации вредителей насекомых на сервер идентификации через мобильный интеллектуальный терминал, сравнение полученных данных распознанного насекомого с данными базы насекомых-вредителей. Мобильный интеллектуальный терминал отображает и выводит полученную информацию о вредителях насекомых. Недостатком данной системы является определения только насекомых вредителей и не дает возможности определения стадий развития насекомых (яйца, куколок, гусениц). Предоставленная информация не содержит отчетов и рекомендаций по способам борьбы с насекомыми-вредителями, основанными на определения численности и экономического порога вредоносности, соответственно и способов борьбы с ними.A remote method for the identification of insect pests based on images is known (Patent CN 103886096, 2014-06-25). The method includes the following steps, in which the mobile smart terminal is used to obtain images, image processing, insect identification on the image, transmitting the obtained insect pest identification images to the identification server via the mobile smart terminal, comparing the received insect data with the insect pest database . The mobile intelligent terminal displays and displays received information about insect pests. The disadvantage of this system is the determination of only insect pests and does not make it possible to determine the stages of development of insects (eggs, pupae, caterpillars). The information provided does not contain reports and recommendations on methods of controlling insect pests based on determining the number and economic threshold of harmfulness, respectively, and ways to combat them.
Известен метод и система идентификации пойманных насекомых (JP 2014142833, 2014-08-07). Способ идентификации захваченного насекомого включает в себя этап считывания изображения клейкого листа устройства для захвата насекомых, которое захватило насекомых, этап получения края из считываемого изображения для получения области кандидата насекомых, этап удаления фоновой области, отличной от области кандидата насекомых, стадии извлечения области насекомых из области кандидата насекомых, стадии извлечения области тела, области ноги и задней области, чтобы получить данные морфологических признаков. Недостатком данной системы является только идентификация пойманных насекомых, а также их отдельных частей тела для идентификации.A known method and system for identifying captured insects (JP 2014142833, 2014-08-07). A method for identifying a captured insect includes a step of reading an image of an adhesive sheet of an insect capture device that has captured insects, a step of obtaining an edge from a read image to obtain an insect candidate region, a step of removing a background region other than the insect candidate region, a step of extracting the insect region from the region candidate insects, the stage of extraction of the area of the body, the area of the leg and the posterior region to obtain morphological trait data. The disadvantage of this system is only the identification of captured insects, as well as their individual parts of the body for identification.
Задачей, на решение которой направлено заявляемое изобретение, является разработка методик подсчета сорных растений, насекомых фитофагов и энтомофагов, заболеваний растений на поле, в хранилищах для определения их экономической вредоносности и далее выбора способов борьбы с ними: химической, биологической или агротехнической. Также задачей является составление фитосанитарных карт на основе оперативного обнаружения объектов, которые предоставляют экономическую опасность для сельского хозяйства региона, их идентификации и составление электронных карт заселения и миграции с последующим прогнозированием появления в тех или иных природно-климатических зонах.The task to which the claimed invention is directed is the development of methods for counting weeds, phytophagous and entomophagous insects, plant diseases in the field, in storages to determine their economic harmfulness and then choose how to deal with them: chemical, biological or agricultural. Another task is to compile phytosanitary maps based on the rapid detection of objects that pose an economic danger to the region’s agriculture, their identification and electronic settlement and migration maps with the subsequent prediction of occurrence in certain climatic zones.
Данная задача решается за счет того, что заявленный способ мониторинга сельскохозяйственных угодий, включает получение фотоснимка единицы площади угодий, передачу полученного фотоснимка на сервер, обработку фотоснимка с идентификацией объектов на нем, подсчет количества идентифицированных объектов на фотоснимке, определение степени зараженности всей площади угодий на основе данных подсчета объектов по фотоснимку, вывод результатов мониторинга, при этом фотоснимку присваивается дата и время проведения съемки и координаты местности, идентификация объектов на сервере проводится с помощью обучаемых искусственных нейронных сетей, сервер содержит базу данных насекомых во всех морфологических стадиях, базу данных сорных растений, базу данных видов заболеваний растений, базу данных рекомендуемых пестицидов против насекомых, заболеваний растений и сорняков, а мониторинг имеет систематический характер. В качестве объектов мониторинга могут выступать сорные растения, насекомые (включая все стадии развития: яйцо, личинка, куколка, взрослая особь), заболевания растений. Вывод результатов мониторинга предоставляется в виде отчетов и/или графиков и/или диаграмм. Данные об идентифицированных объектах, такие как количество объектов, время, дата и координаты местности фиксации объектов, переносятся на геологическую и/или сельскохозяйственную карты района.This problem is solved due to the fact that the claimed method of monitoring agricultural land includes obtaining a photograph of a unit of land area, transferring the received photograph to a server, processing the photograph with the identification of objects on it, counting the number of identified objects in the photograph, determining the degree of infection of the entire land area based on counting data from a photograph, outputting monitoring results, while the photograph is assigned the date and time of the survey and the coordinates of the area, identification of objects on the server is carried out using trained artificial neural networks, the server contains a database of insects in all morphological stages, a database of weed plants, a database of species of plant diseases, a database of recommended pesticides against insects, plant diseases and weeds, and monitoring is systematic . Monitoring objects may include weeds, insects (including all stages of development: egg, larva, pupa, adult), plant diseases. The output of monitoring results is provided in the form of reports and / or graphs and / or diagrams. Data on identified objects, such as the number of objects, time, date and location coordinates of the objects' fixation, are transferred to the geological and / or agricultural maps of the area.
Техническим результатом, обеспечиваемым приведенной совокупностью признаков, является ранняя диагностика определения насекомых, заболеваний растений и сорняков, что даст возможность для снижения количества применения пестицидов на полях, а также предоставить более правильный выбор действующих веществ пестицидов для предотвращения резистентности (устойчивости) к тем или иным классам пестицидам.The technical result provided by the given set of characteristics is early diagnosis of insects, plant diseases and weeds, which will make it possible to reduce the amount of pesticides used in the fields, as well as provide a more correct choice of the active substances of pesticides to prevent resistance (resistance) to certain classes pesticides.
Для разработки и осуществления планомерных мероприятий по борьбе с сорной растительностью необходимо систематически проводить обследование, учет и подсчет засоренности полей севооборотов, а также других сельскохозяйственных угодий.For the development and implementation of planned measures to combat weeds, it is necessary to systematically survey, record and count the weediness of crop rotation fields, as well as other agricultural lands.
Засоренность полей изменяется под влиянием многих причин, в том числе агротехнических мероприятий. Поэтому обследование полей на засоренность необходимо проводить систематически. Эта работа выполняется два раза в год: в начале лета для учета наличия ранних сорняков и в конце лета - поздних, яровых, озимых зимующих, двухлетних и многолетних сорняков. В основе способа определения засоренности полей лежит соотношение количества сорных и культурных растений на единице площади сплошных рядковых посевов.Weediness of the fields changes under the influence of many factors, including agrotechnical measures. Therefore, a survey of fields for weediness must be carried out systematically. This work is carried out twice a year: in early summer to account for the presence of early weeds and in late summer - late, spring, winter wintering, biennial and perennial weeds. The method for determining the weediness of fields is based on the ratio of the number of weeds and cultivated plants per unit area of continuous row crops.
Для подсчета сорняков обычно пользуются рамочками разного размера (0,1; 0,25; 0,50; 1 м2 и более), которые накладывают поверх растений. Количество прикладываний на площади до 50 га - 10 точек, от 50 до 100 га - 15, свыше 100 га - 20 точек. Внутри рамки подсчитывают общее количество сорняков и каждого вида в отдельности. В результате обследования, подсчета и учета дается оценка засоренности полей, в том числе, и по количеству растений на 1 м2. Обследованные площади группируются по степени засоренности.For counting weeds, frames of different sizes (0.1; 0.25; 0.50; 1 m 2 or more) are usually used, which are laid on top of the plants. The number of applications on an area of up to 50 ha is 10 points, from 50 to 100 ha - 15, over 100 ha - 20 points. Inside the frame, the total number of weeds and each species are calculated separately. As a result of the survey, counting and accounting, an assessment of weediness of the fields is given, including the number of plants per 1 m 2 . The surveyed areas are grouped by degree of contamination.
По результатам обследования уточняются видовой состав сорняков, площадь полей для обработки гербицидами или для борьбы против них другими методами. Данные учета засоренности могут оформляться в виде карт (картограмм) засоренности полей севооборотов хозяйства с подробным описанием характера и степени засоренности каждого поля в отдельности.According to the results of the survey, the species composition of weeds, the area of the fields for treating with herbicides or for combating them with other methods are specified. Debris accounting data can be made out in the form of maps (cartograms) of debris in the fields of crop rotation with a detailed description of the nature and degree of debris of each field individually.
Для определения заболеваний культурных растений проводят идентификацию культурных растений с дальнейшим анализом изменений растений, таких как изменение цвета, наличия некрозов, гнили, наростов, опухолей, отмирания тканей, язв на растении и т.д.To identify diseases of cultivated plants, identification of cultivated plants is carried out with a further analysis of plant changes, such as discoloration, the presence of necrosis, rot, growths, tumors, tissue death, ulcers on the plant, etc.
На сегодняшний день также существует огромное количество насекомых вредителей открытого и закрытого грунтов. Различные разновидности насекомых способны уничтожить урожай сельскохозяйственных культур. Они поражают как молодые посадки, так и взрослые растения, деревья.To date, there is also a huge number of insect pests of open and closed ground. Different species of insects can destroy crops. They affect both young planting and adult plants, trees.
Чтобы предупредить массовое появление насекомых - вредителей или принять меры борьбы против них необходимо определить вид насекомого. Также немаловажным является определение стадии развития насекомого для того, чтобы меры борьбы с ним были приняты своевременно, без опоздания.To prevent the mass appearance of insect pests or take measures to combat them, it is necessary to determine the type of insect. It is also important to determine the stage of development of the insect so that measures to combat it were taken in a timely manner, without delay.
Количественная оценка вредных и полезных насекомых в биотопе сводится к выявлению абсолютной численности особей (на любой стадии ее развития) в определенном ограниченном пространстве или объеме.The quantitative assessment of harmful and beneficial insects in a biotope comes down to revealing the absolute number of individuals (at any stage of its development) in a certain limited space or volume.
Для подсчета и учета насекомых (фитофагов и энтомофагов) осуществляется осмотр обследуемых мест (хранилищ, складских помещений, посевов и других участков), при которых осматривают поверхность почвы, травостой данной культуры и отбирают пробы для анализа стеблей (главных, вторичных, боковых), бутонов, соцветий, цветов, плодовых органов (бобов, стручков, семян) на наличие в них следов жизнедеятельности насекомых (экскрементов, питания) или на наличие скрыто живущих видов насекомых. Кроме того, применяются специальные методы наблюдений с использованием пищевых приманок, ловушек с половыми аттрактантами, светоловушек, ловчих канавок и колодцев, кошения сачком и др., которые устанавливаются на обследуемых участках. Подсчет насекомых (а также их стадий развития: яйца, куколки, личинки и взрослой особи) осуществляется путем фото-фиксации (каждый день с указанием времени и даты снимка, местоположения) насекомых и их морфологических стадий, затем подсчитывается каждодневное количество насекомых и определяется их экономический порог вредоносности (численность популяции вредителей или степень повреждения растений, при котором наносимый ущерб достигает экономически ощутимого размера). На основании данных по завершению идентификации насекомых (по их наружному морфологическому строению и следов их жизнедеятельности: экскрементов, питания) и их численности строится график с указанием вида насекомого, его количества, времени фото-фиксации, местоположения снимка с выдачей рекомендаций по борьбе против них (насекомых). Если собранные насекомые не представляют возможности для проведения учета, тогда нужно разложить все виды насекомых таким образом (на бумагу, клейкую ленту, ровную светлую поверхность), чтобы их можно было идентифицировать с помощью фотографии.To count and account for insects (phytophages and entomophages), the examined sites are examined (storage, storage, crops, and other sites), in which they examine the soil surface, the herbage of this crop and take samples for analysis of stems (primary, secondary, lateral), buds , inflorescences, flowers, fruit organs (beans, pods, seeds) for the presence of insect vital signs (excrement, nutrition) in them or for the presence of hidden living insect species. In addition, special observation methods are used using food lures, traps with sex attractants, light traps, trapping grooves and wells, mowing net, etc., which are installed on the surveyed sites. Counting insects (as well as their developmental stages: eggs, pupae, larvae and adult) is carried out by photo-fixing (every day with the time and date of the image, location) of insects and their morphological stages, then the daily number of insects is calculated and their economic damage threshold (the number of pest populations or the degree of damage to plants at which the damage done reaches an economically significant size). Based on the data on the completion of the identification of insects (according to their external morphological structure and traces of their vital functions: excrement, nutrition) and their abundance, a graph is constructed that indicates the type of insect, its quantity, photo-fixation time, location of the image with recommendations for combating them ( insects). If the collected insects do not represent the possibility of conducting an inventory, then all types of insects need to be decomposed in such a way (onto paper, adhesive tape, a flat, light surface) so that they can be identified using a photograph.
Способ по идентификации насекомых, заболеваний растений и сорной растительности заключается в оперативной идентификации данных объектов с целью дальнейшего принятия решений об их распространении и мер борьбы против них.A method for identifying insects, plant diseases and weeds consists in the operational identification of these objects with the aim of further making decisions about their distribution and measures to combat them.
Способ идентификации осуществляется следующим образом:The identification method is as follows:
1. Получают снимок поверхности определенной площади, в зависимости от поставленной задачи.1. Get a picture of the surface of a certain area, depending on the task.
2. Фотоснимок передается на сервер, персональный компьютер или аналогичное устройство.2. The photograph is transferred to a server, personal computer or similar device.
3. На сервере с помощью программного обеспечения производится обработка фотографии, включая идентификацию объектов, их подсчет и учет.3. On the server using the software, the photo is processed, including the identification of objects, their counting and accounting.
4. Вывод информации о численности в виде отчетов, графиков, диаграмм, карт и иных видов.4. The output of information about the numbers in the form of reports, graphs, charts, maps and other types.
Для осуществления данного способа используются следующие устройства и системы:To implement this method, the following devices and systems are used:
- устройство фиксации фотографии (мобильный телефон, планшетный компьютер, фотоаппарат и другие средства фото и видео фиксации);- a device for capturing photographs (mobile phone, tablet computer, camera and other means of photo and video recording);
- сервер;- server;
- каналы связи (проводные и/или беспроводные);- communication channels (wired and / or wireless);
- экран (монитор) для вывода информации;- screen (monitor) to display information;
- программное обеспечение для обработки фотографий;- photo processing software;
- программное обеспечение для идентификации объектов на фотографии;- software for identifying objects in photographs;
- программное обеспечение для построения графиков и отчетов;- software for graphing and reporting;
- программное обеспечение для учета объектов;- software for accounting facilities;
- программное обеспечение для составления карт;- mapping software;
- программное обеспечение с базой данных насекомых (их морфологических стадий), сорных растений, видов заболеваний растений;- software with a database of insects (their morphological stages), weeds, types of plant diseases;
- программное обеспечение с базой данных, содержащей списки рекомендуемых пестицидов против насекомых, заболеваний растений и сорняков;- software with a database containing lists of recommended pesticides against insects, plant diseases and weeds;
- база данных погодных условий для мониторинга благоприятных или не благоприятных условия для появления (не появления) насекомых, условий для возникновения заболеваний растений.- a database of weather conditions for monitoring favorable or unfavorable conditions for the appearance (not appearance) of insects, conditions for the occurrence of plant diseases.
Фотоснимок производят известным способом с помощью фотоаппарата, смартфона, компактного персонального компьютера или иных аналогичных устройств с возможностью делать фотоснимки.A photograph is taken in a known manner using a camera, smartphone, compact personal computer or other similar devices with the ability to take photographs.
Для определения засоренности поля сорными растениями применяют фотоснимок 1 м2 площади поля, для определения болезней растений применяют фотоснимок от 1 м2 до 10 м2 площади поля, а для определения численности насекомых применяют фотоснимок от 0,01 до 1 м2 площади поля или с площади ловушек и приманок или с другой поверхности светлых оттенков.To determine the weediness of the field by weeds, a photograph of 1 m 2 of the field area is used, to determine plant diseases, a photograph from 1 m 2 to 10 m 2 of the field area is used, and to determine the number of insects, a photograph from 0.01 to 1 m 2 of the field area or areas of traps and lures or from another surface of light shades.
Сделанная фотография, будь то снимок поля с сорными растениями, культурными растениями (для определения болезней растений) или поверхность с насекомыми, передается на сервер с помощью проводных или беспроводных каналов сети, например, wifi, GSM/GPRS, Bluetooth, AirDrop и прочие.The photograph taken, whether it is a picture of a field with weeds, cultivated plants (for determining plant diseases) or a surface with insects, is transmitted to the server using wired or wireless network channels, for example, wifi, GSM / GPRS, Bluetooth, AirDrop and others.
Фотографии присваивается дата снимка, а также координаты места, которое изображено на фотографии.Photos are assigned the date of the image, as well as the coordinates of the place shown in the photo.
Идентификация объектов осуществляется с использованием нейронных сетей. Идентификация происходит путем сравнения полученного изображения объекта с данными из базы данных. Нейронная сеть выделяет границы изображения объекта, помещая его в квадрат фиксированного размера, обрабатывает данные объекта, которые находятся в каждом квадрате, и получает на выходе ответ. Ответом является распределение вероятностей по классам (видам насекомых, растений, заболеваний растений). Проходя такими квадратами по изображению, идентифицируются все объекты на нем.Identification of objects is carried out using neural networks. Identification occurs by comparing the received image of the object with data from the database. The neural network selects the boundaries of the image of the object, placing it in a square of a fixed size, processes the data of the object, which are in each square, and receives an answer at the output. The answer is the distribution of probabilities by class (species of insects, plants, plant diseases). Passing such squares in the image, all objects on it are identified.
Для осуществления способа мониторинга используется предварительно обученная нейронная сеть. Для этого заранее нейронной сети показываются базы данных изображений насекомых нужных видов, виды растений, виды заболеваний растений. Кроме того, нейронной сети также показываются изображения без насекомых и растений. Таким образом, нейронная сеть обучается отличать фоны и насекомых и растений разного вида. В итоге вначале нейронная сеть решает, видит ли она фон или насекомое или растение, а потом определяет, какое насекомое и растение она видит.To implement the monitoring method, a pre-trained neural network is used. For this, a neural network of images of insects of the desired species, plant species, and types of plant diseases are shown in advance of the neural network. In addition, images of insects and plants are also shown on the neural network. Thus, the neural network learns to distinguish between backgrounds and insects and plants of different species. As a result, the neural network first decides whether it sees the background or the insect or plant, and then determines which insect and plant it sees.
Далее мониторинг численности сорных растений, заболеваний культурных растений, или насекомых, осуществляется систематически для определения размножения сорных растений, распространения и увеличения насекомых, и развития болезней растений.Further, the monitoring of the number of weeds, diseases of cultivated plants, or insects is carried out systematically to determine the propagation of weeds, the spread and increase of insects, and the development of plant diseases.
Степень засоренности сорными растениями всего поля определяется по количеству сорняков на 1 м2 исходя из порога их экономической вредоносности: до 20; 20-50; более 50.The degree of contamination by weeds of the entire field is determined by the number of weeds per 1 m 2 based on the threshold of their economic harmfulness: up to 20; 20-50; more than 50.
Степень заселения (учета) вредными насекомыми определяется исходя из порога их экономической вредоносности в зависимости от культуры и ее фенологической стадии от 0,01 до 1 м2: от 0,1 шт./м2 до 30 шт./м2 (на поверхности растения или почвы) или от 1 до 10 штук в ловушке.The degree of population (accounting) of harmful insects is determined based on the threshold of their economic harmfulness, depending on the culture and its phenological stage, from 0.01 to 1 m 2 : from 0.1 pcs / m 2 to 30 pcs / m 2 (on the surface plants or soil) or 1 to 10 pieces trapped.
Степень зараженности культурных растений болезнями определяется исходя из порога их экономической вредоносности 1 м2 до 10 м2: от 0,2% до 20% площади растения.The degree of infection of cultivated plants with diseases is determined based on the threshold of their economic harmfulness of 1 m 2 to 10 m 2 : from 0.2% to 20% of the plant area.
Таким образом, данный способ позволяет определять:Thus, this method allows you to determine:
- сорные растения по способу питания: не паразиты, паразиты и комбинированные, а также по продолжительности жизни: однолетние и многолетние;- weeds by way of feeding: not parasites, parasites and combined, as well as by life expectancy: annual and perennial;
- насекомых фитофагов и энтомофагов, в том числе их наружных морфологических частей и стадий развития: яйца, личинки, куколки и взрослой особи;- insects of phytophages and entomophages, including their external morphological parts and stages of development: eggs, larvae, pupae, and adults;
- заболевания растений, в том числе инфекционных и не инфекционных.- plant diseases, including infectious and non-infectious.
Определение биологической или агротехнической защиты против вредных объектов (насекомых, болезней растений и сорняков) на основе проведенного мониторинга согласно данному изобретению приведет к снижению химической нагрузки на окружающую среду в дальнейшем.The determination of biological or agrotechnical protection against harmful objects (insects, plant diseases and weeds) based on the monitoring carried out according to this invention will lead to a decrease in the chemical load on the environment in the future.
На основе способа обнаружения объектов (насекомых и их стадий развития: яиц, личинок, куколок или взрослых особей; заболеваний растений и сорняков) и их идентификации согласно алгоритму указанном в описании, составляется диаграмма, в которой указывается: место обнаружения объекта с координатами (широта, долгота и высота), время фиксации, количество зафиксированных объектов. Далее информация переносится на геологическую и сельскохозяйственную карту района, поля, в которой отображается информация, указанная в диаграмме. На основе полученных данных создается фитосанитарная карта заселения объектами и пути их миграции. Карта имеет редактируемый (данные могут обрабатываться ручным методом) и изменяемый формат (связано с миграцией насекомых и зависит от погодных условий).Based on the method for detecting objects (insects and their developmental stages: eggs, larvae, pupae or adults; diseases of plants and weeds) and their identification according to the algorithm described in the description, a diagram is drawn up in which it is indicated: the place of detection of the object with coordinates (latitude, longitude and height), fixation time, number of recorded objects. Further, the information is transferred to the geological and agricultural map of the area, the field in which the information shown in the diagram is displayed. On the basis of the obtained data, a phytosanitary map of population of objects and their migration routes is created. The map has an editable (data can be processed manually) and a variable format (associated with the migration of insects and depends on weather conditions).
Claims (6)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2017138250A RU2695490C2 (en) | 2017-11-02 | 2017-11-02 | Method of agricultural lands monitoring |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2017138250A RU2695490C2 (en) | 2017-11-02 | 2017-11-02 | Method of agricultural lands monitoring |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| RU2017138250A RU2017138250A (en) | 2019-05-06 |
| RU2017138250A3 RU2017138250A3 (en) | 2019-05-06 |
| RU2695490C2 true RU2695490C2 (en) | 2019-07-23 |
Family
ID=66430120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2017138250A RU2695490C2 (en) | 2017-11-02 | 2017-11-02 | Method of agricultural lands monitoring |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2695490C2 (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2735151C2 (en) * | 2016-05-12 | 2020-10-28 | Басф Се | Weeds identification in natural environment |
| RU209619U1 (en) * | 2021-10-29 | 2022-03-17 | Федеральное государственное учреждение "Федеральный исследовательский центр "Информатика и управление" Российской академии наук" (ФИЦ ИУ РАН) | Monitoring system for agricultural land plots using machine learning and an unmanned aerial vehicle |
| RU2789078C1 (en) * | 2022-01-31 | 2023-01-30 | Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Институт имени Н.Е. Жуковского" | A system for recognizing objects on the ground during night search for their characteristic features using the optical system of helicopter pilot's night vision goggles |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111830029B (en) * | 2020-01-02 | 2023-10-20 | 河北盛鹏化工有限公司 | Pesticide preparation concentration on-site analysis system and method |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050033481A1 (en) * | 2003-08-08 | 2005-02-10 | Budhraja Vikram S. | Real-time performance monitoring and management system |
| US8417000B1 (en) * | 2011-12-12 | 2013-04-09 | Google Inc. | Determining the location at which a photograph was captured |
| US20130136312A1 (en) * | 2011-11-24 | 2013-05-30 | Shih-Mu TSENG | Method and system for recognizing plant diseases and recording medium |
| US20150170002A1 (en) * | 2013-05-31 | 2015-06-18 | Google Inc. | Object detection using deep neural networks |
| RU2585985C2 (en) * | 2010-09-13 | 2016-06-10 | Эй-Джи-Си Флет Гласс Норт Эмерике, Инк. | Integral image pickup apparatus and method |
| RU2622874C1 (en) * | 2015-07-31 | 2017-06-20 | Сяоми Инк. | Method, device and server of recognizing confidential photograph |
-
2017
- 2017-11-02 RU RU2017138250A patent/RU2695490C2/en not_active IP Right Cessation
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050033481A1 (en) * | 2003-08-08 | 2005-02-10 | Budhraja Vikram S. | Real-time performance monitoring and management system |
| RU2585985C2 (en) * | 2010-09-13 | 2016-06-10 | Эй-Джи-Си Флет Гласс Норт Эмерике, Инк. | Integral image pickup apparatus and method |
| US20130136312A1 (en) * | 2011-11-24 | 2013-05-30 | Shih-Mu TSENG | Method and system for recognizing plant diseases and recording medium |
| US8417000B1 (en) * | 2011-12-12 | 2013-04-09 | Google Inc. | Determining the location at which a photograph was captured |
| US20150170002A1 (en) * | 2013-05-31 | 2015-06-18 | Google Inc. | Object detection using deep neural networks |
| RU2622874C1 (en) * | 2015-07-31 | 2017-06-20 | Сяоми Инк. | Method, device and server of recognizing confidential photograph |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2735151C2 (en) * | 2016-05-12 | 2020-10-28 | Басф Се | Weeds identification in natural environment |
| RU209619U1 (en) * | 2021-10-29 | 2022-03-17 | Федеральное государственное учреждение "Федеральный исследовательский центр "Информатика и управление" Российской академии наук" (ФИЦ ИУ РАН) | Monitoring system for agricultural land plots using machine learning and an unmanned aerial vehicle |
| RU2789078C1 (en) * | 2022-01-31 | 2023-01-30 | Федеральное государственное бюджетное учреждение "Национальный исследовательский центр "Институт имени Н.Е. Жуковского" | A system for recognizing objects on the ground during night search for their characteristic features using the optical system of helicopter pilot's night vision goggles |
| RU2815619C1 (en) * | 2023-10-30 | 2024-03-19 | Общество с ограниченной ответственностью "СМАРТ ЭНДЖИНС СЕРВИС" | System for searching and tracking extended agricultural objects on aerial photographs |
Also Published As
| Publication number | Publication date |
|---|---|
| RU2017138250A (en) | 2019-05-06 |
| RU2017138250A3 (en) | 2019-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11771074B2 (en) | Sensor based observation of anthropods | |
| US20200117897A1 (en) | Adaptive Artificial Intelligence Training Data Acquisition and Plant Monitoring System | |
| WO2015006675A2 (en) | Method for automatic phenotype measurement and selection | |
| US10986827B2 (en) | Methods for deploying biosentinels to agricultural fields and monitoring biotic and abiotic stresses in crops remotely | |
| CN108140118A (en) | For identifying the method and information system of at least one plant plant being planted on arable land | |
| RU2695490C2 (en) | Method of agricultural lands monitoring | |
| Hoddle et al. | Field optimization of the sex pheromone of Stenoma catenifer (Lepidoptera: Elachistidae): evaluation of lure types, trap height, male flight distances, and number of traps needed per avocado orchard for detection | |
| EP3516580B1 (en) | Control of harmful organisms | |
| CN116030343A (en) | Crop pest monitoring system based on machine vision identification | |
| Grocock et al. | Local and landscape-scale features influence bumble bee (Hymenoptera: Apidae) bycatch in bertha armyworm Mamestra configurata (Lepidoptera: Noctuidae) pheromone-baited monitoring traps | |
| Maxwell | The allure of lure and its impact on perceived community composition when monitoring tropical mammalian biodiversity | |
| Apolloni et al. | Landscape use, foraging habitat selection and relationships to food resources in breeding little owls: recognizing the importance of scale for species conservation management | |
| WO2020035875A1 (en) | "methods and systems for generating prescription plans for a region under cultivation" | |
| Boyce | Timing and extent of crop damage by wild pigs (Sus scrofa) to corn (Zea mays) and peanuts (Arachis hypogaea) | |
| Hieronimo et al. | Integrating land cover and terrain characteristics to explain plague risks in Western Usambara Mountains, Tanzania: a geospatial approach | |
| Bekker | Spatio-temporal analyses of fruit fly populations in selected areas of the Western Cape | |
| Tabor | Quantifying Floral Resource Availability Using Unmanned Aerial Systems and Machine Learning Classifications to Predict Bee Community Structure | |
| Friesenhahn | Assessing Space Use, Resource Selection, and Crop Damage of Wild Pigs in an Agricultural Landscape | |
| Čirjak | Effectiveness of analytical models based on artificial neural networks in monitoring codling moth, pear leaf blister moth and its damage | |
| Longhi et al. | Monitoring the spread of a pathogenic insect on vineyards using UAS | |
| Curtis | Operation COBRA: Developing a new protocol for measuring spider biodiversity in New Zealand pastures | |
| Marmelo | Understanding variation in vigilance behavior in a highly social bird | |
| Coulthard | Habitat and landscape-scale effects on the abundance and diversity of macro-moths (Lepidoptera) in intensive farmland | |
| Walker | Testing camera trap density estimates from the spatial capture model and calibrated capture rate indices against Kangaroo Rat (Dipodomys spp.) live trapping data | |
| Lewis | Estimation of population densities of carabid beetles in cereal crops |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20201103 |