CN103413172B - 玉米苗期缺苗数的测量方法 - Google Patents
玉米苗期缺苗数的测量方法 Download PDFInfo
- Publication number
- CN103413172B CN103413172B CN201310370436.5A CN201310370436A CN103413172B CN 103413172 B CN103413172 B CN 103413172B CN 201310370436 A CN201310370436 A CN 201310370436A CN 103413172 B CN103413172 B CN 103413172B
- Authority
- CN
- China
- Prior art keywords
- maize
- image
- seedling
- stem
- seedling stage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明提供一种玉米苗期缺苗数的测量方法,涉及农作物信息技术领域。该方法包括步骤S1、获取玉米苗期植株图像,得到图像序列I(I1,I2,…In),n为正整数;S2、将所述图像序列I(I1,I2,…In)中的相邻两幅图像的重复区域进行拼接,得到一幅玉米苗期行向图像IW;S3、对所述玉米苗期行向图像IW进行分割与识别,获取玉米苗期植株茎秆位置,并计算玉米苗期植株茎秆行向直线;S4、根据所述玉米苗期植株的茎秆行向直线识别缺苗位置,并计算缺苗数。本发明所述方法具有较高的自动化程度,能够代替人工方法调查玉米苗期缺苗数量,减少人力投入成本,去除人为误差的干扰。使评价玉米种子的品质、测量播种机具的作业精度指标的获取更加简洁。
Description
技术领域
本发明涉及农作物信息技术领域,具体涉及一种玉米苗期缺苗数的测量方法。
背景技术
玉米是我国种植的主要农作物之一,玉米植株的数量对玉米产量有重要影响,WileyandHeath(1969)等人指出,只有植株密度达到特定量值时,其产量才能达到最大值。受到玉米种子发芽率、播种机械精度、操作人员熟练程度、土壤墒情、病虫害等诸多因素影响,田间玉米植株常出现缺失现象,Nafziger(1996)发现行内缺失植株时,其两侧的植株在低密度下(45000株/公顷)只能补偿其47%的产量,而在高密度下(75000株/公顷)只能补偿18%。因此能够快速、准确、自动化地测量玉米行内缺苗数,不仅可以为评价玉米种子质量、作业机器精度、农田环境等提供重要的参考指标,同时也可以及时发现缺苗并做出补种或移栽等补救措施弥补产量损失。
目前测量玉米苗期缺苗数的方法主要依靠人工目测量数目。
通过人工目测量数目,难以大范围开展、需要大量人工操作、费时费力,测量结果经验性强,人为误差难以去除。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供一种玉米苗期缺苗数的测量方法,解决了自动化地测量玉米行内缺苗数的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:
一种玉米苗期缺苗数的测量方法,包含以下步骤:
S1、获取玉米苗期植株图像,得到图像序列I(I1,I2,…In),n为正整数;
S2、将所述图像序列I(I1,I2,…In)中的相邻两幅图像的重复区域进行拼接,得到一幅玉米苗期行向图像IW;
S3、对所述玉米苗期行向图像IW进行分割与识别,获取玉米苗期植株茎秆位置,并计算玉米苗期植株茎秆行向直线;
S4、根据所述玉米苗期植株的茎秆行向直线识别缺苗位置,并计算缺苗数。
优选的,步骤S2包括步骤:
S21、设Ik和Ik+1是图像序列I(I1,I2,…In)中前后相邻的两幅图像,提取两幅图像中的特征点集合p和q,并获取所述两幅图像的共享特征点对集合pc(pc1,pc2,….pcm)和qc(qc1,qc2,…qcm),1≤k<n,m为正整数;
S22、通过所述共享特征点对集合pc(pc1,pc2,….pcm)和qc(qc1,qc2,…qcm)计算映射矩阵H;
S23、将所述映射矩阵H作用在所述图像Ik上,通过将所述Ik图像上的像素点的坐标变换到与所述Ik+1图像上的像素点的同一个坐标系下,使得所述Ik图像与所述Ik+1图像上重复的内容重合;
S24、重复步骤S21~S23,将所述图像序列I(I1,I2,…In)中所有相临的两幅图像的重复区域进行拼接,进而得到一幅玉米苗期行向图像IW。
优选的,步骤S21特征点为角点,或者是灰度梯度极值点。
优选的,步骤S3包含步骤:
S31、通过超绿算子分割方法对所述玉米苗期行向图像IW进行分割与识别,获取二值图像IWb;
S32、设定V(x,y)是所述玉米苗期行向图像IW的坐标(x,y)处的像素灰度值,R(x,y)是所述二值图像IWb的坐标(x,y)处的像素灰度值;若V(x,y)<30并且R(x,y)>128,则V(x,y)属于植株图像上的灰度暗区域点;
S33、遍历所述玉米苗期行向图像IW,获得灰度暗区域点集合V(V1,V2…Vl),l为正整数;所述集合V中点集组成茎秆中心联通区域Con(Con1,Con2,Conm),m为正整数;若所述联通区域Con的面积小于第一阈值,则认为Con属于噪声并去除;使用细化算法获得所述二值图像IWb中植株图像的骨架;若所述茎秆中心联通区域Con与植株图像的骨架有交点,则所述茎秆中心联通区域Con代表植株茎秆位置;反之,所述茎秆中心联通区域Con处于叶片边缘部分的灰度暗区域,不能代表植株茎秆位置;
S34、遍历所述茎秆中心联通区域Con,并计算相邻联通区域之间的距离,若距离小于预先设定的第二阈值,则将两个联通区域的重心位置取均值合并;获得一组代表植株茎秆位置的点集Pstem,使用最小二乘法将所述点集Pstem拟合成一条植株行向直线Lstem,则所述植株行向直线Lstem代表玉米苗期植株茎秆行向直线。
优选的,步骤S33后进一步包含步骤:
S33’、遍历IWb中植株联通区域ConP,若所述ConP的面积大于第三阈值,则该植株联通区域ConP为玉米植株位置;若所述植株联通区域ConP包含所述茎秆中心联通区域Con,则该植株联通区域ConP为玉米植株位置;反之,则取所述植株联通区域ConP的重心位置画一个预定半径的圆区域代替茎秆顶端圆筒灰度暗区域,并将此园区域加入所述茎秆中心联通区域Con。
优选的,第一阈值为50pixel;第二阈值为150pixel;第三阈值为2000pixel。
优选的,步骤S4包含步骤:
S41、将所述植株茎秆位置点集Pstem投影到所述植株行向直线Lstem上获得投影点集PROJstem,计算所述投影点集PROJstem中相邻点之间的距离,获得距离集合DISTstem;
S42、遍历所述集合DISTstem,当所述集合DISTstem的某一距离值DIST(stem,t)使得能量函数Dj最小时,此DIST(stem,t)既是该行玉米的正常株距;
S43、依据得到的正常株距,计算相邻植株茎秆位置的缺苗数,并统计所述玉米苗期行向图像IW中的缺苗数。
优选的,步骤S42中,Dj计算表达式为:
式中,DIST(stem,t)该行玉米的正常株距,DIST(stem,j)是所述距离集合DISTstem中一个值。
优选的,步骤S43中,相邻植株茎秆位置的缺苗数计算表达式为:
DTNUMj=ROUND(DIST(stem,j)/DIST(stem,t)+0.5)-1
式中,j=1…N,ROUND()表示取整数操作。
本发明还提供了一种玉米苗期缺苗数的测量装置,包含以下模块:
获取玉米苗期植株图像模块,获取玉米苗期植株图像,得到图像序列I(I1,I2,…In),n为正整数;
计算玉米苗期行向图像模块,将所述图像序列I(I1,I2,…In)中的相邻两幅图像的重复区域进行拼接,得到一幅玉米苗期行向图像IW;
计算玉米苗期植株茎秆行向直线模块,对所述玉米苗期行向图像IW进行分割与识别,获取玉米苗期植株茎秆位置,并计算玉米苗期植株茎秆行向直线;
计算缺苗数模块,根据所述玉米苗期植株的茎秆行向直线识别缺苗位置,并计算缺苗数。
(三)有益效果
本发明提供一种玉米苗期缺苗数的测量方法,通过获取玉米苗期植株图像,将相邻两幅图像的重复区域进行拼接,进而得到一幅玉米苗期行向图像,再通过对玉米苗期行向图像进行分割与识别,获取玉米苗期植株茎秆行向直线,进而识别缺苗位置,并计算出相邻玉米植株间缺失玉米植株的数量。本发明所述方法具有较高的自动化程度,能够代替人工方法调查玉米苗期缺苗数量,减少人力投入成本,去除人为误差的干扰。使评价玉米种子的品质、测量播种机具的作业精度指标的获取更加简洁。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种玉米苗期缺苗数的测量方法的流程图;
图2为本发明实施例的一种玉米苗期缺苗数的测量装置的结构示意图;
图3为本发明实施例中采用工业相机拍摄的图像序列示意图;
图4为本发明实施例中对重复区域进行拼接后得到的玉米苗期行向图像示意图;
图5为本发明实施例中的二值图像示意图;
图6为本发明实施例中的植株行向直线示意图;
图7a和7b都为本发明实施例中的植株缺苗位置示意图。
具体实施方式
下面对于本发明所提出的一种玉米苗期缺苗数的测量方法,结合附图和实施例详细说明。
实施例1:
如图1所示,本发明实施例提供了一种玉米苗期缺苗数的测量方法,该方法包含以下步骤:
S1、获取玉米苗期植株图像,得到图像序列I(I1,I2,…In),n为正整数;
S2、将所述图像序列I(I1,I2,…In)中的相邻两幅图像的重复区域进行拼接,得到一幅玉米苗期行向图像IW;
S3、对所述玉米苗期行向图像IW进行分割与识别,获取玉米苗期植株茎秆位置,并计算玉米苗期植株茎秆行向直线;
S4、根据所述玉米苗期植株的茎秆行向直线识别缺苗位置,并计算缺苗数。
本发明通过获取玉米苗期植株图像,将相邻两幅图像的重复区域进行拼接,进而得到一幅玉米苗期行向图像,再通过对玉米苗期行向图像进行分割与识别,获取玉米苗期植株茎秆行向直线,进而识别缺苗位置,并计算出相邻玉米植株间缺失玉米植株的数量。本发明所述方法具有较高的自动化程度,能够代替人工方法调查玉米苗期缺苗数量,减少人力投入成本,去除人为误差的干扰。使评价玉米种子的品质、测量播种机具的作业精度指标的获取更加简洁。
下面对本发明实施例进行详细的说明:
一种玉米苗期缺苗数的测量方法,该方法包含以下步骤:
S1、获取玉米苗期植株图像,得到图像序列I(I1,I2,…In),n为正整数;
获取图像的设备采用工业相机,型号mvc3000(北京微视图像),Pentax6mm定焦镜头,相机距离地面80cm-120cm垂直于地面朝下放置,沿着玉米行方向移动相机,每隔10cm左右获取一幅图像。设备悬挂在田间作业的农机具上时,设置相机帧率为30FPS,农机移动速度2m/s。拍摄时间宜选择晴朗的午后开展,以便去除阳光与风对获取图像质量的干扰。获取的图像序列如图3所示。
S2、将所述图像序列I(I1,I2,…In)中的相邻两幅图像的重复区域进行拼接,得到一幅玉米苗期行向图像IW;
优选的,步骤S2包括步骤:
S21、设Ik和Ik+1是图像序列I(I1,I2,…In)中前后相邻的两幅图像,提取两幅图像中的特征点集合p和q,并获取所述两幅图像的共享特征点对集合pc(pc1,pc2,….pcm)和qc(qc1,qc2,…qcm),1≤k<n,m为正整数;
优选的,步骤S21特征点为角点,或者是灰度梯度极值点。
此步骤的计算过程可参考文献:(C.G.Harris,M.J.Stephens.Acombinedcornerandedgedetector.In:ProceedingsFourthAlveyVisionConference.Manchester,U.K.1988:147-151)。
S22、通过所述共享特征点对集合pc(pc1,pc2,….pcm)和qc(qc1,qc2,…qcm)计算映射矩阵H(3×3);
计算表达式为:pc×H=qc。
S23、将所述映射矩阵H(3×3)作用在所述图像Ik上,通过将所述Ik图像上的像素点的坐标变换到与所述Ik+1图像上的像素点的同一个坐标系下,使得所述Ik图像与所述Ik+1图像上重复的内容重合;
S24、重复步骤S21~S23,将所述图像序列I(I1,I2,…In)中所有相临的两幅图像的重复区域进行拼接,进而得到一幅如图4所示的,玉米苗期行向图像IW。
S3、对所述玉米苗期行向图像IW进行分割与识别,获取玉米苗期植株茎秆位置,并计算玉米苗期植株茎秆行向直线;
步骤S3包含步骤:
S31、因所述玉米苗期行向图像IW中包含有玉米植株、杂草、土壤等信息,因此对玉米植株、杂草、土壤等,通过超绿算子分割方法(D.M.Woebbecke,G.E.Meyer,K.VonBargen,D.A.Mortensen.ColorIndicesforweeddentificationundervarioussoil,residue,andlightingconditions.TransactionsoftheASAE,1995,38(1):259-269)对所述玉米苗期行向图像IW进行分割与识别,获取如图5所示的,二值图像IWb;
S32、设定V(x,y)是所述玉米苗期行向图像IW的坐标(x,y)处的像素灰度值,R(x,y)是所述二值图像IWb的坐标(x,y)处的像素灰度值;若V(x,y)<30并且R(x,y)>128,则V(x,y)属于植株图像上的灰度暗区域点;
S33、遍历所述玉米苗期行向图像IW,获得灰度暗区域点集合V(V1,V2…Vl),l为正整数;所述集合V中点集组成茎秆中心联通区域Con(Con1,Con2,Conm),m为正整数;若所述联通区域Con的面积小于第一阈值50pixel,则认为Con属于噪声并去除;使用细化算法获得所述二值图像IWb中植株图像的骨架;若所述茎秆中心联通区域Con与植株图像的骨架有交点,则所述茎秆中心联通区域Con代表植株茎秆位置;反之,所述茎秆中心联通区域Con处于叶片边缘部分的灰度暗区域,不能代表植株茎秆位置;
S34、遍历所述茎秆中心联通区域Con,并计算相邻联通区域之间的距离,若距离小于预先设定的第二阈值150pixel,则将两个联通区域的重心位置取均值合并;获得一组代表植株茎秆位置的点集Pstem,使用最小二乘法将所述点集Pstem拟合成一条如图6所示的,植株行向直线Lstem,则所述植株行向直线Lstem代表玉米苗期植株茎秆行向直线。
作为对本发明实施例的改进,在步骤S33后还包含步骤S33’:
因受到植株生长时期、拍摄图像的角度和光线的影响,有些植株茎秆顶端的圆筒没有灰度暗区域,通过下述方法填补:
S33’、遍历IWb中植株联通区域ConP,若所述ConP的面积大于第三阈值2000pixel,则该植株联通区域ConP为玉米植株位置;若所述植株联通区域ConP包含所述茎秆中心联通区域Con,则该植株联通区域ConP为玉米植株位置;反之,则取所述植株联通区域ConP的重心位置画一个预定半径的圆区域代替茎秆顶端圆筒灰度暗区域,并将此园区域加入所述茎秆中心联通区域Con。
S4、根据所述玉米苗期植株的茎秆行向直线识别缺苗位置,并计算缺苗数。
优选的,步骤S4包含步骤:
S41、将所述植株茎秆位置点集Pstem投影到所述植株行向直线Lstem上获得投影点集PROJstem,计算所述投影点集PROJstem中相邻点之间的距离,获得距离集合DISTstem;
S42、遍历所述集合DISTstem,当所述集合DISTstem的某一距离值DIST(stem,t)使得能量函数Dj最小时,此DIST(stem,t)既是该行玉米的正常株距;
其中,Dj计算表达式为:
式中,DIST(stem,t)该行玉米的正常株距,DIST(stem,j)是所述距离集合DISTstem中一个值。
S43、依据得到的正常株距,计算相邻植株茎秆位置的缺苗数,并统计所述玉米苗期行向图像IW中的缺苗数。
其中,相邻植株茎秆位置的缺苗数计算表达式为:
DTNUMj=ROUND(DIST(stem,j)/DIST(stem,t)+0.5)-1
式中,j=1…N,ROUND()表示取整数操作。
如图7a和7b所示,为本发明实施例中的植株缺苗位置示意图。
最终,所述玉米苗期行向图像IW的缺苗数的表计算达式为:
其中DTSUM为总的缺苗数,DTNUM为相邻两株玉米之间的却描数,n为两两相邻玉米之间的空隙数量。
实施例2:
如图2所示,本发明还提供了一种玉米苗期缺苗数的测量装置,其特征在于,包含以下模块:
获取玉米苗期植株图像模块,获取玉米苗期植株图像,得到图像序列I(I1,I2,…In),n为正整数;
计算玉米苗期行向图像模块,将所述图像序列I(I1,I2,…In)中的相邻两幅图像的重复区域进行拼接,得到一幅玉米苗期行向图像IW;
计算玉米苗期植株茎秆行向直线模块,对所述玉米苗期行向图像IW进行分割与识别,获取玉米苗期植株茎秆位置,并计算玉米苗期植株茎秆行向直线;
计算缺苗数模块,根据所述玉米苗期植株的茎秆行向直线识别缺苗位置,并计算缺苗数。
综上,本发明克服了通过人工目测量数目,难以大范围开展、需要大量人工操作、费时费力,测量结果经验性强,人为误差难以去除等问题,能够自动化地测量玉米行内缺苗数,大大的节约了人力成本,提高了工作效率;
因测量结果准确不易受到外界环境变化的干扰,也提高了准确率。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种玉米苗期缺苗数的测量方法,其特征在于,包含以下步骤:
S1、获取玉米苗期植株图像,得到图像序列I(I1,I2,…In),n为正整数;
S2、将所述图像序列I(I1,I2,…In)中的相邻两幅图像的重复区域进行拼接,得到一幅玉米苗期行向图像IW;
S3、对所述玉米苗期行向图像IW进行分割与识别,获取玉米苗期植株茎秆位置,并计算玉米苗期植株茎秆行向直线;
S4、根据所述玉米苗期植株的茎秆行向直线识别缺苗位置,并计算缺苗数;
步骤S2包括步骤:
S21、设Ik和Ik+1是图像序列I(I1,I2,…In)中前后相邻的两幅图像,提取两幅图像中的特征点集合p和q,并获取所述两幅图像的共享特征点对集合pc(pc1,pc2,….pcm)和qc(qc1,qc2,…qcm),1≤k<n,m为正整数;
S22、通过所述共享特征点对集合pc(pc1,pc2,….pcm)和qc(qc1,qc2,…qcm)计算映射矩阵H;
S23、将所述映射矩阵H作用在所述图像Ik上,通过将所述Ik图像上的像素点的坐标变换到与所述Ik+1图像上的像素点的同一个坐标系下,使得所述Ik图像与所述Ik+1图像上重复的内容重合;
S24、重复步骤S21~S23,将所述图像序列I(I1,I2,…In)中所有相临的两幅图像的重复区域进行拼接,进而得到一幅玉米苗期行向图像IW;
步骤S3包含步骤:
S31、通过超绿算子分割方法对所述玉米苗期行向图像IW进行分割与识别,获取二值图像IWb;
S32、设定V(x,y)是所述玉米苗期行向图像IW的坐标(x,y)处的像素灰度值,R(x,y)是所述二值图像IWb的坐标(x,y)处的像素灰度值;若V(x,y)<30并且R(x,y)>128,则V(x,y)属于植株图像上的灰度暗区域点;
S33、遍历所述玉米苗期行向图像IW,获得灰度暗区域点集合V(V1,V2…Vl),l为正整数;所述集合V中点集组成茎秆中心联通区域Con(Con1,Con2,Conm),m为正整数;若所述联通区域Con的面积小于第一阈值,则认为Con属于噪声并去除;使用细化算法获得所述二值图像IWb中植株图像的骨架;若所述茎秆中心联通区域Con与植株图像的骨架有交点,则所述茎秆中心联通区域Con代表植株茎秆位置;反之,所述茎秆中心联通区域Con处于叶片边缘部分的灰度暗区域,不能代表植株茎秆位置;
S34、遍历所述茎秆中心联通区域Con,并计算相邻联通区域之间的距离,若距离小于预先设定的第二阈值,则将两个联通区域的重心位置取均值合并;获得一组代表植株茎秆位置的点集Pstem,使用最小二乘法将所述点集Pstem拟合成一条植株行向直线Lstem,则所述植株行向直线Lstem代表玉米苗期植株茎秆行向直线;
第一阈值为50pixel;第二阈值为150pixel。
2.如权利要求1所述的测量方法,其特征在于,步骤S21特征点为角点,或者是灰度梯度极值点。
3.如权利要求1所述的测量方法,其特征在于,步骤S33后进一步包含步骤:
S33’、遍历IWb中植株联通区域ConP,若所述ConP的面积大于第三阈值,则该植株联通区域ConP为玉米植株位置;若所述植株联通区域ConP包含所述茎秆中心联通区域Con,则该植株联通区域ConP为玉米植株位置;反之,则取所述植株联通区域ConP的重心位置画一个预定半径的圆区域代替茎秆顶端圆筒灰度暗区域,并将此圆区域加入所述茎秆中心联通区域Con,第三阈值为2000pixel。
4.如权利要求1所述的测量方法,其特征在于,步骤S4包含步骤:
S41、将所述植株茎秆位置点集Pstem投影到所述植株行向直线Lstem上获得投影点集PROJstem,计算所述投影点集PROJstem中相邻点之间的距离,获得距离集合DISTstem;
S42、遍历所述集合DISTstem,当所述集合DISTstem的某一距离值DIST(stem,t)使得能量函数Dj最小时,此DIST(stem,t)既是该行玉米的正常株距;
S43、依据得到的正常株距,计算相邻植株茎秆位置的缺苗数,并统计所述玉米苗期行向图像IW中的缺苗数。
5.如权利要求4所述的测量方法,其特征在于,步骤S42中,Dj计算表达式为:
式中,DIST(stem,t)该行玉米的正常株距,DIST(stem,j)是所述距离集合DISTstem中一个值。
6.如权利要求4所述的测量方法,其特征在于,步骤S43中,相邻植株茎秆位置的缺苗数计算表达式为:
DTNUMj=ROUND(DIST(stem,j)/DIST(stem,t)+0.5)-1
式中,j=1…N,ROUND()表示取整数操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310370436.5A CN103413172B (zh) | 2013-08-22 | 2013-08-22 | 玉米苗期缺苗数的测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310370436.5A CN103413172B (zh) | 2013-08-22 | 2013-08-22 | 玉米苗期缺苗数的测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103413172A CN103413172A (zh) | 2013-11-27 |
CN103413172B true CN103413172B (zh) | 2016-01-20 |
Family
ID=49606179
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310370436.5A Active CN103413172B (zh) | 2013-08-22 | 2013-08-22 | 玉米苗期缺苗数的测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103413172B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107239761B (zh) * | 2017-06-05 | 2020-03-27 | 山东农业大学 | 基于骨架角点检测的果树拉枝效果评价方法 |
CN109886094A (zh) * | 2019-01-08 | 2019-06-14 | 中国农业大学 | 一种作物苗情苗势采集分析方法和装置 |
CN110909668B (zh) * | 2019-11-20 | 2021-02-19 | 广州极飞科技有限公司 | 目标检测方法、装置、计算机可读存储介质和电子设备 |
CN113807128B (zh) * | 2020-06-12 | 2022-09-13 | 广州极飞科技股份有限公司 | 一种缺苗标记方法、装置、计算机设备和存储介质 |
CN116246225A (zh) * | 2023-05-12 | 2023-06-09 | 青岛农业大学 | 一种基于图像处理的作物育种监测方法及系统 |
-
2013
- 2013-08-22 CN CN201310370436.5A patent/CN103413172B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于角点检测的图像匹配算法及其在图像拼接中的应用;庄志国;《厦门大学学报(自然科学版)》;20070731;第46卷(第4期);全文 * |
基于计算机视觉的播种精度检测技术研究;李伟;《中国优秀博士学位论文全文数据库信息科技辑》;20040915;第2004年卷(第3期);正文第38-19页,第45-46页,第50页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103413172A (zh) | 2013-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103413172B (zh) | 玉米苗期缺苗数的测量方法 | |
Chen et al. | Quantifying the effects of climate trends in the past 43 years (1961–2003) on crop growth and water demand in the North China Plain | |
CN101699315B (zh) | 一种作物长势均匀度的监测装置和方法 | |
Shen et al. | Energy/water budgets and productivity of the typical croplands irrigated with groundwater and surface water in the North China Plain | |
Yang et al. | Prediction of cotton yield and water demand under climate change and future adaptation measures | |
US20220406054A1 (en) | Large-scale crop phenology extraction method based on shape model fitting method | |
CN106054679B (zh) | 一种基于物联网的农业智能监控系统及作物种植方法 | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN105718751B (zh) | 一种基于面积格点覆盖的深松作业面积计算方法 | |
CN104424390A (zh) | 灌溉面积监测方法及装置 | |
CN106485002B (zh) | 在复杂地形气候区域估算甘蔗潜在产量的方法 | |
CN102413160A (zh) | 一种猕猴桃果园精准管理系统 | |
CN108323419A (zh) | 土壤地表渗水速率和灌溉水量的判别方法及智能灌溉系统 | |
CN108038706A (zh) | 一种药材溯源系统 | |
CN104820866A (zh) | 一种根据叶菜类作物长势进行变量施肥的方法 | |
Yan et al. | Potential promoted productivity and spatial patterns of medium-and low-yield cropland land in China | |
Liu Yang et al. | Modeling the effects of plastic film mulching on irrigated maize yield and water use efficiency in sub-humid Northeast China. | |
CN104965057A (zh) | 一种农田面源污染县域地表径流总磷排放量的预测方法 | |
CN115455086A (zh) | 一种灌区农业灌溉用水量的估算方法及系统 | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
CN112215522A (zh) | 农作物长势监测系统、方法、计算机设备及存储介质 | |
CN117178769B (zh) | 一种基于自动化的园林植物养护方法及系统 | |
CN109644655A (zh) | 一种基于土壤肥力实时检测的精准施肥方法 | |
CN104126493A (zh) | 一种用于研究根系应对水平障碍的试验装置及其试验方法 | |
CN116627193A (zh) | 一种温室大棚智能管控平台及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |