CN103778630A - 基于android的田间病害程度图像识别方法 - Google Patents
基于android的田间病害程度图像识别方法 Download PDFInfo
- Publication number
- CN103778630A CN103778630A CN201410019017.1A CN201410019017A CN103778630A CN 103778630 A CN103778630 A CN 103778630A CN 201410019017 A CN201410019017 A CN 201410019017A CN 103778630 A CN103778630 A CN 103778630A
- Authority
- CN
- China
- Prior art keywords
- area
- image
- scab
- blade
- region
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于android的田间病害程度图像识别方法,首先,对应用android操作系统的智能终端进行JAVA编程,得到所需的识别系统操作界面;当需要进行田间病害调查时,利用所述智能终端自带的拍摄功能,获取田间叶片的图像;其次,通过人机交互方式,勾勒出叶片图像中的叶片区域和病斑区域;最后,通过图像分析自动计算叶片区域和病斑区域的面积,并计算病斑区域所占百分比,从而得出植病的严重度。本发明方法不但可以解决植物病害严重度的现场精确识别的问题,而且对操作人员专业技能要求低,将极大地提高田间植病分析的效率。
Description
技术领域
本发明涉及田间病害调查的技术领域,尤其是指一种基于android的田间病害程度图像识别方法。
背景技术
植物病害的田间调查是了解植物病害发生的重要工作,能够为研究并认识植病发生的规律、进而进行植物检疫、植病的防治以及植病的预测、产量损失估计等提供重要的第一手资料。传统的植物病害田间专题调查的方式是在田间选取多个代表性的地块,选点和取样,通过分析植株或器官的受害程度,如叶片上病斑面积的百分比来估计植病的严重度,例如,在水稻白叶枯病损失估计中,以叶片受害面积作为评估的依据。但是这种调查方法抽样量非常大,对植病严重度的分级常采用铅丝框、级片框或者人工估计,由此导致植病的分级程度不准确,调查人员的工作量巨大,而且为保证数据误差不至于太大,在人工估计中,应尽可能由同一个调查人员评估数据,否则会存在不同人员判定尺度不一的问题。因此,在田间调查中迫切需要一种能对植病严重度进行精确测量且便于携带的仪器。图像分析技术非常适合于对田间叶片病斑程度的精确分析,但是,基于传统的CCD摄像机+PC机的图像采集与分析模式,由于其价格、非便携性等因素,无法应用于田间调查的现场分析。
病害程度调查中常采用分级计数法以调查植物发病的程度。植物发病程度可以通过统计植物叶片病斑的大小来确认。使用分级计数法,需要事先在田间采集发病轻重不同的标本,选出每一级的典型代表,用图或照相制作成标准。制作标准时,一般用求积仪测定叶斑面积总和与叶片面积,并计算叶斑面积所占叶片面积的百分率,依据百分率数值将植病严重度分成不同的等级。例如,麦类锈病分级、苹果黑腐病分级等,如图11和图12所示。在麦类锈病分级标准中,发病率分为5%、10%、25%、40%、65%与100%共6个等级,分级依据是叶片上夏孢子堆占叶面积的百分率,对应数据分别为1.85%、3.7%、9.25%、14.8%、24.05%及37%。
在实际田间调查时,通常采用人工估算法,具体是通过人工观察抽样叶片孢子堆分布面积,再参照分级标准估算植病的发病率。而采用人工估算存在以下缺点:(1)精度受到影响,不同的观察者,对同一样本会得到不同的估算结果;(2)估算效率受到观察者熟练程度的影响;(3)需要事先制作分级标准图片。
此外,在田间调查时,也有采用电子叶面测量仪或求积仪测量叶片面积和病斑面积。但存在以下缺点:(1)对病斑面积尤其是多处病斑测量不便;(2)仪器的便携性与在田间的操作性欠佳,且求积仪需要采摘叶片并在实验室完成测量。
另外,也有利用图像处理技术测定叶片和病斑面积,而测量系统的构成有四种方式:(1)嵌入式系统PC104+USB摄像头;(2)PC计算机+CCD摄像机;(3)ARM+CIS接触式图像传感器;(4)基于mobile的测量系统。方式(1)中介绍的方法可以测量叶片的长、宽、面积、周长,但没有测量叶斑面积的算法及所占百分比,同时该方案只能一机专用;方式(2)中介绍的方法,只适用于实验室分析,不能用于田间现场分析;方式(3)中介绍的方法,采用接触式CIS传感器,可以现场测量植物活体叶片的面积、宽度、最大宽度、长度、长宽比等参数,但不能测量病斑面积及所占百分比;方式(4)中介绍的基于mobile的测量系统,其采用的是mobil系统,C#编程,目前的应用范围受到限制。
目前,由于移动通讯技术与嵌入式技术的发展,平板电脑与智能手机集成度高、便于携带,其功能强大、运算速度不断提升、而价格不断降低,而且主流的android系统具有开放性的操作平台,允许非预设软件的安装与使用,用户完全可以利用其拍照功能采集植物图像,自行开发第三方的图像分析软件,对采集图像进行处理与分析,不但可以解决植物病害严重度的现场精确识别的问题,且该种方法对操作人员专业技能要求低,基于android的平板电脑和智能手机价格低廉,携带方便,可人手一部进行操作,也将提高田间植病分析的效率。
发明内容
本发明的目的在于克服现有技术的不足,提供一种精准、可靠、快速的基于android的田间病害程度图像识别方法,该方法不但可以解决植物病害严重度的现场精确识别的问题,而且对操作人员专业技能要求低,将极大地提高田间植病分析的效率。
为实现上述目的,本发明所提供的技术方案为:基于android的田间病害程度图像识别方法,首先,对应用android操作系统的智能终端进行JAVA编程,得到所需的识别系统操作界面;当需要进行田间病害调查时,利用所述智能终端自带的拍摄功能,获取田间叶片的图像;其次,通过人机交互方式,勾勒出叶片图像中的叶片区域和病斑区域;最后,通过图像分析自动计算叶片区域和病斑区域的面积,并计算病斑区域所占百分比,从而得出植病的严重度。
所述基于android的田间病害程度图像识别方法,包括以下步骤:
1)采集叶片图像
利用所述智能终端自带的摄像头拍摄叶片图像,而采集到的叶片图像将实时显示在所述智能终端的识别系统操作界面的图像显示区上;
2)分割叶片区域
采用人机交互方式,用手指在所述图像显示区上,勾勒出被摄叶片的轮廓,轮廓线将以黄色显示在图像显示区上;
3)计算叶片面积
点击识别系统操作界面的计算按钮,则用JAVA编写的程序将以黄色轮廓为界,通过扫描方式自动求出黄色轮廓线内的像素点数,此即为叶片区域的面积;
4)选择病斑区域线条绘制颜色
在程序界面上选择绘制线条颜色为红色,则此后以红色轮廓所围的区域都将被视为病斑区域;
5)分割病斑区域
采用人机交互方式,用手指在所述图像显示区上,勾勒出叶片中某个病斑区域的轮廓,轮廓线将以红色显示在屏幕上;
6)若叶片上有多个病斑区域,则重复进行步骤5),直到所有的病斑区域都被勾勒为止;
7)计算病斑区域面积与占叶片面积的百分比
点击识别系统操作界面的计算按钮,则程序将以红色轮廓为界,通过扫描方式自动求出红色轮廓所围的像素点数,此即为病斑区域的面积,同时也计算出病斑区域占叶片面积的百分比,所述百分比计算公式如下:
式中,病斑面积Sscab是所有病斑区域的累积面积,因此,病斑所占面积的百分比就代表了植病的严重度。
所述识别系统操作界面主要由图像显示区、线条颜色选择及按钮区三个部分构成,其中,
所述图像显示区用于显示采集的叶片图像;
所述线条颜色选择可选择黄色或红色,叶片轮廓须选择黄色线条,病斑轮廓选择红色线条;
所述按钮区包括如下按钮:
计算按钮,点击后,将计算线条所围面积及病斑面积占叶片面积的百分比;
返回按钮,点击后,撤销最近的一次勾勒轮廓操作;
拍照按钮,点击后,启动智能终端的相机,可实时显示并采集场景图像;
保存图像按钮,点击后,保存拍摄的图像;
打开图像按钮,点击后,打开保存在智能终端存储卡上的图像;
退出系统按钮,点击后,退出系统操作界面。
所述智能终端为智能手机或平板电脑。
本发明与现有技术相比,具有如下优点与有益效果:
1、采用基于android的图像识别方法,使得应用主流的、开放性的android系统的任意一款智能手机、平板电脑都可以成为植病严重度鉴定的仪器,实际取消了仪器的采购成本;
2、采用基于android的图像识别方法,仪器便携、操作简便,对测量人员专业知识要求低,减轻了田间测量对专家的依赖,提高了田间观察的效率;
3、测量方法较之于人工估算客观、准确,精度要高;
4、由于在田间采集图像时,光照的强弱、叶片与病斑颜色及田间背景等是复杂多变的,这会造成图像叶片区域与病斑区域自动分割较为困难,本发明方法采用人机交互方式提取叶片和多处病斑区域,保证了叶片区域与病斑区域分割的准确性与可靠性,交互方式图像分割将不受光照强弱、叶片与病斑颜色与田间背景等的影响,由此保证了计算出的百分比或植病严重度的精确性。
附图说明
图1为本发明所述方法的工作流程图。
图2为含有病斑的叶片图像。
图3为勾勒叶片轮廓图。
图4为叶片面积计算结果图。
图5为勾勒一处病斑区域图。
图6为病斑区域面积与所占百分比的计算结果图。
图7为勾勒两处病斑区域图。
图8为勾勒三处病斑区域图。
图9为三处病斑区域面积与所占百分比的计算结果图。
图10为本发明所述识别系统操作界面示意图。
图11为背景技术中的麦类锈病分级记载标准图。
图12为背景技术中的苹果黑腐病分级记载标准图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
本实施例所述的基于android的田间病害程度图像识别方法,首先,对应用android操作系统的智能终端进行JAVA编程,得到所需的识别系统操作界面,能够采集叶片图像,可以分析叶片区域面积,可以分析多处叶斑区域面积,可以自动分析叶斑面积占叶片面积的百分比,即可以自动计算植病严重度;当需要进行田间病害调查时,利用所述智能终端自带的拍摄功能,获取田间叶片的图像;其次,通过人机交互方式,勾勒出叶片图像中的叶片区域和病斑区域;最后,通过图像分析自动计算叶片区域和病斑区域的面积(可以含多处病斑),并计算病斑区域所占百分比,从而得出植病的严重度。参见图1至图9所示,其具体情况如下:
1)采集叶片图像
利用所述智能终端(在本实施中具体为智能手机或平板电脑)自带的摄像头拍摄叶片图像,而采集到的叶片图像将实时显示在所述智能终端的识别系统操作界面的图像显示区上;
2)分割叶片区域
采用人机交互方式,用手指在所述图像显示区上,勾勒出被摄叶片的轮廓,轮廓线将以黄色显示在图像显示区上(识别系统启动后默认的线条颜色为黄色);
3)计算叶片面积
点击识别系统操作界面的计算按钮,则用JAVA编写的程序将以黄色轮廓为界,通过扫描方式自动求出黄色轮廓线内的像素点数,此即为叶片区域的面积;
4)选择病斑区域线条绘制颜色
在程序界面上选择绘制线条颜色为红色,则此后以红色轮廓所围的区域都将被视为病斑区域;
5)分割病斑区域
采用人机交互方式,用手指在所述图像显示区上,勾勒出叶片中某个病斑区域的轮廓,轮廓线将以红色显示在屏幕上;
6)若叶片上有多个病斑区域,则重复进行步骤5),直到所有的病斑区域都被勾勒为止;
7)计算病斑区域面积与占叶片面积的百分比
点击识别系统操作界面的计算按钮,则程序将以红色轮廓为界,通过扫描方式自动求出红色轮廓所围的像素点数,此即为病斑区域的面积,同时也计算出病斑区域占叶片面积的百分比,所述百分比计算公式如下:
式中,病斑面积Sscab是所有病斑区域的累积面积,因此,病斑所占面积的百分比就代表了植病的严重度。
本发明方法的操作系统位于应用程序和硬件平台之间,可以有效管理复杂的系统资源。考虑系统的开放性与普及性等因素,选择android操作系统作为开发平台,采用java语言编程完成分析仪器的软件开发。
参见图10所示,显示了本实施例所述的识别系统操作界面,它主要由图像显示区、线条颜色选择及按钮区三个部分构成,其中,
所述图像显示区,用于显示采集的叶片图像;
所述线条颜色选择,可选择黄色或红色,叶片轮廓须选择黄色线条,病斑轮廓选择红色线条;
所述按钮区,包括如下按钮:
计算按钮,点击后,将计算线条所围面积(像素数)及病斑面积占叶片面积的百分比;
返回按钮,点击后,撤销最近的一次勾勒轮廓操作;
拍照按钮,点击后,启动智能终端的相机,可实时显示并采集场景图像;
保存图像按钮,点击后,保存拍摄的图像;
打开图像按钮,点击后,打开保存在智能终端存储卡上的图像;
退出系统按钮,点击后,退出识别系统。
综上所述,在采用以上方案后,本发明使得应用主流的、开放性的android系统的任意一款智能手机、平板电脑都可以成为植病严重度鉴定的仪器,实际取消了仪器的采购成本,且仪器便携、操作简便,对测量人员专业知识要求低,减轻了田间测量对专家的依赖,提高了田间观察的效率。这相比传统的人工估算,本发明采用人机交互方式提取叶片和多处病斑区域,保证了叶片区域与病斑区域分割的准确性与可靠性,交互方式图像分割将不受光照强弱、叶片与病斑颜色与田间背景等的影响,由此保证了计算出的百分比或植病严重度的精确性。故此,本发明方法具有更高的精度、效率和可靠性,值得推广。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (4)
1.基于android的田间病害程度图像识别方法,其特征在于:首先,对应用android操作系统的智能终端进行JAVA编程,得到所需的识别系统操作界面;当需要进行田间病害调查时,利用所述智能终端自带的拍摄功能,获取田间叶片的图像;其次,通过人机交互方式,勾勒出叶片图像中的叶片区域和病斑区域;最后,通过图像分析自动计算叶片区域和病斑区域的面积,并计算病斑区域所占百分比,从而得出植病的严重度。
2.根据权利要求1所述的基于android的田间病害程度图像识别方法,其特征在于,包括以下步骤:
1)采集叶片图像
利用所述智能终端自带的摄像头拍摄叶片图像,而采集到的叶片图像将实时显示在所述智能终端的识别系统操作界面的图像显示区上;
2)分割叶片区域
采用人机交互方式,用手指在所述图像显示区上,勾勒出被摄叶片的轮廓,轮廓线将以黄色显示在图像显示区上;
3)计算叶片面积
点击识别系统操作界面的计算按钮,则用JAVA编写的程序将以黄色轮廓为界,通过扫描方式自动求出黄色轮廓线内的像素点数,此即为叶片区域的面积;
4)选择病斑区域线条绘制颜色
在程序界面上选择绘制线条颜色为红色,则此后以红色轮廓所围的区域都将被视为病斑区域;
5)分割病斑区域
采用人机交互方式,用手指在所述图像显示区上,勾勒出叶片中某个病斑区域的轮廓,轮廓线将以红色显示在屏幕上;
6)若叶片上有多个病斑区域,则重复进行步骤5),直到所有的病斑区域都被勾勒为止;
7)计算病斑区域面积与占叶片面积的百分比
点击识别系统操作界面的计算按钮,则程序将以红色轮廓为界,通过扫描方式自动求出红色轮廓所围的像素点数,此即为病斑区域的面积,同时也计算出病斑区域占叶片面积的百分比,所述百分比计算公式如下:
式中,病斑面积Sscab是所有病斑区域的累积面积,因此,病斑所占面积的百分比就代表了植病的严重度。
3.根据权利要求1或2所述的基于android的田间病害程度图像识别方法,其特征在于:所述识别系统操作界面主要由图像显示区、线条颜色选择及按钮区三个部分构成,其中,
所述图像显示区用于显示采集的叶片图像;
所述线条颜色选择可选择黄色或红色,叶片轮廓须选择黄色线条,病斑轮廓选择红色线条;
所述按钮区包括如下按钮:
计算按钮,点击后,将计算线条所围面积及病斑面积占叶片面积的百分比;
返回按钮,点击后,撤销最近的一次勾勒轮廓操作;
拍照按钮,点击后,启动智能终端的相机,可实时显示并采集场景图像;
保存图像按钮,点击后,保存拍摄的图像;
打开图像按钮,点击后,打开保存在智能终端存储卡上的图像;
退出系统按钮,点击后,退出识别系统。
4.根据权利要求1或2所述的基于android的田间病害程度图像识别方法,其特征在于:所述智能终端为智能手机或平板电脑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410019017.1A CN103778630A (zh) | 2014-01-16 | 2014-01-16 | 基于android的田间病害程度图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410019017.1A CN103778630A (zh) | 2014-01-16 | 2014-01-16 | 基于android的田间病害程度图像识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103778630A true CN103778630A (zh) | 2014-05-07 |
Family
ID=50570827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410019017.1A Pending CN103778630A (zh) | 2014-01-16 | 2014-01-16 | 基于android的田间病害程度图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778630A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760871A (zh) * | 2014-12-14 | 2016-07-13 | 仲恺农业工程学院 | 一种植物叶斑类病害抗性鉴定新方法 |
CN106468543A (zh) * | 2015-08-21 | 2017-03-01 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的叶片面积测量方法 |
CN108669036A (zh) * | 2018-03-30 | 2018-10-19 | 合肥赛为智能有限公司 | 一种无人机对靶施药智能化调控系统 |
CN109101891A (zh) * | 2018-07-17 | 2018-12-28 | 哈尔滨理工大学 | 一种融合人工智能的水稻病虫害检测系统及其检测方法 |
CN109164069A (zh) * | 2018-09-29 | 2019-01-08 | 山西省农业科学院果树研究所 | 一种果树叶面病害级别的鉴定方法 |
CN109447877A (zh) * | 2018-11-06 | 2019-03-08 | 安徽星鹏林业调查规划设计有限公司 | 一种森林资源信息管理系统 |
CN109544538A (zh) * | 2018-11-27 | 2019-03-29 | 安徽大学 | 小麦赤霉病病害等级分级方法及装置 |
CN112831982A (zh) * | 2019-11-22 | 2021-05-25 | 重庆海尔洗衣机有限公司 | 衣物颜色识别的处理方法、装置、设备及存储介质 |
CN114998732A (zh) * | 2022-05-31 | 2022-09-02 | 中国农业大学 | 一种植物病害严重度评估方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130324169A1 (en) * | 2012-05-31 | 2013-12-05 | Cellco Partnership D/B/A Verizon Wireless | Group sharing using near field communication (nfc) |
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
-
2014
- 2014-01-16 CN CN201410019017.1A patent/CN103778630A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130324169A1 (en) * | 2012-05-31 | 2013-12-05 | Cellco Partnership D/B/A Verizon Wireless | Group sharing using near field communication (nfc) |
CN103489006A (zh) * | 2013-10-11 | 2014-01-01 | 河南城建学院 | 一种基于计算机视觉的水稻病虫草害诊断方法 |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105760871A (zh) * | 2014-12-14 | 2016-07-13 | 仲恺农业工程学院 | 一种植物叶斑类病害抗性鉴定新方法 |
CN106468543A (zh) * | 2015-08-21 | 2017-03-01 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的叶片面积测量方法 |
CN108669036A (zh) * | 2018-03-30 | 2018-10-19 | 合肥赛为智能有限公司 | 一种无人机对靶施药智能化调控系统 |
CN109101891A (zh) * | 2018-07-17 | 2018-12-28 | 哈尔滨理工大学 | 一种融合人工智能的水稻病虫害检测系统及其检测方法 |
CN109164069A (zh) * | 2018-09-29 | 2019-01-08 | 山西省农业科学院果树研究所 | 一种果树叶面病害级别的鉴定方法 |
CN109447877A (zh) * | 2018-11-06 | 2019-03-08 | 安徽星鹏林业调查规划设计有限公司 | 一种森林资源信息管理系统 |
CN109544538A (zh) * | 2018-11-27 | 2019-03-29 | 安徽大学 | 小麦赤霉病病害等级分级方法及装置 |
CN112831982A (zh) * | 2019-11-22 | 2021-05-25 | 重庆海尔洗衣机有限公司 | 衣物颜色识别的处理方法、装置、设备及存储介质 |
CN114998732A (zh) * | 2022-05-31 | 2022-09-02 | 中国农业大学 | 一种植物病害严重度评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778630A (zh) | 基于android的田间病害程度图像识别方法 | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN102959354B (zh) | 用于利用LiDAR数据来分析树冠层的方法和装置 | |
CN113040034B (zh) | 一种节水灌溉控制系统及控制方法 | |
CN108564085B (zh) | 一种自动读取指针式仪表读数的方法 | |
CN104200193A (zh) | 一种果树产量估测方法及装置 | |
CN102506772A (zh) | 一种基于手机的快速检测叶片面积的方法及装置 | |
CN109886928A (zh) | 一种目标细胞标记方法、装置、存储介质及终端设备 | |
CN104992439B (zh) | 农作物叶子虫害检测装置及其检测方法 | |
CN108961330A (zh) | 基于图像的猪体长测算方法及系统 | |
CN109492665A (zh) | 水稻生育期的检测方法、装置及电子设备 | |
CN104132897A (zh) | 一种基于手持设备的植物叶片含氮量测量方法和装置 | |
Liu et al. | 3DBunch: A novel iOS-smartphone application to evaluate the number of grape berries per bunch using image analysis techniques | |
Sun et al. | Remote estimation of grafted apple tree trunk diameter in modern orchard with RGB and point cloud based on SOLOv2 | |
CN109827957A (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
CN202267464U (zh) | 一种基于手机的快速检测叶片面积的装置 | |
Kathuria et al. | Development of an automated individual tree detection model using point cloud LiDAR data for accurate tree counts in a Pinus radiata plantation | |
Fu et al. | Kiwifruit yield estimation using image processing by an Android mobile phone | |
CN106123811A (zh) | 一种林木叶面积指数远程监测装置及其测量方法 | |
CN116229001A (zh) | 一种基于空间熵的城市三维数字地图生成方法及系统 | |
CN107103295A (zh) | 光学遥感影像云检测方法 | |
CN102509096A (zh) | 一种玉米植株叶倾角的提取处理方法 | |
CN109523509A (zh) | 小麦抽穗期的检测方法、装置及电子设备 | |
CN111598874B (zh) | 一种基于智能移动端的红树林郁闭度调查方法 | |
CN112819365A (zh) | 碳汇检测方法、装置及存储介质和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140507 |
|
RJ01 | Rejection of invention patent application after publication |