CN106097372A - 基于图像处理的农作物植株水分胁迫表型检测方法 - Google Patents
基于图像处理的农作物植株水分胁迫表型检测方法 Download PDFInfo
- Publication number
- CN106097372A CN106097372A CN201610465992.4A CN201610465992A CN106097372A CN 106097372 A CN106097372 A CN 106097372A CN 201610465992 A CN201610465992 A CN 201610465992A CN 106097372 A CN106097372 A CN 106097372A
- Authority
- CN
- China
- Prior art keywords
- candidate region
- straight line
- pattern
- blade
- marked
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Abstract
本发明提供了一种基于图像处理的农作物植株水分胁迫表型检测方法,该方法包括:S1:将农作物的图像分割为植株图案和背景图案;S2:对所述植株图案进行分割,得到茎秆图案和叶片图案;S3:将茎秆图案细化为茎秆直线,将叶片图案细化为叶片曲线,计算直线OS与直线OP1所形成的夹角SOP1的角度值以及直线OS与直线OP2所形成的夹角SOP2的角度值;S4:计算夹角SOP1的角度值与夹角SOP2的角度值的比值,并根据所述比值对所述农作物的叶片受水平胁迫时的变化进行评估。本发明提供的基于图像处理的农作物植株水分胁迫表型检测方法,能够对作物细微变化进行精确感知和监测,并准确反映作物与环境之间的互作关系。
Description
技术领域
本发明涉及农业信息技术领域,尤其涉及一种基于图像处理的农作物植株水分胁迫表型检测方法。
背景技术
植物表型(phenotype)被定义为植物基因型(genotype)和所处环境决定的形状、结构、大小、颜色等全部可测的生物体外在表现。即表型是一个基因型与环境互作产生的全部或部分可辨识特征和性状。从功能基因组学到作物栽培生理的各个层面的研究都涉及到对植株的各种特征和性状即表型的鉴别与分析,以及对复杂的植物生长环境的监测与控制。基于图像的植物表型检测能够直接反应物体的形貌特征,具有非侵入式和高通量等特点,已经逐渐应用于植物表型分析中,然而,目前的植物表型检测方法需要一定的人工交互,自动化程度不够,对作物细微变化无法精确感知和监测,不能准确反映作物与环境之间的互作关系。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:提供一种基于图像处理的农作物植株水分胁迫表型检测方法,能够对作物细微变化进行精确感知和监测,并准确反映作物与环境之间的互作关系。
(二)技术方案
为解决上述技术问题,本发明的技术方案提供了一种基于图像处理的农作物植株水分胁迫表型检测方法,包括:
S1:将农作物的图像分割为植株图案和背景图案;
S2:对所述植株图案进行分割,得到茎秆图案和叶片图案;
S3:将茎秆图案细化为茎秆直线,将叶片图案细化为叶片曲线,记所述茎秆直线与所述叶片曲线的交叉点为位置点O,在茎秆直线上选取位置点S,在叶片曲线上选取位置点P1和位置点P2,计算直线OS与直线OP1所形成的夹角SOP1的角度值以及直线OS与直线OP2所形成的夹角SOP2的角度值;
S4:计算夹角SOP1的角度值与夹角SOP2的角度值的比值,并根据所述比值对所述农作物的叶片受水平胁迫时的变化进行评估。
优选地,采集不同时间所述农作物的图像,对每一副所述农作物的图像分别进行步骤S1~S4,以衡量所述农作物应对环境变化的自身调整能力。
优选地,步骤S2包括:
S21:扫描所述植株图案的第一行像素,将超过预设个数植株像素的联通区域作为候选区域,并对每一个候选区域进行标记,赋予不同候选区域不同的标记值;
S22:对所述植株图案的第二行像素至最末行像素依次执行以下处理:
扫描该行像素,将超过所述预设个数植株像素的联通区域作为新候选区域,计算每一个新候选区域与每一个已标记的候选区域的联通关系,对于每一个新候选区域,若其与1个已标记的候选区域存在联通关系,则该新候选区域继承所述1个已标记的候选区域的标记值,若其与0个已标记的候选区域存在联通关系,则对该新候选区域赋予新的标记值,若其与2个已标记的候选区域存在联通关系,则对该新候选区域进行拆分,并将拆分后得到的一个区域赋予所述2个已标记的候选区域中一个已标记的候选区域的标记值,将拆分后得到的另一个区域赋予所述2个已标记的候选区域中另一个已标记的候选区域的标记值;
S23:判断每一个标记值对应的所有像素所组成的形状,从中选取对应的所有像素所组成形状符合矩形分布的标记值,将所述选取的标记值对应的所有像素所组成的区域作为茎秆图案,将余下的标记值所对应的像素进行合并处理,得到叶片图案。
优选地,所述对该新候选区域进行拆分包括:
其中,CL为该新候选区域的像素数量,CLp1、CLp2分别为所述2个已标记的候选区域的像素数量,CL1、CL2分别为拆分后两个区域的像素数量。
优选地,在步骤S3中,位置点P1与所述茎秆直线的距离为位置点P2与所述茎秆直线的距离为其中,L为所述叶片曲线上对应叶尖的位置点与所述茎秆直线的距离。
(三)有益效果
本发明提供的基于图像处理的农作物植株水分胁迫表型检测方法,能够对作物细微变化进行精确感知和监测,并准确反映作物与环境之间的互作关系。
附图说明
图1是本发明实施方式提供的一种基于图像处理的农作物植株水分胁迫表型检测方法的流程图;
图2是本发明实施方式提供的对农作物图像进行植株和背景分割后的示意图;
图3是本发明实施方式提供的对植株图案进行器官分割后的示意图;
图4是本发明实施方式提供的叶片角度计算示意图;
图5是本发明实施方式提供的植株叶片角度随时间变化曲线示意图;
图6是本发明实施方式提供的一天相对湿度变化曲线示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参见图1,图1是本发明实施方式提供的一种基于图像处理的农作物植株水分胁迫表型检测方法的流程图,包括:
S1:将农作物的图像分割为植株图案和背景图案;
S2:对所述植株图案进行分割,得到茎秆图案和叶片图案;
S3:将茎秆图案细化为茎秆直线,将叶片图案细化为叶片曲线,记所述茎秆直线与所述叶片曲线的交叉点为位置点O,在茎秆直线上选取位置点S,在叶片曲线上选取位置点P1和位置点P2,计算直线OS与直线OP1所形成的夹角SOP1的角度值以及直线OS与直线OP2所形成的夹角SOP2的角度值;
S4:计算夹角SOP1的角度值与夹角SOP2的角度值的比值,并根据所述比值对所述农作物的叶片受水平胁迫时的变化进行评估。
优选地,可以采集不同时间所述农作物的图像,对每一副所述农作物的图像分别进行上述步骤S1~S4,以衡量所述农作物应对环境变化的自身调整能力,例如,可以采集一天时间内不同时间所述农作物的图像。
其中,步骤S2可以包括:
S21:扫描所述植株图案的第一行像素,将超过预设个数植株像素的联通区域作为候选区域,并对每一个候选区域进行标记,赋予不同候选区域不同的标记值;
S22:对所述植株图案的第二行像素至最末行像素依次执行以下处理:
扫描该行像素,将超过所述预设个数植株像素的联通区域作为新候选区域,计算每一个新候选区域与每一个已标记的候选区域的联通关系,对于每一个新候选区域,若其与1个已标记的候选区域存在联通关系,则该新候选区域继承所述1个已标记的候选区域的标记值,若其与0个已标记的候选区域存在联通关系,则对该新候选区域赋予新的标记值,若其与2个已标记的候选区域存在联通关系,则对该新候选区域进行拆分,并将拆分后得到的一个区域赋予所述2个已标记的候选区域中一个已标记的候选区域的标记值,将拆分后得到的另一个区域赋予所述2个已标记的候选区域中另一个已标记的候选区域的标记值;
S23:判断每一个标记值对应的所有像素所组成的形状,从中选取对应的所有像素所组成形状符合矩形分布的标记值,将所述选取的标记值对应的所有像素所组成的区域作为茎秆图案,将余下的标记值所对应的像素进行合并处理,得到叶片图案。
其中,在步骤S22中,所述对该新候选区域进行拆分包括:
其中,CL为该新候选区域的像素数量,CLp1、CLp2分别为所述2个已标记的候选区域的像素数量,CL1、CL2分别为拆分后两个区域的像素数量。
其中,在步骤S3中,位置点P1与所述茎秆直线的距离为位置点P2与所述茎秆直线的距离为其中,L为所述叶片曲线上对应叶尖的位置点与所述茎秆直线的距离。
本发明实施方式提供的基于图像处理的农作物植株水分胁迫表型检测方法,能够对作物细微变化进行精确感知和监测,并准确反映作物与环境之间的互作关系。
例如,采用上述方法可以对玉米进行植株水分胁迫表型检测,在水分胁迫条件下,玉米叶片含水量下降,细胞膨压发生变化,植株产生应激反应,叶片气孔的保卫细胞伸长,气孔开度降低,叶片发生卷曲减小蒸散面积降低水分散失。叶片形态变化反应了对水分胁迫应激反应的灵敏程度,从一定程度上可以表征植株抗水分胁迫的能力,检测方法包括:
1、连续图像序列获取与预处理;
检测对象可以为转抗旱基因的玉米植株,获取图像前14天无灌溉,土壤体积含水量18.4%,可将工业相机安装在一个支架上,被测植株处于相机与幕布之间,尽量使相机图像平面、玉米植株平面、幕布三者平行。从上午8:00开始到午后17:00为止,间隔10分钟程序控制自动获取一幅图像,共获取54张,图像分辨率4000×3000像素,然后对图像序列采用基于机器学习的背景分割方法,将图像中的内容分割为植株和背景,分割结果如图2所示。
2、植株器官分割
对于预处理后的每一副图像,检测叶片形态变化,首先需要分割植株上叶片和茎秆等器官,玉米叶片与茎秆的颜色纹理十分相近,图割(graph cut)和水平集(level set)等广义的图像分割方法很难获得理想的分割结果。玉米植株的形态有一定规律,叶片围绕茎秆在植株两侧交替分布,利用这种形态特点作为先验知识,提出基于扫描线的叶片-茎秆分割算法,算法具体步骤如下:
1)扫描图像第一行像素,将超过3个植株像素的联通区域标记为叶片/茎秆候选区域,并对每一个候选区域进行标记,赋予不同候选区域不同的标记值;
2)扫描第二行像素,获得新候选区域,计算每一个新候选区域与步骤1)中已标记的候选区域的联通关系(相邻关系),对于每一个新候选区域,若其仅与1个已标记的候选区域存在联通关系,则说明该新候选区域与该1个已标记的候选区域属同一个器官,继承该1个已标记的候选区域的标记值,若其与0个已标记的候选区域存在联通关系,即没有已标记的候选区域与其存在联通关系,则说明该新候选区域是一个独立的器官,赋予该候选区域一个新的标记值,若其与2个已标记的候选区域存在联通关系,说明该区域为两个器官的连接处,采用下式对该新候选区域进行像素拆分后分别标记:
其中,CL表示该新候选区域的像素数量,CLp1、CLp2表示与该新候选区域存在联通关系的2个候选区域的像素数量,CL1、CL2为拆分后两个区域的像素数量;
3)重复步骤2),直到扫描完整个图像,判断每个标记值所对应的像素集合中所有像素组成的形状,将其中符合矩形分布的一组像素集合作为为茎秆区域,该集合中像素的x-方向均值与植株上所有像素x-方向均值的距离应在特定阈值内(如30pixel);
4)对余下的标记值所对应的像素集合进行合并,由于玉米叶片边缘常伴有一些凸起和褶皱,导致一些本应属于一片叶子的像素集合,被标记为几个不同的叶片像素集合,例如,可以按照联通的像素比例对不同像素集合进行合并,若一个标记值所对应的像素集合中超过设定比例的像素与另一个标记值所对应的像素集合相联通,则合并这2个标记值所对应的像素集合,例如,一个标记值所对应的像素集合由10行像素组成,如果有7行(70%)像素与一个标记值所对应的像素集合相联通,则合并这2个标记值所对应的像素集合,重复上述操作直到所有能够合并的像素集合被合并为止,分割结果如下图3所示。
3、植株水分胁迫表型指标计算
采用两个角度值做为植株水分胁迫表型指标,如图4所示,将茎秆图案和叶片图案分别细化为茎秆直线和叶片曲线,茎秆直线OS,叶片尖端点距离茎秆直线的距离记为L,P1、P2点分别分别为L的1/4和2/3,S是茎秆直线上一点,O是茎秆直线与叶片曲线的交点,计算SOP1和SOP2的角度值,并以SOP1和SOP2的比值作为叶片形态变化的衡量指标,SOP1/SOP2表征了叶片受到水分胁迫时的弯曲变化程度,该值计算较为简便,对于不同茎叶夹角的叶片该值具有可比性。
4、植株水分胁迫抗表型指标与环境因子的协同变化趋势
SOP1/SOP2表征了叶片一天内弯曲程度的变化,该值可做为植株水分胁迫表型指标,用来衡量植株应对环境变化的自身调整能力。如图5所示,一天内SOP1/SOP2变化趋势,随着时间推移,中午达到最大数值,午后数值逐渐下降。
玉米植株的水分胁迫表型是基因型与环境互作的结果,在土壤含水量一定的条件下,空气相对湿度是最主要的影响因素,当天的空气相对湿度变化曲线如图6所示,相对湿度同水分胁迫表型参数指标(SOP1/SOP2)呈现较为一致的协同变化趋势,证明SOP1/SOP2是能够表征植株水分胁迫的表型指标。
通过上述1天内的连续图像序列,发现水分胁迫玉米植株叶片形态细微变化,采用图像处理算法计算了表征这种变化的玉米植株水分胁迫表型参数,与同步测量的环境数据对照(空气相对湿度),二者具有较为一致的协同变化规律。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (5)
1.一种基于图像处理的农作物植株水分胁迫表型检测方法,其特征在于,包括:
S1:将农作物的图像分割为植株图案和背景图案;
S2:对所述植株图案进行分割,得到茎秆图案和叶片图案;
S3:将茎秆图案细化为茎秆直线,将叶片图案细化为叶片曲线,记所述茎秆直线与所述叶片曲线的交叉点为位置点O,在茎秆直线上选取位置点S,在叶片曲线上选取位置点P1和位置点P2,计算直线OS与直线OP1所形成的夹角SOP1的角度值以及直线OS与直线OP2所形成的夹角SOP2的角度值;
S4:计算夹角SOP1的角度值与夹角SOP2的角度值的比值,并根据所述比值对所述农作物的叶片受水平胁迫时的变化进行评估。
2.根据权利要求1所述的基于图像处理的农作物植株水分胁迫表型检测方法,其特征在于,采集不同时间所述农作物的图像,对每一副所述农作物的图像分别进行步骤S1~S4,以衡量所述农作物应对环境变化的自身调整能力。
3.根据权利要求1所述的基于图像处理的农作物植株水分胁迫表型检测方法,其特征在于,步骤S2包括:
S21:扫描所述植株图案的第一行像素,将超过预设个数植株像素的联通区域作为候选区域,并对每一个候选区域进行标记,赋予不同候选区域不同的标记值;
S22:对所述植株图案的第二行像素至最末行像素依次执行以下处理:
扫描该行像素,将超过所述预设个数植株像素的联通区域作为新候选区域,计算每一个新候选区域与每一个已标记的候选区域的联通关系,对于每一个新候选区域,若其与1个已标记的候选区域存在联通关系,则该新候选区域继承所述1个已标记的候选区域的标记值,若其与0个已标记的候选区域存在联通关系,则对该新候选区域赋予新的标记值,若其与2个已标记的候选区域存在联通关系,则对该新候选区域进行拆分,并将拆分后得到的一个区域赋予所述2个已标记的候选区域中一个已标记的候选区域的标记值,将拆分后得到的另一个区域赋予所述2个已标记的候选区域中另一个已标记的候选区域的标记值;
S23:判断每一个标记值对应的所有像素所组成的形状,从中选取对应的所有像素所组成形状符合矩形分布的标记值,将所述选取的标记值对应的所有像素所组成的区域作为茎秆图案,将余下的标记值所对应的像素进行合并处理,得到叶片图案。
4.根据权利要求3所述的基于图像处理的农作物植株水分胁迫表型检测方法,其特征在于,所述对该新候选区域进行拆分包括:
其中,CL为该新候选区域的像素数量,CLp1、CLp2分别为所述2个已标记的候选区域的像素数量,CL1、CL2分别为拆分后两个区域的像素数量。
5.根据权利要求1所述的基于图像处理的农作物植株水分胁迫表型检测方法,其特征在于,在步骤S3中,位置点P1与所述茎秆直线的距离为位置点P2与所述茎秆直线的距离为其中,L为所述叶片曲线上对应叶尖的位置点与所述茎秆直线的距离。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610465992.4A CN106097372A (zh) | 2016-06-23 | 2016-06-23 | 基于图像处理的农作物植株水分胁迫表型检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610465992.4A CN106097372A (zh) | 2016-06-23 | 2016-06-23 | 基于图像处理的农作物植株水分胁迫表型检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106097372A true CN106097372A (zh) | 2016-11-09 |
Family
ID=57252494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610465992.4A Pending CN106097372A (zh) | 2016-06-23 | 2016-06-23 | 基于图像处理的农作物植株水分胁迫表型检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106097372A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107894418A (zh) * | 2017-10-31 | 2018-04-10 | 华中农业大学 | 基于机器视觉的大田水稻卷叶程度测量方法 |
CN109579910A (zh) * | 2018-11-28 | 2019-04-05 | 北京农业智能装备技术研究中心 | 作物耗水规律表型监测系统及方法 |
CN112330694A (zh) * | 2020-11-16 | 2021-02-05 | 新疆农业科学院粮食作物研究所 | 一种植物萎蔫程度计算方法及系统 |
CN112950700A (zh) * | 2021-02-25 | 2021-06-11 | 安徽农业大学 | 基于深度学习和图像处理的植物叶片气孔导度测量方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003196666A (ja) * | 2001-12-28 | 2003-07-11 | Toshiba Corp | 画像ベクトル定義による画像処理装置およびその方法 |
CN201307003Y (zh) * | 2008-09-26 | 2009-09-09 | 高峰 | 基于无线传感器网络的植株茎直径微变化自动检测系统 |
CN102013111A (zh) * | 2010-11-29 | 2011-04-13 | 河南农业大学 | 一种小麦虚拟生长机模型 |
CN102789579A (zh) * | 2012-07-26 | 2012-11-21 | 同济大学 | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 |
CN102903145A (zh) * | 2012-08-31 | 2013-01-30 | 北京农业信息技术研究中心 | 植物群体形态结构三维重建方法 |
CN202956060U (zh) * | 2012-08-03 | 2013-05-29 | 四川农业大学 | 一种植物形态测定装置 |
CN103673931A (zh) * | 2013-12-02 | 2014-03-26 | 北京农业信息技术研究中心 | 一种测量水稻剑叶角度的方法、装置及系统 |
CN104450757A (zh) * | 2013-09-16 | 2015-03-25 | 中国科学院上海生命科学研究院 | 调控水稻穗型和粒型的sl基因及其应用 |
CN104748677A (zh) * | 2015-02-11 | 2015-07-01 | 中国矿业大学(北京) | 采用三维激光扫描方式测量植株形态的方法 |
CN104949981A (zh) * | 2014-03-24 | 2015-09-30 | 华中科技大学 | 一种棉花五真叶期自动检测方法及系统 |
CN205079721U (zh) * | 2015-11-09 | 2016-03-09 | 云南农业大学 | 一种同时测量植被茎叶夹角和叶片大小装置 |
-
2016
- 2016-06-23 CN CN201610465992.4A patent/CN106097372A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003196666A (ja) * | 2001-12-28 | 2003-07-11 | Toshiba Corp | 画像ベクトル定義による画像処理装置およびその方法 |
CN201307003Y (zh) * | 2008-09-26 | 2009-09-09 | 高峰 | 基于无线传感器网络的植株茎直径微变化自动检测系统 |
CN102013111A (zh) * | 2010-11-29 | 2011-04-13 | 河南农业大学 | 一种小麦虚拟生长机模型 |
CN102789579A (zh) * | 2012-07-26 | 2012-11-21 | 同济大学 | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 |
CN202956060U (zh) * | 2012-08-03 | 2013-05-29 | 四川农业大学 | 一种植物形态测定装置 |
CN102903145A (zh) * | 2012-08-31 | 2013-01-30 | 北京农业信息技术研究中心 | 植物群体形态结构三维重建方法 |
CN104450757A (zh) * | 2013-09-16 | 2015-03-25 | 中国科学院上海生命科学研究院 | 调控水稻穗型和粒型的sl基因及其应用 |
CN103673931A (zh) * | 2013-12-02 | 2014-03-26 | 北京农业信息技术研究中心 | 一种测量水稻剑叶角度的方法、装置及系统 |
CN104949981A (zh) * | 2014-03-24 | 2015-09-30 | 华中科技大学 | 一种棉花五真叶期自动检测方法及系统 |
CN104748677A (zh) * | 2015-02-11 | 2015-07-01 | 中国矿业大学(北京) | 采用三维激光扫描方式测量植株形态的方法 |
CN205079721U (zh) * | 2015-11-09 | 2016-03-09 | 云南农业大学 | 一种同时测量植被茎叶夹角和叶片大小装置 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107894418A (zh) * | 2017-10-31 | 2018-04-10 | 华中农业大学 | 基于机器视觉的大田水稻卷叶程度测量方法 |
CN109579910A (zh) * | 2018-11-28 | 2019-04-05 | 北京农业智能装备技术研究中心 | 作物耗水规律表型监测系统及方法 |
CN112330694A (zh) * | 2020-11-16 | 2021-02-05 | 新疆农业科学院粮食作物研究所 | 一种植物萎蔫程度计算方法及系统 |
CN112950700A (zh) * | 2021-02-25 | 2021-06-11 | 安徽农业大学 | 基于深度学习和图像处理的植物叶片气孔导度测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kumar et al. | Supervised machine learning approach for crop yield prediction in agriculture sector | |
Malambo et al. | Automated detection and measurement of individual sorghum panicles using density-based clustering of terrestrial lidar data | |
Zermas et al. | 3D model processing for high throughput phenotype extraction–the case of corn | |
Dhau et al. | Testing the capability of spectral resolution of the new multispectral sensors on detecting the severity of grey leaf spot disease in maize crop | |
ES2885873T3 (es) | Modelado inverso para predicción de características de conjuntos de datos multiespectrales e hiperespectrales detectados de manera remota | |
Boogaard et al. | Robust node detection and tracking in fruit-vegetable crops using deep learning and multi-view imaging | |
CN106097372A (zh) | 基于图像处理的农作物植株水分胁迫表型检测方法 | |
Carrillo et al. | Use of multi-spectral airborne imagery to improve yield sampling in viticulture | |
CN110378909A (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
US10685231B2 (en) | Computer system, and method and program for diagnosing plants | |
Olivier et al. | A method to quantify canopy changes using multi-temporal terrestrial lidar data: Tree response to surrounding gaps | |
Lin et al. | A review on computer vision technologies applied in greenhouse plant stress detection | |
CN114065481B (zh) | 基于大数据的草地数据监测方法、系统和可读存储介质 | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN113948220A (zh) | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 | |
CN116030343A (zh) | 一种基于机器视觉识别的农作物病虫害监管系统 | |
Baldi et al. | A leaf-based back propagation neural network for oleander (Nerium oleander L.) cultivar identification | |
Liu et al. | Automated classification of stems and leaves of potted plants based on point cloud data | |
Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
Miao et al. | Crop weed identification system based on convolutional neural network | |
CN112837267A (zh) | 一种预测转基因玉米抗药性的数字检测方法及系统 | |
CN112036313A (zh) | 烟草种植面积检测方法、装置、设备及可读存储介质 | |
CN105046229B (zh) | 一种农作物行的识别方法及装置 | |
Shilaskar et al. | Artificial Intelligence based Crop Recommendation and Plant Leaf Disease Detection System | |
Biarnès et al. | Identifying indicators of the spatial variation of agricultural practices by a tree partitioning method: The case of weed control practices in a vine growing catchment |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161109 |