CN106231890A - 作物株群优化系统、方法和装置 - Google Patents

作物株群优化系统、方法和装置 Download PDF

Info

Publication number
CN106231890A
CN106231890A CN201580019753.XA CN201580019753A CN106231890A CN 106231890 A CN106231890 A CN 106231890A CN 201580019753 A CN201580019753 A CN 201580019753A CN 106231890 A CN106231890 A CN 106231890A
Authority
CN
China
Prior art keywords
plant
image
population density
methods
field
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.)
Withdrawn
Application number
CN201580019753.XA
Other languages
English (en)
Inventor
贾斯丁·科赫
尼克·西泽克
Original Assignee
Precision Planting LLC
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Precision Planting LLC filed Critical Precision Planting LLC
Publication of CN106231890A publication Critical patent/CN106231890A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B41/00—Thinning machines
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/02—Methods for working soil combined with other agricultural processing, e.g. fertilising, planting
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C21/00—Methods of fertilising, sowing or planting
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01D—HARVESTING; MOWING
    • A01D41/00—Combines, i.e. harvesters or mowers combined with threshing devices
    • A01D41/12—Details of combines
    • A01D41/127—Control or measuring arrangements specially adapted for combines
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G2/00—Vegetative propagation
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/90—Arrangement of cameras or camera modules, e.g. multiple cameras in TV studios or sports stadiums
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C21/00—Methods of fertilising, sowing or planting
    • A01C21/005—Following a specific plan, e.g. pattern
    • 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
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30128—Food products

Abstract

提供了用于作物株群优化的装置、系统和方法。在一些实施例中，根据基于第一数据集确定的第一植群密度处方来种植田地，该第一数据集包括预测的天气。其后确定的第二植群密度处方是基于第二数据集确定的，该第二数据集是在种植之后确定的，并且根据第二植群密度处方对种植作物进行疏株。在一些实施例中，选择性地对作物进行稀疏来移除具有低于阈值的植株移除指数的植株。

Description

作物株群优化系统、方法和装置
背景技术
近些年，在种子遗传学领域的进展通过最优植群密度(即，每英亩种植的种子数量)增加了种植田地的潜在经济效益。通常，最优植群密度表示使经济收益最优化的植株数量，并且取决于给定田地或田地中的区域所支持的生产植株的数量。然而，最优植群密度依赖于种植和收割之间的天气和田地中的土壤条件，必须在种植时对它们进行假设、估计或预测。另外，即使达到或接近最优种植密度，所长出的已知为非生产的植株会消耗资源却不带来经济收益。因此，存在对于优化作物株群(crop stand)的系统、方法和装置的需要。
附图说明
图1示意性地示出了作物株群优化系统的实施例。
图2示出了用于优化作物株群的过程的实施例。
图3示出了用于优化作物株群的另一过程的实施例。
图4示出了用于优化作物株群的又一过程的实施例。
图5示出了植群密度处方的实施例。
图6A是具有液体注射子系统的植株移除和成像系统的实施例的后视图。
图6B是具有植株切割子系统的植株移除和成像系统的另一实施例的后视图。
图7示意性地示出了植株移除和成像系统的一般实施例。
图8示出了植株的侧视图。
图9示出了植株的俯视图。
图10示出了植株移除和成像系统的实施例的俯视图。
具体实施方式
作物株群优化系统和装置
图1中示出了作物株群优化系统100，其中示出了种植操作(由参考标号10-1表示)及其后的减少作物操作(由参考标号10-2表示)期间的田地10。
在种植操作期间，种植机110在田地10中种植作物。种植机110优选地包括GPS接收机，并且能够根据可变比率处方来种植田地(将在下文详细描述)。种植机优选地是申请人的共同在审的美国专利申请No.13/812,483(公开号No.2013/0124055)中所公开的实施例中的一者，该美国专利申请通过引用被并入本文。种植机110(例如，种植机的种植监视器)优选地与数据云端140进行数据通信(例如，经由蜂窝互联网连接)以从云端接收数据或向云端传输数据。用户计算设备190(例如，个人计算机或平板)优选地与云端140进行数据通信。用户优选地在田地中或田地外通过用户计算设备190查看数据。
在减少作物操作期间，疏株装置130优选地在田地内来回移动并通过杀死、破坏或损毁单株植物来选择性地减少所种植的作物，如下面所描述的。疏株装置130优选地包括GPS接收机以用于确定该疏株装置的地理参考位置。疏株装置130优选地与云端140进行数据通信以向云端传输数据或从云端接收数据。疏株装置130优选地包括处理器和存储器以用于执行本文所述的处理。
疏株装置130优选地通过器具180在田地中移动。在一些实施例中，器具180包括自推进运载工具，例如电机驱动卡车或具有履带或车轮的车。在这类实施例中，器具180优选地具有适合各排玉米之间的间隔的大小，例如窄于30英寸。在其他实施例中，器具180包括由拖拉机或其他运载器具拖动的工具栏。在这类实施例中，器具180可以包括多个疏株装置130，它们被用于选择性地减少多行种植作物中的作物。
在一些实施例中，在操作期间，成像装置120可以大致在纵向上被置于疏株装置的前面，其方式例如是：通过在工具栏的前面安装一个设备并在其后面安装另一设备、通过向工具栏安装一个设备并向拖车或附加工具栏安装另一设备、或者通过在成像装置通行之后的通行中移动疏株装置穿过田地。
在一些实施例中，疏株装置130被配置为选择性地向单株植物应用(例如，喷射)一定量(例如，等分剂量)的液体，最好选择能够杀死作物的液体量和成分。在一些这样的实施例中，疏株装置130应用如美国专利申请No.12/869,121中所公开的液体肥料，该专利申请通过引用被并入本文。在其他实施例中，疏株装置130被配置为选择性地以机械方式破坏(例如，切割、切断、从土壤中拔出或切除)单株植物，并且破坏程度足以杀死该植物。在又一实施例中，疏株装置130包括以下任意一项美国专利申请所公开的实施例中的一者：No.13/788,359(以下称为“359申请”)；11/569,715；以及12/869,121；它们全部通过引用被整体并入本文中。
疏株装置130优选地基于由成像装置120收集的数据来选择性地减少种植作物。在一些实施例中，成像装置120包括安装在器具180上的相机。在这样的实施例中，疏株装置130优选地被置于成像装置120后面(即，器具沿着图1中的方向D移动)，从而在同一次器具180穿过田地期间，疏株装置能够基于成像装置所收集的数据选择性地破坏、喷射或杀死植物。成像装置120优选地与疏株装置130进行数据通信以将收集的数据直接发送至疏株装置。成像装置120优选地与云端140进行数据通信(例如，经由蜂窝互联网连接)以将收集的数据发送至云端。在替代的实施例中，成像装置120未被安装在器具180上，而是包括安装在不同器具或运载工具上的相机或其他图像捕获装置；例如，成像装置可以包括安装在无人机(UAV)、飞机或卫星上的机载相机。在这样的实施例中，飞行器优选地包括GPS接收机或用于确定飞行器的地理参考位置的其他设备或系统。
在前面段落中所述的成像装置120的每一个实施例中，成像装置120可以包括相机，该相机被配置为捕获图像以用于确定和绘制针对田地中每个位置的归一化差值植被指数。可替代地，成像装置120可以包括可见光谱相机。
云端140优选地提供对多个云托管的数据库和软件的访问。云端140优选地提供对处方生成器150的访问，处方生成器150基于土壤数据、天气数据和种子杂交数据生成应用(例如，种植植群密度)处方。云端140优选地提供对天气数据库160的访问，天气数据库160提供当前的或预测的大气天气数据(包括气温和降雨量)，以及已知的、估计的或预测的土壤条件数据(包括土壤温度和土壤湿度)。云端140优选地提供对图像数据库170的访问，图像数据库170存储并提供由成像装置120或其他作物影像来源收集的作物影像(例如，捕获影像、归一化差分植被指数(NDVI)影像以及热影像)。
作物株群优化方法
转向图2，系统100优选地被配置为执行减少作物过程200。
在步骤205处，基于第一数据集确定第一植群密度处方(例如，通过处方生成器150)。图5中示出了植群密度处方500的说明性示例。处方500描述了针对田地边界510内的离散区域512、514、516的不同植株植群密度。作为示例，方案500可以规定针对区域512、514和516的玉米植株的植群密度分别为每英亩30000粒种子、32000粒种子以及36000粒种子。
步骤205的第一植群密度处方优选地是基于在种植操作时间处或该时间之前收集的第一数据集。第一数据集可以包括在季节期间不会改变的数据(例如，土壤类型、土壤特征、种子杂交属性以及根据此前季节的产量数据)。第一数据集还可以包括预测的数据或基于模型的数据，这些数据在季节期间可能改变(例如，针对整个生长季预测的天气数据或针对整个生长季预测的土壤条件)。第一数据集还优选地包括诸如预测种植日期、当前日期以及预测收割日期之类的时序信息。
应当认识到的是针对每个区域所规定的植群密度可以针对一系列预测值具有一系列值。例如，处方生成器150可以针对从估计的种植日期至估计的收割日期之间预测的估计的每英寸降雨量向每个区域的方案中的每英亩增加200粒种子。天气数据库160优选地提供一系列估计降雨量(例如，处于诸如80％的统计置信度)。在优选实施例中，步骤205的第一植群密度处方是基于高端降雨量预测。例如，如果天气数据库提供了80％置信区间是在10至20英寸的降雨量之间，其中10至20英寸的降雨量对应于每英亩30000到32000粒种子的方案，则步骤205的第一植群密度处方优选地是每英亩32000或更多粒种子。在一些实施例中，步骤205的第一植群密度处方对应于经优化的(例如，优化产量或优化收益的)施用量。在其他实施例中，步骤205的第一植群密度处方所对应的施用量等于经优化的(例如，优化产量或优化收益的)施用量乘以植群过剩因数(例如，1.01、1.02、1.03、1.04、1.05、1.10、1.20、1.25、1.3)。可以基于处于选定的置信区间(例如，90％)的预测天气的变化范围来选择植群过剩因数。也可以基于对应于预期的减少作物方法的减少作物判据来选择植群过剩因数。例如，如果预期的减少作物方法能够将植群密度减少50％，则可以选择植群过剩因数以使第一植群密度处方不超过稍后在季节将推荐的最低可能的(例如，处于80％的置信度)植群密度的50％以上。
返回图2，在步骤210处，种植机110优选地在第一时间处根据在步骤205处确定的第一植群密度处方来种植田地。在一些实施例中，可以基于时间相关的历史数据和/或预测数据来推荐第一时间(即，第一疏株操作的日期)(例如，可以推荐预测的天气或土壤条件有利于疏株操作的日期)。另外，用于收集数据(例如，作物图像)以便于确定穗潜力的最优日期或日期范围也可以被推荐。在一些示例中，可以基于估计的生长阶段来确定最优日期或日期范围，例如，作物已经达到具有可识别的特征(例如，具有阈值长度的叶片)的生长阶段到该特征(例如，叶片)被预测为覆盖或掩盖顶部图像(例如，基于田地中植株的最高预测生长阶段、行距和/或田地中的最大植群密度)的时间之前的日期范围。
在步骤215处，确定第二数据集，其优选地包括在第一时间之后(例如，在种植时间之后)收集的数据。第二数据集可以包括在季节期间将不会改变的数据(例如，土壤类型、土壤特征、种子杂交属性以及此前季节的产量数据)。第二数据集还可以包括预测的数据或基于模型的数据，它们在季节期间可能改变(例如，针对整个生长季预测的天气数据或针对整个生长季预测的土壤条件)。第二数据集还优选地包括诸如种植日期、当前日期以及预测收割日期之类的时序信息。作为说明性示例，第二数据集可以包括在第一时间之后收集的天气数据和/或基于在第一时间之后收集的天气数据的天气预报。在步骤220处，基于第二数据集确定第二植群密度处方(例如，通过处方生成器150)。例如，处方生成器150可以针对从第二时间至估计的收割日期之间预测的估计的每英寸降雨量向每个区域的方案中的每英亩增加200粒种子。与第一方案不同，第二方案优选地不基于高端预测，而是基于中值预测或中值预测和高端预测之间的值。
如果针对田地中任意区域的第二植群密度处方低于第一植群密度处方，则在步骤225处系统100优选地在第二时间处将该区域中的作物疏株至第二植群密度处方。在优选实施例中，第二时间是在作物已经出苗之后。在作物为玉米的情形中，第二时间优选地至少是种植日期之后的阈值数量(例如，120)的生长度日(growing degree day)。在优选实施例中，一旦达到阈值数量的生长度日，天气数据库160即优选地向用户计算设备190发送提醒，这类提醒优选地包括第二数据集，并且通知用户发起疏株步骤225。在作物为玉米的情形中，在一些实施例中，第二时间处于或先于V6生长阶段(例如，出苗日期之后的三周或更少的周数)。在优选实施例中，天气数据库160优选地在V6生长阶段临近时(例如，在出苗后三周的日期(满足阈值数量的生长度日的日期)时)，向用户计算设备190发送第二提醒。疏株装置130优选地通过破坏或杀死(例如，切割、拔出或喷射)单株植物的方式来减少植株数量。疏株装置130优选地对经过的植株数量进行计数(例如，基于接触传感器或者基于成像装置120所捕获的图像)，并根据以下关系式来破坏或杀死每第N个植株：
N = int ( P 1 P 1 - P 2 )
其中：P1＝第一植群密度处方(例如，每英亩36000粒种子)；
P2＝第二植群密度处方(例如，每英亩30100粒种子)；以及
函数“int()”返回最接近其自变量的整数。
应当认识到的是在整个生长季可以执行多次减少作物过程200。例如，如果基于在第三时间(例如，在第二时间之后的几周)处收集的数据集的第三植群密度处方针对田地中的任意区域要求的植群密度低于第二植群密度处方(例如，由于从第三时间到估计的收割日期之间降低的降雨量预测)，则可以执行第二疏株操作以进一步减少该区域中的植株植群密度。
转向图3，系统100优选地被配置为执行基于生产力的淘汰植株过程300。在步骤305处，基于第一数据集确定第一植群密度处方(例如，通过处方生成器150)，优选地如上面针对过程200中的步骤205所描述的。在步骤310处，种植机110优选地在第一时间处根据在步骤305处确定的第一植群密度处方来种植田地。在一些实施例中，可以通过在包括液压驱动或电动机的可变比率种植系统上设置施用量来实施初始植群密度处方。在其他实施例中，可以通过修改或替换种植装置的一个或多个组件来实施初始植群密度处方。例如，具有一个或多个附加种孔的第一种盘可以被用于种植第一植群密度处方。
在步骤315处，成像装置120优选地捕获田地10(或者在一些示例中，多块田地(例如，包括多块田地的区域))中的多个出苗植株的一张或多张图像。应当认识到的是步骤315在第二时间处被执行，其中在步骤310处种下的种子已经生长为植株。
在步骤320处，基于步骤315处所捕获的图像估计一个或多个长出的单株植物的生产力。在一些实施例中，对单株植物的鉴定和分析可以根据“359申请”中公开的方法来执行。在一些实施例中，步骤315处捕获的一张或多张图像被传输至图像数据库170，并由该图像数据库执行步骤320。
对于诸如玉米之类的作物，步骤320处所估计的植株生产力可以包括和/或被用于生成穗潜力指数。可以使用以下公式来确定例如针对多块田地、单块田地、田地中的一个或多个子区域(例如，管理区)、田地中的位置或单株植物的穗潜力指数(EPI)：
其中：穗潜力＝基于图像或其他信息估计的田地中玉米穗的潜在数量(例如，每英亩或每块地)，优选地使用“359申请”和/或“438申请”中所公开的任意方法。
意图的植群密度＝在种植期间指示要种植的(例如，使用能够根据施用量图来执行可变比率播种的种植机)意图的植群密度(例如，每英亩或每块地)。
在一些数量中，田地或其他区域的穗潜力和/或EPI值可以基于从该田地的任意子集收集的数据来计算。在一些示例中，可以针对每个植株测量用来生成穗潜力和/或EPI的图像或其他数据。在其他示例中，可以针对田地中的多个位置(例如，两个位置、五个位置、十个位置、田地表面面积的百分之一、百分之五、百分之十)来测量图像和其他数据，并进行空间插值以确定在该田地的其余位置处的估计值。在其他示例中，可以在田地的子区域中的一个或多个位置(例如，在田地的管理区中，其中每个位置具有一个或多个通用农艺判据和/或意图根据一个或多个通用农艺判据来以农艺方式进行管理)处收集图像和其他数据，并进行空间插值以确定在该田地区域中的其余位置处的估计值。
在一些示例中，针对每个植株所估计的穗潜力值可以基于一个或多个测量的相对植株判据。每个相对植株判据优选地通过将感兴趣的植株的植株判据与田地中一个或多个其他植株的相同植株判据进行比较来确定。
相对植株判据可以包括相对植株大小比例(例如，一植株高度与田地中所有植株的平均高度之比、一植株高度与距该植株阈值距离之内的植株的平均高度之比、一植株高度与和该植株相邻的一个或多个植株的平均高度之比、一植株叶片宽度与田地中所有植株的平均叶片宽度之比、一植株叶片宽度与距该植株阈值距离之内的植株的平均叶片宽度之比、一植株叶片宽度与和该植株相邻的一个或多个植株的平均叶片宽度之比)。在一些示例中，估计的穗潜力可以按与相对植株大小比例直接相关的因数降低，从而穗潜力值随着植株大小比例的减小而减小。
相对植株位置判据可以包括一个或多个植株间距判据(例如，一植株和最邻近植株之间的距离、一植株与每个相邻植株之间的平均距离、一植株与具该植株阈值距离之内的其他植株之间的平均距离、一植株与同一种植行内的最接近植株之间的平均距离、一植株与相邻种植行内的最接近植株之间的平均距离)。在一些实施例中，植株的穗潜力可以按与相对植株判据呈负相关的因数降低。例如，穗潜力可以随着一植株与相邻植株之间的距离的减小而降低。
相对植株判据可以包括一个或多个相对植株朝向判据(例如，一植株与相邻植株在水平面上的相对叶片朝向，如下面参照图9所描述的茎角θ)。
在一些实施例中，相对植株判据可被用于确定植株的遮蔽指数，该指数进而可被用于调整或估计穗潜力值。遮蔽指数优选地与一植株被相邻植株遮蔽的量(例如，表面面积的百分比)和/或一植株被相邻植株遮蔽的统计概率有关。在一些示例中，遮蔽指数可以通过确定感兴趣的植株与具有比该植株更高高度的任意相邻植株的叶片之间是否存在重叠(例如，基于感兴趣的植株与更高的相邻植株的叶片长度和茎叶夹角θ)来确定。在这类示例中，穗潜力值优选地按与遮蔽指数直接相关的因数降低。
在步骤325处，疏株装置130优选地破坏或杀死每个在步骤320处被标识为具有低于阈值的估计生产力的植株。因此，应当认识到的是估计生产力包括植株淘汰指数，该指数被用于决定是否淘汰给定植株。在其他实施例中，植株淘汰指数可以包括不同的测量值或计算值，例如按本领域已知的方式测量和计算的NDVI值。阈值可以是绝对值。例如，在针对每个植株确定NDVI值的情形中，阈值可以是0.8。然而，在优选实施例中，阈值是基于针对附近植株或田地中的其余植株所确定的植株淘汰指数的相对值。例如，在针对每个植株计算NDVI值的情形中，这类相对阈值可以通过针对所考虑的植株计算的NDVI值与针对田地中的其他植株(例如，田地中此前被测量的所有植株、最近测量的30个植株、或在所考虑的植株阈值距离之内测量的植株)计算的平均NDVI值之比来计算。在这类实施例中，相对阈值可以是0.75乘以针对田地中其他植株所计算的平均NDVI值。在一些实施例中，与在同一次通过中进行测量和淘汰植株不同，成像装置120可以在后续通过中利用疏株装置130淘汰田地中的任意植株之前，在第一通过中确定针对田地中每个植株的植株淘汰指数。
应当认识到的是可以在整个生长季期间依次和/或反复执行过程200和300。例如，当幼苗达到4至8英寸高时可以执行过程300，并在三周之后可以执行过程200。在一些实施例中，系统100在经过田地的一次通行中执行组合的选择性淘汰和减少作物过程400。优选地按照上文所述的步骤205、210、215和220来分别执行步骤405、410、415和420。优选地按照上文所述的步骤315和320来分别执行步骤425和430。在步骤435处，疏株装置130优选地通过移除具有阈下植株移除指数(例如，NDVI值或估计的植株生产力)的植株以及还移除超过规定植群密度的任意其他植株以将植群密度降低为第二植群密度处方。在说明性实施例中，疏株装置移除具有阈下植株移除指数的所有植株，并且还移除每第N个植株，其中通过以下关系式来计算N：
N = int ( P 1 s P 1 s - P 2 )
其中：P1 s＝减去已经移除的阈下植株数的第一植群密度处方，该阈下植株数优选地基于最近评估的植株来计算(例如，在紧前面估计的30个植株)。
三维成像技术
在一些实施例中，过程300中捕获的一张或多张图像可以包括三维图像，优选地包括一个或多个植株的三维图像。可以由任意适当的系统来捕获三维图像(例如，包括三维点云)，该系统包括基于激光的系统(例如，激光雷达)、基于雷达的系统、光场相机(例如，可从加州山景城的Lytro股份有限公司购买)、或用于将视觉和/或红外图像处理成三维图像的系统(例如，利用诸如运动恢复结构之类的距离成像技术的系统)。在这类实施例中，可以分析所获得或生成的三维图像以识别和测量包括“359申请”中所公开的植株特性和特征。例如，结果实特性(例如，玉米穗的数量、玉米穗的大小、玉米穗的朝向、玉米穗的形态特性)、叶片数量、大小(例如，长度)、叶片朝向(例如，由种植沟限定的相对于水平面的垂直角方向或相对于垂直平面的水平角方向)以及植株健康特性(例如，单株植物、田地或区域的生物量或NDVI值)可以通过识别具有与这些特征相关联的期望特性(例如，高度、长度)的三维图像的特征来测量。在一些实施例中，可以分析在过程300中捕获的图像(例如，三维图像或二维图像)中的植株或植株特征(例如，茎部、叶片)的相对位置以确定一个植株是否正在遮蔽另一植株。在一个这样的示例中，如果相邻(例如，邻近)植株的高度相差了阈值百分比(例如，20％)，则可以确定较高的植株正在遮蔽另一植株。在另一示例中，如果相邻(例如，邻近)植株的高度相差了阈值百分比(例如，20％)，并且较高的植株的叶片面积超过了阈值，则可以确定该较高的植株正在遮蔽另一植株。在过程中所确定的估计生产力尤其可以基于如本文所述确定的植株特征和特性。
在一些实施例中，相比于使用二维图像，使用三维图像来分析植株特征能够识别和描绘在更晚阶段出现的植株特征。例如，经过植冠发育阶段的玉米植株的三维图像可被用于识别位于植冠下面的特征(例如，叶片和穗)，因而很难使用二维图像来识别或描绘。
在一些示例中，可以在空中平台(例如，飞机、直升飞机、固定翼或四轴飞行器UAV)、卫星、基于地面的移动平台(例如，拖拉机或其他通用运载工具、农用器具、专用成像运载工具(例如，具有基于GPS的自主引导的轮式或履带式移动成像车))和/或基于地面的固定平台(例如，塔、建筑)上使用成像系统来收集如本文所述捕获的三维(或其他)图像。
植株移除和成像
转向图7，其示意性地示出了植株移除和成像系统700。系统700优选地被安装在器具180上，并且可以包括上文所述的成像和疏株装置120、130的实施例。系统700优选地包括与GPS接收器720进行数据通信的监视器710。监视器710优选地包括图形用户界面，处理器和用于存储和访问植株位置、图像处理软件和其他数据的存储器。在一些实施例中，监视器710优选地经由总线750(例如，CAN总线)与一个或多个行单元790进行数据通信，。每个行单元790优选地包括与一个或多个顶部成像设备670、一个或多个侧面成像设备610和一个或多个移除执行器740进行数据通信的处理器730。
在操作时，随着系统700在田地中移动，系统优选地捕获植株图像，并且基于植株特性(例如，植株图像特性)选择性地移除(如本文所使用的“移除”意为任何损毁性动作，包括以下各项：损毁、根除、消灭、杀死、根除、过度施肥、用药)植株。植株特性可以基于由成像设备610和/或成像设备670获得的图像来确定。在其他实施例中，植株特性可以由另一设备(例如，空中设备或卫星设备)收集的图像或其他传感器数据或由同一器具180执行的更早的田地通行来确定，其优选地与使用地理参考植株数据的器具的GPS报告位置相关联。在其他实施例中，系统700以规律间隔移除植株以将植株植群密度降低至选定的植群密度。系统700还优选地记录移除植株的位置在空间上的图。
转向图6A，其示出了植株移除和成像系统600的实施例。应当认识到的是示出了系统600中的一行，在多行实施方式中，工具栏在田地中通过，系统600优选地包括多个行单元，每个行单元优选地被置于两行植株之间。在这种多行实施方式中，第一和第二行单元可以被置于两行植株之间，第一行单元定向以捕获第一行植株的图像并从中移除植株，第二行单元定向以捕获第二行植株的图像并从中移除植株。
系统600优选地包括植株移除子系统，该子系统包括液体箱650，液体箱650经由流管652向出口622供应流体(例如，空气或其他气体、或液体(例如水、矿浆、肥料或除草剂))。在一些实施例中，出口622被置于靠近作物5的一行，并且优选地被定向以将流体导向植株5。支架516优选地从工具栏14挂接出口622并靠近植株的地上基部(例如，球根或茎基部)。在一些实施例中，泵640以选定速率将液体从箱650泵送至出口622。在一些实施例中，出口622以足够移除植株的速度喷射一股流体(例如，水)。在这类实施例中，靠近出口622并位于其上游的收集箱620优选地收集流体，直至处理器730或监视器720命令移除动作，基于该移除动作，注射器630优选地对收集箱620快速加压以使流体从出口622喷出，从而移除靠近出口的任何植株。应当认识到出口622上游处的阀门可以被关闭，直到响应于移除动作命令或对收集箱进行加压而被打开为止。注射器630可以包括具有活塞(例如，弹簧承载的活塞)的注射器，其被配置为快速增加收集箱620中的压力。应当认识到泵640和/或注射器630可以被视为系统700的移除执行器740。
继续参考图6A，系统600优选地包括成像子系统，该成像子系统包括被布置为捕获植株5的侧视图像的一个或多个侧面成像设备610(例如，相机或反射传感器)。侧视成像设备610优选地经由支架615从工具栏14悬挂下来。另外，系统600优选地包括被布置为捕获植株5的俯视图像的一个或多个顶部成像设备670。顶部成像设备670优选地经由支架672从工具栏14悬挂下来。应当认识到在一些实施例中，侧视成像设备610相比出口622被布置为距植株5所在行更远，从而成像设备被布置为捕获每个植株的完整图像或大部分图像，而出口被布置为直接向植株应用流体。
转向图6B，其示出了植株移除和成像系统600’的另一实施例。系统600’优选地与上文所述的系统600类似，替代(或除了)系统600用于向植株5应用流体的植株移除子系统，系统600’包括机械植株移除子系统，该机械植株移除子系统包括切割设备690，其以机械方式切割或以其他方式破坏植株。切割设备690优选地包括由支架615悬挂并布置在植株5所在行附近的一个或多个刀片692。切割设备690可以包括被配置为选择性地移动一个或多个刀片692以接触植株5(优选地，植株的地上基部)的伺服电动机或线性执行器。刀片692可以包括圆锯、直刀片或摆动式切割刀片。在操作时，响应于来自监视器710或处理器730的命令，切割设备690移动刀片692以接触植株5，从而通过切割设备690的切割动作和/或刀片692随着器具180穿过田地的纵向移动来移除该植株。
转向图10，其示出了植株移除和成像系统1000的替代性实施例，其中侧面成像设备610包括多个成角度的成像设备1010(例如，相机或反射传感器)，它们被布置为捕获植株5的测试图像。成像设备1010优选地由从工具栏14悬挂出来的支架1020支撑。第一成像设备1010-1的视轴P-1(例如，中央视轴)优选地在限定植株5所在行的平面R处与第二成像设备1010-2的视轴P-2(例如，中央视轴)相交。视轴P-1和P-2之间的相对角度σ优选为90度。顶部成像设备670垂直视轴(例如，中央视轴)还优选地与成角度的成像设备1010的视轴P-1和/或P-2相交。
在系统1000进行操作时，随着器具180在田地中移动，顶部成像设备670和成角度的成像设备1010分别捕获同一植株5的图像。在一些实施方式中，每个成角度的成像设备1010在植株5的茎部中心C与成像设备的视轴P相交(其中如上所述轴P-1、P-2相交于平面R，两个成像设备可以同时分别捕获图像)时捕获图像。在一些实施方式中，顶部成像设备持续捕获图像(例如，每隔1毫秒)并且确定茎部中心C何时与茎部传感器的视轴相交(或在阈值时间内将与茎部中心相交)，成角度的成像设备1010基于该确定被命令立即或在经过预定时间之后捕获图像。在一些实施方式中，每个成像设备同时捕获图像。在其他实施方式中，由一个或多个成角度的成像设备1010所捕获的图像是在该成像设备1010相对于植株5达到期望的位置时捕获的。在一些这样的实施方式中，第一图像由顶部成像设备670捕获，并且基于该第一图像确定植株5的茎叶夹角θ(参见图9)。成角度的成像设备1010相对于植株5的期望的位置(在该处成角度的成像设备捕获第二图像)是基于茎叶夹角确定的。例如，处理器730可以确定在该处成角度的成像设备将以垂直或尽可能接近垂直于茎叶夹角的角度查看植株5的位置。
替代或除了在选定时间处捕获图像，成像子系统可以在整个操作期间在每个设备处持续地收集图像(例如，每隔诸如2毫秒或1毫秒之类的规律间隔)。因而，应当认识到的是在本文对捕获图像的步骤进行描述时，这类步骤可以包括实际捕获一张图像或者从持续记录的一系列图像或视频中对图像进行采样。
在一些实施例中，在操作期间，一个成像设备(例如，顶部成像设备)可以大致在纵向上被置于另一成像设备(例如，侧面成像设备)的前方，其方式例如是：通过在工具栏的前面安装一个设备并在其后面安装另一设备、通过向工具栏安装一个设备并向拖车或附加工具栏安装另一设备、或者通过在后来通过田地的通行中捕获相同图像。
转向图8或图9，它们分别示出了典型的侧面图像800和典型的顶部图像900。从植株图像中可以确定多个植株特性，包括根据美国临时专利申请No.62/040859(859申请)和/或美国临时专利申请No.62/046438(438申请)所公开的确定的特性，这两项申请通过引用被全部并入本文。特性可被用于确定植株健康状况或生长阶段，包括相比于邻近或附近植株的相对健康状况或生长阶段，同样如859申请和/或438申请中所公开的。
参考图8，在一些实施例中，成像子系统例如通过识别图像中的植株部分850和测量植株比例的最大垂直长度来估计植株5的高度H。在一些实施例中，成像子系统识别一个或多个节点N的位置(例如，垂直位置)。在示出的典型图像中，植株5(例如，玉米植株)具有包括两个相对叶片的第一节点N-1，和包括两个相对叶片的第二节点N-2。在一些实施例中，成像子系统通过识别植株部分850在该处的宽度超过该植株部分的较低部分宽度的阈值百分比或偏差的垂直位置来识别节点N-1和N-2的位置。在一些实施例中，成像子系统基于表示节点N-1和N-2之间的垂直距离的节点高度Nh来估计高度H(例如，使用Nh和植株高度之间的经验关系)。在其他实施例中，成像子系统基于Nh值来估计植株生长阶段或生长进程。成像子系统还优选地例如通过估计植株部分850在垂直方向上低于标识节点N-1的最大宽度来估计植株5的茎部宽度D。
转向图9，成像子系统还可以通过分析顶部图像900的植株部分950来识别和确定节点N-1和N-2的叶片特性。应当认识到的是顶部图像可以在同时操作或在先操作期间由成像子系统或独立的运载工具或飞行器(例如，UAV)捕获。成像子系统优选地确定对应于植株行(即，种植沟)的平面R，该确定可以基于顶部成像设备670的位置或可以根据859申请和/或438申请中所公开的来实现。成像子系统优选地确定限定平面A的角度偏移的茎叶夹角θ(例如，如所示的相对于平面R的偏移)，其中平面A限定了每个节点N的叶片的生长方向。在一些实施例中，成像子系统基于茎叶夹角θ来修改测量的茎部直径D。例如，对于茎部是椭圆形并且在平面A上具有其最长直径的作物(例如，玉米)来说，成像子系统优选地按随着茎叶夹角θ增大的因数减小由垂直于平面R捕获的侧视图像估计的直径D。
另外，成像子系统优选地通过识别植株部分950中的每个叶片部分并确定垂直于穿过植株部分的中心C(例如，植株部分与行平面R相交的那部分的集合中心)的平面的最大宽度和叶片部分的端点来确定每个节点N的叶片宽度W。成像子系统还优选地通过在多个叶片中点M之间建立一系列线段来标识叶脊S并根据859申请和/或438申请中所述的来确定叶片长度(即，叶脊)。
前面的描述被呈现以使本领域技术人员能够实现和使用本发明并被提供在专利申请的背景及其必要条件的情境中。本领域技术人员将很容易想到对本文所述的装置的优选实施例以及系统和方法的一般原理和特征的各种修改。因此，本发明不被限于上面所描述和附图所示出的装置、系统和方法的实施例，而是被赋予符合所附权利要求的精神和范围的最宽范围。

Claims (27)

1.一种优化种植的作物的株群的方法，包括：
基于仅包括在种植时间前收集的数据的第一数据集，确定第一植群密度处方；
根据所述第一植群密度处方在所述种植时间处种植田地；
基于包括在所述种植时间之后收集的数据的第二数据集，确定第二植群密度处方；以及
根据所述第二植群密度处方，对所述田地进行疏株以减少所述田地中的植株的数量。
2.如权利要求1所述的方法，还包括：
确定针对多个植株的植株移除指数；
将所述植株移除指数与移除阈值进行比较；以及
在确定所述植株移除指数低于所述移除阈值之后，移除所述多个植株的子集。
3.如权利要求1所述的方法，其中对所述田地进行疏株的步骤包括使用移除执行器来选择性地切割所述田地中单株植物的茎部。
4.如权利要求3所述的方法，其中所述移除执行器使用加压液体来切割所述茎部。
5.如权利要求2所述的方法，其中所述植株移除指数与两个相邻植株的相对特性有关。
6.如权利要求2所述的方法，其中所述植株移除指数基于种植图像的特性。
7.如权利要求2所述的方法，其中所述植株移除指数基于单株植物将生长出的穗的估计数量。
8.如权利要求1所述的方法，其中所述第一数据集和所述第二数据集包括预测天气信息和实际天气信息。
9.一种用于优化种植的作物的株群的方法，包括：
基于在第一时间前收集的第一数据集来确定第一优化植群密度处方；
根据所述第一植群密度处方在所述第一时间处种植田地；
捕获所述田地中的单株植物的第一图像；
基于所述第一图像的特性来预测所述单株植物的生产力；以及
如果预测的生产力低于阈值生产力，则移除所述单株植物。
10.如权利要求9所述的方法，其中所述预测的生产力与所述植株生长出的穗的预测数量有关。
11.如权利要求10所述的方法，其中所述穗的预测数量是基于两个相邻植株的相对特性。
12.如权利要求9所述的方法，其中所述第一图像的特性包括叶片朝向。
13.如权利要求9所述的方法，其中所述第一图像的特性包括叶片长度。
14.如权利要求9所述的方法，其中所述第一图像的特性包括叶片宽度。
15.如权利要求9所述的方法，其中所述第一图像的特性包括茎部宽度。
16.如权利要求9所述的方法，其中所述第一图像的特性包括玉米植株的节点之间的距离。
17.如权利要求9所述的方法，其中所述第一图像由定位于所述单株植物的侧面的第一相机捕获，并且其中所述第一相机由被配置为在所述田地中来回移动的成像器具支持。
18.如权利要求9所述的方法，其中所述单株植物的第二图像由第二相机捕获，其中在所述第一图像被捕获的同时，所述第二相机捕获所述第二图像，并且其中所述第二相机由所述成像器具支持。
19.如权利要求9所述的方法，其中所述单株植物的第二图像由第二相机捕获，并且所述第二图像包括航拍图像。
20.如权利要求16所述的方法，其中对所述田地进行疏株的步骤包括使用移除执行器选择性地切割所述田地中的单株植物的茎部，并且其中所述移除执行器由所述成像器具支持。
21.一种优化种植的作物的株群的方法，包括：
基于在第一时间前收集的第一数据集来确定第一优化植群密度处方；
在所述第一时间处，根据所述第一植群密度处方对田地进行种植；
形成第二数据集，该第二数据集包括在所述第一时间之后收集的数据；
基于所述第二数据集确定第二优化植群密度处方；
捕获所述种植的作物中的单株植物的图像；
基于所述图像预测所述单株植物的生产力；以及
通过移除具有低于阈值生产力的植株并且移除超出所述第二植群密度处方的任意剩余植株来将所述种植的作物的植群密度疏株至所述第二植群密度处方。
22.如权利要求21所述的方法，其中对所述田地进行疏株的步骤包括使用移除执行器选择性地在所述田地中切割单株植物的茎部。
23.如权利要求22所述的方法，其中所述移除执行器使用加压液体来切割所述茎部。
24.如权利要求21所述的方法，其中所述生产力是基于两个相邻植株的相对特性预测的。
25.如权利要求21所述的方法，其中预测的生产力基于植株图像的特性。
26.如权利要求21所述的方法，其中预测的生产力包括单株植物将生长出的穗的预测数量。
27.如权利要求1所述的方法，其中所述第一数据集和所述第二数据集包括预测天气信息和实际天气信息。
CN201580019753.XA 2014-04-14 2015-04-14 作物株群优化系统、方法和装置 Withdrawn CN106231890A (zh)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US201461979246P 2014-04-14 2014-04-14
US61/979,246 2014-04-14
US201462063184P 2014-10-13 2014-10-13
US62/063,184 2014-10-13
US201562129366P 2015-03-06 2015-03-06
US62/129,366 2015-03-06
PCT/US2015/025783 WO2015160827A1 (en) 2014-04-14 2015-04-14 Crop stand optimization systems, methods and apparatus

Publications (1)

Publication Number Publication Date
CN106231890A true CN106231890A (zh) 2016-12-14

Family

ID=54324501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580019753.XA Withdrawn CN106231890A (zh) 2014-04-14 2015-04-14 作物株群优化系统、方法和装置

Country Status (9)

Country Link
US (2) US10462952B2 (zh)
EP (1) EP3131380B1 (zh)
CN (1) CN106231890A (zh)
AU (2) AU2015247800A1 (zh)
BR (1) BR112016023865A2 (zh)
CA (1) CA2945363C (zh)
CL (1) CL2016002629A1 (zh)
UA (1) UA121213C2 (zh)
WO (1) WO2015160827A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112055618A (zh) * 2018-05-01 2020-12-08 精密种植有限责任公司 用于测试的分析盒以及相关方法
CN112487936A (zh) * 2020-11-26 2021-03-12 郑州数农通大数据科技有限公司 一种基于机器视觉技术的玉米田间管理机器人
CN112585633A (zh) * 2018-07-02 2021-03-30 气象公司 最佳放置及组合机会目标

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9131644B2 (en) * 2014-08-19 2015-09-15 Iteris, Inc. Continual crop development profiling using dynamical extended range weather forecasting with routine remotely-sensed validation imagery
US9953241B2 (en) * 2014-12-16 2018-04-24 The Board Of Trustees Of The Leland Stanford Junior University Systems and methods for satellite image processing to estimate crop yield
CA3019227A1 (en) * 2016-04-18 2017-10-26 Precision Planting Llc Application units having a trench closer for closing a trench during applications with respect to agricultural plants
EP3484263B1 (en) 2016-07-14 2021-06-02 Precision Planting LLC System for seed orientation within agricultural fields
US11324162B2 (en) 2016-07-14 2022-05-10 Precision Planting Llc Seed firmer for seed orientation adjustment in agricultural fields
CN109714947B (zh) 2016-07-14 2022-10-11 精密种植有限责任公司 用于农田内被动种子定向的系统、机具和方法
EP3484262B1 (en) * 2016-07-14 2021-03-03 Precision Planting LLC System for seed orientation with adjustable singulators during planting
EP3343170A1 (en) * 2016-12-27 2018-07-04 Yara International ASA Device and method for determining a height of an agricultural product
US10645917B2 (en) 2017-10-31 2020-05-12 Deere & Company Method for remediating developmentally delayed plants
US20190266401A1 (en) * 2018-01-11 2019-08-29 Intelinair, Inc Change Detection System
CN108198230A (zh) * 2018-02-05 2018-06-22 西北农林科技大学 一种基于散乱图像的作物果实三维点云提取系统
US10455826B2 (en) * 2018-02-05 2019-10-29 FarmWise Labs, Inc. Method for autonomously weeding crops in an agricultural field
US11006577B2 (en) 2018-02-26 2021-05-18 Cnh Industrial America Llc System and method for adjusting operating parameters of an agricultural harvester based on estimated crop volume
US11346832B2 (en) 2018-10-24 2022-05-31 Climate Llc In-ground sensor systems with modular sensors and wireless connectivity components
DE102018219494A1 (de) 2018-11-15 2020-05-20 Robert Bosch Gmbh Verfahren und Vorrichtung zum Dosieren von Pflanzenschutzmittel
CH715626A2 (de) 2018-12-11 2020-06-15 Kofatec Gmbh Mechanismus zur ausgerichteten Saatgutablage.
CN109863874B (zh) * 2019-01-30 2021-12-14 深圳大学 一种基于机器视觉的果蔬采摘方法、采摘装置及存储介质
US11270112B2 (en) * 2019-04-16 2022-03-08 Precision Silver, LLC Systems and methods for rating vegetation health and biomass from remotely sensed morphological and radiometric data
US11553634B2 (en) * 2019-10-01 2023-01-17 X Development Llc Robotic agricultural remediation
US20220400634A1 (en) * 2019-11-19 2022-12-22 Signify Holding B.V. Systems and methods for autonomous monitoring and/or optimization of plant growth
US20220125032A1 (en) * 2020-10-23 2022-04-28 Deere & Company System confidence display and control for mobile machines
EP4086568A1 (de) * 2021-05-07 2022-11-09 Helmholtz-Zentrum für Umweltforschung GmbH-UFZ Anordnung und verfahren zur charakterisierung von vegetation
SE545021C2 (en) * 2022-02-28 2023-02-28 Nehe Ajit Sudhakar System and method for phenotyping using horizontal imaging
US11553636B1 (en) * 2022-06-21 2023-01-17 FarmWise Labs Inc. Spacing-aware plant detection model for agricultural task control

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US2663917A (en) * 1948-01-28 1953-12-29 Peterson Dev Corp Window structure
US5764819A (en) * 1991-10-18 1998-06-09 Dekalb Genetics Corporation Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology
US7367155B2 (en) * 2000-12-20 2008-05-06 Monsanto Technology Llc Apparatus and methods for analyzing and improving agricultural products
US20020170229A1 (en) * 2001-04-13 2002-11-21 Phytech Ltd. System and method for phytomonitoring
US6596996B1 (en) * 2001-07-24 2003-07-22 The Board Of Regents For Oklahoma State University Optical spectral reflectance sensor and controller
US7854108B2 (en) 2003-12-12 2010-12-21 Vision Robotics Corporation Agricultural robot system and method
DK176273B1 (da) * 2004-05-10 2007-05-21 Frank Poulsen Selektiv behandling af planter i række
US7809475B2 (en) * 2004-12-20 2010-10-05 Fw Enviro, Llc Computer controlled fertigation system and method
DE102005007665A1 (de) * 2005-02-19 2006-08-31 Degussa Ag Folie auf Basis eines Polyamidblends
FR2901466B1 (fr) * 2006-05-29 2008-08-08 Alain Cornil Systeme pour le traitement de plaies de la peau, pansement et equipement d'activation biochimique pour la mise en oeuvre d'un tel systeme
US8135178B2 (en) * 2007-04-10 2012-03-13 Deere & Company Process for normalizing images or other data layers
WO2010022343A2 (en) * 2008-08-22 2010-02-25 Pioneer Hi-Bred International, Inc. Apparatus and systems for counting corn silks or other plural elongated strands and use of the count for characterizing the strands or their origin
CA2663917C (en) * 2009-04-22 2014-12-30 Dynagra Corp. Variable zone crop-specific inputs prescription method and systems therefor
US20110211733A1 (en) * 2009-08-27 2011-09-01 Schwarz Michael W Crop thinning systems
EP2638797B1 (en) * 2010-11-08 2018-10-17 National University Corporation Ehime University Plant health diagnostic method and plant health diagnostic device
BR112013017305B1 (pt) * 2011-01-04 2021-08-17 The Climate Corporation Métodos de gerar mapa de dados de solo
US20140180549A1 (en) * 2011-01-07 2014-06-26 The Arizona Board Of Regents On Behalf Of The University Of Arizona Automated machine for selective in situ manipulation of plants
US20140173769A1 (en) * 2011-01-24 2014-06-19 Basf Plant Science Company Gmbh System for Monitoring Growth Conditions of Plants
EP2822380B1 (en) * 2012-03-07 2022-12-21 Blue River Technology, Inc. Method and apparatus for automated plant necrosis
US20140021267A1 (en) 2012-07-23 2014-01-23 Vision Robotics Corporation System and method for crop thinning with fertilizer
WO2014128746A1 (ja) * 2013-02-19 2014-08-28 株式会社ブリリアントサービス 栽培制御システム、栽培制御用プログラム、および栽培制御方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112055618A (zh) * 2018-05-01 2020-12-08 精密种植有限责任公司 用于测试的分析盒以及相关方法
CN112055618B (zh) * 2018-05-01 2022-10-14 精密种植有限责任公司 用于测试的分析盒以及相关方法
CN112585633A (zh) * 2018-07-02 2021-03-30 气象公司 最佳放置及组合机会目标
CN112487936A (zh) * 2020-11-26 2021-03-12 郑州数农通大数据科技有限公司 一种基于机器视觉技术的玉米田间管理机器人

Also Published As

Publication number Publication date
AU2019201537A1 (en) 2019-06-27
EP3131380B1 (en) 2019-06-05
AU2019201537B2 (en) 2021-04-29
BR112016023865A2 (pt) 2017-10-10
CA2945363C (en) 2022-07-26
EP3131380A1 (en) 2017-02-22
UA121213C2 (uk) 2020-04-27
EP3131380A4 (en) 2018-01-03
WO2015160827A1 (en) 2015-10-22
AU2015247800A1 (en) 2016-11-24
CL2016002629A1 (es) 2016-12-23
US10462952B2 (en) 2019-11-05
CA2945363A1 (en) 2015-10-22
US20170034986A1 (en) 2017-02-09
US20200060056A1 (en) 2020-02-27

Similar Documents

Publication Publication Date Title
CN106231890A (zh) 作物株群优化系统、方法和装置
AU2021202077B2 (en) Systems, methods, and devices for monitoring weather and field conditions
CN111246729B (zh) 用于实施农田试验的农田数字建模和跟踪
CA3007184C (en) Cloud detection on remote sensing imagery
US10817962B2 (en) Farm field management apparatus, farm field management method, and storage medium
AU2017215188B2 (en) Modeling trends in crop yields
EP3496524B1 (en) Automatically detecting outlier values in harvested data
EP3307048B1 (en) Agricultural data analysis
US20190034726A1 (en) System and method for remote nitrogen monitoring and prescription
AU2020289735A1 (en) Generating an agriculture prescription
CA3044058A1 (en) Determining intra-field yield variation data based on soil characteristics data and satellite images
US11716985B2 (en) Method for remediating developmentally delayed plants
Myers et al. Issues in analysis of soil-landscape effects in a large regional yield map collection
WO2023230186A1 (en) Systems and methods for use in identifying trials in fields

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20170421

Address after: American California

Applicant after: KLEMETE INC.

Address before: Illinois State

Applicant before: Precision planting Co., Ltd.

WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20161214