CN106568722A - 一种基于光谱技术的设施黄瓜病害预警方法及装置 - Google Patents
一种基于光谱技术的设施黄瓜病害预警方法及装置 Download PDFInfo
- Publication number
- CN106568722A CN106568722A CN201610911600.2A CN201610911600A CN106568722A CN 106568722 A CN106568722 A CN 106568722A CN 201610911600 A CN201610911600 A CN 201610911600A CN 106568722 A CN106568722 A CN 106568722A
- Authority
- CN
- China
- Prior art keywords
- cucumber
- greenhouse
- spectral information
- sample
- disease
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/314—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry with comparison of measurements at specific and non-specific wavelengths
- G01N2021/3155—Measuring in two spectral ranges, e.g. UV and visible
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种基于光谱技术的设施黄瓜病害预警方法及装置,其中,所述方法包括采集样本设施黄瓜的光谱信息;利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理;根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型;采集目标设施黄瓜的光谱信息;根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别,以根据所述判别结果对目标设施黄瓜进行病害预警。本发明的设施黄瓜病害预警方法及装置可以提高黄瓜病害预警的时效性和准确性,实现及时指导农户采取相应的病害预防措施。
Description
技术领域
本发明涉及设施作物病害技术领域,尤其涉及一种基于光谱技术的设施黄瓜病害预警方法及装置。
背景技术
设施栽培可以在通过在局部范围内改善或者创造适宜作物生长的气象环境因素,为作物的生长发育提供良好的环境条件而进行有效的生产,从而获得优质高产的农作物。设施农业是一项技术密集、资金密集、劳动力密集型产业,科技含量高,设施农业的发展已经成为评价一个国家或地区农业现代化水平的重要指标。
虽然设施环境为作物周期性生产提供了有利场所,但其形成的小气候环境造成了生态系统的不稳定,高温高湿等环境条件也给病原生物的繁殖和侵染提供了有利条件,导致了作物病害发生数量激增。实际情况下,大棚温室中的有害细菌、真菌数量均大于露地。在设施栽培过程中,作物受到不良环境和病原的影响,造成作物品质下降,影响其质量和经济效益,造成难以估量的损失。
黄瓜口感清脆,营养丰富,是人们喜爱的蔬菜之一。近年来,随着设施栽培技术的发展,很多地区已普遍施行了黄瓜温室栽培,但由于温室特殊的气候环境和多年种植,黄瓜病害的种类、数量及为害程度都有了新的变化,防治愈来愈困难。对于设施黄瓜病害的预防,现阶段多依靠人为经验或根据环境信息来对黄瓜病害进行预警,虽有一定的指导性,但针对性不强,准确度较低。
综上,现有的亟待解决的技术问题之一为如何提供快速有效、针对性强、准确度高的设施黄瓜病害预警方法,帮助农民及时有效的做好病害防治工作。
发明内容
为了解决上述技术问题,本发明提出如下技术方案:
一种基于光谱技术的设施黄瓜病害预警方法,包括:
采集样本设施黄瓜的光谱信息;
利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理;
根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型;
采集目标设施黄瓜的光谱信息;
根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别,以根据所述判别结果对目标设施黄瓜进行病害预警。
可选地,所述采集样本设施黄瓜的光谱信息,包括:
采集健康的黄瓜叶片光谱信息以及病斑初显的黄瓜叶片光谱信息。
可选地,所述利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理,包括:
将所述样本设施黄瓜的光谱信息转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分。
可选地,所述根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型,包括:
采用反向传播神经网络BPNN进行样本训练,构建所述设施黄瓜病害预警模型。
可选地,所述根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别之前,所述方法还包括:
利用主成分分析法对所述目标设施黄瓜的光谱信息进行处理。
一种基于光谱技术的设施黄瓜病害预警装置,包括:
样本光谱采集单元,用于采集样本设施黄瓜的光谱信息;
样本光谱处理单元,用于利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理;
预警模型构建单元,用于根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型;
目标光谱采集单元,用于采集目标设施黄瓜的光谱信息;
病害预警单元,用于根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别,以根据所述判别结果对目标设施黄瓜进行病害预警。
可选地,所述样本光谱采集单元具体用于采集健康的黄瓜叶片光谱信息以及病斑初显的黄瓜叶片光谱信息。
可选地,所述样本光谱处理单元具体用于将所述样本设施黄瓜的光谱信息转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分。
可选地,所述预警模型构建单元具体用于采用反向传播神经网络BPNN进行样本训练,构建所述设施黄瓜病害预警模型。
可选地,所述装置还包括:
目标光谱处理单元,用于利用主成分分析法对所述目标设施黄瓜的光谱信息进行处理。
本发明的设施黄瓜病害预警方法及装置,通过采集样本设施黄瓜的光谱信息,利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理,并根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型,以根据所述设施黄瓜病害预警模型对目标设施黄瓜的光谱信息进行病害判别,进而根据所述判别结果对目标设施黄瓜进行病害预警,可以提高黄瓜病害预警的时效性和准确性,实现及时指导农户采取相应的病害预防措施。
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为本发明一个实施例的基于光谱技术的设施黄瓜病害预警方法的流程示意图;
图2是本发明一个实施例的基于BPNN的设施黄瓜白粉病预警模型拓扑结构图;
图3为本发明一个实施例的基于光谱技术的设施黄瓜病害预警装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明一个实施例的基于光谱技术的设施黄瓜病害预警方法的流程示意图;如图1所示,所述方法包括:
S1:采集样本设施黄瓜的光谱信息;
作为本实施例的优选,步骤S1可以进一步包括:
S11:采集健康的黄瓜叶片光谱信息以及病斑初显的黄瓜叶片光谱信息。
S2:利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理;
作为本实施例的优选,步骤S2可以进一步包括:
S21:将所述样本设施黄瓜的光谱信息转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分。
S3:根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型;
作为本实施例的优选,步骤S3可以进一步包括:
S31:采用反向传播神经网络BPNN进行样本训练,构建所述设施黄瓜病害预警模型。
S4:采集目标设施黄瓜的光谱信息;
S5:根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别,以根据所述判别结果对目标设施黄瓜进行病害预警。
进一步地,作为本实施例的优选,步骤S5中所述根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别之前,所述方法还包括:
S5’:利用主成分分析法对所述目标设施黄瓜的光谱信息进行处理。
本实施例的设施黄瓜病害预警方法,通过采集样本设施黄瓜的光谱信息,利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理,并根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型,以根据所述设施黄瓜病害预警模型对目标设施黄瓜的光谱信息进行病害判别,进而根据所述判别结果对目标设施黄瓜进行病害预警,可以提高黄瓜病害预警的时效性和准确性,实现及时指导农户采取相应的病害预防措施。
下面以一具体的实施例来说明本发明,但不限定本发明的保护范围。
在上述实施例的基础上,S1,利用便携式可见-短波近红外光谱仪(型号:FieldSpec Handheld)进行设施黄瓜叶片光谱信息的采集。
在本步骤中,光谱仪的光谱检测波长区域为325~1075nm,需要采集的光谱信息包括两类,一类是健康生长的黄瓜叶片光谱信息,另一类是黄瓜白粉病初显时期的黄瓜叶片光谱信息,将所获得的图像调整为1200×800象素大小,以RGB三通道24位的形式保存为tiff格式。
S2,基于主成分分析法的黄瓜叶片光谱数据处理。
实施例以黄瓜白粉病为例,选取400~1000nm范围的光谱信息,每个波段通道的光谱信息均以灰度图形式保存,然后将采集到的三通道灰度图通过伪彩色综合进行显示,通过ViewSpec Pro软件,将光谱图像信息转换为波长及吸光度数据。
所采集的光谱样本共n个,其中病斑初显的光谱样本和健康叶片的光谱样本各占样本数的一半,所采集的光谱波段数为p。第i个样本为:
Ai=(ai1,ai2,...,aip),i=1,2,…,n.
其中,Ai为第i个样本集合,aij为在第j个波段下谱线的吸收光度。
为便于提高计算效率,需对Ai中的元素进行标准化处理,变换公式为:
其中,样本均值:
样本标准差:
标准化后的新样本为:
Xi=(xi1,xi2,...,xip),i=1,2,…,n.
第i个主成分为:
Ci=wi1X1+wi2X2+...+wipXp
上式的约束条件为:
且Corr(Ci,Cj)=0,i≠j
标准化后的所有样本集为X=(X1,X2,…Xn)’,令R=XX’,求解λi|R|=0,得到m个特征值λ1,λ2,…,λm。
第i个主成分的贡献率为:
前m个主成分的累积贡献率为:
若m个主成分的累计贡献率超过85%,则认为前m个主成分基本包含了原来指标信息,可选取累积贡献率达到85%以上时的因子个数作为主成分,即选取变量C1,C2,…,Cm作为主成分。
S3,构建基于神经网络的设施黄瓜白粉病预警模型。
图2是本发明一个实施例的基于BPNN的设施黄瓜白粉病预警模型拓扑结构图,如图2所示,本实施例选取三层BP神经网络进行预警模型构建,三层分别为输入层、隐含层、输出层。BP神经网络的参数设置如下:
a、隐含层层数为1;
b、隐含层节点数k=16;
c、激励函数选择sigmoid函数:
d、选取(-1,1)上的随机数作为初始权值;
e、学习速率η的确定,η在公式中表示权值调整的系数,权值调整公式如下:
其中,E代表第n次计算得到的误差,W(n)代表连接权值,ΔW(n)代表权值调整量。
本实施例通过自适应学习对学习速率η进行调整,调整公式如下:
η=(k+1)=η(k)-βΔE(k)
其中,ΔE代表误差变化量,k代表训练次数,β为学习速率因子。
f、期望误差为10-5;
g、采用收敛速度较快的莱温伯格-麦夸特(Levenberg-Marquardt,LM-BP)算法作为训练算法进行模型训练。
随机选取总样本量的70%作为训练样本,15%作为测试样本,15%作为验证样本,训练后得到病害预警模型。
进一步地,步骤S4对目标设施黄瓜进行光谱采集,还可以包括将目标设施黄瓜的光谱主成分C1,C2,…,Cm作为输入变量输入到预警模型进行判别,对应的输出结果为Y1和Y2。
其中Y1=0,代表黄瓜生长健康,Y2=1,代表黄瓜已感染白粉病。
根据输出的判别结果,若判别结果为“1”(即表示黄瓜已染病),则进行报警;若判别结果为“0”(即黄瓜生长健康,未染病),则不进行报警。
图3为本发明一个实施例的基于光谱技术的设施黄瓜病害预警装置的结构示意图,如图3所示,本实施例的设施黄瓜病害预警装置,包括样本光谱采集单元10、样本光谱处理单元20、预警模型构建单元30、目标光谱采集单元40以及病害预警单元50,其中:
样本光谱采集单元10用于采集样本设施黄瓜的光谱信息;
样本光谱处理单元20用于利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理;
预警模型构建单元30用于根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型;
目标光谱采集单元40用于采集目标设施黄瓜的光谱信息;
病害预警单元50用于根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别,以根据所述判别结果对目标设施黄瓜进行病害预警。
本实施例所述的设施黄瓜病害预警装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
进一步地,作为本实施例的优选,样本光谱采集单元10可以具体用于采集健康的黄瓜叶片光谱信息以及病斑初显的黄瓜叶片光谱信息。
进一步地,作为本实施例的优选,所述样本光谱处理单元20可以具体用于将所述样本设施黄瓜的光谱信息转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分。
进一步地,作为本实施例的优选,所述预警模型构建单元30可以具体用于采用反向传播神经网络BPNN进行样本训练,构建所述设施黄瓜病害预警模型。
进一步地,作为本实施例的优选,所述装置还可以包括:
目标光谱处理单元60,用于利用主成分分析法对所述目标设施黄瓜的光谱信息进行处理。
本实施例所述的设施黄瓜病害预警装置可以用于执行上述方法实施例,其原理和技术效果类似,此处不再赘述。
需要说明的是,对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上实施例仅用于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 (10)
1.一种基于光谱技术的设施黄瓜病害预警方法,其特征在于,包括:
采集样本设施黄瓜的光谱信息;
利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理;
根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型;
采集目标设施黄瓜的光谱信息;
根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别,以根据所述判别结果对目标设施黄瓜进行病害预警。
2.根据权利要求1所述的方法,其特征在于,所述采集样本设施黄瓜的光谱信息,包括:
采集健康的黄瓜叶片光谱信息以及病斑初显的黄瓜叶片光谱信息。
3.根据权利要求1所述的方法,其特征在于,所述利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理,包括:
将所述样本设施黄瓜的光谱信息转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分。
4.根据权利要求1所述的方法,其特征在于,所述根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型,包括:
采用反向传播神经网络BPNN进行样本训练,构建所述设施黄瓜病害预警模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别之前,所述方法还包括:
利用主成分分析法对所述目标设施黄瓜的光谱信息进行处理。
6.一种基于光谱技术的设施黄瓜病害预警装置,其特征在于,包括:
样本光谱采集单元,用于采集样本设施黄瓜的光谱信息;
样本光谱处理单元,用于利用主成分分析法对所述样本设施黄瓜的光谱信息进行处理;
预警模型构建单元,用于根据所述样本设施黄瓜的光谱信息的处理结果构建基于神经网络的设施黄瓜病害预警模型;
目标光谱采集单元,用于采集目标设施黄瓜的光谱信息;
病害预警单元,用于根据所述设施黄瓜病害预警模型对所述目标设施黄瓜的光谱信息进行病害判别,以根据所述判别结果对目标设施黄瓜进行病害预警。
7.根据权利要求6所述的装置,其特征在于,所述样本光谱采集单元具体用于采集健康的黄瓜叶片光谱信息以及病斑初显的黄瓜叶片光谱信息。
8.根据权利要求6所述的装置,其特征在于,所述样本光谱处理单元具体用于将所述样本设施黄瓜的光谱信息转换为波长及吸光度数据,并采用主成分分析法对所述波长及吸光度数据进行分析,以得到含有特征波段的各主成分。
9.根据权利要求6所述的装置,其特征在于,所述预警模型构建单元具体用于采用反向传播神经网络BPNN进行样本训练,构建所述设施黄瓜病害预警模型。
10.根据权利要求9所述的装置,其特征在于,所述装置还包括:
目标光谱处理单元,用于利用主成分分析法对所述目标设施黄瓜的光谱信息进行处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610911600.2A CN106568722A (zh) | 2016-10-19 | 2016-10-19 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610911600.2A CN106568722A (zh) | 2016-10-19 | 2016-10-19 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106568722A true CN106568722A (zh) | 2017-04-19 |
Family
ID=58533372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610911600.2A Pending CN106568722A (zh) | 2016-10-19 | 2016-10-19 | 一种基于光谱技术的设施黄瓜病害预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106568722A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242717A (zh) * | 2018-10-16 | 2019-01-18 | 首都师范大学 | 农业信息处理方法、装置及电子设备 |
CN109738368A (zh) * | 2019-02-25 | 2019-05-10 | 浙江省检验检疫科学技术研究院 | 一种毒蛾危害检测的特征光谱指数及检测系统及方法 |
CN114326869A (zh) * | 2021-09-29 | 2022-04-12 | 潍坊市农业科学院(山东省农业科学院潍坊市分院) | 一种小麦综合管理系统 |
CN117807511A (zh) * | 2024-02-29 | 2024-04-02 | 北京佳格天地科技有限公司 | 基于光谱分析的作物病害识别方法及相关装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN102075645A (zh) * | 2010-12-21 | 2011-05-25 | 中国农业大学 | 基于ivr的黄瓜病害数值诊断方法与系统 |
CN102621118A (zh) * | 2012-03-18 | 2012-08-01 | 吉林大学 | 温室蔬菜病虫害的预警方法 |
CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
CN104008633A (zh) * | 2014-05-26 | 2014-08-27 | 中国农业大学 | 一种设施菠菜病害预警方法及系统 |
CN104642021A (zh) * | 2015-02-06 | 2015-05-27 | 中国农业大学 | 一种设施生菜病害预警方法及装置 |
-
2016
- 2016-10-19 CN CN201610911600.2A patent/CN106568722A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1995987A (zh) * | 2007-02-08 | 2007-07-11 | 江苏大学 | 基于高光谱图像技术的农畜产品无损检测方法及装置 |
CN102075645A (zh) * | 2010-12-21 | 2011-05-25 | 中国农业大学 | 基于ivr的黄瓜病害数值诊断方法与系统 |
CN102621118A (zh) * | 2012-03-18 | 2012-08-01 | 吉林大学 | 温室蔬菜病虫害的预警方法 |
CN102945376A (zh) * | 2012-09-28 | 2013-02-27 | 北京农业信息技术研究中心 | 一种农作物病害的诊断方法 |
CN104008633A (zh) * | 2014-05-26 | 2014-08-27 | 中国农业大学 | 一种设施菠菜病害预警方法及系统 |
CN104642021A (zh) * | 2015-02-06 | 2015-05-27 | 中国农业大学 | 一种设施生菜病害预警方法及装置 |
Non-Patent Citations (5)
Title |
---|
何晓峰等: "《北斗/微惯导组合导航方法研究》", 31 December 2015, 国防工业出版社 * |
刘燕德等: "柑桔黄龙病近红外光谱无损检测", 《农业工程学报》 * |
吴迪等: "基于可见/近红外光谱技术的茄子叶片灰霉病早期检测研究", 《红外与毫米波学报》 * |
牛海微: "基于遗传BP网络构建温室月季花卉病害预警系统", 《中国优秀硕士学位论文全文数据库 农业科技辑》 * |
邓小玲等: "基于主成分分析和BP神经网络的柑橘黄龙病诊断技术", 《光子学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109242717A (zh) * | 2018-10-16 | 2019-01-18 | 首都师范大学 | 农业信息处理方法、装置及电子设备 |
CN109738368A (zh) * | 2019-02-25 | 2019-05-10 | 浙江省检验检疫科学技术研究院 | 一种毒蛾危害检测的特征光谱指数及检测系统及方法 |
CN114326869A (zh) * | 2021-09-29 | 2022-04-12 | 潍坊市农业科学院(山东省农业科学院潍坊市分院) | 一种小麦综合管理系统 |
CN117807511A (zh) * | 2024-02-29 | 2024-04-02 | 北京佳格天地科技有限公司 | 基于光谱分析的作物病害识别方法及相关装置 |
CN117807511B (zh) * | 2024-02-29 | 2024-04-26 | 北京佳格天地科技有限公司 | 基于光谱分析的作物病害识别方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Advances in non-destructive early assessment of fruit ripeness towards defining optimal time of harvest and yield prediction—A review | |
Vrindts et al. | Weed detection using canopy reflection | |
CN110008905B (zh) | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 | |
CN106568722A (zh) | 一种基于光谱技术的设施黄瓜病害预警方法及装置 | |
Tardaguila et al. | Non‐destructive assessment of grapevine water status in the field using a portable NIR spectrophotometer | |
Matteoli et al. | A spectroscopy-based approach for automated nondestructive maturity grading of peach fruits | |
Bendel et al. | Evaluating the suitability of hyper-and multispectral imaging to detect foliar symptoms of the grapevine trunk disease Esca in vineyards | |
CN110082309B (zh) | 冬小麦冠层spad值综合光谱监测模型建立方法 | |
CN107271372A (zh) | 一种苹果叶片叶绿素遥感估测方法 | |
Kong et al. | Fast detection of peroxidase (POD) activity in tomato leaves which infected with Botrytis cinerea using hyperspectral imaging | |
Vrochidou et al. | Machine vision for ripeness estimation in viticulture automation | |
Pujari et al. | Recognition and classification of produce affected by identically looking powdery mildew disease | |
CN113297925A (zh) | 一种果蔬全链条质量智能预警方法及系统 | |
Tosin et al. | Canopy VIS-NIR spectroscopy and self-learning artificial intelligence for a generalised model of predawn leaf water potential in Vitis vinifera | |
Cozzolino | The role of near-infrared sensors to measure water relationships in crops and plants | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
Yu et al. | Hyperspectral technique combined with deep learning algorithm for prediction of phenotyping traits in lettuce | |
CN112528726B (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
Viana et al. | Optical sensors for precision agriculture: An outlook | |
SE542770C2 (en) | Methods, models and systems for predicting yellow rust in wheat crops | |
CN116883874A (zh) | 一种用于芳樟矮林综合长势的评估方法及系统 | |
Fanourakis et al. | Non‑invasive leaf hydration status determination through convolutional neural networks based on multispectral images in chrysanthemum | |
US20230384231A1 (en) | Method and system for predicting severity of bacterial blight of rice based on multi-phenotypic parameters | |
Bai et al. | Evaluation of rice bacterial blight severity from lab to field with hyperspectral imaging technique | |
Sánchez-Galán et al. | Using supervised classification methods for the analysis of multi-spectral signatures of rice varieties in panama |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170419 |