CN106643529A - 基于无人机影像的山区农作物生长高度快速测量的方法 - Google Patents
基于无人机影像的山区农作物生长高度快速测量的方法 Download PDFInfo
- Publication number
- CN106643529A CN106643529A CN201610874108.2A CN201610874108A CN106643529A CN 106643529 A CN106643529 A CN 106643529A CN 201610874108 A CN201610874108 A CN 201610874108A CN 106643529 A CN106643529 A CN 106643529A
- Authority
- CN
- China
- Prior art keywords
- crops
- height
- image
- measurement
- value
- 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
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/06—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness for measuring thickness ; e.g. of sheet material
- G01B11/0608—Height gauges
Abstract
本发明公开了一种基于无人机影像的山区农作物生长高度快速测量的方法,包括采集所有地面控制点的地理坐标以及地表高程值H;采集原始影像P1测量影像P2;建立高程密集点云,分别生成地面拼接影像和数字地表模型数据;生成农作物生长区域的三维模型,并从三维模型中提取裸土高程值和测量高程值;输出农作物的生长高度。本发明通过无人机获得农作物在生长过程中的影响,通过配合地面控制点生成DSM数据并获得三维模型,并从三维模型中进一步获得农作物在每个阶段的生长高度。本发明通过空间分析的方法提取作物的生长高度,对地形要求低,适合不同类型或不同生长期农作物高度的测量;检测时间短,效率高,也具有良好的测量精度。
Description
技术领域
本发明涉及农业监测技术领域,具体涉及到一种基于无人机影像的山区农作物生长高度快速测量的方法。
背景技术
农作物的长势监测是农业生产活动中的一项重要工作,其目的是为作物的早期估产提供重要依据,同时为田间管理提供可靠的信息。快速有效地获取农作物的长势信息,可以在减少人工劳动工作量的同时提高种植效率,并降低种植成本。作为长势的重要信息,作物生长高度是衡量生长速度、进行农业估产、表征抗倒能力的重要指标,同时对联合收割机的割台高度自动调整系统和机械化喷药的位置控制系统等田间管理活动十分重要。对于株高的测量,最常使用人工法。这种方法结果较为精确,但耗费大量人工时间,在进行大范围监测的时候效率极低。目前已有诸多学者对农作物高度测量的理论和方法进行了研究和改进,取得了一定的成果,其中主要有波测法和图像处理法两种方法。
例如现有技术中已经公开的中国专利CN200810059040.8,公开了一种农作物植株高度的检测方法,具体步骤如下:
1)光电扫描系统连续扫描农作物,采用自上而下地扫描光接收器的状态,从提取当前位置植株的边缘高度数据;
2)用曲线拟合这组高度数据,获得农作物顶部的轮廓线;
3)计算农作物顶部轮廓线的波峰,作为对应农作物的植株高度,同时记下波峰所在的位置。光电扫描系统由一组竖直排列的光发生器和对应的光接收器组成,它们分别安装在农作物植株的两侧。曲线拟合采用B-样条曲线、Bezier曲线或多项式曲线拟合一组高度数据,获得农作物顶部的轮廓线,然后计算轮廓线的波峰作为相对应的植株高度,同时记下波峰所在的位置。
波测法是将雷达或声波技术用于测量作物生长高度的研究中,虽然精度较高,但这种方法一般需要用到造价较高的设备,因此测量成本也相应提高;图像处理法使用传统的光学仪器或者飞行器获取图像信息,通过人机交互的方式进行作物高度的提取,该方法相比于波测法具有较低的使用成本。目前,图像处理法正向使用机器视觉和远程监控的方向发展。机器视觉就是用各种成像系统代替视觉器官作为输入手段,由计算机来代替人脑完成处理和解释,目前已有运用了此法得出较好的作物高度的结果。目前,该方法对于测量单株作物的高度效果较好,但对于大片农作物的平均长势测量,该方法仍需改进,并且目前只适用于地势平坦的平原区耕地,对于地形复杂且地块较为破碎的山区耕地,目前尚未有较好的方法可以进行高效率的农作物生长高度快速测量。
发明内容
本发明的目的是提供一种基于无人机影像的山区农作物生长高度快速测量的方法;本方法可以对平原地区或者非平原地区大面积农作物生长区的植株高度进行高效的监测。
为达上述目的,本发明的一个实施例中提供了一种基于无人机影像的山区农作物生长高度快速测量的方法,包括以下步骤:
S1、采集所有地面控制点的地理坐标以及地表高程值H;地面控制点设置在待测农作物的生长区域;
S2、利用飞行器采集农作物在生长初始时生长区域的原始影像P1以及在测量农作物高度时的测量影像P2,该原始影像P1和测量影像P2中包括含有地面控制点的影像;
S3、通过原始影像P1和测量影像P2上的地面控制点与步骤S1采集到的地理坐标和高程值一一对应将影像对齐,建立高程密集点云,分别生成地面拼接影像和数字地表模型数据;
S4、根据数字地表模型生成农作物生长区域的三维模型,并从三维模型中提取生长区域农作物的平均最小高程值作为裸土高程值Hmin;从三维模型中提取的单株农作物平均最大高程值作为农作物的测量高程值Hmax;
S5、输出农作物的生长高度H=Hmax-Hmin。
优选的,飞行器为无人机,无人机的飞行高度为50m,飞行器分别从生长区域的正东、东南、正南、西南、正西、西北、正北、东北和中心位置进行俯拍,每个方向获得至少9张影像
优选的,飞行器进行航空摄影测量时要求60%的侧向重叠和80%的航向重叠。
本发明的一个实施例中提供了一种基于无人机影像的山区农作物生长高度快速测量的方法,包括以下步骤:
S11、采集所有地面控制点的地理坐标以及地表高程值H;地面控制点设置在待测农作物的生长区域;
S12、利用飞行器采集农作物在生长初始时生长区域的原始影像P1以及在测量农作物高度时的测量影像P2,该原始影像P1和测量影像P2中包括含有地面控制点的影像;
S13、通过原始影像P1和测量影像P2上的地面控制点与步骤S1采集到的地理坐标和高程值一一对应将影像对齐,建立高程密集点云,生成地面拼接影像和数字地表模型数据;并根据将影像分成的多个小区,每个小区内包括若干株农作物,对小区和农作物进行编号标记;
S14、根据数字地表模型生成农作物生长区域的三维模型,三维模型中的每株农作物的编号与生长区域上农作物的位置一一对应,并从三维模型中获得每个小区农作物的最小高程平均值作为该小区的裸土高程值Hmin;从三维模型中获得的单株农作物最大高程值作为农作物的测量高程值Hmax;
S15、输出农作物的生长高度H=Hmax-Hmin。
优选的,步骤S12中,农作物在生长初始时农作物叶面覆盖率低于40%。
优选的,每个小区的农作物数量为18株。
优选的,平均最小高程值为农作物生长区域内若干个最小高程值的算术平均值;平均最大高程值为农作物生长区域内若干个最大高程值的算术平均值。
综上,本发明具有以下优点:
本发明通过无人机获得农作物在生长过程中的影响,通过配合地面控制点生成DSM数据并获得三维模型,并从三维模型中进一步获得农作物在每个阶段的生长高度。本发明通过空间分析的方法提取作物的生长高度,对地形要求低,适合不同类型或不同生长期农作物高度的测量;检测时间短,效率高,也具有良好的测量精度。
附图说明
图1为本发明的流程图;
图2为玉米种植小区与小区内网格示意图;
图3为无人机低空航拍影像结果,其中a表示生长初期,b表示生长中期,c表示生长末期。
具体实施方式
本发明的一个实施例中提供了一种基于无人机影像的山区农作物生长高度快速测量的方法,包括以下步骤:
S1、采集所有地面控制点的地理坐标以及地表高程值H;地面控制点设置在待测农作物的生长区域。
在测量农作物生长高度前,首先在生长区域附件设置地面控制点,地面控制点可以是一个地面标识,这样在航拍时可以从图片上直接查看到每个地面控制点。地面控制点的设置可以形成将生长区域围合在内部的分布方式,地面控制点的地理坐标和地表高程值H可以预先使用Trimble R8 GNSS-RTK设备来完成数据的采集;该仪器具有较高的点为测量精度,其中在水平精度可达±5mm+0.5ppm RMS,垂直精度可达±5mm+1ppm RMS。
S2、利用飞行器采集农作物在生长初始时生长区域的原始影像P1以及在测量农作物高度时的测量影像P2,该原始影像P1和测量影像P2中包括含有地面控制点的影像。
飞行器可以优选为无人机,无人机的飞行高度为50m;拍摄相机为无人机自带相机,相机分辨率为4000*3000,可以满足图像清晰度的要求。飞行器分别从生长区域的正东、东南、正南、西南、正西、西北、正北、东北和中心位置进行俯拍,每个方向获得至少9张影像。
原始影像P1包含的信息中具有农作物在生长初期时的高度,由于在生长初期植株本身的高程值与裸土的高程值基本接近,因此在建立三维模型后可以根据地面控制点测量出来的高程值来得出裸土高程值。农作物有的生长周期包含多个阶段,通过拍摄任意阶段的测量影像P2来获得当时植株的生长情况。因此,每当需要测量当前植株的生长情况时,应该立即使用无人机获得当时的测量影像。
S3、通过原始影像P1和测量影像P2上的地面控制点与步骤S1采集到的地理坐标和高程值一一对应将影像对齐,建立高程密集点云,分别生成地面拼接影像和数字地表模型数据;
S4、根据数字地表模型生成农作物生长区域的三维模型,并从三维模型中提取生长区域农作物的平均最小高程值作为裸土高程值Hmin;从三维模型中提取的单株农作物平均最大高程值作为农作物的测量高程值Hmax。平均最小高程值为农作物生长区域内若干个最小高程值的算术平均值;平均最大高程值为农作物生长区域内若干个最大高程值的算术平均值。
本发明通过无人机获得了原始影像P1和测量影像P2,在获得影像后首先使用图像处理软件例如软件Agisoft PhotoScan进行处理。Agisoft PhotoScan是一款基于影像自动生成高质量三维模型的软件,可生成高分率真正射影像,它使用了在运动信息中恢复三维场景结构Structure from Motion的方法,首先对不同影像进行两两匹配,从中寻找最优的两幅影像进行初始配对,最后逐次加入新的影像并平差,直到所有有效影像添加完成。该方法目前已被广泛应用于实物建模、地形建模等领域,尤其在抗震救灾时能起到关键作用。
在使用图像处理软件处理过程中,由于影像中包括了地面控制点,并且地面控制点的地理坐标和地表高程值都是预先检测的,因此可以将地理坐标和地表高程值拼接至图像中,经过软件计算和处理可以得到相应的DSM数据,即地表信息数据。例如软件AgisoftPhotoScan中的Align Photos模块可以对齐照片,并通过Build Dense Cloud模块建立高程密集点云,生成地面拼接影像和DSM数据。
建立高程密集点云是根据地面控制点测得的精准高程值和地理坐标加上三维模型来确定的,由于地面控制点是分布在生长区域的,根据地面控制点的高程值和地理坐标可以估算出生长区域内任意地理坐标点的高程值。如地面没有种植植物或者农作物处于生长初期时,三维模型中最大高程值与裸土高程值基本相同,相当于拍摄的原始影像P1。当植株不断生长后,其具有一定的高度,软件通过P2建立相应三维模型后可以识别出植株的本身高度,再加上该植株所处地理坐标的裸土高程值即是该植株所代表的最大高程值。
由此可见,经过图像处理后可以根据同一生长阶段的多张影像中的地面控制点和地表高程值接入影像中,并将多张影像拼接成一张影像,并获得了DSM数据,建立了三维模型。从常识可以得知,农作物的最小高程值即生长初期时高程值基本与裸土的高程值相当,因此可以以农作物的最小高程值作为裸土高程值Hmin。同样的,随着农作物的生长,植株高度越来越高,此时在三维模型中对于该植株的来说,其高程值参数会越来越高,因此当从软件模型中提取该植株的最大高程值时即可以表示在最后一次拍摄时这个生长阶段的高度所代表的高程值。
S5、输出农作物的生长高度H=Hmax-Hmin。
在步骤S4中,由于最大高程值所代表的高度为裸土高程值和植株高度的总和,因此农作物的实际生长高度为该植株的最大高程值减去裸土高程值。
本发明还公开了一种基于无人机影像的山区农作物生长高度快速测量的方法,包括以下步骤:
S11、采集所有地面控制点的地理坐标以及地表高程值H;地面控制点设置在待测农作物的生长区域。
S12、利用飞行器采集农作物在生长初始时生长区域的原始影像P1以及在测量农作物高度时的测量影像P2,该原始影像P1和测量影像P2中包括含有地面控制点的影像,农作物在生长初始时农作物叶面覆盖率低于40%。
S13、通过原始影像P1和测量影像P2上的地面控制点与步骤S1采集到的地理坐标和高程值一一对应将影像对齐,建立高程密集点云,生成地面拼接影像和数字地表模型数据;并根据将影像分成的多个小区,每个小区内包括若干株农作物,优选每个小区的农作物数量为18株;对小区和农作物进行编号标记。
在S13步骤中,可以将生长区域分隔成若干个小区,每个小区种植等量或者不等量的植株。在平原地区,生长区域的裸土高程值没有太大差距,使得统计出的平均值与任意裸土高程值比较接近,每个植株的裸土高程值可以参考平均裸土高程值。如果在丘陵或者山地,整个生长区域本身就具有一定的高度差,使得每个植株所在点的裸土高程值与整个生长区域的平均裸土高程值具有较大差距。
S14、根据数字地表模型生成农作物生长区域的三维模型,三维模型中的每株农作物的编号与生长区域上农作物的位置一一对应,并从三维模型中获得每个小区农作物的最小高程平均值作为该小区的裸土高程值Hmin;从三维模型中获得的单株农作物最大高程值作为农作物的测量高程值Hmax。为了能够对比或者计算每个单独小区的裸土高程值,可以将每个影像中的小区和植株进行标记编号,便于计算、统计和查询;同时也能够提高测量的准确性。
S15、输出农作物的生长高度H=Hmax-Hmin。
实施例:
1、实施过程
以三峡库区中部五桥河小流域玉米种植梯田试验小区为研究对象,通过无人机低空航拍获取高精度影像,采用基于机器视觉的图像自动处理软件提取数字表面模型,通过空间分析的方法提取作物的生长高度。
1.1、试验地概况
研究试验区位于万州区长岭镇,试验地块为梯田,总面积约为900m2,包括6个梯级。梯田整体坡度约为10°,顶部与底部之间的高差约为4m,不同梯级的长度和宽度不一,每级高差在0.7-1.0m之间(表1)。
表1:实验信息
试验小区种植玉米,按照三峡库区中部农民种植习惯确定玉米品种、种植密度和种植模式。将梯田分为38个试验小区(图2),每个小区长3.5m,宽2.5m,根据当地“竖行顺坡”的种植习惯,设定每个试验小区种植3排玉米,每排6株,共计18株玉米,玉米的种植株距为50cm,行距为83cm,并将每个小区划分为18个网格。为了使不同试验小区在影像上有所区分,设定同一梯级内,不同小区之间距离为1m。玉米于2016年3月下旬播种育苗,在播种后20日进行了秧苗移栽。
1.2、航拍影像
使用大疆Phantom 3Professional四旋翼无人机进行拍摄。该机型最大飞行高度为500m,可以到达3km以内的区域。拍摄相机为无人机自带相机,相机分辨率为4000*3000,可以满足本研究的图像精度的要求。
使用Agisoft PhotoScan软件对无人机航拍影像进行拼接。这是一款基于影像自动生成高质量三维模型的软件,可生成高分率真正射影像。该软件使用了在运动信息中恢复三维场景结构(Structure from Motion,SfM)的方法,首先对不同影像进行两两匹配,从中寻找最优的两幅影像进行初始配对,最后逐次加入新的影像并平差,直到所有有效影像添加完成。该方法目前已被广泛应用于实物建模、地形建模等领域,尤其在抗震救灾时能起到关键作用。
Agisoft PhotoScan软件在进行图像拼接时,对相邻图像的基本要求为至少60%的侧向重叠和80%的航向重叠,在相同范围内相片数量越多则效果越好。但相片数量的增加意味着建模时间的增加,为提高工作效率,在规划无人机飞行线路时,设定无人机飞行高度为50m,相邻两个拍摄点之间间隔为30m以内。通过在小区正东、东南、正南、西南、正西、西北、正北、东北等8个不同的方向,以及在小区中心上方的俯拍共计9幅影像。使用AlignPhotos模块进行图像的拼接,生成研究区正射影像。
1.3、数字表面模型DSM
使用Agisoft PhotoScan软件的Build Dense Cloud模块建立高程密集点云,生成DSM数据,并通过添加地面控制点的方法对DSM数据进行校正。
使用差分GPS Trimble R8 GNSS-RTK进行控制点设置,该仪器具有较高的点位测量精度,其中在水平精度可达±5mm+0.5ppm RMS,垂直精度可达±5mm+1ppm RMS。控制点的分布越均匀、个数越多则精度越高,但控制点个数的增加不仅意味着测量工作量的增加,在建模时也需耗费更多的计算时间,考虑到工作量,在梯田小区周边均匀分布11个控制点,选择在图像上不被遮挡、清晰可见且不会发生变动的地物作为控制点,主要选择道路交叉点、庭院、人工建筑。
控制点的选择保证了同期DSM数据不同地物之间高差数值的准确性,也保证了不同时期DSM数据之间相同地物高程值的一致性。每期影像进行人工控制点添加和图像校准的时间约为10-15分钟,计算机计算的时间约为60-80分钟。在保证建模精度的前提下,尽可能减少人工操作和计算机运算的时间,以达到快速简便的目的。
1.4、玉米高度计算方法
采用网格最高点与最低点的高差计算作物高度。最高点可以通过DSM数据直接进行提取;而土壤表面高低起伏的特点以及作物和杂草的生长使得土壤表面高程的数值难以确定。试验小区裸土的表面起伏高差可达10cm,将影响测高结果的精度。通过对不同玉米植株划分网格,使用生长初期(覆盖度<30%)的正射影像和DSM数据提取所在网格的土壤表面高程数值。
为消除杂草对土壤表面高程数值的干扰,使用eCognition软件对生长初期的梯田种植小区正射影像进行地表植被的提取,得出38个种植小区共684个网格的地表植被覆盖度。计算求得在666个种植网格中,地表覆盖度的范围在8%-82%之间。由于生成的正射影像和DSM数据分辨率均为0.19m,每个网格约有1200个像元,因此本研究通过DSM数据提取每个种植网格所有像元的高程数据,取每个网格数值最小的100个高程数值进行算术平均,作为该网格土壤表面的高程值。同时,取每个种植网格最大的10个DSM高程数值进行算术平均,作为所在网格的最大高程值。
单株玉米高度的计算公式:
L玉米ij=MaxHij-Hij (1)
其中,L玉米ij代表第i个种植小区第j株玉米的生长高度,MaxHij代表第i个种植小区第j株玉米所在网格内的最大高程,Hij相应网格的土壤表面高程值。
在每个小区随机选择一株玉米,在生长初期(高度约40-60cm)、中期(高度约100-140cm)、末期(高度约220-280cm)分别对玉米高度进行3次人工测量并记录,用于分析本方法对单株玉米的测量精度,同时在每个生长期选择一株长势中等的玉米进行高度测量并记录,代表玉米的平均高度,用于评估本方法对小区玉米平均高度的测量精度。
小区玉米平均高度计算公式:
式中,Laveri代表小区i的玉米平均生长高度,L玉米ij代表第i个种植小区第j株玉米的生长高度,n为该种植小区的玉米株数。
误差的计算方法:
Δ=|H机-H人| (3)
δ=(|H机-H人|)/H人*100% (4)
式中,Δ代表绝对误差,δ代表相对误差,H机为本方法测量的高度,H人为使用人工法测量的高度。
实验结果
2.1、数字表面模型DSM
分别使用生长初期、中期和末期的无人机低空航拍影像进行拼接,生成玉米种植小区的正射影像图和DSM。生长初期的玉米叶片数量为7-8片,叶片的覆盖度较低,在10-30%之间,从图像上可以看到较多裸露的土壤表面,在DSM结果上可以清晰显示出6级梯田,但玉米无法清晰辨别;生长中期的玉米叶片数量为9-11片,覆盖度已达50-70%,在DSM结果上可以清楚看到玉米与土壤表面的高度差异;生长末期的玉米叶片数量为13-15片,覆盖度在80%以上,大部分植株已进入抽穗期,在DSM结果上可显著看到玉米的高度差异。
2.2、作物高度
由于小区1-2和小区1-3部分被树所遮挡,使用本方法所得数值为树高而非玉米高度,因此选用剩余36个小区的测量数据进行分析。3个生长期共计获得单株玉米高度数据108个,小区玉米平均高度数据108个。单株玉米的测量结果显示,在生长初期玉米植株的高度在38.0-60.4cm之间,生长中期高度在93.0-142.1cm之间,末期高度在220.9-282.1cm之间,可见单株玉米的高度变异在生长期内逐步增大;小区平均高度的测量结果显示,生长初期玉米植株的平均高度在41.1-58.7cm之间,生长中期在96.5-135.7cm之间,末期在224.1-284.2cm之间。
将测量结果与目前测量精度较高的机载小光斑全波形LIDAR反演法进行比较,该方法对高度在1m左右的作物进行反演结果的绝对误差控制在在4cm以内,相对误差在5.2%以内;本研究在同等玉米高度条件下测得的绝对误差约为3.8cm,最大误差约为6.3cm,相对误差控制在7.6%以内,二者精度接近,但成本较后者显著降低。
Claims (7)
1.基于无人机影像的山区农作物生长高度快速测量的方法,包括以下步骤:
S1、采集所有地面控制点的地理坐标以及地表高程值H;所述地面控制点设置在待测农作物的生长区域;
S2、利用飞行器采集农作物在生长初始时生长区域的原始影像P1以及在测量农作物高度时的测量影像P2,该原始影像P1和测量影像P2中包括含有地面控制点的影像;
S3、通过原始影像P1和测量影像P2上的地面控制点与步骤S1采集到的地理坐标和高程值一一对应将影像对齐,建立高程密集点云,分别生成地面拼接影像和数字地表模型数据;
S4、根据数字地表模型生成农作物生长区域的三维模型,从三维模型中提取生长区域农作物的平均最小高程值作为裸土高程值Hmin;从三维模型中提取的单株农作物平均最大高程值作为农作物的测量高程值Hmax;
S5、输出农作物的生长高度H=Hmax-Hmin。
2.如权利要求1所述的方法,其特征在于:所述飞行器为无人机,无人机的飞行高度为50m,飞行器分别从生长区域的正东、东南、正南、西南、正西、西北、正北、东北和中心位置进行俯拍,每个方向获得至少9张影像。
3.如权利要求1所述的方法,其特征在于:所述飞行器进行航空摄影测量时要求60%的侧向重叠和80%的航向重叠。
4.如权利要求1所述的方法,其特征在于:所述平均最小高程值为农作物生长区域内若干个最小高程值的算术平均值;所述平均最大高程值为农作物生长区域内若干个最大高程值的算术平均值。
5.一种基于无人机影像的山区农作物生长高度快速测量的方法,包括以下步骤:
S11、采集所有地面控制点的地理坐标以及地表高程值H;所述地面控制点设置在待测农作物的生长区域;
S12、利用飞行器采集农作物在生长初始时生长区域的原始影像P1以及在测量农作物高度时的测量影像P2,该原始影像P1和测量影像P2中包括含有地面控制点的影像;
S13、通过原始影像P1和测量影像P2上的地面控制点与步骤S1采集到的地理坐标和高程值一一对应将影像对齐,建立高程密集点云,生成地面拼接影像和数字地表模型数据;并根据将影像分成的多个小区,每个小区内包括若干株农作物,对小区和农作物进行编号标记;
S14、根据数字地表模型生成农作物生长区域的三维模型,三维模型中的每株农作物的编号与生长区域上农作物的位置一一对应,并从三维模型中获得每个小区农作物的最小高程平均值作为该小区的裸土高程值Hmin;从三维模型中获得的单株农作物最大高程值作为农作物的测量高程值Hmax;
S15、输出农作物的生长高度H=Hmax-Hmin。
6.如权利要求5所述的方法,其特征在于:所述步骤S12中,农作物在生长初始时农作物叶面覆盖率低于40%。
7.如权利要求5所述的方法,其特征在于:每个所述小区的农作物数量为18株。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610874108.2A CN106643529A (zh) | 2016-09-30 | 2016-09-30 | 基于无人机影像的山区农作物生长高度快速测量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610874108.2A CN106643529A (zh) | 2016-09-30 | 2016-09-30 | 基于无人机影像的山区农作物生长高度快速测量的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106643529A true CN106643529A (zh) | 2017-05-10 |
Family
ID=58854651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610874108.2A Pending CN106643529A (zh) | 2016-09-30 | 2016-09-30 | 基于无人机影像的山区农作物生长高度快速测量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106643529A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966709A (zh) * | 2017-11-15 | 2018-04-27 | 成都天麒科技有限公司 | 一种基于激光雷达测绘的植保作业方法 |
CN108416263A (zh) * | 2018-01-29 | 2018-08-17 | 华南农业大学 | 一种适用于农情低空遥感监测的低成本的无人机高度测量方法 |
CN109084690A (zh) * | 2018-10-31 | 2018-12-25 | 杨凌禾讯遥感科技有限公司 | 基于无人机可见光遥感的作物株高计算方法 |
CN110598619A (zh) * | 2019-09-06 | 2019-12-20 | 中国农业科学院农业资源与农业区划研究所 | 一种利用无人机影像进行果树识别和计数的方法和系统 |
WO2020049456A1 (en) * | 2018-09-04 | 2020-03-12 | Kiss Viliam | Method of identifying and displaying areas of lodged crops |
CN111667017A (zh) * | 2020-06-17 | 2020-09-15 | 中国科学院合肥物质科学研究院 | 一种联合收割机喂入量预测系统及其预测方法 |
CN111754186A (zh) * | 2019-12-30 | 2020-10-09 | 广州极飞科技有限公司 | 喷洒控制方法、装置及电子设备 |
CN112215169A (zh) * | 2020-10-10 | 2021-01-12 | 华中农业大学 | 基于低空无人机被动遥感的作物株高及生物量自适应高精度解算方法 |
CN112700346A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度的确定方法、装置、存储介质和设备 |
CN112700347A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度生长曲线的生成方法、装置和存储介质 |
CN113031547A (zh) * | 2021-03-02 | 2021-06-25 | 成都亚讯星科科技股份有限公司 | 智慧农业生产系统智能闭环控制方法 |
CN113063375A (zh) * | 2021-03-16 | 2021-07-02 | 成都理工大学 | 一种直线型耕作田埂的无人机遥感提取方法 |
CN113820255A (zh) * | 2021-09-01 | 2021-12-21 | 自然资源部第三海洋研究所 | 一种卵石三维粒径的测算方法以及装置 |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241423A (zh) * | 2015-09-18 | 2016-01-13 | 北京林业大学 | 一种基于无人机摄影像对高郁闭度林分蓄积量的估算方法 |
CN105869152A (zh) * | 2016-03-24 | 2016-08-17 | 北京农业信息技术研究中心 | 无人机遥感测量作物株高空间分布的方法及装置 |
-
2016
- 2016-09-30 CN CN201610874108.2A patent/CN106643529A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105241423A (zh) * | 2015-09-18 | 2016-01-13 | 北京林业大学 | 一种基于无人机摄影像对高郁闭度林分蓄积量的估算方法 |
CN105869152A (zh) * | 2016-03-24 | 2016-08-17 | 北京农业信息技术研究中心 | 无人机遥感测量作物株高空间分布的方法及装置 |
Non-Patent Citations (1)
Title |
---|
李永树: "《工程测量学》", 31 March 2011, 中国铁道出版社 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107966709A (zh) * | 2017-11-15 | 2018-04-27 | 成都天麒科技有限公司 | 一种基于激光雷达测绘的植保作业方法 |
CN108416263A (zh) * | 2018-01-29 | 2018-08-17 | 华南农业大学 | 一种适用于农情低空遥感监测的低成本的无人机高度测量方法 |
CN108416263B (zh) * | 2018-01-29 | 2020-09-01 | 华南农业大学 | 一种适用于农情低空遥感监测的低成本的无人机高度测量方法 |
WO2020049456A1 (en) * | 2018-09-04 | 2020-03-12 | Kiss Viliam | Method of identifying and displaying areas of lodged crops |
US11908074B2 (en) | 2018-09-04 | 2024-02-20 | Viliam Kiss | Method of identifying and displaying areas of lodged crops |
CN109084690A (zh) * | 2018-10-31 | 2018-12-25 | 杨凌禾讯遥感科技有限公司 | 基于无人机可见光遥感的作物株高计算方法 |
CN110598619A (zh) * | 2019-09-06 | 2019-12-20 | 中国农业科学院农业资源与农业区划研究所 | 一种利用无人机影像进行果树识别和计数的方法和系统 |
CN111754186A (zh) * | 2019-12-30 | 2020-10-09 | 广州极飞科技有限公司 | 喷洒控制方法、装置及电子设备 |
CN111667017A (zh) * | 2020-06-17 | 2020-09-15 | 中国科学院合肥物质科学研究院 | 一种联合收割机喂入量预测系统及其预测方法 |
CN111667017B (zh) * | 2020-06-17 | 2023-02-28 | 中国科学院合肥物质科学研究院 | 一种联合收割机喂入量预测系统及其预测方法 |
CN112215169A (zh) * | 2020-10-10 | 2021-01-12 | 华中农业大学 | 基于低空无人机被动遥感的作物株高及生物量自适应高精度解算方法 |
CN112215169B (zh) * | 2020-10-10 | 2022-11-08 | 华中农业大学 | 基于无人机被动遥感的作物株高及生物量自适应解算方法 |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
CN112700347A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度生长曲线的生成方法、装置和存储介质 |
CN112700346A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度的确定方法、装置、存储介质和设备 |
CN113031547B (zh) * | 2021-03-02 | 2022-10-21 | 成都亚讯星科科技股份有限公司 | 智慧农业生产系统智能闭环控制方法 |
CN113031547A (zh) * | 2021-03-02 | 2021-06-25 | 成都亚讯星科科技股份有限公司 | 智慧农业生产系统智能闭环控制方法 |
CN113063375B (zh) * | 2021-03-16 | 2022-04-08 | 成都理工大学 | 一种直线型耕作田埂的无人机遥感提取方法 |
CN113063375A (zh) * | 2021-03-16 | 2021-07-02 | 成都理工大学 | 一种直线型耕作田埂的无人机遥感提取方法 |
CN113820255A (zh) * | 2021-09-01 | 2021-12-21 | 自然资源部第三海洋研究所 | 一种卵石三维粒径的测算方法以及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106643529A (zh) | 基于无人机影像的山区农作物生长高度快速测量的方法 | |
Friedli et al. | Terrestrial 3D laser scanning to track the increase in canopy height of both monocot and dicot crop species under field conditions | |
CN106600434B (zh) | 基于作物模型与同化技术的作物长势遥感监测方法 | |
CN105303063B (zh) | 融合物候数据与遥感数据的叶面积指数反演方法及系统 | |
Rosell et al. | A review of methods and applications of the geometric characterization of tree crops in agricultural activities | |
CN109829234A (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
CN107392908B (zh) | 作物株高测量方法及系统、田间定标装置 | |
CN108446999A (zh) | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 | |
CN110719336A (zh) | 一种基于物联网的灌溉用水分析监控系统 | |
US6338027B1 (en) | Canopy modification using computer modelling | |
CN108982369A (zh) | 融合gf-1wfv和modis数据的地块尺度作物长势监测方法 | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
CN108334476A (zh) | 农机作业平整度的检测方法、装置和系统 | |
CN110599360A (zh) | 一种干旱区农作物生长季蒸散发高分辨率遥感估算方法 | |
Wack et al. | Forest inventory for eucalyptus plantations based on airborne laserscanner data | |
Wu et al. | Plant 3D reconstruction based on LiDAR and multi-view sequence images | |
US20130096832A1 (en) | Method and system for partitioning farming field | |
CN102136035A (zh) | 获取田块尺度的农田蒸散量的方法 | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
CN109827503B (zh) | 一种田间作物精准定位方法和装置 | |
Zhang et al. | Quality of terrestrial data derived from UAV photogrammetry: A case study of Hetao irrigation district in northern China | |
CN113487636B (zh) | 基于激光雷达的宽垄作物株高及行间距自动提取方法 | |
Tsoulias et al. | Estimating the canopy volume using a 2D LiDAR in apple trees | |
CN114781199A (zh) | 水源涵养对气候变化的响应分析方法、装置、介质和设备 |
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: 20170510 |