CN106971167B - 基于无人机平台的作物生长分析方法及其分析系统 - Google Patents

基于无人机平台的作物生长分析方法及其分析系统 Download PDF

Info

Publication number
CN106971167B
CN106971167B CN201710203928.3A CN201710203928A CN106971167B CN 106971167 B CN106971167 B CN 106971167B CN 201710203928 A CN201710203928 A CN 201710203928A CN 106971167 B CN106971167 B CN 106971167B
Authority
CN
China
Prior art keywords
crop
unmanned aerial
aerial vehicle
calculating
vegetation
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.)
Active
Application number
CN201710203928.3A
Other languages
English (en)
Other versions
CN106971167A (zh
Inventor
张俊青
刘哲
张南
李云
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Xingnong Fenghua Technology Co ltd
Original Assignee
Beijing Xingnong Fenghua Technology Co ltd
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 Beijing Xingnong Fenghua Technology Co ltd filed Critical Beijing Xingnong Fenghua Technology Co ltd
Priority to CN201710203928.3A priority Critical patent/CN106971167B/zh
Publication of CN106971167A publication Critical patent/CN106971167A/zh
Application granted granted Critical
Publication of CN106971167B publication Critical patent/CN106971167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2455—Query execution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/248—Presentation of query results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/252—Integrating or interfacing systems involving database management systems between a Database Management System and a front-end application
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于无人机平台的作物生长分析方法及其分析系统。通过无人机采集作物不同时期的影像数据，提取种植区域每个象元的光谱信息，并与关键生长参数建立反演关系，计算得到种植区内作物的垄数、株高、叶色、倒伏率、植被覆盖度。本发明通过Hough变换提取直线计算作物种植垄数；研究DSM模型计算玉米株高；研究基于最大似然监督分类区分玉米冠层颜色；研究基于纹理分析计算玉米倒伏比率；研究基于像素法计算影像植被覆盖度。本发明可实现快速、精确提取作物生长过程中的垄数、株高、叶色、倒伏率、植被覆盖度等信息，方便对种植区进行全面的监测与统一管理。

Description

基于无人机平台的作物生长分析方法及其分析系统
技术领域
本发明涉及作物生长分析领域，特别是涉及一种基于无人机平台的作物生长分析方法及其分析系统。
背景技术
在传统的作物育种、制种及生产中，作物的生长状况监测需要耗费大量的人力物力，需要相关人员到种植区进行现场观察和测量，但是对于现场观察，由于现场环境或作物遮挡等原因很难观察到农田内部作物的生长状况，而且存在主观测量误差大、操作繁琐、记录困难等问题。尤其是在作物种植和生长过程中，垄数、株高、倒伏率、叶色和植被覆盖度等信息对作物生长状况影像甚大，如不进行准确的监测可能会造成巨大的损失。
随着无人机技术的发展，无人机被应用在农业遥感领域，可实现对农田作物的低空监测，相对于卫星遥感、航天遥感等传统的遥感技术，无人机遥感拥有时效高、数据小、精度高等优点。然而现有的无人机遥感技术应用在农业上大多都只是停留在拍照监测阶段，未能实现将监测信息通过科学的手段转化为可视化数据进行系统分析。
发明内容
针对上述缺陷，本发明的目的在于提供一种基于无人机平台的作物生长分析方法及其分析系统，可计算作物种植和生长过程中的垄数、株高、叶色、倒伏率以及植被覆盖度等数据，实现对作物生长状况的实时监测，并对监测数据进行统一的分析与管理。
本发明基于无人机平台的作物生长分析方法，其中，包括如下步骤：
步骤S1：无人机采集影像数据；
步骤S2：数据拼接后获取正射影像，进行空三加密，获得DSM模型；
步骤S3：根据种植规划对各个种植小区进行矢量化分割；
步骤S4：提取每个矢量图斑区域内影像数据和每个象元的光谱信息；
步骤S5：根据光谱信息计算作物垄数、株高、倒伏率、叶色、植被覆盖度参数。
本发明基于无人机平台的作物生长分析方法，其中所述步骤S1中采用无人机平台搭载可见光相机按照特定的轨迹飞行，定点拍照，获取到种植区的RGB影像。
本发明基于无人机平台的作物生长分析方法，其中所述步骤S5中计算作物垄数包括如下步骤：
步骤S11：对正射影像进行二值化处理，将植被与裸地区分开；
步骤S12：对生成的二值图像进行填充处理，消除植被与裸地中的椒盐效应；
步骤S13：采用Sobel算子进行边缘检测；
步骤S14：使用Hough变换算法提取边缘检测图像中的直线，并计数输出作物垄数。
本发明基于无人机平台的作物生长分析方法，其中所述步骤S5中计算作物株高包括如下步骤：
步骤S21：用作物某一生育期的DSM模型与裸地时期DSM模型进行相减，得到种植区内每个象元的高程差；
步骤S22：将所得到的高程差赋值到根据种植规划所绘制的矢量图中，计算得到每个小区内的作物株高的最大值、最小值和平均值。
本发明基于无人机平台的作物生长分析方法，其中所述步骤S5中计算作物倒伏率包括如下步骤：
步骤S31：在正射影像中选取正常作物的ROI和倒伏作物的ROI；
步骤S32：利用随机森林法对选取的正常植株ROI和倒伏植株ROI进行统计分析；
步骤S33：对分类结果进行作物的分布和面积统计，并根据种植区总面积进行计算得到作物倒伏率。
本发明基于无人机平台的作物生长分析方法，其中所述步骤S5中计算作物叶色包括如下步骤：
步骤S41：在正射影像中选取不同颜色植被冠层的ROI；
步骤S42：使用最大似然监督分类法；
步骤S43：识别出冠层不同颜色的区域。
本发明基于无人机平台的作物生长分析方法，其中所述步骤S5中计算植被覆盖度包括如下步骤：
步骤S51：对正射影像图求取其超绿特征，区分植被和土壤；
步骤S52：分别统计植被的像素数量和土壤的像素数量，计算植被像素占总像素的比值，计算出植被覆盖度。
本发明基于无人机平台的作物生长分析系统，其中，包括数据采集模块、数据预处理模块、参数提取模块和客户端展示模块，数据采集模块的数据信号输出端与数据预处理模块的数据接收端连接，数据预处理模块的数据输出端与参数提取模块的参数提取端连接，参数提取模块的参数输出端与客户端展示模块的参数接收端连接，图像预处理模块又包括数据拼接单元和小区矢量化单元，参数提取模块又包括垄数计算单元、株高提取单元、倒伏率提取单元、叶色提取单元和植被覆盖度提取单元。
本发明基于无人机平台的作物生长分析系统，其中所述数据采集模块为搭载可见光相机的无人机平台。
本发明基于无人机平台的作物生长分析方法及其分析系统与现有技术不同之处在于：本发明可以标准化、快速化获取大面积区域的农作物表型信息，为种植大户、农场主等提供一种新型选择，对作物生长状态信息和管理决策提供支持。取代人工调查的传统方法，具有准确度高、效率高和成本低得优点。
下面结合附图对本发明基于无人机平台的作物生长分析方法及其分析系统作进一步说明。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明基于无人机平台的作物生长分析方法的步骤流程图；
图2为本发明基于无人机平台的作物生长分析方法的步骤S5中计算作物垄数的具体步骤流程图；
图3为本发明基于无人机平台的作物生长分析方法的步骤S5中计算作物株高的具体步骤流程图；
图4为本发明基于无人机平台的作物生长分析方法的步骤S5中计算作物倒伏率的具体步骤流程图；
图5为本发明基于无人机平台的作物生长分析方法的步骤S5中提取作物叶色的具体步骤流程图；
图6为本发明基于无人机平台的作物生长分析方法的步骤S5中计算植被覆盖度的步骤流程图；
图7为本发明基于无人机平台的作物生长分析系统的结构示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，为本发明基于无人机平台的作物生长分析方法的步骤流程图，具体包括如下步骤：
步骤S1：无人机采集影像数据。为了获取作物种植区影像，采用无人机平台搭载可见光相机按照特定的轨迹飞行，定点拍照，获取到种植区的RGB影像；
步骤S2：数据拼接后获取正射影像，进行空三加密，获得DSM模型(基于数字表面模型，DigitalSurfaceModel)。为了得到种植区完整的影像和DSM模型，对无人机采集到的图像通过GPS信息和特征点信息进行拼接，得到种植区的正摄影像，再对影像进行空三加密，得到种植区的DSM模型；
步骤S3：根据种植规划对各个种植小区进行矢量化分割。在获取到种植区的正摄影像后，通过种植区的种植规划按照种植小区边界对种植小区进行矢量化分割，并在矢量化图斑属性中对每个图斑赋予相应的编号属性，使使每个矢量图斑与每个种植小区实现一一对应；
步骤S4：提取每个矢量图斑区域内影像数据和每个象元的光谱信息；
步骤S5：根据光谱信息计算作物垄数、株高、倒伏率、叶色、植被覆盖度等参数。
如图2所示，为本发明基于无人机平台的作物生长分析方法的步骤S5中计算作物垄数的具体步骤流程图，计算作物垄数的具体步骤包括：
步骤S11：对正射影像进行二值化处理，将植被与裸地区分开；
步骤S12：对生成的二值图像进行填充处理，消除植被与裸地中的椒盐效应；
步骤S13：采用Sobel算子进行边缘检测；
步骤S14：使用Hough变换算法提取边缘检测图像中的直线，并计数输出作物垄数。
如图3所示，为本发明基于无人机平台的作物生长分析方法的步骤S5中计算作物株高的具体步骤流程图，计算作物株高的具体步骤包括：
步骤S21：用作物某一生育期的DSM模型与裸地时期DSM模型进行相减，得到种植区内每个象元的高程差；
步骤S22：将所得到的高程差赋值到根据种植规划所绘制的矢量图中，计算得到每个小区内的作物株高的最大值、最小值和平均值。
如图4所示，为本发明基于无人机平台的作物生长分析方法的步骤S5中计算作物倒伏率的具体步骤流程图，计算作物倒伏率的具体步骤包括：
步骤S31：在正射影像中选取正常作物的ROI(感兴趣区域)和倒伏作物的ROI；
步骤S32：利用随机森林法(RandomForest)对选取的正常玉米ROI和倒伏玉米ROI进行统计分析；
步骤S33：对分类结果进行作物的分布和面积统计，并根据种植区总面积进行计算得到作物倒伏率。
如图5所示，为本发明基于无人机平台的作物生长分析方法的步骤S5中提取作物叶色的具体步骤流程图，提取作物叶色的具体步骤包括：
步骤S41：在正射影像中选取不同冠层颜色的玉米ROI；
步骤S42：使用最大似然监督分类法，通过选取不同颜色的ROI作为训练样本，进行监督分类；
步骤S43：识别出冠层不同颜色的区域。
如图6所示，为本发明基于无人机平台的作物生长分析方法的步骤S5中计算植物覆盖度的步骤流程图，计算植被覆盖度的具体步骤包括：
步骤S51：对正射影像图求取其超绿特征(2G-R-B)，区分植被和土壤；
步骤S52：分别统计植被的像素数量和土壤的像素数量，计算植被像素占总像素的比值，从而计算出植被覆盖度。
如图7所示，为本发明基于无人机平台的作物生长分析系统的结构示意图，基于无人机平台的作物生长分析系统包括数据采集模块71、数据预处理模块72、参数提取模块73和客户端展示模块74。数据采集模块71的数据信号输出端与数据预处理模块72的数据接收端连接，数据预处理模块72的数据输出端与参数提取模块73的参数提取端连接，参数提取模块73的参数输出端与客户端展示模块74的参数接收端连接。数据采集模块71为搭载可见光相机的无人机平台，用于采集作物种植区的RGB图像。图像预处理模块72又包括数据拼接单元721和小区矢量化单元722，数据拼接单元721对RGB图像根据GPS信息和特征点信息进行拼接并进行空三加密，得到完整的种植区的正射影像图和DSM模型；小区矢量化单元722对正射影像通过种植区的种植规划按照种植小区边界对种植小区进行矢量化分割得到种植规划的矢量图斑。参数提取模块73又包括垄数计算单元731、株高提取单元732、倒伏率提取单元733、叶色提取单元734和植被覆盖度提取单元735，参数提取模块73根据正射影像的光谱信息进行计算，得到作物的垄数、株高、倒伏率、叶色和植被覆盖度信息。客户端展示模块74用于将参数提取单元73提取到的作物的各项参数以图形和表格的形式向用户进行展示。
本发明基于无人机平台的作物生长分析方法及其分析系统，可以标准化、快速化获取大面积区域的农作物表型信息，为种植大户、农场主等提供一种新型选择，对作物生长状态信息和管理决策提供支持，从而取代人工调查的传统方法。本发明具准确度高、效率高、成本低，与现有技术相比具有明显的优点。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (4)

1.一种基于无人机平台的作物生长分析方法，其特征在于：包括如下步骤：
步骤S1：无人机采集影像数据；
步骤S2：数据拼接后获取正射影像，进行空三加密，获得DSM模型；
步骤S3：根据种植规划对各个种植小区进行矢量化分割；
步骤S4：提取每个矢量图斑区域内影像数据和每个象元的光谱信息；
步骤S5：根据光谱信息计算作物垄数、株高、倒伏率、叶色、植被覆盖度参数；
所述步骤S5中计算作物垄数包括如下步骤：
步骤S11：对正射影像进行二值化处理，将植被与裸地区分开；
步骤S12：对生成的二值图像进行填充处理，消除植被与裸地中的椒盐效应；
步骤S13：采用Sobel算子进行边缘检测；
步骤S14：使用Hough变换算法提取边缘检测图像中的直线，并计数输出作物垄数；
所述步骤S5中计算作物株高包括如下步骤：
步骤S21：用作物某一生育期的DSM模型与裸地时期DSM模型进行相减，得到种植区内每个象元的高程差；
步骤S22：将所得到的高程差赋值到根据种植规划所绘制的矢量图中，计算得到每个小区内的作物株高的最大值、最小值和平均值；
计算作物倒伏率包括如下步骤：
步骤S31：在正射影像中选取正常作物的ROI和倒伏作物的ROI；
步骤S32：利用随机森林法对选取的正常植株ROI和倒伏植株ROI进行统计分析；
步骤S33：对分类结果进行作物的分布和面积统计，并根据种植区总面积进行计算得到作物倒伏率；
计算作物叶色包括如下步骤：
步骤S41：在正射影像中选取不同颜色植被冠层的ROI；
步骤S42：使用最大似然监督分类法；
步骤S43：识别出冠层不同颜色的区域；
计算植被覆盖度包括如下步骤：
步骤S51：对正射影像图求取其超绿特征，区分植被和土壤；
步骤S52：分别统计植被的像素数量和土壤的像素数量，计算植被像素占总像素的比值，计算出植被覆盖度。
2.根据权利要求1所述的基于无人机平台的作物生长分析方法，其特征在于：所述步骤S1中采用无人机平台搭载可见光相机按照特定的轨迹飞行，定点拍照，获取到种植区的RGB影像。
3.采用根据权利要求1中的方法进行基于无人机平台的作物生长分析系统，其特征在于：包括数据采集模块、数据预处理模块、参数提取模块和客户端展示模块，数据采集模块的数据信号输出端与数据预处理模块的数据接收端连接，数据预处理模块的数据输出端与参数提取模块的参数提取端连接，参数提取模块的参数输出端与客户端展示模块的参数接收端连接，图像预处理模块又包括数据拼接单元和小区矢量化单元，参数提取模块又包括垄数计算单元、株高提取单元、倒伏率提取单元、叶色提取单元和植被覆盖度提取单元。
4.根据权利要求3所述的基于无人机平台的作物生长分析系统，其特征在于：所述数据采集模块为搭载可见光相机的无人机平台。
CN201710203928.3A 2017-03-30 2017-03-30 基于无人机平台的作物生长分析方法及其分析系统 Active CN106971167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710203928.3A CN106971167B (zh) 2017-03-30 2017-03-30 基于无人机平台的作物生长分析方法及其分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710203928.3A CN106971167B (zh) 2017-03-30 2017-03-30 基于无人机平台的作物生长分析方法及其分析系统

Publications (2)

Publication Number Publication Date
CN106971167A CN106971167A (zh) 2017-07-21
CN106971167B true CN106971167B (zh) 2020-10-27

Family

ID=59335435

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710203928.3A Active CN106971167B (zh) 2017-03-30 2017-03-30 基于无人机平台的作物生长分析方法及其分析系统

Country Status (1)

Country Link
CN (1) CN106971167B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108444838B (zh) * 2018-03-21 2020-07-24 大连理工大学 一种树木抗倒伏评价预警方法
CN108537164B (zh) * 2018-04-08 2020-08-28 北京农业智能装备技术研究中心 基于无人机遥感的点穴播种出芽率监测方法与装置
CN109033937B (zh) * 2018-06-01 2021-11-05 武汉禾大科技有限公司 通过无人机影像进行植物数量统计方法及系统
CN109063740A (zh) * 2018-07-05 2018-12-21 高镜尧 超声影像关键目标的检测模型构建及检测方法、装置
CN108920673B (zh) * 2018-07-09 2023-11-17 北京兴农丰华科技有限公司 一种针对玉米和小麦品种的推荐分析方法
CN109886094A (zh) * 2019-01-08 2019-06-14 中国农业大学 一种作物苗情苗势采集分析方法和装置
CN109902571A (zh) * 2019-01-23 2019-06-18 中交信息技术国家工程实验室有限公司 一种基于无人机的公路绿化工程养护方法和系统
CN111723599A (zh) * 2019-03-18 2020-09-29 华东师范大学 基于无人机影像植株定位信息自动提取的系统及方法
TWI709111B (zh) * 2019-06-24 2020-11-01 國立中興大學 快速農作物定位方法
CN112418075B (zh) * 2020-11-20 2024-01-26 北京艾尔思时代科技有限公司 一种基于冠层高度模型的玉米倒伏区域检测方法及系统
CN112418188B (zh) * 2020-12-17 2024-07-23 成都亚讯星科科技股份有限公司 基于无人机视觉的农作物生长全程数字化评估方法
WO2022173383A1 (en) * 2021-02-11 2022-08-18 Saengprachatanarug Khwantri Method for determining height of crop covered soil surface from sea level through use of aerial photographs
CN114140691B (zh) * 2021-11-25 2024-04-23 华中农业大学 基于无人机可见光图像预测作物倒伏角度和形态的方法
CN114494888B (zh) * 2022-02-18 2022-08-19 中国科学院地理科学与资源研究所 一种无人机影像中机播小麦苗期断垄自动监测方法
CN114549960A (zh) * 2022-02-28 2022-05-27 长光禹辰信息技术与装备(青岛)有限公司 一种条垄作物断垄点识别方法及相关装置
CN117253163A (zh) * 2023-11-14 2023-12-19 山东科技大学 一种基于无人机激光雷达的田间花生株高估算方法
CN117789067B (zh) * 2024-02-27 2024-05-10 山东字节信息科技有限公司 一种基于机器学习的无人机农作物监测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150294155A1 (en) * 2014-04-15 2015-10-15 Open Range Consulting System and method for assessing rangeland
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150294155A1 (en) * 2014-04-15 2015-10-15 Open Range Consulting System and method for assessing rangeland
CN106355143A (zh) * 2016-08-25 2017-01-25 中国农业大学 多源多时相高分遥感影像的制种玉米田识别方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于无人机搭载数码相机的小麦育种表型信息解析;陆国政等;《中国种业》;20160809(第08期);第60-63页 *
高分遥感影像与矢量数据结合的变化检测方法;赵珍珍等;《测绘科学》;20150630;第40卷(第06期);第120-123页 *

Also Published As

Publication number Publication date
CN106971167A (zh) 2017-07-21

Similar Documents

Publication Publication Date Title
CN106971167B (zh) 基于无人机平台的作物生长分析方法及其分析系统
Ampatzidis et al. Agroview: Cloud-based application to process, analyze and visualize UAV-collected data for precision agriculture applications utilizing artificial intelligence
US20230292647A1 (en) System and Method for Crop Monitoring
BR112020026356A2 (pt) Sistemas, dispositivos e métodos para diagnóstico em campo de estágio de crescimento e estimativa de rendimento de cultura em uma área de plantas
CN109508633B (zh) 一种基于光学遥感数据的甘蔗分布识别方法
CN113505635A (zh) 基于光学和雷达的冬小麦与大蒜混种区识别方法及装置
Xu et al. Classification method of cultivated land based on UAV visible light remote sensing
Liu et al. Estimating maize seedling number with UAV RGB images and advanced image processing methods
Xue et al. Assessment of canopy vigor information from kiwifruit plants based on a digital surface model from unmanned aerial vehicle imagery
CN109813286A (zh) 一种基于无人机的倒伏灾害遥感定损方法
CN111199192A (zh) 一种采用平行线取样的田间红提葡萄整体成熟度检测方法
Ouyang et al. Assessment of canopy size using UAV-based point cloud analysis to detect the severity and spatial distribution of canopy decline
Lyu et al. Development of phenotyping system using low altitude UAV imagery and deep learning
CN116912702B (zh) 杂草覆盖度确定方法、系统、装置及电子设备
CN116052141B (zh) 作物生育期的识别方法、装置、设备及介质
CN115019205B (zh) 一种基于无人机多光谱影像的油菜花期spad和lai估测方法
de Ocampo et al. Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing.
Pasichnyk et al. Spectral-spatial analysis of data of images of plantings for identification of stresses of technological character
Yang et al. Feature extraction of cotton plant height based on DSM difference method
CN111860038B (zh) 一种农作物前端识别装置及方法
Bonaria Grapevine yield estimation using image analysis for the variety Arinto
Yuan et al. Rapidly count crop seedling emergence based on waveform Method (WM) using drone imagery at the early stage
Rojo et al. Estimating photosynthetically active radiation intercepted by almond and walnut trees using uav-captured aerial images and solar zenith angle
Giménez-Gallego et al. Image-based sensor for on-tree automatic color tracking in pomegranate orchards
CN116823918B (zh) 作物苗株数测量方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant