CN107148633B - 用于使用无人机系统进行农艺和农业监测的方法 - Google Patents

用于使用无人机系统进行农艺和农业监测的方法 Download PDF

Info

Publication number
CN107148633B
CN107148633B CN201580044988.4A CN201580044988A CN107148633B CN 107148633 B CN107148633 B CN 107148633B CN 201580044988 A CN201580044988 A CN 201580044988A CN 107148633 B CN107148633 B CN 107148633B
Authority
CN
China
Prior art keywords
images
uav
different images
additional different
area
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
CN201580044988.4A
Other languages
English (en)
Other versions
CN107148633A (zh
Inventor
道格·尚德
贾斯廷·L·科赫
特洛伊·L·普拉特纳
菲尔·鲍尔
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.)
Clemet Co ltd
Original Assignee
Climate Corp
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 Climate Corp filed Critical Climate Corp
Publication of CN107148633A publication Critical patent/CN107148633A/zh
Application granted granted Critical
Publication of CN107148633B publication Critical patent/CN107148633B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0094—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots involving pointing a payload, e.g. camera, weapon, sensor, towards a fixed or moving target
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • G05D1/106—Change initiated in response to external conditions, e.g. avoidance of elevated terrain or of no-fly zones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/60—Editing figures and text; Combining figures or text
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U20/00—Constructional aspects of UAVs
    • B64U20/80—Arrangement of on-board electronics, e.g. avionics systems or wiring
    • B64U20/87—Mounting of imaging devices, e.g. mounting of gimbals
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/40—UAVs specially adapted for particular uses or applications for agriculture or forestry operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Automation & Control Theory (AREA)
  • Environmental Sciences (AREA)
  • Soil Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Image Processing (AREA)
  • Geometry (AREA)
  • Guiding Agricultural Machines (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)

Abstract

一种用于农艺和农业监测的方法包括指定用于成像的区域；确定在所指定的区域上方的飞行路径，沿飞行路径操作无人驾驶飞行器(UAV)；使用附着于所述UAV的照相机系统获取所述区域的图像并处理所获取的图像。

Description

用于使用无人机系统进行农艺和农业监测的方法
权益要求
本申请要求2014年8月22日递交的临时申请62/040,859和2014年9月5日递交的临时申请62/046,438的35 U.S.C§119(e)下的权益，这些临时申请的全部内容通过引用合并于此，就像全部在本文中给出一样。
技术领域
本公开总地涉及农艺和农业监测，并且更具体地涉及用于使用无人机系统或无人机进行农艺和农业监测的方法。
背景技术
无人驾驶飞行器(UAV)(有时被称为无人机)是可以携带传感器、通信设备、照相机或其它载荷的远程驾驶或自驾驶的飞机。UAV已经用于军事侦察和情报收集，以及用于捕获民用的地形图像。虽然UAV也已经用于农业监测，但是这样的系统不能完全令人满意。需要针对农业用途的改进的UAV。
该背景技术部分意在向读者介绍可能与下面所描述和要求保护的本公开的各个方面相关的各个技术方面。相信这种讨论有助于为读者提供背景信息以辅助实现对本公开的各个方面的更好的理解。相应地，应当理解这些阐述应从这个角度来阅读，而不是对现有技术的认定。
发明内容
一个方面是一种用于农艺和农业监测的方法。该方法包括指定用于成像的区域；确定指定区域上方的飞行路径；操作沿飞行路径的无人驾驶飞行器(UAV)；使用附着于UAV的照相机系统获取区域的图像并且处理所获取的图像。
另一方面是一种用于农艺和农业监测的系统。该系统包括配置为指定用于成像的区域并且确定指定区域上方的飞行路径的计算设备。该系统还包括可通信地耦接到计算设备并且具有照相机系统的无人驾驶飞行器，该无人驾驶飞行器配置为沿飞行路径行进，使用照相机系统获取区域的图像并且处理所获取的图像。
存在与上述方面相关的所给出的特征的各种细化方式。上述方面也可以合并更多的特征。这些细化方式和附加的特征可以单独地或者按任意组合方式存在。例如，以下所讨论的与任意所图示的实施例相关的各种特征可以单独地或者按任意组合方式合并到任意上述方面中。
附图说明
图1是用于农艺和农业监测的系统的框图。
图2是可以结合图1中所示的系统使用的用于操作进行农艺和农业监测的无人机的方法的流程图。
图3是图2中所示的方法的任务计划阶段的流程图。
图4是图2中所示的方法的飞行执行阶段的流程图。
图5是图2中所示的方法的飞行后数据传送/处理阶段的流程图。
图6、图7、图8、图9、图10、图11是可以由图1中所示的系统创建的地图的示例。
对应标号指示贯穿附图中的多个视图的对应部件。
具体实施方式
首先参考图1，本公开的无人机系统的示例一般由100指示。无人机系统100包括多个组件，包括无人机(UAV)110、云120、(例如使用平板计算设备实现的)图形用户接口(GUI)130、基站140、个人计算机150和用户输入设备(UID)160。系统100的组件将在下面更详细地描述。
在该实施例中，系统100的组件经由一个或多个通信介质(例如直接电缆连接、云计算网络、互联网、局域网(LAN)、无线局域网(WLAN)(例如802.11ac标准)或广域网(WAN))彼此可通信地耦接。相应地，系统100的组件可以包括无线发送器和接收器(例如118、135、143、151、165)和/或蜂窝传送模块(例如113、131、142、162)以辅助实现组件之间的无线通信。此外，组件(110、120、130、140、150和160)中的一个或多个中可以包括全球定位系统(GPS)(例如111、133、145、153和161)，用于确定关联组件的位置、标准化组件之间的GPS数据并且实现用于位置确定的三角计算。
在该实施例中，无人机110是可能有盘旋能力的(例如直升机或旋翼机)或者可能是固定机翼的远程驾驶或自驾驶的飞机。U.S.专利申请公开No.2013/0176423中描述了盘旋类型的“四螺旋桨直升机”UAV的示例，该美国专利申请公开全部通过引用合并于此。在本文中所描述的系统和方法中，UAV 110通过测绘和监测农业状态和演变来辅助农业和耕种操作。
在该实施例中，无人机(UAV)110包括使用例如绕地球轨道运行的GPS卫星来提供UAV 110的位置的合适的全球定位系统(GPS)111。位置和时间数据可以被提供给用户(例如操作人员)或者自动控制无人机的计算机。高度传感器(例如声呐装置)可以作为GPS系统111的一部分，用于确定UAV 110在飞行期间的高度。UAV 110还包括一个或多个安装的惯性测量单元(IMU)112，这些惯性测量单元使用安装的加速度计、陀螺仪和/或磁力计的组合来测量和报告UAV 110的速度、方向和重力。与GPS 111和IMU 112合作，UAV 110上的自动驾驶功能115控制起飞、飞行中的导航以及着陆操作。为了返航操作期间的通信，UAV 110具有包括无线电发送器和接收器(例如900MHz或1.2GHz)的无人机-基站通信系统116，以在飞行中与起点(例如基站140)通信。
在该示例实施例中，UAV 110还包括安装在其下侧用于在夜间获取图像的照相机系统117。照相机系统117可以使用允许沿多个轴旋转的一组万向节通过重力悬挂在UAV110上。万向节可以包括减慢对夜间UAV 110的方向变化的反应的阻尼器。或者，照相机系统117可以直接安装在UAV 110上并且通过执行器的移动来控制。照相机系统117可以包括用于捕获归一化差异植被指数(NDVI)图像的静止照片照相机、视频照相机、热成像照相机和/或近红外(NIR)照相机。或者，照相机系统117可以包括允许系统100按照本文中所描述的方式工作的任何图像获取设备。
照相机系统117和照相机系统117的定位由机载中央处理单元(CPU)和存储器存储单元114控制。中央处理单元(CPU)可以包括微处理器。CPU和存储器存储单元114辅助实现机载CPU的算术、逻辑和输入/输出操作。CPU和存储器存储单元114还可以辅助和/或控制UAV 110的其它方面，如本文中所讨论的。例如，在一些实施例中，CPU和存储器存储单元114在飞行中的操作期间接收来自IMU 112的信息以辅助照相机系统117的定向和/或检测照相状况(例如光、速度、角度等)是否足以捕获有用且可视的图像。UAV 110还可以包括耦接到CPU和存储器存储单元114的一个或多个传感器(例如入射光传感器)，用于监测周围状况。
在示例实施例中，基站140包括包括无线电发送器和接收器(例如900MHz或1.2GHz)的无人机-基站通信系统141，以辅助实现在飞行中与UAV 110的通信。基站140还包括与以上关于UAV 110所讨论的那些组件类似的GPS系统145以及CPU和存储器存储单元144。
在该实施例中，个人计算机(PC)150是诸如膝上型计算机或台式机之类的计算设备。PC 150包括CPU和存储器存储单元153，并且还包括其上所安装的空间农业数据处理和测绘软件(例如Farm Works
Figure BDA0001229497940000041
或SST Summit
Figure BDA0001229497940000042
)。在一个实施例中，PC 150可以用作针对系统100的用户接口。
系统100还包括用作便携式用户接口的图形用户接口(GUI)130。GUI 130可以使用允许用户或操作者控制系统100的平板计算机或其它便携式计算设备来实现。具体而言，GUI 130可以允许用户指定UAV 110的飞行路径和/或标识出可能以其它方式阻挡UAV 110的飞行路径的空中障碍物。在该实施例中，GUI 130包括应用(“app”)或查看软件136，允许用户远程访问根据UAV 110所拍摄的图像创建的包括关于收获、产量和/或氮含量的数据的空间地图。例如，GUI 130可以包括与国际专利申请公开No.WO 2014/026183中所描述的类似的软件，该国际专利申请公开全部通过引用合并于此。相应地，GUI 130包括CPU和存储器存储单元132，并且与系统100的其它组件通信。
系统100还包括允许用户或操作者控制系统100的用户接口设备(UID)160(例如操纵杆或键盘)。具体而言，UID 160可以允许用户指定UAV 110的飞行路径和/或标识出可能以其它方式阻挡UAV 110的飞行路径的空中障碍物。在该实施例中，UID 160包括允许用户远程查看来自照相机系统117的图像的显示器164。相应地，UID 160包括CPU和存储器存储单元163，并且与系统100的其它组件通信。在一个实施例中，UID 160可以允许用户或操作者在GUI 130上的触摸屏显示器134上查看来自照相机系统117的图像的同时控制UAV 110。
在该实施例中，云120是用于无人机系统100的数据存储、图像处理和计算中心。更具体地，云120是通过通信网络连接以允许分布式计算的一组互连的计算机和服务器。例如，云120可以是远程数据存储中心。安装在UAV 110上的电池模块113允许图片在UAV 110飞行中被上载到云120。云120可以接收并存储包括空气温度和降雨量在内的当前和预测天气信息。云120还可以与基于使用UAV 110所获取的图像数据提供分析和/或推荐的一个或多个分析和推荐服务通信。
在一个实施例中，UAV 110将照相机系统117在飞行期间所拍摄的图像发送给其它组件(例如130、140、150、160)以进行存储和/或处理。从UAV 110上载到云120的图像和元数据可以被正射校正和缝合在一起以创建单个连续图像。将倾斜的图像正射校正为单一视图的示例例如在美国专利No.8,512,266中有过描述，该美国专利全部通过引用合并于此。
参考图2，操作无人机系统(例如系统100)的方法的示例总地用200指示。在该实施例中，方法200包括三个阶段：任务计划阶段201、飞行执行阶段202和飞行后数据传送/处理阶段203。方法200的三个阶段将在下面进行更详细地描述。
参考图3，方法200的任务计划阶段的示例总地用300指示。方法200的任务计划阶段300包括由用户和系统100执行的一系列动作。在图3中，由用户执行的动作在圆圈中给出，由系统100执行的动作在方框中给出。
在示例方法200中，系统100激活之后，用户首先指示用于测绘的飞行区域301。在一个实施例中，用户使用来自Google
Figure BDA0001229497940000061
或其它GPS软件的地图数据在GUI 130或UID160上勾勒出要由UAV 110覆盖的飞行区域。
在一个实施例中，系统100分析用户的飞行区域301输入，计算可能的飞行路径以生成飞行区域的连续图像，并为用户提供可能的UAV飞行路径302。系统100还可以基于先前的飞行和/或用户输入标识出飞行路径中的可能障碍物(例如电话线杆和/或电线)，并且可以相应地调整飞行路径。在另一实施例中，系统100根据所希望的图像分辨率和飞行时长为用户提供在不同高度和速度下的多种可能的UAV飞行路径。例如，并且为了说明的目的，系统100可以在GUI 130或UID 160上为用户提供两个可选的UAV飞行路径，如下面的表1中所给出的：
表1
路径# 高度(ft) 分辨率 时长(分钟)
1 50 高 30
2 100 低 15
在示例方法200中，一旦被提供了可能的飞机路径，用户就可以选择所希望的飞行路径303。在一个实施例中，用户可以通过输入针对飞行路径的特定参数(即高度、图片分辨率、时长等)请求系统100提供额外的飞行路径选项。
在示例方法200中，一旦用户选择了所希望的飞行路径，系统100就可以为用户提供对照相机系统117要拍摄的可能图像类型的选择。在一个实施例中，用户具有从静止照片、热图像、近红外(NIR)图像和可见光、热和/或NIR成像的视频中进行选择305的选项。例如，GUI 130或UID 160可以为用户提供允许用户选择所希望的图像类型的列表304(例如通过显示选中框或其它选择机制)。基于用户所选择的图像类型，在一些实施例中，GUI 130或UID 160确定最优的高度并且/或者估计飞行时间。
在示例方法200中，系统100在GUI 130或UID 160上为用户提供飞行细节和事实306。在一个实施例中，系统100可以为用户提供UAV飞行的路线、高度和/或时长，以及按所选择的图像类型要拍摄的图像的预期分辨率。在另一实施例中，在生成飞行路径之前，系统100确定飞行障碍物(例如电话线杆或电线)先前是否在可应用的飞行区域中已标识过。在另一实施例中，用户使用来自Google
Figure BDA0001229497940000071
或另一图像提供商的卫星图像在GUI 130或UID 160上标识飞行障碍物307。具体地，在一个实施例中，GUI 130或UID 160允许用户在任意飞行障碍物周围画出边界并输入障碍物的近似高度以防止UAV进入有障碍的区域。使用来自用户的输入，系统100重新计算飞行路径以避免障碍物。
参考图4，方法200的飞行执行阶段的示例总地由400指示。方法200的飞行执行阶段400包括由用户和系统100执行的一系列动作。在图4中，由用户执行的动作在圆圈中给出，由系统100执行的动作在方框中给出。
在示例方法200中，飞行执行阶段400发生在任务计划阶段201之后。在一个实施例中，用户指示系统100使用GUI 130或UID 160开始飞行执行阶段400。在另一实施例中，飞行执行阶段400在识别到UAV飞行路径中可能存在的障碍物之后自动开始。
在示例方法200中，飞行执行阶段400开始于系统100将飞行时长和高度与UAV 110的电池寿命进行对比401。当电池电量水平不足时，系统100向用户提供需要充电的指示(例如在GUI 130或UID 160上)。除了电源检查以外，系统100还执行对系统组件(尤其是UAV110)的操作测试。在一个实施例中，系统100执行操作测试402以确认照相机系统117上的必要照相机已安装且可以工作，天气状况对于UAV飞行而言是安全的，UAV 110周围的区域对于起飞而言是干净且安全的，以及UAV 110的GPS坐标是正确的。
在示例方法200中，在系统100确认UAV 110能够并且准备好进行操作之后，用户经由GUI 130或UID 160被系统100提示开始飞行403。在一个实施例中，用户按动GUI 130或UID 160上的“开始飞行”或“起飞”按钮。一旦启动飞行，系统100开始UAV飞行并且连续监测UAV系统404。在一个实施例中，UAV 110执行一个或多个测试策略。例如，UAV 110可以从基站140垂直起飞并且执行简单策略(例如前后、左右、上下移动等)以检查操作和操纵能力。在飞行期间的任意时刻出现UAV或系统故障的情况下，系统100和用户能够提前结束飞行405。在这样的情况下，所选择的飞行路径被终止，并且UAV 110返回基站140并且/或者在不损坏UAV 110的情况下尝试返回地面。
在示例方法200中，在UAV 110飞行期间，照相机系统117拍摄所选择的飞行区域的照片或视频并将图像存储在机载CPU和存储器存储单元114上。在一个实施例中，机载CPU和存储器存储单元114将图像正射校正为单一视图并且标识出具有低质量图像的区域。
在一些实施例中，UAV 110获取一组初始图像，然后在查看初始图像地图406之后返回到一个或多个目标区域以获取更高分辨率的附加图像。例如，照相机系统117可以获取所选择的飞行区域的NDVI图像、经由NDVI地图标识出具有低氮水平(或者其它问题)的区域，并且经由GUI 130向用户显示这些区域以允许用户指示UAV 110获取附加的、低高度的(例如地面以上10到50英尺之间)高分辨率(“侦察”)图片。在一个实施例中，在所种植的物种达到成熟长度之前(即个体作物不能与相邻作物区分开时)，所种植的物种(例如玉米、大豆等)的图像由照相机系统117从空中的视角进行捕获。
在另一实施例中，UAV 110在首次经过所选择的飞行区域之后飞行“返回并侦察”路线407，以拍摄NDVI图像中所显示的目标区域(例如具有低氮水平的区域)的额外的高分辨率图片。在另一实施例中，拍摄目标区域的额外的高分辨率图片以消除作物阴影。在这样的实施例中，为了减少处理时间，可以在UAV 110上执行图像处理和分析。
在示例方法200中，在UAV完成飞行路径之后，UAV着陆(例如在基站140处)以结束飞行408。
在示例方法200中，一旦飞行执行阶段400完成，飞行后数据传送/处理阶段203开始。或者，数据传送/处理可以在UAV 110仍然在空中时就可以进行，以使得数据传送/处理阶段203与飞行执行阶段400交叠。因而，对UAV 110所获得的图像的传送和处理可以在数据被捕获时实时地进行，或者在之后很快进行(例如在数据捕获之后的10分钟以内)。在一个实施例中，低质量图像在飞行期间不断地被发送给GUI 130或UID 160以使得用户始终知道飞行的状态。
传送UAV 110所获得的数据和图像可以经由系统100的组件之间的无线和/或蜂窝通信进行。传送通常被引导至其中将执行处理的组件。
处理数据和图像可以包括将航空图像正射校正和缝合成单个连续区域地图。注意，数据和图像的处理可以使用系统100的任何组件来执行。例如，处理可以在UAV 110上执行，并且处理后的图像随后可以被传送至基站140、GUI 130和/或UID 160。
在一个实施例中，所获取的图像被叠加(例如有50％的透明度)在Google
Figure BDA0001229497940000091
图块或航空地理图像上并显示给用户。或者，航空图像可以与Google
Figure BDA0001229497940000092
图块或航空地理图像一起处理和显示以使得它们按锁定的并排方向被显示，使得移动和/或缩放一个图像等量地移动/或缩放另一图像。与国际专利申请公开No.WO 2014/026183中所描述的技术类似，按并排方向排列的图像的中心点可以用图标(例如十字)指示。在另一实施例中，在生长季节期间的不同时间(例如每天、每周、每个月等)所拍摄的一系列航空图像被处理成按顺序逐步显示这些图像的动画。在一些实施例中，通过按设定的时间周期显示图像来自动播放动画；在其它实施例中，响应于图形接口上的用户输入(例如使用箭头图标或拖动标尺上的滑动图标来选择)显示下一个图像。动画可以叠加在在Google
Figure BDA0001229497940000093
图块或航空地理图像上。图像可以是例如NDVI图像、航空地图和/或出芽地图(emergence map)。
处理图像可以包括使用软件对图像进行滤波以滤除可能影响图像质量的污垢和阴影。滤波产生植物冠层与污垢之间的颜色对比，在未经滤波的图像中可能难以区分植物冠层和污垢。例如，在一个实施例中，图像处理去除航空照片中在阈值反射率或颜色值以下的任何内容。
在一个示例中，基于成像区域中的所种植物种和/或植物的发育阶段标识出预期的绿色密度。可以根据种植地图确定所种植物种，并且可以例如使用将生长程度天数与预期的发育阶段相关联的特异性杂交图来确定发育阶段。一旦标识出预期的绿色密度，就可以用绿色阴影来表示图像中在预期的绿色密度以上的所有内容，并且可以红色阴影来表示图像中在预期的绿色密度以下的所有内容。
系统100还可以使用图像数据来生成出芽地图，其中每个区域的植物数目被计算出，并且图像中没有植物或所预期的绿植的区域被标记为“空白”。空白是其中植物或绿植没有生长或者最初就没有种植的区域。在一个实施例中，系统100将空白数据与初始种植数据(例如种植地图)相关联以去除由于没有初始种植而出现的任何空白，只留下指示种子被种植但没有出芽的真正的空白。这个处理可以应用于NDVI图像数据或照相机系统117所获取的其它图像数据。
在一些实施例中，可以基于UAV 110所获取的图像自动做出空间应用决定。例如，NDVI地图的层级可以与种植后应用(例如侧施肥或作物喷药)相关联以基于NDVI地图生成应用地图。所生成的应用地图可以被显示给用户以允许用户拒绝、修改或接受应用地图。在一些实施例中，所生成的应用地图与指令一起被发送至服务提供商(例如雇员或第三方合同工)以应用该应用地图。
UAV 110所获取的数据也可以被用于做出一般的农艺推荐。例如，如果使用系统100所生成的NDVI地图具有阈值以下的氮水平，则系统100可以推荐通过侧施肥来施加氮以提高氮水平。例如，可以基于作物的发育阶段确定阈值。在另一示例中，如果植物健康地图指示健康植物的区域低于阈值，则系统100可以推荐通过侧施肥施加氮。在另一示例中，如果在发育中的关键时间之前出芽地图有低于阈值的出芽区域，则系统100可以推荐对该区域进行重新种植。
参考图5，方法200的数据传送/处理阶段203的示例总地用500指示。方法200的数据传送/处理阶段500包括由用户和系统100执行的一系列动作。在图5中，由用户执行的动作在圆圈中示出，由系统100执行的动作在方框中示出。
数据传送/处理阶段500总地包括以下八个阶段：获得来自飞行执行的NDVI图像的阶段501；将NDVI图像转换为地图的阶段502；滤除非作物类别的阶段503；标识出作物行的阶段504；划分各个植物的阶段505；标识出各个植物特征的阶段506；估计作物产量可能值的阶段507；以及生成报告的阶段508。
在示例方法200中，飞行后数据传送/处理阶段500开始于系统100获得来自飞行执行的NDVI图像501。同样，数据传送/处理可以在UAV 110仍然在空中时就可以进行，以使得数据传送/处理阶段500与飞行执行阶段400交叠。数据传送/处理阶段500可以在数据被UAV110捕获时实时地进行，或者在之后很快进行(例如在数据捕获之后的10分钟以内)。
在该示例中，从飞行执行获得的图像由系统100转换为地图502(例如位图、出芽地图等)。在一个实施例中，基于成像区域中的所种植物种和/或植物的发育阶段确定预期的绿色密度。一旦标识出预期的绿色密度，在所生成的地图中，每个图像中在预期的绿色密度以上的像素用白色表示，并且图像中在预期的绿色密度以下的像素用黑色表示。因此，利用近似地与图像中的每个植物的位置和区域相关的单一白色空间601创建地图。图6中给出了示例地图600。在图6中，(使用预期的绿色密度标识的)所种植的物种中的各个植物用白色空间601表示。周围特征602(例如周围土壤、杂草等)有轻微的阴影。直到下一步处理之前，地图可以包括包括多个植物的单一白色空间601(例如显示在地图600的右侧)和/或作为杂草或其它非作物类别的白色空间601(例如显示在地图600的左下侧)。
在示例方法中滤除非作物类别阶段503包括标识出所生成的地图中的“异常”。本文中所使用的“异常”指所生成的地图中的这样的区域，这些区域最初被系统100标识为白色空间601(例如基于绿色密度)，但实际上并不表示所种植物种中的所想要的植物。例如，杂草可能是所生成的地图中的异常。阶段503还包括从地图600中滤除这些异常。在该示例中，系统100通过计算每个白色空间601的尺寸(例如面积、直径等)标识出异常，然后异常被标识为尺寸与地图600中的白色空间601的典型(例如均值、中值、平均等)尺寸非常不同(例如相对于典型尺寸有2个标准差)的白色空间。示例异常在图7中总地显示为异常白色空间701。系统100通过用与周围特征602相同的颜色为异常施加阴影或者在方法500中不再考虑异常来滤除异常。图8示出了去除了异常白色空间701的示例地图600。在另一示例中，系统100将异常与初始种植数据(例如种植地图)进行比较，以去除出现在没有初始种植的区域中的任何异常。相应地，系统100通过适当地对异常施加阴影或者不再考虑这些异常来滤除异常。这个处理可以应用于NDVI图像数据或者照相机系统117所获取的其它图像数据。
示例方法中的标识出作物行的阶段504包括标记每个余下的空白空间601的质心801。图8示出了有一行802标记有质心801的白色空间601的示例地图600。图9示出了有两行(901和902)标记有质心801的白色空间601的另一示例地图600。系统100通过基于质心801的位置计算、近似并为多个行(例如802、901、902)分配最佳拟合线来标识出这些行。具体地，系统100使用行间隔距离805(例如可以是标准值(例如30英寸)或者用户输入的值)标识出经过白色空间601和/或质心801的并排行的近似位置。在其它实施例中，阶段504可以与阶段503交叠或者同时发生以辅助系统100标识异常。
示例方法中的划分各个植物的阶段包括标识出两个或更多个交叠白色空间601(即两个或更多个交叠植物)。图10示出了在圆圈1000内的一对交叠的白色空间601的示例。在示例方法中，为了标识出一对交叠的白色空间601，系统100首先对比(i)相邻质心之间的行内间隔(例如1001和1003)；和(ii)由(a)来自用户的标称值、(b)来自种植地图的种植间隔值或(c)行内植物之间的中值或平均间隔确定的行内间隔值(例如1002和1004)。在一对交叠的白色空间601(例如图10中的圆圈1000中所示的那些白色空间)的实例中，间隔1003和1004之间的差异1005明显大于间隔1001和1002之间的差异1006。在标识出一对交叠的白色空间601中作为单独的步骤或者作为同一步骤的一部分，系统100还可以计算并对比白色空间601的中值面积。相应地，系统100能够使用上述分析标识出这对交叠的白色空间601(例如在圆圈1000内)。一旦标识出一对交叠的白色空间601，例如如图11中所示，系统100通过重新分配两个质心801来划分各个植物以标记出与所删除的质心801的位置1100等距离的各个白色空间601的位置。
在该示例中，系统100还为每个白色空间601分配“信心值”(例如90％)，该信心值指示每个白色空间601与图像中的不同植物的位置和/或区域相关的统计概率或确定性。在一个示例中，当(i)一个白色空间601的质心801近似等于行内间隔值(例如1002和1004)；并且(ii)其面积近似等于地图600上的白色空间601的中值和/或平均面积时，该白色空间601的信心值比较高。相应地，系统100可以存储每个地图600上的每个白色空间601的信息值以供源于各种目的的参考，如下所述。
示例方法中的标识出各个植物特征的阶段506包括校正照相机系统117所捕获的图像以及分析各个植物(例如在白色间隔601内被标识出的那些植物)。在该示例中，系统100通过考虑图像数据点(例如拍摄每个图像时UAV 110的位置、高度和速度、照相机系统117的分辨率、照相机系统117所使用的的角度和变焦等等)和上述阶段504和505中所标识出的行内和并排行间隔测量结果来校正照相机系统117所捕获的航空图像。更具体地，系统100通过将已知的行内或并排行间隔测量结果(例如按英寸计)与已知的行内或并排行图像间隔测量结果(例如按像素计)进行比较为每个图像中的每个像素分配标尺。
在另一示例中，校正照相机系统117所捕获的图像可以包括UAV 110用于拍摄目标区域的额外的高分辨率图片的“返回并侦察”路线407。
在该示例中，系统100还通过检查照相机系统117从不同位置和高度捕获的每个植物的一个或多个图像来分析各个植物(例如白色间隔601内所标识出的那些植物)。与其中每个白色间隔601被标记质心801的阶段504类似，系统100确定每个植物的结构(例如叶子、茎、穗等)的位置并且标记每个结构的质心。在一个示例中，系统100使用与所种植的物种一致的结构的长宽比来确定植物结构的位置。此外，可以通过计算叶子边缘之间的中点来确定叶脊的位置。在该示例中，系统100还使用各个植物结构的质点确定该植物的更新的更精确的质点。在另一示例中，系统100可以使用沿长度或宽度拟合并通过多个植物结构(例如叶脊)的质点的线的交叉点来找到更新的植物质点。在另外一些实施例中，例如，系统100可以返回到之前的阶段来改进白色空间601标识和/或质心801置换。
在该示例中，系统100使用图像和植物结构位置来确定关于所种植的物种中的植物特性的数据。特别感兴趣的植物特性例如可以包括但不限于叶子长度(例如平均叶脊长度)、宽度、(例如整个植物的)面积和叶子数目(例如可以是所标识出的叶脊的数目)。同样，系统100可以使用图像数据点来针对植物特性的不清楚或倾斜的视图进行调整。相应地，系统100可以存储关于每个植物的植物特性的信息以供源于下述各种目的的参考。
示例方法中的估计作物产量可能值的阶段507包括使用系统100所收集和计算的信息来估计产量可能值。所收集的信息包括例如所种植的物种中的植物的数目、每个白色空间601的信心值和/或关于植物特性的信息。在该示例中，当针对特定植物的信心值低于第一阈值(例如95％)时，系统100可以不考虑植物特性。而且在该示例中，当信心值低于更低的第二阈值(例如80％)时，系统100可以不将特定植物算作所种植的物种。
在一个示例中，系统100可以使用以下等式1来估计植物或者所种植物种的产量可能值：
等式1：产量可能值＝Ax+By+Cz
其中，
x＝叶子数目
y＝叶子面积
z＝最大叶子长度或者两个最长叶子的长度均值
如果x＜阈值；则A＝0；如果x＞阈值；则A＞0
如果x＜阈值；则B＝0；如果x＞阈值；则B＞0
如果x＜阈值；则C＝0；如果x＞阈值；则C＞0
在一个示例中，系统100可以使用布尔方法计算穗可能值(ear potential)。例如，如果有任意两个变量(例如叶子数目、叶子面积、最大叶子长度)在与每个变量相关联的预定阈值以上，则穗可能值被设为1。否则，穗可能值被设为0。应认识到用于确定产量或穗可能值的阈值可以被选择为要求植物具有所指认的可能值的高信心值(例如99％)或者只要求相对较低的信心值(例如80％)。
在另一示例中，用于计算产量/穗可能值的植物特性(叶子数目、叶子面积、叶子长度等)与田地里的其它植物有关。例如，它们可以与相邻或附近的植物有关或者与图像和/或田地的均值/平均数目有关。例如，系统100可以基于相对植物特性使用以下等式2来估计植物或者所种植的物种的产量可能值：
等式2：产量可能值＝A(x-l)+B(y-m)+C(z-n)
其中，
x＝一个植物上的叶子数目
y＝一个植物上的叶子面积
z＝一个植物上的最大叶子长度或者两个最长叶子的长度均值
l＝同一图像或所种植物种内的植物上的叶子的平均数目
m＝同一图像或所种植物种内的植物上的平均叶子面积
n＝同一图像或所种植物种内的植物上的平均最大叶子长度或者两个最长叶子的长度均值
如果x＜阈值；则A＝0；如果x＞阈值；则A＝1
如果x＜阈值；则B＝0；如果x＞阈值；则B＝1
如果x＜阈值；则C＝0；如果x＞阈值；则C＝1
在等式1和2中，用于确定A、B和C的阈值可以是(i)来自用户的标称值；(ii)基于之前的所种植物种的预期值；(iii)根据各个植物的推算值；或者(iv)根据更大的所种植物种的内插值。
示例方法中生成报告的阶段508包括创建关于所种植物种的地图或数据报告。在该示例中，所生成的地图将种植地图与之后在所种植物种的发育过程中的另一地图进行比较。地图可以显示例如植物间隔的规律性、漏掉的种植、重复种植的植物等。此外，在该示例中，所生成的报告可以包括根据所种植物种的可能值或所产生的产量(例如穗、种子、茎等等的数目)。
在一些实施例中，可以基于从航空图像中收集的信息生成并向用户显示一个或多个测量结果和空间地图。
在一个实施例中，基于现存作物中的杂草相对量确定田地中的每个位置或区域的杂草压力值。杂草压力值优选地与在行播作物的行之间所标识出的绿色植物类别的量有关。例如，可以通过将田地中的区域A内按上述方式标识出的“异常”的区域除以区域A的总面积来确定区域A的杂草压力值。在一些这样的方法中，基于杂草的形状或尺寸标准将杂草与其它异常或者与作物区别开；例如，为了计算杂草压力值的目的，可以忽略总面积或宽度小于阈值的异常。然后，针对整个田地中的位置确定的杂草压力值可以作为田地或区域值被显示或者作为空间杂草压力图被呈现。
在另一实施例中，(按上述方式确定的)田地中所标识出的作物的叶子宽度作为田地平均值被报告或者作为田地中的平均叶子宽度的空间地图被呈现给用户。
在另一实施例中，针对田地中的每个植物或区域，确定所标识出的作物的估计出芽日期。可以基于每个标识出的作物的尺寸来估计该估计出芽日期；此外，在给定日期在田地的一部分中没有观察到作物的情况下，针对田地的该部分的出芽日期可以假设为在该给定日期以后。估计出芽日期的空间变化可以作为地图呈现给用户或者可以例如在确定推荐收获日期时用于改进对种植季过程中之后的植物湿度或植物成熟度的估计。应认识到为了做出整个田地的操作决定，应当使用最新的出芽日期；例如，针对田地所确定的最新出芽日期延迟一天可能导致推荐收获日期延迟一天。
在另一示例中，田地中所标识出的作物的估计植物活力作为田地平均值被报告或者作为田地中的植物活力的空间地图被呈现给用户。优选地通过计算植物特性(例如叶子宽度和叶子数目)的加权和或乘积确定每个或每组植物的植物活力值。例如，可以通过将平均叶子宽度与叶子数目相乘或者通过将平均叶子宽度与等于叶子数目的十倍的值相加来计算作物的植物活力值。也可以测量植物活力值相对于田地(或者包括多个田地的区域)的均值植物活力值的统计变化(例如标准差)，并且使用该统计变化来生成植物活力偏差的空间地图。
在另一实施例中，通过将被标识出的单个作物的多个部分的反射率(例如可见光谱、红外或NDVI值)与阈值或者与作物的平均反射率值进行比较来确定植物疾病标识。如果作物的一个或多个部分具有大于所选择的反射率阈值的反射率(并且优选地具有大于面积阈值的面积)，则优选地警告用户可能存在害虫并且可以为用户呈现作物的摄影图像。
因为可以用高分辨率图像来改进上述害虫和疾病标识方法，所以在一些实施例中，UAV返回到具有较差NDVI值的区域(用户所选择的区域或者具有低于阈值的NDVI值的区域)并且例如通过以下方式捕获高分辨率图像，所述方式即在所标识出的区域上方低海拔飞行(例如20英尺或更低)或在所标识出的区域上方盘旋(即停在固定的位置处)并且以比初始NDVIA图像捕获飞行期间更高的分辨率和/或更大的变焦水平拍摄图像。当获得低海拔照片(例如20英尺或更低)时，UAV 110优选地确定其到地面的距离以避免由于未知的高度变化而造成碰撞。在一些实施例中，可以通过以下操作确定到地面的距离：处理图像，确定作物行之间的像素数目并且基于已知的行之间的距离以及已知的图像收集设置(例如照相机视角和变焦水平)计算到地面的距离。
在一些实施例中，或者可以通过在相对于垂直方向的相当大角度(例如30到60度之间)上拍摄作物的图像以观察和对比各个植物的高度，来确定上述植物(例如秧苗阶段的植物)的产量可能值和/或穗可能值。优选地将比相邻植物矮阈值百分比的植物标识为具有较低的产量可能值的后出芽植物。
在一些实施例中，可以通过确定经过一个或多个叶子的叶脊的最佳拟合线(例如穿过沿叶茎分隔180度的两个相对的叶子的线)的植物方向(例如相对于北方)来确定所标识出的作物的方向。可以基于针对同一田地之后开发的产量地图来确定植物方向与产量性能的关联。可以部分基于每个植物的植物方向生成产量或穗可能值预测；例如，每亩的平均植物方向相对于北方的角度(即叶子相对于北方的角度偏移)减小5度，则产量可能值可能减少1蒲式耳。此外，通过基于植物方向确定叶茎的方向，可以改进根据航空图像或者由叶茎的一侧的陆基照相机(优选在相对于垂直方向的相当大的角度(例如45度)上)获得的叶茎直径测量结果。例如，可以在所希望的叶茎测量角度(例如与植物方向正交)上拍摄为了叶茎直径测量而拍摄的航空或陆基图像。在其它实施例中，叶茎直径测量结果可能按如下因子减小，所述因子与图像相对于叶茎的角度和所希望的叶茎测量角度之间的差异相关。叶茎直径测量结果可以用于修改所预测的产量或穗可能值；例如，所测得的叶茎直径每增加0.5cm，所预测的产量每亩增加1蒲式耳。
在本文中所描述的方法的一些实施例中，基于田地的第一部分的图像的测量可以推广到该田地的更大的部分，用于生成跨整个田地的测量结果的地图。在一些这样的实施例中，田地的更大部分可以包括田地的第一部分周围和/或相邻的区域。在其它实施例中，田地的更大部分可以包括管理区(例如该田地的具有共同的土壤类型、产量范围、种植混合类型或其它特性或者所应用的耕种实践的相邻或周围区域)。
当介绍本发明或其实施例的元件时，冠词“一个”、“该”和“所述”意欲表示存在一个或多个这样的元件。术语“包括”和“具有”意欲表示涵盖，并且表示可能存在所列出的元件以外的附加元件。对指示特定方向(例如“上面”、“下面”、“侧面”等)的数据的使用时为了描述的方便，并不要求物体按所描述的任何特定方向放置。
由于在不脱离本发明的范围的情况下可以对以上构造和方法做出各种改变，所以希望以上描述中所包含的和附图中所显示的所有事物都应当理解为说明性的而非限制性的。

Claims (22)

1.一种用于农艺和农业监测的方法，该方法包括：
当无人驾驶飞行器UAV在区域上方沿飞行路径飞行并且执行以下操作时由基站处的第一中央处理单元CPU监测所述UAV：
由所述UAV的第二CPU在所述UAV沿所述飞行路径飞行时捕获所述区域的多个初始图像；
由所述UAV的第二CPU分析所述区域的所述多个初始图像，以确定所述多个初始图像中的一个或多个图像是否描绘具有低于特定阈值的氮水平的一个或多个目标区域，响应于确定所述多个初始图像中的所述一个或多个图像描绘了具有低于所述特定阈值的氮水平的所述一个或多个目标区域，确定对要以高分辨率拍摄的一个或多个额外的不同图像的所述一个或多个目标区域的标识；
响应于接收到所述标识，由所述UAV的第二CPU来：使得所述UAV捕获所述一个或多个目标区域的所述一个或多个额外的不同图像；
将所述多个初始图像和所述一个或多个额外的不同图像发送给图像接收方。
2.根据权利要求1所述的方法，还包括：所述UAV为其自身标识出所述一个或多个目标区域，当所述UAV对所述多个初始图像进行正射校正并标识出具有低质量图像的区域时需要针对所述一个或多个目标区域的所述一个或多个额外的不同图像。
3.根据权利要求1所述的方法，还包括：
由所述UAV向计算设备发送对具有特定特征的区域的指示，所述特定特征包括低氮水平、低作物成熟水平或者高作物阴影水平中的一个或多个；
从所述计算设备接收获取所述一个或多个目标区域的一个或多个图像的指令，针对所述一个或多个目标区域的所述一个或多个额外的不同图像是需要的；
从所述计算设备接收对所述一个或多个目标区域的标识，针对所述一个或多个目标区域的所述一个或多个额外的不同图像是需要的。
4.根据权利要求1所述的方法，还包括由所述UAV以比捕获所述多个初始图像的分辨率更高的分辨率捕获所述一个或多个额外的不同图像。
5.根据权利要求1所述的方法，还包括由所述UAV在更低的高度捕获所述一个或多个不同图像。
6.根据权利要求1所述的方法，还包括当所述多个初始图像和所述一个或多个额外的不同图像被所述UAV捕获时并且同时所述UAV在空中时，将所述图像传送给所述图像接收方。
7.根据权利要求1所述的方法，还包括通过以下操作确定所述飞行路径：
在所述基站处接收指示要获取的图像类型的输入；
在所述基站处接收指示所述区域内的障碍物的障碍物数据；并且
由所述基站至少部分基于所述输入和所述障碍物数据确定所述飞行路径。
8.根据权利要求1所述的方法，还包括由所述UAV在所述UAV在所述区域上方飞行时机载地处理所述多个初始图像和所述一个或多个额外的不同图像。
9.根据权利要求1所述的方法，还包括由所述UAV通过以下操作处理所述多个初始图像和所述一个或多个额外的不同图像，所述操作是将所述多个初始图像和所述一个或多个额外的不同图像正射校正和缝合成单个连续区域地图。
10.根据权利要求1所述的方法，还包括：
由所述基站或云计算机通过执行以下操作中的一个或多个操作来处理所述多个初始图像和所述一个或多个额外的不同图像：
将所述多个初始图像和所述一个或多个不同图像正射校正和缝合成单个连续区域地图；
将所述多个初始图像和所述一个或多个不同图像叠加到其它类型的航空地理图像上；
将所述多个初始图像和所述一个或多个额外的不同图像显示在针对用户的图形用户接口上；
基于所述多个初始图像和所述一个或多个额外的不同图像生成视觉动画并将该视觉动画显示在针对所述用户的所述图形用户接口上；
通过对所述多个初始图像和所述一个或多个额外的不同图像应用一个或多个滤波器来对所述多个初始图像和所述一个或多个额外的不同图像进行滤波；
基于所述多个初始图像和所述一个或多个额外的不同图像，确定针对所述区域的绿色密度地图，其中所述绿色密度地图具有用第一颜色表示的预期绿色密度区域和用第二颜色表示的其它区域；
基于所述多个初始图像和所述一个或多个额外的不同图像，生成归一化差异植被指数地图或者针对所述区域的应用地图中的至少一个；
基于所述多个初始图像和所述一个或多个额外的不同图像，确定针对所述区域的出芽地图；
基于所述多个初始图像和所述一个或多个额外的不同图像，生成归一化差异植被指数地图或者应用地图中的至少一个；
基于所述多个初始图像和所述一个或多个额外的不同图像，生成针对所述区域的一个或多个农艺推荐；
其中对所述多个初始图像和所述一个或多个不同图像的处理在基站或云系统中的一个或多个处执行。
11.根据权利要求10所述的方法，还包括通过以下操作处理针对所述区域的出芽地图：
在所述出芽地图上标识出在预期绿色密度以上的区域的行；
将所述预期绿色密度以上的区域划分成各个区域，每个区域对应于多个植物中的一个植物并且与种植数据一致；
标识出所述多个植物中的至少一个植物的结构；
基于所标识出的结构计算源自所述多个植物中的至少一个植物的估计产量；
生成包括所述估计产量的报告。
12.一种用于农艺和农业监测的系统，所述系统包括：
基站，该基站包括第一中央处理单元CPU并且配置为当一个或多个无人驾驶飞行器在区域上方沿飞行路径飞行时监测所述一个或多个无人驾驶飞行器；
无人驾驶飞行器UAV，该无人驾驶飞行器包括第二CPU并且配置为：
所述UAV的第二CPU在所述UAV沿所述飞行路径飞行时捕获所述区域的多个初始图像；
所述UAV的第二CPU分析所述区域的所述多个初始图像，以确定所述多个初始图像中的一个或多个图像是否描绘具有低于特定阈值的氮水平的一个或多个目标区域，响应于确定所述多个初始图像中的所述一个或多个图像描绘了具有低于所述特定阈值的氮水平的所述一个或多个目标区域，确定对要以高分辨率拍摄的一个或多个额外的不同图像的所述一个或多个目标区域的标识；
响应于接收到所述标识，所述UAV的第二CPU使得所述UAV捕获所述一个或多个目标区域的所述一个或多个额外的不同图像；
将所述多个初始图像和所述一个或多个额外的不同图像发送给图像接收方。
13.根据权利要求12所述的系统，其中所述UAV还配置用于为其自身标识出所述一个或多个目标区域，当所述UAV对所述多个初始图像进行正射校正并标识出具有低质量图像的区域时需要针对所述一个或多个目标区域的所述一个或多个额外的不同图像。
14.根据权利要求12所述的系统，其中所述UAV还配置为：
向计算设备发送对具有特定特征的区域的指示，所述特定特征包括低氮水平、低作物成熟水平或者高作物阴影水平中的一个或多个；
从所述计算设备接收获取所述一个或多个目标区域的一个或多个图像的指令，针对所述一个或多个目标区域的所述一个或多个额外的不同图像是需要的；
从所述计算设备接收对所述一个或多个目标区域的标识，针对所述一个或多个目标区域的所述一个或多个额外的不同图像是需要的。
15.根据权利要求12所述的系统，其中所述UAV还配置为：
以比捕获所述多个初始图像的分辨率更高的分辨率捕获所述一个或多个额外的不同图像。
16.根据权利要求12所述的系统，其中所述UAV还配置为：
在更低的高度捕获所述一个或多个不同图像。
17.根据权利要求12所述的系统，其中所述UAV还配置为：
当所述多个初始图像和所述一个或多个额外的不同图像被所述UAV捕获时并且同时所述UAV在空中时，将所述图像传送给所述图像接收方。
18.根据权利要求12所述的系统，其中所述基站还配置为：
接收指示要获取的图像类型的用户输入；
接收指示所述区域内的障碍物的障碍物数据；并且
至少部分基于所述输入和所述障碍物数据确定所述飞行路径。
19.根据权利要求12所述的系统，其中所述UAV还配置为：
在所述UAV在所述区域上方飞行时机载地处理所述多个初始图像和所述一个或多个额外的不同图像。
20.根据权利要求12所述的系统，其中所述UAV还配置为通过以下操作处理所述多个初始图像和所述一个或多个额外的不同图像，所述操作是将所述多个初始图像和所述一个或多个额外的不同图像正射校正和缝合成单个连续区域地图。
21.根据权利要求12所述的系统，其中所述基站或云计算机通过执行以下操作中的一个或多个操作来处理所述多个初始图像和所述一个或多个额外的不同图像：
将所述多个初始图像和所述一个或多个不同图像正射校正和缝合成单个连续区域地图；
将所述多个初始图像和所述一个或多个不同图像叠加到其它类型的航空地理图像上；
将所述多个初始图像和所述一个或多个额外的不同图像显示在针对用户的图形用户接口上；
基于所述多个初始图像和所述一个或多个额外的不同图像生成视觉动画并将该视觉动画显示在针对所述用户的所述图形用户接口上；
通过对所述多个初始图像和所述一个或多个额外的不同图像应用一个或多个滤波器来对所述多个初始图像和所述一个或多个额外的不同图像进行滤波；
基于所述多个初始图像和所述一个或多个额外的不同图像，确定针对所述区域的绿色密度地图，其中所述绿色密度地图具有用第一颜色表示的预期绿色密度区域和用第二颜色表示的其它区域；
基于所述多个初始图像和所述一个或多个额外的不同图像，生成归一化差异植被指数地图或者针对所述区域的应用地图中的至少一个；
基于所述多个初始图像和所述一个或多个额外的不同图像，确定针对所述区域的出芽地图；
基于所述多个初始图像和所述一个或多个额外的不同图像，生成归一化差异植被指数地图或者应用地图中的至少一个；
基于所述多个初始图像和所述一个或多个额外的不同图像，生成针对所述区域的一个或多个农艺推荐；
其中对所述多个初始图像和所述一个或多个不同图像的处理在基站或云系统中的一个或多个处执行。
22.根据权利要求21所述的系统，其中所述基站还配置为：
在所述出芽地图上标识出在预期绿色密度以上的区域的行；
将所述预期绿色密度以上的区域划分成各个区域，每个区域对应于多个植物中的一个植物并且与种植数据一致；
标识出所述多个植物中的至少一个植物的结构；
基于所标识出的结构计算源自所述多个植物中的至少一个植物的估计产量；
生成包括所述估计产量的报告。
CN201580044988.4A 2014-08-22 2015-08-20 用于使用无人机系统进行农艺和农业监测的方法 Active CN107148633B (zh)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201462040859P 2014-08-22 2014-08-22
US62/040,859 2014-08-22
US201462046438P 2014-09-05 2014-09-05
US62/046,438 2014-09-05
PCT/US2015/046165 WO2016029054A1 (en) 2014-08-22 2015-08-20 Methods for agronomic and agricultural monitoring using unmanned aerial systems

Publications (2)

Publication Number Publication Date
CN107148633A CN107148633A (zh) 2017-09-08
CN107148633B true CN107148633B (zh) 2020-12-01

Family

ID=55347082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201580044988.4A Active CN107148633B (zh) 2014-08-22 2015-08-20 用于使用无人机系统进行农艺和农业监测的方法

Country Status (11)

Country Link
US (4) US9922405B2 (zh)
EP (1) EP3183697B1 (zh)
CN (1) CN107148633B (zh)
AU (1) AU2015305406B2 (zh)
BR (1) BR112017003678B1 (zh)
CA (2) CA2957081C (zh)
CL (1) CL2017000426A1 (zh)
CO (1) CO2017002677A2 (zh)
UA (1) UA123573C2 (zh)
WO (1) WO2016029054A1 (zh)
ZA (1) ZA201701638B (zh)

Families Citing this family (188)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9451745B1 (en) * 2012-09-21 2016-09-27 The United States Of America, As Represented By The Secretary Of Agriculture Multi-band photodiode sensor
US10234439B2 (en) * 2012-11-07 2019-03-19 Airscout Inc. Methods and systems for analyzing a field
US20150130936A1 (en) * 2013-11-08 2015-05-14 Dow Agrosciences Llc Crop monitoring system
EP3074832A4 (en) 2013-11-27 2017-08-30 The Trustees Of The University Of Pennsylvania Multi-sensor fusion for robust autonomous flight in indoor and outdoor environments with a rotorcraft micro-aerial vehicle (mav)
US12007763B2 (en) 2014-06-19 2024-06-11 Skydio, Inc. Magic wand interface and other user interaction paradigms for a flying digital assistant
US9678506B2 (en) 2014-06-19 2017-06-13 Skydio, Inc. Magic wand interface and other user interaction paradigms for a flying digital assistant
US9798322B2 (en) 2014-06-19 2017-10-24 Skydio, Inc. Virtual camera interface and other user interaction paradigms for a flying digital assistant
CA2957081C (en) 2014-08-22 2024-06-25 The Climate Corporation Methods for agronomic and agricultural monitoring using unmanned aerial systems
US9618934B2 (en) * 2014-09-12 2017-04-11 4D Tech Solutions, Inc. Unmanned aerial vehicle 3D mapping system
WO2016061774A1 (zh) * 2014-10-22 2016-04-28 深圳市大疆创新科技有限公司 一种飞行航线设置方法及装置
IL236606B (en) 2015-01-11 2020-09-30 Gornik Amihay Standards and methods for agricultural monitoring
EP3276544A1 (en) * 2016-07-29 2018-01-31 Accenture Global Solutions Limited Precision agriculture system
US9792557B2 (en) 2015-01-14 2017-10-17 Accenture Global Services Limited Precision agriculture system
US10395115B2 (en) * 2015-01-27 2019-08-27 The Trustees Of The University Of Pennsylvania Systems, devices, and methods for robotic remote sensing for precision agriculture
US9922261B2 (en) * 2015-04-16 2018-03-20 Regents Of The University Of Minnesota Robotic surveying of fruit plants
US10139279B2 (en) * 2015-05-12 2018-11-27 BioSensing Systems, LLC Apparatuses and methods for bio-sensing using unmanned aerial vehicles
US10791666B2 (en) 2015-06-08 2020-10-06 The Climate Corporation Agricultural data analysis
CA2990438A1 (en) 2015-06-30 2017-01-05 The Climate Corporation Systems and methods for image capture and analysis of agricultural fields
CA2992426C (en) 2015-07-15 2023-09-12 The Climate Corporation Generating digital models of nutrients available to a crop over the course of the crop's development based on weather and soil data
US9745060B2 (en) * 2015-07-17 2017-08-29 Topcon Positioning Systems, Inc. Agricultural crop analysis drone
US10884430B2 (en) 2015-09-11 2021-01-05 The Trustees Of The University Of Pennsylvania Systems and methods for generating safe trajectories for multi-vehicle teams
US10321663B2 (en) 2015-09-24 2019-06-18 Digi-Star, Llc Agricultural drone for use in livestock monitoring
US10231441B2 (en) 2015-09-24 2019-03-19 Digi-Star, Llc Agricultural drone for use in livestock feeding
US9772395B2 (en) 2015-09-25 2017-09-26 Intel Corporation Vision and radio fusion based precise indoor localization
US10126126B2 (en) * 2015-11-23 2018-11-13 Kespry Inc. Autonomous mission action alteration
US10540901B2 (en) 2015-11-23 2020-01-21 Kespry Inc. Autonomous mission action alteration
JP6654649B2 (ja) * 2015-12-14 2020-02-26 株式会社ニコン・トリンブル 欠陥検出装置及びプログラム
US10301019B1 (en) * 2015-12-17 2019-05-28 Amazon Technologies, Inc. Source location determination
US10262407B2 (en) * 2016-02-25 2019-04-16 Prospera Technologies, Ltd. System and method for efficient identification of developmental anomalies
DE102016004250A1 (de) * 2016-04-08 2017-10-12 Liebherr-Components Biberach Gmbh Verfahren und Vorrichtung zum Steuern eines Krans, eines Baggers, einer Raupe oder einer ähnlichen Baumaschine
US10817754B2 (en) * 2016-04-27 2020-10-27 SlantRange, Inc. Systems and methods for object classification and selective compression in aerial imagery
US10435176B2 (en) 2016-05-25 2019-10-08 Skydio, Inc. Perimeter structure for unmanned aerial vehicle
CN105955294A (zh) * 2016-05-26 2016-09-21 北京大工科技有限公司 控制无人机植保作业的方法及装置
CN106054917A (zh) 2016-05-27 2016-10-26 广州极飞电子科技有限公司 一种无人飞行器的飞行控制方法、装置和遥控器
CN105979145A (zh) * 2016-06-22 2016-09-28 上海顺砾智能科技有限公司 提高无人机航拍影像质量的拍摄系统及拍摄方法
US9881214B1 (en) * 2016-07-13 2018-01-30 The Climate Corporation Generating pixel maps from non-image data and difference metrics for pixel maps
US10520943B2 (en) 2016-08-12 2019-12-31 Skydio, Inc. Unmanned aerial image capture platform
US10084868B2 (en) 2016-09-03 2018-09-25 Microsoft Technology Licensing, Llc IoT gateway for weakly connected settings
US10089716B2 (en) 2016-09-03 2018-10-02 Microsoft Technology Licensing, Llc Generating real-time sensor maps from videos and in-ground sensor data
WO2018048387A1 (en) * 2016-09-07 2018-03-15 Precision Hawk Usa, Inc. Systems and methods for mapping emerged plants
MX2019002646A (es) * 2016-09-08 2019-10-30 Walmart Apollo Llc Sistemas y metodos para identificar plagas en areas que contienen cultivos a traves de vehiculos no tripulados.
CA3035074A1 (en) * 2016-09-08 2018-03-15 Walmart Apollo, Llc Systems and methods for identifying pests in crop-containing areas via unmanned vehicles based on crop damage detection
CA3035068A1 (en) 2016-09-08 2018-03-15 Walmart Apollo, Llc Systems and methods for dispensing an insecticide via unmanned vehicles to defend a crop-containing area against pests
WO2018049148A1 (en) 2016-09-09 2018-03-15 Wal-Mart Stores, Inc. Geographic area monitoring systems and methods that balance power usage between multiple unmanned vehicles
WO2018049289A1 (en) 2016-09-09 2018-03-15 Cibo Technologies, Inc. Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods
GB2573228B (en) * 2016-09-09 2020-04-29 Walmart Apollo Llc Systems and methods to interchangeably couple tool systems with unmanned vehicles
CA3035758A1 (en) 2016-09-09 2018-03-29 Walmart Apollo, Llc Geographic area monitoring systems and methods utilizing computational sharing across multiple unmanned vehicles
CA3035771A1 (en) * 2016-09-09 2018-03-15 Walmart Apollo, Llc Geographic area monitoring systems and methods through interchanging tool systems between unmanned vehicles
US10791037B2 (en) 2016-09-21 2020-09-29 Iunu, Inc. Reliable transfer of numerous geographically distributed large files to a centralized store
US11244398B2 (en) 2016-09-21 2022-02-08 Iunu, Inc. Plant provenance and data products from computer object recognition driven tracking
US11538099B2 (en) 2016-09-21 2022-12-27 Iunu, Inc. Online data market for automated plant growth input curve scripts
US10635274B2 (en) * 2016-09-21 2020-04-28 Iunu, Inc. Horticultural care tracking, validation and verification
WO2018071727A1 (en) 2016-10-12 2018-04-19 Aker Technologies, Inc. System for monitoring crops and soil conditions
RU2749033C2 (ru) * 2016-10-13 2021-06-03 Маккейн Фудс Лимитед Способ, носитель и система для обнаружения вируса картофеля на изображении сельскохозяйственной культуры
RU2718991C1 (ru) 2016-11-01 2020-04-15 Кинз Мэньюфэкчуринг, Инк. Блоки управления, узлы, система и способ для передачи и обмена данными
US10192112B2 (en) * 2016-11-02 2019-01-29 Blue River Technology Inc. Plot gap identification
US10127450B2 (en) 2016-11-02 2018-11-13 Blue River Technology Inc. Plot gap identification
US10928821B2 (en) 2016-11-04 2021-02-23 Intel Corporation Unmanned aerial vehicle-based systems and methods for generating landscape models
CA3045449A1 (en) * 2016-11-29 2018-06-07 Reese Alexander Mozer Aircraft flight plan systems
US11295458B2 (en) 2016-12-01 2022-04-05 Skydio, Inc. Object tracking by an unmanned aerial vehicle using visual sensors
WO2018136875A1 (en) * 2017-01-23 2018-07-26 The Board Of Trustees Of The University Of Illinois Adaptive cyber-physical system for efficient monitoring of unstructured environments
US10909367B2 (en) * 2017-03-02 2021-02-02 Basecamp Networks, LLC Automated diagnosis and treatment of crop infestations
US10599959B2 (en) * 2017-04-05 2020-03-24 International Business Machines Corporation Automatic pest monitoring by cognitive image recognition with two cameras on autonomous vehicles
US20180302572A1 (en) * 2017-04-17 2018-10-18 Jacob Barnes Three-dimensional image capturing system and method for obtaining three-dimensional images
US10537062B2 (en) 2017-05-26 2020-01-21 Cnh Industrial America Llc Aerial vehicle systems and methods
US9984455B1 (en) * 2017-06-05 2018-05-29 Hana Resources, Inc. Organism growth prediction system using drone-captured images
US11061155B2 (en) 2017-06-08 2021-07-13 Total Sa Method of dropping a plurality of probes intended to partially penetrate into a ground using a vegetation detection, and related system
IT201700067764A1 (it) * 2017-06-19 2018-12-19 Dinamica Generale S P A Apparato semovente per l’analisi e la gestione ottimale di campi destinati a coltivazioni agricole.
CA2972055C (en) 2017-06-29 2021-01-26 Conseiller Forestier Roy Inc. Airborne material spreading assembly and method for spreading material
US10642264B2 (en) * 2017-07-19 2020-05-05 Superior Communications, Inc. Security drone system
US11263707B2 (en) 2017-08-08 2022-03-01 Indigo Ag, Inc. Machine learning in agricultural planting, growing, and harvesting contexts
WO2019040866A2 (en) * 2017-08-25 2019-02-28 The Board Of Trustees Of The University Of Illinois APPARATUS AND METHOD FOR COLLECTING AGRICULTURAL DATA AND AGRICULTURAL OPERATIONS
WO2019046967A1 (en) 2017-09-11 2019-03-14 Farmers Edge Inc. GENERATING A YIELD CARD FOR AN AGRICULTURAL FIELD USING REGRESSION AND CLASSIFICATION PROCESSES
US10983249B2 (en) 2017-09-14 2021-04-20 Farmers Edge Inc. Indicator interpolation to predict a weather state
CN107680084B (zh) * 2017-09-21 2021-11-19 中山乡游生态科技有限公司 一种现代化农业监测系统
US11442144B2 (en) * 2017-09-29 2022-09-13 Biotique Systems, Inc. System and method for automatically determining crop characteristics using unmanned aerial vehicle (UAV)
EP3695282B1 (en) 2017-10-11 2023-03-29 trinamiX GmbH Autonomous robotic device and associated control method
PL3697686T3 (pl) * 2017-10-17 2021-12-27 Basf Se Bezzałogowy statek powietrzny do oceny pola rolnego
WO2019081375A1 (en) 2017-10-27 2019-05-02 Basf Se PLANT MANAGEMENT APPARATUS
RU2668319C1 (ru) * 2017-10-27 2018-09-28 Общество с ограниченной ответственностью "АгроДронГрупп" Способ и система обработки зон посева сельскохозяйственных культур на основании данных мониторинга
US10872534B2 (en) 2017-11-01 2020-12-22 Kespry, Inc. Aerial vehicle inspection path planning
US10725468B2 (en) * 2017-11-13 2020-07-28 Intel IP Corporation Bounding-volume based unmanned aerial vehicle illumination management system
US10779458B2 (en) 2017-12-01 2020-09-22 International Business Machines Corporation Monitoring aerial application tasks and recommending corrective actions
US10477756B1 (en) 2018-01-17 2019-11-19 Cibo Technologies, Inc. Correcting agronomic data from multiple passes through a farmable region
CN110622084A (zh) * 2018-01-23 2019-12-27 深圳市大疆创新科技有限公司 辅助移动方法、移动装置及可移动平台
JP7060624B2 (ja) * 2018-01-26 2022-04-26 株式会社Ｎｔｔドコモ 情報処理装置
US11062516B2 (en) 2018-02-07 2021-07-13 Iunu, Inc. Augmented reality based horticultural care tracking
US10769466B2 (en) * 2018-02-20 2020-09-08 International Business Machines Corporation Precision aware drone-based object mapping based on spatial pattern recognition
US10750733B1 (en) * 2018-02-28 2020-08-25 Espen Garner Autonomous insect carrier
JP6914874B2 (ja) * 2018-03-14 2021-08-04 株式会社ゼンリンデータコム 飛行経路生成装置及び飛行経路生成方法
US11235874B2 (en) 2018-03-30 2022-02-01 Greensight Agronomics, Inc. Automated drone-based spraying system
US11205073B2 (en) 2018-03-30 2021-12-21 Greensight Agronomics, Inc. System to automatically detect and report changes over time in a large imaging data set
US10929664B2 (en) * 2018-03-30 2021-02-23 Iunu, Inc. Visual observer of unmanned aerial vehicle for monitoring horticultural grow operations
US11116145B2 (en) 2018-03-30 2021-09-14 Greensight Argonomics, Inc. Automated optimization of agricultural treatments based on raster image data system
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
BR112020021919A2 (pt) 2018-04-24 2021-05-11 Indigo Ag, Inc. gestão de interação em um sistema agrícola online
US12103681B2 (en) 2018-07-25 2024-10-01 Cnh Industrial America Llc Aerial monitoring system for agricultural equipment
US11373399B2 (en) * 2018-07-26 2022-06-28 Hall Enterprise Llc Method of crop analysis using drone with flying and driving capability
CN109155668B (zh) * 2018-08-06 2022-04-15 北京小米移动软件有限公司 飞行路径配置方法和装置
US10660277B2 (en) * 2018-09-11 2020-05-26 Pollen Systems Corporation Vine growing management method and apparatus with autonomous vehicles
US10779476B2 (en) 2018-09-11 2020-09-22 Pollen Systems Corporation Crop management method and apparatus with autonomous vehicles
CN109445457B (zh) * 2018-10-18 2021-05-14 广州极飞科技股份有限公司 分布信息的确定方法、无人飞行器的控制方法及装置
MX2021004475A (es) 2018-10-19 2021-06-04 Climate Llc Tecnica de aprendizaje automatico para identificar nubes y sombras de nubes en imagenes satelitales.
CN113228055B (zh) 2018-10-19 2024-04-12 克莱米特有限责任公司 配置和利用卷积神经网络以识别植物病害的方法和介质
US10713542B2 (en) 2018-10-24 2020-07-14 The Climate Corporation Detection of plant diseases with multi-stage, multi-scale deep learning
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US12069978B2 (en) 2018-10-26 2024-08-27 Deere & Company Predictive environmental characteristic map generation and control system
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US12008744B2 (en) * 2018-12-10 2024-06-11 Climate Llc Mapping field anomalies using digital images and machine learning models
US20200217830A1 (en) 2019-01-08 2020-07-09 AgroScout Ltd. Autonomous crop monitoring system and method
US11001380B2 (en) * 2019-02-11 2021-05-11 Cnh Industrial Canada, Ltd. Methods for acquiring field condition data
US11059582B2 (en) 2019-02-11 2021-07-13 Cnh Industrial Canada, Ltd. Systems for acquiring field condition data
EP4224628A3 (en) 2019-03-04 2023-09-13 Climate LLC Data storage and transfer device for an agricultural intelligence computing system
US11009625B2 (en) 2019-03-27 2021-05-18 The Climate Corporation Generating and conveying comprehensive weather insights at fields for optimal agricultural decision making
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
CN109977924A (zh) * 2019-04-15 2019-07-05 北京麦飞科技有限公司 针对农作物的无人机机上实时图像处理方法及系统
US11170218B2 (en) * 2019-05-13 2021-11-09 Deere & Company Mobile work machine control system with terrain image analysis
US11553640B2 (en) 2019-06-11 2023-01-17 Cnh Industrial Canada, Ltd. Agricultural wear monitoring system
CN110222903B (zh) * 2019-06-13 2021-08-31 苏州市农业科学院 一种基于无人机遥感的水稻产量预测方法及系统
US11778934B2 (en) * 2019-07-02 2023-10-10 Bear Flag Robotics, Inc. Agricultural lane following
KR102101355B1 (ko) * 2019-07-08 2020-04-17 주식회사 이노드 농업용 무인 이동체 및 이의 방제 약품 잔량 측정 시스템
US11440659B2 (en) * 2019-09-12 2022-09-13 National Formosa University Precision agriculture implementation method by UAV systems and artificial intelligence image processing technologies
WO2021062147A1 (en) 2019-09-27 2021-04-01 Indigo Ag, Inc. Modeling field irrigation with remote sensing imagery
US11868145B1 (en) * 2019-09-27 2024-01-09 Amazon Technologies, Inc. Selecting safe flight routes based on localized population densities and ground conditions
WO2021102378A1 (en) * 2019-11-20 2021-05-27 FarmWise Labs, Inc. Method for analyzing individual plants in an agricultural field
US11585960B2 (en) * 2019-12-04 2023-02-21 International Business Machines Corporation Effective agriculture and environment monitoring
WO2021119346A1 (en) 2019-12-11 2021-06-17 The Climate Corporation Highly responsive farming systems with extraordinary in-season optimization
US12035648B2 (en) 2020-02-06 2024-07-16 Deere & Company Predictive weed map generation and control system
US11583882B2 (en) * 2020-02-13 2023-02-21 Cnh Industrial America Llc System and method for controlling the ground speed of an agricultural sprayer based on a spray quality parameter
AR121386A1 (es) * 2020-02-21 2022-06-01 Climate Corp Señalización de diferencias operacionales en implementos agrícolas
US20210282338A1 (en) * 2020-03-11 2021-09-16 Aerobotics (Pty) Ltd Systems and methods for predicting crop size and yield
US11720980B2 (en) 2020-03-25 2023-08-08 Iunu, Inc. Crowdsourced informatics for horticultural workflow and exchange
US11656624B2 (en) 2020-03-25 2023-05-23 Iunu, Inc. Horticulture aided by autonomous systems
US11730089B2 (en) 2020-03-25 2023-08-22 Iunu, Inc. Horticulture aided by autonomous systems
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
US11579611B1 (en) * 2020-03-30 2023-02-14 Amazon Technologies, Inc. Predicting localized population densities for generating flight routes
US11640764B1 (en) 2020-06-01 2023-05-02 Amazon Technologies, Inc. Optimal occupancy distribution for route or path planning
US11620821B2 (en) 2020-06-25 2023-04-04 GEOSAT Aerospace & Technology Apparatus and method for image-guided agriculture
US11580730B2 (en) * 2020-06-25 2023-02-14 GEOSAT Aerospace & Technology Apparatus and method for image-guided agriculture
US11487047B2 (en) 2020-07-15 2022-11-01 International Business Machines Corporation Forecasting environmental occlusion events
BR112023000950A2 (pt) 2020-07-21 2023-03-28 Indigo Ag Inc Algoritmos de sensoriamento remoto para mapear a agricultura regenerativa
CN111918030B (zh) * 2020-07-22 2022-07-01 南京科沃云计算信息技术有限公司 一种基于边缘计算的农作物病虫害识别系统及其识别方法
TWI778391B (zh) * 2020-07-28 2022-09-21 中華電信股份有限公司 無人機控制方法及無人機控制裝置
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US12013245B2 (en) 2020-10-09 2024-06-18 Deere & Company Predictive map generation and control system
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US12069986B2 (en) 2020-10-09 2024-08-27 Deere & Company Map generation and control system
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
WO2022087841A1 (zh) * 2020-10-27 2022-05-05 深圳市大疆创新科技有限公司 用于农业无人飞行器仿地作业的方法和农业无人飞行器
US11991944B2 (en) 2021-05-03 2024-05-28 Crop Sentry Ltd. Computer vision system and method for agriculture
ES2930548A1 (es) * 2021-06-02 2022-12-15 Consejo Superior Investigacion Mapeo de surcos de laboreo
WO2023034118A1 (en) 2021-08-30 2023-03-09 Indigo Ag, Inc. Systems for management of location-aware market data
WO2023034386A1 (en) 2021-08-31 2023-03-09 Indigo Ag, Inc. Systems and methods for ecosystem credit recommendations
CN114067455B (zh) * 2021-11-15 2023-08-29 李政力 一种城市园林绿化智能巡管方法
US12082531B2 (en) 2022-01-26 2024-09-10 Deere & Company Systems and methods for predicting material dynamics
US11542003B1 (en) * 2022-03-22 2023-01-03 Beta Air, Llc Systems and methods for remote pilot control of an electric aircraft
US12058951B2 (en) 2022-04-08 2024-08-13 Deere & Company Predictive nutrient map and control
CN115225870B (zh) * 2022-09-21 2022-11-22 北京瞭望神州科技有限公司 基于数据处理的耕地智保远程监控方法及监控系统
CN116737729B (zh) * 2023-04-18 2024-01-19 速度科技股份有限公司 基于土壤墒情进行土壤分布地图的实时在线矫正方法
CN116931601B (zh) * 2023-07-25 2024-02-20 苏州瀚易特信息技术股份有限公司 一种基于无人机的航拍摄影摄像控制系统
CN117952877B (zh) * 2024-03-26 2024-06-21 松立控股集团股份有限公司 一种基于层次化结构建模的低质图像矫正方法
CN118426493B (zh) * 2024-07-05 2024-08-30 山东字节信息科技有限公司 一种基于云平台的无人值守的无人机巡检系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1948904A (zh) * 2005-10-10 2007-04-18 中国农业机械化科学研究院 一种蝗灾超低空预警系统及其田间蝗虫自动识别方法
CN103425102A (zh) * 2013-07-30 2013-12-04 上海丰凸通讯科技有限公司 基于低空遥感、多光谱精准识别的智能施肥系统
CN103523224A (zh) * 2013-10-31 2014-01-22 无锡同春新能源科技有限公司 一种带彩色稻病图像识别仪防治水稻白叶枯病的无人机

Family Cites Families (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6529615B2 (en) * 1997-10-10 2003-03-04 Case Corporation Method of determining and treating the health of a crop
US20100004802A1 (en) * 2005-01-25 2010-01-07 William Kress Bodin Navigating UAVS with an on-board digital camera
US9195891B2 (en) * 2006-11-07 2015-11-24 The Curators Of The University Of Missouri Method of predicting crop yield loss due to n-deficiency
US7911517B1 (en) * 2007-10-31 2011-03-22 The United States Of America As Represented By The Secretary Of Agriculture Device and method for acquiring digital color-infrared photographs for monitoring vegetation
NZ585398A (en) * 2007-11-14 2012-08-31 Intergraph Software Tech Co Assigning values to pixels in mosaic image based on values corresponding pixels in captured images determined using reverse ray-tracing
US8675068B2 (en) * 2008-04-11 2014-03-18 Nearmap Australia Pty Ltd Systems and methods of capturing large area images in detail including cascaded cameras and/or calibration features
BRPI0915065B1 (pt) * 2008-06-06 2019-12-03 Monsanto Technology Llc geração de produtos de informação agrícola utilizando sensoriamento remoto
WO2010068186A1 (en) * 2008-12-09 2010-06-17 Tele Atlas B.V. Method of generating a geodetic reference database product
US9213905B2 (en) * 2010-10-25 2015-12-15 Trimble Navigation Limited Automatic obstacle location mapping
US10115158B2 (en) * 2010-10-25 2018-10-30 Trimble Inc. Generating a crop recommendation
US9058633B2 (en) * 2010-10-25 2015-06-16 Trimble Navigation Limited Wide-area agricultural monitoring and prediction
US20120101784A1 (en) * 2010-10-25 2012-04-26 Trimble Navigation Limited Wide-area agricultural monitoring and prediction
US9354216B2 (en) * 2011-11-07 2016-05-31 Brian Harold Sutton Infrared aerial thermography for use in determining plant health
US9113590B2 (en) * 2012-08-06 2015-08-25 Superior Edge, Inc. Methods, apparatus, and systems for determining in-season crop status in an agricultural crop and alerting users
US20140089045A1 (en) * 2012-09-27 2014-03-27 Superior Edge, Inc. Methods, apparatus and systems for determining stand population, stand consistency and stand quality in an agricultural crop and alerting users
US9235763B2 (en) * 2012-11-26 2016-01-12 Trimble Navigation Limited Integrated aerial photogrammetry surveys
US9075415B2 (en) * 2013-03-11 2015-07-07 Airphrame, Inc. Unmanned aerial vehicle and methods for controlling same
US20140312165A1 (en) * 2013-03-15 2014-10-23 Armen Mkrtchyan Methods, apparatus and systems for aerial assessment of ground surfaces
WO2014160589A1 (en) * 2013-03-24 2014-10-02 Bee Robotics Corporation Aerial farm robot system for crop dusting, planting, fertilizing and other field jobs
US9147110B2 (en) * 2013-04-05 2015-09-29 Pioneer Hi-Bred International, Inc. Field and crop evaluation tool and methods of use
US9798928B2 (en) * 2013-07-17 2017-10-24 James L Carr System for collecting and processing aerial imagery with enhanced 3D and NIR imaging capability
US20150254800A1 (en) * 2014-03-06 2015-09-10 F12 Solutions, Llc Nitrogen status determination in growing crops
WO2015199772A2 (en) * 2014-03-28 2015-12-30 Konica Minolta Laboratory U.S.A., Inc. Method and system of stitching aerial data using information from previous aerial images
US9390331B2 (en) * 2014-04-15 2016-07-12 Open Range Consulting System and method for assessing riparian habitats
US9401030B2 (en) * 2014-04-25 2016-07-26 Tazco Soil Service Co. Image processing system for soil characterization
CA2957081C (en) 2014-08-22 2024-06-25 The Climate Corporation Methods for agronomic and agricultural monitoring using unmanned aerial systems

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1948904A (zh) * 2005-10-10 2007-04-18 中国农业机械化科学研究院 一种蝗灾超低空预警系统及其田间蝗虫自动识别方法
CN103425102A (zh) * 2013-07-30 2013-12-04 上海丰凸通讯科技有限公司 基于低空遥感、多光谱精准识别的智能施肥系统
CN103523224A (zh) * 2013-10-31 2014-01-22 无锡同春新能源科技有限公司 一种带彩色稻病图像识别仪防治水稻白叶枯病的无人机

Also Published As

Publication number Publication date
US20190333195A1 (en) 2019-10-31
BR112017003678B1 (pt) 2023-04-18
US9922405B2 (en) 2018-03-20
EP3183697A4 (en) 2018-03-28
ZA201701638B (en) 2018-06-27
US10902566B2 (en) 2021-01-26
US10346958B2 (en) 2019-07-09
WO2016029054A1 (en) 2016-02-25
CL2017000426A1 (es) 2018-03-02
US20180158179A1 (en) 2018-06-07
CN107148633A (zh) 2017-09-08
US20160050840A1 (en) 2016-02-25
CA2957081C (en) 2024-06-25
AU2015305406A1 (en) 2017-03-23
EP3183697A1 (en) 2017-06-28
US20210217148A1 (en) 2021-07-15
UA123573C2 (uk) 2021-04-28
AU2015305406B2 (en) 2020-09-10
CA3237917A1 (en) 2016-02-25
CA2957081A1 (en) 2016-02-25
US11651478B2 (en) 2023-05-16
BR112017003678A2 (pt) 2020-10-27
EP3183697B1 (en) 2022-01-12
CO2017002677A2 (es) 2017-06-09

Similar Documents

Publication Publication Date Title
CN107148633B (zh) 用于使用无人机系统进行农艺和农业监测的方法
US11050979B2 (en) Systems and methods for agricultural monitoring
Kulbacki et al. Survey of drones for agriculture automation from planting to harvest
CN111225855A (zh) 无人机
JP2018046787A (ja) 農業管理予測システム、農業管理予測方法、及びサーバ装置
US20180348760A1 (en) Automatic Change Detection System
JP7081536B2 (ja) 作物の倒伏リスク診断に用いる生育パラメータの測定推奨スポット提示方法、倒伏リスク診断方法、および情報提供装置
Chávez et al. A decade of unmanned aerial systems in irrigated agriculture in the Western US
Bharambe et al. Design and Development of Agricultural Drone for Plant Health Analysis
Percival et al. Potential for commercial unmanned aerial vehicle use in wild blueberry production
Izere Plant Height Estimation Using RTK-GNSS Enabled Unmanned Aerial Vehicle (UAV) Photogrammetry
WO2021149355A1 (ja) 情報処理装置、情報処理方法、プログラム
Naumann Exploration of tropical landscape structures by an unmanned aerial vehicle in Sumatra
FERTU et al. THE IMPACT OF MONITORING THE STATE OF VEGETATION OF LAVENDER CROPS USING ANALYSIS DRONES.
Jensen et al. Sensing from Unmanned Aerial Vehicles
Huang UAV Applications in Agriculture
Aiswarya et al. Smart Irrigation Management Through Unmanned Aerial Vehicles (UAVs)
Zalavadiya et al. Significance of Drones in Precision Agriculture

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
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: California, USA

Patentee after: Clemet Co.,Ltd.

Address before: California, USA

Patentee before: THE CLIMATE Corp.

CP02 Change in the address of a patent holder
CP02 Change in the address of a patent holder

Address after: Missouri, USA

Patentee after: Clemet Co.,Ltd.

Address before: California, USA

Patentee before: Clemet Co.,Ltd.