CN107274384B - 一种小麦出苗均匀度测定方法 - Google Patents
一种小麦出苗均匀度测定方法 Download PDFInfo
- Publication number
- CN107274384B CN107274384B CN201710349271.1A CN201710349271A CN107274384B CN 107274384 B CN107274384 B CN 107274384B CN 201710349271 A CN201710349271 A CN 201710349271A CN 107274384 B CN107274384 B CN 107274384B
- Authority
- CN
- China
- Prior art keywords
- seedling
- coverage
- wheat
- area
- calculating
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Cultivation Of Plants (AREA)
Abstract
本发明涉及一种小麦出苗均匀度测定方法,包括以下步骤:田间图像获取:基于无人机近地5‑10米获取3‑5叶期小麦RGB图像;植被提取:利用公式提取图像中的小麦苗;盖度提取:将图像划分为若干个0.30m×0.30m的子区域,计算每个子区域中麦苗部分的像素值占图像总像素值的百分比,记为盖度;均匀度计算:计算子区域间盖度的变异系数来表示均匀度;缺苗情况调查:计算条播小麦中的缺苗长度>10cm的断行区域,计算撒播小麦的缺苗面积>0.02m2的缺苗区域。本发明测定方法,计算效率高,可以快速大面积全面的调查出苗均匀度,相比人工调查效率高、覆盖面广。
Description
技术领域
本发明具体涉及一种小麦出苗均匀度测定方法。
背景技术
麦苗非均匀状态会造成不同程度减产,一方面局部植株密度过大,减小营养面积,激化株间矛盾,进而影响生长发育,降低生产力;另一方面局部植株密度过小,单株可充分发育,但因地力和光能利用不足,达不到均匀总体的生产能力,因而造成不同程度的减产。影响小麦出苗均匀度的因素较多,一些问题也是当下研究的热点,如秸秆还田对小麦出苗情况的影响;再如温度、水分和播种深度如何影响小麦出苗。然而,目前主要的出苗整齐度调查方法是通过人工框选若干个区域,并调查这若干个区域中的苗数,计算这些区域中苗数的变异系数来反应出苗整齐度。这种出苗均匀度的调查方式耗时费力,且调查具有片面性,不能够直观的反应一个地块的出苗整齐度。
另一方面,无人机遥感以其高时效、高分辨率、低成本、低风险、机动灵活等特性,在农作物监测上发挥了重要的作用。根据前人的研究进展可以发现,无人机遥感在作物生产上的应用主要包括作物分类、灾害监测、农学参数估测和长势分析。在作物分类研究中主要获取不同种类的种植面积,以供相关部门进行管理和决策。灾害监测的研究是近年来的一个热点,即包括了田间病虫草害的监测,又包括了受外界因素造成的作物生长异常,如倒伏的监测。农学参数的估测主要是通过建立模型来估测如叶面积指数、生物量、氮素含量和株高等农学参数,再寻找反应作物群体质量的无人机图像参数来对作物的生长状态进行评价。虽然无人机遥感在作物生长和管理上的应用较多,但利用无人机遥感来评价小麦出苗整齐度上的研究还鲜有报道。
发明内容
本发明所要解决的技术问题是克服现有技术的不足,提供一种小麦出苗均匀度测定方法,计算效率高,可以快速大面积全面的调查出苗均匀度,相比人工调查效率高、覆盖面广。
为解决以上技术问题,本发明采取的一种技术方案是:
一种小麦出苗均匀度测定方法,包括以下步骤:
步骤1)田间图像获取:基于无人机近地5-10米获取3-5叶期小麦RGB图像;
步骤2)植被提取:利用公式(1)提取图像中的小麦苗,
Exg=2*G-R-B 1
其中G、R、B为RGB图像中的绿、红、蓝波段;
步骤3)盖度提取:将图像划分为若干个0.30m×0.30m的子区域,计算每
个子区域中麦苗部分的像素值占图像总像素值的百分比,记为盖度;
步骤4)均匀度计算:以每个子区域的盖度为依据,计算子区域间盖度的变异系数CV来表示均匀度,变异系数计算公式为:
其中,δx表示标准差,Ex表示平均值;
步骤5)缺苗情况调查:计算条播小麦中的缺苗长度>10cm的断行区域,计算撒播小麦的缺苗面积>0.02m2的缺苗区域。
优选地,步骤5)中计算条播小麦中断行区域的具体步骤为:
A、以2cm×2cm大小的模板遍历图像,利用公式(1)提取模板的盖度值,构建图像区域盖度的三维图像;
B、以行为单位,计算横向的盖度变化;
C、盖度变化曲线中值等于0的部分为缺苗区域,并计算缺苗长度。
优选地,步骤5)中计算撒播小麦中断行区域的具体步骤为:
A、标定原始图像坐标;
B、以2cm×2cm大小的模板遍历图像,利用公式(1)提取模板的盖度值,构建盖度分布图;C、提取盖度分布图中数值为0的且面积大于0.02m2的区域;D、统计缺苗区域数量,各缺苗区域的面积以及缺苗区域间的信息。
由于以上技术方案的采用,本发明与现有技术相比具有如下优点:
本发明利用计算机图像方法计算小麦出苗均匀度和缺苗情况,计算效率高,可以快速大面积全面的调查出苗均匀度,相比人工调查效率高、覆盖面广。
附图说明
图1为本发明图像获取高度与像素实际面积的关系图;
图2为本发明条播小麦的盖度三维图;
图3为图2中第一行与第五行的横向盖度变化曲线图;
图4为本发明撒播小麦缺苗区域提取步骤图。
具体实施方式
以下结合附图及具体实施例对本发明做进一步详细说明。
本发明一种小麦出苗均匀度测定方法,包括以下步骤:
步骤1)田间图像获取:基于无人机近地5-10米获取3-5叶期小麦RGB图像,获取时间选择光线较为柔和的上午或者傍晚;
步骤2)植被提取:利用公式(1)提取图像中的小麦苗,
Exg=2*G-R-B 1
其中G、R、B为RGB图像中的绿、红、蓝波段;
步骤3)盖度提取:通过标准版标定无人机图像获取高度与每个像素实际代表面积的关系图如附图1所示,根据条播行距,将图像划分为若干个0.30m×0.30m的子区域,计算每个子区域中麦苗部分的像素值占图像总像素值的百分比,记为盖度;
步骤4)均匀度计算:以每个子区域的盖度为依据,计算子区域间盖度的变异系数CV来表示均匀度,分别计算整幅图像的变异系数以及行方向和列方向的变异系数。变异系数法则是用标准差除以平均值来表示整齐度指标的方法,其值越小表示整齐度越高,即越整齐,本发明利用变异系数的倒数表示出苗均匀度,变异系数计算公式为:
其中,δx表示标准差,Ex表示平均值;
步骤5)缺苗情况调查:计算条播小麦中的缺苗长度>10cm的断行区域,计算撒播小麦的缺苗面积>0.02m2的缺苗区域。
其中,计算条播小麦中断行区域的具体步骤为:
A、以2cm×2cm大小的模板遍历图像,利用公式(1)提取模板的盖度值,构建图像区域盖度的三维图像,如附图2所示;
B、以行为单位,计算横向的盖度变化,如附图2中第一行与第五行的横向盖度变化曲线分别如附图3(a)和附图3(b)所示;
C、盖度变化曲线中值等于0的部分为缺苗区域,并计算缺苗长度。
计算撒播小麦中缺苗区域的具体步骤如附图4所示:
A、标定原始图像坐标;
B、以2cm×2cm大小的模板遍历图像,利用公式(1)提取模板的盖度值,构建盖度分布图;C、提取盖度分布图中数值为0的且面积大于0.02m2的区域;D、统计缺苗区域数量,各缺苗区域的面积以及缺苗区域间的信息。
以上对本发明做了详尽的描述,实施例的说明只是用于帮助理解本发明的方法及其核心思想,其目的在于让熟悉此领域技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (1)
1.一种小麦出苗均匀度测定方法,其特征在于:包括以下步骤:
步骤1)田间图像获取:基于无人机近地5-10米获取3-5叶期小麦RGB图像;
步骤2)植被提取:利用公式(1)提取图像中的小麦苗,
Exg=2*G-R-B (1)
其中G、R、B为RGB图像中的绿、红、蓝波段;
步骤3)盖度提取:将图像划分为若干个0.30m×0.30m的子区域,计算每个子区域中麦苗部分的像素值占图像总像素值的百分比,记为盖度;
步骤4)均匀度计算:以每个子区域的盖度为依据,计算子区域间盖度的变异系数CV来表示均匀度,变异系数计算公式为:
其中,δx表示标准差,Ex表示平均值;
步骤5)缺苗情况调查:计算条播小麦中的缺苗长度>10cm的断行区域,计算撒播小麦的缺苗面积>0.02m2的缺苗区域;
所述步骤5)中计算条播小麦中缺苗区域的具体步骤为:
A、以2cm×2cm大小的模板遍历图像,利用公式(1)提取模板的盖度值,构建图像区域盖度的三维图像;
B、以行为单位,计算横向的盖度变化;
C、盖度变化曲线中值等于0的部分为缺苗区域,并计算缺苗长度;
所述步骤5)中计算撒播小麦中断行区域的具体步骤为:
A、标定原始图像坐标;
B、以2cm×2cm大小的模板遍历图像,利用公式(1)提取模板的盖度值,构建盖度分布图;C、提取盖度分布图中数值为0的且面积大于0.02m2的区域;D、统计缺苗区域数量,各缺苗区域的面积以及缺苗区域间的信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710349271.1A CN107274384B (zh) | 2017-05-17 | 2017-05-17 | 一种小麦出苗均匀度测定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710349271.1A CN107274384B (zh) | 2017-05-17 | 2017-05-17 | 一种小麦出苗均匀度测定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107274384A CN107274384A (zh) | 2017-10-20 |
CN107274384B true CN107274384B (zh) | 2020-09-22 |
Family
ID=60064526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710349271.1A Active CN107274384B (zh) | 2017-05-17 | 2017-05-17 | 一种小麦出苗均匀度测定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107274384B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107818565B (zh) * | 2017-11-23 | 2021-05-18 | 扬州大学 | 一种小麦一至三叶期麦苗数量调查方法 |
CN109523550B (zh) * | 2019-01-07 | 2020-11-27 | 扬州大学 | 一种五因素小麦出苗情况评价方法 |
CN112034093A (zh) * | 2019-12-05 | 2020-12-04 | 陈庆梅 | 种植均匀性现场检测系统及方法 |
CN111507309B (zh) * | 2020-05-20 | 2020-12-01 | 孟庆峰 | 农作物种植状态解析系统 |
CN111721269B (zh) * | 2020-06-30 | 2021-01-05 | 扬州大学 | 一种小麦幼苗格局特征的量化评价方法 |
CN111860220B (zh) * | 2020-06-30 | 2021-04-13 | 扬州大学 | 一种小麦幼苗分布特征的评价方法 |
CN112997720B (zh) * | 2021-02-20 | 2022-09-06 | 中国农业科学院作物科学研究所 | 一种作物田间出苗均匀度的评价方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
CN103745478A (zh) * | 2014-01-24 | 2014-04-23 | 山东农业大学 | 小麦发芽率机器视觉测定方法 |
CN105447860A (zh) * | 2015-11-18 | 2016-03-30 | 扬州大学 | 一种麦苗计数方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110307977A1 (en) * | 2010-06-09 | 2011-12-15 | T.F.H. Publications, Inc. | Grass Seed Providing Distinguishing Color From Surrounding Environments |
-
2017
- 2017-05-17 CN CN201710349271.1A patent/CN107274384B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101699315A (zh) * | 2009-10-23 | 2010-04-28 | 北京农业信息技术研究中心 | 一种作物长势均匀度的监测装置和方法 |
CN103745478A (zh) * | 2014-01-24 | 2014-04-23 | 山东农业大学 | 小麦发芽率机器视觉测定方法 |
CN105447860A (zh) * | 2015-11-18 | 2016-03-30 | 扬州大学 | 一种麦苗计数方法 |
Non-Patent Citations (5)
Title |
---|
Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage;Zhenghong Yu 等;《ELSEVIER》;20131231;第65-84页 * |
基于图像处理技术的稻田杂草盖度计算研究;韩正笑 等;《中国农机化学报》;20150731;第36卷(第4期);第193-196页 * |
基于图像处理的小麦种植密度估算研究;武威 等;《扬州大学学报(农业与生命科学版)》;20170331;第38卷(第1期);第89-93页 * |
基于小型无人机与MODIS数据的草地植被覆盖度研究-以甘南州为例;宋清洁 等;《草业科学》;20170131;第34卷(第1期);第40-50页 * |
麦茬高度对机播夏玉米苗期生长及水分利用的影响;高英波 等;《中国农业科学》;20151231;第48卷(第19期);第3803-3810页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107274384A (zh) | 2017-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107274384B (zh) | 一种小麦出苗均匀度测定方法 | |
US11317562B2 (en) | Generating a yield map for an agricultural field using classification and regression methods | |
US20200355829A1 (en) | Plant treatment based on morphological and physiological measurements | |
US20210209490A1 (en) | Using optical remote sensors and machine learning models to predict agronomic field property data | |
US8737694B2 (en) | Organic matter mapping using remotely sensed images | |
US20130066666A1 (en) | Enhancing Performance of Crops Within An Area of Interest | |
CA3119812A1 (en) | Mapping field anomalies using digital images and machine learning models | |
UA126557C2 (uk) | Спосіб визначення врожайності сільськогосподарської культури на національному рівні протягом періоду вегетації із використанням погодних індексів | |
US20150185196A1 (en) | Characterization of field sites for utility in agronomic stress trials | |
US20200202458A1 (en) | Predictive seed scripting for soybeans | |
CN108537164B (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
CN113223040A (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
CN116502901A (zh) | 一种基于光学遥感数据的农田干旱空间分布评价方法 | |
Sarron et al. | Assessing production gaps at the tree scale: definition and application to mango (Mangifera indica L.) in West Africa | |
Manfrini et al. | Development of precision apple fruit growing techniques: monitoring strategies for yield and high-quality fruit production | |
US12008744B2 (en) | Mapping field anomalies using digital images and machine learning models | |
US11610157B1 (en) | Machine learning methods and systems for characterizing corn growth efficiency | |
US20230385958A1 (en) | Systems and methods for use in identifying trials in fields | |
Liu et al. | Headland and Field Edge Performance Assessment Using Yield Maps and Sentinel-2 Images. Sustainability 2023, 15, 4516 | |
CN114494149A (zh) | 一种训练方法、评估方法、电子设备和存储介质 | |
CA3221230A1 (en) | Systems and methods for use in planting seeds in growing spaces | |
CN117475334A (zh) | 一种滴灌棉田棉蚜数量快速监测模型的构建方法 | |
CN116973365A (zh) | 一种甘蓝型油菜苗期生物量、氮含量的预测方法及系统 | |
CN111401613A (zh) | 一种温室作物产量预报方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211117 Address after: 225599 No. 88, Tianmu West Road, Jiangyan Economic Development Zone, Taizhou City, Jiangsu Province Patentee after: Jiangsu Hanfeng Agricultural Technology Co.,Ltd. Address before: 225009 No. 88, South University Road, Jiangsu, Yangzhou Patentee before: YANGZHOU University |
|
TR01 | Transfer of patent right |