CN107314816B - 农作物早期病害多层次信息监测预警方法 - Google Patents
农作物早期病害多层次信息监测预警方法 Download PDFInfo
- Publication number
- CN107314816B CN107314816B CN201710424804.8A CN201710424804A CN107314816B CN 107314816 B CN107314816 B CN 107314816B CN 201710424804 A CN201710424804 A CN 201710424804A CN 107314816 B CN107314816 B CN 107314816B
- Authority
- CN
- China
- Prior art keywords
- temperature
- image
- disease
- crop
- pixel
- 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
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 66
- 201000010099 disease Diseases 0.000 title claims abstract description 64
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 19
- 206010039509 Scab Diseases 0.000 claims abstract description 18
- 238000011534 incubation Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 9
- 238000003384 imaging method Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 29
- 208000015181 infectious disease Diseases 0.000 claims description 25
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 4
- 230000003902 lesion Effects 0.000 claims description 4
- 206010057040 Temperature intolerance Diseases 0.000 claims description 3
- 230000008543 heat sensitivity Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 10
- 239000000049 pigment Substances 0.000 abstract description 2
- 230000001066 destructive effect Effects 0.000 abstract 1
- 241000208125 Nicotiana Species 0.000 description 13
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 13
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 4
- 238000001931 thermography Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000002028 Biomass Substances 0.000 description 2
- 208000031968 Cadaver Diseases 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000001524 infective effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开了一种农作物早期病害多层次信息监测预警方法，旨在提供一种农作物早期病害无损监测方法。其方法是：拍摄整株农作物，得监测对象红外图像；分别算出监测对象像素点平均温度、低温像素点的平均温度、高温像素点平均温度，算出高温像素点平均温度与低温像素点平均温度的温差；将该温差与监测阈值进行比较，并以此作为是否感染病害的依据；利用可见光‑近红外高光谱成像仪监测病害作物，得特征图像；利用显微成像设备监测特征图像中的病斑，得显微图像；根据显微图像灰度直方图，结合特征图像对作物早期病害程度作出评估。本发明对农作物的温度、色素、纹理等多层次生物信息进行监测，以期实现对潜育期和发病早期病害检测和精准分析。
Description
技术领域
本发明涉及一种农作物早期病害的监测预警方法，尤其涉及一种综合利用红外热成像技术、可见光-近红外高光谱成像技术以及显微成像技术对农作物早期病害的温度、色素、结构和纹理等多层次信息对早期病害进行监测预警的方法。
背景技术
农作物病害管理是替代简单粗放、大面积无目标喷洒的一种管理方法。实现该管理方法的关键是要利用先进的检测方法及时发现病害感染，根据病害类型和病害程度针对性地进行有效防治。病害胁迫检测研究通常有PCR检测、血清学检测、DNA阵列等化学分析法，不仅涉及的仪器昂贵，而且要求操作人员拥有较高的专业素养；耗时较长，花费较大。
近年来，虽然以光谱分析和成像技术为代表的无损检测方法在农作物病害监测方面越来越受到重视，但目前仅采用可见光-近红外高光谱成像或红外成像一种检测技术来监测作物感染病害后单一层次的生物信息，难以对人眼尚未发现的早期病害进行监测预警。这是因为红外热成像技术虽能监测病害早期感染时作物表面温度差异，灵敏性和预警性强，可揭示作物受到病害胁迫后气孔异质性开闭情况，反映作物感染病害后的早期特征；但在农作物早期病害的监测阈值、感染程度的评估等方面仍需进一步研究。而可见光-近红外高光谱成像技术反应的是可见光-近红外范围内的图像纹理特征，对已发病作物病害程度进行诊断的时效性和预警性较差，难以对作物早期感染实现监测预警。
发明内容
为了克服上述现有技术的不足，本发明旨在提供一种农作物早期病害多层次信息监测预警方法，该方法不仅可对人眼尚未观测到的作物早期病害所表现的温度、色素、结构、纹理等信息进行快速、准确、无损探测，而且还能对作物病害程度进行准确评估。
为了实现上述目的，本发明采用以下技术方案：
1)用红外热像仪拍摄整株作物或者某一种植区域内的所有作物，得监测对象的红外图像；利用Canny算子对所述红外图像进行边缘检测，确定作物观测区；
2)算出所述观测区内所有像素点的平均温度ti是像素点i的温度，n是像素点的总数；
3)确定观测区内低于平均温度的所有像素点，算出观测区内所有低温像素点的平均温度tj是低温像素点j的温度，N是低温像素点的总数；
确定观测区内高于或等于平均温度的所有像素点，算出观测区内所有高温像素点的平均温度tk是高温像素点k的温度，M是高温像素点的总数；
4)算出所述高温像素点的平均温度与所述低温像素点平均温度的温差
5)若观测区的温差ΔT＜T0，则认定尚未发生病害感染；反之，若ΔT≥T0，则认定已发生病害感染；其中，监测阈值T0＝5·NETD，NETD为红外热成像仪的热灵敏度；
6)利用可见光-近红外高光谱成像仪对温差ΔT≥T0的作物进一步监测拍摄，得高光谱图像；利用主成分分析方法对高光谱图像同时进行光谱与图像信息的压缩，并根据作物光谱变化确定特征图像；或者采用对监测波段内的所有图像进行连续播放、动态观察的方式，确定特征图像；
7)若所述特征图像中未出现早期病斑，则认定为作物病害感染为潜育期；若特征图像中出现早期病斑，则认定作物已发生早期病害；
8)利用显微成像设备对作物各病斑区域进行监测拍摄，得显微图像；
9)根据显微图像作出灰度直方图，综合利用灰度直方图的均值、方差、对比度，结合特征图像光谱的变化、以及特征图像中病斑数量和分布情况对作物早期病害程度作出评估。
进一步地，根据红外热成像所显示的温差，可以对步骤8)中的潜育期病害程度进行分级：
1)若T0＜ΔT≤2T0，则认定作物处于潜育期轻度感染；
2)若2T0＜ΔT≤4T0，则认定作物处于潜育期中度感染；
3)若ΔT＞4T0，则认定作物处于潜育期重度感染。
在上述技术方案中，由于红外图像中的目标与背景间灰度差较小、边缘模糊，因此有必要利用Canny算子对红外图像进行边缘检测，以便准确确定作物的观测区。
由于高光谱图像各波段光谱之间和各波段图像之间存在高度相关性及高度冗余，因此需要利用主成分分析方法对高光谱图像同时进行光谱与图像信息的压缩与特征提取；以去除波段图像之间的冗余信息，将每个波段下的图像信息压缩到少数几个能代表原始高光谱图像主要信息的主成分图像中。可见光波段信息可反映病害胁迫时作物叶绿素、类胡萝卜素等植物色素的变化，近红外波段信息可反映病害胁迫时作物组成成分、生物量、叶片结构、生物量的变化；因此对可见光-近红外高光谱图像的图谱进行分析能够对作物病虫害早期感染的病斑个数和分布情况进行识别。
纹理是物体表面的固有特征，通过纹理分析可以得到物体的内在信息和结构。目前，纹理特征还没有统一精确的定义，也没有统一的提取标准与方法。利用显微图像灰度直方图的统计矩是纹理描述最简单的方法。其中，灰度直方图的均值描述了灰度集中趋势的指标；方差描述灰度值与均值之间的偏离程度，反映了灰度波动情况；对比度反映了图像清晰度和纹理沟纹深浅的程度。虽然作物的多样性、病害感染的复杂性，都会致使不同的作物感染不同的病害具体症状表现出很大的差异性，但是实验证明：灰度直方图的方差越大、对比度越强烈，作物叶片的纹理与叶片背景的差异越清楚；反映作物感染病虫害后叶片微观结构变化越大、病害感染症状越明显，病害感染程度越厉害。因此，本发明通过对显微图像的灰度直方图的均值、方差、对比度进行综合分析，可以揭示病害胁迫后叶片的纹理变化，从而可对早期病害程度作出评估。
与现有技术比较，本发明方法由于采用了上述技术方案，综合利用红外热成像技术、可见光-近红外高光谱成像技术、显微成像技术对病害胁迫下作物早期病害的多层次生物信息进行监测；因此可根据红外图像反应的作物表面温度信息首先判断作物受到病害胁迫后气孔异质性开闭情况，然后根据该情况利用可见光-近红外高光谱特征图像找出病斑分布位置，根据对作物各病斑区域拍摄的显微图像作出灰度直方图，最后综合利用灰度直方图的均值、方差、对比度，并根据所述特征图像中病斑数量以及分布情况对作物早期病害程度作出评估。
本发明方法通过不同波段多种检测技术的联合使用，揭示了病害入侵后作物不同感染阶段的特征信息，提高了对早期病害监测预警的灵敏度和时效性。本发明方法可实现作物感染潜育期和发病早期的监测预警，彻底克服了仅采用可见光-近红外高光谱成像或红外成像一种检测技术难以实现早期病害监测预警的缺陷。
附图说明
图1是用testo890红外热像仪所拍摄的整株烟草红外图像；
图2是用可见光相机拍摄的整株烟草可见光图像；
图3是利用可见光-近红外高光谱成像仪对不同观测区所对应的烟草进行拍摄而得到的光谱曲线图。
具体实施方式
下面以烟草为监测对象，结合附图和具体的实施例对本发明作进一步说明：
实施例1
1)用红外热像仪拍摄整株作物或者某一种植区域内的所有作物，得监测对象的红外图像；利用Canny算子对所述红外图像进行边缘检测，确定作物观测区；
2)算出所述观测区内所有像素点的平均温度ti是像素点i的温度，n是像素点的总数；
3)确定观测区内低于平均温度的所有像素点，算出观测区内所有低温像素点的平均温度tj是低温像素点j的温度，N是低温像素点的总数；
确定观测区内高于或等于平均温度t的所有像素点，算出观测区内所有高温像素点的平均温度tk是高温像素点k的温度，M是高温像素点的总数；
4)算出所述高温像素点的平均温度与所述低温像素点平均温度的温差
5)若观测区的温差ΔT＜T0，则认定尚未发生病害感染；反之，若ΔT≥T0，则认定已发生病害感染；其中，监测阈值T0＝5·NETD，NETD为红外热成像仪的热灵敏度，通常小于0.1℃；
6)利用可见光-近红外高光谱成像仪对温差ΔT≥T0的作物进一步监测拍摄，得高光谱图像；利用主成分分析方法对高光谱图像同时进行光谱与图像信息的压缩，并根据作物光谱变化确定特征图像；或者采用对监测波段内的所有图像进行连续播放、动态观察的方式，确定特征图像；
7)若所述特征图像中未出现早期病斑，则认定为作物病害感染为潜育期；若特征图像中出现早期病斑，则认定作物已发生早期病害；
8)利用显微成像设备对作物各病斑区域进行监测拍摄，得显微图像；
9)根据显微图像作出灰度直方图，综合利用灰度直方图的均值、方差、对比度，结合特征图像光谱的变化、以及特征图像中病斑数量和分布情况对作物早期病害程度作出评估。
实施例2
根据红外热成像所显示的温差，可以进一步对步骤8)中的潜育期病害程度进行分级：
1)若T0＜ΔT≤2T0，则认定作物处于潜育期轻度感染；
2)若2T0＜ΔT≤4T0，则认定作物处于潜育期中度感染；
3)若ΔT＞4T0，则认定作物处于潜育期重度感染。
在上述各实施例中，从图1可以看出，烟草叶面深色的部分为低温像素点区域(病害感染区域)；但从图2中则无法判定该烟草叶面已经发生了病害感染。可见，本发明能够对人眼难以察觉的早期病害进行无损准确识别，降低了病害分析的时间和成本；也可用于作物健康状态的无损检测。
从图3可以看出，烟草感染病害后，病斑处的光谱曲线总体趋势与正常烟草的光谱曲线差异较大，光谱变化较大的区域是绿光(550nm)附近和红光(680nm)附近。正常烟草的绿峰位置在550nm附近，而病斑烟草的反射光谱曲线在此波段并未形成绿峰；说明烟草病斑处的叶绿素含量减少。无论是病斑烟草还是病斑附近的烟草，其红边位置(680nm～740nm)均向短波方向移动(蓝移)；反映了植物叶绿素浓度的减少。这是由于叶绿素浓度减少导致光合作用减弱，消耗光子减少。
Claims (1)
1.一种农作物早期病害多层次信息监测预警方法，其特征在于步骤如下：
1)用红外热像仪拍摄整株作物或者某一种植区域内的所有作物，得监测对象的红外图像；利用Canny算子对所述红外图像进行边缘检测，确定作物观测区；
2)算出所述观测区内所有像素点的平均温度ti是像素点i的温度，n是像素点的总数；
3)确定观测区内低于平均温度的所有像素点，算出观测区内所有低温像素点的平均温度tj是低温像素点j的温度，N是低温像素点的总数；
确定观测区内高于或等于平均温度的所有像素点，算出观测区内所有高温像素点的平均温度tk是高温像素点k的温度，M是高温像素点的总数；
4)算出所述高温像素点的平均温度与所述低温像素点平均温度的温差
5)若观测区的温差ΔT＜T0，则认定尚未发生病害感染；反之，若ΔT≥T0，则认定已发生病害感染；其中，监测阈值T0＝5·NETD，NETD为红外热成像仪的热灵敏度；
6)利用可见光-近红外高光谱成像仪对温差ΔT≥T0的作物进一步监测拍摄，得高光谱图像；利用主成分分析方法对所述高光谱图像同时进行光谱与图像信息的压缩，并根据作物光谱变化确定特征图像；或者采用对监测波段内的所有图像进行连续播放、动态观察的方式，确定特征图像；
7)若所述特征图像中未出现早期病斑，则认定为作物病害感染为潜育期；若特征图像中出现早期病斑，则认定作物已发生早期病害；
8)利用显微成像设备对作物各病斑区域进行监测拍摄，得显微图像；
9)根据所述显微图像作出灰度直方图，综合利用灰度直方图的均值、方差、对比度，结合特征图像光谱的变化、以及特征图像中病斑数量和分布情况对作物早期病害程度作出评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710424804.8A CN107314816B (zh) | 2017-06-08 | 2017-06-08 | 农作物早期病害多层次信息监测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710424804.8A CN107314816B (zh) | 2017-06-08 | 2017-06-08 | 农作物早期病害多层次信息监测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107314816A CN107314816A (zh) | 2017-11-03 |
| CN107314816B true CN107314816B (zh) | 2018-12-28 |
Family
ID=60181712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710424804.8A Active CN107314816B (zh) | 2017-06-08 | 2017-06-08 | 农作物早期病害多层次信息监测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107314816B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460694A (zh) * | 2017-12-29 | 2018-08-28 | 广州源计划网络科技有限公司 | 农作物病毒多层次信息监测预警方法 |
| CN108510490B (zh) * | 2018-03-30 | 2021-02-19 | 深圳春沐源控股有限公司 | 一种分析虫害趋势的方法、装置及计算机存储介质 |
| CN112597892B (zh) * | 2020-12-23 | 2022-09-23 | 重庆邮电大学 | 一种汽车座舱内遗留物检测系统及检测方法 |
| CN113297925A (zh) * | 2021-04-30 | 2021-08-24 | 华中农业大学 | 一种果蔬全链条质量智能预警方法及系统 |
| CN114332621B (zh) * | 2021-12-30 | 2023-06-13 | 华智生物技术有限公司 | 一种基于多模型特征融合的病虫害识别方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102084794A (zh) * | 2010-10-22 | 2011-06-08 | 华南农业大学 | 多传感器信息融合的作物病虫害早期检测方法及装置 |
| CN102274833A (zh) * | 2011-04-26 | 2011-12-14 | 浙江大学 | 茄科蔬菜灰霉病自动分级装置 |
| CN103336010A (zh) * | 2013-07-10 | 2013-10-02 | 江苏大学 | 一种基于红外热成像技术的烟草病毒病早期检测方法 |
| US8947525B2 (en) * | 2011-11-04 | 2015-02-03 | Electronics And Telecommunications Research Institute | Plant observation device and method |
-
2017
- 2017-06-08 CN CN201710424804.8A patent/CN107314816B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN102084794A (zh) * | 2010-10-22 | 2011-06-08 | 华南农业大学 | 多传感器信息融合的作物病虫害早期检测方法及装置 |
| CN102274833A (zh) * | 2011-04-26 | 2011-12-14 | 浙江大学 | 茄科蔬菜灰霉病自动分级装置 |
| US8947525B2 (en) * | 2011-11-04 | 2015-02-03 | Electronics And Telecommunications Research Institute | Plant observation device and method |
| CN103336010A (zh) * | 2013-07-10 | 2013-10-02 | 江苏大学 | 一种基于红外热成像技术的烟草病毒病早期检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于图像灰度直方图特征的草莓病虫害识别;牛冲等;《江苏农业科学》;20170307;171页第2节 * |
| 高光谱图像技术诊断温室黄瓜病害的方法;田有文等;《农业工程学报》;20100531;图1-3及其表述 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107314816A (zh) | 2017-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107314816B (zh) | 农作物早期病害多层次信息监测预警方法 | |
| Liu et al. | Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms | |
| Yang et al. | Tea diseases detection based on fast infrared thermal image processing technology | |
| Kutty et al. | Classification of watermelon leaf diseases using neural network analysis | |
| JP2010521272A (ja) | 標準化された撮像データを実現するために撮像デバイスに自動品質フィードバックを与える方法 | |
| Cointault et al. | In‐field Triticum aestivum ear counting using colour‐texture image analysis | |
| CN105469383A (zh) | 基于多特征融合的无线胶囊内窥镜冗余图像筛除方法 | |
| Ganesh Babu et al. | Different stages of disease detection in squash plant based on machine learning | |
| CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| Sunoj et al. | Digital image analysis estimates of biomass, carbon, and nitrogen uptake of winter cereal cover crops | |
| CN103528967A (zh) | 基于高光谱图像的过熟蓝靛果果实识别方法 | |
| CN109389581A (zh) | 基于红外热成像边缘检测处理的小麦叶锈病分级的方法 | |
| Zhang et al. | Chlorophyll content detection of field maize using RGB-NIR camera | |
| Suzuki et al. | Image segmentation between crop and weed using hyperspectral imaging for weed detection in soybean field | |
| CN103674849A (zh) | 农作物氮素营养诊断传感器 | |
| CN104677920A (zh) | 一种基于果面局部灰度突变的水果表面虫眼检测标记方法 | |
| CN115953690B (zh) | 用于无人收割机行进校准的倒伏作物识别方法 | |
| Li et al. | Development of a real-time fruit recognition system for pineapple harvesting robots | |
| Yang et al. | Detection method of rice blast based on 4D light field refocusing depth information fusion | |
| Chen et al. | Research on pest image processing method based on Android thermal infrared lens | |
| Kırcı et al. | Vegetation measurement using image processing methods | |
| Khadabadi et al. | Identification and classification of diseases in carrot vegetable using Discrete Wavelet Transform | |
| Chang et al. | Improved deep learning-based approach for real-time plant species recognition on the farm | |
| Zhang et al. | A transformer-based image detection method for grassland situation of alpine meadows | |
| Ding et al. | Rice lodging area extraction based on YCbCr spatial and texture features |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20221226 Address after: No. C-Y-132, Venture Building, University Science Park, Guiyang University, No. 103, Jianlongdong Road, Guizhou Shuanglong Airport Economic Zone, Guiyang City, Guizhou Province 550005 Patentee after: Guizhou Tanqi Big Data Technology Co.,Ltd. Address before: 550005 Longdong Road, Guiyang, Guizhou, No. 103 Longdong Road Patentee before: guiyang University |