CN107818565A - 一种小麦一至三叶期麦苗数量调查方法 - Google Patents
一种小麦一至三叶期麦苗数量调查方法 Download PDFInfo
- Publication number
- CN107818565A CN107818565A CN201711182310.XA CN201711182310A CN107818565A CN 107818565 A CN107818565 A CN 107818565A CN 201711182310 A CN201711182310 A CN 201711182310A CN 107818565 A CN107818565 A CN 107818565A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- wheat
- msub
- wheat seeding
- 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.)
- Granted
Links
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
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种小麦一至三叶期麦苗数量调查方法,包括如下步骤:麦苗图像获取:通过数码相机、手机等图像采集设备获取田间麦苗图像;目标区域提取:利用一平米白框标定目标区域,并通过图像透射变换对区域进行矫正,再进行图像裁切;麦苗提取:利用颜色体征提取图像中的麦苗;麦苗盖度提取:通过麦苗所占像素与整幅图像像素的比值来计算麦苗盖度值;麦苗角点提取:利用角点检测算法实现小麦叶片重叠处角点的检测;品种和叶龄调查:人工调查品种和叶龄作为输入参数;麦苗估测:利用模型及输入参数估测麦苗数量。本发明利用图像分析方法实现小麦一至三叶期出苗情况调查,可快速获取田间苗数,为后期栽培管理提供依据。
Description
技术领域
本发明涉及一种小麦出苗情况调查方法,具体涉及一种小麦一至三叶期麦苗数量调查方法。
背景技术
小麦的产量和品质均受到种植密度的影响,田间麦苗数量是构建合理群体的基础,是建立最佳冠层结构的必要条件。及时调查单位面积麦苗数量不仅可以获取出苗情况,更为后期的栽培管理提供依据。目前苗数的获取多通过人工调查取样的办法进行,该方法对人力依赖性大,且调查准确率可控性差。
图像分析技术在植物生产中的应用已经深入到各个环节,而且这种应用还在不断的精细化。常见的应用包括:作物生物量的估测,营养状况的诊断,长势分析,生育进程监测,作物结构分析和病虫草害监测等。图像分析技术在植物数量性状获取方面也发挥了一定的作用,其中果实个数计算,作物籽粒计数,害虫的个数的监测。尽管图像分析技术在植物生产,尤其在目标物计数中有着广泛的应用,但关于麦苗计数的研究的报道较少。这主要是基于图像处理技术的麦苗的计数有几大难点,首先,麦苗不像作物籽粒和果实那样具有一定的规则,在分割时很难得到粘连目标的共性;其次,麦苗在图像中呈现的姿态各异,加大了麦苗分割的难度;再次,不同品种麦苗存在一定差异。因此,前人提出的图像分割与计数方法很难应用到麦苗计数上。
通常调查小麦出苗情况在1-3叶期进行,可以及时掌握缺苗情况,或进行补苗或进行田间管理。本方法利用图像分析手段探明1-3叶期的苗数的快速获取方法,构建不同品种、叶龄和播种密度在麦苗计数上的差异,构建麦苗数量计算模型。
发明内容
本发明的目的是提供一种快速测定小麦出苗情况的方法,尤其为小麦1-3叶期田间苗数的快速获取提供一种有效手段。
为达到上述目的,本发明提供的技术方案是:
一种小麦一至三叶期麦苗数量调查方法,包括如下步骤:
1)麦苗图像获取:通过数码相机、手机等图像采集设备获取田间麦苗图像;
2)目标区域提取:利用一平米白框标定目标区域,并通过图像透射变换对区域进行矫正,再进行图像裁切;
3)麦苗提取:利用颜色体征提取图像中的麦苗;
4)麦苗盖度提取:通过麦苗所占像素与整幅图像像素的比值来计算麦苗盖度值;
5)麦苗角点提取:利用角点检测算法实现小麦叶片重叠处角点的检测;
6)品种和叶龄调查:人工调查品种和叶龄作为输入参数;
7)麦苗估测:利用模型及输入参数估测麦苗数量,参数包括:麦苗盖度、角点数、品种、叶龄。
目标区域提取为:计算单位面积内的麦苗数,首先要提取单位面积区域,提取白框标定区域,并对区域进行矫正,具体步骤包括:
1)利用公式1提取原始图像中的白框,F(x,y)为白框,RGB图像中的红、绿、蓝三个颜色分量为r、g、b;
2)提取白框四个拐点,利用公式2计算白框边界点的曲率,并通过曲率的变化获取四个角点,C(k,i)为边界点i处的k邻域链码,θi为边界点处切线倾角的差分表示,为初步得到边界i点处的曲率,由于拐点及其附近点处初步得到的曲率往往有相对较大值,在检测拐点时,通过ei表示曲率;
3)图像透视变换,由于拍摄位置不同,白框区域会存在扭曲,影响后期处理,利用公式(3)对图像进行透视变换,u,v为原始图片左侧,变换后图像的坐标x=x’/w’,y=y’/w’,矩阵表示线性变换和平移,通过已知4个点求解方程系数,w=1,a11至a33为选定的参照点,即白框端点;
4)图像裁切,白框在透视变换后的图像中为正方形,以白框的四个边为界线,获取的图像即为1平米的目标区域。
麦苗提取为:通过公式(4)提取田间绿色部分,并通过形态学的腐蚀、膨胀和孔洞填充来提取完整的麦苗;
ExG=1.8*g-r-b (4)。
建立的单位面积麦苗数量估测模型应包括:麦苗盖度(Co),反映重叠情况的角点数量(Ha),小麦叶龄(La),品种(Va);盖度即为叶片像素数总像素数的比例,利用公式5计算。
利用公式6-8检测图像中的角点,其中E(u,v)为灰度变化值,(u,v)是平移量,Ix,Iy为图像灰度值,w(x,y)为窗口函数,R为角点响应函数。
R=det(M)-k*trace2(M) (8)
叶龄和品种通过人工调查获取。
模型构建为利用多元逐步回归法(SMLR)建立麦苗估测模型,依据R2,RMSEP,REP验证模型的优劣;R2和RMSEP用于说明模型的稳定性以及测量值与真实值的平均偏差,REP用于评价模型的预测精度;数据分为两组,一组用于建模,另一组进行验证;同时对品种,叶龄和密度进行验证。
麦苗提取与角点检测中,将1至3叶期的模型转变为:
利用不同品种和不同叶龄的数据,通过回归分析求得a、b、c、d值,Va是品种系数;通过品种参数Va的调节,模型在不同品种上的使用差异较小;相比分开建模,整体模型的精度略有降低,但增加了模型的应用范围和应用时期。
与现有技术相比,本发明的有益效果是:
本发明利用图像分析方法实现小麦一至三叶期出苗情况调查,可快速获取田间苗数,为后期栽培管理提供依据。
附图说明
图1:目标区域提取。
图2:不同数量不同叶龄麦苗图像。
图3:麦苗提取与角点检测结果。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
一种快速测定一至三叶期小麦出苗情况的方法,包括如下工艺步骤:
A、麦苗图像获取:通过数码相机、手机等图像采集设备获取田间麦苗图像;
B、目标区域提取:利用一平米白框标定目标区域,并通过图像透射变换对区域进行矫正,再进行图像裁切;
C、麦苗提取:利用颜色体征提取图像中的麦苗;
D、麦苗盖度提取:通过麦苗所占像素与整幅图像像素的比值来计算麦苗盖度值;
E、麦苗角点提取:利用角点检测算法实现小麦叶片重叠处角点的检测。
F、品种和叶龄调查:人工调查品种和叶龄作为输入参数。
G、麦苗估测:利用模型及输入参数估测麦苗数量,参数包括:麦苗盖度、角点数、品种、叶龄。
具体包括:
1.目标区域提取
若要计算单位面积内的麦苗数,首先需要提取单位面积区域,本研究中则是提取白框标定区域(图1(a)),并对区域进行矫正,具体步骤包括:1)利用公式1提取原始图像中的白框,F(x,y)为白框,RGB图像中的红、绿、蓝三个颜色分量为r、g、b,白框提取效果如图1(b);
2)提取白框四个拐点,利用公式2计算白框边界点的曲率,并通过曲率的变化获取图1(b)中的四个角点,C(k,i)为边界点i处的k邻域链码,θi为边界点处切线倾角的差分表示,为初步得到边界i点处的曲率,由于拐点及其附近点处初步得到的曲率往往有相对较大值,在检测拐点时,通过ei表示曲率;
3)图像透视变换,由于拍摄位置不同,白框区域会存在扭曲,影响后期处理,研究利用公式(3)对图像进行透视变换,变换效果如图1(c),u,v为原始图片左侧,变换后图像的坐标x=x’/w’,y=y’/w’,矩阵表示线性变换和平移,通过已知4个点求解方程系数(本研究中即为图1(b)中检测的四个点)。
4)图像裁切,白框在透视变换后的图像中为正方形,以白框的四个边为界线,获取的图像(图1(d))即为1平米的目标区域。
2.麦苗提取
研究通过公式(4)提取田间绿色部分,并通过形态学的腐蚀、膨胀和孔洞填充来提取完整的麦苗。
ExG=1.8*g-r-b (4)
3.特征值提取
图2为不同叶龄和不同粘连情况的麦苗图像,从图像中可以看出随着叶龄和粘连麦苗数量的增加,区域盖度值和角点数量也会增加。单位面积内的麦苗数量越多,则盖度越大,这是一个客观存在现象,但在单独利用盖度建立麦苗估测模型时,估测模型的适应性较差,造成这种模型适应差的原因在于:1)当麦苗重叠情况较多时,盖度会受到影响,只有降低这种情况对盖度影响才能提高模型的适应性;2)麦苗重叠时叶片之间会产生角点,重叠越严重角点的数量越多,因此角点数量可以反映麦苗重叠情况;3)麦苗数量最佳调查时期为1-3叶期,叶龄不同,盖度也也会受到影响,建立模型时应将叶龄考虑在内;4)不同小麦品种幼苗叶片大小不同,盖度也会受到影响,因此,建立麦苗估测模型需将品种考虑在内。介于以上因素我们认为,建立的单位面积麦苗数量估测模型应包括:麦苗盖度(Co),反映重叠情况的角点数量(Ha),小麦叶龄(La),品种(Va)。盖度即为叶片像素数总像素数的比例,利用公式5计算。
利用公式6-8检测图像中的角点,其中E(u,v)为灰度变化值,(u,v)是平移量,Ix,Iy为图像灰度值,w(x,y)为窗口函数,R为角点响应函数。
R=det(M)-k*trace2(M) (8)
叶龄和品种通过人工调查获取。
4.模型构建
利用多元逐步回归法(SMLR)建立麦苗估测模型,依据R2,RMSEP,REP验证模型的优劣。R2和RMSEP用于说明模型的稳定性以及测量值与真实值的平均偏差,REP用于评价模型的预测精度。数据分为两组,一组用于建模,另一组进行验证。同时对品种,叶龄和密度进行验证。
5.麦苗提取与角点检测
通过2.2节方法可以准确的对目标区域进行矫正,消除由于拍摄图像时造成的目标区域变形。利用公式4可以将图像中大部分麦苗提取出来,但有一些杂质(图3(a))。使用形态学腐蚀和膨胀操作后可消除图像中的杂质(图3(b)),提高盖度计算和角点计算精度。如图3(c)所示,图像中麦苗拐点可以准确的被检测到,为后期的模型构建提供精准的基础参数。
将1至3叶期的模型转变转变为:
利用不同品种和不同叶龄的数据,通过回归分析求得a=0.44,b=110.43,c=3.35.d=1.11,Va是品种系数。不同品种的建模和验证结果如表2所示,无论是建模还是验证过程,R2均超过0.95,RMSE也保持一个较小的范围。通过品种参数Va的调节,模型在不同品种上的使用差异较小。相比分开建模,整体模型的精度略有降低,但增加了模型的应用范围和应用时期。
表2建模和模型验证结果
以上所述,仅是本发明的较佳实施例,并非对本发明作任何形式上的限制,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,依据本发明的技术实质,对以上实施例所作的任何简单的修改、等同替换与改进等,均仍属于本发明技术方案的保护范围之内。
Claims (6)
1.一种小麦一至三叶期麦苗数量调查方法,其特征在于:包括如下步骤:
1)麦苗图像获取:通过数码相机、手机等图像采集设备获取田间麦苗图像;
2)目标区域提取:利用一平米白框标定目标区域,并通过图像透射变换对区域进行矫正,再进行图像裁切;
3)麦苗提取:利用颜色体征提取图像中的麦苗;
4)麦苗盖度提取:通过麦苗所占像素与整幅图像像素的比值来计算麦苗盖度值;
5)麦苗角点提取:利用角点检测算法实现小麦叶片重叠处角点的检测;
6)品种和叶龄调查:人工调查品种和叶龄作为输入参数;
7)麦苗估测:利用模型及输入参数估测麦苗数量,参数包括:麦苗盖度、角点数、品种、叶龄。
2.根据权利要求1所述的小麦一至三叶期麦苗数量调查方法,其特征在于:目标区域提取为:
计算单位面积内的麦苗数,首先提取单位面积区域,提取白框标定区域,并对区域进行矫正,具体步骤包括:
1)利用公式1提取原始图像中的白框,F(x,y)为白框,RGB图像中的红、绿、蓝三个颜色分量为r、g、b;
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "}">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>></mo>
<mn>2.1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>r</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>b</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo><</mo>
<mn>0.05</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
2)提取白框四个拐点,利用公式2计算白框边界点的曲率,并通过曲率的变化获取四个角点,C(k,i)为边界点i处的k邻域链码,θi为边界点处切线倾角的差分表示,为初步得到边界i点处的曲率,由于拐点及其附近点处初步得到的曲率往往有相对较大值,在检测拐点时,通过ei表示曲率;
3)图像透视变换,由于拍摄位置不同,白框区域会存在扭曲,影响后期处理,利用公式(3)对图像进行透视变换,(u,v)为原始图片坐标,变换后图像的坐标x=x’/w’,y=y’/w’,矩阵表示线性变换和平移,通过已知4个点求解方程系数,w=1,a11至a33为选定的参照点,即白框端点;
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>,</mo>
<msup>
<mi>w</mi>
<mo>&prime;</mo>
</msup>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>,</mo>
<mi>w</mi>
<mo>&rsqb;</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>13</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>23</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>a</mi>
<mn>31</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>32</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>a</mi>
<mn>33</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
4)图像裁切,白框在透视变换后的图像中为正方形,以白框的四个边为界线,获取的图像即为1平米的目标区域。
3.根据权利要求1所述的小麦一至三叶期麦苗数量调查方法,其特征在于:麦苗提取为:通过公式(4)提取田间绿色部分,并通过形态学的腐蚀、膨胀和孔洞填充来提取完整的麦苗;
ExG=1·8*g-r-b (4)。
4.根据权利要求1所述的小麦一至三叶期麦苗数量调查方法,其特征在于:建立的单位面积麦苗数量估测模型应包括:麦苗盖度(Co),反映重叠情况的角点数量(Ha),小麦叶龄(La),品种(Va);盖度即为叶片像素数总像素数的比例,利用公式5计算。
<mrow>
<mi>C</mi>
<mi>o</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>S</mi>
<mi>e</mi>
<mi>e</mi>
<mi>d</mi>
<mi>l</mi>
<mi>i</mi>
<mi>n</mi>
<mi>g</mi>
<mi> </mi>
<mi>A</mi>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
</mrow>
<mrow>
<mi>Im</mi>
<mi>a</mi>
<mi>g</mi>
<mi>e</mi>
<mi> </mi>
<mi>a</mi>
<mi>r</mi>
<mi>e</mi>
<mi>a</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
利用公式6-8检测图像中的角点,其中E(u,v)为灰度变化值,(u,v)是平移量,Ix,Iy为图像灰度值,w(x,y)为窗口函数,R为角点响应函数;
<mrow>
<mi>E</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mo>&lsqb;</mo>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mi>M</mi>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mi>u</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>v</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>M</mi>
<mo>=</mo>
<msub>
<mo>&Sigma;</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
</mrow>
</msub>
<mi>w</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<msubsup>
<mi>I</mi>
<mi>x</mi>
<mn>2</mn>
</msubsup>
</mtd>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mi>x</mi>
</msub>
<msub>
<mi>I</mi>
<mi>y</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>I</mi>
<mi>x</mi>
</msub>
<msub>
<mi>I</mi>
<mi>y</mi>
</msub>
</mrow>
</mtd>
<mtd>
<msubsup>
<mi>I</mi>
<mi>y</mi>
<mn>2</mn>
</msubsup>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
R=det(M)-k*nace2(M) (8)
叶龄和品种通过人工调查获取。
5.根据权利要求1所述的小麦一至三叶期麦苗数量调查方法,其特征在于:模型构建为利用多元逐步回归法(SMLR)建立麦苗估测模型,依据R2,RMSEP,REP验证模型的优劣;R2和RMSEP用于说明模型的稳定性以及测量值与真实值的平均偏差,REP用于评价模型的预测精度;数据分为两组,一组用于建模,另一组进行验证;同时对品种,叶龄和密度进行验证。
6.根据权利要求1所述的小麦一至三叶期麦苗数量调查方法,其特征在于:麦苗提取与角点检测中,将1至3叶期的模型转变为:
<mrow>
<mi>S</mi>
<mi>N</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>V</mi>
<mi>a</mi>
<mo>&times;</mo>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mo>&times;</mo>
<mi>H</mi>
<mi>a</mi>
<mo>+</mo>
<mi>b</mi>
<mo>&times;</mo>
<mi>C</mi>
<mi>o</mi>
<mo>+</mo>
<mi>c</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mi>d</mi>
<mo>&times;</mo>
<mi>L</mi>
<mi>a</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
利用不同品种和不同叶龄的数据,通过回归分析求得a、b、c、d值,Va是品种系数;通过品种参数Va的调节,模型在不同品种上的使用差异较小;相比分开建模,整体模型的精度略有降低,但增加了模型的应用范围和应用时期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711182310.XA CN107818565B (zh) | 2017-11-23 | 2017-11-23 | 一种小麦一至三叶期麦苗数量调查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711182310.XA CN107818565B (zh) | 2017-11-23 | 2017-11-23 | 一种小麦一至三叶期麦苗数量调查方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107818565A true CN107818565A (zh) | 2018-03-20 |
CN107818565B CN107818565B (zh) | 2021-05-18 |
Family
ID=61610020
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711182310.XA Active CN107818565B (zh) | 2017-11-23 | 2017-11-23 | 一种小麦一至三叶期麦苗数量调查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107818565B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523550A (zh) * | 2019-01-07 | 2019-03-26 | 扬州大学 | 一种五因素小麦出苗情况评价方法 |
CN112183329A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 植株的补种信息识别方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030072484A1 (en) * | 2001-09-17 | 2003-04-17 | Kokko Eric Gerard | Method and apparatus for identifying and quantifying characteristics of seeds and other small objects |
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 |
CN105009878A (zh) * | 2015-07-01 | 2015-11-04 | 中国农业科学院作物科学研究所 | 一种小麦立体匀播种植方法 |
CN105447860A (zh) * | 2015-11-18 | 2016-03-30 | 扬州大学 | 一种麦苗计数方法 |
CN106596547A (zh) * | 2017-01-13 | 2017-04-26 | 西北农林科技大学 | 一种小麦条锈病孢子图像远程实时传输及处理系统的方法 |
CN107256421A (zh) * | 2017-05-17 | 2017-10-17 | 扬州大学 | 一种稻麦籽粒快速计数方法 |
CN107274384A (zh) * | 2017-05-17 | 2017-10-20 | 扬州大学 | 一种小麦出苗均匀度测定方法 |
-
2017
- 2017-11-23 CN CN201711182310.XA patent/CN107818565B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030072484A1 (en) * | 2001-09-17 | 2003-04-17 | Kokko Eric Gerard | Method and apparatus for identifying and quantifying characteristics of seeds and other small objects |
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 |
CN105009878A (zh) * | 2015-07-01 | 2015-11-04 | 中国农业科学院作物科学研究所 | 一种小麦立体匀播种植方法 |
CN105447860A (zh) * | 2015-11-18 | 2016-03-30 | 扬州大学 | 一种麦苗计数方法 |
CN106596547A (zh) * | 2017-01-13 | 2017-04-26 | 西北农林科技大学 | 一种小麦条锈病孢子图像远程实时传输及处理系统的方法 |
CN107256421A (zh) * | 2017-05-17 | 2017-10-17 | 扬州大学 | 一种稻麦籽粒快速计数方法 |
CN107274384A (zh) * | 2017-05-17 | 2017-10-20 | 扬州大学 | 一种小麦出苗均匀度测定方法 |
Non-Patent Citations (2)
Title |
---|
刘涛 等: "基于图像处理技术的大田麦穗计数", 《农业机械学报》 * |
武威 等: "基于图像处理的小麦种植密度估算研究", 《扬州大学学报(农业与生命科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523550A (zh) * | 2019-01-07 | 2019-03-26 | 扬州大学 | 一种五因素小麦出苗情况评价方法 |
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 |
CN112183329A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 植株的补种信息识别方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107818565B (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
CN104457626B (zh) | 一种基于激光雷达点云技术的植物叶面积指数测定方法 | |
CN105740759B (zh) | 基于多时相数据中特征提取的中稻信息决策树分类方法 | |
CN106951836A (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
CN112749627A (zh) | 一种基于多源遥感影像的烟草动态监测的方法和装置 | |
CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
CN110414738A (zh) | 一种农作物产量预测方法及系统 | |
KR20200020209A (ko) | 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치 | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
Yang et al. | A VI-based phenology adaptation approach for rice crop monitoring using UAV multispectral images | |
CN107818565A (zh) | 一种小麦一至三叶期麦苗数量调查方法 | |
CN110321774A (zh) | 农作物灾情评估方法、装置、设备及计算机可读存储介质 | |
CN103413172B (zh) | 玉米苗期缺苗数的测量方法 | |
CN115249240A (zh) | 一种面向单株大豆密集豆荚的自动计数检测方法 | |
CN109827957A (zh) | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
CN113989689B (zh) | 一种基于无人机的农作物病虫害识别方法及系统 | |
CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
CN107256421A (zh) | 一种稻麦籽粒快速计数方法 | |
KR101810901B1 (ko) | 작물체의 생육 시뮬레이션 장치 | |
CN109242875A (zh) | 一种冬小麦种植面积提取方法和系统 | |
CN111583050B (zh) | 融合多尺度遥感影像的农作物病虫害预警方法及系统 |
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 |