CN107945162A - 基于计算机视觉技术对红火蚁巢的检测识别方法 - Google Patents

基于计算机视觉技术对红火蚁巢的检测识别方法 Download PDF

Info

Publication number
CN107945162A
CN107945162A CN201711178612.XA CN201711178612A CN107945162A CN 107945162 A CN107945162 A CN 107945162A CN 201711178612 A CN201711178612 A CN 201711178612A CN 107945162 A CN107945162 A CN 107945162A
Authority
CN
China
Prior art keywords
ant
ant nest
spectral
nest
red fire
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.)
Pending
Application number
CN201711178612.XA
Other languages
English (en)
Inventor
吴伟斌
许益镌
高婷
刘文超
李泽艺
张震邦
杨晓彬
刘佛良
陈理
付正德
宋倩
黄冰瑜
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN201711178612.XA priority Critical patent/CN107945162A/zh
Publication of CN107945162A publication Critical patent/CN107945162A/zh
Pending legal-status Critical Current

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
    • G06T7/0012—Biomedical image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • 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
    • G06T2207/10048—Infrared 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及基于计算机视觉技术对红火蚁巢的检测识别方法，属于农业运输机械的技术领域。本发明包括步骤：利用光谱辐射仪采集光谱图像信息，然后把采集到的光谱图像数据由asd文件转换成txt文件；对光谱图像信息进行数据处理，包括数据获取、数据处理、数据分析以及数据验证；用数字图像处理技术提取红火蚁蚁巢特征参数，建立HSV彩色空间模型，根据H分量的值，判断是否为红火蚁蚁巢土。本发明基于高光谱与图像技术对蚁巢巢土进行检测，找出红火蚁蚁巢区别于周围其他事物的光谱特征，以红火蚁蚁巢土的图像为基础，最终识别出红火蚁蚁巢土。

Description

基于计算机视觉技术对红火蚁巢的检测识别方法
技术领域
本发明涉及高光谱信号采集和计算机图像处理的技术领域，尤其涉及基于计算机视觉技术对红火蚁巢的检测识别方法。
背景技术
在农业上，近红外光谱的分析应用较为广泛，在电磁光谱中，400-700nm的可见光使生命得以生存，而位于可见光之外的近红外光谱(NIR，波长为0.75-2.5μm)可以分析生物的所有组分。近红外光谱(Near Infrared Spectroscopy，NIRS)分析技术是20世纪80年代后期迅速发展起来的一项测试技术。目前，高光谱技术已经广泛应用于矿山资源、土壤、植被、精细农业、大气环境以及水环境监测等方面，充分展示了高光谱技术的优势与潜力。分类识别技术一直都是遥感应用中的重要技术之一，传统的分类识别技术已经在多光谱数据的分类处理方面取得了成功；而高光谱的数据量大，它的出现和应用对分类方法提出了新的挑战。
目前，在野外鉴别红火蚁蚁巢的方法一般是采用肉眼观察的方法，先比较目标土堆与周围普通土壤的颜色、形状，再用硬物对目标土堆进行干扰，然后根据红火蚁蚁巢特征及红火蚁主动攻击入侵者的行为进行判断。若通过该方法来进行红火蚁疫情调查的话，将耗时耗力，且效率很低。因此，能够发现和掌握红火蚁蚁巢的快速准确检测技术，然后再诱杀红火蚁，是该害虫大面积防控的关键。
如果能通过光谱来识别红火蚁巢穴，基于光谱图像的遥感检测技术将在到农业生产中的应用，将会对红火蚁巢穴的测量更准确、方便，方便农业方面的生物防治工作开展。
发明内容
为了解决现有技术所存在的问题，本发明提出基于计算机视觉技术对红火蚁巢的检测识别方法，基于高光谱与图像技术对蚁巢巢土进行检测，找出红火蚁蚁巢区别于周围其他事物的光谱特征，以红火蚁蚁巢土的图像为基础，最终识别出红火蚁蚁巢土。
本发明采用如下技术方案实现：基于计算机视觉技术对红火蚁巢的检测识别方法，包括以下步骤：
S1、利用光谱辐射仪采集光谱图像信息，然后把采集到的光谱图像数据由asd文件转换成txt文件；
S2、对光谱图像信息进行数据处理，包括数据获取、数据处理、数据分析以及数据验证；
S3、用数字图像处理技术提取红火蚁蚁巢特征参数，建立HSV彩色空间模型，根据H分量的值，判断是否为红火蚁蚁巢土。
优选地，步骤S2所述数据获取过程为：选择红火蚁蚁巢土、草以及普通土3种地物进行试验，每种地物选取8处，每处分别测量3个不同的点，共测到72个样本点，利用光谱辐射仪进行光谱测量；将每种地物的24个样本点光谱反射率进行平均，求得每种地物的光谱反射率值。
优选地，步骤S3中，当HSV彩色空间模型的色调通道的平均值H＜30时，判定为红火蚁蚁巢土。
从以上技术方案可知，本发明采用高光谱与图像技术对红火蚁蚁巢进行检测，以红火蚁蚁巢土为主要研究对象，然后通过FieldSpec-FR地物谱仪设备来采集光谱信息，并且对光谱数据进行分析，最后找出红火蚁蚁巢区别于周围其他事物的光谱特征，从而快速判断检测出红火蚁蚁巢土；以红火蚁蚁巢土的图像为基础，通过计算机的图像软件、图像处理算法一系列处理，从而识别出红火蚁蚁巢土。与现有技术相比，本发明具有如下优点和有益效果：
1、本发明的整个红火蚁巢的检测识别设备，结构简易，实现模块化安装，安装便捷，维护方便，不会出现某部件损坏就导致整个系统要更换的风险。
2、本发明使用光谱信息采集技术，在正确的工作环境下能够较准确地采集到光谱信息，而且能够很好地运用到后续的分析当中。
3、具有图像处理识别红火蚁蚁巢土的功能，通过对红火蚁蚁巢土图像的处理，得到HSV颜色模型；在HSV颜色模型中，只要阈值H＜30，就能判断是红火蚁蚁巢土，算法不复杂，运行速度快。
4、利用ViewSpecPro、Excel等软件构建LAI与光谱图像信息的数据分析系统，能够对红火蚁蚁巢土、普通土以及草进行识别，并且证明识别不同地物的波段大都位于近红外波段。
附图说明
图1是本发明采集图像信息的流程图；
图2是本发明数据分析与验证的流程图；
图3是本发明数据分析的过程图。
具体实施方式
下面将结合附图和实施例来对本发明做进一步详细的说明，但本发明的实施方式不限于此。
实施例
本发明基于计算机视觉技术对红火蚁巢的检测识别方法，主要是通过区分蚁巢土与其他土壤来进行红火蚁巢土的准确快速识别；具体通过ASDFieldSpec Pro FR光谱辐射仪(即地物谱仪)采集红火蚁巢穴及普通土壤的光谱数据信息，并且对两种光谱数据信息进行对应的分析，最后得出红火蚁蚁巢土与周围其他土壤的光谱特征，从而快速判断检测出红火蚁蚁巢土；此外，根据红火蚁蚁巢土的图像，上位机进行一系列图像处理，从而识别出红火蚁蚁巢土。上位机可采用图像处理软件Microsoft Visual Studio 2010。
基于ASDFieldSpec Pro FR光谱辐射仪的检测，波长范围为300-1100nm，光谱采样间隔为1.6nm，灵敏度线性为±1％。可用于户外目标可见-近红外波段的光谱辐射测量。该光谱仪在户外主要利用太阳辐射作为照明光源，利用响应度定标数据，可测量并获得地物目标的光谱亮度；利用漫反射参考板对比测量，可获得目标的反射率光谱信息；通过对经过标定的漫反射参考板的测量，可获得地面的总照度以及直射、漫射照度光谱数据信息；利用辅助测量机械装置，可获得地面目标的光谱信息参数。
在基于复杂背景(存在诸如光照强度、露珠、杂草等干扰)的研究领域，农作物的一些轮廓特征提取比较困难，上位机通过Microsoft Visual Studio 2010编写高效率识别图像算法，确定阈值为128，把红火蚁蚁巢土和草分割开来，同时二值变换的结果图像具备良好的保形性，不丢掉有用的形状信息。图片的信息量很大，采用二值图像进行处理，大大地提高处理效率。
红火蚁巢穴的微量元素的变化识别检测方面的检测加强。针对红火蚁巢穴形状多样、红火蚁生长状况和环境复杂，开发具通用性、强健性的智能识别方法。
本发明基于计算机视觉技术对红火蚁巢的检测识别方法，其流程如下：
S1、利用光谱辐射仪(即地物谱仪)采集光谱图像信息，然后把采集到的光谱图像数据由asd文件转换成txt文件，如图1所示。
(1)将地物谱仪探头对准白板，注意白板要充满视场。在RS3里按OPT进行优化，如果光度足够强，可以看到图像在y轴1处呈一条直线，表示实验环境光强足够。如果在光度不够或者有云的情况下，图像就会是曲线，或者是看到某些地方有干扰。
(2)优化之后，将仪器探头放置在距离地物表面最高处30cm的位置，确定地物表面充满探头的视场。在RS3软件里按WR按钮，开始测出地物表面的反射率。注意测量的时候应该避免有其他物体阴影在探头的视场里。
(3)观测RS3软件里的图像，让图像稳定之后，按下空白键储存或者设置自动储存，在同一个点测出三个以上的光谱图像信息。
(4)将得到的光谱图像信息保存好，然后用ViewSpecPro软件对光谱图像信息进行提取。使用ViewSpecPro软件可以把采集到的光谱图像数据由asd文件转换成txt文件，然后再把txt文件导入Excel，使数据更容易处理。因为FieldSpec-FR地物谱仪所自带的软件RS3，所提供的功能只是对光谱数据进行显示，还有一些简单的处理，并有提供像Excel、SPSS等统计软件的统计处理，所以要把asd文件转换成txt文件再导入统计软件进行更详细、更准确的后续处理。
S2、对光谱图像信息进行数据处理，包括数据获取、数据处理、数据分析以及数据验证，如图2所示。
S2.1、数据获取
选择了红火蚁蚁巢土、草以及普通土3种地物进行试验，每种地物选取8处，每处分别测量3个不同的点，共测到72个样本点。野外采样在晴朗的天气进行，选择阳光充足下的红火蚁蚁巢土、草以及普通土进行测量，利用ASDFieldSpec Pro FR光谱辐射仪进行光谱测量。该光谱仪的波段范围为350～2500nm，共2151个波段，为了光谱测量的准确性和稳定性，每测完6个样本进行一次标准白板的校正。将每种地物的24个样本点光谱反射率进行平均，求得每种地物的光谱反射率值。
S2.2、高光谱数据处理
ASDFieldSpec Pro FR光谱辐射仪采用一阶微分变换有利于限制低频背景光谱，能够有效地消除光谱数据之间的系统误差、削弱大气辐射、散射和吸收等背景噪声对目标光谱的影响；光谱微分可以增强光谱曲线在坡度上的细微变化，分辨重叠光谱，便于提取可识别地物的光谱吸收峰参数。对原始光谱数据，用一阶微分变换后的光谱进行相同处理应该能取得更好的识别精度。
对原始光谱数据进行以下三种处理：一阶微分d(R)、对数变换LOG(R)以及对数变换后进行一阶微分d(LOG(R))，分别为公式(1)、(2)和(3)所示。
1)对R的一阶微分变换
Δλ为两倍波段宽；
2)对R的对数变换
lnR＝(ln r1，ln r2，...，ln rn) 公式(2)
3)对ln R的一阶微分变换，即d(ln R) 公式(3)
S2.3、分析数据，如图3所示。
分别进行原始光谱曲线分析、光谱一阶微分分析、光谱对数变换曲线分析、光谱对数变换后一阶微分曲线分析。
S2.4、结果分析与检验
为检验以上方法所选波段识别地物的效果，采用欧氏距离法进行检验。以一阶微分法所选波段检验为例，首先计算所选波段的每种地物24个样本的一阶微分平均值，然后以任一种地物为比较地物，分别计算每种地物每个样本与比较地物的平均值之间的欧氏距离，如(4)式所示；最后计算这24个样本的欧氏距离平均值，如(5)式所示。如果不同地物间欧氏距离的平均值大于同种地物欧氏距离的平均值，则说明所选波段能够有效区分不同地物。其他方法所选波段的检验过程相同。
式中，是地物M第i个样本与比较地物N之间的欧氏距离；DMN是地物M与地物N之间欧氏距离的平均值；是地物M第i个样本第k波段光谱反射率、一阶微分、对数变换、对数变换后一次微分值；是比较地物N第k波段72个样本光谱反射率、一阶微分、对数变换、对数变换后一次微分的平均值；i是样本个数(i＝1，2，3，...，72)；n是波段总数；K样本总数(K＝72)。
S3、用数字图像处理技术提取红火蚁蚁巢特征参数，建立HSV彩色空间模型，根据H分量的值，判断是否为红火蚁蚁巢土。
本发明适用于对农田生产中红火蚁巢穴的检测识别、分析处理。为探讨基于计算机视觉技术对红火蚁蚁巢进行探测识别的可行性，本发明利用数字图像处理技术提取红火蚁蚁巢特征参数，通过数学形态学对数字图像进行目标提取和识别。采用图像识别红火蚁蚁巢土建立了HSV彩色空间模型，由于各个红火蚁蚁巢土和普通土样本的H分量差异明显，一般土壤H值大于30，而红火蚁蚁巢土土壤的H值小于30；因此，将H分量作为识别红火蚁蚁巢土的一项特征参数。当HSV彩色空间模型的色调通道的平均值H＜30时，即可判定为红火蚁蚁巢土。
需说明的是，检测时选取测量具有代表性的目标，应能真实反映被测目标的平均自然性。检测环境要求：对一般无严重大气污染地区，测量时的空气水平能见度要求不小10km；云量限定在太阳周围90°立体角，淡积云量，无卷云、浓积云等，光照稳定；野外光谱测试的基本要求是在晴天中午前后进行，风力不超过5级，如果测试土壤光谱，必须在雨过3天以后进行。
测量时，地物谱仪应向下正对着被测物体，至少保持与水平面的法线夹角在±10°之内，保持一定的距离；探头距离地面高度通常在20cm内，以便获取平均光谱。视域范围可以根据相对高度和视场角计算。如果有多个探头可选，则在野外尽量选择宽视域探头。当野外地物范围比较大，物种纯度比较高、观测距离比较近时，选用较大视场角的探头；当地物分布面积较小时，或者物种在近距离内比较混杂，或需要测量远处地物时，则选用小视场角的探头。探头定位时必须避免阴影，人应该面向阳光，这样可以得到一致的测量结果。野外大范围测试光谱数据时，需要沿着阴影的反方向布置测点。另外，天气较好时每隔几分钟就要用白板校正1次，防止传感器响应系统的漂移和太阳入射角的变化影响，如果天气较差，校正应更频繁；校正时白板应放置水平。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (7)

1.基于计算机视觉技术对红火蚁巢的检测识别方法，其特征在于，包括以下步骤：
S1、利用光谱辐射仪采集光谱图像信息，然后把采集到的光谱图像数据由asd文件转换成txt文件；
S2、对光谱图像信息进行数据处理，包括数据获取、数据处理、数据分析以及数据验证；
S3、用数字图像处理技术提取红火蚁蚁巢特征参数，建立HSV彩色空间模型，根据H分量的值，判断是否为红火蚁蚁巢土。
2.根据权利要求1所述的基于计算机视觉技术对红火蚁巢的检测识别方法，其特征在于，所述步骤S1利用ViewSpecPro软件把采集到的光谱图像数据由asd文件转换成txt文件。
3.根据权利要求1所述的基于计算机视觉技术对红火蚁巢的检测识别方法，其特征在于，步骤S2所述数据获取过程为：
选择红火蚁蚁巢土、草以及普通土3种地物进行试验，每种地物选取8处，每处分别测量3个不同的点，共测到72个样本点，利用光谱辐射仪进行光谱测量；将每种地物的24个样本点光谱反射率进行平均，求得每种地物的光谱反射率值。
4.根据权利要求1所述的基于计算机视觉技术对红火蚁巢的检测识别方法，其特征在于，步骤S2所述数据处理过程为：
一阶微分、对数变换以及对数变换后进行一阶微分。
5.根据权利要求4所述的基于计算机视觉技术对红火蚁巢的检测识别方法，其特征在于，步骤S2所述数据分析过程为：进行原始光谱曲线分析、光谱一阶微分分析、光谱对数变换曲线分析和光谱对数变换后一阶微分曲线分析。
6.根据权利要求1所述的基于计算机视觉技术对红火蚁巢的检测识别方法，其特征在于，步骤S2所述数据验证采用欧氏距离法进行检验。
7.根据权利要求1所述的基于计算机视觉技术对红火蚁巢的检测识别方法，其特征在于，步骤S3中，当HSV彩色空间模型的色调通道的平均值H＜30时，判定为红火蚁蚁巢土。
CN201711178612.XA 2017-11-23 2017-11-23 基于计算机视觉技术对红火蚁巢的检测识别方法 Pending CN107945162A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711178612.XA CN107945162A (zh) 2017-11-23 2017-11-23 基于计算机视觉技术对红火蚁巢的检测识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711178612.XA CN107945162A (zh) 2017-11-23 2017-11-23 基于计算机视觉技术对红火蚁巢的检测识别方法

Publications (1)

Publication Number Publication Date
CN107945162A true CN107945162A (zh) 2018-04-20

Family

ID=61930000

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711178612.XA Pending CN107945162A (zh) 2017-11-23 2017-11-23 基于计算机视觉技术对红火蚁巢的检测识别方法

Country Status (1)

Country Link
CN (1) CN107945162A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113287585A (zh) * 2021-05-25 2021-08-24 红火蚁科技有限公司 一种红火蚁防控方法和系统
CN114219051A (zh) * 2022-02-23 2022-03-22 成都明途科技有限公司 图像分类方法、分类模型的训练方法、装置及电子设备
CN117970321A (zh) * 2024-03-28 2024-05-03 成都海关技术中心 一种基于红火蚁疫情监测数据的数据处理及预测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130329945A1 (en) * 2012-06-08 2013-12-12 Chih-Hung Yang Self-adaptive image-based obstacle detection method
CN106645037A (zh) * 2016-11-17 2017-05-10 安徽理工大学 基于高光谱技术检测煤矸石充填复垦重构土壤重金属含量的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130329945A1 (en) * 2012-06-08 2013-12-12 Chih-Hung Yang Self-adaptive image-based obstacle detection method
CN106645037A (zh) * 2016-11-17 2017-05-10 安徽理工大学 基于高光谱技术检测煤矸石充填复垦重构土壤重金属含量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴伟斌等: "利用光谱分析技术探测红火蚁蚁巢", 《农业工程学报》 *
吴伟斌等: "基于计算机视觉技术的红火蚁蚁巢探测", 《河南农业大学学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113287585A (zh) * 2021-05-25 2021-08-24 红火蚁科技有限公司 一种红火蚁防控方法和系统
CN114219051A (zh) * 2022-02-23 2022-03-22 成都明途科技有限公司 图像分类方法、分类模型的训练方法、装置及电子设备
CN114219051B (zh) * 2022-02-23 2022-05-06 成都明途科技有限公司 图像分类方法、分类模型的训练方法、装置及电子设备
CN117970321A (zh) * 2024-03-28 2024-05-03 成都海关技术中心 一种基于红火蚁疫情监测数据的数据处理及预测方法
CN117970321B (zh) * 2024-03-28 2024-06-04 成都海关技术中心 一种基于红火蚁疫情监测数据的数据处理及预测方法

Similar Documents

Publication Publication Date Title
Roberts et al. Hyperspectral vegetation indices
CN109459392B (zh) 一种基于无人机多光谱影像的水稻地上部生物量估测方法
Liu et al. Directly estimating diurnal changes in GPP for C3 and C4 crops using far-red sun-induced chlorophyll fluorescence
Mistele et al. Tractor‐based quadrilateral spectral reflectance measurements to detect biomass and total aerial nitrogen in winter wheat
CN104266982B (zh) 一种大面积虫害量化监测系统
Nevalainen et al. Fast and nondestructive method for leaf level chlorophyll estimation using hyperspectral LiDAR
CN107796764B (zh) 一种基于三波段植被指数的小麦叶面积指数估算模型的构建方法
Xiaobo et al. In vivo noninvasive detection of chlorophyll distribution in cucumber (Cucumis sativus) leaves by indices based on hyperspectral imaging
Deering et al. Reflectance anisotropy for a spruce-hemlock forest canopy
Clevers Imaging spectrometry in agriculture-plant vitality and yield indicators
CN104697943B (zh) 一种油菜水分胁迫的无损检测方法
Rautiainen et al. Coupling forest canopy and understory reflectance in the Arctic latitudes of Finland
CN108731817B (zh) 应用于林火热点判别的不同传感器红外辐射归一建模方法
CN109187417B (zh) 一种无人机载的太赫兹波及高光谱遥感农作物监测系统
CN107945162A (zh) 基于计算机视觉技术对红火蚁巢的检测识别方法
Belwalkar et al. Evaluation of SIF retrievals from narrow-band and sub-nanometer airborne hyperspectral imagers flown in tandem: Modelling and validation in the context of plant phenotyping
CN108763782A (zh) 应用于林火热点判别的modis传感器多时相红外辐射归一方法
Zarco-Tejada et al. Remote sensing of vegetation biophysical parameters for detecting stress condition and land cover changes
CN108734150A (zh) 应用于林火热点判别的avhrr传感器多时相红外辐射归一方法
Sun Crop vegetation indices
Zhao et al. Characterization of the rice canopy infested with brown spot disease using field hyperspectral data
Tagesson et al. Deriving seasonal dynamics in ecosystem properties of semi-arid savanna grasslands from in situ-based hyperspectral reflectance
CN109035663A (zh) 应用于林火热点判别的不同传感器多时相红外辐射归一方法
Yang et al. Estimating fraction of photosynthetically active radiation of corn with vegetation indices and neural network from hyperspectral data
Kaasalainen Multispectral terrestrial lidar: State of the art and challenges

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20180420