CN108140118A - 用于识别至少一株种植在耕地上的植物的方法和信息系统 - Google Patents
用于识别至少一株种植在耕地上的植物的方法和信息系统 Download PDFInfo
- Publication number
- CN108140118A CN108140118A CN201680063157.6A CN201680063157A CN108140118A CN 108140118 A CN108140118 A CN 108140118A CN 201680063157 A CN201680063157 A CN 201680063157A CN 108140118 A CN108140118 A CN 108140118A
- Authority
- CN
- China
- Prior art keywords
- plant
- information
- arable land
- image
- case
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06T2207/10—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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- 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
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于识别至少一株种植在耕地(105)上的植物(110a、110b)的方法(300)。该方法(300)包括步骤(310):借助于光学和/或红外检测单元(120、125、130)来检测植物(110a、110b),以便得到植物图像信息(140),而且检测位置信息(160),所述位置信息表示植物(110a、110b)在耕地(105)中生长的地理位置。该方法(300)还包括步骤(320):在使用植物图像信息(140)的情况下对植物(110a、110b)进行标识,以便得到表示植物(110a、110b)存在的植物信息(145)。最后,该方法(300)包括步骤(330):将植物信息(145)和地理位置存储(330)在植物数据组(165)中,以便识别出种植在耕地(105)上的植物(110a、110b)。
Description
技术领域
本发明的出发点是根据独立权利要求的前序部分所述的用于识别至少一株种植在耕地上的植物的一种方法或者一种信息系统。本发明的主题也是一种计算机程序。
背景技术
在农业,在培育新品种时以及在优化种子质量时,应用在一定程度上经标准化的方法来评价培育或处理进展。这些方法被用在广泛的试验轮次中,所述试验轮次包含在不同场地的多次重复。
试验轮次(所谓的系列)具有对培育者的最高说服力,所述试验轮次在耕地中进行而且尽可能反映实际的种植情况。因而,对于这些耕地试验来说,播种多个大群系的甜菜,所述大群系的甜菜被划分成小块。
在耕地试验的主要部分中使用评估方法,其中植物的所要评价的按照成长阶段的特征(发芽、放牧、激素、叶绿素、开花、果实成熟以及许多其它)被分配给一个评估分数(从1到9的数值)。所要考虑的特征取决于农作物类型。由人类观察者来分配评估分数。结果通常在耕地被记在纸上并且在另一处理步骤中被传输到PC中。如今,在极少数情况下,将掌上计算机(平板计算机)与特定的输入掩模一起用于评估农作物和特征。
由人员在现场试验中按照评估模式检测到的数据在后续过程中予以分析。该分析通常是一种人工方法,其中部分结果在表格中予以概括并且紧接着借助于统计学方法予以分析。
发明内容
在该背景下,利用这里所提出的方案,提出了根据独立权利要求所述的一种用于识别至少一株种植在耕地上的植物的方法,还提出了根据独立权利要求所述的一种使用该方法的信息系统以及最后提出了根据独立权利要求所述的一种相对应的计算机程序。通过在从属权利要求中提及的措施,对在独立权利要求中说明的设备的有利的扩展方案和改进方案都是可能的。
这里所提出的方案提供了一种用于识别至少一株种植在耕地上的植物的方法,其中该方法具有如下步骤:
- 借助于光学和/或红外检测单元来检测植物,以便得到植物图像信息,而且检测位置信息,所述位置信息表示植物在耕地中生长的地理位置;
- 在使用植物图像信息的情况下标识植物,以便得到表示植物存在的植物信息;而且
- 将植物信息和位置信息存储在植物数据组中,以便识别出种植在耕地上的植物。
在本情况下,耕地可以被理解为植物的种植场地或者也可以被理解为这种耕地的小块。植物例如可以被理解为经济作物,所述经济作物的果实在农业上有用,例如被用作食品、饲料或者被用作能量植物。这种检测单元例如可以被理解为摄像机。植物在耕地生长的地理位置例如可以被理解为如下信息,所述信息将植物的位置表示为世界坐标或者描述了植物相对耕地的角坐标的位置。植物图像信息可以被理解为图像或者植物参数,所述图像或所述植物参数描述了植物的可光学检测的特征或者植物的可借助于红外辐射检测的特征。在这种情况下,植物图像信息也可包含如下信息,所述信息通过加工或处理植物的由光学摄像机和/或红外传感器检测到的图像来得到。标识植物例如可以被理解为确定植物存在于所述地理位置和/或确定形状、大小、品种、叶片数目、叶片结构、蓓蕾数目、蓓蕾结构或者其它生物学特征,这些生物学特征使植物与其它植物能区别开。在这种情况下,例如也可以确定植物相对其它植物的边界。在本情况下,植物信息可以被理解为参数或信息,诸如上文提到的形状、大小、品种、叶片数目、叶片结构、蓓蕾数目、蓓蕾结构或者诸如此类的,所述参数或信息能够使该植物与其它植物区别开。然而,该参数也可以仅仅给出关于植物本身存在于所述地理位置的信息。植物数据组可以被理解为数据组或者被存储或要存储在存储器中的信息单元,植物信息与具有植物的所分配的地理位置一起存储或者被存储在所述信息单元中。
这里所提出的方案基于如下了解:在使用检测单元的情况下,可以非常快地并且通过避免人工分类可再现地实现对确定的地理位置的植物的识别。在这种情况下,还充分利用了:通过将植物信息或地理位置存储在植物数据组中,同时生成非常简单地机器可读的植物数据组,所述非常简单地机器可读的植物数据组可以非常简单地进一步被用于随后的分析。通过将地理位置分配到植物或植物信息,还保证了:在识别植物的重复循环中始终可以检测到相同的植物,使得该植物的成长状态可以随时间明确地被跟踪。
这里所提出的方案提供如下优点:对植物的植物生长的评价可以非常快地自动化地被执行。尤其是当应该监控数目大的植物的生长(如其例如在种子研究中所需的那样)时,这是有帮助的。在这种情况下,例如在耕地的不同的分区提供不同的生长条件,例如通过播撒不同类型或数量的肥料来提供不同的生长条件,其中对与植物信息和地理信息相关联的生长或周围环境条件的所述了解接着提供了对这些生长或周围环境条件对在相对应的地理位置的植物的成长过程的影响的推断。因此,这里所提出的方案能够通过自动化地识别植物并且将植物信息连同地理信息自动存储在植物数据组中在评价在耕地上生长的植物的成长阶段方面明显改善。
按照这里所提出的方案的一个实施方式,在检测的步骤中,可以从多个观察方向和/或以小于半秒的曝光时间来检测植物,尤其是其中以小于十分之一秒的曝光时间来检测该植物。这里所提出的方案的这种实施方式提供如下优点:生成植物的非常准确并且尽可能没有错误的图像,以便可以在一定程度上尽可能地排除在拍摄图像时的干扰效果,例如由于风或者各个植物部分的阴影引起的干扰效果。
还有利的是这里所提出的方案的如下实施方式,其中在检测的步骤中,在使用事先被读入的植物间距信息的情况下检测植物图像信息,所述植物间距信息表示在耕地中的植物的间距。这种事先被读入的植物间距信息例如可以是如下信息:各个特别是要研究的植物在对耕地播种时最初是以怎样的间距网格来播种的。这里所提出的方案的这样的实施方式提供如下优点:已经可以预先选择实际上要更详细地研究或检测的植物,由此可以部分地节约在拍摄或标识植物时的显著花费。
这里所提出的方案的如下实施方式是技术上非常简单并且可靠的,其中在标识的步骤中,在使用由植物图像信息构成的植物图像的颜色部分的情况下,尤其是在使用由植物图像信息构成的植物图像的绿色的颜色部分和/或植物图像信息的植物图像的红外部分的情况下,对植物进行标识。这里所提出的方案的这种实施方式提供了如下优点:使用图像处理的已经成熟的算法,以便可以在植物图像信息中标识出各个部分或者整个植物。
按照这里所提出的方案的另一实施方式,在标识的步骤中也可以确定生长信息作为植物信息的部分信息,所述生长信息表示植物的成长状态和/或健康状态,其中在存储的步骤中,将生长信息作为植物信息的部分信息存储在植物数据组中。这种生长信息例如可以是关于品种、大小、形状或叶片数目、蓓蕾、分枝或者诸如此类的信息或者可以是关于植物本身的结构或植物的部分的结构的信息。这里所提出的方案的这种实施方式提供了如下附加优点:不仅仅植物的存在,而且一个或多个对于评价植物的成长状态和/或健康状态来说重要的其它参数已经一并被记录或存储在植物数据组中。
还特别有利的是这里所提出的方案的如下实施方式,其中在标识的步骤中识别植物的品种,以便得到植物信息,尤其是其中在进行识别时将该植物的品种与其它植物的品种区别开。在本情况下,植物的品种可以被理解为植物的属。这里所提出的方案的这样的实施方式提供如下优点:将经济作物或农作物与草本植物区别开,所述草本植物例如不需要进一步观察从而研究植物的成长状态。例如以这种方式也可以确定:例如在较早的时间点已经种植了经济作物(然而该经济作物由于干旱或动物咬坏而死亡)的地理位置上,现在有(不用进一步考虑的)草本植物在生长。现在在当前的地理位置上有草本植物生长的这种信息同样可以作为植物信息的部分被存储到植物数据组中。
对于评价大量植物的成长状态特别有利的是这里所提出的方案的如下实施方式,其中在检测的步骤中,借助于光学和/或红外检测单元来检测至少一株其它植物,以便得到至少一个其它的植物图像信息,而且检测至少一个其它的地理位置,其它植物在耕地中生长在所述地理位置。在标识的步骤中,在使用其它植物图像信息的情况下对其它植物进行标识,以便得到其它植物信息,所述其它植物信息表示其它植物的存在。在存储的步骤中,将其它植物信息和其它地理位置存储在植物数据组中。这里所提出的方案的这种实施方式提供如下优点:可以高度自动化地并且因此快速地并且可靠地识别大量、尤其是多个植物。以这种方式可能的是,得到关于在耕地上的植物的成长状态的非常准确的信息。
特别有利的是这里所提出的方案的如下实施方式,所述实施方式在使用来自植物数据组的植物信息和其它植物信息的情况下具有对种植在耕地上的植物进行计数的步骤。这里所提出的方案的这种实施方式提供如下优点:快速、安全并且明确地对种植在耕地上的植物进行计数。
还有利的是这里所提出的方案的如下实施方式,其中检测、标识和存储的步骤重复实施至少一次,尤其是循环地重复实施,尤其是其中在存储的每个步骤中都附加地存储时间参数,所述时间参数表示包含在所存储的植物数据组中的植物信息的确定时间点。这里所提出的方案的这种实施方式提供如下优点:形成关于植物的成长状态的非常准确的历史。
还有利的是这里所提出的方案的如下实施方式,其中在检测的步骤中,在使用在时间上先前拍摄或预期的植物图像信息的信息的情况下检测植物图像信息,和/或在标识的步骤中,在使用在时间上先前记录的标识信息的情况下对植物进行标识。在时间上先前拍摄的植物图像信息或者标识信息的这种信息例如可以是用于植物的识别算法,所述识别算法在之前进行的训练循环中特定地被优化用于识别植物或者植物的特征。以这种方式可以对检测或标识进行简化,因为植物图像信息仅需利用参考信息或参考图像来调整,而且经此大多数需要明显更小的数值或电路技术花费来确定植物信息。
为了例如利用简单的装置就可以识别出检测单元的损坏或弄脏,在检测的步骤中,可以利用由在时间上先前拍摄的植物图像信息构成的合理性检查信息来对植物图像信息进行合理性检查,以便确定检测单元的功能能力。这种在时间上先前拍摄的植物图像例如可以是如下植物图像信息,所述植物图像信息在先前实施这里所提出的方法的实施方式时被拍摄,用来进行识别。这种方案提供如下优点:利用简单的装置就已经可以识别出对检测单元的技术干扰,使得尽可能不将有错误的数据存储到植物数据组中,而且及早消除在检测单元上的干扰是可能的。
特别有利的是这里所提出的方案的如下实施方式,其中在检测的步骤中,将布置在车辆上和/或布置在飞行器上的检测单元用于检测植物。这种实施方式提供如下优点:快速、明确并且可再现地识别出在耕地上的大数目的植物。
该方法例如可以以软件或硬件或者以软件和硬件的混合形式例如实现在控制设备中。
这里所提出的方案还提供了一种信息系统,所述信息系统被构造为执行、操控或实现这里所提出的方法的变型方案的步骤。通过本发明的以设备的形式的所述实施变型方案,也可以快速并且高效地解决本发明所基于的任务。
为此,该信息系统可具有:至少一个计算单元,用于处理信号或数据;至少一个存储单元,用于存储信号或数据;至少一个与传感器或执行器的接口,用于从传感器读入传感器信号或者用于将数据信号或控制信号输出给执行器;和/或至少一个通信接口,用于读入或输出嵌入到通信协议中的数据。计算单元例如可以是信号处理器、微控制器或者诸如此类的,其中存储单元可以是闪速存储器、EPROM或者磁存储单元。通信接口可以被构造为无线地和/或有线地读入或输出数据,其中可以读入或输出有线数据的通信接口可以例如电地或光学地从相对应的数据传输线中读入这些数据或者可以例如电地或光学地将这些数据输出到相对应的数据传输线中。
在本情况下,信息系统可以被理解为电气设备,所述电气设备对传感器信号进行处理并且根据此来输出控制和/或数据信号。该设备可具有接口,所述接口可以硬件式地和/或软件式地来构造。在硬件式的构造方案中,接口例如可以是所谓的系统ASIC的部分,所述系统ASIC包含该设备的各种各样的功能。然而也可能的是,这些接口是特有的集成电路或者至少部分地由分立式器件组成。在软件式的构造方案中,这些接口可以是软件模块,所述软件模块例如在微控制器上存在于其它软件模块旁边。
在一个有利的设计方案中,通过信息系统来控制对植物数据组的电子记录。为此,该信息系统例如可以访问传感器信号(如检测单元的图像数据)和通过接口(从卫星辅助定位系统)读入的地理位置信息。通过诸如唱针(Schreibkopf)那样的执行器来进行操控,用来将植物信息和地理位置信息以电磁方式记录在植物数据组中或者记录到微电子存储器中。
也有利的是一种具有程序代码的计算机程序产品或计算机程序,所述程序代码可以存储在机器可读的载体或者存储介质(如半导体存储器、硬盘存储器或光学存储器)上而且尤其是在程序产品或程序在计算机或设备上实施时被用于执行、实现和/或操控根据上述实施方式之一所述的方法的步骤。
附图说明
本发明的实施例在附图中示出并且在随后的描述中进一步予以阐述。其中:
图1示出了用于识别至少一株种植在耕地上的植物的信息系统的实施例的应用的图示;
图2示出了具有在耕地中的自动化的高吞吐量植物计数和测量的工作模式的方法的实施例的示意图;而
图3示出了按照实施例的方法的流程图。
具体实施方式
在随后对本发明的有利的实施例的描述中,相同或者类似的附图标记被用于在不同的附图中示出的并且起类似作用的要素,其中省去了对这些要素的重复的描述。
图1示出了用于识别至少一株种植在耕地105上的植物110的信息系统100的实施例的应用的图示。在此,植物110可以布置成列(如这在图1中的左侧区域中示出的那样)而且例如可以各以植物间距115彼此间隔开。在此,例如在对耕地105进行播种时,已经可以确定各个植物110的地理位置并且将各个植物110的地理位置存储在相对应的文件中。现在为了对种植在耕地105上的植物单个地进行识别,信息系统100具有检测单元120,用于检测(单个的)植物110a。
检测单元120例如可具有光学摄像机125和/或红外传感器130(也被称作红外摄像机),所述光学摄像机和/或红外传感器制成植物110a的光学图像和/或红外图像。也可设想的是,检测单元120包括过滤单元135,以便提取由光学摄像机125检测到的图像的颜色部分、诸如绿色部分。接着,摄像机125的光学图像、红外传感器130的红外图像和/或由摄像机125的光学图像和/或由红外传感器130的红外图像推导出的图像可以作为植物图像信息140由检测单元120输出。
接着,植物图像信息140由用于标识的单元145读入,而且在使用相对应的算法的情况下确定植物信息150。在此,植物信息150表示植物110a的存在。例如,用于标识的单元145为此可以使用图像处理算法,在所述图像处理算法中,依据在确定的图像区域内的颜色部分(诸如绿色部分)可以推断出在这些相关的区域内一定是把植物110a的叶片或其它组成部分拍下来了。附加地或可替换地,也可以使用边缘识别算法,以便识别出植物110a的轮廓而且经此识别出植物110a与一株或多株相邻植物的空间分界。
最后,将植物信息150传输给存储单元155,在植物数据组165中的植物信息150连同表示地理位置的位置信息160被存储到所述存储单元中。在这种情况下,位置信息160由位置检测单元170来提供,所述位置检测单元例如在使用卫星辅助定位系统175、诸如GPS系统的情况下提供位置信息160。在此,该位置信息160涉及当前的地理位置,检测单元120或检测单元120的子单元已经从所述当前的地理位置制成图像。在这种情况下,在信息系统100的空间维度较大时,在位置检测单元170中必要时也可以进行偏移修正,所述偏移修正考虑位置检测单元170的天线180与检测单元120的图像拍摄区的间距。
还可设想的是,在位置检测单元170中也存储有植物110是以怎样的间距或者在怎样的地理位置上种植的文件,使得例如当到达了要预期有植物110a的地理位置时,也由位置检测单元170将触发信号185发送给检测单元120。以这种方式可以减少用于确定或分析由检测单元120拍摄的图像或所拍摄到的图像的数值花费,因为只在确定的时间点由检测单元120拍摄图像,所述图像随后要在用于标识的单元135或用于标识的单元145中予以分析。还可设想的是,位置检测单元170也仅仅检测信息系统100相对耕地105的角坐标187的相对位置并且借此确定植物110a的相对位置。在这种情况下,植物相对角坐标187的所述相对位置作为地理位置或作为位置信息160同样足以能够从植物数据组中抽取出关于相应的植物(如植物110a)的重要信息,用于随后对信息进行分析。此外也可设想的是,位置信息160作为信号被输送给用于标识的单元145。在这种情况下,用于标识的单元145已经可以使用对来自位置信息160的当前的地理位置的了解,以便例如从先前的识别循环中通过将当前的植物图像信息与包含在植物数据组165中的、之前被标识的位置信息进行比较来确定植物的确定的品种、植物的大小或者诸如此类的。以这种方式可以明显降低用于标识植物的花费,因为已经可以推测出一些关于植物110a的所预期的品种、植物的大小或者诸如此类的信息。
还可设想的是:在对植物110a进行标识时也还从植物图像信息140中确定生长信息,所述生长信息例如表示植物110a的大小、植物110a的叶片的数目、植物110a的蓓蕾的数目、植物110a的叶片的结构或者植物110a的其它植物学特征,从所述特征中可以推断出植物110a的成长状态和/或健康状态。接着,这些生长信息同样可以作为植物信息150的部分被传输给存储单元155并且被存储在植物数据组165中。以这种方式,不仅可以对在耕地105上的各个植物110进行计数,而且可以在技术上非常简单地制成要以机器方式非常好地进行处理的植物数据组165,所述植物数据组容许准确地分析生长在耕地105上的植物110的生长。
为此有利的是,不仅植物110a在使用信息系统100的上述实施例的情况下被识别,而且其它植物(110b和110c)例如类似于上述做法地同样被识别,并且各有一个相对应的由针对植物110b和110c中的每株植物的植物信息150与位置信息160构成的组合被存储在植物数据组165中。
特别有利的是,例如根据上述做法来使用信息系统100,以便确定种植在耕地105上的植物110的生长的历史。为此,可以每隔一段时间、尤其是每隔几天、几周和/或几个月地循环地使用信息系统100,以便识别种植在耕地105上的植物110a、110b和/或110c。在这种情况下,在每次对植物110进行识别之后都可以将相对应的由植物信息150与相应的位置信息160构成的组合存储在植物数据组165中,其中还附加地存储由关于所述在上文的由植物信息150和位置信息160构成的组合的时间信息,所述时间信息说明了时间点、例如日期和小时,检测单元120在所述时间点检测了相对应的植物110a、110b和/或110c的植物图像信息。
特别简单的是,当信息系统100例如固定在图1中未示出的车辆或飞行器上或固定在图1中未示出的车辆或飞行器处时,识别种植在耕地105上的植物110。这导致:在没有更高的人员花费的情况下就可以快速并且可靠地识别出种植在耕地105上的植物110,而且因此可以利用技术手段非常快速地建立大的并且能以机器方式分析的植物数据组165。
而相对于上述做法,所描述的人工评估方法具有强烈的主观形式,因为通过观察来形成评估的结果。不同的观察者可能在其评价方面部分地强烈地彼此不同。此外,划分成仅仅九个定性评价的等级可能是在育种选择时客观评价大约等值的候选者的情况下的限制。
这里所提出的方案维护上述耕地试验的部分的自动化。通过自动化的数据检测来消除所提到的缺点以及同时达到了更高的吞吐量(每个时间单位和劳动力的耕地试验)。
由于测量计算机的与上述人工记录方法相比高得多的数据存储容量,得到其它改善方面。除了单株植物层面之外,对测量数据的计算机辅助记录和管理是可能的而且直接在耕地上进行。在该上下文中,每株单个的所测量的植物的生理成长的历史都可以在评价培育候选者、品种、种子质量或植物保护剂使用的情况下予以考虑。
这里所提出的方案尤其可以被用于评价作为农作物的重要成长阶段的萌发阶段。
在萌发阶段,该任务在于按数目和份额地检测萌发的植物。尤其是在种子质量提高(与种子的高成本相关)以及利用播种机准确播撒的情况下,萌发率是重要的质量特征(根据品种和种子)。如今,在人工评估方法中的萌发计数是份额计数。因此,检测每个小块的萌发率。分配到具体的单个植物以这种方式是不可能的,因此即使在正确计数的情况下也可能有分析错误(例如发芽植物在发芽之后由于咬坏或其它外部环境也消失了)。这里所提出的方案克服了该缺点,因为该方案能够实现多次(重新)识别、计数和将库存中的每株单个植物都分配到明确的位置。超过萌发阶段,可以确定每株植物在其所分配的位置上的成长的历史。
在该阶段,可以从实际的叶片面积推断出单个植物相对播种或萌发日期的成长进展。因而,这里所提出的方案的一个方面可以看作是可再现地设计地以机器方式检测每株单个的植物苗的叶片参数的可能性。
利用这里所提出的在考虑每株单个植物的情况下在耕地中的高吞吐量测量,克服了人工评估方法的缺点。
准确的植物计数和对位置相关的历史的记录对于如下目标来说具有重要意义:
- 在耕地试验活动中评定种子质量时(以不同的质量来提供种子并且针对不同的场所条件来对种子进行优化)。质量特征是由制造商担保的萌发率。另一质量特征是萌发时间点。播种的尽可能同时的萌发导致均质的库存。这对于植物护理、对于一定的收获参数以及对于收成来说都是有意义的。均质的耕地可以更好地(以机器方式)来耕种。
- 在耕地试验活动中评定培育进展时。培育目标例如是耐逆性、抵抗力以及果实类型特定的特性。收获是整体培育目标,所述整体培育目标通过结合多个特定的子目标来实现。
- 在通过研究机构进行品种检查时。由种子制造商研发的品种在其特征和特性方面由这些研究机构检查和监控。通过经改善的测量和分析技术,可以更快速地、以更高的精确度和更低的人员花费来完成检查。
- 在研发和应用植物保护剂(PSM)时。植物计数和记录位置相关的历史的功能可以与PSM的使用相结合地被用于控制和进一步研发PSM的工作能力。
- 为了持续改善关于品种和种子质量对于世界上不同场所(使用区域)的适合度的知识。为此,按照本发明的方法也可以被用在日常的农业生产中。在种植时获得的关于萌发和植物成长的数据在与种子制造商的数据库中的气候数据和天气信息结合之后是对于循环的适合度检查和场所推荐的改善的重要指标。由于天气变化不断进行,这对于种子制造商和农民来说意味着重要的优点。
所提出的方案解决了公知的缺点并且通过如下优点扩展了可应用性:
a.) 消除了在由人员对植物进行计数或测量时的主观影响。
b.) 具有如下特性的对植物的无损的高吞吐量叶片面积和高度测量:
- 植物苗和发芽植物在单个植物层面上的单个叶片面积
- 各个植物的总叶片面积检测。
c.) 识别每株单个植物的萌发并且(例如基于RTK-GPS位置、三角测量、三边测量、测程法等等)分配明确的位置。
d.) 重新识别在确定的位置上的单个植物并且依据从播种和萌发日期出发的测量循环登记其生理成长。
e.) 识别出由于咬坏、干旱等等造成的对各个植物的损失。
f.) 由于使用在车辆/飞行器上的具有集成的自动定位和导航的测量技术而引起的测量的高自动化程度。
g.) 由于对大数据量的计算机辅助记录和分析而引起的测量过程的高自动化程序。
h.) 通过在单个曝光的短的时长内进行摄影检测来实现测量。这排除了外部因素(诸如风)的影响。
i.) 如果(例如在测量装置移动经过库存期间)相继进行多次图像拍摄,那么在由不同的初始位置构成的图像片段中得到相对应的植物的图像。对所得到的图像的分析能够改善测量结果。
j.) 借助于分类方法,数据管理软件在所研究的农作物与杂草之间进行区分。该分类附加地通过先验知识(诸如排列、行间距和植物间距)来辅助。通过循环地进行的测量和分类,得到对测量和分类结果的提炼,例如通过(在排列的方法中)变换植物的以测量技术获得的位置网格来得到对测量和分类结果的提炼。
k.) 由于每株植物在其所继承的位置上的包含在数据管理中的历史,对数据储量的修改或改善也是反作用地可能的(例如可以在事后修改错误分配)。
l.) 数据处理不仅可以线上(在耕地上进行数据检测期间)进行而且可以线下(在用于数据记录的后续过程中)进行。线上分析还能够实现对所获得的测量数据的合理性检查,以便使错误和外部影响最小化或立即排除错误和外部影响。
m.) 使用适合于数据压缩和数据减少的方法允许将测量和分析数据(长期)存储在设备上或者允许(无线电)传输到基于云的存储系统。
n.) 数据管理还允许收集和分析数据,所述数据是通过第三方供应商的设备或方法记录的。相对应的用于数据交换的接口是前提。
o.) 根据所获得的数据可以获得(例如关于病虫害、疾病、外部因素(如天气、水、干旱)的影响的)其它认识。与影响因素的关联对于评价培育或种子处理或植物保护措施来说是十分重要的。
p.) 按照本发明的(部分)自动化的功能有助于对库存中的植物全部进行研究(也就是说结果是,用户得到库存中的植物在不同的成长阶段期间的贯穿始终的总图像)。
q.) 本发明基于对所测量的数据的(部分的)线上分析而考虑合理性检查。借此确保了:在测量装置中的干扰(诸如被弄脏的摄像机透镜)在开始测量和记录数据时已经被探测到。以这种方式保证了:没有执行不成功的试验并且爱惜资源。
这里所提出的方案包括两个重要要素:
a. 技术测量部分,所述技术测量部分实现了功能植物计数和位置分配。
b. 数据管理部分,所述数据管理部分例如收集、存档、分析比较大的数据量和/或将比较大的数据量处理为有意义的报告以及所述数据管理部分用于计划测量应用。所检测到的测量数据可以根据计算能力和数据连接直接在测量设备上处理或者被传输给中央服务器。可替换地,在适合的数据载体上存储也是可能的,所述数据载体可以在后续过程中被读出用来进行测量。
适合的移动解决方案对于测量装置(也就是说这里是信息系统100)来说用作实施耕地试验的载体平台。该移动解决方案可以被实施为(半)自动车辆、手动式或发动机式运行的车辆,被实施为拖拉机的种植设备,被实施为飞行器(例如被实施为无人机)或者被实施成以(对于人类或动物来说)可携带的形式的最简单的实现形式。
对于测量装置100的最优的结构来说,必要时可以将多个并行的测量设备120集成在结构中,以便可以合理地使用现有的车道或耕地结构的其它现实情况。
就任务的进一步并行化而言,(例如根据群原则或主从原则)将测量分配到多个移动设备上也是可能的。这里所提出的作为信息系统100的测量装置拥有位置和方向传感器170(例如rtkGPS),必要时通过方向传感器(例如惯性测量单元(Inertial MeasurementUnit,IMU))来补充,必要时通过以测程法获得的位置信息来补充。
该测量装置还拥有一个或多个具有RGB信息信道、IR信息信道的摄像机125和适合于为此所需的波长范围的照明单元。图像区的可选的遮暗单元导致:外来光和阴影的干扰影响被最小化。在此,遮暗被设计为使得所述遮暗在驶过时没有接触到植物。
详细地,将如下示例性的过程和功能集成到测量和分析装置100中:
1.给定了整个试验区的边界和尺寸、小块和道路的位置和取向以及根据播种行得到的轨迹。这些数据(例如在试验区进行种植时或者在播种时)已经经地理参考而且在预处理步骤中检测。使测量装置100(这里是信息系统100)知道这些地理数据。
2.具体的试验计划(这里例如以小块到试验对象和系列的分配来划分成小块)同样在测量开始之前被读入到测量装置100中(试验说明)。
3.测量装置100按行地(例如沿螺旋方向)被引导经过试验区(也就是说耕地105)。该过程可以多次进行。
4.在筛查过程(例如驶过)期间,检测单元120的嵌入在测量装置100中的摄像机125和/或130根据小块的已知的边界来操控并且记录数据作为植物图像信息140。特别值得一提的是,在驶过的时长期间在图像片段中检测一株或多株植物110a或110b。因而,通过一次近摄图像拍摄技术,连续多次拍摄同一植物110a或110b(图像排序(ImageSequencing))。该方法允许:将由于风力情况和照明情况以及在图像中的重叠和噪声引起的影响降低到最小值。
5.由摄像机125或130在现有的照明环境下记录的图像数据例如包括a.) RGB图像和b.) 红外图像。摄像机125或130被调准(以便例如从图像中计算出高度关联)。
6.由摄像机125或130检测到的图像共同被记录,以便例如可以紧接着计算NDVI指数(归一化差值植被指数(Normalized Differenced Vegetation Index),所述归一化差值植被指数由在光谱的近红外的和可视的红色的波长范围内的反射值形成)。
7.依据预先确定的NDVI值,将图像中的生物量和土壤分开,结果是这导致了生物量掩模(具有绿色部分的群的被减少的图像数据,所述绿色部分以高的概率表示各个植物)。
8.生物量掩模分派有在全球坐标系中的位置(例如rtkGPS位置)。这里将多个传感器数据合并(例如测量装置的方向、在摄像机位置与位置传感器之间的变换)。
9.依据现在经地理参考的生物量掩模,将分类方法应用到所识别出的绿色群(Grün-Cluster)上。在连续驶过的情况下,生物量掩模依据其全球位置数据来重新标识。该分类可以线上(在测量进行期间)进行或者可以线下(在后续过程中)进行。为了该目的,所使用的分类在执行测量之前已经被练习。为此,已经查明在试验区的数据并且对数据进行人工研究并且进行“标记”(注释)。在该过程中,练习者将经济作物与杂草区别开。分类基于多个参数,诸如生物量掩模的几何形状特征(如形状和大小)以及统计学特征(如确定的颜色的像素数目以及其依据强度值的分布)。
10.依据已经在测量时被记录的所有图像数据进行分类(在一次驶过期间、在多次驶过期间的多个图像)。所有分类结果都被考虑而且依据多数表决(Majority-Voting)评价方法有助于整体结果。该结果分别在当前的日期被更新而且可以被用于修改在过去的错误分类。通过所应用的方法,整体上提高了正确的分类的概率。
11.除了如上所述的分类之外,关于植物行的位置以及关于间隔(例如植物间距)的先验知识对是经济作物还是杂草的最后判断起作用。
12.依据最后被分类为经济作物的生物量掩模,计算适合的有助于试验结果的特征(例如对叶片面积的估计、对萌发或者也包括经济作物的损失的探测)。
13.在记录和分析之后,这些数据例如被存储在基于云的环境下并且维持在终端设备上用于更新和进一步分析。分析可具有不同的表格、图形和文字形式而且包含所有被测量的和从中推导出的参数(例如将在其小块中的植物按比例地呈现为俯视图,在试验耕地中的杂草,等等)。
14.在不同的场所的不同的试验轮次中以及在多年内收集到的数据形成很大的量,所述很大的量有意义地自动化地通过例如经由云服务耦合的分散式测量装置安置在适当的数据库结构中。为此,将数据减少或者也包括附加地压缩到所需的并且实际的重要的程度。适合于搜寻和过滤的算法允许单个植物相关的、小块相关的、系列相关的、试验相关的和场所相关的以及其它跨品种的和跨农作物类型的分析。
这里,还应提到后续可追踪性以及单个植物从种植直至消费的历史,作为示例。这也包括在测量装置之外的数据库已经获得的数据在内,诸如天气、降水、地皮价值(温度、传导能力、肥料浓度等等)的地理相关的信息。
图2示出了具有在耕地中的自动化的高吞吐量植物计数和测量的工作模式的方法的实施例的示意图。在这种情况下,在如信息系统100那样的载体平台中,首先通过位置检测单元170来读入表示地理位置的位置信息160。该位置信息160例如可以通过与卫星辅助定位系统175的接口(如天线180)来检测,使得例如可以检测GPS数据并且经此可以确定信息系统100的地理位置160。还可设想的是,位置信息160由存储器结合信息系统100的以测程法检测的移动数据地来检测。载体平台或信息系统100还包括至少一个检测单元120,用于借助于光学摄像机125和/或红外摄像机130来检测植物110a或110b或110c,以便得到植物图像信息140或者从中推导出的图像。检测单元120例如可具有一个或多个传感器系统,如摄像机125或130,所述摄像机例如被构造为价格便宜的光学摄像机,所述光学摄像机检测植物110a或110b的图像并且将这些图像作为植物图像信息140或者从中推导出的信息传送给用于标识的单元145。接着,例如可以在用于标识的单元145中实现对植物图像信息140和/或从中推导出的信息与位置信息160的数据提取和/或数据合并。
在此,如这在图2的区域210中进一步示出的那样,例如可以将(能从位置信息160中得知的)地理位置分配215到植物110a。为此,例如可以从位置检测单元170中和/或从存储器220中使用在对耕地105进行播种时(例如在使用GPS数据的情况下)已知的植物110a的地理位置和/或将所述地理位置用于合理性检查。还可以实现以植物图像信息140或从中推导出的信息的形式对植物110a进行具体的检测或标识220,使得例如可以将这些信息存放在植物数据组165中。在这种情况下,在植物数据组165中也可以存放有关于植物110a的所提取的特征(诸如相应的植物110a的叶片数目、叶片结构或者诸如此类的)的信息,作为植物图像信息140或者从中推导出的信息的部分。最后,在存储单元155中将植物信息145连同分别相对应的位置信息160存储在植物数据组165中。
附加地可设想的是,在存储单元155或者图2中未示出的相对应的控制单元中识别出:例如对由所述一个或多个摄像机125或130检测的区域的曝光太弱,使得操控未示出的(例如作为用于检测的单元120的子单元的)曝光单元,以便改变、尤其是提高在由所述一个或多个摄像机125或130检测的区域内的亮度。这种操控信号230例如可以由用于标识的单元145和/或存储单元155或者在图2中未示出的控制单元输出给用于检测的单元120。
接着,例如可以将植物数据组165输出给处理单元235,所述处理单元或者是信息系统100的部分或者例如也布置在中央计算机237中,如这在图2中示范性地示出的那样。接着,例如在该处理单元235中在4D处理层面执行处理,如这在图2的区域240中示范性地示出的那样。在该4D处理层面,分析植物参数数据组105,特别是分析植物110的具有分别所属的时间点作为第四维度的优选地三维检测的特征,使得从这些信息中可以非常准确地推断出相应的植物115的生长或成长。在这种情况下,将存储在植物数据组165中的地理位置245(所述地理位置例如作为被分配给植物110a或110b的位置信息160的GPS数据而存在)与关于各个植物110a或110b的成长的历史或例如依据植物信息140和/或生长信息对各个植物110a或110b的重新标识方面的数据250以及分别相关的植物110a或110b的所识别出的植物特征255相结合,以便例如可以从中确定在分别被分配的地理位置上的各个植物110a或110b的随时间的生长。例如在了解土壤性质、土壤的含水量、在耕地的地理位置上的天气和/或气候数据的情况下,这能够识别出对所述地理位置的植物的生长的环境影响的关系的评价并且经此例如能够优化种子的培育。还可设想的是:基于在处理单元235中实施的算法的处理结果来进行注释238,在所述注释中改变存储在存储单元155中的植物数据组165的数据。在这种情况下,例如可以进行修正,使得在识别出例如由于动物咬坏或者由于干燥引起的坏死的植物110a或110b的情况下,相关的植物110a或110b的植物信息按如下地得到附加信息:该植物110a或110b接着不再能被考虑用于进一步评价种植在耕地上的植物110。
还可以将植物数据组165存储在数据库260中,例如直接在中央计算机237、PC或者这里未示出的云中进行。也可设想的是改变植物数据组165,所述植物数据组借助于改变信号265从数据库260中取出。
植物数据组165或者对来自植物数据组165的信息的统计学分析的结果还可以在呈现单元265中可视化地显示。从中可以确定或者抽取结果270,所述结果改善了对种子质量的确定、用于培育种子的特别有利的方法、植物品种的研发、植物保护剂的应用的研发等等。这里也可又设想的是改变植物数据组165,所述植物数据组借助于改变信号275从呈现单元265中取出。
图3示出了这里所提出的作为用于识别至少一株种植在耕地上的植物的方法300的方案的实施例的流程图。该方法300包括步骤310:借助于光学和/或红外检测单元来检测植物,以便得到植物图像信息,而且检测位置信息,所述位置信息表示植物在耕地中生长的地理位置。该方法300还包括步骤320:在使用植物图像信息的情况下标识植物,以便得到植物信息,所述植物信息表示植物的存在。最后,该方法300包括步骤330:将植物信息和位置信息存储在植物数据组中,以便识别出种植在耕地上的植物。
如果一个实施例包括在第一特征与第二特征之间的“和/或”逻辑关系,那么这被察知为使得该实施例按照一个实施方式不仅具有第一特征而且具有第二特征,而按照另一实施例或者只具有第一特征或者只具有第二特征。
Claims (15)
1.一种用于识别至少一株种植在耕地(105)上的植物(110a、110b)的方法(300),其中所述方法(300)具有如下步骤:
- 借助于光学和/或红外检测单元(120、125、130)来检测(310)植物(110a、110b),以便得到植物图像信息(140),而且检测位置信息(160),所述位置信息表示所述植物(110a、110b)在所述耕地(105)中生长的地理位置;
- 在使用所述植物图像信息(140)的情况下对所述植物(110a、110b)进行标识(320),以便得到表示所述植物(110a、110b)存在的植物信息(145);而且
- 将所述植物信息(145)和所述位置信息(160)存储(330)在植物数据组(165)中,以便识别出种植在所述耕地(105)上的植物(110a、110b)。
2.根据权利要求1所述的方法(300),其特征在于,在检测(310)的步骤中,从多个观察方向和/或以小于半秒的曝光时间来检测所述植物(110a、110b),尤其是其中以小于十分之一秒的曝光时间来检测所述植物(110a、110b)。
3.根据上述权利要求之一所述的方法(300),其特征在于,在检测(310)的步骤中,在使用事先被读入的植物间距信息的情况下检测所述植物图像信息(140),所述植物间距信息表示在所述耕地(105)中的植物的间距(115)。
4.根据上述权利要求之一所述的方法(300),其特征在于,在标识(320)的步骤中,在使用由所述植物图像信息(140)构成的植物图像的颜色部分的情况下,尤其是在使用由所述植物图像信息(140)构成的植物图像的绿色的颜色部分和/或由所述植物图像信息(140)构成的植物图像的红外部分的情况下,对所述植物(110a、110b)进行标识。
5.根据上述权利要求之一所述的方法(300),其特征在于,在标识(320)的步骤中,确定生长信息作为所述植物信息(145)的部分信息,其中所述生长信息表示所述植物(110a、110b)的成长状态和/或健康状态,其中在存储(330)的步骤中,将所述生长信息作为所述植物信息(145)的部分信息存储在所述植物数据组(165)中。
6.根据上述权利要求之一所述的方法(300),其特征在于,在标识(320)的步骤中,识别所述植物(110a、110b)的品种,以便得到植物信息(145),尤其是其中在进行识别时将所述植物(110a、110b)的品种与其它植物的品种区别开。
7.根据上述权利要求之一所述的方法(300),其特征在于,在检测(310)的步骤中,借助于光学和/或红外检测单元(120、125、130)来检测至少一株其它植物(110b),以便得到至少一个其它的植物图像信息(140),而且检测至少一个其它的位置信息(160),所述至少一个其它的位置信息表示所述其它植物(110b)在所述耕地(105)中生长的其它地理位置,其中在标识(320)的步骤中,在使用其它植物图像信息(140)的情况下对所述其它植物(110b)进行标识,以便得到其它植物信息,所述其它植物信息表示所述其它植物(110b)的存在,而且其中在存储(330)的步骤中,将所述其它植物信息和所述其它位置信息(160)存储在所述植物数据组(165)中。
8.根据上述权利要求之一所述的方法(300),其特征在于在使用来自所述植物数据组(165)的所述植物信息(145)和所述其它植物信息(145)的情况下对种植在所述耕地(105)上的植物(110、110a、110b)进行计数的步骤。
9.根据上述权利要求之一所述的方法(300),其特征在于,检测(310)、标识(320)和存储的步骤重复实施至少一次,尤其是循环地重复实施,尤其是其中在存储(330)的每个步骤中都附加地存储时间参数,所述时间参数表示包含在所存储的植物数据组(165)中的植物信息(145)的确定时间点。
10.根据上述权利要求之一所述的方法(300),其特征在于,在检测(310)的步骤中,在使用在时间上先前拍摄或预期的植物图像信息(140)的信息的情况下检测所述植物图像信息(140),和/或在标识(320)的步骤中,在使用在时间上先前记录的标识信息的情况下对所述植物(110a、110b)进行标识。
11.根据上述权利要求之一所述的方法(300),其特征在于,在检测(310)的步骤中,利用具有在时间上先前拍摄的植物图像信息(140)的合理性检查信息来对植物图像信息(140)进行合理性检查,以便确定检测单元(120、125、130)的功能能力。
12.根据上述权利要求之一所述的方法(300),其特征在于,在检测(310)的步骤中,将布置在车辆上和/或布置在飞行器上的检测单元(120、125、130)用于检测(310)所述植物(110a、110b)。
13.一种信息系统(100),所述信息系统被设立为在相对应的单元中实施根据上述权利要求之一所述的方法(300)的步骤。
14.一种计算机程序,所述计算机程序被设立为实施根据上述权利要求1至12之一所述的方法(300)。
15.一种机器可读的存储介质,在其上存储有根据权利要求14所述的计算机程序。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102015221085.5A DE102015221085A1 (de) | 2015-10-28 | 2015-10-28 | Verfahren und Informationssystem zum Erkennen zumindest einer auf einem Feld angepflanzten Pflanze |
DE102015221085.5 | 2015-10-28 | ||
PCT/EP2016/073939 WO2017071928A1 (de) | 2015-10-28 | 2016-10-07 | Verfahren und informationssystem zum erkennen zumindest einer auf einem feld angepflanzten pflanze |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108140118A true CN108140118A (zh) | 2018-06-08 |
Family
ID=57199957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680063157.6A Pending CN108140118A (zh) | 2015-10-28 | 2016-10-07 | 用于识别至少一株种植在耕地上的植物的方法和信息系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20180308229A1 (zh) |
EP (1) | EP3369037A1 (zh) |
CN (1) | CN108140118A (zh) |
DE (1) | DE102015221085A1 (zh) |
WO (1) | WO2017071928A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214831A (zh) * | 2018-08-09 | 2019-01-15 | 云智前沿科技发展(深圳)有限公司 | 一种基于位置信息与DNA信息的Hash指纹及其构建方法与应用 |
CN111374118A (zh) * | 2018-12-27 | 2020-07-07 | 罗伯特·博世有限公司 | 用于破坏至少一个植物的方法 |
CN113407755A (zh) * | 2020-03-17 | 2021-09-17 | 北京百度网讯科技有限公司 | 植物生长状况信息获取方法、装置及电子设备 |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102017217258A1 (de) * | 2017-09-28 | 2019-03-28 | Robert Bosch Gmbh | Verfahren zum Klassifizieren von Pflanzen |
US10492374B2 (en) | 2017-12-28 | 2019-12-03 | X Development Llc | Capture of ground truthed labels of plant traits method and system |
US11676244B2 (en) | 2018-10-19 | 2023-06-13 | Mineral Earth Sciences Llc | Crop yield prediction at field-level and pixel-level |
US11803959B2 (en) * | 2019-06-24 | 2023-10-31 | Mineral Earth Sciences Llc | Individual plant recognition and localization |
US11508092B2 (en) | 2019-12-16 | 2022-11-22 | X Development Llc | Edge-based crop yield prediction |
US11532080B2 (en) | 2020-11-17 | 2022-12-20 | X Development Llc | Normalizing counts of plant-parts-of-interest |
DE102021114996A1 (de) | 2021-06-10 | 2022-12-15 | Eto Magnetic Gmbh | Vorrichtung zu einem Erkennen eines Sprießens von Aussaaten, Agrarsensorvorrichtung und Agrarüberwachungs- und/oder Agrarsteuerungsverfahren und -system |
US20230274541A1 (en) * | 2022-02-25 | 2023-08-31 | X Development Llc | Aggregate trait estimation for agricultural plots |
EP4393293A1 (en) | 2023-01-02 | 2024-07-03 | KWS SAAT SE & Co. KGaA | Method for analysing above ground crops in an agricultural field |
CN117530164B (zh) * | 2024-01-09 | 2024-04-02 | 四川省农业机械科学研究院 | 一种基于机器视觉的智能决策立体循环育秧方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208099A (zh) * | 2011-05-30 | 2011-10-05 | 华中科技大学 | 一种抗光照变化的作物彩色图像分割方法 |
US20140176688A1 (en) * | 2011-08-30 | 2014-06-26 | Fujitsu Limited | Photographing apparatus, information providing method, and computer product |
US20140285673A1 (en) * | 2011-10-20 | 2014-09-25 | Monsanto Technology Llc | Plant Stand Counter |
US20160253573A1 (en) * | 2015-02-27 | 2016-09-01 | Lexmark International, Inc. | Automatically Capturing and Cropping Image of Check from Video Sequence for Banking or other Computing Application |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3906215A1 (de) * | 1989-02-28 | 1990-08-30 | Robert Prof Dr Ing Massen | Automatische klassifikation von pflaenzlingen |
DE4413739C2 (de) * | 1994-04-20 | 1996-07-18 | Deutsche Forsch Luft Raumfahrt | Einrichtung zum Erkennen und Unterscheiden von Pflanzen und Bodenbereichen sowie zum Unterscheiden von Kultur- und Wildpflanzen |
US7141773B2 (en) * | 2001-08-06 | 2006-11-28 | Bioview Ltd. | Image focusing in fluorescent imaging |
DE10211706A1 (de) * | 2002-03-16 | 2003-09-25 | Deere & Co | Austrageinrichtung einer landwirtschaftlichen Erntemaschine |
US7412330B2 (en) * | 2005-08-01 | 2008-08-12 | Pioneer Hi-Bred International, Inc. | Sensor system, method, and computer program product for plant phenotype measurement in agricultural environments |
EP2685813A4 (en) * | 2011-03-16 | 2014-12-03 | Univ Syddansk | SPRAY RAMP FOR SELECTIVELY SPRAYING A DEHIBITING COMPOSITION ON DICOTYLEDONES |
JP5673833B2 (ja) * | 2011-08-30 | 2015-02-18 | 富士通株式会社 | 撮影装置、作業支援プログラム、および情報提供プログラム |
US9251420B2 (en) * | 2013-01-22 | 2016-02-02 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
JP5950166B2 (ja) * | 2013-03-25 | 2016-07-13 | ソニー株式会社 | 情報処理システム、および情報処理システムの情報処理方法、撮像装置および撮像方法、並びにプログラム |
WO2015134886A1 (en) * | 2014-03-06 | 2015-09-11 | Raven Industries, Inc. | System and method for sensing an edge |
US10402835B2 (en) * | 2014-07-16 | 2019-09-03 | Raytheon Company | Agricultural situational awareness tool |
-
2015
- 2015-10-28 DE DE102015221085.5A patent/DE102015221085A1/de active Pending
-
2016
- 2016-10-07 EP EP16785383.7A patent/EP3369037A1/de active Pending
- 2016-10-07 US US15/771,012 patent/US20180308229A1/en not_active Abandoned
- 2016-10-07 WO PCT/EP2016/073939 patent/WO2017071928A1/de active Application Filing
- 2016-10-07 CN CN201680063157.6A patent/CN108140118A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208099A (zh) * | 2011-05-30 | 2011-10-05 | 华中科技大学 | 一种抗光照变化的作物彩色图像分割方法 |
US20140176688A1 (en) * | 2011-08-30 | 2014-06-26 | Fujitsu Limited | Photographing apparatus, information providing method, and computer product |
US20140285673A1 (en) * | 2011-10-20 | 2014-09-25 | Monsanto Technology Llc | Plant Stand Counter |
US20160253573A1 (en) * | 2015-02-27 | 2016-09-01 | Lexmark International, Inc. | Automatically Capturing and Cropping Image of Check from Video Sequence for Banking or other Computing Application |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214831A (zh) * | 2018-08-09 | 2019-01-15 | 云智前沿科技发展(深圳)有限公司 | 一种基于位置信息与DNA信息的Hash指纹及其构建方法与应用 |
CN111374118A (zh) * | 2018-12-27 | 2020-07-07 | 罗伯特·博世有限公司 | 用于破坏至少一个植物的方法 |
CN113407755A (zh) * | 2020-03-17 | 2021-09-17 | 北京百度网讯科技有限公司 | 植物生长状况信息获取方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
US20180308229A1 (en) | 2018-10-25 |
DE102015221085A1 (de) | 2017-05-04 |
WO2017071928A1 (de) | 2017-05-04 |
EP3369037A1 (de) | 2018-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108140118A (zh) | 用于识别至少一株种植在耕地上的植物的方法和信息系统 | |
US11564357B2 (en) | Capture of ground truthed labels of plant traits method and system | |
CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
EP3032946B1 (en) | Method for automatic phenotype measurement and selection | |
GB2598012A (en) | System and method for crop monitoring | |
CN108241905A (zh) | 用于预测土壤和/或植物状况的方法 | |
US11737443B2 (en) | Methods for deploying biosentinels to agricultural fields and monitoring biotic and abiotic stresses in crops remotely | |
US20220272907A1 (en) | Automated plant monitoring systems and methods | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
DE102015221092A1 (de) | Verfahren und Informationssystem zum Erfassen zumindest eines Pflanzenparameterdatensatzes einer auf einem Feld wachsenden Pflanze | |
JP2022082636A (ja) | 情報処理装置 | |
Hahn et al. | Detection and quantification of broadleaf weeds in turfgrass using close-range multispectral imagery with pixel-and object-based classification | |
Butler | Making the replant decision: utilization of an aerial platform to guide replant decisions in Tennessee cotton | |
CN116823918B (zh) | 作物苗株数测量方法、装置、电子设备及存储介质 | |
Ghajar et al. | Proximal Sensing in Grasslands and Pastures. Agriculture 2021, 11, 740 | |
Drori et al. | Monitoring the State of Nature in Israel | |
KR20230029351A (ko) | 농작물 재배 면적 및 생육 상태 관측을 위한 항공 영상 촬영 및 분석 방법 | |
BG112955A (bg) | Интегрирана система за дистанционно определяне на състоянието на посеви за земеделски култури | |
BG3283U1 (bg) | Интегрирана система за дистанционно определяне на състоянието на посеви на земеделски култури | |
Darr | Assessment of crop health in relation to competition from weeds: using balloon-borne images and pectrometer data | |
Tarbell | Characterizing corn growth and development using computer vision | |
Allen | Developing a Technique for Evaluating Weed-Specific Mapping Systems | |
Padilla-Medina et al. | Sensors in Precision Agriculture for the Monitoring of Plant Development and Improvement of Food Production | |
Allen | Corn blight review: Sampling model and ground data measurements program | |
Rivera Palacio et al. | Co-Developing a Deep Learning-Based Crop Yield Estimation Method in Collaboration with Thousands of Smallholder Coffee Producers |
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 |