CN108169138B - 一种利用热红外图像的水稻倒伏监测方法 - Google Patents

一种利用热红外图像的水稻倒伏监测方法 Download PDF

Info

Publication number
CN108169138B
CN108169138B CN201711363467.2A CN201711363467A CN108169138B CN 108169138 B CN108169138 B CN 108169138B CN 201711363467 A CN201711363467 A CN 201711363467A CN 108169138 B CN108169138 B CN 108169138B
Authority
CN
China
Prior art keywords
lodging
rice
model
thermal infrared
image
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
Application number
CN201711363467.2A
Other languages
English (en)
Other versions
CN108169138A (zh
Inventor
刘涛
杨天乐
王一凡
孙成明
朱新开
郭文善
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.)
Yangzhou University
Original Assignee
Yangzhou 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 Yangzhou University filed Critical Yangzhou University
Priority to CN201711363467.2A priority Critical patent/CN108169138B/zh
Publication of CN108169138A publication Critical patent/CN108169138A/zh
Application granted granted Critical
Publication of CN108169138B publication Critical patent/CN108169138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G01N2021/1793—Remote sensing
    • G01N2021/1797—Remote sensing in landscape, e.g. crops

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开了一种利用热红外图像的水稻倒伏监测方法，农田图像获取，通过无人机搭载热红外成像设备，定点获取；特征值提取，通过图像分析工具Matlab提取目标区域的颜色特征值、纹理特征值和温度特征值；构建倒伏区域判别模型，利用步骤二中提取的特征值和已知的倒伏情况训练水稻倒伏识别模型；倒伏监测模型的校准：通过采集较多的倒伏水稻与非倒伏水稻样本对步骤三中训练的模型进行校准；倒伏模型验证：利用独立的样本对步骤四中已校准的模型进行验证。本发明利用热红外图像识别水稻倒伏区域与非倒伏区域的差异，为水稻倒伏监测提供有效的手段。

Description

一种利用热红外图像的水稻倒伏监测方法
技术领域
本发明涉及一种水稻倒伏监测方法，特别是一种利用热红外图像的水稻倒伏监测方法。
背景技术
水稻是人类的主要粮食作物，水稻的高产稳产对全球粮食安全意义重大，而大量研究表明，倒伏是造成水稻产量和品质降低的重要因素，培育抗倒品种和研究抗倒栽培技术在水稻研究领域从未被忽视。倒伏监测则成为研究水稻倒伏重要的任务，而传统的倒伏信息获取方法(人工法)需要调查人员深入灾区测量倒伏面积和位置，对大面积倒伏灾害来说，其较低的工作效率往往无法满足实际需求。
近年来，遥感技术的发展为快速、大范围倒伏监测提供了切实可行的手段。目前遥感监测倒伏技术大致可分为3类：基于卫星光谱数据，基于雷达数据和基于无人机图像。基于光谱特征的倒伏监测主要利用倒伏区域与非倒伏区域反射率的差异，倒伏后光谱的主要贡献是茎干，而直立植株的光谱贡献主要是叶片，器官的光谱反射差异造成倒伏与非倒伏区域的光谱差异。这种倒伏监测的覆盖面积大，但数据能否用于作物倒伏调查受时空分辨率和光谱波段特性的限制，且光学遥感的光谱技术有其局限性，倒伏引起的光谱变化比较微弱，且往往淹没在复杂多变的混合光谱之中。实际上导致光谱变化的因素较多，如农田环境和其他胁迫如水肥胁迫等，因此难以将倒伏的弱信息从众多影响因素中提取出来。雷达遥感中的合成孔径雷达数据不受天气影响，且对结构变化敏感，Yang等人证明期对倒伏小麦和正常小麦有优异的分离性。但雷达遥感更适用于地块较大且内部相对均匀的地区，在破碎地块区域，尤其是倒伏面积小于像元面积时，会遭到混合像元难分解的问题。对于范围相对较小地区的倒伏监测，无人机影响更加高效和灵活，且成本较低，图像分辨率高，非常适用于倒伏监测。通常情况下，无人机搭载RGB相机，并通过颜色特征或纹理特征对倒伏区域进行识别；也有通过多张RGB图像形成冠层三维结构。然而我们在利用无人机影响进行倒伏监测时发现，利用颜色特征监测光谱时，会受到施肥水平的影响。利用三维结构实现倒伏监测比较准确，但运算量大，图像获取时间长。
发明内容
本发明所要解决的技术问题是提供一种利用热红外图像的水稻倒伏监测方法，其水稻倒伏监测效果良好。
为解决上述技术问题，本发明所采用的技术方案是：
一种利用热红外图像的水稻倒伏监测方法，其特征在于包含以下步骤：
步骤一：农田图像获取，通过无人机搭载热红外成像设备，定点获取；
步骤二：特征值提取，通过图像分析工具Matlab提取目标区域的颜色特征值、纹理特征值和温度特征值；
步骤三：构建倒伏区域判别模型，利用步骤二中提取的特征值和已知的倒伏情况训练水稻倒伏识别模型；
步骤四：倒伏监测模型的校准：通过采集较多的倒伏水稻与非倒伏水稻样本对步骤三中训练的模型进行校准；
步骤五：倒伏模型验证：利用独立的样本对步骤四中已校准的模型进行验证。
进一步地，所述步骤一农田图像获取具体过程为，利用手持式热红外仪Flir E40近地获取热红外图像，利用DJI Inspire 1无人机搭载ZENMUSE XT热红外镜头获取水稻冠层热红外图像，热红外波段7.5-13.5μm，搭载DJI X5R镜头获取水稻冠层可见光图像，分辨率为4608×3456pixel，无人机飞行高度为60m、100m和150m，60m图像用于建模和验证，100m和150m图像用于探讨飞行高度对模型的影响，图像获取选择晴天、无大风天气，获取时间为8点-20点每隔2小时获取一次。
进一步地，所述步骤二特征值提取具体过程为，可见光图像颜色特征提取通过Matlab进行，热红外图像通过Flir Tools进行读取和导出温度数据后在Matlab中进行处理，利用图像融合方法匹配RGB图像和热红外图像，并将图像分割为20×20pix的子图像，子图像大小40×40cm；
颜色特征值提取过程为，利用公式(1)-(3)提取RGB图像中的红、绿、蓝三个波段特征，利用公式(4)提取图像的ExG特征
Figure BDA0001512345700000031
Figure BDA0001512345700000032
Figure BDA0001512345700000041
ExG＝2×g-r-b (4)
其中，R、G、B为RGB图像中的红、绿、蓝，r、g、b为RGB图像中红、绿、蓝三个波段特征；
纹理特征提取过程为，利用公式(5)-(8)计算纹理特征，粗糙度、对比度、线性度、方向度
Figure BDA0001512345700000042
Figure BDA0001512345700000043
Figure BDA0001512345700000044
Figure BDA0001512345700000045
其中，Fcrs为粗糙度，Fcon为对比度，Flin为线性度，Fdir为方向度，p代为直方图中的峰值，np为直方图中所有的峰值，对于某个峰值p，Wp代表该峰值所包含的所有的离散区域，而Φp是波峰的中心位置；
温度特征提取过程为，区域温度特征为每个像素点温度值的均值，利用冠层温度与空气温度之差DT来表示冠层温度特征，
Figure BDA0001512345700000046
公式中，N为子图像的像素总数，Ti为子图像第i个像素点的温度值，Tet为环境温度。
进一步地，所述步骤三构建倒伏区域判别模型具体为，
3.1、PSO算法模块的一个粒子寻找到一组适宜参数；
3.2、以该组参数构造SVM，在数据上进行交叉验证，将均方根误差作为适应度值返回给PSO算法模块；
3.3、如果PSO算法的所有粒子都进行了3.2的适应度值的计算，那么转3.4，否则转3.1；
3.4、更新PSO算法的各个粒子的位置信息、速度信息以及局部极值等，转3.5；
3.5、PSO算法模块判断是否达到退出条件，若符合退出条件，则退出返回最优适应度值，否则转3.1；
利用PSO-SVM模型识别出子图像是否为倒伏，并最终计算倒伏数量和面积。
进一步地，所述步骤五倒伏模型验证过程为，人工从图像上选取不同时间段倒伏区域与非倒伏区域60个，每个区域划分成100个子图像，利用误报率FPR和漏报率FNR来判断本方法的精准性，根据区域中倒伏子图像占整副图像的比例来计算倒伏率。
本发明与现有技术相比，具有以下优点和效果：本发明利用热红外图像识别水稻倒伏区域与非倒伏区域的差异，为水稻倒伏监测提供有效的手段。
附图说明
图1是本发明的实施例的粳稻倒伏与非倒伏区域颜色特征图。
图2是本发明的实施例的籼稻倒伏与非倒伏区域颜色特征图。
图3是本发明的倒伏与非倒伏区域纹理特征值示意图，(A)Fcrs、(B)Fcon、(C)Flin、(D)Fdir。
图4是本发明的水稻温度日常变化示意图。
图5是本发明的7-9月水稻体温与环境温度日变化示意图。
图6是本发明的倒伏水稻图像特征图。
图7是本发明的倒伏区域与非倒伏区域日变化示意图。
图8是本发明的不同水稻品种倒伏与非倒伏温度差异的示意图。
图9是本发明的PSO-SVM模型测倒伏率与人工测倒伏比较示意图。
图10是本发明的PSO-SVM模型对不同处理的倒伏检测结果表格。
具体实施方式
下面结合附图并通过实施例对本发明作进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
本发明的一种利用热红外图像的水稻倒伏监测方法，包含以下步骤：
步骤一：农田图像获取，通过无人机搭载热红外成像设备，定点获取。
利用手持式热红外仪Flir E40(FLIR Systems,Inc.,USA)近地获取热红外图像，利用DJI Inspire 1(DJI-Innovations,Inc.,China)无人机搭载ZENMUSE XT(FLIRSystems,Inc.,USA)热红外镜头获取水稻冠层热红外图像，热红外波段7.5-13.5μm，搭载DJI X5R(DJI-Innovations,Inc.,China)镜头获取水稻冠层可见光图像，分辨率为4608×3456pixel。无人机飞行高度为60m、100m和150m，60m图像用于建模和验证，100m和150m图像用于探讨飞行高度对模型的影响。图像获取选择晴天，无大风天气，获取时间为8点-20点每隔2小时获取一次。
步骤二：特征值提取，通过图像分析工具Matlab提取目标区域的颜色特征值、纹理特征值和温度特征值。
可见光图像颜色特征提取通过Matlab进行，热红外图像通过Flir Tools进行读取和导出温度数据后在Matlab中进行处理，利用图像融合方法匹配RGB图像和热红外图像，并将图像分割为20×20pix的子图像，子图像实际大小为40×40cm。
颜色特征值提取过程为，利用公式(1)-(3)提取RGB图像中的红、绿、蓝三个波段特征，利用公式(4)提取图像的ExG特征
Figure BDA0001512345700000071
Figure BDA0001512345700000072
Figure BDA0001512345700000073
ExG＝2×g-r-b (4)
其中，R、G、B为RGB图像中的红、绿、蓝，r、g、b为RGB图像中红、绿、蓝三个波段特征；
纹理特征提取过程为，利用公式(5)-(8)计算纹理特征，粗糙度、对比度、线性度、方向度
Figure BDA0001512345700000081
Figure BDA0001512345700000082
Figure BDA0001512345700000083
Figure BDA0001512345700000084
其中，Fcrs为粗糙度，Fcon为对比度，Flin为线性度，Fdir为方向度，p代为直方图中的峰值，np为直方图中所有的峰值，对于某个峰值p，Wp代表该峰值所包含的所有的离散区域，而Φp是波峰的中心位置；
温度特征提取过程为，区域温度特征为每个像素点温度值的均值，利用冠层温度与空气温度之差DT来表示冠层温度特征，
Figure BDA0001512345700000085
公式中，N为子图像的像素总数，Ti为子图像第i个像素点的温度值，Tet为环境温度。
步骤三：构建倒伏区域判别模型，利用步骤二中提取的特征值和已知的倒伏情况训练水稻倒伏识别模型；
研究利用SVM(Support Vector Machine)和公式1-9的特征值来识别水稻倒伏区域和非倒伏区域。对于PSO(particle swarm optimization)-SVM的实现，相当于把SVM模型的构造、预测算法嵌入到PSO计算适应值的步骤当中，具体算法流程为：
3.1、PSO算法模块的一个粒子寻找到一组适宜参数；
3.2、以该组参数构造SVM，在数据上进行交叉验证，将均方根误差作为适应度值返回给PSO算法模块；
3.3、如果PSO算法的所有粒子都进行了3.2的适应度值的计算，那么转3.4，否则转3.1；
3.4、更新PSO算法的各个粒子的位置信息、速度信息以及局部极值等，转3.5；
3.5、PSO算法模块判断是否达到退出条件，若符合退出条件，则退出返回最优适应度值，否则转3.1；
利用PSO-SVM模型识别出子图像是否为倒伏，并最终计算倒伏数量和面积。
步骤四：倒伏监测模型的校准：通过采集较多的倒伏水稻与非倒伏水稻样本对步骤三中训练的模型进行校准；
步骤五：倒伏模型验证：利用独立的样本对步骤四中已校准的模型进行验证。
人工从图像上选取不同时间段倒伏区域与非倒伏区域60个，每个区域划分成100个子图像，利用误报率FPR和漏报率FNR来判断本方法的精准性，根据区域中倒伏子图像占整副图像的比例来计算倒伏率。
本发明将无人机RGB图像与热红外图像相结合，对水稻倒伏进行监测。实现倒伏区域的提取，为实现基于小型无人机遥感的作物倒伏调查提供依据。
下面通过分析和各方法实验对本发明的效果进行说明：
如图1所示，粳稻图像中通过肉眼可以区分倒伏区域与非倒伏区域，倒伏区域与非倒伏区域在R,G,B三个波段上存在一定差异，但有一定的重叠区域，利用这三个波段直接进行区分倒伏区域会存在一定的误差。而在用于描述绿色植被特征的ExG值上，非倒伏区域有一段明显高于倒伏区域，可用于识别倒伏，但重叠区域会造成一定的误差。
如图2所示，籼稻图像更难利用颜色特征区分倒伏与非倒伏区域，颜色特征值较为相似，所有四个特征值均有大便面积重叠。比较图1和图2可以发现，粳稻倒伏区域的颜色特征与籼稻非倒伏颜色特征相似，更加大了利用颜色特征识别倒伏区域的难度。
通过提取图像纹理值可以看出，倒伏区域与非倒伏区域在4个纹理值上存在差异，其中Fcon和Freg值的差异较明显，非倒伏区域明显高于倒伏区域，但仍有一些点很难区分。倒伏与非倒伏区域的Fcrs值也存在一定差异，但重叠区域较多。利用Flin则很难对倒伏和非倒伏区域进行区分。粳稻和籼稻在纹理特征上差异不明显，因此未分开研究。
通过前期的连续测量看出，水稻植株自身拥有体温，而在一天中水稻体温与地表温度的差值在变化(如图4所示)，有阳光的白天，水稻温度通常低于地表温度，而晚上水稻温度高于地表温度。上午10时-下午4时，水稻和环境的温度差异较大，由于这种差异的存在，在这个时间段，通过热成像设备可以容易的识别出水稻。从热红外图像上也可以看出在这个时间段内，越接近地面的植株部分温度越高。
进一步分析发现，水稻在不同的生育期会保持一个特定的体温(如图5所示)，而这种体温随着外界温度的变化较小，7月20日一天中保持在31-33℃，8月16日保持在25.5-27.5℃，9月20日(花后20天左右，倒伏调查主要时期)，温度在21-22.5℃。水稻在一个时期恒定的温度变化范围为倒伏监测提供了基础。
如图6所示，热成像监测结果显示，水稻倒伏区域温度明显高于非倒伏区域，最大温差在12.2℃，均温差3.8℃。观测显示，从8时-20时，倒伏区域温度均高于非倒伏区域，如图7所示，其中10时-16时温度差异最大，因此在研究中选择的倒伏监测时间段为10时-16时。如图8所示，不同品种群体会有一定的温度差异，籼稻品种温度略高于粳稻处理，非倒伏区域温差在0.9℃，倒伏区域温度差异1.2℃。两类品种倒伏区域均比非倒伏区域温度高3.5℃左右。
研究通过CF、CF+TF、CF+DT、CF+TF+DT分别训练PSO-SVM模型，测试结果如表1所示。通过表1可以看出，仅利用颜色特征识别倒伏区域的误报率和漏报率均很高，尤其是籼稻品种的误报率和漏报率达到了40％。颜色特征和纹理特征结合之后，籼稻和粳稻的误报率和漏报率均有下降，但降幅不明显。颜色特征与温度特征结合后，误报率和漏报率下降明显，均降到10％以下。当结合颜色、纹理和温度特征之后，倒伏的识别最准确，大部分处理误报率和漏报率降到5％以下。另外，不同氮肥处理对该方法的影响不大，但籼稻的识别准确率明显高于粳稻。
籼稻和粳稻倒伏率的的测量结果如图9所示，当使用CF+TF+DT时，两个品种类型都能获得0.9以上的R2值。利用CF+DT时，粳稻倒伏估测R2略有下降，籼稻倒伏估测R2下降幅度稍大。图9PSO-SVM模型测倒伏率与人工测倒伏比较：(A)通过CF+TF+DT预测粳稻倒伏结果；(B)通过CF+TF+DT预测籼稻倒伏结果；(C)通过CF+DT预测粳稻倒伏结果；(D)通过CF+DT预测籼稻倒伏结果。
本说明书中所描述的以上内容仅仅是对本发明所作的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种修改或补充或采用类似的方式替代，只要不偏离本发明说明书的内容或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (3)

1.一种利用热红外图像的水稻倒伏监测方法，其特征在于包含以下步骤：
步骤一：农田图像获取，通过无人机搭载热红外成像设备，定点获取；
步骤二：特征值提取，通过图像分析工具Matlab提取目标区域的颜色特征值、纹理特征值和温度特征值；
步骤三：构建倒伏区域判别模型，利用步骤二中提取的特征值和已知的倒伏情况训练水稻倒伏识别模型；
所述步骤三构建倒伏区域判别模型具体为：
3.1、PSO算法模块的一个粒子寻找到一组适宜参数；
3.2、以该组参数构造SVM，在数据上进行交叉验证，将均方根误差作为适应度值返回给PSO算法模块；
3.3、如果PSO算法的所有粒子都进行了3.2的适应度值的计算，那么转3.4，否则转3.1；
3.4、更新PSO算法的各个粒子的位置信息、速度信息以及局部极值，转3.5；
3.5、PSO算法模块判断是否达到退出条件，若符合退出条件，则退出返回最优适应度值，否则转3.1；
利用PSO-SVM模型识别出子图像是否为倒伏，并最终计算倒伏数量和面积；
步骤四：倒伏监测模型的校准：通过采集较多的倒伏水稻与非倒伏水稻样本对步骤三中训练的模型进行校准；
步骤五：倒伏模型验证：利用独立的样本对步骤四中已校准的模型进行验证。
2.按照权利要求1所述的一种利用热红外图像的水稻倒伏监测方法，其特征在于：所述步骤一农田图像获取具体过程为：利用手持式热红外仪Flir E40近地获取热红外图像，利用DJI Inspire 1无人机搭载ZENMUSE XT热红外镜头获取水稻冠层热红外图像，热红外波段7.5-13.5μm，搭载DJI X5R镜头获取水稻冠层可见光图像，分辨率为4608×3456pixel，无人机飞行高度为60m、100m和150m，60m图像用于建模和验证，100m和150m图像用于探讨飞行高度对模型的影响，图像获取选择晴天、无大风天气，获取时间为8点-20点每隔2小时获取一次。
3.按照权利要求1所述的一种利用热红外图像的水稻倒伏监测方法，其特征在于：所述步骤五倒伏模型验证过程为：人工从图像上选取不同时间段倒伏区域与非倒伏区域60个，每个区域划分成100个子图像，利用误报率FPR和漏报率FNR来判断本方法的精准性，根据区域中倒伏子图像占整副图像的比例来计算倒伏率。
CN201711363467.2A 2017-12-18 2017-12-18 一种利用热红外图像的水稻倒伏监测方法 Active CN108169138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711363467.2A CN108169138B (zh) 2017-12-18 2017-12-18 一种利用热红外图像的水稻倒伏监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711363467.2A CN108169138B (zh) 2017-12-18 2017-12-18 一种利用热红外图像的水稻倒伏监测方法

Publications (2)

Publication Number Publication Date
CN108169138A CN108169138A (zh) 2018-06-15
CN108169138B true CN108169138B (zh) 2020-10-30

Family

ID=62522222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711363467.2A Active CN108169138B (zh) 2017-12-18 2017-12-18 一种利用热红外图像的水稻倒伏监测方法

Country Status (1)

Country Link
CN (1) CN108169138B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109506810B (zh) * 2018-11-29 2021-01-29 哈尔滨工业大学 一种火焰二维温度场的多色测温装置及方法
CN109813286A (zh) * 2019-01-28 2019-05-28 中科光启空间信息技术有限公司 一种基于无人机的倒伏灾害遥感定损方法
JP2020122692A (ja) * 2019-01-30 2020-08-13 キヤノン株式会社 画像処理装置および画像処理方法
CN110076629A (zh) * 2019-04-25 2019-08-02 武汉企鹅能源数据有限公司 刀具失效过程实时检测及优化数据分析系统
CN110763547B (zh) * 2019-11-18 2022-02-22 河南科技学院 仿真作物群体及抗倒伏强度测定探头阻力系数的校正方法
CN111860150B (zh) * 2020-06-11 2024-01-26 中科禾信遥感科技（苏州）有限公司 基于遥感影像的倒伏水稻识别方法与装置
CN111982298B (zh) * 2020-08-14 2021-06-25 扬州大学 一种基于无人机的水稻冠层温度检测方法
CN112287787B (zh) * 2020-10-20 2023-09-26 华南农业大学 一种基于梯度直方图特征的作物倒伏分级方法
CN112381942B (zh) * 2020-11-03 2024-04-02 华南理工大学 基于无人机红外图像的建筑三维温度模型的建立方法
CN112586347B (zh) * 2020-12-21 2023-08-22 扬州大学 一种抗旱性水稻品种的筛选方法
CN112861837B (zh) * 2020-12-30 2022-09-06 北京大学深圳研究生院 一种基于无人机的红树林生态信息智慧提取方法
CN115953690B (zh) * 2023-03-09 2023-05-19 济宁市保田农机技术推广专业合作社 用于无人收割机行进校准的倒伏作物识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1704758A (zh) * 2004-05-28 2005-12-07 北京农业信息技术研究中心 利用遥感和地理信息系统技术实现小麦品质监测预报方法
CN101923022A (zh) * 2010-07-23 2010-12-22 北京农业智能装备技术研究中心 手持式作物抗倒伏强度测量装置及其方法
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
CN104764533A (zh) * 2015-03-31 2015-07-08 梁伟 基于无人机图像采集和红外热像仪的智能农业系统
CN104765297A (zh) * 2015-03-31 2015-07-08 梁伟 基于红外热像仪的智能农业系统
CN107153047A (zh) * 2017-06-12 2017-09-12 华中农业大学 一种利用近红外光谱检测油菜茎秆倒伏指数的方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1704758A (zh) * 2004-05-28 2005-12-07 北京农业信息技术研究中心 利用遥感和地理信息系统技术实现小麦品质监测预报方法
CN101923022A (zh) * 2010-07-23 2010-12-22 北京农业智能装备技术研究中心 手持式作物抗倒伏强度测量装置及其方法
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
CN104764533A (zh) * 2015-03-31 2015-07-08 梁伟 基于无人机图像采集和红外热像仪的智能农业系统
CN104765297A (zh) * 2015-03-31 2015-07-08 梁伟 基于红外热像仪的智能农业系统
CN107153047A (zh) * 2017-06-12 2017-09-12 华中农业大学 一种利用近红外光谱检测油菜茎秆倒伏指数的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
UAV-BORNE THERMAL IMAGING FOR FOREST HEALTH MONITORING:DETECTION OF DISEASE-INDUCED CANOPY TEMPERATURE INCREASE;M. Smiga et al.;《The International Archives of the Photogrammetry》;20151003;第XL-3/W3卷;349-354页 *
农用无人机多传感器遥感辅助小麦育种信息获取;杨贵军 等;《农业工程学报》;20151130;第31 卷(第21 期);184-190页 *

Also Published As

Publication number Publication date
CN108169138A (zh) 2018-06-15

Similar Documents

Publication Publication Date Title
CN108169138B (zh) 一种利用热红外图像的水稻倒伏监测方法
CN110567891B (zh) 一种冬小麦冠层叶绿素估测系统及方法
Guo et al. Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping
Kalisperakis et al. Leaf area index estimation in vineyards from UAV hyperspectral data, 2D image mosaics and 3D canopy surface models
CN100394212C (zh) 一种大面积作物种植面积及其产量的遥感检测估算方法
CN106372592B (zh) 一种基于冬小麦面积指数的冬小麦种植面积计算方法
US7058197B1 (en) Multi-variable model for identifying crop response zones in a field
CN111815014B (zh) 一种基于无人机低空遥感信息的作物产量预测方法及系统
US10585210B2 (en) Apparatus for radiometric correction and orthorectification of aerial imagery
Masjedi et al. Sorghum biomass prediction using UAV-based remote sensing data and crop model simulation
Huang et al. Phenotypic techniques and applications in fruit trees: a review
CN112903600B (zh) 一种基于固定翼无人机多光谱影像的水稻氮肥推荐方法
CN111241912A (zh) 一种基于机器学习算法的多植被指数的水稻产量估测方法
Meng et al. Corn yield forecasting in northeast china using remotely sensed spectral indices and crop phenology metrics
CN111357009A (zh) 用于进行植物表型分型数据分析的方法和系统
WO2020047579A1 (en) Method and system for plant stress determination and irrigation based thereon
CN109754125A (zh) 基于作物模型、历史和气象预报数据的作物产量预报方法
CN109813286A (zh) 一种基于无人机的倒伏灾害遥感定损方法
US20220307971A1 (en) Systems and methods for phenotyping
KR20200020209A (ko) 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치
CN112434569B (zh) 一种无人机热成像系统
Zhang et al. Opportunities of UAVs in orchard management
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
Ehsani et al. Affordable multirotor Remote sensing platform for applications in precision horticulture
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

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