CN108399650A - 一种叶绿素含量预测方法 - Google Patents
一种叶绿素含量预测方法 Download PDFInfo
- Publication number
- CN108399650A CN108399650A CN201810078724.6A CN201810078724A CN108399650A CN 108399650 A CN108399650 A CN 108399650A CN 201810078724 A CN201810078724 A CN 201810078724A CN 108399650 A CN108399650 A CN 108399650A
- Authority
- CN
- China
- Prior art keywords
- cubic unit
- unit
- cubic
- intensity
- chlorophyll
- 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
- 229930002875 chlorophyll Natural products 0.000 title claims abstract description 203
- 235000019804 chlorophyll Nutrition 0.000 title claims abstract description 203
- 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 title claims abstract description 203
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005192 partition Methods 0.000 claims abstract description 26
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000005286 illumination Methods 0.000 claims description 58
- 238000012549 training Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000001052 transient effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000013459 approach Methods 0.000 abstract description 5
- 238000004040 coloring Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 238000000691 measurement method Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 235000011430 Malus pumila Nutrition 0.000 description 5
- 235000015103 Malus silvestris Nutrition 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 239000002023 wood Substances 0.000 description 5
- 244000141359 Malus pumila Species 0.000 description 4
- 229920002678 cellulose Polymers 0.000 description 3
- 239000001913 cellulose Substances 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 241000350052 Daniellia ogea Species 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000220225 Malus Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000004411 aluminium Substances 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002420 orchard Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
- G06T15/506—Illumination models
-
- 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
Abstract
本发明提供一种叶绿素含量预测方法,包括:S1,获取待测树木的三维冠层模型,将三维冠层模型划分为若干个立方单元,获取任一立方单元的颜色值;获取任一立方单元的相对光照强度;根据各立方单元的相对光照强度将各立方单元划分为若干个光照区域;S2,将任一立方单元的颜色值和相对光照强度输入叶绿素含量预测模型,获取该立方单元的叶绿素预测值,将该立方单元的叶绿素预测值作为该立方单元对应的光照区域的叶绿素预测值。本发明提供的方法,基于三维冠层模型进行颜色采集,对不同光照区域的叶绿素含量进行预测,无破坏性,不影响树木生长的连续性,效率更高、准确性更好,为不同光照区域的叶绿素含量的测量提供了快速、无损的途径。
Description
技术领域
本发明涉及冠层三维重建技术领域,尤其涉及一种叶绿素含量预测方法。
背景技术
叶绿素含量的多少不仅与光合作用有关,而且还影响作物的主要产量。果树冠层不同光照区域叶绿素含量的研究一直是果树学专家以及其他农业科研人员的研究热点。
测量叶绿素含量的传统方法是采用化学方法,即:将样本叶片器官溶解并提取的方法。尽管这种基于实验室的方法能够精确测量叶绿素含量,但是具有破坏性,影响作物生长连续性,同时费时费力且成本高进一步限制了该方法的广泛应用。手持式设备,例如SPAD叶绿素测量仪是有效测量叶绿素含量的非接触式测量设备之一,该设备已经广泛应用与许多作物叶绿素含量的测量。尽管这种测量仪非常便携,但是不适合于测量树木的叶绿素含量,因为树木冠层器官较为复杂(枝干,叶子,花,果实等)而且较高,不利于测量者探测冠层内部。
此外,由于叶片颜色信息能够有效反应植被指数,在大田领域,具有RGB颜色分量的二维照相机已经具有快速预测叶绿素的能力。然而具有颜色信息的二维成像系统,并不适合于获取高大果树冠层不同空间区域的颜色。因为拍摄过程中,其他物体,例如土壤,枝干会增加图像分割的难度,降低叶绿素预测速度及准确性。
目前,在叶绿素的获取过程中,不同光照区域也逐渐被考虑在内。如何快速无损的实现树木冠层不同光照区域的叶绿素含量的测量,尤其是在果园自然环境中开展此项研究将是一个巨大的挑战。
发明内容
本发明为解决现有技术中存在的问题,提供了一种叶绿素含量预测方法。
一方面,本发明提出一种叶绿素含量预测方法,包括:S1,获取待测树木的三维冠层模型,将所述三维冠层划分为若干个立方单元,获取任一立方单元的颜色值;获取任一立方单元的相对光照强度;根据各立方单元的相对光照强度将各立方单元划分为若干个光照区域;S2,将任一立方单元的颜色值和相对光照强度输入叶绿素含量预测模型,获取该立方单元的叶绿素预测值,将该立方单元的叶绿素预测值作为该立方单元对应的光照区域的叶绿素预测值。
优选地,所述步骤S2前还包括:S01,获取若干个样本树木的三维冠层模型,将各三维冠层模型分别划分为若干个立方单元,获取各立方单元的颜色值;S02,获取各立方单元的相对光照强度和叶绿素含量;S03,将各立方单元的颜色值、相对光照强度和叶绿素含量输入BP神经网络进行训练,直至所述BP神经网络的精度达到目标精度或训练次数达到训练次数阈值;S04,将训练得到的BP神经网络作为叶绿素含量预测模型。
优选地,所述步骤S1中,获取待测树木的三维冠层模型,将所述三维冠层划分为若干个立方单元,获取任一立方单元的颜色值,进一步包括:S11,应用三维激光扫描设备获取待测树木的三维冠层模型;S12,根据所述三维冠层模型中的距离信息,将所述三维冠层模型划分为若干层,并将各层划分为若干行×若干列的立方单元;S13,获取任一立方单元的R分量、G分量和B分量,应用下式计算该立方单元的颜色值;所述颜色值包括第一颜色值和第二颜色值;
X1=(R-B)/(R+B)
式中,X1为第一颜色值,X2为第二颜色值,R、G和B分别为R分量、G分量和B分量;S14,获取该立方单元的相对光照强度。
优选地,所述步骤S1中,获取任一立方单元的相对光照强度,进一步包括:获取任一立方单元任一时刻的光照强度;获取该时刻的外界光照强度;将该立方单元的光照强度和外界光照强度的商作为该立方单元的相对光照强度。
优选地,步骤S02中,任一立方单元的叶绿素含量的获取方法包括:在任一立方单元中任意选取若干个叶片;应用叶绿素含量测量仪分别测量各叶片的顶端、中部和底部的叶绿素含量;将所述各叶片的顶端、中部和底部的叶绿素含量的均值作为该立方单元的叶绿素含量。
优选地,所述叶绿素含量预测模型为三层BP神经网络;其中,第一层为输入层,所述输入层由三个输入节点构成;所述输入层用于输入任一立方单元的第一颜色值、第二颜色值和相对光照强度;第二层为隐含层,所述隐含层由若干个神经元构成;第三层为输出层,所述输出层为一个输出节点,所述输出节点用于输出该立方单元的叶绿素预测值。
优选地,所述步骤S1中,获取任一立方单元任一时刻的光照强度,进一步包括:在任一立方单元的水平面上设置若干个光照度传感器,将任一时刻各光照度传感器测量值的均值作为该立方单元任一时刻的光照强度。
另一方面,一种叶绿素含量预测装置,包括:模型划分单元,用于获取待测树木的三维冠层模型,将所述三维冠层模型划分为若干个立方单元;颜色值获取单元,用于获取任一立方单元的颜色值;相对光照获取单元,用于获取该立方单元的相对光照强度,并根据各立方单元的相对光照强度将各立方单元划分为若干个光照区域;叶绿素预测单元,用于将该立方单元的颜色值和相对光照强度输入叶绿素含量预测模型,获取该立方单元的叶绿素预测值,将该立方单元的叶绿素预测值作为该立方单元对应的光照区域的叶绿素预测值;所述模型划分单元和叶绿素预测单元分别与所述颜色值获取单元和相对光照单元连接。
再一方面,本发明提出一种叶绿素含量预测设备,包括:至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如前所述的方法。
又一方面,本发明提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如前所述的方法。
本发明提供的一种叶绿素含量预测方法,基于树木的三维冠层模型进行颜色采集,对划分不同光照区域的叶绿素含量进行预测,无破坏性,不影响树木生长的连续性,相比二维测量方法效率更高、准确性更好,为果树不同光照区域叶绿素含量的测量提供了快速、无损的途径。
附图说明
图1为本发明具体实施例的一种叶绿素含量预测方法的流程示意图;
图2为本发明具体实施例的一种叶绿素含量预测模型的结构示意图;
图3为本发明具体实施例的一种叶绿素含量预测装置的结构示意图;
图4为本发明具体实施例的一棵苹果树样本的示意图;
图5为本发明具体实施例的一种叶绿素含量预测设备的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明具体实施例的一种叶绿素含量预测方法的流程示意图,如图1所示,一种叶绿素含量预测方法,包括:S1,获取待测树木的三维冠层模型,将所述三维冠层模型划分为若干个立方单元,获取任一立方单元的颜色值;获取任一立方单元的相对光照强度;根据各立方单元的相对光照强度将各立方单元划分为若干个光照区域;S2,将任一立方单元的颜色值和相对光照强度输入叶绿素含量预测模型,获取该立方单元的叶绿素预测值,将该立方单元的叶绿素预测值作为该立方单元对应的光照区域的叶绿素预测值。
具体地,三维重建技术通过深度数据获取、预处理、点云配准与融合、生成表面等过程,把真实场景刻画成符合计算机逻辑表达的数学模型。目前,冠层三维重建技术已经成为现代化农业的重要研究领域。冠层三维重建技术能够精准地描述数目冠层的几何结构,为本发明具体实施例中应用冠层三维重建技术获取待测数目的三维冠层模型提供了可行性。由此,基于冠层三维重建技术的叶绿素含量预测方法,包括:
首先,应用冠层三维重建技术获取待测树木的三维冠层模型,所述三维冠层模型中含有所述待测树木的颜色信息。
其次,将所述三维冠层模型划分为若干个立方单元。
接着,提取所述三维冠层模型中任一立方单元对应的颜色信息,根据该立方单元对应的颜色信息获取该立方单元的颜色值。
同时,获取上一步骤中划分的若干个立方单元中的任一立方单元的相对光照强度。本发明具体实施例中,任一立方单元的相对光照强度,可以从已有的待测树木的相对光照强度数据中提取对应该立方单元位置处的相对光照强度,也可以根据以上步骤中三维冠层模型的划分方法对待测树木冠层进行实际划分,并根据该立方单元的位置对该立方单元的相对光照强度进行实际采集,但不限于此。
随后,根据所述待测树木的各立方单元的相对光照强度,将各立方单元划分为若干个光照区域。例如,将相对光照强度为60%-85%的立方单元划分至最佳光照区域,将相对光照强度为0-30%的立方单元划分至无效光照区域。
最后,将任一立方单元的颜色值和相对光照强度输入叶绿素含量预测模型中,应用该立方单元的颜色值和相对光照强度对该立方单元的叶绿素含量进行预测,并将所述叶绿素含量预测模型的输出值,即该立方单元的叶绿素预测值作为该立方单元对应的光照区域的叶绿素预测值。
本发明具体实施例中,基于树木的三维冠层模型进行颜色采集,对划分不同光照区域的叶绿素含量进行预测,无破坏性,不影响树木生长的连续性,相比二维测量方法效率更高、准确性更好,为不同光照区域的绿素含量的测量提供了快速、无损的途径。
基于上述具体实施例,一种叶绿素含量预测方法,所述步骤S3前还包括:S01,获取若干个样本树木的三维冠层模型,将各三维冠层模型分别划分为若干个立方单元,获取各立方单元的颜色值;S02,获取各立方单元的相对光照强度和叶绿素含量;S03,将各立方单元的颜色值、相对光照强度和叶绿素含量输入BP神经网络进行训练,直至所述BP神经网络的精度达到目标精度或训练次数达到训练次数阈值;S04,将训练得到的所述BP神经网络作为叶绿素含量预测模型。
具体地,在将任一立方单元的颜色值和相对光照强度输入的叶绿素含量预测模型中,应用该立方单元的颜色值和相对光照强度对该立方单元对应的光照区域的叶绿素含量进行预测前,需要先对所述叶绿素含量预测模型进行训练。
进一步地,所述叶绿素含量预测模型的训练方法包括:
首先,应用冠层三维重建技术获取若干个样本树木对应的三维冠层模型,各个三维冠层模型中含有对应的样本树木的颜色信息。
其次,将各个三维冠层模型分别划分为若干个立方单元。
接着,提取各个三维冠层模型中各个立方单元对应的颜色信息,根据各个立方单元对应的颜色信息获取各个立方单元的颜色值。
随后,获取各个立方单元的相对光照强度和叶绿素含量。
其中,任一立方单元的相对光照强度可以从已有的样本树木的相对光照强度数据中提取对应该立方单元位置处的相对光照强度,也可以根据以上步骤中三维冠层模型的划分方法对样本树木冠层进行实际划分,并根据该立方单元的位置对该立方单元的相对光照强度进行实际采集,但不限于此。
此外,任一立方单元的叶绿素含量可以从已有的样本树木的叶绿素含量数据中提取对应该立方单元位置处的叶绿素含量,也可以通过叶绿素测量仪测量获取样本树木上该立方单元位置处的样本叶片获取,但不限于此。
然后,将各个立方单元的颜色值、相对光照强度和叶绿素含量输入到BP神经网络中进行训练,直至所述BP神经网络的精度达到目标精度或训练次数达到训练次数阈值。其中,BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。
最后,将完成训练的BP神经网络作为叶绿素含量预测模型输出。
本发明具体实施例中,通过三维冠层模型进行颜色采集,应用样本的颜色值、相对光照强度和叶绿素含量对BP神经网络进行训练,建立了叶绿素含量预测模型。为实现叶绿素含量的预测奠定了基础。
基于上述任一具体实施例,一种叶绿素含量预测方法,所述步骤S1中,获取待测树木的三维冠层模型,将所述三维冠层划分为若干个立方单元,获取任一立方单元的颜色值,进一步包括:S11,应用三维激光扫描设备获取待测树木的三维冠层模型;S12,根据所述三维冠层模型中的距离信息,将所述三维冠层模型划分为若干层,并将各层划分为若干行×若干列的立方单元;S13,应用任一立方单元的R分量、G分量和B分量计算该立方单元的颜色值;所述颜色值包括第一颜色值和第二颜色值。
具体地,首先,应用三维激光扫描设备获取待测树木的三维冠层模型。其中,三维激光扫描技术又称实景复制技术,是测绘领域继GPS技术之后的一次技术革命,它突破了传统的单点测量方法,具有高效率、高精度的独特优势。三维激光扫描技术能够提供扫描物体表面的三维点云数据,因此可以用于获取高精度高分辨率的数字地形模型。本发明具体实施例中,所述三维激光扫描设备为地面激光扫描仪,例如FARO Focus3D 120。
其次,所述三维冠层模型的三维点云数据中包含有距离信息。根据所述距离信息将所述三维冠层模型划分为若干层,并将所述若干层中的各层分别划分为若干行×若干列的立方单元。
接着,在所述三维冠层模型中任意选取一个立方单元,获取该立方单元包含的颜色信息,从所述颜色信息中提取该立方单元RGB色彩的各个分量,即R分量、G分量和B分量。
最后,应用下式计算该立方单元的颜色值:
X1=(R-B)/(R+B)
式中,X1为第一颜色值,X2为第二颜色值,R、G和B分别为R分量、G分量和B分量。
本发明具体实施例中,通过三维冠层模型对待测树木的冠层进行了划分和色彩提取,相比二维测量方法效率更高、准确性更好。
基于上述任一具体实施例,一种叶绿素含量预测方法,所述步骤S1中,获取任一立方单元的相对光照强度,进一步包括:获取任一立方单元任一时刻的光照强度;获取该时刻的外界光照强度;将该立方单元的光照强度和外界光照强度的商作为该立方单元的相对光照强度。
具体地,针对任一立方单元的相对光照强度,其获取方法如下:
首先,获取任一立方单元在任一时刻的光照强度,并获取同一时刻的外界光照强度。
随后,如下式所示,将该立方单元的光照强度和外界光照强度的商作为该立方单元的相对光照强度:
RLI=LC/L
式中,RLI为任一立方单元的相对光照强度,LC为任一立方单元的光照强度,L为外界光照强度。
本发明具体实施例中,提供了相对光照强度的获取方法,为实现不同光照区域的叶绿素预测提供了条件。
基于上述任一具体实施例,一种叶绿素含量预测方法,训练叶绿素含量预测模型时,任一立方单元的叶绿素含量的获取方法包括:在任一立方单元中任意选取若干个叶片;应用叶绿素含量测量仪分别测量各叶片的顶端、中部和底部的叶绿素含量;将所述各叶片的顶端、中部和底部的叶绿素含量的均值作为该立方单元的叶绿素含量。
具体地,在对叶绿素含量预测模型进行训练时,需要获取立方单元对应的叶绿素含量。任一立方单元的叶绿素含量的获取方法如下:
首先,在任一立方单元中任意选取若干个叶片。
随后,应用叶绿素含量测量仪分别测量该立方单元中选取的各叶片的顶端、中部和底部的叶绿素含量。
最后,将所述各叶片的顶端、中部和底部的叶绿素含量的均值作为该立方单元的叶绿素含量。
例如,在每一立方单元中选取三个叶片,每个叶片选取叶顶端,中部及底部三个典型位置,利用SPAD-502Chl meter测量其叶绿素含量,每个立方单元共计9个测量点,取其平均值作为该光照区域的叶绿素含量值。
基于上述任一具体实施例,图2为本发明具体实施例的一种叶绿素含量预测模型的结构示意图,如图2所示,一种叶绿素含量预测方法,所述叶绿素含量预测模型为三层BP神经网络:
其中,第一层为输入层,所述输入层由三个输入节点构成;所述输入层用于输入任一立方单元的第一颜色值、第二颜色值和相对光照强度;第二层为隐含层,所述隐含层由若干个神经元构成;第三层为输出层,所述输出层为一个输出节点,所述输出节点用于输出该立方单元的叶绿素预测值。
基于上述任一具体实施例,一种叶绿素含量预测方法,所述步骤S1中,获取任一立方单元任一时刻的光照强度,进一步包括:在任一立方单元的水平面上设置若干个光照度传感器,将任一时刻各光照度传感器测量值的均值作为该立方单元任一时刻的光照强度。
具体地,为了测量任一立方单元任一时刻的光照强度,首先,根据所述三维冠层模型的划分方法,对所述待测树木的冠层进行划分。本发明具体实施例中,应用细铁丝对待测数目的冠层空间进行网格划分。
随后,在任一立方单元对应的网格的水平面上设置若干个光照度传感器,记录所述任一时刻各光照度传感器的测量值,并将上述测量值的均值作为该立方单元任一时刻的光照强度。
基于上述任一方法具体实施例,图3为本发明具体实施例的一种叶绿素含量预测装置的结构示意图,如图3所示,一种叶绿素含量预测装置,包括模型划分单元301、颜色值获取单元302、相对光照获取单元303和叶绿素预测单元304。其中,模型划分单元301,用于获取待测树木的三维冠层模型,将所述三维冠层模型划分为若干个立方单元;颜色值获取单元302,用于获取任一立方单元的颜色值;相对光照获取单元303,用于获取任一立方单元的相对光照强度,根据各立方单元的相对光照强度将各立方单元划分为若干个光照区域;叶绿素预测单元304,用于将任一立方单元的颜色值和相对光照强度输入叶绿素含量预测模型,获取该立方单元的叶绿素预测值,将该立方单元的叶绿素预测值作为该立方单元对应的光照区域的叶绿素预测值;所述模型划分单元301和叶绿素预测单元304分别与所述颜色值获取单元302和相对光照单元连接。
具体地,三维重建技术通过深度数据获取、预处理、点云配准与融合、生成表面等过程,把真实场景刻画成符合计算机逻辑表达的数学模型。目前,冠层三维重建技术已经成为现代化农业的重要研究领域。冠层三维重建技术能够精准地描述数目冠层的几何结构,为本发明具体实施例中应用冠层三维重建技术获取待测数目的三维冠层模型提供了可行性。由此,基于冠层三维重建技术的叶绿素含量预测装置,包括:
首先,模型划分单元301应用冠层三维重建技术获取待测树木的三维冠层模型,将所述三维冠层模型划分为若干个立方单元。所述三维冠层模型中含有所述待测树木的颜色信息。
接着,颜色值获取单元302提取所述三维冠层模型中任一立方单元对应的颜色信息,根据该立方单元对应的颜色信息获取该立方单元的颜色值。
同时,相对光照获取单元303获取任一立方单元的相对光照强度。本发明具体实施例中,任一立方单元的相对光照强度,可以从已有的待测树木的相对光照强度数据中提取对应该立方单元位置处的相对光照强度,也可以根据以上步骤中三维冠层模型的划分方法对待测树木冠层进行实际划分,并根据该立方单元的位置对该立方单元的相对光照强度进行实际采集,但不限于此。
随后,相对光照获取单元303根据所述待测树木的各立方单元的相对光照强度,将各立方单元划分为若干个光照区域。例如,将相对光照强度为60%-85%的立方单元划分至最佳光照区域,将相对光照强度为0-30%的立方单元划分至无效光照区域。
最后,叶绿素预测单元304将任一立方单元的颜色值和相对光照强度输入训练好的叶绿素含量预测模型中,应用该立方单元的颜色值和相对光照强度对该立方单元的叶绿素含量进行预测,并将所述叶绿素含量预测模型的输出值,即该立方单元的叶绿素预测值作为该立方单元对应的光照区域的叶绿素预测值。
本发明具体实施例中,基于树木的三维冠层模型进行颜色采集,对划分区域的叶绿素含量进行预测,无破坏性,不影响树木生长的连续性,相比二维测量方法效率更高、准确性更好,为树木叶绿素含量的测量提供了快速、无损的途径。
基于上述任一具体实施例,一种叶绿素含量预测装置,还包括模型训练模块;所述模型训练模块,用于训练叶绿素含量预测模型;所述模型训练模块进一步包括样本划分子模块、训练值获取子模块和训练子模块;其中,所述样本划分子模块,用于获取若干个样本树木的三维冠层模型,将各三维冠层模型分别划分为若干个立方单元,获取各立方单元的颜色值;所述训练值获取子模块,用于获取各立方单元的相对光照强度和叶绿素含量;所述训练子模块,用于将各立方单元的颜色值、相对光照强度和叶绿素含量输入BP神经网络进行训练,直至所述BP神经网络的精度达到目标精度或训练次数达到训练次数阈值,并将所述BP神经网络作为训练好的叶绿素含量预测模型。
具体地,所述叶绿素含量预测装置还包括模型训练模块。所述模型训练模块用于在将任一立方单元的颜色值和相对光照强度输入训练好的叶绿素含量预测模型中,应用该立方单元的颜色值和相对光照强度对该立方单元的叶绿素含量进行预测前,需要先对所述叶绿素含量预测模型进行训练。
进一步地,所述模型训练模块包括样本划分子模块、训练值获取子模块和训练子模块:
首先,样本划分子模块应用冠层三维重建技术获取若干个样本树木对应的三维冠层模型,将各个三维冠层模型分别划分为若干个立方单元,并提取各个三维冠层模型中各个立方单元对应的颜色信息,根据各个立方单元对应的颜色信息获取各个立方单元的颜色值。
随后,训练值获取子模块用于获取各个立方单元的相对光照强度和叶绿素含量。
其中,任一立方单元的相对光照强度可以从已有的样本树木的相对光照强度数据中提取对应该立方单元位置处的相对光照强度,也可以根据以上步骤中三维冠层模型的划分方法对样本树木冠层进行实际划分,并根据该立方单元的位置对该立方单元的相对光照强度进行实际采集,但不限于此。
此外,任一立方单元的叶绿素含量可以从已有的样本树木的叶绿素含量数据中提取对应该立方单元位置处的叶绿素含量,也可以通过叶绿素测量仪测量获取样本树木上该立方单元位置处的样本叶片获取,但不限于此。
最后,训练子模块将各个立方单元的颜色值、相对光照强度和叶绿素含量输入到BP神经网络中进行训练,直至所述BP神经网络的精度达到目标精度或训练次数达到训练次数阈值,将完成训练的BP神经网络作为训练好的叶绿素含量预测模型输出。其中,BP(backpropagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。
本发明具体实施例中,通过三维冠层模型进行颜色采集,应用样本的颜色值、相对光照强度和叶绿素含量对BP神经网络进行训练,建立了叶绿素含量预测模型。为实现叶绿素含量的预测奠定了基础。
基于上述任一具体实施例,一种叶绿素含量预测装置,所述模型划分单元进一步包括模型获取子单元和模型划分子单元。其中,所述模型获取子单元,用于应用三维激光扫描设备获取待测树木的三维冠层模型;所述模型划分子单元,用于根据所述三维冠层模型中的距离信息,将所述三维冠层模型划分为若干层,并将各层划分为若干行×若干列的立方单元。所述颜色值获取单元进一步用于应用任一立方单元的R分量、G分量和B分量计算该立方单元的颜色值;所述颜色值包括第一颜色值和第二颜色值。
具体地,首先,模型获取子单元应用三维激光扫描设备获取待测树木的三维冠层模型。其中,三维激光扫描技术又称实景复制技术,是测绘领域继GPS技术之后的一次技术革命,它突破了传统的单点测量方法,具有高效率、高精度的独特优势。三维激光扫描技术能够提供扫描物体表面的三维点云数据,因此可以用于获取高精度高分辨率的数字地形模型。本发明具体实施例中,所述三维激光扫描设备为地面激光扫描仪,例如FARO Focus3D120。
其次,所述三维冠层模型的三维点云数据中包含有距离信息。模型划分子单元根据所述距离信息将所述三维冠层模型划分为若干层,并将所述若干层中的各层分别划分为若干行×若干列的立方单元。
接着,颜色值获取单元在所述三维冠层模型中任意选取一个立方单元,获取该立方单元中包含的颜色信息,从所述颜色信息中提取该立方单元RGB色彩的各个分量,即R分量、G分量和B分量。
最后,应用下式计算该立方单元的颜色值:
X1=(R-B)/(R+B)
式中,X1为第一颜色值,X2为第二颜色值,R、G和B分别为R分量、G分量和B分量。
本发明具体实施例中,通过三维冠层模型对待测树木的冠层进行了划分和色彩提取,相比二维测量方法效率更高、准确性更好。
基于上述任一具体实施例,一种叶绿素含量预测装置,所述相对光照获取单元进一步用于:获取任一立方单元任一时刻的光照强度;获取该时刻的外界光照强度;将该立方单元的光照强度和外界光照强度的商作为该立方单元的相对光照强度。
具体地,针对任一立方单元的相对光照强度,其获取方法如下:
首先,获取任一立方单元在任一时刻的光照强度,并获取同一时刻的外界光照强度。
随后,如下式所示,将该立方单元的光照强度和外界光照强度的商作为该立方单元的相对光照强度:
RLI=LC/L
式中,RLI为任一立方单元的相对光照强度,LC为任一立方单元的光照强度,L为外界光照强度。
本发明具体实施例中,提供了相对光照强度的获取方法,为实现不同光照区域的叶绿素预测提供了条件。
基于上述任一具体实施例,一种叶绿素含量预测装置,训练叶绿素含量预测模型时,任一立方单元的叶绿素含量的获取方法包括:在任一立方单元中任意选取若干个叶片;应用叶绿素含量测量仪分别测量各叶片的顶端、中部和底部的叶绿素含量;将所述各叶片的顶端、中部和底部的叶绿素含量的均值作为该立方单元的叶绿素含量。
具体地,在对叶绿素含量预测模型进行训练时,需要获取立方单元对应的叶绿素含量。任一立方单元的叶绿素含量的获取方法如下:
首先,在任一立方单元中任意选取若干个叶片。
随后,应用叶绿素含量测量仪分别测量该立方单元中选取的各叶片的顶端、中部和底部的叶绿素含量。
最后,将所述各叶片的顶端、中部和底部的叶绿素含量的均值作为该立方单元的叶绿素含量。
例如,在每一立方单元中选取三个叶片,每个叶片选取叶顶端,中部及底部三个典型位置,利用SPAD-502Chl meter测量其叶绿素含量,每个立方单元共计9个测量点,取其平均值作为该光照区域的叶绿素含量值。
基于上述任一具体实施例,一种叶绿素含量预测装置,所述叶绿素含量预测模型为三层BP神经网络:
其中,第一层为输入层,所述输入层由三个输入节点构成;所述输入层用于输入任一立方单元的第一颜色值、第二颜色值和相对光照强度;第二层为隐含层,所述隐含层由若干个神经元构成;第三层为输出层,所述输出层为一个输出节点,所述输出节点用于输出该立方单元的叶绿素预测值。
基于上述任一具体实施例,一种叶绿素含量预测装置,所述相对光照获取单元,在用于获取任一立方单元任一时刻的光照强度时,进一步包括:在任一立方单元的水平面上设置若干个光照度传感器,将任一时刻各光照度传感器测量值的均值作为该立方单元任一时刻的光照强度。
具体地,为了测量任一立方单元任一时刻的光照强度,首先,根据所述三维冠层模型的划分方法,对所述待测树木的冠层进行划分。本发明具体实施例中,应用细铁丝对待测数目的冠层空间进行网格划分。
随后,在任一立方单元对应的网格的水平面上设置若干个光照度传感器,记录所述任一时刻各光照度传感器的测量值,并将上述测量值的均值作为该立方单元任一时刻的光照强度。
为了更好地理解与应用本发明提出的一种叶绿素含量预测方法,本发明进行以下示例,且本发明不仅局限于以下示例。
示例一:
在进行叶绿素含量预测前,需要获取任一立方单元的相对光照强度。相对光照强度是叶绿素含量预测模型的输入参数,相对光照强度的测定是构建光照分布预测模型的重要步骤。
为评价冠层空间光照分布情况,以树干为中心,首先用细铁丝将处理样本的冠层空间进行网格划分。依据处理样本冠层的实际大小,冠层空间均被划分为5个层,每层6个网格,每个网格为40cm×40cm×40cm的立方体。共计180个。
由于外界自然光强度具有随着时间及天气变化的特性,为了能够快速获取冠层空间不同网格内同一时刻的相对光照强度,依据划分的网格数量设置光照度传感器节点,该节点可同时连接6个光照度传感器,并将其固定于不易弯曲的矩形铝板上,传输线定制为4米,将光照度采集软件安装于笔记本移动终端中,通过该软件实现多个光照度传感器节点数值的同步采集。测量时,随着冠层空间高度的变化,铝板两端人为抬起,由预先放置的水平仪作为参考,保证铁板保持水平,以其获取更为精确的光照度值。测定时,每个网格分区随机取3个点,并取得平均值,同时测定外界的光照强度,求得二者比值作为该网格分区的相对光照强度值。
示例二:
以6棵自由纺锤形苹果树为研究对象,其中第一排的三棵苹果树为训练样本,第二排为预测样本。图4为本发明具体实施例的一棵苹果树样本的示意图,如图4所示,以其中一棵树为例演示工作工程。
一棵理想的自由纺锤形苹果树冠层的相对光照强度呈现由内层到外层,由下层到上层依次升高的趋势。其中60%-85%为最佳光照区域,0-30%为无效光照区域。但是实际冠层很难达到理想冠层的光照分布,因此需要利用冠层划分的方法求解其实际相对光照强度的分布。
以树干为中心,首先用细铁丝将处理样本的冠层空间进行网格划分。依据处理样本冠层的实际大小,冠层空间均被划分为5个层,每层6个网格,每个网格为40cm×40cm×40cm的立方体。共计180个。
应用下式获取立方单元的相对光照强度:
RLI=LC/L
式中,RLI为任一立方单元的相对光照强度,LC为任一立方单元的光照强度,L为外界光照强度。
光照强度测量设备采用光照强度传感器节点,由于3D点云具有距离信息,因此根据冠层的距离值将其等分为5层,用5种不同颜色表示划分的5层,在每层中继续将其划分为6行×6列。提取得到的颜色信息具有RGB三个分量。
应用下式计算颜色值:
X1=(R-B)/(R+B)
式中,X1为第一颜色值,X2为第二颜色值,R、G和B分别为R分量、G分量和B分量。
由计算值可知,颜色变量X1随冠层相对光照强度的增加而减少,颜色变量X2则呈现与X1相反的趋势,即:随着相对光照强度的增加而增加。可见颜色信息随光照强度的变化具有一定的相关性。
将所有训练样本冠层空间立方单元的颜色信息及对应相对光照强度(共计540个立方单元)以及对应的叶绿素含量送入构建的神经网络模型进行训练,设定网络精度为0.0001,最大训练次数为100000。训练过程中,网络迭代11449次达到目标精度且收敛。
网络训练结果证明,从三维模型中提取的颜色信息与对应光照区域的叶绿素含量具有相关性。因此下一步的工作是用该网络模型预测不同光照强度下的叶绿素含量。
对于四种相对光照强度区域,各选择5个立方单元,则对于3棵预测样本果树而言总计60个预测样本。将叶绿素实测值与预测值进行对比,结果表明:R2为0.9755,最小误差值及最大误差值分别为0.2516,1.7772。
本示例,基于树木的三维冠层模型进行颜色采集,对划分区域的叶绿素含量进行预测,无破坏性,不影响树木生长的连续性,相比二维测量方法效率更高、准确性更好,为树木叶绿素含量的测量提供了快速、无损的途径。
图5为本发明具体实施例的一种叶绿素含量预测设备的结构示意图,如图5所示,该设备包括:至少一个处理器501;以及与所述处理器501通信连接的至少一个存储器502,其中:所述存储器502存储有可被所述处理器501执行的程序指令,所述处理器501调用所述程序指令能够执行上述各实施例所提供的叶绿素含量预测的方法,例如包括:S1,获取待测树木的三维冠层模型,将所述三维冠层模型划分为若干个立方单元,获取任一立方单元的颜色值;获取该立方单元的相对光照强度;S2,将该立方单元的颜色值和相对光照强度输入叶绿素含量预测模型,获取该立方单元的叶绿素预测值。
本发明实施例还提供一种非暂态计算机可读存储介质,该非暂态计算机可读存储介质存储计算机指令,该计算机指令使计算机执行对应实施例所提供的叶绿素含量预测方法,例如包括:S1,获取待测树木的三维冠层模型,将所述三维冠层模型划分为若干个立方单元,获取任一立方单元的颜色值;获取该立方单元的相对光照强度;S2,将该立方单元的颜色值和相对光照强度输入叶绿素含量预测模型,获取该立方单元的叶绿素预测值。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种叶绿素含量预测方法,其特征在于,包括:
S1,获取待测树木的三维冠层模型,将所述三维冠层模型划分为若干个立方单元,获取任一立方单元的颜色值;
获取任一立方单元的相对光照强度;根据各立方单元的相对光照强度将各立方单元划分为若干个光照区域;
S2,将任一立方单元的颜色值和相对光照强度输入叶绿素含量预测模型,获取该立方单元的叶绿素预测值,将该立方单元的叶绿素预测值作为该立方单元对应的光照区域的叶绿素预测值。
2.根据权利要求1所述的方法,其特征在于,所述步骤S2前还包括:
S01,获取若干个样本树木的三维冠层模型,将各三维冠层模型分别划分为若干个立方单元,获取各立方单元的颜色值;
S02,获取各立方单元的相对光照强度和叶绿素含量;
S03,将各立方单元的颜色值、相对光照强度和叶绿素含量输入BP神经网络进行训练,直至所述BP神经网络的精度达到目标精度或训练次数达到训练次数阈值;
S04,将训练得到的BP神经网络作为叶绿素含量预测模型。
3.根据权利要求1所述的方法,其特征在于,所述步骤S1中,获取待测树木的三维冠层模型,将所述三维冠层划分为若干个立方单元,获取任一立方单元的颜色值,进一步包括:
S11,应用三维激光扫描设备获取待测树木的三维冠层模型;
S12,根据所述三维冠层模型中的距离信息,将所述三维冠层模型划分为若干层,并将各层划分为若干行×若干列的立方单元;
S13,获取任一立方单元的R分量、G分量和B分量,应用下式计算该立方单元的颜色值;所述颜色值包括第一颜色值和第二颜色值;
X1=(R-B)/(R+B)
式中,X1为第一颜色值,X2为第二颜色值,R、G和B分别为R分量、G分量和B分量。
4.根据权利要求1所述的方法,其特征在于,所述步骤S1中,获取任一立方单元的相对光照强度,进一步包括:
获取任一立方单元任一时刻的光照强度;获取该时刻的外界光照强度;
将该立方单元的光照强度和外界光照强度的商作为该立方单元的相对光照强度。
5.根据权利要求2所述的方法,其特征在于,步骤S02中,任一立方单元的叶绿素含量的获取方法包括:
在任一立方单元中任意选取若干个叶片;
应用叶绿素含量测量仪分别测量各叶片的顶端、中部和底部的叶绿素含量;
将所述各叶片的顶端、中部和底部的叶绿素含量的均值作为该立方单元的叶绿素含量。
6.根据权利要求3所述的方法,其特征在于,所述叶绿素含量预测模型为三层BP神经网络;
其中,第一层为输入层,所述输入层由三个输入节点构成;所述输入层用于输入任一立方单元的第一颜色值、第二颜色值和相对光照强度;
第二层为隐含层,所述隐含层由若干个神经元构成;
第三层为输出层,所述输出层为一个输出节点,所述输出节点用于输出该立方单元的叶绿素预测值。
7.根据权利要求4所述的方法,其特征在于,所述步骤S1中,获取任一立方单元任一时刻的光照强度,进一步包括:
在任一立方单元的水平面上设置若干个光照度传感器,将任一时刻各光照度传感器测量值的均值作为该立方单元任一时刻的光照强度。
8.一种叶绿素含量预测装置,其特征在于,包括:
模型划分单元,用于获取待测树木的三维冠层模型,将所述三维冠层模型划分为若干个立方单元;
颜色值获取单元,用于获取任一立方单元的颜色值;
相对光照获取单元,用于获取任一立方单元的相对光照强度,并根据各立方单元的相对光照强度将各立方单元划分为若干个光照区域;
叶绿素预测单元,用于将任一立方单元的颜色值和相对光照强度输入叶绿素含量预测模型,获取该立方单元的叶绿素预测值,将该立方单元的叶绿素预测值作为该立方单元对应的光照区域的叶绿素预测值;
所述模型划分单元和叶绿素预测单元分别与所述颜色值获取单元和相对光照单元连接。
9.一种叶绿素含量预测设备,其特征在于,包括:
至少一个处理器;以及与所述处理器通信连接的至少一个存储器,其中:所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810078724.6A CN108399650B (zh) | 2018-01-26 | 2018-01-26 | 一种叶绿素含量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810078724.6A CN108399650B (zh) | 2018-01-26 | 2018-01-26 | 一种叶绿素含量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108399650A true CN108399650A (zh) | 2018-08-14 |
CN108399650B CN108399650B (zh) | 2020-06-30 |
Family
ID=63095024
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810078724.6A Expired - Fee Related CN108399650B (zh) | 2018-01-26 | 2018-01-26 | 一种叶绿素含量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108399650B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827957A (zh) * | 2018-12-17 | 2019-05-31 | 南京邮电大学 | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 |
CN110006900A (zh) * | 2019-04-23 | 2019-07-12 | 中国农业科学院棉花研究所 | 植物冠层光合有效辐射截获率获取方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6512577B1 (en) * | 2000-03-13 | 2003-01-28 | Richard M. Ozanich | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
CN101584291A (zh) * | 2009-07-03 | 2009-11-25 | 华中农业大学 | 一种对水稻光合能力高温稳定性的检测方法 |
CN104915982A (zh) * | 2015-05-15 | 2015-09-16 | 中国农业大学 | 树冠层光照分布预测模型构建方法及光照分布检测方法 |
CN105651713A (zh) * | 2015-12-30 | 2016-06-08 | 浙江工业大学 | 一种基于计算机图像分析的青菜叶片叶绿素定量检测方法 |
CN105675549A (zh) * | 2016-01-11 | 2016-06-15 | 武汉大学 | 一种便携式农作物参数测量与长势智能分析装置及方法 |
-
2018
- 2018-01-26 CN CN201810078724.6A patent/CN108399650B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6512577B1 (en) * | 2000-03-13 | 2003-01-28 | Richard M. Ozanich | Apparatus and method for measuring and correlating characteristics of fruit with visible/near infra-red spectrum |
CN101584291A (zh) * | 2009-07-03 | 2009-11-25 | 华中农业大学 | 一种对水稻光合能力高温稳定性的检测方法 |
CN104915982A (zh) * | 2015-05-15 | 2015-09-16 | 中国农业大学 | 树冠层光照分布预测模型构建方法及光照分布检测方法 |
CN105651713A (zh) * | 2015-12-30 | 2016-06-08 | 浙江工业大学 | 一种基于计算机图像分析的青菜叶片叶绿素定量检测方法 |
CN105675549A (zh) * | 2016-01-11 | 2016-06-15 | 武汉大学 | 一种便携式农作物参数测量与长势智能分析装置及方法 |
Non-Patent Citations (1)
Title |
---|
马晓丹等: "苹果树冠层不同光照区域叶绿素荧光性状计算方法", 《光谱学与光谱分析》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827957A (zh) * | 2018-12-17 | 2019-05-31 | 南京邮电大学 | 一种基于计算机视觉的水稻叶片spad值估测方法及系统 |
CN110006900A (zh) * | 2019-04-23 | 2019-07-12 | 中国农业科学院棉花研究所 | 植物冠层光合有效辐射截获率获取方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108399650B (zh) | 2020-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic organ-level point cloud segmentation of maize shoots by integrating high-throughput data acquisition and deep learning | |
CN110378909B (zh) | 基于Faster R-CNN的面向激光点云的单木分割方法 | |
AU2020103026A4 (en) | A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images | |
CN103258345B (zh) | 一种基于地面激光雷达三维扫描的树木枝干参数提取方法 | |
CN107063197B (zh) | 一种基于空间信息技术的水库特征曲线提取方法 | |
US8897483B2 (en) | System and method for inventorying vegetal substance | |
CN108376419A (zh) | 一种盆栽生菜的综合长势监测方法及装置 | |
CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
CN108007438A (zh) | 无人机航空摄影遥感湿地植物生物量的估测方法 | |
CN111767865A (zh) | 一种利用航拍影像和激光数据反演红树林生物量的方法 | |
CN109409441A (zh) | 基于改进随机森林的近岸水体叶绿素a浓度遥感反演方法 | |
CN112287892A (zh) | 基于无人机高光谱和机器学习算法的乔木生物量测算方法 | |
CN108169141A (zh) | 一种基于高光谱图像的茶树lai及氮含量估算方法 | |
CN109816680A (zh) | 一种农作物株高的高通量计算方法 | |
CN114595975A (zh) | 基于深度学习模型的无人机遥感松材线虫病害监测方法 | |
CN105806266B (zh) | 基于激光扫描数据的树木冠层叶面积计算方法 | |
CN115880487A (zh) | 基于深度学习方法的林木激光点云枝叶分离方法 | |
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 | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
Wu et al. | Estimation of cotton canopy parameters based on unmanned aerial vehicle (UAV) oblique photography | |
CN110610438B (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
CN108399650A (zh) | 一种叶绿素含量预测方法 | |
CN114663771A (zh) | 一种基于分区分层理论的山区耕地智能化提取方法 | |
CN109635828A (zh) | 一种生态保护红线区典型地理国情要素提取系统及方法 | |
CN114494586B (zh) | 晶格投影的深度学习网络阔叶树枝叶分离与骨架重建方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200630 |