CN108875620B - 入侵植物的监测方法及系统 - Google Patents
入侵植物的监测方法及系统 Download PDFInfo
- Publication number
- CN108875620B CN108875620B CN201810586568.4A CN201810586568A CN108875620B CN 108875620 B CN108875620 B CN 108875620B CN 201810586568 A CN201810586568 A CN 201810586568A CN 108875620 B CN108875620 B CN 108875620B
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- invasive plant
- deep convolutional
- training
- 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
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 39
- 238000012360 testing method Methods 0.000 claims description 36
- 230000003595 spectral effect Effects 0.000 claims description 23
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 231100001261 hazardous Toxicity 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 72
- 230000006870 function Effects 0.000 description 10
- 238000011176 pooling Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 241001440840 Mikania micrantha Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000003685 thermal hair damage Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及入侵植物监测领域，具体涉及一种入侵植物的监测方法及系统。本发明把飞行器、控制平台和监测平台建立了入侵植物的监测系统，通过该系统能够快速精准识别大、中、小规模的入侵植物，尤其是能在入侵植物爆发前监测到入侵植物，且提供更高分辨率的图像信息，基于深度卷积神经网络的识别算法能更快速、更准确识别入侵植物。
Description
技术领域
本发明涉及入侵植物监测领域，具体涉及一种入侵植物的监测方法及系统。
背景技术
某些植物被有意或无意引入非正常分布的区域，并在新栖息地爆发式生长繁殖，改变原有的生物地理分布，打乱生态系统的原有结构和功能，破坏当地生态系统多样性，从而成为入侵植物。
入侵植物一般分布无规律，且与本地植物混杂，可见光下视觉辨识度低，加之野外环境复杂多变，因此，一般检测方法很难实现对入侵植物实时精准监测。现有技术中针对入侵植物的监测方法主要有人工踏查、高空遥感和卫星遥感。高空遥感和卫星遥感能较快速的检测出大规模入侵植物分布状况，但受限于图像分辨率和识别算法智能化程度，往往将中小规模入侵植物作为误差点忽略掉，不利于指导入侵植物的早期防治，错过防治入侵植物的最佳时期。高空遥感和卫星遥感还易受云层干扰，监测成本高，灵活性差，很难满足入侵植物监测中对于速度和成本的要求。
因此，随着入侵植物的危害性日益增加，目前迫切需要开发一种新的监测技术快速精准监测入侵植物。
发明内容
为了解决现有技术中存在的灵活性差、成本高的问题，本发明提供一种快速精准监测入侵植物的方法，为入侵植物的早期预警和防治提供数据依据。
本发明的目的是提供一种入侵植物监测方法。
本发明的再一目的是提供一种入侵植物的监测系统。
根据本发明具体实施方式的入侵植物监测方法，其包括以下步骤：
获取待监测区域的地面高光谱图像；
确定目标入侵植物成像的敏感光谱波段，提取所述高光谱图像中目标入侵植物和背景的光谱特征，利用光谱波段和所述目标入侵植物-其他典型背景光谱特征差异性的定量模型找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段，以实现所述目标入侵植物和其他典型背景在视觉上的区分；
构建深度卷积神经网络结构，提取所述目标入侵植物成像的敏感光谱波段下的图像，选取部分图像分成训练集和测试集，用训练集训练所述深度卷积神经网络，然后用测试集进行测试训练生成的深度卷积神经网络；
若测试结果达到预期标准，则训练完成；若测试结果未达到预期标准，则调整深度卷积神经网络结果，重新用测试集测试深度卷积神经网络，直接测试结果大于预期结果，训练完成；
利用训练完成的深度卷积神经网络对未被选取的高光谱图形进行识别，标识出入侵植物和背景。
根据本发明具体实施方式的入侵植物监测方法，将选取的部分图像裁剪成多个正方形单元，正方形单元为固定尺寸大小，一般能被2整除，常用尺寸32,64,96,128，224,384和512等。
根据本发明具体实施方式的入侵植物监测方法，用训练集训练所述深度卷积神经网络时，设置训练参数为学习率衰减因子为0.5，学习率衰减周期为100，初始学习率为0.001，训练循环最高次数为150，随机抽取的样本数为800。
根据本发明具体实施方式的入侵植物监测方法，基于统计分析计算待监测区域，每个像素点的危害热力值，具体计算公式如下：
式中hij表示所述识别结果中单个入侵植物连通区域中像素点的危害热力值，lijmin和lijmax是像素点(i,j)到所在连通区域边缘的最近距离和最远距离；根据危害热力值大小赋予所述像素点对应颜色，从而生成入侵植物分布可视化热图。
根据本发明具体实施方式的入侵植物的监测系统，其包括图像采集模块、控制平台和监测平台，其中，
所述图像采集模块包括飞行器和高光谱成像仪，高光谱成像仪搭载在所述飞行器上，用于拍摄待监测区域的地面高光谱图像；
所述控制平台用于控制所述飞行器的飞行轨迹，并接受高光谱成像仪的高光谱图像，并将所述高光谱图像发送至监测平台；
所述监测平台包括图像处理单元和深度卷积神经网络单元，所述图像处理单元安用于提取所述高光谱图像中目标入侵植物和背景的光谱特征，并找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段，
所述深度卷积神经网络用于训练测试完成后识别入侵植物，其包括以下步骤：
提取所述高光谱图像中目标入侵植物和背景的光谱特征，并找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段；
构建深度卷积神经网络结构，训练完成的深度卷积神经网络单元对未被选取的高光谱图像进行识别，标识出入侵植物和背景，通过以下步骤训练深度卷积神经网络单元：
提取所述目标入侵植物成像的敏感光谱波段下的高光谱图像，选取部分图像，并分成训练集和测试集，用训练集训练所述深度卷积神经网络，然后用测试集进行测试训练生成的深度卷积神经网络；
若测试结果达到预期标准，则训练完成；若测试结果未达到预期标准，则调整深度卷积神经网络后，重新用测试集测试深度卷积神经网络，直到测试结果大于预期结果，训练完成。
根据本发明的具体实施方式的入侵植物的监测系统，还包括可视化单元，所述可视化单元用于计算待监测区域每个像素点的危害热力值，根据危害热力值大小赋予所述像素点对应颜色，从而生成入侵植物分布可视化热图，
其中，危害热力值通过以下公式计算危害热力值，
根据本发明具体实施方式的入侵植物的监测系统，高光谱成像仪通过USB口与所述飞行器连接，所述飞行器通过WiFi与所述地面控制平台连接，所述监测平台通过USB口与所述控制平台连接。
根据本发明具体实施方式的入侵植物的监测系统，所述飞行器为无人机。
本发明的有益效果：
1.本发明提供更高分辨率的图像信息，建立的深度卷积神经网络的识别算法更快速、更准确识别入侵植物；
2.本发明提供高光谱信息，扩展了数据维度，为不同种植物的区分提供更多选择；
3.本发明能够快速精准识别大、中、小规模的入侵植物，尤其是能在入侵植物爆发前监测到入侵植物；
4.本发明的监测系统结构简单，成本低、灵活性强，不易受云层干扰。
附图说明
图1是本发明入侵植物监测系统的结构示意图；
图2为本发明的入侵植物监测方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步的描述。
如图2所示，本发明的入侵植物监测方法包括如下步骤：
获取待监测区域的地面高光谱图像；
确定所述目标入侵植物成像的敏感光谱波段，对所述高光谱图像进行光谱分析处理，提取所述高光谱图像中目标入侵植物和其他典型背景的光谱特征，利用光谱波段和所述目标入侵植物与其他典型背景光谱特征差异性的定量模型找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段，以实现所述目标入侵植物和其他典型背景在视觉上的区分；
构建深度卷积神经网络结构，提取所述目标入侵植物成像的敏感光谱波段下的图像，并进行基于深度卷积神经网络的图像智能识别，选取部分入侵植物成像的敏感光谱波段下的图像按一定尺寸大小(常用尺寸32,64,96,128，224,384和512等)裁剪成小方块，以保证较多的所述小方块图像只包含一种目标，把所述小方块图像标注目标入侵植物或背景，然后按一定比例(7：3或6：4)把标注好的所述小方块图像分成训练集和测试集，构建与上述裁剪尺寸相对应的深度卷积神经网络结构。
输入训练集训练所述深度卷积神经网络，然后用测试集测试训练好的所述深度卷积神经网络的识别速度和准确性，如未达到预期标准(准确率可设置90％甚至更高的准确率，识别时间预期时间可设置为每秒至少识别100张所述小方块图像)则调整深度卷积神经网络结构，通过增减卷积层、激活函数reluLayer、池化层maxPooling2dLayer，调整卷积层滤波函数尺寸、池化层尺寸和步长，增减训练参数大小，重新训练测试直至达到预期目标，确定最终的深度卷积神经网络。
本发明的深度卷积神经网络结构为：
输入层：InputLayer，输入是尺寸224×224的RGB3通道图像；
第二层：卷积层convolution2dLayer，函数尺寸7×7，6通道，步长1，无填充；
第三层：激活函数reluLayer；
第四层：池化层maxPooling2dLayer，函数尺寸4×4，步长1，无填充；
第五层：卷积层convolution2dLayer，函数尺寸7×7，12通道，步长1，填充1；
第六层：激活函数reluLayer；
第七层：池化层maxPooling2dLayer，函数尺寸4×4，步长1，无填充；
第八层：全连接层fullyConnectedLayer，2通道；
第九层：分类层softmaxLayer；
输出层：classificationLayer。
使用两个7×7的大滤波器可以使本算法对区域目标更敏感。对于薇甘菊一般成片分布的植物，基于区域特征更能准确识别薇甘菊目标。使用4×4的池化函数更能快速的降低数据维度，提高计算速度。
训练参数为：学习率衰减因子为0.5，学习率衰减周期为100，初始学习率为0.001，训练循环最高次数为150，随机抽取的样本数为800。
对未被选取的高光谱图像按构建深度卷积神经网络结构所对应的尺寸大小裁剪，并进行智能识别，标识出入侵植物和背景，并拼接，从而实现所述入侵植物的快速精准识别。
基于统计分析计算待监测区域每个像素点(i,j)的危害热力值，根据危害热力值大小赋予所述像素点对应颜色(如将危害热力值大的像素点标记为红色，值小的像素点标记为白色或蓝色)，从而生成入侵植物分布可视化热图，具体计算公式如下：
式中hij表示所述识别结果中单个入侵植物连通区域中像素点(i,j)的危害热力值，lijmin和lijmax是像素点(i,j)到所在连通区域边缘的最近距离和最远距离。
上述的入侵植物的监测方法借助本发明的监测系统得以实现，如图1所示，本发明的入侵植物监测系统图像采集模块、控制平台和监测平台。包括便携式高光谱成像仪、飞行器和地面监测平台。所述图像采集模块包括飞行器和高光谱成像仪，高光谱成像仪搭载在所述飞行器上，用于拍摄待监测区域的地面高光谱图像。其中，飞行器优选为无人机。
控制平台控制所述飞行器按预定轨迹和离地面固定高度低空匀速飞行，并接收高光谱图像，然后发送至监测平台。
监测平台，用于处理所述高光谱图像，基于相应方法步骤自动识别入侵植物并生成所述入侵植物分布可视化热图；
本发明的入侵植物监测系统，其中，所述便携式高光谱成像仪通过USB口与所述飞行器连接，所述飞行器通过WiFi与控制平台连接，监测平台通过USB口与所述控制平台连接，所述便携式高光谱成像仪通过所述飞行器将地面高光谱图像发送至控制平台，由控制平台将图像转发到所述地面监测平台。
Claims (7)
1.入侵植物监测方法，其特征在于，所述方法包括以下步骤：
获取待监测区域的地面高光谱图像；
确定目标入侵植物成像的敏感光谱波段，提取所述高光谱图像中目标入侵植物和背景的光谱特征，并找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段；
构建深度卷积神经网络，提取所述目标入侵植物成像的敏感光谱波段下的高光谱图像，选取部分敏感光谱波段下的高光谱图像，并分成训练集和测试集，用训练集训练所述深度卷积神经网络，然后用测试集测试训练生成的深度卷积神经网络；
若测试结果达到预期标准，则训练完成，若测试结果未达到预期标准，则调整深度卷积神经网络后，重新用测试集测试调整后的深度卷积神经网络，直到测试结果大于等于预期标准，训练完成；
识别入侵植物，利用训练完成的深度卷积神经网络对未被选取的敏感光谱波段下的高光谱图像进行识别，标识出入侵植物和背景；
计算目标入侵植物区域每个像素点的危害热力值，根据危害热力值大小赋予所述像素点对应颜色，从而生成入侵植物分布可视化热图，
其中，危害热力值通过以下公式计算危害热力值，
2.根据权利要求1所述的入侵植物监测方法，其特征在于，在构建深度卷积神经网络步骤中，将选取的部分敏感光谱波段下的高光谱图像裁剪成多个正方形单元。
3.根据权利要求2所述的入侵植物监测方法，其特征在于，在识别入侵植物步骤中，将未被选取的敏感光谱波段下的高光谱图像裁剪成与选取的敏感光谱波段下的高光谱图像相等的正方形单元。
4.根据权利要求1所述的入侵植物监测方法，其特征在于，用训练集训练所述深度卷积神经网络时，设置深度卷积神经网络的训练参数为学习率衰减因子为0.5，学习率衰减周期为100，初始学习率为0.001，训练循环最高次数为150，随机抽取的样本数为800。
5.一种入侵植物的监测系统，其特征在于，所述系统包括图像采集模块、控制平台、可视化单元和监测平台，其中，
所述图像采集模块包括飞行器和高光谱成像仪，高光谱成像仪搭载在所述飞行器上，用于拍摄待监测区域的地面高光谱图像；
所述控制平台用于控制所述飞行器的飞行轨迹，并接受高光谱成像仪的高光谱图像，并将所述高光谱图像发送至监测平台；
所述监测平台包括图像处理单元和深度卷积神经网络单元，所述图像处理单元用于提取所述高光谱图像中目标入侵植物和背景的光谱特征，并找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段，
所述深度卷积神经网络单元用于训练测试完成后识别入侵植物，其包括以下步骤：
提取所述高光谱图像中目标入侵植物和背景的光谱特征，并找出差异性最大值对应的光谱波段，从而确定所述目标入侵植物成像的敏感光谱波段；
构建深度卷积神经网络结构，训练完成的深度卷积神经网络单元对未被选取的高光谱图像进行识别，标识出入侵植物和背景，通过以下步骤训练深度卷积神经网络单元：
提取所述目标入侵植物成像的敏感光谱波段下的高光谱图像，选取部分图像，并分成训练集和测试集，用训练集训练所述深度卷积神经网络，然后用测试集进行测试训练生成的深度卷积神经网络；
若测试结果达到预期标准，则训练完成；若测试结果未达到预期标准，则调整深度卷积神经网络后，重新用测试集测试深度卷积神经网络，直到测试结果大于预期结果，训练完成；
所述可视化单元用于计算目标入侵植物区域每个像素点的危害热力值，根据危害热力值大小赋予所述像素点对应颜色，从而生成入侵植物分布可视化热图，
其中，危害热力值通过以下公式计算危害热力值，
6.根据权利要求5所述的入侵植物的监测系统，其特征在于，高光谱成像仪通过USB口与所述飞行器连接，所述飞行器通过WiFi与地面控制平台连接，所述监测平台通过USB口与所述控制平台连接。
7.根据权利要求5所述的入侵植物的监测系统，其特征在于，所述飞行器为无人机。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810586568.4A CN108875620B (zh) | 2018-06-06 | 2018-06-06 | 入侵植物的监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810586568.4A CN108875620B (zh) | 2018-06-06 | 2018-06-06 | 入侵植物的监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108875620A CN108875620A (zh) | 2018-11-23 |
| CN108875620B true CN108875620B (zh) | 2021-11-05 |
Family
ID=64337470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810586568.4A Active CN108875620B (zh) | 2018-06-06 | 2018-06-06 | 入侵植物的监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108875620B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110070101B (zh) * | 2019-03-12 | 2024-05-14 | 平安科技（深圳）有限公司 | 植物种类的识别方法及装置、存储介质、计算机设备 |
| CN110188735A (zh) * | 2019-06-10 | 2019-08-30 | 中国农业科学院深圳农业基因组研究所 | 一种基于高光谱的入侵植物识别方法 |
| CN110852282B (zh) * | 2019-11-13 | 2023-04-07 | 榆林学院 | 一种基于机器视觉的农田病害监测系统 |
| CN111339954B (zh) * | 2020-02-27 | 2022-08-09 | 广西大学 | 一种基于图像识别的薇甘菊监测方法 |
| CN111339953B (zh) * | 2020-02-27 | 2022-11-11 | 广西大学 | 一种基于聚类分析的薇甘菊监测方法 |
| ES2938091B2 (es) * | 2020-04-22 | 2024-01-29 | Univ Florida | Estructura basada en la nube para procesar, analizar y visualizar datos de imagenes |
| CN113039982B (zh) * | 2021-03-12 | 2023-01-03 | 湖南省林业科学院 | 一种基于功能性状筛选模型的入侵植物生物防治系统 |
| CN114220002B (zh) * | 2021-11-26 | 2022-11-15 | 通辽市气象台(通辽市气候生态环境监测中心) | 一种基于卷积神经网络的外来植物入侵监测方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894263A (zh) * | 2010-05-24 | 2010-11-24 | 中国科学院合肥物质科学研究院 | 基于水平集和局部敏感判别映射的植物物种计算机辅助分类系统及分类方法 |
| CN106778845A (zh) * | 2016-12-01 | 2017-05-31 | 浙江省柯桥中学 | 一种基于叶色检测的植物生长状况监测方法 |
| CN107315999A (zh) * | 2017-06-01 | 2017-11-03 | 范衠 | 一种基于深度卷积神经网络的烟草植株识别方法 |
| CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
| WO2018075674A1 (en) * | 2016-10-22 | 2018-04-26 | Burden Keith Charles | Automated pruning or harvesting system for complex morphology foliage |
-
2018
- 2018-06-06 CN CN201810586568.4A patent/CN108875620B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101894263A (zh) * | 2010-05-24 | 2010-11-24 | 中国科学院合肥物质科学研究院 | 基于水平集和局部敏感判别映射的植物物种计算机辅助分类系统及分类方法 |
| WO2018075674A1 (en) * | 2016-10-22 | 2018-04-26 | Burden Keith Charles | Automated pruning or harvesting system for complex morphology foliage |
| CN106778845A (zh) * | 2016-12-01 | 2017-05-31 | 浙江省柯桥中学 | 一种基于叶色检测的植物生长状况监测方法 |
| CN107315999A (zh) * | 2017-06-01 | 2017-11-03 | 范衠 | 一种基于深度卷积神经网络的烟草植株识别方法 |
| CN107576618A (zh) * | 2017-07-20 | 2018-01-12 | 华南理工大学 | 基于深度卷积神经网络的水稻穗瘟检测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 《基于高光谱遥感数据的入侵植物监测》;万华伟;《农业工程学报》;20101231;59-64页 * |
| 《面向植被识别的无人机图像处理关键技术研究》;刘笃晋;《中国博士学位论文全文数据库》;20180115;第3、75-84页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108875620A (zh) | 2018-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875620B (zh) | 入侵植物的监测方法及系统 | |
| CN107444665B (zh) | 一种无人机自主降落方法 | |
| CN110929592A (zh) | 一种用于海上养殖区外边界的提取方法及系统 | |
| CN109725310B (zh) | 一种基于yolo算法以及岸基雷达系统的船舶定位监管系统 | |
| CN109325520B (zh) | 一种石油泄漏的检查方法、装置及系统 | |
| CN108055094B (zh) | 一种无人机操作手频谱特征识别与定位方法 | |
| US10891483B2 (en) | Texture classification of digital images in aerial inspection | |
| CN102959354A (zh) | 用于利用LiDAR数据来分析树冠层的方法和装置 | |
| CN106909886B (zh) | 一种基于深度学习的高精度交通标志检测方法及系统 | |
| US20190137653A1 (en) | Underground infrastructure sensing using unmanned aerial vehicle (uav) | |
| JP5542530B2 (ja) | サンプリング位置決定装置 | |
| CN107449780A (zh) | 基于无人机的水面污染物监测预警方法及系统 | |
| Ngoc et al. | Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI | |
| CN106845321A (zh) | 路面标记信息的处理方法和装置 | |
| Gazzea et al. | Automated power lines vegetation monitoring using high-resolution satellite imagery | |
| CN103049739A (zh) | 一种输电线路智能监控中树木检测方法 | |
| CN106500841B (zh) | 一种遥感监测大面积茶园植株多酚含量的方法及系统 | |
| CN106056069A (zh) | 基于无人机图像分析的林地资源资产评估方法及其评估系统 | |
| CN108764199B (zh) | 入侵植物薇甘菊的自动识别方法及系统 | |
| Hu et al. | Information extraction of subsided cultivated land in high-groundwater-level coal mines based on unmanned aerial vehicle visible bands | |
| CN114020043A (zh) | 无人机建筑工程监理系统、方法、电子设备及存储介质 | |
| CN114324202A (zh) | 基于光谱分析的小流域水质监测方法 | |
| CN112613437B (zh) | 一种违章建筑识别方法 | |
| CN115294439B (zh) | 空中弱小运动目标检测方法、系统、设备及存储介质 | |
| CN116778357A (zh) | 利用可见光缺陷识别的电力线路无人机巡检方法和系统 |
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 | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181123 Assignee: Shaoguan jinyiyuan Ecological Agriculture Technology Co.,Ltd. Assignor: AGRICULTURAL GENOMICS INSTITUTE AT SHENZHEN, CHINESE ACADEMY OF AGRICULTURAL SCIENCES Contract record no.: X2022440000305 Denomination of invention: Monitoring methods and systems for invasive plants Granted publication date: 20211105 License type: Common License Record date: 20221209 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20181123 Assignee: Xiangyi (Guangzhou) Technology Co.,Ltd. Assignor: AGRICULTURAL GENOMICS INSTITUTE AT SHENZHEN, CHINESE ACADEMY OF AGRICULTURAL SCIENCES Contract record no.: X2023980033451 Denomination of invention: Monitoring methods and systems for invasive plants Granted publication date: 20211105 License type: Common License Record date: 20230310 |
|
| EE01 | Entry into force of recordation of patent licensing contract |