CN109472210A - 一种植物的识别方法、装置、储存介质和设备 - Google Patents

一种植物的识别方法、装置、储存介质和设备 Download PDF

Info

Publication number
CN109472210A
CN109472210A CN201811196781.0A CN201811196781A CN109472210A CN 109472210 A CN109472210 A CN 109472210A CN 201811196781 A CN201811196781 A CN 201811196781A CN 109472210 A CN109472210 A CN 109472210A
Authority
CN
China
Prior art keywords
plant
identified
region
growth period
analyzed
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
CN201811196781.0A
Other languages
English (en)
Inventor
韩留生
周成虎
杨骥
李勇
杨传训
张晨
赵倩
王树详
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.)
Guangzhou Institute of Geography of GDAS
Original Assignee
Guangzhou Institute of Geography of GDAS
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 Guangzhou Institute of Geography of GDAS filed Critical Guangzhou Institute of Geography of GDAS
Priority to CN201811196781.0A priority Critical patent/CN109472210A/zh
Publication of CN109472210A publication Critical patent/CN109472210A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明涉及一张植物的识别方法、装置、储存介质和设备，包括：获取待识别植物的生育期信息、以及待识别植物在生育期各阶段对应的相关光谱数据；根据生育期信息、以及生育期各阶段对应的相关光谱数据构建待识别植物的数据库；获取待分析区域在待识别植物生育期各阶段的光谱图像数据；将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物。通过将待识别植物的生育期以及生育期各阶段对应的相关光谱数据建立待识别植物的数据库，进而通过光谱特征匹配的方法，可在待分析区域自动识别是否存在待识别植物，节省了时间，提高了效率。

Description

一种植物的识别方法、装置、储存介质和设备
技术领域
本发明涉及数据处理领域，特别是涉及一种植物的识别方法、装置、储存介质和设备。
背景技术
随着植物种植区域的扩展，植物的分布也越来越分散，对于植物的识别也越来越难。尤其是在一些人迹罕至的山区、密林和丘陵地区，有些植物种植分散而且种植面积小，利用传统人工方式对区域进行排查时，不仅费时费力，而且效率十分低下，因此如何便捷识别植物，成为了研究的课题。
发明内容
基于此，本发明的目的在于，提供一种植物的识别方法，其具有自动识别植物、节省时间、提高效率的优点。
一种植物的识别方法，包括如下步骤：
获取待识别植物的生育期信息、以及待识别植物在生育期各阶段对应的相关光谱数据；
根据生育期信息、以及生育期各阶段对应的相关光谱数据构建待识别植物的数据库；
获取待分析区域在待识别植物生育期各阶段的光谱图像数据；
将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物。
通过将待识别植物的生育期以及生育期各阶段对应的相关光谱数据建立待识别植物的数据库，进而通过光谱特征匹配的方法，可在待分析区域自动识别是否存在待识别植物，节省了时间，提高了效率。
进一步地，所述将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物的步骤之后，还包括：在待分析区域中存在待识别植物时，根据光谱数据中待识别植物的位置，获得待识别植物的种植区域，以进一步定位待识别植物的种植区域。
进一步地，所述待识别植物在生育期各阶段对应的相关光谱数据包括待识别植物在生育期各阶段对应的光谱数据；
或者，所述待识别植物在生育期各阶段对应的相关光谱数据包括待识别植物在生育期各阶段对应的光谱数据、与待识别植物相似的植物和/或与待识别植物混合种植的植物在生育期各阶段的光谱数据、以及土壤的光谱数据。
先利用排除法根据与待识别植物相似的植物、与待识别植物混合种植的植物在生育期各阶段的光谱数据、以及土壤的光谱数据排除非定位植物，再通过直接匹配法获得待识别植物，以提高识别效率。
进一步地，通过无人机获取待分析区域在待识别植物生育期各阶段的光谱图像数据待分析区域在待识别植物生育期各阶段的光谱图像数据；所述光谱图像数据为高光谱图像数据。
进一步地，所述获取待分析区域在待识别植物生育期内的光谱图像数据的步骤，包括：获取待分析区域在待识别植物生育期内的光谱图像；对光谱图像进行预处理，获得处理后的光谱图像数据，再将处理后的光谱图像数据与数据库进行光谱特征匹配，以尽可能消除因图像传感器自身条件、薄雾等大气条件、太阳位置和角度条件及某些不可避免的噪声等引起的图像传感器的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差异，以恢复图像的本来面目，使后续可精准地识别出待识别植物。
进一步地，所述将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物的步骤，包括：
将待分析区域在待识别植物生育期各阶段的光谱图像数据，分别与数据库中待识别植物生育期各阶段的光谱数据进行匹配；
若待分析区域生育期各阶段的光谱图像数据中分别存在与数据库中待识别植物生育期各阶段的光谱数据，则待分析区域中存在待识别植物，否则，待分析区域中不存在待识别植物。
进一步地，所述将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物的步骤，包括：
获取待识别植物生育期中的区别生育阶段；
将待分析区域在定位植物区别生育阶段的光谱图像数据，分别与数据库中待识别植物区别生育阶段的光谱数据进行匹配；
若在区别生育阶段的光谱图像数据中分别存在与数据库中待识别植物生育期各阶段的光谱数据，则待分析区域中存在待识别植物，否则，待分析区域中不存在待识别植物。
通过将待识别植物在区别生育阶段的光谱图像数据与数据库中的数据进行匹配，提高了匹配效率。
本发明还提供一种植物的识别装置，包括：
第一数据获取模块，用于获取待识别植物的生育期信息、以及待识别植物在生育期各阶段对应的相关光谱数据；
数据库构建模块，用于根据生育期信息、以及生育期各阶段对应的相关光谱数据构建待识别植物的数据库；
第二数据获取模块，用于获取待分析区域在待识别植物生育期各阶段的光谱图像数据；
匹配和判断模块，用于将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物。
通过将待识别植物的生育期以及生育期各阶段对应的相关光谱数据建立待识别植物的数据库，进而通过光谱特征匹配的方法，可在待分析区域自动识别是否存在待识别植物，节省了时间，提高了效率。
本发明还提供一种计算机可读储存介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述任意一项所述的植物的识别方法的步骤。
本发明还提供一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的植物的识别方法的步骤。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明实施例中植物的识别方法的流程图。
具体实施方式
请参阅图1，其为本发明实施例中植物的识别方法的流程图，所述植物的识别方法，包括如下步骤：
步骤S1：获取待识别植物的生育期信息、以及待识别植物在生育期各阶段对应的相关光谱数据。
在一个实施例中，所述待识别植物可为一个品种的植物，以获得某个品种植物的种植区域。所述待识别植物也可为同一个物种下不同品种植物的组合，以获得某个物种植物的种植区域。所述待识别植物可为经济作物，其种植面积比较小而且比较分散。例如，所述待识别植物可为一个品种植物如红罂粟，也可为同一个物种下不同品种植物的组合，如红罂粟白罂粟、东方罂粟、美女罂粟、长荚罂粟和角罂粟的组合。再例如，所述待识别植物可为一个品种植物如大麻中的ssp.Sativa，也可为同一个物种下不同品种的植物的组合，如ssp.Sativa和ssp.indica(Lamarck)Small et Cronquist的组合。又例如，所述待识别植物可为一个品种植物如黄秋葵，也可以为同一个物种下不同品种的植物的组合，如长毛黄葵、黄秋葵、黄蜀葵、木里秋葵、箭叶秋葵的组合。
在一个实施例中，所述待识别植物的生育期信息为待识别植物的从播种到种植成熟所经历的时间，其中，生育期可随着待识别植物的种类、品种特性而异，可分为以生长根、茎、叶等营养器官为主的营养生长期和以分化形成花、果实、种子等生殖器官为主的生殖生长期等。在一个实施例中，所述待识别植物为罂粟，对应的，所述生育期信息包括出苗期、拔节期、开花期、结果期和收割期。
步骤S2：根据生育期信息、以及生育期各阶段对应的相关光谱数据构建待识别植物的数据库。
步骤S3：获取待分析区域在待识别植物生育期各阶段的光谱图像数据。
在一个实施例中，所述待分析区域可为某一地理位置区域，包括但不限于山区、密林和丘陵等地理区域。
步骤S4：将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物。
通过将待识别植物的生育期以及生育期各阶段对应的相关光谱数据建立待识别植物的数据库，进而通过光谱特征匹配的方法，可在待分析区域自动识别是否存在待识别植物，节省了时间，提高了效率。
在一个实施例中，所述待识别植物在生育期各阶段对应的相关光谱数据包括待识别植物在生育期各阶段对应的光谱数据，进而在后续识别待识别植物时，直接将待识别植物的光谱数据进行特征匹配，进而直接识别出待识别植物。
在一个更优实施例中，由于待识别植物的种植比较分散，而且会与其他植物混合种植，因此，为提高识别效率和识别精确度，所述待识别植物在生育期各阶段对应的相关光谱数据包括待识别植物在生育期各阶段对应的光谱数据、与待识别植物相似的植物和/或与待识别植物混合种植的植物在生育期各阶段的光谱数据、以及土壤的光谱数据，进而在后续识别待识别植物时，先利用排除法根据与待识别植物相似的植物和/或与待识别植物混合种植的植物在生育期各阶段的光谱数据、以及土壤的光谱数据排除非定位植物，再通过直接匹配法获得待识别植物。例如，若待定位的植物为罂粟，则可选取虞美人作为与待识别植物相似的植物和/或与待识别植物混合种植的植物，并获取虞美人在生育期各阶段的光谱数据。
在一个实施例中，为方便准确地获取待分析区域的光谱数据，通过无人机获取待分析区域在待识别植物生育期各阶段的光谱图像数据；所述光谱数据为高光谱图像数据。
在一个实施例中，获取待分析区域在待识别植物生育期各阶段的光谱图像数据的步骤包括：获取待分析区域在待识别植物生育期各阶段的光谱图像，对光谱图像进行预处理，获得处理后的光谱图像数据，再将处理后的光谱图像数据与数据库进行光谱特征匹配。所述预处理包括辐射校正，以尽可能消除因图像传感器自身条件、薄雾等大气条件、太阳位置和角度条件及某些不可避免的噪声等引起的图像传感器的测量值与目标的光谱反射率或光谱辐射亮度等物理量之间的差异，以恢复图像的本来面目，使后续可精准地识别出待识别植物。其中，光谱图像可以通过无人机光谱摄像装置拍摄获取。
在一个实施例中，将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物的步骤，包括：将待分析区域在待识别植物生育期各阶段的光谱图像数据，分别与数据库中待识别植物生育期各阶段的光谱数据进行匹配，若待分析区域生育期各阶段的光谱图像数据中分别存在与数据库中待识别植物生育期各阶段的光谱数据，则说明待分析区域中存在待识别植物，否则，说明待分析区域中不存在待识别植物。
为实现快速对待识别植物的识别，在一个更优实施例中，所述将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物的步骤，包括：获取待识别植物生育期中的区别生育阶段；将待分析区域在定位植物区别生育阶段的光谱图像数据，分别与数据库中待识别植物区别生育阶段的光谱数据进行匹配，若在区别生育阶段的光谱图像数据中分别存在与数据库中待识别植物生育期各阶段的光谱数据，则说明待分析区域中存在待识别植物，否则，说明待分析区域中不存在待识别植物。例如，罂粟的花是区别于其他植物的重要特征，因此，以开花期作为罂粟的区别生育阶段，通过获取罂粟在开花期的光谱数据，并将其与数据库中罂粟在开花期的光谱数据进行匹配，以判定识别待分析区域是否存在罂粟。
在一个实施例中，为定位待识别植物的种植区域，所述将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物的步骤之后，还包括：在待分析区域中存在待识别植物时，根据光谱图像数据中待识别植物的位置，获得待识别植物的种植区域。
下面以对罂粟种植区域的定位为例，具体说明本发明的发明内容：
先获取罂粟在生育期信息，所述生育期信息包括出苗期、拔节期、开花期、结果期和收割期，再获取罂粟在出苗期、拔节期、开花期、结果期和收割期的光谱数据，然后根据生育期信息和生育期各阶段的光谱数据，构建获得罂粟的数据库。再通过无人机在待分析区域如人迹罕至的山区、密林和丘陵地区采集罂粟在生育期内各阶段的高光谱图像数据，并对高光谱图像数据进行辐射校正等预处理，获得处理后的高光谱图像数据。再将待分析区域在罂粟的生育期内各阶段处理后的高光谱图像数据，分别与罂粟的数据库生育期内各阶段的光谱数据进行特征匹配，若待分析区域在罂粟生育期各阶段的光谱数据中分别存在与数据库中待识别植物生育期各阶段的光谱数据，则说明待分析区域存在罂粟，否则，说明待分析区域不存在罂粟。或者，将待分析区域在罂粟的开花期的高光谱图像数据，分别与罂粟的数据库中开花期的光谱数据进行特征匹配，若待分析区域在罂粟的开花期光谱数据中存在与罂粟的数据库中的开花期的光谱数据，则说明待分析区域存在罂粟，否则，说明待分析区域不存在罂粟。最后根据光谱数据中罂粟的位置，获得待识别植物的种植区域。
通过将待识别植物的生育期以及生育期各阶段对应的相关光谱数据建立待识别植物的数据库，进而通过光谱特征匹配的方法，可在待分析区域自动识别是否存在待识别植物，节省了时间，提高了效率。
本发明还提供一种植物的识别装置，包括：
第一数据获取模块，用于获取待识别植物的生育期信息、以及待识别植物在生育期各阶段对应的相关光谱数据；
数据库构建模块，用于根据生育期信息、以及生育期各阶段对应的相关光谱数据构建待识别植物的数据库；
第二数据获取模块，用于获取待分析区域在待识别植物生育期各阶段的光谱图像数据；
匹配和判断模块，用于将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物。
在一个实施例中，所述匹配和判断模块将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物时，具体用于将待分析区域在待识别植物生育期各阶段的光谱图像数据，分别与数据库中待识别植物生育期各阶段的光谱数据进行匹配，若待分析区域生育期各阶段的光谱图像数据中分别存在与数据库中待识别植物生育期各阶段的光谱数据，则说明待分析区域中存在待识别植物，否则，说明待分析区域中不存在待识别植物
在一个更优实施例中，所述匹配和判断模块将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物时，具体还用于获取待识别植物生育期中的区别生育阶段，将待分析区域在定位植物区别生育阶段的光谱图像数据，分别与数据库中待识别植物区别生育阶段的光谱数据进行匹配，若在区别生育阶段的光谱图像数据中分别存在与数据库中待识别植物生育期各阶段的光谱数据，则说明待分析区域中存在待识别植物，否则，说明待分析区域中不存在待识别植物。例如，罂粟的花是区别于其他植物的重要特征，因此，以开花期作为罂粟的区别生育阶段，通过获取罂粟在开花期的光谱数据，并将其与数据库中罂粟在开花期的光谱数据进行匹配，以判定识别待分析区域是否存在罂粟。
在一个实施例中，为识别出待识别植物的种植区域，还包括种植区域定位模块，所述种植区域定位模块用于在待分析区域中存在待识别植物时，根据光谱数据中待识别植物的位置，获得待识别植物的种植区域。
本发明还提供一种计算机可读储存介质，其上储存有计算机程序，该计算机程序被处理器执行时实现如上述任意一项所述的植物的识别方法的步骤。
本发明可采用在一个或多个其中包含有程序代码的储存介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的储存介质的例子包括但不限于：相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
本发明还提供一种计算机设备，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的植物的识别方法的步骤。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种植物的识别方法，其特征在于，包括如下步骤：
获取待识别植物的生育期信息、以及待识别植物在生育期各阶段对应的相关光谱数据；
根据生育期信息、以及生育期各阶段对应的相关光谱数据构建待识别植物的数据库；
获取待分析区域在待识别植物生育期各阶段的光谱图像数据；
将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物。
2.根据权利要求1所述的植物的识别方法，其特征在于，所述将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物的步骤之后，还包括：在待分析区域中存在待识别植物时，根据光谱数据中待识别植物的位置，获得待识别植物的种植区域。
3.根据权利要求1所述的植物的识别方法，其特征在于，
所述待识别植物在生育期各阶段对应的相关光谱数据包括待识别植物在生育期各阶段对应的光谱数据；
或者，所述待识别植物在生育期各阶段对应的相关光谱数据包括待识别植物在生育期各阶段对应的光谱数据、与待识别植物相似的植物、与待识别植物混合种植的植物在生育期各阶段的光谱数据、以及土壤的光谱数据。
4.根据权利要求1所述的植物的识别方法，其特征在于，通过无人机光谱摄像装置获取待分析区域在待识别植物生育期各阶段的光谱图像数据；所述光谱图像数据为高光谱图像数据。
5.根据权利要求1所述的植物的识别方法，其特征在于，所述获取待分析区域在待识别植物生育期内的光谱图像数据的步骤，包括：获取待分析区域在待识别植物生育期内的光谱图像；对光谱图像进行预处理，获得处理后的光谱图像数据，再将处理后的光谱图像数据与数据库进行光谱特征匹配。
6.根据权利要求1所述的植物的识别方法，其特征在于，所述将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物的步骤，包括：
将待分析区域在待识别植物生育期各阶段的光谱图像数据，分别与数据库中待识别植物生育期各阶段的光谱数据进行匹配；
若待分析区域生育期各阶段的光谱图像数据中分别存在与数据库中待识别植物生育期各阶段的光谱数据，则待分析区域中存在待识别植物；否则，待分析区域中不存在待识别植物。
7.根据权利要求1所述的植物的识别方法，其特征在于，所述将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物的步骤，包括：
获取待识别植物生育期中的区别生育阶段；
将待分析区域在定位植物区别生育阶段的光谱图像数据，分别与数据库中待识别植物区别生育阶段的光谱数据进行匹配；
若在区别生育阶段的光谱图像数据中分别存在与数据库中待识别植物生育期各阶段的光谱数据，则待分析区域中存在待识别植物，否则，待分析区域中不存在待识别植物。
8.一种植物的识别装置，其特征在于，包括：
第一数据获取模块，用于获取待识别植物的生育期信息、以及待识别植物在生育期各阶段对应的相关光谱数据；
数据库构建模块，用于根据生育期信息、以及生育期各阶段对应的相关光谱数据构建待识别植物的数据库；
第二数据获取模块，用于获取待分析区域在待识别植物生育期各阶段的光谱图像数据待分析区域在待识别植物生育期各阶段的光谱图像数据；
匹配和判断模块，用于将待分析区域在待识别植物生育期各阶段的光谱图像数据与待识别植物的数据库进行光谱特征匹配，判断待分析区域是否存在待识别植物。
9.一种计算机可读储存介质，其上储存有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的植物的识别方法的步骤。
10.一种计算机设备，其特征在于，包括储存器、处理器以及储存在所述储存器中并可被所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任意一项所述的植物的识别方法的步骤。
CN201811196781.0A 2018-10-15 2018-10-15 一种植物的识别方法、装置、储存介质和设备 Pending CN109472210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811196781.0A CN109472210A (zh) 2018-10-15 2018-10-15 一种植物的识别方法、装置、储存介质和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811196781.0A CN109472210A (zh) 2018-10-15 2018-10-15 一种植物的识别方法、装置、储存介质和设备

Publications (1)

Publication Number Publication Date
CN109472210A true CN109472210A (zh) 2019-03-15

Family

ID=65663772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811196781.0A Pending CN109472210A (zh) 2018-10-15 2018-10-15 一种植物的识别方法、装置、储存介质和设备

Country Status (1)

Country Link
CN (1) CN109472210A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378303A (zh) * 2019-07-25 2019-10-25 杭州睿琪软件有限公司 用于对象识别的方法及系统
CN110490086A (zh) * 2019-07-25 2019-11-22 杭州睿琪软件有限公司 一种用于对象识别结果二次确认的方法及系统
CN110555416A (zh) * 2019-09-06 2019-12-10 杭州睿琪软件有限公司 一种植物识别方法及装置
CN112580493A (zh) * 2020-12-16 2021-03-30 广东省林业科学研究院 基于无人机遥感的植物识别方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651844A (zh) * 2016-12-16 2017-05-10 山东锋士信息技术有限公司 一种基于图像分析的苹果生育期识别方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651844A (zh) * 2016-12-16 2017-05-10 山东锋士信息技术有限公司 一种基于图像分析的苹果生育期识别方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
LI XIANFENG 等: "Land Cover Classification Based on Time-series MODIS NDVI Data in Heihe River Basin", 《ADVANCES IN EARTH SCIENCE》 *
孙欢欢: "基于高分辨率遥感影像的大麻作物信息提取方法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
王玉: "基于时序光谱库的棉花种植面积信息提取研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *
班松涛: "县域农作物分类类型遥感识别与提取", 《中国优秀硕士学位论文全文数据库 农业科技辑》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110378303A (zh) * 2019-07-25 2019-10-25 杭州睿琪软件有限公司 用于对象识别的方法及系统
CN110490086A (zh) * 2019-07-25 2019-11-22 杭州睿琪软件有限公司 一种用于对象识别结果二次确认的方法及系统
CN110555416A (zh) * 2019-09-06 2019-12-10 杭州睿琪软件有限公司 一种植物识别方法及装置
CN112580493A (zh) * 2020-12-16 2021-03-30 广东省林业科学研究院 基于无人机遥感的植物识别方法、装置、设备及存储介质
CN112580493B (zh) * 2020-12-16 2021-11-09 广东省林业科学研究院 基于无人机遥感的植物识别方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109472210A (zh) 一种植物的识别方法、装置、储存介质和设备
CN105678281B (zh) 基于光谱和纹理特征的地膜覆盖农田遥感监测方法
Li et al. Measuring plant growth characteristics using smartphone based image analysis technique in controlled environment agriculture
Santini et al. Using unmanned aerial vehicle‐based multispectral, RGB and thermal imagery for phenotyping of forest genetic trials: A case study in Pinus halepensis
Naor et al. The inherent variability of water stress indicators in apple, nectarine and pear orchards, and the validity of a leaf-selection procedure for water potential measurements
Bheemanahalli et al. Effects of drought and heat stresses during reproductive stage on pollen germination, yield, and leaf reflectance properties in maize (Zea mays L.)
Diago et al. Assessment of vineyard canopy porosity using machine vision
CN108710766B (zh) 一种基于生长模型的温室植物水肥机调肥参数计算方法
CN105758806B (zh) 基于光谱特征的地膜覆盖农田遥感监测方法
Barry et al. Crown‐scale evaluation of spectral indices for defoliated and discoloured eucalypts
Gómez et al. Determining Biophysical Parameters for Olive Trees Using CASI‐Airborne and Quickbird‐Satellite Imagery
Jansen et al. Non-invasive phenotyping methodologies enable the accurate characterization of growth and performance of shoots and roots
Demir et al. Vigor tests to estimate seedling emergence potential and longevity in viola seed lots
Schmildt et al. Allometric models for determining leaf area of'Fino de Jete'cherimoya grown in greenhouse and in the open field
Yang et al. Canopy structure and light interception partitioning among shoots estimated from virtual trees: comparison between apple cultivars grown on different interstocks on the Chinese Loess Plateau
Rischbeck et al. Development of a diurnal dehydration index for spring barley phenotyping
CN108122224B (zh) 一种测算树冠郁闭度的系统
Ma et al. A method of calculating phenotypic traits for soybean canopies based on three-dimensional point cloud
CN116308866A (zh) 一种基于冠层反射光谱的水稻穗生物量估算方法及系统
Yol et al. Traits for phenotyping
Blank et al. Grapevine rootstocks result in differences in leaf composition (Vitis vinifera L. cv. Pinot Noir) detected through non‐invasive fluorescence sensor technology
Salinier et al. Root architectural trait diversity in aubergine (Solanum melongena L.) and related species and correlations with plant biomass
Viana et al. Optical sensors for precision agriculture: An outlook
CN116482041A (zh) 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统
Hudson et al. Phenoseasonal subcanopy light dynamics and the effects of light on the physiological ecology of a common understory shrub, Lindera benzoin

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

Application publication date: 20190315

RJ01 Rejection of invention patent application after publication