CN109523550A - 一种五因素小麦出苗情况评价方法 - Google Patents
一种五因素小麦出苗情况评价方法 Download PDFInfo
- Publication number
- CN109523550A CN109523550A CN201910010974.0A CN201910010974A CN109523550A CN 109523550 A CN109523550 A CN 109523550A CN 201910010974 A CN201910010974 A CN 201910010974A CN 109523550 A CN109523550 A CN 109523550A
- Authority
- CN
- China
- Prior art keywords
- emergence
- wheat
- subregion
- density
- formula
- 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
- 241000209140 Triticum Species 0.000 title claims abstract description 93
- 235000021307 Triticum Nutrition 0.000 title claims abstract description 93
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 238000010899 nucleation Methods 0.000 claims abstract description 46
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000011835 investigation Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000010835 comparative analysis Methods 0.000 claims description 2
- 238000000611 regression analysis Methods 0.000 claims description 2
- 238000011160 research Methods 0.000 claims description 2
- 239000011269 tar Substances 0.000 claims description 2
- 239000000463 material Substances 0.000 abstract description 4
- 238000007619 statistical method Methods 0.000 abstract description 3
- 235000013339 cereals Nutrition 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
Classifications
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及小麦出苗情况评价方法技术领域内一种五因素小麦出苗情况评价方法,本发明的方法借助于无人机图像处理技术获取田间出小苗麦的图像,通过图像处理、计算,得到麦苗的够苗度、均匀度、耕地利用率、峰值度和极值度五方面的因素,并进一步得到出苗情况的评分分值,同时借助于雷达五线图对出苗情况进行全面的评价,相比传统的人工统计方法,节省大量人力物力,并避免因人为因素造成的调查结果片面性问题,提高了田间调查的效率和准备性。
Description
技术领域
本发明涉及小麦出苗情况评价方法技术领域,特别涉及一种快捷、新颖、实用、直观的智能评价出苗情况的方法。
背景技术
小麦出苗情况是反应小麦播种质量、整地质量和种子活力的重要指标,为构建最佳冠层结构奠定基础。影响出苗均匀度的因素较多,其中以目标苗数、均匀性、缺苗率、峰值度(与目标苗数偏差在25%以上的区域比例)、极值度(与目标苗数偏差在50%以上的区域比例)最能反映出苗情况,出苗情况的好坏会影响小麦群体后期的生长发育,最终影响产量。由于以上因素,对于出苗情况的调查也成为苗期田间管理的重要一环。
通常情况下,小麦出苗情况的测量方法是通过人工选择若干区域,并对这若干个区域的苗数进行调查统计,最后计算目标区域中苗数的变异系数,以此来反应出苗均匀度;或者田间调查单位垄长上,出苗断垄情况,以此反映出苗均匀度。
以上两种评价方法是最普遍人工评价方法,不仅需要耗费大量的人力物力,而且调查准确率很低,且调查结果存在片面性;除此之外进行大面积调查时极易受天气等环境条件的限制,使得调查周期延长,效率低下。
发明内容
本发明针对现有技术中小麦田出苗情况人工评价方法效率低,评价结果不全面的问题,提供一种五因素小麦出苗情况评价方法,借助于高清相机搭载无人机拍摄麦苗图像以获得麦苗的够苗度、均匀度、耕地利用率、峰值度和极值度五方面的因素对出苗情况进行全面的评价。
本发明的目的是这样实现的,一种五因素小麦出苗情况评价方法,包括如下步骤:
A、图像获取:利用无人机搭载高清相机,遥控无人机于目标小麦田上空进行出苗小麦RGB图像获取;
B、图像拼接:根据地面控制点对所获取的图像进行拼接;
C、实际面积转换:根据地面控制点进行像素面积与实际面积的转换;
D、图像处理:将耕地区域依次划分若干边长为50cm×50cm的子区域,利用颜色特征区分子区域的麦苗和耕地,并计算耕地利用率CulR;
E、盖度值Co的计算:计算各子区域中麦苗所占子区域的比例为子区域的盖度值Co;
F、够苗度ProS的计算:根据各子区域盖度值Co估算各子区域的小麦出苗密度Xi和平出苗密度ReaS,并与目标出苗密度对比评价得出整块耕地的够苗度ProS;
G、出苗均匀度UniS的计算:根据各子区域的出苗密度Xi,计算子区域麦苗数量的变异系数倒数,并进一步计算出苗均匀度UniS的相应值;
H、峰度值LocS的计算:根据F步中估算的各子区域的出苗密度,出苗密度与目标出苗密度偏差在25%至50%之间的区域占整地耕地的比例的倒数为峰值度;
I、极值度ExtS的计算:根据F步中估算的子区域的出苗密度,出苗密度与目标出苗密度偏差在50%以上的非空区域占整地耕地的比例的倒数的倒数为极值度;
J、五因素出苗情况评价:将步骤D、F、G、H、I的计算结果,按照比例绘制“雷达五线图”,评价出苗情况。
根据图像中绿色的分布,所述步骤D中,根据图像处理时,提取图像的R、G、B值,并利用公式(1)提取麦苗:
Exg=1.8*G-R-B (1) 。
为便于确定子区域中麦苗的分布,步骤E中,将步骤D中,按公式(1)计算提取的各子区域的麦苗分布与最大类间差法结合,设置阈值为0.02的,将各子区域的图像分为两类,大于0.02的区域为麦苗区域,并设为Ww,其余小于等于0.02的区域为背景区域,并设为Bb,利用公式(2)计算子区域盖度值Co,也就是各子区域麦苗区域占整个子区域的比例:
Co=Wx/Bb×100% (2)。
为便于根据各子区域麦苗的盖度与叶龄关系准确估侧各子区域麦苗密度,步骤F中,估计子区域小麦苗密度时,人工在耕地区选定15个以上的50×50cm的麦田子区域,人工调查麦苗数量,并根据子区域盖度值Co,通过回归分析构建基于盖度的麦苗数量估测模型如公式(3),用于田地子区域麦苗密度的估测:
xi=Co0.46 (3)
式中,Xi为子区域的麦苗密度,LeafA为通过人工田间调查获得的小麦叶龄,为1-4。
然后,再将各子区域的麦苗密度xi求平均值得到整块耕的平均出苗密度ReaS。
为便于定量评价整块麦田的麦苗密度是符合该地区的目标出苗密度, 步骤F中,够苗度ProS按公式(4)计算:
(4);
上式中,ReaS为根据各子区域出苗密度xi求得的整块耕地的平均出苗密度,TarS为目标出苗密度,为当地农业指导部门建议的单位面积的出苗密度。
为便于评价整体地块麦苗分布的均匀性,步骤G)出苗均匀性UniS按公式(5)~公式(8)计算:
EX= (5)
δx= (6)
CV= (7)
(8)。
为便于确定耕地利用率,根据步骤D中,子区域图像区分的麦田与耕地的总面积按公式(9)计算耕地利用率CulR为:
(9);
其中,CluT为耕地总面积,ChoA为无麦苗的耕地面积,也即是盖度为0的耕地。
步骤H中,峰值度LocS按公式10计算:
(10);
其中,LocR为子区域的麦苗密度Xi与目标出苗密度TarS的偏差为25%-50%的子区域占整块耕地的比例。
步骤I中 ,极值度ExtS按公式(11)计算,,峰值度计算公式为:
(11);
其中,ExtR为子区域的麦苗密度Xi与目标出苗密度TarS的偏差超过50%的子区域占整块耕地的比例。
为便于直观评价出苗情况,出苗情况EV按公式12计算:
EVA=2.9×ProS+3.3×CulR+2.1×UniS+1.9×LocS+2.3×ExtS (12);
其中,出苗情况EVA为百分制,90-100分:出苗情况非常好;80-90分出苗情况好;60-80分为出苗情况一班;60分以下:出苗情况较差。
本发明的上述五因素小麦出苗情况评价方法,借助于无人机图像处理技术获取田间出小苗麦的图像,通过图像处理、计算,得到麦苗的够苗度、均匀度、耕地利用率、峰值度和极值度五方面的因素,并进一步得到出苗情况的评分分值,同时借助于雷达五线图对出苗情况进行全面的评价,相比传统的人工统计方法,节省大量人力物力,并避免因人为因素造成的调查结果片面性问题,提高了田间调查的效率和准备性。
附图说明
图1为本发明的五因素小麦出苗情况的雷达五线评价图。
具体实施方式
本实施例的五因素小麦出苗情况评价方法,具体通过下述的步骤过程完成。
A、图像获取:通过无人机图像获取控制软件是DJI GS Pro,利用无人机搭载高清相机,遥控无人机于目标小麦田上空进行出苗小麦RGB图像获取;在遥控无人机时,使无人机在麦苗区域垂直上方8—10米的高度分飞行拍摄,并且相邻图像的重复率为65%~75%,本步中,获取小麦图像一般在小麦处理1—4叶期时进行,也就是小麦叶龄LeafA为1—4叶龄,主要通过人工调查确定小麦叶龄。
通过图像拼接软件Agisoft PhotoScan根据地面控制点对将上述拍摄的图像,进行拼接,以获得整个耕地的整体图像。
将拼接后的整体图像,根据地面控制点进行像素面积与实际面积的转换;转换公式为:像素面积=控制点面积/控制点像素数,控制点面积通过人工实地测量获得。
通过Matlab图像处理软件,将上述耕地区域依次划分若干边长为50cm×50cm的子区域,利用颜色特征区分子区域的麦苗和耕地,并计算耕地利用率CulR。根据图像中绿色的分布,提取图像的R、G、B值,并利用公式(1)提取麦苗:
Exg=1.8*G-R-B(1)。
将按公式(1)计算提取的各子区域的麦苗分布与最大类间差法结合,设置阈值为0.02的,将各子区域的图像分为两类,大于0.02的区域为麦苗区域,并设为Ww,其余小于等于0.02的区域为背景区域,并设为Bb,利用公式(2)计算子区域盖度值Co,也就是各子区域麦苗区域占整个子区域的比例:
Co=Wx/Bb×100% (2)。
通过上述计算图像处理过程可以确定整块耕地中的盖度为的耕地面积ChoA,整块耕地的总面积为CluT,从而可以按下述公式(9)计算得出耕地利用率CulR的值:
(9)。
通过上述各子区域计算得出的盖度值,根据1—4叶龄期小麦盖度与苗数的关系模型,估算各子区域小麦出苗密度ReaS,具体按公式(3)计算以估测各子区域的出苗密度:
xi=Co0.46 (3)。
按公式(3)计算各子区域的出苗密度xi后,计算整块耕的平均出苗密度ReaS,并按公式(4)计算整块耕地的够苗度:
(4);
该上述公式(4)中目标出苗密度TarS为当地农业指导部门建议的单位面积的出苗密度。
接着按公式(5)~公式(8)通过计算子区域麦苗数量的变异系数倒数,并进一步计算出苗均匀度UniS的相应值;
EX= (5);
δx= (6);
CV= (7)
(8)。
再进行峰度值LocS的计算时,前述过程中估算的子区域的出苗密度xi,按公式(10)计算出苗密度xi与目标出苗密度TarS偏差在25%至50%之间的区域占整块耕地比例的倒数为峰值度;
(10)。
进行极值度ExtS的计算时,前述过程中估算的子区域的出苗密度xi,按公式(10)计算出苗密度xi与目标出苗密度TarS偏差在50%以上的非空区域占整块耕地比例的倒数为极值度;
(11)。
经过上述过程的处理和计算过程,分别得出了整块耕地的耕地利用率CulR、够苗度ProS、均匀度UniS、峰谷度LocS和极值度ExtS各项参数,以上述五因素的具体参数值为雷达五线图的五轴作标,绘制的如图1所示的雷达五线评价图,通过该图绘制的五边形区域可以直观的反应整块麦苗的出苗情况,五边形的面积越大,越接近于正五边形表明出苗情况越好。
为便于便于进一步直观评价出苗情况,按公式(12)计算出苗情况EVA:
EVA=2.9×ProS+3.3×CulR+2.1×UniS+1.9×LocS+2.3×ExtS (12)。
通过上式计算的出苗情况EVA为百分制,90-100分:出苗情况非常好;80-90分出苗情况好;60-80分为出苗情况一班;60分以下:出苗情况较差。
本发明的上述五因素小麦出苗情况评价方法,借助于无人机图像处理技术获取田间出小苗麦的图像,通过图像处理、计算,得到麦苗的够苗度、均匀度、耕地利用率、峰值度和极值度五方面的因素,并进一步得到出苗情况的评分分值,同时借助于雷达五线图对出苗情况进行全面的评价,相比传统的人工统计方法,节省大量人力物力,并避免因人为因素造成的调查结果片面性问题,提高了田间调查的效率和准备性。
Claims (10)
1.一种五因素小麦出苗情况评价方法,包括如下步骤:
A、图像获取:利用无人机搭载高清相机,遥控无人机于目标小麦田上空进行出苗小麦RGB图像获取;
B、图像拼接:根据地面控制点对所获取的图像进行拼接;
C、实际面积转换:根据地面控制点进行像素面积与实际面积的转换;
D、图像处理:将耕地区域依次划分若干边长为50cm×50cm的子区域,利用颜色特征区分子区域是麦苗或背景耕地,并计算耕地利用率CulR;
E、盖度值Co的计算:计算各子区域中麦苗所占子区域的比例为子区域的盖度值Co;
F、够苗度ProS的计算:根据各子区域盖度值Co估算各子区域的小麦出苗密度Xi和平出苗密度ReaS,并与目标出苗密度对比评价得出整块耕地的够苗度ProS;
G、出苗均匀度UniS的计算:根据各子区域的出苗密度Xi,计算子区域麦苗数量的变异系数倒数,并进一步计算出苗均匀度UniS的相应值;
H、峰度值LocS的计算:根据F步中估算的各子区域的出苗密度,出苗密度与目标出苗密度偏差在25%至50%之间的区域占整地耕地的比例的倒数为峰值度;
I、极值度ExtS的计算:根据F步中估算的子区域的出苗密度,出苗密度与目标出苗密度偏差在50%以上的非空区域占整地耕地的比例的倒数的倒数为极值度;
J、五因素出苗情况评价:将步骤D、F、G、H、I的计算结果,按照比例绘制“雷达五线图”,评价出苗情况。
2.根据权利要求1所述的五因素小麦出苗情况评价方法,其特征在于,所述步骤D中,图像处理时,提取图像的R、G、B值,并利用公式(1)提取麦苗:
Exg=1.8*G-R-B (1) 。
3.根据权利要求2所述的五因素小麦出苗情况评价方法,其特征在于,步骤E中,将步骤D中,按公式(1)计算的结果与最大类间差法结合,设置阈值为0.02的,将各子区域的图像分为两类,大于0.02的区域为麦苗区域,并设为Ww,其余小于等于0.02的区域为背景区域,并设为Bb,利用公式(2)计算子区域盖度值Co:
Co=Wx/Bb×100% (2)。
4.根据权利要求3所述的五因素小麦出苗情况评价方法,其特征在于,所述F步中,估测子区域小麦苗数时,人工选定15个以上的50×50cm的麦田子区域,人工调查麦苗数量,并根据子区域盖度值Co,通过回归分析构建基于盖度的麦苗数量估测模型如公式(3),用于田块各子区域麦苗密度的估测:
xi=Co0.46 (3)
式中,Xi为子区域的麦苗密度,LeafA为通过人工田间调查获得的小麦叶龄,为1-4;
然后,再将各子区域的麦苗密度xi求平均值得到整块耕的平均出苗密度ReaS。
5.根据权利要求4所述的五因素小麦出苗情况评价方法,其特征在于,所述F步中,够苗度ProS的计算公式:
(4)
其中,ReaS为根据各子区域出苗密度xi求得的整块耕地的平均出苗密度,TarS为目标出苗密度,为当地农业指导部门建议的单位面积的出苗密度。
6.根据权利要求4所述的五因素小麦出苗情况评价方法,其特征在于,所述步骤G)出苗均匀性UniS按公式(5)~公式(8)计算:
。
7. 根据权利要求3所述的五因素小麦出苗情况评价方法,其特征在于,根据步骤D中,根据子区域图像区分的麦田与耕地的总面积按公式(9)计算耕地利用率CulR为:
(9)
其中,CluT为耕地总面积,ChoA为无麦苗的耕地面积,也即是盖度为0的耕地。
8.根据权利要求4所述的五因素小麦出苗情况评价方法,其特征在于,所述步骤H中,峰值度LocS按公式10计算:
(10);
其中,LocR为子区域的麦苗密度Xi与目标出苗密度TarS的偏差为25%-50%的子区域占整块耕地的比例。
9.根据权利要求4所述的五因素小麦出苗情况评价方法,其特征在于, 所述步骤I中 ,极值度ExtS按公式(11)计算,,峰值度计算公式为:
(11);
其中,ExtR为子区域的麦苗密度Xi与目标出苗密度TarS的偏差超过50%的子区域所占整块耕地的比例。
10.根据权利要求4所述的五因素小麦出苗情况评价方法,其特征在于,评价出苗情况EV按公式12计算::
EVA=2.9×ProS+3.3×CulR+2.1×UniS+1.9×LocS+2.3×ExtS (12);
其中,出苗情况EVA为百分制,90-100分:出苗情况非常好;80-90分出苗情况好;60-80分为出苗情况一半;60分以下:出苗情况较差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910010974.0A CN109523550B (zh) | 2019-01-07 | 2019-01-07 | 一种五因素小麦出苗情况评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910010974.0A CN109523550B (zh) | 2019-01-07 | 2019-01-07 | 一种五因素小麦出苗情况评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523550A true CN109523550A (zh) | 2019-03-26 |
CN109523550B CN109523550B (zh) | 2020-11-27 |
Family
ID=65799033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910010974.0A Active CN109523550B (zh) | 2019-01-07 | 2019-01-07 | 一种五因素小麦出苗情况评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523550B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111721269A (zh) * | 2020-06-30 | 2020-09-29 | 扬州大学 | 一种小麦幼苗格局特征的量化评价方法 |
CN111860220B (zh) * | 2020-06-30 | 2021-04-13 | 扬州大学 | 一种小麦幼苗分布特征的评价方法 |
CN112997720A (zh) * | 2021-02-20 | 2021-06-22 | 中国农业科学院作物科学研究所 | 一种作物田间出苗均匀度的评价方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845808A (zh) * | 2017-01-10 | 2017-06-13 | 北京师范大学 | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 |
CN107274384A (zh) * | 2017-05-17 | 2017-10-20 | 扬州大学 | 一种小麦出苗均匀度测定方法 |
CN107818565A (zh) * | 2017-11-23 | 2018-03-20 | 扬州大学 | 一种小麦一至三叶期麦苗数量调查方法 |
US20180258190A1 (en) * | 2017-03-08 | 2018-09-13 | Board Of Trustees Of Michigan State University | Pretreatment of densified biomass using liquid ammonia and systems and products related thereto |
CN108776106A (zh) * | 2018-04-23 | 2018-11-09 | 中国农业大学 | 一种基于无人机低空遥感的作物长势监测方法及系统 |
-
2019
- 2019-01-07 CN CN201910010974.0A patent/CN109523550B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845808A (zh) * | 2017-01-10 | 2017-06-13 | 北京师范大学 | 基于遥感数据反演的灌区稻田智能灌排决策方法和系统 |
US20180258190A1 (en) * | 2017-03-08 | 2018-09-13 | Board Of Trustees Of Michigan State University | Pretreatment of densified biomass using liquid ammonia and systems and products related thereto |
CN107274384A (zh) * | 2017-05-17 | 2017-10-20 | 扬州大学 | 一种小麦出苗均匀度测定方法 |
CN107818565A (zh) * | 2017-11-23 | 2018-03-20 | 扬州大学 | 一种小麦一至三叶期麦苗数量调查方法 |
CN108776106A (zh) * | 2018-04-23 | 2018-11-09 | 中国农业大学 | 一种基于无人机低空遥感的作物长势监测方法及系统 |
Non-Patent Citations (3)
Title |
---|
ALEXANDRA AUGUSTI BOLIGON 等: "Wheat seedling emergence estimated from seed analysis", 《SCIENTIA AGRICOLA》 * |
WANG, LA 等: "Estimation of biomass in wheat using random forest regression algorithm and remote sensing data", 《TRANSACTIONS OF THE CHINESE SOCIETY OF AGRICULTURAL ENGINEERING》 * |
段涛: "基于近感图像的作物表型高通量测量方法研究", 《中国博士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111721269A (zh) * | 2020-06-30 | 2020-09-29 | 扬州大学 | 一种小麦幼苗格局特征的量化评价方法 |
CN111860220B (zh) * | 2020-06-30 | 2021-04-13 | 扬州大学 | 一种小麦幼苗分布特征的评价方法 |
CN112997720A (zh) * | 2021-02-20 | 2021-06-22 | 中国农业科学院作物科学研究所 | 一种作物田间出苗均匀度的评价方法及系统 |
CN112997720B (zh) * | 2021-02-20 | 2022-09-06 | 中国农业科学院作物科学研究所 | 一种作物田间出苗均匀度的评价方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109523550B (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112418188B (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN109523550A (zh) | 一种五因素小麦出苗情况评价方法 | |
CN109829234A (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
CN111008733B (zh) | 一种作物生长管控方法和系统 | |
CN109269645A (zh) | 一种基于无人机可见光和热红外遥感的大田玉米冠层温度提取方法 | |
CN108323389B (zh) | 水稻插秧机的插秧秧苗株距与穴秧苗数的检测方法和装置 | |
KR102095539B1 (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
CN110008621B (zh) | 基于双重流依赖集合平方根滤波同化算法的作物模型遥感同化估产方法 | |
CN108710766A (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 | |
CN108776106A (zh) | 一种基于无人机低空遥感的作物长势监测方法及系统 | |
CN109584293A (zh) | 一种基于rgb-d视觉技术的温室作物三维形态全景测量系统 | |
CN114331753A (zh) | 农事智能化的方法、装置及控制设备 | |
CN102663396B (zh) | 一种水稻乳熟期自动检测的方法 | |
CN114694047A (zh) | 一种玉米播种质量的评价方法及装置 | |
CN116308866B (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 | |
CN111275567A (zh) | 基于无人机影像的senp棉花产量估算方法及估算模型构建方法 | |
CN109766871A (zh) | 一种基于空间差异同化遥感数据与作物模型的区域农作物估产方法 | |
CN108537164A (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
CN111721269B (zh) | 一种小麦幼苗格局特征的量化评价方法 | |
CN107818565B (zh) | 一种小麦一至三叶期麦苗数量调查方法 | |
CN117074340A (zh) | 一种基于无人机高光谱遥感图像的小麦氮含量测算方法 | |
CN115619286B (zh) | 一种评估育种田间小区样地质量的方法和系统 | |
CN117037002A (zh) | 基于无人机多源遥感的棉花产量估算模型构建方法 | |
CN109115771A (zh) | 甘蔗工艺成熟期自动观测方法 | |
CN109272416A (zh) | 一种大棚农作物种植系统 |
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 |