CN109788748A - 农作物田地中有益昆虫和/或污染物的识别 - Google Patents
农作物田地中有益昆虫和/或污染物的识别 Download PDFInfo
- Publication number
- CN109788748A CN109788748A CN201780061423.6A CN201780061423A CN109788748A CN 109788748 A CN109788748 A CN 109788748A CN 201780061423 A CN201780061423 A CN 201780061423A CN 109788748 A CN109788748 A CN 109788748A
- Authority
- CN
- China
- Prior art keywords
- species
- sensor
- detected
- probability
- suggestion
- 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
- 241000238631 Hexapoda Species 0.000 title abstract description 19
- 230000009286 beneficial effect Effects 0.000 title abstract description 5
- 239000003344 environmental pollutant Substances 0.000 title description 2
- 231100000719 pollutant Toxicity 0.000 title description 2
- 241000894007 species Species 0.000 claims abstract description 156
- 238000001514 detection method Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims description 24
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 18
- 201000010099 disease Diseases 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 8
- 238000001931 thermography Methods 0.000 claims description 6
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 241001465754 Metazoa Species 0.000 claims description 2
- 230000005670 electromagnetic radiation Effects 0.000 claims description 2
- 238000009313 farming Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 37
- 241000607479 Yersinia pestis Species 0.000 description 16
- 230000003287 optical effect Effects 0.000 description 7
- 244000052769 pathogen Species 0.000 description 6
- 230000001717 pathogenic effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000010191 image analysis Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 241000255925 Diptera Species 0.000 description 3
- 239000005667 attractant Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000031902 chemoattractant activity Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 241000256837 Apidae Species 0.000 description 2
- 241000219310 Beta vulgaris subsp. vulgaris Species 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- 235000021536 Sugar beet Nutrition 0.000 description 2
- 230000004397 blinking Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002845 discoloration Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000799 fluorescence microscopy Methods 0.000 description 2
- 208000015181 infectious disease Diseases 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000007170 pathology Effects 0.000 description 2
- 239000004476 plant protection product Substances 0.000 description 2
- 210000003296 saliva Anatomy 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 241001621841 Alopecurus myosuroides Species 0.000 description 1
- 240000001592 Amaranthus caudatus Species 0.000 description 1
- 235000009328 Amaranthus caudatus Nutrition 0.000 description 1
- 241000256844 Apis mellifera Species 0.000 description 1
- 241000894006 Bacteria Species 0.000 description 1
- 235000016068 Berberis vulgaris Nutrition 0.000 description 1
- 241000335053 Beta vulgaris Species 0.000 description 1
- 240000002791 Brassica napus Species 0.000 description 1
- 235000006008 Brassica napus var napus Nutrition 0.000 description 1
- 241000233685 Bremia lactucae Species 0.000 description 1
- 241000254173 Coleoptera Species 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 240000008415 Lactuca sativa Species 0.000 description 1
- 235000003228 Lactuca sativa Nutrition 0.000 description 1
- 244000141359 Malus pumila Species 0.000 description 1
- 241001237728 Precis Species 0.000 description 1
- 241000256626 Pterygota <winged insects> Species 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 244000098338 Triticum aestivum Species 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000036579 abiotic stress Effects 0.000 description 1
- 238000010009 beating Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008774 maternal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 244000000003 plant pathogen Species 0.000 description 1
- 239000002574 poison Substances 0.000 description 1
- 231100000614 poison Toxicity 0.000 description 1
- 235000012015 potatoes Nutrition 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000004094 surface-active agent Substances 0.000 description 1
- 230000000476 thermogenic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M1/00—Stationary means for catching or killing insects
- A01M1/02—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects
- A01M1/026—Stationary means for catching or killing insects with devices or substances, e.g. food, pheronones attracting the insects combined with devices for monitoring insect presence, e.g. termites
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
-
- 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
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Pest Control & Pesticides (AREA)
- Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Insects & Arthropods (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Agronomy & Crop Science (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Theoretical Computer Science (AREA)
- Animal Husbandry (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Catching Or Destruction (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Cultivation Of Plants (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明处理在农作物的田地中有益昆虫和/或有害生物的识别。使用一个或多个传感器捕获田地中物种的存在。生成关于它可能是哪些物种的一个或多个建议。基于一个或多个模型，计算检测到的物种可能是建议物种的特定概率。检测物种所在的位置、检测时间以及优选影响田地中建议物种存在的进一步参数被包括在模型中。借助于建模增加传感器的重要性。
Description
技术领域
本发明涉及在农作物田地中有益昆虫和/或有害生物的识别。
背景技术
在现代农业中，农业使用区域内的有益昆虫和/或有害生物的自动检测和识别起着越来越重要的作用。例如，一项重要任务是将有用的花粉供体与有害昆虫区分开。
另一项重要任务是识别在田地中有害生物的存在是否超过了损害阈值。损害阈值是指控制变得经济可行时的有害生物侵染的密度。在达到该值之前，控制的额外经济费用大于可怕的作物短缺。如果侵染密度超过该值，则控制成本至少由预期的额外产量补偿。
取决于害虫的性质，损害阈值可以广泛变化。在害虫只能以很高的费用控制并且对进一步生产产生负面伴随影响的情况下，损害阈值可能非常高。然而，在轻微的侵染可能成为重大爆发的来源的情况下，损害阈值也可能非常低。
应当注意，对于许多害虫，超过损害阈值的时间点并不精确地对应于控制措施的最优时间点。控制阈值通常低于经济损失阈值，因为在施加的植物保护剂可以发挥其作用之前必须经过一定的时间段。
允许识别损害和/或控制阈值的最重要的先决条件是有效的侵染控制。
对于有害昆虫的侵染控制，例如使用胶合涂料板或黄色捕获壳。许多害虫，诸如油菜籽害虫，被壳或面板的黄色吸引。黄色捕集池填充有添加了表面活性剂的水，以便降低表面张力，使得吸引的害虫被淹死。在胶合板的情况下，害虫粘在胶水中。
然而，手动放置和控制陷阱是费力且耗时的。
WO2014/035993 A2公开了一种自动系统，借助于该系统吸引蚊子使得可以采集唾液样本。分析唾液样本以便识别蚊子物种。该系统相对昂贵。另外，引诱剂的使用是不利的，因为被吸引的生物体受到影响，并且不清楚生物体是否会自己被吸引到诱捕器的区域。通过使用引诱剂确定侵染密度更加困难，因为必须确定引诱剂的影响。
借助于LiDAR(光探测和测距)，可以检测和识别其自然环境中的飞行昆虫。昆虫的翅膀拍打引起反向散射激光的调制，使得例如通过其特有的翅膀拍打可以识别昆虫。
Mikkel Brydegaard等人描述了基于所谓的Scheimpflug原理(Super ResolutionLaser Radar with Blinking Atmospheric Particles—Application to InteractingFlying Insects，Progress In Electromagnetics Research，2014年第147卷第141-151页)用于识别飞虫的LiDAR系统。David S.Hoffmann等人描述了用于识别蜜蜂的LiDAR系统(Range-resolved optical detection of honeybees by use of wing-beat modulationof scattered light for locating land mines,APPLIED OPTICS，2007年第15期第46卷)。
尽管该技术在不断改进(Carsten Kirkeby等人，Observations of movementdynamics of flying insects using high resolution lidar，Scientific Reports|6:29083|DOI:10.1038/srep29083)，但自然环境中个体物种的识别目前没有足够准确。
除了识别有害昆虫外，还有诸如真菌和病原体的其它有害生物，它们必须被自动检测，并且必须确定对于它们的侵染密度。可以使用高光谱传感器以便从植被和地层的反射特性中得出结果。Anne-Katrin Mahlein等人使用高光谱传感器检测甜菜疾病(Hyperspectral imaging for small-scale analysis of symptoms caused bydifferent sugar beet diseases；Plant Methods2012，8:3；doi:10.1186/1746-4811-8-3)。
在Plant Disease 2016年2月第100卷第2期第241-251页的Plant DiseaseDetection by Imaging Sensor–Parallels and Specific Demands for PrecisionAgriculture and Plant Phenotyping；http://dx.doi.org/10.1094/PDIS-03-15-0340-F中总结了允许检测植物疾病的进一步方法。
然而，所有已知检测技术的缺点是它们在实践中是不精确的。在频繁的情况下，不能充分指定单个害虫。尽管极低数量或极早期发育中的害虫的检测确实提供了它们存在的信息，但是在确定损害阈值、选择植物保护剂或其它措施所需的程度上未实现区分。
因此需要增加传感器识别有害生物的表达能力。
发明内容
根据本发明，该目的借助于独立权利要求1、13和14的主题实现。优选实施例在从属权利要求和本说明书中找到。
因此，本发明的第一主题是一种方法，包括以下步骤：
-在栽培农作物的田地中用传感器检测待识别的物种，
-针对所检测的待识别物种生成至少一个物种建议，
-确定传感器和/或所检测的待识别物种的位置，
-使用其中包括传感器和/或所检测的待识别物种的位置以及检测时间的模型计算田地中至少一种物种建议的发生概率。
本发明的另一主题是一种计算机程序产品，其包括在其上存储计算机程序的数据载体，该计算机程序可以加载到计算机的工作存储器中并使计算机系统执行以下步骤：
-接收针对待识别物种的至少一个建议，该待识别物种的存在已经由农作物的田地中的至少一个传感器检测到，
-接收至少一个传感器的位置和/或在检测时所检测的物种所在的地点，
-计算所检测的物种是建议物种的概率，其中，使用用于计算包括传感器和/或所检测物种的位置和检测时间的概率的模型。
本发明的另一主题是系统，该系统包括：
-至少一个传感器，用于检测农作物的田地中待识别物种的存在，
-用于针对由至少一个传感器检测的物种生成建议的部件，
-用于确定至少一个传感器的位置和/或物种在至少一个传感器检测时所在的地点的部件，
-计算机系统，其被配置为计算所检测的物种是建议物种的概率，其中使用用于计算包括传感器和/或所检测物种的位置和检测时间的概率的模型。
具体实施方式
下面进一步详细解释本发明，而不区分本发明的主题(方法、系统、计算机程序产品)。相反，以下解释旨在类似地适用于本发明的所有主题，而不管上下文(它们出现的方法、系统、计算机程序产品)。
在根据本发明的方法的第一步骤中，通过一个传感器或通过多个传感器检测在栽培农作物的田地中的待识别的物种。
术语“农作物”应理解为是指通过人为干预以有针对性的方式作为有用或观赏植物栽培的植物。
术语“田地”应理解为指地球表面的空间界定区域，其在农业上用于栽培农作物，提供营养物并在这种田地中收获。
术语“待识别的物种”应理解为指尚未以足够准确度指定的物种，以便就该物种是否对农作物有用、有害或无关紧要和/或是否必须采取措施以便增加或减少田地中物种的数量作出陈述。
术语“物种的检测”应理解为指物种存在的检测。物种的检测是其识别的第一步骤。
术语“物种”应理解为指可在田地中农作物栽培中出现的生物。该物种可以是有用的生物。有用生物的一个示例是花粉供体(传粉者)。然而，该物种也可能是有害生物。
术语“有害生物”，或简称“害虫”，应理解为指在农作物栽培中出现并可能损害农作物，对农作物的收获产生负面影响或与农作物竞争自然资源的生物。这些有害生物的示例是杂草、杂草牧草、动物害虫，诸如例如甲虫、毛虫和蠕虫、真菌和病原体(例如细菌和病毒)。尽管从生物学角度来看病毒不被认为是生物体，但在本案例中，它们将被包括在有害生物体的术语中。
术语“传感器”应理解为是指可以记录在农作物的田地中待识别的物种的存在的装置。该传感器在下文中也称为“物种传感器”。
传感器基于一个或多个特征信号检测物种的存在。信号可以由物种本身直接发射。这种直接发射信号的示例是例如飞行期间许多飞行昆虫的翅膀拍打产生的噪音。传感器还可以发射信号，该信号由待识别的物种以特有的方式修改，并且然后被发回。这种修改的发回信号的示例是通过飞行物体的特征翅膀运动的激光束的调制。传感器通常检测电磁和/或声和/或化学和/或电信号和/或指示物种存在的其它信号。
传感器可以是直接或间接检测待识别的物种的传感器。在直接检测中，物种的存在导致由传感器记录的信号；在间接检测中，物种的存在引起传感器记录的物种环境的变化。作为直接检测的示例，可以提及在田地中和/或田地上方移动并且其存在由传感器记录的飞行昆虫。作为间接检测的示例，可以提及引起农作物变化(诸如例如叶子变色)的疾病。借助于传感器记录叶子的变色，并且从而间接地指示病原体的存在。
在实施例中，传感器自动起作用，即对于传感器要记录的物种的存在不需要人为干预。
在替代实施例中，传感器由用户操作。
传感器可以是固定装置的一部分，该固定装置定位于田地中、田地上和/或田地上方，并监视田地的一部分或整个田地。
还可以想到的是，传感器是可以由用户在田地中携带的移动装置的一部分。还可以设想，传感器附接到农业机械，并在农业机械在田地中移动时接收信号。还可以设想使用附接传感器并且当飞机在田地上方移动时接收信号的有人驾驶或无人驾驶飞机。
传感器可以连续检测检测区域中的信号。然而，也可以设想传感器在可定义的时间和/或在可定义的时间段期间记录信号。进一步可以设想，借助于触发器使传感器检测信号。例如，该触发器可以使传感器在某个预定义事件(诸如例如在传感器附近发生移动，发生一定程度的亮度(或暗度)、降水的开始、一定的湿度或温度等)发生时检测信号。然而，也可以设想用户触发传感器。
还可以设想存在多个传感器。传感器可以是相同类型的，但也可以考虑使用不同类型的传感器。
以下描述几种类型的优选传感器。
在优选实施例中，传感器是光学传感器，即由传感器检测的信号是光信号，即可见光和/或紫外和/或红外光范围内的电磁辐射。光学传感器的示例是RGB传感器、LiDAR传感器、高光谱传感器和热成像传感器。
传感器例如可以是用于可见光的数字图像传感器，借助于该传感器可以记录例如田地的一部分的RGB图像。过去已经使用植物和/或植物部分的数字照片用于疾病的检测和定量(CH Bock等人，Plant disease severity estimated visually,by digitalphotography and image analysis,and by hyperspectral imaging，Crit.Rev.PlantSci.2010，29：59-107；M.Neumann等人：Erosion band features for cell phone imagebased plant disease classification，第22届国际模式识别大会(ICPR)会议记录，瑞典斯德哥尔摩，2014年8月24日至28日，第3315-3320页)。
当然也可以生成使用RGB颜色空间(CIELUV、CIELAB、YUV、HSV等)之外的颜色空间的数字图像而不是RGB图像。
在优选实施例中，图像传感器是由田地中用户携带的移动装置的一部分。例如，移动装置可以是智能电话、平板计算机或数码相机，用户通过借助于它们捕获待识别物种和/或植物部分的数字图像。
传感器也可以是成像高光谱传感器。这检测例如农作物，并基于与健康农作物相比的农作物反射光谱的变化，可识别有害生物的侵染(A.-K.Mahlein等人：Recentadvances in sensing plant diseases for precision crop protection，Eur.J.PlantPathol.133(2012)197-209；T.Mewes等人：Spectral requirements on airbornehyperspectral remote sensing data for wheat disease detection，Precis.Agric.12(2011)795-812；E.-C.Oerke等人：Proximal sensing of plant diseases,Detection ofPlant Pathogens，21世纪的植物病理学(Plant Pathology in the 21st Century)，M.L.Gullino等人编辑，施普林格科学与商业媒体，多德雷赫特(NL)2014年，第55-68页)。
传感器也可以是成像热成像传感器。热成像允许例如植物部分表面温度的差异的可视化。植物部分(特别是叶子)的温度由环境因素和蒸腾产生的冷却决定。一些植物能够将其温度升高到环境温度以上(产热植物)。与健康植物相比，感染有害物种的植物可以示出表面温度的偏差(E.-C.Oerke等人：Thermal imaging of cucumber leaves affectedby mildew and environmental conditions，J.Exp.Bot.57(2006)2121-2132；E.-C.Oerke等人：Thermographic assessment of scab disease on apple leaves，Prec.Agric.12(2011)699-715)。因此可以通过热成像传感器间接检测病原体的存在。
传感器也可以是成像荧光传感器。使用这种传感器，例如可以改变可见的植物的光合作用活性(E.Bauriegel等人：Chlorophyll fluorescence imaging to facilitatebreeding of Bremia lactucae-resistant lettuce cultivars，Comput.Electron.Agric.105(2014)74-82；S.Konanz等人：Advanced multi-colorfluorescence imaging system for detection of biotic and abiotic stresses inleaves，农业第4期(2014)79-95)。光合活性的差异可以指示病原体存在。
传感器也可以是LiDAR传感器。在该情况下，发射被物体散射回的光信号。可以使用反向散射信号检测物种的存在。LiDAR特别适用于飞行昆虫的检测(Mikkel Brydegaard等人：Super Resolution Laser Radar with Blinking Atmospheric Particles—Application to Interacting Flying Insects，电磁学研究进展，2014年第147卷第141-151页；David S.Hoffmann等人：Range-resolved optical detection of honeybees byuse of wing-beat modulation of scattered light for locating land mines，应用光学，2007年第15期第46卷的；Carsten Kirkeby等人，Observations of movement dynamicsof flying insects using high resolution lidar，科学报告|6：29083|DOI：
10.1038/srep29083)。
传感器也可以是麦克风。麦克风检测物种产生的噪音和/或声音。可以使用噪声和/或声音检测物种的存在(Detecting Insect Flight Sounds in the Field:Implications for Acoustical Counting of Mosquitoes，Transactions of the ASABE，2007年第50卷(4)：第1481-1485页()。
传感器也可以是空气中化学物质的传感器，诸如例如气相色谱仪(GC)或质谱仪(MS)或GC/MS组合。这些可用于检测植物排放的物质，作为对有害生物侵染的反应(G.Witzany：Plant Communication from Biosemiotic Perspective，Plant SignalBehav.，2006年7月至8月；1(4)：
第169-178页；Signaling and Communication in Plants，系列编辑：C.Garcia-Mata，Springer ISSN：1867-9048)。
还可以设想使用彼此相邻的多个上述或另外的传感器和/或使用其中组合多种检测技术的传感器，诸如例如拉曼LiDAR传感器或荧光LiDAR传感器(WO 2013017860A1)。
在根据本发明的方法的另一步骤中，针对所检测的待识别的物种生成至少一个物种建议。
这通常在传感器由于物种的存在而检测到的信号的分析之后发生。为该目的，传感器可以连接到计算机系统，该计算机系统分析由传感器检测的信号，以便基于信号的特性特征生成关于待识别的物种可以是哪些物种的至少一个建议。
例如，如果传感器是已经产生待识别物种的数字图像的图像传感器，则可以在计算机系统上对数字图像进行图像分析。通过图像分析的物种直接识别属于现有技术(参见例如US 20130011011A1，J.Wang等人：订购级别的昆虫图像的新自动识别系统，基于知识的系统，第33卷，2012，102-110)。这同样适用于间接识别物种；还可以对植物的疾病症状的图像进行图像分析以便检测病原体(S.J.Pethybridge等人，叶子医生：A new portableapplication for quantifying plant disease severity，Plant Dis 99(2015)卷第1310-1316页)。
如上所述，由传感器检测的信号通常不够清晰，无法允许基于信号对物种进行明确分类。通常，多种物种是可能的。因此，生成了关于它可能是哪种物种的多种建议。然而，也可以设想借助于本发明确认物种存在的假设；在该情况下，仅生成建议，然后确认该建议是正确的或不正确的。
因此，关于物种由传感器(直接或间接)检测到的物种生成至少一个建议。
在根据本发明的方法的另一步骤中，计算检测到的物种是至少一种建议物种的概率。如果生成了多个建议，则针对每个单独的建议计算相应的概率。
该至少一种建议的物种包括在该计算中。另外，包括关于在哪里检测到所检测的物种的信息。为该目的，可以使用传感器的位置或物种在检测时所处的地点。通常，上述两个位置彼此不会相距很远，使得对于本发明而言，通常不重要的是，在计算中包括上述哪个位置。然而，在诸如LiDAR的相对远程传感器的情况下，它可能有所不同。
如果它可以产生影响，应该使用待识别物种在其检测时所在的地点，因为在计算概率时重要的是确定一般情况下建议的物种将在检测时和检测地点发生有多少可能性。
通常由GPS传感器或类似的传感器来执行位置的确定。通常，GPS传感器位于传感器的紧邻处，用于检测待检测物种的存在(物种传感器)。优选地，物种传感器和GPS传感器是同一装置的组件。例如，可以设想使用智能电话，该智能电话在用于拍摄数字图像的图像传感器之外还包括GPS传感器。
然而，也可以设想，该位置不必特别确定，但是是已知的，例如，因为传感器是已设置在已知位置处的固定传感器。还可以设想，传感器具有在数据传输期间发送到外部计算机系统的标识号。在该情况下，也可以使用发送的识别号码，例如，从数据库确定传感器的位置。
待识别物种的检测时间还包括在概率计算中。无论是春季、夏季、秋季还是冬季，它都可以针对物种的存在存在不同，因为某些物种仅在某些季节出现。无论是夜间还是白天，它都会存在不同，因为某些物种会在白天或夜间的特定时间出现。因此，检测时间优选至少确定为包括日期的精确的小时并用于计算。
如果已经由至少一个传感器检测到待识别的物种，则已经检测到至少一个传感器的位置和/或在检测时待识别的物种的位置，已经检测到检测时间，并且已经生成关于待识别的物种可以是哪些物种的至少一个建议，在根据本发明的方法的另一步骤中计算检测的物种是至少一种建议物种的概率。
计算在检测时和检测位置处出现这种建议物种的概率。
模型用于计算概率。这些模型在现有技术中有描述，并且它们是在商业上可用的(Newe M.，Meier H.，Johnen A.，Volk T.：proPlant expert.com-an onlineconsultation system on crop protection in cereals,rape,potatoes andsugarbeet。EPPO Bulletin 2003,33,443-449；Johnen A.，Williams IH，Nilsson C.，Klukowski Z.，Luik A.，Ulber B.：The proPlant Decision Support System:Phenological Models for the Major Pests of Oilseed Rape and Their KeyParasitoids in Europe，基于生物控制的油菜害虫综合管理(2010)编辑：IngridH.Williams.爱沙尼亚塔尔图51014.ISBN978-90-481-3982-8，第381-403页；www.proPlantexpert.com)。
优选地，除了检测位置和检测时间之外，可以影响所提出的物种的存在的进一步参数也包括在概率计算中。
这些进一步参数的示例是关于农作物的参数(发育阶段、生长条件、植物保护措施)和天气(温度、日照持续时间、风速、降水)。
进一步参数涉及在检测地点处普遍存在的环境条件，诸如例如环境中的土壤类型和植被。
进一步参数涉及建议的物种，诸如经济极限值、害虫/疾病压力和环境中物种的出现。
针对检测时间和位置测量上述参数。除了个体时间值之外或代替个体时间值，也可以关注平均每日价值和/或平均每周值。
也可以关注上述参数的历史。例如，可以设想待识别的物种是形成稳定斑块的有害生物。通常，在超过农作物的植被期的一段时间内观察斑块。示例是细长的大穗看麦娘(Alopecurus myosuroides Huds)，它在母株附近示出种子传播。杂草斑块是稳定的或复发的；然而，也可以添加新的杂草斑块。
使用上述参数，可以估计侵染风险。可用的数据越多，预测就越精确。
可以向用户指示计算的概率。在本发明的一个实施例中，向用户指示至少一种物种建议以及所检测的物种是物种建议的计算概率。该指示例如可以借助于文本和/或符号在监视器或显示器上执行。也可以设想语音消息的输出。
可以使用计算的概率以便评估所生成的物种建议。例如，如果生成了三个物种的建议并计算了三个不同的概率，则可以使用这些概率来减少关于所讨论物种的可能性；在最好的情况下，只剩下一种可能性。如果仅生成一个建议(验证)，则可以使用计算的概率来做出关于建议是更真实还是更错误的陈述。
在实施例中，高于最小概率的一个或多个物种建议可选地以相应的计算概率指示给用户。例如，可以设想仅示出那些计算出的概率例如至少为60％的物种。
因此，通过本发明提高了用于检测物种存在的传感器的表达能力。
计算的概率可以进一步用于优化传感器和/或用于生成至少一个物种建议的部件。在优选实施例中，所确定的概率因此流回到包括传感器和/或用于生成至少一个物种建议的部件的系统。在用于生成至少一个物种建议的部件特别是自学习系统的情况下，计算的概率可用于增加自学习系统的预测能力。
计算的概率可以进一步用于提供行动建议。如果已经检测到物种并且已经借助于本发明确定所检测的物种具有有害生物的高度概率，则可以启动对应的措施来控制有害生物。可以向用户指示这种行动推荐。
本方法可以由计算机系统完全或部分地执行。这种计算机系统可以是单独的计算机或彼此联网的多个计算机。术语计算机和计算机系统应从广义上理解。计算机和计算机系统的示例是平板计算机、笔记本计算机和其它移动计算系统和智能电话、多处理器系统、基于微处理器的系统和可编程消费电子产品，以及数码相机和PDA(个人数字助理)。
通常，提供计算机程序，其可以加载到计算机系统的工作存储器中，并且然后执行根据本发明的方法的一个或多个步骤。计算机程序通常存储在数据载体上，并且可作为计算机程序产品在商业上可用。例如可以以光盘(CD)、数字通用光盘(DVD)、USB记忆棒(USB＝通用串行总线)或下载的形式提供计算机程序产品。
根据本发明的计算机程序使计算机系统执行以下步骤：
-接收针对待识别的物种的至少一个建议，该待识别的物种的存在已经由农作物的田地中的至少一个传感器检测到，
-接收至少一个传感器的位置和/或在检测时所检测的物种所在的地点，
-计算所检测的物种是建议物种的概率，其中，使用用于计算包括传感器和/或所检测的物种的位置的概率的模型。
本发明的另一主题是系统，其包括：
-至少一个传感器，用于检测农作物的田地中待识别的物种的存在，
-用于针对由至少一个传感器检测的物种生成建议的部件，
-用于确定至少一个传感器的位置和/或在由至少一个传感器检测时物种所在的地点的部件，
-计算机系统，其被配置为计算所检测的物种是建议物种的概率，其中模型用于计算包括传感器和/或所检测物种的位置和检测时间的概率。
优选地，该系统具有用于向用户指示物种建议和/或计算的概率和/或行动推荐的部件。
在优选实施例中，传感器连接到第一计算机系统。取决于传感器类型，传感器用于检测电磁、声学、化学和/或其它信号，并且通常将它们转换成电信号。第一计算机系统用于分析和解释电信号。通常，它们首先被数字化以用于该目的。但是，也可以设想处理、分析和解释模拟信号。
优选地，第一计算机系统被配置成使得基于电信号，其生成关于所检测的待识别的物种可能是哪些物种的至少一个建议。
优选地，物种传感器和第一计算机系统是同一装置的组件，其定位于田地中或田地上方或可在田地中或田地上方移动。优选地，GPS传感器(用于确定检测地点)和/或计时器(用于确定检测时间的时钟)是该装置的一部分。优选地，第一计算机系统被配置为使得其可以借助于GPS传感器确定装置的位置。
在优选实施例中，第一计算机系统将所生成的物种建议连同关于位置和时间的信息一起发送到第二计算机系统，该第二计算机系统优选地不位于田地中并且优选地是固定的。在第二计算机系统上安装预测模型，该模型可以计算建议的物种将在田地中发生的概率。优选地，预测模型使用对田地中所提出的物种的存在施加影响的进一步参数(参见上文)。
优选地，第二计算机系统将计算的概率发送到第一计算机系统。可以在第一和/或第二计算机系统上向用户指示所计算的概率。优选地，除了概率之外，还将用于行动的推荐发送给用户。
Claims (15)
1.一种方法，包括以下步骤：
-在栽培农作物的田地中用传感器检测待识别的物种，
-针对所检测的待识别的物种生成至少一个物种建议，
-确定所述传感器和/或所检测的待识别的物种的位置，
-使用其中包括所述传感器和/或所检测的待识别的物种的所述位置以及检测时间的模型计算所述田地中所述至少一种物种建议的发生概率。
2.根据权利要求1所述的方法，其中，所述待识别的物种是有害生物。
3.根据权利要求2所述的方法，其中，所述待识别的物种是间接检测到其存在的病原体。
4.根据权利要求2所述的方法，其中，所述待识别的物种是直接检测到其存在的动物害虫。
5.根据权利要求1至4中的一项所述的方法，其中，在所述概率的计算中，除了所述检测地点和时间之外，还包括以下参数中的一个或多个：温度、日照持续时间、风速、降水、农作物发育阶段、已经执行的植物保护措施。
6.根据权利要求1至5中的一项所述的方法，其中，所述传感器是用于电磁辐射的传感器。
7.根据权利要求1至6中的一项所述的方法，其中，所述传感器是成像传感器。
8.根据权利要求1至7中的一项所述的方法，其中，所述传感器是LiDAR传感器、高光谱传感器、RBG传感器和/或热成像传感器。
9.根据权利要求1至8中任一项所述的方法，其中，向用户指示所述至少一个物种建议以及所检测的物种是所述物种建议的概率。
10.根据权利要求1至8中的一项所述的方法，其中，向用户指示其中所计算的概率高于最小概率的那些物种建议。
11.根据权利要求1至10中的一项所述的方法，其中，物种建议与行动推荐一起被指示，例如，关于如果所述物种是有害生物，则如何控制所述物种。
12.根据权利要求1至11中的一项所述的方法，其中，所述传感器是自学习系统的一部分，并且所计算的概率用于改善所述系统的预测能力。
13.一种计算机程序产品，包括存储计算机程序的数据载体，所述计算机程序能够被加载到计算机的工作存储器中并使所述计算机系统执行以下步骤：
-接收针对待识别的物种的至少一个建议，该待识别的物种的存在已经由农作物的田地中的至少一个传感器检测到，
-接收所述至少一个传感器的位置和/或在检测时所检测的物种所在的地点，
-计算所检测的物种是所建议的物种的概率，其中，使用用于计算包括所述传感器和/或所检测物种的所述位置和检测时间的所述概率的模型。
14.一种系统，包括
-至少一个传感器，用于检测农作物的田地中待识别的物种的存在，
-用于生成针对由所述至少一个传感器检测的所述物种的建议的部件，
-用于确定所述至少一个传感器的位置和/或在由所述至少一个传感器检测时物种所在的地点的部件，
-计算机系统，其被配置为计算所检测的物种是所建议的物种的概率，其中使用用于计算包括所述传感器和/或所检测的物种的所述位置和检测时间的所述概率的模型。
15.根据权利要求14所述的系统，包括：
第一计算机系统和第二计算机系统，
其中，所述第一计算机系统连接到所述至少一个传感器，并且被配置为使得其基于由所述至少一个传感器检测到的所述信号生成至少一个物种建议，并且将所述至少一个物种建议，优选地与关于所述检测地点和/或所述检测时间的信息一起发送到所述第二计算机系统，
其中，所述第二计算机系统具有至少一个预测模型，并且被配置为使得其能够接收所述至少一个物种建议，并且优选地接收关于所述检测地点和/或所述检测时间的信息，并且基于所述至少一个预测模型，能够确定建议物种是所检测的物种的相应概率，
其中，所述第二计算机系统优选地被配置为使得它能够向用户指示相应的计算概率和/或将其发送到所述第一计算机系统和/或向用户指示行动推荐，以及
其中，所述第一计算机系统优选地被配置为使得它可以从所述第二计算机系统接收相应计算的行动推荐并且优选地与行动推荐一起优选地将其指示给用户，和/或能够使用它来改善物种建议的生成。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP16192826 | 2016-10-07 | ||
| EP16192826.2 | 2016-10-07 | ||
| PCT/EP2017/074778 WO2018065308A1 (de) | 2016-10-07 | 2017-09-29 | Identifizierung von nützlingen und/oder schadstoffen in einem feld für kulturpflanzen |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109788748A true CN109788748A (zh) | 2019-05-21 |
| CN109788748B CN109788748B (zh) | 2022-12-27 |
Family
ID=57144809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780061423.6A Active CN109788748B (zh) | 2016-10-07 | 2017-09-29 | 农作物田地中有益昆虫和/或污染物的识别 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US11102969B2 (zh) |
| EP (2) | EP3932198A1 (zh) |
| CN (1) | CN109788748B (zh) |
| BR (2) | BR122021023418B1 (zh) |
| ES (1) | ES2896125T3 (zh) |
| PL (1) | PL3522704T3 (zh) |
| WO (1) | WO2018065308A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114207672A (zh) * | 2019-06-20 | 2022-03-18 | 植物心语公司 | 部署生物哨兵到农田并远程监测作物中生物和非生物胁迫的方法 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016173959A1 (en) * | 2015-04-28 | 2016-11-03 | Bayer Pharma Aktiengesellschaft | Regorafenib for treating colorectal cancer |
| US11771074B2 (en) * | 2018-09-21 | 2023-10-03 | Bayer Aktiengesellschaft | Sensor based observation of anthropods |
| US11443421B2 (en) | 2021-01-12 | 2022-09-13 | Wipro Limited | Method and system for detecting infestation in agricultural products |
| WO2023222594A1 (en) * | 2022-05-17 | 2023-11-23 | Faunaphotonics Agriculture & Environmental A/S | Apparatus and method for detecting insects |
| CN114659995B (zh) * | 2022-05-24 | 2022-08-23 | 广东省农业科学院动物科学研究所 | 一种基于显微高光谱的鱼类诱食剂效果评价方法及系统 |
| WO2024050617A1 (pt) * | 2022-09-08 | 2024-03-14 | Radaz Industria E Comércio De Produtos Eletronicos Ltda | Método de detecção e classificação de insetos e classificação de insetos e animais |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002088700A1 (en) * | 2001-05-02 | 2002-11-07 | The United States Of America, As Represented By The Secretary Of Agriculture | Sensor output analog processing-a microcontroller-based insect monitoring system |
| CN103281896A (zh) * | 2010-10-17 | 2013-09-04 | 普渡研究基金会 | 虫口的自动监测 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8855374B2 (en) | 2011-07-05 | 2014-10-07 | Bernard Fryshman | Insect image recognition and instant active response |
| GB201113138D0 (en) | 2011-07-29 | 2011-09-14 | Univ East Anglia | Method, system and device for detecting insects and other pests |
| US20150260616A1 (en) | 2012-08-27 | 2015-09-17 | Board Of Trustees Of The Leland Stanford Junior University | Devices for Automated Sample Collection, Quantificatoin, and Detection for Insect Borne Bio-Agent Surveillance |
| WO2015132208A1 (en) | 2014-03-03 | 2015-09-11 | Avia-Gis | Method for the profiling of pests and for the determination and prediction of associated risks and means for adapted pest control |
| BR112018006888B1 (pt) | 2015-10-05 | 2021-10-19 | Bayer Cropscience Ag | Método de operação de uma colheitadeira com o auxílio de um modelo de crescimento de planta |
| EP3262934A1 (de) | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Verfahren zur unkrautbekämpfung |
| EP3287007A1 (de) | 2016-08-24 | 2018-02-28 | Bayer CropScience AG | Bekämpfung von schadorganismen auf basis der vorhersage von befallsrisiken |
| US11008415B2 (en) | 2016-08-29 | 2021-05-18 | Hitachi, Ltd. | Resin cured product, electrical device, motor, transformer, cable sheath, mobile, structure, and method for healing resin cured product |
| WO2018050580A1 (de) | 2016-09-16 | 2018-03-22 | Bayer Cropscience Aktiengesellschaft | Bestimmung des bedarfs an pflanzenschutzmittel |
-
2017
- 2017-09-29 BR BR122021023418-3A patent/BR122021023418B1/pt active IP Right Grant
- 2017-09-29 PL PL17780688T patent/PL3522704T3/pl unknown
- 2017-09-29 BR BR112019006453-2A patent/BR112019006453B1/pt active IP Right Grant
- 2017-09-29 EP EP21180056.0A patent/EP3932198A1/de not_active Withdrawn
- 2017-09-29 CN CN201780061423.6A patent/CN109788748B/zh active Active
- 2017-09-29 ES ES17780688T patent/ES2896125T3/es active Active
- 2017-09-29 EP EP17780688.2A patent/EP3522704B1/de active Active
- 2017-09-29 US US16/339,418 patent/US11102969B2/en active Active
- 2017-09-29 WO PCT/EP2017/074778 patent/WO2018065308A1/de active Application Filing
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002088700A1 (en) * | 2001-05-02 | 2002-11-07 | The United States Of America, As Represented By The Secretary Of Agriculture | Sensor output analog processing-a microcontroller-based insect monitoring system |
| CN103281896A (zh) * | 2010-10-17 | 2013-09-04 | 普渡研究基金会 | 虫口的自动监测 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114207672A (zh) * | 2019-06-20 | 2022-03-18 | 植物心语公司 | 部署生物哨兵到农田并远程监测作物中生物和非生物胁迫的方法 |
| CN114207672B (zh) * | 2019-06-20 | 2022-12-02 | 植物心语公司 | 部署生物哨兵到农田并远程监测作物中生物和非生物胁迫的方法 |
| US11737443B2 (en) | 2019-06-20 | 2023-08-29 | InnerPlant, Inc. | Methods for deploying biosentinels to agricultural fields and monitoring biotic and abiotic stresses in crops remotely |
Also Published As
| Publication number | Publication date |
|---|---|
| BR122021023418B1 (pt) | 2022-11-22 |
| ES2896125T3 (es) | 2022-02-24 |
| US20200037596A1 (en) | 2020-02-06 |
| EP3522704B1 (de) | 2021-07-28 |
| BR112019006453B1 (pt) | 2022-11-22 |
| EP3932198A1 (de) | 2022-01-05 |
| WO2018065308A1 (de) | 2018-04-12 |
| EP3522704A1 (de) | 2019-08-14 |
| PL3522704T3 (pl) | 2022-01-24 |
| BR112019006453A2 (pt) | 2019-09-10 |
| CN109788748B (zh) | 2022-12-27 |
| US11102969B2 (en) | 2021-08-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109788748A (zh) | 农作物田地中有益昆虫和/或污染物的识别 | |
| US11771074B2 (en) | Sensor based observation of anthropods | |
| Chaerle et al. | Multi‐sensor plant imaging: Towards the development of a stress‐catalogue | |
| US11366063B2 (en) | Sensor plant and method for identifying stressors in crops based on characteristics of sensor plants | |
| Potamitis et al. | The electronic McPhail trap | |
| CN114207672B (zh) | 部署生物哨兵到农田并远程监测作物中生物和非生物胁迫的方法 | |
| Kızıl et al. | Lettuce (Lactuca sativa L.) yield prediction under water stress using artificial neural network (ANN) model and vegetation indices. | |
| Bian et al. | Closing the gap between phenotyping and genotyping: review of advanced, image-based phenotyping technologies in forestry | |
| Ganthaler et al. | Using image analysis for quantitative assessment of needle bladder rust disease of Norway spruce | |
| West et al. | Detection of fungal diseases optically and pathogen inoculum by air sampling | |
| Wen et al. | Thermal imaging: The digital eye facilitates high-throughput phenotyping traits of plant growth and stress responses | |
| Quan et al. | Multimodal remote sensing application for weed competition time series analysis in maize farmland ecosystems | |
| Gerhards | Site-specific weed control | |
| Azmi et al. | Early detection of plant disease infection using hyperspectral data and machine learning | |
| Jansen et al. | Image processing for bioassays | |
| Shamshiri et al. | Sensing and Perception in Robotic Weeding: Innovations and Limitations for Digital Agriculture | |
| Sharma et al. | Chapter-9 Role of Remote Sensing in Agricultural Crop Management | |
| Kicherer et al. | High-throughput field phenotyping in vineyards: demand, approaches, objectives | |
| Shah et al. | Application of Remote Sensing in Agriculture | |
| Muir | Exploring the Swimming Behavior of a Hydromechanical Copepod in the Context of Positive Density Dependence | |
| Barthwal | Chapter-3 Role of Remote Sensing in Agriculture |
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 |