CN109934186B - 一种农作物直播成苗率的智慧高效监控方法 - Google Patents
一种农作物直播成苗率的智慧高效监控方法 Download PDFInfo
- Publication number
- CN109934186B CN109934186B CN201910208238.6A CN201910208238A CN109934186B CN 109934186 B CN109934186 B CN 109934186B CN 201910208238 A CN201910208238 A CN 201910208238A CN 109934186 B CN109934186 B CN 109934186B
- Authority
- CN
- China
- Prior art keywords
- seedling
- area
- seedlings
- aerial vehicle
- neural network
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种农作物直播成苗率的智慧高效监控方法,包括步骤:在农作物撒播或直播之后不同时期,用无人机对所需监控区域进行成苗拍照;从撒播或直播的农作物成苗照片中分离出单个幼苗,利用计算机视觉算法,计算单个幼苗轮廓;对分离后的各幼苗以及轮廓照片进行分类,并进行成苗数量和成苗区域面积统计,将撒播或直播区域分割和标记为成苗区或缺失区;使用各类幼苗轮廓照片对深度卷积神经网络进行训练;使用验证照片对深度卷积神经网络进行验证;使用深度卷积神经网络对无人机监控地块照片进行分类统计,计算成苗率。本发明在准确判断每株幼苗长势的基础上,精确判断地块内成苗率,较传统方法自动化程度高,省工高效。
Description
技术领域
本发明涉及农作物成苗率监控方法,尤其涉及一种农作物直播成苗率的智慧高效监控方法。
背景技术
直播或者撒播农作物的成苗率监控都是现代农业必不可少的一个重要环节,因其直接影响是否需要重新补种的问题。现有的成苗率监控,一般采用人工监控或者卫星遥感等技术,但是随着人们生活水平的提高,可用劳动力的减少,单纯依靠人工监控,费时费力,而且只能抽样调查,也不能自动编号、记录和统计;卫星遥感监控准确率不高而且实时性太差;同时这两个技术同时存在以下不足:在监控过程中,对不同地块难以精确地分类统计,致使最后在总体统计分析方面也是不尽人意。
深度学习是机器学习的一个新的领域,通过建立类似人脑的多层人工神经网络来模拟人脑存储和处理数据信息的机制,以此来解译图像,声音和文本等数据格式。与传统的专家系统相比,深度学习系统具有强大的自适应能力,可较好的处理边缘和边角案例,并且系统复杂度不会因数据量增加而增加。这些优势,使得深度学习在当今大数据背景下,获得了大量应用。深度学习分为监督学习与无监督学习,不同的学习框架下建立的学习模型是不同的。本专利采用的卷积神经网络(Convolutional neural networks,简称CNNs)是一种监督学习模型,而深度置信网(Deep Belief Nets,简称DBNs)就是一种无监督学习下的机器学习模型。目前尚无使用卷积神经网络进行作物直播成苗率监控的技术。
发明内容
为克服现有技术的不足,本发明提出一种农作物撒播或直播的成苗率监控方法。
本发明的技术方案是这样实现的:
一种农作物直播成苗率的智慧高效监控方法,包括步骤
S1:农作物撒播或直播之后不同时期,通过设定无人机路径规划后启动无人机对撒播或直播区域进行成苗拍照;
S2:从撒播或直播的农作物成苗照片中分离出单个成苗,利用计算机视觉算法,计算单个成苗轮廓;
S3:对分离后的各成苗以及轮廓照片进行人工分类,并进行成苗数量和成苗区域面积统计,将撒播或直播区域分割和标记为成苗区或缺失区;
S4:使用各类成苗轮廓照片对深度卷积神经网络进行训练;
S5:使用验证照片对所述深度卷积神经网络进行验证;
S6:使用所述深度卷积神经网络对无人机监控地块照片进行分类统计,计算成苗率。
进一步地,步骤S1包括步骤
S11:在各区域预设杆子,杆子上设置方形木板;
S12:将木板分为四块,并喷涂不同的颜色进行标记;
S13:使用颜色对各区域进行编码。
更进一步地,步骤S12中标记颜色包括但不限于黑、红、蓝、橙、白。
进一步地,所述步骤S2包括步骤
S21:利用机器学习判断成苗轮廓是否为单一成苗;
S22:如果是单一成苗,利用轮廓切割图像输出成苗图片,计算长度,宽度和面积;如果是连在一起的成苗,利用图像分割算法分离粘连的成苗。
进一步地,所述步骤S6包括步骤:对无人机拍摄到的监控区块照片中的撒播或直播区域分割和标记为成苗区或缺失区,并分别统计。
本发明的有益效果在于,与现有技术相比,本发明在监控过程中,对不同地块可以实现自动化精确地分类统计,并对各个地块自动编号、记录和统计,省工省力高效。
附图说明
图1是本发明一种农作物直播成苗率的智慧高效监控方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参见图1,本发明一种农作物直播成苗率的智慧高效监控方法,包括步骤
S1:农作物撒播或直播之后7天,通过设定无人机路径规划后启动无人机对撒播或直播区域进行成苗拍照;
S2:从撒播或直播的农作物成苗照片中分离出单个成苗,利用计算机视觉算法,计算单个成苗轮廓;
S3:对分离后的各成苗以及轮廓照片进行成苗数量和成苗区域面积统计,将撒播或直播区域分割和标记为成苗区或缺失区;
S4:使用各类成苗轮廓照片对深度卷积神经网络进行训练;
S5:使用验证照片对所述深度卷积神经网络进行验证;
S6:使用所述深度卷积神经网络对无人机监控地块照片进行分类统计,计算成苗率。
在步骤1中,为了更好地对撒播或直播区域进行成苗拍照,对各区域进行编码和定位,具体做法是:
S11:在各区域预设杆子,杆子上设置方形木板;
S12:将木板分为四块,以不同颜色标记,标记颜色通常选用黑、红、蓝、橙、白等鲜亮的颜色,以方便无人机识别;
S13:使用颜色对各区域进行编码。如本发明的一个实施例中,将区域划分为如表1所示的多个区域。
表1:区域划分编码
黄蓝黄黑 | 黄白黄黑 | 黑黄黑白 | 蓝白蓝黑 |
黑蓝黑黄 | 黄白黄蓝 | 黄黑黄白 | 黑白黑蓝 |
黑黄黑蓝 | 黄蓝黄白 | 黑白黑黄 | 黄黑黄蓝 |
蓝黄蓝白 | 蓝黄蓝黑 |
在步骤S1中,无人机对撒播或直播区域进行成苗拍照时,快门至少1/200以上,有风情况需要更高。ISO在保证快门的情况下尽量低,过高会导致噪点增多。同时,无人机的飞行高度不宜过高或过低,本发明的一个实施例中,其飞行高度为5米。
在步骤S2中,从撒播或直播的农作物成苗照片中分离出单个成苗的方法包括步骤
S21:利用机器学习判断成苗轮廓是否为单一成苗;
S22:如果是单一成苗,利用轮廓切割图像输出成苗图片,计算长度,宽度和面积;如果是连在一起的成苗,利用图像分割算法分离粘连的成苗。
同时,在步骤S2中也可以采用人工对单一成苗进行分离和轮廓框选标定。
在步骤S6中,深度卷积神经网络对无人机监控地块照片分别进行成苗区和缺失区,成苗率=成苗区数量/(成苗区数量+缺失区数量)*100%。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (2)
1.一种农作物直播成苗率的智慧高效监控方法,其特征在于,包括步骤
S1:直播之后不同时期,通过设定无人机路径规划后启动无人机对直播区域进行成苗拍照,所述S1包括步骤:
S11:在各区域预设杆子,杆子上设置方形木板;
S12:将木板分为四块,并喷涂不同的颜色进行标记;
S13:使用颜色对各区域进行编码;
S2:从直播的农作物成苗照片中分离出单个成苗,利用计算机视觉算法,计算单个成苗轮廓,所述S2包括步骤:
S21:利用机器学习判断成苗轮廓是否为单一成苗;
S22:如果是单一成苗,利用轮廓切割图像输出成苗图片,计算长度、宽度和面积;如果是连在一起的成苗,利用图像分割算法分离粘连的成苗;
S3:对分离后的各成苗以及轮廓图片进行人工分类,并进行成苗数量和成苗区域面积统计,将直播区域分割和标记为成苗区或缺失区;
S4:使用各类成苗轮廓图片对深度学习卷积神经网络进行训练;
S5:使用验证照片对所述深度学习卷积神经网络进行验证;
S6:使用所述深度学习卷积神经网络对无人机监控地块照片进行分类统计,计算成苗率,所述S6包括步骤:对无人机拍摄到的监控地块照片中的直播区域分割和标记为成苗区或缺失区,并分别统计。
2.如权利要求1所述的农作物直播成苗率的智慧高效监控方法,所述S12中标记颜色包括但不限于黑、红、蓝、橙、白。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208238.6A CN109934186B (zh) | 2019-03-19 | 2019-03-19 | 一种农作物直播成苗率的智慧高效监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910208238.6A CN109934186B (zh) | 2019-03-19 | 2019-03-19 | 一种农作物直播成苗率的智慧高效监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934186A CN109934186A (zh) | 2019-06-25 |
CN109934186B true CN109934186B (zh) | 2023-04-18 |
Family
ID=66987554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910208238.6A Active CN109934186B (zh) | 2019-03-19 | 2019-03-19 | 一种农作物直播成苗率的智慧高效监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934186B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807135A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 基于语义分割网络的缺苗区域识别方法、设备和存储介质 |
CN112183329A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 植株的补种信息识别方法、装置、计算机设备和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103745478B (zh) * | 2014-01-24 | 2016-06-08 | 山东农业大学 | 小麦发芽率机器视觉测定方法 |
CN105138936B (zh) * | 2015-09-02 | 2017-08-22 | 北京农业信息技术研究中心 | 一种育种材料田间布局统计系统及方法 |
CN105842246B (zh) * | 2016-05-27 | 2019-01-22 | 中国农业科学院农业信息研究所 | 农田监测系统及监测农田的方法 |
CN107918790A (zh) * | 2016-10-09 | 2018-04-17 | 狒特科技(北京)有限公司 | 光学定位标记、设备及方法 |
CN108647652B (zh) * | 2018-05-14 | 2022-07-01 | 北京工业大学 | 一种基于图像分类和目标检测的棉花发育期自动识别方法 |
CN108873851A (zh) * | 2018-09-06 | 2018-11-23 | 保定智飞航空科技有限公司 | 一种农业无人机管控系统 |
CN109447945B (zh) * | 2018-09-21 | 2021-11-30 | 河南农业大学 | 基于机器视觉和图形处理的小麦基本苗快速计数方法 |
-
2019
- 2019-03-19 CN CN201910208238.6A patent/CN109934186B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109934186A (zh) | 2019-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711325B (zh) | 一种芒果采摘点识别方法 | |
CN110009043B (zh) | 一种基于深度卷积神经网络的病虫害检测方法 | |
CN107667903B (zh) | 基于物联网的畜牧养殖活体体重监测方法 | |
CN109871833B (zh) | 一种基于深度学习卷积神经网络的农作物成熟度监控方法 | |
CN111753646B (zh) | 一种融合种群季节消长信息的农业害虫检测分类方法 | |
CN109934186B (zh) | 一种农作物直播成苗率的智慧高效监控方法 | |
CN113936254B (zh) | 结合积温订正的水稻发育期识别模型训练方法、识别方法及装置 | |
WO2018120634A1 (zh) | 病虫害识别方法及装置 | |
CN109874584A (zh) | 一种基于深度学习卷积神经网络的果树长势监控系统 | |
CN112001370A (zh) | 一种农作物病虫害识别方法及系统 | |
CN110991222A (zh) | 一种物体状态监测、母猪发情监测方法、装置及系统 | |
CN114581948A (zh) | 一种畜脸识别方法 | |
CN113012111A (zh) | 一种基于边缘计算的水稻倒伏程度分级监测方法 | |
CN114723667A (zh) | 一种农业精细化种植及灾害预防控制系统 | |
CN109598215A (zh) | 一种基于无人机定位拍摄的果园建模分析系统和方法 | |
CN112883915B (zh) | 一种基于迁移学习的麦穗自动识别方法和系统 | |
CN106683092A (zh) | 测算蓝莓树冠郁闭度的装置、系统和方法 | |
CN117079130B (zh) | 一种基于红树林生境的智能信息管理方法及系统 | |
CN116310806B (zh) | 一种基于图像识别的智慧农业一体化管理系统及方法 | |
CN116912265A (zh) | 一种遥感图像分割方法和系统 | |
CN112465038A (zh) | 一种识别果树病虫害种类的方法及系统 | |
CN117036926A (zh) | 一种融合深度学习与图像处理的杂草识别方法 | |
CN208155907U (zh) | 一种红外扫描检测森林树木成活情况的装置 | |
CN113936019A (zh) | 一种基于卷积神经网络技术的大田作物产量估算方法 | |
CN113763196A (zh) | 一种基于改进YOLOv3的果园产量测定系统 |
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 |