CN110225264A - 无人机近地航拍检测农田残膜的方法 - Google Patents
无人机近地航拍检测农田残膜的方法 Download PDFInfo
- Publication number
- CN110225264A CN110225264A CN201910463091.5A CN201910463091A CN110225264A CN 110225264 A CN110225264 A CN 110225264A CN 201910463091 A CN201910463091 A CN 201910463091A CN 110225264 A CN110225264 A CN 110225264A
- Authority
- CN
- China
- Prior art keywords
- plane
- unmanned plane
- photo
- farmland
- image
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 239000002985 plastic film Substances 0.000 claims abstract description 10
- 229920006255 plastic film Polymers 0.000 claims abstract description 10
- 238000011109 contamination Methods 0.000 claims abstract description 7
- 238000013136 deep learning model Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005304 joining Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010025 steaming Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 2
- 238000003384 imaging method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000012528 membrane Substances 0.000 claims 1
- 238000011895 specific detection Methods 0.000 claims 1
- 239000002689 soil Substances 0.000 abstract description 5
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000007796 conventional method Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 239000002362 mulch Substances 0.000 description 3
- 239000004033 plastic Substances 0.000 description 3
- 108091092878 Microsatellite Proteins 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004040 coloring Methods 0.000 description 1
- 238000010411 cooking Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/2624—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects for obtaining an image which is composed of whole input images, e.g. splitscreen
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N5/00—Details of television systems
- H04N5/222—Studio circuitry; Studio devices; Studio equipment
- H04N5/262—Studio circuits, e.g. for mixing, switching-over, change of character of image, other special effects ; Cameras specially adapted for the electronic generation of special effects
- H04N5/265—Mixing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Signal Processing (AREA)
- Operations Research (AREA)
- Mining & Mineral Resources (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种无人机近地航拍检测农田残膜的方法，采用无人机近地面航拍系统，通过以下步骤实现：一、计算所需的空间分辨率；通过相机焦距及分辨率设置飞行高度；二、规划航拍路线；启动无人机按规划航线完成飞行任务，飞行过程中通过航拍相机采集农田的视频；三、将视频流拆分成单张照片；通过对多张图像的拼接，得到耕地的全景图；四、预先通过人工实地勘测部分耕地土壤地膜污染程度，并采集该地区图像作为训练样本，构建基于深度学习的地膜污染程度预测模型；五、将待测样本输入深度学习模型得到耕地污染程度；本发明是一套系统、完整、快速的农田产量预测方法，相较于传统方法预测速度上具有明显优势，预测更为准确，而且实施成本低，安全高效，快速灵活。
Description
技术领域
本发明涉及一种无人机近地航拍检测农田残膜的方法。
背景技术
随着农业的发展，地膜在农业生产中的作用越来越大，特别是在我国北部地区，可促进了农民增曾产增收；但随地膜使用量的曾达，残膜清理不及时，给农业生态环境造成破坏的同时也严重影响了农业生产效益；近年来，随着对残膜污染认识的不断加深，残膜回收工作开始逐步展开；科学有效的评估地膜污染程度可以帮助帮助政府合理的发放地膜回收相关补贴，可以帮助农机企业评估残膜回收机具的作业效果，农户也可以根据污染程度制定合适的残膜回收作业方式；应用遥感手段进行作物估产与传统的估产方式相比具有时间少、费用低、范围广、准确性高等优点。其信息提取和估产结果具有科学性和客观性，因而被很多国家所使用。但传统卫星遥感因其成本高，分辨率小等诸多因素限制推广意义不大；近年来，基于微小型无人机的遥感信息获取技术广泛应用在地理遥感测绘领域。采用微小型无人机遥感信息平台获取土壤信息，具有运行成本低、灵活性高以及获取数据实时快速等特点，是目前土壤信息快速获取的有效方法之一；综上所述，基于微小型无人机的遥感信息获取技术，具有精度高，成本低，适用范围广的特点；尤其是可针对播前农田中的残膜污染评估，通过数字图像处理图像拼接、神经网络回归分析等技术，实现大面积耕地的快速，准确的污染评估。
发明内容
本发明的目的是提供一种基于无人机近地面航拍系统的农田播前残膜污染检测评估的方法。
本发明的目的是通过以下技术方案实现的：
本发明其特点在于：首先采用无人机近地面航拍系统，由以下步骤实现：
步骤一、根据被测耕地的特征及预测精度计算所需的空间分辨率；通过相机焦距及分辨率设置飞行高度；
步骤二、根据被测耕地的GPS地理信息以及步骤一中确定的飞行高度规划航拍路线；在相机起飞处放置相机校准标定板，启动无人机按规划航线完成飞行任务，飞行过程中通过航拍相机采集农田残膜的高清视频流；
步骤三、通过数字图像处理手段将视频流拆分成单张照片，在对图片做完预处理后，通过图形拼接技术，得到耕地的全景图；
步骤四、预先通过人工实地勘测部分耕地土壤地膜污染程度，并采集该地区图像作为训练样本，构建基于深度学习的地膜污染程度预测模型。神经网络如图4所示
步骤五、将待测样本输入深度学习模型得到耕地污染程度。
将待测样本输入深度学习模型得到耕地污染程度。
上述的无人机近地面航拍系统由：无人机、地面航线规划软件、运动相机、云台、相机校准标定板构成。
上述的相机校准标定板，由1×1m的白色聚四氟乙烯板构成，在白色区域周围粘贴黑色铜版纸：工作时在地面水平放置。
上述的采用图形拼接技术，步骤为，提取标定板的白色区域的4个角点作为图像正射影矫正的基点，对图像进行正射影矫正，再进行图形滤波；拍摄点定位信息提取；模型参数估计及图像变换；图像融合。
上述的预先通过人工实地勘测部分耕地土壤地膜污染程度，并采集该地区图像作为训练样本，构建基于深度学习的地膜污染程度预测模型
上述的将待测样本输入深度学习模型得到耕地污染程度。
本发明是一套系统、完整、快速的农田产量预测方法，相较于传统方法预测速度上具有明显优势，相较于基于卫星遥感的预测方法，预测更为准确，而且实施成本低，安全高效，快速灵活。
附图说明
图1为本发明的硬件系统图；
图2为本发明算法流程图；
图3为本发明图像拼接算法流程图。
图4为本发明所使用的神经网络。
具体实施方式
实施例：参照附图1～3，本发明实施例：步骤一：首先在卫星地图中找到耕地，并下载好相关地图规划航线；调试好航拍系统，首先将飞机放置在实验田的四个顶点，通过数传模块在电脑中获取农田的几何形状和位置信息；使用无人机拍摄标定板，同时调整飞行高度，待空间分辨率满足需求后记录飞行高度，并将该高度设置为飞行高度；在地面站中，选定由农田4个顶点坐标确定四边形区域，通过地面站的航线规划功能，规划出能够完整拍摄整个农田的航线；步骤二：根据被测耕地的位置地理信息以及步骤一中确定的飞行高度规划航拍路线，启动无人机按规划航线完成飞行任务，飞行过程中通过航拍相机采集农田残膜的高清视频流；步骤三：在得到视频流后，通过数字图像处理软件，将视频流拆分为单张图片，对每张图片进行高斯-拉普拉斯变换，在平滑滤波的同时锐化边缘和增强细节；通过记录在存储设备中的相机拍摄角度等信息，矫正图像得到正射影图像；通过拍摄点的地理位置和拍摄方形确立全景图匹配方式；确立匹配关系后，构造变换模型并估计模型参数；通过图像之间部分元素匹配关系拓展确定两幅图像的变换关系，通过变换模型将待拼接图像变换到参考图像的坐标系下，去除拼接图像中的重叠部分，消除由于光照等原因造成的待拼接图像色彩强度差异得到耕地的正射影全景图；步骤四：通过五点采样法确定采样样本区域，预先通过人工采用面积法确定测量样本区域污染程度，并采集该地区图像作为训练样本，构建基于深度学习方法的耕地图像与地膜污染程度的回归模型。步骤五：将待测样本图像输入卷积神经网络深度学习模型进而得到耕地污染程度。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (4)
1.一种无人机近地航拍检测农田残膜的方法，其特征在于：采用无人机近地面航拍系统对地面进行航拍，上述具体检测农田残膜的方法由以下步骤实现：
步骤一、根据被测耕地的几何形状和位置及地膜污染面积预测精度计算所需的空间分辨率；使用相机对标定板进行拍摄，确定满足空间分辨率的无人机飞行高度；
步骤二、根据被测耕地的位置和几何形状以及步骤一中确定的飞行高度规划航拍路线，在相机起飞处放置相机校准标定板，启动无人机按规划航线完成飞行任务，飞行过程中通过航拍相机采集农田残膜的高清视频流；
步骤三、通过数字图像处理软件将视频流拆分成单张照片，再对图片做完预处理后，通过图形拼接技术，得到耕地的全景图；
步骤四、通过五点采样法在被测耕地中确定样本点，人工通过面积法测定样本区域的地膜污染程度，并采集该地区图像作为训练样本，构建基于深度学习方法的耕地图像与地膜污染程度的回归模型。
步骤五、将待测耕地图像输入卷积神经网络深度学习模型得到耕地污染程度。
2.根据权利要求1所述的一种无人机近地航拍检测农田残膜的方法，其特征在于：所述的无人机近地面航拍系统由：无人机、地面航线规划软件(常规还是自己设计的)、运动相机、云台、相机校准标定板构成。
3.根据权利要求2所述的一种无人机近地航拍检测农田残膜的方法，其特征在于：所述的相机校准标定板由1×1m的白色聚四氟乙烯板构成，在白色区域周围粘贴黑色铜版纸，工作时相机标准标定板在地面水平放置。
4.根据权利要求1所述的一种无人机近地航拍检测农田残膜的方法，其特征在于：所述的采用图形拼接技术的步骤为：提取标定板的白色区域的4个角点作为图像正射影矫正的基点，对图像进行正射影矫正，再进行图形滤波；拍摄点定位信息提取；模型参数估计及图像变换；图像融合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910463091.5A CN110225264A (zh) | 2019-05-30 | 2019-05-30 | 无人机近地航拍检测农田残膜的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910463091.5A CN110225264A (zh) | 2019-05-30 | 2019-05-30 | 无人机近地航拍检测农田残膜的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110225264A true CN110225264A (zh) | 2019-09-10 |
Family
ID=67818922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910463091.5A Pending CN110225264A (zh) | 2019-05-30 | 2019-05-30 | 无人机近地航拍检测农田残膜的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110225264A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062984A (zh) * | 2019-12-20 | 2020-04-24 | 广州市鑫广飞信息科技有限公司 | 视频图像区域面积的测量方法、装置、设备及存储介质 |
| CN111476129A (zh) * | 2020-03-27 | 2020-07-31 | 潍坊申海科技有限公司 | 一种基于深度学习的土壤杂质检测方法 |
| CN111598938A (zh) * | 2020-05-18 | 2020-08-28 | 浙江大学 | 一种基于标尺构形畸变校正的农田测亩方法及系统 |
| CN111767943A (zh) * | 2020-05-20 | 2020-10-13 | 北京简巨科技有限公司 | 地膜识别方法、装置、电子设备及存储介质 |
| CN112581301A (zh) * | 2020-12-17 | 2021-03-30 | 塔里木大学 | 一种基于深度学习的农田残膜残留量的检测预警方法及系统 |
| CN113295572A (zh) * | 2021-05-20 | 2021-08-24 | 内蒙古农业大学 | 一种农田残膜采集方法、装置及设备 |
| CN114202868A (zh) * | 2021-12-06 | 2022-03-18 | 九江礼涞生物科技有限公司 | 一种综合治理典型农业面源污染的系统 |
| CN114240758A (zh) * | 2021-12-24 | 2022-03-25 | 柳州市侗天湖农业生态旅游投资有限责任公司 | 一种以四边形地块为参照物的山区茶园低空图像拼接方法 |
| CN114742827A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市腾盛精密装备股份有限公司 | 基于视觉传感器飞拍的胶水检测方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106644939A (zh) * | 2016-12-08 | 2017-05-10 | 塔里木大学 | 一种农田土壤表层残膜残留量的测量方法及系统 |
| KR101793509B1 (ko) * | 2016-08-02 | 2017-11-06 | (주)노루기반시스템즈 | 작물 모니터링을 위하여 무인 비행체의 자동 경로 산정을 통한 원격 관측 방법 및 그 시스템 |
| CN107832655A (zh) * | 2017-02-21 | 2018-03-23 | 石河子大学 | 一种基于无人机近地面成像的航拍系统及棉花产量估测方法 |
| CN107911429A (zh) * | 2017-11-04 | 2018-04-13 | 南京奇蛙智能科技有限公司 | 一种基于视频的无人机云端在线交通流量监测方法 |
| US20180206475A1 (en) * | 2017-01-20 | 2018-07-26 | Mark A. Carter | Chemical application detection system and mobile visual sensing technology |
-
2019
- 2019-05-30 CN CN201910463091.5A patent/CN110225264A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101793509B1 (ko) * | 2016-08-02 | 2017-11-06 | (주)노루기반시스템즈 | 작물 모니터링을 위하여 무인 비행체의 자동 경로 산정을 통한 원격 관측 방법 및 그 시스템 |
| CN106644939A (zh) * | 2016-12-08 | 2017-05-10 | 塔里木大学 | 一种农田土壤表层残膜残留量的测量方法及系统 |
| US20180206475A1 (en) * | 2017-01-20 | 2018-07-26 | Mark A. Carter | Chemical application detection system and mobile visual sensing technology |
| CN107832655A (zh) * | 2017-02-21 | 2018-03-23 | 石河子大学 | 一种基于无人机近地面成像的航拍系统及棉花产量估测方法 |
| CN107911429A (zh) * | 2017-11-04 | 2018-04-13 | 南京奇蛙智能科技有限公司 | 一种基于视频的无人机云端在线交通流量监测方法 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111062984A (zh) * | 2019-12-20 | 2020-04-24 | 广州市鑫广飞信息科技有限公司 | 视频图像区域面积的测量方法、装置、设备及存储介质 |
| CN111062984B (zh) * | 2019-12-20 | 2024-03-15 | 广州市鑫广飞信息科技有限公司 | 视频图像区域面积的测量方法、装置、设备及存储介质 |
| CN111476129A (zh) * | 2020-03-27 | 2020-07-31 | 潍坊申海科技有限公司 | 一种基于深度学习的土壤杂质检测方法 |
| CN111598938A (zh) * | 2020-05-18 | 2020-08-28 | 浙江大学 | 一种基于标尺构形畸变校正的农田测亩方法及系统 |
| CN111767943A (zh) * | 2020-05-20 | 2020-10-13 | 北京简巨科技有限公司 | 地膜识别方法、装置、电子设备及存储介质 |
| CN112581301B (zh) * | 2020-12-17 | 2023-12-29 | 塔里木大学 | 一种基于深度学习的农田残膜残留量的检测预警方法及系统 |
| CN112581301A (zh) * | 2020-12-17 | 2021-03-30 | 塔里木大学 | 一种基于深度学习的农田残膜残留量的检测预警方法及系统 |
| CN113295572A (zh) * | 2021-05-20 | 2021-08-24 | 内蒙古农业大学 | 一种农田残膜采集方法、装置及设备 |
| CN114202868A (zh) * | 2021-12-06 | 2022-03-18 | 九江礼涞生物科技有限公司 | 一种综合治理典型农业面源污染的系统 |
| CN114202868B (zh) * | 2021-12-06 | 2022-11-04 | 九江礼涞生物科技有限公司 | 一种综合治理典型农业面源污染的系统 |
| CN114240758B (zh) * | 2021-12-24 | 2022-08-05 | 柳州市侗天湖农业生态旅游投资有限责任公司 | 一种以四边形地块为参照物的山区茶园低空图像拼接方法 |
| CN114240758A (zh) * | 2021-12-24 | 2022-03-25 | 柳州市侗天湖农业生态旅游投资有限责任公司 | 一种以四边形地块为参照物的山区茶园低空图像拼接方法 |
| CN114742827B (zh) * | 2022-06-09 | 2022-09-20 | 深圳市腾盛精密装备股份有限公司 | 基于视觉传感器飞拍的胶水检测方法、装置、设备及介质 |
| CN114742827A (zh) * | 2022-06-09 | 2022-07-12 | 深圳市腾盛精密装备股份有限公司 | 基于视觉传感器飞拍的胶水检测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110225264A (zh) | 无人机近地航拍检测农田残膜的方法 | |
| Dandois et al. | High spatial resolution three-dimensional mapping of vegetation spectral dynamics using computer vision | |
| CN106403904B (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及系统 | |
| Whitehead et al. | Applying ASPRS accuracy standards to surveys from small unmanned aircraft systems (UAS) | |
| Brutto et al. | UAV systems for photogrammetric data acquisition of archaeological sites | |
| CN107274380B (zh) | 一种无人机多光谱影像快速拼接方法 | |
| CN112613397B (zh) | 多视角光学卫星遥感影像目标识别训练样本集构建方法 | |
| CN107832655A (zh) | 一种基于无人机近地面成像的航拍系统及棉花产量估测方法 | |
| CN113066112B (zh) | 一种基于三维模型数据的室内外融合方法及装置 | |
| Höhle | DEM generation using a digital large format frame camera | |
| Zhang et al. | Evaluating the potential of PPK direct georeferencing for UAV-SfM photogrammetry and precise topographic mapping | |
| CN108195359A (zh) | 空间数据的采集方法及系统 | |
| CN117173224A (zh) | 基于Delauny算法和Kruskal最大生成树算法的大田影像拼接方法 | |
| Lei et al. | Using high-resolution imagery acquired with an autonomous unmanned aerial vehicle for urban construction and planning | |
| Chiabrando et al. | Performance evaluation of cots uav for architectural heritage documentation. A test on s. giuliano chapel in savigliano (cn)–Italy | |
| Frankenberger et al. | Low-altitude digital photogrammetry technique to assess ephemeral gully erosion | |
| Bellia et al. | A preliminary assessment of the efficiency of using drones in land cover mapping | |
| Castagnetti et al. | 3D Reconstruction of rock paintings: a cost-effective approach based on modern photogrammetry for rapidly mapping archaeological findings | |
| Pritt et al. | Automated cross-sensor registration, orthorectification and geopositioning using LIDAR digital elevation models | |
| CN114459436A (zh) | 一种基于无人机的土地整治项目验收方法 | |
| Wang et al. | Fast stitching of DOM based on small UAV | |
| Saha | DSM extraction and evaluation from Cartosat-1 stereo data for Bhopal city, Madhya Pradesh | |
| Dhruwa et al. | Generation of 3-D Large-Scale Maps using LiDAR Point Cloud Data | |
| Gabara et al. | Kortowo test field for testing photogrammetric products accuracy–design and first evaluation | |
| Kirk et al. | Radargrammetry with Chandrayaan-1 and LRO Mini-RF images of the Moon |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |