CN110532936A - 一种识别大田作物长势监控图像中绿色植物的方法及系统 - Google Patents
一种识别大田作物长势监控图像中绿色植物的方法及系统 Download PDFInfo
- Publication number
- CN110532936A CN110532936A CN201910789283.5A CN201910789283A CN110532936A CN 110532936 A CN110532936 A CN 110532936A CN 201910789283 A CN201910789283 A CN 201910789283A CN 110532936 A CN110532936 A CN 110532936A
- Authority
- CN
- China
- Prior art keywords
- image
- field crop
- growing way
- growth
- crop
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 56
- 241001464837 Viridiplantae Species 0.000 title claims abstract description 28
- 230000012010 growth Effects 0.000 claims abstract description 107
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 19
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000003709 image segmentation Methods 0.000 claims abstract description 11
- 238000003384 imaging method Methods 0.000 claims abstract description 7
- 238000012806 monitoring device Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 29
- 230000000694 effects Effects 0.000 claims description 15
- 239000002689 soil Substances 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 238000007405 data analysis Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 6
- 230000018109 developmental process Effects 0.000 claims description 6
- 239000000446 fuel Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005484 gravity Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000003698 anagen phase Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 239000003337 fertilizer Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 2
- 238000006073 displacement reaction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 5
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 244000061176 Nicotiana tabacum Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 235000009754 Vitis X bourquina Nutrition 0.000 description 1
- 235000012333 Vitis X labruscana Nutrition 0.000 description 1
- 240000006365 Vitis vinifera Species 0.000 description 1
- 235000014787 Vitis vinifera Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000021384 green leafy vegetables Nutrition 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Animal Husbandry (AREA)
- Quality & Reliability (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于大田作物长势监控技术领域，公开了一种识别大田作物长势监控图像中绿色植物的方法及系统，利用影像监控器监控大田作物生长过程，通过监控图像分割模块利用图像分割程序对采集的大田作物监控图像进行分割处理，利用识别程序对大田作物图像长势进行识别，利用分类程序对大田作物类型特征进行分类操作；利用构建程序构建大田作物生长模型，利用分析程序对大田作物长势进行分析。本发明建立了农作物生长模型，分析农作物生长过程中的自然环境变量、人工变量和生长状态之间的关联性，基于事实，解决了农作物种植过程中的进行人工操作失误的问题，更加精准地指导农业的生产。
Description
技术领域
本发明属于大田作物长势监控技术领域，尤其涉及一种识别大田作物长势监控图像中绿色植物的方法及系统。
背景技术
大田作物，指在大片田地上种植的作物﹐如小麦﹑水稻﹑高粱﹑玉米﹑棉花﹑牧草等。直接供给粮食，油料和衣物原料为主。露地种植，温室大棚里面的蔬菜等不算；烟草，中草药不算；木本的苹果，葡萄不算。然而，现有大田作物不能准确的掌握作物生长规律；同时对作物长势分析不准确。
综上所述，现有技术存在的问题是：
现有大田作物不能准确的掌握作物生长规律；同时对作物长势分析数据不准确。
现有技术中，对绿色植物图像存在的复杂性与特殊性处理效果差。
发明内容
针对现有技术存在的问题，本发明提供了一种识别大田作物长势监控图像中绿色植物的方法及系统。
本发明是这样实现的，一种识别大田作物长势监控图像中绿色植物的方法，包括：
采集大田作物图像长势原始图像，对所述原始图像进行预处理，分割出大田作物图像长势实时生长的轮廓，进行图像去噪，将神经网络PCNN与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神经元的输入为像素点的灰度值；
建立从空间图像处理信息到时间信息的PCNN赋时矩阵，将赋时矩阵视为不变直方图矢量重心，经PCNN迭代处理大田作物长势图像并提取直方图矢量不变特征；
把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取大田作物二值图像目标，获得引入交叉熵分割判据的PCNN大田作物长势分割图像；
以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取大田作物长势图像进行基于最小互信息熵差的PCNN自动多值目标分割，得到完善的多值目标图像；
利用PCNN模型处理大田作物长势图像，提取各二维图像的一维时间序列信号特征并存储特征信息，对该一维时间序列信号进行熵变换，形成熵序列信号，并作为PCNN处理的另一图像特征，并结合大田作物长势图像要求的图像实时生长特征，提取大田作物最终长势图像实时特征；
根据提取的大田作物最终长势图像实时特征，建立大田作物长势图像特征信息库，搭建大田作物长势图像智能管理系统；
根据建立的大田作物长势图像特征信息库，利用分类程序对大田作物类型特征进行分类操作以及利用构建程序构建大田作物生长模型；
构建大田作物生长模型后通过长势分析模块利用分析程序对大田作物长势进行分析。
进一步，采集大田作物图像长势原始图像前，需进行：
通过作物监控模块利用影像监控器监控大田作物生长过程；
长势分析模块利用分析程序对大田作物长势进行分析后，还进行：
通过显示模块利用显示器显示监控的大田作物生长影像数据及识别、分类、分析结果；
获得引入交叉熵分割判据的PCNN大田作物长势分割图像中，通过中央控制模块调度监控图像分割模块搭载的图像分割程序对采集的大田作物监控图像进行分割处理。
进一步，所述构建大田作物生长模型的方法包括：
(1)通过构建程序建立农作物数据生长变量；
(2)采集农作物数据生长变量；
(3)对农作物数据生长变量进行数据分析并建立农作物数据生长模型和对农作物数据生长模型进行实际应用。
进一步，所述农作物数据生长变量包括自然变量、人工变量和生长状态；
所述自然变量包括自然环境下的空气湿度、土壤湿度、温度、光照、土壤PH值；
所述人工变量包括人为施加的温度补偿、光照补偿、水分施加和肥料施加；
所述生长状态是指农作物在每个生长阶段所呈现的生长状况；
所述采集农作物数据生长变量的方法是通过传感设备实时采集农作物生长过程中的自然变量和生长状态，同时采集在此自然变量和生长状态的条件下施加的人工变量，以及施加人工变量之后得到的生长状态，从而得到农作物数据生长变量存储到数据库系统，每一条农作物数据生长变量均包括自然变量、人工变量和生长状态；
所述对农作物数据生长变量进行数据分析并建立农作物数据生长模型的方法是：
从数据库系统中获得所有的农作物数据生长变量的数据，
通过数据挖掘分析算法得出自然变量、人工变量和生长状态之间的关联性；
根据自然变量、人工变量和生长状态之间的关联性得到农作物自然变量权重值；
以最佳生长状态时的自然变量为参照指标，并监测实时的自然变量，计算出指标偏移量，根据指标偏移量和农作物自然变量权重值得出需要施加的人工变量和人工变量数据，建立出农作物数据生长模型；
所述指标偏移量包括分指标偏移量和指标偏移总量，所述分指标偏移量＝(实时自然变量-最佳生长状态时的自然变量)/实时自然变量*相对应的自然变量的权重值；所述分指标包括温度、光照、土壤湿度、空气湿度、土壤PH值；所述指标偏移总量等于所有的分指标偏移量的总和。
进一步，利用分析程序对大田作物长势进行分析的方法包括：
1)为输入作物生长环境感知物联网产生的数据到Hadoop大数据平台，
2)通过在mapreduce运算框架上建立目标作物的动态生长模型，
3)计算求解物候(PHE)来预测作物的生长趋势。
9、如权利要求8所述识别大田作物长势监控图像中绿色植物的系统，其特征在于，所述通过在mapreduce运算框架上建立目标作物的动态生长模型包括以下步骤：
读入输入源数据，创建计算作业；建立求解物候(PHE)的该任务的计算框架；
根据mapreduce运算框架,建立作物生育期模型的各计算子任务；计算子任务mapreduce框架下运算；
存储并输出求解物候(PHE)的结果。
进一步，所述读入输入源数据为Hadoop大数据平台从物联网端读取实时生长内作物的生长环境当前和历史数据，所述数据包括气温、日长、土温参数，所述创建计算作业为创建需要建立该区域内的该作物生长模型的作业，即预测作物物候(PHE)时间；
所述建立求解物候的该任务的计算框架为根据目标作物的品种，求解物候的任务可分解成可并行运算的每日热效应、每日光周期效应、春化效应和各效应发育影响子模型；
所述根据每日光周期效应、有效积温、每日热效应、春化效应、各效应发育影响和物候组分之间数据关系，可划分成独立、自依赖和相互依赖3种数据关系，并根据mapreduce运算框架，建立作物生育期模型的各计算子任务；
所述独立关系是指计算任务以日为时间步长独立进行计算；自依赖是指当日计算结果建立在同一变量前一日计算结果的基础之上；相互依赖是指组分之间具有同步关系；
所述计算子任务mapreduce框架下运算为具有独立关系、自依赖关系的任务分别map成独立任务，具有相互依赖的任务在前述任务reduce过程完成后再按照依赖顺序分步处理；
所述子任务的map运算过程包括以下步骤：
先形成<LongWritable，Text>形式的<Key，Value>键值对，其中，Key为数据的行偏移量，Value为输入数据内容；
将Text类型Value分解，形成各子任务所需要的参数，由各子任务进行循环计算；
每个子任务计算结果以字符串类型串联在一起，形成一个个键值对；
所述键值对即作为子任务的Map函数输出的中间变量值传递给Reduce函数。
本发明的另一目的在于提供一种识别大田作物长势监控图像中绿色植物的系统，所述识别大田作物长势监控图像中绿色植物的系统包括：
作物监控模块，与中央控制模块连接，用于通过影像监控器监控大田作物生长过程；
中央控制模块，与作物监控模块、监控图像分割模块、图像识别模块、图像分类模块、模型构建模块、长势分析模块、显示模块连接，用于通过主机控制各个模块正常工作；
监控图像分割模块，与中央控制模块连接，用于通过图像分割程序对采集的大田作物监控图像进行分割处理；
图像识别模块，与中央控制模块连接，用于通过识别程序对大田作物图像长势进行识别；
图像分类模块，与中央控制模块连接，用于通过分类程序对大田作物类型特征进行分类操作；
模型构建模块，与中央控制模块连接，用于通过构建程序构建大田作物生长模型；
长势分析模块，与中央控制模块连接，用于通过分析程序对大田作物长势进行分析；
显示模块，与中央控制模块连接，用于通过显示器显示监控的大田作物生长影像数据及识别、分类、分析结果。
本发明的另一目的在于提供一种计算机程序产品，其特征在于，所述计算机程序产品运行于计算机，运行时，执行所述识别大田作物长势监控图像中绿色植物的方法。
本发明的另一目的在于提供一种终端，所述终端搭载实现所述识别大田作物长势监控图像中绿色植物的方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质，包括计算机程序，当其在计算机上运行时，使得计算机执行所述的识别大田作物长势监控图像中绿色植物的方法。
本发明的优点及积极效果为：
本发明通过模型构建模块将农作物种植同大数据相结合，建立农作物生长模型，分析农作物生长过程中的自然环境变量、人工变量和生长状态之间的关联性，基于事实，解决农作物种植过程中的进行人工操作失误的问题，更加精准地指导农业的生产；同时，通过长势分析模块更加准确的大田作物长势状态进行分析。
本发明采集大田作物图像长势原始图像，对所述原始图像进行预处理，分割出大田作物图像长势实时生长的轮廓，进行图像去噪，将神经网络PCNN与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神经元的输入为像素点的灰度值；建立从空间图像处理信息到时间信息的PCNN赋时矩阵，将赋时矩阵视为不变直方图矢量重心，经PCNN迭代处理大田作物长势图像并提取直方图矢量不变特征；把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取大田作物二值图像目标，获得引入交叉熵分割判据的PCNN大田作物长势分割图像；以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取大田作物长势图像进行基于最小互信息熵差的PCNN自动多值目标分割，得到完善的多值目标图像；利用PCNN模型处理大田作物长势图像，提取各二维图像的一维时间序列信号特征并存储特征信息，对该一维时间序列信号进行熵变换，形成熵序列信号，并作为PCNN处理的另一图像特征，并结合大田作物长势图像要求的图像实时生长特征，提取大田作物最终长势图像实时特征；根据提取的大田作物最终长势图像实时特征，建立大田作物长势图像特征信息库，搭建大田作物长势图像智能管理系统；进一步提高大田作物生长评价的客观性、准确性和智能化程度，为大田作物检测与分析的现代化提供一种新的途径。本发明的方法设计合理、实现方便且投入成本低，操作简便；能够实现图像的动态范围压缩、保证图像的色感一致性，在考虑到图像均衡阴影部分的同时保留了图像的高频信息，变换后的图像不仅降低了光线的干扰，还恢复了图像高频细节信息。
附图说明
图1是本发明实施例提供的识别大田作物长势监控图像中绿色植物的方法流程图。
图2是本发明实施例提供的识别大田作物长势监控图像中绿色植物的系统结构框图。
图中：1、作物监控模块；2、中央控制模块；3、监控图像分割模块；4、图像识别模块；5、图像分类模块；6、模型构建模块；7、长势分析模块；8、显示模块。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明包括。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明提供的识别大田作物长势监控图像中绿色植物的方法包括以下步骤：
S101，通过作物监控模块利用影像监控器监控大田作物生长过程。
S102，中央控制模块通过监控图像分割模块利用图像分割程序对采集的大田作物监控图像进行分割处理。
S103，通过图像识别模块利用识别程序对大田作物图像长势进行识别。
S104，通过图像分类模块利用分类程序对大田作物类型特征进行分类操作。通过模型构建模块利用构建程序构建大田作物生长模型。
S105，通过长势分析模块利用分析程序对大田作物长势进行分析。
S106，通过显示模块利用显示器显示监控的大田作物生长影像数据及识别、分类、分析结果。
步骤S103通过图像识别模块利用识别程序对大田作物图像长势进行识别，具体包括：
采集大田作物图像长势原始图像，对所述原始图像进行预处理，分割出大田作物图像长势实时生长的轮廓，进行图像去噪，将神经网络PCNN与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神经元的输入为像素点的灰度值。
建立从空间图像处理信息到时间信息的PCNN赋时矩阵，将赋时矩阵视为不变直方图矢量重心，经PCNN迭代处理大田作物长势图像并提取直方图矢量不变特征。
把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取大田作物二值图像目标，获得引入交叉熵分割判据的PCNN大田作物长势分割图像。
以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取大田作物长势图像进行基于最小互信息熵差的PCNN自动多值目标分割，得到完善的多值目标图像。
利用PCNN模型处理大田作物长势图像，提取各二维图像的一维时间序列信号特征并存储特征信息，对该一维时间序列信号进行熵变换，形成熵序列信号，并作为PCNN处理的另一图像特征，并结合大田作物长势图像要求的图像实时生长特征，提取大田作物最终长势图像实时特征。
根据提取的大田作物最终长势图像实时特征，建立大田作物长势图像特征信息库，搭建大田作物长势图像智能管理系统。
如图2所示，本发明实施例提供的识别大田作物长势监控图像中绿色植物的系统包括：作物监控模块1、中央控制模块2、监控图像分割模块3、图像识别模块4、图像分类模块5、模型构建模块6、长势分析模块7、显示模块8。
作物监控模块1，与中央控制模块2连接，用于通过影像监控器监控大田作物生长过程。
中央控制模块2，与作物监控模块1、监控图像分割模块3、图像识别模块4、图像分类模块5、模型构建模块6、长势分析模块7、显示模块8连接，用于通过主机控制各个模块正常工作。
监控图像分割模块3，与中央控制模块2连接，用于通过图像分割程序对采集的大田作物监控图像进行分割处理。
图像识别模块4，与中央控制模块2连接，用于通过识别程序对大田作物图像长势进行识别。
图像分类模块5，与中央控制模块2连接，用于通过分类程序对大田作物类型特征进行分类操作。
模型构建模块6，与中央控制模块2连接，用于通过构建程序构建大田作物生长模型。
长势分析模块7，与中央控制模块2连接，用于通过分析程序对大田作物长势进行分析。
显示模块8，与中央控制模块2连接，用于通过显示器显示监控的大田作物生长影像数据及识别、分类、分析结果。
下面结合具体实施例对本发明作进一步描述。
实施例1
本发明提供的模型构建模块7构建方法包括：
(1)通过构建程序建立农作物数据生长变量。
(2)采集农作物数据生长变量。
(3)对农作物数据生长变量进行数据分析并建立农作物数据生长模型和对农作物数据生长模型进行实际应用。
本发明提供的农作物数据生长变量包括自然变量、人工变量和生长状态。
所述自然变量包括自然环境下的空气湿度、土壤湿度、温度、光照、土壤PH值。
所述人工变量包括人为施加的温度补偿、光照补偿、水分施加和肥料施加。
所述生长状态是指农作物在每个生长阶段所呈现的生长状况。
本发明提供的采集农作物数据生长变量的方法是通过传感设备实时采集农作物生长过程中的自然变量和生长状态，同时采集在此自然变量和生长状态的条件下施加的人工变量，以及施加人工变量之后得到的生长状态，从而得到农作物数据生长变量存储到数据库系统，每一条农作物数据生长变量均包括自然变量、人工变量和生长状态。
本发明提供的对农作物数据生长变量进行数据分析并建立农作物数据生长模型的方法是：
从数据库系统中获得所有的农作物数据生长变量的数据，
通过数据挖掘分析算法得出自然变量、人工变量和生长状态之间的关联性。
根据自然变量、人工变量和生长状态之间的关联性得到农作物自然变量权重值。
以最佳生长状态时的自然变量为参照指标，并监测实时的自然变量，计算出指标偏移量，根据指标偏移量和农作物自然变量权重值得出需要施加的人工变量和人工变量数据，建立出农作物数据生长模型。
本发明提供的指标偏移量包括分指标偏移量和指标偏移总量，所述分指标偏移量＝(实时自然变量-最佳生长状态时的自然变量)/实时自然变量*相对应的自然变量的权重值。所述分指标包括温度、光照、土壤湿度、空气湿度、土壤pH值。所述指标偏移总量等于所有的分指标偏移量的总和。
实施例2
本发明提供的长势分析模块6分析方法包括：
1)为输入作物生长环境感知物联网产生的数据到Hadoop大数据平台，
2)通过在mapreduce运算框架上建立目标作物的动态生长模型，
3)计算求解物候(PHE)来预测作物的生长趋势。
本发明提供的通过在mapreduce运算框架上建立目标作物的动态生长模型包括以下步骤：
读入输入源数据，创建计算作业。建立求解物候(PHE)的该任务的计算框架。
根据mapreduce运算框架,建立作物生育期模型的各计算子任务。计算子任务mapreduce框架下运算。
存储并输出求解物候(PHE)的结果。
本发明提供的读入输入源数据为Hadoop大数据平台从物联网端读取实时生长内作物的生长环境当前和历史数据，所述数据包括气温、日长、土温参数，所述创建计算作业为创建需要建立该区域内的该作物生长模型的作业，即预测作物物候(PHE)时间。
本发明提供的建立求解物候(PHE)的该任务的计算框架为根据目标作物的品种，求解物候(PHE)的任务可分解成可并行运算的每日热效应(DTE)、每日光周期效应(RPE)、春化效应(VP)和各效应发育影响(PDT)子模型。
本发明提供的根据每日光周期效应(RPE)、有效积温(GDD)、每日热效应(DTE)、春化效应(VP)、各效应发育影响(PDT)和物候(PHE)组分之间数据关系，可划分成独立、自依赖和相互依赖3种数据关系，并根据mapreduce运算框架，建立作物生育期模型的各计算子任务。
本发明提供的独立关系是指计算任务以日为时间步长独立进行计算。自依赖是指当日计算结果建立在同一变量前一日计算结果的基础之上。相互依赖是指组分之间具有同步关系。
所述计算子任务mapreduce框架下运算为具有独立关系、自依赖关系的任务分别map成独立任务，具有相互依赖的任务在前述任务reduce过程完成后再按照依赖顺序分步处理。
所述子任务的map运算过程包括以下步骤：
先形成<LongWritable，Text>形式的<Key，Value>键值对，其中，Key为数据的行偏移量，Value为输入数据内容。
将Text类型Value分解，形成各子任务所需要的参数，由各子任务进行循环计算。
每个子任务计算结果以字符串类型串联在一起，形成一个个键值对。
所述键值对即作为子任务的Map函数输出的中间变量值传递给Reduce函数。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (10)
1.一种识别大田作物长势监控图像中绿色植物的方法，其特征在于，所述识别大田作物长势监控图像中绿色植物的方法包括：
采集大田作物图像长势原始图像，对所述原始图像进行预处理，分割出大田作物图像长势实时生长的轮廓，进行图像去噪，将神经网络PCNN与图像对应，将中心神经元与图像的像素点对应，中心神经元的邻域与邻域像素点对应，神经元的输入为像素点的灰度值；
建立从空间图像处理信息到时间信息的PCNN赋时矩阵，将赋时矩阵视为不变直方图矢量重心，经PCNN迭代处理大田作物长势图像并提取直方图矢量不变特征；
把PCNN神经元模型与最大模糊熵或超模糊熵判据相结合对图像进行自动分割，提取大田作物二值图像目标，获得引入交叉熵分割判据的PCNN大田作物长势分割图像；
以最大互信息优化多值图像分割并进行图像去噪，建立相邻分割图像互信息熵差最小分类判据，选取大田作物长势图像进行基于最小互信息熵差的PCNN自动多值目标分割，得到完善的多值目标图像；
利用PCNN模型处理大田作物长势图像，提取各二维图像的一维时间序列信号特征并存储特征信息，对该一维时间序列信号进行熵变换，形成熵序列信号，并作为PCNN处理的另一图像特征，并结合大田作物长势图像要求的图像实时生长特征，提取大田作物最终长势图像实时特征；
根据提取的大田作物最终长势图像实时特征，建立大田作物长势图像特征信息库，搭建大田作物长势图像智能管理系统；
根据建立的大田作物长势图像特征信息库，利用分类程序对大田作物类型特征进行分类操作以及利用构建程序构建大田作物生长模型；
构建大田作物生长模型后通过长势分析模块利用分析程序对大田作物长势进行分析。
2.如权利要求1所述的识别大田作物长势监控图像中绿色植物的方法，其特征在于，采集大田作物图像长势原始图像前，需进行：
通过作物监控模块利用影像监控器监控大田作物生长过程；
长势分析模块利用分析程序对大田作物长势进行分析后，还进行：
通过显示模块利用显示器显示监控的大田作物生长影像数据及识别、分类、分析结果；
获得引入交叉熵分割判据的PCNN大田作物长势分割图像中，通过中央控制模块调度监控图像分割模块搭载的图像分割程序对采集的大田作物监控图像进行分割处理。
3.如权利要求1所述的识别大田作物长势监控图像中绿色植物的方法，其特征在于，所述构建大田作物生长模型的方法包括：
(1)通过构建程序建立农作物数据生长变量；
(2)采集农作物数据生长变量；
(3)对农作物数据生长变量进行数据分析并建立农作物数据生长模型和对农作物数据生长模型进行实际应用。
4.如权利要求3所述的识别大田作物长势监控图像中绿色植物的方法，其特征在于，所述农作物数据生长变量包括自然变量、人工变量和生长状态；
所述自然变量包括自然环境下的空气湿度、土壤湿度、温度、光照、土壤PH值；
所述人工变量包括人为施加的温度补偿、光照补偿、水分施加和肥料施加；
所述生长状态是指农作物在每个生长阶段所呈现的生长状况；
所述采集农作物数据生长变量的方法是通过传感设备实时采集农作物生长过程中的自然变量和生长状态，同时采集在此自然变量和生长状态的条件下施加的人工变量，以及施加人工变量之后得到的生长状态，从而得到农作物数据生长变量存储到数据库系统，每一条农作物数据生长变量均包括自然变量、人工变量和生长状态；
所述对农作物数据生长变量进行数据分析并建立农作物数据生长模型的方法是：
从数据库系统中获得所有的农作物数据生长变量的数据；
通过数据挖掘分析算法得出自然变量、人工变量和生长状态之间的关联性；
根据自然变量、人工变量和生长状态之间的关联性得到农作物自然变量权重值；
以最佳生长状态时的自然变量为参照指标，并监测实时的自然变量，计算出指标偏移量，根据指标偏移量和农作物自然变量权重值得出需要施加的人工变量和人工变量数据，建立出农作物数据生长模型；
所述指标偏移量包括分指标偏移量和指标偏移总量，所述分指标偏移量＝(实时自然变量-最佳生长状态时的自然变量)/实时自然变量*相对应的自然变量的权重值；所述分指标包括温度、光照、土壤湿度、空气湿度、土壤PH值；所述指标偏移总量等于所有的分指标偏移量的总和。
5.如权利要求1所述的识别大田作物长势监控图像中绿色植物的方法，其特征在于，利用分析程序对大田作物长势进行分析的方法包括：
1)为输入作物生长环境感知物联网产生的数据到Hadoop大数据平台；
2)通过在mapreduce运算框架上建立目标作物的动态生长模型；
3)计算求解物候(PHE)来预测作物的生长趋势；
所述通过在mapreduce运算框架上建立目标作物的动态生长模型包括以下步骤：
读入输入源数据，创建计算作业；建立求解物候(PHE)的该任务的计算框架；
根据mapreduce运算框架,建立作物生育期模型的各计算子任务；计算子任务mapreduce框架下运算；
存储并输出求解物候(PHE)的结果。
6.如权利要求1所述的识别大田作物长势监控图像中绿色植物的方法，其特征在于，所述读入输入源数据为Hadoop大数据平台从物联网端读取实时生长内作物的生长环境当前和历史数据，所述数据包括气温、日长、土温参数，所述创建计算作业为创建需要建立该区域内的该作物生长模型的作业，即预测作物物候PHE时间；
所述建立求解物候的该任务的计算框架为根据目标作物的品种，求解物候的任务可分解成可并行运算的每日热效应、每日光周期效应、春化效应和各效应发育影响子模型；
所述根据每日光周期效应、有效积温、每日热效应、春化效应、各效应发育影响和物候组分之间数据关系，可划分成独立、自依赖和相互依赖3种数据关系，并根据mapreduce运算框架，建立作物生育期模型的各计算子任务；
所述独立关系是指计算任务以日为时间步长独立进行计算；自依赖是指当日计算结果建立在同一变量前一日计算结果的基础之上；相互依赖是指组分之间具有同步关系；
所述计算子任务mapreduce框架下运算为具有独立关系、自依赖关系的任务分别map成独立任务，具有相互依赖的任务在前述任务reduce过程完成后再按照依赖顺序分步处理；
所述子任务的map运算过程包括以下步骤：
先形成<LongWritable，Text>形式的<Key，Value>键值对，其中，Key为数据的行偏移量，Value为输入数据内容；
将Text类型Value分解，形成各子任务所需要的参数，由各子任务进行循环计算；
每个子任务计算结果以字符串类型串联在一起，形成一个个键值对；
所述键值对即作为子任务的Map函数输出的中间变量值传递给Reduce函数。
7.一种识别大田作物长势监控图像中绿色植物的系统，其特征在于，所述识别大田作物长势监控图像中绿色植物的系统包括：
作物监控模块，与中央控制模块连接，用于通过影像监控器监控大田作物生长过程；
中央控制模块，与作物监控模块、监控图像分割模块、图像识别模块、图像分类模块、模型构建模块、长势分析模块、显示模块连接，用于通过主机控制各个模块正常工作；
监控图像分割模块，与中央控制模块连接，用于通过图像分割程序对采集的大田作物监控图像进行分割处理；
图像识别模块，与中央控制模块连接，用于通过识别程序对大田作物图像长势进行识别；
图像分类模块，与中央控制模块连接，用于通过分类程序对大田作物类型特征进行分类操作；
模型构建模块，与中央控制模块连接，用于通过构建程序构建大田作物生长模型；
长势分析模块，与中央控制模块连接，用于通过分析程序对大田作物长势进行分析；
显示模块，与中央控制模块连接，用于通过显示器显示监控的大田作物生长影像数据及识别、分类、分析结果。
8.一种计算机程序产品，其特征在于，所述计算机程序产品运行于计算机，运行时，执行权利要求1～6任意一项所述识别大田作物长势监控图像中绿色植物的方法。
9.一种终端，其特征在于，所述终端搭载实现权利要求1～6任意一项所述识别大田作物长势监控图像中绿色植物的方法的控制器。
10.一种计算机可读存储介质，包括计算机程序，当其在计算机上运行时，使得计算机执行如权利要求1-6任意一项所述的识别大田作物长势监控图像中绿色植物的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910789283.5A CN110532936A (zh) | 2019-08-26 | 2019-08-26 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910789283.5A CN110532936A (zh) | 2019-08-26 | 2019-08-26 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110532936A true CN110532936A (zh) | 2019-12-03 |
Family
ID=68662827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910789283.5A Pending CN110532936A (zh) | 2019-08-26 | 2019-08-26 | 一种识别大田作物长势监控图像中绿色植物的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110532936A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111135577A (zh) * | 2019-12-24 | 2020-05-12 | 口碑(上海)信息技术有限公司 | 一种数据处理方法及装置 |
| CN111144295A (zh) * | 2019-12-26 | 2020-05-12 | 贵州华图科技有限公司 | 农作物分类方法、装置及设备 |
| CN111459680A (zh) * | 2020-04-07 | 2020-07-28 | 周文明 | 一种数据采集处理系统和方法 |
| CN111523425A (zh) * | 2020-04-15 | 2020-08-11 | 河北冀云气象技术服务有限责任公司 | 用于农作物的气象自动化观测方法和系统 |
| CN113407755A (zh) * | 2020-03-17 | 2021-09-17 | 北京百度网讯科技有限公司 | 植物生长状况信息获取方法、装置及电子设备 |
| CN113409298A (zh) * | 2021-07-08 | 2021-09-17 | 广西大学 | 基于Kinect V2传感器的香蕉植株长势评价系统 |
| CN116052141A (zh) * | 2023-03-30 | 2023-05-02 | 北京市农林科学院智能装备技术研究中心 | 作物生育期的识别方法、装置、设备及介质 |
| CN116310844A (zh) * | 2023-05-18 | 2023-06-23 | 四川凯普顿信息技术股份有限公司 | 一种农业作物生长监测系统 |
| CN117972329A (zh) * | 2024-04-01 | 2024-05-03 | 青岛九天智慧农业集团有限公司 | 基于生长模型的作物生长趋势预测方法及系统 |
| CN117972329B (zh) * | 2024-04-01 | 2024-05-31 | 青岛九天智慧农业集团有限公司 | 基于生长模型的作物生长趋势预测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914786A (zh) * | 2014-03-10 | 2014-07-09 | 北京农业信息技术研究中心 | 一种大田农业生产情景感知计算方法及装置 |
| CN105675549A (zh) * | 2016-01-11 | 2016-06-15 | 武汉大学 | 一种便携式农作物参数测量与长势智能分析装置及方法 |
| CN106023224A (zh) * | 2016-05-30 | 2016-10-12 | 天水师范学院 | 一种中药材显微图像的pcnn自动分割方法 |
| CN106779452A (zh) * | 2016-12-28 | 2017-05-31 | 贵州马科技有限公司 | 建立农作物数据生长模型的方法 |
| CN107832878A (zh) * | 2017-10-31 | 2018-03-23 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于大数据分析和生长模型的作物生长趋势分析方法 |
| CN108664062A (zh) * | 2018-06-05 | 2018-10-16 | 厦门柏事特信息科技有限公司 | 基于动态图像视频分析的作物生长监测装置及其运行系统 |
| CN109541966A (zh) * | 2018-07-09 | 2019-03-29 | 菏泽学院 | 植物生理监控管理系统 |
| CN109961035A (zh) * | 2019-03-19 | 2019-07-02 | 广东省农业科学院水稻研究所 | 一种水稻分蘖期长势智慧监控调节方法 |
-
2019
- 2019-08-26 CN CN201910789283.5A patent/CN110532936A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103914786A (zh) * | 2014-03-10 | 2014-07-09 | 北京农业信息技术研究中心 | 一种大田农业生产情景感知计算方法及装置 |
| CN105675549A (zh) * | 2016-01-11 | 2016-06-15 | 武汉大学 | 一种便携式农作物参数测量与长势智能分析装置及方法 |
| CN106023224A (zh) * | 2016-05-30 | 2016-10-12 | 天水师范学院 | 一种中药材显微图像的pcnn自动分割方法 |
| CN106779452A (zh) * | 2016-12-28 | 2017-05-31 | 贵州马科技有限公司 | 建立农作物数据生长模型的方法 |
| CN107832878A (zh) * | 2017-10-31 | 2018-03-23 | 南京邮电大学盐城大数据研究院有限公司 | 一种基于大数据分析和生长模型的作物生长趋势分析方法 |
| CN108664062A (zh) * | 2018-06-05 | 2018-10-16 | 厦门柏事特信息科技有限公司 | 基于动态图像视频分析的作物生长监测装置及其运行系统 |
| CN109541966A (zh) * | 2018-07-09 | 2019-03-29 | 菏泽学院 | 植物生理监控管理系统 |
| CN109961035A (zh) * | 2019-03-19 | 2019-07-02 | 广东省农业科学院水稻研究所 | 一种水稻分蘖期长势智慧监控调节方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘勍 等: "基于直方图矢量重心的PCNN图像目标识别新方法", 《电子技术应用》 * |
| 唐土生等: "基于超模糊熵ULPCNN二值图像分割算法研究与实现", 《激光杂志》 * |
| 张雪芬 等: "自动农业气象观测系统功能与设计", 《应用气象学报》 * |
| 王守志 等: "基于并行点火 PCNN 的玉米病害彩色图像分割方法", 《农业机械学报》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111135577A (zh) * | 2019-12-24 | 2020-05-12 | 口碑(上海)信息技术有限公司 | 一种数据处理方法及装置 |
| CN111144295A (zh) * | 2019-12-26 | 2020-05-12 | 贵州华图科技有限公司 | 农作物分类方法、装置及设备 |
| CN113407755A (zh) * | 2020-03-17 | 2021-09-17 | 北京百度网讯科技有限公司 | 植物生长状况信息获取方法、装置及电子设备 |
| CN111459680A (zh) * | 2020-04-07 | 2020-07-28 | 周文明 | 一种数据采集处理系统和方法 |
| CN111523425A (zh) * | 2020-04-15 | 2020-08-11 | 河北冀云气象技术服务有限责任公司 | 用于农作物的气象自动化观测方法和系统 |
| CN113409298A (zh) * | 2021-07-08 | 2021-09-17 | 广西大学 | 基于Kinect V2传感器的香蕉植株长势评价系统 |
| CN116052141A (zh) * | 2023-03-30 | 2023-05-02 | 北京市农林科学院智能装备技术研究中心 | 作物生育期的识别方法、装置、设备及介质 |
| CN116052141B (zh) * | 2023-03-30 | 2023-06-27 | 北京市农林科学院智能装备技术研究中心 | 作物生育期的识别方法、装置、设备及介质 |
| CN116310844A (zh) * | 2023-05-18 | 2023-06-23 | 四川凯普顿信息技术股份有限公司 | 一种农业作物生长监测系统 |
| CN117972329A (zh) * | 2024-04-01 | 2024-05-03 | 青岛九天智慧农业集团有限公司 | 基于生长模型的作物生长趋势预测方法及系统 |
| CN117972329B (zh) * | 2024-04-01 | 2024-05-31 | 青岛九天智慧农业集团有限公司 | 基于生长模型的作物生长趋势预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110532936A (zh) | 一种识别大田作物长势监控图像中绿色植物的方法及系统 | |
| US10949974B2 (en) | Automated plant disease detection | |
| Yalcin | Plant phenology recognition using deep learning: Deep-Pheno | |
| CN102945376A (zh) | 一种农作物病害的诊断方法 | |
| CN106326925A (zh) | 一种基于深度学习网络的苹果病变图像识别方法 | |
| CN114757307B (zh) | 一种人工智能自动训练方法、系统、装置及存储介质 | |
| Díaz et al. | Grapevine buds detection and localization in 3D space based on structure from motion and 2D image classification | |
| CN117036088A (zh) | 一种ai识别绿化植物生长态势的数据采集分析方法 | |
| Khan et al. | End‐to‐End Semantic Leaf Segmentation Framework for Plants Disease Classification | |
| Valarmathi et al. | CNN algorithm for plant classification in deep learning | |
| CN114298615A (zh) | 一种农作物种植风险预防方法、装置、存储介质和设备 | |
| CN117540908A (zh) | 基于大数据的农业资源整合方法和系统 | |
| Veeragandham et al. | A review on the role of machine learning in agriculture | |
| Anam | Segmentation of leaf spots disease in apple plants using particle swarm optimization and K-means algorithm | |
| Liu et al. | Tomato detection based on convolutional neural network for robotic application | |
| Nabwire et al. | Estimation of cold stress, plant age, and number of leaves in watermelon plants using image analysis | |
| CN113554010B (zh) | 一种电网线路故障识别模型训练方法 | |
| CN116524279A (zh) | 一种数字农业的人工智能图像识别作物长势分析方法 | |
| Doddamani et al. | Detection of Weed & Crop using YOLO v5 Algorithm | |
| Poorni et al. | Detection of rice leaf diseases using convolutional neural network | |
| Tang et al. | Feature extraction and recognition based on machine vision application in lotus picking robot | |
| Banoth et al. | Soil Image Classification Using Transfer Learning Approach: MobileNetV2 with CNN | |
| Liu | Application of data visualization and big data analysis in intelligent agriculture | |
| Binh et al. | Detection and diagnosis gray spots on tea leaves using computer vision and multi-layer perceptron | |
| Ali et al. | A COMPARATIVE STUDY OF DEEP LEARNING TECHNIQUES FOR BOLL ROT DISEASE DETECTION IN COTTON CROPS |
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: 20191203 |