CN110533595A - 一种作物病虫害空间动态分布监测的方法和系统 - Google Patents
一种作物病虫害空间动态分布监测的方法和系统 Download PDFInfo
- Publication number
- CN110533595A CN110533595A CN201910826049.5A CN201910826049A CN110533595A CN 110533595 A CN110533595 A CN 110533595A CN 201910826049 A CN201910826049 A CN 201910826049A CN 110533595 A CN110533595 A CN 110533595A
- Authority
- CN
- China
- Prior art keywords
- crop
- region
- monitored
- disease
- picture dot
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 95
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 95
- 238000009826 distribution Methods 0.000 title claims abstract description 85
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 45
- 241000238631 Hexapoda Species 0.000 title claims abstract description 40
- 238000002310 reflectometry Methods 0.000 claims abstract description 60
- 238000012937 correction Methods 0.000 claims abstract description 13
- 241000607479 Yersinia pestis Species 0.000 claims description 34
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 claims description 28
- 230000036541 health Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 230000003862 health status Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 241001464837 Viridiplantae Species 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000011161 development Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 241001116459 Sequoia Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 208000015181 infectious disease Diseases 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 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 2
- 230000007423 decrease Effects 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000243771 Bursaphelenchus xylophilus Species 0.000 description 1
- 244000025254 Cannabis sativa Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种作物病虫害空间动态分布监测的方法和系统,属于作物病虫害监测技术领域,方法包括:利用无人机搭载多光谱相机获取待监测区域的多张连续的多光谱影像;将多张连续的多光谱影像分别进行拼接、辐射校正和去噪处理,获得待监测区域的地表反射率影像图;根据获得的待监测区域的地表反射率影像图计算地表反射率归一化植被指数NDVI。本发明通过多光谱相机获取待监测区域的多张连续的多光谱影像,然后分别进行拼接、辐射校正和去噪处理,最后获得地表反射率归一化植被指数NDVI,判断效率高,准确率高。
Description
技术领域
本发明涉及作物病虫害监测技术领域,更具体地,涉及一种作物病虫害空间动态分布监测的方法和系统。
背景技术
作物病虫害现已凸显为制约农业生产的主要因素。中国是病虫害多发的国家,其受灾范围广、程度严重已经对农业生产造成了直接重大经济损失。因此,应用先进的病虫害监测技术,及早发现病虫害,监测病虫害的发生发展状况,在关键生育期采取科学有效的防治手段,将有利于保障农产品质量安全,实现农业的可持续发展。
传统的病虫害监测方法采用田间定点监测或随机调查的方式,直接用肉眼观测病害或者用捕捉害虫的方法判断病虫害发生的可能性。传统方法有主观性强、信息滞后、效率低下等缺点,不能实时客观提供宏观的指导建议。
因此提供一种可实时监测,判断效率高,准确率高,可以有效准确的从待监测区域确定病害位置的作物病虫害空间动态分布监测的方法和系统,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明提供了一种作物病虫害空间动态分布监测的方法和系统,以解决现有技术中作物监测存在主观性强、信息滞后、效率低下等技术问题。
本发明提供的一种作物病虫害空间动态分布监测的方法,包括:
利用无人机搭载多光谱相机获取待监测区域的多张连续的多光谱影像;
将多张连续的多光谱影像分别进行拼接、辐射校正和去噪处理,获得待监测区域的地表反射率影像图;
根据获得的待监测区域的地表反射率影像图计算地表反射率归一化植被指数其中NIR表示近红外波段的反射率,R表示红光波段的反射率;
以归一化植被指数NDVI作为判断作物是否健康及病虫害严重程度的依据,NDVI值越高,表明作物越健康。
优选的,在以归一化植被指数NDVI判断作物是否健康及病虫害严重程度完成之后,还包括依据待监测区域的作物病虫害健康情况,对待监测区域的死作物和病作物总数、分布以及小班信息进行统计。
优选的,在利用无人机搭载多光谱相机获取待监测区域的多张连续的多光谱影像之前,还包括依据设定的无人机飞行要求高度H和待监测区域的高程信息,确定无人机拍摄航线;
待监测区域的高程信息包括待监测区域最高点和最低点的海拔高度,且待监测区域最高点的海拔高度为A,待监测区域最低点的海拔高度为B;
若H>A-B,则无人机在待监测区域按照H+B的海拔高度飞行;
若H≤A-B,则将待监测区域按照海拔高度划分为M个区域,在第i个区域内按照i*H+B的海拔高度飞行,其中,第i个区域内的最高点的高度值与待监测区域最低点的海拔高度B的差值为N,且(i-1)*H≤N<i*H,1≤i≤M,M、i为正整数。
优选的,去噪处理的方法包括:
根据获取的待监测区域多张连续的多光谱影像对地物颜色特征进行分类训练,对待分类图像样本中所有像素点进行地物颜色特征提取;
从地物颜色特征提取后的待分类图像样本中筛选出符合多级病害作物特征的目标象元集合;
对符合多级病作物特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病作物特征的目标象元集合中去除;
根据病作物分布特征对符合多级病作物特征的目标象元集合实施二次去噪,去掉非作物区的大面积噪点;
根据林区背景对符合多级病作物特征的目标象元集合实施三次去噪。
进一步优选的,对地物颜色特征提取后的待分类图像样本中筛选出符合多级病害作物特征的目标象元集合,具体包括:
过滤出NDVI取值在0.3-0.6范围之间的象元作为第一集合;
从剩余象元集合中继续过滤出比值植被指数RVI取值在1.5-3.0范围之内的象元作为第二集合,其中,比值植被指数比值植被指数RVI是绿色植物的灵敏指示参数,用于检测和估算植物生物量;
从上一步剩余集合样本中过滤出差值植被指数DVI取值在180-420范围之内的象元作为第三集合,其中,差值植被指数DVI=NIR-R;
以第一集合、第二集合、第三集合的并集作为符合多级病害作物特征的目标象元集合。
基于同一发明构思,本发明还提供了一种作物病虫害空间动态分布监测的系统,包括:
图像采集单元,通过将多光谱相机搭载在无人机上,按照设定的航线对待监测区域进行航拍,获得多张连续的多光谱影像;
第一图像处理单元,用于将无人机获取的多光谱影像分别进行拼接和校正,获得待监测区域的地表反射率影像图;
第二图像处理单元,用于从地表反射率影像图获取待监测区域中同一位置的地表反射率归一化植被指数NDVI,构建待监测区域的归一化植被指数反射率影像图;
去噪处理单元,包括:颜色特征分类提取模块,用于根据获取待的监测区域多张连续的多光谱影像的地物颜色特征进行分类训练,对待分类图像样本中所有像素点进行地物颜色特征提取;象元筛选模块,用于从地物颜色特征提取后的待分类图像样本中筛选出符合多级病害作物特征的目标象元集合;第一去噪模块,用于对符合多级病作物特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病作物特征的目标象元集合中去除;第二去噪模块,用于根据病作物分布特征对符合多级病作物特征的目标象元集合实施二次去噪,去掉非作物区的大面积噪点;第三去噪模块,用于根据作物区背景对符合多级病作物特征的目标象元集合实施三次去噪。
作物指标确定单元,用于从反射率影像图中分别选取K棵死作物和健康作物所在的位置,并从待监测区域的地表反射率影像图中获取K棵死作物以及K棵健康作物的NDVI值,确定K棵死作物的NDVI均值C以及K棵健康作物的NDVI均值D,K≥2,K为正整数;
分析单元,依据作物指标确定单元获得的C、D,对第二图像处理单元获得的归一化植被指数反射率影像图进行作物病害分析,获得待监测区域的作物健康状况;
从归一化植被指数反射率影像图中,依次得到待监测区域中各位置x的NDVI值NDVI(x),当0≤NDVI(x)≤C时,位于x位置的作物为死作物;当C<NDVI(x)<D时,位于x位置的作物为病作物;当D≤NDVI(x)≤1时,位于x位置的作物为健康作物。
优选的,还包括统计单元,在分析单元以归一化植被指数NDVI判断作物是否健康及病虫害严重程度完成之后,统计单元依据待监测区域的作物健康状况,对待监测区域的死作物和病作物总数、分布以及小班信息进行统计。
优选的,还包括飞行高度规划单元,在图像采集单元通过将多光谱相机搭载在无人机上,按照设定的航线对待监测区域进行航拍,获得多张连续的多光谱影像之前,飞行高度规划单元依据设定的无人机飞行要求高度H和待监测区域的高程信息,确定无人机拍摄航线;
利用高程信息采集单元获取待监测区域的高程信息,待监测区域的高程信息包括待监测区域最高点的海拔高度A和待监测区域最低点的海拔高度B;
若H>A-B,则无人机在待监测区域按照H+B的海拔高度飞行;
若H≤A-B,则将待监测区域按照海拔高度划分为M个区域,在第i个区域内按照i*H+B的海拔高度飞行,其中,第i个区域内的最高点的高度值与待监测区域最低点的海拔高度B的差值为N,且(i-1)*H≤N<i*H,1≤i≤M,M、i为正整数。
优选的,象元筛选模块包括以下功能单元:
NDVI取值过滤单元,用于过滤出NDVI取值在0.3-0.6范围之间的象元作为第一集合;
RVI取值过滤单元,用于从剩余象元集合中继续过滤出RVI取值在1.5-3.0范围之内的象元作为第二集合;
DVI取值过滤单元,用于从上一步剩余集合样本中过滤出DVI取值在180-420范围之内的象元作为第三集合;
最终过滤单元,用于将以上第一集合、第二集合、第三集合并集得到符合多级病害作物特征的目标象元集合。
优选的,第一去噪模块包括以下功能单元:
簇分配单元,用于遍历所有目标象元集合,从上下左右四个方向寻找预设值以内的相邻象元集合;如果集合结果不为空,则将同一集合内象元分配同一个簇;如果集合为空即认为是单点,则设簇编号为0;
聚类单元,用于对于相邻的两个或两个以上象元设置聚类规则及类别的判别函数,输出聚类后的簇中心。
与现有技术相比,本发明提供的一种作物病虫害空间动态分布监测的方法和系统,至少实现了如下的有益效果:
本发明通过多光谱相机获取待监测区域的多张连续的多光谱影像,然后分别进行拼接、辐射校正和去噪处理,最后获得地表反射率归一化植被指数NDVI,判断效率高,准确率高,通过对可见光反射率影像图和归一化植被指数反射率影像图进行分析,可实时监测,可以有效准确的从待监测区域确定病害位置。
当然,实施本发明的任一产品不必特定需要同时达到以上的所有技术效果。
通过以下参照附图对本发明的示例性实施例的详细描述,本发明的其它特征及其优点将会变得清楚。
附图说明
被结合在说明书中并构成说明书的一部分的附图示出了本发明的实施例,并且连同其说明一起用于解释本发明的原理。
图1是本发明实施例提供的一种作物病虫害空间动态分布监测的方法流程图;
图2是本发明实施例提供的一种作物病虫害空间动态分布监测的系统框图;
图3是以地面实际调查结果作为真值对作物病虫害空间动态分布的监测结果进行评价的监测结果评价图。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它例子可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
请参考图1,图1是本发明实施例提供的一种作物病虫害空间动态分布监测的方法流程图,本实施例中,作物病虫害空间动态分布监测的方法,包括:
S1、利用无人机搭载多光谱相机获取待监测区域的多张连续的多光谱影像;
S2、将多张连续的多光谱影像分别进行拼接、辐射校正和去噪处理,获得待监测区域的地表反射率影像图;
S3、根据获得的待监测区域的地表反射率影像图计算地表反射率归一化植被指数其中NIR表示近红外波段的反射率,R表示红光波段的反射率;
S4、以归一化植被指数NDVI作为判断作物是否健康及病虫害严重程度的依据,NDVI值越高,表明作物越健康,反之,NDVI值越低,表明作物可能受病虫害的影响的可能性越高。
具体而言,本实施例提供的作物病虫害空间动态分布监测的方法,包括如下步骤:
(1)首先利用大疆M210无人机搭载Parrot Sequoia多光谱相机采集作物田的多张连续的多光谱影像。Sequoia是专为农业应用而设计的多光谱传感器,它基于三项主要标准而设计:精度高、尺寸小重量轻、操作简便。Sequoia传感器为适应所有类型的遥控飞机而设计,如旋翼、多转片及能在稳定或非稳定平台起飞的遥控飞机。使用Sequoia传感器可在测量植被状况时获得农业地块的多光谱图像:绿光(波长550nm、带宽40nm)、红光(波长660nm、带宽40nm)、红边光(波长735nm、带宽10nm)和近红外光(波长790nm、带宽40nm)。
(2)将多张连续的多光谱影像分别进行拼接、辐射校正和去噪处理,获得待监测区域的地表反射率影像图。
具体的去噪处理方法包括:
S21、根据获取待的监测区域多张连续的多光谱影像的地物颜色特征进行分类训练,对待分类图像样本中所有像素点进行地物颜色特征提取。
具体的,首先利用几何纠正、辐射校正、和大气校正等方法的对原始影像数据进行预处理。将原始影像数据的DN值转换为辐射亮度或大气外层表面反射率,消除传感器本身产生的误差;然后将辐射亮度或者表观反射率转换为地表实际反射率,以消除大气散射、吸收、反射引起的误差;最后将不同时间、不同波段所获得的同一地区的图像数据,经几何变换使同名像点在位置上和方位上完全叠合形成待分类图像样本。然后对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据作物病死的不同阶段状态对地物颜色特征进行分类,并生成训练样本和多条参数规则。根据作物状态分为:前期感染、中期感染、后期感染和死亡作物四类,对已验证的病虫害树波谱信息分别进行地物颜色特征提取,根据作物病死木的不同阶段状态对地物颜色特征进行分类,在此基础上生成训练样本和多条参数规则,目的是为病虫害树样本识别提供学习方法:为了获得的规则具有普遍性,随机选取的病虫害树样本至少大于2000;对不同波段的波谱值进行数字或逻辑运算组合提取得到相应的参数规则根据获取的待监测区域多张连续的多光谱影像对地物颜色特征的分类训练,对待分类图像样本中所有像素点进行地物颜色特征提取;NDVI的数值被限定在[-1,1]之间,负值表示地面覆盖为云、水、雪等,对可见光高反射;0表示有岩石或裸土等,NIR和R近似相等;正值,表示有植被覆盖,且随覆盖度增大而增大。通过NDVI值可以反映出不同生长状况的农作物之间的差异,即可以区分健康和病虫害的作物。最后利用上述训练样本和多条参数规则对待分类图像样本中所有像素点进行地物颜色特征提取。
S22、从地物颜色特征提取后的待分类图像样本中筛选出符合多级病害作物特征的目标象元集合,该目标象元集合包括目标区、裸土、水体、公路、房屋建筑、绿草麦田、岩石公路、林中阴影等地物。具体包括:
过滤出NDVI取值在0.3-0.6范围之间的象元作为第一集合;
从剩余象元集合中继续过滤出比值植被指数RVI取值在1.5-3.0范围之内的象元作为第二集合,其中,比值植被指数比值植被指数RVI是绿色植物的灵敏指示参数,用于检测和估算植物生物量;其中,剩余象元集合指NDVI取值不在0.3-0.6范围之间的象元的集合;
从上一步剩余集合样本中过滤出差值植被指数DVI取值在180-420范围之内的象元作为第三集合,其中,差值植被指数DVI=NIR-R;其中,上一步剩余集合样本指NDVI取值不在0.3-0.6范围之间且比值植被指数RVI取值不在1.5-3.0范围之间的象元的总集合;
以第一集合、第二集合、第三集合的并集作为最后的筛选结果,即符合多级病害作物特征的目标象元集合。
S23、对符合多级病作物特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病作物特征的目标象元集合中去除;具体包括:
遍历所有目标象元集合,从上下左右四个方向寻找预设值以内的相邻象元集合;
如果集合结果不为空,则将同一集合内象元分配同一个簇;如果集合为空即认为是单点,则设簇编号为0;其中,初始预设值设为25-30。
对于相邻的两个或两个以上象元设置聚类规则及类别的判别函数,输出聚类后的簇中心;聚类规则及类别的判别函数分别为合并规则和范围判别函数,范围判别函数定义方法使用kNN或者极大似然法均可,kNN算法即邻近算法,或者说k最近邻(kNN,k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一,所谓k最近邻,就是k个最近的邻居的意思,说的是每个样本都可以用它最接近的k个邻居来代表。kNN算法的核心思想是如果一个样本在特征空间中的k个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性,该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。kNN方法在类别决策时,只与极少量的相邻样本有关。由于kNN方法主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别的,因此对于类域的交叉或重叠较多的待分样本集来说,kNN方法较其他方法更为适合。KNN算法不仅可以用于分类,还可以用于回归,通过找出一个样本的k个最近邻居,将这些邻居的属性的平均值赋给该样本,就可以得到该样本的属性。
极大似然法是求未知参数点估计的一种重要方法,思路是设一随机试验已知有若干个结果a,b,c,…,如果在一次试验中a发生了,则可认为当时的条件最有利于a发生,故应如此选择分布的参数,使发生a的概率最大。合并规则定义如下:判断两个聚类集合中的元素是否存在交集,如果存在则将其合并成为一个新的簇;计算每一个簇成员的预设值范围内的邻居数(预设值默认取值为10),密度最多的点输出为簇中心。
S24、根据病作物分布特征对符合多级病作物特征的目标象元集合实施二次去噪,去掉非作物区的大面积噪点,例如枯草地等非目标物体。具体方法如下:
基于目标点的分布特征,计算一定面积范围内(如100个象元)聚合出的分类数量;
由于病树零星分散的可能性较小,如果计算出的分类数量大于10以上则认为该区域不符合林区内病树的分布特征,区域内的目标样本点被视为噪点。
S25、根据林区背景对符合多级病作物特征的目标象元集合实施三次去噪,避免产生类似作物区边缘的误判情况;
(3)根据获得的待监测区域的地表反射率影像图计算地表反射率归一化植被指数
其中NIR表示近红外波段的反射率,R表示红光波段的反射率;
(4)以归一化植被指数NDVI作为判断作物是否健康及病虫害严重程度的依据,NDVI值越高,表明作物越健康;反之,NDVI值越低,表明作物可能受病虫害的影响。
NDVI是植被生长状态及植被覆盖度的最佳指示因子,通过统计从反射率影像图中选取的多棵明显病树的NDVI值的平均值C,以及多棵明显健康树木的NDVI值的平均值D。作为通过待监测区域NDVI反射率影像图分析待监测区域植物健康状态的依据,可快速找到待监测区域内的病树及死作物。
依据获得的C、D,对获得的归一化植被指数反射率影像图进行作物病害监测,获得待监测区域的树木健康状况;
从归一化植被指数反射率影像图中,依次得到待监测区域中各位置x的NDVI值NDVI(x),当0≤NDVI(x)≤C时,位于x位置的树木为死树;当C<NDVI(x)<D时,位于x位置的树木为病树;当D≤NDVI(x)≤1时,位于x位置的树木为健康树木。
本发明实施例通过多光谱相机获取待监测区域的多张连续的多光谱影像,然后分别进行拼接、辐射校正和去噪处理,最后获得地表反射率归一化植被指数NDVI,判断效率高,准确率高。本实施例利用GIS(地理信息系统,Geographic Information System,有时又称为地学信息系统,是一个获取、存储、编辑、处理、分析和显示地理数据的空间信息系统,其核心是用计算机来处理和分析地理信息。地理信息系统软件技术是一类军民两用技术,不仅应用于军事领域、资源调查、环境评估等方面,也应用于地域规划,公共设施管理、交通、电信、城市建设、能源、电力、农业等国民经济的重要部分)和RS集成技术(即遥感技术,Remote Sensing,是指从高空或外层空间接收来自地球表层各类地理的电磁波信息,并通过对这些信息进行扫描、摄影、传输和处理,从而对地表各类地物和现象进行远距离控测和识别的现代综合技术,可用于植被资源调查、作物产量估测、病虫害预测等方面)对病虫害的空间动态分布进行监测,由于当作物受到病虫害侵害时,植被冠层的变化表现为叶子脱落、枯萎、覆满害虫、被吞噬等,生理上则表现为叶绿素含量降低,正常的光合作用减弱直至衰退,生长发育受到影像,严重时甚至死亡,因此遥感可通过传感器探测作物反射及发射能量的电磁波谱特征来监测作物生长情况。通过对可见光反射率影像图和归一化植被指数反射率影像图进行分析,可准确并且快速的获得待监测区域的病树和死树信息,病树和死树信息包括但不限于待监测区域的病树和死树总数、分布以及地理信息和小班信息。
需要说明的是,在作物上,每一片林场分为很多个小班,是一种组织单位,当发现一棵死树或病树后,该树木可能携带松材线虫等传播性较强的作物病害时,此时需要及时将这棵死树处理掉,这棵树的地理位置是已知的,它所对应的小班(即归哪个小班负责)就是已知的,从而能够有效遏制病虫害的蔓延。
在一些可选实施例中,在对待监测作物区域进行图像拍摄时,由于待监测区域中的海拔可能存在差异,因此在利用无人机搭载多光谱相机获取待监测区域的多张连续的多光谱影像之前,还需要对不同区域的海拔高度,对无人机的飞行高度进行如下控制,确保无人机所获得清楚完整的图像。
判断图像质量的技术指标有多种,如图像分辨率、图像比例尺等。根据对无人机所采集的数据的用途不同、功能不同等,对图像的质量要求也不同。在图像质量的要求已确定时,根据无人机所搭载的双光相机的像素、飞行的航向重叠率、旁向重叠率等参数,结合现有的计算方法可计算出无人机的飞行标准要求高度H。
确定待监测区域的高程信息;
高程指的是某点沿铅垂线方向到绝对基面的距离,称绝对高程,简称高程。以海平面为绝对基面的高程为海拔高程,也称作海拔高度。确定待监测区域的高程信息,主要是确定待监测区域的最高点的海拔高度A和最低点的海拔高度B;
依据设定的无人机飞行要求高度H和待监测区域的高程信息,确定无人机拍摄航线;其中,无人机飞行要求高度应满足图像质量要求,或优于图像质量要求;
待监测区域的高程信息包括待监测区域最高点的海拔高度A和最低点的海拔高度B;
若H>A-B,则无人机在待监测区域按照H+B的海拔高度飞行;
若H≤A-B,则将待监测区域按照海拔高度划分为M个区域,在第i个区域内按照i*H+B的海拔高度飞行,其中,第i个区域内的最高点的高度值与B的差值为N,且(i-1)*H≤N<i*H,1≤i≤M,M、i为正整数。举例来说,待监测区域最高点的海拔高程值A为700米,最低点的海拔高程值B为100米,通过计算得出H为932米,则海拔高程差A-B=600米<H,此时,无人机在整个待监测区域按照932米的与最低点B的相对高度,即1032米(H+B)的海拔高度进行飞行作业即可;
若待监测区域最高点的海拔高度A为1400米,最低点的海拔高度B为100米,则最高点与最低点的海拔高度差为1300米,若计算得出飞机飞行要求高度H为932米,则H≤A-B,此时,若将待监测区域分为三个区域,第1个区域最高点的高度值与B的差应为N1,0≤N1<932,无人机在第一个区域按照1032(即H+B)米的海拔高度飞行;第二个区域最高点与B的差值为N2,则932≤N2<1864,则无人机在第二个区域按照2H+B(1964米)的海拔高度飞行;第三个区域最高点与B的差值为N3,则1864≤N3<2796,则无人机在第三个区域按照3H+B(2896米)的海拔高度飞行。
需要说明的是,在划分区域时,第i个区域的最低高度值应大于(i-1)*H+B,才能使得无人机采集到的所有待监测区域的数据都满足既定的图像质量。但是在实际应用中,由于监测面积广阔、地势复杂,出现小部分区域不能满足图像质量的问题不可避免。
以上对本发明的一种作物病虫害空间动态分布监测方法进行了阐述,在一些可选实施例中,请参考图2,图2是本发明实施例提供的一种作物病虫害空间动态分布监测的系统框图,本实施例的一种作物病虫害空间动态分布监测的系统,包括:
图像采集单元10,通过将多光谱相机搭载在无人机上,按照设定的航线对待监测区域进行航拍,获得多张连续的多光谱影像;
第一图像处理单元20,用于将无人机获取的多光谱影像分别进行校正和拼接,获得待监测区域的地表反射率影像图;
第二图像处理单元30,用于从地表反射率影像图获取待监测区域中同一位置的地表反射率归一化植被指数NDVI,构建待监测区域的归一化植被指数反射率影像图;
去噪处理单元40,包括:颜色特征分类提取模块,用于根据获取待的监测区域多张连续的多光谱影像的地物颜色特征进行分类训练,对待分类图像样本中所有像素点进行地物颜色特征提取;象元筛选模块,用于从地物颜色特征提取后的待分类图像样本中筛选出符合多级病害作物特征的目标象元集合;第一去噪模块,用于对符合多级病作物特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病作物特征的目标象元集合中去除;第二去噪模块,用于根据病作物分布特征对符合多级病作物特征的目标象元集合实施二次去噪,去掉非作物区的大面积噪点;第三去噪模块,用于根据作物区背景对符合多级病作物特征的目标象元集合实施三次去噪,避免产生类似作物区边缘的误判情况。
作物指标确定单元50,用于从反射率影像图中分别选取K棵死作物和健康作物所在的位置,并从待监测区域的地表反射率影像图中获取K棵死作物以及K棵健康作物的NDVI值,确定K棵死作物的NDVI均值C以及K棵健康作物的NDVI均值D,K≥2,K为正整数;
分析单元60,依据作物指标确定单元获得的C、D,对第二图像处理单元获得的归一化植被指数反射率影像图进行作物病害分析,获得待监测区域的作物健康状况;
从归一化植被指数反射率影像图中,依次得到待监测区域中各位置x的NDVI值NDVI(x),当0≤NDVI(x)≤C时,位于x位置的作物为死作物;当C<NDVI(x)<D时,位于x位置的作物为病作物;当D≤NDVI(x)≤1时,位于x位置的作物为健康作物。
其中,还包括统计单元70,在分析单元60以归一化植被指数NDVI判断作物是否健康及病虫害严重程度完成之后统计单元70依据待监测区域的作物健康状况,对待监测区域的死作物和病作物总数、分布以及小班信息进行统计。
其中,还包括飞行高度规划单元80,在图像采集单元10通过将多光谱相机搭载在无人机上,按照设定的航线对待监测区域进行航拍,获得多张连续的多光谱影像之前,飞行高度规划单元80依据设定的无人机飞行要求高度H和待监测区域的高程信息,确定无人机拍摄航线;
利用高程信息采集单元获取待监测区域的高程信息包括待监测区域最高点和最低点的海拔高度分别为A和B;
若H>A-B,则无人机在待监测区域按照H+B的海拔高度飞行;
若H≤A-B,则将待监测区域按照海拔高度划分为M个区域,在第i个区域内按照i*H+B的海拔高度飞行,其中,第i个区域内的最高点的高度值与B的差值为N,且(i-1)*H≤N<i*H,1≤i≤M,M、i为正整数。
其中,象元筛选模块包括以下功能单元:
NDVI取值过滤单元,用于过滤出NDVI取值在0.3-0.6范围之间的象元作为第一集合;
RVI取值过滤单元,用于从剩余象元集合中继续过滤出RVI取值在1.5-3.0范围之内的象元作为第二集合;
DVI取值过滤单元,用于从上一步剩余集合样本中过滤出DVI取值在180-420范围之内的象元作为第三集合;
最终过滤单元,用于将以上第一集合、第二集合、第三集合并集得到最后的筛选结果,即符合多级病害作物特征的目标象元集合。
其中,第一去噪模块包括以下功能单元:
簇分配单元,用于遍历所有目标象元集合,从上下左右四个方向寻找预设值以内的相邻象元集合;如果集合结果不为空,则将同一集合内象元分配同一个簇;
如果集合为空即认为是单点,则设簇编号为0;聚类单元,用于对于相邻的两个或两个以上象元设置聚类规则及类别的判别函数,输出聚类后的簇中心。
需要说明的是,本实施例的作物病虫害空间动态分布监测的系统通过多光谱相机获取待监测区域的多张连续的多光谱影像,然后分别进行拼接、辐射校正和去噪处理,最后获得地表反射率归一化植被指数NDVI,判断效率高,准确率高。由于当作物受到病虫害侵害时,植被冠层的变化表现为叶子脱落、枯萎、覆满害虫、被吞噬等,生理上则表现为叶绿素含量降低,正常的光合作用减弱直至衰退,生长发育受到影像,严重时甚至死亡,因此遥感可通过传感器探测作物反射及发射能量的电磁波谱特征来监测作物生长情况,本实施例的作物病虫害空间动态分布监测的系统通过对可见光反射率影像图和归一化植被指数反射率影像图进行分析,可准确并且快速的获得待监测区域的病树和死树信息。
请参考图3,图3是以地面实际调查结果作为真值对作物病虫害空间动态分布的监测结果进行评价的监测结果评价图,运用上述实施例中提出的方法和系统对作物病虫害空间动态分布进行监测,采集影像时无人机飞行高度为50m,获得影像分辨率为5cm,通过计算归一化植被指数NDVI,作为判断作物是否健康及病虫害严重程度的依据,NDVI值越高,表明作物越健康,反之,NDVI值越低,表明作物可能受病虫害的影响的可能性越高。以地面实际调查结果作为真值对作物病虫害空间动态分布的监测结果进行评价,评价结果如图3中虚线标示位置所示,纵坐标准确率达到0.83,横坐标虚警率为0.15,说明上述实施例提供的作物病虫害空间动态分布监测的方法和系统可以有效准确的从待监测区域确定病害位置。
通过上述实施例可知,本发明提供的一种作物病虫害空间动态分布监测的方法和系统,至少实现了如下的有益效果:
本发明通过多光谱相机获取待监测区域的多张连续的多光谱影像,然后分别进行拼接、辐射校正和去噪处理,最后获得地表反射率归一化植被指数NDVI,判断效率高,准确率高,通过对可见光反射率影像图和归一化植被指数反射率影像图进行分析,可实时监测,可以有效准确的从待监测区域确定病害位置。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上例子仅是为了进行说明,而不是为了限制本发明的范围。本领域的技术人员应该理解,可在不脱离本发明的范围和精神的情况下,对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种作物病虫害空间动态分布监测的方法,其特征在于,所述作物病虫害空间动态分布监测的方法包括:
利用无人机搭载多光谱相机获取待监测区域的多张连续的多光谱影像;
将所述多张连续的多光谱影像分别进行拼接、辐射校正和去噪处理,获得所述待监测区域的地表反射率影像图;
根据获得的所述待监测区域的地表反射率影像图计算地表反射率归一化植被指数其中NIR表示近红外波段的反射率,R表示红光波段的反射率;
以归一化植被指数NDVI作为判断作物是否健康及病虫害严重程度的依据,所述NDVI值越高,表明作物越健康。
2.根据权利要求1所述的一种作物病虫害空间动态分布监测的方法,其特征在于,在以归一化植被指数NDVI判断作物是否健康及病虫害严重程度完成之后,还包括依据所述待监测区域的作物病虫害健康情况,对所述待监测区域的死作物和病作物总数、分布以及小班信息进行统计。
3.根据权利要求1所述的一种作物病虫害空间动态分布监测的方法,其特征在于,在所述利用无人机搭载多光谱相机获取待监测区域的多张连续的多光谱影像之前,还包括依据设定的无人机飞行要求高度H和所述待监测区域的高程信息,确定无人机拍摄航线;
所述待监测区域的高程信息包括所述待监测区域最高点和最低点的海拔高度,且所述待监测区域最高点的海拔高度为A,所述待监测区域最低点的海拔高度为B;
若H>A-B,则所述无人机在所述待监测区域按照H+B的海拔高度飞行;
若H≤A-B,则将所述待监测区域按照海拔高度划分为M个区域,在第i个区域内按照i*H+B的海拔高度飞行,其中,第i个区域内的最高点的高度值与所述待监测区域最低点的海拔高度B的差值为N,且(i-1)*H≤N<i*H,1≤i≤M,M、i为正整数。
4.根据权利要求1所述的一种作物病虫害空间动态分布监测的方法,其特征在于,所述去噪处理的方法包括:
根据获取的所述待监测区域多张连续的多光谱影像对地物颜色特征进行分类训练,对待分类图像样本中所有像素点进行地物颜色特征提取;
从地物颜色特征提取后的待分类图像样本中筛选出符合多级病害作物特征的目标象元集合;
对符合多级病作物特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病作物特征的目标象元集合中去除;
根据病作物分布特征对符合多级病作物特征的目标象元集合实施二次去噪,去掉非作物区的大面积噪点;
根据林区背景对符合多级病作物特征的目标象元集合实施三次去噪。
5.根据权利要求4所述的一种作物病虫害空间动态分布监测的方法,其特征在于,所述对地物颜色特征提取后的待分类图像样本中筛选出符合多级病害作物特征的目标象元集合,具体包括:
过滤出所述NDVI取值在0.3-0.6范围之间的象元作为第一集合;
从剩余象元集合中继续过滤出比值植被指数RVI取值在1.5-3.0范围之内的象元作为第二集合,其中,所述比值植被指数所述比值植被指数RVI是绿色植物的灵敏指示参数,用于检测和估算植物生物量;
从上一步剩余集合样本中过滤出差值植被指数DVI取值在180-420范围之内的象元作为第三集合,其中,所述差值植被指数DVI=NIR-R;
以所述第一集合、所述第二集合、所述第三集合的并集作为符合多级病害作物特征的目标象元集合。
6.一种作物病虫害空间动态分布监测的系统,其特征在于,包括:
图像采集单元,通过将多光谱相机搭载在无人机上,按照设定的航线对所述待监测区域进行航拍,获得多张连续的多光谱影像;
第一图像处理单元,用于将所述无人机获取的多光谱影像分别进行拼接和校正,获得所述待监测区域的地表反射率影像图;
第二图像处理单元,用于从所述地表反射率影像图获取所述待监测区域中同一位置的地表反射率归一化植被指数NDVI,构建所述待监测区域的归一化植被指数反射率影像图;
去噪处理单元,包括:颜色特征分类提取模块,用于根据获取待的监测区域多张连续的多光谱影像的地物颜色特征进行分类训练,对待分类图像样本中所有像素点进行地物颜色特征提取;象元筛选模块,用于从地物颜色特征提取后的待分类图像样本中筛选出符合多级病害作物特征的目标象元集合;第一去噪模块,用于对符合多级病作物特征的目标象元集合实施一次去噪,将误判的单点或零星点从符合多级病作物特征的目标象元集合中去除;第二去噪模块,用于根据病作物分布特征对符合多级病作物特征的目标象元集合实施二次去噪,去掉非作物区的大面积噪点;第三去噪模块,用于根据作物区背景对符合多级病作物特征的目标象元集合实施三次去噪;
作物指标确定单元,用于从所述反射率影像图中分别选取K棵死作物和健康作物所在的位置,并从所述待监测区域的地表反射率影像图中获取所述K棵死作物以及所述K棵健康作物的NDVI值,确定所述K棵死作物的NDVI均值C以及所述K棵健康作物的NDVI均值D,K≥2,K为正整数;
分析单元,依据作物指标确定单元获得的C、D,对所述第二图像处理单元获得的归一化植被指数反射率影像图进行作物病害分析,获得所述待监测区域的作物健康状况;
从所述归一化植被指数反射率影像图中,依次得到所述待监测区域中各位置x的NDVI值NDVI(x),当0≤NDVI(x)≤C时,位于x位置的作物为死作物;当C<NDVI(x)<D时,位于x位置的作物为病作物;当D≤NDVI(x)≤1时,位于x位置的作物为健康作物。
7.根据权利要求6所述的一种作物病虫害空间动态分布监测的系统,其特征在于,还包括统计单元,在所述分析单元以归一化植被指数NDVI判断作物是否健康及病虫害严重程度完成之后,所述统计单元依据所述待监测区域的作物健康状况,对所述待监测区域的死作物和病作物总数、分布以及小班信息进行统计。
8.根据权利要求6所述的一种作物病虫害空间动态分布监测的系统,其特征在于,还包括飞行高度规划单元,在所述图像采集单元通过将多光谱相机搭载在无人机上,按照设定的航线对所述待监测区域进行航拍,获得多张连续的多光谱影像之前,所述飞行高度规划单元依据设定的无人机飞行要求高度H和待监测区域的高程信息,确定无人机拍摄航线;
利用高程信息采集单元获取所述待监测区域的高程信息,所述待监测区域的高程信息包括所述待监测区域最高点的海拔高度A和所述待监测区域最低点的海拔高度B;
若H>A-B,则所述无人机在所述待监测区域按照H+B的海拔高度飞行;
若H≤A-B,则将所述待监测区域按照海拔高度划分为M个区域,在第i个区域内按照i*H+B的海拔高度飞行,其中,第i个区域内的最高点的高度值与所述待监测区域最低点的海拔高度B的差值为N,且(i-1)*H≤N<i*H,1≤i≤M,M、i为正整数。
9.根据权利要求6所述的一种作物病虫害空间动态分布监测的系统,其特征在于,所述象元筛选模块包括以下功能单元:
NDVI取值过滤单元,用于过滤出NDVI取值在0.3-0.6范围之间的象元作为第一集合;
RVI取值过滤单元,用于从剩余象元集合中继续过滤出RVI取值在1.5-3.0范围之内的象元作为第二集合;
DVI取值过滤单元,用于从上一步剩余集合样本中过滤出DVI取值在180-420范围之内的象元作为第三集合;
最终过滤单元,用于将以上第一集合、第二集合、第三集合并集得到符合多级病害作物特征的目标象元集合。
10.根据权利要求6所述的一种作物病虫害空间动态分布监测的系统,其特征在于,所述第一去噪模块包括以下功能单元:
簇分配单元,用于遍历所有目标象元集合,从上下左右四个方向寻找预设值以内的相邻象元集合;如果集合结果不为空,则将同一集合内象元分配同一个簇;如果集合为空即认为是单点,则设簇编号为0;
聚类单元,用于对于相邻的两个或两个以上象元设置聚类规则及类别的判别函数,输出聚类后的簇中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910826049.5A CN110533595A (zh) | 2019-09-03 | 2019-09-03 | 一种作物病虫害空间动态分布监测的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910826049.5A CN110533595A (zh) | 2019-09-03 | 2019-09-03 | 一种作物病虫害空间动态分布监测的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110533595A true CN110533595A (zh) | 2019-12-03 |
Family
ID=68666349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910826049.5A Pending CN110533595A (zh) | 2019-09-03 | 2019-09-03 | 一种作物病虫害空间动态分布监测的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533595A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978806A (zh) * | 2019-03-22 | 2019-07-05 | 云南谦实科技有限公司 | 一种基于多光谱成像仪进行线路隐患检查的方法、装置及计算机介质 |
CN112364691A (zh) * | 2020-10-10 | 2021-02-12 | 广东省科学院生态环境与土壤研究所 | 一种烟草病虫害识别方法 |
CN113011266A (zh) * | 2021-02-22 | 2021-06-22 | 宁波市测绘和遥感技术研究院 | 一种天空地一体化松材线虫病疫情遥感监测方法 |
CN113029971A (zh) * | 2021-02-10 | 2021-06-25 | 北京农业信息技术研究中心 | 一种作物冠层氮素监测方法及系统 |
CN114027052A (zh) * | 2021-10-20 | 2022-02-11 | 华南农业大学 | 一种植物生殖发育的光照调控系统 |
CN114062308A (zh) * | 2021-11-15 | 2022-02-18 | 云南省农业科学院甘蔗研究所 | 一种甘蔗蓟马为害甘蔗精确分级方法 |
CN114199788A (zh) * | 2021-12-09 | 2022-03-18 | 中科计算技术西部研究院 | 基于多光谱的病虫害检测识别方法、系统及存储介质 |
CN114399685A (zh) * | 2022-03-25 | 2022-04-26 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
WO2023141793A1 (zh) * | 2022-01-26 | 2023-08-03 | 魏志豪 | 植物健康度评估装置与评估方法 |
CN116577286A (zh) * | 2023-07-11 | 2023-08-11 | 北京市城市规划设计研究院 | 城市腾退空间生态修复实施监测的方法、装置和电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032509A1 (en) * | 2015-07-31 | 2017-02-02 | Accenture Global Services Limited | Inventory, growth, and risk prediction using image processing |
CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
CN108334110A (zh) * | 2018-02-06 | 2018-07-27 | 首欣(北京)科技有限公司 | 一种基于无人机的林业病害监测方法和装置 |
CN108693119A (zh) * | 2018-04-20 | 2018-10-23 | 北京麦飞科技有限公司 | 基于无人机高光谱遥感的病虫害智能察打系统 |
CN108764285A (zh) * | 2018-04-23 | 2018-11-06 | 湖北同诚通用航空有限公司 | 一种基于高分辨率影像的松树病死木识别方法及系统 |
CN108764284A (zh) * | 2018-04-23 | 2018-11-06 | 湖北同诚通用航空有限公司 | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 |
CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
-
2019
- 2019-09-03 CN CN201910826049.5A patent/CN110533595A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170032509A1 (en) * | 2015-07-31 | 2017-02-02 | Accenture Global Services Limited | Inventory, growth, and risk prediction using image processing |
CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
CN108334110A (zh) * | 2018-02-06 | 2018-07-27 | 首欣(北京)科技有限公司 | 一种基于无人机的林业病害监测方法和装置 |
CN108693119A (zh) * | 2018-04-20 | 2018-10-23 | 北京麦飞科技有限公司 | 基于无人机高光谱遥感的病虫害智能察打系统 |
CN108764285A (zh) * | 2018-04-23 | 2018-11-06 | 湖北同诚通用航空有限公司 | 一种基于高分辨率影像的松树病死木识别方法及系统 |
CN108764284A (zh) * | 2018-04-23 | 2018-11-06 | 湖北同诚通用航空有限公司 | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 |
CN109948563A (zh) * | 2019-03-22 | 2019-06-28 | 华南农业大学 | 一种基于深度学习的松材线虫病枯死树检测定位方法 |
Non-Patent Citations (1)
Title |
---|
PARROT派诺特: "parrot sequoia +多光谱相机之奥秘所在", 《HTTPS://WWW.SOHU.COM/A/242933351_716625》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978806A (zh) * | 2019-03-22 | 2019-07-05 | 云南谦实科技有限公司 | 一种基于多光谱成像仪进行线路隐患检查的方法、装置及计算机介质 |
CN112364691B (zh) * | 2020-10-10 | 2024-02-09 | 广东省科学院生态环境与土壤研究所 | 一种烟草病虫害识别方法 |
CN112364691A (zh) * | 2020-10-10 | 2021-02-12 | 广东省科学院生态环境与土壤研究所 | 一种烟草病虫害识别方法 |
CN113029971A (zh) * | 2021-02-10 | 2021-06-25 | 北京农业信息技术研究中心 | 一种作物冠层氮素监测方法及系统 |
CN113011266A (zh) * | 2021-02-22 | 2021-06-22 | 宁波市测绘和遥感技术研究院 | 一种天空地一体化松材线虫病疫情遥感监测方法 |
CN114027052A (zh) * | 2021-10-20 | 2022-02-11 | 华南农业大学 | 一种植物生殖发育的光照调控系统 |
CN114062308A (zh) * | 2021-11-15 | 2022-02-18 | 云南省农业科学院甘蔗研究所 | 一种甘蔗蓟马为害甘蔗精确分级方法 |
CN114199788A (zh) * | 2021-12-09 | 2022-03-18 | 中科计算技术西部研究院 | 基于多光谱的病虫害检测识别方法、系统及存储介质 |
WO2023141793A1 (zh) * | 2022-01-26 | 2023-08-03 | 魏志豪 | 植物健康度评估装置与评估方法 |
CN114399685B (zh) * | 2022-03-25 | 2022-06-21 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
CN114399685A (zh) * | 2022-03-25 | 2022-04-26 | 航天宏图信息技术股份有限公司 | 一种森林病虫害的遥感监测评估方法及装置 |
CN116577286A (zh) * | 2023-07-11 | 2023-08-11 | 北京市城市规划设计研究院 | 城市腾退空间生态修复实施监测的方法、装置和电子设备 |
CN116577286B (zh) * | 2023-07-11 | 2023-09-19 | 北京市城市规划设计研究院 | 城市腾退空间生态修复实施监测的方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533595A (zh) | 一种作物病虫害空间动态分布监测的方法和系统 | |
Zhang et al. | Assessment of defoliation during the Dendrolimus tabulaeformis Tsai et Liu disaster outbreak using UAV-based hyperspectral images | |
Zhang et al. | Orchard management with small unmanned aerial vehicles: A survey of sensing and analysis approaches | |
Nuske et al. | Automated visual yield estimation in vineyards | |
CN106915462A (zh) | 基于多源影像信息的林业病虫害智能识别系统 | |
CN110852262A (zh) | 基于时间序列高分一号遥感影像的农业用地提取方法 | |
Goodbody et al. | Digital aerial photogrammetry for assessing cumulative spruce budworm defoliation and enhancing forest inventories at a landscape-level | |
CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
CN108764284B (zh) | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 | |
CN108267175A (zh) | 一种基于无人机的农作物监测方法和装置 | |
CN108710864B (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
CN109033937B (zh) | 通过无人机影像进行植物数量统计方法及系统 | |
Castillo-Núñez et al. | Delineation of secondary succession mechanisms for tropical dry forests using LiDAR | |
Lin et al. | A review on computer vision technologies applied in greenhouse plant stress detection | |
Xue et al. | Assessment of canopy vigor information from kiwifruit plants based on a digital surface model from unmanned aerial vehicle imagery | |
CN112613338B (zh) | 基于rgb图像融合特征的小麦叶层氮含量估测方法 | |
Jónsson | RGB and Multispectral UAV image classification of agricultural fields using a machine learning algorithm | |
Khuzaimah et al. | Application and potential of drone technology in oil palm plantation: Potential and limitations | |
Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
CN110135310A (zh) | 一种基于单变量特征选择方法的农作物遥感识别方法 | |
CN117575835A (zh) | 基于无人机航拍的茶园长势监控系统及方法 | |
CN116740378B (zh) | 一种基于图像处理的园林病虫害评价系统 | |
Zhou et al. | A framework for precisely thinning planning in a managed pure Chinese fir forest based on UAV remote sensing | |
CN114694020B (zh) | 一种棉花蚜虫遥感预报模型的构建方法 | |
CN110096970A (zh) | 基于wv3卫星影像的松林变色立木单株标识方法 |
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 |
Application publication date: 20191203 |
|
RJ01 | Rejection of invention patent application after publication |