CN110647781A - 一种基于谱图融合的农作物生长信息获取方法及装置 - Google Patents
一种基于谱图融合的农作物生长信息获取方法及装置 Download PDFInfo
- Publication number
- CN110647781A CN110647781A CN201810581324.7A CN201810581324A CN110647781A CN 110647781 A CN110647781 A CN 110647781A CN 201810581324 A CN201810581324 A CN 201810581324A CN 110647781 A CN110647781 A CN 110647781A
- Authority
- CN
- China
- Prior art keywords
- reflectivity
- crop
- wavelength
- pixel
- spectral 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
Landscapes
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于谱图融合的农作物生长信息获取方法及装置,所述方法包括:获取目标区域中农作物冠层在第一波长处的第一光谱图像,并计算所述第一光谱图像中各像素的反射率;计算各所述像素的反射率与所述农作物冠层在所述第一波长处的光谱反射率之间的差值;若所述差值小于预设阈值,则根据各所述像素的反射率获取所述目标区域中农作物的叶面积指数。本发明综合考虑农作物生长信息的光谱反射率和单波段图像中的信息,提高了叶面积指数的精确度,且计算简单。
Description
技术领域
本发明属于农业信息技术领域,更具体地,涉及一种基于谱图融合的农作物生长信息获取方法及装置。
背景技术
方便快速、准确可靠且低成本地获取农作物生长信息是实施精准农业的基础,是实现作物精确管理调控的关键,农作物的生长信息是指农作物的氮含量、叶绿素含量和叶面积指数等。
长期以来,农作物生长信息一般通过田间破坏性采样或室内生化测定进行获取。虽然结果较为可靠,但费时费工、污染环境,且在时空尺度上很难满足实时、快速和无损的要求。近年来,基于反射光谱识别农作物生长信息的无损监测技术由于无破坏性、信息获取方便和实时性好等优点,被广泛用于作物生长指标及估产农学机理的研究中,为作物生长信息的快速感知提供了技术支撑。
目前,多光谱传感器被广泛应用于农作物生成领域,用于测量光照强度,根据对光谱传感器测量的目标区域的农作物冠层光照强度可以计算光谱反射率,从而获取农作物生长参数。此外,现有技术中对农作物的图像进行分析也可以获取农作物生长参数。但由于多光谱传感器获取的光照强度是整个目标区域中光照强度的平均值,而目标区域可能没有被农作物全部覆盖,导致测量的光照反射率不精确。根据农作物的图像获取生长信息的方法一般根据图像的颜色提取农作物冠层特征,根据农作物冠层特征进行获取农作物生长信息,但需要根据人的先验知识或迭代比较不断调整参数以提取更加准确的农作物冠层特征,计算复杂。因此,现有的基于谱图融合的农作物生长信息获取方法计算量大且不精确。
发明内容
为克服上述现有的基于谱图融合的农作物生长信息获取方法计算量大且不精确的问题或者至少部分地解决上述问题,本发明提供一种基于谱图融合的农作物生长信息获取方法及装置。
根据本发明的第一方面,提供一种基于谱图融合的农作物生长信息获取方法,包括:
获取目标区域中农作物冠层在第一波长处的第一光谱图像,并计算所述第一光谱图像中各像素的反射率;
计算各所述像素的反射率与所述农作物冠层在所述第一波长处的光谱反射率之间的差值;
若所述差值小于预设阈值,则根据各所述像素的反射率获取所述目标区域中农作物的叶面积指数。
根据本发明第二方面提供一种基于谱图融合的农作物生长信息获取装置,包括:
第一计算模块,用于计算目标区域中农作物冠层在第一波长处的第一光谱图像中各像素的反射率;
第二计算模块,用于计算各所述像素的反射率与所述农作物冠层在所述第一波长处的光谱反射率之间的差值;
获取模块,用于在所述差值小于预设阈值时,根据各所述像素的反射率获取所述目标区域中农作物的叶面积指数。
根据本发明的第三方面,提供一种基于谱图融合的农作物生长信息获取设备,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如前所述的方法。
本发明提供一种基于谱图融合的农作物生长信息获取方法及装置,该方法通过计算目标区域中农作物冠层在第一波长处的第一光谱图像中各像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值,根据小于预设阈值的差值对应的像素的反射率计算目标区域中农作物的叶面积指数,去除目标区域中非农作物冠层的干扰,综合考虑农作物生长信息的光谱反射率和单波段图像中的信息,提高了叶面积指数的精确度,且计算简单。
附图说明
图1为本发明实施例提供的基于谱图融合的农作物生长信息获取方法整体流程示意图;
图2为本发明实施例提供的基于谱图融合的农作物生长信息获取装置整体结构示意图;
图3为本发明实施例提供的基于谱图融合的农作物生长信息获取设备整体结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
在本发明的一个实施例中提供一种基于谱图融合的农作物生长信息获取方法,图1为本发明实施例提供的基于谱图融合的农作物生长信息获取方法整体流程示意图,该方法包括:S101,获取目标区域中农作物冠层在第一波长处的第一光谱图像,并计算第一光谱图像中各像素的反射率;
其中,目标区域是指需要进行基于谱图融合的农作物生长信息获取的区域。农作物冠层是指农作物群落的稠密顶层。第一波长可以是波长为860nm的近红外波,此时第一光谱图像中的农作物冠层较为清晰。本实施例不限于第一波长的长度。第一光谱图像是指农作物冠层在第一波长处的光谱图像。获取目标区域中农作物冠层反射光在第一波长处的第一光谱图像,第一光谱图像为灰度图像。根据第一光谱图像中各像素的灰度值获取各像素处的反射率。第一光谱图像可以由单波段成像传感器获取。由于现有的摄像头模组中包含红外截止滤光片,它的作用是滤除红外线,因为会感应红外线,从而导致DSP(DigitalSignal Processor,数字信号处理器)无法算出正确颜色,红外截止滤光片会把光线中红外线部份隔开。本实施例中单波段成像传感器的镜头使用第一波长带通滤光片替换摄像头模组中的红外截止滤光片,从而可以采集第一波长处的灰度图像。
S102,计算各像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值;
其中,农作物冠层在第一波段处的光谱反射率根据农作物冠层在第一波段处的反射通路与农作物冠层在第一波段处的入射通量之间的比值获取。对于第一光谱图像中的任一像素,计算该像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值。光谱反射率可以根据多光谱光强传感器捕获的农作物冠层的反射光量获取。一般多光谱光强传感器测量农作物冠层反射光谱中波长为610、680、730、760、810和860nm的光照强度。
S103,若差值小于预设阈值,则根据各像素的反射率计算目标区域中农作物的叶面积指数。
具体地,将各差值与预设阈值进行比较,获取小于预设阈值的差值对应的像素,从而从第一光谱图像中筛选出反射率与农作物冠层在第一波长处的光谱反射率相似的像素。预设阈值根据农作物的生长阶段和种植密度进行设定。由于农作物冠层在第一波长处的光谱反射率为目标区域中农作物冠层的平均光谱反射率,将具有与其相似的反射率的像素作为农作物冠层,仅根据筛选出的农作物冠层的反射率进行叶面积指数的计算,去除目标区域中非农作物冠层的干扰,提高了叶面积指数的精确度。本实施例可用于对农作物生长信息进行无损、实时的检测,为农作物检测和精细化管理提供技术支持。
此外,可以通过以下格式对多光谱光强传感器数据进行保存:
#<type>,<sum>,<C1>,<C2>,<C3>,<C4>,<C5>,<C6>,<L><numbeT>,
其中,type表示对象类型,包括标准白板和农作物冠层,用于表示叶面积指数是标准白板的还是农作物冠层的。sum表示数据长度,C1到C6表示在波长C1到C6处的光照强度采集值,number为唯一标识,L为叶面积指数。第一光谱图像的存储格式可以为“.jpg”。文件命名格式可以为“number.jpg”,其中number表示拍摄次数。
本实施例通过计算目标区域中农作物冠层在第一波长处的第一光谱图像中各像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值,根据小于预设阈值的差值对应的像素的反射率计算目标区域中农作物的叶面积指数,去除目标区域中非农作物冠层的干扰,综合考虑农作物生长信息的光谱反射率和单波段图像中的信息,提高了叶面积指数的精确度,且计算简单。
在上述实施例的基础上,本实施例中计算第一光谱图像中各像素的反射率的步骤具体包括:获取标准白板在第一波长处的第二光谱图像;其中,第二光谱图像与第一光谱图像的尺寸相同;根据第一光谱图像、第二光谱图像和第一预设修正系数,获取第一光谱图像中各像素的反射率;其中,第一光谱图像和第二光谱图像为灰度图像。
其中,标准白板用于反射率测量的标准漫反射参考物,可以由不同材料制成。获取标准白板在第一波长处的第二光谱图像。第二光谱图像和第一光谱图像的尺寸相同。第一预设修正系数为获取第一光谱图像的传感器中预先设定的修正系数。根据第一光谱图像、第二光谱图像和第一预设修正系数获取第一光谱图像中各像素的反射率。其中,第一光谱图像和第二光谱图像为灰度图像。
在上述实施例的基础上,本实施例中通过以下公式根据第一光谱图像、第二光谱图像和第一预设修正系数,获取第一光谱图像中各像素的反射率:
其中,T(i,j)为第一光谱图像中坐标为(i,j)的像素的反射率,H′(i,j)为第一光谱图像中坐标为(i,j)的像素的灰度值,H(i,j)为第二光谱图像中坐标为(i,j)的像素的灰度值,K1为第一预设修正系数。
在上述实施例的基础上,本实施例中根据各像素的反射率计算目标区域中农作物的叶面积指数的步骤具体包括:将各像素的反射率相加,获取各像素的反射率总和;根据反射率总和与第一光谱图像中像素的总个数之间的比值,获取目标区域中农作物的叶面积指数。
具体地,计算第一光谱图像中各像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值。若差值小于预设阈值,则将小于预设阈值的差值对应的像素的反射率相加,获取各像素的反射率总和。根据反射率总和与第一光谱图像中像素的总个数之间的比值,获取目标区域中农作物的叶面积指数LAI。公式如下:
其中,K3为第三预设修正系数,i为第一光谱图像的高度,j为第一光谱图像的宽度。T′(i,j)为第一光谱图像中小于预设阈值的差值对应的像素的反射率。
在上述实施例的基础上,本实施例中在计算各像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值之前还包括通过以下公式获取农作物冠层在第一波长处的光谱反射率:
其中,P1为农作物冠层在第一波长处的光谱反射率,U1′为农作物冠层在第一波长处的光照强度,U1为标准白板在第一波长处的光照强度,K2为第二预设修正系数。
在上述各实施例的基础上,本实施例中根据各像素的反射率计算目标区域中农作物的叶面积指数的步骤之后还包括:根据农作物冠层在一个或多个第二波长处的光谱反射率,获取农作物的植被指数;根据叶面积指数,对植被指数进行修正。
具体地,农作物的植被指数可以为NDVI(NDVI(NormalizedDifferenceVegetation Index,归一化差分植被指数),本实施例不限于此种植被指数。NDVI的计算公式为其中,NIR为农作物冠层在近红外波长处的光谱反射率,近红外波长可以为860nm的波长。R为农作物冠层在红光处的反射率,红光的波长可以为610nm。由于农作物冠层的光谱反射率是整个目标区域的光谱反射率,而目标区域很可能没有全部被农作物冠层覆盖,因此直接根据光谱反射率计算出的NDVI不精确。本实施例中根据目标区域中农作物的叶面积指数LAI,对目标区域中农作物的植被指数进行修正得到修正后的植被指数NDVIT,公式为:NDVIT=NDVI*LAI。此外,对植被指数进行修正所使用的叶面积指数还可以是其他方法获取的叶面积指数,比如仅通过农作物冠层的光谱图像进行分析获取的叶面积指数。
在上述各实施例的基础上,本实施例中根据叶面积指数,对植被指数进行修正的步骤之后还包括:根据修正后的植被指数,获取农作物的叶绿素含量和氮素含量。
具体地,根据修正后的植被指数NDVIT获取农作物的叶绿素含量Y的公式为Y=a1*NDVIT+b1。对于不同种类的农作物,a1和b1的取值不同。a1和b1根据实验获取,具体进行两次实验,对农作物的叶绿素含量进行测量。根据计算出的NDVIT和测量的叶绿素含量,获取a1和b1的值。根据修正后的植被指数NDVIT获取农作物的氮素含量D的公式为D=a2*NDVIT+b2。对于不同种类的农作物,a2和b2的取值不同。a2和b2根据实验获取,具体进行两次实验,对农作物的氮素含量进行测量。根据计算出的NDVIT和测量的氮素含量,获取a2和b2的值。
在本发明的另一个实施例中提供一种基于谱图融合的农作物生长信息获取装置,该装置用于实现前述各实施例中的方法。因此,在前述各方法实施例中的描述和定义,可以用于本发明实施例中各个执行模块的理解。图2为本发明实施例提供的基于谱图融合的农作物生长信息获取装置整体结构示意图,该装置包括第一计算模块201、第二计算模202和获取模块203,其中:
第一计算模块201用于计算目标区域中农作物冠层在第一波长处的第一光谱图像中各像素的反射率;第二计算模块202用于计算各像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值;获取模块203用于在差值小于预设阈值时,根据各像素的反射率计算目标区域中农作物的叶面积指数。
在上述实施例的基础上,还包括多光谱光强传感器和单波段成像传感器;其中,多光谱光强传感器用于获取标准白板和农作物冠层在第一波长处的光照强度,以供第二计算模块根据标准白板和农作物冠层在第一波长处的光照强度计算农作物冠层的光谱反射率;单波段成像传感器包括带通滤光片,单波段成像传感器用于获取农作物冠层在第一波长处的第一光谱图像。
其中,单波段成像传感器根据多光谱光强传感器的数据从而自适应调整相机采集参数。将获取到的数据实时的存储到内置的存储卡中。单波段成像传感器采用OpenMV Cam进行开发,OpenMV Cam是一款小型、低功耗的微控制器板,可以轻松实现使用机器视觉的应用。使用高级Python脚本编程OpenMV Cam,可以处理机器视觉算法的复杂输出并使用高级数据结构,同时可以触发外部事件拍摄图像和视频,或执行机器视觉算法。本实施例通过对OpenMV Cam摄像头进行改装处理,将摄像头结构中的近红外截止滤光片更换成带通滤光片,从而使得OpenMV Cam可以拍摄带通波段的照片。OpenMV Cam的程序利用Python在OpenMV IDE平台进行开发,主要完成与主控制芯片的通讯,以及图像的采集和存储。
在上述实施例的基础上,本实施例中第一计算模块具体用于:获取标准白板在第一波长处的第二光谱图像;其中,第二光谱图像与第一光谱图像的尺寸相同;根据第一光谱图像、第二光谱图像和第一预设修正系数,获取第一光谱图像中各像素的反射率;其中,第一光谱图像和第二光谱图像为灰度图像。
在上述实施例的基础上,本实施例中第一计算模块具体过以下公式根据第一光谱图像、第二光谱图像和第一预设修正系数,获取第一光谱图像中各像素的反射率:
其中,T(i,j)为第一光谱图像中坐标为(i,j)的像素的反射率,H′(i,j)为第一光谱图像中坐标为(i,j)的像素的灰度值,H(i,j)为第二光谱图像中坐标为(i,j)的像素的灰度值,K1为第一预设修正系数。
在上述实施例的基础上,本实施例中获取模块具体用于:将各像素的反射率相加,获取各像素的反射率总和;根据反射率总和与第一光谱图像中像素的总个数之间的比值,获取目标区域中农作物的叶面积指数。
在上述实施例的基础上,本实施例中还包括第三计算模块,用于通过以下公式获取农作物冠层在第一波长处的光谱反射率:
其中,P1为农作物冠层在第一波长处的光谱反射率,U1′为农作物冠层在第一波长处的光照强度,U1为标准白板在第一波长处的光照强度,K2为第二预设修正系数。
在上述各实施例的基础上,本实施例中还包括修正模块,用于根据农作物冠层在一个或多个第二波长处的光谱反射率,获取农作物的植被指数;根据叶面积指数,对植被指数进行修正。
在上述实施例的基础上,本实施例中还包括第四计算模块,用于根据修正后的植被指数,获取农作物的叶绿素含量和氮素含量。
本实施例通过计算目标区域中农作物冠层在第一波长处的第一光谱图像中各像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值,根据小于预设阈值的差值对应的像素的反射率计算目标区域中农作物的叶面积指数,去除目标区域中非农作物冠层的干扰,综合考虑农作物生长信息的光谱反射率和单波段图像中的信息,提高了叶面积指数的精确度,且计算简单。
本实施例提供一种基于谱图融合的农作物生长信息获取设备,图3为本发明实施例提供的基于谱图融合的农作物生长信息获取设备整体结构示意图,该设备包括:至少一个处理器301、至少一个存储器302和总线303;其中,
处理器301和存储器302通过总线303完成相互间的通信;
存储器302存储有可被处理器301执行的程序指令,处理器调用程序指令能够执行上述各方法实施例所提供的方法,例如包括:获取目标区域中农作物冠层在第一波长处的第一光谱图像,并计算第一光谱图像中各像素的反射率;计算各像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值;若差值小于预设阈值,则根据各像素的反射率获取目标区域中农作物的叶面积指数。
本实施例提供一种非暂态计算机可读存储介质,非暂态计算机可读存储介质存储计算机指令,计算机指令使计算机执行上述各方法实施例所提供的方法,例如包括:获取目标区域中农作物冠层在第一波长处的第一光谱图像,并计算第一光谱图像中各像素的反射率;计算各像素的反射率与农作物冠层在第一波长处的光谱反射率之间的差值;若差值小于预设阈值,则根据各像素的反射率获取目标区域中农作物的叶面积指数。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的基于谱图融合的农作物生长信息获取设备实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于谱图融合的农作物生长信息获取方法,其特征在于,包括:
获取目标区域中农作物冠层在第一波长处的第一光谱图像,并计算所述第一光谱图像中各像素的反射率;
计算各所述像素的反射率与所述农作物冠层在所述第一波长处的光谱反射率之间的差值;
若所述差值小于预设阈值,则根据各所述像素的反射率获取所述目标区域中农作物的叶面积指数。
2.根据权利要求1所述的方法,其特征在于,计算所述第一光谱图像中各像素的反射率的步骤具体包括:
获取标准白板在所述第一波长处的第二光谱图像;其中,所述第二光谱图像与所述第一光谱图像的尺寸相同;
根据所述第一光谱图像、所述第二光谱图像和第一预设修正系数,获取所述第一光谱图像中各像素的反射率;其中,所述第一光谱图像和所述第二光谱图像为灰度图像。
4.根据权利要求1所述的方法,其特征在于,根据各所述像素的反射率获取所述目标区域中农作物的叶面积指数的步骤具体包括:
将各所述像素的反射率相加,获取各所述像素的反射率总和;
根据所述反射率总和与所述第一光谱图像中像素的总个数之间的比值,获取所述目标区域中农作物的叶面积指数。
6.根据权利要求1-5任一所述的方法,其特征在于,根据各所述像素的反射率获取所述目标区域中农作物的叶面积指数的步骤之后还包括:
根据所述农作物冠层在一个或多个第二波长处的光谱反射率,获取所述农作物的植被指数;
根据所述叶面积指数,对所述植被指数进行修正。
7.根据权利要求6所述的方法,其特征在于,根据所述叶面积指数,对所述植被指数进行修正的步骤之后还包括:
根据修正后的所述植被指数,获取所述农作物的叶绿素含量和氮素含量。
8.一种基于谱图融合的农作物生长信息获取装置,其特征在于,包括:
第一计算模块,用于计算目标区域中农作物冠层在第一波长处的第一光谱图像中各像素的反射率;
第二计算模块,用于计算各所述像素的反射率与所述农作物冠层在所述第一波长处的光谱反射率之间的差值;
获取模块,用于在所述差值小于预设阈值时,根据各所述像素的反射率获取所述目标区域中农作物的叶面积指数。
9.根据权利要求8所述的装置,其特征在于,还包括多光谱光强传感器和单波段成像传感器;
其中,多光谱光强传感器用于获取标准白板和所述农作物冠层在所述第一波长处的光照强度,以供所述第二计算模块根据所述标准白板和所述农作物冠层在所述第一波长处的光照强度计算所述农作物冠层的光谱反射率;
所述单波段成像传感器包括带通滤光片,所述单波段成像传感器用于获取所述农作物冠层在第一波长处的第一光谱图像。
10.一种基于谱图融合的农作物生长信息获取设备,其特征在于,包括:
至少一个处理器、至少一个存储器和总线;其中,
所述处理器和存储器通过所述总线完成相互间的通信;
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810581324.7A CN110647781B (zh) | 2018-06-07 | 2018-06-07 | 一种基于谱图融合的农作物生长信息获取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810581324.7A CN110647781B (zh) | 2018-06-07 | 2018-06-07 | 一种基于谱图融合的农作物生长信息获取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110647781A true CN110647781A (zh) | 2020-01-03 |
CN110647781B CN110647781B (zh) | 2022-03-18 |
Family
ID=69008557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810581324.7A Active CN110647781B (zh) | 2018-06-07 | 2018-06-07 | 一种基于谱图融合的农作物生长信息获取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110647781B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700347A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度生长曲线的生成方法、装置和存储介质 |
CN114862846A (zh) * | 2022-07-04 | 2022-08-05 | 武汉精立电子技术有限公司 | 一种筛分方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130182911A1 (en) * | 2010-12-02 | 2013-07-18 | Nec Corporation | Leaf area index measurement system, device, method, and program |
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN106408606A (zh) * | 2016-03-18 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数空间尺度转换方法及装置 |
CN107807125A (zh) * | 2017-10-12 | 2018-03-16 | 中国农业大学 | 基于无人机载多光谱传感器的植物信息计算系统及方法 |
-
2018
- 2018-06-07 CN CN201810581324.7A patent/CN110647781B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130182911A1 (en) * | 2010-12-02 | 2013-07-18 | Nec Corporation | Leaf area index measurement system, device, method, and program |
CN105303063A (zh) * | 2015-12-03 | 2016-02-03 | 武汉大学 | 融合物候数据与遥感数据的叶面积指数反演方法及系统 |
CN106408606A (zh) * | 2016-03-18 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种叶面积指数空间尺度转换方法及装置 |
CN107807125A (zh) * | 2017-10-12 | 2018-03-16 | 中国农业大学 | 基于无人机载多光谱传感器的植物信息计算系统及方法 |
Non-Patent Citations (1)
Title |
---|
刘良云: "叶面积指数遥感尺度效应与尺度纠正", 《遥感学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700347A (zh) * | 2020-12-31 | 2021-04-23 | 广州极飞科技有限公司 | 农作物高度生长曲线的生成方法、装置和存储介质 |
CN114862846A (zh) * | 2022-07-04 | 2022-08-05 | 武汉精立电子技术有限公司 | 一种筛分方法、装置、设备及存储介质 |
CN114862846B (zh) * | 2022-07-04 | 2022-10-25 | 武汉精立电子技术有限公司 | 一种筛分方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110647781B (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Troscianko et al. | Image calibration and analysis toolbox–a free software suite for objectively measuring reflectance, colour and pattern | |
Liu et al. | Estimating leaf area index using unmanned aerial vehicle data: shallow vs. deep machine learning algorithms | |
CN110166704B (zh) | 多光谱相机的校准方法及装置 | |
RU2018143340A (ru) | Распознавание сорняка в естественной среде | |
Brusa et al. | Increasing the precision of canopy closure estimates from hemispherical photography: Blue channel analysis and under-exposure | |
AU2018415972B2 (en) | Information retrieval system and program | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
JP2012196167A (ja) | 植物種識別方法 | |
KR102410124B1 (ko) | 다중 분광 영상을 이용한 식생 지수 검출 장치 및 방법 | |
Dell et al. | Detection of necrotic foliage in a young Eucalyptus pellita plantation using unmanned aerial vehicle RGB photography–a demonstration of concept | |
CN110647781B (zh) | 一种基于谱图融合的农作物生长信息获取方法及装置 | |
Chianucci et al. | Continuous observations of forest canopy structure using low-cost digital camera traps | |
WO2021084907A1 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
Sunoj et al. | Digital image analysis estimates of biomass, carbon, and nitrogen uptake of winter cereal cover crops | |
WO2021056297A1 (zh) | 图像处理方法、设备、无人机、系统和存储介质 | |
AU2021204034B2 (en) | Information processing device, information processing method and program | |
McCarthy et al. | Automated variety trial plot growth and flowering detection for maize and soybean using machine vision | |
Jabari et al. | Improving UAV imaging quality by optical sensor fusion: an initial study | |
CN109459405B (zh) | 基于窄带图像处理去除土壤背景干扰的光谱指数测量方法 | |
KR20180137842A (ko) | 농작물 작황분석을 위한 분광 카메라 시스템 제작 방법 | |
WO2021109120A1 (zh) | 作物生长状况评估方法和装置 | |
US10768097B2 (en) | Analyzer, image capturing apparatus that acquires color information, analyzing method, and storage medium | |
Busuioceanu et al. | Evaluation of the CASSI-DD hyperspectral compressive sensing imaging system | |
Wang | Estimating forest attributes from spherical images | |
Vasas et al. | Recording animal-view videos of the natural world using a novel camera system and software package |
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 |