CN110889420A - 植物类别识别方法及系统 - Google Patents
植物类别识别方法及系统 Download PDFInfo
- Publication number
- CN110889420A CN110889420A CN201811045964.2A CN201811045964A CN110889420A CN 110889420 A CN110889420 A CN 110889420A CN 201811045964 A CN201811045964 A CN 201811045964A CN 110889420 A CN110889420 A CN 110889420A
- Authority
- CN
- China
- Prior art keywords
- plant
- preset
- spectral data
- category
- target
- 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
Images
Classifications
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供了一种植物类别识别方法及系统,在获取目标区域内目标植物在特征波长处的光谱数据后,将特征波长处的光谱数据作为输入项,输入至预设贝叶斯判别模型,由预设贝叶斯判别模型对光谱数据进行识别,进而输出目标植物所属的类别。该方法采用光谱技术与预设贝叶斯判别模型相结合的方法识别目标植物,分析结果可靠,为精确识别农田中杂草以便针对性施用除草剂提供了技术支持。同时,由于仅仅利用目标植物在特征波长处的的光谱数据,大大减小了数据获取的难度,提高了识别的速度。
Description
技术领域
本发明实施例涉及分类识别技术领域,更具体地,涉及植物类别识别方法及系统。
背景技术
棉花是我国主要的纤维作物,其种植和产量长期位居前列,但是棉田受杂草危害比较严重。由于田间杂草分布较广、传播方式多、繁殖与再生能力强、对棉花等农作物的危害严重。在棉花的生长过程中,杂草与其争夺养料、水分、阳光以及生长空间,妨碍了棉花作物通风、增加土壤局部温度,从而影响棉花的生长发育,降低其产量和质量,更严重的是,杂草易成为病菌或害虫的中间寄主,促进病虫害的发生,造成无法估计的损失,因此有效去除棉田杂草对于保证棉花的产量和质量有重要的现实意义。
目前已知的棉田除草方法主要是化学除草,其使用高效快捷,简操作单易上手,但是传统的化学除草采用大面积均匀施药的方式,并不能够实现定量喷施,虽然能够有效除草,但是除草剂的有效利用率低,且严重污染农业生态环境。因此,现急需提供一种植物类别识别方法及系统,用以准确识别棉田中的棉花和杂草,进而有针对性的去除花生田间的杂草,同时提高除草剂的利用率,减少除草剂用量,降低化学药剂对环境的污染。
发明内容
为克服上述问题或者至少部分地解决上述问题,本发明实施例提供了一种植物类别识别方法及系统。
第一方面,本发明实施例提供了一种植物类别识别方法,包括:
S1,获取目标区域内目标植物在特征波长处的光谱数据;
S2,将所述光谱数据输入至预设贝叶斯判别模型中,由所述预设贝叶斯判别模型输出所述目标植物所属的类别。
第二方面,本发明实施例提供了一种植物类别识别系统,包括:
光谱数据获取模块,用于获取目标区域内目标植物在特征波长处的光谱数据;
类别确定模块,用于将所述光谱数据输入至预设贝叶斯判别模型中,由所述预设贝叶斯判别模型输出所述目标植物所属的类别。
第三方面,本发明实施例提供了一种电子设备,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口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,以执行第一方面提供的植物类别识别方法。
第四方面,本发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行第一方面提供的植物类别识别方法。
本发明实施例提供的一种植物类别识别方法及系统,在获取目标区域内目标植物在特征波长处的光谱数据后,将特征波长处的光谱数据作为输入项,输入至预设贝叶斯判别模型,由预设贝叶斯判别模型对光谱数据进行识别,进而输出目标植物所属的类别。该方法采用光谱技术与预设贝叶斯判别模型相结合的方法识别目标植物,分析结果可靠,为精确识别农田中杂草以便针对性施用除草剂提供了技术支持。同时,由于仅仅利用目标植物在特征波长处的的光谱数据,大大减小了数据获取的难度,提高了识别的速度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种植物类别识别方法的流程示意图;
图2为本发明实施例提供的一种植物类别识别方法中植物样本集内所有类别的植物样本的光谱数据曲线图;
图3为本发明实施例提供的一种植物类别识别方法得到的分类散点图;
图4为本发明实施例提供的一种植物类别识别系统的结构示意图;
图5为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明实施例的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明实施例和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明实施例的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明实施例的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明实施例中的具体含义。
如图1所示,本发明一实施例提供了一种植物类别识别方法,包括:S1,获取目标区域内目标植物在特征波长处的光谱数据;S2,将所述光谱数据输入至预设贝叶斯判别模型中,由所述预设贝叶斯判别模型输出所述目标植物所属的类别。
具体地,本发明实施例中所说的目标区域是指需要进行分类的固定区域,该区域内包括目标植物。例如对于农田来说,目标植物的类别可以是农田中的农作物,也可以是农田中的杂草。当目标植物的类别为农田中的农作物时,目标植物作为保留对象,当目标植物的类别为农田中的杂草时,则目标植物作为剔除对象。
需要说明的是,光谱数据是指能够区分不同类别的数据,由于不同类别的植物,对于光谱的吸收与反射能力并不相同,因此可以通过不同植物的光谱数据对植物进行分类识别。本发明实施例中光谱数据表征目标植物在不同波长下的光谱反射率。由于整个光谱波段范围内的光谱数据对识别植物类别的贡献有大有小,为提高辨别植物类别的准确性以及减少处理的数据量,可直接获取特征波长处的光谱数据。
特征波长是指最能体现不同类别的植物之间差异的光谱数据所处的波长,获取特征波长处的光谱数据进行后续的类别识别,可以使识别的结果更准确并减少处理的数据量。
在获取目标区域内目标植物在特征波长处的光谱数据后,将特征波长处的光谱数据作为输入项,输入至预设贝叶斯判别模型,由预设贝叶斯判别模型对光谱数据进行识别,进而输出目标植物所属的类别。本发明实施例中采用的预设贝叶斯判别模型是一种经目标区域内植物样本训练后得到的二分类模型,是一种基于机器学习算法实现的模型,预设贝叶斯判别模型的理论基础为贝叶斯公式。通过预设贝叶斯判别模型可以准确确定出输入的光谱数据对应的目标植物所属的类别。
本发明实施例中提供的植物类别识别方法,在获取目标区域内目标植物在特征波长处的光谱数据后,将特征波长处的光谱数据作为输入项,输入至预设贝叶斯判别模型,由预设贝叶斯判别模型对光谱数据进行识别,进而输出目标植物所属的类别。该方法采用光谱技术与预设贝叶斯判别模型相结合的方法识别目标植物,分析结果可靠,为精确识别农田中杂草以便针对性施用除草剂提供了技术支持。同时,由于仅仅利用目标植物在特征波长处的的光谱数据,大大减小了数据获取的难度,提高了识别的速度。
在上述实施例的基础上,本发明实施例中提供的植物类别识别方法,所述特征波长通过如下方法确定:
确定所述目标区域内的第一植物样本集,并分别获取所述第一植物样本集中每一植物样本在预设波段内的光谱数据;
基于逐步回归分析法,在所述预设波段内的光谱数据中选取有效特征光谱数据,并将所述有效特征光谱数据对应的波长作为所述特征波长。
具体地,本发明实施例中引入逐步回归分析法,采用逐步回归分析法确定特征波长。
选取目标区域内的第一植物样本集,第一植物样本集中包括多个植物样本,植物样本的类别包括第一类别和第二类别,其中可以将第一类别作为目标植物所属的类别,也可以将第二类别作为目标植物所属的类别。这里的第一类别可以为花生,第二类别可以是杂草。
获取第一植物样本集中每一植物样本在预设波段内的光谱数据,其中预设波段具体可以为正常光谱仪能够测量的光谱范围,例如可以为400nm-2300nm。获取光谱数据的方式可以采用便携式光谱分析仪获取,便携式光谱分析仪可以采用ASD便携式光谱分析仪。
由于预设波段范围内的光谱数据的数据量非常庞大,因此需要对预设波段范围内的光谱数据进行筛选,剔除掉预设波段范围内对后续植物识别贡献较小的光谱数据。本发明实施例中采用逐步回归分析法对光谱数据进行降维,在预设波段内的光谱数据中选取有效特征光谱数据,并将有效特征光谱数据对应的波长作为特征波长。采用逐步回归分析法可以减少数据分析时的复杂运算,提高了识别的速度和效率,为杂草识别技术提供了良好的基础。
本发明实施例中确定的特征波长具体包括:307nm、413nm、758nm、1102nm和1411nm。还可以包括584nm和587nm。
在上述实施例的基础上,本发明实施例中提供的植物类别识别方法,所述S1具体包括:
通过便携式光谱分析仪,采集所述目标植物在预设波段内的光谱数据,并从所述预设波段内的光谱数据中提取所述特征波长处的光谱数据;其中,所述特征波长处于所述预设波段内。
在上述实施例的基础上,本发明实施例中提供的植物类别识别方法,S2之前还包括:
确定所述目标区域内的第二植物样本集,并分别获取所述第二植物样本集内每一植物样本所属的类别,以及每一植物样本在所述特征波长处的光谱数据;
将每一植物样本在所述特征波长处的光谱数据作为输入,每一植物样本所属的类别作为输出,对所述预设贝叶斯判别模型进行训练,直至所述预设贝叶斯判别模型的准确率达到预设准确率,结束训练。
具体地,本发明实施例中提供的植物类别识别方法中在使用预设贝叶斯判别模型之前,需要对预设贝叶斯判别模型进行训练。具体训练的方法是基于交叉验证的方法实现。首先在目标区域内确定第二植物样本集,并分别获取第二植物样本集内每一植物样本所属的类别,以及每一植物样本在特征波长处的光谱数据。将每一植物样本在特征波长处的光谱数据作为输入,每一植物样本所属的类别作为输出,对预设贝叶斯判别模型进行训练,直至预设贝叶斯判别模型的准确率达到预设准确率,结束训练。
在上述实施例的基础上,所述目标区域为棉花农田,所述目标植物为棉花植株或杂草。
具体地,由于现有的去除棉花农田里杂草的方法是化学除草,化学除草大面积均匀喷洒化学药剂,容易造成环境污染、土壤化学残留,严重污染农业生态环境,在有效防除棉花田间杂草的生态效果上不理想,不能很好地防除棉花田间杂草。因此将本发明实施例中提供的植物类别识别方法应用于棉花农田中用以识别棉花植株或杂草。本发明实施例中以目标植物为棉花植株为例进行说明,植物样本集内植物样本的类别可包括棉花植株和杂草,杂草又可具体细分为多种类别。则上述实施例中得到的植物样本集内所有类别的植物样本的光谱数据曲线如图2所示,图2中曲线由上到下依次为棉花植株1、一类杂草2、二类杂草3和三类杂草4。图2中横坐标为波长(nm),纵坐标为光谱反射率(即光谱数据)。
从得到的光谱数据中提取出特征波长处的光谱数据,并输入至预设贝叶斯判别模型中,输出目标植物所属的类别,得到的散点图如图3所示。图3中每一组同心圆内包括的圆点表示一种植物的类别,从图3中可以看出,本发明实施例中提供的植物类别识别方法可以很好的实现判别出目标植物的类别。图3中横坐标为波长(um),纵坐标为光谱反射率(即光谱数据)。
如图4所示,在上述实施例的基础上,本发明实施例中还提供了一种植物类别识别系统,包括:光谱数据获取模块41和类别确定模块42。其中,
光谱数据获取模块41用于获取目标区域内目标植物在特征波长处的光谱数据;
类别确定模块42用于将所述光谱数据输入至预设贝叶斯判别模型中,由所述预设贝叶斯判别模型输出所述目标植物所属的类别。
具体地,本发明实施例中所说的目标区域是指需要进行分类的固定区域,该区域内包括目标植物。例如对于农田来说,目标植物的类别可以是农田中的农作物,也可以是农田中的杂草。当目标植物的类别为农田中的农作物时,目标植物作为保留对象,当目标植物的类别为农田中的杂草时,则目标植物作为剔除对象。
需要说明的是,光谱数据是指能够区分不同类别的数据,由于不同类别的植物,对于光谱的吸收与反射能力并不相同,因此可以通过不同植物的光谱数据对植物进行分类识别。本发明实施例中光谱数据表征目标植物在不同波长下的光谱反射率。由于整个光谱波段范围内的光谱数据对识别植物类别的贡献有大有小,为提高辨别植物类别的准确性以及减少处理的数据量,可直接获取特征波长处的光谱数据。
特征波长是指最能体现不同类别的植物之间差异的光谱数据所处的波长,由光谱数据获取模块41获取特征波长处的光谱数据进行后续的类别识别,可以使识别的结果更准确并减少处理的数据量。
在光谱数据获取模块41获取目标区域内目标植物在特征波长处的光谱数据后,类别确定模块42将特征波长处的光谱数据作为输入项,输入至预设贝叶斯判别模型,由预设贝叶斯判别模型对光谱数据进行识别,进而输出目标植物所属的类别。本发明实施例中采用的预设贝叶斯判别模型是一种经目标区域内植物样本训练后得到的二分类模型,是一种基于机器学习算法实现的模型,预设贝叶斯判别模型的理论基础为贝叶斯公式。通过预设贝叶斯判别模型可以准确确定出输入的光谱数据对应的目标植物所属的类别。
本发明实施例中提供的植物类别识别系统,在获取目标区域内目标植物在特征波长处的光谱数据后,将特征波长处的光谱数据作为输入项,输入至预设贝叶斯判别模型,由预设贝叶斯判别模型对光谱数据进行识别,进而输出目标植物所属的类别。该系统采用光谱技术与预设贝叶斯判别模型相结合的方法识别目标植物,分析结果可靠,为精确识别农田中杂草以便针对性施用除草剂提供了技术支持。同时,由于仅仅利用目标植物在特征波长处的的光谱数据,大大减小了数据获取的难度,提高了识别的速度。
在上述实施例的基础上,本发明实施例中提供的植物类别识别系统中还包括特征波长确定模块,特征波长确定模块具体包括样本光谱数据获取子模块和波长确定子模块。样本光谱数据获取子模块用于确定所述目标区域内的第一植物样本集,并分别获取所述第一植物样本集中每一植物样本在预设波段内的光谱数据;波长确定子模块用于基于逐步回归分析法,在所述预设波段内的光谱数据中选取有效特征光谱数据,并将所述有效特征光谱数据对应的波长作为所述特征波长。
在上述实施例的基础上,本发明实施例中提供的植物类别识别系统中,光谱数据获取模块41具体用于:
通过便携式光谱分析仪,采集所述目标植物在预设波段内的光谱数据,并从所述预设波段内的光谱数据中提取所述特征波长处的光谱数据;
其中,所述特征波长处于所述预设波段内。
在上述实施例的基础上,本发明实施例中提供的植物类别识别系统中,还包括:训练模块;训练模块用于:
确定所述目标区域内的第二植物样本集,并分别获取所述第二植物样本集内每一植物样本所属的类别,以及每一植物样本在所述特征波长处的光谱数据;
将每一植物样本在所述特征波长处的光谱数据作为输入,每一植物样本所属的类别作为输出,对所述预设贝叶斯判别模型进行训练,直至所述预设贝叶斯判别模型的准确率达到预设准确率,结束训练。
具体地,本发明实施例中提供的植物类别识别系统中各模块的功能与作用以及实现的效果与上述方法类实施例是一一对应的,本发明实施例中在此不再赘述。
如图5所示,在上述实施例的基础上,本发明实施例中还提供了一种电子设备,包括:处理器(processor)501、存储器(memory)502、通信接口(Communications Interface)503和总线504;其中,
所述处理器501、存储器502、通信接口503通过总线504完成相互间的通信。通信接口503用于该电子设备与显示装置的通信设备之间的信息传输。处理器501用于调用存储器502中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:S1,获取目标区域内目标植物在特征波长处的光谱数据;S2,将所述光谱数据输入至预设贝叶斯判别模型中,由所述预设贝叶斯判别模型输出所述目标植物所属的类别。
存储器502中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在上述实施例的基础上,本发明实施例中还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:S1,获取目标区域内目标植物在特征波长处的光谱数据;S2,将所述光谱数据输入至预设贝叶斯判别模型中,由所述预设贝叶斯判别模型输出所述目标植物所属的类别。
以上所描述的装置实施例仅仅是示意性的,其中所述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所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种植物类别识别方法,其特征在于,包括:
S1,获取目标区域内目标植物在特征波长处的光谱数据;
S2,将所述光谱数据输入至预设贝叶斯判别模型中,由所述预设贝叶斯判别模型输出所述目标植物所属的类别。
2.根据权利要求1所述的植物类别识别方法,其特征在于,所述特征波长通过如下方法确定:
确定所述目标区域内的第一植物样本集,并分别获取所述第一植物样本集中每一植物样本在预设波段内的光谱数据;
基于逐步回归分析法,在所述预设波段内的光谱数据中选取有效特征光谱数据,并将所述有效特征光谱数据对应的波长作为所述特征波长。
3.根据权利要求1所述的植物类别识别方法,其特征在于,所述S1具体包括:
通过便携式光谱分析仪,采集所述目标植物在预设波段内的光谱数据,并从所述预设波段内的光谱数据中提取所述特征波长处的光谱数据;
其中,所述特征波长处于所述预设波段内。
4.根据权利要求1所述的植物类别识别方法,其特征在于,S2之前还包括:
确定所述目标区域内的第二植物样本集,并分别获取所述第二植物样本集内每一植物样本所属的类别,以及每一植物样本在所述特征波长处的光谱数据;
将每一植物样本在所述特征波长处的光谱数据作为输入,每一植物样本所属的类别作为输出,对所述预设贝叶斯判别模型进行训练,直至所述预设贝叶斯判别模型的准确率达到预设准确率,结束训练。
5.根据权利要求1-4中任一项所述的植物类别识别方法,其特征在于,所述目标区域为棉花农田,所述目标植物为棉花植株或杂草。
6.根据权利要求5所述的植物类别识别方法,其特征在于,所述特征波长具体包括:307nm、413nm、758nm、1102nm和1411nm。
7.根据权利要求6所述的植物类别识别方法,其特征在于,所述特征波长还包括:584nm和587nm。
8.一种植物类别识别系统,其特征在于,包括:
光谱数据获取模块,用于获取目标区域内目标植物在特征波长处的光谱数据;
类别确定模块,用于将所述光谱数据输入至预设贝叶斯判别模型中,由所述预设贝叶斯判别模型输出所述目标植物所属的类别。
9.一种电子设备,其特征在于,包括:
至少一个处理器、至少一个存储器、通信接口和总线;其中,
所述处理器、存储器、通信接口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,以执行如权利要求1至7任一项所述的植物类别识别方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至7中任一项所述的植物类别识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811045964.2A CN110889420A (zh) | 2018-09-07 | 2018-09-07 | 植物类别识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811045964.2A CN110889420A (zh) | 2018-09-07 | 2018-09-07 | 植物类别识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889420A true CN110889420A (zh) | 2020-03-17 |
Family
ID=69744743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811045964.2A Pending CN110889420A (zh) | 2018-09-07 | 2018-09-07 | 植物类别识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889420A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488929A (zh) * | 2020-04-09 | 2020-08-04 | 深圳数联天下智能科技有限公司 | 识别布料类别的方法、装置、计算设备及计算机存储介质 |
CN111523587A (zh) * | 2020-04-17 | 2020-08-11 | 中国科学院植物研究所 | 一种基于机器学习的木本植物物种光谱识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102661920A (zh) * | 2012-04-11 | 2012-09-12 | 东北林业大学 | 一种对杂草进行分类识别的装置和方法 |
WO2013002349A1 (ja) * | 2011-06-29 | 2013-01-03 | 富士通株式会社 | 植物種識別装置、方法およびプログラム |
CN106846334A (zh) * | 2017-01-19 | 2017-06-13 | 江南大学 | 基于支持向量数据描述的田间玉米植株识别方法 |
CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
-
2018
- 2018-09-07 CN CN201811045964.2A patent/CN110889420A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013002349A1 (ja) * | 2011-06-29 | 2013-01-03 | 富士通株式会社 | 植物種識別装置、方法およびプログラム |
CN102661920A (zh) * | 2012-04-11 | 2012-09-12 | 东北林业大学 | 一种对杂草进行分类识别的装置和方法 |
CN106846334A (zh) * | 2017-01-19 | 2017-06-13 | 江南大学 | 基于支持向量数据描述的田间玉米植株识别方法 |
CN108256568A (zh) * | 2018-01-12 | 2018-07-06 | 宁夏智启连山科技有限公司 | 一种植物种类识别方法以及装置 |
Non-Patent Citations (2)
Title |
---|
白敬等: "基于光谱特性分析的冬油菜苗期田间杂草识别", 《农业工程学报》 * |
陈树人等: "基于光谱分析技术的作物中杂草识别研究", 《光谱学与光谱分析》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488929A (zh) * | 2020-04-09 | 2020-08-04 | 深圳数联天下智能科技有限公司 | 识别布料类别的方法、装置、计算设备及计算机存储介质 |
CN111488929B (zh) * | 2020-04-09 | 2023-08-29 | 深圳数联天下智能科技有限公司 | 识别布料类别的方法、装置、计算设备及计算机存储介质 |
CN111523587A (zh) * | 2020-04-17 | 2020-08-11 | 中国科学院植物研究所 | 一种基于机器学习的木本植物物种光谱识别方法 |
CN111523587B (zh) * | 2020-04-17 | 2024-02-20 | 中国科学院植物研究所 | 一种基于机器学习的木本植物物种光谱识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Di Gennaro et al. | A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard | |
Righi et al. | Capturing farm diversity at regional level to up-scale farm level impact assessment of sustainable development options | |
Ruprecht et al. | Are plasticity in functional traits and constancy in performance traits linked with invasiveness? An experimental test comparing invasive and naturalized plant species | |
CN103955938A (zh) | 一种基于移动互联网模式和叶片颜色分析的小麦生长状态诊断方法 | |
CN102072885A (zh) | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 | |
Zhang et al. | Yield gap and production constraints of mango (Mangifera indica) cropping systems in Tianyang County, China | |
Nagar et al. | A comprehensive survey on pest detection techniques using image processing | |
CN107222682A (zh) | 农作物生长状况检测方法及装置 | |
CN110889420A (zh) | 植物类别识别方法及系统 | |
CN109977901A (zh) | 一种基于无人机遥感的玉米田间杂草识别方法 | |
Korohou et al. | Wheat grain yield estimation based on image morphological properties and wheat biomass | |
Yuan et al. | Research on rice leaf area index estimation based on fusion of texture and spectral information | |
CN106896077A (zh) | 基于叶绿素荧光成像的转基因玉米草甘膦耐受性表型的检测方法 | |
Bevacqua et al. | A climate-driven compartmental model for fungal diseases in fruit orchards: The impacts of climate change on a brown rot-peach system | |
CN102749290B (zh) | 一种樱桃树冠层树枝生长状态的检测方法 | |
Liang et al. | CanopyCAM–an edge-computing sensing unit for continuous measurement of canopy cover percentage of dry edible beans | |
Chauhan et al. | Classification of Nutritional Deficiencies in Cabbage Leave Using Random Forest | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
CN115690580A (zh) | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 | |
CN112949412B (zh) | 小麦条锈病动态监测方法及装置 | |
CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
CN110879953A (zh) | 植物类别识别方法及系统 | |
CN113537604A (zh) | 耦合过程模型和深度学习的农作物产量预测方法及装置 | |
CN102435553A (zh) | 利用光谱指数监测小麦籽粒蛋白质含量的方法 | |
Yang | Modelling phenological development, yield and quality of lucerne (Medicago sativa L.) using APSIM next generation: A thesis submitted in partial fulfillment of the requirement for the Degree of Doctor of Philosophy at Lincoln University |
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: 20200317 |
|
RJ01 | Rejection of invention patent application after publication |