CN111339921A - 基于轻量级卷积神经网络的病虫害检测无人机及检测方法 - Google Patents
基于轻量级卷积神经网络的病虫害检测无人机及检测方法 Download PDFInfo
- Publication number
- CN111339921A CN111339921A CN202010113357.6A CN202010113357A CN111339921A CN 111339921 A CN111339921 A CN 111339921A CN 202010113357 A CN202010113357 A CN 202010113357A CN 111339921 A CN111339921 A CN 111339921A
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- area
- pest
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 61
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 61
- 238000001514 detection method Methods 0.000 title claims abstract description 31
- 241000238631 Hexapoda Species 0.000 title claims abstract description 27
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 21
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 71
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000005507 spraying Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 5
- 230000000007 visual effect Effects 0.000 claims description 24
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 239000003814 drug Substances 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 239000000575 pesticide Substances 0.000 abstract description 8
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Abstract
本发明公开了一种基于轻量级卷积神经网络的病虫害检测无人机及检测方法，首先利用无人机在农场上空进行巡航，并通过搭载的相机采集农作物图像；并对农作物图像进行预处理分割为像素较小的图像；然后，采用轻量级卷积神经网络对图像进行分析，实时判断农作物是否患有某种病症或出现虫害现象；如果判断农作物存在病虫害现象，则无人机停留此区域上空，自适应调节高度，计算目标区域面积，返回实时坐标至控制中心，若判断没有出现病虫害现象，则继续巡查。本发明能对目标植株进行定位，利用撒药无人机进行定点定量喷洒，节约了人力成本系统成本，减少了农药用量，并且可以在出现病虫害态势之时将其发现，防止其蔓延造成更大损失，具有极高的应用价值。
Description
技术领域
本发明属于复杂神经网络技术领域，具体涉及一种基于轻量级卷积神经网络的农作物病虫害检测无人机及检测方法。
背景技术
随着社会的快速发展，大农场化的种植方式将越来越普及化。农场化的种植方式不仅方便大型农业机械的使用，使农业种植方式机械化、便利化，减轻农民的工作量。而且农场方式使各家各户的土地合并在一起，增大了耕地面积，提高土地利用率。但是农场化种植也存在着待解决的问题——病虫害的防治。
由于传统的检测病虫害方式为人工作业，所以在耕地面积增长的情况下，难免暴露出劳作时间长、成本高、效率低等缺陷。所以亟需一种病虫害检测方法，能代替传统的人工作业，更加快捷、方便、高效、准确。
发明内容
发明目的：本发明提出一种基于轻量级卷积神经网络的病虫害检测无人机及检测方法，能够提高病虫害区域分析的准确度，并利用喷药无人机进行定点定量的农药喷洒，提高了使用无人机检测的效率，降低了检测系统和农药喷洒的成本。
发明内容：本发明所述的一种基于轻量级卷积神经网络的病虫害检测方法，包括以下步骤：
(1)无人机在农场上空进行巡航，并通过搭载的相机采集农作物图像；
(2)利用领域增强算法、超像素分割方法对获取的农作物图像进行图像预处理；
(3)对预处理后的图像进行剪裁，分割为小图像；
(4)采用轻量级卷积神经网络YOLO Nano对图像进行分析，实时判断农作物是否患有某种病症或出现虫害现象；
(5)如果判断农作物存在病虫害现象，则无人机停留此区域上空，自适应调节高度，计算目标区域面积，返回实时坐标至控制中心，进行下一步；若判断没有出现病虫害现象，则继续重复步骤(1)—(4)；
(6)重复步骤(1)—(5)，直至巡检任务全部完成。
进一步地，所述步骤(2)包括以下步骤：
(21)对无人机获取的原始图像利用领域增强算法对无人机获取的图像进行锐化处理，突出物体的边缘轮廓，便于目标识别；
(22)对进行锐化处理的图像使用scikit-image库中的SLIC超像素分割算法，将原始图像进行分割。
进一步地，所述步骤(4)包括以下步骤：
(41)从农业病虫害研究图库中获取农作物各生长阶段可能出现的病虫害图片以及健康植株的照片，构成样本集；
(42)将样本库中的样本经过去噪、翻转、平移、裁剪等步骤进行数据预处理，并输入YOLO Nano模型中进行训练；
(43)将待检测图像输入YOLO Nano中检测，得出植物健康状况。
进一步地，所述步骤(5)包括以下步骤：
(51)无人机视野采用方形视野，调整无人机位置，让无人机视野的一条边界与病虫害区域的一条边界靠近或近似重合；
(52)检测无人机的整个视野区域，判断视野中是否包含一块完整的病虫害区域，如果不是，则执行步骤(53)；如果是，则执行步骤(55)；
(53)升高无人机高度，直到出现病虫害区域的另外的边界，执行下一步；
(54)重复步骤(51)—(53)，直到病虫害区域所有边界全部出现，视野中完全包含了一块完整的病虫害区域，执行(55)；
(55)降低无人机高度，并调整无人机的位置，使目标区域范围最大化占据无人机的视野，此时无人机已处于目标区域之中；
(56)计算出无人机视野区域对应的地面面积S；
(57)运用二值化的方法，设置阈值T，超过阈值的像素设置为1，为需喷药无人机干预的部分；反之，设置为0，代表不需干预部分；计算出各自的像素大小，根据目标区域的像素点与相机靶面像素点的比例关系求出目标区域占据无人机视野区域比例大小，进而求出病虫害区域的实际范围大小。
本发明还提供一种基于轻量级卷积神经网络的病虫害检测无人机，包括动力模块、高度自适应调节模块、飞行控制模块、摄像模块、姿态测量模块、位置测量模块、无线模块和遥控器；所述高度自适应调节模块通过自适应的高度调节使目标植株区域占据视野大部，精确得出目标区域的面积，并且得到坐标信息；所述摄像模块采集连续帧的图像，并将视频图像传输给飞行控制模块；所述飞行控制模块能对图像进行预处理，且搭载轻量级的卷积神经网络模型YOLO Nano，能够对无人机进行状态输入并进行运算，并根据运算结果做出相应的输出控制；所述姿态测量模块与位置测量模块将测得的数据反馈给飞行控制模块；所述无线模块用来进行遥控器与无人机的通信，并将无人机获得的病虫害区域位置及范围传输给地面。
有益效果：与现有技术相比，本发明的有益效果：1、能够对通过相机摄取连续单帧视频图像进行图像处理，分析判断是否存在病虫害情况；2、无人机能够对农场庄稼进行巡航，并在巡航过程中自适应地降低或升高，从而自动计算出区域范围，提高了使用无人机检测病虫害区域的效率，降低了整个病虫害检测系统的系统成本；3、采用卷积神经网络技术处理图像，能够提高病虫害区域检测的精确度，有利于减少农民巡视农田的劳动量；保障农药的合理使用，提高农药的利用率，增加粮食产量。
附图说明
图1为基于轻量级卷积神经网络的农作物病虫害检测方法流程图；
图2为无人机实施检测时的示意图；
图3为基于轻量级卷积神经网络的农作物病虫害检测无人机的模块图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明。
如图2所示，是本发明实施检测时的示意图，使用无人机检测病虫害区域的位置和面积。无人机视野采用的是方形视野，通过调整无人机高度和位置可以使病虫害区域全部纳入到视野中，并且尽可能的占据无人机视野区域。本发明所述的一种基于轻量级卷积神经网络的农作物病虫害检测方法，其工作流程如图1所示，包括以下步骤：
步骤1：无人机在农场上空进行巡航，并采集农作物叶片图像。通过相机采集农场庄稼的图像；使用者可根据需检测的总体区域及工作的时间设置飞行的巡航高度，提高工作效率。
步骤2：利用领域增强算法、超像素分割方法对获取的农作物图像进行图像预处理。
对无人机获取的原始图像利用领域增强算法对无人机获取的图像进行锐化处理，突出物体的边缘轮廓，便于目标识别；对进行锐化处理的图像使用scikit-image库中的SLIC超像素分割算法，将原始图像进行分割对无人机拍摄的图像进行图像处理，采用Tensorflow框架搭建卷积神经网络模型分析图像判断农作物是否有病虫害现象。
步骤3：对预处理后的图像进行剪裁，分割为小图像。将分割好的小图像放置在大小为512像素*512像素的黑色背景图片的左上角；在左上角以256像素*256像素将其剪裁。
步骤4：采用轻量级卷积神经网络YOLO Nano对图像进行分析，实时判断农作物是否患有某种病症或出现虫害现象。
从农业病虫害研究图库中获取农作物各生长阶段可能出现的病虫害图片以及健康植株的照片，构成样本集；
(42)将样本库中的样本经过去噪翻转、平移、裁剪等步骤进行数据预处理，并输入YOLO Nano模型中进行训练；
(43)将处理好的无人机农作物图像输入YOLO Nano中检测，得出植物健康状况。
步骤5：如果判断农作物存在病虫害现象，则无人机停留此区域上空，无人机自适应调节高度，计算目标区域面积，返回实时坐标至控制中心，进行下一步；若判断没有出现病虫害现象，则继续巡查，直至巡检任务全部完成。
自适应调整无人机的高度，目的是为了使农作物病虫害区域最大限度的占据无人机的视野，这样可以计算出更为精准的区域范围大小。
(1)无人机视野采用方形视野，调整无人机位置，让无人机视野的一条边界与目标区域的一条边界靠近或近似重合。
(2)检测无人机的整个视野区域，判断视野中是否完全包含整个目标区域，如果不是，则执行步骤(3)；如果是，则执行步骤(5)；
(3)升高无人机高度，直到出现病虫害区域的另外的边界，执行下一步；
(4)重复步骤(1)至(3)，直到目标区域所有边界全部出现，视野中完全包含了一块完整的病虫害区域，执行下一步；
(5)降低无人机高度，调整无人机的位置，使病虫害区域范围尽可能的占据无人机的视野，此时无人机已处于目标区域之中，便于获取更为精准的植物病虫害范围大小，记录当前无人机的高度H并结束流程。
(6)通过无人机的视野范围，计算出无人机视野区域对应的地面面积S，并将信息返回控制台。
M/H＝m/f
N/H＝n/f
S＝M*N
其中，M与N为无人机视野区域所对应的地面实际长和宽，H为无人机的高度，f为相机焦距，m与n为相机靶面的长与宽。
(7)运用二值化的方法，设置阈值T。超过阈值的像素设置为1，为需喷药无人机干预的部分。反之，设置为0，代表不需干预部分。计算出各自的像素大小。根据目标区域的像素点与相机靶面像素点的比例关系求出病虫害区域占据无人机视野区域比例大小，进而求出目标区域的实际范围大小。对于不规则的区域也是适用的，让不规则的区域尽可能的占据无人机视野，计算无人机的视野，再根据比例求出植物病虫害区域大小。通过GPS定位系统获得无人机的实际位置，连同区域图片、农作物患病种类以及计算所得的目标区域大小返回控制台，由控制台调度喷药无人机进行及时的定点定量喷洒药液。
如图3所示，为本发明还提供一种基于轻量级卷积神经网络的病虫害检测无人机，包括动力模块、高度自适应调节模块、飞行控制模块、摄像模块、姿态测量模块、位置测量模块、无线模块和遥控器。
动力模块是由电池、电机、电子调速器、螺旋桨组成，能够实现悬停，变速等功能。电池用于对整个无人机进行供电；电机能通过调节转速从而实现对无人机飞行姿态和位置的控制，本实施例采用的电机采用的是SE0802KV16000无刷电机。电子调速器可以将飞控系统的PWM信号转化为输出给电机的电压，不同占空比的PWM信号对应于不同的输出电压大小，本实施例采用的DYS XM20A电调。硬件部分的螺旋桨能通过快速旋转而产生的升力把无人机带到空中。
高度自适应调节模块通过自适应的高度调节使目标植株区域占据视野大部，可精确得出目标区域的面积，并且得到的坐标信息更加准确。高度自适应模块用来自适应的调节无人机的位置和飞行高度，寻找到病虫害区域的精确范围，根据无人机的离地高度精确计算出病虫害区域的范围。
飞行控制模块能够对无人机进行状态输入并进行运算，根据算法结果做出相应的输出控制，进行飞行控制。飞行控制模块中包括病虫害区域检测模块、图像处理模块；图像处理模块的功能是对图像进行预处理，检测当前帧图像中是否存在病虫害现象，其结果发送给病虫害区域检测模块；病虫害区域检测模块搭载轻量级的卷积神经网络模型YOLONano，这一模型的大小在4.0MB左右，可以在GPU实现实时目标检测，相对于已有的其他网络模型，计算复杂度更低，在设备上的推断速度更快。引入了轻量级的全连接注意力(FCA)模块。FCA宏架构由两个全连接层组成，它们可以学习通道之间的动态、非线性内部依赖关系，并通过通道级的乘法重新加权通道的重要性。FCA的使用有助于基于全局信息关注更加具有信息量的特征。
摄像模块用于采集连续帧的图像，无人机通过相机摄取连续帧视频图像，并将视频图像传给飞行控制模块。
姿态测量模块与位置测量模块将测得的数据反馈给飞行控制模块。姿态测量模块主要检测集体姿态，达到减少由于四旋翼无人机各个旋翼之间本身的不完全一致性和存在于旋翼间的复杂气流扰动带来的影响。位置测量模块包括高度测量模块以及GPS定位模块。高度测量模块能够精确的测量无人机在某处的高度。
无线模块用来进行遥控器与无人机的通信，并将无人机获得的病虫害区域位置及范围传输给地面。
Claims (5)
1.一种基于轻量级卷积神经网络的病虫害检测方法，其特征在于，包括以下步骤：
(1)无人机在农场上空进行巡航，并通过搭载的相机采集农作物图像；
(2)利用领域增强算法、超像素分割方法对获取的农作物图像进行图像预处理；
(3)对预处理后的图像进行剪裁，分割为小图像；
(4)采用轻量级卷积神经网络YOLO Nano对图像进行分析，实时判断农作物是否患有某种病症或出现虫害现象；
(5)如果判断农作物存在病虫害现象，则无人机停留此区域上空，自适应调节高度，计算目标区域面积，返回实时坐标至控制中心，进行下一步；若判断没有出现病虫害现象，则继续重复步骤(1)—(4)；
(6)重复步骤(1)—(5)，直至巡检任务全部完成。
2.根据权利要求1所述的一种基于轻量级卷积神经网络的病虫害检测方法，其特征在于，所述步骤(2)包括以下步骤：
(21)对无人机获取的原始图像利用领域增强算法对无人机获取的图像进行锐化处理，突出物体的边缘轮廓，便于目标识别；
(22)对进行锐化处理的图像使用scikit-image库中的SLIC超像素分割算法，将原始图像进行分割。
3.根据权利要求1所述的一种基于轻量级卷积神经网络的病虫害检测方法，其特征在于，所述步骤(4)包括以下步骤：
(41)从农业病虫害研究图库中获取农作物各生长阶段可能出现的病虫害图片以及健康植株的照片，构成样本集；
(42)将样本库中的样本经过去噪、翻转、平移、裁剪等步骤进行数据预处理，并输入YOLO Nano模型中进行训练；
(43)将待检测图像输入YOLO Nano中检测，得出植物健康状况。
4.根据权利要求1所述的一种基于轻量级卷积神经网络的病虫害检测方法，其特征在于，所述步骤(5)包括以下步骤：
(51)无人机视野采用方形视野，调整无人机位置，让无人机视野的一条边界与病虫害区域的一条边界靠近或近似重合；
(52)检测无人机的整个视野区域，判断视野中是否包含一块完整的病虫害区域，如果不是，则执行步骤(53)；如果是，则执行步骤(55)；
(53)升高无人机高度，直到出现病虫害区域的另外的边界，执行下一步；
(54)重复步骤(51)—(53)，直到病虫害区域所有边界全部出现，视野中完全包含了一块完整的病虫害区域，执行(55)；
(55)降低无人机高度，并调整无人机的位置，使目标区域范围最大化占据无人机的视野，此时无人机已处于目标区域之中；
(56)计算出无人机视野区域对应的地面面积S；
(57)运用二值化的方法，设置阈值T，超过阈值的像素设置为1，为需喷药无人机干预的部分；反之，设置为0，代表不需干预部分；计算出各自的像素大小，根据目标区域的像素点与相机靶面像素点的比例关系求出目标区域占据无人机视野区域比例大小，进而求出病虫害区域的实际范围大小。
5.一种采用如权利要求1所述方法的轻量级基于卷积神经网络的病虫害检测无人机，其特征在于，包括动力模块、高度自适应调节模块、飞行控制模块、摄像模块、姿态测量模块、位置测量模块、无线模块和遥控器；所述高度自适应调节模块通过自适应的高度调节使目标植株区域占据视野大部，精确得出目标区域的面积，并且得到坐标信息；所述摄像模块采集连续帧的图像，并将视频图像传输给飞行控制模块；所述飞行控制模块能对图像进行预处理，且搭载轻量级的卷积神经网络模型YOLO Nano，能够对无人机进行状态输入并进行运算，并根据运算结果做出相应的输出控制；所述姿态测量模块与位置测量模块将测得的数据反馈给飞行控制模块；所述无线模块用来进行遥控器与无人机的通信，并将无人机获得的病虫害区域位置及范围传输给地面。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010113357.6A CN111339921A (zh) | 2020-02-24 | 2020-02-24 | 基于轻量级卷积神经网络的病虫害检测无人机及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010113357.6A CN111339921A (zh) | 2020-02-24 | 2020-02-24 | 基于轻量级卷积神经网络的病虫害检测无人机及检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111339921A true CN111339921A (zh) | 2020-06-26 |
Family
ID=71185501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010113357.6A Pending CN111339921A (zh) | 2020-02-24 | 2020-02-24 | 基于轻量级卷积神经网络的病虫害检测无人机及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111339921A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111638216A (zh) * | 2020-06-30 | 2020-09-08 | 黑龙江大学 | 一种用于监测病虫害的无人机系统的甜菜相关病症分析方法 |
| CN111951285A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 基于级联深度卷积神经网络的光学遥感影像林地分类方法 |
| CN112485284A (zh) * | 2020-12-01 | 2021-03-12 | 中国农业大学 | 一种无人机农田病虫草害信息协同感知系统 |
| CN113468964A (zh) * | 2021-05-31 | 2021-10-01 | 山东省邮电工程有限公司 | 一种基于高光谱的农业病虫害监测方法及设备 |
| CN113487548A (zh) * | 2021-06-29 | 2021-10-08 | 嵊州市浙江工业大学创新研究院 | 一种基于YOLO-v3的产品缺陷检测方法 |
| CN113989689A (zh) * | 2021-11-29 | 2022-01-28 | 沈阳农业大学 | 一种基于无人机的农作物病虫害识别方法及系统 |
| CN114353667A (zh) * | 2021-12-15 | 2022-04-15 | 中国船舶重工集团公司第七0九研究所 | 基于ar与无人机单目视觉的地面目标测量方法及其应用 |
| CN114460078A (zh) * | 2022-02-08 | 2022-05-10 | 赣南师范大学 | 一种脐橙病虫害监测方法及装置 |
| CN114568185A (zh) * | 2022-04-08 | 2022-06-03 | 西藏自治区农牧科学院蔬菜研究所 | 一种果树病虫害的防治方法 |
| CN114651799A (zh) * | 2022-03-08 | 2022-06-24 | 南京工程学院 | 一种飞行设备的药液喷施方法及飞行设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120042A (zh) * | 2019-05-13 | 2019-08-13 | 哈尔滨工业大学 | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 |
-
2020
- 2020-02-24 CN CN202010113357.6A patent/CN111339921A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110120042A (zh) * | 2019-05-13 | 2019-08-13 | 哈尔滨工业大学 | 一种基于slic超像素和自动阈值分割的农作物图像病虫害区域提取方法 |
Non-Patent Citations (1)
| Title |
|---|
| 宋丽娟: "基于图像的农作物病害识别关键算法研究", 《中国博士学位论文全文数据库(信息科技辑)》 * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111638216A (zh) * | 2020-06-30 | 2020-09-08 | 黑龙江大学 | 一种用于监测病虫害的无人机系统的甜菜相关病症分析方法 |
| CN111951285A (zh) * | 2020-08-12 | 2020-11-17 | 湖南神帆科技有限公司 | 基于级联深度卷积神经网络的光学遥感影像林地分类方法 |
| CN112485284A (zh) * | 2020-12-01 | 2021-03-12 | 中国农业大学 | 一种无人机农田病虫草害信息协同感知系统 |
| CN112485284B (zh) * | 2020-12-01 | 2022-02-15 | 中国农业大学 | 一种无人机农田病虫草害信息协同感知系统 |
| CN113468964A (zh) * | 2021-05-31 | 2021-10-01 | 山东省邮电工程有限公司 | 一种基于高光谱的农业病虫害监测方法及设备 |
| CN113487548A (zh) * | 2021-06-29 | 2021-10-08 | 嵊州市浙江工业大学创新研究院 | 一种基于YOLO-v3的产品缺陷检测方法 |
| CN113989689A (zh) * | 2021-11-29 | 2022-01-28 | 沈阳农业大学 | 一种基于无人机的农作物病虫害识别方法及系统 |
| CN113989689B (zh) * | 2021-11-29 | 2023-09-22 | 沈阳农业大学 | 一种基于无人机的农作物病虫害识别方法及系统 |
| CN114353667A (zh) * | 2021-12-15 | 2022-04-15 | 中国船舶重工集团公司第七0九研究所 | 基于ar与无人机单目视觉的地面目标测量方法及其应用 |
| CN114460078A (zh) * | 2022-02-08 | 2022-05-10 | 赣南师范大学 | 一种脐橙病虫害监测方法及装置 |
| CN114651799A (zh) * | 2022-03-08 | 2022-06-24 | 南京工程学院 | 一种飞行设备的药液喷施方法及飞行设备 |
| CN114568185A (zh) * | 2022-04-08 | 2022-06-03 | 西藏自治区农牧科学院蔬菜研究所 | 一种果树病虫害的防治方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111339921A (zh) | 基于轻量级卷积神经网络的病虫害检测无人机及检测方法 | |
| WO2021226900A1 (zh) | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 | |
| Selvi et al. | Weed detection in agricultural fields using deep learning process | |
| CN113468984A (zh) | 一种农作物病虫害叶片识别系统、识别方法及病虫害预防方法 | |
| CN114067207A (zh) | 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法 | |
| CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
| CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
| CN114881127A (zh) | 一种基于高分辨率遥感卫星影像的农作物精细分类方法 | |
| Li et al. | A novel approach for the 3D localization of branch picking points based on deep learning applied to longan harvesting UAVs | |
| CN116897668B (zh) | 一种电驱农作物播种施肥控制方法及系统 | |
| CN110428374A (zh) | 一种小体积害虫自动检测方法及系统 | |
| KR20180096966A (ko) | 형태적 연산과 연결 연산을 이용한 벼 모종 자동 개수 세는 방법 | |
| CN115424151A (zh) | 一种基于图像处理的农业智能平台 | |
| CN113989509B (zh) | 基于图像识别的农作物虫害检测方法、检测系统及设备 | |
| Duman et al. | Design of a smart vertical farming system using image processing | |
| Bini et al. | Intelligent agrobots for crop yield estimation using computer vision | |
| CN109712110B (zh) | 一种基于机器视觉的作物实时耗水量监测方法和装置 | |
| Ho et al. | An Efficient recognition method for watermelon using faster R-CNN with post-processing | |
| CN114494911A (zh) | 一种基于卫星影像与无人机影像的作物分类方法 | |
| Paudel et al. | Canopy Density Estimation of Apple Trees | |
| CN112418112A (zh) | 一种果园病虫害监测预警方法及系统 | |
| CN110210375A (zh) | 自适应农场庄稼缺肥区域检测无人机及检测方法 | |
| CN112580504A (zh) | 基于高分辨率卫星遥感影像的树种分类计数方法及装置 | |
| Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
| CN113256704B (zh) | 一种谷粒长宽测量方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66 Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: 210023 Jiangsu city of Nanjing province Ya Dong new Yuen Road No. 9 Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
| CB02 | Change of applicant information | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |
|
| RJ01 | Rejection of invention patent application after publication |