CN111398187A - 基于高光谱遥感的油菜适收期监测方法与系统 - Google Patents
基于高光谱遥感的油菜适收期监测方法与系统 Download PDFInfo
- Publication number
- CN111398187A CN111398187A CN202010346561.2A CN202010346561A CN111398187A CN 111398187 A CN111398187 A CN 111398187A CN 202010346561 A CN202010346561 A CN 202010346561A CN 111398187 A CN111398187 A CN 111398187A
- Authority
- CN
- China
- Prior art keywords
- rape
- loss
- harvesting
- data
- remote sensing
- 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
- 238000003306 harvesting Methods 0.000 title claims abstract description 70
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 239000000463 material Substances 0.000 claims abstract description 5
- 230000001681 protective effect Effects 0.000 claims description 13
- 240000002791 Brassica napus Species 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 235000011293 Brassica napus Nutrition 0.000 claims description 7
- 235000004977 Brassica sinapistrum Nutrition 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000013016 damping Methods 0.000 claims description 3
- 238000013524 data verification Methods 0.000 claims description 3
- 239000012535 impurity Substances 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 244000188595 Brassica sinapistrum Species 0.000 claims 2
- 238000010521 absorption reaction Methods 0.000 claims 1
- 230000035939 shock Effects 0.000 claims 1
- 230000008520 organization Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 235000014787 Vitis vinifera Nutrition 0.000 description 5
- 241000219095 Vitis Species 0.000 description 3
- 235000009754 Vitis X bourquina Nutrition 0.000 description 3
- 235000012333 Vitis X labruscana Nutrition 0.000 description 3
- 241000219094 Vitaceae Species 0.000 description 2
- 240000006365 Vitis vinifera Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000021021 grapes Nutrition 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N5/00—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid
- G01N5/04—Analysing materials by weighing, e.g. weighing small particles separated from a gas or liquid by removing a component, e.g. by evaporation, and weighing the remainder
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种基于高光谱遥感的油菜适收期监测方法与系统。基于高光谱遥感的油菜适收期监测系统，包括：行走小车、光谱仪、CAN总线、CPU、北斗定位模块、GPRS通讯模块；推杆电机，所述推杆电机固定安装在所述行走小车的顶部；第一连接板，所述第一连接板固定安装在所述推杆电机的输出轴上；转动电机，所述转动电机固定安装在所述第一连接板的顶部；第二连接板，所述第二连接板固定安装在所述转动电机的输出轴上。本发明提供的基于油菜物料特性，开展了油菜收获时期油菜成熟度预测，为油菜联合收获最佳时期的判断提出建议，为油菜联合收获机械调度和地区生产组织提供依据的油菜适收期监测方法与系统。
Description
技术领域
本发明涉及油菜种植技术领域，尤其涉及一种基于高光谱遥感的油菜适收期监测方法与系统。
背景技术
油菜在我国常年种植面积为700万公顷，产量1300万吨，其种植面积及产量占世界的1/3。油菜生产具有很强的季节性，适时作业对产量具有较大影响，而收获作业的适时性对产量影响尤为显著。过早收割油菜籽发育不完全，籽粒含水率高但油脂含量低，千粒重低且出油率低；过晚收割籽粒千粒重下降，遭遇恶劣天气而减产甚至绝收的概率增加，更易受到来自昆虫、鸟兽和微生物的攻击，形成减产，适时收割对减少油菜收获环节损失至关重要，还可以保障农产品品质。目前对于油菜适收期的判定方法主要依靠人工观测，效率低，人力成本高,随着智能农机甚至无人农机的推广应用，人工观测无法满足生产需求。
部分学者开展了应用计算机技术进行油菜成熟度监测研究。文献1（梁帆，等. 基于卡尔曼滤波融合的改进神经网络油菜成熟度预测方法[J].中国农机化学报，2016，（8）：145-148.）利用图像分割和边缘检测技术来提取冠层叶面积、株高和根系长度、根系侧面积等形态特征,分别建立神经网络模型并对其特征参数进行训练,实现对蔬菜成熟度的预测。但该方法只能对实验室特定栽培的油菜进行监测，无法应用于生产实际。文献2（一种酿酒葡萄成熟度监测方法和系统，CN108037081A）基于葡萄光谱图像信息与理化指标值的对应关系、理化指标值与成熟度参数的关系，建立葡萄成熟度参数的计算模型，通过采集葡萄的光谱图像信息，利用可靠的预测模型对真实值进行预测，根据不同理化指标的含量反馈出酿酒葡萄的成熟程度。该方法主要用于葡萄成熟度预测，但由于葡萄是棚架式种植方式，行间距较大，果穗较大，可以单穗采样，而油菜是大田平作种植方式，荚果小，分值相互遮盖，必须采集冠层群体光谱信息。
因此，有必要提供一种基于高光谱遥感的油菜适收期监测方法与系统解决上述技术问题。
发明内容
本发明解决的技术问题是提供一种基于油菜物料特性，开展了油菜收获时期油菜成熟度预测，为油菜联合收获最佳时期的判断提出建议，为油菜联合收获机械调度和地区生产组织提供依据的油菜适收期监测方法与系统。
为解决上述技术问题，本发明提供的基于高光谱遥感的油菜适收期监测系统，包括：行走小车、光谱仪、CAN总线、CPU、北斗定位模块、GPRS通讯模块；推杆电机，所述推杆电机固定安装在所述行走小车的顶部；第一连接板，所述第一连接板固定安装在所述推杆电机的输出轴上；转动电机，所述转动电机固定安装在所述第一连接板的顶部；第二连接板，所述第二连接板固定安装在所述转动电机的输出轴上；摇头机构，所述摇头机构设置在所述第二连接板上，且所述光谱仪设置在所述摇头机构上；四个行走轮，四个所述行走轮设置在所述行走小车的下方，且四个所述行走轮呈阵列分布；四个减震机构，四个所述减震机构分别设置在四个所述行走轮上。
优选的，所述减震结构包括保护壳、顶板、两个支撑杆和两个弹簧，所述保护壳固定安装在所述行走小车的底部，所述行走轮与所述保护壳滑动连接，所述顶板固定安装在所述行走轮的顶部，两个所述支撑杆均固定安装在所述保护壳的底部内壁上，两个所述弹簧分别套设在两个所述支撑杆上，且两个所述弹簧的底端均与所述顶板固定连接，两个所述弹簧的顶端均与所述行走小车的底部固定连接，所述顶板与两个所述支撑杆滑动连接。
优选的，所述行走小车上设有系统电源，所述系统电源采用车载电瓶12V电源。
优选的，所述推杆电机通过螺栓与所述行走小车固定连接。
本发明提供的基于高光谱遥感的油菜适收期监测方法，包括：S1：测定不同收割时期油菜损失率：以纵轴流全喂入联合收割机为测试机型，进行田间生产试验，实测不同收割期油菜机收损失量，包括割台损失、夹带损失、籽粒破碎损失、干物质损失等，构建损失量与收割时期的回归关系，其中，割台损失主要测量单位面积内掉落的油菜籽粒重量；夹带损失主要测量收割机排杂口排除物料中夹带的油菜籽粒重量；籽粒破碎损失主要测量平均每收获千粒油菜籽总破碎籽粒数量；干物质损失主要测量烘干后油菜籽千粒重；
S2：采集不同收割时期油菜冠层光谱图像：首先利用北斗微信定位控制模块，设定电动小车的行驶轨迹，电动小车按照既定轨迹行驶，在行驶轨迹上按一定间距设置若干数据采集点，当电动小车行驶至数据采集点时，电动小车暂停行驶，光谱仪与支架开始工作，支架上的步进电机驱动之间上下移动、旋转，光谱仪在不同高度与角度采集冠层光谱图像。数据采集后，通过GPRS通讯模块传回计算机；
S3：构建适收期判定模型：结合不同收割时期油菜籽收割损失数据，将传回的相应时期的油菜冠层光谱图像打上数据标签，当油菜收割损失处于极低值时，记为适收期，基于BP神经网络算法，将光谱数据分成训练组与验证组，将训练组数据输入计算机进行训练，得到BP神经网络预测模型，并利用验证组数据验证模型，最后将得到验证的模型封装成油菜适收期判定软件模块，安装在计算应用程序；
S4：适收期判定：利用封装好的油菜适收期判定模块，处理数据采集装置传回的新数据，即可判定油菜是否处于适收期。
与相关技术相比较，本发明提供的基于高光谱遥感的油菜适收期监测方法与系统具有如下有益效果：
本发明提供一种基于高光谱遥感的油菜适收期监测方法与系统，通过高光谱技术、北斗定位技术与机器学习技术，可有效提高监测效率；采用光谱仪获取高光谱图像信息，全方位、多角度拍摄，提高监测准确度；运用北斗卫星定位模块，数据安全性可得到有效保障；只需全自动采集传输数据，大幅度降低了工作强度；系统全部采用国产电子元器，很大程度上降低了成本；可监控系统本身的定位、传感、电源等模块的故障，方便系统维护；提供的试验装置可自由组装与拆卸，方便携带；针对大田油菜开展数据采集与分析，实用性更高。
附图说明
图1为本发明提供的基于高光谱遥感的油菜适收期监测系统的系统流程图；
图2为本发明提供的基于高光谱遥感的油菜适收期监测系统的结构示意图；
图3为图2所示的A部分放大结构示意图。
图中标号：1、行走小车，2、推杆电机，3、第一连接板，4、转动电机，5、第二连接板，6、摇头机构，7、光谱仪，8、保护壳，9、行走轮，10、顶板，11、支撑杆，12、弹簧。
具体实施方式
下面结合附图和实施方式对本发明作进一步说明。
请结合参阅图1-3，本发明提出一种基于高光谱遥感的油菜适收期监测系统包括：行走小车1、光谱仪7、CAN总线、CPU、北斗定位模块、GPRS通讯模块；推杆电机2，所述推杆电机2固定安装在所述行走小车1的顶部；第一连接板3，所述第一连接板3固定安装在所述推杆电机2的输出轴上；转动电机4，所述转动电机4固定安装在所述第一连接板3的顶部；第二连接板5，所述第二连接板5固定安装在所述转动电机4的输出轴上；摇头机构6，所述摇头机构6设置在所述第二连接板5上，且所述光谱仪7设置在所述摇头机构6上；四个行走轮9，四个所述行走轮9设置在所述行走小车1的下方，且四个所述行走轮9呈阵列分布；四个减震机构，四个所述减震机构分别设置在四个所述行走轮9上。
所述减震结构包括保护壳8、顶板10、两个支撑杆11和两个弹簧12，所述保护壳8固定安装在所述行走小车1的底部，所述行走轮9与所述保护壳8滑动连接，所述顶板10固定安装在所述行走轮9的顶部，两个所述支撑杆11均固定安装在所述保护壳8的底部内壁上，两个所述弹簧12分别套设在两个所述支撑杆11上，且两个所述弹簧12的底端均与所述顶板10固定连接，两个所述弹簧12的顶端均与所述行走小车1的底部固定连接，所述顶板10与两个所述支撑杆11滑动连接。
所述行走小车1上设有系统电源，所述系统电源采用车载电瓶12V电源。
所述推杆电机2通过螺栓与所述行走小车1固定连接。
本发明中，还提出一种基于高光谱遥感的油菜适收期监测方法，包括以下步骤；
S1：测定不同收割时期油菜损失率：以纵轴流全喂入联合收割机为测试机型，进行田间生产试验，实测不同收割期油菜机收损失量，包括割台损失、夹带损失、籽粒破碎损失、干物质损失等，构建损失量与收割时期的回归关系，其中，割台损失主要测量单位面积内掉落的油菜籽粒重量；夹带损失主要测量收割机排杂口排除物料中夹带的油菜籽粒重量；籽粒破碎损失主要测量平均每收获千粒油菜籽总破碎籽粒数量；干物质损失主要测量烘干后油菜籽千粒重；
S2：采集不同收割时期油菜冠层光谱图像：首先利用北斗微信定位控制模块，设定电动小车的行驶轨迹，电动小车按照既定轨迹行驶，在行驶轨迹上按一定间距设置若干数据采集点，当电动小车行驶至数据采集点时，电动小车暂停行驶，光谱仪与支架开始工作，支架上的步进电机驱动之间上下移动、旋转，光谱仪在不同高度与角度采集冠层光谱图像。数据采集后，通过GPRS通讯模块传回计算机；
S3：构建适收期判定模型：结合不同收割时期油菜籽收割损失数据，将传回的相应时期的油菜冠层光谱图像打上数据标签，当油菜收割损失处于极低值时，记为适收期，基于BP神经网络算法，将光谱数据分成训练组与验证组，将训练组数据输入计算机进行训练，得到BP神经网络预测模型，并利用验证组数据验证模型，最后将得到验证的模型封装成油菜适收期判定软件模块，安装在计算应用程序；
S4：适收期判定：利用封装好的油菜适收期判定模块，处理数据采集装置传回的新数据，即可判定油菜是否处于适收期。
本发明提供的基于高光谱遥感的油菜适收期监测方法与系统的工作原理如下：
通过推杆电机2、转动电机4、和摇头机构6可以实现光谱仪7的自动升降、旋转、摇头功能；
通过弹簧12可以对行走轮9进行减震，在地形颠簸的情况下，保护行走轮9；
该装置可对油菜进行全方位、多角度取样，实时采集准确数据，其他装置安装于小车上安全位置，保证北斗定位模块可接收到北斗卫星的定位信息，对小车的行走路径进行实时控制；
GPRS通讯模块可发射数据，将检测数据准确无误的传送到基站，再通过基站传输到电脑里，然后通过监测方法得到油菜冠层高光谱图像信息，基于BP神经网络建立光谱特征与油菜收割时期理化性状的回归关系，构建油菜适收期判定模型，得到油菜准确的适收期，完成远程监测任务。
与相关技术相比较，本发明提供的基于高光谱遥感的油菜适收期监测方法与系统具有如下有益效果：
通过高光谱技术、北斗定位技术与机器学习技术，可有效提高监测效率；采用光谱仪获取高光谱图像信息，全方位、多角度拍摄，提高监测准确度；运用北斗卫星定位模块，数据安全性可得到有效保障；只需全自动采集传输数据，大幅度降低了工作强度；系统全部采用国产电子元器，很大程度上降低了成本；可监控系统本身的定位、传感、电源等模块的故障，方便系统维护；提供的试验装置可自由组装与拆卸，方便携带；针对大田油菜开展数据采集与分析，实用性更高。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于高光谱遥感的油菜适收期监测系统，其特征在于，包括：
行走小车、光谱仪、CAN总线、CPU、北斗定位模块、GPRS通讯模块；
推杆电机，所述推杆电机固定安装在所述行走小车的顶部；
第一连接板，所述第一连接板固定安装在所述推杆电机的输出轴上；
转动电机，所述转动电机固定安装在所述第一连接板的顶部；
第二连接板，所述第二连接板固定安装在所述转动电机的输出轴上；
摇头机构，所述摇头机构设置在所述第二连接板上，且所述光谱仪设置在所述摇头机构上；
四个行走轮，四个所述行走轮设置在所述行走小车的下方，且四个所述行走轮呈阵列分布；
四个减震机构，四个所述减震机构分别设置在四个所述行走轮上。
2.根据权利要求1所述的基于高光谱遥感的油菜适收期监测系统，其特征在于，所述减震结构包括保护壳、顶板、两个支撑杆和两个弹簧，所述保护壳固定安装在所述行走小车的底部，所述行走轮与所述保护壳滑动连接，所述顶板固定安装在所述行走轮的顶部，两个所述支撑杆均固定安装在所述保护壳的底部内壁上，两个所述弹簧分别套设在两个所述支撑杆上，且两个所述弹簧的底端均与所述顶板固定连接，两个所述弹簧的顶端均与所述行走小车的底部固定连接，所述顶板与两个所述支撑杆滑动连接。
3.根据权利要求1所述的基于高光谱遥感的油菜适收期监测系统，其特征在于，所述行走小车上设有系统电源，所述系统电源采用车载电瓶12V电源。
4.根据权利要求1所述的基于高光谱遥感的油菜适收期监测系统，其特征在于，所述推杆电机通过螺栓与所述行走小车固定连接。
5.一种基于高光谱遥感的油菜适收期监测方法，其特征在于，包括：以下步骤；
S1：测定不同收割时期油菜损失率：以纵轴流全喂入联合收割机为测试机型，进行田间生产试验，实测不同收割期油菜机收损失量，包括割台损失、夹带损失、籽粒破碎损失、干物质损失等，构建损失量与收割时期的回归关系，其中，割台损失主要测量单位面积内掉落的油菜籽粒重量；夹带损失主要测量收割机排杂口排除物料中夹带的油菜籽粒重量；籽粒破碎损失主要测量平均每收获千粒油菜籽总破碎籽粒数量；干物质损失主要测量烘干后油菜籽千粒重；
S2：采集不同收割时期油菜冠层光谱图像：首先利用北斗微信定位控制模块，设定电动小车的行驶轨迹，电动小车按照既定轨迹行驶，在行驶轨迹上按一定间距设置若干数据采集点，当电动小车行驶至数据采集点时，电动小车暂停行驶，光谱仪与支架开始工作，支架上的步进电机驱动之间上下移动、旋转，光谱仪在不同高度与角度采集冠层光谱图像,数据采集后，通过GPRS通讯模块传回计算机；
S3：构建适收期判定模型：结合不同收割时期油菜籽收割损失数据，将传回的相应时期的油菜冠层光谱图像打上数据标签，当油菜收割损失处于极低值时，记为适收期，基于BP神经网络算法，将光谱数据分成训练组与验证组，将训练组数据输入计算机进行训练，得到BP神经网络预测模型，并利用验证组数据验证模型，最后将得到验证的模型封装成油菜适收期判定软件模块，安装在计算应用程序；
S4：适收期判定：利用封装好的油菜适收期判定模块，处理数据采集装置传回的新数据，即可判定油菜是否处于适收期。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010346561.2A CN111398187B (zh) | 2020-04-27 | 2020-04-27 | 基于高光谱遥感的油菜适收期监测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010346561.2A CN111398187B (zh) | 2020-04-27 | 2020-04-27 | 基于高光谱遥感的油菜适收期监测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111398187A true CN111398187A (zh) | 2020-07-10 |
| CN111398187B CN111398187B (zh) | 2024-06-14 |
Family
ID=71433486
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010346561.2A Active CN111398187B (zh) | 2020-04-27 | 2020-04-27 | 基于高光谱遥感的油菜适收期监测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111398187B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113092669A (zh) * | 2021-03-15 | 2021-07-09 | 商丘师范学院 | 一种农业干旱遥感观测装置 |
| CN113804634A (zh) * | 2021-09-23 | 2021-12-17 | 重庆市农业科学院 | 一种评估油菜角果成熟度的高光谱指数 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923319A (zh) * | 2010-04-16 | 2010-12-22 | 江苏大学 | 一种基于高光谱遥感技术的设施栽培作物智能监控系统 |
| US20180053067A1 (en) * | 2016-08-17 | 2018-02-22 | Cnh Industrial America Llc | Grain loss sensor array for crop harvesting machine |
| CN110850460A (zh) * | 2019-12-12 | 2020-02-28 | 农业农村部南京农业机械化研究所 | 一种收割机作业进度动态监测系统及其方法 |
| CN211905070U (zh) * | 2020-04-27 | 2020-11-10 | 农业农村部南京农业机械化研究所 | 基于高光谱遥感的油菜适收期监测系统 |
-
2020
- 2020-04-27 CN CN202010346561.2A patent/CN111398187B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101923319A (zh) * | 2010-04-16 | 2010-12-22 | 江苏大学 | 一种基于高光谱遥感技术的设施栽培作物智能监控系统 |
| US20180053067A1 (en) * | 2016-08-17 | 2018-02-22 | Cnh Industrial America Llc | Grain loss sensor array for crop harvesting machine |
| CN110850460A (zh) * | 2019-12-12 | 2020-02-28 | 农业农村部南京农业机械化研究所 | 一种收割机作业进度动态监测系统及其方法 |
| CN211905070U (zh) * | 2020-04-27 | 2020-11-10 | 农业农村部南京农业机械化研究所 | 基于高光谱遥感的油菜适收期监测系统 |
Non-Patent Citations (2)
| Title |
|---|
| 杨玮;王秀;马伟;李民赞;: "基于近地光谱探测技术的冬小麦变量施肥", 吉林大学学报(工学版), no. 06, 15 November 2007 (2007-11-15) * |
| 梁帆;陈红豆;杨莉莉;崔世钢;吴兴利;田立国;: "基于卡尔曼滤波融合的改进神经网络油菜成熟度预测方法", 中国农机化学报, no. 08, 15 August 2016 (2016-08-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113092669A (zh) * | 2021-03-15 | 2021-07-09 | 商丘师范学院 | 一种农业干旱遥感观测装置 |
| CN113804634A (zh) * | 2021-09-23 | 2021-12-17 | 重庆市农业科学院 | 一种评估油菜角果成熟度的高光谱指数 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111398187B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN211905070U (zh) | 基于高光谱遥感的油菜适收期监测系统 | |
| CN111398187B (zh) | 基于高光谱遥感的油菜适收期监测方法与系统 | |
| CN101663938B (zh) | 一种穗状玉米产量实时监测系统 | |
| CN105675287B (zh) | 一种多切割平台茎秆作物切割试验装置 | |
| US20180325051A1 (en) | Agricultural method and system using a high resolution sensing device for analyzing and servicing crops | |
| CN112857433B (zh) | 一种智慧数字农业种植养殖监测监控系统 | |
| CN203426069U (zh) | 种子分拣系统 | |
| CN104221585A (zh) | 大喂入量履带式切横流多滚筒联合收割机 | |
| CN216088130U (zh) | 果树智能栽培系统 | |
| CN112345289B (zh) | 无人机式草原植被样方识别采集称重一体装置 | |
| CN204180555U (zh) | 大喂入量履带式切横流多滚筒联合收割机 | |
| CN102967354A (zh) | 作物生物量检测装置及检测方法 | |
| CN102636426A (zh) | 手持式生物量测定装置及方法 | |
| CN211893652U (zh) | 一种无人机多角度多光谱的植被光谱信息采集装置 | |
| CN110414859A (zh) | 一种基于物联网技术的优质稻谷收储作业5t管理系统及其评价方法 | |
| CN109964896A (zh) | 一种诱虫识别分拣装置及病虫害的物联网监测分析系统 | |
| CN211844905U (zh) | 有助于农药减施的多光谱成像果园病虫害精准监测无人机 | |
| Sathiya et al. | Smart Agriculture: Emerging and Future Farming Technologies | |
| Wang et al. | Multi-sensor signal acquisition and data processing analysis of combine harvester. | |
| CN112790043A (zh) | 一种智慧农场管理系统 | |
| CN106645647B (zh) | 一种土壤养分智能化原位监测系统 | |
| CN208399317U (zh) | 植保无人机喷雾性能检测试验台 | |
| CN207964336U (zh) | 一种土壤检测用钻孔取土装置 | |
| CN115756037A (zh) | 一种设施大棚蔬菜管控方法及系统 | |
| Cardoso et al. | Drought resistance of tropical forage grasses: Opening a fertile ground for innovative research |
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 |