CN111556157A - 农作物分布的监测方法、设备、存储介质及装置 - Google Patents
农作物分布的监测方法、设备、存储介质及装置 Download PDFInfo
- Publication number
- CN111556157A CN111556157A CN202010376212.5A CN202010376212A CN111556157A CN 111556157 A CN111556157 A CN 111556157A CN 202010376212 A CN202010376212 A CN 202010376212A CN 111556157 A CN111556157 A CN 111556157A
- Authority
- CN
- China
- Prior art keywords
- information
- crop
- distribution
- blade
- monitoring
- 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
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 241000196324 Embryophyta Species 0.000 claims abstract description 63
- 230000001133 acceleration Effects 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 16
- 238000009825 accumulation Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 6
- 241000894007 species Species 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 19
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 description 15
- 238000012545 processing Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000012806 monitoring device Methods 0.000 description 8
- 230000003595 spectral effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000036039 immunity Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 239000009137 wuling Substances 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- G01S19/396—Determining accuracy or reliability of position or pseudorange measurements
-
- 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
-
- 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
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
- G01S19/49—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system whereby the further system is an inertial position system, e.g. loosely-coupled
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及农作物分布的监测技术领域，公开了一种农作物分布的监测方法、设备、存储介质及装置。本发明通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息；对所述农作物图像信息进行杂草识别，得到杂草信息；根据所述杂草信息得到耕地底图信息；对所述农作物图像信息进行农作物种类识别，得到农作物种类信息；根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息，从而通过北斗定位接收机以及无人机配合使用，实现对农作物的识别，达到提高农作物分布信息准确性的目的。
Description
技术领域
本发明涉及监测农作物分布的技术领域，尤其涉及农作物分布的监测方法、设备、存储介质及装置。
背景技术
目前，主要采用3S技术实现农作物空间分布图，即全球导航定位系统(GlobalPositioning System，GPS)、遥感技术(RemoteSensing，RS)和地理信息系统(GeographicInformation System，GIS)，使用遥感卫星图像为基准，依据不同作物和地物的光谱特征，结合地面典型调查，综合形成主要农作物空间分布图。
GPS是一种具有全方位、全天候、全时段以及高精度的卫星导航定位系统，能为全球用户提供低成本、高精度的三维位置、速度和精确定时等导航定位信息，是卫星通信技术在导航领域的应用典范，但随着导航技术的发展，GPS存在的弊端也变得更为明显，GPS导航定位系统主要以平原地形为主，而相对而言在城市区域、复杂山区的效果相对弱。
RS遥感技术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，获取大范围多光谱遥感数据，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。但是对于获取到的光谱特征，同一种农作物在不同地貌类型上反映的效果，以及不同的农作物在同一地貌上反映的效果，是需要大量人工采集的野外标志和解释标志支撑的，被利用的电磁波谱段对许多地物的某些特征还不能准确反映，还需要发展高光谱分辨率遥感以及遥感以外的其他手段相配合。
综上所述，GPS的缺点是在复杂山区的定位效果差，而且应用成本高；RS遥感技术的缺点是所利用的电磁波有限，被利用的电磁波谱段对许多地物的某些特征还不能准确反映，从而无法得到精确的农作物空间分布图。
发明内容
本发明的主要目的在于提供农作物分布的监测方法、设备、存储介质及装置，旨在解决如何提高农作物识别的准确性。
为实现上述目的，本发明提供一种农作物分布的监测方法，所述农作物分布的监测方法包括以下步骤：
通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息；
对所述农作物图像信息进行杂草识别，得到杂草信息；
根据所述杂草信息得到耕地底图信息；
对所述农作物图像信息进行农作物种类识别，得到农作物种类信息；
根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息。
优选地，所述通过北斗定位接收机获取待展示农作物分布的当前地理位置信息，包括：
检测北斗定位接收机的信号强度，在所述北斗定位接收机的信号强度大于或等于预设信号阈值时，通过北斗卫星系统得到携带有噪声的地理位置信息；
获取携带有噪声的地理位置信息的脉冲信号信息，根据所述脉冲信号信息得到延迟信号信息；
获取目标累计长度，根据所述目标累计长度以及所述延迟信号信息得到相关峰信息；
根据所述相关峰信息进行地理位置捕获，得到待展示农作物分布的当前地理位置信息。
优选地，所述获取目标累计长度，根据所述目标累计长度以及所述延迟信号信息得到相关峰信息之前，所述方法还包括：
采集历史累计长度对应的历史相关峰信息；
从历史相关峰信息中选取大于或等于预设相关峰阈值的参考相关峰信息；
对所述参考相关峰信息进行尖锐度分析，将满足预设尖锐度的参考相关峰信息对应的历史累计长度作为目标累计长度。
优选地，所述通过北斗定位接收机获取待展示农作物分布的当前地理位置信息，包括：
检测北斗定位接收机的信号强度，在所述北斗定位接收机的信号强度小于预设信号阈值时，记录当前信号位置信息；
调用加速度传感器得到当前的加速度信息；
根据所述当前信号位置信息以及加速度信息得到待展示农作物分布的地理位置信息。
优选地，所述对所述农作物图像信息进行杂草识别，得到杂草信息，包括：
提取所述农作物图像信息的形状特征信息、纹理特征信息以及颜色特征信息；
根据形状特征信息、纹理特征信息以及颜色特征信息得到相关度信息；
在所述相关度信息小于预设相关度阈值时，通过主成分分析对所述形状特征信息、纹理特征信息以及颜色特征信息进行融合，得到综合特征信息；
通过K近邻算法对所述综合特征信息进行杂草识别，得到杂草信息。
优选地，所述对所述农作物图像信息进行农作物种类识别，得到农作物种类信息，包括：
获取所述农作物图像信息的叶片信息；
提取所述叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量；
根据所述叶片特征向量通过叶片识别卷积神经网络进行叶片识别，得到农作物种类信息。
优选地，所述提取所述叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量之前，所述方法还包括：
获取叶片信息中的叶片完整度信息；
根据所述叶片完整度信息对所述叶片信息进行筛选，得到筛选后的叶片信息；
所述提取所述叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量，包括：
提取所述筛选后的叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量。
此外，为实现上述目的，本发明还提出一种农作物分布的监测设备，所述农作物分布的监测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行农作物分布的监测程序，所述农作物分布的监测程序被所述处理器执行时实现如上文所述的农作物分布的监测方法的步骤。
此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有农作物分布的监测程序，所述农作物分布的监测程序被处理器执行时实现如上文所述的农作物分布的监测方法的步骤。
此外，为实现上述目的，本发明还提出一种农作物分布的监测装置，所述农作物分布的监测装置包括：
获取模块，用于通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息；
识别模块，用于对所述农作物图像信息进行杂草识别，得到杂草信息；
确定模块，用于根据所述杂草信息得到耕地底图信息；
所述识别模块，还用于对所述农作物图像信息进行农作物种类识别，得到农作物种类信息；
生成模块，用于根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息。
本发明提供的技术方案，通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息；对所述农作物图像信息进行杂草识别，得到杂草信息；根据所述杂草信息得到耕地底图信息；对所述农作物图像信息进行农作物种类识别，得到农作物种类信息；根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息，从而通过北斗定位接收机以及无人机配合使用，实现对农作物的识别，达到提高农作物分布信息准确性的目的。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的农作物分布的监测设备结构示意图；
图2为本发明农作物分布的监测方法第一实施例的流程示意图；
图3为本发明农作物分布的监测方法一实施例的农作物分布的监测整体流程示意图；
图4为本发明农作物分布的监测方法第二实施例的流程示意图；
图5为本发明农作物分布的监测方法第三实施例的流程示意图；
图6为本发明农作物分布的监测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的农作物分布的监测设备结构示意图。
如图1所示，该农作物分布的监测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)，可选用户接口1003还可以包括标准的有线接口以及无线接口，而用户接口1003的有线接口在本发明中可为通用串行总线(Universal Serial Bus，USB)接口。网络接口1004可选的可以包括标准的有线接口以及无线接口(如WI-FI接口)。存储器1005可以是高速随机存取存储器(Random Access Memory，RAM)；也可以是稳定的存储器，比如，非易失存储器(Non-volatile Memory)，具体可为，磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对农作物分布的监测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及农作物分布的监测程序。
在图1所示的农作物分布的监测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接外设；所述农作物分布的监测设备通过处理器1001调用存储器1005中存储的农作物分布的监测程序，并执行本发明实施例提供的农作物分布的监测方法。
基于上述硬件结构，提出本发明农作物分布的监测方法的实施例。
参照图2，图2为本发明农作物分布的监测方法第一实施例的流程示意图。
在第一实施例中，所述农作物分布的监测方法包括以下步骤：
步骤S10：通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息。
需要说明的是，本实施例的执行主体为农作物分布的监测设备，还可为其他可实现相同或相似功能的设备，本实施例对此不作限制，在本实施例中，以农作物分布的监测设备为例进行说明。
在本实施例中，所述农作物分布的监测设备上设有北斗卫星导航系统接收机，通过北斗卫星导航系统接收机可以接收到所述北斗卫星导航系统采集待展示农田的地理位置信息，通过北斗卫星导航系统可以采集待展示农田的精确地理位置信息，所述北斗卫星导航系统可与用户机之间进行点名通信或信息群发，用户也可以实时点对点通讯而不受距离限制，支持北斗/GPS双模多信号体制运作，除可支持现有的差分定位DGPS工作模式外还可支持北斗工作模式，具有更强的工作能力，可有效解决成本问题。通过RS遥感技术所利用的电磁波还很有限，仅是其中的几个波段范围，在电磁波谱中，尚有许多谱段的资源有待进一步开发，此外，已经被利用的电磁波谱段对许多地物的某些特征还不能准确反映，还需要发展高光谱分辨率遥感以及遥感以外的其他手段相配合，而采用计算机视觉技术主要是通过装备有视频装置的无人机设备，进行对农作物区域实地记录以及勘测，再通过基于深度学习的图像处理算法对采集到的视频信息进行分析处理，通过北斗定位技术在复杂山区地形对典型作物的精准定位，结合GIS的信息处理能力，从而绘制出农作物分布图。
可以理解的是，通过在无人机上配置高清数码相机以及高清摄像头等专业成像设备，根据之前预定好的航线进行飞行，具有拍摄高精准度以及飞行平稳等显著特征，同时，无人机搭载的相关拍摄设备都有着较高的精准度,获取的无人机影像分辨率较高，能够满足大比例以及高清晰度等专业性要求，在此基础上，无人机起降过程中不会有较多的限制条件，安全系数、稳定性、以及经济性都比较高，不受武陵山地区这种地貌以及气候等恶劣条件的影响，能够拍摄到人无法到达的地方，可以防止出现拍摄死角，同时，无人机有着较强的自动化程度，可以搭载不同形式的传感器，对不同领域进行系统化调查，可以在短时间内获取高质量的图像，在图像获取和数据处理等基础上，全面以及深化采集各山区农作物的分布情况。
在具体实现中，所述北斗卫星定位系统定位可采用单点定位和相对定位，单点定位就是根据一台接收机的观测数据来确定接收机位置的方式，它只能采用伪距观测量，相对定位是根据两台以上接收机的观测数据来确定观测点之间的相对位置，它既可采用伪距观测量也可采用相位观测量，将测量到的信息进行信号接收时，会产生信号的散射、反射以及阻挡等噪声问题，可通过软硬件算法对各种噪声滤波，提高北斗使用芯片灵敏度，以及提高抗噪性，在处理信号被阻挡的问题时，利用惯性导航原理以及硬件辅助加速度检测器来推算坐标的位置。
步骤S20：对所述农作物图像信息进行杂草识别，得到杂草信息。
在本实施例中，通过对杂草的识别，根据杂草的分布信息，得到耕地底图信息，主要是对所述农作物图像信息中的杂草形状信息，实现对杂草的识别，由于杂草与农作物在形状上的区别较大，通过形状进行区分，从而更有效的对杂草与农作物进行区分，实现农作物实现的准确性。
步骤S30：根据所述杂草信息得到耕地底图信息。
需要说明的是，所述耕地底图信息为根据杂草信息的分布得到初步农作物的相关信息，在基于耕地底图信息的基础上，再通过农作物的有效识别，从而得到农作物分布信息。
步骤S40：对所述农作物图像信息进行农作物种类识别，得到农作物种类信息。
在具体实现中，首先对农田中的杂草进行在线的识别，通过模板进行形状分辨，以形状分析获得杂草信息，确定杂草位置，从而绘制初步的耕地底图，然后通过对农作物叶片图像的形状分析，根据分析结果得到农作物的类别信息，从而实现对农作物的识别。
步骤S50：根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息。
在本实施例中，可根据所述当前地理位置信息、耕地底图信息以及农作物种类信息通过GIS生成农作物分布信息，GIS可以在现状分析以及空间可行性分析等方面进行应用，并利用空间数据库技术、空间分析技术以及空间数据管理技术来为区域农业规划提供科学规划依据，在农作物精细分类实施时，GIS对相关数据进行采集、管理、分析、模拟和显示，从而生成农作物分布信息，如图3所示的农作物分布的监测整体流程示意图，分为北斗卫星对农作物进行精确定位、智能设备采集相关视频信息、图像处理分析、GIS信息处理以及绘制具体农作物图。
本实施例通过上述方案，通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息；对所述农作物图像信息进行杂草识别，得到杂草信息；根据所述杂草信息得到耕地底图信息；对所述农作物图像信息进行农作物种类识别，得到农作物种类信息；根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息，从而通过北斗定位接收机以及无人机配合使用，实现对农作物的识别，达到提高农作物分布信息准确性的目的。
参照图4，图4为本发明农作物分布的监测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明农作物分布的监测方法的第二实施例。
第二实施例中，所述步骤S10中的通过北斗定位接收机获取待展示农作物分布的当前地理位置信息，包括：
步骤S101，检测北斗定位接收机的信号强度，在所述北斗定位接收机的信号强度大于或等于预设信号阈值时，通过北斗卫星系统得到携带有噪声的地理位置信息。
需要说明的是，所述预设信号阈值可为50％，还可为其他参数信息，本实施例对此不作限制，在本实施例中，以50％为例进行说明，在所述北斗定位接收机的信号强度大于或等于50％时，则说明当前信号正常，不需要通过惯性以及硬件辅助加速度检测器来推算坐标的位置，而是通过延迟相关算法进行噪声处理，提高定位的抗噪性。
步骤S102，获取携带有噪声的地理位置信息的脉冲信号信息，根据所述脉冲信号信息得到延迟信号信息。
在具体实现中，通过获取携带有噪声的地理位置信息的脉冲信号信息，根据所述脉冲信号信息采用以下公式(一)得到延迟信号信息：
其中，s(t)＝A(t)sin(w0t)表示脉冲信号信息，R(t)表示延迟信号信息，LPF表示低通滤波器。
步骤S103，获取目标累计长度，根据所述目标累计长度以及所述延迟信号信息得到相关峰信息。
在本实施例中，获取目标累计长度，根据所述目标累计长度以及所述延迟信号信息采用以下公式(二)得到相关峰信息：
其中，L表示目标累计长度，
表示相关峰信息。
步骤S104，根据所述相关峰信息进行地理位置捕获，得到待展示农作物分布的当前地理位置信息。
进一步地，所述步骤S103之前，所述方法还包括：
采集历史累计长度对应的历史相关峰信息；从历史相关峰信息中选取大于或等于预设相关峰阈值的参考相关峰信息；对所述参考相关峰信息进行尖锐度分析，将满足预设尖锐度的参考相关峰信息对应的历史累计长度作为目标累计长度。
需要说明的是，所述预设相关峰阈值可为128μs，还可为其他参数信息，本实施对此不作限制，在本实施例中，以128μs为例进行说明，将历史相关峰信息中的相关峰值与128μs进行比较，将小于128μs的历史相关峰值进行删除，因为小于128μs的历史相关峰值不利于峰值的检测，再获取筛选后的相关峰值的尖锐度，因为相关峰值越大越平滑，不利于峰值的检测，因此将满足预设尖锐度的参考相关峰信息对应的历史累计长度作为目标累计长度，例如L＝128μs，还可为其他参数信息，本实施例对此不作限制，在本实施例中L＝128μs为例进行说明，即根据历史统计从而选取出最佳的L＝128μs，将128μs作为目标累计长度。
进一步地，所述通过北斗定位接收机获取待展示农作物分布的当前地理位置信息，包括：
检测北斗定位接收机的信号强度，在所述北斗定位接收机的信号强度小于预设信号阈值时，记录当前信号位置信息；调用加速度传感器得到当前的加速度信息；根据所述当前信号位置信息以及加速度信息得到待展示农作物分布的地理位置信息。
在本实施例中，为基于所述北斗定位接收机的信号强度小于预设信号阈值时，则通过惯性以及硬件辅助加速度检测器来推算坐标的位置。
在具体实现中，通过获取在所述北斗定位接收机的信号强度小于预设信号阈值时的当前信号位置信息，然后通过加速度传感器得到当前的加速度信息，得到速度为0时的时间信息，根据所述加速度信息、初始速度信息以及时间信息得到位移信息，然后根据所述当前信号位置信息以及位移信息得到待展示农作物分布的地理位置信息，从而实现农田的准确定位。
本实施例通过上述方案，通过时延算法对接收器得到的携带噪声信号进行处理，从而提高抗噪性，并且通过惯性以及硬件辅助加速度检测器来推算坐标的位置，实现农田的准确定位。
参照图5，图5为本发明农作物分布的监测方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明农作物分布的监测方法的第三实施例。
第三实施例中，所述步骤S20，包括：
步骤S201，提取所述农作物图像信息的形状特征信息、纹理特征信息以及颜色特征信息。
需要说明的是，为了提高农作物识别的准确性，通过提取所述农作物图像信息的形状特征信息、纹理特征信息以及颜色特征信息，提取所述农作物图像信息的形状特征信息的方式可通过Hu不变矩阵以及几何参数法进行形状特征信息的提取，提取所述农作物图像信息的纹理特征信息可通过灰度共生矩阵法进行纹理特征信息的提取，提取所述农作物图像信息的颜色特征信息的方式可通过颜色直方图和颜色矩进行颜色特征提取，还可通过其他方式，本实施例对此不作限制。
步骤S202，根据形状特征信息、纹理特征信息以及颜色特征信息得到相关度信息。
在具体实现中，以农作物图像信息的纹理特征信息为例进行说明，根据灰度共生矩阵法提取农作物图像信息的纹理特征信息，根据灰度共生矩阵中各元素在行方向或列方向上的相似程度得到各个特征信息之间的相关度信息。
步骤S203，在所述相关度信息小于预设相关度阈值时，通过主成分分析对所述形状特征信息、纹理特征信息以及颜色特征信息进行融合，得到综合特征信息。
可以理解的是，所述预设相关度阈值可为70％，还可为其他参数信息，本实施例对此不作限制，在本实施例中，以70％为例进行说明，通过相关度信息可减少向量信息，从而提高数据处理效率，例如在所述相关度信息小于70％时，通过主成分分析对所述形状特征信息、纹理特征信息以及颜色特征信息进行融合，得到综合特征信息。
步骤S204，通过K近邻算法对所述综合特征信息进行杂草识别，得到杂草信息。
需要说明的是，所述K近邻算法为获取综合特征信息到预设参考点的距离信息，根据所述距离信息进行拟合得到相似度信息，根据所述相似度信息实现对杂草信息的识别。
进一步地，所述步骤S40，包括：
获取所述农作物图像信息的叶片信息；提取所述叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量；根据所述叶片特征向量通过叶片识别卷积神经网络进行叶片识别，得到农作物种类信息。
需要说明的是，所述农作物种类信息包括小麦、水稻以及玉米等，通过叶片识别卷积神经网络进行叶片识别，得到农作物种类信息，所述叶片识别卷积神经网络为通过对历史叶片的样本信息以及对应的种类信息进行深度学习得到的叶片识别卷积神经网络。
进一步地，所述提取所述叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量之前，所述方法还包括：
获取叶片信息中的叶片完整度信息；根据所述叶片完整度信息对所述叶片信息进行筛选，得到筛选后的叶片信息。
可以理解的是，由于在农作物的图像信息中有的叶片被遮挡，因此无法实现准确的叶片识别，从而根据叶片完整度信息，将农作物的图像信息中不完整的叶片信息进行筛选，不进行叶片识别，从而提高农作物识别的准确性，其中，可通过筛选规则进行筛选，即在叶片完整度小于50％的叶片不进行处理。
所述提取所述叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量，包括：
提取所述筛选后的叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量。
本实施例通过上述方案，通过获取叶片信息中的叶片完整度信息；根据所述叶片完整度信息对所述叶片信息进行筛选，得到筛选后的叶片信息，从而将农作物的图像信息中不完整的叶片信息进行筛选，不进行叶片识别，提高农作物识别的效率和准确性。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有农作物分布的监测程序，所述农作物分布的监测程序被处理器执行时实现如上文所述的终端入网方法的步骤。
由于本存储介质采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
此外，参照图6，本发明实施例还提出一种农作物分布的监测装置，所述农作物分布的监测装置包括：
获取模块10，用于通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息。
在本实施例中，所述农作物分布的监测设备上设有北斗卫星导航系统接收机，通过北斗卫星导航系统接收机可以接收到所述北斗卫星导航系统采集待展示农田的地理位置信息，通过北斗卫星导航系统可以采集待展示农田的精确地理位置信息，所述北斗卫星导航系统可与用户机之间进行点名通信或信息群发，用户也可以实时点对点通讯而不受距离限制，支持北斗/GPS双模多信号体制运作，除可支持现有的差分定位DGPS工作模式外还可支持北斗工作模式，具有更强的工作能力，可有效解决成本问题。通过RS遥感技术所利用的电磁波还很有限，仅是其中的几个波段范围，在电磁波谱中，尚有许多谱段的资源有待进一步开发，此外，已经被利用的电磁波谱段对许多地物的某些特征还不能准确反映，还需要发展高光谱分辨率遥感以及遥感以外的其他手段相配合，而采用计算机视觉技术主要是通过装备有视频装置的无人机设备，进行对农作物区域实地记录以及勘测，再通过基于深度学习的图像处理算法对采集到的视频信息进行分析处理，通过北斗定位技术在复杂山区地形对典型作物的精准定位，结合GIS的信息处理能力，从而绘制出农作物分布图。
可以理解的是，通过在无人机上配置高清数码相机以及高清摄像头等专业成像设备，根据之前预定好的航线进行飞行，具有拍摄高精准度以及飞行平稳等显著特征，同时，无人机搭载的相关拍摄设备都有着较高的精准度,获取的无人机影像分辨率较高，能够满足大比例以及高清晰度等专业性要求，在此基础上，无人机起降过程中不会有较多的限制条件，安全系数、稳定性、以及经济性都比较高，不受武陵山地区这种地貌以及气候等恶劣条件的影响，能够拍摄到人无法到达的地方，可以防止出现拍摄死角，同时，无人机有着较强的自动化程度，可以搭载不同形式的传感器，对不同领域进行系统化调查，可以在短时间内获取高质量的图像，在图像获取和数据处理等基础上，全面以及深化采集各山区农作物的分布情况。
在具体实现中，所述北斗卫星定位系统定位可采用单点定位和相对定位，单点定位就是根据一台接收机的观测数据来确定接收机位置的方式，它只能采用伪距观测量，相对定位是根据两台以上接收机的观测数据来确定观测点之间的相对位置，它既可采用伪距观测量也可采用相位观测量，将测量到的信息进行信号接收时，会产生信号的散射、反射以及阻挡等噪声问题，可通过软硬件算法对各种噪声滤波，提高北斗使用芯片灵敏度，以及提高抗噪性，在处理信号被阻挡的问题时，利用惯性导航原理以及硬件辅助加速度检测器来推算坐标的位置。
识别模块20，用于对所述农作物图像信息进行杂草识别，得到杂草信息。
在本实施例中，通过对杂草的识别，根据杂草的分布信息，得到耕地底图信息，主要是对所述农作物图像信息中的杂草形状信息，实现对杂草的识别，由于杂草与农作物在形状上的区别较大，通过形状进行区分，从而更有效的对杂草与农作物进行区分，实现农作物实现的准确性。
确定模块30，用于根据所述杂草信息得到耕地底图信息。
需要说明的是，所述耕地底图信息为根据杂草信息的分布得到初步农作物的相关信息，在基于耕地底图信息的基础上，再通过农作物的有效识别，从而得到农作物分布信息。
所述识别模块20，还用于对所述农作物图像信息进行农作物种类识别，得到农作物种类信息。
在具体实现中，首先对农田中的杂草进行在线的识别，通过模板进行形状分辨，以形状分析获得杂草信息，确定杂草位置，从而绘制初步的耕地底图，然后通过对农作物叶片图像的形状分析，根据分析结果得到农作物的类别信息，从而实现对农作物的识别。
生成模块40，用于根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息。
在本实施例中，可根据所述当前地理位置信息、耕地底图信息以及农作物种类信息通过GIS生成农作物分布信息，GIS可以在现状分析以及空间可行性分析等方面进行应用，并利用空间数据库技术、空间分析技术以及空间数据管理技术来为区域农业规划提供科学规划依据，在农作物精细分类实施时，GIS对相关数据进行采集、管理、分析、模拟和显示，从而生成农作物分布信息，如图3所示的农作物分布的监测整体流程示意图，分为北斗卫星对农作物进行精确定位、智能设备采集相关视频信息、图像处理分析、GIS信息处理以及绘制具体农作物图。
本实施例通过上述方案，通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息；对所述农作物图像信息进行杂草识别，得到杂草信息；根据所述杂草信息得到耕地底图信息；对所述农作物图像信息进行农作物种类识别，得到农作物种类信息；根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息，从而通过北斗定位接收机以及无人机配合使用，实现对农作物的识别，达到提高农作物分布信息准确性的目的。
本发明所述农作物分布的监测装置采用了上述所有实施例的全部技术方案，因此至少具有上述实施例的技术方案所带来的所有有益效果，在此不再一一赘述。
以上仅为本发明的优选实施例，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他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种农作物分布的监测方法，其特征在于，所述农作物分布的监测方法包括以下步骤：
通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息；
对所述农作物图像信息进行杂草识别，得到杂草信息；
根据所述杂草信息得到耕地底图信息；
对所述农作物图像信息进行农作物种类识别，得到农作物种类信息；
根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息。
2.如权利要求1所述的农作物分布的监测方法，其特征在于，所述通过北斗定位接收机获取待展示农作物分布的当前地理位置信息，包括：
检测北斗定位接收机的信号强度，在所述北斗定位接收机的信号强度大于或等于预设信号阈值时，通过北斗卫星系统得到携带有噪声的地理位置信息；
获取携带有噪声的地理位置信息的脉冲信号信息，根据所述脉冲信号信息得到延迟信号信息；
获取目标累计长度，根据所述目标累计长度以及所述延迟信号信息得到相关峰信息；
根据所述相关峰信息进行地理位置捕获，得到待展示农作物分布的当前地理位置信息。
3.如权利要求2所述的农作物分布的监测方法，其特征在于，所述获取目标累计长度，根据所述目标累计长度以及所述延迟信号信息得到相关峰信息之前，所述方法还包括：
采集历史累计长度对应的历史相关峰信息；
从历史相关峰信息中选取大于或等于预设相关峰阈值的参考相关峰信息；
对所述参考相关峰信息进行尖锐度分析，将满足预设尖锐度的参考相关峰信息对应的历史累计长度作为目标累计长度。
4.如权利要求1至3中任一项所述的农作物分布的监测方法，其特征在于，所述通过北斗定位接收机获取待展示农作物分布的当前地理位置信息，包括：
检测北斗定位接收机的信号强度，在所述北斗定位接收机的信号强度小于预设信号阈值时，记录当前信号位置信息；
调用加速度传感器得到当前的加速度信息；
根据所述当前信号位置信息以及加速度信息得到待展示农作物分布的地理位置信息。
5.如权利要求1至3中任一项所述的农作物分布的监测方法，其特征在于，所述对所述农作物图像信息进行杂草识别，得到杂草信息，包括：
提取所述农作物图像信息的形状特征信息、纹理特征信息以及颜色特征信息；
根据形状特征信息、纹理特征信息以及颜色特征信息得到相关度信息；
在所述相关度信息小于预设相关度阈值时，通过主成分分析对所述形状特征信息、纹理特征信息以及颜色特征信息进行融合，得到综合特征信息；
通过K近邻算法对所述综合特征信息进行杂草识别，得到杂草信息。
6.如权利要求1至3中任一项所述的农作物分布的监测方法，其特征在于，所述对所述农作物图像信息进行农作物种类识别，得到农作物种类信息，包括：
获取所述农作物图像信息的叶片信息；
提取所述叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量；
根据所述叶片特征向量通过叶片识别卷积神经网络进行叶片识别，得到农作物种类信息。
7.如权利要求6所述的农作物分布的监测方法，其特征在于，所述提取所述叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量之前，所述方法还包括：
获取叶片信息中的叶片完整度信息；
根据所述叶片完整度信息对所述叶片信息进行筛选，得到筛选后的叶片信息；
所述提取所述叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量，包括：
提取所述筛选后的叶片信息中的叶片特征信息，将所述叶片特征信息生成叶片特征向量。
8.一种农作物分布的监测设备，其特征在于，所述农作物分布的监测设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行农作物分布的监测程序，所述农作物分布的监测程序被所述处理器执行时实现如权利要求1至7中任一项所述的农作物分布的监测方法的步骤。
9.一种存储介质，其特征在于，所述存储介质上存储有农作物分布的监测程序，所述农作物分布的监测程序被处理器执行时实现如权利要求1至7中任一项所述的农作物分布的监测方法的步骤。
10.一种农作物分布的监测装置，其特征在于，所述农作物分布的监测装置包括：
获取模块，用于通过北斗定位接收机获取待展示农作物分布的当前地理位置信息以及通过无人机采集对应的农作物图像信息；
识别模块，用于对所述农作物图像信息进行杂草识别，得到杂草信息；
确定模块，用于根据所述杂草信息得到耕地底图信息；
所述识别模块，还用于对所述农作物图像信息进行农作物种类识别，得到农作物种类信息；
生成模块，用于根据所述当前地理位置信息、耕地底图信息以及农作物种类信息生成农作物分布信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010376212.5A CN111556157A (zh) | 2020-05-06 | 2020-05-06 | 农作物分布的监测方法、设备、存储介质及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010376212.5A CN111556157A (zh) | 2020-05-06 | 2020-05-06 | 农作物分布的监测方法、设备、存储介质及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111556157A true CN111556157A (zh) | 2020-08-18 |
Family
ID=72004885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010376212.5A Pending CN111556157A (zh) | 2020-05-06 | 2020-05-06 | 农作物分布的监测方法、设备、存储介质及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111556157A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325868A (zh) * | 2021-05-31 | 2021-08-31 | 南通大学 | 一种基于无人机的农作物实时识别系统及方法 |
| CN114510528A (zh) * | 2022-02-15 | 2022-05-17 | 平安科技（深圳）有限公司 | 农作物产量展示方法、装置电子设备及存储介质 |
| CN114648500A (zh) * | 2022-03-17 | 2022-06-21 | 江西科技师范大学 | 一种基于无人机和深度学习的农作物杂草检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104535574A (zh) * | 2015-01-25 | 2015-04-22 | 无锡桑尼安科技有限公司 | 一种农作物成熟度识别方法 |
| CN109270952A (zh) * | 2018-09-19 | 2019-01-25 | 清远市飞凡创丰科技有限公司 | 一种农田信息获取系统及方法 |
| WO2019083336A1 (ko) * | 2017-10-27 | 2019-05-02 | 전북대학교산학협력단 | 신경회로망 학습에 의한 작물과 잡초 식별 방법 및 장치 |
| CN110334683A (zh) * | 2019-07-12 | 2019-10-15 | 四川长虹电器股份有限公司 | 基于无人机遥感系统智能识别植物的方法 |
| CN110657891A (zh) * | 2019-09-29 | 2020-01-07 | 浙江农林大学 | 一种无人机运用多光谱侦查相机对植物识别的技术 |
-
2020
- 2020-05-06 CN CN202010376212.5A patent/CN111556157A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104535574A (zh) * | 2015-01-25 | 2015-04-22 | 无锡桑尼安科技有限公司 | 一种农作物成熟度识别方法 |
| WO2019083336A1 (ko) * | 2017-10-27 | 2019-05-02 | 전북대학교산학협력단 | 신경회로망 학습에 의한 작물과 잡초 식별 방법 및 장치 |
| CN109270952A (zh) * | 2018-09-19 | 2019-01-25 | 清远市飞凡创丰科技有限公司 | 一种农田信息获取系统及方法 |
| CN110334683A (zh) * | 2019-07-12 | 2019-10-15 | 四川长虹电器股份有限公司 | 基于无人机遥感系统智能识别植物的方法 |
| CN110657891A (zh) * | 2019-09-29 | 2020-01-07 | 浙江农林大学 | 一种无人机运用多光谱侦查相机对植物识别的技术 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113325868A (zh) * | 2021-05-31 | 2021-08-31 | 南通大学 | 一种基于无人机的农作物实时识别系统及方法 |
| CN113325868B (zh) * | 2021-05-31 | 2023-02-28 | 南通大学 | 一种基于无人机的农作物实时识别系统及方法 |
| CN114510528A (zh) * | 2022-02-15 | 2022-05-17 | 平安科技（深圳）有限公司 | 农作物产量展示方法、装置电子设备及存储介质 |
| CN114510528B (zh) * | 2022-02-15 | 2023-11-17 | 平安科技（深圳）有限公司 | 农作物产量展示方法、装置电子设备及存储介质 |
| CN114648500A (zh) * | 2022-03-17 | 2022-06-21 | 江西科技师范大学 | 一种基于无人机和深度学习的农作物杂草检测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110988912B (zh) | 自动驾驶车辆的道路目标与距离检测方法、系统、装置 | |
| US8379913B1 (en) | Adaptive image acquisition and processing with image analysis feedback | |
| CN111556157A (zh) | 农作物分布的监测方法、设备、存储介质及装置 | |
| US8737720B2 (en) | System and method for detecting and analyzing features in an agricultural field | |
| Zhang et al. | Estimation of forest leaf area index using height and canopy cover information extracted from unmanned aerial vehicle stereo imagery | |
| US8873842B2 (en) | Using human intelligence tasks for precise image analysis | |
| CN101349561B (zh) | 大尺度作物种植面积车载调查方法与系统 | |
| US10120543B2 (en) | Plant emergence system | |
| US20130051672A1 (en) | Adaptive Image Acquisition and Processing with Image Analysis Feedback | |
| JP2003344048A (ja) | 森林情報処理システム | |
| Čerňava et al. | Estimation of diameter at breast height from mobile laser scanning data collected under a heavy forest canopy. | |
| US20060012599A1 (en) | System and method for improving signal to noise ratio in 3-D point data scenes under heavy obscuration | |
| CN110765944A (zh) | 基于多源遥感影像的目标识别方法、装置、设备及介质 | |
| CN110413002B (zh) | 一种无人机遥感信息采集方法及装置 | |
| Karl et al. | A technique for estimating rangeland canopy-gap size distributions from high-resolution digital imagery | |
| Thomas et al. | Impacts of abrupt terrain changes and grass cover on vertical accuracy of UAS-SfM derived elevation models | |
| Orlíková et al. | Land cover classification using sentinel-1 SAR data | |
| Yin et al. | Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges | |
| Yang et al. | Comparison of hyperspectral imagery with aerial photography and multispectral imagery for mapping broom snakeweed | |
| Rumora et al. | Spatial video remote sensing for urban vegetation mapping using vegetation indices | |
| CN114719881B (zh) | 一种应用卫星定位的无路径导航算法与系统 | |
| US11580690B1 (en) | Horizon-based navigation | |
| CN114511520A (zh) | 作物形态检测方法、装置、设备及存储介质 | |
| Kato et al. | Accurate ground positioning obtained from 3d data matching between airborne and terrestrial data for ground validation of satellite laser | |
| Izere | Plant Height Estimation Using RTK-GNSS Enabled Unmanned Aerial Vehicle (UAV) Photogrammetry |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200818 |