CN111652754A - 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 - Google Patents
一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 Download PDFInfo
- Publication number
- CN111652754A CN111652754A CN202010426560.9A CN202010426560A CN111652754A CN 111652754 A CN111652754 A CN 111652754A CN 202010426560 A CN202010426560 A CN 202010426560A CN 111652754 A CN111652754 A CN 111652754A
- Authority
- CN
- China
- Prior art keywords
- spectral data
- nanfeng
- mandarin orange
- nanfeng mandarin
- nitrogen
- 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
- 241001672694 Citrus reticulata Species 0.000 title claims abstract description 174
- 239000000618 nitrogen fertilizer Substances 0.000 title claims abstract description 89
- 238000003745 diagnosis Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000001228 spectrum Methods 0.000 title claims abstract description 20
- 238000007726 management method Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 13
- 230000004720 fertilization Effects 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims description 142
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 119
- 235000013399 edible fruits Nutrition 0.000 claims description 85
- 229910052757 nitrogen Inorganic materials 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 23
- 230000003287 optical effect Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 241000196324 Embryophyta Species 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001276 controlling effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000002310 reflectometry Methods 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 238000011144 upstream manufacturing Methods 0.000 claims 1
- 239000002420 orchard Substances 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 3
- 239000003337 fertilizer Substances 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 235000016709 nutrition Nutrition 0.000 description 4
- 230000035764 nutrition Effects 0.000 description 3
- 235000013339 cereals Nutrition 0.000 description 2
- 238000010586 diagram Methods 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
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000796 flavoring agent Substances 0.000 description 1
- 235000019634 flavors Nutrition 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- QJGQUHMNIGDVPM-UHFFFAOYSA-N nitrogen(.) Chemical compound [N] QJGQUHMNIGDVPM-UHFFFAOYSA-N 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
- A01C21/007—Determining fertilization requirements
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Soil Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Environmental Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mining & Mineral Resources (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于智能南丰蜜桔光谱定量监测技术领域，公开了一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法，所述南丰蜜桔智能光谱监测和氮肥定量诊断系统包括：光谱数据采集模块、图像采集模块、主控模块、4G无线数据传输模块、氮肥诊断调控模块、数据存储模块、显示模块。本发明实现了南丰蜜桔的精确施肥和果园的远程监管，显著提高果园的管理效率，降低管理成本。与传统手段相比，本发明快速、无损、省时，而且信息获取量大，可现实南丰蜜桔的精确诊断和智慧调控。同时本发明能够实现南丰蜜桔氮肥的精确管理，提高南丰蜜桔生产的科学化和信息化管理水平，改善南丰蜜桔品质，促进南丰蜜桔产业的可持续发展。
Description
技术领域
本发明属于智能南丰蜜桔光谱定量监测技术领域，尤其涉及一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法。
背景技术
目前，南丰蜜桔是江西驰名中外的名优特产，自古以来就有“贡桔”之美称，距今已有1300多年栽培历史，以皮薄核少、汁多化渣、甜酸适口、风味独特而享誉中外，被斯大林誉为“桔中之王”。2003年，南丰蜜桔被国家质量监督检验检疫总局批准为原产地域保护产品，这是我国最早获原产地域保护的柑桔品种。2007年，南丰蜜桔被国家工商总局认定为“中国驰名商标”。目前，南丰蜜桔种植面积达100万亩，产值超过一百亿元。远销东南亚、中东、北美、南美、欧盟等48个国家和地区。近年来，南丰蜜桔生产得到了突飞猛进的发展，但令人忧虑的是，南丰蜜桔的品质却存在着下降的问题，已经严重影响南丰蜜桔的自身形象和竞争力。营养条件影响南丰蜜桔的生长发育、产量形成及果实品质优劣。研究表明，精确施肥可改善南丰蜜桔品质，能明显提高果实可食率，从而提高南丰蜜桔的品质。精准施肥，既可经济有效地利用肥料，又可有效地改善果实品质。精确、科学施肥，提高肥料利用率，减少肥料损失，最大限度提高肥料增产增收效益，消除施肥不当引起的对环境造成的不良影响。而营养肥料中，氮肥又是南丰蜜桔需求最大，消耗最多，对生长影响最显著的。不同生育时期对氮肥的需求和敏感性差异较大。南丰蜜桔对缺氮较为敏感，缺氮致使新梢抽生不正常，枝叶稀少而细小，叶薄，叶色呈淡绿色至黄色，病叶提前脱落。而叶片中氮素含量过多，会使果实皮粗果大。
但目前南丰蜜桔果园管理水平较低，管理较粗放，造成营养不平衡而影响品质，使南丰蜜桔品质下降。传统南丰蜜桔生产管理仅凭经验对树势强弱做出判断并进行施肥，对南丰蜜桔生长状况往往缺乏准确量化认识，造成施肥不足导致植株长势差、产量低、品质不佳等问题，或过量施肥(特别是氮肥)，易造成树长叶不长果、果实酸度增高、肥料利用率下降、生产成本上升和面源污染等问题，从而影响南丰蜜桔的丰产提质增效。基于反射光谱监测南丰蜜桔的氮肥营养状况，是实现南丰蜜桔实时、无损、快速诊断的有效工具和手段。
通过上述分析，现有技术存在的问题及缺陷为：现有技术中南丰蜜桔果园管理水平较低，管理较粗放，凭经验施肥，缺乏精确的手段，造成营养不平衡而影响品质，使南丰蜜桔品质下降。基于光谱的氮肥精确诊断调控已在水稻、小麦等作物上有大量的研究和应用，但基于南丰蜜桔生理特征的光谱数据精确获取、氮肥的诊断调控还未见报道。
发明内容
针对现有技术存在的问题，本发明提供了一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法。
本发明是这样实现的，一种南丰蜜桔智能光谱监测和氮肥定量诊断方法，其特征在于，所述南丰蜜桔智能光谱监测和氮肥定量诊断方法，包括：
步骤一，光谱数据采集模块采用定制的特征波段多光谱传感器，实时获取南丰蜜桔光谱数据，将采集的光谱数据传递到主控模块；图像采集模块利用摄像头，实时获取果树图像信息，将果树图像信息传递到主控模块；
步骤二，根据采集的数据，氮肥诊断调控模块，对采集到的南丰蜜桔光谱数据进行处理，通过模型对南丰蜜桔氮肥进行诊断调控，指导氮肥精确管理，与主控模块连接；
步骤三，主控模块控制4G无线数据传输模块采用4G网络技术，实时传输光谱和图像数据；主控模块控制数据存储模块通过存储器存储采集的南丰蜜桔光谱数据、图像数据和氮肥的诊断调控结果；
步骤四，主控模块控制显示模块通过显示器显示采集的南丰蜜桔光谱数据、图像、氮肥的诊断调控结果。
进一步，所述步骤一中，光谱数据采集模块中定制的特征波段多光谱传感器对获取南丰蜜桔光谱数据进行数据融合的方法，包括：
1)将采集的南丰蜜桔光谱数据建立相应的矩阵，并且求出南丰蜜桔光谱数据相应的协方差矩阵；
2)求出南丰蜜桔光谱数据的协方差矩阵的特征值，并对相应的特征值进行排序；
3)选取N个南丰蜜桔光谱数据矩阵对应的特征值，并且计算出特征值对应的特征向量；
4)根据特征向量建立相应的特征矢量，并转化成统一与南丰蜜桔光谱数据相对应的特征矢量。
进一步，所述步骤一中，图像采集模块对获取果树图像信息进行处理的过程为：
对采集的果树图像信息中识别获取含有噪声的图像信息，建立相应的训练样本；
利用小波变换对含有噪声的图像信息训练样本进行分解，确定相应的极值点；根据确定的极值点，改变较低的极值点；
根据处理完成的果树图像，对果树图像进行重组，得到去噪完成的果树图像。
进一步，所述步骤一中，图像采集模块对果树图像中的果树特征提取方法，包括：
(1)根据设定的要求，选择果树图像中的获取图像区域；
(2)将获取的图像区域划分成多个小区域，并且求出果树图像区域中的像素灰度值；
(3)根据果树图像区域中的像素灰度值，建立果树的果树直方图，并进行归一化处理；
(4)根据归一化处理的果树直方图，组合成所要提取的果树特征。
进一步，所述步骤二中，氮肥诊断调控模块判断方法如下：
步骤A：通过光谱数据采集模块采集南丰蜜桔光谱数据Rλ550和Rλ805，光谱数据采集采用多光谱传感器测量南丰蜜桔冠层特征光谱反射率；
步骤B：氮肥诊断调控模块对采集的光谱数据进行统计分析处理，根据光谱数据，可估算南丰蜜桔叶片实时氮含量；
步骤C：通过在南丰蜜桔目标产量下的估算最高叶片氮含量、总需氮量和单位叶片氮含量需氮量的基础上，利用相应的计算公式计算得到各时期施氮量。
进一步，所述步骤A中多光谱传感器由550和805nm两种探测镜头组成。
进一步，所述步骤A中多光谱传感器系统利用太阳光做光源，采用滤光片分光，在结构上分为上行光传感器和下行光传感器，光谱滤光片带宽10nm；
上行光传感器接收太阳光550和805nm波段处辐射信息，并进行余弦纠正，下行光传感器接收对应波段南丰蜜桔冠层反射光辐射信息。
进一步，所述步骤B中，估算南丰蜜桔叶片实时氮含量(LNC)模型方程为：
LNC＝a×DVI2+b×DVI+c；
式中：a、b和c为方程系数，由试验数据拟合而得，根据研究得出a、b和c的值分别为-0.205、3.514和8.052；DVI为南丰蜜桔冠层差值植被指数，公式为DVI＝Rλ550-Rλ805。
进一步，所述步骤C中，利用如下公式计算得到各时期施氮量为：
PN＝(LNCmax–LNC)×LNDLNC；
式中，LNCmax为目标产量下的最高叶片氮含量，可以通过当地高产条件下的历史数据获得，一定地区土壤及环境条件下，获得目标产量的LNCmax相对稳定；南丰蜜桔春、夏、秋季施肥前的最高叶片氮含量LNCmax的值分别为3.0、2.6和2.8；LNC为各时期实时叶片氮含量，可以根据光谱数据实时监测估算求得；LNDLNC为目标产量下的单位叶片氮含量需氮量kg/株，LNDLNC＝TND/LNCmax；TND为获得目标产量的总需氮量，kg/株，TND＝GYT×ND，GYT为目标产量，kg/株，可以通过当地高产条件下的历史数据获得，一定地区土壤及环境条件下，GYT相对稳定，南丰蜜桔成年丰产果树一般为60kg/株；ND为单位籽粒吸氮量，根据试验结果确定，南丰蜜桔ND均取值0.015。
本发明的另一目的在于提供一种实施所述南丰蜜桔智能光谱监测和氮肥定量诊断方法的南丰蜜桔智能光谱监测和氮肥定量诊断系统，其特征在于，所述南丰蜜桔智能光谱监测和氮肥定量诊断系统包括：
光谱数据采集模块，采用定制的特征波段多光谱传感器，实时获取南丰蜜桔光谱数据，将采集的光谱数据传递到主控模块；光谱数据采集模块中定制的特征波段多光谱传感器对获取南丰蜜桔光谱数据进行数据融合的过程为：将采集的南丰蜜桔光谱数据建立相应的矩阵，并且求出南丰蜜桔光谱数据相应的协方差矩阵；求出南丰蜜桔光谱数据的协方差矩阵的特征值，并对相应的特征值进行排序；选取N个南丰蜜桔光谱数据矩阵对应的特征值，并且计算出特征值对应的特征向量；根据特征向量建立相应的特征矢量，并转化成统一与南丰蜜桔光谱数据相对应的特征矢量；
图像采集模块，采用通用的摄像头，实时获取果树图像信息，将果树图像信息传递到主控模块；图像采集模块对获取果树图像信息进行处理的过程为：对采集的果树图像信息中识别获取含有噪声的图像信息，建立相应的训练样本；利用小波变换对含有噪声的图像信息训练样本进行分解，确定相应的极值点；根据确定的极值点，改变较低的极值点；根据处理完成的果树图像，对果树图像进行重组，得到去噪完成的果树图像；
氮肥诊断调控模块，对采集到的南丰蜜桔光谱数据进行处理，通过模型对南丰蜜桔氮肥进行诊断调控，指导氮肥精确管理，与主控模块连接；通过光谱数据采集模块采集南丰蜜桔光谱数据Rλ550和Rλ805，光谱数据采集采用多光谱传感器测量南丰蜜桔冠层特征光谱反射率；氮肥诊断调控模块对采集的光谱数据进行统计分析处理，根据光谱数据，可估算南丰蜜桔叶片实时氮含量；通过在南丰蜜桔目标产量下的估算最高叶片氮含量、总需氮量和单位叶片氮含量需氮量的基础上，利用相应的计算公式计算得到各时期施氮量；
4G无线数据传输模块，采用4G网络技术，实时传输光谱和图像数据，与主控模块连接；
主控模块，与光谱数据采集模块、图像采集模块、氮肥诊断调控模块、4G无线数据传输模块、数据存储模块、显示模块连接，用于控制各个模块正常工作，对光谱数据进行处理；
数据存储模块，用于通过存储器存储采集的南丰蜜桔光谱数据、图像数据和氮肥的诊断调控结果，与主控模块连接；
显示模块，用于通过显示器显示采集的南丰蜜桔光谱数据、图像、氮肥的诊断调控结果，与主控模块连接。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：
(1)光谱数据采集模块，采用定制的特征波段多光谱传感器，实时获取南丰蜜桔光谱数据，将采集的光谱数据传递到主控模块。图像采集模块，采用通用的摄像头，实时获取果树图像信息，将果树图像信息传递到主控模块。氮肥诊断调控模块，对采集到的南丰蜜桔光谱数据进行处理，通过模型对南丰蜜桔氮肥进行诊断调控，指导氮肥精确管理，与主控模块连接。4G无线数据传输模块，采用4G网络技术(兼容移动、电信、联通)，实时传输光谱和图像数据，与主控模块连接。数据存储模块，用于通过存储器存储采集的南丰蜜桔光谱数据、图像数据和氮肥的诊断调控结果，与主控模块连接。显示模块，用于通过显示器显示采集的南丰蜜桔光谱数据、图像、氮肥的诊断调控结果，与主控模块连接。本发明通过光谱数据采集模块，监测南丰蜜桔果树的生长特性；数据通过4G网络将光谱数据传输到主控模块，通过氮肥诊断模块对南丰蜜桔的氮肥需缺进行定量诊断，指导果园的精确施肥。本发明实现了南丰蜜桔的精确施肥和果园的远程监管，显著提高果园的管理效率，降低管理成本，提高南丰蜜桔生产的信息化水平。同时与传统手段相比，本发明技术快速、无损、省时，而且信息获取量大，可现实南丰蜜桔的精确诊断和智慧调控。本发明能够实现南丰蜜桔氮肥的精确管理，提高南丰蜜桔生产的科学化和信息化管理水平，改善南丰蜜桔品质，促进南丰蜜桔产业的可持续发展。
(2)本发明中光谱数据采集模块中定制的特征波段多光谱传感器对获取南丰蜜桔光谱数据进行数据融合，便于对果树图像数据进行管理，能够提高数据的输出的准确度。
(3)本发明中图像采集模块对获取果树图像信息进行去噪，有助于图像信息的提取。
(4)本发明中图像采集模块对果树图像中的果树特征提取方法，能够精确对果树的特征进行提取，提高了对果树的识别诊断。
(5)本发明中氮肥诊断调控模块判断方法，估算南丰蜜桔氮肥的精确施肥量，生成南丰蜜桔氮肥管理处方图，精确指导南丰蜜桔的施肥。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅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是本发明实施例提供的南丰蜜桔智能光谱监测和氮肥定量诊断系统结构示意图；
图中：1、光谱数据采集模块；2、图像采集模块；3、主控模块；4、4G无线数据传输模块；5、氮肥诊断调控模块；6、数据存储模块；7、显示模块。
图2是本发明实施例提供的南丰蜜桔智能光谱监测和氮肥定量诊断方法流程图。
图3是本发明实施例提供的光谱数据采集模块中定制的特征波段多光谱传感器对获取南丰蜜桔光谱数据进行数据融合的方法流程图。
图4是本发明实施例提供的图像采集模块对果树图像中的果树特征提取方法流程图。
图5是本发明实施例提供的南丰蜜桔智能光谱监测和氮肥定量诊断系统运行原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。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。
针对现有技术存在的问题，本发明提供了一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的南丰蜜桔智能光谱监测和氮肥定量诊断系统包括：
光谱数据采集模块1，采用定制的特征波段多光谱传感器，实时获取南丰蜜桔光谱数据，将采集的光谱数据传递到主控模块。
图像采集模块2，采用通用的摄像头，实时获取果树图像信息，将果树图像信息传递到主控模块3。
氮肥诊断调控模块5，对采集到的南丰蜜桔光谱数据进行处理，通过模型对南丰蜜桔氮肥进行诊断调控，指导氮肥精确管理，与主控模块3连接。
4G无线数据传输模块4，采用4G网络技术(兼容移动、电信、联通)，实时传输光谱和图像数据，与主控模块3连接。
主控模块3，与光谱数据采集模块1、图像采集模块2、氮肥诊断调控模块5、4G无线数据传输模块4、数据存储模块6、显示模块7连接，用于控制各个模块正常工作，对光谱数据进行处理。
数据存储模块6，用于通过存储器存储采集的南丰蜜桔光谱数据、图像数据和氮肥的诊断调控结果，与主控模块3连接。
显示模块7，用于通过显示器显示采集的南丰蜜桔光谱数据、图像、氮肥的诊断调控结果，与主控模块3连接。
如图2所示，本发明实施例提供的南丰蜜桔智能光谱监测和氮肥定量诊断方法，包括：
S101：光谱数据采集模块采用定制的特征波段多光谱传感器，实时获取南丰蜜桔光谱数据，将采集的光谱数据传递到主控模块；图像采集模块利用摄像头，实时获取果树图像信息，将果树图像信息传递到主控模块。
S102：根据采集的数据，氮肥诊断调控模块，对采集到的南丰蜜桔光谱数据进行处理，通过模型对南丰蜜桔氮肥进行诊断调控，指导氮肥精确管理，与主控模块连接。
S103：主控模块控制4G无线数据传输模块采用4G网络技术(兼容移动、电信、联通)，实时传输光谱和图像数据；主控模块控制数据存储模块通过存储器存储采集的南丰蜜桔光谱数据、图像数据和氮肥的诊断调控结果。
S104：主控模块控制显示模块通过显示器显示采集的南丰蜜桔光谱数据、图像、氮肥的诊断调控结果。
本发明实施例提供的S101中，光谱数据采集模块中定制的特征波段多光谱传感器对获取南丰蜜桔光谱数据进行数据融合的方法，包括：
S201：将采集的南丰蜜桔光谱数据建立相应的矩阵，并且求出南丰蜜桔光谱数据相应的协方差矩阵；
S202：求出南丰蜜桔光谱数据的协方差矩阵的特征值，并对相应的特征值进行排序；
S203：选取N个南丰蜜桔光谱数据矩阵对应的特征值，并且计算出特征值对应的特征向量；
S204：根据特征向量建立相应的特征矢量，并转化成统一与南丰蜜桔光谱数据相对应的特征矢量。
本发明实施例提供的S101中，图像采集模块对获取果树图像信息进行处理的过程为：
对采集的果树图像信息中识别获取含有噪声的图像信息，建立相应的训练样本；
利用小波变换对含有噪声的图像信息训练样本进行分解，确定相应的极值点；根据确定的极值点，改变较低的极值点；
根据处理完成的果树图像，对果树图像进行重组，得到去噪完成的果树图像。
本发明实施例提供的S101中，图像采集模块对果树图像中的果树特征提取方法，包括：
S301：根据设定的要求，选择果树图像中的获取图像区域；
S302：将获取的图像区域划分成多个小区域，并且求出果树图像区域中的像素灰度值；
S303：根据果树图像区域中的像素灰度值，建立果树的果树直方图，并进行归一化处理；
S304：根据归一化处理的果树直方图，组合成所要提取的果树特征。
本发明实施例提供的S102中，肥诊断调控模块判断方法如下：
步骤A：通过光谱数据采集模块采集南丰蜜桔光谱数据Rλ550和Rλ805，光谱数据采集采用多光谱传感器测量南丰蜜桔冠层特征光谱反射率；
步骤B：氮肥诊断调控模块对采集的光谱数据进行统计分析处理，根据光谱数据，可估算南丰蜜桔叶片实时氮含量(LNC)；
步骤C：通过在南丰蜜桔目标产量下的估算最高叶片氮含量(LNCmax)、总需氮量(TND，kg/株)和单位叶片氮含量需氮量(LNDLNC，kg/株)的基础上，利用相应的计算公式计算得到各时期施氮量。
所述步骤A中多光谱传感器由550和805nm两种探测镜头组成。
所述步骤A中多光谱传感器系统利用太阳光做光源，采用滤光片分光，在结构上分为上行光传感器和下行光传感器，光谱滤光片带宽10nm。
上行光传感器接收太阳光550和805nm波段处辐射信息，并进行余弦纠正，下行光传感器接收对应波段南丰蜜桔冠层反射光辐射信息。
所述步骤B中，估算南丰蜜桔叶片实时氮含量(LNC)模型方程为：
LNC＝a×DVI2+b×DVI+c；
式中：a、b和c为方程系数，由试验数据拟合而得，根据研究得出a、b和c的值分别为-0.205、3.514和8.052；DVI为南丰蜜桔冠层差值植被指数，公式为DVI＝Rλ550-Rλ805。
所述步骤C中，利用如下公式计算得到各时期施氮量为：
PN＝(LNCmax–LNC)×LNDLNC；
式中，LNCmax为目标产量下的最高叶片氮含量，可以通过当地高产条件下的历史数据获得，一定地区土壤及环境条件下，获得目标产量的LNCmax相对稳定；南丰蜜桔春、夏、秋季施肥前的最高叶片氮含量(LNCmax)的值分别为3.0、2.6和2.8；LNC为各时期实时叶片氮含量，可以根据光谱数据实时监测估算求得；LNDLNC为目标产量下的单位叶片氮含量需氮量(kg/株)，LNDLNC＝TND/LNCmax；TND为获得目标产量的总需氮量，kg/株，TND＝GYT×ND，GYT为目标产量，kg/株，可以通过当地高产条件下的历史数据获得，一定地区土壤及环境条件下，GYT相对稳定，南丰蜜桔成年丰产果树一般为60kg/株；ND为单位籽粒吸氮量，根据试验结果确定，南丰蜜桔ND均取值0.015。
本发明的工作原理为：光谱数据采集模块1采用定制的特征波段多光谱传感器，实时获取南丰蜜桔光谱数据，将采集的光谱数据传递到主控模块；图像采集模块2利用摄像头，实时获取果树图像信息，将果树图像信息传递到主控模块。
根据采集的数据，氮肥诊断调控模块5，对采集到的南丰蜜桔光谱数据进行处理，通过模型对南丰蜜桔氮肥进行诊断调控，指导氮肥精确管理，与主控模块3连接。主控模块3控制4G无线数据传输模块4采用4G网络技术(兼容移动、电信、联通)，实时传输光谱和图像数据；主控模块3控制数据存储模块6通过存储器存储采集的南丰蜜桔光谱数据、图像数据和氮肥的诊断调控结果。主控模块3控制显示模块7通过显示器显示采集的南丰蜜桔光谱数据、图像、氮肥的诊断调控结果。
以上所述，仅为本发明较优的具体的实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种南丰蜜桔智能光谱监测和氮肥定量诊断方法，其特征在于，所述南丰蜜桔智能光谱监测和氮肥定量诊断方法，包括：
步骤一，光谱数据采集模块采用定制的特征波段多光谱传感器，实时获取南丰蜜桔光谱数据，将采集的光谱数据传递到主控模块；图像采集模块利用摄像头，实时获取果树图像信息，将果树图像信息传递到主控模块；所述光谱数据采集模块中定制的特征波段多光谱传感器对获取南丰蜜桔光谱数据进行数据融合的方法，包括：
1)将采集的南丰蜜桔光谱数据建立相应的矩阵，并且求出南丰蜜桔光谱数据相应的协方差矩阵；
2)求出南丰蜜桔光谱数据的协方差矩阵的特征值，并对相应的特征值进行排序；
3)选取N个南丰蜜桔光谱数据矩阵对应的特征值，并且计算出特征值对应的特征向量；
4)根据特征向量建立相应的特征矢量，并转化成统一与南丰蜜桔光谱数据相对应的特征矢量；
步骤二，根据采集的数据，氮肥诊断调控模块，对采集到的南丰蜜桔光谱数据进行处理，通过模型对南丰蜜桔氮肥进行诊断调控，指导氮肥精确管理，与主控模块连接；氮肥诊断调控模块判断方法如下：
步骤A：通过光谱数据采集模块采集南丰蜜桔光谱数据Rλ550和Rλ805，光谱数据采集采用多光谱传感器测量南丰蜜桔冠层特征光谱反射率；
步骤B：氮肥诊断调控模块对采集的光谱数据进行统计分析处理，根据光谱数据，可估算南丰蜜桔叶片实时氮含量；
步骤C：通过在南丰蜜桔目标产量下的估算最高叶片氮含量、总需氮量和单位叶片氮含量需氮量的基础上，利用相应的计算公式计算得到各时期施氮量；
步骤三，主控模块控制4G无线数据传输模块采用4G网络技术，实时传输光谱和图像数据；主控模块控制数据存储模块通过存储器存储采集的南丰蜜桔光谱数据、图像数据和氮肥的诊断调控结果；
步骤四，主控模块控制显示模块通过显示器显示采集的南丰蜜桔光谱数据、图像、氮肥的诊断调控结果。
2.如权利要求1所述的南丰蜜桔智能光谱监测和氮肥定量诊断方法，其特征在于，所述步骤一中，图像采集模块对获取果树图像信息进行处理的过程为：
对采集的果树图像信息中识别获取含有噪声的图像信息，建立相应的训练样本；
利用小波变换对含有噪声的图像信息训练样本进行分解，确定相应的极值点；根据确定的极值点，改变较低的极值点；
根据处理完成的果树图像，对果树图像进行重组，得到去噪完成的果树图像。
3.如权利要求1所述的南丰蜜桔智能光谱监测和氮肥定量诊断方法，其特征在于，所述步骤一中，图像采集模块对果树图像中的果树特征提取方法，包括：
(1)根据设定的要求，选择果树图像中的获取图像区域；
(2)将获取的图像区域划分成多个小区域，并且求出果树图像区域中的像素灰度值；
(3)根据果树图像区域中的像素灰度值，建立果树的果树直方图，并进行归一化处理；
(4)根据归一化处理的果树直方图，组合成所要提取的果树特征。
4.如权利要求1所述的南丰蜜桔智能光谱监测和氮肥定量诊断方法，其特征在于，所述步骤A中多光谱传感器由550和805nm两种探测镜头组成。
5.如权利要求1所述的南丰蜜桔智能光谱监测和氮肥定量诊断方法，其特征在于，所述步骤A中多光谱传感器系统利用太阳光做光源，采用滤光片分光，在结构上分为上行光传感器和下行光传感器，光谱滤光片带宽10nm；
上行光传感器接收太阳光550和805nm波段处辐射信息，并进行余弦纠正，下行光传感器接收对应波段南丰蜜桔冠层反射光辐射信息。
6.如权利要求1所述的南丰蜜桔智能光谱监测和氮肥定量诊断方法，其特征在于，所述步骤B中，估算南丰蜜桔叶片实时氮含量(LNC)模型方程为：
LNC＝a×DVI2+b×DVI+c；
式中：a、b和c为方程系数，由试验数据拟合而得，根据研究得出a、b和c的值分别为-0.205、3.514和8.052；DVI为南丰蜜桔冠层差值植被指数，公式为DVI＝Rλ550-Rλ805。
7.如权利要求1所述的南丰蜜桔智能光谱监测和氮肥定量诊断方法，其特征在于，所述步骤C中，利用如下公式计算得到各时期施氮量为：
PN＝(LNCmax–LNC)×LNDLNC；
式中，LNCmax为目标产量下的最高叶片氮含量，可以通过当地高产条件下的历史数据获得，一定地区土壤及环境条件下，获得目标产量的LNCmax相对稳定；南丰蜜桔春、夏、秋季施肥前的最高叶片氮含量LNCmax的值分别为3.0、2.6和2.8；LNC为各时期实时叶片氮含量，可以根据光谱数据实时监测估算求得；LNDLNC为目标产量下的单位叶片氮含量需氮量kg/株，LNDLNC＝TND/LNCmax；TND为获得目标产量的总需氮量，kg/株，TND＝GYT×ND，GYT为目标产量，kg/株，可以通过当地高产条件下的历史数据获得，一定地区土壤及环境条件下，GYT相对稳定，南丰蜜桔成年丰产果树一般为60kg/株；ND为单位籽粒吸氮量，根据试验结果确定，南丰蜜桔ND均取值0.015。
8.一种实施如权利要求1-7任意一项所述南丰蜜桔智能光谱监测和氮肥定量诊断方法的南丰蜜桔智能光谱监测和氮肥定量诊断系统，其特征在于，所述南丰蜜桔智能光谱监测和氮肥定量诊断系统包括：
光谱数据采集模块，采用定制的特征波段多光谱传感器，实时获取南丰蜜桔光谱数据，将采集的光谱数据传递到主控模块；光谱数据采集模块中定制的特征波段多光谱传感器对获取南丰蜜桔光谱数据进行数据融合的过程为：将采集的南丰蜜桔光谱数据建立相应的矩阵，并且求出南丰蜜桔光谱数据相应的协方差矩阵；求出南丰蜜桔光谱数据的协方差矩阵的特征值，并对相应的特征值进行排序；选取N个南丰蜜桔光谱数据矩阵对应的特征值，并且计算出特征值对应的特征向量；根据特征向量建立相应的特征矢量，并转化成统一与南丰蜜桔光谱数据相对应的特征矢量；
图像采集模块，采用通用的摄像头，实时获取果树图像信息，将果树图像信息传递到主控模块；图像采集模块对获取果树图像信息进行处理的过程为：对采集的果树图像信息中识别获取含有噪声的图像信息，建立相应的训练样本；利用小波变换对含有噪声的图像信息训练样本进行分解，确定相应的极值点；根据确定的极值点，改变较低的极值点；根据处理完成的果树图像，对果树图像进行重组，得到去噪完成的果树图像；
氮肥诊断调控模块，对采集到的南丰蜜桔光谱数据进行处理，通过模型对南丰蜜桔氮肥进行诊断调控，指导氮肥精确管理，与主控模块连接；通过光谱数据采集模块采集南丰蜜桔光谱数据Rλ550和Rλ805，光谱数据采集采用多光谱传感器测量南丰蜜桔冠层特征光谱反射率；氮肥诊断调控模块对采集的光谱数据进行统计分析处理，根据光谱数据，可估算南丰蜜桔叶片实时氮含量；通过在南丰蜜桔目标产量下的估算最高叶片氮含量、总需氮量和单位叶片氮含量需氮量的基础上，利用相应的计算公式计算得到各时期施氮量；
4G无线数据传输模块，采用4G网络技术，实时传输光谱和图像数据，与主控模块连接；
主控模块，与光谱数据采集模块、图像采集模块、氮肥诊断调控模块、4G无线数据传输模块、数据存储模块、显示模块连接，用于控制各个模块正常工作，对光谱数据进行处理；
数据存储模块，用于通过存储器存储采集的南丰蜜桔光谱数据、图像数据和氮肥的诊断调控结果，与主控模块连接；
显示模块，用于通过显示器显示采集的南丰蜜桔光谱数据、图像、氮肥的诊断调控结果，与主控模块连接。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426560.9A CN111652754B (zh) | 2020-05-19 | 2020-05-19 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010426560.9A CN111652754B (zh) | 2020-05-19 | 2020-05-19 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111652754A true CN111652754A (zh) | 2020-09-11 |
| CN111652754B CN111652754B (zh) | 2022-04-22 |
Family
ID=72348116
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010426560.9A Active CN111652754B (zh) | 2020-05-19 | 2020-05-19 | 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652754B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119536A (zh) * | 2021-11-22 | 2022-03-01 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
| CN115297243A (zh) * | 2022-08-04 | 2022-11-04 | 江西省农业科学院农业工程研究所 | 一种水稻图像识别和氮肥定量诊断系统及方法 |
| CN115777312A (zh) * | 2023-02-10 | 2023-03-14 | 中国建设基础设施有限公司 | 一种基于土壤信息实时采集与分析的动态施肥方法 |
| CN116297243A (zh) * | 2023-02-28 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103940748A (zh) * | 2014-03-10 | 2014-07-23 | 浙江大学 | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 |
| US20180035605A1 (en) * | 2016-08-08 | 2018-02-08 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
| CN107690925A (zh) * | 2017-11-09 | 2018-02-16 | 湖南杂交水稻研究中心 | 一种杂交水稻精确追肥方法 |
| CN108476696A (zh) * | 2018-03-20 | 2018-09-04 | 江西省农业科学院农业工程研究所 | 一种基于光谱的双季稻穗肥追氮调控方法 |
| CN109444069A (zh) * | 2018-09-13 | 2019-03-08 | 南京农业大学 | 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法 |
-
2020
- 2020-05-19 CN CN202010426560.9A patent/CN111652754B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103940748A (zh) * | 2014-03-10 | 2014-07-23 | 浙江大学 | 基于高光谱技术的柑橘冠层含氮量预测与可视化的方法 |
| US20180035605A1 (en) * | 2016-08-08 | 2018-02-08 | The Climate Corporation | Estimating nitrogen content using hyperspectral and multispectral images |
| CN107690925A (zh) * | 2017-11-09 | 2018-02-16 | 湖南杂交水稻研究中心 | 一种杂交水稻精确追肥方法 |
| CN108476696A (zh) * | 2018-03-20 | 2018-09-04 | 江西省农业科学院农业工程研究所 | 一种基于光谱的双季稻穗肥追氮调控方法 |
| CN109444069A (zh) * | 2018-09-13 | 2019-03-08 | 南京农业大学 | 一种基于无人机载主动冠层传感器的水稻氮素营养监测方法 |
Non-Patent Citations (3)
| Title |
|---|
| GUO,R 等: "SIMULATION OF SOYBEAN CANOPY NUTRIENT CONTENTS BY HYPERSPECTRAL REMOTE SENSING", 《APPLIED ECOLOGY AND ENVIRONMENTAL RESEARCH》 * |
| 李岚涛: "冬油菜氮素营养高光谱特异性及定量诊断模型构建与推荐追肥研究", 《中国优秀博硕士学位论文全文数据库(博士) 农业科技辑》 * |
| 舒时富 等: "南丰蜜桔叶片氮含量光谱监测模型的构建", 《农业与技术》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119536A (zh) * | 2021-11-22 | 2022-03-01 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
| CN115297243A (zh) * | 2022-08-04 | 2022-11-04 | 江西省农业科学院农业工程研究所 | 一种水稻图像识别和氮肥定量诊断系统及方法 |
| CN115297243B (zh) * | 2022-08-04 | 2023-05-23 | 江西省农业科学院农业工程研究所 | 一种水稻图像识别和氮肥定量诊断系统及方法 |
| CN115777312A (zh) * | 2023-02-10 | 2023-03-14 | 中国建设基础设施有限公司 | 一种基于土壤信息实时采集与分析的动态施肥方法 |
| CN116297243A (zh) * | 2023-02-28 | 2023-06-23 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
| CN116297243B (zh) * | 2023-02-28 | 2024-02-02 | 北京市农林科学院信息技术研究中心 | 烤烟氮肥追施量估计方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111652754B (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652754B (zh) | 一种南丰蜜桔智能光谱监测和氮肥定量诊断系统及方法 | |
| CN111666815B (zh) | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 | |
| CN110119767B (zh) | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 | |
| CN110793921A (zh) | 一种抽雄授粉期玉米洪涝灾害遥感监测与评估方法与系统 | |
| CN114612794B (zh) | 一种细碎化农业区土地覆被与种植结构的遥感识别方法 | |
| CN102175626A (zh) | 一种基于光谱图像分析的黄瓜叶片含氮量预测方法 | |
| CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
| JP7311102B2 (ja) | 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム | |
| CN114821321A (zh) | 一种基于多尺度级联卷积神经网络的叶片高光谱图像分类和回归方法 | |
| CN115063690B (zh) | 一种基于ndvi时序特征的植被分类方法 | |
| KR20190069648A (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
| CN113609910A (zh) | 基于遥感影像的冬小麦生长前期空间分布监测方法及装置 | |
| Jarolmasjed et al. | Proximal hyperspectral sensing of stomatal conductance to monitor the efficacy of exogenous abscisic acid applications in apple trees | |
| Katz et al. | Spatiotemporal normalized ratio methodology to evaluate the impact of field-scale variable rate application | |
| CN111160250A (zh) | 一种基于人工神经网络的蓝莓生长期检测方法及装置 | |
| Qian et al. | Development and application of crop monitoring system for detecting chlorophyll content of tomato seedlings | |
| CN106951824A (zh) | 基于无人机遥感影像提取玉米植株叶色的方法及系统 | |
| CN107169940B (zh) | 基于电子识别的单株梨树产量获取方法 | |
| CN114494689A (zh) | 番茄干旱胁迫的识别方法 | |
| Ohana-Levi et al. | Grapevine stem water potential seasonal curves: response to meteorological conditions, and association to yield and red wine quality | |
| CN114047139A (zh) | 表征叶片不同氮浓度的标准曲线色卡及其制备方法和应用 | |
| Parker | Sustainable sidedress nitrogen applications for early corn and cotton crops using small unmanned aerial systems | |
| CN108564212B (zh) | 一种果品蔬菜生长的影响因素的调控方法和系统 | |
| CN118172664B (zh) | 大豆收获期的确定方法、装置、电子设备和存储介质 | |
| CN115297243B (zh) | 一种水稻图像识别和氮肥定量诊断系统及方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |