CN111798433B - 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 - Google Patents
基于无人机遥感的高原山区成熟火龙果实识别与计数方法 Download PDFInfo
- Publication number
- CN111798433B CN111798433B CN202010651093.XA CN202010651093A CN111798433B CN 111798433 B CN111798433 B CN 111798433B CN 202010651093 A CN202010651093 A CN 202010651093A CN 111798433 B CN111798433 B CN 111798433B
- Authority
- CN
- China
- Prior art keywords
- mature
- dragon fruit
- fruit
- dragon
- unmanned aerial
- 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.)
- Active
Links
- 244000157072 Hylocereus undatus Species 0.000 title claims abstract description 115
- 235000018481 Hylocereus undatus Nutrition 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 32
- 235000013399 edible fruits Nutrition 0.000 claims abstract description 34
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 230000000694 effects Effects 0.000 claims description 7
- 235000010837 Echinocereus enneacanthus subsp brevispinus Nutrition 0.000 claims description 6
- 235000006850 Echinocereus enneacanthus var dubius Nutrition 0.000 claims description 6
- 241000196324 Embryophyta Species 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 239000004568 cement Substances 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 208000004350 Strabismus Diseases 0.000 claims 1
- 240000008086 Echinocereus enneacanthus Species 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 235000013569 fruit product Nutrition 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30242—Counting objects in image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于无人机遥感的高原山地成熟火龙果实识别与计数方法，它采用无人机超低空飞行拍摄采集火龙果树图像，获取火龙果树与果实的放大RGB图像，然后制作成熟、半成熟、未成熟的火龙果果实RGB图像对应的R、G、B波段曲线图，通过超红指数公式筛选成熟火龙果目标并对超红指数计算结果图像进行灰度阈值分割，然后采用基于灰度差分统计特征的纹理特征消噪方法并利用果实圆度率计算公式进一步消除非成熟期的火龙果的果实图斑，最后通过图斑面积阈值控制，消除极小、极大面积的近圆形图斑，得到成熟火龙果果实图斑。本发明操作简便，精确度高，成本低，易于推广，填补了高原山地立体特殊地形区野外环境下成熟火龙果果实识别的难题和技术空白，具有较高的推广应有价值。
Description
技术领域
本发明涉及一种高原山区种植区域成熟火龙果实识别与计数方法，尤其是一种基于无人机遥感的高原山地成熟火龙果实识别与计数方法，属于植物种植的技术领域。
背景技术
成熟火龙果果实的采摘是火龙果种植和商品化过程中劳动强度大、季节性强的一个重要环节。目前，贵州省乃至中国的火龙果估产仍然采用传统的人工田间抽样、目测清点单株果实数量的方式，对观测人员的经验要求较高，劳动强度较大。其次，对于种植在崎岖地形的山地区域的火龙果，传统的以亩为单位估算火龙果产量的方法精确度较差，不足以科学支撑火龙果的精确采收、指导水果定价、合理计划成熟火龙果的果实采摘人力和费用。全国各地火龙果的产量大，面对如此大产量的特色优势水果产品，急需解决成熟火龙果果实的识别与估产方法。
发明内容
本发明所要解决的技术问题在于提供一种基于无人机遥感的高原山地成熟火龙果实识别与计数方法，该方法具有操作简便、劳动强度小、精确度高、成本较低的特点。
为解决上述技术问题，本发明采用的技术方案如下：
一种基于无人机遥感的高原山地成熟火龙果实识别与计数方法，该方法包括以下步骤，
(1)采用无人机超低空飞行拍摄采集火龙果树图像，获取火龙果树与果实的放大RGB图像；
(2)分别制作成熟、半成熟、未成熟的火龙果实RGB图像对应的R、G、B波段曲线图，确定成熟火龙果实的红色图像特征；
(3)通过超红指数公式将红色特征地物与非红色的水泥柱、火龙果植株叶片、土壤、杂草地物进行分离，筛选成熟火龙果目标；
(4)对超红指数计算结果图像进行灰度阈值分割；
(5)对灰度阈值分割出来的果实、枝条图像采用基于灰度差分统计特征的纹理特征消噪方法，采集经超红指数计算之后灰度图中的火龙果实、枝条的灰度值，利用成熟火龙果实目标的图像值大于枝条的图像值的差异特征，消除枝条，保证成熟火龙果果实目标的纯净度；
(6)基于成熟火龙果果实的近圆形外观特征，利用果实圆度率计算公式进一步消除非成熟期的火龙果的果实图斑；
(7)通过火龙果实的图斑面积阈值控制，消除极小、极大的面积近圆形图斑，得到成熟火龙果果实图斑；其实现过程为：利用火龙果果实目标与无人机单目镜头的距离产生的火龙果果实目标成比例变化的规律，结合火龙果实目标的不变特征，确定火龙果果实目标的图斑面积，再次利用此火龙果果实目标的图斑面积消除近圆形目标中超界值的对象，得到成熟火龙果果实图斑；
(8)将识别的成熟火龙果果实图斑与通过无人机拍摄采集的火龙果树与果实的放大RGB图像进行叠加，验证识别准确率。
上述的高原基于无人机遥感的高原山地成熟火龙果实识别与计数方法，作为一种优选方案，步骤(1)中，所述的无人机是通过单镜头俯仰30～60°夹角范围内，在不同海拔高度的航点位置拍摄斜视镜头图片，能够较好地消除火龙果在自然生长产生叶片重叠、遮挡导致火龙果果实被遮挡的现象。
前述的基于无人机遥感的高原山地成熟火龙果实识别与计数方法，具体来说，步骤(3)中，所述的超红指数公式为ER＝2*R-G-B，式中：ER为超红指数计算结果，数据表现形式为灰度图像，R为Red 红波段，G为Green绿波段，B为Blue蓝波段。
前述的基于无人机遥感的高原山地成熟火龙果实识别与计数方法，具体来说，步骤(4)中，假设超红指数计算的灰度图像的大小为M×N，灰度级数为L，采用单阈值分割确定一个阈值t，对所有像素的灰度级进行如下映射：
f(x,y)表示坐标为(x,y)的像素灰度级，其中x∈[1,M]，y∈[1,N]；设定一个阈值t为火龙果果实与其他非火龙果果实地物的灰度分割阈值，在软件中进行阈值分割，通过多次的人机交互操作，调整分割阈值t使成熟火龙果的果实识别效果较理想，消除噪声图斑效果最好。
前述的基于无人机遥感的高原山地成熟火龙果实识别与计数方法，具体来说，步骤(6)中，所述果实圆度率计算公式：
区域圆度率＝区域面积/具有相同周长的圆的面积，Rc＝4πA/p^2，其中，Rc为区域圆度率，A为面积；p为周长。
本发明的有益效果：与现有技术相比，本发明基于自然光照条件下，结合成熟火龙果果实图像的RGB颜色特征和形状特征等深度信息对成熟火龙果果实进行识别，不但操作简便，大大降低了人工识别的劳动强度，提高了识别效率，而且精确度高，成本低，易于推广，填补了山地立体特殊地形区野外环境下成熟火龙果果实识别的难题和技术空白，具有较高的推广应有价值。该方法也适用于其他任何类似颜色和近圆形状特征的农作物识别与估产。本发明使用消费级单镜头可见光无人机进行超低空飞行拍摄来采集火龙果图像，其优点是作业灵活、成本低廉。
附图说明
图1是本发明无人机超低空飞行采集火龙果图像示意图；
图2是本发明成熟的火龙果果实对应的R、G、B波段曲线图；图中1为红色R波段曲线，2为蓝色B波段曲线，3为绿色G波段曲线；
图3是本发明半成熟的火龙果果实对应的R、G、B波段曲线图；图中1为红色R波段曲线，2为蓝色B波段曲线，3为绿色G波段曲线；
图4是本发明未成熟的火龙果果实对应的R、G、B波段曲线图；图中1为红色R波段曲线，2为蓝色B波段曲线，3为绿色G波段曲线；
图5是本发明经计算过红指数和灰度阈值分割后的图斑叠加图，灰度图为计算过红指数后的结果，4为红色近似圆形图斑；
图6是本发明经计算果实圆度率、面积阈值控制后的火龙果果实红色图斑；
图7是本发明识别的火龙果图斑与真实火龙果RGB图像叠加图。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
实施例1：基于无人机遥感的高原山地成熟火龙果实识别与计数方法，包括以下步骤：
(1)如图1所示，采用无人机超低空飞行的方式拍摄采集火龙果树图像，通过无人机单镜头俯仰30～60°夹角范围内，在不同海拔高度的航点位置拍摄斜视镜头图片，能够较好地消除火龙果在自然生长产生叶片重叠、遮挡导致火龙果果实被遮挡的现象。
(2)如图2-4所示，分别制作成熟、半成熟、未成熟的火龙果果实RGB图像对应的R、G、B波段曲线图，确定成熟火龙果实的红色图像特征；1为红色R波段曲线，2为蓝色B波段曲线，3为绿色G 波段曲线，R波段对成熟火龙果(红色)具有明显的果实目标指示特征。
(3)在RGB颜色系统中，探索火龙果果实目标颜色空间特征，并建立成熟火龙果目标筛选计算公式。经过多次对成熟、半成熟、未成熟的火龙果果实图像进行对比试验，发现成熟期火龙果果实图像 R-G-B值的关系为：2*R≈G+B，因此，利用此关系可将红色特征地物与非红色的水泥柱、火龙果植株叶片、土壤、杂草等地物进行分离。建立超红指数(ER，Excess Red)公式如下：
ER＝2*R-G-B，式中，ER为超红指数计算结果，数据表现形式为灰度图像。R为Red红波段，G为Green绿波段，B为Blue蓝波段。
(4)对超红指数计算结果图像进行灰度阈值分割。假设超红指数计算的灰度图像的大小为M×N，灰度级数为L，f(x,y)表示坐标为(x,y)的像素灰度级，其中x∈[1,M]，y∈[1,N]。进而采用单阈值分割确定一个阈值t，对所有像素的灰度级进行如下映射：
设定一个阈值t为火龙果果实与其他非火龙果果实地物的灰度分割阈值。在软件中进行阈值分割，通过多次的人机交互操作，根据目视效果和经验知识调整分割阈值t＝120 时，成熟火龙果的果实识别效果较为理想，消除噪声图斑的效果最好。
(5)如图5所示，图为经计算过红指数和灰度阈值分割后的图斑叠加图。灰度图为计算过红指数后的结果，红色近似圆形图斑4为灰度阈值分割后的图斑。分割后图像中会存在分割碎片，所以对灰度阈值分割出来的果实、枝条图像采用基于灰度差分统计特征的纹理特征消噪方法，采集经超红指数计算之后灰度图中的火龙果实、枝条的灰度值，利用成熟火龙果实目标的图像值大于枝条的图像值的差异特征，消除枝条，保证成熟火龙果果实目标的纯净度。
(6)基于成熟火龙果果实的近圆形外观特征，利用果实圆度率进一步消除非成熟期的火龙果的果实图斑。计算公式为：
区域圆度率＝区域面积/具有相同周长的圆的面积。
Rc＝4πA/p^2，其中，Rc为区域圆度率，A为面积，p为周长。
(7)此步骤为消除近圆形的极小、极大面积图斑。经过上一步消除非近圆形的图斑后，仍然存在面积非常小的近圆形图斑。因此，本步骤采用图斑面积阈值控制，达到消除极小、极大面积的图斑的效果，如图6所示。实现过程为：利用火龙果果实目标与无人机单目镜头的距离产生的火龙果果实目标成比例变化的规律，结合火龙果实目标的不变特征，确定火龙果果实目标的图斑面积，再次利用此火龙果果实目标的图斑面积消除近圆形目标中超界值的对象，得到成熟火龙果果实图斑。
(8)如图7所示，将识别的成熟火龙果果实图斑与通过无人机拍摄采集的火龙果树与果实的放大RGB图像进行叠加，经实地验证，成熟火龙果果实的识别准确率高达90％以上，完全符合要求。
以上所述的仅是本发明的一些实施方式。对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，还可以做出若干变形和改进，这些都属于发明的保护范围。
Claims (2)
1.一种基于无人机遥感的高原山地成熟火龙果实识别与计数方法，其特征在于：包括以下步骤，
（1）采用无人机超低空飞行拍摄采集火龙果树图像，获取火龙果树与果实的放大RGB图像；
（2）分别制作成熟、半成熟、未成熟的火龙果实RGB图像对应的R、G、B波段曲线图，确定成熟火龙果实的红色图像特征；
（3）通过超红指数公式将红色特征地物与非红色的水泥柱、火龙果植株叶片、土壤、杂草地物进行分离，筛选成熟火龙果目标； 所述的超红指数公式为ER=2*R-G-B，式中：ER为超红指数计算结果，数据表现形式为灰度图像，R为Red红波段，G为Green绿波段，B为Blue蓝波段；
（4）对超红指数计算结果图像进行灰度阈值分割；假设超红指数计算的灰度图像的大小为Ｍ×Ｎ，灰度级数为Ｌ，采用单阈值分割确定一个阈值t，对所有像素的灰度级进行如下映射：
，f（x,y）表示坐标为（x,y）的像素灰度级，其中ｘ∈[1,M]，y∈[1,N]；设定一个阈值t为火龙果果实与其他非火龙果果实地物的灰度分割阈值，在软件中进行阈值分割，通过多次的人机交互操作，调整分割阈值t使成熟火龙果的果实识别效果较理想，消除噪声图斑效果最好；
（5）对灰度阈值分割出来的果实、枝条图像采用基于灰度差分统计特征的纹理特征消噪方法，采集经超红指数计算之后灰度图中的火龙果实、枝条的灰度值，利用成熟火龙果实目标的图像值大于枝条的图像值的差异特征，消除枝条，保证成熟火龙果果实目标的纯净度；
（6）基于成熟火龙果果实的近圆形外观特征，利用果实圆度率计算公式进一步消除非成熟期的火龙果的果实图斑；所述果实圆度率计算公式：
区域圆度率=区域面积/具有相同周长的圆的面积，Rc=4πA/p^2，其中，Rc为区域圆度率，A为面积；p为周长；
（7）通过火龙果实的图斑面积阈值控制，消除极小、极大的面积近圆形图斑，得到成熟火龙果果实图斑，其实现过程为：利用火龙果果实目标与无人机单目镜头的距离产生的火龙果果实目标成比例变化的规律，结合火龙果实目标的不变特征，确定火龙果果实目标的图斑面积，再次利用此火龙果果实目标的图斑面积消除近圆形目标中超界值的对象，得到成熟火龙果果实图斑；
（8）将识别的成熟火龙果果实图斑与通过无人机拍摄采集的火龙果树与果实的放大RGB图像进行叠加，验证识别准确率。
2.根据权利要求1所述的基于无人机遥感的高原山地成熟火龙果实识别与计数方法，其特征在于：步骤（1）中，所述的无人机通过单镜头俯仰30～60°夹角范围内，在不同海拔高度的航点位置拍摄斜视镜头图片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010651093.XA CN111798433B (zh) | 2020-07-08 | 2020-07-08 | 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010651093.XA CN111798433B (zh) | 2020-07-08 | 2020-07-08 | 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111798433A CN111798433A (zh) | 2020-10-20 |
| CN111798433B true CN111798433B (zh) | 2024-04-26 |
Family
ID=72810470
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010651093.XA Active CN111798433B (zh) | 2020-07-08 | 2020-07-08 | 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111798433B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
| CN114128552B (zh) * | 2021-10-29 | 2023-04-28 | 广西中以水肥一体生物科技有限公司 | 一种火龙果生长性状及产量的调查方法 |
| CN116310806B (zh) * | 2023-02-28 | 2023-08-29 | 北京理工大学珠海学院 | 一种基于图像识别的智慧农业一体化管理系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011041924A1 (zh) * | 2009-10-09 | 2011-04-14 | 江苏大学 | 滤波片光谱图像技术识别自然场景成熟柑橘的装置及方法 |
| CN103503678A (zh) * | 2013-09-10 | 2014-01-15 | 凌爱秋 | 一种火龙果的生产管理方法 |
| CN109919088A (zh) * | 2019-03-06 | 2019-06-21 | 贵州师范大学 | 一种喀斯特地区火龙果单株识别自动提取方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018004645A (ja) * | 2016-07-05 | 2018-01-11 | シャープ株式会社 | 熟度判定装置および熟度判定方法 |
-
2020
- 2020-07-08 CN CN202010651093.XA patent/CN111798433B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2011041924A1 (zh) * | 2009-10-09 | 2011-04-14 | 江苏大学 | 滤波片光谱图像技术识别自然场景成熟柑橘的装置及方法 |
| CN103503678A (zh) * | 2013-09-10 | 2014-01-15 | 凌爱秋 | 一种火龙果的生产管理方法 |
| CN109919088A (zh) * | 2019-03-06 | 2019-06-21 | 贵州师范大学 | 一种喀斯特地区火龙果单株识别自动提取方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于无人机可见光影像的高原丘陵盆地区山药植株识别;黄登红等;《热带地理》;第39卷(第4期);全文 * |
| 自然场景下成熟水果的计算机视觉识别;蔡健荣, 赵杰文;农业机械学报(02);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111798433A (zh) | 2020-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111798433B (zh) | 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 | |
| AU2020103026A4 (en) | A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images | |
| CN111340826B (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
| CN110598619B (zh) | 一种利用无人机影像进行果树识别和计数的方法和系统 | |
| CN108363949B (zh) | 一种基于物候分析的棉花遥感监测方法 | |
| CN110765916B (zh) | 一种基于语义和实例分割的农田苗垄识别方法及系统 | |
| CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
| US11455794B2 (en) | System and method for orchard recognition on geographic area | |
| Oppenheim et al. | Detecting tomato flowers in greenhouses using computer vision | |
| CN110889394A (zh) | 基于深度学习UNet网络的水稻倒伏识别方法 | |
| CN109033937A (zh) | 通过无人机影像进行植物数量统计方法及系统 | |
| CN112734083A (zh) | 一种基于机器视觉的水稻收割机路径规划控制系统 | |
| CN111353402B (zh) | 一种油棕林遥感提取方法 | |
| Soares et al. | Plantation Rows Identification by Means of Image Tiling and Hough Transform. | |
| CN115641412A (zh) | 基于高光谱数据的三维语义地图的生成方法 | |
| CN110689022B (zh) | 基于叶片匹配的各株作物图像提取方法 | |
| Reza et al. | Automatic counting of rice plant numbers after transplanting using low altitude uav images | |
| CN110414384B (zh) | 智能稻麦收获机导航线跟踪方法 | |
| Potena et al. | Suckers emission detection and volume estimation for the precision farming of hazelnut orchards | |
| CN115019190B (zh) | 基于航空遥感平台的地形破碎区复杂地类信息提取方法 | |
| CN115035423B (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
| CN114612899A (zh) | 基于改进YOLOv3的麦苗行中心线检测方法 | |
| CN113554675A (zh) | 一种基于无人机可见光遥感的食用菌产量估算方法 | |
| CN112541933A (zh) | 一种农田边界及种植结构的提取方法 | |
| Yang et al. | Feature extraction of cotton plant height based on DSM difference method |
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 |