CN111860038A - 一种农作物前端识别装置及方法 - Google Patents
一种农作物前端识别装置及方法 Download PDFInfo
- Publication number
- CN111860038A CN111860038A CN201910341087.1A CN201910341087A CN111860038A CN 111860038 A CN111860038 A CN 111860038A CN 201910341087 A CN201910341087 A CN 201910341087A CN 111860038 A CN111860038 A CN 111860038A
- Authority
- CN
- China
- Prior art keywords
- crop
- crops
- image
- corn
- development
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000010899 nucleation Methods 0.000 claims abstract description 26
- 238000009331 sowing Methods 0.000 claims abstract description 18
- 239000000463 material Substances 0.000 claims abstract description 6
- 238000011161 development Methods 0.000 claims description 144
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 20
- 230000008901 benefit Effects 0.000 abstract description 6
- 240000008042 Zea mays Species 0.000 description 246
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 246
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 236
- 235000005822 corn Nutrition 0.000 description 236
- 230000018109 developmental process Effects 0.000 description 118
- 241000196324 Embryophyta Species 0.000 description 20
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 10
- 235000009973 maize Nutrition 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 208000003643 Callosities Diseases 0.000 description 8
- 206010020649 Hyperkeratosis Diseases 0.000 description 8
- 230000006872 improvement Effects 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 239000008267 milk Substances 0.000 description 5
- 210000004080 milk Anatomy 0.000 description 5
- 235000013336 milk Nutrition 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000003908 quality control method Methods 0.000 description 5
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 5
- 238000012271 agricultural production Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000006378 damage Effects 0.000 description 4
- 241001057636 Dracaena deremensis Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 235000004035 Cryptotaenia japonica Nutrition 0.000 description 2
- 102000007641 Trefoil Factors Human genes 0.000 description 2
- 235000015724 Trifolium pratense Nutrition 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 244000037666 field crops Species 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 230000007103 stamina Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000013519 translation Methods 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
- 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
-
- 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
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Marketing (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种农作物前端识别装置及方法，属于农作物气象自动观测领域。该装置能够实现：采集农作物的图像；当农作物的播种方式是穴播时，对农作物的图像进行二值化处理获取连通域的个数即为农作物的穴数，根据农作物的穴数以及农作物的图像对应的实际面积计算农作物种植密度；当农作物的播种方式是条播时，对农作物的图像进行二值化处理获取连通域的个数以及各个连通域的顶点个数，计算各个连通域内农作物的株数，进而计算农作物的图像中农作物的总株数，根据农作物的总株数以及农作物的图像对应的实际面积计算农作物种植密度。该装置能远程、自动、长期连续地对农作物种植密度进行监测，具有节省人力物力、实时高效、监测精度高的优点。
Description
技术领域
本发明涉及一种农作物前端识别装置及方法，属于农作物气象自动观测技术领域。
背景技术
获取农作物生长信息，即获取农作物的发育期、长势状况等，对分析农作物的生长状态、开展农作物产量预测、指导农事活动、保障粮食安全具有重要意义。
现有的农作物生长信息的获取主要依靠人工观测，观测人员按照农业气象观测规范中的定义和描述，对田间农作物进行实地的目测或简单的器测，这种方式耗时、费力、主观性强且无法进行连续观测，造成观测误差较大，进而导致观测精度较差，另外这种方式还容易破环农作物及其生长环境，已不能满足现代农业生产、管理、农业气象服务和地球物候环境变化研究的需要。
发明内容
本发明的目的是提供一种农作物前端识别装置，用以解决现有的人工农作物生长监测方式的监测精度较差的问题；本发明还提供一种农作物前端识别方法，用以解决现有的人工农作物生长监测方式的监测精度较差的问题。
为实现上述目的，本发明提供了一种农作物前端识别装置，包括：
图像采集模块，用于采集农作物的图像；
数据处理模块，用于实现的处理过程包括：
采集农作物的图像；
当农作物的播种方式是穴播时，对农作物的图像进行二值化处理，得到二值化图像，标记二值化图像中农作物的连通域，获取连通域的个数，连通域的个数为农作物的穴数，根据农作物的穴数以及所述农作物的图像对应的实际面积计算农作物种植密度；当农作物的播种方式是条播时，对农作物的图像进行二值化处理，得到二值化图像，标记二值化图像中农作物的连通域，获取连通域的个数以及各个连通域的顶点个数，根据连通域的顶点个数与连通域内农作物的株数之间的关系得到各个连通域内农作物的株数，进而计算得到所述农作物的图像中农作物的总株数，根据农作物的总株数以及所述农作物的图像对应的实际面积计算农作物种植密度。
该农作物前端识别装置的有益效果是：该装置通过采集农作物的图像，对农作物的图像进行二值化处理，然后采用连通域分析技术，实现了穴播和条播两种播种方式下的农作物种植密度的计算；采用图像处理的方式实现对农作物种植密度的监测，使得利用该装置能够远程、自动、长期连续地对农作物种植密度进行全天候和全时段的监测，与人工现场观测相比，利用该装置进行农作物种植密度监测，能够大大降低劳动强度，同时具有节省人力物力、实时高效、监测精度高的优点，进而保证了农业生产、管理的实时性和高效性，而且不会对农作物及其生长环境造成破坏。
为了计算条播时各个连通域内农作物的株数，作为对上述农作物前端识别装置的一种改进，所述连通域的顶点个数与连通域内农作物的株数之间的关系为：
yCN＝axVN 2-bxVN+c
其中，yCN为连通域内农作物的株数；xVN为连通域的顶点个数；a、b、c均为连通域内农作物的株数的计算系数。
为了获取穴播时农作物的穴数，作为对上述农作物前端识别装置的另一种改进，当农作物的播种方式是穴播时，标记二值化图像中农作物的连通域之后，计算各个连通域的质心坐标以及任两个质心坐标的距离，将小于设定最小距离阈值的距离对应的连通域合并成一个连通域，进而得到连通域的个数。
为了实现对农作物发育期和农作物所处发育期的天数的识别，作为对上述农作物前端识别装置的又一种改进，所述数据处理模块用于实现的处理过程还包括识别农作物发育期和识别农作物所处发育期的天数的过程：将采集到的农作物的图像与发育期数据集进行比对，识别出农作物所处的发育期，所述发育期数据集包括农作物生长过程中历经的各种发育期以及与各种发育期对应的农作物图像数据；识别出农作物所处的发育期后，将采集到的农作物的图像与对应发育期的发育期天数数据集进行比对，识别出农作物处于该发育期的天数，所述发育期天数数据集包括农作物处于对应发育期的天数以及与天数对应的农作物图像数据。
为了实现对农作物干物质重量的检测，作为对上述农作物前端识别装置的再一种改进，所述数据处理模块用于实现的处理过程还包括农作物干物质重量的检测过程：根据农作物干物质重量与农作物所处的发育期以及所处发育期的天数的对应关系计算得到所处发育期的农作物干物质重量；其中，对于农作物生长过程中历经的第一个发育期而言，该发育期的农作物干物质重量的计算公式如下：
yDW1＝d1+μ1xν1
式中，yDW1表示第一个发育期的农作物干物质重量；xν1表示农作物处于第一个发育期的第ν天，ν≥1；d1、μ1为第一个发育期的农作物干物质重量的计算系数；
对于农作物生长过程中历经的其他各发育期而言，该发育期的农作物干物质重量的计算公式如下：
yDWk＝yDW(k-1)*+μkxνk
式中，yDWk表示第k个发育期的农作物干物质重量，k≥2；xνk表示农作物处于第k个发育期的第ν天，ν≥1；yDW(k-1)*表示第(k-1)个发育期最后一天的农作物干物质重量；μk为第k个发育期的农作物干物质重量的计算系数。
为了实现对农作物产量的估计，作为对上述农作物前端识别装置的进一步改进，所述数据处理模块用于实现的处理过程还包括农作物产量估计过程：所述农作物产量与农作物种植密度和农作物干物质重量的乘积线性相关，具体关系为：
yCY＝myPDyDW+n
式中，yCY表示农作物产量；yPD表示农作物种植密度；yDW表示农作物干物质重量；m、n均为农作物产量的计算系数。
为了实现对农作物覆盖度和叶面积指数的检测，作为对上述农作物前端识别装置的又进一步改进，所述数据处理模块用于实现的处理过程还包括农作物覆盖度和叶面积指数的检测过程，其中，获取采集到的农作物的图像中农作物的像素数，以及所述农作物的图像的总像素数，计算所述农作物的像素数与所述总像素数的比值得到农作物覆盖度；根据如下关系式得到农作物叶面积指数：
其中，yLAI为农作物叶面积指数；yCc为农作物覆盖度；p、q均为农作物叶面积指数的计算系数。
本发明还提供了一种农作物前端识别方法，包括以下步骤：
采集农作物的图像；
当农作物的播种方式是穴播时，对农作物的图像进行二值化处理，得到二值化图像，标记二值化图像中农作物的连通域，获取连通域的个数，连通域的个数为农作物的穴数，根据农作物的穴数以及所述农作物的图像对应的实际面积计算农作物种植密度；当农作物的播种方式是条播时，对农作物的图像进行二值化处理，得到二值化图像，标记二值化图像中农作物的连通域，获取连通域的个数以及各个连通域的顶点个数，根据连通域的顶点个数与连通域内农作物的株数之间的关系得到各个连通域内农作物的株数，进而计算得到所述农作物的图像中农作物的总株数，根据农作物的总株数以及所述农作物的图像对应的实际面积计算农作物种植密度。
该农作物前端识别方法的有益效果是：该方法通过采集农作物的图像，对农作物的图像进行二值化处理，然后采用连通域分析技术，实现了穴播和条播两种播种方式下的农作物种植密度的计算；采用图像处理的方式实现对农作物种植密度的监测，使得利用该方法能够远程、自动、长期连续地对农作物种植密度进行全天候和全时段的监测，与人工现场观测相比，利用该方法进行农作物种植密度监测，能够大大降低劳动强度，同时具有节省人力物力、实时高效、监测精度高的优点，进而保证了农业生产、管理的实时性和高效性，而且不会对农作物及其生长环境造成破坏。
为了计算条播时各个连通域内农作物的株数，作为对上述农作物前端识别方法的一种改进，，所述连通域的顶点个数与连通域内农作物的株数之间的关系为：
yCN＝axVN 2-bxVN+c
其中，yCN为连通域内农作物的株数；xVN为连通域的顶点个数；a、b、c均为连通域内农作物的株数的计算系数。
为了获取穴播时农作物的穴数，作为对上述农作物前端识别方法的另一种改进，当农作物的播种方式是穴播时，标记二值化图像中农作物的连通域之后，计算各个连通域的质心坐标以及任两个质心坐标的距离，将小于设定最小距离阈值的距离对应的连通域合并成一个连通域，进而得到连通域的个数。
附图说明
图1是本发明的农作物前端识别装置的结构示意图；
图2是本发明的农作物前端识别方法架构图；
图3是本发明的玉米发育期的关系模型示意图。
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，以下结合附图及具体实施例对本发明进行进一步详细说明。
本发明提供了一种农作物前端识别装置及方法，能够远程、自动、长期连续地对农作物进行全天候和全时段的监测，具有节省人力物力、实时高效、监测精度高的优点，保证了农业生产、管理的实时性和高效性，而且不会对农作物及其生长环境造成破坏。
装置实施例：
如图1所示，本实施例的农作物前端识别装置包括：图像采集模块、数据处理模块和通讯模块。其中，图像采集模块包括用于采集农作物图像的CMOS图像传感器以及图像采集过程中用于光线补偿的LED补光灯和存储模块，存储模块用于及时保存采集到的大量农作物图像数据以避免断网时数据丢失；数据处理模块包括图像质量控制模块和农作物长势状况参数自动识别模块；通讯模块通过4G无线通讯方式进行数据的无线传输。
在将本实施例的农作物前端识别装置投入实际运用中时，需要先做一些准备工作：
首先，需要确定要监测的农作物种植区域，即选定要监测的样本区域，该样本区域要大小适中且具有代表性，即所选定的样本区域内部只包含一种农作物，且其位置靠近农作物前端识别装置的安装站点，并保证整个样本区域在农作物前端识别装置的监测范围内。在满足前述要求的情况下，所选定的样本区域可以是一个连续的区域，也可以是多个不连续的区域。
其次，需要确定监测频率，即设定农作物前端识别装置一天内采集样本区域内农作物的图像的次数，例如，设定农作物前端识别装置一天内自动采集8次样本区域内农作物的图像，采集时间点分别为：9:00、10:00、11:00、12:00、13:00、14:00、15:00、16:00。
在上述准备工作做好后，即可利用农作物前端识别装置中的图像采集模块按照设定的时间点自动采集样本区域内的农作物的图像，并实时地将采集到的农作物图像数据传送给农作物前端识别装置中的数据处理模块，由数据处理模块中的图像质量控制模块对农作物图像的质量进行检测，当农作物图像的质量满足要求时，由数据处理模块中的农作物长势状况参数自动识别模块运行本发明的农作物前端识别方法，实现对农作物长势状况参数(包括种植密度、发育期、所处发育期的天数、干物质重量、产量、覆盖度和叶面积指数)的自动监测(也称自动识别)并输出识别结果，然后由农作物前端识别装置中的通讯模块将识别结果实时传递给数据监控中心，以便相关人员根据识别结果指导农业活动。
方法实施例：
需要说明的是，本发明的农作物前端识别方法适用于玉米、大豆、小麦等多种农作物，下面仅以玉米为例，对本发明的农作物前端识别方法进行详细介绍。
如图2所示，本实施例中，利用农作物前端识别方法对玉米进行生长监测时，包含玉米图像采集、图像质量控制和玉米长势状况参数自动识别3个步骤，具体如下：
步骤1：玉米图像采集
首先，选定四个不同地区的玉米大田作为要监测的样本区域。
其次，设定农作物前端识别装置一天内自动采集8次样本区域内玉米的图像，采集时间点分别为：9:00、10:00、11:00、12:00、13:00、14:00、15:00、16:00。作为其他实施方式，为了得到更加丰富多样的玉米图像，可以根据实际需要调整监测频率。
然后，农作物前端识别装置中的图像采集模块于每日的9:00、10:00、11:00、12:00、13:00、14:00、15:00、16:00八个时间点自动采集并保存玉米图像，同时将采集到的玉米图像实时传送给数据处理模块。其中，采集的玉米图像为如下格式：彩色、JPG格式、图像分辨率为3648×2736。
步骤2：图像质量控制
由于在实际监测过程中存在镜头被灰尘污染或雾天等特殊情况，这些情况下采集的玉米图像质量不佳，直接使用会影响玉米长势状况参数的自动识别结果的准确性。因此，为了保证自动识别结果的准确性，本实施例中，数据处理模块接收到玉米图像之后，首先对接收到的玉米图像进行图像质量控制。具体地，首先对玉米图像进行图片缺损检索，当图像的像素个数小于设定的阈值(阈值根据图像采集模块采集的图像大小设定)或者图像的无数据区域占有率大于设定的阈值(一般设置阈值为0.01)则判定图像缺损不完整，农作物前端识别装置自动发出警报，并继续对下一张玉米图像进行图片缺损检索，直到图像完整度符合要求，才进一步对玉米图像进行图片污染检测(即对玉米图像的受污染程度进行检测)，利用玉米图像中受污染通道所表现的色度变化特性，求得图像暗通道的均值，当均值大于某一阈值时则判定图像被污染(该方法为现有技术)，农作物前端识别装置自动发出警报，并继续对下一张玉米图像进行图片缺损检索。只有当前玉米图像满足质量要求(即不存在缺损且未被污染)，才将该玉米图像分别输入到数据处理模块中的玉米长势状况参数自动识别模块进行下一步的自动识别。
作为其他实施方式，在能够确保图像质量满足要求的情况下(例如仅在室内监测时)，也可以省略该步骤，即采集到玉米图像后直接进行步骤3。
步骤3：玉米长势状况参数自动识别
如图2所示，数据处理模块中的玉米长势状况参数自动识别模块，包括玉米发育期识别单元和玉米生长参数识别单元，其中玉米发育期识别单元能够实现玉米发育期及玉米所处发育期的天数的自动识别，玉米生长参数识别单元能够实现玉米覆盖度、玉米种植密度、玉米叶面积指数、玉米干物质重量和玉米产量的自动识别。
(1)玉米发育期及玉米所处发育期的天数的自动识别
本实施例中，采用基于深度卷积神经网络的图像分类方法，搭建深度卷积神经网络模型，然后利用玉米发育期数据集(包括玉米生长过程中历经的各种发育期以及与各种发育期对应的玉米图像数据)对深度卷积神经网络模型进行训练，训练完成后得到玉米发育期的关系模型，将新的玉米图像输入玉米发育期的关系模型，即可输出与玉米图像相对应的玉米发育期，以此实现玉米发育期的自动识别。作为其他实施方式，构建玉米发育期的关系模型时，还可以采用现有技术中的其他图像分类方法，例如尺度不变特征转换(scale-invariant feature transform，SIFT)与支持向量机(support vector machine，SVM)相结合的方法。
本实施例中，玉米发育期的关系模型的构建过程如下：
首先，构建玉米发育期数据集，包括训练数据集和测试数据集。
由于玉米共有九种发育期(出苗期、三叶期、七叶期、拔节期、抽雄期、开花期、吐丝期、乳熟期和成熟期)，因此，构建的玉米发育期数据集包括玉米生长过程中历经的九种发育期以及与九种发育期对应的玉米图像数据，也就是说玉米发育期数据集中的每张玉米图像都有自己的标签(即玉米所处的发育期)。
本实施例中，从样本区域2016年、2017年和2018年三年的玉米实景图像中，选取10000张玉米图像，以这10000张玉米图像及其标签作为玉米发育期数据集，并从中选取8000张作为训练数据集，其余2000张作为测试数据集。
本实施例中，为了增加训练数据量，使训练出的玉米发育期的关系模型具有更好的抗旋转性能和平移、缩放不变形性能，还对训练数据集采取了数据增强操作，包括随机旋转图像，范围±30度；左右镜像翻转图像；水平、垂直平移图像，范围±30像素。
然后，根据玉米图像特征以及玉米发育期特点，搭建深度卷积神经网络模型，并采用深度学习中的迁移学习方法进行模型的训练和微调，得到玉米发育期的关系模型。
具体地，首先在训练数据集上初步训练深度卷积神经网络模型，待模型收敛后，保存初步训练的模型，再将测试数据集代入初步训练的模型中进行二次训练，对模型的参数进行微调，使得到的玉米发育期的关系模型更加稳定可靠，同时避免了因玉米图像数据不充足导致的过拟合现象的发生。
训练好的玉米发育期的关系模型如图3所示：包括输入层、5个卷积层、5个池化层以及3个全连接层。其中，输入层用于读入玉米图像的像素值；卷积层则通过卷积操作提取玉米图像的特征信息(例如叶子颜色、植株高度、叶子大小等)；池化层对提取到的玉米图像的特征信息执行下采样操作，减少模型的计算量，防止过拟合现象的发生；全连接层主要根据提取到的玉米图像的特征信息进行玉米发育期的分类。作为其他实施方式，还可以适当增加卷积层的个数以提高模型的特征提取能力和非线性学习能力。
利用构建好的玉米发育期的关系模型能够对采集到的玉米图像中玉米的发育期进行自动识别，实际运用过程中，还可以通过真实观测数据不断对该模型进行修正。
玉米所处发育期的天数的关系模型，其构建过程与玉米发育期的关系模型类似，由于玉米共有九种发育期，因此需分别构建这九种发育期对应的玉米所处发育期的天数的关系模型。以玉米出苗期为例，构建玉米出苗期对应的玉米所处发育期的天数的关系模型(简称出苗期模型)时，首先构建玉米出苗期的发育期天数数据集(简称玉米出苗期数据集)，构建的玉米出苗期数据集包括玉米处于出苗期的天数及与天数对应的玉米图像数据，即玉米出苗期数据集中的每张玉米图像都有自己的标签(即玉米处于出苗期的天数)，也就是说，从玉米出苗期数据集中拿出一张玉米图像就能知道该图像中的玉米处于出苗期的第几天；然后，根据玉米出苗期内玉米的图像特征(例如叶子个数、叶子大小等)，搭建玉米出苗期对应的深度卷积神经网络模型，并利用玉米出苗期数据集对该模型进行训练得到出苗期模型，在识别出某张玉米图像中的玉米处于出苗期后，将该玉米图像输入出苗期模型，即可输出玉米图像中的玉米处于出苗期的天数。
因此，在识别出玉米发育期后，利用构建好的玉米所处发育期的天数的关系模型还能够对采集到的玉米图像中的玉米所处发育期的天数进行自动识别。
本实施例中，构建了两类模型，一类用于实现玉米发育期的自动识别，另一类用于实现玉米所处发育期的天数的自动识别；当然，作为其他实施方式，也可以只构建一种模型直接实现对玉米发育期和玉米所处发育期的天数的自动识别，此时该模型对应的数据集中，每张玉米图像的标签同时包含玉米所处的发育期和玉米所处发育期的天数，也就是说，从数据集中拿出一张玉米图像，就能知道该图像中的玉米所处的发育期，以及玉米处于该发育期的第几天。
作为其他实施方式，在对其他种类的农作物发育期和农作物所处发育期的天数进行识别时，需要构建相应农作物发育期的关系模型和与农作物发育期个数相等的农作物所处发育期的天数的关系模型，具体构建过程与玉米类似；另外，农作物发育期的识别还可以采用现有的其他方式实现，例如授权公告号为CN101980249B的发明专利文件中公开的作物发育自动观测方法。
(2)玉米种植密度的自动识别
本实施例中，为了提高玉米种植密度的识别结果的准确性，先采用AP-HI法完成对玉米图像的分割，再对分割后的玉米图像进行二值化处理，以实现玉米种植密度的自动识别。
其中，AP-HI法是一种具备光照自适应能力的作物自动提取算法，结合了色度-亮度查找表(Hue Intensity-Look Up Table，简称HI-LUT)以及仿射传播聚类方法(AffinityPropagation，简称AP)，利用较少的训练样本即可获得较好的作物分割效果。在利用该方法分割图像时，首先采用高斯模型来描述绿色作物在不同光强下的色度变化规律，利用最大似然法经过样本训练估计出高斯模型的参数，生成用于后续分割的色度-亮度查找表，最后结合仿射传播聚类方法获得分割的图像。作为其他实施方式，对玉米图像进行分割时，还可以采用现有技术中的其他图像分割方法，例如植被颜色指数抽取法(the color index ofvegetation extraction，CIVE)、超绿因子法(the excess green index，ExG)和超绿减超红因子法(the excess green minus excess red index，ExGR)等；当然，在玉米种植密度的识别结果的准确性满足要求的情况下，也可以对玉米图像直接进行二值化处理，不对玉米图像进行分割。
当玉米播种方式是穴播时，对分割后的玉米图像进行二值化处理，得到二值化图像，并标记二值化图像中的8连通域，然后计算二值化图像中各个连通域的质心坐标以及任两个质心坐标的距离，例如：令i,j表示两个不同的连通域，X(i,1)、X(i,2)分别表示连通域i的质心坐标的横、纵坐标值，X(j,1)、X(j,2)分别表示连通域j的质心坐标的横、纵坐标值，那么这两个连通域的质心坐标的距离Dis(i,j)为：
本实施例中，当质心坐标的距离小于设定的最小距离阈值(根据玉米穴与穴之间的最小距离设定)时，就将对应的连通域合并成一个连通域，求得合并后的连通域个数即为玉米图像中玉米的穴数(numhill)，例如：假设标记的二值化图像中连通域的个数为10个，经计算其中有2个连通域的质心坐标的距离小于最小距离阈值，则这2个连通域需合并成1个，那么合并后的连通域个数即为9个；建立图像像素坐标系(原点为玉米图像的左上顶点，横、纵坐标轴以像素为单位)，标记玉米图像的四个顶点在图像像素坐标系中的坐标；然后，利用现有技术中图像像素坐标系与图像物理坐标系的转换方法，获得玉米图像的四个顶点在图像物理坐标系中的坐标分别为a(x0,y0)、b(0,y0)、c(0,0)、d(x0,0)；接着，利用现有技术中图像物理坐标系与世界坐标系的转换方法，得到这四个顶点在世界坐标系中的坐标分别为A(AX,AY)、B(BX,BY)、C(CX,CY)、D(DX,DY)；由海伦公式可知：已知三角形的三条边长x、y、z和周长l＝x+y+z，则三角形面积
据此，将四边形ABCD分为两个三角形，求得玉米图像对应的实际面积(area)：area＝SABCD＝SABD+SBCD，其中：
因此，穴播时，玉米种植密度yPD即为：
当玉米播种方式为条播时，对分割后的玉米图像进行二值化处理，得到二值化图像，并标记二值化图像中的8连通域，求二值化图像中连通域的个数以及各个连通域的顶点个数；将顶点个数代入连通域的顶点个数与连通域内玉米的株数之间的关系式yCN＝1.5891xVN 2-3.773xVN+5.0172(xVN为连通域的顶点个数，yCN为连通域里的玉米株数)，得到各个连通域内玉米的株数，进而计算得到玉米图像中玉米的总株数(numseed)；因此，条播时，玉米种植密度yPD即为：
作为其他实施方式，在对其他种类的农作物种植密度进行计算时，穴播时的最小距离阈值根据相应农作物穴与穴之间的最小距离设定，而且，在保证穴与穴之间的距离不会太小的前提下，上述合并连通域的过程可以不实施；条播时的连通域的顶点个数与连通域内农作物的株数之间的关系式yCN＝axVN 2-bxVN+c，其中的计算系数a、b、c通过对大量相应农作物的图像数据进行处理，提取其中的连通域的顶点个数与连通域内农作物的株数，对这两种数据进行拟合得到。
(3)玉米干物质重量的自动识别
通过对农作物发育期生长数据进行研究发现：不同发育期阶段农作物干物质重量和当前农作物所处的发育期天数均存在一定的线性关系，对于农作物生长过程中历经的第一个发育期而言，该发育期的农作物干物质重量的计算公式如下：
yDW1＝d1+μ1xν1
式中，yDW1表示第一个发育期的农作物干物质重量；xν1表示农作物处于第一个发育期的第ν天，ν≥1；d1、μ1为第一个发育期的农作物干物质重量的计算系数；
对于农作物生长过程中历经的其他各发育期而言，该发育期的农作物干物质重量的计算公式如下：
yDWk＝yDW(k-1)*+μkxνk
式中，yDWk表示第k个发育期的农作物干物质重量，k≥2；xνk表示农作物处于第k个发育期的第ν天，ν≥1；yDW(k-1)*表示第(k-1)个发育期最后一天的农作物干物质重量；μk为第k个发育期的农作物干物质重量的计算系数。
其中，计算系数d1、μ1、μk的值需要对相应农作物发育期生长数据中，农作物干物质重量和当前农作物所处的发育期天数进行拟合得到。
本实施例中，通过对样本区域2016-2018年玉米发育期生长数据中，玉米干物质重量和当前玉米所处的发育期天数进行拟合，得到玉米九种发育期对应的玉米干物质重量的关系模型分别如下：
玉米第一个发育期，即出苗期的玉米干物质重量的计算公式为：
yDW1＝0.18+0.036xν1
式中，yDW1表示出苗期的玉米干物质重量；xν1表示玉米处于出苗期的第ν天，ν≥1；计算系数d1＝0.18，μ1＝0.036。
玉米第二个发育期，即三叶期的玉米干物质重量的计算公式为：
yDW2＝yDW1*+0.045xν2
式中，yDW2表示三叶期的玉米干物质重量；yDW1*表示出苗期最后一天的玉米干物质重量；xν2表示玉米处于三叶期的第ν天，ν≥1；计算系数μ2＝0.045。
玉米第三个发育期，即七叶期的玉米干物质重量的计算公式为：
yDW3＝yDW2*+0.53xν3
式中，yDW3表示七叶期的玉米干物质重量；yDW2*表示三叶期最后一天的玉米干物质重量；xν3表示玉米处于七叶期的第ν天，ν≥1；计算系数μ3＝0.53。
玉米第四个发育期，即拔节期的玉米干物质重量的计算公式为：
yDW4＝yDW3*+4.98xν4
式中，yDW4表示拔节期的玉米干物质重量；yDW3*表示七叶期最后一天的玉米干物质重量；xν4表示玉米处于拔节期的第ν天，ν≥1；计算系数μ4＝4.98。
玉米第五个发育期，即抽雄期的玉米干物质重量的计算公式为：
yDW5＝yDW4*+5.09xν5
式中，yDW5表示抽雄期的玉米干物质重量；yDW4*表示拔节期最后一天的玉米干物质重量；xν5表示玉米处于抽雄期的第ν天，ν≥1；计算系数μ5＝5.09。
玉米第六个发育期，即开花期的玉米干物质重量的计算公式为：
yDW6＝yDW5*+5.09xν6
式中，yDW6表示开花期的玉米干物质重量；yDW5*表示抽雄期最后一天的玉米干物质重量；xν6表示玉米处于开花期的第ν天，ν≥1；计算系数μ6＝5.09。
玉米第七个发育期，即吐丝期的玉米干物质重量的计算公式为：
yDW7＝yDW6*+5.09xν7
式中，yDW7表示吐丝期的玉米干物质重量；yDW6*表示开花期最后一天的玉米干物质重量；xν7表示玉米处于吐丝期的第ν天，ν≥1；计算系数μ7＝5.09。
玉米第八个发育期，即乳熟期的玉米干物质重量的计算公式为：
yDW8＝yDW7*+0.94xν8
式中，yDW8表示乳熟期的玉米干物质重量；yDW7*表示吐丝期最后一天的玉米干物质重量；xν8表示玉米处于乳熟期的第ν天，ν≥1；计算系数μ8＝0.94。
玉米第九个发育期，即成熟期的玉米干物质重量的计算公式为：
yDW9＝yDW8*+0.71xν9
式中，yDW9表示成熟期的玉米干物质重量；yDW8*表示乳熟期最后一天的玉米干物质重量；xν9表示玉米处于成熟期的第ν天，ν≥1；计算系数μ9＝0.71。
玉米干物质重量的关系模型构建完成后，即可结合自动识别出的玉米所处的发育期以及玉米所处发育期的天数，计算出玉米的干物质重量，从而实现对玉米干物质重量的自动识别。实际运用过程中，还可以通过真实观测数据不断对上述关系模型进行修正。
作为其他实施方式，计算玉米干物质重量时用到的玉米发育期以及玉米所处发育期的天数，还可以通过以下方式得到：借助人工经验，从玉米种植日开始，结合玉米种下去的天数，推算出玉米所处的发育期以及玉米所处发育期的天数。
(4)玉米产量的自动识别
基于农作物发育期生长数据对能表达农作物产量形成动态过程的适宜因素进行研究发现：在农作物种植密度、覆盖度、叶面积指数以及干物质重量等因素中，以农作物种植密度与农作物干物质重量二者的乘积作为农作物产量的定量评定因素最适宜，即农作物产量与农作物种植密度和农作物干物质重量的乘积存在如下关系：yCY＝myPD·yDW+n，式中，yCY表示农作物产量；yPD表示农作物种植密度；yDW表示农作物干物质重量；m、n均为农作物产量的计算系数。其中，计算系数m、n的值需要对相应农作物发育期生长数据中，农作物产量、农作物种植密度与农作物干物质重量的乘积进行拟合得到。
本实施例中，通过对样本区域2016-2018年玉米发育期生长数据中，玉米产量、玉米种植密度与玉米干物质重量的乘积进行拟合，得到如表1所示的玉米产量的计算系数m、n的拟合结果(以玉米的5种发育期为例)：
表1玉米产量的计算系数m、n的拟合结果
将表1中玉米产量的计算系数m、n的值代入yCY＝myPD·yDW+n，即可得到玉米产量的关系模型，那么将自动识别出的玉米种植密度和玉米干物质重量，代入对应的玉米产量的关系模型，即可计算出玉米的产量，从而实现对玉米产量的自动识别。实际运用过程中，还可以通过真实观测数据不断对玉米产量的关系模型进行修正。
(5)玉米覆盖度的自动识别
本实施例中，通过计算采集到的玉米图像中玉米的像素数，以及玉米图像的总像素数，取两者的比值得到玉米覆盖度，实现对玉米覆盖度的自动识别。
其中，为了提高识别结果的准确性，计算玉米覆盖度时所用的玉米图像为玉米的正下视图像，若采集到的是玉米的前下视图像，则对采集到的存在几何畸变的前下视图像进行几何校正，将其转换为正下视图像，通过计算分割后的正下视图像中玉米的像素数(Pixobj)与正下视图像的总像素数(Pix)之比得到玉米的覆盖度yCc：
其中正下视图像素总和Pix＝3648×2736。
作为其他实施方式，在对其他种类的农作物覆盖度进行识别时，其识别过程与玉米类似。
作为其他实施方式，还可以采用现有技术中的其他方法计算覆盖度，例如：采用名称为《基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价》的论文中记载的覆盖度计算方法。
(6)玉米叶面积指数的自动识别
基于农作物发育期生长数据，对农作物覆盖度与农作物叶面积指数之间的关系进行分析发现：在农作物的生长过程中，叶片的变宽和伸长及叶片数目的增加会使得农作物叶面积指数和覆盖度增大，并且由于叶片存在着一定的倾角和叶片之间的相互遮挡，农作物叶面积指数与覆盖度之间的关系存在非线性，最终发现两者之间呈高度相关的指数函数关系：
式中，yLAI为农作物叶面积指数；yCc为农作物覆盖度；p、q均为农作物叶面积指数的计算系数。其中，计算系数p、q的值需要对相应农作物发育期生长数据中，农作物覆盖度和农作物叶面积指数进行拟合得到。
本实施例中，对选取的样本区域2016-2018年的10000张玉米图像进行处理，自动识别出对应的玉米覆盖度，然后将自动识别出的玉米覆盖度和人工观测的玉米叶面积指数进行拟合，得到玉米叶面积指数的关系模型为：
据此，在自动识别出玉米覆盖度后，代入该关系模型即可计算出玉米叶面积指数，实现对玉米叶面积指数的自动识别。实际运用过程中，还可以通过真实观测数据不断对该模型进行修正。
作为其他实施方式，还可以采用现有技术中的其他方法计算叶面积指数，例如：采用名称为《基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价》的论文中记载的叶面积指数计算方法。
Claims (10)
1.一种农作物前端识别装置，其特征在于，包括：
图像采集模块，用于采集农作物的图像；
数据处理模块，用于实现的处理过程包括：
采集农作物的图像；
当农作物的播种方式是穴播时，对农作物的图像进行二值化处理，得到二值化图像，标记二值化图像中农作物的连通域，获取连通域的个数，连通域的个数为农作物的穴数，根据农作物的穴数以及所述农作物的图像对应的实际面积计算农作物种植密度；当农作物的播种方式是条播时，对农作物的图像进行二值化处理，得到二值化图像，标记二值化图像中农作物的连通域，获取连通域的个数以及各个连通域的顶点个数，根据连通域的顶点个数与连通域内农作物的株数之间的关系得到各个连通域内农作物的株数，进而计算得到所述农作物的图像中农作物的总株数，根据农作物的总株数以及所述农作物的图像对应的实际面积计算农作物种植密度。
2.根据权利要求1所述的农作物前端识别装置，其特征在于，所述连通域的顶点个数与连通域内农作物的株数之间的关系为：
yCN＝axVN 2-bxVN+c
其中，yCN为连通域内农作物的株数；xVN为连通域的顶点个数；a、b、c均为连通域内农作物的株数的计算系数。
3.根据权利要求1所述的农作物前端识别装置，其特征在于，当农作物的播种方式是穴播时，标记二值化图像中农作物的连通域之后，计算各个连通域的质心坐标以及任两个质心坐标的距离，将小于设定最小距离阈值的距离对应的连通域合并成一个连通域，进而得到连通域的个数。
4.根据权利要求1所述的农作物前端识别装置，其特征在于，所述数据处理模块用于实现的处理过程还包括识别农作物发育期和识别农作物所处发育期的天数的过程：将采集到的农作物的图像与发育期数据集进行比对，识别出农作物所处的发育期，所述发育期数据集包括农作物生长过程中历经的各种发育期以及与各种发育期对应的农作物图像数据；识别出农作物所处的发育期后，将采集到的农作物的图像与对应发育期的发育期天数数据集进行比对，识别出农作物处于该发育期的天数，所述发育期天数数据集包括农作物处于对应发育期的天数以及与天数对应的农作物图像数据。
5.根据权利要求1或4所述的农作物前端识别装置，其特征在于，所述数据处理模块用于实现的处理过程还包括农作物干物质重量的检测过程：根据农作物干物质重量与农作物所处的发育期以及所处发育期的天数的对应关系计算得到所处发育期的农作物干物质重量；其中，对于农作物生长过程中历经的第一个发育期而言，该发育期的农作物干物质重量的计算公式如下：
yDW1＝d1+μ1xν1
式中，yDW1表示第一个发育期的农作物干物质重量；xν1表示农作物处于第一个发育期的第ν天，ν≥1；d1、μ1为第一个发育期的农作物干物质重量的计算系数；
对于农作物生长过程中历经的其他各发育期而言，该发育期的农作物干物质重量的计算公式如下：
yDWk＝yDW(k-1)*+μkxνk
式中，yDWk表示第k个发育期的农作物干物质重量，k≥2；xνk表示农作物处于第k个发育期的第ν天，ν≥1；yDW(k-1)*表示第(k-1)个发育期最后一天的农作物干物质重量；μk为第k个发育期的农作物干物质重量的计算系数。
6.根据权利要求1所述的农作物前端识别装置，其特征在于，所述数据处理模块用于实现的处理过程还包括农作物产量估计过程：所述农作物产量与农作物种植密度和农作物干物质重量的乘积线性相关，具体关系为：
yCY＝myPD·yDW+n
式中，yCY表示农作物产量；yPD表示农作物种植密度；yDW表示农作物干物质重量；m、n均为农作物产量的计算系数。
7.根据权利要求1所述的农作物前端识别装置，其特征在于，所述数据处理模块用于实现的处理过程还包括农作物覆盖度和叶面积指数的检测过程，其中，获取采集到的农作物的图像中农作物的像素数，以及所述农作物的图像的总像素数，计算所述农作物的像素数与所述总像素数的比值得到农作物覆盖度；根据如下关系式得到农作物叶面积指数：
其中，yLAI为农作物叶面积指数；yCc为农作物覆盖度；p、q均为农作物叶面积指数的计算系数。
8.一种农作物前端识别方法，其特征在于，包括以下步骤：
采集农作物的图像；
当农作物的播种方式是穴播时，对农作物的图像进行二值化处理，得到二值化图像，标记二值化图像中农作物的连通域，获取连通域的个数，连通域的个数为农作物的穴数，根据农作物的穴数以及所述农作物的图像对应的实际面积计算农作物种植密度；当农作物的播种方式是条播时，对农作物的图像进行二值化处理，得到二值化图像，标记二值化图像中农作物的连通域，获取连通域的个数以及各个连通域的顶点个数，根据连通域的顶点个数与连通域内农作物的株数之间的关系得到各个连通域内农作物的株数，进而计算得到所述农作物的图像中农作物的总株数，根据农作物的总株数以及所述农作物的图像对应的实际面积计算农作物种植密度。
9.根据权利要求8所述的农作物前端识别方法，其特征在于，所述连通域的顶点个数与连通域内农作物的株数之间的关系为：
yCN＝axVN 2-bxVN+c
其中，yCN为连通域内农作物的株数；xVN为连通域的顶点个数；a、b、c均为连通域内农作物的株数的计算系数。
10.根据权利要求8所述的农作物前端识别方法，其特征在于，当农作物的播种方式是穴播时，标记二值化图像中农作物的连通域之后，计算各个连通域的质心坐标以及任两个质心坐标的距离，将小于设定最小距离阈值的距离对应的连通域合并成一个连通域，进而得到连通域的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910341087.1A CN111860038B (zh) | 2019-04-25 | 2019-04-25 | 一种农作物前端识别装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910341087.1A CN111860038B (zh) | 2019-04-25 | 2019-04-25 | 一种农作物前端识别装置及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111860038A true CN111860038A (zh) | 2020-10-30 |
| CN111860038B CN111860038B (zh) | 2023-10-20 |
Family
ID=72951579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910341087.1A Active CN111860038B (zh) | 2019-04-25 | 2019-04-25 | 一种农作物前端识别装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860038B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050025357A1 (en) * | 2003-06-13 | 2005-02-03 | Landwehr Val R. | Method and system for detecting and classifying objects in images, such as insects and other arthropods |
| CN102184392A (zh) * | 2011-05-25 | 2011-09-14 | 中国水稻研究所 | 基于dsp的水稻杂草识别系统及其识别方法 |
| CN102360428A (zh) * | 2011-06-16 | 2012-02-22 | 华中科技大学 | 一种玉米三叶期与七叶期的自动检测方法 |
| CN102592118A (zh) * | 2011-12-31 | 2012-07-18 | 华中科技大学 | 一种玉米出苗期的自动检测方法 |
| CN106295789A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
| CN106327347A (zh) * | 2016-08-24 | 2017-01-11 | 通辽市绿云信息有限公司 | 农作物种植的辅助管理信息提供方法及系统 |
| WO2017031680A1 (zh) * | 2015-08-25 | 2017-03-02 | 罗明镜 | 一种播种机 |
| CN107045719A (zh) * | 2017-04-12 | 2017-08-15 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗茎伸长期及玉米拔节期自动检测方法 |
| JP2017169511A (ja) * | 2016-03-24 | 2017-09-28 | 株式会社日立ソリューションズ東日本 | 農作物の正常株率推定装置、農作物の収穫量予測装置および農作物の正常株率推定方法 |
| CN108171615A (zh) * | 2017-12-28 | 2018-06-15 | 河南中原光电测控技术有限公司 | 一种农作物倒伏灾害监测方法及其系统 |
| CN207948098U (zh) * | 2017-08-08 | 2018-10-12 | 华南农业大学 | 一种高效自动化水稻工厂化精密播种育秧生产线 |
| CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
-
2019
- 2019-04-25 CN CN201910341087.1A patent/CN111860038B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050025357A1 (en) * | 2003-06-13 | 2005-02-03 | Landwehr Val R. | Method and system for detecting and classifying objects in images, such as insects and other arthropods |
| CN102184392A (zh) * | 2011-05-25 | 2011-09-14 | 中国水稻研究所 | 基于dsp的水稻杂草识别系统及其识别方法 |
| CN102360428A (zh) * | 2011-06-16 | 2012-02-22 | 华中科技大学 | 一种玉米三叶期与七叶期的自动检测方法 |
| CN102592118A (zh) * | 2011-12-31 | 2012-07-18 | 华中科技大学 | 一种玉米出苗期的自动检测方法 |
| CN106295789A (zh) * | 2015-06-10 | 2017-01-04 | 浙江托普云农科技股份有限公司 | 一种基于图像处理的作物种子计数方法 |
| WO2017031680A1 (zh) * | 2015-08-25 | 2017-03-02 | 罗明镜 | 一种播种机 |
| JP2017169511A (ja) * | 2016-03-24 | 2017-09-28 | 株式会社日立ソリューションズ東日本 | 農作物の正常株率推定装置、農作物の収穫量予測装置および農作物の正常株率推定方法 |
| CN106327347A (zh) * | 2016-08-24 | 2017-01-11 | 通辽市绿云信息有限公司 | 农作物种植的辅助管理信息提供方法及系统 |
| CN107045719A (zh) * | 2017-04-12 | 2017-08-15 | 江苏省无线电科学研究所有限公司 | 基于图像的甘蔗茎伸长期及玉米拔节期自动检测方法 |
| CN207948098U (zh) * | 2017-08-08 | 2018-10-12 | 华南农业大学 | 一种高效自动化水稻工厂化精密播种育秧生产线 |
| CN108171615A (zh) * | 2017-12-28 | 2018-06-15 | 河南中原光电测控技术有限公司 | 一种农作物倒伏灾害监测方法及其系统 |
| CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘永娟: "基于计算机视觉技术的玉米发育期识别研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 2, pages 047 - 202 * |
| 李翠娜;张雪芬;余正泓;王秀芳;: "基于图像提取技术计算夏玉米覆盖度和反演叶面积指数的精度评价", 中国农业气象, no. 04, pages 479 - 491 * |
| 田东哲: "基于图像技术的农作物生长状态识别算法研究", 《中国优秀硕士学位论文全文数据库 农业科技辑》, no. 1, pages 043 - 4 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111860038B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106951836B (zh) | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 | |
| CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
| Pang et al. | Improved crop row detection with deep neural network for early-season maize stand count in UAV imagery | |
| CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
| KR20150000435A (ko) | 작물 생장 단계 인식 및 환경 제어 시스템 및 그 방법 | |
| CN102855485B (zh) | 一种小麦抽穗的自动检测方法 | |
| CN104881865A (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
| CN112131946B (zh) | 光学遥感影像植被和水体信息自动提取方法 | |
| CN112418188A (zh) | 基于无人机视觉的农作物生长全程数字化评估方法 | |
| CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
| CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
| Ji et al. | In-field automatic detection of maize tassels using computer vision | |
| CN112069985B (zh) | 基于深度学习的高分辨率大田图像稻穗检测与计数方法 | |
| CN109544501A (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
| CN107704878A (zh) | 一种基于深度学习的高光谱数据库半自动化建立方法 | |
| CN110176005B (zh) | 基于归一化指数和多尺度模型的遥感图像分割方法 | |
| CN113920376B (zh) | 一种基于轻量型卷积神经网络的小麦种子品种鉴别的方法 | |
| CN106845366B (zh) | 基于图像的甘蔗覆盖度自动检测方法 | |
| CN111199192A (zh) | 一种采用平行线取样的田间红提葡萄整体成熟度检测方法 | |
| CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
| CN117456358A (zh) | 一种基于YOLOv5神经网络的植物病虫害检测方法 | |
| CN112330672B (zh) | 基于prosail模型和冠层覆盖度优化的作物叶面积指数反演方法 | |
| AHM et al. | A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops | |
| CN116721385A (zh) | 一种基于机器学习的rgb摄像头数据蓝藻水华监测方法 | |
| CN111860038B (zh) | 一种农作物前端识别装置及方法 |
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 |