CN111881879A - 基于航拍提升机插田杂草取样精度的网格排序取样调查法 - Google Patents
基于航拍提升机插田杂草取样精度的网格排序取样调查法 Download PDFInfo
- Publication number
- CN111881879A CN111881879A CN202010791151.9A CN202010791151A CN111881879A CN 111881879 A CN111881879 A CN 111881879A CN 202010791151 A CN202010791151 A CN 202010791151A CN 111881879 A CN111881879 A CN 111881879A
- Authority
- CN
- China
- Prior art keywords
- field
- sampling
- weed
- sample
- grid
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 37
- 241000196324 Embryophyta Species 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000011835 investigation Methods 0.000 title claims abstract description 20
- 238000012163 sequencing technique Methods 0.000 title claims abstract description 8
- 238000010586 diagram Methods 0.000 claims abstract description 9
- 241000209094 Oryza Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 239000004009 herbicide Substances 0.000 description 2
- 239000005472 Bensulfuron methyl Substances 0.000 description 1
- 241000592183 Eidolon Species 0.000 description 1
- YLPGTOIOYRQOHV-UHFFFAOYSA-N Pretilachlor Chemical compound CCCOCCN(C(=O)CCl)C1=C(CC)C=CC=C1CC YLPGTOIOYRQOHV-UHFFFAOYSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- XMQFTWRPUQYINF-UHFFFAOYSA-N bensulfuron-methyl Chemical group COC(=O)C1=CC=CC=C1CS(=O)(=O)NC(=O)NC1=NC(OC)=CC(OC)=N1 XMQFTWRPUQYINF-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000001679 citrus red 2 Substances 0.000 description 1
- 239000004495 emulsifiable concentrate Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000005507 spraying 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
- G06V20/182—Network patterns, e.g. roads or rivers
-
- 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
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Marine Sciences & Fisheries (AREA)
- General Business, Economics & Management (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了基于航拍提升机插田杂草取样精度的网格排序取样调查法,包括机插田,第一步,用无人机垂直航拍获得机插田边界限定之内的样图;第二步,在样图上,以实际距离单位面积的比例,将机插田分格为若干单格;第三步,利用图像处理软件计算样图中绿色占图片总面积的百分比得出x%;第四步,分别计算单格内绿色占各自单格的百分比,并将各单格重新以绿色占比的降序排列;第五步,在第四步中选取与第三步百分比x%最为接近的10个小方格,作为最终进行调查的样方;第六步,将1m×1m的样框放置在第五步的对应单格上,对其中的杂草数量和种类进行记录,计算得出每种杂草每平米面积上的数量。本发明成本小、取样精度高、工作量小。
Description
技术领域
本发明属于机插田杂草调查统计技术领域,具体涉及一种基于航拍提升机插田杂草取样精度的网格排序取样调查法。
背景技术
正确而精准的稻田杂草调查是研究稻田杂草发生规律和稻田除草剂正确使用及减量增效的现实基础和理论依据。目前,大多采用倒置“W”型5点/9点取样(如说明书附图中的图1所示)或对角线5点取样(如说明书附图中的图2所示)。由于稻田中杂草的分布呈斑块状或条状等特点,分布均匀的情况相对偏少,使得上述两种取样方法所得的结果与实际情况均有一定的概率存在较大的偏差。上述两种调查方法的缺陷在于不能完整地将稻田中杂草的数量和种类正确地反应出来。因此,简单地采用倒置“W”型5点/9点调查方法或采用对角线5点取样在调查精度上是不够的。
发明内容
本发明所要解决的技术问题是针对上述现有技术的现状,而提供成本小、取样精度高、工作量小的基于航拍提升机插田杂草取样精度的网格排序取样调查法。
本发明解决上述技术问题所采用的技术方案为:1. 将调查机插田的航拍图(稻田部分)用网格分成若干个正方或长方形格子n个,计算绿色部分占各格子面积的百分比(以下称色比);2. 从航拍图网格中,按色比进行降序排列并编号;3.从n个排好序号的样框中,从第1个至第n个样框中,均匀得取出10个样框,作为最终调查杂草种类和数量的样框。4.对10个样框中的杂草和数量进行记录和计算。通过该方法,可以从根本上避免传统的倒置“W”型9点或5点取样法造成的偏差。
具体是,基于航拍提升机插田杂草取样精度的网格排序取样调查法:
第一步,用无人机垂直航拍机插田的完整图像,并获得机插田边界限定之内的样图;
第二步,在样图上,以实际距离单位面积的比例,将机插田分格为n个单格;
第三步,利用图像处理软件计算整块机插田中绿色占机插田总面积的百分比,得出x%;
第四步,利用图像处理软件分别计算单格内绿色占各自单格的百分比,并将各单格重新以绿色占比的降序排列;
第五步,在第四步中的n个单格中选取与第三步百分比x%最为接近的10个单格,作为最终进行调查的样框;
第六步,对第五步中每个样框中的杂草数量和种类进行记录,计算得出每种杂草每平米面积上的数量。
优选的机插田长21m,宽4m,无人机悬停高度为52.5m。
优选的单格在机插田中的实际单位面积是1m×1m。
优选的各单格横向用阿拉伯数字标号,纵向用英文小写字母标号,在第五步中用阿拉伯数字+英文小写字母对对应的单格进行标记。
优选的图像处理软件是Photoshop。
与现有技术相比,本发明的基于航拍提升机插田杂草取样精度的网格排序取样调查法,包括机插田,第一步,用无人机垂直航拍获得机插田边界限定之内的样图;
第二步,在样图上,以实际距离单位面积的比例,将机插田分格为若干单格;
第三步,利用图像处理软件计算样图中绿色占图片总面积的百分比得出x%;
第四步,分别计算单格内绿色占各自单格的百分比,并将各单格重新以绿色占比的降序排列;
第五步,在第四步中选取与第三步百分比x%最为接近的10个小方格,作为最终进行调查的样方;
第六步,将1m×1m的样框放置在第五步的对应单格上,对其中的杂草数量和种类进行记录,计算得出每种杂草每平米面积上的数量。本发明成本小、取样精度高、工作量小。
附图说明
图1是背景技术中“W”型取样示意图;
图2是背景技术中“对角线5点取样”示意图;
图3是本发明取样网格结构示意图。
具体实施方式
以下结合附图对本发明的实施例作进一步详细描述。
鉴于无人机航拍技术的日渐成熟,以及田面水稻和杂草与土壤之间存在色差的原理,本发明借助无人机航拍图像,提出新的稻田杂草调查方法。
实施例一,如图3所示,本发明的基于航拍提升机插田杂草取样精度的网格排序取样调查法,第一步,用无人机垂直航拍机插田的完整图像,并获得机插田边界限定之内的样图;
第二步,在样图上,以实际距离单位面积的比例,将机插田分格为n个单格;
第三步,利用图像处理软件计算整块机插田中绿色占机插田总面积的百分比,得出x%;
第四步,利用图像处理软件分别计算单格内绿色占各自单格的百分比,并将各单格重新以绿色占比的降序排列;
第五步,在第四步中的n个单格中选取与第三步百分比x%最为接近的10个单格,作为最终进行调查的样框;
第六步,对第五步中每个样框中的杂草数量和种类进行记录,计算得出每种杂草每平米面积上的数量。
实施例中,机插田长21m,宽4m,无人机悬停高度为52.5m。
实施例中,单格在机插田中的实际单位面积是1m×1m。
实施例中,各单格横向用阿拉伯数字标号,纵向用英文小写字母标号,在第五步中用阿拉伯数字+英文小写字母对对应的单格进行标记。
实施例中,图像处理软件是Photoshop。
实施例二,在位于宁波市邱隘镇祥宇农场(N29°49';E121°39')的两块机插田,每块机插田长21m×宽4m。
其中一块机插田为不施用除草剂;另一块机插田为插秧后7天后,采用茎叶喷雾喷施农药(药剂为30%苄嘧磺隆·丙草胺乳油)。所选用的水稻品种为宁84,机插田秧苗株行距为30cm ×20cm。以下仅对其中一块机插田的杂草进行取样统计。
第一步,航拍无人机型号为大疆精灵4pro。航拍高度为52.5m,对机插田88和机插田99进行航拍,并获得机插田边界限定之内的样图;
第二步,在航拍图上,以实际距离1m×1m的比例,将机插田88分成84格。横向标号为1至21,纵向标号为a-d,每个方格的编号为“横向标号+纵向标号”,如,横向数第5格,纵向数第2格为5b,横向数第17格,纵向数第1格为17a;
第三步,利用photoshop,计算图中绿色占图片总面积的百分比,绿色占63%;
第四步,同样地,利用photoshop,计算每个小方格中绿色占各自小方格的百分比,并降序排列;
第五步,选取与第三步中色绿占比为63%最为接近的10个小方格,作为最终进行调查的样框;
第六步,对第五步中每个样框中的杂草数量和种类进行记录,计算得出每种杂草每平米面积上的数量。
以上的步骤中,用图像处理软件计算某种颜色的占比有很多方法,以AdobePhotoshop 2020为例,下面是其中一种计算方法:
第一步,在Photoshop中截取待测图片的范围;
第二步,从菜单栏的“窗口”中调出“直方图”,并出于“扩展视图”模式;
第三步,在第二步中的“直方图”中看到的像素数量即为总像素值;
第四步,从菜单栏的“窗口”中调出“色彩范围”,并用吸管吸取绿色后点击确定,这时“直方图”中就会显示绿色的像素值。
绿色像素值除以总像素值就等于绿色占比。
本发明的最佳实施例已阐明,由本领域普通技术人员做出的各种变化或改型都不会脱离本发明的范围。
Claims (5)
1.基于航拍提升机插田杂草取样精度的网格排序取样调查法,其特征是:第一步,用无人机垂直航拍机插田的完整图像,并获得机插田边界限定之内的样图;
第二步,在所述的样图上,以实际距离单位面积的比例,将机插田分格为n个单格;
第三步,利用图像处理软件计算整块机插田中绿色占机插田总面积的百分比,得出x%;
第四步,利用图像处理软件分别计算所述的单格内绿色占各自单格的百分比,并将各单格重新以绿色占比的降序排列;
第五步,在第四步中的n个单格中选取与第三步百分比x%最为接近的10个单格,作为最终进行调查的样框;
第六步,对第五步中每个样框中的杂草数量和种类进行记录,计算得出每种杂草每平米面积上的数量。
2.根据权利要求1所述的基于航拍提升机插田杂草取样精度的网格排序取样调查法,其特征是:所述的机插田长21m,宽4m,所述的无人机悬停高度为52.5m。
3.根据权利要求2所述的基于航拍提升机插田杂草取样精度的网格排序取样调查法,其特征是:所述的单格在机插田中的实际单位面积是1m×1m。
4.根据权利要求3所述的基于航拍提升机插田杂草取样精度的网格排序取样调查法,其特征是:各单格横向用阿拉伯数字标号,纵向用英文小写字母标号,在第五步中用阿拉伯数字+英文小写字母对对应的单格进行标记。
5.根据权利要求1至4任一权利要求所述的基于航拍提升机插田杂草取样精度的网格排序取样调查法,其特征是:所述的图像处理软件是Photoshop。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010791151.9A CN111881879B (zh) | 2020-08-07 | 2020-08-07 | 基于航拍提升机插田杂草取样精度的网格排序取样调查法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010791151.9A CN111881879B (zh) | 2020-08-07 | 2020-08-07 | 基于航拍提升机插田杂草取样精度的网格排序取样调查法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881879A true CN111881879A (zh) | 2020-11-03 |
CN111881879B CN111881879B (zh) | 2022-06-17 |
Family
ID=73211971
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010791151.9A Active CN111881879B (zh) | 2020-08-07 | 2020-08-07 | 基于航拍提升机插田杂草取样精度的网格排序取样调查法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881879B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778738A (zh) * | 2016-11-30 | 2017-05-31 | 苏州大学 | 一种基于决策理论粗糙集的地物特征提取方法 |
CN107194876A (zh) * | 2017-06-13 | 2017-09-22 | 中国科学院地理科学与资源研究所 | 一种基于无人机航拍的大型野生动物种群数量调查方法 |
CN108647261A (zh) * | 2018-04-27 | 2018-10-12 | 中国人民解放军91977部队 | 基于气象数据离散点网格化处理的全球等值线绘制方法 |
US20180330435A1 (en) * | 2017-05-11 | 2018-11-15 | Harvesting Inc. | Method for monitoring and supporting agricultural entities |
CN110073756A (zh) * | 2019-06-03 | 2019-08-02 | 宁波市农业科学研究院 | 一种滩涂新围垦农地土壤高效改良方法 |
CN111126316A (zh) * | 2019-12-27 | 2020-05-08 | 湖南省农业信息与工程研究所 | 一种基于图像处理的四叶草的定位与识别方法 |
CN111310322A (zh) * | 2020-02-10 | 2020-06-19 | 河海大学 | 基于元胞自动机的干旱区自然绿洲空间动态模拟方法 |
-
2020
- 2020-08-07 CN CN202010791151.9A patent/CN111881879B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778738A (zh) * | 2016-11-30 | 2017-05-31 | 苏州大学 | 一种基于决策理论粗糙集的地物特征提取方法 |
US20180330435A1 (en) * | 2017-05-11 | 2018-11-15 | Harvesting Inc. | Method for monitoring and supporting agricultural entities |
CN107194876A (zh) * | 2017-06-13 | 2017-09-22 | 中国科学院地理科学与资源研究所 | 一种基于无人机航拍的大型野生动物种群数量调查方法 |
CN108647261A (zh) * | 2018-04-27 | 2018-10-12 | 中国人民解放军91977部队 | 基于气象数据离散点网格化处理的全球等值线绘制方法 |
CN110073756A (zh) * | 2019-06-03 | 2019-08-02 | 宁波市农业科学研究院 | 一种滩涂新围垦农地土壤高效改良方法 |
CN111126316A (zh) * | 2019-12-27 | 2020-05-08 | 湖南省农业信息与工程研究所 | 一种基于图像处理的四叶草的定位与识别方法 |
CN111310322A (zh) * | 2020-02-10 | 2020-06-19 | 河海大学 | 基于元胞自动机的干旱区自然绿洲空间动态模拟方法 |
Non-Patent Citations (3)
Title |
---|
JEAN-DANIELSYLVAIN 等: "Mapping dead forest cover using a deep convolutional neural network and digital aerial photography", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 * |
史骏 等: "甬优1540机插田插-喷同步封草试验", 《浙江农业科学》 * |
耿蕊 等: "基于MATLAB图像处理的农业杂草种类识别研究", 《信息通信》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111881879B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kawamura et al. | Field phenotyping of plant height in an upland rice field in Laos using low-cost small unmanned aerial vehicles (UAVs) | |
US11631166B2 (en) | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle | |
CN100416590C (zh) | 利用位置和纹理特征自动识别作物苗期田间杂草的方法 | |
Chu et al. | Characterizing canopy height with UAS structure-from-motion photogrammetry—results analysis of a maize field trial with respect to multiple factors | |
CN109117811A (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 | |
CN111985724B (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
CN114022771B (zh) | 一种基于深度学习的玉米苗期田间分布信息统计方法 | |
CN110503259A (zh) | 一种植保无人飞机作业参数设置决策方法 | |
CN113610040B (zh) | 一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法 | |
CN105957115B (zh) | 广义dem思想下的农作物种植结构遥感提取方法 | |
CN112686086A (zh) | 一种基于光学-sar协同响应的作物分类方法 | |
CN114239756A (zh) | 一种虫害检测方法及系统 | |
CN110032939A (zh) | 一种基于高斯混合模型的遥感时序数据拟合方法 | |
CN111881879B (zh) | 基于航拍提升机插田杂草取样精度的网格排序取样调查法 | |
CN114812418A (zh) | 一种便携式植株密度和株距测量系统 | |
CN103413172A (zh) | 玉米苗期缺苗数的测量方法及装置 | |
CN107194913B (zh) | 一种作物群体最适研究尺度检测方法及装置 | |
Vukadinovic et al. | Watershed and supervised classification based fully automated method for separate leaf segmentation | |
CN111191543A (zh) | 油菜产量估测方法 | |
Kurbanov et al. | Evaluation of field germination of soybean breeding crops using multispectral data from UAV | |
CN114515663B (zh) | 一种菌菇喷淋控制方法、装置及系统 | |
CN113487636A (zh) | 基于激光雷达的宽垄作物株高及行间距自动提取方法 | |
CN115619286A (zh) | 一种评估育种田间小区样地质量的方法和系统 | |
CN111860220B (zh) | 一种小麦幼苗分布特征的评价方法 | |
CN116823918B (zh) | 作物苗株数测量方法、装置、电子设备及存储介质 |
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 |