CN112288698A - 一种基于大数据的水稻种植水稻生长监测分析管理系统 - Google Patents
一种基于大数据的水稻种植水稻生长监测分析管理系统 Download PDFInfo
- Publication number
- CN112288698A CN112288698A CN202011145542.XA CN202011145542A CN112288698A CN 112288698 A CN112288698 A CN 112288698A CN 202011145542 A CN202011145542 A CN 202011145542A CN 112288698 A CN112288698 A CN 112288698A
- Authority
- CN
- China
- Prior art keywords
- rice
- sub
- growth
- area
- image
- 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.)
- Withdrawn
Links
- 241000209094 Oryza Species 0.000 title claims abstract description 401
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 401
- 235000009566 rice Nutrition 0.000 title claims abstract description 401
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 239000002689 soil Substances 0.000 claims abstract description 91
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 44
- 238000004856 soil analysis Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000001514 detection method Methods 0.000 claims description 12
- 239000004615 ingredient Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 9
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 6
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 6
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 claims description 6
- 239000011575 calcium Substances 0.000 claims description 6
- 229910052791 calcium Inorganic materials 0.000 claims description 6
- 239000011574 phosphorus Substances 0.000 claims description 6
- 229910052698 phosphorus Inorganic materials 0.000 claims description 6
- 239000011591 potassium Substances 0.000 claims description 6
- 229910052700 potassium Inorganic materials 0.000 claims description 6
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 claims description 5
- 239000011777 magnesium Substances 0.000 claims description 5
- 229910052749 magnesium Inorganic materials 0.000 claims description 5
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 230000004577 ear development Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005728 strengthening Methods 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 5
- 239000002699 waste material Substances 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/24—Earth materials
- G01N33/245—Earth materials for agricultural purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Immunology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Pathology (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Geology (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开一种基于大数据的水稻种植水稻生长监测分析管理系统,包括区域划分模块、种植时间记录模块、种植时间分析模块、图像采集模块、图像处理模块、图像抽样模块、图像提取模块、图像数据测量模块、图像数据分析模块、分析服务器、土壤检测模块、土壤分析模块、显示模块和存储数据库;本发明通过水稻的种植时间判断各子区域内水稻的生长阶段,同时采集各子区域内各水稻的生长图像,并进行随机取样,测量各子区域内各水稻图像样本的叶宽和茎宽,并综合计算各子区域内水稻的综合长势对比系数,判断各子区域内水稻长势,同时检测水稻长势不好的各子区域内土壤中各成分含量,并进行对应的处理,从而提高水稻种植产量和水稻品质。
Description
技术领域
本发明涉及水稻种植生长监测领域,涉及到一种基于大数据的水稻种植水稻生长监测分析管理系统。
背景技术
水稻生长监测是水稻种植的一项基础性科学依据,只有扎实开展好此项工作,归纳总结出科学分析数据,才能有效的掌握水稻种植生长条件,在提高产量的同时提高种植户的经济效益。
目前,现有的水稻生长监测管理存在一些不容忽视的问题,现有的水稻生长监测还处于人工监测阶段,无法满足对各水稻种植区域进行数据采集的要求,且观察结果主观性强,不仅消耗大量人力资源,而且重复性的采集测量还会扰动水稻生长环境,产生人为误差,使得监测数据的准确性不高,同时凭借人工经验无法精确判断水稻的生长阶段,并定时对水稻土壤增添营养成分,存在处于生长阶段的水稻长势过盛或过弱,从而抑制水稻的生长,使得水稻无法正常生长,导致水稻种植产量不达标、品质差,降低了种植户的经济收益,为了解决以上问题,现设计一种基于大数据的水稻种植水稻生长监测分析管理系统。
发明内容
本发明的目的在于提供一种基于大数据的水稻种植水稻生长监测分析管理系统,本发明通过水稻的种植时间判断各子区域内水稻的生长阶段,同时采集各子区域内各水稻的生长图像,并进行随机取样,提取各子区域内各水稻的图像样本中茎秆图像和各完整叶图像,测量各子区域内各水稻图像样本的叶宽和茎宽,综合计算各子区域内水稻的综合长势对比系数,判断各子区域内水稻长势,同时检测水稻长势不好的各子区域内土壤中各成分含量,工作人员对各子区域内土壤中富余或缺失的各成分进行处理,解决了背景技术中存在的问题。
本发明的目的可以通过以下技术方案实现:
一种基于大数据的水稻种植水稻生长监测分析管理系统,包括区域划分模块、种植时间记录模块、种植时间分析模块、图像采集模块、图像处理模块、图像抽样模块、图像提取模块、图像数据测量模块、图像数据分析模块、分析服务器、土壤检测模块、土壤分析模块、显示模块和存储数据库;
所述区域划分模块用于将水稻种植区域进行划分,按照空间网格化的划分方式划分成面积相同的若干子区域,对若干子区域按照顺序依次进行编号,若干子区域的编号分别为1,2,...,i,...,n,并将水稻种植区域内各子区域的编号发送至存储数据库;
所述种植时间记录模块用于对各子区域内水稻的种植时间进行记录,统计各子区域内水稻的种植时间,构成各子区域内水稻的种植时间集合T(t1,t2,...,ti,...,tn),ti表示为第i个子区域内水稻的种植时间,将各子区域内水稻的种植时间集合发送至种植时间分析模块;、
所述种植时间分析模块与种植时间记录模块连接,用于接收种植时间记录模块发送的各子区域内水稻的种植时间集合,计算各子区域内水稻的生长时间,统计各子区域内水稻的生长时间,构成各子区域内水稻的生长时间集合ΔT(Δt1,Δt2,...,Δti,...,Δtn),Δti表示为第i个子区域内水稻的生长时间,将各子区域内水稻的生长时间集合发送至分析服务器;
所述分析服务器与种植时间分析模块连接,用于接收种植时间分析模块发送的各子区域内水稻的生长时间集合,提取存储数据库中存储的各生长阶段水稻的标准生长时间段,将接收的各子区域内水稻的生长时间与各生长阶段水稻的标准生长时间段进行对比,筛选各子区域内水稻的生长时间对应的生长阶段,统计各子区域内水稻的生长阶段,将各子区域内水稻的生长阶段发送至显示模块;
所述图像采集模块包括高清摄像头,用于对各子区域内水稻的生长图像进行采集,通过高清摄像头对各子区域内水稻的生长图像进行图像采集,将采集的各子区域内水稻的生长图像发送至图像处理模块;
所述图像处理模块与图像采集模块连接,用于接收图像采集模块发送的各子区域内水稻的生长图像,对接收的各子区域内水稻的生长图像进行归一化处理,变化为大小一致且不存在偏角的图像,并对各子区域内水稻的生长图像进行图像分割,选取各子区域内包裹各水稻的最小区域,去除各水稻的最小区域之外的图像,强化各子区域内各水稻的最小区域的图像高频分量,统计各子区域内各水稻图像,将各子区域内各水稻图像发送至图像抽样模块;
所述图像抽样模块与图像处理模块连接,用于接收图像处理模块发送的各子区域内各水稻图像,对接收的各子区域内各水稻图像进行随机抽样,统计各子区域内各水稻的图像样本,构成各子区域内各水稻的图像样本集合Xa(xa 1,xa 2,...,xa i,...,xa n),xa i表示为第i个子区域内第a个水稻的图像样本,a=1,2,3,4,将各子区域内各水稻的图像样本集合发送至图像提取模块;
所述图像提取模块与图像抽样模块连接,用于接收图像抽样模块发送的各子区域内各水稻的图像样本集合,提取各子区域内各水稻的图像样本中茎秆图像和各完整叶图像,将提取的各子区域内各水稻的图像样本中茎秆图像和各完整叶图像发送至图像数据测量模块;
所述图像数据测量模块与图像提取模块连接,用于接收图像提取模块发送的各子区域内各水稻的图像样本中茎秆图像和各完整叶图像,对各子区域内各水稻的图像样本中茎秆图像的茎宽和各完整叶图像的各段叶宽进行测量,统计各子区域内各水稻的图像样本中各完整叶图像的各段叶宽,构成各子区域内各水稻的图像样本中各完整叶图像的各段叶宽集合Xa idr(xa idr 1,xa idr 2,...,xa idr j,...,xa idr m),xa idr j表示为第i个子区域内第a个水稻的图像样本中第r个完整叶图像的第j段叶宽,r=r1,r2,r3,同时统计各子区域内各水稻的图像样本中茎秆图像的各段茎宽,构成各子区域内各水稻的图像样本中茎秆图像的各段茎宽集合Xa id′(xa id′1,xa id′2,...,xa id′j,...,xa id′m),xa id′j表示为第i个子区域内第a个水稻的图像样本中茎秆图像的第j段茎宽,将各子区域内各水稻的图像样本中各完整叶图像的各段叶宽集合和茎秆图像的各段茎宽集合发送至图像数据分析模块;
所述图像数据分析模块与图像数据测量模块连接,用于接收图像数据测量模块发送的各子区域内各水稻的图像样本中各完整叶图像的各段叶宽集合和茎秆图像的各段茎宽集合,计算各子区域内各水稻图像样本的平均叶宽和平均茎宽,将计算的各子区域内各水稻图像样本的平均叶宽和平均茎宽发送至分析服务器;
所述分析服务器与图像数据分析模块连接,用于接收图像数据分析模块发送的各子区域内各水稻图像样本的平均叶宽和平均茎宽,提取存储数据库中存储的水稻长势中叶宽的比例权重系数和茎宽的比例权重系数,并提取各生长阶段水稻的标准叶宽范围和标准茎宽范围,计算各子区域内水稻的综合长势对比系数,同时提取存储数据库中存储的各生长阶段水稻的标准综合长势对比系数范围,将各子区域内水稻的综合长势对比系数与对应生长阶段水稻的标准综合长势对比系数范围进行对比,若某子区域内水稻的综合长势对比系数处于对应生长阶段水稻的标准综合长势对比系数范围之内,表明该子区域内水稻长势良好,若某子区域内水稻的综合长势对比系数处于对应生长阶段水稻的标准综合长势对比系数范围之外,表明该子区域内水稻长势过盛或过弱,统计水稻长势过盛或过弱的各子区域编号,将水稻长势过盛或过弱的各子区域编号发送至土壤检测模块;
所述土壤检测模块与分析服务器连接,其中包括若干土壤检测仪,用于接收分析服务器发送的水稻长势过盛或过弱的各子区域编号,所述若干土壤检测仪分别安装在水稻长势过盛或过弱的各子区域内,对各子区域内土壤中的氮含量、磷含量、钾含量、钙含量和镁含量进行检测,构成水稻长势过盛或过弱的各子区域内土壤中各成分含量集合WL(w1L,w2L,...,wpL,...,wqL),q≤n,wpL表示为水稻长势过盛或过弱的第p个子区域内土壤中第L中成分含量,L=L1,L2,L3,L4,L5,L1表示为土壤中氮成分,L2表示为土壤中磷成分,L3表示为土壤中钾成分,L4表示为土壤中钙成分,L5表示为土壤中镁成分,将水稻长势过盛或过弱的各子区域内土壤中各成分含量集合发送至土壤分析模块;
所述土壤分析模块与土壤检测模块连接,用于接收土壤检测模块发送的水稻长势过盛或过弱的各子区域内土壤中各成分含量集合,提取存储数据库中存储的各生长阶段水稻的土壤所需的各成分的标准含量范围,将水稻长势过盛或过弱的各子区域内土壤中各成分含量集合与对应的生长阶段水稻的土壤所需的对应成分的标准含量范围进行对比,得到水稻长势过盛或过弱的各子区域内土壤中各成分含量对比集合ΔWL(Δw1L,Δw2L,...,ΔwpL,...,wqL),ΔwpL表示为水稻长势过盛或过弱的第p个子区域内土壤中第L中成分含量与对应的生长阶段水稻的土壤所需的对应成分的标准含量范围对比的差值,将水稻长势过盛或过弱的各子区域内土壤中各成分含量对比集合发送至显示模块;
所述显示模块分别与分析服务器和土壤分析模块连接,用于接收分析服务器发送的各子区域内水稻的生长阶段,同时接收土壤分析模块发送的水稻长势过盛或过弱的各子区域内土壤中各成分含量对比集合,并进行显示,工作人员根据显示对各子区域内土壤中富余或缺失的各成分进行处理;
所述存储数据库分别与区域划分模块、分析服务器和土壤分析模块连接,用于接收区域划分模块发送的水稻种植区域内各子区域的编号,同时存储各生长阶段水稻的标准生长时间段,存储水稻长势中叶宽的比例权重系数和茎宽的比例权重系数,并存储各生长阶段水稻的标准叶宽范围和标准茎宽范围,存储各生长阶段水稻的标准综合长势对比系数范围和各生长阶段水稻的土壤所需的各成分的标准含量范围;
进一步地,所述各子区域内水稻的生长时间计算公式为Δti=T0-ti,Δti表示为第i个子区域内水稻的生长时间,T0表示为当前监测水稻生长的实时监测时间,ti表示为第i个子区域内水稻的种植时间;
进一步地,所述水稻的各生长阶段包括幼苗期、秧苗分蘖期、幼穗发育期和开花结实期;
进一步地,所述图像数据测量模块采用的测量方法,包括如下步骤:
S1、分别测量茎秆图像中茎秆长度和各完整叶图像中完整叶长度;
S2、按照等数划分的方式将茎秆长度和完整叶长度进行划分,划分成若干茎秆子区域和若干完整叶子区域;
S3、分别对各茎秆子区域内中心处的茎宽和各完整叶子区域内中心处的叶宽进行测量,获得茎秆图像的各段茎宽和各完整叶图像的各段叶宽;
进一步地,所述各子区域内各水稻图像样本的平均叶宽计算公式为 表示为第i个子区域内第a个水稻的图像样本的平均叶宽,xa idr j表示为第i个子区域内第a个水稻的图像样本中第r个完整叶图像的第j段叶宽,r=r1,r2,r3;
进一步地,所述各子区域内水稻的综合长势对比系数计算公式为ζi表示为第i个子区域内水稻的综合长势对比系数,λ和λ′分别表示为水稻长势中叶宽的比例权重系数和茎宽的比例权重系数,表示为第i个子区域内第a个水稻的图像样本的平均叶宽,a=1,2,3,4,k表示为该高清摄像头拍摄图像尺寸与实际尺寸的标准比值,xidmax和xidmin分别表示为第i个子区域对应的生长阶段水稻的标准叶宽范围的最大值和最小值,表示为第i个子区域内第a个水稻的图像样本的平均茎宽,xid′max和xid′min分别表示为第i个子区域对应的生长阶段水稻的标准茎宽范围的最大值和最小值。
有益效果:
(1)本发明提供的一种基于大数据的水稻种植水稻生长监测分析管理系统,通过种植时间记录模块和种植时间分析模块并结合分析服务器判断各子区域内水稻的生长阶段,并通过图像采集模块对各子区域内各水稻的生长图像进行采集,这样不仅降低了大量人力资源的浪费,而且避免人工观察结果主观性强的问题,并满足对各水稻种植区域进行数据采集的要求,同时对各子区域内各水稻的生长图像进行随机取样,提取各子区域内各水稻的图像样本中茎秆图像和各完整叶图像,测量各子区域内各水稻图像样本的叶宽和茎宽,从而避免人为误差,增加了监测数据的准确性,为后期综合计算各子区域内水稻的综合长势对比系数提供可靠的参考数据。
(2)本发明通过分析服务器综合计算各子区域内水稻的综合长势对比系数,判断各子区域内水稻长势,同时对水稻长势过盛或过弱的各子区域内土壤中各成分含量进行检测,分析水稻长势过盛或过弱的各子区域内土壤中各成分含量对比差值,并进行显示,工作人员根据显示对对应的子区域内土壤中富余或缺失的各成分进行处理,保证水稻能够正常生长,从而提高水稻种植产量和水稻品质,增加了种植户的经济收益。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中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为本发明的示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,一种基于大数据的水稻种植水稻生长监测分析管理系统,包括区域划分模块、种植时间记录模块、种植时间分析模块、图像采集模块、图像处理模块、图像抽样模块、图像提取模块、图像数据测量模块、图像数据分析模块、分析服务器、土壤检测模块、土壤分析模块、显示模块和存储数据库;
所述区域划分模块用于将水稻种植区域进行划分,按照空间网格化的划分方式划分成面积相同的若干子区域,对若干子区域按照顺序依次进行编号,若干子区域的编号分别为1,2,...,i,...,n,并将水稻种植区域内各子区域的编号发送至存储数据库。
所述种植时间记录模块用于对各子区域内水稻的种植时间进行记录,统计各子区域内水稻的种植时间,构成各子区域内水稻的种植时间集合T(t1,t2,...,ti,...,tn),ti表示为第i个子区域内水稻的种植时间,将各子区域内水稻的种植时间集合发送至种植时间分析模块;、
所述种植时间分析模块与种植时间记录模块连接,用于接收种植时间记录模块发送的各子区域内水稻的种植时间集合,计算各子区域内水稻的生长时间,各子区域内水稻的生长时间计算公式为Δti=T0-ti,Δti表示为第i个子区域内水稻的生长时间,T0表示为当前监测水稻生长的实时监测时间,ti表示为第i个子区域内水稻的种植时间,并统计各子区域内水稻的生长时间,构成各子区域内水稻的生长时间集合ΔT(Δt1,Δt2,...,Δti,...,Δtn),Δti表示为第i个子区域内水稻的生长时间,将各子区域内水稻的生长时间集合发送至分析服务器;
所述分析服务器与种植时间分析模块连接,用于接收种植时间分析模块发送的各子区域内水稻的生长时间集合,提取存储数据库中存储的各生长阶段水稻的标准生长时间段,将接收的各子区域内水稻的生长时间与各生长阶段水稻的标准生长时间段进行对比,筛选各子区域内水稻的生长时间对应的生长阶段,统计各子区域内水稻的生长阶段,将各子区域内水稻的生长阶段发送至显示模块。
所述图像采集模块包括高清摄像头,用于对各子区域内水稻的生长图像进行采集,通过高清摄像头对各子区域内水稻的生长图像进行图像采集,这样不仅降低了大量人力资源的浪费,而且避免人工观察结果主观性强的问题,并满足对各水稻种植区域进行数据采集的要求,并将采集的各子区域内水稻的生长图像发送至图像处理模块;
所述图像处理模块与图像采集模块连接,用于接收图像采集模块发送的各子区域内水稻的生长图像,对接收的各子区域内水稻的生长图像进行归一化处理,变化为大小一致且不存在偏角的图像,并对各子区域内水稻的生长图像进行图像分割,选取各子区域内包裹各水稻的最小区域,去除各水稻的最小区域之外的图像,强化各子区域内各水稻的最小区域的图像高频分量,统计各子区域内各水稻图像,将各子区域内各水稻图像发送至图像抽样模块。
所述图像抽样模块与图像处理模块连接,用于接收图像处理模块发送的各子区域内各水稻图像,对接收的各子区域内各水稻图像进行随机抽样,统计各子区域内各水稻的图像样本,构成各子区域内各水稻的图像样本集合Xa(xa 1,xa 2,...,xa i,...,xa n),xa i表示为第i个子区域内第a个水稻的图像样本,a=1,2,3,4,将各子区域内各水稻的图像样本集合发送至图像提取模块;
所述图像提取模块与图像抽样模块连接,用于接收图像抽样模块发送的各子区域内各水稻的图像样本集合,提取各子区域内各水稻的图像样本中茎秆图像和各完整叶图像,将提取的各子区域内各水稻的图像样本中茎秆图像和各完整叶图像发送至图像数据测量模块;
所述图像数据测量模块与图像提取模块连接,用于接收图像提取模块发送的各子区域内各水稻的图像样本中茎秆图像和各完整叶图像,对各子区域内各水稻的图像样本中茎秆图像的茎宽和各完整叶图像的各段叶宽进行测量,统计各子区域内各水稻的图像样本中各完整叶图像的各段叶宽,构成各子区域内各水稻的图像样本中各完整叶图像的各段叶宽集合Xa idr(xa idr 1,xa idr 2,...,xa idr j,...,xa idr m),xa idr j表示为第i个子区域内第a个水稻的图像样本中第r个完整叶图像的第j段叶宽,r=r1,r2,r3,同时统计各子区域内各水稻的图像样本中茎秆图像的各段茎宽,构成各子区域内各水稻的图像样本中茎秆图像的各段茎宽集合Xa id′(xa id′1,xa id′2,...,xa id′j,...,xa id′m),xa id′j表示为第i个子区域内第a个水稻的图像样本中茎秆图像的第j段茎宽,将各子区域内各水稻的图像样本中各完整叶图像的各段叶宽集合和茎秆图像的各段茎宽集合发送至图像数据分析模块;
所述图像数据测量模块采用的测量方法,包括如下步骤:
S1、分别测量茎秆图像中茎秆长度和各完整叶图像中完整叶长度;
S2、按照等数划分的方式将茎秆长度和完整叶长度进行划分,划分成若干茎秆子区域和若干完整叶子区域;
S3、分别对各茎秆子区域内中心处的茎宽和各完整叶子区域内中心处的叶宽进行测量,获得茎秆图像的各段茎宽和各完整叶图像的各段叶宽。
所述图像数据分析模块与图像数据测量模块连接,用于接收图像数据测量模块发送的各子区域内各水稻的图像样本中各完整叶图像的各段叶宽集合和茎秆图像的各段茎宽集合,计算各子区域内各水稻图像样本的平均叶宽和平均茎宽,从而避免人为误差,增加了监测数据的准确性,为后期综合计算各子区域内水稻的综合长势对比系数提供可靠的参考数据,各子区域内各水稻图像样本的平均叶宽计算公式为 表示为第i个子区域内第a个水稻的图像样本的平均叶宽,xa idr j表示为第i个子区域内第a个水稻的图像样本中第r个完整叶图像的第j段叶宽,r=r1,r2,r3;各子区域内各水稻图像样本的平均茎宽计算公式为 表示为第i个子区域内第a个水稻的图像样本的平均茎宽,xa id′j表示为第i个子区域内第a个水稻的图像样本中茎秆图像的第j段茎宽,并将计算的各子区域内各水稻图像样本的平均叶宽和平均茎宽发送至分析服务器。
所述分析服务器与图像数据分析模块连接,用于接收图像数据分析模块发送的各子区域内各水稻图像样本的平均叶宽和平均茎宽,提取存储数据库中存储的水稻长势中叶宽的比例权重系数和茎宽的比例权重系数,并提取各生长阶段水稻的标准叶宽范围和标准茎宽范围,计算各子区域内水稻的综合长势对比系数,各子区域内水稻的综合长势对比系数计算公式为ζi表示为第i个子区域内水稻的综合长势对比系数,λ和λ′分别表示为水稻长势中叶宽的比例权重系数和茎宽的比例权重系数,表示为第i个子区域内第a个水稻的图像样本的平均叶宽,a=1,2,3,4,k表示为该高清摄像头拍摄图像尺寸与实际尺寸的标准比值,xidmax和xidmin分别表示为第i个子区域对应的生长阶段水稻的标准叶宽范围的最大值和最小值,表示为第i个子区域内第a个水稻的图像样本的平均茎宽,xid′max和xid′min分别表示为第i个子区域对应的生长阶段水稻的标准茎宽范围的最大值和最小值,同时提取存储数据库中存储的各生长阶段水稻的标准综合长势对比系数范围,将各子区域内水稻的综合长势对比系数与对应生长阶段水稻的标准综合长势对比系数范围进行对比,若某子区域内水稻的综合长势对比系数处于对应生长阶段水稻的标准综合长势对比系数范围之内,表明该子区域内水稻长势良好,若某子区域内水稻的综合长势对比系数处于对应生长阶段水稻的标准综合长势对比系数范围之外,表明该子区域内水稻长势过盛或过弱,统计水稻长势过盛或过弱的各子区域编号,将水稻长势过盛或过弱的各子区域编号发送至土壤检测模块。
所述土壤检测模块与分析服务器连接,其中包括若干土壤检测仪,用于接收分析服务器发送的水稻长势过盛或过弱的各子区域编号,所述若干土壤检测仪分别安装在水稻长势过盛或过弱的各子区域内,对各子区域内土壤中的氮含量、磷含量、钾含量、钙含量和镁含量进行检测,构成水稻长势过盛或过弱的各子区域内土壤中各成分含量集合WL(w1L,w2L,...,wpL,...,wqL),q≤n,wpL表示为水稻长势过盛或过弱的第p个子区域内土壤中第L中成分含量,L=L1,L2,L3,L4,L5,L1表示为土壤中氮成分,L2表示为土壤中磷成分,L3表示为土壤中钾成分,L4表示为土壤中钙成分,L5表示为土壤中镁成分,将水稻长势过盛或过弱的各子区域内土壤中各成分含量集合发送至土壤分析模块;
所述土壤分析模块与土壤检测模块连接,用于接收土壤检测模块发送的水稻长势过盛或过弱的各子区域内土壤中各成分含量集合,提取存储数据库中存储的各生长阶段水稻的土壤所需的各成分的标准含量范围,将水稻长势过盛或过弱的各子区域内土壤中各成分含量集合与对应的生长阶段水稻的土壤所需的对应成分的标准含量范围进行对比,得到水稻长势过盛或过弱的各子区域内土壤中各成分含量对比集合ΔWL(Δw1L,Δw2L,...,ΔwpL,...,wqL),ΔwpL表示为水稻长势过盛或过弱的第p个子区域内土壤中第L中成分含量与对应的生长阶段水稻的土壤所需的对应成分的标准含量范围对比的差值,将水稻长势过盛或过弱的各子区域内土壤中各成分含量对比集合发送至显示模块。
所述显示模块分别与分析服务器和土壤分析模块连接,用于接收分析服务器发送的各子区域内水稻的生长阶段,同时接收土壤分析模块发送的水稻长势过盛或过弱的各子区域内土壤中各成分含量对比集合,并进行显示,工作人员根据显示对各子区域内土壤中富余或缺失的各成分进行处理,保证水稻能够正常生长,从而提高水稻种植产量和水稻品质,增加了种植户的经济收益。
所述存储数据库分别与区域划分模块、分析服务器和土壤分析模块连接,用于接收区域划分模块发送的水稻种植区域内各子区域的编号,同时存储各生长阶段水稻的标准生长时间段,水稻的各生长阶段包括幼苗期、秧苗分蘖期、幼穗发育期和开花结实期,并存储水稻长势中叶宽的比例权重系数和茎宽的比例权重系数,存储各生长阶段水稻的标准叶宽范围和标准茎宽范围,存储各生长阶段水稻的标准综合长势对比系数范围和各生长阶段水稻的土壤所需的各成分的标准含量范围。
以上内容仅仅是对本发明的构思所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的构思或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (7)
1.一种基于大数据的水稻种植水稻生长监测分析管理系统,其特征在于:包括区域划分模块、种植时间记录模块、种植时间分析模块、图像采集模块、图像处理模块、图像抽样模块、图像提取模块、图像数据测量模块、图像数据分析模块、分析服务器、土壤检测模块、土壤分析模块、显示模块和存储数据库;
所述区域划分模块用于将水稻种植区域进行划分,按照空间网格化的划分方式划分成面积相同的若干子区域,对若干子区域按照顺序依次进行编号,若干子区域的编号分别为1,2,...,i,...,n,并将水稻种植区域内各子区域的编号发送至存储数据库;
所述种植时间记录模块用于对各子区域内水稻的种植时间进行记录,统计各子区域内水稻的种植时间,构成各子区域内水稻的种植时间集合T(t1,t2,...,ti,...,tn),ti表示为第i个子区域内水稻的种植时间,将各子区域内水稻的种植时间集合发送至种植时间分析模块;、
所述种植时间分析模块与种植时间记录模块连接,用于接收种植时间记录模块发送的各子区域内水稻的种植时间集合,计算各子区域内水稻的生长时间,统计各子区域内水稻的生长时间,构成各子区域内水稻的生长时间集合ΔT(Δt1,Δt2,...,Δti,...,Δtn),Δti表示为第i个子区域内水稻的生长时间,将各子区域内水稻的生长时间集合发送至分析服务器;
所述分析服务器与种植时间分析模块连接,用于接收种植时间分析模块发送的各子区域内水稻的生长时间集合,提取存储数据库中存储的各生长阶段水稻的标准生长时间段,将接收的各子区域内水稻的生长时间与各生长阶段水稻的标准生长时间段进行对比,筛选各子区域内水稻的生长时间对应的生长阶段,统计各子区域内水稻的生长阶段,将各子区域内水稻的生长阶段发送至显示模块;
所述图像采集模块包括高清摄像头,用于对各子区域内水稻的生长图像进行采集,通过高清摄像头对各子区域内水稻的生长图像进行图像采集,将采集的各子区域内水稻的生长图像发送至图像处理模块;
所述图像处理模块与图像采集模块连接,用于接收图像采集模块发送的各子区域内水稻的生长图像,对接收的各子区域内水稻的生长图像进行归一化处理,变化为大小一致且不存在偏角的图像,并对各子区域内水稻的生长图像进行图像分割,选取各子区域内包裹各水稻的最小区域,去除各水稻的最小区域之外的图像,强化各子区域内各水稻的最小区域的图像高频分量,统计各子区域内各水稻图像,将各子区域内各水稻图像发送至图像抽样模块;
所述图像抽样模块与图像处理模块连接,用于接收图像处理模块发送的各子区域内各水稻图像,对接收的各子区域内各水稻图像进行随机抽样,统计各子区域内各水稻的图像样本,构成各子区域内各水稻的图像样本集合Xa(xa 1,xa 2,...,xa i,...,xa n),xa i表示为第i个子区域内第a个水稻的图像样本,a=1,2,3,4,将各子区域内各水稻的图像样本集合发送至图像提取模块;
所述图像提取模块与图像抽样模块连接,用于接收图像抽样模块发送的各子区域内各水稻的图像样本集合,提取各子区域内各水稻的图像样本中茎秆图像和各完整叶图像,将提取的各子区域内各水稻的图像样本中茎秆图像和各完整叶图像发送至图像数据测量模块;
所述图像数据测量模块与图像提取模块连接,用于接收图像提取模块发送的各子区域内各水稻的图像样本中茎秆图像和各完整叶图像,对各子区域内各水稻的图像样本中茎秆图像的茎宽和各完整叶图像的各段叶宽进行测量,统计各子区域内各水稻的图像样本中各完整叶图像的各段叶宽,构成各子区域内各水稻的图像样本中各完整叶图像的各段叶宽集合Xa idr(xa idr 1,xa idr 2,...,xa idr j,...,xa idr m),xa idr j表示为第i个子区域内第a个水稻的图像样本中第r个完整叶图像的第j段叶宽,r=r1,r2,r3,同时统计各子区域内各水稻的图像样本中茎秆图像的各段茎宽,构成各子区域内各水稻的图像样本中茎秆图像的各段茎宽集合Xa id′(xa id′1,xa id′2,...,xa id′j,...,xa id′m),xa id′j表示为第i个子区域内第a个水稻的图像样本中茎秆图像的第j段茎宽,将各子区域内各水稻的图像样本中各完整叶图像的各段叶宽集合和茎秆图像的各段茎宽集合发送至图像数据分析模块;
所述图像数据分析模块与图像数据测量模块连接,用于接收图像数据测量模块发送的各子区域内各水稻的图像样本中各完整叶图像的各段叶宽集合和茎秆图像的各段茎宽集合,计算各子区域内各水稻图像样本的平均叶宽和平均茎宽,将计算的各子区域内各水稻图像样本的平均叶宽和平均茎宽发送至分析服务器;
所述分析服务器与图像数据分析模块连接,用于接收图像数据分析模块发送的各子区域内各水稻图像样本的平均叶宽和平均茎宽,提取存储数据库中存储的水稻长势中叶宽的比例权重系数和茎宽的比例权重系数,并提取各生长阶段水稻的标准叶宽范围和标准茎宽范围,计算各子区域内水稻的综合长势对比系数,同时提取存储数据库中存储的各生长阶段水稻的标准综合长势对比系数范围,将各子区域内水稻的综合长势对比系数与对应生长阶段水稻的标准综合长势对比系数范围进行对比,若某子区域内水稻的综合长势对比系数处于对应生长阶段水稻的标准综合长势对比系数范围之内,表明该子区域内水稻长势良好,若某子区域内水稻的综合长势对比系数处于对应生长阶段水稻的标准综合长势对比系数范围之外,表明该子区域内水稻长势过盛或过弱,统计水稻长势过盛或过弱的各子区域编号,将水稻长势过盛或过弱的各子区域编号发送至土壤检测模块;
所述土壤检测模块与分析服务器连接,其中包括若干土壤检测仪,用于接收分析服务器发送的水稻长势过盛或过弱的各子区域编号,所述若干土壤检测仪分别安装在水稻长势过盛或过弱的各子区域内,对各子区域内土壤中的氮含量、磷含量、钾含量、钙含量和镁含量进行检测,构成水稻长势过盛或过弱的各子区域内土壤中各成分含量集合WL(w1L,w2L,...,wpL,...,wqL),q≤n,wpL表示为水稻长势过盛或过弱的第p个子区域内土壤中第L中成分含量,L=L1,L2,L3,L4,L5,L1表示为土壤中氮成分,L2表示为土壤中磷成分,L3表示为土壤中钾成分,L4表示为土壤中钙成分,L5表示为土壤中镁成分,将水稻长势过盛或过弱的各子区域内土壤中各成分含量集合发送至土壤分析模块;
所述土壤分析模块与土壤检测模块连接,用于接收土壤检测模块发送的水稻长势过盛或过弱的各子区域内土壤中各成分含量集合,提取存储数据库中存储的各生长阶段水稻的土壤所需的各成分的标准含量范围,将水稻长势过盛或过弱的各子区域内土壤中各成分含量集合与对应的生长阶段水稻的土壤所需的对应成分的标准含量范围进行对比,得到水稻长势过盛或过弱的各子区域内土壤中各成分含量对比集合ΔWL(Δw1L,Δw2L,...,ΔwpL,...,wqL),ΔwpL表示为水稻长势过盛或过弱的第p个子区域内土壤中第L中成分含量与对应的生长阶段水稻的土壤所需的对应成分的标准含量范围对比的差值,将水稻长势过盛或过弱的各子区域内土壤中各成分含量对比集合发送至显示模块;
所述显示模块分别与分析服务器和土壤分析模块连接,用于接收分析服务器发送的各子区域内水稻的生长阶段,同时接收土壤分析模块发送的水稻长势过盛或过弱的各子区域内土壤中各成分含量对比集合,并进行显示,工作人员根据显示对各子区域内土壤中富余或缺失的各成分进行处理;
所述存储数据库分别与区域划分模块、分析服务器和土壤分析模块连接,用于接收区域划分模块发送的水稻种植区域内各子区域的编号,同时存储各生长阶段水稻的标准生长时间段,存储水稻长势中叶宽的比例权重系数和茎宽的比例权重系数,并存储各生长阶段水稻的标准叶宽范围和标准茎宽范围,存储各生长阶段水稻的标准综合长势对比系数范围和各生长阶段水稻的土壤所需的各成分的标准含量范围。
2.根据权利要求1所述的一种基于大数据的水稻种植水稻生长监测分析管理系统,其特征在于:所述各子区域内水稻的生长时间计算公式为Δti=T0-ti,Δti表示为第i个子区域内水稻的生长时间,T0表示为当前监测水稻生长的实时监测时间,ti表示为第i个子区域内水稻的种植时间。
3.根据权利要求1所述的一种基于大数据的水稻种植水稻生长监测分析管理系统,其特征在于:所述水稻的各生长阶段包括幼苗期、秧苗分蘖期、幼穗发育期和开花结实期。
4.根据权利要求1所述的一种基于大数据的水稻种植水稻生长监测分析管理系统,其特征在于:所述图像数据测量模块采用的测量方法,包括如下步骤:
S1、分别测量茎秆图像中茎秆长度和各完整叶图像中完整叶长度;
S2、按照等数划分的方式将茎秆长度和完整叶长度进行划分,划分成若干茎秆子区域和若干完整叶子区域;
S3、分别对各茎秆子区域内中心处的茎宽和各完整叶子区域内中心处的叶宽进行测量,获得茎秆图像的各段茎宽和各完整叶图像的各段叶宽。
7.根据权利要求1所述的一种基于大数据的水稻种植水稻生长监测分析管理系统,其特征在于:所述各子区域内水稻的综合长势对比系数计算公式为ζi表示为第i个子区域内水稻的综合长势对比系数,λ和λ′分别表示为水稻长势中叶宽的比例权重系数和茎宽的比例权重系数,表示为第i个子区域内第a个水稻的图像样本的平均叶宽,a=1,2,3,4,k表示为该高清摄像头拍摄图像尺寸与实际尺寸的标准比值,xidmax和xidmin分别表示为第i个子区域对应的生长阶段水稻的标准叶宽范围的最大值和最小值,表示为第i个子区域内第a个水稻的图像样本的平均茎宽,xid′max和xid′min分别表示为第i个子区域对应的生长阶段水稻的标准茎宽范围的最大值和最小值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145542.XA CN112288698A (zh) | 2020-10-23 | 2020-10-23 | 一种基于大数据的水稻种植水稻生长监测分析管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011145542.XA CN112288698A (zh) | 2020-10-23 | 2020-10-23 | 一种基于大数据的水稻种植水稻生长监测分析管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288698A true CN112288698A (zh) | 2021-01-29 |
Family
ID=74424808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011145542.XA Withdrawn CN112288698A (zh) | 2020-10-23 | 2020-10-23 | 一种基于大数据的水稻种植水稻生长监测分析管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288698A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408541A (zh) * | 2021-05-24 | 2021-09-17 | 芜湖启迪睿视信息技术有限公司 | 一种烟叶长度的测量方法 |
CN113469068A (zh) * | 2021-07-06 | 2021-10-01 | 信阳农林学院 | 一种大面积种植油茶的长势监控方法 |
CN115938083A (zh) * | 2022-12-06 | 2023-04-07 | 云南大学 | 一种基于移动终端农业监测预警方法及系统 |
CN116843493A (zh) * | 2023-07-03 | 2023-10-03 | 惠州可道科技股份有限公司 | 一种基于物联网的油茶林种植生态数字监测管理系统 |
-
2020
- 2020-10-23 CN CN202011145542.XA patent/CN112288698A/zh not_active Withdrawn
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408541A (zh) * | 2021-05-24 | 2021-09-17 | 芜湖启迪睿视信息技术有限公司 | 一种烟叶长度的测量方法 |
CN113469068A (zh) * | 2021-07-06 | 2021-10-01 | 信阳农林学院 | 一种大面积种植油茶的长势监控方法 |
CN113469068B (zh) * | 2021-07-06 | 2022-11-01 | 信阳农林学院 | 一种大面积种植油茶的长势监控方法 |
CN115938083A (zh) * | 2022-12-06 | 2023-04-07 | 云南大学 | 一种基于移动终端农业监测预警方法及系统 |
CN115938083B (zh) * | 2022-12-06 | 2023-08-15 | 云南大学 | 一种基于移动终端农业监测预警方法及系统 |
CN116843493A (zh) * | 2023-07-03 | 2023-10-03 | 惠州可道科技股份有限公司 | 一种基于物联网的油茶林种植生态数字监测管理系统 |
CN116843493B (zh) * | 2023-07-03 | 2024-01-02 | 惠州可道科技股份有限公司 | 一种基于物联网的油茶林种植生态数字监测管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112288698A (zh) | 一种基于大数据的水稻种植水稻生长监测分析管理系统 | |
CN109840549B (zh) | 一种病虫害识别方法和装置 | |
CN110455340B (zh) | 一种基于大数据的农产品种植环境检测系统 | |
Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
CN105739575B (zh) | 一种设施蔬菜环境参数的数据融合方法 | |
CN112053756B (zh) | 基于临床标本检验数据的检验结果质量评价方法及系统 | |
CN104200113A (zh) | 基于高斯过程的物联网数据不确定性度量、预测与野值剔除方法 | |
CN116384743B (zh) | 一种基于生态数据分析的植物生长风险评估系统 | |
CN111881864A (zh) | 一种智慧农业种植农作物生长全周期全动态监测管理系统 | |
CN112579807A (zh) | 一种基于云计算和大数据分析的智慧农业全周期种植数据云共享平台 | |
CN117078456B (zh) | 一种农林业病虫害监测管理系统 | |
CN107248039A (zh) | 基于医疗标本检测项目结果的实时质控方法及装置 | |
CN109725133B (zh) | 土壤水分实时监测系统及其监测方法 | |
CN109710889B (zh) | 一种基于树木年轮精确估计森林生产力的取样方法 | |
CN107137093A (zh) | 一种包含异常血糖概率报警器的连续血糖监测设备 | |
US9417120B2 (en) | Device and methods for quantifying plants using an active light sensor for scanning plants in a defined area | |
CN111754045A (zh) | 一种基于果树生长的预测系统 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN112284487A (zh) | 一种基于大数据的水稻种植环境智能监测管理系统 | |
Haun | Determination of Wheat Growth‐Environment Relationships 1 | |
CN106846391B (zh) | —种基于图像技术的水稻纹枯病危害鉴别方法 | |
CN110674453B (zh) | 一种获取棉花叶片丛聚指数的数字图像方法及系统 | |
JP6744524B2 (ja) | 水稲生育評価方法及び装置 | |
CN116778477B (zh) | 一种基于图像处理的玉米果穗性状指标计算方法 | |
CN111223002A (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210129 |