CN112513874A - 作物生长状况评估方法和装置 - Google Patents
作物生长状况评估方法和装置 Download PDFInfo
- Publication number
- CN112513874A CN112513874A CN201980050142.XA CN201980050142A CN112513874A CN 112513874 A CN112513874 A CN 112513874A CN 201980050142 A CN201980050142 A CN 201980050142A CN 112513874 A CN112513874 A CN 112513874A
- Authority
- CN
- China
- Prior art keywords
- color
- target area
- area
- crop
- preset
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000004364 calculation method Methods 0.000 claims description 57
- 238000003860 storage Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 10
- 229930002875 chlorophyll Natural products 0.000 claims description 8
- 235000019804 chlorophyll Nutrition 0.000 claims description 8
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000005094 computer simulation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 22
- 230000008569 process Effects 0.000 description 12
- 230000015654 memory Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 241000196324 Embryophyta Species 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000035558 fertility Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 240000006698 Spigelia anthelmia Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012549 training 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
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
一种作物生长状况评估方法、装置，所述方法包括：获取目标区域的彩色图像；根据所述彩色图像，确定所述目标区域在至少两个颜色通道对应的颜色信息；根据所述目标区域在至少两个颜色通道对应的颜色信息，确定用于指示所述目标区域中的作物的生长状况的参数。本申请基于目标区域的彩色图像，确定用于指示目标区域中的作物的生长状况的参数，无需专业的多光谱相机，而采用普通相机即可实现对目标区域中的作物的生长状况的评估，极大地降低了作业成本，为作业提供量化的决策依据。
Description
技术领域
本申请涉及作物生长状况评估领域，尤其涉及一种作物生长状况评估方法和装置。
背景技术
植保无人机已经成为农业生产过程中的重要设备，其在病虫草害预防、农作物生长监测等农业生产行业有着非常广泛的应用和极大的优势。同一个作业区域的不同位置，由于阳光照射强度、土壤等外部因素的影响，农作物生长的分布情况各不一样。现有技术中，可以通过在无人机上搭载多光谱相机来监控农作物的生长状况，多光谱相机总共有六个镜头，分别对应近红外、红光、蓝光、绿光、红边、以及RGB合成。根据多光谱相机采集的数据可以确定归一化差分植被指数(Normalized Difference Vegetation Index,NDVI)来反映作物的生长情况。然而，多光谱相机的价格昂贵，会导致作业成本的大大增加。
发明内容
本申请实施例提供一种作物生长状况评估方法和装置，无需专业的多光谱相机即可实现对目标区域中的作物的生长状况的评估，极大的降低了作业成本。
根据本申请实施例的第一方面，提供一种作物生长状况评估方法，所述方法包括：
获取目标区域的彩色图像；
根据所述彩色图像，确定所述目标区域在至少两个颜色通道对应的颜色信息；
根据所述目标区域在至少两个颜色通道对应的颜色信息，确定用于指示所述目标区域中的作物的生长状况的参数。
根据本申请实施例的第二方面，提供一种作物生长状况评估装置，包括：
存储装置，用于存储程序指令；
一个或多个处理器，调用所述存储装置中存储的程序指令，当所述程序指令被执行时，所述一个或多个处理器单独地或共同地被配置用于：
获取目标区域的彩色图像；
根据所述彩色图像，确定所述目标区域在至少两个颜色通道对应的颜色信息；
根据所述目标区域在至少两个颜色通道对应的颜色信息，确定用于指示所述目标区域中的作物的生长状况的参数。
根据本申请实施例提供的技术方案，本申请基于目标区域的彩色图像，确定用于指示目标区域中的作物的生长状况的参数，无需专业的多光谱相机，而采用普通相机即可实现对目标区域中的作物的生长状况的评估，极大地降低了作业成本，为精准农业提供量化的决策依据。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是现有的各种类型的作物的反射率与光谱波长的关系示意图；
图2是本申请一实施例中的作物生长状况评估方法的使用场景示意图；
图3是本申请一实施例中的作物生长状况评估方法的方法流程图；
图4是本申请一实施例中的根据彩色图像，确定目标区域在至少两个颜色通道对应的颜色信息的一种具体实现方式流程图；
图5是本申请另一实施例中的作物生长状况评估方法的方法流程图；
图6是本申请一实施例中的目标区域的结构示意图；
图7是本申请一实施例中的作物生长状况评估装置的结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
精准农业的技术原理是，根据土壤肥力和作物生长状况的空间差异，调节对作物的投入，在对耕地和作物长势进行定量的实时诊断并充分了解大田生产力的空间变异的基础上，以平衡地力、提高产量为目标，实施定位、定量的精准田间管理，实现高效利用各类农业资源和改善环境这一可持续发展目标。实施精准农业不但可以最大限度地提高农业生产力，而且能够实现优质、高产、低耗和环保的农业可持续发展的目标。因此，有必要对作物生长状况进行分析。
同一个作业区域的不同位置，由于阳光照射强度、土壤等外部因素的影响，导致农作物生长的分布情况各不一样。现有技术中，可以通过在无人机上搭载多光谱相机来监控农作物的生长状况，多光谱相机总共有六个镜头，分别对应近红外、红光、蓝光、绿光、红边、以及RGB合成。根据多光谱相机采集的数据可以确定归一化差分植被指数(NormalizedDifference Vegetation Index,NDVI)来反映作物的生长情况。具体的，NDVI指数用于评估作物生长状况是基于作物叶绿素对不同波段的反射率不同，如图1所示。
广泛应用的NDVI指数的计算公式如下：
NDVI＝(Nir-Red)/(Nir+Red) (1)；
公式(1)中，Nir为作物在近红外波长(约840nm)处的反射率，Red为作物在红光波长(约650nm)处的反射率，作物的叶绿素对近红外波长和红光波长的反射率差异最大，NDVI指数利用该特点得到一个最大化差异的指标，用于衡量作物的叶绿素含量。
然而，由于多光谱相机的价格昂贵，通过在无人机上搭载多光谱相机来监控农作物的生长状况的实现方式会大大增加作业成本。
由图1可以看出，作物的叶绿素对光谱吸收的差异不止在近红外波长和红外波长之间，对蓝色分量(约450nm)、绿色分量(约560nm)、红色分量(约650nm)的波长的吸收也有差异，基于此，本申请实施例利用普通相机在三个颜色通道的颜色信息进行作物的生长状况的评估。具体地，本申请基于目标区域的彩色图像，确定用于指示目标区域中的作物的生长状况的参数，无需专业的多光谱相机，而采用普通相机即可实现对目标区域中的作物的生长状况的评估，极大地降低了作业成本，为作业提供量化的决策依据。
请参见图2，无人机100沿预设航线飞行的过程中，通过其搭载的拍摄装置以预设间隔对目标区域进行拍摄。无人机100所拍摄到的彩色图像可以通过无线通讯链路传输到无人机100的控制装置200，即地面端设备。地面端设备可对拍摄得到的彩色图像进行特征点提取、同名点匹配等处理进而生成目标区域的数字高程模型，以在应用阶段使用该目标区域的数字高程模型，进而生成作物的生长状况分布图。本申请实施例中，计算作物的生长状况的参数的过程可以是实时的，也就是在无人机100飞行的过程中，地面端设备实时生成作物的生长状况的参数，并可进一步根据作物的生长状况的参数，生成作物的生长状况分布图，计算作物的生长状况的参数的过程也可以离线执行。在一种实施例中，无人机100还可以把彩色图像上传到云端，由云端服务器执行本申请实施例的作物生长状况评估方法的步骤。
图3是本申请一实施例中的作物生长状况评估方法的方法流程图；如图3所示，本申请实施例的作物生长状况评估方法可以包括如下步骤：
步骤S301：获取目标区域的彩色图像；
可以选择不同类型的彩色图像，例如，在一些实施例中，彩色图像为RGB图像，如位深为8bit的RGB图像；在另一些实施例中，彩色图像为原始图像(RAW图像)，RAW图像能够保留更多的信息，相比深为8bit的RGB图像，RAW图像能够保留更多的信息，因此，以RAW图像作为评估作物生长状况的基础准确度也更高。
其中，拍摄装置可以为相机、摄像头等能够拍摄彩色图像的拍摄装置。
步骤S302：根据彩色图像，确定目标区域在至少两个颜色通道对应的颜色信息；
颜色信息可以包括红色分量(R)、绿色分量(G)和蓝色分量(B)中的两个或三个；应当理解地，颜色信息也可以包括其他颜色分量，如能够分解出红色分量、绿色分量和蓝色分量中的两个或三个的颜色分量或颜色分量组合。
图4是本申请一实施例中的根据彩色图像，确定目标区域在至少两个颜色通道对应的颜色信息的一种具体实现方式流程图；上述步骤S302可以通过图4所示的步骤S401～S402实现，具体而言，请参见图4，根据彩色图像，确定目标区域在至少两个颜色通道对应的颜色信息的实现过程可以包括：
S401：根据彩色图像，生成至少两个颜色通道的图像；
该步骤中，可以对步骤S301获取的彩色图像进行去噪等预处理后，再根据预处理后的彩色图像，生成至少两个颜色通道的图像；当然，也可以不对步骤301获取的彩色图像进行预处理，直接根据步骤S301获取的彩色图像，生成至少两个颜色通道的图像。
其中，至少两个颜色通道的图像可以均为非正射影像；可选的，至少两个颜色通道的图像也可以均为正射影像，正射影像经过了几何纠正，与没有纠正过的非正射影像不同的是，正射影像上每个像素具有与地理空间明确的对应关系，是地球表面的真实描述，人们可以使用正射影像量测实际距离，故基于正射影像来评估目标区域中的作物的生长状况精确度更高。
在本实施例中，为实现目标区域的作物的生长状况的精确评估，至少两个颜色通道的图像均为正射影像。上述步骤的实现过程可以包括：获取目标区域对应的数字高程模型(DEM，Digital Elevation Model)；根据彩色图像和数字高程模型，生成至少两个颜色通道的正射影像。
应当理解地，也可以将数字高程模型替换成数字表面模型(DSM，Digital SurfaceModel)或其他能够将图像进行正射纠正以获得图像对应的正射图像的模型。
下面，介绍两种根据彩色图像和数字高程模型，生成至少两个颜色通道的正射图像的实现方式。
在第一种实现方式中，先根据彩色图像和数字高程模型，生成彩色图像对应的正射影像；再根据彩色图像对应的正射影像，生成至少两个颜色通道的正射影像。
在第二种实现方式中，先根据彩色图像，生成至少两个颜色通道的单色图像；再根据各颜色通道的单色图像和数字高程模型，生成各颜色通道的正射影像。
本实施例中，彩色图像的数量为多个，多个彩色图像基于不同的角度拍摄。具体地，无人机在按照预设航线飞行的过程中在不同角度拍摄目标区域的多个彩色图像。多个彩色图像可以由同一无人机上的拍摄装置拍摄，以可以由不同无人机上的拍摄装置拍摄。
在上述第一种根据彩色图像和数字高程模型，生成至少两个颜色通道的正射图像的实现方式中，先基于数字高程模型对多个彩色图像进行正射纠正以得到每个彩色图像对应的正射图像，对多个彩色图像对应的正射图像进行拼接以得到目标区域的正射图像，进而得到各个颜色通道的目标区域的正射图像。
在上述第二种根据彩色图像和数字高程模型，生成至少两个颜色通道的正射图像的实现方式中，先对多个彩色图像做颜色分离得到至少两组单色图像，再基于数字高程模型对至少两组单色图像做正射纠正得到至少两组单色的正射图像，对每组正射图像进行拼接得到各个颜色通道的目标区域的正射图像。
本实施例的目标区域对应的数字高程模型是根据多个彩色图像获取得到的。具体地，无人机会将其在按照预设航线飞行的过程中拍摄目标区域的多个彩色图像传回地面站(也可以是云端服务器)，地面站获取到多个彩色图像后，确定目标区域对应的数字高程模型。其中，根据多个彩色图像，确定目标区域对应的数字高程模型的实现方式为现有技术，本申请对此不做详细描述。
在一些实施例中，多个彩色图像对应的拍摄装置的拍摄参数相同，拍摄参数可以包括：曝光参数和/或白平衡参数；其中，曝光参数包括快门速度，光圈及感光度值的一个或多个。当然，拍摄参数也可以包括其他。针对无人机对目标区域进行拍摄得到多个彩色图像，将多个彩色图像对应的拍摄装置的拍摄参数设置成相同的，可以使得拍摄获得的多个彩色图像的亮度大致相同。当然，无人机在飞行过程中，光线也可能发生变化，即使多个彩色图像对应的拍摄装置的拍摄参数相同，拍摄获得的多个彩色图像的亮度也可能存在差异，对此，可以在拍摄获得多个彩色图像后，对多个彩色图像的亮度进行调整，使得多个彩色图像亮度趋于一致。
S402：确定各颜色通道的图像上各像素点的颜色分量或各像素区域的颜色分量均值。
也即，至少两个颜色通道对应的颜色信息可以为各颜色通道的图像上各像素点的颜色分量，也可以为各颜色通道的图像上各像素区域的颜色分量均值。其中，像素区域包括至少两个像素点。
步骤S303：根据目标区域在至少两个颜色通道对应的颜色信息，确定用于指示目标区域中的作物的生长状况的参数。
本实施例中，生长状况的参数可以用于指示作物的叶绿素含量。
应当理解地是，生长状况的参数也可以用于指示作物的其他物质含量，该物质含量能够反映作物的生长状况即可。
请参见图5，一种根据目标区域在至少两个颜色通道对应的颜色信息，确定用于指示目标区域中的作物的生长状况的参数的实现过程可以包括：根据目标区域在至少两个颜色通道对应的颜色信息和预设计算模型，确定用于指示目标作物区域中的作物的生长状况的参数。其中，预设计算模型以至少两个颜色通道的颜色信息为自变量，以生长状况的参数为因变量。可选地，预设计算模型以红色分量、绿色分量和蓝色分量中的两个或三个为自变量，以生长状况的参数为因变量。
根据目标区域在至少两个颜色通道对应的颜色信息和预设计算模型，确定用于指示目标作物区域中的作物的生长状况的参数的实现方式是根据预设计算模型的类型决定的，例如，在一些实施例中，预设计算模型为函数模型，该函数模型可以为一阶或多阶式多项式函数，也可以为其他函数，将目标区域在至少两个颜色通道对应的颜色信息代入预设计算模型，确定用于指示目标作物区域中的作物的生长状况的参数；在另外一些实施例中，预设计算模型为利用机器学习训练获得的神经网络模型，将目标区域在至少两个颜色通道对应的颜色信息输入预设计算模型，确定用于指示目标作物区域中的作物的生长状况的参数。
进一步地，请再次参见图5，在根据彩色图像在至少两个颜色通道的颜色信息和预设计算模型，确定用于指示目标区域中的作物的生长状况的参数之前，所述作物生长状况评估方法还包括：根据预设区域的彩色图像和预设区域对应的归一化植被指数，构建预设计算模型。其中，预设区域对应的归一化植被指数即为该预设区域的作物对应的归一化植被指数。本实施例的归一化植被指数可以为NDVI指数，归一化植被指数也可以通过其他由多光谱数据生成的预设区域对应的各种指数来替代。
由于不同区域可能用于种植不同种类的作物，而不同种类的作物对光谱的反射曲线有一定的区别，因此不同区域对应的预设计算模型会存在一定差异，为了提高目标区域的作物的生长状况的参数计算的准确性，可选地，预设区域和目标区域为同一区域；可选地，预设区域的作物与目标区域的作物可以为同一种类的作物。
可选的，预设区域和目标区域也可以为不同区域，预设区域的作物与目标区域的作物也可以为不同种类的作物。
此外，预设区域的彩色图像与目标区域的彩色图像可以由同一拍摄装置拍摄，减少拍摄装置的不一致引起的生长状况的参数计算误差；当然，预设区域的彩色图像与目标区域的彩色图像也可以由不同拍摄装置拍摄。
为进一步减少拍摄装置的拍摄参数的不一致引起的生长状况的参数计算误差，可选地，拍摄装置拍摄目标区域的彩色图像的拍摄参数与拍摄预设区域的彩色图像的拍摄参数相同。该拍摄参数可以包括：曝光参数和/或白平衡参数；其中，曝光参数包括快门速度，光圈及感光度值的一个或多个。当然，拍摄参数也可以包括其他。
在使用拍摄装置拍摄目标区域和预设区域时，若由于外部因素干扰无法采用统一的拍摄参数，如场景明暗变化太大无法采用统一的曝光参数，应进行相应的换算，使得目标区域的彩色图像的亮度与模型构建阶段获得的预设区域的彩色图像的曝光参数等效，具体如下：
公式(2)中，ISO为拍摄装置的感光度，t为快门时间，N为拍摄装置的光圈大小(f-number)，下标ref表示模型构建阶段采用的各项曝光参数，下标n表示应用阶段采用的各个彩色图像的各项曝光参数，α为对应的彩色图像亮度的调整系数，将该调整系数应用到对应的彩色图像：
imgadjust＝α*img (3)；
公式(3)中，img为应用阶段采用的各个彩色图像，imgadjust为进行亮度调整后得到的彩色图像。
在一些实施例中，预设计算模型为函数模型，根据预设区域的彩色图像和预设区域对应的归一化植被指数，构建预设计算模型的实现过程可以包括：
(1)、根据预设区域的彩色图像，确定预设区域在至少两个颜色通道对应的颜色信息；
该步骤中，颜色信息可以包括红色分量(R)、绿色分量(G)和蓝色分量(B)中的两个或三个；应当理解地，颜色信息也可以包括其他颜色分量，如能够分解出红色分量、绿色分量和蓝色分量中的两个或三个的颜色分量或颜色分量组合。
该步骤中确定颜色信息的颜色通道与步骤S302中确定颜色信息的颜色通道的数量以及类型均相同，如该步骤需要确定预设区域的红色分量、绿色分量和蓝色分量，那么预设计算模型会以红色分量、绿色分量和蓝色分量为自变量，以生长状况的参数为因变量，则步骤S302中也需要确定目标区域的红色分量、绿色分量和蓝色分量。
(2)、根据预设区域在至少两个颜色通道对应的颜色信息和预设区域对应的归一化植被指数构建目标函数；
(3)、根据目标函数，确定预设计算模型中各自变量的系数；
(4)、根据预设计算模型中各自变量的系数，构建预设计算模型。
预设计算模型可以为一阶多项式函数，也可以为多阶多项式函数或气其他函数。下面，以预设计算模型为一阶函数为例。
预设计算模型的计算公式如下：
公式(4)中，R、G、B分别为对应区域的红色分量、绿色分量和蓝色分量，a0、a1、a2、a3、b0、b1、b2和b3为预设计算模型的系数，在模型构建阶段，需要确定a0、a1、a2、a3、b0、b1、b2和b3的大小。
可选地，目标函数的计算公式如下：
公式(5)中，R、G、B分别为预设区域的红色分量、绿色分量和蓝色分量，a0、a1、a2、a3、b0、b1、b2和b3为预设计算模型的系数，NDVI为预设区域对应的归一化植被指数，p为预设区域的彩色图像上各像素点的颜色分量或各像素区域的颜色分量均值。采用公式(5)，使得根据预设计算模型确定的预设区域中的作物的生长状况的参数趋近于预设区域中的作物的NDVI指数，从而使得根据预设计算模型确定的目标区域中的作物的生长状况的参数也趋近于目标区域中的作物的NDVI指数。
在模型构建阶段，将预设区域的彩色图像上多个像素点的红色分量、绿色分量和蓝色分量以及各像素点对应的归一化植被指数代入公式(5)，即可确定a1、a2、a3、b0、b1、b2和b3的大小。在应用阶段，使用大小已知a1、a2、a3、b0、b1、b2和b3，再将目标区域的彩色图像上多个像素点的红色分量、绿色分量和蓝色分量代入公式(4)，即可确定目标区域中的作物的生长状况的参数。
应当理解地，预设计算模型、目标函数的计算方式不限于上述列举的计算方式，还可以为其他，比如，预设计算模型为二阶多项式函数，公式如下
公式(6)中，R、G、B分别为对应区域的红色分量、绿色分量和蓝色分量，aR2、aR1、aG2、aG1、aB2、aB1、a、bR2、bR1、bG2、bG1、bB2、bB1和b为预设计算模型的系数，在模型构建阶段，需要确定aR2、aR1、aG2、aG1、aB2、aB1、a、bR2、bR1、bG2、bG1、bB2、bB1和b的大小。
对应地，目标函数的计算公式如下：
公式(7)中，R、G、B分别为预设区域的红色分量、绿色分量和蓝色分量，aR1、aG2、aG1、aB2、aB1、a、bR2、bR1、bG2、bG1、bB2、bB1和b为预设计算模型的系数，NDVI为预设区域对应的归一化差分植被指数，p为预设区域的彩色图像上各像素点的颜色分量或各像素区域的颜色分量均值。
将预设区域的彩色图像上多个像素点的红色分量、绿色分量和蓝色分量以及各像素点对应的归一化差分植被指数代入公式(7)，即可确定aR1、aG2、aG1、aB2、aB1、a、bR2、bR1、bG2、bG1、bB2、bB1和b的大小。在应用阶段，使用大小已知aR1、aG2、aG1、aB2、aB1、a、bR2、bR1、bG2、bG1、bB2、bB1和b，再将目标区域的彩色图像上多个像素点的红色分量、绿色分量和蓝色分量代入公式(6)，即可确定目标区域中的作物的生长状况的参数。
若利用上述公式(4)或(6)计算生作物的长状况的参数，作物的生长状况的参数大小区间为[0,1]。
进一步地，在一些实施例中，不同种类的作物对应的预设计算模型中各自变量系数不相同，同一种类的作物对应的目标函数中各自变量系数相同，这是因为不同种类的作物对光谱的反射曲线有一定的区别。
此外，在一些实施例中，根据至少两个颜色通道的颜色信息，确定目标区域中的作物的生长状况的参数之后，所述作物生长状况评估还包括：根据生长状况的参数，生成用于指示目标区域中不同位置处的作物的生长状况的分布图，采用分布图直观显示目标区域中不同位置处的作物生长状况。可选地，通过不同颜色表征不同大小的生长状况的参数，以生成分布图。如图6所示，目标区域中的区域10、区域20、区域30、区域40中的作物的生长状况的参数各不相同，可以在区域1填充颜色1、区域20填充颜色2、区域30填充颜色3、区域40填充颜色4，用户通过分布图可以直观地识别目标区域的不同位置处的作物的生长状况。当然，也可以采用其他方式表征不同大小的生长状况的参数，以生成分布图。
在另外一些实施例中，也可以直接呈现生长状况的参数数据。
对应上述实施例的作物生长状况评估方法，本申请实施例还提供一种作物生长状况评估装置，请参见图7，该作物生长状况评估装置100可以包括存储装置110和一个或多个处理器120。
其中，存储装置110，用于存储程序指令；一个或多个处理器120，调用存储装置110中存储的程序指令，当程序指令被执行时，一个或多个处理器120单独地或共同地被配置用于：获取目标区域的彩色图像；根据彩色图像，确定目标区域在至少两个颜色通道对应的颜色信息；根据目标区域在至少两个颜色通道对应的颜色信息，确定用于指示目标区域中的作物的生长状况的参数。
可选的，所述生长状况的参数用于指示作物的叶绿素含量。
可选的所述颜色信息包括红色分量、绿色分量和蓝色分量中的两个或三个。
可选的，所述一个或多个处理器120在根据所述彩色图像，确定所述目标区域在至少两个颜色通道对应的颜色信息时，单独地或共同地进一步被配置用于：
根据所述彩色图像，生成至少两个颜色通道的图像；
确定各颜色通道的图像上各像素点的颜色分量或各像素区域的颜色分量均值。
可选的，所述至少两个颜色通道的图像均为正射影像，所述一个或多个处理器120在根据所述彩色图像，生成至少两个颜色通道的图像时，单独地或共同地进一步被配置用于：
获取所述目标区域对应的数字高程模型；
根据所述彩色图像和所述数字高程模型，生成至少两个颜色通道的正射影像。
可选的，所述一个或多个处理器120在根据所述彩色图像和所述数字高程模型，生成至少两个颜色通道的正射影像时，单独地或共同地进一步被配置用于：
根据所述彩色图像和所述数字高程模型，生成所述彩色图像对应的正射影像；
根据所述彩色图像对应的正射影像，生成所述至少两个颜色通道的正射影像。
可选的，所述一个或多个处理器120在根据所述彩色图像和所述数字高程模型，生成至少两个颜色通道的正射影像时，单独地或共同地进一步被配置用于：
根据所述彩色图像，生成至少两个颜色通道的单色图像；
根据各颜色通道的单色图像和所述数字高程模型，生成所述各颜色通道的正射影像。
可选的，所述彩色图像的数量为多个，所述目标区域对应的数字高程模型是根据多个所述彩色图像获取得到的。
可选的，多个所述彩色图像对应的拍摄装置的拍摄参数相同，所述拍摄参数包括：曝光参数和/或白平衡参数。
可选的，所述一个或多个处理器120在根据所述目标区域在至少两个颜色通道对应的颜色信息，确定用于指示所述目标区域中的作物的生长状况的参数时，单独地或共同地进一步被配置用于：
根据所述目标区域在至少两个颜色通道对应的颜色信息和预设计算模型，确定用于指示所述目标作物区域中的作物的生长状况的参数；
其中，所述预设计算模型以所述至少两个颜色通道的颜色信息为自变量，以所述生长状况的参数为因变量。
可选的，所述一个或多个处理器120在根据所述彩色图像在至少两个颜色通道的颜色信息和预设计算模型，确定用于指示所述目标区域中的作物的生长状况的参数之前，单独地或共同地还被配置用于：
根据预设区域的彩色图像和所述预设区域对应的归一化植被指数，构建所述预设计算模型。
可选的，所述一个或多个处理器120在根据预设区域的彩色图像和所述预设区域对应的归一化植被指数，构建所述预设计算模型时，单独地或共同地进一步被配置用于：
根据所述预设区域的彩色图像，确定所述预设区域在至少两个颜色通道对应的颜色信息；
根据所述预设区域在至少两个颜色通道对应的颜色信息和所述预设区域对应的归一化植被指数构建目标函数；
根据所述目标函数，确定所述预设函数中各自变量的系数；
根据所述预设函数中各自变量的系数，构建所述预设函数。
可选的，不同种类的作物对应的所述预设函数中各自变量系数不相同，同一种类的作物对应的所述目标函数中各自变量系数相同。
可选的，所述预设区域和所述目标区域为同一区域。
可选的，所述述预设区域的作物与所述目标区域的作物为同一种类的作物。
可选的，所述预设区域的彩色图像与所述目标区域的彩色图像由同一拍摄装置拍摄。
可选的，所述拍摄装置拍摄目标区域的彩色图像的拍摄参数与拍摄预设区域的彩色图像的拍摄参数相同。
可选的，所述彩色图像为原始图像。
可选的，所述一个或多个处理器120在根据所述至少两个颜色通道的颜色信息，确定所述目标区域中的作物的生长状况的参数之后，单独地或共同地还被配置用于：
根据所述生长状况的参数，生成用于指示所述目标区域中不同位置处的作物的生长状况的分布图。
可选的，所述一个或多个处理器120在根据所述生长状况的参数，生成用于指示所述目标作物区域中不同位置处的作物的生长状况的分布图时，单独地或共同地进一步被配置用于：
通过不同颜色表征不同大小的生长状况的参数，以生成所述分布图。
上述存储装置可以包括易失性存储器(volatile memory)，例如随机存取存储器(random-access memory，RAM)；存储装置也可以包括非易失性存储器(non-volatilememory)，例如快闪存储器(flash memory)，硬盘(hard disk drive，HDD)或固态硬盘(solid-state drive，SSD)；存储装置110还可以包括上述种类的存储器的组合。
上述处理器可以是中央处理器(central processing unit，CPU)。该处理器还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(application-specific integrated circuit，ASIC)、现场可编程逻辑门阵列(field-programmable gate array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
此外，本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例的作物生长状况评估方法的步骤。
所述计算机可读存储介质可以是前述任一实施例所述的作物生长状况评估装置的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是作物生长状况评估装置的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡(Smart MediaCard，SMC)、SD卡、闪存卡(Flash Card)等。进一步的，所述计算机可读存储介质还可以既包括作物生长状况评估装置的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述作物生长状况评估装置所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本申请部分实施例而已，当然不能以此来限定本申请之权利范围，因此依本申请权利要求所作的等同变化，仍属本申请所涵盖的范围。
Claims (40)
1.一种作物生长状况评估方法，其特征在于，所述方法包括：
获取目标区域的彩色图像；
根据所述彩色图像，确定所述目标区域在至少两个颜色通道对应的颜色信息；
根据所述目标区域在至少两个颜色通道对应的颜色信息，确定用于指示所述目标区域中的作物的生长状况的参数。
2.根据权利要求1所述的方法，其特征在于，所述生长状况的参数用于指示作物的叶绿素含量。
3.根据权利要求1所述的方法，其特征在于，所述颜色信息包括红色分量、绿色分量和蓝色分量中的两个或三个。
4.根据权利要求1所述的方法，其特征在于，所述根据所述彩色图像，确定所述目标区域在至少两个颜色通道对应的颜色信息，包括：
根据所述彩色图像，生成至少两个颜色通道的图像；
确定各颜色通道的图像上各像素点的颜色分量或各像素区域的颜色分量均值。
5.根据权利要求4所述的方法，其特征在于，所述至少两个颜色通道的图像均为正射影像，所述根据所述彩色图像，生成至少两个颜色通道的图像，包括：
获取所述目标区域对应的数字高程模型；
根据所述彩色图像和所述数字高程模型，生成至少两个颜色通道的正射影像。
6.根据权利要求5所述的方法，其特征在于，所述根据所述彩色图像和所述数字高程模型，生成至少两个颜色通道的正射影像，包括：
根据所述彩色图像和所述数字高程模型，生成所述彩色图像对应的正射影像；
根据所述彩色图像对应的正射影像，生成所述至少两个颜色通道的正射影像。
7.根据权利要求5所述的方法，其特征在于，所述根据所述彩色图像和所述数字高程模型，生成至少两个颜色通道的正射影像，包括：
根据所述彩色图像，生成至少两个颜色通道的单色图像；
根据各颜色通道的单色图像和所述数字高程模型，生成所述各颜色通道的正射影像。
8.根据权利要求5至7任一项所述的方法，其特征在于，所述彩色图像的数量为多个，所述目标区域对应的数字高程模型是根据多个所述彩色图像获取得到的。
9.根据权利要求8所述的方法，其特征在于，多个所述彩色图像对应的拍摄装置的拍摄参数相同，所述拍摄参数包括：曝光参数和/或白平衡参数。
10.根据权利要求1所述的方法，其特征在于，所述根据所述目标区域在至少两个颜色通道对应的颜色信息，确定用于指示所述目标区域中的作物的生长状况的参数，包括：
根据所述目标区域在至少两个颜色通道对应的颜色信息和预设计算模型，确定用于指示所述目标作物区域中的作物的生长状况的参数；
其中，所述预设计算模型以所述至少两个颜色通道的颜色信息为自变量，以所述生长状况的参数为因变量。
11.根据权利要求10所述的方法，其特征在于，所述根据所述彩色图像在至少两个颜色通道的颜色信息和预设计算模型，确定用于指示所述目标区域中的作物的生长状况的参数之前，还包括：
根据预设区域的彩色图像和所述预设区域对应的归一化植被指数，构建所述预设计算模型。
12.根据权利要求11所述的方法，其特征在于，所述根据预设区域的彩色图像和所述预设区域对应的归一化植被指数，构建所述预设计算模型，包括：
根据所述预设区域的彩色图像，确定所述预设区域在至少两个颜色通道对应的颜色信息；
根据所述预设区域在至少两个颜色通道对应的颜色信息和所述预设区域对应的归一化植被指数构建目标函数；
根据所述目标函数，确定所述预设计算模型中各自变量的系数；
根据所述预设计算模型中各自变量的系数，构建所述预设计算模型。
13.根据权利要求10至12任一项所述的方法，其特征在于，不同种类的作物对应的所述预设计算模型中各自变量系数不相同，同一种类的作物对应的所述目标函数中各自变量系数相同。
14.根据权利要求11所述的方法，其特征在于，所述预设区域和所述目标区域为同一区域。
15.根据权利要求11所述的方法，其特征在于，所述述预设区域的作物与所述目标区域的作物为同一种类的作物。
16.根据权利要求11所述的方法，其特征在于，所述预设区域的彩色图像与所述目标区域的彩色图像由同一拍摄装置拍摄。
17.根据权利要求16所述的方法，其特征在于，所述拍摄装置拍摄目标区域的彩色图像的拍摄参数与拍摄预设区域的彩色图像的拍摄参数相同。
18.根据权利要求1所述的方法，其特征在于，所述彩色图像为原始图像。
19.根据权利要求1所述的方法，其特征在于，所述根据所述至少两个颜色通道的颜色信息，确定所述目标区域中的作物的生长状况的参数之后，还包括：
根据所述生长状况的参数，生成用于指示所述目标区域中不同位置处的作物的生长状况的分布图。
20.根据权利要求19所述的方法，其特征在于，所述根据所述生长状况的参数，生成用于指示所述目标作物区域中不同位置处的作物的生长状况的分布图，包括：
通过不同颜色表征不同大小的生长状况的参数，以生成所述分布图。
21.一种作物生长状况评估装置，其特征在于，包括：
存储装置，用于存储程序指令；
一个或多个处理器，调用所述存储装置中存储的程序指令，当所述程序指令被执行时，所述一个或多个处理器单独地或共同地被配置用于：
获取目标区域的彩色图像；
根据所述彩色图像，确定所述目标区域在至少两个颜色通道对应的颜色信息；
根据所述目标区域在至少两个颜色通道对应的颜色信息，确定用于指示所述目标区域中的作物的生长状况的参数。
22.根据权利要求21所述的装置，其特征在于，所述生长状况的参数用于指示作物的叶绿素含量。
23.根据权利要求21所述的装置，其特征在于，所述颜色信息包括红色分量、绿色分量和蓝色分量中的两个或三个。
24.根据权利要求21所述的装置，其特征在于，所述一个或多个处理器在根据所述彩色图像，确定所述目标区域在至少两个颜色通道对应的颜色信息时，单独地或共同地进一步被配置用于：
根据所述彩色图像，生成至少两个颜色通道的图像；
确定各颜色通道的图像上各像素点的颜色分量或各像素区域的颜色分量均值。
25.根据权利要求24所述的装置，其特征在于，所述至少两个颜色通道的图像均为正射影像，所述一个或多个处理器在根据所述彩色图像，生成至少两个颜色通道的图像时，单独地或共同地进一步被配置用于：
获取所述目标区域对应的数字高程模型；
根据所述彩色图像和所述数字高程模型，生成至少两个颜色通道的正射影像。
26.根据权利要求25所述的装置，其特征在于，所述一个或多个处理器在根据所述彩色图像和所述数字高程模型，生成至少两个颜色通道的正射影像时，单独地或共同地进一步被配置用于：
根据所述彩色图像和所述数字高程模型，生成所述彩色图像对应的正射影像；
根据所述彩色图像对应的正射影像，生成所述至少两个颜色通道的正射影像。
27.根据权利要求25所述的装置，其特征在于，所述一个或多个处理器在根据所述彩色图像和所述数字高程模型，生成至少两个颜色通道的正射影像时，单独地或共同地进一步被配置用于：
根据所述彩色图像，生成至少两个颜色通道的单色图像；
根据各颜色通道的单色图像和所述数字高程模型，生成所述各颜色通道的正射影像。
28.根据权利要求25至27任一项所述的装置，其特征在于，所述彩色图像的数量为多个，所述目标区域对应的数字高程模型是根据多个所述彩色图像获取得到的。
29.根据权利要求28所述的装置，其特征在于，多个所述彩色图像对应的拍摄装置的拍摄参数相同，所述拍摄参数包括：曝光参数和/或白平衡参数。
30.根据权利要求21所述的装置，其特征在于，所述一个或多个处理器在根据所述目标区域在至少两个颜色通道对应的颜色信息，确定用于指示所述目标区域中的作物的生长状况的参数时，单独地或共同地进一步被配置用于：
根据所述目标区域在至少两个颜色通道对应的颜色信息和预设计算模型，确定用于指示所述目标作物区域中的作物的生长状况的参数；
其中，所述预设计算模型以所述至少两个颜色通道的颜色信息为自变量，以所述生长状况的参数为因变量。
31.根据权利要求30所述的装置，其特征在于，所述一个或多个处理器在根据所述彩色图像在至少两个颜色通道的颜色信息和预设计算模型，确定用于指示所述目标区域中的作物的生长状况的参数之前，单独地或共同地还被配置用于：
根据预设区域的彩色图像和所述预设区域对应的归一化植被指数，构建所述预设计算模型。
32.根据权利要求31所述的装置，其特征在于，所述一个或多个处理器在根据预设区域的彩色图像和所述预设区域对应的归一化植被指数，构建所述预设计算模型时，单独地或共同地进一步被配置用于：
根据所述预设区域的彩色图像，确定所述预设区域在至少两个颜色通道对应的颜色信息；
根据所述预设区域在至少两个颜色通道对应的颜色信息和所述预设区域对应的归一化植被指数构建目标函数；
根据所述目标函数，确定所述预设计算模型中各自变量的系数；
根据所述预设计算模型中各自变量的系数，构建所述预设计算模型。
33.根据权利要求30至32任一项所述的装置，其特征在于，不同种类的作物对应的所述预设计算模型中各自变量系数不相同，同一种类的作物对应的所述目标函数中各自变量系数相同。
34.根据权利要求31所述的装置，其特征在于，所述预设区域和所述目标区域为同一区域。
35.根据权利要求31所述的装置，其特征在于，所述述预设区域的作物与所述目标区域的作物为同一种类的作物。
36.根据权利要求31所述的装置，其特征在于，所述预设区域的彩色图像与所述目标区域的彩色图像由同一拍摄装置拍摄。
37.根据权利要求36所述的装置，其特征在于，所述拍摄装置拍摄目标区域的彩色图像的拍摄参数与拍摄预设区域的彩色图像的拍摄参数相同。
38.根据权利要求21所述的装置，其特征在于，所述彩色图像为原始图像。
39.根据权利要求21所述的装置，其特征在于，所述一个或多个处理器在根据所述至少两个颜色通道的颜色信息，确定所述目标区域中的作物的生长状况的参数之后，单独地或共同地还被配置用于：
根据所述生长状况的参数，生成用于指示所述目标区域中不同位置处的作物的生长状况的分布图。
40.根据权利要求39所述的装置，其特征在于，所述一个或多个处理器在根据所述生长状况的参数，生成用于指示所述目标作物区域中不同位置处的作物的生长状况的分布图时，单独地或共同地进一步被配置用于：
通过不同颜色表征不同大小的生长状况的参数，以生成所述分布图。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2019/123642 WO2021109120A1 (zh) | 2019-12-06 | 2019-12-06 | 作物生长状况评估方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112513874A true CN112513874A (zh) | 2021-03-16 |
Family
ID=74924083
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980050142.XA Pending CN112513874A (zh) | 2019-12-06 | 2019-12-06 | 作物生长状况评估方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112513874A (zh) |
| WO (1) | WO2021109120A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434569B (zh) * | 2020-11-09 | 2024-03-12 | 吉林化工学院 | 一种无人机热成像系统 |
| CN114723810B (zh) * | 2021-12-27 | 2024-09-10 | 深圳市小樱桃实业有限公司 | 一种野外虫草搜寻导引服务方法与系统 |
| CN115965912B (zh) * | 2022-12-28 | 2024-06-25 | 众芯汉创（北京）科技有限公司 | 一种基于图像识别的配网设备状态监测系统和方法 |
| CN117333862A (zh) * | 2023-08-22 | 2024-01-02 | 北京市农林科学院 | 一种绿色蔬菜生长状况监测方法、装置及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106954385A (zh) * | 2015-01-09 | 2017-07-14 | 日立麦克赛尔株式会社 | 植物信息取得系统、植物信息取得装置、植物信息取得方法、作物管理系统以及作物管理方法 |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
| 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 |
| CN109508824A (zh) * | 2018-11-07 | 2019-03-22 | 西京学院 | 一种农作物生长态势检测及产量预估方法 |
| CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
| CN110286092A (zh) * | 2019-07-03 | 2019-09-27 | 德丰电创科技股份有限公司 | 一种作物生长趋势分析系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2018161058A (ja) * | 2017-03-24 | 2018-10-18 | キッセイコムテック株式会社 | 植物の生育状態評価方法、植物生育状態評価プログラム、植物生育状態評価装置ならびに植物モニタリングシステム |
-
2019
- 2019-12-06 WO PCT/CN2019/123642 patent/WO2021109120A1/zh active Application Filing
- 2019-12-06 CN CN201980050142.XA patent/CN112513874A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106954385A (zh) * | 2015-01-09 | 2017-07-14 | 日立麦克赛尔株式会社 | 植物信息取得系统、植物信息取得装置、植物信息取得方法、作物管理系统以及作物管理方法 |
| CN108280440A (zh) * | 2018-02-09 | 2018-07-13 | 三亚中科遥感研究所 | 一种果林识别方法和系统 |
| 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 |
| CN109508824A (zh) * | 2018-11-07 | 2019-03-22 | 西京学院 | 一种农作物生长态势检测及产量预估方法 |
| CN109581372A (zh) * | 2018-12-10 | 2019-04-05 | 北京航天泰坦科技股份有限公司 | 一种生态环境遥感监测方法 |
| CN110286092A (zh) * | 2019-07-03 | 2019-09-27 | 德丰电创科技股份有限公司 | 一种作物生长趋势分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021109120A1 (zh) | 2021-06-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112513874A (zh) | 作物生长状况评估方法和装置 | |
| US10528813B2 (en) | Method and system for crop yield estimation | |
| RU2018143340A (ru) | Распознавание сорняка в естественной среде | |
| JP6863280B2 (ja) | 検査装置、検査方法、及び、プログラム | |
| JP2007171033A (ja) | 葉面積指数の間接測定方法および間接測定システム | |
| JP6872137B2 (ja) | 信号処理装置および信号処理方法、並びにプログラム | |
| US11181470B2 (en) | Sensing system, sensing method, and sensing device | |
| US10684166B2 (en) | Information processing device, information processing method, and program | |
| WO2017010258A1 (ja) | 検査装置、検査方法、及び、プログラム | |
| US11721008B2 (en) | Multispectral filters | |
| US11328388B2 (en) | Image processing apparatus, image processing method, and program | |
| WO2021084907A1 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
| CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
| CN112106346A (zh) | 图像处理方法、设备、无人机、系统和存储介质 | |
| CN110999283B (zh) | 成像装置、成像方法以及存储介质 | |
| Amziane et al. | Frame-based reflectance estimation from multispectral images for weed identification in varying illumination conditions | |
| CN116698191A (zh) | 多光谱成像系统中反射率确定方法 | |
| CN110647781B (zh) | 一种基于谱图融合的农作物生长信息获取方法及装置 | |
| Minařík et al. | Rapid radiometric calibration of multiple camera array using in-situ data for uav multispectral photogrammetry | |
| CN113514402B (zh) | 一种冬小麦叶绿素含量的预测系统及方法 | |
| US8750611B1 (en) | In-scene balancing of remotely sensed and aerial multiband imagery | |
| US20220270250A1 (en) | Measurement of phytotoxicity from imagery | |
| US11044448B1 (en) | Aerial vehicle with spectral shaping filtering | |
| Tu et al. | Assessing Radiometric Corrections for UAS Multi-Spectral Imagery in Horticultural Environments | |
| Yang et al. | Practical methods for aerial image acquisition and reflectance conversion using consumer-grade cameras on manned and unmanned aircraft |
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 |