CN112634213A - 一种无人机预测冬小麦冠层叶面积指数的系统和方法 - Google Patents

一种无人机预测冬小麦冠层叶面积指数的系统和方法 Download PDF

Info

Publication number
CN112634213A
CN112634213A CN202011478202.9A CN202011478202A CN112634213A CN 112634213 A CN112634213 A CN 112634213A CN 202011478202 A CN202011478202 A CN 202011478202A CN 112634213 A CN112634213 A CN 112634213A
Authority
CN
China
Prior art keywords
winter wheat
aerial vehicle
unmanned aerial
leaf area
reflectivity
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
Application number
CN202011478202.9A
Other languages
English (en)
Inventor
王伟
吴朝霞
李源
郭亮
冯贺
韩毅
赵凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Anyang Institute of Technology
Original Assignee
Anyang Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Anyang Institute of Technology filed Critical Anyang Institute of Technology
Priority to CN202011478202.9A priority Critical patent/CN112634213A/zh
Publication of CN112634213A publication Critical patent/CN112634213A/zh
Pending legal-status Critical Current

Links

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
    • G01B11/28—Measuring arrangements characterised by the use of optical techniques for measuring areas
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10036—Multispectral image; Hyperspectral 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)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明专利公开了一种基于无人机的冬小麦冠层叶面积指数估测系统和方法，包含了四旋翼的无人机，该无人机搭载了5个多光谱的相机。多光谱的相机可以进行高精度，高时空的影像采集，然后通过拼接算法把所有的多光谱图像进行拼接，接着利用白板进行辐射矫正，把影像的DN值转换成反射率，通过反射率和光谱植被系数方程组运算得到多种植被指数，采用随机森林的机器学习算法进行模型的生成，找出不同生育期作物的叶面积指数，为小麦的精准栽培提供了一种新型的有效的技术手段，同时也为无人机的农业应用带来了创新。

Description

一种无人机预测冬小麦冠层叶面积指数的系统和方法
技术领域
本发明涉及智慧农业领域，尤其涉及一种无人机预测冬小麦冠层叶面积指数的系统和方法。
背景技术
叶面积指数作为反映作物群体长势特征的关键指标，已非常广泛地应用于作物长势监测，它通常被定义为单位地表面积上的单面叶片的面积之和，与作
物光合作用、呼吸作用和水分利用等过程密切相关，与此同时叶面积指数其大小直接与最终产量高低密切相关，因此经常通过叶面积指数的测定来判定作物的生长情况。
发明内容
本发明专利公开了一种基于无人机的冬小麦冠层叶面积估测系统和方法，包括四旋翼无人机，多光谱相机，白板，上述的多光谱相机是在无人机搭载的，白板是用于后期处理影像数据进行DN向反射率转换的工具，无人机主要是可以随时进行高空影像采集。
进一步的，所携带的多光谱相机包含5个通道，5个通道的中心波长分别为730nm，840nm，560nm，650nm，450nm。
一种冬小麦冠层叶面积估测的方法，其特征在于，包含如下步骤：
S1:选择晴朗无云的天气，时间在上午的11点到下午的13点之间，进行冬小麦的监测；
S2：打开多光谱的5个通道同时进行影像的拍摄，拍摄时镜头垂直向下，同时冬小麦地里要进行麦田小区的冠层叶面积性状采集；
S3：通过影像携带的坐标信息对影像进行拼接，然后进行噪声处理，接着进行白板矫正，获取各个小区的5个通道反射率；
S4：获取的5个通道反射率分别为，红光反射率记做Rred，蓝光反射率记做Rblue，绿光反射率记做Rgreen，近红外光反射率记做Rnir，红边光谱反射率记做Rrededge；
S5：根据5个通道的各个小区反射率，结合植被系数方程，计算出各个小区的不同植被指数的值；
S6：根据计算的不同植被指数结合地面测试数据，采用随机森林的算法进行模型的构建并对冠层的叶面积指数进行估测；
S7：无人机的飞行高度在10m-30m之间，飞行速度控制在1-4m/s,航向和旁向的重叠度均为70％。
进一步的，S1包括以下步骤：
S11：选择上午的11点到下午的13点，这个时期是太阳直射，防止太阳倾斜造成误差，选择晴朗无云的天气是避免天气对航拍影响进行干扰。
进一步的，S2包括以下步骤：
S21：打开5个通道的多光谱相机，对冬小麦麦田进行预先设置的航线进行拍摄，同时地面的冬小麦英按照种植图分别对每个小区进行地面数据采集，最后形成一个数据可以代表该地面小区的数值，为后面建立模型准备。
进一步的，S3包括以下步骤：
S31：S3中所描述小区的来源是根据地面冬小麦的种植图。
S32：通过S21获取到该冬小麦田所有的影像数据，通过影像所携带的地理坐标对影像进行拼接，然后对拼接后的影像进行椒盐降噪处理，获取平滑的影像，然后在用白板进行校正从像素的DN值转换为反射率，具体的反射率计算公式如下：
Figure BDA0002836375520000021
其中公式中的R为该小区对应的光谱通道的反射率，DN多光谱为该小区所对应的多光谱单一通道的DN值，DN白板为该通道拍摄白板提取的DN值，通过这样的方法依次转化5个通道对应小区的反射率。
进一步的，S4包括以下步骤：
S41：S4中所对应的5个通道的反射率是采用S31的方法计算而来的。
进一步的，S5包括以下步骤：
S51：S5中所提到的植被系数方程，主要包括如下等式：
Figure BDA0002836375520000022
Figure BDA0002836375520000023
Figure BDA0002836375520000024
Figure BDA0002836375520000025
Figure BDA0002836375520000026
进一步的，S6包括以下步骤：
S61：S6中根据计算的不同植被指数结合地面测试数据，采用随机森林的算法进行模型的构建并对冠层的叶面积指数进行估测；进一步的，植被指数的来源于S51中的植被系数方程。
S62：计算出所有小区的植被指数，在S21中有每个小区所对应的地面数据，进一步的，所有的植被指数和地面数据形成M*N的矩阵，其中M表示冬小麦地里所有的ROI小区，N表示包含地面数据和植被指数的列，其中小麦的地面叶面积属性表示分类属性。
S63：进一步的，从S62中所形成的M*N的矩阵,先使用随机森林选取贡献率最高的3个指数，进一步的，随机选取70％的数据进行模型的建立，然后选取剩下的30％数据进行模型的验证。
显而易见的，或者可以从本发明的实践中得到教导，本发明的目标和其他优点可以通过下面的说明书，权利要求书，以及附图中所特别指出的结构来实现和获得。
附图说明
图1一种无人机预测冬小麦冠层叶面积指数流程示意图。
图2一种冬小麦多光谱影像拼接后的可见光ROI小区分布示意图。
图3一种冬小麦多光谱影像拼接后的提前ROI小区的示意图。
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，以下结合附图及实施例，对本发明做进一步详细说明。
如图1给出了本发明专利中公开的一种基于无人机的冬小麦冠层叶面积估测系统和方法，其特征在于，包括无人机采用大疆精灵4多光谱四旋翼无人机，无人机携带5个通道的多光谱相机，白板。上述的多光谱相机是在无人机搭载的，白板是用于后期处理影像数据进行DN向反射率转换的工具。无人机主要是可以随时进行高空影像采集。
进一步的，所携带的多光谱相机包含5个通道，5个通道的中心波长分别为730nm，840nm，560nm，650nm，450nm。
一种冬小麦冠层叶面积估测的方法，其特征在于，包含如下步骤：
S1:选择晴朗无云的天气，时间在上午的11点到下午的13点之间，进行冬小麦的监测；
S2：打开多光谱的5个通道同时进行影像的拍摄，拍摄时镜头垂直向下，同时冬小麦地里要进行麦田小区的冠层叶面积性状采集，采集的小区ROI区域如图2所示；
S3：通过影像携带的坐标信息对影像进行拼接，然后进行椒盐噪声处理，接着进行白板矫正，利用ENVI掩膜处理获取各个小区的5个通道反射率，如图3所示；
S4：获取的5个通道反射率分别为，进一步的，红光反射率记做Rred，蓝光反射率记做Rblue，绿光反射率记做Rgreen，近红外光反射率记做Rnir，红边光谱反射率记做Rrededge；
S5：根据5个通道的各个小区反射率，结合植被系数方程，计算出各个小区的不同植被指数的值；
S6：进一步的，结合地面小区测试数据，采用随机森林进行模型的构建并对冠层的叶面积指数进行估测；
S7：无人机的飞行高度设在10m-30m之间，飞行速度控制在1-4m/s,航向和旁向的重叠度均为70％。
进一步的，S1包括以下步骤：
S11：选择上午的11点到下午的13点，这个时期是太阳直射，防止太阳倾斜造成误差，选择晴朗无云的天气是避免天气对航拍影响进行干扰。
进一步的，S2包括以下步骤：
S21：打开5个通道的多光谱相机，对冬小麦麦田进行预先设置的航线进行拍摄，同时地面的冬小麦按照种植图分别对每个小区进行地面数据采集，最后形成一个可以代表该地面小区的数值，为后面建立模型准备。
进一步的，S3包括以下步骤：
S31：S3中所描述小区的来源是根据地面冬小麦的种植图。
S32：通过S21获取到该冬小麦所有的影像数据，通过影像所携带的地理坐标对影像利用PIX4D进行拼接，然后对拼接后的影像进行椒盐降噪处理，获取平滑的影像，然后在用白板进行校正从像素的DN值转换为反射率。具体的反射率计算公式如下：
Figure BDA0002836375520000041
其中公式中的R为该小区对应的光谱通道的反射率，DN多光谱为该小区所对应的多光谱单一通道的DN值，DN白板为该通道拍摄白板提取的DN值。通过这样的方法依次转化5个通道对应小区的反射率。
进一步的，S4包括以下步骤：
S41：S4中所对应的5个通道的反射率是采用S31的方法计算而来的。
进一步的，S5包括以下步骤：
S51：S5中所提到的植被系数方程，主要包括如下等式：
Figure BDA0002836375520000051
Figure BDA0002836375520000052
Figure BDA0002836375520000053
Figure BDA0002836375520000054
Figure BDA0002836375520000055
进一步的，S6包括以下步骤：
S61：S6中根据计算的不同植被指数结合地面测试数据，采用随机森林的算法进行模型的构建并对冠层的叶面积指数进行估测；进一步的，植被指数的来源于S51中的植被系数方程。
S62：计算出所有小区的植被指数，在S21中有每个小区所对应的地面数据，进一步的，所有的植被指数和地面数据形成M*N的矩阵，其中M表示冬小麦地里所有的ROI小区，N表示包含地面数据和植被指数的列，其中小麦的地面叶面积属性表示分类属性。
S63：进一步的，从S62中所形成的M*N的矩阵,先使用随机森林选取贡献率最高的3个指数，进一步的，随机选取70％的数据进行模型的建立。然后选取剩下的30％数据进行模型的验证。
以上所述仅为本发明的优选实施例，并不用于限制本发明，显然，本领域的技术人员可以采用本发明中的信息采集装置进行优化，然后在商业、企业中对本发明进行应用，不脱离本发明的精神和范围。

Claims (9)

1.一种基于无人机的冬小麦冠层叶面积指数估测系统，其特征在于，包括四旋翼无人机，多光谱相机，白板；所述的多光谱相机是在无人机搭载的，白板是用于后期处理影像数据进行DN向反射率转换的工具，无人机主要是可以随时进行高空影像采集。
2.根据权利要求1所述的基于无人机的冬小麦冠层叶面积指数估测系统，其特征在于，所携带的多光谱相机包含5个通道，5个通道的中心波长分别为730nm，840nm，560nm，650nm，450nm。
3.根据权利要求1所述的基于无人机的冬小麦冠层叶面积指数估测系统的方法，其特征在于，包含如下步骤：
S1:选择晴朗无云的天气，时间在上午的11点到下午的13点之间，进行冬小麦的监测；
S2：打开多光谱的5个通道同时进行影像的拍摄，拍摄时镜头垂直向下，同时冬小麦地里要进行麦田小区的冠层叶面积性状采集；
S3：通过影像携带的坐标信息对影像进行拼接，然后进行噪声处理，接着进行白板矫正，获取各个小区的5个通道反射率；
S4：获取的5个通道反射率分别为，红光反射率记做Rred，蓝光反射率记做Rblue，绿光反射率记做Rgreen，近红外光反射率记做Rnir，红边光谱反射率记做Rrededge；
S5：根据5个通道的各个小区反射率，结合植被系数方程，计算出各个小区的不同植被指数的值；
S6：根据计算的不同植被指数结合地面测试数据，采用随机森林的算法进行模型的构建并对冠层的叶面积指数进行估测；
S7：无人机的飞行高度在10m-30m之间，飞行速度控制在1-4m/s,航向和旁向的重叠度均为70％。
4.根据权利要求3所述的基于无人机的冬小麦冠层叶面积指数估测系统的方法，其特征在于，所述步骤S1包括以下步骤：
S11：选择上午的11点到下午的13点，这个时期是太阳直射，防止太阳倾斜造成误差，选择晴朗无云的天气是避免天气对航拍影响进行干扰。
5.根据权利要求3所述的基于无人机的冬小麦冠层叶面积指数估测系统的方法，其特征在于，所述步骤S2包括以下步骤：
S21：打开5个通道的多光谱相机，对冬小麦麦田进行预先设置的航线进行拍摄，同时地面的冬小麦英按照种植图分别对每个小区进行地面数据采集，最后形成一个数据可以代表该地面小区的数值，为后面建立模型准备。
6.根据权利要求3所述的基于无人机的冬小麦冠层叶面积指数估测系统的方法，其特征在于，所述步骤S3包括以下步骤：
S31：S3中所描述小区的来源是根据地面冬小麦的种植图；
S32：通过S21获取到该冬小麦田所有的影像数据，通过影像所携带的地理坐标对影像进行拼接，然后对拼接后的影像进行椒盐降噪处理，获取平滑的影像，然后在用白板进行校正从像素的DN值转换为反射率；具体的反射率计算公式如下：
Figure FDA0002836375510000021
其中公式中的R为该小区对应的光谱通道的反射率，DN多光谱为该小区所对应的多光谱单一通道的DN值，DN白板为该通道拍摄白板提取的DN值；通过这样的方法依次转化5个通道对应小区的反射率。
7.根据权利要求3所述的基于无人机的冬小麦冠层叶面积指数估测系统的方法，其特征在于，所述步骤S4包括以下步骤：
S41：S4中所对应的5个通道的反射率是采用S31的方法计算而来的。
8.根据权利要求3所述的基于无人机的冬小麦冠层叶面积指数估测系统的方法，其特征在于，所述步骤S5包括以下步骤：
S51：S5中所提到的植被系数方程，主要包括如下等式：
Figure FDA0002836375510000022
Figure FDA0002836375510000023
Figure FDA0002836375510000024
Figure FDA0002836375510000025
Figure FDA0002836375510000026
9.根据权利要求3所述的基于无人机的冬小麦冠层叶面积指数估测系统的方法，其特征在于，所述步骤S6包括以下步骤：
S61：S6中根据计算的不同植被指数结合地面测试数据，采用随机森林的算法进行模型的构建并对冠层的叶面积指数进行估测；植被指数的来源于S51中的植被系数方程；
S62：计算出所有小区的植被指数，在S21中有每个小区所对应的地面数据，所有的植被指数和地面数据形成M*N的矩阵，其中M表示冬小麦地里所有的ROI小区，N表示包含地面数据和植被指数的列，其中小麦的地面叶面积属性表示分类属性；
S63：从S62中所形成的M*N的矩阵,先使用随机森林选取贡献率最高的3个指数，随机选取70％的数据进行模型的建立。然后选取剩下的30％数据进行模型的验证。
CN202011478202.9A 2020-12-15 2020-12-15 一种无人机预测冬小麦冠层叶面积指数的系统和方法 Pending CN112634213A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011478202.9A CN112634213A (zh) 2020-12-15 2020-12-15 一种无人机预测冬小麦冠层叶面积指数的系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011478202.9A CN112634213A (zh) 2020-12-15 2020-12-15 一种无人机预测冬小麦冠层叶面积指数的系统和方法

Publications (1)

Publication Number Publication Date
CN112634213A true CN112634213A (zh) 2021-04-09

Family

ID=75313633

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011478202.9A Pending CN112634213A (zh) 2020-12-15 2020-12-15 一种无人机预测冬小麦冠层叶面积指数的系统和方法

Country Status (1)

Country Link
CN (1) CN112634213A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113514402A (zh) * 2021-04-12 2021-10-19 新疆农业大学 一种冬小麦叶绿素含量的预测系统及方法
CN114998728A (zh) * 2022-05-24 2022-09-02 中国农业大学 无人机多源遥感预测棉花叶面积指数的方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN108662991A (zh) * 2018-04-08 2018-10-16 浙江大学 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法
CN110544277A (zh) * 2019-08-12 2019-12-06 蔡建楠 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法
CN110567891A (zh) * 2019-09-16 2019-12-13 中国水利水电科学研究院 一种冬小麦冠层叶绿素估测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108229403A (zh) * 2018-01-08 2018-06-29 中国科学院遥感与数字地球研究所 一种用于估算植被叶面积指数的混合模型构建方法
CN108662991A (zh) * 2018-04-08 2018-10-16 浙江大学 基于遥感卫星数据的地块尺度冬小麦叶面积指数估算方法
CN110544277A (zh) * 2019-08-12 2019-12-06 蔡建楠 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法
CN110567891A (zh) * 2019-09-16 2019-12-13 中国水利水电科学研究院 一种冬小麦冠层叶绿素估测系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
姚雄等: "基于随机森林模型的林地叶面积指数遥感估算", 《农业机械学报》 *
孙诗睿等: "基于无人机多光谱遥感的冬小麦叶面积指数反演", 《中国农业大学学报》 *
张春兰等: "基于随机森林算法的冬小麦叶面积指数遥感反演研究", 《中国农业科学》 *
邵国敏等: "基于无人机多光谱遥感的夏玉米叶面积指数估算方法", 《智慧农业》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113514402A (zh) * 2021-04-12 2021-10-19 新疆农业大学 一种冬小麦叶绿素含量的预测系统及方法
CN113514402B (zh) * 2021-04-12 2023-03-07 新疆农业大学 一种冬小麦叶绿素含量的预测系统及方法
CN114998728A (zh) * 2022-05-24 2022-09-02 中国农业大学 无人机多源遥感预测棉花叶面积指数的方法及系统

Similar Documents

Publication Publication Date Title
AU2020103026A4 (en) A Single Tree Crown Segmentation Algorithm Based on Super-pixels and Topological Features in Aerial Images
CN110222475B (zh) 一种基于无人机多光谱遥感反演冬小麦植株含水率的方法
CN110569786B (zh) 一种基于无人机数据采集的果树识别和数量监测方法及系统
CN103336966B (zh) 一种应用于农业智能机械的杂草图像辨识方法
CN111832518B (zh) 基于时空融合的tsa遥感影像土地利用方法
GB2598012A (en) System and method for crop monitoring
CN112634213A (zh) 一种无人机预测冬小麦冠层叶面积指数的系统和方法
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
CN108982369B (zh) 融合gf-1wfv和modis数据的地块尺度作物长势监测方法
CN110889394A (zh) 基于深度学习UNet网络的水稻倒伏识别方法
CN112881294B (zh) 一种基于无人机的红树林林分健康度评价方法
WO2020000043A1 (en) Plant growth feature monitoring
CN114998728A (zh) 无人机多源遥感预测棉花叶面积指数的方法及系统
BE1030485A1 (fr) Procédé d'estimation rapide et de haute précision de la biomasse de blé d'hiver basé sur un véhicule aérien sans pilote
CN115453555A (zh) 一种草地生产力的无人机快速监测方法及系统
CN115641412A (zh) 基于高光谱数据的三维语义地图的生成方法
CN113063739A (zh) 一种基于机载高光谱传感器的水稻冠层氮含量监测方法
CN114140695B (zh) 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统
CN113514402B (zh) 一种冬小麦叶绿素含量的预测系统及方法
US20230177830A1 (en) Plant growth identification method and system therefor
CN115035423B (zh) 一种基于无人机遥感影像的杂交水稻父母本识别提取方法
CN115358991A (zh) 一种秧苗的漏秧数量和漏秧位置的识别方法及系统
CN110059890A (zh) 县域尺度农业洪涝监测方法及系统
CN114842360A (zh) 一种牧区旱情识别方法、系统及管理平台
Bonaria Grapevine yield estimation using image analysis for the variety Arinto

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210409