CN112834442A - 基于多光谱数据的大区域尺度作物生长实时监测方法 - Google Patents
基于多光谱数据的大区域尺度作物生长实时监测方法 Download PDFInfo
- Publication number
- CN112834442A CN112834442A CN202110004140.6A CN202110004140A CN112834442A CN 112834442 A CN112834442 A CN 112834442A CN 202110004140 A CN202110004140 A CN 202110004140A CN 112834442 A CN112834442 A CN 112834442A
- Authority
- CN
- China
- Prior art keywords
- image
- multispectral
- growth
- crop
- nir
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 24
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 229910052757 nitrogen Inorganic materials 0.000 claims abstract description 17
- 229930002875 chlorophyll Natural products 0.000 claims abstract description 10
- 235000019804 chlorophyll Nutrition 0.000 claims abstract description 10
- 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 abstract description 10
- 238000012417 linear regression Methods 0.000 claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000002310 reflectometry Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000003711 image thresholding Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 10
- 238000009825 accumulation Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 235000016709 nutrition Nutrition 0.000 description 5
- 230000035764 nutrition Effects 0.000 description 5
- 239000002028 Biomass Substances 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229920002472 Starch Polymers 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 4
- 230000000243 photosynthetic effect Effects 0.000 description 4
- 239000000049 pigment Substances 0.000 description 4
- 235000019698 starch Nutrition 0.000 description 4
- 239000008107 starch Substances 0.000 description 4
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 244000037666 field crops Species 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- 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
- G01N21/255—Details, e.g. use of specially adapted sources, lighting or optical systems
Landscapes
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及作物生长监测技术领域，具体地说，涉及基于多光谱数据的大区域尺度作物生长实时监测方法。其方法步骤如下：数据采集；多光谱图像处理：采用多光谱图像处理算法从所采集的图像中获取作物检测的图像特征参数；建立叶绿素和氮素含量监测模型：采用多元线性回归进行建模，得到作物叶绿素和氮素含量预测模型结果；作物长势参数反演：采用NDVI进行作物信息提取，反演作物的生长指标、生理指标、产量与品质指标；聚类分析：采用K‑means和EM算法对多光谱图像参数进行分类，本发明通过利用多光谱图像可提供了作物的光谱和图像信息，提高了检测效率，从而实现在线、快速、无损检测农作物生长状况的目的。
Description
技术领域
本发明涉及作物生长监测技术领域，具体地说，涉及基于多光谱数据的大区域尺度作物生长实时监测方法。
背景技术
农业生产是人类赖以生存的基础，生产中，化学肥料(主要是氮肥)和农药等化学药剂的施用对农产品产量和质量的提高有着巨大的推动作用，为了无损、快速地获取田间作物营养和生长状况，可以指导田间施肥和农药的精细投入，是构建“高效、高产”的现代化农业生产模式和体系的重要内容，当前科学研究的发展表明，作物各种胁迫往往只引起某些特定窄波段的反射吸收光谱发生变化，检测到这些窄波段的光谱微小变化，是机器视觉作物生长无损监测中的一种重要发展趋势，鉴于此，我们提出基于多光谱数据的大区域尺度作物生长实时监测方法。
发明内容
本发明的目的在于提供基于多光谱数据的大区域尺度作物生长实时监测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供基于多光谱数据的大区域尺度作物生长实时监测方法，其方法步骤如下：
S1、数据采集：采用多光谱相机在自然光条件下采集作物图像；
S2、多光谱图像处理：采用多光谱图像处理算法从所采集的图像中获取作物检测的图像特征参数；
S3、建立叶绿素和氮素含量监测模型：采用多元线性回归进行建模，得到作物叶绿素和氮素含量预测模型结果；
S4、作物长势参数反演：采用NDVI进行作物信息提取，反演作物的生长指标、生理指标、产量与品质指标，其中，生长指标主要包括绿色叶面积指数和地上部生物量；生理指标主要包括氮素营养、碳素营养、碳氮状况和光合色素；籽粒品质指标主要包括蛋白质含量与积累量、淀粉含量与积累量；
S5、聚类分析：采用K-means和EM算法对多光谱图像参数进行分类，从而对作物的生长情况及其籽粒产量和品质等进行全面、综合的分析。
作为本技术方案的进一步改进，所述S1中的多光谱相机采用3CDD多光谱相机，图像分辨率为1040x1392.此相机将所有摄入光源经过滤，实时分离成绿光(550nm)，红光(650nm)和近红外(800nm)三个波段通道的单色图像，通过PCI 1424的数据接收板连接到计算机，其输入控制端口为RS232。
作为本技术方案的进一步改进，所述S2中的多光谱图像处理算法包括如下步骤：
①、图像格式转换，采用PixelWrench2图像编辑软件用于实现图像格式的转换，将其转换为.bmp图像格式，然后，调用Matlab7.0图像处理工具箱函数编程实现图像处理算法；
②、NIR、R、G通道分离，多光谱图像包含NIR、R和G三个波段图像信息，故而分别对各波段灰度图像分别进行滤波，处理，然后合成多光谱图像的平滑结果；
③、图像滤波，由于采集的图像在转化过程中受到电磁特性以及外界环境的影响，会使图像退化变质或附加噪声，因此需要进行图像增强，主要对图像进行滤波处理；
④、NIR图像阈值分割，通常图像信息主要包括背景和目标物体两部分，在背景与目标物体的交界处图像灰度常表现出一定的差异性，因此，可利用一定的一致性准则，将图像划分为互不交叠的区域，实现目标的分割；
⑤、多光谱图像分割；
⑥、作物冠层灰度NIR、R、G均值；
⑦、植被指数计算。
作为本技术方案的进一步改进，所述图像滤波包括如下姿态：
姿态一：空间域图像滤波：采用均值滤波法将图像区域内任意点的灰度值等于其局部邻域内所有灰度值的平均值；
姿态二：基于小波变换的图像滤波：利用小波变换的多分辨率可以对图像进行分解和重构，首先，通过选取适合的小波基函数和分解层数(N),对图像进行分解，然后，对高频系数进行阈值量化，去除表征图像噪声的高频分量，进而依据小波分解后的第N层近似系数和经过阈值处理的各层细节系数进行小波重构，实现图像的滤波，消除图像噪声。
作为本技术方案的进一步改进，所述空间域图像滤波3*3邻域模板算子如式：
作为本技术方案的进一步改进，所述NIR图像阈值分割包括以下姿态：
姿态一：模态法：当图像中的目标物和背景的灰度差别较大时，依据设定阈值T，对数字图像f(i,j)的每个像素，做如下变换:
其中，go,g1分别为处理后的背景和目标物中像素的灰度值，一般取go＝0，g1＝255，将分割后的图像转化为黑白图像；
姿态二：Otsu算法：类间方差计算公式如下：
式中，
为最大值时的T即为图像分割的最佳阈值，ω为灰度级，μ为图像平均灰度。
其基本思想是通过确定一个最佳阅值，使图像目标物和背景两个像素类的类间方差最大，Otsu算法可对每幅图像自动获取最佳分割阈值，从而得到较好的分割结果。
作为本技术方案的进一步改进，所述多光谱图像分割采用NIR波段图像分割，对多光谱图像的R.G波段进行分割。
作为本技术方案的进一步改进，所述植被指数计算公式如下：
GIA＝∑gG(i，j)/n；
RIA＝∑gR(i，j)/n；
NIRIA＝∑gNIR(i，j)/n
式中，GA、RIA、NIRIA即为绿色、红色和近红外波段作物冠层灰度平均值，对其进行组合计算提取了相关的植被指数，将NIR、R和G波段信息进行了组合，以期能够获得较好的作物叶绿素含量检测结果。
作为本技术方案的进一步改进，所述S3中的多元线性回归进行建模计算公式为：
y＝β0+β1x1+β2x2+…+βpxp+ε
式中，p为一种元线性回归模型，可以看出里面共有p个解释变量，表示被解释变量y的变化可以由两部分组成，是由P个解释变量x的变化引起的y的线性变化部分。
作为本技术方案的进一步改进，所述S4中NDVI进行作物信息提取计算公式如下：
NDVI＝(Rnir-Rred)/(Rnir+Rred)
式中，Rnir为近红外波段的反射率，Rred为红光波段的反射率，可以反演小麦和水稻作物的生长指标、生理指标、产量与品质指标等，其中，生长指标主要包括绿色叶面积指数和地上部生物量；生理指标主要包括氮素营养、碳素营养、碳氮状况和光合色素等；籽粒品质指标主要包括蛋白质含量与积累量、淀粉含量与积累量等，波段信息读取影像中适宜的波段数据，反演作物长势参数，最后将计算结果存入数据库中用于下一步的分析处理。
与现有技术相比，本发明的有益效果：
1、该基于多光谱数据的大区域尺度作物生长实时监测方法中，通过利用多光谱图像可提供了作物的光谱和图像信息，提高了检测效率，同时Otsu自动阈值算法对NIR波段灰度图像进行了分割，进而应用NIR波段图像分割结果对多光谱图像的R、G波段图像进行分割，图像分割效果较好，从而实现在线、快速、无损检测农作物生长状况的目的。
附图说明
图1为本发明的整体流程图；
图2为本发明的多光谱图像处理算法流程图；
图3为本发明的图像滤波姿态图；
图4为本发明的NIR图像阈值分割姿态图。
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，都属于本发明保护的范围。
实施例1
请参阅图1-图4所示，本实施例提供基于多光谱数据的大区域尺度作物生长实时监测方法，其方法步骤如下：
S1、数据采集：采用多光谱相机在自然光条件下采集作物图像；
S2、多光谱图像处理：采用多光谱图像处理算法从所采集的图像中获取作物检测的图像特征参数；
S3、建立叶绿素和氮素含量监测模型：采用多元线性回归进行建模，得到作物叶绿素和氮素含量预测模型结果；
S4、作物长势参数反演：采用NDVI进行作物信息提取，反演作物的生长指标、生理指标、产量与品质指标，其中，生长指标主要包括绿色叶面积指数和地上部生物量；生理指标主要包括氮素营养、碳素营养、碳氮状况和光合色素；籽粒品质指标主要包括蛋白质含量与积累量、淀粉含量与积累量。
S5、聚类分析：采用K-means和EM算法对多光谱图像参数进行分类，从而对作物的生长情况及其籽粒产量和品质等进行全面、综合的分析。
本实施例中的，S1中的多光谱相机采用3CDD多光谱相机，图像分辨率为1040x1392.此相机将所有摄入光源经过滤，实时分离成绿光(550nm)，红光(650nm)和近红外(800nm)三个波段通道的单色图像，通过PCI 1424的数据接收板连接到计算机，其输入控制端口为RS232。
其中，S2中的多光谱图像处理算法包括如下步骤：
①、图像格式转换，采用PixelWrench2图像编辑软件用于实现图像格式的转换，将其转换为.bmp图像格式，然后，调用Matlab7.0图像处理工具箱函数编程实现图像处理算法；
②、NIR、R、G通道分离，多光谱图像包含NIR、R和G三个波段图像信息，故而分别对各波段灰度图像分别进行滤波，处理，然后合成多光谱图像的平滑结果；
③、图像滤波，由于采集的图像在转化过程中受到电磁特性以及外界环境的影响，会使图像退化变质或附加噪声，因此需要进行图像增强，主要对图像进行滤波处理；
④、NIR图像阈值分割，通常图像信息主要包括背景和目标物体两部分，在背景与目标物体的交界处图像灰度常表现出一定的差异性，因此，可利用一定的一致性准则，将图像划分为互不交叠的区域，实现目标的分割；
⑤、多光谱图像分割；
⑥、作物冠层灰度NIR、R、G均值；
⑦、植被指数计算。
进一步的，图像滤波包括如下姿态：
姿态一：空间域图像滤波：采用均值滤波法将图像区域内任意点的灰度值等于其局部邻域内所有灰度值的平均值；
姿态二：基于小波变换的图像滤波：利用小波变换的多分辨率可以对图像进行分解和重构，首先，通过选取适合的小波基函数和分解层数(N),对图像进行分解，然后，对高频系数进行阈值量化，去除表征图像噪声的高频分量，进而依据小波分解后的第N层近似系数和经过阈值处理的各层细节系数进行小波重构，实现图像的滤波，消除图像噪声。
进一步的，空间域图像滤波3*3邻域模板算子如式：
值得说明的，NIR图像阈值分割包括以下姿态：
姿态一：模态法：当图像中的目标物和背景的灰度差别较大时，依据设定阈值T，对数字图像f(i,j)的每个像素，做如下变换:
其中，go,g1分别为处理后的背景和目标物中像素的灰度值，一般取go＝0，g1＝255，将分割后的图像转化为黑白图像；
姿态二：Otsu算法：类间方差计算公式如下：
式中，
为最大值时的T即为图像分割的最佳阈值，ω为灰度级，μ为图像平均灰度。
其基本思想是通过确定一个最佳阅值，使图像目标物和背景两个像素类的类间方差最大，Otsu算法可对每幅图像自动获取最佳分割阈值，从而得到较好的分割结果。
其中，多光谱图像分割采用NIR波段图像分割，对多光谱图像的R.G波段进行分割。
具体的，述植被指数计算公式如下：
GIA＝∑gG(i，j)/n；
RIA＝∑gR(i，j)/n；
NIRIA＝∑gNIR(i，j)/n
式中，GA、RIA、NIRIA即为绿色、红色和近红外波段作物冠层灰度平均值，对其进行组合计算提取了相关的植被指数，将NIR、R和G波段信息进行了组合，以期能够获得较好的作物叶绿素含量检测结果。
更进一步的，S3中的多元线性回归进行建模计算公式为：
y＝β0+β1x1+β2x2+…+βpxp+ε
式中，p为一种元线性回归模型，可以看出里面共有p个解释变量，表示被解释变量y的变化可以由两部分组成，是由P个解释变量x的变化引起的y的线性变化部分。
除此之外，S4中NDVI进行作物信息提取计算公式如下：
NDVI＝(Rnir-Rred)/(Rnir+Rred)
式中，Rnir为近红外波段的反射率，Rred为红光波段的反射率，可以反演小麦和水稻作物的生长指标、生理指标、产量与品质指标等，其中，生长指标主要包括绿色叶面积指数和地上部生物量；生理指标主要包括氮素营养、碳素营养、碳氮状况和光合色素等；籽粒品质指标主要包括蛋白质含量与积累量、淀粉含量与积累量等，波段信息读取影像中适宜的波段数据，反演作物长势参数，最后将计算结果存入数据库中用于下一步的分析处理。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.基于多光谱数据的大区域尺度作物生长实时监测方法，其方法步骤如下：
S1、数据采集：采用多光谱相机在自然光条件下采集作物图像；
S2、多光谱图像处理：采用多光谱图像处理算法从所采集的图像中获取作物检测的图像特征参数；
S3、建立叶绿素和氮素含量监测模型：采用多元线性回归进行建模，得到作物叶绿素和氮素含量预测模型结果；
S4、作物长势参数反演：采用NDVI进行作物信息提取，反演作物的生长指标、生理指标、产量与品质指标；
S5、聚类分析：采用K-means和EM算法对多光谱图像参数进行分类。
2.根据权利要求1所述的基于多光谱数据的大区域尺度作物生长实时监测方法，其特征在于：所述S1中的多光谱相机采用3CDD多光谱相机。
3.根据权利要求1所述的基于多光谱数据的大区域尺度作物生长实时监测方法，其特征在于：所述S2中的多光谱图像处理算法包括如下步骤：
①、图像格式转换；
②、NIR、R、G通道分离；
③、图像滤波；
④、NIR图像阈值分割；
⑤、多光谱图像分割；
⑥、作物冠层灰度NIR、R、G均值；
⑦、植被指数计算。
4.根据权利要求3所述的基于多光谱数据的大区域尺度作物生长实时监测方法，其特征在于：所述图像滤波包括如下姿态：
姿态一：空间域图像滤波：采用均值滤波法将图像区域内任意点的灰度值等于其局部邻域内所有灰度值的平均值；
姿态二：基于小波变换的图像滤波：利用小波变换的多分辨率可以对图像进行分解和重构。
5.根据权利要求4所述的基于多光谱数据的大区域尺度作物生长实时监测方法，其特征在于：所述空间域图像滤波3*3邻域模板算子如式：
6.根据权利要求3所述的基于多光谱数据的大区域尺度作物生长实时监测方法，其特征在于：所述NIR图像阈值分割包括以下姿态：
姿态一：模态法：当图像中的目标物和背景的灰度差别较大时，依据设定阈值T，对数字图像f(i,j)的每个像素，做如下变换:
其中，go,g1分别为处理后的背景和目标物中像素的灰度值；
姿态二：Otsu算法：类间方差计算公式如下：
式中，
为最大值时的T即为图像分割的最佳阈值，ω为灰度级，μ为图像平均灰度。
7.根据权利要求3所述的基于多光谱数据的大区域尺度作物生长实时监测方法，其特征在于：所述多光谱图像分割采用NIR波段图像分割。
8.根据权利要求3所述的基于多光谱数据的大区域尺度作物生长实时监测方法，其特征在于：所述植被指数计算公式如下：
GIA＝∑gG(i，j)/n；
RIA＝∑gR(i，j)/n；
NIRIA＝∑gNIR(i，j)/n
式中，GA、RIA、NIRIA即为绿色、红色和近红外波段作物冠层灰度平均值。
9.根据权利要求1所述的基于多光谱数据的大区域尺度作物生长实时监测方法，其特征在于：所述S3中的多元线性回归进行建模计算公式为：
y＝β0+β1x1+β2x2+…+βpxp+ε
式中，p为一种元线性回归模型。
10.根据权利要求1所述的基于多光谱数据的大区域尺度作物生长实时监测方法，其特征在于：所述S4中NDVI进行作物信息提取计算公式如下：
NDVI＝(Rnir-Rred)/(Rnir+Rred)
式中，Rnir为近红外波段的反射率，Rred为红光波段的反射率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110004140.6A CN112834442A (zh) | 2021-01-04 | 2021-01-04 | 基于多光谱数据的大区域尺度作物生长实时监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110004140.6A CN112834442A (zh) | 2021-01-04 | 2021-01-04 | 基于多光谱数据的大区域尺度作物生长实时监测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112834442A true CN112834442A (zh) | 2021-05-25 |
Family
ID=75927441
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110004140.6A Pending CN112834442A (zh) | 2021-01-04 | 2021-01-04 | 基于多光谱数据的大区域尺度作物生长实时监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112834442A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113504186A (zh) * | 2021-08-25 | 2021-10-15 | 河南农业大学 | 一种遥感估算小麦氮肥利用率的方法 |
| CN114119536A (zh) * | 2021-11-22 | 2022-03-01 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
| CN114140695A (zh) * | 2021-12-17 | 2022-03-04 | 青岛农业大学 | 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 |
| CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
| CN116187100A (zh) * | 2023-04-25 | 2023-05-30 | 吉林大学 | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| CN108195784A (zh) * | 2018-02-01 | 2018-06-22 | 兰州城市学院 | 一种番茄叶绿素含量多光谱估测方法 |
| CN108982377A (zh) * | 2018-07-27 | 2018-12-11 | 内蒙古大学 | 玉米生育期光谱图像与叶绿素含量相关性及时期划分方法 |
| CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
| CN110008905A (zh) * | 2019-04-09 | 2019-07-12 | 安徽大学 | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 |
| CN111289441A (zh) * | 2020-02-21 | 2020-06-16 | 中国农业大学 | 多光谱下的大田作物含水量确定方法、系统及设备 |
-
2021
- 2021-01-04 CN CN202110004140.6A patent/CN112834442A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103699803A (zh) * | 2013-12-31 | 2014-04-02 | 北京农业信息技术研究中心 | 一种基于多光谱遥感信息的区域作物养分管理方法 |
| CN108195784A (zh) * | 2018-02-01 | 2018-06-22 | 兰州城市学院 | 一种番茄叶绿素含量多光谱估测方法 |
| CN108982377A (zh) * | 2018-07-27 | 2018-12-11 | 内蒙古大学 | 玉米生育期光谱图像与叶绿素含量相关性及时期划分方法 |
| CN109459392A (zh) * | 2018-11-06 | 2019-03-12 | 南京农业大学 | 一种基于无人机多光谱影像的水稻地上部生物量估测方法 |
| CN110008905A (zh) * | 2019-04-09 | 2019-07-12 | 安徽大学 | 基于遥感影像红边波段的区域尺度小麦条锈病监测方法 |
| CN111289441A (zh) * | 2020-02-21 | 2020-06-16 | 中国农业大学 | 多光谱下的大田作物含水量确定方法、系统及设备 |
Non-Patent Citations (3)
| Title |
|---|
| 丁永军等: "基于多光谱图像技术的番茄营养素诊断模型", 《农业工程学报》 * |
| 丁永军等: "基于多光谱图像技术的番茄营养素诊断模型", 《农业工程学报》, vol. 28, no. 8, 30 April 2012 (2012-04-30), pages 175 - 180 * |
| 文瑶 等: "玉米苗期冠层多光谱反射率反演与叶绿素含量诊断", 《农业工程学报》, vol. 31, no. 2, 31 December 2015 (2015-12-31), pages 193 - 199 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113504186A (zh) * | 2021-08-25 | 2021-10-15 | 河南农业大学 | 一种遥感估算小麦氮肥利用率的方法 |
| CN114119536A (zh) * | 2021-11-22 | 2022-03-01 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
| CN114119536B (zh) * | 2021-11-22 | 2023-07-04 | 河南省农业科学院农业经济与信息研究所 | 基于云平台技术的作物氮含量快速监测与诊断方法 |
| CN114140695A (zh) * | 2021-12-17 | 2022-03-04 | 青岛农业大学 | 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 |
| CN114140695B (zh) * | 2021-12-17 | 2024-04-26 | 青岛农业大学 | 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 |
| CN115294460A (zh) * | 2022-10-08 | 2022-11-04 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
| CN115294460B (zh) * | 2022-10-08 | 2023-01-17 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
| CN116187100A (zh) * | 2023-04-25 | 2023-05-30 | 吉林大学 | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 |
| CN116187100B (zh) * | 2023-04-25 | 2023-07-04 | 吉林大学 | 一种结合作物生长模型估算玉米籽粒蛋白质含量的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112834442A (zh) | 基于多光谱数据的大区域尺度作物生长实时监测方法 | |
| CN109657653B (zh) | 一种基于成像高光谱数据的小麦籽粒赤霉病识别方法 | |
| Bakhshipour et al. | Weed segmentation using texture features extracted from wavelet sub-images | |
| Wu et al. | Variety identification of oat seeds using hyperspectral imaging: Investigating the representation ability of deep convolutional neural network | |
| CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
| Li et al. | Recent advances in image fusion technology in agriculture | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| de Luna et al. | Size classification of tomato fruit using thresholding, machine learning, and deep learning techniques | |
| Sood et al. | Computer vision and machine learning based approaches for food security: A review | |
| Aggarwal et al. | Segmentation of crop images for crop yield prediction | |
| Barros et al. | Multispectral vineyard segmentation: A deep learning comparison study | |
| CN116524224A (zh) | 一种基于机器视觉的烤后烟叶类型检测方法及系统 | |
| CN115170958A (zh) | 采用多光谱图像傅里叶变换的大豆冠层萎蔫度计算方法 | |
| Keyvanpour et al. | Machine learning techniques for agricultural image recognition | |
| Sangeetha et al. | A novel exploration of plant disease and pest detection using machine learning and deep learning algorithms | |
| Akshitha et al. | Paddy crop disease detection using deep learning techniques | |
| Tadele et al. | Sesame disease detection using a deep convolutional neural network | |
| Das et al. | Detection of diseases on visible part of plant—A review | |
| Torres-Tello et al. | A novel approach to identify the spectral bands that predict moisture content in canola and wheat | |
| Bhargava et al. | Machine learning & computer vision-based optimum black tea fermentation detection | |
| Lili et al. | Classification of herbs plant diseases via hierarchical dynamic artificial neural network after image removal using kernel regression framework | |
| Sharmila et al. | A Systematic Literature Review on Image Preprocessing and Feature Extraction Techniques in Precision Agriculture | |
| Ma et al. | Spectral difference analysis and identification of different maturity blueberry fruit based on hyperspectral imaging using spectral index | |
| Abbas et al. | Enhancement of wheat leaf images using fuzzy-logic based histogram equalization to recognize diseases | |
| CN114332626A (zh) | 一种基于视觉分析的水稻产量预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210525 |
|
| RJ01 | Rejection of invention patent application after publication |