CN112883129A - 农作物作业状态确定方法、农作物作业方法及相关装置 - Google Patents
农作物作业状态确定方法、农作物作业方法及相关装置 Download PDFInfo
- Publication number
- CN112883129A CN112883129A CN202011613402.0A CN202011613402A CN112883129A CN 112883129 A CN112883129 A CN 112883129A CN 202011613402 A CN202011613402 A CN 202011613402A CN 112883129 A CN112883129 A CN 112883129A
- Authority
- CN
- China
- Prior art keywords
- crop
- map data
- crops
- vegetation index
- normalized vegetation
- 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 63
- 238000005507 spraying Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 3
- 229930002875 chlorophyll Natural products 0.000 abstract description 15
- 235000019804 chlorophyll Nutrition 0.000 abstract description 15
- 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 abstract description 15
- 230000012010 growth Effects 0.000 abstract description 6
- 235000016709 nutrition Nutrition 0.000 abstract description 4
- 230000035764 nutrition Effects 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 abstract 3
- 239000002837 defoliant Substances 0.000 description 27
- 229920000742 Cotton Polymers 0.000 description 19
- 241000219146 Gossypium Species 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 11
- 240000002024 Gossypium herbaceum Species 0.000 description 7
- 235000004341 Gossypium herbaceum Nutrition 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000013043 chemical agent Substances 0.000 description 1
- 230000035613 defoliation Effects 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000361 pesticidal effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 230000034655 secondary growth Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的一种农作物作业状态确定方法、农作物作业方法及相关装置,方法包括:获取农作物种植地的归一化植被指数地图数据;农作物种植地已经执行完喷洒作业;归一化植被指数地图数据包含全部农作物对应的归一化植被指数;根据归一化植被指数地图数据确定农作物的作业状态。本申请基于归一化植被指数可以反映农作物长势和营养信息的基础信息,因此,通过获取农作物种植地的归一化植被指数地图数据,通过归一化植被指数地图数据直接显示叶绿素含量偏高的区域以及素叶绿素含量偏低的区域,即可确定农作物种植地不同农作物的作业状态,本申请操作简单,效率高,节省了时间和人力成本。
Description
技术领域
本发明涉及农作物监测领域,具体而言,涉及一种农作物作业状态确定方法、农作物作业方法及相关装置。
背景技术
随着农业技术的发展,在对成熟农作物进行收获之前,可以通过喷洒落叶剂使成熟的农作物的叶子脱落,以提高农作物采摘效率,脱叶剂是一种化学药剂,能够起到脱叶、脱水、催熟、吐絮和防止叶片二次生长的作用,可以为农作物的机械收获提供便利。脱叶剂喷洒效果的好坏可以直接影响农作物采摘效率的高低。
目前判断落叶剂喷洒效果的方式是通过神经网络确定叶子密度,来判断落叶剂喷洒效果,即需要在喷洒落叶剂前后进行两次航拍作业,再将两次结果通过神经网络进行对比,计算叶子密度,来判断落叶剂是否生效。此方法需要进行两次航测作业,效率相对较慢,操作也更加复杂,需要更多的时间和人力成本。
发明内容
有鉴于此,本发明的目的之一在于提供一种农作物作业状态确定方法、农作物作业方法及相关装置,用以提高确定农作物种植地的作业状态的效率,简化操作流程,节省时间和人力成本。
本发明的技术方案可以这样实现:
第一方面,本发明提供一种农作物作业状态确定方法,所述方法包括:获取农作物种植地的归一化植被指数地图数据;所述农作物种植地已经执行完喷洒作业;所述归一化植被指数地图数据包含全部农作物对应的归一化植被指数;根据所述归一化植被指数地图数据确定每株所述农作物的作业状态。
第二方面,本发明提供一种农作物作业方法,包括:获取农作物种植地的每株农作物的作业状态;根据所述每株农作物的作业状态,对作业异常的农作物进行喷洒作业,以使所述作业异常的农作物的作业状态达到正常状态。
第三方面,本发明提供一种农作物作业状态确定装置,包括:获取模块,用于获取农作物种植地的归一化植被指数地图数据;所述归一化植被指数地图数据包含全部农作物对应的归一化植被指数;确定模块,根据所述归一化植被指数地图数据确定每株所述农作物的作业状态。
第四方面,本发明提供一种农作物作业装置,包括:获取模块,用于获取农作物种植地的每株农作物的作业状态;作业模块,用于根据所述每株农作物的作业状态,对作业异常的农作物进行喷洒作业,以使所述作业异常的农作物的作业状态达到正常状态。
第五方面,本发明提供的一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现如第一方面所述的农作物作业状态确定方法和/或实现如第二方面所述的农作物作业方法。
第六方面,本发明提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的农作物作业状态确定方法和/或实现如第二方面所述的农作物作业方法。
本发明提供的一种农作物作业状态确定方法、农作物作业方法及相关装置,所述方法包括:获取农作物种植地的归一化植被指数地图数据;农作物种植地已经执行完喷洒作业;归一化植被指数地图数据包含全部农作物对应的归一化植被指数;根据归一化植被指数地图数据确定每株农作物的作业状态。与现有技术的区别在于,现有技术通过神经网络的方式计算叶密度,然后根据叶密度确定作业状态,该方法效率相对较慢,操作也更加复杂,需要更多的时间和人力成本,而本申请基于归一化植被指数可以反映农作物长势和营养信息的基础信息,因此,通过获取农作物种植地的归一化植被指数地图数据,通过归一化植被指数地图数据直接显示叶绿素含量偏高的区域以及素叶绿素含量偏低的区域,即可确定每株农作物的作业状态,本申请操作简单,效率高,节省了时间和人力成本。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明实施例提供的一种执行喷洒作业前的棉花种植地的场景示意图;
图2为本发明实施例提供的一种执行完喷洒作业的棉花种植地的场景示意图;
图3为本发明实施例提供的另一种执行完喷洒作业的棉花种植地的场景示意图;
图4为本发明实施例提供的一种农作物作业状态确定方法的示意性流程图;
图5为本发明实施例提供的步骤S12的一种实现方式的示意性流程图;
图6为本发明实施例提供的一种NDVI地图及该NVDI地图对应的棉花种植地的示意图;
图7为本发明实施例提供的步骤S11的一种实现方式的示意性流程图;
图8为本发明实施例提供的一种地图数据的示意图;
图9为本发明实施例提供的步骤S111的一种实现方式的示意性流程图;
图10为本发明实施例提供的另一种农作物作业状态确定方法的示意性流程图之一;
图11为本发明实施例提供的一种农作物作业方法的示意性流程图;
图12为本发明实施例提供的一种农作物作业状态确定装置的功能模块图;
图13为本发明实施例提供的一种农作物作业装置的功能模块图;
图14为本发明实施例提电子设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。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他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,若出现术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,若出现术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在不冲突的情况下,本发明的实施例中的特征可以相互结合。
在介绍本发明实施例之前,先解释本发明实施例涉及的术语:
归一化植被指数(NormalizedDifferenceVegetationIndex,NDVI):归一化植被指数指得是遥感影像中,近红外波段的反射值与红光波段的反射值之差比上两者之和,可以用来检测植被生长状态、植被覆盖度和消除部分辐射误差等。
目前,为了能够高效实现农作物收获效率,可以提前对农作物喷洒脱叶剂,使成熟的农作物的叶子脱落,脱叶剂喷洒效果的好坏可以直接影响农作物采摘效率的高低。
相关技术提出了一种通过神经网络判计算叶子密度的方式来确定脱叶剂的喷洒效果,即需要在喷洒落叶剂前后进行两次航拍作业,再将两次结果通过神经网络进行对比,计算叶子密度,来判断落叶剂是否生效。发明人在研究的过程中发现,此方法需要进行两次航测作业,效率相对较慢,操作也更加复杂,需要更多的时间和人力成本。
为了解决上述技术问题,发明人提出了一种通过获得农作物种植地的归一化植被指数NDVI(NormalizedDifferenceVegetationIndex,简称NDVI)地图数据的方式来判断农作物落叶剂喷洒状态的方法,可以理解的是,归一化植被指数NDVI可以反映农作物长势和营养信息,NDVI地图上的数值越接近1,则说明地图对应位置的农作物越茂密,叶绿素含量越多;NDVI地图上的数值越接近-1,则说明地图对应位置的农作物稀疏,叶绿素含量越少。以棉花为例,如果棉花种植地的落叶剂喷洒生效,则棉花植株只剩下顶端的棉花团,没有叶绿素,则NDVI地图上棉花植株对应位置的数值接近-1,这些棉花植株对应位置的作业状态正常;反之说明落叶剂喷洒效果不好,棉花叶子依然很多,NDVI地图上棉花植株对应位置的数值接近1,这些棉花植株对应位置的作业状态异常。
上述方式可以适用于农作物成熟后喷洒落叶剂时的效果检测,提高了作业效率,更加节省时间和人力成本。本发明实施例中的农作物可以是棉花或者是未来适用通过喷洒落叶剂来完成收割的农作物。
为了方便理解上述实现原理,下面以棉花为例,结合图1-图3详细介绍,首先参见图1,图1为本发明实施例提供的一种执行喷洒作业前的棉花种植地的场景示意图。在执行落叶剂喷洒作业之前,棉花植株周围分布这很多叶子,为了方便后期采摘工作,所以需要执行落叶剂喷洒作业。
喷洒落叶剂后,如果喷洒作业正常,则执行完喷洒作业的棉花种植地的场景示意图如图2,参见图2,图2为本发明实施例提供的一种执行完喷洒作业的棉花种植地的场景示意图,从图2可以看出,棉花植株只剩下顶端的棉花团,没有叶子存在。NDVI地图数据则可以显示整个区域没有叶绿素含量偏高的区域,从而确定出该区域的落叶剂喷洒作业正常。
如果某个区域落叶剂喷洒异常,执行完喷洒作业的棉花种植地的场景示意图如图3,参见图3,图3为本发明实施例提供的另一种执行完喷洒作业的棉花种植地的场景示意图,从图3可以看出,则该区域的棉花植株依然会有叶子,NDVI地图数据则可以显示叶绿素含量偏高的区域,从而确定出该区域的落叶剂喷洒作业异常。
基于上述原理,本发明实施例提供了一种农作物作业状态确定方法,请参见图4,图4为本发明实施例提供的一种农作物作业状态确定方法的示意性流程图,该方法包括:
S11、获取农作物种植地的归一化植被指数地图数据。
在本发明实施例中,上述农作物种植地已经执行完喷洒作业,该归一化植被指数(NDVI)地图数据包含全部农作物对应的归一化植被指数,即每株农作物在地图数据对应有归一化植被指数。
S12、根据归一化植被指数地图数据确定每株农作物的作业状态。
可以理解的是,NDVI地图数据可以显示叶绿素含量偏高的区域以及素叶绿素含量偏低的区域,因此,可以根据叶绿素含量确定农作物的作业状态。
本发明实施例提供的农作物作业状态确定方法,通过获取农作物种植地的归一化植被指数地图数据,然后根据获取农作物种植地的归一化植被指数地图数据即可确定每株农作物的作业状态,与现有技术的区别在于,现有技术通过神经网络的方式计算叶密度,然后根据叶密度确定作业状态,该方法效率相对较慢,操作也更加复杂,需要更多的时间和人力成本,而本申请基于NDVI可以反映农作物长势和营养信息的基础信息,因此,通过获取农作物种植地的NDVI地图数据,通过NDVI地图数据直接显示叶绿素含量偏高的区域以及素叶绿素含量偏低的区域,即可确定每株农作物的作业状态,本申请操作简单,效率高,节省了时间和人力成本。
可选地,为了方便理解上述根据归一化植被指数地图数据确定农作物种植地的作业状态的实现过程,下面给出一种可能的实现方式,参见图5,图5为本发明实施例提供的步骤S12的一种实现方式的示意性流程图,步骤S12可以包括:
S121、当农作物对应的归一化植被指数大于或等于预设阈值,确定农作物作业异常。
S122、当农作物对应的归一化植被指数小于预设阈值,确定农作物作业正常。
可以理解的是,NDVI地图数据是单波段图像,每个像素都有一个NDVI指数值,NDVI指数值大于等于-1,小于等于1。在一种实现方式中,通过读取NDVI地图数据,获取所有的像素值,假设预设阈值为0.6,当像素值大于小于预设阈值,表示该像素代表的种植位置上的农作物的叶绿素含量低,农作物的落叶剂喷洒正常;当像素值大于等于阈值,表示该像素代表的种植位置上的农作物的叶绿素含量较高,农作物的落叶剂喷洒异常,还可以将落叶剂喷洒异常的农作为对应的像素进行标记,然后可以确定被标记像素组成区域的喷洒作业异常,从而就可以作业异常区域,安排人工检查,进行再次喷洒落叶剂。
为了方面理解,请参见图6,图6为本发明实施例提供的一种NDVI地图及该NVDI地图对应的棉花种植地的示意图,从图6中可以看出,其中图6(a)为本发明实施例提供的一种NDVI地图示意图,图6(b)为NDVI地图对应的农作物种植地的示意图,结合图6(a)和图6(b)可以看出,图6(a)中每个像素对应一个NDVI指数值,NDVI指数值在-1至1之间,作业异常的农作物对应的像素对应的NDVI指数值大于或等于预设阈值0.6,对应图6(b)相同位置的区域,表明农作物仍然具有叶被,作业异常的农作物组成的区域可以看作是作业异常区域;图6(a)作业正常的农作物对应的像素对应的NDVI指数值小于预设阈值为0.6,对应图6(b)相同位置的区域,表明农作物仍然不具有植被,作业正常的农作物组成的区域可以看作是作业正常区域,从而实现根据NDVI地图数据确定农作物作业状态的效果。
可选地,为了获得农作物种植地的归一化植被指数地图数据,下面给出一种实现方式,参见图7,图7为本发明实施例提供的步骤S11的一种实现方式的示意性流程图,步骤S11可以包括:
S111、获取农作物种植地的近红外波段地图数据和红光波段地图数据。
可以理解的是,上述近红外波段地图数据包含全部农作物对应的近红外波段值;上述红光波段地图数据包含全部农作物对应的红光波段值。
在一种实现方式中,近红外波段NIR地图数据和红光波段RED地图数据均为灰度栅格图像,灰度栅格图像中的每个像素有且仅有一个波段数值,近红外波段NIR地图数据对应的灰度栅格图像中的每个像素对应一个近红外波段值,红光波段RED地图数据对应灰度栅格图像中的每个像素对应一个红外波段值。
S112、根据农作物对应的近红外波段值和红光波段值,计算全部农作物的归一化植被指数,获得归一化植被指数地图数据。
在一种实现方式中,归一化植被指数主要采用近红外波段值和红色波段值进行计算,计算公式如下:
NVDI=(Nir-R)/(Nir+R)
其中,Nir是近红外波段值,R是红色波段值。NDVI值的范围在[-1,1]之间。对于获得的近红外波段地图数据、红光波段地图数据以及归一化植被指数地图数据,它们表现形式可以如图8所示,参见图8,图8为本发明实施例提供的一种地图数据的示意图,其中图8(a)为近红外波段地图数据、图8(b)为红光波段地图数据,图8(c)为归一化植被指数地图数据;从图8可以看出,近红外波段地图数据中,A、B、C、D分别表示该位置像素对应的近红外波段值,红色波段地图数据中,a、b、c、d分别表示该位置像素对应的红色波段值R,则根据上述公式可以计算每个像素值对应的归一化植被指数为分别为:(A-a)/(A+a)、(B-b)/(B+b)、(C-c)/(C+c)、(D-d)/(D+d)。从而,针对近红外波段地图数据、红光波段地图数据,将相同位置的像素对应的近红外波段值Nir和是红色波段值R按照上述计算公式计算,可以获得该像素对应的归一化植被指数NVDI,从而可以获得全部农作物对应的NVDI地图数据。
可选地,为了获得农作物种植地对应的近红外波段地图数据和红光波段地图数据,下面给出一种实现方式,参见图9,图9为本发明实施例提供的步骤S111的一种实现方式的示意性流程图,步骤S111可以包括:
S111-1、通过多光谱航测无人机对农作物种植地进行测绘,获得农作物种植地的多光谱地图数据。
在一些可能的实施例中,使用多光谱航测无人机对已经喷洒完落叶剂的棉花地进行航拍,多光谱相机包含近红外波段(NIR)相机和红光波段(RED)相机。由于农药的药效发挥需要一定的时间,因此喷洒完落叶剂后需要经过一段时间才能采集多光谱地图数据。
S111-2、根据农作物种植地的多光谱地图数据,获得近红外波段地图数据和红光波段地图数据。
在一些可能的实施例中,使用多光谱航测无人机对已经喷洒完落叶剂的棉花地进行测绘,获得地图数据之后,可以通过空中三角测量数据处理得到近红外波段NIR地图数据和红光波段RED地图数据。
可选地,在确定农作物种植地作业正常和作业异常区域之后,还可以针对作业异常区域重新执行喷洒作业,以使作业异常区域满足要求,下面在图1给出一种实现方式,参见图10,图10为本发明实施例提供的另一种农作物作业状态确定方法的示意性流程图之一,该方法还可以包括:
S13、根据农作物种植地的每株农作物的作业状态,对作业异常的农作物进行喷洒作业,以使作业异常的农作物的作业状态达到正常状态。
基于上述农作物作业状态确定方法,可以快速确定农作物种植地中作业正常的农作物和作业异常的农作物,根据作业异常的农作物,还可以重新执行喷洒作业,以使作业异常的农作物满足要求,下面在给出一种实现方式,参见图11,图11为本发明实施例提供的一种农作物作业方法的示意性流程图,该方法包括:
S21、获取农作物种植地的每株农作物的作业状态;
可以理解的是,农作物种植地的每株农作物的作业状态可以通过上述实施例中的农作物作业状态确定方法获得,此处不在赘述。
S22、根据农每株农作物的作业状态,对作业异常的农作物进行喷洒作业,以使作业异常的农作物的作业状态达到正常状态。
为了实现上述步骤S11至步骤S13,以达到对应的技术效果,下面给出一种农作物作业状态确定装置的实现方式,参见图12,图12为本发明实施例提供的一种农作物作业状态确定装置的功能模块图,其中,农作物作业状态确定装置30包括:获取模块301、确定模块302。
获取模块301,用于获取农作物种植地的归一化植被指数地图数据;所述归一化植被指数地图数据包含全部农作物对应的归一化植被指数;
确定模块302,用于根据归一化植被指数地图数据确定每株农作物的作业状态。
可选地,确定模块302,具体用于当农作物对应的归一化植被指数大于或等于预设阈值,确定所述农作物作业异常;当农作物对应的归一化植被指数小于所述预设阈值,确定所述农作物作业正常。
可选地,获取模块301,具体用于获取农作物种植地的近红外波段地图数据和红光波段地图数据;其中,所述近红外波段地图数据包含全部农作物对应的近红外波段值;所述红光波段地图数据包含所述全部农作物对应的红光波段值;根据所述农作物对应的近红外波段值和红光波段值,计算所述全部农作物的归一化植被指数,获得所述归一化植被指数地图数据。
可选地,获取模块301,具体用于获取农作物种植地的近红外波段地图数据和红光波段地图数据,包括:通过多光谱航测无人机对所述农作物种植地进行测绘,获得所述农作物种植地的多光谱地图数据;根据所述农作物种植地的多光谱地图数据,获得所述近红外波段地图数据和红光波段地图数据。
可选地,农作物作业状态确定装置30还可以包括作业模块,作业模块用于根据所述农作物种植地的每株农作物的作业状态,对所述作业异常的农作物进行喷洒作业,以使所述作业异常的农作物的作业状态达到正常状态。
为了实现上述步骤S21至步骤S22,以达到对应的技术效果,下面给出一种农作物作业装置的实现方式,参见图13,图13为本发明实施例提供的一种农作物作业装置的功能模块图,其中,农作物作业装置40包括:获取模块401、作业模块402。
获取模块401,用于获取农作物种植地的每株农作物的作业状态。
作业模块,用于根据每株农作物的作业状态,对作业异常的农作物进行喷洒作业,以使所述作业异常的农作物的作业状态达到正常状态。
本发明实施例还提供一种电子设备,如图14,图14为本发明实施例提电子设备的结构框图。电子设备50可以是无人机、手机、平板电脑等。该电子设备50包括通信接口501、处理器502和存储器503。处理器502、存储器503和通信接口501相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器503可用于存储软件程序及模块,如本发明实施例所提供的农作物长势状态确定方法或者农作物作业方法对应的程序指令/模块,处理器502通过执行存储在存储器503内的软件程序及模块,从而执行各种功能应用以及数据处理。该通信接口501可用于与其他节点设备进行信令或数据的通信。在本发明中该电子设备500可以具有多个通信接口501。
其中,存储器503可以是但不限于,随机存取存储器(RandomAccessMemory,RAM),只读存储器(ReadOnlyMemory,ROM),可编程只读存储器(ProgrammableRead-OnlyMemory,PROM),可擦除只读存储器(ErasableProgrammableRead-OnlyMemory,EPROM),电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory,EEPROM)等。
处理器502可以是一种集成电路芯片,具有信号处理能力。该处理器可以是通用处理器,包括中央处理器(CentralProcessingUnit,CPU)、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器(DigitalSignalProcessing,DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、现场可编程门阵列(Field-ProgrammableGateArray,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。
可以理解的是,上述的农作物作业状态确定装置30或者农作物作业装置40的各个模块可以软件或固件(Firmware)的形式存储于电子设备50的存储器503中,并由处理器502执行,同时,执行上述模块所需的数据、程序的代码等可以存储在存储器503中。
本发明实施例提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如前述实施方式中任一项的农作物作业状态确定方法或者农作物作业方法。该计算机可读存储介质可以是,但不限于,U盘、移动硬盘、ROM、RAM、PROM、EPROM、EEPROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (11)
1.一种农作物作业状态确定方法,其特征在于,所述方法包括:
获取农作物种植地的归一化植被指数地图数据;所述农作物种植地已经执行完喷洒作业;所述归一化植被指数地图数据包含所述农作物种植地中全部农作物对应的归一化植被指数;
根据所述归一化植被指数地图数据确定每株所述农作物的作业状态。
2.根据权利要求1所述的农作物作业状态确定方法,其特征在于,根据所述归一化植被指数地图数据确定所述农作物种植地的作业状态,包括:
当所述农作物对应的归一化植被指数大于或等于预设阈值,确定所述农作物作业异常;
当所述农作物对应的归一化植被指数小于所述预设阈值,确定所述农作物作业正常。
3.根据权利要求1所述的农作物作业状态确定方法,其特征在于,所述获取农作物种植地的归一化植被指数地图数据包括:
获取农作物种植地的近红外波段地图数据和红光波段地图数据;其中,所述近红外波段地图数据包含全部农作物对应的近红外波段值;所述红光波段地图数据包含所述全部农作物对应的红光波段值;
根据所述农作物对应的近红外波段值和红光波段值,计算所述全部农作物对应的归一化植被指数,获得所述归一化植被指数地图数据。
4.根据权利要求3所述的农作物作业状态确定方法,其特征在于,获取农作物种植地的近红外波段地图数据和红光波段地图数据,包括:
通过多光谱航测无人机对所述农作物种植地进行测绘,获得所述农作物种植地的多光谱地图数据;
根据所述农作物种植地的多光谱地图数据,获得所述近红外波段地图数据和红光波段地图数据。
5.根据权利要求2所述的农作物作业状态确定方法,其特征在于,还包括:
对作业异常的农作物进行喷洒作业,以使所述作业异常的农作物的作业状态达到正常状态。
6.一种农作物作业方法,其特征在于,包括:
获取农作物种植地的每株农作物的作业状态;
根据所述每株农作物的作业状态,对作业异常的农作物进行喷洒作业,以使所述作业异常的农作物的作业状态达到正常状态。
7.根据权利要求6所述的农作物作业方法,其特征在于,所述每株农作物的作业状态是通过权利要求1-5任意一项所述的农作物作业状态确定方法获得。
8.一种农作物作业状态确定装置,其特征在于,包括:
获取模块,用于获取农作物种植地的归一化植被指数地图数据;所述归一化植被指数地图数据包含全部农作物对应的归一化植被指数;
确定模块,根据所述归一化植被指数地图数据确定每株所述农作物的作业状态。
9.一种农作物作业装置,其特征在于,包括:
获取模块,用于获取农作物种植地的每株农作物的作业状态;
作业模块,用于根据所述每株农作物的作业状态,对作业异常的农作物进行喷洒作业,以使所述作业异常的农作物的作业状态达到正常状态。
10.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机程序,所述处理器可执行所述计算机程序以实现如权利要求1-5任一项所述的农作物作业状态确定方法和/或实现权利要求6-7任意一项所述的农作物作业方法。
11.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-5任一项所述的农作物作业状态确定方法和/或实现权利要求6-7任意一项所述的农作物作业方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011613402.0A CN112883129A (zh) | 2020-12-30 | 2020-12-30 | 农作物作业状态确定方法、农作物作业方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011613402.0A CN112883129A (zh) | 2020-12-30 | 2020-12-30 | 农作物作业状态确定方法、农作物作业方法及相关装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112883129A true CN112883129A (zh) | 2021-06-01 |
Family
ID=76046311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011613402.0A Pending CN112883129A (zh) | 2020-12-30 | 2020-12-30 | 农作物作业状态确定方法、农作物作业方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112883129A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220025A (zh) * | 2021-12-22 | 2022-03-22 | 武汉禾大科技有限公司 | 基于遥感影像数据的棉花脱叶剂使用方法、系统和介质 |
CN117288693A (zh) * | 2023-11-27 | 2023-12-26 | 慧诺云谱(海南)科技有限公司 | 一种实时获取植被指数地图的方法及机载装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040034450A1 (en) * | 2002-08-19 | 2004-02-19 | Institute For Technology Development | Method and apparatus for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data |
US20150206255A1 (en) * | 2011-05-13 | 2015-07-23 | HydroBio, Inc | Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data |
CN109446958A (zh) * | 2018-10-18 | 2019-03-08 | 广州极飞科技有限公司 | 施药效果的确定方法及装置、系统 |
CN111990388A (zh) * | 2020-05-27 | 2020-11-27 | 农业农村部南京农业机械化研究所 | 选择性喷洒系统,协同施药系统及协作方法 |
-
2020
- 2020-12-30 CN CN202011613402.0A patent/CN112883129A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040034450A1 (en) * | 2002-08-19 | 2004-02-19 | Institute For Technology Development | Method and apparatus for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data |
US20150206255A1 (en) * | 2011-05-13 | 2015-07-23 | HydroBio, Inc | Method and system to prescribe variable seeding density across a cultivated field using remotely sensed data |
CN109446958A (zh) * | 2018-10-18 | 2019-03-08 | 广州极飞科技有限公司 | 施药效果的确定方法及装置、系统 |
CN111990388A (zh) * | 2020-05-27 | 2020-11-27 | 农业农村部南京农业机械化研究所 | 选择性喷洒系统,协同施药系统及协作方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114220025A (zh) * | 2021-12-22 | 2022-03-22 | 武汉禾大科技有限公司 | 基于遥感影像数据的棉花脱叶剂使用方法、系统和介质 |
CN117288693A (zh) * | 2023-11-27 | 2023-12-26 | 慧诺云谱(海南)科技有限公司 | 一种实时获取植被指数地图的方法及机载装置 |
CN117288693B (zh) * | 2023-11-27 | 2024-03-26 | 慧诺云谱(海南)科技有限公司 | 一种实时获取植被指数地图的方法及机载装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12014538B2 (en) | Method, system, and medium having stored thereon instructions that cause a processor to execute a method for obtaining image information of an organism comprising a set of optical data | |
Amatya et al. | Detection of cherry tree branches with full foliage in planar architecture for automated sweet-cherry harvesting | |
KR101832724B1 (ko) | 영상이미지를 통한 농작물 생육 진단 시스템 및 방법 | |
US10528813B2 (en) | Method and system for crop yield estimation | |
US11710232B2 (en) | Image processing based advisory system and a method thereof | |
CN112883129A (zh) | 农作物作业状态确定方法、农作物作业方法及相关装置 | |
US10984548B2 (en) | Yield prediction for a cornfield | |
Andritoiu et al. | Agriculture autonomous monitoring and decisional mechatronic system | |
Syal et al. | A survey of computer vision methods for counting fruits and yield prediction | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
CN112304902A (zh) | 一种农作物物候的实时监测方法和装置 | |
Rizk et al. | Robotized early plant health monitoring system | |
JP7155681B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
Feng et al. | Cotton yield estimation based on plant height from UAV-based imagery data | |
CN114651283A (zh) | 搜寻功能出苗 | |
Bulanon et al. | Machine vision system for orchard management | |
CN110476412B (zh) | 信息处理装置、信息处理方法和存储介质 | |
Kaur et al. | Automatic crop furrow detection for precision agriculture | |
US20230360189A1 (en) | Method and system of analyzing plant image data and projecting plant growth and health status | |
CN109030385A (zh) | 一种无人机高光谱农作物产量分析系统 | |
Rovira-Más et al. | Crop scouting and surrounding awareness for specialty crops | |
US20220406043A1 (en) | Machine learning model for accurate crop count | |
Wisayataksin et al. | Vegetation Health Monitoring System for Smart Farm using NDVI Analysis | |
CN117115692A (zh) | 植株状态诊断的方法、装置以及系统 | |
Vázquez Arellano | Crop plant reconstruction and feature extraction based on 3-D vision |
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: 20210601 |
|
RJ01 | Rejection of invention patent application after publication |