CN113283346A - 一种基于机器学习的火龙果产量预测方法 - Google Patents
一种基于机器学习的火龙果产量预测方法 Download PDFInfo
- Publication number
- CN113283346A CN113283346A CN202110588657.4A CN202110588657A CN113283346A CN 113283346 A CN113283346 A CN 113283346A CN 202110588657 A CN202110588657 A CN 202110588657A CN 113283346 A CN113283346 A CN 113283346A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- sensing image
- yield
- dragon
- dragon fruit
- 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
- 244000157072 Hylocereus undatus Species 0.000 title claims abstract description 67
- 235000018481 Hylocereus undatus Nutrition 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010801 machine learning Methods 0.000 title claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000010191 image analysis Methods 0.000 claims abstract description 4
- 238000005286 illumination Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 235000010837 Echinocereus enneacanthus subsp brevispinus Nutrition 0.000 description 1
- 235000006850 Echinocereus enneacanthus var dubius Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000002689 soil Substances 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
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06T2207/10024—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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Multimedia (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于机器学习的火龙果产量预测方法,包括以下步骤:(1)无人机遥感:无人机对本批次的火龙果基地进行拍摄并获取遥感影像;(2)遥感影像分析:对所述遥感影像进行图像处理和图像识别;(3)火龙果识别计数:根据步骤(2)的遥感影像计数出遥感影像中火龙果的个数;(4)气象数据特征推算:根据本批次的火龙果生长期间的气象因素通过机器学习进行分析,获取产量影响系数,并通过计算获得预测个数和预测均重;(5)历史产量校准:根据历史产量对预测的做校准获得个数校准系数和均重校准系数;(6)产量预测:通过校准系数校准预测个数和预测重量获得校准预测个数和校准预测均重,得到产量预测。本发明具有推广性、普适性。
Description
技术领域
本发明涉及火龙果产量预测技术领域,更具体地,涉及一种基于机器学习的火龙果产量预测方法。
背景技术
火龙果根系特别发达,无明显主根,根系较浅,多分布2-15cm表土层中;茎蔓上长有攀缘根,攀缘于棚架或其他柱状支撑物向上生长;植株生长旺盛,萌芽力和发枝力较强,一年四季均可生长;无叶片,光合作用靠茎蔓来完成,肉质茎蔓粗壮,呈三角柱形或四棱柱形。火龙果适应性强、速生、早结、果大、丰产、无大小年等优点。
目前,市场上火龙果产量预测还是通过传统的经验做预测,通过地块采样,测量果径,根据基地的面积推算产量,这种方法误差较大,受制于评估人员的经验,且推广性、普适性较低。
发明内容
本发明针对背景技术存在的不足,提供了一种基于机器学习的火龙果产量预测方法,不需要地块采样和测量果径,误差较小,便于计算,具有推广性、普适性。
为解决上述问题,提供一种基于机器学习的火龙果产量预测方法,包括以下步骤:
(1)无人机遥感:无人机对本批次的火龙果基地进行拍摄并获取遥感影像;
(2)遥感影像分析: 对所述遥感影像进行图像处理和图像识别;
(3)火龙果识别计数:根据步骤(2)的遥感影像计数出遥感影像中火龙果的个数;
(4)气象数据特征推算:根据本批次的火龙果生长期间的气象因素通过机器学习进行分析,获取产量影响系数,并通过计算获得预测个数和预测均重;
(5)历史产量校准:根据历史产量对预测的做校准获得个数校准系数和均重校准系数;
(6)产量预测:通过校准系数校准预测个数和预测重量获得校准预测个数和校准预测均重,最终得到产量预测为校准预测个数与校准预测均重的乘积。
特别的,所述步骤(1)中对火龙果基地进行拍摄并获取遥感影像的具体方法为:无人机拍摄火龙果记得的拍摄距离为10m-50m,且为正射影像;利用无人机影像合成软件进行拼接,生成基地完整的遥感影像。
特别的,所述步骤(4)的气象因素为光照时长、光照强度、降雨量、大气温度、平均温度、极限温度。
特别的,所述步骤(2)的图像处理和图像识别的具体步骤为:(1)对所述遥感影像进行颜色描述:将所述遥感影像从RGB颜色空间转换至HSV颜色空间,标记HSV颜色空间中火龙果颜色区域;(2)对所述遥感影像进行纹理描述:对所述遥感影像进行灰度转换,再计算所述遥感影像的灰度共生矩阵和灰度共生矩阵的特征量;计算特征量的平均值和标准差,组成纹理特征向量;标记出符合火龙果纹理特征向量的区域;(3)对所述遥感影像进行形状描述:构建图像尺度空间;对图像尺度空间进行极值检测;寻找稳定的特征点位置;确定特征点的方向;描述符合火龙果形状的特征点;(4)对遥感图像进行自动标注成框。
特别的,步骤(3)具体实施方法为:所述计数出遥感影像中火龙果的个数的方法为计算框的总和。
特别的,步骤(4)具体实施方法为:(1)将历史火龙果个数、历史火龙果均重和气象因素构成数据及;划分70%数据集用做模型构建, 30%数据集用做模型验证;构建产量影响系数与火龙果产量间的回归模型,建模采用机器学习方法,获得预测个数和预测均重。
特别的,构建历史产量与火龙果个数的回归模型及历史产量与火龙果均重模型,获得个数校准系数和均重校准系数。
本发明的有益效果:
本发明采用无人机技术对基地进行拍摄,识别基地火龙果,准确率高,同时利用了气象数据分析和历史产量进行校准,最后的产量预测准确率高,不再依赖有经验的农艺人员。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中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为本发明实施例的预测方法流程图。
具体实施方式
下面结合附图对本发明的优选实施例进行详细阐述,以使本发明的优点和特征能更易于被本领域技术人员理解,从而对本发明的保护范围做出更为清楚明确的界定。
如图1所示,本实施例的一种基于机器学习的火龙果产量预测方法,包括以下步骤:
(1)无人机遥感:无人机对本批次的火龙果基地进行拍摄并获取遥感影像;无人机拍摄火龙果记得的拍摄距离为10m-50m,且为正射影像;利用无人机影像合成软件进行拼接,生成基地完整的遥感影像。
(2)遥感影像分析: 对所述遥感影像进行图像处理和图像识别;图像处理和图像识别的具体步骤为:(1)对所述遥感影像进行颜色描述:将所述遥感影像从RGB颜色空间转换至HSV颜色空间,标记HSV颜色空间中火龙果颜色区域;(2)对所述遥感影像进行纹理描述:对所述遥感影像进行灰度转换,再计算所述遥感影像的灰度共生矩阵和灰度共生矩阵的特征量;计算特征量的平均值和标准差,组成纹理特征向量;标记出符合火龙果纹理特征向量的区域;(3)对所述遥感影像进行形状描述:构建图像尺度空间;对图像尺度空间进行极值检测;寻找稳定的特征点位置;确定特征点的方向;描述符合火龙果形状的特征点;(4)对遥感图像进行自动标注成框。
(3)火龙果识别计数:根据步骤(2)的遥感影像计数出遥感影像中火龙果的个数;计数出遥感影像中火龙果的个数的方法为计算框的总和。
(4)气象数据特征推算:根据本批次的火龙果生长期间的气象因素通过机器学习进行分析,获取产量影响系数,并通过计算获得预测个数和预测均重;气象因素为光照时长、光照强度、降雨量、大气温度、平均温度、极限温度。具体实施方法为:(1)将历史火龙果个数、历史火龙果均重和气象因素构成数据及;划分70%数据集用做模型构建, 30%数据集用做模型验证;构建产量影响系数与火龙果产量间的回归模型,建模采用机器学习方法,获得预测个数和预测均重。
(5)历史产量校准:根据历史产量对预测的做校准获得个数校准系数和均重校准系数;构建历史产量与火龙果个数的回归模型及历史产量与火龙果均重模型,获得个数校准系数和均重校准系数。
(6)产量预测:通过校准系数校准预测个数和预测重量获得校准预测个数和校准预测均重,最终得到产量预测为校准预测个数与校准预测均重的乘积。
虽然结合附图描述了本发明的实施方式,但是专利所有者可以在所附权利要求的范围之内做出各种变形或修改,只要不超过本发明的权利要求所描述的保护范围,都应当在本发明的保护范围之内。
Claims (7)
1.一种基于机器学习的火龙果产量预测方法,其特征在于:包括以下步骤:
(1)无人机遥感:无人机对本批次的火龙果基地进行拍摄并获取遥感影像;
(2)遥感影像分析: 对所述遥感影像进行图像处理和图像识别;
(3)火龙果识别计数:根据步骤(2)的遥感影像计数出遥感影像中火龙果的个数;
(4)气象数据特征推算:根据本批次的火龙果生长期间的气象因素通过机器学习进行分析,获取产量影响系数,并通过计算获得预测个数和预测均重;
(5)历史产量校准:根据历史产量对预测的做校准获得个数校准系数和均重校准系数;
(6)产量预测:通过校准系数校准预测个数和预测重量获得校准预测个数和校准预测均重,最终得到产量预测为校准预测个数与校准预测均重的乘积。
2.根据权利要求1所述的一种基于机器学习的火龙果产量预测方法,其特征在于:所述步骤(1)中对火龙果基地进行拍摄并获取遥感影像的具体方法为: 无人机拍摄火龙果记得的拍摄距离为10m-50m,且为正射影像;利用无人机影像合成软件进行拼接,生成基地完整的遥感影像。
3.根据权利要求1所述的一种基于机器学习的火龙果产量预测方法,其特征在于:所述步骤(4)的气象因素为光照时长、光照强度、降雨量、大气温度、平均温度、极限温度。
4.根据权利要求1所述的一种基于机器学习的火龙果产量预测方法,其特征在于:所述步骤(2)的图像处理和图像识别的具体步骤为:(1)对所述遥感影像进行颜色描述:将所述遥感影像从RGB颜色空间转换至HSV颜色空间,标记HSV颜色空间中火龙果颜色区域;(2)对所述遥感影像进行纹理描述:对所述遥感影像进行灰度转换,再计算所述遥感影像的灰度共生矩阵和灰度共生矩阵的特征量;计算特征量的平均值和标准差,组成纹理特征向量;标记出符合火龙果纹理特征向量的区域;(3)对所述遥感影像进行形状描述:构建图像尺度空间;对图像尺度空间进行极值检测;寻找稳定的特征点位置;确定特征点的方向;描述符合火龙果形状的特征点;(4)对遥感图像进行自动标注成框。
5.根据权利要求4所述的一种基于机器学习的火龙果产量预测方法,其特征在于:步骤(3)具体实施方法为:所述计数出遥感影像中火龙果的个数的方法为计算框的总和。
6.根据权利要求1所述的一种基于机器学习的火龙果产量预测方法,其特征在于:步骤(4)具体实施方法为:(1)将历史火龙果个数、历史火龙果均重和气象因素构成数据及;划分70%数据集用做模型构建, 30%数据集用做模型验证;构建产量影响系数与火龙果产量间的回归模型,建模采用机器学习方法,获得预测个数和预测均重。
7.根据权利要求1所述的一种基于机器学习的火龙果产量预测方法,其特征在于:构建历史产量与火龙果个数的回归模型及历史产量与火龙果均重模型,获得个数校准系数和均重校准系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110588657.4A CN113283346A (zh) | 2021-05-28 | 2021-05-28 | 一种基于机器学习的火龙果产量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110588657.4A CN113283346A (zh) | 2021-05-28 | 2021-05-28 | 一种基于机器学习的火龙果产量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113283346A true CN113283346A (zh) | 2021-08-20 |
Family
ID=77282118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110588657.4A Pending CN113283346A (zh) | 2021-05-28 | 2021-05-28 | 一种基于机器学习的火龙果产量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283346A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114128552A (zh) * | 2021-10-29 | 2022-03-04 | 广西中以水肥一体生物科技有限公司 | 一种火龙果生长性状及产量的调查方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010166851A (ja) * | 2009-01-22 | 2010-08-05 | Chiharu Hongo | 作物の収量予測方法及びその装置 |
US20170039449A1 (en) * | 2006-11-07 | 2017-02-09 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to n-deficiency |
CN107273928A (zh) * | 2017-06-14 | 2017-10-20 | 上海海洋大学 | 一种基于权重特征融合的遥感图像自动标注方法 |
CN107341577A (zh) * | 2017-07-25 | 2017-11-10 | 中国农业科学院农业信息研究所 | 一种农作物产量预测方法及系统 |
CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及系统 |
US20180293671A1 (en) * | 2015-03-27 | 2018-10-11 | Omniearth, Inc. | System and method for predicting crop yield |
CN108921351A (zh) * | 2018-07-06 | 2018-11-30 | 北京兴农丰华科技有限公司 | 基于趋势产量和气象产量的作物产量预测方法 |
CN110516560A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于fpga异构深度学习的光学遥感图像目标检测方法 |
CN111191543A (zh) * | 2019-12-20 | 2020-05-22 | 湖南城市学院 | 油菜产量估测方法 |
CN111401620A (zh) * | 2020-03-10 | 2020-07-10 | 北京泓慧国际能源技术发展有限公司 | 一种现货电价预测方法及装置 |
CN111798433A (zh) * | 2020-07-08 | 2020-10-20 | 贵州师范大学 | 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 |
CN111881418A (zh) * | 2020-07-27 | 2020-11-03 | 中国农业科学院农业信息研究所 | 一种基于二分法的大豆气象产量预测方法及系统 |
CN111898922A (zh) * | 2020-08-10 | 2020-11-06 | 深圳市大德众和科技有限公司 | 一种多尺度农作物产量评估方法及系统 |
CN112131952A (zh) * | 2020-08-26 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 基于无人机遥感影像的玉米苗期株数信息提取 |
CN112749673A (zh) * | 2021-01-20 | 2021-05-04 | 西安中科星图空间数据技术有限公司 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
-
2021
- 2021-05-28 CN CN202110588657.4A patent/CN113283346A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170039449A1 (en) * | 2006-11-07 | 2017-02-09 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to n-deficiency |
JP2010166851A (ja) * | 2009-01-22 | 2010-08-05 | Chiharu Hongo | 作物の収量予測方法及びその装置 |
US20180293671A1 (en) * | 2015-03-27 | 2018-10-11 | Omniearth, Inc. | System and method for predicting crop yield |
CN107273928A (zh) * | 2017-06-14 | 2017-10-20 | 上海海洋大学 | 一种基于权重特征融合的遥感图像自动标注方法 |
CN107341577A (zh) * | 2017-07-25 | 2017-11-10 | 中国农业科学院农业信息研究所 | 一种农作物产量预测方法及系统 |
CN107392376A (zh) * | 2017-07-25 | 2017-11-24 | 中国农业科学院农业信息研究所 | 一种农作物气象产量预测方法及系统 |
CN108921351A (zh) * | 2018-07-06 | 2018-11-30 | 北京兴农丰华科技有限公司 | 基于趋势产量和气象产量的作物产量预测方法 |
CN110516560A (zh) * | 2019-08-05 | 2019-11-29 | 西安电子科技大学 | 基于fpga异构深度学习的光学遥感图像目标检测方法 |
CN111191543A (zh) * | 2019-12-20 | 2020-05-22 | 湖南城市学院 | 油菜产量估测方法 |
CN111401620A (zh) * | 2020-03-10 | 2020-07-10 | 北京泓慧国际能源技术发展有限公司 | 一种现货电价预测方法及装置 |
CN111798433A (zh) * | 2020-07-08 | 2020-10-20 | 贵州师范大学 | 基于无人机遥感的高原山区成熟火龙果实识别与计数方法 |
CN111881418A (zh) * | 2020-07-27 | 2020-11-03 | 中国农业科学院农业信息研究所 | 一种基于二分法的大豆气象产量预测方法及系统 |
CN111898922A (zh) * | 2020-08-10 | 2020-11-06 | 深圳市大德众和科技有限公司 | 一种多尺度农作物产量评估方法及系统 |
CN112131952A (zh) * | 2020-08-26 | 2020-12-25 | 航天信德智图(北京)科技有限公司 | 基于无人机遥感影像的玉米苗期株数信息提取 |
CN112749673A (zh) * | 2021-01-20 | 2021-05-04 | 西安中科星图空间数据技术有限公司 | 一种基于遥感影像智能提取储油罐库存的方法及装置 |
Non-Patent Citations (3)
Title |
---|
AGRICULTURAL SCIENCE & TECHNOLOGY: "基于高光谱和农学参数数据的柑橘估产模型构建(英文)", 《AGRICULTURAL SCIENCE & TECHNOLOGY》 * |
RAKIBA RAYHANA: "Internet of Things Empowered Smart Greenhouse Farming", 《IEEE JOURNAL OF RADIO FREQUENCY IDENTIFICATION》 * |
范道全: "无人机低空遥感技术在大田作物监测与产量预测中的应用", 《新疆农机化》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114128552A (zh) * | 2021-10-29 | 2022-03-04 | 广西中以水肥一体生物科技有限公司 | 一种火龙果生长性状及产量的调查方法 |
CN114128552B (zh) * | 2021-10-29 | 2023-04-28 | 广西中以水肥一体生物科技有限公司 | 一种火龙果生长性状及产量的调查方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104858B (zh) | 一种基于形态模型法的大范围作物物候提取方法 | |
CN106372592B (zh) | 一种基于冬小麦面积指数的冬小麦种植面积计算方法 | |
CN109284771B (zh) | 一种番茄生长模型判定方法及装置 | |
CN110222903B (zh) | 一种基于无人机遥感的水稻产量预测方法及系统 | |
CN108710766B (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
CN108872964B (zh) | 基于无人机LiDAR数据的银杏人工林郁闭度提取方法 | |
CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
CN115376016A (zh) | 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 | |
CN116108318B (zh) | 基于无人机多光谱影像的油菜氮肥推荐追施量计算的方法 | |
CN110969654A (zh) | 基于收割机的玉米高通量表型测量的方法及装置、收割机 | |
CN112836575A (zh) | 一种基于作物物候期的多时序影像水稻估产方法 | |
CN109325433A (zh) | 引入地形因子的黑土区大豆生物量多时相遥感反演方法 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
CN113223040A (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
CN113283346A (zh) | 一种基于机器学习的火龙果产量预测方法 | |
CN113269716A (zh) | 一种基于多源遥感数据的香梨成熟期遥感预测方法 | |
CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
CN117292267B (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及系统 | |
CN114140695A (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 | |
CN117011694A (zh) | 一种基于级联循环网络的林木生长参数预测方法 | |
CN110352832A (zh) | 基于Spark的MLR模型红富士苹果树精准灌溉方法 | |
CN115797764A (zh) | 一种应用于耕地非农化监测的遥感大数据解译方法及系统 | |
CN113487636A (zh) | 基于激光雷达的宽垄作物株高及行间距自动提取方法 | |
Mohimont et al. | Ai-driven yield estimation using an autonomous robot for data acquisition |
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: 20210820 |
|
RJ01 | Rejection of invention patent application after publication |