CN113284098A - 作物氮含量缺乏分级判别的方法、装置及电子设备 - Google Patents
作物氮含量缺乏分级判别的方法、装置及电子设备 Download PDFInfo
- Publication number
- CN113284098A CN113284098A CN202110513293.3A CN202110513293A CN113284098A CN 113284098 A CN113284098 A CN 113284098A CN 202110513293 A CN202110513293 A CN 202110513293A CN 113284098 A CN113284098 A CN 113284098A
- Authority
- CN
- China
- Prior art keywords
- random forest
- forest model
- crop
- color image
- color
- 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.)
- Granted
Links
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 title claims abstract description 170
- 229910052757 nitrogen Inorganic materials 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000007812 deficiency Effects 0.000 title claims abstract description 47
- 238000007637 random forest analysis Methods 0.000 claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 51
- 238000012795 verification Methods 0.000 claims description 53
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 238000000870 ultraviolet spectroscopy Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 7
- 230000008859 change Effects 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000000605 extraction Methods 0.000 abstract description 3
- 239000000618 nitrogen fertilizer Substances 0.000 abstract description 3
- 230000001932 seasonal effect Effects 0.000 abstract description 3
- 230000000875 corresponding effect Effects 0.000 description 24
- 235000011034 Rubus glaucus Nutrition 0.000 description 9
- 244000235659 Rubus idaeus Species 0.000 description 9
- 235000009122 Rubus idaeus Nutrition 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004611 spectroscopical analysis Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 241000227653 Lycopersicon Species 0.000 description 3
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 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 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 2
- 240000009088 Fragaria x ananassa Species 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- XEMZLVDIUVCKGL-UHFFFAOYSA-N hydrogen peroxide;sulfuric acid Chemical compound OO.OS(O)(=O)=O XEMZLVDIUVCKGL-UHFFFAOYSA-N 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000002366 mineral element Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000243 photosynthetic effect Effects 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 235000021012 strawberries Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06T2207/10024—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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了作物氮含量缺乏分级判别的方法、装置及电子设备，方法包括：获取待测作物的彩色图像；其中，彩色图像包括颜色参数以及形状参数；将待测作物的彩色图像输入至训练好的随机森林模型，得到待测作物的氮含量缺乏分级判别结果；训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到。此外，本发明采用随机森林模型对待测作物氮含量缺乏进行分级判别，通过矩形区域内图像计算叶面积和叶片周长形状参数。该特征向量提取方法融合深度学习分级准确率高和机器学习对数据量要求少的优点，减少因季节温度变化对分级判别模型带来的影响，从而对氮肥缺乏程度的判别更加高效准确。
Description
技术领域
本发明涉及计算机技术领域，具体涉及作物氮含量缺乏分级判别的方法、装置及电子设备。
背景技术
氮元素是作物需求量最大的矿质元素，也被称为“生命元素”。当氮素充足时，作物可合成较多的蛋白质，促进细胞的分裂和增大，植物叶面积增长较快，光合作用较强。严重缺氮时，有机物合成受阻，植株矮小，叶片发黄，老叶更黄，因此如何进行作物氮含量的缺乏分级判别是当下亟待解决的问题。
目前，有直接和间接的方法来进行作物氮含量的缺乏分级判别。其中，直接的方法具体可以通过采摘植物叶片并在实验室中对其进行分析，例如硫酸-过氧化氢消煮法。这种方法需要在野外进行破坏性采集，实验室分析耗时且有一定危险性，并且不适用于大量样品的测定分析。间接方法具备简单、快速、无损的优点。一些设备基于叶片或作物入射光的光谱反射率或透射率被开发出来，这些设备的检测原理依赖于叶绿素浓度与作物组织氮含量之间的关系。这些设备包括叶绿素仪、手持式作物传感器以及野外光谱辐射仪。但是这些基于光谱学手段开发的设备价格昂贵，使用者需要具备相关光谱学专业知识才能熟练使用设备，并且结果容易受到环境因素干扰。由于这些原因使得大田或温室中使用基于光谱学手段研发设备监测作物氮含量缺乏程度存在一定困难。
综上，作物氮含量的缺乏分级判别受制于现有的技术发展，一方面，基于光谱学手段开发的设备价格昂贵，使用者需要具备相关光谱学专业知识才能熟练使用设备。另一方面，作物氮含量的缺乏分级判别结果容易受到环境因素干扰。因此，目前亟需一种作物氮含量缺乏分级判别的技术，用于解决上述现有技术存在的问题。
发明内容
由于现有方法存在上述问题，本发明实施例提出作物氮含量缺乏分级判别的方法、装置及电子设备。
第一方面，本发明实施例提供了一种作物氮含量缺乏分级判别的方法，包括：
获取待测作物的彩色图像；其中，所述彩色图像包括颜色参数以及形状参数；
将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果；
其中，所述训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到；其中，所述随机森林模型为根据所述颜色参数以及所述形状参数生成训练集以及验证集，并根据所述训练集确定所述随机森林模型的结构以及根据所述验证集进行优化后得到的模型。
进一步地，在所述将所述待测作物的彩色图像输入至训练好的随机森林模型之前，还包括：
根据所述颜色参数以及所述形状参数生成训练集以及验证集；
将所述训练集输入随机森林模型进行参数寻优并确定所述随机森林模型的参数；其中，所述参数用以确定所述随机森林模型的结构；
根据所述验证集对所述随机森林模型进行优化得到优化后的随机森林模型；
根据所述优化后的随机森林模型确定最终的随机森林模型并将所述最终的随机森林模型作为作物氮含量缺乏分级判别模型；
进一步地，所述彩色图像为RGB图像，所述获取待测作物的彩色图像，包括：
将所述彩色图像进行图像均衡化以及滤波；
在预设区域内计算所述彩色图像水平方向以及垂直方向的梯度值，并依据所述梯度值确定所述彩色图像的清晰范围；
将所述彩色图像进行图像灰度化以及图像二值化以确定所述作物的二值化图像；
将所述RGB图像的RGB三通道分离，分别与所述二值化图像做‘与’运算；
将所述RGB图像的RGB三通道合并去除图像背景，并生成第一彩色图像；
获取所述第一彩色图像的RGB三通道各自的最大值、均值以及标准差；
截取所述第一彩色图像生成第二彩色图像；其中，所述第一彩色图像包括完整的所述作物，所述第二彩色图像包括部分的所述作物；
分别计算所述第二彩色图像对应的所述作物的面积以及所述作物的周长。
进一步地，所述根据所述颜色参数以及所述形状参数生成训练集以及验证集，包括：
将所述颜色参数以及所述形状参数进行归一化操作；
将归一化后的所述颜色参数以及所述形状参数按比例切分，得到所述训练集以及所述验证集。
进一步地，所述归一化后的所述颜色参数以及所述形状参数按3：1的比例切分为所述训练集以及所述验证集。
进一步地，所述根据所述验证集对所述随机森林模型进行优化得到优化后的随机森林模型，包括：
将所述验证集输入被所述训练集训练后的随机森林模型，计算验证集对应的AUC值；其中，所述AUC值与所述随机森林模型的预测准确性正相关；
比较多个验证集分别对应的AUC值；将AUC值为最大值的验证机对应的随机森林模型作为最优随机森林模型；
依据读取的最优随机森林模型各参数确定所述优化后的随机森林模型。
进一步地，在所述将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果之后，还包括：
将所述待测作物的氮含量缺乏分级判别结果与紫外可见分光光度计人工测定数据结果进行比较，评价测试准确率。
第二方面，本发明实施例提供了一种作物氮含量缺乏分级判别的装置，包括：
获取模块，用于获取待测作物的彩色图像；其中，所述彩色图像包括颜色参数以及形状参数；
处理模块，用于将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果；
其中，所述训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到；其中，所述随机森林模型为根据所述颜色参数以及所述形状参数生成训练集以及验证集，并根据所述训练集确定所述随机森林模型的结构以及根据所述验证集进行优化后得到的模型。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面所述的作物氮含量缺乏分级判别方法。
第四方面，本发明实施例还提供了一种非暂态计算机可读存储介质，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第一方面所述的作物氮含量缺乏分级判别方法。
由上述技术方案可知，本发明实施例提供的作物氮含量缺乏分级判别的方法、装置及电子设备，采用随机森林模型对待测作物氮含量缺乏进行分级判别，借鉴深度学习图像增强Cutout、CutMix方法截取特定大小矩形区域图像，通过矩形区域内图像计算叶面积和叶片周长形状参数。该特征向量提取方法融合深度学习分级准确率高和机器学习对数据量要求少的优点，同时减少因季节温度变化对分级判别模型带来的影响，从而对氮肥缺乏程度的判别更加科学有效，通用性强，易于操作，更加高效准确。
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，还可以根据这些图获得其他的附图。
图1为本发明一实施例提供的作物氮含量缺乏分级判别的系统框架；
图2为本发明一实施例提供的作物氮含量缺乏分级判别的方法的流程示意图；
图3为本发明一实施例提供的作物氮含量缺乏分级判别的方法的流程示意图；
图4为本发明一实施例提供的作物氮含量缺乏分级判别的方法的流程示意图；
图5为本发明一实施例提供的作物氮含量缺乏分级判别的方法的流程示意图；
图6为本发明一实施例提供的作物氮含量缺乏分级判别的方法的流程示意图；
图7为本发明一实施例提供的作物氮含量缺乏分级判别装置的结构示意图；
图8为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图，对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
首先，对本发明中的部分用语进行解释说明，以便使本领域技术人员理解。
ROI区域：感兴趣区域。机器视觉、图像处理中，从被处理的图像以方框、圆、椭圆、不规则多边形等方式勾勒出需要处理的区域，称为感兴趣区域。
ROC曲线：接受者操作特性曲线是指在特定刺激条件下，以被试在不同判断标准下所得的虚报概率P(y/N)为横坐标，以击中概率P(y/SN)为纵坐标，画得的各点的连线。
AUC面积：AUC被定义为ROC曲线下与坐标轴围成的面积，显然这个面积的数值不会大于1。又由于ROC曲线一般都处于y＝x这条直线的上方，所以AUC的取值范围在0.5和1之间。AUC越接近1.0，检测方法真实性越高，等于0.5时，则真实性最低，无应用价值。
根据现有研究统计，氮元素缺乏是影响果实品质和产量的主要因素，它直接影响作物生长发育，作物不同时期对氮含量需求不同，原因是空气温度、空气相对湿度、光合有效辐射等环境条件不同。气温高、日照时数多、空气干燥、风速大，作物蒸腾速率快造成一部分氮营养随营养液快速蒸发，这一阶段氮含量需求就大。
基于此，本发明实施例提供一种作物氮含量缺乏分级判别的方法，本发明实施例提供的作物氮含量缺乏分级判别的方法，可以适用于如图1所示的系统架构中，该系统架构包括图像采集模块100，云平台200，本地服务器300。
其中，图像采集模块100获取待测作物的彩色图像，通过WiFi或4G网络将采集到的彩色图像上传至云平台200存储。
需要说明的是，彩色图像包括颜色参数以及形状参数。本发明实施例中，图像采集模块可以使用树莓派(Raspberry Pi 4b)，该单片机能够采集图像数据，无线传输方便。也可以使用其它单片机等采集装置，本发明对此不做具体限定。
具体的，彩色图像通过树莓派摄像头模块获取，树莓派摄像头模块与树莓派之间通过CSI相机串行接口连接，树莓派通过WiFi或4G网络同云平台200连接。
本地服务器300从云平台200上下载数据集后预处理获得参数数据。
需要说明的是，图1仅是本发明实施例系统架构的一种示例，本发明对此不做具体限定。
在一种可能的实施方式中，待测作物为番茄，为了方便模型建立，采用盆栽方式，当然也可以使用草莓等其它温室作物，本发明对此不做具体限定。
进一步的，考虑番茄本身的需氮规律，本发明实施例主要针对番茄的花期进行试验，并根据温室的环境光线，每天固定上午11点开始采集图像数据(连续采集整个花期30天数据)。
基于上述所示意的系统架构，图2为本发明实施例提供的一种作物氮含量缺乏分级判别的方法所对应的流程示意图，如图2所示，该方法包括：
步骤201，获取待测作物的彩色图像。
需要说明的是，其中，彩色图像包括颜色参数以及形状参数。
在一种可能的实施方式中，彩色图像为RGB图像，本发明实施例中，可以使用树莓派搭载官方摄像头获取待测作物的RGB图像。
具体的，将摄像头置于待测作物的目标叶片侧上方30-40cm位置，从而能够清晰获取待测作物的原始图像。
进一步的，根据待测作物的长势，摄像头拍摄高度可以调节，但是需要拍摄放大倍数保持一致。另外，拍摄背景需要保证无其它非必要因素干扰，例如杂草等。
步骤202，将待测作物的彩色图像输入至训练好的随机森林模型，得到待测作物的氮含量缺乏分级判别结果。
需要说明的是，训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到；其中，随机森林模型为根据颜色参数以及形状参数生成训练集以及验证集，并根据训练集确定随机森林模型的结构以及根据验证集进行优化后得到的模型。
上述方案，由于作物氮含量缺乏程度会直接反映在叶片表面上，其颜色特征会随着氮含量增减产生由深绿到浅黄的变化，其形状特征可以消除温度对作物氮含量缺乏判别的影响。因此可以使用彩色图像区分作物氮含量缺乏程度。这种方法具有廉价易学，受环境因素影响较小的优点。
本发明实施例在步骤201中，在一种可能的实施方式中，彩色图像通过树莓派摄像头模块获取，树莓派摄像头模块与树莓派之间通过CSI相机串行接口连接，树莓派通过WiFi或4G网络同云平台连接。
具体的，本发明实施例在步骤201中，在一种可能的实施方式中，彩色图像为RGB图像，步骤流程如图3所示，如下：
步骤301，将彩色图像进行图像均衡化以及滤波。
具体的，可以对彩色图像进行直方图均衡化以及中值滤波。
本发明实施例中，直方图均衡化可以提高原始RGB图像的对比度，使得图像更加清晰。中值滤波能够去除背景中不必要的干扰像素点，同样可以达到使图像清晰的效果。
进一步的，本发明实施例中，进行直方图均衡化和中值滤波的工具有很多，例如Matlab工具，或OpenCv图像库等，本发明对此不做具体限定。
步骤302，在预设区域内计算彩色图像水平方向以及垂直方向的梯度值，并依据梯度值确定彩色图像的清晰范围。
具体的，使用TenenGrad函数在ROI区域内计算水平和垂直图像梯度值，并依据图像梯度值确定图像最清晰范围。
需要说明的是，原始RGB图像采集时仅待测作物的目标枝条叶片最清晰最高，为了获取这部分最清晰范围图像使用TenenGrad函数在ROI区域内分别在水平和垂直两个方向计算图像梯度值，再根据上述两个方向图像梯度值最大区域确定所需最清晰范围。
步骤303，将彩色图像进行图像灰度化以及图像二值化以确定作物的二值化图像。
需要说明的是，本发明实施例中，对于最清晰范围图像，为了去除背景中杂物干扰生产仅含叶片图像，需要将图像进行灰度化和二值化操作，从而得到的二值化图像中仅有黑、白两种颜色，不存在干扰，方便计算。
步骤304，将RGB图像的RGB三通道分离，分别与二值化图像做与运算。
具体的，对于最清晰范围图像使用split函数将RGB三通道分离，分别将其与之前生成二值化图像做‘与’运算，生成各自通道仅含目标枝条叶片图像。
步骤305，将RGB图像的RGB三通道合并去除图像背景，并生成第一彩色图像。
具体的，使用merge函数将RGB三通道仅含目标枝条叶片图像合并在一起，形成仅含目标枝条叶片去除背景干扰的RGB图像。
步骤306，获取第一彩色图像的RGB三通道各自的最大值、均值以及标准差。
步骤307，截取第一彩色图像生成第二彩色图像。
需要说明的是，其中，第一彩色图像包括完整的作物，第二彩色图像包括部分的作物。
具体的，截取去除背景彩色图像的尖端叶片，并生成尖端叶片的彩色图像。
步骤308，分别计算第二彩色图像对应的作物的面积以及作物的周长。
需要说明的是，本发明实施例中，基于深度学习图像增强Cutout、CutMix方法，并考虑获取全部叶片总叶面积和总叶片周长特征参数的难易程度，因此选取尖端叶片作为替代，使叶片面积和叶片周长的获取更加简易。
上述方案，由于待测作物一般为多叶植物，获取作物单个枝条上全部叶片总的形状参数有一定困难，因此本发明实施例借鉴深度学习图像增强Cutout、CutMix方法截取特定大小矩形区域图像，使用单个枝条上尖端单个叶片获取叶片形状参数，作为判断氮含量缺乏程度模型输入参数。形状参数和单个作物枝条上全部叶片的颜色参数结合在一起，能够客观反映作物的氮含量缺乏程度，并且融合深度学习分级准确率高和机器学习对数据量要求少的优点。在分级判别和实际应用中，具有同一性，差异性较小。
本发明实施例中，在上述得到颜色参数和形状参数之后，则可以对所获取的参数数据提取出来，按比例获得训练集以及验证集。本发明实施例中在步骤202之前，步骤流程如图4所示，具体如下：
步骤401，根据颜色参数以及形状参数生成训练集以及验证集。
具体的，本发明实施例在步骤401中，步骤流程如图5所示，具体如下：
步骤501，将颜色参数以及形状参数进行归一化操作。
具体的，在步骤501之前将颜色参数以及形状参数进行转换处理，得到转换处理后的颜色参数以及形状参数。
进一步的，对转换处理的颜色参数以及形状参数进行归一化操作，得到归一化后的颜色参数以及形状参数。
本发明实施例中，对筛选后的颜色参数以及形状参数进行线性变换，把所述筛选后的颜色参数以及形状参数映射到[0,1]区间，转换函数如下：
x^＝(x-Xmin)/(Xmax-Xmin)
需要说明的是，其中，Xmax表示样本数据的最大值，Xmin表示样本数据的最小值，x表示被归一化的值，x^表示归一化后的值。
步骤502，将归一化后的颜色参数以及形状参数按比例切分，得到训练集以及验证集。
需要说明的是，在一种可能的实施方式中，归一化后的颜色参数以及形状参数按3：1的比例切分为训练集以及验证集，也可以按其他比例进行切分比如4：1，本发明对此不做具体限定。
步骤402，将训练集输入随机森林模型进行参数寻优并确定随机森林模型的参数。
需要说明的是，其中，参数用以确定随机森林模型的结构。
具体的，在本发明实施例中，对随机森林模型各参数进行贝叶斯寻优，各参数包括森林中树木数量n_estimators，树的最大深度max_depth，限制分枝时考虑的特征个数max_features，单节点分枝后每个节点需包含的最少训练样本数量min_samples_leaf等，本发明对此不做具体限定。
步骤403，根据验证集对随机森林模型进行优化得到优化后的随机森林模型。
步骤404，根据优化后的随机森林模型确定最终的随机森林模型并将最终的随机森林模型作为作物氮含量缺乏分级判别模型。
具体的，本发明实施例在步骤403中，步骤流程如图6所示，如下：
步骤601，将验证集输入被训练集训练后的随机森林模型，计算验证集对应的AUC值。
需要说明的是，其中，AUC值与随机森林模型的预测准确性正相关。
本发明实施例中，在步骤601之前，首先进行各参数贝叶斯寻优循环初始化，设定迭代次数I＝1，最大迭代次数设置为Imax。
进一步的，利用训练集进行随机森林模型的训练，将验证集输入训练好的加权随机森林模型，计算验证集ROC曲线的AUC面积。
步骤602，比较多个验证集分别对应的AUC值，将AUC值为最大值的验证机对应的随机森林模型作为最优随机森林模型。
本发明实施例中，比较不同迭代次数对应参数设置下验证集AUC面积大小。
进一步的，若验证集AUC面积大于之前所有结果，则将当前随机森林模型作为当前最优模型，更新并且存储最优的模型分级判别结果，读取所对应的随机森林模型的各参数。若验证集AUC面积小于或等于之前结果，则迭代次数I^＝I+1。比较迭代次数I^与最大迭代次数Imax的大小，若I^小于或者等于Imax，则再次将验证集输入训练好的随机森林模型，计算验证集ROC曲线的AUC面积。
进一步的，若I^大于Imax，比较不同迭代次数I对应的验证集AUC面积大小，选取最接近1的验证集AUC面积，并读取所对应的随机森林模型的各参数。
步骤603，依据读取的最优随机森林模型各参数确定优化后的随机森林模型。
上述方案，采用随机森林模型对待测作物氮含量缺乏进行分级判别，借鉴深度学习图像增强Cutout、CutMix方法截取特定大小矩形区域图像，通过矩形区域内图像计算叶面积和叶片周长形状参数。该特征向量提取方法融合深度学习分级准确率高和机器学习对数据量要求少的优点，同时减少因季节温度变化对分级判别模型带来的影响，从而对氮肥缺乏程度的判别更加科学有效，通用性强，易于操作，更加高效准确。
基于同一发明构思，图7示例性的示出了本发明实施例提供的一种作物氮含量缺乏分级判别的装置，该装置可以为一种作物氮含量缺乏分级判别的方法的流程。
所述装置，包括：
获取模块701，用于获取待测作物的彩色图像；其中，所述彩色图像包括颜色参数以及形状参数；
处理模块702，用于将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果；
其中，所述训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到；其中，所述随机森林模型为根据所述颜色参数以及所述形状参数生成训练集以及验证集，并根据所述训练集确定所述随机森林模型的结构以及根据所述验证集进行优化后得到的模型。
进一步地，在所述将所述待测作物的彩色图像输入至训练好的随机森林模型之前，所述处理模块702还用于：
根据所述颜色参数以及所述形状参数生成训练集以及验证集；
将所述训练集输入随机森林模型进行参数寻优并确定所述随机森林模型的参数；其中，所述参数用以确定所述随机森林模型的结构；
根据所述验证集对所述随机森林模型进行优化得到优化后的随机森林模型；
根据所述优化后的随机森林模型确定最终的随机森林模型并将所述最终的随机森林模型作为作物氮含量缺乏分级判别模型；
进一步地，所述彩色图像为RGB图像，所述处理模块702具体用于：
将所述彩色图像进行图像均衡化以及滤波；
在预设区域内计算所述彩色图像水平方向以及垂直方向的梯度值，并依据所述梯度值确定所述彩色图像的清晰范围；
将所述彩色图像进行图像灰度化以及图像二值化以确定所述作物的二值化图像；
将所述RGB图像的RGB三通道分离，分别与所述二值化图像做与运算；
将所述RGB图像的RGB三通道合并去除图像背景，并生成第一彩色图像；
获取所述第一彩色图像的RGB三通道各自的最大值、均值以及标准差；
截取所述第一彩色图像生成第二彩色图像；其中，所述第一彩色图像包括完整的所述作物，所述第二彩色图像包括部分的所述作物；
分别计算所述第二彩色图像对应的所述作物的面积以及所述作物的周长。
进一步地，所述处理模块702具体用于：
将所述颜色参数以及所述形状参数进行归一化操作；
将归一化后的所述颜色参数以及所述形状参数按比例切分，得到所述训练集以及所述验证集。
进一步地，所述归一化后的所述颜色参数以及所述形状参数按3：1的比例切分为所述训练集以及所述验证集。
进一步地，所述处理模块702具体用于：
将所述验证集输入被所述训练集训练后的随机森林模型，计算验证集对应的AUC值；其中，所述AUC值与所述随机森林模型的预测准确性正相关；
比较多个验证集分别对应的AUC值；将AUC值为最大值的验证机对应的随机森林模型作为最优随机森林模型；
依据读取的最优随机森林模型各参数确定所述优化后的随机森林模型。
进一步地，在所述将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果之后，所述处理模块702还用于：
将所述待测作物的氮含量缺乏分级判别结果与紫外可见分光光度计人工测定数据结果进行比较，评价测试准确率。
由于本实施例提供的作物氮含量缺乏分级判别的装置可以用于执行上述实施例提供的作物氮含量缺乏分级判别的方法，其工作原理和有益效果类似，此处不再详述。
基于相同的发明构思，本发明又一实施例提供了一种电子设备，参见图8，所述电子设备具体包括如下内容：处理器801、存储器802、通信接口803和通信总线804；
其中，所述处理器801、存储器802、通信接口803通过所述通信总线804完成相互间的通信；所述通信接口803用于实现各设备之间的信息传输；
所述处理器801用于调用所述存储器802中的计算机程序，所述处理器执行所述计算机程序时实现上述作物氮含量缺乏分级判别的方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取待测作物的彩色图像；其中，所述彩色图像包括颜色参数以及形状参数；将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果；其中，所述训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到；其中，所述随机森林模型为根据所述颜色参数以及所述形状参数生成训练集以及验证集，并根据所述训练集确定所述随机森林模型的结构以及根据所述验证集进行优化后得到的模型。
基于相同的发明构思，本发明又一实施例提供了一种非暂态计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述作物氮含量缺乏分级判别方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：获取待测作物的彩色图像；其中，所述彩色图像包括颜色参数以及形状参数；将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果；其中，所述训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到；其中，所述随机森林模型为根据所述颜色参数以及所述形状参数生成训练集以及验证集，并根据所述训练集确定所述随机森林模型的结构以及根据所述验证集进行优化后得到的模型。
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，用户生活模式预测装置，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，用户生活模式预测装置，或者网络设备等)执行各个实施例或者实施例的某些部分所述的用户生活模式预测方法。
此外，在本发明中，诸如“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种作物氮含量缺乏分级判别的方法，其特征在于，包括：
获取待测作物的彩色图像；其中，所述彩色图像包括颜色参数以及形状参数；
将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果；
其中，所述训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到；其中，所述随机森林模型为根据所述颜色参数以及所述形状参数生成训练集以及验证集，并根据所述训练集确定所述随机森林模型的结构以及根据所述验证集进行优化后得到的模型。
2.根据权利要求1所述的作物氮含量缺乏分级判别方法，其特征在于，在所述将所述待测作物的彩色图像输入至训练好的随机森林模型之前，还包括：
根据所述颜色参数以及所述形状参数生成训练集以及验证集；
将所述训练集输入随机森林模型进行参数寻优并确定所述随机森林模型的参数；其中，所述参数用以确定所述随机森林模型的结构；
根据所述验证集对所述随机森林模型进行优化得到优化后的随机森林模型；
根据所述优化后的随机森林模型确定最终的随机森林模型并将所述最终的随机森林模型作为作物氮含量缺乏分级判别模型。
3.根据权利要求1所述的作物氮含量缺乏分级判别方法，其特征在于，所述彩色图像为RGB图像，所述获取待测作物的彩色图像，包括：
将所述彩色图像进行图像均衡化以及滤波；
在预设区域内计算所述彩色图像水平方向以及垂直方向的梯度值，并依据所述梯度值确定所述彩色图像的清晰范围；
将所述彩色图像进行图像灰度化以及图像二值化以确定所述作物的二值化图像；
将所述RGB图像的RGB三通道分离，分别与所述二值化图像做与运算；
将所述RGB图像的RGB三通道合并去除图像背景，并生成第一彩色图像；
获取所述第一彩色图像的RGB三通道各自的最大值、均值以及标准差；
截取所述第一彩色图像生成第二彩色图像；其中，所述第一彩色图像包括完整的所述作物，所述第二彩色图像包括部分的所述作物；
分别计算所述第二彩色图像对应的所述作物的面积以及所述作物的周长。
4.根据权利要求2所述的作物氮含量缺乏分级判别方法，其特征在于，所述根据所述颜色参数以及所述形状参数生成训练集以及验证集，包括：
将所述颜色参数以及所述形状参数进行归一化操作；
将归一化后的所述颜色参数以及所述形状参数按比例切分，得到所述训练集以及所述验证集。
5.根据权利要求4所述的作物氮含量缺乏分级判别方法，其特征在于，所述归一化后的所述颜色参数以及所述形状参数按3：1的比例切分为所述训练集以及所述验证集。
6.根据权利要求2所述的作物氮含量缺乏分级判别方法，其特征在于，所述根据所述验证集对所述随机森林模型进行优化得到优化后的随机森林模型，包括：
将所述验证集输入被所述训练集训练后的随机森林模型，计算验证集对应的AUC值；其中，所述AUC值与所述随机森林模型的预测准确性正相关；
比较多个验证集分别对应的AUC值；将AUC值为最大值的验证机对应的随机森林模型作为最优随机森林模型；
依据读取的最优随机森林模型各参数确定所述优化后的随机森林模型。
7.根据权利要求1所述的作物氮含量缺乏分级判别方法，其特征在于，在所述将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果之后，还包括：
将所述待测作物的氮含量缺乏分级判别结果与紫外可见分光光度计人工测定数据结果进行比较，评价测试准确率。
8.一种作物氮含量缺乏分级判别的装置，其特征在于，包括：
获取模块，用于获取待测作物的彩色图像；其中，所述彩色图像包括颜色参数以及形状参数；
处理模块，用于将所述待测作物的彩色图像输入至训练好的随机森林模型，得到所述待测作物的氮含量缺乏分级判别结果；
其中，所述训练好的随机森林模型为利用与不同作物的氮含量缺乏分级判别结果对应的作物的彩色图像进行训练后得到；其中，所述随机森林模型为根据所述颜色参数以及所述形状参数生成训练集以及验证集，并根据所述训练集确定所述随机森林模型的结构以及根据所述验证集进行优化后得到的模型。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，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至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110513293.3A CN113284098B (zh) | 2021-05-11 | 2021-05-11 | 作物氮含量缺乏分级判别的方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110513293.3A CN113284098B (zh) | 2021-05-11 | 2021-05-11 | 作物氮含量缺乏分级判别的方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113284098A true CN113284098A (zh) | 2021-08-20 |
| CN113284098B CN113284098B (zh) | 2024-01-19 |
Family
ID=77278591
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110513293.3A Active CN113284098B (zh) | 2021-05-11 | 2021-05-11 | 作物氮含量缺乏分级判别的方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113284098B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104132897A (zh) * | 2014-08-16 | 2014-11-05 | 西北农林科技大学 | 一种基于手持设备的植物叶片含氮量测量方法和装置 |
| CN107330892A (zh) * | 2017-07-24 | 2017-11-07 | 内蒙古工业大学 | 一种基于随机森林法的向日葵病害识别方法 |
| CN109657730A (zh) * | 2018-12-27 | 2019-04-19 | 中国农业大学 | 预测温室作物蒸腾量的方法及系统 |
| CN110874617A (zh) * | 2019-11-26 | 2020-03-10 | 南京农业大学 | 一种冬小麦叶片氮含量估算模型的建立方法 |
| CN112287886A (zh) * | 2020-11-19 | 2021-01-29 | 安徽农业大学 | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 |
-
2021
- 2021-05-11 CN CN202110513293.3A patent/CN113284098B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104132897A (zh) * | 2014-08-16 | 2014-11-05 | 西北农林科技大学 | 一种基于手持设备的植物叶片含氮量测量方法和装置 |
| CN107330892A (zh) * | 2017-07-24 | 2017-11-07 | 内蒙古工业大学 | 一种基于随机森林法的向日葵病害识别方法 |
| CN109657730A (zh) * | 2018-12-27 | 2019-04-19 | 中国农业大学 | 预测温室作物蒸腾量的方法及系统 |
| CN110874617A (zh) * | 2019-11-26 | 2020-03-10 | 南京农业大学 | 一种冬小麦叶片氮含量估算模型的建立方法 |
| CN112287886A (zh) * | 2020-11-19 | 2021-01-29 | 安徽农业大学 | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张磊: "基于数字图像处理技术的苹果树叶片氮含量检测", 《中国优秀硕士学位论文全文数据库 农业科技辑》, pages 46 - 59 * |
| 杨红云 等: "基于图像特征的水稻叶片全氮含量估测模型研究", 《浙江农业学报》, pages 2232 - 2243 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113284098B (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mahlein et al. | Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases | |
| CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
| CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
| CN105067532A (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| Cheshkova | A review of hyperspectral image analysis techniques for plant disease detection and identif ication | |
| CN108764284B (zh) | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 | |
| Žibrat et al. | Pipeline for imaging, extraction, pre-processing, and processing of time-series hyperspectral data for discriminating drought stress origin in tomatoes | |
| Yang et al. | Cotton hail disaster classification based on drone multispectral images at the flowering and boll stage | |
| CN114359539B (zh) | 一种生鱼片中寄生虫高光谱图像智能识别方法 | |
| Masemola et al. | Assessing the effect of seasonality on leaf and canopy spectra for the discrimination of an alien tree species, Acacia Mearnsii, from co-occurring native species using parametric and nonparametric classifiers | |
| Liu et al. | Automated classification of stems and leaves of potted plants based on point cloud data | |
| Ban et al. | Estimating the severity of apple mosaic disease with hyperspectral images | |
| CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
| CN115424006A (zh) | 应用于作物表型参数反演的多源多层次数据融合方法 | |
| CN105300895A (zh) | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 | |
| CN114136920A (zh) | 一种基于高光谱的单粒杂交水稻种子种类鉴定方法 | |
| Veramendi et al. | Method for maize plants counting and crop evaluation based on multispectral images analysis | |
| Beguet et al. | Retrieving forest structure variables from very high resolution satellite images using an automatic method | |
| CN113284098B (zh) | 作物氮含量缺乏分级判别的方法、装置及电子设备 | |
| CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
| CN105424622A (zh) | 一种利用特征三角形面积预警马铃薯发芽的方法 | |
| Yang et al. | Feature extraction of cotton plant height based on DSM difference method | |
| Hashim et al. | Analysis of Oil Palm Tree Recognition using Drone-Based Remote Sensing Images | |
| CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
| CN112179853A (zh) | 基于影像阴影去除的果树冠层氮素含量遥感反演方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |