CN113310514A - 一种农作物生长状况检测方法、系统、装置及存储介质 - Google Patents
一种农作物生长状况检测方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113310514A CN113310514A CN202110562202.5A CN202110562202A CN113310514A CN 113310514 A CN113310514 A CN 113310514A CN 202110562202 A CN202110562202 A CN 202110562202A CN 113310514 A CN113310514 A CN 113310514A
- Authority
- CN
- China
- Prior art keywords
- crop
- growth
- detected
- determining
- thermal imaging
- 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
- 230000012010 growth Effects 0.000 title claims abstract description 156
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000001931 thermography Methods 0.000 claims abstract description 64
- 208000005156 Dehydration Diseases 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 27
- 230000005068 transpiration Effects 0.000 claims description 10
- 241000607479 Yersinia pestis Species 0.000 claims description 4
- 241000238631 Hexapoda Species 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 28
- 241000196324 Embryophyta Species 0.000 description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 12
- 229930002875 chlorophyll Natural products 0.000 description 8
- 235000019804 chlorophyll Nutrition 0.000 description 8
- 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 8
- 230000005855 radiation Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 6
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008635 plant growth Effects 0.000 description 3
- 230000001863 plant nutrition Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 208000035473 Communicable disease Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 210000000473 mesophyll cell Anatomy 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 230000004060 metabolic process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005074 turgor pressure Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Operations Research (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农作物生长状况检测方法、系统、装置及存储介质，方法包括：获取待测农作物的第一热成像图片和生长环境数据；根据第一热成像图片确定待测农作物的生长阶段信息和第一叶表面温度；根据第一叶表面温度和生长环境数据确定待测农作物的第一水分胁迫指数，进而根据生长阶段信息和第一水分胁迫指数确定待测农作物的生长状况。本发明无需采集农作物样本，也无需接触农作物叶片等部位，可通过红外热成像技术和传感器技术快速获取相关数据，提高了农作物生长状况检测的效率；通过确定农作物的水分胁迫指数来检测其生长状况，避免了受环境及拍摄条件的影响，提高了农作物生长状况检测的准确度。本发明可广泛应用于农情监测技术领域。
Description
技术领域
本发明涉及农情监测技术领域，尤其是一种农作物生长状况检测方法、系统、装置及存储介质。
背景技术
目前，对农作物生长状况的检测装置有传统的植物生长信息检测仪、叶绿素仪和植物营养测定仪。其中，植物生长信息检测仪需要从植株上提取样本，用药剂和仪器进行化学分析，得出植株的氮素、磷素、钾素等含量，从而判断植物生长状况，操作十分复杂；叶绿素仪虽然能够精确地测定农作物的叶绿素含量，但在使用时需要用仪器夹住植物叶片，不利于自动测定，并且不能进行实时检测；植物营养测定仪和叶绿素仪类似，其能同时测定植物叶绿素含量、氮素含量和水分含量等，但使用时同样需要用仪器夹住农作物叶片进行测定。
由上可知，传统的植物生长信息检测仪检测过程复杂，而叶绿素仪和植物营养测定仪都需要人工手持式操作，需要用仪器夹住叶片进行测定，不能进行自动检测，效率低下。因此传统的农作物生长状况检测方法一般在科研中使用，难以推广在农业生产中。
相关技术中公开了一种农作物生长状况检测方法，其通过识别农作物图像的RGB值和纹理特征对农作物的生长状况进行判断，这种方法不仅受限于农作物图像的分辨率影响，而且受天气、光照强度等条件影响较大，检测结果并不准确。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此，本发明实施例的一个目的在于提供一种农作物生长状况检测方法，该方法获取待测农作物的热成像图片和生长环境数据，根据热成像图片确定待测农作物所处的生长阶段和叶表面温度，进而根据叶表面温度和生长环境数据确定待测农作物的水分胁迫指数，从而可以根据待测农作物所处的生长阶段和得到的水分胁迫指数确定待测农作物的生长状况。
本发明实施例的另一个目的在于提供一种农作物生长状况检测系统。
为了达到上述技术目的，本发明实施例所采取的技术方案包括：
第一方面，本发明实施例提供了一种农作物生长状况检测方法，包括以下步骤：
获取待测农作物的第一热成像图片和生长环境数据；
根据所述第一热成像图片确定待测农作物的生长阶段信息和第一叶表面温度；
根据所述第一叶表面温度和所述生长环境数据确定待测农作物的第一水分胁迫指数，进而根据所述生长阶段信息和所述第一水分胁迫指数确定待测农作物的生长状况。
进一步地，在本发明的一个实施例中，所述生长环境数据包括第一大气压强、第一空气温度以及第一空气湿度，所述获取待测农作物的第一热成像图片和生长环境数据这一步骤，其具体包括：
通过红外热成像仪获取待测农作物的第一热成像图片；
通过气压传感器获取待测农作物所处生长环境的第一大气压强，并通过温湿度传感器获取待测农作物所处生长环境的第一空气温度和第一空气湿度。
进一步地，在本发明的一个实施例中，所述根据所述第一热成像图片确定待测农作物的生长阶段信息和第一叶表面温度这一步骤，其具体包括：
将所述第一热成像图片输入到预先训练好的农作物识别模型，识别得到待测农作物所处的生长阶段信息，并确定待测农作物的叶表面的第一图像区域；
根据所述第一图像区域的颜色信息确定待测农作物的第一叶表面温度。
进一步地，在本发明的一个实施例中，所述农作物生长状况检测方法还包括训练农作物识别模型的步骤，其具体包括：
获取农作物热成像图片集，所述农作物热成像图片集包括待测农作物各个生长阶段信息的多个第二热成像图片；
对所述农作物热成像图片集进行去噪和抽稀处理，得到训练图片集；
将所述训练图片集输入到深度神经网络进行训练，得到训练好的农作物识别模型。
进一步地，在本发明的一个实施例中，所述根据所述第一叶表面温度和所述生长环境数据确定待测农作物的第一水分胁迫指数，进而根据所述生长阶段信息和所述第一水分胁迫指数确定待测农作物的生长状况这一步骤，其具体包括：
获取待测农作物的第一参考温度和第二参考温度，所述第一参考温度为预先测得的未发生蒸腾的叶表面温度，所述第二参考温度为预先测得的完全蒸腾下的叶表面温度；
根据所述生长环境数据对所述第一叶表面温度进行修正，得到第二叶表面温度；
根据所述第一参考温度、所述第二参考温度以及所述第二叶表面温度确定待测农作物的第一水分胁迫指数；
根据所述生长阶段信息确定对应生长阶段的水分胁迫指数阈值；
根据所述第一水分胁迫指数和所述水分胁迫指数阈值确定待测农作物的生长状况。
进一步地，在本发明的一个实施例中，所述第一水分胁迫指数根据下式确定：
CWSI＝(Tc-Tw)/(Td-Tw)
其中，CWSI表示第一水分胁迫指数，Tc表示第二表面温度，Td表示第一参考温度，Tw表示第二参考温度。
进一步地，在本发明的一个实施例中，所述农作物生长状况检测方法还包括以下步骤：
根据所述生长阶段信息获取对应生长阶段的热成像参照图片，并将所述第一热成像图片与所述热成像参照图片做对比，确定待测农作物是否发生虫害以及是否长势正常。
第二方面，本发明实施例提供了一种农作物生长状况检测系统，包括：
第一获取模块，用于获取待测农作物的第一热成像图片和生长环境数据；
生长阶段和叶表面温度确定模块，用于根据所述第一热成像图片确定待测农作物的生长阶段信息和第一叶表面温度；
生长状况确定模块，用于根据所述第一叶表面温度和所述生长环境数据确定待测农作物的第一水分胁迫指数，进而根据所述生长阶段信息和所述第一水分胁迫指数确定待测农作物的生长状况。
第三方面，本发明实施例提供了一种农作物生长状况检测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行时，使得所述至少一个处理器实现上述的一种农作物生长状况检测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行上述的一种农作物生长状况检测方法。
本发明的优点和有益效果将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到：
本发明实施例获取待测农作物的热成像图片和生长环境数据，根据热成像图片确定待测农作物所处的生长阶段和叶表面温度，进而根据叶表面温度和生长环境数据确定待测农作物的水分胁迫指数，从而可以根据待测农作物所处的生长阶段和得到的水分胁迫指数确定待测农作物的生长状况。本发明实施例通过热成像图片和生长环境数据对待测农作物的生长状况进行检测判断，一方面无需采集农作物样本，也无需接触农作物叶片等部位，可通过红外热成像技术和传感器技术快速获取相关数据，提高了农作物生长状况检测的效率，可在农业生产中推广应用，另一方面通过确定农作物的水分胁迫指数来检测其生长状况，避免了受环境及拍摄条件的影响，提高了农作物生长状况检测的准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面对本发明实施例中所需要使用的附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员来说，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种农作物生长状况检测方法的步骤流程图；
图2为本发明实施例提供的一种农作物生长状况检测系统的结构框图；
图3为本发明实施例提供的一种农作物生长状况检测装置的结构框图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，多个的含义是两个或两个以上，如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。此外，除非另有定义，本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1，本发明实施例提供了一种农作物生长状况检测方法，具体包括以下步骤：
S101、获取待测农作物的第一热成像图片和生长环境数据。
具体地，当植物遭受非侵染性病害时，膜结构遭到破坏，植物代谢紊乱，水分调节失调；当植物遭受侵染性病害时，细胞膜透性会发生变化，叶肉细胞内水分会更容易散失，从而引起控制气孔运动的保卫细胞水势变化，使得气孔发生异质性开闭。植物通过蒸腾而散失的水分中90％以上是通过气孔散失的，气孔异质性开闭会直接引起气孔导度和蒸腾强度等生理指标的变化，使得叶片表面热量损失的程度大小改变，继而造成叶表温度的异常变化。本发明实施例通过获取待测农作物的第一热成像图片，从而可以确定待测农作物的叶表面温度，进而确定待测农作物的水分胁迫指数，从而可以确定待测农作物是否遭受到病害。
可以理解是，在不同的大气压强、空气温湿度等生长环境条件下，红外热成像确定的叶表面温度并不一致，因此需要获取待测农作物的生长环境数据对确定的叶表面温度进行补偿修正，以得到准确的水分胁迫指数。
进一步作为可选的实施方式，生长环境数据包括第一大气压强、第一空气温度以及第一空气湿度，获取待测农作物的第一热成像图片和生长环境数据这一步骤S101，具体包括以下步骤：
S1011、通过红外热成像仪获取待测农作物的第一热成像图片；
S1012、通过气压传感器获取待测农作物所处生长环境的第一大气压强，并通过温湿度传感器获取待测农作物所处生长环境的第一空气温度和第一空气湿度。
具体地，红外热辐射是一种电磁波辐射现象，一切高于绝对零度(-273.15℃)的物体都会不断地向外进行红外热辐射，而这些热辐射蕴含了辐射物体本身的一些特征信息，采集这些热辐射信息，就可以获取物体的一些特征信息。红外热成像技术的基本原理就是物体对外的红外辐射经过光学系统被探测器(由红外敏感物质构成)获取，并将其转换成对应的电信号，经过系统处理，再转换成可以看见的红外热成像图片，这样就可以直观的获取有用信息。
本发明实施例通过无人机搭载红外热成像仪、气压传感器和温湿度传感器，实现对待测农作物的热成像图片以及生长环境数据的采集。
S102、根据第一热成像图片确定待测农作物的生长阶段信息和第一叶表面温度。
具体地，可预先训练好可以识别农作物各个生长阶段(如幼苗期、花序期、果期等)的识别模型，通过该识别模型对第一热成像图片进行识别，得到待测农作物所处生长阶段后，即可在第一热成像图片中确定待测农作物叶表面区域的图像，从而可以确定第一叶表面温度。步骤S102具体包括以步骤：
S1021、将第一热成像图片输入到预先训练好的农作物识别模型，识别得到待测农作物所处的生长阶段信息，并确定待测农作物的叶表面的第一图像区域；
S1022、根据第一图像区域的颜色信息确定待测农作物的第一叶表面温度。
进一步作为可选的实施方式，农作物生长状况检测方法还包括训练农作物识别模型的步骤，其具体包括：
A1、获取农作物热成像图片集，农作物热成像图片集包括待测农作物各个生长阶段信息的多个第二热成像图片；
A2、对农作物热成像图片集进行去噪和抽稀处理，得到训练图片集；
A3、将训练图片集输入到深度神经网络进行训练，得到训练好的农作物识别模型。
具体地，对于农作物识别模型来说，生长阶段识别结果的准确性可以通过损失函数(Loss Function)来衡量，损失函数是定义在单个训练数据上的，用于衡量一个训练数据的预测误差，具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时，一个训练数据集有很多训练数据，因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差，代价函数是定义在整个训练数据集上的，用于计算所有训练数据的预测误差的平均值，能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说，基于前述的代价函数，再加上衡量模型复杂度的正则项即可作为训练的目标函数，基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多，例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数，在此不再一一阐述。本发明实施例中，可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值，采用反向传播算法对模型的参数进行更新，迭代几轮即可得到训练好的农作物识别模型。具体地迭代轮数可以预先设定，或者在测试集达到精度要求时认为训练完成。本发明实施例中，可以基于深度学习网络搭建农作物识别模型。
S103、根据第一叶表面温度和生长环境数据确定待测农作物的第一水分胁迫指数，进而根据生长阶段信息和第一水分胁迫指数确定待测农作物的生长状况。
具体地，水分胁迫是指植物水分散失超过水分吸收，使植物组织含水量下降、膨压降低、代谢失调的现象。作物水分胁迫指数(CWSI)是以作物冠层温度与空气温度之差为基础而建立起来的一个综合反映作物一土壤一大气系统特征的参数，冠层与空气的温差，是作物对天气和土壤水分状况综合作用的结果，在一定净辐射条件下，作物冠层温度与空气温度之差在很大程度上决定于植被蒸散量的大小，即地表能量平衡中潜热通量的所占份额，当土壤供水充足时，植被蒸腾旺盛，大部分能量用于潜热消耗，只有小部分感热通量用于升高冠层温度，因此冠层温度较低，作物冠层与空气温度之差也较小；而当土壤含水量较低时，植被会因受到水分胁迫而关闭部分叶片气孔以减少蒸腾耗水，潜热通量消耗的减少将导致感热通量的增加，从而引起冠层温度的升高，从而与空气温度之差增大。
本发实施例中，水分胁迫指数用于衡量植物水分胁迫的程度，可通过叶表面温度数据计算获得，水分胁迫指数越大，表明农作物水分胁迫的程度越大，生长状况越差。步骤S103具体包括以下步骤：
S1031、获取待测农作物的第一参考温度和第二参考温度，第一参考温度为预先测得的未发生蒸腾的叶表面温度，第二参考温度为预先测得的完全蒸腾下的叶表面温度；
S1032、根据生长环境数据对第一叶表面温度进行修正，得到第二叶表面温度；
S1033、根据第一参考温度、第二参考温度以及第二叶表面温度确定待测农作物的第一水分胁迫指数；
S1034、根据生长阶段信息确定对应生长阶段的水分胁迫指数阈值；
S1035、根据第一水分胁迫指数和水分胁迫指数阈值确定待测农作物的生长状况。
进一步作为可选的实施方式，第一水分胁迫指数根据下式确定：
CWSI＝(Tc-Tw)/(Td-Tw)
其中，CWSI表示第一水分胁迫指数，Tc表示第二表面温度，Td表示第一参考温度，Tw表示第二参考温度。
具体地，第一参考温度为预先测得的未发生蒸腾(即干旱时)的叶表面温度，第二参考温度为预先测得的完全蒸腾下(即水分供应充足时)的叶表面温度。一般情况下，第一参考温度Td和第二参考温度Tw是极限情况下的测量数据，而第二表面温度Tc需要根据作物的情况和生长环境数据来确定，如空气温度、空气湿度和大气压强。
假定在试验时测量植物叶干状态时和湿状态时的大气压强为P0、空气温度为T0、空气湿度为H0，测量当下的待测农作物的叶表面温度时大气压强为P、空气温度为T、空气湿度为H，通过控制变量的方式，进行多次测量实验试验，模拟特性曲线，最终获得的温度补偿分别为：FP(P-P0)、FT(T-T0)、FH(H-H0)。
通过步骤S102可以得到待测农作物的第一叶表面温度TL，则补偿后的第二叶表面温度可以表示为Tc＝TL+FP(P-P0)+FT(T-T0)+FH(H-H0)。同时,为了减少测量误差和去除离散数据，实际测量时，可采集n次红外热图像(一般n取3至5)取计算的第二叶表面温度的平均值，即Tc＝(Tc1+…+Tcn)/n。
在确定待测农作物的第一水分胁迫指数后，需要将第一水分胁迫指数与对应生长阶段的水分胁迫指数阈值作比较，当第一水分胁迫指数不超过预设的水分胁迫指数阈值时，表示待测农作物的生长状况良好，反之，则表示待测农作物的生长状况较差。
可以理解的是，可预先分段设置多个阈值，进而可以对待测农作物的生长状况做进一步细分。
进一步作为可选的实施方式，农作物生长状况检测方法还包括以下步骤：
根据生长阶段信息获取对应生长阶段的热成像参照图片，并将第一热成像图片与热成像参照图片做对比，确定待测农作物是否发生虫害以及是否长势正常。
具体地，在确定待测农作物所处的生长阶段后，可将第一热成像图片与预设的对应阶段的热成像参照图片作比对，通过图片比对可以确定农作物是否发生虫害以及是否长势正常，从而可以进一步确定待测农作物的生长状况。
以上对本发明实施例的方法步骤进行了说明。下面结合一具体实施场景对本发明的实施过程作进一步说明。
先设置好无人机的巡航路线以及多个采集点，然后搭载红外热成像仪和气压传感器、温湿度传感器的无人机开始巡航，到达预设的采集点后，通过红外热成像仪采集农作物的第一热成像图片，通过气压传感器和温湿度传感器采集农作物所处环境的大气压强、空气温度和湿度信息，再将采集到的数据上传到服务器，由服务器分析处理得到待测农作物的水分胁迫指数，从而可以对农作物的生长状况进行分析。
可以理解的是，本发明实施例通过热成像图片和生长环境数据对待测农作物的生长状况进行检测判断，一方面无需采集农作物样本，也无需接触农作物叶片等部位，可通过红外热成像技术和传感器技术快速获取相关数据，提高了农作物生长状况检测的效率，可在农业生产中推广应用，另一方面通过确定农作物的水分胁迫指数来检测其生长状况，避免了受环境及拍摄条件的影响，提高了农作物生长状况检测的准确度。
参照图2，本发明实施例提供了一种农作物生长状况检测系统，包括：
第一获取模块，用于获取待测农作物的第一热成像图片和生长环境数据；
生长阶段和叶表面温度确定模块，用于根据第一热成像图片确定待测农作物的生长阶段信息和第一叶表面温度；
生长状况确定模块，用于根据第一叶表面温度和生长环境数据确定待测农作物的第一水分胁迫指数，进而根据生长阶段信息和第一水分胁迫指数确定待测农作物的生长状况。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图3，本发明实施例提供了一种农作物生长状况检测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当上述至少一个程序被上述至少一个处理器执行时，使得上述至少一个处理器实现上述的一种农作物生长状况检测方法。
上述方法实施例中的内容均适用于本装置实施例中，本装置实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质，其中存储有处理器可执行的程序，该处理器可执行的程序在由处理器执行时用于执行上述一种农作物生长状况检测方法。
本发明实施例的一种计算机可读存储介质，可执行本发明方法实施例所提供的一种农作物生长状况检测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以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，服务器，或者网络设备等)执行本发明各个实施例上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。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式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方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种农作物生长状况检测方法，其特征在于，包括以下步骤：
获取待测农作物的第一热成像图片和生长环境数据；
根据所述第一热成像图片确定待测农作物的生长阶段信息和第一叶表面温度；
根据所述第一叶表面温度和所述生长环境数据确定待测农作物的第一水分胁迫指数，进而根据所述生长阶段信息和所述第一水分胁迫指数确定待测农作物的生长状况。
2.根据权利要求1所述的一种农作物生长状况检测方法，其特征在于，所述生长环境数据包括第一大气压强、第一空气温度以及第一空气湿度，所述获取待测农作物的第一热成像图片和生长环境数据这一步骤，其具体包括：
通过红外热成像仪获取待测农作物的第一热成像图片；
通过气压传感器获取待测农作物所处生长环境的第一大气压强，并通过温湿度传感器获取待测农作物所处生长环境的第一空气温度和第一空气湿度。
3.根据权利要求1所述的一种农作物生长状况检测方法，其特征在于，所述根据所述第一热成像图片确定待测农作物的生长阶段信息和第一叶表面温度这一步骤，其具体包括：
将所述第一热成像图片输入到预先训练好的农作物识别模型，识别得到待测农作物所处的生长阶段信息，并确定待测农作物的叶表面的第一图像区域；
根据所述第一图像区域的颜色信息确定待测农作物的第一叶表面温度。
4.根据权利要求3所述的一种农作物生长状况检测方法，其特征在于，所述农作物生长状况检测方法还包括训练农作物识别模型的步骤，其具体包括：
获取农作物热成像图片集，所述农作物热成像图片集包括待测农作物各个生长阶段信息的多个第二热成像图片；
对所述农作物热成像图片集进行去噪和抽稀处理，得到训练图片集；
将所述训练图片集输入到深度神经网络进行训练，得到训练好的农作物识别模型。
5.根据权利要求1所述的一种农作物生长状况检测方法，其特征在于，所述根据所述第一叶表面温度和所述生长环境数据确定待测农作物的第一水分胁迫指数，进而根据所述生长阶段信息和所述第一水分胁迫指数确定待测农作物的生长状况这一步骤，其具体包括：
获取待测农作物的第一参考温度和第二参考温度，所述第一参考温度为预先测得的未发生蒸腾的叶表面温度，所述第二参考温度为预先测得的完全蒸腾下的叶表面温度；
根据所述生长环境数据对所述第一叶表面温度进行修正，得到第二叶表面温度；
根据所述第一参考温度、所述第二参考温度以及所述第二叶表面温度确定待测农作物的第一水分胁迫指数；
根据所述生长阶段信息确定对应生长阶段的水分胁迫指数阈值；
根据所述第一水分胁迫指数和所述水分胁迫指数阈值确定待测农作物的生长状况。
6.根据权利要求5所述的一种农作物生长状况检测方法，其特征在于，所述第一水分胁迫指数根据下式确定：
CWSI＝(Tc-Tw)/(Td-Tw)
其中，CWSI表示第一水分胁迫指数，Tc表示第二表面温度，Td表示第一参考温度，Tw表示第二参考温度。
7.根据权利要求1至6中任一项所述的一种农作物生长状况检测方法，其特征在于，所述农作物生长状况检测方法还包括以下步骤：
根据所述生长阶段信息获取对应生长阶段的热成像参照图片，并将所述第一热成像图片与所述热成像参照图片做对比，确定待测农作物是否发生虫害以及是否长势正常。
8.一种农作物生长状况检测系统，其特征在于，包括：
第一获取模块，用于获取待测农作物的第一热成像图片和生长环境数据；
生长阶段和叶表面温度确定模块，用于根据所述第一热成像图片确定待测农作物的生长阶段信息和第一叶表面温度；
生长状况确定模块，用于根据所述第一叶表面温度和所述生长环境数据确定待测农作物的第一水分胁迫指数，进而根据所述生长阶段信息和所述第一水分胁迫指数确定待测农作物的生长状况。
9.一种农作物生长状况检测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现如权利要求1至7中任一项所述的一种农作物生长状况检测方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至7中任一项所述的一种农作物生长状况检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110562202.5A CN113310514A (zh) | 2021-05-24 | 2021-05-24 | 一种农作物生长状况检测方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110562202.5A CN113310514A (zh) | 2021-05-24 | 2021-05-24 | 一种农作物生长状况检测方法、系统、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113310514A true CN113310514A (zh) | 2021-08-27 |
Family
ID=77374325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110562202.5A Pending CN113310514A (zh) | 2021-05-24 | 2021-05-24 | 一种农作物生长状况检测方法、系统、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113310514A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114451260A (zh) * | 2021-12-20 | 2022-05-10 | 温州科技职业学院 | 用于提高茶叶质量的智慧农业自监控系统 |
| CN114711010A (zh) * | 2022-06-09 | 2022-07-08 | 苏州农业职业技术学院 | 一种月季栽培中水土肥管理方法、系统及介质 |
| CN114911174A (zh) * | 2022-02-09 | 2022-08-16 | 北大荒信息有限公司 | 一种植物仿生的方法和装置 |
| CN116091475A (zh) * | 2023-02-17 | 2023-05-09 | 七海行(深圳)科技有限公司 | 一种喷洒效果的确认方法及装置 |
| CN116636423A (zh) * | 2023-07-26 | 2023-08-25 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
| CN117929467A (zh) * | 2024-03-25 | 2024-04-26 | 上海农林职业技术学院 | 一种基于热成像技术的叶片水分数据检测系统及方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674998A (zh) * | 2013-10-24 | 2014-03-26 | 北京大学深圳研究生院 | 基于热成像技术的植物健康状态检测方法 |
| CN104819983A (zh) * | 2015-05-14 | 2015-08-05 | 北京大学深圳研究生院 | 一种植物响应复合污染的无损检测方法 |
| CN105527657A (zh) * | 2016-01-14 | 2016-04-27 | 河海大学 | 基于无人机红外热图像采集的大面积农田作物水分状态监测方法及系统 |
| CN106688827A (zh) * | 2016-12-09 | 2017-05-24 | 中国科学院新疆生态与地理研究所 | 一种基于农业系统模型的灌溉决策系统及方法 |
| CN107219877A (zh) * | 2017-05-31 | 2017-09-29 | 深圳前海弘稼科技有限公司 | 一种基质栽培供液的控制方法、控制系统及计算机装置 |
| CN107677376A (zh) * | 2017-09-08 | 2018-02-09 | 北京农业信息技术研究中心 | 一种植物体测温装置及方法 |
| CN108226224A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于无人机热成像技术的作物病害监测方法和系统 |
| CN109142240A (zh) * | 2018-09-02 | 2019-01-04 | 西北农林科技大学 | 一种基于无人机遥感的大田作物水分胁迫监测方法 |
| CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
| CN211855570U (zh) * | 2020-04-23 | 2020-11-03 | 展讯半导体(南京)有限公司 | 无人机及基于无人机的体温监测系统 |
| CN112197819A (zh) * | 2020-12-07 | 2021-01-08 | 宏景科技股份有限公司 | 一种基于生产基地的植物生长精准控制方法 |
| CN112286263A (zh) * | 2019-07-24 | 2021-01-29 | 中国移动通信有限公司研究院 | 一种农作物的调控方法、装置、系统及通信设备 |
-
2021
- 2021-05-24 CN CN202110562202.5A patent/CN113310514A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674998A (zh) * | 2013-10-24 | 2014-03-26 | 北京大学深圳研究生院 | 基于热成像技术的植物健康状态检测方法 |
| CN104819983A (zh) * | 2015-05-14 | 2015-08-05 | 北京大学深圳研究生院 | 一种植物响应复合污染的无损检测方法 |
| CN105527657A (zh) * | 2016-01-14 | 2016-04-27 | 河海大学 | 基于无人机红外热图像采集的大面积农田作物水分状态监测方法及系统 |
| CN106688827A (zh) * | 2016-12-09 | 2017-05-24 | 中国科学院新疆生态与地理研究所 | 一种基于农业系统模型的灌溉决策系统及方法 |
| CN107219877A (zh) * | 2017-05-31 | 2017-09-29 | 深圳前海弘稼科技有限公司 | 一种基质栽培供液的控制方法、控制系统及计算机装置 |
| CN107677376A (zh) * | 2017-09-08 | 2018-02-09 | 北京农业信息技术研究中心 | 一种植物体测温装置及方法 |
| CN108226224A (zh) * | 2018-01-30 | 2018-06-29 | 浙江大学 | 一种基于无人机热成像技术的作物病害监测方法和系统 |
| CN109142240A (zh) * | 2018-09-02 | 2019-01-04 | 西北农林科技大学 | 一种基于无人机遥感的大田作物水分胁迫监测方法 |
| CN109242201A (zh) * | 2018-09-29 | 2019-01-18 | 上海中信信息发展股份有限公司 | 一种预测农作物产量的方法、装置及计算机可读存储介质 |
| CN112286263A (zh) * | 2019-07-24 | 2021-01-29 | 中国移动通信有限公司研究院 | 一种农作物的调控方法、装置、系统及通信设备 |
| CN211855570U (zh) * | 2020-04-23 | 2020-11-03 | 展讯半导体(南京)有限公司 | 无人机及基于无人机的体温监测系统 |
| CN112197819A (zh) * | 2020-12-07 | 2021-01-08 | 宏景科技股份有限公司 | 一种基于生产基地的植物生长精准控制方法 |
Non-Patent Citations (7)
| Title |
|---|
| 崔静: "基于CWSI的滴灌冬小麦水分状况监测与诊断技术研究", 中国博士学位论文全文数据库农业科技辑, no. 08, pages 047 - 19 * |
| 张振华;蔡焕杰;杨润亚;: "红外遥感估算春小麦农田土壤含水率的试验研究", 农业工程学报, no. 03 * |
| 张英普, 何武全, 韩健: "玉米不同生育期水分胁迫指标", 灌溉排水, no. 04 * |
| 李光君: "热成像技术与近红外光谱技术结合无损检测西拉葡萄叶片水分含量", 《山西农业科学》, no. 10 * |
| 程麒等: "基于红外热图像的棉花冠层水分胁迫指数与光合特性的关系", 《棉花学报》, no. 04 * |
| 袁国富, 罗毅, 孙晓敏, 唐登银: "作物冠层表面温度诊断冬小麦水分胁迫的试验研究", 农业工程学报, no. 06 * |
| 郭新: "关中麦区干旱时空变化特征及其对冬小麦产量的影响", 中国优秀硕士学位论文全文数据库农业科技辑, no. 02, pages 047 - 142 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114451260A (zh) * | 2021-12-20 | 2022-05-10 | 温州科技职业学院 | 用于提高茶叶质量的智慧农业自监控系统 |
| CN114911174A (zh) * | 2022-02-09 | 2022-08-16 | 北大荒信息有限公司 | 一种植物仿生的方法和装置 |
| CN114711010A (zh) * | 2022-06-09 | 2022-07-08 | 苏州农业职业技术学院 | 一种月季栽培中水土肥管理方法、系统及介质 |
| CN116091475A (zh) * | 2023-02-17 | 2023-05-09 | 七海行(深圳)科技有限公司 | 一种喷洒效果的确认方法及装置 |
| CN116636423A (zh) * | 2023-07-26 | 2023-08-25 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
| CN116636423B (zh) * | 2023-07-26 | 2023-09-26 | 云南农业大学 | 一种茯苓菌种的高效培育方法 |
| CN117929467A (zh) * | 2024-03-25 | 2024-04-26 | 上海农林职业技术学院 | 一种基于热成像技术的叶片水分数据检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113310514A (zh) | 一种农作物生长状况检测方法、系统、装置及存储介质 | |
| CN109840549A (zh) | 一种病虫害识别方法和装置 | |
| KR20170112404A (ko) | 원격탐사 초분광 영상이미지를 이용한 병원성 미생물의 농도 예측방법 | |
| CN113948220B (zh) | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 | |
| CN113705875A (zh) | 一种农作物病虫害预警方法、系统、装置及存储介质 | |
| CN115482465A (zh) | 基于机器视觉的农作物病虫害预测方法、系统及存储介质 | |
| CN115443889A (zh) | 作物精准灌溉方法及装置 | |
| Kumar et al. | Identification of water-stressed area in maize crop using uav based remote sensing | |
| Abdulla et al. | Agriculture based on internet of things and deep learning | |
| Li et al. | Automatic counting of rapeseed inflorescences using deep learning method and UAV RGB imagery | |
| US10638667B2 (en) | Augmented-human field inspection tools for automated phenotyping systems and agronomy tools | |
| CN111223002B (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
| CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
| CN109633113B (zh) | 基于青鳉鱼逐级行为模型的水质监测预警方法及系统 | |
| Vasanthi | Crop growth monitoring and leaf area index estimation using wireless sensor network and CNN | |
| Abdulla et al. | Deep learning and IoT for Monitoring Tomato Plant. | |
| Balram et al. | Crop field monitoring and disease detection of plants in smart agriculture using internet of things | |
| Larbi et al. | Time series analysis of soybean response to varying atmospheric conditions for precision agriculture | |
| An et al. | A digital twin enabled internet of living things (IoLT) framework for soil carbon management | |
| Bryan et al. | Lettuce Root Development and Monitoring System Using Machine Learning in Hydroponics | |
| Karthikeyan et al. | Greenhouse Monitoring System and Tomato Leaf Disease Classification Using Convolutional Neural Network | |
| Niu et al. | A low-cost stem water potential monitoring method using proximate sensor and scikit-learn classification algorithms | |
| Jung et al. | Diagnosis of pine wilt disease using remote wireless sensing | |
| Deepika et al. | Tomato Plant Disease Detection using Deep Learning Based Techniques: A Comparative study |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210827 |