CN113673339B - 基于无人机影像的立地秸秆提取方法和装置 - Google Patents
基于无人机影像的立地秸秆提取方法和装置 Download PDFInfo
- Publication number
- CN113673339B CN113673339B CN202110807390.3A CN202110807390A CN113673339B CN 113673339 B CN113673339 B CN 113673339B CN 202110807390 A CN202110807390 A CN 202110807390A CN 113673339 B CN113673339 B CN 113673339B
- Authority
- CN
- China
- Prior art keywords
- straw
- image data
- aerial vehicle
- unmanned aerial
- green leaf
- 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.)
- Active
Links
- 239000010902 straw Substances 0.000 title claims abstract description 118
- 238000000605 extraction Methods 0.000 title claims abstract description 57
- 241000209140 Triticum Species 0.000 claims abstract description 36
- 235000021307 Triticum Nutrition 0.000 claims abstract description 36
- 230000011218 segmentation Effects 0.000 claims abstract description 31
- 241000196324 Embryophyta Species 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000012805 post-processing Methods 0.000 claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 16
- 238000011160 research Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 abstract description 8
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000007689 inspection Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 3
- 240000008042 Zea mays Species 0.000 description 6
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 6
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 6
- 235000005822 corn Nutrition 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012216 screening Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于无人机影像的立地秸秆提取方法和装置。本发明提供一种基于无人机影像的立地秸秆提取方法，包括：利用无人机获取目标区域的影像数据；对所述影像数据进行预处理；计算绿叶指数，并对所述影像数据进行多尺度分割；基于多尺度分割后的影像数据以及绿叶指数，对小麦和部分杂草进行提取；选取纹理参数，基于所述纹理参数进行秸秆分类提取；后处理并制作农田秸秆分布图。本发明提供的基于无人机影像的立地秸秆提取方法，不仅可以节省大量的人力物力，而且秸秆提取的精度相较于人工普查有较大提高，秸秆监测结果可为秸秆禁烧巡查工作人员提供精准的秸秆空间分布情况，还可辅助引导秸秆的综合利用。
Description
技术领域
本发明涉及秸秆提取技术领域，尤其涉及一种基于无人机影像的立地秸秆提取方法和装置。
背景技术
农田玉米秸秆在每年九十月份随着玉米收获，在大型农业机械化作业过程中，将玉米与秸秆同时进行回收利用，然而还有小区域不适合大型农机进行作业，而采用人工收获玉米，导致存在未收割秸秆，未收割秸秆存在秸秆焚烧的风险，严重影响秋冬季大气质量。目前的秸秆监测主要是采用人工普查的方法，人工普查的方法不仅需要大量的人员，而且普查结果的准确度也随普查人员调查的范围而变化。
发明内容
本发明提供一种基于无人机影像的立地秸秆提取方法和装置，用以解决现有技术中小面积玉米秸秆人工普查耗费人力、且调查准确度低的缺陷。
本发明提供一种基于无人机影像的立地秸秆提取方法，包括：利用无人机获取目标区域的影像数据；对所述影像数据进行预处理；计算绿叶指数，并对所述影像数据进行多尺度分割；基于多尺度分割后的影像数据以及绿叶指数，对小麦和部分杂草进行提取；选取纹理参数，基于所述纹理参数进行秸秆分类提取；后处理并制作农田秸秆分布图。
根据本发明提供的一种基于无人机影像的立地秸秆提取方法，所述利用无人机获取目标区域的影像数据的步骤进一步包括：设置无人机的飞行高度为60m，地面分辨率为1.5cm/pixel，拍照模式为等距间隔拍照。
根据本发明提供的一种基于无人机影像的立地秸秆提取方法，所述对所述影像数据进行预处理的步骤进一步包括：生成正射影像图，将所述正射影像图导入遥感图像处理软件进行处理，得到目标区域的RGB影像数据。
根据本发明提供的一种基于无人机影像的立地秸秆提取方法，所述计算绿叶指数，并对所述影像数据进行多尺度分割的步骤进一步包括：所述绿叶指数的计算公式为：
其中，GLI为绿叶指数，R为红波段所对应的像素值、G为绿波段所对应的的像素值、B为蓝波段所对应的像素值。
根据本发明提供的一种基于无人机影像的立地秸秆提取方法，所述基于多尺度分割后的影像数据以及绿叶指数，对小麦和部分杂草进行提取的步骤进一步包括：当绿叶指数小于-0.0012时，将小麦提取；当绿叶指数小于-0.034时，将部分杂草提取。
根据本发明提供的一种基于无人机影像的立地秸秆提取方法，所述选取纹理参数，基于所述纹理参数进行秸秆分类提取的步骤进一步包括：选择蓝波段90°二阶矩纹理信息进行立地秸秆提取。
根据本发明提供的一种基于无人机影像的立地秸秆提取方法，所述选取纹理参数，基于所述纹理参数进行秸秆分类提取的步骤还包括：根据选取的纹理信息进行秸秆提取，计算多尺度分割后的影像数据的蓝波段90°二阶矩纹理信息，设置阈值小于0.00048时提取秸秆。
根据本发明提供的一种基于无人机影像的立地秸秆提取方法，所述后处理并制作农田秸秆分布图的步骤进一步包括：将多个提取结果进行合并，得到秸秆、小麦以及其他地物的合并结果，并依次将秸秆、小麦和其他地物的细小斑块去除。
本发明还提供一种用于执行如上所述的基于无人机影像的立地秸秆提取方法的装置，包括：获取模块，用于获取目标区域的影像数据；处理模块，用于对所述影像数据进行预处理、计算绿叶指数，并对所述影像数据进行多尺度分割、对小麦和部分杂草进行提取、选取纹理参数、进行秸秆分类提取以及后处理并制作农田秸秆分布图。
本发明提供的基于无人机影像的立地秸秆提取方法，不仅可以节省大量的人力物力，而且秸秆提取的精度相较于人工普查有较大提高，秸秆监测结果可为秸秆禁烧巡查工作人员提供精准的秸秆空间分布情况，还可辅助引导秸秆的综合利用。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图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是本发明提供的基于无人机影像的立地秸秆提取方法的流程图；
图2是本发明提供的执行基于无人机影像的立地秸秆提取方法的装置的结构示意图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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。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。
下面结合图1和图2描述本发明的基于无人机影像的立地秸秆提取方法和装置。
如图1所示，在本发明的一个实施例中，基于无人机影像的立地秸秆提取方法，包括以下步骤：
步骤01：利用无人机获取目标区域的影像数据。
具体来说，利用大疆御Mavic Pro四旋翼无人机获取目标区域的影像。首先，在大疆航线规划软件中根据目标区域的范围规划航线，之后设置地面分辨率，地面分辨率与无人机飞行高度相关，为保证各个相邻相片的重叠率相等，拍照模式选择等距间隔拍照，为提高工作效率将起飞速度与航线速度分别设置为最大，最后航向重叠、旁向重叠分别都设置为80％，以保证相片的高度重叠。
步骤02：对影像数据进行预处理。
具体来说，影像的预处理主要包括生成正射影像图(DOM)。生成正射影像图(DOM)，将满足要求的影像数据导入Pix4D软件以及遥感图像处理软件ENVI中，得到最终研究区的RGB影像数据。
步骤03：计算绿叶指数，并对影像数据进行多尺度分割。
具体来说，绿叶指数GLI主要是参与多尺度分割和进行小麦和杂草的提取。通过与其他植被指数进行对比发现绿叶指数GLI提取小麦效果比其他植被指数效果好，针对小麦长势稀疏的地方也能将其提取。
通过引入绿叶指数GLI参与影像数据分割，分割的效果比未引入绿叶指数GLI要好，所以在进行多尺度分割时让绿叶指数GLI参与分割。在高分辨率影像下进行影像分割时，分辨率越高时分割所花费的时间越多，综合考虑，在0.05m分辨率下进行多尺度分割，采用分割尺度为120，形状因子0.2，紧凑度0.5的分割参数进行分割，该步操作可在易康软件中完成。
步骤04：基于多尺度分割后的影像数据以及绿叶指数，对小麦和部分杂草进行提取。
具体来说，利用多尺度分割后的影像，根据绿叶指数GLI不断调节阈值，最终确定当绿叶指数GLI<-0.0012时，能将小麦与非小麦进行区分。通过给非小麦进行附类，观察绿叶指数GLI发现部分杂草可以通过绿叶指数GLI进行提取，为了减小杂草在秸秆提取中的影响，利用绿叶指数GLI<-0.034，进行部分杂草的提取。以上操作可在易康软件中完成。
步骤05：选取纹理参数，基于该纹理参数进行秸秆分类提取。
具体来说，通过观察真彩色图像发现从纹理上分析秸秆的纹理信息较复杂，直立秸秆在秋冬季秸秆的叶子大部分脱落，只有少部分叶子还在茎上，秸秆区域纹理信息是不断变化并且变化明显呈现凹凸状，较裸地和秸秆覆盖区域纹理信息复杂。裸地、秸秆覆盖、小麦、杂草、秸秆五种地物的主要区别在于，裸地、秸秆覆盖、茂密小麦纹理信息平滑、变化较小；杂草、稀疏小麦秸秆纹理信息复杂、变化较大，根据常用的纹理信息进行对比发现主要有二阶距(Angular Secondmoment)、熵(Entropy)两种纹理信息满足其特征。
通过对比发现二阶矩纹理信息比熵纹理信息更能有效地进行秸秆提取，近一步对比二阶矩各波段纹理信息发现蓝波段的纹理信息提取秸秆效果更好，因此对比0°、45°、90°、135°二阶矩纹理信息后，最终选择90°二阶矩纹理信息进行立地秸秆提取。根据选取的纹理信息进行秸秆提取，计算影像数据的90°二阶矩纹理信息，通过设置阈值<0.00048提取出秸秆。以上操作可在易康软件中完成。
步骤06：后处理并制作农田秸秆分布图。
具体来说，由于在提取过程中存在误提的情况，而误提的结果主要是小区域，所占面积小，所以将各提取结果进行合并，最终得到秸秆、小麦以及其他地物的合并结果。合并以后根据先将秸秆的小斑块进行去除，之后为小麦，最后是其他地物，其中阈值都为area<75800pxl。该步操作可在易康软件中完成。
本发明实施例提供的基于无人机影像的立地秸秆提取方法，不仅可以节省大量的人力物力，而且秸秆提取的精度相较于人工普查有较大提高，秸秆监测结果可为秸秆禁烧巡查工作人员提供精准的秸秆空间分布情况，还可辅助引导秸秆的综合利用。
进一步地，在本发明的一个实施例中，利用无人机获取目标区域的影像数据的步骤进一步包括：设置无人机的飞行高度为60m，地面分辨率为1.5cm/pixel，拍照模式为等距间隔拍照。
具体来说，利用大疆御Mavic Pro四旋翼无人机获取目标区域的影像。首先，在大疆航线规划软件中根据目标区域的范围规划航线，之后设置地面分辨率，地面分辨率与无人机飞行高度相关，所以通过设置飞行高度为60m，进而设置地面分辨率为1.5cm/pixel，为保证各个相邻相片的重叠率相等，拍照模式选择等距间隔拍照，为提高工作效率将起飞速度与航线速度分别设置为最大，最后航向重叠、旁向重叠分别都设置为80％，以保证相片的高度重叠。
进一步地，采用无人机进行立地秸秆监测可以做到低成本、实时性和高精度，且受天气影响较小，且能避免混合像元的影响，获取和监测零散分布的小面积玉米秸秆。
进一步地，在本发明的一个实施例中，对影像数据进行预处理的步骤进一步包括：生成正射影像图，将正射影像图导入遥感图像处理软件进行处理，得到目标区域的RGB影像数据。
具体来说，影像的预处理主要包括检查照片质量和生成正射影像图(DOM)。首先进行影像质量检查，主要是观察无人机会否获取影像数据，获取的影像数据是否可用，以及影像数据的质量是否满足后续处理要求；生成正射影像图(DOM)，将满足要求的影像数据导入Pix4D软件中，设置输入坐标系WGS84和输出坐标系WGS84，在模型选择中选择3D地图，其余参数默认即可，等待拼接结果。之后将生成的正射影像图(DOM)影像导入遥感图像处理软件ENVI中根据研究区实际情况进行裁剪，得到所需要的研究区，将得到的研究区使用遥感图像处理软件ENVI进行波段的合并，使用前三个波段进行合并，得到最终研究区的RGB影像数据。
进一步地，在本发明的一个实施例中，计算绿叶指数，并对影像数据进行多尺度分割的步骤进一步包括：绿叶指数的计算公式为：
其中，GLI为绿叶指数，R为红波段所对应的像素值、G为绿波段所对应的的像素值、B为蓝波段所对应的像素值。
进一步地，在本发明的一个实施例中，基于多尺度分割后的影像数据以及绿叶指数，对小麦和部分杂草进行提取的步骤进一步包括：当绿叶指数小于-0.0012时，将小麦提取；当绿叶指数小于-0.034时，将部分杂草提取。
具体来说，利用多尺度分割后的影像，根据绿叶指数GLI不断调节阈值，最终确定当绿叶指数GLI<-0.0012时，能将小麦与非小麦进行区分。通过给非小麦进行附类，观察绿叶指数GLI发现部分杂草可以通过绿叶指数GLI进行提取，为了减小杂草在秸秆提取中的影响，利用绿叶指数GLI<-0.034，进行部分杂草的提取。
进一步地，在本发明的一个实施例中，选取纹理参数，基于纹理参数进行秸秆分类提取的步骤进一步包括：选择蓝波段90°二阶矩纹理信息进行立地秸秆提取，根据选取的纹理信息进行秸秆提取，计算分隔后的影像数据的90°二阶矩纹理信息，设置阈值小于0.00048时提取秸秆。
具体来说，通过观察真彩色图像发现从纹理上分析秸秆的纹理信息较复杂，直立秸秆在秋冬季秸秆的叶子大部分脱落，只有少部分叶子还在茎上，秸秆区域纹理信息是不断变化并且变化明显呈现凹凸状，较裸地和秸秆覆盖区域纹理信息复杂。裸地、秸秆覆盖、小麦、杂草、秸秆五种地物的主要区别在于，裸地秸秆覆盖茂密小麦纹理信息平滑、变化较小；杂草、稀疏小麦秸秆纹理信息复杂、变化较大，根据常用的纹理信息进行对比发现主要有二阶距(Angular Secondmoment)、熵(Entropy)两种纹理信息满足其特征。
二阶矩纹理信息的计算公式为：
熵纹理信息的计算公式为：
通过对比发现二阶矩纹理信息比熵纹理信息更能有效地进行秸秆提取，近一步对比二阶矩各波段纹理信息发现蓝波段的纹理信息提取秸秆效果更好，因此对比0°、45°、90°、135°二阶矩纹理信息后，最终选择蓝波段90°二阶矩纹理信息进行立地秸秆提取。根据选取的纹理信息进行秸秆提取，计算影像数据的蓝波段90°二阶矩纹理信息，通过设置阈值<0.00048提取出秸秆。
进一步地，在本发明的一个实施例中，后处理并制作农田秸秆分布图的步骤进一步包括：将多个提取结果进行合并，得到秸秆、小麦以及其他地物的合并结果，并依次将秸秆、小麦和其他地物去除。
具体来说，由于在提取过程中存在误提的情况，而误提的结果主要是小区域，所占面积小，所以将各提取结果进行合并，最终得到秸秆、小麦以及其他地物的合并结果。合并以后根据先将秸秆的小斑块进行去除，之后为小麦，最后是其他地物，其中阈值都为area<75800pxl。
如图2所示，本发明实施例还提供了一种执行基于无人机影像的立地秸秆提取方法的装置，包括：获取模块101和处理模块102。
具体来说，获取模块101用于获取目标区域的影像数据，并将该影像数据发送至处理模块102，处理模块102用于将该影响数据进行预处理，得到最终研究区的RGB影像数据。处理模块102还用于计算绿叶指数，并对影像数据进行多尺度分割，以及基于绿叶指数对小麦和部分杂草进行提取。同时，处理模块102还用于选取纹理参数，进行秸秆分类提取以及后处理，以及制作农田秸秆分布图。
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 (6)
1.一种基于无人机影像的立地秸秆提取方法，其特征在于，包括：
利用无人机获取目标区域的影像数据；
将满足要求的所述影像数据生成正射影像图，将所述正射影像图导入遥感图像处理软件进行处理，得到研究区的RGB影像数据；
计算绿叶指数，并对所述影像数据进行多尺度分割；
基于多尺度分割后的影像数据以及绿叶指数，确定当绿叶指数<-0.0012时，对小麦进行提取，当绿叶指数<-0.034，对部分杂草进行提取；
选择蓝波段90°二阶矩纹理信息进行立地秸秆提取；
后处理并制作农田秸秆分布图。
2.根据权利要求1所述的基于无人机影像的立地秸秆提取方法，其特征在于，所述利用无人机获取目标区域的影像数据的步骤进一步包括：
设置无人机的飞行高度为60m，地面分辨率为1.5cm/pixel，拍照模式为等距间隔拍照。
3.根据权利要求1所述的基于无人机影像的立地秸秆提取方法，其特征在于，所述计算绿叶指数，并对所述影像数据进行多尺度分割的步骤进一步包括：所述绿叶指数的计算公式为：
其中，GLI为绿叶指数，R为红波段所对应的像素值、G为绿波段所对应的的像素值、B为蓝波段所对应的像素值。
4.根据权利要求1所述的基于无人机影像的立地秸秆提取方法，其特征在于，所述选取纹理参数，基于所述纹理参数进行秸秆分类提取的步骤还包括：
根据选取的纹理信息进行秸秆提取，计算分隔后的影像数据的蓝波段90°二阶矩纹理信息，设置阈值小于0.00048时提取秸秆。
5.根据权利要求4所述的基于无人机影像的立地秸秆提取方法，其特征在于，所述后处理并制作农田秸秆分布图的步骤进一步包括：
将多个提取结果进行合并，得到秸秆、小麦以及其他地物的合并结果，并依次将秸秆、小麦和其他地物的细小斑块去除。
6.一种用于执行权利要求1-5中任一项所述的基于无人机影像的立地秸秆提取方法的装置，其特征在于，包括：
获取模块，用于获取目标区域的影像数据；
处理模块，用于将满足要求的所述影像数据生成正射影像图，将所述正射影像图导入遥感图像处理软件进行处理，得到研究区的RGB影像数据；所述处理模块还用于计算绿叶指数，并对所述影像数据进行多尺度分割；所述处理模块还用于基于多尺度分割后的影像数据以及绿叶指数，确定当绿叶指数<-0.0012时，对小麦进行提取，当绿叶指数<-0.034，对部分杂草进行提取；所述处理模块还用于选择蓝波段90°二阶矩纹理信息进行立地秸秆提取；所述处理模块还用于后处理并制作农田秸秆分布图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110807390.3A CN113673339B (zh) | 2021-07-16 | 2021-07-16 | 基于无人机影像的立地秸秆提取方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110807390.3A CN113673339B (zh) | 2021-07-16 | 2021-07-16 | 基于无人机影像的立地秸秆提取方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113673339A CN113673339A (zh) | 2021-11-19 |
| CN113673339B true CN113673339B (zh) | 2024-02-23 |
Family
ID=78539563
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110807390.3A Active CN113673339B (zh) | 2021-07-16 | 2021-07-16 | 基于无人机影像的立地秸秆提取方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113673339B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
| DE102014204603B3 (de) * | 2014-03-12 | 2015-07-30 | Deere & Company | Verfahren zur selbsttätigen Einstellung von Dreschparametern eines Mähdreschers während der Ernte unter Verwendunq einer Anordnung zur Erkennung von Strohqualität |
| CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
| CN109829425A (zh) * | 2019-01-31 | 2019-05-31 | 沈阳农业大学 | 一种农田景观小尺度地物分类方法及系统 |
| JP2020054289A (ja) * | 2018-10-03 | 2020-04-09 | 戸田建設株式会社 | 施設栽培果実の収穫予測システム |
| CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取系统及方法 |
| CN111723711A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
| CN112861766A (zh) * | 2021-02-26 | 2021-05-28 | 北京农业信息技术研究中心 | 农田玉米秸秆卫星遥感提取方法及装置 |
| CN113052102A (zh) * | 2021-03-31 | 2021-06-29 | 北京农业信息技术研究中心 | 基于无人机多光谱影像的农田管理分区方法及装置 |
-
2021
- 2021-07-16 CN CN202110807390.3A patent/CN113673339B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102609726A (zh) * | 2012-02-24 | 2012-07-25 | 中国科学院东北地理与农业生态研究所 | 利用面向对象技术融合高空间和高时间分辨率数据的遥感图像分类方法 |
| DE102014204603B3 (de) * | 2014-03-12 | 2015-07-30 | Deere & Company | Verfahren zur selbsttätigen Einstellung von Dreschparametern eines Mähdreschers während der Ernte unter Verwendunq einer Anordnung zur Erkennung von Strohqualität |
| CN106446875A (zh) * | 2016-11-16 | 2017-02-22 | 航天恒星科技有限公司 | 面向县域遥感尺度的农作物种植面积信息提取方法及装置 |
| JP2020054289A (ja) * | 2018-10-03 | 2020-04-09 | 戸田建設株式会社 | 施設栽培果実の収穫予測システム |
| CN109829425A (zh) * | 2019-01-31 | 2019-05-31 | 沈阳农业大学 | 一种农田景观小尺度地物分类方法及系统 |
| CN111091052A (zh) * | 2019-11-07 | 2020-05-01 | 中国农业大学 | 一种基于最大似然法的玉米倒伏面积提取系统及方法 |
| CN111723711A (zh) * | 2020-06-10 | 2020-09-29 | 内蒙古农业大学 | 基于Pléiades和面向对象的地膜信息提取方法及系统 |
| CN112861766A (zh) * | 2021-02-26 | 2021-05-28 | 北京农业信息技术研究中心 | 农田玉米秸秆卫星遥感提取方法及装置 |
| CN113052102A (zh) * | 2021-03-31 | 2021-06-29 | 北京农业信息技术研究中心 | 基于无人机多光谱影像的农田管理分区方法及装置 |
Non-Patent Citations (5)
| Title |
|---|
| Hedgehog Signaling: Implications in Cancers and Viral Infections;Sidney Iriana 等;《Molecular Sciences》;1-29 * |
| 基于无人机多光谱影像的春玉米田管理分区研究;卢闯 等;《中国农业科技导报 》;第24卷(第9期);106 -115 * |
| 基于无人机多光谱灌区主要作物分类方法研究;冯涛;《中国优秀硕士学位论文全文数据库 (农业科技辑)》;D043-28 * |
| 基于无人机数码影像的冬小麦叶面积指数探测研究;高林 等;《中国生态农业学报》;第1254-1264页1.3、1.4节、表1 * |
| 面向对象的无人机遥感影像亚田块边界提取;郑茜 等;《科技与创新》;1-3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113673339A (zh) | 2021-11-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104881865B (zh) | 基于无人机图像分析的森林病虫害监测预警方法及其系统 | |
| CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
| CN110751019B (zh) | 基于深度学习的高分辨率影像农作物自动提取方法及装置 | |
| CN112801230B (zh) | 一种配电线路无人机智能验收方法 | |
| CN111340826A (zh) | 基于超像素与拓扑特征的航拍图像单株树冠分割算法 | |
| CN109813286A (zh) | 一种基于无人机的倒伏灾害遥感定损方法 | |
| CN110781757A (zh) | 一种机场道面异物识别定位方法及系统 | |
| CN115481368A (zh) | 一种基于全遥感机器学习的植被覆盖度估算方法 | |
| 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 | |
| CN113052102A (zh) | 基于无人机多光谱影像的农田管理分区方法及装置 | |
| CN104951754A (zh) | 基于面向对象技术与ndvi时间序列相结合的农作物精细分类方法 | |
| CN114240980A (zh) | 一种无人机影像亚田块边界提取方法及装置 | |
| CN110765977A (zh) | 一种基于无人机多时相遥感数据提取小麦倒伏信息的方法 | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
| CN113920143A (zh) | 基于无人机遥感影像的亚田块边界提取方法及装置 | |
| CN110610438A (zh) | 一种农作物冠层叶柄夹角计算方法及系统 | |
| CN113033386B (zh) | 一种基于高分辨率遥感影像的输电线路通道隐患识别方法及系统 | |
| CN113673339B (zh) | 基于无人机影像的立地秸秆提取方法和装置 | |
| Paulo et al. | Wheat lodging ratio detection based on UAS imagery coupled with different machine learning and deep learning algorithms | |
| CN115035423B (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
| Rocha et al. | Evaluation and detection of gaps in curved sugarcane planting lines in aerial images | |
| CN116205879A (zh) | 一种基于无人机图像及深度学习的小麦倒伏面积估算方法 | |
| Sari et al. | Object segmentation on UAV photo data to support the provision of rural area spatial information | |
| Jiang et al. | MIoP-NMS: Perfecting crops target detection and counting in dense occlusion from high-resolution UAV imagery | |
| Yano et al. | Weed identification in sugarcane plantation through images taken from remotely piloted aircraft (RPA) and KNN classifier |
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 |