CN113724210A - 一种作物长势识别方法和系统 - Google Patents
一种作物长势识别方法和系统 Download PDFInfo
- Publication number
- CN113724210A CN113724210A CN202110932657.1A CN202110932657A CN113724210A CN 113724210 A CN113724210 A CN 113724210A CN 202110932657 A CN202110932657 A CN 202110932657A CN 113724210 A CN113724210 A CN 113724210A
- Authority
- CN
- China
- Prior art keywords
- crop
- score
- pest
- crops
- image
- 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 36
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 75
- 201000010099 disease Diseases 0.000 claims abstract description 50
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 50
- 235000016709 nutrition Nutrition 0.000 claims abstract description 46
- 230000035764 nutrition Effects 0.000 claims abstract description 46
- 230000004927 fusion Effects 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 15
- 235000003715 nutritional status Nutrition 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000013136 deep learning model Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 244000038559 crop plants Species 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 5
- 241000238631 Hexapoda Species 0.000 claims description 4
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 235000015097 nutrients Nutrition 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 abstract description 5
- 241000196324 Embryophyta Species 0.000 description 51
- 241000209094 Oryza Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 235000009566 rice Nutrition 0.000 description 6
- 238000005192 partition Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- WUKWITHWXAAZEY-UHFFFAOYSA-L calcium difluoride Chemical compound [F-].[F-].[Ca+2] WUKWITHWXAAZEY-UHFFFAOYSA-L 0.000 description 3
- 239000010436 fluorite Substances 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001498622 Cixius wagneri Species 0.000 description 1
- 241000008892 Cnaphalocrocis patnalis Species 0.000 description 1
- 240000006240 Linum usitatissimum Species 0.000 description 1
- 235000004431 Linum usitatissimum Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000007592 spray painting technique Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 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
- G06F18/25—Fusion techniques
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种作物长势识别方法和系统，涉及作物监测技术领域。所述方法包括步骤：获取作物的深度图像、多光谱图像、RGB图像；计算作物株高，分析作物营养状况，识别作物病虫害情况；进行株高评分、营养状况评分和病虫害评分；对评分进行数据融合，计算得到作物的长势评分，若评分低于预设阈值，发出预警信息。本发明通过采集作物的深度图像、多光谱图像、RGB图像，计算得到作物的株高、营养状况、病虫害情况，从而多方面反应作物长势，并进行数据融合，得到综合的作物长势评分，监测的维度多样化，直观反应作物生长情况，避免了观测人员实地采样观测容易受到主观因素影响。
Description
技术领域
本发明涉及作物监测技术领域，更具体地，涉及一种作物长势识别方法和系统。
背景技术
农作物是指农业上栽培的各种植物，包括粮食作物、经济作物等，可食用的农作物是人类基本的食物来源之一，对人类具有重要意义；在农作物的生长发育过程中，需要对农作物的长势进行监测以判断农作物的生长状态是否良好，对农作物长势进行监测是实现农作物稳产和高产的基础。通过对农作物长势进行监测，可以针对农作物的生长状态采取适当的农情操作，如浇水、施肥、打药等，从而提升农作物的产量和质量，因此对农作物长势的监测是十分必要的。传统的农作物长势识别主要通过人工观测的方式，需要观测人员进行实地采样观测，但该方式费时、费力且容易受到主观因素的影响。
公开号为CN107609078A，公开日：2020-04-10，提出的长势识别模型更新方法、传感器、服务器及系统，该发明主要是通过采集作物的光谱数据来获得作物的长势参量数据，进而通过机器学习的方式实现长势识别模型的动态更新，提高了模型的普适度和精度，但该模型仅通过作物的光谱数据进行分析，监测的维度过于单一，决策能力不足。
发明内容
本发明为克服上述技术问题，提供一种监测维度丰富，决策能力强的作物长势识别方法和系统。
本发明技术方案如下：
一种作物长势识别方法，包括步骤：
S1：获取作物的深度图像、多光谱图像、RGB图像；
S2：利用所述深度图像和RGB图像计算作物株高，利用所述多光谱图像分析作物营养状况，利用所述RGB图像识别作物病虫害情况；
S3：根据作物株高、作物营养状况和作物病虫害情况进行评分，得到株高评分、营养状况评分和病虫害评分；
S4：对株高评分、营养情况评分和病虫害评分进行数据融合，计算得到作物的长势评分，若评分低于预设阈值，发出预警信息。
本技术方案通过采集作物的深度图像、多光谱图像、RGB图像，计算得到作物的株高、营养状况、病虫害情况，从而多方面反应作物长势，并对株高评分、营养状况评分和病虫害评分进行数据融合，得到综合的作物长势评分，监测的维度多样化，直观反应作物生长情况，避免了观测人员实地采样观测容易受到主观因素影响。
进一步地，步骤S2利用所述RGB图像识别作物病虫害情况的步骤包括：
S211：采集n张RGB的作物病虫害图像数据并进行人工标注；
S212：按照预设比例将标注好的病虫害图像数据划分为训练集和测试集；
S213：构建深度学习模型，并利用训练集和测试集训练所述深度学习模型；
S214：将采集的作物RGB图像输入训练完成的深度学习模型，得到作物病虫害的评分。
进一步地，步骤S2所述营养状况通过归一化植被指数NDVI表示，所述归一化植被指数NDVI通过多光谱图像中的近红外波段数据和红外波段数据计算得到。
上述技术方案中，归一化植被指数NDVI是反映作物叶绿素相对含量及氮素水平的重要参数，用来表征作物的营养状况。
进一步地，步骤S3所述根据作物株高、作物营养情况和作物病虫害情况进行评分的方法为：将作物株高、作物营养情况和作物病虫害情况与健康作物植株进行差异性分析，得到对应的评分。
进一步地，步骤S4所述数据融合的方法为：将株高评分、营养状况评分和病虫害评分做归一化处理，并将各个维度的评分与作物的长势进行相关性分析，根据相关性程度的高低，分别对各个维度的评分赋权，由此计算出作物的长势评分。
上述技术方案中，所述相关性分析为Pearson相关性分析，通过SPSS工具进行归一化处理和Pearson相关性分析。
一种作物长势识别系统，所述系统包括：深度相机、多光谱相机、可见光相机、支架、通信模块和服务器，所述支架固定在种植作物的土地上，可见光相机设置在支架上，深度相机和多光谱相机设置在支架顶端，可将光相机拍摄的作物的RGB图像、深度相机拍摄的作物的深度图像和多光谱相机拍摄的作物的多光谱图像均通过通信模块传输到服务器，服务器根据所述深度图像、多光谱图像和RGB图像计算作物的长势评分。
本技术方案，将深度相机、多光谱相机和可见光相机设置在支架上，拍摄作物图像，然后通过通信模块将作物图像传输到服务器，服务器对作物图像进行处理得到长势评分，实现自动化监控作物长势，且作物图像能够精确按照预设时间规则进行拍摄，无需观测人员重复进行实地采样观测，节约人力劳动，并且获得的数据样本的采集时间和采集角度一致性更好。
进一步地，还包括围蔽，所述围蔽表面喷涂有两色相间排布的矩形块，围蔽装置底端通过配重固定在地面，围蔽包围设置在被监测的作物周围。
上述技术方案中，所述围蔽围挡在作物四周，用于防水抗风保护作物和监测装置，并且所述矩形块可以辅助判断作物株高。
进一步地，所述服务器包括：图像获取模块、株高计算模块、营养状况分析模块、病虫害识别模块、单项评分模块、评分融合模块、预警模块；所述图像获取模块获取作物的深度图像、多光谱图像、RGB图像，株高计算模块利用所述深度图像和RGB图像计算作物株高，营养状况分析模块利用所述多光谱图像分析作物营养状况，病虫害识别模块利用所述RGB图像识别作物病虫害情况，单项评分模块根据作物株高、作物营养情况和作物病虫害情况进行评分，得到株高评分、营养状况评分和病虫害评分，评分融合模块对株高评分、营养情况评分和病虫害评分进行数据融合，计算得到作物的长势评分，若评分低于预设阈值，预警模块发出预警信息。
进一步地，所述可见光相机为双目摄像头，一个支架上设有一组或多组双目摄像头，一组双目摄像头中包括至少两个双目摄像头，一组中的不同双目摄像头分别设置在支架的不同高度处，通过不同高度的双目摄像头拍摄作物的整体。
进一步地，所述多光谱相机为红外多光谱相机，用于拍摄红光波段和至少一个红外波段的作物图像。
与现有技术相比，本发明技术方案的有益效果是：本发明作物长势识别方法通过采集作物的深度图像、多光谱图像、RGB图像，计算得到作物的株高、营养状况、病虫害情况，从而多方面反应作物长势，并对株高评分、营养状况评分和病虫害评分进行数据融合，得到综合的作物长势评分，直观反应作物生长情况，避免了观测人员实地采样观测容易受到主观因素影响；本发明作物长势识别系统将深度相机、多光谱相机和可见光相机设置在支架上，拍摄作物图像，然后通过通信模块将作物图像传输到服务器，服务器对作物图像进行处理得到长势评分，实现自动化监控作物长势，且作物图像能够精确按照预设时间规则进行拍摄，无需观测人员重复进行实地采样观测，节约人力劳动，并且获得的数据样本的采集时间和采集角度一致性更好。
附图说明
图1为作物长势识别方法流程图；
图2为作物长势识别系统架构示意图；
图3为作物长势识别系统示意图；
图4为围蔽示意图；
其中：1、支架；2、深度相机；3、多光谱相机；4、可见光相机；5、通信模块；6、围蔽；61、隔板；62、框架；63、配重。
具体实施方式
为清楚地说明本发明一种作物长势识别方法和系统，结合实例和附图对本发明作进一步说明，但不应以此限制本发明的保护范围。
实施例1
一种作物长势识别方法，包括以下步骤：
S1：获取作物的深度图像、多光谱图像、RGB图像；
S2：利用所述深度图像和RGB图像计算作物株高，利用所述多光谱图像分析作物营养状况，利用所述RGB图像识别作物病虫害情况；
S3：根据作物株高、作物营养情况和作物病虫害情况进行评分，得到株高评分、营养状况评分和病虫害评分；
S4：对株高评分、营养情况评分和病虫害评分进行数据融合，计算得到作物的长势评分，若评分低于预设阈值，发出预警信息。
在具体实施过程中，通过采集作物的深度图像、多光谱图像、RGB图像，计算得到作物的株高、营养状况、病虫害情况，从而多方面反应作物长势，并对株高评分、营养状况评分和病虫害评分进行数据融合，得到综合的作物长势评分，直观反应作物生长情况，避免了观测人员实地采样观测容易受到主观因素影响。
实施例2
一种作物长势识别方法，包括以下步骤：
S1：获取作物的深度图像、多光谱图像、RGB图像；
S2：利用所述深度图像和RGB图像计算作物株高，利用所述多光谱图像分析作物营养状况，利用所述RGB图像识别作物病虫害情况；
所述RGB图像是通过双目摄像头拍摄的，本实施例计算作物株高的方法是：通过深度学习的方法利用深度图像计算出作物的株高h1，再通过实例分割的方法将双目摄像头的左右摄像头拍摄的RGB图像计算出作物株高h2、h3，将三个不同维度得到的数据取平均值，计算得到作物株高h＝3/(h1+h2+h3)；
本实施例，利用所述多光谱图像分析作物营养状况的方法为：拍摄近红外和红光波段的作物图像，通过对作物图像不同波段的计算，得到能够用于判断作物生长状况的归一化植被指数，进而判断作物的营养状况。
利用所述RGB图像识别作物病虫害情况的步骤包括：
S211：采集n张RGB的作物病虫害图像数据并进行人工标注；
S212：按照预设比例将标注好的病虫害图像数据划分为训练集和测试集；
S213：构建深度学习模型，并利用训练集和测试集训练所述深度学习模型；
S214：将采集的作物RGB图像输入训练完成的深度学习模型，得到作物病虫害的评分。
本实施例中，步骤S211共采集3000张RGB的作物病虫害图像数据，步骤S212所述预设比例为5:1，在本发明的其他实施例中，还可以采用基于K-均值聚类算法和最大类间方差法对作物的病虫害图像进行分割，进而通过分割得到的病虫害图像进行作物病虫害评分。
所述营养状况通过归一化植被指数NDVI表示，所述归一化植被指数NDVI通过多光谱图像中的近红外波段数据和红外波段数据计算得到。本实施例中归一化植被指数的计算公式为：
NDVI＝((IR-R)/(IR+R))
其中，IR为红外波段的像素值，R为红光波段的像素值。
S3：根据作物株高、作物营养情况和作物病虫害情况进行评分，得到株高评分、营养状况评分和病虫害评分；
所述根据作物株高、作物营养情况和作物病虫害情况进行评分的方法为：将作物株高、作物营养情况和作物病虫害情况与健康作物植株进行差异性分析，得到对应的评分。
在其他实施例中，所述评分方法可以是：将病虫害的严重程度和作物的营养状况分别按照1-5来打分；根据作物所处物候期健康植株的高度作为标准，将作物的株高也按照1-5来进行打分；在1-5分各个分数都选取一定量的数据，作为先验知识，使用监督学习的手段对多源数据的分析结果进行处理。
S4：对株高评分、营养情况评分和病虫害评分进行数据融合，计算得到作物的长势评分，若评分低于预设阈值，发出预警信息。
所述数据融合的方法为：将株高评分、营养状况评分和病虫害评分做归一化处理，并将各个维度的评分与作物的长势进行相关性分析，根据相关性程度的高低，分别对各个维度的评分赋权，由此计算出作物的长势评分。
进一步地，对于低于阈值的预警信息，相关人员根据长势评分指定对作物进行打药或施肥的决策方案。
实施例3
一种作物长势识别系统，所述系统包括：深度相机2、多光谱相机3、可见光相机4、支架1、通信模块5和服务器，所述支架1固定在种植作物的土地上，可见光相机4设置在支架1上，深度相机2和多光谱相机3设置在支架1顶端，可将光相机拍摄的作物的RGB图像、深度相机2拍摄的作物的深度图像和多光谱相机3拍摄的作物的多光谱图像均通过通信模块5传输到服务器，服务器根据所述深度图像、多光谱图像和RGB图像计算作物的长势评分。
在具体实施过程中，将深度相机2、多光谱相机3和可见光相机4设置在支架1上，拍摄作物图像，然后通过通信模块5将作物图像传输到服务器，服务器对作物图像进行处理得到长势评分，实现自动化监控作物长势，且作物图像能够精确按照预设时间规则进行拍摄，无需观测人员重复进行实地采样观测，节约人力劳动，并且获得的数据样本的采集时间和采集角度一致性更好。
实施例4
一种作物长势识别系统，系统示意图如图3所示，所述系统包括：深度相机2、多光谱相机3、可见光相机4、支架1、通信模块5和服务器，系统架构图如图2所示，所述支架1固定在种植作物的土地上，可见光相机4设置在支架1上，深度相机2和多光谱相机3设置在支架1顶端，可将光相机拍摄的作物的RGB图像、深度相机2拍摄的作物的深度图像和多光谱相机3拍摄的作物的多光谱图像均通过通信模块5传输到服务器，服务器根据所述深度图像、多光谱图像和RGB图像计算作物的长势评分。
具体的，通信模块5包括有线通信模块5和无线通信模块5，本实施例采用无线通信模块5进行数据通信。
本实施例中，所述深度相机2采用KINECT深度摄像机，所述可见光相机4为海康威视可见光相机4，所述服务器为阿里云服务器，在具体实施过程中，将所述深度相机2、多光谱相机3、可见光相机4均通过通信模块5接入到海康威视的萤石云平台，通过萤石云平台控制所述深度相机2、多光谱相机3、可见光相机4拍摄作物图像，本实施例通过萤石云平台控制所述深度相机2、多光谱相机3、可见光相机4定时拍摄，每天早中晚各拍一次，并将拍摄的图像传输到阿里云服务器进行存储和数据处理。
利用深度图像计算株高的方法为：将深度图像转化为点云，进行点云预处理并实现实时三维重构，进而计算出作物的株高。
本实施例还包括围蔽6，围蔽示意图如图4所示，所述围蔽6包括隔板61、框架62和配重63，所述隔板61内表面喷涂有两色相间排布的矩形块，围蔽6装置底端通过配重63固定在地面，围蔽6包围设置在被监测的作物周围。
在具体实施过程中，所述围蔽6围挡在作物四周，用于防水抗风保护作物和监测装置，并且所述矩形块可以辅助判断作物株高。本实施例所述围蔽6的配重63采用水泥配重63，并将配重63埋入土中，将围蔽6水平固定在种植作物的地面上。本实施例围蔽6大小为2m*2m*1.6m，其中整体框架62使用不锈钢进行焊接，隔板61内侧两色相间排布的矩形块通过喷绘处理得到，本实施例采用红黑色块相间，色块尺寸为2cm*4cm；水泥配重为0.3m*0.3m。
本实施例作物长势识别系统如图3所示，本实施例中所述支架1为T形，深度相机2和多光谱相机3安装在支架1顶端的横杆上，对作物进行俯拍。所述可见光相机4固定在支架1的竖杆上，可见光相机4的主光轴为水平方向。
利用RGB图像测作物株高，需要借助监测站隔板上固定大小的两色相间排布的区块作为定标，识别出未被作物植株遮挡的区块数，通过未种植作物时对应画面范围中原始暴露区块，减去当前暴露区块，便能得到被遮挡区块数目，结合每个区块高度，最终计算得到植株高度。
所述服务器包括：图像获取模块、株高计算模块、营养状况分析模块、病虫害识别模块、单项评分模块、评分融合模块、预警模块；所述图像获取模块获取作物的深度图像、多光谱图像、RGB图像，株高计算模块利用所述深度图像和RGB图像计算作物株高，营养状况分析模块利用所述多光谱图像分析作物营养状况，病虫害识别模块利用所述RGB图像识别作物病虫害情况，单项评分模块根据作物株高、作物营养情况和作物病虫害情况进行评分，得到株高评分、营养状况评分和病虫害评分，评分融合模块对株高评分、营养情况评分和病虫害评分进行数据融合，计算得到作物的长势评分，若评分低于预设阈值，预警模块发出预警信息。
所述可见光相机4为双目摄像头，一个支架1上设有一组或多组双目摄像头，一组双目摄像头中包括至少两个双目摄像头，一组中的不同双目摄像头分别设置在支架1的不同高度处，通过不同高度的双目摄像头拍摄作物的整体。
所述多光谱相机3为红外多光谱相机3，用于拍摄红光波段和至少一个红外波段的作物图像。近红外和红光波段组合的植被指数对作物的氮积累量的监测效果最好，因此选择的摄像头需要有近红外和红光波段，垂直俯拍，通过对作物不同波段的计算，得到能够用于判断作物生长状况的归一化植被指数，进而判断作物的营养状况。
本实施例的作物监控系统以对水稻进行监控为例，水稻主要的病虫害主要有稻瘟病、纹枯病、胡麻叶病、稻纵卷叶螟，稻飞虱等，由于水稻病虫害发病位置主要集中在根茎处或叶面，因此采用一组至少两个双目摄像头上下设置，拍摄水稻整体植株，并在多组双目摄像头之间朝向不同角度设置，拍摄覆盖范围更广，从而更全面更及时地识别出病虫害。
Claims (10)
1.一种作物长势识别方法和系统，其特征在于，所述方法包括以下步骤：
S1：获取作物的深度图像、多光谱图像、RGB图像；
S2：利用所述深度图像和RGB图像计算作物株高，利用所述多光谱图像分析作物营养状况，利用所述RGB图像识别作物病虫害情况；
S3：根据作物株高、作物营养情况和作物病虫害情况进行评分，得到株高评分、营养状况评分和病虫害评分；
S4：对株高评分、营养情况评分和病虫害评分进行数据融合，计算得到作物的长势评分，若评分低于预设阈值，发出预警信息。
2.根据权利要求1所述的一种作物长势识别方法，其特征在于，步骤S2利用所述RGB图像识别作物病虫害情况的步骤包括：
S211：采集n张RGB的作物病虫害图像数据并进行人工标注；
S212：按照预设比例将标注好的病虫害图像数据划分为训练集和测试集；
S213：构建深度学习模型，并利用训练集和测试集训练所述深度学习模型；
S214：将采集的作物RGB图像输入训练完成的深度学习模型，得到作物病虫害的评分。
3.根据权利要求1所述的一种作物长势识别方法，其特征在于，步骤S2所述营养状况通过归一化植被指数NDVI表示，所述归一化植被指数NDVI通过多光谱图像中的近红外波段数据和红外波段数据计算得到。
4.根据权利要求1所述的一种作物长势识别方法，其特征在于，步骤S3所述根据作物株高、作物营养情况和作物病虫害情况进行评分的方法为：将作物株高、作物营养情况和作物病虫害情况与健康作物植株进行差异性分析，得到对应的评分。
5.根据权利要求1所述的一种作物长势识别方法，其特征在于，步骤S4所述数据融合的方法为：将株高评分、营养状况评分和病虫害评分做归一化处理，并将各个维度的评分与作物的长势进行相关性分析，根据相关性程度的高低，分别对各个维度的评分赋权，由此计算出作物的长势评分。
6.一种作物长势识别系统，其特征在于，所述系统包括：深度相机(2)、多光谱相机(3)、可见光相机(4)、支架(1)、通信模块(5)和服务器，所述支架(1)固定在种植作物的土地上，可见光相机(4)设置在支架(1)上，深度相机(2)和多光谱相机(3)设置在支架(1)顶端，可将光相机拍摄的作物的RGB图像、深度相机(2)拍摄的作物的深度图像和多光谱相机(3)拍摄的作物的多光谱图像均通过通信模块(5)传输到服务器，服务器根据所述深度图像、多光谱图像和RGB图像计算作物的长势评分。
7.根据权利要求6所述的一种作物长势识别系统，其特征在于，还包括围蔽(6)，所述围蔽(6)内表面喷涂有两色相间排布的矩形块，围蔽(6)装置底端通过配重(63)固定在地面，围蔽(6)包围设置在被监测的作物周围。
8.根据权利要求6所述的一种作物长势识别系统，其特征在于，所述服务器包括：图像获取模块、株高计算模块、营养状况分析模块、病虫害识别模块、单项评分模块、评分融合模块、预警模块；所述图像获取模块获取作物的深度图像、多光谱图像、RGB图像，株高计算模块利用所述深度图像和RGB图像计算作物株高，营养状况分析模块利用所述多光谱图像分析作物营养状况，病虫害识别模块利用所述RGB图像识别作物病虫害情况，单项评分模块根据作物株高、作物营养情况和作物病虫害情况进行评分，得到株高评分、营养状况评分和病虫害评分，评分融合模块对株高评分、营养情况评分和病虫害评分进行数据融合，计算得到作物的长势评分，若评分低于预设阈值，预警模块发出预警信息。
9.根据权利要求6所述的一种作物长势识别系统，其特征在于，所述可见光相机(4)为双目摄像头，一个支架(1)上设有一组或多组双目摄像头，一组双目摄像头中包括至少两个双目摄像头，一组中的不同双目摄像头分别设置在支架(1)的不同高度处，通过不同高度的双目摄像头拍摄作物的整体。
10.根据权利要求6所述的一种作物长势识别系统，其特征在于，所述多光谱相机(3)为红外多光谱相机(3)，用于拍摄红光波段和至少一个红外波段的作物图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110932657.1A CN113724210A (zh) | 2021-08-13 | 2021-08-13 | 一种作物长势识别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110932657.1A CN113724210A (zh) | 2021-08-13 | 2021-08-13 | 一种作物长势识别方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113724210A true CN113724210A (zh) | 2021-11-30 |
Family
ID=78675852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110932657.1A Pending CN113724210A (zh) | 2021-08-13 | 2021-08-13 | 一种作物长势识别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113724210A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114299699A (zh) * | 2021-12-03 | 2022-04-08 | 浙江朱道模块集成有限公司 | 一种基于物联网的园林植物智能语音情景标识系统 |
| CN114486763A (zh) * | 2022-01-26 | 2022-05-13 | 河北润田节水设备有限公司 | 一种作物病虫害检测系统及其使用方法 |
| CN116341920A (zh) * | 2023-05-29 | 2023-06-27 | 成都金雅图科技有限公司 | 一种基于云计算的农业风险预警系统及方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
| CN108362267A (zh) * | 2018-01-09 | 2018-08-03 | 浙江大学 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
| CN108460361A (zh) * | 2018-03-23 | 2018-08-28 | 苏州市农业科学院 | 一种作物监测装置及方法 |
| US20180259496A1 (en) * | 2012-06-01 | 2018-09-13 | Agerpoint, Inc. | Systems and methods for monitoring agricultural products |
| CN112204569A (zh) * | 2019-11-04 | 2021-01-08 | 深圳市大疆创新科技有限公司 | 结合多光谱和地表语义的作业规划方法、装置及设备 |
| US20210056685A1 (en) * | 2017-12-11 | 2021-02-25 | Jiangsu University | Method and device for monitoring comprehensive growth of potted lettuce |
| CN112580671A (zh) * | 2020-12-31 | 2021-03-30 | 华南农业大学 | 一种基于深度学习的稻穗多发育期自动检测方法及系统 |
| CN113240648A (zh) * | 2021-05-18 | 2021-08-10 | 北京师范大学 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
-
2021
- 2021-08-13 CN CN202110932657.1A patent/CN113724210A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101881726A (zh) * | 2010-06-18 | 2010-11-10 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| US20180259496A1 (en) * | 2012-06-01 | 2018-09-13 | Agerpoint, Inc. | Systems and methods for monitoring agricultural products |
| CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
| US20210056685A1 (en) * | 2017-12-11 | 2021-02-25 | Jiangsu University | Method and device for monitoring comprehensive growth of potted lettuce |
| CN108362267A (zh) * | 2018-01-09 | 2018-08-03 | 浙江大学 | 基于卫星数据的湿渍害胁迫下油菜产量损失遥感定量评估方法 |
| CN108460361A (zh) * | 2018-03-23 | 2018-08-28 | 苏州市农业科学院 | 一种作物监测装置及方法 |
| CN112204569A (zh) * | 2019-11-04 | 2021-01-08 | 深圳市大疆创新科技有限公司 | 结合多光谱和地表语义的作业规划方法、装置及设备 |
| CN112580671A (zh) * | 2020-12-31 | 2021-03-30 | 华南农业大学 | 一种基于深度学习的稻穗多发育期自动检测方法及系统 |
| CN113240648A (zh) * | 2021-05-18 | 2021-08-10 | 北京师范大学 | 一种多时相可见光影像的植被长势监测分析方法和装置 |
Non-Patent Citations (7)
| Title |
|---|
| FU, LONGSHENG等: ""Application of consumer RGB-D cameras for fruit detection and localization in field: A critical review"", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》, vol. 177, 7 August 2020 (2020-08-07), pages 1 - 12 * |
| XU K等: ""Spectrum- and RGB-D-Based Image Fusion for the Prediction of Nitrogen Accumulation in Wheat"", 《REMOTE SENSING》, vol. 12, no. 24, 10 December 2020 (2020-12-10), pages 1 - 16 * |
| Y. TIAN等: ""Fast Recognition and Location of Target Fruit Based on Depth Information"", 《IEEE ACCESS》, vol. 7, 25 November 2019 (2019-11-25), pages 170553 - 170563, XP011753427, DOI: 10.1109/ACCESS.2019.2955566 * |
| 张慧春等: ""植物表型平台与图像分析技术研究进展与展望"", 《农业机械学报》, vol. 51, no. 3, 25 March 2020 (2020-03-25), pages 1 - 17 * |
| 杨斯: ""基于RGB-D温室苗期作物生长参数提取方法的研究"", 《中国优秀硕士学位论文全文数据库 信息科技辑》, no. 12, 15 December 2018 (2018-12-15), pages 138 - 1808 * |
| 石涛等: ""无人机多光谱遥感监测水稻高温胁迫的关键技术"", 《中国农业气象》, vol. 41, no. 09, 16 September 2020 (2020-09-16), pages 597 - 604 * |
| 蒋家旭: ""基于自适应残差3D-CNN的高光谱图像跨域分类"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, 15 January 2020 (2020-01-15), pages 028 - 235 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114299699A (zh) * | 2021-12-03 | 2022-04-08 | 浙江朱道模块集成有限公司 | 一种基于物联网的园林植物智能语音情景标识系统 |
| CN114299699B (zh) * | 2021-12-03 | 2023-10-10 | 浙江朱道模块集成有限公司 | 一种基于物联网的园林植物智能语音情景标识系统 |
| CN114486763A (zh) * | 2022-01-26 | 2022-05-13 | 河北润田节水设备有限公司 | 一种作物病虫害检测系统及其使用方法 |
| CN116341920A (zh) * | 2023-05-29 | 2023-06-27 | 成都金雅图科技有限公司 | 一种基于云计算的农业风险预警系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113724210A (zh) | 一种作物长势识别方法和系统 | |
| CN106971167B (zh) | 基于无人机平台的作物生长分析方法及其分析系统 | |
| Di Gennaro et al. | A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard | |
| CN108693119B (zh) | 基于无人机高光谱遥感的病虫害智能察打系统 | |
| CA2740503C (en) | Variable rate sprayer system and method of variably applying agrochemicals | |
| US10568316B2 (en) | Apparatus and methods for in-field data collection and sampling | |
| CN111372444B (zh) | 信息处理装置、信息处理方法以及植被管理系统 | |
| Whalley et al. | Applications of image processing in viticulture: A review | |
| CN109634332A (zh) | 一种现代化温室的智能调控系统 | |
| CN115526521A (zh) | 一种用于植物工厂的植物生长状态监控报警系统 | |
| CN112116206A (zh) | 一种基于大数据的智慧农业系统 | |
| CN116300608A (zh) | 一种基于大数据的智慧农业远程监控系统 | |
| CN114723667A (zh) | 一种农业精细化种植及灾害预防控制系统 | |
| CN117496356A (zh) | 农业人工智能作物检测方法及系统 | |
| Moreno et al. | Proximal sensing for geometric characterization of vines: A review of the latest advances | |
| CN117057946A (zh) | 一种智慧农业园区数据监控装置及方法 | |
| Mostafa et al. | Using LiDAR technique and modified Community Land Model for calculating water interception of cherry tree canopy | |
| WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
| CN111523457B (zh) | 一种杂草识别方法及杂草处理设备 | |
| Liang et al. | CanopyCAM–an edge-computing sensing unit for continuous measurement of canopy cover percentage of dry edible beans | |
| Backes et al. | Classification of weed patches in Quickbird images: verification by ground truth data | |
| de Ocampo et al. | Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing. | |
| DE202022102591U1 (de) | System zur Überwachung des Gesundheitszustands von Pflanzen in der Präzisionslandwirtschaft mittels Bildverarbeitung und Faltungsneuronalem Netz | |
| US20220107297A1 (en) | Platform for real-time identification and resolution of spatial production anomalies in agriculture | |
| US11763452B2 (en) | Training method, evaluation method, electronic device and storage medium |
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 |