CN113795846A - 确定作物种植信息的方法、装置及计算机存储介质 - Google Patents
确定作物种植信息的方法、装置及计算机存储介质 Download PDFInfo
- Publication number
- CN113795846A CN113795846A CN202080030158.7A CN202080030158A CN113795846A CN 113795846 A CN113795846 A CN 113795846A CN 202080030158 A CN202080030158 A CN 202080030158A CN 113795846 A CN113795846 A CN 113795846A
- Authority
- CN
- China
- Prior art keywords
- crop
- sub
- threshold range
- limit
- distance
- 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 60
- 239000002689 soil Substances 0.000 claims description 37
- 238000010899 nucleation Methods 0.000 claims description 20
- 238000009331 sowing Methods 0.000 claims description 13
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000003750 conditioning effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008635 plant growth Effects 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims 2
- 241000196324 Embryophyta Species 0.000 description 37
- 230000012010 growth Effects 0.000 description 11
- 241000894007 species Species 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 240000000111 Saccharum officinarum Species 0.000 description 3
- 235000007201 Saccharum officinarum Nutrition 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 102000018997 Growth Hormone Human genes 0.000 description 2
- 108010051696 Growth Hormone Proteins 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000122 growth hormone Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000009356 triple cropping Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Image Processing (AREA)
Abstract
一种确定作物种植信息的方法、装置及计算机存储介质。该方法包括:获取多光谱采集装置采集的多张图像(步骤S110);基于多张图像确定作物种植区域(步骤S120);将作物种植区域划分为多个子区域,并确定每个子区域的作物稀疏度(步骤S130);在图像中显示多个子区域的作物稀疏度(步骤S140)。能够基于多光谱采集装置采集的多张图像确定作物稀疏度,并且可以通过显示该作物稀疏度为用户提供足够的参考信息。
Description
技术领域
本申请涉及农作物领域,并且更具体地,涉及一种确定作物种植信息的方法、装置及计算机存储介质。
背景技术
在农业播种种植之后的一段时间内,需要对整个播种地块进行调查,调查播下去的种子是否有效进行出苗,并且对于出苗率做出统计。同时,农户需要知道哪些位置没有有效出苗,对没有有效出苗的这些位置要进行补苗。
现有方案一般是人工进行巡查,对于发现没有出苗/漏种的地区,进行补苗。这种方案作业效率很低,并且强依赖于巡查人员的认真程度,可靠性较差。
在当前作业状态下,没有合适的方式能够快速获取较大范围田块内的出苗状况,以及后续直接给出农户指导,在哪些位置需要进行补苗,补几颗苗。
发明内容
本申请实施例提供了一种确定作物种植信息的方法、装置及计算机存储介质,从而用户能够基于该作物种植信息确定补种信息,确保补种的可靠性。
第一方面,提供了一种确定作物种植信息的方法,所述方法包括:
获取多光谱采集装置采集的多张图像,所述多张图像分别对应不同的光谱;
基于所述多张图像确定作物种植区域;
将所述作物种植区域划分为多个子区域,并确定所述多个子区域中每个子区域的作物稀疏度;
在图像中显示所述多个子区域的作物稀疏度。
第二方面,提供了一种确定作物种植信息的装置,所述装置包括:
存储器,用于存储计算机指令;
处理器,用于执行以下步骤:
获取多光谱采集装置采集的多张图像,所述多张图像分别对应不同的光谱;
基于所述多张图像确定作物种植区域;
将所述作物种植区域划分为多个子区域,并确定所述多个子区域中每个子区域的作物稀疏度;
显示器,用于显示所述多个子区域的作物稀疏度。
第三方面,提供了一种计算机存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述方法的步骤。
可见,本申请实施例提供了用于确定作物种植信息的方法和装置,能够基于多光谱采集装置采集的多张图像确定作物稀疏度,并且可以通过显示该作物稀疏度为用户提供足够的参考信息。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例的确定作物种植信息的方法的一个示意流程图;
图2是正态分布曲线的一个示意图;
图3是本申请一个实施例的确定作物种植信息的装置的一个示意框图;
图4是本申请一个实施例的确定作物种植信息的可移动平台的一个示意框图;
图5是本申请一个实施例的确定作物种植信息的电子设备的一个示意框图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例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申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请提供了一种确定作物种植信息的方法,该方法可以由可移动平台来执行,或者可以由与可移动平台可通信地连接的电子设备来执行。
其中,可移动平台包括但不限于无人飞行器、无人驾驶车辆、无人驾驶船只或者移动机器人等。
可选地,可移动平台可以具有通信模块(如WIFI模块,或者蓝牙模块,或者其他无线/有线通信模块),以便可通信地连接到其他的电子设备,并与电子设备进行数据传输等。其中,电子设备可以包括但不限于移动电话、平板、电脑、个人数字助理(PDA)或者可穿戴设备等移动终端。
示例性地,可移动平台或电子设备可以具备定位功能,例如可以使用全球定位系统(Global Positioning System,GPS)、实时动态(Real Time Kinematic,RTK)定位技术、全球卫星导航系统(Global Navigation Satellite System,GNSS)是来实现该定位功能。从而,可移动平台或电子设备能够基于该定位功能,确定当前所处的位置信息。该位置信息可以包括以下至少一项:经度、纬度、城市名称等。
示例性地,可移动平台或电子设备可以可通信地连接到云端或者服务器,从而能够从云端或者服务器获取天气或时间等信息,例如包括但不限于:天气状况、气温、节气、播种时节等。
示例性地,可移动平台或电子设备可以具有显示屏,该显示屏可以是LED屏、可触摸屏等,从而可以在该显示屏上显示至少一个多光谱图像。
示例性地,可移动平台可以安装或搭载有多光谱采集装置,多光谱采集装置也可以称为多光谱摄像装置。可移动平台可以通过该多光谱采集装置采集目标区域的多光谱图像。
多光谱采集装置可以包括以下中的至少两个器件:可见光相机、红边相机、近红外相机、蓝光相机、绿光相机、红光相机。相应地,多光谱采集装置采集到的多光谱图像可以包括:可见光图像、红边图像、近红外图像、蓝光图像、绿光图像、红光图像。
为了实现本申请中的确定作物种植信息的方法,多光谱采集装置所采集的目标区域中可以存在若干植物,例如已种植作物,每个植物表面都能反射出一些它所接收到的光,具有不同表面特征的植物以不同的方式反射或吸收太阳的辐射,从而该多光谱采集装置可以根据植物反射光和入射光的特点获取其对应的多光谱图像。
相应地,多光谱采集装置所包括的可见光相机可以用于获取目标区域内的若干植物的RGB图像,所包括的红边相机可以用于获取目标区域内的若干植物在红外光谱带上的图像,所包括的近红外相机可以用于获取目标区域内的若干植物在近红外光谱带的图像,所包括的蓝光相机可以用于获取目标区域内的若干植物在蓝光谱带的图像,所包括的绿光相机可以用于获取目标区域内的若干植物在绿光谱带的图像,所包括的红光相机可以用于获取目标区域内的若干植物在红光谱带的图像。可见,多光谱成像技术可以使用绿色、红色、蓝色、红外或者近红外捕获作物和植被的可见和不可见的图像,以肉眼观察土壤和农作物的健康状况非常有限,而多光谱图像能够比农民的肉眼看到更多的东西,在评估土壤生产力和分析植物健康方面起到重要作用。
作为一个实施例,在获取多光谱图像之后,可移动平台或者与该可移动平台可通信地连接的电子设备可以根据多光谱图像获取一张或多张植被指数图。其中,该多光谱图像可以反映目标区域内的若干植物的反射光和吸收光的情况,即多光谱图像可以反映目标区域内的若干植物的光谱特征,从而可移动平台或者电子设备可以根据目标区域内的若干植物的光谱特性,将可见光和近红外波段进行组合,形成各种植被指数,并基于各种植被指数生成对应的植被指数图,即植被指数图可以用于指示目标区域内的若干植物的植被指数。
示例性,本申请中的植被指数图所指向的植被指数包括但不限于:归一化植被指数、归一化差异红色边缘指数、绿通道植被指数、比值植被指数、差值植被指数、大气阻抗植被指数、土壤调节植被指数或者增强植被指数等等。需要说明的是,以上仅为对植被指数的举例说明,并不构成对植被指数的限定。可以理解的是,可以根据其中一种植被指数生成一张植被指数图,也可以根据多种植被指数融合生成一张植被指数图,本申请实施例对此不做任何限制。
实际上,近年来,以多光谱成像为核心的遥感技术在现代化精准农业、林业水利等领域已经扮演了重要的角色。通过经校正和标定的植被在光谱各个波段的反射率,可以获取归一化植被指数(Normalized Differential Vegetation Index,NDVI),归一化植被指数是反映农作物长势和营养信息的重要参数之一。
作为一例,NDVI=(NIR-R)/(NIR+R),其中NIR表示近红外通道反射率,R表示可见光通道反射率。根据该式可以看出,NDVI的取值范围一般满足:-1≤NDVI≤1。当地面对可见光高反射时,NDVI为负值,可以确定地面覆盖为云、水、雪等。当NIR和R近似相等时,NDVI接近为0值,可以确定地面有岩石或裸土等。当NDVI为正值时,可以确定地面有植被覆盖,且随覆盖度增大而增大。由此可以看出,NDVI能反映出植物冠层的背景影响,如土壤、潮湿地面、雪、枯叶、粗糙度等,且与植被覆盖有关。
因此,对于目标区域中的植物,能够通过NDVI指数图比较轻易地识别出苗植物(NDVI>0)以及背景土壤(NDVI<0)并予以区分。示例性地,通过拓扑关系以及高分辨率的RGB图像,可以进一步将周边杂草与目标植物幼苗识别出。有鉴于此,本申请中提供的一种确定作物种植信息的方法的一个流程图可以如图1所示,该方法可以包括:
步骤S110,获取多光谱采集装置采集的多张图像,多张图像分别对应不同的光谱;
步骤S120,基于多张图像确定作物种植区域;
步骤S130,将作物种植区域划分为多个子区域,并确定多个子区域中每个子区域的作物稀疏度;
步骤S140,在图像中显示多个子区域的作物稀疏度。
其中,步骤S110中的多光谱采集装置如前所述,可以包括以下中的至少两个器件:可见光相机、红边相机、近红外相机、蓝光相机、绿光相机、红光相机。相应地,步骤S110中的多张图像可以包括:可见光图像、红边图像、近红外图像、蓝光图像、绿光图像、红光图像。其中,可见光图像为RGB图像。在一个实施方式中,通过不同光谱的相机获取多张图像。例如,通过可见光相机、红边相机、近红外相机、蓝光相机、绿光相机、红光相机获取多张图像,并通过这些图像确定作物种植区域。优选地,所述多张图像中包括可见光图像和/或其他对应于不同光谱的图像。
示例性地,步骤S120中,可以基于多张图像中的至少两张图像确定植被指数图;对该植被指数图进行图像识别,以确定作物种植区域。
在一个实施例中,植被指数图指向以下至少一种:归一化植被指数、归一化差异红色边缘指数、绿通道植被指数、比值植被指数、差值植被指数、大气阻抗植被指数、土壤调节植被指数、增强植被指数。
举例来说,以上文所述的归一化植被指数(NDVI)为例,可以根据VDVI的值的大小区分出植被区域和背景区域,进一步地可以对植被区域进行纹理识别,从而区分出出苗作物和杂草。那么可以理解,出苗作物所在的位置形成的区域即为作物种植区域。
示例性地,步骤S130中,可以根据作物种植区域中作物的种类和/或作物的种植模式来进行划分。
其中,作物的种植模式可以为密集种植模式或行列种植模式。其中密集种植模式也可以称为分块种植模式或者分块密度模式等,本申请对此不限定。
一般地,密集种植模式的作物可以包括小麦、水稻等密集型种植作物;行列种植模式的作物可以包括玉米、甘蔗、土豆等列种植作物。
作为一例,步骤S130可以通过图像识别可以确定出作物的种类,则进一步可以根据与该作物的种类对应的种植模式进行划分。作为另一例,步骤S130中可以通过图像识别确定出作物的种植模式,并进行划分。
示例性地,步骤S130中的划分可以包括:对植被指数图和可见光图像结合进行图像识别,确定作物的种植模式;如果作物的种植模式是密集种植模式,则将作物种植区域按照分块方式划分为多个子区域;如果作物的种植模式是行列种植模式,则将作物种植区域按照田垅方式划分为多个子区域。可理解,植被指数图可以指向以下至少一个:归一化植被指数、归一化差异红色边缘指数、绿通道植被指数、比值植被指数、差值植被指数、大气阻抗植被指数、土壤调节植被指数、增强植被指数。作为一例,可以根据对归一化植被指数图像和可见光图像的图像识别来进行划分。
下面本申请中将针对两种不同的种植模式分别进行阐述。
针对密集型种植模式:
如果通过图像识别确定是密集型种植模式,那么在步骤S130中可以按照分块方式将作物种植区域划分为多个子区域。也就是说,子区域是分块形式。示例性地,每个子区域的形状可以是块状的,例如可以为矩形、正方形、三角形或其他任意形状,并且不同的子区域可以具有相同或不同的大小(面积)或形状。
可选地,划分之后或者划分的同时,还可以为多个子区域进行编号,例如1,2,3,…,N。
进一步地,还可以在步骤S130中确定各个子区域的作物稀疏度。在密集型种植模式下,作物稀疏度为作物密度,其中,该作物密度表示单位面积内的作物数量。具体地,可以通过图像识别的方式确定各个子区域中的作物总数量,然后再除以对应的子区域的面积,从而得到作物密度。
作为一个实施例,在步骤S140中,可以在可见光图图像中显示多个子区域的作物稀疏度,即作物密度。由于可见光图像接近于人类的视觉图像,因此在可见光图像中进行显示,可以使得用户观看时更接近于真实场景。可理解,也可以在其他的图像中显示,例如在某一植被指数图中显示,本申请对此不限定。
作为一个实施例,步骤S140进一步还可以包括:显示作物稀疏度(即作物密度)超出阈值范围的子区域。例如,如果某个子区域的作物密度超出阈值范围,则可以在图像中以不同的颜色、线条、灰度、标记等方式显示该子区域。再例如,可以在图像中将每个子区域的编号表示出来,并在图像的特定区域(如左下角,如图像边界外等)显示出作物密度超出阈值范围的子区域的编号。可理解,也可以通过其他方式进行显示,只要用户能够明白其含义即可。
作为一例,阈值范围是指预定下限以上的范围;相应地,超出阈值范围是指低于预定下限。示例性地,显示作物密度超出阈值范围的子区域,可以包括:以第一模式显示作物密度低于预定下限的子区域。
作为另一例,阈值范围是指预定下限与预定上限之间的范围;相应地,超出阈值范围是指低于预定下限或者高于预定上限。示例性地,显示作物密度超出阈值范围的子区域,可以包括:以第一模式显示作物密度超出阈值范围的子区域。或者示例性地,显示作物密度超出阈值范围的子区域,可以包括:以第一模式显示作物密度低于预定下限的子区域,以第二模式显示作物密度高于预定上限的子区域。
可理解,在显示之前,可以获取或者确定阈值范围,也就是说,在一例中,可以先获取或确定预定下限。在另一例中,可以先获取或确定预定下限和预定上限。
在一种实现方式中,预定下限是用户输入的,或者预定下限是根据用户的输入数值所确定的。
具体地,用户可以直接输入预定下限,如A,表示用户能够接收的最小的密度。
或者,具体地,用户可以输入播种面积和播撒种子数量,例如播种面积为Y,播撒种子数量X,从而可以据此确定预定下限为X/Y。
在另一种实现方式中,可以根据多个子区域中每个子区域的作物密度确定预定下限,或者,可以根据多个子区域中每个子区域的作物密度确定预定下限和预定上限。
具体地,可以确定与多个子区域一一对应的多个作物密度的平均值与方差;基于平均值与方差,将多个作物密度拟合为正态分布曲线;在正态分布曲线中确定预定下限(或者确定预定下限和预定上限)。
如图2示出的是正态分布曲线,其中,μ为期望,σ为标准差(σ2为方差),68.27%、95%、以及99%分别是1倍标准差、1.96倍标准差和2.58倍标准差之内作物密度分布的概率。可以理解的是,如果多个子区域的数量越多,即在步骤S130中划分的越细,则进行正态分布曲线拟合时,结果会更好。
其中,预定下限可以位于正态分布曲线左端的第一特定位置处,如σ处或2σ处。预定上限可以位于正态分布曲线右端的第二特定位置处,如σ处或2σ处。其中,σ表示标准差。应当理解的是,基于正态分布曲线确定的预定下限也可以在其他位置,如预定下限为μ-1.96σ。同样地,基于正态分布曲线确定的和预定上限也可以在其他位置,如预定上限为μ+1.96σ。本申请对此不限定。
在又一种实现方式中,可以基于以下信息中的至少一项,确定阈值范围:作物种类、地理位置、天气状况、土壤条件、播种时节。
其中,作物种类是通过对可见光图像进行图像识别所确定的。其中,地理位置是通过全球定位系统所确定的。其中,天气状况是从天气服务器所获取的。其中,土壤条件是通过对作物种植区域的土壤进行预先分析所确定的。其中,播种时节包括节气、季节和/或已种植时长。其中,已种植时长是通过播种时间以及当前时间之间的时间长度来确定的。示例性地,可以从服务器获取天气状况、土壤条件、播种时节等信息。
可理解,不同的作物种类应该具有不同的种植密度,比如小麦的种植密度可以大于黄豆的种植密度。可理解,地理位置、天气状况、土壤条件、播种时节等因素都会影响作物的长势等,因此在确定阈值范围时应该进行综合考虑。
在具体确定(预定下限,或者预定下限和预定上限)时:可以根据地理位置确定作物的生长规律,如一年三熟的地区相比于一年一熟的地区,种植密度低。可以根据天气状况结合作物所需的生长环境来确定,如对于水稻而言,潮湿的环境下相比干旱的环境,种植密度可以高一些。可以根据土壤条件来确定,如相对肥沃的土壤相比于较贫瘠的土壤而言,种植密度高;再如如果土壤中富含有该作物所需的矿物质,则种植密度可以高一些。可以根据播种时节来进行确定,如在一年三熟的地区,不同的时节播种时种植密度也是不一样的。例如,不同时节播种的作物会具有不同的生长曲线,因此,可以根据作物的植物生长曲线,确定与播种时节对应的阈值范围。
应当理解的是,尽管此处针对于各个单独因素进行了定性的分析,但是实际情况下,可以结合其中的多个或者全部因素来确定阈值范围。示例性地,可以结合历史数据来进行定量的确定,举例来说,可以利用大数据通过深度学习的方式来确定。
另外,还应注意的是,尽管上面的实施例以不同的实现方式描述了如何确定阈值范围,实际上,可以通过上述实现方式的结合来确定,本申请对此不限定。
上述所说的第一模式和第二模式可以具有不同的颜色、线条、灰度或标记。如第一模式采用第一颜色,第二模式采用第二颜色。如第一模式采用第一纹理,第二模式采用第二纹理。如第一模式采用颜色表示,第二模式采用线条表示。等等。
这样,用户可以直观地看出作物密度超出阈值范围的区域,并可以据此采取进一步的措施。
在一个实施例中,图1所示的方法可以用于确定作物补种信息。示例性地,可以发出提示信息,以便用户对作物密度低于预定下限的子区域进行补种。其中,提示信息可以是动画和/或声音等方式,例如使作物密度低于预定下限的子区域进行闪烁,例如播放“有需补苗区域”的声音等等。
示例性地,对于作物密度高于预定上限的子区域,也可以提醒用户注意。比如,用户可以对这些子区域进行忽略;或者,用户可以选择拔掉一些苗以保证密度在阈值范围内;再或者,用户可以选择施加生长激素类药物,避免作物长的过高而倒伏;等等。
针对行列种植模式:
如果通过图像识别确定是行列种植模式,那么在步骤S130中可以按照田垅方式将作物种植区域划分为多个子区域。也就是说,子区域为田垅形式,例如一个子区域可以为一个田垅。
可选地,划分之后或者划分的同时,还可以为多个子区域(田垅)进行编号,例如1,2,3,…,M。
进一步地,还可以在步骤S130中确定各个子区域的作物稀疏度。在行列种植模式下,该作物稀疏度为相邻两株作物之间的距离。例如,距离越大说明密度越小,相反,距离越小说明密度越大。在另一实施例中,在行列种植模式下,作物稀疏度可以为作物密度,且作物密度等于距离的倒数。
具体地,针对于每一子区域(田垅),可以通过图像识别的方式确定该子区域中的每一株作物,然后确定每相邻两株作物之间的距离。
例如,对于田垅i来说(i为1至M中任一个),假设通过图像识别发现该田垅i上包括P株作物,那么可以进一步确定出P-1个距离。
作为一个实施例,在步骤S140中,可以在可见光图图像中显示多个子区域的作物稀疏度。由于可见光图像接近于人类的视觉图像,因此在可见光图像中进行显示,可以使得用户参看时更接近于真实场景。可理解,也可以在其他的图像中显示,例如在某一植被指数图中显示,本申请对此不限定。
作为一个实施例,步骤S140进一步还可以包括:显示作物稀疏度超出阈值范围的子区域。例如,如果某个子区域的作物稀疏度超出阈值范围,则可以在图像中以不同的颜色、线条、灰度、标记等方式显示该子区域。再例如,可以在图像中将每个子区域的编号表示出来,并在图像的特定区域(如左下角,如图像边界外等)显示出作物稀疏度超出阈值范围的子区域的编号。可理解,也可以通过其他方式进行显示,只要用户能够明白其含义即可。
也就是说,步骤S140进一步还可以包括:显示相邻两株作物之间的距离(或简称相邻距离)超出距离阈值范围的植株位置。例如,如果某两颗相邻植株之间的距离超出距离阈值范围,则可以在图像中以不同的颜色、线条、灰度、标记等方式进行显示。
作为一例,距离阈值范围是指小于距离上限的范围;相应地,超出距离阈值范围是指大于距离上限。示例性地,显示相邻距离超出距离阈值范围的植株位置,可以包括:以第一模式显示相邻距离大于距离上限的植株位置。
作为另一例,距离阈值范围是指距离下限与距离上限之间的范围;相应地,超出距离阈值范围是指小于距离下限或者大于距离上限。示例性地,显示相邻距离超出距离阈值范围的植株位置,可以包括:以第一模式显示相邻距离超出距离阈值范围的植株位置。或者示例性地,显示相邻距离超出距离阈值范围的植株位置,可以包括:以第一模式显示相邻距离大于距离上限的植株位置,以第二模式显示相邻距离小于距离下限的植株位置。
可理解,在显示之前,可以获取或者确定距离阈值范围,也就是说,在一例中,可以先获取或确定距离上限。在另一例中,可以先获取或确定距离上限和距离下限。
在一种实现方式中,距离上限是用户输入的,或者距离上限是根据用户的输入数值所确定的。
具体地,用户可以直接输入距离上限,如D0,表示用户能够接收的最大距离。
或者,具体地,用户可以输入所有田垅总长度和播撒种子数量,例如所有田垅总长度为L,播撒种子数量X,从而可以据此确定距离上限为X/L。
在另一种实现方式中,可以根据多个子区域中每个子区域的相邻距离确定距离上限,或者,可以根据多个子区域中每个子区域的相邻距离确定距离上限和距离下限。
具体地,可以确定所有的相邻距离的平均值与方差;基于平均值与方差,将所有的相邻距离拟合为正态分布曲线;在正态分布曲线中确定距离上限(或者确定距离上限和距离下限)。
如图2示出的是正态分布曲线。其中,距离下限可以位于正态分布曲线左端的第一特定位置处,如σ处或2σ处。距离上限可以位于正态分布曲线右端的第二特定位置处,如σ处或2σ处。其中,σ表示标准差。应当理解的是,基于正态分布曲线确定的距离下限也可以在其他位置,如距离下限为μ-1.96σ。同样地,基于正态分布曲线确定的和距离上限也可以在其他位置,如距离上限为μ+1.96σ。本申请对此不限定。
在又一种实现方式中,可以基于以下信息中的至少一项,确定距离阈值范围:作物种类、地理位置、天气状况、土壤条件、播种时节。
其中,作物种类是通过对可见光图像进行图像识别所确定的。其中,地理位置是通过全球定位系统所确定的。其中,天气状况是从天气服务器所获取的。其中,土壤条件是通过对作物种植区域的土壤进行预先分析所确定的。其中,播种时节包括节气、季节和/或已种植时长。其中,已种植时长是通过播种时间以及当前时间之间的时间长度来确定的。示例性地,可以从服务器获取天气状况、土壤条件、播种时节等信息。
可理解,不同的作物种类应该具有不同的种植密度,比如玉米之间的距离小于甘蔗之间的距离。可理解,地理位置、天气状况、土壤条件、播种时节等因素都会影响作物的长势等,因此在确定距离阈值范围时应该进行综合考虑。
在具体确定(距离上限,或者距离上限和距离下限)时:可以根据地理位置确定作物的生长规律,如一年三熟的地区相比于一年一熟的地区,相邻距离大。可以根据天气状况结合作物所需的生长环境来确定,如对于甘蔗而言,潮湿的环境下相比干旱的环境,相邻距离可以小一些。可以根据土壤条件来确定,如相对肥沃的土壤相比于较贫瘠的土壤而言,相邻距离小;再如如果土壤中富含有该作物所需的矿物质,则相邻距离可以小一些。可以根据播种时节来进行确定,如在一年三熟的地区,不同的时节播种时相邻距离也是不一样的。例如,不同时节播种的作物会具有不同的生长曲线,因此,可以根据作物的植物生长曲线,确定与播种时节对应的阈值范围。
应当理解的是,尽管此处针对于各个单独因素进行了定性的分析,但是实际情况下,可以结合其中的多个或者全部因素来确定阈值范围。示例性地,可以结合历史数据来进行定量的确定,举例来说,可以利用大数据通过深度学习的方式来确定。
另外,还应注意的是,尽管上面的实施例以不同的实现方式描述了如何确定距离阈值范围,实际上,可以通过上述实现方式的结合来确定,本申请对此不限定。
上述所说的第一模式和第二模式可以具有不同的颜色、线条、灰度或标记。如第一模式采用第一颜色,第二模式采用第二颜色。如第一模式采用第一纹理,第二模式采用第二纹理。如第一模式采用颜色表示,第二模式采用线条表示。等等。
这样,用户可以直观地看出相邻距离超出距离阈值范围的区域,并可以据此采取进一步的措施。
在一个实施例中,图1所示的方法可以用于确定作物补种信息。示例性地,可以发出提示信息,以便用户对相邻距离大于距离上限的植株之间进行补种。其中,提示信息可以是动画和/或声音等方式,例如使相邻距离大于距离上限的植株之间进行闪烁,例如播放“有需补苗区域”的声音等等。
示例性地,对于相邻距离小于距离下限的植株,也可以提醒用户注意。比如,用户可以忽略;或者,用户可以选择拔掉一些苗已保证密度在阈值范围内;再或者,用户可以选择施加生长激素类药物,避免作物长的过高而倒伏;等等。
应当注意的是,对于行列种植模式,也可以通过作物密度作为作物稀疏度来进行描述,例如类似于结合密集种植模式所描述的实施例。并且由于密度与距离成反比,因此这两个实施例实际上是等价的,所以这里不再赘述。
由此可见,本申请中能够基于多光谱采集装置所采集的作物的图像来确定作物稀疏度,为用户提供了充分且直观的显示,进而能够用于确定作物补种信息,方便了用户的操作,也保证了作物更有效的种植。
如图3所示,本申请还提供了一种确定作物种植信息的装置,该装置30包括存储器310、处理器320和显示器330。
存储器310用于存储计算机指令,具体地用于存储由处理器320执行上述方法所需的计算机指令。
处理器320用于执行以下步骤:获取多光谱采集装置采集的多张图像,该多张图像分别对应不同的光谱;基于多张图像确定作物种植区域;将作物种植区域划分为多个子区域,并确定多个子区域中每个子区域的作物稀疏度。
显示器330用于显示多个子区域的作物稀疏度。
可理解,图3中所示的装置30可以为可移动平台,如图4所示,该可移动平台设置有多光谱采集装置301。并且,可选地,该可移动平台还可以包括:动力系统302,用于驱使该可移动平台运动。
可理解,图3中所示的装置30可以为电子设备,如图5所示,该电子设备与可移动平台300可通信地连接,且可移动平台300设置有多光谱采集装置301,可选地,该可移动平台300还包括用于驱使该可移动平台300运动的动力系统302。可选地,该实施例中,可移动平台300还包括处理器、存储器等,这里不再赘述。
在图5所示的一个实施例中,电子设备的处理器320可以从可移动平台300获取多光谱采集装置301采集的多张图像。也就是说,可移动平台300的多光谱采集装置301采集到多张图像后,可以通过可移动平台300与电子设备之间的通信连接,将多张图像传输至电子设备。
在图5所示的另一个实施例中,电子设备的处理器320可以从服务器(图5中未示出)获取多张图像。也就是说,可移动平台300的多光谱采集装置301采集到多张图像后,可以将多张图像上传至服务器。随后,电子设备可以从服务器获取多张图像。这样,能够充分利用服务器的大的存储空间等,并且便于非实时的处理。
在一个实施例中,多光谱采集装置301可以包括以下中的至少两个器件:可见光相机、红边相机、近红外相机、蓝光相机、绿光相机、红光相机。
在一个实施例中,显示器330可以具体用于:在可见光图像中显示多个子区域的作物稀疏度。
在一个实施例中,若子区域为分块形式,作物稀疏度为作物密度,表示单位面积内的作物数量。若子区域为田垅形式,作物稀疏度为相邻两株作物之间的距离。
在一个实施例中,显示器330可以具体用于:显示作物稀疏度超出阈值范围的子区域。
在一个实施例中,子区域为分块形式:阈值范围包括预定下限以上的范围,超出阈值范围包括低于预定下限。或者,阈值范围是指预定下限与预定上限之间的范围,超出阈值范围包括低于预定下限或者高于预定上限。
在一个实施例中,显示器330可以具体用于:以第一模式显示作物密度低于预定下限的子区域,和/或,以第二模式显示作物密度高于预定上限的子区域。
在一个实施例中,子区域为田垅形式:阈值范围包括距离上限以下的范围,超出阈值范围包括大于所述距离上限。或者,阈值范围是指距离下限与距离上限之间的范围,超出阈值范围包括小于距离下限或者大于距离上限。
在一个实施例中,显示器330可以具体用于:以第一模式显示相邻距离大于距离上限的植株位置,和/或,以第二模式显示相邻距离小于距离下限的植株位置。
在一个实施例中,预定下限是用户输入的;或者,预定下限是根据用户的输入数值所确定的。其中用户的输入数值可以包括:播种面积和播撒种子数量。
在一个实施例中,距离上限是用户输入的;或者,所离上限是根据用户的输入数值所确定的。其中用户的输入数值包括:所有田垅总长度和播撒种子数量。
在一个实施例中,处理器320还可以用于:根据多个子区域中每个子区域的作物稀疏确定阈值范围。
在一个实施例中,处理器320可以具体用于:确定与多个子区域一一对应的多个作物稀疏的平均值与方差;基于平均值与方差,将多个作物稀疏拟合为正态分布曲线;在正态分布曲线中确定阈值范围。
在一个实施例中,阈值范围包括预定下限以上的范围,或者,阈值范围是指预定下限与预定上限之间的范围,则:预定下限位于正态分布曲线左端σ处或2σ处,预定上限位于正态分布曲线右端σ处或2σ处,其中,σ表示标准差。
在一个实施例中,阈值范围包括距离上限以下的范围,或者,阈值范围是指距离下限与距离上限之间的范围,则:距离下限位于正态分布曲线左端σ处或2σ处,距离上限位于正态分布曲线右端σ处或2σ处,其中,σ表示标准差。
在一个实施例中,处理器320还可以用于基于以下信息中的至少一项,确定阈值范围:作物种类、地理位置、天气状况、土壤条件、播种时节。
在一个实施例中,作物种类是通过对可见光图像进行图像识别所确定的。在一个实施例中,地理位置是通过全球定位系统所确定的。在一个实施例中,天气状况是从天气服务器所获取的。在一个实施例中,土壤条件是通过对作物种植区域的土壤进行预先分析所确定的。在一个实施例中,所述播种时节包括节气、季节和/或已种植时长。在一个实施例中,所述已种植时长是通过播种时间以及当前时间之间的时间长度来确定的。
在一个实施例中,处理器320可以具体用于:根据作物的植物生长曲线,确定与播种时节对应的阈值范围。
在一个实施例中,第一模式和第二模式具有以下任一种形式:颜色、线条、灰度、标记。
在一个实施例中,处理器320可以具体用于:基于多张图像中的至少两张图像确定植被指数图;对植被指数图进行图像识别,以确定作物种植区域。
在一个实施例中,处理器320可以具体用于:对植被指数图和可见光图像结合进行图像识别,确定作物的种植模式;如果作物的种植模式是密集种植模式,则将作物种植区域按照分块方式划分为多个子区域;如果作物的种植模式是行列种植模式,则将作物种植区域按照田垅方式划分为多个子区域。
其中,植被指数图指向以下至少一种:归一化植被指数、归一化差异红色边缘指数、绿通道植被指数、比值植被指数、差值植被指数、大气阻抗植被指数、土壤调节植被指数、增强植被指数。
可以理解的是,图3至图5中的装置30能够用于实现上述结合图1所描述的各种实施例的方法流程,为避免重复,这里不再赘述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
另外,本申请实施例还提供了一种计算机存储介质,其上存储有计算机程序。当所述计算机程序由处理器执行时,可以实现前述图1所示的确定作物种植信息的方法的步骤。例如,该计算机存储介质为计算机可读存储介质。
在一个实施例中,所述计算机程序指令在被计算机或处理器运行时使计算机或处理器执行以下步骤:获取多光谱采集装置采集的多张图像,所述多张图像分别对应不同的光谱;基于所述多张图像确定作物种植区域;将所述作物种植区域划分为多个子区域,并确定所述多个子区域中每个子区域的作物稀疏度;显示所述多个子区域的作物稀疏度。
计算机存储介质例如可以包括智能电话的存储卡、平板电脑的存储部件、个人计算机的硬盘、只读存储器(ROM)、可擦除可编程只读存储器(EPROM)、便携式紧致盘只读存储器(CD-ROM)、USB存储器、或者上述存储介质的任意组合。计算机可读存储介质可以是一个或多个计算机可读存储介质的任意组合。
另外,本申请实施例还提供了一种计算机程序产品,其包含指令,当该指令被计算机所执行时,使得计算机执行上述所示的数据存储的方法的步骤。
在一个实施例中,当该指令被计算机所执行时,使得计算机执行:获取多光谱采集装置采集的多张图像,所述多张图像分别对应不同的光谱;基于所述多张图像确定作物种植区域;将所述作物种植区域划分为多个子区域,并确定所述多个子区域中每个子区域的作物稀疏度;显示所述多个子区域的作物稀疏度。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其他任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
可见,本申请实施例提供了用于确定作物种植信息的方法和装置,能够基于多光谱采集装置采集的多张图像确定作物稀疏度,并且可以通过显示该作物稀疏度为用户提供足够的参考信息,从而用户可以基于此确定补种信息。该实施例易于实现且提供的信息准确完整,能够确保用户进行补种不会遗漏出错,进而能够保证作物具有更加良好的生长态势,确保作物的产量最优化。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理器中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (63)
1.一种确定作物种植信息的方法,其特征在于,所述方法包括:
获取多光谱采集装置采集的多张图像,所述多张图像分别对应不同的光谱;
基于所述多张图像确定作物种植区域;
将所述作物种植区域划分为多个子区域,并确定所述多个子区域中每个子区域的作物稀疏度;
在图像中显示所述多个子区域的作物稀疏度。
2.根据权利要求1所述的方法,其特征在于,所述多张图像包括可见光图像,以及
在图像中显示所述多个子区域的作物稀疏,包括:
在所述可见光图像中显示所述多个子区域的作物稀疏度。
3.根据权利要求1或2所述的方法,其特征在于,
若所述子区域为分块形式,所述作物稀疏度为作物密度,所述作物密度表示单位面积内的作物数量;
若所述子区域为田垅形式,所述作物稀疏度为相邻两株作物之间的距离。
4.根据权利要求1至3中任一项所述的方法,其特征在于,显示所述多个子区域的作物稀疏,包括:
显示作物稀疏度超出阈值范围的子区域。
5.根据权利要求4所述的方法,其特征在于,所述子区域为分块形式:
所述阈值范围包括预定下限以上的范围,所述超出阈值范围包括低于所述预定下限;
或者,
所述阈值范围是指预定下限与预定上限之间的范围,所述超出阈值范围包括低于所述预定下限或者高于所述预定上限。
6.根据权利要求5所述的方法,其特征在于,显示作物稀疏超出阈值范围的子区域,包括:
以第一模式显示作物密度低于所述预定下限的子区域,和/或,以第二模式显示作物密度高于所述预定上限的子区域。
7.根据权利要求4所述的方法,其特征在于,所述子区域为田垅形式:
所述阈值范围包括距离上限以下的范围,所述超出阈值范围包括大于所述距离上限;
或者,
所述阈值范围是指距离下限与距离上限之间的范围,所述超出阈值范围包括小于所述距离下限或者大于所述距离上限。
8.根据权利要求7所述的方法,其特征在于,显示作物稀疏超出阈值范围的子区域,包括:
以第一模式显示相邻距离大于所述距离上限的植株位置,和/或,以第二模式显示相邻距离小于所述距离下限的植株位置。
9.根据权利要求5或6所述的方法,其特征在于,所述预定下限是用户输入的;或者,所述预定下限是根据所述用户的输入数值所确定的。
10.根据权利要求9所述的方法,其特征在于,所述用户的输入数值包括:播种面积和播撒种子数量。
11.根据权利要求7或8所述的方法,其特征在于,所述距离上限是用户输入的;或者,所述距离上限是根据所述用户的输入数值所确定的。
12.根据权利要求11所述的方法,其特征在于,所述用户的输入数值包括:所有田垅总长度和播撒种子数量。
13.根据权利要求4至8中任一项所述的方法,其特征在于,在所述显示之前,还包括:
根据所述多个子区域中每个子区域的作物稀疏确定所述阈值范围。
14.根据权利要求13所述的方法,其特征在于,所述确定所述阈值范围,包括:
确定与所述多个子区域一一对应的多个作物稀疏的平均值与方差;
基于所述平均值与方差,将所述多个作物稀疏拟合为正态分布曲线;
在所述正态分布曲线中确定所述阈值范围。
15.根据权利要求14所述的方法,其特征在于,所述阈值范围包括预定下限以上的范围,或者,所述阈值范围是指预定下限与预定上限之间的范围,则:
所述预定下限位于所述正态分布曲线左端σ处或2σ处,所述预定上限位于所述正态分布曲线右端σ处或2σ处,其中,σ表示标准差。
16.根据权利要求14所述的方法,其特征在于,所述阈值范围包括距离上限以下的范围,或者,所述阈值范围是指距离下限与距离上限之间的范围,则:
所述距离下限位于所述正态分布曲线左端σ处或2σ处,所述距离上限位于所述正态分布曲线右端σ处或2σ处,其中,σ表示标准差。
17.根据权利要求4至8中任一项所述的方法,其特征在于,在所述显示之前,还包括:
基于以下信息中的至少一项,确定所述阈值范围:
作物种类、地理位置、天气状况、土壤条件、播种时节。
18.根据权利要求17所述的方法,其特征在于,所述多张图像包括可见光图像,以及
所述作物种类是通过对所述可见光图像进行图像识别所确定的。
19.根据权利要求17所述的方法,其特征在于,所述地理位置是通过全球定位系统所确定的。
20.根据权利要求17所述的方法,其特征在于,所述天气状况是从天气服务器所获取的。
21.根据权利要求17所述的方法,其特征在于,所述土壤条件是通过对所述作物种植区域的土壤进行预先分析所确定的。
22.根据权利要求17所述的方法,其特征在于,所述播种时节包括节气、季节和/或已种植时长。
23.根据权利要求22所述的方法,其特征在于,所述已种植时长是通过播种时间以及当前时间之间的时间长度来确定的。
24.根据权利要求22所述的方法,其特征在于,确定所述阈值范围,包括:
根据作物的植物生长曲线,确定与所述播种时节对应的所述阈值范围。
25.根据权利要求6或8所述的方法,其特征在于,所述第一模式和所述第二模式具有以下任一种形式:颜色、线条、灰度、标记。
26.根据权利要求1至25中任一项所述的方法,其特征在于,所述多张图像包括可见光图像,以及基于所述多张图像确定作物种植区域,包括:
基于所述多张图像中的至少两张图像确定植被指数图;
对所述植被指数图进行图像识别,以确定所述作物种植区域。
27.根据权利要求26所述的方法,其特征在于,所述将所述作物种植区域划分为多个子区域,包括:
对所述植被指数图和所述可见光图像结合进行图像识别,确定所述作物的种植模式;
如果所述作物的种植模式是密集种植模式,则将所述作物种植区域按照分块方式划分为多个子区域;
如果所述作物的种植模式是行列种植模式,则将所述作物种植区域按照田垅方式划分为多个子区域。
28.根据权利要求26或27所述的方法,其特征在于,基于所述多张图像中的至少两张图像确定植被指数图,包括:
基于近红外图像和所述可见光图像确定归一化植被指数。
29.根据权利要求26或27所述的方法,其特征在于,所述植被指数图指向以下至少一种:归一化植被指数、归一化差异红色边缘指数、绿通道植被指数、比值植被指数、差值植被指数、大气阻抗植被指数、土壤调节植被指数、增强植被指数。
30.根据权利要求1至29中任一项所述的方法,其特征在于,所述多光谱采集装置包括以下中的至少两个器件:可见光相机、红边相机、近红外相机、蓝光相机、绿光相机、红光相机。
31.一种确定作物种植信息的装置,其特征在于,所述装置包括:
存储器,用于存储计算机指令;
处理器,用于执行以下步骤:
获取多光谱采集装置采集的多张图像,所述多张图像分别对应不同的光谱;
基于所述多张图像确定作物种植区域;
将所述作物种植区域划分为多个子区域,并确定所述多个子区域中每个子区域的作物稀疏度;
显示器,用于显示所述多个子区域的作物稀疏度。
32.根据权利要求31所述的装置,其特征在于,所述多张图像包括可见光图像,以及所述显示器,具体用于:在所述可见光图像中显示所述多个子区域的作物稀疏度。
33.根据权利要求31或32所述的装置,其特征在于,
若所述子区域为分块形式,所述作物稀疏度为作物密度,所述作物密度表示单位面积内的作物数量;
若所述子区域为田垅形式,所述作物稀疏度为相邻两株作物之间的距离。
34.根据权利要求31至33中任一项所述的装置,其特征在于,所述显示器,具体用于:显示作物稀疏度超出阈值范围的子区域。
35.根据权利要求34所述的装置,其特征在于,所述子区域为分块形式:
所述阈值范围包括预定下限以上的范围,所述超出阈值范围包括低于所述预定下限;
或者,
所述阈值范围是指预定下限与预定上限之间的范围,所述超出阈值范围包括低于所述预定下限或者高于所述预定上限。
36.根据权利要求35所述的装置,其特征在于,所述显示器,具体用于:
以第一模式显示作物密度低于所述预定下限的子区域,和/或,以第二模式显示作物密度高于所述预定上限的子区域。
37.根据权利要求34所述的装置,其特征在于,所述子区域为田垅形式:
所述阈值范围包括距离上限以下的范围,所述超出阈值范围包括大于所述距离上限;
或者,
所述阈值范围是指距离下限与距离上限之间的范围,所述超出阈值范围包括小于所述距离下限或者大于所述距离上限。
38.根据权利要求37所述的装置,其特征在于,所述显示器,具体用于:
以第一模式显示相邻距离大于所述距离上限的植株位置,和/或,以第二模式显示相邻距离小于所述距离下限的植株位置。
39.根据权利要求35或36所述的装置,其特征在于,所述预定下限是用户输入的;或者,所述预定下限是根据所述用户的输入数值所确定的。
40.根据权利要求39所述的装置,其特征在于,所述用户的输入数值包括:播种面积和播撒种子数量。
41.根据权利要求37或38所述的装置,其特征在于,所述距离上限是用户输入的;或者,所述距离上限是根据所述用户的输入数值所确定的。
42.根据权利要求41所述的装置,其特征在于,所述用户的输入数值包括:所有田垅总长度和播撒种子数量。
43.根据权利要求34至38中任一项所述的装置,其特征在于,所述处理器,还用于:
根据所述多个子区域中每个子区域的作物稀疏确定所述阈值范围。
44.根据权利要求43所述的装置,其特征在于,所述处理器,具体用于:
确定与所述多个子区域一一对应的多个作物稀疏的平均值与方差;
基于所述平均值与方差,将所述多个作物稀疏拟合为正态分布曲线;
在所述正态分布曲线中确定所述阈值范围。
45.根据权利要求44所述的装置,其特征在于,所述阈值范围包括预定下限以上的范围,或者,所述阈值范围是指预定下限与预定上限之间的范围,则:
所述预定下限位于所述正态分布曲线左端σ处或2σ处,所述预定上限位于所述正态分布曲线右端σ处或2σ处,其中,σ表示标准差。
46.根据权利要求44所述的装置,其特征在于,所述阈值范围包括距离上限以下的范围,或者,所述阈值范围是指距离下限与距离上限之间的范围,则:
所述距离下限位于所述正态分布曲线左端σ处或2σ处,所述距离上限位于所述正态分布曲线右端σ处或2σ处,其中,σ表示标准差。
47.根据权利要求34至38中任一项所述的装置,其特征在于,所述多张图像包括可见光图像,以及
所述处理器,还用于基于以下信息中的至少一项,确定所述阈值范围:
作物种类、地理位置、天气状况、土壤条件、播种时节。
48.根据权利要求47所述的装置,其特征在于,所述作物种类是通过对所述可见光图像进行图像识别所确定的。
49.根据权利要求47所述的装置,其特征在于,所述地理位置是通过全球定位系统所确定的。
50.根据权利要求47所述的装置,其特征在于,所述天气状况是从天气服务器所获取的。
51.根据权利要求47所述的装置,其特征在于,所述土壤条件是通过对所述作物种植区域的土壤进行预先分析所确定的。
52.根据权利要求47所述的装置,其特征在于,所述播种时节包括节气、季节和/或已种植时长。
53.根据权利要求52所述的装置,其特征在于,所述已种植时长是通过播种时间以及当前时间之间的时间长度来确定的。
54.根据权利要求52所述的装置,其特征在于,所述处理器,具体用于:
根据作物的植物生长曲线,确定与所述播种时节对应的所述阈值范围。
55.根据权利要求36或38所述的装置,其特征在于,所述第一模式和所述第二模式具有以下任一种形式:颜色、线条、灰度、标记。
56.根据权利要求31至55中任一项所述的装置,其特征在于,所述多张图像包括可见光图像,以及所述处理器,具体用于:
基于所述多张图像中的至少两张图像确定植被指数图;
对所述植被指数图进行图像识别,以确定所述作物种植区域。
57.根据权利要求56所述的装置,其特征在于,所述处理器,具体用于:
对所述植被指数图和所述可见光图像结合进行图像识别,确定所述作物的种植模式;
如果所述作物的种植模式是密集种植模式,则将所述作物种植区域按照分块方式划分为多个子区域;
如果所述作物的种植模式是行列种植模式,则将所述作物种植区域按照田垅方式划分为多个子区域。
58.根据权利要求56或57所述的装置,其特征在于,所述植被指数图指向以下至少一种:归一化植被指数、归一化差异红色边缘指数、绿通道植被指数、比值植被指数、差值植被指数、大气阻抗植被指数、土壤调节植被指数、增强植被指数。
59.根据权利要求31至58中任一项所述的装置,其特征在于,所述装置为可移动平台,且所述可移动平台设置有所述多光谱采集装置。
60.根据权利要求31至58中任一项所述的装置,其特征在于,所述装置为电子设备,所述电子设备与可移动平台可通信地连接,且所述可移动平台设置有所述多光谱采集装置。
61.根据权利要求60所述的装置,其特征在于,
所述处理器用于:从所述可移动平台获取所述多光谱采集装置采集的所述多张图像,
或者,
所述处理器用于:从服务器获取由所述可移动平台的所述多光谱采集装置采集的所述多张图像。
62.根据权利要求31至61中任一项所述的装置,其特征在于,所述多光谱采集装置包括以下中的至少两个器件:可见光相机、红边相机、近红外相机、蓝光相机、绿光相机、红光相机。
63.一种计算机存储介质,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权利要求1至30中任一项所述方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2020/098214 WO2021258359A1 (zh) | 2020-06-24 | 2020-06-24 | 确定作物种植信息的方法、装置及计算机存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113795846A true CN113795846A (zh) | 2021-12-14 |
Family
ID=78876783
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080030158.7A Pending CN113795846A (zh) | 2020-06-24 | 2020-06-24 | 确定作物种植信息的方法、装置及计算机存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113795846A (zh) |
WO (1) | WO2021258359A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912702A (zh) * | 2023-09-14 | 2023-10-20 | 潍坊现代农业山东省实验室 | 杂草覆盖度确定方法、系统、装置及电子设备 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115294460B (zh) * | 2022-10-08 | 2023-01-17 | 杭州领见数字农业科技有限公司 | 雷竹林退化程度确定方法、介质和电子设备 |
CN117035196B (zh) * | 2023-08-24 | 2024-02-13 | 广东海洋大学 | 基于数据分析的农业生产信息化管理系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2663917C (en) * | 2009-04-22 | 2014-12-30 | Dynagra Corp. | Variable zone crop-specific inputs prescription method and systems therefor |
US20140180549A1 (en) * | 2011-01-07 | 2014-06-26 | The Arizona Board Of Regents On Behalf Of The University Of Arizona | Automated machine for selective in situ manipulation of plants |
CN108267175B (zh) * | 2018-02-06 | 2021-01-08 | 首欣(北京)科技有限公司 | 一种基于无人机的农作物监测方法和装置 |
CN108776106A (zh) * | 2018-04-23 | 2018-11-09 | 中国农业大学 | 一种基于无人机低空遥感的作物长势监测方法及系统 |
CN109001125B (zh) * | 2018-06-13 | 2019-11-15 | 吉林大学 | 一种基于高分一号卫星图像的苗情探测方法及系统 |
CN113985764A (zh) * | 2018-07-13 | 2022-01-28 | 广州极飞科技股份有限公司 | 一种作业控制方法及其控制终端、作业服务器、作业系统 |
CN110163138B (zh) * | 2019-05-13 | 2022-03-11 | 河南科技大学 | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 |
-
2020
- 2020-06-24 WO PCT/CN2020/098214 patent/WO2021258359A1/zh active Application Filing
- 2020-06-24 CN CN202080030158.7A patent/CN113795846A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116912702A (zh) * | 2023-09-14 | 2023-10-20 | 潍坊现代农业山东省实验室 | 杂草覆盖度确定方法、系统、装置及电子设备 |
CN116912702B (zh) * | 2023-09-14 | 2024-01-26 | 潍坊现代农业山东省实验室 | 杂草覆盖度确定方法、系统、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2021258359A1 (zh) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11744189B2 (en) | Plant treatment based on morphological and physiological measurements | |
US11361256B2 (en) | Method for mapping crop yields | |
Stanton et al. | Unmanned aircraft system-derived crop height and normalized difference vegetation index metrics for sorghum yield and aphid stress assessment | |
Cunliffe et al. | Ultra-fine grain landscape-scale quantification of dryland vegetation structure with drone-acquired structure-from-motion photogrammetry | |
WO2021258359A1 (zh) | 确定作物种植信息的方法、装置及计算机存储介质 | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
GB2598012A (en) | System and method for crop monitoring | |
CN109117811A (zh) | 一种基于低空遥感测量技术估算城市植被覆盖率的系统及方法 | |
CN108596029A (zh) | 农作物分类方法、装置、计算机设备和存储介质 | |
Jeong et al. | Application of an unmanned aerial system for monitoring paddy productivity using the GRAMI-rice model | |
Rosas et al. | Low-cost system for radiometric calibration of UAV-based multispectral imagery | |
Pauly | Applying conventional vegetation vigor indices to UAS-derived orthomosaics: issues and considerations | |
CN113570273A (zh) | 一种灌溉耕地统计数据的空间化方法及系统 | |
Roma et al. | Unmanned aerial vehicle and proximal sensing of vegetation indices in olive tree (Olea europaea) | |
Machado et al. | Stress conditions in soybean areas based on measurements of soil-plant-atmosphere system and UAV images | |
Oberthür et al. | Acquisition of low altitude digital imagery for local monitoring and management of genetic resources | |
Feng et al. | Developing an image processing pipeline to improve the position accuracy of single UAV images | |
CN112565726B (zh) | 作业处方图的确定方法、作业控制方法及相关装置 | |
US20240177478A1 (en) | Information processing device, information processing method, and program | |
Thapa | Assessing annual forest phenology: A comparison of Unmanned Aerial Vehicle (UAV) and Phenocamera Datasets | |
Watt | An evaluation of LiDAR and optical satellite data for the measurement of structural attributes in British upland conifer plantation forestry | |
Fang et al. | Hailun Experiment for LAI Measurement (HELM 2016) | |
Kumi et al. | Estimating okra leaf area index using unmanned aerial vehicle imagery | |
Yasen | UAV-Based Sorghum Growth Monitoring Using LiDar, Photogrammetry, and Machine Learning | |
Ouyang | The Applications of UAV and Ground Digital Imagery Analysis for Monitoring Grapevine Canopy in Vineyard |
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 |