CN113962258A - 一种烟草病害的识别与防治方法、系统及存储介质 - Google Patents
一种烟草病害的识别与防治方法、系统及存储介质 Download PDFInfo
- Publication number
- CN113962258A CN113962258A CN202111177984.7A CN202111177984A CN113962258A CN 113962258 A CN113962258 A CN 113962258A CN 202111177984 A CN202111177984 A CN 202111177984A CN 113962258 A CN113962258 A CN 113962258A
- Authority
- CN
- China
- Prior art keywords
- disease
- image
- tobacco
- information
- identification
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开的一种烟草病害的识别与防治方法、系统及存储介质,涉及烟草病虫害防治领域。其中,烟草病毒识别与防治方法包括以下步骤:获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理;提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示。
Description
技术领域
本发明涉及烟草病虫害防治领域,更具体的,涉及一种烟草病害的识别与防治方法、系统和存储介质。
背景技术
烟草病害是目前困扰烟草种植户的一大问题,而我国又是烟草生产大国,烟草是我国主要的经济作物之一。烟草病害不加以控制和预防的话,会严重的影响种植户的收入和国家的财政税收。烟叶质量的好坏取决于烟草的健康生长于否。烟草在生长过程中受到气候、土壤、技术水平等因素的影响,极易受到各种烟草病害危害,又因经验不足的植保人员和农户无法正确判断病害,甚至做出错误施药方案,导致不能及时遏止病情,致使产量和收入大幅缩减,影响烟叶品质。传统的烟草病害识别需要专业的技术人员和技术设备,无法满足种植户的需求,无法大面积的使用推广。
为了对烟草病害进行准确识别并进行科学防治,需要开发一款系统进行匹配,该系统通过获取烟草植株的高光谱图像信息,提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;根据所述病害识别结果进行大数据处理生成病害防治方法。在系统的实现过程中如何建立烟草病害识别模型,以及如何根据识别结果生成防治方案都是亟不可待需要解决的问题。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种烟草病害的识别与防治方法、系统和存储介质。
本发明第一方面提供了一种烟草病害的识别与防治方法,包括:
获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理;
生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;
获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;
根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示。
本方案中,所述获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理,具体为:
获取烟草植株的高光谱图像信息,由所述高光谱图像信息获取光谱数据信息与图像数据信息;
通过预处理对所述光谱数据提取特征波长;
通过预处理对所述图像数据信息提取图像目标区域,将所述图像目标区域的光谱数据信息导出,并对所述图像目标区域的光谱数据信息进行噪声剔除。
根据图像目标区域的光谱数据信息获取光谱反射值,根据光谱反射值生成平均光谱曲线;
其中,根据光谱反射值生成平均光谱曲线,平均光谱表达式为:
本方案中,所述提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中光谱识别模块,具体为:
获取平均光谱曲线,将所述平均光谱曲线进行平滑处理,获取曲线特征;
通过所述曲线特征确定特征峰,根据所述曲线特征及特征峰将平均光谱曲线分解为连续特征点;
将所述特征点导入烟草病害识别模型的光谱识别模块,所述光谱识别模块通过特征点信息与健康烟草平均光谱曲线生成差异系数及差异个数;
根据所述差异系数及差异个数生成光谱识别结果,根据光谱识别结果判断烟草植株病害类型。
本方案中,所述提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中图像识别模块,具体为:
获取烟草植株的高光谱图像,对所述高光谱图像进行掩模处理;
对掩模处理后的高光谱图像进行主成分分析,生成主成分图像;
选取分割阈值,将主成分图像标记成多个独立区域,计算每个区域内每个点的灰度值;
在所述独立区域中,若所述灰度值大于所述分割阈值,则改点为病斑区域,提取病害烟草植株的二值图像;
提取高光谱图像背景区域的坐标信息,根据坐标信息在二值图像中将背景区域进行标记,并将背景区域的灰度值替换为与病斑区域和健康区域不同的数值;
将所述病斑区域进行提取,并生成病斑图像特征,将病斑图像特征导入烟草病害识别模型;
通过所述烟草病害识别模型生成图像识别结果,根据图像识别结果区分烟草病害类型。
本方案中,所述的获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级,具体为:
获取光谱识别结果及图像识别结果,对所述光谱识别结果及图像识别结果进行初始权重赋值;
通过验证烟草病害识别模型识别病害的准确性,生成反馈信息;
根据所述反馈信息对初始权重进行调整,生成最佳权重组合,确定权重信息;
根据所述权重信息对光谱识别结果及图像识别结果进行结合生成病害识别结果;
通过病害识别结果生成病害指数,由所述病害指数生成病害等级。
本方案中,所述根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示,具体为:
获取病害识别结果,根据所述病害识别结果进行关键词提取,生成病害特征信息;
通过大数据处理根据所述病害特征信息获取相似病害防治信息及历史病害防治信息;
根据病害等级匹配似病害防治信息及历史病害防治信息计算病害防治方案的匹配度;
根据所述匹配度确定所述相似病害防治信息及历史病害防治信息的匹配度优先级;
将优先级高的相似病害防治信息及历史病害防治信息进行分析,确定所需农药及用量信息,根据所需农药及用量信息生成病害防治方案;
将所述病害识别结果、病害等级及病害防治方案按照预设方式进行显示。
本发明第二方面还提供了一种烟草病害的识别与防治系统,该系统包括:存储器、处理器,所述存储器中包括一种烟草病害的识别与防治方法程序,所述一种烟草病害的识别与防治方法程序被所述处理器执行时实现如下步骤:
获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理;
生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;
获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;
根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示。
本方案中,所述获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理,具体为:
获取烟草植株的高光谱图像信息,由所述高光谱图像信息获取光谱数据信息与图像数据信息;
通过预处理对所述光谱数据提取特征波长;
通过预处理对所述图像数据信息提取图像目标区域,将所述图像目标区域的光谱数据信息导出,并对所述图像目标区域的光谱数据信息进行噪声剔除。
根据图像目标区域的光谱数据信息获取光谱反射值,根据光谱反射值生成平均光谱曲线;
其中,根据光谱反射值生成平均光谱曲线,平均光谱表达式为:
本方案中,所述提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中光谱识别模块,具体为:
获取平均光谱曲线,将所述平均光谱曲线进行平滑处理,获取曲线特征;
通过所述曲线特征确定特征峰,根据所述曲线特征及特征峰将平均光谱曲线分解为连续特征点;
将所述特征点导入烟草病害识别模型的光谱识别模块,所述光谱识别模块通过特征点信息与健康烟草平均光谱曲线生成差异系数及差异个数;
根据所述差异系数及差异个数生成光谱识别结果,根据光谱识别结果判断烟草植株病害类型。
本方案中,所述提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中图像识别模块,具体为:
获取烟草植株的高光谱图像,对所述高光谱图像进行掩模处理;
对掩模处理后的高光谱图像进行主成分分析,生成主成分图像;
选取分割阈值,将主成分图像标记成多个独立区域,计算每个区域内每个点的灰度值;
在所述独立区域中,若所述灰度值大于所述分割阈值,则改点为病斑区域,提取病害烟草植株的二值图像;
提取高光谱图像背景区域的坐标信息,根据坐标信息在二值图像中将背景区域进行标记,并将背景区域的灰度值替换为与病斑区域和健康区域不同的数值;
将所述病斑区域进行提取,并生成病斑图像特征,将病斑图像特征导入烟草病害识别模型;
通过所述烟草病害识别模型生成图像识别结果,根据图像识别结果区分烟草病害类型。
本方案中,所述的获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级,具体为:
获取光谱识别结果及图像识别结果,对所述光谱识别结果及图像识别结果进行初始权重赋值;
通过验证烟草病害识别模型识别病害的准确性,生成反馈信息;
根据所述反馈信息对初始权重进行调整,生成最佳权重组合,确定权重信息;
根据所述权重信息对光谱识别结果及图像识别结果进行结合生成病害识别结果;
通过病害识别结果生成病害指数,由所述病害指数生成病害等级。
本方案中,所述根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示,具体为:
获取病害识别结果,根据所述病害识别结果进行关键词提取,生成病害特征信息;
通过大数据处理根据所述病害特征信息获取相似病害防治信息及历史病害防治信息;
根据病害等级匹配似病害防治信息及历史病害防治信息计算病害防治方案的匹配度;
根据所述匹配度确定所述相似病害防治信息及历史病害防治信息的匹配度优先级;
将优先级高的相似病害防治信息及历史病害防治信息进行分析,确定所需农药及用量信息,根据所需农药及用量信息生成病害防治方案;
将所述病害识别结果、病害等级及病害防治方案按照预设方式进行显示。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种烟草病害的识别与防治方法程序,所述一种烟草病害的识别与防治方法程序被处理器执行时,实现如上述任一项所述的一种烟草病害的识别与防治方法的步骤。
本发明公开的一种烟草病害的识别与防治方法、系统及存储介质,涉及烟草病虫害防治领域。其中,烟草病毒识别与防治方法包括以下步骤:获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理;提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示。本发明通过建立烟草病害识别模型对烟草病害实现快速准备的识别,及时发现烟草的发病情况,并采用科学防治手段按量施用农药,减少了病害对烟草产生的不利影响,同时避免了农药的滥用对环境造成污染。
附图说明
图1示出了本发明一种烟草病害的识别与防治方法的流程图;
图2示出了本发明烟草病害识别模型中光谱识别模块的识别方法流程图;
图3示出了本发明烟草病害识别模型中图像识别模块的识别方法流程图;
图4示出了本发明一种烟草病害的识别与防治系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种烟草病害的识别与防治方法的流程图;
如图1所示,本发明第一方面提供了一种烟草病害的识别与防治方法,包括:
S102,获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理;
S104,生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;
S106,获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;
S108,根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示。
需要说明的是,为了获取高质量的高光谱图像,需要搭建高光谱图像系统结构,高光谱图像系统基础的组成部件有,光源设备,波长散射设备,探测器及配套的控制软件,选用卤素灯、传导光纤及准直透镜作为照明单元,CCD相机、光谱仪及定焦镜头组成成像单元,通过高光谱图像系统采集数据后,还需要运用ENVI软件实现光谱数据的提取及处理,并通过对图像数据的处理提取相应特征进行建模分析。
需要说明的是,所述获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理,具体为:
获取烟草植株的高光谱图像信息,由所述高光谱图像信息获取光谱数据信息与图像数据信息;
通过预处理对所述光谱数据提取特征波长;
通过预处理对所述图像数据信息提取图像目标区域,将所述图像目标区域的光谱数据信息导出,并对所述图像目标区域的光谱数据信息进行噪声剔除。
根据图像目标区域的光谱数据信息获取光谱反射值,根据光谱反射值生成平均光谱曲线;
其中,根据光谱反射值生成平均光谱曲线,平均光谱表达式为:
图2示出了本发明烟草病害识别模型中光谱识别模块的识别方法流程图。
根据本发明实施例,所述提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中光谱识别模块,具体为:
S202,获取平均光谱曲线,将所述平均光谱曲线进行平滑处理,获取曲线特征;
S204,通过所述曲线特征确定特征峰,根据所述曲线特征及特征峰将平均光谱曲线分解为连续特征点;
S206,将所述特征点导入烟草病害识别模型的光谱识别模块,所述光谱识别模块通过特征点信息与健康烟草平均光谱曲线生成差异系数及差异个数;
S208,根据所述差异系数及差异个数生成光谱识别结果,根据光谱识别结果判断烟草植株病害类型。
需要说明的是,通过高光谱图像系统采集烟草样本的高光谱图像信息,采集波长350-1100nm之间的图像信息,当完成图像采集后,进行黑白校正。对高光谱数据进行预处理和特征提取之后,对处理后的数据基于神经网络建模,获取健康烟草的高光谱数据及各病害烟草的生长曲线及拟合方程曲线,将获取的数据进行分组,得到若干个训练数据集,将若干个数据集导入烟草病害识别模型的光谱识别模块生成输出结果,通过误差反向传播对烟草病害识别模型的光谱识别模块进行参数调整,完成烟草病害识别模型中光谱识别模块的训练,将数据输入输入层,经过标准化处理,并且给数据设置权重以后传到隐含层,在隐含层内对输入权重进行求和、转换等操作传输到第三层,从而得到输出结果。并设置预测集和验证集,计算预测集和验证集各自的正确识别率,当预测集和验证集正确识别率越高,则模型识别能力越好,反之,模型识别能力越差。
图3示出了本发明烟草病害识别模型中图像识别模块的识别方法流程图。
根据本发明实施例,所述提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中图像识别模块,具体为:
S302,获取烟草植株的高光谱图像,对所述高光谱图像进行掩模处理;
S304,对掩模处理后的高光谱图像进行主成分分析,生成主成分图像;
S306,选取分割阈值,将主成分图像标记成多个独立区域,计算每个区域内每个点的灰度值;
S308,在所述独立区域中,若所述灰度值大于所述分割阈值,则改点为病斑区域,提取病害烟草植株的二值图像;
S310,提取高光谱图像背景区域的坐标信息,根据坐标信息在二值图像中将背景区域进行标记,并将背景区域的灰度值替换为与病斑区域和健康区域不同的数值;
S312,将所述病斑区域进行提取,并生成病斑病斑图像特征,将病斑病斑图像特征导入烟草病害识别模型;
S314,通过所述烟草病害识别模型生成图像识别结果,根据图像识别结果区分烟草病害类型。
需要说明的是,基于卷积神经网络建立烟草识别模型中的图像识别模块,则烟草识别模型中的图像识别模块的训练过程具体为:获取足够数量的烟草病害图像数据或者接入相关数据库,将所获取的图像数据处理为训练集输入烟草识别模型中的图像识别模块,烟草识别模型中的图像识别模块的各级卷积层使用各级卷积层的初始卷积核和初始偏置矩阵,对输入卷积神经网络模型的图像数据进行卷积计算和最大池化,得到训练集中训练图像的第一特征图像,将所得的训练图像的第一特征图像再次进行池化操作,得到训练图像的第二特征图像,根据训练集中训练图像的第二特征图确定每个训练图像的特征向量,通过初始初始偏置矩阵和初始权重矩阵对所得特征向量进行处理,得到训练集中训练图像的分类向量,根据所述训练集中训练图像的分类向量和每个训练图像的初始类别,计算得到类别误差,根据所得类别误差对烟草识别模型中的图像识别模块的卷积核进行相关调整,根据多个训练图像以及调整后的卷积核参数继续对烟草识别模型中的图像识别模块进行相关参数的调整,进行多次迭代直到误差达到理想值后停止对烟草识别模型中的图像识别模块的训练,即烟草识别模型中的图像识别模块训练完毕。
需要说明的是,所述的获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级,具体为:
获取光谱识别结果及图像识别结果,对所述光谱识别结果及图像识别结果进行初始权重赋值;
通过验证烟草病害识别模型识别病害的准确性,生成反馈信息;
根据所述反馈信息对初始权重进行调整,生成最佳权重组合,确定权重信息;
根据所述权重信息对光谱识别结果及图像识别结果进行结合生成病害识别结果;
通过病害识别结果生成病害指数,由所述病害指数生成病害等级。
根据权重信息进行光谱识别结果及图像识别结果的组合生成烟草病害识别结果,具体计算为:
其中,k表示烟草病害识别结果,λ表示烟草病害识别模型参数,α表示权重信息,g表示光谱识别结果,t表示图像识别结果。
需要说明的是,所述根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示,具体为:
获取病害识别结果,根据所述病害识别结果进行关键词提取,生成病害特征信息;
通过大数据处理根据所述病害特征信息获取相似病害防治信息及历史病害防治信息;
根据病害等级匹配似病害防治信息及历史病害防治信息计算病害防治方案的匹配度;
根据所述匹配度确定所述相似病害防治信息及历史病害防治信息的匹配度优先级;
将优先级高的相似病害防治信息及历史病害防治信息进行分析,确定所需农药及用量信息,根据所需农药及用量信息生成病害防治方案;
将所述病害识别结果、病害等级及病害防治方案按照预设方式进行显示。
根据本发明实施例,还包括:
采集环境变化信息,分析所述环境变化信息对烟草植株受病害影响;
将所述环境变化信息与烟草植株受病害状况信息生成匹配序列模型;
将所述匹配序列模型进行环境变化信息与烟草植株受病害特征进行分割提取,建立环境信息数据库;
根据所述环境信息数据库对烟草植株进行病害的监测和预警,并对环境状况生成改良建议及方法,同时生成虫害预防治方案。
图4示出了本发明一种烟草病害的识别与防治系统的框图。
本发明第二方面还提供了一种烟草病害的识别与防治系统4,该系统包括:存储器41、处理器42,所述存储器中包括一种烟草病害的识别与防治方法程序,所述一种烟草病害的识别与防治方法程序被所述处理器执行时实现如下步骤:
获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理;
生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;
获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;
根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示。
需要说明的是,为了获取高质量的高光谱图像,需要搭建高光谱图像系统结构,高光谱图像系统基础的组成部件有,光源设备,波长散射设备,探测器及配套的控制软件,选用卤素灯、传导光纤及准直透镜作为照明单元,CCD相机、光谱仪及定焦镜头组成成像单元,通过高光谱图像系统采集数据后,还需要运用ENVI软件实现光谱数据的提取及处理,并通过对图像数据的处理提取相应特征进行建模分析。
需要说明的是,所述获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理,具体为:
获取烟草植株的高光谱图像信息,由所述高光谱图像信息获取光谱数据信息与图像数据信息;
通过预处理对所述光谱数据提取特征波长;
通过预处理对所述图像数据信息提取图像目标区域,将所述图像目标区域的光谱数据信息导出,并对所述图像目标区域的光谱数据信息进行噪声剔除。
根据图像目标区域的光谱数据信息获取光谱反射值,根据光谱反射值生成平均光谱曲线;
其中,根据光谱反射值生成平均光谱曲线,平均光谱表达式为:
根据本发明实施例,所述提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中光谱识别模块,具体为:
获取平均光谱曲线,将所述平均光谱曲线进行平滑处理,获取曲线特征;
通过所述曲线特征确定特征峰,根据所述曲线特征及特征峰将平均光谱曲线分解为连续特征点;
将所述特征点导入烟草病害识别模型的光谱识别模块,所述光谱识别模块通过特征点信息与健康烟草平均光谱曲线生成差异系数及差异个数;
根据所述差异系数及差异个数生成光谱识别结果,根据光谱识别结果判断烟草植株病害类型。
需要说明的是,通过高光谱图像系统采集烟草样本的高光谱图像信息,采集波长350-1100nm之间的图像信息,当完成图像采集后,进行黑白校正。对高光谱数据进行预处理和特征提取之后,对处理后的数据基于神经网络建模,获取健康烟草的高光谱数据及各病害烟草的生长曲线及拟合方程曲线,将获取的数据进行分组,得到若干个训练数据集,将若干个数据集导入烟草病害识别模型的光谱识别模块生成输出结果,通过误差反向传播对烟草病害识别模型的光谱识别模块进行参数调整,完成烟草病害识别模型中光谱识别模块的训练,将数据输入输入层,经过标准化处理,并且给数据设置权重以后传到隐含层,在隐含层内对输入权重进行求和、转换等操作传输到第三层,从而得到输出结果。并设置预测集和验证集,计算预测集和验证集各自的正确识别率,当预测集和验证集正确识别率越高,则模型识别能力越好,反之,模型识别能力越差。
根据本发明实施例,所述提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中图像识别模块,具体为:
获取烟草植株的高光谱图像,对所述高光谱图像进行掩模处理;
对掩模处理后的高光谱图像进行主成分分析,生成主成分图像;
选取分割阈值,将主成分图像标记成多个独立区域,计算每个区域内每个点的灰度值;
在所述独立区域中,若所述灰度值大于所述分割阈值,则改点为病斑区域,提取病害烟草植株的二值图像;
提取高光谱图像背景区域的坐标信息,根据坐标信息在二值图像中将背景区域进行标记,并将背景区域的灰度值替换为与病斑区域和健康区域不同的数值;
将所述病斑区域进行提取,并生成病斑病斑图像特征,将病斑病斑图像特征导入烟草病害识别模型;
通过所述烟草病害识别模型生成图像识别结果,根据图像识别结果区分烟草病害类型。
需要说明的是,基于卷积神经网络建立烟草识别模型中的图像识别模块,则烟草识别模型中的图像识别模块的训练过程具体为:获取足够数量的烟草病害图像数据或者接入相关数据库,将所获取的图像数据处理为训练集输入烟草识别模型中的图像识别模块,烟草识别模型中的图像识别模块的各级卷积层使用各级卷积层的初始卷积核和初始偏置矩阵,对输入卷积神经网络模型的图像数据进行卷积计算和最大池化,得到训练集中训练图像的第一特征图像,将所得的训练图像的第一特征图像再次进行池化操作,得到训练图像的第二特征图像,根据训练集中训练图像的第二特征图确定每个训练图像的特征向量,通过初始初始偏置矩阵和初始权重矩阵对所得特征向量进行处理,得到训练集中训练图像的分类向量,根据所述训练集中训练图像的分类向量和每个训练图像的初始类别,计算得到类别误差,根据所得类别误差对烟草识别模型中的图像识别模块的卷积核进行相关调整,根据多个训练图像以及调整后的卷积核参数继续对烟草识别模型中的图像识别模块进行相关参数的调整,进行多次迭代直到误差达到理想值后停止对烟草识别模型中的图像识别模块的训练,即烟草识别模型中的图像识别模块训练完毕。
需要说明的是,所述的获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级,具体为:
获取光谱识别结果及图像识别结果,对所述光谱识别结果及图像识别结果进行初始权重赋值;
通过验证烟草病害识别模型识别病害的准确性,生成反馈信息;
根据所述反馈信息对初始权重进行调整,生成最佳权重组合,确定权重信息;
根据所述权重信息对光谱识别结果及图像识别结果进行结合生成病害识别结果;
通过病害识别结果生成病害指数,由所述病害指数生成病害等级。
根据权重信息进行光谱识别结果及图像识别结果的组合生成烟草病害识别结果,具体计算为:
其中,k表示烟草病害识别结果,λ表示烟草病害识别模型参数,α表示权重信息,g表示光谱识别结果,t表示图像识别结果。
需要说明的是,所述根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示,具体为:
获取病害识别结果,根据所述病害识别结果进行关键词提取,生成病害特征信息;
通过大数据处理根据所述病害特征信息获取相似病害防治信息及历史病害防治信息;
根据病害等级匹配似病害防治信息及历史病害防治信息计算病害防治方案的匹配度;
根据所述匹配度确定所述相似病害防治信息及历史病害防治信息的匹配度优先级;
将优先级高的相似病害防治信息及历史病害防治信息进行分析,确定所需农药及用量信息,根据所需农药及用量信息生成病害防治方案;
将所述病害识别结果、病害等级及病害防治方案按照预设方式进行显示。
根据本发明实施例,还包括:
采集环境变化信息,分析所述环境变化信息对烟草植株受病害影响;
将所述环境变化信息与烟草植株受病害状况信息生成匹配序列模型;
将所述匹配序列模型进行环境变化信息与烟草植株受病害特征进行分割提取,建立环境信息数据库;
根据所述环境信息数据库对烟草植株进行病害的监测和预警,并对环境状况生成改良建议及方法,同时生成虫害预防治方案。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括一种烟草病害的识别与防治方法程序,所述一种烟草病害的识别与防治方法程序被处理器执行时,实现如上述任一项所述的一种烟草病害的识别与防治方法的步骤。
本发明公开的一种烟草病害的识别与防治方法、系统及存储介质,涉及烟草病虫害防治领域。其中,烟草病毒识别与防治方法包括以下步骤:获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理;提取平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示。本发明通过建立烟草病害识别模型对烟草病害实现快速准备的识别,及时发现烟草的发病情况,并采用科学防治手段按量施用农药,减少了病害对烟草产生的不利影响,同时避免了农药的滥用对环境造成污染。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品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所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种烟草病害的识别与防治方法,其特征在于,包括:
获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理;
生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;
获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;
根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示。
2.根据权利要求1所述的一种烟草病害的识别与防治方法,其特征在于,所述获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理,具体为:
获取烟草植株的高光谱图像信息,由所述高光谱图像信息获取光谱数据信息与图像数据信息;
通过预处理对所述光谱数据提取特征波长;
通过预处理对所述图像数据信息提取图像目标区域,将所述图像目标区域的光谱数据信息导出,并对所述图像目标区域的光谱数据信息进行噪声剔除;
根据图像目标区域的光谱数据信息获取光谱反射值,根据光谱反射值生成平均光谱曲线;
其中,根据光谱反射值生成平均光谱曲线,平均光谱表达式为:
3.根据权利要求1所述的一种烟草病害的识别与防治方法,其特征在于,所述生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中光谱识别模块,具体为:
获取平均光谱曲线,将所述平均光谱曲线进行平滑处理,获取曲线特征;
通过所述曲线特征确定特征峰,根据所述曲线特征及特征峰将平均光谱曲线分解为连续特征点;
将所述特征点导入烟草病害识别模型的光谱识别模块,所述光谱识别模块通过特征点信息与健康烟草平均光谱曲线生成差异系数及差异个数;
根据所述差异系数及差异个数生成光谱识别结果,根据光谱识别结果判断烟草植株病害类型。
4.根据权利要求1所述的一种烟草病害的识别与防治方法,其特征在于,所述生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中图像识别模块,具体为:
获取烟草植株的高光谱图像,对所述高光谱图像进行掩模处理;
对掩模处理后的高光谱图像进行主成分分析,生成主成分图像;
选取分割阈值,将主成分图像标记成多个独立区域,计算每个区域内每个点的灰度值;
在所述独立区域中,若所述灰度值大于所述分割阈值,则改点为病斑区域,提取病害烟草植株的二值图像;
提取高光谱图像背景区域的坐标信息,根据坐标信息在二值图像中将背景区域进行标记,并将背景区域的灰度值替换为与病斑区域和健康区域不同的数值;
将所述病斑区域进行提取,并生成病斑病斑图像特征,将病斑病斑图像特征导入烟草病害识别模型;
通过所述烟草病害识别模型生成图像识别结果,根据图像识别结果区分烟草病害类型。
5.根据权利要求1所述的一种烟草病害的识别与防治方法,其特征在于,所述的获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级,具体为:
获取光谱识别结果及图像识别结果,对所述光谱识别结果及图像识别结果进行初始权重赋值;
通过验证烟草病害识别模型识别病害的准确性,生成反馈信息;
根据所述反馈信息对初始权重进行调整,生成最佳权重组合,确定权重信息;
根据所述权重信息对光谱识别结果及图像识别结果进行结合生成病害识别结果;
通过病害识别结果生成病害指数,由所述病害指数生成病害等级。
6.根据权利要求1所述的一种烟草病害的识别与防治方法,其特征在于,所述根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示,具体为:
获取病害识别结果,根据所述病害识别结果进行关键词提取,生成病害特征信息;
通过大数据处理根据所述病害特征信息获取相似病害防治信息及历史病害防治信息;
根据病害等级匹配似病害防治信息及历史病害防治信息计算病害防治方案的匹配度;
根据所述匹配度确定所述相似病害防治信息及历史病害防治信息的匹配度优先级;
将优先级高的相似病害防治信息及历史病害防治信息进行分析,确定所需农药及用量信息,根据所需农药及用量信息生成病害防治方案;
将所述病害识别结果、病害等级及病害防治方案按照预设方式进行显示。
7.一种烟草病害的识别与防治系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括一种烟草病害的识别与防治方法程序,所述一种烟草病害的识别与防治方法程序被所述处理器执行时实现如下步骤:
获取烟草植株的高光谱图像信息,将光谱数据信息与图像数据信息进行预处理;
生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,通过所述烟草病害识别模型中的光谱识别模块及图像识别模块生成识别结果;
获取光谱识别模块及图像识别模块的识别结果,并根据权重信息进行组合生成烟草病害识别结果,并根据所述病害识别结果生成病害等级;
根据所述病害识别结果进行大数据处理生成病害防治方法,将所述病害识别结果、病害等级及病害防治方法按照预设方式进行显示。
8.根据权利要求7所述的一种烟草病害的识别与防治系统,其特征在于,所述生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中光谱识别模块,具体为:
获取平均光谱曲线,将所述平均光谱曲线进行平滑处理,获取曲线特征;
通过所述曲线特征确定特征峰,根据所述曲线特征及特征峰将平均光谱曲线分解为连续特征点;
将所述特征点导入烟草病害识别模型的光谱识别模块,所述光谱识别模块通过特征点信息与健康烟草平均光谱曲线生成差异系数及差异个数;
根据所述差异系数及差异个数生成光谱识别结果,根据光谱识别结果判断烟草植株病害类型。
9.根据权利要求7所述的一种烟草病害的识别与防治系统,其特征在于,所述生成平均光谱曲线及病斑图像特征,根据所述平均光谱曲线及病斑图像特征建立烟草病害识别模型,其中图像识别模块,具体为:
获取烟草植株的高光谱图像,对所述高光谱图像进行掩模处理;
对掩模处理后的高光谱图像进行主成分分析,生成主成分图像;
选取分割阈值,将主成分图像标记成多个独立区域,计算每个区域内每个点的灰度值;
在所述独立区域中,若所述灰度值大于所述分割阈值,则改点为病斑区域,提取病害烟草植株的二值图像;
提取高光谱图像背景区域的坐标信息,根据坐标信息在二值图像中将背景区域进行标记,并将背景区域的灰度值替换为与病斑区域和健康区域不同的数值;
将所述病斑区域进行提取,并生成病斑病斑图像特征,将病斑病斑图像特征导入烟草病害识别模型;
通过所述烟草病害识别模型生成图像识别结果,根据图像识别结果区分烟草病害类型。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质中包括一种烟草病害的识别与防治方法程序,所述一种烟草病害的识别与防治方法程序被处理器执行时,实现如权利要求1至6中任一项所述的一种烟草病害的识别与防治方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111177984.7A CN113962258A (zh) | 2021-10-09 | 2021-10-09 | 一种烟草病害的识别与防治方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111177984.7A CN113962258A (zh) | 2021-10-09 | 2021-10-09 | 一种烟草病害的识别与防治方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962258A true CN113962258A (zh) | 2022-01-21 |
Family
ID=79463376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111177984.7A Pending CN113962258A (zh) | 2021-10-09 | 2021-10-09 | 一种烟草病害的识别与防治方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962258A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及系统 |
CN115019215A (zh) * | 2022-08-09 | 2022-09-06 | 之江实验室 | 一种基于高光谱图像的大豆病虫害识别方法和装置 |
-
2021
- 2021-10-09 CN CN202111177984.7A patent/CN113962258A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及系统 |
CN115019215A (zh) * | 2022-08-09 | 2022-09-06 | 之江实验室 | 一种基于高光谱图像的大豆病虫害识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
CN108564286B (zh) | 一种基于大数据征信的人工智能金融风控授信评定方法和系统 | |
CN109308697B (zh) | 一种基于机器学习算法的树叶病害识别方法 | |
da Silva et al. | Estimating soybean leaf defoliation using convolutional neural networks and synthetic images | |
Liu et al. | A vision-based robust grape berry counting algorithm for fast calibration-free bunch weight estimation in the field | |
CN114766041A (zh) | 用于确定作物损害的系统和方法 | |
CN113962258A (zh) | 一种烟草病害的识别与防治方法、系统及存储介质 | |
CN110849828A (zh) | 一种基于高光谱图像技术的藏红花分类方法 | |
CN104200193A (zh) | 一种果树产量估测方法及装置 | |
CN110163101B (zh) | 中药材种子区别及等级快速判别方法 | |
CA3125794A1 (en) | Shadow and cloud masking for agriculture applications using convolutional neural networks | |
CN114445785A (zh) | 基于物联网的荔枝虫害监测预警方法、系统及存储介质 | |
CN109977802A (zh) | 强噪音背景下作物分类识别方法 | |
CN114550108B (zh) | 一种草地贪夜蛾的识别预警方法及系统 | |
CN110458109A (zh) | 一种基于图像识别技术的茶叶病害识别系统及工作方法 | |
CN110263200A (zh) | 一种智能农林害虫标准化调查方法及系统 | |
CN114648705B (zh) | 一种基于卫星遥感的碳汇监测系统及方法 | |
CN111161362A (zh) | 一种茶树生长状态光谱影像鉴别方法 | |
CN116805396A (zh) | 一种基于卫星遥感的农田杂草精准识别方法及装置 | |
CN111723749A (zh) | 一种安全帽佩戴识别方法、系统及设备 | |
CN113207511A (zh) | 一种基于农药抗性监测的农药施用方法、系统及可读存储介质 | |
CN116297236A (zh) | 一种基于高光谱的单粒玉米种子活力鉴别方法及装置 | |
CN113421273B (zh) | 林草搭配信息遥感提取方法及装置 | |
CN110544237B (zh) | 基于图像分析的油茶病虫害模型训练方法和识别方法 | |
CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 |
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 |