CN114092839B - 基于无人机遥感的大豆收获期成熟度的判断方法 - Google Patents
基于无人机遥感的大豆收获期成熟度的判断方法 Download PDFInfo
- Publication number
- CN114092839B CN114092839B CN202111391662.2A CN202111391662A CN114092839B CN 114092839 B CN114092839 B CN 114092839B CN 202111391662 A CN202111391662 A CN 202111391662A CN 114092839 B CN114092839 B CN 114092839B
- Authority
- CN
- China
- Prior art keywords
- maturity
- soybean
- different
- aerial vehicle
- unmanned aerial
- 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
- 244000068988 Glycine max Species 0.000 title claims abstract description 91
- 235000010469 Glycine max Nutrition 0.000 title claims abstract description 86
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003306 harvesting Methods 0.000 title claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 9
- 241000196324 Embryophyta Species 0.000 claims description 30
- 238000001228 spectrum Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 17
- 238000002329 infrared spectrum Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 241000592183 Eidolon Species 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000009395 breeding Methods 0.000 abstract description 4
- 230000001488 breeding effect Effects 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000002310 reflectometry Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 abstract 1
- 238000012512 characterization method Methods 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 4
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 3
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 108010082495 Dietary Plant Proteins Proteins 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012794 pre-harvesting Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明的基于无人机遥感的大豆收获期成熟度的判断方法，是利用多光谱数据计算大豆成熟期植被指数，利用自然断点分级算法结合植被指数建立大豆成熟度表征方法并对大豆成熟等级进行划分；通过提取图像中大豆的光谱反射率、颜色特征和纹理特征参数，经特征差异对比分析进行特征筛选；结合大豆成熟等级建立支持向量机学习算法的大豆成熟等级判别模型。利用无人机多光谱结合机器学习技术可对大豆成熟度准确判定，有助于育种计划中大豆成熟度的判断，有利于大豆最佳收获期的确定，减少大豆收获损失，从而间接上提升大豆产量。
Description
技术领域
本发明属于利用光谱图像特征判断大豆成熟度的方法，特别是涉及到一种基于无人机遥感的大豆收获期成熟度的判断方法。
背景技术
大豆是我国重要的油料作物同时也是植物蛋白的主要来源，种植面积大。对于大豆育种计划而言，用产量测量结果来作为选择和推进新品种开发的决定，而成熟度判断是产量测量前的重要决策，成熟度的判断尤其重要。在合理准确的收获时期进行收获作业可有效预防因收获过早或过晚造成的收获损失，同时也可延长大豆贮藏期，从客观上保证大豆产量与质量。在中国大豆收获常采用联合收割机收获，最佳收获时期是完熟期，此期的特征是植株叶柄叶片全部脱落，植株茎秆为褐色，豆荚偏黑，分枝脱水枯干变为褐色。目前大豆收获前成熟度评价主要靠专家肉眼主观观察评价或人工割取脱粒采集并利用谷物水分速测仪测量含水率来判断是否达到收获时期，此方法存在着费时费力且误差较大的问题。近年来遥感技术在农田信息监测领域得到了快速发展，相较于高空遥感，无人机低空遥感具有运行成本低、空间分辨率高、灵活性高以及数据可快速实时获取等优点，因此本发明提供了一种利用无人机遥感技术来判断大豆收获期成熟度，以优化农业生产。
发明内容
本发明旨在于克服现有技术的不足，提供了一种基于无人机遥感的大豆成熟度判断方法，通过无人机遥感试验获取大豆完熟期不同成熟程度图像，分析不同成熟程度大豆的图像特征，根据其光谱反射率、植被指数和颜色、纹理特征差异， 建立基于小型无人机遥感的大豆成熟度判断方法，为大豆育种计划中大豆成熟度以及最佳收获期判断提供一种新颖、快速的方法与理论基础。
本发明的基于无人机遥感的大豆收获期成熟度的判断方法，是通过下列步聚实现的：
（1）样本的采集和处理：利用大疆精灵4多光谱版无人机收集不同采集区域、不同品种大豆完熟期红边光谱和近红外光谱的样本数据，并对收集到的样本光谱进行大气校正处理；
（2）根据步骤（1）处理的光谱数据利用绿光光谱和近红外光谱得到不同个体植株的绿色归一化植被指数光谱图像，并通过个体光谱图像判断个体植株成熟度，个体植株成熟度的判断方法为：(ρnir-ρgreen)/(ρnir+ρgreen)；
（3）区域内全部植株成熟度的判定：将采集区域分割成3*3～5*5的采样区域，采样区域内个体植株成熟度达到95%以上为一级成熟度，采样区域内个体植株成熟度达到80～95%为二级成熟度，采样区域内个体植株成熟度80%以下为三级成熟度；同时，制作每个品种不少于90个采样区域的光谱数据，且每级成熟度不少于30个，采集总样本数不少于900个；
（4）不同成熟等级大豆颜色特征的提取：利用颜色矩获取不同成熟等级大豆的颜色特征，通过计算不同成熟等级之间的变异系数和相对差异，进行特征筛选，确定最终颜色特征指标;
（5）不同成熟等级大豆纹理特征的提取：利用灰度共生矩阵获取不同成熟等级大豆纹理特征，通过计算不同成熟等级之间的变异系数和相对差异，进行特征筛选，确定最终纹理特征指标；
（6）大豆成熟等级预测模型的建立：
将不少于900个样本数据按3：1的比例划分为建模集和预测集，即建模集不少于675个样本，预测集不少于225个样本，并将图像的颜色、纹理特征输入支持向量机建立预测模型；
（7）大豆成熟等级的判定：
对需要测定待收割的大豆进行绿光光谱和近红外光谱获取，并将预处理后的光谱数据进行步骤（2）计算得到绿色归一化植被指数光谱图像，通过步骤（3）（4）（5）提取特征指标，将特征指标输入评价模型后即可完成大豆成熟等级评价。
本发明的基于无人机遥感的大豆收获期成熟度的判断方法，将无人机获得的多光谱影像信息，通过构建植被指数结合聚类算法确定基于Natural Breaks的绿色归一化植被指数（GNDVI）影像为表征大豆成熟程度的最佳方法；对大豆成熟情况分区处理，通过阈值法确定0.39和0.47作为大豆个体植株成熟情况分界点，并建立大豆植株成熟等级并确定小区成熟度等级；针对无人机遥感获得的蓝光光谱、绿光光谱、红外光谱、红边光谱和近红外光谱5种光谱选取绿光光谱和近红外光谱建立绿色归一化植被指数影像，通过提取采样区绿色归一化植被指数影像的颜色和纹理特征并进行特征筛选，利用SVM算法对成熟等级进行判别，确定基于GNDVI颜色和纹理特征结合的SVM模型为最佳模型，该模型的有效识别率为100%；利用无人机多光谱结合机器学习技术可对大豆成熟度准确判定，有助于育种计划中大豆成熟度的判断，有利于大豆最佳收获期的确定，减少大豆收获损失，从而间接上提升大豆产量。
附图说明
图1是大豆一级成熟度的图像示意图；
图2是大豆二级成熟度的图像示意图；
图3是大豆三级成熟度的图像示意图。
具体实施方式
本发明的基于无人机遥感的大豆收获期成熟度的判断方法，是通过下列步聚实现的：
（1）样本的采集和处理：收集10个品种大豆完熟期的蓝光光谱、绿光光谱、红外光谱、红边光谱和近红外光谱的样本数据，并对收集到的样本光谱进行大气校正处理；该步骤采用大疆公司生产的大疆精灵4多光谱版无人机（DJI Phantom 4-P4_Muitispectral），其特点是拥有一体式多光谱成像系统，配备7公里控制距离的OcuSync图传系统，集成5个多光谱传感器（蓝光，绿光，红光，红边和近红外），负责多光谱成像。所有相机均拥有208万像素解析力，成像清晰稳定。无人机影像数据通过ENVI5.3软件进行大气校正处理，减少由于大气的吸收、散射及其他随机因素影响，消除大气和光照因素对地物反射的影响，便于水和植被地物信息的提取。
（2）个体植株成熟度的判定：在成熟度不一的大豆试验区通过地面观测发现成熟度达到可收获状态的大豆其植株叶柄叶片全部脱落，植株茎秆为褐色，豆荚偏黑，而未达到收获标准的大豆植株茎秆部分呈现黄绿色，且茎秆上还存留小部分的黄绿色叶片，豆荚呈现黄色。为此，本方法采用自然断点分级法，并最大限度地扩大类之间的差异。特征被划分为类，其边界被设置在数据值存在相对较大差异的地方。Jenks优化方法，又称Jenks自然中断分类方法，是一种数据分类方法，旨在确定不同类的值的最佳排列。这是通过寻求最小化每个类的平均偏差与类平均值，同时最大化每个类的偏差与其他组的平均值，该方法试图减少类内的差异，并最大限度地扩大类之间的差异，因此本发明采用自然断点分级法为划分方法，区别出不同绿色程度的植株并对不同成熟程度的大豆进行分级，利用步骤（1）所获得绿光光谱和近红外光谱的遥感影像的数据、通过目视解译对比可以发现绿色归一化植被指数（GNDVI）能够准确反映大豆的成熟度，因此本方法以植被指数GNDVI表征大豆植株的绿色情况，利用自然断点分级法对GNDVI进行分级操作；绿色归一化植被指数（GNDVI）计算公式为=(ρnir-ρgreen)/(ρnir+ρgreen)；本方法选取0.39和0.47作为分界点，将大豆成熟程度划分为3个等级，分别对应植株成熟情况，分别为植株一等成熟（0.04＜GNDVI≤0.39）、植株二等成熟（0.39＜GNDVI≤0.47）、植株三等成熟（0.47<GNDVI≤0.66）。
（3）区域内全部植株成熟度的判定：根据大豆成熟情况和实际现场人工测定构建3*3～5*5的采样区域，采样区域内个体植株成熟度达到95%以上为一级成熟度（小区内全部可以收获），采样区域内个体植株成熟度达到80～95%为二级成熟度（小区内部分可收获），采样区域内个体植株成熟度80%以下为三级成熟度（小区内全部不可收获），基于GNDVI影像建立的三种成熟等级图像如图1-图3所示；同时，利用每个品种90个采样区域的光谱数据制作GNDVI图像数据，且每级成熟度为30个；采集总样本数为900个。
（4）不同成熟等级大豆颜色特征的提取：利用颜色矩获取不同成熟等级大豆的颜色特征，颜色特征是图像处理中较为广泛的视觉特征，其对图像本身的尺寸、方向、视角的依赖性较小，从而具有较高的鲁棒性。本方法采用一阶矩（mean，μi）、二阶矩（variance，σi）和三阶矩（skewness）来表征不同成熟等级的大豆颜色特征，计算公式如公式（1）（2）（3）所示，本方法采用GNDVI图像，利用python提取图像的3项颜色特征。据得到的各项颜色特征，计算不同成熟等级之间的变异系数与相对差异，结果如表（1）所示，由于变异系数代表特征参数的离散程度，相对差异代表特征的区分情况，因此应选择较小的变异系数和较大的相对差异来进行特征的选择。可见，不同大豆成熟等级之间的变异系数和相对差异存在着很大的差异，在GNDVI图像不同成熟等级的大豆中，在一级成熟度中，μ1的差异系数最小为2.05%，S1的差异系数最大为9.70%；在二级成熟度中，μ2的差异系数最小为1.67%，σ2的差异系数最大为24.57%；在三级成熟度中，μ2的差异系数最小为0.65%，σ2的差异系数最大为34.83%；不同成熟等级的大豆各项颜色特征相对差异最大的为161.62%，最小的仅为1.08%。因此影像的颜色特征可作为大豆成熟度区分的重要特征之一。对GNDVI影像特征的相对差异进行排序，再根据差异系数进行二次排序筛选，最终在GNDVI影像中选取μ1、σ2和S2共3项特征进行建模处理
（1）
（2）
（3）
式中，pi，j表示大豆成熟期彩色图像第j个像素的第i个颜色分量，N表示图像中的像素个数。
（5）不同成熟等级大豆纹理特征的提取：利用灰度共生矩阵获取不同成熟等级大豆纹理特征，纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理特征是图像识别处理中常用的一项特征，它是一种全局特征，描述了图像或图像区域所对应景物的表面性质。其中灰度共生矩阵（GLCM）是纹理特征统计中一种常用的统计方法，其具有较强的适应能力和鲁棒性。本方法使用ENVI5.3软件计算各采样点的均值（Mean）、方差（Variance）、协同性（Homogeneity）、对比度（Contrast）、相异性（Dissimilarity）、熵（Entropy）、角二阶矩（Angular SecondMoment）和相关性（Correlation）共8项纹理特征。不同特征值具有描述图像不同特点的功能，比如对比度反映了纹理性质之间的差异性，描述了纹理局部的变化量，角二阶矩也就是能量变换反映了图像灰度分布均匀程度和纹理粗细度，相关性用来度量图像的灰度级在行或列方向上的相似程度，熵值表明了图像灰度分布的复杂程度，方差反映了图像纹理局部变化的大小，差异性反映了图像的局部对比度变换情况。根据得到的各项纹理特征，计算不同成熟等级之间的变异系数与相对差异，结果如表（2）所示，特征的选择同样根据变异系数和相对差异的大小来进行筛选。
根据上表中数据发现，在不同大豆成熟等级之间的变异系数和相对差异存在着很大的差异，在GNDVI图像不同成熟等级的大豆中，在一级成熟度中，绿波段熵的差异系数最小为2.46%，绿波段的相关性差异系数最大为65.76%；在二级成熟度中，红波段熵的差异系数最小为2.11%，绿波段的相关性差异系数最大为70.15%；在三级成熟度中，绿波段熵的差异系数最小为1.84%，蓝波段的熵差异系数最大为57.27%；不同成熟等级的大豆各项纹理特征相对差异最大的为893.29%，最小的仅为0。因此影像的纹理特征可作为大豆成熟度区分的重要特征之一。分别对影像特征的相对差异进行排序，再根据差异系数进行二次排序筛选，最终在GNDVI影像中选取Correlation of red、Mean of blue、Variance of blue、Contrast of blue、Dissimilarity of blue、Entropy of blue、Correlation of green、Correlation of blue、Mean of red、Second Moment of blue、Homogeneity of blue共11项特征进行建模处理。
（6）大豆成熟等级预测模型的建立：
将900个样本数据按3：1的比例划分为建模集和预测集，即建模集675个样本，预测集225个样本，将图像的颜色、纹理特征输入支持向量机建立预测模型，其识别准确率100%、核函数linear、运行速率2.3秒。
（7）大豆成熟等级的判定：
对需要测定待收割的大豆进行绿光光谱和近红外光谱获取，并将预处理后的光谱数据进行计算得到绿色归一化植被指数光谱图像，通过提取和光谱图像的颜色和纹理特征指标，将特征指标输入评价模型后即可完成大豆成熟等级评价。
Claims (1)
1.基于无人机遥感的大豆收获期成熟度的判断方法，是通过下列步聚实现的：
（1）样本的采集和处理：利用大疆精灵4多光谱版无人机收集不同采集区域、不同品种大豆完熟期的绿光光谱和近红外光谱的样本数据，并对收集到的样本光谱进行大气校正处理；
（2）个体植株成熟度的判定：根据步骤（1）处理的光谱数据利用绿光光谱和近红外光谱得到不同个体植株的绿色归一化植被指数光谱图像，并通过个体光谱图像判断个体植株成熟度，个体植株成熟度的判断方法为：(ρnir-ρgreen)/(ρnir+ρgreen)；
（3）区域内全部植株成熟度的判定：将采集区域分割成3*3～5*5的采样区域，采样区域内个体植株成熟度达到95%以上为一级成熟度，采样区域内个体植株成熟度达到80～95%为二级成熟度，采样区域内个体植株成熟度80%以下为三级成熟度；同时，制作每个品种不少于90个采样区域的光谱数据，且每级成熟度不少于30个，采集总样本数不少于900个；
（4）不同成熟等级大豆颜色特征的提取：利用颜色矩获取不同成熟等级大豆的颜色特征，通过计算不同成熟等级之间的变异系数和相对差异，进行特征筛选，确定最终颜色特征指标；
（5）不同成熟等级大豆纹理特征的提取：利用灰度共生矩阵获取不同成熟等级大豆纹理特征，通过计算不同成熟等级之间的变异系数和相对差异，进行特征筛选，确定最终纹理特征指标；
（6）大豆成熟等级预测模型的建立：
将不少于900个样本数据按3：1的比例划分为建模集和预测集，即建模集不少于675个样本，预测集不少于225个样本，并将图像的颜色、纹理特征输入支持向量机建立预测模型；
（7）大豆成熟等级的判定：
对需要测定待收割的大豆进行绿光光谱和近红外光谱获取，并将预处理后的光谱数据进行步骤（2）计算得到绿色归一化植被指数光谱图像，通过步骤（3）（4）（5）提取筛选特征指标，将特征指标输入评价模型后即可完成大豆成熟等级评价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111391662.2A CN114092839B (zh) | 2021-11-23 | 2021-11-23 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111391662.2A CN114092839B (zh) | 2021-11-23 | 2021-11-23 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114092839A CN114092839A (zh) | 2022-02-25 |
| CN114092839B true CN114092839B (zh) | 2024-05-28 |
Family
ID=80303306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111391662.2A Active CN114092839B (zh) | 2021-11-23 | 2021-11-23 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114092839B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116227758B (zh) * | 2023-05-10 | 2023-08-08 | 江西师范大学 | 基于遥感技术和深度学习的农产品成熟度预测方法及系统 |
| CN117115664B (zh) * | 2023-10-10 | 2024-02-02 | 北京香田智能科技有限公司 | 一种烟叶成熟度的判别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012039597A2 (en) * | 2010-09-23 | 2012-03-29 | Universiti Putra Malaysia | Fruit ripeness grading system |
| CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测系统建立方法 |
| CN103185695A (zh) * | 2013-03-19 | 2013-07-03 | 华南农业大学 | 一种基于光谱的烤烟成熟度田间快速判断方法 |
| CN109978822A (zh) * | 2019-02-15 | 2019-07-05 | 仲恺农业工程学院 | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 |
| CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
-
2021
- 2021-11-23 CN CN202111391662.2A patent/CN114092839B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2012039597A2 (en) * | 2010-09-23 | 2012-03-29 | Universiti Putra Malaysia | Fruit ripeness grading system |
| CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测系统建立方法 |
| CN103185695A (zh) * | 2013-03-19 | 2013-07-03 | 华南农业大学 | 一种基于光谱的烤烟成熟度田间快速判断方法 |
| CN109978822A (zh) * | 2019-02-15 | 2019-07-05 | 仲恺农业工程学院 | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 |
| CN112345458A (zh) * | 2020-10-22 | 2021-02-09 | 南京农业大学 | 一种基于无人机多光谱影像的小麦产量估测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于近红外光谱的烤烟烟叶自动分组方法;章英;贺立源;;农业工程学报;20110430(第04期);全文 * |
| 寒地玉米育秧生长温湿度优化试验研究;赵越等;农机化研究;20210731;第43卷(第07期);第165-174页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114092839A (zh) | 2022-02-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114092839B (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
| CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取系统及方法 | |
| CN112557393B (zh) | 基于高光谱影像融合图谱特征的小麦叶层氮含量估测方法 | |
| CN102612892B (zh) | 小麦麦穗发芽情况识别方法 | |
| CN105067532B (zh) | 一种鉴别油菜菌核病和灰霉病早期病斑的方法 | |
| CN108830249B (zh) | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 | |
| CN112287886B (zh) | 基于高光谱图像融合图谱特征的小麦植株氮含量估测方法 | |
| CN110553999A (zh) | 基于高光谱和叶绿素荧光成像融合的柑橘黄龙病检测方法 | |
| CN108710864A (zh) | 基于多维度识别及图像降噪处理的冬小麦遥感提取方法 | |
| CN112903602A (zh) | 基于机器学习和高光谱成像的多种类柑橘病叶识别方法及系统 | |
| SE542770C2 (en) | Methods, models and systems for predicting yellow rust in wheat crops | |
| CN110308111B (zh) | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 | |
| CN114049564A (zh) | 基于高光谱遥感影像的松材线虫病等级预测模型构建方法 | |
| Gaikwad et al. | Multi-spectral imaging for fruits and vegetables | |
| CN111242934A (zh) | 基于无人机影像光谱与纹理特征的小麦氮浓度反演方法 | |
| Islam et al. | A ground-based platform for reliable estimates of fruit number, size, and color in stone fruit orchards | |
| CN117589767A (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
| Junkwon et al. | Potential application of color and hyperspectral images for estimation of weight and ripeness of oil palm (Elaeis guineensis Jacq. var. tenera) | |
| CN109765190B (zh) | 一种利用高光谱成像技术识别稻田稗草的方法 | |
| CN114694041A (zh) | 一种棉花药害与叶螨虫害的高光谱鉴别方法 | |
| CN110320174B (zh) | 应用polynomial net结构人工神经网络快速预测远安黄茶闷黄时间的方法 | |
| CN112179853A (zh) | 基于影像阴影去除的果树冠层氮素含量遥感反演方法及系统 | |
| CN114548220B (zh) | 基于手持式分光辐射谱仪的水稻颖花开花状态检测方法 | |
| Nawi et al. | Application of spectroscopic method to predict sugar content of sugarcane internodes. |
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 |