CN114199788A - 基于多光谱的病虫害检测识别方法、系统及存储介质 - Google Patents
基于多光谱的病虫害检测识别方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114199788A CN114199788A CN202111498754.0A CN202111498754A CN114199788A CN 114199788 A CN114199788 A CN 114199788A CN 202111498754 A CN202111498754 A CN 202111498754A CN 114199788 A CN114199788 A CN 114199788A
- Authority
- CN
- China
- Prior art keywords
- multispectral
- vegetation
- identification method
- 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.)
- Pending
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 33
- 201000010099 disease Diseases 0.000 title claims description 16
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims description 16
- 230000036541 health Effects 0.000 claims abstract description 14
- 238000001228 spectrum Methods 0.000 claims description 10
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 7
- 229910000976 Electrical steel Inorganic materials 0.000 claims description 5
- HQHACWYQWDKBOZ-UHFFFAOYSA-N 1-nitroso-azacyclotridecane Chemical compound O=NN1CCCCCCCCCCCC1 HQHACWYQWDKBOZ-UHFFFAOYSA-N 0.000 claims description 3
- 208000027066 STING-associated vasculopathy with onset in infancy Diseases 0.000 claims description 3
- 239000002689 soil Substances 0.000 claims description 3
- 239000011573 trace mineral Substances 0.000 claims description 3
- 235000013619 trace mineral Nutrition 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000005389 magnetism Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 6
- 235000021466 carotenoid Nutrition 0.000 description 3
- 150000001747 carotenoids Chemical class 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- 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 3
- 238000004880 explosion Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 241000238631 Hexapoda Species 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及植被生长监测技术领域，尤其是基于多光谱的病虫害检测识别方法、系统及存储介质，所述方法包括以下步骤：S100：采用无人机搭载多光谱相机采集待检测区域的多光谱影像；S200：根据所述多光谱影像，获取待检测区域的多光谱数据；S300：根据所述多光谱数据，分析待检测区域的植被指数；S400：根据所述植被指数，分析待检测区域的植被健康数据。采用本方案，能够提升数据采集效率，及时感知植被健康状况。
Description
技术领域
本发明涉及植被生长监测技术领域，特别涉及基于多光谱的病虫害检测识别方法、系统及存储介质。
背景技术
光谱是指复色光经过色散系统(如棱镜、光栅)分光后，被色散分离成的单色光，通过成像系统，投射在探测器上成为按波长(或频率)大小依次排列的图案。多光谱是指能同时获取多个光学频谱波段(通常大于等于3个)，并在可见光的基础上向红外光和紫外光两个方向扩展的光谱探测技术。
近年来，多光谱技术逐渐被应用于农业病虫害分析领域，通常是通过多光谱数据对植被是否受到病虫害侵染进行分析。具体的，多光谱数据是指通过多光谱影像得出的叶绿素数据、类胡萝卜素数据等，叶绿素、类胡萝卜素等数据是植物吸收外部能量的“接收转换器”，当植被受到病虫害侵染时将会伴随着植被叶绿素和类胡萝卜素的结构、含量等变换，因此，可以通过植被的多光谱数据得出植被是否收到了病虫害侵染。但是，目前的多光谱数据采集通常采用人工实地采样的方式进行，该方法效率较低，对于突发的植被病虫害状况无法及时感知，尤其对于森林类大规模植被病虫害进行检测时，其延后性可能导致病虫害在数据采集阶段进一步扩散，导致更大规模的植被遭受病虫害侵染。
发明内容
本发明提供了基于多光谱的病虫害检测识别方法、系统及存储介质，能够提升数据采集效率，及时感知植被健康状况。
本发明提供的基础方案：
基于多光谱的病虫害检测识别方法，包括以下步骤：
S100：采用无人机搭载多光谱相机采集待检测区域的多光谱影像；
S200：根据所述多光谱影像，获取待检测区域的多光谱数据；
S300：根据所述多光谱数据，分析待检测区域的植被指数；
S400：根据所述植被指数，分析待检测区域的植被健康数据。
本发明的原理及优点在于：采用无人机搭载多光谱相机对待检测区域的多光谱影像进行采集，相较于人工实地采集，其效率更高，从而可以及时采集到待检测区域的多光谱数据，及时感知待检测区域植被的健康状况。
进一步，所述植被指数包括归一化差异植被指数NDVI、土壤调节植被指数SAVI、植被水分指数NDMI和归一化差异水体指数NDWI中的一种或多种。
有益效果：根据多光谱数据，对多种植被指数进行分析，使数据的分析更加全面可靠，有利于得到更加准确的植被健康数据。
进一步，所述植被健康数据包括植被生长情况、微量元素获取情况和水分情况中的一种或多种。
有益效果：多方位分析植被健康数据，有利于感知待检测区域的植被健康状况。
进一步，所述多光谱相机设于无人机底部。
有益效果：将多光谱相机设置在无人机的底部，相较于将其设置在无人机其他方位，多光谱相机镜头受到遮挡的概率更小，故采用本方案，有利于在无人机飞行过程中，通过多光谱相机采集到更加全面的多光谱影像。
进一步，S100包括以下步骤：
S101：采集待检测区域的多光谱影像；
S102：将采集到的多光谱影像进行特征比对，并生成拼接相邻多光谱影像的拼接线；
S103：沿拼接线对多光谱影像进行裁剪；
S104：拼接裁剪后的多光谱影像，生成拼接后的多光谱影像。
有益效果：对采集到的多光谱影像进行拼接，从而获取到完整的待检测区域的多光谱影像。除此之外，对采集到的多光谱影像进行特征比对，并生成拼接相邻多光谱影像的拼接线，将各多光谱影像沿拼接线进行裁剪再拼接，剪去了各影像中重叠的部分，可以有效减小多光谱影像处理量。
进一步，所述无人机设有磁性件，所述多光谱相机设有磁铁，所述无人机与多光谱相机通过磁性件和磁铁可拆卸连接。
有益效果：利用磁铁吸附作用实现无人机与多光谱相机的可拆卸连接，与采用螺纹连接相比，安装及拆卸时更加方便快捷。
进一步，所述磁性件包括电源装置和电磁铁；
所述电源装置包括电源、导线和弹簧，所述电源活动设置于无人机上，所述导线通过弹簧与电源连接，所述弹簧处于未压缩状态时，弹簧与电源接触；
所述电磁铁包括线圈和铁芯；
所述线圈与导线连接。
有益效果：近年来，无人机坠机、爆炸等事故频繁发生，而搭载在无人机上的多光谱相机又价格昂贵，故本方案中，为了避免无人机发生事故时牵连多光谱相机，利用无人机与多光谱相机的可拆卸连接关系，使多光谱相机在无人机发生故障及时脱离无人机，实现多光谱相机的自保。
具体实现方式如下：将电源活动设置在无人机上，再将导线通过弹簧与电源连接，弹簧处于未压缩状态时，弹簧与电源接触，此时与电源装置连接的线圈处于通电状态，磁性件拥有磁性，无人机可通过磁性件实现与多光谱相机的连接。当无人机异常飞行，具有坠毁可能时，其倾斜会导致电源的移动，从而压缩电源正极或负极任一端连接的弹簧使得电源与另一端的弹簧脱离，导致电源装置处于断路状态，此时，与电源装置连接的线圈处于未通电状态，磁性件磁性消失，无人机与多光谱相机的连接作用消失，多光谱相机脱离无人机，避免了无人机的坠毁、爆炸等事故对多光谱相机造成损伤。
进一步，所述铁芯的材质为硅钢。
有益效果：硅钢材质容易磁化,又容易消失磁性，应用于本方案，可以在无人机异常飞行时，及时响应，消除无人机上磁性件的磁性，有利于多光谱相机快速脱离无人机。
基于多光谱的病虫害检测识别系统，使用了上述基于多光谱的病虫害检测识别方法。
基于多光谱的病虫害检测识别存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述基于多光谱的病虫害检测识别方法。
附图说明
图1为本发明实施例基于多光谱的病虫害检测识别方法的流程图。
图2为本发明实施例基于多光谱的病虫害检测识别方法中无人机的结构示意图。
图3为本发明实施例基于多光谱的病虫害检测识别方法中无人机与多光谱相机的连接结构示意图。
图4为本发明实施例基于多光谱的病虫害检测识别方法中无人机的局部剖视图。
具体实施方式
下面通过具体实施方式进一步详细说明：
说明书附图中的标记包括：无人机1、电源2、导线3、弹簧4、线圈5、铁芯6、电源装置盒7、多光谱相机8、磁铁9。
实施例1：
实施例1基本如附图1所示：
基于多光谱的病虫害检测识别方法，具体包括以下步骤。
S100：采用无人机1搭载多光谱相机8采集待检测区域的多光谱影像，本实施例中，为避免无人机1组件遮挡多光谱相机8的镜头，将多光谱相机8设置于无人机1底部。S100包括以下步骤。
S101：采集待检测区域的多光谱影像，具体的，根据待检测区域的范围，通过多光谱相机8拍摄多张影像，直至待检测区域全部拍摄完毕。
S102：将采集到的多张多光谱影像进行特征比对，并生成拼接相邻多光谱影像的拼接线，也即对各影像中，与其他影像重合之处进行检测，再在重合处的边界生成拼接线。例如，影像A和影像B存在一处重合区域，则分别在影像A和影像B中，对重合区域的边界进行标识，生成拼接线。
S103：沿拼接线对多光谱影像进行裁剪。如上述举例，当影像A和影像B存在一处重合区域时，沿影像A或影像B的拼接线，对影像A或影像B进行裁剪，使重合区域仅在一张影像中留存。
S104：拼接裁剪后的多光谱影像，生成拼接后的多光谱影像。如上述举例，对裁剪后的影像A和影像B沿拼接线进行拼接，使最终拼接完成的多光谱影像为完整的待检测区域的影像，且无重复部分，减少后续处理量。
S200：根据拼接后的多光谱影像，获取待检测区域的多光谱数据。所述多光谱影像是多光谱相机在R红650nm，G绿560nm，B蓝450nm，RE红边730nm，NIR近红外840nm波长下拍摄到的一组图像。
S300：根据所述多光谱数据，分析待检测区域的植被指数，所述植被指数包括归一化差异植被指数NDVI、土壤调节植被指数SAVI、植被水分指数NDMI和归一化差异水体指数NDWI。S400：根据所述植被指数，分析待检测区域的植被健康数据，所述植被健康数据包括植被生长情况、微量元素获取情况和水分情况。植被指数衡量是衡量植被健康数据的标准化方法，以归一化差异植被指数NDVI为例，当具有较高的NDVI值时，植被就会更健康；当NDVI较低时，植被较少或没有植被。
基于多光谱的病虫害检测识别系统，使用了上述的基于多光谱的病虫害检测识别方法。
基于多光谱的病虫害检测识别存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述基于多光谱的病虫害检测识别方法。
实施例2：
实施例2基本如附图2所示：
实施例2基本原理与实施例1相同，其区别在于实施例2中，所述无人机1设有磁性件，所述多光谱相机8设有磁铁9，如图3所示，所述无人机1与多光谱相机8通过磁性件和磁铁9可拆卸连接。本实施例中，为使无人机1与多光谱相机8的连接更为牢固，所述磁铁9采用强力磁铁9。
所述磁性件包括电源2装置和电磁铁9，所述电源2装置用于为电磁铁9供电，电磁铁9通电时，电磁铁9具有磁性，从而可以与多光谱相机8上的磁铁9相吸，连接无人机1与多光谱相机8；电磁铁9断电时，电磁铁9的磁性消失，无法与多光谱相机8上的磁铁9相吸，连接在无人机1上的多光谱相机8脱落。采用本方案，与直接采用两磁铁9完成磁吸作用相比，其拆卸无需借助人为的外力，仅需通过电磁铁9的通断电即可控制无人机1与多光谱相机8的连接与脱离。本方案中，所述电磁铁9包括线圈5和铁芯6，具体的，由于硅钢材质容易磁化,又容易消失磁性，故本方案中所述铁芯6的材质采用硅钢。
如图4所示，图4为无人机1的局部剖视图，具体为电源装置盒7及其内部组件的剖视图。电源2装置包括电源2、导线3和弹簧4，所述电源2活动设置于无人机1上，所述导线3通过弹簧4与电源2连接，所述弹簧4处于未压缩状态时，弹簧4与电源2接触。本实施例中，所述电源2水平放置于电源装置盒7中，且可以在电源装置盒7中沿弹簧4的轴向运动，当无人机1正常飞行时，电源2的正极与负极分别与一个弹簧4接触，两弹簧4位于同一轴线上，且两弹簧4的另一头分别连接有导线3，所述导线3与线圈5连接，从而能够通过电源2装置给线圈5通电。
当无人机1正常飞行时，电源2在电源装置盒7中水平放置，弹簧4处于未压缩状态时，弹簧4与电源2接触，此时与电源2装置连接的线圈5处于通电状态，磁性件拥有磁性，无人机1可通过磁性件实现与多光谱相机8的连接。
当无人机1异常飞行，具有坠毁可能时，其倾斜会导致电源2在电源装置盒7中沿弹簧4的轴向移动，从而压缩电源2正极或负极任一端连接的弹簧4，使得电源2与另一端的弹簧4脱离，导致电源2装置处于断路状态，此时，与电源2装置连接的线圈5处于未通电状态，磁性件磁性消失，无人机1与多光谱相机8的连接作用消失，多光谱相机8脱离无人机1。由此，避免了无人机1的坠毁、爆炸等事故对多光谱相机8造成损伤。本实施例中，为充分保护多光谱相机8，还在多光谱相机8的外部设置有缓冲装置，所述缓冲装置可以为海绵、泡沫等，从而使得光谱相机脱离无人机1，落至地面时能够得到缓冲保护。
基于多光谱的病虫害检测识别系统，使用了上述的基于多光谱的病虫害检测识别方法。
基于多光谱的病虫害检测识别存储介质，用于存储计算机可执行指令，所述计算机可执行指令在被执行时实现上述基于多光谱的病虫害检测识别方法。
以上的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.基于多光谱的病虫害检测识别方法，其特征在于：包括以下步骤：
S100：采用无人机搭载多光谱相机采集待检测区域的多光谱影像；
S200：根据所述多光谱影像，获取待检测区域的多光谱数据；
S300：根据所述多光谱数据，分析待检测区域的植被指数；
S400：根据所述植被指数，分析待检测区域的植被健康数据。
2.根据权利要求1所述的基于多光谱的病虫害检测识别方法，其特征在于：所述植被指数包括归一化差异植被指数NDVI、土壤调节植被指数SAVI、植被水分指数NDMI和归一化差异水体指数NDWI中的一种或多种。
3.根据权利要求1所述的基于多光谱的病虫害检测识别方法，其特征在于：所述植被健康数据包括植被生长情况、微量元素获取情况和水分情况中的一种或多种。
4.根据权利要求1所述的基于多光谱的病虫害检测识别方法，其特征在于：所述多光谱相机设于无人机底部。
5.根据权利要求1所述的基于多光谱的病虫害检测识别方法，其特征在于：S100包括以下步骤：
S101：采集待检测区域的多光谱影像；
S102：将采集到的多光谱影像进行特征比对，并生成拼接相邻多光谱影像的拼接线；
S103：沿拼接线对多光谱影像进行裁剪；
S104：拼接裁剪后的多光谱影像，生成拼接后的多光谱影像。
6.根据权利要求1所述的基于多光谱的病虫害检测识别方法，其特征在于：所述无人机设有磁性件，所述多光谱相机设有磁铁，所述无人机与多光谱相机通过磁性件和磁铁可拆卸连接。
7.根据权利要求6所述的基于多光谱的病虫害检测识别方法，其特征在于：所述磁性件包括电源装置和电磁铁；
所述电源装置包括电源、导线和弹簧，所述电源活动设置于无人机上，所述导线通过弹簧与电源连接，所述弹簧处于未压缩状态时，弹簧与电源接触；
所述电磁铁包括线圈和铁芯；
所述线圈与导线连接。
8.根据权利要求7所述的基于多光谱的病虫害检测识别方法，其特征在于：所述铁芯的材质为硅钢。
9.基于多光谱的病虫害检测识别系统，其特征在于：使用了上述权利要求1-8中任一项所述的基于多光谱的病虫害检测识别方法。
10.基于多光谱的病虫害检测识别存储介质，用于存储计算机可执行指令，其特征在于：所述计算机可执行指令在被执行时实现上述权利要求1-8中任一项所述的基于多光谱的病虫害检测识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111498754.0A CN114199788A (zh) | 2021-12-09 | 2021-12-09 | 基于多光谱的病虫害检测识别方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111498754.0A CN114199788A (zh) | 2021-12-09 | 2021-12-09 | 基于多光谱的病虫害检测识别方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114199788A true CN114199788A (zh) | 2022-03-18 |
Family
ID=80651670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111498754.0A Pending CN114199788A (zh) | 2021-12-09 | 2021-12-09 | 基于多光谱的病虫害检测识别方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114199788A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013070451A (ja) * | 2011-09-20 | 2013-04-18 | Fuji Electric Co Ltd | 電磁石動作監視システム、その電磁石動作監視装置 |
| KR20150136229A (ko) * | 2014-05-27 | 2015-12-07 | 홍창수 | 선박의 조난신호 및 블랙박스의 위치 신호를 발신하는 선박용 블랙박스 시스템 |
| CN106347689A (zh) * | 2016-08-28 | 2017-01-25 | 桂林市晶准测控技术有限公司 | 一种黑匣子分离控制方法、系统和航空器 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和系统 |
| CN111907706A (zh) * | 2020-06-15 | 2020-11-10 | 哈尔滨工业大学 | 一种电磁驱动的黑匣子抛放分离机构 |
| CN112238950A (zh) * | 2020-11-06 | 2021-01-19 | 吉林大学 | 一种具有光谱相机保护装置的固定翼遥感无人机 |
| KR102237417B1 (ko) * | 2019-11-03 | 2021-04-07 | 김재환 | 휴대용 스마트기기와 유선으로 연결되는 드론 시스템 |
| CN112634212A (zh) * | 2020-12-14 | 2021-04-09 | 江西省林业科学院 | 基于高光谱无人机的病害潜伏树检测方法及系统 |
| CN214397286U (zh) * | 2021-02-26 | 2021-10-15 | 湖北翼飞无人机科技有限公司 | 一种具有摄像机保护功能的航测无人机 |
| CN215043750U (zh) * | 2021-04-30 | 2021-12-07 | 南京信息工程大学 | 一种旋翼无人机坠机保护装置 |
-
2021
- 2021-12-09 CN CN202111498754.0A patent/CN114199788A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013070451A (ja) * | 2011-09-20 | 2013-04-18 | Fuji Electric Co Ltd | 電磁石動作監視システム、その電磁石動作監視装置 |
| KR20150136229A (ko) * | 2014-05-27 | 2015-12-07 | 홍창수 | 선박의 조난신호 및 블랙박스의 위치 신호를 발신하는 선박용 블랙박스 시스템 |
| CN106347689A (zh) * | 2016-08-28 | 2017-01-25 | 桂林市晶准测控技术有限公司 | 一种黑匣子分离控制方法、系统和航空器 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和系统 |
| KR102237417B1 (ko) * | 2019-11-03 | 2021-04-07 | 김재환 | 휴대용 스마트기기와 유선으로 연결되는 드론 시스템 |
| CN111907706A (zh) * | 2020-06-15 | 2020-11-10 | 哈尔滨工业大学 | 一种电磁驱动的黑匣子抛放分离机构 |
| CN112238950A (zh) * | 2020-11-06 | 2021-01-19 | 吉林大学 | 一种具有光谱相机保护装置的固定翼遥感无人机 |
| CN112634212A (zh) * | 2020-12-14 | 2021-04-09 | 江西省林业科学院 | 基于高光谱无人机的病害潜伏树检测方法及系统 |
| CN214397286U (zh) * | 2021-02-26 | 2021-10-15 | 湖北翼飞无人机科技有限公司 | 一种具有摄像机保护功能的航测无人机 |
| CN215043750U (zh) * | 2021-04-30 | 2021-12-07 | 南京信息工程大学 | 一种旋翼无人机坠机保护装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A deep learning approach incorporating YOLO v5 and attention mechanisms for field real-time detection of the invasive weed Solanum rostratum Dunal seedlings | |
| KR101984983B1 (ko) | 야생동물 모니터링 시스템 및 그 방법 | |
| US11933788B1 (en) | Spore state discrimination | |
| CN108267175B (zh) | 一种基于无人机的农作物监测方法和装置 | |
| de Oca et al. | The AgriQ: A low-cost unmanned aerial system for precision agriculture | |
| WO2017208468A1 (ja) | ドローン飛行制御システム、方法及びプログラム | |
| KR101769832B1 (ko) | Ndvi 카메라 장치 | |
| KR20210143627A (ko) | 드론을 이용한 식생 예찰 시스템, 식생 예찰 장치 및 식생 예찰 방법 | |
| AT508514B1 (de) | Verfahren zur erkennung von tieren einschliesslich brutgelegen in landwirtschaftlich genutzten feldern und wiesen sowie vorrichtung zur durchführung des verfahrens | |
| Zhao et al. | Tree canopy differentiation using instance-aware semantic segmentation | |
| WO2019133973A1 (en) | Crop health sensing system | |
| Barmpoutis et al. | Estimation of extent of trees and biomass infestation of the suburban forest of Thessaloniki (Seich Sou) using UAV imagery and combining R-CNNs and multichannel texture analysis | |
| JP2019039913A (ja) | モニタリングシステム | |
| CN115147740A (zh) | 基于光谱与图像识别的农林病虫害空基监测系统及方法 | |
| CN114199788A (zh) | 基于多光谱的病虫害检测识别方法、系统及存储介质 | |
| Yuba et al. | Counting of Pennisetum alopecuroides at heading stage in a grazed pasture using images from an unmanned aerial vehicle | |
| Erickson et al. | Using remote sensing to assess stand loss and defoliation in maize | |
| RU2662019C1 (ru) | Способ и система измерения индекса плотности растительности | |
| KR20200122025A (ko) | 스마트기기로 인식되는 수목관리용 식별띠 및 이를 이용한 수목관리 시스템 | |
| KR102563100B1 (ko) | 과실 수량 측정 시스템 및 그 방법 | |
| KR20230094918A (ko) | 드론을 이용한 자동화 방제 관리 시스템 및 그 방법 | |
| Cerreta Ph D et al. | Using Unmanned Aircraft Systems to Investigate the Detectability of Burmese Pythons in South Florida | |
| Yang | Remote sensing technologies for crop disease and pest detection | |
| Ristorto et al. | Mission planning for the estimation of the field coverage of unmanned aerial systems in monitoring mission in precision farming | |
| Jay et al. | Detection of leafy spurge using hyper-spectral-spatial-temporal imagery |
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 |