CN114463577A - 作物根系图像生成方法及装置、作物健康确定方法及装置 - Google Patents
作物根系图像生成方法及装置、作物健康确定方法及装置 Download PDFInfo
- Publication number
- CN114463577A CN114463577A CN202111667441.3A CN202111667441A CN114463577A CN 114463577 A CN114463577 A CN 114463577A CN 202111667441 A CN202111667441 A CN 202111667441A CN 114463577 A CN114463577 A CN 114463577A
- Authority
- CN
- China
- Prior art keywords
- image
- crop
- root system
- root
- determining
- 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 94
- 230000036541 health Effects 0.000 title claims abstract description 63
- 230000006870 function Effects 0.000 claims description 47
- 239000002689 soil Substances 0.000 claims description 28
- 239000000575 pesticide Substances 0.000 claims description 24
- 239000003090 pesticide formulation Substances 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 22
- 238000005507 spraying Methods 0.000 claims description 19
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 231100000915 pathological change Toxicity 0.000 description 3
- 230000036285 pathological change Effects 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000000292 Gouania lupuloides Nutrition 0.000 description 1
- 244000299452 Gouania lupuloides Species 0.000 description 1
- 241000736816 Xanthorhiza Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 235000005679 goldenseal Nutrition 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000005195 poor health Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 238000005067 remediation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种作物根系图像生成方法及装置、作物健康确定方法及装置，涉及智能农业领域。该作物根系图像生成方法包括：确定待观测作物的地下切面图像；利用根系轮廓图像生成模型，基于地下切面图像，确定待观测作物的根系轮廓图像；基于地下切面图像和所述根系轮廓图像，确定所述待观测作物的作物根系图像。本申请不需要繁琐的采集，人工参与较少，根系轮廓图像生成模型的重复利用性高，可以根据输入的待观测作物的地下切面图像，及时高效地输出对应的待观测作物的作物根系图，适用于面积较大的土地(比如农田)场景。
Description
技术领域
本申请涉及智能农业技术领域，具体涉及一种作物根系图像生成方法及装置、作物健康确定方法及装置。
背景技术
近年来，智能农业逐渐兴起，卷积神经网络特征提取技术应用在农业的方方面面，如通过计算机分析作物的叶、茎图像来判断作物的生长状况、通过计算机分析作物图像判断作物的长势等，然而对于利用土壤中的作物根系图像分析作物的健康状况的研究还不够完善、以及对于地下土壤中作物图像的获取还在一些困难。
发明内容
为了解决上述技术问题，提出了本申请。本申请实施例提供了一种作物根系图像生成方法及装置、作物健康确定方法及装置。
第一方面，本申请一实施例提供了一种作物根系图像生成方法，该方法包括：确定待观测作物的地下切面图像；利用根系轮廓图像生成模型，基于地下切面图像，确定待观测作物的根系轮廓图像；基于地下切面图像和根系轮廓图像，确定待观测作物的作物根系图像。
结合第一方面，在第一方面的某些实现方式中，根系轮廓图像生成模型的损失函数包括根系区域像素值预测函数和整体图像标签函数，其中，针对根系切面图像样本，根系区域像素值预测函数的函数值基于根系切面图像样本对应的分类标签数据和模型输出结果确定，整体图像标签函数的函数值基于根系切面图像样本对应的分类标签数据确定。
结合第一方面，在第一方面的某些实现方式中，损失函数包括：
结合第一方面，在第一方面的某些实现方式中，在利用根系轮廓图像生成模型，基于地下切面图像，确定待观测作物的根系轮廓图像之前，还包括：确定训练数据集，训练数据集包括M幅根系切面图像样本以及M幅根系切面图像样本各自对应的分类标签数据，根系切面图像样本对应的分类标签数据包括根系切面图像样本包含的像素点各自对应的根系标签数据；基于训练数据集训练初始网络模型，得到根系轮廓图像生成模型。
结合第一方面，在第一方面的某些实现方式中，M幅根系切面图像样本包括不同类型土样的根系切面图像样本、不同类型作物的根系切面图像样本、同一类型作物的不同生长状况的根系切面图像样本以及同一类型作物的不同光照强度下的根系切面图像样本中的至少一种。
结合第一方面，在第一方面的某些实现方式中，地下切面图像包括N个切面图像像素点，根系轮廓图像包括N个轮廓图像像素点，作物根系图像包括N个根系图像像素点，并且，N个切面图像像素点和N个轮廓图像像素点呈一一对应关系，N个切面图像像素点和N个根系图像像素点呈一一对应关系，基于地下切面图像和所述根系轮廓图像，确定待观测作物的作物根系图像，包括：针对N个切面图像像素点中的每个切面图像像素点，将切面图像像素点的像素值与切面图像像素点对应的轮廓图像像素点的像素值相乘，得到切面图像像素点对应的根系图像像素点的像素值；基于N个切面图像像素点各自对应的根系图像像素点的像素值，确定作物根系图像。
第二方面，本申请一实施例提供了一种作物健康确定方法，该方法包括：确定待观测作物的作物根系图像，作物根系图像基于第一方面所述的方法确定；分析作物根系图像，得到待观测作物的生长状况数据。
结合第二方面，在第二方面的某些实现方式中，分析作物根系图像，得到待观测作物的生长状况数据，包括：将作物根系图像转换至HSV空间，分析作物根系图像的颜色分布比例数据；基于颜色分布比例数据，确定待观测作物的生长状况数据。
第三方面，本申请一实施例提供了一种农药配方生成方法，该方法包括：确定当前地块中的作物的健康状况数据，健康状况数据基于第二方面所述的方法确定；基于当前地块中的作物的健康状况数据，确定当前地块的农药配方。
第四方面，本申请一实施例提供了一种作物控制方法，该方法包括：基于当前地块中的作物的健康状况数据，确定当前地块的农药配方，所述农药配方基于第三方面所述的方法确定；基于农药配方，生成当前地块对应的喷洒作业航线，以便基于喷洒作业航线，执行农药喷洒任务。
第五方面，本申请一实施例提供了一种作物根系图像生成装置，该装置包括：第一确定模块，用于确定待观测作物的地下切面图像；第二确定模块，用于利用根系轮廓图像生成模型，基于地下切面图像，确定待观测作物的根系轮廓图像；第三确定模块，用于基于地下切面图像和所述根系轮廓图像，确定待观测作物的作物根系图像。
第六方面，本申请一实施例提供了一种作物健康观测装置，该装置包括：作物根系图像确定模块，用于确定待观测作物的作物根系图像，作物根系图像基于第一方面所述的方法确定；作物根系图像分析模块，用于分析作物根系图像，得到待观测作物的健康状况数据。
第七方面，本申请一实施例提供了一种农药配方生成装置，该装置包括：健康状况数据确定模块，用于确定当前地块中的作物的健康状况数据，健康状况数据基于第二方面所述的方法确定；农药配方生成模块，用于基于当前地块中的作物的健康状况数据，确定当前地块的农药配方。
第八方面，本申请一实施例提供了一种作物控制装置，该装置包括农药配方确定模块，用于基于当前地块中的作物的健康状况数据，确定当前地块的农药配方，所述农药配方基于第三方面所述的方法确定；喷洒作业生成模块，用于基于农药配方，生成当前地块对应的喷洒作业航线，以便基于喷洒作业航线，执行农药喷洒任务。
第九方面，本申请一实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序用于执行上述任一实施例提及的第一方面至第四方面任一所述的方法。
第十方面，本申请一实施例提供了一种电子设备，该电子设备包括：处理器；用于存储处理器可执行指令的存储器；该处理器用于执行上述任一实施例提及的第一方面至第四方面任一所述的方法。
第十一方面，本申请一实施例提供了一种作物根系图像生成系统，该系统包括：图像采集系统，图像采集系统用于拍摄待观测作物的地下切面图像；以及如第十方面所述的电子设备，电子设备连接至所述图像采集系统。
结合第十一方面，在第十一方面的某些实现方式中，图像采集系统包括：土壤接触机构，土壤接触机构设有用于土壤中的透明视窗；图像采集机构，图像采集机构的摄像头与透明视窗之间形成光路。
本申请实施例提供的作物根系图像的生成方法，通过输入待观测的地下切面图像，利用根系轮廓图像生成模型，输出对应的待观测作物的作物根系图像，该方法人工参与较少、根系轮廓图像生成模型的重复利用性高，适用于大面积的土地(比如农田)场景。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1所示为本申请实施例所适用的一场景示意图。
图2所示为本申请一实施例提供的作物根系图像生成方法的流程示意图。
图3所示为本申请另一实施例提供的作物根系图像生成方法的流程示意图。
图4所示为本申请一实施例提供的确定待观测作物的作物根系图像的流程示意图。
图5所示为本申请一实施例提供的作物健康确定方法的流程示意图。
图6所示为本申请一实施例提供的分析作物根系图像，得到待观测作物的健康状况数据的流程示意图。
图7所示为本申请一实施例提供的农药配方生成方法的流程示意图。
图8所示为本申请一实施例提供的作业控制方法的流程示意图。
图9所示为本申请一实施例提供的作物根系图像生成装置的结构示意图。
图10所示为本申请一实施例提供的作物健康观测装置的结构示意图。
图11所示为本申请一实施例提供的农药配方生成装置的结构示意图。
图12所示为本申请一实施例提供的作业控制装置的结构示意图。
图13所示为本申请一实施例提供的电子设备的结构示意图。
图14所示为本申请一实施例提供的图像采集系统的结构示意图。
图15所示为本申请一实施例提供的图像采集系统的结构示意图。
图16所示为本申请一实施例提供的图像采集系统的结构示意图。
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，所描述的实施例仅是本申请一部分实施例，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做出创造性劳动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。
传统的农田管理，一般是农田管理人员定期到田间观察作物的生长情况，并根据作物的生长情况判断作物的健康状况，再根据农田管理人员的经验判断是否需要对作物健康不良的问题进行治理，然而这种方法受到时间和空间范围的限制，存在不及时或遗漏的风险，从而错过采取植保措施的最佳时间。
通过智能农业技术，实时监测作物的叶和茎的状态，来分析作物健康状况的方式，主要适用于病变已经体现在作物表型的情况，但当病变体现在作物表型上时，通常会造成一定的经济损失。
根系是作物从土壤等介质环境中获取水分和养分的重要器官，一个基本的概括是“白根有劲、黄根保命、黑根有病、灰根要命”，可见根系的不同状态从一定程度上反应了作物的健康状态，而且根部的早期病变并没有体现到作物表型上，进而可以起到早发现、早治理的作用。
然而土壤中的作物根系图像的获取方式还存在一些困难，作物根系图像的处理和分析还不够完善。
图1所示为本申请一实施例提供的应用场景示意图。如图1所示，本申请实施例提供的应用场景为农田应用场景。具体地，该场景中包括农田110、服务器120以及与服务器120连接的图像采集系统130。具体地，农田110可视为待检测地块区域，服务器120中部署有能够确定待观测作物的根系轮廓图像的根系轮廓图像生成模型。
示例性地，在实际应用过程中，图像采集系统130拍摄农田110的待观测作物的地下切面图像，并将拍摄的待观测作物的地下切面图像上传至服务器120。服务器120获取待观测作物的地下切面图像后，利用根系轮廓图像生成模型，分析待观测作物的地下切面图像，得到农田110的待观测作物的作物根系图像。
在上述应用场景中，人工参与较少，并且，确定待观测作物的地下切面图像后，利用根系轮廓图像生成模型分析得到待观测作物的作物根系图像，不仅及时高效，而且对于面积较大的农田土地场景亦完全适用。
需要说明的是，服务器可以被替换为其他类型的处理设备，如平板电脑或个人电脑等具备处理能力的电子设备，但不限于此，示例性地，在一个设备中，可以具备执行上述作物根系图像生成方法的功能，同时还可以具备图像采集系统的功能，本申请对此不进行限定。
图2所示为本申请一实施例提供的作物根系图像生成方法的流程示意图。示例性地，该作物根系图像生成方法既可以在农耕机等硬件设备的处理器中执行，也可以在相关的服务器中执行。
如图2所示，本申请一示例性实施例提供的作物根系图像生成方法包括如下步骤。
步骤230，确定待观测作物的地下切面图像。
示例性地，待观测作物指的是需要获取作物根系图像以方便进行其他检测分析操作的作物，比如需要作物根系图像以分析该作物生长状况的农田中的作物。
示例性地，地下切面图像指的是待观测作物的包含作物根系的地下切面图像，比如，将拍摄设备置于作物根系附近的地下所拍摄的地下切面图像。
步骤240，利用根系轮廓图像生成模型，基于地下切面图像，确定待观测作物的根系轮廓图像。
在一些实施例中，根系轮廓图像生成模型指的是深度神经网络模型，深度神经网络模型输入为地下切面图像，输出为根系轮廓图像，地下切面图像与根系轮廓图像的宽度和高度方向所包含的像素点数相同。
示例性地，地下切面图像的像素为500×700，指的是地下切面图像宽度方向上有500像素，高度方向上有700像素，则根系轮廓图像的像素也为500×700。
示例性地，地下切面图像除了包含待检测作物的根系之外，还包括其他非根系部分，如土壤、土壤中的杂质以及作物地下果实等。根系轮廓图像生成模型输出的根系轮廓图像仅包含根系部分。根系部分在根系轮廓图像上对应位置的像素值为1，非根系部分在根系轮廓图像上对应位置的像素值为0。
在实际应用过程中，根系轮廓图像生成模型即可以部署到地面的边缘计算设备，以便实时进行计算，也可以部署到云端服务器，本申请实施例对此不进行统一限定。
步骤250，基于地下切面图像和根系轮廓图像，确定待观测作物的作物根系图像。
示例性地，作物根系图像在宽度和高度方向上所包含的像素点数与地下切面图和根系轮廓图像相同。作物根系图像仅包含作物根系部分，作物根系部分在作物根系图像上对应位置的像素值与作物根系部分在地下切面图像上的对应位置的像素值相同，作物根系图像上的非根系区域的像素值为0。
本申请实施例提供的作物根系图像生成方法，将待观测作物的地下切面图像输入根系轮廓图像生成模型，得到根系轮廓图像，将地下切面图像和根系轮廓图像对应位置处的像素值相乘，得到作物根系图像。通过该方法可以快速、及时、准确地获取作物根系图像，以便人们能及时从作物根系图像上获取关于作物生长状况的信息。
图3所示为本申请另一实施例提供的作物根系图像生成方法的流程示意图。在图2所示实施例基础上延伸出图3所示实施例，下面着重叙述图3所示实施例与图2所示实施例的不同之处，相同之处不再赘述。
如图3所示，在利用根系轮廓图像生成模型，基于地下切面图像，确定待观测作物的根系轮廓图像之前，还包括如下步骤。
步骤210，确定训练数据集。
具体地，训练数据集包括M幅根系切面图像样本以及与M幅根系切面图像样本各自对应的标签数据，根系切面图像样本对应的标签数据包括根系切面图像样本包含的像素点各自对应的根系标签数据。
示例性地，M幅根系切面图像样本包括不同类型土样的根系切面图像样本、不同类型作物的根系切面图像样本、同一类型作物的不同生长状况的根系切面图像样本以及同一类型作物的不同光照强度下的根系切面图像样本中的至少一种。
在实际应用过程中，图像拍摄设备长期埋在地下，为了获得清晰的图像，一般都需要补光拍照，即图像拍摄设备和补光模组配合使用对作物根系部分进行拍摄。补光模组会随着时间发生损耗，影响到补光强度，进而导致即使以同样的功率进行补光控制，补光强度也会不同，因此本申请实施例在对根系轮廓图像生成模型进行训练前，还需要采集不同光照强度下同一类型作物的根系切面图像样本。
示例性地，根系切面图像样本上含根系的区域位置的像素点的像素值标记为1，根系切面图像样本上含非根系的区域位置的像素点的像素值标记为0。根系切面图像样本对应的标签数据包括所有根系切面图像样本上含根系的区域位置的像素值1和所有含非根系的区域位置的像素值0。
在一些实施例中，根系切面图像样本为RGB三通道图像格式的图像，RGB三通道图像格式是工业界的一种颜色标准，通过对红(R)、绿(G)、(蓝)三个颜色通道的变化以及他们相互之间的叠加来得到各种颜色，该标准几乎包括蓝人类视力所能感知的所有颜色，是运用最广泛的颜色系统之一。
在一些实施例中，预处理根系切面图像样本，将预处理后的根系切面图像样本收录到训练集中。其中预处理包括旋转和、或裁减操作。具体而言，对于同一张根系切面图像样本进行旋转和/或裁减操作，得到新的根系切面图像样本，并将得到的所有新的根系切面图像样本收录到训练数据集中，从而增加样本的多样性，以提高得到的根系轮廓图像生成模型的精度。
步骤220，基于训练数据集训练初始网络模型，得到根系轮廓图像生成模型。
可以理解，初始网络模型为预先建立的神经网络模型，初始网络模型和根系轮廓图像生成模型的区别在于模型参数的差别，即用训练数据集训练调整初始网络模型的模型参数，进而得到收敛的图像差异检测模型。
具体地，根系轮廓图像生成模型的损失函数包括根系区域像素值预测函数和整体图像标签函数，其中，针对根系切面图像样本，所述根系区域像素值预测函数的函数值基于所述根系切面图像样本对应的分类标签数据和模型输出结果确定，所述整体图像标签函数的函数值基于所述根系切面图像样本对应的分类标签数据确定。
进一步地，损失函数的公式为：
示例性地，对于一幅像素为300×400的根系切面图像样本，在(200，100)位置处的像素点有根系部分，则将(200，100)位置处的像素点的根系标签数据y标记为1，在(260，200)位置处的像素点不含根系部分，则将(260，200)位置处的像素点的根系标签数据y标记为0。
本申请实施例中的作物根系图像生成方法，通过大量且丰富的训练数据集对初始网络模型进行训练，提高了所得到的根系轮廓图像生成模型的输出精度。此外，根系轮廓图像生成模型的损失函数的分母为整体图像的标签数据的总数，防止当根系区域比较少的时候，损失函数太小，无法有效反应有根系区域的损失情况，通过所选择的适用于本模型的损失函数，也更进一步提高了根系轮廓图像生成模型的输出精度。
图4所示为本申请一实施例提供的确定待观测作物的作物根系图像的流程示意图。在图2所示实施例基础上延伸出图4所示实施例，下面着重叙述图4所示实施例与图2所示实施例的不同之处，相同之处不再赘述。
如图4所示，基于地下切面图像和根系轮廓图像，确定待观测作物的作物根系图像步骤，包括如下步骤。
步骤251，针对N个切面图像像素点中的每个切面图像像素点，将切面图像像素点的像素值与切面图像像素点对应的轮廓图像像素点的像素值相乘，得到切面图像像素点对应的根系图像像素点的像素值。
具体地，地下切面图像包括N个切面图像像素点，根系轮廓图像包括N个轮廓图像像素点，作物根系图像包括N个根系图像像素点，并且，N个切面图像像素点和N个轮廓图像像素点呈一一对应关系，N个切面图像像素点和N个根系图像像素点呈一一对应关系。
作为一个示例，地下切面图、根系轮廓图像、作物根系图像都是500×600像素。在地下切面图像上(200，300)位置处的像素点含作物根系部分，该位置处的像素点的像素值为163，则对应的根系轮廓图像上(200，300)位置处的像素点的像素值为1，对应的作物根系图像上(200，300)位置处的像素点的像素值为163×1＝163。在地下切面图像上(150，400)位置处的像素点不含根系部分，该位置处的像素点的像素值为36，则对应的根系轮廓图像上(150，400)位置处的像素点的像素值为0，对应的作物根系图像上(150，400)位置处的像素点的像素值为36×0＝0。
步骤252，基于N个切面图像像素点各自对应的根系图像像素点的像素值，确定作物根系图像。
沿用步骤251中的示例，通过将地下切面图像中的500×600个像素点的像素值与对应的根系轮廓图像中的500×600个像素点的像素值1或0相乘，将得到的新的500×600个像素点的像素值赋予作物根系图像。
本申请实施例中的作物根系图像生成方法，通过将地下切面图像中的像素点的像素值与根系轮廓图像中的像素点的像素值对应相乘得到作物根系图像，该方法可以将地下切面图像中的非根系区域的像素值皆变成0，只保留根系区域的像素值，避免了非根系区域的影响，方便对作物根系区域进行准确的分析。
图5所示为本申请一实施例提供的作物健康确定方法的流程示意图。如图5所示，本申请实施例提供的作物健康确定方法包括如下步骤。
步骤510，确定待观测作物的作物根系图像。
示例性地，待观测作物的作物根系图像，基于上述任一实施例提及的作物根系图像生成方法确定。
步骤520，分析作物根系图像，得到待观测作物的健康状况数据。
分析作物根系图像中的颜色分布比例，根据颜色分布比例得到待观测作物的健康状况数据。
图6所示为本申请一实施例提供的分析作物根系图像，得到待观测作物的健康状况数据的流程示意图。在图5所示实施例基础上延伸出图6所示实施例，下面着重叙述图6所示实施例与图5所示实施例的不同之处，相同之处不再赘述。
如图6所示，在本申请实施例提供的作物健康确定方法中，分析所述作物根系图像，得到所述待观测作物的健康状况数据步骤，包括如下步骤。
步骤521，将作物根系图像转换至HSV(Hue,Saturation,Value色调、饱和度、亮度)空间，分析作物根系图像的颜色分布比例数据。
具体地，将作物根系图像的RGB图片转到HSV空间，根据表1来分析作物根系图像的颜色分布比例。
表1不同颜色的色相、饱和度、明度范围值
| 黑 | 灰 | 黄 | 白 | |
| 最小色相值 | 0 | 0 | 26 | 0 |
| 最大色相值 | 180 | 180 | 34 | 180 |
| 最小饱和度值 | 0 | 0 | 43 | 0 |
| 最大饱和度值 | 255 | 43 | 255 | 30 |
| 最小明度值 | 0 | 46 | 46 | 221 |
| 最大明度值 | 46 | 220 | 255 | 255 |
在一些实施例中，逐个分析作物根系图像中的像素点的色相值、饱和度值、明度值是否都在某一种颜色的色相值、饱和度值和明度值的范围内，若都在该范围内，则将该像素点标记为对应的颜色。
示例性地，作物根系图像中的像素点a的色相值为60、饱和度值为100、明度值为30，则像素点a的颜色为黑色。
步骤522，基于颜色分布比例数据，确定待观测作物的健康状况数据。
具体地，预设第一比例阈值，第二比例阈值、第三比例阈值、第四比例阈值。根据对应作物的历史生长状况数据分别确定第一比例阈值、第二比例阈值、第三比例阈值和第四比例阈值的数值大小。
示例性地，对于作物花生，根据其对应的历史生长状况数据确定第一比例阈值70％、第二比例阈值为50％、第三比例阈值为40％、第四比例阈值为40％。
示例性地，若作物根系图像中的白色占比大于或等于第一比例阈值70％，则该作物的健康状况良好；若作物根系图像中的黄色占比大于或等于第二比例阈值50％，则该作物的健康状况及格；若作物根系图像中黑色占比大于或等于第三比例阈值40％，则该作物生病；若作物根系图像中灰色占比大于或等于第四比例阈值40％，则该作物将死亡。
本实施例中的作物健康状况观测方法，通过将作物根系图像转换至HSV空间，分析作物根系图像中各种颜色的比例，来判断作物的健康状况。该方法、简单、科学、省去了人工观测，能够发现作物的早期病变，方便人们根据实时获取的作物健康状况数据，采取对应的治理措施，避免后期造成大的经济损失。
图7所示为本申请一实施例提供的农药配方生成方法的流程示意图。如图7所示，本申请实施例提供的农药配方生成方法包括如下步骤。
步骤710，确定当前地块中的作物的健康状况数据。
示例性地，当前地块中的作物的健康状况数据，基于上述实施例提及的作物健康确定方法确定。
步骤720，基于当前地块中的作物的健康状况数据，确定当前地块的农药配方。
示例性地，若检测到当前地块中的作物生病，则可制备或选取对应的农药配方进行治理。
示例性地，对于健康状况及格的作物，可以进行施肥或浇水等其他补救措施，帮助作物克服眼前的生长瓶颈。对于将死的作物，可以及时的拔出。
图8所示为本申请一实施例提供的作业控制方法的流程示意图。如图8所示，本申请实施例提供的作业控制方法包括如下步骤。
步骤810，基于当前地块中的作物的健康状况数据，确定当前地块的农药配方。
示例性地，当前地块的农药配方，基于上述实施例提及的农药配方生成方法确定。
步骤820，基于农药配方，生成当前地块对应的喷洒作业航线。
上文结合图2至图8，详细描述了本申请的方法实施例，下面结合图9至图16，描述本申请的装置实施例。应理解，方法实施例的描述与装置实施例的描述相互对应，因此，未详细描述的部分可以参见前面方法实施例。
图9所示为本申请一实施例提供的作物根系图像生成装置的结构示意图。如图9所示，本申请实施例提供的作物根系图像生成装置包括第一确定模块910，用于确定待观测作物的地下切面图像；第二确定模块920，用于利用根系轮廓图像生成模型，基于地下切面图像，确定待观测作物的根系轮廓图像；第三确定模块930，用于基于地下切面图像和所述根系轮廓图像，确定待观测作物的作物根系图像。
在一些实施例中，根系轮廓图像生成模型的损失函数包括根系区域像素值预测函数和整体图像标签函数，其中，针对根系切面图像样本，根系区域像素值预测函数的函数值基于根系切面图像样本对应的分类标签数据和模型输出结果确定，整体图像标签函数的函数值基于根系切面图像样本对应的分类标签数据确定。
在一些实施例中，损失函数包括：
在一些实施例中，第二确定模块920还用于确定训练数据集，训练数据集包括M幅根系切面图像样本以及M幅根系切面图像样本各自对应的分类标签数据，根系切面图像样本对应的分类标签数据包括根系切面图像样本包含的像素点各自对应的根系标签数据；基于训练数据集训练初始网络模型，得到根系轮廓图像生成模型。
在一些实施例中，M幅根系切面图像样本包括不同类型土样的根系切面图像样本、不同类型作物的根系切面图像样本、同一类型作物的不同生长状况的根系切面图像样本以及同一类型作物的不同光照强度下的根系切面图像样本中的至少一种。
在一些实施例中，地下切面图像包括N个切面图像像素点，根系轮廓图像包括N个轮廓图像像素点，作物根系图像包括N个根系图像像素点，并且，N个切面图像像素点和N个轮廓图像像素点呈一一对应关系，N个切面图像像素点和N个根系图像像素点呈一一对应关系。第三确定模块930还用于针对N个切面图像像素点中的每个切面图像像素点，将切面图像像素点的像素值与切面图像像素点对应的轮廓图像像素点的像素值相乘，得到切面图像像素点对应的根系图像像素点的像素值；基于N个切面图像像素点各自对应的根系图像像素点的像素值，确定作物根系图像。
图10所示为本申请一实施例提供的作物健康观测装置的结构示意图。如图10所示，本申请实施例提供的作物健康观测装置包括作物根系图像确定模块1010，用于确定待观测作物的作物根系图像。作物根系图像分析模块1020，用于分析作物根系图像，得到待观测作物的健康状况数据。
在一些实施例中，作物根系图像分析模块1020还用于将作物根系图像转换至HSV空间，分析作物根系图像的颜色分布比例数据；基于颜色分布比例数据，确定待观测作物的健康状况数据。
图11所示为本申请一实施例提供的农药配方生成装置的结构示意图。如图11所示，本申请实施例农药配方生成装置包括健康状况数据确定模块1110，用于确定当前地块中的作物的健康状况数据。农药配方生成模块，1120，用于基于当前地块中的作物的健康状况数据，确定当前地块的农药配方。
图12所示为本申请一实施例提供的作业控制装置的结构示意图。如图12所示，本申请实施例提供的作业控制装置包括农药配方确定模块1210，用于基于当前地块中的作物的健康状况数据，确定当前地块的农药配方。喷洒作物生成模块，用于基于农药配方，生成当前地块对应的喷洒作业航线，以便基于喷洒作业航线，执行农药喷洒任务。
图13所示为本申请一实施例提供的电子设备的结构示意图。下面，参考图13来描述根据本申请实施例的电子设备。
如图13所示，电子设备70包括一个或多个处理器701和存储器702。
处理器701可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备70中的其他组件以执行期望的功能。
存储器702可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器701可以运行所述程序指令，以实现上文所述的本申请的各个实施例的相关方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如包括待观测作物的地下切面图像、待观测作物的根系轮廓图像、待观测作物的作物根系图像等各种内容。
在一个示例中，电子设备70还可以包括：输入装置703和输出装置704，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置703可以包括例如键盘、鼠标等等。
该输出装置704可以向外部输出各种信息，包括待观测作物的根系轮廓图像、待观测作物的作物根系图像等。该输出装置704可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图13中仅示出了该电子设备70中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备70还可以包括任何其他适当的组件。
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的相关方法中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述描述的根据本申请各种实施例的相关方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
在一些实施例中，还提供作物根系图像生成系统，该系统包括图像采集系统和如上述实施例提及的电子设备，图像采集系统与电子设备具备通信连接关系。图像采集系统用于拍摄待观测作物的地下切面图像。
在一些实施例中，图像采集系统包括：土壤接触机构，土壤接触机构设有用于土壤中的透明视窗；图像采集机构，图像采集机构的摄像头与透明视窗之间形成光路。
下面结合图14至图16举例说明图像采集系统。
请参阅图14，图14为本申请一实施例提供的图像采集装置的第一种可选方式的结构示意图。如图14所示，可以令土壤接触机构1全部埋设于土壤5中并具有容纳腔的容器；土壤接触机构1包括防护罩；防护罩的一侧设有透明视窗2；图像采集机构3安装于防护罩中，并且图像采集机构3的摄像头朝向透明视窗2，线缆4用于传输图像采集机构3拍摄的地下土壤照片。
请参阅图15，图15为本申请另一实施例提供的图像采集装置的第二种可选方式的结构示意图。如图15所示，可以令土壤面形成部件1为具有第一潜望口和第二潜望口的潜望镜，潜望镜的第一潜望口为土壤观测口，潜望镜的第二潜望口为相机观测口；透明视窗2由土壤观测口形成或透明视窗2密封安装于土壤观测口；图像采集机构3的摄像头朝向相机观测口。并且，在图像采集装置作业的过程中，令相机观测口和图像采集机构3位于土壤以外的空间，即位于地面之上，方便对其进行操作和维护。
可选地，请参阅图16，图16为本申请另一实施例提供的图像采集装置的第三种可选方式的结构示意图。如图16所示，令潜望镜中位于两个平面镜之间的潜望通道的内径从相机观测口往土壤观测口呈增大趋势，也就是说，令潜望镜的位于第一潜望口和第二潜望口之间的潜望管为内径逐渐增大的喇叭管，且土壤观测口设置于喇叭管的内径较大的一端，并将管径较大的一端埋入到土壤5中，以增大拍摄视野。
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。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (18)
1.一种作物根系图像生成方法，其特征在于，包括：
确定待观测作物的地下切面图像；
利用根系轮廓图像生成模型，基于所述地下切面图像，确定所述待观测作物的根系轮廓图像；
基于所述地下切面图像和所述根系轮廓图像，确定所述待观测作物的作物根系图像。
2.根据权利要求1所述的作物根系图像生成方法，其特征在于，所述根系轮廓图像生成模型的损失函数包括根系区域像素值预测函数和整体图像标签函数，其中，针对根系切面图像样本，所述根系区域像素值预测函数的函数值基于所述根系切面图像样本对应的分类标签数据和模型输出结果确定，所述整体图像标签函数的函数值基于所述根系切面图像样本对应的分类标签数据确定。
3.根据权利要求2所述的作物根系图像生成方法，其特征在于，所述损失函数包括：
所述
表示所述根系区域像素值预测函数，所述
表示所述整体图像标签函数，针对所述根系切面图像样本，n表示所述根系切面图像样本的像素点总数，yi表示第i个像素点的根系标签数据，pi表示所述第i个像素点的模型预测概率，其中，所述根系切面图像样本对应的分类标签数据包括所述根系切面图像样本包含的像素点各自对应的根系标签数据，所述第i个像素点的模型预测概率基于所述根系切面图像样本对应的模型输出结果确定。
4.根据权利要求1至3任一项所述的作物根系图像生成方法，其特征在于，在利用根系轮廓图像生成模型，基于所述地下切面图像，确定所述待观测作物的根系轮廓图像之前，还包括：
确定训练数据集，所述训练数据集包括M幅根系切面图像样本以及所述M幅根系切面图像样本各自对应的分类标签数据，所述根系切面图像样本对应的分类标签数据包括所述根系切面图像样本包含的像素点各自对应的根系标签数据；
基于所述训练数据集训练初始网络模型，得到所述根系轮廓图像生成模型。
5.根据权利要求4所述的作物根系图像生成方法，其特征在于，所述M幅根系切面图像样本包括不同类型土样的根系切面图像样本、不同类型作物的根系切面图像样本、同一类型作物的不同生长状况的根系切面图像样本以及同一类型作物的不同光照强度下的根系切面图像样本中的至少一种。
6.根据权利要求1至3任一项所述的作物根系图像生成方法，其特征在于，所述地下切面图像包括N个切面图像像素点，所述根系轮廓图像包括N个轮廓图像像素点，所述作物根系图像包括N个根系图像像素点，并且，所述N个切面图像像素点和所述N个轮廓图像像素点呈一一对应关系，所述N个切面图像像素点和所述N个根系图像像素点呈一一对应关系；
所述基于所述地下切面图像和所述根系轮廓图像，确定所述待观测作物的作物根系图像，包括：
针对所述N个切面图像像素点中的每个切面图像像素点，将所述切面图像像素点的像素值与所述切面图像像素点对应的轮廓图像像素点的像素值相乘，得到所述切面图像像素点对应的根系图像像素点的像素值；
基于所述N个切面图像像素点各自对应的根系图像像素点的像素值，确定所述作物根系图像。
7.一种作物健康确定方法，其特征在于，包括：
确定待观测作物的作物根系图像，所述作物根系图像基于权利要求1至6任一项所述的方法确定；
分析所述作物根系图像，得到所述待观测作物的健康状况数据。
8.根据权利要求7所述的作物健康确定方法，其特征在于，所述分析所述作物根系图像，得到所述待观测作物的健康状况数据，包括：
将所述作物根系图像转换至HSV空间，分析所述作物根系图像的颜色分布比例数据；
基于所述颜色分布比例数据，确定所述待观测作物的健康状况数据。
9.一种农药配方生成方法，其特征在于，包括：
确定当前地块中的作物的健康状况数据，所述健康状况数据基于权利要求7或8所述的方法确定；
基于所述当前地块中的作物的健康状况数据，确定当前地块的农药配方。
10.一种作业控制方法，其特征在于，包括：
基于所述当前地块中的作物的健康状况数据，确定当前地块的农药配方，所述农药配方基于权利要求9所述的方法确定；
基于所述农药配方，生成所述当前地块对应的喷洒作业航线，以便基于所述喷洒作业航线，执行农药喷洒任务。
11.一种作物根系图像生成装置，其特征在于，包括：
第一确定模块，用于确定待观测作物的地下切面图像；
第二确定模块，用于利用根系轮廓图像生成模型，基于所述地下切面图像，确定所述待观测作物的根系轮廓图像；
第三确定模块，用于基于所述地下切面图像和所述根系轮廓图像，确定所述待观测作物的作物根系图像。
12.一种作物健康观测装置，其特征在于，包括：
作物根系图像确定模块，用于确定待观测作物的作物根系图像，所述作物根系图像基于权利要求1至6任一项所述的方法确定；
作物根系图像分析模块，用于分析所述作物根系图像，得到所述待观测作物的健康状况数据。
13.一种农药配方生成装置，其特征在于，包括：
健康状况数据确定模块，用于确定当前地块中的作物的健康状况数据，所述健康状况数据基于权利要求7或8所述的方法确定；
农药配方生成模块，用于基于所述当前地块中的作物的健康状况数据，确定当前地块的农药配方。
14.一种作业控制装置，其特征在于，包括：
农药配方确定模块，用于基于所述当前地块中的作物的健康状况数据，确定当前地块的农药配方，所述农药配方基于权利要求9所述的方法确定；
喷洒作业生成模块，用于基于所述农药配方，生成所述当前地块对应的喷洒作业航线，以便基于所述喷洒作业航线，执行农药喷洒任务。
15.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1至10任一项所述的方法。
16.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于执行上述权利要求1至10任一项所述的方法。
17.一种作物根系图像生成系统，其特征在于，包括：
图像采集系统，所述图像采集系统用于拍摄待观测作物的地下切面图像；以及
如权利要求16所述的电子设备，所述电子设备连接至所述图像采集系统。
18.根据权利要求17所述的作物根系图像生成系统，其特征在于，所述图像采集系统包括：
土壤接触机构，所述土壤接触机构设有用于土壤中的透明视窗；
图像采集机构，所述图像采集机构的摄像头与所述透明视窗之间形成光路。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111667441.3A CN114463577A (zh) | 2021-12-30 | 2021-12-30 | 作物根系图像生成方法及装置、作物健康确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111667441.3A CN114463577A (zh) | 2021-12-30 | 2021-12-30 | 作物根系图像生成方法及装置、作物健康确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463577A true CN114463577A (zh) | 2022-05-10 |
Family
ID=81408411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111667441.3A Pending CN114463577A (zh) | 2021-12-30 | 2021-12-30 | 作物根系图像生成方法及装置、作物健康确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463577A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1776357A (zh) * | 2005-12-14 | 2006-05-24 | 华南农业大学 | 一种植物根系几何构型的原位测量方法 |
| CN102496023A (zh) * | 2011-11-23 | 2012-06-13 | 中南大学 | 像素层面的感兴趣区域提取方法 |
| KR20160092404A (ko) * | 2015-01-27 | 2016-08-04 | 한국과학기술연구원 | 식물뿌리 표현형 측정을 위한 식물생육용기 |
| CN106248700A (zh) * | 2016-08-22 | 2016-12-21 | 江苏大学 | 一种基于ct的苗钵根系结构形态检测方法 |
| CN110866972A (zh) * | 2019-11-12 | 2020-03-06 | 广西大学 | 一种甘蔗根系构型的原位观测装置及其分析方法 |
| CN112116595A (zh) * | 2020-10-27 | 2020-12-22 | 河北农业大学 | 一种端到端的植物根系特征自动分割系统 |
-
2021
- 2021-12-30 CN CN202111667441.3A patent/CN114463577A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1776357A (zh) * | 2005-12-14 | 2006-05-24 | 华南农业大学 | 一种植物根系几何构型的原位测量方法 |
| CN102496023A (zh) * | 2011-11-23 | 2012-06-13 | 中南大学 | 像素层面的感兴趣区域提取方法 |
| KR20160092404A (ko) * | 2015-01-27 | 2016-08-04 | 한국과학기술연구원 | 식물뿌리 표현형 측정을 위한 식물생육용기 |
| CN106248700A (zh) * | 2016-08-22 | 2016-12-21 | 江苏大学 | 一种基于ct的苗钵根系结构形态检测方法 |
| CN110866972A (zh) * | 2019-11-12 | 2020-03-06 | 广西大学 | 一种甘蔗根系构型的原位观测装置及其分析方法 |
| CN112116595A (zh) * | 2020-10-27 | 2020-12-22 | 河北农业大学 | 一种端到端的植物根系特征自动分割系统 |
Non-Patent Citations (2)
| Title |
|---|
| 李克新;宋文龙;朱良宽;: "作物根系原位观测识别新方法综述", 浙江农业学报, vol. 23, no. 4, 31 July 2011 (2011-07-31), pages 851 - 856 * |
| 石锐;朱鑫;刘辉;刘晶淼;贾庆宇;: "微根窗图像中根系的自动分割方法", 计算机工程与应用, no. 23, 27 August 2013 (2013-08-27) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aquino et al. | vitisBerry: An Android-smartphone application to early evaluate the number of grapevine berries by means of image analysis | |
| Sun et al. | Three-dimensional photogrammetric mapping of cotton bolls in situ based on point cloud segmentation and clustering | |
| Riehle et al. | Robust index-based semantic plant/background segmentation for RGB-images | |
| US11048940B2 (en) | Recognition of weed in a natural environment | |
| Zhao et al. | Detecting tomatoes in greenhouse scenes by combining AdaBoost classifier and colour analysis | |
| Hočevar et al. | Flowering estimation in apple orchards by image analysis | |
| KR20180081104A (ko) | 항공 이미지 획득 및 분석을 위한 방법 | |
| Sun et al. | Image processing algorithms for infield single cotton boll counting and yield prediction | |
| Silwal et al. | A robust illumination-invariant camera system for agricultural applications | |
| Diago et al. | On‐the‐go assessment of vineyard canopy porosity, bunch and leaf exposure by image analysis | |
| CN115456960A (zh) | 一种柑橘黄龙病虫害的监测预警系统及方法 | |
| CN111814545A (zh) | 作物识别方法、装置、电子设备及存储介质 | |
| Rousseau et al. | Imaging methods for phenotyping of plant traits | |
| Pereira et al. | Pixel-based leaf segmentation from natural vineyard images using color model and threshold techniques | |
| CN113822198A (zh) | 基于uav-rgb图像和深度学习的花生生长监测方法、系统及介质 | |
| Al-Mashhadani et al. | Autonomous ripeness detection using image processing for an agricultural robotic system | |
| CN110532935A (zh) | 一种大田作物表型信息高通量对等监测系统及监测方法 | |
| McCarthy et al. | Automated variety trial plot growth and flowering detection for maize and soybean using machine vision | |
| CN112384930A (zh) | 信息处理装置、信息处理方法和程序 | |
| James et al. | Citdet: A benchmark dataset for citrus fruit detection | |
| CN114463577A (zh) | 作物根系图像生成方法及装置、作物健康确定方法及装置 | |
| CN112418112A (zh) | 一种果园病虫害监测预警方法及系统 | |
| CN116453003A (zh) | 一种基于无人机监测智能识别水稻生长势的方法和系统 | |
| Biffi et al. | Evaluating the performance of a semi-automatic apple fruit detection in a high-density orchard system using low-cost digital rgb imaging sensor | |
| Shao et al. | A novel tree trunk recognition approach for forestry harvesting robot |
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 |