CN114486885A - 土壤信息检测方法及装置、旱涝程度确定方法及装置 - Google Patents
土壤信息检测方法及装置、旱涝程度确定方法及装置 Download PDFInfo
- Publication number
- CN114486885A CN114486885A CN202111660820.XA CN202111660820A CN114486885A CN 114486885 A CN114486885 A CN 114486885A CN 202111660820 A CN202111660820 A CN 202111660820A CN 114486885 A CN114486885 A CN 114486885A
- Authority
- CN
- China
- Prior art keywords
- soil
- information
- drought
- underground
- flood
- 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.)
- Granted
Links
- 239000002689 soil Substances 0.000 title claims abstract description 270
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000003973 irrigation Methods 0.000 claims description 80
- 230000002262 irrigation Effects 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 7
- 230000003287 optical effect Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims 2
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000005856 abnormality Effects 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
- 238000005286 illumination Methods 0.000 description 3
- 239000003621 irrigation water Substances 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 238000005303 weighing Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01N21/84—Systems specially adapted for particular applications
Landscapes
- Physics & Mathematics (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)
- Geophysics And Detection Of Objects (AREA)
Abstract
本申请披露了一种土壤信息检测方法及装置、旱涝程度确定方法及装置，涉及深度学习技术领域。该土壤信息检测方法包括：确定待检测目标土地区域的地下土地切面图像；利用土壤检测模型，分析地下土地切面图像，得到待检测目标土地区域的地下土壤信息，地下土壤信息包括土壤湿度信息。本申请不需要繁琐的采集、称重以及标定等操作，人工参与较少，并且，确定地下土地切面图像后，利用土壤检测模型分析得到包括土壤湿度信息的地下土壤信息，不仅及时高效，而且适用于面积较大的土地(比如农田)场景。
Description
技术领域
本申请涉及深度学习技术领域，具体涉及一种土壤信息检测方法及装置、旱涝程度确定方法及装置。
背景技术
土壤湿度信息作为判断是否需要对土地进行灌溉的参考信息之一，其重要性不言而喻。因此，及时有效地检测土壤湿度对灌溉工程的精准实施具有重要意义。
目前，土壤湿度信息的检测方法主要包括烘干法和电阻法。烘干法需耗费大量人力，工作量比较大并且无法实时获取湿度。电阻法受土壤类型、土质影响比较大，且使用前需要标定才能够正常使用，比较繁琐。由此可见，现有方法难以及时有效地检测土壤湿度，且不适用于面积较大的土地场景。
发明内容
有鉴于此，本申请实施例提供一种土壤信息检测方法及装置、旱涝程度确定方法及装置，以解决难以及时有效地检测土壤湿度的问题。
第一方面，本申请提供了一种土壤信息检测方法，该土壤信息检测方法包括：确定待检测目标土地区域的地下土地切面图像；利用土壤检测模型，分析地下土地切面图像，得到待检测目标土地区域的地下土壤信息，地下土壤信息包括土壤湿度信息。
第二方面，本申请提供了一种旱涝程度确定方法，该旱涝程度确定方法包括：确定目标土地区域的地下土壤信息，地下土壤信息基于第一方面所述的方法确定；基于目标土地区域的地下土壤信息，确定目标土地区域的旱涝程度信息。
第三方面，本申请提供了一种灌溉方法，该灌溉方法包括：确定目标土地区域的旱涝程度信息，旱涝程度信息基于第二方面所述的方法确定；基于旱涝程度信息确定目标土地区域的灌溉方案。
第四方面，本申请提供了一种灌溉异常确定方法，该灌溉异常确定方法包括：针对包括多个检测区域的目标农田，确定多个检测区域各自对应的旱涝程度信息，多个检测区域各自对应的旱涝程度信息基于第二方面所述的方法确定；基于多个检测区域各自对应的旱涝程度信息，确定目标农田的灌溉异常区域。
第五方面，本申请提供了一种土壤信息检测装置，该土壤信息检测装置包括：图像确定模块，配置为确定待检测目标土地区域的地下土地切面图像；分析模块，配置为利用土壤检测模型，分析地下土地切面图像，得到待检测目标土地区域的地下土壤信息，地下土壤信息包括土壤湿度信息。
第六方面，本申请提供了一种旱涝程度确定装置，该旱涝程度确定装置包括：第一确定模块，配置为确定目标土地区域的地下土壤信息，地下土壤信息基于第一方面所述的方法确定；第二确定模块，配置为基于目标土地区域的地下土壤信息，确定目标土地区域的旱涝程度信息。
第七方面，本申请提供了一种灌溉装置，该灌溉装置包括：旱涝程度信息确定模块，配置为确定目标土地区域的旱涝程度信息，所述旱涝程度信息基于第二方面所述的方法确定；灌溉方案确定模块，配置为基于旱涝程度信息确定目标土地区域的灌溉方案。
第八方面，本申请提供了一种灌溉异常确定装置，该灌溉异常确定装置包括：区域旱涝程度确定模块，配置为针对包括多个检测区域的目标农田，确定多个检测区域各自对应的旱涝程度信息，多个检测区域各自对应的旱涝程度信息基于第二方面所述的方法确定；灌溉异常确定模块，配置为基于多个检测区域各自对应的旱涝程度信息，确定目标农田的灌溉异常区域。
第九方面，本申请提供了一种计算机可读存储介质，存储介质存储有指令，当指令由电子设备的处理器执行时，使得电子设备能够执行第一方面至第四方面任一所述的方法。
第十方面，本申请提供了一种电子设备，电子设备包括：处理器；用于存储计算机可执行指令的存储器；处理器，用于执行计算机可执行指令，以实现第一方面至第四方面任一所述的方法。
第十一方面，本申请提供了一种土壤信息检测系统，该土壤信息检测系统包括：图像采集系统，图像采集系统用于拍摄待检测目标土地区域的地下土地切面图像；以及第十方面所述的电子设备，电子设备连接至图像采集系统。
本申请实施例提供的土壤信息检测方法，通过确定待检测目标土地区域的地下土地切面图像，利用土壤检测模型，对地下土地切面图像进行分析，得到待检测目标土地区域的地下土壤信息。该方法不需要繁琐的采集、称重以及标定等操作，人工参与较少，并且，确定地下土地切面图像后，利用土壤检测模型分析得到包括土壤湿度信息的地下土壤信息，不仅及时高效，而且适用于面积较大的土地(比如农田)场景。
附图说明
图1所示为本申请一实施例提供的应用场景示意图。
图2所示为本申请一实施例提供的土壤信息检测方法的流程示意图。
图3所示为本申请另一实施例提供的土壤信息检测方法的流程示意图。
图4所示为本申请一实施例提供的利用土壤检测模型，分析地下土地切面图像，得到待检测目标土地区域的地下土壤信息的流程示意图。
图5所示为本申请一实施例提供的土壤检测模型的结构示意图。
图6所示为本申请一实施例提供的土壤检测模型的生成过程的流程示意图。
图7所示为本申请一实施例提供的旱涝程度确定方法的流程示意图。
图8所示为本申请一实施例提供的灌溉方法的流程示意图。
图9所示为本申请一实施例提供的灌溉异常确定方法的流程示意图。
图10所示为本申请一实施例提供的土壤信息检测装置的结构示意图。
图11所示为本申请一实施例提供的旱涝程度确定装置的结构示意图。
图12所示为本申请一实施例提供的灌溉装置的结构示意图。
图13所示为本申请一实施例提供的灌溉异常确定装置的结构示意图。
图14所示为本申请一实施例提供的电子设备的结构示意图。
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所示为本申请另一实施例提供的图像采集系统的结构示意图。
图17所示为本申请又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。
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可视为待检测目标土地区域，服务器120中部署有能够确定地下土壤信息的土壤检测模型。其中，地下土壤信息包括土壤湿度信息。
示例性地，在实际应用过程中，图像采集系统130拍摄农田110的地下土地切面图像，并将拍摄的地下土地切面图像上传至服务器120。服务器120获取地下土地切面图像后，利用土壤检测模型，分析地下土地切面图像，得到农田110的地下土壤信息。
在上述应用场景中，无需繁琐的采集、称重以及标定等操作，人工参与较少，并且，确定地下土地切面图像后，利用土壤检测模型分析得到包括土壤湿度信息的地下土壤信息，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，可以具备执行上述土壤信息检测方法的功能，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。
下面结合图2至图9对本申请提供的相关方法进行详细描述。
图2所示为本申请一实施例提供的土壤信息检测方法的流程示意图。示例性地，本申请实施例提供的土壤信息检测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，本申请实施例提供的土壤信息检测方法包括如下步骤。
步骤S210，确定待检测目标土地区域的地下土地切面图像。
示例性地，待检测目标土地区域指的是，需要进行土壤信息检测的土地区域。比如，需要进行土壤信息检测以便更好地进行种植作业的农田。
示例性地，地下土地切面图像指的是，待检测目标土地区域的地下切面图像，而非土地表面图像。比如，拍摄设备深入土地表面1米后进行拍摄所得到的切面图像。
步骤S220，利用土壤检测模型，分析地下土地切面图像，得到待检测目标土地区域的地下土壤信息。
在一些实施例中，土壤检测模型指的是深度神经网络模型。示例性地，土壤检测模型的输入为待检测目标土地区域的地下土地切面图像，输出为待检测目标土地区域的地下土壤信息。示例性地，地下土壤信息包括土壤湿度信息。更进一步地，地下土壤信息还可以包括土壤类型信息，其中，土壤类型包括但不限于黄土、黑土、沙土和红土等。
在实际应用过程中，土壤检测模型既可以部署到地面的边缘计算设备，以便进行实时计算，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。
本申请实施例提供的土壤信息检测方法，通过确定待检测目标土地区域的地下土地切面图像，利用土壤检测模型，对地下土地切面图像进行分析，得到待检测目标土地区域的地下土壤信息。该方法不需要繁琐的采集、称重以及标定等操作，人工参与较少，并且，确定地下土地切面图像后，利用土壤检测模型分析得到包括土壤湿度信息的地下土壤信息，不仅及时高效，而且适用于面积较大的土地(比如农田)场景。此外，本申请实施例不需要校准，且能够方便迭代算法版本，不断提高精度，与现有技术相比，能够得到更加立体的地下土壤信息。
图3所示为本申请另一实施例提供的土壤信息检测方法的流程示意图。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，在本申请实施例中，确定待检测目标土地区域的地下土地切面图像步骤，包括如下步骤。
步骤S310，通过带有补光模组的图像采集系统在补光拍摄下的地下土地切面图像。也就是说，利用包括补光模组的图像采集系统拍摄得到地下土地切面图像。其中，补光模组能够在拍摄过程中补光。
示例性地，补光模组的补光强度系数依能拍摄到清晰的地下土地切面图像确定，本申请实施例对具体的补光强度系数不做具体限定。
考虑到实际应用过程中，若图像采集系统长期埋到地下，补光模组会存在不同程度的损耗，进而影响到补光强度，从而导致出现即使是以同样的功率进行补光控制，补光强度系数也会不同的情况。在此基础上，本申请实施例在土壤检测模型的训练过程中，便对补光模组的强度和/或色度进行不同程度的老化模拟。
由于地下光线一般较暗，因此，本申请实施例通过利用包括补光模组的图像采集系统补光拍摄地下土地切面图像的方式，提高了拍摄得到的地下土地切面图像的清晰度，进而为提高地下土壤信息的精准度提供了有利条件。
图4所示为本申请一实施例提供的利用土壤检测模型，分析地下土地切面图像，得到待检测目标土地区域的地下土壤信息的流程示意图。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，在本申请实施例中，地下土壤信息还包括土壤类别信息；此外，利用土壤检测模型，分析地下土地切面图像，得到待检测目标土地区域的地下土壤信息步骤，包括如下步骤。
步骤S410，利用土壤检测模型，基于地下土地切面图像生成地下土地切面图像对应的一维图像特征向量。
步骤S420，利用土壤检测模型，对一维图像特征向量进行回归处理，得到土壤湿度信息。
步骤S430，利用土壤检测模型，对一维图像特征向量进行分类处理，得到土壤类别信息。
也就是说，在本申请实施例中，土壤检测模型不仅能够输出土壤湿度信息，还能够输出土壤类别信息。同时获得土壤类别信息和土壤土壤湿度，有利于更精确确定土地的旱涝程度，从而为灌溉工作提供更精确和更有价值的参考。下面结合图5举例说明土壤检测模型的结构。
图5所示为本申请一实施例提供的土壤检测模型的结构示意图。如图5所示，土壤检测模型500包括深度卷积神经网络、特征提取模块、分类模块和回归模块。其中，深度卷积神经网络与特征提取模块连接，特征提取模块分别与分类模块和回归模块连接。
示例性地，在实际应用过程中，将地下土地切面图像输入到深度卷积神经网络，以便利用深度卷积神经网络和特征提取模块生成二维地下土地切面图像对应的一维图像特征向量，然后利用回归模块对一维图像特征向量进行回归处理，得到土壤湿度信息，并利用分类模块对一维图像特征向量进行分类处理，得到土壤类别信息。
示例性地，分类模块的分类损失函数为Softmax交叉熵分类损失函数，如下述公式(1)所示。
在公式(1)中，y(x)表示实际的分类标签值，p(x)表示分类预测值。
示例性地，回归模块的回归损失函数为均方误差(Mean Square Error，MSE)回归损失函数，如下述公式(2)所示。
lossreg＝(xi-yi)2 (2)
在公式(2)中，xi表示预测土壤湿度值，yi表示实际的土壤湿度值。
在上述基础上，土壤检测模型的损失函数loss可基于下述公式(3)表示。
loss＝losscls+2*lossreg (3)
也就是说，回归损失函数的权重系数为2，分类损失函数的权重系数为1，回归损失函数的权重系数大于分类损失函数的权重系数。通常情况下，相对于回归损失函数，分类损失函数较大，如此设置，能够平衡分类损失函数和回归损失函数，进而进一步优化模型效果。
在一些实施例中，地下土地切面图像为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(B)三个颜色通道的变化以及它们相互之间的叠加来得到各种颜色。也即，R、G和B依次代表红、绿和蓝三个通道的颜色，该标准几乎包括了人类视力所能感知的所有颜色，是运用最广的颜色系统之一。
图6所示为本申请一实施例提供的土壤检测模型的生成过程的流程示意图。在图2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2所示实施例的不同之处，相同之处不再赘述。
如图6所示，在本申请实施例中，土壤检测模型的生成过程包括如下步骤。
步骤S215，确定训练数据集。
示例性地，训练数据集包括M个土壤样本各自对应的标签数据集和图像数据集；针对每个土壤样本，标签数据集包括土壤样本在不同湿度状态下的多个湿度标签数据，图像数据集包括多个湿度标签数据各自对应的图像。在一些实施例中，标签数据集还包括土壤类型标签数据。
具体而言，可以预先采集多个土壤类型所在地区的土壤作为基础土样，对基础土样进行烘干称重，然后按照预设比例对基础土样进行混合(预设比例可以是如1:0:0这种实际不与其他基础土样混合)，形成能够更广泛反映实际土地土壤的更多类型的土壤样本，记录这些土壤样本的类型标签，对每一个土壤样本加入不同重量的水进行搅拌至均匀，然后放入透明容器进行拍照。基于土壤样本干重和加入水的比重，计算土壤样本湿度并记录，比如土壤样本湿度为10％、25％等，从而可以得到土壤样本在不同湿度状态下的多种多个湿度标签数据以及多个湿度标签数据各自对应的图像。
步骤S216，基于训练数据集训练初始网络模型，以得到土壤检测模型。
可以理解，初始网络模型为预先建立的神经网络模型，初始网络模型和土壤检测模型的差别在于模型参数的差别。即，利用训练数据集训练调整初始网络模型的模型参数，进而最终得到收敛的土壤检测模型。
本申请实施例能够基于丰富的训练数据集提高训练得到的土壤检测模型的模型预测精准度。
进一步地，在一些实施例中，多个湿度标签数据各自对应的图像的数量为多幅，每个湿度标签数据对应的多幅图像各自对应的补光强度互不相同。也就是说，将不同湿度状态下的土壤样本，分别进行不同补光强度的拍摄，并将拍摄得到的图像收录到训练数据集中。
具体而言，考虑到在实际应用中，为获取地下土壤清晰的图像，一般都需要补光拍摄，而照明部件(也即实施补光的补光模组)会随着时间发生损耗，一般会影响到光照强度，可以理解为，即使以同样的功率进行补光控制，但最终补光强度会存在不一致。因此，为避免因光照强度变化导致拍摄的地下土壤照片存在失真，从而影响土壤检测模型的分析和输出精度，在进行土壤样本照片采集的时候可以进一步对灯光强度或色度进行不同程度的老化模拟，即以不同的光照强度获取同一土壤样本的多张样本图像，以这些同一土壤样本的多张样本图像和分别与该土壤样本对应的湿度、类型标签，作为训练样本予以收录。如此，可一定程度上提升土壤检测模型的分析和输出精度。
进一步地，在一些实施例中，预处理土壤样本对应的土壤图像，将预处理后的土壤图像收录到训练数据集。其中，预处理包括旋转和/或裁剪操作。具体而言，对同一张土壤图像进行旋转和/或裁剪，得到新的土壤图像，并将所得到的新的土壤图像收录到训练数据集中，从而增加训练样本的多样性，以提高训练所得的土壤检测模型的鲁棒性。
图7所示为本申请一实施例提供的旱涝程度确定方法的流程示意图。如图7所示，本申请实施例提供的旱涝程度确定方法包括如下步骤。
步骤S710，确定目标土地区域的地下土壤信息。
示例性地，目标土地区域的地下土壤信息，基于上述任一实施例提及的土壤信息检测方法确定。
步骤S720，基于目标土地区域的地下土壤信息，确定目标土地区域的旱涝程度信息。
可选地，旱涝程度信息可以用旱涝指数来表示，也可以分成多个预设旱涝等级，如极旱、大旱、偏旱、正常、偏涝、大涝和极涝共7个等级。
示例性地，地下土壤信息包括土壤湿度信息。结合精准度较高的土壤湿度信息确定目标土地区域的旱涝程度信息，能够有效提高旱涝程度信息的精准度。
示例性地，除了土壤湿度信息之外，地下土壤信息还包括土壤类型信息。由于不同类型的土壤的锁水能力也不同，因此，在相同土壤湿度的情况下，不同类型的土壤的旱涝程度也不完全一致。基于此，本申请实施例能够充分顾及土壤湿度和土壤类型，从而进一步提高旱涝程度信息的精准度。
图8所示为本申请一实施例提供的灌溉方法的流程示意图。如图8所示，本申请实施例提供的灌溉方法包括如下步骤。
步骤S810，确定目标土地区域的旱涝程度信息。
示例性地，目标土地区域的旱涝程度信息基于上述实施例提及的旱涝程度确定方法确定。
步骤S820，基于旱涝程度信息确定目标土地区域的灌溉方案。
具体地，根据不同的旱涝程度，确定相对应的灌溉方案，比如灌溉的时机和灌溉的水量等。
示例性地，根据旱涝等级确定目标土地区域的旱涝程度信息。进一步地，对于极旱的目标土地区域，第一、确定该土地区域的面积和土壤质地；第二、确定确定具体的灌溉技术，例如，微灌技术、喷灌技术、浅显灌溉技术等等；第三、确定灌溉的水量、灌溉时间、以及具体的施工方式等。
本申请实施例能够基于精准的旱涝程度信息有效保证灌溉方案的科学性和合理性，进而保障植物的灌溉合理性。
图9所示为本申请一实施例提供的灌溉异常确定方法的流程示意图。如图9所示，本申请实施例提供的灌溉异常确定方法包括如下步骤。
步骤S910，针对包括多个检测区域的目标农田，确定多个检测区域各自对应的旱涝程度信息。
示例性地，多个检测区域各自对应的旱涝程度信息基于上述实施例提及的旱涝程度确定方法确定。
步骤S920，基于多个检测区域各自对应的旱涝程度信息，确定目标农田的灌溉异常区域。
通常情况下，目标农田的面积较大，农田中的不同区域的土地的旱涝程度可能不一致。示例性地，可以将农田中不同的旱涝区域按照旱涝程度进行比较，将旱涝程度最大或最小的旱涝区域确定为异常旱涝区域。
例如，根据旱涝程度将目标农田分为了区域1、区域2、区域2和区域4，区域1的旱涝程度最大，区域3的旱涝程度最小，则区域1和区域3均为该目标农田的灌溉异常区域，在进行实际灌溉时，区域1的灌溉水量需设置的比区域3的大。
本申请实施例能够及时确定目标农田的灌溉异常区域，进而为及时排除灌溉异常潜在风险、保障灌溉方案正常实施提供前提条件。
在本申请另一实施例中，旱涝程度用旱涝指数来表示，可以对不同的旱涝区域的旱涝程度求均值，将每个旱涝区域的旱涝程度与均值进行比较，如果旱涝程度与均值之间的差值超过设定阈值，则可以确定该旱涝程度对应的旱涝区域是异常旱涝区域。在本申请另一实施例中，旱涝程度用旱涝指数来表示，可以设定目标旱涝程度值。目标旱涝程度值可以在下一次灌溉时或之前(例如前一天或数小时)进行设定。可以将旱涝区域的旱涝程度与目标旱涝程度值进行比较，如果旱涝程度与目标旱涝程度值的差值超过设定阈值，则可以确定该旱涝程度对应的旱涝区域是异常旱涝区域。在本申请另一实施例中，旱涝程度用旱涝级别来表示，确定农田中各旱涝区域的旱涝程度超过预设比例(如50％)的旱涝级别，则将超过该预设比例的旱涝级别确定为参考旱涝级别，与所述参考旱涝级别不同的旱涝程度对应的旱涝区域可以确定为灌溉异常区域。
对于持续比较湿润的区域或持续比较干燥的区域，可能是灌溉系统的灌溉带漏水或者堵塞。可以根据灌溉异常区域来确定该灌溉异常区域中的灌溉异常点。在本申请一实施例中，灌溉系统的每个灌溉点的位置可以是已知的，在确定了灌溉异常区域后，就可以知道与该灌溉异常区域相关联(例如，位于该灌溉异常区域内或与该灌溉异常区域相邻)的灌溉点。这些灌溉点可以认为是灌溉异常点。在本申请另一实施例中，灌溉系统的每个灌溉点可以设置有定位装置，例如全球定位系统(Global Positioning System，GPS)装置、北斗定位装置等。定位装置可以发送灌溉点的位置信息。
在本申请一实施例中，在确定灌溉异常点后，可以以图示的形式在地图中将异常区域或坏掉的灌溉带显示出来，以使用户直观确定位置并方便到地维修。
在本申请一实施例中，可以使用标记区分显示灌溉异常点。
在本申请一实施例中，还可以结合定位技术。具体地，在确定灌溉异常点之后，可以获取用户的位置。例如用户可以携带定位装置，例如GPS装置、具有定位功能的移动终端(例如，手机、遥控器)。用户的移动终端可以接收灌溉异常点的位置信息，移动终端的定位功能或定位装置可以获取用户的当前位置。移动终端可以根据灌溉异常点的位置和用户的当前位置生成行进路径，并根据行进路径给用户提供导航功能。
上文结合图2至图9，详细描述了本申请的方法实施例，下面结合图10至图17，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10所示为本申请一实施例提供的土壤信息检测装置的结构示意图。如图10所示，本申请实施例提供的土壤信息检测装置1000包括图像确定模块1010和分析模块1020。图像确定模块1010配置为，确定待检测目标土地区域的地下土地切面图像。分析模块1020配置为，利用土壤检测模型，分析地下土地切面图像，得到待检测目标土地区域的地下土壤信息。地下土壤信息包括土壤湿度信息。
在一些实施例中，图像确定模块1010进一步被配置为，通过带有补光模组的图像采集系统在补光拍摄下的地下土地切面图像。
在一些实施例中，地下土壤信息还包括土壤类别信息。分析模块1020进一步被配置为，利用土壤检测模型，基于地下土地切面图像生成地下土地切面图像对应的一维图像特征向量；利用土壤检测模型，对一维图像特征向量进行回归处理，得到土壤湿度信息；利用土壤检测模型，对一维图像特征向量进行分类处理，得到土壤类别信息。
在一些实施例中，土壤检测模型的损失函数包括回归损失函数和分类损失函数，并且，回归损失函数的权重系数大于分类损失函数的权重系数。
在一些实施例中，分析模块1020进一步被配置为，确定训练数据集，训练数据集包括M个土壤样本各自对应的标签数据集和图像数据集；针对每个土壤样本，标签数据集包括土壤样本在不同湿度状态下的多个湿度标签数据，图像数据集包括多个湿度标签数据各自对应的图像；基于训练数据集训练初始网络模型，以得到土壤检测模型。
在一些实施例中，标签数据集还包括土壤类型标签数据。多个湿度标签数据各自对应的图像的数量为多幅，每个湿度标签数据对应的多幅图像各自对应的补光强度互不相同。
图11所示为本申请一实施例提供的旱涝程度确定装置的结构示意图。如图11所示，本申请实施例提供的旱涝程度确定装置1100包括第一确定模块1110和第二确定模块1120。第一确定模块1110配置为，确定目标土地区域的地下土壤信息。第二确定模块1120配置为，基于目标土地区域的地下土壤信息，确定目标土地区域的旱涝程度信息。
图12所示为本申请一实施例提供的灌溉装置的结构示意图。如图12所示，本申请实施例提供的灌溉装置1200包括旱涝程度信息确定模块1210和灌溉方案确定模块1220。旱涝程度信息确定模块1210配置为，确定目标土地区域的旱涝程度信息。灌溉方案确定模块1220配置为，基于旱涝程度信息确定目标土地区域的灌溉方案。
图13所示为本申请一实施例提供的灌溉异常确定装置的结构示意图。如图13所示，本申请实施例提供的灌溉异常确定装置1300包括区域旱涝程度确定模块1310和灌溉异常确定模块1320。区域旱涝程度确定模块1310配置为，针对包括多个检测区域的目标农田，确定多个检测区域各自对应的旱涝程度信息。灌溉异常确定模块1320配置为，基于多个检测区域各自对应的旱涝程度信息，确定目标农田的灌溉异常区域。
图14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所示的电子设备1400包括存储器1401、处理器1402、通信接口1403以及总线1404。其中，存储器1401、处理器1402、通信接口1403通过总线1404实现彼此之间的通信连接。
存储器1401可以是只读存储器(Read Only Memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(Random Access Memory，RAM)。存储器1401可以存储程序，当存储器1401中存储的程序被处理器1402执行时，处理器1402和通信接口1403用于执行本申请实施例的相关方法的各个步骤。
处理器1402可以采用通用的中央处理器(Central Processing Unit，CPU)，微处理器，应用专用集成电路(Application Specific Integrated Circuit，ASIC)，图形处理器(Graphics Processing Unit，GPU)或者一个或多个集成电路，用于执行相关程序，以实现本申请实施例的硬件装置中的模块所需执行的功能。
处理器1402还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请的方法的各个步骤可以通过处理器1402中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1402还可以是通用处理器、数字信号处理器(Digital SignalProcessing，DSP)、专用集成电路(ASIC)、现场可编程门阵列(Field Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1401，处理器1402读取存储器1401中的信息，结合其硬件执行本申请方法实施例的方法。
通信接口1403使用例如但不限于收发器一类的收发装置，来实现电子设备1400与其他设备或通信网络之间的通信。
总线1404可包括在电子设备1400各个部件(例如，存储器1401、处理器1402、通信接口1403)之间传送信息的通路。
示例性地，土壤信息检测装置1000中的分析模块1020可以相当于处理器1402。
应注意，尽管图14所示的电子设备1400仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，电子设备1400还包括实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当理解，电子设备1400还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，电子设备1400也可仅仅包括实现本申请实施例所必须的器件，而不必包括图14中所示的全部器件。
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单元中，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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
在一些实施例中，还提供土壤信息检测系统，该土壤信息检测系统包括图像采集系统和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检测目标土地区域的地下土地切面图像。
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15至图17举例说明图像采集系统。
请参阅图15，图15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15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16，图16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16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17，图17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17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。
Claims (17)
1.一种土壤信息检测方法，其特征在于，包括：
确定待检测目标土地区域的地下土地切面图像；
利用土壤检测模型，分析所述地下土地切面图像，得到所述待检测目标土地区域的地下土壤信息，所述地下土壤信息包括土壤湿度信息。
2.根据权利要求1所述的土壤信息检测方法，其特征在于，所述确定待检测目标土地区域的地下土地切面图像，包括：
通过带有补光模组的图像采集系统在补光拍摄下的地下土地切面图像。
3.根据权利要求1或2所述的土壤信息检测方法，其特征在于，所述地下土壤信息还包括土壤类别信息；所述利用土壤检测模型，分析所述地下土地切面图像，得到所述待检测目标土地区域的地下土壤信息，包括：
利用所述土壤检测模型，基于所述地下土地切面图像生成所述地下土地切面图像对应的一维图像特征向量；
利用所述土壤检测模型，对所述一维图像特征向量进行回归处理，得到所述土壤湿度信息；
利用所述土壤检测模型，对所述一维图像特征向量进行分类处理，得到所述土壤类别信息。
4.根据权利要求3所述的土壤信息检测方法，其特征在于，所述土壤检测模型的损失函数包括回归损失函数和分类损失函数，并且，所述回归损失函数的权重系数大于所述分类损失函数的权重系数。
5.根据权利要求1或2所述的土壤信息检测方法，其特征在于，所述土壤检测模型的生成过程包括：
确定训练数据集，所述训练数据集包括M个土壤样本各自对应的标签数据集和图像数据集；针对每个所述土壤样本，所述标签数据集包括所述土壤样本在不同湿度状态下的多个湿度标签数据，所述图像数据集包括所述多个湿度标签数据各自对应的图像；
基于所述训练数据集训练初始网络模型，以得到所述土壤检测模型。
6.根据权利要求5所述的土壤信息检测方法，其特征在于，
所述标签数据集还包括土壤类型标签数据；
和/或，所述多个湿度标签数据各自对应的图像的数量为多幅，每个所述湿度标签数据对应的多幅图像各自对应的补光强度互不相同。
7.一种旱涝程度确定方法，其特征在于，包括：
确定目标土地区域的地下土壤信息，所述地下土壤信息基于权利要求1至6任一项所述的方法确定；
基于所述目标土地区域的地下土壤信息，确定所述目标土地区域的旱涝程度信息。
8.一种灌溉方法，其特征在于，包括：
确定目标土地区域的旱涝程度信息，所述旱涝程度信息基于权利要求7所述的方法确定；
基于所述旱涝程度信息确定所述目标土地区域的灌溉方案。
9.一种灌溉异常确定方法，其特征在于，包括：
针对包括多个检测区域的目标农田，确定所述多个检测区域各自对应的旱涝程度信息，所述多个检测区域各自对应的旱涝程度信息基于权利要求7所述的方法确定；
基于所述多个检测区域各自对应的旱涝程度信息，确定所述目标农田的灌溉异常区域。
10.一种土壤信息检测装置，其特征在于，包括：
图像确定模块，配置为确定待检测目标土地区域的地下土地切面图像；
分析模块，配置为利用土壤检测模型，分析所述地下土地切面图像，得到所述待检测目标土地区域的地下土壤信息，所述地下土壤信息包括土壤湿度信息。
11.一种旱涝程度确定装置，其特征在于，包括：
第一确定模块，配置为确定目标土地区域的地下土壤信息，所述地下土壤信息基于权利要求1至6任一项所述的方法确定；
第二确定模块，配置为基于所述目标土地区域的地下土壤信息，确定所述目标土地区域的旱涝程度信息。
12.一种灌溉装置，其特征在于，包括：
旱涝程度信息确定模块，配置为确定目标土地区域的旱涝程度信息，所述旱涝程度信息基于权利要求7所述的方法确定；
灌溉方案确定模块，配置为基于所述旱涝程度信息确定所述目标土地区域的灌溉方案。
13.一种灌溉异常确定装置，其特征在于，包括：
区域旱涝程度确定模块，配置为针对包括多个检测区域的目标农田，确定所述多个检测区域各自对应的旱涝程度信息，所述多个检测区域各自对应的旱涝程度信息基于权利要求7所述的方法确定；
灌溉异常确定模块，配置为基于所述多个检测区域各自对应的旱涝程度信息，确定所述目标农田的灌溉异常区域。
14.一种计算机可读存储介质，所述存储介质存储有指令，当所述指令由电子设备的处理器执行时，使得所述电子设备能够执行如上述权利要求1至9任一项所述的方法。
15.一种电子设备，所述电子设备包括：
处理器；
用于存储计算机可执行指令的存储器；
所述处理器，用于执行所述计算机可执行指令，以实现如上述权利要求1至9任一项所述的方法。
16.一种土壤信息检测系统，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检测目标土地区域的地下土地切面图像；以及，
如权利要求15所述的电子设备，所述电子设备连接至所述图像采集系统。
17.根据权利要求16所述的土壤信息检测系统，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 |
|---|---|---|---|
| CN202111660820.XA CN114486885B (zh) | 2021-12-30 | 2021-12-30 | 土壤信息检测方法及装置、旱涝程度确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111660820.XA CN114486885B (zh) | 2021-12-30 | 2021-12-30 | 土壤信息检测方法及装置、旱涝程度确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114486885A true CN114486885A (zh) | 2022-05-13 |
| CN114486885B CN114486885B (zh) | 2024-04-26 |
Family
ID=81497086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111660820.XA Active CN114486885B (zh) | 2021-12-30 | 2021-12-30 | 土壤信息检测方法及装置、旱涝程度确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114486885B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN207380758U (zh) * | 2017-10-31 | 2018-05-18 | 重庆师范大学 | 一种基于图像反演的土壤水分测定装置 |
| CN108617480A (zh) * | 2018-05-11 | 2018-10-09 | 武汉理工大学 | 一种园林智能浇灌系统 |
| US10371637B1 (en) * | 2015-09-18 | 2019-08-06 | Kejr, Inc. | Soil imaging probe and method of processing soil image to detect hydrocarbon contamination |
| CN110558208A (zh) * | 2019-09-07 | 2019-12-13 | 正大农业科技(浙江)有限公司 | 一种粉质沙土盐碱地灌溉方法、系统、计算机存储介质 |
| CN110583448A (zh) * | 2019-10-28 | 2019-12-20 | 黄河水利职业技术学院 | 一种基于无人机监测的水利灌溉装置 |
| CN112630160A (zh) * | 2020-11-27 | 2021-04-09 | 佛山市墨纳森智能科技有限公司 | 一种基于图像采集的无人机航迹规划土壤湿度监测方法、系统及可读存储介质 |
| CN113029984A (zh) * | 2021-03-13 | 2021-06-25 | 深圳市威视佰科科技有限公司 | 一种基于多通道光谱传感器的土壤监测方法及装置 |
-
2021
- 2021-12-30 CN CN202111660820.XA patent/CN114486885B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10371637B1 (en) * | 2015-09-18 | 2019-08-06 | Kejr, Inc. | Soil imaging probe and method of processing soil image to detect hydrocarbon contamination |
| CN207380758U (zh) * | 2017-10-31 | 2018-05-18 | 重庆师范大学 | 一种基于图像反演的土壤水分测定装置 |
| CN108617480A (zh) * | 2018-05-11 | 2018-10-09 | 武汉理工大学 | 一种园林智能浇灌系统 |
| CN110558208A (zh) * | 2019-09-07 | 2019-12-13 | 正大农业科技(浙江)有限公司 | 一种粉质沙土盐碱地灌溉方法、系统、计算机存储介质 |
| CN110583448A (zh) * | 2019-10-28 | 2019-12-20 | 黄河水利职业技术学院 | 一种基于无人机监测的水利灌溉装置 |
| CN112630160A (zh) * | 2020-11-27 | 2021-04-09 | 佛山市墨纳森智能科技有限公司 | 一种基于图像采集的无人机航迹规划土壤湿度监测方法、系统及可读存储介质 |
| CN113029984A (zh) * | 2021-03-13 | 2021-06-25 | 深圳市威视佰科科技有限公司 | 一种基于多通道光谱传感器的土壤监测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114486885B (zh) | 2024-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110213376B (zh) | 一种用于虫害预防的信息处理系统及方法 | |
| Ouma et al. | A water index for rapid mapping of shoreline changes of five East African Rift Valley lakes: an empirical analysis using Landsat TM and ETM+ data | |
| CN108195767B (zh) | 河口湿地外来种监测方法 | |
| Ngoc et al. | Coastal and inland water pixels extraction algorithm (WiPE) from spectral shape analysis and HSV transformation applied to Landsat 8 OLI and Sentinel-2 MSI | |
| CN109726705B (zh) | 红树林信息的提取方法、装置及电子设备 | |
| CN108414455B (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
| CN110197308B (zh) | 一种用于农业物联网的作物监测系统及方法 | |
| WO2007069736A1 (ja) | 樹体生産能力を評価する方法、樹体生産能力を評価するための撮像装置及び樹体生産能力を評価するためのプログラム | |
| CN110988909A (zh) | 基于tls进行高寒脆弱区沙地植被的植被盖度测定方法 | |
| Millan et al. | Vineyard pruning weight assessment by machine vision: towards an on-the-go measurement system: This article is published in cooperation with the 21th GIESCO International Meeting, June 23-28 2019, Thessaloniki, Greece. Guests editors: Stefanos Koundouras and Laurent Torregrosa | |
| CN107589093A (zh) | 一种基于回归分析的煤质在线检测分析方法 | |
| CN115015258B (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
| Yue et al. | VNAI-NDVI-space and polar coordinate method for assessing crop leaf chlorophyll content and fractional cover | |
| Lavaquiol et al. | A photogrammetry-based methodology to obtain accurate digital ground-truth of leafless fruit trees | |
| McCarthy et al. | Automated variety trial plot growth and flowering detection for maize and soybean using machine vision | |
| Aviña-Hernández et al. | Predictive performance of random forest on the identification of mangrove species in arid environments | |
| Tian et al. | A new method for estimating signal-to-noise ratio in UAV hyperspectral images based on pure pixel extraction | |
| CN117911885A (zh) | 一种赤潮检测方法、系统、介质、计算机设备及终端 | |
| CN114486885B (zh) | 土壤信息检测方法及装置、旱涝程度确定方法及装置 | |
| CN117249862A (zh) | 一种草原露天矿空天地一体化生态环境监测方法 | |
| CN115791639A (zh) | 基于物候信息的大豆种植区域遥感提取方法 | |
| Liu | Comparing the different seasonal CBERS 04 images to map the quasi-circular vegetation patches in the Yellow River Delta, China | |
| CN115019205A (zh) | 一种基于无人机多光谱影像的油菜花期spad和lai估测方法 | |
| Zhang | An indicator and min-cost approach for shoreline extraction from satellite imagery in muddy coasts | |
| Alexandridis et al. | LAI measurement with hemispherical photographs at variable conditions for assessment of remotely sensed estimations |
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 | ||
| GR01 | Patent grant |