CN114494888B - 一种无人机影像中机播小麦苗期断垄自动监测方法 - Google Patents
一种无人机影像中机播小麦苗期断垄自动监测方法 Download PDFInfo
- Publication number
- CN114494888B CN114494888B CN202210148944.8A CN202210148944A CN114494888B CN 114494888 B CN114494888 B CN 114494888B CN 202210148944 A CN202210148944 A CN 202210148944A CN 114494888 B CN114494888 B CN 114494888B
- Authority
- CN
- China
- Prior art keywords
- row
- wheat
- vegetation
- image
- aerial vehicle
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种无人机影像中机播小麦苗期断垄自动监测方法,包括以下步骤:1)植被‑土壤二值图生成;2)种植行自动分组;3)种植行方向及位置检测;4)断垄区域自动检测。本发明根据机播小麦的特点,提出了一种基于无人机影像的小麦苗期断垄自动监测方法。与已有方法相比,由于采用了精准识别行方向且多行联动位置诊断的策略,在小麦行位置诊断方面精度更高。另外,采用了垂直于行方向的判定准则,比已有依赖面积判定断垄区域的精度更高。
Description
技术领域
本发明涉及一种自动监测方法,尤其涉及一种无人机影像中机播小麦苗期断垄自动监测方法。
背景技术
小麦是我国重要的粮食作物之一,实现其高效管理具有重要意义。为了增加光暴露、提供换气通道,方便进行除草与施肥作业,小麦往往成行种植。受作业环境及播种机自身性能的影响,田间会出现漏播,造成小麦垄断。另外,种子顺利播入土壤后,还会受天气条件、病虫害以及土壤墒情等的影响造成出苗不匀,进而出现小麦断垄。在小麦生长早期,诊断断垄的空间分布,并针对断垄区及时采取补播、灌溉等田间补救措施,对减少产量损失,具有重要意义。
传统小麦垄断的识别主要依赖于人工巡田,采用目视识别的方法进行。这种方法耗时、耗力,增加了管理的成本与风险。无人机具有机动、灵活的特点,其携带传感器进行田间信息获取,可获取高时间、高空间分辨率影像。近年来,农业无人机遥感技术已逐渐成为大家研究的热点。基于无人机影像识别断垄,为作物断垄诊断提供了新途径,但目前鲜有基于无人机影像的小麦断垄诊断研究。仅有的相关研究,其将基于无人机RGB(red,green,blue)影像的小麦断垄诊断流程大体分为以下几步:1)以5×5的窗口按先行后列的顺序逐像元扫描整个影像,计算每次扫描获得窗口内植被的覆盖度,并将其赋值给中心像元;2)统计覆盖度影像每列像素的累加值,累加值的大小将随着列号从左到右高、低起伏变化,以每次高值出现的列定义为小麦行位置;3)沿上述确定的小麦行位置统计覆盖度为0的区域,当连续为0的区域大于0.02m2则标记为断垄区域。
上述已有的基于无人机影像的小麦断垄诊断方法,存在着以下缺陷:1)已有方法认为小麦行方向在影像中垂直于影像行方向,并没有关于小麦在影像中行方向的判断过程,而实际影像中小麦行方向可能是任意的,而行方向的判断精度直接影像已有方法中所采用的绿色像元累积策略判定行位置的准确性;2)行位置的确定采用单一列方向覆盖度累积值的大小,容易受行间杂草或种子间相互错位等噪声干扰;3)确定断垄区域时,仅使用了0.02m2作为阈值,并没有给出阈值选择标准,同时也未对区域形状做限制,不同形状的0.02m2区域,其实际在小麦行方向上所占大小是不同的,从而对垄断判定带来误差。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种无人机影像中机播小麦苗期断垄自动监测方法。
为了解决以上技术问题,本发明采用的技术方案是:一种无人机影像中机播小麦苗期断垄自动监测方法,包括以下步骤:
1)植被-土壤二值图生成;
2)种植行自动分组;
3)种植行方向及位置检测;
4)断垄区域自动检测。
进一步地,步骤1)中,基于无人机影像的红、绿、蓝三波段生成超绿超红差值指数影像,采用面向对象的Meanshift分割方法将超绿超红差值指数影像分割成不同的对象;基于Otus分类方法实现对影像分割结果的自动分类,并生成植被-土壤二值图。
进一步地,超绿超红差值指数计算公式如公式(1)-(6)所示:
ExG=2×G-R-B 公式(1)
ExR=1.4×R-G 公式(2)
ExGR=ExG-ExR 公式(3)
R=r/(r+g+b) 公式(4)
G=g/(r+g+b) 公式(5)
B=b/(r+g+b) 公式(6)
其中,ExG为超绿指数,ExR为超红指数,ExGR为超绿超红差值指数;g为绿波段,r为红波段,b为绿波段;R为标准化的红波段,G为标准化的绿波段,B为标准化的蓝波段。
进一步地,步骤2)中,基于植被-土壤二值图,先确定种植行的大致方向;旋转植被-土壤二值图影像到确定的种植行的大致方向,并以列号为横坐标,植被像素的个数为纵坐标绘制曲线,求曲线峰值点位置及个数,每一个峰值点对应一条小麦行;基于播种机的一次播种的行数从第一个峰值点开始,将小麦行按农机播种的条带进行分组。
进一步地,种植行大致方向的确定方法为:将影像从0°旋转到180°,以0.1°为步长,每次旋转计算每列植被像素的个数,并绘制成以列号为横坐标,植被像元累积数为纵坐标的曲线,统计曲线上的峰值点及其有效峰高,有效峰高为峰与谷之差,选择峰值点平均有效峰高最大时的旋转角度作为种植行的大致方向。
进一步地,总的分组数由公式(7)计算所得:
n=N/t 公式(7)
其中,n为总的分组数,N为峰值点个数,t为播种机一次播种的行数。
进一步地,步骤3)中,生成行位置模板,逐像元移动扫描,每次移动将行模板在所在位置±5°之间以0.1°为间隔旋转,统计每次移动和旋转的行模板所经过的植被像元数;选择行模板所经过的植被像元数最多的位置作为所求播种条带内小麦种植行的位置。
进一步地,根据播种机的播种间隔和行数生成行位置模板,行位置模板的宽度为1个像元,长度从影像最顶端行到最低端行;
从该组小麦行所形成的步骤2)中峰值点位置的左侧半行宽的位置开始,向右侧逐像元移动扫描,直到移动到峰值点右侧半行宽的位置。
进一步地,步骤4)中,沿前述确定的小麦行直线,以5×5窗口进行扫描,窗口内所有像素都为非植被则判定中心像素为非植被;当连续非植被的中心像素累加长度大于播种行间距时判定为断垄区。
本发明公开了一种无人机影像中机播小麦苗期断垄自动监测方法,基于无人机影像,针对原有小麦苗期断垄诊断方法存在的缺陷,提出一种新的机播小麦苗期断垄自动监测方法。该方法一方面根据机播小麦多行同时播种的特性,采用先验知识设计判定模型,基于多行同时识别小麦行方向与位置,采用了精准识别行方向且多行联动位置诊断的策略,在小麦行位置诊断方面精度更高,克服现有断垄诊断方法不考虑行方向、且仅采用单一列方向检测识别行位置容易出现较大误差的缺陷。另一方面在小麦行位置精准识别的基础上采用垂直于行方向的窗口来检测无植被区并采用行间距作为判定是否断垄的标准,比已有依赖面积判定垄断区域的精度更高,克服已有断垄检测方法仅考虑无植被区域面积而不考虑形状来识别断垄容易出现误差的缺陷。
附图说明
图1为本发明的总体技术流程图。
图2为图1的具体技术流程图。
图3为实施例中小麦苗期无人机影像图。
图4为实施例中生成的植被-土壤二值图。
图5为实施例中列方向植被像素累积图。
图6为实施例中行位置模板示意图。
图7为实施例中断垄区域判定结果图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提出的无人机影像中机播小麦苗期断垄自动监测方法,实现了面向对象的无人机影像自动分割、分类,生成植被-土壤二值图,并基于二值图,利用先验知识设计方法实现影像中小麦种植行按农机播种条带自动分组,进一步基于播种条带构建算法实现每组小麦各行方向及位置确定,最后基于小麦各行位置,设计检测方法与阈值判定准则,实现断垄区域的自动监测。本发明的总体技术流程图如图1所示,主要概括为以下四个步骤:1)植被-土壤二值图生成;2)种植行自动分组;3)种植行方向及位置检测;4)断垄区域自动检测。
各步骤的具体处理流程如图2所示,具体有:
1)植被-土壤二值图生成
基于已用的植被-土壤二值图生成方法(一种基于无人机影像的作物种植行提取方法,ZL 2021105172184)进行相关处理,采用超绿超红差值指数来代替原来的超绿指数以实现更优的图像分割效果。首先,基于无人机影像的红、绿、蓝三波段生成超绿超红差值指数影像,其中,超绿超红差值指数计算公式如公式(1)-(6)所示。其次,基于超绿超红差值指数影像采用面向对象的Meanshift分割方法(均值漂移影像分割方法)将影像分割成不同的对象。这一过程中,为实现整个分割过程的自动化,引入局部方差评价法来实现Meanshift方法中尺度参数的自动择优。最后,基于Otus分类方法实现对影像分割结果的自动分类,并生成植被-土壤二值图(0为土壤,1为植被)。
ExG=2×G-R-B 公式(1)
ExR=1.4×R-G 公式(2)
ExGR=ExG-ExR 公式(3)
R=r/(r+g+b) 公式(4)
G=g/(r+g+b) 公式(5)
B=b/(r+g+b) 公式(6)
其中,ExG为超绿指数,ExR为超红指数,ExGR为超绿超红差值指数;g为绿波段,r为红波段,b为绿波段;R为标准化的红波段,G为标准化的绿波段,B为标准化的蓝波段。
2)种植行自动分组
基于植被-土壤二值图,首先确定种植行的大致方向,在这一过程中,将影像从0°旋转到180°,以0.1°为步长,每次旋转计算每列植被像素的个数,并绘制成以列号为横坐标,植被像元累积数为纵坐标的曲线,统计曲线上的峰值点及其有效峰高(峰与谷之差),选择峰值点平均有效峰高最大时的旋转角度作为种植行的大致方向(如图3所示)。然后,旋转植被-土壤二值图影像到上述种植行方向,并以列号为横坐标,植被像素的个数为纵坐标绘制曲线,求曲线峰值点位置及个数,这样每一个峰值点对应一条小麦行;最后,基于播种机的一次播种的行数从第一个峰值点开始,将小麦行按农机播种的条带进行分组,总的分组数由公式(7)计算所得:
n=N/t 公式(7)
其中,n为总的分组数,N为峰值点个数,t为播种机一次播种的行数。
3)种植行方向及位置检测
播种机一次播种的条带内的几行小麦的角度和行间距是一致的,而不同播种条带由于农机手对行误差等原因,会造成不同条带中小麦行的角度和行间距存在差异。根据这一原理,本发明基于不同播种条带分别确定上述分组内小麦行位置。在这一过程中,首先根据播种机的播种间隔和行数生成行位置模板,模板宽度为1个像元,长度从影像最顶端行到最低端行;然后,从该组小麦行所形成的步骤2)中峰值点位置的左侧半行宽的位置开始,向右侧逐像元移动扫描,直到移动到峰值点右侧半行宽的位置,并且每次移动将行模板在所在位置±5°之间,以0.1°为间隔旋转,统计每次移动和旋转的行模板所经过的植被像元数;最后,选择行模板所经过的植被像元数最多的位置作为所求播种条带内小麦种植行的位置。
4)断垄区域自动检测
沿前述确定的小麦行直线,以5×5窗口(中心像元在行直线上)进行扫描,窗口内所有像素都为非植被则判定中心像素为非植被;当连续非植被的中心像素累加长度大于播种行间距时判定为断垄区。
对于本发明所公开的无人机影像中机播小麦苗期断垄自动监测方法,其提高了无人机影像中小麦苗期断垄诊断的精度,针对现有方法所存在的缺陷,解决了如下技术问题:1)为提高识别小麦苗期行位置的精度,既摒弃了已有断垄诊断方法中直接采用无人机影像中小麦行方向与影像行方向垂直的假设,将小麦行方向识别作为行位置识别的重要步骤,又摒弃了已有方法采用单一列方向扫描确定小麦行位置的方法,提出了根据机播小麦对行同时播种、间隔固定的特点,采用多行联动同时诊断行位置的策略;2)针对已有方法中断垄位置的确定以行位置附近无植被区域面积为判定标准,存在由于区域形状不同带来估计偏差的缺陷,提出以垂直于行方向5×5像元为扫描窗口沿行方向扫描,当非植被区的窗口单元连续累加长度大于行间距时判定为垄断区的准则,从而准确识别断垄。
与现有技术相比,本发明具有以下技术优势:
1)基于先验知识的种植行方向及位置检测
本发明根据机播小麦单播种条带内由于播种机排种槽间隔固定所形成的小麦种植行间隔与角度一致的现象,依赖列方向绿色像素累积图将小麦种植行按播种条带进行分组,并针对每组小麦设计种植行位置模板,分别进行行方向与位置的判定。相比于已有方法,一方面准确判定了小麦行方向,另一方面多组种植行联动进行位置判定,减小了杂草等田间噪声带来的影响。
2)依赖种植行位置的小麦苗期垄断区域自动诊断
在确定断垄区域时,已有方法仅使用了面积作为阈值,未对区域形状做限制,不同形状的等面积区域,其实际在小麦行方向上所占大小是不同的,从而对断垄判断带来误差。本发明采用垂直于小麦行方向,以一定窗口进行扫描,并设定阈值判定累积无植被区窗口长度的方式进行断垄诊断,大大减少了判定误差。
3)小麦苗期断垄区域自动监测流程
本发明提出了一种新的无人机影像中机播小麦苗期断垄自动监测技术方法,新方法通过本发明提出的技术依赖先验知识按播种条带对小麦种植行进行分组,并针对每组小麦设计方法准确识别其行方向与位置,最后基于小麦行位置设定算法提取断垄区域,优于现有小麦苗期断垄检测方法中不判定行方向且仅依赖单一图像列方向扫描对小麦行位置进行检测,且断垄区域诊断依赖面积的技术。
【实施例】
下面结合具体的实施例,对本发明所公开的无人机影像中机播小麦苗期断垄自动监测方法做进一步详细说明。
如图3所示,为本实施例某小区小麦苗期的无人机影像,其断垄区域提取的步骤如下:
1)基于公式(1)-(6)计算超绿超红差值指数,同时生成超绿超红差值指数灰度影像;
2)基于超绿超红差值指数灰度影像,利用均值漂移法来进行影像分割,在此过程中采用局部方差评价法来实现均值漂移法中尺度参数的自动择优;基于分割后的斑块,采用Otsu方法实现对斑块进行自动分类,并生成植被-土壤二值图(0为土壤,1为植被);
3)基于植被-土壤二值图,首先,确定种植行的大致方向。在这一过程中,影像从0°旋转到180°,以0.1°为步长,每次旋转计算旋转后影像每列绿色像元的个数,并绘制成以列号为横坐标,绿色像元个数为纵坐标的曲线(以下简称“绿色像元累积图”),统计曲线上的峰值点及其有效峰高度,选择峰值点平均高度最大时的旋转角度作为种植行的大致方向;然后,将影像旋转至小麦行与图像行垂直角度(图4所示),并做上述绿色像元累积图;最后,根据小麦播种机一次播种的行数(实施例为9行),利用绿色像元累积图将小麦行归为不同的组以代表不同的播种条带,如图5所示。分组的个数按公式(7)计算,共6组。从图4也可以看出整个小区有6条播种带。
4)按不同条带分别识别条带内各行的位置。在这一过程中,先根据播种机上排种器行间隔、行数及3)中判定的行的大致方向生成一个条带内各行小麦的位置模板。在此,因实施例每条播种条带中有9行,所以模板共有9条间距为15cm(排种器间距)、宽度1个像元、长度从影像最顶端到最低端的直线,如图6所示;然后将这个模板从待判定的小麦播种条带内第一个峰(绿色像元累积变化图中)所在影像列左侧半行宽的位置开始,逐像元、逐角度(±5°之间,以0.1°为间隔)扫描,以模板通过区域绿色像元数累积最大为准则,确定小麦行位置。每个条带重复如上过程进行各播种条带内各行小麦的判定。
5)沿前述确定的小麦各行位置及方向,以5×5窗口(中心像元在行直线上)进行扫描,窗口内所有像素都为非植被则判定中心像素为非植被;当连续非植被的中心像素累加长度大于播种行间距(15cm)时判定为断垄区,如图7所示。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (5)
1.一种无人机影像中机播小麦苗期断垄自动监测方法,其特征在于:包括以下步骤:
1)植被-土壤二值图生成;
2)种植行自动分组;
基于植被-土壤二值图,先确定种植行的方向;旋转植被-土壤二值图影像到确定的种植行的方向,并以列号为横坐标,植被像素的个数为纵坐标绘制曲线,求曲线峰值点位置及个数,每一个峰值点对应一条小麦行;基于播种机的一次播种的行数从第一个峰值点开始,将小麦行按农机播种的条带进行分组;
3)种植行方向及位置检测;
根据播种机的播种间隔和行数生成行位置模板,行位置模板的宽度为1个像元,长度从影像最顶端行到最低端行;
从该组小麦行所形成的步骤2)中峰值点位置的左侧半行宽的位置开始,向右侧逐像元移动扫描,直到移动到峰值点右侧半行宽的位置;
基于生成的行位置模板,逐像元移动扫描,每次移动将行模板在所在位置±5°之间以0.1°为间隔旋转,统计每次移动和旋转的行模板所经过的植被像元数;选择行模板所经过的植被像元数最多的位置作为所求播种条带内小麦种植行的位置;
4)断垄区域自动检测;
沿确定的小麦行直线,以5×5窗口进行扫描,窗口内所有像素都为非植被则判定中心像素为非植被;当连续非植被的中心像素累加长度大于播种行间距时判定为断垄区。
2.根据权利要求1所述的无人机影像中机播小麦苗期断垄自动监测方法,其特征在于:步骤1)中,基于无人机影像的红、绿、蓝三波段生成超绿超红差值指数影像,采用面向对象的Meanshift分割方法将超绿超红差值指数影像分割成不同的对象;基于Otus分类方法实现对影像分割结果的自动分类,并生成植被-土壤二值图。
3.根据权利要求2所述的无人机影像中机播小麦苗期断垄自动监测方法,其特征在于:超绿超红差值指数计算公式如公式(1)-(6)所示:
ExG=2×G-R-B 公式(1)
ExR=1.4×R-G 公式(2)
ExGR=ExG-ExR 公式(3)
R=r/(r+g+b) 公式(4)
G=g/(r+g+b) 公式(5)
B=b/(r+g+b) 公式(6)
其中,ExG为超绿指数,ExR为超红指数,ExGR为超绿超红差值指数;g为绿波段,r为红波段,b为绿波段;R为标准化的红波段,G为标准化的绿波段,B为标准化的蓝波段。
4.根据权利要求1所述的无人机影像中机播小麦苗期断垄自动监测方法,其特征在于:种植行方向的确定方法为:将影像从0°旋转到180°,以0.1°为步长,每次旋转计算每列植被像素的个数,并绘制成以列号为横坐标,植被像元累积数为纵坐标的曲线,统计曲线上的峰值点及其有效峰高,有效峰高为峰与谷之差,选择峰值点平均有效峰高最大时的旋转角度作为种植行的方向。
5.根据权利要求4所述的无人机影像中机播小麦苗期断垄自动监测方法,其特征在于:总的分组数由公式(7)计算所得:
n=N/t 公式(7)
其中,n为总的分组数,N为峰值点个数,t为播种机一次播种的行数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148944.8A CN114494888B (zh) | 2022-02-18 | 2022-02-18 | 一种无人机影像中机播小麦苗期断垄自动监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210148944.8A CN114494888B (zh) | 2022-02-18 | 2022-02-18 | 一种无人机影像中机播小麦苗期断垄自动监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114494888A CN114494888A (zh) | 2022-05-13 |
CN114494888B true CN114494888B (zh) | 2022-08-19 |
Family
ID=81482133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210148944.8A Active CN114494888B (zh) | 2022-02-18 | 2022-02-18 | 一种无人机影像中机播小麦苗期断垄自动监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114494888B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105021196A (zh) * | 2015-06-29 | 2015-11-04 | 郑州轻工业学院 | 基于最小相切圆和形态学原理的作物行检测方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017004074A1 (en) * | 2015-06-30 | 2017-01-05 | Precision Planting Llc | Systems and methods for image capture and analysis of agricultural fields |
CN105117701B (zh) * | 2015-08-21 | 2018-06-15 | 郑州轻工业学院 | 基于最大正方形原理的玉米作物行骨架提取方法 |
CN106971167B (zh) * | 2017-03-30 | 2020-10-27 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析系统 |
CN107578447B (zh) * | 2017-09-26 | 2019-08-30 | 北京师范大学 | 一种基于无人机影像的作物垄位置确定方法及系统 |
US20200217830A1 (en) * | 2019-01-08 | 2020-07-09 | AgroScout Ltd. | Autonomous crop monitoring system and method |
CN110196053B (zh) * | 2019-06-13 | 2023-06-20 | 内蒙古大学 | 一种基于fpga的实时田间机器人视觉导航方法与系统 |
CN111028096A (zh) * | 2019-12-23 | 2020-04-17 | 内蒙古自治区生物技术研究院 | 一种天、空、地一体化数据融合的系统和方法 |
CN113111892B (zh) * | 2021-05-12 | 2021-10-22 | 中国科学院地理科学与资源研究所 | 一种基于无人机影像的作物种植行提取方法 |
-
2022
- 2022-02-18 CN CN202210148944.8A patent/CN114494888B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105021196A (zh) * | 2015-06-29 | 2015-11-04 | 郑州轻工业学院 | 基于最小相切圆和形态学原理的作物行检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114494888A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109115776B (zh) | 一种基于颜色和深度信息的穴盘苗长势无损监测方法和装置 | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN112614147B (zh) | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 | |
CN102663397B (zh) | 一种小麦出苗的自动检测方法 | |
Ma et al. | Automatic detection of crop root rows in paddy fields based on straight-line clustering algorithm and supervised learning method | |
CN114694047A (zh) | 一种玉米播种质量的评价方法及装置 | |
Li et al. | Image detection and verification of visual navigation route during cotton field management period | |
CN116109268B (zh) | 一种基于物联网的智慧农业监管系统及方法 | |
CN116188465A (zh) | 基于图像处理技术的作物生长状态检测方法 | |
CN110455201B (zh) | 基于机器视觉的茎秆作物高度测量方法 | |
CN113469112A (zh) | 农作物生长状况图像识别方法及系统 | |
He et al. | Visual detection of rice rows based on Bayesian decision theory and robust regression least squares method | |
KR20190069648A (ko) | 인삼의 영상 이미지 분석을 통한 생육량 측정 방법 | |
CN108537164B (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
CN109033032B (zh) | 基于农机轨迹和地块格网化计算农机有效作业面积的方法 | |
CN114494888B (zh) | 一种无人机影像中机播小麦苗期断垄自动监测方法 | |
CN102592118A (zh) | 一种玉米出苗期的自动检测方法 | |
CN111681216B (zh) | 一种金针菇高通量表型信息获取的方法 | |
CN113111892B (zh) | 一种基于无人机影像的作物种植行提取方法 | |
CN117036926A (zh) | 一种融合深度学习与图像处理的杂草识别方法 | |
CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 | |
CN111932551B (zh) | 一种水稻插秧机的漏插率检测方法 | |
Moghaddam et al. | Developing a selective thinning algorithm in sugar beet fields using machine vision system | |
Kabir et al. | Variable fertilizer recommendation for grass production by image–based growth status | |
CN113643231B (zh) | 一种基于深度图像的作物出苗质量检测方法 |
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 |