CN114694047A - 一种玉米播种质量的评价方法及装置 - Google Patents
一种玉米播种质量的评价方法及装置 Download PDFInfo
- Publication number
- CN114694047A CN114694047A CN202210379981.XA CN202210379981A CN114694047A CN 114694047 A CN114694047 A CN 114694047A CN 202210379981 A CN202210379981 A CN 202210379981A CN 114694047 A CN114694047 A CN 114694047A
- Authority
- CN
- China
- Prior art keywords
- corn
- sowing
- area
- image data
- seeding
- 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
- 240000008042 Zea mays Species 0.000 title claims abstract description 221
- 235000002017 Zea mays subsp mays Nutrition 0.000 title claims abstract description 221
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 title claims abstract description 206
- 235000005822 corn Nutrition 0.000 title claims abstract description 206
- 238000009331 sowing Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013441 quality evaluation Methods 0.000 title description 7
- 238000010899 nucleation Methods 0.000 claims abstract description 94
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims description 27
- 241000196324 Embryophyta Species 0.000 claims description 25
- 239000002689 soil Substances 0.000 claims description 22
- 230000035784 germination Effects 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 244000038559 crop plants Species 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 235000016383 Zea mays subsp huehuetenangensis Nutrition 0.000 description 14
- 235000009973 maize Nutrition 0.000 description 14
- 238000004458 analytical method Methods 0.000 description 11
- 238000005070 sampling Methods 0.000 description 11
- 235000013339 cereals Nutrition 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 241001057636 Dracaena deremensis Species 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011031 large-scale manufacturing process Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 241000482268 Zea mays subsp. mays Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000031016 anaphase Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种玉米播种质量的评价方法及装置。玉米播种质量的评价方法包括:驱动搭载有图像采集装置的无人机,沿目标航线巡航采集玉米播种区域的图像,获得原始图像数据;对原始图像数据进行预处理,获得二值化图像数据;根据二值化图像数据,对玉米播种区域的玉米播种质量进行评价。本申请能够对第三方播种作业质量提供实时、高效、精装、客观的评价,实现第三方播种作业的有效监督,还能够分析判断地块的基本苗情况,为后续田间管理投入提供依据。
Description
技术领域
本申请属于计算机数据处理的技术领域,具体涉及一种玉米播种质量的评价方法及装置。
背景技术
玉米是我国第一大作物,种植面积和总产均居第一位,在国家粮食安全中具有不可替代的地位。国内外研究表明,增加种植密度是当前玉米增产的主要技术途径,而根据实际种植密度进行水、肥精确施用也是实现玉米资源高效生产的关键。因此,播种密度是当前玉米生产中广泛关注的问题。影响播种密度的因素涉及许多方面,包括气候条件、种子质量、土壤墒情、播种质量以及病虫为害等,玉米的出苗密度经常无法达到预期设定的播种密度。
不同地区的气候和生产方式决定了当地玉米播种的适宜窗口期,在规模化生产条件下,在有限的窗口期内完成玉米播种,对种植者的农机规模、机手团队和管理水平提出了极高的要求。近年来,随着玉米种植逐渐规模化,在播种高峰期雇佣大量第三方机手、机具成为生产种普遍采用的方式。但机具调教状态和机手操作水平往往参差不齐,对于玉米的播种质量影响较大;同时,雇佣机手们为了赶农时、争取最大的经济利益,会提高机具作业速度,导致种子弹跳、落子不匀、播深不一致甚至漏播、重播等,从而导致缺苗、断垄,降低了播种质量。但由于缺乏有效的监管方法,第三方机手、机具的播种质量难以保障,成为了影响规模化生产田块玉米种植密度的主要因素。如何高效、精准地评价第三方播种质量,按苗定酬,避免因机具或机手问题影响播种密度,成为提高播种质量、为全年粮食高产打牢关键基础的重要生产问题。
种植户通常在玉米苗期通过人工计数的方式获取玉米植株的数量,并以此作为评价雇佣机具和机手作业质量的依据,决定是否全额支付机具、机手的作业费。但对于大规模的田间种植,玉米植株统计工作量大,效率低下,不利于及时评价,也会因人为判断而产生争议。生产中急需实时、高效、精准、客观的播种质量评价方法,起到监督雇佣机手的作业,提升播种质量的目的。
随着无人机和传感器技术的快速发展,搭载有各类传感器的无人机平台可及时有效地获取玉米群体高分辨率影像,利用图像特征提取方法和机器学习算法分析得出玉米植株数量和分布规律。通过播种质量评价算法,能够得出玉米苗期植株密度、出苗率、株行距、群体整齐度和播种质量等关键数据。与人工调查相比,无人机影像可以快速、客观地开展玉米苗期植株密度评估。基于无人机获取的高分辨率影像,可实现大面积、快速、精准地评估玉米播种质量。
发明内容
本申请旨在提供一种玉米播种质量的评价方法,所述评价方法包括:
驱动搭载有图像采集装置的无人机,沿目标航线巡航采集玉米播种区域的图像,获得原始图像数据;
对所述原始图像数据进行预处理,获得二值化图像数据;
根据所述二值化图像数据,对所述玉米播种区域的玉米播种质量进行评价。
进一步地,所述驱动搭载有图像采集装置的无人机,沿目标航线巡航采集玉米播种区域的图像,获得原始图像数据,包括:
驱动搭载有图像采集装置的无人机,以垂直于水平方向的角度,沿与所述玉米播种区域的播种行平行的目标航线,巡航采集玉米播种区域的图像;
在所述巡航采集玉米播种区域的图像的过程中,根据以下公式,对所述无人机的巡航高度进行限制:
在所述巡航采集玉米播种区域的图像的过程中,根据以下公式,对所述无人机的飞行速度和所述图像采集装置的曝光速度进行限制:
其中,h为所述巡航高度,f为所述图像采集装置的镜头焦距,GSD为地面分辨率,且限制所述地面分辨率小于或等于0.005,α为所述图像采集装置的像元尺寸;δ为所述无人机在巡航过程中的相位点位移,且限制所述相位点位移小于或等于0.2,V为所述飞行速度,t为所述曝光速度。
进一步地,所述目标航线通过以下方式规划:
获取所述玉米播种区域的边界和播种行方向;
在所述边界内,沿所述播种行方向,规划所述无人机的航线,以使得所述无人机在所述玉米播种区域内随机抽样5至20个监测区域,并通过在每个所述监测区域内巡航1次,逐一巡航每个所述监测区域;
其中,规划所述无人机的航线,以保证巡航长度大于或等于30米,所述原始图像数据中的行向重叠率小于或等于50%,所述原始图像数据中的行间重叠率为0%。
进一步地,所述获取所述玉米播种区域的边界和播种行方向,包括:
接收操作人员的第一输入;
响应于所述第一输入,获取所述玉米播种区域的边界和播种行方向;
或,
读取所述玉米播种区域中播种农机的航迹文件;
根据所述航迹文件,获取所述玉米播种区域的边界和播种行方向。
进一步地,所述对所述原始图像数据进行预处理,获得二值化图像数据,包括:
采用EGI指标,对所述原始图像数据进行直方图均衡,确定分割阈值;
采用阈值分割和二值化的方法,根据所述原始图像数据的RGB颜色空间与所述分割阈值的关系,对所述原始图像数据进行第一预处理,获得第一二值化图像数据;
其中,为使得在所述第一二值化图像数据中能够区分玉米苗和土地之间的边界,所述二值化遵循的公式如下:
其中,Greenthreshold为所述分割阈值。
进一步地,在获得第一二值化图像数据之后,所述对所述原始图像数据进行预处理,获得二值化图像数据,还包括:
应用形态学开运算,平滑所述二值化图像数据中玉米苗的轮廓,并切掉狭窄的不连续点,且消除细小突起;
应用闭运算,填充所述二值化图像数据内部的狭窄间隙;
结合相同次数的开运算和闭运算,对所述玉米苗进行噪声清除,获得第二二值化图像数据。
进一步地,所述根据所述二值化图像数据,对所述玉米播种区域的玉米播种质量进行评价,包括:
通过Hough变换,获取所述二值化图像数据中的播种行方向;
应用最近邻插值法,旋转所述二值化图像数据,以使得所述播种行方向平行于二维平面直角坐标系的y轴;
计算所述二值化图像数据中每个玉米苗的像素总和,并生成针对全部玉米苗的像素统计图,其中,所述像素统计图中的一个局部峰值对应一个玉米苗,通过识别所述像素统计图中的每个局部峰值,识别所述二值化图像数据中的每个播种行和/或每个玉米苗;
根据所述二值化图像数据中的每个播种行和/或每个玉米苗,对所述玉米播种区域的玉米播种质量进行评价。
进一步地,在所述通过识别所述像素统计图中的每个局部峰值,识别所述二值化图像数据中的每个播种行和/或每个玉米苗的过程中,忽略所述像素统计图中峰值低于目标阈值的峰,并在所述像素统计图中具有多个峰且所述峰的个数大于种植行数的情况下,通过如下两个公式限制,判断行峰:
其中,Minpd为两个相邻峰之间的距离,且Minpd大于标称作物行间距的像素数的50%以上,Rows为种植时的理论行距,Resolution为计算的影像分辨率结果;
Minph=MaxSumg*Rowps;
其中,Minph为峰值,MaxSumg为所述二值化图像数据中像素值为1的像素总和的最大值,Rowps为相应行最大峰值高度分数。
进一步地,所述对所述玉米播种区域的玉米播种质量进行评价,包括:
通过如下公式,计算所述玉米播种区域的行距或株距的整齐度:
通过如下公式,计算所述玉米播种区域的播种密度:
其中,A为所述玉米播种区域的面积,Do为所述播种密度,峰间距的中位数被视为实际作物株间距(Dplant);峰所在的像素列被用作作物行的中心线;峰值间每两行中心线位置之间的差异的中位数被视为实际作物行间距(Drow);
通过如下公式,计算所述玉米播种区域的出苗率:
其中,Da为所述玉米播种区域的统计单位面积苗数,Do为所述播种密度,ER为所述出苗率;
通过如下公式,计算所述玉米播种区域的实际发芽率:
其中,Ns为所述玉米播种区域的地块发芽粒数,Np为所述玉米播种区域的实际播种粒数,GRα为所述实际发芽率;
通过如下公式,计算所述玉米播种区域的发芽率偏差:
其中,GR为测定获得的所述玉米播种区域的田块用种的发芽率,在Dgr≤5%的情况下,判定所述玉米播种区域的土壤墒情或地温适宜;反之判定所述玉米播种区域的土壤墒情或地温条件不适宜;
通过如下公式,计算所述玉米播种区域的理论出苗率:
其中,Ne为所述玉米播种区域的调查出土苗数,Ns为所述玉米播种区域的实际发芽粒数,ERt为所述理论出苗率;
通过如下公式,计算所述玉米播种区域的实际出苗率:
其中,Ne为所述调查出土苗数,Np为所述地块实际播种粒数,ERa为所述实际出苗率;
通过如下公式,计算所述玉米播种区域的出苗率偏差:
其中,ERt为所述理论出苗率,ERa为所述实际出苗率,Der为所述出苗率偏差,在Der≤5%的情况下,判定所述玉米播种区域的土壤耕整质量合格;反之判定所述玉米播种区域的土壤耕整不合格;
通过如下公式,计算所述玉米播种区域的播种质量指数:
其中,ERa为所述实际出苗率,ER为所述出苗率,GR为所述田块用种的发芽率,Fsq为所述播种质量指数,在Fsq≥0的情况下,判定所述玉米播种区域的播种质量指数不合格,反之判定所述玉米播种区域的播种质量指数合格。
本申请还提供了一种玉米播种质量的评价装置,所述评价装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现本申请任一技术方案所述的评价方法的步骤。
本申请的有益效果为:本申请通过无人机搭载可见光成像设备实时获取的高清影像,分析农机具播种的玉米田块的玉米苗数量和分布情况,对比实际玉米苗数与播种要求的玉米苗数之间的差异,评价该地块玉米出苗率,以达到实时、高效、精准和客观评价机具、机手的播种质量的目的。与生产中使用的方法相比,本申请利用无人机搭载可见光成像设备,结合优化的无人机飞行航线规划方法、玉米幼苗识别计数方法、播种质量综合评价方法和播种质量最优评价窗口期等关键技术,实现了实时、高效、精准、客观的播种质量评价。不仅能够实现对第三方播种作业的有效监督,还可实现分析判断地块的基本苗情况,为后续田间管理投入提供依据。本申请可以满足规模化生产条件下对于第三方播种作业质量的实时、高效、精装、客观的评价需求,实现第三方播种作业的有效监督,还能够分析判断地块的基本苗情况,为后续田间管理投入提供依据,实时评价播种机作业质量,实现按苗定酬的效果。
本申请的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
图1为玉米播种区域的原始图像数据;
图2为玉米播种区域的第一二值化图像数据;
图3为玉米播种区域的第二二值化图像数据;
图4为玉米播种区域的Hough变换及峰值检测结果示意图之一;
图5为玉米播种区域的Hough变换及峰值检测结果示意图之二;
图6为玉米播种区域的随机抽样出苗分析区的高效数据采集和分析模式图之一;
图7为玉米播种区域的随机抽样出苗分析区的高效数据采集和分析模式图之二;
图8为实施例1的玉米播种区域的原始图像数据;
图9为实施例1的玉米播种区域的第一二值化图像数据;
图10为实施例1的玉米播种区域的第二二值化图像数据;
图11为不同叶龄期抽样区域出苗数分析精度之一;
图12为不同叶龄期抽样区域出苗数分析精度之二;
图13为不同叶龄期抽样区域出苗数分析精度之三;
图14为不同叶龄期抽样区域出苗数分析精度之四。
具体实施方式
下面将详细描述本申请的实施例,实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本申请,而不能理解为对本申请的限制。基于本申请中的实施例,本领域普通技术人员在没有作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。
本申请实施例提供了一种玉米播种质量的评价方法,所述评价方法包括S100至S300:
S100、驱动搭载有图像采集装置的无人机,沿目标航线巡航采集玉米播种区域的图像,获得原始图像数据。
其中,图1为玉米播种区域的原始图像数据。无人机监测平台搭建的方式为:采用多旋翼无人机,搭载增稳云台和高清相机;利用增稳云台保证高清相机在无人机飞行过程中始终垂直于水平方向对地采集影像,提高地面物体尺寸测定的精度。无人机监测航线的规划策略为:无人机飞行航线应与播种行平行,简化影像“苗行处理”的过程,提高行距检测精度。
所述驱动搭载有图像采集装置的无人机,沿目标航线巡航采集玉米播种区域的图像,获得原始图像数据,包括:
S110、驱动搭载有图像采集装置的无人机,以垂直于水平方向的角度,沿与所述玉米播种区域的播种行平行的目标航线,巡航采集玉米播种区域的图像;
S120、在所述巡航采集玉米播种区域的图像的过程中,根据以下公式,对所述无人机的巡航高度进行限制:
S130、在所述巡航采集玉米播种区域的图像的过程中,根据以下公式,对所述无人机的飞行速度和所述图像采集装置的曝光速度进行限制:
其中,h为所述巡航高度,f为所述图像采集装置的镜头焦距,GSD为地面分辨率,且限制所述地面分辨率小于或等于0.005,α为所述图像采集装置的像元尺寸;δ为所述无人机在巡航过程中的相位点位移,且限制所述相位点位移小于或等于0.2,V为所述飞行速度,t为所述曝光速度。
具体而言,无人机航线飞行高度(h)以20m-50m为宜,可根据搭载的高清相机传感器尺寸和图像分辨率计算相机的像元尺寸(α)、航线高度(h)和镜头焦距(f)计算地面分辨率,地面分辨率(GSD)应满足GSD≤0.005m;以影像采集过程中相位点位移δ≤0.2像素为要求,设定无人机飞行速度(V)和高清相机曝光速度(t)。
所述目标航线通过以下方式规划:
获取所述玉米播种区域的边界和播种行方向;
在所述边界内,沿所述播种行方向,规划所述无人机的航线,以使得所述无人机在所述玉米播种区域内随机抽样5至20个监测区域,并通过在每个所述监测区域内巡航1次,逐一巡航每个所述监测区域;
其中,规划所述无人机的航线,以保证巡航长度大于或等于30米,所述原始图像数据中的行向重叠率小于或等于50%,所述原始图像数据中的行间重叠率为0%。
所述获取所述玉米播种区域的边界和播种行方向,包括:接收操作人员的第一输入;响应于所述第一输入,获取所述玉米播种区域的边界和播种行方向;或,读取所述玉米播种区域中播种农机的航迹文件;根据所述航迹文件,获取所述玉米播种区域的边界和播种行方向。
具体而言,根据作业地块规划无人机监测航线,与无人机覆盖全地块的航线规划策略不同,播种质量监测要求高效且简易的操作流程,不需进行全地块影像采集并拼接为整体图像。因此,玉米播种质量评价的无人机航线规划主要有以下两种策略:
图6为玉米播种区域的随机抽样出苗分析区的高效数据采集和分析模式图之一。图7为玉米播种区域的随机抽样出苗分析区的高效数据采集和分析模式图之二。
(1)地块抽样策略,获取地块边界后,由人工输入播种的行向角度,使无人机航线与播种行向平行。在待评价地块内随机抽样5~20个监测区,每个监测区飞行1个航次,连续采集长度≥30m;由于无需进行影像拼接,因此无人机航线设定时行向重叠率可设定在50%以下,行间重叠率可设定0%;一个监测区飞行结束后,由无人机载导航系统引导飞行至下一抽样监测区,逐次引导将全部抽样区影像采集完毕。
(2)机具作业航线导入策略,大型农机具为了提高作业效率多以集成基于北斗导航的自动驾驶设备,其作业航迹可由机具导航设备导出。读取导出的航迹文件进行无人机航线规划,由于航迹即为播种行向,因此无需人工输入播种行向角度。航迹覆盖区即为待评价地块,因此无需人工输入地块边界。根据作业航迹和无人机图像监测幅宽,随机抽样5~20条不重叠的航迹作为监测区,连续采集长度≥30m;设定时行向重叠率可设定在50%以下,行间重叠率可设定0%;一条作业航迹飞行结束后,由无人机载导航系统引导飞行至下一抽样作业航迹,逐次引导将全部抽样航迹采集完毕。
S200、对所述原始图像数据进行预处理,获得二值化图像数据。
其中,所述对所述原始图像数据进行预处理,获得二值化图像数据,包括:
采用EGI指标,对所述原始图像数据进行直方图均衡,确定分割阈值;
采用阈值分割和二值化的方法,根据所述原始图像数据的RGB颜色空间与所述分割阈值的关系,对所述原始图像数据进行第一预处理,获得第一二值化图像数据;图2为玉米播种区域的第一二值化图像数据。
其中,为使得在所述第一二值化图像数据中能够区分玉米苗和土地之间的边界,所述二值化遵循的公式如下:
其中,Greenthreshold为所述分割阈值。
在获得第一二值化图像数据之后,所述对所述原始图像数据进行预处理,获得二值化图像数据,还包括:
应用形态学开运算,平滑所述二值化图像数据中玉米苗的轮廓,并切掉狭窄的不连续点,且消除细小突起;
应用闭运算,填充所述二值化图像数据内部的狭窄间隙;
结合相同次数的开运算和闭运算,对所述玉米苗进行噪声清除,获得第二二值化图像数据。图3为玉米播种区域的第二二值化图像数据。
具体而言,获取的待测区影像由无人机图传系统回传至遥控器端的控制平板电脑。由于平板电脑的运算处理能力较弱,无法处理复杂的图像运算。因此本发明选用RGB颜色空间的阈值分割二值化方法,采用EGI指标进行直方图均衡,确定分割阈值Greenthreshold,二值化方法如式1所示。
应用形态学开运算使玉米苗对象的轮廓平滑,切掉狭窄的不连续点并消除细小的突起。应用闭运算填充图像内部的狭窄间隙。通常需要,结合相同次数的开运算和闭运算对玉米苗对象进行噪声清除。算法的效果如图2和3所示。
S300、根据所述二值化图像数据,对所述玉米播种区域的玉米播种质量进行评价。
具体而言,所述根据所述二值化图像数据,对所述玉米播种区域的玉米播种质量进行评价,包括:
通过Hough变换,获取所述二值化图像数据中的播种行方向;
应用最近邻插值法,旋转所述二值化图像数据,以使得所述播种行方向平行于二维平面直角坐标系的y轴;
计算所述二值化图像数据中每个玉米苗的像素总和,并生成针对全部玉米苗的像素统计图,其中,所述像素统计图中的一个局部峰值对应一个玉米苗,通过识别所述像素统计图中的每个局部峰值,识别所述二值化图像数据中的每个播种行和/或每个玉米苗;
根据所述二值化图像数据中的每个播种行和/或每个玉米苗,对所述玉米播种区域的玉米播种质量进行评价。
二值化的玉米苗图像可进行简单的计数分析,但为了更为准确的评价播种质量,需要获取玉米苗的行距和株距信息,继而分析其出苗整齐度。玉米苗图像存在不连续线条和非线性共存结构等现象,利用Hough方法(Hough变换用于检测图像中直线、圆、抛物线、椭圆等形状能够用一定函数关系描述的曲线,它在影像分析,模式识别等很多领域中得到了成功的应用。Hough变换的基本原理是将影像空间中的曲线(包括直线)变换到参数空间中,通过检测参数空间中的极值点,确定出该曲线的描述参数,从而提取影像中的规则曲线。)获取玉米播种行方向,应用最近邻插值法旋转图像以使玉米行平行于图像坐标系y轴。由于无人机航线规划时已要求与玉米行方向平行,此步骤行检测运算量较小。
确定了玉米行以后,计算二值图像中逐个作物行的像素总和,并生成统计图。通过搜索每个局部峰值来识别单个作物行。同时,为了改善对作物行的识别,忽略了彼此非常接近或具有较低峰值的峰。
在所述通过识别所述像素统计图中的每个局部峰值,识别所述二值化图像数据中的每个播种行和/或每个玉米苗的过程中,忽略所述像素统计图中峰值低于目标阈值的峰,并在所述像素统计图中具有多个峰且所述峰的个数大于种植行数的情况下,通过如下两个公式限制,判断行峰:
其中,Minpd为两个相邻峰之间的距离,且Minpd大于标称作物行间距的像素数的50%以上,Rows为种植时的理论行距,Resolution为计算的影像分辨率结果;
Minph=MaxSumg*Rowps;
其中,Minph为峰值,MaxSumg为所述二值化图像数据中像素值为1的像素总和的最大值,Rowps为相应行最大峰值高度分数,一般采用10~40%范围内的某个值。
换言之,对于具有多个峰且峰的个数大于种植行数的图像,设置两个限制来判断行峰:两个相邻峰之间的距离Minpd大于标称作物行间距的像素数的50%以上(式2);Minph大于整个图像中绿色像素总和的最大峰值高度分数Rowps(式3);峰间距的中位数被视为实际作物株间距(Dplant);峰所在的像素列被用作作物行的中心线;峰值间每两行中心线位置之间的差异的中位数被视为实际作物行间距(Drow)。
式2中Rows为种植时的理论行距,Resolution为计算的影像分辨率结果。
Minph=MaxSumg*Rowps (式3)
式3中MaxSumg为二值影像中像素值为1的像素总和的最大值,Rowps为相应行最大峰值高度分数。
图4为玉米播种区域的Hough变换及峰值检测结果示意图之一。图5为玉米播种区域的Hough变换及峰值检测结果示意图之二。
所述对所述玉米播种区域的玉米播种质量进行评价,包括:
通过如下公式,计算所述玉米播种区域的行距或株距的整齐度:
通过如下公式,计算所述玉米播种区域的播种密度:
其中,A为所述玉米播种区域的面积,Do为所述播种密度,峰间距的中位数被视为实际作物株间距(Dplant);峰所在的像素列被用作作物行的中心线;峰值间每两行中心线位置之间的差异的中位数被视为实际作物行间距(Drow)。
通过如下公式,计算所述玉米播种区域的出苗率:
其中,Da为所述玉米播种区域的统计单位面积苗数,Do为所述播种密度,ER为所述出苗率(Emergence Rate,ER)。
通过如下公式,计算所述玉米播种区域的实际发芽率:
其中,Ns为所述玉米播种区域的地块发芽粒数,Np为所述玉米播种区域的实际播种粒数,GRα为所述实际发芽率。选定一定长度的样区,测定籽粒的播种深度,平均值在3~6cm为播深适宜,播深整齐度≤2.5时可认为播深不齐。顺播种行逐个捡出籽粒,调查监测地块发芽粒数(Sprouted Grain Number,Ns)与实际播种粒数(Planting Grain Number,Np),
通过如下公式,计算所述玉米播种区域的发芽率偏差(Deviation ofgermination rate,Dgr):
其中,GR为测定获得的所述玉米播种区域的田块用种的发芽率(GerminationRate,GR),在Dgr≤5%的情况下,判定所述玉米播种区域的土壤墒情或地温适宜;反之判定所述玉米播种区域的土壤墒情或地温条件不适宜。
通过如下公式,计算所述玉米播种区域的理论出苗率:
其中,Ne为所述玉米播种区域的调查出土苗数(Emerged Grain Number,Ne),Ns为所述玉米播种区域的实际发芽粒数,ERt为所述理论出苗率(Theory Emergence Rate,ERt)。
通过如下公式,计算所述玉米播种区域的实际出苗率:
其中,Ne为所述调查出土苗数,Np为所述地块实际播种粒数,ERa为所述实际出苗率。
通过如下公式,计算所述玉米播种区域的出苗率偏差:
其中,ERt为所述理论出苗率,ERa为所述实际出苗率,Der为所述出苗率偏差(Deviation of Emergence rate,Der),在Der≤5%的情况下,判定所述玉米播种区域的土壤耕整质量合格;反之判定所述玉米播种区域的土壤耕整不合格。
其中,ER≤ERa≤ERt≤GRa≤GR。
通过如下公式,计算所述玉米播种区域的播种质量指数:
其中,ERa为所述实际出苗率,ER为所述出苗率,GR为所述田块用种的发芽率,Fsq为所述播种质量指数(Sowing Quality Index),在Fsq≥0的情况下,判定所述玉米播种区域的播种质量指数不合格,反之判定所述玉米播种区域的播种质量指数合格。
实施例1
玉米播种质量评价的方法和装置实现高效、精准的评价玉米出苗数的关键是依据设备和精度需求优化规划无人机飞行航线。利用DJI M600 pro六旋翼无人机搭载的如影云台和Sonyα7高清相机(定焦镜头35mm)构建无人机监测平台,设定无人机飞行高度为30m,地面分辨率大于0.005m。采用策略1规划飞行航线。人工输入地块边界,在地块中随机抽选若干监测区域,结合飞行高度、航线重叠率等设定,针对所有抽样监测区域回归各自的飞行航线,以及各个监测区之间的最短飞行路线。采集的影像回传至控制端平板电脑,经过二值化、形态运算、Hough变化等处理流程,获取植株株行距及苗数信息。上述过程如图8至10所示。
由监测影像分析,平均行距53.8cm,平均株距23.6cm,播种密度为4265株/亩,平均出苗率为85.3%,播种质量指数Fsq=0.425,因播种因素造成的缺苗占总缺苗数的42.5%,该地块播种质量较好。
表1地块播种质量评价样例
实施例2
玉米幼苗的早期发育过程中,其叶片形态直立,在土壤中不易识别计数。而发育后期,随着玉米叶片数量增加、叶片长度增长,无人机正射图像中植株间叶片发生重叠,同样对玉米植株的识别计数带来不利影响。因此,由于玉米形态特征随生长发育的变化,玉米出苗数监测存在适宜的窗口期。玉米出苗后动态获取的监测图像分析结果显示,不同叶龄期的玉米苗数监测精度不同,幼苗前期和后期精度较低且存在系统性偏差。而处于某些叶龄期内的玉米植株数量的识别精度高,监测结果与人工计数结果间无系统偏差,如图11至14所示。
本申请的说明书和权利要求书中的术语“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中,除非另有说明,“多个”的含义是两个或两个以上。此外,说明书以及权利要求中“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本申请的实施例,本领域的普通技术人员可以理解:在不脱离本申请的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本申请的范围由权利要求及其等同物限定。
Claims (10)
1.一种玉米播种质量的评价方法,其特征在于,所述评价方法包括:
驱动搭载有图像采集装置的无人机,沿目标航线巡航采集玉米播种区域的图像,获得原始图像数据;
对所述原始图像数据进行预处理,获得二值化图像数据;
根据所述二值化图像数据,对所述玉米播种区域的玉米播种质量进行评价。
2.根据权利要求1所述的评价方法,其特征在于,所述驱动搭载有图像采集装置的无人机,沿目标航线巡航采集玉米播种区域的图像,获得原始图像数据,包括:
驱动搭载有图像采集装置的无人机,以垂直于水平方向的角度,沿与所述玉米播种区域的播种行平行的目标航线,巡航采集玉米播种区域的图像;
在所述巡航采集玉米播种区域的图像的过程中,根据以下公式,对所述无人机的巡航高度进行限制:
在所述巡航采集玉米播种区域的图像的过程中,根据以下公式,对所述无人机的飞行速度和所述图像采集装置的曝光速度进行限制:
其中,h为所述巡航高度,f为所述图像采集装置的镜头焦距,GSD为地面分辨率,且限制所述地面分辨率小于或等于0.005,α为所述图像采集装置的像元尺寸;δ为所述无人机在巡航过程中的相位点位移,且限制所述相位点位移小于或等于0.2,V为所述飞行速度,t为所述曝光速度。
3.根据权利要求1所述的评价方法,其特征在于,所述目标航线通过以下方式规划:
获取所述玉米播种区域的边界和播种行方向;
在所述边界内,沿所述播种行方向,规划所述无人机的航线,以使得所述无人机在所述玉米播种区域内随机抽样5至20个监测区域,并通过在每个所述监测区域内巡航1次,逐一巡航每个所述监测区域;
其中,规划所述无人机的航线,以保证巡航长度大于或等于30米,所述原始图像数据中的行向重叠率小于或等于50%,所述原始图像数据中的行间重叠率为0%。
4.根据权利要求3所述的评价方法,其特征在于,所述获取所述玉米播种区域的边界和播种行方向,包括:
接收操作人员的第一输入;
响应于所述第一输入,获取所述玉米播种区域的边界和播种行方向;
或,
读取所述玉米播种区域中播种农机的航迹文件;
根据所述航迹文件,获取所述玉米播种区域的边界和播种行方向。
6.根据权利要求5所述的评价方法,其特征在于,在获得第一二值化图像数据之后,所述对所述原始图像数据进行预处理,获得二值化图像数据,还包括:
应用形态学开运算,平滑所述二值化图像数据中玉米苗的轮廓,并切掉狭窄的不连续点,且消除细小突起;
应用闭运算,填充所述二值化图像数据内部的狭窄间隙;
结合相同次数的开运算和闭运算,对所述玉米苗进行噪声清除,获得第二二值化图像数据。
7.根据权利要求1至4中任一项所述的评价方法,其特征在于,所述根据所述二值化图像数据,对所述玉米播种区域的玉米播种质量进行评价,包括:
通过Hough变换,获取所述二值化图像数据中的播种行方向;
应用最近邻插值法,旋转所述二值化图像数据,以使得所述播种行方向平行于二维平面直角坐标系的y轴;
计算所述二值化图像数据中每个玉米苗的像素总和,并生成针对全部玉米苗的像素统计图,其中,所述像素统计图中的一个局部峰值对应一个玉米苗,通过识别所述像素统计图中的每个局部峰值,识别所述二值化图像数据中的每个播种行和/或每个玉米苗;
根据所述二值化图像数据中的每个播种行和/或每个玉米苗,对所述玉米播种区域的玉米播种质量进行评价。
8.根据权利要求7所述的评价方法,其特征在于,在所述通过识别所述像素统计图中的每个局部峰值,识别所述二值化图像数据中的每个播种行和/或每个玉米苗的过程中,忽略所述像素统计图中峰值低于目标阈值的峰,并在所述像素统计图中具有多个峰且所述峰的个数大于种植行数的情况下,通过如下两个公式限制,判断行峰:
其中,Minpd为两个相邻峰之间的距离,且Minpd大于标称作物行间距的像素数的50%以上,Rows为种植时的理论行距,Resolution为计算的影像分辨率结果;
Minph=MaxSumg*Rowps;
其中,Minph为峰值,MaxSumg为所述二值化图像数据中像素值为1的像素总和的最大值,Rowps为相应行最大峰值高度分数。
9.根据权利要求1至4中任一项所述的评价方法,其特征在于,所述对所述玉米播种区域的玉米播种质量进行评价,包括:
通过如下公式,计算所述玉米播种区域的行距或株距的整齐度:
通过如下公式,计算所述玉米播种区域的播种密度:
其中,A为所述玉米播种区域的面积,Do为所述播种密度,峰间距的中位数被视为实际作物株间距(Dplant);峰所在的像素列被用作作物行的中心线;峰值间每两行中心线位置之间的差异的中位数被视为实际作物行间距(Drow);
通过如下公式,计算所述玉米播种区域的出苗率:
其中,Da为所述玉米播种区域的统计单位面积苗数,Do为所述播种密度,ER为所述出苗率;
通过如下公式,计算所述玉米播种区域的实际发芽率:
其中,Ns为所述玉米播种区域的地块发芽粒数,Np为所述玉米播种区域的实际播种粒数,GRα为所述实际发芽率;
通过如下公式,计算所述玉米播种区域的发芽率偏差:
其中,GR为测定获得的所述玉米播种区域的田块用种的发芽率,在Dgr≤5%的情况下,判定所述玉米播种区域的土壤墒情或地温适宜;反之判定所述玉米播种区域的土壤墒情或地温条件不适宜;
通过如下公式,计算所述玉米播种区域的理论出苗率:
其中,Ne为所述玉米播种区域的调查出土苗数,Ns为所述玉米播种区域的实际发芽粒数,ERt为所述理论出苗率;
通过如下公式,计算所述玉米播种区域的实际出苗率:
其中,Ne为所述调查出土苗数,Np为所述地块实际播种粒数,ERa为所述实际出苗率;
通过如下公式,计算所述玉米播种区域的出苗率偏差:
其中,ERt为所述理论出苗率,ERa为所述实际出苗率,Der为所述出苗率偏差,在Der≤5%的情况下,判定所述玉米播种区域的土壤耕整质量合格;反之判定所述玉米播种区域的土壤耕整不合格;
通过如下公式,计算所述玉米播种区域的播种质量指数:
其中,ERa为所述实际出苗率,ER为所述出苗率,GR为所述田块用种的发芽率,Fsq为所述播种质量指数,在Fsq≥0的情况下,判定所述玉米播种区域的播种质量指数不合格,反之判定所述玉米播种区域的播种质量指数合格。
10.一种玉米播种质量的评价装置,其特征在于,所述评价装置包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至9中任一项所述的评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379981.XA CN114694047A (zh) | 2022-04-12 | 2022-04-12 | 一种玉米播种质量的评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210379981.XA CN114694047A (zh) | 2022-04-12 | 2022-04-12 | 一种玉米播种质量的评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114694047A true CN114694047A (zh) | 2022-07-01 |
Family
ID=82143886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210379981.XA Pending CN114694047A (zh) | 2022-04-12 | 2022-04-12 | 一种玉米播种质量的评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114694047A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393349A (zh) * | 2022-10-26 | 2022-11-25 | 长春工程学院 | 一种用于对长白玉进行质量评价的方法和系统 |
CN116399401A (zh) * | 2023-04-14 | 2023-07-07 | 浙江年年发农业开发有限公司 | 一种基于人工智能的农业种植系统及方法 |
CN116721366A (zh) * | 2023-06-07 | 2023-09-08 | 北京爱科农科技有限公司 | 基于深度学习的玉米出苗率的评估方法、系统及设备 |
CN117574280A (zh) * | 2024-01-15 | 2024-02-20 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909881A (zh) * | 2017-01-16 | 2017-06-30 | 中国农业大学 | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 |
CN111881728A (zh) * | 2020-06-16 | 2020-11-03 | 四川师范大学 | 基于低空遥感的草地鼠害监测方法 |
CN112614147A (zh) * | 2020-12-24 | 2021-04-06 | 中国农业科学院作物科学研究所 | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 |
CN112781563A (zh) * | 2020-12-28 | 2021-05-11 | 广东电网有限责任公司 | 一种配网倾斜摄影高精度点云采集方法 |
KR20210063016A (ko) * | 2019-11-22 | 2021-06-01 | 주식회사 공간정보 | 작물 재배면적 추출방법 및 프로그램 |
-
2022
- 2022-04-12 CN CN202210379981.XA patent/CN114694047A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106909881A (zh) * | 2017-01-16 | 2017-06-30 | 中国农业大学 | 基于无人机遥感影像提取玉米育种基地垄数的方法及系统 |
KR20210063016A (ko) * | 2019-11-22 | 2021-06-01 | 주식회사 공간정보 | 작물 재배면적 추출방법 및 프로그램 |
CN111881728A (zh) * | 2020-06-16 | 2020-11-03 | 四川师范大学 | 基于低空遥感的草地鼠害监测方法 |
CN112614147A (zh) * | 2020-12-24 | 2021-04-06 | 中国农业科学院作物科学研究所 | 一种基于rgb影像的作物苗期植株密度估算的方法及系统 |
CN112781563A (zh) * | 2020-12-28 | 2021-05-11 | 广东电网有限责任公司 | 一种配网倾斜摄影高精度点云采集方法 |
Non-Patent Citations (1)
Title |
---|
张新龙: "基于无人机影像的玉米出苗质量评价方法研究", 中国优秀硕士学位论文全文数据库, 28 February 2023 (2023-02-28) * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115393349A (zh) * | 2022-10-26 | 2022-11-25 | 长春工程学院 | 一种用于对长白玉进行质量评价的方法和系统 |
CN115393349B (zh) * | 2022-10-26 | 2023-01-06 | 长春工程学院 | 一种用于对长白玉进行质量评价的方法和系统 |
CN116399401A (zh) * | 2023-04-14 | 2023-07-07 | 浙江年年发农业开发有限公司 | 一种基于人工智能的农业种植系统及方法 |
CN116399401B (zh) * | 2023-04-14 | 2024-02-09 | 浙江年年发农业开发有限公司 | 一种基于人工智能的农业种植系统及方法 |
CN116721366A (zh) * | 2023-06-07 | 2023-09-08 | 北京爱科农科技有限公司 | 基于深度学习的玉米出苗率的评估方法、系统及设备 |
CN117574280A (zh) * | 2024-01-15 | 2024-02-20 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
CN117574280B (zh) * | 2024-01-15 | 2024-04-16 | 长春理工大学 | 基于多元特征参数与mdbo-rf的播种质量检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114694047A (zh) | 一种玉米播种质量的评价方法及装置 | |
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 | |
Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
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 | |
EP3555562B1 (en) | Crop scanner | |
EP3467702A1 (en) | Method and system for performing data analysis for plant phenotyping | |
JP6589978B2 (ja) | 植物健全性診断装置、該方法および該プログラム | |
US10602665B2 (en) | Two armed robotic system for adjusting the height of an agricultural tool | |
Ma et al. | Automatic detection of crop root rows in paddy fields based on straight-line clustering algorithm and supervised learning method | |
CN113920106B (zh) | 一种基于rgb-d相机的玉米长势三维重构及茎粗测量方法 | |
RU2537912C2 (ru) | Способ автоматизированного управления состоянием посевов | |
WO2018074171A1 (ja) | 土壌診断方法、及び土壌状況改善方法 | |
CN108037123A (zh) | 一种杂交稻钵体盘播种性能参数精密检测方法 | |
CN108537164B (zh) | 基于无人机遥感的点穴播种出芽率监测方法与装置 | |
CN102663396B (zh) | 一种水稻乳熟期自动检测的方法 | |
CN112614147A (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 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN104236486A (zh) | 一种棉花叶面积指数快速无损测定方法 | |
CN114022771A (zh) | 一种基于深度学习的玉米苗期田间分布信息统计方法 | |
Ma et al. | A method of calculating phenotypic traits for soybean canopies based on three-dimensional point cloud | |
CN117575835A (zh) | 基于无人机航拍的茶园长势监控系统及方法 | |
Xiao et al. | 3D reconstruction and characterization of cotton bolls in situ based on UVA technology | |
CN117178769B (zh) | 一种基于自动化的园林植物养护方法及系统 | |
CN115619286B (zh) | 一种评估育种田间小区样地质量的方法和系统 | |
CN111886982B (zh) | 一种旱地栽植作业质量实时检测系统的检测方法 |
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 |