CN115183820A - 基于浮空器机载光谱的茶园智能监测系统及方法 - Google Patents
基于浮空器机载光谱的茶园智能监测系统及方法 Download PDFInfo
- Publication number
- CN115183820A CN115183820A CN202210976875.XA CN202210976875A CN115183820A CN 115183820 A CN115183820 A CN 115183820A CN 202210976875 A CN202210976875 A CN 202210976875A CN 115183820 A CN115183820 A CN 115183820A
- Authority
- CN
- China
- Prior art keywords
- aerostat
- crop
- determining
- growth
- tea tree
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000012010 growth Effects 0.000 claims abstract description 74
- 240000003553 Leptospermum scoparium Species 0.000 claims abstract description 48
- 235000009024 Ceanothus sanguineus Nutrition 0.000 claims abstract description 47
- 235000015459 Lycium barbarum Nutrition 0.000 claims abstract description 47
- 230000002159 abnormal effect Effects 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 241000607479 Yersinia pestis Species 0.000 claims description 37
- 241001122767 Theaceae Species 0.000 claims description 31
- 239000002689 soil Substances 0.000 claims description 20
- 201000010099 disease Diseases 0.000 claims description 13
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 13
- 238000010183 spectrum analysis Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000004611 spectroscopical analysis Methods 0.000 claims 2
- 238000011161 development Methods 0.000 abstract description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- 244000269722 Thea sinensis Species 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 238000007667 floating Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 239000003337 fertilizer Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000005527 soil sampling Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000000575 pesticide Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及茶园监测技术领域,具体公开了一种基于浮空器机载光谱的茶园智能监测系统及方法,所述方法包括建立茶树生长模型,确定浮空器的工作路径;将所述工作路径向浮空器发送,接收反馈的田间作物表型数据和光谱图谱;对田间作物表型数据和光谱图谱进行植被指数分析,确定异常点;根据异常点确定浮空器控制指令,将所述控制指令向浮空器发送,获取异常点处的细节图像;将所述细节图像输入训练好的图像识别模型,确定作物状态,读取防治方案。本发明可以实现对农林信息数据大范围、高精度和多维度的实时监控,单平台可搭载多种任务载荷,结合多种功能,提高农林信息化水平,为智慧农业、智慧林业的发展提供一种新的路径和更为坚实的基础。
Description
技术领域
本发明涉及茶园监测技术领域,具体是一种基于浮空器机载光谱的茶园智能监测系统及方法。
背景技术
目前光谱与图像识别技术还未大规模地在茶园管理中使用,主要是因为单一技术的在某一功能上的实现难度较大,无人机受限于载重与续航,难以承担多功能载荷的任务,且茶园多处于山地、丘陵地带,光照与生长坡度会影响光学成像质量。
图像识别技术是通过机器识别图像,是目前技术里最接近人工识别的技术,但是单纯使用图像识别技术也会受到环境的影响,在实际应用中也因田块面积、作物生长情况等原因做不到全方面覆盖识别。
目前智慧农业中的监测与数据获取可通过“天、空、地”三个层级,天基以卫星遥感为主,地基则是各类定点的传感器与监测站点,空基则以无人机为主。对于空基技术来说,市场上大多数无人机受限于续航时间、载重量等原因,只能进行较短时间的单一监测作业。
发明内容
本发明的目的在于提供一种基于浮空器机载光谱的茶园智能监测系统及方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于浮空器机载光谱的茶园智能监测系统,所述系统包括:
工作路径确定模块,用于获取气象信息,建立茶树生长模型,根据所述茶树生长模型和所述气象信息确定浮空器的工作路径;
数据获取模块,用于将所述工作路径向浮空器发送,接收浮空器反馈的田间作物表型数据和光谱图谱;
异常点确定模块,用于根据训练好的光谱分析模型对田间作物表型数据和光谱图谱进行植被指数分析,确定异常点;
细节图像获取模块,用于根据异常点确定浮空器控制指令,将所述控制指令向浮空器发送,获取异常点处的细节图像;
作物状态确定模块,用于将所述细节图像输入训练好的图像识别模型,确定作物状态;根据所述作物状态读取防治方案。
作为本发明进一步的方案:所述工作路径确定模块包括:
气象信息获取单元,用于建立与气象服务器的连接通道,获取气象信息;
茶树参数获取单元,用于获取茶树品种、栽种时期、生长期和历史病虫害发生记录;所述历史病虫害发生记录包括历史病虫害发生时期、持续时长和历史病虫害发生时期天气温湿度数据;
建模单元,用于根据气象信息、茶树品种、栽种时期、生长期和历史病虫害发生记录建立茶树生长模型。
作为本发明进一步的方案:所述作物状态确定模块包括:
实际状态确定单元,用于将所述细节图像输入训练好的图像识别模型,确定作物的实际生长状态;
理论状态确定单元,用于基于所述茶树生长模型确定作物的理论生长状态;
比对评级单元,用于比对所述实际生长状态和理论生长状态,根据比对结果生成作物评级;
方案查询单元,用于根据作物评级在预设的防治方案数据库中查询防治方案。
作为本发明进一步的方案:所述浮空器含有空基土壤采集设备,当接收土壤采集指令时,空基土壤采集设备执行土壤采集动作。
本发明技术方案还提供了一种基于浮空器机载光谱的茶园智能监测方法,所述方法包括:
获取气象信息,建立茶树生长模型,根据所述茶树生长模型和所述气象信息确定浮空器的工作路径;
将所述工作路径向浮空器发送,接收浮空器反馈的田间作物表型数据和光谱图谱;
根据训练好的光谱分析模型对田间作物表型数据和光谱图谱进行植被指数分析,确定异常点;
根据异常点确定浮空器控制指令,将所述控制指令向浮空器发送,获取异常点处的细节图像;
将所述细节图像输入训练好的图像识别模型,确定作物状态;根据所述作物状态读取防治方案。
作为本发明进一步的方案:所述获取气象信息,建立茶树生长模型的步骤包括:
建立与气象服务器的连接通道,获取气象信息;
获取茶树品种、栽种时期、生长期和历史病虫害发生记录;所述历史病虫害发生记录包括历史病虫害发生时期、持续时长和历史病虫害发生时期天气温湿度数据;
根据气象信息、茶树品种、栽种时期、生长期和历史病虫害发生记录建立茶树生长模型。
作为本发明进一步的方案:所述将所述细节图像输入训练好的图像识别模型,确定作物状态;根据所述作物状态读取防治方案的步骤包括:
将所述细节图像输入训练好的图像识别模型,确定作物的实际生长状态;
基于所述茶树生长模型确定作物的理论生长状态;
比对所述实际生长状态和理论生长状态,根据比对结果生成作物评级;
根据作物评级在预设的防治方案数据库中查询防治方案。
与现有技术相比,本发明的有益效果是:本发明可以实现对农林信息数据大范围、高精度和多维度的实时监控,单平台可搭载多种任务载荷,结合多种功能,提高农林信息化水平,为智慧农业、智慧林业的发展提供一种新的路径和更为坚实的基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1为基于浮空器机载光谱的茶园智能监测系统的组成结构框图。
图2为基于浮空器机载光谱的茶园智能监测系统中工作路径确定模块的组成结构框图。
图3为基于浮空器机载光谱的茶园智能监测系统中作物状态确定模块的组成结构框图。
图4为基于浮空器机载光谱的茶园智能监测方法的流程框图。
图5为基于浮空器机载光谱的茶园智能监测方法的第一子流程框图。
图6为基于浮空器机载光谱的茶园智能监测方法的第二子流程框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1为基于浮空器机载光谱的茶园智能监测系统的组成结构框图,本发明实施例中,一种基于浮空器机载光谱的茶园智能监测系统,所述系统10包括:
工作路径确定模块11,用于获取气象信息,建立茶树生长模型,根据所述茶树生长模型和所述气象信息确定浮空器的工作路径;
数据获取模块12,用于将所述工作路径向浮空器发送,接收浮空器反馈的田间作物表型数据和光谱图谱;
异常点确定模块13,用于根据训练好的光谱分析模型对田间作物表型数据和光谱图谱进行植被指数分析,确定异常点;
细节图像获取模块14,用于根据异常点确定浮空器控制指令,将所述控制指令向浮空器发送,获取异常点处的细节图像;
作物状态确定模块15,用于将所述细节图像输入训练好的图像识别模型,确定作物状态;根据所述作物状态读取防治方案。
本发明的硬件方面由农用浮空器本体、配备可见光高清摄像头与采样剪的农田信息自动化采集设备、光谱成像仪以及土壤采集设备组成,由于浮空器具有低慢稳、长航时、大载荷、对地物干扰小的飞行特性,其独特的飞行控制系统可以实现预定航线自主飞行与避障,以及精准位置稳定悬停,尤其适合进行复杂地形下以及大面积的植物表型和病虫害监测等作业。
具体的,在本发明技术方案的一个实例中,作业流程包括:
作业流程:
将茶树品种、栽种时期、生长期,往年病虫害发生情况、时期,发生时期的时间段、温湿度天气等要素导入专家系统软件中;
根据当年栽培信息与气象信息建立茶树生长模型;
根据模型与气象信息制定浮空器巡航监测工作计划;
浮空器进行田间巡航,通过光谱仪获取田间作物表型数据、光谱图谱;
农业专家系统对表型数据、多光谱数据结合茶树生长模型进行植被指数分析;
系统智能筛选田间生长异常点;
浮空器通过机械臂搭载高清相机进行生长异常点拍照或采样;
农业专家系统对高清图像进行图像识别与分析;
通过农业专家系统储备数据,系统筛选并确定作物详细生长情况或病虫害发生情况;
系统进行生长情况评估与病虫害发生评级;
系统进行发出预警并自动生成农事操作方案或防治方案,指导进行相应农事操作或病虫害防治。
本发明技术方案相对于现有技术,有很大的优势与益处,如下:
优势:
第一,以新型浮空作业平台承担空基作业的基础,实现预设航线自主飞行、避障和精准悬停作业,属全球首用。且新型浮空作业平台具有低慢稳、长航时、大载荷、对地物干扰小的特点,且地形适应能力强,有着更强的作业能力与更高的作业效率。比无人机有明显的载荷和续航的提升,能够进行高强度、长时间的复杂任务。对于茶园等处于山地丘陵地带的地块,浮空器有更好的适应性。
第二,针对单一手段,如仅使用高光谱、多光谱或可见光相机对植物生长情况和病虫害发生等进行监测、识别、鉴定,获取图像与分析结果的难度较大,本系统可结合光谱分析与可见光图像识别两种技术。基于新型浮空作业平台的长航时、大载荷特性,分别使用两种技术来进行初筛与复检,不仅降低了软件分析的难度,更能提高监测、识别、鉴定的精度。
第三,浮空器搭载的空基土壤采样设备,可以大幅减少土壤采样的人力物力成本,提高土壤采样分析的效率,有助于生产者及时准确地进行土壤改良与施肥等才做,提高肥料的利用率。
益处:
第一,相比于农业卫星遥感与无人机,新型浮空作业平台可以实现对农林信息数据大范围、高精度、多维度的实时监控,单平台可搭载多种任务载荷,多种功能结合,提高农林信息化水平,为智慧农业、智慧林业的发展提供一种新的路径和更为坚实的基础;
第二,更加精准与高效地进行茶园病虫害与土壤情况的监测,节约人工成本,科学指导,精准用药用肥,助力实现农药化肥减量增效,有利于我国生态文明建设;
第三,随着人口结构的变化,当前我国农业从业人员渐渐减少,本项目研究成果有利于解放农民生产力,优化农业从业人员资源配置,提高工作效率。
图2为基于浮空器机载光谱的茶园智能监测系统10中工作路径确定模块11的组成结构框图,所述工作路径确定模块11包括:
气象信息获取单元111,用于建立与气象服务器的连接通道,获取气象信息;
茶树参数获取单元112,用于获取茶树品种、栽种时期、生长期和历史病虫害发生记录;所述历史病虫害发生记录包括历史病虫害发生时期、持续时长和历史病虫害发生时期天气温湿度数据;
建模单元113,用于根据气象信息、茶树品种、栽种时期、生长期和历史病虫害发生记录建立茶树生长模型。
茶树生长模型是一个理论模型,由气象信息、茶树品种、栽种时期、生长期和历史病虫害发生记录共同确定。
图3为基于浮空器机载光谱的茶园智能监测系统10中作物状态确定模块15的组成结构框图,所述作物状态确定模块15包括:
实际状态确定单元151,用于将所述细节图像输入训练好的图像识别模型,确定作物的实际生长状态;
理论状态确定单元152,用于基于所述茶树生长模型确定作物的理论生长状态;
比对评级单元153,用于比对所述实际生长状态和理论生长状态,根据比对结果生成作物评级;
方案查询单元154,用于根据作物评级在预设的防治方案数据库中查询防治方案。
进一步的,所述浮空器含有空基土壤采集设备,当接收土壤采集指令时,空基土壤采集设备执行土壤采集动作。
浮空器进行田间巡航,使用空基土壤采集设备在茶园采集土壤样品;将土壤样品送交实验室分析,数据导入专家系统,分析土壤情况,为生产者制定土壤改良与施肥计划。
实施例2
图4为基于浮空器机载光谱的茶园智能监测方法的流程框图,本发明实施例中,一种基于浮空器机载光谱的茶园智能监测方法,所述方法包括:
步骤S100:获取气象信息,建立茶树生长模型,根据所述茶树生长模型和所述气象信息确定浮空器的工作路径;
步骤S200:将所述工作路径向浮空器发送,接收浮空器反馈的田间作物表型数据和光谱图谱;
步骤S300:根据训练好的光谱分析模型对田间作物表型数据和光谱图谱进行植被指数分析,确定异常点;
步骤S400:根据异常点确定浮空器控制指令,将所述控制指令向浮空器发送,获取异常点处的细节图像;
步骤S500:将所述细节图像输入训练好的图像识别模型,确定作物状态;根据所述作物状态读取防治方案。
图5为基于浮空器机载光谱的茶园智能监测方法的第一子流程框图,所述获取气象信息,建立茶树生长模型的步骤包括:
步骤S101:建立与气象服务器的连接通道,获取气象信息;
步骤S102:获取茶树品种、栽种时期、生长期和历史病虫害发生记录;所述历史病虫害发生记录包括历史病虫害发生时期、持续时长和历史病虫害发生时期天气温湿度数据;
步骤S103:根据气象信息、茶树品种、栽种时期、生长期和历史病虫害发生记录建立茶树生长模型。
图6为基于浮空器机载光谱的茶园智能监测方法的第二子流程框图,所述将所述细节图像输入训练好的图像识别模型,确定作物状态;根据所述作物状态读取防治方案的步骤包括:
步骤S501:将所述细节图像输入训练好的图像识别模型,确定作物的实际生长状态;
步骤S502:基于所述茶树生长模型确定作物的理论生长状态;
步骤S503:比对所述实际生长状态和理论生长状态,根据比对结果生成作物评级;
步骤S504:根据作物评级在预设的防治方案数据库中查询防治方案。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于浮空器机载光谱的茶园智能监测系统,其特征在于,所述系统包括:
工作路径确定模块,用于获取气象信息,建立茶树生长模型,根据所述茶树生长模型和所述气象信息确定浮空器的工作路径;
数据获取模块,用于将所述工作路径向浮空器发送,接收浮空器反馈的田间作物表型数据和光谱图谱;
异常点确定模块,用于根据训练好的光谱分析模型对田间作物表型数据和光谱图谱进行植被指数分析,确定异常点;
细节图像获取模块,用于根据异常点确定浮空器控制指令,将所述控制指令向浮空器发送,获取异常点处的细节图像;
作物状态确定模块,用于将所述细节图像输入训练好的图像识别模型,确定作物状态;根据所述作物状态读取防治方案。
2.根据权利要求1所述的基于浮空器机载光谱的茶园智能监测系统,其特征在于,所述工作路径确定模块包括:
气象信息获取单元,用于建立与气象服务器的连接通道,获取气象信息;
茶树参数获取单元,用于获取茶树品种、栽种时期、生长期和历史病虫害发生记录;所述历史病虫害发生记录包括历史病虫害发生时期、持续时长和历史病虫害发生时期天气温湿度数据;
建模单元,用于根据气象信息、茶树品种、栽种时期、生长期和历史病虫害发生记录建立茶树生长模型。
3.根据权利要求1所述的基于浮空器机载光谱的茶园智能监测系统,其特征在于,所述作物状态确定模块包括:
实际状态确定单元,用于将所述细节图像输入训练好的图像识别模型,确定作物的实际生长状态;
理论状态确定单元,用于基于所述茶树生长模型确定作物的理论生长状态;
比对评级单元,用于比对所述实际生长状态和理论生长状态,根据比对结果生成作物评级;
方案查询单元,用于根据作物评级在预设的防治方案数据库中查询防治方案。
4.根据权利要求1所述的基于浮空器机载光谱的茶园智能监测系统,其特征在于,所述浮空器含有空基土壤采集设备,当接收土壤采集指令时,空基土壤采集设备执行土壤采集动作。
5.一种基于浮空器机载光谱的茶园智能监测方法,其特征在于,所述方法包括:
获取气象信息,建立茶树生长模型,根据所述茶树生长模型和所述气象信息确定浮空器的工作路径;
将所述工作路径向浮空器发送,接收浮空器反馈的田间作物表型数据和光谱图谱;
根据训练好的光谱分析模型对田间作物表型数据和光谱图谱进行植被指数分析,确定异常点;
根据异常点确定浮空器控制指令,将所述控制指令向浮空器发送,获取异常点处的细节图像;
将所述细节图像输入训练好的图像识别模型,确定作物状态;根据所述作物状态读取防治方案。
6.根据权利要求5所述的基于浮空器机载光谱的茶园智能监测方法,其特征在于,所述获取气象信息,建立茶树生长模型的步骤包括:
建立与气象服务器的连接通道,获取气象信息;
获取茶树品种、栽种时期、生长期和历史病虫害发生记录;所述历史病虫害发生记录包括历史病虫害发生时期、持续时长和历史病虫害发生时期天气温湿度数据;
根据气象信息、茶树品种、栽种时期、生长期和历史病虫害发生记录建立茶树生长模型。
7.根据权利要求5所述的基于浮空器机载光谱的茶园智能监测方法,其特征在于,所述将所述细节图像输入训练好的图像识别模型,确定作物状态;根据所述作物状态读取防治方案的步骤包括:
将所述细节图像输入训练好的图像识别模型,确定作物的实际生长状态;
基于所述茶树生长模型确定作物的理论生长状态;
比对所述实际生长状态和理论生长状态,根据比对结果生成作物评级;
根据作物评级在预设的防治方案数据库中查询防治方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210976875.XA CN115183820A (zh) | 2022-08-15 | 2022-08-15 | 基于浮空器机载光谱的茶园智能监测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210976875.XA CN115183820A (zh) | 2022-08-15 | 2022-08-15 | 基于浮空器机载光谱的茶园智能监测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115183820A true CN115183820A (zh) | 2022-10-14 |
Family
ID=83523566
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210976875.XA Pending CN115183820A (zh) | 2022-08-15 | 2022-08-15 | 基于浮空器机载光谱的茶园智能监测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115183820A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
-
2022
- 2022-08-15 CN CN202210976875.XA patent/CN115183820A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115965875A (zh) * | 2023-03-16 | 2023-04-14 | 德阳稷农农业科技有限公司 | 一种农作物病虫害智能监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2021218100B2 (en) | Systems and methods for image capture and analysis of agricultural fields | |
Zhang et al. | Orchard management with small unmanned aerial vehicles: A survey of sensing and analysis approaches | |
US20200124581A1 (en) | Detecting infection of plant diseases by classifying plant photos | |
CN110110595B (zh) | 一种基于卫星遥感影像的农田画像及药肥大数据分析方法 | |
US20210209490A1 (en) | Using optical remote sensors and machine learning models to predict agronomic field property data | |
US11686880B2 (en) | Generating and conveying comprehensive weather insights at fields for optimal agricultural decision making | |
CN111399508A (zh) | 智慧农业系统和智慧农业方法 | |
CN109757175A (zh) | 一种基于无人机监测的玉米水肥一体化变量施肥方法 | |
CN114549224A (zh) | 一种基于大数据的农作物种植指导方法 | |
Olivera et al. | Using the harvester on-board computer capability to move towards precision forestry | |
CN115183820A (zh) | 基于浮空器机载光谱的茶园智能监测系统及方法 | |
Wang et al. | Research advance in phenotype detection robots for agriculture and forestry | |
CN115797764B (zh) | 一种应用于耕地非农化监测的遥感大数据解译方法及系统 | |
CN114862338A (zh) | 一种大数据农林智慧监测系统 | |
CN113342036A (zh) | 一种农作物的精准管控系统及其管控方法 | |
Huang et al. | Digital image analysis technologies for decision support systems in agricultural | |
CN212567490U (zh) | 一种基于无人机遥感平台的果园植被信息采集系统 | |
Fertu et al. | Monitoring the vegetation of agricultural crops using drones and remote sensing-comparative presentation. | |
CN113191742A (zh) | 绿植病虫害智能识别方法 | |
Li et al. | UAVs-Based Smart Agriculture IoT Systems: An Application-Oriented Design | |
CN115314851B (zh) | 一种基于大数据平台的农业信息化管理平台 | |
Bhatti et al. | Living lab research project" 5G Smart Country"-Use of 5G technology in precision agriculture exemplified by site-specific fertilization | |
RU2805670C2 (ru) | Обнаружение заражения растений болезнями путем классификации фотоснимков растений | |
Maitra et al. | Application of Remote Sensing & Geographic Information Systems for Agriculture-A Review | |
CN117764503A (zh) | 一种小麦病虫田间调查记录报送系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20221014 |