CN115660236B - 作物物候期预测方法、装置、电子设备和存储介质 - Google Patents
作物物候期预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115660236B CN115660236B CN202211703598.1A CN202211703598A CN115660236B CN 115660236 B CN115660236 B CN 115660236B CN 202211703598 A CN202211703598 A CN 202211703598A CN 115660236 B CN115660236 B CN 115660236B
- Authority
- CN
- China
- Prior art keywords
- crop
- image
- sample
- period
- predicted
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,提供一种作物物候期预测方法、装置、电子设备和存储介质。方法包括:获取待预测作物区域中待预测作物的待预测作物图像;将待预测作物图像输入至物候期预测模型,得到物候期预测模型输出的物候期预测结果。本发明是通过物候期预测模型对待预测作物图像进行物候期预测,从而可以对地块级的待预测作物区域进行物候期预测,且该物候期预测模型是基于样本作物图像和样本作物图像对应的样本物候期预测结果训练得到的,不同物候期的样本图像所包括的作物数量不同,从而既能满足个别物候期对图像精度的要求,又能满足对大面积作物进行物候期预测的需求,确保能够对大面积作物进行物候期预测的同时,提高物候期预测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种作物物候期预测方法、装置、电子设备和存储介质。
背景技术
物候期是指作物的生长、发育、活动等规律与生物的变化对节候的反应,正在产生这种反应的时候叫物候期。对作物所处的物候期进行预测,可以指导种植、浇水、施肥、防治病虫害、规避风险、合理调配生产资源,从而提高作物的产量和质量,因此,对作物进行物候期预测是十分重要的。
目前,通过遥感技术提取待预测作物区域的植被指数,对作物进行物候期预测,然而,其主要适用于大面积的作物物候期预测,对于地块级的物候期预测不够准确。
发明内容
本发明提供一种作物物候期预测方法、装置、电子设备和存储介质,用以解决现有技术中物候期预测准确性低的缺陷,实现高准确性的物候期预测。
本发明提供一种作物物候期预测方法,包括:
获取待预测作物区域中待预测作物的待预测作物图像;
将所述待预测作物图像输入至物候期预测模型,得到所述物候期预测模型输出的物候期预测结果;
其中,所述物候期预测模型是基于样本作物图像和所述样本作物图像对应的样本物候期预测结果训练得到的,所述样本作物图像包括所述待预测作物对应的每个物候期的样本图像,不同物候期的样本图像所包括的作物数量不同。
根据本发明提供的一种作物物候期预测方法,所述样本作物图像包括样本整体图像和样本局部图像;
所述样本整体图像所包括的作物数量大于所述样本局部图像所包括的作物数量。
根据本发明提供的一种作物物候期预测方法,所述待预测作物为玉米;
出苗期的样本图像为所述样本整体图像,乳熟期的样本图像为所述样本整体图像,成熟期的样本图像为所述样本整体图像;
三叶期的样本图像为所述样本局部图像,七叶期的样本图像为所述样本局部图像,拔节期的样本图像为所述样本局部图像,抽穗期的样本图像为所述样本局部图像,吐丝期的样本图像为所述样本局部图像,开花期的样本图像为所述样本局部图像。
根据本发明提供的一种作物物候期预测方法,所述待预测作物为玉米;
所述样本整体图像所包括的作物数量为15至20;
所述样本局部图像所包括的作物数量为3至5。
根据本发明提供的一种作物物候期预测方法,所述将所述待预测作物图像输入至物候期预测模型,得到所述物候期预测模型输出的物候期预测结果,包括:
将所述待预测作物图像输入至所述物候期预测模型的目标检测层,得到所述目标检测层输出的目标区域图像;
将所述目标区域图像输入至所述物候期预测模型的物候期预测层,得到所述物候期预测层输出的物候期预测结果;
其中,所述物候期预测模型是基于所述样本作物图像和所述样本作物图像对应的样本物候期预测结果和样本目标区域训练得到的。
根据本发明提供的一种作物物候期预测方法,所述获取待预测作物区域中待预测作物的待预测作物图像,包括:
获取待预测作物区域中的采集图像;
确定所述采集图像为整体图像,对所述整体图像中的所述待预测作物和背景进行分割,获得所述待预测作物的待预测作物图像;
确定所述采集图像为局部图像,将所述局部图像确定为所述待预测作物的待预测作物图像;
其中,所述整体图像所包括的作物数量大于所述局部图像所包括的作物数量。
根据本发明提供的一种作物物候期预测方法,所述物候期预测结果包括物候期结果和所述物候期结果对应的物候期天数;
所述物候期结果用于表征所述待预测作物所处的目标物候期,所述物候期天数用于表征所述待预测作物处于所述目标物候期的天数。
根据本发明提供的一种作物物候期预测方法,所述将所述待预测作物图像输入至物候期预测模型,得到所述物候期预测模型输出的物候期预测结果,之后还包括:
确定所述待预测作物对应的物候期-农事操作映射关系;
基于所述物候期-农事操作映射关系,确定所述物候期预测结果对应的农事操作预测结果。
本发明还提供一种作物物候期预测装置,包括:
获取模块,用于获取待预测作物区域中待预测作物的待预测作物图像;
预测模块,用于将所述待预测作物图像输入至物候期预测模型,得到所述物候期预测模型输出的物候期预测结果;
其中,所述物候期预测模型是基于样本作物图像和所述样本作物图像对应的样本物候期预测结果训练得到的,所述样本作物图像包括所述待预测作物对应的每个物候期的样本图像,不同物候期的样本图像所包括的作物数量不同。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述作物物候期预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述作物物候期预测方法。
本发明提供的作物物候期预测方法、装置、电子设备和存储介质,获取待预测作物区域中待预测作物的待预测作物图像,将待预测作物图像输入至物候期预测模型,得到物候期预测模型输出的物候期预测结果,实现对作物的物候期预测;且无需基于植被指数预测物候期,从而无需采用遥感技术,进而可以对地块级的待预测作物区域进行物候期预测,最终提高物候期预测的准确性;最为重要的,对物候期预测模型进行训练的样本作物图像包括待预测作物对应的每个物候期的样本图像,以供训练后的物候期预测模型可以对每个物候期的待预测图像进行物候期预测,且考虑到不同物候期的关键物候期特征提取的精度不同,即不同物候期对图像的精度要求不同,从而根据实际的精度要求,使不同物候期的样本图像所包括的作物数量不同,进而既能满足个别物候期对图像精度的要求,又能满足对大面积作物进行物候期预测的需求,从而确保能够对大面积作物进行物候期预测的同时,可以提高物候期预测的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的作物物候期预测方法的流程示意图之一;
图2为本发明提供的作物物候期预测方法的流程示意图之二;
图3为本发明提供的作物物候期预测装置的结构示意图;
图4为本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
物候期是指作物的生长、发育、活动等规律与生物的变化对节候的反应,正在产生这种反应的时候叫物候期。对作物所处的物候期进行预测,可以指导种植、浇水、施肥、防治病虫害、规避风险、合理调配生产资源,从而提高作物的产量和质量,因此,对作物进行物候期预测是十分重要的。
传统的物候期预测方法以人为主观判断为主,基于人力的大量连续的观察判断物候期,费时费力,且人为判断严重依赖于人员经验,不同人对物候期的判断存在差异,导致物候期预测的准确性较低。
目前,通过遥感技术提取待预测作物区域的植被指数,对作物进行物候期预测,然而,作物的不同物候期往往彼此邻近,不同物候期阶段的植被指数差异不如自然植被明显,即作物生长具有连续性、渐变性,两个连续物候期之间是渐变的,其主要适用于大面积的作物物候期预测,对于地块级的物候期预测不够准确。
基于上述,即使考虑到基于摄像头拍摄作物图像进行物候期预测,然而,要么对大区域作物的图像进行预测得到物候期预测结果,要么对作物关键部位的图像进行预测得到物候期预测结果,而对大区域作物的图像进行预测准确率不高,对作物关键部位的图像进行预测需要近距离拍摄,而近距离拍摄就无法覆盖更大的作物面积,无法对大面积作物进行物候期预测。
针对上述问题,本发明提出以下各实施例。图1为本发明提供的作物物候期预测方法的流程示意图之一,如图1所示,该作物物候期预测方法包括:
步骤110,获取待预测作物区域中待预测作物的待预测作物图像。
此处,待预测作物区域为种植有待预测作物的区域,该待预测作物为需要进行物候期预测的作物。该待预测作物可以包括但不限于:玉米、水稻、小麦等等。
此处,待预测作物图像为需要进行物候期预测的图像,该待预测作物图像为涵盖作物整体的图像,以供对作物整体进行物候期预测,不局限于作物关键部位,从而对图像质量要求不高,进而提高物候期预测的准确性。
该待预测作物图像是由拍摄装置采集得到的,该拍摄装置设于待预测作物区域,例如田间摄像头用于采集田间的图像。该拍摄装置可以实时采集待预测作物图像,从而实时进行物候期预测。
在一实施例中,对待预测作物图像进行数据预处理,以得到优化后的待预测作物图像。该数据预处理用于优化图像质量,进而提高物候期预测的准确性。该数据预处理可以包括但不限于:图像拉伸处理、异常去除处理。考虑到受天气影响,不同时间段获得的待预测作物图像质量也不同,可以对待预测作物图像进行图像拉伸处理。考虑到极端天气的待预测作物图像质量较差,可以通过异常处理将其去除。
在一实施例中,待预测作物图像为预设时间点对应的图像。该预设时间点可以根据实际需要进行设定,例如,每天上午9点,从而避免光照对待预测作物图像的影响,进而提高物候期预测的准确性。进一步地,预设时间点为每天上午9点、每天下午1点和每天下午5点。
在一实施例中,确定待预测作物区域对应的物候期预测模型,即不同区域的物候期预测模型不同。确定待预测作物对应的物候期预测模型,即不同作物的物候期预测模型不同。
步骤120,将所述待预测作物图像输入至物候期预测模型,得到所述物候期预测模型输出的物候期预测结果。
此处,物候期预测模型用于对待预测作物图像进行物候期预测,即用于对待预测作物进行物候期预测,进而对待预测作物区域进行物候期预测。该物候期预测模型的结构可以根据实际需要进行设定,例如YOLO模型,本发明实施例对此不做具体限定。
此处,物候期预测结果包括物候期结果,该物候期结果用于表征待预测作物所处的目标物候期。
其中,所述物候期预测模型是基于样本作物图像和所述样本作物图像对应的样本物候期预测结果训练得到的,所述样本作物图像包括所述待预测作物对应的每个物候期的样本图像,不同物候期的样本图像所包括的作物数量不同。
此处,样本作物图像为涵盖作物整体的图像,进而使训练后的物候期预测模型,对作物整体进行物候期预测,不局限于作物关键部位,从而对图像质量要求不高,进而提高物候期预测的准确性。
该样本作物图像是由拍摄装置采集得到的,例如田间摄像头用于采集田间的图像。
在一些实施例中,确定样本图像为样本整体图像,对样本整体图像中的作物和背景进行分割,获得作物的样本图像;确定样本图像为样本局部图像,将样本局部图像确定为样本图像;其中,样本整体图像所包括的作物数量大于样本局部图像所包括的作物数量。
具体地,考虑到样本整体图像中背景的影响较大,因此,对样本整体图像中的作物和背景进行分割,即对样本整体图像进行去背景处理,得到作物的样本图像,从而提高模型训练效果,进而进一步提高物候期预测的准确性。在一实施例中,采用EXG 因子(超绿特征因子)和OTSU(最大类间方差法)算法相结合的方法对样本整体图像进行分割。
在一实施例中,对样本作物图像进行增强处理,以增加样本作物图像的数量,进而提高模型训练效果,最终进一步提高物候期预测的准确性。具体地,根据样本作物图像的实际情况(拍摄装置取景的远近和角度),采用裁剪、翻转、旋转、缩放、平移、噪声扰动、截取中的至少一种增强处理方法,对样本作物图像进行增强处理。
在一实施例中,对样本作物图像进行数据预处理,以得到优化后的样本作物图像,进而基于优化后的样本作物图像进行模型训练。该数据预处理用于优化图像质量,从而提高模型训练效果,进而提高物候期预测的准确性。该数据预处理可以包括但不限于:图像拉伸处理、异常去除处理。考虑到受天气影响,不同时间段获得的样本作物图像质量也不同,可以对样本作物图像进行图像拉伸处理。考虑到极端天气的样本作物图像质量较差,可以通过异常处理将其去除。
在一实施例中,样本作物图像为预设时间点对应的图像。该预设时间点可以根据实际需要进行设定,例如,每天上午9点,从而避免光照对样本作物图像的影响,从而提高模型训练效果,进而提高物候期预测的准确性。进一步地,预设时间点为每天上午9点、每天下午1点和每天下午5点。
此处,样本物候期预测结果包括样本物候期结果,该样本物候期结果用于表征作物所处的物候期。即对样本作物图像进行物候期类别的图像标注。
在一实施例中,通过Labelme(图像标注工具)软件,对样本作物图像进行物候期类别的图像标注,以VOC的形式制成数据,并将标注后的图像保存为xml格式的文件,以便进行模型训练。
在一实施例中,针对不同区域有不同的样本作物图像,基于此,该样本作物图像可以标注有位置信息,进而使不同区域的物候期预测模型不同。不同作物的样本作物图像也不同,进而使不同作物的物候期预测模型不同。
需要说明的是,样本作物图像包括待预测作物对应的每个物候期的样本图像,以供训练后的物候期预测模型可以对每个物候期的待预测图像进行物候期预测。进一步地,考虑到不同物候期的关键物候期特征提取的精度不同,即不同物候期对图像的精度要求不同,从而根据实际的精度要求,使不同物候期的样本图像所包括的作物数量不同,进而既能满足个别物候期对图像精度的要求,又能满足对大面积作物进行物候期预测的需求。因此,本发明实施例可以提高物候期预测的准确性,并确保能够对大面积作物进行物候期预测。
例如,待预测作物为玉米,其出苗期、乳熟期、成熟期对图像精度的要求不高,则可以使出苗期的样本图像、乳熟期的样本图像、成熟期的样本图像所包括的作物数量较多;其三叶期、七叶期、拔节期、抽穗期、吐丝期、开花期对图像精度的要求较高,即对作物关键部位的特征更为关注,则可以使三叶期的样本图像、七叶期的样本图像、拔节期的样本图像、抽穗期的样本图像、吐丝期的样本图像、开花期的样本图像所包括的作物数量较少,从而提高图像精度。
可以理解的是,在不同物候期的样本图像所包括的作物数量不同的情况下,采集样本作物图像的拍摄装置可以为变焦摄像头,从而采集得到所包括的作物数量不同的样本图像;也可以部署多个拍摄装置,以使多个拍摄装置分别采集所包括的作物数量不同的样本图像。
基于上述,同样也需要使输入至物候期预测模型的待预测作物图像,在不同物候期所包括的作物数量不同。基于此,采集待预测作物图像的拍摄装置可以为变焦摄像头,从而采集得到所包括的作物数量不同的作物图像;也可以部署多个拍摄装置,以使多个拍摄装置分别采集所包括的作物数量不同的作物图像。
具体地,先确定之前预测得到的物候期结果,基于该物候期结果控制变焦摄像头进行变焦,以得到该物候期结果对应的待预测作物图像。例如,确定之前预测得到的物候期结果为出苗期,则控制变焦摄像头进行变焦,以得到该出苗期的下一物候期三叶期对应的待预测作物图像。或者,先确定之前预测得到的物候期结果,基于该物候期结果确定对应的目标拍摄装置,以得到该目标拍摄装置采集的待预测作物图像。例如,确定之前预测得到的物候期结果为出苗期,则确定对应的目标拍摄装置,以得到该出苗期的下一物候期三叶期对应的待预测作物图像。
需要说明的是,不同作物的物候期不同,例如,玉米的物候期包括出苗期、三叶期、七叶期、拔节期、抽穗期、开花期、吐丝期、乳熟期、成熟期,而小麦的物候期包括播种期、出苗期、三叶期、分蘖期、越冬期、返青期、起身期、拔节期、孕穗期、抽穗期、开花期、乳熟期、成熟期,而水稻的物候期包括播种期、出苗期、三叶期、移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、成熟期。基于此,不同作物的样本图像所包括的作物数量不同。
在一实施例中,待预测作物图像仅仅只是待预测作物区域中部分区域的图像,因此需要获取待预测作物区域中所有区域的待预测作物图像,进而得到多个物候期预测结果,最终基于多个物候期预测结果确定待预测作物区域的整体物候期预测结果。例如,多个物候期预测结果中为同一物候期预测结果的数量大于预设数量,则将该同一物候期预测结果确定为整体物候期预测结果。该预设数量可以根据实际需要进行设定,例如待预测作物区域中一半区域以上的物候期预测结果为同一物候期预测结果即可。
本发明实施例提供的作物物候期预测方法,获取待预测作物区域中待预测作物的待预测作物图像,将待预测作物图像输入至物候期预测模型,得到物候期预测模型输出的物候期预测结果,实现对作物的物候期预测;且无需基于植被指数预测物候期,从而无需采用遥感技术,进而可以对地块级的待预测作物区域进行物候期预测,最终提高物候期预测的准确性;最为重要的,对物候期预测模型进行训练的样本作物图像包括待预测作物对应的每个物候期的样本图像,以供训练后的物候期预测模型可以对每个物候期的待预测图像进行物候期预测,且考虑到不同物候期的关键物候期特征提取的精度不同,即不同物候期对图像的精度要求不同,从而根据实际的精度要求,使不同物候期的样本图像所包括的作物数量不同,进而既能满足个别物候期对图像精度的要求,又能满足对大面积作物进行物候期预测的需求,从而确保能够对大面积作物进行物候期预测的同时,可以提高物候期预测的准确性。
基于上述实施例,所述样本作物图像包括样本整体图像和样本局部图像;所述样本整体图像所包括的作物数量大于所述样本局部图像所包括的作物数量。
此处,样本整体图像对应的采集区域相比样本局部图像对应的采集区域较大。
需要说明的是,考虑到不同物候期的关键物候期特征提取的精度不同,即不同物候期对图像的精度要求不同,从而根据实际的精度要求,将样本作物图像划分为样本整体图像和样本局部图像,从而使对图像精度要求高的物候期对应的样本图像为样本局部图像,对图像精度要求不高的物候期对应的样本图像为样本整体图像,进而既能满足个别物候期对图像精度的要求,又能满足对大面积作物进行物候期预测的需求。
示例性的,所述待预测作物为玉米;出苗期的样本图像为所述样本整体图像,乳熟期的样本图像为所述样本整体图像,成熟期的样本图像为所述样本整体图像;三叶期的样本图像为所述样本局部图像,七叶期的样本图像为所述样本局部图像,拔节期的样本图像为所述样本局部图像,抽穗期的样本图像为所述样本局部图像,吐丝期的样本图像为所述样本局部图像,开花期的样本图像为所述样本局部图像。
需要说明的是,考虑到玉米的出苗期、乳熟期、成熟期对图像精度的要求不高,则可以使出苗期的样本图像、乳熟期的样本图像、成熟期的样本图像为样本整体图像;考虑到玉米的三叶期、七叶期、拔节期、抽穗期、吐丝期、开花期对图像精度的要求较高,即对作物关键部位的特征更为关注,则可以使三叶期的样本图像、七叶期的样本图像、拔节期的样本图像、抽穗期的样本图像、吐丝期的样本图像、开花期的样本图像为样本局部图像,从而使对图像精度要求高的物候期对应的样本图像为样本局部图像,对图像精度要求不高的物候期对应的样本图像为样本整体图像,进而既能满足个别物候期对图像精度的要求,又能满足对大面积作物进行物候期预测的需求。
可以理解的是,采集样本作物图像的拍摄装置可以为变焦摄像头,从而根据不同物候期对图像精度的要求,可以采集得到样本整体图像或样本局部图像;也可以部署多个拍摄装置,以使多个拍摄装置分别采集得到样本整体图像或样本局部图像。
基于上述,同样也需要使输入至物候期预测模型的待预测作物图像包括整体图像或局部图像。基于此,采集待预测作物图像的拍摄装置可以为变焦摄像头,从而采集得到整体图像或局部图像;也可以部署多个拍摄装置,以使多个拍摄装置分别采集整体图像或局部图像。
具体地,先确定之前预测得到的物候期结果,基于该物候期结果控制变焦摄像头进行变焦,以得到该物候期结果对应的整体图像或局部图像。例如,确定之前预测得到的物候期结果为出苗期,则控制变焦摄像头进行变焦,以得到该出苗期的下一物候期三叶期对应的局部图像。或者,先确定之前预测得到的物候期结果,基于该物候期结果确定对应的目标拍摄装置,以得到该目标拍摄装置采集的整体图像或局部图像。例如,确定之前预测得到的物候期结果为出苗期,则确定对应的目标拍摄装置,以得到该出苗期的下一物候期三叶期对应的局部图像。
在一些实施例中,对样本整体图像中的作物和背景进行分割,获得作物的样本图像。具体地,考虑到样本整体图像中背景的影响较大,因此,对样本整体图像中的作物和背景进行分割,即对样本整体图像进行去背景处理,得到作物的样本图像。在一实施例中,采用EXG 因子(超绿特征因子)和OTSU(最大类间方差法)算法相结合的方法对样本整体图像进行分割。
本发明实施例提供的作物物候期预测方法,考虑到不同物候期的关键物候期特征提取的精度不同,即不同物候期对图像的精度要求不同,从而根据实际的精度要求,将样本作物图像划分为样本整体图像和样本局部图像,从而使对图像精度要求高的物候期对应的样本图像为样本局部图像,对图像精度要求不高的物候期对应的样本图像为样本整体图像,进而既能满足个别物候期对图像精度的要求,又能满足对大面积作物进行物候期预测的需求,从而确保能够对大面积作物进行物候期预测的同时,可以提高物候期预测的准确性。
基于上述任一实施例,所述待预测作物为玉米;所述样本整体图像所包括的作物数量为15至20;所述样本局部图像所包括的作物数量为3至5。
需要说明的是,不同作物的样本整体图像所包括的作物数量不同,不同作物的样本局部图像所包括的作物数量不同。
此处,样本整体图像所观测到的玉米株数较多,样本局部图像所观测到的玉米株数较少。
相应的,待预测作物图像包括整体图像或局部图像。整体图像所包括的作物数量为15至20,局部图像所包括的作物数量为3至5。
本发明实施例提供的作物物候期预测方法,为样本整体图像和样本局部图像的采集方式提供支持,且为待预测作物图像的整体图像或局部图像的采集方式提供支持。
基于上述任一实施例,图2为本发明提供的作物物候期预测方法的流程示意图之二,如图2所示,上述步骤120包括:
步骤121,将所述待预测作物图像输入至所述物候期预测模型的目标检测层,得到所述目标检测层输出的目标区域图像。
考虑到不同物候期对作物所关注的部位不同,且个别物候期可能需要关注作物整体,基于此,对待预测作物图像进行目标检测,以检测得到所关注的目标区域图像,进而使输入至物候期预测层的图像更关注所需关注的区域,最终进一步提高物候期预测的准确性。
此处,目标检测层用于对待预测作物图像进行目标检测,以得到目标物候期所关注的目标区域图像。
该目标检测层是基于样本作物图像和样本作物图像对应的样本目标区域训练得到的。即对样本作物图像进行目标区域的图像标注,即标注出样本物候期预测结果对应的物候期所关注的区域。
在一实施例中,通过Labelme(图像标注工具)软件,对样本作物图像进行目标区域的图像标注,以VOC的形式制成数据,并将标注后的图像保存为xml格式的文件,以便进行模型训练。
步骤122,将所述目标区域图像输入至所述物候期预测模型的物候期预测层,得到所述物候期预测层输出的物候期预测结果。
其中,所述物候期预测模型是基于所述样本作物图像和所述样本作物图像对应的样本物候期预测结果和样本目标区域训练得到的。
此处,物候期预测层用于对目标区域图像进行物候期预测,即用于对待预测作物进行物候期预测,进而对待预测作物区域进行物候期预测。该物候期预测层的结构可以根据实际需要进行设定,例如YOLO模型,本发明实施例对此不做具体限定。
该物候期预测层是基于样本作物图像和样本作物图像对应的样本物候期预测结果训练得到的。
本发明实施例提供的作物物候期预测方法,通过上述方式,对待预测作物图像进行目标检测,以得到目标物候期所关注的目标区域图像,进而基于目标区域图像进行物候期预测,可以更加关注关键物候期特征,从而进一步提高物候期预测的准确性。
基于上述任一实施例,该方法中,上述步骤110包括:
获取待预测作物区域中的采集图像;
确定所述采集图像为整体图像,对所述整体图像中的所述待预测作物和背景进行分割,获得所述待预测作物的待预测作物图像;
确定所述采集图像为局部图像,将所述局部图像确定为所述待预测作物的待预测作物图像;
其中,所述整体图像所包括的作物数量大于所述局部图像所包括的作物数量。
此处,采集图像为涵盖作物整体的图像,以供对作物整体进行物候期预测,不局限于作物关键部位,从而对图像质量要求不高,进而提高物候期预测的准确性。
该采集图像是由拍摄装置采集得到的,该拍摄装置设于待预测作物区域,例如田间摄像头用于采集田间的图像。该拍摄装置可以实时采集采集图像,从而实时进行物候期预测。
在一实施例中,对采集图像进行数据预处理,以得到优化后的采集图像。该数据预处理用于优化图像质量,进而提高物候期预测的准确性。该数据预处理可以包括但不限于:图像拉伸处理、异常去除处理。考虑到受天气影响,不同时间段获得的采集图像质量也不同,可以对采集图像进行图像拉伸处理。考虑到极端天气的采集图像质量较差,可以通过异常处理将其去除。
在一实施例中,采集图像为预设时间点对应的图像。该预设时间点可以根据实际需要进行设定,例如,每天上午9点,从而避免光照对采集图像的影响,进而提高物候期预测的准确性。进一步地,预设时间点为每天上午9点、每天下午1点和每天下午5点。
此处,整体图像对应的采集区域相比局部图像对应的采集区域较大。基于此,采集采集图像的拍摄装置可以为变焦摄像头,从而采集得到整体图像或局部图像;也可以部署多个拍摄装置,以使多个拍摄装置分别采集整体图像或局部图像。
具体地,先确定之前预测得到的物候期结果,基于该物候期结果控制变焦摄像头进行变焦,以采集得到该物候期结果对应的整体图像或局部图像。例如,确定之前预测得到的物候期结果为出苗期,则控制变焦摄像头进行变焦,以采集得到该出苗期的下一物候期三叶期对应的局部图像。或者,先确定之前预测得到的物候期结果,基于该物候期结果确定对应的目标拍摄装置,以采集得到该目标拍摄装置采集的整体图像或局部图像。例如,确定之前预测得到的物候期结果为出苗期,则确定对应的目标拍摄装置,以采集得到该出苗期的下一物候期三叶期对应的局部图像。
考虑到整体图像中背景的影响较大,因此,对整体图像中的作物和背景进行分割,即对整体图像进行去背景处理,得到待预测作物的待预测作物图像,从而减少图像的背景信息对物候期预测的影响,进一步提高物候期预测的准确性。
在一实施例中,采用EXG因子(超绿特征因子)和OTSU(最大类间方差法)算法相结合的方法对整体图像进行分割。
本发明实施例提供的作物物候期预测方法,通过上述方式,对采集得到的整体图像中的作物和背景进行分割,即对整体图像进行去背景处理,得到待预测作物的待预测作物图像,从而减少图像的背景信息对物候期预测的影响,进一步提高物候期预测的准确性。
基于上述任一实施例,所述物候期预测结果包括物候期结果和所述物候期结果对应的物候期天数;所述物候期结果用于表征所述待预测作物所处的目标物候期,所述物候期天数用于表征所述待预测作物处于所述目标物候期的天数。
此处,物候期天数用于表征进入目标物候期的时长,并可以表征进入目标物候期的起始时间。例如,目标物候期为出苗期,则物候期天数可以为出苗期的3天,即确定待预测作物当前处于出苗期的第三天。
在一实施例中,为了使物候期识别结果不仅包括物候期结果,还包括物候期结果对应的物候期天数,可以让样本作物图像包括待预测作物对应的生育期内每一天的图像。即需要从待预测作物的播种期到收获期每天均获取样本作物图像,即获取生育期内每一天的样本作物图像。示例性的,一天获取一张样本作物图像,例如,玉米的生育期历时为100天,则样本作物图像包括100天中每一天的图像。
本发明实施例提供的作物物候期预测方法,其物候期预测结果不仅包括物候期结果,还包括物候期结果对应的物候期天数,物候期天数用于表征待预测作物处于目标物候期的天数,从而更细致地确定待预测作物所处物候期的第几天,即得到以天为单位的物候期,进而进一步提高物候期预测的准确性。
基于上述任一实施例,在上述步骤120之后,该方法还包括:
确定所述待预测作物对应的物候期-农事操作映射关系;
基于所述物候期-农事操作映射关系,确定所述物候期预测结果对应的农事操作预测结果。
此处,物候期-农事操作映射关系用于表征不同物候期对应不同的农事操作。该物候期-农事操作映射关系可以为映射表,也可以数据库,本发明实施例对此不做具体限定。
其中,农事操作可以包括但不限于:农事操作方案、水肥方案、植保方案等等。
需要说明的是,不同区域的物候期-农事操作映射关系不同,不同作物的物候期-农事操作映射关系不同,因此,该物候期-农事操作映射关系为待预测作物对应的映射关系,且为待预测作物区域对应的映射关系。
此处,农事操作预测结果可以包括但不限于:农事操作方案、水肥方案、植保方案等等。
进一步地,确定农事操作预测结果之后,基于农事操作预测结果生成农事操作提醒信息,并将该农事操作提醒信息通过各种手段提供给用户。
在一实施例中,若物候期预测结果包括物候期结果和物候期结果对应的物候期天数,则农事操作提醒信息的提醒时间可以根据物候期天数确定。例如,在进入目标物候期的第一天输出农事操作提醒信息,从而可以及时提醒用户,提高农事操作提醒的及时性。
本发明实施例提供的作物物候期预测方法,在预测得到物候期预测结果之后,可以基于物候期预测结果预测农事操作预测结果,进而为农事操作提醒提供支持,进一步提高待预测作物的产量和质量。
下面对本发明提供的作物物候期预测装置进行描述,下文描述的作物物候期预测装置与上文描述的作物物候期预测方法可相互对应参照。
图3为本发明提供的作物物候期预测装置的结构示意图,如图3所示,该作物物候期预测装置,包括:
获取模块310,用于获取待预测作物区域中待预测作物的待预测作物图像;
预测模块320,用于将所述待预测作物图像输入至物候期预测模型,得到所述物候期预测模型输出的物候期预测结果;
其中,所述物候期预测模型是基于样本作物图像和所述样本作物图像对应的样本物候期预测结果训练得到的,所述样本作物图像包括所述待预测作物对应的每个物候期的样本图像,不同物候期的样本图像所包括的作物数量不同。
本发明实施例提供的作物物候期预测装置,获取待预测作物区域中待预测作物的待预测作物图像,将待预测作物图像输入至物候期预测模型,得到物候期预测模型输出的物候期预测结果,实现对作物的物候期预测;且无需基于植被指数预测物候期,从而无需采用遥感技术,进而可以对地块级的待预测作物区域进行物候期预测,最终提高物候期预测的准确性;最为重要的,对物候期预测模型进行训练的样本作物图像包括待预测作物对应的每个物候期的样本图像,以供训练后的物候期预测模型可以对每个物候期的待预测图像进行物候期预测,且考虑到不同物候期的关键物候期特征提取的精度不同,即不同物候期对图像的精度要求不同,从而根据实际的精度要求,使不同物候期的样本图像所包括的作物数量不同,进而既能满足个别物候期对图像精度的要求,又能满足对大面积作物进行物候期预测的需求,从而确保能够对大面积作物进行物候期预测的同时,可以提高物候期预测的准确性。
基于上述任一实施例,所述样本作物图像包括样本整体图像和样本局部图像;
所述样本整体图像所包括的作物数量大于所述样本局部图像所包括的作物数量。
基于上述任一实施例,所述待预测作物为玉米;
出苗期的样本图像为所述样本整体图像,乳熟期的样本图像为所述样本整体图像,成熟期的样本图像为所述样本整体图像;
三叶期的样本图像为所述样本局部图像,七叶期的样本图像为所述样本局部图像,拔节期的样本图像为所述样本局部图像,抽穗期的样本图像为所述样本局部图像,吐丝期的样本图像为所述样本局部图像,开花期的样本图像为所述样本局部图像。
基于上述任一实施例,所述待预测作物为玉米;
所述样本整体图像所包括的作物数量为15至20;
所述样本局部图像所包括的作物数量为3至5。
基于上述任一实施例,该预测模块320包括:
目标检测单元,用于将所述待预测作物图像输入至所述物候期预测模型的目标检测层,得到所述目标检测层输出的目标区域图像;
物候期预测单元,用于将所述目标区域图像输入至所述物候期预测模型的物候期预测层,得到所述物候期预测层输出的物候期预测结果;
其中,所述物候期预测模型是基于所述样本作物图像和所述样本作物图像对应的样本物候期预测结果和样本目标区域训练得到的。
基于上述任一实施例,该获取模块310包括:
图像获取单元,用于获取待预测作物区域中的采集图像;
图像分割单元,用于确定所述采集图像为整体图像,对所述整体图像中的所述待预测作物和背景进行分割,获得所述待预测作物的待预测作物图像;
图像确定单元,用于确定所述采集图像为局部图像,将所述局部图像确定为所述待预测作物的待预测作物图像;
其中,所述整体图像所包括的作物数量大于所述局部图像所包括的作物数量。
基于上述任一实施例,所述物候期预测结果包括物候期结果和所述物候期结果对应的物候期天数;
所述物候期结果用于表征所述待预测作物所处的目标物候期,所述物候期天数用于表征所述待预测作物处于所述目标物候期的天数。
基于上述任一实施例,该装置还包括:
关系确定模块,用于确定所述待预测作物对应的物候期-农事操作映射关系;
农事确定模块,用于基于所述物候期-农事操作映射关系,确定所述物候期预测结果对应的农事操作预测结果。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行作物物候期预测方法,该方法包括:获取待预测作物区域中待预测作物的待预测作物图像;将所述待预测作物图像输入至物候期预测模型,得到所述物候期预测模型输出的物候期预测结果;其中,所述物候期预测模型是基于样本作物图像和所述样本作物图像对应的样本物候期预测结果训练得到的,所述样本作物图像包括所述待预测作物对应的每个物候期的样本图像,不同物候期的样本图像所包括的作物数量不同。
此外,上述的存储器430中的逻辑指令可以通过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,本发明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)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的作物物候期预测方法,该方法包括:获取待预测作物区域中待预测作物的待预测作物图像;将所述待预测作物图像输入至物候期预测模型,得到所述物候期预测模型输出的物候期预测结果;其中,所述物候期预测模型是基于样本作物图像和所述样本作物图像对应的样本物候期预测结果训练得到的,所述样本作物图像包括所述待预测作物对应的每个物候期的样本图像,不同物候期的样本图像所包括的作物数量不同。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种作物物候期预测方法,其特征在于,包括:
基于上一物候期预测结果,控制目标变焦摄像头进行变焦,并获取所述目标变焦摄像头采集的待预测作物区域中待预测作物的待预测作物图像,所述目标变焦摄像头设于所述待预测作物区域;
将所述待预测作物图像输入至物候期预测模型的目标检测层,得到所述目标检测层输出的目标区域图像;
将所述目标区域图像输入至所述物候期预测模型的物候期预测层,得到所述物候期预测层输出的物候期预测结果;
其中,所述物候期预测模型是基于样本作物图像和所述样本作物图像对应的样本物候期预测结果和样本目标区域训练得到的,不同区域的物候期预测模型不同;
其中,所述样本作物图像包括所述待预测作物对应的每个物候期的样本图像,不同物候期的样本图像所包括的作物数量不同,所述样本作物图像是基于变焦摄像头采集得到的,所述样本作物图像标注有位置信息,不同区域对应不同的样本作物图像;
所述样本作物图像包括样本整体图像和样本局部图像;
所述样本整体图像所包括的作物数量大于所述样本局部图像所包括的作物数量;
所述物候期预测结果包括物候期结果和所述物候期结果对应的物候期天数;
所述物候期结果用于表征所述待预测作物所处的目标物候期,所述物候期天数用于表征所述待预测作物处于所述目标物候期的天数;
所述样本作物图像包括所述待预测作物对应的生育期内每一天的图像。
2.根据权利要求1所述的作物物候期预测方法,其特征在于,所述待预测作物为玉米;
出苗期的样本图像为所述样本整体图像,乳熟期的样本图像为所述样本整体图像,成熟期的样本图像为所述样本整体图像;
三叶期的样本图像为所述样本局部图像,七叶期的样本图像为所述样本局部图像,拔节期的样本图像为所述样本局部图像,抽穗期的样本图像为所述样本局部图像,吐丝期的样本图像为所述样本局部图像,开花期的样本图像为所述样本局部图像。
3.根据权利要求1所述的作物物候期预测方法,其特征在于,所述待预测作物为玉米;
所述样本整体图像所包括的作物数量为15至20;
所述样本局部图像所包括的作物数量为3至5。
4.根据权利要求1所述的作物物候期预测方法,其特征在于,所述获取所述目标变焦摄像头采集的待预测作物区域中待预测作物的待预测作物图像,包括:
获取所述目标变焦摄像头采集的待预测作物区域中的采集图像;
确定所述采集图像为整体图像,对所述整体图像中的所述待预测作物和背景进行分割,获得所述待预测作物的待预测作物图像;
确定所述采集图像为局部图像,将所述局部图像确定为所述待预测作物的待预测作物图像;
其中,所述整体图像所包括的作物数量大于所述局部图像所包括的作物数量。
5.根据权利要求1至4中任一项所述的作物物候期预测方法,其特征在于,所述将所述目标区域图像输入至所述物候期预测模型的物候期预测层,得到所述物候期预测层输出的物候期预测结果,之后还包括:
确定所述待预测作物对应的物候期-农事操作映射关系;
基于所述物候期-农事操作映射关系,确定所述物候期预测结果对应的农事操作预测结果。
6.一种作物物候期预测装置,其特征在于,包括:
获取模块,用于基于上一物候期预测结果,控制目标变焦摄像头进行变焦,并获取所述目标变焦摄像头采集的待预测作物区域中待预测作物的待预测作物图像,所述目标变焦摄像头设于所述待预测作物区域;
预测模块,用于将所述待预测作物图像输入至所述待预测作物区域对应的物候期预测模型,得到所述物候期预测模型输出的物候期预测结果,不同区域的物候期预测模型不同;
所述预测模块包括:
目标检测单元,用于将所述待预测作物图像输入至物候期预测模型的目标检测层,得到所述目标检测层输出的目标区域图像;
物候期预测单元,用于将所述目标区域图像输入至所述物候期预测模型的物候期预测层,得到所述物候期预测层输出的物候期预测结果;
其中,所述物候期预测模型是基于样本作物图像和所述样本作物图像对应的样本物候期预测结果和样本目标区域训练得到的;
其中,所述样本作物图像包括所述待预测作物对应的每个物候期的样本图像,不同物候期的样本图像所包括的作物数量不同,所述样本作物图像是基于变焦摄像头采集得到的,所述样本作物图像标注有位置信息,不同区域对应不同的样本作物图像;
所述样本作物图像包括样本整体图像和样本局部图像;
所述样本整体图像所包括的作物数量大于所述样本局部图像所包括的作物数量;
所述物候期预测结果包括物候期结果和所述物候期结果对应的物候期天数;
所述物候期结果用于表征所述待预测作物所处的目标物候期,所述物候期天数用于表征所述待预测作物处于所述目标物候期的天数;
所述样本作物图像包括所述待预测作物对应的生育期内每一天的图像。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至5任一项所述作物物候期预测方法。
8.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述作物物候期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703598.1A CN115660236B (zh) | 2022-12-29 | 2022-12-29 | 作物物候期预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211703598.1A CN115660236B (zh) | 2022-12-29 | 2022-12-29 | 作物物候期预测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115660236A CN115660236A (zh) | 2023-01-31 |
CN115660236B true CN115660236B (zh) | 2023-06-30 |
Family
ID=85023555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211703598.1A Active CN115660236B (zh) | 2022-12-29 | 2022-12-29 | 作物物候期预测方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115660236B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110012200A (zh) * | 2019-04-09 | 2019-07-12 | 中国科学院地理科学与资源研究所 | 一种植物物候观测相机设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202918424U (zh) * | 2012-10-12 | 2013-05-01 | 国家海洋环境监测中心 | 海洋物候3g无线远程观测装置 |
CN110751019B (zh) * | 2019-09-03 | 2023-03-07 | 武汉珈和科技有限公司 | 基于深度学习的高分辨率影像农作物自动提取方法及装置 |
US11508092B2 (en) * | 2019-12-16 | 2022-11-22 | X Development Llc | Edge-based crop yield prediction |
CN111797835B (zh) * | 2020-06-01 | 2024-02-09 | 深圳市识农智能科技有限公司 | 一种病症识别方法、病症识别装置及终端设备 |
CN113344035A (zh) * | 2021-05-17 | 2021-09-03 | 捷佳润科技集团股份有限公司 | 一种香蕉物候期监控模块及种植系统 |
CN113657469B (zh) * | 2021-07-30 | 2024-01-05 | 广东省生态气象中心(珠江三角洲环境气象预报预警中心) | 基于图像识别的木本植物物候期的自动观测方法和系统 |
-
2022
- 2022-12-29 CN CN202211703598.1A patent/CN115660236B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110012200A (zh) * | 2019-04-09 | 2019-07-12 | 中国科学院地理科学与资源研究所 | 一种植物物候观测相机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115660236A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583301B (zh) | 一种农作物生长过程最优外部种植条件预测方法及装置 | |
Yu et al. | Automatic image-based detection technology for two critical growth stages of maize: Emergence and three-leaf stage | |
CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警系统及方法 | |
JPWO2020044480A1 (ja) | 作物生育ステージ判定システムのサーバ装置、生育ステージ判定方法及びプログラム | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
CN112836623B (zh) | 设施番茄农事决策辅助方法及装置 | |
CN111476149A (zh) | 一种植物培育控制方法和系统 | |
CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
CN113469112B (zh) | 农作物生长状况图像识别方法及系统 | |
CN115577866A (zh) | 物候期预测方法、装置、电子设备和存储介质 | |
CN113011221A (zh) | 作物分布信息的获取方法、装置及测量系统 | |
CN114723118B (zh) | 一种基于物联网的虫害预警系统 | |
CN114708490A (zh) | 水稻种植提取及复种指数监测方法、系统、终端及存储介质 | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
CN113377141A (zh) | 一种人工智能农业自动管理系统 | |
CN115660236B (zh) | 作物物候期预测方法、装置、电子设备和存储介质 | |
CN112800845A (zh) | 叶龄识别方法、装置、电子设备及可读存储介质 | |
CN115250887B (zh) | 农作物灌溉方法、系统、设备及介质 | |
CN113010529A (zh) | 基于知识图谱的作物管理方法和装置 | |
CN115424151A (zh) | 一种基于图像处理的农业智能平台 | |
Santhosh Kumar et al. | Review on disease detection of plants using image processing and machine learning techniques | |
Yang | Modelling phenological development, yield and quality of lucerne (Medicago sativa L.) using APSIM next generation: A thesis submitted in partial fulfillment of the requirement for the Degree of Doctor of Philosophy at Lincoln University | |
CN116757867B (zh) | 一种基于多源数据融合的数字乡村构建方法及系统 | |
Sun et al. | Machine Vision Based Phenotype Recognition of Plant and Animal | |
CN116453003B (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 |
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 |