CN115953391A - 水稻物候指数监测系统及方法 - Google Patents
水稻物候指数监测系统及方法 Download PDFInfo
- Publication number
- CN115953391A CN115953391A CN202310213505.5A CN202310213505A CN115953391A CN 115953391 A CN115953391 A CN 115953391A CN 202310213505 A CN202310213505 A CN 202310213505A CN 115953391 A CN115953391 A CN 115953391A
- Authority
- CN
- China
- Prior art keywords
- rice
- leaf
- phenological
- time
- index
- 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
- 235000007164 Oryza sativa Nutrition 0.000 title claims abstract description 74
- 235000009566 rice Nutrition 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 240000007594 Oryza sativa Species 0.000 title 1
- 241000209094 Oryza Species 0.000 claims abstract description 89
- 230000003203 everyday effect Effects 0.000 claims abstract description 9
- 238000005520 cutting process Methods 0.000 claims abstract description 8
- 238000011161 development Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000009776 industrial production Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 235000013527 bean curd Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像数据处理技术领域，具体提供一种水稻物候指数监测方法，包括：采用物候相机，从水稻栽种开始采集水稻植株图像，每天分多时间段采集记录，采集后存储图像数据；对水稻植株图像批量裁剪处理为统一尺寸的图像，得到每天每个时间段的裁剪后图像；借助crop函数工具，只需提供左上角和右下角坐标即可；利用裁剪后的图像，获取叶面积指数；根据物候相机的记录时间获取时间戳date_ori，利用时间戳date_ori获取叶片数目、叶龄和分蘖期的参数；根据叶面积指数，以及叶片数目、叶龄和分蘖期的参数，动态监测水稻生长发育状况，更利于农业知识不是那么充足的工业化生产过程中工人使用。
Description
技术领域
本发明涉及图像数据处理技术领域，尤其涉及水稻物候指数监测系统及方法。
背景技术
在以前的实验研究中，使用数码相机图像对农业数据进行监测已成为一种主流方法，但多为一种辅助农民的方法，不适用没有农学基础的普通人使用。而利用传感器等近距离设备在高频野外工作既费时又费钱；随着我国卫星遥感事业的发展，使用遥感数据进行监测也变得常见，但受限卫星数据的分辨率和重返周期限制，遥感数据具体应用于民用农田检测的道路还很长，因此能够找到一种基于数码相机方式方便数据获取和数据处理的方式，变得尤为重要。
同时以前利用遥感图像对农业数据中农作物进行定量检测的研究机理不充分，导致大尺度农作物在时空分布关联不强，导致在未来对农作物的检测精度受到制约；同时由于大田中的冠层反射率不仅受叶片反射率的影响，还受到冠层结构以及植被下地面光谱特性的影响，而这种影响随着我们观测角度不同又有所不同，因此如何能够利用作物连续的光谱信息，进而研究分析光谱变化特征，建立合适的监测模型，提取我们所需的作物监测指数变得至关重要。
发明内容
本发明为解决上述问题，提供一种水稻物候指数监测系统及方法。
本发明第一目的是提供一种水稻物候指数监测方法，包括如下步骤：
S1、采用物候相机，从水稻栽种开始采集水稻植株图像，每天分多时间段采集记录，采集后存储图像数据；
S2、对步骤S1所述水稻植株图像批量裁剪处理为统一尺寸的图像，得到每天中每个时间段的裁剪后图像；所述的裁剪采用crop函数工具，提供左上角和右下角坐标；
S3、利用步骤S2裁剪后的图像，获取叶面积指数；
S4、根据物候相机的记录时间获取时间戳date_ori，利用时间戳date_ori获取叶片数目、叶龄和分蘖期的参数；
S5、根据叶面积指数，以及叶片数目、叶龄和分蘖期的参数，动态监测水稻生长发育状况。
优选地，步骤S4具体包括如下步骤：
S41、从水稻开始插秧时获取时间序列数据起始时间，记录时间戳date_ori；若第一幅图像并不是从水稻开始插秧之日开始回传，则手动向程序输入水稻插秧时间作为数据起始时间，此时记录当前时间与数据起始时间差值，作为时间戳date_ori；
S42、自水稻插秧至插秧之后一个月的时间范围内，即时间上判断为
，记录主茎上完全叶片数目为leaf_num；叶龄为leaf_age，按公式leaf_age=leaf_num+(date_ori)/5计算，得到的数值向下取整；此时分蘖级按照叶龄计算分段为：
从水稻插秧一个月起始到水稻插秧45天的时间范围内，即时间上判断为
，此时叶片数量和叶龄数维持不变，分蘖期为3；
从水稻插秧45天始到水稻插秧60天的时间范围内，即从时间上判断
，此时每7-9天长1片叶子，按每9天长一片叶子，此时叶片数量为9+(date_ori-45)/9向下取整，叶龄表示为9+(date_ori-45)/9，分蘖级按照叶龄计算分段为：
S43、根据对应时间戳，返回叶片数量、叶龄和叶片分蘖级相关指标。
优选地，水稻植株图像为水稻植株多光谱图像和水稻植株真彩色图像。
优选地，所述多光谱图像为NDVI图像。
优选地，步骤S3获取叶面积指数的具体方法，包括：
根据所述水稻植株多光谱图像和水稻植株真彩色图像，获取归一化差值植被指数NDVI为：
NDVI=（RNIR－RR）/（RNIR＋RR）
其中RNIR为近红外波段840±20nm范围的光谱值， RR为红光波段650±20nm范围的波段值；
利用得到的归一化差值植被指数NDVI信息建立一元线性估计模型估算叶片面积指数LAI，所述一元线性估计方程为：
LAI=17.778NDVI-12.156。
优选地，步骤S1中的多时间段为至少5个时间段。
优选地，步骤S2中统一尺寸的图像为像素224×224的图像。
本发明第二目的是提供一种水稻物候指数监测系统，包括：数据采集装置、图像处理装置；所述的数据采集装置包括物候相机；所述监测系统采用所述的水稻物候指数监测方法检测。
本发明有益效果：
提供了一个多功能多光谱相机，具有精准的多光谱成像技术，既能够获取真彩高清观测图像(RGB)，也可以拍摄多光谱图像(MSI),同时提供远程实时记录视频数据，下载到云盘。标准配置输出为输出RGB图像与NDVI图像。通过搭载相机获取RGB图像和对应NDVI图像，通过相机内嵌合算法，实时计算出有关水稻生长进程的主要相关指标，包括叶龄、叶片数目、叶面积指数和最重要的有关分蘖数指标。使得现有的数据处理流程作为水稻处理方案时，集成式的获取，更利于农业知识不是那么充足的工业化生产过程中工人使用。对于动态监测农作物生长发育状态，提供了简便的辅助方法。
附图说明
图1是本发明图像裁剪示意图。
图2是本发明水稻物候指数监测方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，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用以解释本发明，而不构成对本发明的限制。
本发明提供一种水稻物候指数监测方法，通过监测水稻叶龄动态，掌握水稻生长进程，通过水稻苗情监测，实时监测水稻不同生育阶段的生长发育动态，掌握水稻有效分蘖临界叶龄期、拔节叶龄期和穗分化叶龄期这三个最关键的叶龄节点；本方法具体包括如下步骤：
S1、用物候相机采集水稻植株图像，采集从育苗期（水稻栽种时）开始进行，每天分为多时间段进行采集记录，采集后存储图像数据；所述多时间段，为至少5个时间段，以免由于环境造成干扰造成某时间段图像无法使用；
S2、对所述水稻植株图像批量裁剪处理，得到每天每个时间段的裁剪后图像；将图像批量处理为224×224大小图像，借助crop函数工具，只需提供左上角和右下角坐标即可（如图1所示）；
S3、利用采集的真彩色图像（RGB）和NDVI图像，获取叶面积指数；获取叶面积指数的具体方法：
首先，根据RGB图像和NDVI图像获取归一化差值植被指数(NDVI)为：
NDVI=（RNIR－RR）/（RNIR＋RR）
其中RNIR为近红外波段840±20nm范围的光谱值， RR为红光波段650±20nm范围的波段值；
利用得到的归一化差值植被指数(NDVI)信息建立一元线性估计模型估算叶片面积指数(LAI),所述一元线性估计方程为：
LAI=17.778NDVI-12.156；
S4、根据物候相机的记录时间，获取时间戳，利用时间戳获取叶片数目、叶龄和分蘖期的参数；具体为：
S41、获取物候相机时间戳；
S42、获取时间序列数据起始时间，此处起始时间(若数据获取是从水稻开始插秧时记录回传，则第一幅图像回传记录时间戳为数据起始时间；若第一幅图像并不是从水稻开始插秧之日开始回传，则需用户手动向程序输入水稻插秧时间作为数据起始时间)。此时记录当前时间与数据起始时间差值，作为后续判断时间差date_ori；
S43、自水稻插秧至插秧之后一个月的时间范围内，即时间上判断为
，记录主茎上完全叶片数目为leaf_num；若将水稻插秧初始叶片数目为3片，则之后按照生长周期推理的叶片数目为3+（date_ori/5）向下取整；叶龄leaf_age代表叶片以长出且完全展开的叶片数量+(新长出叶片长度/该叶片应到达长度)，此时叶龄等于leaf_num+(date_ori)/5;此时分蘖级按照叶龄计算分段为：
经过此段时间，叶片数量会长到9片；
从水稻插秧一个月起始到水稻插秧45天的时间范围内，即时间上判断为
，此时处于水稻拔节期，此时叶片数量和叶龄数维持不变，此时分蘖期为3；
从水稻插秧45天始到水稻插秧60天的时间范围内，即从时间上判断
，此时每7-9天张1片叶子，按照北方长春的计算为每9天长一片叶子，此时叶片数量可为9+(date_ori-45)/9向下取整，叶龄表示为9+(date_ori-45)/9
S44、根据对应时间戳，返回叶片数量、叶龄和叶片分蘖级等相关指标；
S5、根据叶面积指数、叶片数目、叶龄和分蘖期，监测水稻生长发育状况。
实施例1水稻物候指数监测方法
以东北三省的水稻为例，进行如下的监测；选用多功能多光谱相机作为物候相机，使用标准存储为64G内存，可扩展为128G；超低功耗设计，非工作期间采用休眠功耗180mA(0.9W)，正常工作期间功耗为900~1400mA(4.5W)；其中标准输出为RGB图像，形成MSI六波段数据，其中为红绿蓝(RGB)真彩色图像、近红外(NIR)、红外(IR)六波段，图像输出5MP/500万，H265、H264(2560×1920像素)。传感器类型为感光芯片配合5000万像素的CMOS镜头，可视距离为100米，提供多种观测镜头，焦距可以从6mm到12mm，视场角从60°到120°；底座相机选择尼康Cool Pix P5100，照明器选择内置闪光灯，拍摄模式选择程序自动模式，实验设置高度需配合农田自身环境设置，基础配置选择1.4米。涉及到网络传输方式选择WIFI模式传输，支持动态IP地址/静态IP，支持http协议，可以网页浏览实时图像，支持ftp协议，支持ftp客户端拷贝图像。支持安全标准为GB28181，适宜工作环境温度为-20~40℃。
通过上述物候相机，获取RGB图像和NDVI图像（多光谱图像的表现形式之一为NDVI图像）；利用图像分割技术，选取图像中心区域，选择224×224区域图像；选取中心区域图像原因是因为相机在搭建时，往往中心区域对应往往不会出现非水稻区域，以保证后续步骤正常进行，求取到正常对应相关指标(对于分割也可选择对一整张图像使用分块切割的方法，但“切豆腐”块的这种方式由于2560×1920并不是224×224的整数倍，因此对于边界部分难以保证图像信息的完整性，且这种分割方式可能无法保证区域内水稻区域占主要成分)；其中分割方法对于RGB图像和NDVI借助OpenCV中Crop函数，切割中心区域，其中crop函数需要输入的是需要切割两点的坐标为(1168,848)和(1392,1072)。
关于叶面积指数的获取，通过获取的大小为224×224RGB的图像和NDVI图像计算，首先利用获取到的NDVI图像提取图像对应植被指数(VI),植被指数能够直接的放映地表植被状况，而归一化差值植被指数(NDVI)对类似水稻等绿色植被表现敏感，常用于叶面积指数(LAI)估测；
其中归一化差值植被指数(NDVI)计算公式为：
NDVI=（RNIR－RR）/（RNIR＋RR）；
其中RR表示红波段，RNIR表示近红波段；又因为水稻等绿色植被在红波段对光强吸收，在近红波段由于冠层结构的漫反射导致在近红外波段处反射率较大，因此近红外波段和红波段的差值能够增强植被对光吸收和反射的差异，因此能够更好反映水稻等绿色植被的冠层结构信息；
根据多光谱图像提取的输入量，建立单一输入量与实测LAI的一元模型，公式表示为：
LAI=17.778NDVI－12.156；
为保证获取LAI精度，利用每天提取多时段数据取其测量平均值的方式记录每天叶片面积指数LAI。在对实验分析中，反映出水稻生长中期和生长后期由于受周边环境影响较大，此时植被指数与LAI的相关性更高，主要原因在于单一植被指数由于饱和度和土壤背景因素会受到不同程度的影响，因此存在一定的特异性和及时性。
获取叶片数目、叶龄和分蘖期：
1）获取物候相机时间，如2021_08_04_070007代表日期2021年8月4日7点0分7秒；
2）调用算法记录插秧时间，例如今年长春插秧时间定在5月末6月初，在算法内，是计算叶片数为3-4片对应时间，记录时间戳为date_ori；
3）按照date_ori往后推理，每5天主茎上长出一片叶记录主茎上完全叶片数为leaf_num；
例如date_ori =5 =>leaf_num =4 此时对应叶龄 leaf_num_age = 4
例如 date_ori =7 =>leaf_num =4 此时对应叶龄 leaf_num_age = 4+ (7-5)/5=4+0.4 =4.4
此时分蘖级可按照leaf_num_age计算 4≤leaf_num_age<7分蘖级t_grade = 1；
此时分蘖级可按照leaf_num_age 计算 7≤leaf_num_age＜10 分蘖级t_grade =2；
终止条件：date = date_ori + 30；即leaf_num = 9；
4）时间范围内
其间内拔节期叶片数量和叶龄数维持不变，此时分蘖级 t_grade为3；
5）时间范围内
内每7-9天长一片叶子；
例如date_ori = 48 =>leaf_num_age = 10 + (48-45)/9 = 10.3
此时分蘖级可按照leaf_num_age计算10≤leaf_num_age<11 t_grade =3
此时分蘖级可按照leaf_num_age计算11≤leaf_num_age<12 t_grade =4
终止条件：date_ori= date + 60；此时leaf_num = 12；
此时后期叶片数量不在增长；
利用此生长模型，可以获取到叶片数目leaf_num,叶龄leaf_age和叶片分蘖期leaf_age。
根据以上叶面积指数、叶片数目、叶龄和分蘖期，监测水稻生长发育状况。
仿真实验证明方法可行，最终R 2 =0.728，RMSE=0.421。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制。本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
以上本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。
Claims (8)
1.水稻物候指数监测方法，其特征在于，包括如下步骤：
S1、采用物候相机，从水稻栽种开始采集水稻植株图像，每天分多时间段采集记录，采集后存储图像数据；
S2、对步骤S1所述水稻植株图像批量裁剪处理为统一尺寸的图像，得到每天中每个时间段的裁剪后图像；所述的裁剪采用crop函数工具，提供左上角和右下角坐标；
S3、利用步骤S2裁剪后的图像，获取叶面积指数；
S4、根据物候相机的记录时间获取时间戳date_ori，利用时间戳date_ori获取叶片数目、叶龄和分蘖期的参数；
S5、根据叶面积指数，以及叶片数目、叶龄和分蘖期的参数，动态监测水稻生长发育状况。
2.根据权利要求1所述的水稻物候指数监测方法，其特征在于：所述步骤S4具体包括如下步骤：
S41、从水稻开始插秧时获取时间序列数据起始时间，记录时间戳date_ori；若第一幅图像并不是从水稻开始插秧之日开始回传，则手动向程序输入水稻插秧时间作为数据起始时间，此时记录当前时间与数据起始时间差值，作为时间戳date_ori；
S42、自水稻插秧至插秧之后一个月的时间范围内，即时间上判断为
，记录主茎上完全叶片数目为leaf_num；叶龄为leaf_age，按公式leaf_age=leaf_num+(date_ori)/5计算，得到的数值向下取整；此时分蘖级按照叶龄计算分段为：
从水稻插秧一个月起始到水稻插秧45天的时间范围内，即时间上判断为
，此时叶片数量和叶龄数维持不变，分蘖期为3；
从水稻插秧45天始到水稻插秧60天的时间范围内，即从时间上判断
，此时每7-9天长1片叶子，按每9天长一片叶子，此时叶片数量为9+(date_ori-45)/9向下取整，叶龄表示为9+(date_ori-45)/9，分蘖级按照叶龄计算分段为：
S43、根据对应时间戳，返回叶片数量、叶龄和叶片分蘖级相关指标。
3.根据权利要求2所述的水稻物候指数监测方法，其特征在于：所述水稻植株图像，为水稻植株多光谱图像和水稻植株真彩色图像。
4.根据权利要求3所述的水稻物候指数监测方法，其特征在于：所述多光谱图像为NDVI图像。
5.根据权利要求1-4任意一项所述的水稻物候指数监测方法，其特征在于：所述步骤S3获取叶面积指数的具体方法，包括：
利用步骤S2裁剪后的图像，获取归一化差值植被指数NDVI为：
NDVI=（RNIR－RR）/（RNIR＋RR）
其中RNIR为近红外波段840±20nm范围的光谱值， RR为红光波段650±20nm范围的波段值；
利用得到的归一化差值植被指数NDVI信息建立一元线性估计模型估算叶片面积指数LAI，所述一元线性估计方程为：
LAI=17.778NDVI-12.156。
6.根据权利要求5所述的水稻物候指数监测方法，其特征在于：所述步骤S1中的多时间段为至少5个时间段。
7.根据权利要求6所述的水稻物候指数监测方法，其特征在于：所述步骤S2中统一尺寸的图像为像素224×224的图像。
8.水稻物候指数监测系统，其特征在于，包括：数据采集装置、图像处理装置；所述的数据采集装置包括物候相机；所述监测系统采用权利要求1-7任意一项所述的水稻物候指数监测方法检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310213505.5A CN115953391B (zh) | 2023-03-08 | 2023-03-08 | 水稻物候指数监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310213505.5A CN115953391B (zh) | 2023-03-08 | 2023-03-08 | 水稻物候指数监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953391A true CN115953391A (zh) | 2023-04-11 |
| CN115953391B CN115953391B (zh) | 2023-08-15 |
Family
ID=87286325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310213505.5A Active CN115953391B (zh) | 2023-03-08 | 2023-03-08 | 水稻物候指数监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953391B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107306564A (zh) * | 2017-07-18 | 2017-11-03 | 黑龙江省农垦科学院 | 一种北方寒区水稻叶龄诊断调控施肥方法 |
| CN110544277A (zh) * | 2019-08-12 | 2019-12-06 | 蔡建楠 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
| CN112335388A (zh) * | 2020-11-03 | 2021-02-09 | 扬州大学 | 直播水稻全生育期一次性配方施氮的方法 |
| CN112580491A (zh) * | 2020-12-15 | 2021-03-30 | 广州极飞科技有限公司 | 作物生长阶段的确定方法、装置、非易失性存储装置 |
| CN112800845A (zh) * | 2020-12-31 | 2021-05-14 | 广州极飞科技股份有限公司 | 叶龄识别方法、装置、电子设备及可读存储介质 |
| CN113362192A (zh) * | 2021-07-07 | 2021-09-07 | 中国工商银行股份有限公司 | 农业保险核保方法、系统、设备和存储介质 |
| WO2022080411A1 (ja) * | 2020-10-13 | 2022-04-21 | 花王株式会社 | イネの収量予測方法 |
| CN114451237A (zh) * | 2022-01-21 | 2022-05-10 | 黑龙江省农业科学院耕作栽培研究所 | 一种可提高水稻抗倒伏能力的种植方法 |
| CN217155316U (zh) * | 2022-03-14 | 2022-08-09 | 江苏沿江地区农业科学研究所 | 一种禾本植物叶面积、分蘖数检测装置 |
-
2023
- 2023-03-08 CN CN202310213505.5A patent/CN115953391B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107306564A (zh) * | 2017-07-18 | 2017-11-03 | 黑龙江省农垦科学院 | 一种北方寒区水稻叶龄诊断调控施肥方法 |
| CN110544277A (zh) * | 2019-08-12 | 2019-12-06 | 蔡建楠 | 一种无人机载高光谱成像仪反演亚热带植被叶面积指数的方法 |
| WO2022080411A1 (ja) * | 2020-10-13 | 2022-04-21 | 花王株式会社 | イネの収量予測方法 |
| CN112335388A (zh) * | 2020-11-03 | 2021-02-09 | 扬州大学 | 直播水稻全生育期一次性配方施氮的方法 |
| CN112580491A (zh) * | 2020-12-15 | 2021-03-30 | 广州极飞科技有限公司 | 作物生长阶段的确定方法、装置、非易失性存储装置 |
| CN112800845A (zh) * | 2020-12-31 | 2021-05-14 | 广州极飞科技股份有限公司 | 叶龄识别方法、装置、电子设备及可读存储介质 |
| CN113362192A (zh) * | 2021-07-07 | 2021-09-07 | 中国工商银行股份有限公司 | 农业保险核保方法、系统、设备和存储介质 |
| CN114451237A (zh) * | 2022-01-21 | 2022-05-10 | 黑龙江省农业科学院耕作栽培研究所 | 一种可提高水稻抗倒伏能力的种植方法 |
| CN217155316U (zh) * | 2022-03-14 | 2022-08-09 | 江苏沿江地区农业科学研究所 | 一种禾本植物叶面积、分蘖数检测装置 |
Non-Patent Citations (1)
| Title |
|---|
| 杭艳红 等: "结合无人机光谱与纹理特征和覆盖度的水稻叶面积指数估算", 《农业工程学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953391B (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230292647A1 (en) | System and Method for Crop Monitoring | |
| US6567537B1 (en) | Method to assess plant stress using two narrow red spectral bands | |
| CN111666815B (zh) | 一种基于Sentinel-2遥感影像的大蒜种植信息自动化提取方法 | |
| JP7229864B2 (ja) | リモートセンシング画像取得時期決定システム、および、作物生育状況分析方法 | |
| Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
| JP6295452B2 (ja) | 農作物育成支援装置、及びそのプログラム | |
| EP3846611A1 (en) | Method and system for plant stress determination and irrigation based thereon | |
| CN111666827B (zh) | 一种林业病虫害智能识别方法及系统 | |
| CN114708490B (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 | |
| CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
| CN112580491A (zh) | 作物生长阶段的确定方法、装置、非易失性存储装置 | |
| JP2010220569A (ja) | 植物体の生育変化の連続測定方法 | |
| CN114140692A (zh) | 基于无人机遥感和深度学习的鲜食玉米成熟度预测方法 | |
| CN107437262B (zh) | 作物种植面积预警方法和系统 | |
| CN115687850A (zh) | 一种农田的灌溉需水量计算方法及装置 | |
| CN104504736B (zh) | 一种识别大田作物长势监控图像中绿色植物的方法及系统 | |
| Tang et al. | Corn tassel detection based on image processing | |
| CN117292267B (zh) | 一种基于物候信息的水稻地上生物量分段估算方法及系统 | |
| CN117372903A (zh) | 一种利用无人机方向性纹理获取水稻agb的方法 | |
| CN116482041B (zh) | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 | |
| CN117152110A (zh) | 一种基于图像纹理特征的水稻agb监测方法 | |
| CN115953391A (zh) | 水稻物候指数监测系统及方法 | |
| US20240177478A1 (en) | Information processing device, information processing method, and program | |
| CN116052141A (zh) | 作物生育期的识别方法、装置、设备及介质 | |
| CN114663761A (zh) | 作物长势确定方法、装置、设备和存储介质 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230728 Address after: Room 1532, liwang Plaza, 996 Qianjin Street, Chaoyang District, Changchun City, Jilin Province Applicant after: Jilin High-resolution Remote Sensing Applied Research Institute Co.,Ltd. Address before: 130012 No. 2699 Qianjin Street, Changchun, Jilin, Chaoyang District Applicant before: Jilin University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |