CN116778343B - 一种用于综合识别的目标图像特征提取方法 - Google Patents
一种用于综合识别的目标图像特征提取方法 Download PDFInfo
- Publication number
- CN116778343B CN116778343B CN202311025569.9A CN202311025569A CN116778343B CN 116778343 B CN116778343 B CN 116778343B CN 202311025569 A CN202311025569 A CN 202311025569A CN 116778343 B CN116778343 B CN 116778343B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- farmland
- grids
- crops
- soil
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 266
- 238000000034 method Methods 0.000 claims abstract description 76
- 238000001514 detection method Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000011161 development Methods 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 7
- 239000002689 soil Substances 0.000 claims description 63
- 238000007726 management method Methods 0.000 claims description 57
- 239000006185 dispersion Substances 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 25
- 230000005856 abnormality Effects 0.000 claims description 23
- 230000008901 benefit Effects 0.000 claims description 23
- 235000021049 nutrient content Nutrition 0.000 claims description 13
- 239000005416 organic matter Substances 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 241000607479 Yersinia pestis Species 0.000 description 15
- 201000010099 disease Diseases 0.000 description 10
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 10
- 230000004720 fertilization Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 10
- 241000238631 Hexapoda Species 0.000 description 9
- 240000008042 Zea mays Species 0.000 description 9
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 9
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 9
- 235000005822 corn Nutrition 0.000 description 9
- 239000000575 pesticide Substances 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 241000196324 Embryophyta Species 0.000 description 7
- 238000012937 correction Methods 0.000 description 6
- 244000068988 Glycine max Species 0.000 description 5
- 235000010469 Glycine max Nutrition 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 235000015097 nutrients Nutrition 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002378 acidificating effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000003708 edge detection Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002262 irrigation Effects 0.000 description 3
- 238000003973 irrigation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 239000011701 zinc Substances 0.000 description 2
- 229910052725 zinc Inorganic materials 0.000 description 2
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 240000000359 Triticum dicoccon Species 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- -1 aluminum ions Chemical class 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 239000011575 calcium Substances 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- WPBNNNQJVZRUHP-UHFFFAOYSA-L manganese(2+);methyl n-[[2-(methoxycarbonylcarbamothioylamino)phenyl]carbamothioyl]carbamate;n-[2-(sulfidocarbothioylamino)ethyl]carbamodithioate Chemical compound [Mn+2].[S-]C(=S)NCCNC([S-])=S.COC(=O)NC(=S)NC1=CC=CC=C1NC(=S)NC(=O)OC WPBNNNQJVZRUHP-UHFFFAOYSA-L 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011527 multiparameter analysis Methods 0.000 description 1
- 235000018343 nutrient deficiency Nutrition 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06316—Sequencing of tasks or work
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种用于综合识别的目标图像特征提取方法,涉及图像特征提取方法技术领域,收集区域农田中农作物的图像数据,并对收集的农作物图像数据进行预处理,通过卷积神经网络提取图像数据中农作物的异常生长的异常特征后,基于网格法获取异常检测点的异常特征网格占取数量,并通过计算农田异常特征离散程度来分析农作物异常生长发展趋势,依据分析结果生成相应的农田管理策略,从而能够对影响农作物的异常生长进行趋势分析,便于提前做出管理策略。本发明通过农田系数由小到大对所有区域农田进行排序,生成农田排序管理表,在定期对所有区域农田进行综合管理时,依据农田排序管理表正序选择农田的管理顺序,有效提高对农田的管理效率。
Description
技术领域
本发明涉及图像特征提取方法技术领域,具体涉及一种用于综合识别的目标图像特征提取方法。
背景技术
农业病虫害是农业生产中常见的问题,严重影响着农作物的生长和产量,传统的病虫害监测和防治方法通常依赖于人工观察和经验判断,存在着效率低下、主观性强和容易出错的问题,随着计算机视觉和机器学习技术的快速发展,利用图像特征提取和分类方法对农田病虫害进行自动识别和分析成为可能;
图像特征提取是指从图像中提取有用的信息和特征,用于表征图像的内容和结构,在农田病虫害图像中,特征提取可以帮助识别和分析病虫害的类型、严重程度和分布情况,通过分析图像中的颜色、纹理、形状等特征,可以从大量的图像数据中提取出有区分度的特征,用于病虫害的分类和定量分析。
现有技术存在以下不足:
现有针对农业病虫害目标图像特征提取方法通常仅是识别并提取图像数据中图像异常生长的特征数据,并在发现异常生长的特征数据时发出警示信号,再由农业种植管理人员做出管理,然而,由于农田占据一定面积,现有提取方法在提取异常生长的异常特征数据后,无法依据异常生长的异常特征数据对异常生长发展的趋势进行分析,不仅容易导致过度管理,造成管理资源的浪费,而且分析不够全面,导致管理不及时,造成农作物大面积死亡等问题。
发明内容
本发明的目的是提供一种用于综合识别的目标图像特征提取方法,以解决背景技术中不足。
为了实现上述目的,本发明提供如下技术方案:一种用于综合识别的目标图像特征提取方法,所述提取方法包括以下步骤:
S1:收集区域农田中农作物的图像数据,并对收集的农作物图像数据进行预处理;
S2:通过卷积神经网络提取图像数据中农作物的异常生长的异常特征;
S3:基于网格法获取异常检测点的异常特征网格占取数量,并通过计算农田异常特征离散程度来分析农作物异常生长发展趋势;
S4:依据分析结果生成相应的农田管理策略;
S5:将农田异常特征离散程度结合与农田相关的多源数据进行综合分析获取农田系数,并依据农田系数由小到大对所有区域农田进行排序,生成农田排序管理表;
S6:定期对所有区域农田进行综合管理时,依据农田排序管理表正序选择农田的管理顺序。
在一个优选的实施方式中,步骤S3中,农田异常特征离散程度的获取逻辑为:
S3.1:提取系统获取图像数据后,基于网格法将图像数据划分为多个网格;
S3.2:识别图像数据中的异常特征后,获取所有异常检测点的数量;
S3.3:获取异常检测点的异常特征网格占取数量,并计算所有异常检测点异常特征网格占取数量平均值:;式中,/>为异常特征网格占取数量平均值,/>表示第i个异常检测点的异常特征网格占取数量,/>为所有异常检测点的数量;
S3.4:计算每个异常检测点异常特征网格占取数量与异常特征网格占取数量平均值的差值,将差值平方后的总和除以所有异常检测点的数量减1得到方差;
S3.5:最后对方差进行平方根操作,得到农田异常特征离散程度。
在一个优选的实施方式中,所述农田异常特征离散程度的计算表达式为:
式中,为农田异常特征离散程度,/>,/>表示所有异常检测点的数量,/>为正整数,/>表示第i个异常检测点的异常特征网格占取数量,/>表示异常特征网格占取数量平均值。
在一个优选的实施方式中,步骤S3中,分析农作物异常生长发展趋势包括以下步骤:
S3.6:若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/><离散阈值,分析结果为农作物异常生长,且异常生长发展趋势快;
S3.7:若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,分析结果为农作物异常生长,且异常生长发展趋势缓和;
S3.8:若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/><离散阈值,分析结果为农作物正常生长,且正常生长趋势稳定;
S3.9:若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,分析结果为农作物正常生长,但正常生长趋势不稳定。
在一个优选的实施方式中,步骤S5中,获取农田系数包括以下步骤:
将农田异常特征离散指数、农作物经济效益量度以及土壤质量赋值通过公式综合计算得到农田系数,计算表达式为:
式中,为农作物经济效益量度,/>为农田异常特征离散指数,/>为土壤质量赋值,/>分别为农作物经济效益量度、农田异常特征离散指数以及土壤质量赋值的比例系数,且/>均大于0。
在一个优选的实施方式中,所述农田异常特征离散指数的获取逻辑为:
若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/><离散阈值,农田异常特征离散指数/>=2.5;
若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,农田异常特征离散指数/>=2;
若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/><离散阈值,农田异常特征离散指数/>=1;
若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,农田异常特征离散指数/>=1.5。
在一个优选的实施方式中,所述农作物经济效益量度的计算表达式为:
约束条件为:
式中,表示农田中各种农作物的种植面积,/>表示各种农作物的收益系数,/>为约束条件中的系数,表示不同限制条件下农作物的影响,/>为约束条件的常数。
在一个优选的实施方式中,所述土壤质量赋值的计算表达式为:
式中,为土壤pH浮动值,/>为土壤有机质含量浮动值,/>为土壤养分含量浮动值。
在一个优选的实施方式中,所述土壤pH浮动值的计算表达式为:
式中,为采集的土壤pH平均值,/>为农田土壤pH值标准范围。
在一个优选的实施方式中,所述土壤有机质含量浮动值的计算表达式为:
式中,为采集的土壤有机质含量平均值,/>为农田土壤有机质含量标准范围;
所述土壤养分含量浮动值的计算表达式为:
式中,为采集的土壤养分含量平均值,/>为农田土壤养分含量标准范围。
在上述技术方案中,本发明提供的技术效果和优点:
1、本发明通过卷积神经网络提取图像数据中农作物的异常生长的异常特征后,基于网格法获取异常检测点的异常特征网格占取数量,并通过计算农田异常特征离散程度来分析农作物异常生长发展趋势,依据分析结果生成相应的农田管理策略,从而能够对影响农作物的异常生长进行趋势分析,便于提前做出管理策略,并且,通过农田系数由小到大对所有区域农田进行排序,生成农田排序管理表,在定期对所有区域农田进行综合管理时,依据农田排序管理表正序选择农田的管理顺序,有效提高对农田的管理效率。
2、本发明通过提取识别农作物的异常生长的异常特征后,基于网格法将图像数据分割为若干网格,然后计算图像数据中异常生长的异常特征的离散程度,从而对农作物的生长趋势进行分析,并依据分析结果来制定相应的农田管理策略,从而减少资源的浪费,并减少对环境的不良影响,实现可持续的农业发展;
3、本发明在获取种植区域内,所有农田的农田系数后,依据农田系数由小到大对所有区域农田进行排序,生成农田排序管理表,在农田排序管理表中,农田的排序越靠前,表明农田越需要被管理,在定期对所有区域农田进行综合管理时,依据农田排序管理表正序选择农田的管理顺序,从而提高对农田的综合管理效率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例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中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明的方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例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。
实施例1:请参阅图1所示,本实施例所述一种用于综合识别的目标图像特征提取方法,所述提取方法包括以下步骤:
收集区域农田中农作物的图像数据,可以通过现场摄影或使用无人机等技术进行采集,具体为:
A、确定采集区域:选择要采集的农田区域,可以根据农作物类型、生长阶段或病虫害分布情况等因素进行确定;
B、准备拍摄设备:准备好相机设备或无人机,并确保其正常工作,根据需要选择合适的相机参数,如焦距、快门速度、光圈大小等;
C、规划采集路线:如果使用无人机进行图像采集,需要规划好飞行路径和航线,考虑采集区域的大小、形状和安全要求,确定合适的航点和飞行高度;
D、图像采集:根据预定的计划,进行现场摄影或无人机飞行,开始采集农田中农作物的图像数据,保持相机或无人机的稳定,尽量避免晃动和模糊;
E、多角度和多时段采集:为了获取全面的农作物信息和准确的病虫害分布情况,可以选择不同角度和不同时间段进行图像采集,这样可以获得更多的数据样本,丰富农作物特征的多样性;
F、数据备份和整理:在采集过程中,定期备份图像数据,确保数据的安全性和完整性,采集完成后,对图像进行整理和分类,按照采集时间、位置或农作物类型等进行合理的组织;
G、数据质量检查:对采集的图像数据进行质量检查,排除因光照、模糊或曝光不准确等问题导致的低质量图像,从而降低图像数据的处理量;
H、数据标注和注释:根据需要,对采集的图像数据进行标注和注释,例如标记农作物区域、标记病虫害区域等,以便后续的图像分类和分析。
对收集的农作物图像数据进行预处理,包括去噪、图像增强、尺寸调整等操作,以提高图像质量和减少干扰,具体包括以下步骤:
A、去噪:使用适当的去噪算法去除图像中的噪声,如高斯滤波、中值滤波或双边滤波等,去噪可以平滑图像,减少细节中的随机噪声;
B、图像增强:通过增强图像的对比度、亮度和色彩等属性,提升图像的视觉效果和细节,常用的图像增强方法包括直方图均衡化、自适应直方图均衡化和增强滤波等;
C、尺寸调整:将图像调整为统一的尺寸,以便后续处理和分析,可以根据需求将图像调整为特定的大小,或按照一定的比例进行缩放或裁剪;
D、彩色空间转换:根据需要,将图像从一种彩色空间转换为另一种,如从RGB空间转换为灰度图像或其他颜色空间,彩色空间转换可以简化图像处理和减少计算复杂度;
E、形态学处理:应用形态学操作,如腐蚀、膨胀、开运算或闭运算等,对图像进行形状的调整和细化,去除小的干扰物或填充空洞;
F、边缘检测:使用边缘检测算法,如Canny边缘检测或Sobel算子,提取图像中的边缘信息,突出物体边界;
G、光照校正:对图像进行光照校正,消除光照不均匀或阴影对图像的影响,可以采用灰度拉伸、直方图规定化或自适应光照校正等方法;
H、色彩校正:对图像进行色彩校正,调整图像的色彩平衡、色调和饱和度,使图像更真实和可视化,可以使用颜色校正算法,如白平衡或颜色映射等。
通过卷积神经网络提取图像数据中农作物的异常生长的异常特征,农作物的异常生长的异常特征通过VGG模型提取,提取步骤如下:
A、构建VGG模型:根据VGG架构,设计和构建适合农作物异常生长检测的卷积神经网络模型,VGG模型由多个卷积层和池化层交替堆叠而成,最后经过全连接层进行分类,可以选择不同的层数和滤波器数量,根据数据集和任务的复杂性进行调整;
B、数据划分:将数据集划分为训练集、验证集和测试集,训练集用于训练VGG模型的参数,验证集用于调整模型的超参数和监控训练过程,测试集用于评估模型的性能和泛化能力;
C、数据增强:对训练集进行数据增强操作,增加数据的多样性和数量,可以使用图像旋转、翻转、缩放、平移等操作扩增训练集样本;
D、网络训练:使用训练集对构建的VGG模型进行训练,通过反向传播算法和优化器,更新模型的权重和偏置,使模型逐渐学习提取图像数据中的异常生长的异常特征;
E、模型评估:使用验证集评估训练过程中的模型性能和泛化能力,计算模型的准确率、精确率、召回率等指标,分析模型在异常检测任务上的表现;
F、超参数调优:根据验证集的性能表现,调整模型的超参数,如学习率、批大小、卷积核大小等,以获得更好的模型性能;
G、模型测试:使用测试集对经过训练和调优的模型进行测试,评估模型在实际场景中的性能和可靠性,观察模型是否能准确地识别和定位农作物生长的异常情况。
由于农作物异常生长时,异常生长的区域农作物颜色与其他区域有区别,将异常生长的区域农作物从图像数据中提取并识别后进行下一步处理。
基于网格法获取异常检测点的异常特征网格占取数量,并通过计算农田异常特征离散程度来分析农作物异常生长发展趋势,依据分析结果生成相应的农田管理策略,将农田异常特征离散程度结合与农田相关的多源数据进行综合分析获取农田系数,并依据农田系数由小到大对所有区域农田进行排序,生成农田排序管理表,在定期对所有区域农田进行综合管理时,依据农田排序管理表正序选择农田的管理顺序;
本申请通过卷积神经网络提取图像数据中农作物的异常生长的异常特征后,基于网格法获取异常检测点的异常特征网格占取数量,并通过计算农田异常特征离散程度来分析农作物异常生长发展趋势,依据分析结果生成相应的农田管理策略,从而能够对影响农作物的异常生长进行趋势分析,便于提前做出管理策略,并且,通过农田系数由小到大对所有区域农田进行排序,生成农田排序管理表,在定期对所有区域农田进行综合管理时,依据农田排序管理表正序选择农田的管理顺序,有效提高对农田的管理效率。
实施例2:基于网格法获取异常检测点的异常特征网格占取数量,并通过计算农田异常特征离散程度来分析农作物异常生长发展趋势,依据分析结果生成相应的农田管理策略;
当农作物受到病虫害时,受到病虫害处的农作物的颜色与正常生长农作物的颜色存在区别,使用无人机收集区域农田中农作物的图像数据,图像数据的边界为农田的边界,每块农田为一个区域,操作人员控制无人机位于农田的正上方俯拍农田中的农作物,经过提取系统预处理并识别农作物的异常生长的异常特征;
提取系统基于网格法将图像数据划分为若干网格,提取系统识别异常特征后,将异常特征划分为多个异常检测点,本申请中所述的连续异常特征为:相邻网格连续的异常特征为连续异常特征,作为一个异常检测点,下一异常检测点与上一异常检测点之间间隔一个网格;
为了更好的说明上述方案,我们举例如下:
例如,将图像数据通过网格法划分为100个小网格,其中,异常特征分别在图像中的各个部位,当3个相邻的网格中均有异常特征时,这3个网格为一个异常检测点,若3个相邻网格周边间隔1个网格后又存在异常特征,则该异常特征作为下一个异常检测点(该异常检测点可能是网格连续的异常特征或1个网格异常特征),以此类推,即可将图像数据中的异常特征划分为若干个异常检测点,每个异常检测点的占比值相等或不相等。
通过计算农田异常特征离散程度来分析农作物异常生长发展趋势包括以下步骤:
提取系统获取图像数据后,基于网格法将图像数据划分为多个网格;
识别图像数据中的异常特征后,获取所有异常检测点的数量;
获取异常检测点的异常特征网格占取数量,并计算所有异常检测点异常特征网格占取数量平均值:;式中,/>为异常特征网格占取数量平均值,/>表示第i个异常检测点的异常特征网格占取数量,/>为所有异常检测点的数量,本实施例中,为了更好分析农作物异常生长发展趋势,因此,当网格中存在异常特征时,无论异常特征在网格中的面积大或小,该网格均为异常特征网格;
计算每个异常检测点异常特征网格占取数量与异常特征网格占取数量平均值的差值,将差值平方后的总和除以所有异常检测点的数量减1得到方差,最后对方差进行平方根操作,得到农田异常特征离散程度,计算表达式为:
式中,为农田异常特征离散程度,/>,/>表示所有异常检测点的数量,/>为正整数,/>表示第i个异常检测点的异常特征网格占取数量,/>表示异常特征网格占取数量平均值;
若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/><离散阈值,分析农作物异常生长,且异常生长发展趋势快,表明农作物可能遭受了某种病虫害或其他外部因素的影响,导致异常生长,异常生长的快速发展可能对整个农田的健康产生负面影响,需要及时采取措施来控制异常生长的扩散;
若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,分析农作物异常生长,且异常生长发展趋势缓和,表明农作物可能经历了一段时间的异常生长,但异常生长的速度已经放缓,这可能意味着采取了一些管理措施或环境条件有所改善,但仍需要继续监测和采取适当的措施来修复异常生长;
若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/><离散阈值,分析农作物正常生长,且正常生长趋势稳定,表明农作物正处于正常的生长状态,并且其生长趋势相对稳定,农作物正常生长的稳定趋势意味着农田的管理措施有效,农作物在良好的环境条件下健康生长;
若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,分析农作物正常生长,但正常生长趋势不稳定,表明农作物的生长趋势可能受到一些不稳定因素的影响,如气候变化、土壤质量变化等。这可能导致农作物生长的波动性增加,需要进一步的监测和调整管理策略,以稳定农作物的生长趋势;
依据分析结果生成相应的农田管理策略包括以下步骤:
1)分析农作物异常生长,且异常生长发展趋势快时:针对这种情况,需要及时采取措施来控制异常生长的扩散速度,可能需要增加施肥量、调整灌溉策略、使用适当的农药来控制病虫害等,以防止异常生长对整个农田的影响进一步扩大;
2)分析农作物异常生长,且异常生长发展趋势缓和:针对这种情况,可以进行进一步的监测和观察,以确定异常生长的原因和潜在影响,可以采取适当的管理措施来控制和修复异常生长,例如修剪受影响的部分、调整灌溉和施肥等,以促进农作物的恢复和正常生长;
3)分析农作物正常生长,且正常生长趋势稳定:在这种情况下,农作物正常生长,并且其生长趋势相对稳定,在管理方面,可以继续维持良好的农田管理措施,包括适时的施肥、灌溉和病虫害防治等,以确保农作物的健康生长和产量稳定;
4)分析农作物正常生长,但正常生长趋势不稳定:在这种情况下,农作物的生长趋势可能受到一些不稳定因素的影响,如气候变化、土壤质量变化等,针对这种情况,可以进行更详细的分析和监测,以确定引起不稳定生长的因素,根据分析结果,可能需要调整农田管理策略,如改善土壤质量、调整种植时间等,以稳定农作物的生长趋势。
本申请通过提取识别农作物的异常生长的异常特征后,基于网格法将图像数据分割为若干网格,然后计算图像数据中异常生长的异常特征的离散程度,从而对农作物的生长趋势进行分析,并依据分析结果来制定相应的农田管理策略,从而减少资源的浪费,并减少对环境的不良影响,实现可持续的农业发展。
实施例3:将农田异常特征离散程度结合与农田相关的多源数据进行综合分析获取农田系数,并依据农田系数由小到大对所有区域农田进行排序,生成农田排序管理表,在定期对所有区域农田进行综合管理时,依据农田排序管理表正序选择农田的管理顺序。
将农田异常特征离散程度结合与农田相关的多源数据进行综合分析获取农田系数;
在将农田异常特征离散程度结合与农田相关的多源数据进行综合分析前,需要对农田异常特征离散程度进行指数化处理,获取农田异常特征离散指数,参照实施例2中对农作物生长趋势分析获取,具体如下:
若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/><离散阈值,分析农作物异常生长,且异常生长发展趋势快,农田异常特征离散指数/>=2.5;
若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,分析农作物异常生长,且异常生长发展趋势缓和,农田异常特征离散指数/>=2;
若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/><离散阈值,分析农作物正常生长,且正常生长趋势稳定,农田异常特征离散指数=1;
若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,分析农作物正常生长,但正常生长趋势不稳定,农田异常特征离散指数/>=1.5。
与农田相关的多源数据包括农作物经济效益量度以及土壤质量赋值。
因此,将农田异常特征离散指数、农作物经济效益量度以及土壤质量赋值通过公式综合计算得到农田系数,计算表达式为:
式中,为农作物经济效益量度,/>为农田异常特征离散指数,/>为土壤质量赋值,/>分别为农作物经济效益量度、农田异常特征离散指数以及土壤质量赋值的比例系数,且/>均大于0。
获取种植区域内,所有农田的农田系数后,依据农田系数由小到大对所有区域农田进行排序,生成农田排序管理表,在农田排序管理表中,农田的排序越靠前,表明农田越需要被管理,在定期对所有区域农田进行综合管理时,依据农田排序管理表正序选择农田的管理顺序,从而提高对农田的综合管理效率。
在实际情况中,由于管理人员人手不足,通常是将区域种植以农田为单位进行分开管理,然而,现有技术中,在定期管理时,通常是参照农田的经济效益选择农田的管理顺序,考虑过于单一,降低对农田的管理效率;
因此,本申请通过综合考虑多项参数来对农田进行排序管理,分析更为全面,有效提高大面积种植区域农田的管理效率。
所述农作物经济效益量度的计算表达式为:
约束条件为:
式中,表示农田中各种农作物的种植面积,/>表示各种农作物的收益系数,/>为约束条件中的系数,表示不同限制条件下农作物的影响,/>为约束条件的常数,其中,约束条件可以包括土地面积限制、水资源限制、施肥、农药使用限制等,这些限制条件根据具体情况进行设定,在此不做限定。
农作物经济效益量表示农田经营所能达到的最大经济效益,农田的最大经济效益越大,则该农田也需要进行管理。
为了更好的说明农作物经济效益量度,我们举例如下:
假设有一个农田主要种植大豆和玉米两种农作物,农田的土地面积为1000平方米,且每平方米大豆的收益为10元,每平方米玉米的收益为8元;
则农作物经济效益量度,约束条件为:,其中/>是大豆的种植面积,/>是玉米的种植面积,约束条件表示农田的土地面积限制,要求大豆和玉米的种植面积之和不超过1000平方米。
上述举例为两种农作物混合种植,且约束条件为一个,若农田种植的农作物只有一种,且具有多个约束条件,则举例如下:
假设我们只有一种农作物(例如小麦),农田面积为1000平方米,并且受到以下限制条件:
土地面积限制:农田面积为1000平方米,即可种植的作物总面积不能超过1000平方米;
水资源限制:农田可用的水资源有限,假设每平方米农田需要10升水,且水资源总量为5000升,则农田所需水量不能超过水资源总量,即农田面积乘以每平方米水量不能超过5000升;
施肥限制:假设每平方米农田需要施肥量为1千克,且总施肥量为500千克,则农田所需施肥量不能超过施肥资源总量,即农田面积乘以每平方米施肥量不能超过500千克;
农药使用限制:假设每平方米农田需要农药量为0.5千克,且总农药量为200千克,则农田所需农药量不能超过农药资源总量,即农田面积乘以每平方米农药量不能超过200千克。
假设农作物产量与农田面积成正比关系,且每平方米大豆的收益为6元,
则农作物经济效益量度,其中/>表示农田面积,约束条件为:
(土地面积限制);
(水资源限制);
(施肥限制);/>
(农药使用限制)。
土壤质量赋值的计算表达式为:
式中,为土壤pH浮动值,/>为土壤有机质含量浮动值,/>为土壤养分含量浮动值。
其中,土壤pH浮动值的计算表达式为:
式中,为采集的土壤pH平均值,/>为农田土壤pH值标准范围。
例如,玉米种植适宜的土壤pH值通常在5.8~7.0之间;
当土壤pH值偏酸性(低于5.8)时,可能会导致以下问题:
铝毒害:土壤酸性会释放出有害的铝离子,对玉米的根系产生毒害作用;
养分缺乏:酸性土壤中某些养分(如磷、锌、钙等)的可利用性降低,可能导致玉米缺乏这些关键养分。
而土壤pH值偏碱性(高于7.0)时,也可能引起以下问题:
养分固定:碱性土壤中一些养分(如磷、铁、锌等)容易形成难溶化的化合物,导致玉米无法有效吸收;
酸性元素缺乏:碱性土壤中可能缺乏一些酸性元素(如铜、锰等),从而影响玉米的正常生长。
因此,农田土壤pH值标准范围根据不同农作物进行设定,在此不做限定。
土壤有机质含量浮动值的计算表达式为:
式中,为采集的土壤有机质含量平均值,/>为农田土壤有机质含量标准范围。
土壤养分含量浮动值的计算表达式为:
式中,为采集的土壤养分含量平均值,/>为农田土壤养分含量标准范围。
土壤有机质含量以及养分含量过低会导致农作物生长缓慢,土壤有机质含量以及养分含量过高会导致农作物生长平衡。
因此,当土壤质量赋值越大时,表明农田土壤越不适合农作物的生长。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数由本领域的技术人员根据实际情况进行设置。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”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发明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。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种用于综合识别的目标图像特征提取方法,其特征在于:所述提取方法包括以下步骤:
S1:收集区域农田中农作物的图像数据,并对收集的农作物图像数据进行预处理;
S2:通过卷积神经网络提取图像数据中农作物的异常生长的异常特征;
S3:基于网格法获取异常检测点的异常特征网格占取数量,相邻网格连续的异常特征为连续异常特征,作为一个异常检测点,并通过计算农田异常特征离散程度来分析农作物异常生长发展趋势;
S4:依据分析结果生成相应的农田管理策略;
S5:将农田异常特征离散程度结合与农田相关的多源数据进行综合分析获取农田系数,并依据农田系数由小到大对所有区域农田进行排序,生成农田排序管理表;
S6:定期对所有区域农田进行综合管理时,依据农田排序管理表正序选择农田的管理顺序;
步骤S3中,农田异常特征离散程度的获取逻辑为:
S3.1:提取系统获取图像数据后,基于网格法将图像数据划分为多个网格;
S3.2:识别图像数据中的异常特征后,获取所有异常检测点的数量;
S3.3:获取异常检测点的异常特征网格占取数量,并计算所有异常检测点异常特征网格占取数量平均值:;式中,/>为异常特征网格占取数量平均值,/>表示第i个异常检测点的异常特征网格占取数量,/>为所有异常检测点的数量;
S3.4:计算每个异常检测点异常特征网格占取数量与异常特征网格占取数量平均值的差值,将差值平方后的总和除以所有异常检测点的数量减1得到方差;
S3.5:最后对方差进行平方根操作,得到农田异常特征离散程度;
所述农田异常特征离散程度的计算表达式为:
式中,为农田异常特征离散程度,/>,/>表示所有异常检测点的数量,/>为正整数,/>表示第i个异常检测点的异常特征网格占取数量,/>表示异常特征网格占取数量平均值;
步骤S3中,分析农作物异常生长发展趋势包括以下步骤:
S3.6:若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/><离散阈值,分析结果为农作物异常生长,且异常生长发展趋势快;
S3.7:若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,分析结果为农作物异常生长,且异常生长发展趋势缓和;
S3.8:若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/><离散阈值,分析结果为农作物正常生长,且正常生长趋势稳定;
S3.9:若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度/>≥离散阈值,分析结果为农作物正常生长,但正常生长趋势不稳定;
步骤S5中,获取农田系数包括以下步骤:
将农田异常特征离散指数、农作物经济效益量度以及土壤质量赋值通过公式综合计算得到农田系数,计算表达式为:
式中,为农作物经济效益量度,/>为农田异常特征离散指数,/>为土壤质量赋值,/>分别为农作物经济效益量度、农田异常特征离散指数以及土壤质量赋值的比例系数,且/>均大于0;
所述农田异常特征离散指数的获取逻辑为:
若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度<离散阈值,农田异常特征离散指数/>=2.5;
若异常特征网格占取数量平均值>异常网格数量阈值,且农田异常特征离散程度≥离散阈值,农田异常特征离散指数/>=2;
若异常特征网格占取数量平均值≤异常网格数量阈值,且农田异常特征离散程度<离散阈值,农田异常特征离散指数/>=1;
若异常特征网格占取数量平均≤异常网格数量阈值,且农田异常特征离散程度≥离散阈值,农田异常特征离散指数/>=1.5。
2.根据权利要求1所述的一种用于综合识别的目标图像特征提取方法,其特征在于:所述农作物经济效益量度的计算表达式为:
约束条件为:
式中,表示农田中各种农作物的种植面积,/>表示各种农作物的收益系数,/>为约束条件中的系数,表示不同限制条件下农作物的影响,/>为约束条件的常数。
3.根据权利要求2所述的一种用于综合识别的目标图像特征提取方法,其特征在于:所述土壤质量赋值的计算表达式为:
式中,为土壤pH浮动值,/>为土壤有机质含量浮动值,/>为土壤养分含量浮动值。
4.根据权利要求3所述的一种用于综合识别的目标图像特征提取方法,其特征在于:所述土壤pH浮动值的计算表达式为:
式中,为采集的土壤pH平均值,/>为农田土壤pH值标准范围。
5.根据权利要求4所述的一种用于综合识别的目标图像特征提取方法,其特征在于:所述土壤有机质含量浮动值的计算表达式为:
式中,为采集的土壤有机质含量平均值,/>为农田土壤有机质含量标准范围;
所述土壤养分含量浮动值的计算表达式为:
式中,为采集的土壤养分含量平均值,/>为农田土壤养分含量标准范围。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025569.9A CN116778343B (zh) | 2023-08-15 | 2023-08-15 | 一种用于综合识别的目标图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311025569.9A CN116778343B (zh) | 2023-08-15 | 2023-08-15 | 一种用于综合识别的目标图像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778343A CN116778343A (zh) | 2023-09-19 |
CN116778343B true CN116778343B (zh) | 2023-11-14 |
Family
ID=88013701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311025569.9A Active CN116778343B (zh) | 2023-08-15 | 2023-08-15 | 一种用于综合识别的目标图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778343B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117196541B (zh) * | 2023-11-06 | 2024-03-05 | 深圳市万科物业服务有限公司 | 一种物业管理监控管理系统及方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1794288A (zh) * | 2006-01-09 | 2006-06-28 | 江苏省农业科学院 | 作物多元数轮作周期农药量的遥感估算方法 |
CN1794290A (zh) * | 2006-01-09 | 2006-06-28 | 江苏省农业科学院 | 作物多元数轮作周期病虫害的遥感诊断方法 |
CN104408307A (zh) * | 2014-11-25 | 2015-03-11 | 河南农业大学 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
CN107451522A (zh) * | 2017-04-28 | 2017-12-08 | 山东省农业可持续发展研究所 | 一种农业干旱监测与预警预报方法 |
CN107862687A (zh) * | 2017-11-07 | 2018-03-30 | 潘柏霖 | 一种用于监测农业病虫害的预警系统 |
CN109154978A (zh) * | 2016-05-13 | 2019-01-04 | 巴斯夫欧洲公司 | 用于检测植物疾病的系统和方法 |
WO2019133973A1 (en) * | 2017-12-29 | 2019-07-04 | Ohio State Innovation Foundation | Crop health sensing system |
CN110852282A (zh) * | 2019-11-13 | 2020-02-28 | 榆林学院 | 一种基于机器视觉的农田病害监测系统 |
CN111738066A (zh) * | 2020-05-11 | 2020-10-02 | 杭州电子科技大学 | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 |
CN112418188A (zh) * | 2020-12-17 | 2021-02-26 | 成都亚讯星科科技股份有限公司 | 基于无人机视觉的农作物生长全程数字化评估方法 |
CN113869098A (zh) * | 2021-06-02 | 2021-12-31 | 甘肃农业大学 | 植物病害识别方法、装置、电子设备及存储介质 |
CN115100528A (zh) * | 2022-07-17 | 2022-09-23 | 扬州大学 | 一种基于卷积神经网络的农作物病虫害识别方法 |
WO2023060053A1 (en) * | 2021-10-06 | 2023-04-13 | University Of Florida Research Foundation, Incorporated | Biomarker reflectance signatures for disease detection and classification |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3832524A1 (en) * | 2019-12-03 | 2021-06-09 | Basf Se | System and method for determining damage on crops |
US20220107297A1 (en) * | 2020-10-02 | 2022-04-07 | Ecoation Innovative Solutions Inc. | Platform for real-time identification and resolution of spatial production anomalies in agriculture |
-
2023
- 2023-08-15 CN CN202311025569.9A patent/CN116778343B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1794288A (zh) * | 2006-01-09 | 2006-06-28 | 江苏省农业科学院 | 作物多元数轮作周期农药量的遥感估算方法 |
CN1794290A (zh) * | 2006-01-09 | 2006-06-28 | 江苏省农业科学院 | 作物多元数轮作周期病虫害的遥感诊断方法 |
CN104408307A (zh) * | 2014-11-25 | 2015-03-11 | 河南农业大学 | 田间小麦白粉病发病程度的快速监测方法及其监测模型的构建方法 |
CN109154978A (zh) * | 2016-05-13 | 2019-01-04 | 巴斯夫欧洲公司 | 用于检测植物疾病的系统和方法 |
CN107451522A (zh) * | 2017-04-28 | 2017-12-08 | 山东省农业可持续发展研究所 | 一种农业干旱监测与预警预报方法 |
CN107862687A (zh) * | 2017-11-07 | 2018-03-30 | 潘柏霖 | 一种用于监测农业病虫害的预警系统 |
WO2019133973A1 (en) * | 2017-12-29 | 2019-07-04 | Ohio State Innovation Foundation | Crop health sensing system |
CN110852282A (zh) * | 2019-11-13 | 2020-02-28 | 榆林学院 | 一种基于机器视觉的农田病害监测系统 |
CN111738066A (zh) * | 2020-05-11 | 2020-10-02 | 杭州电子科技大学 | 综合多源遥感信息的网格化水稻纹枯病生境评价方法 |
CN112418188A (zh) * | 2020-12-17 | 2021-02-26 | 成都亚讯星科科技股份有限公司 | 基于无人机视觉的农作物生长全程数字化评估方法 |
CN113869098A (zh) * | 2021-06-02 | 2021-12-31 | 甘肃农业大学 | 植物病害识别方法、装置、电子设备及存储介质 |
WO2023060053A1 (en) * | 2021-10-06 | 2023-04-13 | University Of Florida Research Foundation, Incorporated | Biomarker reflectance signatures for disease detection and classification |
CN115100528A (zh) * | 2022-07-17 | 2022-09-23 | 扬州大学 | 一种基于卷积神经网络的农作物病虫害识别方法 |
Non-Patent Citations (3)
Title |
---|
基于卷积神经网络的大蒜长势评估;李晨阳;《中国优秀硕士论文全文数据库 农业科技辑》(第1期);第D048-60页 * |
基于多神经网络的小麦病害在线诊断系统;夏永泉;李耀斌;李晨;;科技通报(第10期);67-70 * |
基于深度学习的病虫害智能化识别系统;陈天娇;曾娟;谢成军;王儒敬;刘万才;张洁;李瑞;陈红波;胡海瀛;董伟;;中国植保导刊(第04期);28-36 * |
Also Published As
Publication number | Publication date |
---|---|
CN116778343A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
US20230292647A1 (en) | System and Method for Crop Monitoring | |
Zhou et al. | An integrated skeleton extraction and pruning method for spatial recognition of maize seedlings in MGV and UAV remote images | |
CN116778343B (zh) | 一种用于综合识别的目标图像特征提取方法 | |
Cheng et al. | DESTIN: A new method for delineating the boundaries of crop fields by fusing spatial and temporal information from WorldView and Planet satellite imagery | |
CN113468964B (zh) | 一种基于高光谱的农业病虫害监测方法及设备 | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
Liu et al. | A method to calculate the number of wheat seedlings in the 1st to the 3rd leaf growth stages | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN116129260A (zh) | 基于深度学习的牧草图像识别方法 | |
Fischer et al. | Use of unmanned aircraft systems (UAS) and multispectral imagery for quantifying agricultural areas damaged by wild pigs | |
CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
Taghadomi-Saberi et al. | Improving field management by machine vision-a review | |
CN112528726A (zh) | 一种基于光谱成像和深度学习的棉蚜虫害监测方法及系统 | |
CN111191543A (zh) | 油菜产量估测方法 | |
CN115619286B (zh) | 一种评估育种田间小区样地质量的方法和系统 | |
CN116883309A (zh) | 一种大豆表型获取方法 | |
Yang et al. | Feature extraction of cotton plant height based on DSM difference method | |
CN113112147A (zh) | 一种基于地面实测与遥感协同的柑橘黄龙病风险评估方法 | |
Butler | Making the replant decision: utilization of an aerial platform to guide replant decisions in Tennessee cotton | |
de Castro et al. | UAVs for Vegetation Monitoring: Overview and Recent Scientific Contributions. Remote Sens. 2021, 13, 2139 | |
Poleshchenko et al. | Development of a System for Automated Control of Planting Density, Leaf Area Index and Crop Development Phases by UAV Photos | |
Shirai et al. | Detection method for Convallaria keiskei colonies in Hokkaido, Japan, by combining CNN and FCM using UAV-based remote sensing data | |
Khan et al. | Analysis of data mining techniques for agricultural science |
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 |