CN116797601A - 一种基于图像识别的华山松生长动态的监控方法及系统 - Google Patents
一种基于图像识别的华山松生长动态的监控方法及系统 Download PDFInfo
- Publication number
- CN116797601A CN116797601A CN202311069218.8A CN202311069218A CN116797601A CN 116797601 A CN116797601 A CN 116797601A CN 202311069218 A CN202311069218 A CN 202311069218A CN 116797601 A CN116797601 A CN 116797601A
- Authority
- CN
- China
- Prior art keywords
- image
- seedlings
- huashansong
- huashan pine
- huashan
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 235000008331 Pinus X rigitaeda Nutrition 0.000 claims abstract description 211
- 235000011613 Pinus brutia Nutrition 0.000 claims abstract description 211
- 241000018646 Pinus brutia Species 0.000 claims abstract description 211
- 230000007613 environmental effect Effects 0.000 claims abstract description 37
- 239000002689 soil Substances 0.000 claims description 35
- 238000012423 maintenance Methods 0.000 claims description 16
- 239000003086 colorant Substances 0.000 claims description 10
- 239000003337 fertilizer Substances 0.000 claims description 10
- 238000005286 illumination Methods 0.000 claims description 10
- 230000004720 fertilization Effects 0.000 claims description 5
- 238000009333 weeding Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 4
- 241000018650 Pinus massoniana Species 0.000 description 15
- 235000011610 Pinus tabuliformis Nutrition 0.000 description 15
- 230000029553 photosynthesis Effects 0.000 description 12
- 238000010672 photosynthesis Methods 0.000 description 12
- 241000894007 species Species 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 238000005507 spraying Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000218631 Coniferophyta Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 240000000793 Pinus armandii Species 0.000 description 1
- 235000011612 Pinus armandii Nutrition 0.000 description 1
- 241001531051 Potentilla chinensis Species 0.000 description 1
- 229920002522 Wood fibre Polymers 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000005523 excessive nutrition Nutrition 0.000 description 1
- 239000000835 fiber Substances 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
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000007779 soft material Substances 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
- 239000002025 wood fiber Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G17/00—Cultivation of hops, vines, fruit trees, or like trees
- A01G17/005—Cultivation methods
-
- 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
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Pretreatment Of Seeds And Plants (AREA)
Abstract
本发明属于图像识别处理技术领域,公开了一种基于图像识别的华山松生长动态的监控方法及系统,包括在第一时间区间第一距离获取华山松苗木的第一图像;预设针对华山松苗木第一图像的第一参考图像,将第一图像与第一参考图像进行对比;根据对比结果将华山松苗木进行对应处理;第二时间区间内采用第二距离获取华山松苗木的第二图像;获取华山松苗木培育区的环境信息;根据华山松苗木的第二图像和环境信息,预测华山松苗木的可移栽时间;在终端上显示华山松苗木的图像信息、培育区的环境信息及华山松苗木预测可移栽时间。本发明可解决华山松苗木种植和移栽的效率及成功率不高的问题。
Description
技术领域
本发明属于图像识别处理技术领域,具体涉及一种基于图像识别的华山松生长动态的监控方法及系统。
背景技术
华山松是中速生针叶果材兼用树种,它不但生长相对较快,且木材力学强度大,纹理通直,材质较轻软,易加工,广泛应用于建筑及家具等用材,木材纤维含量高、长度长,为优良的造纸和纤维加工原料。它是针叶树种中生长比较迅速的一个树种,种子可供食用,经济价值较高。此外,因为华山松高大挺拔,针叶苍翠,冠形优美,生长迅速,是优良的庭院绿化树种。华山松在园林中可用作园景树、庭荫树、行道树及林带树、亦可用于丛植、群植,并系高山风景区之优良风景林树种。在盆景领域,华山松盆景可制成直干式、斜干式、曲干式、悬崖式等,各具韵味,同样具有很高的经济价值。培育及发展华山松已成为我国某些地区的林业支柱产业之一,群众栽植的积极性很高。
在种植华山松时,选择合适的苗木对于其生长和发育至关重要。一般情况下,针对特定用途,种植者一般依靠经验判断华山松苗木是否达到移栽标准,如培育时间达到2-3年且苗木生长旺盛、无病虫害、长势良好的苗木。但是该过程,判断方式人为因素影响较大,移栽前的华山松苗木养护全凭种植者经验,且移栽时机判断准确度及效率较低,从而会造成华山松的苗木种植效率、移栽效率、移栽成功率低下。
发明内容
针对上述提出的技术问题,本发明提供一种基于图像识别的华山松生长动态的监控方法及系统,旨在解决华山松苗木种植和移栽的效率及成功率不高的问题。
第一方面,本发明还提供了一种基于图像识别的华山松生长动态的监控方法,该方法包括:
S11:在第一时间区间第一距离获取华山松苗木的第一图像;
S12:预设第一参考图像,将第一图像与第一参考图像进行对比,根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级;
S13:将对比结果判断为不合格华山松苗木进行移除,基本合格华山松苗木进行特殊养护,合格华山松苗木进行正常养护;
S14:在第二时间区间第二距离获取华山松苗木的第二图像;
S15:获取华山松苗木培育区的环境信息;
S16:根据华山松苗木的第二图像和环境信息,预测华山松苗木的可移栽时间;
S17:在终端上显示华山松苗木的图像信息、培育区的环境信息及华山松苗木预测可移栽时间。
进一步地,在S17步骤之后还包括以下步骤:
S18:在第三时间区间第三距离获取华山松苗木的第三图像;
S19:预设第二参考图像,将第三图像与第二参考图像进行对比,根据对比结果将第三图像的华山松苗木区分为不可移栽、可移栽两个状态;
S20:将对比结果判断为可移栽华山松苗木进行移栽,不可移栽华山松苗木进行特殊养护至可移栽状态后进行移栽。
进一步地,在S11步骤之前还包括:
S10:获取华山松苗木的识别码,将华山松苗木的图像信息与对应华山松苗木的识别码绑定。
进一步地,所述步骤S11还包括:
将第一图像分割成为上层区、中层区、下层区,分别获取上层区状态信息、中层区状态信息、下层区状态信息;
所述上层区状态信息包括华山松苗木的冠幅、冠层、树叶颜色,所述中层区状态信息包括树干及主枝条长度、粗细、颜色,所述下层区状态信息包括土表根系、枯落物、土壤颜色。
进一步地,所述S12:预设第一参考图像,将第一图像与第一参考图像进行对比具体为:所述华山松苗木的第一图像的上层区和华山松苗木的第一参考图像上层区的冠幅、冠层、树叶颜色的各阈值对比;所述华山松苗木的第一图像的中层区和华山松苗木的第一参考图像中层区的树干及主枝条长度、粗细、颜色各阈值对比;所述华山松苗木的第一图像的下层区和华山松苗木的第一参考图像下层区的土表根系、枯落物、土壤颜色的各阈值对比。
进一步地,步骤S13中特殊养护包括但不限于除草频次由每月一次改为每半月一次,施肥频次由春季、夏季及秋季各施2次腐熟稀薄有机肥增加为各施4次腐熟稀薄有机肥;步骤S15中所述环境信息包括但不限制于温度、湿度、光照时间、光强、CO2含量。
进一步地,步骤S16还包括:根据预设可移栽时间及预测单元反馈的可移栽时间,调整培育区的环境信息。
第二方面,本发明提供了一种基于图像识别的华山松生长动态的监控系统,该系统包括:
摄像单元,获取华山松苗木的图像;
传感器单元,获取华山松苗木培育区的环境信息;
预测单元,根据摄像单元获取的华山松苗木的图像和传感器单元获取的环境信息,预测华山松苗木的可移栽时间;
终端单元,显示华山松苗木的图像、培育区的环境信息、华山松苗木预测可移栽时间及是否可移栽状态;
控制单元,根据预设可移栽时间及预测单元反馈的可移栽时间,调整培育区的环境信息。
第三方面,本发明提供了一种计算机存储介质,计算机存储介质存储有程序指令,其中,在程序指令运行时控制计算机存储介质所在设备执行上述任意一项的基于图像识别的华山松生长动态的监控方法。
第四方面,本发明提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一项的基于图像识别的华山松生长动态的监控方法。
与现有技术相比,本发明的有益效果至少如下所述:
(1)可以实现对华山松苗木生长状态的有效监控,提高华山松苗木种植期的种植效率及育活成功率。在第一时间区间第一距离获取华山松苗木的第一图像;预设第一参考图像,将第一图像与第一参考图像进行对比;根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级。可以有效实现华山松育苗期状态的有效监控,减少了人工参与,从而提高华山松苗木种植期的种植效率及育活成功率。
(2)可以实现对华山松苗木可移栽状态的有效判断,提高华山松苗木的移栽成功率。
在第二时间区间第二距离获取华山松苗木的第二图像;获取华山松苗木培育区的环境信息;根据华山松苗木的第二图像和环境信息,预测华山松苗木的可移栽时间。可以实现对华山松苗木可移栽状态的有效判断,减少人工参与,提高华山松苗木的移栽成功率。此外,设置在第三时间区间第三距离获取华山松苗木的第三图像;预设第二参考图像,将第三图像与第二参考图像进行对比,根据对比结果将第三图像的华山松苗木区分为不可移栽、可移栽两个状态;可以在可移栽华山松苗木时间段,根据第三图像与第二参考图像的对比判断对应华山松苗木是否具备可移栽状态。
(3)可以根据华山松苗木的生长状态对培育区环境调节,提高华山松苗木的栽培和移栽效率。本发明提供的基于图像识别的华山松生长动态的监控系统,可以根据预设可移栽时间及预测单元反馈的可移栽时间,调整培育区的环境信息,从而提高华山松苗木的栽培和移栽效率。
附图说明
为了更清楚地说明本发明实施例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,还可以根据提供的附图获得其他的附图。
图1为本发明的基于图像识别的华山松生长动态的监控方法的第一实施例的流程图;
图2为本发明的基于图像识别的华山松生长动态的监控方法的第二实施例的流程图;
图3为本发明的基于图像识别的华山松生长动态的监控方法的第三实施例的流程图;
图4为本发明的基于图像识别的华山松生长动态的监控系统的结构示意图。
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,以下结合附图及实施例,对本发明经行进一步的详细说明。显然,此处所描述的具体实施例仅仅用于解释本发明,是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术普通人员在没有做出创造性劳动的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。
需要说明,若本发明实施例中有涉及“第一”、“第二”、“第三”等的描述,则该“第一”、“第二”、“第三”等的描述仅用于描述目的,而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。另外,各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
第一实施例
图1所示是本发明提供的基于图像识别的华山松生长动态的监控方法的第一实施例的流程图,该流程图具体包括:
S11:在第一时间区间第一距离获取华山松苗木的第一图像。
人工繁殖的华山松苗木播种前一般春天3月下旬至4月上旬播种,当年苗木可长到10余厘米,第二年春可分苗栽植。在第一时间区间第一距离获取华山松苗木的第一图像。第一时间区间优选华山松种子生长1年后且分苗栽植后至播种满第2.5年的时间段,第一距离优选80cm-150cm之间。在此时间区间能够有效反应华山松苗木独立移栽前的生长状态,在此距离区间获取华山松苗木图像能够将华山松苗全部拍入其中,距离恰当的保证华山松苗木图像的清晰度,同时避免了图像中摄入过多杂景。
S12:预设第一参考图像,将第一图像与第一参考图像进行对比,根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级;
预先设置与华山松苗木对应的第一参考图像,第一参考图像作为此阶段华山松苗木的正常合理生长状态图像,将第一图像与第一参考图像进行对比,可以根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级,方便对应做出不同的应对措施。
S13:将对比结果判断为不合格华山松苗木进行移除,基本合格华山松苗木进行特殊养护,合格华山松苗木进行正常养护;
对华山松苗木判断为不合格时,华山松苗木已无继续栽培价值,可直接进行移除,避免继续无意义栽培造成的损失;对华山松苗木判断为基本合格时,此时需系统或人工参与对基本合格的华山松苗木进行干预,改变栽育环境,使之向良好的生长状态发展;对华山松苗木判断为合格时,只需对华山松苗木进行正常养护即可,特殊养护包括但不限于除草频次由每月一次改为每半月一次,施肥频次由春季、夏季及秋季各施2次腐熟稀薄有机肥增加为各施4次腐熟稀薄有机肥,同时,根据影响华山松生长的其他因素对华山松苗木进行对应的遮荫、打药、换土、修剪处理。
S14:在第二时间区间第二距离获取华山松苗木的第二图像;
第二时间区间优选华山松种子生长2.5年后至4年期间的时间段,第二距离优选150cm-250cm之间。在此时间区间能够有效反应华山松苗木独立移栽前且可以预测可移栽时间的生长状态,在此距离区间获取华山松苗木图像能够将华山松苗全部拍入其中,距离恰当的保证华山松苗木图像的清晰度,同时避免了图像中摄入过多杂景。
S15:获取华山松苗木培育区的环境信息;
通过传感器单元获取华山松苗木培育区的环境信息,环境信息包括但不限制于温度、湿度、光照时间、光强、CO2含量等,培育区的天气影响华山松苗木的光合作用,为了方便管理,保证生长环境受控,培育区选择密封的或半密封的,可根据天气情况,选择光照时间,保障光合作用速率可控。
S16:根据华山松苗木的第二图像和环境信息,预测华山松苗木的可移栽时间;
根据预先建立的华山松苗木可移栽的标准、华山松苗木的图像、光合作用速率预测华山松苗木的可移栽时间。
S17:在终端上显示华山松苗木的图像信息、培育区的环境信息及华山松苗木预测可移栽时间。
在终端上实时显示华山松苗木的图像、培育区的环境信息及华山松苗木预测可移栽时间,以供种植人员选择华山松苗木时参考,即种植人员可在终端上查看华山松苗木生长动态及整个生长期的环境信息。
本实施例中,步骤S11还包括:将第一图像分割成为上层区、中层区、下层区,分别获取上层区状态信息、中层区状态信息、下层区状态信息;所述上层区状态信息包括华山松苗木的冠幅、冠层、树叶颜色,所述中层区状态信息包括树干及主枝条长度、粗细、颜色,所述下层区状态信息包括土表根系、枯落物、土壤颜色。
通过将第一图像分割成为上层区、中层区、下层区,可以实现对第一图像的有效分割,结合获取华山松苗木图像中的相近图形特征及华山松苗关键不同区域进行图像分割,这样更利于分析。
本实施例中,步骤S12中的将第一图像与第一参考图像进行对比具体为:所述华山松苗木的第一图像的上层区和华山松苗木的第一参考图像上层区的冠幅、冠层、树叶颜色的各阈值对比;所述华山松苗木的第一图像的中层区和华山松苗木的第一参考图像中层区的树干及主枝条长度、粗细、颜色各阈值对比;所述华山松苗木的第一图像的下层区和华山松苗木的第一参考图像下层区的土表根系、枯落物、土壤颜色的各阈值对比。通过这样的阈值对比,得到对比结果,便于对华山松苗木目前的生长状态进行等级归类,分类成不合格、基本合格、合格三个等级。
本实施例中,通过在第一时间区间第一距离获取华山松苗木的第一图像;预设第一参考图像,将第一图像与第一参考图像进行对比;根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级,以有效实现华山松育苗期状态的有效监控;同时,在第二时间区间第二距离获取华山松苗木的第二图像,获取第二时间段培育区的环境信息计算华山松苗木的光合作用速率,然后根据预先建立的华山松苗木可移栽的标准、华山松苗木的图像、光合作用速率预测华山松苗木的可移栽时间并在终端实施显示,以指导种植人员准确选择合适的华山松苗木进行移栽。
第二实施例
图2所示是本发明提供的基于图像识别的华山松生长动态的监控方法的第二实施例的流程图,该流程图具体包括:
S10:获取华山松苗木的识别码,将华山松苗木的图像信息与对应华山松苗木的识别码绑定。
华山别苗木上具有唯一的识别码,包括但不限于二维码、条形码、RFID标签。识别码与图像信息相对应,获取华山松苗木的识别码和图像后,发送至终端。
S11:在第一时间区间第一距离获取华山松苗木的第一图像。
人工繁殖的华山松苗木播种前一般春天3月下旬至4月上旬播种,当年苗木可长到10余厘米,第二年春可分苗栽植。在第一时间区间第一距离获取华山松苗木的第一图像。第一时间区间优选华山松种子生长1年后且分苗栽植后至播种满第2.5年的时间段,第一距离优选80cm-150cm之间。在此时间区间能够有效反应华山松苗木独立移栽前的生长状态,在此距离区间获取华山松苗木图像能够将华山松苗全部拍入其中,距离恰当的保证华山松苗木图像的清晰度,同时避免了图像中摄入过多杂景。
S12:预设第一参考图像,将第一图像与第一参考图像进行对比,根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级;
预先设置与华山松苗木对应的第一参考图像,第一参考图像作为此阶段华山松苗木的正常合理生长状态图像,将第一图像与第一参考图像进行对比,可以根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级,方便对应做出不同的应对措施。
S13:将对比结果判断为不合格华山松苗木进行移除,基本合格华山松苗木进行特殊养护,合格华山松苗木进行正常养护;
对华山松苗木判断为不合格时,华山松苗木已无继续栽培价值,可直接进行移除,避免继续无意义栽培造成的损失;对华山松苗木判断为基本合格时,此时需系统或人工参与对基本合格的华山松苗木进行干预,改变栽育环境,使之向良好的生长状态发展;对华山松苗木判断为合格时,只需对华山松苗木进行正常养护即可,特殊养护包括但不限于除草频次由每月一次改为每半月一次,施肥频次由春季、夏季及秋季各施2次腐熟稀薄有机肥增加为各施4次腐熟稀薄有机肥,同时,根据影响华山松生长的其他因素对华山松苗木进行对应的遮荫、打药、换土、修剪处理。。
S14:在第二时间区间第二距离获取华山松苗木的第二图像;
第二时间区间优选华山松种子生长2.5年后至4年期间的时间段,第二距离优选150cm-250cm之间。在此时间区间能够有效反应华山松苗木独立移栽前且可以预测可移栽时间的生长状态,在此距离区间获取华山松苗木图像能够将华山松苗全部拍入其中,距离恰当的保证华山松苗木图像的清晰度,同时避免了图像中摄入过多杂景。
S15:获取华山松苗木培育区的环境信息;
通过传感器单元获取华山松苗木培育区的环境信息,环境信息包括但不限制于温度、湿度、光照时间、光强、CO2含量等,培育区的天气影响华山松苗木的光合作用,为了方便管理,保证生长环境受控,培育区选择密封的或半密封的,可根据天气情况,选择光照时间,保障光合作用速率可控。
S16:根据华山松苗木的第二图像和环境信息,预测华山松苗木的可移栽时间;
根据预先建立的华山松苗木可移栽的标准、华山松苗木的图像、光合作用速率预测华山松苗木的可移栽时间。
S17:在终端上显示华山松苗木的图像信息、培育区的环境信息及华山松苗木预测可移栽时间。
在终端上实时显示华山松苗木的图像、培育区的环境信息及华山松苗木预测可移栽时间,以供种植人员选择华山松苗木时参考,即种植人员可在终端上查看华山松苗木生长动态及整个生长期的环境信息。
S18:在第三时间区间第三距离获取华山松苗木的第三图像;
第三时间区间优选华山松种子生长4年后至4.5年期间的时间段,第三距离优选200cm-280cm之间。在此时间区间能够有效反应华山松苗木独立移栽前且可以预测可移栽时间的生长状态,在此距离区间获取华山松苗木图像能够将华山松苗全部拍入其中,距离恰当的保证华山松苗木图像的清晰度,同时避免了图像中摄入过多杂景。第三图像可以作为华山松苗木是否可移栽的依据。
S19:预设第二参考图像,将第三图像与第二参考图像进行对比,根据对比结果将第三图像的华山松苗木区分为不可移栽、可移栽两个状态;
预设的第二参考图像可以作为华山松幼苗可移栽的临界状态参数,第三图像所展现的华山松苗木的生长状态信息优于第二参考图像,即可认定为华山松苗木可移栽;第三图像所展现的华山松苗木的生长状态信息劣于第二参考图像,即可认定为华山松苗木可移栽。
S20:将对比结果判断为可移栽华山松苗木进行移栽,不可移栽华山松苗木进行特殊养护至可移栽状态后进行移栽。
本实施例中,步骤S11还包括:将第一图像分割成为上层区、中层区、下层区,分别获取上层区状态信息、中层区状态信息、下层区状态信息;所述上层区状态信息包括华山松苗木的冠幅、冠层、树叶颜色,所述中层区状态信息包括树干及主枝条长度、粗细、颜色,所述下层区状态信息包括土表根系、枯落物、土壤颜色。
通过将第一图像分割成为上层区、中层区、下层区,可以实现对第一图像的有效分割,结合获取华山松苗木图像中的相近图形特征及华山松苗关键不同区域进行图像分割,这样更利于分析。
本实施例中,步骤S12中的将第一图像与第一参考图像进行对比具体为:所述华山松苗木的第一图像的上层区和华山松苗木的第一参考图像上层区的冠幅、冠层、树叶颜色的各阈值对比;所述华山松苗木的第一图像的中层区和华山松苗木的第一参考图像中层区的树干及主枝条长度、粗细、颜色各阈值对比;所述华山松苗木的第一图像的下层区和华山松苗木的第一参考图像下层区的土表根系、枯落物、土壤颜色的各阈值对比。通过这样的阈值对比,得到对比结果,便于对华山松苗木目前的生长状态进行等级归类,分类成不合格、基本合格、合格三个等级。
本实施例中,除了具备第一实施例的方案和优点外,预设华山松苗木的识别码可以使华山松苗木图像及对应的华山松苗木进行有效绑定;在第三时间区间内采用第三距离,获取华山松苗木的第三图像,并通过第三图像与第二参考图像进行对比,根据对比结果将第三图像的华山松苗木区分为不可移栽、可移栽两个状态,可指导种植人员判断在可移栽阶段时期获知可移栽的华山松苗木。
第三实施例
图3所示是本发明提供的基于图像识别的华山松生长动态的监控方法的第三实施例的流程图,该流程图具体包括:
S10:获取华山松苗木的识别码,将华山松苗木的图像信息与对应华山松苗木的识别码绑定。
华山别苗木上具有唯一的识别码,包括但不限于二维码、条形码、RFID标签。识别码与图像信息相对应,获取华山松苗木的识别码和图像后,发送至终端。
S11:在第一时间区间第一距离获取华山松苗木的第一图像。
人工繁殖的华山松苗木播种前一般春天3月下旬至4月上旬播种,当年苗木可长到10余厘米,第二年春可分苗栽植。在第一时间区间第一距离获取华山松苗木的第一图像。第一时间区间优选华山松种子生长1年后且分苗栽植后至播种满第2.5年的时间段,第一距离优选80cm-150cm之间。在此时间区间能够有效反应华山松苗木独立移栽前的生长状态,在此距离区间获取华山松苗木图像能够将华山松苗全部拍入其中,距离恰当的保证华山松苗木图像的清晰度,同时避免了图像中摄入过多杂景。
S12:预设第一参考图像,将第一图像与第一参考图像进行对比,根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级;
预先设置与华山松苗木对应的第一参考图像,第一参考图像作为此阶段华山松苗木的正常合理生长状态图像,将第一图像与第一参考图像进行对比,可以根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级,方便对应做出不同的应对措施。
S13:将对比结果判断为不合格华山松苗木进行移除,基本合格华山松苗木进行特殊养护,合格华山松苗木进行正常养护;
对华山松苗木判断为不合格时,华山松苗木已无继续栽培价值,可直接进行移除,避免继续无意义栽培造成的损失;对华山松苗木判断为基本合格时,此时需系统或人工参与对基本合格的华山松苗木进行干预,改变栽育环境,使之向良好的生长状态发展;对华山松苗木判断为合格时,只需对华山松苗木进行正常养护即可,特殊养护包括但不限于除草频次由每月一次改为每半月一次,施肥频次由春季、夏季及秋季各施2次腐熟稀薄有机肥增加为各施4次腐熟稀薄有机肥,同时,根据影响华山松生长的其他因素对华山松苗木进行对应的遮荫、打药、换土、修剪处理。
S14:在第二时间区间第二距离获取华山松苗木的第二图像;
第二时间区间优选华山松种子生长2.5年后至4年期间的时间段,第二距离优选150cm-250cm之间。在此时间区间能够有效反应华山松苗木独立移栽前且可以预测可移栽时间的生长状态,在此距离区间获取华山松苗木图像能够将华山松苗全部拍入其中,距离恰当的保证华山松苗木图像的清晰度,同时避免了图像中摄入过多杂景。
S15:获取华山松苗木培育区的环境信息;
通过传感器单元获取华山松苗木培育区的环境信息,环境信息包括但不限制于温度、湿度、光照时间、光强、CO2含量等,培育区的天气影响华山松苗木的光合作用,为了方便管理,保证生长环境受控,培育区选择密封的或半密封的,可根据天气情况,选择光照时间,保障光合作用速率可控。
S16:根据华山松苗木的第二图像和环境信息,预测华山松苗木的可移栽时间;根据预设可移栽时间及预测单元反馈的可移栽时间,调整培育区的环境信息。
根据预先建立的华山松苗木可移栽的标准、华山松苗木的图像、光合作用速率预测华山松苗木的可移栽时间。根据预设可移栽时间及预测单元反馈的可移栽时间,调整培育区的环境信息,以加速或减缓华山松苗木的可移栽时间,保证移栽时间可控。
S17:在终端上显示华山松苗木的图像信息、培育区的环境信息及华山松苗木预测可移栽时间。
在终端上实时显示华山松苗木的图像、培育区的环境信息及华山松苗木预测可移栽时间,以供种植人员选择华山松苗木时参考,即种植人员可在终端上查看华山松苗木生长动态及整个生长期的环境信息。
S18:在第三时间区间第三距离获取华山松苗木的第三图像;
第三时间区间优选华山松种子生长4年后至4.5年期间的时间段,第三距离优选200cm-280cm之间。在此时间区间能够有效反应华山松苗木独立移栽前且可以预测可移栽时间的生长状态,在此距离区间获取华山松苗木图像能够将华山松苗全部拍入其中,距离恰当的保证华山松苗木图像的清晰度,同时避免了图像中摄入过多杂景。第三图像可以作为华山松苗木是否可移栽的依据。
S19:预设第二参考图像,将第三图像与第二参考图像进行对比,根据对比结果将第三图像的华山松苗木区分为不可移栽、可移栽两个状态;
预设的第二参考图像可以作为华山松幼苗可移栽的临界状态参数,第三图像所展现的华山松苗木的生长状态信息优于第二参考图像,即可认定为华山松苗木可移栽;第三图像所展现的华山松苗木的生长状态信息劣于第二参考图像,即可认定为华山松苗木可移栽。
S20:将对比结果判断为可移栽华山松苗木进行移栽,不可移栽华山松苗木进行特殊养护至可移栽状态后进行移栽。
本实施例中,步骤S11还包括:将第一图像分割成为上层区、中层区、下层区,分别获取上层区状态信息、中层区状态信息、下层区状态信息;所述上层区状态信息包括华山松苗木的冠幅、冠层、树叶颜色,所述中层区状态信息包括树干及主枝条长度、粗细、颜色,所述下层区状态信息包括土表根系、枯落物、土壤颜色。
通过将第一图像分割成为上层区、中层区、下层区,可以实现对第一图像的有效分割,结合获取华山松苗木图像中的相近图形特征及华山松苗关键不同区域进行图像分割,这样更利于分析。
本实施例中,步骤S12中的将第一图像与第一参考图像进行对比具体为:所述华山松苗木的第一图像的上层区和华山松苗木的第一参考图像上层区的冠幅、冠层、树叶颜色的各阈值对比;所述华山松苗木的第一图像的中层区和华山松苗木的第一参考图像中层区的树干及主枝条长度、粗细、颜色各阈值对比;所述华山松苗木的第一图像的下层区和华山松苗木的第一参考图像下层区的土表根系、枯落物、土壤颜色的各阈值对比。通过这样的阈值对比,得到对比结果,便于对华山松苗木目前的生长状态进行等级归类,分类成不合格、基本合格、合格三个等级。
本实施例中,除了第一具备第二实施例的所有优势外,根据预设可移栽时间及预测单元反馈的可移栽时间,调整培育区的环境信息,以加速或减缓华山松苗木的可移栽时间,保证移栽时间可控。
图4所示是本发明提供的基于图像识别的华山松生长动态的监控系统的一个实施例的结构示意图。如图4所示,该系统包括:
摄像单元,获取华山松苗木的图像,包括华山松苗木的冠幅、冠层、树叶颜色,树干及主枝条长度、粗细、颜色,土表根系、枯落物、土壤颜色等。
选择华山松苗木一定要仔细观察苗木根系是否完整发达、冠幅是否适合、枝干是否健康、叶片是否鲜绿,这样才能保证后期的移栽成功率。例如,华山松的冠幅大小为40cm-60cm,因此,在选购华山松苗木时,要观察松冠幅大小是否达到标准。太小的苗木说明成长不良,太大的苗木说明过多营养,都不利于后期的成长。因此,预先根据大数据技术建立华山松苗木可移栽的标准。
传感器单元,获取华山松苗木培育区的环境信息。
环境信息包括温度、湿度、光照时间、光强、CO2含量等;培育区的天气影响华山松苗木的光合作用,为了方便管理,保证生长环境受控,培育区选择密封的或半密封的,可根据天气情况,选择光照时间。
预测单元,根据摄像单元获取的华山松苗木的图像和传感器单元获取的环境信息,预测华山松苗木的可移栽时间。
进一步的,该系统包括:终端单元,显示华山松苗木的图像、培育区的环境信息及华山松苗木预测可移栽时间及是否可移栽状态。
进一步的,该系统还包括:控制单元,根据预设可移栽时间及预测单元反馈的可移栽时间,调整培育区的环境信息。
根据本发明实施例的另一个方面,提供了一种计算机存储介质,计算机存储介质存储有程序指令,其中,在程序指令运行时控制计算机存储介质所在设备执行上述任意一项的基于图像识别的华山松生长动态的监控方法。
根据本发明实施例的另一个方面,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一项的基于图像识别的华山松生长动态的监控方法。
上述的实施例仅表达了本发明的实施优选方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于图像识别的华山松生长动态的监控方法,其特征在于,包括以下步骤:
S11:在第一时间区间第一距离获取华山松苗木的第一图像;
S12:预设第一参考图像,将第一图像与第一参考图像进行对比,根据对比结果将第一图像的华山松苗木区分为不合格、基本合格、合格三个等级;
S13:将不合格华山松苗木进行移除,基本合格华山松苗木进行特殊养护,合格华山松苗木进行正常养护;
S14:在第二时间区间第二距离获取华山松苗木的第二图像;
S15:获取华山松苗木培育区的环境信息;
S16:根据华山松苗木的第二图像和环境信息,预测华山松苗木的可移栽时间;
S17:在终端上显示华山松苗木的图像信息、培育区的环境信息及华山松苗木预测可移栽时间。
2.根据权利要求1所述的基于图像识别的华山松生长动态的监控方法,其特征在于,在S17步骤之后还包括以下步骤:
S18:在第三时间区间第三距离获取华山松苗木的第三图像;
S19:预设第二参考图像,将第三图像与第二参考图像进行对比,根据对比结果将第三图像的华山松苗木区分为不可移栽、可移栽两个状态;
S20:将对比结果判断为可移栽华山松苗木进行移栽,不可移栽华山松苗木进行特殊养护至可移栽状态后进行移栽。
3.根据权利要求1所述的基于图像识别的华山松生长动态的监控方法,其特征在于在S11步骤之前还包括:
S10:获取华山松苗木的识别码,将华山松苗木的图像信息与对应华山松苗木的识别码绑定。
4.根据权利要求1所述的基于图像识别的华山松生长动态的监控方法,其特征在于,步骤S11还包括:
将第一图像分割成为上层区、中层区、下层区,分别获取上层区状态信息、中层区状态信息、下层区状态信息;
所述上层区状态信息包括华山松苗木的冠幅、冠层、树叶颜色,所述中层区状态信息包括树干及主枝条长度、粗细、颜色,所述下层区状态信息包括土表根系、枯落物、土壤颜色。
5.根据权利要求1所述的基于图像识别的华山松生长动态的监控方法,其特征在于,所述S12:预设第一参考图像,将第一图像与第一参考图像进行对比具体为:所述华山松苗木的第一图像的上层区和华山松苗木的第一参考图像上层区的冠幅、冠层、树叶颜色的各阈值对比;所述华山松苗木的第一图像的中层区和华山松苗木的第一参考图像中层区的树干及主枝条长度、粗细、颜色各阈值对比;所述华山松苗木的第一图像的下层区和华山松苗木的第一参考图像下层区的土表根系、枯落物、土壤颜色的各阈值对比。
6.根据权利要求1所述的基于图像识别的华山松生长动态的监控方法,其特征在于,步骤S13中特殊养护包括除草频次由每月一次改为每半月一次,施肥频次由春季、夏季及秋季各施2次腐熟稀薄有机肥增加为各施4次腐熟稀薄有机肥;步骤S15中所述环境信息包括但不限制于温度、湿度、光照时间、光强、CO2含量。
7.根据权利要求1所述的基于图像识别的华山松生长动态的监控方法,其特征在于,步骤S16还包括:根据预设可移栽时间及预测单元反馈的可移栽时间,调整培育区的环境信息。
8.一种基于图像识别的华山松生长动态的监控系统,其特征在于,该系统包括:
摄像单元,获取华山松苗木的图像;
传感器单元,获取华山松苗木培育区的环境信息;
预测单元,根据摄像单元获取的华山松苗木的图像和传感器单元获取的环境信息,预测华山松苗木的可移栽时间;
终端单元,显示华山松苗木的图像、培育区的环境信息、华山松苗木预测可移栽时间及是否可移栽状态;
控制单元,根据预设可移栽时间及预测单元反馈的可移栽时间,调整培育区的环境信息。
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有程序指令,其中,在所述程序指令运行时控制所述计算机存储介质所在设备执行权利要求1至7中任意一项所述的基于图像识别的华山松生长动态的监控方法。
10.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至7中任意一项所述的基于图像识别的华山松生长动态的监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069218.8A CN116797601B (zh) | 2023-08-24 | 2023-08-24 | 一种基于图像识别的华山松生长动态的监控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311069218.8A CN116797601B (zh) | 2023-08-24 | 2023-08-24 | 一种基于图像识别的华山松生长动态的监控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116797601A true CN116797601A (zh) | 2023-09-22 |
CN116797601B CN116797601B (zh) | 2023-11-07 |
Family
ID=88045070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311069218.8A Active CN116797601B (zh) | 2023-08-24 | 2023-08-24 | 一种基于图像识别的华山松生长动态的监控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116797601B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351292A (zh) * | 2023-12-04 | 2024-01-05 | 安徽省农业科学院烟草研究所 | 一种基于物联网的烟草生产设施管理方法及系统 |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101180928A (zh) * | 2007-12-21 | 2008-05-21 | 浙江大学 | 基于机器视觉的幼苗移栽系统 |
CN101980249A (zh) * | 2010-11-12 | 2011-02-23 | 中国气象局气象探测中心 | 作物发育及长势自动观测方法及装置 |
CN102506938A (zh) * | 2011-11-17 | 2012-06-20 | 江苏大学 | 基于多传感信息的温室作物生长和环境信息检测方法 |
CN102883467A (zh) * | 2012-09-10 | 2013-01-16 | 江苏大学 | 用于在线检测苗木生长多参数的双向可调无线传感器节点 |
CN107439083A (zh) * | 2017-07-24 | 2017-12-08 | 云南大学 | 一种华山松种子快速萌发的方法 |
WO2017214537A1 (en) * | 2016-06-10 | 2017-12-14 | Neograft Technologies, Inc. | System for producing a graft device with a three-dimensional covering |
CN108319164A (zh) * | 2017-12-30 | 2018-07-24 | 浙江中睿泽农科技有限公司 | 作物生长环境预测和调控方法 |
CN108370692A (zh) * | 2018-04-13 | 2018-08-07 | 无锡悦田农业机械科技有限公司 | 一种基于物联网蔬菜移栽系统及其移栽方法 |
CN108739052A (zh) * | 2018-06-01 | 2018-11-06 | 北京中环易达设施园艺科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
CN109115776A (zh) * | 2018-08-27 | 2019-01-01 | 江苏大学 | 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 |
CN110741790A (zh) * | 2019-09-10 | 2020-02-04 | 江苏大学 | 一种基于深度相机的穴盘苗多爪移栽-分选的处理方法 |
CN111811578A (zh) * | 2020-07-20 | 2020-10-23 | 云南财经大学 | 一种基于森林模型的林木生长模拟预测系统 |
CN111886982A (zh) * | 2020-08-21 | 2020-11-06 | 农业农村部南京农业机械化研究所 | 一种旱地栽植作业质量实时检测系统和检测方法 |
CN112673858A (zh) * | 2020-12-23 | 2021-04-20 | 河南科技大学 | 一种基于机器视觉的穴盘种苗低损移植方法 |
CN112733899A (zh) * | 2020-12-30 | 2021-04-30 | 农业农村部规划设计研究院 | 种苗识别及分级疏苗移栽方法及装置 |
CN113151542A (zh) * | 2021-03-18 | 2021-07-23 | 西南林业大学 | 一种华山松基因组snp的开发方法和应用 |
CN114167922A (zh) * | 2021-11-22 | 2022-03-11 | 郑州宝诺电子科技有限公司 | 一种基于多传感器数据采集的农牧智能分析的方法及系统 |
CN114170597A (zh) * | 2021-11-12 | 2022-03-11 | 天健创新(北京)监测仪表股份有限公司 | 一种藻类检测设备及检测方法 |
CN115170522A (zh) * | 2022-07-15 | 2022-10-11 | 河南科技大学 | 一种基于机器视觉的穴盘种苗分级移栽方法 |
CN115204689A (zh) * | 2022-07-19 | 2022-10-18 | 郑州航空工业管理学院 | 一种基于图像处理的智慧农业管理系统 |
CN115376006A (zh) * | 2022-08-10 | 2022-11-22 | 中联智慧农业股份有限公司 | 用于预测农作物收获日期的方法、存储介质及处理器 |
CN116046687A (zh) * | 2022-12-19 | 2023-05-02 | 浪潮工业互联网股份有限公司 | 一种农作物生长过程监测方法、设备及介质 |
CN116258956A (zh) * | 2022-12-12 | 2023-06-13 | 深圳市宇驰环境技术有限公司 | 无人机树木识别方法、设备、存储介质及装置 |
-
2023
- 2023-08-24 CN CN202311069218.8A patent/CN116797601B/zh active Active
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101180928A (zh) * | 2007-12-21 | 2008-05-21 | 浙江大学 | 基于机器视觉的幼苗移栽系统 |
CN101980249A (zh) * | 2010-11-12 | 2011-02-23 | 中国气象局气象探测中心 | 作物发育及长势自动观测方法及装置 |
CN102506938A (zh) * | 2011-11-17 | 2012-06-20 | 江苏大学 | 基于多传感信息的温室作物生长和环境信息检测方法 |
CN102883467A (zh) * | 2012-09-10 | 2013-01-16 | 江苏大学 | 用于在线检测苗木生长多参数的双向可调无线传感器节点 |
WO2017214537A1 (en) * | 2016-06-10 | 2017-12-14 | Neograft Technologies, Inc. | System for producing a graft device with a three-dimensional covering |
CN107439083A (zh) * | 2017-07-24 | 2017-12-08 | 云南大学 | 一种华山松种子快速萌发的方法 |
CN108319164A (zh) * | 2017-12-30 | 2018-07-24 | 浙江中睿泽农科技有限公司 | 作物生长环境预测和调控方法 |
CN108370692A (zh) * | 2018-04-13 | 2018-08-07 | 无锡悦田农业机械科技有限公司 | 一种基于物联网蔬菜移栽系统及其移栽方法 |
CN108739052A (zh) * | 2018-06-01 | 2018-11-06 | 北京中环易达设施园艺科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
CN109115776A (zh) * | 2018-08-27 | 2019-01-01 | 江苏大学 | 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 |
CN110741790A (zh) * | 2019-09-10 | 2020-02-04 | 江苏大学 | 一种基于深度相机的穴盘苗多爪移栽-分选的处理方法 |
CN111811578A (zh) * | 2020-07-20 | 2020-10-23 | 云南财经大学 | 一种基于森林模型的林木生长模拟预测系统 |
CN111886982A (zh) * | 2020-08-21 | 2020-11-06 | 农业农村部南京农业机械化研究所 | 一种旱地栽植作业质量实时检测系统和检测方法 |
CN112673858A (zh) * | 2020-12-23 | 2021-04-20 | 河南科技大学 | 一种基于机器视觉的穴盘种苗低损移植方法 |
CN112733899A (zh) * | 2020-12-30 | 2021-04-30 | 农业农村部规划设计研究院 | 种苗识别及分级疏苗移栽方法及装置 |
CN113151542A (zh) * | 2021-03-18 | 2021-07-23 | 西南林业大学 | 一种华山松基因组snp的开发方法和应用 |
CN114170597A (zh) * | 2021-11-12 | 2022-03-11 | 天健创新(北京)监测仪表股份有限公司 | 一种藻类检测设备及检测方法 |
CN114167922A (zh) * | 2021-11-22 | 2022-03-11 | 郑州宝诺电子科技有限公司 | 一种基于多传感器数据采集的农牧智能分析的方法及系统 |
CN115170522A (zh) * | 2022-07-15 | 2022-10-11 | 河南科技大学 | 一种基于机器视觉的穴盘种苗分级移栽方法 |
CN115204689A (zh) * | 2022-07-19 | 2022-10-18 | 郑州航空工业管理学院 | 一种基于图像处理的智慧农业管理系统 |
CN115376006A (zh) * | 2022-08-10 | 2022-11-22 | 中联智慧农业股份有限公司 | 用于预测农作物收获日期的方法、存储介质及处理器 |
CN116258956A (zh) * | 2022-12-12 | 2023-06-13 | 深圳市宇驰环境技术有限公司 | 无人机树木识别方法、设备、存储介质及装置 |
CN116046687A (zh) * | 2022-12-19 | 2023-05-02 | 浪潮工业互联网股份有限公司 | 一种农作物生长过程监测方法、设备及介质 |
Non-Patent Citations (4)
Title |
---|
JUN H. TONG 等: "Machine vision techniques for the evaluation of seedling quality based on leaf area", 《BIOSYSTEMS ENGINEERING》, pages 369 - 379 * |
张锦中 等: "烟叶育苗大数据综合管理系统的开发与应用", 《科技创新与应用》, pages 95 * |
滕乐 等: "基于机器视觉的旱地移栽横向精准供苗系统研究", 《农机化研究》, no. 3, pages 29 - 35 * |
白银光: "基于深度学习的幼苗质量在线监测系统设计", 《万方数据》, pages 1 - 61 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117351292A (zh) * | 2023-12-04 | 2024-01-05 | 安徽省农业科学院烟草研究所 | 一种基于物联网的烟草生产设施管理方法及系统 |
CN117351292B (zh) * | 2023-12-04 | 2024-03-08 | 安徽省农业科学院烟草研究所 | 一种基于物联网的烟草生产设施管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116797601B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guilpart et al. | Grapevine bud fertility and number of berries per bunch are determined by water and nitrogen stress around flowering in the previous year | |
Gucci et al. | Productivity of olive trees with different water status and crop load | |
CN112197819A (zh) | 一种基于生产基地的植物生长精准控制方法 | |
KR20200029657A (ko) | 작물 이미지 빅데이터를 이용한 영농 자동화 시스템 | |
CN116797601B (zh) | 一种基于图像识别的华山松生长动态的监控方法及系统 | |
Reeve et al. | Vineyard floor management influences ‘Pinot noir’vine growth and productivity more than cluster thinning | |
US11700796B2 (en) | Method of rapid generation-adding breeding of rice | |
CN111837791B (zh) | 一种红锥无性系种子园快速建立的方法及其应用 | |
Farooq et al. | Dynamics of canopy development of Cunninghamia lanceolata mid-age plantation in relation to foliar nitrogen and soil quality influenced by stand density | |
CN107567920A (zh) | 一种快速规模化繁育矮化中间砧苹果苗的方法 | |
Berrueta et al. | On-farm diagnosis for greenhouse tomato in south Uruguay: Explaining yield variability and ranking of determining factors | |
CN114740930B (zh) | 用于温室大棚智能管控平台系统及管控处理方法 | |
CN108207473A (zh) | 一种人工控制休眠期桃树的栽植方法 | |
CN108985664A (zh) | 一种智能农场现场监测管理系统及方法 | |
Badgery-Parker et al. | Commercial Greenhouse Cucumber Production: 2010 Edition | |
KR101870813B1 (ko) | 두상 또는 안개 관수방법을 이용한 하절기 '매향' 딸기 삽목묘의 발근율 및 생육 향상 방법 | |
CN111133927A (zh) | 一种基于大数据的大棚种植管理方法 | |
Wang et al. | Evaluating the effect of light intensity on flower development uniformity in strawberry (Fragaria× ananassa) under early induction conditions in forcing culture | |
Sawan et al. | Response of flower and boll development to climatic factors before and after anthesis in Egyptian cotton | |
Smith et al. | Spatial aspects of vineyard management and wine grape production | |
CN113448368A (zh) | 一种物联网智能农业控制检测方法及系统 | |
CN102524013B (zh) | 一种苹果避雨栽培的方法 | |
Caruso et al. | Effect of Different Fruit-thinning Patterns on Crop Efficiency and Fruit Quality for Greenhouse-forcedMay Glo'Nectarine Trees | |
Schreiner et al. | Effects of post-véraison water deficit on ‘Pinot noir’yield and nutrient status in leaves, clusters, and musts | |
CN115250856B (zh) | 一种提高雪茄烟叶中上部烟茄衣产出率的生产方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |