CN117218534A - 一种农作物叶部病害识别方法 - Google Patents
一种农作物叶部病害识别方法 Download PDFInfo
- Publication number
- CN117218534A CN117218534A CN202311172725.4A CN202311172725A CN117218534A CN 117218534 A CN117218534 A CN 117218534A CN 202311172725 A CN202311172725 A CN 202311172725A CN 117218534 A CN117218534 A CN 117218534A
- Authority
- CN
- China
- Prior art keywords
- module
- information
- data
- image
- shooting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 66
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000004891 communication Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 47
- 238000003745 diagnosis Methods 0.000 claims description 31
- 238000003860 storage Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 15
- 241000607479 Yersinia pestis Species 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000005520 cutting process Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 241000238631 Hexapoda Species 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000012958 reprocessing Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 241000196324 Embryophyta Species 0.000 description 6
- 238000000605 extraction Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012272 crop production Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种农作物叶部病害识别方法，该方法包括监测识别系统和用于所述监测识别系统的无人机，该方法具体包括以下步骤：获取识别区域的区域信息，同时规划无人机基站位置，并基于无人机基站规划无人机的飞行路线；将无人机飞行路线设置多个拍摄节点，在每个节点处获取若干图像，将图像按照拍摄节点进行分类，并将每个图像裁剪出包含叶片特征信息的部分。利用无人机和无线通信技术，能够快速获取病害识别区域的相关信息数据，还能够通过匹配其它种类信息，来对病害发展进行预测，以方便后续的再次识别进行规划，从而使病害识别不局限于当前。
Description
技术领域
本发明涉及农作物病害识别方法技术领域，尤其涉及一种农作物叶部病害识别方法。
背景技术
农作物病害是我国主要农业灾难之一，它具有种类多、影响大并时常暴发成灾的特点，不仅对农作物生产造成损失，还会对食品安全产生威胁。因此农作物病害的诊断和鉴定，对保证作物产量、预防食品安全起着重要的作用，同时，实现精准的检测农作物病害以及病害程度的测定是对农作物病害防治的关键。
目前，传统的农作物病害识别，主要依赖于历代农民在农业生产过程中积累的经验来进行判断，费时费力的同时，实时性、准确性均较差，在目前的病害识别技术中，已经广泛的采用了计算机和图像处理技术。
经检索，申请号CN104598908B的中国专利，公开了一种农作物叶部病害识别方法，其公开利用提取农作物叶部信息进行识别的方式，实现病害识别；
申请号CN111967440A的中国专利，公开了一种农作物病害的综合识别处理方法，其提及人工识别精准但是效率慢的问题，并公开通过采集影像数据的方式提升病害识别效率。
然而，在对目标范围内农作物的病害识别，随着时间的推移，已经具有较为庞大的数据库，但是，我国国土面积辽阔，病害的产生，往往和气候、农作物类型、地域等均有联系，此时，病虫害的识别往往还会因为其它因素造成判断精确度降低、判断效率下降、识别方式不易确定以及识别数据不易获取等问题。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，而提出的农作物叶部病害识别方法。
为了实现上述目的，本发明采用了如下技术方案：
一种农作物叶部病害识别方法，该方法包括监测识别系统和用于所述监测识别系统的无人机，包括以下步骤：
获取识别区域的区域信息，同时规划无人机基站位置，并基于无人机基站规划无人机的飞行路线；
将无人机飞行路线设置多个拍摄节点，在每个节点处获取若干图像，将图像按照拍摄节点进行分类，并将每个图像裁剪出包含叶片特征信息的部分；
通过叶片部分图像获取数字图像数据，并对所述数字图像数据进行预处理，以消除噪声和增强图像特征；
利用深度学习神经网络模型对所述预处理后的图像数据进行特征提取；
在提取的特征上应用机器学习算法，以识别图像中的病害，并生成相应的诊断结果；
将多个诊断结果按照可能概率进行显示或存储，同时，在一个或者多个结果数据基础上，规划新的拍摄节点和飞行路线，进行补充数据和确认结果。
进一步地，所述无人机配置有摄像头以及若干传感器，所述传感器至少包括一种类型，所述传感器具体包括红外传感器和多光谱传感器。
进一步地，所述植物叶片特征信息包括叶片的颜色、纹理和形状。
进一步地，所述监测识别系统包括：
区域统计分析模块，用于通过云服务器获取该片区域的信息数据，同时，能够通过手动上传区域的数据信息，匹配较为类似状况的分析数据；
农业信息存储模块，用于存储该片位置区域的农业信息、拍摄数据以及识别诊断数据；
信息匹配模块，用于根据已知的数据信息，通过联网匹配数据信息相同或者相类似的关联数据；
环境预测模块，用于根据区域的数据信息，预测一个时间周期的内的环境变化，并根据环境变化预测可能产生的病虫害情况；
图像获取模块，用于获取无人机拍摄的图像，并将图像加入注释；
图像处理模块，用于对获取的图像执行预处理和再处理任务；
拍摄规划模块，用于规划拍摄路径、拍摄节点和在拍摄节点执行的拍摄任务；
节点任务建立模块，用于根据不同的节点，分别建立拍摄任务和飞行任务；
中心处理模块，用于为各个模块提供算力，存储、设定或者联网同步病害识别程序，同时用于通过无线通信协议与智能终端、云服务器或其它任一适配终端建立数据通信连接；
执行模块，用于执行各个模块反馈的数据，并将数据转换为执行动作指令；
其中：
所述中心处理模块分别连接所述农业信息存储模块、区域统计分析模块和图像获取模块，所述区域统计分析模块与所述环境预测模块相连接，所述图像获取模块与所述图像处理模块相连接，所述农业信息存储模块通过所述信息匹配模块与所述拍摄规划模相连接，所述拍摄规划模块通过所述节点任务建立模块与所述执行模块相连接。
进一步地，区域统计分析模块、中心处理模块、农业信息存储模块和环境预测模块相互连接，用于获取需要识别诊断区域的数据信息，并分析该区域一个时间周期内的环境信息变化结合历史数据，预测环境变化可能导致的病害情况，具体流程步骤为：
通过中心处理模块和农业信息存储模块获取当前位置区域的农业信息和环境信息；
获取未来一个时间周期内的天气环境变化数据，并通过环境预测模块分析环境变化所能够带来的病虫害结果数据；
基于当前环境信息和种植信息，与病虫害结构进行匹配，判断每个病虫害情况发生的概率，导出分析结果。
进一步地，图像获取模块、中心处理模块、拍摄规划模块、节点任务建立模块和图像处理模块，用于按照计划任务获取图像信息，并对图像信息按照计划进行处理操作，具体流程步骤为：
中心处理模块分析需要执行的诊断识别任务以及需要执行区域的农业信息，根据诊断识别任务规划无人机飞行路线；
根据诊断识别任务具体需求的图像类型，在飞行路线上建立多个拍摄节点，拍摄节点包括无人机的拍摄方式、拍摄的图片数量以及由人工设定的无人机动作指令，其中，节点任务可通过节点任务建立模块进行建立和规划；
无人机根据规划和任务完成飞行并获取图像信息，同时，在经过节点和完成任务时，均根据任务计划对图像进行处理操作。
进一步地，中心处理模块、拍摄规划模块、区域统计分析模块、环境预测模块、图像获取模块和图像处理模块相互连接，用于根据诊断识别需求将获取的图片裁剪出需求内容和调整图像大小，并通过深度学习方式在图片预处理后进行诊断识别，获得贴切结果，具体流程步骤为：
根据区域信息以及诊断对象信息，判断需求获取叶片的类型，并通过图片匹配方式匹配拍摄图像内的叶片图片并裁剪；
将裁剪后的叶片图像进行分类、注释，随后打包进行统一处理；
将获得的处理后的图片进行识别，并结合环境预测信息进行诊断判断。
进一步地，中心处理模块、区域统计分析模块、农业信息存储模块和图像获取模块，用于在正式实施前，根据区域位置信息获取相关联的运行识别的规划方式、识别任务执行方式、病害识别数据以及类型数据的未来周期数据。
相比于现有技术，本发明的有益效果在于：
利用无人机和无线通信技术，能够快速获取病害识别区域的相关信息数据，并能够规划路线获得精准的且具有足够数量代表的图像信息，从而保证病害信息获取效率的同时，能够灵活的获得病害识别位置，增加最终诊断识别的准确性；
在对图像获取和识别的过程中，能够根据区域和诊断的不同进行执行数据的同步和匹配，确保对病害识别的方式能够贴合该病害类型，此外，因为匹配区域内的植物信息、地域信息和气候信息等，还能够实现病害的综合预测，在识别该区域病害情况后，还能够通过匹配其它种类信息，来对病害发展进行预测，以方便后续的再次识别进行规划，从而使病害识别不局限于当前。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明实施例中的监测识别系统的流程示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例一
农作物叶部病害识别方法，该方法包括监测识别系统和用于所述监测识别系统的无人机，其特征在于，包括以下步骤：
获取识别区域的区域信息，同时规划无人机基站位置，并基于无人机基站规划无人机的飞行路线；
将无人机飞行路线设置多个拍摄节点，在每个节点处获取若干图像，将图像按照拍摄节点进行分类，并将每个图像裁剪出包含叶片特征信息的部分；
通过叶片部分图像获取数字图像数据，并对所述数字图像数据进行预处理，以消除噪声和增强图像特征；
利用深度学习神经网络模型对所述预处理后的图像数据进行特征提取；
在提取的特征上应用机器学习算法，以识别图像中的病害，并生成相应的诊断结果；
将多个诊断结果按照可能概率进行显示或存储，同时，在一个或者多个结果数据基础上，规划新的拍摄节点和飞行路线，进行补充数据和确认结果。
在本申请的具体实施例中，所述无人机配置有摄像头以及若干传感器，所述传感器至少包括一种类型，所述传感器具体包括红外传感器和多光谱传感器，用于获取不同波段的数据。
在本申请的具体实施例中，所述植物叶片特征信息包括叶片的颜色、纹理和形状。
需要说明的是，颜色特征信息提取方式具体通过颜色直方图；
纹理特征信息提取方式具体使用纹理描述符，采用灰度共生矩阵或局部二值模式来捕获图像纹理信息；
形状特征信息提取方式具体通过检测植物叶片的形状特征，如周长、面积、圆度等来描述农作物病害的形状，其中，周长为所有边缘像素的周长、面积为区域内像素的数量、圆度为(4*π*面积)/(周长的平方)；
深度学习模型采用卷积神经网络的卷积层作为图像的特征向量，且有网络自动学习。
实施例二
如图1所示，在实施例一的基础上，所述监测识别系统包括：
区域统计分析模块，用于通过云服务器获取该片区域的信息数据，同时，能够通过手动上传区域的数据信息，匹配较为类似状况的分析数据，其中，区域的数据信息包括位置、地域、区域农作物种类；
农业信息存储模块，用于存储该片位置区域的农业信息、拍摄数据以及识别诊断数据；
信息匹配模块，用于根据已知的数据信息，通过联网匹配数据信息相同或者相类似的关联数据；
环境预测模块，用于根据区域的数据信息，预测一个时间周期的内的环境变化，并根据环境变化预测可能产生的病虫害情况，其中，所述病害的诊断结果包括有关病害类型、严重程度和建议的管理措施的信息；
图像获取模块，用于获取无人机拍摄的图像，并将图像加入注释，其中，注释包括拍摄时间、拍摄环境数据、拍摄位置、拍摄的节点；
图像处理模块，用于对获取的图像执行预处理和再处理任务；
拍摄规划模块，用于规划拍摄路径、拍摄节点和在拍摄节点执行的拍摄任务；
节点任务建立模块，用于根据不同的节点，分别建立拍摄任务和飞行任务；
中心处理模块，用于为各个模块提供算力，存储、设定或者联网同步病害识别程序，同时用于通过无线通信协议与智能终端、云服务器或其它任一适配终端建立数据通信连接；
执行模块，用于执行各个模块反馈的数据，并将数据转换为执行动作指令；
其中：
所述中心处理模块分别连接所述农业信息存储模块、区域统计
分析模块和图像获取模块，所述区域统计分析模块与所述环境预测
模块相连接，所述图像获取模块与所述图像处理模块相连接，所述
农业信息存储模块通过所述信息匹配模块与所述拍摄规划模相连
接，所述拍摄规划模块通过所述节点任务建立模块与所述执行模块
相连接。
在本申请的具体实施例中，区域统计分析模块、中心处理模块、农业信息存储模块和环境预测模块相互连接，用于获取需要识别诊断区域的数据信息，并分析该区域一个时间周期内的环境信息变化结合历史数据，预测环境变化可能导致的病害情况，具体流程步骤为：
通过中心处理模块和农业信息存储模块获取当前位置区域的农业信息和环境信息；
获取未来一个时间周期内的天气环境变化数据，并通过环境预测模块分析环境变化所能够带来的病虫害结果数据；
基于当前环境信息和种植信息，与病虫害结构进行匹配，判断每个病虫害情况发生的概率，导出分析结果。
在本申请的具体实施例中，图像获取模块、中心处理模块、拍摄规划模块、节点任务建立模块和图像处理模块，用于按照计划任务获取图像信息，并对图像信息按照计划进行处理操作，具体流程步骤为：
中心处理模块分析需要执行的诊断识别任务以及需要执行区域的农业信息，根据诊断识别任务规划无人机飞行路线；
根据诊断识别任务具体需求的图像类型，在飞行路线上建立多个拍摄节点，拍摄节点包括无人机的拍摄方式、拍摄的图片数量以及由人工设定的无人机动作指令，其中，节点任务可通过节点任务建立模块进行建立和规划；
无人机根据规划和任务完成飞行并获取图像信息，同时，在经过节点和完成任务时，均根据任务计划对图像进行处理操作。
在本申请的具体实施例中，中心处理模块、拍摄规划模块、区域统计分析模块、环境预测模块、图像获取模块和图像处理模块相互连接，用于根据诊断识别需求将获取的图片裁剪出需求内容和调整图像大小，并通过深度学习方式在图片预处理后进行诊断识别，获得贴切结果，具体流程步骤为：
根据区域信息以及诊断对象信息，判断需求获取叶片的类型，并通过图片匹配方式匹配拍摄图像内的叶片图片并裁剪；
将裁剪后的叶片图像进行分类、注释，随后打包进行统一处理；
将获得的处理后的图片进行识别，并结合环境预测信息进行诊断判断。
在本申请的具体实施例中，中心处理模块、区域统计分析模块、农业信息存储模块和图像获取模块，用于在正式实施前，根据区域位置信息获取相关联的运行识别的规划方式、识别任务执行方式、病害识别数据以及类型数据的未来周期数据，以此来使数据能够进行同步和匹配，降低数据库的积累和模型的训练，同时增加规划、运行、识别和存储的效率，具体流程步骤为：
中心处理模块连接区域统计分析模块和农业信息存储模块，在本地和云端同步寻找相匹配数据；
根据数据的关键分类信息，与现有需要诊断识别区域信息进行匹配对比参考；需要进一步说明的是，分类信息包括地域、位置、气候、土壤类型、环境类型、植物生长环境要求以及植物病变条件，分类信息至少匹配类似4项才能够作为对比参考数据。
根据匹配对比的数据结果，将上述数据的运行操作流程作为模板复刻，导入相关数据；
数据导入包含设定和指令数据，由人工调整路径以及节点处的动作人物，获得结果后，将数据添加注释、分类并保留运行流程，存储本地或者上传。
另外，需要额外说明的是，还能够通过中心处理模块基于位置信息搜索范围内的其它设备的设定方式或数据，并通过请求方式选择是否同步设定。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种农作物叶部病害识别方法，该方法包括监测识别系统和用于所述监测识别系统的无人机，其特征在于，该方法具体包括以下步骤：
获取识别区域的区域信息，同时规划无人机基站位置，并基于无人机基站规划无人机的飞行路线；
将无人机飞行路线设置多个拍摄节点，在每个节点处获取若干图像，将图像按照拍摄节点进行分类，并将每个图像裁剪出包含叶片特征信息的部分；
通过叶片部分图像获取数字图像数据，并对所述数字图像数据进行预处理，以消除噪声和增强图像特征；
利用深度学习神经网络模型对所述预处理后的图像数据进行特征提取；
在提取的特征上应用机器学习算法，以识别图像中的病害，并生成相应的诊断结果；
将多个诊断结果按照可能概率进行显示或存储，同时，在一个或者多个结果数据基础上，规划新的拍摄节点和飞行路线，进行补充数据和确认结果。
2.根据权利要求1所述的农作物叶部病害识别方法，其特征在于，所述无人机配置有摄像头以及若干传感器，所述传感器至少包括一种类型，所述传感器具体包括红外传感器和多光谱传感器。
3.根据权利要求2所述的农作物叶部病害识别方法，其特征在于，所述植物叶片特征信息包括叶片的颜色、纹理和形状。
4.根据权利要求1所述的农作物叶部病害识别方法，其特征在于，所述监测识别系统包括：
区域统计分析模块，用于通过云服务器获取该片区域的信息数据，同时，能够通过手动上传区域的数据信息，匹配较为类似状况的分析数据；
农业信息存储模块，用于存储该片位置区域的农业信息、拍摄数据以及识别诊断数据；
信息匹配模块，用于根据已知的数据信息，通过联网匹配数据信息相同或者相类似的关联数据；
环境预测模块，用于根据区域的数据信息，预测一个时间周期的内的环境变化，并根据环境变化预测可能产生的病虫害情况；
图像获取模块，用于获取无人机拍摄的图像，并将图像加入注释；
图像处理模块，用于对获取的图像执行预处理和再处理任务；
拍摄规划模块，用于规划拍摄路径、拍摄节点和在拍摄节点执行的拍摄任务；
节点任务建立模块，用于根据不同的节点，分别建立拍摄任务和飞行任务；
中心处理模块，用于为各个模块提供算力，存储、设定或者联网同步病害识别程序，同时用于通过无线通信协议与智能终端、云服务器或其它任一适配终端建立数据通信连接；
执行模块，用于执行各个模块反馈的数据，并将数据转换为执行动作指令；
其中：
所述中心处理模块分别连接所述农业信息存储模块、区域统计分析模块和图像获取模块，所述区域统计分析模块与所述环境预测模块相连接，所述图像获取模块与所述图像处理模块相连接，所述农业信息存储模块通过所述信息匹配模块与所述拍摄规划模相连接，所述拍摄规划模块通过所述节点任务建立模块与所述执行模块相连接。
5.根据权利要求4所述的农作物叶部病害识别方法，其特征在于，区域统计分析模块、中心处理模块、农业信息存储模块和环境预测模块相互连接，用于获取需要识别诊断区域的数据信息，并分析该区域一个时间周期内的环境信息变化结合历史数据，预测环境变化可能导致的病害情况，具体流程步骤为：
通过中心处理模块和农业信息存储模块获取当前位置区域的农业信息和环境信息；
获取未来一个时间周期内的天气环境变化数据，并通过环境预测模块分析环境变化所能够带来的病虫害结果数据；
基于当前环境信息和种植信息，与病虫害结构进行匹配，判断每个病虫害情况发生的概率，导出分析结果。
6.根据权利要求4所述的农作物叶部病害识别方法，其特征在于，图像获取模块、中心处理模块、拍摄规划模块、节点任务建立模块和图像处理模块，用于按照计划任务获取图像信息，并对图像信息按照计划进行处理操作，具体流程步骤为：
中心处理模块分析需要执行的诊断识别任务以及需要执行区域的农业信息，根据诊断识别任务规划无人机飞行路线；
根据诊断识别任务具体需求的图像类型，在飞行路线上建立多个拍摄节点，拍摄节点包括无人机的拍摄方式、拍摄的图片数量以及由人工设定的无人机动作指令，其中，节点任务可通过节点任务建立模块进行建立和规划；
无人机根据规划和任务完成飞行并获取图像信息，同时，在经过节点和完成任务时，均根据任务计划对图像进行处理操作。
7.根据权利要求4所述的农作物叶部病害识别方法，其特征在于，中心处理模块、拍摄规划模块、区域统计分析模块、环境预测模块、图像获取模块和图像处理模块相互连接，用于根据诊断识别需求将获取的图片裁剪出需求内容和调整图像大小，并通过深度学习方式在图片预处理后进行诊断识别，获得贴切结果，具体流程步骤为：
根据区域信息以及诊断对象信息，判断需求获取叶片的类型，并通过图片匹配方式匹配拍摄图像内的叶片图片并裁剪；
将裁剪后的叶片图像进行分类、注释，随后打包进行统一处理；
将获得的处理后的图片进行识别，并结合环境预测信息进行诊断判断。
8.根据权利要求4所述的农作物叶部病害识别方法，其特征在于，中心处理模块、区域统计分析模块、农业信息存储模块和图像获取模块，用于在正式实施前，根据区域位置信息获取相关联的运行识别的规划方式、识别任务执行方式、病害识别数据以及类型数据的未来周期数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172725.4A CN117218534A (zh) | 2023-09-12 | 2023-09-12 | 一种农作物叶部病害识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311172725.4A CN117218534A (zh) | 2023-09-12 | 2023-09-12 | 一种农作物叶部病害识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117218534A true CN117218534A (zh) | 2023-12-12 |
Family
ID=89041929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311172725.4A Pending CN117218534A (zh) | 2023-09-12 | 2023-09-12 | 一种农作物叶部病害识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218534A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388521A (zh) * | 2023-12-13 | 2024-01-12 | 华海智汇技术有限公司 | 一种水利无人机测流方法及系统 |
-
2023
- 2023-09-12 CN CN202311172725.4A patent/CN117218534A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388521A (zh) * | 2023-12-13 | 2024-01-12 | 华海智汇技术有限公司 | 一种水利无人机测流方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | An AIoT based smart agricultural system for pests detection | |
| Farjon et al. | Detection and counting of flowers on apple trees for better chemical thinning decisions | |
| Chamoso et al. | UAVs applied to the counting and monitoring of animals | |
| Kukreja et al. | Recognizing wheat aphid disease using a novel parallel real-time technique based on mask scoring RCNN | |
| CN114972843B (zh) | 一种基于大数据的农业病虫害诊断与预警系统 | |
| CN109726700B (zh) | 一种基于多特征的虫害识别预警方法和装置 | |
| CN111727457B (zh) | 一种基于计算机视觉的棉花作物行检测方法、装置及存储介质 | |
| Bargoti et al. | A pipeline for trunk detection in trellis structured apple orchards | |
| CN103323455A (zh) | 基于反射、透视和显微图像的烟叶分级方法 | |
| CN113837076A (zh) | 一种农业病虫害智能终端分析系统 | |
| CN117218534A (zh) | 一种农作物叶部病害识别方法 | |
| CN116051996A (zh) | 一种基于多模态信息的二阶段农作物生长预测方法 | |
| CN114627411A (zh) | 基于计算机视觉下并行检测的农作物生育期识别方法 | |
| CN115601585A (zh) | 基于图片分析的农业病虫害诊断方法及装置 | |
| CN115861686A (zh) | 基于边缘深度学习的荔枝关键生长期识别检测方法及系统 | |
| Rahman et al. | Identification of mature grape bunches using image processing and computational intelligence methods | |
| Al-Saad et al. | Autonomous palm tree detection from remote sensing images-uae dataset | |
| AHM et al. | A deep convolutional neural network based image processing framework for monitoring the growth of soybean crops | |
| CN116681929A (zh) | 一种麦类作物病害图像识别方法 | |
| CN116563205A (zh) | 基于小目标检测和改进YOLOv5的麦穗计数检测方法 | |
| Araneta et al. | Controlled Environment for Spinach Cultured Plant with Health Analysis using Machine Learning | |
| CN115828181A (zh) | 基于深度学习算法的马铃薯病害种类识别方法 | |
| CN112329697B (zh) | 一种基于改进YOLOv3的树上果实识别方法 | |
| Balram et al. | Crop field monitoring and disease detection of plants in smart agriculture using internet of things | |
| Rocha IV et al. | Philippine carabao mango pest identification using convolutional neural network |
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 |