CN117315466A - 一种生长监测管理方法及系统 - Google Patents
一种生长监测管理方法及系统 Download PDFInfo
- Publication number
- CN117315466A CN117315466A CN202311217911.5A CN202311217911A CN117315466A CN 117315466 A CN117315466 A CN 117315466A CN 202311217911 A CN202311217911 A CN 202311217911A CN 117315466 A CN117315466 A CN 117315466A
- Authority
- CN
- China
- Prior art keywords
- image
- data
- color difference
- model
- learning
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000007726 management method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000010801 machine learning Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 75
- 238000012549 training Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000011157 data evaluation Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000002689 soil Substances 0.000 description 8
- 241000209140 Triticum Species 0.000 description 6
- 235000021307 Triticum Nutrition 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000009331 sowing Methods 0.000 description 3
- 230000004720 fertilization Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static 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
- G06N20/00—Machine learning
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域,具体涉及一种生长监测管理方法及系统,包括S1、图像数据生成模块生成图像数据,数据测评模块对图像数据进行分批测评选择合适的图像数据作为学习数据,将学习数据输入机器学习模型建立并生成特征识别模型;S2、生长监测模块获取并存储目标区域的遥感图像,利用特征识别模型对遥感图像进行分析和处理,获取遥感图像中的特征信息,并根据特征信息计算作物特定生长期的特征参数;S3、生长监测模块基于特征参数,综合分析并获取作物的生长指标、生理指标和品质指标,根据各指标判断作物生长状态,本发明能够精确识别遥感图像从而达到监测作物生长状态的目的。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种生长监测管理方法及系统。
背景技术
我国是农业大国,及时获取农作物长势信息对农业生成预警、农业政策抉择以及农作物产量估算等具有重要意义,近年来基于遥感影像提取作物特征信息,成为农作物长势监测的重要工具之一,类似的现有技术公开号为CN104850694B的中国发明专利,该发明公开一种基于生长期植被指数增量的冬小麦遥感监测方法,该方法通过构建冬小麦抽穗期的趋势面模型,逐像元推算冬小麦播种期、抽穗期以及成熟期,利用研究区植被指数时序数据,计算每个像元在冬小麦生长前期以及生长后期的植被指数增量指标,依据所建立的冬小麦信息提取模型,获得研究区冬小麦空间分布图。但是,该发明在构建模型时没有考虑到有限的学习数据训练的信息提取模型提取信息可能会不精准的问题,类似的现有技术还有如公开号为CN115479960A的中国发明专利,该发明公开一种联合SAR与光学遥感数据的农作物生长过程土壤湿度监测方法,包括如下步骤:S1、基于播种时期T1的SAR卫星数据SAR(T1,θ1)及SAR(T1,θ2)计算播种时期T1的土壤表面湿度Mv(T1);S2、基于时期Ti的SAR卫星数据SAR(Ti,θ)、时期Ti+1的光学遥感数据OPT(Ti+1)及SAR卫星数据SAR(Ti+1,θ)确定时期Ti和时期Ti+1时相的土壤湿度相对变化,进而获取时期Ti+1的土壤表面湿度Mv(Ti+1),其中i从1依次取值至h;通过正向模型模拟分析,改进裸露土壤表面湿度反演模型;并基于一阶离散植被模型,构建基于联合SAR与光学数据的土壤湿度监测模型,解决植被覆盖区土壤湿度遥感反演的病态反演问题和混合像元问题;最终实现不依赖于地面观测数据的农作物生长过程时间序列土壤湿度监测,然而,该发明在构建模型时同样没有考虑到有限的学习数据训练的信息提取模型提取信息可能会不精准的问题。因此,本发明提供一种生长监测管理方法及系统。
发明内容
针对上述提出的技术问题,本发明提供一种生长监测管理方法及系统,本发明在建立特征识别模型前,通过图像数据生成模块生成大量图像数据,通过数据测评模块选择合适的图像数据作为学习数据,将学习数据输入机器学习模型建立并生成特征识别模型;生长监测模块获取并存储目标区域的遥感图像,利用特征识别模型对遥感图像进行分析和处理,获取遥感图像中的特征信息,并根据特征信息计算作物特定生长期的特征参数;生长监测模块基于特征参数,综合分析并获取作物的生长指标、生理指标和品质指标,根据各指标判断作物生长状态。本发明通过生成大量学习数据,获得足够的学习数据,并通过对大量学习数据进行测评,挑选合适的学习数据进行模型训练,建立能够精准识别遥感图像的特征识别模型,获取到精准的作物特征参数从而精准判断作物的生长状态。
为了达到上述的发明目的,给出如下所述的一种生长监测管理方法,包括如下的步骤:
S1、图像数据生成模块生成图像数据并存储在第一内存中,数据测评模块从所述第一内存中获取图像数据,将所述图像数据分成N个子数据集,并对N个子数据集进行测评,选择测评值高于预先设定数值的子数据集作为学习数据,将所述学习数据输入机器学习模型,建立并生成特征识别模型;
S2、生长监测模块获取并存储目标区域的遥感图像,利用所述特征识别模型对遥感图像进行分析和处理,获取遥感图像中的特征信息,并根据所述特征信息计算作物特定生长期的特征参数;
S3、生长监测模块基于特征参数,综合分析并获取作物的生长指标、生理指标和品质指标,将各指标存储在第三内存中,从第三内存中获取历年指标,根据所述历年指标计算平均生长指标、平均生理指标和平均品质指标,比较各指标和各平均指标,判断作物生长状态。
作为本发明的一种优选技术方案,所述图像数据生成模块生成图像数据的过程,包括如下步骤:
S111、收集初始图像集,所述初始图象集包括使用拍摄设备拍摄的图像数据和视频数据;
S112、依次分析所述初始图象集中各初始图像的色差变化率、图像复杂度或结构相似度,并根据分析结果在所述初始图象中设置学习区域;
S113、从为所述初始图象设置的学习区域中提取代表图像,所述代表图像是包括初始图像中的主要对象的图像,所述提取代表图象的方式为提取学习区域的预先设定比例的中心图像作为代表图像;
S114、基于学习区域和代表图像提取预先设定数量的相邻图像,所述提取相邻图像的方式为从学习区域内提取和代表图像具有预先设定距离的图像作为相邻图像;
S115、将所述代表图像和预先设定数量的相邻图像输入机器学习模型,并由机器学习模型生成预先设定数量伪图像,并将生成的伪图像存储在所述第一内存中。
作为本发明的一种优选技术方案,所述根据分析结果在初始图象中设置学习区域的过程,包括如下步骤:
S1121、判断所述初始图像的类型,在所述初始图象是视频数据的情况下,从所述视频数据中获取预先设定数量帧数的图像,将各帧图像作为待分析图像进行后续分析,在所述初始图像是图像数据的情况下,直接将所述初始图像作为待分析图像进行后续分析;
S1122、分析所述各待分析图像的色差变化率,将色差变化率在预先设定范围内的区域作为学习区域;
S1123、在色差变化率不在预先设定范围的情况下,分析所述各待分析图像的图像复杂度,将图像复杂度在预先设定范围内的区域设置为学习区域;
S1124、在图像复杂度不在预先设定范围的情况下,预先定义障碍对象图像,分析各待分析图像和预先定义障碍对象图像的结构相似度,将各待分析图像分为预先设定数量的区域,利用图像结构相似度算法分析各区域与所述障碍对象图像的结构相似度,将结构相似度在预先设定范围外的区域设置为学习区域。
作为本发明的一种优选技术方案,其特征在于,所述分析各待分析图像的色差变化率,包括如下步骤:
S11221、将各待分析图像分为预先设定数量的区域,对每个区域计算色差变化率,获取每个区域中的每个像素的RGB值,并将RGB值转化为HSV值,HSV值有三个颜色参数分别为色调、饱和度和亮度,分别计算每个像素的三个颜色参数和相邻的上下左右四个像素对应的三个颜色参数之间的变化率,首先选择三个颜色参数变化率中最大的变化率作为当前像素和相邻像素的色差变化率;
S11222、获取到和相邻四个像素的色差变化率后计算四个色差变化率的平均值,将所述平均值作为当前像素的色差变化率,按照此方法计算出每个区域中每个像素对应的色差变化率,取所有属于同一区域的像素的色差变化率,并计算它们的平均值作为当前区域的色差变化率。
作为本发明的一种优选技术方案,所述分析各待分析图像的图像复杂度,包括如下步骤:
S11231、将各待分析图像分为预先设定数量的区域,对每个区域计算图像复杂度,获取每个区域中每个像素的RGB值,利用色差公式计算每个像素和它相邻的四个像素的色差,计算出四个色差后,选择其中色差值最大的色差值作为当前像素的色差值;
S11232、计算出每个区域中每个像素的色差值之后,获取属于同一区域的像素的色差值并计算平均值,将平均值作为当前区域的图像复杂度。
作为本发明的一种优选技术方案,所述生成特征识别模型的过程,包括如下步骤:
S121、学习数据测评模块从所述第一内存中获取图像数据,使用预先设定数量的图像数据进行训练生成参考模型,将图像学习数据集分成N个子数据集;
S122、顺序使用N个子数据集经过训练所述参考模型生成N个模型,使用第一子数据集训练参考模型生成模型一,使用第二子数据集对模型一训练生成模型二,使用第三子数据集对模型二进行训练生成模型三,以此类推,使用第N子数据集对模型N-1训练生成模型N,将生成的模型和在训练过程中使用的对应的子数据集存储在第二内存中;
S123、准备测试数据,将所述测试数据依次输入生成的N个模型中,使用所述测试数据依次测试生成的N个模型并生成对应的所述预测数据,根据所述预测数据计算出对应模型的识别率并将所述预测数据和所述识别率对应保存在第二内存中,将所述识别率作为测评值,从第二内存中选择所述测评值高于预先设定数值的子数据集;
S124、使用选择的子数据集运用机器学习算法生成特征识别模型。
本发明还提供一种生长监测管理系统,包括如下模块:
图像数据生成模块,用于生成图像数据,首先获取初始图像,并根据初始图像生成和初始图像相似的伪图像,并将伪图像存储在第一内存中;
数据测评模块,用于对生成的图像数据分批测评,将图像数据生成N个子数据集,并对N个子数据集进行测评,选择测评值高于预先设定数值的子数据集作为学习数据,将选择的学习数据运用机器学习算法生成特征识别模型;
生长监测模块,用于获取并存储目标区域遥感图像,利用特征识别模型分析和处理遥感图像,获取遥感图像中的特征信息,根据特征信息计算特征参数,基于特征参数综合分析作物生长指标、生理指标和品质指标,根据历年作物的各指标计算平均生长指标、平均生理指标和平均品质指标,比较各指标和各平均指标,判断作物生长状态。
与现有技术相比,本发明的有益效果至少如下所述:
在本发明中,图像数据生成模块生成图像数据,数据测评模块选择合适的图像数据作为学习数据,将学习数据输入机器学习模型建立并生成特征识别模型;生长监测模块获取并存储目标区域的遥感图像,利用特征识别模型对遥感图像进行分析和处理,获取遥感图像中的特征信息,并根据特征信息计算作物特定生长期的特征参数;生长监测模块基于特征参数,综合分析并获取作物的生长指标、生理指标和品质指标,根据各指标判断作物生长状态。本发明通过生成大量学习数据,获得足够的学习数据,并通过对大量学习数据进行测评,挑选合适的学习数据进行模型训练,建立能够精准识别遥感图像的特征识别模型,获取到作物的特征参数从而精准的判断作物的生长状态。
附图说明
图1为本发明的一种生长监测管理方法的步骤流程图;
图2为本发明的一种生长监测管理系统的组成结构图;
图2中所示:100、一种生长监测管理系统;101、图像数据生成模块;102、数据测评模块;103、生长监测模块。
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仅用以解释本发明,并不用于限定本发明。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但除非特别说明,这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一xx脚本称为第二xx脚本,且类似地,可将第二xx脚本称为第一xx脚本。
参考如图1所示,本发明提供一种生长监测管理方法,主要通过执行如下的步骤过程来实现:
S1、图像数据生成模块生成图像数据并存储在第一内存中,数据测评模块从上述第一内存中获取图像数据,将上述图像数据分成N个子数据集,并对N个子数据集进行测评,选择测评值高于预先设定数值的子数据集作为学习数据,将上述学习数据输入机器学习模型,建立并生成特征识别模型;
S2、生长监测模块获取并存储目标区域的遥感图像,利用上述特征识别模型对遥感图像进行分析和处理,获取遥感图像中的特征信息,并根据上述特征信息计算作物特定生长期的特征参数;
S3、生长监测模块基于特征参数,综合分析并获取作物的生长指标、生理指标和品质指标,将各指标存储在第三内存中,从第三内存中获取历年指标,根据上述历年指标计算平均生长指标、平均生理指标和平均品质指标,比较各指标和各平均指标,判断作物生长状态。
具体的,为了能够精准获取作物的生长状态,首先要建立能精准识别的特征识别模型,使用的学习数据越多最后生成的特征识别模型的识别度就越精准,但是获取大量学习数据需要成本和时间,因此本发明通过生成大量学习数据的方式生成足够的学习数据用于特征识别模型的训练,首先采用图像数据生成模块生成大量图像数据,生成了大量学习数据后,所生产的大量数据中的某些数据可能不适合作为学习数据,因此对这些数据进行测评,选择对生产模型有价值的数据作为学习数据比较重要,因此本发明通过学习数据测评模块获取大量图像数据后将大量图像数据分成多个子数据集,分批对这些子数据集进行测评,根据测评数据获取识别率,选择识别率高于预先设定数值的子数据集作为学习数据,将学习数据输入机器学习模型建立并生成能够精准识别的特征识别模型,生长监测模块获取要监测的目标区域的遥感图像,利用特征识别模型对遥感图像进行分析和处理,获取遥感图像中的特征信息,并根据特征信息计算作物的特征参数,基于特征参数综合分析作物的生长指标、生理指标和品质指标,根据历年指标计算作物的平均指标,并通过比较现在的指标和平均指标,判断作物的生长状态,达到监测作物生长状态的目的,如果指标低于历年平均指标,表明作物生长状态不好,则可以根据各个指标表现出的问题,对作物做出对应的干预,比如施肥、灌溉、治病和除虫等,比如比较生长指标如果生长指标低于平均生长指标,可能说明今年作物生长慢,可以适当对作物进行施肥或灌溉促进作物生长,又比如生理指标高于历年平均生理指标,则说明作物生长状态良好,不需要过多的人为干预,比较品质指标,根据品质指标和历年平均品质指标可以计算指标的差值,根据指标的差值预测作物产量。
进一步的,上述图像数据生成模块生成图像数据的过程,包括如下步骤:
S111、收集初始图像集,上述初始图象集包括使用拍摄设备拍摄的图像数据和视频数据;
S112、依次分析上述初始图象集中各初始图像的色差变化率、图像复杂度或结构相似度,并根据分析结果在上述初始图象中设置学习区域;
S113、从为上述初始图象设置的学习区域中提取代表图像,上述代表图像是包括初始图像中的主要对象的图像,上述提取代表图象的方式为提取学习区域的预先设定比例的中心图像作为代表图像;
S114、基于学习区域和代表图像提取预先设定数量的相邻图像,上述提取相邻图像的方式为从学习区域内提取和代表图像具有预先设定距离的图像作为相邻图像;
S115、将上述代表图像和预先设定数量的相邻图像输入机器学习模型,并由机器学习模型生成预先设定数量伪图像,并将生成的伪图像存储在上述第一内存中。
具体的,为了生成大量学习数据,图像数据生成模块首先收集初始图像,初始图象可以是收集一些通过拍摄设备拍摄的真实图像或视频,也可以从开源网站上获取,收集初始图像的数量没有太多要求,可以尽可能的多获取,比如可以是五十张或八十张或者更多张,依次分析初始图象集中各初始图像,首先分析初始图象的数据类型,在初始图像是视频数据的情况下,获取视频数据中总帧数,获取视频数据中总帧数的三分之一,四分之一或五分之一的帧图像,将获取的各帧图像作为待分析图像,在初始图像是图像的情况下直接将初始图象作为待分析图像,分析各待分析图像的颜色变化率、图像复杂度或结构相似度,并根据分析结果在各待分析图像中设置学习区域,具体设置学习区域的方法将在后续进行说明,之后从为各待分析图像设置的学习区域中提取代表图像,代表图像是包括各待分析图像中的主要对象的图像,上述提取代表图象的方式为提取学习区域的预先设定比例的中心图像作为代表图像,上述预先设定比例可以是根据初始图像的主要对象占学习区域的比例来设置,为了尽可能的使代表图像包含初始图象的主要对象,预先设定比例可以设置的尽可能的大一些,比如百分之八十或百分之九十,之后基于学习区域和代表图像提取预先设定数量的相邻图像,上述提取相邻图像的方式为从学习区域内提取和代表图像具有预先设定距离的图像作为相邻图像,或从学习区域内提取任意两个相隔预先设定距离的图像作为相邻图像,之后将代表图像和预先设定数量的相邻图像输入机器学习模型,生成预先设定数量的伪图像,预先设定数量可以随机生成一个十或二十以内的随机数,并将生成的伪图像存储到第一内存中,这样便可以通过少数的真实图像或视频生成了大量的伪图像,伪图像的数量可能有一千、一万甚至更多,由此便可以为后续建立特征识别模型提供大量学习数据,从而提高特征识别模型的识别精度,使特征识别模型能够更准确的识别作物的特征信息。
进一步的,上述根据分析结果在初始图象中设置学习区域的过程,包括如下步骤:
S1121、判断上述初始图像的类型,在上述初始图象是视频数据的情况下,从上述视频数据中获取预先设定数量帧数的图像,将各帧图像作为待分析图像进行后续分析,在上述初始图像是图像数据的情况下,直接将上述初始图像作为待分析图像进行后续分析;
S1122、分析上述各待分析图像的色差变化率,将色差变化率在预先设定范围内的区域作为学习区域;
S1123、在色差变化率不在预先设定范围的情况下,分析上述各待分析图像的图像复杂度,将图像复杂度在预先设定范围内的区域设置为学习区域;
S1124、在图像复杂度不在预先设定范围的情况下,预先定义障碍对象图像,分析各待分析图像和预先定义障碍对象图像的结构相似度,将各待分析图像分为预先设定数量的区域,利用图像结构相似度算法分析各区域与上述障碍对象图像的结构相似度,将结构相似度在预先设定范围外的区域设置为学习区域。
具体的,为初始图像设置学习区域从而为后续生成伪图像做依据,因为初始图像可能是视频或图像,首先判断初始图像的类型,在是视频的情况下,可以根据视频数据的帧数,获取视频帧数的三分之一、四分之一或五分之一的帧图像,获取方式可以是每隔两帧或三帧或四帧获取一帧图像将获取的各帧图像作为待分析图像,分析各待分析图像的色差变化率,具体分析各待分析图像的色差变化率的过程将在后续进行解释,将色差变化率在预先设定范围的区域设置为学习区域,分析待分析图象时可能遇到获取到的色差变化率不在预先设定范围的情况,这时则可以分析各待分析图像的图像复杂度,将图像复杂度在预先设定范围内的区域设置为学习区域,在图像复杂度也不在预先设定范围的情况下,分析初始图像的结构相似度,预先定义障碍对象图像,比如我们要生成很多包含农田的图像,则障碍元素可以设置为公路或房屋,分析各待分析图像和预先定义障碍对象图像的结构相似度,将各待分析图像分为预先设定数量的区域,利用图像结构相似度算法分析各区域与上述障碍对象图像的结构相似度,上述结构相似度算法为现有技术这里就不再进行说明,结构相似度算法有多种可以选择比如感知哈希算法、归一化互相关算法和均值哈希算法,可以任意选择一种获取结构相似度,将结构相似度在预先设定范围外的区域设置为学习区域,如果结构相似度全部都在预先设定范围内,这种通过分析色差变化率、图像复杂度和结构相似度都找不出适合的区域作为学习区域的情况下,可以选择舍弃掉这些图像数据,因为这些图像可能和我们想要生成的目标图像相差太大或者完全不相关,或者如果想要充分使用初始图象或者避免前面分析色差变化率、图像复杂度和结构相似度出现误差的情况也可以不舍弃这些图像,则可将各待分析图像中预先设定比例的中心区域作为学习区域,但是将预先设定比例可以设定小一些,比如百分之五十或更小,从而达到将每张图像都设置好学习区域的目的,也能为后续生成伪图像做依据。
进一步的,上述分析各待分析图像的色差变化率的过程,包括如下步骤:
S11221、将各待分析图像分为预先设定数量的区域,对每个区域计算色差变化率,获取每个区域中的每个像素的RGB值,并将RGB值转化为HSV值,HSV值有三个颜色参数分别为色调、饱和度和亮度,分别计算每个像素的三个颜色参数和相邻的上下左右四个像素对应的三个颜色参数之间的变化率,首先选择三个颜色参数变化率中最大的变化率作为当前像素和相邻像素的色差变化率;
S11222、获取到和相邻四个像素的色差变化率后计算四个色差变化率的平均值,将上述平均值作为当前像素的色差变化率,按照此方法计算出每个区域中每个像素对应的色差变化率,取所有属于同一区域的像素的色差变化率,并计算它们的平均值作为当前区域的色差变化率。
具体的,首先将各待分析图像分为预先设定数量的区域,对每个区域计算色差变化率,获取每个区域中的每个像素的RGB值,并将RGB值转化伪HSV值,上述转化方法为现有技术现不做过多解释,HSV值有三个颜色参数分别为色调、饱和度和亮度,分别计算每个像素的三个颜色参数和相邻的上下左右四个像素对应的三个颜色参数之间的变化率,此时获取到十二个变化率,分别对应四个不同的相邻像素和三个颜色参数,首先选择对应的一个相邻像素的三个颜色参数的变化率,选择变化率最大的变化率作为和当前相邻像素的色差变化率,由此选择出四个最大的色差变化率之后计算四个色差变化率的平均值将这个平均值作为当前像素的色差变化率,通过同一个方法计算每个区域中每个像素对应的色差变化率,计算出所有属于同一区域的像素的色差变化率后,计算他们的平均值将平均值作为当前区域的色差变化率,之后判断色差变化率是否在预先设定范围,如果在则将这个区域作为学习区域,其他区域用同样的方法计算并判断划分,一张图像可能有多个区域作为学习区域,也有可能所有区域的色差变化率都不在预先设定的范围,此时分析图像的图像复杂度,具体过程在后续做出解释,通过分析色差变化率设定学习区域,色差变化率表示了图像中色差的变化情况,比如我们要识别图像中的农田和农作物,一般这些对象的色差变化率都在特定的范围内,通过分析图像的色差变化率,将图像中符合预先设定范围的区域作为学习区域,通过设置学习区域,可以为后续生成大量伪图像做学习依据,也可以生成更加接近真实图像的伪图像。
进一步的,上述分析各待分析图像的图像复杂度,包括如下步骤:
S11231、将各待分析图像分为预先设定数量的区域,对每个区域计算图像复杂度,获取每个区域中每个像素的RGB值,利用色差公式计算每个像素和它相邻的四个像素的色差,计算出四个色差后,选择其中色差值最大的色差值作为当前像素的色差值;
S11232、计算出每个区域中每个像素的色差值之后,获取属于同一区域的像素的色差值并计算平均值,将平均值作为当前区域的图像复杂度。
具体的,在图像的色差变化率不在预先设定范围的情况下,分析图像的图像复杂度,因为图像中包含目标对象的复杂度和不包含目标对象的复杂度是不一样的,比如我们要生成大量农田、田地、农作物相关的图像,预先设定好图像复杂度的范围,将各待分析图像分为预先设定数量的区域,计算每个区域的图像复杂度,计算方法为首先获取每个区域中每个像素的RGB值,利用色差计算公式计算每个像素和它相邻的四个像素的色差,上述色差计算公式为现有技术不再进行说明,计算出四个色差后,选择其中最大的色差值作为当前像素的色差值,按照这个方法依次计算出每个区域中每个像素的色差值,之后获取属于同一区域的像素的色差值并计算它们的平均值,并将平均值作为当前区域的图像复杂度,将图像复杂度在预先设定范围内的区域设定为学习区域,不可避免地可能会出现某些图像分割的所有区域的图像复杂度都不在预先设定的范围内,此时可以通过分析图像的结构相似度来确定学习区域。
进一步的,上述生成特征识别模型的过程,包括如下步骤:
S121、学习数据测评模块从上述第一内存中获取图像数据,使用预先设定数量的图像数据进行训练生成参考模型,将图像学习数据集分成N个子数据集;
S122、顺序使用N个子数据集经过训练上述参考模型生成N个模型,使用第一子数据集训练参考模型生成模型一,使用第二子数据集对模型一训练生成模型二,使用第三子数据集对模型二进行训练生成模型三,以此类推,使用第N子数据集对模型N-1训练生成模型N,将生成的模型和在训练过程中使用的对应的子数据集存储在第二内存中;
S123、准备测试数据,将上述测试数据依次输入生成的N个模型中,使用上述测试数据依次测试生成的N个模型并生成对应的上述预测数据,根据上述预测数据计算出对应模型的识别率并将上述预测数据和上述识别率对应保存在第二内存中,将上述识别率作为测评值,从第二内存中选择上述测评值高于预先设定数值的子数据集;
S124、使用选择的子数据集运用机器学习算法生成特征识别模型。
具体的,为了生成识别精度更高的特征识别模型,本发明首先生成了大量学习数据,由于大量学习数据有很多且是根据真实图像或视频生成的伪图像数据,有可能会出现比如要识别田地遥感图像但是生成的伪图像可能和田地完全不相关的情况,如果使用大量这种数据训练特征识别模型对特征识别模型的建立速度和识别准确度帮助不大,因此对大量数据进行测评选择适合的学习数据建立特征识别模型可以使特征识别模型识别的更准确,模型生成的速度也更快,所以利用学习数据测评模块对这些数据进行测评,首先学习数据测评模块从第一内存中获取图像数据,使用预先设定数量的图像数据进行训练生成参考模型,将图像数据集分成N个子数据集,上述N的具体个数可以根据当前使用的硬件配置和图像数据的个数进行定义,硬件配置高的情况下处理速度更快,如果图像数据的个数为三千,硬件配置高的情况下可以将N定义为五,硬件配置相对低的情况下可以将N定义为十,顺序使用N个子数据集经过训练上述参考模型生成N个模型,使用第一子数据集训练参考模型生成模型一,使用第二子数据集对模型一训练生成模型二,使用第三子数据集对模型二进行训练生成模型三,以此类推,使用第N子数据集对模型N-1训练生成模型N,将生成的模型和在训练过程中使用的对应的子数据集存储在第二内存中,准备测试数据,将测试数据依次输入生成的N个模型中模型,使用测试数据依次测试生成的N个模型并生成对应的预测数据,根据预测数据和测试数据计算出对应模型的识别率并将预测数据和识别率对应保存在第二内存中,从第二内存中选择识别率高于预先设定数值的子数据集,使用选择的子数据集运用机器学习算法生成特征识别模型,以上通过测评选择出适合的训练数据训练生成特征识别模型,以此来提高特征识别模型的识别准确度和模型的生成速度。
参考如图2所示,本发明还提供一种生长监测管理系统100,用来实现如以上内容所描述的一种生长监测管理方法,具体包括如下的模块:
图像数据生成模块101,用于生成图像数据,首先获取初始图像,并根据初始图像生成和初始图像相似的伪图像,并将伪图像存储在第一内存中;
数据测评模块102,用于对生成的图像数据分批测评,将图像数据生成N个子数据集,并对N个子数据集进行测评,选择测评值高于预先设定数值的子数据集作为学习数据,将选择的学习数据运用机器学习算法生成特征识别模型;
生长监测模块103,用于获取并存储目标区域遥感图像,利用特征识别模型分析和处理遥感图像,获取遥感图像中的特征信息,根据特征信息计算特征参数,基于特征参数综合分析作物生长指标、生理指标和品质指标,根据历年作物的各指标计算平均生长指标、平均生理指标和平均品质指标,比较各指标和各平均指标,判断作物生长状态。
本发明还提供了一种存储介质,其上存储有计算机程序,该计算机程序被上述的处理器执行时实现上述内容所描述的一种生长监测管理方法的步骤。
综上所述,本发明的一种生长监测管理方法及系统,方法包括图像数据生成模块生成图像数据,数据测评模块选择合适的图像数据作为学习数据,将学习数据输入机器学习模型建立并生成特征识别模型;生长监测模块获取并存储目标区域的遥感图像,利用特征识别模型对遥感图像进行分析和处理,获取遥感图像中的特征信息,并根据特征信息计算作物特定生长期的特征参数;生长监测模块基于特征参数,综合分析并获取作物的生长指标、生理指标和品质指标,根据各指标判断作物生长状态。本发明通过生成大量学习数据,获得足够的学习数据,并通过对大量学习数据进行测评,挑选合适的学习数据进行模型训练,快速建立能够精准识别遥感图像的特征识别模型,获取到作物的特征参数从而精准的判断作物的生长状态。
应该理解的是,虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,上述的程序可存储于一个非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上上述的实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上上述的实施例仅表达了本发明的几种实施方式,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。
以上上述的仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种生长监测管理方法,其特征在于,包括如下的步骤:
S1、图像数据生成模块生成图像数据并存储在第一内存中,数据测评模块从所述第一内存中获取图像数据,将所述图像数据分成N个子数据集,并对N个子数据集进行测评,选择测评值高于预先设定数值的子数据集作为学习数据,将所述学习数据输入机器学习模型,建立并生成特征识别模型;
S2、生长监测模块获取并存储目标区域的遥感图像,利用所述特征识别模型对遥感图像进行分析和处理,获取遥感图像中的特征信息,并根据所述特征信息计算作物特定生长期的特征参数;
S3、生长监测模块基于特征参数,综合分析并获取作物的生长指标、生理指标和品质指标,将各指标存储在第三内存中,从第三内存中获取历年指标,根据所述历年指标计算平均生长指标、平均生理指标和平均品质指标,比较各指标和各平均指标,判断作物生长状态。
2.根据权利要求1所述的一种生长监测管理方法,其特征在于,所述图像数据生成模块生成图像数据的过程,包括如下步骤:
S111、收集初始图像集,所述初始图象集包括使用拍摄设备拍摄的图像数据和视频数据;
S112、依次分析所述初始图象集中各初始图像的色差变化率、图像复杂度或结构相似度,并根据分析结果在所述初始图象中设置学习区域;
S113、从为所述初始图象设置的学习区域中提取代表图像,所述代表图像是包括初始图像中的主要对象的图像,所述提取代表图象的方式为提取学习区域的预先设定比例的中心图像作为代表图像;
S114、基于学习区域和代表图像提取预先设定数量的相邻图像,所述提取相邻图像的方式为从学习区域内提取和代表图像具有预先设定距离的图像作为相邻图像;
S115、将所述代表图像和预先设定数量的相邻图像输入机器学习模型,并由机器学习模型生成预先设定数量伪图像,并将生成的伪图像存储在所述第一内存中。
3.根据权利要求2所述的一种生长监测管理方法,其特征在于,所述根据分析结果在初始图象中设置学习区域的过程,包括如下步骤:
S1121、判断所述初始图像的类型,在所述初始图象是视频数据的情况下,从所述视频数据中获取预先设定数量帧数的图像,将各帧图像作为待分析图像进行后续分析,在所述初始图像是图像数据的情况下,直接将所述初始图像作为待分析图像进行后续分析;
S1122、分析所述各待分析图像的色差变化率,将色差变化率在预先设定范围内的区域作为学习区域;
S1123、在色差变化率不在预先设定范围的情况下,分析所述各待分析图像的图像复杂度,将图像复杂度在预先设定范围内的区域设置为学习区域;
S1124、在图像复杂度不在预先设定范围的情况下,预先定义障碍对象图像,分析各待分析图像和预先定义障碍对象图像的结构相似度,将各待分析图像分为预先设定数量的区域,利用图像结构相似度算法分析各区域与所述障碍对象图像的结构相似度,将结构相似度在预先设定范围外的区域设置为学习区域。
4.根据权利要求3所述的一种生长监测管理方法,其特征在于,所述分析各待分析图像的色差变化率,包括如下步骤:
S11221、将各待分析图像分为预先设定数量的区域,对每个区域计算色差变化率,获取每个区域中的每个像素的RGB值,并将RGB值转化为HSV值,HSV值有三个颜色参数分别为色调、饱和度和亮度,分别计算每个像素的三个颜色参数和相邻的上下左右四个像素对应的三个颜色参数之间的变化率,首先选择三个颜色参数变化率中最大的变化率作为当前像素和相邻像素的色差变化率;
S11222、获取到和相邻四个像素的色差变化率后计算四个色差变化率的平均值,将所述平均值作为当前像素的色差变化率,按照此方法计算出每个区域中每个像素对应的色差变化率,取所有属于同一区域的像素的色差变化率,并计算它们的平均值作为当前区域的色差变化率。
5.根据权利要求3所述的一种生长监测管理方法,其特征在于,所述分析各待分析图像的图像复杂度,包括如下步骤:
S11231、将各待分析图像分为预先设定数量的区域,对每个区域计算图像复杂度,获取每个区域中每个像素的RGB值,利用色差公式计算每个像素和它相邻的四个像素的色差,计算出四个色差后,选择其中色差值最大的色差值作为当前像素的色差值;
S11232、计算出每个区域中每个像素的色差值之后,获取属于同一区域的像素的色差值并计算平均值,将平均值作为当前区域的图像复杂度。
6.根据权利要求1所述的一种生长监测管理方法,其特征在于,所述生成特征识别模型的过程,包括如下步骤:
S121、学习数据测评模块从所述第一内存中获取图像数据,使用预先设定数量的图像数据进行训练生成参考模型,将图像学习数据集分成N个子数据集;
S122、顺序使用N个子数据集经过训练所述参考模型生成N个模型,使用第一子数据集训练参考模型生成模型一,使用第二子数据集对模型一训练生成模型二,使用第三子数据集对模型二进行训练生成模型三,以此类推,使用第N子数据集对模型N-1训练生成模型N,将生成的模型和在训练过程中使用的对应的子数据集存储在第二内存中;
S123、准备测试数据,将所述测试数据依次输入生成的N个模型中,使用所述测试数据依次测试生成的N个模型并生成对应的所述预测数据,根据所述预测数据计算出对应模型的识别率并将所述预测数据和所述识别率对应保存在第二内存中,将所述识别率作为测评值,从第二内存中选择所述测评值高于预先设定数值的子数据集;
S124、使用选择的子数据集运用机器学习算法生成特征识别模型。
7.一种生长监测管理系统,用于实现如权利要求1-6任一项所述的方法,其特征在于,包括如下的模块:
图像数据生成模块,用于生成图像数据,首先获取初始图像,并根据初始图像生成和初始图像相似的伪图像,并将伪图像存储在第一内存中;
数据测评模块,用于对生成的图像数据分批测评,将图像数据生成N个子数据集,并对N个子数据集进行测评,选择测评值高于预先设定数值的子数据集作为学习数据,将选择的学习数据运用机器学习算法生成特征识别模型;
生长监测模块,用于获取并存储目标区域遥感图像,利用特征识别模型分析和处理遥感图像,获取遥感图像中的特征信息,根据特征信息计算特征参数,基于特征参数综合分析作物生长指标、生理指标和品质指标,根据历年作物的各指标计算平均生长指标、平均生理指标和平均品质指标,比较各指标和各平均指标,判断作物生长状态。
8.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的一种生长监测管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311217911.5A CN117315466B (zh) | 2023-09-20 | 2023-09-20 | 一种生长监测管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311217911.5A CN117315466B (zh) | 2023-09-20 | 2023-09-20 | 一种生长监测管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117315466A true CN117315466A (zh) | 2023-12-29 |
CN117315466B CN117315466B (zh) | 2024-04-09 |
Family
ID=89284124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311217911.5A Active CN117315466B (zh) | 2023-09-20 | 2023-09-20 | 一种生长监测管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117315466B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
CN106909972A (zh) * | 2017-01-09 | 2017-06-30 | 浙江大学 | 一种传感器数据校准模型的学习方法 |
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 |
CN111008733A (zh) * | 2019-11-25 | 2020-04-14 | 华南农业大学 | 一种作物生长管控方法和系统 |
CN112464172A (zh) * | 2020-12-10 | 2021-03-09 | 中国科学院空天信息创新研究院 | 生长参数主被动遥感反演方法及装置 |
WO2021121128A1 (zh) * | 2020-06-08 | 2021-06-24 | 平安科技(深圳)有限公司 | 基于人工智能的样本评估方法、装置、设备及存储介质 |
CN113609779A (zh) * | 2021-08-16 | 2021-11-05 | 深圳力维智联技术有限公司 | 分布式机器学习的建模方法、装置及设备 |
CN114169385A (zh) * | 2021-09-28 | 2022-03-11 | 北京工业大学 | 基于混合数据增强的mswi过程燃烧状态识别方法 |
US20220092705A1 (en) * | 2020-09-24 | 2022-03-24 | Centure Applications LTD | Machine learning models for selecting treatments for treating an agricultural field |
CN114444608A (zh) * | 2022-02-08 | 2022-05-06 | 中国电信股份有限公司 | 数据集质量评估方法及装置、电子设备及存储介质 |
CN115661506A (zh) * | 2022-09-14 | 2023-01-31 | 天津大学 | 一种主动学习图像分类方法及可视化交互系统 |
CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
CN116778333A (zh) * | 2023-06-26 | 2023-09-19 | 衡阳市大雁地理信息有限公司 | 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 |
-
2023
- 2023-09-20 CN CN202311217911.5A patent/CN117315466B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104850694A (zh) * | 2015-05-13 | 2015-08-19 | 福州大学 | 基于生长期植被指数增量的冬小麦遥感监测方法 |
CN106909972A (zh) * | 2017-01-09 | 2017-06-30 | 浙江大学 | 一种传感器数据校准模型的学习方法 |
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 |
CN111008733A (zh) * | 2019-11-25 | 2020-04-14 | 华南农业大学 | 一种作物生长管控方法和系统 |
WO2021121128A1 (zh) * | 2020-06-08 | 2021-06-24 | 平安科技(深圳)有限公司 | 基于人工智能的样本评估方法、装置、设备及存储介质 |
US20220092705A1 (en) * | 2020-09-24 | 2022-03-24 | Centure Applications LTD | Machine learning models for selecting treatments for treating an agricultural field |
CN112464172A (zh) * | 2020-12-10 | 2021-03-09 | 中国科学院空天信息创新研究院 | 生长参数主被动遥感反演方法及装置 |
CN113609779A (zh) * | 2021-08-16 | 2021-11-05 | 深圳力维智联技术有限公司 | 分布式机器学习的建模方法、装置及设备 |
CN114169385A (zh) * | 2021-09-28 | 2022-03-11 | 北京工业大学 | 基于混合数据增强的mswi过程燃烧状态识别方法 |
CN114444608A (zh) * | 2022-02-08 | 2022-05-06 | 中国电信股份有限公司 | 数据集质量评估方法及装置、电子设备及存储介质 |
CN115661506A (zh) * | 2022-09-14 | 2023-01-31 | 天津大学 | 一种主动学习图像分类方法及可视化交互系统 |
CN116012720A (zh) * | 2023-03-28 | 2023-04-25 | 航天万源云数据河北有限公司 | 基于高分遥感影像的农作物长势监测方法、设备及介质 |
CN116778333A (zh) * | 2023-06-26 | 2023-09-19 | 衡阳市大雁地理信息有限公司 | 一种基于卫星遥感影像识别的油茶林生长趋势预测方法和系统 |
Non-Patent Citations (3)
Title |
---|
JORDAN J. BIRD 等: "Fruit Quality and Defect Image Classification with Conditional GAN Data Augmentation", SCIENTIA HORTICULTURAE, 5 February 2022 (2022-02-05), pages 1 - 11 * |
YAN ZHANG 等: "High-Precision Seedling Detection Model Based on Multi-Activation Layer and Depth-Separable Convolution Using Images Acquired by Drones", DRONES, 20 June 2022 (2022-06-20), pages 1 - 17 * |
徐浩田 等: "基于AI图像识别的植被分类与健康评估系统研制", 电脑编程技巧与维护, no. 7, 31 July 2023 (2023-07-31), pages 148 - 150 * |
Also Published As
Publication number | Publication date |
---|---|
CN117315466B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Puno et al. | Determination of soil nutrients and pH level using image processing and artificial neural network | |
EP4150515A1 (en) | System and method for crop monitoring | |
EP3816879A1 (en) | A method of yield estimation for arable crops and grasslands and a system for performing the method | |
CN113948220B (zh) | 一种具有预分析能力的炭疽病病原菌侵染阶段检测方法 | |
CN114818909B (zh) | 一种基于作物长势特征的杂草检测方法和装置 | |
US11710232B2 (en) | Image processing based advisory system and a method thereof | |
US20190107521A1 (en) | System and method for field test management | |
CN110930352A (zh) | 物体色差缺陷检测方法、装置、计算机设备及存储介质 | |
CN113963260A (zh) | 一种冬小麦种植区的提取方法、装置和计算机设备 | |
CN113223040B (zh) | 基于遥感的香蕉估产方法、装置、电子设备和存储介质 | |
Diaz et al. | Deep learning for plant classification in precision agriculture | |
Shahrin et al. | Agricultural analysis and crop yield prediction of habiganj using multispectral bands of satellite imagery with machine learning | |
Kim et al. | Utilizing machine learning for detecting flowering in mid-range digital repeat photography | |
CN113313169B (zh) | 基于深度学习的训练素材智能识别方法、装置和设备 | |
CN114973024A (zh) | 一种机采棉脱叶效果综合评价指标监测与评价方法及系统 | |
CN117315466B (zh) | 一种生长监测管理方法及系统 | |
Kolhar et al. | Phenomics for Komatsuna plant growth tracking using deep learning approach | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
Hati et al. | AI-driven pheno-parenting: a deep learning based plant phenotyping trait analysis model on a novel soilless farming dataset | |
CN116994244A (zh) | 一种基于Yolov8的柑橘树体果实产量评估方法 | |
CN115965875A (zh) | 一种农作物病虫害智能监控方法及系统 | |
Gómez-Zamanillo et al. | Damage assessment of soybean and redroot amaranth plants in greenhouse through biomass estimation and deep learning-based symptom classification | |
Vong et al. | Estimation of corn emergence date using UAV imagery | |
Schmidtke | Developing a phone-based imaging tool to inform on fruit volume and potential optimal harvest time | |
Bates et al. | Automating measurements of canopy and fruit to map crop load in commercial vineyards |
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 |