CN117496356A - 农业人工智能作物检测方法及系统 - Google Patents
农业人工智能作物检测方法及系统 Download PDFInfo
- Publication number
- CN117496356A CN117496356A CN202311602350.0A CN202311602350A CN117496356A CN 117496356 A CN117496356 A CN 117496356A CN 202311602350 A CN202311602350 A CN 202311602350A CN 117496356 A CN117496356 A CN 117496356A
- Authority
- CN
- China
- Prior art keywords
- crop
- remote sensing
- feature
- image
- context
- 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.)
- Withdrawn
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 239000013598 vector Substances 0.000 claims abstract description 76
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 66
- 201000010099 disease Diseases 0.000 claims abstract description 49
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 49
- 241000238631 Hexapoda Species 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000013473 artificial intelligence Methods 0.000 claims description 42
- 238000000605 extraction Methods 0.000 claims description 34
- 238000013527 convolutional neural network Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 15
- 230000002146 bilateral effect Effects 0.000 claims description 14
- 238000012544 monitoring process Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 2
- 238000012271 agricultural production Methods 0.000 abstract description 7
- 238000005516 engineering process Methods 0.000 description 14
- 241000196324 Embryophyta Species 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 9
- 239000003981 vehicle Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 235000013305 food Nutrition 0.000 description 7
- 240000007594 Oryza sativa Species 0.000 description 6
- 235000007164 Oryza sativa Nutrition 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 6
- 230000012010 growth Effects 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 235000009566 rice Nutrition 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 239000000575 pesticide Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 241000894006 Bacteria Species 0.000 description 3
- 241000282412 Homo Species 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 241001124076 Aphididae Species 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 2
- 241000233866 Fungi Species 0.000 description 2
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 241000244206 Nematoda Species 0.000 description 2
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 241000700605 Viruses Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 235000013312 flour Nutrition 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004753 textile Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000254171 Curculionidae Species 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 241001466042 Fulgoromorpha Species 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 240000002024 Gossypium herbaceum Species 0.000 description 1
- 235000004341 Gossypium herbaceum Nutrition 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 241000233679 Peronosporaceae Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- -1 climate Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002285 corn oil Substances 0.000 description 1
- 235000005687 corn oil Nutrition 0.000 description 1
- 230000034994 death Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 235000011389 fruit/vegetable juice Nutrition 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000037824 growth disorder Diseases 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000009342 intercropping Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 244000000010 microbial pathogen Species 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 235000019198 oils Nutrition 0.000 description 1
- 244000045947 parasite Species 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 230000036435 stunted growth Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000009941 weaving Methods 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
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种农业人工智能作物检测方法及系统，涉及智能化检测技术领域，其获取被监测农作物的遥感影像；对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量；以及，基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害。这样，可以通过分析遥感影像数据来判断作物是否遭受病虫害，为农业生产领域提供了更多的信息和决策支持。
Description
技术领域
本申请涉及智能化检测技术领域，并且更具体地，涉及一种农业人工智能作物检测方法及系统。
背景技术
农作物病虫害是农业生产中的重要问题，不及时解决会对农作物的生长和产量产生负面影响。传统的病虫害检测方法依赖于人工观察和经验判断，效率低且容易出现误判。
遥感技术通过卫星、无人机等设备获取大范围的农田图像数据，实现了对农作物的自动化监测。人工智能技术图像识别、模式识别等算法可以自动分析和处理大量的农田图像数据。遥感技术和人工智能技术的发展为农业生产领域提供了更多的信息和决策支持。
因此，期待一种优化的作物检测方案。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种农业人工智能作物检测方法及系统，其获取被监测农作物的遥感影像；对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量；以及，基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害。这样，可以通过分析遥感影像数据来判断作物是否遭受病虫害，为农业生产领域提供了更多的信息和决策支持。
第一方面，提供了一种农业人工智能作物检测方法，其包括：
获取被监测农作物的遥感影像；
对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量，其包括：
对所述被监测农作物的遥感影像进行图像预处理以得到增强农作物遥感影像；
将所述增强农作物遥感影像通过基于卷积神经网络模型的农作物浅层特征提取器以得到农作物特征图；
对所述农作物特征图进行特征分布优化和降维处理以得到多个农作物局部稀疏特征向量；
以及提取所述多个农作物局部稀疏特征向量之间的上下文语义关联信息以得到所述农作物上下文特征向量；
基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害。
第二方面，提供了一种农业人工智能作物检测系统，其包括：
影像获取模块，用于获取被监测农作物的遥感影像；
图像特征提取模块，用于对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量；
以及农作物监测结果确定模块，用于基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害。
附图说明
为了更清楚地说明本申请实施例的技术方案，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申请的一些实施例，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，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的农业人工智能作物检测方法的流程图。
图2为根据本申请实施例的农业人工智能作物检测方法的架构示意图。
图3为根据本申请实施例的农业人工智能作物检测方法中步骤120的子步骤的流程图。
图4为根据本申请实施例的农业人工智能作物检测系统的框图。
图5为根据本申请实施例的农业人工智能作物检测方法的场景示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
应可以理解，农作物是指人类为了满足食物、饲料、纤维等需求而种植的植物，它们是农业生产的核心和基础，为人类提供了重要的食物来源和经济资源。常见的农作物包括：
1.稻谷，稻谷是世界上最重要的粮食作物之一，主要用于人类的主食。稻谷种植在湿润的土地上，需要充足的水源来生长。主要分为水稻和旱稻两种类型，水稻需要在水田中种植，而旱稻则在非水田中种植。2.小麦，小麦是世界上种植面积最广、产量最高的粮食作物之一。是制作面食、面粉和面包的重要原料。小麦适应性强，可以在不同的气候和土壤条件下生长。3.玉米，玉米是一种重要的粮食作物和饲料作物，也可以用于工业原料的生产。它的种植面积广泛，适应性强，对水分和阳光的要求较高。玉米的果实可以食用，也可以加工成玉米粉、玉米油等产品。4.大豆，大豆是一种重要的油料作物和蛋白质来源，广泛用于食品加工、饲料和工业生产。大豆的种植需要充足的阳光和适宜的土壤条件。5.棉花，棉花是一种重要的纤维作物，用于纺织和制造纺织品。棉花植株高大，果实中的棉纤维可以用于纺纱和织布。
除了以上几种作物，还有许多其他的农作物，如大米、大麦、蔬菜、水果等，它们在不同地区和气候条件下种植，并为人类提供了多样化的食物和资源。农作物的种植和管理需要考虑土壤、气候、水源等因素，并采取适当的农业技术和措施来提高产量和质量，同时保护环境和生态平衡。
农作物病虫害是指农田中作物受到病菌、病毒、真菌、细菌、线虫、昆虫等有害生物的侵害所引起的疾病或害虫危害，这些病虫害会对作物的生长、发育和产量产生负面影响，给农业生产带来严重的损失。
农作物病害包括：病害，作物病害主要由病原微生物引起，如细菌、真菌、病毒等。常见的作物病害有白粉病、霜霉病、锈病、炭疽病、叶斑病等。这些病害会导致作物叶片枯黄、腐烂、凋萎，甚至死亡。
虫害，作物虫害主要由昆虫和线虫引起。常见的作物虫害有蚜虫、飞虱、螟虫、蚜虫、象甲等。这些虫害会以吸食作物汁液、啃食叶片、幼苗或果实为主要方式，导致作物生长受阻、叶片受损、果实减产甚至死亡。
农作物病虫害的防治包括：防病虫害，采取预防措施，如合理轮作、间作、清除病虫害源、加强田间管理等，减少病虫害的发生和传播；生物防治，利用天敌、寄生虫、捕食性昆虫等自然敌害，控制病虫害的数量和传播；化学防治，使用农药进行病虫害的防治，但需要注意合理使用，遵循农药使用的安全和环保原则；遗传改良，通过选育抗病虫害品种，提高作物的抗病虫害能力；农业技术措施，如合理施肥、灌溉管理、病虫害监测与预警等，提高作物的生长条件和管理水平，减少病虫害的发生。
但是，传统的病虫害检测方法依赖于人工观察和经验判断，效率低且容易出现误判。在本申请中，利用无人机等遥感技术进行作物检测。
其中，遥感技术可以通过采集大范围的遥感影像数据，快速获取农田的信息，相比传统的人工巡视或地面调查，遥感技术可以大大缩短检测时间，提高效率。无人机等遥感设备可以覆盖广阔的农田区域，获取全面的作物信息，无论是大规模的农田还是较小的农户，遥感技术都能够提供全面的作物检测服务。遥感设备可以提供高精度的地理定位信息，可以准确标记和记录农田中的问题区域，有助于农民和农业专业人员更好地定位和处理作物病虫害问题。遥感技术可以结合多种数据源，如多光谱、热红外、高光谱等数据，提供更全面、多维度的作物信息，通过数据融合和分析，可以更准确地判断作物的健康状况和病虫害情况。遥感技术可以实时监测农田的变化，并及时发现作物病虫害的迹象，有助于农民及时采取防治措施，避免病虫害的扩散和损失的进一步加剧。
利用无人机等遥感技术进行作物检测具有高效快速、全面覆盖、高精度定位、多源数据融合和实时监测与预警等必要性。这将有助于提高农作物病虫害的检测效率和准确性，为农民提供及时的决策支持，促进农业生产的可持续发展。
图1为根据本申请实施例的农业人工智能作物检测方法的流程图。图2为根据本申请实施例的农业人工智能作物检测方法的架构示意图。如图1和图2所示，所述农业人工智能作物检测方法，包括：110，获取被监测农作物的遥感影像；120，对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量；以及，130，基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害。
在所述步骤110中，确保选择适当的遥感影像获取方法，如使用无人机、卫星或其他航空平台进行影像采集。确保遥感影像的质量和分辨率足够高，以获取清晰、详细的农作物图像。在采集遥感影像时，应考虑光照条件、云覆盖和时间选择等因素，以获取最佳的农作物图像。
其中，遥感影像提供了广阔的农田覆盖范围，可以获取大量的农作物信息；遥感影像可以提供多时期的数据，用于监测农作物生长和变化的过程；遥感影像提供了基础数据，为后续的图像处理和分析提供了基础。
在所述步骤120中，选择适当的图像特征提取方法，如纹理特征、颜色特征、形状特征等，以捕捉农作物图像中的有用信息。考虑使用深度学习技术，如卷积神经网络（CNN），以自动提取农作物图像中的特征。确保提取的特征具有区分度和代表性，能够准确地描述农作物的上下文特征。
其中，图像特征提取可以将农作物图像转化为数值化的特征向量，方便后续的数据处理和分析；特征提取可以捕捉农作物图像中的关键信息，如病虫害的病斑、叶片形态等，有助于病虫害的检测和识别；特征向量的提取可以减少数据的维度，简化后续的计算和模型训练过程。
在所述步骤130中，建立合适的分类或回归模型，以基于农作物上下文特征向量进行病虫害的判断和识别。确保模型具有足够的训练数据和标签，以提高检测和识别的准确性。定期更新和优化模型，以适应不同作物和病虫害的变化。
其中，基于农作物上下文特征向量的病虫害判断可以实现自动化和快速的检测，提高检测效率和准确性；病虫害的判断和识别结果可以提供给农民和农业专业人员，帮助他们及时采取防治措施，减少损失；利用人工智能算法进行病虫害判断，可以结合大量的数据和模式识别能力，提高病虫害的检测精度和预警能力。
通过获取遥感影像、图像特征提取和基于特征向量的病虫害判断，可以实现高效、准确的作物检测。通过上述步骤，可以实现对农作物生长状态和病虫害情况的实时监测，有助于农业管理人员及时了解农作物的健康状况，及早发现和处理潜在的问题。
通过图像特征提取和农作物上下文特征向量的分析，农业人工智能作物检测方法可以提供更精准的诊断结果，可以帮助农业管理人员准确判断农作物是否受到病虫害的影响，从而采取相应的防治措施，避免病虫害的进一步传播和损害。
通过及时监测和诊断，农业人工智能作物检测方法可以帮助农业管理人员针对不同的农作物问题采取有效的管理策略。这包括优化灌溉和施肥方案，合理安排农药使用，以及及时采取病虫害防治措施等。这些措施的实施可以提高农作物的产量和质量，增加农民的收益。
农业人工智能作物检测方法可以帮助农业管理人员更精确地控制农药和肥料的使用量，减少浪费和环境污染。通过根据农作物的实际需求进行精细化管理，可以节约资源，提高资源利用效率，实现可持续农业发展。
具体地，在所述步骤110中，获取被监测农作物的遥感影像。针对上述技术问题，本申请的技术构思是：利用无人机等遥感技术，获取作物的遥感影像数据，通过分析遥感影像数据来判断作物是否遭受病虫害。
基于此，在本申请的技术方案中，首先获取被监测农作物的遥感影像。在本申请的一个实施例中，可以通过无人机遥感获取被监测农作物的遥感影像，其中，使用无人机搭载相机或多光谱传感器进行影像采集；设定适当的飞行高度和航线，确保覆盖目标农田区域；控制无人机的飞行速度和航向，以获取清晰、无遮挡的农作物图像；根据需要，可以进行多次飞行以获取不同时间段的农作物影像。
在本申请的另一个实施例中，卫星遥感获取被监测农作物的遥感影像，其中，利用卫星获取遥感影像，可以选择具有高空间分辨率和频繁重访周期的卫星；根据农作物监测的需求，选择合适的卫星传感器，如多光谱、高光谱或合成孔径雷达（SAR）传感器；根据卫星轨道和任务计划，确定观测时间和区域，以获取目标农田的影像。
当然，根据具体情况，还可以使用其他遥感平台，如飞艇、固定摄像机或移动平台等进行影像采集。根据农作物监测的需求，选择合适的设备和传感器，确保获取高质量的农作物影像。
其中，需要注意的是，一方面，确保遥感设备和传感器的性能和校准状态，以获取准确的遥感影像。另一方面，考虑天气条件，选择适当的时间进行影像采集，避免云覆盖和光照不足的情况。再一方面。对于大范围的农田，可以采用分块或分区域的方式进行影像采集，以确保覆盖全面且分辨率适当。
这样，可以获得被监测农作物的遥感影像，为后续的图像处理和分析提供基础数据。
具体地，在所述步骤120中，对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量。图3为根据本申请实施例的农业人工智能作物检测方法中步骤120的子步骤的流程图，如图3所示，对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量，包括：121，对所述被监测农作物的遥感影像进行图像预处理以得到增强农作物遥感影像；以及，122，对所述增强农作物遥感影像进行局部特征提取与上下文编码以得到所述农作物上下文特征向量。
在本申请中，在进行图像特征提取之前，通常需要对遥感影像进行一些预处理操作，以增强农作物的遥感影像质量。图像预处理方法包括：去噪处理，使用滤波器（如中值滤波器、高斯滤波器）来减少图像中的噪声，提高图像质量。影像配准，对多个时间点或不同传感器获取的影像进行配准，使它们在空间上对齐，以便进行准确的比较和分析。大气校正，通过去除大气散射和吸收效应，减少大气对遥感影像的影响，提高农作物信息的准确性。边缘增强，使用边缘增强算法（如Sobel算子、Canny算子）来突出农作物的边界，以便更好地提取特征。色彩校正，对遥感影像进行色彩校正，使不同影像之间的颜色保持一致，方便后续的特征提取和比较。
通过上述图像预处理方法，可以得到增强的农作物遥感影像，提高后续特征提取的效果和准确性。
在得到增强的农作物遥感影像后，可以进行局部特征提取和上下文编码，以获取农作物的上下文特征向量。其中，使用计算机视觉技术和图像处理算法，提取农作物影像中的局部特征，如纹理、形状、颜色等。例如，特征提取方法包括灰度共生矩阵（GLCM）、方向梯度直方图（HOG）、局部二值模式（LBP）等。
将提取的局部特征进行编码，以得到更紧凑和表达能力更强的特征表示。例如，编码方法包括词袋模型（Bag of Words）、稀疏编码（Sparse Coding）、深度学习中的卷积神经网络（Convolutional Neural Networks，CNN）等。考虑农作物影像中的上下文信息，将局部特征与周围环境进行关联，以获取更全面的农作物上下文特征。可以使用滑动窗口或卷积操作来捕捉不同尺度的上下文信息。
通过局部特征提取和上下文编码，可以得到农作物的上下文特征向量，该向量包含了农作物影像的重要信息，有助于后续的病虫害检测、分类和决策支持等任务的实施。这些图像预处理和特征提取方法的应用可以提高农作物遥感影像的质量和信息表达能力，从而增强农作物上下文特征的提取效果，并对病虫害检测和农业决策产生积极的影响。
在本申请的一个实施例中，对于所述步骤121，包括：对所述被监测农作物的遥感影像进行双边滤波以得到所述增强农作物遥感影像。
对所述被监测农作物的遥感影像进行双边滤波以得到增强农作物遥感影像。这里，进行双边滤波的原因在于，在遥感影像获取过程中可能会受到各种因素的干扰，导致图像中存在噪声。噪声会干扰后续的图像处理和分析，降低检测的准确性。具体而言，由于遥感影像的获取方式和环境因素的影响，农田的遥感影像可能会出现模糊的情况。模糊的图像会使得农作物的边界和细节不清晰。此外，农田的遥感影像中可能存在光照不均匀的情况，即不同部分的光照强度不同。光照不均匀会引起图像的亮度变化。
应可以理解，遥感影像是通过遥感技术获取的地球表面的图像，可以提供关于地表特征、植被状况、土地利用等信息。在农业领域，遥感影像被广泛应用于农作物监测、病虫害识别、土壤分析等方面。
双边滤波（Bilateral Filtering）是一种常用的图像滤波方法，可以在平滑图像的同时保留边缘信息。与传统的线性滤波方法（如均值滤波、高斯滤波）不同，双边滤波考虑了像素之间的空间距离和像素值之间的相似性，从而更加准确地平滑图像。在平滑图像的同时保留了边缘信息，对于增强农作物遥感影像，可以使用双边滤波方法来减少噪声并保留农作物的细节。双边滤波器结合了空间域和灰度域的信息，通过计算像素之间的相似性来调整滤波器的权重，使得边缘部分得到保留，而平滑区域则被平滑。这样可以有效地去除噪声，同时保持农作物的纹理和细节。
在应用双边滤波器时，需要设置两个参数：空间域的标准差和灰度域的标准差。空间域的标准差控制滤波器在空间上的范围，灰度域的标准差控制滤波器在灰度值上的范围。适当调整这两个参数可以获得满意的增强效果。
在双边滤波中，每个像素的新值是通过对其周围像素进行加权平均得到的。这些权重由两个因素决定：空间域权重，表示像素之间的空间距离。距离较近的像素具有较高的权重，距离较远的像素具有较低的权重。这个权重函数通常采用高斯函数来衡量空间距离；灰度域权重，表示像素值之间的相似性。像素值相似的像素具有较高的权重，像素值差异较大的像素具有较低的权重。这个权重函数通常采用灰度差异的高斯函数来衡量像素值之间的相似性。
通过综合考虑空间域权重和灰度域权重，双边滤波器可以在平滑图像的同时保留边缘信息。边缘部分的像素会获得较低的权重，从而减少边缘的模糊程度，而平滑区域的像素会获得较高的权重，使得图像在这些区域更加平滑。
双边滤波在图像去噪、边缘保留、图像增强等方面具有广泛的应用。在增强农作物遥感影像中，使用双边滤波可以减少噪声，并保留农作物的细节信息，从而提高后续处理的效果和准确性。接着，对所述增强农作物遥感影像进行局部特征提取与上下文编码以得到所述农作物上下文特征向量。也就是，先对所述增强农作物遥感影像进行局部的特征提取以捕捉所述增强农作物遥感影像中的隐含图像特征，再提取局部图像特征之间的上下文语义关联信息，增强关于农作物的特征表达。
在本申请的一个实施例中，对于所述步骤122，包括：将所述增强农作物遥感影像通过基于卷积神经网络模型的农作物浅层特征提取器以得到农作物特征图；对所述农作物特征图进行特征分布优化和降维处理以得到多个农作物局部稀疏特征向量；以及，提取所述多个农作物局部稀疏特征向量之间的上下文语义关联信息以得到所述农作物上下文特征向量。
其中，提取所述多个农作物局部稀疏特征向量之间的上下文语义关联信息以得到所述农作物上下文特征向量，包括：将所述多个农作物局部稀疏特征向量通过基于转换器模块的上下文编码器以得到所述农作物上下文特征向量。
应可以理解，通过基于卷积神经网络（Convolutional Neural Network，CNN）模型的农作物浅层特征提取器对增强后的农作物遥感影像进行特征提取，可以获得农作物特征图。CNN模型在图像处理和计算机视觉领域具有良好的特征提取能力，可以自动学习图像中的农作物特征。
接着，对农作物特征图进行特征分布优化和降维处理，可以得到多个农作物局部稀疏特征向量。特征分布优化可以通过一些优化算法（如聚类算法）对特征图进行分割和提取，从而得到农作物的局部特征。降维处理可以使用降维技术（如主成分分析）将农作物特征向量的维度减少，以便更好地表示农作物的特征。
最后，从多个农作物局部稀疏特征向量中提取上下文语义关联信息，可以得到农作物的上下文特征向量，这可以通过分析农作物特征向量之间的空间关系、相似性或其他上下文信息来实现。例如，可以使用图像分割算法来识别农田中的不同农作物区域，并提取它们之间的上下文关联信息。
通过这样的处理流程，可以获得具有更丰富语义信息的农作物上下文特征向量。这些特征向量可以用于农作物分类、生长状态评估、病虫害检测等农业应用，从而提高农作物监测和管理的效果和准确性。
在本申请的一个具体示例中，对所述增强农作物遥感影像进行局部特征提取与上下文编码以得到所述农作物上下文特征向量的编码过程，包括：先将所述增强农作物遥感影像通过基于卷积神经网络模型的农作物浅层特征提取器以得到农作物特征图；再对所述农作物特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个农作物局部稀疏特征向量；随后，将所述多个农作物局部稀疏特征向量通过基于转换器模块的上下文编码器以得到农作物上下文特征向量。
上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式，可选地，编码器包括：CNN(Convolutional Neural Network，卷积神经网络)、Recursive NN(RecursiveNeural Network，递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果，但其对于句子中的长程依赖(Long-termDependency)问题效果欠佳，因此基于Bi-LSTM(Long Short- Term Memory，长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理，从理论上而言具有更强的表示能力，但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点，因此在实际应用中使用 较少。Transformer是应用广泛的网络结构了，同时具有CNN和RNN的特性，对于全局特征有较好的提取效果，同时相较于RNN(RecurrentNeural Network，循环神经网络)在并行计算上具有一定优势。
在本申请的一个实施例中，对所述农作物特征图进行特征分布优化和降维处理以得到多个农作物局部稀疏特征向量，包括：对所述农作物特征图进行逐位置特征值优化以得到优化农作物特征图；以及，对所述优化农作物特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个农作物局部稀疏特征向量。
在本申请的技术方案中，所述农作物特征图的每个特征矩阵用于表达所述增强农作物遥感影像的图像语义特征，并且，各个特征矩阵之间遵循所述卷积神经网络模型的通道分布。但是，在各个特征矩阵进行基于特征值的矩阵分解后，考虑到作为特征矩阵的高维特征分布主维度表示的特征值的进一步抽象化表示，使得所得到的多个农作物局部稀疏特征向量会具有偏离所述卷积神经网络模型的通道分布的流形表示差异，也就是，所述多个农作物局部稀疏特征向量在高维特征空间内的高维流形表示无法如所述农作物特征图的沿通道维度的各个特征矩阵那样保持沿通道分布的特征分布稠密性，这会影响基于转换器模块的上下文编码器的上下文关联编码效果，从而影响所述农作物上下文特征向量通过分类器得到的分类结果的准确性。
因此，考虑到所述农作物特征图的整体特征表示的局部特征分布稀疏化问题，即存在相对于整体高维特征流形的分布外稀疏化子流形，优选地，对所述农作物特征图进行逐位置特征值优化，具体为：对所述农作物特征图进行逐位置特征值优化以得到优化农作物特征图，包括：以如下优化公式对所述农作物特征图进行逐位置特征值优化以得到优化农作物特征图；其中，所述优化公式为：
其中，是所述农作物特征图，/>是所述农作物特征图/>的第/>个特征值，/>是所述优化农作物特征图的第/>个特征值。
也就是，通过基于重概率的正则化来处理高维特征空间内的稀疏分布，以激活所述农作物特征图在高维特征空间内的几何流形到概率空间的自然分布转移，从而通过对所述农作物特征图/>的高维特征流形的分布稀疏子流形进行基于重概率化的平滑正则的方式，提高具有高空间稀疏性的复杂高维特征流形在预定类概率下的特征分布稠密性，从而提升基于转换器模块的上下文编码器的上下文关联编码效果，以改进所述农作物上下文特征向量通过分类器得到的分类结果的准确性。
具体地，在所述步骤130中，基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害，包括：将所述农作物上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监测农作物是否遭受病虫害。
进一步地，将所述农作物上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示被监测农作物是否遭受病虫害。分类器是一种机器学习模型，可以根据输入的特征向量将其分为不同的类别。
在这种情况下，分类器可以训练为一个二分类器，其中一个类别表示农作物遭受病虫害，另一个类别表示农作物未遭受病虫害。训练过程中，可以使用带有标记的样本数据，其中包含了农作物的上下文特征向量以及相应的病虫害标签。
一旦分类器训练完成，就可以将新的农作物上下文特征向量输入到分类器中，进行分类预测。分类结果将指示该农作物是否遭受病虫害。例如，如果分类结果为正类，则表示农作物可能受到病虫害的影响；如果分类结果为负类，则表示农作物未遭受病虫害。
这种方法的有益效果在于能够自动化地检测农作物是否受到病虫害的影响。通过使用农作物的上下文特征向量和训练好的分类器，可以快速准确地对大量农作物进行分类判断，有助于农业管理人员及时采取措施来控制和防止病虫害的扩散，从而保护农作物的健康和产量。
综上，基于本申请实施例的农业人工智能作物检测方法100被阐明，利用无人机等遥感技术，获取作物的遥感影像数据，通过分析遥感影像数据来判断作物是否遭受病虫害。
在本申请的一个实施例中，图4为根据本申请实施例的农业人工智能作物检测系统的框图。如图4所示，根据本申请实施例的农业人工智能作物检测系统200，包括：影像获取模块210，用于获取被监测农作物的遥感影像；图像特征提取模块220，用于对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量；以及，农作物监测结果确定模块230，用于基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害。
具体地，在所述农业人工智能作物检测系统中，所述图像特征提取模块，包括：图像预处理单元，用于对所述被监测农作物的遥感影像进行图像预处理以得到增强农作物遥感影像；以及，上下文编码单元，用于对所述增强农作物遥感影像进行局部特征提取与上下文编码以得到所述农作物上下文特征向量。
这里，本领域技术人员可以理解，上述农业人工智能作物检测系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的农业人工智能作物检测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的农业人工智能作物检测系统200可以实现在各种终端设备中，例如用于农业人工智能作物检测的服务器等。在一个示例中，根据本申请实施例的农业人工智能作物检测系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该农业人工智能作物检测系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该农业人工智能作物检测系统200同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该农业人工智能作物检测系统200与该终端设备也可以是分立的设备，并且农业人工智能作物检测系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的农业人工智能作物检测方法的场景示意图。如图5所示，在该应用场景中，首先，获取被监测农作物的遥感影像（例如，如图5中所示意的C）；然后，将获取的遥感影像输入至部署有农业人工智能作物检测算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于农业人工智能作物检测算法对所述遥感影像进行处理，以确定所述被监测农作物是否遭受病虫害。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (8)
1.一种农业人工智能作物检测方法，其特征在于，包括：
获取被监测农作物的遥感影像；
对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量，其包括：
对所述被监测农作物的遥感影像进行图像预处理以得到增强农作物遥感影像；
将所述增强农作物遥感影像通过基于卷积神经网络模型的农作物浅层特征提取器以得到农作物特征图；
对所述农作物特征图进行特征分布优化和降维处理以得到多个农作物局部稀疏特征向量；
以及提取所述多个农作物局部稀疏特征向量之间的上下文语义关联信息以得到所述农作物上下文特征向量；
基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害。
2.根据权利要求1所述的农业人工智能作物检测方法，其特征在于，对所述被监测农作物的遥感影像进行图像预处理以得到增强农作物遥感影像，包括：
对所述被监测农作物的遥感影像进行双边滤波以得到所述增强农作物遥感影像。
3.根据权利要求2所述的农业人工智能作物检测方法，其特征在于，对所述农作物特征图进行特征分布优化和降维处理以得到多个农作物局部稀疏特征向量，包括：
对所述农作物特征图进行逐位置特征值优化以得到优化农作物特征图；以及
对所述优化农作物特征图的沿通道维度的各个特征矩阵进行基于特征值的矩阵分解以得到多个农作物局部稀疏特征向量。
4.根据权利要求3所述的农业人工智能作物检测方法，其特征在于，对所述农作物特征图进行逐位置特征值优化以得到优化农作物特征图，包括：以如下优化公式对所述农作物特征图进行逐位置特征值优化以得到优化农作物特征图；
其中，所述优化公式为：；
其中，是所述农作物特征图，/>是所述农作物特征图/>的第/>个特征值，/>是所述优化农作物特征图的第/>个特征值。
5.根据权利要求4所述的农业人工智能作物检测方法，其特征在于，提取所述多个农作物局部稀疏特征向量之间的上下文语义关联信息以得到所述农作物上下文特征向量，包括：
将所述多个农作物局部稀疏特征向量通过基于转换器模块的上下文编码器以得到所述农作物上下文特征向量。
6.根据权利要求5所述的农业人工智能作物检测方法，其特征在于，基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害，包括：
将所述农作物上下文特征向量通过分类器以得到分类结果，所述分类结果用于表示所述被监测农作物是否遭受病虫害。
7.一种农业人工智能作物检测系统，其特征在于，包括：
影像获取模块，用于获取被监测农作物的遥感影像；
图像特征提取模块，用于对所述被监测农作物的遥感影像进行图像特征提取以得到农作物上下文特征向量；
以及农作物监测结果确定模块，用于基于所述农作物上下文特征向量，确定所述被监测农作物是否遭受病虫害。
8.根据权利要求7所述的农业人工智能作物检测系统，其特征在于，所述图像特征提取模块，包括：
图像预处理单元，用于对所述被监测农作物的遥感影像进行图像预处理以得到增强农作物遥感影像；
以及上下文编码单元，用于对所述增强农作物遥感影像进行局部特征提取与上下文编码以得到所述农作物上下文特征向量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311602350.0A CN117496356A (zh) | 2023-11-28 | 2023-11-28 | 农业人工智能作物检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311602350.0A CN117496356A (zh) | 2023-11-28 | 2023-11-28 | 农业人工智能作物检测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117496356A true CN117496356A (zh) | 2024-02-02 |
Family
ID=89674458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311602350.0A Withdrawn CN117496356A (zh) | 2023-11-28 | 2023-11-28 | 农业人工智能作物检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117496356A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765403A (zh) * | 2024-02-22 | 2024-03-26 | 山西余得水农牧有限公司 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
| CN117807511A (zh) * | 2024-02-29 | 2024-04-02 | 北京佳格天地科技有限公司 | 基于光谱分析的作物病害识别方法及相关装置 |
-
2023
- 2023-11-28 CN CN202311602350.0A patent/CN117496356A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117765403A (zh) * | 2024-02-22 | 2024-03-26 | 山西余得水农牧有限公司 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
| CN117765403B (zh) * | 2024-02-22 | 2024-04-30 | 山西余得水农牧有限公司 | 提高作物抗倒伏能力和籽粒品质的施肥方法 |
| CN117807511A (zh) * | 2024-02-29 | 2024-04-02 | 北京佳格天地科技有限公司 | 基于光谱分析的作物病害识别方法及相关装置 |
| CN117807511B (zh) * | 2024-02-29 | 2024-04-26 | 北京佳格天地科技有限公司 | 基于光谱分析的作物病害识别方法及相关装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tardaguila et al. | Smart applications and digital technologies in viticulture: A review | |
| Di Gennaro et al. | A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard | |
| Aggelopoulou et al. | Yield prediction in apple orchards based on image processing | |
| Natarajan et al. | Detection of disease in tomato plant using Deep Learning Techniques | |
| CN117496356A (zh) | 农业人工智能作物检测方法及系统 | |
| Arjoune et al. | Soybean cyst nematode detection and management: a review | |
| Ong et al. | UAV-based weed detection in Chinese cabbage using deep learning | |
| Muppala et al. | Machine vision detection of pests, diseases and weeds: A review | |
| Liang et al. | Low-cost weed identification system using drones | |
| WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
| Sharma et al. | Technological advancements in automated crop pest and disease detection: A review & ongoing research | |
| Rani et al. | Automated weed detection system in smart farming for developing sustainable agriculture | |
| Al-Kindi et al. | Remote sensing and spatial statistical techniques for modelling Ommatissus lybicus (Hemiptera: Tropiduchidae) habitat and population densities | |
| Dammer et al. | On-the-go phenotyping in field potatoes using camera vision | |
| Güven et al. | Smart farming technologies for sustainable agriculture: From food to energy | |
| Wei et al. | Wheat biomass, yield, and straw-grain ratio estimation from multi-temporal UAV-based RGB and multispectral images | |
| Kazemi et al. | Evaluation of RGB vegetation indices derived from UAV images for rice crop growth monitoring | |
| Fuentes et al. | Advances and requirements for machine learning and artificial intelligence applications in viticulture | |
| Lawrence et al. | Dynamic Application of Unmanned Aerial Vehicles for Analyzing the Growth of Crops and Weeds for Precision Agriculture | |
| Lee et al. | Pest and Disease Management | |
| Ouf | A review on the relevant applications of machine learning in agriculture | |
| Moshou et al. | Multisensor fusion of remote sensing data for crop disease detection | |
| de Ocampo et al. | Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing. | |
| Rajamohan | Image processing and artificial intelligence for precision agriculture | |
| Rai et al. | Advancement in Agricultural Techniques With the Introduction of Artificial Intelligence and Image Processing |
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 | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20240202 |
|
| WW01 | Invention patent application withdrawn after publication |