CN117589767A - 一种烟叶采收时间确定方法、电子设备和存储介质 - Google Patents
一种烟叶采收时间确定方法、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117589767A CN117589767A CN202410072229.XA CN202410072229A CN117589767A CN 117589767 A CN117589767 A CN 117589767A CN 202410072229 A CN202410072229 A CN 202410072229A CN 117589767 A CN117589767 A CN 117589767A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- zone
- time
- value
- leaves
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003306 harvesting Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 244000061176 Nicotiana tabacum Species 0.000 title description 10
- 241000208125 Nicotiana Species 0.000 claims abstract description 152
- 230000011218 segmentation Effects 0.000 claims description 21
- 239000000779 smoke Substances 0.000 claims description 17
- 230000035800 maturation Effects 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 5
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 3
- 229930002875 chlorophyll Natural products 0.000 description 9
- 235000019804 chlorophyll Nutrition 0.000 description 9
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000012549 training Methods 0.000 description 7
- 241000196324 Embryophyta Species 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000005070 ripening Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000013340 harvest operation Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N2021/8466—Investigation of vegetal material, e.g. leaves, plants, fruits
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明提供了一种烟叶采收时间确定方法、电子设备和存储介质，包括：首先，在设定烟区的打顶时间之后的设定时间，获取设定烟区的多光谱图像，基于获取的多光谱图像获取设定烟区的NDVI值，接着，基于获取的NDVI值推算设定烟区的烟叶成熟度，最后，根据获取的烟叶成熟度和设定烟区的烤房总装载量确定给出对应的采收时间建议信息。本发明充分考虑了采收环节对烟叶烘烤的实际需求，通过综合考虑烤房装载量，能够为烟农提供更加精准的采收建议以及避免资源的浪费和效率的降低。
Description
技术领域
本发明涉及计算机技术应用领域，特别是涉及一种烟叶采收时间确定方法、电子设备和存储介质。
背景技术
现有的烟叶成熟状态判别方法主要包括基于RGB图像的成熟状态识别方法和基于机载多光谱数据反演成熟状态识别方法。基于RGB图像的成熟状态识别方法依赖于田间实地工作，对人工成本要求大，且无法在短时间内大范围检测不同植株的成熟情况，进而限制了这类方法在实际生产场景中的应用。基于机载多光谱数据反演成熟状态识别方法能够判断烟叶的整体成熟情况，但是未能提供烟株具体成熟叶片数量的细致信息，也未考虑烤房容量对采收环节的限制这一实际情况，从而限制了其在实际操作中的精准性和实用性。
发明内容
针对上述技术问题，本发明采用的技术方案为：
本发明实施例提供一种烟叶采收时间确定方法，所述方法包括如下步骤：
S100，设置i=1；设置采收次数计数器C=0。
S200，获取第i个采集时间Ti对应的设定烟区的多光谱图像IMGi；其中，第1个采集时间T1=Ttop+△t，Ttop为设定烟区的烟草打顶时间，△t为设定时长；i的初始值为1。
S300，对IMGi中的任一株烟草Tbj的冠层进行分割，并获取分割后的冠层的光谱特征值SCj；j的取值为1到n，n为IMGi中的烟草的数量。
S400，基于SCj和设定成熟状态-多光谱特征值关系模型，获取Tbj的成熟烟叶数量NMj；
S500，如果当前设定烟区的总烟叶成熟度OM∈[d1，d2]，并且C=0，输出指示对所述设定烟区的烟叶进行第一次采收的提示信息，执行S700；如果OM∈（d2，d3），执行S600；如果OM∈[d3，1]，输出指示对所述设定烟区的烟叶进行最后一次采收的提示信息；其中，OM=NM/N，NM为当前设定烟区的成熟烟叶总数量，N为当前设定烟区的总烟叶数量，NM=NM1+NM2+……+NMj+……+NMn，N=N1+N2+……+Nj+……+Nn，Nj为Tbj的当前总烟叶数量；d1为第一预设值，d2为第二预设值，d3为第三预设值；0＜d1＜d2＜d3＜1。
S600，如果NM≥Load，输出指示在Ti对应的时间内对所述设定烟区的烟叶进行采收的提示信息，执行S700；如果NM∈（kLoad，Load），输出指示在Ti对应的时间之后的设定时间段内对所述设定烟区的烟叶进行采收的提示信息，执行S700；如果NM≤k/>Load，输出指示不对所述设定烟区的烟叶进行采收的提示信息，执行S700；Load为所述设定烟区的当前可使用烤房的总装载量，k为预设系数，0＜k＜1。
S700，设置i=i+1，设置C=C+1；执行S200。
本发明实施例还提供一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，其所述至少一条指令或所述至少一段程序由处理器加载并执行以实现前述方法。
本发明实施例还提供一种电子设备，包括处理器和前述的非瞬时性计算机可读存储介质。
本发明至少具有以下有益效果：
本发明实施例提供的基于多光谱数据和烤房装载量的烟叶采收时间获取方法，充分考虑了采收环节对烟叶烘烤的实际需求，通过综合考虑烤房装载量，能够为烟农提供更加精准的采收建议，能够避免资源的浪费和效率的降低。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明实施例提供的烟叶采收时间确定方法的流程图。
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。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种烟叶采收时间确定方法，如图1所示，所述方法可包括如下步骤：
S100，设置i=1；设置采收次数计数器C=0。
S200，获取第i个采集时间Ti对应的设定烟区的多光谱图像IMGi；其中，第1个采集时间T1=Ttop+△t，Ttop为设定烟区的烟草打顶时间，△t为设定时长；i的初始值为1。
在本发明实施例中，设定烟区可为用户指定的烟田。
在本发明实施例中，△t等于7天，即在烟草打顶时间之后7天时，对设定烟区进行第1次多光谱图像采集。
在本发明实施例中，可使用机载多光谱相机获取整个设定烟区的可见光-近红外范围内的多光谱反射率影像。机载多光谱相机可使用DJI Phantom 4或3M多光谱版无人机进行，搭载有包含六个光谱通道的多光谱相机，分别用于获取蓝、绿、红、近红和红边波段，以及可见光（RGB）的反射率数据。在图像采集前，使用白色和黑色参考板对多光谱相机进行定标。为减少阴影干扰，无人机的飞行时间建议在11am-1pm之间，飞行高度以获取的多光谱反射率影像上能区分每株烟草边界为前提，可根据设定烟区的实地情况确定，例如20-50m。
S300，对IMGi中的任一株烟草Tbj的冠层进行分割，并获取分割后的冠层的光谱特征值SCj；j的取值为1到n，n为IMGi中的烟草的数量。
在S300中，可使用经训练的语义分割模型对任一株烟草Tbj的冠层进行分割。在本发明实施例中，所述经训练的语义分割模型可为U-net模型或者FNC模型。优选，可为U-net模型，该模型可以很好的保留细节和边界信息，在当前应用场景情况下，能够更好地捕捉烟株的轮廓和冠层细节，从而提高分割的精度。
在本发明实施例中，对每株烟草的分割区域，从多光谱图像中提取相应位置的像素值，得到冠层多光谱信息。因为在烟叶成熟阶段，叶片中的叶绿素在成熟过程是逐渐降低的，且因为叶绿素对可见光的吸收作用，植被的反射率曲线上对应的蓝波段和红波段位置会表现明显的吸收谷，而绿波段位置表现高反射峰，因而基于此特征构建的植被指数(VI)的参数回归方法通常是估计植被变量最高效的方法之一，而归一化植被指数（NormalizedDifference Vegetation Index，NDVI）是一种广泛应用于遥感和农业领域的光谱指数，利用多光谱遥感数据中的可见光和近红外波段之间的差异，用于评估植被覆盖和叶绿素含量等。故本发明使用NDVI值作为冠层多光谱信息表示成熟情况的特征值。
S400，基于SCj和设定成熟状态-多光谱特征值关系模型，获取Tbj的成熟烟叶数量NMj。
在本发明实施例中，所述设定成熟状态-多光谱特征值关系模型满足如下条件：
y=k1+k2x+c；其中，y表示光谱特征值，x表示烟叶成熟状态，k1和k2分别为第一系数和第二系数，c为随机误差。在本发明实施例中，烟叶成熟状态为成熟烟叶数量和对应的烟叶总数量的比值。
S500，如果当前设定烟区的总烟叶成熟度OM∈[d1，d2]，并且C=0，输出指示对所述设定烟区的烟叶进行第一次采收的提示信息，执行S700；如果OM∈（d2，d3），执行S600；如果OM∈[d3，1]，输出指示对所述设定烟区的烟叶进行最后一次采收的提示信息；其中，OM=NM/N，NM为当前设定烟区的成熟烟叶总数量，N为当前设定烟区的总烟叶数量，NM=NM1+NM2+……+NMj+……+NMn，N=N1+N2+……+Nj+……+Nn，Nj为Tbj的当前总烟叶数量；d1为第一预设值，d2为第二预设值，d3为第三预设值；0＜d1＜d2＜d3＜1。
因为各地人力情况和不同品种成熟一致性不同，各地采收次数情况不一，但一般在2~5次采收次数之间结束所有采收工作。因此，在本发明一示意性实施例中，d1可设置为1/5=0.25，d2设置为1/2=0.5，d3被设置为无限接近于1的值。
因为统一栽培管理和对质量的要求，烟田会通过优化叶片，即打顶期打掉部分叶片确保最终留的总叶片数尽量相同，一般视地区和天气情况在16~20片进行选择，即设定烟区在第一次采收时，每株烟株的总烟叶数量都相同。
本领域技术人员知晓的是，每株烟草的当前总烟叶数量等于上一次给出采收提示信息时对应的总烟叶数量和对应的成熟烟叶数量的差值。
本发明的发明人意识到，当前烟叶采收判别不仅需要判断烟田中烟叶是否达到成熟状态，也受制于采收后烘烤阶段的影响，烟叶采收后需要立刻送到烟房进行烘烤操作。同时烤房使用时需要持续一周左右的时间也不易空载过多，会造成电力或者燃料资源浪费，也会影响后续的烤房排期。故需要根据当前可用烤烟房总的装载量，给出当前是否可以采收的建议，具体，如S600所示。
S600，如果NM≥Load，输出指示在Ti对应的时间内对所述设定烟区的烟叶进行采收的提示信息，执行S700；如果NM∈（kLoad，Load），输出指示在Ti对应的时间之后的设定时间段内对所述设定烟区的烟叶进行采收的提示信息，执行S700；如果NM≤k/>Load，输出指示不对所述设定烟区的烟叶进行采收的提示信息，执行S700；Load为所述设定烟区的当前可使用烤房的总装载量，k为预设系数，0＜k＜1。在本发明实施例中，k可基于设定烟区的实际情况进行确定，在一个示意性实施例中，k可被设置为0.9。
在本发明实施例中，所述设定时间段的时长可基于Ti对应的时间对应的天气状态确定。
进一步地，如果Ti对应的时间对应的天气状态为雨天，所述设定时间段的时长为5天，如果Ti对应的时间对应的天气状态为晴天，所述设定时间段的时长为3天。
S700，设置i=i+1，设置C=C+1；执行S200。
进一步地，在本发明实施例中，经训练的语义分割模型和设定成熟状态-多光谱特征值关系模型可通过样本数据集SD获取得到。
在本发明实施例中，SD={D1，D2，……，Dr，……，DQ}，Dr为SD中的第r个样本数据，r的取值为1到Q，Q为SD中的样本数据的数量；Dr为对测试烟区进行第r次采收时对应的采集数据，Dr=（NS r，NMr S，Lr S，IMGr S），NS r为Dr对应的总叶片数集，NS r={NS r1，NS r2，……，NS rg，……，NS rH},NS rg为对测试烟区进行第r次采收时，测试烟区中的第g株烟草的总叶片数，g的取值为1到H，H为测试烟区中的烟草数量；NMS r为Dr对应的成熟叶片数集，NMS r={NMS r1，NMS r2，……，NMS rg，……，NMS rH},NS rg为对测试烟区进行第r次采收时，测试烟区中的第g株烟草的成熟叶片数；LS r为Dr对应的空间位置集，LS r={LS r1，LS r2，……，LS rg，……，LS rH},LS rg为对测试烟区进行第r次采收时，测试烟区中的第g株烟草的空间位置；IMGr S为对测试烟区进行第r次采收时，测试烟区的多光谱图像。在本发明实施例中，样本烟区可选取五年来在当地产量适宜，无特殊灾害情况的烟田。
在打顶后第七天开始进行每日巡田，观察烟叶情况。过程中一旦有烟叶成熟（因为烟叶成熟与叶绿素含量情况息息相关，随着成熟度变高，叶绿素浓度降低，叶片也逐渐显现黄色甚至发白。SPAD（Soil and Plant Analyzer Development：土壤、作物分析仪器开发）值为快速无损的叶绿素相对含量测定方式，目前已作为无偏的烟草成熟判定工具之一，具体判断标准见表1），即开始对烟田进行数据采集工作，基于烟叶生长速度和雨天返青的特性，数据采集工作间隔建议晴天为3天左右一次，遇雨天5天左右一次，直至烟叶全部采完。每次数据采集内容包括：每株烟草总叶片数N，符合成熟要求的成熟叶片数M，每株烟草的准确空间位置，整个样本烟区的机载多光谱数据机多光谱图像。
以某次数据采集为例。对有成熟叶片的烟株，其成熟叶片可通过利用叶绿素仪（SPAD-502便携式叶绿素仪）测量得到。具体，选取叶片的前1/4段叶脉两侧作为测量点，其SPAD均值作为该烟叶的最终SPAD值，对照表1确定该叶片是否成熟，是否可采收。同时，记录该株烟草在整个样本烟田中的具体空间位置，即处于烟田第几行第几列，共采集样本区内全部烟草的叶片数、成熟叶片数和空间位置信息。
表1 烟叶成熟情况判别表
数据采集完成后，需要对机载多光谱反射率影像进行预处理。首先对采集的多光谱影像使用DJITerra软件进行图像拼接、地理校准、辐射定标等处理。再解译每株烟草的中心点在影像上的空间位置，即经纬度，而后根据样本烟区中每株烟草的行列号与经纬度建立一一对应关系，即可将每株烟草的空间位置信息映射到机载多光谱图像上，这样，对于每个多光谱图像，均可得到每株烟草在该图像上的中心点位置。
进一步地，经训练的语义分割模型可通过如下步骤获取得到：
S301，将映射了空间位置的Q个多光谱图像中的烟株冠层进行人工分割，得到对应的冠层数据，并将得到的冠层数据划分为训练集合验证集。
S302，将当前批次的训练样本数据输入到当前的语义分割模型中进行训练，得到对应的分割结果即冠层的光谱特征值；
S303，基于当前批次的分割结果和对应的真实结果获取当前的语义分割模型的当前损失函数值，并判断所述当前损失函数值是否符合预设的模型训练结束条件，若符合，则执行步骤S305，否则，执行步骤S304；
S304，基于当前损失函数值更新当前的语义分割模型的参数，并将下一批次的训练样本数据作为所述当前批次的训练样本数据，执行S302；
S305，将验证集输入到当前的语义分割模型中，得到对应的分割结果；
S306，如果验证集对应的分割结果和对应的真实结果之间的误差小于设定误差值，说明当前的语义分割模型的准确度符合要求，则当前的语义分割模型作为所述经训练的语义分割模型，否则，基于所述误差更新当前的语义分割模型的参数，执行S302。
在本发明实施例中，损失函数值可基于现有的损失函数计算得到。预设的模型训练结束条件可基于实际需要进行设置。例如，损失小于或者小于等于设定损失阈值并在设定时间段内维持不变。设定误差值可基于实际需要进行设置。
进一步地，在本发明实施例中，设定成熟状态-多光谱特征值关系模型可通过如下步骤获取得到：
S310，使用所述经训练的语义分割模型，将映射了空间位置的Q个多光谱图像中的烟株冠层进行分割。
S311，对于每个分割区域，获取对应的光谱特征值即NDVI值。
在本发明实施例中，对于每株烟草的分割区域，可从对应的多光谱图像中提取相应位置的像素值，作为对应的光谱特征值。
S312，将得到的NDVI值按照烟叶成熟状态进行分组，得到M个分组；其中，每个分组对应一个烟叶成熟状态。
因为采集的多光谱数据会语义分割错误、植株健康状态不同等未知风险影响，采集到的同一个烟株的成熟状态(未熟和成熟)不止对应着一个NDVI值。故需要对相同成熟状态的NDVI集合进行分组分析。
S313，获取任一分组的NDVI平均值。
在本发明实施例中，可利用箱型图可视化和计算出来的标准差剔除潜在的异常值，再对每个分组内保留的NDVI进行平均处理获得对应的平均值AvgNDVI。
S311，利用线性回归分析法分析M个分组的NDVI平均值和对应的烟叶成熟状态之间的关系，得到所述设定成熟状态-多光谱特征值关系模型。
因为叶绿素影响的缘故，打顶期至采收期阶段，NDVI值会随着成熟叶片增多而减少，可以使用线性回归分析来探究两个连续变量之间的关系。代入光谱特征值数据信息和田间记录的数据，使用线性回归分析来建立成熟状态与多光谱特征值之间的关系模型。在本发明实施例中，得到的关系模型为S400中所描述的模型。
综上，本发明实施例提供的烟叶采收确定方法，至少具有以下优点：
（1）与基于RGB图像的烟草成熟度判别方法相比，本发明基于机载多光谱数据，实现了大范围、高效率的烟草成熟度检测。无需耗费大量人力资源进行田间实地工作，能够大大减少人工成本，并且能在短时间内对不同植株的成熟情况进行快速、准确的评估。
（2）本发明不仅能够区分上、中、下三个部位的成熟情况，更能提供单个烟株内成熟叶片的具体数量。此外，本发明充分考虑了采收环节对烟叶烘烤的实际需求，通过综合考虑烤房装载量，为烟农提供更加精准的采收建议，从而优化了整个烟叶生产管理流程。使其能够更加有针对性地制定烟叶采收计划。通过结合实际烤房装载量情况，避免了资源的浪费和效率的降低，使决策更加合理化和经济化。
（3）本发明综合了烟田内部空间差异、产量分布以及烤房资源利用情况等多个因素，构建了更为综合、科学的采收判别方法。通过多层次信息融合，能够在不同地区、不同生产环境下灵活应用，使烟农能更好地应对不同挑战和需求。
本发明的一个实施例的电子设备，包括至少一个存储器；以及，与所述至少一个存储器通信连接的处理器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述任一实施例中所述的方案。因此，该电子设备具有和上述任一实施例中相同的技术效果，在此不再赘述。
另外，本发明实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行上述任一实施例中所述的方法流程。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种烟叶采收时间确定方法，其特征在于，所述方法包括如下步骤：
S100，设置i=1；设置采收次数计数器C=0；
S200，获取第i个采集时间Ti对应的设定烟区的多光谱图像IMGi；其中，第1个采集时间T1=Ttop+△t，Ttop为设定烟区的烟草打顶时间，△t为设定时长；i的初始值为1；
S300，对IMGi中的任一株烟草Tbj的冠层进行分割，并获取分割后的冠层的光谱特征值SCj；j的取值为1到n，n为IMGi中的烟草的数量；
S400，基于SCj和设定成熟状态-多光谱特征值关系模型，获取Tbj的成熟烟叶数量NMj；
S500，如果当前设定烟区的总烟叶成熟度OM∈[d1，d2]，并且C=0，输出指示对所述设定烟区的烟叶进行第一次采收的提示信息，执行S700；如果OM∈（d2，d3），执行S600；如果OM∈[d3，1]，输出指示对所述设定烟区的烟叶进行最后一次采收的提示信息；其中，OM=NM/N，NM为当前设定烟区的成熟烟叶总数量，N为当前设定烟区的总烟叶数量，NM=NM1+NM2+……+NMj+……+NMn，N=N1+N2+……+Nj+……+Nn，Nj为Tbj的当前总烟叶数量；d1为第一预设值，d2为第二预设值，d3为第三预设值；0＜d1＜d2＜d3＜1；
S600，如果NM≥Load，输出指示在Ti对应的时间内对所述设定烟区的烟叶进行采收的提示信息，执行S700；如果NM∈（kLoad，Load），输出指示在Ti对应的时间之后的设定时间段内对所述设定烟区的烟叶进行采收的提示信息，执行S700；如果NM≤k/>Load，输出指示不对所述设定烟区的烟叶进行采收的提示信息，执行S700；Load为所述设定烟区的当前可使用烤房的总装载量，k为预设系数，0＜k＜1；
S700，设置i=i+1，设置C=C+1；执行S200。
2.根据权利要求1所述的方法，其特征在于，在S300中，使用经训练的语义分割模型对任一株烟草Tbj的冠层进行分割。
3.根据权利要求2所述的方法，其特征在于，所述经训练的语义分割模型为U-net模型或者FNC模型。
4.根据权利要求1所述的方法，其特征在于，所述设定成熟状态-多光谱特征值关系模型满足如下条件：
y=k1+k2x+c；其中，y表示光谱特征值，x表示烟叶成熟状态，k1和k2分别为第一系数和第二系数，c为随机误差。
5.根据权利要求1所述的方法，其特征在于，所述光谱特征值为NDVI值。
6.根据权利要求1所述的方法，其特征在于，所述设定时间段的时长基于Ti对应的时间对应的天气状态确定。
7.根据权利要求6所述的方法，其特征在于，如果Ti对应的时间对应的天气状态为雨天，所述设定时间段的时长为5天，如果Ti对应的时间对应的天气状态为晴天，所述设定时间段的时长为3天。
8.根据权利要求1所述的方法，其特征在于，△t等于7天。
9.一种非瞬时性计算机可读存储介质，所述存储介质中存储有至少一条指令或至少一段程序，其特征在于，所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1-8中任意一项的所述方法。
10.一种电子设备，其特征在于，包括处理器和权利要求9中所述的非瞬时性计算机可读存储介质。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410072229.XA CN117589767B (zh) | 2024-01-18 | 2024-01-18 | 一种烟叶采收时间确定方法、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410072229.XA CN117589767B (zh) | 2024-01-18 | 2024-01-18 | 一种烟叶采收时间确定方法、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117589767A true CN117589767A (zh) | 2024-02-23 |
| CN117589767B CN117589767B (zh) | 2024-06-21 |
Family
ID=89910262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410072229.XA Active CN117589767B (zh) | 2024-01-18 | 2024-01-18 | 一种烟叶采收时间确定方法、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117589767B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788960A (zh) * | 2024-02-27 | 2024-03-29 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于双模型的烟叶返青判定方法、介质及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120250025A1 (en) * | 2009-09-04 | 2012-10-04 | Moshe Danny S | Grading of agricultural products via hyper spectral imaging and analysis |
| CN104568771A (zh) * | 2014-12-21 | 2015-04-29 | 云南省烟草公司昆明市公司 | 一种经济、便捷、高效的烤烟鲜烟叶成熟度的分级方法 |
| CN108477660A (zh) * | 2018-05-18 | 2018-09-04 | 云南省烟草农业科学研究院 | 一种智能双动力烟草烤房 |
| WO2021110682A1 (de) * | 2019-12-04 | 2021-06-10 | Hauni Maschinenbau Gmbh | Sortiersystem und sortierverfahren für blatttabak |
| CN114677351A (zh) * | 2022-03-25 | 2022-06-28 | 河南启迪睿视智能科技有限公司 | 一种用于烤烟烟叶分级的深度学习训练方法 |
| CN116124715A (zh) * | 2022-11-21 | 2023-05-16 | 云南省烟草农业科学研究院 | 基于spad差值的雪茄烟叶采收成熟期判断方法 |
| CN116267482A (zh) * | 2023-02-14 | 2023-06-23 | 湖南省烟草公司郴州市公司桂阳县分公司 | 一种稻茬烤烟三次采收方法 |
| CN117115664A (zh) * | 2023-10-10 | 2023-11-24 | 北京香田智能科技有限公司 | 一种烟叶成熟度的判别方法 |
| US20240013380A1 (en) * | 2022-07-08 | 2024-01-11 | Hubei Provincial Tobacco Research Institute | Cigar tobacco leaf harvesting maturity identification method and system based on integrated learning |
-
2024
- 2024-01-18 CN CN202410072229.XA patent/CN117589767B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120250025A1 (en) * | 2009-09-04 | 2012-10-04 | Moshe Danny S | Grading of agricultural products via hyper spectral imaging and analysis |
| CN104568771A (zh) * | 2014-12-21 | 2015-04-29 | 云南省烟草公司昆明市公司 | 一种经济、便捷、高效的烤烟鲜烟叶成熟度的分级方法 |
| CN108477660A (zh) * | 2018-05-18 | 2018-09-04 | 云南省烟草农业科学研究院 | 一种智能双动力烟草烤房 |
| WO2021110682A1 (de) * | 2019-12-04 | 2021-06-10 | Hauni Maschinenbau Gmbh | Sortiersystem und sortierverfahren für blatttabak |
| CN114677351A (zh) * | 2022-03-25 | 2022-06-28 | 河南启迪睿视智能科技有限公司 | 一种用于烤烟烟叶分级的深度学习训练方法 |
| US20240013380A1 (en) * | 2022-07-08 | 2024-01-11 | Hubei Provincial Tobacco Research Institute | Cigar tobacco leaf harvesting maturity identification method and system based on integrated learning |
| CN116124715A (zh) * | 2022-11-21 | 2023-05-16 | 云南省烟草农业科学研究院 | 基于spad差值的雪茄烟叶采收成熟期判断方法 |
| CN116267482A (zh) * | 2023-02-14 | 2023-06-23 | 湖南省烟草公司郴州市公司桂阳县分公司 | 一种稻茬烤烟三次采收方法 |
| CN117115664A (zh) * | 2023-10-10 | 2023-11-24 | 北京香田智能科技有限公司 | 一种烟叶成熟度的判别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 余志虹 等: "利用烟叶光谱植被指数快速监测烤烟成熟度", 烟草科技, no. 02, 20 February 2013 (2013-02-20), pages 77 - 82 * |
| 刘洪祥 等: "几个烤烟品种与施氮量等栽培因素对烟叶可用性的综合效用评价", 中国烟草科学, no. 04, 30 December 2004 (2004-12-30), pages 41 - 45 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788960A (zh) * | 2024-02-27 | 2024-03-29 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于双模型的烟叶返青判定方法、介质及系统 |
| CN117788960B (zh) * | 2024-02-27 | 2024-05-17 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种基于双模型的烟叶返青判定方法、介质及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117589767B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Strawberry maturity classification from UAV and near-ground imaging using deep learning | |
| CN117589767B (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
| CN111062251A (zh) | 基于无人机成像的农田棉蚜为害等级模型的监测方法 | |
| CN102072885A (zh) | 一种基于机器视觉的水稻穗颈瘟染病程度分级方法 | |
| CN111918547B (zh) | 树冠识别装置、识别方法、程序和记录介质 | |
| CN115620151B (zh) | 物候期识别方法、装置、电子设备和存储介质 | |
| CN110827273A (zh) | 一种基于区域卷积神经网络的茶叶病害检测方法 | |
| WO2020112013A1 (en) | Methods, models and systems for predicting yellow rust in wheat crops | |
| CN115812634A (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
| CN114140695B (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和系统 | |
| CN115292334A (zh) | 基于视觉智能种植方法、系统、电子设备及存储介质 | |
| CN114092839B (zh) | 基于无人机遥感的大豆收获期成熟度的判断方法 | |
| CN115311559A (zh) | 棉花药害识别方法、装置、电子设备及存储介质 | |
| 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 | |
| CN116482041B (zh) | 一种基于反射光谱的水稻抽穗期无损快速识别方法及系统 | |
| US20230384231A1 (en) | Method and system for predicting severity of bacterial blight of rice based on multi-phenotypic parameters | |
| CN115035423B (zh) | 一种基于无人机遥感影像的杂交水稻父母本识别提取方法 | |
| CN116994126A (zh) | 基于冠层反射率光谱的作物叶面积指数获取方法及装置 | |
| CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
| CN114663761A (zh) | 作物长势确定方法、装置、设备和存储介质 | |
| CN114548220B (zh) | 基于手持式分光辐射谱仪的水稻颖花开花状态检测方法 | |
| CN117853936B (zh) | 小麦冠层图像的冻害识别方法、系统、终端及存储介质 | |
| CN117253145B (zh) | 一种糜子绿豆不同间作模式下生长态势确定方法及系统 | |
| CN117371603A (zh) | 基于多模态数据和集成学习的小麦倒伏参数预测方法 | |
| CN114088642A (zh) | 一种作物病害叶片叶绿素含量测定装置 |
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 |