CN1293359A - 田间作物营养诊断方法 - Google Patents

田间作物营养诊断方法 Download PDF

Info

Publication number
CN1293359A
CN1293359A CN00128976A CN00128976A CN1293359A CN 1293359 A CN1293359 A CN 1293359A CN 00128976 A CN00128976 A CN 00128976A CN 00128976 A CN00128976 A CN 00128976A CN 1293359 A CN1293359 A CN 1293359A
Authority
CN
China
Prior art keywords
crop
light quantity
image point
area
field
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
Application number
CN00128976A
Other languages
English (en)
Other versions
CN1302277C (zh
Inventor
佐竹觉
保坂幸男
丸山秀春
中村信彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Statake Engineering Co Ltd
Satake Engineering Co Ltd
Original Assignee
Statake Engineering Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority claimed from JP22669299A external-priority patent/JP4305795B2/ja
Priority claimed from JP22876199A external-priority patent/JP4314683B2/ja
Application filed by Statake Engineering Co Ltd filed Critical Statake Engineering Co Ltd
Publication of CN1293359A publication Critical patent/CN1293359A/zh
Application granted granted Critical
Publication of CN1302277C publication Critical patent/CN1302277C/zh
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

Links

Images

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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C21/00—Methods of fertilising, sowing or planting
    • A01C21/007—Determining fertilization requirements
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G7/00—Botany in general
    • 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

  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Environmental Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Ecology (AREA)
  • Botany (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Forests & Forestry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Soil Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

诊断作物营养状况的方法,包括:将摄影机按种植田地俯角放在预定中心处;拍摄田地,得到每象点的作物叶反射光量;按变量的面积函数,得到每个单位象点的摄影面积,变量包括摄影机高度、象点俯角、数目和摄影机的田地角;对各象点反射光量作面积校正;按俯角预测系数对反射光量作俯角校正;测定作物叶入射光量:从该反射和入射光量得出反射率;接反射率和预定的第一作物相关公式得出并储存第一作物信息;按该信息确定所述营养状况。

Description

田间作物营养诊断方法
本发明涉及一种作物营养诊断方法，该方法是通过获取以作物含氮量等表示的作物信息来实施的，作物的含氮量等信息是根据田地中生长着的作物的光反射量得出的。本发明也涉及一种对多个象点分别获得的反射光量进行校正的方法。
获得类似作物含氮率、叶色值、氮吸收量、株高、干物质重等作物信息的第一种常用方法是，用类似数码摄影机的光接收装置通过摄影获得参照板和田地中作物的反射光量，参照板是用硫酸钡等涂层的，并且，在作物生长的单位田地(或单位田地的一部分)中，由参照板和作物被反射的光量得出作物的反射率，由所得的反射率和相关预测公式得出含氮率(氮吸收量、叶色值、株高、干物质重)，该相关预测公式用于由该反射率得出含氮率(氮吸收量、叶色值、株高、干物质重)，与同期标准含氮率比较就完成了生长诊断，标准含氮率是根据生长天数与氮量对应的曲线得出的。然而，从田地中所得出的作物光反射量是受天气影响而变化的。另外，即使利用参照板校正后，也必须使测定方向、气流和种植密度的每个指标都与得出相关预测公式时所要应用的条件相同，该相关预测公式用于由反射率得出含氮率。当这种条件不同时，相应的校正是必要的，因此，不能说仅根据作为对照的参照板得出反射率就校正了一切。实际上，测定是在一定太阳高度、测定方向、种植密度或作物种类的限定条件下进行的。
作为获得作物信息的第二种常用方法是用一种仪器，它带有与作物信息相关波长的光，该作物信息依赖于作物生长而增加或减小，例如，把从可见光区至近红外线区的光照射在作物叶片上，根据所得到的与作物信息相关波长相应光的光量和氮量相关预测公式由所接受光量进行计算，例如一片叶片的含氮量，该叶片含氮量是计量的。这种仪器被用于在田地中计量作物的许多叶片，并能得出高精度的叶片含氮量。然而，要准确地得到整个田地的作物信息，必须把一分钟的计量扩展到整个田地，但这是复杂和麻烦的。
事实上，按照第一种常用方法来进行作物叶营养诊断时，要进行所谓的“遥控”并以比较大范围的田地为目标，在很远距离进行观察是为了使摄影机的一个象点相应的物体面积不产生大的差异。从而，摄影机的分辨或各象点不产生差异。另一方面，在接近物体进行的“遥控”中，在相应于—个象点的物体面积内不产生大的误差是为了能够进行上述相同程度的计量。
在上述第一种方法中，虽然测定是简单的，但从田地得到的作物信息受到类似测定地点和种植密度等因素的影响，由于测定时间和地点是变化的，这种方法是不准确的。另外，当摄影机直对着田地并摄影时，摄影机的每个摄影点中所得的反射光量都需要通过俯角或相应田地的田地角或类似大田中这边或那边的位置来校正。对每个象点来说，摄影机和田地之间的距离随物体变化，对相应距离来说，每个象点所获得的摄影面积是变化。进一步来说，反射角随俯角的变化而不同，且影响到反射光量。常用的第二种方法虽然在测定中不受限定并有高精度，比第一种方法更有优势，但第二种方法的缺陷是必须对每一个叶片进行测定，因此，需要大量的测定点和相应的长时间。
常规遥控是在限定条件下进行，该限定条件是每个象点的物体面积不产生大误差。这样做的原因是为了加强后续校正。但是，由于上述限定，为了能拍照大面积，需要大量的观测装置，如果在极近地进行摄影，测定区的面积变得很小，必须进行多次测定。
本发明的目的是在采用测定反射光量得出作物信息时，即使摄影机放在地上，也能进行校正，从而不产生大的误差，而且，以计量作物信息的形式提供的作物营养的诊断方法简单，并提高了测定精度。
本发明在田地诊断作物营养的第一种方法的特征是：将一个配置有多个象点的摄影机按与一块田地相应的俯角放置在预定中心；通过拍照该田地获得针对每个象点的作物叶反射光量；根据由一种转换变量构成的面积函数得出每个单位象点的摄影面积，这种变量包括摄影机距地高度、象点俯角、象点数和田地角；由每个象点的反射光量构成面积校正度；由俯角相关系数预定的反射光量构成俯角校正度，用于校正与象点俯角相应的反射光量的差异；测定作物叶上的入射光量；由校正的反射光量和测定的入射光量得出反射率；根据该反射率和一个用于得出作物信息的第一作物相关预定公式得出预测面积内的作物信息，并将其作为第一作物信息。贮存第一作物信息。通过在同样面积内照射作物，至少测定传导光或反射光之一的光量，该光依赖于作物的生长而增加或减少，且具与作物信息相关的波长，由该光量和一个用于得出作物信息的第二作物相关预定公式得出作物信息，并将其作为第二作物信息贮存。根据第一和第二作物信息确定该田地中作物的营养状况。
获得第一作物相关计算公式已经成为研究的主题，并且是现有技术的已知内容，它是利用该作物的反射光量和预先得出第一作物信息的反射光量计算出所要得到的反射率而得出的。获取第二作物相关公式也是成为研究的主题，也是现有技术的内容，它是根据光照射在叶上得到的反射率得出的，该第二作物相关公式用于获取被预测的第二作物信息。所以，分别获取第一作物相关公式和第二作物相关公是很容易的。本方法提供了作物营养的诊断方法，其特征是，为了得到第一作物信息，根据称作数码摄影机中间的拍照角度，该数码摄影机具在田地被提供出的多个象点，例如，根据自然产生的俯角，该俯角是与摄影机距地高度相应的，或者根据田地角，该田地角是由摄影机结构决定引起的，对近拍照过象点和远拍照过象点之间的光量差异进行校正，这差异是由于具有不同摄影区域的的每个象点的光接受面积不同引起的。
对于与每个单位象点所得光量相应的摄影面积差异来说，利用摄影机距地高度、每个象点的伴随俯角、摄影机的内部参数和田地角进行二次投影转换，确定用于得出每个象点拍照过的面积的特定(面积)函数，固有参数如依赖于摄影机结构的象点数、象点放大时摄影点的大小，田地角取决于会聚透镜该特定函数。因此，在用离地高度和俯角作为变量或给摄影机增加内部参数作为变量来计算每个象点的拍照过面积，以及用每个象点的摄影面积划分每个象点的反射光量后，就可以得出不受摄影面积影响的每个象点的反射光量。用这种方法实现了有关摄影机与摄影中位置(这边或那边)之间距离的校正。
进一步来说，由于有多个象点，每个单位象点的俯角不同。因此，首先，确定象点，其中的参照俯角是变化的，例如参照俯角为60度，并且确定校正(俯角)系数，例如，预先确定为“1”。其次，在改变俯角的同时针对每个俯角测定作物田地相同位置处的反射光量，从基于变化俯角的反射光量的变化量，可以得出每个俯角的校正系数。根据上述所得的校正系数(即俯角系数)和每个单位象点的反射光量，校正每个象点的反射光量。用这种方法可以实现随象点位置变化而改变的有关俯角的校正。
在用作参照的俯角处，该参照用于上述俯角校正，自然光量(即作物叶上的固有光量)可以从参照反射板所得出的反射光量来计算，每个象点的反射率可以根据上述所得的自然光量和从相同象点所得的作物叶反射光量来计算。同样，通过获得每个象点的反射光量，可以根据与自然光量的相对比率得出每个单位象点的反射率。进—步来说，也可以根据参照反射板的反射光量与单位象点反射光量的比率计算反射率。
上述得出的单位象点反射率是通过用地面上的摄影机拍照作物得出的单位象点反射率，是把受高度或相对作物田地的摄影机俯角或摄影机结构任一因素影响的反射率校正过的反射率。根据这种反射率和已知作物信息的作物叶反射率，通过多元回归分析预先得出用于根据反射率计算作物信息的第一作物相关预测公式，从第一作物相关公式和校正所得的反射率以及上述计算，可以得出作物叶的第一作物信息，反射光量的波长不被限定至1，并在获得作物信息的必要波长处测定反射光量。因此，获取多个波长的每个的反射率是必要任务。为了计算相应函数或系数，可能要结合多个波长处的反射光量。
在获得第二作物信息的方法中，把具有与作物信息相关波长且随作物的生长增加或减少的光直接照射在作物的叶片上，例如从可见光区至近红外线区的光，并且至少是根据反射光量或与该光相应获得的传导光量，该光具有同作物信息相关的波长，以及根据从已知作物信息的作物叶接受的光量计算该叶片含氮量的氮量预测相关公式，例如已知一片叶片的氮含量，就能计量出该叶片的含氮量。这被装载在一个装置中，并且被用于在田地测定许多叶片，并能获得高精度的叶片含氮量。因此，该方法用于对上述第一作物信息做进—步的校正。
本发明用于在田地诊断作物营养的一个第二种方法的特征是，将一个配置有多个象点的摄影机按与一块田地相应的俯角放置在预定中心；通过拍照该田地获得针对每个象点的作物叶反射光量；根据由一种转换变量构成的面积函数得出每个单位象点的摄影面积，这种变量包括摄影机取景的田地距离、象点俯角、象点数和田地角；由每个象点的反射光量构成面积校正度；由象点俯角相关系数预定的反射光量构成俯角校正度，用于校正象点俯角的反射光量差；测定作物叶上的入射光量，由反射光校正量和上述测定的光量得出反射率；根据该反射率和一个用于获得作物信息的第一作物相关预定公式得出预定面积内的作物信息，并将其作为一个第一作物信息。该方法还包括贮存该第一作物信息，在同样面积内用光照射该作物叶片，至少测定传导光和反射光之一的光量，该光依赖于作物生长而增加或减少，并且被测定的是与作物信息相关的波长，根据该光量和一个用于从该光量得出的作物信息的第二作物相关预定公式得出作物信息，并作为第二作物信息贮存该作物信息，根据该第一作物信息和该第二作物信息对该作物进行营养诊断。
在第二种方法中，替换上述在第一种方法的特殊函数中所用的俯角，应用摄影机的田地距离。用于获取每个象点照过面积的特殊(面积)函数是通过二次投影转换确定的，这种转换是利用摄影机距地高度、每个象点的伴随俯角、摄影机的固有函数、针对摄影机的固有函数和取决于会聚透镜的田地角来实现的，摄影机的固有函数如取决于摄影机结构的象点数，针对摄影机的固有函数如取决于摄影机结构的象点数、放大象点的摄影点放大率。因此，在用摄影机距地高和田地距离作为变量计算每个象点的照过面积，或者给摄影机加上固有系数作为变量计算每个象点的照过面积，并且，用每个象点的照过面积划分每个象点的反射光量后，可以得出不受照过面积影响的每个象点的反射光量。用这种方法实现了与摄影机和拍照点(这边或那边)之间的距离相关的校正。把第一作物信息和第二作物信息作为参数，它们是如何得出已经解释过，所以在此不再重复。
在上述的第一和第二营养诊断方法和用此方法进行作物诊断中，可以获得每个单位作物田地的第一作物信息，或者，可以获得每个单位面积的第一作物信息，该单位面积是随机确定的，并且小于单位作物田地。此处的单位作物田地是由通常所说的“畦”划分的一块田地。
本发明一个第三种在田地进行作物营养诊断方法的特征是：将一个配置有多个象点的摄影机按与一块田地相应的俯角放置在预定中心；通过拍照该田地获得针对每个象点的作物叶反射光量；根据由一种转换变量构成的面积函数得出每个单位象点的摄影面积，这种变量包括摄影机距地高度、象点俯角、象点数和田地角；由每个象点的反射光量构成面积校正度；根据与每个单位象点所得照过面积中的最大面积相关着的单位象点的照过面积把多个象点划分成分区；从每个分区的反射光量和作物叶的入射光量得出反射率；根据所述的反射率和—个用于得出作物信息的第一作物相关预定公式得出被预测面积内的作物信息，并将其作为第一作物信息；由所述的第一作物信息诊断作物营养。
本发明提供作物营养诊断方法的特点是，为了得到第一作物信息，根据称作数码摄影机中间的拍照角度，该数码摄影机具在田地被提供出的多个象点，例如，根据自然产生的俯角，该俯角是与摄影机距地高度相应的，或者根据田地角，该田地角是由摄影机结构决定引起的，对近拍照过象点和远拍照过象点之间的光量差异进行校正，这差异是由于具有不同摄影区域的的每个象点的光接受面积不同引起的。
由于与每个单位象点所获得光量相应的拍照面积差异校正的方式与上述第一种方法是相同的，在此不再重复解释。
根据本发明的第三种方法，多个象点是根据与该多个象点中最大面积相应的单位象点的拍照面积来划分的。当摄影机直接拍照作物田地时，由一个象点获得的作物田地面积比摄影机远离作物田地的面积变大。因此，分区是利用作为参照象点可获得作物田地面积的最大面积进行划分的，为了形成相同的面积，把其它象点结合起来。即，即使象点数目不同，为了获取反射光，作物田地被分面积也是相同大小的面积。在这种情况下，把由一个象点能获得的作物田地面积的最大面积作为参照。能获取同一面积上的反射光量，以便当摄影机在地上放置时，甚至当各象点所获得的作物田地面积有差异时，它们也能被分成均一的面积，因此，能获得不受摄影机分辨率影响的反射光量。
在另一方面，根据第四种方法，每个单位象点所获得摄影面积的反射率，是从小于预定摄影面积的单位象点反射光量和作物叶上的入射光量计算得出的。当摄影机对着作物田地时，随着摄影机的进一步远离，一个象点可得到的田地面积变得较大。因此，田地面积超过预定面积的摄影象点的信息是不可靠的，该预定面积是适合进行作物叶营养诊断的面积，只有田地面积小于预定面积的摄影象点的信息处理才是可靠的。使用以一个象点为参照的作物田地预定面积，其它象点结合，好象被划分的面积在大小上相同。即，即使象点的数目不同，也要在测定反射光量时把象点划分，好象形成作物田地被预测的面积大小是相同的。这时的参照是一个被预测的作物田地面积。虽然能获得相应被预测面积的反射光量，摄影机可被放置在地面，各象点所得到的作物田地面积可以是不同的，但该面积要被划分成预定的面积。用这种方法，可以得出不受摄影机分辨率影响的反射光量。这里的预定面积是指适合于进行作物叶营养诊断的作物田地面积，例如可以是1m2-5m2。
通过计算固定面积或上述得出的预定面积的反射光量和参照板的参照反射光量或作物叶上阳光的入射光量之间的比率，把所计算的比率作为固定面积或预定面积的反射率。
上述所获得的固定面积或预定面积的反射率是由地面上的摄影机对作物田地进行摄影得出的反射率，而且这种反射率是经过相应作物田地的摄影机高度或俯角影响或者摄影机结构影响校正过的。根据这种反射率和已知作物信息的作物叶反射率，利用多元回归分析预先得出第一作物相关预测公式，该公式用于从该反射率得出作物信息，并由第一作物相关公式和经校正得出的反射率以及上述计算，可以得到作物叶的第一作物信息。反射光量的波长并限定到1，测定能获得作物信息的必要波长处的反射光量。因此，得到每个波长的反射率的工作是必需的。为了计算相应函数或系数，可以结合多个波长处的反射光量。
本发明在田地中诊断作物营养的第五种方法是，将一个配置有多个象点的摄影机按与一块田地相应的俯角放置在预定中心；通过拍照该田地获得针对每个象点的作物叶反射光量；根据由转换变量构成的面积函数得出每个单位象点的摄影面积，这种变量包括摄影机的田地距离、象点俯角、象点数和田地角；由每个象点的反射光量构成面积校正度；根据每个单位象点得到的摄影面积中与最大面积相应的单位象点的摄影面积把多个象点划分成分区；由每个分区的反射光量和作物叶的入射光量得出反射率；根据所述的反射率和用于得出作物信息的一个第一作物相关预定公式得出预定面积内的作物信息，并作为第一作物信息，由所述的第一作物信息诊断作物营养。
在第五种方法中，替换了上述第一种方法中特定函数所用的俯角，而是利用了摄影机的田地距离。即，参照与每个象点所得光量相应的摄影面积内的差异，用于获取每个象点照过面积的特殊(面积)函数是通过二次投影转换确定的，这种转换是利用摄影机距地高度、每个象点的伴随田地距离(象点与摄影点间的距离)、象点数和摄影机固有函数以及取决于会聚透镜的田地角来实现的，摄影机的固有函数例如为取决于摄影机结构的象点数和放大象点的摄影点放大率。因此，在用摄影机距地高度和田地距离作为变量计算每个象点的照过面积，或者给摄影机加上固有系数作为变量计算每个象点的照过面积，并且，用每个象点的照过面积划分每个象点的反射光量后，可以得出不受照过面积影响的每个象点的反射光量。用这种方法实现了与摄影机和拍照点(这边或那边)之间的距离相关的校正。在单位象点的被摄影面积中，把最大面积作为参照。并且，划分其它象点用于得出平面内的固定面积。在第三实施例中对这方面进行了解释，在此不再重复说明。
根据本发明的第六种方法，一种诊断田地中作物营养状况的方法特征是；将一个配置有多个象点的摄影机按与一块田地相应的俯角放置在预定中心；通过拍照该田地获得针对每个象点的作物叶反射光量；根据由转换变量构成的面积函数得出每个单位象点的摄影面积，这种变量包括摄影机的田地距离、象点俯角、象点数和田地角；由每个象点的反射光量构成面积校正度；根据相应单位象点所得摄影面积中小于预定摄影面积的单位象点的反射光量和作物叶的入射光量得到反射率；根据所述的反射率和一个第一作物相关预定公式得出预定面积内的作物信息，所述第一作物相关预定公式用于得出作物信息，并把它作为第一作物信息，由所述的第一作物信息诊断作物的营养。
在本发明的第六种方法中，替换了第四种方法中计算特定函数所用的俯角，而是利用了俯角。由于与每个象点所得光量相应的摄影面积不同，用于获取每个象点照过面积的特殊(面积)函数是通过二次投影转换确定的，这种转换是利用摄影机距地高度、每个象点的伴随俯角、摄影机的固有函数、针对摄影机的固有函数和取决于会聚透镜的田地角来实现的，摄影机的固有函数如取决于摄影机结构的象点数，针对摄影机的固有函数如取决于摄影机结构的象点数、放大象点的摄影点放大率。因此，在用摄影机距地高和俯角作为变量计算每个象点的照过面积，或者给摄影机加上固有系数作为变量计算每个象点的照过面积，并且，用每个象点的照过面积划分每个象点的反射光量后，可以得出不受拍照面积影响的每个象点的反射光量。用这种方法实现了与摄影机和拍照点(这边或那边)之间的距离相关的校正。当所得到作物田地面积小于预定面积时，采用单位象点，划分被采用的象点以形成预定面积。划分方法与在第四种方法所述的—样，不再重复解释。
为了获得第二作物信息，把光直接照射在作物叶片上，该光具有与作物信息相关的波长，且依赖于作物的生长增加或减少，例如从可见光区至近红外线区的光，至少根据与作物信息相关波长光相应的反射光量或传导光量之一，以及根据从已知作物信息(例如叶片的含氮量)的作物叶光量计算叶片含氮量的含氮量相关预测公式，就能计算出叶片的含氮量。这种装置被用于测定田地中的作物的许多叶片，并且能获得高精度的叶片含氮量。因此，能有效地对上述第一作物信息进行校正。
下面，说明利用上述第一作物信息和第二作物信息相结合进行校正的有效方法。首先分别计算出第一作物信息和第二作物信息之间的差异，利用该差异对第一作物信息进行校正，不仅可以校正天气变化(天气、时间、太阳位置)引起的误差，也可以校正栽培因素(测定方向、种植密度)变化引起的误差，此前认为这些误差是难以校正的。该方法特别适用于在相同田地中进行多点营养诊断，因为校正值的确定简单易行。
在把上述第一作物信息和第二作物信息之间确定的差异贮存后，只要从已经得知的第一作物信息获取田地固定面积中未知作物的第一作物信息，就能根据第一作物信息和上述差异对第一作物信息进行校正。这种方法很容易校正由种植密度和测定方向引起的误差，这种方法可以被装载在提供校正值的装置中。这种装置适用于作物营养诊断。
为了进行比第一至第四种营养诊断方法更精确地校正，应用下面的方法。即，在获取第一作物信息和划分多个分区后，在多个分区中至少选择两个点的数据，并且，直接从相同田地中的作物叶上获取第二作物信息，该相同田地是选择两点数据的田地。根据第一和第二作物信息的两点数据，确定相关系数和确定校正转换公式，根据这种公式，对多个分区中的所有数值进行校正。在获取校正转换公式的过程中，能从固定面积范围内获取大量的作物信息，随后，能根据校正转换公式对大面积范围进行校正。
以下是对第一至第四种作物营养诊断方法进行校正的另一种方法。在田地自然光下，计算光的反射率，该光具与作物信息相关的波长，且依赖于作物生长增加或减少，根据该反射率和从该反射率获取作物信息的第一作物相关预测公式得出每个分区的作物信息，并贮存之。然后，根据相应分区中贮存的第一作物信息，至少选择两个分区中的作物信息，并且光是照射在田地中这两个分区的作物叶片上的，至少测定传导光或反射光之一的光量，该光具与作物信息相关的波长，且依赖于作物生长增加或减少。再根据该光量和用于从该光量得出作物信息的第二作物相关预测公式，得出这两分区的作物信息，并贮存之，根据第二作物信息，确定用于校正第一作物信息的校正转换公式，并在利用该校正相关公式对每个分区校正第一作物信息后，得出第三作物信息。所以，得出的第三作物信息可用于田地作物营养诊断。
这种方法是独立地获取相关多个分区信息的。至少要从多个分区中选择两个分区的数据，直接获取相同分区中作物叶的第二作物信息，该相同分区是已经得到两分区数据的分区。用这两点的数据确定第—作物信息和第二作物信息间的相关系数，并确立校正转换公式。根据该公式，能校正多个分区中的所有数值。在获取校正转换公式的过程中，能从固定面积范围内获取大量的作物信息，随后，能根据校正转换公式对大面积范围进行校正。
在上述诊断方法中，贮存第一作物相关公式和校正转换公式，以便测定未知作物田地叶的反射率，根据第一作物相关公式和校正转换公式，能得出第三作物信息。在一个控制器的存贮区贮存这些术语，并进行适当的操作，这种方法能装入一种识别装置，该装置不仅能对作物诊断，也能在测定中提高精度。
根据第一作物信息，从多个分区中随机选择的两个分区可以分别是最大值的分区和最小值的分区。在这种方法中，能够很容易地在两点，高点和低点，确定第一作物信息和第二作物信息的校正转换直线，而不受其它数据的影响。
虽然能有多种作物信息，但为了诊断作物营养，最好考虑叶氮含量或叶色值。从实际情况可以认识到，在作物中，叶的氮含量是可立即显出施肥效果或施肥是否适当的因素。
在以上作物诊断中，为了测定光的反射率，该光具有与作物信息相关的波长，且依赖于作物生长增加或减少，作物的反射率是多个象点构成的摄影元被摄影得出的，选择已接受相应作物反射光的象点，根据选择的象点的所接受光数据计算反射率，从而通过获取第一作物信息提供一种作物诊断方法。类似数码摄影机的摄影仪获得的反射光受种植密度或被摄影田地的大小影响，例如，如果把单位田地定为1m2大小，则把作物被摄影的光作为反射光，而不必测定反射光。即，是根据单位象点的标准点而不是根据作物的反射光，例如，可以包括田地土壤的反射光。因此，理想的是只选择与预定大小面积的反射率相关的象点，把其当作作物的反射光，并根据这类接受光的数据得出第一作物信息。
本发明的上述发明目的和其它目的、技术特征、以及本发明的优点，将会在下文中，参照附图对最佳实施例的描述中变得更清楚明白。
图1是表示摄影机位置和在田地布置的用于测定一种作物反射光的参照板的示意图；
图2是用于测定该作物反射光的摄影机方框图；
图3一种数据处理装置的方框图；
图4是表示作物田地照过时的俯角和地面角视图；
图5是表示象点和由被摄感器决定的被摄面积之关系的视图；
图6是表示确定校正系数的拍照示意图，该校正系数用于校正俯角；
图7是表示由固定的面积和从田地所得反射光划分的分部中氮含量表；
图8表示由固定的面积和从田地所得反射光划分的分部中氮含量表；
图9是表示分部中氮含量表，该分部面积小于根据所获得的反射光量选择的被预测面积，并且该分部是由该被预测面积划分的；
图10表示叶片氮含量测定装置的主要部分局部剖开的剖面图；
图11是表示叶片氮含量测定装置的控制方框图；
图12表示叶片氮含量测定装置的操作示意图；
图13是表示用摄影机拍照和由叶片氮含量测定装置之间所得氮含量的关系图；
图14是表示多个分区中营养诊断校正值的表；
图15是表示相应作物叶和土壤波长的反射率曲线；
图16是表示通过摄影机获得的来从作物叶片和土壤的被接受光的数据；
图17是表示测定固有光的照度计的图解侧视图。
参照图1至图3说明本发明的测定方法。这里，以水稻植株作为作物的例子。把摄影机2直对着正生长着作物的田地1，摄影机是一种测定来自作物反射光的光接受装置。当然，田地暴露在自然光中。另外，白色的参照板3布置在作物田地1中。
图2是表示摄影机2的方框图。摄影机2具有240，000(600×400)点阵的分辨率，并配置了一个面积感应器4。在摄影机2中，有一个装配多个窄带滤波器5的滤光盘6，并且滤波器5是由旋转滤光盘来开关的，例如旋转滤光盘6。由面积感应器4接受已经经过滤波器5并通过作为光学装置的会聚透镜的光，例如会聚透镜7。由继进马达9转动滤光盘6，继进马达9的驱动力由控制电路8控制的，控制电路8把被接收的光信号从感应器4进一步继进到数据处理器20。
滤波器5适合从可见光波长450、550、625、650、675和700nm中选择，也适合从接近红外线区波长750、850、950-1300nm中选择。对于这些波长来说，必须选择依据作物叶色值或含氮率的变化而引起特性变化的区域。因此，5可以选自可见光波长区和接近红外线波长区两个区，或者，可以选自两区之一。另外，波长并不局限在本发明实施例中的波长范围内。图2表示有4个滤波器，但滤波器的数目并不是限定的，是可变的，可以根据要求的目的来改变。控制电路8被连接到操作开关10上，操作开关10被连接到用于启动摄影的摄影启动开关10a、用于停止摄影的摄影停止开关10b、用于开关滤波器的滤波器开关10c、用于传送被摄资料的数据传送开关10d和电源开关10e。
图3用方框来表示数据处理器20，图3中所示的数据处理器20配置有一个模拟／数据转换器(此后用“A／D转换器”表示)21、一个用于在A／D转换后贮存数据的存贮器22、一个用于可视地显视图像数据的显示器23和一个数字图像处理器24。这些均通过输入／输出接口(此后用“I／O口”来表示)25与一个CPU26进行信息交流，该CPU26计算处理图像数据，并通过一个交界关联器(此后用“I／F关联器”来表示)27连接到一个叶片氮含量测定仪30上。另外，CPU26也连接着一个贮存控制程序等的只读存贮器(此后用“ROM”表示)28和能把计算结果贮存并按要求读出的读写贮存器(此后用“RAM”表示)29。
当按下电源开关10e时，图像的反射光信号被面积感应器4接受并把它变为图像信号，当按下数据传送开关10d时，这种图像信号被传送到数据处理器20。在数据处理器20处，由图像处理器24处理图像信号，并把处理过的图像显示在显示器23上。在显示器23上，在确定田地1的同时，确定摄影机的位置和摄影的范围。一旦摄影范围被确定，通过按下摄影启动开关10a，及时布置滤波器5，就能拍摄田地1中正生长着的水稻植株叶，然后打开滤波器开启开关10c，继进电机9和被转动的滤光盘把来自控制电路8的信号输出。通过滤光盘6的转动把滤波器5打开后，按下摄影开关10a进行摄影。结果产生针对每个滤波器5的图像信号。在此，如果摄影机2的面积感应器4缺少大容量的存贮元件，每次按下数据传送开关10d，针对要被传送到数据处理器20的数据拍摄图像。
下面说明一下作为上述测定装置结构的摄影机2所拍摄过单位象点的数据处理。图4是从观测点“O”用摄影机2拍摄后的田地图，摄影机2距地面的距离为“h”，俯角为“θ”，地面角为“Φ”，田地距离为“11”、“12”等。另外，图5(a)表示面积感应器4的象点坐标ij，图5(b)表示该象点得出的作物田地面积。如图5所示，由每个象点坐标ij所得的作物田地图像分别具有不同的面积。因此，甚至在相同作物田地中，每个象点坐标ij中的都有不同的信息量密度。这种差异是由下面给定的面积函数来校正的。这里的面积函数是指常说的二次投影转换，因为这是一种数学分析，在此只作大体介绍。从摄影机2的距地高度“h”或作物的田地距离“l”、摄影的俯角“θ”、摄影机2固有的参数田地角“Φ”和象点的数目，能够确定下面的面积函数：
(俯角)          Aij=f(θ，h，i，j，x1，x2)    (1)
(作物田地距离)  Aij=g(θ，l，i，j，x1，x2)    (2)1式
Aij：ij所获得的作物田地实际面积
i，j：象点坐标
X1：田地角(针对摄影机固有的)
X2：象点数目(针对摄影机固有的)
当俯角“θ”和距地高度“h”或作物田地距离“l”给定时，能计算出针对每个象点坐标的实际面积Aij。即，由依据俯角计算的作物田地实际面积公式1-(1)或由依据作物田地距离计算的作物田地实际面积公式1-(2)之一都能获得实际面积。
这里，把该象点坐标ij处的反射光(强)量用Pij表示的话，
P’ij=Pij／Aij    2式
成立，以便把由象点ij得出的受光量Pij用实际面积Aij来整除，获得不受作物田地实际面积大小影响的每个单位面积的反射光量，实际面积是根据象点坐标ij得出的。如上所述，能针对每个象点坐标ij做面积校正，可以得到每个象点坐标ij的反射光量，每个象点坐标ij不受摄影所得实际面积的影响。对于在预定的距地高度“h”或作物田地距离“l”或预定的俯角“θ”条件下进行摄影的情况下，通过二次投影转换进行面积校正的说明至此为止。
其次，由于针对每个象点坐标ij的俯角“θ”是不同的，要进行伴随俯角“θ”的俯角校正。如图6所示，参照板的反射光或在田地中相同位置处作物叶的反射光在相同的距离条件下进行测定。例如，俯角“θ1”变为俯角“θ2”时，利用在感应器4的中心部分处的象点坐标的反射光量，就可以确定校正函数。例如，把俯角“θ”为60°时的反射光量校正函数定为K60°=1的话，可得出以下结果：
俯角θ=60°：K60°=1
俯角θ=50°：
俯角50°时的反射光量／俯角60°时的反射光量=俯角50°时的校正系数=K50°
俯角θ=40°：
俯角40°时的反射光量／俯角60°时的反射光量=俯角40°时的校正系数=K40°
俯角θ=10°：
俯角10°时的反射光量／俯角60°时的反射光量=俯角10°时的校正系数=K10°    3式
于是确定了每个俯角“θ”的校正系数和确定了每个象点坐标ij的校正系数Kij。因此，用上述面积校正度和校正系数Kij得出的P’ij，可以得出结果：
P”ij=Kij×P’ij    4式
利用俯角“θ”能得到俯角校正。以上已经解释了与俯角“θ”相关的校正。在面积校正和俯角校正的任一情况下，都必须事先输入预定值，如在面积校正中必须先输入预定值(θ、h、l等)，或者，在俯角校正中，必须利用多个俯角“θ”测定反射光量并事先确定校正系数Kij。
通过摄影机2的面积感应器接受的反射光量是参照板3的反射光量和田地1中作物叶的反射光量。当测定参照板3的反射光量时，在俯角校正中俯角“θ”被用作参照。在上述例子中，最好测定俯角为60°时参照板反射光量。当如上述测定参照板反射光量时，假定作物叶入射的光量为PO，则
Rij=P”ij／PO       5式
Rij：每个象点坐标ij的反射率
因此，能得出水稻作物叶反射率。这种反射率被用于计算水稻作物叶的氮含量。通过5式得出的这些1式被贮存在ROM28中。测定上述参照板反射光量PO，并以下列方式贮存。把摄影机2上装配的滤波器5打开，并且测定针对每个滤波器5的参照板3的反射光量，并把测定的数据传送到数据处理器20，在此由A／D转换器21把数据进行数码化转换且存贮在RAM29中。即，在每个滤波器5处把参照板的反射光量PO值进行测定并贮存。
通过摄影机2，滤波器5被打开，在每个滤波器上，把田地1一定范围内的水稻作物叶的反射光量接受并传送到数据处理器20。在数据处理器20上，由A／D转换器21把信号数码化转换且存贮在存贮器22中。由于在存贮器22中存贮每个滤波器5上的叶反射光量，在CPU26上获得每个象点接受的反射光量平均值，根据上述预先在ROM28中贮存的公式和正被贮存在RAM29中被计算的结果计算反射率。用这种方法，按单位象点把一定范围内作物叶的反射率贮存，如在1平方米范围内。
图7表示在田地1中作物叶被摄影240，000像素数据再被分成多个分区的实例。例如，通过摄影机2，打开滤波器5，在每个滤波器上，把田地1一定范围内的水稻作物叶的反射光量接受并传送到数据处理器20。在数据处理器20上，由A／D转换器21把信号数码化转换且存贮在存贮器22中。由于在存贮器22中存贮每个滤波器5上的叶反射光量，在CPU26上，例如从图7左手顶部进行编号为1-9的分区，获得每个象点2接受的反射光量平均值。然后，根据预先在ROM28中贮存的上述公式，针对9个分区中的每个分区计算反射率，并把其贮存在RAM29中。例如，如果把一个摄影机接受光的范围定为1m2，1m2内9个分区的反射率被贮存。在显示器23上，显示已经由图像处理器24处理过的图像。
图8和图9表示在田地1中作物叶被摄影240，000像素数据再被分成多个分区的第二实例。在第二实例中分区是由下述的方式确定的。首先，在如图8所示进行分区的第一种方法中，把在作物田地的单位被摄象点得出的田地实际面积Aij中出现的最大值的象点(图8中1-3分区中的每一个)所针对的作物田地实际面积作为参照，即，把这种最大作物田地实际面积用作参照，从而把多个相邻象点结合起来，以便把所有的象点分成具有相同面积的分区。在这种情况下，即使当单位象点需要进一步划分，由于每单位面积反射光量已经被计算，且每单位面积反射光量能被反射到被分的面积，有可能获得相同面积的分区。用这种方法进行分区，以本实施方式为例，为方便起见分有9个分区。即图8顶部的象点1-3分别被认为针对最大面积，用这些实际面积作为参照面积，如果其余的象点被分成相同面积的分区，第3行象点4-6和第5行象点7-9变成针对相同面积的分区。实际中分区是变得很复杂的，但在此把它们表示为简单的形式。最好使用摄影机进行摄影，以便把预定面积定为1m2-5m2。当用比上述更小的单位进行分区时，由于大体积的作物叶或种植密度的影响，作物叶的信息并不能反映出针对每个象点接受的所有反射光量，工作效率也会降低。相反，如果分区过大，工作效率是提高了，但获得的信息不够，影响测定精度。
在如图9所示进行分区的第二种方法中，在田地单位被摄象点获得的作物实际面积Aij中，例如仅选择预定面积，该象点针对的面积不超过1m2(分区1-9中不包括这类象点)，把多个相邻象点结合起来，以便把所有的象点分成针对相同面积的分区。在这种情况下，即使当单位象点需要进一步划分，由于每单位面积反射光量已经被计算，且每单位面积反射光量能被反射到被分的面积，有可能获得相同面积的分区。用这种方法进行分区，以本实施方式为例，为方便起见分有9个分区。在图9中，顶部的3个象点因超出预定面积而被排除，在小于预定面积的这些象点中的，要严格地把1-3区转变为预定的面积，4-6是三个象点结合转换成预定面积的，7-9是四个象结合转换成预定面积的。实际中分区是变得很复杂的，但在此把它们表示为简单的形式。最好使用摄影机进行摄影，以便把预定面积定为1m2-5m2。当用比上述更小的单位进行分区时，由于大体积的作物叶或种植密度的影响，作物叶的信息并不能反映出针对每个象点接受的所有反射光量，工作效率也会降低。相反，如果分区过大，工作效率是提高了，但获得的信息不够，影响测定精度。
在RAM29中，在通过多个滤波器5的第一个接受光范围内的植物叶反射率和9个分区由每个滤波器5的分别处理的作物叶反射率被贮存。贮存在RAM29中的每个滤波器5的反射光系数或在9个分区中由每个滤波器5处理过的反射光系数作为自变量，通过采集被受光范围内或相同分区内正生长叶，直接分析来自这些叶的作物信息，例如分析氮含量，或者利用直接测定叶色得出的叶色值、含氮率或色值作为依变量。其次，把获得受光范围内作物叶的作物信息的相关公式和9个分区中每个分区中作物叶的作物信息的相关公式准备好，并贮存在ROM28中。
进一步来说，假定在1号分区中利用滤波器1的反射率为R1，滤波器2的反射率为R2，滤波器3的反射率为R3，滤波器4的反射率为R4，并且，利用化学分析分区中作物叶的含氮率为N1，那么，
N1=F0+F1·R1+F2·R2+F3·R3+F4·R4    6式
成立，通过测定多个含氮率N，
N1=F0+F1·R11+F2·R21+F3·R31+F4·R41
N2=F0+F1·R12+F2·R22+F3·R32+F4·R42
Nn=F0+F1·R1n+F2·R2n+F3·R3n+F4·R4n    7式
成立，如果进行多元回归分析，那么
N=F0+F1·R1+F2·R2+F3·R3+F4·R4+C       8式
N：被测定目标的含氮率
F0-F4：常数
R1-R4：每个滤波器的反射率
C：校正值
8式可被用于计算相关公式(第一作物相关公式)。对于叶色值，也可以类似地获得相关公式。这种公式5被贮积ROM28中。
如上所述，如果把公式8和用公式5得出的公式1贮存起来，通过利用摄影机2拍摄参照板和受光范围内的水稻作物叶，并把图像信号传送到数据处理器20，就能根据数据处理器20中的第一作物相关公式把含氮率计算出来。在这种方法中，能够获得接受光范围内水稻作物中的含氮率或每个分区中的含氮率(第一作物信息)，即第1-9分区。图7中每个分区中的给定值是上述得出含氮率的实例。
下面，参照图10至图12说明叶片氮量测定仪30的实施例。这里，在部分断面剖视图中示出了便携式氮量测定仪(此后用“测定仪”表示)的主要部分。在图10和图11所示仪器的结构中，机身31中有光源32和位于较低部位的组成光量探测器33的光电二极管(未示出)。作为光源32，装配了LED34和LED35，即在相同的园周上具有不同波长峰的多个发光元件。并分别把具有不同波长带的窄带滤波器36和37装配到LED34和LED35。波长带最好是500nm-1100nm，根据这些波长带，把从这些波长带或与叶色值相关的任意特定波长中与所获取的氮含量相关的窄带滤波器36和37选择出来。利用窄带滤波器36和37把从LED34和LED35的每个上发出的光都变为具有特定波长的光，并被入射到光被反射的散射反射板38上。另外，成型的块件39便于把从LED34和LED35的每个上发出的光都以基本固定的角度入射到散射反射板38上。
在散射反射板38上反射的光被入射到块件39中心装配的反射光通道40中，然后入射在装配于反射光通道40照射边上的散射传导板42上。散射传导板42垂直于反射光通道40的光轴装配，并且是由毛玻璃或乳白玻璃制成的。通过反射光通道40和散射反射板38所包围的空间，光经过在重复反射和散射的同时从反射光通道40传出，经过散射传导板42入射进光量探测器44，并经过样叶43被测定。
另外，在光量探测器44顶部的园周上，顶盖31环绕设置，从顶盖31延伸着的臂杆45从由轴体46转动支撑。另外，转动支撑着顶盖31的轴体46装载着一个圈状弹簧47，该弹簧用于把顶盖31向上固定。即如图12所示，在进行测定中，样叶13可以被插进测定部位，顶盖31顶部的按下就能进行测定操作。进行测定的时间是顶盖31按下时正在按下的凸起(未示出)压着装配在对面位置的微开关48，利用探测顶盖31的按下进行测定(光辐射和光量测定)。
其次，说明图11的方框图中所示的光吸收器1。在由光源32和光量探测器33组成的测定部位，由光量探测器44把受探测样叶43的传导光量转变成模拟信号。光源32由LED34、LED35的反光件51提供。在模拟器50处，进行从模拟信号到数字信号的A／D转换或进行从电压到频率的A／F转换。被转换的信号经过I／O2被输入进CPU53，CPU用作计算或控制装置。在I／O2中，提供有用于显示计算结果或操作指令的液晶显示装置LCD54，用于进行操作的输入部55，用于把从出口来的和到出口的数据进行输入或输出的RS232C连接部56，以及开关48。对于CPU53和I／O2来说，被连接的供电器57提供电力。另外，打印机58经过打印机I／F59被连接到CPU53上。连接到CPU53上的还有只读存贮器(此后用“ROM”表示)60和读写存贮器(此后用“RAM”表示)61。在ROM60中贮存着许多相对基础田地的田地标准曲线或相对基础作物种类(品种)的种类(品种)标准曲线。标准曲线组成了用于预先得出含氮率的相关公式(第二作物相关公式)，其中吸收率是通过光照射多个叶体所得到的多个受光量计算出来的，这些叶体的含氮率是预先测定过的，并且利用吸收率作为自变量，多个已知的含氮率作为依变量进行多元回归分析。由于在多元回归分析时得出上述公式的过程已说明过，在此不再重复说明。另外，为了在测定仪30处测定和计算含氮率之类的数量，ROM60贮存着一系列程序，这些程序执行从测定和吸收率计算到计算结果显示的操作。
上述测定仪30的结构功能在下面进行说明。当样叶43被插进测定仪30中后按下顶盖31时，从开关48来的信号被传送到CPU53。信号从CPU53出来进到光发射控制器51，光发射信号被从光发射控制器51传送到光源32。在这种方式中，光是被完全从LED34和LED35照射到样叶43上的。然后，从LED34和LED35发出的光经过窄带滤波器36、37转变为特定波长的光，即近红外线区和可见光区的光。如已经说明过的，由于来自散射传导板42的光在再反射和散射的同时到达光量探测器44，如同在一个完整球体中一样，光以相同的均一度照在样叶43上。
当光照在样叶43上时，针对每个LED34和LED35由光量探测器44接受其反射光和传导光，并且，被接受的光信号与A／D转换器的模拟器50进行交流。A／D转换器是由模拟器50构成的，被转换的信号经过I／O2输入进CPU53。在CPU53中，根据传导光或样叶43的反射光，计算反射率、传导率或吸收率，并把计算的数值贮存在RAM61中。根据RAM61中存贮的吸收率和预先在ROM33中贮存的用于计算含氮率的相关公式，可以计算出被测定叶的含氮率。输入部55带有一个电源开关55a、一个测定开关55b和一个读出开关55c，55a用于开关测定仪30，55b能测定传导光，55c具有读出开关的功能，能读出贮存于ROM60中的标准曲线(公式)，或读出反射率或传导光数据或读出贮存于RAM61的计算结果，或者读出样品数。
下面说明本发明根据第一作物信息和第二作物信息进行作物田地诊断的第一实施例。利用摄影机2进行反射光测定，例如与含氮率有关波长的反射光量，它是随着暴露于自然光下田地1中水稻植株的生长而增加或减少的作物信息。如图2至图4所示，在数据处理器20中，根据摄影机2测定的受光范围内叶的反射光量和公式计算反射率，该公式被贮存在ROM28中，用于计算接受光范围内的反射率，利用计算的反射率和被贮存在ROM28中的第一作物相关公式，把摄影机2受光范围内的含氮率作为第一作物信息，并将该含氮率贮存在RAM29中。
下面，用相应的实例来说明摄影机2接受光范围内生长着的水稻植株叶的含氮率。用测定仪30测定的水稻植株叶的含氮率(第二作物信息)是从水稻植株叶直接获得的测定值，该值不受测定方向和种植密度等因素的影响。因此，根据本发明，第一作物信息和第二作物信息间是有差异的，例如，假定受测的第一个第一作物信息是4．0％，测定仪30测定的第二作物信息是3．0％，把测定仪30的测定值作为第二作物信息，并贮存在RAM61中。由测定仪30所得的第二作物信息从测定仪30的连接口56经数据处理器20的I／F续进到数据处理器20，该信息被贮存进RAM29中。在数据处理器20处，根据RAM29中第一作物信息和第二作物信息间的差异-1％，把-1％加到第一作物信息中把第一作物信息校正为3．0％。
即，新存于RAM29中的差异作为校正值，在用摄影机2对受光范围内其它作物叶受光进行测定后，给所有由数据处理器20计算的数值加差异-1％进行校正。在这种方法中，可以认为摄影机2和测定仪30所进行的测定是不受测定方向和种植密度影响的。但是，在校正值存进RAM29后，至少在相同田地中不必用测定仪30进行多次测定，仅用摄影机2的一次测定就能有这样高精度测定结果，这是以前所没有的。进一步来说，利用测定仪30进行的含氮率测定不必对田地内相应所有作物叶进行测定，只要测定田地内同样相应的代表作物叶就足够了。
下面说明本发明进行诊断的第二实施例。利用摄影机2对参照板的反射光进行测定，例如，测定与含氮率相关波长的反射光量，这种作物信息是随自然光下田地1中水稻植株的生长而增加或减少的。如图2至图4所示，在数据处理器20中反射率是根据摄影机2所测定的分区1-9中的反射光量和被贮存在ROM28中的用于计算每个分区反射率的公式进行计算的，利用计算的反射率和被贮存在ROM28中的第一作物相关公式，以一个分区上的含氮率为标准，作为第一作物信息，并将该含氮率贮存在RAM29中。
利用运算或数据处理器20，从所得出的各分区含氮率中随机选择两个分区的含氮率为标准分区含氮率，最好选择含氮率为最大值的分区和含氮率为最小值的分区。在图8和图9所选择的分区中，用测定仪30对相应田地分区中正生长着的水稻植株叶的含氮率进行测定，例如5号分区4．2％是最大值，7号分区3．6％是最小值。这里测定的含氮率不受测定方向和种植密度的影响。
在测定仪30中，照射用与叶片的含氮率相关波长的光，叶片的含氮率是随作物的生长而增减的，利用从上述田地中所选两个分区中相应水稻植株叶片直接获得受光量，根据吸收率和第二作物相关预测公式计算上述两个分区的含氮率，在这个实施例中，吸收率是从受光量转换而来的，公式用于从吸收率计算叶片的含氮量。那么，得出5号分区的含氮率为3．0％，7号分区的含氮率为2．4％，把这些数值贮存在RAM26中，作为第二作物信息。由测定仪30得出的两个分区含氮率的每一个值都从测定仪30的连接口56经数据处理器20的I／F继进到数据处理器20，这种信息被贮存进RAM29。
参照图13说明所获得的第三作物信息，根据被贮存于RAM29中组成第二作物信息的两分区含氮率，利用也已经被贮存于RAM29中的第一作物信息，对分区(1-9号分区的含氮率)中每一个进行校正。图13是表示以测定仪30测定的含氮率(第二作物信息)为横坐标轴，同时以数据处理器20计算的含氮率(第一作物信息)为纵坐标轴所画的图。即，该图表示测定仪30所测定两个分区的含氮率为3．0％和2．4％，利用数据处理器20计算的5号分区的含氮为4．2％，7号分区的含氮率为3．6％。在这种方法中，把用测定仪30从水稻作物叶片直接实测的两个分区含氮率与用摄影机2所测含氮率的关系所构成的简单函数用直线表示，清楚了两者的相关性，并利用这种简单函数，校正由摄影机2所测定的含氮率。这里，利用该函数所表示的直线进行校正，这种函数是作为校正转换公式被贮存在RAM29中的。特别是在图14中，把5号分区的含氮率4．2％校正为3．0％，把7号分区的含氮率3．6％校正为2．4％。同样，如图14所示，根据这两个分区的相关性所确定的校正转换公式来校正其它分区的数值。这就是获得第三作物信息的方法。因此，针对9个分区来说，所得出的第三作物信息是通过得到这9个分区数值再进行平均的数值，有可能是把摄影机所摄影像范围当作单一作物信息来处理的。对于校正系数来说，所示的是利用两分区的代表值为简单函数来代表的数值，不过这种校正系数可以是一种很好的相关系数，这种相关系数是利用摄影机所摄整体分区作物信息为自变量、测定仪30得出的整体分区作物信息为依变量得出，无论这种相关性是线性的还是非线性都能被利用。
如图13所示，实际上是根据数据处理器20得出的校正转换公式对摄影机2所测的含氮率进行校正的，以便这种结果值能被用作精度更高测定的数值。因此，与传统的方法相比，只要利用测定仪30从多个田地中测定含氮率，就能较快地获得要找出的信息。另外，由于本方法是在研究中通过对参照板和田地进行静物摄影得到含氮率的，所以，可以认为上述方法会极大地提高测定精度。利用测定仪30进行的含氮率测定并不是对田地1中作物所有叶进行测定，而是只对田地1中的代表叶进行测定。
很明显，根据本发明营养诊断的第一和第二实施例，从田地1获得作物信息是依赖于摄影机2相对物体的位置的。即，这里田地1可以是用常说的“畦”划分的一块田地，或者可以在面积上大于所述的这一块田地。重要的是在确定校正值或校正系数时由摄影机得出的作物信息源和由测定仪30得出的作物信息源是来自相同的田地。对于本发明营养诊断的第二实施例中的分区来说，无论是从一块田地得出的作物信息，该田地的摄影是分区进行的，还是从小于该被分成多个分区的一块田地得出的作物信息，都没有关系。重要的是在确定校正值或校正系数中，被采集的作物信息要以相同来源的田地为基础。
下面说明本发明第三个实施例。这里，作为从田地1中获取多个分区信息的方法，用摄影机2进行与分区数相同数次的摄影来获取反射光量。即，与第二实施例诊断方法不同之处是分别用摄影机2得到每个分区的作物信息。在这种方法中，由于针对基本分区得到的各分区信息量大于第二实施例中一次摄影所得到的信息量，提高了利用与测定仪30所得作物信息相应的相关性来确定校正系数的精度。这里的校正系数可以是相关系数，该相关系数是以摄影机所摄影所有分区作物信息为自变量、以测定仪30所得所有分区作物信息为依变量进行相关分析得出的。事实上，与第二实施例相同，无论这种相关性是线性的还是非线性的都能被利用。
如图13所示，实际上摄影机2所测的含氮率是根据数据处理器20得出的校正转换公式进行校正的，以便这种结果值能被用作精度更高测定的数值。因此，与传统的方法相比，只要利用测定仪30从多个田地中测定含氮率，就能较快地获得要找出的信息。另外，由于本方法是在研究中通过对参照板和田地进行静物摄影得到含氮率的，所以，可以认为上述方法会极大地提高测定精度。利用测定仪30进行的含氮率测定并不是对田地1中作物的所有叶进行测定，但可以只对田地1中的代表叶进行测定。
很明显，根据本发明营养诊断的第一和第二实施例，从田地1获得作物信息是依赖于摄影机2相对物体的位置的。即，这里田地1可以是用常说的“畦”划分的一块田地，或者可以在面积上大于所述的这一块田地。重要的是在确定校正值或校正系数时由摄影机得出的作物信息源和由测定仪30得出的作物信息源是来自相同的田地。对于本发明营养诊断的第二实施例中的分区来说，无论是从一块田地得出的作物信息，该田地的摄影是分区进行的，还是从小于该被分成多个分区的一块田地得出的作物信息，都没有关系。重要的是在确定校正值或校正系数中，被采集的作物信息要以相同来源的田地为基础。
至此已清楚地说明了，摄影机2所摄图像能利用面积校正、俯角校正和田地距离校正来校正。即，天气引起的误差可以用参照板3来校正，由测定方向和种植密度引起的误差可以用测定仪30中的数值来校正。也可以说，即使当田地图像是用倾斜于地面的摄影机摄影的，也能根据本发明进行校正。另外，当利用测定仪30进行校正时，由于在摄影机2测定中，用相同的摄影机2直接测定的作物叶测定值来校正通过参照板得出的校正天气引起的天气误差的校正值，并且直接通过测定仪30的数值测定的作物叶数值是不受测定方向和种植密度影响的数值，最终通过校正得出的该数值是一个不受外界因子影响的数值，不像只利用一个传统摄影机2和进行数据处理的所谓遥控。
在用摄影机2采集作物信息的上述实施例中，摄影机2得出的信息不必是所有作物信息。即，当检测每个象点数据时，在发现几乎所有象点数据都是作物信息的同时，可能是受种植密度的影响，土壤包括在图像内，因为作物信息是在作物处于俯视状态下获得的。因此，根据本发明，作为作物信息接受的象点和不作为作物信息接受的象点是分离的，只是把作为作物信息接受的象点数据当作作物信息。
图15是表示土壤反射率和作物叶反射率中相应波长变化的图型。在750nm-1300nm波长中，已经发现作物叶的反射率同相应土壤的反射率有20％的点阵差异。因此，把由公式1和公式2得出的反射率，例如超过40％的数值，当作作物叶受光数据来处理。另一方面，把低于上述百分率的数值当作不被作物叶所接受的数据来处理，并取消之，只利用超过40％的受光数据，或者在获取每个象点的平均值后利用超过40％的受光数据，把处理过的该数值作为通过摄影机2得出的作物信息。例如，图16(a)假设受光数据是来自多个象点。在这种情况下，对于一个单位的象素来说，用斜格表示的部分是作物叶的反射光且其反射率在40％以上，如果斜格部分是针对土壤的而不是针对作物叶的，如果计算表明反射率低于40％，取消反射率低于40％的象点的受光数据，作为作物信息的可用数据是图16(b)所示斜格表示象点所得受光数据。根据本发明，在这种方法中，已经把摄影机2得到的受光数据的选择加到了校正值或校正系数的确定中，该校正系数是根据摄影机2得出的作物信息与测定仪30得出的作物信息来确定的。因此，摄影机2得出的可选择信息仅是从作物叶获得的信息。当然，从测定仪30得到的信息是直接从作物叶测定的信息，以便使利用该作物信息和校正值或校正系数进行的作物诊断精确而准确。
已经说明过，利用摄影机2进行的作物叶反射光测定是通过测定参照板的反射光获得的，不过可以用照度计的测定形式来测定入射光。图17图示了照度计93。这种照度计装配有一个光电转换器(硅探头)94，光电转换器94具有从近红外线区到可见光区的特征谱，用于给光电转换器94选择入射光的多个窄带滤波器96配置在滤光盘95的园周上，滤光盘是靠继进马达97进行转动的。通过转动这个滤光盘95，多个滤波器96被开关。在光电转换器94的接受光的一面(图16中的上部)，在挡板中有一个开口98，在其上，提供了一个由散射板形成的散射园盖99，光电转换器94位于散射板的中心位置。光电转换器94和继进马达97连接到一个控制器100上，控制器100转动继进马达97来开关滤波器96，并输出光电转换器的信号。滤波器96的类型与摄影机2中滤波器5的类型是相同的。控制器连接到数据处理器20的I／O25上并由I／O25来控制。滤波器96包括一个挡光的滤波器，在这种情况下，能利用滤波器96的开关进行对零校正。
利用来自数据处理器20的信号，照度计93的控制器100开关滤波器96来选择想要的滤波器。这时，从散射园盖99散射一反射并进入的自然光量通过滤波器96被探测，并把光电转换器94探测的信号传送到数据处理器20。在数据处理器20处，照度计获得的光量被作为入射光Y时，代替参照板的光量，并用于公式5，此结果是Rij=P”ij／Y，以便把从作物叶得出的反射光量计算成反射率。使用照度计93，就能通过把照度计93的读数值作为反射光时的反射率得出第一作物相关公式。
有可能对整块田地进行具有相同校正的摄影，有可能在水稻作物生长期中的每个特定时间内进行测定，如园锥花序产生期，或者有可能对田地的局部进行校正并估计整块田地的含氮量。在这种方法中，如果校正是标准种类或标准区域(标准田地)的基础上进行的，校正会更有效。即，如果ROM28分别贮存了各种作物或各种区域许多校正标准曲线，它们可以被读出并在需要时使用。用于本实施例中的摄影机具有240，000个象素。如果一次对10公亩的田地进行摄影获得作物信息，象点为每平方米250个象素。
对于以上讨论的含氮率来说，已经按惯例在标准种类或标准区域的基础上研究了水稻作物任意生长期的最佳含氮率，如园锥花序发生期和减数分裂期。可以把用校正过的第一作物信息或本发明得出的第三作物信息得到的含氮率与作为参照的、传统研究已确定的、伴随作物生长的含氮率进行比较。当相对这种参照进行比较时，含氮率是高还是低变得很清楚，并且可以相应地决定以后的施肥。上述方法也可针对叶色值进行应用。因为在叶色值和叶片的含氮率之间有很高的相关性，并且彼此的变化是类似的。可以认为，前述的说明和讨论能用于涉及叶色值的任何实施例。参照图1至图3说明的方法并不仅限于利用含氮率和叶色值，可以利用植株高度、植株干重和氮吸收量等，也可以用于非水稻作物的植株上。
虽然是从地面对田地拍摄进行田地营养诊断的，但可以校正由俯角引起的每个象点在拍摄面积中的差异和摄影机直对田地产生的像角，由于反射光量是与固定面积或预定面积匹配的，从地面摄影足以可靠地进行作物营养诊断。
另外，可以使用小数目象点的摄影机，即使每象点的摄影面积大小不同，也可以通过分别使面积大小变得相同或使面积变成预定面积的大小来划分象点，以便划分的面积可以是一个固定的面积，并且每个象点都能被有效利用。
这种作物营养诊断简单，通过测定作物叶的反射光来计算作物的含氮量，接着通过直接照射作物叶和测定反射光或传导光来计算作物的含氮率，能准确、精确地进行作物营养诊断。
另外，通过测定作物叶的反射光和计算作物的氮含量来进行作物营养诊断的方法简单容易，由测定方向、风中叶的摆动所引起的误差和种植密度中的差异都能被很好地精确校正，这种校正是通过直接照射作物叶来测定反射光或传导光来进行，并通过计算作物含氮量来进行作物诊断。由于这种作物诊断方法简单易行，这种方法进行的诊断结果比传统方法得到的结果精度更高。

Claims (9)

1、—种诊断种植田地中作物营养状况的方法，包括步骤：
将装配有多个象点的摄影机按相应所述种植田地俯角放置在预定中心处；
通过拍摄所述田地，得到针对每个象点的作物叶的反射光量；
通过转换变量构成的面积函数，得到针对每个单位象点的摄影面积，变量包括摄影机距地高度、象点俯角、象点数目和摄影机的田地角；
根据所述摄影面积对每个象点的反射光量进行面积校正；
根据俯角预测系数对反射光量进行俯角校正，该系数用于校正反射光量与相应象点俯角间的差异；
测定所述作物叶上的入射光量；
从校正过的反射光量和测定的入射光量得出反射率；
根据所述的反射率和一个第一作物相关公式得出预定面积内的第一作物信息，并贮存所述的第一作物信息，所述公式用于从反射率得出第一作物信息；
根据所述的第一作物信息确定种植田地中作物的营养状态。
2、根据权利要求1所述的诊断种植田地中作物营养状况的方法，其步骤还包括：
在同样的种植面积内照射作物；
至少测定传导光量或反射光量之一，这种光依赖于作物的生长而增加或减少，并且具有与作物信息相关的波长；
根据测定的光量和一个第二作物相关预测公式得出第二作物信息，并贮存所述的第二作物信息，该第二作物相关预测公式用于从光量得出作物信息；
根据所述第一和第二作物信息，确定种植田地中作物的营养状况。
3、一种诊断种植田地中作物营养状况的方法，包括步骤：
将装配有多个象点的摄影机按相应所述种植田地俯角放置在预定中心处；
通过拍摄所述田地，得到针对每个象点的作物叶的反射光量；
通过转换变量构成的面积函数，得到针对每个单位象点的摄影面积，变量包括景区田地距离、象点俯角、象点数目和摄影机的田地角；
根据所述摄影面积对每个象点的反射光量进行面积校正；
根据俯角预测系数对反射光量进行俯角校正，该系数用于校正反射光量与相应象点俯角间的差异；
测定所述作物叶上的入射光量；
从校正过的反射光量和测定的入射光量得出反射率；
根据所述的反射率和一个第一作物相关公式得出预定面积内的第一作物信息，并贮存所述的第一作物信息，所述公式用于从反射率得出第一作物信息；
根据所述的第一作物信息确定种植田地中作物的营养状态。
4、根据权利要求3所述的诊断种植田地中作物营养状况的方法，其步骤还包括：
在同样的种植面积内照射作物；
至少测定传导光量或反射光量之一，这种光依赖于作物的生长而增加或减少，并且具有与作物信息相关的波长；
根据测定的光量和一个第二作物相关预测公式得出第二作物信息，并贮存所述的第二作物信息，该第二作物相关预测公式用于从光量得出作物信息；
根据所述第一和第二作物信息，确定种植田地中作物的营养状况。
5、一种诊断种植田地中作物营养状况的方法，包括步骤：
将装配有多个象点的摄影机按相应所述种植田地俯角放置在预定中心处；
通过拍摄所述田地，得到针对每个象点的作物叶的反射光量；
通过转换变量构成的面积函数，得到针对每个单位象点的摄影面积，变量包括摄影机距地高度、象点俯角、象点数目和摄影机的田地角；
根据所述摄影面积对每个象点的反射光量进行面积校正；
根据与每个单位象点得到的摄影面积中的最大面积相应的单位象点的摄影面积把多个象点划分成分区；
从每个分区的反射光量和作物叶的入射光量得出反射率；
根据所述的反射率和一个第一作物相关公式得出预定面积内的第一作物信息，并贮存所述的第一作物信息，所述公式用于从反射率得出第一作物信息；
根据所述的第一作物信息确定种植田地中作物的营养状态。
6、—种诊断种植田地中作物营养状况的方法，包括步骤：
将装配有多个象点的摄影机按相应所述种植田地俯角放置在预定中心处；
通过拍摄所述田地，得到针对每个象点的作物叶的反射光量；
通过转换变量构成的面积函数，得到针对每个单位象点的摄影面积，变量包括摄影机距地高度、象点俯角、象点数目和摄影机的田地角；
根据所述摄影面积对每个象点的反射光量进行面积校正；
根据相应单位象点所得摄影面积中小于预定摄影面积的单位象点的反射光量和作物叶的入射光量得到反射率；
根据所述的反射率和一个第一作物相关公式得出预定面积内的第一作物信息，并贮存所述的第一作物信息，所述第一作物相关公式用于从反射率得出第一作物信息；
根据所述的第一作物信息确定种植田地中作物的营养状态。
7、—种诊断种植田地中作物营养状况的方法，包括步骤：
将装配有多个象点的摄影机按相应所述种植田地俯角放置在预定中心处；
通过拍摄所述田地，得到针对每个象点的作物叶的反射光量；
通过转换变量构成的面积函数，得到针对每个单位象点的摄影面积，变量包括景区田地距离、象点俯角、象点数目和摄影机的田地角；
根据所述摄影面积对每个象点的反射光量进行面积校正；
根据与每个单位象点得到的摄影面积中的最大面积相应的单位象点的摄影面积把多个象点划分成分区；
从每个分区的反射光量和作物叶的入射光量得出反射率；
根据所述的反射率和一个第一作物相关公式得出预定面积内的第一作物信息，并贮存所述的第一作物信息，所述公式用于从反射率得出第一作物信息；
根据所述的第一作物信息确定种植田地中作物的营养状态。
8、—种诊断种植田地中作物营养状况的方法，包括步骤：
将装配有多个象点的摄影机按相应所述种植田地俯角放置在预定中心处；
通过拍摄所述田地，得到针对每个象点的作物叶的反射光量；
通过转换变量构成的面积函数，得到针对每个单位象点的摄影面积，变量包括景区田地距离、象点俯角、象点数目和摄影机的田地角；
根据所述摄影面积对每个象点的反射光量进行面积校正；
根据相应单位象点所得摄影面积中小于预定摄影面积的单位象点的反射光量和作物叶的入射光量得到反射率；
根据所述的反射率和一个第一作物相关公式得出预定面积内的第一作物信息，并贮存所述的第一作物信息，所述第一作物相关公式用于从反射率得出第一作物信息；
根据所述的第一作物信息确定种植田地中作物的营养状态。
9、根据权利要求5-8之一所述的诊断种植田地中作物营养状况的方法，其步骤还包括：
在同样的种植面积内照射作物；
至少测定传导光量或反射光量之一，这种光依赖于作物的生长而增加或减少，并且具有与作物信息相关的波长；
根据测定的光量和第二作物相关预测公式得出第二作物信息，并贮存所述的第二作物信息，该第二作物相关预测公式用于从光量得出作物信息；
根据所述第一和第二作物信息，确定种植田地中作物的营养状况。
CNB001289764A 1999-08-10 2000-08-10 田间作物营养诊断方法 Expired - Fee Related CN1302277C (zh)

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
JP226692/1999 1999-08-10
JP226692/99 1999-08-10
JP22669299A JP4305795B2 (ja) 1999-08-10 1999-08-10 作物の診断方法
JP22876199A JP4314683B2 (ja) 1999-08-12 1999-08-12 作物の診断方法
JP228761/1999 1999-08-12
JP228761/99 1999-08-12

Publications (2)

Publication Number Publication Date
CN1293359A true CN1293359A (zh) 2001-05-02
CN1302277C CN1302277C (zh) 2007-02-28

Family

ID=26527306

Family Applications (1)

Application Number Title Priority Date Filing Date
CNB001289764A Expired - Fee Related CN1302277C (zh) 1999-08-10 2000-08-10 田间作物营养诊断方法

Country Status (4)

Country Link
US (1) US6683970B1 (zh)
CN (1) CN1302277C (zh)
AU (1) AU773049B2 (zh)
ID (1) ID26882A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102215666B (zh) * 2008-11-14 2013-03-27 株式会社博思科 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器
CN104266970A (zh) * 2014-09-22 2015-01-07 河南农业大学 三波长漫反射光学叶绿素检测装置
CN108713362A (zh) * 2018-05-28 2018-10-30 苏州格目软件技术有限公司 一种基于植被光谱分析的自动化农业机械
CN109297467A (zh) * 2017-07-24 2019-02-01 德国福维克控股公司 用于检测三维环境数据的系统和传感器模块
CN109310053A (zh) * 2016-06-16 2019-02-05 索尼公司 信息处理设备，信息处理方法及程序
CN109655413A (zh) * 2017-10-11 2019-04-19 罗伯特·博世有限公司 获得植物信息的方法
CN111670668A (zh) * 2020-06-05 2020-09-18 沈阳农业大学 基于高光谱遥感处方图的水稻农用无人机精准追肥方法
CN112986158A (zh) * 2021-02-23 2021-06-18 内蒙古农业大学 基于无人机多光谱数据的甜菜氮素营养检测方法及系统
CN117664878A (zh) * 2024-01-31 2024-03-08 北京市农林科学院信息技术研究中心 作物亩穗数测量系统及方法

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7123750B2 (en) * 2002-01-29 2006-10-17 Pioneer Hi-Bred International, Inc. Automated plant analysis method, apparatus, and system using imaging technologies
CA2392410A1 (en) * 2002-07-04 2004-01-04 Dan Keith Andersen Method of aerial monitoring of forests
US20040032973A1 (en) * 2002-08-13 2004-02-19 Eastman Kodak Company Method for using remote imaging to predict quality parameters for agricultural commodities
US6813544B2 (en) * 2002-08-19 2004-11-02 Institute Of Technology Development Method and apparatus for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data
US7103451B2 (en) 2002-08-19 2006-09-05 Intime, Inc. Method and system for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data
US20070282812A1 (en) * 2006-03-08 2007-12-06 Superior Edge, Inc. Process execution support system
US8208680B2 (en) 2006-11-07 2012-06-26 The Curators Of The University Of Missouri Method of predicting crop yield loss due to N-deficiency
US9195891B2 (en) 2006-11-07 2015-11-24 The Curators Of The University Of Missouri Method of predicting crop yield loss due to n-deficiency
DE102009052159A1 (de) * 2009-08-05 2011-02-10 Georg Fritzmeier Gmbh & Co. Kg Messeinrichtung zur Bestimmung eines Vegetationsindex-Werts (REIP) von Pflanzen
US9117140B2 (en) 2010-05-24 2015-08-25 Board Of Trustees Of The University Of Arkansas System and method of in-season nitrogen measurement and fertilization of non-leguminous crops from digital image analysis
US8391565B2 (en) 2010-05-24 2013-03-05 Board Of Trustees Of The University Of Arkansas System and method of determining nitrogen levels from a digital image
EP2577260B1 (en) 2010-06-01 2022-08-31 Ackley Machine Corp. Inspection system
WO2012001171A1 (de) * 2010-07-02 2012-01-05 Georg Fritzmeier Gmbh & Co. Kg Messsystem und verfahren zur bestimmung eines stickstoffgehaltes von pflanzen
LT5858B (lt) 2010-10-20 2012-08-27 Uab "Žemdirbių Konsultacijos" Augalo augimo sąlygų diagnostikos būdas ir įrenginys
FR2967493B1 (fr) * 2010-11-15 2015-04-03 Inst Physique Du Globe De Paris Dispositif et procede de radiometrie pour determiner les caracteristiques physico-chimiques d'un echantillon.
US8694454B2 (en) 2011-02-17 2014-04-08 Superior Edge, Inc. Methods, apparatus and systems for generating, updating and executing a vegetation control plan
US10318138B2 (en) 2011-03-11 2019-06-11 Intelligent Agricultural Solutions Llc Harvesting machine capable of automatic adjustment
US10321624B2 (en) 2011-03-11 2019-06-18 Intelligent Agriculture Solutions LLC Air seeder manifold system
US9631964B2 (en) 2011-03-11 2017-04-25 Intelligent Agricultural Solutions, Llc Acoustic material flow sensor
US9629308B2 (en) 2011-03-11 2017-04-25 Intelligent Agricultural Solutions, Llc Harvesting machine capable of automatic adjustment
US8564770B1 (en) * 2011-06-01 2013-10-22 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration System for in-situ detection of plant exposure to trichloroethylene (TCE)
DE102012010912B3 (de) * 2012-06-04 2013-08-14 Yara International Asa Verfahren zum berührungslosen Bestimmen des aktuellen Ernährungszustandes eines Pflanzenbestandes und zum Verarbeiten dieser Information
US9113590B2 (en) 2012-08-06 2015-08-25 Superior Edge, Inc. Methods, apparatus, and systems for determining in-season crop status in an agricultural crop and alerting users
US11212962B2 (en) * 2013-02-20 2022-01-04 Deere & Company Field condition determination
CN103475857B (zh) * 2013-08-27 2016-07-20 成都农业科技职业学院 基于双摄像机的用于作物生长态势监测与告警的判断方法
US20150130936A1 (en) 2013-11-08 2015-05-14 Dow Agrosciences Llc Crop monitoring system
US9489576B2 (en) 2014-03-26 2016-11-08 F12 Solutions, LLC. Crop stand analysis
WO2016040960A1 (en) 2014-09-12 2016-03-17 Appareo System, Llc Non-image-based grain quality sensor
US10085379B2 (en) 2014-09-12 2018-10-02 Appareo Systems, Llc Grain quality sensor
US9759636B2 (en) * 2015-03-27 2017-09-12 Aktiebolaget Skf Synchronized measurements for a portable multi-channel wireless sensor system
JP6863279B2 (ja) 2015-07-10 2021-04-21 ソニーグループ株式会社 検査装置、検査方法、及び、プログラム
US10999976B2 (en) 2017-09-19 2021-05-11 Agnetix, Inc. Fluid-cooled lighting systems and kits for controlled agricultural environments, and methods for installing same
US11013078B2 (en) 2017-09-19 2021-05-18 Agnetix, Inc. Integrated sensor assembly for LED-based controlled environment agriculture (CEA) lighting, and methods and apparatus employing same
US10881051B2 (en) 2017-09-19 2021-01-05 Agnetix, Inc. Fluid-cooled LED-based lighting methods and apparatus for controlled environment agriculture
WO2019213652A1 (en) 2018-05-04 2019-11-07 Agnetix, Inc. Methods, apparatus, and systems for lighting and distributed sensing in controlled agricultural environments
JP7112598B2 (ja) 2018-11-13 2022-08-03 アグネティックス，インコーポレイテッド 統合されたカメラおよび／またはセンサならびに無線通信を備えた環境制御型農業のための流体冷却式ｌｅｄベースの照明方法および装置
CN110346305B (zh) * 2019-07-17 2021-04-13 浙江大学 一种测量植物叶片氮含量的方法和装置
EP4072264A2 (en) * 2019-12-10 2022-10-19 Agnetix, Inc. Multisensory imaging methods and apparatus for controlled environment horticulture using irradiators and cameras and/or sensors
IL293805A (en) 2019-12-12 2022-08-01 Agnetix Inc LED-based lighting fixture cooled by liquid in close proximity growing systems for use in controlled environmental horticulture

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2077426B (en) 1980-05-30 1983-12-14 Fuji Electric Co Ltd Apparatus for measuring film thickness
JPS5717842A (en) 1980-07-07 1982-01-29 Satake Eng Co Ltd Photoelectric sorting apparatus of color sorter
GB2142426B (en) 1983-06-30 1986-09-17 Gunsons Sortex Ltd Sorting machine and method
US4742228A (en) 1984-04-19 1988-05-03 Gebruder Buhler Ag Infrared measuring apparatus and process for the continuous quantitative determination of individual components of flour or other groundable food products
JPS61204072A (ja) 1985-03-07 1986-09-10 株式会社　東洋精米機製作所 光学的選別機の光線透過窓清掃装置
US4801804A (en) 1986-09-30 1989-01-31 Trebor Industries, Inc. Method and apparatus for near infrared reflectance measurement of non-homogeneous materials
KR960011097B1 (ko) 1988-08-11 1996-08-20 가부시기가이샤 사다께세이사꾸쇼 미립품위 판별장치
GB9003698D0 (en) 1990-02-19 1990-04-18 Sortex Ltd Apparatus for sorting or otherwise treating objects
US5220400A (en) 1990-06-01 1993-06-15 Texas Instruments Incorporated Container inspection system
US5371358A (en) * 1991-04-15 1994-12-06 Geophysical & Environmental Research Corp. Method and apparatus for radiometric calibration of airborne multiband imaging spectrometer
IL99367A (en) 1991-09-02 1995-12-31 Israel Atomic Energy Comm System for performing ir transmission spectroscopy
US5764819A (en) * 1991-10-18 1998-06-09 Dekalb Genetics Corporation Methods for classifying plants for evaluation and breeding programs by use of remote sensing and image analysis technology
US5258825A (en) 1991-11-13 1993-11-02 Perten Instruments North America, Inc. Optical compositional analyzer apparatus and method for detection of ash in wheat and milled wheat products
JPH05223638A (ja) * 1992-02-12 1993-08-31 Tokyu Constr Co Ltd 測定画像の補正方法
US5296702A (en) * 1992-07-28 1994-03-22 Patchen California Structure and method for differentiating one object from another object
US5443164A (en) 1993-08-10 1995-08-22 Simco/Ramic Corporation Plastic container sorting system and method
US5412219A (en) * 1993-11-22 1995-05-02 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Method for determining surface coverage by materials exhibiting different fluorescent properties
JPH07155702A (ja) 1993-12-01 1995-06-20 Satake Eng Co Ltd 穀粒色彩選別装置
JPH0815141A (ja) 1994-06-24 1996-01-19 Satake Eng Co Ltd 葉の成分量測定方法及び装置
JP3468877B2 (ja) * 1994-10-27 2003-11-17 矢崎総業株式会社 植物の自動診断方法及び装置
IT1281156B1 (it) 1995-07-03 1998-02-13 Protec Srl Selezionatrici per polveri e materiale particolato fine.
JPH10160669A (ja) 1996-10-02 1998-06-19 Satake Eng Co Ltd 食品の灰分測定方法及び装置
US5845229A (en) * 1996-10-28 1998-12-01 Appropriate Systems Method and apparatus for mapping crop quality
US5999650A (en) * 1996-11-27 1999-12-07 Ligon; Thomas R. System for generating color images of land
US6178253B1 (en) * 1997-10-10 2001-01-23 Case Corporation Method of determining and treating the health of a crop
US6160902A (en) * 1997-10-10 2000-12-12 Case Corporation Method for monitoring nitrogen status using a multi-spectral imaging system
US6529615B2 (en) * 1997-10-10 2003-03-04 Case Corporation Method of determining and treating the health of a crop
US6014451A (en) * 1997-10-17 2000-01-11 Pioneer Hi-Bred International, Inc. Remote imaging system for plant diagnosis
US6366681B1 (en) * 1999-04-07 2002-04-02 Space Imaging, Lp Analysis of multi-spectral data for extraction of chlorophyll content
ID26384A (id) * 1999-06-17 2000-12-21 Satake Eng Co Ltd Metode diagnosa kondisi nutrisi dari panenan pada ladang tanaman
DE59910670D1 (de) * 1999-07-16 2004-11-04 Deutsch Zentr Luft & Raumfahrt Verfahren zur Korrektur atmosphärischer Einflüsse in multispektralen optischen Fernerkundungsdaten

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102215666B (zh) * 2008-11-14 2013-03-27 株式会社博思科 植被生长状况分析方法、记录有程序的记录介质和植被生长状况分析器
CN104266970A (zh) * 2014-09-22 2015-01-07 河南农业大学 三波长漫反射光学叶绿素检测装置
CN109310053A (zh) * 2016-06-16 2019-02-05 索尼公司 信息处理设备，信息处理方法及程序
US11536656B2 (en) 2016-06-16 2022-12-27 Sony Group Corporation Information processing device, information processing method, and program
CN109297467A (zh) * 2017-07-24 2019-02-01 德国福维克控股公司 用于检测三维环境数据的系统和传感器模块
CN109655413A (zh) * 2017-10-11 2019-04-19 罗伯特·博世有限公司 获得植物信息的方法
CN108713362A (zh) * 2018-05-28 2018-10-30 苏州格目软件技术有限公司 一种基于植被光谱分析的自动化农业机械
CN111670668A (zh) * 2020-06-05 2020-09-18 沈阳农业大学 基于高光谱遥感处方图的水稻农用无人机精准追肥方法
CN112986158A (zh) * 2021-02-23 2021-06-18 内蒙古农业大学 基于无人机多光谱数据的甜菜氮素营养检测方法及系统
CN117664878A (zh) * 2024-01-31 2024-03-08 北京市农林科学院信息技术研究中心 作物亩穗数测量系统及方法
CN117664878B (zh) * 2024-01-31 2024-04-19 北京市农林科学院信息技术研究中心 作物亩穗数测量系统及方法

Also Published As

Publication number Publication date
AU773049B2 (en) 2004-05-13
CN1302277C (zh) 2007-02-28
ID26882A (id) 2001-02-15
US6683970B1 (en) 2004-01-27
AU5192200A (en) 2001-02-15

Similar Documents

Publication Publication Date Title
CN1302277C (zh) 田间作物营养诊断方法
CN1286898A (zh) 种植场中农作物营养状况的诊断方法
JP5162890B2 (ja) リモートセンシングにおける補正方法
JP5020444B2 (ja) 作物生育量測定装置、作物生育量測定方法、作物生育量測定プログラム及びその作物生育量測定プログラムを記録したコンピュータ読取可能な記録媒体
Welles et al. Canopy structure measurement by gap fraction analysis using commercial instrumentation
Daughtry Direct measurements of canopy structure
Becker et al. Analysis of forest light environments Part I. Computerized estimation of solar radiation from hemispherical canopy photographs
US8019117B2 (en) Method and apparatus for evaluating solar radiation amount
AU2010259848A1 (en) Vegetation indices for measuring multilayer microcrop density and growth
CN102081039A (zh) 一种环境可控的作物营养水分高光谱图像检测装置
EP3421973B1 (en) Device and method for observing moisture in plants and cultivating device including said device for observing moisture
CN112345458A (zh) 一种基于无人机多光谱影像的小麦产量估测方法
Sakamoto et al. Application of day and night digital photographs for estimating maize biophysical characteristics
CN109059808A (zh) 叶片面积测量方法、系统、存储介质及移动终端
WO2007069736A1 (ja) 樹体生産能力を評価する方法、樹体生産能力を評価するための撮像装置及び樹体生産能力を評価するためのプログラム
CN109253976B (zh) 基于光感模块的高光谱实时辐射定标方法
Vabson et al. Field intercomparison of radiometers used for satellite validation in the 400–900 nm range
CN112986158B (zh) 基于无人机多光谱数据的甜菜氮素营养检测方法及系统
TWM567355U (zh) Multispectral image analysis system architecture
WO2021002280A1 (en) Information processing apparatus, information processing method, program, and sensing system
CN1218177C (zh) 评估谷物品质的方法和其装置
CN116308866B (zh) 一种基于冠层反射光谱的水稻穗生物量估算方法及系统
CN109310053A (zh) 信息处理设备，信息处理方法及程序
CN1167942C (zh) 开环光强校准系统和方法
Zhang et al. Evaluation of a UAV-mounted consumer grade camera with different spectral modifications and two handheld spectral sensors for rapeseed growth monitoring: performance and influencing factors

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C53 Correction of patent of invention or patent application
CB02 Change of applicant information

Applicant after: Satake Co., Ltd.

Applicant before: Statake Engineering Co., Ltd.

COR Change of bibliographic data

Free format text: CORRECT: APPLICANT; FROM: SATAKE ENGINEERING (MFG.) CO., LTD. TO: SATAKE CORP.

C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20070228

Termination date: 20190810