CN1302277C - 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
CN1302277C
CN1302277C CNB001289764A CN00128976A CN1302277C CN 1302277 C CN1302277 C CN 1302277C CN B001289764 A CNB001289764 A CN B001289764A CN 00128976 A CN00128976 A CN 00128976A CN 1302277 C CN1302277 C CN 1302277C
Authority
CN
China
Prior art keywords
crop
light quantity
area
picture point
crop information
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.)
Expired - Fee Related
Application number
CNB001289764A
Other languages
English (en)
Other versions
CN1293359A (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.)
Satake Engineering Co Ltd
Satake Corp
Original Assignee
Satake Corp
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 Satake Corp filed Critical Satake Corp
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)
  • General Physics & Mathematics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Botany (AREA)
  • Ecology (AREA)
  • Forests & Forestry (AREA)
  • Health & Medical Sciences (AREA)
  • Soil Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

诊断种植田地中作物营养状况的方法，包括：按照相对于种植田地的预定的中心俯角设置装备有多个象点的摄影机；拍摄田地，得到关于每个像点的作物叶反射光量；按变量的面积函数，得到每个单位像点的摄影面积，变量包括摄影机高度、像点俯角、像点数目和摄影机的视场角；对各像点反射光量进行面积校正；按俯角系数对反射光量进行俯角校正；测量作物叶入射光量；从校正后的反射光量和入射光量得出反射率；按反射率和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像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，借助诸如数码摄影机的光接收装置、用硫酸钡等涂敷的参照板和作物生长的单位田地(或单位田地的一部分)，通过摄影获得参照板和田地中作物的反射光量，根据从参照板和作物反射的光量得出作物的反射率，由所得的反射率和相关公式得出含氮率(氮吸收量、叶色值、株高、干物质重)，该相关公式预定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的关系曲线得出的。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，也必须使测量方向、气流和种植密度的每个指标都与预定的相关公式准备用于由反射率得出含氮率时所应用的条件相同。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，测量是在一定太阳高度、测量方向、种植密度或作物种类的限定条件下进行的。
在获得作物信息的第二种常用方法方面，有一种仪器，其中，把其波长与随作物生长而增加或减小的作物信息有关的光，例如，从可见光区至近红外线区的光照射在作物叶片上，根据所得到的其波长与作物信息相关的光的光量并且根据氮量相关公式来测定叶片含氮量，所述公式预定用于根据所接收光量来计算例如叶片的含氮量。这种仪器用于测量田地中许多作物叶片，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，必须把精密的测量扩展到整个田地，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“遥感”并提供比较大范围的田地，在很远距离进行观察是为了使与摄影机的一个像点相应的物体面积不产生大的差异。从而，各像点的摄影机分辨不产生差异。另一方面，在接近物体进行的“遥感”中，在相应于一个像点的物体面积内不产生大的异差是为了能够以类似于上述的精度进行测量。
在上述第一种方法中，虽然测量是简单的，但从田地得到的作物信息受到类似测量地点和种植密度等因素的影响，由于测量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相对于田地或诸如大田中这边或那边的位置来的俯角或视场角校正。对于每个像点来说，摄影机和作为目标的田地之间的距离是变化的，对于各种距离来说，每个像点所获得的摄影面积是变化的。进一步来说，反射角随俯角的变化而不同，因而影响反射光量。常用的第二种方法虽然在测量中不受限定并有高精度，因而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量，因此，需要大量的测量点和相应的长时间。
常规遥感是在限定条件下进行，该限定条件是每个像点的物体面积不产生大异差。这样做的原因是为了便于后续校正。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，测量区的面积变得很小，必须进行多次测量。
本发明的目的是在采用测量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，以测量作物信息的形式提供的作物营养的诊断方法简单，并提高了测量精度。
本发明的诊断田地作物营养的第一种方法的特征是：按照相对于田地的预定的中心俯角设置装备有多个像点的摄影机；通过拍照该田地获得关于每个像点的作物叶反射光量；借助由转换变量构成的面积函数得出每个单位像点的摄影面积，这种变量包括摄影机距地高度、像点俯角、像点数和视场角；对每个像点的反射光量进行面积校正；利用俯角系数对反射光量进行俯角校正，所述系数预定用于校正与各像点俯角相应的反射光量的差异；以及测量作物叶上的入射光量；由校正的反射光量和测量的入射光量得出反射率；根据该反射率和预定用于得出作物信息的第一作物相关公式得出预定面积内的作物信息，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，至少测量透射光或反射光之一的光量，该光量随作物的生长而定地增加或减少且具有与作物信息相关的波长，根据该光量和预定用于得出作物信息的第二作物相关公式得出作物信息，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，确定所述公式的方法是：获得根据该作物的反射光量和用于预先得出第一作物信息的反射光量而计算出反射率。获取用于获得第二作物信息的第二作物相关公式也已经成为研究的主题，也是现有技术的内容，所述公式是通过把光照射在叶上得到的反射率来确定的。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，其中，为了得到第一作物信息，根据设置在田地中具有多个像点的所谓数码摄影机之间的拍照角度，或者例如根据自然产生的与摄影机距地高度相应的俯角，或者根据由摄影机结构引起的视场角，对近拍照像点和远拍照像点之间的光量差异进行校正，这种差异是由于具有不同摄影距离的每个像点的光接收面积不同引起的。
对于与每个单位像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、每个像点的伴随俯角、摄影机的内部参数和视场角进行二次投影转换，确定用于得出每个像点拍照的面积的特定(面积)函数，所述固有参数如依赖于摄影机结构的像点数、作为像点集合的摄影点的大小和取决于会聚透镜的视场角函数。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像点的拍摄影面积，或用每个像点的摄影面积划分每个像点的反射光量后，就可以得出不受摄影面积影响的每个像点的反射光量。用这种方法实现了有关摄影机与摄影位置(这边或那边)之间距离的校正。
进一步来说，由于有多个像点，每个单位像点的俯角不同。因此，首先，确定像点，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量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)和每个单位像点的反射光量，校正每个像点的反射光量。用这种方法可以实现随像点位置变化而改变的有关俯角的校正。
在用作上述俯角校正的参照的俯角下，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，每个像点的反射率可以根据上述所得的自然光量和从相同像点所得的作物叶反射光量来计算。同样，通过获得每个像点的反射光量，可以根据与自然光量的相对比率得出每个单位像点的反射率。进一步来说，也可以根据参照反射板的反射光量与单位像点反射光量的比率计算反射率。
上述得出的单位像点反射率是通过用地面上的摄影机拍照作物得出的单位像点反射率，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下测量反射光量。因此，获取多个波长中的每个波长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下的反射光量。
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透射光量，该光具有同作物信息相关的波长，以及根据预定用于从已知作物信息的作物叶接收的光量计算该叶片含氮量的氮量相关公式，例如已知一片叶片的氮含量，就能测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量许多叶片，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一步的校正。
本发明用于在田地诊断作物营养的第二种方法的特征是，按照相对于田地的预定的中心俯角设置装备有多个像点的摄影机，通过拍照该田地获得关于每个像点的作物叶反射光量；借助由转换变量构成的面积函数得出每个单位像点的摄影面积，这种变量包括摄影机视场距离、像点俯角、像点数和视场角；对每个像点的反射光量进行面积校正；利用像点俯角系数对反射光量进行俯角校正，所述系数预定用于校正与像点俯角相应的反射光量差异；测量作物叶上的入射光量，由校正后的反射光量和上述测量的光量得出反射率；根据该反射率和预定用于获得作物信息的第一作物相关公式得出预定面积内的作物信息，并将其作为第一作物信息。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，至少测量透射光和反射光之一的光量，该光量随作物生长而定地增加或减少，并且被测量的是与作物信息相关的波长，根据该光量和预定用于从该光量得出作物信息的第二作物相关公式得出作物信息，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，应用摄影机的视场距离。用于获取每个像点摄影面积的特殊(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、每个像点的伴随俯角、摄影机的固有函数和取决于会聚透镜的视场角来实现的，摄影机的固有函数如取决于摄影机结构的像点数，作为像点集合的摄影点大小和依赖于会聚透镜的视场角。因此，在用摄影机距地高和视场距离作为变量计算每个像点的摄影面积，或者给摄影机加上固有系数作为变量计算每个像点的摄影面积，并且，把每个像点的反射光量除以每个像点的摄影面积后，可以得出不受摄影面积影响的每个像点的反射光量。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。参考第一作物信息和第二作物信息，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，或者可以获得随意确定的并且小于单位作物田地的每个单位面积的第一作物信息。此处的单位作物田地是由通常所说的“畦”划分的一块田地。
本发明的第三种在田地进行作物营养诊断方法的特征是：按照相对于田地的预定的中心俯角设置装备有多个像点的摄影机；通过拍照该田地获得关于每个像点的作物叶反射光量；借助由转换变量构成的面积函数得出每个单位像点的摄影面积，这种变量包括摄影机距地高度、像点俯角、像点数和视场角；对每个像点的反射光量进行面积校正；根据与每个单位像点得到的摄影面积中的最大面积相应的单位像点的摄影面积把多个像点划分成分区；从每个分区的反射光量和作物叶的入射光量得出反射率；根据所述反射率和预定用于得出作物信息的第一作物相关公式得出预定面积内的作物信息，并将其作为第一作物信息；以及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，其中，为了得到第一作物信息，根据设置在田地中具有多个像点的所谓数码摄影机之间的拍照角度，或者例如根据自然产生的与摄影机距地高度相应的俯角，或者根据由摄影机结构引起的视场角，对近拍照像点和远拍照像点之间的光量差异进行校正，这种差异是由于具有不同摄影距离的每个像点的光接收面积不同引起的。
由于与每个单位像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，多个像点是根据与该多个像点中最大面积相应的单位像点的拍照面积来划分的。当摄影机直接拍照作物田地时，由一个像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，划分分区是利用作为参照像点可获得作物田地面积的最大面积来进行的，为了形成相同的面积，把其它像点结合起来。即，即使像点数目不同，划分的作物田地区域也是用于获取反射光的相同大小的区域。在这种情况下，把一个像点能获得的作物田地面积的最大面积作为参照。能够在恒定面积上获取反射光量，以便当在地面上设置摄影机时，甚至当各像点所获得的作物田地面积有差异时，它们也能被分成恒定的面积，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，每个单位像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像点的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，一个像点可得到的田地面积变得较大。因此，来自田地面积超过预定面积的摄影像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，而只有来自田地面积小于所述预定面积的摄影像点的信息处理才是可靠的。因而，利用由一个像点获得的作物田地的预定面积作为参照，将其它像点组合，以便具有大小相同的划分的面积。即，即使像点的数目不同，也要在测量反射光量时把像点划分，以便形成预定的相同尺寸的作物田地面积。这时的参照是预定的作物田地面积。由于能够相对于预定面积获取反射光量，所以摄影机可被设置在地面，各个像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公式，该公式预定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。所述反射光量的波长不限于一种波长，可以在获得作物信息所必要的波长下进行测量。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，可以组合多个波长下的反射光量。
本发明的诊断田地中作物营养的第五种方法是，按照相对于田地的预定的中心俯角设置装备有多个像点的摄影机；通过拍照该田地获得关于每个像点的作物叶反射光量；借助由转换变量构成的面积函数得出每个单位像点的摄影面积，这种变量包括摄影机的视场距离、像点俯角、像点数和视场角；对每个像点的反射光量进行面积校正；根据与每个单位像点得到的摄影面积中的最大面积相应的单位像点的摄影面积把多个像点划分成分区；从每个分区的反射光量和作物叶的入射光量得出反射率；根据所述反射率和用于得出作物信息的第一作物相关公式得出预定面积内的作物信息，并将其作为第一作物信息；以及根据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视场距离。即，参照与每个像点所得光量相应的摄影面积内的差异，用于获取每个像点摄影面积的特殊(面积)函数是通过二次投影转换而确定的，这种转换是利用摄影机距地高度、每个像点的伴随视场距离(像点与摄影点之间的距离)、像点数和摄影机固有函数以及取决于会聚透镜的视场角来实现的，摄影机的固有函数例如为取决于摄影机结构的像点数和作为像点集合的摄影点大小。因此，在用摄影机距地高度和视场距离作为变量计算每个像点的摄影面积，或者给摄影机加上固有系数作为变量计算每个像点的摄影面积并且把每个像点的反射光量除以每个像点的摄影面积后，可以得出不受摄影面积影响的每个像点的反射光量。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。在各单位像点的摄影面积中，把最大面积作为参照，并且划分其它像点以便得出大小固定的面积。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；按照相对于田地的预定中心俯角设置装备有多个像点的摄影机；通过拍照该田地获得关于每个像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像点的摄影面积，这种变量包括摄影机的视场距离、像点俯角、像点数和视场角；对每个像点的反射光量进行面积校正；根据每个单位像点所得摄影面积中小于预定摄影面积的单位像点的反射光量和作物叶的入射光量得到反射率；根据所述反射率和预定用于得出作物信息的第一作物相关公式得出预定面积内的作物信息，并把它作为第一作物信息；以及根据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。由于与每个像点所得光量相应的摄影面积不同，用于获取每个像点摄影面积的特殊(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、每个像点的伴随俯角、摄影机的固有函数和取决于会聚透镜的视场角来实现的，摄影机的固有函数如取决于摄影机结构的像点数，作为像点集合的摄影点大小和依赖于会聚透镜的视场角。因此，在用摄影机距地高和俯角作为变量计算每个像点的摄影面积，或者给摄影机加上固有系数作为变量计算每个像点的摄影面积，并且，把每个像点的反射光量除以每个像点的摄影面积后，可以得出不受摄影面积影响的每个像点的反射光量。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，采用单位像点，划分被采用的像点以形成预定面积。划分方法与在第四种方法所述的一样，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，所述作物信息随作物的生长而定地增加或减，所述光为例如从可见光区至近红外线区的光)，可以根据与其波长与作物信息相关的光相应的反射光量或透射光量中的至少一种光量，以及根据预定用于从已知其作物信息(例如叶片的含氮量)的作物叶的光量计算叶片含氮量的含氮量相关公式，来计算叶片的含氮量。这种装置被用于测量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，也可以校正耕种因素(测量方向、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量方向引起的误差，这种方法可以在配备有校正值的装置中实施。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。
以下是在第一至第四种作物营养诊断方法中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，而所述作物信息随作物生长而定增加或减少，根据该反射率和预定用于从该反射率获取作物信息的第一作物相关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，至少测量透射光或反射光之一的光量，该光具与作物信息相关的波长，而所述作物信息随作物生长而定地增加或减少。再根据该光量和预定用于从该光量得出作物信息的第二作物相关公式，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一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，以便测量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。这些项目存储在控制器的存贮区中，并用于进行适当的操作，可以以一种装置实现这种方法，该装置不仅能对作物诊断，也能在测量中提高精度。
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，为了测量光的反射率，该光具有与作物信息相关的波长，而所述作物信息随作物生长而定地增加或减少，通过由多个像点构成的摄影点来拍摄作物的反射率，选择已接收对应于作物的反射光的像点，根据选择的像点的所接收的光数据计算反射率，从而通过获取第一作物信息提供一种作物诊断方法。诸如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，使得作为反射光的拍摄的作物光不必是反射光。即，从单位像点的固定位置出发，可以包括来自非作物的反射光，例如来自田地土壤的反射光。因此，理想的是只选择与预定大小面积的反射率相关的像点，把其当作作物的反射光，并根据这类接收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是表示在田地中布置的用于测量作物反射光的摄影机和参照板的位置的示意图；
图2是用于测量作物反射光的摄影机方框图；
图3是数据处理装置的方框图；
图4是表示拍照作物田地时的俯角和视场角的示意图；
图5是表示像点和图像传感器的图像拍摄面积的坐标系的示意图；
图6是表示确定校正系数的拍照的示意图，该校正系数用于校正俯角；
图7是表示按照固定的面积并且按照从田地所得反射光划分的分部中氮含量的表格；
图8是表示按照固定的面积并且按照从田地所得反射光划分的分部中氮含量的表格；
图9是表示分部中氮含量表，其中根据所获得的反射光量选择小于预定面积的分部面积，并且将所述分部面积除以所述预定面积；
图10表示叶片氮含量测量装置的主要部分局部剖开的剖面图；
图11是叶片氮含量测量装置的控制方框图；
图12是表示叶片氮含量测量装置的操作的示意图；
图13是表示用摄影机拍照和由叶片氮含量测量装置测量之间所得氮含量的关系的曲线图；
图14是表示多个分区中营养诊断校正值的表；
图15是表示相对于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从作物叶片和土壤接收的光数据的图解表示；以及
图17是表示测定入射光的照度计的侧视剖面图。
参照图1至图3说明本发明的测量方法。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，摄影机是一种测量来自作物的反射光的光接收装置。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具有大约240,000(600×400)的分辨力，并配置了面积传感器4。在摄影机2中，有一个装配多个窄带滤光器5的滤光盘6，并且通过旋转滤光盘例如旋转滤光盘6来切换滤光器5。由面积传感器4接收已经经过滤光器5并通过作为光学装置的会聚透镜的光，例如会聚透镜7。由步进电动机9转动滤光盘6，步进电动机9的驱动力由控制电路8控制。控制电路8把被接收的光信号从传感器4进一步转送到数据处理器20。
从可见光波长450、550、625、650、675和700nm中适当选择滤光器5，也从近红外区波长750、850、950-1300nm中选择滤光器5。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，滤光器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个滤光器，但滤光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、用于切换滤光器的滤光器开关10c、用于传送摄影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配置有模拟/数据转换器(此后用“A/D转换器”表示)21、用于在A/D转换后贮存数据的存贮器22、用于可视地显视图像数据的显示器23和数字图像处理器24。这些均通过输入/输出接口(此后用“I/O端口”来表示)25与CPU26进行信息交流，该CPU26计算处理图像数据，并通过接口板(此后用“I/F板”来表示)27连接到叶片氮含量测量装置30(以后说明)上。另外，CPU26也连接着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传感器4接收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，通过当前设置的滤光器5拍摄田地1中正生长着的水稻植株叶，然后切换滤光器切换开关10c，把来自控制电路8的信号输出到待转动的步进电动机9和滤光盘6。通过滤光盘6的转动切换滤光器5后，按下摄影开关10a进行摄影。结果产生针对每个滤光器5的图像信号。在此，如果摄影机2的面积传感器4缺少大容量的存贮元件，每次拍摄图像时按下数据传送开关10d，以便把数据传送到数据处理器20。
下面说明一下作为上述测量装置结构的摄影机2所拍摄的单位像点的数据处理。图4是从观测点“O”用摄影机2拍摄时的田地图，摄影机2距地面的距离为“h”，俯角为“θ”，视场角为“φ”，视场距离为“l1”、“l2”等。另外，图5(a)表示面积传感器4的像点坐标ij，图5(b)表示该像点得出的作物田地面积。如图5所示，由每个像点坐标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，每个像点坐标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”或作物的视场距离“l”、摄影的俯角“θ”、摄影机2固有的参数视场角“φ”和像点的数目，能够确定下面的面积函数：
(俯角)          Aij＝f(θ，h，i，j，x1，x2…)  ①
(作物视场距离)  Aij＝g(θ，l，i，j，x1，x2…)  ②  (1)
Aij：ij所获得的作物田地实际面积
i，j：像点坐标
X1：视场角(摄影机固有的)
X2：像点数目(摄影机固有的)
当俯角“θ”和距地高度“h”或作物视场距离“l”给定时，能计算出每个像点坐标的实际面积Aij。即，由依据俯角计算的作物田地实际面积公式1-①或由依据作物视场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，把该像点坐标ij处的反射光(强)量用Pij表示的话，
P’ij＝Pij/Aij     (2)
成立，以便把由像点ij获得的接收光量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，实际面积是根据像点坐标ij得出的。如上所述，能针对每个像点坐标ij做面积校正，可以得到不受摄影所得实际面积的影响的每个像点坐标ij的反射光量。以上已经说明了在预定的距地高度“h”或作物视场距离“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。
其次，由于针对每个像点坐标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量。例如，俯角“θ1”变为俯角“θ2”时，利用在传感器4的中心部分处的像点坐标的反射光量，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)
于是确定了每个俯角“θ”的校正系数和确定了每个像点坐标ij的校正系数Kij。因此，用上述面积校正和校正系数Kij得出的P’ij，可以得出结果：
P”ij＝Kij×P’ij                (4)
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”测量反射光量并事先确定校正系数Kij。
通过摄影机2的面积传感器接收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。当测量参照板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，最好测量俯角为60°时参照板反射光量。当如上述测量参照板反射光量时，假定作物叶入射的光量为PO，则
Rij＝P”ij/PO                    (5)
Rij：每个像点坐标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。把公式1至公式5贮存在ROM28中。测量上述参照板反射光量PO，并以下列方式贮存。切换摄影机2上装配的滤光器5，并且测量针对每个滤光器5的参照板3的反射光量，并把测量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，在每个滤光器5处把参照板的反射光量PO值进行测量并贮存。
通过摄影机2，切换滤光器5，以每个滤光器接收田地1一定范围内的水稻作物叶的反射光量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中存贮每个滤光器5条件下的叶反射光量，在CPU26上获得每个像点接收的反射光量的平均值，根据上述预先在ROM28中贮存的公式和贮存在RAM29中的计算结果计算反射率。用这种方法，按单位像点存储一定范围内(例如1平方米范围内)作物叶的反射率。
图7表示把对田地1中作物叶进行摄影的240,000个像素的数据再分成多个分区的实例。例如，通过摄影机2，切换滤光器5，在每个滤光器的条件下接收田地1一定范围内的水稻作物叶的反射光量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中存贮每个滤光器5条件下的叶反射光量，在CPU26上，例如从图7左手顶部进行编号为①-⑨的分区，获得每个像点2接收的反射光量平均值。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，如果把摄影机接收光的范围定为1m2，存储1m2内9个分区的反射率。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表示把对田地1中作物叶进行摄影的240,000个像素数据再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，把由对作物田地摄像的单位像点获得的田地实际面积Aij中出现的最大值的像点(图8中①-③分区中的每一个)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，从而把多个相邻像点组合起来，以便把所有的像点分成具有相同面积的分区。在这种情况下，即使当单位像点需要进一步划分，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顶部的像点①-③分别被视为最大面积，用这些实际面积作为参照面积，如果其余的像点被分成具有相同面积的分区，那么，3像点④-⑥和5像点⑦-⑨变成具有相同面积的分区。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每个像点接收的所有反射光量，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，影响测量精度。
在如图9所示进行分区的第二种方法中，在由对田地进行摄影的单位像点获得的作物实际面积Aij中，仅选择预定面积，例如不超过1m2的像点(分区①-⑨中不包括这类像点)，并且把多个相邻像点组合起来，以便把所有的像点分成具有相同面积的分区。在这种情况下，即使当单位像点需要进一步划分，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，所以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个像点因超出预定面积而被排除，在小于预定面积的这些像点中的，①-③分区严格地变为预定的面积，④-⑥是三个像点组合转换成预定面积的，⑦-⑨是四个象点组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。当使分区具有比上述更小的单位时，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每个像点接收的所有反射光量，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，影响测量精度。
在RAM29中，存储多个滤光器5中每一个接收光的范围内的作物叶反射率和对于每个滤光器5在9个分区中所处理的各个分区的作物叶反射率。把贮存在RAM29中的每个滤光器5的反射率或9个分区中由每个滤光器5所处理的反射率作为说明变数，通过采集相同的接收光范围内或在相同的分区内生长的叶，直接分析来自这些叶的作物信息，例如分析氮含量，或者利用直接测量叶色得出的叶色值、把含氮率或色值作为目标变量，作成用于求出接收光范围内作物叶的作物信息的关系式和用于求出9个分区中每个分区的作物叶的作物信息的关系式，并贮存在ROM28中。
更详细地说，假定在①号分区中滤光器1的反射率为R1，滤光器2的反射率为R2，滤光器3的反射率为R3，滤光器4的反射率为R4，并且，对分区中作物叶作化学分析取得含氮率为N1，那么，
N1＝F0+F1·R1+F2·R2+F3·R3+F4·R4         (6)
成立，通过测量多个含氮率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)
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)
N：被测量目标的含氮率
F0-F4：常数
R1-R4：每个滤光器的反射率
C：校正值
可求得关系式(第一作物关系式)。对于叶色值，也可以类似地求得关系式。该公式(8)被存储在ROM28中。
如上所述，如果把公式1至公式5和公式8贮存起来，通过利用摄影机2拍摄参照板和接收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，能够获得接收光范围内水稻作物中的含氮率或每个分区中(即第①-⑨分区)的含氮率(第一作物信息)。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说明叶片氮量测量装置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量装置(此后用“测量装置”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，即在相同的圆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光器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选择与所获取的氮含量相关的窄带滤光器36和37。利用窄带滤光器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，并被入射到反射光的散射反射板38上。另外，这样形成块39，以便把从LED34和LED35的每个上发出的光都以基本上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设置在块39中心的反射光通道40中，然后入射在设置在反射光通道40辐照侧的散射透射板42上。散射透射板42设置成垂直于反射光通道40的光轴，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，经过散射透射板42并经过被测量的叶片43入射到光量探测器44。
另外，在光量探测器44顶部的圆周上，以环绕的方式设置顶盖31，而从顶盖31伸出的臂杆45由轴46以枢轴方式支撑。另外，以枢轴方式支撑顶盖31的轴46携带圈状弹簧47，该弹簧用于把顶盖31向上固定。即如图12所示，在进行测量中，叶片13可以被插进测量部位，按下顶盖31的顶部就能进行测量操作。进行测量的时间是顶盖31按下时按下的凸块(未示出)压着设置在其对面位置的微开关48，通过探测顶盖31的按下来进行测量(光辐射和光量测量)。
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组成的测量部位，由光量探测器44把受探测叶片43的透射光量转变成模拟信号。光源32配备有LED34、LED35的发光装置51。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。转换后的信号经过I/O板52被输入到CPU53，CPU用作计算或控制装置。在I/O板52中，设置有：用于显示计算结果或操作指令的液晶显示装置LCD54；用于执行操作的输入部分55；用于把来自外部装置和到外部装置的数据进行输入或输出的RS232C连接分部56；以及开关48。对于CPU板53和I/O板52来说，连接电源板57以便提供电力。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中贮存着许多田地对田地或种类(品种)对种类(品种)的校准曲线。校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)，其中吸收率是从通过光照射多个叶片所得到的多个接收光量计算出来的，这些叶片的含氮率是预先测量过的，并且利用吸收率作为说明变数，而多个已知的含氮率作为辅助调节变量来进行多元回归分析。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，为了在测量装置30处测量和计算含氮率之类的数量，ROM60贮存着一系列程序，这些程序执行从测量和吸收率计算到计算结果显示的操作。
上述测量装置30的结构功能在下面进行说明。当叶片43被插进测量装置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照射到叶片43上的。然后，从LED34和LED35发出的光经过窄带滤光器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，由于来自散射透射板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，光以相同的均匀度照射在叶片43上。
当光照在叶片43上时，相对于每个LED34和LED35分别由光量探测器44接收其反射光和透射光，并且，所接收的光信号被输送到A/D转换器的模拟器50。A/D转换是在模拟器50上进行的，转换后的信号经过I/O板52输入到CPU53。在CPU53中，根据透射光或叶片43的反射光，计算反射率、透射率或吸收率，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，可以计算出被测量叶的含氮率。输入部分55配备有电源开关55a、测量开关55b和读出开关55c，55a用于切换测量装置30，55b能测量透射光，55c具有读出开关的功能，能读出贮存于ROM60中的校准曲线(公式)，或读出反射率或透射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田地作物诊断的第一实施例。利用摄影机2进行反射光测量，例如与含氮率有关波长的反射光量，所述反射光量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测量的接收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，用于计算接收光范围内的反射率，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接收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接收光范围内生长着的水稻植株叶的含氮率。用测量装置30测量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量值，该值不受测量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之间是有差异的，例如，假定受测的第一个第一作物信息是4.0％，测量装置30测量的第二作物信息是3.0％，把测量装置30的测量值作为第二作物信息，并贮存在RAM61中。由测量装置30所得的第二作物信息从测量装置30的连接端口56经数据处理器20的I/F板续进到数据处理器20，该信息被贮存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之间的差异-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RAM9中的差异作为校正值，在用摄影机2对接收光范围内其它作物叶片的反射光进行测量后，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和测量装置30所进行的测量是不受测量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量装置30进行多次测量，仅用摄影机2的一次测量就能有这样高精度测量结果，这是以前所没有的。进一步来说，利用测量装置30进行的含氮率测量不必对田地内所有作物叶进行测量，只要测量田地内代表性作物叶的含氮率就足够了。
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量，例如，测量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所测量的分区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，用测量装置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量，例如5号分区4.2％是最大值，7号分区3.6％是最小值。这里测量的含氮率不受测量方向和种植密度的影响。
在测量装置30中，通过照射具有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作物信息)，利用从上述田地中所选两个分区中相应的水稻植株叶片直接获得接收光量，根据吸收率和第二作物相关公式计算上述两个分区的含氮率，在这个实施例中，吸收率是从接收光量转换而来的，所述公式预定用于从吸收率计算叶片的含氮量。于是，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RAM6中，作为第二作物信息。由测量装置30得出的两个分区含氮率的每一个值都从测量装置30的连接端口56经数据处理器20的I/F板转送到数据处理器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是表示以测量装置30测量的含氮率(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，该图表示测量装置30所测量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，把用测量装置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所测量的含氮率。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。具体地说，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，对于摄影机的摄像范围有可能把它当作单一作物信息来处理。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所有分区的作物信息为说明变数、测量装置30得出的所有分区的作物信息为辅助调节变量得出，无论这种相关性是线性的还是非线性都可以利用这种系数。
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量的数值。因此，与传统的方法相比，只要利用测量装置30从多个田地中测量含氮率，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量精度。利用测量装置30进行的含氮率测量并不是对田地1中作物所有叶进行测量，而是只对田地1中的有代表性的叶片进行测量。
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量装置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，提高了利用与测量装置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的所有分区作物信息为说明变数、以测量装置30所得所有分区作物信息为辅助调节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可以利用这种系数。
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2O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量的数值。因此，与传统的方法相比，只要利用测量装置30从多个田地中测量含氮率，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量精度。利用测量装置30进行的含氮率测量并不是对田地1中作物的所有叶进行测量，但可以只对田地1中的有代表性的叶片进行测量。
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相对于物体的位置的。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量装置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、俯角校正和视场距离校正来校正。即，天气引起的误差可以用参照板3来校正，由测量方向和种植密度引起的误差可以用测量装置30中的数值来校正。也可以说，即使当田地的图像是用地面上倾斜的摄影机摄影的，也能根据本发明进行校正。另外，当利用测量装置30进行校正时，由于在摄影机2测量中，用相同的摄影机2直接测量的作物叶测量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，并且直接通过测量装置30的数值测量的作物叶数值是不受测量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感那样。
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，当检测每个像点数据时，在发现几乎所有像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，作为作物信息接收的像点和作为非作物信息接收的像点是分离的，只是把作为作物信息接收的像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相对于波长的变化的曲线图。在750nm-1300nm波长中，已经发现作物叶的反射率相对于土壤的反射率有大约20％的差异。因此，把由公式1和公式2得出的反射率，例如超过4O％的数值，当作从作物叶接收的光的数据来处理。另一方面，把低于上述百分率的数值当作不是被作物叶所接收的光的数据来处理，并将其删去。只利用超过40％的接收光的数据，或者在获取每个像点的平均值后利用超过40％的接收光的数据，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)假设接收光的数据是来自多个像点。在这种情况下，对于一个单位的象素来说，用斜线网格表示的部分是作物叶的反射光且其反射率在40％以上。如果斜线网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％，则删除反射率低于40％的像点的接收光的数据，作为作物信息的可用数据是图16(b)所示斜线网格表示像点所得接收光的数据。根据本发明，在这种方法中，已经把摄影机2得到的接收光的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量装置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，从测量装置30得到的信息是直接从作物叶测量的信息，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量是通过测量参照板的反射光获得的，不过可以用照度计的测量形式来测量入射光。图17图示了照度计93。这种照度计配备有光电转换器(硅传感器)94，光电转换器94具有从近红外线区到可见光区光谱的特性，在滤光盘95的圆周上配置用于给光电转换器94选择入射光的多个窄带滤光器96，滤光盘是靠步进电动机97转动的。通过转动滤光盘95来切换多个滤光器96。在光电转换器94的接收光的一面(图16中的上部)，在屏蔽板中设置开口98，在其上，设置由散射反射板形成的散射圆帽盖99，光电转换器94位于散射反射板的中心位置。光电转换器94和步进电动机97连接到控制器100，控制器100转动步进电动机97来切换滤光器96并输出光电转换器的信号。滤光器96的类型与摄影机2中滤光器5的类型是相同的。控制器连接到数据处理器20的I/O端口25上并由I/O端口25来控制。滤光器96包括挡光的滤光器，在这种情况下，通过切换滤光器96来进行零校正。
利用来自数据处理器20的信号，照度计93的控制器100切换滤光器96来选择想要的滤光器。这时，通过滤光器96探测从散射圆帽盖99散射-反射并进入的自然光量，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，使照度计获得的光量作为入射光量Y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时，可以根据把照度计93的读数值作为反射光量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以类似的方式校正的摄影，并且有可能在水稻作物生长期中的每个特定时间内进行测量，如圆锥花序产生期，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，如果校正是在种类对种类的基础上或在地段对地段(或田地对田地)的基础上进行的，校正会更有效。即，如果ROM28贮存了分别用于各种作物或各种地段的许多补偿校准曲线，那么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，则像点为每平方米250个象素。
对于以上讨论的含氮率来说，已经按惯例在种类对种类或地段对地段的基础上研究了水稻作物任意生长期的最佳含氮率，如圆锥花序发生期和成熟分裂期。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像点的拍摄面积的差异和摄影机直对田地时产生的像角，由于反射光量是与固定面积或预定面积匹配的，所以从地面摄影足以可靠地进行作物营养诊断。
另外，可以使用具有小数目像点的摄影机，即使每像点的摄影面积大小不同，也可以这样划分像点，以便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，使得划分的面积成为固定的面积并且可以有效地利用每个像点的数据。
这种作物营养诊断简单，通过测量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量反射光或透射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，通过测量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，由测量方向、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量反射光或透射光来进行，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 (12)

1、一种诊断种植田地中作物营养状况的方法，包括步骤：
按照相对于所述种植田地的预定的中心俯角，设置装备有多个像点的摄影机；
通过拍摄所述田地，得到对应于每个像点的作物叶的反射光量；
通过由转换变量构成的面积函数，得到每个单位像点的摄影面积，所述变量包括摄影机距地高度、像点俯角、像点数目和摄影机的视场角；
根据所述摄影面积对每个像点的反射光量进行面积校正；
利用俯角系数对反射光量进行俯角校正，该系数预先被设定以便用于校正与各像点俯角相应的反射光量差异；
测量所述作物叶上的入射光量；
从校正过的反射光量和测量的入射光量得出反射率；
根据所述的反射率和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第一作物信息，所述公式预先被设定以便用于从反射率得出第一作物信息；以及
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：
贮存第一作物信息，将光照射在相同面积的作物叶上，测量与因作物生长而增减的作物信息相关的波长的光的透射光量或反射光量至少之一；
从该光量和为从光量求得作物信息而预定的第二作物关系式，求得作物信息，并作为第二作物信息被贮存；以及
根据所述第一作物信息和第二作物信息，诊断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：
按照相对于所述种植田地的预定的中心俯角，设置装备有多个像点的摄影机；
通过拍摄所述田地，得到对应于每个像点的作物叶的反射光量；
通过由转换变量构成的面积函数，得到每个单位像点的摄影面积，所述变量包括视场距离、像点俯角、像点数目和摄影机的视场角；
根据所述摄影面积对每个像点的反射光量进行面积校正；
利用俯角系数对反射光量进行俯角校正，该系数预先被设定以便用于校正与各像点俯角相应的反射光量差异；
测量所述作物叶上的入射光量；
从校正过的反射光量和测量的入射光量得出反射率；
根据所述的反射率和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第一作物信息，所述公式预先被设定以便用于从反射率得出第一作物信息；以及
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：
贮存第一作物信息，将光照射在相同面积的作物叶上，测量与因作物生长而增减的作物信息相关的波长的光的透射光量或反射光量至少之一；
从该光量和为从光量求得作物信息而预定的第二作物关系式，求得作物信息，并作为第二作物信息被贮存；以及
根据所述第一作物信息和第二作物信息，诊断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：
按照相对于所述种植田地的预定的中心俯角，设置装备有多个像点的摄影机；
通过拍摄所述田地，得到对应于每个像点的作物叶的反射光量；
通过由转换变量构成的面积函数，得到每个单位像点的摄影面积，所述变量包括摄影机距地高度、像点俯角、像点数目和摄影机的视场角；
根据所述摄影面积对每个像点的反射光量进行面积校正；
根据与每个单位像点得到的摄影面积中的最大面积相应的单位像点的摄影面积把多个像点划分成分区；
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第一作物信息，所述公式预先被设定以便用于从反射率得出第一作物信息；以及
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、根据权利要求5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：
贮存第一作物信息，将光照射在相同面积的作物叶上，测量与因作物生长而增减的作物信息相关的波长的光的透射光量或反射光量至少之一；
从该光量和为从光量求得作物信息而预定的第二作物关系式，求得作物信息，并作为第二作物信息被贮存；以及
根据所述第一作物信息和第二作物信息，诊断种植田地中作物的营养状况。
7、一种诊断种植田地中作物营养状况的方法，包括步骤：
按照相对于所述种植田地的预定的中心俯角，设置装备有多个像点的摄影机；
通过拍摄所述田地，得到对应于每个像点的作物叶的反射光量；
通过由转换变量构成的面积函数，得到每个单位像点的摄影面积，所述变量包括摄影机距地高度、像点俯角、像点数目和摄影机的视场角；
根据所述摄影面积对每个像点的反射光量进行面积校正；
根据各个单位像点所得摄影面积中小于预定摄影面积的单位像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第一作物信息，所述公式预先被设定以便用于从反射率得出第一作物信息；以及
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、根据权利要求7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：
贮存第一作物信息，将光照射在相同面积的作物叶上，测量与因作物生长而增减的作物信息相关的波长的光的透射光量或反射光量至少之一；
从该光量和为从光量求得作物信息而预定的第二作物关系式，求得作物信息，并作为第二作物信息被贮存；以及
根据所述第一作物信息和第二作物信息，诊断种植田地中作物的营养状况。
9、一种诊断种植田地中作物营养状况的方法，包括步骤：
按照相对于所述种植田地的预定的中心俯角，设置装备有多个像点的摄影机；
通过拍摄所述田地，得到对应于每个像点的作物叶的反射光量；
通过由转换变量构成的面积函数，得到每个单位像点的摄影面积，所述变量包括视场距离、像点俯角、像点数目和摄影机的视场角；
根据所述摄影面积对每个像点的反射光量进行面积校正；
根据与每个单位像点得到的摄影面积中的最大面积相应的单位像点的摄影面积把多个像点划分成分区；
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第一作物信息，所述公式预先被设定以便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。
10、根据权利要求9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：
贮存第一作物信息，将光照射在相同面积的作物叶上，测量与因作物生长而增减的作物信息相关的波长的光的透射光量或反射光量至少之一；
从该光量和为从光量求得作物信息而预定的第二作物关系式，求得作物信息，并作为第二作物信息被贮存；以及
根据所述第一作物信息和第二作物信息，诊断种植田地中作物的营养状况。
11、一种诊断种植田地中作物营养状况的方法，包括步骤：
按照相对于所述种植田地的预定的中心俯角，设置装备有多个像点的摄影机；
通过拍摄所述田地，得到对应于每个像点的作物叶的反射光量；
通过由转换变量构成的面积函数，得到每个单位像点的摄影面积，所述变量包括视场距离、像点俯角、像点数目和摄影机的视场角；
根据所述摄影面积对每个像点的反射光量进行面积校正；
根据各个单位像点所得摄影面积中小于预定摄影面积的单位像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第一作物信息，所述第一作物相关公式预先被设定以便用于从反射率得出第一作物信息；以及
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。
12、根据权利要求11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：
贮存第一作物信息，将光照射在相同面积的作物叶上，测量与因作物生长而增减的作物信息相关的波长的光的透射光量或反射光量至少之一；
从该光量和为从光量求得作物信息而预定的第二作物关系式，求得作物信息，并作为第二作物信息被贮存；以及
根据所述第一作物信息和第二作物信息，诊断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
JP228761/99 1999-08-12
JP22876199A JP4314683B2 (ja) 1999-08-12 1999-08-12 作物の診断方法
JP228761/1999 1999-08-12

Publications (2)

Publication Number Publication Date
CN1293359A CN1293359A (zh) 2001-05-02
CN1302277C true 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 (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103475857A (zh) * 2013-08-27 2013-12-25 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

Families Citing this family (48)

* 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
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
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
JP5369282B2 (ja) * 2008-11-14 2013-12-18 株式会社パスコ 植生生育状況解析方法、プログラムおよび植生生育状況解析装置
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
WO2011153133A1 (en) 2010-06-01 2011-12-08 Ackley Machine Corporation Inspection system
DE112011102246A5 (de) * 2010-07-02 2013-05-02 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
US9629308B2 (en) 2011-03-11 2017-04-25 Intelligent Agricultural Solutions, Llc Harvesting machine capable of automatic adjustment
US9631964B2 (en) 2011-03-11 2017-04-25 Intelligent Agricultural Solutions, Llc Acoustic material flow sensor
US10321624B2 (en) 2011-03-11 2019-06-18 Intelligent Agriculture Solutions LLC Air seeder manifold system
US10318138B2 (en) 2011-03-11 2019-06-11 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
US9488630B2 (en) 2013-11-08 2016-11-08 Dow Agrosciences Llc Integrated remote aerial sensing system
US9489576B2 (en) 2014-03-26 2016-11-08 F12 Solutions, LLC. Crop stand analysis
AU2015314684B2 (en) 2014-09-12 2020-09-03 Appareo Systems, Llc Non-image-based grain quality sensor
US10085379B2 (en) 2014-09-12 2018-10-02 Appareo Systems, Llc Grain quality sensor
CN104266970B (zh) * 2014-09-22 2016-08-17 河南农业大学 三波长漫反射光学叶绿素检测装置
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
US11536656B2 (en) 2016-06-16 2022-12-27 Sony Group Corporation Information processing device, information processing method, and program
DE102017116661A1 (de) * 2017-07-24 2019-01-24 Vorwerk & Co. Interholding Gmbh System zur Erfassung von dreidimensionalen Umgebungsdaten, insbesondere zur Pflanzenpflege sowie Sensormodul
AU2018321981B2 (en) 2017-08-25 2022-02-03 Agnetix, Inc. Fluid-cooled LED-based lighting methods and apparatus for controlled environment agriculture
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
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
DE102017218118B4 (de) * 2017-10-11 2021-12-23 Robert Bosch Gmbh Verfahren und Informationssystem zum Erhalten einer Pflanzeninformation
CA3099262A1 (en) 2018-05-04 2019-11-07 Agnetix, Inc. Methods, apparatus, and systems for lighting and distributed sensing in controlled agricultural environments
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
CN113163720A (zh) 2018-11-13 2021-07-23 阿格尼泰克斯股份有限公司 具有集成相机和/或传感器以及无线通信的受控环境农业的流体冷却的基于led的照明方法和设备
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
AU2020402051A1 (en) * 2019-12-10 2022-08-04 Agnetix, Inc. Multisensory imaging methods and apparatus for controlled environment horticulture using irradiators and cameras and/or sensors
WO2021119587A1 (en) 2019-12-12 2021-06-17 Agnetix, Inc. Fluid-cooled led-based lighting fixture in close proximity grow systems for controlled environment horticulture
CN111670668B (zh) * 2020-06-05 2022-07-29 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
CN112986158B (zh) * 2021-02-23 2023-05-12 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
CN115684067A (zh) * 2022-10-10 2023-02-03 广西壮族自治区亚热带作物研究所（广西亚热带农产品加工研究所） 一种农作物栽培基质中水肥含量检测方法
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US5841883A (en) * 1994-10-27 1998-11-24 Yazaki Corporation Method of diagnosing a plant automatically and device for executing method thereof
US5845229A (en) * 1996-10-28 1998-12-01 Appropriate Systems Method and apparatus for mapping crop quality

Family Cites Families (28)

* 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
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
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
US5999650A (en) * 1996-11-27 1999-12-07 Ligon; Thomas R. System for generating color images of land
US6529615B2 (en) * 1997-10-10 2003-03-04 Case Corporation Method of determining and treating the health of a crop
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
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
EP1091188B1 (de) * 1999-07-16 2004-09-29 Deutsches Zentrum für Luft- und Raumfahrt e.V. Verfahren zur Korrektur atmosphärischer Einflüsse in multispektralen optischen Fernerkundungsdaten

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US5841883A (en) * 1994-10-27 1998-11-24 Yazaki Corporation Method of diagnosing a plant automatically and device for executing method thereof
US5845229A (en) * 1996-10-28 1998-12-01 Appropriate Systems Method and apparatus for mapping crop quality

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103475857A (zh) * 2013-08-27 2013-12-25 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
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

Also Published As

Publication number Publication date
US6683970B1 (en) 2004-01-27
ID26882A (id) 2001-02-15
AU773049B2 (en) 2004-05-13
AU5192200A (en) 2001-02-15
CN1293359A (zh) 2001-05-02

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
US8019117B2 (en) Method and apparatus for evaluating solar radiation amount
Becker et al. Analysis of forest light environments Part I. Computerized estimation of solar radiation from hemispherical canopy photographs
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
AU2010259848A1 (en) Vegetation indices for measuring multilayer microcrop density and growth
Grenzdörffer et al. UAV based BRDF-measurements of agricultural surfaces with pfiffikus
CN112345458A (zh) 一种基于无人机多光谱影像的小麦产量估测方法
CN109253976B (zh) 基于光感模块的高光谱实时辐射定标方法
CN116519557B (zh) 一种气溶胶光学厚度反演方法
CN206832361U (zh) 一种无人机快拍式高光谱遥感系统
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
CN114279567A (zh) 一种微纳高光谱卫星星座的在轨绝对辐射定标方法
RU2693255C1 (ru) Методика дистанционной рекогносцировочной диагностики обеспечения растений азотом (с помощью мультиспектральной камеры и беспилотных летательных аппаратов)
CN112986157A (zh) 一种养殖水环境预警调控方法、装置及系统
CN1218177C (zh) 评估谷物品质的方法和其装置
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
JP5534300B2 (ja) リモートセンシングの検量線の作成方法
JP4314683B2 (ja) 作物の診断方法
US12026915B2 (en) Enhanced measurement of photosynthetically active radiation (PAR) and image conversion therefor
CN111141712A (zh) 一种土壤pH值二维动态分布检测装置
CN105737980A (zh) 辐射定标方法及装置
CN115797807A (zh) 基于无人机载光谱仪数据的海洋垃圾监测方法、系统及介质
CN102636267B (zh) 天空亮度仪

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