GR1009898B - Μεθοδος ανιχνευσης και αξιολογησης βιοτικου-αβιοτικου στρες σε καλλιεργειες απο θερμικες φωτογραφιες με χρηση τεχνητης νοημοσυνης - Google Patents
Μεθοδος ανιχνευσης και αξιολογησης βιοτικου-αβιοτικου στρες σε καλλιεργειες απο θερμικες φωτογραφιες με χρηση τεχνητης νοημοσυνηςInfo
- Publication number
- GR1009898B GR1009898B GR20200100243A GR20200100243A GR1009898B GR 1009898 B GR1009898 B GR 1009898B GR 20200100243 A GR20200100243 A GR 20200100243A GR 20200100243 A GR20200100243 A GR 20200100243A GR 1009898 B GR1009898 B GR 1009898B
- Authority
- GR
- Greece
- Prior art keywords
- pixels
- thermal
- group
- pixel
- coloring
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims description 13
- 238000011156 evaluation Methods 0.000 title claims 2
- 238000013473 artificial intelligence Methods 0.000 title description 4
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 16
- 238000004040 coloring Methods 0.000 claims abstract description 13
- 238000003064 k means clustering Methods 0.000 claims abstract description 5
- 230000001755 vocal effect Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 241000723369 Cocculus trilobus Species 0.000 claims description 2
- 241000555268 Dendroides Species 0.000 claims 1
- 238000006243 chemical reaction Methods 0.000 claims 1
- 241000196324 Embryophyta Species 0.000 description 10
- 230000035882 stress Effects 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000002028 Biomass Substances 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 208000005156 Dehydration Diseases 0.000 description 3
- 241001237728 Precis Species 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000209219 Hordeum Species 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 2
- 230000036579 abiotic stress Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000004790 biotic stress Effects 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 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 2
- 238000007405 data analysis Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000005068 transpiration Effects 0.000 description 2
- 238000001429 visible spectrum Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001092142 Molina Species 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000204362 Xylella fastidiosa Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000004962 physiological condition Effects 0.000 description 1
- 230000008121 plant development Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000025508 response to water Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30128—Food products
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Analytical Chemistry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Στη θερμική φωτογραφία με αποχρώσεις της κλίμακας του γκρι (Σχήμα 1) εφαρμόζεται μέθοδος OTSU (Σχήμα 2). Η εύρεση της ομάδας των εικονοστοιχείων της μεθόδου OTSU που αντιπροσωπεύουν την καλλιέργεια γίνεται επιλέγοντας την αντίστοιχη ομάδα με τα περισσότερα εικονοστοιχεία με αποχρώσεις του πράσινου της στοιχισμένης ψηφιακής φωτογραφίας (Σχήμα 3). Από τα μεταδεδομένα της θερμικής φωτογραφίας του εκάστοτε εικονοστοιχείου της κατηγορίας που επιλέχθηκε κατασκευάζεται πίνακας όπου περιέχει συντεταγμένες και θερμοκρασίες και εφαρμόζεται k-Means clustering με σκοπό την ομαδοποίηση των θερμοκρασιών. Στο κάθε εικονοστοιχείο αναλόγως της ομάδας που ανήκει του εκχωρείτε συγκεκριμένος χρωματισμός (Σχήμα 4). Έπειτα, γίνεται επιλογή του χρωματισμού και των συντεταγμένων των εικονοστοιχείων που αντιπροσωπεύουν τις υψηλότερες θερμοκρασίες και τοποθετείται ο ψευδοχρωματισμός στα αντίστοιχα (ίδιες συντεταγμένες) εικονοστοιχεία της ψηφιακής φωτογραφίας (Σχήμα 5). Η ψηφιακή φωτογραφία ψευδοχρωματισμού τροφοδοτείται σε εκπαιδευμένο Συνελικτικό Νευρωνικό Δίκτυο, το οποίο εκτελεί ταξινόμηση στρες υπο-περιοχής εντός της καλλιέργειας με περίγραμμα και λεκτική απεικόνιση (Σχήμα 6, C1 στρες).
Description
ΠΕΡΙΓΡΑΦΗ
Μέθοδος ανίχνευσης και αξιολόγησης βιοτικού-αβιοτικού στρες σε καλλιέργειες από θερμικές φωτογραφίες με χρήση Τεχνητής Νοημοσύνης.
Η παρούσα εφεύρεση αναφέρεται σε μία μέθοδο ανίχνευσης και αξιολόγησης βιοτικού-αβιοτικού στρες σε καλλιέργειες από θερμικές φωτογραφίες με χρήση Τεχνητής Νοημοσύνης και ειδικότερα σε μία μέθοδο αυτοματοποιημένης επεξεργασίας θερμικών φωτογραφιών και χρήσης Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks - CNNs) για ταξινόμηση (classification) προκειμένου την κατασκευή ψηφιακών φωτογραφιών τυποποιημένου ψευδοχρωματισμού των καλλιεργειών με οριοθετημένα περιγράμματα των υποπεριοχών με λεκτική απεικόνιση της ταξινόμησης.
Λόγω της ραγδαίας τεχνολογικής ανάπτυξης τα τελευταία χρόνια έχουν αναπτυχθεί διάφοροι αισθητήρες οι οποίοι δύναται να χρησιμοποιούνται για συλλογή δεδομένων σε καλλιέργειες. Αυτοί είναι: ψηφιακή κάμερα (RGB), φασματικός αισθητήρας, Light Detection and Ranging (LiDAR) και θερμική κάμερα. Μερικές από τις εφαρμογές τους είναι ο έλεγχος ύψους φυτών, η βιομάζα, το Leaf Area Index (LAI) και άλλα φυσιολογικά χαρακτηριστικά (Rahaman et al., 2015. Advanced phenotyping and phenotype data analysis for the study of plant growth and development. Front. Plant Sci. 6.; Zhang and Kovacs J.M., 2012. The application of small unmanned aerial systems for precision agriculture: a review. Precis. Agric. 13, 693-712).
Η χρήση ψηφιακών καμερών (RGB) είναι περισσότερο συχνή σε σύγκριση με τους υπόλοιπους αισθητήρες διότι έχουν χαμηλό κόστος, μικρό βάρος και απλή επεξεργασία δεδομένων. Τα μειονεκτήματα τους είναι ότι έχουν χαμηλή ραδιομετρική ανάλυση και έλλειψη κατάλληλης βαθμονόμησης (Ballesteros et al., 2014. Applications of georeferenced high-resolution images obtained with unmanned aerial vehicles. Part I: Description of image acquisition and processing. Precis. Agric. 15, 579-592.; Bendig et al., 2014. Estimating Biomass of Barley Using Crop Surface Models (CSMs) Derived from UAV-Based RGB Imaging. Remote Sens. 6, 10395-10412.). Μπορούν να χρησιμοποιηθούν στη γρήγορη απόκτηση έγχρωμων φωτογραφιών ώστε να υπολογισθεί το ύψος της καλλιέργειας, το LAI και το χρώμα των φύλλων ώστε μέσω ήδη αναπτυγμένων αλγορίθμων με την μέθοδο επεξεργασίας φωτογραφίας να ανιχνευθούν τα κατεστραμμένα "ξερά" φύλλα. Όμως η χρήση αυτής της μεθόδου υστερεί στην απόκτηση πληροφοριών φαινοτύπου και χαρακτηριστικών της καλλιέργειας λόγω έλλειψης της ψηφιακής κάμερας για λήψη μη ορατού φάσματος (A1 Hiary et al., 2011a. Fast and Accurate Detection and Classification of Plant Diseases. Int. J. Comput. Appl. 17, 31-38; Singh and Misra, 2017b. Detection of plant leaf diseases using image segmentation and soft computing techniques. Inf. Process. Agric. 4, 41- 9.).
Οι φασματικοί αισθητήρες έχουν την δυνατότητα λήψης ακτινοβολίας στο ορατό και μη ορατό φάσμα επομένως δύναται να χρησιμοποιηθούν για την απόκτηση του φαινοτύπου μίας καλλιέργειας (Candiago et al., 2015. Evaluating Multispectral Images and Vegetation Indices for Precision Farming Applications from UAV Images. Remote Sens. 7, 4026-4047;). Τα κύρια μειονεκτήματα τους είναι η δύσκολη επεξεργασία δεδομένων και η ευαισθησία με τις καιρικές συνθήκες (Colomina and Molina, 2014. Unmanned aerial systems for photogrammetry and remote sensing: A review. ISPRS J. Photogramm. Remote Sens. 92, 79-97; Nasi et al., 2015. Using UAV-Based Photogrammetry and Hyperspectral Imaging for Mapping Bark Beetle Damage at Tree-Level. Remote Sens. 7, 15467-15493; Thorp et al., 2015. Proximal hyperspectral sensing and data analysis approaches for fieldbased plant phenomics. Comput. Electron. Agric. 118, 225-236; Zarco-Tejada et al., 2013. Spatio-temporal patterns of chlorophyll fluorescence and physiological and structural indices acquired from hyperspectral imagery as compared with carbon fluxes measured with eddy covariance. Remote Sens. Environ. 133, 102-115.).
Ο αισθητήρας Light Detection and Ranging (LiDAR) μετρά την απόσταση από ένα στόχο μέσω εκπομπής λέιζερ και χρησιμοποιεί τη μέθοδο φωτοηλεκτρικής ανίχνευσης. Μπορεί να χρησιμοποιηθεί στη μέτρηση της βιομάζας και του ύψους των φυτών. Το πλεονέκτημά του είναι η αποτελεσματική απόκτηση υψηλής ακρίβειας οριζόντιας και κατακόρυφης δομής της βλάστησης. Τα μειονεκτήματα του είναι το υψηλό κόστος απόκτησης και ο μεγάλος όγκος επεξεργασίας δεδομένων (Ota et al., 2015. Above ground Biomass Estimation Using Structure from Motion Approach with Aerial Photographs in a Seasonal Tropical Forest. Forests 6, 3882-3898.; Wallace et al., 2012. Development of a UAV-LiDAR System with Application to Forest Inventory. Remote Sens. 4, 1519-1543.).
Η μεθοδολογία ανάλυσης και ελέγχου της περιεκτικότητας της χλωροφύλλης, του LAI και της περιεκτικότητας του αζώτου στα φύλλα χρησιμοποιώντας δεδομένα τηλεπισκόπησης (remote sensing) έχει αναπτυχθεί πλήρως (Ballesteros et al., 2014. Applications of georeferenced high-resolution images obtained with unmanned aerial vehicles. Part I: Description of image acquisition and processing. Precis. Agric. 15, 579-592.; Bendig et al., 2014. Estimating Biomass of Barley Using Crop Surface Models (CSMs) Derived from UAV-Based RGB Imaging. Remote Sens. 6, 10395-10412.). Επομένως δύναται να έχουμε ακριβείς πληροφορίες ανάπτυξης των φυτών διότι τα φασματικά χαρακτηριστικά των φύλλων σχετίζονται άμεσα με τους παραπάνω δείκτες.
Η θερμική κάμερα χρησιμοποιεί τη λήψη υπέρυθρης ακτινοβολίας. Επομένως δύναται να χρησιμοποιηθεί στη μέτρηση της θερμοκρασίας του "θόλου" σε μία καλλιέργεια αλλά και το ρυθμό του C02 που εισέρχεται ή του υδρατμού που εξέρχεται από τα φύλλα (Baluja et al., 2012. Assessment of vineyard water status variability by thermal and multispectral imagery using an unmanned aerial vehicle (UAV). Irrig. Sci. 30, 511-522.). Με αυτό το τρόπο δύναται η δυνατότητα του εμμέσου προσδιορισμού της κατάστασης ανάπτυξης της καλλιέργειας. Τα μειονεκτήματα που διέπουν τη χρήση της θερμικής κάμερας είναι η ευαισθησία στις καιρικές συνθήκες και η δυσκολία εξάλειψης της επίδρασης του εδάφους (Gonzalez-Dugo et al., 2015. Using High-Resolution Hyperspectral and Thermal Airborne Imagery to Assess Physiological Condition in the Context of Wheat Phenotyping. Remote Sens. 7, 13586-13605.; Jones et al., 2009. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field. Funct. Plant Biol. 36, 978. ; Sugiura et al., 2007. Correction of Low-altitude Thermal Images applied to estimating Soil Water Status. Biosyst. Eng. 96, 301-313.).
Η μέθοδος επεξεργασίας που εφαρμόζεται σε θερμική φωτογραφία καλλιέργειας (σε ολόκληρη την έκταση της καλλιέργεια και όχι σε κάθε πρέμνοφυτό χωριστά) είναι ο Δείκτης Υδατικής Καταπόνησης Καλλιέργειας (Crop Water Stress Index - CWSI), με τον οποίο προσδιορίζεται η διαθεσιμότητα νερού μίας καλλιέργειας, μέσω μετρήσεων υπέρυθρης θερμοκρασίας (θερμική φωτογραφία) της κόμης του πρέμνου. Η θερμοκρασία της κόμης του πρέμνου αποτελεί δείκτη της υδατικής κατάστασης της καλλιέργειας, επειδή τα στομάτια του φυλλώματος κλείνουν ανταποκρινόμενα στην εξάντληση του νερού, προκαλώντας ελάττωση της διαπνοής (transpiration), και αύξηση της θερμοκρασίας του φύλλου. Αντίθετα, η επάρκεια νερού στο έδαφος, διατηρεί τα στομάτια ανοικτά και έντονο ρυθμό διαπνοής, με συνέπεια την ελάττωση της θερμοκρασίας του φυλλώματος, σε σχέση με την ατμοσφαιρική θερμοκρασία πάνω από την καλλιέργεια (Idso et al., 1981. Normalizing the stress-degree-day parameter for environmental variability. Agric. Meteorol. 24, 45-55.). Τέλος, έχει αποδειχθεί ότι φυτά που υφίστανται βιοτικό ή αβιοτικό στρες εμφανίζουν μεγαλύτερη θερμοκρασία κόμης σε σχέση με τα υγιή ( Zarco-Tejada et al., 2012. Fluorescence, temperature and narrow-band indices acquired from a UAV platform for water stress detection using a microhyperspectral imager and a thermal camera. Remote Sens. Environ. 117, 322-337.; Zarco-Tejada et al., 2018. Previsual symptoms of Xylella fastidiosa infection revealed in spectral plant-trait alterations. 7, 432-439. ).
Λαμβάνοντας υπόψη τα ανωτέρω, αναπτύχθηκε μέθοδος εύρεσης βιοτικούαβιοτικού στρες σε καλλιέργειες από θερμικές φωτογραφίες με χρήση Τεχνητής Νοημοσύνης και ειδικότερα με χρήση Συνελικτικών Νευρωνικών Δικτύων. Η διαδικασία αυτοματοποιημένης επεξεργασίας των θερμικών φωτογραφιών εκτελείται αρχικά με μετατροπή της θερμικής φωτογραφίας (ψευδό -χρωματισμός) σε αποχρώσεις της κλίμακας του γκρι (Grayscale) (Σχήμα 1). Έπειτα γίνεται χρήση της μεθόδου OTSU με σκοπό την απομόνωση του φόντου (background) δηλαδή του εδάφους (Σχήμα 2). Ο αλγόριθμος OTSU υποθέτει ότι η εικόνα περιέχει δύο κατηγορίες εικονοστοιχείων που ακολουθούν το ιστόγραμμα bi-modal (εικονοστοιχεία προσκηνίου και εικονοστοιχεία φόντου), υπολογίζει έπειτα το βέλτιστο κατώφλι που χωρίζει τις δύο κλάσεις έτσι ώστε η συνδυασμένη εξάπλωσή τους (ελάχιστη μεταβλητότητα) να είναι ελάχιστη ή ισοδύναμη (επειδή το άθροισμα των ζευγών τετραγωνικών αποστάσεων είναι σταθερό), έτσι ώστε η διακύμανσή τους να είναι μέγιστη.
Η εύρεση της κατηγορίας των εικονοστοιχείων της μεθόδου OTSU που αντιπροσωπεύουν την καλλιέργεια γίνεται με σύγκριση των δύο κατηγοριών εικονοστοιχείων της μεθόδου OTSU με τα αντίστοιχα (ίδιες συντεταγμένες) εικονοστοιχεία της στοιχισμένης ψηφιακής φωτογραφίας (RGB) (Σχήμα 3). Αναλυτικότερα, γίνεται σύγκριση μεταξύ των δύο ομάδων (κατηγοριών) εικονοστοιχείων της στοιχισμένης ψηφιακής φωτογραφία (RGB) η οποία έχει μετατραπεί σε χρωματικό μοντέλο HSV (Hue-Χροιά, Saturation-Κορεσμός, Value-Αξία), με σκοπό την εύρεση της ομάδας που έχει τα περισσότερα εικονοστοιχεία με αποχρώσεις του πράσινου. Μετά την εύρεση της ομάδας με τα περισσότερα εικονοστοιχεία με αποχρώσεις του πράσινου, γίνεται επιλογή της αντίστοιχης κατηγορίας εικονοστοιχείων της θερμικής φωτογραφίας. Έπειτα, γίνεται εξαγωγή από τα μεταδεδομένα της θερμικής φωτογραφίας η θερμοκρασία του εκάστοτε εικονοστοιχείου της ομάδας (κατηγορίας) που επιλέχθηκε με την ανωτέρω διαδικασία. Με το τρόπο αυτό κατασκευάζεται ένας πίνακας ο οποίος περιέχει τις συντεταγμένες και τη θερμοκρασία του εκάστοτε εικονοστοιχείου.
Ακολούθως, γίνεται εφαρμογή της μεθόδου k-Means clustering στα δεδομένα του ανωτέρω πίνακα. Με τη μέθοδο k-Means clustering γίνεται ομαδοποίηση των θερμοκρασιών των εικονοστοιχείων σε συγκεκριμένο αριθμό ομάδων. Ομαδοποίηση είναι η διαδικασία που οργανώνει πρότυπα (θερμοκρασίες) σε ομάδες (clusters), όπου τα μέλη μιας ομάδας είναι παρόμοια μεταξύ τους. Στο κάθε εικονοστοιχείο αναλόγως της ομάδας που ανήκει του εκχωρείτε συγκεκριμένος χρωματισμός (π.χ. το εικονοστοιχείο που ανήκει στην ομάδα με την χαμηλότερη θερμοκρασία, του εκχωρείτε το σκούρο πράσινο). Σκοπός της χρήσης τυποποιημένου ψευδοχρωματισμού στα εικονοστοιχεία της καλλιέργειας είναι η κανονικοποίηση (normalization) των θερμοκρασιών οποιασδήποτε θερμικής φωτογραφίας που απεικονίζει καλλιέργεια ή καλλιέργειες.
Κάνοντας χρήση των συντεταγμένων και του χρωματισμού του εκάστοτε εικονοστοιχείου γίνεται κατασκευή νέας φωτογραφίας. Η νέα κανονονικοποιημένη φωτογραφία απεικονίζει την διακύμανση της θερμοκρασίας μόνο της καλλιέργειας με τυποποιημένο ψευδοχρωματισμό (Σχήμα 4). Έπειτα, γίνεται επιλογή του χρωματισμού και των συντεταγμένων των εικονοστοιχείων που αντιπροσωπεύουν τις υψηλότερες θερμοκρασίες και τοποθετείται ο ψευδοχρωματισμός στα αντίστοιχα (ίδιες συντεταγμένες) εικονοστοιχεία της ψηφιακής φωτογραφίας (Σχήμα 5). Έπειτα, γίνεται τροφοδότηση της ψηφιακής φωτογραφίας ψευδοχρωματισμού σε εκπαιδευμένο Συνελικτικό Νευρωνικό Δίκτυο, το οποίο εκτελεί ταξινόμηση (classification) στρες υπο-περιοχής εντός της καλλιέργειας με συγκεκριμένη οριοθέτηση της στρες περιοχής με περίγραμμα.
Τελικό αποτέλεσμα η ψηφιακή φωτογραφία τυποποιημένου ψευδοχρωματισμού της καλλιέργειας με οριοθετημένα περιγράμματα των υπο-περιοχών με λεκτική απεικόνιση της ταξινόμησης στρες (Σχήμα 6, C1 στρες).
Claims (5)
1. Μέθοδος ανίχνευσης και αξιολόγησης βιοτικού-αβιοτικού στρες σε καλλιέργειες με αυτοματοποιημένη επεξεργασία θερμικών φωτογραφιών με χρήση Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks - CNNs) η οποία περιλαμβάνει τις ακόλουθες φάσεις:
α. μετατροπή της θερμικής φωτογραφίας (ψευδο-χρωματισμός) σε αποχρώσεις της κλίμακας του γκρι (Grayscale) (Σχήμα 1).
β. χρήση της μεθόδου OTSU με σκοπό την απομόνωση του φόντου (background) δηλαδή του εδάφους (Σχήμα 2). Ο αλγόριθμος OTSU υποθέτει ότι η εικόνα περιέχει δύο κατηγορίες εικονοστοιχείων που ακολουθούν το ιστόγραμμα bi-modal (εικονοστοιχεία προσκηνίου και εικονοστοιχεία φόντου.
γ. εύρεση της κατηγορίας των εικονοστοιχείων της μεθόδου OTSU που αντιπροσωπεύουν την καλλιέργεια γίνεται με σύγκριση των δύο κατηγοριών εικονοστοιχείων της μεθόδου OTSU με τα αντίστοιχα (ίδιες συντεταγμένες) εικονοστοιχεία της στοιχισμένης ψηφιακής φωτογραφίας (Σχήμα 3). Αναλυτικότερα, γίνεται σύγκριση μεταξύ των δύο ομάδων (κατηγοριών) εικονοστοιχείων της στοιχισμένης ψηφιακής φωτογραφία (RGB) η οποία έχει μετατραπεί σε χρωματικό μοντέλο HSV (Hue-Χροιά, Saturation-Κορεσμός, Value-Αξία), με σκοπό την εύρεση της ομάδας που έχει τα περισσότερα εικονοστοιχεία με αποχρώσεις του πράσινου. Μετά την εύρεση της ομάδας με τα περισσότερα εικονοστοιχεία με αποχρώσεις του πράσινου, γίνεται επιλογή της αντίστοιχης κατηγορίας εικονοστοιχείων της θερμικής φωτογραφίας.
δ. εξαγωγή των μεταδεδομένων (metadata) της θερμικής φωτογραφίας δηλαδή τη θερμοκρασία του εκάστοτε εικονοστοιχείου της ομάδας (κατηγορίας) που επιλέχθηκε με την ανωτέρω διαδικασία.
ε. κατασκευή ενός πίνακα ο οποίος περιέχει τις συντεταγμένες και τη θερμοκρασία του εκάστοτε εικονοστοιχείου.
στ. εφαρμογή της μεθόδου k-means clustering στα δεδομένα του ανωτέρω πίνακα. Με τη μέθοδο k-means clustering γίνεται ομαδοποίηση των θερμοκρασιών των εικονοστοιχείων σε συγκεκριμένο αριθμό ομάδων. Ομαδοποίηση είναι η διαδικασία που οργανώνει πρότυπα (θερμοκρασίες) σε ομάδες (clusters), όπου τα μέλη μιας ομάδας είναι παρόμοια μεταξύ τους.
ζ. εκχώρηση συγκεκριμένου χρωματισμού στο κάθε εικονοστοιχείο αναλόγως της ομάδας που ανήκει δηλαδή, το εικονοστοιχείο που ανήκει στην ομάδα με την χαμηλότερη θερμοκρασία, του εκχωρείτε το σκούρο πράσινο. Σκοπός της χρήσης τυποποιημένου ψευδοχρωματισμού στα εικονοστοιχεία της καλλιέργειας είναι η κανονικοποίηση (normalization) των θερμοκρασιών οποιασδήποτε θερμικής φωτογραφίας που απεικονίζει καλλιέργεια ή καλλιέργειες. η. κατασκευή νέας φωτογραφίας κάνοντας χρήση των συντεταγμένων και του χρωματισμού του εκάστοτε εικονοστοιχείου. Η νέα κανονονικοποιημένη φωτογραφία (σχήμα 4) απεικονίζει μόνο την καλλιέργεια με τυποποιημένο ψευδοχρωματισμό.
θ. επιλογή του χρωματισμού και των συντεταγμένων των εικονοστοιχείων που αντιπροσωπεύουν τις υψηλότερες θερμοκρασίες και τοποθετείται ο ψευδοχρωματισμός στα αντίστοιχα (ίδιες συντεταγμένες) εικονοστοιχεία της ψηφιακής φωτογραφίας (Σχήμα 5). ι. τροφοδότηση της ψηφιακής φωτογραφίας ψευδοχρωματισμού σε εκπαιδευμένο Συνελικτικό Νευρωνικό Δίκτυο.
ια. ταξινόμηση (classification) στρες υπο-περιοχής εντός της καλλιέργειας με συγκεκριμένη οριοθέτηση της στρες περιοχής με περίγραμμα, ιβ. απεικόνιση της ψηφιακής φωτογραφίας τυποποιημένου ψευδοχρωματισμού της καλλιέργειας με οριοθετημένα περιγράμματα των υπο-περιοχών με λεκτική απεικόνιση της ταξινόμησης στρες (Σχήμα 6, C1 στρες).
2. Μέθοδος ανίχνευσης και αξιολόγησης βιοτικού-αβιοτικού στρες με αυτοματοποιημένη επεξεργασία θερμικών φωτογραφιών με χρήση Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks -CNNs) σύμφωνα με την αξίωση 1 όπου η καλλιέργεια είναι Αμπέλι.
3. Μέθοδος ανίχνευσης και αξιολόγησης βιοτικού-αβιοτικού στρες με αυτοματοποιημένη επεξεργασία θερμικών φωτογραφιών με χρήση Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks -CNNs) σύμφωνα με την αξίωση 1 όπου οι καλλιέργειες είναι Δενδροειδής.
4. Μέθοδος ανίχνευσης και αξιολόγησης βιοτικού-αβιοτικού στρες με αυτοματοποιημένη επεξεργασία θερμικών φωτογραφιών με χρήση Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks -CNNs) σύμφωνα με την αξίωση 1 όπου οι καλλιέργειες είναι Μεγάλες και Βιομηχανικές.
5. Μέθοδος ανίχνευσης και αξιολόγησης βιοτικού-αβιοτικού στρες με αυτοματοποιημένη επεξεργασία θερμικών φωτογραφιών με χρήση Συνελικτικών Νευρωνικών Δικτύων (Convolutional Neural Networks -CNNs) σύμφωνα με την αξίωση 1 όπου οι καλλιέργειες είναι Κηπευτικά.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GR20200100243A GR1009898B (el) | 2020-05-12 | 2020-05-12 | Μεθοδος ανιχνευσης και αξιολογησης βιοτικου-αβιοτικου στρες σε καλλιεργειες απο θερμικες φωτογραφιες με χρηση τεχνητης νοημοσυνης |
| PCT/GR2021/000024 WO2021229248A1 (en) | 2020-05-12 | 2021-04-28 | Method for detection and classification of biotic - abiotic stress in crops from thermal photographs using artificial intelligence |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| GR20200100243A GR1009898B (el) | 2020-05-12 | 2020-05-12 | Μεθοδος ανιχνευσης και αξιολογησης βιοτικου-αβιοτικου στρες σε καλλιεργειες απο θερμικες φωτογραφιες με χρηση τεχνητης νοημοσυνης |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| GR1009898B true GR1009898B (el) | 2021-01-08 |
Family
ID=75107708
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| GR20200100243A GR1009898B (el) | 2020-05-12 | 2020-05-12 | Μεθοδος ανιχνευσης και αξιολογησης βιοτικου-αβιοτικου στρες σε καλλιεργειες απο θερμικες φωτογραφιες με χρηση τεχνητης νοημοσυνης |
Country Status (2)
| Country | Link |
|---|---|
| GR (1) | GR1009898B (el) |
| WO (1) | WO2021229248A1 (el) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115200722B (zh) * | 2022-09-16 | 2022-12-13 | 江苏宸洋食品有限公司 | 温度测量方法及应用该方法的冷藏车温度测量系统 |
| KR102631597B1 (ko) * | 2023-06-29 | 2024-02-02 | 주식회사 리플로그 | 엽록소 형광값을 이용한 딸기의 스트레스 지수 산출방법 및 재배관리 시스템 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001062935A1 (en) * | 2000-02-25 | 2001-08-30 | Villoo Morawala Patell | A process for constructing dna based molecular marker for enabling selection of drought and diseases resistant germplasm screening |
| EP2194503A1 (en) * | 2008-10-27 | 2010-06-09 | Guangzhou SAT Infrared Technology Co., Ltd. | Method and device for infrared and visible image fusion |
| KR20160052368A (ko) * | 2014-10-29 | 2016-05-12 | 서울대학교산학협력단 | 열영상을 이용한 식물의 비생물적 스트레스 또는 제초제 반응의 진단방법 |
| CN105678793A (zh) * | 2016-02-26 | 2016-06-15 | 浙江大学 | 一种基于图像融合的猕猴桃溃疡病的早期诊断方法及装置 |
| CN105719304A (zh) * | 2016-01-25 | 2016-06-29 | 中山大学 | 一种基于Otsu的花朵图像分割方法 |
| KR101830056B1 (ko) * | 2017-07-05 | 2018-02-19 | (주)이지팜 | 딥러닝 기반의 병해 진단 시스템 및 그 이용방법 |
| CN107767364A (zh) * | 2017-09-12 | 2018-03-06 | 中国林业科学研究院林业研究所 | 基于红外热图像精准提取树木冠层温度的方法 |
| CN108537777A (zh) * | 2018-03-20 | 2018-09-14 | 西京学院 | 一种基于神经网络的作物病害识别方法 |
| WO2019025716A1 (fr) * | 2017-08-03 | 2019-02-07 | Universite D'orleans | Procede et systeme de cartographie de l'etat sanitaire de cultures |
-
2020
- 2020-05-12 GR GR20200100243A patent/GR1009898B/el active IP Right Grant
-
2021
- 2021-04-28 WO PCT/GR2021/000024 patent/WO2021229248A1/en active Application Filing
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2001062935A1 (en) * | 2000-02-25 | 2001-08-30 | Villoo Morawala Patell | A process for constructing dna based molecular marker for enabling selection of drought and diseases resistant germplasm screening |
| EP2194503A1 (en) * | 2008-10-27 | 2010-06-09 | Guangzhou SAT Infrared Technology Co., Ltd. | Method and device for infrared and visible image fusion |
| KR20160052368A (ko) * | 2014-10-29 | 2016-05-12 | 서울대학교산학협력단 | 열영상을 이용한 식물의 비생물적 스트레스 또는 제초제 반응의 진단방법 |
| CN105719304A (zh) * | 2016-01-25 | 2016-06-29 | 中山大学 | 一种基于Otsu的花朵图像分割方法 |
| CN105678793A (zh) * | 2016-02-26 | 2016-06-15 | 浙江大学 | 一种基于图像融合的猕猴桃溃疡病的早期诊断方法及装置 |
| KR101830056B1 (ko) * | 2017-07-05 | 2018-02-19 | (주)이지팜 | 딥러닝 기반의 병해 진단 시스템 및 그 이용방법 |
| WO2019025716A1 (fr) * | 2017-08-03 | 2019-02-07 | Universite D'orleans | Procede et systeme de cartographie de l'etat sanitaire de cultures |
| CN107767364A (zh) * | 2017-09-12 | 2018-03-06 | 中国林业科学研究院林业研究所 | 基于红外热图像精准提取树木冠层温度的方法 |
| CN108537777A (zh) * | 2018-03-20 | 2018-09-14 | 西京学院 | 一种基于神经网络的作物病害识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021229248A1 (en) | 2021-11-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230292647A1 (en) | System and Method for Crop Monitoring | |
| Xu et al. | Multispectral imaging and unmanned aerial systems for cotton plant phenotyping | |
| Friedli et al. | Terrestrial 3D laser scanning to track the increase in canopy height of both monocot and dicot crop species under field conditions | |
| Solano et al. | A methodology based on GEOBIA and WorldView-3 imagery to derive vegetation indices at tree crown detail in olive orchards | |
| Stanton et al. | Unmanned aircraft system-derived crop height and normalized difference vegetation index metrics for sorghum yield and aphid stress assessment | |
| Moriya et al. | Mapping mosaic virus in sugarcane based on hyperspectral images | |
| EP3467702A1 (en) | Method and system for performing data analysis for plant phenotyping | |
| CN105758806B (zh) | 基于光谱特征的地膜覆盖农田遥感监测方法 | |
| US7271386B2 (en) | Method for detecting and managing nematode population | |
| Ponti et al. | Precision agriculture: Using low-cost systems to acquire low-altitude images | |
| US20220307971A1 (en) | Systems and methods for phenotyping | |
| WO2021229248A1 (en) | Method for detection and classification of biotic - abiotic stress in crops from thermal photographs using artificial intelligence | |
| Park et al. | Estimation of crop water stress in a nectarine orchard using high-resolution imagery from unmanned aerial vehicle (UAV) | |
| Koedsin et al. | Mapping rubber tree stand age using Pléiades Satellite Imagery: A case study in Talang district, Phuket, Thailand | |
| Liebisch et al. | Flourish-A robotic approach for automation in crop management | |
| Atsmon et al. | Hyperspectral imaging facilitates early detection of Orobanche cumana below-ground parasitism on sunflower under field conditions | |
| Ya et al. | Development of rice growth map using the advanced remote sensing techniques | |
| Singh et al. | Multi-temporal high resolution unmanned aerial vehicle (UAV) Multispectral imaging for menthol mint crop monitoring | |
| Silva et al. | Mapping two competing grassland species from a low-altitude Helium balloon | |
| Lobitz et al. | Grapevine remote sensing analysis of phylloxera early stress (GRAPES): remote sensing analysis summary | |
| Ghasemloo et al. | Vegetation species determination using spectral characteristics and artificial neural network (SCANN) | |
| Nuthammachot et al. | Exploring Sentinel-2 satellite imagery-based vegetation indices for classifying healthy and diseased oil palm trees | |
| Dos Reis et al. | Exploring the potential of high-resolution planetscope imagery for pasture biomass estimation in an integrated crop–livestock system | |
| Fukagawa et al. | Detecting crop growth by a multi-spectral imaging sensor | |
| Papić et al. | On Olive Groves Analysis using UAVs |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PG | Patent granted |
Effective date: 20210215 |