JP7086203B2 - 植物体耕作データ測定方法、作業経路計画方法及び装置、システム - Google Patents
植物体耕作データ測定方法、作業経路計画方法及び装置、システム Download PDFInfo
- Publication number
- JP7086203B2 JP7086203B2 JP2020548944A JP2020548944A JP7086203B2 JP 7086203 B2 JP7086203 B2 JP 7086203B2 JP 2020548944 A JP2020548944 A JP 2020548944A JP 2020548944 A JP2020548944 A JP 2020548944A JP 7086203 B2 JP7086203 B2 JP 7086203B2
- Authority
- JP
- Japan
- Prior art keywords
- plant
- information
- work
- historical
- cultivation data
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 90
- 238000000691 measurement method Methods 0.000 title claims description 13
- 238000012545 processing Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 26
- 238000013507 mapping Methods 0.000 claims description 21
- 230000008635 plant growth Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000011065 in-situ storage Methods 0.000 claims description 6
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 2
- 241000196324 Embryophyta Species 0.000 description 366
- 230000009286 beneficial effect Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 241000607479 Yersinia pestis Species 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000012010 growth Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241001124569 Lycaenidae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D43/00—Arrangements or adaptations of instruments
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/188—Vegetation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U10/00—Type of UAV
- B64U10/10—Rotorcrafts
- B64U10/13—Flying platforms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
- B64U2101/32—UAVs specially adapted for particular uses or applications for imaging, photography or videography for cartography or topography
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2101/00—UAVs specially adapted for particular uses or applications
- B64U2101/40—UAVs specially adapted for particular uses or applications for agriculture or forestry operations
-
- 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
- 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
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
Description
現在、農産物の生産量に影響を与える要因には、主に、耕作数量や植物体サイズ等の植物体耕作データが含まれ、これらの植物体耕作データは、農業経営者が農産物の経済的利益を予測するに非常に重要なものである。しかし、通常は手動統計の方式によって取得されるため、植物体耕作データの統計効率が比較的に低く、特に、耕作面積の大きい一部の農作物の場合に、植物体耕作データの統計が非常に複雑になる。
上記目的を実現するため、本願において以下のような技術案を提供する。
耕作領域の画像情報を受信することと、
予め設定された識別モデルを用いて、前記耕作領域の画像情報に対して処理を行って、植物体耕作データを取得することと、を含む植物体耕作データ測定方法を提供する。
既存技術に比べ、本願で提供する植物体耕作データ測定方法において、予め設定された識別モデルを用いて、マッピング装置(測量及び図化装置)から伝送された耕作領域の画像情報に対して処理を行って、植物体耕作データを取得することで、植物体耕作データの統計過程を簡略化して植物体耕作データの統計効率を向上させて、経路計画をさらに正確にさせて、耕作領域の植物体耕作データの手動統計による統計効率の低下及び統計過程が複雑である問題を回避する。
耕作領域の画像情報を受信するための受信モジュールと、
予め設定された識別モデルを用いて、前記耕作領域の画像情報に対して処理を行って、植物体耕作データを取得するための処理モジュールと、を含む植物体耕作データ測定装置をさらに提供する。
既存技術に比べ、本願で提供する植物体耕作データ測定装置による有益な効果は上記技術案にて提供した植物体耕作データ測定方法による有益な効果と同じであるため、ここでは詳細な説明を省略する。
既存技術に比べ、本願で提供する植物体耕作データ測定システムによる有益な効果は上記技術案にて提供した植物体耕作データ測定方法による有益な効果と同じであるため、ここでは詳細な説明を省略する。
上記技術案に記載の植物体耕作データ測定方法に従って、作業経路計画用の作業領域画像から作業領域における植物体耕作データを取得することと、
前記作業領域における植物体耕作データに基づいて、移動可能な機器の作業領域での作業経路を計画することと、を含む作業経路計画方法をさらに提供する。
既存技術に比べ、本願で提供する作業経路計画方法による有益な効果は上記技術案にて提供した植物体耕作データ測定方法の技術案と同じであるため、ここでは詳細な説明を省略する。同時に、測定された植物体耕作データによって作業経路を計画して、作業経路をさらに正確にさせ、働き効率を向上させ、作業実行正確性を向上させることができる。
上記技術案で提供した上記植物体耕作データ測定方法に従って、前記作業経路計画の作業領域画像から、作業領域における植物体耕作データを取得するための上記技術案に記載の植物体耕作データ測定装置と、
前記作業領域における植物体耕作データに基づいて、移動可能な機器の作業領域での作業経路を計画するための計画モジュールと、を含む作業経路計画システムをさらに提供する。
既存技術に比べ、本願で提供する作業経路計画システムによる有益な効果は上記技術案にて提供した作業経路計画方法による有益な効果と同じであるため、ここでは詳細な説明を省略する。
本願の実施例において作業経路計画方法を提供し、図1に示すように、この作業経路計画方法はステップS110、ステップS130を含む。
ステップS110において、植物体耕作データ測定方法を用いて、作業経路計画用の作業領域画像から作業領域における植物体耕作データを取得する。
ここで、植物体耕作データ測定方法は、トレーニング学習等の画像識別技術に基づいて、植物体耕作データを測定する。画像識別技術は、深層ネットワーク学習技術または他の画像識別技術であることができる。例えば、簡単の色の識別、形状の識別、画像の分割、エッジ部の識別算出方法等によって、作業領域の画像から必要な植物体耕作データを分離することができる。これらの画像識別技術によって、作業領域画像から必要な作業領域における植物体耕作データを高速に分離して、作業領域における植物体耕作データに応じて、移動可能な機器の作業領域での作業経路を計画することができ、作業実行正確性を向上させ、盲目的に作業する現象の出現を回避し、マッピング効率を向上させる。
ステップS122において、ユーザの選択命令に応じて、可視化標記された作業領域における植物体耕作データから作業対象植物体領域の植物体耕作データを取得する。
作業対象植物体領域の植物体耕作データに基づいて、移動可能な機器の作業植物体領域での作業経路を計画することを含む。
ステップS132aにおいて、各植物体の作業中心点、各植物体の作業半径及び前記移動可能な機器の作業幅とに基づいて、植物体作業経路を生成する。植物体作業経路は、移動可能な機器の作業領域内の作業経路を制御するに用いられる。
一方、作業領域の地形が階段状であれば、特に作業領域内の各植物体の寸法が小さい場合に、植物体ごとの作業方式を限定することは非現実的であり、階段状の領域の階段ごとに作業経路の計画を行うことが考えられる。これに基づいて、植物体耕作データに植物体エッジ部情報と植物体の位置情報とが含まれた場合に、図4に示すように、上記作業領域における植物体耕作データに基づいて移動可能な機器の作業領域での作業経路を計画することは、ステップS131b、ステップS132bを含む。
具体的に、ここで言う作業中心線とは、各階段の領域の全ての植物体の作業中心点からなる接続線を指し、曲線、直線または波線であることができる。各作業中心線はいずれも植物体幅に対応する。植物体幅はこの作業中心線に対応するすべての植物体の平均幅であることができれば、この作業中心線に対応するすべての植物体の中の幅が最も大きい植物体の幅であることもできる。
本願の実施例においてさらに植物体耕作データ測定方法を提供する。これは、上述した作業経路を計画して作業領域における植物体耕作データを取得するに用いられ、植物体の成長状況の分析にも適用可能である。図5と図6に示すように、この植物体耕作データ測定方法は、ステップS220、ステップS230を含む。
ここで、本願の実施例で提供する植物体耕作データ測定方法が、実際の需要に応じて出力することも可能であり、出力が必要な時、実際の需要に応じて植物体耕作データを出力するステップS240をさらに含むことが可能であることは理解でき、これによりさらなる応用を提供する。
ステップS211において、耕作領域歴史情報を受信する。耕作領域歴史情報には歴史画像情報と歴史画像情報に対応する歴史植物体校正情報とが含まれる。
ステップS212において、歴史画像情報から歴史植物体図形特徴を抽出し、具体的には、図3に示す畳み込みニューラル・ネットワーク・モデルCNNで実現することができ、他の画像識別モデルを用いて、識別することも可能である。
ステップS214において、深層ネットワーク・モデルで耕作領域の画像情報に対して処理を行った結果が相対的に正確になるように、歴史植物体校正情報を用いて深層ネットワーク・モデルの損失値の最適化を行って、最適化後の植物体耕作データの識別戦略を含む深層ネットワーク・モデルを取得する。
後続する深層ネットワーク・モデルを用いた画像識別の便宜を図るために、図6に示すように、本願の実施例で提供する植物体耕作データ測定方法は、深層ネットワーク・モデルを記憶するステップS250をさらに含み、深層ネットワーク・モデルを、記憶機能を具備する記憶モジュール130またはメモリ内に記憶することができる。
特徴ピラミッド・モデルFPNで歴史植物体図形特徴に画像分割を行って、植物体歴史画像分割結果を得ることを含み、植物体歴史画像分割結果は実は、一連の植物体エッジ部の軌跡点予測情報であり、これらの植物体エッジ部の軌跡点予測情報からなる植物体エッジ部は不規則なエッジ部である。
植物体歴史画像分割結果と実際の植物体エッジ部校正情報との差異を検証するため、
植物体歴史画像分割結果及び歴史植物体エッジ部校正情報に基づいて、歴史植物体画像分割損失値Lmaskを取得すること、
及び/または、
領域推薦ネットワーク・モデルRPNで歴史植物体図形特徴に対して処理を行って、ターゲット植物体領域結果を取得すること、をさらに含む。ここで、ターゲット植物体領域結果は実は一連の植物体エッジ部の軌跡点予測情報であるが、さらにこれらの植物体エッジ部の軌跡点予測情報を用いて植物体位置予測情報を取得するために、植物体歴史画像分割結果とは、これらの植物体エッジ部の軌跡点予測情報からなる植物体エッジ部が規則な円形である点で相違している。
ターゲット植物体領域結果及び歴史植物体エッジ部校正情報に基づいて、ターゲット植物体領域回帰損失値Lboxを取得すること、
及び/または、
領域推薦ネットワーク・モデルRPNで、歴史植物体図形特徴に対して処理を行って、ターゲット植物体種類情報を取得し、ターゲット植物体種類情報及び歴史植物体種類校正情報に基づいて、ターゲット植物体種類回帰損失値Lclsを取得すること、
歴史植物体画像分割損失値Lmask、ターゲット植物体領域回帰損失値Lbox、ターゲット植物体種類回帰損失値Lclsの中の1種または複種類に基づいて、深層ネットワーク・モデルの損失値を取得することをさらに含む。
ステップS231において、深層ネットワーク・モデルに基づいて制御して、耕作領域の画像情報から測定対象の植物体の図形特徴を抽出する。
ここで、深層ネットワーク・モデルに基づいて制御して、測定対象の植物体の図形特徴に対して処理を行って植物体耕作データを取得することは、
深層ネットワーク・モデルに基づいて、測定対象の植物体の図形特徴に画像分割を行うように特徴ピラミッド・モデルFPNを制御して、植物体樹冠形状、植物体大きさ等を含む植物体エッジ部情報を取得することを含む。
深層ネットワーク・モデルに基づいて、測定対象の植物体の図形特徴に対して処理を行うように特徴ピラミッド・モデルを制御して、植物体成長情報を取得することを含む。また、植物体エッジ部情報に基づいて、植物体成長状況を取得することもできる。
但し、上述した植物体成長情報は、植物体の成長状況を示し、植物体が発芽したか否か、植物体の発芽率、植物体の開花状況、植物体の受粉状況、植物体が害虫や雑草に被害された状況及び植物体成熟状況等を含む。一実施例において、深層識別モデルによって植物体の病害虫を自動に識別し、上述した耕作領域の歴史画像情報中の害虫被害、雑草被害等の被害写真を校正して、深層識別モデルによって植物体の病害虫を自動に識別でき、植物体の健康状況を監視し、植物体成長情報を生成する。
深層ネットワーク・モデルに基づいて、測定対象の植物体の図形特徴に対して処理を行うように領域推薦ネットワーク・モデルRPNを制御して、植物体の位置情報を取得することを含む。
深層ネットワーク・モデルに基づいて、前記測定対象の植物体の図形特徴に対して処理を行うように領域推薦ネットワーク・モデルを制御して、植物体数量情報を取得することを含む。植物体数量情報を植物体の位置情報に基づいて取得することも可能である。
深層ネットワーク・モデルに基づいて、歴史植物体図形特徴に対して処理を行うように領域推薦ネットワーク・モデルRPNを制御して、植物体種類情報を取得することを含む。
植物体エッジ部情報、植物体の位置情報、植物体成長情報、植物体数量情報、植物体種類情報の中の一つまたは複数を植物体耕作データとして出力することをさらに含む。例示的に、表1に出力される植物体エッジ部情報及び植物体の位置情報を示す。
本願の実施例において作業経路計画システムをさらに提供し、図1と図5に示すように、この作業経路計画システムは、
上記実施例2で提供した植物体耕作データ測定方法に従って、前記作業経路計画用の作業領域画像から作業領域における植物体耕作データを取得するための植物体耕作データ測定装置100と、
作業領域における植物体耕作データに基づいて、移動可能な機器の作業領域での作業経路を計画するための計画モジュール400と、を含む。
ここで、作業経路は、弓形経路、螺旋状経路、同心円経路、マンサード経路、その場での回転経路の中の1種または複種類を含むが、これに限定されることはない。
作業領域における植物体耕作データを取得した後に、移動可能な機器の作業領域での作業経路を計画する前に、前記作業領域における植物体耕作データの可視化標記を行うためのデータ標記モジュール200と、
ユーザから送信された選択命令に従って、可視化標記された作業領域における植物体耕作データから作業対象植物体領域の植物体耕作データを取得するための選択制御モジュール300と、
具体的に前記作業対象植物体領域の植物体耕作データに基づいて、移動可能な機器の作業対象植物体領域での作業経路を計画する計画モジュール400と、をさらに含む。
各植物体の作業中心点、各植物体の作業半径及び移動可能な機器の作業幅に基づいて、移動可能な機器の前記作業領域内の作業経路を制御するための植物体作業経路を生成するに用いられる。
本願の実施例において植物体耕作データ測定装置100を提供し、上記実施例3で提供した作業経路計画システムに含まれる植物体耕作データ測定装置100とすることができる。図6と図10に示すように、この植物体耕作データ測定装置100は、
耕作領域の画像情報を受信するための受信モジュール110と、
予め設定された識別モデルを用いて、耕作領域の画像情報に対して処理を行って、植物体耕作データを取得するための処理モジュール120と、を含む。
ここで、上記画像情報は、マッピング画像情報、地図情報、写真情報の中の1種または複種類を含み、例えば赤外図等の他の形式の画像情報を含むこともでき、ここでは逐一説明しない。
上記受信モジュール110はさらに、耕作領域の画像情報を受信する前に、歴史画像情報と歴史画像情報に対応する歴史植物体校正情報とを含む耕作領域歴史情報を受信する。
あるいはまた、本願の実施例において、歴史植物体校正情報は、歴史植物体エッジ部校正情報及び/または歴史植物体種類校正情報を含む。
耕作領域の画像情報を受信する前に、特徴ピラミッド・モデルFPNを用いて、歴史植物体図形特徴に画像分割を行って、植物体歴史画像分割結果を取得し、植物体歴史画像分割結果及び前記歴史植物体エッジ部校正情報に基づいて、歴史植物体画像分割損失値Lmaskを取得し、及び、
耕作領域の画像情報を受信した後に、深層ネットワーク・モデルに基づいて、特徴ピラミッド・モデルFPNを用いて、前記測定対象の植物体の図形特徴に画像分割を行って、植物体エッジ部情報を取得し、及び/または、深層ネットワーク・モデルに基づいて、前記測定対象の植物体の図形特徴に対して処理を行うように特徴ピラミッド・モデルを制御して、植物体成長情報を取得する。
耕作領域の画像情報を受信する前に、領域推薦ネットワーク・モデルRPNを用いて、歴史植物体図形特徴に対して処理を行って、ターゲット植物体領域結果を取得し、前記ターゲット植物体領域結果及び前記歴史植物体エッジ部校正情報に基づいて、ターゲット植物体領域回帰損失値Lboxを取得し、及び、
前記深層ネットワーク・モデルに基づいて、耕作領域の画像情報を受信した後に、深層ネットワーク・モデルに基づいて、領域推薦ネットワーク・モデルRPNを用いて、前記測定対象の植物体の図形特徴に対して処理を行って、植物体の位置情報を取得し、及び/または、深層ネットワーク・モデルに基づいて、前記測定対象の植物体の図形特徴に対して処理を行うように領域推薦ネットワーク・モデルを制御して、植物体数量情報を取得し、
及び/または、
耕作領域の画像情報を受信する前に、領域推薦ネットワーク・モデルRPNを用いて、前記歴史植物体図形特徴に対して処理を行って、ターゲット植物体種類情報を取得し、前記ターゲット植物体種類情報及び前記歴史植物体種類校正情報に基づいて、ターゲット植物体種類回帰損失値Lclsを取得し、及び耕作領域の画像情報を受信した後に、深層ネットワーク・モデルに基づいて、領域推薦ネットワーク・モデルRPNを用いて、前記歴史植物体図形特徴に対して処理を行って、植物体種類情報を取得する。
耕作領域の画像情報を受信する前に、歴史植物体画像分割損失値Lmask、ターゲット植物体領域回帰損失値Lbox、ターゲット植物体種類回帰損失値Lclsの中の1種または複種類に基づいて、深層ネットワーク・モデルの損失値を取得する。
なお、植物体耕作データを出力する必要がある場合に、図10に示すように、本願の実施例の植物体耕作データ測定装置100は、植物体エッジ部情報、植物体の位置情報、植物体数量情報、植物体成長情報、植物体種類情報の中の一つまたは複数を植物体耕作データとして出力するための送信モジュール140をさらに含む。
本願の実施例において植物体耕作データ測定システムをさらに提供し、図10と図12に示すように、この植物体耕作データ測定システムは、画像採集装置001と、上記実施例で提供するメモリ302とを含む。画像採集装置001の出力端は植物体耕作データ測定装置100に含まれた受信モジュール110に接続される。
具体的に、図12に示すように、本願の実施例で提供する植物体耕作データ測定システムにおいて、画像採集装置001は通常マッピング航空機であり、他のカメラ等の撮像装置であることもできる。
また、植物体耕作データ測定装置100がマッピング航空機によって採集された耕作領域の画像情報をリアルタイムに対して処理するように、植物体耕作データ測定装置100をマッピング航空機内に設置することもできる。植物体耕作データ測定装置100がマッピング航空機に設置された場合に、マッピング航空機は、マッピング・モジュールと飛行制御モジュールとを含み、本願の実施例で提供する植物体耕作データ測定装置100は飛行制御モジュール内に設けられ、マッピング・モジュールは受信モジュール110に接続される。
Claims (14)
- 耕作領域の画像情報を受信することと、
予め設定された識別モデルを用いて、前記耕作領域の画像情報に対して処理を行って、植物体耕作データを取得することと、を含み、
前記耕作データは、植物体エッジ部情報、植物体の位置情報、植物体数量情報、植物体成長情報、及び植物体種類情報の中の少なくとも一つを含み、
前記予め設定された識別モデルは深層ネットワーク・モデルであり、耕作領域の画像情報を受信する前に、
歴史画像情報と前記歴史画像情報に対応する歴史植物体校正情報とを含む耕作領域歴史情報を受信することと、
前記歴史画像情報から歴史植物体図形特徴を抽出することと、
深層学習方式で前記歴史植物体図形特徴及び前記歴史植物体校正情報に対して処理を行って、深層ネットワーク・モデルの損失値を取得することと、
前記歴史植物体校正情報を用いて、前記深層ネットワーク・モデルの損失値に最適化を行って、最適化後の植物体耕作データの識別戦略を含む深層ネットワーク・モデルを取得することと、
前記深層ネットワーク・モデルを記憶することと、をさらに含む植物体耕作データ測定方法。 - 前記画像情報が、マッピング画像情報、地図情報、写真情報の中の1種または複種類を含む請求項1に記載の植物体耕作データ測定方法。
- 前記深層学習方式で歴史植物体図形特徴及び歴史植物体校正情報に対して処理を行って、深層ネットワーク・モデルの損失値を取得することは、
前記歴史植物体校正情報に歴史植物体エッジ部校正情報が含まれた場合に、特徴ピラミッド・モデルを用いて、前記歴史植物体図形特徴に画像分割を行って、植物体歴史画像分割結果を取得し、前記植物体歴史画像分割結果及び前記歴史植物体エッジ部校正情報に基づいて、歴史植物体画像分割損失値を取得することと、
前記歴史植物体校正情報に歴史植物体エッジ部校正情報が含まれた場合に、領域推薦ネットワーク・モデルを用いて、前記歴史植物体図形特徴に対して処理を行って、ターゲット植物体領域結果を取得し、前記ターゲット植物体領域結果及び前記歴史植物体エッジ部校正情報に基づいて、ターゲット植物体領域回帰損失値を取得することと、
前記歴史植物体校正情報に歴史植物体種類校正情報が含まれた場合に、領域推薦ネットワーク・モデルを用いて、前記歴史植物体図形特徴に対して処理を行って、ターゲット植物体種類情報を取得し、前記ターゲット植物体種類情報及び前記歴史植物体種類校正情報に基づいて、ターゲット植物体種類回帰損失値を取得することと、
前記歴史植物体画像分割損失値、前記ターゲット植物体領域回帰損失値、前記ターゲット植物体種類回帰損失値の中の1種または複種類に基づいて、深層ネットワーク・モデルの損失値を取得することと、を含む請求項1に記載の植物体耕作データ測定方法。 - 前記予め設定された識別モデルを用いて、前記耕作領域の画像情報に対して処理を行って、植物体耕作データを取得することが、
前記予め設定された識別モデルに基づいて制御して、前記耕作領域の画像情報から測定対象の植物体の図形特徴を抽出することと、
前記予め設定された識別モデルに基づいて制御して、前記測定対象の植物体の図形特徴を処理して、植物体耕作データを取得することと、を含む請求項3に記載の植物体耕作データ測定方法。 - 前記予め設定された識別モデルに基づいて制御して、測定対象の植物体の図形特徴を処理して、植物体耕作データを取得することは、
前記深層ネットワーク・モデルに基づいて、前記測定対象の植物体の図形特徴に画像分割を行うように特徴ピラミッド・モデルを制御して、植物体エッジ部情報を取得すること、
前記深層ネットワーク・モデルに基づいて、前記測定対象の植物体の図形特徴に対して処理を行うように領域推薦ネットワーク・モデルを制御して、植物体の位置情報を取得すること、
前記深層ネットワーク・モデルに基づいて、前記測定対象の植物体の図形特徴に対して処理を行うように領域推薦ネットワーク・モデルを制御して、植物体数量情報を取得すること、
前記深層ネットワーク・モデルに基づいて、前記測定対象の植物体の図形特徴に対して処理を行うように特徴ピラミッド・モデルを制御して、植物体成長情報を取得すること、
前記深層ネットワーク・モデルに基づいて、前記歴史植物体図形特徴に対して処理を行うように領域推薦ネットワーク・モデルを制御して、植物体種類情報を取得することの中の少なくとも一つを含む請求項4に記載の植物体耕作データ測定方法。 - 耕作領域の画像情報を受信するように構成された受信モジュールと、
予め設定された識別モデルを用いて、前記耕作領域の画像情報に対して処理を行って、植物体耕作データを取得するように構成された処理モジュールと、を含み、
前記耕作データは、植物体エッジ部情報、植物体の位置情報、植物体数量情報、植物体成長情報、及び植物体種類情報の中の少なくとも一つを含み、
前記予め設定された識別モデルは深層ネットワーク・モデルであり、耕作領域の画像情報を受信する前に、
歴史画像情報と前記歴史画像情報に対応する歴史植物体校正情報とを含む耕作領域歴史情報を受信し、
前記歴史画像情報から歴史植物体図形特徴を抽出し、
深層学習方式で前記歴史植物体図形特徴及び前記歴史植物体校正情報に対して処理を行って、深層ネットワーク・モデルの損失値を取得し、
前記歴史植物体校正情報を用いて、前記深層ネットワーク・モデルの損失値に最適化を行って、最適化後の植物体耕作データの識別戦略を含む深層ネットワーク・モデルを取得し、
前記深層ネットワーク・モデルを記憶する植物体耕作データ測定装置。 - 画像採集装置と、請求項6に記載の植物体耕作データ測定装置と、含み、前記画像採集装置の出力端が前記植物体耕作データ測定装置に含まれた受信モジュールに接続される植物体耕作データ測定システム。
- 前記画像採集装置がマッピング・モジュールと飛行制御モジュールとを含むマッピング航空機である場合に、前記植物体耕作データ測定装置が前記飛行制御モジュールに設けられ、前記マッピング・モジュールが前記受信モジュールに接続される請求項7に記載の植物体耕作データ測定システム。
- 請求項1乃至5の中のいずれか一項に記載の植物体耕作データ測定方法に従って、作業経路計画用の作業領域画像から作業領域における植物体耕作データを取得することと、
前記作業領域における植物体耕作データに基づいて、移動可能な機器の作業領域での作業経路を計画することと、を含む作業経路計画方法。 - 前記植物体耕作データに植物体エッジ部情報と植物体の位置情報とが含まれていると、前記作業領域における植物体耕作データに基づいて、移動可能な機器の作業領域での作業経路を計画することは、
前記作業領域における植物体の位置情報に基づいて、各植物体の作業中心点を決定することと、
前記作業領域における植物体エッジ部情報に基づいて、各植物体の作業半径を決定することと、
各植物体の作業中心点、各植物体の作業半径及び前記移動可能な機器の作業幅に基づいて、前記移動可能な機器の前記作業領域内での作業経路を制御するための植物体作業経路を生成することと、を含む請求項9に記載の作業経路計画方法。 - 前記植物体耕作データに植物体エッジ部情報と植物体の位置情報とが含まれていると、前記作業領域における植物体耕作データに基づいて、移動可能な機器の作業領域での作業経路を計画することは、
前記植物体の位置情報に基づいて、少なくとも一本の作業中心線を決定することと、
植物体エッジ部情報に基づいて、少なくとも一本の作業中心線に対応する植物体幅を決定することと、
前記移動可能な機器の作業幅、各前記作業中心線及び対応する植物体幅に基づいて、前記移動可能な機器の前記作業領域内での作業経路を制御するための植物体作業経路を生成することと、含む請求項9に記載の作業経路計画方法。 - 前記作業経路が、弓形経路、螺旋状経路、同心円経路、マンサード経路、その場での回転経路の中の1種または複種類を含む請求項9に記載の作業経路計画方法。
- 前記作業領域における植物体耕作データを取得した後に、移動可能な機器の作業領域での作業経路を計画する前に、
前記作業領域における植物体耕作データに対して可視化標記を行うことと、
ユーザの選択命令に応じて、可視化標記された前記作業領域における植物体耕作データから作業対象植物体領域の植物体耕作データを取得することと、をさらに含み、
前記作業領域における植物体耕作データに基づいて、移動可能な機器の作業領域での作業経路を計画することは、
前記作業対象植物体領域の植物体耕作データに基づいて、移動可能な機器の作業対象植物体領域での作業経路を計画することを含む請求項9に記載の作業経路計画方法。 - 請求項1乃至5の中のいずれか一項に記載の植物体耕作データ測定方法に従って、作業経路計画用の作業領域画像から作業領域における植物体耕作データを取得するように構成された植物体耕作データ測定装置と、
前記作業領域における植物体耕作データに基づいて、移動可能な機器の作業領域での作業経路を計画するように構成された計画モジュールと、を含む作業経路計画システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810247447.7A CN110309933A (zh) | 2018-03-23 | 2018-03-23 | 植株种植数据测量方法、作业路线规划方法及装置、系统 |
CN201810247447.7 | 2018-03-23 | ||
PCT/CN2019/075457 WO2019179270A1 (zh) | 2018-03-23 | 2019-02-19 | 植株种植数据测量方法、作业路线规划方法及装置、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021516060A JP2021516060A (ja) | 2021-07-01 |
JP7086203B2 true JP7086203B2 (ja) | 2022-06-17 |
Family
ID=67988117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020548944A Active JP7086203B2 (ja) | 2018-03-23 | 2019-02-19 | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム |
Country Status (6)
Country | Link |
---|---|
US (1) | US11321942B2 (ja) |
EP (1) | EP3770830A4 (ja) |
JP (1) | JP7086203B2 (ja) |
CN (1) | CN110309933A (ja) |
AU (1) | AU2019238712B2 (ja) |
WO (1) | WO2019179270A1 (ja) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580729B2 (en) * | 2019-11-22 | 2023-02-14 | Intelinair, Inc. | Agricultural pattern analysis system |
IT201900025831A1 (it) * | 2019-12-31 | 2021-07-01 | Twicky S R L | Metodo per la pianificazione del percorso di movimentazione di un oggetto all'interno di un’area urbana e programma informatico atto ad implementare tale metodo |
CN113407755A (zh) * | 2020-03-17 | 2021-09-17 | 北京百度网讯科技有限公司 | 植物生长状况信息获取方法、装置及电子设备 |
US11730089B2 (en) * | 2020-03-25 | 2023-08-22 | Iunu, Inc. | Horticulture aided by autonomous systems |
US11656624B2 (en) * | 2020-03-25 | 2023-05-23 | Iunu, Inc. | Horticulture aided by autonomous systems |
CN111860626B (zh) * | 2020-07-04 | 2023-08-29 | 广东粤源工程咨询有限公司 | 基于无人机遥感和面向对象分类的水土保持监测方法及系统 |
CN112183329A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 植株的补种信息识别方法、装置、计算机设备和存储介质 |
CN112068572A (zh) * | 2020-10-09 | 2020-12-11 | 四川长虹电器股份有限公司 | 一种无人收割系统及方法 |
CN112487936A (zh) * | 2020-11-26 | 2021-03-12 | 郑州数农通大数据科技有限公司 | 一种基于机器视觉技术的玉米田间管理机器人 |
CN112987779A (zh) * | 2021-02-03 | 2021-06-18 | 湖南祥柏生态环保科技有限公司 | 基于环形作业的种植区 |
CN113074740B (zh) * | 2021-04-29 | 2023-11-17 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
CN113778110B (zh) * | 2021-11-11 | 2022-02-15 | 山东中天宇信信息技术有限公司 | 一种基于机器学习的智能农机控制方法及系统 |
CN115299245B (zh) * | 2022-09-13 | 2023-07-14 | 南昌工程学院 | 一种智能水果采摘机器人的控制方法及控制系统 |
CN116222547B (zh) * | 2023-05-10 | 2023-08-01 | 北京市农林科学院智能装备技术研究中心 | 适用于等高种植的农机导航方法、装置及电子设备 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8855405B2 (en) * | 2003-04-30 | 2014-10-07 | Deere & Company | System and method for detecting and analyzing features in an agricultural field for vehicle guidance |
WO2011115666A2 (en) * | 2010-03-13 | 2011-09-22 | Carnegie Mellon University | Computer vision and machine learning software for grading and sorting plants |
US20130173321A1 (en) * | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan |
CN102749290B (zh) | 2012-07-02 | 2014-12-03 | 浙江大学 | 一种樱桃树冠层树枝生长状态的检测方法 |
CN103017753B (zh) * | 2012-11-01 | 2015-07-15 | 中国兵器科学研究院 | 一种无人机航路规划方法及装置 |
CN103336517B (zh) | 2013-07-02 | 2015-06-24 | 周庆芬 | 一种智能农业综合管理系统 |
WO2015006675A2 (en) * | 2013-07-11 | 2015-01-15 | Blue River Technology, Inc. | Method for automatic phenotype measurement and selection |
CN104461318B (zh) * | 2013-12-10 | 2018-07-20 | 苏州梦想人软件科技有限公司 | 基于增强现实技术的点读方法及系统 |
US20170161560A1 (en) | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
IL236606B (en) * | 2015-01-11 | 2020-09-30 | Gornik Amihay | Standards and methods for agricultural monitoring |
CN104807457A (zh) * | 2015-04-29 | 2015-07-29 | 广州快飞计算机科技有限公司 | 飞行器航线的生成方法、装置及终端设备 |
CN104866970B (zh) * | 2015-05-26 | 2018-07-24 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
CN105116911B (zh) * | 2015-07-20 | 2017-07-21 | 广州极飞科技有限公司 | 无人机喷药方法 |
SG10201506012SA (en) * | 2015-07-31 | 2017-02-27 | Accenture Global Services Ltd | Inventory, growth, and risk prediction using image processing |
WO2017045116A1 (en) * | 2015-09-15 | 2017-03-23 | SZ DJI Technology Co., Ltd. | System and method for supporting smooth target following |
CN105159319B (zh) * | 2015-09-29 | 2017-10-31 | 广州极飞科技有限公司 | 一种无人机的喷药方法及无人机 |
US10491879B2 (en) | 2016-01-15 | 2019-11-26 | Blue River Technology Inc. | Plant feature detection using captured images |
CN106382933B (zh) * | 2016-11-04 | 2019-09-10 | 北京农业智能装备技术研究中心 | 一种用于航空植保飞行器的作业航线获取方法及系统 |
CN106846334A (zh) | 2017-01-19 | 2017-06-13 | 江南大学 | 基于支持向量数据描述的田间玉米植株识别方法 |
US10699185B2 (en) * | 2017-01-26 | 2020-06-30 | The Climate Corporation | Crop yield estimation using agronomic neural network |
CN106993167A (zh) | 2017-04-28 | 2017-07-28 | 深圳前海弘稼科技有限公司 | 一种植株的监控方法及监控系统 |
CN107315529B (zh) * | 2017-06-19 | 2020-05-26 | 维沃移动通信有限公司 | 一种拍照方法及移动终端 |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN107633202A (zh) * | 2017-08-11 | 2018-01-26 | 合肥嘉浓航空科技有限公司 | 一种基于农田图像特征识别的植保无人机飞控方法和系统 |
CN107808375B (zh) | 2017-09-28 | 2019-07-16 | 中国科学院合肥物质科学研究院 | 融合多种上下文深度学习模型的水稻病害图像检测方法 |
-
2018
- 2018-03-23 CN CN201810247447.7A patent/CN110309933A/zh active Pending
-
2019
- 2019-02-19 JP JP2020548944A patent/JP7086203B2/ja active Active
- 2019-02-19 US US16/976,891 patent/US11321942B2/en active Active
- 2019-02-19 AU AU2019238712A patent/AU2019238712B2/en not_active Ceased
- 2019-02-19 WO PCT/CN2019/075457 patent/WO2019179270A1/zh active Application Filing
- 2019-02-19 EP EP19771748.1A patent/EP3770830A4/en not_active Withdrawn
Non-Patent Citations (1)
Title |
---|
Yu.A. Gunchenko, S.A. Shvorov, V.I. Zagrebnyuk, V.U. Kumysh, and E.S. Lenkov,Using UAV for Unmanned Agricultural Harvesting Equipment Route Planning and Harvest Volume Measuring,2017 IEEE 4th International Conference Actual Problems of Unmanned Aerial Vehicles Developments (APUAVD),2017年10月17日,pp. 262 - 265 |
Also Published As
Publication number | Publication date |
---|---|
EP3770830A4 (en) | 2021-12-08 |
EP3770830A1 (en) | 2021-01-27 |
US11321942B2 (en) | 2022-05-03 |
WO2019179270A1 (zh) | 2019-09-26 |
JP2021516060A (ja) | 2021-07-01 |
CN110309933A (zh) | 2019-10-08 |
AU2019238712A1 (en) | 2020-09-24 |
AU2019238712B2 (en) | 2022-07-21 |
US20210004594A1 (en) | 2021-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7086203B2 (ja) | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム | |
Fernández‐Quintanilla et al. | Is the current state of the art of weed monitoring suitable for site‐specific weed management in arable crops? | |
US11238283B2 (en) | Hybrid vision system for crop land navigation | |
Rivera et al. | LiDAR applications in precision agriculture for cultivating crops: A review of recent advances | |
CN113920474B (zh) | 一种智能监管柑橘种植态势的物联网系统及方法 | |
WO2021142068A1 (en) | Using optical remote sensors and machine learning models to predict agronomic field property data | |
Amaral et al. | UAV applications in Agriculture 4.0 | |
JP2022082636A (ja) | 情報処理装置 | |
WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
CN117115769A (zh) | 一种基于语义分割网络的植株检测与定位方法 | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
Venkatesh et al. | eagri: Smart agriculture monitoring scheme using machine learning strategies | |
Huang et al. | Digital image analysis technologies for decision support systems in agricultural | |
Kaivosoja | Role of spatial data uncertainty in executions of precision farming operations | |
Rovira-Más et al. | Crop scouting and surrounding awareness for specialty crops | |
Agrawal et al. | Artificial Intelligence–Intelligent Inputs Revolutionising Agriculture | |
US11763452B2 (en) | Training method, evaluation method, electronic device and storage medium | |
Danlard | IoT based sustainable agriculture-advances, challenges and opportunities | |
US20230359889A1 (en) | Machine learning methods and systems for characterizing corn growth efficiency | |
Grego et al. | Technologies developed in precision agriculture. | |
CN118119269A (zh) | 用于维护农业用地的方法和系统 | |
Sahu et al. | ARTIFICIAL INTELLIGENCE IN AGRICULTURE | |
Vinci et al. | Use of Drones with Multispectral and Thermal Cameras to Assess the Biometric Characteristics and Water Status of Different Hazelnut Cultivars | |
Bhardwaj | PRECISION AGRICULTURE AND DATA ANALYTICS | |
Rivera Zarate | LiDAR applications in precision agriculture for cultivating crops: A review of recent advances |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200911 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200911 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211026 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220124 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220531 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220607 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7086203 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |