KR102125780B1 - Applaratus for Monitoring Crop Growth through Multispectral Image Histogram Pattern Analysis of Plot Unit - Google Patents
Applaratus for Monitoring Crop Growth through Multispectral Image Histogram Pattern Analysis of Plot Unit Download PDFInfo
- Publication number
- KR102125780B1 KR102125780B1 KR1020180095638A KR20180095638A KR102125780B1 KR 102125780 B1 KR102125780 B1 KR 102125780B1 KR 1020180095638 A KR1020180095638 A KR 1020180095638A KR 20180095638 A KR20180095638 A KR 20180095638A KR 102125780 B1 KR102125780 B1 KR 102125780B1
- Authority
- KR
- South Korea
- Prior art keywords
- histogram
- ndvi
- pattern analysis
- value
- module
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 60
- 238000012544 monitoring process Methods 0.000 title claims description 10
- 238000004806 packaging method and process Methods 0.000 claims abstract description 73
- 238000009826 distribution Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 15
- 238000003860 storage Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012806 monitoring device Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 9
- 238000006243 chemical reaction Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 241001464837 Viridiplantae Species 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 240000002234 Allium sativum Species 0.000 description 22
- 235000004611 garlic Nutrition 0.000 description 22
- 238000009331 sowing Methods 0.000 description 20
- 241000234282 Allium Species 0.000 description 17
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 17
- 238000005259 measurement Methods 0.000 description 6
- 241000196324 Embryophyta Species 0.000 description 5
- 241000607479 Yersinia pestis Species 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012856 packing Methods 0.000 description 2
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241000195628 Chlorophyta Species 0.000 description 1
- 244000000626 Daucus carota Species 0.000 description 1
- 235000002767 Daucus carota Nutrition 0.000 description 1
- 241000244206 Nematoda Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 244000088415 Raphanus sativus Species 0.000 description 1
- 235000006140 Raphanus sativus var sativus Nutrition 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- 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 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000010899 nucleation Methods 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
- B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- B64C2201/127—
-
- 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
-
- 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
- G01N2021/1765—Method using an image detector and processing of image signal
-
- 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
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Aviation & Aerospace Engineering (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Botany (AREA)
- Ecology (AREA)
- Forests & Forestry (AREA)
- Environmental Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치가 제공된다. 전처리 모듈은 무인비행체가 작물재배지를 촬영하여 획득한 다분광 센서 정보데이터가 저장된 저장매체로부터 다분광 센서 정보데이터가 수집되면, 상기 다분광 센서 정보데이터를 보정처리기술을 통해 공간기하연산을 위한 공간자료처리과정을 거쳐 영상을 공간자료화하고, 공간자료화된 다분광 센서 영상과 포장 단위별 공간벡터자료 사이의 공간연산을 수행하고, NDVI연산모듈은 전처리 모듈에서 전처리가 이루어진 영상정보를 가시광선 밴드와 근적외선 밴드의 반사 값을 NDVI 지수식을 이용하여 -1.0 ~ +1.0 범위의 지수 값으로 연산하고, 히스토그램생성모듈은 NDVI연산모듈에서 연산된 NDVI의 지수 값만을 각각의 포장 단위별로 추출하여 NDVI 구간 값을 가로 좌표축으로 저장하고 해당 구간 값을 갖는 픽셀 수를 속성 값으로 하는 세로 좌표축으로 저장하여 히스토그램을 생성하고, 백분율변환모듈은 생성된 히스토그램을 픽셀의 수가 분포된 전체 분포도에서의 백분율로 표준화하고, 패턴분석모듈은 표준화된 백분율을 확률에 따라 작물의 종류 및 생육상태를 구분하여 히스토그램 그래프의 패턴을 분석하고, 패턴분석모듈은 분석이 완료된 정보를 디스플레이장치를 통해 가시적인 통계정보로 표시한다.A crop growth monitoring device is provided through multispectral image histogram pattern analysis for each packaging unit. The pre-processing module collects multi-spectral sensor information data from a storage medium in which the multi-spectral sensor information data obtained by photographing a crop cultivation by an unmanned air vehicle is collected. The image is spatialized through a data processing process, and spatial computation is performed between the spatialized multispectral sensor image and the spatial vector data for each packaging unit, and the NDVI computation module displays visible image information preprocessed in the preprocessing module. The reflection values of the band and the near-infrared band are calculated as exponential values in the range of -1.0 to +1.0 using the NDVI exponential formula, and the histogram generation module extracts only the exponential values of the NDVI calculated by the NDVI calculation module for each packaging unit, and then NDVI The histogram is generated by storing the section value as the horizontal axis and the number of pixels with the section value as the vertical axis as the attribute value, and the percentage conversion module normalizes the generated histogram as a percentage in the overall distribution with the number of pixels distributed. Then, the pattern analysis module analyzes the pattern of the histogram graph by classifying the standardized percentage according to the probability of the crop type and growth status, and the pattern analysis module displays the analyzed information as visible statistical information through the display device. .
Description
본 발명은 드론과 같은 무인 비행체를 이용하여 원격 관측을 통해 취득된 다분광 센싱 영상을 활용하여 필지 단위로 구분된 개별 작물 재배지(이하 '포장' 이라 함) 단위별로 지수 히스토그램의 특성을 활용하여 작물의 종류와 생육 상태를 판단하는 장치에 관한 것이다.The present invention utilizes multispectral sensing images acquired through remote observation using an unmanned aerial vehicle such as a drone to crop crops by utilizing the characteristics of an exponential histogram for each individual crop plantation unit (hereinafter referred to as'packaging') divided into parcel units. It relates to a device for determining the type and growth state.
일반적으로 다분광 센서의 영상 중에서, 근적외선(Near Infrared, NIR) 영상을 활용한 정규식생지수(Normalized Difference Vegetation Index, 이하 NDVI 라 함)는 질소 함유량 또는 단백질 지수로 환산하여 녹조와 같은 환경 분야나 침수에 따른 수자원 분야 등 다양한 분야에 활용되고 있다. 특히, NDVI는 농업분야에서 많이 사용되고 있지만, 영상만으로 포장 단위를 분류하고 작물의 종류 및 생산량 예측을 위한 보다 정확한 통계기술이 요구되는 실정이다. 또한, 농업분야에서 최근 원격탐사 기반의 작물판독 및 생육추정을 위한 연구가 진행되고 있으나, 대체로 특정의 지수기반의 단순 판독이 사용되고 있는 실정이다.In general, among the images of a multi-spectral sensor, a normalized vegetation index (hereinafter referred to as NDVI) using a near infrared (NIR) image is converted into nitrogen content or a protein index to induce environmental fields such as green algae or flooding It is used in various fields such as water resources. Particularly, NDVI is widely used in the agricultural field, but more accurate statistical technology is required to classify packaging units using only images and to predict crop types and yields. In addition, in the field of agriculture, research has recently been conducted for crop detection and growth estimation based on remote sensing, but generally, a simple index-based simple reading is used.
한편, 산림청에서는 저고도 항공촬영 무인 항공기를 이용하여 세밀한 조사와 더불어 해당 지역을 촬영한 영상으로 재선충병 피해목을 찾아내거나 촬영한 영상을 분석하여 고사한 나무 위치를 확인하는 등 주로 가시광선대의 RGB 영상의 색상을 활용한 판독기법을 사용하고 있다.On the other hand, the Forest Service mainly uses low-altitude aerial photography unmanned aerial vehicles to conduct detailed investigations, and locates damaged trees against nematode disease with images captured in the area, or analyzes the captured images to determine the location of the dead trees. It uses a reading technique that utilizes the color of.
종래에 먼 지역에 있는 대상을 특수한 파장대의 빛이나 열, 전자기파를 이용하여 간접적인 방법으로 대상에 대한 정보를 파악하는 원격탐사위성에서 촬영된 영상을 이용하지만, 이 영상은 대략 10m 내외의 영상으로 세밀한 분석이 어렵고 필요한 자료를 취득하는 데 많은 시간이 소요되는 문제가 있었다.Conventionally, images taken from a remote sensing satellite that grasps information about an object in an indirect manner using light, heat, or electromagnetic waves in a special wavelength band are used, but this image is approximately 10m or less. There was a problem that detailed analysis is difficult and takes a long time to acquire necessary data.
따라서 농작물의 경우 파종 시기, 작물의 종류, 시비 여부 등에 따라 생육 상태에 차이를 보이며 항공영상만으로 육안 식별 또한 쉽지 않아 작물의 촬영 시기에 작물의 특성을 고려하여 포장 단위별 작물을 자동 분류하고 생육 상태를 파악하기 위한 통계 처리 기술 및 운영 기술이 요구된다.Therefore, in the case of crops, the growth status differs depending on the sowing time, the type of crop, and whether or not to fertilize, and it is not easy to visually identify only with aerial images. Statistical processing technology and operation technology are required to grasp the.
본 발명과 관련된 선행기술로서, 특허문헌 1은 작물 관측 장치가, 측정 구역 내에서 이동하면서, 상기 측정 구역 내에 위치하는 작물의 생육 상태를 측정하여 생육 상태 정보를 획득하는 단계; 상기 작물 관측 장치가, 측정 구역 내에서 이동하면서, 상기 측정 구역 내의 생장 환경을 측정하여 생장 환경 정보를 생성하는 단계; 및 상기 작물 관측 장치가, 상기 측정된 작물의 생육 상태 정보 및 생장 환경 정보와 상기 정보들이 측정된 구역에 관련된 위치 정보를 포함하는 상태 메시지를 전송하는 단계를 포함하며, 상기 생장 환경 정보를 생성하는 단계는, 상기 측정 구역의 광량을 측정하고 측정된 광량과 광량이 측정된 시간을 토대로 상기 측정 구역의 광 투과 상태를 판단하는 단계를 포함하는 작물 관측 방법이 개시되어 있으나, 영상 기반의 작물종류 판독 및 생육 모니터링과정은 시사하고 있지 않다.As a prior art related to the present invention,
본 발명은 상기 문제점을 해결하기 위한 것으로, 드론과 같은 무인 행체를 이용하여 농경지를 영상 촬영한 후 작물의 상태 및 종류를 분석하기 위한 것이 목적이다.The present invention is to solve the above problems, and an object is to analyze the state and type of crops after imaging an agricultural land using an unmanned vehicle such as a drone.
또한, 본 발명은 포장 단위별로 공간정보를 활용하여 영상을 통계 분석하고 노지에서 재배되고 있는 작물의 종류를 파악하여 작물의 생육 단계별 분광 특성을 활용하기 위한 것이 다른 목적이다.In addition, another object of the present invention is to use the spatial information for each packaging unit to statistically analyze images and to grasp the types of crops cultivated in the open field to utilize the spectral characteristics of each crop.
또한, 본 발명은 작물의 분광 특성이 생육 과정에서 특성이 변경되며 유사 지역에 같은 시기에 재배되는 작물, 예컨대, 마늘, 양파, 당근 등이 매우 유사한 특성을 지니고 있어 영상만으로 포장 단위별 작물을 단순 구분하기 어려우므로 작물의 분광 특성을 분류하여 히스토그램으로 패턴화하고, 이를 기반으로 작물의 종류를 확률로서 제공함으로써 보다 정확한 작물을 구분하기 위한 것이 또 다른 목적이다.In addition, in the present invention, the spectral characteristics of crops are changed during the growth process, and crops grown at the same time in similar regions, such as garlic, onion, and carrot, have very similar characteristics, thereby simplifying crops by packaging unit only with images. Another object is to classify crops more accurately by classifying the spectral characteristics of the crops and patterning them with histograms, since it is difficult to distinguish them, and providing crop types as probability based on them.
또한, 본 발명은 작물의 생육과정에서 발생하는 분광 특성의 변화를 기반으로 병충해, 가뭄 등 피해를 확인하고 이에 따른 생산량의 감소에 따른 가격 및 보상 대책에 대한 의사결정을 할 수 있도록 지원하기 위한 것이 또 다른 목적이다.In addition, the present invention is based on the change in the spectral characteristics that occur during the growth process of crops, to check for damages such as pests and droughts, and to assist in making decisions about price and compensation measures according to a decrease in production. Another purpose.
또한, 본 발명은 국가 및 지역에 따른 주요 작물의 종류 및 특성을 파악하고 수식을 정규화하여 자료화(DB)함으로써 특정 지역의 특정 작물이 아닌 다양한 식생에 대하여 보편적으로 확장하고 적용하기 위한 것이 또 다른 목적이다.In addition, the present invention is to grasp the types and characteristics of major crops according to the country and region, and to normalize and formulate the formula (DB) to expand and apply universally to various vegetation other than specific crops in a specific region. Purpose.
본 발명은 상기 목적을 달성하기 위하여, 무인비행체가 작물재배지를 촬영하여 획득한 다분광 센서 정보데이터가 저장된 저장매체로부터 상기 다분광 센서 정보데이터가 수집되면, 상기 다분광 센서 정보데이터를 보정처리기술을 통해 공간기하연산을 위한 공간자료처리과정을 거쳐 영상을 공간자료화하고, 공간자료화된 다분광 센서 영상과 포장 단위별 공간벡터자료 사이의 공간연산을 수행하는 전처리 모듈; 상기 전처리 모듈에서 전처리가 이루어진 영상정보를 가시광선 밴드와 근적외선 밴드의 반사 값을 NDVI 지수식을 이용하여 -1.0 ~ +1.0 범위의 지수 값으로 연산하는 NDVI연산모듈; 상기 NDVI연산모듈에서 연산된 NDVI의 지수 값만을 각각의 포장 단위별로 추출하여 NDVI 구간 값을 가로 좌표축으로 저장하고 해당 구간 값을 갖는 픽셀 수를 속성 값으로 하는 세로 좌표축으로 저장하여 히스토그램을 생성하는 히스토그램생성모듈; 상기 생성된 히스토그램을 픽셀의 수가 분포된 전체 분포도에서의 백분율로 표준화하는 백분율변환모듈; 상기 표준화된 백분율을 확률에 따라 작물의 종류 및 생육상태를 구분하여 히스토그램 그래프의 패턴을 분석하는 패턴분석모듈, 및 분석이 완료된 정보를 디스플레이장치를 통해 가시적인 통계정보로 표시하는 패턴분석모듈;을 포함하여 이루어진, 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치를 제공하는 것이 특징이다.In order to achieve the above object, when the multi-spectral sensor information data is collected from a storage medium in which the multi-spectral sensor information data obtained by photographing a crop plantation by an unmanned aerial vehicle is stored, the multi-spectral sensor information data is corrected and processed. A pre-processing module that spatializes the image through a spatial data processing process for spatial geometry calculation, and performs spatial calculations between spatially distributed multispectral sensor images and spatial vector data for each packaging unit; An NDVI calculation module that calculates the pre-processed image information in the pre-processing module to reflect values of visible and near-infrared bands using an NDVI exponential formula to exponential values ranging from -1.0 to +1.0; A histogram that extracts only the exponential value of the NDVI calculated by the NDVI calculation module for each packaging unit, stores the NDVI section value as a horizontal coordinate axis, and stores the number of pixels with the section value as a vertical coordinate axis as an attribute value to generate a histogram. Generation module; A percentage conversion module that standardizes the generated histogram as a percentage of the overall distribution with the number of pixels distributed; A pattern analysis module that analyzes the pattern of the histogram graph by classifying the standardized percentage according to the probability and the type of growth, and a pattern analysis module that displays the completed information as visible statistical information through a display device; It is characterized by providing a crop growth monitoring device through analysis of a multispectral image histogram pattern for each packaging unit.
NDVI 지수식은, The NDVI exponential formula,
(여기서, 는 근적외선 밴드의 분광반사도이고, 는 가시광선 밴드의 분광반사도)이 적용되되, NDVI 지수식에서 산출된 지수 값으로 양수(+) 값은 녹색 식물의 증가이고, 음수(-) 값은 물이나 황무지 또는 얼음이나 눈 또는 구름을 포함하는 비식생을 나타낼 수 있다. (here, Is a spectroscopic reflectance of the near infrared band, Is the spectral reflectance of the visible light band), which is an exponential value calculated from the NDVI exponential formula, and a positive (+) value is an increase in green plants, and a negative (-) value is water or wasteland or ice or snow or clouds. Can indicate non-vegetation.
상기 히스토그램생성모듈은 포장 단위별 벡터기반의 공간정보를 기본으로 히스토그램을 생성하지 못하는 지역은 1~10미터의 포장셀(인덱스 벡터 구역)을 자동 생성하여 개별 포장셀 단위 히스토그램 정보를 사용한다.The histogram generation module uses histogram information for each packaging cell by automatically generating packaging cells (index vector zones) of 1 to 10 meters in areas where histograms cannot be generated based on vector-based spatial information for each packaging unit.
상기 히스토그램생성모듈은 NDVI가 식물인 경우에 0.2~0.8의 NDVI만 히스토그램을 생성하고 그 미만 또는 초과하는 경우에는 부수재(비재배포장)로 판단하여 히스토그램의 생성에서 제외한다.The histogram generating module generates a histogram of only NDVI of 0.2 to 0.8 when the NDVI is a plant, and if it is less than or exceeds, it is judged as an accessory material (non-cultivated packaging) and excluded from the histogram generation.
상기 백분율변환모듈은 작물만의 히스토그램을 파악할 수 있는 구간을 포함하는 0~1.0 구간에 해당하는 히스토그램을 100등분하여 구간 당 0.01 값을 기준으로 변환한다.The percentage conversion module converts the histogram corresponding to the 0 to 1.0 section including the section capable of grasping the histogram of crops only 100 equally and converts the histogram based on the value of 0.01 per section.
상기 패턴분석모듈은 백분율로 그래프패턴을 분석하되, 특정구간의 확률이 전체의 70% 이상인 포장의 포장별 작물정보와 포장의 총면적, 그리고 단위 면적당 생산량을 통해 총생산량을 예측할 수 있도록 정보를 제공한다.The pattern analysis module analyzes the graph pattern as a percentage, but provides information to predict the total production through crop information for each pavement of the pavement with a probability of a specific section of 70% or more, total area of the pavement, and production per unit area. .
상기 패턴분석모듈은 백분율로 그래프패턴을 분석하되, 히스토그램의 피크 값의 위치와, 기준 값의 순서, 그리고 구간확률에 따라 작물의 종류를 판단한다.The pattern analysis module analyzes the graph pattern as a percentage, and determines the crop type according to the position of the peak value of the histogram, the order of the reference values, and the interval probability.
상기 패턴분석모듈은 피크 값의 위치 분석에서 기준 값을 기준으로 피크의 존재여부는 기준 값 크기에 있어 하위 두 구간의 기준 값의 차이가 기준 값 크기에 있어 상위 두 구간의 기준 값의 차이에 대하여 2.5배 이상인 경우에 기준 값의 크기 순서에 따라 좌피크, 우피크 및 중간피크로 구분한다.The pattern analysis module is based on the reference value in the position analysis of the peak value, and the difference between the reference values of the lower two sections is the reference value size. When it is 2.5 times or more, it is divided into left peak, right peak and middle peak according to the size order of the reference value.
상기 패턴분석모듈은 구간분포의 분석에서 특정구간을 3등분하여 해당 각 등분의 평균 백분율값과 최고 백분율값 간의 중간 백분율값을 기준 값으로 하여 분석한다.The pattern analysis module divides a specific section into three equal parts in the analysis of the interval distribution, and analyzes the intermediate percentage value between the average percentage value and the highest percentage value of each equal segment as a reference value.
본 발명에 따르면, 포장 단위별로 작물의 생육 상태, 재배 여부, 가뭄이나 병충해 피해 여부 및 고추, 배추, 무, 마늘, 양파 등과 같은 작물의 종류를 분류하여 각 작물별로 생산량을 예측할 수 있고, 더 나아가 생산 시기와 수량을 예측할 수 있어 시기별 수요에 따른 농산물 가격을 예측함으로써 농산물 유통에 따른 다양한 문제를 해결하는 방법으로 활용할 수 있는 이점이 있다.According to the present invention, it is possible to predict the production amount for each crop by classifying crop growth status, cultivation status, drought or pest damage, and types of crops such as pepper, cabbage, radish, garlic, onion, etc., by packaging unit, and further Since production time and quantity can be predicted, there is an advantage that it can be used as a method of solving various problems caused by distribution of agricultural products by predicting prices of agricultural products according to demand by period.
도 1은 본 발명에 따른 실시 예로, 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 시스템을 나타낸 구성도이다.
도 2는 본 발명에 따른 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 방법을 나타낸 흐름도이다.
도 3은 본 발명에서 포장 단위별 통계 히스토그램의 생성을 위하여 다분광영상 히스토그램 패턴분석 툴의 예를 나타낸 것이다.
도 4는 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 양파 제1포장구역의 정식 또는 파종 이후 6~8개월의 히스토그램 분포도를 예시한 것이다.
도 5는 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 양파 제2포장구역의 정식 또는 파종 이후 6~8개월의 히스토그램 분포도를 예시한 것이다.
도 6은 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 마늘 제1포장구역의 정식 또는 파종 이후 6~8개월의 히스토그램 분포를 예시한 것이다.
도 7은 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 마늘 제2포장구역의 정식 또는 파종 이후 6~8개월의 히스토그램 분포를 예시한 것이다.
도 8은 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 양파와 마늘의 파종 후 55개월의 포장별 특성을 나타낸 히스토그램 분포도를 예시한 것이다.
도 9는 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 양파와 마늘의 파종 후 6개월의 포장별 특성을 나타낸 히스토그램 분포도를 예시한 것이다.
도 10은 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 양파와 마늘의 파종 후 7개월의 포장별 특성을 나타낸 히스토그램 분포도를 예시한 것이다.
도 11은 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 양파와 마늘의 파종 후 8개월의 포장별 특성을 나타낸 히스토그램 분포도를 예시한 것이다.
도 12는 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 구간 분포의 종류는 027~08까지를 3등분하여 해당 등분의 평균 백분율값과 최고 백분율값간의 중간 값을 기준 값으로 하는 것을 예시한 것이다.
도 13은 본 발명에서 다분광 영상 히스토그램 패턴분석 툴을 통해 특정 지역의 작물 히스토그램을 통하여 산정된 포장 단위별 마늘의 확률 지도와 재배면적 통계정보를 예시한 것이다.1 is a configuration diagram showing a crop growth monitoring system through multi-spectral image histogram pattern analysis for each packaging unit according to an embodiment of the present invention.
2 is a flowchart illustrating a method for monitoring crop growth through multi-spectral image histogram pattern analysis for each packaging unit according to the present invention.
3 shows an example of a multispectral image histogram pattern analysis tool for generating statistical histograms for each packaging unit in the present invention.
Figure 4 illustrates the histogram distribution of 6 to 8 months after the formal or sowing of the onion first packaging region through the multispectral image histogram pattern analysis tool in the present invention.
Figure 5 illustrates the histogram distribution of 6 to 8 months after the planting or sowing of the onion second packaging area through the multispectral image histogram pattern analysis tool in the present invention.
Figure 6 illustrates the histogram distribution of 6-8 months after the formal or sowing of garlic first packaging zone through the multi-spectral image histogram pattern analysis tool in the present invention.
Figure 7 illustrates the histogram distribution of 6 to 8 months after the formal or sowing of garlic second packaging zone through the multi-spectral image histogram pattern analysis tool in the present invention.
FIG. 8 illustrates a histogram distribution chart showing the characteristics of packaging for 55 months after sowing onions and garlic through a multispectral image histogram pattern analysis tool in the present invention.
Figure 9 illustrates a histogram distribution chart showing the characteristics of each
FIG. 10 illustrates a histogram distribution chart showing characteristics of each package for 7 months after sowing onions and garlic through a multispectral image histogram pattern analysis tool in the present invention.
FIG. 11 illustrates a histogram distribution chart showing the characteristics of 8 months of packaging after sowing onions and garlic through a multispectral image histogram pattern analysis tool in the present invention.
12 is a multi-spectral image histogram pattern analysis tool according to the present invention shows that the type of the interval distribution is divided into three equal numbers from 027 to 08, and the median value between the average percentage value and the highest percentage value of the equal segment is used as a reference value. .
13 illustrates the probability map of garlic and cultivation area statistical information for each packaging unit calculated through a crop histogram of a specific region through a multispectral image histogram pattern analysis tool in the present invention.
이하, 본 발명에 따른 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 방법에 관한 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, an embodiment of a method for monitoring crop growth through multi-spectral image histogram pattern analysis for each packaging unit according to the present invention will be described in detail with reference to the accompanying drawings.
도 1에서, 본 발명의 작물 생육 모니터링 장치(100)는 다분광 영상 히스토그램 패턴분석 툴(20), 저장장치(30) 및 디스플레이장치(40)를 포함할 수 있다.1, the crop
다분광 영상 히스토그램 패턴분석 툴(Tool)(20)은 컴퓨터, 예컨대, 서버컴퓨터나 데스크톱PC, 노트북PC, 태블릿 또는 스마트폰 등을 포함하는 IT기기, 즉, 작물 생육 모니터링 장치(100)에 설치되는 소프트웨어, 즉, 응용프로그램(Application)이다. 이하에서는 설명의 편의를 위해 작물 생육 모니터링 장치(100)를 IT 기기 또는 컴퓨터와 혼용할 수 있다.The multispectral image histogram
저장장치(30)는 IT 기기(100) 내에 내장되거나 또는 외장될 수 있다. 그리고 저장장치(30)에 저장된 정보는 실시간으로 유무선통신망을 통해 원격으로 데이터를 공유할 수 있을 것이다.The
디스플레이장치(40)는 IT 기기(100)에 포함되거나 또는 개별적으로 구비될 수도 있다. 디스플레이장치(40)는 다분광 영상 히스토그램 패턴분석 툴(20)에서 분석이 완료된 정보를 사용자가 인지가능한 형태로 표시한다.The
다분광 영상 히스토그램 패턴분석 툴(20)은 무인비행체(1)에 장착된 다분광 센서(2)에서 촬영된 영상으로부터 히스토그램 패턴을 분석하기 위한 것으로, 무인비행체(1)의 다분광 센서(2)에서 촬영된 영상데이터를 저장하는 영상저장매체(10)로부터 영상데이터를 수집하여 전처리, NDVI 연산, 히스토그램 생성, 백분율 변환 및 패턴 분석 등을 거쳐 디스플레이장치(40)를 통해 표시된 정보로부터 포장 단위별 작물의 종류와 생육상태를 판단할 수 있도록 하는 것이다. 다분광영상 히스토그램 패턴분석 툴(20)의 정보처리 중에 발생되는 각종 데이터는 저장장치(30)에 입출력 및 저장된다. The multispectral image histogram
또한, 본 발명은 무인비행체, 예컨대, 드론을 활용함으로써 5cm 이하의 영상을 빠르게 취득할 수 있어 보다 정확한 정보를 사용하여 효과적으로 분석하고 생산량 예측에 따른 선제 대응 전략을 수립할 수 있도록 한다. 그리고 무인비행체(1)에 장착된 다분광 센서(2)는 가시광선의 특성을 저장하는 일반 카메라의 가시광선(RGB) 밴드 외에 근적외선(Red-Edge, NIR) 등 더 다양한 파장의 분광밴드 특성을 저장할 수 있는 센서로 밴드의 개수가 더 많은 초분광 센서가 적용될 수 있다.In addition, the present invention can quickly acquire an image of 5 cm or less by using an unmanned air vehicle, for example, a drone, so that it can be analyzed effectively using more accurate information and establish a preemptive response strategy according to production prediction. In addition, the
더욱이 센서 기술과 비행체 기술의 발달로 소형화 및 대중화되고 있어 작물의 생육을 보다 빠르게 모니터링하고 활용하기 위하여 즉시성이 뛰어나고 자료의 정확도가 높은 대략 15kg 미만의 초소형드론에 소형 다분광 센서를 장착하여 활용하는 것이 좋다. 초소형드론에 의한 다분광 센서의 영상정보는 다양한 보정처리기술, 예컨대, 영상 매칭, 포인트클라우드 생성, 기하보정 및 정사보정, GCP 보정을 통해 공간기하연산을 위한 공간자료처리과정을 거쳐 영상을 공간 자료화하여 사용한다. 또한, 공간 자료화된 다분광 센서 영상과 포장 단위별 공간벡터자료들 사이의 공간연산(포장 단위별 히스토그램 작성을 위한 연산) 및 히스토그램의 저장, 관리, 분석의 자동화를 위해 지리정보시스템(GIS)을 사용한다.Moreover, due to the development of sensor technology and aircraft technology, it has been miniaturized and popularized, and it is equipped with a small multi-spectral sensor mounted on a micro drone weighing less than 15kg, which has excellent instantaneousness and high data accuracy to monitor and utilize crop growth faster. It is good. The image information of the multi-spectral sensor by the ultra-small drone undergoes spatial data processing through spatial data processing for spatial geometry through various correction processing technologies, for example, image matching, point cloud generation, geometric correction and orthodontic correction, and GCP correction. To be used. In addition, spatial computation between spatially documented multispectral sensor images and spatial vector data for each packaging unit (calculation to create histogram for each packaging unit) and geographic information system (GIS) for automation of storage, management, and analysis of histograms Use
히스토그램(Histogram)은 흔히 막대그래프라 부르는 통계 도표의 일종으로 평면상 가로축과 세로축의 좌표에서 가로축에 변량을 취하고 이것을 작은 등 간격으로 구분하여 각각의 구간에 대응하는 통계량을 세로의 막대 모양 길이로 표시한 것이다.Histogram is a kind of statistical chart commonly called a bar graph. It takes a variance on the horizontal axis from the horizontal and vertical axis coordinates on a plane, and divides them into small equal intervals to display the statistics corresponding to each section in a vertical bar-shaped length. It is done.
이와 같이 이루어진 본 발명의 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 방법에 관하여 도 2의 흐름도와 도 3 내지 도 13을 참조하여 설명한다.A method for monitoring crop growth through analysis of a multispectral image histogram pattern for each packaging unit of the present invention made as described above will be described with reference to the flowchart of FIG. 2 and FIGS. 3 to 13.
먼저, 도 2에서, 작물의 생육을 모니터링하기 위한 작물재배지인 농경지에 무인비행체(1)를 띄워 비행시킨다(S1). 무인비행체(1)는 작물재배지와 인접한 거리에서 운용관리자에 의하여 운용되는 것이 좋지만, 원격에서 무인비행체(1)를 운용할 수도 있다. 그리고 무인비행체(1)가 작물재배지를 비행하는 동안 무인비행체(1)에 장착된 다분광 센서(2)가 영상을 촬영한다(S2).First, in FIG. 2, the unmanned
무인비행체(1)에 의하여 작물재배지가 촬영된 다분광 센서(2)의 영상정보는 영상저장매체(10), 예컨대, 플래시메모리 등에 저장된다. 영상저장매체(10)는 무인비행체(1)로부터 분리되어 다분광 영상 히스토그램 패턴분석 툴(20)이 설치된 IT기기(100), 즉, 컴퓨터에 접속되어 영상데이터를 전송한다. 더욱이 무인비행체(1)에서 촬영된 다분광 센서(2)의 영상정보는 무선 또는 유선의 통신망을 통해 IT 기기로 전송될 수도 있다. 따라서 작물재배지가 촬영된 다분광 센서(2)의 영상정보가 저장된 영상저장매체(10)로부터 컴퓨터가 정보데이터를 수집한다(S3).The image information of the
컴퓨터에 설치된 다분광 영상 히스토그램 패턴분석 툴(20)의 전처리 모듈(21)에서 다분광 센서(2)의 정보데이터를 보정처리기술, 예컨대, 영상 매칭, 포인트클라우드 생성, 기하보정 및 정사보정, GCP 보정을 통해 공간기하연산을 위한 공간자료처리과정을 거쳐 영상을 공간자료화하고, 공간자료화된 다분광 센서(2)의 영상과 포장 단위별 공간벡터자료 사이의 공간연산을 수행하는 전처리 과정을 수행한다(S4).In the
또한, 다분광 영상 히스토그램 패턴분석 툴(20)의 NDVI연산모듈(22)에서 전처리가 이루어진 영상정보를 가시광선 밴드와 근적외선 밴드의 반사 값을 NDVI 지수식을 이용하여 -1.0 ~ +1.0 범위의 지수 값으로 연산한다(S5). 즉, NDVI는 식물의 잎에 함유된 클로로필 고유의 분광반사 특성을 활용하여 가시광선 밴드와 근적외선 밴드의 반사 값을 연산하는 것으로 -1.0에서 +1.0까지의 범위를 가지며, 이 범위에서 양수(+) 값은 녹색식물의 증가를 의미하고, 음수(-) 값은 물이나 황무지 또는 얼음이나 눈 또는 구름 또는 멀칭 필름 등과 같이 비식생을 의미한다.In addition, the
여기에서, NDVI 지수식은 다음의 수학식 1과 같다.Here, the NDVI exponential formula is as shown in
여기서, 는 근적외선 밴드의 분광반사도이고, 는 가시광선 밴드의 분광반사도이다. 더욱이 NDVI는 영상처리기술로서 식생의 유무를 강조하기 위하여 사용되는 것으로, 근적외선 밴드와 가시광선 밴드 사이의 값 차이를 두 밴드를 합한 값으로 나누어서 계산한다.here, Is a spectroscopic reflectance of the near infrared band, Is a spectroscopic reflectance of the visible light band. Moreover, NDVI is an image processing technique that is used to emphasize the presence or absence of vegetation, and calculates the difference in value between the near-infrared band and the visible light band by dividing the two bands by the sum.
도 3에서, 본 발명에서는 작물의 포장 단위별 공간정보를 활용하여 포장 단위별 포함된 영상의 구간단위 픽셀 분포도(이하, 히스토그램)를 활용한다.In FIG. 3, in the present invention, a pixel distribution map (hereinafter, a histogram) of a section included in each packaging unit is utilized by utilizing spatial information for each packaging unit of the crop.
포장 단위별로 공간연산에 의해 통계 처리된 히스토그램은 구간단위의 분포 패턴 및 구간 분포 비율, 시계열별 분포도 변화를 쉽게 통계 처리할 수 있게 된다. 더욱이 도면에서 적색의 분포는 식물을 나타내고, 황색의 분포는 비식생을 나타낸다.The histogram, which is statistically processed by spatial calculation for each packaging unit, makes it easy to statistically process the distribution pattern of each unit, the ratio of the interval distribution, and the change in distribution degree by time series. Moreover, in the figure, the red distribution represents plants, and the yellow distribution represents non-vegetation.
따라서 다분광 영상 히스토그램 패턴분석 툴(20)의 히스토그램생성 모듈(23)은 NDVI연산모듈(22)에서 연산된 NDVI의 지수 값만을 각각의 포장 단위별로 추출하여 NDVI의 구간 값을 가로 좌표축으로 저장하고 해당 구간 값을 갖는 픽셀 수를 속성 값으로 하는 세로 좌표축으로 저장하여 히스토그램, 즉, 구간 단위별 픽셀의 분포도를 생성한다(S6). 즉, 포장 단위별 히스토그램은 작물의 재배지역 공간 정보를 활용하여 해당하는 각 포장 내에 존재하는 영상의 NDVI의 지수만을 각각의 포장별로 추출하여 히스토그램의 가로축은 NDVI의 지수 구간 값으로 저장하고, 세로축은 해당 구간의 값을 갖는 픽셀수를 속성 값으로 저장한다.Therefore, the
더욱이 히스토그램을 생성하는 공간정보의 기본단위는 기본적으로 포장 단위별 벡터기반 공간정보이지만 포장 단위별 히스토그램을 획득할 수 없는 지역, 예컨대, 경계가 없거나 필지구분이 없는 지역은 1~10미터 단위의 인덱스 벡터 구역(이하, 포장셀)을 자동 생성하여 개별 포장셀 단위 히스토그램 정보를 사용한다. 히스토그램의 생성에 있어서 작물이 아닌 토양, 물, 토지표면피복필름(이하, 멀칭) 등 작물 이외의 것을 부수재로 분리하고 생육 단계별 변화를 쉽게 식별할 수 있는 NDVI를 활용하여 히스토그램 정보로 생성한다. 단, NDVI가 식물의 경우에는 대략 0.2~0.8정도로, 그 미만 또는 초과하는 경우에는 식물이 아닌 토양 또는 멀칭 등 작물이 아닌 부수재로 통계에서 제외한다. 따라서 히스토그램을 생성하는 단계에서 작물영역만을 추출하기 위하여 일반적인 영상처리과정인 마스크 처리기법이나 색상을 기반으로 하는 분류 처리과정을 별도로 진행하지 않는다.Moreover, the basic unit of spatial information for generating a histogram is basically vector-based spatial information for each packaging unit, but an area in which a histogram for each packaging unit cannot be obtained, for example, an area with no boundaries or no parcel division index of 1 to 10 meters A vector zone (hereinafter, a packaging cell) is automatically generated to use histogram information for each packaging cell. In the creation of the histogram, non-crops such as soil, water, and land surface covering film (hereinafter referred to as mulching) are separated as ancillary materials and generated as histogram information using NDVI that can easily identify changes in growth stages. However, NDVI is approximately 0.2 to 0.8 in the case of plants, and if it is less than or exceeded, it is excluded from statistics as non-crops such as soil or mulching, not plants. Therefore, in the step of generating the histogram, in order to extract only the crop area, a general image processing process, a mask processing method or a color-based classification processing process is not separately performed.
작물의 생육 시기 중 작물들의 히스토그램 분포를 통해 분류가 가장 잘 되는 시기의 판단은 해당 시기에 특정 지역에서 재배되는 작물들 사이의 히스토그램 그래프의 패턴 차이로 구분하는 방법이다. 이를 위하여 육안으로도 구분이 쉽지 않은 마늘과 양파에 대하여 대략 2주의 간격으로 무인비행체를 활용하여 다분광 센싱한 자료를 분석한 결과로서 마늘과 양파는 파종 또는 정식을 기준으로 대략 5개월(작물마다 다를 수 있음)이 지난 생육단계에서부터 NDVI의 히스토그램에서 픽셀의 수량에 따른 분포가 아닌 픽셀의 수량이 분포된 전체 분포도에서의 백분율을 활용한다. 이는 포장 단위별 면적이 모두 다르므로 히스토그램의 구간단위 픽셀 수에 차이가 있기 때문이다.Judgment of the best time to classify through the histogram distribution of crops during the growth period of the crop is a method of classifying the pattern difference in the histogram graph between crops grown in a specific region at that time. To this end, garlic and onions, which are not easily distinguished by the naked eye, are analyzed by multispectral sensing data using unmanned vehicles at approximately two-week intervals. As a result, garlic and onions are roughly 5 months based on sowing or planting (per crop) It may be different). From the last growth stage, the percentage of the total distribution in which the number of pixels is distributed, not the distribution according to the number of pixels in the histogram of the NDVI is used. This is because there is a difference in the number of pixels in each section of the histogram because the area for each packaging unit is different.
다음으로, 다분광 영상 히스토그램 패턴분석 툴(20)의 백분율변환모듈(24)에서 히스토그램생성모듈(23)에서 생성된 히스토그램을 픽셀의 수가 분포된 전체 분포도를 통계 처리하기 위한 백분율로 표준화한다(S7). 이는 NDVI 기반의 포장 단위별 히스토그램 생성에 있어서, NDVI 지수의 최소 값과 최대 값인 -1.0~1.0의 구간 중 작물이 재배되지 않은 포장을 제외하고 작물만의 히스토그램을 파악할 수 있는 구간(0.2~0.8)을 포함하기 위하여 0~1.0 구간에 해당하는 히스토그램을 100등분하여 구간 당 0.01 값을 기준으로 생성한다. 히스토그램 중 토양 및 작물에 의해 생성된 오차, 예컨대, 그늘을 제외하고 통계 처리하기 위하여 백분율로 환산하는 경우에는 히스토그램 중 작물 NDVI 구간, 예컨대, 0.27~0.8만 백분율로 환산한다.Next, the histogram generated by the
또한, 0~0.27 구간 합의 백분율이 90%이상인 경우에는 해당하는 포장은 비재배 포장으로 분류하고 2개의 시계열을 조사한 결과로 상기 구간(0~0.27)의 백분율이 증가하는 경우 작물이 가뭄으로 말라 죽거나 병충해로 인한 피해 등으로 판단할 수 있도록 한다. 포장 단위별로 특정의 작물일 확률은 히스토그램 그래프 면적을 기반으로 그래프 패턴을 분석하고 해당 패턴일 확률 또한 백분율로 산정한다. 해당 결과 중 70% 이상인 포장의 포장 정보와 포장의 총면적, 단위 면적당 생산량을 활용하여 총생산량을 예측할 수 있다.In addition, if the percentage of the 0~0.27 section sum is more than 90%, the corresponding pavement is classified as a non-cultivated pavement, and as a result of examining two time series, if the percentage of the section (0~0.27) increases, the crop may dry out or die due to drought. It can be judged based on the damage caused by the pest or the like. For each crop unit, the probability of a specific crop is analyzed based on the histogram graph area, and the probability of the pattern is also calculated as a percentage. Of these results, the total production can be predicted by using the packaging information of 70% or more of the packaging, the total area of the packaging, and the output per unit area.
다음으로, 다분광 영상 히스토그램 패턴분석 툴(20)의 패턴분석모듈(25)에서 표준화된 백분율을 확률에 따라 작물의 종류 및 생육상태를 구분하여 히스토그램 그래프의 패턴을 분석한다(S8). 이는 히스토그램의 시계열별 분포에 관한 실시 예로, 도 4의 양파 제1포장구역의 정식 또는 파종 이후 6~8개월의 히스토그램 분포와, 도 5의 양파 제2포장구역의 정식 또는 파종 이후 6~8개월의 히스토그램 분포, 그리고 도 6의 마늘 제1포장구역의 정식 또는 파종 이후 6~8개월의 히스토그램 분포와, 도 7의 마늘 제2포장구역의 정식 또는 파종 이후 6~8개월의 히스토그램 분포(가로축은 NDVI, 세로축은 픽셀수의 백분율)로, 각각 재배조건이 다른 2개의 양파와 마늘 포장의 약 2주 단위 NDVI 히스토그램 분포로 파종 또는 정식 후 5개월 후부터 2주 간격으로 분석된 분포도로 구간별 6%미만에서 지수의 변경을 보이고 있다. 도 4 내지 도 7에서는 파종 또는 정식 후에 6~8개월 사이에 서로 다른 재배환경, 예컨대, 시비의 유무나 토양의 조건 등에 각각 2개의 포장에 히스토그램으로 피크가 있는 마늘과 피크가 없는 양파가 확연히 구분되는데, 이는 재배환경에 따라 특정작물의 히스토그램 분포는 영향을 받지 않음을 알 수 있다. 작물의 구분에 있어 생산량을 예측하고 소요되는 센싱 시간 및 결과에 따른 다양한 예측을 위해서는 작물이 파종되어 잎이 나온 시기를 시작으로 가장 빠른 시기에 정확한 구분이 요구된다. 그러므로 작물이 적당히 자라는 시점을 기준으로 측정하는 것이 좋으며 이를 위해서는 샘플자료(도 4 내지 도 7)의 파종 또는 정식을 기준으로 대략 7개월(도 10)에 측정하는 것이 정확한 결과를 획득할 수 있다. 이는 작물의 종류를 일찍 판단하여 생산량에 따른 의사 결정을 할 수 있도록 한 것이다.Next, the pattern of the histogram graph is analyzed by classifying the type and growth state of crops according to the probability of the standardized percentage in the
참고로, 도 8은 양파와 마늘의 파종 후 55개월의 포장별 특성을 나타낸 히스토그램 분포이고, 도 9는 양파와 마늘의 파종 후 6개월의 포장별 특성을 나타낸 히스토그램 분포이며, 도 10은 양파와 마늘의 파종 후 7개월의 포장별 특성을 나타낸 히스토그램 분포이고, 도 11은 양파와 마늘의 파종 후 8개월의 포장별 특성을 나타낸 히스토그램 분포이다(가로축은 NDVI, 세로축은 픽셀수의 백분율).For reference, FIG. 8 is a histogram distribution showing characteristics for each packaging of 55 months after sowing of onion and garlic, FIG. 9 is a histogram distribution showing characteristics for each packaging of 6 months after sowing of onion and garlic, and FIG. Fig. 11 is a histogram distribution showing characteristics of each 7 months of packing after sowing of garlic, and Fig. 11 is a histogram distribution showing characteristics of 8 months of packing of onions and garlic after seeding (horizontal axis is NDVI, vertical axis is percentage of number of pixels).
또한, 백분율로 환산된 히스토그램은 NDVI 지수의 구간분포를 기반으로 작물의 종류를 구분하기 위한 패턴은 다음의 2가지 방식을 사용한다.In addition, the histogram converted as a percentage uses the following two methods for classifying crop types based on the interval distribution of the NDVI index.
첫 번째는 특정 구간, 예컨대, NDVI 0.6~0.8의 그래프 면적의 합이 전체 그래프 면적에서 차지하는 비율을 기준으로 하는 방법(이하, 구간 확률)이고, 두 번째는 히스토그램 패턴을 3가지 유형으로 구분하여 피크 값이 어디에 있는지를 활용하는 방법이다. 참고로, NDVI 0.27~0.8의 구간 확률이 5%미만인 경우에는 해당포장은 가뭄이나 병충해로 피해를 입은 것으로 판단할 수 있다.The first is a method based on the ratio of the sum of the graph area of the specific section, for example, NDVI 0.6 to 0.8 (hereinafter, section probability), and the second is the peak by dividing the histogram pattern into three types. This is a way to utilize where the values are. For reference, if the interval probability of NDVI 0.27~0.8 is less than 5%, the corresponding packaging can be judged to have been damaged by drought or pest.
즉, 도 12에서, 구간 분포의 종류는 NDVI 0.27~0.8까지를 3등분하여 해당 각 등분의 평균 백분율값과 최고 백분율값 간의 중간 백분율값을 기준 값으로 한다.That is, in FIG. 12, the type of the interval distribution is divided into three equal parts from NDVI 0.27 to 0.8, and a median percentage value between the average percentage value and the highest percentage value of each equal segment is used as a reference value.
여기에서, 피크가 없는 분포는 정규분포, T분포 형태로 기준 값이 유사하게 증가, 감소하는 분포(하위 두 구간(①,②)의 기준 값 차이가 상위 두 구간(②,③)의 기준 값 차이에 2.5배 미만)이고, 피크가 있는 분포는 일반분포와 다르게 특정 구역에서 피크가 존재하는 분포로 기준 값을 기준으로 피크의 존재여부는 기준 값 크기에 있어 하위 두 구간(①,②)의 기준 값 차이가 기준 값 크기에 있어 상위 두 구간(②,③)의 기준 값 차이에 2.5배 이상인 경우로 정의하고 피크의 위치에 따라 다음의 3가지 종류로 나눈다.Here, in the distribution without a peak, the reference value of the distribution (the lower two sections (①,②)) with the standard value similarly increasing and decreasing in the form of the normal distribution and the T distribution is the reference value of the upper two sections (②,③). Difference is less than 2.5 times), and the distribution with a peak is a distribution in which a peak exists in a specific area, unlike a normal distribution. Whether a peak is present based on a reference value or not in the lower two sections (①,②) It is defined as the case where the difference in the reference value is 2.5 times or more the difference in the reference value of the upper two sections (②,③) in the size of the reference value, and is divided into the following three types according to the position of the peak.
좌 피크는 기준 값의 크기 순서가 각각 1, 2, 3 또는 1, 3, 2의 순서인 경우이고, 우 피크는 기준 값의 크기 순서가 3, 1, 2 또는 3, 2, 1의 순서인 경우이며, 중간 피크는 기준 값의 크기 순서가 2, 1, 3 또는 2, 3, 1의 순서인 경우이다.The left peak is when the size order of the reference values is 1, 2, 3 or 1, 3, 2, respectively, and the right peak is the size order of the reference values is 3, 1, 2 or 3, 2, 1 Is the case, and the middle peak is a case in which the size order of the reference values is 2, 1, 3 or 2, 3, 1.
따라서 단위 포장별로 예를 들어, 마늘 포장은 우 피크가 발생하면서 피크 값이 NDVI 0.6~0.8 사이인 포장이고 산정된 구간 확률이 70% 이상의 확률을 갖는 포장이어야 하며, 해당 포장의 공간정보에서 면적을 산정하여 합산함으로써 마늘 재배면적을 산정할 수 있다. 따라서, 본 발명은 공간지형정보기반 확률산정방식을 적용하고 있다.Therefore, for each unit packaging, for example, the garlic packaging should be a packaging with a peak value between NDVI 0.6 and 0.8 while a peak occurs, and the calculated probability of the section should be a packaging with a probability of 70% or more. Garlic cultivation area can be estimated by calculating and summing. Therefore, the present invention applies a probability calculation method based on spatial topographic information.
또한, 1차로 비재배 포장을 제외하고 2차로 피해로 인한 산정불가능 포장을 제외하거나 피해 포장만을 검색하여 피해액 등을 산정하는데 사용할 수 있고 마지막으로 특정 작물의 재배면적을 산정한 후 단위 면적당 생산량을 곱하여 총 생산량을 예측할 수 있다.In addition, it can be used to calculate the amount of damage by excluding the non-cultivated packaging as the first and the unpackable packaging due to the damage as the second, or by searching only the damaged packaging. Finally, after calculating the cultivation area of a specific crop, multiply the production per unit area Total production can be predicted.
그리고 다분광 영상 히스토그램 패턴분석 툴(20)에서 분석이 완료된 정보를 디스플레이장치(40)를 통해 포장 단위별 총면적과 단위 면적당 생산량을 활용하여 총생산량을 예측할 수 있는 가시적인 통계정보를 표시한다(S9). 즉, 도 13에서, 특정 지역의 작물 히스토그램을 통하여 산정된 포장 단위별 마늘의 확률 지도(하늘색으로 표시)와 재배면적 통계정보를 GIS 화면에서 확인할 수 있다.In addition, the multi-spectral image histogram
이후, 단위 면적당 생산량의 산출로 해당하는 작물의 총생산량을 예측할 수 있도록 하고, 모든 산출된 정보는 저장장치(30)에 저장한다(S10).Thereafter, it is possible to predict the total output of the crop by calculating the production per unit area, and all the calculated information is stored in the storage device 30 (S10).
이상의 설명에서 본 발명은 특정의 실시 예와 관련하여 도시 및 설명하였지만, 청구범위에 의해 나타난 발명의 사상 및 영역으로부터 벗어나지 않는 한도 내에서 다양한 개조 및 변화가 가능하다는 것을 이 기술분야에서 통상의 지식을 가진 자라면 누구나 쉽게 알 수 있을 것이다.In the above description, the present invention has been illustrated and described in connection with specific embodiments, but it is understood in the art that various modifications and changes are possible without departing from the spirit and scope of the invention as indicated by the claims. Anyone who has it will know it easily.
1: 무인비행체 2: 다분광 센서
10: 영상저장매체 20: 다분광영상 히스토그램 패턴분석 툴
21: 전처리모듈 22: NDVI연산모듈
23: 히스토그램생성모듈 24: 백분율변환모듈
25: 패턴분석모듈 30: 저장장치
40: 디스플레이장치1: Unmanned air vehicle 2: Multispectral sensor
10: image storage medium 20: multispectral image histogram pattern analysis tool
21: pre-processing module 22: NDVI operation module
23: histogram generation module 24: percentage conversion module
25: pattern analysis module 30: storage device
40: display device
Claims (9)
상기 전처리 모듈에서 전처리가 이루어진 영상정보를 가시광선 밴드와 근적외선 밴드의 반사 값을 NDVI 지수식을 이용하여 -1.0 ~ +1.0 범위의 지수 값으로 연산하는 NDVI연산모듈;
상기 NDVI연산모듈에서 연산된 NDVI의 지수 값만을 각각의 포장 단위별로 추출하여 NDVI 구간 값을 가로 좌표축으로 저장하고 해당 구간 값을 갖는 픽셀 수를 속성 값으로 하는 세로 좌표축으로 저장하여 히스토그램을 생성하는 히스토그램생성모듈;
상기 생성된 히스토그램을 픽셀의 수가 분포된 전체 분포도에서의 백분율로 표준화하는 백분율변환모듈;
상기 표준화된 백분율을 확률에 따라 작물의 종류 및 생육상태를 구분하여 히스토그램 그래프의 패턴을 분석하는 패턴분석모듈, 및
분석이 완료된 정보를 가시적인 통계정보로 표시하는 디스플레이장치;를 포함하되,
상기 패턴분석모듈은
백분율로 그래프패턴을 분석하되, 히스토그램의 피크 값의 위치와, 기준 값의 순서, 그리고 구간확률에 따라 작물의 종류를 판단하고,
상기 패턴분석모듈은
피크 값의 위치 분석에서 기준 값을 기준으로 피크의 존재여부는 기준 값 크기에 있어 하위 두 구간의 기준 값의 차이가 기준 값 크기에 있어 상위 두 구간의 기준 값의 차이에 대하여 2.5배 이상인 경우에 기준 값의 크기 순서에 따라 좌피크, 우피크 및 중간피크로 구분하는 것
을 특징으로 하는, 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치. When the multi-spectral sensor information data is collected from a storage medium in which the multi-spectral sensor information data obtained by photographing the crop cultivation by an unmanned aerial vehicle is collected, the multi-spectral sensor information data is processed by spatial processing for spatial geometry calculation through a correction processing technology A pre-processing module that spatializes the image through a process and performs spatial computation between the spatialized multispectral sensor image and spatial vector data for each packaging unit;
An NDVI calculation module that calculates the pre-processed image information in the pre-processing module to reflect values of visible and near-infrared bands using an NDVI exponential formula to exponential values ranging from -1.0 to +1.0;
A histogram that extracts only the exponential value of the NDVI calculated by the NDVI calculation module for each packaging unit, stores the NDVI section value as a horizontal coordinate axis, and stores the number of pixels having the section value as a vertical coordinate axis as an attribute value to generate a histogram. Generation module;
A percentage conversion module that standardizes the generated histogram as a percentage of the overall distribution with the number of pixels distributed;
A pattern analysis module that analyzes the pattern of the histogram graph by classifying crop types and growth states according to the standardized percentage probability, and
Includes a display device for displaying the analyzed information as visible statistical information;
The pattern analysis module
Analyze the graph pattern as a percentage, and determine the crop type according to the position of the peak value of the histogram, the order of the reference values, and the interval probability,
The pattern analysis module
In the analysis of the position of the peak value, if the peak is present based on the reference value, the difference between the reference values of the lower two sections in the reference value size is 2.5 times or more compared to the difference between the reference values in the upper two sections in the reference value size. It is divided into left peak, right peak and middle peak according to the size order of the reference value.
Characterized in that, the crop growth monitoring apparatus through multi-spectral image histogram pattern analysis for each packaging unit.
상기 NDVI 지수식은,
(여기서, 는 근적외선 밴드의 분광반사도이고, 는 가시광선 밴드의 분광반사도)이 적용되되, NDVI 지수식에서 산출된 지수 값으로 양수(+) 값은 녹색 식물의 증가이고, 음수(-) 값은 물이나 황무지 또는 얼음이나 눈 또는 구름을 포함하는 비식생을 나타내는, 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치.According to claim 1,
The NDVI exponential formula,
(here, Is a spectroscopic reflectance of the near infrared band, Is the spectral reflectance of the visible light band), which is an exponential value calculated from the NDVI exponential formula, and a positive (+) value is an increase in green plants, and a negative (-) value is water or wasteland or ice or snow or clouds. Crop growth monitoring device through multi-spectral image histogram pattern analysis for each packaging unit indicating non-vegetation.
상기 히스토그램생성모듈은 포장 단위별 벡터기반의 공간정보를 기본으로 히스토그램을 생성하지 못하는 지역은 1~10미터의 포장셀(인덱스 벡터 구역)을 자동 생성하여 개별 포장셀 단위 히스토그램 정보를 사용하는, 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치.According to claim 1,
The histogram generation module automatically generates 1-10 meters of packaging cells (index vector zones) for areas that cannot generate histograms based on vector-based spatial information for each packaging unit, and uses histogram information for each packaging cell. Crop growth monitoring device through multi-spectral image histogram pattern analysis per unit.
상기 히스토그램생성모듈은 NDVI가 식물인 경우에 0.2~0.8의 NDVI만 히스토그램을 생성하고 그 미만 또는 초과하는 경우에는 부수재(비재배포장)로 판단하여 히스토그램의 생성에서 제외하는, 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치.According to claim 1,
The histogram generation module generates a histogram of only NDVI of 0.2 to 0.8 when the NDVI is a plant, and when it is less than or exceeds, the histogram generation module determines that it is an ancillary material (non-cultivated packaging) and excludes it from the generation of the histogram. Crop growth monitoring device through image histogram pattern analysis.
상기 백분율변환모듈은 작물만의 히스토그램을 파악할 수 있는 구간을 포함하는 0~1.0 구간에 해당하는 히스토그램을 100등분하여 구간 당 0.01 값을 기준으로 변환하는, 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치.According to claim 1,
The percentage conversion module converts the histogram corresponding to the 0 to 1.0 section including the section that can identify the histogram of crops only 100 equally and converts it based on the value of 0.01 per section, through multispectral image histogram pattern analysis by packaging unit Crop growth monitoring device.
상기 패턴분석모듈은 백분율로 그래프패턴을 분석하되, 특정구간의 확률이 전체의 70% 이상인 포장의 포장별 작물정보와 포장의 총면적, 그리고 단위 면적당 생산량을 통해 총생산량을 예측할 수 있도록 정보를 제공하는, 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치.According to claim 1,
The pattern analysis module analyzes the graph pattern as a percentage, but provides information to predict the total production through crop information for each pavement of the pavement with a probability of a specific section of 70% or more, total area of the pavement, and production per unit area. , Crop growth monitoring device through multi-spectral image histogram pattern analysis for each packaging unit.
상기 패턴분석모듈은 구간분포의 분석에서 특정구간을 3등분하여 해당 각 등분의 평균 백분율값과 최고 백분율값 간의 중간 백분율값을 기준 값으로 하여 분석하는, 포장 단위별 다분광 영상 히스토그램 패턴 분석을 통한 작물 생육 모니터링 장치.According to claim 1,
The pattern analysis module divides a specific section into three equal parts in the analysis of the interval distribution, and analyzes the multi-spectral image histogram pattern for each packaging unit by analyzing the average percentage value and the highest percentage value of each equal segment as a reference value. Crop growth monitoring device.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180095638A KR102125780B1 (en) | 2018-08-16 | 2018-08-16 | Applaratus for Monitoring Crop Growth through Multispectral Image Histogram Pattern Analysis of Plot Unit |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180095638A KR102125780B1 (en) | 2018-08-16 | 2018-08-16 | Applaratus for Monitoring Crop Growth through Multispectral Image Histogram Pattern Analysis of Plot Unit |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20200020209A KR20200020209A (en) | 2020-02-26 |
KR102125780B1 true KR102125780B1 (en) | 2020-06-23 |
Family
ID=69637848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180095638A KR102125780B1 (en) | 2018-08-16 | 2018-08-16 | Applaratus for Monitoring Crop Growth through Multispectral Image Histogram Pattern Analysis of Plot Unit |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102125780B1 (en) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102272462B1 (en) * | 2019-07-18 | 2021-07-05 | (주)아세아항측 | The method for analyzing crop growth status by using multispectral camera and lidar |
KR102617288B1 (en) * | 2020-01-06 | 2023-12-27 | 농업회사법인 주식회사 제주천지 | A composition for determination of airborne-dispersion and distribution of agent by spectral or muti spectral imaging process and a method for determination of airborne-dispersion and distribution of agent using the same |
KR102504318B1 (en) * | 2020-07-17 | 2023-02-28 | 주식회사 쎄슬프라이머스 | Growth analysis method based on smart edge device and apparatus and system therefor |
CN112149711B (en) * | 2020-08-14 | 2023-10-10 | 南方科技大学 | Hydrologic terrain data generation method, hydrologic terrain data generation device, computer equipment and storage medium |
CN113139717B (en) * | 2021-03-31 | 2023-10-20 | 北京农业信息技术研究中心 | Crop seedling condition grading remote sensing monitoring method and device |
DE202021106766U1 (en) | 2021-12-13 | 2022-06-08 | Shivani Agarwal | Intelligent device to determine the health status of plants by using IOT and machine learning |
KR102479284B1 (en) * | 2022-03-11 | 2022-12-21 | (주)카탈로닉스 | Vegetation index acquisition unit and apparatus for monitoring plant comprising the same |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017169511A (en) * | 2016-03-24 | 2017-09-28 | 株式会社日立ソリューションズ東日本 | Apparatus for estimating normal stock ratio of agricultural crop, apparatus for predicting yield of agricultural crop, and method for estimating normal stock ratio of agricultural crop |
JP2018046787A (en) * | 2016-09-23 | 2018-03-29 | ドローン・ジャパン株式会社 | Agricultural management prediction system, agricultural management prediction method, and server apparatus |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101089220B1 (en) * | 2010-02-18 | 2011-12-02 | 공주대학교 산학협력단 | Normalized difference vegetation index correction method using spatio-temporal continuity |
KR20130049567A (en) | 2011-11-04 | 2013-05-14 | 한국전자통신연구원 | Device and method for monitoring/measuring plants |
KR20180041463A (en) * | 2016-10-14 | 2018-04-24 | 주식회사미디어플로우 | Apparatus for growing crops |
-
2018
- 2018-08-16 KR KR1020180095638A patent/KR102125780B1/en active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017169511A (en) * | 2016-03-24 | 2017-09-28 | 株式会社日立ソリューションズ東日本 | Apparatus for estimating normal stock ratio of agricultural crop, apparatus for predicting yield of agricultural crop, and method for estimating normal stock ratio of agricultural crop |
JP2018046787A (en) * | 2016-09-23 | 2018-03-29 | ドローン・ジャパン株式会社 | Agricultural management prediction system, agricultural management prediction method, and server apparatus |
Also Published As
Publication number | Publication date |
---|---|
KR20200020209A (en) | 2020-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102125780B1 (en) | Applaratus for Monitoring Crop Growth through Multispectral Image Histogram Pattern Analysis of Plot Unit | |
Zhou et al. | Assessment for crop water stress with infrared thermal imagery in precision agriculture: A review and future prospects for deep learning applications | |
Qiao et al. | UAV-based chlorophyll content estimation by evaluating vegetation index responses under different crop coverages | |
Ampatzidis et al. | Agroview: Cloud-based application to process, analyze and visualize UAV-collected data for precision agriculture applications utilizing artificial intelligence | |
Stanton et al. | Unmanned aircraft system-derived crop height and normalized difference vegetation index metrics for sorghum yield and aphid stress assessment | |
Tardaguila et al. | Smart applications and digital technologies in viticulture: A review | |
Saberioon et al. | Assessment of rice leaf chlorophyll content using visible bands at different growth stages at both the leaf and canopy scale | |
Guo et al. | Integrating spectral and textural information for identifying the tasseling date of summer maize using UAV based RGB images | |
Chen et al. | Applying high-resolution visible-channel aerial imaging of crop canopy to precision irrigation management | |
Lamb | The use of qualitative airborne multispectral imaging for managing agricultural crops-a case study in south-eastern Australia | |
Raj et al. | Precision agriculture and unmanned aerial Vehicles (UAVs) | |
Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
JP2006250827A (en) | Analytical method for growth condition of crop | |
US20060006335A1 (en) | Method for detecting and managing nematode population | |
Moriya et al. | Detection and mapping of trees infected with citrus gummosis using UAV hyperspectral data | |
Xiao et al. | Remote sensing detection algorithm for apple fire blight based on UAV multispectral image | |
US20220307971A1 (en) | Systems and methods for phenotyping | |
Hall | Remote sensing applications for viticultural terroir analysis | |
Wang et al. | UAV remote sensing based estimation of green cover during turfgrass establishment | |
Meivel et al. | Monitoring of potato crops based on multispectral image feature extraction with vegetation indices | |
Bleasdale et al. | Feasibility of detecting apple scab infections using low-cost sensors and interpreting radiation interactions with scab lesions | |
Cavalcanti et al. | Use of RGB images from unmanned aerial vehicle to estimate lettuce growth in root-knot nematode infested soil | |
Tang et al. | UAV-based high spatial and temporal resolution monitoring and mapping of surface moisture status in a vineyard | |
Ghiani et al. | Use of UAVs and Canopy Height Model Applied on a Time Scale in the Vineyard | |
Nuthammachot et al. | Exploring Sentinel-2 satellite imagery-based vegetation indices for classifying healthy and diseased oil palm trees |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |