RU2018143340A - Распознавание сорняка в естественной среде - Google Patents

Распознавание сорняка в естественной среде Download PDF

Info

Publication number
RU2018143340A
RU2018143340A RU2018143340A RU2018143340A RU2018143340A RU 2018143340 A RU2018143340 A RU 2018143340A RU 2018143340 A RU2018143340 A RU 2018143340A RU 2018143340 A RU2018143340 A RU 2018143340A RU 2018143340 A RU2018143340 A RU 2018143340A
Authority
RU
Russia
Prior art keywords
digital image
weed
predetermined
color
areas
Prior art date
Application number
RU2018143340A
Other languages
English (en)
Other versions
RU2764872C2 (ru
RU2018143340A3 (ru
Inventor
Бьёрн КИПЕ
Томас ШИЛЛИНГ
Франко ФОИС
Даниэль РЕХШТАЙНЕР
Зебастиан ХЕЛЛЬВЕГ
Александра ГЛАДБАХ
Биргит ШТЕППОНАТ
Original Assignee
Басф Се
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Басф Се filed Critical Басф Се
Publication of RU2018143340A publication Critical patent/RU2018143340A/ru
Publication of RU2018143340A3 publication Critical patent/RU2018143340A3/ru
Application granted granted Critical
Publication of RU2764872C2 publication Critical patent/RU2764872C2/ru

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
    • A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
    • A01M21/043—Apparatus for destruction by steam, chemicals, burning, or electricity by chemicals
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/001—Texturing; Colouring; Generation of texture or colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
    • G06V10/993—Evaluation of the quality of the acquired pattern
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/10—Recognition assisted with metadata

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Wood Science & Technology (AREA)
  • Zoology (AREA)
  • Environmental Sciences (AREA)
  • Insects & Arthropods (AREA)
  • Pest Control & Pesticides (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Toxicology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Claims (59)

1. Способ распознавания типа сорняка в естественной среде, причем способ включает в себя
видеозахват цифрового изображения сорняка среди возделываемой культуры в естественной среде, причем сорняк находится на ранней стадии развития, и причем ранняя стадия развития задана кодом ВВСН от 10 до 39,
оконтуривание в цифровом изображении областей с предопределенной характеристикой цвета и структуры в RGB-цветовой модели с образованием по меньшей мере одной оконтуренной области, содержащей относящиеся к сорняку пиксели в пределах граничного контура,
передачу цифрового изображения для дальнейшего исследования, и
получение, основываясь на дальнейшем исследовании, наименования сорняка для сорняка захваченного изображения, а также связанного значения вероятности, отображающего вероятность совпадения между наименованием сорняка и сорняком захваченного цифрового изображения.
2. Способ по п. 1, причем способ также включает в себя
показ цифрового изображения совместно с наименьшей предопределенной выпуклой рамкой, охватывающей оконтуренные области,
показ значения индикатора совместно с цифровым изображением и наименьшей предопределенной выпуклой рамкой, причем индикатор показывает предопределенный критерий качества цифрового изображения на основании:
выявления того, что наименьшая предопределенная выпуклая рамка покрывает предопределенную минимальную область доступной области отображения, и
измерения положительного выходного значения детектора фокусировки относительно оконтуренных областей, причем положительное выходное значение относится к четкости изображения области цифрового изображения, относящейся к оконтуренной области,
сохранение цифрового изображения только в том случае, когда значение индикатора указывает на то, что цифровое изображение соответствует предопределенному критерию качества.
3. Способ по п. 1 или 2, причем способ также включает в себя:
сброс информации о цвете цифрового изображения вне переопределенной выпуклой рамки и/или
сброс информации о цвете областей цифрового изображения вне связанного граничного контура.
4. Способ по одному из предшествующих пунктов, причем предопределенная характеристика цвета относится к цветовому диапазону сорняка в естественной среде, прежде всего к зеленому цветовому диапазону с длиной волны от 490 до 575 нм.
5. Способ по одному из предшествующих пунктов, причем оконтуривание областей с предопределенной характеристикой цвета и структуры выполняют путем выявления для каждого пикселя цифрового изображения того, соответствует ли комбинация его цветовых компонентов одной из множества предопределенных цветовых комбинаций.
6. Способ по одному из предшествующих пунктов, причем оконтуривание областей с предопределенной характеристикой цвета выполняют дополнительно путем выявления:
wi=F (pi, pi,j),
где wi=1 или 0 указывает на то, что пиксель i принадлежит или не принадлежит сорняку,
F является функцией, вычисляющей вероятность для сорняка или не сорняка, на основе цветовых атрибутов pi и всех pj,
pi=пиксель i,
pi,j=комбинированные пиксели j, которые окружают пиксель i.
7. Способ по одному из предшествующих пунктов, причем индикатор реализован в виде цветового кода предопределенной выпуклой рамки.
8. Способ по одному из предшествующих пунктов, причем захваченное цифровое изображение имеет более низкое разрешение, чем сохраненное цифровое изображение.
9. Способ по одному из предшествующих пунктов, причем сохранение цифрового изображения также включает в себя выполнение видеозахвата того же цифрового изображения в более высоком разрешении, чем первоначально захваченное цифровое изображение, а также выполнение оконтуривания и измерения положительного выходного значения детектора фокусировки с использованием цифрового изображения с более высоким разрешением.
10. Способ по одному из предшествующих пунктов, причем измерение положительного выходного значения детектора фокусировки включает в себя применение фильтра преобразования Лапласа к цифровому изображению в градациях серого, которое получено из цифрового изображения, причем стандартное отклонение интенсивности в градациях серого определяется для пикселей, лежащих в пределах области, покрываемой оконтуренными областями, причем коэффициент резкости получен в виде квадрата стандартного отклонения.
11. Способ по одному из предшествующих пунктов, причем в случае, когда сорняк является односемядольным растением, видеозахват цифрового изображения выполняют при плоскости цифрового изображения, расположенной параллельно продольной протяженности односемядольного растения, плюс/минус предопределенный первый угол отклонения, и/или
причем в случае, когда сорняк является двусеменодольным растением, видеозахват цифрового изображения выполняют при плоскости цифрового изображения, расположенной параллельно охватывающей сорняк естественной среде, плюс/минус предопределенный второй угол отклонения, и/или при проекции сорняка в середину устройства видеозахвата изображения.
12. Способ по одному из предшествующих пунктов, причем дальнейшее исследование включает в себя применение по меньшей мере одной обучаемой корреляционной функции классификатора, включающей в себя классификаторы нейронной сети и объектно-ориентированные идентификаторы как для сорняка, так и для отдельных листьев, к захваченному цифровому изображению для распознавания сорняка, причем корреляционная функция имеет доступ к наименованиям типов сорняков совместно с множеством наборов метаданных для каждого типа сорняка.
13. Способ борьбы с сорняками с помощью способа по любому из пп. 1-12, причем наименование гербицида выбирают из базы данных и получают совместно с наименованием сорняка и вероятностью.
14. Система для распознавания типа сорняка в естественной среде среди возделываемой культуры, причем сорняк находится на ранней стадии развития, причем система распознавания содержит
цифровой фотоаппарат, выполненный для видеозахвата цифрового изображения сорняка в естественной среде,
модуль оконтуривания, выполненный для оконтуривания в цифровом изображении областей с предопределенной характеристикой цвета и структуры в RGB-цветовой модели с образованием по меньшей мере одной оконтуренной области, содержащей относящиеся к сорняку пиксели в пределах границы,
передатчик, выполненный для передачи цифрового изображения для дальнейшего исследования, и
приемник, выполненный для получения, основываясь на дальнейшем исследовании, наименования сорняка для сорняка захваченного изображения, а также связанного значения вероятности, отображающего вероятность совпадения между наименованием сорняка и сорняком захваченного цифрового изображения.
15. Система по п. 14, причем система содержит
дисплей, выполненный для показа цифрового изображения совместно с наименьшей предопределенной выпуклой рамкой, охватывающей оконтуренные области, причем дисплей также выполнен для показа значения индикатора совместно с цифровым изображением и наименьшей предопределенной выпуклой рамкой, и причем индикатор показывает предопределенный критерий качества цифрового изображения на основании:
выявления того, что наименьшая предопределенная выпуклая рамка покрывает предопределенную минимальную область доступной области отображения, и
измерения положительного выходного значения детектора фокусировки относительно оконтуренной области, причем положительное выходное значение относится к четкости изображения области цифрового изображения, относящейся к оконтуренной области,
систему хранения данных, выполненную для сохранения цифрового изображения только в том случае, когда значение индикатора указывает на то, что цифровое изображение соответствует предопределенному критерию качества.
16. Система по п. 14 или 15, причем система содержит
модуль сброса, выполненный для сброса информации о цвете цифрового изображения вне переопределенной выпуклой рамки, и/или
сброс информации о цвете областей цифрового изображения вне связанного граничного контура.
17. Компьютерный программный продукт для распознавания типа сорняка в естественной среде среди возделываемой культуры, причем сорняк находится на ранней стадии развития, причем компьютерный программный продукт содержит машиночитаемый информационный носитель с реализованными на нем программными командами, причем программные команды подлежат выполнению посредством одного или нескольких вычислительных устройств для побуждения этих одного или нескольких вычислительных устройств к
захвату цифрового изображения сорняка в естественной среде,
оконтуриванию в цифровом изображении областей с предопределенной характеристикой цвета и структуры в RGB-цветовой модели с образованием по меньшей мере одной оконтуренной области, содержащей относящиеся к сорняку пиксели в пределах граничного контура,
показу цифрового изображения совместно с наименьшей предопределенной выпуклой рамкой, охватывающей оконтуренные области,
показу значения индикатора совместно с цифровым изображением и наименьшей предопределенной выпуклой рамкой, причем индикатор показывает предопределенный критерий качества цифрового изображения,
передаче цифрового изображения для дальнейшего исследования, и
получению, основываясь на дальнейшем исследовании, наименования сорняка для сорняка захваченного изображения, а также связанного значения вероятности, отображающего вероятность совпадения между наименованием сорняка и сорняком захваченного цифрового изображения.
18. Компьютерный программный продукт по п. 17, причем программные команды подлежат выполнению посредством одного или нескольких вычислительных устройств для побуждения этих одного или нескольких вычислительных устройств к
показу цифрового изображения совместно с наименьшей предопределенной выпуклой рамкой, охватывающей оконтуренные области,
показу значения индикатора совместно с цифровым изображением и наименьшей предопределенной выпуклой рамкой, причем индикатор показывает предопределенный критерий качества цифрового изображения на основании:
выявления того, что наименьшая предопределенная выпуклая рамка покрывает предопределенную минимальную область доступной области отображения, и
измерения положительного выходного значения детектора фокусировки относительно оконтуренных областей, причем положительное выходное значение относится к четкости изображения области цифрового изображения, относящейся к оконтуренной области,
сохранению цифрового изображения только в том случае, когда значение индикатора указывает на то, что цифровое изображение соответствует предопределенному критерию качества.
19. Компьютерный программный продукт по п. 17 или 18, причем программные команды подлежат выполнению посредством одного или нескольких вычислительных устройств для побуждения этих одного или нескольких вычислительных устройств к
сбросу информации о цвете цифрового изображения вне переопределенной выпуклой рамки, и/или
сбросу информации о цвете областей цифрового изображения вне связанного граничного контура,
RU2018143340A 2016-05-12 2017-05-05 Распознавание сорняка в естественной среде RU2764872C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP16169416.1A EP3244343A1 (en) 2016-05-12 2016-05-12 Recognition of weed in a natural environment
EP16169416.1 2016-05-12
PCT/EP2017/060750 WO2017194398A1 (en) 2016-05-12 2017-05-05 Recognition of weed in a natural environment

Publications (3)

Publication Number Publication Date
RU2018143340A true RU2018143340A (ru) 2020-06-15
RU2018143340A3 RU2018143340A3 (ru) 2020-08-25
RU2764872C2 RU2764872C2 (ru) 2022-01-21

Family

ID=56026658

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2018143340A RU2764872C2 (ru) 2016-05-12 2017-05-05 Распознавание сорняка в естественной среде

Country Status (9)

Country Link
US (1) US11048940B2 (ru)
EP (2) EP3244343A1 (ru)
JP (1) JP2019520632A (ru)
CN (1) CN109416735A (ru)
AU (1) AU2017262614A1 (ru)
BR (1) BR112018073098A8 (ru)
CA (1) CA3023792A1 (ru)
RU (1) RU2764872C2 (ru)
WO (1) WO2017194398A1 (ru)

Families Citing this family (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110809403B (zh) * 2017-07-06 2022-11-15 拜耳股份公司 用于杂草控制的装置
US20190266401A1 (en) * 2018-01-11 2019-08-29 Intelinair, Inc Change Detection System
CN108304796A (zh) * 2018-01-29 2018-07-20 深圳春沐源控股有限公司 一种智能杂草警示方法及系统
EP3745857A1 (de) 2018-02-02 2020-12-09 Bayer Aktiengesellschaft Bekämpfung resistenter schadorganismen
CN108710920B (zh) * 2018-06-05 2021-05-14 北京中油瑞飞信息技术有限责任公司 示功图识别方法及装置
CN109934256A (zh) * 2019-01-28 2019-06-25 华南农业大学 一种基于ga-ann特征降维与som特征优选的稻田杂草识别方法
BR112021010591A2 (pt) 2019-03-01 2021-09-21 Precision Planting Llc Sistema de pulverização agrícola
BR112022002875A2 (pt) * 2019-08-19 2022-05-17 Blue River Tech Inc Identificação de grupo de plantas
JP2022546998A (ja) * 2019-09-05 2022-11-10 ビーエーエスエフ ソシエタス・ヨーロピア 植物種の識別のためのシステムおよび方法
EP4033895A1 (en) 2019-09-27 2022-08-03 Precision Planting LLC Agricultural spraying system
CN112580408B (zh) * 2019-09-30 2024-03-12 杭州海康威视数字技术股份有限公司 深度学习模型训练方法、装置及电子设备
CN111325240A (zh) * 2020-01-23 2020-06-23 杭州睿琪软件有限公司 与杂草相关的计算机可执行的方法和计算机系统
CN112541383B (zh) * 2020-06-12 2021-12-28 广州极飞科技股份有限公司 杂草区域的识别方法和装置
CN112132937A (zh) * 2020-09-22 2020-12-25 上海米哈游天命科技有限公司 模型元素的形变处理、画面渲染方法、装置、设备及介质
JP2022065581A (ja) * 2020-10-15 2022-04-27 西武建設株式会社 無人飛行体を用いた除草装置
CN112418043B (zh) * 2020-11-16 2022-10-28 安徽农业大学 玉米杂草遮挡确定方法、装置、机器人、设备及存储介质
CN114627391A (zh) * 2020-12-11 2022-06-14 爱唯秀股份有限公司 一种草检测装置及方法
CN113971759B (zh) * 2021-10-26 2024-04-16 中国农业大学 一种基于计算机视觉的大豆株间杂草自动识别装置及方法
CN114419407B (zh) * 2021-12-14 2024-04-05 中国农业大学 一种用于移栽作物苗期的行内杂草自动识别方法及装置
BR102022006844A2 (pt) * 2022-04-08 2022-11-29 Eirene Projetos E Consultoria Ltda Sistema, dispositivo e método para identificação de plantas e controle de pulverização
CN115251024B (zh) * 2022-08-29 2023-11-21 北京大学现代农业研究院 除草方式的确定方法、装置、电子设备及除草系统
WO2024047092A1 (en) * 2022-09-01 2024-03-07 Basf Agro Trademarks Gmbh Method for providing herbicide application data in order to control a herbicide product application device
WO2024099985A1 (en) 2022-11-10 2024-05-16 Bayer Aktiengesellschaft Targeted crop protection product application based on genetic profiles
CN116912702B (zh) * 2023-09-14 2024-01-26 潍坊现代农业山东省实验室 杂草覆盖度确定方法、系统、装置及电子设备

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5253302A (en) * 1989-02-28 1993-10-12 Robert Massen Method and arrangement for automatic optical classification of plants
US5606821A (en) * 1994-07-25 1997-03-04 Loral Corporation Smart weed recognition/classification system
RU2129785C1 (ru) * 1997-12-10 1999-05-10 Всероссийский научно-исследовательский и проектно-технологический институт механизации и электрификации сельского хозяйства Устройство для управляемой борьбы с сорняками
CN100416590C (zh) * 2005-09-23 2008-09-03 中国农业机械化科学研究院 利用位置和纹理特征自动识别作物苗期田间杂草的方法
EP2327039A1 (en) * 2008-06-20 2011-06-01 Université De Liège Gembloux Agro-Bio Tech Weed detection and/or destruction
CN101859375B (zh) * 2010-06-01 2011-12-28 南京林业大学 农田苗期行内作物-杂草识别方法
TWI426779B (zh) * 2010-08-13 2014-02-11 Inst Information Industry Object color correction method, system and its computer program products
US9030549B2 (en) * 2012-03-07 2015-05-12 Blue River Technology, Inc. Method and apparatus for automated plant necrosis
CN203149656U (zh) * 2013-01-31 2013-08-21 北京农业信息技术研究中心 单/双子叶杂草识别喷药管理装置
JP5950166B2 (ja) * 2013-03-25 2016-07-13 ソニー株式会社 情報処理システム、および情報処理システムの情報処理方法、撮像装置および撮像方法、並びにプログラム
CN104243787B (zh) * 2013-06-06 2017-09-05 华为技术有限公司 拍照方法、照片管理方法及设备
US10068354B2 (en) * 2014-01-02 2018-09-04 Deere & Company Obtaining and displaying agricultural data
US20150245565A1 (en) * 2014-02-20 2015-09-03 Bob Pilgrim Device and Method for Applying Chemicals to Specific Locations on Plants
US9508006B2 (en) * 2014-11-03 2016-11-29 Intelescope Solutions Ltd. System and method for identifying trees
US9468152B1 (en) * 2015-06-09 2016-10-18 Harvest Moon Automation Inc. Plant pruning and husbandry

Also Published As

Publication number Publication date
RU2764872C2 (ru) 2022-01-21
WO2017194398A1 (en) 2017-11-16
US20190220666A1 (en) 2019-07-18
CN109416735A (zh) 2019-03-01
EP3244343A1 (en) 2017-11-15
CA3023792A1 (en) 2017-11-16
JP2019520632A (ja) 2019-07-18
RU2018143340A3 (ru) 2020-08-25
BR112018073098A8 (pt) 2023-04-04
EP3455784A1 (en) 2019-03-20
BR112018073098A2 (pt) 2019-04-02
AU2017262614A1 (en) 2018-11-29
US11048940B2 (en) 2021-06-29

Similar Documents

Publication Publication Date Title
RU2018143340A (ru) Распознавание сорняка в естественной среде
JP6921095B2 (ja) 航空画像を収集及び分析するための方法
RU2735151C2 (ru) Распознавание сорняков в естественной среде
Rasmussen et al. Pre-harvest weed mapping of Cirsium arvense in wheat and barley with off-the-shelf UAVs
Onishi et al. Automatic classification of trees using a UAV onboard camera and deep learning
US9207072B2 (en) Leaf area index measurement system, device, method, and program
WO2021057474A1 (zh) 主体对焦方法、装置、电子设备和存储介质
CN109712177A (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
WO2018120634A1 (zh) 病虫害识别方法及装置
AU2021204034B2 (en) Information processing device, information processing method and program
WO2021109120A1 (zh) 作物生长状况评估方法和装置
CN112465038A (zh) 一种识别果树病虫害种类的方法及系统
CN110647781B (zh) 一种基于谱图融合的农作物生长信息获取方法及装置
WO2021056297A1 (zh) 图像处理方法、设备、无人机、系统和存储介质
Kalmukov et al. Methods for Automated Remote Sensing and Counting of Animals
KR102104314B1 (ko) 드론 플랫폼 기반 멀티 스펙트럼 영상의 인공 지능 분류 및 검색 장치
JP2021013323A (ja) 情報処理装置及び指標値算出方法
CN110460773A (zh) 图像处理方法和装置、电子设备、计算机可读存储介质
Choudhury et al. UAV-assisted multi-modal detection and severity assessment for red spider mites in tea
Thapa Assessing annual forest phenology: A comparison of Unmanned Aerial Vehicle (UAV) and Phenocamera Datasets
Berry et al. Estimation of grapevine lateral leaf area (LLA) from RGB imagery using color thresholds and automatic k-means image segmentation
JP2014132849A (ja) ゴムノキの本数及び収量の推定方法
CN114494694A (zh) 一种种植园场景下的语义建图方法
CN117036977A (zh) 农田状态信息的识别方法、装置、处理器及电子设备