WO2017099570A1 - Sistema y método para agricultura de precisión por análisis multiespectral e hiperespectral de imágenes aéreas utilizando vehículos aéreos no tripulados - Google Patents

Sistema y método para agricultura de precisión por análisis multiespectral e hiperespectral de imágenes aéreas utilizando vehículos aéreos no tripulados Download PDF

Info

Publication number
WO2017099570A1
WO2017099570A1 PCT/MX2015/000167 MX2015000167W WO2017099570A1 WO 2017099570 A1 WO2017099570 A1 WO 2017099570A1 MX 2015000167 W MX2015000167 W MX 2015000167W WO 2017099570 A1 WO2017099570 A1 WO 2017099570A1
Authority
WO
WIPO (PCT)
Prior art keywords
multispectral
crop
images
hyperspectral
analysis
Prior art date
Application number
PCT/MX2015/000167
Other languages
English (en)
French (fr)
Inventor
José Antonio PACHECO SANCHEZ
Original Assignee
Pacheco Sanchez José Antonio
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 Pacheco Sanchez José Antonio filed Critical Pacheco Sanchez José Antonio
Priority to PCT/MX2015/000167 priority Critical patent/WO2017099570A1/es
Publication of WO2017099570A1 publication Critical patent/WO2017099570A1/es

Links

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
    • G03B37/00—Panoramic or wide-screen photography; Photographing extended surfaces, e.g. for surveying; Photographing internal surfaces, e.g. of pipe
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture

Definitions

  • the present invention relates to a method for determining the health of crops in a field and more particularly it relates to a method for determining it by aerial photographic analysis.
  • Aerial photography consists of taking photographs of the ground from a platform in the air, usually from camera (s) mounted on an airplane. Aerial photography is commonly used in cartography. The typical process employs a flight pattern over a defined area and the use of one or more cameras in the aircraft to take periodic photos, which are later merged into a complete aerial reconnaissance mosaic of the entire area. Aerial photography of mosaics has been useful for decades and there have been many efforts to automate the process of data collection since before the arrival of digital photography.
  • 7,639,897 shows an imaging system from an aerial field of view in which a camera sweeps once over a field for the construction of a video mosaic that is used to select the focus, exposure, or both settings and calculate the number and location of a set of photographs of components that weave the scene. Then, the system guides the user to sweep the field of vision of the camera on the scene in a second time, visiting each component photographic location.
  • U.S. patent application 20120105581 shows a method for converting two-dimensional images into three-dimensional images using the global positioning data system (GPS) and Digital Surface Models (DSM). DSM and GPS data are used to place a virtual camera. The distance between the virtual camera and the DSM is used to reconstruct a depth map. The depth map and two dimensional image are used to represent a three-dimensional image!
  • GPS global positioning data system
  • DSM Digital Surface Models
  • Multispectral and hyperspectral image sensors are able to see different bands in different regions of the electromagnetic spectrum.
  • US Pat. 5,999,650 shows a system for the generation of color images of the Earth's surface based on its near-red and infrared radiation. The system classifies each area of the earth based on the satellite measurement of red radiation and the near infrared of each area of the earth, then associates a color with each class of soil and finally the colors of the image pixei corresponding to each land area with the color associated with its class. Hyperspectral and muitiespectral images are especially useful in diagnosing crop health.
  • Aerial photography has proven to be especially useful for monitoring the growth and development of crops and obtaining the first estimates of yield of the final crop.
  • the physiological and morphological differences of the plants can be distinguished within the fields and areas of possible diseases can be identified.
  • Crop producers can evaluate the specific yield site potential, irrigation efficiency, planting nitrogen levels and in general they can improve profitability through yield increases and material savings.
  • Techniques such as stereophotogrammetry allow greater exploitation, providing information about the height of the plants, BRIEF DESCRIPTION OF FIGURES
  • Figure 1 represents a general diagram of visualization of the main elements.
  • Figure 2 illustrates the flow chart of the system information.
  • Figure 3 is a visualization of the platform for the user.
  • Figure 4 is the image of a field in the visual spectrum.
  • Figure 5 is the image of the same field in the red spectrum.
  • Figure 6 is the image of the same field in the NDVI spectrum.
  • the proposed system uses aerial photography taken on the crops to be analyzed, using unmanned aerial vehicles (UAVs) with multispectral and hyperspectral sensors, in addition to GPS systems.
  • UAVs unmanned aerial vehicles
  • the system described has the ability to detect specific nutritional deficiencies, irrigation deficiencies or presence of weeds or pests; by detecting the presence, in the images, of the respective spectral signatures, as well as the calculation of different indices used in Precision Agriculture. In addition to making suggestions to the user, about planning the application of agrochemicals to correct the problems detected; making use of more information, coming from climatological analysis and predictions in the crop area (made outside the system).
  • the method used for reading and diagnosing cultures is explained below according to the flow chart from! To fig. 2;
  • the site is delimited by using the Google Maps tool, which presents well-defined and georeferenced free-use images with high precision.
  • a sequence is used to plan the flight of the UAV (s), for which parameters are provided, such as the speed and direction of the wind in the area and the flight height, among others, given these data a
  • the subsystem generates the scan that the UAV will follow and calculates the estimated flight time, delta-type UAVs are used for large areas of land and quadcopter for small areas to speed up the process and resource performance.
  • the next step in the mission planning process is multi or hyperspectral air scanning or scanning; which consists in determining the routes that the aircraft (s) will follow, so that the region of interest (RDI) is photographed completely.
  • the routes determined by the system are usually zigzag. Each scan line is called the flight line.
  • the process used begins by converting the geodetic coordinates, which specify the polygon, to Cartesian coordinates in a local navigation reference frame (NED). This conversion is necessary to be able to use planning algorithms in Euclidean spaces. From that moment it is assumed that the surface to be explored has no curvature. This assumption is reasonable if we compare the size of the land with respect to the land area.
  • the images are taken by a high resolution and high speed camera which obtains multispectral images in fig. 4, the image of the visible spectrum is observed while in fig. 5 the image of the spectrum in red is observed and fig. 6 NDVI images are observed.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Soil Sciences (AREA)
  • Environmental Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

Se descubre un sistema y un método de agricultura de precisión utilizando mapas de imágenes multiespectrales e hiperespectrales tomadas por medio de cámaras fotográficas de alta velocidad y alta resolución montadas en la parte inferior de vehículos aéreos no tripulados que a su vez están georeferenciadas pixel por pixel y que se utilizan para el diagnostico de enfermedades, plagas, falta de nutrientes especificos, falta o exceso de humedad, crecimiento de maleza, en campos de cultivo.

Description

SISTEMA Y MÉTODO PARA AGRICULTURA DE PRECISIÓN POR ANÁLISIS MULTIESPECTRAL E HIPERESPECTRAL DE IMÁGENES AÉREAS UTILIZANDO VEHÍCULOS AÉREOS NO TRIPULADOS.
CAMPO TÉCNICO DE LA INVENCIÓN
La presente invención se refiere a un método para determinar la salud de los cultivos en un campo y más particularmente se refiere a un método para determinar la misma por análisis fotográfico aéreo
ANTECEDENTES
La fotografía aérea consiste en tomar fotografías de ¡a tierra desde una plataforma en el aire, por lo general de cámara (s) montadas en un avión. La fotografía aérea se utiliza comúnmente en la cartografía. El proceso típico emplea un patrón de vuelo sobre un área definida y el uso de una o más cámaras en la aeronave para tomar fotos periódicas, que más tarde se fusionan en un mosaico completo de reconocimiento aéreo de toda ¡a zona. La fotografía aérea de mosaicos ha sido útil durante décadas y ha habido muchos esfuerzos para automatizar ei proceso de recolección de datos desde antes de la llegada de la fotografía digital.
Sin embargo la fotografía digital ha permitido un mosaico de imágenes en base a características comunes en las imágenes. Con la posterior llegada de posicionamiento GPS, se hizo posible georeferenclar imágenes para coordenadas del terreno. Imágenes terrestres múltiples podrían ser un mosaico de una imagen amplia área basada en GPS etiquetada geográficamente en las coordenadas de cada imagen, una fotografía aérea geométricamente corregida o "ortorectificada" de tal manera que la escala es uniforme. Desafortunadamente, las coordenadas GPS por si solas no proporcionan suficiente precisión. Se necesita más información. De hecho, con ei fin de formar un registro preciso de las imágenes también es necesario ajustar las imágenes individuales para relieve topográfico, distorsión de la lente, inclinación de la cámara, etc., una ortofotografía incluye tales ajustes y se puede utilizar para medir distancias verdaderas como en un mapa. La patente de EE.UU. 7.639.897 muestra un sistema de imágenes desde un campo de visión aéreo en el que una cámara barre una vez sobre un campo para la construcción de un mosaico de vídeo que se utiliza para seleccionar los ajustes de enfoque, exposición, o ambos y calcular el número y la ubicación de un conjunto de fotografías de componentes que tejen la escena. Entonces, el sistema guía ai usuario para barrer eí campo de visión de la cámara sobre ia escena en una segunda vez, visitando cada ubicación fotográfica componente.
La fotogrametría se utiliza en diferentes campos, como mapas topográficos, arquitectura, ingeniería, fabricación, control de calidad, investigación policial y geología. La solicitud de patente EE.UU. 20120105581 muestra un método para convertir imágenes bidimensionales en imágenes tridimensionales utilizando el sistema de datos de posicionamiento global (GPS) y Modelos Digitales de Superficie (DSM). Los datos DSM y GPS se utilizan para colocar una cámara virtual. La distancia entre ¡a cámara virtual y el DSM se utiliza para reconstruir un mapa de profundidad. El mapa de profundidad y dos imagen dimensional se utilizan para representar una imagen tridimensiona!.
Sensores de imágenes multiespectrales e hiperespectrales son capaces de ver ías diferentes bandas en diferentes regiones del espectro electromagnético. Por ejemplo, la Patente de EE.UU. 5,999,650 muestra un sistema para ia generación de imágenes en color de la superficie de la Tierra sobre la base de su radiación del color rojo y de infrarrojos cercano. El sistema clasifica cada área de la tierra basado en ia medición satelitai de radiación rojo y del infrarrojo cercano de cada área de la tierra, a continuación, asocia un color con cada clase de suelo y por último ios colores del pixeí de imagen correspondiente a cada área de la tierra con el color asociado con su clase. Las imágenes hiperespectrales y muitiespectrales son especialmente útiles en el diagnóstico de la salud del cultivo.
La fotografía aérea ha demostrado ser especialmente útil para monitorear el crecimiento y desarrollo de los cultivos y la obtención de las primeras estimaciones de rendimiento de la cosecha final. Con el uso de fotografías aéreas infrarrojas cercanas, las diferencias fisiológica y morfológicas de las plantas se pueden distinguir dentro de ¡os campos y áreas de posibles enfermedades pueden ser identificadas. Los productores de cultivo pueden evaluar el potencial de sitio específico de rendimiento, la eficiencia del riego, ios niveles de nitrógeno de la siembra y en general pueden mejorar la rentabilidad a través de aumentos de rendimiento y ahorro de materiales. Las técnicas como la estereofotogrametría permiten una mayor explotación, proporcionando información sobre ia altura de las plantas, BREVE DESCRIPCIÓN DE FIGURAS
La figura 1 representa un diagrama general de visualización de los elementos principales. La figura 2 ilustra el diagrama de flujo de la información del sistema.
La figura 3 es una visualización de la plataforma para el usuario.
La figura 4 es la imagen de un campo en el espectro visual.
La figura 5 es la imagen del mismo campo en el espectro del rojo.
La figura 6 es la imagen del mismo campo en el espectro NDVI.
DESCRIPCIÓN DETALLADA DE LA INVENCIÓN
El sistema propuesto utiliza fotografía aérea tomadas sobre los cultivos a analizar, utilizando para ello, vehículos aéreos no tripulados (UAV por sus siglas en ingles) con sensores multiespectrales e hiperespectrales, además de sistemas GPS.
El sistema descrito, tiene la capacidad de detectar deficiencias nutrimentales especificas, deficiencias de irrigación o presencia de maleza o plagas; mediante la detección de presencia, en las imágenes, de las respectivas firmas espectrales, así como el cálculo de diferentes índices utilizados en Agricultura de Precisión. Además de hacer sugerencias ai usuario, sobre pianeación de aplicación de agroquimicos para corregir los problemas detectados; haciendo usó de más información, procedente de análisis y predicciones climatológicas en la zona del cultivo (realizados fuera del sistema). El sistema como se muestra en ía figura 1 primeramente utiliza el sistema de mapeo que esta compuesto por equipo de hardware (Dron(es), sensores de visión, gimbal, GPS) y equipo de software (controlador de vuelo, trazador de rutas de vuelo), dicho sistema de mapeo entrega imágenes a una píataforma desarrollada para el usuario la cual puede desplegar en una computadora personal o un teléfono celular inteligente y otros dispositivos portátiles con acceso a internet; en la ínterfaz de usuario se selecciona en tipo de cultivo, la temporada, la fecha, entre otros datos que se despliegan en un menú mostrado en la fig. 3; dichos datos aunados a las imágenes espectrales captadas por eí UAV y otros datos recogidos por sensores terrestres, como son los datos climáticos son enviados al sistema de procesamiento central sustentado en la nube. Ahí las imágenes son georeferenciadas y rectificadas para crear un mosaico listo para el análisis espectral donde se producen imágenes en mosaico, reportes, tablas de concentraciones, mapas temáticos, entre otras. Una vez obtenidos estos datos se pasa al módulo de interpretación donde se generan las tablas y mapas que serán visualizados por el usuario. Estos resultados son enviados de regreso a la interfaz de usuario donde el usuario podrá ver el resultado dei análisis.
El método utilizado para la lectura y diagnóstico de cultivos se explica a continuación según el diagrama de flujo de !a fig. 2; en la interfaz de usuario se delimita el predio haciendo uso de la herramienta de google maps ¡a cual presenta imágenes de uso libre bien definidas y georeferenciadas con alta precisión. Una vez delimitado el polígono se utiliza una secuencia para la pianeación del vuelo del o de los UAV's, para lo cual se le proporcionan parámetros, como la velocidad y dirección del viento en la zona y la altura de vuelo entre otros, dados estos datos un subsistema genera el barrido que el UAV va a seguir y calcula el tiempo estimado de vuelo, se utilizan UAV's tipo ala delta para grandes extensiones de tierras y quadcopteros para zonas pequeñas para agilizar el proceso y rendimiento de recursos. Una vez que el subsistema calcula el plan de vuelo, ei siguiente paso del proceso de pianeación de la misión es el barrido o escaneo aéreo multi o hiperespectral; el cual consiste en determinar las rutas que la(s) aeronave(s) seguirá(n), de tal forma que se capture fotográficamente por completo la región de interés (RDI).
Los recorridos determinados por el sistema son por lo general de forma zigzag. Cada linea del barrido se le denomina linea de vuelo. Ei proceso utilizado comienza por convertir las coordenadas geodésicas, que especifican el polígono, a coordenadas cartesianas en un marco de referencia de navegación local (NED). Esta conversión es necesaria para poder utilizar algoritmos de planificación en espacios euclidianos. A partir de ese momento se supone que la superficie a explorar no tiene curvatura. Esta suposición es razonable si comparamos el tamaño dei terreno con respecto de la superficie terrestre. Las imágenes son tomadas por una cámara de alta resolución y alta velocidad la cual obtiene imágenes multiespectrales en la fig. 4, se observa la imagen dei espectro visible mientras que en la fig. 5 se observa la imagen del espectro en el rojo y fig. 6 se observa la imágenes NDVI.

Claims

REIVINDICACIONES
1. Un sistema de monitoreo fotográfico aéreo multiespectral e hiperespectral georeferenciado de campos de cultivo utilizando vehículos autónomos no tripulados para el análisis multiespectral e hiperespectral de campos de cultivo con la finalidad de identificar deficiencias que impidan el óptimo desarrollo de las plantas, así como determinar e¡ área geográfica específica y brindar soluciones a dichas deficiencias.
2. Los vehícuios aéreos no tripulados de la reivindicación 1 que pueden ser de tipo ala delta o cuadcopteros y que portan sistemas de navegación GPS y comunicación de radio control con una base para el control de vuelo, que además portan una cámara de alta resolución muitiespectra!.
3. El monitoreo fotográfico de la reivindicación 1 que se realiza por medio de una cámara montada en la parte inferior del vehículo aéreo que graba imágenes en alta definición y alta velocidad en diferentes áreas del espectro de luz, tai como la visible, el rojo y el infrarrojo cercano.
4. El campo de cultivo que es delimitado según coordenadas geodésicas tomadas de google maps y que son convertidas a cartesianas en un marco de referencia de navegación loca!.
5. Un método para la agricultura de precisión que consiste en la creación de un mapa de fotográfico muitiespectral e hiperespectral aéreo georeferenciado pixei por pixel de un campo de cultivo para el análisis de nutrientes, crecimiento de la planta, cantidad de agua, crecimiento de maleza, determinación de enfermedades y/o plagas, realizado por medio de vehículos aéreos no tripulados controlados por software mediante GPS y radio control.
6. El método de la reivindicación 5 que en un primer paso utiliza una interfaz de usuario por medio de la cual se descarga información de google maps para delimitar el polígono que conforma el campo a analizar y obtiene información adicional de sensores de tierra como velocidad y dirección del aire, humedad, temperatura, además de información brindada por el usuario como el tipo de cultivo y que a su vez entrega los resultados del análisis fina!.
7. El método de la reivindicación 5 que en sus segundo paso planea y calcula la misión en base a las delimitaciones del polígono y datos de usuario como altura del sobrevuelo y velocidad de desplazamiento de la aeronave.
8. El método de la reivindicación 5 que en el tercer paso que después de realizar ei sobrevuelo en zigzag del campo objeto, realiza el acondicionamiento de imágenes por medio de georferenciación y ortorecíificación para brindar un mapa exacto del terreno.
9. El método de ia reivindicación 5 que en un cuarto paso realiza el análisis del mapa multiespectral e hiperespecíral y que a su vez genera reportes (diagnósticos) de ias áreas especificas y que entrega junto con ¡as imágenes georeferenciadas por medio de dicha iníeríaz de usuario de la reivindicación 6.
PCT/MX2015/000167 2015-12-11 2015-12-11 Sistema y método para agricultura de precisión por análisis multiespectral e hiperespectral de imágenes aéreas utilizando vehículos aéreos no tripulados WO2017099570A1 (es)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/MX2015/000167 WO2017099570A1 (es) 2015-12-11 2015-12-11 Sistema y método para agricultura de precisión por análisis multiespectral e hiperespectral de imágenes aéreas utilizando vehículos aéreos no tripulados

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/MX2015/000167 WO2017099570A1 (es) 2015-12-11 2015-12-11 Sistema y método para agricultura de precisión por análisis multiespectral e hiperespectral de imágenes aéreas utilizando vehículos aéreos no tripulados

Publications (1)

Publication Number Publication Date
WO2017099570A1 true WO2017099570A1 (es) 2017-06-15

Family

ID=59013540

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/MX2015/000167 WO2017099570A1 (es) 2015-12-11 2015-12-11 Sistema y método para agricultura de precisión por análisis multiespectral e hiperespectral de imágenes aéreas utilizando vehículos aéreos no tripulados

Country Status (1)

Country Link
WO (1) WO2017099570A1 (es)

Cited By (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110726675A (zh) * 2019-09-03 2020-01-24 宿州山海经测地理信息科技有限公司 一种无人机遥感探测系统及遥感探测方法
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US20220110251A1 (en) 2020-10-09 2022-04-14 Deere & Company Crop moisture map generation and control system
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US12013245B2 (en) 2020-10-09 2024-06-18 Deere & Company Predictive map generation and control system
US12035648B2 (en) 2020-10-09 2024-07-16 Deere & Company Predictive weed map generation and control system

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5467271A (en) * 1993-12-17 1995-11-14 Trw, Inc. Mapping and analysis system for precision farming applications
US5999650A (en) * 1996-11-27 1999-12-07 Ligon; Thomas R. System for generating color images of land
US20050149235A1 (en) * 2002-08-19 2005-07-07 Seal Michael R. [method and system for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data]
WO2011160159A1 (en) * 2010-06-25 2011-12-29 Cambium Land & Water Management Pty. Ltd. A system and a method for generating a spectral image for a plot of land

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5467271A (en) * 1993-12-17 1995-11-14 Trw, Inc. Mapping and analysis system for precision farming applications
US5999650A (en) * 1996-11-27 1999-12-07 Ligon; Thomas R. System for generating color images of land
US20050149235A1 (en) * 2002-08-19 2005-07-07 Seal Michael R. [method and system for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data]
WO2011160159A1 (en) * 2010-06-25 2011-12-29 Cambium Land & Water Management Pty. Ltd. A system and a method for generating a spectral image for a plot of land

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11653588B2 (en) 2018-10-26 2023-05-23 Deere & Company Yield map generation and control system
US11672203B2 (en) 2018-10-26 2023-06-13 Deere & Company Predictive map generation and control
US11178818B2 (en) 2018-10-26 2021-11-23 Deere & Company Harvesting machine control system with fill level processing based on yield data
US11589509B2 (en) 2018-10-26 2023-02-28 Deere & Company Predictive machine characteristic map generation and control system
US11240961B2 (en) 2018-10-26 2022-02-08 Deere & Company Controlling a harvesting machine based on a geo-spatial representation indicating where the harvesting machine is likely to reach capacity
US12010947B2 (en) 2018-10-26 2024-06-18 Deere & Company Predictive machine characteristic map generation and control system
US11234366B2 (en) 2019-04-10 2022-02-01 Deere & Company Image selection for machine control
US11467605B2 (en) 2019-04-10 2022-10-11 Deere & Company Zonal machine control
US11778945B2 (en) 2019-04-10 2023-10-10 Deere & Company Machine control using real-time model
US11650553B2 (en) 2019-04-10 2023-05-16 Deere & Company Machine control using real-time model
US11829112B2 (en) 2019-04-10 2023-11-28 Deere & Company Machine control using real-time model
US11079725B2 (en) 2019-04-10 2021-08-03 Deere & Company Machine control using real-time model
CN110726675A (zh) * 2019-09-03 2020-01-24 宿州山海经测地理信息科技有限公司 一种无人机遥感探测系统及遥感探测方法
US11641800B2 (en) 2020-02-06 2023-05-09 Deere & Company Agricultural harvesting machine with pre-emergence weed detection and mitigation system
US11957072B2 (en) 2020-02-06 2024-04-16 Deere & Company Pre-emergence weed detection and mitigation system
US11477940B2 (en) 2020-03-26 2022-10-25 Deere & Company Mobile work machine control based on zone parameter modification
US11592822B2 (en) 2020-10-09 2023-02-28 Deere & Company Machine control using a predictive map
US11871697B2 (en) 2020-10-09 2024-01-16 Deere & Company Crop moisture map generation and control system
US11711995B2 (en) 2020-10-09 2023-08-01 Deere & Company Machine control using a predictive map
US11727680B2 (en) 2020-10-09 2023-08-15 Deere & Company Predictive map generation based on seeding characteristics and control
US11650587B2 (en) 2020-10-09 2023-05-16 Deere & Company Predictive power map generation and control system
US11635765B2 (en) 2020-10-09 2023-04-25 Deere & Company Crop state map generation and control system
US11825768B2 (en) 2020-10-09 2023-11-28 Deere & Company Machine control using a predictive map
US11844311B2 (en) 2020-10-09 2023-12-19 Deere & Company Machine control using a predictive map
US11845449B2 (en) 2020-10-09 2023-12-19 Deere & Company Map generation and control system
US11849672B2 (en) 2020-10-09 2023-12-26 Deere & Company Machine control using a predictive map
US11849671B2 (en) 2020-10-09 2023-12-26 Deere & Company Crop state map generation and control system
US11864483B2 (en) 2020-10-09 2024-01-09 Deere & Company Predictive map generation and control system
US11874669B2 (en) 2020-10-09 2024-01-16 Deere & Company Map generation and control system
US11675354B2 (en) 2020-10-09 2023-06-13 Deere & Company Machine control using a predictive map
US11889788B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive biomass map generation and control
US11889787B2 (en) 2020-10-09 2024-02-06 Deere & Company Predictive speed map generation and control system
US11895948B2 (en) 2020-10-09 2024-02-13 Deere & Company Predictive map generation and control based on soil properties
US11927459B2 (en) 2020-10-09 2024-03-12 Deere & Company Machine control using a predictive map
US11946747B2 (en) 2020-10-09 2024-04-02 Deere & Company Crop constituent map generation and control system
US11474523B2 (en) 2020-10-09 2022-10-18 Deere & Company Machine control using a predictive speed map
US11983009B2 (en) 2020-10-09 2024-05-14 Deere & Company Map generation and control system
US20220110251A1 (en) 2020-10-09 2022-04-14 Deere & Company Crop moisture map generation and control system
US12013698B2 (en) 2020-10-09 2024-06-18 Deere & Company Machine control using a predictive map
US12013245B2 (en) 2020-10-09 2024-06-18 Deere & Company Predictive map generation and control system
US12035648B2 (en) 2020-10-09 2024-07-16 Deere & Company Predictive weed map generation and control system

Similar Documents

Publication Publication Date Title
WO2017099570A1 (es) Sistema y método para agricultura de precisión por análisis multiespectral e hiperespectral de imágenes aéreas utilizando vehículos aéreos no tripulados
Torres-Sánchez et al. Assessing UAV-collected image overlap influence on computation time and digital surface model accuracy in olive orchards
Webster et al. Three-dimensional thermal characterization of forest canopies using UAV photogrammetry
Xiang et al. Method for automatic georeferencing aerial remote sensing (RS) images from an unmanned aerial vehicle (UAV) platform
US9798928B2 (en) System for collecting and processing aerial imagery with enhanced 3D and NIR imaging capability
Rokhmana The potential of UAV-based remote sensing for supporting precision agriculture in Indonesia
US20220366605A1 (en) Accurate geolocation in remote-sensing imaging
Liu et al. Rapidly responding to landslides and debris flow events using a low-cost unmanned aerial vehicle
Flores-de-Santiago et al. Assessing the effect of flight altitude and overlap on orthoimage generation for UAV estimates of coastal wetlands
KR20220049687A (ko) 저가의 드론 광학 센서를 활용한 식생지수 정확도 평가 방법
Meneses et al. Modelling heights of sparse aquatic reed (Phragmites australis) using Structure from Motion point clouds derived from Rotary-and Fixed-Wing Unmanned Aerial Vehicle (UAV) data
Vanegas et al. Multi and hyperspectral UAV remote sensing: Grapevine phylloxera detection in vineyards
Szabó et al. Zooming on aerial survey
Jawak et al. Applications of WorldView-2 satellite data for extraction of polar spatial information and DEM of Larsemann Hills, East Antarctica
Simon et al. 3D MAPPING OF A VILLAGE WITH A WINGTRAONE VTOL TAILSITER DRONE USING PIX4D MAPPER.
Starek et al. Application of unmanned aircraft systems for coastal mapping and resiliency
WO2017105177A1 (es) Sistema de procesamiento de imágenes para análisis multiespectral e hiperespectral en agricultura de precisión.
Sefercik et al. Consistency analysis of RTK and Non-RTK UAV DSMs in vegetated areas
Essel et al. Initial Study Assessing the Suitability of Drones with Low-Cost GNSS and IMU for Mapping over Featureless Terrain Using Direct Georeferencing
Trevoho et al. Aerial data application for construction of large-scale plans
Wijesingha Geometric quality assessment of multi-rotor unmanned aerial vehicle borne remote sensing products for precision agriculture
Zainuddin et al. The feasibility of using low-cost commercial unmanned aerial vehicle for small area topographic mapping
Rahardjo et al. Drone Application for Generating a High Precision Orthophoto to Support Village Boundary and Land Use Mapping in Indonesia.
Šedina et al. Documentation of Urn Graves of Knovíz Culture by RPAS
Gabara et al. Kortowo test field for testing photogrammetric products accuracy–design and first evaluation

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15910320

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15910320

Country of ref document: EP

Kind code of ref document: A1