CN102564593B - 基于计算机视觉及物联网的植物生长状况监测*** - Google Patents
基于计算机视觉及物联网的植物生长状况监测*** Download PDFInfo
- Publication number
- CN102564593B CN102564593B CN 201110451798 CN201110451798A CN102564593B CN 102564593 B CN102564593 B CN 102564593B CN 201110451798 CN201110451798 CN 201110451798 CN 201110451798 A CN201110451798 A CN 201110451798A CN 102564593 B CN102564593 B CN 102564593B
- Authority
- CN
- China
- Prior art keywords
- blade
- image
- plant
- internet
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 230000008635 plant growth Effects 0.000 title abstract 3
- 238000001514 detection method Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 38
- 230000012010 growth Effects 0.000 claims description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 23
- 238000003973 irrigation Methods 0.000 claims description 21
- 230000002262 irrigation Effects 0.000 claims description 21
- 208000005156 Dehydration Diseases 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000009977 dual effect Effects 0.000 claims description 4
- 238000005538 encapsulation Methods 0.000 claims description 3
- 239000012528 membrane Substances 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 abstract description 64
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 230000002829 reductive effect Effects 0.000 abstract description 3
- 238000000034 method Methods 0.000 description 24
- 238000004458 analytical method Methods 0.000 description 10
- 244000205754 Colocasia esculenta Species 0.000 description 5
- 235000006481 Colocasia esculenta Nutrition 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 4
- 241000227653 Lycopersicon Species 0.000 description 4
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003643 water by type Substances 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 208000002720 Malnutrition Diseases 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 239000006002 Pepper Substances 0.000 description 2
- 240000008042 Zea mays Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000009305 arable farming Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000002015 leaf growth Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 229910052757 nitrogen Inorganic materials 0.000 description 2
- 235000018343 nutrient deficiency Nutrition 0.000 description 2
- 230000029553 photosynthesis Effects 0.000 description 2
- 238000010672 photosynthesis Methods 0.000 description 2
- 230000000243 photosynthetic effect Effects 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000003462 vein Anatomy 0.000 description 2
- 241000218993 Begonia Species 0.000 description 1
- RWSOTUBLDIXVET-UHFFFAOYSA-N Dihydrogen sulfide Chemical compound S RWSOTUBLDIXVET-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 208000019025 Hypokalemia Diseases 0.000 description 1
- 206010023126 Jaundice Diseases 0.000 description 1
- 241000218300 Liriodendron Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000003796 beauty Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003851 biochemical process Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 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
- 238000004040 coloring Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- QDOXWKRWXJOMAK-UHFFFAOYSA-N dichromium trioxide Chemical compound O=[Cr]O[Cr]=O QDOXWKRWXJOMAK-UHFFFAOYSA-N 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 229910000037 hydrogen sulfide Inorganic materials 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 230000005226 mechanical processes and functions Effects 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- CSJDCSCTVDEHRN-UHFFFAOYSA-N methane;molecular oxygen Chemical compound C.O=O CSJDCSCTVDEHRN-UHFFFAOYSA-N 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 208000007645 potassium deficiency Diseases 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000011079 streamline operation Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了基于计算机视觉及物联网的植物生长状况监测***,其特征在于:其包括对植物叶片进行拍摄并对所拍摄到的图像进行采集和分析的高速DSP计算机视觉模块、对植物进行浇水的控制执行模块,以及将植物叶片信息通过远程服务器传送给远程终端供工作人员参考和操作的物联网模块,所述高速DSP计算机视觉模块、控制执行模块和物联网模块之间数据连接。本发明对传统的检测***进行了改进,使用了基于计算机视觉的DSP图像处理技术及改进后的处理算法来获取和处理名贵花木的叶片图像,提高了图像获取与处理的速度和准确率,提高了***的自动化水平,降低了生产成本;利用物联网技术通过远程服务器将搜集到的数据及时地传送给终端工作人员。
Description
技术领域
本发明涉及一种基于计算机视觉及物联网的植物生长状况监测***以及利用该***进行名贵花木叶片检测的方法实现,属于数字图像处理技术在农业检测领域的应用。
背景技术
植物的叶片是植物重要的光合器官,也是植物进行蒸腾作用的主要途径。光合作用,即光能合成作用,是植物的叶片在可见光的照射下,利用光合色素,将二氧化碳(或硫化氢)和水转化成为有机物,并释放出氧气(或氢气)的生化过程。光合作用是一系列复杂的代谢反应的总和,是整个生物界赖以生存的基础,也是地球碳氧循环的重要媒介。
我们不难发现,在精细农业不断发展的今天,开展精细农业实践不仅可以合理利用资源、提高灌溉质量,而且可以降低生产成本、保护环境、提高作物竞争力。与此同时,研究植物叶片的各种参数对于植物的生长发育、灌溉栽培,以及农作物产量等都具有十分重要的意义。构建实时、快捷、有效的植物叶片分析方法,对于调整群体结构、充分利用光热资源,从而指导作物栽培密度及合理施肥灌溉都具有重要的现实意义。
传统的植物生长状况监测方法过于依赖人工操作,需要花木培育人员深入种植大棚内部进行信息采集和灌溉施肥,故监测效率低下且成本较高。随着近年来计算机技术的不断发展,数字图像处理技术的不断成熟,可以考虑借助计算机视觉来获取和分析花木叶片的外观特征。计算机视觉是使用计算机及相关设备对生物视觉的一种模拟,其主要任务就是通过采集图片或者视频来获得相应的信息,从而对其进行分析和处理。目前,以数字图像处理技术为基础的计算机视觉检测技术已经被应用到社会生产中的各个方面,如人脸识别、车辆识别、工业检测和医学图像分析等等,其特有的非人工性、准确性和稳定性,以及对环境变化的适应性,是其他传统检测方法所难以媲美的。
图像处理算法的优劣是计算机视觉技术能否获得成功应用的关键。与其他方面的应用相比,待检测花木叶片的颜色、纹理、形状和尺寸都是其重要的外观特征。但是,植物的生长环境因光照变化大而导致成像条件不理想,同时叶片在外观表现上不能像工业零件那样具有规律性和可描述性,所以给具体目标的识别带来了很大难度。自上世纪九十年代以来,很多学者在利用计算机视觉技术对植物叶片进行检测分析的方向上展开了研究:[纪寿文,王荣本,陈佳娟,等.应用计算机图像处理技术识别玉米苗期田间杂草的研究[J].农业工程学报,2001,17(2):201-204]文中利用图像处理技术得到叶片投影面积、叶长、叶宽等形状描述参数,对苗期的玉米和杂草进行识别,从而为精确喷洒除草剂提供了有效的依据;[毛罕平,徐贵立,李萍萍,等.基于计算机视觉的番茄营养元素亏缺的识别[J].农业工程学报,2003,34(2):73-75]文中借助计算机视觉对番茄叶片的进行特征提取,通过二叉树分类法来建立对番茄缺素症状进行模式识别的框架,从而对肉眼不易判别的番茄缺氮和缺钾初期叶片进行识别;[SinghN.,Casady W.W.,Costello T.A.Machine-vision-based Nitrogenmanagement models for rice[J].Transaction of the ASAE.1996,39(5):1899-1904]文中使用图像分割来获取水稻的形态特征,并与植物生长状况分析相结合,发明了一种利用叶片面积等形态特征来判断植株的N缺素情况的方法。
物联网作为近年来新兴的一项信息技术,被认为是继计算机、互联网技术之后的又一次信息技术革命。物联网技术通过借助计算机互联网、传感器和终端设备,使得人们可以随时随地了解现实中一切环境、设备、设施的信息,摆脱了时间和地域的限制。物联网用途广泛,目前已经遍及智能交通、环境保护、公共安全、个人健康、作物栽培和工业监测等诸多领域。物联网技术在农业中的广泛应用有望为农业带来划时代意义的变革:人们不仅可以通过上网了解作物的生长环境和长势情况,而且可以对作物的干旱情况和病虫害状况做出判断并及时采取相应的措施。农业物联网技术在现代化的名贵花木生长监测中也有着巨大的发展前景。众所周知,植物的生长状况与光照条件、环境温度和湿度、土壤含水量等因素均密切相关。一直以来,花木行业由于缺乏精确的测量手段,只能依赖于经验管理。这种粗放的管理方式极大地制约了花木生长质量的提高,而运用农业物联网技术则可以显著地提高名贵花木行业在生产和管理中的效率。
我国在利用计算机视觉进行植物检测与分析方面的技术才刚刚起步。一般的计算机视觉***检测***的流程为:采用CCD摄像头采集图像,随后将其送入数据采集卡中进行A/D转换,数据进入计算机后由操作***调用相应的应用程序对这些数据进行处理从而提取特征,完成对目标的检测任务。但是由于这类***的数据传输需要耗费大量的时钟周期,而一般的计算机并未采用专业的硬件结构对数据处理来进行优化,导致算法耗时较多,极大地降低了这种***的实时性和检测效率。因此需要采用专门针对图像处理的高速DSP芯片来代替计算机进行数据处理。如何优化处理算法,寻找简单快速的检测方法是提高***实用性的关键。
发明内容
本发明针对花木叶片生长状况自动检测的需求,提出了一种基于计算机视觉及物联网的植物生长状况监测***。该***利用针对数字图像的高速DSP计算机视觉模块进行图像采集和处理,模块中的高速DSP芯片作为一种特殊的微处理器,其特有的哈佛结构和流水线操作能够使其对图像的处理运算速度远超过一般的微处理器,大大提高了检测的实时性;另一方面,通过将物联网技术与叶片检测技术相结合,不仅可以实现对名贵花木生长状况的实时监控与及时灌溉,更可以将相关信息通过远程服务器和终端设备传达给花木培育企业的工作人员,从而达到远程遥控的目的,方便他们及时地对大棚内的名贵花木进行灌溉。
本发明的技术方案是提供一种基于计算机视觉及物联网的植物生长状况监测***,其特征在于:其包括对植物叶片进行拍摄并对所拍摄到的图像进行采集和分析的高速DSP计算机视觉模块、对植物进行浇水的控制执行模块,以及将植物叶片信息通过远程服务器传送给远程终端供工作人员参考和操作的物联网模块,所述高速DSP计算机视觉模块、控制执行模块和物联网模块之间数据连接。
优选的,所述高速DSP计算机视觉模块包括位于待监测植物正上方的工业相机、用于获取所述工业相机所拍摄到的图像的CCD图像获取模块和包含有用于图像处理的高速DSP芯片TMS320C6000的DSP图像处理模块。
优选的,所述工业相机周身裹有一层防水膜,所述工业相机旁设置有照明光源,所述照明光源为LED光源。
优选的,所述CCD图像获取模块和DSP图像处理模块均装载在封装型便携式的DSP板卡上。
优选的,所述控制执行模块包括:多个位于待监测植物上方的喷灌喷头和为所述喷灌喷头供水的输水管道,所述喷灌喷头由强电控制器控制,所述强电控制器和所述高速DSP计算机视觉模块、物联网模块均连接工控机。
优选的,其工作的步骤为:
1)所述工业相机定期拍摄待监测植物的叶片的彩色图像;
2)所述CCD图像获取模块获取所述彩色图像后传送给所述DSP图像处理模块;
3)所述DSP图像处理模块对所述彩色图像中的植物叶片进行检测,如果发现植物缺水则通知所述控制执行模块对植物进行浇水。
优选的,所述步骤3)中,所述DSP图像处理模块对所述彩色图像中的植物叶片进行以下检测中一种或多种:叶片颜色检测、叶片纹理检测和叶片形状检测。
优选的,所述叶片颜色检测的步骤为:
1)对所述彩色图像中的植物叶片进行去除叶柄处理;
2)将所述彩色图像由RGB颜色空间转换到HSV颜色空间,设定H分量和S分量变化范围并对二者进行均分;
3)根据H平面和S平面的数据统计创建每个维度均分的二维直方图;
4)利用原所述彩色图像将所述二维直方图转换成叶片的RGB空间的彩色二维直方图;
5)设定阈值,通过对所述彩色二维直方图中的花木叶片进行分析,判定出植物是否属于缺水状态。
优选的,所述叶片纹理检测的步骤为:
1)将所述彩色图像灰度化并采用均值滤波;
2)针对不同种类的花木叶片设定动态阈值,运用双阈值算法检测和连接图像中的边缘;
3)对叶片单位面积的纹理数量进行统计,通过纹理的疏密程度判断植物是否属于缺水状态。
优选的,所述叶片形状检测包括叶片形状参数检测和叶片面积检测,其中所述叶片形状参数检测的步骤为:
1)对所述彩色图像中的植物叶片进行去除叶柄处理;
2)将所述彩色图像中的植物叶片的灰度图像二值化,并提取植物叶片的轮廓;
3)通过计算提取植物叶片的轮廓的像素坐标的平均值来获取叶片形心点坐标,并以形心点为圆心求取叶片最大外接圆半径和最小内切圆半径,以二者的比值作为叶片形状参数;
4)通过计算得出的叶片形状参数和正常情况下的叶片形状参数进行比较,判断植物是否属于缺水状态。
优选的,所述叶片面积检测的步骤为:
1)将所述彩色图像中的植物叶片的灰度图像二值化,得到二值化图像;
2)遍历所述二值化图像统计所有灰度值为0的所有像素点的总数,以其作为植物叶片的叶片面积;
3)比较该植物叶片的叶片面积的历史变化,如果叶片面积变小则判断该植物叶片为属于缺水状态。
优选的,其中对所述彩色图像中的植物叶片进行去除叶柄处理的步骤包括:
1)首先将包含叶柄的叶片图像二值化,并将其旋转为叶片向上、叶柄朝下的位置,以获得二值图像;
2)对所述二值图像进行自下而上横向扫描,以确定叶柄部分的最大宽度;
3)通过对二值图像中连续黑色像素点的横向扫描和个数统计,以小于步骤2)中确定的叶柄部分最大宽度的部分为叶柄,从而判定出叶柄的确切位置;
4)将得到的叶柄图像反色,将其和原所述彩色图像进行或操作,得到剔除了叶柄的叶片彩色图像。
本发明科学合理,充分考虑了检测的实时性,并对传统的检测***进行了改进,使用了基于计算机视觉的DSP图像处理技术及改进后的处理算法来获取和处理名贵花木的叶片图像,提高了图像获取与处理的速度和准确率。当检测出需要浇水的植物之后,能够利用工控机来控制喷灌喷头完成相应的操作,提高了***的自动化水平,降低了生产成本。此外,将物联网技术引入了植物叶片的分析监测***。通过远程服务器将搜集到的数据及时地传送给终端工作人员,摆脱了传统花木培育方法时间和地域上的限制,极大地方便了工作人员对花木的远程监控。当工作人员需要对大棚内的花木进行浇水的时候,只需要在办公室内通过个人电脑或智能手机远程遥控工控机来发送指令即可。该基于计算机视觉及物联网的植物生长状况监测***及方法,有着较好的检测实时性和较强的稳定性、准确性,同时也支持远程遥控,所以非常适合名贵花木培育企业使用。
附图说明
图1是本发明的基于计算机视觉及物联网的植物生长状况监测***的***结构示意图;
图2是本发明的基于计算机视觉及物联网的植物生长状况监测***的***算法流程示意图;
图1中:1.LED光源(100w),2.工业相机,3.高速DSP芯片TMS320C6000,4.输水管道,5.喷灌喷头,6.强电控制器,7.工控机,8.远程服务器,9.个人电脑,10.智能手机。
具体实施方式
下面对本发明的具体实施方式作进一步详细的描述。
如图1和图2所示,本发明的一种基于计算机视觉及物联网的植物生长状况监测***的硬件部分包括:对花木叶片进行拍摄并对所拍摄到的图像进行采集和分析的高速DSP计算机视觉模块,对缺水花木进行浇水的控制执行模块,以及将叶片信息通过远程服务器传送给终端供工作人员参考和操作的物联网模块三个部分:
一、高速DSP计算机视觉模块包括工业相机、专用CCD图像获取模块和DSP图像处理模块。工业相机位于待检测花木正上方约1米处,相机旁边配有100w的LED光源用作照明,相机周身包裹有一层防水膜。专用CCD图像获取模块用于获取由工业相机所拍摄到的图像,而DSP图像处理模块中则含有专门用于图像处理的高速DSP芯片TMS320C6000,二者均装载在DSP板卡上,板卡为封装型便携式的。
二、控制执行模块包括工控机、强电控制器、输水管道和喷灌喷头。工控机放置在花木培育大棚内,通过PCI接口和高速DSP计算机视觉模块直接相连,并且通过强电控制器来控制喷灌喷头进行浇水。输水管道由耐腐蚀材料所制成,位于植物的正前方约0.2米处。喷灌喷头安置在输水管道上,可根据实际情况每隔一定距离设置一个,主要负责根据工控机传输过来的信号对缺水的花木进行喷灌。
三、物联网模块包括远程服务器、个人电脑和智能手机等终端设备。远程服务器设置在花木培育企业办公大楼内,是花木监测点和客户终端之间的一座桥梁,主要负责收集和存储大棚内工控机传输过来的花木叶片信息,连通网内成员,并随时向终端设备提供数据服务。个人电脑和智能手机属于终端设备,主要负责将服务器传送过来的植物信息显示给花木培育企业的工作人员,同时可以实时地向培育大棚内的工控机发送指令,方便他们对名贵花木的生长状况进行远程监控。
本发明的基于计算机视觉及物联网的植物生长状况监测***对叶片进行检测的具体实现步骤如下:
工业相机拍摄到当前花木叶片的一帧彩色图像,图像数据被专用CCD图像获取模块所获取,之后由DSP图像处理模块进行叶片检测工作。检测工作主要包括:叶片颜色检测,叶片纹理检测和叶片形状检测三个部分。整个检测环节中一旦发现花木叶片状况不佳,有缺水现象,就将产生触发信号,随后工控机分析该信号并通过强电控制器来控制喷灌喷头完成浇水任务。此外,名贵花木培育企业的工作人员可以通过个人电脑和智能手机实时获取植物叶片信息,远程控制大棚内的工控机发送喷灌指令。其中:
一、高速DSP计算机视觉模块获取到当前工业相机拍摄到的一帧花木叶片的彩色图像后,经过模数转换后将图像数据存储在高速DSP计算机视觉模块的图像采集数据存储区中。
二、首先要进行的是图像预处理。将工业相机新拍摄的彩色图像灰度化,接着采用灰度非线性变换的方法对其进行对比度拉伸,再通过中值滤波滤除图像中的椒盐噪声。然后使用自适应算法对灰度图像进行阈值分割,将叶片(包含叶柄)部分置为黑色并将背景置为白色。最后再将其和初始彩色图像进行“或”操作即可获得滤除背景且包含叶柄的叶片彩色图像。
三、由于工业相机获取的初始叶片图像大多包含叶柄,给随后的检测分析带来了困难。本发明提出了一种基于横向扫描技术的叶柄剔除方法:首先将包含叶柄的叶片图像二值化,并将其旋转为叶片向上、叶柄朝下的位置。接下来利用横向扫描确定叶柄部分的最大宽度,然后再通过对二值图像中连续黑色像素点的横向扫描和个数统计来判定出叶柄的确切位置。最后将分离出的叶柄图像反色,将其和包含叶柄的叶片彩色图像进行“或”操作,即可得到剔除叶柄而又具有清晰完整叶缘信息的叶片彩色图像。
四、下面进行叶片的颜色检测。这里首先将步骤三中得到的叶片彩色图像由RGB颜色空间转换到HSV颜色空间,设定H分量和S分量的变化范围并对二者实现均分。接着根据H平面和S平面的数据统计创建每个维度均分的二维直方图,最终转换到RGB空间来绘制叶片彩色图像的彩色二维直方图。最后通过叶片的彩色二维直方图对不同状态下的花木叶片进行分析,从而设定阈值来判定出植物是否属于缺水状态。
五、接下来要进行叶片的纹理检测。叶片纹理特征的检测效果跟植物种类、光照条件和工业相机分辨率等因素密切相关,所以本发明设置了固定的LED光源,并针对常见的花木叶片,使用了一种基于动态阈值的Canny算子检测方法。这种方法首先将叶片彩色图像灰度化并采用均值滤波,以减少对后续算法的影响。接着针对不同种类的花木叶片设定动态阈值,并运用双阈值算法检测和连接图像中的边缘。最后对叶片单位面积的纹理数量进行统计,通过纹理的疏密程度判断植物是否缺水。
六、最后要进行的是叶片的形状检测,包括叶片形状参数检测和叶片面积检测两个部分。首先实现叶片形状参数的检测:首先对步骤五中得到的叶片灰度图像二值化,并作轮廓提取。接着通过计算轮廓像素坐标的平均值来获取叶片形心点坐标,并以形心点为圆心求取叶片的最大外接圆半径和最小内切圆半径,以二者的比值定义叶片形状参数。最后在不同的时间点测定并计算出叶片的形状参数,通过与正常状况下的叶片形状参数比较来判定植物是否缺水。
七、叶片面积也是反映植物生长状况、缺水程度的重要参数。本***中的花木叶片面积检测方法有别于一般***的面积检测方法。由于叶片实际面积跟参照物尺寸、相机拍摄角度和距离等因素密切相关,故很难获得叶片的准确面积。所以本发明中使用了一种基于像素点的叶片面积分析方法,通过比较花木叶片面积的变化来确定植物缺水特征的参考点。
八、结合在步骤四、五、六、七中检测到的叶片颜色分布、纹理疏密程度、形状参数和叶片面积变化来判定花木是否处于缺水状态,同时通过工控机来控制喷灌喷头对其进行浇水。而对于上述步骤中已经得到的叶片颜色、纹理、形状和面积信息,则通过远程服务器及时地发送给终端设备,实现了对名贵花木培育的物联网远程监控。
结合实例具体来说:
如图1中所示,名贵花木培育大棚中,待检测花木叶片正上方设有LED光源1和工业相机2。此时工业相机拍摄到一帧花木叶片的彩色图像,同时图像数据被高速DSP芯片2中的CCD图像获取模块所获得,并将此数据传递给芯片中的DSP图像处理模块,对拍摄到的叶片图像数据进行高速处理,从而得到处理结果。检测完成后,高速DSP芯片通过其内置的PCI接口将图像数据处理结果传送给工控机7。工控机一方面通过内置的I/O接口把处理信号传送给强电控制器6,强电控制器将根据收到的处理信号,控制安置在输水管道4上的喷灌喷头5对叶片符合条件的花木进行浇水;另一方面,工控机将采集到的植物叶片信息传送给名贵花木培育企业办公楼内的远程服务器8,由服务器对叶片数据进行收集和存储,并实时地向终端设备个人电脑9和智能手机10提供数据服务,方便花木培育企业工作人员进行远程监控,并可以随时向大棚内的工控机发送指令,控制喷灌喷头完成浇水任务。本发明的***算法流程如图2所示,其具体步骤包括:
一、高速DSP视觉模块获取到工业相机当前所拍摄到的一帧花木叶片的彩色图像I1,经过模数转换后,存放于该模块内的图像采集数据存储区中。
二、首先要进行的是图像预处理。将工业相机新拍摄到的花木叶片彩色图像I1灰度化,接着利用灰度非线性变换的方法对其进行对比度拉伸,这样可以突出灰度图像中的叶片特征,非线性函数使用指数函数来完成,再通过中值滤波来滤除灰度图像中的椒盐噪声。然后使用自适应算法对灰度图像进行阈值分割,将叶片(包含叶柄)部分置为黑色并将背景置为白色,即可获得包含叶柄的叶片二值图像I2。最后再将其和初始彩色图像进行“或”操作即可获得滤除背景且包含叶柄的叶片彩色图像I3。
三、由于工业相机获取的初始叶片图像大多包含叶柄,给随后的分析工作带来了困难。过去使用的剔除图像中叶柄的方法一般都是采用形态学处理中的开运算,即先对其进行腐蚀运算,再进行膨胀运算来完成。这种方法在实际操作过程中不仅很难实现植物叶片与叶柄的完全分离,而且对叶片边缘的锯齿信息也有不同程度的损伤。针对上述方法中所出现的问题,本发明提出了一种基于横向扫描技术的叶柄剔除方法:首先将步骤二中得到包含叶柄的叶片二值图像I2旋转至叶片朝上、叶柄垂直向下的位置,从图像底端开始,由下到上、自左向右逐个扫描像素点,将扫描到的第一个黑色像素点所在横行的行号记作i,即叶柄的第一个像素。接着在二值图像I2的[i-19,i]共计20行内统计每行中的黑色像素点个数,通过逐个比较的方式得出叶柄宽度最大值max。然后由上到下、自左向右逐行扫描二值图像,将连续黑色像素点数目小于或等于max的位置判定为叶柄。这里必须强调是“连续”像素点的个数,因为很多植物叶片图像的叶片和叶柄具有分布在同一横行内的情况,如果采用统计横行内黑色像素点总数的方式来判定就出现错误,导致部分横行内的叶柄无法被识别出来。最后还需要对已经识别出来的叶柄进行分离和反色得到叶柄二值图像I4;再将其和包含叶柄的叶片彩色图像I3进行“或”操作,即可得到剔除叶柄而又具有清晰完整叶缘信息的叶片彩色图像I5。本发明所设计的这种分离方法经过多次实践,对各种类型的植物叶片图像均产生了很好的效果。
四、下面首先进行叶片颜色检测。颜色检测是叶片分析的重要组成部分,缺水或是日照不足的植物合成叶绿素的能力受到严重限制,导致叶片上叶绿色含量呈现负增长,其他颜色的色素就逐渐显现出来,于是在视觉上就会有黄色、棕红色等颜色的叶片出现。对剔除叶柄的叶片彩色图像I5进行处理,需要绘制其彩色直方图。首先将其由RGB颜色空间转换到HSV颜色空间;设定H分量变化范围(0,180),S分量变化范围(0,255),将H分量划分为16个等级,S分量划分为8个等级。然后根据H平面和S平面的数据统计来创建每个维度均分的二维直方图,由初始图像获得当前直方图代表的颜色,转换到RGB空间来绘制叶片图像的彩色二维直方图。最后通过计算彩色直方图的像素统计平均值来分析植物叶片的缺水情况。本发明在这里针对不同状态的合果芋叶片彩色图像进行分析,具体统计结果如表1所示。表1中分别列出了处在新生、正常生长、略微缺水、极度缺水和干枯状态下的合果芋叶片图像像素点在RGB通道内的统计平均值。通过分析表中数据不难发现,G通道和R通道均值分别呈现递减和递增的趋势,而B通道变化相对较小。不妨设定阈值T[G]=148和T[R]=120,当合果芋叶片在G通道和R通道的均值能够同时满足条件G<T[G]和R>T[R]时判定其处于缺水状态,继而控制喷灌喷头浇水。
表1植物叶片颜色信息与植物生长状况关系
五、接下来将要进行的是叶片纹理检测。纹理的检测同样是叶片分析的重要组成部分,缺水条件下的植物容易出现叶片扭曲、叶脉聚拢和发黄等现象,所以可以通过对叶片纹理特征的检测来实现对植物缺水状况的分析。这里主要是针对叶片图像单位面积内的主纹理数:首先对剔除叶柄的叶片彩色图像I5灰度化,接着进行均值滤波得到平滑后的叶片灰度图像I6。然后使用一种基于动态阈值的Canny算子检测方法,针对不同的花木叶片图像,通过设定动态的双阈值T1(控制边缘连接)和T2(控制强边缘初始化)来实现对叶片纹理的检测。一般情况下可以令T1∶T2=1∶3即可获得较为理想的效果,例如:合果芋叶片的阈值T1∶T2可以取75∶225,秋海棠叶片阈值一般取88∶264,而鹅掌楸叶片阈值则取69∶207较为合适。图像内轮廓中单个长度大于500像素的情况认定为叶片主纹理。设叶片灰度图像完成纹理检测得到的图像为I7,此时使用一个256×256大小的单位模板,统计叶片纹理图像I7在单位模板中的主纹理条数K。再通过计算单位面积内的主纹理条数Aver[K]来分析叶片纹理的疏密程度,从而判断此时植物是否处于缺水状态。表2中列出了本发明分别对合果芋叶片正常状态、缺水状态和干枯状态的单位面积主纹理条数取四位有效数字后得到的检测结果。此时同样可以设定判定阈值T[Aver[K]]=3.5,当检测结果大于该值时则判定植物缺水,需要立刻对其进行浇水。
表2植物叶片纹理信息与植物生长状况关系
六、最后要进行的是叶片的形状检测,包括叶片形状参数检测和叶片面积检测两个部分。花木叶片在缺水状态下常常呈现出叶缘内翻、叶脉聚拢和叶片褶皱等一系列的特征,而这些特征最终会表现在叶片形状的变化上,这也为我们判断叶片缺水状况提供了强有力的依据。本发明首先针对叶片形状特征的改变,实现对叶片形状参数的检测:首先将步骤五中得到的花木叶片灰度图像I6二值化,得到叶片理想二值图像I7。接着将其放缩至800×800大小进行轮廓提取,得到叶片的轮廓图像I8。然后依次统计叶片轮廓像素点的坐标值,再计算出轮廓坐标的平均值,即为花木叶片的形心点坐标P(x,y)。接下来在叶片轮廓上分别找出与形心点P距离最大的点A和距离最小的点B,则AP的长度为叶片轮廓最大外接圆半径L1,BP的长度为叶片轮廓最小内切圆半径L2。这里通过计算L1和L2的比值来定义叶片形状参数λ∶λ=L1/L2。
参数λ可以作为实时反映叶片生长状况的参数,且不会受叶片旋转、平移和大小缩放的影响,但与待检测花木叶片的种类有关。本发明在这里将滴水观音作为研究对象,通过将正常状态下的滴水观音静置于干燥环境并在不同的时间点检测并计算出形状参数λ,表3中列出了两组在不同状态下检测的滴水观音叶片形状参数λ。经过分析可以得出结论:正常状态下的叶片形状参数λ在2.2-2.5范围内,而缺水状态下叶片的形状参数λ一般都在2.6以上,故可以此为判断标准,控制喷灌喷头对缺水的花木进行浇水。
表3植物叶片形状参数与植物生长状况关系
七、叶片面积也是反映植物生长状况的重要参数,缺水状况下植物会出现叶片面积显著减小的特征。本***中的花木叶片面积检测方法有别于一般***的面积检测方法。由于叶片实际面积跟参照物尺寸、相机拍摄角度和距离等因素密切相关,故很难获取叶片准确面积值。因此本发明使用了基于像素点的叶片面积测定方法:读入步骤六中得到的叶片理想二值图像I7,并设置两个初始值m和n为0。图像中每个像素点都是坐标系中的一个点,具有二维特征。从第一个点开始遍历整幅二值图像:若像素点(x,y)灰度值等于255,说明该像素点属于背景的像素点,m自增1;若像素点(x,y)灰度值等于0,说明该像素点属于叶片的像素点,n自增1。直到遍历结束,即可以得出二值图像中叶片像素总数为n,而整幅图像的像素总数为(m+n)。最后根据不同时段花木叶片的像素总数来绘制叶片像素数目函数分布图,根据叶片像素数目的显著减少来判定叶片处于缺水状态。这里依旧将步骤六中800×800大小滴水观音叶片图像作为研究对象,来进行叶片面积信息的统计,表3中列出了两组对静置在干燥环境中滴水观音进行叶片面积统计的结果。经过分析我们可以得出结论:正常状态下的叶片像素总数在388500-390500之间,而缺水状态下的叶片像素总数均降至387500以下,故可以此为判断标准,控制喷灌喷头对缺水的花木进行浇水。
表4植物叶片面积信息与植物生长状况关系
八、结合在步骤四、五、六、七中检测的叶片颜色分布、叶片形状参数、叶片纹理疏密程度和叶片面积变化判定花木是否处于缺水状态,通过工控机来控制喷灌喷头对其进行浇水。而对于上述步骤中已经得到的叶片颜色、纹理、形状和面积信息,则通过远程服务器及时地发送给终端设备,实现了对名贵花木培育的物联网远程监控。至此为止,就结束了对一株名贵花木的叶片检测工作。
以上实施例仅为本发明其中的一种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1. 基于计算机视觉及物联网的植物生长状况监测***,其特征在于:其包括对植物叶片进行拍摄并对所拍摄到的图像进行采集和分析的高速DSP计算机视觉模块、对植物进行浇水的控制执行模块,以及将植物叶片信息通过远程服务器传送给远程终端供工作人员参考和操作的物联网模块,所述高速DSP计算机视觉模块、控制执行模块和物联网模块之间数据连接;
所述高速DSP计算机视觉模块包括位于待监测植物正上方的工业相机、用于获取所述工业相机所拍摄到的图像的CCD图像获取模块和包含有用于图像处理的高速DSP芯片的DSP图像处理模块;
其工作的步骤为:
1)所述工业相机定期拍摄待监测植物的叶片的彩色图像;
2)所述CCD图像获取模块获取所述彩色图像后传送给所述DSP图像处理模块;
3)所述DSP图像处理模块对所述彩色图像中的植物叶片进行检测,如果发现植物缺水则通知所述控制执行模块对植物进行浇水;
所述步骤3)中,所述DSP图像处理模块对所述彩色图像中的植物叶片进行以下检测中一种或多种:叶片颜色检测、叶片纹理检测和叶片形状检测;
所述叶片颜色检测的步骤为:
1)对所述彩色图像中的植物叶片进行去除叶柄处理;
2)将所述彩色图像由RGB颜色空间转换到HSV颜色空间,设定H分量和S分量变化范围并对二者进行均分;
3)根据H平面和S平面的数据统计创建每个维度均分的二维直方图;
4)利用原所述彩色图像将所述二维直方图转换成叶片的RGB空间的彩色二维直方图;
5) 设定阈值,通过对所述彩色二维直方图中的花木叶片进行分析,判定出植物是否属于缺水状态。
2.根据权利要求1所述的基于计算机视觉及物联网的植物生长状况监测***,其特征在于:所述工业相机周身裹有一层防水膜,所述工业相机旁设置有照明光源,所述照明光源为LED光源。
3.根据权利要求1所述的基于计算机视觉及物联网的植物生长状况监测***,其特征在于:所述CCD图像获取模块和DSP图像处理模块均装载在封装型便携式的DSP板卡上。
4.根据权利要求1所述的基于计算机视觉及物联网的植物生长状况监测***,其特征在于:所述控制执行模块包括:多个位于待监测植物上方的喷灌喷头和为所述喷灌喷头供水的输水管道,所述喷灌喷头由强电控制器控制,所述强电控制器和所述高速DSP计算机视觉模块、物联网模块均连接工控机。
5.根据权利要求1所述的基于计算机视觉及物联网的植物生长状况监测***,其特征在于:所述叶片纹理检测的步骤为:
1)将所述彩色图像灰度化并采用均值滤波;
2)针对不同种类的花木叶片设定动态阈值,运用双阈值算法检测和连接图像中的边缘;
3)对叶片单位面积的纹理数量进行统计,通过纹理的疏密程度判断植物是否属于缺水状态。
6.根据权利要求5所述的基于计算机视觉及物联网的植物生长状况监测***,其特征在于:所述叶片形状检测包括叶片形状参数检测和叶片面积检测,其中所述叶片形状参数检测的步骤为:
1)对所述彩色图像中的植物叶片进行去除叶柄处理;
2)将所述彩色图像中的植物叶片的灰度图像二值化,并提取植物叶片的轮廓;
3)通过计算提取植物叶片的轮廓的像素坐标的平均值来获取叶片形心点坐标,并以形心点为圆心求取叶片最大外接圆半径和最小内切圆半径,以二者的比值作为叶片形状参数;
4)通过计算得出的叶片形状参数和正常情况下的叶片形状参数进行比较,判断植物是否属于缺水状态。
7.根据权利要求6所述的基于计算机视觉及物联网的植物生长状况监测***,其特征在于:所述叶片面积检测的步骤为:
1)将所述彩色图像中的植物叶片的灰度图像二值化,得到二值化图像;
2)遍历所述二值化图像统计所有灰度值为0的所有像素点的总数,以其作为植物叶片的叶片面积;
3)比较该植物叶片的叶片面积的历史变化,如果叶片面积变小则判断该植物叶片为属于缺水状态。
8.根据权利要求6所述的基于计算机视觉及物联网的植物生长状况监测***,其特征在于:其中对所述彩色图像中的植物叶片进行去除叶柄处理的步骤包括:
1)首先将包含叶柄的叶片图像二值化,并将其旋转为叶片向上、叶柄朝下的位置,以获得二值图像;
2)对所述二值图像进行自下而上横向扫描,以确定叶柄部分的最大宽度;
3)通过对二值图像中连续黑色像素点的横向扫描和个数统计,以小于步骤2)中确定的叶柄部分最大宽度的部分为叶柄,从而判定出叶柄的确切位置;
4)将得到的叶柄图像反色,将其和原所述彩色图像进行或操作,得到剔除了叶柄的叶片彩色图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110451798 CN102564593B (zh) | 2011-12-30 | 2011-12-30 | 基于计算机视觉及物联网的植物生长状况监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110451798 CN102564593B (zh) | 2011-12-30 | 2011-12-30 | 基于计算机视觉及物联网的植物生长状况监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102564593A CN102564593A (zh) | 2012-07-11 |
CN102564593B true CN102564593B (zh) | 2013-10-02 |
Family
ID=46410619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110451798 Expired - Fee Related CN102564593B (zh) | 2011-12-30 | 2011-12-30 | 基于计算机视觉及物联网的植物生长状况监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102564593B (zh) |
Families Citing this family (53)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103075982B (zh) * | 2012-12-13 | 2015-05-13 | 中国农业大学 | 一种温室草莓冠层三维重构与测量装置及方法 |
WO2014166081A1 (zh) * | 2013-04-10 | 2014-10-16 | 中国科学院自动化研究所 | 基于物联网和云平台的植物特征数据测量和存储*** |
CN103309310B (zh) * | 2013-05-21 | 2015-03-25 | 江苏大学 | 一种基于激光扫描的穴盘苗移栽机器人作业监控方法 |
CN103591887B (zh) * | 2013-09-30 | 2016-06-15 | 北京林业大学 | 一种拟南芥区域表型的检测方法 |
CN103749246A (zh) * | 2014-01-24 | 2014-04-30 | 成都万先自动化科技有限责任公司 | 无死角草坪浇水机 |
CN104705080B (zh) * | 2015-03-20 | 2016-11-30 | 温弘成 | 瓶养植株种植控制方法 |
CN105137932A (zh) * | 2015-08-12 | 2015-12-09 | 成都易思科科技有限公司 | 基于物联网应用的监测信息服务云平台综合管理*** |
CN105277495B (zh) * | 2015-10-26 | 2019-05-28 | 北京农业信息技术研究中心 | 一种时序模式雾滴叶面蒸发特性监测采集方法 |
CN105427279B (zh) * | 2015-11-02 | 2018-06-26 | 中国农业大学 | 一种基于计算机视觉及物联网的草原旱情监测***和方法 |
CN105574897A (zh) * | 2015-12-07 | 2016-05-11 | 中国科学院合肥物质科学研究院 | 一种基于视觉检测的农作物生长情况监测物联网*** |
CN105516665A (zh) * | 2015-12-11 | 2016-04-20 | 卢志文 | 一种植物墙监控*** |
CN105554448A (zh) * | 2015-12-11 | 2016-05-04 | 卢志文 | 一种基于图像分析的植物墙监控*** |
CN105516663A (zh) * | 2015-12-11 | 2016-04-20 | 卢志文 | 一种植物墙生长情况的监控*** |
CN105493840A (zh) * | 2015-12-11 | 2016-04-20 | 卢志文 | 一种监控植物墙的生长情况的*** |
CN105472338A (zh) * | 2015-12-11 | 2016-04-06 | 卢志文 | 一种监控植物墙图案的*** |
CN105628206B (zh) * | 2015-12-30 | 2018-03-20 | 中国农业科学院茶叶研究所 | 一种测定不同位置茶树叶片的颜色的方法 |
CN105806999A (zh) * | 2016-03-15 | 2016-07-27 | 宁德师范学院 | 一种植物生长测试***及方法 |
CN106054844B (zh) * | 2016-07-12 | 2019-04-30 | 河海大学 | 一种农业智能远程管理*** |
CN106767564A (zh) * | 2016-11-03 | 2017-05-31 | 广东工业大学 | 一种应用于手机外壳表面粗糙度的检测方法 |
CN106682570A (zh) * | 2016-11-04 | 2017-05-17 | 东莞市隆声智能科技有限公司 | 一种植物的长势监控方法和装置 |
JP6635910B2 (ja) | 2016-12-28 | 2020-01-29 | 本田技研工業株式会社 | 情報処理装置、給水システム、情報処理システム及びプログラム |
EP3583840B1 (en) | 2017-02-15 | 2023-07-19 | Sony Group Corporation | Information generation method, information generation device, and program |
CN106768081B (zh) * | 2017-02-28 | 2018-02-02 | 河源弘稼农业科技有限公司 | 一种判断果蔬生长状态的方法及*** |
CN106873678B (zh) * | 2017-03-02 | 2018-10-12 | 湖南省烟草公司长沙市公司宁乡县分公司 | 一种烟苗大棚的自适应控制方法 |
CN106895883B (zh) * | 2017-04-28 | 2019-03-26 | 北京慧辰智慧生态环境科技有限公司 | 智能化环境检测和维护方法 |
CN107609078B (zh) * | 2017-09-04 | 2020-04-10 | 北京农业信息技术研究中心 | 长势监测模型更新方法、传感器、服务器及*** |
CN107616080A (zh) * | 2017-09-19 | 2018-01-23 | 浙江师范大学 | 一种远程可视可操作的室内植物灌溉装置 |
CN108074236B (zh) * | 2017-12-27 | 2020-05-19 | Oppo广东移动通信有限公司 | 植物浇灌提醒方法、装置、设备及存储介质 |
CN108596232B (zh) * | 2018-04-16 | 2022-03-08 | 杭州睿珀智能科技有限公司 | 一种基于形状和颜色特征的鞋垫自动分类方法 |
CN108921835A (zh) * | 2018-06-28 | 2018-11-30 | 深圳市诚品鲜智能科技股份有限公司 | 基于机器视觉的作物防治方法及相关装置和存储介质 |
CN109145785A (zh) * | 2018-08-03 | 2019-01-04 | 百度在线网络技术(北京)有限公司 | 植物护理方式的确定方法和装置 |
CN109300156B (zh) * | 2018-10-13 | 2022-06-10 | 广东广量测绘信息技术有限公司 | 一种城市绿化智能管理*** |
CN109272416B (zh) * | 2018-10-13 | 2022-06-03 | 临沂确信软件技术有限公司 | 一种大棚农作物种植*** |
CN109168724B (zh) * | 2018-10-15 | 2021-08-13 | 江门市百树源苗木有限公司 | 一种育苗***及方法 |
CN109470179B (zh) * | 2018-12-14 | 2020-10-13 | 武汉大学 | 一种大规模水耕蔬菜长势检测***及方法 |
CN109978904A (zh) * | 2019-03-19 | 2019-07-05 | 南开大学 | 基于图像技术的挺水植物生长信息提取方法 |
CN111855653B (zh) * | 2019-04-25 | 2023-11-28 | 河南中原光电测控技术有限公司 | 一种植物干旱监测方法、监测模块和监测装置 |
CN110268962A (zh) * | 2019-07-26 | 2019-09-24 | 杭州梁永馨生物科技有限公司 | 智能浇灌设备 |
CN110402804A (zh) * | 2019-08-08 | 2019-11-05 | 山东农业大学 | 一种基于物联网的阳台花卉智能监测***及方法 |
CN110648069B (zh) * | 2019-09-26 | 2020-08-14 | 桐乡市常新农机专业合作社 | 一种基于运输车的蔬菜质量分析*** |
CN111026206A (zh) * | 2019-12-24 | 2020-04-17 | 张治华 | 水培植物自动控制*** |
CN111163575B (zh) * | 2020-01-02 | 2021-08-20 | 杭州涂鸦信息技术有限公司 | 一种五路彩灯支持远程控制的方法及*** |
US20230177830A1 (en) * | 2020-05-14 | 2023-06-08 | Agromeans Co., Ltd. | Plant growth identification method and system therefor |
CN112020972B (zh) * | 2020-08-26 | 2023-02-24 | 江苏农林职业技术学院 | 穴盘式有机稻硬地育秧的智能水肥一体化*** |
CN112084921A (zh) * | 2020-09-01 | 2020-12-15 | 无为县年香马蹄种植专业合作社 | 一种植物生长状况的测定方法及装置 |
CN112464763A (zh) * | 2020-11-16 | 2021-03-09 | 中国科学院合肥物质科学研究院 | 基于图像处理的水培作物根系形态测定***及其方法 |
CN112509029B (zh) * | 2020-11-30 | 2024-01-19 | 广西慧云信息技术有限公司 | 一种远程分析葡萄长势的方法 |
CN113674274A (zh) * | 2021-09-30 | 2021-11-19 | 贵州省生物技术研究所(贵州省生物技术重点实验室、贵州省马铃薯研究所、贵州省食品加工研究所) | 一种与魔芋共生植物长势确定的方法和*** |
CN114550150A (zh) * | 2022-02-28 | 2022-05-27 | 王开祥 | 基于电力跟踪及电力分配的分布式智能*** |
CN114600751A (zh) * | 2022-03-23 | 2022-06-10 | 西安建筑科技大学 | 一种基于计算机视觉监测的灌溉***及方法 |
CN114898364B (zh) * | 2022-06-28 | 2023-03-10 | 安徽未来种业有限公司 | 一种葡萄的高效栽培方法及*** |
CN115170573B (zh) * | 2022-09-08 | 2022-11-29 | 山东政信大数据科技有限责任公司 | 基于大数据与物联网的智慧农业监控管理*** |
CN115240126B (zh) * | 2022-09-23 | 2022-12-20 | 江苏景瑞农业科技发展有限公司 | 基于人工智能的智能滴灌方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7617057B2 (en) * | 2005-12-21 | 2009-11-10 | Inst Technology Development | Expert system for controlling plant growth in a contained environment |
US8991098B2 (en) * | 2008-09-16 | 2015-03-31 | Basf Plant Science Gmbh | Method for improved plant breeding |
CN201298902Y (zh) * | 2008-11-04 | 2009-08-26 | 北京中科嘉和科技发展有限公司 | 带有环境监测数据的视频终端 |
CN102156923A (zh) * | 2011-04-22 | 2011-08-17 | 华建武 | 植物综合生产管理***及方法 |
-
2011
- 2011-12-30 CN CN 201110451798 patent/CN102564593B/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN102564593A (zh) | 2012-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102564593B (zh) | 基于计算机视觉及物联网的植物生长状况监测*** | |
CN102789579B (zh) | 基于计算机视觉技术的温室作物水肥胁迫状态识别方法 | |
CN109191074A (zh) | 智慧果园种植管理*** | |
CN110163138B (zh) | 一种基于无人机多光谱遥感图像的小麦分蘖密度测算方法 | |
CN105787446A (zh) | 一种智慧农业病虫害远程自动诊断*** | |
CN113439727B (zh) | 大棚农作物的除虫方法、装置、设备及存储介质 | |
CN102172233A (zh) | 一种棉田杂草实时识别对靶喷施的方法 | |
CN108323295A (zh) | 一种基于多尺度生境信息的苗期作物水肥检测和控制方法及装置 | |
CN106406178A (zh) | 一种温室作物生长信息实时对等监测装置及监测方法 | |
CN106254476A (zh) | 基于物联网、大数据和云计算的农业生态环境信息管理及监控方法与*** | |
CN102156923A (zh) | 植物综合生产管理***及方法 | |
CN112800665A (zh) | 一种基于人工智能的植物生长自反馈学习培育方法 | |
CN108710766B (zh) | 一种基于生长模型的温室植物水肥机调肥参数计算方法 | |
CN106688705A (zh) | 一种智能种植大棚及其采用的监测方法 | |
CN108830741A (zh) | 一种农田环境智能监测*** | |
CN109886155A (zh) | 基于深度学习的单株水稻检测定位方法、***、设备及介质 | |
CN204576316U (zh) | 一种大棚智能控制*** | |
CN205883318U (zh) | 一种农业物联网远程监测与控制*** | |
CN113158750A (zh) | 一种基于卷积神经网络的植物长势模型的自反馈学习评估方法 | |
CN108169141A (zh) | 一种基于高光谱图像的茶树lai及氮含量估算方法 | |
CN106971409B (zh) | 玉米冠层叶色建模***及方法 | |
CN112514779A (zh) | 一种智能灌溉*** | |
CN206178392U (zh) | 一种温室作物生长信息实时对等监测装置 | |
CN108427457A (zh) | 一种基于增强现实技术应用的温室控制*** | |
CN114818909A (zh) | 一种基于作物长势特征的杂草检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20131002 |
|
CF01 | Termination of patent right due to non-payment of annual fee |