CN107315381B - 一种农作物病虫害的监测方法 - Google Patents
一种农作物病虫害的监测方法 Download PDFInfo
- Publication number
- CN107315381B CN107315381B CN201710649474.2A CN201710649474A CN107315381B CN 107315381 B CN107315381 B CN 107315381B CN 201710649474 A CN201710649474 A CN 201710649474A CN 107315381 B CN107315381 B CN 107315381B
- Authority
- CN
- China
- Prior art keywords
- pest
- disease
- photos
- crop
- aerial vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 110
- 201000010099 disease Diseases 0.000 title claims abstract description 102
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 102
- 241000238631 Hexapoda Species 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 230000002265 prevention Effects 0.000 claims description 20
- 230000003287 optical effect Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 244000037666 field crops Species 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000003337 fertilizer Substances 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- -1 re Species 0.000 claims description 3
- 241000894007 species Species 0.000 claims 1
- 238000012271 agricultural production Methods 0.000 abstract description 9
- 241000196324 Embryophyta Species 0.000 description 20
- 241000488583 Panonychus ulmi Species 0.000 description 14
- 241001631712 Dendrolimus pini Species 0.000 description 12
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 10
- 235000011613 Pinus brutia Nutrition 0.000 description 10
- 241000018646 Pinus brutia Species 0.000 description 10
- 241000207199 Citrus Species 0.000 description 9
- 240000007594 Oryza sativa Species 0.000 description 9
- 235000007164 Oryza sativa Nutrition 0.000 description 9
- 235000020971 citrus fruits Nutrition 0.000 description 9
- 235000009566 rice Nutrition 0.000 description 9
- 239000002420 orchard Substances 0.000 description 8
- 239000002689 soil Substances 0.000 description 4
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 241000012249 Dendrolimus spectabilis Species 0.000 description 2
- 238000012272 crop production Methods 0.000 description 2
- 238000002329 infrared spectrum Methods 0.000 description 2
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 235000017060 Arachis glabrata Nutrition 0.000 description 1
- 244000105624 Arachis hypogaea Species 0.000 description 1
- 235000010777 Arachis hypogaea Nutrition 0.000 description 1
- 235000018262 Arachis monticola Nutrition 0.000 description 1
- 235000007319 Avena orientalis Nutrition 0.000 description 1
- 241000209763 Avena sativa Species 0.000 description 1
- 235000007558 Avena sp Nutrition 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 240000007371 Cuscuta campestris Species 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 240000004658 Medicago sativa Species 0.000 description 1
- 235000017587 Medicago sativa ssp. sativa Nutrition 0.000 description 1
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 244000000231 Sesamum indicum Species 0.000 description 1
- 235000003434 Sesamum indicum Nutrition 0.000 description 1
- 240000006394 Sorghum bicolor Species 0.000 description 1
- 235000011684 Sorghum saccharatum Nutrition 0.000 description 1
- 240000004922 Vigna radiata Species 0.000 description 1
- 235000010721 Vigna radiata var radiata Nutrition 0.000 description 1
- 235000011469 Vigna radiata var sublobata Nutrition 0.000 description 1
- 240000008042 Zea mays 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
- 238000010521 absorption reaction Methods 0.000 description 1
- 239000006103 coloring component Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N iron oxide Inorganic materials [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- NDLPOXTZKUMGOV-UHFFFAOYSA-N oxo(oxoferriooxy)iron hydrate Chemical compound O.O=[Fe]O[Fe]=O NDLPOXTZKUMGOV-UHFFFAOYSA-N 0.000 description 1
- 235000020232 peanut Nutrition 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/048—Monitoring; Safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Mining & Mineral Resources (AREA)
- Strategic Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- General Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明涉及农业生产技术领域，尤其是一种农作物病虫害的监测方法，利用无人机和云计算进行，包括建立农作物病虫害数据库、利用无人机巡航拍摄大田农作物影像、计算、预警、精确拍摄、二次计算和指导病虫害防治等步骤，在建立农作物病虫害数据库的基础上，利用无人机拍摄大田农作物影像数据，通过云计算分析对比，及时发出农作物病虫害预警，并指导进行病虫害防治，提高农业生产水平，降低农业生产管理成本，提高农产品产量、质量和效益。
Description
技术领域
本发明涉及农业生产技术领域，尤其是一种农作物病虫害的监测方法。
背景技术
目前，在农业生产上，能够利用遥感监测技术跟踪监测病虫害进展情况，用于精准防治工作，做到及时发现、及时处理，利于早期防治。其原理是，病虫害会造成作物叶片细胞结构色素、水分、氮元素等性质发生变化，从而引起反射光谱的变化，所以病虫害作物的反射光谱和正常作物可见光到热红外波段的反射光谱有明显差异。
在美国、澳大利亚等地，已经将无人机遥感监测有限地应用于农业生产。比如，美国有种植户用无人机监测的麦田锈病情况，从中可以明显看出哪里是重灾区。也有人用无人机查看苜蓿地里的菟丝子，从而能在灾害大规模爆发前做到提早预防。但这些有限的监测技术因受基础数据库、计算设备和监测方法的限制不能够广泛应用于其他普通大田农作物全过程的生产管理。
作为空中监测技术，农业遥感是推动农业走向精准化的有利手段。农业遥感监测主要以作物、土壤为对象。作物在可见光－近红外光谱波段中，反射率主要受到作物色素、细胞结构和含水率的影响，特别是在可见光红光波段有很强吸收波段，在近红外波段有很强的反射特性，可以被用来进行作物长势、作物品质、作物病虫害等方面的监测。土壤可见-近红外光谱总体反射率相对较低，在可见光谱波段主要受到土壤有机质、氧化铁等赋色成分的影响。因此，土壤、作物等地物固有的反射光谱特性是农业遥感的基础。
卫星遥感手段在农业生产上的应用也发展已久，但卫星易受到天气环境影响，且轨道周期较长。比较而言，无人机灵活性更强、易部署。随着无人机平台、传感器和软件技术的进一步提升，未来无人机作为卫星等其他遥感平台的补充手段，可以帮助在农业构建起更加完整的监测网。
发明内容
为及时、高效地监测大田农作物生产管理全过程可能发生的病虫害，本发明提供一种农作物病虫害的监测方法，在建立完整的农作物病虫害数据库的基础上，利用无人机拍摄农作物影像数据，通过云计算分析对比，及时发出农作物病虫害预警，并指导进行病虫害防治，提高农业生产水平，降低农业生产管理成本，提高农产品产量、质量和效益。
本发明通过以下技术方案得以实现：
一种农作物病虫害的监测方法，利用无人机和云计算进行，包括以下步骤：
（1）建立农作物病虫害数据库：拍摄大田农作物各生长期不同病虫害的特异照片及具有显著特征的局部照片，连同各病害、虫害的样本照片和防治措施分类存储在病虫害数据库中，作为云计算的比较依据；所述特异照片是农作物在特定生长期受到特定的病害、虫害或者不良管理影响正常生长发育时区别于其他病虫害或者正常生长发育表现的统一格式的特征照片；所述局部照片是大田农作物受到病虫害的局部、有限株数或者单株的区别于其他病虫害表现的统一格式的特征照片；所述病虫害数据库既可以是针对特定农作物生产管理的单一病虫害数据库或者针对特定病虫害的病虫害数据库，也可以是针对某一特定区域有限品种的农作物及其病虫害的综合数据库或者更加全面的大型综合数据库；
（2）利用无人机巡航拍摄大田农作物影像：根据农作物种植区域的地形地貌和生长情况设定无人机巡航路线，通过无人机连续拍摄与病虫害数据库特异照片格式一致的农作物高清图像，实时回传到无人机地面控制站，存储；
（3）计算、预警：利用云计算对步骤（2）所得的大田农作物影像逐帧与病虫害数据库图片进行比对，筛选出相似度达到20%以上的照片，列示具体区域，提出相应病虫害预警；
（4）精确拍摄：通过无人机对步骤（3）提出预警的具体区域再次进行近距离精确拍摄，精确拍摄的光学技术参数及照片格式与病虫害数据库中局部照片格式和样本照片格式一致，实时回传至无人机地面控制站，存储；
（5）二次计算：将步骤（4）拍摄的精确影像通过云计算逐帧与病虫害数据库中的局部照片和样本照片进行比对，综合考虑无人机拍摄时的天气状况、农作物生长情况、其他病虫害影响、大田肥水管理情况以及地形地貌、拍摄角度等因素，筛选出相似度达到50%以上的照片，确定病虫害范围、种类、特征、危害程度和防治措施；
（6）指导病虫害防治：按照病虫害防治措施指导农业生产管理人员对病虫害区域及时进行农作物病虫害防治。
本发明的农作物病虫害的监测方法，所述步骤（2）和/或步骤（4）的相似度根据无人机拍摄时的天气状况、农作物生长情况、其他病虫害影响、大田肥水管理情况以及地形地貌、拍摄角度与特异照片或者局部照片、样本照片拍摄时的相应差异进行校正，以减少误判，提高预警准确率，
本发明的农作物病虫害的监测方法，所述特异照片、局部照片和样本照片包括特定农作物在特定生长时期常见的2种或者2种以上的病虫害同时发生时所表现出来的影像数据，加强针对性，以提高运算效率，更加及时、准确地监测农作物病虫害，便于农作物生产管理。
本发明的农作物病虫害的监测方法，所述步骤（5）与步骤（6）之间、在进行病虫害防治之前增加实地调查步骤：安排技术人员到步骤（5）确定的病虫害地块进行实地查验，确认病虫害发生状况，并对步骤（5）提出的防治措施进行适当调整，准确掌握农情，及时、准确、有效地采取适当的防治措施，提高防治效果。
本发明的农作物病虫害的监测方法，可以结合农业卫星遥感监测技术配套应用，当农业卫星遥感监测显示大田农作物可能发生某种病虫害时，采用本发明的监测方法对目标病虫害进行精确监测，更加及时有效。
本发明的农作物病虫害的监测方法，不仅可以用于水稻、小麦、玉米、大豆、棉花、油菜等大宗农作物，也可以应用于芝麻、高梁、燕麦、绿豆、花生、甘蔗、等特种农作物，以及大面积种植的果树、蔬菜、花卉、苗木、中药材等经济作物或者森林、草地、湿地植被作物。
附图说明
图1：农作物病虫害监测流程示意图。
具体实施方式
下面结合具体实施例对本发明进一步说明。
实施例1：
一种泊湖流域单季杂交水稻病虫害的监测方法，利用无人机和云计算进行，包括以下步骤：
（1）建立泊湖流域单季杂交水稻病虫害数据库：拍摄泊湖流域单季杂交水稻各生长期不同病虫害的特异照片及具有显著特征的局部照片，连同各病害、虫害的样本照片和防治措施分类存储在病虫害数据库中，作为云计算的比较依据；所述特异照片是泊湖流域单季杂交水稻在特定生长期受到特定的病害、虫害或者不良管理影响正常生长发育时区别于其他病虫害或者正常生长发育表现的统一格式的特征照片；所述局部照片是泊湖流域单季杂交水稻受到病虫害的局部、有限株数或者单株的区别于其他病虫害表现的统一格式的特征照片；；
（2）利用无人机巡航拍摄泊湖流域单季杂交水稻影像：根据泊湖流域单季杂交水稻稻田的地形地貌和生长情况设定无人机巡航路线，通过无人机连续拍摄与病虫害数据库特异照片格式一致的农作物高清图像，实时回传到无人机地面控制站，存储；
（3）计算、预警：利用云计算对步骤（2）所得的泊湖流域单季杂交水稻影像逐帧与病虫害数据库图片进行比对，筛选出相似度达到20%以上的照片，列示具体区域，提出相应病虫害预警；
（4）精确拍摄：通过无人机对步骤（3）提出预警的具体区域再次进行近距离精确拍摄，精确拍摄的光学技术参数及照片格式与病虫害数据库中局部照片格式和样本照片格式一致，实时回传至无人机地面控制站，存储；
（5）二次计算：将步骤（4）拍摄的精确影像通过云计算逐帧与病虫害数据库中的局部照片和样本照片进行比对，综合考虑无人机拍摄时的天气状况、农作物生长情况、其他病虫害影响、大田肥水管理情况以及地形地貌、拍摄角度等因素，筛选出相似度达到50%以上的照片，确定病虫害范围、种类、特征、危害程度和防治措施；
（6）指导病虫害防治：按照病虫害防治措施指导农业生产管理人员对病虫害区域及时进行农作物病虫害防治。
实施例2：
一种赣南地区柑桔园红蜘蛛危害的监测方法，利用无人机和云计算进行，包括以下步骤：
（1）建立赣南地区柑桔园红蜘蛛危害数据库：拍摄赣南地区柑桔园红蜘蛛危害各生长期红蜘蛛危害的特异照片及具有显著特征的局部照片，连同赣南地区柑桔园红蜘蛛危害的样本照片和防治措施分类存储在病虫害数据库中，作为云计算的比较依据；所述特异照片是赣南地区柑桔园柑桔在不同生长期受到红蜘蛛危害时区别于其他病虫害表现的统一格式的特征照片；所述局部照片赣南地区柑桔园红蜘蛛危害的局部、有限株数或者单株的区别于其他病虫害表现的统一格式的特征照片；
（2）利用无人机巡航拍摄赣南地区柑桔园红蜘蛛危害影像：根据赣南地区柑桔园的地形地貌和生长情况设定无人机巡航路线，通过无人机连续拍摄与病虫害数据库特异照片格式一致的农作物高清图像，实时回传到无人机地面控制站，存储；
（3）计算、预警：利用云计算对步骤（2）所得的赣南地区柑桔园红蜘蛛危害影像逐帧与病虫害数据库图片进行比对，筛选出相似度达到20%以上的照片，列示具体区域，提出红蜘蛛危害预警；
（4）精确拍摄：通过无人机对步骤（3）提出预警的具体区域再次进行近距离精确拍摄，精确拍摄的光学技术参数及照片格式与病虫害数据库中局部照片格式和样本照片格式一致，实时回传至无人机地面控制站，存储；
（5）二次计算：将步骤（4）拍摄的精确影像通过云计算逐帧与病虫害数据库中的局部照片和样本照片进行比对，综合考虑无人机拍摄时的天气状况、农作物生长情况、其他病虫害影响、大田肥水管理情况以及地形地貌、拍摄角度等因素，筛选出相似度达到50%以上的照片，确定红蜘蛛危害的范围、危害程度和防治措施；
（（6）实地调查：安排技术人员到步骤（5）确定的红蜘蛛危害地块进行实地查验，确认红蜘蛛发生状况，并对步骤（5）提出的防治措施进行适当调整；
（7）指导病虫害防治：按照病虫害防治措施指导农业生产管理人员对红蜘蛛危害区域及时进行红蜘蛛防治。
实施例3：
一种大别山区松树林松毛虫危害的监测方法，根据农业卫星监测预警到的松毛虫发生情况，利用无人机和云计算对大别山区松树林松毛虫危害进行监测，包括以下步骤：
（1）建立大别山区松树林松毛虫危害数据库：拍摄大别山区松树林各生长期松毛虫危害的特异照片及具有显著特征的局部照片，连同大别山区松树林松毛虫危害的样本照片和防治措施分类存储在病虫害数据库中，作为云计算的比较依据；所述特异照片是大别山区松树林在各生长期受到松毛虫危害时区别于其他病虫害表现的统一格式的特征照片；所述局部照片是大别山区松树林受到松毛虫危害的局部、有限株数或者单株的区别于其他病虫害表现的统一格式的特征照片；
（2）利用无人机巡航拍摄大别山区松树林松毛虫危害影像：根据大别山区松树林地形地貌和生长情况设定无人机巡航路线，通过无人机连续拍摄与病虫害数据库特异照片格式一致的农作物高清图像，实时回传到无人机地面控制站，存储；
（3）计算、预警：利用云计算对步骤（2）所得的大别山区松树林松毛虫危害影像逐帧与病虫害数据库图片进行比对，筛选出相似度达到20%以上的照片，列示具体区域，提出相应松毛虫害预警；
（4）精确拍摄：通过无人机对步骤（3）提出预警的具体区域再次进行近距离精确拍摄，精确拍摄的光学技术参数及照片格式与病虫害数据库中局部照片格式和样本照片格式一致，实时回传至无人机地面控制站，存储；
（5）二次计算：将步骤（4）拍摄的精确影像通过云计算逐帧与病虫害数据库中的局部照片和样本照片进行比对，综合考虑无人机拍摄时的天气状况、农作物生长情况、其他病虫害影响以及地形地貌、拍摄角度等因素，筛选出相似度达到50%以上的照片，确定松毛虫危害范围、特征、危害程度和防治措施；
（6）指导病虫害防治：按照松毛虫害防治措施指导农业生产管理人员对松毛虫危害区域及时进行防治。
Claims (2)
1.一种农作物病虫害的监测方法，利用无人机和云计算进行，包括以下步骤：
（1）建立农作物病虫害数据库：拍摄大田农作物各生长期不同病虫害的特异照片及具有显著特征的局部照片，连同各病害、虫害的样本照片和防治措施分类存储在病虫害数据库中，作为云计算的比较依据；所述特异照片是农作物在特定生长期受到特定的病害、虫害或者不良管理影响正常生长发育时区别于其他病虫害或者正常生长发育表现的统一格式的特征照片；所述局部照片是大田农作物受到病虫害的局部、有限株数或者单株的区别于其他病虫害表现的统一格式的特征照片；
（2）利用无人机巡航拍摄大田农作物影像：根据农作物种植区域的地形地貌和生长情况设定无人机巡航路线，通过无人机连续拍摄与病虫害数据库特异照片格式一致的农作物高清图像，实时回传到无人机地面控制站，存储；
（3）计算、预警：利用云计算对步骤（2）所得的大田农作物影像逐帧与病虫害数据库图片进行比对，筛选出相似度达到20%以上的照片，列示具体区域，提出相应病虫害预警；
（4）精确拍摄：通过无人机对步骤（3）提出预警的具体区域再次进行近距离精确拍摄，精确拍摄的光学技术参数及照片格式与病虫害数据库中局部照片格式和样本照片格式一致，实时回传至无人机地面控制站，存储；
（5）二次计算：将步骤（4）拍摄的精确影像通过云计算逐帧与病虫害数据库中的局部照片和样本照片进行比对，筛选出相似度达到50%以上的照片，确定病虫害范围、种类、特征、危害程度和防治措施；
（6）实地调查：安排技术人员到步骤（5）确定的病虫害地块进行实地查验，确认病虫害发生状况，并对步骤（5）提出的防治措施进行适当调整；
（7）指导病虫害防治：按照病虫害防治措施进行农作物病虫害防治；
所述步骤（2）和/或步骤（4）的照片相似度根据无人机拍摄时的天气状况、农作物生长情况、其他病虫害影响、大田肥水管理情况以及地形地貌、拍摄角度与特异照片或者局部照片、样本照片拍摄时的相应差异进行校正。
2.如权利要求1所述的农作物病虫害的监测方法，其特征在于所述特异照片、局部照片和样本照片包括特定农作物在特定生长时期常见的2种或者2种以上的病虫害同时发生时所表现出来的影像数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710649474.2A CN107315381B (zh) | 2017-08-02 | 2017-08-02 | 一种农作物病虫害的监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710649474.2A CN107315381B (zh) | 2017-08-02 | 2017-08-02 | 一种农作物病虫害的监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107315381A CN107315381A (zh) | 2017-11-03 |
| CN107315381B true CN107315381B (zh) | 2020-07-17 |
Family
ID=60175499
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710649474.2A Active CN107315381B (zh) | 2017-08-02 | 2017-08-02 | 一种农作物病虫害的监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107315381B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107832895A (zh) * | 2017-11-27 | 2018-03-23 | 四川瑞进特科技有限公司 | 农作物病害预测方法 |
| CN108427907A (zh) * | 2017-11-27 | 2018-08-21 | 易瓦特科技股份公司 | 基于地面站对灰霾源进行示警的方法、装置及*** |
| CN108427902A (zh) * | 2017-11-27 | 2018-08-21 | 易瓦特科技股份公司 | 基于地面站识别灰霾源的方法、装置及*** |
| CN108052872A (zh) * | 2017-11-27 | 2018-05-18 | 易瓦特科技股份公司 | 识别灰霾源的方法、装置及*** |
| CN108427906A (zh) * | 2017-11-27 | 2018-08-21 | 易瓦特科技股份公司 | 基于地面站对灰霾源进行示警的方法、装置及*** |
| CN108427905A (zh) * | 2017-11-27 | 2018-08-21 | 易瓦特科技股份公司 | 基于远程服务器对灰霾源进行示警的方法、装置及*** |
| CN108426804B (zh) * | 2017-11-27 | 2020-12-18 | 易瓦特科技股份公司 | 基于远程服务器对灰霾源进行示警的方法、装置及*** |
| CN108990944B (zh) * | 2018-06-27 | 2021-01-29 | 浙江大学 | 基于可见光热红外图像融合的无人机遥感喷药一体化方法及装置 |
| CN109188963A (zh) * | 2018-08-28 | 2019-01-11 | 田东县文设芒果专业合作社 | 一种芒果基地的监控*** |
| CN110309340A (zh) * | 2019-06-24 | 2019-10-08 | 杭州嘉灏生态农业科技有限公司 | 农作物生长异常状况的预警方法及预警装置 |
| CN111044520A (zh) * | 2019-12-12 | 2020-04-21 | 湖南省林业科学院 | 一种油茶主要病虫害的监测方法 |
| CN111539372B (zh) * | 2020-05-06 | 2023-05-19 | 中南民族大学 | 病虫害分布的监测方法、设备、存储介质及装置 |
| CN111968001A (zh) * | 2020-08-11 | 2020-11-20 | 成都大象分形智能科技有限公司 | 基于人工智能的农业无人机作物精准营养***及方法 |
| CN112129757A (zh) * | 2020-10-15 | 2020-12-25 | 安阳工学院 | 一种植物病虫害自适应检测***和方法 |
| CN113139461A (zh) * | 2021-04-23 | 2021-07-20 | 塔里木大学 | 一种农业种植用小麦叶片病虫害检测***及其管理方法 |
| CN113303151A (zh) * | 2021-05-19 | 2021-08-27 | 苏州三润景观工程有限公司 | 基于大数据的绿植病虫害修复方法 |
| TWI765794B (zh) * | 2021-07-30 | 2022-05-21 | 國立中興大學 | 水稻蟲害健康預警系統及方法 |
| CN114166761A (zh) * | 2021-12-03 | 2022-03-11 | 郑其向 | 一种植物病害防治及预测用比色卡 |
| CN115081718A (zh) * | 2022-06-27 | 2022-09-20 | 中国科学院空天信息创新研究院 | 一种植物病株率预测方法和装置 |
| CN117315492B (zh) * | 2023-11-29 | 2024-04-02 | 中国平安财产保险股份有限公司 | 基于无人机技术的种植险预警方法、***、设备及介质 |
| CN117876906A (zh) * | 2024-02-02 | 2024-04-12 | 山东欣梦农业发展有限公司 | 基于云计算的智慧农业信息管理平台 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102541030A (zh) * | 2012-02-07 | 2012-07-04 | 蔡诗伟 | 作物病虫害智能监测防治*** |
| CN104035412A (zh) * | 2014-06-12 | 2014-09-10 | 江苏恒创软件有限公司 | 一种基于无人机的农作物病虫害监测***和方法 |
| CN104330410A (zh) * | 2014-11-04 | 2015-02-04 | 无锡北斗星通信息科技有限公司 | 位于无人机上的作物病虫害检测*** |
| CN106791596A (zh) * | 2016-11-11 | 2017-05-31 | 韦红兰 | 一种利用无人机对作物进行监控的方法 |
| CN106956778A (zh) * | 2017-05-23 | 2017-07-18 | 广东容祺智能科技有限公司 | 一种无人机农药喷洒方法及*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005323038A (ja) * | 2004-05-07 | 2005-11-17 | Atsumi Electric Co Ltd | 画像モニタシステム |
-
2017
- 2017-08-02 CN CN201710649474.2A patent/CN107315381B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102541030A (zh) * | 2012-02-07 | 2012-07-04 | 蔡诗伟 | 作物病虫害智能监测防治*** |
| CN104035412A (zh) * | 2014-06-12 | 2014-09-10 | 江苏恒创软件有限公司 | 一种基于无人机的农作物病虫害监测***和方法 |
| CN104330410A (zh) * | 2014-11-04 | 2015-02-04 | 无锡北斗星通信息科技有限公司 | 位于无人机上的作物病虫害检测*** |
| CN106791596A (zh) * | 2016-11-11 | 2017-05-31 | 韦红兰 | 一种利用无人机对作物进行监控的方法 |
| CN106956778A (zh) * | 2017-05-23 | 2017-07-18 | 广东容祺智能科技有限公司 | 一种无人机农药喷洒方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107315381A (zh) | 2017-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107315381B (zh) | 一种农作物病虫害的监测方法 | |
| Esposito et al. | Drone and sensor technology for sustainable weed management: A review | |
| US20210078706A1 (en) | Precision agriculture implementation method by uav systems and artificial intelligence image processing technologies | |
| Zaman et al. | Estimation of wild blueberry fruit yield using digital color photography | |
| Arjoune et al. | Soybean cyst nematode detection and management: a review | |
| Swain et al. | Computer vision system for wild blueberry fruit yield mapping | |
| Gregorio et al. | Sensing crop geometry and structure | |
| Muraru et al. | Researches regarding the use of drones in agriculture | |
| Zhang et al. | UAS-based remote sensing applications on the Northern Colorado Limited Irrigation Research Farm | |
| Gulzar et al. | PRECISION FARMING IN FRUIT CROPS | |
| Hamid et al. | Rubber leaf disease detection from low altitude remote sensing techniques | |
| ISHOLA | APPLICATION OF SATELLITE BASED REMOTE SENSING TO THE ESTIMATION AND MONITORING OF CROP HEALTH | |
| Ngo et al. | Unmanned aerial vehicle imaging application for crop health in rice field | |
| Mengistu et al. | Determination of Orobanche spp. distribution and occurrence in North Gondar, Ethiopia | |
| Grose | The next GREEN revolution | |
| Patel et al. | Chapter-8 Drone in Agriculture: Application, Challenges and Future Perspective | |
| Hongo et al. | Efficient Damage Assessment of Rice Bacterial Leaf Blight Disease in Agricultural Insurance Using Unmanned Aerial Vehicle Image Data | |
| Upendar et al. | The Role of Sensing Techniques in Precision Agriculture | |
| Almeida | Uas Application in Agriculture: A Review of Technologies Possible to Apply in Portugal | |
| Zanchin | APPLICAZIONE DELLA VITICULTURA DI PRECISIONE PROMUOVENDO SOSTENIBILITÀ E QUALITÀ ANALISI ED INTELLIGENZA ARTIFICIALE CONTESTUALIZZATI SU STUDI A DIVERSI LIVELLI E DIMENSIONI | |
| Ghose | Hands-free Hectares Agricultural Innovations for Zero Hunger & Malnutritio | |
| Pereira et al. | Aerial images to monitor grapevine vegetative growth | |
| Georgiadis | Validation of Precision Agriculture services based on satellite and ground truth measurements in cotton crop | |
| Amankulova et al. | Time-Series Analysis of Sentinel-2 Satellite Images for Sunflower Yield Forecasting | |
| Shahbazi | Use of Light Detection and Ranging (LiDAR) to detect and map weeds that grow taller than crops at harvest |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200617 Address after: 246501 Anhui city of Anqing province Susong County Road Town, No. 26 Fu jade hat Applicant after: Wu Qingping Address before: 246500 Anhui city of Anqing province Susong County Road Town, No. 26 Fu jade hat Applicant before: SUSONG JIUSUO TECHNOLOGY INFORMATION Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |