CN107610172A - 一种基于图像识别的大宗作物株高测量方法 - Google Patents
一种基于图像识别的大宗作物株高测量方法 Download PDFInfo
- Publication number
- CN107610172A CN107610172A CN201710847355.8A CN201710847355A CN107610172A CN 107610172 A CN107610172 A CN 107610172A CN 201710847355 A CN201710847355 A CN 201710847355A CN 107610172 A CN107610172 A CN 107610172A
- Authority
- CN
- China
- Prior art keywords
- image
- mark post
- crop
- staple
- colored
- 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.)
- Pending
Links
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像识别的大宗作物株高测量方法,其中,包括:在大宗作物的生育期内每单位时间获取一次田间带有彩色标杆的大宗作物图像,大宗作物图像包括彩色标杆和背景作物;对大宗作物图像进行图像预处理得到带有彩色标杆的完整大宗作物图像;提取完整大宗作物图像中的彩色标杆得到彩色标杆图像;对彩色标杆图像进行降噪处理得到彩色标杆二值图像;根据彩色标杆二值图像中连通域的底部和顶点的坐标信息计算彩色标杆的像素高度;根据彩色标杆的像素高度以及彩色标杆被背景作物遮挡的相对位置关系,计算得到大宗作物株高。本发明提供的基于图像识别的大宗作物株高测量方法实现了对大宗作物株高的自动化连续观测。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于图像识别的大宗作物株高测量方法。
背景技术
在农业生产过程中,及时准确的掌握作物长势信息,可以为田间生产和管理提供指导依据。作物株高作为农作物重要的长势参数之一,是衡量作物生长速度和预估作物产量的一个重要指标。目前,大田作物株高的观测仍是农业气象观测人员利用卷尺在田间测量完成,该方法存在工作量大、无法在作物生长的整个过程中实现连续观测、观测过程易受主观因素影响等缺点。
实现农作物长势参数的自动化观测是农业高效、精细发展的基础和前提。很多学者已在该领域进行了一系列的研究,高巍、陈进等在《农机化研究》发表了“作物高度自动测量装置的研制”,文中应用超声波测距技术,研发出一种高度自动测量装置,然而普通超声波由于波束发散大,定向精度不高,在农作物株高测量领域并未取得很好的发展。蒋普、耿楠发表的“基于网路摄像机的株高远程无损测量***”一文中,利用三角测量原理,对回传的监控视频流进行操作,计算光轴旋转角度,实现了玉米部分生育期的株高测量,但是该方法要求植株生长过成中不能倾斜,否则会导致较大误差,因此,该类方法普遍存在对实验环境需求高、不能应用到野外农田真实环境中。中国专利CN 105869152 A中公布了一种无人机遥感测量作物株高空间分布方法,利用无人机机载传感器采集的目标图像序列,分别构建目标区域中的作物覆盖区域的作物冠层空间信息的数据表面模型(DSM)和目标区域与作物底部对应的基础地表模型(BSM),利用DSM与BSM的差值,获取目标区域作物株高的空间分布,该方法解决了人工观测以点代面的问题,但是该方法存在不能连续观测的问题。中国专利CN 106871799 A公布一种全自动农作物株高测量方法及装置,结合激光扫描数据和摄像机图像数据实现了农作物株高非接触、自动化测量,但是该方法增加了激光传感器,设备功耗要求较大,增加了野外设备维护成本。
因此,如何能够在不增加成本的情况下实现对大宗作物株高的自动化连续观测成为本领域技术人员亟待解决的技术问题。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一,提供一种基于图像识别的大宗作物株高测量方法,以解决现有技术中的问题。
作为本发明的一个方面,提供一种基于图像识别的大宗作物株高测量方法,其中,在种植大宗作物的田间设置彩色标杆,所述基于图像识别的大宗作物株高测量方法包括:
在大宗作物的生育期内每单位时间获取一次田间带有彩色标杆的大宗作物图像,所述大宗作物图像包括彩色标杆和背景作物;
对所述大宗作物图像进行图像预处理得到带有彩色标杆的完整大宗作物图像;
提取所述完整大宗作物图像中的彩色标杆得到彩色标杆图像;
对所述彩色标杆图像进行降噪处理得到彩色标杆二值图像;
根据所述彩色标杆二值图像中连通域的底部和顶点的坐标信息计算所述彩色标杆的像素高度;
根据所述彩色标杆的像素高度以及所述彩色标杆被背景作物遮挡的相对位置关系,计算得到大宗作物株高。
优选地,所述每单位时间获取一次田间带有彩色标杆的大宗作物图像包括多张田间带有彩色标杆的大宗作物图像。
优选地,所述对所述大宗作物图像进行图像预处理得到带有彩色标杆的完整大宗作物图像包括:
判断每张大宗作物图像的完整性以及所述大宗作物图像是否受到污染;
若该张大宗作物图像不完整或者受到污染,则删除该张大宗作物图像;
若该张大宗作物图像完整且没有受到污染,则保留该张大宗作物图像。
优选地,所述每单位时间获取一次田间带有彩色标杆的大宗作物图像包括8张田间带有彩色标杆的大宗作物图像。
优选地,所述提取所述完整大宗作物图像中的彩色标杆得到彩色标杆图像包括:
根据彩色标杆与背景作物的颜色和纹理信息差异,分析所述完整大宗作物图像上彩色标杆与背景作物在R、G、B三个波段上的差异;
针对R、G、B三个波段设置不同的阈值组合判断,以及结合标杆识别函数提取所述彩色标杆得到彩色标杆图像。
优选地,所述对所述彩色标杆图像进行降噪处理得到彩色标杆二值图像包括:
利用滤波、平滑和开闭运算处理方法对所述彩色标杆图像进行图像形态学降噪处理得到所述彩色标杆二值图像。
优选地,所述根据所述彩色标杆二值图像中连通域的底部和顶点的坐标信息计算所述彩色标杆的像素高度包括:
分别获取所述彩色标杆二值图像中连通域的底部坐标和顶点坐标;
根据彩色标杆的像素高度计算公式计算得到所述彩色标杆的像素高度,其中,所述彩色标杆的像素高度计算公式为:
Height_pole = max(ylab) - min(ylab),
其中,Height_pole表示彩色标杆的像素高度,ylab表示彩色标杆二值图像中连通域的纵坐标信息,max(ylab)表示彩色标杆二值图像中连通域的纵坐标的最大值,min(ylab) 表示彩色标杆二值图像中连通域的纵坐标的最小值。
优选地,所述根据所述彩色标杆的像素高度以及所述彩色标杆被背景作物遮挡的相对位置关系,计算得到大宗作物株高包括:
根据大宗作物株高的计算公式计算得到所述大宗作物的株高,其中,所述大宗作物株高的计算公式包括:
Height_crop = (1- Height_pole/Height_original) *Pole_origina,
其中,Height_crop表示大宗作物株高,Height_pole表示彩色标杆的像素高度,Height_original表示大宗作物未种植时,彩色标杆的像素高度,Pole_origina表示彩色标杆的实际高度。
优选地,所述大宗作物的生育期内每单位时间包括大宗作物的生育期内的每一天。
优选地,所述在大宗作物的生育期内每单位时间获取一次田间带有彩色标杆的大宗作物图像包括在大宗作物的生育期内每单位时间通过摄像机拍摄获取一次田间带有彩色标杆的大宗作物图像。
本发明提供的基于图像识别的大宗作物株高测量方法,通过在田间安装彩色标杆,利用图像上彩色标杆的颜色和纹理特征与背景作物的信息差异,识别彩色标杆未被背景作物遮挡部分的高度,进而计算并输出作物的实时高度,实现了对大宗作物株高的自动化连续观测,有效的解决了不同种类作物观测方法不统一,作物生育期内株高数据观测不连续的问题,且这种测量方法还具有简单易于实现以及成本较低的优势。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。在附图中:
图1为本发明提供的基于图像识别的大宗作物株高测量方法的流程图。
图2为本发明提供的实际农作物株高的自动化观测方法流程图。
图3为本发明提供的设置有彩色标杆的棉花田间作物实时图像。
图4为本发明提供的提取彩色标杆后的图像。
图5为本发明提供的获取到的彩色标杆二值图像。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明,并不用于限制本发明。
作为本发明的一个方面,提供一种基于图像识别的大宗作物株高测量方法,其中,在种植大宗作物的田间设置彩色标杆,如图1所示,所述基于图像识别的大宗作物株高测量方法包括:
S110、在大宗作物的生育期内每单位时间获取一次田间带有彩色标杆的大宗作物图像,所述大宗作物图像包括彩色标杆和背景作物;
S120、对所述大宗作物图像进行图像预处理得到带有彩色标杆的完整大宗作物图像;
S130、提取所述完整大宗作物图像中的彩色标杆得到彩色标杆图像;
S140、对所述彩色标杆图像进行降噪处理得到彩色标杆二值图像;
S150、根据所述彩色标杆二值图像中连通域的底部和顶点的坐标信息计算所述彩色标杆的像素高度;
S160、根据所述彩色标杆的像素高度以及所述彩色标杆被背景作物遮挡的相对位置关系,计算得到大宗作物株高。
本发明提供的基于图像识别的大宗作物株高测量方法,通过在田间安装彩色标杆,利用图像上彩色标杆的颜色和纹理特征与背景作物的信息差异,识别彩色标杆未被背景作物遮挡部分的高度,进而计算并输出作物的实时高度,实现了对大宗作物株高的自动化连续观测,有效的解决了不同种类作物观测方法不统一,作物生育期内株高数据观测不连续的问题,且这种测量方法还具有简单易于实现以及成本较低的优势。
可以理解的是,通过摄像机的拍摄获取设置有彩色标杆的田间作物图像;根据不同作物生长最大株高信息,调整摄像机拍摄角度,优选地,俯角范围为:40°~54°,根据对应的角度信息,拍摄时选取的大宗作物图像中彩色标杆位于图像居中靠上的位置。
应当理解的是,插有彩色标杆的田间作物图像所包含作物种类基本包括大宗密植农作物:小麦、水稻、棉花、大豆、花生等,所述图像包括照相机图像和600万像素高清摄像机图像,所述彩色标杆包括红、白、蓝三色相间标杆和红、蓝二色相间标杆。
为了提供对大宗作物株高观测的准确度,所述每单位时间获取一次田间带有彩色标杆的大宗作物图像包括多张田间带有彩色标杆的大宗作物图像。
进一步地,如图2所示,所述对所述大宗作物图像进行图像预处理得到带有彩色标杆的完整大宗作物图像包括:
判断每张大宗作物图像的完整性以及所述大宗作物图像是否受到污染;
若该张大宗作物图像不完整或者受到污染,则删除该张大宗作物图像;
若该张大宗作物图像完整且没有受到污染,则保留该张大宗作物图像。
可以理解的是,通过检测图像的完整性以及图像是否受到污染,将不完整和受污染的图像直接删除,最终获得完整大宗作物图像。
优选地,所述每单位时间获取一次田间带有彩色标杆的大宗作物图像包括8张田间带有彩色标杆的大宗作物图像。
应当理解的是,每次获取带有彩色标杆的大宗作物图像时可以通过拍摄8张田间的带有彩色标杆的大宗作物图像作为观测目标。
具体地,所述提取所述完整大宗作物图像中的彩色标杆得到彩色标杆图像包括:
根据彩色标杆与背景作物的颜色和纹理信息差异,分析所述完整大宗作物图像上彩色标杆与背景作物在R、G、B三个波段上的差异;
针对R、G、B三个波段设置不同的阈值组合判断,以及结合标杆识别函数提取所述彩色标杆得到彩色标杆图像。
根据彩色标杆与背景作物的颜色和纹理信息差异,对不同光照条件下的田间作物图像,设置R、G、B三个波段判断阈值,提取图像中的彩色标杆。
为了得到清晰的图像,所述对所述彩色标杆图像进行降噪处理得到彩色标杆二值图像包括:
利用滤波、平滑和开闭运算处理方法对所述彩色标杆图像进行图像形态学降噪处理得到所述彩色标杆二值图像。
为了得到大宗作物株高,首先需要得到标杆高度,具体地,所述根据所述彩色标杆二值图像中连通域的底部和顶点的坐标信息计算所述彩色标杆的像素高度包括:
分别获取所述彩色标杆二值图像中连通域的底部坐标和顶点坐标;
根据彩色标杆的像素高度计算公式计算得到所述彩色标杆的像素高度,其中,所述彩色标杆的像素高度计算公式为:
Height_pole = max(ylab) - min(ylab),
其中,Height_pole表示彩色标杆的像素高度,ylab表示彩色标杆二值图像中连通域的纵坐标信息,max(ylab)表示彩色标杆二值图像中连通域的纵坐标的最大值,min(ylab) 表示彩色标杆二值图像中连通域的纵坐标的最小值。
具体地,所述根据所述彩色标杆的像素高度以及所述彩色标杆被背景作物遮挡的相对位置关系,计算得到大宗作物株高包括:
根据大宗作物株高的计算公式计算得到所述大宗作物的株高,其中,所述大宗作物株高的计算公式包括:
Height_crop = (1- Height_pole/Height_original) *Pole_origina,
其中,Height_crop表示大宗作物株高,Height_pole表示彩色标杆的像素高度,Height_original表示大宗作物未种植时,彩色标杆的像素高度,Pole_origina表示彩色标杆的实际高度。
需要说明的是,不同作物,彩色标杆高度规格不同,对于矮秆作物,标杆实际高度优选为1.5米,对于高杆作物,标杆实际高度优选为3.5米。
优选地,所述大宗作物的生育期内每单位时间包括大宗作物的生育期内的每一天。
可以理解的是,在所述大宗作物的生育期,每天都对田间设置有彩色标杆的大宗作物进行拍摄。
优选地,所述在大宗作物的生育期内每单位时间获取一次田间带有彩色标杆的大宗作物图像包括在大宗作物的生育期内每单位时间通过摄像机拍摄获取一次田间带有彩色标杆的大宗作物图像。
为了更加清楚理解本发明提供的基于图像识别的大宗作物株高测量方法,下面结合图2进行详细说明。
如图2所示,为了实现农作物株高的自动化观测方法的通用性,作物生长期内株高数据观测的连续性以及观测精度的一致性,本发明提供的基于图像识别的大宗作物株高测量方法具体可以包括如下步骤:
大宗作物以棉花为例,首先需要在棉花田间设置彩色标杆,设置的彩色标杆的颜色包括红色、白色和蓝色相间的三色。图3所示为设置有彩色标杆的棉花田间作物实时图像。
获取装有彩色标杆的棉花田间作物图像,并对获取的作物图像进行所需的预处理。
具体地,获取棉花田间作物图像,对所获取的作物图像进行预处理时,主要检查所述获取的作物图像是否完整或是否污染,利用开运算和闭运算两个函数依次进行图像完整性和图像是否受到污染进行检查,删除不完整和受污染的图像以确保所获取的作物图像能满足后续处理的需要。
对上述预处理后的作物图像,提取彩色标杆。
具体的,根据彩色标杆与作物背景的颜色和纹理信息差异,分析图像上彩色标杆与作物背景在R、G、B三个波段上的差异,设置不同的阈值组合判断,构建标杆识别函数初步提取彩色标杆。标杆识别函数的原理为:例如,彩色标杆图像中红色色块与绿色背景差异较大,可以根据图像中R波段与G波段的差值以及R波段与B波段的差值同时大于某一设定的阈值(diff_R),即可实现彩色标杆中红色部分的提取,同理实现整个彩色标杆的提取。如图4所示,为提取彩色标杆后的图像。
以上述获取的彩色标杆提取图像为基础,进行图像形态学降噪处理,利用最大类间方差法(OTSU)获取彩色标杆二值图像,图5所示为获取到的彩色标杆二值图像。
具体地,可以利用开运算函数与闭运算函数对彩色标杆初步提取图像进行形态学处理,并平滑处理删除背景中面积较小的噪声。
根据上述得到的彩色标杆二值图像,计算彩色标杆的像素高度。
具体实施时,获取彩色标杆连通域的底部和顶点的坐标信息,利用公式:Height_pole = max(ylab) - min(ylab)计算彩色标杆的像素高度 ,其中, ylab表示标杆的纵坐边,max(ylab)表示纵坐标最大值,min(ylab)表示纵坐标最小值。
利用上述获取到的Height_pole数据,计算农作物株高。
具体地,根据彩色标杆与作物背景的位置关系,Height_pole为图像上彩色标杆未被作物遮挡部分的像素高度,而彩色标杆底部被作物遮挡的高度,即为作物的株高:Height_crop = (1- Height_pole/Height_original) *Pole_original ,其中,Height_original为作物还未种植时,彩色标杆在图像上的像素高度,Pole_original为标杆的实际长度。该公式即为农作物高度的具体计算过程,图像上的彩色标杆像素高度与彩色标杆的实际高度之间有一个对应的比例关系,彩色标杆上每个颜色刻度是10cm,且彩色标杆的原始的高度是已知的。
本发明获取插有彩色标杆的田间农作物图像,随着作物的生长,彩色标杆底部将会被作物遮挡,因此,通过识别未被作物遮挡住的彩色标杆的高度,间接推算出作物的株高。本发明提供的基于图像识别的大宗作物株高测量方法为农业气象相关观测人员提供了一种大宗作物株高自动观测的通用方法,从图像上彩色标杆与背景作物遮挡的相对关系,可以实现作物株高数据的连续输出,且观测精度具有一致性,可以更好的进行观测结果精度评价,实用性强。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种基于图像识别的大宗作物株高测量方法,其特征在于,在种植大宗作物的田间设置彩色标杆,所述基于图像识别的大宗作物株高测量方法包括:
在大宗作物的生育期内每单位时间获取一次田间带有彩色标杆的大宗作物图像,所述大宗作物图像包括彩色标杆和背景作物;
对所述大宗作物图像进行图像预处理得到带有彩色标杆的完整大宗作物图像;
提取所述完整大宗作物图像中的彩色标杆得到彩色标杆图像;
对所述彩色标杆图像进行降噪处理得到彩色标杆二值图像;
根据所述彩色标杆二值图像中连通域的底部和顶点的坐标信息计算所述彩色标杆的像素高度;
根据所述彩色标杆的像素高度以及所述彩色标杆被背景作物遮挡的相对位置关系,计算得到大宗作物株高。
2.根据权利要求1所述的基于图像识别的大宗作物株高测量方法,其特征在于,所述每单位时间获取一次田间带有彩色标杆的大宗作物图像包括多张田间带有彩色标杆的大宗作物图像。
3.根据权利要求2所述的基于图像识别的大宗作物株高测量方法,其特征在于,所述对所述大宗作物图像进行图像预处理得到带有彩色标杆的完整大宗作物图像包括:
判断每张大宗作物图像的完整性以及所述大宗作物图像是否受到污染;
若该张大宗作物图像不完整或者受到污染,则删除该张大宗作物图像;
若该张大宗作物图像完整且没有受到污染,则保留该张大宗作物图像。
4.根据权利要求2所述的基于图像识别的大宗作物株高测量方法,其特征在于,所述每单位时间获取一次田间带有彩色标杆的大宗作物图像包括8张田间带有彩色标杆的大宗作物图像。
5.根据权利要求1所述的基于图像识别的大宗作物株高测量方法,其特征在于,所述提取所述完整大宗作物图像中的彩色标杆得到彩色标杆图像包括:
根据彩色标杆与背景作物的颜色和纹理信息差异,分析所述完整大宗作物图像上彩色标杆与背景作物在R、G、B三个波段上的差异;
针对R、G、B三个波段设置不同的阈值组合判断,以及结合标杆识别函数提取所述彩色标杆得到彩色标杆图像。
6.根据权利要求1所述的基于图像识别的大宗作物株高测量方法,其特征在于,所述对所述彩色标杆图像进行降噪处理得到彩色标杆二值图像包括:
利用滤波、平滑和开闭运算处理方法对所述彩色标杆图像进行图像形态学降噪处理得到所述彩色标杆二值图像。
7.根据权利要求1所述的基于图像识别的大宗作物株高测量方法,其特征在于,所述根据所述彩色标杆二值图像中连通域的底部和顶点的坐标信息计算所述彩色标杆的像素高度包括:
分别获取所述彩色标杆二值图像中连通域的底部坐标和顶点坐标;
根据彩色标杆的像素高度计算公式计算得到所述彩色标杆的像素高度,其中,所述彩色标杆的像素高度计算公式为:
Height_pole = max(ylab) - min(ylab),
其中,Height_pole表示彩色标杆的像素高度,ylab表示彩色标杆二值图像中连通域的纵坐标信息,max(ylab)表示彩色标杆二值图像中连通域的纵坐标的最大值,min(ylab) 表示彩色标杆二值图像中连通域的纵坐标的最小值。
8.根据权利要求1所述的基于图像识别的大宗作物株高测量方法,其特征在于,所述根据所述彩色标杆的像素高度以及所述彩色标杆被背景作物遮挡的相对位置关系,计算得到大宗作物株高包括:
根据大宗作物株高的计算公式计算得到所述大宗作物的株高,其中,所述大宗作物株高的计算公式包括:
Height_crop = (1- Height_pole/Height_original) *Pole_origina,
其中,Height_crop表示大宗作物株高,Height_pole表示彩色标杆的像素高度,Height_original表示大宗作物未种植时,彩色标杆的像素高度,Pole_origina表示彩色标杆的实际高度。
9.根据权利要求1至8中任意一项所述的基于图像识别的大宗作物株高测量方法,其特征在于,所述大宗作物的生育期内每单位时间包括大宗作物的生育期内的每一天。
10.根据权利要求1至8中任意一项所述的基于图像识别的大宗作物株高测量方法,其特征在于,所述在大宗作物的生育期内每单位时间获取一次田间带有彩色标杆的大宗作物图像包括在大宗作物的生育期内每单位时间通过摄像机拍摄获取一次田间带有彩色标杆的大宗作物图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710847355.8A CN107610172A (zh) | 2017-09-19 | 2017-09-19 | 一种基于图像识别的大宗作物株高测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710847355.8A CN107610172A (zh) | 2017-09-19 | 2017-09-19 | 一种基于图像识别的大宗作物株高测量方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107610172A true CN107610172A (zh) | 2018-01-19 |
Family
ID=61061077
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710847355.8A Pending CN107610172A (zh) | 2017-09-19 | 2017-09-19 | 一种基于图像识别的大宗作物株高测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107610172A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
CN109658405A (zh) * | 2018-12-20 | 2019-04-19 | 中国气象局气象探测中心 | 一种农作物实景观测中图像数据质量控制方法及*** |
CN112633047A (zh) * | 2019-10-28 | 2021-04-09 | 中国科学院地理科学与资源研究所 | 一种苔草长势的视觉立体监测装置及监测方法 |
CN115546208A (zh) * | 2022-11-25 | 2022-12-30 | 浙江托普云农科技股份有限公司 | 一种大田作物株高测量方法、装置及应用 |
CN116385885A (zh) * | 2023-04-07 | 2023-07-04 | 深圳市金大智能创新科技有限公司 | 一种病虫害识别方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063143A (zh) * | 2012-12-03 | 2013-04-24 | 苏州佳世达电通有限公司 | 基于图像识别的测量方法及其*** |
CN105574852A (zh) * | 2015-12-07 | 2016-05-11 | 中国科学院合肥物质科学研究院 | 一种基于图像识别的植株株高检测方法及*** |
-
2017
- 2017-09-19 CN CN201710847355.8A patent/CN107610172A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103063143A (zh) * | 2012-12-03 | 2013-04-24 | 苏州佳世达电通有限公司 | 基于图像识别的测量方法及其*** |
CN105574852A (zh) * | 2015-12-07 | 2016-05-11 | 中国科学院合肥物质科学研究院 | 一种基于图像识别的植株株高检测方法及*** |
Non-Patent Citations (1)
Title |
---|
严锦程: "作物冠层覆盖率、株高的远程自动监测技术", 《中国优秀硕士学位论文全文数据库 信息科技辑 D043-3》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
CN109658405A (zh) * | 2018-12-20 | 2019-04-19 | 中国气象局气象探测中心 | 一种农作物实景观测中图像数据质量控制方法及*** |
CN109658405B (zh) * | 2018-12-20 | 2020-11-24 | 中国气象局气象探测中心 | 一种农作物实景观测中图像数据质量控制方法及*** |
CN112633047A (zh) * | 2019-10-28 | 2021-04-09 | 中国科学院地理科学与资源研究所 | 一种苔草长势的视觉立体监测装置及监测方法 |
CN115546208A (zh) * | 2022-11-25 | 2022-12-30 | 浙江托普云农科技股份有限公司 | 一种大田作物株高测量方法、装置及应用 |
CN116385885A (zh) * | 2023-04-07 | 2023-07-04 | 深圳市金大智能创新科技有限公司 | 一种病虫害识别方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107610172A (zh) | 一种基于图像识别的大宗作物株高测量方法 | |
CN106203265B (zh) | 一种施工扬尘污染源自动监测及影响范围预测***及方法 | |
CN201977794U (zh) | 一种身高自动测量*** | |
CN106291278B (zh) | 一种基于多视觉***的开关柜局部放电自动检测方法 | |
CN108323389B (zh) | 水稻插秧机的插秧秧苗株距与穴秧苗数的检测方法和装置 | |
CN106406403A (zh) | 一种基于增强现实的农业管控*** | |
CN107272739A (zh) | 一种基于子母***的喷药***及方法 | |
CN106971167A (zh) | 基于无人机平台的作物生长分析方法及其分析*** | |
CN110134147A (zh) | 一种植保无人机的自主路径规划方法及装置 | |
CN106225774B (zh) | 一种基于计算机视觉的无人驾驶农机耕道测量装置及方法 | |
CN110163138A (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 | |
CN109032174B (zh) | 一种无人机作业航线规划方法以及作业执行方法 | |
CN109470179A (zh) | 一种大规模水耕蔬菜长势检测***及方法 | |
CN109496797A (zh) | 一种农业节水灌溉***及控制方法 | |
CN110456820B (zh) | 基于超带宽无线定位的农药喷施***及控制方法 | |
CN103903252A (zh) | 棉田虫情自动监测装置及监测方法 | |
CN107832655A (zh) | 一种基于无人机近地面成像的航拍***及棉花产量估测方法 | |
CN109816680A (zh) | 一种农作物株高的高通量计算方法 | |
CN107633202A (zh) | 一种基于农田图像特征识别的植保无人机飞控方法和*** | |
CN105850376A (zh) | 一种石榴树电子化自动采摘方法 | |
CN108830880A (zh) | 一种适用于高速公路的视频能见度检测预警方法及其*** | |
CN108271765A (zh) | 一种多功能爪头监控环境机器人及其植物识别方法 | |
JPWO2019044244A1 (ja) | 作物栽培支援装置 | |
CN102542560A (zh) | 一种水稻移栽后密度自动检测的方法 | |
CN109598215A (zh) | 一种基于无人机定位拍摄的果园建模分析***和方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180119 |