CN109843034B - 用于谷田的产量预测 - Google Patents
用于谷田的产量预测 Download PDFInfo
- Publication number
- CN109843034B CN109843034B CN201780064471.0A CN201780064471A CN109843034B CN 109843034 B CN109843034 B CN 109843034B CN 201780064471 A CN201780064471 A CN 201780064471A CN 109843034 B CN109843034 B CN 109843034B
- Authority
- CN
- China
- Prior art keywords
- ear
- image
- determining
- area
- digital image
- 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
- 238000000034 method Methods 0.000 claims abstract description 139
- 235000013339 cereals Nutrition 0.000 claims abstract description 136
- 210000005069 ears Anatomy 0.000 claims abstract description 97
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 125000006850 spacer group Chemical group 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 16
- 230000004720 fertilization Effects 0.000 claims description 7
- 238000010191 image analysis Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 241000209140 Triticum Species 0.000 abstract description 6
- 235000021307 Triticum Nutrition 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 19
- 238000004458 analytical method Methods 0.000 description 15
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 241000196324 Embryophyta Species 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 238000005314 correlation function Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 230000001427 coherent effect Effects 0.000 description 3
- 238000003306 harvesting Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 206010061217 Infestation Diseases 0.000 description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 2
- 244000098338 Triticum aestivum Species 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- 235000007340 Hordeum vulgare Nutrition 0.000 description 1
- 240000005979 Hordeum vulgare Species 0.000 description 1
- 240000003433 Miscanthus floridulus Species 0.000 description 1
- 241000209056 Secale Species 0.000 description 1
- 235000007238 Secale cereale Nutrition 0.000 description 1
- 244000062793 Sorghum vulgare Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002079 cooperative effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000005078 fruit development Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 235000019713 millet Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000005562 seed maturation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/20—Cereals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Animal Husbandry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- General Business, Economics & Management (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Agronomy & Crop Science (AREA)
- Geometry (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及一种预测麦田产量的方法。该方法具有以下步骤：将数码相机定位在麦田的谷穗的平均平面上方的限定距离处，捕获麦田部分的数字图像，确定捕获的麦田部分的面积，确定与数字图像的总面积比较的数字图像中的谷穗的总面积，并且从与数字图像的总面积比较的数字图像中的谷穗的总面积、所确定的所捕获的麦田部分的面积、谷穗的平均谷粒重量、总田地面积和校准因子，确定田地的产量。
Description
技术领域
本发明一般涉及收获产量的预测，并且特别涉及用于预测谷田(cornfield)产量的方法。本发明进一步涉及用于预测谷田产量的相应***和与之相关的计算机***。
背景技术
既然工业制造中的经典生产区域的自动化已经很好地进行，现在这种趋势在典型农业领域中继续存在。虽然监测技术的使用尚未成为农业生产过程的通用标准，但在该领域也取得了进展。在许多情况下，典型工业4.0技术也可以应用于农业过程和机器。但是，在该情况下，必须考虑至少一个因素：所选技术应易于管理和稳健。此外，所使用的技术必须是经济的，因为全球化导致生产作物的价格压力也在不断增加。
另一方面，现在对于在农场中使用高科技仍然存在保留意见，因为处理这些技术不是该领域的标准知识的一部分。因此，在农业企业中使用的信息技术必须允许简单和直观的操作。
取决于国家，世界上确实有几个地区已经确立了高度复杂的智能农业或数字化农业的主动性，其中一些地区的田地工作也实现了高度自动化。然而，如果可以获得简单形式且大规模地的由图像处理和信息技术支持的分析技术，则可以以相对较少的费用实现相当大的改进。这可以以已经渗透到人口日常生活中的技术形式而最有利地实施。
迄今为止，在预测农业产量方面，特别是在预测谷田产量方面，几乎没有使用定量参数。在大多数情况下，这些仍然是经验值。除了可靠的天气数据外，进一步的分析技术也有助于农民们在其作物产量方面做出高度精确的预测，以便确定最优的收获时间。通过这种方式，生产者可以利用客户购买价格波动-诸如例如农业合作社或工业大宗采购商-以便优化利润。
发明内容
因此，需要在谷田和其它农业使用的地表中改进产量预测。本文件的主题涉及该目的。
借助于独立权利要求的主题实现本申请的目的。在各个从属权利要求中给出了进一步的示例。
根据本发明的第一方面，提出了一种用于预测谷田产量的方法。该方法可以包括将数码相机定位在谷田的谷穗的平均平面上方的限定距离处，并且采用定位的数码相机捕获谷田部分的数字图像。谷穗的平均平面可以平行于数码相机的图像平面。
此外，该方法可以包括从限定距离和数码相机的视角确定捕获的谷田部分的面积，并借助于用于在谷穗的图像像素和不属于谷穗的其它图像像素之间区分的算法，确定与数字图像的总面积比较的数字图像中的谷穗的总面积。
另外，该方法可以包括从数字图像中的谷穗的总面积确定田地的产量。这可以与数字图像的总面积、所确定的捕获的谷田部分的面积、谷穗的平均谷粒重量、总田地面积和第一校准因子相比执行。
根据本发明的另一方面，提出了一种用于预测谷田产量的***。该***可以包括数码相机，该数码相机定位于谷田的谷穗的平均平面上方的限定距离处。数码相机可以适于采用定位的数码相机捕获谷田部分的数字图像。谷穗的平均平面和数码相机的图像平面可以彼此平行。
另外，该***可以包括：部分面积确定单元，用于从限定距离和数码相机的视角确定所捕获的谷田部分的面积；以及谷穗面积确定单元，其适于确定数字图像中的谷穗的总面积。这可以借助于用于在谷穗的图像像素和不属于谷穗的其它图像像素之间区分的算法，与数字图像的总面积比较进行。
此外，该***可以具有产量确定模块，用于从与数字图像的总面积比较的数字图像中的谷穗的总面积、所确定的捕获的谷田部分的面积、谷穗的平均谷粒重量、总田地面积和校准因子中，确定田地的产量。
应该注意，所提出的***可以作为智能手机的一部分来实施。此外，借助于高性能形式的智能手机，这里提出的方法也可以由所述智能手机完全或部分地执行。可替代地，确定谷穗的谷粒总数也可以在专门适于该目的的专用计算机、服务器计算机或任何其它计算机***上执行。
为该目的，实施例可能必须是相应的计算机程序产品的形式。该产品可以包括指令，该指令当在计算机***上执行时，执行所述方法的步骤。
所提出的用于确定谷物茎秆的谷穗的所有谷粒的重量的方法和相应的***具有一系列优点和技术效果：
由于用于确定谷田的产量或产量预测的手段的简单性，可以在任何地方使用该方法而无需大量费用。在数字图像首先被发送到计算机中心进行评估的情况下，该计算机中心几乎可以位于任何所需的位置。计算可以作为服务提供。另一方面，如果评估在也包括数码相机的智能手机上的应用(“应用软件(app)”)中直接执行，则没有附加通信费用，并且评估结果几乎可以立即获得。除了智能手机之外，数码相机以及必要的评估逻辑和可选的用于移动数据通信的通信单元可以位于另一个装置中，或者设置在专门为根据本发明提供的目的而设计的装置中。
数码相机在谷田上方的替代的可能定位使得一方面可以产生谷田表面上方的升高位置的数字图像(例如来自农业机械)；另一方面，还可以使用安装在杆上的数码相机在谷田中站立时产生所需的数字图像。
另外，所提出的产量预测方法可以与用于确定谷穗的谷粒重量的更简洁的方法组合。一方面，这使得可以直接从谷田的谷穗的图像估计谷田的产量。相同的数码相机可以用于产量分析的方法和用于确定谷粒重量的部分方法中。此外，用于产量预测的计算和用于确定谷粒重量的计算可以在同一计算机***上执行，允许一次计算(谷粒重量)的结果可用于作为输入值的第二次计算(产量预测)。
如果高性能智能手机或具有相应高性能电子设备和数码相机的另一专用装置可用，则可以直接在该智能手机或其它专用装置上执行上述确定(谷粒重量和产量预测)。
如上所述，为了提前确定谷穗的谷粒重量，相同的数码相机-例如在智能手机中-可以用作改进产量预测的前端。使用移动装置(例如带相机的移动电话)足以让农民对其谷田进行改进的产量预测。为该目的，确定谷田谷穗的产量潜力作为出发点可能是重要的。谷穗的一个或两个数字图像足以让农民对田地产量进行显著改进的预测。以参考卡的形式使用另外的日常物品不会使该方法的管理或接受更复杂。
在该过程中，谷穗可以被拾取或切断并放置在参考卡上，或者谷穗可以保留在茎秆上，并且参考卡可以简单地放置在谷穗后面。参考卡上的刻度与数字图像一起提供清晰和真实的测量标准。
可以由计算机中心提供自动测量谷穗和谷穗的谷粒重量所需的计算能力。该计算机中心-就像用于计算田地产量的计算机中心-可在任何所需位置处操作。农民可以使用计算机，多个农民可以一起操作计算机，或者服务提供者可以接管分析工作并提供所需的计算能力。后一种可能性是进一步有利的，因为该服务可以以云计算服务的形式提供给不同地区或多个国家的大量农民。这也可以更容易地考虑不同地区、全球以及当地的天气影响之间的相似性，或区域已知的虫害、肥料的使用、杀虫剂的使用等。
数字图像可以经由移动网络发送到评估计算机。可以执行分析，并且可以将结果无线发送回农民或移动装置。借助于另外的方法，可以从谷穗的谷粒重量推断到整个田地。
在进一步改进的形式中，并且与移动装置中的高性能计算机***一起，分析也可以直接在现场执行。可以以智能手机应用软件的形式提供所需的计算算法。可替代地，专用计算单元(特殊处理器或特殊硬件)可以附加到移动装置或集成到移动装置中。
此外，将智能手机用于数字图像并非绝对必要-但是有利的。农民还可以使用传统的数码相机并以不同的形式将谷穗的数字图像发送到计算机以进行分析，例如借助于使用已知通信路线(诸如WLAN、蓝牙或其它可比的通信手段)的有线通信技术或中继站。
谷穗的自然非恒定的主轴梯级的确定以及所确定的主轴梯级数量与每个主轴梯级的谷粒的平均因子的相乘允许简洁地确定每个谷穗的谷粒数量。这为估算田地产量提供了基础。
由于谷穗的数字图像的类型-以主轴或主轴梯级视图的形式，以及围绕纵向轴线旋转90°的潜在第二数字图像(花朵视图)-用于确定主轴梯级数量的模板匹配方法提供了进一步图像处理和确定步骤的良好基础。
在下文中，将描述用于确定谷物茎秆的谷穗的所有谷粒重量的建议方法的进一步实施例。
根据用于确定田地产量的方法的实施例，用于在谷穗的图像像素和其它图像像素之间区分的算法可以是局部二值模式算法。这种算法通常是已知的。示例发表在：DC.He和L.Wang"Texture Unit,Texture Spectrum,and Texture Analysis",IEEE transactionson Geoscience and Remote Sensing,vol.28,pp.509–512,1990；T.
M.
和T.Ojala,"Texture classification by multi-predicate localbinary pattern operators",Proceedings,15th International Conference onPattern Recognition,Barcelona,Spain,3:951-954,2000。这提供了有效的计算算法，以现有程序库的形式直接和容易地用于所提出的方法。
根据该方法的另一有利实施例，用于在谷穗的图像像素和其它图像像素之间区分的算法可以是用于纹理图像分析的方法。这种方法通常也是已知的，可以根据所提出的方法的要求进行调整，并且例如描述于：F.Cointault、D.Guerin、J-P.Guillemin&B.Chopinet的"In-field Triticum aestivum ear counting using colour-texture imageanalysis",New Zealand Journal of Crop and Horticultural Science,vol.36,pp.117-130,2008。该算法也可以很容易地适应这里所示的对象位置。
根据该方法的另一有利实施例，用于在谷穗的图像像素和其它图像像素之间区分的算法可包括亮度差过滤器或由亮度差过滤器组成。然而，应该考虑到识别的差异务必可以取决于照明、一天中的时间、天空的光的颜色分量以及雨、雾和/或阳光而发生。出于该原因，在所有情况下使用诸如人造闪光灯的人工照明来产生谷穗或田地部分可能是有利的。
根据该方法的另一有利实施例，数码相机和谷田表面之间的限定距离可以借助于数码相机和谷田谷穗的平均平面之间的间隔物来确定。间隔物可以由柔性元件(诸如例如绳)组成，其一端附接到数码相机，并且另一端具有定位于谷田的谷穗的平均平面中的颜色对比球。由于颜色对比球和环境(即基本上是谷穗)之间的颜色对比，借助于模式识别，球在数字图像中清晰可见或可识别。颜色对比球可以例如具有蓝色或蓝绿色值。除了球之外，其它规则的几何形状也是合适的，诸如锥体、筒、立方体、盒形元件，或者也可以是相对于谷穗的颜色值示出良好颜色对比度的不规则对象。
根据该方法的另一实施例，可以借助于数码相机与谷田的谷穗的平均平面之间的间隔物来确定限定距离。为该目的，数码相机可以在间隔物的一端以不等于90°的预定角度附接，并且间隔物的另一端可以定位在谷田的谷穗的平均平面上。当数码相机的图像平面水平对准时，可以捕获数字图像。例如，数码相机可以通过可以附接到相机的加速度或位置传感器自动激活。这里，假设谷田的谷穗的平均平面水平延伸。
根据本发明，在定位数码相机并捕获谷田部分的数字图像之后，确定捕获的谷田部分的表面面积的大小(“从限定距离和数码相机的视角确定捕获的谷田部分的面积”)。在进一步的步骤中，从数字图像确定数字图像中的谷穗的总面积(“确定与数字图像的总面积相比的数字图像中的谷穗的总面积”)。例如，结果是图像的指定百分比的像素表示谷穗。在进一步的步骤中，可以确定数字图像中的谷穗数量。为该目的，必须知道由单个谷穗占据的平均面积(多少像素)。该值可以由第一校准因子表示，该第一校准因子通常根据经验确定。如果将可归因于谷穗的图像的总面积除以由单个谷穗所占据的面积的平均大小，则可以获得图像中的谷穗数量。如果将图像中的谷穗数量除以图像部分中谷田面积的大小，则获得谷田每单位面积的谷穗数量。如果将谷田每单位面积的谷穗数量乘以田地的总面积，则得出整个田地中的谷穗数量。如果将整个田地中的谷穗数量乘以谷穗的平均谷粒重量，则得出整个田地的谷粒重量-并且从而得出产量(“从与数字图像的总面积比较的数字图像中的谷穗的总面积、所确定的捕获的谷田部分的面积、谷穗的平均谷粒重量、总田地面积和校准因子中，确定田地的产量”)。在该方法的优选实施例中，第一校准因子可以具有关于以下因子之一的至少一个依赖性：类型、发育阶段-更特别地以BBCH代码的形式表示-天气、地理位置和/或施肥状态。可设想进一步的依赖性。地理位置可以例如由GPS(全球定位***)坐标确定。校准因子本身可以是输入变量的直接函数。专用输入值可以与结果值一起存储在矩阵中，并借助于该方法在那里访问。
根据该方法的优选实施例，确定与数字图像的总面积比较的数字图像中的谷穗的总面积可以进一步包括将面积因子应用于谷穗的面积，其值从数字图像的中心向其边缘减小。这是有利的，因为图像中心中的谷穗可以从上方更好地集中记录，而数字图像的边缘区域中的谷穗-由于不同的视角-可以从侧面更好地记录，并且因此占据了图像的较大部分。使用面积因子可以补偿该影响。
根据该方法的有用实施例，该方法可以包括在谷穗的主轴梯级视图中提供单个谷穗的第二数字图像。数字图像中的谷穗可以在作为背景的参考卡的前面描绘。
根据该实施例的方法可以进一步包括通过将谷穗的数字图像的图像像素与背景分离并借助于参考卡上的图像标记在谷穗的纵向方向中将谷穗的一端的像素坐标与谷穗的相对端的谷穗的像素坐标进行比较，确定谷穗沿谷穗的纵向轴线的长度。
此外，根据该实施例的方法可以包括借助于模板匹配方法确定谷穗的主轴梯级数量，通过将所确定的主轴梯级数量乘以因子来确定谷穗的谷粒数量，以及通过将所确定的谷粒数量乘以第二校准因子来确定谷穗的所有谷粒的重量。
以该方式，可以简洁地确定谷穗的谷粒重量而不需要称重。光学方法允许在智能手机上或已经发送在主轴梯级视图中的记录的数字图像的单独计算机中心处简洁且直接地确定谷粒重量。这允许相同的技术装置-即智能电话-既用于确定谷粒重量又用于确定田地产量。
根据该方法的有利实施例，模板匹配方法可以包括在谷穗的纵向方向中在整个谷穗上的由谷穗的平均部分面积组成的所选图像模板的逐像素位移。另外，该方法可以包括在每个位移位置中图像模板与相应的覆盖的谷穗部分的相应相似度因子的相应确定。这允许关于x-y表示的相似度因子，发生的规则的相对最大值。在该表示中，该表示的x方向可以是像素数或位置，并且在y方向中，可以绘制相应谷穗部分与模板的相似度值。
所选择的谷穗的部分面积可以占据谷穗平均面积中的谷穗的约15-25％。另外，该实施例可以包括从x-y表示确定主轴的数量。由于模板匹配方法是来自图像处理领域的已知方法，因此可以使用传统的程序库函数和模块。在确定主轴梯级期间，使用该匹配方法提供了对照明几何形状的波动的有利准确性和鲁棒性。这是有利的，因为主轴梯级数量对谷穗的谷粒数量具有决定性的影响。谷穗的附加主轴梯级可以与4个附加谷物同义，这可以使谷穗的谷粒总数增加至多10％。因此，主轴梯级数量的最准确检测可以与建议方法的准确性同义。
根据附加特定实施例，从方法中的x-y表示中确定主轴的数量可以包括借助于简单计数确定相似度值的相对最大值的数量。该过程需要很小的计算能力，但与其它方法相比并不是最准确的，因为相似程度朝向谷穗的末端减小，并且因此最大值不如在中央谷穗区域中那样明显。
根据又一实施例，从方法中的x-y表示中确定主轴的数量可以包括从相似度值的相对最大值距彼此的距离确定平均周期长度，并通过将谷穗长度除以周期长度来确定主轴的数量。
与上述实施例相反，当前描述的实施例可以在确定主轴梯级的数量时表现出更高的准确度。原因是x-y表示中的相对最大值可以比前一实施例中更明显。这导致确定谷穗的主轴梯级数量的更高准确性。
在进一步有利的示例中，第二校准因子可以具有关于以下因子之一的至少一个依赖性：谷穗的类型、谷穗的发育阶段、天气(长期和短期)、地理位置和施肥状态。可以随时考虑进一步影响参数。
根据用于确定谷穗的谷粒重量的替代方法，用于预测谷田产量的方法可以包括分部(partial)方法，更特别地是谷粒重量确定方法，用于确定谷物茎秆的谷穗的所有谷粒的重量。该分部方法将是使用谷穗的主轴梯级视图的分部方法的替代方法。该谷粒重量确定方法可以包括在参考卡前面的谷穗的花朵视图中提供谷穗的数字图像，并借助于颜色直方图处理通过将谷穗的数字图像的图像像素与背景分离，来确定谷穗的花朵视图的面积。此外，该谷粒重量确定方法可包括将由谷穗占据的面积与参考卡上的图像标记比较。另外，用于确定用于产量预测的方法的谷粒重量的分部方法可以包括通过将所确定的谷穗面积乘以校准因子来确定谷穗的所有谷粒的重量。该校准因子可以示出不同的依赖性，诸如对谷物类型的相关性、发育阶段、天气、施肥状态、已知的害虫侵扰等。
该分部方法具有易于使用的优点。计算强度可以低于用于确定使用谷穗的主轴梯级视图的谷粒重量的分部方法。这使得该分部方法更容易在田地的移动装置中直接实施。可替代地，还可以将捕获的数字图像发送到评估计算中心，并且然后在田地中用移动装置接收结果。该部分方法具有进一步的优点，即，花朵视图的数字图像比主轴梯级视图更容易准备，因为谷穗在花朵视图中停留在自然位置。这将使人更容易拍摄数字图像。已经发现，借助于这里提出的谷粒重量确定方法，可以进行相对良好的谷穗的谷粒重量的评估。
根据有利实施例，用于谷田的产量分析的***包括发送和接收单元，其适于将捕获的谷田部分的数字图像或者还有第二数字图像发送到计算机中心，该计算机中心包括部分面积确定单元、谷穗面积确定单元和产量确定模块。在由确定单元和模块执行计算之后，结果可以被发送回智能手机、数码相机或其它移动装置并且进一步直接在田地中使用。
此外，实施例可以采用可以从计算机可用或计算机可读介质访问的分配的计算机程序产品的形式。该指令可以使计算机-诸如例如智能手机、服务器或两个的组合执行根据所提出的方法的处理步骤。为了本说明书的目的，计算机可用或计算机可读介质可以是包括用于与指令处理***一起存储、通信、传送或传输程序的元件的任何设备。
附图说明
下面使用实施例和附图更详细地描述本发明。应该注意，在各种类型的示例的上下文中描述了本发明的各方面。关于过程声明描述了一些示例，而在装置类型声明的上下文中描述了其它示例。然而，本领域普通技术人员将能够从以上和以下描述中理解-除非已经指出偏离-不仅可以将权利要求类型的特征彼此组合，它们还可以构成超出声明类型范围的功能组合。
以上提出的本发明的方面和另外方面源自示例和附图，其在下面进一步详细描述。
这些示例用作可能的实施形式，但不限于此，并且它们参考以下附图：
图1示出根据本发明的用于确定谷田的产量预测的方法的实施例的框图。
图2示出数字记录装置在谷田谷穗上方的定位。
图3示出用于将相机优选定位在谷田的谷穗的平均平面上方的部件。
图4示出自谷田的谷穗的平均平面的可再现的相机距离定位的替代方案。
图5示出对应于在图4和图5的上下文中呈现的方法的谷田的图像的示例。
图6示出用于确定谷穗的谷粒重量的部分方法的框图。
图7示出了更接近实施的建议方法的实施例的框图的第一部分。
图8示出了更接近图7的实施的建议方法的实施例的框图的第二部分。
图9示出了谷穗的抽象表示和参考卡以及位于其上的谷穗的示例。
图9a示出了谷穗的图和谷穗的主轴梯级的视图。
图10示出了用于确定谷穗长度的说明图。
图11示出了用于确定主轴梯级数量的互相关函数的示意图。
图12示出了用于确定谷物茎秆的谷穗的谷粒总数的部分***的框图。
图13示出用于预测谷田产量的***的框图。
图14示出与对应于图13和/或图12的***一起的计算机***的示例的框图。
具体实施方式
在本说明书的上下文中，可以使用以下约定、术语和/或表达：
术语“谷物茎秆”或“谷物茎秆的谷穗”不需要进一步解释。这可以是在农业领域中发育的普通谷类植物。通常，谷物可以是小麦、黑麦或大麦。
术语“数字图像”描述了通常可以借助于数码相机拍摄的实际场景的数字表示。数字图像或数字图片可以由具有不同颜色值的像素组成，并且从而产生图形整体印象。在这里提出的方法中，获取从鸟瞰图看的谷田表面的数字图像，以及可选地，用于确定典型谷穗的谷粒重量的单个谷穗的另一数字图像。
术语“谷穗的花朵(flower)视图”描述了谷穗的视图，其中谷粒清晰可见。花朵视图也可以被称为谷穗的谷粒视图，因为在该视图中谷穗的谷粒是最清晰可见的。在该视图中，芒分别主要向左和向右延伸远离谷穗。在该视图中，谷穗的视野面积是最大的。与花朵视图相比，术语“主轴梯级(spindle step)视图”描述了沿着谷穗的纵向轴线旋转90°的谷穗的视图，即谷穗的狭窄部分的视图。在该情况下，如果谷穗的纵向轴线垂直延伸，则人们正看着谷穗的较窄侧或谷穗的芒。
在本说明书的上下文中，“参考卡”是扁平对象-例如具有单色的卡-其颜色值与谷穗的颜色值明显不同。与谷穗的典型颜色值互补的颜色，例如蓝色-被发现是有利的。
术语“模板匹配方法”对于本领域普通技术人员而言是已知的，用于确定数字表示的对象的结构的方法。更详细的描述可以在例如S.Kim,J.McNames,"Automatic spikedetection based on adaptive template matching for extracellular neuralrecordings,"Journal of Neuroscience Methods 165,pp.165–174,2007中找到。
术语“发育阶段”描述了植物的自然生命周期中的阶段-这里是从播种直到收获的谷物。已经发现使用“BBCH代码”来描述植物的发育阶段是有帮助的。缩写“BBCH”正式代表“Biologische Bundesanstalt，Bundessortenamt和Chemische Industrie[联邦生物研究中心，联邦植物品种办公室和化学工业]”。BBCH代码描述植物的物候发育阶段。代码以00开头，并且以89结束。例如，10至19之间的BBCH代码描述了叶子的早期发育阶段。从BBCH代码60开始，植物的花出现(至多69)。接下来的10个梯级分别描述了植物的果实发育(70-79)、种子成熟(80-89)和死亡(90-99-一年生植物)。
术语“数码相机”描述了使用数字存储介质而不是摄影胶片作为记录介质的相机。首先借助于电子图像转换器(图像传感器)将数字图像数字化。
术语“颜色对比球”描述了包括空间延伸的对象，该空间延伸具有与谷穗的平均长度相同的量级(例如，几厘米的大小)并且具有大约10至100克的量级的重量。它的颜色理想地与谷田表面的主色相互补充。有利地，这是处于成熟状态的谷田的补色。例如，颜色对比球在其表面上可以具有蓝色值。对象实际上不必是球形的。其它几何形状也是可能的。重要的是借助于光学识别方法可以容易地将颜色对比球与谷田的像素区分开。
术语“纹理图像分析”描述了分析数字图像的对象的纹理的方法。在这种情况下，纹理被理解为指对象或其环境的表面外观。纹理图像分析的方法的示例例如在下文中描述：F.Cointault、D.Guerin、J-P.Guillemin&B.Chopinet的新西兰作物和园艺科学杂志2008年第36卷第117-130页的“In-field Triticum aestivum ear counting usingcolour-texture image analysis(使用颜色纹理图像分析的田间小麦谷穗计数)”
图1示出用于预测谷田产量的根据本发明的方法100的示例的框图。该方法包括将数码相机定位102在谷田的平均谷穗平面上方的限定距离处-即从鸟瞰图中-并采用定位的数码相机捕获104谷田部分的数字图像。谷穗的平均平面和数码相机的图像平面应该彼此平行。这可以使用相机的加速度或位置传感器自动执行。当图像平面水平对准时，可以精确地执行相机的自动激活。
此外，该方法包括确定从限定距离和数码相机的视角捕获的谷田部分的面积106，并且借助于用于在谷穗的图像像素和不属于谷穗的其它图像像素之间区分的算法，确定108与数字图像的总面积比较的数字图像中的谷穗的总面积。基于此，该方法包括从与数字图像的总面积比较的数字图像中的谷穗的总面积、所确定的捕获的谷田部分的面积、谷穗的平均谷粒重量、总田地面积和第一校准因子，确定110田地的产量。该第一校准因子可取决于类型、发育、天气、地理位置和/或施肥状态。关于有害生物侵扰的进一步依赖性也是可能的。例如，捕获的谷田部分的面积可以是4m2。可以从数字图像的分析确定20％的像素可归因于谷穗。因此，对于1920×1080像素的图像大小，41472个像素可归因于谷穗。基于经验测试，可以确定在所讨论的条件下的谷穗通常占208像素的平均大小。在该情况下，将在数字图像上描绘大约200个谷穗。对于4m2的谷田部分，这相当于每m2田地面积约50个谷穗。如果田地的总面积为1km2，则整个田地将有5000万个谷穗。如果平均谷粒重量为每谷穗3克，则田地中的总谷粒重量为150吨。
图2示出数字记录装置202在谷田的谷穗210上方的定位。例如，数字记录装置可以是单独的数码相机或移动电话-例如智能手机中的数码相机。相机202捕获谷田表面的限定部分。该部分基本上由相机202的图像平面204的距离和相机202的视角α206确定。在记录数字图像时，相机202的图像平面204有利地平行于通过谷田的谷穗210的平均水平延伸平面208。
图3示出用于将相机202优选定位在谷田的谷穗210的平均平面208上方的部件。该部件可以是相机202和配重304之间的间隔物302。间隔物302附接到相机202和配重304二者。配重304可以例如由球组成。球304的颜色应该与谷穗210或谷田的颜色清楚地区分开。球304的蓝色适合作为成熟或几乎成熟的谷物的颜色的补色(颜色对比球)。间隔物302可以以绳或绳状结构的形式配置。这确保了由于重力，间隔物302将始终垂直于谷田的谷穗210的平均平面208。以该方式还确保了谷田的部分的大小可以基于间隔物302的长度-在刚刚描述的位置中-和相机202的视角来容易地计算。在正方形数字图像的情况下，数字图像的边长a将由a＝2*L*tan(α/2)计算。这里，L基本上是间隔物302的长度，并且α是相机202的视角。
图4示出相机202从谷田的谷穗210的平均平面208的可再现的距离定位的替代方案。相机以限定的角度安装在杆402的端部。理想地，该角度大于相机202的视角的一半。如果杆402的端部404位于谷田的谷穗210的平均平面208的高度处，则距离302-现在不是由间隔物302限定的，由L＝Lrod*sin(90-δ)计算，其中δ是杆402和相机的图像平面204之间的角度。基于相机202距谷田的谷穗210的平均平面208的该已知距离和相机202的视角，可以计算-如上所示-对应于相机202的数字图像的面积。
可以以不同方式启动数字图像的记录。一方面，可以将致动器集成到杆402的手柄404中。然而，在该变型中，可能难以使相机202的图像平面204取向成使得其平行于谷穗210的平均平面208。在更简洁的解决方案中，一旦在启动信号204指示相机202准备好记录之后图像平面204是水平的，就将自动启动记录。以该方式，可以确保图像平面204和谷穗210的平均平面208是平行的。可以借助于相机的加速度传感器(或其它传感器)来检测关于图像平面204的水平取向的评估。
图5示出了谷田部分的图像500的示例。借助于上面在图2至图4的上下文中描述的方法或类似方法，可以确定对应于数字图像的谷田面积的大小。在示例图像500中可以清楚地看到谷穗502。还可以看到位于图像中间的谷穗502以与位于图像500的外部区域中的谷穗502的角度不同的角度被记录。这源于简单的光学考虑。该效果可以借助于在数字图像500的边缘方向中减小的面积因子来补偿。此外，在图5中可以看出各个谷穗重叠。因此，例如通过确定相似亮度值或类似纹理的相干(coherent)面积的数量，不能确定图像中存在的谷穗的数量。因此，根据本发明，首先确定与数字图像的总面积比较的数字图像中的谷穗的总面积，并且在另一步骤中，存在的谷穗的数量基于在数字图像中谷穗的典型大小来确定。关于数字图像中谷穗的典型大小的信息由第一校准因子提供，该第一校准因子通常根据经验确定。
通过确定图像500中的谷穗502占据的面积，可以外推以找到整个田地的产量。
有利地，在预测田地产量时考虑谷穗502的谷粒重量。在下面的图中解释了如何借助于单个谷穗的附加数字图像来确定这种谷粒重量。
图6示出了用于确定谷物茎秆的谷穗的谷粒总数的扩展方法600的示例的框图。该方法首先包括在谷穗的主轴梯级视图中提供谷穗的数字图像602。在捕获数字图像时，谷穗应位于作为背景的参考卡的前面。出于实际原因，参考卡优选地是与谷穗(黄色)的典型颜色互补的颜色(例如蓝色)。
作为进一步的步骤，该方法包括通过将谷穗的数字图像的图像像素与背景分离来确定谷穗沿谷穗的纵向轴线的长度604。该分离可以有利地借助于颜色直方图过程进行。以该方式，可以将谷穗的相干表面与参考卡的背景区分开。另外，该方法在该步骤中包括借助于参考卡上的图像标记在谷穗的纵向方向中在谷穗的一端的像素坐标与谷穗的相对端的谷穗的像素坐标的比较606。以该方式，借助于位于参考卡上的刻度，可以容易地确定谷穗的长度。为该目的，仅需要彼此减去相应的y坐标。
如果谷穗的图像在确定其长度之前经受了补偿透视失真和倾斜位置的变换，则是有利的。
此后，在该方法中，可以借助于模板匹配方法执行谷穗的多个主轴梯级的确定608，然后通过将所确定的主轴梯级数量乘以指示每个主轴梯级的谷粒数量并且例如具有值4的因子来确定谷穗的谷粒数量(步骤610)。
在该方法的最后步骤中，通过将所确定的谷粒数量乘以校准因子，对谷穗的所有谷粒数量的重量执行确定612。校准因子可以考虑许多变量影响参数。通过连续地比较由该方法确定的谷粒重量和通过称重确定的谷粒重量，可以在该方法中实施连续且机器支持的学习过程。
图7示出了更接近实施的建议方法的实施例的框图的第一部分。首先将谷穗的数字图像708与参考卡一起接收。几何形状校正702还包括参考卡上的彩色面积的拐角的拐角检测704。此后，执行透视和图像部分710的变换706，使得忽略具有位于其上的谷穗的彩色背景之外的面积。
以该方式获得的图像部分710由谷穗检测功能712传递。实际的谷穗检测借助于通过颜色直方图处理的分析714进行，以便彼此区分谷穗和彩色背景的像素(716前景/背景分割)。此后，识别的谷穗对象被掩盖718。在该掩盖的表示中，背景的识别的图像像素可以表示为逻辑“0”。
在随后的处理块中，执行谷穗预处理722。这可以包括照明和对比度优化步骤724。接下来，可以执行谷穗的变换拉直和待处理的图像部分的进一步减小(步骤726)。可选的芒移除使得可以识别谷穗的视图(步骤726)。理想情况下，谷穗的视图是主轴梯级视图。基于图8执行所接收的数字图像的进一步处理。
图8示出了更接近实施的建议方法的实施例的框图的第二部分。实际的谷穗分析802在这里进行。为该目的，首先需要几何形状分析804，其结果是确定808谷穗长度。将谷穗的最上面的像素与所描绘和识别的刻度或参考卡的彩色面积的已知大小进行比较-可选地借助于拐角标记-允许与到在谷穗下端的茎秆基部的下端处的茎秆基部的距离相关联地确定谷穗在纵向方向中的长度，如图9中所示。
在随后的模板匹配方法806中，以此时显示的形式，谷穗728的中间选择区域810在垂直方向中谷穗上方沿着谷穗728的垂直纵向轴线逐像素地位移。确定由模板和图像函数之间的互相关函数810在数学上确定的相应相似度因子。由于谷穗结构的周期性图案，在互相关函数810的过程中出现明显的最大值，其处于彼此的周期性距离处。在图10中示出了这种相关性分析808的结果，其产生周期长度并因此产生主轴梯级距彼此的距离。谷穗长度808与周期长度的比率提供了对主轴梯级数量的一半的高度准确测量，因为主轴梯级的周期性非常清晰且明显，具有不变的距离。
此后，在以该方式建立的基础上，执行谷粒分析812，确定谷粒的数量816和1000个谷粒重量814。另外，这可以借助于产量公式820对整个田地或其部分面积进行产量计算818。1000个谷粒重量-也称为千谷粒重(TGW)-是用于估计农业环境中的产量的常用计算值，并且指示谷物批次的1000个谷粒的重量。它可以从谷穗的谷粒重量和确定的谷穗的谷粒数量来计算。
图9示出了谷穗708的抽象表示和参考卡(其可以大于面积902)以及位于其上的谷穗708的彩色区域902(在黑色和白色表示中不可见)的示例。彩色面积902包括诸如刻度904的图像标记，以及例如图像拐角标记914。图像拐角标记914可以具有各种特征。
作为谷粒908的延伸，象征性地示出了芒906，其可以取决于谷粒的类型而具有变化的长度。此外，示出了另一块茎秆910，其在仅用于识别下谷穗场所提出的方法中是重要的。
谷穗708应该以如下方式取向在参考卡的彩色区域902上，使得谷穗708的纵向轴线912尽可能接***行于彩色面积902的侧线取向。谷穗708的典型的弯曲形式可以通过谷穗708的表示的变换来调整，使得谷穗的纵向轴线实际上平行于参考卡的彩色区域902的侧线取向。参考卡通常略大于其上包含的彩色区域902，其颜色例如是蓝色。
当然，谷穗708的实际图像表示相干面积(例如，如图7中所示，720，728)。这里使用的谷穗708的表示类型仅被理解为谷穗708相对于参考卡的取向的表示。
图9a示出了谷穗708的图和谷穗的主轴梯级的视图926。谷穗708的图像清楚地示出了谷穗下部区域中的不同谷粒916、918、920、922和茎秆910。因此，谷穗708的不同主轴梯级424可以以图9a右侧上的谷穗的更抽象的形式识别。
图10示出了用于确定谷穗长度的说明图1000。这里，可以看出，谷穗的宽度(y轴)是针对与谷穗有关的每像素线(x轴)绘制的。每个单独的相对最大值或靠近在一起的相对最大值的组-属于相应的主轴梯级。通过计数相对最大值或相对最大值的组，可以简单地识别主轴梯级数量。借助于参考卡的刻度或通过知道单个像素或像素线的宽度，从大约线60处的谷穗的像素的开始和大约线1710处的谷穗的像素的结束确定谷穗长度1002。
图11示出用于基于模板匹配方法确定主轴梯级数量的互相关函数的说明图1100。x轴示出模板(来自谷穗中部的图案)相对于模板相对于整个谷穗的相关值(相似度值)的相应位置。人们可以在图的中心识别出大约525的像素值，参见1102/最大值符合(agreement)-实际上相关值为1。在该位置处，模板正好位于其原始位置。基于表示的相对最大值的距离，可以确定周期长度1104，其对应于各个主轴梯级距彼此的距离。基于所确定的谷穗长度和平均确定周期长度1104，也可以通过分割和舍入来计算主轴梯级数量。
此外，应当指出用于确定谷物茎秆的谷穗的谷粒总数的方法600的替代形式(即，作为根据图6至11的部分方法的替代或补充)：根据该实施例，该过程也从制备谷粒的数字图像开始。在该情况下，在花朵视图中的谷穗的图像-即谷穗的谷粒清晰可见的视图在参考卡的前面被捕获。接下来，例如借助于颜色直方图处理通过将谷穗的数字图像的图像像素与背景分离，并借助于参考卡上的图像标记比较谷穗占据的面积，来确定谷穗的花朵视图的面积。图像标记可以是参考卡的刻度，或者构成参考卡上其它图像标记的已知距离。此后，通过将所确定的谷穗面积乘以校准因子来确定谷穗的所有谷粒的重量。已经发现，在花朵视图中谷穗的投影面积与谷穗的谷粒数量之间存在明显的直接相关性。这里使用该现象是为了简单且简洁地确定谷穗的谷粒重量。从大于60BBHC的发育阶段开始，也可以非常有利地使用该替代方法。然而，它也可以在较低的BBHC值下工作。
图12示出了用于确定谷物茎秆的谷穗的谷粒总数的***的框图。该***包括接收单元1202，用于在谷穗的侧视图中接收谷穗的数字图像。如果用于确定谷粒总数的***被集成到移动装置中，则接收单元是数字相机。在另一个实施例中，谷穗的数字图像由数码相机捕获并且可选地无线地发送到接收单元1202。数字图像中的谷穗被记录在作为背景的参考卡的前面。可选地，该***可以包括显示单元1204。此外，该***具有测量单元1206。它适于通过将谷穗的数字图像的图像像素与背景分离来确定谷穗沿谷穗的纵向轴线的长度。此外，测量单元806适于借助于参考卡上的图像标记在谷穗的纵向方向中将谷穗一端的像素坐标与谷穗的相对端的谷穗的像素坐标进行比较。
另外，该***包括：主轴梯级计算单元1208，其适于借助于模板匹配方法确定谷穗的主轴梯级数量；以及谷粒数量确定单元1210，其适于通过将所确定的主轴梯级数量乘以因子来确定谷穗的谷粒数量。
最后，还在***中提供重量确定单元1212，其适于通过将确定的谷粒数量乘以校准因子来确定谷穗的所有谷粒的重量。
如上所述，该***可以是从数码相机(例如智能手机)接收数字图像的服务器***的一部分。另一方面，如果相应的计算能力可用，则还可以将整个***集成到移动***中，例如集成到智能手机或数码相机中。
根据图12的该***可以与图13中所示的用于谷田的产量分析的***1300集成。该***包括数码相机1302，该数码相机1302定位在谷田的谷穗的平均平面上方的限定距离处，其中数码相机适于采用定位的数码相机捕获谷田部分的数字图像，其可以与图12中所示的数字图像相同。谷穗的平均平面和数码相机的图像平面应该彼此平行。显示器/屏幕1304也可以与图12的显示单元1204相同。
用于产量预测的***1300进一步包括部分面积确定单元1306，用于从限定距离和数字相机的视角确定捕获的谷田部分的面积；以及谷穗面积确定单元1308，用于借助于用于在谷穗的图像像素和不属于谷穗的其它图像像素之间区分的算法，确定与数字图像的总面积比较的数字图像中的谷穗的总面积。
最后，***1300包括产量确定模块1310，用于从与数字图像的总面积比较的数字图像中的谷穗的总面积、所确定的捕获的谷田部分的面积、谷穗的平均谷粒重量、总田地面积和第一校准因子中，确定田地的产量。
本发明的实施例可以与几乎每种类型的计算机一起实施-特别是也可以与智能手机一起实施-独立于用于存储和执行程序代码的平台。图14示出了适于实施与所提出的方法有关的程序代码的计算机***1400的示例。
计算机***1400仅是合适的计算机***的示例，并且不旨在表示对在此描述的本发明的使用范围或功能的限制。相反：计算机***1400适合于实施这里描述的示例的任何特征或任何功能。计算机***1400包含可以与许多其它通用或专用计算机***环境和/或配置一起工作的组件。
可适用于与计算机***1400一起工作的已知计算机***、环境和/或配置的示例包括但不限于平板计算机、笔记本计算机和/或其它移动计算***和/或智能手机以及多处理器***、基于微处理器的***、可编程的消费电子产品或数码相机或PDA(个人数字助理)。
这里在可以由计算机***执行的指令的一般上下文中描述计算机***1400。在该情况下，它也可以是由计算机***1400执行的程序模块。程序模块通常包括执行指定对象或表示指定抽象数据类型的程序例程、部分程序、对象、组件、处理和/或决策逻辑、数据结构等。
如上所述，计算机***1400可以以“通用”计算***的形式实施。计算机***1400的组件-不限于此-包括一个或多个处理单元1402(CPU)、存储器***1404和***总线1418，该***总线1418将不同的***组件-包括主存储器1404与处理器1402连接。
计算机***1400还包括各种计算机可读介质。这种介质包括可由计算机***1400访问的所有介质。这包括易失性和非易失性介质，其可以是可移动的或整体安装的。
主存储器1404还可以包括易失性存储器形式的计算机可读介质。例如，这可以是随机存取存储器(RAM)或还是高速缓冲存储器。计算机***1400可以进一步包括可移动和不可移动的存储介质。存储***1412例如能够将数据存储在不可移动存储器芯片上。存储介质可以由一个或多个数据接口连接到***总线1406。如下面进一步详细描述的，存储器1404可以包括至少一个程序产品，其包括多个程序模块(至少一个)，该程序模块被配置或可以配置计算机***，使得本发明的实施例的功能可以被执行。
包括多个程序模块的程序可以存储在例如存储器1404中，操作***、一个或多个应用程序、程序模块和/或程序数据也可以存储在存储器1404中。
计算机***1400可以进一步与多个外部装置通信，诸如键盘1408、指向仪器(“鼠标”)1410、显示器(未示出)等。这些装置可以例如组合在触敏屏幕1412(触摸屏)中以便允许与计算机***1400的交互。计算机***1400还可以包括声学输入/输出装置1416。此外，还可以存在另外的连接以便允许与一个或多个其它数据处理装置(调制解调器、网络连接等)通信。而且，这种通信可以经由输入/输出(I/O)接口进行。此外，计算机***1400可以经由适配器经由一个或多个网络(诸如LAN(局域网)、WAN(广域网)和/或公共(移动)网络(例如互联网)进行通信。如图所示，网络适配器1414可以经由***总线1418与计算机***1400的其它组件通信。此外，应该注意-尽管未示出-还可以结合计算机***1400使用其它硬件和/或软件组件。这些包括例如微代码、装置驱动器、冗余处理单元等。
此外，用于确定谷物茎秆的谷穗的所有谷粒的重量的***1200或用于预测谷田产量的个体或集成***1300可以连接到总线***1418。以该方式，用于确定田地产量(产量预测)的计算机***或***1300可以接收数字图像，执行谷穗的重量的确定，并因此执行田地产量预测并将结果发送回移动装置，采用该移动装置捕获数字图像。在特定实施例中，***1200和/或1300还可以集成到移动计算机***(例如，高性能智能电话)中。
提供本发明的各种实施例的描述是出于说明性目的。这些实施例不旨在限制本发明构思的范围。对于本领域普通技术人员来说，可以进行进一步的修改和变化而不构成与本发明的核心的偏差。
本发明可以实施为***、方法和/或计算机程序产品或其组合。该计算机程序产品可以包括计算机可读存储介质(或简称为“介质”)，该计算机可读存储介质包含计算机可读程序指令，以便使处理器实施本发明的各方面。
该介质可以基于也适用于传输的电子、磁或电磁波、红外光或半导体***。这包括固态存储器、随机存取存储器(RAM)和只读存储器(ROM)。这里描述的计算机可读程序指令可以由潜在的服务提供商经由移动网络连接或固定网络下载到相应的计算机***上。
用于实施本发明的操作的计算机可读程序指令可以包括以一种或多种编程语言的任何所需组合编写的任何类型的机器相关或机器无关指令、微代码、固件、状态设置数据、源代码或目标代码。编程语言可以是C++、Java或类似的现代编程语言或传统的过程编程语言，诸如“C”编程语言或类似的编程语言。计算机可读程序指令可以在计算机***上完全执行。在其它实施例中，电子电路(诸如例如可编程逻辑组件、现场可编程门阵列(PGA)或可编程逻辑阵列(PLA))可以使用计算机可读程序指令中的状态信息来执行指令以个性化电子电路以便执行本发明的各方面。
借助于与本发明的实施例相对应的方法、设备(***)和计算机程序产品的流程图和/或框图，在本文件中提出了本发明的各方面。应当理解，所示的流程图和/或框图中的流程图和/或框图的每个框以及框的组合可以由计算机可读程序指令实施。
可以将这些计算机可读程序指令提供给“通用计算机”或特殊计算机硬件或其它可编程数据处理装置的处理器，以便产生机器，使得由相应处理器执行的指令生成用于实施在相应的流程图和/或框图或其框中所示的功能/动作。这些计算机可读程序指令也可以存储在计算机可读存储介质上，使得它们使计算机或可编程数据处理装置能够借助于相应的处理器执行存储在介质上的指令，使得执行本文件中描述的方法的方面或动作。
Claims (19)
1.一种用于预测谷田的产量的方法，其中，所述方法包括：
-将数码相机定位在谷田的谷穗的平均平面上方的限定距离处，
-采用定位的数码相机捕获所述谷田的谷田部分的数字图像，其中，所述谷穗的所述平均平面和所述数码相机的图像平面彼此平行，
-从所述限定距离和所述数码相机的视角确定所述捕获的谷田部分的面积，
-借助于用于在所述谷穗的图像像素和不属于所述谷穗的其它图像像素之间区分的算法，确定与所述数字图像的总面积比较的所述数字图像中的所述谷穗的总面积，以及
-从与所述数字图像的所述总面积比较的所述数字图像中的所述谷穗的总面积、所确定的所捕获的谷田部分的面积、谷穗的平均谷粒重量、总田地面积和第一校准因子，确定所述田地的产量，
其中，确定与所述数字图像的所述总面积比较的所述数字图像中的所述谷穗的所述总面积进一步包括：
-向所述谷穗的面积应用面积因子，其值从所述数字图像的中心向其边缘减小。
2.根据权利要求1所述的方法，其中，用于在所述谷穗的图像像素和其它图像像素之间区分的算法是局部二值模式算法。
3.根据权利要求1或2所述的方法，其中，用于在所述谷穗的图像像素和其它图像像素之间区分的所述算法是用于纹理图像分析的方法。
4.根据权利要求1或2所述的方法，其中，用于在所述谷穗的图像像素和其它图像像素之间区分的所述算法是亮度差过滤器。
5.根据权利要求1或2所述的方法，其中，所述限定距离由所述数码相机与所述谷田的所述谷穗的平均平面之间的间隔物确定，其中，所述间隔物由柔性元件组成，其一端附接到所述数码相机，并且其另一端包括定位于所述谷田的所述谷穗的所述平均平面中的颜色对比球。
6.根据权利要求5所述的方法，其中，所述柔性元件包括绳。
7.根据权利要求1或2所述的方法，其中，所述限定距离由所述数码相机与所述谷田的所述谷穗的平均平面之间的间隔物确定，其中，所述数码相机以不等于90°的预定角度固定在所述间隔物的一端，其中，所述间隔物的另一端定位于所述谷田的所述谷穗的平均平面上，以及其中，当所述数码相机的所述图像平面水平对准时捕获所述数字图像。
8.根据前述权利要求1、2和6中的一项所述的方法，其中，所述第一校准因子包括关于数字图像上的谷穗的平均大小的信息。
9.根据权利要求8所述的方法，其中，所述第一校准因子具有关于选自由以下各项组成的组中的因子之一的至少一个依赖性：类型、发育阶段、天气、地理位置和施肥状态。
10.根据前述权利要求1、2、6和9中的一项所述的方法，其中，所述方法包括以下步骤：
-使用所述第一校准因子确定所述数字图像上和/或所述谷田部分中的谷穗数量。
11.根据前述权利要求1、2、6和9中的一项所述的方法，其中，借助于用于确定谷物茎秆的谷穗的所有所述谷粒的重量的方法来确定所述平均谷粒重量，包括：
-在所述谷穗的侧视图中提供所述谷穗的数字图像，其中，在捕获所述数字图像时，所述谷穗位于作为背景的参考卡的前面，
-通过将所述谷穗的所述数字图像的图像像素与所述背景分离并借助于所述参考卡上的图像标记在所述谷穗的纵向方向中将所述谷穗的一端的像素坐标与所述谷穗的相对端的所述谷穗的像素坐标进行比较，确定所述谷穗沿所述谷穗的纵向轴线的长度，
-借助于模板匹配方法确定所述谷穗的主轴梯级数量，
-通过将所确定的主轴梯级数量乘以因子来确定所述谷穗的谷粒数量，以及
-通过将所确定的谷粒数量乘以第二校准因子来确定所述谷穗的所有所述谷粒的所述重量。
12.根据权利要求11所述的方法，其中，所述模板匹配方法包括：
-在所述谷穗的纵向方向中在整个谷穗上的包括所述谷穗的选择的平均部分面积的图像模板的逐像素位移，以及所述图像模板和相应的覆盖谷穗部分的相似度因子的相应确定，从而产生x-y表示中的相对最大值，其中，x表示所述图像模板的所述位移的量，并且y表示所述相似度因子，以及
-从所述x-y表示中确定所述主轴的数量。
13.根据权利要求12所述的方法，其中，从所述x-y表示中确定所述主轴的数量包括：
-从相对最大值距彼此的距离确定平均周期长度，
-通过将所述谷穗的长度除以所述周期长度来确定所述主轴的数量，以及
-确定所述相对最大值的数量。
14.根据权利要求1、2、6和9中的一项所述的方法，其中，借助于用于确定谷物茎秆的谷穗的所有所述谷粒的重量的谷粒重量确定方法来确定所述平均谷粒重量，其中，所述谷粒重量确定方法包括：
-在作为背景的参考卡前面在所述谷穗的花朵视图中提供所述谷穗的数字图像，
-借助于颜色直方图处理通过将所述谷穗的所述数字图像的图像像素与所述背景分离，并借助于所述参考卡上的图像标记比较由所述谷穗占据的面积，来确定所述谷穗的所述花朵视图的面积，以及
-通过将确定的所述谷穗面积乘以第二校准因子来确定所述谷穗的所有所述谷粒的所述重量。
15.根据权利要求11所述的方法，其中，所述第二校准因子包括关于选自由类型、发育阶段、天气、地理位置和施肥状态组成的组中的因子之一的至少一个依赖性。
16.根据权利要求14所述的方法，其中，所述第二校准因子包括关于选自由类型、发育阶段、天气、地理位置和施肥状态组成的组中的因子之一的至少一个依赖性。
17.一种用于预测谷田的产量的***，其中，所述***包括：
-数码相机，其定位在谷田的谷穗的平均平面上方的限定距离处，其中，所述数码相机适于捕获所述谷田的谷田部分的数字图像，其中，所述谷穗的所述平均平面和所述数码相机的图像平面彼此平行，
-部分面积确定单元，用于从所述限定距离和所述数码相机的视角确定所捕获的谷田部分的所述面积，
-谷穗面积确定单元，用于借助于用于在所述谷穗的图像像素和不属于所述谷穗的其它图像像素之间区分的算法，确定与所述数字图像的总面积比较的所述数字图像中的所述谷穗的总面积，以及
-产量确定模块，用于从与所述数字图像的所述总面积比较的所述数字图像中的所述谷穗的所述总面积、所确定的所捕获的谷田部分的面积、谷穗的平均谷粒重量、总田地面积和校准因子中，确定所述田地的所述产量,
其中，确定与所述数字图像的所述总面积比较的所述数字图像中的所述谷穗的所述总面积进一步包括：
-向所述谷穗的面积应用面积因子，其值从所述数字图像的中心向其边缘减小。
18.根据权利要求17所述的***，其中，所述***进一步包括：
-发送和接收单元，适于将所捕获的所述谷田部分的数字图像发送到计算机中心，所述计算机中心包括所述部分面积确定单元、所述总面积确定单元以及所述产量确定模块。
19.一种计算机可读存储介质，其中，存储用于确定谷物茎秆的谷穗的所有谷粒的重量的程序元件，所述程序元件当由处理器执行时，使所述处理器执行具有以下步骤的方法：
-用数码相机捕获谷田的谷田部分的数字图像，其中，所述谷穗的平均平面和所述数码相机的图像平面彼此平行，以及其中，所述数码相机定位在谷田的谷穗的平均平面上方的限定距离处，
-从所述限定距离和所述数码相机的视角确定所捕获的谷田部分的面积，
-借助于用于在所述谷穗的图像像素和不属于所述谷穗的其它图像像素之间区分的算法，确定与所述数字图像的总面积比较的所述数字图像中的所述谷穗的总面积，以及
-从与所述数字图像的所述总面积比较的所述数字图像中的所述谷穗的所述总面积、所确定的所捕获的谷田部分的面积、谷穗的平均谷粒重量、总田地面积和校准因子中，确定所述田地的产量,
其中，确定与所述数字图像的所述总面积比较的所述数字图像中的所述谷穗的所述总面积进一步包括：
-向所述谷穗的面积应用面积因子，其值从所述数字图像的中心向其边缘减小。
Applications Claiming Priority (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP16194686.8 | 2016-10-19 | ||
| EP16194686 | 2016-10-19 | ||
| EP16194687 | 2016-10-19 | ||
| EP16194687.6 | 2016-10-19 | ||
| PCT/EP2017/076320 WO2018073163A1 (de) | 2016-10-19 | 2017-10-16 | Ertragsvorhersage für ein kornfeld |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109843034A CN109843034A (zh) | 2019-06-04 |
| CN109843034B true CN109843034B (zh) | 2022-08-23 |
Family
ID=60037630
Family Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780064463.6A Active CN109863530B (zh) | 2016-10-19 | 2017-10-12 | 用于确定谷穗的谷粒重量的方法、***和计算机可读存储介质 |
| CN201780064471.0A Active CN109843034B (zh) | 2016-10-19 | 2017-10-16 | 用于谷田的产量预测 |
Family Applications Before (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201780064463.6A Active CN109863530B (zh) | 2016-10-19 | 2017-10-12 | 用于确定谷穗的谷粒重量的方法、***和计算机可读存储介质 |
Country Status (6)
| Country | Link |
|---|---|
| US (3) | US11010913B2 (zh) |
| EP (2) | EP3529771A1 (zh) |
| CN (2) | CN109863530B (zh) |
| BR (2) | BR112019007937A8 (zh) |
| RU (1) | RU2769288C2 (zh) |
| WO (2) | WO2018073093A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150027041A1 (en) * | 2013-03-07 | 2015-01-29 | Blue River Technology, Inc. | System and method for plant cauterization |
| CN113011220A (zh) * | 2019-12-19 | 2021-06-22 | 广州极飞科技股份有限公司 | 穗数识别方法、装置、存储介质及处理器 |
| US11823408B2 (en) * | 2020-03-13 | 2023-11-21 | Oregon State University | Apparatus and method to quantify maize seed phenotypes |
| CN112101681B (zh) * | 2020-09-25 | 2023-04-28 | 北京师范大学 | 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法 |
| CN113139934B (zh) * | 2021-03-26 | 2024-04-30 | 上海师范大学 | 一种水稻谷粒计数方法 |
| TWI818334B (zh) * | 2021-10-19 | 2023-10-11 | 國立中興大學 | 以手機影像推估穀粒含水量及收穫時期的方法 |
| DE102022110185A1 (de) | 2022-04-27 | 2023-11-02 | Deere & Company | Verfahren und Anordnung zur Messung einer kornspezifischen Größe an einer Erntemaschine |
| DE102022129876A1 (de) | 2022-11-11 | 2024-05-16 | Deere & Company | Verfahren und Anordnung zur Ermittlung einer massen- und/oder größenspezifischen Größe von Körnerfrüchten |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1517376A (en) * | 1974-10-18 | 1978-07-12 | Procter & Gamble | Fabric treating articles with conditioning properties |
| JPH049605A (ja) * | 1990-04-26 | 1992-01-14 | Nippon Reliance Kk | シート測長システム |
| CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
| CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
| CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
| CN205607838U (zh) * | 2016-05-06 | 2016-09-28 | 北京农业信息技术研究中心 | 一种小麦穗数测量装置 |
Family Cites Families (33)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8031910B2 (en) * | 2003-09-17 | 2011-10-04 | Syngenta Participations Ag | Method and apparatus for analyzing quality traits of grain or seed |
| RU2308679C2 (ru) * | 2005-09-08 | 2007-10-20 | ИПБОЮЛ Ващенко Юрий Ефимович | Способ картографирования земель |
| WO2007068056A1 (en) * | 2005-12-14 | 2007-06-21 | Grains Research And Development Corporation | Stain assessment for cereal grains |
| US9195891B2 (en) * | 2006-11-07 | 2015-11-24 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to n-deficiency |
| US8208680B2 (en) * | 2006-11-07 | 2012-06-26 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to N-deficiency |
| US9508007B2 (en) * | 2006-11-07 | 2016-11-29 | The Curators Of The University Of Missouri | Method of predicting crop yield loss due to N-deficiency |
| JP2011167163A (ja) * | 2010-02-22 | 2011-09-01 | Pasuko:Kk | 水稲収量予測モデル生成方法、及び水稲収量予測方法 |
| JP5673833B2 (ja) * | 2011-08-30 | 2015-02-18 | 富士通株式会社 | 撮影装置、作業支援プログラム、および情報提供プログラム |
| WO2013030965A1 (ja) | 2011-08-30 | 2013-03-07 | 富士通株式会社 | 撮影装置、撮影支援プログラム、情報提供方法、および情報提供プログラム |
| US9335313B2 (en) * | 2011-12-30 | 2016-05-10 | Pioneer Hi Bred International Inc. | Immature ear photometry in maize |
| CN103632157B (zh) * | 2012-08-24 | 2018-01-05 | 南京农业大学 | 单株小麦穗部籽粒数计数方法 |
| US10234439B2 (en) * | 2012-11-07 | 2019-03-19 | Airscout Inc. | Methods and systems for analyzing a field |
| JP5950166B2 (ja) | 2013-03-25 | 2016-07-13 | ソニー株式会社 | 情報処理システム、および情報処理システムの情報処理方法、撮像装置および撮像方法、並びにプログラム |
| CN103190224B (zh) * | 2013-03-26 | 2015-02-18 | 中国农业大学 | 基于计算机视觉技术的玉米果穗考种方法、***和装置 |
| KR20140125229A (ko) * | 2013-04-18 | 2014-10-28 | 한국전자통신연구원 | 과수의 생산량 예측 시스템 및 그것의 구동 방법 |
| FR3013874A1 (fr) * | 2013-11-26 | 2015-05-29 | Invivo Agrosolutions | Procede de traitement de donnees agronomiques pour l'estimation du rendement d'une culture de la famille des poacees |
| CN103810522B (zh) * | 2014-01-08 | 2017-02-08 | 中国农业大学 | 一种玉米果穗籽粒计数方法和装置 |
| WO2015160837A2 (en) * | 2014-04-15 | 2015-10-22 | Raven Industries, Inc. | Reaping based yield monitoring system and method for the same |
| CN104021369A (zh) * | 2014-04-30 | 2014-09-03 | 南京农业大学 | 基于数字图像处理技术的单株水稻穗部籽粒数计数方法 |
| US9903979B2 (en) * | 2014-09-23 | 2018-02-27 | Deere & Company | Yield estimation |
| US10126282B2 (en) * | 2014-09-23 | 2018-11-13 | Deere & Company | Yield estimation |
| US10186029B2 (en) * | 2014-09-26 | 2019-01-22 | Wisconsin Alumni Research Foundation | Object characterization |
| US9734400B2 (en) * | 2015-01-30 | 2017-08-15 | AgriSight, Inc. | System and method for field variance determination |
| WO2016123525A1 (en) * | 2015-01-30 | 2016-08-04 | Raytheon Company | Apparatus and methods for classifying and counting corn kernels |
| US10028426B2 (en) * | 2015-04-17 | 2018-07-24 | 360 Yield Center, Llc | Agronomic systems, methods and apparatuses |
| CA2990438A1 (en) * | 2015-06-30 | 2017-01-05 | The Climate Corporation | Systems and methods for image capture and analysis of agricultural fields |
| US10019791B2 (en) * | 2015-07-24 | 2018-07-10 | Raytheon Company | Apparatus and methods for estimating corn yields |
| CN105427275B (zh) * | 2015-10-29 | 2017-11-24 | 中国农业大学 | 大田环境麦穗计数方法及装置 |
| CN105574853B (zh) * | 2015-12-07 | 2018-05-15 | 中国科学院合肥物质科学研究院 | 一种基于图像识别的麦穗粒数计算的方法及*** |
| WO2018049289A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods |
| WO2018049288A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for learning farmable zones, and related methods and apparatus |
| WO2018049290A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for determining agronomic outputs for a farmable region, and related methods and apparatus |
| US10909367B2 (en) * | 2017-03-02 | 2021-02-02 | Basecamp Networks, LLC | Automated diagnosis and treatment of crop infestations |
-
2017
- 2017-10-12 US US16/342,341 patent/US11010913B2/en active Active
- 2017-10-12 EP EP17780770.8A patent/EP3529771A1/de not_active Withdrawn
- 2017-10-12 BR BR112019007937A patent/BR112019007937A8/pt not_active Application Discontinuation
- 2017-10-12 CN CN201780064463.6A patent/CN109863530B/zh active Active
- 2017-10-12 WO PCT/EP2017/076035 patent/WO2018073093A1/de unknown
- 2017-10-16 EP EP17790724.3A patent/EP3528609A1/de not_active Withdrawn
- 2017-10-16 BR BR112019007962A patent/BR112019007962A2/pt not_active Application Discontinuation
- 2017-10-16 CN CN201780064471.0A patent/CN109843034B/zh active Active
- 2017-10-16 US US16/342,363 patent/US10984548B2/en active Active
- 2017-10-16 RU RU2019114132A patent/RU2769288C2/ru active
- 2017-10-16 WO PCT/EP2017/076320 patent/WO2018073163A1/de unknown
-
2021
- 2021-04-19 US US17/234,589 patent/US20210241482A1/en not_active Abandoned
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB1517376A (en) * | 1974-10-18 | 1978-07-12 | Procter & Gamble | Fabric treating articles with conditioning properties |
| JPH049605A (ja) * | 1990-04-26 | 1992-01-14 | Nippon Reliance Kk | シート測長システム |
| CN101944231A (zh) * | 2010-08-19 | 2011-01-12 | 北京农业智能装备技术研究中心 | 小麦穗部形态参数提取方法 |
| CN102612892A (zh) * | 2012-03-02 | 2012-08-01 | 北京农业信息技术研究中心 | 小麦麦穗发芽情况识别方法 |
| CN103793686A (zh) * | 2014-01-16 | 2014-05-14 | 中国农业大学 | 一种果树产量早期预测的方法 |
| CN205607838U (zh) * | 2016-05-06 | 2016-09-28 | 北京农业信息技术研究中心 | 一种小麦穗数测量装置 |
Non-Patent Citations (8)
| Title |
|---|
| Dominique GUÉRIN等.Feasibility study of a wheatears counting vision system.《PROCEEDINGS OF THE COMPLEX SYSTEMS, INTELLIGENCE AND MODERN TECHNOLOGY APPLICATIONS》.2004, * |
| FOURIER FILTERING FOR WHEAT DETECTION IN A CONTEXT OF YIELD PREDICTION;JOURNAUX L.等;《XVIIth World Congress of the International Commission of Agricultural and Biosystems Engineering》;20100617;全文 * |
| IMPROVEMENTS OF IMAGE PROCESSING FOR WHEAT EAR COUNTING;Frédéric Cointault等;《INTERNATIONAL CONFERENCE ON AGRICULTURAL ENGINEERING & INDUSTRY EXHIBITION》;20080625;全文 * |
| In‐field Triticum aestivum ear counting using colour‐texture image analysis;F. Cointault等;《New Zealand Journal of Crop and Horticultural Science》;20080601;全文 * |
| Texture analysis with statistical methods for wheat ear extraction;M. Bakhouche等;《PROCEEDINGS OPTICAL DIAGNOSTICS OF LIVING CELLS II》;20070523;全文 * |
| Texture, Color and Frequential Proxy-Detection;Journaux Ludovic 等;《Agricultural Science》;20120427;全文 * |
| 图像分析法评价Lyocell织物的起球性能;杨旭红等;《印染》;20011220(第12期);第50-53页 * |
| 基于分形理论及图像纹理分析的水稻产量预测方法研究;龚红菊;《农业科技辑》;20120615;第1-4，18-34页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109863530B (zh) | 2022-11-15 |
| BR112019007937A2 (pt) | 2019-07-02 |
| US11010913B2 (en) | 2021-05-18 |
| US20190286904A1 (en) | 2019-09-19 |
| EP3528609A1 (de) | 2019-08-28 |
| RU2019114132A3 (zh) | 2021-01-27 |
| CN109843034A (zh) | 2019-06-04 |
| BR112019007937A8 (pt) | 2023-04-25 |
| WO2018073163A1 (de) | 2018-04-26 |
| US20190236800A1 (en) | 2019-08-01 |
| RU2769288C2 (ru) | 2022-03-30 |
| BR112019007962A2 (pt) | 2019-07-02 |
| US20210241482A1 (en) | 2021-08-05 |
| WO2018073093A1 (de) | 2018-04-26 |
| RU2019114132A (ru) | 2020-11-20 |
| CN109863530A (zh) | 2019-06-07 |
| EP3529771A1 (de) | 2019-08-28 |
| US10984548B2 (en) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109843034B (zh) | 用于谷田的产量预测 | |
| Fernandez-Gallego et al. | Wheat ear counting in-field conditions: high throughput and low-cost approach using RGB images | |
| CN111406261B (zh) | 一种从大视野图像中检测被感染对象的计算机实现的方法 | |
| GB2553631B (en) | Data Processing of images of a crop | |
| Reis et al. | Automatic detection of bunches of grapes in natural environment from color images | |
| Paulus et al. | Surface feature based classification of plant organs from 3D laserscanned point clouds for plant phenotyping | |
| US20140168412A1 (en) | Methods and systems for automated micro farming | |
| WO2020000043A1 (en) | Plant growth feature monitoring | |
| CN114612896B (zh) | 基于遥感图像的水稻产量预测方法、装置以及设备 | |
| US20230157231A1 (en) | Methods for artificial pollination and apparatus for doing the same | |
| Olenskyj et al. | End-to-end deep learning for directly estimating grape yield from ground-based imagery | |
| García-Manso et al. | Towards selective and automatic harvesting of broccoli for agri-food industry | |
| Liu et al. | PocketMaize: an android-smartphone application for maize plant phenotyping | |
| Guo et al. | Panicle Ratio Network: streamlining rice panicle measurement by deep learning with ultra-high-definition aerial images in the field | |
| Guan et al. | A corn canopy organs detection method based on improved DBi-YOLOv8 network | |
| Patel et al. | Deep Learning-Based Plant Organ Segmentation and Phenotyping of Sorghum Plants Using LiDAR Point Cloud | |
| US20200065631A1 (en) | Produce Assessment System | |
| Miranda et al. | Assessing automatic data processing algorithms for RGB-D cameras to predict fruit size and weight in apples | |
| Baesso et al. | Deep learning-based model for classification of bean nitrogen status using digital canopy imaging | |
| Saeed et al. | 3D Annotation and deep learning for cotton plant part segmentation and architectural trait extraction | |
| US11948354B2 (en) | Automated spectral selection for feature identification from remote sensed images | |
| Illesinghe et al. | Effective Identification of Nitrogen Fertilizer Demand for Paddy Cultivation Using UAVs | |
| CN118154927A (zh) | 基于时序遥感图像数据的水华区域预测方法以及装置 | |
| Tian et al. | Assessing the impact of soil and field conditions on cotton crop emergence using UAV-based imagery | |
| Yu et al. | Time-Series Field Phenotyping of Soybean Growth Analysis by Combining Multimodal Deep Learning and Dynamic Modeling |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |