CN110187653A - 一种基于LoRa分层传输的农作物病虫害监测***及操作方法 - Google Patents
一种基于LoRa分层传输的农作物病虫害监测***及操作方法 Download PDFInfo
- Publication number
- CN110187653A CN110187653A CN201910277868.9A CN201910277868A CN110187653A CN 110187653 A CN110187653 A CN 110187653A CN 201910277868 A CN201910277868 A CN 201910277868A CN 110187653 A CN110187653 A CN 110187653A
- Authority
- CN
- China
- Prior art keywords
- layer
- image
- pests
- diseases
- lora
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25187—Transmission of signals, medium, ultrasonic, radio
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于LoRa分层传输的农作物病虫害监测***及操作方法,结合农作物病虫害监测中的实际情况,分析影响病虫害监测的处理方法和传输方法,具体操作方法:农作物发生土生病虫害时需要采集土壤温湿度,进行对比分析;需要通过摄像头采集农田中的植物叶片图像进行对比分析;鉴于LoRa通信的特点,采集到的图像并不能直接进行传输,从而需要对图像进行分层处理,减小图像的大小,加快图像传输;传输至监测中心后的图像是原图像的分层图像,观察和进一步处理极不方便,从而需要进行图层融合,得到农作物病虫害图片的清晰图像;农田病虫害识别中,数据不需要传输过于频繁,需要低功耗、低成本。
Description
技术领域
本发明属于农业病虫害监测领域,具体涉及一种基于LoRa(Long Range,远距离的局域网无线网络)分层传输的农作物病虫害监测***及方法。
背景技术
农田农作物病虫害监测工作是实现农业信息化,进而实现农业智慧化的重要一步,整个工作过程设计众多的步骤和方法。这些年来农作物病虫害好像越来越严重,各种病症交叉不断。一方面是农药在种类和用量上的胡滥使用,农作物害虫逐渐产生抗药性;另一方面农产品价格一路下跌,农民急于增加收入,化肥的使用量年年增长,导致土壤成分发生变化,适合土生农作物害虫的生长。农作物病虫害越来越难治理,单纯认为是农药化肥的使用量导致是不准确的,需要通过农作物病虫害的叶片图像和各种土壤、空气数据进行综合分析,其中远距离传输农田农作物病虫害图像至监测中心是一个重要问题,需要经过深入的科学研究。
农田农作物病虫害监测传统的方法一般有植保人员田间调查、田间取样等,但这些方法对农作物本身有破坏性,且耗时费力,存在以点代面的代表性差、主观性强、时效性差等弊端,难以满足大范围病虫害实时监测要求,无法全面推广应用。近几年来,农田农作物病虫害监测数据传输技术已经开展了带有现代科技技术的方法,比如压缩传输法、分层多阈值法、光谱响应法的应用概况。虽然各种方法技术都有其自身应用条件和优越性,但碰到数据量较大的图像和数据一起远距离传输时,这些方法就会很难实现。有时在实践中若以这些方法作为数据传输的标准,可能难以取得预期的效果,因此,实践中一般需要采用一种既能传输数据量较大的图像又能远距离传输的方法。
随着科学技术的发展,图像的各种传输技术都取得了长足的进步和发展,图像传输的准确度与速度不断提高。但各种无损传输方法都有其自身的应用前提和局限性,在实际应用中,目前大多数方法都只是将环境理想化,方法本身并没有创新,所以在农田农作物病虫害监测中传统的方法有时很难取得较好的效果。因此,在农田智慧化农作物病虫害监测的应用中,科技人员应根据现场介质物理性质与信号传输特征特征,选择合理的数据和图像传输方法。
目前,农田农作物病虫害监测中尚无针对LoRa手段的专项图像和数据综合传输设计方案。在农田监测工程施工中,一般安装了以摄像头和数据传输模块为基础的农作物监测设备,可对采集到的农田信息、拍摄到的农作物图片以及对空气温湿度、农作物病菌孢子、病虫害数量和病虫害信息移位进行监测。然而,现有的图像和数据传输一般通过数据线、近距离无线或者与运营商合作,受地域限制极大,不能灵活地实现不同农田的监测;另外,监测图像和数据获取后,也仅仅进行了图像和数据的直接传输工作,没有进行更有效地处理和分析。
LoRa是一种基于扩频技术的超远距离无线传输手段,属于LPWAN通信技术中的一种,主要在全球免费频段运行,包括433MHz、868MHz、915MHz等,具有远距离、低功耗、多节点、低成本等特性。根据实际情况与传输特性,本发明使用的是ZM470SX-M模块,这是一种针对470MHz频段远距离通信的无线模块。在农业病虫害监测中使用LoRa将大大减小地域限制,提高信息传输精度,进而加快农业智慧化进程。
传输农作物病虫害图像和数据的方法包括WIFI传输、ZigBee传输、USB传输等多种传输方法,不同类型的图像传输方法应用的场景和有效距离往往不同,其外在表现的感知技术也不相同,因此首先要研究农作物病虫害应用的场景和有效距离。为了更加准确及时地对远离监测中心的农田进行农作物病虫害监测,需要穿透力较强和性能稳定的无线技术。此次采用的LoRa传输方法根据实际情况与传播稳定性,每次传输量为256字节,在对图像进行简单处理后,分层次、精确的传输图像信息至监测中心,结合一同传输过来的土壤熵值和空气数据,从而监测中心能够即使知道农田农作物的病虫害受灾情况,并根据相应规则积极进行响应,进行初步处理和病虫害防治。因此,远距离无线传输图像和数据是农田农作物病虫害监测的重要环节之一。
发明内容
本发明结合了农作物病虫害监测中的实际情况,分析了影响病虫害监测的处理方法和传输方法,针对图像和数据的处理与传输特点,提出了基于LoRa分层传输图像和数据的监测***及方法:1,农作物发生土生病虫害会导致病虫害发生处与周围介质之间存在明显温度和湿度差异,从而需要采集土壤温湿度,进行对比分析;2,农作物发生病虫害时的叶片特征和没发生病虫害时的叶片特征是不一样的,从而需要通过摄像头采集农田中的植物叶片图像,进行对比分析;3,鉴于LoRa通信的特点,采集到的图像并不能直接进行传输,从而需要对图像进行分层处理,减小图像的大小,加快图像传输;4,传输至监测中心后的图像是原图像的分层图像,观察和进一步处理极不方便,从而需要进行图层融合,得到农作物病虫害图片的清晰图像。5,农田病虫害识别中,需要低功耗、低成本,数据不需要传输过于频繁,从而在每完成一轮数据传输后,***会进行休眠,到了6小时后再进行工作。
综上所述,一种基于LoRa分层传输的农作物病虫害监测***及方法,包括基于物联网技术的OV7725摄像头子节点采集单元和LoRa传输子节点传输单元、土壤熵值传感器子节点采集单元、stm32节点处理单元等硬件平台,将采集的图像经过LoRa方式传输至监测中心;在监测中心进行像素级图像融合处理、得到清晰度较高的采集端照片。
作为优选,所述的LoRa分层传输方法是通过图像处理,图像分层和图像融合等处理的方法。
一种可应用于农作物病虫害识别监测的LoRa分层传输方法,包括如下步骤:
第一步,使用LoRa方法传输农田土壤温湿度和空气温湿度至控制中心;
第二步,进行农田农作物病虫害叶片图片的图层化处理;
第三步,进行农田农作物病虫害叶片图片的图层分割;
第四步,使用LoRa传输方法依次传输各农田农作物病虫害叶片图像图层;
第五步,图层融合,对第四步得到的多尺度图层进行频域叠加融合,结合第一步的农田土壤温湿度与空气温湿度数据,人工判断出农田农作物病虫害发生的位置和严重程度。
作为优选,所述分层传输图像的图层化方法过程如下所示:
获取当前图层的下一图层k-1图层Ak-1和一个5*5二维可分离滤波器计算公式为:
Ak-1(2i+m,2j+n)为当前图层的下一图层k-1图层向下取样,为一个5*5二维可分离滤波器,Ak为当前图层k的向下取样图层。将图层Ak计算出后,可进行各个图层的逐步显示。本发明图像分了6层,即各图层为A1,A2,A3,A4,A5,A6。
作为优选,所述分层传输图像的图层分割方法过程如下所示:
获取当前图层k的图层Ak和一个5*5二维可分离滤波器计算公式为:
为当前图层k的图层频域扩张,Ak为当前图层k的图层,Bk为上一图层k+1的剩余图层。将剩余图层Bk计算出后,可进行各个图层的逐步显示。本发明图像分了6层,即各图层为B1, B2,B3,B4,B5,B6。
作为优选,所述分层传输图像的融合的过程如下所示:
获取当前图层的上一图层k+1图层Ak+1和上一图层k+1的剩余图层Bk,计算公式为:
Bk为上一图层k+1的剩余图层,
为当前图层k的图层频域扩张,Ak为当前图层的上一图层k+1图层和当前图层的上一图层k+1的剩余图层的融合图像。本发明采用的图像分层层数为6层,故当k为6时,图层 A6等于图层B6。
有益效果:
本发明克服现有远距离无线传输农田农作物图像和数据受地域限制大,不易进行农作物病虫害判断的问题。可是实现远距离进行农田农作物病虫害识别,减小人力物力投入。
附图说明
图1为本发明的基于LoRa分层传输的农作物病虫害监测***及方法流程图;
图2为本发明的图像分层传输处理示意图。
图3为本发明的LoRa子模块原理示意图;
具体实施方式
以下结合具体实施例对本发明作进一步的详细说明:
图1为本发明的基于LoRa分层传输的农作物病虫害监测***及方法流程图。***首先进行初始化,采集农田土壤温湿度和农作物图像;然后依次进行农作物图像处理、农田土壤温湿度的数据传输、农作物图像图层第一层传输、农作物图像图层第二层传输、农作物图像图层第三层传输、农作物图像图层第四层传输、农作物图像图层第五层传输、农作物图像图层第六层传输、农作物图像各图层融合;最后经以上步骤分别得到农田温湿度信息和农田农作物图像信息,在检测中心进行判断后,记录农作物病虫害信息,然后***进入休眠,休眠满六小时以后***再次依照前面步骤进行工作。
图2为数据分层传输处理示意图。1为农田土壤温湿度数据;2为图像图层第一层;3为图像图层第二层;4为图像图层第三层;5为图像图层第四层;6为图像图层第五层;7为图像图层第六层。数据传输顺序为先传输农田土壤温湿度信息,然后依次传输图像图层第一层、图像图层第二层、图像图层第三层、图像图层第四层、图像图层第五层、图像图层第六层;在图像图层传输中,图层频段依次升高,每一层图层在二维平面上面积是上一图层的四倍。
图3为LoRa子模块原理示意图。U1为ZM470SX-M芯片;U2为STM32F1032ET6芯片;U3为W24Q128 芯片;A为天线模块;C1为220pF电容;C2为10pF电容;C3、C4、C5、C6均为10KpF电容;R1为0 欧电阻。ZM470SX-M芯片(U1)和STM32F1032ET6芯片(U2)相连,也和W24Q128芯片(U3)相连。ZM470SX-M 芯片(U1)的ANT接口通过一个220pF的电容(C1)与天线模块(A)相连,然后通过一个10pF的电容 (C2)接地。ZM470SX-M芯片(U1)的VCC接口通过一个0欧的电阻(R1)与3.3V的VCC电源接通。 ZM470SX-M芯片(U1)的VCC接口还通过四个并联的10KpF电容(C3、C4、C5、C6)接地。整个电路完成LoRa模块对数据的发送,同时也接受另一个LORA模块发送的数据,并传输给STM32主芯片进行数据处理。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于LoRa分层传输的农作物病虫害监测***,其特征在于,所述监测***包括基于物联网技术的OV7725摄像头子节点采集单元和LoRa传输子节点传输单元、土壤温湿度传感器和空气温湿度传感器子节点采集单元、stm32节点处理单元等硬件平台,将采集的图像经过LoRa方式传输至监测中心;在监测中心进行像素级图像融合处理、得到清晰度较高的采集端照片。
2.一种基于LoRa分层传输的农作物病虫害监测***的操作方法,其特征在于,包括如下步骤:
第一步,使用LoRa方法传输农田土壤温湿度和空气温湿度至控制中心;
第二步,进行农田农作物病虫害叶片图片的图层化处理;
第三步,进行农田农作物病虫害叶片图片的图层分割;
第四步,使用LoRa传输方法依次传输各农田农作物病虫害叶片图像图层;
第五步,图层融合,对第四步得到的多尺度图层进行频域叠加融合,结合第一步的农田土壤温湿度与空气温湿度数据,人工判断出农田农作物病虫害发生的位置和严重程度。
3.根据权利要求2所述的一种基于LoRa分层传输的农作物病虫害监测***的操作方法,其特征在于,所述的LoRa分层方法传输是通过图像处理,图像分层和图像融合的方法传输。
4.根据权利要求2所述的一种基于LoRa分层传输的农作物病虫害监测***的操作方法,其特征在于,所述的农田农作物病虫害叶片图片的图层化处理,包括如下步骤:
获取当前图层的下一图层k-1图层Ak-1和一个5*5二维可分离滤波器计算公式为:
Ak-1(2i+m,2j+n)为当前图层的下一图层k-1图层向下取样,为一个5*5二维可分离滤波器,Ak为当前图层k的向下取样图层,将图层Ak计算出后,可进行各个图层的逐步显示。
5.根据权利要求2所述的一种基于LoRa分层传输的农作物病虫害监测***的操作方法,其特征在于,所述的农田农作物病虫害叶片图片的图层分割,包括如下步骤:
获取当前图层k的图层Ak和一个5*5二维可分离滤波器计算公式为:
为当前图层k的图层频域扩张,Ak为当前图层k的图层,Bk为上一图层k+1的剩余图层,将剩余图层Bk计算出后,可进行各个图层的逐步显示。
6.根据权利要求2所述的一种基于LoRa分层传输的农作物病虫害监测***的操作方法,其特征在于,所述的分层传输图像的融合,包括如下步骤:
获取当前图层的上一图层k+1图层Ak+1和上一图层k+1的剩余图层Bk,计算公式为:
Bk为上一图层k+1的剩余图层,为当前图层k的图层频域扩张,Ak为当前图层的上一图层k+1图层和当前图层的上一图层k+1的剩余图层的融合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277868.9A CN110187653B (zh) | 2019-04-08 | 2019-04-08 | 一种基于LoRa分层传输的农作物病虫害监测***及操作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910277868.9A CN110187653B (zh) | 2019-04-08 | 2019-04-08 | 一种基于LoRa分层传输的农作物病虫害监测***及操作方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110187653A true CN110187653A (zh) | 2019-08-30 |
CN110187653B CN110187653B (zh) | 2023-04-21 |
Family
ID=67713794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910277868.9A Active CN110187653B (zh) | 2019-04-08 | 2019-04-08 | 一种基于LoRa分层传输的农作物病虫害监测***及操作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110187653B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648069A (zh) * | 2019-09-26 | 2020-01-03 | 张信信 | 一种基于运输车的蔬菜质量分析*** |
CN111107530A (zh) * | 2019-12-06 | 2020-05-05 | 深圳大学 | 基于LoRa技术的农业病虫防害*** |
CN113760016A (zh) * | 2021-09-03 | 2021-12-07 | 霍山县安绿园农业发展有限公司 | 一种蔬菜水果大棚用环境管控*** |
CN114509116A (zh) * | 2022-03-01 | 2022-05-17 | 金陵科技学院 | 一种基于STM32和NB-IoT的低功耗农业监测*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1175167A (zh) * | 1996-07-17 | 1998-03-04 | 索尼株式会社 | 利用与像素块分类信息对应的映射系数的图像编码和解码 |
CN102006477A (zh) * | 2010-11-25 | 2011-04-06 | 中兴通讯股份有限公司 | 图像传输方法及*** |
CN106250899A (zh) * | 2016-07-29 | 2016-12-21 | 华东交通大学 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
CN109413514A (zh) * | 2018-10-12 | 2019-03-01 | 广州物道水务科技有限公司 | 一种数据传输方法、装置及电子设备 |
CN109470299A (zh) * | 2018-10-19 | 2019-03-15 | 江苏大学 | 一种基于物联网的作物生长信息监测***和方法 |
-
2019
- 2019-04-08 CN CN201910277868.9A patent/CN110187653B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1175167A (zh) * | 1996-07-17 | 1998-03-04 | 索尼株式会社 | 利用与像素块分类信息对应的映射系数的图像编码和解码 |
CN102006477A (zh) * | 2010-11-25 | 2011-04-06 | 中兴通讯股份有限公司 | 图像传输方法及*** |
CN106250899A (zh) * | 2016-07-29 | 2016-12-21 | 华东交通大学 | 一种基于分布式压缩感知wsn的柑桔病虫害监测预警方法 |
CN109413514A (zh) * | 2018-10-12 | 2019-03-01 | 广州物道水务科技有限公司 | 一种数据传输方法、装置及电子设备 |
CN109470299A (zh) * | 2018-10-19 | 2019-03-15 | 江苏大学 | 一种基于物联网的作物生长信息监测***和方法 |
Non-Patent Citations (2)
Title |
---|
杨扬: "基于多尺度分析的图像融合算法研究", 《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》 * |
赵小川: "《MATLAB图像处理——能力提高与应用案例(第2版)》", 31 January 2019 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648069A (zh) * | 2019-09-26 | 2020-01-03 | 张信信 | 一种基于运输车的蔬菜质量分析*** |
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*** |
CN111107530A (zh) * | 2019-12-06 | 2020-05-05 | 深圳大学 | 基于LoRa技术的农业病虫防害*** |
CN113760016A (zh) * | 2021-09-03 | 2021-12-07 | 霍山县安绿园农业发展有限公司 | 一种蔬菜水果大棚用环境管控*** |
CN114509116A (zh) * | 2022-03-01 | 2022-05-17 | 金陵科技学院 | 一种基于STM32和NB-IoT的低功耗农业监测*** |
Also Published As
Publication number | Publication date |
---|---|
CN110187653B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110187653A (zh) | 一种基于LoRa分层传输的农作物病虫害监测***及操作方法 | |
Reza et al. | Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images | |
Shukla et al. | Detecting crop health using machine learning techniques in smart agriculture system | |
CN109470299A (zh) | 一种基于物联网的作物生长信息监测***和方法 | |
Zheng et al. | Development of a smart mobile farming service system | |
CN103886409A (zh) | 农业种植辅助决策*** | |
CN104764533A (zh) | 基于无人机图像采集和红外热像仪的智能农业*** | |
WO2015164393A1 (en) | Generating an agriculture prescription | |
CN104730005A (zh) | 地空一体化农业监测***及方法 | |
CN103761674A (zh) | 基于遥感与海量气候信息的农作物生长期告警与干预方法 | |
CN103760872A (zh) | 精细化农业农作物生长告警与干预装置 | |
CN210570820U (zh) | 一种农业检测预警*** | |
Yashaswini et al. | Smart automated irrigation system with disease prediction | |
CN109832246A (zh) | 一种基于北斗导航的植保无人机数据综合采集*** | |
CN104777763A (zh) | 用于农业种植的智能*** | |
CN113609899A (zh) | 基于遥感时序分析的退耕地信息定位显示*** | |
CN102510397A (zh) | 一种农情信息采集装置和*** | |
CN104702648A (zh) | 无线传感网络农业监测*** | |
CN214151461U (zh) | 一种基于物联网的玉米大田监测*** | |
CN204514798U (zh) | 地空一体化农业监测*** | |
CN107340268B (zh) | 一种基于遥感时序数据的旱地作物识别方法 | |
CN113342036A (zh) | 一种农作物的精准管控***及其管控方法 | |
Singh et al. | A wavelet-based approach for monitoring plantation crops (tea: Camellia sinensis) in North East India | |
CN210199539U (zh) | 一种基于农业物联网的监控*** | |
Xiong | Crop growth remote sensing monitoring and its application |
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 |