CN110598532B - 一种树木病虫害监控***及方法 - Google Patents

一种树木病虫害监控***及方法 Download PDF

Info

Publication number
CN110598532B
CN110598532B CN201910698772.XA CN201910698772A CN110598532B CN 110598532 B CN110598532 B CN 110598532B CN 201910698772 A CN201910698772 A CN 201910698772A CN 110598532 B CN110598532 B CN 110598532B
Authority
CN
China
Prior art keywords
tree
disease
trees
leaf
garden
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
Application number
CN201910698772.XA
Other languages
English (en)
Other versions
CN110598532A (zh
Inventor
王春才
吕东方
李英韬
王庆涛
张津
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CHANGCHUN WHY-E SCIENCE AND TECHNOLOGY CO LTD
Original Assignee
CHANGCHUN WHY-E SCIENCE AND TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CHANGCHUN WHY-E SCIENCE AND TECHNOLOGY CO LTD filed Critical CHANGCHUN WHY-E SCIENCE AND TECHNOLOGY CO LTD
Priority to CN201910698772.XA priority Critical patent/CN110598532B/zh
Publication of CN110598532A publication Critical patent/CN110598532A/zh
Application granted granted Critical
Publication of CN110598532B publication Critical patent/CN110598532B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Catching Or Destruction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种树木病虫害监控***及方法，属于植物病虫害治理领域。该树木病虫害监控***包括树木标签、巡航车辆、高倍高清录像模块、视频传输模块、数据中心模块、软件***、园林管理智能手机。该树木病虫害监控方法包括：树木档案建立；树木常规树叶图片样本采集；患病树叶病症图片采集；树叶病症图片学习；树木图像采集；树叶病症识别；树木详细图像采集；相邻树木图像采集；患病区域分析；树木治理方案设置；树木治理结果检查。本发明通过正常巡查的模式发现树木病症的种类，进行病症的详细检查，并制定治理方案，降低巡查成本，减少工作难度和工作量，提高检测精度，提高树木病症发现几率，做到早发现早治疗，从而降低树木病害的影响。

Description

一种树木病虫害监控***及方法
技术领域
本发明属于植物病虫害治理技术领域，具体涉及一种树木病虫害监控***及方法。
背景技术
园林绿化景观在城市面貌等方面起到重要作用，绿地能够体现城市发展的水平，对改善城市生态环境起到重要作用，同时在景观、减灾等方面发挥着重大效力。因此，园林管理已经成为现代城市管理理念中的核心内容，是推进生态文明建设的重要组成部分。
由于光电和图像处理技术的迅速发展，传感器实时检测技术在农业现代化研究应用中得到了一定的提升，传感器设备也逐渐向高精度、高扫描速度、高抗扰度、低成本、低存储、易安装携带等方向发展。通过安装于农业车载装置上的实时传感器，扫描所需要检测的农作物表面，获取农作物的颜色信息以及其物理数据包括宽度、高度以及距离等信息，并将数据传送至车载装置的控制单元以进行下一步控制策略选择。实时传感器空间物体检测技术的发展使得农业现代化建设更易推进，同时在检测后期的数据存储、物体检测、图像识别和修复等技术方面也获得了很大的发展，这些技术的发展不仅推动了农业现代化和机械化研究过程中的精密变量喷雾技术、病虫害防治技术以及数字化种植技术的发展，同时也通过降低农业成本来推动现代化技术在农业上的实施应用，更加全面获取和记录作物的生长状况，利于后期作物数据的大批量分析、建库管理和作物生长生产规律的研究，带动农业现代化的发展。
特征检测又称特征提取，对一幅数字图像，由于物体本身的物理性质和几何特性的表现不同，在图像中就会产生局部区域灰度变化很明显的地方，该处就可以表示为图像的特征。特征的存在意味着在该局部区域包含图像的大部分信息量，而缺少特征的区域则图像的信息量较少。作为研究图像匹配，特征检测主要通过各种算子来实现。因为图像的特征依据其表现形式可分为点、线与面三种，则可以将图像特征的提取方法分为点特征、线特征以及面特征检测算法。特征的提取能够依据这些代表图像的特征再进行相关的匹配，大大的节省了后续匹配算法的计算量，所以对图像进行特征检测的研究是图像匹配过程中十分重要的环节。
目前树木病虫害检测主要通过管理人员在巡视过程中的肉眼识别。采用人工识别方法对病变部位进行识别，其存在以下缺点：
(1)对管理人员的病变识别的技术要求较高，管理人员需要掌握各种病症，专业性强。
(2)由于城市树木比较高大，管理人员需要接近树木患处才能看清病症，不仅费时、费力，而且难以普遍查看。
目前还可以应用光电检测技术检测树木的形状、位置，自动控制浇水、撒药设备进行工作。但是这种检测方法由于检测精度以及检测方法的限制，难以自动分辨树木的病症。
发明内容
为了解决现有树木病虫害检测方法存在的上述诸多问题，本发明提供一种树木病虫害监控***及方法。
本发明为解决技术问题所采用的技术方案如下：
本发明的一种树木病虫害监控***，包括：
树木标签；
园林管理智能手机；
巡航车辆；
固定在巡航车辆上的高倍高清录像模块，拍摄树木标签、树木的树叶视频图像并将其传输给视频传输模块；
视频传输模块，包括北斗/GPS定位模块、数据存储模块和无线数据传输模块，接收视频图像数据，一方面将其存储到数据存储模块，另一方面将北斗/GPS定位模块的定位数据加载到该视频图像数据对应的属性文件中，并将处理后的视频图像数据及属性文件通过无线数据传输模块传输给数据中心模块的专线上；
数据中心模块，包括视频服务器、园林管理服务器、图像分析服务器、存储阵列、光纤交换机、核心交换机、控制计算机、防火墙、专线，无线数据传输模块与专线通过网络相连，园林管理智能手机与专线通过网络相连，专线与防火墙通过网线连接，视频服务器、园林管理服务器、图像分析服务器、防火墙和控制计算机分别通过网线与核心交换机相连，视频服务器、园林管理服务器、图像分析服务器、存储阵列分别通过光纤连与光纤交换机相连；
软件***，包括控制软件、图像分析模块、园林树木管理模块、园林树木管理APP模块、微信公众平台，控制软件安装到视频服务器上，图像分析模块安装到图像分析服务器上，园林树木管理模块安装到园林管理服务器上，园林树木管理APP模块安装到园林管理智能手机上，微信公众平台为公众提供查询树木信息的平台，公众关注微信公众号，扫描树木上的二维码查询该树木的基本信息；
由视频传输模块传输的视频图像数据通过专线、网线、防火墙、核心交换机传递到视频服务器上，并通过视频服务器的控制软件将其存储到存储阵列中；
由视频传输模块传输的视频图像数据对应的属性文件通过专线、网线、防火墙、核心交换机传递到园林管理服务器上，并通过园林树木管理模块存储到存储阵列中；图像分析模块提取存储的视频图像数据，分析树木的树叶视频图像的病症，统计病症患病几率；通过园林树木管理模块进行树木管理，提取树木的标签、位置信息，结合病症种类、程度，给出治疗的预案，提醒管理人员执行预案，在管理人员制定具体的执行措施后，执行该项工作；控制计算机作为园林管理人员的图像分析模块和园林树木管理模块的操作平台。
本发明的一种树木病虫害监控方法，包括以下步骤：
步骤一、树木档案建立；
步骤二、树木常规树叶图片样本采集；
每年6月至9月，园林管理人员在园林管理智能手机上打开园林树木管理APP，点击样本正常树叶拍照功能，选择对应的树种，选中树木叶片的正面进行拍照，园林树木管理APP上会给出本月该树叶已拍照数量和应再拍照数量，拍照完成后，该照片信息通过无线网络传递给数据中心模块，每月每个树种选取2000张以上照片；
步骤三、患病树叶病症图片采集；
园林管理人员在园林管理智能手机上打开园林树木管理APP，点击样本患病树叶拍照功能，选择对应的树种，选择对应的病症，针对患病叶片的正面进行拍照，拍照完成后，该照片信息通过无线网络传递给数据中心模块，保存后的界面会给出本月已拍照该树种的病症树叶数量及目前判断的识别概率；
步骤四、树叶病症图片学习；
步骤五、树木图像采集；
园林管理人员驾驶巡航车辆沿预定巡航轨迹对树木进行巡查，高倍高清录像模块对树木的树叶进行拍摄，视频图像通过视频线传递到视频传输模块，并通过无线的方式传递到数据中心模块；
步骤六、树叶病症识别；
步骤七、树木详细图像采集；
步骤八、相邻树木图像采集；
步骤九、患病区域分析；
步骤十、树木治理方案设置；
步骤十一、树木治理结果检查。
进一步的，步骤一包括以下步骤：
S101：树木基础信息采集
在园林管理智能手机上，打开园林树木管理APP，点击新增树木功能，点击树木拍照功能，将园林管理智能手机的摄像头对准树木进行正面拍照，并通过园林树木管理APP自动提取树木的GPS坐标；
S102：树木信息维护
按照以下树木基本信息项，在园林树木管理APP上维护树木基础信息；
乔木类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、胸径、树高、冠幅、冠高、枝下高、冠高/树高，冠高/冠幅、分枝角、树形、分支方式、有无领导干、主干形态、叶尺寸；
灌木类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、株高、树形、分枝强度、枝叶形态特征、叶尺寸；
地被类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、树高、枝形、叶尺寸；
藤木类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、植株形态、攀援能力、叶尺寸；
竹类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、株高、径的生长类型、株型；
花相特征：整体形态、有无树叶、着生状态、尺寸、花感、花期；
果形态：形状、尺寸、观赏特征、果实成熟期；
S103：地位位置确认
在园林树木管理APP上，打开树木位置地图维护，查看各树木的GPS位置，根据道路、周围建筑物的特点，园林管理人员移动树木位置到实际地图位置；或选择多颗树木，使用成行、成列功能，将树木摆放整齐，点击保存后，将移动后的树木GPS坐标更新到树木基础信息中；
S104：制作树木标识牌
树木标牌上印刷信息有：品种、中文别名、拉丁文学名、科名、生态分类、树木唯一二维码、树木标识码信息；
标识牌采用铝材制作，采用多股钢丝卡扣挂到树木正面显眼处，悬挂一般距离地面1.5至2.2米；
S105：数据更新规则
要求每季度对所管辖的树木图片及树木基础信息更新一次。
进一步的，步骤四中，采用人工智能技术中的SIFT算法，通过常规树叶和患病树叶特征对比学习，给出病症的特征图像知识库，具体包括以下步骤：
S401：树叶图片裁剪
针对每种树木，从标准树叶和患病树叶图像中裁剪出树叶的轮廓，分别存到标准、粉状物、粉状物、粉状物、粉状物、霉状物、霉状物、霉状物、霉状物、霉状物、点状物、颗粒状、脓状物路径中；
S402：建立树叶的尺空间
从标准路径中，选取第一张图片，采用二维图像的尺度空间公式(1)计算出树叶的尺度空间：
Figure BDA0002150183430000061
式中，(x，y)为标识空间点在图像上的像素点，无单位；σ为尺度可变因子，其值大小影响着相应尺度空间的大小，同时σ的大小也反应图像的平滑程度；
S403；建立树叶差分空间
计算该树叶的差分空间，如公式(2)所示。
Figure BDA0002150183430000062
式中，k为图像在建立高斯尺度空间时尺度核变化的倍数；
S404：建立树叶的高斯差分(DOG)尺度空间
计算该树叶的差分高斯尺度空间，如公式(3)所示；
DOG＝G(x，y，kσ)-G(x，y，σ) (3)
S405：计算该树叶的高斯卷积核，如公式(4)所示；
L(x，y，σ)＝G(x，y，kσ)×I(x，y) (4)
式中，I(x，y)为标识空间点在图像上的像素点(x，y)处的像素值，无单位；
S406：图像的极值点选取
图像的特征点是由高斯差分尺度空间中的局部极值点组成的，要找到DOG函数的极值点，则需要排除构建的每一组N-1层高斯差分尺度空间中的第一层和最后一层图像，将剩余每层图像中的每个像素点的值都与其邻域内的40点的值进行判断，若该点值大于这40个点的值，则是极值点，同时记录特征点所在的尺度；否则判定不是极值点；
S407：尺度空间特征点去燥
将DOG函数在图像的尺度空间上进行泰勒公式展开，得到公式(5)：
Figure BDA0002150183430000071
式中，X＝(x，y，σ)；t为泰勒多项式展开指数；
对DOG(X)求导并使方程得值为0，则获得图像的特征点偏移量A：
Figure BDA0002150183430000072
若在任意一维中偏移量A都超过0.5，则说明插值的中心点与该极值点的距离较远，因此这样的极值点并不认为是特征点，需剔除，极值点的方程的值表示为：
Figure BDA0002150183430000073
若DOG(A)的绝对值大于0.03，则该特征点保留，否则丢弃。
S408：特征点的曲率值
选取2*2相邻点的DOG值，计算其主曲率H：
Figure BDA0002150183430000074
式中，DOGxx为图像中某点在x方向上获得的二阶偏导数；DOGyy为图像中某点在y方向上获得的二阶偏导数；DOGxy为图像先在x方向求偏导数后再在y方向上求偏导数；
S409：其他特征点提取
在标准路径中，选取第二张图片，重复步骤S402至S408步骤，得出第二张图片的特征点；
S410：计算图片的特征几率
计算从步骤S402至步骤S409得到的每个特征点出现的概率；
S411：粉状物特征查找
在粉状物选取图片，重复步骤S402至步骤S410，计算出粉状物的每个特征点出现的几率，偏移量几率、曲率出现几率；
重找粉状物特征点与标准特征点进行对比，将出现几率大于50％的重复粉状物的特征点去掉；
将上述形成的特征点信息形成粉状物图片知识库；
S412：其他病症特征查找
重复步骤S411，将其他病症特征形成知识库。
进一步的，步骤六包括以下步骤：
S601：图像分析服务器收到视频图像后，重复步骤S402至步骤410，在图片上查找特征点；
S602：将这些特征点与病症知识库进行对比，查找其相似概率；若其概率大于预设值，即确定该区域可能为该病症区域，并用黑色框图进行标识；
如果在同一幅图像上发现5个以上的区域发现同种病症，发出病症报警，该信号标识在视频图像上，通过无线网络连同定位文件一并发送到园林树木管理APP上，园林树木管理APP发出“发现**病症”的报警语音提示，提醒园林管理人员现场详细踏查。
进一步的，步骤七包括以下步骤：
S701：园林管理人员在园林树木管理APP上查看该预警图频与实际场景图频进行对比，查找出对应的树木；
S702：园林管理人员使用园林树木管理APP，打开病症确认功能，首先进行二维码识别，然后围绕该树木进行四个角度拍摄四张照片，确认后，将这四张照片通过无线网络传回至数据中心模块；
S703：数据中心的图像分析服务器收到四个角度照片后，采用树叶病种识别方法，对这四个照片的病症进行全幅画面识别，用红色框图标识出患病树叶，并统计已识别的可能患病树叶个数，添加到图片的标注中，通过无线网络传回到园林树木管理APP中。
进一步的，步骤八包括以下步骤：
S801：园林管理人员使用园林树木管理APP，打开相邻树木病症确认功能，以该树木为核心，向周围的树木星型扩展，进行拍照确认：首先进行二维码识别，然后围绕该树木拍摄四张照片，确认后，将这四张照片通过无线网络传回至数据中心模块；
S802：数据中心模块的图像分析服务器收到四个角度照片后，采用树叶病种识别方法，对这四张照片的病症进行全幅画面识别，用红色框图标识出患病树叶，并统计已识别的可能患病树叶个数，添加到图片的标注中，通过无线网络传回到园林树木管理APP中。
进一步的，步骤九包括以下步骤：
S901：园林管理人员再以最初发现患病树木为原点，确定一个方向，重复步骤八进行相邻树木图像采集，直至该方向上两颗及以上树木没有发现该病症，确认为该方向病症患病区域边界点；
S902：在以最初发现患病树木为方向点，向其他方向查找，并找出边界点；
S903：所有的方向找到边界点后，园林管理人员在园林树木管理APP确认患病区域确定完成；
S904：园林树木管理模块把该患病区域在地图上用黑色曲线标识，并根据不同树木发现的患病树叶数量用背景色进行标识，如表1所示。
表1
级别 颜色 每棵树查出患病树叶个数n
0级 白色 0
1级 浅黄 n≤10
2级 黄 10＜n≤100
3级 红黄 100＜n≤1000
4级 红 1000＜n
进一步的，步骤十包括以下步骤：
S1001：根据不同树木、不同病症、患病级别及范围，预设不同的治疗方案；
S1002：根据步骤九判定的病症、发生范围、程度，对应相应的治疗方案；
S1003：进行治疗方案报送审批；
S1004：根据审批的报送方案执行相关流程。
进一步的，步骤十一包括以下步骤：
园林管理人员每天按照步骤七至步骤九的操作流程，重点检查患病区域树木病症情况，检查患病范围是缩减还是扩大，患病程度是严重还是改善，如果范围扩大了，增加治疗范围；如果病症严重了，调整治疗方案。
本发明的有益效果是：本发明结合AI人工智能技术和统计学原理，对采集的视频图像进行自动识别，分析出树木常见病症及发生的的比率，对发现问题的树木及邻域树木给予重点检测，以此判断树木的是否有病症，发病种类以及患病程度。与现有技术相比本发明具有以下优点：
(1)通过巡航车辆或无人机搭载高倍高清录像模块采集树木图像，解决人工巡视树木无法快速贴近观察的问题。
(2)采用AI技术进行病症识别，相关识别算法及模型内置在***中，巡视人员查看判断的结果，解决巡视人员需要专业的植物养护知识问题。
(3)采用人工智能技术、统计分析技术，可以自动对树木病症进行识别，并给出是否患病、患病程度的结论，解决了自动辨别树木病症的问题。
(4)本发明可以通过正常巡查的模式发现树木病症的种类，进行病症的详细检查，并制定治理方案，降低巡查成本，减少工作难度和工作量，提高检测精度，提高树木病症发现几率，做到早发现早治疗，从而降低树木病害的影响。
附图说明
图1为本发明的一种树木病虫害监控***的结构框图。
图2为高倍高清录像模块的结构框图。
图3为视频传输模块的结构框图。
图4为数据中心模块的结构框图。
图5为软件***的结构框图。
图6为本发明的一种树木病虫害监控方法流程图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
如图1所示，本发明的一种树木病虫害监控***主要包括：树木标签、巡航车辆、高倍高清录像模块、视频传输模块、数据中心模块、软件***、园林管理智能手机。
其中，巡航车辆也可以用无人机替代，实现树木病症巡查的目的。
如图2所示，高倍高清录像模块主要由录像机、云台、支架组成。录像机固定在云台上，云台通过支架固定到巡航车辆顶部。云台和支架对录像机起到支撑固定作用。巡航车辆行走，通过录像机的高清录像模式可以拍摄树木标签、树木的树叶视频图像，并通过视频线传输给视频传输模块。
如图3所示，视频传输模块主要由北斗/GPS定位模块、数据存储模块和无线数据传输模块组成。视频传输模块接收到高倍高清录像模块的视频图像数据后，一方面将其存储到数据存储模块，另一方面将北斗/GPS定位模块的定位数据加载到该视频图像数据对应的属性文件中，并将处理后的视频图像数据及属性文件通过无线数据传输模块传输给数据中心模块的专线上。
如图4所示，数据中心模块主要由视频服务器(海康威视DS-VR2208C-BBC)、园林管理服务器(联想X3750)、图像分析服务器(联想X3750)、存储阵列(海康威视DS-AT1000S)、光纤交换机、核心交换机(H3CS7506)、控制计算机(联想)、防火墙(网域星云)、专线组成。视频传输模块中的无线数据传输模块与专线通过网络相连。园林管理智能手机与专线通过网络相连。专线与防火墙通过网线连接。视频服务器、园林管理服务器、图像分析服务器、防火墙和控制计算机分别通过网线与核心交换机相连。视频服务器、园林管理服务器、图像分析服务器、存储阵列分别通过光纤连与光纤交换机相连。
如图5所示，软件***主要由控制软件、图像分析模块、园林树木管理模块、园林树木管理APP模块、微信公众平台组成。控制软件安装到视频服务器上。图像分析模块安装到图像分析服务器上。园林树木管理模块安装到园林管理服务器上。园林树木管理APP模块安装到园林管理人员的园林管理智能手机上。微信公众平台为公众提供查询树木信息的平台，公众关注微信公众号，扫描树木上的二维码，就可以查询该树木的基本信息。
由视频传输模块传输的视频图像数据通过数据中心模块的专线、网线、防火墙、核心交换机传递到视频服务器上，并通过视频服务器的控制软件将其存储到存储阵列中。由视频传输模块传输的视频图像数据对应的属性文件通过数据中心模块的专线、网线、防火墙、核心交换机传递到园林管理服务器上，并通过园林树木管理模块存储到存储阵列中。图像分析服务器中的图像分析模块提取存储的视频图像数据，分析树木的树叶视频图像的病症，统计病症患病几率。园林树木管理模块主要进行树木管理，提取树木的标签、位置信息，结合病症种类、程度，给出治疗的预案，提醒管理人员执行预案。在管理人员制定具体的执行措施后，执行该项工作。控制计算机作为园林管理人员的图像分析模块和园林树木管理模块的操作平台使用。园林管理智能手机用于承载园林树木管理APP模块，作为实现园林树木管理APP模块功能的硬件工具；园林树木管理APP模块通过内置程序，实现位置定位、树木图像采集，与数据中心模块进行数据交换，展示病虫害信息和数据中心模块各项指令。
本发明的一种树木病虫害监控方法主要是采用上述的树木病虫害监控***实现的，如图6所示，其具体步骤如下：
步骤一、树木档案建立
根据管辖的树木，每一颗树木对应建立一个档案。具体操作步骤如下：
S101：树木基础信息采集
在园林管理人员的园林管理智能手机上，打开园林树木管理APP，点击新增树木功能，点击树木拍照功能，将园林管理智能手机的摄像头对准树木进行正面拍照，并通过园林树木管理APP自动提取树木的GPS坐标。
S102：树木信息维护
按照如下树木基本信息项，根据不同的树木类型维护树木的基本信息。在园林树木管理APP上，继续维护树木基础信息。树木基本信息项如下：
乔木类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型(常绿乔木、落叶乔木)、胸径(cm)、树高(m)、冠幅(m)、冠高(m)、枝下高(m)、冠高/树高，冠高/冠幅、分枝角、树形(棕榈型、圆柱形、尖塔型、圆锥形、长卵型、广卵型、圆球形、扁球形、伞形、钟形、倒钟形、风致形)、分支方式(不分枝、总状分枝、合轴分枝)、有无领导干(有、无)、主干形态(笔直、近直、微曲、扭曲)、叶尺寸(极大、大、中等、小、极小)等信息。
灌木类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型(常绿灌木、半常绿灌木、落叶灌木)、株高(cm)、树形(半球形、拱球形、圆球形、丛生形、圆锥形、扁球形、卵球形、拱垂形)、分枝强度(极强、强、中等、弱、极弱)、枝叶形态特征(小枝叶状直立、枝近直立、枝条拱形下垂、枝条拱形下垂、不分枝、大叶平展、枝密集、茎秆直立、侧枝平展，直角分枝、枝条向上、小枝拱垂、小枝纤细、下垂、枝条粗)、叶尺寸(大、中等、小、极小)等信息。
地被类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型(常绿灌木、落叶灌木)、树高、枝形(枝粗、枝多、枝细、细长、细短、直立、曲折、匍匐)(密集、细密、致密、枝多、整齐、稀疏)、叶尺寸(大、中等、小、极小)等信息。
藤木类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型(常绿藤木、半常绿藤木、落叶藤木)、植株形态(攀援形、缠绕性、匍匐形)、攀援能力(极强、强、一般、弱、极弱)、叶尺寸(大、中等、小、极小)等信息。
竹类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型(常绿)、株高、径的生长类型(散生竹、丛生竹)、株型(乔木状、灌木状)等信息。
花相特征：整体形态(密满花相、覆被花相、团簇花相、星散花相、线条花相、独生花相、干生花相)、有无树叶(衬式花相、纯式花相)、着生状态(顶生、顶/腋生、腋生)、尺寸(大、中等、小、极小)、花感(较强、强、一般、弱、较弱)、花期等信息。
果形态：形状(球形、扁球形、卵型、翅状、串珠形、豆荚形、灯笼形)、尺寸(极大、大、中等、小、极小)、观赏特征(巨、奇、丰)、果实成熟期等信息。
S103：地位位置确认
园林管理人员在园林树木管理APP上，打开树木位置地图维护。查看各树木的GPS位置，根据道路、周围建筑物的特点，园林管理人员移动树木位置到实际地图位置；亦可以选择多颗树木，使用成行、成列功能，将树木摆放整齐。点击保存后，将移动后的树木GPS坐标更新到树木基础信息中。
S104：制作树木标识牌
树木标牌上印刷信息有以下几点：品种、中文别名、拉丁文学名、科名、生态分类、树木唯一二维码、树木标识码信息。
标识牌采用铝材制作，采用多股钢丝卡扣挂到树木正面显眼处，悬挂一般距离地面1.5至2.2米为宜。
S105：数据更新规则
要求每季度对所管辖的树木图片及树木基础信息更新一次。一般要求在3月、6月、9月、12月完成更新工作。
步骤二、树木常规树叶图片样本采集
每年的在6月至9月，要求园林管理人员在园林管理智能手机上，打开园林树木管理APP，点击样本正常树叶拍照功能，选择对应的树种，选中树木叶片的正面进行拍照，园林树木管理APP上会给出本月该树叶已拍照数量和应拍照数量，拍照完成后，该照片信息通过无线网络传递给数据中心模块。原则上要求每月每个树种选取2000张以上照片。
步骤三、患病树叶病症图片采集
园林管理人员应有意识的采集患病树叶，并归集到数据中心模块，具体操作步骤如下：
园林管理人员在园林管理智能手机上，打开园林树木管理APP，点击样本患病树叶拍照功能，选择对应的树种，选择对应的病症，针对患病叶片的正面进行拍照，拍照完成后，该照片信息通过无线网络传递给数据中心模块。保存后的界面会给出本月已拍照该树种的病症树叶数量以及目前判断的识别概率。
要求园林管理人员尽可能多的查找类似病症树叶的照片，以此提高识别概率。
步骤四、树叶病症图片学习
采用人工智能技术中的SIFT算法，通过常规树叶和患病树叶特征对比学习，给出病症的特征图像知识库。具体操作步骤如下：
S401：树叶图片裁剪
针对每种树木，从标准树叶和患病树叶图像中裁剪出树叶的轮廓，分别存到标准、粉状物(秀粉)、粉状物(白粉)、粉状物(黑粉)、粉状物(白秀)、霉状物(霜霉)、霉状物(灰霉)、霉状物(绿霉)、霉状物(黑霉)、霉状物(赤霉)、点状物、颗粒状、脓状物路径中。
S402：建立树叶的尺空间
从标准路径中，选取第一张图片，采用二维图像的尺度空间公式(1)计算出树叶的尺度空间，其公式(1)如下：
Figure BDA0002150183430000151
式中，(x，y)为标识空间点在图像上的像素点，无单位；σ为尺度可变因子，其值大小影响着相应尺度空间的大小，同时σ的大小也反应图像的平滑程度。
S403；建立树叶差分空间
计算该树叶的差分空间，如公式(2)所示。
Figure BDA0002150183430000152
式中，k为图像在建立高斯尺度空间时尺度核变化的倍数。
S404：建立树叶的高斯差分(DOG)尺度空间
计算该树叶的差分高斯尺度空间，如公式(3)所示。
DOG＝G(x，y，kσ)-G(x，y，σ) (3)
S405：计算该树叶的高斯卷积核，如公式(4)所示。
L(x，y，σ)＝G(x，y，kσ)×I(x，y) (4)
式中，I(x，y)为标识空间点在图像上的像素点(x，y)处的像素值，无单位。
S406：图像的极值点选取
图像的特征点是由高斯差分尺度空间中的局部极值点组成的，如果要找到DOG函数的极值点，就需要排除构建的每一组N-1层高斯差分尺度空间中的第一层和最后一层图像，将剩余每层图像中的每个像素点的值都与其邻域内的40点的值进行判断，若该点值大于这40个点的值，则是极值点，同时记录特征点所在的尺度；否则判定不是极值点。
S407：尺度空间特征点去燥
将DOG函数在图像的尺度空间上进行泰勒公式展开，可得：
Figure BDA0002150183430000161
式中，X＝(x，y，σ)；t为泰勒多项式展开指数；
对DOG(X)求导并使方程得值为0，则获得图像的特征点偏移量A。表示为：
Figure BDA0002150183430000162
若在任意一维中偏移量A都超过0.5，这就说明插值的中心点与该极值点的距离较远，因此这样的极值点并不认为是特征点，需要剔除。极值点的方程的值可以表示为：
Figure BDA0002150183430000163
若DOG(A)的绝对值大于0.03，则该特征点就保留下来，否则丢弃。
S408：特征点的曲率值
选取2*2相邻点的DOG值，获得其主曲率H，其计算公式为：
Figure BDA0002150183430000164
式中，DOGxx表示为图像中某点在x方向上获得的二阶偏导数；DOGyy表示为图像中某点在y方向上获得的二阶偏导数；DOGxy表示为图像先在x方向求偏导数后再在y方向上求偏导数。
S409：其他特征点提取
在标准路径中，选取第二张图片，重复步骤S402至S408步骤，得出第二张图片的特征点。
S410：计算图片的特征几率
计算从步骤S402至步骤S409得到的每个特征点出现的概率。
S411：粉状物(秀粉)特征查找
在粉状物(秀粉)选取图片，重复步骤S402至步骤S410，计算出粉状物(秀粉)的每个特征点出现的几率，偏移量几率、曲率出现几率等。
重找粉状物(秀粉)特征点与标准特征点进行对比，将出现几率大于50％的重复粉状物(秀粉)的特征点去掉。
将上述形成的特征点信息形成粉状物(秀粉)图片知识库。
S412：其他病症特征查找
重复步骤S411，将其他病症特征形成知识库。
步骤五、树木图像采集
园林管理人员驾驶巡航车辆沿预定巡航轨迹对树木进行巡查。巡航车辆上的高倍高清录像模块对树木的树叶进行拍摄。镜头放大到能够清晰看清树叶细节的程度。视频图像通过视频线传递到视频传输模块，并通过无线的方式传递到数据中心模块。
步骤六、树叶病症识别
S601：图像分析服务器收到视频图像后，重复步骤S402至步骤410，在图片上查找特征点。
S602：将这些特征点与病症知识库进行对比，查找其相似概率。若其概率大于预设值，即确定该区域可能为该病症区域，并用黑色框图进行标识。
如果在同一幅图像上发现5个以上的区域发现同种病症，发出病症报警。该信号标识在视频图像上，通过无线网络连同定位文件一并发送到园林树木管理APP上。园林树木管理APP发出“发现**病症”的报警语音提示，提醒园林管理人员现场详细踏查。
步骤七、树木详细图像采集
S701：园林管理人员在园林树木管理APP上查看该预警图频与实际场景图频进行对比，查找出对应的树木。
S702：园林管理人员使用园林树木管理APP，打开病症确认功能，首先进行二维码识别，然后围绕该树木进行四个角度拍摄四张照片。确认后，将这四张照片通过无线网络传回至数据中心模块。
S703：数据中心的图像分析服务器收到四个角度照片后，采用树叶病种识别方法，对这四个照片的病症进行全幅画面识别，用红色框图标识出患病树叶，并统计已识别的可能患病树叶个数，添加到图片的标注中。通过无线网络传回到园林树木管理APP中。
步骤八、相邻树木图像采集
S801：园林管理人员使用园林树木管理APP，打开相邻树木病症确认功能，以该树木为核心，向周围的树木星型扩展，进行拍照确认。具体操作步骤如下：首先进行二维码识别，然后围绕该树木拍摄四张照片，确认后，将这四张照片通过无线网络传回至数据中心模块。
S802：数据中心模块的图像分析服务器收到四个角度照片后，采用树叶病种识别方法，对这四张照片的病症进行全幅画面识别，用红色框图标识出患病树叶，并统计已识别的可能患病树叶个数，添加到图片的标注中。通过无线网络传回到园林树木管理APP中。
步骤九、患病区域分析
S901：园林管理人员再以最初发现患病树木为原点，确定一个方向，重复步骤八进行相邻树木图像采集，直至该方向上两颗及以上树木没有发现该病症。确认为该方向病症患病区域边界点。
S902：在以最初发现患病树木为方向点，向其他方向查找，并找出边界点。
S903：所有的方向找到边界点后，园林管理人员在园林树木管理APP确认患病区域确定完成。
S904：园林树木管理模块把该患病区域在地图上用黑色曲线标识，并根据不同树木发现的患病树叶数量用背景色进行标识。标识表如表1所示。
表1
Figure BDA0002150183430000181
Figure BDA0002150183430000191
步骤十、树木治理方案设置
S1001：根据不同树木、不同病症、患病级别及范围，预设不同的治疗方案。
S1002：根据步骤九判定的病症、发生范围、程度等情况，对应相应的治疗方案。
S1003：进行治疗方案报送审批。
S1004：根据审批的报送方案执行相关流程。
步骤十一、树木治理结果检查
园林管理人员每天按照步骤七至步骤九的操作流程，重点检查患病区域树木病症情况，检查患病范围是缩减还是扩大，患病程度是严重还是改善。如果范围扩大了，增加治疗范围，如果病症严重了，需要调整治疗方案。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种树木病虫害监控方法，其特征在于，包括以下步骤：
步骤一、树木档案建立；
步骤二、树木常规树叶图片样本采集；
每年6月至9月，园林管理人员在园林管理智能手机上打开园林树木管理APP，点击样本正常树叶拍照功能，选择对应的树种，选中树木叶片的正面进行拍照，园林树木管理APP上会给出本月该树叶已拍照数量和应再拍照数量，拍照完成后，该照片信息通过无线网络传递给数据中心模块，每月每个树种选取2000张以上照片；
步骤三、患病树叶病症图片采集；
园林管理人员在园林管理智能手机上打开园林树木管理APP，点击样本患病树叶拍照功能，选择对应的树种，选择对应的病症，针对患病叶片的正面进行拍照，拍照完成后，该照片信息通过无线网络传递给数据中心模块，保存后的界面会给出本月已拍照该树种的病症树叶数量及目前判断的识别概率；
步骤四、树叶病症图片学习；
采用人工智能技术中的SIFT算法，通过常规树叶和患病树叶特征对比学习，给出病症的特征图像知识库，具体包括以下步骤：
S401：树叶图片裁剪
针对每种树木，从标准树叶和患病树叶图像中裁剪出树叶的轮廓，分别存到标准、粉状物、霉状物、点状物、颗粒状、脓状物路径中；
S402：建立树叶的尺空间
从标准路径中，选取第一张图片，采用二维图像的尺度空间公式(1)计算出树叶的尺度空间：
Figure FDA0003752193130000011
式中，(x，y)为标识空间点在图像上的像素点，无单位；σ为尺度可变因子，其值大小影响着相应尺度空间的大小，同时σ的大小也反应图像的平滑程度；
S403；建立树叶差分空间
计算该树叶的差分空间，如公式(2)所示；
Figure FDA0003752193130000021
式中，k为图像在建立高斯尺度空间时尺度核变化的倍数；
S404：建立树叶的高斯差分尺度空间
计算该树叶的差分高斯尺度空间，如公式(3)所示；
DOG＝G(x，y，kσ)-G(x，y，σ) (3)
S405：计算该树叶的高斯卷积核，如公式(4)所示；
L(x，y，σ)＝G(x，y，kσ)×I(x，y) (4)
式中，I(x，y)为标识空间点在图像上的像素点(x，y)处的像素值，无单位；
S406：图像的极值点选取
图像的特征点是由高斯差分尺度空间中的局部极值点组成的，要找到DOG函数的极值点，则需要排除构建的每一组N-1层高斯差分尺度空间中的第一层和最后一层图像，将剩余每层图像中的每个像素点的值都与其邻域内的40点的值进行判断，若该点值大于这40个点的值，则是极值点，同时记录特征点所在的尺度；否则判定不是极值点；
S407：尺度空间特征点去燥
将DOG函数在图像的尺度空间上进行泰勒公式展开，得到公式(5)：
Figure FDA0003752193130000022
式中，X＝(x，y，σ)；t为泰勒多项式展开指数；
对DOG(X)求导并使方程得值为0，则获得图像的特征点偏移量A：
Figure FDA0003752193130000023
若在任意一维中偏移量A都超过0.5，则说明插值的中心点与该极值点的距离较远，因此这样的极值点并不认为是特征点，需剔除，极值点的方程的值表示为：
Figure FDA0003752193130000031
若DOG(A)的绝对值大于0.03，则该特征点保留，否则丢弃；
S408：特征点的曲率值
选取2*2相邻点的DOG值，计算其主曲率H：
Figure FDA0003752193130000032
式中，DOGxx为图像中某点在x方向上获得的二阶偏导数；DOGyy为图像中某点在y方向上获得的二阶偏导数；DOGxy为图像先在x方向求偏导数后再在y方向上求偏导数；
S409：其他特征点提取
在标准路径中，选取第二张图片，重复步骤S402至S408步骤，得出第二张图片的特征点；
S410：计算图片的特征几率
计算从步骤S402至步骤S409得到的每个特征点出现的概率；
S411：粉状物特征查找
在粉状物选取图片，重复步骤S402至步骤S410，计算出粉状物的每个特征点出现的几率，偏移量几率、曲率出现几率；
重找粉状物特征点与标准特征点进行对比，将出现几率大于50％的重复粉状物的特征点去掉；
将上述形成的特征点信息形成粉状物图片知识库；
S412：其他病症特征查找
重复步骤S411，将其他病症特征形成知识库；
步骤五、树木图像采集；
园林管理人员驾驶巡航车辆沿预定巡航轨迹对树木进行巡查，高倍高清录像模块对树木的树叶进行拍摄，视频图像通过视频线传递到视频传输模块，并通过无线的方式传递到数据中心模块；
步骤六、树叶病症识别；
S601：图像分析服务器收到视频图像后，重复步骤S402至步骤410，在图片上查找特征点；
S602：将这些特征点与病症知识库进行对比，查找其相似概率；若其概率大于预设值，即确定该区域可能为病症区域，并用黑色框图进行标识；
如果在同一幅图像上发现5个以上的区域发现同种病症，发出病症报警，信号标识在视频图像上，通过无线网络连同定位文件一并发送到园林树木管理APP上，园林树木管理APP发出“发现**病症”的报警语音提示，提醒园林管理人员现场详细踏查；
步骤七、树木详细图像采集；
S701：园林管理人员在园林树木管理APP上查看预警图频与实际场景图频进行对比，查找出对应的树木；
S702：园林管理人员使用园林树木管理APP，打开病症确认功能，首先进行二维码识别，然后围绕该树木进行四个角度拍摄四张照片，确认后，将这四张照片通过无线网络传回至数据中心模块；
S703：数据中心的图像分析服务器收到四个角度照片后，采用树叶病种识别方法，对这四个照片的病症进行全幅画面识别，用红色框图标识出患病树叶，并统计已识别的可能患病树叶个数，添加到图片的标注中，通过无线网络传回到园林树木管理APP中；
步骤八、相邻树木图像采集；
S801：园林管理人员使用园林树木管理APP，打开相邻树木病症确认功能，以该树木为核心，向周围的树木星型扩展，进行拍照确认：首先进行二维码识别，然后围绕该树木拍摄四张照片，确认后，将这四张照片通过无线网络传回至数据中心模块；
S802：数据中心模块的图像分析服务器收到四个角度照片后，采用树叶病种识别方法，对这四张照片的病症进行全幅画面识别，用红色框图标识出患病树叶，并统计已识别的可能患病树叶个数，添加到图片的标注中，通过无线网络传回到园林树木管理APP中；
步骤九、患病区域分析；
S901：园林管理人员再以最初发现患病树木为原点，确定一个方向，重复步骤八进行相邻树木图像采集，直至该方向上两颗及以上树木没有发现该病症，确认为该方向病症患病区域边界点；
S902：在以最初发现患病树木为方向点，向其他方向查找，并找出边界点；
S903：所有的方向找到边界点后，园林管理人员在园林树木管理APP确认患病区域确定完成；
步骤十、树木治理方案设置；
步骤十一、树木治理结果检查。
2.根据权利要求1所述的一种树木病虫害监控方法，其特征在于，步骤一包括以下步骤：
S101：树木基础信息采集
在园林管理智能手机上，打开园林树木管理APP，点击新增树木功能，点击树木拍照功能，将园林管理智能手机的摄像头对准树木进行正面拍照，并通过园林树木管理APP自动提取树木的GPS坐标；
S102：树木信息维护
按照以下树木基本信息项，在园林树木管理APP上维护树木基础信息；
乔木类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、胸径、树高、冠幅、冠高、枝下高、冠高/树高，冠高/冠幅、分枝角、树形、分支方式、有无领导干、主干形态、叶尺寸；
灌木类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、株高、树形、分枝强度、枝叶形态特征、叶尺寸；
地被类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、树高、枝形、叶尺寸；
藤木类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、植株形态、攀援能力、叶尺寸；
竹类：品名、中文别名、拉丁文学名、科名、GPS位置、生活型、株高、径的生长类型、株型；
花相特征：整体形态、有无树叶、着生状态、尺寸、花感、花期；
果形态：形状、尺寸、观赏特征、果实成熟期；
S103：地理位置确认
在园林树木管理APP上，打开树木位置地图维护，查看各树木的GPS位置，根据道路、周围建筑物的特点，园林管理人员移动树木位置到实际地图位置；或选择多颗树木，使用成行、成列功能，将树木摆放整齐，点击保存后，将移动后的树木GPS坐标更新到树木基础信息中；
S104：制作树木标识牌
树木标牌上印刷信息有：品种、中文别名、拉丁文学名、科名、生态分类、树木唯一二维码、树木标识码信息；
标识牌采用铝材制作，采用多股钢丝卡扣挂到树木正面显眼处，悬挂距离地面1.5至2.2米；
S105：数据更新规则
要求每季度对所管辖的树木图片及树木基础信息更新一次。
3.根据权利要求1所述的一种树木病虫害监控方法，其特征在于，步骤九还包括以下步骤：
S904：园林树木管理模块把该患病区域在地图上用黑色曲线标识，并根据不同树木发现的患病树叶数量用背景色进行标识，如表1所示：
表1
Figure FDA0003752193130000061
Figure FDA0003752193130000071
。
4.根据权利要求3所述的一种树木病虫害监控方法，其特征在于，步骤十包括以下步骤：
S1001：根据不同树木、不同病症、患病级别及范围，预设不同的治疗方案；
S1002：根据步骤九判定的病症、发生范围、程度，对应相应的治疗方案；
S1003：进行治疗方案报送审批；
S1004：根据审批的报送方案执行相关流程。
5.根据权利要求4所述的一种树木病虫害监控方法，其特征在于，步骤十一包括以下步骤：
园林管理人员每天按照步骤七至步骤九的操作流程，重点检查患病区域树木病症情况，检查患病范围是缩减还是扩大，患病程度是严重还是改善，如果范围扩大了，增加治疗范围；如果病症严重了，调整治疗方案。
CN201910698772.XA 2019-07-31 2019-07-31 一种树木病虫害监控***及方法 Active CN110598532B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910698772.XA CN110598532B (zh) 2019-07-31 2019-07-31 一种树木病虫害监控***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910698772.XA CN110598532B (zh) 2019-07-31 2019-07-31 一种树木病虫害监控***及方法

Publications (2)

Publication Number Publication Date
CN110598532A CN110598532A (zh) 2019-12-20
CN110598532B true CN110598532B (zh) 2022-09-13

Family

ID=68853104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910698772.XA Active CN110598532B (zh) 2019-07-31 2019-07-31 一种树木病虫害监控***及方法

Country Status (1)

Country Link
CN (1) CN110598532B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562074B (zh) * 2021-02-25 2021-05-04 中国建筑西南设计研究院有限公司 一种智慧绿地的健康判定方法及养护管理方法
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
CN113191742A (zh) * 2021-05-24 2021-07-30 苏州三润景观工程有限公司 绿植病虫害智能识别方法
CN113656481A (zh) * 2021-08-19 2021-11-16 江苏久智环境科技服务有限公司 智慧生态园林智库服务***、方法及应用设备
CN113723259A (zh) * 2021-08-24 2021-11-30 罗家泳 监控视频处理方法、装置、计算机设备和存储介质
CN114141326A (zh) * 2021-12-02 2022-03-04 杭州睿胜软件有限公司 用于追踪植物的康复情况的方法、装置和存储介质
CN116310913B (zh) * 2023-05-12 2023-07-25 江苏苏海信息科技(集团)有限公司 基于小型无人机测量技术的自然资源调查监测方法及装置
CN117876198A (zh) * 2024-03-13 2024-04-12 湖南景辉农林生态科技有限公司 一种混交林树木生长监测方法、***、终端及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2814940A1 (en) * 2010-10-17 2012-04-26 Johnny Park Automatic monitoring of insect populations
CN103439265A (zh) * 2013-08-15 2013-12-11 湖南农业大学 一种茶树精细化栽培生育性状实时监测方法
WO2016032398A2 (en) * 2014-08-25 2016-03-03 Singapore University Of Technology And Design Method and device for analysing an image
CN108061781A (zh) * 2017-12-13 2018-05-22 广州德科投资咨询有限公司 一种应用于智慧城市的绿化监测方法及智能监测机器人
CN109379564A (zh) * 2018-10-30 2019-02-22 长春市万易科技有限公司 一种燃气管道无人机巡检装置及巡检方法
CN109784438A (zh) * 2018-12-28 2019-05-21 福建华闽通达信息技术有限公司 一种桥梁养护病害记录、识别及处理措施指导方法及***
CN109991911A (zh) * 2019-05-05 2019-07-09 西安邮电大学 一种基于物联网的果园综合监控***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10520482B2 (en) * 2012-06-01 2019-12-31 Agerpoint, Inc. Systems and methods for monitoring agricultural products

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2814940A1 (en) * 2010-10-17 2012-04-26 Johnny Park Automatic monitoring of insect populations
CN103439265A (zh) * 2013-08-15 2013-12-11 湖南农业大学 一种茶树精细化栽培生育性状实时监测方法
WO2016032398A2 (en) * 2014-08-25 2016-03-03 Singapore University Of Technology And Design Method and device for analysing an image
CN108061781A (zh) * 2017-12-13 2018-05-22 广州德科投资咨询有限公司 一种应用于智慧城市的绿化监测方法及智能监测机器人
CN109379564A (zh) * 2018-10-30 2019-02-22 长春市万易科技有限公司 一种燃气管道无人机巡检装置及巡检方法
CN109784438A (zh) * 2018-12-28 2019-05-21 福建华闽通达信息技术有限公司 一种桥梁养护病害记录、识别及处理措施指导方法及***
CN109991911A (zh) * 2019-05-05 2019-07-09 西安邮电大学 一种基于物联网的果园综合监控***

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
Monitoring of Trees’ Health Condition Using a UAV Equipped with Low-cost Digital Camera;Panagiotis Barmpoutis等;《ICASSP 2019 - 2019 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)》;20190417;第8291-8295页 *
Sift中尺度空间、高斯金字塔、差分金字塔（DOG金字塔）、图像金字塔;右手边的蓝天;《https://blog.csdn.net/cyem1/article/details/88616110》;20190317;第1页 *
一种基于Web日志的Item-Based协同过滤算法改进;王春才等;《软件导刊》;20150318;第14卷(第3期);第46-48页 *
基于视频监测的作物病害识别;孙云云;《中国优秀硕士学位论文全文数据库 (农业科技辑)》;20200515(第5期);第D046-19页 *
森林病虫害监测中的遥感技术研究;蒋金凤;《中国绿色画报》;20181011(第7期);第1页 *
监测树木倾斜歪倒;欣仰邦;《https://www.163.com/dy/article/GL01HSUQ05380ZW4.html》;20210928;第1页 *
随机支持向量机分类方法研究及其应用;张津;《中国优秀硕士学位论文全文数据库 (信息科技辑)》;20190115(第1期);第I140-723页 *

Also Published As

Publication number Publication date
CN110598532A (zh) 2019-12-20

Similar Documents

Publication Publication Date Title
CN110598532B (zh) 一种树木病虫害监控***及方法
CN112418188B (zh) 基于无人机视觉的农作物生长全程数字化评估方法
WO2022057319A1 (zh) 基于云平台的耦合主被动遥感影像的大蒜作物识别方法
Groom et al. Remote sensing in landscape ecology: experiences and perspectives in a European context
CN112116514B (zh) 植物种植推荐方法、装置、设备及计算机可读存储介质
CN109117811A (zh) 一种基于低空遥感测量技术估算城市植被覆盖率的***及方法
CN111462223B (zh) 基于Sentinel-2影像的江淮地区大豆和玉米种植面积识别方法
CN110991335A (zh) 一种基于多特征优选的可见光无人机遥感影像森林树种分类方法
CN109033937B (zh) 通过无人机影像进行植物数量统计方法及***
CN111918547B (zh) 树冠识别装置、识别方法、程序和记录介质
CN111666827B (zh) 一种林业病虫害智能识别方法及***
Han et al. Extraction of multilayer vegetation coverage using airborne LiDAR discrete points with intensity information in urban areas: A case study in Nanjing City, China
CN111598048A (zh) 一种融合高分遥感影像和街景影像的城中村识别方法
CN115641412B (zh) 基于高光谱数据的三维语义地图的生成方法
Xue et al. Assessment of canopy vigor information from kiwifruit plants based on a digital surface model from unmanned aerial vehicle imagery
CN110969654A (zh) 基于收割机的玉米高通量表型测量的方法及装置、收割机
Ahongshangbam et al. Drone‐based photogrammetry‐derived crown metrics for predicting tree and oil palm water use
CN113869370A (zh) 基于深度学习算法和时序哨兵影像的树种精细化分类方法
CN114708490A (zh) 水稻种植提取及复种指数监测方法、***、终端及存储介质
CN108122224B (zh) 一种测算树冠郁闭度的***
CN115314851A (zh) 一种基于大数据平台的农业信息化管理平台
Ma et al. Banana individual segmentation and phenotypic parameter measurements using deep learning and terrestrial LiDAR
CN114694048A (zh) 基于无人机遥感技术的稀疏灌木物种识别方法及***
CN114581450A (zh) 基于点云图像转换的玉米株高茎粗测量方法及装置
Bonaria Grapevine yield estimation using image analysis for the variety Arinto

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