CN113673301B - 基于大数据技术和遥感数据的中药材品种分析识别*** - Google Patents

基于大数据技术和遥感数据的中药材品种分析识别*** Download PDF

Info

Publication number
CN113673301B
CN113673301B CN202110705001.6A CN202110705001A CN113673301B CN 113673301 B CN113673301 B CN 113673301B CN 202110705001 A CN202110705001 A CN 202110705001A CN 113673301 B CN113673301 B CN 113673301B
Authority
CN
China
Prior art keywords
period
traditional chinese
variety
medicinal materials
spectrum
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
CN202110705001.6A
Other languages
English (en)
Other versions
CN113673301A (zh
Inventor
徐宏伟
马瑞
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.)
Bozhou Yaotong Information Consulting Co ltd
Original Assignee
Bozhou Yaotong Information Consulting 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 Bozhou Yaotong Information Consulting Co ltd filed Critical Bozhou Yaotong Information Consulting Co ltd
Priority to CN202110705001.6A priority Critical patent/CN113673301B/zh
Publication of CN113673301A publication Critical patent/CN113673301A/zh
Application granted granted Critical
Publication of CN113673301B publication Critical patent/CN113673301B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Library & Information Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了基于大数据技术和遥感数据的中药材品种分析识别***，涉及中药材识别技术领域，包括云平台、数据库、图像识别模块、光谱采集模块、数据分析模块以及药材品种匹配模块，图像识别模块通过卫星获取地面中药材的照片，并对获得的照片进行预处理，光谱采集模块通过卫星获取地面中药材种植区内的光谱信息；将卫星拍摄的照片进行栅格化处理后，再对栅格化处理后的照片与数据库中的药材品种数据集进行匹配，从而使得照片的匹配结果更加精确，并且还对卫星所拍摄的区域通过光谱技术进行进一步地分析，从而将光谱信息与栅格化处理后的照片进行结合，从而更加快速的确定中药材的品种以及中药材的生长状态。

Description

基于大数据技术和遥感数据的中药材品种分析识别***
技术领域
本发明属于中药材识别技术领域，具体是基于大数据技术和遥感数据的中药材品种分析识别***。
背景技术
药材即可供制药的原材料，在中国尤指是中药材，即未经加工或未制成成品的中药原料。中药是中国传统的药材，中国药文化源远流长、博大精深，既包含数千年中药文明又融合近现代西药文明所创造的中西药并举、独具特色的文化现象，是中国优秀文化的重要组成部分，随着现在医学的发展，对药材的利用越来越广泛，因此对于药材而言，人们也开始对其进行分类。
现有的技术中，通常是通过卫星遥感技术并结合人工现场考察的方式对中药材的品种、生长状态以及种植区域进行识别，但是卫星遥感数据清晰度有限，地物情况复杂，识别较为困难，对技术的要求比较高，从而使得中药材的识别结果与实际情况往往存在非常大的偏差，为了解决上述问题，现提供基于大数据技术和遥感数据的中药材品种分析识别***。
发明内容
本发明的目的在于提供基于大数据技术和遥感数据的中药材品种分析识别***。
本发明所要解决的技术问题为：如何提高卫星遥感数据的分析结果的精准度，从而使得中药材能够更加准确的被确定，进而确定中药材的种植区域。
本发明的目的可以通过以下技术方案实现：基于大数据技术和遥感数据的中药材品种分析识别***，包括云平台、数据库、图像识别模块、光谱采集模块、数据分析模块以及药材品种匹配模块；
所述数据库，用于建立中药材品种参数集和中药材品种光谱参数集；
所述图像识别模块，用于通过卫星获取地面中药材的照片，并对获得的照片进行预处理；
所述光谱采集模块，用于通过卫星获取地面中药材种植区内的光谱信息，并对所获得的光谱信息进行预处理；
所述数据分析模块，用于对图像识别模块获取到的数据和光谱采集模块获取到的数据进行分析；
所述药材品种匹配模块，用于确定中药材的品种以及中药材的生长状态。
作为本发明更进一步的方案，药材品种参数集的建立过程包括以下步骤：
首先确定中药材的名称，并根据中药材的名称建立该中药材的信息集；
其次在该中药材的信息集内分别导入该中药材的幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组；
然后将该中药材的幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组中的每张照片进行栅格化处理，并对每张中药材照片的特征点所对应的像素块进行标记，并将像素块中的像素点信息进行记录；并保存在数据库中。
作为本发明更进一步的方案，中药材品种光谱参数集的建立过程包括以下步骤：
首先获取中药材的幼年期、成长期、成熟期以及枯萎期的光谱信息，光谱信息包括中药材的幼年期、成长期、成熟期以及枯萎期所对应的健康状态的光谱信息和亚健康状态的光谱信息；
然后根据中药材的幼年期、成长期、成熟期以及枯萎期所对应的健康状态的光谱信息和亚健康状态的光谱信息生成中药材光谱参考信息集；最后将所获得的数据上传至数据库中进行保存。
作为本发明更进一步的方案，中药材的照片获取和预处理过程包括：
通过卫星定期拍摄药材种植区内药材的照片，连续拍摄n组照片，并将n组照片按照拍摄顺序进行排列，并对每组照片打上时间戳，时间戳为照片的拍摄时间；将拍摄的n组照片分别进行栅格化处理，并将栅格化处理后的照片中的每个像素块进行标记；对每个像素块中的像素点形成像素点集合。
作为本发明更进一步的方案，光谱信息的获取和预处理过程包括：
在对药材种植区内拍摄照片的同时，获取卫星拍摄区域内的光谱数据；根据所获得光谱数据生成光谱图，并将光谱图按照光的波长范围进行划定区间。
作为本发明更进一步的方案，对图像识别模块获取到的数据和光谱采集模块获取到的数据的分析过程包括：
将经过图像识别模块预处理后的照片与数据库中的药材品种数据集进行匹配；将药材照片中每个像素块以及像素块对应的像素点集合分别与中药材幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组所对应的像素块以及像素块对应的像素点集合进行匹配；将匹配度记为α，并将α≥a0的药材名称以及药材对应的生长时期进行标记，然后按照匹配度由高到低进行排序；将匹配结果发送至药材品种匹配模块；将光谱采集模块所获得的光谱图与数据库中的中药材的幼年期、成长期、成熟期以及枯萎期的光谱信息进行匹配；将匹配度记为β，并将β≥b0的药材的名称以及对应的生长时期进行标记，然后按照匹配度由高到低进行排序；将匹配结果发送至药材品种匹配模块；再通过光谱图与数据库中的中药材的健康状态和亚健康状态所对应的光谱信息进行匹配，从而确定中药材的生长状态。
作为本发明更进一步的方案，中药材的品种以及中药材的生长状态的确认过程包括：
将匹配度α最高的中药材进行标记，并获取匹配度α最高的中药材所对应的名称以及生长时期；将匹配度β最高的中药材进行标记，并获取匹配度β最高的中药材所对应的名称以及生长时期；然后获取中药材的生长状态；将卫星拍摄区域内符合匹配结果的范围高亮标记为中药材生长种植区；最后将匹配结果生成药材匹配报表。
作为本发明更进一步的方案，药材匹配报表的内容包括药材的名称、生长时期、生长状态以及种植范围。
本发明的有益效果：图像识别模块通过卫星获取地面中药材的照片，并对获得的照片进行预处理，光谱采集模块通过卫星获取地面中药材种植区内的光谱信息；将卫星拍摄的照片进行栅格化处理后，再对栅格化处理后的照片与数据库中的药材品种数据集进行匹配，从而使得照片的匹配结果更加精确，并且还对卫星所拍摄的区域通过光谱技术进行进一步地分析，从而将光谱信息与栅格化处理后的照片进行结合，从而更加快速的确定中药材的品种以及中药材的生长状态。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为基于大数据技术和遥感数据的中药材品种分析识别***的原理框图。
具体实施方式
如图1所示，基于大数据技术和遥感数据的中药材品种分析识别***，包括云平台、数据库、图像识别模块、光谱采集模块、数据分析模块以及药材品种匹配模块；
所述数据库，用于建立中药材品种参数集，具体建立过程包括以下步骤：
步骤S1：确定中药材的名称，并根据中药材的名称建立该中药材的信息集；
步骤S2：在该中药材的信息集内分别导入该中药材的幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组；
步骤S3：将该中药材的幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组中的每张照片进行栅格化处理，并对每张中药材照片的特征点所对应的像素块进行标记，将像素块中的像素点信息进行记录；
步骤S4：将步骤S1-S3所获得的数据集合生成药材品种数据集，并保存在数据库中。
所述数据库还用于建立中药材品种光谱参数集，建立过程包括以下步骤：
步骤SS1：获取中药材的幼年期、成长期、成熟期以及枯萎期的光谱信息，光谱信息包括中药材的幼年期、成长期、成熟期以及枯萎期所对应的健康状态的光谱信息和亚健康状态的光谱信息；
步骤SS2：根据中药材的幼年期、成长期、成熟期以及枯萎期所对应的健康状态的光谱信息和亚健康状态的光谱信息生成中药材光谱参考信息集；
步骤SS3：将步骤SS1-SS2所获得的数据上传至数据库中进行保存。
在实际使用过程中，还可以通过使用大数据处理技术，结合深度学习的方式，创建并训练中药材识别模型。
所述图像识别模块通过卫星获取地面中药材的照片，并对获得的照片进行预处理，具体过程包括以下步骤：
步骤X1：通过卫星定期拍摄药材种植区内药材的照片，拍摄周期为T；
步骤X2：连续拍摄n组照片，并将n组照片按照拍摄顺序进行排列，并对每组照片打上时间戳，时间戳为照片的拍摄时间；
步骤X3：将拍摄的n组照片分别进行栅格化处理，并将栅格化处理后的照片中的每个像素块进行标记；
步骤X4：对每个像素块中的像素点形成像素点集合；
步骤X5：将步骤X1-X4发送至数据分析模块中。
所述光谱采集模块用于通过卫星获取地面中药材种植区内的光谱信息，并对所获得的光谱信息进行预处理，具体过程包括以下步骤：
步骤G1：在对药材种植区内拍摄照片的同时，获取卫星拍摄区域内的光谱数据；
步骤G2：根据所获得光谱数据生成光谱图，并将光谱图按照光的波长范围进行划定区间；
步骤G3：将光谱图发送至数据分析模块中。
所述数据分析模块用于对图像识别模块获取到的数据和光谱采集模块获取到的数据进行分析，具体分析过程包括以下步骤：
步骤F1：将经过图像识别模块预处理后的照片与数据库中的药材品种数据集进行匹配；
步骤F2：将药材照片中每个像素块以及像素块对应的像素点集合分别与中药材幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组所对应的像素块以及像素块对应的像素点集合进行匹配；
步骤F3：将匹配度记为α，并将α≥a0的药材名称以及药材对应的生长时期进行标记，然后按照匹配度由高到低进行排序；将匹配结果发送至药材品种匹配模块；
步骤F4：将光谱采集模块所获得的光谱图与数据库中的中药材的幼年期、成长期、成熟期以及枯萎期的光谱信息进行匹配；
步骤F5：将匹配度记为β，并将β≥b0的药材的名称以及对应的生长时期进行标记，然后按照匹配度由高到低进行排序；将匹配结果发送至药材品种匹配模块；
步骤F6：再通过光谱图与数据库中的中药材的健康状态和亚健康状态所对应的光谱信息进行匹配，从而确定中药材的生长状态。
其中a0和b0均为***预设匹配度阈值，且a0和b0均大于0。
将卫星拍摄的照片进行栅格化处理后，再对栅格化处理后的照片与数据库中的药材品种数据集进行匹配，从而使得照片的匹配结果更加精确，并且还对卫星所拍摄的区域通过光谱技术进行进一步地分析，从而将光谱信息与栅格化处理后的照片进行结合，从而更加快速的确定中药材的品种以及中药材的生长状态。
所述药材品种匹配模块用于最终确定中药材的品种以及中药材的生长状态，具体确认方式包括以下步骤：
步骤P1：将匹配度α最高的中药材进行标记，并获取匹配度α最高的中药材所对应的名称以及生长时期；
步骤P2：将匹配度β最高的中药材进行标记，并获取匹配度β最高的中药材所对应的名称以及生长时期；
步骤P3：当步骤P1和步骤P2中的中药材为同一种时，则进一步获取该中药材的生长状态；
步骤P4：当步骤P1和步骤P2中的中药材不为同一种时，则分别获取两种中药材的生长状态；
步骤P5：对卫星拍摄区域内符合匹配结果的范围高亮标记为中药材生长种植区；
步骤P6：根据步骤P1-P5所获取到的中药材名称以及生长时期生成药材匹配报表，药材匹配报表的内容包括药材的名称、生长时期、生长状态以及种植范围。
工作原理：
建立中药材识别模型：首先在数据库内里建立中药材品种参数集：首先根据中药材的名称建立该中药材的信息集；然后在该中药材的信息集内分别导入该中药材的幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组；并对每个照片组中的每张照片进行栅格化处理，之后再对每张中药材照片的特征点所对应的像素块进行标记，将像素块中的像素点信息进行记录，从而生成药材品种数据集，并保存在数据库中。
同时在数据库内建立中药材品种光谱参数集：获取中药材的幼年期、成长期、成熟期以及枯萎期所对应的健康状态的光谱信息和亚健康状态的光谱信息，并生成中药材光谱参考信息集保存在数据库中。
获取中药材参数数据：图像识别模块通过卫星定期连续拍摄药材种植区内药材的照片，并将照片按照拍摄顺序进行排列，将拍摄的照片分别进行栅格化处理，并将栅格化处理后的照片中的每个像素块进行标记；最后对每个像素块中的像素点形成像素点集合；
光谱采集模块通过卫星在对药材种植区内拍摄照片的同时，获取卫星拍摄区域内的光谱数据；根据所获得光谱数据生成光谱图，并将光谱图按照光的波长范围进行划定区间，将光谱图发送至数据分析模块中。
中药材数据分析：数据分析模块通过对图像识别模块获取到的数据与数据库中的药材品种数据集进行匹配；将匹配度记为α，并将α≥a0的药材名称以及药材对应的生长时期进行标记，然后按照匹配度由高到低进行排序；将匹配结果发送至药材品种匹配模块；同时将光谱采集模块所获得的光谱图与数据库中的中药材的幼年期、成长期、成熟期以及枯萎期的光谱信息进行匹配；将匹配度记为β，并将β≥b0的药材的名称以及对应的生长时期进行标记，然后按照匹配度由高到低进行排序；将匹配结果发送至药材品种匹配模块；最后再通过光谱图与数据库中的中药材的健康状态和亚健康状态所对应的光谱信息进行匹配，从而确定中药材的生长状态，最后药材品种匹配模块根据数据分析模块的分析结果确定中药材的品种以及中药材的生长状态，并生成药材匹配报表。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围，此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

Claims (7)

1.基于大数据技术和遥感数据的中药材品种分析识别***，其特征在于，包括云平台、数据库、图像识别模块、光谱采集模块、数据分析模块以及药材品种匹配模块；
所述数据库，用于建立中药材品种参数集和中药材品种光谱参数集；
所述图像识别模块，用于通过卫星获取地面中药材的照片，并对获得的照片进行预处理；
所述光谱采集模块，用于通过卫星获取地面中药材种植区内的光谱信息，并对所获得的光谱信息进行预处理；
所述数据分析模块，用于对图像识别模块获取到的数据和光谱采集模块获取到的数据进行分析；
所述药材品种匹配模块，用于确定中药材的品种以及中药材的生长状态；
对图像识别模块获取到的数据和光谱采集模块获取到的数据的分析过程包括：
将经过图像识别模块预处理后的照片与数据库中的药材品种数据集进行匹配；将药材照片中每个像素块以及像素块对应的像素点集合分别与中药材幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组所对应的像素块以及像素块对应的像素点集合进行匹配；将匹配度记为α，并将α≥a0的药材名称以及药材对应的生长时期进行标记，然后按照匹配度由高到低进行排序；将匹配结果发送至药材品种匹配模块；将光谱采集模块所获得的光谱图与数据库中的中药材的幼年期、成长期、成熟期以及枯萎期的光谱信息进行匹配；将匹配度记为β，并将β≥b0的药材的名称以及对应的生长时期进行标记，然后按照匹配度由高到低进行排序；将匹配结果发送至药材品种匹配模块；再通过光谱图与数据库中的中药材的健康状态和亚健康状态所对应的光谱信息进行匹配，从而确定中药材的生长状态。
2.根据权利要求1所述的基于大数据技术和遥感数据的中药材品种分析识别***，其特征在于，药材品种参数集的建立过程包括以下步骤：
首先确定中药材的名称，并根据中药材的名称建立该中药材的信息集；
其次在该中药材的信息集内分别导入该中药材的幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组；
然后将该中药材的幼年期照片组、成长期照片组、成熟期照片组以及枯萎期照片组中的每张照片进行栅格化处理，并对每张中药材照片的特征点所对应的像素块进行标记，并将像素块中的像素点信息进行记录；并保存在数据库中。
3.根据权利要求1所述的基于大数据技术和遥感数据的中药材品种分析识别***，其特征在于，中药材品种光谱参数集的建立过程包括以下步骤：
首先获取中药材的幼年期、成长期、成熟期以及枯萎期的光谱信息，光谱信息包括中药材的幼年期、成长期、成熟期以及枯萎期所对应的健康状态的光谱信息和亚健康状态的光谱信息；
然后根据中药材的幼年期、成长期、成熟期以及枯萎期所对应的健康状态的光谱信息和亚健康状态的光谱信息生成中药材光谱参考信息集；最后将所获得的数据上传至数据库中进行保存。
4.根据权利要求1所述的基于大数据技术和遥感数据的中药材品种分析识别***，其特征在于，中药材的照片获取和预处理过程包括：
通过卫星定期拍摄药材种植区内药材的照片，连续拍摄n组照片，并将n组照片按照拍摄顺序进行排列，并对每组照片打上时间戳，时间戳为照片的拍摄时间；将拍摄的n组照片分别进行栅格化处理，并将栅格化处理后的照片中的每个像素块进行标记；对每个像素块中的像素点形成像素点集合。
5.根据权利要求1所述的基于大数据技术和遥感数据的中药材品种分析识别***，其特征在于，光谱信息的获取和预处理过程包括：
在对药材种植区内拍摄照片的同时，获取卫星拍摄区域内的光谱数据；根据所获得光谱数据生成光谱图，并将光谱图按照光的波长范围进行划定区间。
6.根据权利要求1所述的基于大数据技术和遥感数据的中药材品种分析识别***，其特征在于，中药材的品种以及中药材的生长状态的确认过程包括：
将匹配度α最高的中药材进行标记，并获取匹配度α最高的中药材所对应的名称以及生长时期；将匹配度β最高的中药材进行标记，并获取匹配度β最高的中药材所对应的名称以及生长时期；然后获取中药材的生长状态；将卫星拍摄区域内符合匹配结果的范围高亮标记为中药材生长种植区；最后将匹配结果生成药材匹配报表。
7.根据权利要求6所述的基于大数据技术和遥感数据的中药材品种分析识别***，其特征在于，药材匹配报表的内容包括药材的名称、生长时期、生长状态以及种植范围。
CN202110705001.6A 2021-06-24 2021-06-24 基于大数据技术和遥感数据的中药材品种分析识别*** Active CN113673301B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110705001.6A CN113673301B (zh) 2021-06-24 2021-06-24 基于大数据技术和遥感数据的中药材品种分析识别***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110705001.6A CN113673301B (zh) 2021-06-24 2021-06-24 基于大数据技术和遥感数据的中药材品种分析识别***

Publications (2)

Publication Number Publication Date
CN113673301A CN113673301A (zh) 2021-11-19
CN113673301B true CN113673301B (zh) 2024-06-18

Family

ID=78538306

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110705001.6A Active CN113673301B (zh) 2021-06-24 2021-06-24 基于大数据技术和遥感数据的中药材品种分析识别***

Country Status (1)

Country Link
CN (1) CN113673301B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105897920A (zh) * 2016-05-27 2016-08-24 北京农业信息技术研究中心 一种农作物监测分析方法和***
KR20190136774A (ko) * 2018-05-31 2019-12-10 주식회사 쎄슬프라이머스 작물의 수확시기 예측시스템 및 그 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107465712A (zh) * 2016-08-09 2017-12-12 唐轩韬 一种基于农作物生长度日数据与生长状态图像的人工智能管理方法
CN109063660B (zh) * 2018-08-09 2021-09-21 成都天地量子科技有限公司 一种基于多光谱卫星影像的作物识别方法
CN109345555B (zh) * 2018-10-15 2020-08-25 中科卫星应用德清研究院 基于多时相多源遥感数据进行水稻识别的方法
KR102317408B1 (ko) * 2019-11-22 2021-10-26 주식회사 공간정보 작물 재배면적 추출방법
CN111401212A (zh) * 2020-03-11 2020-07-10 亳州市药通信息咨询有限公司 基于大数据技术和遥感数据的中药材品种分析识别***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105897920A (zh) * 2016-05-27 2016-08-24 北京农业信息技术研究中心 一种农作物监测分析方法和***
KR20190136774A (ko) * 2018-05-31 2019-12-10 주식회사 쎄슬프라이머스 작물의 수확시기 예측시스템 및 그 방법

Also Published As

Publication number Publication date
CN113673301A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN111898503B (zh) 基于云覆盖遥感影像和深度学习的作物识别方法和***
CN105574161B (zh) 一种商标图形要素识别方法、装置和***
Gobeawan et al. Modeling trees for virtual Singapore: From data acquisition to CityGML models
CN106468536B (zh) 一种叶面积测量方法
CN109063660B (zh) 一种基于多光谱卫星影像的作物识别方法
DeWitt et al. Creating high-resolution bare-earth digital elevation models (DEMs) from stereo imagery in an area of densely vegetated deciduous forest using combinations of procedures designed for lidar point cloud filtering
CN111062260B (zh) 一种面部整容推荐方案自动生成方法
CN107704878A (zh) 一种基于深度学习的高光谱数据库半自动化建立方法
CN104809724A (zh) 多波段遥感影像的自动精配准方法
CN110263735A (zh) 一种使用三维卷积神经网络对人工林高光谱数据进行树种分类的方法
JP2006119723A (ja) 画像処理装置、画像処理方法
CN110032654A (zh) 一种基于人工智能的超市商品录入方法及***
CN113537293A (zh) 基于无人机和全卷积神经网络的小麦倒伏区域识别方法
CN113673301B (zh) 基于大数据技术和遥感数据的中药材品种分析识别***
CN113762226B (zh) 基于高光谱分辨率调整提升树种识别精度的方法及***
Weaver et al. From leaves to labels: Building modular machine learning networks for rapid herbarium specimen analysis with LeafMachine2
CN110188662A (zh) 一种水表数字的ai智能识别方法
CN112329733B (zh) 一种基于gee云平台的冬小麦长势监测及分析方法
CN202734765U (zh) 一种激光光尺影像测树装置
CN117392533A (zh) 一种高光谱遥感影像岩性样本集构建方法
Astuti et al. Oil palm fruit ripeness detection using K-Nearest neighbour
CN116957610A (zh) 一种农产品全流程信息溯源录入管理方法、***及介质
CN111401212A (zh) 基于大数据技术和遥感数据的中药材品种分析识别***
CN116379935A (zh) 基于多光谱影像的岛礁浅海水深预测方法、装置以及设备
CN110796639B (zh) 一种基于神经网络的半夏品质分级方法

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
GR01 Patent grant
GR01 Patent grant