CN117115664B - 一种烟叶成熟度的判别方法 - Google Patents
一种烟叶成熟度的判别方法 Download PDFInfo
- Publication number
- CN117115664B CN117115664B CN202311303199.0A CN202311303199A CN117115664B CN 117115664 B CN117115664 B CN 117115664B CN 202311303199 A CN202311303199 A CN 202311303199A CN 117115664 B CN117115664 B CN 117115664B
- Authority
- CN
- China
- Prior art keywords
- preset
- tobacco
- tobacco plant
- vegetation index
- mature
- 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
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 165
- 244000061176 Nicotiana tabacum Species 0.000 title claims abstract description 111
- 238000000034 method Methods 0.000 title claims abstract description 35
- 241000208125 Nicotiana Species 0.000 claims abstract description 54
- 238000005070 sampling Methods 0.000 claims description 36
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000003306 harvesting Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 229930002875 chlorophyll Natural products 0.000 description 4
- 235000019804 chlorophyll Nutrition 0.000 description 4
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000010198 maturation time Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computing Systems (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
Abstract
本发明涉及图像的处理技术领域,特别是涉及一种烟叶成熟度的判别方法。所述方法包括:获取烟株样本的第一数据A;遍历A,将bm,q追加至预设的第q集合Hq;获取Hq对应的预设植被指数特征值范围Fq,Fq=[bq,min,bq,max];获取目标烟田多光谱图像P;遍历P,获取ce的预设植被指数特征值be,并将be追加至预设的特征值集合W;遍历W,将be在(F1,F2,…,Fq,…,FQ)中进行匹配,如果be仅属于(F1,F2,…,Fq,…,FQ)中一个Fq,则将ce追加至预设的第q序列Uq;获取目标叶片中成熟叶片的占比βq。本发明实现了对烟田中各烟株的各预设位置的叶片是否已成熟的判别。
Description
技术领域
本发明涉及图像的处理技术领域,特别是涉及一种烟叶成熟度的判别方法。
背景技术
烟叶成熟度直接影响了烤后烟叶的质量,因此对烟叶成熟度的判别具有重要意义。烟叶是从下往上逐渐成熟,现有技术中往往将烟株的叶片分为上部叶、中部叶和下部叶,但是实际采收过程中并非按照上部叶、中部叶和下部叶分采收三次,而是根据烤烟需求采收一定数量的烟叶,因此,现有技术中分部位烟叶成熟度的判别方法在实际采收过程中指导烟叶采收的作用较弱。同一烟株上不同位置的叶片的成熟时间不同,不同烟株上同一位置的叶片的成熟度也存在差异,如何判别烟田中不同烟株的不同位置的叶片成熟度情况,是亟待解决的问题。
发明内容
本发明的目的在于提供一种烟叶成熟度的判别方法,用于判别烟田中不同烟株的不同位置的叶片成熟度情况。
根据本发明,一种烟叶成熟度的判别方法,包括以下步骤:
S100,获取烟株样本的第一数据A,A=(a1,a2,…,am,…,aM),am为第m个烟株样本的第一数据,am=(bm,1,bm,2,…,bm,q,…,bm,Q),bm,q为第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点对应的第m个烟株样本的预设植被指数特征值,第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点早于第m个烟株样本的第q+1个预设位置的叶片由不成熟生长为成熟的采样时间点;q的取值范围为1到Q,Q为单颗烟株对应的预设位置的数量,m的取值范围为1到M,M为烟株样本的数量。
S200,遍历A,将bm,q追加至预设的第q集合Hq,Hq的初始化为空集。
S300,获取Hq对应的预设植被指数特征值范围Fq,Fq=[bq,min,bq,max],bq,min为Fq的最小值,bq,min=min(Hq),bq,max为Fq的最大值,bq,max=max(Hq),min( )为取最小值,max( )为取最大值。
S400,获取目标烟田多光谱图像P,P={c1,c2,…,ce,…,cE},ce为P包括的第e个像素点,e的取值范围为1到E,E为P包括的像素点的数量。
S500,遍历P,获取ce的预设植被指数特征值be,并将be追加至预设的特征值集合W,W的初始化为空集。
S600,遍历W,将be在(F1,F2,…,Fq,…,FQ)中进行匹配,如果be仅属于(F1,F2,…,Fq,…,FQ)中一个Fq,则将ce追加至预设的第q序列Uq,Uq的初始化为空值。
S700,获取目标叶片中成熟叶片的占比βq,βq=(∑Q k=qvk)/E,vk为Uk中像素点的数量,k的取值范围为q到Q,所述目标叶片为P中烟株的第q个预设位置的叶片。
本发明至少具有以下有益效果:
本发明获取了烟株样本的第一数据,该烟株样本的第一数据包括若干烟株样本的各预设位置的叶片成熟时对应的烟株样本的预设植被指数特征值,每一烟株样本的一个预设位置仅对应一个叶片;基于上述若干烟株样本的对应于同一预设位置的叶片成熟时的烟株样本的预设植被指数特征值,本发明获取了各预设位置对应的叶片成熟时的烟株样本的预设植被指数特征值的范围,如果目标烟田多光谱图像中某像素点的预设植被指数特征值落入某预设植被指数特征值的范围中,则判定该像素点对应于该预设植被指数特征值的范围的预设位置的叶片已成熟,烟株中位于该预设位置下方的叶片也已成熟,烟株中位于该预设位置上方的叶片还未成熟;由此,本发明实现了对烟田中各烟株的各预设位置的叶片是否已成熟的判别,还进一步得到了目标烟田中特定预设位置的叶片的成熟占比,可用于指导烟叶采收工作。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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为本发明实施例提供的一种烟叶成熟度的判别方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明,提供一种烟叶成熟度的判别方法,如图1所示,包括:
S100,获取烟株样本的第一数据A,A=(a1,a2,…,am,…,aM),am为第m个烟株样本的第一数据,am=(bm,1,bm,2,…,bm,q,…,bm,Q),bm,q为第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点对应的第m个烟株样本的预设植被指数特征值,第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点早于第m个烟株样本的第q+1个预设位置的叶片由不成熟生长为成熟的采样时间点;q的取值范围为1到Q,Q为单颗烟株对应的预设位置的数量,m的取值范围为1到M,M为烟株样本的数量。
作为一个具体实施方式,选取三块供试地作为田间试验数据的三次重复,每块供试地分为5个样方,人工根据不同供试地的个体差异性特征(如地理位置、地势、土壤肥力、环境条件等)确定代表群体特征的百分比,根据该百分比确定第δ个供试地中每一样方的采样数量sampleδ,sampleδ=int(k1×λ2×p’δ×(1-p’δ)/ε2),其中,int( )为取整,k1是预设的系数,k1>1;p’δ为第δ个供试地对应的群体特征的百分比,δ=1,2,3;λ是置信水平,例如,λ为1.96;ε是采样精度,例如,ε为0.5。本实施例中M=5×(sample1+sample2+sample3)。
本实施例中一颗烟株的每一叶片对应一个预设位置,第1个预设位置为烟株的最底部的叶片对应的生长位置,第2个预设位置为烟株的次底部的叶片对应的生长位置,以次类推,第Q-1个预设位置为烟株的次顶部的叶片对应的生长位置,第Q个预设位置为烟株的最顶部的叶片对应的生长位置。烟株的叶片是从下往上逐渐成熟,因此,本实施例中第q个预设位置的叶片由不成熟生长为成熟的采样时间点晚于第q-1个预设位置的叶片由不成熟生长为成熟的采样时间点,如果判定某烟株的第q个预设位置的叶片已成熟,该烟株的前q个预设位置(即第1个预设位置、第2个预设位置、…、第q-1个预设位置和第q个预设位置)的叶片均已成熟。
本实施例中由人工对第m个烟株样本的第q个预设位置的叶片是否成熟进行判断;作为一个具体的实施方式,在对第m个烟株样本的监测时间段(从第m个烟株出现成熟叶片开始至第m个烟株的全部叶片成熟的时间段)内,在天气允许的情况下,每天在特定采集时间点利用无人机获取第m个烟株样本的多光谱图像,同时,人工每天对第m个烟株样本的第q个预设位置的叶片是否成熟进行判断,如果人工判断某叶片在开始监测的第φ-1天未成熟,而在第φ天成熟,则判定该叶片由不成熟生长为成熟的采样时间点为开始监测的第φ天对应的特定采集时间点。优选的,上述特定采集时间点为11:00-13:00之间的某一时间点,可以避免阴影的影响,提高获取的多光谱图像的质量。
可选的,预设植被指数特征为人工指定的NDVI、EVI、GNDVI、CIrededge、CIgreen和NIRv中的任意一种。
优选的,预设植被指数特征的获取过程包括:
S01,使用JM距离算法获取若干初始植被指数特征对烟叶成熟度的敏感程度,所述若干初始植被指数特征包括NDVI、EVI、GNDVI、CIrededge、CIgreen和NIRv。
本领域技术人员知悉,NDVI为归一化差异植被指数(Normalized DifferenceVegetation Index),EVI为增强植被指数(Enhanced Vegetation Index),GNDVI为绿色归一化差异植被指数(Green Normalized Difference Vegetation Index),CIrededge为红边叶绿素指数(Red edge Chlorophyll Index),CIgreen为绿色叶绿素指数(GreenChlorophyll Index),NIRv为近红外反射植被(near-infrared reflectancevegetation)。NDVI、EVI、GNDVI、CIrededge、CIgreen和NIRv的计算方法为现有技术,此处不再赘述。
本实施例中,对于任一初始植被指数特征,利用JM距离算法获取同一采样时间点对应的同一烟株的成熟叶片和不成熟叶片的该初始植被指数特征值的距离,距离越大,表示成熟叶片和不成熟叶片的分离度越高,表示该初始植被指数特征对叶片成熟度越敏感。本领域技术人员知悉,JM距离算法为现有技术,此处不再赘述。
S02,将最大敏感程度对应的初始植被指数特征确定为预设植被指数特征。
根据本实施例S01-S02获取的预设植被指数特征对烟叶成熟度较为敏感,利用本实施例S01-S02获取的预设植被指数特征能够提高后续对烟叶成熟度预测的准确性。
具体的,bm,q的获取过程包括:
S110,获取第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点tm,q。
S120,获取第m个烟株样本的待匹配序列G,G=((t’m,1,gm,1),(t’m,2,gm,2),…,(t’m,x,gm,x),…,(t’m,u,gm,u)),t’m,x为第x个采样时间点,gm,x为t’m,x对应的第m个烟株样本的预设植被指数特征值,x的取值范围为1到u,u为采样时间点的数量,t’m,x早于t’m,x+1,且t’m,x+1与t’m,x的时间间隔为预设周期的整数倍。
具体的,gm,x的获取过程包括:
S121,获取t’m,x对应的第m个烟株样本的多光谱图像的预设植被指数特征值B’m,x=(b1 m,x,b2 m,x,…,br m,x,…,bR m,x),br m,x为tm,x对应的第m个烟株样本的多光谱图像中第r个像素点的预设植被指数特征值,r的取值范围为1到R,R为tm,x对应的第m个烟株样本的多光谱图像中像素点的数量。
可选的,在每一烟株样本旁插一个标志牌,由无人机对烟株样本所在的样方进行拍摄,无人机的飞行高度为20米,由此,一个多光谱图像对应一个样方的图像;样方中包括多株烟株样本,通过烟株样本旁的标志牌区别每株烟株样本。
S122,将(∑R r=1br m,x)/R确定为gm,x。
S130,将tm,q在G中进行匹配,如果存在t’m,x=tm,q,则将t’m,x对应的gm,x确定为bm,q;否则,使用S-G滤波算法获取bm,q。
需要说明的是,G中采样时间点可能是连续的或者不连续的,例如,在对第m个烟株样本的监测时间段内,在天气允许的情况下,每天在特定采集时间点利用无人机获取第m个烟株样本的多光谱图像,也即预设周期为1天;但是,在监测开始的第7天出现了阴雨天气,导致无人机无法获取第m个烟株样本的多光谱图像,也就导致G中没有第7个采样时间点对应的数据,而是只有第6个采样时间点和第8个采样时间点对应的数据。
本实施例中,如果出现G中不存在t’m,x=tm,q的情况,则使用S-G滤波算法获取bm,q。本实施例中将tm,q作为S-G滤波算法中的待重建时刻,将滑动窗口长度设置为l,获取G中与tm,q+γ匹配的采样时间点对应的预设植被指数特征值,γ为第一变量,γ=-(l-1)/2,-(l-1)/2+1,…,(l-1)/2-1,(l-1)/2;利用滑动窗口的方式对窗口内的预设植被指数特征值进行加权平均,即可得到tm,q对应的预设植被指数特征值bm,q。
优选的,l的获取过程包括:①设置第二变量η=1;②判断G中是否存在与tm,q-η、tm,q+η、tm,q-η-1和tm,q+η+1相等的采样时间点;③如果G中存在与tm,q-η、tm,q+η、tm,q-η-1和tm,q+η+1相等的采样时间点,则η=η+1,重复②,直至G中存在与tm,q-η和tm,q+η相等的采样时间点,且G中不存在与tm,q-η-1和tm,q+η+1相等的采样时间点;④将l确定为2×η+1。根据该①-④,本实施例在保证bm,q两侧数据均为真实值的情况下得到的l较大,对应的滑动窗口的长度较长,对tm,q对应的预设植被指数特征值bm,q的拟合效果较优,提高了bm,q的准确性。
S200,遍历A,将bm,q追加至预设的第q集合Hq,Hq的初始化为空集。
应当理解的是,遍历A之后,Hq包括每一烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点对应的烟株样本的预设植被指数特征值。
S300,获取Hq对应的预设植被指数特征值范围Fq,Fq=[bq,min,bq,max],bq,min为Fq的最小值,bq,min=min(Hq),bq,max为Fq的最大值,bq,max=max(Hq),min( )为取最小值,max( )为取最大值。
S400,获取目标烟田多光谱图像P,P={c1,c2,…,ce,…,cE},ce为P包括的第e个像素点,e的取值范围为1到E,E为P包括的像素点的数量。
本领域技术人员知悉,现有技术中任何的多光谱图像的获取方法均落入本发明的保护范围,可选的,利用无人机拍摄获取P。
可选的,本实施例中P是一块烟田的多光谱图像,而不是单颗烟株的多光谱图像,例如,无人机在120米高度飞行时获取的多光谱图像;由此,S700获取的是一块烟田的目标叶片中成熟叶片的占比,能够提高对烟叶成熟度预测的效率。
S500,遍历P,获取ce的预设植被指数特征值be,并将be追加至预设的特征值集合W,W的初始化为空集。
S600,遍历W,将be在(F1,F2,…,Fq,…,FQ)中进行匹配,如果be仅属于(F1,F2,…,Fq,…,FQ)中一个Fq,则将ce追加至预设的第q序列Uq,Uq的初始化为空值。
本实施例中,如果be仅属于(F1,F2,…,Fq,…,FQ)中一个Fq,表示烟株的前q个预设位置的叶片已经成熟,第q+1、q+2、…、Q-1和Q个预设位置的叶片未成熟;将每一be在(F1,F2,…,Fq,…,FQ)中进行匹配后,得到的Uq中包括对应的预设植被指数特征值属于Fq中的所有像素点。
本实施例中,如果be同时属于(F1,F2,…,Fq,…,FQ)中的Fq和Fq+1,则①获取ce在P中的八邻域像素点Pixe,Pixe={pixe,1,pixe,2,…,pixe,σ,…,pixe,8},pixe,σ为ce在P中的第σ个邻域像素点,σ的取值范围为1到8;②遍历Pixe,如果pixe,σ的预设植被指数特征值仅属于(F1,F2,…,Fq,…,FQ)中一个Fq,则将pixe,σ的预设植被指数特征值所属的Fq对应的q追加至预设的第e邻域集合LYe,LYe的初始化为空集;③获取LYe中出现次数最多的q;④将ce追加至LYe中出现次数最多的q对应的序列。基于该①-④,本实施例还考虑了(F1,F2,…,Fq,…,FQ)中可能存在两个预设植被指数特征值范围之间出现交集的情况,如果某像素点的预设植被指数特征值同时属于两个预设植被指数特征值范围,则根据该像素点的邻域像素点的预设植被指数特征值所属的预设植被指数特征值范围确定该像素点的预设植被指数特征值所属的预设植被指数特征值范围,由于该像素点与邻域像素点对应的烟株的生长环境较为相似,因此,本实施例将该像素点追加到的序列与该像素点也较为匹配,提高了S700中获取的βq的准确性。
S700,获取目标叶片中成熟叶片的占比βq,βq=(∑Q k=qvk)/E,vk为Uk中像素点的数量,k的取值范围为q到Q,所述目标叶片为P中烟株的第q个预设位置的叶片。
本发明获取了烟株样本的第一数据,该烟株样本的第一数据包括若干烟株样本的各预设位置的叶片成熟时对应的烟株样本的预设植被指数特征值,每一烟株样本的一个预设位置仅对应一个叶片;基于上述若干烟株样本的对应于同一预设位置的叶片成熟时的烟株样本的预设植被指数特征值,本发明获取了各预设位置对应的叶片成熟时的烟株样本的预设植被指数特征值的范围,如果目标烟田多光谱图像中某像素点的预设植被指数特征值落入某预设植被指数特征值的范围中,则判定该像素点对应于该预设植被指数特征值的范围的预设位置的叶片已成熟,烟株中位于该预设位置下方的叶片也已成熟,烟株中位于该预设位置上方的叶片还未成熟;由此,本发明实现了对烟田中各烟株的各预设位置的叶片是否已成熟的判别,还进一步得到了目标烟田中特定预设位置的叶片的成熟占比,可用于指导烟叶采收工作。
本实施例的烟叶成熟度的判别方法在S400之后还包括:
S10,获取烟株样本的第二数据A’,A’=(a’1,a’2,…,a’m,…,a’M),a’m为第m个烟株样本的第二数据,a’m=(tm,1,tm,2,…,tm,q,…,tm,Q),tm,q为第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点。
S20,遍历A’,获取第m个烟株样本的时间差序列Tm,Tm=(Δtm,1,Δtm,2,…,Δtm,i,…,Δtm,Q-1),Δtm,i为Tm中第i个时间差,Δtm,i=tm,i+1-tm,i,tm,i+1为第m个烟株样本的第i+1个预设位置的叶片由不成熟生长为成熟的采样时间点,tm,i为第m个烟株样本的第i个预设位置的叶片由不成熟生长为成熟的采样时间点,i的取值范围为1到Q-1。
S30,获取第一时间差序列T,T=(T1,T2,…,Tm,…,TM)。
S40,遍历T,将Δtm,i追加至预设的第i个时间差集合Si,得到Si={Δt1,i,Δt2,i,…,Δtm,i,…,ΔtM,i},Si的初始化为空集。
S50,获取Si的时间差均值Δt’i,Δt’i=(∑M m=1Δtm,i)/M。
S60,获取时间差均值序列ΔT,ΔT=(Δt’1,Δt’2,…,Δt’i,…,Δt’Q-1)。
S70,获取P中目标像素点的预设植被指数特征值所属的Fq对应的q。
S80,获取P中目标像素点对应的烟株由第q个预设位置的叶片成熟生长为第ζ个预设位置的叶片成熟的时间t0,t0=∑ζ-1 j=qΔt’j,Δt’j为预设的第j个时间差集合的时间差均值,j的取值范围为q到ζ-1,ζ为用户输入的预测成熟叶片数量,q<ζ≤Q。
本实施例根据每一烟株样本的不同预设位置的叶片由不成熟生长为成熟的采样时间点获取了各烟株样本的不同预设位置的叶片由不成熟生长为成熟的时间差,并进一步获取了同一烟株的不同预设位置的叶片由不成熟生长为成熟的时间差;基于该时间差,本实施例实现了对烟株上任意位置的未成熟叶片的成熟时间的预测,可用于指导烟农的采收时间。
虽然已经通过示例对本发明的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本发明的范围,本发明的范围由所附权利要求来限定。
Claims (7)
1.一种烟叶成熟度的判别方法,其特征在于,包括以下步骤:
S100,获取烟株样本的第一数据A,A=(a1,a2,…,am,…,aM),am为第m个烟株样本的第一数据,am=(bm,1,bm,2,…,bm,q,…,bm,Q),bm,q为第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点对应的第m个烟株样本的预设植被指数特征值,第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点早于第m个烟株样本的第q+1个预设位置的叶片由不成熟生长为成熟的采样时间点;q的取值范围为1到Q,Q为单颗烟株对应的预设位置的数量,m的取值范围为1到M,M为烟株样本的数量;
S200,遍历A,将bm,q追加至预设的第q集合Hq,Hq的初始化为空集;
S300,获取Hq对应的预设植被指数特征值范围Fq,Fq=[bq,min,bq,max],bq,min为Fq的最小值,bq,min=min(Hq),bq,max为Fq的最大值,bq,max=max(Hq),min( )为取最小值,max( )为取最大值;
S400,获取目标烟田多光谱图像P,P={c1,c2,…,ce,…,cE},ce为P包括的第e个像素点,e的取值范围为1到E,E为P包括的像素点的数量;
S500,遍历P,获取ce的预设植被指数特征值be,并将be追加至预设的特征值集合W,W的初始化为空集;
S600,遍历W,将be在(F1,F2,…,Fq,…,FQ)中进行匹配,如果be仅属于(F1,F2,…,Fq,…,FQ)中一个Fq,则将ce追加至预设的第q序列Uq,Uq的初始化为空值;
S700,获取目标叶片中成熟叶片的占比βq,βq=(∑Q k=qvk)/E,vk为Uk中像素点的数量,k的取值范围为q到Q,所述目标叶片为P中烟株的第q个预设位置的叶片。
2.根据权利要求1所述的烟叶成熟度的判别方法,其特征在于,所述判别方法在S400之后还包括:
S10,获取烟株样本的第二数据A’,A’=(a’1,a’2,…,a’m,…,a’M),a’m为第m个烟株样本的第二数据,a’m=(tm,1,tm,2,…,tm,q,…,tm,Q),tm,q为第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点;
S20,遍历A’,获取第m个烟株样本的时间差序列Tm,Tm=(Δtm,1,Δtm,2,…,Δtm,i,…,Δtm,Q-1),Δtm,i为Tm中第i个时间差,Δtm,i=tm,i+1-tm,i,tm,i+1为第m个烟株样本的第i+1个预设位置的叶片由不成熟生长为成熟的采样时间点,tm,i为第m个烟株样本的第i个预设位置的叶片由不成熟生长为成熟的采样时间点,i的取值范围为1到Q-1;
S30,获取第一时间差序列T,T=(T1,T2,…,Tm,…,TM);
S40,遍历T,将Δtm,i追加至预设的第i个时间差集合Si,得到Si={Δt1,i,Δt2,i,…,Δtm,i,…,ΔtM,i},Si的初始化为空集;
S50,获取Si的时间差均值Δt’i,Δt’i=(∑M m=1Δtm,i)/M;
S60,获取时间差均值序列ΔT,ΔT=(Δt’1,Δt’2,…,Δt’i,…,Δt’Q-1);
S70,获取P中目标像素点的预设植被指数特征值所属的Fq对应的q;
S80,获取P中目标像素点对应的烟株由第q个预设位置的叶片成熟生长为第ζ个预设位置的叶片成熟的时间t0,t0=∑ζ-1 j=qΔt’j,Δt’j为预设的第j个时间差集合的时间差均值,j的取值范围为q到ζ-1,ζ为用户输入的预测成熟叶片数量,q<ζ≤Q。
3.根据权利要求1所述的烟叶成熟度的判别方法,其特征在于,bm,q的获取过程包括:
S110,获取第m个烟株样本的第q个预设位置的叶片由不成熟生长为成熟的采样时间点tm,q;
S120,获取第m个烟株样本的待匹配序列G,G=((t’m,1,gm,1),(t’m,2,gm,2),…,(t’m,x,gm,x),…,(t’m,u,gm,u)),t’m,x为第x个采样时间点,gm,x为t’m,x对应的第m个烟株样本的预设植被指数特征值,x的取值范围为1到u,u为采样时间点的数量,t’m,x早于t’m,x+1,且t’m,x+1与t’m,x的时间间隔为预设周期的整数倍;
S130,将tm,q在G中进行匹配,如果存在t’m,x=tm,q,则将t’m,x对应的gm,x确定为bm,q;否则,使用S-G滤波算法获取bm,q。
4.根据权利要求1所述的烟叶成熟度的判别方法,其特征在于,预设植被指数特征的获取过程包括:
S01,使用JM距离算法获取若干初始植被指数特征对烟叶成熟度的敏感程度,所述若干初始植被指数特征包括NDVI、EVI、GNDVI、CIrededge、CIgreen和NIRv;
S02,将最大敏感程度对应的初始植被指数特征确定为预设植被指数特征。
5.根据权利要求3所述的烟叶成熟度的判别方法,其特征在于,gm,x的获取过程包括:
S121,获取t’m,x对应的第m个烟株样本的多光谱图像的预设植被指数特征值B’m,x=(b1 m,x,b2 m,x,…,br m,x,…,bR m,x),br m,x为tm,x对应的第m个烟株样本的多光谱图像中第r个像素点的预设植被指数特征值,r的取值范围为1到R,R为tm,x对应的第m个烟株样本的多光谱图像中像素点的数量;
S122,将(∑R r=1br m,x)/R确定为gm,x。
6.根据权利要求1所述的烟叶成熟度的判别方法,其特征在于,P通过无人机拍摄得到。
7.根据权利要求3所述的烟叶成熟度的判别方法,其特征在于,所述预设周期为1天。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311303199.0A CN117115664B (zh) | 2023-10-10 | 2023-10-10 | 一种烟叶成熟度的判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311303199.0A CN117115664B (zh) | 2023-10-10 | 2023-10-10 | 一种烟叶成熟度的判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117115664A CN117115664A (zh) | 2023-11-24 |
CN117115664B true CN117115664B (zh) | 2024-02-02 |
Family
ID=88794989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311303199.0A Active CN117115664B (zh) | 2023-10-10 | 2023-10-10 | 一种烟叶成熟度的判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117115664B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117589767B (zh) * | 2024-01-18 | 2024-06-21 | 北京香田智能科技有限公司 | 一种烟叶采收时间确定方法、电子设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108120802A (zh) * | 2017-12-19 | 2018-06-05 | 广西中烟工业有限责任公司 | 一种用于确定烟叶适宜采收期的烤烟成熟度田间调查定量预测方法 |
CN114092839A (zh) * | 2021-11-23 | 2022-02-25 | 黑龙江八一农垦大学 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
CN115495703A (zh) * | 2022-11-18 | 2022-12-20 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9909978B2 (en) * | 2016-07-05 | 2018-03-06 | Sharp Kabushiki Kaisha | Maturity determination device and maturity determination method |
-
2023
- 2023-10-10 CN CN202311303199.0A patent/CN117115664B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108120802A (zh) * | 2017-12-19 | 2018-06-05 | 广西中烟工业有限责任公司 | 一种用于确定烟叶适宜采收期的烤烟成熟度田间调查定量预测方法 |
CN114092839A (zh) * | 2021-11-23 | 2022-02-25 | 黑龙江八一农垦大学 | 基于无人机遥感的大豆收获期成熟度的判断方法 |
CN115495703A (zh) * | 2022-11-18 | 2022-12-20 | 杭州领见数字农业科技有限公司 | 一种基于机载多光谱数据的烟草成熟度检测方法及*** |
Non-Patent Citations (1)
Title |
---|
基于数字图像数据的烤烟成熟度指数研究;刘剑君;杨铁钊;朱宝川;梅芳;张小全;;中国烟草学报(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117115664A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117115664B (zh) | 一种烟叶成熟度的判别方法 | |
CN109948596B (zh) | 一种基于植被指数模型进行水稻识别和种植面积提取的方法 | |
CN111242224B (zh) | 一种基于无人机提取分类样本点的多源遥感数据分类方法 | |
CN111860150B (zh) | 基于遥感影像的倒伏水稻识别方法与装置 | |
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 | |
CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取***及方法 | |
Diago et al. | Assessment of vineyard canopy porosity using machine vision | |
CN111753646A (zh) | 一种融合种群季节消长信息的农业害虫检测分类方法 | |
US6990410B2 (en) | Cloud cover assessment: VNIR-SWIR | |
CN108764284B (zh) | 一种对松树病死木的高分辨率影像的分类去噪方法及*** | |
CN112766036A (zh) | 一种倒伏玉米遥感提取方法与装置 | |
Vélez et al. | Agronomic classification between vineyards ('Verdejo') using NDVI and Sentinel-2 and evaluation of their wines. | |
CN110363125A (zh) | 采用模型传递识别不同品种柑橘黄龙病的方法 | |
CN106845366B (zh) | 基于图像的甘蔗覆盖度自动检测方法 | |
CN112861810B (zh) | 一种基于时序遥感观测数据的人工林种植时间自动检测方法 | |
CN115271217A (zh) | 一种基于无人机多源遥感数据的小麦产量预测方法 | |
CN116824384A (zh) | 一种基于标准曲线的大豆识别方法 | |
CN114140695A (zh) | 一种基于无人机多光谱遥感的茶树氮素诊断及品质指标测定的预测方法和*** | |
Piron et al. | Improving in-row weed detection in multispectral stereoscopic images | |
CN116912265A (zh) | 一种遥感图像分割方法和*** | |
CN117589767B (zh) | 一种烟叶采收时间确定方法、电子设备和存储介质 | |
CN114299379A (zh) | 一种基于高动态影像的阴影区植被覆盖度提取方法 | |
CN106709922B (zh) | 基于图像的牧草覆盖度和生物量自动检测方法 | |
CN116052141B (zh) | 作物生育期的识别方法、装置、设备及介质 | |
CN109726641B (zh) | 一种基于训练样本自动优化的遥感影像循环分类方法 |
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 |