CN117664878B - 作物亩穗数测量***及方法 - Google Patents
作物亩穗数测量***及方法 Download PDFInfo
- Publication number
- CN117664878B CN117664878B CN202410134202.9A CN202410134202A CN117664878B CN 117664878 B CN117664878 B CN 117664878B CN 202410134202 A CN202410134202 A CN 202410134202A CN 117664878 B CN117664878 B CN 117664878B
- Authority
- CN
- China
- Prior art keywords
- crop
- controller
- crops
- spike
- measured
- 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 title claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 123
- 230000003993 interaction Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 5
- 230000004044 response Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 3
- 241000209140 Triticum Species 0.000 description 18
- 235000021307 Triticum Nutrition 0.000 description 18
- 238000005070 sampling Methods 0.000 description 15
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 210000005069 ears Anatomy 0.000 description 4
- 239000002689 soil Substances 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 244000068988 Glycine max Species 0.000 description 2
- 235000010469 Glycine max Nutrition 0.000 description 2
- 241001024327 Oenanthe <Aves> Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000495841 Oenanthe oenanthe Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000035558 fertility Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种作物亩穗数测量***及方法,涉及农业信息技术领域,该***包括:多光谱图像传感器、测距传感器、角度传感器以及控制器;控制器用于在满足测量条件的情况下,控制多光谱图像传感器获取待测区域中待测作物的多光谱影像作为目标影像,控制角度传感器获取多光谱图像传感器在获取目标影像时的拍摄角度,以及控制测距传感器获取多光谱图像传感器在获取目标影像时与待测作物之间的距离,控制器还用于在接收到目标影像、拍摄角度以及距离的情况下,基于目标影像、拍摄角度以及距离,计算得到待测区域中待测作物的亩穗数。本发明提供的作物亩穗数测量***及方法,能更准确、更高效、更便捷且更低成本地测量作物亩穗数。
Description
技术领域
本发明涉及农业信息技术领域,尤其涉及一种作物亩穗数测量***及方法。
背景技术
小麦、玉米以及大豆等作物的亩穗数,是指作物在每亩土地上所产生的穗的数量。作物亩穗数是一个衡量作物产量的关键指标之一。因此,准确测量作物亩穗数对于评估作物的生长状况和收成情况而言具有重要意义。
相关技术中,作物亩穗数的精确获取通常依靠技术人员进行田间实地测量。但是,依靠技术人员进行田间实地测量的方式获取作物亩穗数,需要投入大量的人力成本和时间成本,作物亩穗数的测量效率较低且成本投入较高。
相关技术中,还可以基于作物的影像数据获取作物亩穗数。但是,基于作物的影像数据获取作物亩穗数时,受叶片、茎秆、杂草以及土壤等背景地物的影响较大,导致基于作物的影像数据获取作物亩穗数的准确率较低。因此,如何更准确、更高效且更便捷地测量作物亩穗数,是本领域亟待解决的技术问题。
发明内容
本发明提供一种作物亩穗数测量***及方法,用以解决现有技术中难以准确、高效和便捷的测量作物亩穗数的缺陷,实现更准确、更高效且更便捷地测量作物亩穗数。
本发明提供一种作物亩穗数测量***,包括:多光谱图像传感器、测距传感器、角度传感器以及控制器;所述多光谱图像传感器、所述角度传感器与所述测距传感器分别与所述控制器电连接;
所述多光谱图像传感器用于响应于所述控制器的控制,获取待测区域中的待测作物的多光谱影像作为目标影像,并将所述目标影像发送至所述控制器;
所述角度传感器用于响应于所述控制器的控制,获取所述多光谱图像传感器在获取所述目标影像时的拍摄角度,并将所述拍摄角度发送至所述控制器;
所述测距传感器用于响应于所述控制器的控制,获取所述多光谱图像传感器在获取所述目标影像时与所述待测作物冠层之间的距离,并将所述距离发送至所述控制器;
所述控制器用于在满足测量条件的情况下,控制所述多光谱图像传感器获取所述待测区域中所述待测作物的多光谱影像作为所述目标影像,控制所述角度传感器获取所述多光谱图像传感器在获取所述目标影像时的拍摄角度,以及控制所述测距传感器获取所述多光谱图像传感器在获取所述目标影像时与所述待测作物之间的距离,
所述控制器还用于在接收到所述目标影像、所述拍摄角度以及所述距离的情况下,基于所述目标影像、所述拍摄角度以及所述距离,计算得到所述待测区域中所述待测作物的亩穗数。
根据本发明提供的一种作物亩穗数测量***,所述控制器还用于在接收到所述目标影像、所述拍摄角度以及所述距离的情况下,基于所述拍摄角度、所述距离以及所述多光谱图像传感器的视场角,计算得到所述目标影像对应区域的区域面积,进而基于所述目标影像和所述区域面积,计算得到所述待测区域中所述待测作物的亩穗数。
根据本发明提供的一种作物亩穗数测量***,所述控制器还用于将所述目标影像输入作物穗部识别模型,获取所述作物穗部识别模型输出的所述目标影像的作物穗部识别结果,进而基于所述目标影像的作物穗部识别结果,确定所述目标影像中所述待测作物的穗部的数量,进而基于所述数量和所述区域面积,计算得到所述待测区域中所述待测作物的亩穗数;
其中,所述作物穗部识别模型基于DenseNet网络构建,基于样本影像以及所述样本影像的作物穗部识别结果进行训练后得到的;所述样本影像中包括样本区域中样本作物的影像;所述样本作物和所述待测作物的种类相同。
根据本发明提供的一种作物亩穗数测量***,所述多光谱图像传感器用于响应于所述控制器的控制,获取所述待测区域中的待测作物在目标波段下的多光谱影像,作为目标影像;所述目标波段包括蓝光波段、绿光波段、红光波段、红边波段和近红外波段。
根据本发明提供的一种作物亩穗数测量***,所述测距传感器为激光测距传感器。
根据本发明提供的一种作物亩穗数测量***,还包括:用户交互设备;所述用户交互设备与所述控制器电连接;
所述用户交互设备用于在接收到用户输入的测量指令的情况下,将所述测量指令发送至所述控制器,
所述用户交互设备还用于在接收到所述控制器发送的所述待测作物的亩穗数的情况下,显示所述待测作物的亩穗数供用户查看;
所述控制器还用于在接收到所述测量指令的情况下,确定已满足所述测量条件。
根据本发明提供的一种作物亩穗数测量***,还包括:壳体结构;所述多光谱图像传感器、所述测距传感器、所述角度传感器以及所述控制器均设置于所述壳体结构内。
根据本发明提供的一种作物亩穗数测量***,还包括:移动体和定位设备;所述移动体与所述定位设备分别与所述控制器电连接;所述定位设备设置于所述壳体结构内;所述壳体结构设置于所述移动体上;
所述移动体用于响应于所述控制器的控制,带动所述壳体结构在所述待测区域内移动;
所述定位设备用于获取所述移动体的实时位置信息,并将所述实时位置信息发送至所述控制器;
所述控制器还用于基于所述实时位置信息,确定所述多光谱图像传感器处于所述待测区域内的预设位置的情况下,确定已满足所述测量条件。
根据本发明提供的一种作物亩穗数测量***,还包括:定时装置;所述定时装置与所述控制器电连接;
所述移动体用于带动所述壳体结构按照预设路径在所述待测区域内移动;
所述定时装置用于在所述移动体带动所述壳体结构按照所述预设路径在所述待测区域内移动的过程,每隔预设时长,向所述控制器发送一个测量指令;
所述控制器还用于在接收到所述测量指令的情况下,确定已满足所述测量条件,
所述控制器还用于基于每次接收到所述测量指令后计算得到的所述待测区域中所述待测作物的亩穗数,获得待测区域中所述待测作物亩穗数的测量结果。
本发明还提供一种作物亩穗数测量方法,基于如上任一所述的作物亩穗数测量***实现,所述方法,包括:
在确定满足测量条件的情况下,控制多光谱图像传感器获取待测区域中待测作物的多光谱影像作为所述目标影像,控制角度传感器获取所述多光谱图像传感器在获取所述目标影像时的拍摄角度,以及控制测距传感器获取所述多光谱图像传感器在获取所述目标影像时与所述待测作物冠层之间的距离;
基于所述目标影像、所述拍摄角度以及所述距离,计算得到所述待测区域中所述待测作物的亩穗数。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述作物亩穗数测量方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述作物亩穗数测量方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述作物亩穗数测量方法。
本发明提供的作物亩穗数测量***及方法,作物亩穗数测量***将多光谱图像传感器和测距传感器进行有机结合,能够实现待测区域中待测作物光谱特征精细表达和目标影像对应区域的区域面积范围的精准测定,能更准确、更高效、更便捷且更低成本地测量作物亩穗数,不仅克服了作物亩穗数人工测量方式精度和效率有限的问题,还解决了作物亩穗数自动化测量准确率不高和装置相对臃肿的问题。
附图说明
为了更清楚地说明本发明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做一简单地介绍,显而易见地,下面描述中的附图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是本发明提供的作物亩穗数测量***的结构示意图之一;
图2是本发明提供的作物亩穗数测量***的结构示意图之二;
图3是本发明提供的作物亩穗数测量***的结构示意图之三;
图4是本发明提供的作物亩穗数测量方法的流程示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例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,本领域普通技术人员在没有做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。
在发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
本申请的描述中,术语“第一”、“第二”等是用于区别类似的对象,而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施,且“第一”、“第二”等所区分的对象通常为一类,并不限定对象的个数,例如第一对象可以是一个,也可以是多个。此外,本申请的描述中,“和/或”表示所连接对象的至少其中之一,字符“/”,一般表示前后关联对象是一种“或”的关系。
需要说明的是,作物亩穗数通常受种植密度、分蘖数量、品种、土壤肥力及墒情以及播种时间等自然因素和管理条件的影响。
相关技术中,作物亩穗数的精确获取通常依靠技术人员进行田间实地测量。
依靠技术人员进行田间实地测量获取作物亩穗数主要包括三种方式:随机取样法、样带法和模板法。
随机取样法中,尺子和目视计数相结合,随机选择若干个有代表性的小麦取样点,每个取样点随机选择若干株小麦。目视计数得出取样的小麦穗数,结合取样区的总面积,计算得到小麦亩穗数。
样带法中,尺子和目视计数相结合,沿着小麦行垄,随机设置多个1米长的有代表性的样带,目视计数得出所有样带的小麦穗数,结合样带数目、行距信息,计算得到小麦亩穗数。
模板法中,模板和目视计数相结合,制作出1个具有标准大小的测量模板,随机选择几个有代表性的小麦取样点,将测量模板套合在小麦上,目视计数得出所有取样点的小麦穗数,结合所有取样点的总面积,计算得到小麦亩穗数。这些田间实地人工测量获取小麦亩穗数的方法,比较简单常用,精度也较高,但是非常耗时耗力、信息获取综合成本较高。
相关技术中用于进行作物亩穗数测量的作物亩穗数测量装置通常是便于技术人员进行田间实地测量而设计的取样辅助装置。上述传统的作物亩穗数测量装置可以对样点范围进行精准框定,虽然提升了样点范围确定的便捷度,但是对于样点范围内的作物穗数仍需要人工目视计数方式进行,精度和效率提升十分有限。
相关技术中,还可以利用RGB相机获取目标范围内作物的影像数据之后,辅助采样框定工具,并结合人工智能算法,进行作物亩穗数的自动化获取。相较于依靠技术人员进行田间实地测量的方式获取作物亩穗数,上述方式的测量效率更高,成本投入更低。
但是,基于作物的影像数据获取作物亩穗数时,受作物叶片、作物茎秆、杂草以及土壤等背景地物的影响较大,尤其是在作物临近成熟时,小麦、玉米等作物的穗部为黄色,作物叶片、作物茎秆、杂草等干扰地物亦已失水呈现枯黄色,作物穗部的RGB光谱信息与干扰地物的RGB光谱信息非常近似,存在明显的“同谱异物”和“同物异谱”现象。
因此,即使利用人工智能算法,导致基于作物的影像数据获取作物亩穗数的准确率仍然有待提升。
此外,基于作物的影像数据获取作物亩穗数时,通常还需采样框定工具进行辅助,不仅需要多光谱图像传感器获取作物的影像数据,还需要放置采样框定工具于作物冠层上方,所需的设备相对臃肿,流程比较繁琐,给野外实地采样带来一定不便。
因此,为了满足作物亩穗数便携式、智能化、高精度的快速测量,迫切需要发展适合作物产量近地表实地评估的作物亩穗数测量***,从而满足作物亩穗数的轻便、快速以及精准测定需求,本发明提供一种作物亩穗数测量***。本发明提供的作物亩穗数测量***,基于五通道相机传感器,获取目标测区的Red、Green、Blue、RedEdge、NIR的五波段影像,结合Densenet 201深度学习智能识别算法,用于目标测区小麦总的穗数的精准获取,同时搭载激光测距仪,结合传感器视场范围,用于目标测区面积的精准获取,通过集成五通道相机传感器和激光测距仪达到小麦光谱特征精细刻画和目标测区范围精准测定,采用Densenet 201深度学习智能识别算法精准识别作物穗部,以期实现作物亩穗数田间轻便快速精准测定,不仅克服了作物亩穗数人工测量方式精度和效率有限的问题,还解决了相关技术中作物亩穗数自动化获取精度亟待提升和装置相对臃肿的问题。
图1是本发明提供的作物亩穗数测量***的结构示意图之一。下面结合图1对本发明提供的作物亩穗数测量***进行描述。如图1所示,作物亩穗数测量***101,包括:多光谱图像传感器102、测距传感器103、角度传感器104以及控制器105;多光谱图像传感器102、角度传感器104与测距传感器103分别与控制器105电连接;
多光谱图像传感器102用于响应于控制器105的控制,获取待测区域中的待测作物的多光谱影像作为目标影像,并将目标影像发送至控制器105;
角度传感器104用于响应于控制器105的控制,获取多光谱图像传感器102在获取目标影像时的拍摄角度,并将拍摄角度发送至控制器105;
测距传感器103用于响应于控制器105的控制,获取多光谱图像传感器102在获取目标影像时与待测作物冠层之间的距离,并将距离发送至控制器105;
控制器105用于在满足测量条件的情况下,控制多光谱图像传感器102获取待测区域中待测作物的多光谱影像作为目标影像,控制角度传感器104获取多光谱图像传感器102在获取目标影像时的拍摄角度,以及控制测距传感器103获取多光谱图像传感器102在获取目标影像时与待测作物之间的距离,控制器105还用于在接收到目标影像、拍摄角度以及距离的情况下,基于目标影像、拍摄角度以及距离,计算得到待测区域中待测作物的亩穗数。
具体地,待测区域中的待测作物为本发明提供的作物亩穗数测量***101的测量对象。基于本发明提供的作物亩穗数测量***101,可以对待测区域中的待测作物的亩穗数进行测量,获得待测区域中待测作物的亩穗数。
需要说明的是,本发明实施例中的待测作物可以为小麦,还可以为玉米、大豆等其他作物。本发明实施例中对待测作物的具体种类不作限定。以下以待测作物为小麦为例,对本发明提供的作物亩穗数测量***101进行说明。
需要说明的是,待测区域可以是基于实际需求确定的。本发明实施例中对待测区域不作具体限定。
需要说明的是,本发明实施例中的作物亩穗数测量***101在出厂前,作物亩穗数测量***101中的多光谱图像传感器102和测距传感器103已完成空间定标。
对多光谱图像传感器102、测距传感器103以及角度传感器104进行空间定标的具体过程包括:以测距传感器103为中心,标出多光谱图像传感器102的成像中心位置坐标,进而对多光谱图像传感器102的所有镜头进行空间定标。
作为一个可选地实施例,多光谱图像传感器102用于响应于控制器105的控制,获取待测区域中的待测作物在目标波段下的多光谱影像,作为目标影像;目标波段包括蓝光波段、绿光波段、红光波段、红边波段和近红外波段。
具体地,本发明实施例中可以基于待测区域中的待测作物在目标波段下的多光谱影像,测量待测区域中待测作物的亩穗数。
需要说明的是,本发明实施例中的目标波段是基于小麦生理生态的特殊性以及小麦穗部与干扰地物的光谱差异性确定的。目标波段包括蓝光波段:465-530nm、绿光波段:530-580nm、红光波段:630-670nm、红边波段:680-740nm以及近红外波段:780-880nm。
相应地,本发明实施例中多光谱图像传感器102中的光电转换器件(Charge-Coupled Device,CCD)的光谱响应范围覆盖400-900nm的波段范围。多光谱图像传感器102的CMOS(Complementary Metal-Oxide-Semiconductor)上添加有滤光材料,使得多光谱图像传感器102能够采集到400-900nm波段范围内目标波段的多光谱数据。
需要说明的是,本发明实施例中每一目标波段的像素数均为2048×2048,视场角均为28°。
作为一个可选地实施例,测距传感器103为激光测距传感器。
具体地,激光测距传感器是一种利用激光技术进行测距的传感器。激光测距传感器通过向目标发射激光脉冲,并测量激光脉冲从发射到接收所需的时间来计算目标与传感器之间的距离。激光测距传感器具有高精度、高速度和长距离测量等优点,可以在多种应用场景中使用。
本发明实施例中的激光测距传感器的测量距离为0.05-50m,测量精度为±2mm,测量单位为m,防护等级为IP54(防水防尘),工作电压为18-30V,工作电流为<100 mA(DC24V),额定功率为3W,存储温度为-25℃-75℃。
图2是本发明提供的作物亩穗数测量***的结构示意图之二。如图2所示,作为一个可选地实施例,作物亩穗数测量***101,还包括:用户交互设备;用户交互设备与控制器105电连接;
用户交互设备用于在接收到用户输入的测量指令的情况下,将测量指令发送至控制器105,用户交互设备还用于在接收到控制器105发送的待测作物的亩穗数的情况下,显示待测作物的亩穗数供用户查看;
控制器105还用于在接收到测量指令的情况下,确定已满足测量条件。
需要说明的是,图2所示的为作物亩穗数测量***101的正面。
本发明实施例中的用户交互设备可以包括显示设备201以及多个按键202,每一按键202用于基于用户的操作,执行不同的功能。
在用于触发测量的采样按键202接收到用户的按键202操作的情况下,上述采样按键202可以向控制器105发送测量指令。
控制器105在接收到上述测量指令的情况下,确定已满足测量条件,进而控制多光谱图像传感器102获取待测区域中待测作物的多光谱影像作为目标影像,控制角度传感器104获取多光谱图像传感器102在获取目标影像时的拍摄角度,以及控制测距传感器103获取多光谱图像传感器102在获取目标影像时与待测作物之间的距离。
可选地,控制器105在接收到目标影像的情况下,还可以将上述目标影像发送至用户交互设备中的显示设备201。
上述显示设备201在接收到上述目标影像的情况下,可以显示上述目标影像以供用户查看。
控制器105在计算得到待测区域中待测作物的亩穗数的情况下,亦可以将上述亩穗数发送至用户交互设备中的显示设备201。
上述显示设备201在接收到上述亩穗数的情况下,可以显示上述亩穗数以供用户查看。
可选地,如图2所示,在作物亩穗数测量***101的正面还可以设置于指示灯204,用于指示作物亩穗数测量***101的工作状态。
本发明实施例中的作物亩穗数测量***能基于用户的操作,触发对待测区域中待测作物的亩穗数的测量,能更灵活地满足用户的测量需求,能提高用户感知。
图3是本发明提供的作物亩穗数测量***的结构示意图之三。如图2和图3所示,作为一个可选地实施例,作物亩穗数测量***101,还包括:壳体结构203、移动体和定位设备;多光谱图像传感器102、测距传感器103、角度传感器104以及控制器105均设置于壳体结构203内;移动体与定位设备分别与控制器105电连接;定位设备设置于壳体结构203内;壳体结构203设置于移动体上;
移动体用于响应于控制器105的控制,带动壳体结构203在待测区域内移动;
定位设备用于获取移动体的实时位置信息,并将实时位置信息发送至控制器105;
控制器105还用于基于实时位置信息,确定多光谱图像传感器102处于待测区域内的预设位置的情况下,确定已满足测量条件。
需要说明的是,图3所示的为作物亩穗数测量***101的反面。
需要说明的是,本发明实施例中的移动体可以是在地面移动的行走机构,还可以是无人机。本发明实施例中对移动体的具体类型不作限定。
需要说明的是,本发明实施例中待测区域内的预设位置可以是基于先验知识和/或实际情况预定义的。本发明实施例中对待测区域内的预设位置不作具体限定。
需要说明的是,如图2和图3所示,多光谱图像传感器102和测距传感器103设置于作物亩穗数测量***101的反面,角度传感器104设置于作物亩穗数测量***101的正面。
可选地,如图3所示,作物亩穗数测量***101还包括电池301,用于为作物亩穗数测量***101中的组件供电。
可选地,如图2和图3所示,作物亩穗数测量***101还设置有用于充电和数据传输的数据接口205。
本发明实施例中的作物亩穗数测量***能利用移动体带动多光谱图像传感器、测距传感器以及角度传感器在待测区域内移动,并能在确定多光谱图像传感器到达待测区域中的预设位置的情况下,自动触发对待测区域中待测作物的亩穗数的测量,能提高作物亩穗数测量的自动化水平,能降低作物亩穗数测量的工作量,能进一步提高作物亩穗数测量的效率,能提高用户感知。
作为一个可选地实施例,作物亩穗数测量***101,还包括:定时装置;定时装置与控制器105电连接;
移动体用于带动壳体结构203按照预设路径在待测区域内移动;
定时装置用于在移动体带动壳体结构按照预设路径在待测区域内移动的过程,每隔预设时长,向控制器发送一个测量指令;
控制器105还用于在接收到测量指令的情况下,确定已满足测量条件,控制器105还用于基于每次接收到测量指令后计算得到的待测区域中待测作物的亩穗数,获得待测区域中待测作物亩穗数的测量结果。
具体地,本发明实施例中的移动体可以按照预设路径带动壳体结构203在待测区域内移动。其中,上述预设路径可以是基于先验知识和/或实际情况确定的,例如上述预设路径可以为蛇形路径。本发明实施例中对上述预设路径不作具体限定。
需要说明的是,本发明实施例中的预设时长亦可以是基于先验知识和/或实际情况确定的。本发明实施例中对上述预设时长不作具体限定。
控制器105每次接收到测量指令之后,均可以计算得到一个待测区域中待测作物的亩穗数。
在移动体带动壳体结构203完成待测区域内的移动之后,定时装置不再向控制器105发送测量指令。控制器105可以基于每次接收到测量指令之后计算得到的待测区域中待测作物的亩穗数,通过数值计算的方式,获得待测区域中待测作物亩穗数的测量结果。
例如,控制器105可以计算得到每次接收到测量指令之后计算得到的待测区域中待测作物的亩穗数的平均值,作为待测区域中待测作物亩穗数的测量结果;或者,控制器105还可以剔除每次接收到测量指令之后计算得到的待测区域中待测作物的亩穗数中的最大值和最小值之后,计算剩余的亩穗数的平均值,作为待测区域中待测作物亩穗数的测量结果。
本发明实施例中的作物亩穗数测量***能够在移动体带动多光谱图像传感器、测距传感器以及角度传感器按照预设路径在待测区域内移动的过程中,周期性自动触发对待测区域中待测作物的亩穗数的测量,进而基于周期性获取到的待测区域中待测作物的亩穗数,获取待测区域中待测作物亩穗数的测量结果,能进一步提高作物亩穗数测量的准确率,能提高作物亩穗数测量的自动化水平,能降低作物亩穗数测量的工作量,能进一步提高作物亩穗数测量的效率,能提高用户感知。
作为一个可选地实施例,控制器105还用于在接收到目标影像、拍摄角度以及距离的情况下,基于拍摄角度、距离以及多光谱图像传感器102的视场角,计算得到目标影像对应区域的区域面积,进而基于目标影像和区域面积,计算得到待测区域中待测作物的亩穗数。
具体地,控制器105在接收到多光谱图像传感器102发送的目标影像,角度传感器104发送的多光谱图像传感器102在获取目标影像时的拍摄角度β以及测距传感器103发送的多光谱图像传感器102在获取目标影像时与待测作物冠层之间的距离H之后,可以结合多光谱图像传感器102的视场角α,通过数值计算的方式,计算得到目标影像对应区域的区域面积S。
需要说明的是,在多光谱图像传感器102在获取目标影像时的拍摄角度β为90°的情况下,表示多光谱图像传感器102在获取目标影像时的拍摄方向垂直于待测区域所在平面。
在多光谱图像传感器102在获取目标影像时的拍摄角度β为90°的情况下,目标影像对应区域的区域面积S可以通过如下公式计算得到:
S=(H×tanα×2)2
可选地,本发明实施例中多光谱图像传感器102的视场角α为28°。
获取目标影像对应区域的区域面积S之后,可以基于区域面积S和目标影像,通过深度学习算法以及数值计算的方式,获取待测区域中待测作物的亩穗数。
作为一个可选地实施例,控制器105还用于将目标影像输入作物穗部识别模型,获取作物穗部识别模型输出的目标影像的作物穗部识别结果,进而基于目标影像的作物穗部识别结果,确定目标影像中待测作物的穗部的数量,进而基于数量和区域面积,计算得到待测区域中待测作物的亩穗数;
其中,作物穗部识别模型基于DenseNet网络构建,基于样本影像以及样本影像的作物穗部识别结果进行训练后得到的;样本影像中包括样本区域中样本作物的影像;样本作物和待测作物的种类相同。
需要说明的是,DenseNet是一种深度学习神经网络架构,DenseNet的核心思想是通过密集连接(Dense Connection)来增强网络的特征传递和梯度流动能力。Dense Block是DenseNet的核心组件,它由若干个相同输出特征图大小的卷积层和归一化操作组成,这些层之间都是密集连接的。每一个卷积层的输入都由前面所有层的输出拼接而成,这样可以保证每一层都能够直接接收到来自前面所有层的信息,从而有效地提高了网络的信息流动效率和特征重用程度。
DenseNet-201网络是DenseNet网络的变体之一,DenseNet-201网络以DenseBlock为基本组件,通过密集连接(Dense Connection)的方式来实现网络的深层特征提取。在DenseNet-201网络中,Dense Block由多个Bottleneck层组成,每个Bottleneck层包含1x1、3x3和1x1三个卷积层。在Bottleneck层中,1x1的卷积层主要用于降低通道数,3x3的卷积层用于提取特征,而再次使用1x1的卷积层则有助于恢复通道数,使得特征图的维度保持不变。DenseNet-201还采用了Transition Block来控制特征图在网络中的维度和深度。Transition Block由1x1的卷积层和2x2的平均池化层组成,其中1x1的卷积层用于降低通道数,2x2的平均池化层则用于减小特征图的尺寸。DenseNet-201在全局平均池化层后接上一个全连接层,以实现对输入图像的分类。由于DenseNet-201采用了密集连接和深层网络结构,它在图像分类、目标检测等任务中都取得了领先的性能。
本发明实施例中可以基于DenseNet-201网络构建初始模型,进而可以以样本影像为样本,以样本影像的作物穗部识别结果为样本标签,对上述初始模型进行训练,获得作物穗部识别模型。
需要说明的是,本发明实施例中可以获取样本区域中样本作物的影像,作为样本影像。获取样本影像之后,可以通过目视解译等方式,在样本影像中标注样本作物的穗部,进而可以将标注后的样本影像作为样本影像的作物穗部识别结果。
将目标影像输入上述作物穗部识别模型之后,上述作穗部识别模型可以依据待测作物的穗部与周边干扰地物的光谱特征差异,对目标影像中待测作物的穗部进行识别,并在目标影像中标注识别到的待测作物的穗部,进而可以将标注后的目标影像作为目标影像的作物穗部识别结果输出。
获取上述作物穗部识别模型输出的目标影像的作物穗部识别结果之和,可以基于目标影像的作物穗部识别结果,通过自动化计数算法,获取目标影像中待测作物的穗部的数量N。
目标影像中待测作物的穗部的数量N和目标影像对应区域的区域面积S,可以通过数值计算的方式,计算得到待测区域中待测作物的亩穗数,具体计算公式如下:
本发明实施例中采用Densenet-201网络构建作穗部识别模型,依据小麦穗与周边干扰地物的光谱特征差异,精准识别目标影像中待测作物的穗部,进而能基于目标影像的作物穗部识别结果,采用自动化计数算法,实现目标影像对应区域中待测作物穗数的自动化智能化精准测定,能进一步提高作物亩穗数测量的效率和准确率。
本发明实施例采用Densenet-201深度学习智能识别算法精准识别目标影像中待测作物的穗部,实现目标影像中待测作物穗数的精准计数,从而实现待测区域亩穗数田间轻便快速精准测定。
本发明实施例中的作物亩穗数测量***,将多光谱图像传感器和测距传感器进行有机结合,能够实现待测区域中待测作物光谱特征精细表达和目标影像对应区域的区域面积范围的精准测定,能更准确、更高效、更便捷且更低成本地测量作物亩穗数,不仅克服了作物亩穗数人工测量方式精度和效率有限的问题,还解决了作物亩穗数自动化测量准确率不高和装置相对臃肿的问题。
本发明实施例中的作物亩穗数测量***,提出了结合多光谱图像传感器和激光测距传感器,采用Densenet201深度学***台(测量车、导轨车等)及近低空平台(无人机等)搭载使用的作物亩穗数测量***,实现实时作物亩穗数测定,所测即所得,为进行作物产量实时评估提供了高效的传感器工具,能够满足精准信息获取及精准决策的需求,可有效促进农业生产决策信息化、自动化、智能化发展。
图4是本发明提供的作物亩穗数测量方法的流程示意图。下面结合图4描述本发明的作物亩穗数测量方法。下文描述的作物亩穗数测量方法基于上文描述的本发明提供的作物亩穗数测量***101实现。如图4所示,该方法包括:步骤401、在确定满足测量条件的情况下,控制多光谱图像传感器获取待测区域中待测作物的多光谱影像作为目标影像,控制角度传感器获取多光谱图像传感器在获取目标影像时的拍摄角度,以及控制测距传感器获取多光谱图像传感器在获取目标影像时与待测作物冠层之间的距离;
步骤402、基于目标影像、拍摄角度以及距离,计算得到待测区域中待测作物的亩穗数。
需要说明的是,本发明实施例的执行主体为作物亩穗数测量***101中的控制器105。
需要说明的是,本发明提供的作物亩穗数测量方法的具体执行步骤可以参见上述各实施例的内容,本发明实施例中不再赘述。
本发明实施例通过在确定满足测量条件的情况下,控制多光谱图像传感器获取待测区域中待测作物的多光谱影像作为目标影像,控制角度传感器获取多光谱图像传感器在获取目标影像时的拍摄角度,以及控制测距传感器获取多光谱图像传感器在获取目标影像时与待测作物冠层之间的距离之后,基于目标影像、拍摄角度以及距离,计算得到待测作物的亩穗数,能够实现待测区域中待测作物光谱特征精细表达和目标影像对应区域的区域面积范围的精准测定,能更准确、更高效且更低成本地测量作物亩穗数,不仅克服了作物亩穗数人工测量方式精度和效率有限的问题,还解决了作物亩穗数自动化测量准确率不高和装置相对臃肿的问题。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行作物亩穗数测量方法,该方法包括:在确定满足测量条件的情况下,控制多光谱图像传感器获取待测区域中待测作物的多光谱影像作为目标影像,控制角度传感器获取多光谱图像传感器在获取目标影像时的拍摄角度,以及控制测距传感器获取多光谱图像传感器在获取目标影像时与待测作物冠层之间的距离;基于目标影像、拍摄角度以及距离,计算得到待测区域中待测作物的亩穗数。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的作物亩穗数测量方法,该方法包括:在确定满足测量条件的情况下,控制多光谱图像传感器获取待测区域中待测作物的多光谱影像作为目标影像,控制角度传感器获取多光谱图像传感器在获取目标影像时的拍摄角度,以及控制测距传感器获取多光谱图像传感器在获取目标影像时与待测作物冠层之间的距离;基于目标影像、拍摄角度以及距离,计算得到待测区域中待测作物的亩穗数。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的作物亩穗数测量方法,该方法包括:在确定满足测量条件的情况下,控制多光谱图像传感器获取待测区域中待测作物的多光谱影像作为目标影像,控制角度传感器获取多光谱图像传感器在获取目标影像时的拍摄角度,以及控制测距传感器获取多光谱图像传感器在获取目标影像时与待测作物冠层之间的距离;基于目标影像、拍摄角度以及距离,计算得到待测区域中待测作物的亩穗数。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种作物亩穗数测量***,其特征在于,包括:多光谱图像传感器、测距传感器、角度传感器以及控制器;所述多光谱图像传感器、所述角度传感器与所述测距传感器分别与所述控制器电连接;
所述多光谱图像传感器用于响应于所述控制器的控制,获取待测区域中的待测作物的多光谱影像作为目标影像,并将所述目标影像发送至所述控制器;
所述角度传感器用于响应于所述控制器的控制,获取所述多光谱图像传感器在获取所述目标影像时的拍摄角度,并将所述拍摄角度发送至所述控制器;
所述测距传感器用于响应于所述控制器的控制,获取所述多光谱图像传感器在获取所述目标影像时与所述待测作物冠层之间的距离,并将所述距离发送至所述控制器;
所述控制器用于在满足测量条件的情况下,控制所述多光谱图像传感器获取所述待测区域中所述待测作物的多光谱影像作为所述目标影像,控制所述角度传感器获取所述多光谱图像传感器在获取所述目标影像时的拍摄角度,以及控制所述测距传感器获取所述多光谱图像传感器在获取所述目标影像时与所述待测作物之间的距离,
所述控制器还用于在接收到所述目标影像、所述拍摄角度以及所述距离的情况下,基于所述目标影像、所述拍摄角度以及所述距离,计算得到所述待测区域中所述待测作物的亩穗数。
2.根据权利要求1所述的作物亩穗数测量***,其特征在于,所述控制器还用于在接收到所述目标影像、所述拍摄角度以及所述距离的情况下,基于所述拍摄角度、所述距离以及所述多光谱图像传感器的视场角,计算得到所述目标影像对应区域的区域面积,进而基于所述目标影像和所述区域面积,计算得到所述待测区域中所述待测作物的亩穗数。
3.根据权利要求2所述的作物亩穗数测量***,其特征在于,所述控制器还用于将所述目标影像输入作物穗部识别模型,获取所述作物穗部识别模型输出的所述目标影像的作物穗部识别结果,进而基于所述目标影像的作物穗部识别结果,确定所述目标影像中所述待测作物的穗部的数量,进而基于所述数量和所述区域面积,计算得到所述待测区域中所述待测作物的亩穗数;
其中,所述作物穗部识别模型基于DenseNet网络构建,基于样本影像以及所述样本影像的作物穗部识别结果进行训练后得到的;所述样本影像中包括样本区域中样本作物的影像;所述样本作物和所述待测作物的种类相同。
4.根据权利要求1所述的作物亩穗数测量***,其特征在于,所述多光谱图像传感器用于响应于所述控制器的控制,获取所述待测区域中的待测作物在目标波段下的多光谱影像,作为目标影像;所述目标波段包括蓝光波段、绿光波段、红光波段、红边波段和近红外波段。
5.根据权利要求1所述的作物亩穗数测量***,其特征在于,所述测距传感器为激光测距传感器。
6.根据权利要求1所述的作物亩穗数测量***,其特征在于,还包括:用户交互设备;所述用户交互设备与所述控制器电连接;
所述用户交互设备用于在接收到用户输入的测量指令的情况下,将所述测量指令发送至所述控制器,
所述用户交互设备还用于在接收到所述控制器发送的所述待测作物的亩穗数的情况下,显示所述待测作物的亩穗数供用户查看;
所述控制器还用于在接收到所述测量指令的情况下,确定已满足所述测量条件。
7.根据权利要求1所述的作物亩穗数测量***,其特征在于,还包括:壳体结构;所述多光谱图像传感器、所述测距传感器、所述角度传感器以及所述控制器均设置于所述壳体结构内。
8.根据权利要求7所述的作物亩穗数测量***,其特征在于,还包括:移动体和定位设备;所述移动体与所述定位设备分别与所述控制器电连接;所述定位设备设置于所述壳体结构内;所述壳体结构设置于所述移动体上;
所述移动体用于响应于所述控制器的控制,带动所述壳体结构在所述待测区域内移动;
所述定位设备用于获取所述移动体的实时位置信息,并将所述实时位置信息发送至所述控制器;
所述控制器还用于基于所述实时位置信息,确定所述多光谱图像传感器处于所述待测区域内的预设位置的情况下,确定已满足所述测量条件。
9.根据权利要求8所述的作物亩穗数测量***,其特征在于,还包括:定时装置;所述定时装置与所述控制器电连接;
所述移动体用于带动所述壳体结构按照预设路径在所述待测区域内移动;
所述定时装置用于在所述移动体带动所述壳体结构按照所述预设路径在所述待测区域内移动的过程,每隔预设时长,向所述控制器发送一个测量指令;
所述控制器还用于在接收到所述测量指令的情况下,确定已满足所述测量条件,
所述控制器还用于基于每次接收到所述测量指令后计算得到的所述待测区域中所述待测作物的亩穗数,获得待测区域中所述待测作物亩穗数的测量结果。
10.一种作物亩穗数测量方法,其特征在于,基于如权利要求1至9任一所述的作物亩穗数测量***实现,所述方法,包括:
在确定满足测量条件的情况下,控制多光谱图像传感器获取待测区域中待测作物的多光谱影像作为所述目标影像,控制角度传感器获取所述多光谱图像传感器在获取所述目标影像时的拍摄角度,以及控制测距传感器获取所述多光谱图像传感器在获取所述目标影像时与所述待测作物冠层之间的距离;
基于所述目标影像、所述拍摄角度以及所述距离,计算得到所述待测区域中所述待测作物的亩穗数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134202.9A CN117664878B (zh) | 2024-01-31 | 2024-01-31 | 作物亩穗数测量***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410134202.9A CN117664878B (zh) | 2024-01-31 | 2024-01-31 | 作物亩穗数测量***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117664878A CN117664878A (zh) | 2024-03-08 |
CN117664878B true CN117664878B (zh) | 2024-04-19 |
Family
ID=90064560
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410134202.9A Active CN117664878B (zh) | 2024-01-31 | 2024-01-31 | 作物亩穗数测量***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117664878B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1293359A (zh) * | 1999-08-10 | 2001-05-02 | 株式会社佐竹制作所 | 田间作物营养诊断方法 |
CN102102988A (zh) * | 2009-12-22 | 2011-06-22 | 中国农业科学院农业环境与可持续发展研究所 | 农作物产量信息实时测量方法、***及装置 |
CN105842164A (zh) * | 2016-05-06 | 2016-08-10 | 北京农业信息技术研究中心 | 一种小麦穗数测量装置及其使用方法 |
CN110736750A (zh) * | 2019-10-28 | 2020-01-31 | 安徽大学 | 一种基于多角度田间高清成像的小麦赤霉病检测方法 |
CN113466142A (zh) * | 2021-06-17 | 2021-10-01 | 塔里木大学 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
CN114066022A (zh) * | 2021-10-26 | 2022-02-18 | 中国科学院空天信息创新研究院 | 基于计算机视觉和深度学习技术的小麦单产观测方法 |
CN117475163A (zh) * | 2023-11-02 | 2024-01-30 | 齐鲁理工学院 | 作物疾病严重程度检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022032329A1 (en) * | 2020-08-14 | 2022-02-17 | Agriculture Victoria Services Pty Ltd | System and method for image-based remote sensing of crop plants |
-
2024
- 2024-01-31 CN CN202410134202.9A patent/CN117664878B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1293359A (zh) * | 1999-08-10 | 2001-05-02 | 株式会社佐竹制作所 | 田间作物营养诊断方法 |
CN102102988A (zh) * | 2009-12-22 | 2011-06-22 | 中国农业科学院农业环境与可持续发展研究所 | 农作物产量信息实时测量方法、***及装置 |
CN105842164A (zh) * | 2016-05-06 | 2016-08-10 | 北京农业信息技术研究中心 | 一种小麦穗数测量装置及其使用方法 |
CN110736750A (zh) * | 2019-10-28 | 2020-01-31 | 安徽大学 | 一种基于多角度田间高清成像的小麦赤霉病检测方法 |
CN113466142A (zh) * | 2021-06-17 | 2021-10-01 | 塔里木大学 | 一种多尺度果品散射偏振光谱成像定量检测方法 |
CN114066022A (zh) * | 2021-10-26 | 2022-02-18 | 中国科学院空天信息创新研究院 | 基于计算机视觉和深度学习技术的小麦单产观测方法 |
CN117475163A (zh) * | 2023-11-02 | 2024-01-30 | 齐鲁理工学院 | 作物疾病严重程度检测方法 |
Non-Patent Citations (1)
Title |
---|
基于小麦群体图像的田间麦穗计数及产量预测方法;李毅念 等;农业工程学报;20181130;34(21);第185-194页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117664878A (zh) | 2024-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104482860B (zh) | 鱼类形态参数自动测量装置和方法 | |
CN111561873B (zh) | 自走式苗木树干表型信息采集***及其采集方法 | |
US10303944B2 (en) | Plant stand counter | |
Kataoka et al. | Crop growth estimation system using machine vision | |
EP3555562B1 (en) | Crop scanner | |
CN111815014A (zh) | 一种基于无人机低空遥感信息的作物产量预测方法及*** | |
CN103336966B (zh) | 一种应用于农业智能机械的杂草图像辨识方法 | |
CN106441442A (zh) | 一种大田作物表型信息高通量对等监测装置及监测方法 | |
CN109784200B (zh) | 基于双目视觉的奶牛行为图像获取与体况智能监测*** | |
CN104050668A (zh) | 一种基于双目视觉技术的绿茶嫩芽的目标识别方法 | |
CN110889394A (zh) | 基于深度学习UNet网络的水稻倒伏识别方法 | |
CN103630091B (zh) | 一种基于激光与图像处理技术的叶面积测量方法 | |
CN106037651A (zh) | 一种心率检测方法及*** | |
CN111460903A (zh) | 基于深度学习的田间西兰花长势监测***及方法 | |
CN103778630A (zh) | 基于android的田间病害程度图像识别方法 | |
CN107564071A (zh) | 一种图像识别草地方法及装置 | |
CN114692991A (zh) | 一种基于深度学习的枸杞产量预测方法及*** | |
CN115560754A (zh) | 一种基于杂草去除的视觉导航方法 | |
CN117664878B (zh) | 作物亩穗数测量***及方法 | |
CN204202563U (zh) | 鱼类形态参数自动测量装置 | |
CN116452967B (zh) | 基于机器视觉的鱼游动速度识别方法 | |
CN111369497B (zh) | 一种行走式树上果实连续计数方法及装置 | |
US20220172306A1 (en) | Automated mobile field scouting sensor data and image classification devices | |
CN112816441A (zh) | 一种设施园艺作物生长状况检测方法及装置 | |
CN116721344A (zh) | 基于航拍设备的植被检测方法、装置和设备 |
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 |