CN117789067B - 一种基于机器学习的无人机农作物监测方法及*** - Google Patents
一种基于机器学习的无人机农作物监测方法及*** Download PDFInfo
- Publication number
- CN117789067B CN117789067B CN202410215219.7A CN202410215219A CN117789067B CN 117789067 B CN117789067 B CN 117789067B CN 202410215219 A CN202410215219 A CN 202410215219A CN 117789067 B CN117789067 B CN 117789067B
- Authority
- CN
- China
- Prior art keywords
- distance
- height
- historical
- crop
- interval
- 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 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 42
- 238000010801 machine learning Methods 0.000 title claims abstract description 25
- 241000607479 Yersinia pestis Species 0.000 claims description 53
- 238000012549 training Methods 0.000 claims description 45
- 230000012010 growth Effects 0.000 claims description 40
- 238000012360 testing method Methods 0.000 claims description 36
- 241000238631 Hexapoda Species 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 241000196324 Embryophyta Species 0.000 description 24
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 4
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 240000000111 Saccharum officinarum Species 0.000 description 1
- 235000007201 Saccharum officinarum Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Landscapes
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及农作物监测技术领域,本发明公开了一种基于机器学习的无人机农作物监测方法及***,包括按划分序号顺序获取第i个区域的第一距离,判断第一距离是否处于标准区间,若第一距离不处于标准区间,则获取农作物图像,基于农作物图像和预构建的虫害识别模型获得识别结果,若存在虫害,则将第i个区域标记为第一区域,若不存在虫害,则将第i个区域标记为第二区域,先根据第一距离进行判断,这样不仅缩短了对农作物区域监测所花的时间,同时也对农作物区域是否发生虫害进行了监测,同时根据识别结果对异常区域进行标记,将异常区域标记为第一区域和第二区域,最后再根据第二区域的数量进一步判断农作物是否出现倒伏现象。
Description
技术领域
本发明涉及农作物监测技术领域,更具体地说,本发明涉及一种基于机器学习的无人机农作物监测方法及***。
背景技术
随着信息化时代的到来,建设现代化农业发展体系成为我国农业领域当前的焦点关注,大量实践证明,将无人机遥感技术应用于农业生产领域,能够实现对农作物各个生长阶段的快速、精准、全面监测和管理,无人机可以迅速获取农作物生长信息,从而精确监测作物的色素、病虫害、长势等情况,此外,无人机搭载的摄像机具备较高的分辨率,保证了数据信息的精准性,通过信息处理技术,可以有效提取相关地物信息,一般情况下,无人机首先获取农作物的高度信息和图像,然后利用这些数据来实现对农作物的精确监测,这一技术的应用为农业领域带来了巨大的便利和潜力;
例如,申请公开号为CN113989689A的专利公开了一种基于无人机的农作物病虫害识别方法及***,该专利通过对无人机拍摄的农作物图片进行处理,根据农作物叶片的脉络结构,先识别农作物的叶片,然后再将识别的叶片输入卷积神经网络或者深度学习模型,检测农作物病虫害信息,实现了基于无人机的农作物病虫害识别,申请公开号为CN106643529A的专利公开了基于无人机影像的山区农作物生长高度快速测量的方法,该专利通过获得农作物在每个阶段的生长高度,以此对农作物进行监测,虽然上述专利都在一定程度上实现了对农作物的监测,但还存在以下问题:
上述专利虽然通过农作物的叶片以及深度学习模型对农作物的虫害进行识别,但是由于农作物的面积较大,上述专利依次通过图片进行识别无疑会增加工作量导致监测的效率也不高,虽然存在现有技术,通过对农作物的生长高度进行快速测量已实现对农作物的监测,但是上述专利只通过生长高度对农作物监测会出现不准确的问题,因为不仅是虫害会对农作物的生成高度存在影响,天气原因会使得农作物出现倒伏现象,导致农作物的生长高度的检测出现误差,从而对该区域的农作物的生长状态出现误判的现象。
鉴于此,本发明提出一种基于机器学习的无人机农作物监测方法及***以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,本发明提供一种基于机器学习的无人机农作物监测方法及***。
为实现上述目的,本发明提供如下技术方案:
一种基于机器学习的无人机农作物监测方法,包括:
S10:按划分序号顺序获取第i个区域的第一距离,判断第一距离是否处于标准区间,所述第一距离为无人机与农作物之间的距离;
S20:若第一距离不处于标准区间,则获取农作物图像,基于农作物图像和预构建的虫害识别模型获得识别结果,识别结果包括存在虫害和不存在虫害;
S30:若存在虫害,则将第i个区域标记为第一区域,若不存在虫害,则将第i个区域标记为第二区域,令i=i+1,并返回S10;
S40:重复上述S10至S30,直到i=k,结束循环,得到第二区域数量,基于第二区域数量确定是否存在倒伏现象。
进一步地,标准区间的生成方法包括:
获取农作物的生长时间和植物类别,将生长时间和植物类别输入到预构建的高度预测模型中,以获得高度预测模型输出的第一高度区间;
基于农作物的生长时间和植物类别从数据库中获得第二高度区间,根据第一高度区间和第二高度区间生成第三高度区间;
获取第二距离,基于第三高度区间和第二距离生成标准区间,所述第二距离为无人机到地面的距离。
进一步地,根据第一高度区间和第二高度区间生成第三高度区间的方法包括:
取第一高度区间和第二高度区间之间的交集以形成第三高度区间。
进一步地,高度预测模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史生长时间、历史植物类别和历史第一高度区间,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史生长时间和历史植物类别作为回归网络的输入数据,以样本训练集中的历史第一高度区间作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时标准区间的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为高度预测模型。
进一步地,虫害识别模型的构建方法包括:
获取h组数据,h为大于1的正整数,数据包括历史农作物图像和历史识别结果,将历史农作物图像和历史识别结果作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的历史农作物图像作为输入数据,将训练集中的历史识别结果作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为虫害识别模型。
进一步地,基于第二区域数量确定是否存在倒伏现象的方法包括:
判断第二区域数量是否小于预设区域数量阈值,若是,则不存在倒伏现象,若否,则存在倒伏现象。
进一步地,距离补偿模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史风力信息、历史植物类别、历史第一距离和历史第二距离,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史风力信息、历史植物类别和历史第一距离作为回归网络的输入数据,以样本训练集中的历史第二距离作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时第二距离的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为距离补偿模型。
一种基于机器学习的无人机农作物监测***,其用于实现上述的一种基于机器学习的无人机农作物监测方法,包括:
距离获取模块:按划分序号顺序获取第i个区域的第一距离,判断第一距离是否处于标准区间,所述第一距离为无人机与农作物之间的距离;
虫害识别模块:若第一距离不处于标准区间,则获取农作物图像,基于农作物图像和预构建的虫害识别模型获得识别结果,识别结果包括存在虫害和不存在虫害;
区域标记模块:若存在虫害,则将第i个区域标记为第一区域,若不存在虫害,则将第i个区域标记为第二区域,令i=i+1,并返回距离获取模块;
数量确定模块:重复上述距离获取模块至区域标记模块,直到i=k,结束循环,得到第二区域数量,基于第二区域数量确定是否存在倒伏现象。
一种电子设备,包括电源、接口、键盘、存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序,所述处理器执行计算机程序时实现上述的一种基于机器学习的无人机农作物监测方法,所述接口包括网络接口与数据接口,网络接口包括有线或无线接口,数据接口包括输入或输出接口。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现上述任一项所述一种基于机器学习的无人机农作物监测方法。
相比于现有技术,本发明的有益效果为:
本发明中先获取无人机到农作物的距离,先根据第一距离进行判断,这样不仅缩短了对农作物区域监测所花的时间,同时也对农作物区域是否发生虫害进行了监测,同时根据识别结果对异常区域进行标记,将异常区域标记为第一区域和第二区域,最后再根据第二区域的数量进一步判断农作物是否出现倒伏现象,若出现倒伏现象,则并不需要对第二区域进行下一步的措施,只需要对第一区域进行治理,以此提高治理的准确性和效率,若没有出现倒伏现象,则第一区域和第二区域均需要进行治理。
附图说明
图1为本发明中一种基于机器学习的无人机农作物监测方法的示意图;
图2为本发明中农作物区域划分的示意图;
图3为本发明中计算机可读存储介质的示意图。
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、完整的描述,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。
实施例1、请参阅图1所示,本实施例公开提供了一种基于机器学习的无人机农作物监测方法,包括:
S10:按划分序号顺序获取第i个区域的第一距离,判断第一距离是否处于标准区间,所述第一距离为无人机与农作物之间的距离;
具体地,如图2所示,本发明以农作物区域为方形为例,对农作物区域进行划分以此得到k个区域,本实施例中k为8,那么无人机以按划分序号顺序获取第i个区域的第一距离,也就意味着无人机先从为序号为1的区域开始,以此遍历整个农作物区域,以实现对整个农作物区域进行监测,无人机上通常装有红外传感器,通过红外传感器向下发送红外线,以获得第一距离,第一距离指的无人机与植被之间的距离,而无人机通常是以恒定的高度进行飞行,也就意味着第一距离相对越短,代表农作物的生长高度则越高;
标准区间的生成方法包括:
获取农作物的生长时间和植物类别,将生长时间和植物类别输入到预构建的高度预测模型中,以获得高度预测模型输出的第一高度区间;
基于农作物的生长时间和植物类别从数据库中获得第二高度区间,根据第一高度区间和第二高度区间生成第三高度区间;
获取第二距离,基于第三高度区间和第二距离生成标准区间,所述第二距离为无人机到地面的距离;
可以理解的是,第一高度区间是本领域技术人员根据实验得来的,也就是说通过实验不断的测量农作物的高度,以形成用于训练模型的实验数据,而第二高度区间是通过后台与互联网进行连接,通过互联网得到的,例如,从一些植物生长的参考书籍和农业手册中获得的数据;
根据第一高度区间和第二高度区间生成第三高度区间的方法包括:
取第一高度区间和第二高度区间之间的交集以形成第三高度区间;
需要说明的是,虽然第一高度区间是本领域技术人员根据实验得来的,但是实验也会存在误差和偶然性,同时第二高度区间是根据数据库中获得的,数据太过标准化导致数据不能完全符合现实情况,因此通过将第一高度区间和第二高度区间进行结合形成第三高度区间,第三高度区间相对于第一高度区间和第二高度区间的范围要更加精确,这样能够将误差和偶然性等因素进行排除,同时也避免了数据太过标准化导致数据不能完全符合现实情况;
基于第三高度区间和第二距离生成标准区间的方法包括:
获得第三高度区间的最小边界值和最大边界值,将第二距离与最小边界值的差值作为标准区间的最大值,将第二距离与最大边界值的差值作为标准区间的最小值;
可以理解的是,第二距离指的是无人机到地面的距离,而第三高度区间指的是农作物生长的高度区间,因此需要将第二距离减去农作物的生长高度才能获得无人机到植物的距离;
高度预测模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史生长时间、历史植物类别和历史第一高度区间,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史生长时间和历史植物类别作为回归网络的输入数据,以样本训练集中的历史第一高度区间作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时标准区间的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为高度预测模型,回归网络优选为神经网络模型;
S20:若第一距离不处于标准区间,则获取农作物图像,基于农作物图像和预构建的虫害识别模型获得识别结果,识别结果包括存在虫害和不存在虫害;
需要说明的是,若第一距离不处于标准区间则表明农作物的生产状态出现问题,农作物的生产状态会极大的受到虫害的影响,因此需要获取目标图像,目标图像指的是农作物表面的图像,若第一距离处于标准区间则表明农作物的生产状态没有问题,则无人机会根据划分序号顺序移动到下一区域,这样无人机不会每到一个区域就获取农作物表面的图像,再根据农作物表面的图像进行分析,而是先获取无人机到农作物的距离,先根据第一距离进行判断,这样不仅缩短了对农作物区域监测所花的时间,同时也对农作物区域是否发生虫害进行了监测;
虫害识别模型的构建方法包括:
获取h组数据,h为大于1的正整数,数据包括历史农作物图像和历史识别结果,将历史农作物图像和历史识别结果作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的历史农作物图像作为输入数据,将训练集中的历史识别结果作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为虫害识别模型,分类器优选为朴素贝叶斯模型或支持向量机模型的其中一种;
S30:若存在虫害,则将第i个区域标记为第一区域,若不存在虫害,则将第i个区域标记为第二区域,令i=i+1,并返回S10;
值得注意的是,若存在虫害,则将第i个区域标记为第一区域,如图2所示,Fta为第一区域,Sda为第二区域,图中序号3和序号5对应的区域则被标记为第一区域,图中序号2和序号6对应的区域则被标记为第二区域,其余的序号1、序号4、序号7和序号8则是正常区域,正常区域指的是无人机经过该区域所获得第一距离处于标准区间,第一区域指的是无人机经过该区域所获得第一距离不处于标准区间,并且该区域中的农作物存在虫害现象,而第二区域指的是无人机经过该区域所获得第一距离不处于标准区间,但是该区域中的农作物不存在虫害现象,因此第二区域中农作物很大概率上出现了倒伏现象,从而导致无人机经过该区域所获得第一距离不处于标准区间;
S40:重复上述S10至S30,直到i=k,结束循环,得到第二区域数量,基于第二区域数量确定是否存在倒伏现象;
需要说明的是,上述中,第二区域指的是无人机经过该区域所获得第一距离不处于标准区间,但是该区域中的农作物不存在虫害现象,因此第二区域中农作物很大概率上出现了倒伏现象,从单个区域很难判断农作物是否出现了倒伏现象;
因为本发明是通过判断第一距离不处于标准区间,并且该区域中的农作物不存在虫害现象,以此为基础判断农作物是否出现了倒伏现象,但是除了出现倒伏现象,还可以是其它因素导致第一距离不处于标准区间,例如该区域过早或过晚的种植等也影响农作物的高度,从而导致第一距离不处于标准区间,但是过早或过晚的种植影响的区域是占少数的,通过第二区域数量判断是否农作物区域出现大面积异常的现象,若出现大面积异常的现象,则极大概率表明了农作物出现了倒伏的现象,这样进一步提高了对农作物状态判断的准确性;
基于第二区域数量确定是否存在倒伏现象的方法包括:
判断第二区域数量是否小于预设区域数量阈值,若是,则不存在倒伏现象,若否,则存在倒伏现象;
本实施例中先获取无人机到农作物的距离,先根据第一距离进行判断,这样不仅缩短了对农作物区域监测所花的时间,同时也对农作物区域是否发生虫害进行了监测,同时根据识别结果对异常区域进行标记,将异常区域标记为第一区域和第二区域,最后再根据第二区域的数量进一步判断农作物是否出现倒伏现象,若出现倒伏现象,则并不需要对第二区域进行下一步的措施,只需要对第一区域进行治理,以此提高治理的准确性和效率,若没有出现倒伏现象,则第一区域和第二区域均需要进行治理。
实施例2、本实施例在实施例1的基础之上,进一步提供了一种基于机器学习的无人机农作物监测方法,包括:
S50:若存在倒伏现象,则获取前n天的风力信息,将风力信息、植物类别和第一距离输入到预构建的距离补偿模型中,获得距离补偿模型输出的第二距离;
需要说明的是,实施例1中根据第二区域数量确定是否存在倒伏现象,而本实施例在实施例1的基础之上,进一步确定,若存在倒伏现象,则需要求出第二距离,第二距离指的是农作物在正常状态下,无人机与农作物的距离,可以理解的是,农作物出现了倒伏现象通常是因为暴风或者暴风雨将农作物的茎秆吹倒,风速越高,影响越严重,同样的植物类别影响着农作物茎秆的强度,例如甘蔗的茎秆和水稻的茎秆之间的强度存在明显差异,风力信息可以为风力强度,前n天的风力强度可以通过后台联网直接获得;
距离补偿模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史风力信息、历史植物类别、历史第一距离和历史第二距离,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史风力信息、历史植物类别和历史第一距离作为回归网络的输入数据,以样本训练集中的历史第二距离作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时第二距离的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为距离补偿模型,回归网络优选为神经网络模型;
本实施例中进一步通过风力信息、植物类别和第一距离得到第二距离,那么第二距离指的是农作物在正常状态下,无人机与农作物的距离,则根据第二距离以及标准区间判断农作物的生长状态,这样可以排除农作物倒伏对无人机监测的干扰,能够进一步提高农作物区间监测的准确性。
实施例3、本实施例基于实施例1,提供了一种基于机器学习的无人机农作物监测***,包括:
距离获取模块:按划分序号顺序获取第i个区域的第一距离,判断第一距离是否处于标准区间,所述第一距离为无人机与农作物之间的距离;
具体地,如图2所示,本发明以农作物区域为方形为例,对农作物区域进行划分以此得到k个区域,本实施例中k为8,那么无人机以按划分序号顺序获取第i个区域的第一距离,也就意味着无人机先从为序号为1的区域开始,以此遍历整个农作物区域,以实现对整个农作物区域进行监测,无人机上通常装有红外传感器,通过红外传感器向下发送红外线,以获得第一距离,第一距离指的无人机与植被之间的距离,而无人机通常是以恒定的高度进行飞行,也就意味着第一距离相对越短,代表农作物的生长高度则越高;
标准区间的生成方法包括:
获取农作物的生长时间和植物类别,将生长时间和植物类别输入到预构建的高度预测模型中,以获得高度预测模型输出的第一高度区间;
基于农作物的生长时间和植物类别从数据库中获得第二高度区间,根据第一高度区间和第二高度区间生成第三高度区间;
获取第二距离,基于第三高度区间和第二距离生成标准区间,所述第二距离为无人机到地面的距离;
可以理解的是,第一高度区间是本领域技术人员根据实验得来的,也就是说通过实验不断的测量农作物的高度,以形成用于训练模型的实验数据,而第二高度区间是通过后台与互联网进行连接,通过互联网得到的,例如,从一些植物生长的参考书籍和农业手册中获得的数据;
根据第一高度区间和第二高度区间生成第三高度区间的方法包括:
取第一高度区间和第二高度区间之间的交集以形成第三高度区间;
需要说明的是,虽然第一高度区间是本领域技术人员根据实验得来的,但是实验也会存在误差和偶然性,同时第二高度区间是根据数据库中获得的,数据太过标准化导致数据不能完全符合现实情况,因此通过将第一高度区间和第二高度区间进行结合形成第三高度区间,第三高度区间相对于第一高度区间和第二高度区间的范围要更加精确,这样能够将误差和偶然性等因素进行排除,同时也避免了数据太过标准化导致数据不能完全符合现实情况;
基于第三高度区间和第二距离生成标准区间的方法包括:
获得第三高度区间的最小边界值和最大边界值,将第二距离与最小边界值的差值作为标准区间的最大值,将第二距离与最大边界值的差值作为标准区间的最小值;
可以理解的是,第二距离指的是无人机到地面的距离,而第三高度区间指的是农作物生长的高度区间,因此需要将第二距离减去农作物的生长高度才能获得无人机到植物的距离;
高度预测模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史生长时间、历史植物类别和历史第一高度区间,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史生长时间和历史植物类别作为回归网络的输入数据,以样本训练集中的历史第一高度区间作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时标准区间的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为高度预测模型,回归网络优选为神经网络模型;
虫害识别模块:若第一距离不处于标准区间,则获取农作物图像,基于农作物图像和预构建的虫害识别模型获得识别结果,识别结果包括存在虫害和不存在虫害;
需要说明的是,若第一距离不处于标准区间则表明农作物的生产状态出现问题,农作物的生产状态会极大的受到虫害的影响,因此需要获取目标图像,目标图像指的是农作物表面的图像,若第一距离处于标准区间则表明农作物的生产状态没有问题,则无人机会根据划分序号顺序移动到下一区域,这样无人机不会每到一个区域就获取农作物表面的图像,再根据农作物表面的图像进行分析,而是先获取无人机到农作物的距离,先根据第一距离进行判断,这样不仅缩短了对农作物区域监测所花的时间,同时也对农作物区域是否发生虫害进行了监测;
虫害识别模型的构建方法包括:
获取h组数据,h为大于1的正整数,数据包括历史农作物图像和历史识别结果,将历史农作物图像和历史识别结果作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的历史农作物图像作为输入数据,将训练集中的历史识别结果作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为虫害识别模型,分类器优选为朴素贝叶斯模型或支持向量机模型的其中一种;
区域标记模块:若存在虫害,则将第i个区域标记为第一区域,若不存在虫害,则将第i个区域标记为第二区域,令i=i+1,并返回距离获取模块;
值得注意的是,若存在虫害,则将第i个区域标记为第一区域,如图2所示,Fta为第一区域,Sda为第二区域,图中序号3和序号5对应的区域则被标记为第一区域,图中序号2和序号6对应的区域则被标记为第二区域,其余的序号1、序号4、序号7和序号8则是正常区域,正常区域指的是无人机经过该区域所获得第一距离处于标准区间,第一区域指的是无人机经过该区域所获得第一距离不处于标准区间,并且该区域中的农作物存在虫害现象,而第二区域指的是无人机经过该区域所获得第一距离不处于标准区间,但是该区域中的农作物不存在虫害现象,因此第二区域中农作物很大概率上出现了倒伏现象,从而导致无人机经过该区域所获得第一距离不处于标准区间;
数量确定模块:重复上述距离获取模块至区域标记模块,直到i=k,结束循环,得到第二区域数量,基于第二区域数量确定是否存在倒伏现象;
需要说明的是,上述中,第二区域指的是无人机经过该区域所获得第一距离不处于标准区间,但是该区域中的农作物不存在虫害现象,因此第二区域中农作物很大概率上出现了倒伏现象,从单个区域很难判断农作物是否出现了倒伏现象;
因为本发明是通过判断第一距离不处于标准区间,并且该区域中的农作物不存在虫害现象,以此为基础判断农作物是否出现了倒伏现象,但是除了出现倒伏现象,还可以是其它因素导致第一距离不处于标准区间,例如该区域过早或过晚的种植等也影响农作物的高度,从而导致第一距离不处于标准区间,但是过早或过晚的种植影响的区域是占少数的,通过第二区域数量判断是否农作物区域出现大面积异常的现象,若出现大面积异常的现象,则极大概率表明了农作物出现了倒伏的现象,这样进一步提高了对农作物状态判断的准确性;
基于第二区域数量确定是否存在倒伏现象的方法包括:
判断第二区域数量是否小于预设区域数量阈值,若是,则不存在倒伏现象,若否,则存在倒伏现象;
本实施例中先获取无人机到农作物的距离,先根据第一距离进行判断,这样不仅缩短了对农作物区域监测所花的时间,同时也对农作物区域是否发生虫害进行了监测,同时根据识别结果对异常区域进行标记,将异常区域标记为第一区域和第二区域,最后再根据第二区域的数量进一步判断农作物是否出现倒伏现象,若出现倒伏现象,则并不需要对第二区域进行下一步的措施,只需要对第一区域进行治理,以此提高治理的准确性和效率,若没有出现倒伏现象,则第一区域和第二区域均需要进行治理。
实施例4、本实施例公开提供了一种电子设备,本实施例公开提供了一种电子设备,包括电源、接口、键盘、存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序,所述中央处理器执行所述计算机程序时实现上述各方法所提供的任一项所述一种基于机器学习的无人机农作物监测方法,所述接口包括网络接口与数据接口,网络接口包括有线或无线接口,数据接口包括输入或输出接口。
由于本实施例所介绍的电子设备为实施本申请实施例中一种基于机器学习的无人机农作物监测方法所采用的电子设备,故而基于本申请实施例中所介绍的一种基于机器学习的无人机农作物监测方法,本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式,所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中一种基于机器学习的无人机农作物监测方法所采用的电子设备,都属于本申请所欲保护的范围。
实施例5、如图3所示,本实施例公开提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现上述一种基于机器学习的无人机农作物监测方法。
上述公式均是去量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式,公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其他的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其他的形式。
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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于机器学习的无人机农作物监测方法,其特征在于,包括:
S10:按划分序号顺序获取第i个区域的第一距离,判断第一距离是否处于标准区间,所述第一距离为无人机与农作物之间的距离;
S20:若第一距离不处于标准区间,则获取农作物图像,基于农作物图像和预构建的虫害识别模型获得识别结果,识别结果包括存在虫害和不存在虫害;
S30:若存在虫害,则将第i个区域标记为第一区域,若不存在虫害,则将第i个区域标记为第二区域,令i=i+1,并返回S10;
S40:重复上述S10至S30,直到i=k,结束循环,得到第二区域数量,基于第二区域数量确定是否存在倒伏现象;
所述标准区间的生成方法包括:
获取农作物的生长时间和植物类别,将生长时间和植物类别输入到预构建的高度预测模型中,以获得高度预测模型输出的第一高度区间;
基于农作物的生长时间和植物类别从数据库中获得第二高度区间,根据第一高度区间和第二高度区间生成第三高度区间;
获取第二距离,基于第三高度区间和第二距离生成标准区间,所述第二距离为无人机到地面的距离;
所述根据第一高度区间和第二高度区间生成第三高度区间的方法包括:
取第一高度区间和第二高度区间之间的交集以形成第三高度区间;
所述高度预测模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史生长时间、历史植物类别和历史第一高度区间,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史生长时间和历史植物类别作为回归网络的输入数据,以样本训练集中的历史第一高度区间作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时标准区间的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为高度预测模型;
所述虫害识别模型的构建方法包括:
获取h组数据,h为大于1的正整数,数据包括历史农作物图像和历史识别结果,将历史农作物图像和历史识别结果作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的历史农作物图像作为输入数据,将训练集中的历史识别结果作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为虫害识别模型。
2.根据权利要求1所述的一种基于机器学习的无人机农作物监测方法,其特征在于,所述基于第二区域数量确定是否存在倒伏现象的方法包括:
判断第二区域数量是否小于预设区域数量阈值,若是,则不存在倒伏现象,若否,则存在倒伏现象。
3.一种基于机器学习的无人机农作物监测***,其用于实现权利要求1-2中任一项所述的一种基于机器学习的无人机农作物监测方法,其特征在于,包括:
距离获取模块:按划分序号顺序获取第i个区域的第一距离,判断第一距离是否处于标准区间,所述第一距离为无人机与农作物之间的距离;
虫害识别模块:若第一距离不处于标准区间,则获取农作物图像,基于农作物图像和预构建的虫害识别模型获得识别结果,识别结果包括存在虫害和不存在虫害;
区域标记模块:若存在虫害,则将第i个区域标记为第一区域,若不存在虫害,则将第i个区域标记为第二区域,令i=i+1,并返回距离获取模块;
数量确定模块:重复上述距离获取模块至区域标记模块,直到i=k,结束循环,得到第二区域数量,基于第二区域数量确定是否存在倒伏现象;
所述标准区间的生成方法包括:
获取农作物的生长时间和植物类别,将生长时间和植物类别输入到预构建的高度预测模型中,以获得高度预测模型输出的第一高度区间;
基于农作物的生长时间和植物类别从数据库中获得第二高度区间,根据第一高度区间和第二高度区间生成第三高度区间;
获取第二距离,基于第三高度区间和第二距离生成标准区间,所述第二距离为无人机到地面的距离;
所述根据第一高度区间和第二高度区间生成第三高度区间的方法包括:
取第一高度区间和第二高度区间之间的交集以形成第三高度区间;
所述高度预测模型的构建方法包括:
获取样本数据集,所述样本数据集中包括历史生长时间、历史植物类别和历史第一高度区间,将样本数据集划分为样本训练集和样本测试集,构建回归网络,以样本训练集中的历史生长时间和历史植物类别作为回归网络的输入数据,以样本训练集中的历史第一高度区间作为回归网络的输出数据,对回归网络进行训练,得到用于预测实时标准区间的初始回归网络,利用样本测试集对初始回归网络进行测试,输出满足小于预设误差值的回归网络作为高度预测模型;
所述虫害识别模型的构建方法包括:
获取h组数据,h为大于1的正整数,数据包括历史农作物图像和历史识别结果,将历史农作物图像和历史识别结果作为样本集,将样本集划分为训练集和测试集,构建分类器,将训练集中的历史农作物图像作为输入数据,将训练集中的历史识别结果作为输出数据,对分类器进行训练,得到初始分类器,利用测试集对初始分类器进行测试,输出满足预设准确度的分类器作为虫害识别模型。
4.一种电子设备,包括电源、接口、键盘、存储器、中央处理器以及存储在存储器上并可在中央处理器上运行的计算机程序,其特征在于,所述中央处理器执行所述计算机程序时实现权利要求1至2任一项所述的一种基于机器学习的无人机农作物监测方法,所述接口包括网络接口与数据接口,网络接口包括有线或无线接口,数据接口包括输入或输出接口。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被执行时实现权利要求1至2任一项所述一种基于机器学习的无人机农作物监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410215219.7A CN117789067B (zh) | 2024-02-27 | 2024-02-27 | 一种基于机器学习的无人机农作物监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410215219.7A CN117789067B (zh) | 2024-02-27 | 2024-02-27 | 一种基于机器学习的无人机农作物监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117789067A CN117789067A (zh) | 2024-03-29 |
CN117789067B true CN117789067B (zh) | 2024-05-10 |
Family
ID=90402168
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410215219.7A Active CN117789067B (zh) | 2024-02-27 | 2024-02-27 | 一种基于机器学习的无人机农作物监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117789067B (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析*** |
WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN108776106A (zh) * | 2018-04-23 | 2018-11-09 | 中国农业大学 | 一种基于无人机低空遥感的作物长势监测方法及*** |
CN109813286A (zh) * | 2019-01-28 | 2019-05-28 | 中科光启空间信息技术有限公司 | 一种基于无人机的倒伏灾害遥感定损方法 |
CN112163639A (zh) * | 2020-10-20 | 2021-01-01 | 华南农业大学 | 一种基于高度分布特征向量的作物倒伏分级方法 |
CN112597855A (zh) * | 2020-12-15 | 2021-04-02 | 中国农业大学 | 农作物倒伏程度识别方法及装置 |
EP3847610A1 (en) * | 2018-09-04 | 2021-07-14 | Viliam Kiss | Method of identifying and displaying areas of lodged crops |
CN114220022A (zh) * | 2021-12-10 | 2022-03-22 | 中国科学院南京土壤研究所 | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 |
CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及*** |
JP2022181163A (ja) * | 2021-05-25 | 2022-12-07 | 国立研究開発法人農業・食品産業技術総合研究機構 | 情報処理装置、情報処理方法、およびプログラム |
CN115482465A (zh) * | 2022-09-20 | 2022-12-16 | 广东交通职业技术学院 | 基于机器视觉的农作物病虫害预测方法、***及存储介质 |
CN115953690A (zh) * | 2023-03-09 | 2023-04-11 | 济宁市保田农机技术推广专业合作社 | 用于无人收割机行进校准的倒伏作物识别方法 |
CN116205879A (zh) * | 2023-02-22 | 2023-06-02 | 中科合肥智慧农业协同创新研究院 | 一种基于无人机图像及深度学习的小麦倒伏面积估算方法 |
CN117193347A (zh) * | 2023-11-08 | 2023-12-08 | 北京市农林科学院智能装备技术研究中心 | 无人机飞行高度控制方法、装置、电子设备及存储介质 |
CN117557897A (zh) * | 2023-09-07 | 2024-02-13 | 北京观微科技有限公司 | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 |
CN117557914A (zh) * | 2024-01-08 | 2024-02-13 | 成都大学 | 一种基于深度学习的农作物病虫害识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112183577A (zh) * | 2020-08-31 | 2021-01-05 | 华为技术有限公司 | 一种半监督学习模型的训练方法、图像处理方法及设备 |
-
2024
- 2024-02-27 CN CN202410215219.7A patent/CN117789067B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018058821A1 (zh) * | 2016-09-30 | 2018-04-05 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的病虫害预测方法及装置 |
CN106971167A (zh) * | 2017-03-30 | 2017-07-21 | 北京兴农丰华科技有限公司 | 基于无人机平台的作物生长分析方法及其分析*** |
CN108776106A (zh) * | 2018-04-23 | 2018-11-09 | 中国农业大学 | 一种基于无人机低空遥感的作物长势监测方法及*** |
EP3847610A1 (en) * | 2018-09-04 | 2021-07-14 | Viliam Kiss | Method of identifying and displaying areas of lodged crops |
CN109813286A (zh) * | 2019-01-28 | 2019-05-28 | 中科光启空间信息技术有限公司 | 一种基于无人机的倒伏灾害遥感定损方法 |
CN112163639A (zh) * | 2020-10-20 | 2021-01-01 | 华南农业大学 | 一种基于高度分布特征向量的作物倒伏分级方法 |
CN112597855A (zh) * | 2020-12-15 | 2021-04-02 | 中国农业大学 | 农作物倒伏程度识别方法及装置 |
JP2022181163A (ja) * | 2021-05-25 | 2022-12-07 | 国立研究開発法人農業・食品産業技術総合研究機構 | 情報処理装置、情報処理方法、およびプログラム |
CN114220022A (zh) * | 2021-12-10 | 2022-03-22 | 中国科学院南京土壤研究所 | 一种基于卫星与无人机协同观测的水稻倒伏遥感监测方法 |
CN114550108A (zh) * | 2022-04-26 | 2022-05-27 | 广东省农业科学院植物保护研究所 | 一种草地贪夜蛾的识别预警方法及*** |
CN115482465A (zh) * | 2022-09-20 | 2022-12-16 | 广东交通职业技术学院 | 基于机器视觉的农作物病虫害预测方法、***及存储介质 |
CN116205879A (zh) * | 2023-02-22 | 2023-06-02 | 中科合肥智慧农业协同创新研究院 | 一种基于无人机图像及深度学习的小麦倒伏面积估算方法 |
CN115953690A (zh) * | 2023-03-09 | 2023-04-11 | 济宁市保田农机技术推广专业合作社 | 用于无人收割机行进校准的倒伏作物识别方法 |
CN117557897A (zh) * | 2023-09-07 | 2024-02-13 | 北京观微科技有限公司 | 目标农作物的倒伏监测方法、装置、电子设备及存储介质 |
CN117193347A (zh) * | 2023-11-08 | 2023-12-08 | 北京市农林科学院智能装备技术研究中心 | 无人机飞行高度控制方法、装置、电子设备及存储介质 |
CN117557914A (zh) * | 2024-01-08 | 2024-02-13 | 成都大学 | 一种基于深度学习的农作物病虫害识别方法 |
Non-Patent Citations (3)
Title |
---|
QiLong Wang ; YiLin Ren ; HaoJie Wang ; JianSong Wang ; Yang Yang ; QiangQiang Zhang ; GuangSheng Zhou.Wind-induced response of rapeseed seedling stage and lodging prediction based on UAV imagery and machine learning methods.Computers and Electronics in Agriculture.2024,全文. * |
朱文静 ; 冯展康 ; 戴世元 ; 张平平 ; 嵇文 ; 王爱臣 ; 魏新华.无人机多光谱影像的小麦倒伏信息多特征融合检测研究.光谱学与光谱分析.2024,全文. * |
龙佳宁 ; 张昭 ; 刘晓航 ; 李云霞 ; 芮照钰 ; 余江帆 ; 张漫 ; FLORES Paulo ; 韩哲雄 ; 胡灿 ; 王旭峰.利用改进EfficientNetV2和无人机图像检测小麦倒伏类型.智慧农业(中英文).2023,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117789067A (zh) | 2024-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11586913B2 (en) | Power equipment fault detecting and positioning method of artificial intelligence inference fusion | |
CN109840549B (zh) | 一种病虫害识别方法和装置 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US8433539B2 (en) | Wind turbine monitoring device, method, and program | |
US12013439B2 (en) | Data processor, data processing method, and computer program | |
CN111868780A (zh) | 学习用数据生成装置、学习用模型生成***、学习用数据生成方法以及程序 | |
Yalcin | An approximation for a relative crop yield estimate from field images using deep learning | |
JP2020036633A (ja) | 異常判別プログラム、異常判別方法および異常判別装置 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及*** | |
CN117114913A (zh) | 一种基于大数据的智能化农业数据采集*** | |
CN115601585A (zh) | 基于图片分析的农业病虫害诊断方法及装置 | |
US20180137579A1 (en) | Method for optimizing crop production efficiency and apparatus for the same | |
CN117789067B (zh) | 一种基于机器学习的无人机农作物监测方法及*** | |
JP5164802B2 (ja) | 認識システム、認識方法、および認識プログラム | |
CN111610026B (zh) | 一种基于深度聚类的旋转机械故障诊断方法 | |
EP4071570A1 (en) | Prediction system, information processing device, and information processing program | |
CN116778477B (zh) | 一种基于图像处理的玉米果穗性状指标计算方法 | |
CN116579521B (zh) | 产量预测时间窗口确定方法、装置、设备及可读存储介质 | |
Gómez-Zamanillo et al. | Damage assessment of soybean and redroot amaranth plants in greenhouse through biomass estimation and deep learning-based symptom classification | |
CN116186561B (zh) | 基于高维时序图网络的跑步姿势识别纠正方法及*** | |
WO2024059300A1 (en) | Uncertainty prediction models | |
CN117077893A (zh) | 耕地智保数据分析方法及装置 | |
CN116738308A (zh) | 基于woa-kelm算法的风电机组故障诊断方法及*** | |
CN113240340B (zh) | 基于模糊分类的大豆种植区分析方法、装置、设备和介质 | |
US20220222580A1 (en) | Deterioration detection method, non-transitory computer-readable storage medium, and information processing device |
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 |