CN117854006A - 一种基于图像处理的烟草生长状态监测*** - Google Patents
一种基于图像处理的烟草生长状态监测*** Download PDFInfo
- Publication number
- CN117854006A CN117854006A CN202410054245.6A CN202410054245A CN117854006A CN 117854006 A CN117854006 A CN 117854006A CN 202410054245 A CN202410054245 A CN 202410054245A CN 117854006 A CN117854006 A CN 117854006A
- Authority
- CN
- China
- Prior art keywords
- tobacco
- leaf
- growth state
- growth
- state
- 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.)
- Pending
Links
- 235000002637 Nicotiana tabacum Nutrition 0.000 title claims abstract description 517
- 230000012010 growth Effects 0.000 title claims abstract description 246
- 238000012545 processing Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 title claims abstract description 33
- 244000061176 Nicotiana tabacum Species 0.000 title claims description 30
- 241000208125 Nicotiana Species 0.000 claims abstract description 487
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000013209 evaluation strategy Methods 0.000 claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims abstract description 7
- 239000000843 powder Substances 0.000 claims abstract description 5
- 230000002015 leaf growth Effects 0.000 claims description 94
- 230000005082 stem growth Effects 0.000 claims description 60
- 238000000605 extraction Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 12
- 201000010099 disease Diseases 0.000 claims description 12
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 12
- 238000000034 method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 241000238631 Hexapoda Species 0.000 claims description 9
- 230000035784 germination Effects 0.000 claims description 8
- 241000196324 Embryophyta Species 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000012797 qualification Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 claims description 3
- 238000004383 yellowing Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 description 14
- 241000607479 Yersinia pestis Species 0.000 description 6
- 238000001514 detection method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 102000005755 Intercellular Signaling Peptides and Proteins Human genes 0.000 description 2
- 108010070716 Intercellular Signaling Peptides and Proteins Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004720 fertilization Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06V20/50—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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Mining & Mineral Resources (AREA)
- Human Resources & Organizations (AREA)
- Marine Sciences & Fisheries (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Animal Husbandry (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Agronomy & Crop Science (AREA)
- Manufacture Of Tobacco Products (AREA)
Abstract
本发明公开了一种基于图像处理的烟草生长状态监测***，涉及图像处理技术领域，该***运行时，通过对烟草进行图像采集，并对图像进行切割，组成烟草图像集，并对烟草图像集进行特征提取，通过数据处理模块进行处理和整合，组成第一数据集和第二数据集，通过烟草末建立模块建立烟草生长状态训练模型，并判定当前烟草的生长状态标记，并与预设的烟草生长状态匹配模型进行重叠训练，获取：烟草生长指数Szzs，通过烟草评估模块预设的烟草生长状态阈值S进行匹配，获取烟草生长状态等级评估策略方案，最后通过决策模块进行具体执行，达到了实时监测烟草的生长状态，并利用实时数据，巡查人员实时迅速了解烟草的当前状况。
Description
技术领域
本发明涉及图像处理技术领域，具体为一种基于图像处理的烟草生长状态监测***。
背景技术
当前烟草种植过程中存在的挑战之一是缺乏实时监测机制，传统的农业管理方法主要依赖于人工巡视和定期检查，这样的方式容易导致对烟草植株生长状态的滞后性了解，由于环境因素、生长状态变化和病虫害的快速变化，延迟的监测可能导致对问题的迟缓响应，影响了农场的生产效益，农场管理人员在决策过程中缺乏即时、准确的支持，难以及时获得关于烟草生长状态的信息，使得农场管理人员难以及时的处理，如合适的灌溉、施肥和防治措施，这种时间差导致了烟草生长流程缺乏灵活性，可能导致资源的浪费和产量的不稳定。
目前的烟草生产中，早期发现病害和虫害存在一定的难度，传统的检测方法往往依赖于人工经验，容易因主观因素而产生误差，缺乏早期预警机制导致病害和虫害可能在发现时已经造成较大的损失，传统农业管理通常需要大量的人工劳动，包括巡视、数据采集、分析和决策等环节，这不仅增加了人力成本，还容易受制于人为主观判断的限制，开发一个自动化的烟草生长状态监测***，能够减轻管理人员的工作负担，提高工作效率，使其能够更专注于更高层次的农业决策和规划。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种基于图像处理的烟草生长状态监测***，解决了背景技术中提到的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于图像处理的烟草生长状态监测***，包括烟草采集模块、烟草特征提取模块、数据处理模块、烟草模型建立模块、烟草评估模块和决策模块；
所述烟草采集模块通过图像采集设备对烟草进行图像采集，并对图像进行切割使得若干个烟草植株成为一个独立的植株图像块，组成烟草图像集；
所述烟草特征提取模块对烟草图像集进行特征提取，包括叶片数量信息、叶片尺寸信息、叶片角度信息和叶片表面信息；
所述数据处理模块对叶片数量信息和叶片尺寸信息进行处理和整合，组成第一数据集，对叶片角度信息和叶片表面信息进行处理和整合，组成第二数据集；
所述烟草末建立模块通过深度学习技术对第一数据集和第二数据集进行建立烟草生长状态训练模型，并判定当前烟草的生长状态标记，并与预设的烟草生长状态匹配模型进行重叠训练，获取：烟草生长指数Szzs；
所述烟草生长指数Szzs通过以下计算公式获取：
式中，Ztxs表示烟草茎叶生长状态系数，Ztxs表示烟草叶片系数，A和B分别表示烟草茎叶生长状态系数Ztxs和烟草叶片表面与倾斜状态系数Ztxs的比例系数，D表示第一修正常数；
其中，0.37≤A≤0.49，0.39≤B≤0.51，且A+B≤1.0；
所述烟草茎叶生长状态系数Ztxs通过第一数据集计算获取，并与预设的烟草生长茎叶状态阈值G进行匹配，获取烟草茎叶生长评估方案；
所述烟草叶片表面与倾斜状态系数Ztxs通过第二数据集计算获取，并与预设的烟草生长叶片阈值Y进行匹配，获取烟草叶片评估方案；
所述烟草评估模块通过预设的烟草生长状态阈值S与烟草生长指数Szzs进行匹配，获取烟草生长状态等级评估策略方案；
所述决策模块通过烟草生长状态等级评估策略方案内容，进行具体执行。
优选的，所述烟草采集模块包括拍摄单元和切割单元；
所述拍摄单元通过若干个高分辨率的图像采集设备对烟草植株进行固定周期的拍摄，通过若干个图像采集设备的位置和角度调整来涵盖整个烟草植株，以获取完整、清晰的烟草植株图像；
所述切割单元通过对拍摄的烟草植株图像使用边缘检测算法，对烟草植株图像和背景之间的边缘进行切割，从而确定烟草植株的轮廓，形成若干个独立且完整的烟草植株图像块，组成烟草图像集。
优选的，所述烟草特征提取模块包括提取单元；
所述提取单元对烟草图像集进行特征提取，获取叶片数量信息、叶片尺寸信息、叶片角度信息和叶片表面信息；
叶片数量信息通过使用图像处理技术进行形态学操作对烟草图像集进行特征提取获取；
叶片尺寸信息通过使用对象测量技术对烟草图像集进行特征提取获取；
叶片角度信息通过极坐标转换技术和拟合椭圆技术对烟草图像集进行特征提取获取；
叶片表面信息通过纹理分析技术对烟草图像集进行特征提取获取。
优选的，所述数据处理模块包括第一处理单元和第二处理单元；
所述第一处理单元对叶片数量信息和叶片尺寸信息进行无量纲处理，再进行整合，组成第一数据集；
第一数据集包括：叶片数量值Zyz、叶片周长值Zcz、叶片面积值Mjz、叶片最大宽度值Kmax和叶片最大长度值Cmax；
所述第二处理单元对叶片角度信息和叶片表面信息进行无量纲处理，再进行整合，组成第二数据集；
第二数据集包括：叶片平均角度值Pjjd、叶片最大角度值Jmax、叶片最小角度值Jmin、叶表面色差平均值Spjz和叶表面边缘折点数量值Zdsl。
优选的，所述烟草模型建立模块包括建模单元和重叠单元；
所述建模单元通过使用深度学习技术对第一数据集和第二数据集进行建立烟草生长状态训练模型，并对烟草当前高度和宽度与预设的烟草生长状态区间值进行匹配，获取当前烟草生长状态区间对应的烟草生长状态标记；
其中，烟草生长状态包括：发芽状态、幼苗状态、生长期状态、开花期状态和成熟期状态；
所述重叠单元通过预设的烟草生长状态区间平均值建立烟草生长状态匹配模型，并标记区间烟草生长状态标记，并与所述建模单元建立的相同标记的烟草生长状态训练模进行重叠训练，并执行第一次计算，获取：烟草茎叶生长状态系数Ztxs和烟草叶片表面与倾斜状态系数Ztxs，再执行第二次计算，获取：烟草生长指数Szzs。
优选的，所述烟草茎叶生长状态系数Ztxs通过以下公式获取：
式中，f、g、h、j和k分别表示叶片数量值Zyz、叶片周长值Zcz、叶片面积值Mjz、叶片最大宽度值Kmax和叶片最大长度值Cmax的比例系数，通过对烟草生长不同状态下的茎秆状态针对设置的比例系数与叶片数量值Zyz、叶片周长值Zcz、叶片面积值Mjz、叶片最大宽度值Kmax和叶片最大长度值Cmax进行计算，获取当前烟草的茎秆生长状态与预设的烟草茎秆生长状态之间的差异表现：烟草茎叶生长状态系数Ztxs，L表示第二修正常数；
其中，0.13≤f≤0.26，0.12≤g≤0.21，0.11≤h≤0.21，0.11≤j≤0.16，0.11≤k≤0.16，且f+g+h+j+k≤1.0；
并与预设的烟草生长茎叶状态阈值G进行匹配，获取烟草茎叶生长评估方案：
烟草茎叶生长状态系数Ztxs＞烟草生长茎叶状态阈值G，获取烟草茎秆生长状态合格评价；
烟草茎叶生长状态系数Ztxs≤烟草生长茎叶状态阈值G，获取烟草茎秆生长状态不合格评价，不合格项包括叶片数量、叶片周长、叶片面积、叶片最大宽度和叶片最大长度，当烟草茎叶生长状态系数Ztxs＜烟草生长茎叶状态阈值G的50％时，获取当前烟草植株茎秆生长状态异常评价，并反馈通知工作人员前来排查当前烟草生长状态。
优选的，所述烟草叶片表面与倾斜状态系数Ztxs通过以下公式获取：
式中，m、n、p、r和t分别表示叶片平均角度值Pjjd、叶片最大角度值Jmax、叶片最小角度值Jmin、叶表面色差平均值Spjz和叶表面边缘折点数量值Zdsl的比例系数，通过对烟草生长不同状态下的叶片针对设置的比例系数与叶片平均角度值Pjjd、叶片最大角度值Jmax、叶片最小角度值Jmin、叶表面色差平均值Spjz和叶表面边缘折点数量值Zdsl进行计算，获取当前烟草的叶片生长状态与预设的烟草叶片生长状态之间的差异表现：烟草叶片表面与倾斜状态系数Ztxs，U表示第三修正常数；
其中，0.13≤m≤19，0.15≤n≤0.22，0.15≤p≤0.22，0.14≤r≤0.21，0.12≤t≤0.16，且m+n+p+r+t≤1.0；
并与预设的烟草生长叶片阈值Y进行匹配，获取烟草叶片评估方案：
烟草叶片表面与倾斜状态系数Ztxs＜烟草生长叶片阈值Y，获取烟草叶片生长状态合格评价；
烟草叶片表面与倾斜状态系数Ztxs≥烟草生长叶片阈值Y，获取烟草叶片生长状态不合格评价，不合格项包括：叶片平均角度、叶片最大角度、叶片最小角度、叶表面色差平均和叶表面边缘折点数量，当烟草叶片表面与倾斜状态系数Ztxs≥烟草生长叶片阈值Y两倍时，获取当前烟草叶片生长状态异常评价，并反馈通知工作人员前来排查当前烟草生长状态。
优选的，所述烟草评估模块包括存储单元和匹配单元；
所述存储单元用于存储烟草生长茎叶状态阈值G、烟草生长叶片阈值Y、烟草生长状态阈值S、烟草茎叶生长评估方案、烟草叶片评估方案、烟草生长状态等级评估策略方案、烟草生长状态以及相关工作人员信息和通知方式；
所述匹配单元通过预设的相关信息与需要的对比值进行匹配，包括预设的烟草生长状态阈值S与烟草生长指数Szzs进行匹配，获取烟草生长状态等级评估策略方案。
优选的，所述烟草生长状态等级评估策略方案通过以下匹配方式获取：
烟草生长指数Szzs＜烟草生长状态阈值S，获取烟草生长状态一级评价，当前烟草生长状态无异常；
烟草生长指数Szzs≥烟草生长状态阈值S，获取烟草生长状态二级评价，当前烟草生长状态异常，包括烟草茎秆异常和烟草叶片异常，提醒相关巡查人员列入巡查任务内，当烟草生长指数Szzs≥烟草生长状态阈值S两倍时，获取烟草生长状态三级评价，当前烟草状态异常，包括茎秆折断、叶面发黄、叶面存在异物和叶面存在病虫异常情况，并实时反馈至相关巡查人员进行排查，并集成烟草茎叶生长评估方案和烟草叶片评估方案进行反馈。
优选的，所述决策模块包括通知单元；
所述通知单元通过烟草生长状态等级评估策略方案内容，对实时排班表中处于工作状态的巡查人员进行通知，通知包括短信通知、广播通知和内部软件通信提示。
(三)有益效果
本发明提供了一种基于图像处理的烟草生长状态监测***，具备以下有益效果：
(1)***运行时，对烟草进行图像采集，并对图像进行切割，组成烟草图像集，并进行特征提取，包括茎秆数量信息、叶片尺寸信息、叶片角度信息和叶片表面信息，通过数据处理模块进行处理和整合，组成第一数据集和第二数据集，建立烟草生长状态训练模型，并判定当前烟草的生长状态标记，并与预设的烟草生长状态匹配模型进行重叠训练，获取：烟草生长指数Szzs，通过烟草评估模块预设的烟草生长状态阈值S进行匹配，获取烟草生长状态等级评估策略方案，最后通过决策模块进行具体执行，达到了实时监测烟草的生长状态，并利用实时数据，巡查人员可以迅速了解烟草的当前状况，及时采取措施，防范潜在问题，并获取包括茎秆数量、叶片尺寸、叶片角度和叶片表面信息等在内的烟草全面特征，为烟草的生长状态的评估提供更为准确的依据，进而避免了人工对烟草生长状态的频繁巡查以及减轻了人工负担，避免了资源的浪费，使其能够更集中精力应对真正需要关注的异常情况。
(2)通过预设的烟草生长状态发芽状态、幼苗状态、生长期状态、开花期状态和成熟期状态，以及烟草生长状态区间值根据具体状态内的最小与最大烟草高度和宽度的区间值设定，实现了对各个生长状态的细致划分，这样的细致划分有助于更精准地了解烟草的发展阶段，提高对烟草生长状态的把握和监测，以及实现了对烟草生长状态的全面、细致、实时的监测与评估，为决策者提供了更精准的数据支持和监测反馈。
(3)通过烟草茎叶生长状态系数Ztxs和烟草叶片表面与倾斜状态系数Ztxs与烟草生长茎叶状态阈值G和烟草生长叶片阈值Y进行匹配获取的烟草茎叶生长评估方案和烟草叶片评估方案，以及烟草生长状态阈值S与烟草生长指数Szzs进行匹配，获取烟草生长状态等级评估策略方案，能够有效应对烟草在不同的生长状态下的多种情况判定，进而全面评估烟草的生长状态，这有助于制定更为全面和有效的烟草管理策略，同时提供具体的异常排查建议，这有助于决策者更好地理解烟草生长状态，采取相应的管理和处理措施。
附图说明
图1为本发明一种基于图像处理的烟草生长状态监测***框图流程示意图。
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。
当前烟草种植过程中存在的挑战之一是缺乏实时监测机制，传统的农业管理方法主要依赖于人工巡视和定期检查，这样的方式容易导致对烟草植株生长状态的滞后性了解，由于环境因素、生长状态变化和病虫害的快速变化，延迟的监测可能导致对问题的迟缓响应，影响了农场的生产效益，农场管理人员在决策过程中缺乏即时、准确的支持，难以及时获得关于烟草生长状态的信息，使得农场管理人员难以及时的处理，如合适的灌溉、施肥和防治措施，这种时间差导致了烟草生长流程缺乏灵活性，可能导致资源的浪费和产量的不稳定。
目前的烟草生产中，早期发现病害和虫害存在一定的难度，传统的检测方法往往依赖于人工经验，容易因主观因素而产生误差，缺乏早期预警机制导致病害和虫害可能在发现时已经造成较大的损失，传统农业管理通常需要大量的人工劳动，包括巡视、数据采集、分析和决策等环节，这不仅增加了人力成本，还容易受制于人为主观判断的限制，开发一个自动化的烟草生长状态监测***，能够减轻管理人员的工作负担，提高工作效率，使其能够更专注于更高层次的农业决策和规划。
实施例1
本发明提供一种基于图像处理的烟草生长状态监测***，请参阅图1，包括烟草采集模块、烟草特征提取模块、数据处理模块、烟草模型建立模块、烟草评估模块和决策模块；
所述烟草采集模块通过图像采集设备对烟草进行图像采集，并对图像进行切割使得若干个烟草植株成为一个独立的植株图像块，组成烟草图像集；
所述烟草特征提取模块对烟草图像集进行特征提取，包括叶片数量信息、叶片尺寸信息、叶片角度信息和叶片表面信息；
所述数据处理模块对叶片数量信息和叶片尺寸信息进行处理和整合，组成第一数据集，对叶片角度信息和叶片表面信息进行处理和整合，组成第二数据集；
所述烟草末建立模块通过深度学习技术对第一数据集和第二数据集进行建立烟草生长状态训练模型，并判定当前烟草的生长状态标记，并与预设的烟草生长状态匹配模型进行重叠训练，获取：烟草生长指数Szzs；
所述烟草生长指数Szzs通过以下计算公式获取：
式中，Ztxs表示烟草茎叶生长状态系数，Ztxs表示烟草叶片系数，A和B分别表示烟草茎叶生长状态系数Ztxs和烟草叶片表面与倾斜状态系数Ztxs的比例系数，D表示第一修正常数；
其中，0.37≤A≤0.49，0.39≤B≤0.51，且A+B≤1.0；
所述烟草茎叶生长状态系数Ztxs通过第一数据集计算获取，并与预设的烟草生长茎叶状态阈值G进行匹配，获取烟草茎叶生长评估方案；
所述烟草叶片表面与倾斜状态系数Ztxs通过第二数据集计算获取，并与预设的烟草生长叶片阈值Y进行匹配，获取烟草叶片评估方案；
所述烟草评估模块通过预设的烟草生长状态阈值S与烟草生长指数Szzs进行匹配，获取烟草生长状态等级评估策略方案；
所述决策模块通过烟草生长状态等级评估策略方案内容，进行具体执行。
本实施例中，通过烟草采集模块对烟草进行图像采集，并对图像进行切割成为一个独立的植株图像块，组成烟草图像集，通过烟草特征提取模块对烟草图像集进行特征提取，包括叶片尺寸信息、叶片角度信息和叶片表面信息，通过数据处理模块进行处理和整合，组成第一数据集和第二数据集，通过烟草末建立模块对第一数据集和第二数据集进行建立烟草生长状态训练模型，并判定当前烟草的生长状态标记，并与预设的烟草生长状态匹配模型进行重叠训练，获取：烟草生长指数Szzs，通过烟草评估模块预设的烟草生长状态阈值S进行匹配，获取烟草生长状态等级评估策略方案，最后通过决策模块进行具体执行，达到了实时监测烟草的生长状态，并利用实时数据，巡查人员可以迅速了解烟草的当前状况，及时采取措施，防范潜在问题，并获取包括茎秆数量、叶片尺寸、叶片角度和叶片表面信息等在内的烟草全面特征，为烟草的生长状态的评估提供更为准确的依据，进而避免了人工对烟草生长状态的频繁巡查以及减轻了人工负担，避免了资源的浪费，使其能够更集中精力应对真正需要关注的异常情况。
实施例2
本实施例是在实施例1中进行的解释说明，请参照图1，具体的：所述烟草采集模块包括拍摄单元和切割单元；
所述拍摄单元通过若干个高分辨率的图像采集设备对烟草植株进行固定周期的拍摄，通过若干个图像采集设备的位置和角度调整来涵盖整个烟草植株，以获取完整、清晰的烟草植株图像；
所述切割单元通过对拍摄的烟草植株图像使用边缘检测算法，对烟草植株图像和背景之间的边缘进行切割，从而确定烟草植株的轮廓，形成若干个独立且完整的烟草植株图像块，组成烟草图像集。
所述烟草特征提取模块包括提取单元；
所述提取单元对烟草图像集进行特征提取，获取叶片数量信息、叶片尺寸信息、叶片角度信息和叶片表面信息；
叶片数量信息通过使用图像处理技术进行形态学操作对烟草图像集进行特征提取获取；
叶片尺寸信息通过使用对象测量技术对烟草图像集进行特征提取获取；
叶片角度信息通过极坐标转换技术和拟合椭圆技术对烟草图像集进行特征提取获取；
叶片表面信息通过纹理分析技术对烟草图像集进行特征提取获取。
实施例3
本实施例是在实施例1中进行的解释说明，请参照图1，具体的：所述数据处理模块包括第一处理单元和第二处理单元；
所述第一处理单元对叶片数量信息和叶片尺寸信息进行无量纲处理，再进行整合，组成第一数据集；
第一数据集包括：叶片数量值Zyz、叶片周长值Zcz、叶片面积值Mjz、叶片最大宽度值Kmax和叶片最大长度值Cmax；
所述第二处理单元对叶片角度信息和叶片表面信息进行无量纲处理，再进行整合，组成第二数据集；
第二数据集包括：叶片平均角度值Pjjd、叶片最大角度值Jmax、叶片最小角度值Jmin、叶表面色差平均值Spjz和叶表面边缘折点数量值Zdsl。
所述烟草模型建立模块包括建模单元和重叠单元；
所述建模单元通过使用深度学习技术对第一数据集和第二数据集进行建立烟草生长状态训练模型，并对烟草当前高度和宽度与预设的烟草生长状态区间值进行匹配，获取当前烟草生长状态区间对应的烟草生长状态标记；
其中，烟草生长状态包括：发芽状态、幼苗状态、生长期状态、开花期状态和成熟期状态；
烟草生长状态区间值：为烟草生长的具体状态内的最小与最大烟草高度和宽度的区间值，具体为：发芽状态最小高度值和最小宽度值作为烟草生长状态中的发芽状态区间值的下限，发芽状态最大高度值和最大宽度宽值作为烟草生长状态中的发芽状态区间值的上限，通过下限和上限组成发芽状态的烟草生长状态区间值；
所述重叠单元通过预设的烟草生长状态区间平均值建立烟草生长状态匹配模型，并标记区间烟草生长状态标记，并与所述建模单元建立的相同标记的烟草生长状态训练模进行重叠训练，并执行第一次计算，获取：烟草茎叶生长状态系数Ztxs和烟草叶片表面与倾斜状态系数Ztxs，再执行第二次计算，获取：烟草生长指数Szzs。
本实施例中，通过预设的烟草生长状态发芽状态、幼苗状态、生长期状态、开花期状态和成熟期状态，以及烟草生长状态区间值根据具体状态内的最小与最大烟草高度和宽度的区间值设定，实现了对各个生长状态的细致划分，这样的细致划分有助于更精准地了解烟草的发展阶段，提高对烟草生长状态的把握和监测，以及实现了对烟草生长状态的全面、细致、实时的监测与评估，为决策者提供了更精准的数据支持和监测反馈。
实施例4
本实施例是在实施例1中进行的解释说明，请参照图1，具体的：所述烟草茎叶生长状态系数Ztxs通过以下公式获取：
式中，f、g、h、j和k分别表示叶片数量值Zyz、叶片周长值Zcz、叶片面积值Mjz、叶片最大宽度值Kmax和叶片最大长度值Cmax的比例系数，通过对烟草生长不同状态下的茎秆状态针对设置的比例系数与叶片数量值Zyz、叶片周长值Zcz、叶片面积值Mjz、叶片最大宽度值Kmax和叶片最大长度值Cmax进行计算，获取当前烟草的茎秆生长状态与预设的烟草茎秆生长状态之间的差异表现：烟草茎叶生长状态系数Ztxs，L表示第二修正常数；
其中，0.13≤f≤0.26，0.12≤g≤0.21，0.11≤h≤0.21，0.11≤j≤0.16，0.11≤k≤0.16，且f+g+h+j+k≤1.0；
并与预设的烟草生长茎叶状态阈值G进行匹配，获取烟草茎叶生长评估方案：
烟草茎叶生长状态系数Ztxs＞烟草生长茎叶状态阈值G，获取烟草茎秆生长状态合格评价；
烟草茎叶生长状态系数Ztxs≤烟草生长茎叶状态阈值G，获取烟草茎秆生长状态不合格评价，不合格项包括叶片数量、叶片周长、叶片面积、叶片最大宽度和叶片最大长度，当烟草茎叶生长状态系数Ztxs＜烟草生长茎叶状态阈值G的50％时，获取当前烟草植株茎秆生长状态异常评价，并反馈通知工作人员前来排查当前烟草生长状态。
所述烟草叶片表面与倾斜状态系数Ztxs通过以下公式获取：
式中，m、n、p、r和t分别表示叶片平均角度值Pjjd、叶片最大角度值Jmax、叶片最小角度值Jmin、叶表面色差平均值Spjz和叶表面边缘折点数量值Zdsl的比例系数，通过对烟草生长不同状态下的叶片针对设置的比例系数与叶片平均角度值Pjjd、叶片最大角度值Jmax、叶片最小角度值Jmin、叶表面色差平均值Spjz和叶表面边缘折点数量值Zdsl进行计算，获取当前烟草的叶片生长状态与预设的烟草叶片生长状态之间的差异表现：烟草叶片表面与倾斜状态系数Ztxs，U表示第三修正常数；
其中，0.13≤m≤19，0.15≤n≤0.22，0.15≤p≤0.22，0.14≤r≤0.21，0.12≤t≤0.16，且m+n+p+r+t≤1.0；
并与预设的烟草生长叶片阈值Y进行匹配，获取烟草叶片评估方案：
烟草叶片表面与倾斜状态系数Ztxs＜烟草生长叶片阈值Y，获取烟草叶片生长状态合格评价；
烟草叶片表面与倾斜状态系数Ztxs≥烟草生长叶片阈值Y，获取烟草叶片生长状态不合格评价，不合格项包括：叶片平均角度、叶片最大角度、叶片最小角度、叶表面色差平均和叶表面边缘折点数量，当烟草叶片表面与倾斜状态系数Ztxs≥烟草生长叶片阈值Y两倍时，获取当前烟草叶片生长状态异常评价，并反馈通知工作人员前来排查当前烟草生长状态。
所述烟草评估模块包括存储单元和匹配单元；
所述存储单元用于存储烟草生长茎叶状态阈值G、烟草生长叶片阈值Y、烟草生长状态阈值S、烟草茎叶生长评估方案、烟草叶片评估方案、烟草生长状态等级评估策略方案、烟草生长状态以及相关工作人员信息和通知方式；
所述匹配单元通过预设的相关信息与需要的对比值进行匹配，包括预设的烟草生长状态阈值S与烟草生长指数Szzs进行匹配，获取烟草生长状态等级评估策略方案。
所述烟草生长状态等级评估策略方案通过以下匹配方式获取：
烟草生长指数Szzs＜烟草生长状态阈值S，获取烟草生长状态一级评价，当前烟草生长状态无异常；
烟草生长指数Szzs≥烟草生长状态阈值S，获取烟草生长状态二级评价，当前烟草生长状态异常，包括烟草茎秆异常和烟草叶片异常，提醒相关巡查人员列入巡查任务内，当烟草生长指数Szzs≥烟草生长状态阈值S两倍时，获取烟草生长状态三级评价，当前烟草状态异常，包括茎秆折断、叶面发黄、叶面存在异物和叶面存在病虫异常情况，并实时反馈至相关巡查人员进行排查，并集成烟草茎叶生长评估方案和烟草叶片评估方案进行反馈。
所述决策模块包括通知单元；
所述通知单元通过烟草生长状态等级评估策略方案内容，对实时排班表中处于工作状态的巡查人员进行通知，通知包括短信通知、广播通知和内部软件通信提示。
本实施例中，通过烟草茎叶生长状态系数Ztxs和烟草叶片表面与倾斜状态系数Ztxs与烟草生长茎叶状态阈值G和烟草生长叶片阈值Y进行匹配获取的烟草茎叶生长评估方案和烟草叶片评估方案，以及烟草生长状态阈值S与烟草生长指数Szzs进行匹配，获取烟草生长状态等级评估策略方案，能够有效应对烟草在不同的生长状态下的多种情况判定，进而全面评估烟草的生长状态，这有助于制定更为全面和有效的烟草管理策略，同时提供具体的异常排查建议，这有助于决策者更好地理解烟草生长状态，采取相应的管理和处理措施。
具体示例：某某种植基地内使用的一种基于图像处理的烟草生长状态监测***，
假设拥有以下参数值：
第一数据集包括：叶片数量值Zyz：12、叶片周长值Zcz：30、叶片面积值Mjz：60、叶片最大宽度值Kmax：5和叶片最大长度值Cmax：12；
第二数据集包括：叶片平均角度值Pjjd：35、叶片最大角度值Jmax：55、叶片最小角度值Jmin：25、叶表面色差平均值Spjz：10和叶表面边缘折点数量值Zdsl：8；
第二修正常数L：0.09，比例系数：f：0.20、g：0.17、h：0.17、j：0.13和k：0.13；
根据烟草茎叶生长状态系数Ztxs的计算公式获取：
Ztxs＝[(0.20*12)+(0.17*30)+(0.17*60)+(0.13*5)+(0.13*12)]+0.09＝20；
将烟草生长茎叶状态阈值G设置为9，与烟草茎叶生长状态系数Ztxs进行匹配，获取：烟草茎叶生长状态系数Ztxs＞烟草生长茎叶状态阈值G，获取烟草茎秆生长状态合格评价；
第三修正常数U：0.8，比例系数：m：0.18、n：0.21、p：0.21、r：0.19和t：0.15；
根据烟草叶片表面与倾斜状态系数Ztxs的计算公式获取：
Ztxs＝[(0.18*35)+(0.21*55)+(0.21*25)+(0.19*10)+(0.15*8)]+0.8＝27；
将烟草生长叶片阈值Y设置为49，与烟草叶片表面与倾斜状态系数Ztxs进行匹配，获取：烟草叶片表面与倾斜状态系数Ztxs＜烟草生长叶片阈值Y，获取烟草叶片生长状态合格评价；
第一修正常数D：0.17，比例系数：A：0.48和B：0.49；
根据烟草生长指数Szzs的计算公式获取：
Szzs＝[(0.48*20)+(0.49*27)]+0.81＝23；
将烟草生长状态阈值S设置为49，与烟草生长指数Szzs进行匹配，获取：烟草生长指数Szzs＜烟草生长状态阈值S，获取烟草生长状态一级评价，当前烟草生长状态无异常。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于图像处理的烟草生长状态监测***，其特征在于：包括烟草采集模块、烟草特征提取模块、数据处理模块、烟草模型建立模块、烟草评估模块和决策模块；
所述烟草采集模块通过图像采集设备对烟草进行图像采集，并对图像进行切割使得若干个烟草植株成为一个独立的植株图像块，组成烟草图像集；
所述烟草特征提取模块对烟草图像集进行特征提取，包括叶片数量信息、叶片尺寸信息、叶片角度信息和叶片表面信息；
所述数据处理模块对叶片数量信息和叶片尺寸信息进行处理和整合，组成第一数据集，对叶片角度信息和叶片表面信息进行处理和整合，组成第二数据集；
所述烟草末建立模块通过深度学习技术对第一数据集和第二数据集进行建立烟草生长状态训练模型，并判定当前烟草的生长状态标记，并与预设的烟草生长状态匹配模型进行重叠训练，获取：烟草生长指数Szzs；
所述烟草生长指数Szzs通过以下计算公式获取：
式中，Ztxs表示烟草茎叶生长状态系数，Ztxs表示烟草叶片系数，A和B分别表示烟草茎叶生长状态系数Ztxs和烟草叶片表面与倾斜状态系数Ztxs的比例系数，D表示第一修正常数；
所述烟草茎叶生长状态系数Ztxs通过第一数据集计算获取，并与预设的烟草生长茎叶状态阈值G进行匹配，获取烟草茎叶生长评估方案；
所述烟草叶片表面与倾斜状态系数Ztxs通过第二数据集计算获取，并与预设的烟草生长叶片阈值Y进行匹配，获取烟草叶片评估方案；
所述烟草评估模块通过预设的烟草生长状态阈值S与烟草生长指数Szzs进行匹配，获取烟草生长状态等级评估策略方案；
所述决策模块通过烟草生长状态等级评估策略方案内容，进行具体执行。
2.根据权利要求1所述的一种基于图像处理的烟草生长状态监测***，其特征在于：所述烟草采集模块包括拍摄单元和切割单元；
所述拍摄单元通过若干个高分辨率的图像采集设备对烟草植株进行固定周期的拍摄，通过若干个图像采集设备的位置和角度调整来涵盖整个烟草植株，以获取完整、清晰的烟草植株图像；
所述切割单元通过对拍摄的烟草植株图像使用边缘检测算法，对烟草植株图像和背景之间的边缘进行切割，从而确定烟草植株的轮廓，形成若干个独立且完整的烟草植株图像块，组成烟草图像集。
3.根据权利要求1所述的一种基于图像处理的烟草生长状态监测***，其特征在于：所述烟草特征提取模块包括提取单元；
所述提取单元对烟草图像集进行特征提取，获取叶片数量信息、叶片尺寸信息、叶片角度信息和叶片表面信息；
叶片数量信息通过使用图像处理技术进行形态学操作对烟草图像集进行特征提取获取；
叶片尺寸信息通过使用对象测量技术对烟草图像集进行特征提取获取；
叶片角度信息通过极坐标转换技术和拟合椭圆技术对烟草图像集进行特征提取获取；
叶片表面信息通过纹理分析技术对烟草图像集进行特征提取获取。
4.根据权利要求1所述的一种基于图像处理的烟草生长状态监测***，其特征在于：所述数据处理模块包括第一处理单元和第二处理单元；
所述第一处理单元对叶片数量信息和叶片尺寸信息进行无量纲处理，再进行整合，组成第一数据集；
第一数据集包括：叶片数量值Zyz、叶片周长值Zcz、叶片面积值Mjz、叶片最大宽度值Kmax和叶片最大长度值Cmax；
所述第二处理单元对叶片角度信息和叶片表面信息进行无量纲处理，再进行整合，组成第二数据集；
第二数据集包括：叶片平均角度值Pjjd、叶片最大角度值Jmax、叶片最小角度值Jmin、叶表面色差平均值Spjz和叶表面边缘折点数量值Zdsl。
5.根据权利要求1所述的一种基于图像处理的烟草生长状态监测***，其特征在于：所述烟草模型建立模块包括建模单元和重叠单元；
所述建模单元通过使用深度学习技术对第一数据集和第二数据集进行建立烟草生长状态训练模型，并对烟草当前高度和宽度与预设的烟草生长状态区间值进行匹配，获取当前烟草生长状态区间对应的烟草生长状态标记；
其中，烟草生长状态包括：发芽状态、幼苗状态、生长期状态、开花期状态和成熟期状态；
所述重叠单元通过预设的烟草生长状态区间平均值建立烟草生长状态匹配模型，并标记区间烟草生长状态标记，并与所述建模单元建立的相同标记的烟草生长状态训练模进行重叠训练，并执行第一次计算，获取：烟草茎叶生长状态系数Ztxs和烟草叶片表面与倾斜状态系数Ztxs，再执行第二次计算，获取：烟草生长指数Szzs。
6.根据权利要求4所述的一种基于图像处理的烟草生长状态监测***，其特征在于：所述烟草茎叶生长状态系数Ztxs通过以下公式获取：
式中，f、g、h、j和k分别表示叶片数量值Zyz、叶片周长值Zcz、叶片面积值Mjz、叶片最大宽度值Kmax和叶片最大长度值Cmax的比例系数，通过对烟草生长不同状态下的茎秆状态针对设置的比例系数与叶片数量值Zyz、叶片周长值Zcz、叶片面积值Mjz、叶片最大宽度值Kmax和叶片最大长度值Cmax进行计算，获取当前烟草的茎秆生长状态与预设的烟草茎秆生长状态之间的差异表现：烟草茎叶生长状态系数Ztxs，L表示第二修正常数；
其中，0.13≤f≤0.26，0.12≤g≤0.21，0.11≤h≤0.21，0.11≤j≤0.16，0.11≤k≤0.16，且f+g+h+j+k≤1.0；
并与预设的烟草生长茎叶状态阈值G进行匹配，获取烟草茎叶生长评估方案：
烟草茎叶生长状态系数Ztxs＞烟草生长茎叶状态阈值G，获取烟草茎秆生长状态合格评价；
烟草茎叶生长状态系数Ztxs≤烟草生长茎叶状态阈值G，获取烟草茎秆生长状态不合格评价，不合格项包括叶片数量、叶片周长、叶片面积、叶片最大宽度和叶片最大长度，当烟草茎叶生长状态系数Ztxs＜烟草生长茎叶状态阈值G的50％时，获取当前烟草植株茎秆生长状态异常评价，并反馈通知工作人员前来排查当前烟草生长状态。
7.根据权利要求4所述的一种基于图像处理的烟草生长状态监测***，其特征在于：所述烟草叶片表面与倾斜状态系数Ztxs通过以下公式获取：
式中，m、n、p、r和t分别表示叶片平均角度值Pjjd、叶片最大角度值Jmax、叶片最小角度值Jmin、叶表面色差平均值Spjz和叶表面边缘折点数量值Zdsl的比例系数，通过对烟草生长不同状态下的叶片针对设置的比例系数与叶片平均角度值Pjjd、叶片最大角度值Jmax、叶片最小角度值Jmin、叶表面色差平均值Spjz和叶表面边缘折点数量值Zdsl进行计算，获取当前烟草的叶片生长状态与预设的烟草叶片生长状态之间的差异表现：烟草叶片表面与倾斜状态系数Ztxs，U表示第三修正常数；
其中，0.13≤m≤19，0.15≤n≤0.22，0.15≤p≤0.22，0.14≤r≤0.21，0.12≤t≤0.16，且m+n+p+r+t≤1.0；
并与预设的烟草生长叶片阈值Y进行匹配，获取烟草叶片评估方案：
烟草叶片表面与倾斜状态系数Ztxs＜烟草生长叶片阈值Y，获取烟草叶片生长状态合格评价；
烟草叶片表面与倾斜状态系数Ztxs≥烟草生长叶片阈值Y，获取烟草叶片生长状态不合格评价，不合格项包括：叶片平均角度、叶片最大角度、叶片最小角度、叶表面色差平均和叶表面边缘折点数量，当烟草叶片表面与倾斜状态系数Ztxs≥烟草生长叶片阈值Y两倍时，获取当前烟草叶片生长状态异常评价，并反馈通知工作人员前来排查当前烟草生长状态。
8.根据权利要求1所述的一种基于图像处理的烟草生长状态监测***，其特征在于：所述烟草评估模块包括存储单元和匹配单元；
所述存储单元用于存储烟草生长茎叶状态阈值G、烟草生长叶片阈值Y、烟草生长状态阈值S、烟草茎叶生长评估方案、烟草叶片评估方案、烟草生长状态等级评估策略方案、烟草生长状态以及相关工作人员信息和通知方式；
所述匹配单元通过预设的相关信息与需要的对比值进行匹配，包括预设的烟草生长状态阈值S与烟草生长指数Szzs进行匹配，获取烟草生长状态等级评估策略方案。
9.根据权利要求8所述的一种基于图像处理的烟草生长状态监测***，其特征在于：所述烟草生长状态等级评估策略方案通过以下匹配方式获取：
烟草生长指数Szzs＜烟草生长状态阈值S，获取烟草生长状态一级评价，当前烟草生长状态无异常；
烟草生长指数Szzs≥烟草生长状态阈值S，获取烟草生长状态二级评价，当前烟草生长状态异常，包括烟草茎秆异常和烟草叶片异常，提醒相关巡查人员列入巡查任务内，当烟草生长指数Szzs≥烟草生长状态阈值S两倍时，获取烟草生长状态三级评价，当前烟草状态异常，包括茎秆折断、叶面发黄、叶面存在异物和叶面存在病虫异常情况，并实时反馈至相关巡查人员进行排查，并集成烟草茎叶生长评估方案和烟草叶片评估方案进行反馈。
10.根据权利要求9所述的一种基于图像处理的烟草生长状态监测***，其特征在于：所述决策模块包括通知单元；
所述通知单元通过烟草生长状态等级评估策略方案内容，对实时排班表中处于工作状态的巡查人员进行通知，通知包括短信通知、广播通知和内部软件通信提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410054245.6A CN117854006A (zh) | 2024-01-15 | 2024-01-15 | 一种基于图像处理的烟草生长状态监测*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410054245.6A CN117854006A (zh) | 2024-01-15 | 2024-01-15 | 一种基于图像处理的烟草生长状态监测*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117854006A true CN117854006A (zh) | 2024-04-09 |
Family
ID=90547850
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410054245.6A Pending CN117854006A (zh) | 2024-01-15 | 2024-01-15 | 一种基于图像处理的烟草生长状态监测*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117854006A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118090730A (zh) * | 2024-04-17 | 2024-05-28 | 临沂大学 | 一种基于机器视觉的石榴发酵红茶成熟度检测方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、***及存储介质 |
| CN116523352A (zh) * | 2023-07-05 | 2023-08-01 | 浙江榧圣农业科技有限公司 | 一种森林资源信息的管理方法及*** |
| CN116776129A (zh) * | 2023-08-22 | 2023-09-19 | 贵州中昂科技有限公司 | 一种多源农业数据的采集管理方法 |
| KR102582588B1 (ko) * | 2022-06-09 | 2023-09-25 | 그리트 주식회사 | Ai를 활용한 작물의 엽 생육지수 측정시스템 |
| CN117215351A (zh) * | 2023-09-16 | 2023-12-12 | 张家港泽诺科技有限公司 | 一种食用菌种植环境智能监测预警*** |
-
2024
- 2024-01-15 CN CN202410054245.6A patent/CN117854006A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114445785A (zh) * | 2022-04-11 | 2022-05-06 | 广东省农业科学院植物保护研究所 | 基于物联网的荔枝虫害监测预警方法、***及存储介质 |
| KR102582588B1 (ko) * | 2022-06-09 | 2023-09-25 | 그리트 주식회사 | Ai를 활용한 작물의 엽 생육지수 측정시스템 |
| CN116523352A (zh) * | 2023-07-05 | 2023-08-01 | 浙江榧圣农业科技有限公司 | 一种森林资源信息的管理方法及*** |
| CN116776129A (zh) * | 2023-08-22 | 2023-09-19 | 贵州中昂科技有限公司 | 一种多源农业数据的采集管理方法 |
| CN117215351A (zh) * | 2023-09-16 | 2023-12-12 | 张家港泽诺科技有限公司 | 一种食用菌种植环境智能监测预警*** |
Non-Patent Citations (1)
| Title |
|---|
| 吴玉娟;刘永华;: "机器视觉在叶菜设施种植应用研究", 中国农机化学报, no. 06, 15 June 2020 (2020-06-15), pages 172 - 176 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118090730A (zh) * | 2024-04-17 | 2024-05-28 | 临沂大学 | 一种基于机器视觉的石榴发酵红茶成熟度检测方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111460990B (zh) | 一种基于大数据的高寒牧区草原虫害监测预警***及方法 | |
| CN115185220B (zh) | 一种基于物联网的农林病虫害监控*** | |
| JP2019170359A (ja) | 植物栽培結果予測システム | |
| CN116384743B (zh) | 一种基于生态数据分析的植物生长风险评估*** | |
| CN111476149A (zh) | 一种植物培育控制方法和*** | |
| CN113469112B (zh) | 农作物生长状况图像识别方法及*** | |
| CN107103395B (zh) | 一种农作物虫害短期预警方法 | |
| CN112836623A (zh) | 设施番茄农事决策辅助方法及装置 | |
| CN114414570A (zh) | 一种基于智慧云平台的园林绿化工程管理*** | |
| CN115328233A (zh) | 一种温室大棚环境智能调节管理*** | |
| CN116046687A (zh) | 一种农作物生长过程监测方法、设备及介质 | |
| CN115454176A (zh) | 一种基于物联网的智慧农业大棚通风控制*** | |
| CN111802218A (zh) | 一种果树的自动灌溉方法及*** | |
| CN117094532B (zh) | 一种果园智能监测*** | |
| CN117315915A (zh) | 基于遥感数据监测的农作物种植监管*** | |
| CN116757510B (zh) | 一种园林绿化工程项目智能管理*** | |
| CN116757707B (zh) | 一种农作物果实生长溯源方法及*** | |
| CN117854006A (zh) | 一种基于图像处理的烟草生长状态监测*** | |
| CN117178769A (zh) | 一种基于自动化的园林植物养护方法及*** | |
| CN109684960B (zh) | 落叶剂的喷洒时间的确定方法及*** | |
| CN109740794A (zh) | 一种烤烟单产量预测方法 | |
| Robinson et al. | Studies in precision crop load management of apple | |
| CN107421585B (zh) | 一种基于光伏技术的监管方法和*** | |
| CN115135135A (zh) | 一种植物生长监测***和方法 | |
| LU505298B1 (en) | A method, system, device, and storage medium for monitoring the growth conditions of tea plant |
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 |