RU2019114132A - Прогнозирование урожайности зернового поля - Google Patents

Прогнозирование урожайности зернового поля Download PDF

Info

Publication number
RU2019114132A
RU2019114132A RU2019114132A RU2019114132A RU2019114132A RU 2019114132 A RU2019114132 A RU 2019114132A RU 2019114132 A RU2019114132 A RU 2019114132A RU 2019114132 A RU2019114132 A RU 2019114132A RU 2019114132 A RU2019114132 A RU 2019114132A
Authority
RU
Russia
Prior art keywords
image
ear
ears
grain
determination
Prior art date
Application number
RU2019114132A
Other languages
English (en)
Other versions
RU2019114132A3 (ru
RU2769288C2 (ru
Inventor
Клаус РЮЛЬБЕРГ
Грегор ФИШЕР
Original Assignee
Басф Агро Трейдмаркс Гмбх
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Басф Агро Трейдмаркс Гмбх filed Critical Басф Агро Трейдмаркс Гмбх
Publication of RU2019114132A publication Critical patent/RU2019114132A/ru
Publication of RU2019114132A3 publication Critical patent/RU2019114132A3/ru
Application granted granted Critical
Publication of RU2769288C2 publication Critical patent/RU2769288C2/ru

Links

Classifications

    • 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
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G22/00—Cultivation of specific crops or plants not otherwise provided for
    • A01G22/20—Cereals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10024—Color image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Animal Husbandry (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Mining & Mineral Resources (AREA)
  • General Business, Economics & Management (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Human Resources & Organizations (AREA)
  • Agronomy & Crop Science (AREA)
  • Geometry (AREA)
  • Botany (AREA)
  • Environmental Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Claims (46)

1. Способ прогнозирования урожайности зернового поля, причем способ содержит:
- размещение цифровой камеры на заданном расстоянии над средней плоскостью колосьев зернового поля,
- фотографирование цифрового изображения фрагмента зернового поля зернового поля с помощью размещенной цифровой камеры, причем средняя плоскость колосьев и плоскость изображения цифровой камеры расположены параллельно друг другу,
- определение площади сфотографированного фрагмента зернового поля из заданного расстояния и угла поля зрения цифровой камеры,
- определение общей площади колосьев на цифровом изображении в сравнении с общей площадью цифрового изображения посредством алгоритма различения между пикселями изображения колосьев в противоположность другим пикселям изображения, которые не относятся к колосьям, и
- определение урожайности поля из общей площади колосьев на цифровом изображении в сравнении с общей площадью цифрового изображения, определенной площади сфотографированного фрагмента зернового поля, средней массы зерна колоса, общей площади поля, и первого калибровочного коэффициента.
2. Способ по п. 1, причем алгоритм различения между пикселями изображения колосьев в противоположность другим пикселям изображения является алгоритмом локальных бинарных шаблонов.
3. Способ по п. 1 или 2, причем алгоритм различения между пикселями изображения колосьев в противоположность другим пикселям изображения является способом анализа текстуры изображения.
4. Способ по одному из предшествующих пунктов, причем алгоритм различения между пикселями изображения колосьев в противоположность другим пикселям изображения является фильтром различения яркости.
5. Способ по одному из предшествующих пунктов, причем заданное расстояние между цифровой камерой и средней плоскостью колосьев зернового поля определяют посредством дистанционного элемента, причем дистанционный элемент состоит из гибкого элемента (например, веревки), один конец которого закреплен на цифровой камере, а другой конец которого имеет цветоконтрастный шар, который размещают в средней плоскости колосьев зернового поля.
6. Способ по одному из пп. 1-4, причем заданное расстояние между цифровой камерой и средней плоскостью колосьев зернового поля определяют посредством дистанционного элемента, причем цифровую камеру закрепляют на одном конце дистанционного элемента под предварительно определенным углом, который не равен 90 градусам, причем другой конец дистанционного элемента размещают в средней плоскости колосьев зернового поля, и причем цифровое изображение фотографируют, когда плоскость изображения цифровой камеры ориентирована горизонтально.
7. Способ по одному из предшествующих пунктов, причем калибровочный коэффициент содержит информацию о среднем размере колоса на цифровом изображении и, предпочтительно, по меньшей мере одну зависимость в отношении одного из факторов, выбранного из группы, состоящей из сорта, стадии роста, метеорологических условий, географического местоположения и состояния подкормки.
8. Способ по одному из предшествующих пунктов, причем способ содержит шаг:
- определения числа колосьев на цифровом изображении и/или фрагменте зернового поля с использованием первого калибровочного коэффициента.
9. Способ по одному из предшествующих пунктов, причем определение общей площади зерен на цифровом изображении в сравнении с общей площадью цифрового изображения также содержит:
- умножение площадей колосьев на поверхностный коэффициент, величина которого уменьшается от центра цифрового изображения к краю.
10. Способ по одному из предшествующих пунктов, причем среднюю массу зерна определяют посредством способа определения массы всех зерен колоса стебля, содержащего:
- обеспечение цифрового изображения колоса в боковом виде колоса, причем колос при фотографировании цифрового изображения находится перед эталонной картой в качестве заднего плана,
- определение длины колоса вдоль продольной оси колоса путем отделения пикселей изображения цифрового изображения колоса от заднего плана, и сравнения координат пикселей на одном конце колоса с координатами пикселей колоса на противоположном конце колоса в продольном направлении колоса с метками изображения на эталонной карте,
- определение числа уступов стержня колоса посредством способа сравнения с эталоном,
- определение числа зерен колоса путем умножения установленных уступов стержня на коэффициент, и
- определение массы всех зерен колоса путем умножения определенного числа зерен на второй калибровочный коэффициент.
11. Способ по п. 10, причем способ сравнения с эталоном содержит:
- попиксельное смещение содержащего выбранную среднюю область колоса эталона изображения по всему колосу в продольном направлении колоса и соответствующее определение коэффициента подобия эталона изображения с соответствующим перекрытым участком колоса, за счет чего возникают регулярные относительные максимумы в х-у-представлении, причем значение х является величиной смещения эталона изображения, а ось у представляет коэффициент подобия, и
- определение числа стержней из х-у-представления.
12. Способ по п. 10 или 11, причем определения числа стержней из х-у-представления содержит:
- установление средней длины периода из расстояний между относительными максимумами относительно друг друга, и
- определение числа стержней путем деления длины колоса на длину периода, и
- определение числа относительных максимумов.
13. Способ по одному из пп. 1-9, причем среднюю массу зерна определяют посредством способа определения массы зерна для определения массы всех зерен колоса стебля, причем способ определения массы зерна содержит:
- обеспечение цифрового изображения колоса в цветочном виде колоса перед эталонной картой,
- установление площади цветочного вида колоса путем отделения пикселей изображения цифрового изображения колоса от заднего плана посредством способа цветовой гистограммы, и сравнение занимаемой колосом площади с метками изображения на эталонной карте,
- определение массы всех зерен колоса путем умножения установленной площади колоса на второй калибровочный коэффициент.
14. Способ по одному из пп. 10-13, причем второй калибровочный коэффициент содержит по меньшей мере одну зависимость относительно одного из факторов, выбранного из группы, состоящей из сорта колоса, стадии роста колоса, метеорологических условий, географического местоположения и состояния подкормки.
15. Система для прогнозирования урожайности зернового поля, причем система содержит:
- цифровую камеру, которая размещена на заданном расстоянии над средней плоскостью колосьев зернового поля, причем цифровая камера выполнена для фотографирования цифрового изображения фрагмента зернового поля зернового поля с помощью размещенной цифровой камеры, причем средняя плоскость колосьев и плоскость изображения цифровой камеры расположены параллельно друг другу,
- блок определения частичной площади для определения площади сфотографированного фрагмента зернового воля из заданного расстояния и угла поля зрения цифровой камеры,
- блок определения площади колосьев для определения общей площади колосьев на цифровом изображении в сравнении с общей площадью цифрового изображения посредством алгоритма различения между пикселями изображения колосьев в противоположность другим пикселям изображения, которые не относятся к колосьям, и
- модуль определения урожайности для определения урожайности поля из общей площади колосьев на цифровом изображении в сравнении с общей площадью цифрового изображения, определенной площади сфотографированного фрагмента зернового поля, средней массы зерна колоса, общей площади поля, и калибровочного коэффициента.
16. Система по п. 15, причем система также содержит:
- приемно-передающий блок, который выполнен для пересылки сфотографированного цифрового изображения фрагмента зернового поля в вычислительный центр, который содержит блок определения частичной площади, блок определения общей площади, и модуль определения урожайности.
17. Машиночитаемый носитель информации, в котором хранятся программные элементы для определения массы всех зерен колоса стебля, которые, при выполнении их процессором, заставляют процессор осуществлять способ со следующими шагами:
- фотографирование цифрового изображения фрагмента зернового поля зернового поля с помощью цифровой камеры, причем средняя плоскость колосьев и плоскость изображения цифровой камеры расположены параллельно друг другу, и причем цифровая камера размещена на заданном расстоянии над средней плоскостью колосьев зернового поля,
- определение площади сфотографированного фрагмента зернового поля из заданного расстояния и угла поля зрения цифровой камеры,
- определение общей площади колосьев на цифровом изображении в сравнении с общей площадью цифрового изображения посредством алгоритма различения между пикселями изображения колосьев в противоположность другим пикселям изображения, которые не относятся к колосьям, и
- определение урожайности поля из общей площади колосьев на цифровом изображении в сравнении с общей площадью цифрового изображения, определенной площади сфотографированного фрагмента зернового поля, средней массы зерна колоса, общей площади поля, и калибровочного коэффициента.
RU2019114132A 2016-10-19 2017-10-16 Прогнозирование урожайности зернового поля RU2769288C2 (ru)

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
EP16194686.8 2016-10-19
EP16194686 2016-10-19
EP16194687 2016-10-19
EP16194687.6 2016-10-19
PCT/EP2017/076320 WO2018073163A1 (de) 2016-10-19 2017-10-16 Ertragsvorhersage für ein kornfeld

Publications (3)

Publication Number Publication Date
RU2019114132A true RU2019114132A (ru) 2020-11-20
RU2019114132A3 RU2019114132A3 (ru) 2021-01-27
RU2769288C2 RU2769288C2 (ru) 2022-03-30

Family

ID=60037630

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2019114132A RU2769288C2 (ru) 2016-10-19 2017-10-16 Прогнозирование урожайности зернового поля

Country Status (6)

Country Link
US (3) US11010913B2 (ru)
EP (2) EP3529771A1 (ru)
CN (2) CN109863530B (ru)
BR (2) BR112019007937A8 (ru)
RU (1) RU2769288C2 (ru)
WO (2) WO2018073093A1 (ru)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150027041A1 (en) * 2013-03-07 2015-01-29 Blue River Technology, Inc. System and method for plant cauterization
CN113011220A (zh) * 2019-12-19 2021-06-22 广州极飞科技股份有限公司 穗数识别方法、装置、存储介质及处理器
US11823408B2 (en) * 2020-03-13 2023-11-21 Oregon State University Apparatus and method to quantify maize seed phenotypes
CN112101681B (zh) * 2020-09-25 2023-04-28 北京师范大学 基于遥感ndpi时间序列监测冬小麦干热风灾害的方法
CN113139934B (zh) * 2021-03-26 2024-04-30 上海师范大学 一种水稻谷粒计数方法
TWI818334B (zh) * 2021-10-19 2023-10-11 國立中興大學 以手機影像推估穀粒含水量及收穫時期的方法
DE102022110185A1 (de) 2022-04-27 2023-11-02 Deere & Company Verfahren und Anordnung zur Messung einer kornspezifischen Größe an einer Erntemaschine
DE102022129876A1 (de) 2022-11-11 2024-05-16 Deere & Company Verfahren und Anordnung zur Ermittlung einer massen- und/oder größenspezifischen Größe von Körnerfrüchten

Family Cites Families (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4076633A (en) * 1974-10-18 1978-02-28 The Procter & Gamble Company Fabric treating articles with improved conditioning properties
JP2617014B2 (ja) * 1990-04-26 1997-06-04 日本リライアンス 株式会社 シート測長システム
US8031910B2 (en) * 2003-09-17 2011-10-04 Syngenta Participations Ag Method and apparatus for analyzing quality traits of grain or seed
RU2308679C2 (ru) * 2005-09-08 2007-10-20 ИПБОЮЛ Ващенко Юрий Ефимович Способ картографирования земель
WO2007068056A1 (en) * 2005-12-14 2007-06-21 Grains Research And Development Corporation Stain assessment for cereal grains
US9195891B2 (en) * 2006-11-07 2015-11-24 The Curators Of The University Of Missouri Method of predicting crop yield loss due to n-deficiency
US8208680B2 (en) * 2006-11-07 2012-06-26 The Curators Of The University Of Missouri Method of predicting crop yield loss due to N-deficiency
US9508007B2 (en) * 2006-11-07 2016-11-29 The Curators Of The University Of Missouri Method of predicting crop yield loss due to N-deficiency
JP2011167163A (ja) * 2010-02-22 2011-09-01 Pasuko:Kk 水稲収量予測モデル生成方法、及び水稲収量予測方法
CN101944231B (zh) 2010-08-19 2012-01-04 北京农业智能装备技术研究中心 小麦穗部形态参数提取方法
JP5673833B2 (ja) * 2011-08-30 2015-02-18 富士通株式会社 撮影装置、作業支援プログラム、および情報提供プログラム
WO2013030965A1 (ja) 2011-08-30 2013-03-07 富士通株式会社 撮影装置、撮影支援プログラム、情報提供方法、および情報提供プログラム
US9335313B2 (en) * 2011-12-30 2016-05-10 Pioneer Hi Bred International Inc. Immature ear photometry in maize
CN102612892B (zh) * 2012-03-02 2014-05-07 北京农业信息技术研究中心 小麦麦穗发芽情况识别方法
CN103632157B (zh) * 2012-08-24 2018-01-05 南京农业大学 单株小麦穗部籽粒数计数方法
US10234439B2 (en) * 2012-11-07 2019-03-19 Airscout Inc. Methods and systems for analyzing a field
JP5950166B2 (ja) 2013-03-25 2016-07-13 ソニー株式会社 情報処理システム、および情報処理システムの情報処理方法、撮像装置および撮像方法、並びにプログラム
CN103190224B (zh) * 2013-03-26 2015-02-18 中国农业大学 基于计算机视觉技术的玉米果穗考种方法、***和装置
KR20140125229A (ko) * 2013-04-18 2014-10-28 한국전자통신연구원 과수의 생산량 예측 시스템 및 그것의 구동 방법
FR3013874A1 (fr) * 2013-11-26 2015-05-29 Invivo Agrosolutions Procede de traitement de donnees agronomiques pour l'estimation du rendement d'une culture de la famille des poacees
CN103810522B (zh) * 2014-01-08 2017-02-08 中国农业大学 一种玉米果穗籽粒计数方法和装置
CN103793686B (zh) * 2014-01-16 2017-12-15 中国农业大学 一种果树产量早期预测的方法
WO2015160837A2 (en) * 2014-04-15 2015-10-22 Raven Industries, Inc. Reaping based yield monitoring system and method for the same
CN104021369A (zh) * 2014-04-30 2014-09-03 南京农业大学 基于数字图像处理技术的单株水稻穗部籽粒数计数方法
US9903979B2 (en) * 2014-09-23 2018-02-27 Deere & Company Yield estimation
US10126282B2 (en) * 2014-09-23 2018-11-13 Deere & Company Yield estimation
US10186029B2 (en) * 2014-09-26 2019-01-22 Wisconsin Alumni Research Foundation Object characterization
US9734400B2 (en) * 2015-01-30 2017-08-15 AgriSight, Inc. System and method for field variance determination
WO2016123525A1 (en) * 2015-01-30 2016-08-04 Raytheon Company Apparatus and methods for classifying and counting corn kernels
US10028426B2 (en) * 2015-04-17 2018-07-24 360 Yield Center, Llc Agronomic systems, methods and apparatuses
CA2990438A1 (en) * 2015-06-30 2017-01-05 The Climate Corporation Systems and methods for image capture and analysis of agricultural fields
US10019791B2 (en) * 2015-07-24 2018-07-10 Raytheon Company Apparatus and methods for estimating corn yields
CN105427275B (zh) * 2015-10-29 2017-11-24 中国农业大学 大田环境麦穗计数方法及装置
CN105574853B (zh) * 2015-12-07 2018-05-15 中国科学院合肥物质科学研究院 一种基于图像识别的麦穗粒数计算的方法及***
CN205607838U (zh) * 2016-05-06 2016-09-28 北京农业信息技术研究中心 一种小麦穗数测量装置
WO2018049289A1 (en) * 2016-09-09 2018-03-15 Cibo Technologies, Inc. Systems for adjusting agronomic inputs using remote sensing, and related apparatus and methods
WO2018049288A1 (en) * 2016-09-09 2018-03-15 Cibo Technologies, Inc. Systems for learning farmable zones, and related methods and apparatus
WO2018049290A1 (en) * 2016-09-09 2018-03-15 Cibo Technologies, Inc. Systems for determining agronomic outputs for a farmable region, and related methods and apparatus
US10909367B2 (en) * 2017-03-02 2021-02-02 Basecamp Networks, LLC Automated diagnosis and treatment of crop infestations

Also Published As

Publication number Publication date
CN109863530B (zh) 2022-11-15
BR112019007937A2 (pt) 2019-07-02
US11010913B2 (en) 2021-05-18
US20190286904A1 (en) 2019-09-19
EP3528609A1 (de) 2019-08-28
RU2019114132A3 (ru) 2021-01-27
CN109843034A (zh) 2019-06-04
CN109843034B (zh) 2022-08-23
BR112019007937A8 (pt) 2023-04-25
WO2018073163A1 (de) 2018-04-26
US20190236800A1 (en) 2019-08-01
RU2769288C2 (ru) 2022-03-30
BR112019007962A2 (pt) 2019-07-02
US20210241482A1 (en) 2021-08-05
WO2018073093A1 (de) 2018-04-26
CN109863530A (zh) 2019-06-07
EP3529771A1 (de) 2019-08-28
US10984548B2 (en) 2021-04-20

Similar Documents

Publication Publication Date Title
RU2019114132A (ru) Прогнозирование урожайности зернового поля
CN108919838B (zh) 一种基于双目视觉的无人机输电线路自动跟踪方法
US10515271B2 (en) Flight device and flight control method
CN104573637B (zh) 一种基于多摄像头的车牌识别方法
CN109447945B (zh) 基于机器视觉和图形处理的小麦基本苗快速计数方法
CN108960011B (zh) 部分遮挡的柑橘果实图像识别方法
CN109002795A (zh) 车道线检测方法、装置及电子设备
WO2018234733A1 (en) DATA PROCESSING OF IMAGES OF A PLANT CULTURE
US20130155235A1 (en) Image processing method
CN106651882B (zh) 一种基于机器视觉的燕窝杂质识别与检测方法及装置
CN108009522B (zh) 一种道路检测方法、装置及终端
CN111275040B (zh) 定位方法及装置、电子设备、计算机可读存储介质
US11594060B2 (en) Animal information management system and animal information management method
CN111178276B (zh) 图像处理方法、图像处理设备及计算机可读存储介质
CN111325217B (zh) 数据处理方法、装置、***和介质
US11443452B2 (en) Using spatial filter to reduce bundle adjustment block size
CN106530313A (zh) 一种基于区域分割的海天线实时检测方法
CN115187803B (zh) 一种用于名优茶嫩芽采摘过程的定位方法
CN110969654A (zh) 基于收割机的玉米高通量表型测量的方法及装置、收割机
CN109522899A (zh) 咖啡成熟果实的检测方法、装置及电子设备
CN108776106A (zh) 一种基于无人机低空遥感的作物长势监测方法及***
CN114066022A (zh) 基于计算机视觉和深度学习技术的小麦单产观测方法
CN109886336A (zh) 一种基于舰基图像的目标检测方法及***
CN115272791A (zh) 一种基于YoloV5的茶叶用多目标检测定位方法
CN117095153A (zh) 一种多模态果实感知***、装置及存储介质