TWI765794B - 水稻蟲害健康預警系統及方法 - Google Patents
水稻蟲害健康預警系統及方法 Download PDFInfo
- Publication number
- TWI765794B TWI765794B TW110128218A TW110128218A TWI765794B TW I765794 B TWI765794 B TW I765794B TW 110128218 A TW110128218 A TW 110128218A TW 110128218 A TW110128218 A TW 110128218A TW I765794 B TWI765794 B TW I765794B
- Authority
- TW
- Taiwan
- Prior art keywords
- rice
- hyperspectral
- pest
- sample
- feature
- Prior art date
Links
Images
Landscapes
- Image Processing (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本發明提供一種水稻蟲害健康預警系統及方法,該系統包括:一高光譜影像系統,用於拍攝一目標水稻的一高光譜影像;至少一鹵素燈光源,用於提供全波段的光線;一履帶,將該目標水稻運送至一拍攝位置;一處理器,包括:一影像處理單元,用於處理該高光譜影像,以產生至少一高光譜特徵數值;一儲存單元,用於儲存該高光譜影像及該至少一高光譜特徵數值;及一特徵分類單元,包括一蟲害特徵分類模型,並根據該至少一高光譜特徵數值對該目標水稻進行分類;以及一顯示器,用於顯示該高光譜影像、該至少一高光譜特徵數值,及該分類後結果。
Description
本發明係關於一種針對農作物蟲害的健康預警系統及方法,特別係關於一種針對水稻蟲害的健康預警系統及方法。
水稻是台灣重要的農作物之一,從插秧至收割至少需要花費四個多月的時間,然而水稻在生長過程中容易因為蟲害而無法正常結穗或甚至枯萎死亡,這使得農民的收成量往往不如預期。
傳統社會中,大多是依靠人力去偵測害蟲發生及其危害程度,但這樣既費力費時又可能造成錯判及延誤。由於地表物質對於特定的光波段會呈現出獨特的反射性質,其中植物對綠色光及近紅外線有較強的反射性,因此可利用植物對於特定光譜的反射強度來判別植物的健康狀態。目前,已有文獻結合高光譜儀來判別水稻是否受到二化螟的危害,其係透過分析稻葉的正常部位及受害部位所呈現出的不同光譜特徵來對二化螟危害程度進行分級。然而,稻葉外在特徵的改變或害蟲食痕的出現意味著水稻已經受害,且可能已處於受害中後期,因此在發現這些危害特徵時,害蟲對水稻田的影響範圍通常已經擴大。
因此,需要開發一種在水稻受到害蟲危害初期即可發布預警的系統,如此農民可節省大量時間及人力去監控水稻的健康狀態,也可以進一步監控人眼看不見的蟲害(例如蛀心蟲幼蟲鑽食莖與葉鞘),使得農民可提早做出應對措施,從而降低收成時的損失及防治成本。
許多以水稻為食的害蟲會將卵產在葉面、葉鞘或莖內,接著孵出的幼蟲會蛀食葉或莖的內部組織直至化蛹,或是孵化若蟲及成蟲吸食莖部汁液,導致農民無法及時預防害蟲的繁殖及擴散,因此本發明之主要目的在於提供一種水稻蟲害健康預警系統,該系統結合高光譜儀來監控水稻的指定部位是否受到如莖蛀心蟲等害蟲的影響,如此農民可在水稻的危害特徵顯現之前,提早進行防治,從而盡可能將損失降至最低。
為達上述之目的,本發明提供一種水稻蟲害健康預警系統,該系統包括:一高光譜影像系統,用於拍攝一目標水稻的一高光譜影像;至少一鹵素燈光源,用於提供全波段的光線;一履帶,將該目標水稻運送至一拍攝位置;一處理器,包括:一影像處理單元,用於處理該高光譜影像,以產生至少一高光譜特徵數值;一儲存單元,用於儲存該高光譜影像及該至少一高光譜特徵數值;及一特徵分類單元,包括一蟲害特徵分類模型,並根據該至少一高光譜特徵數值對該目標水稻進行分類;以及一顯示器,用於顯示該高光譜影像、該至少一高光譜特徵數值,及該分類後結果。
在本發明的一實施例中,該高光譜影像系統之有效光譜波長範圍為400 nm至1700 nm。
在本發明的一實施例中,該高光譜影像系統包括一VNIR 線掃描高光譜相機及一SWIR 線掃描高光譜相機。
在本發明的一實施例中,該至少一鹵素燈光源之光譜波長範圍為400 nm至2500 nm。
為達上述目的,本發明還提供一種水稻蟲害健康預警方法,包含以下步驟:S10、透過一履帶將一水稻樣本運送至一拍攝位置;S20、透過一高光譜影像系統拍攝該水稻樣本的一高光譜影像樣本;S30、透過一處理器的一影像處理單元對該高光譜影像樣本進行處理,以提取該水稻樣本的至少一高光譜特徵樣本數值;S40、在該處理器中,利用一特徵分類單元對該水稻樣本的該至少一高光譜特徵樣本數值進行機器學習,以建立一蟲害特徵分類模型;S50、透過該履帶將一待預測水稻運送至該拍攝位置;S60、透過該高光譜影像系統拍攝該待預測水稻的一高光譜影像;S70、透過該影像處理單元對該高光譜影像進行處理,以提取該待預測水稻的至少一高光譜特徵數值;及S80、利用該特徵分類單元中的該蟲害特徵分類模型判斷該待預測水稻的該至少一高光譜特徵數值的所屬類別。
在本發明的一實施例中,在步驟S30中,該處理的步驟包括:對該水稻樣本的該高光譜影像樣本進行去背,並選取一感興趣的蟲害區域,以提取該感興趣的蟲害區域的該至少一高光譜特徵樣本數值。
在本發明的一實施例中,在步驟S70中,該處理的步驟包括:對該待預測水稻的該高光譜影像進行去背,並選取一感興趣的蟲害區域,以提取該感興趣的蟲害區域的該至少一高光譜特徵數值。
在本發明的一實施例中,該感興趣的蟲害區域包括稻莖及葉鞘。
在本發明的一實施例中,在步驟S80中,該特徵分類單元利用該蟲害特徵分類模型來將該待預測水稻的該至少一高光譜特徵數值運算為一信心分數,並將該信心分數與一預設閾值進行比較。
在本發明的一實施例中,若該信心分數大於等於該預設閾值,則判定該待預測水稻屬於一受蟲害的水稻類別;若該信心分數小於該預設閾值,則判定該待預測水稻屬於一健康水稻類別。
在詳細說明本發明的至少一實施例之前,應當理解的是本發明並非必要受限於其應用在以下描述中的多個示例所舉例說明的多個細節,且多個附圖及所附的描述僅用於使本發明的該多個示例更容易及更清楚被理解。本發明能夠爲其他的實施例或者以各種方式被實施或實現。
本文中所揭露的大小和數值不應意圖被理解為嚴格限於所述精確數值,除非另外指明,各種大小旨在表示所引用的數值以及功能上與所述數值相同的範圍。
在本文中所用的術語「大約」是指當被本領域的普通技術人員測定時,一特定值的一可接受的誤差範圍,其部分取決於該數值如何被量測或測定。
請參考圖1所示,本發明提供一種水稻蟲害健康預警系統10,該系統包括:一高光譜影像系統100,用於拍攝一目標水稻的一高光譜影像;至少一鹵素燈光源200,用於提供全波段的光線;一履帶300,將該目標水稻運送至一拍攝位置302;一處理器400,包括:一影像處理單元402,用於處理該高光譜影像,以產生至少一高光譜特徵數值;一儲存單元404,用於儲存該高光譜影像及該至少一高光譜特徵數值;及一特徵分類單元406,包括一蟲害特徵分類模型4061,並根據該至少一高光譜特徵數值對該目標水稻進行分類;以及一顯示器408,用於顯示該高光譜影像、該至少一高光譜特徵數值,及該分類後結果。
在本發明的一實施例中,該高光譜影像系統100之有效光譜波長範圍為400 nm至1700 nm。
在本發明的一實施例中,該高光譜影像系統100包括一VNIR 線掃描高光譜相機102及一SWIR 線掃描高光譜相機104,其中該VNIR 線掃描高光譜相機102的光譜範圍為400 nm至1000 nm,而該SWIR 線掃描高光譜相機104的光譜範圍為900 nm至1700 nm。
在本發明的一實施例中,該至少一鹵素燈光源200之光譜波長範圍為400 nm至2500 nm。
在本發明的一實施例中,該高光譜影像系統100、該至少一鹵素燈光源200及該履帶300設置在一暗室600中。
在本發明的一實施例中,該VNIR 線掃描高光譜相機102設置於一第一縱向支架500上,該SWIR線掃描高光譜相機104設置於一第二縱向支架502上,且該VNIR 線掃描高光譜相機102及該SWIR 線掃描高光譜相機104的鏡頭底部與該拍攝位置302之間的垂直距離大約介於0.6至0.8公尺。
在本發明的一實施例中,該高光譜影像系統100包括兩個鹵素燈光源200,該兩個鹵素燈光源200分別掛設於與該第一縱向支架500垂直連接的一第一橫向支架(未示出)及與該第二縱向支架502垂直連接的一第二橫向支架(未示出)上,且該兩個鹵素燈光源200位於相同高度,這樣的設置為該拍攝位置302提供足夠且均勻的光線。
在本發明的一實施例中,該水稻蟲害健康預警系統還包括一校正白板,該校正白板可提供一全反射參考值,以防止暗電流造成的背景雜訊。
請參照圖2所示,本發明提供使用上述水稻蟲害健康預警系統10的一種水稻蟲害健康預警方法,該方法主要包括以下步驟:S10、透過一履帶300將一水稻樣本運送至一拍攝位置302;S20、透過一高光譜影像系統100拍攝該水稻樣本的一高光譜影像樣本;S30、透過一處理器400的一影像處理單元402對該高光譜影像樣本進行處理,以提取該水稻樣本的至少一高光譜特徵樣本數值;S40、在該處理器400中,利用一特徵分類單元406對該水稻樣本的該至少一高光譜特徵樣本數值進行機器學習,以建立一蟲害特徵分類模型4061;S50、透過該履帶300將一待預測水稻運送至該拍攝位置302;S60、透過該高光譜影像系統100拍攝該待預測水稻的一高光譜影像;S70、透過該影像處理單元402對該高光譜影像進行處理,以提取該待預測水稻的至少一高光譜特徵數值;及S80、利用該特徵分類單元406中的該蟲害特徵分類模型4061判斷該待預測水稻的該至少一高光譜特徵數值的所屬類別。
在下文中,本發明係以預警水稻是否受到蛀莖心蟲(如大螟、二化螟、三化螟等鱗翅目幼蟲)危害來作為示例,以使讀者更容易理解該水稻蟲害健康預警方法的進行,但此示例並非旨在限制本發明的應用,該水稻蟲害健康預警方法亦可應用於預警其它以稻莖為食或造成捲葉的害蟲對水稻的危害。
本發明提供之水稻蟲害健康預警方法首先係:S10、透過一履帶300將一水稻樣本運送至一拍攝位置302。在該步驟中,該水稻樣本包括不同日齡的水稻,分別為20日齡、40日齡、60日齡及80日齡的水稻樣本,該日齡係從發芽日開始計算,而各日齡再區分為健康水稻樣本及事先放入蛀莖心蟲幼蟲的受蟲害的水稻樣本,該健康水稻樣本及該受蟲害的水稻樣本的數量如表1所示。
[表1]、水稻樣本種類及數量
水稻樣本日齡 | 健康(株) | 受蟲害(株) |
20 | 18 | 19 |
40 | 40 | 84 |
60 | 34 | 33 |
80 | 19 | 26 |
本發明提供之水稻蟲害健康預警方法接著係:S20、透過一高光譜影像系統100拍攝該水稻樣本的一高光譜影像樣本。在此步驟中,如上所述,該高光譜影像系統100包括一VNIR 線掃描高光譜相機102及一SWIR 線掃描高光譜相機104,因此該高光譜影像系統100涵蓋的光譜範圍介於400 nm至1700 nm。
本發明提供之水稻蟲害健康預警方法接著係:S30、透過一處理器400的一影像處理單元402對該高光譜影像樣本進行處理,以產生該水稻樣本的至少一高光譜特徵樣本數值。在此步驟中,該處理的步驟包括:對該水稻樣本的該高光譜影像樣本進行去背,並選取一感興趣的蟲害區域,以提取該感興趣的蟲害區域的該至少一高光譜特徵樣本數值,其中該感興趣的蟲害區域係指該蛀莖心蟲幼蟲在該水稻樣本的位置。在一實施例中,該感興趣的蟲害區域在該水稻樣本的稻莖。在一優選的實施例中,參照圖3所提供的40日齡的水稻樣本的去背過的影像,由於蛀莖心蟲幼蟲會從稻苗基部的葉鞘鑽入稻莖中蛀食而造成稻苗枯萎,因此該感興趣的蟲害區域係指該水稻樣本的葉鞘部分,以圖3為例,該葉鞘部分(白色虛線方框處)大約占從土壤表面至該水稻樣本尖端的長度的1/9至1/10。接著,從該感興趣的蟲害區域讀取出該至少一高光譜特徵樣本數值,意即在多個波長測得的反射率數值。
在一優選的實施例中,該至少一高光譜特徵樣本數值包括:在多個波長測得之反射率所計算出的平均值、最大值、最小值、變異數及標準差,以作為機器學習之特徵。
本發明提供之水稻蟲害健康預警方法接著係:S40、在該處理器400中,利用一特徵分類單元406對該水稻樣本的該至少一高光譜特徵樣本數值進行機器學習,以建立一蟲害特徵分類模型4061。此步驟係利用該處理器400的該特徵分類單元406對從步驟S30收集到的表1所示的每株水稻樣本的該至少一高光譜特徵樣本數值進行深度學習,來建立該蟲害特徵分類模型4061。
本發明提供之水稻蟲害健康預警方法接著係:S50、透過該履帶300將一待預測水稻運送至該拍攝位置302。在該步驟中,該待預測水稻為40日齡的水稻,其中包括21株健康水稻及61株受蟲害的水稻。
本發明提供之水稻蟲害健康預警方法接著係:S60、透過該高光譜影像系統100拍攝該待預測水稻的一高光譜影像。
本發明提供之水稻蟲害健康預警方法接著係:S70、透過該影像處理單元402對該高光譜影像進行處理,以提取該待預測水稻的至少一高光譜特徵數值。在此步驟中,如同步驟S30所述,首先將該待預測水稻的該高光譜影像進行去背,接著圈選出該感興趣的蟲害區域,隨後讀取出在該感興趣的蟲害區域中於多個波長測得的反射率數值。
本發明提供之水稻蟲害健康預警方法最後係:S80、利用該特徵分類單元406中的該蟲害特徵分類模型4061判斷該待預測水稻的該至少一高光譜特徵數值的所屬類別。在此步驟中,該特徵分類單元406利用該蟲害特徵分類模型4061來將每株待預測水稻的該至少一高光譜特徵數值運算為一信心分數,並將該信心分數與一預設閾值進行比較。在一優選實施例中,將該預設閾值設定為0.5,但不限於此,使用者可視情況調整預設閾值的高低。接著,在將該信心分數與該預設閾值進行比較後,若該信心分數大於等於該預設閾值,則判定該待預測水稻屬於一受蟲害的水稻類別;若該信心分數小於該預設閾值,則判定該待預測水稻屬於一健康水稻類別。在一實施例中,該蟲害特徵分類模型4061對於該多株待預測水稻的所屬類別之判斷的準確率達83.8%。
在本發明的一實施例中,該特徵分類單元406係利用隨機樹(Random Tree)、功能線性辦別分析(Function LDA)等其它分類演算法來對該待預測水稻的該至少一高光譜特徵數值進行分類。
在本發明中,使用者可在該顯示器408上選取該感興趣的蟲害區域,及查看該至少一高光譜特徵數值與分類後的結果。
在本發明的一優選實施例中,該水稻蟲害健康預警方法還包括:使用一校正白板來排除拍攝過程中所產生的背景雜訊。具體而言,在步驟S10之前,可先將該校正白板放置在該拍攝位置302處,並透過該高光譜影像系統100拍攝該校正白板,以產生一全反射參考值,該全反射參考值可反映出暗電流所造成的背景雜訊;接著,在步驟S40之前,可先利用該校正白板的該全反射參考值及一預設的校正公式來對該水稻樣本的至少一高光譜特徵樣本數值進行校正,以排除拍攝過程中所產生的背景雜訊,從而提取出與該感興趣的蟲害區域直接相關的高光譜特徵樣本數值,並建立更精準的蟲害特徵分類模型4061。同樣地,在對一待預測水稻進行蟲害健康預警評估時,可在步驟S50前先對該校正白板進行拍攝,接著在步驟S80前先以該校正白板的該全反射參考值對該待預測水稻的該至少一高光譜特徵數值進行校正,最後再由該蟲害特徵分類模型4061判斷該待預測水稻的所屬類別。
綜上所述,本發明提供的一種水稻蟲害健康預警系統及方法有助於農民早期發現水稻是否受到蛀莖心蟲等以水稻為食的害蟲的危害,如此農民可提前對受到蟲害的水稻進行處置,以盡可能將損失降至最低,例如將受蟲害的水稻及其周圍的水稻割除,以防止蛀莖心蟲爬上葉尖藉風力又遷移到其他的水稻危害,進而造成受蟲害的水稻面積擴大(劉達修,2003,三化螟,植物保護圖鑑系列8-水稻保護,第57-58頁,防檢局,台北,448頁)。此外,該系統也使得農民不需要進行預防性化學噴藥,如此可防止害蟲發展出抗藥性並排除對非目標生物的危害(例如,蜜蜂與害蟲天敵),且避免藥劑殘留於土壤中而造成環境汙染。
雖然本發明已以多個較佳實施例揭露,然其並非用以限制本發明,僅用以使具有通常知識者能夠清楚瞭解本說明書的實施內容。本領域中任何熟習此項技藝之人士,在不脫離本發明之精神和範圍內,當可作各種更動、替代與修飾,因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。
10:水稻蟲害健康預警系統
100:高光譜影像系統
102:VNIR線掃描高光譜相機
104:SWIR線掃描高光譜相機
200:鹵素燈光源
300:履帶
302:拍攝位置
400:處理器
402:影像處理單元
404:儲存單元
406:特徵分類單元
408:顯示器
500:第一縱向支架
502:第二縱向支架
600:暗室
4061:蟲害特徵分類模型
S10-S80:步驟
[圖1]為根據本發明的一實施例的一種水稻蟲害健康預警系統的裝置示意圖。
[圖2]為根據本發明的一實施例的一種水稻蟲害健康預警方法的流程方塊圖。
[圖3]為根據本發明的一實施例的一水稻的去背過的高光譜影像。
10:水稻蟲害健康預警系統
100:高光譜影像系統
102:VNIR線掃描高光譜相機
104:SWIR線掃描高光譜相機
200:鹵素燈光源
300:履帶
302:拍攝位置
400:處理器
402:影像處理單元
404:儲存單元
406:特徵分類單元
408:顯示器
500:第一縱向支架
502:第二縱向支架
600:暗室
4061:蟲害特徵分類模型
Claims (10)
- 一種水稻蟲害健康預警系統,包含: 一高光譜影像系統,用於拍攝一目標水稻的一高光譜影像; 至少一鹵素燈光源,用於提供全波段的光線; 一履帶,將該目標水稻運送至一拍攝位置; 一處理器,包括: 一影像處理單元,用於處理該高光譜影像,以產生至少一高光譜特徵數值; 一儲存單元,用於儲存該高光譜影像及該至少一高光譜特徵數值;及 一特徵分類單元,包括一蟲害特徵分類模型,並根據該至少一高光譜特徵數值對該目標水稻進行分類;以及 一顯示器,用於顯示該高光譜影像、該至少一高光譜特徵數值,及該分類後結果。
- 如請求項1所述之水稻蟲害健康預警系統, 其中該高光譜影像系統之有效光譜波長範圍為400 nm至1700 nm。
- 如請求項2所述之水稻蟲害健康預警系統,其中該高光譜影像系統包括一VNIR 線掃描高光譜相機及一SWIR 線掃描高光譜相機。
- 如請求項1所述之水稻蟲害健康預警系統,其中該至少一鹵素燈光源之光譜波長範圍為400 nm至2500 nm。
- 一種水稻蟲害健康預警方法,包含以下步驟: (S10) 透過一履帶將一水稻樣本運送至一拍攝位置; (S20) 透過一高光譜影像系統拍攝該水稻樣本的一高光譜影像樣本; (S30) 透過一處理器的一影像處理單元對該高光譜影像樣本進行處理,以提取該水稻樣本的至少一高光譜特徵樣本數值; (S40) 在該處理器中,利用一特徵分類單元對該水稻樣本的該至少一高光譜特徵樣本數值進行機器學習,以建立一蟲害特徵分類模型; (S50) 透過該履帶將一待預測水稻運送至該拍攝位置; (S60) 透過該高光譜影像系統拍攝該待預測水稻的一高光譜影像; (S70) 透過該影像處理單元對該高光譜影像進行處理,以提取該待預測水稻的至少一高光譜特徵數值;及 (S80) 利用該特徵分類單元中的該蟲害特徵分類模型判斷該待預測水稻的該至少一高光譜特徵數值的所屬類別。
- 如請求項5所述之水稻蟲害健康預警方法,其中在步驟(S30)中,該處理的步驟包括:對該水稻樣本的該高光譜影像樣本進行去背,並選取一感興趣的蟲害區域,以提取該感興趣的蟲害區域的該至少一高光譜特徵樣本數值。
- 如請求項5所述之水稻蟲害健康預警方法,其中在步驟(S70)中,該處理的步驟包括:對該待預測水稻的該高光譜影像進行去背,並選取一感興趣的蟲害區域,以提取該感興趣的蟲害區域的該至少一高光譜特徵數值。
- 如請求項6或7所述之水稻蟲害健康預警方法,其中該感興趣的蟲害區域包括稻莖及葉鞘。
- 如請求項5所述之水稻蟲害健康預警方法,其中在步驟(S80)中,該特徵分類單元利用該蟲害特徵分類模型來將該待預測水稻的該至少一高光譜特徵數值運算為一信心分數,並將該信心分數與一預設閾值進行比較。
- 如請求項9所述之水稻蟲害健康預警方法,其中若該信心分數大於等於該預設閾值,則判定該待預測水稻屬於一受蟲害的水稻類別;若該信心分數小於該預設閾值,則判定該待預測水稻屬於一健康水稻類別。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110128218A TWI765794B (zh) | 2021-07-30 | 2021-07-30 | 水稻蟲害健康預警系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110128218A TWI765794B (zh) | 2021-07-30 | 2021-07-30 | 水稻蟲害健康預警系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI765794B true TWI765794B (zh) | 2022-05-21 |
TW202305721A TW202305721A (zh) | 2023-02-01 |
Family
ID=82594526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110128218A TWI765794B (zh) | 2021-07-30 | 2021-07-30 | 水稻蟲害健康預警系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI765794B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761674A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 基于遥感与海量气候信息的农作物生长期告警与干预方法 |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别*** |
CN107077650A (zh) * | 2014-09-12 | 2017-08-18 | 克莱米特公司 | 用于管理农业活动的方法和*** |
CN107315381A (zh) * | 2017-08-02 | 2017-11-03 | 宿松县玖索科技信息有限公司 | 一种农作物病虫害的监测方法 |
US20190259108A1 (en) * | 2018-02-20 | 2019-08-22 | Osram Gmbh | Controlled Agricultural Systems and Methods of Managing Agricultural Systems |
-
2021
- 2021-07-30 TW TW110128218A patent/TWI765794B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103761674A (zh) * | 2014-01-27 | 2014-04-30 | 林兴志 | 基于遥感与海量气候信息的农作物生长期告警与干预方法 |
CN107077650A (zh) * | 2014-09-12 | 2017-08-18 | 克莱米特公司 | 用于管理农业活动的方法和*** |
CN106915462A (zh) * | 2017-02-14 | 2017-07-04 | 福建兴宇信息科技有限公司 | 基于多源影像信息的林业病虫害智能识别*** |
CN107315381A (zh) * | 2017-08-02 | 2017-11-03 | 宿松县玖索科技信息有限公司 | 一种农作物病虫害的监测方法 |
US20190259108A1 (en) * | 2018-02-20 | 2019-08-22 | Osram Gmbh | Controlled Agricultural Systems and Methods of Managing Agricultural Systems |
Also Published As
Publication number | Publication date |
---|---|
TW202305721A (zh) | 2023-02-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11445665B2 (en) | Plant treatment based on morphological and physiological measurements | |
Dammer et al. | Detection of head blight (Fusarium ssp.) in winter wheat by color and multispectral image analyses | |
WO2016111376A1 (ja) | 植物情報取得システム、植物情報取得装置、植物情報取得方法、作物管理システムおよび作物管理方法 | |
US20220012519A1 (en) | Industrialized system for rice grain recognition and method thereof | |
JP5593255B2 (ja) | 植生制御装置、植物育成システム | |
JP2019187259A (ja) | 栽培支援方法、栽培支援プログラム、栽培支援装置、および栽培支援システム | |
JP6960698B2 (ja) | 農作物関連値導出装置および農作物関連値導出方法 | |
JP2017125705A (ja) | 植物情報取得システム、植物情報取得装置、植物情報取得方法、作物管理システムおよび作物管理方法 | |
Tarbell et al. | A computer vision system for characterizing corn growth and development | |
JP2017012138A (ja) | 作物管理システムおよび作物管理方法 | |
JP2013005726A (ja) | 情報提供システム、情報提供装置、情報提供方法及びプログラム | |
CN114049295A (zh) | 一种霜霉病智能化检测处理的方法及*** | |
TWI765794B (zh) | 水稻蟲害健康預警系統及方法 | |
RU2695490C2 (ru) | Способ мониторинга сельскохозяйственных угодий | |
US11666004B2 (en) | System and method for testing plant genotype and phenotype expressions under varying growing and environmental conditions | |
JP4839441B2 (ja) | 受粉蕾の検出方法及び装置 | |
Mihaylov et al. | Study of the specifics of the spectral reflections of different varieties of cereals harvest 2021, obtained from the visible and near infrared (NIR) frequency range | |
US20220104437A1 (en) | Reduction of time of day variations in plant-related data measurements | |
US20220107297A1 (en) | Platform for real-time identification and resolution of spatial production anomalies in agriculture | |
JP5386753B2 (ja) | 農作物判定システム | |
KR20220033965A (ko) | 병충해 치유 레시피 제공 플랫폼 및 제공 방법 | |
Musale et al. | Database development of defective and healthy alphonso mangoes | |
Lejeune et al. | LED light gradient as a screening tool for light quality responses in model plant species | |
Jordan et al. | Comparison of Trimble GreenSeeker and Crop Circle (Model ACS-210) Reflectance Meters for Assessment of Severity of Late Leaf Spot | |
Triana-Martinez et al. | Comparative leaf area index estimation using multispectral and RGB images from a UAV platform |