CN102749290B - 一种樱桃树冠层树枝生长状态的检测方法 - Google Patents
一种樱桃树冠层树枝生长状态的检测方法 Download PDFInfo
- Publication number
- CN102749290B CN102749290B CN201210224548.5A CN201210224548A CN102749290B CN 102749290 B CN102749290 B CN 102749290B CN 201210224548 A CN201210224548 A CN 201210224548A CN 102749290 B CN102749290 B CN 102749290B
- Authority
- CN
- China
- Prior art keywords
- cherry tree
- frequency spectrum
- canopy
- branches
- tree canopy
- 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.)
- Expired - Fee Related
Links
- 241000167854 Bourreria succulenta Species 0.000 title claims abstract description 65
- 235000019693 cherries Nutrition 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000013138 pruning Methods 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 10
- 235000013399 edible fruits Nutrition 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 241000209094 Oryza Species 0.000 description 3
- 235000007164 Oryza sativa Nutrition 0.000 description 3
- 235000009566 rice Nutrition 0.000 description 3
- 229920000742 Cotton Polymers 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 241000219146 Gossypium Species 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002420 orchard Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010238 partial least squares regression Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000001429 visible spectrum Methods 0.000 description 1
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种樱桃树冠层树枝生长状态的检测方法，包括以下步骤：(1)分别采集若干个不同生长状态的樱桃树冠层树枝样本的近红外图像；(2)对近红外图像进行快速傅里叶变换，得到近红外图像的二维空间频率谱，将该二维空间频率谱分为10～25个等面积的圆环，并求得每个圆环的频率谱值；(3)遍历所有樱桃树冠层树枝样本，分别得到与每个樱桃树冠层树枝样本相对应的频率谱值；所述频率谱值为输入，以对应的樱桃树冠层树枝样本的生长状态为输出，建立模型；(4)获取与待测樱桃树冠层树枝相对应的频率谱值，代入所述模型，得到待测樱桃树冠层树枝的生长状态。本发明可实现对樱桃树冠层树枝生长状态进行快速、准确的检测。
Description
技术领域
本发明属于果树生长状态的检测方法领域，尤其涉及一种樱桃树冠层树枝生长状态的检测方法。
背景技术
作物的生长离不开光合作用的影响，其中作物冠层的结构影响着作物对光的截获以及光在果园中的分布情况，因此直接影响着果实的产量高低。果实每单位面积的产量已被证明与作物对光的截获存在着正相关，光截获以及光分布的不均匀，均会减小果实的大小、降低果实的产量和质量。提高光截获量的方法有高密度种植，保持合适大小和形状的树冠结构，以及提高叶面积指数等，其中对作物冠层结构的合理优化已成为果园管理的一项重要技术指标。作物冠层结构主要受剪枝技术的影响，因此高效精确地对作物的生长状态进行检测，进行合理的剪枝，是对作物冠层结构合理化管理的前提条件。
目前在国内，对作物生长状态检测的手段相对落后，绝大部分靠农民的经验进行判断，这种主观评定方法受个人经验、环境等条件的影响，其客观性、准确性较差，同时需要消耗大量的人力、物力。
国内外有报导采用光谱反射信息、透射信息等对作物的冠层结构进行反演，但是由于光谱技术的局限性，结果容易受作物的不同品种、生长的不同阶段以及冠层差异的影响较大。杨长明等采用光谱辐射仪对处于同一生长状态的不同株型水稻品种的冠层光谱辐射能进行观测，结果显示不同株型水稻品种的冠层光谱反射率存在明显的差异(可参见：杨长明，杨林章，韦朝领，丁超尘.2002.“不同品种水稻群体冠层光谱特征比较研究”应用生态学报13，689-692.)。吴春霞等对棉花冠层的反射特征进行研究，结果表明处于同一生长状态的不同棉花品种冠层光谱反射率存在差异，并且在不同的生育期差异较明显(可参见：吴春霞，任岗，赵俊荣，白丽，白书军.2008.“基于高光谱技术的棉花冠层反射特征研究”农业与技术4，56-60.)。
发明内容
本发明的目的在于提供一种基于多光谱成像技术的樱桃树冠层树枝生长状态的检测方法，解决了樱桃树冠层树枝生长状态的检测过程中误差大，受叶片、冠层形状以及品种影响大的问题。
一种樱桃树冠层树枝生长状态检测方法，包括以下步骤：
(1)分别采集若干个不同生长状态的樱桃树冠层树枝样本的近红外图像；
(2)对近红外图像进行快速傅里叶变换，得到近红外图像的二维空间频率谱，将该二维空间频率谱分为10～25个等面积的圆环，并求得每个圆环的频率谱值；
(3)遍历所有樱桃树冠层树枝样本，分别得到与每个樱桃树冠层树枝样本相对应的频率谱值；
所述频率谱值为输入，以对应的樱桃树冠层树枝样本的生长状态为输出，建立模型；
(4)根据步骤(1)和(2)获取与待测樱桃树冠层树枝相对应的频率谱值，代入所述模型，得到待测樱桃树冠层树枝的生长状态。
所述近红外图像是在波长为780～1100nm的近红外波段获取的图像，所述樱桃树为处于生长旺盛期的樱桃树，树龄超过1年的樱桃树在每年3～9月份即为其生长旺盛期。
所述步骤(1)中，樱桃树冠层树枝的生长状态可划分为三类：未充分剪枝(under-pruning)状态，适宜剪枝(premium-pruning)状态，过度剪枝(over-pruning)状态，其中，未充分剪枝状态是指樱桃树冠层树枝过长或者过密，不利于光截获的状态；适宜剪枝状态是指樱桃树冠层树枝长度、密度适宜，有利于光截获的状态；过度剪枝状态是指樱桃树冠层树枝过短或过于稀疏，不利于光截获的状态。标定樱桃树冠层树枝生长状态的原则如下：主、侧枝的延长枝，生长量一般达到40～50厘米时，适宜减去的范围是1/4～1/3，同时，叶片覆盖率宜保持在60～75％，长势较弱的骨干枝的延长枝，宜适当长留，以增加其总生长量，对强旺枝上的其余分枝，特别是背上的直立枝，可只留3～5cm进行重短截。若修剪量过多则为过度剪枝状态，修剪量过少则为未充分剪枝状态，修剪量适中则为适宜剪枝状态。
所述步骤(1)中，所述樱桃树冠层树枝样本应尽可能多的涵盖三种不同生长状态的樱桃树冠层树枝结构，才可对待测的樱桃树冠层树枝生长状态具有良好的预测效果，但是样本数量过多会为样本的采集、模型的校正带来较大的工作量，所述樱桃树冠层树枝样本的数量优选为60～90个，而且三种生长状态的樱桃树冠层树枝样本数量一致，在此条件下，不仅能够保证预测模型的精度，而且可以节省人力成本。
所述步骤(1)中，采集的图像为樱桃树冠层树枝样本的近红外图像，相对于可见光谱图像，采集近红外图像进行步骤(2)中所述快速傅里叶变换，效果更优。
所述步骤(1)中，为了获取更为清晰、准确的近红外图像，进而提取更为精确的近红外图像纹理特征信息，所述近红外图像的分辨率优选为1920×1080，近红外图像的采集距离优选为2～3m，即采集图像的探头与樱桃树冠层树枝样本之间的距离为2～3m。
所述步骤(2)中，图像的形状及纹理在图像空间中具有一定的发生频率，因此可以对图像进行频谱分析来提取图像的纹理特征信息，本发明利用快速傅里叶变换，把空间域信号变换到频域，得到近红外图像的二维空间频率谱，并将所述二维空间频率谱分为10～25个的圆环，求得每个圆环的频率谱值(可参见：方如明，蔡健荣.1999，计算机视觉技术及其在农业工程中的应用.清华大学出版社45-47.)，每个圆环的频率谱值即可反映出图像的纹理特征信息。
所述步骤(2)中，为了进一步确保樱桃树剪枝的图像纹理特征信息提取的完整性和精确性，同时节省模型的运算时间，圆环的数目优选为20个。
所述步骤(3)中，樱桃树冠层树枝样本的生长状态通过标定樱桃树冠层树枝生长状态的原则来确定。
所述步骤(3)中，为了提高模型预测的准确性，优选基于多元回归算法建立所述校正模型；所述多元回归算法为偏最小二乘回归法算法、主成分回归算法、逐步回归算法、人工神经网络算法或支持向量机算法；
更优选为人工神经网络算法，由于本模型中输入值和输出值之间的关系相对复杂，样本数量大，而人工神经网络具有自学习能力，可通过学习提高分析精度，在样本数量大、关系复杂的模型建立方面更有优势，同时人工神经网络算法具有抗干扰、抗噪声能力以及非线性转换能力强的优点；最优选为三层BP神经网络算法。
所述步骤(3)中，所述多元回归算法为人工神经网络算法，所述人工神经网络算法为三层BP神经网络算法时，所述三层BP神经网络的隐含层结点数优选为9～15，隐含层结点数的选择关系到人工神经网络模型预测的准确性，若隐含层的神经元结太少，模型的可靠性就会降低，网络结点数过多，可能使网络训练无穷无尽，还会导致网络不能识别新样本模式。
所述步骤(4)中，待测樱桃树近红外图像采集时，必须同获取樱桃树剪枝样本近红外图像所采用的方法保持一致，即图像采集的分辨率、采集距离，应该保持一致。
本发明采用多光谱成像技术获取樱桃树冠层树枝图像，并利用快速傅里叶变换对图像进行处理，得到的图像纹理信息不受叶片形状等的影响，可实现对樱桃树冠层树枝生长状态进行实时、快速、准确、非破坏性的检测，同时为实现樱桃树及其他果实剪枝的自动化操作提供了前提条件，可降低劳动力成本，具有极强的适用性、经济性和应用价值。
附图说明
图1为本发明实施例中近红外图像经快速傅里叶变换后得到的二维空间频率谱图；
图2为本发明实施例中20个等面积圆环的总面积在近红外图像中的示意图。
具体实施方式
本发明用于检测樱桃树冠层树枝生长状态的系统包括可见及近红外多光谱成像仪和计算机，可见及近红外多光谱成像仪与计算机之间通过图象采集卡传输数据，图像采集卡连接于可见及近红外多光谱成像仪上，可见及近红外多光谱成像仪通过RS-232串口线及图象采集卡数据线和计算机连接，所述计算机设有图像处理软件，其中，可见及近红外多光谱成像仪为美国Redlake公司的MS3100Duncan Camera，底部设有可调节角度、高度、移动底座的三脚架，镜头与地面水平采集图像信息，图象采集卡为美国National Instrument公司的PCI1424或1428数据采集卡，可见及近红外多光谱成像仪采集图象所用光源为自然光。
从田间选取100棵樱桃树，其中75棵樱桃树的冠层树枝作为樱桃树冠层树枝样品，用于校正预测模型，其余25棵樱桃树的冠层树枝作为待测樱桃树冠层树枝；利用可见及近红外多光谱成像仪获取所述100棵樱桃树的冠层树枝的近红外图像，将近红外图像进行背景去除等图像预处理后，对其进行快速傅里叶变换，得到近红外图像的二维空间频率谱(参见图1)，然后通过数字化处理将图像频率谱均匀地分为20个等面积的圆环(20个圆环的总面积参见图2)，求得每个圆环的频率谱值；同时根据冠层树枝生长状态的标定原则获取75棵樱桃树冠层树枝样品近红外图像对应的实测生长状态。
以75个樱桃树冠层树枝样品近红外图像的20个圆环的频率谱值作为输入，以近红外图像对应的樱桃树冠层树枝样品的实测生长状态为输出，建立含输入层、隐含层和输出层三层结构的BP神经网络运算模型，其中，输入层结点数为20(分别为20个圆环的频率谱值)，输出层结点数为3，隐含层结点数为12，设定网络的最小训练速率为0.1，动态参数为0.9，数据转换方式为标准化变换，最大迭代次数为1000次，得到如表1的映射关系，由于篇幅限制，本实施例选取典型的15个样本列于表1。
表1用于模型建立的部分数据库
| NO | X1 | X2 | X3 | X4 | X5 | X6 | X7 | X8 | … | Y1 | Y2 | Y3 |
| 1 | 2.20 | 0.75 | 0.53 | 0.42 | 0.34 | 0.30 | 0.26 | 0.24 | … | 1 | 0 | 0 |
| 2 | 2.20 | 0.79 | 0.55 | 0.43 | 0.37 | 0.32 | 0.28 | 0.25 | … | 1 | 0 | 0 |
| 3 | 1.69 | 0.57 | 0.38 | 0.31 | 0.25 | 0.22 | 0.19 | 0.18 | … | 1 | 0 | 0 |
| 4 | 2.16 | 0.73 | 0.50 | 0.39 | 0.32 | 0.27 | 0.24 | 0.22 | … | 1 | 0 | 0 |
| 5 | 2.05 | 0.71 | 0.49 | 0.38 | 0.31 | 0.27 | 0.24 | 0.21 | … | 1 | 0 | 0 |
| 6 | 1.78 | 0.59 | 0.40 | 0.31 | 0.26 | 0.22 | 0.20 | 0.18 | … | 1 | 0 | 0 |
| 7 | 2.15 | 0.72 | 0.48 | 0.38 | 0.31 | 0.26 | 0.23 | 0.21 | … | 1 | 0 | 0 |
| 8 | 1.91 | 0.62 | 0.42 | 0.33 | 0.27 | 0.23 | 0.20 | 0.18 | … | 0 | 1 | 0 |
| 9 | 2.42 | 0.81 | 0.54 | 0.42 | 0.35 | 0.29 | 0.26 | 0.23 | … | 1 | 0 | 0 |
| 10 | 1.62 | 0.52 | 0.35 | 0.27 | 0.23 | 0.20 | 0.17 | 0.15 | … | 0 | 1 | 0 |
| 11 | 1.08 | 0.32 | 0.22 | 0.17 | 0.14 | 0.12 | 0.10 | 0.09 | … | 0 | 0 | 1 |
| 12 | 2.59 | 0.80 | 0.55 | 0.43 | 0.36 | 0.30 | 0.27 | 0.24 | … | 1 | 0 | 0 |
| 13 | 2.29 | 0.70 | 0.49 | 0.38 | 0.31 | 0.26 | 0.23 | 0.21 | … | 1 | 0 | 0 |
| 14 | 1.61 | 0.48 | 0.32 | 0.25 | 0.21 | 0.18 | 0.16 | 0.14 | … | 0 | 1 | 0 |
| 15 | 2.54 | 0.84 | 0.56 | 0.43 | 0.36 | 0.30 | 0.26 | 0.23 | … | 1 | 0 | 0 |
注：输出列中，100代表不充分剪枝状态；010代表适宜剪枝状态；001代表过度剪枝状态。
完成模型的驯化后，将25个待测樱桃树冠层树枝近红外图像的20个圆环的频率谱值输入建立好的神经网络模型，得出输出数据Y1、Y2和Y3，如表2所示，通过模型的输出数据，根据以下原则来确定待测樱桃树冠层树枝的模型预测生长状态：若Y1的预测结果在0.5～1.5之间，Y2和Y3数据在-0.5～0.5之间，则判定为未充分剪枝状态；若Y2的预测结果在0.5～1.5之间，Y1和Y3数据在-0.5～0.5之间，则判定为适宜剪枝状态；若Y3的预测结果在0.5～1.5之间，Y1和Y2数据在-0.5～0.5之间，则判定为过度剪枝状态；分析知，除了第11组、第12组、第14组和第20组模型预测生长状态错误外，其余各组模型预测生长状态均与实测生长状态相符，模型预测准确率达到84％。
表2待测樱桃树冠层树枝预测生长状态及实测生长状态
注：0代表无法预测；1代表不充分剪枝；2代表适宜剪枝；3代表过度剪枝。
Claims (1)
1.一种樱桃树冠层树枝生长状态的检测方法，其特征在于，包括以下步骤：
(1)分别采集若干个不同生长状态的樱桃树冠层树枝样本的近红外图像；所述樱桃树冠层树枝样本的数量为60～90个；所述近红外图像的分辨率是1920×1080；所述近红外图像是在波长为780～1100nm的近红外波段获取的图像，所述樱桃树为处于生长旺盛期的樱桃树；近红外图像的采集距离为2～3m；
(2)将近红外图像进行背景去除图像预处理后，对近红外图像进行快速傅里叶变换，得到近红外图像的二维空间频率谱，将该二维空间频率谱均匀地分为20个等面积圆环，并求得每个圆环的频率谱值；
(3)遍历所有樱桃树冠层树枝样本，分别得到与每个樱桃树冠层树枝样本相对应的频率谱值；
以所述频率谱值为输入，以对应的樱桃树冠层树枝样本的生长状态为输出，建立模型；
所述模型的建立采用三层BP神经网络算法，所述三层BP神经网络的隐含层结点数为12；输入层结点数为20，输出层结点数为3，设定三层BP神经网络算法的最小训练速率为0.1，动态参数为0.9，数据转换方式为标准化变换，最大迭代次数为1000次；输出列中包括Y1、Y2和Y3，Y1、Y2和Y3依次为1、0、0代表不充分剪枝状态；Y1、Y2和Y3依次为0、1、0代表适宜剪枝状态；Y1、Y2和Y3依次为0、0、1代表过度剪枝状态；
(4)根据步骤(1)和(2)获取与待测樱桃树冠层树枝相对应的频率谱值，代入所述模型，通过模型的输出数据，根据以下原则来确定待测樱桃树冠层树枝的模型预测生长状态：若Y1的预测结果在0.5～1.5之间，Y2和Y3数据在-0.5～0.5之间，则判定为未充分剪枝状态；若Y2的预测结果在0.5～1.5之间，Y1和Y3数据在-0.5～0.5之间，则判定为适宜剪枝状态；若Y3的预测结果在0.5～1.5之间，Y1和Y2数据在-0.5～0.5之间，则判定为过度剪枝状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210224548.5A CN102749290B (zh) | 2012-07-02 | 2012-07-02 | 一种樱桃树冠层树枝生长状态的检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201210224548.5A CN102749290B (zh) | 2012-07-02 | 2012-07-02 | 一种樱桃树冠层树枝生长状态的检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102749290A CN102749290A (zh) | 2012-10-24 |
| CN102749290B true CN102749290B (zh) | 2014-12-03 |
Family
ID=47029655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201210224548.5A Expired - Fee Related CN102749290B (zh) | 2012-07-02 | 2012-07-02 | 一种樱桃树冠层树枝生长状态的检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102749290B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104914053B (zh) * | 2015-05-15 | 2017-07-28 | 中国农业大学 | 构建树木冠层光合性状预测模型及检测光合性状 |
| CN111108368B (zh) | 2017-09-19 | 2022-06-28 | 富士胶片株式会社 | 教学数据制作方法及装置以及缺陷检查方法及装置 |
| CN110309933A (zh) * | 2018-03-23 | 2019-10-08 | 广州极飞科技有限公司 | 植株种植数据测量方法、作业路线规划方法及装置、系统 |
| CN109961035A (zh) * | 2019-03-19 | 2019-07-02 | 广东省农业科学院水稻研究所 | 一种水稻分蘖期长势智慧监控调节方法 |
| CN118892082A (zh) * | 2024-08-28 | 2024-11-05 | 河南众粮科技有限公司 | 一种红薯种苗组培的优化方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050071350A (ko) * | 2003-12-30 | 2005-07-07 | 롬 앤드 하스 캄파니 | 오염물의 검출방법 |
| CN101059427A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 多光谱成像技术快速无损测量茶树含氮量的方法 |
| CN101059425A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 |
| CN101210876A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于可见/近红外多光谱成像的水稻养分信息测量方法 |
| CN101210875A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于近红外光谱技术的无损测量土壤养分含量的方法 |
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000065750A (ja) * | 1998-06-10 | 2000-03-03 | Kansai Paint Co Ltd | 塗膜の光輝感定量評価方法 |
| US6539323B2 (en) * | 2001-05-04 | 2003-03-25 | Electronics For Imaging, Inc. | Methods and apparatus for correcting spectral color measurements |
| US7006680B2 (en) * | 2002-05-03 | 2006-02-28 | Vialogy Corp. | System and method for characterizing microarray output data |
| GB0416766D0 (en) * | 2004-07-28 | 2004-09-01 | Cnh Belgium Nv | Apparatus and method for analysing the composition of crop in a crop-conveying machine |
| CN100520356C (zh) * | 2006-11-24 | 2009-07-29 | 浙江大学 | 基于可见/近红外多光谱成像的灰霉病害早期诊断系统 |
| CN101135652B (zh) * | 2007-10-15 | 2011-03-30 | 清华大学 | 基于纹理分割的焊缝识别方法 |
| CN101881726B (zh) * | 2010-06-18 | 2011-11-02 | 北京农业智能装备技术研究中心 | 植物幼苗综合性状活体无损检测方法 |
| CN101957313B (zh) * | 2010-09-21 | 2012-07-04 | 吉林大学 | 鲜玉米果穗质量的计算机视觉检测分级方法及装置 |
-
2012
- 2012-07-02 CN CN201210224548.5A patent/CN102749290B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050071350A (ko) * | 2003-12-30 | 2005-07-07 | 롬 앤드 하스 캄파니 | 오염물의 검출방법 |
| CN101059427A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 多光谱成像技术快速无损测量茶树含氮量的方法 |
| CN101059425A (zh) * | 2007-05-29 | 2007-10-24 | 浙江大学 | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 |
| CN101210876A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于可见/近红外多光谱成像的水稻养分信息测量方法 |
| CN101210875A (zh) * | 2007-12-25 | 2008-07-02 | 浙江大学 | 基于近红外光谱技术的无损测量土壤养分含量的方法 |
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| JP特开2000－65750A 2000.03.03 * |
| 徐贵力，毛罕平.利用傅里叶变换提取图像纹理特征新方法.《光电工程》.2004,第31卷(第11期), * |
| 邵咏妮，曹芳， 何勇，.基于独立组分分析和BP神经网络的可见/近红外光谱稻谷年份的鉴别.《红外与毫米波学报》.2007,第26卷(第6期), * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN102749290A (zh) | 2012-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103914786B (zh) | 一种大田农业生产情景感知计算方法及装置 | |
| CN105739575B (zh) | 一种设施蔬菜环境参数的数据融合方法 | |
| CN102495005B (zh) | 高光谱图像技术诊断作物水分亏缺的方法 | |
| CN107316116B (zh) | 一种叶类蔬菜产量预测方法 | |
| CN102749290B (zh) | 一种樱桃树冠层树枝生长状态的检测方法 | |
| CN108985260A (zh) | 一种遥感及气象一体化水稻估产方法 | |
| CN108985588A (zh) | 一种农作物单产遥感估算方法、装置与系统 | |
| CN108830249B (zh) | 一种基于asd高光谱数据的冬小麦白粉病遥感监测方法 | |
| CN107122739B (zh) | 基于Extreme数学模型重构VI时间序列曲线的作物估产模型 | |
| CN115049902B (zh) | 柑橘叶片含水量可视化预测方法、系统、设备及存储介质 | |
| CN114994036B (zh) | 基于多表型参数的水稻白叶枯病害程度预测方法及系统 | |
| CN103278503A (zh) | 一种基于多传感器技术的葡萄水分胁迫诊断方法及系统 | |
| CN117726052B (zh) | 基于分形维数的产量预测方法、装置、设备及介质 | |
| CN109752487A (zh) | 冬小麦叶片氮素含量预估方法及装置 | |
| CN111855592A (zh) | 水稻单位面积内地上部干物重遥感反演模型和方法 | |
| CN116385784A (zh) | 一种镉胁迫下水稻叶绿素含量测算方法及系统 | |
| CN103090946A (zh) | 果树单树产量测量的方法和系统 | |
| CN115690580A (zh) | 一种玉米倒伏遥感监测方法、系统、电子设备及介质 | |
| CN118781486A (zh) | 一种基于多光谱遥感数据反演草地生物量的方法 | |
| CN111223002B (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
| CN117849040A (zh) | 一种融合多类型高光谱指数的茶树生物量无损监测方法 | |
| CN118115886A (zh) | 一种基于物候和光谱特征多作物分类方法 | |
| CN116151454A (zh) | 一种多光谱无人机预测矮林芳樟精油产量的方法及系统 | |
| Meng et al. | Predicting optimal soybean harvesting dates with satellite data | |
| CN112782103B (zh) | 棉花苗期叶片棉蚜早期为害的监测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20141203 |