一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法

    公开(公告)号:CN113192117B

    公开(公告)日:2022-03-22

    申请号:CN202110172049.5

    申请日:2021-02-08

    Abstract: 本发明公开了一种基于Sentinel‑2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法,通过Sentinel‑2获取田间背景光谱与小麦冠层光谱信息,分别获取“秸秆‑土壤”光谱与“小麦‑秸秆‑土壤”光谱,并计算两者红边区域的斜率,计算由背景调节系数α修正后的正切函数SATF,基于光谱变量SATFNIR‑RE2构建小麦LAI估算模型,采用交叉验证对LAI估算模型进行初步筛选,而后用独立数据对筛选模型进行测试。本发明构建的SATFNIR‑RE2能够减少秸秆还田后小麦田间复杂背景的影响,并改善小麦生长前期LAI估算,可基于卫星平台应用于区域范围内小麦生长前期LAI的实时、无损和准确的估算。

    一种基于同期卫星影像的多架次无人机影像相对辐射校正方法

    公开(公告)号:CN112884672B

    公开(公告)日:2021-11-23

    申请号:CN202110242020.X

    申请日:2021-03-04

    Abstract: 本发明提出了一种基于同期卫星影像的多架次无人机影像相对辐射校正方法,包括以下步骤:对于多架次的无人机影像,首先获取同时期的中高空间分辨率卫星影像并进行预处理,得到相同区域的无人机和卫星影像;然后基于重采样无人机影像和卫星影像的光谱反射率,以回归树的方式将训练数据集分割为多个子集并开发回归模型;最后将多子集多元回归模型应用到无人机影像生成参考影像,并应用最小二乘回归建立各波段的辐射校正模型,从而获得相对辐射校正后的无人机影像。本发明构建的多架次无人机影像相对辐射校正方法操作步骤简单、高效,并且可实现自动化,可用于遥感影像拼接和遥感信息提取,以及基于无人机和卫星遥感协同的作物生长监测等。

    基于深度学习的无人机影像麦穗识别方法

    公开(公告)号:CN113435282A

    公开(公告)日:2021-09-24

    申请号:CN202110677003.9

    申请日:2021-06-18

    Abstract: 本发明公开了一种基于深度学习的无人机影像麦穗识别方法,通过将无人机测试影像输入至麦穗识别模型识别出麦穗信息,所述识别模型的构建包括:S1、数据采集步骤;S2、数据处理步骤;S3、构建适用于无人机影像麦穗识别网络,对所述无人机影像数据进行训练,得到麦穗识别模型;S4、利用训练好的麦穗识别模型对无人机影像中的待检测麦穗进行识别,融合麦穗识别模型的检测框,得到识别结果;其特征在于S3构建多尺度网络特征架构,通过多尺度检测层提取麦穗特征,增强网络对小尺寸麦穗特征的提取能力;基于交并比计算检测层的置信度损失权重,提高小尺寸麦穗特征对网络的贡献。本发明提出的方案具有检测小尺寸密集麦穗影像的优点,很好解决了麦穗识别的技术困境。

    一种面向田块尺度作物生长监测的遥感影像时空融合方法

    公开(公告)号:CN109523498B

    公开(公告)日:2020-04-07

    申请号:CN201811312555.4

    申请日:2018-11-06

    Abstract: 本发明提出一种面向田块尺度作物生长监测的遥感影像时空融合方法,包括以下步骤:步骤1:获取一对准同步中高分辨率卫星影像及一景待融合的中分辨率影像并进行预处理;步骤2:利用二维高斯函数和粒子群优化算法,构建空间尺度匹配滤波函数;步骤3:基于滤波处理后的两景中分辨率影像,以像元为处理单元,计算中分辨率影像获取时间间隔内的光谱变化速率;步骤4:将高分辨率影像逐像元乘以对应的光谱变化速率,生成待融合中分辨率影像对应时间的高分辨率影像。本发明的方法操作步骤简单、运算速度快、融合精度高,适用于农业生产规模小、田块较小的作物种植区,为实现区域性精细田块尺度下的作物动态长势监测提供技术支撑。

    一种面向田块尺度作物生长监测的遥感影像时空融合方法

    公开(公告)号:CN109523498A

    公开(公告)日:2019-03-26

    申请号:CN201811312555.4

    申请日:2018-11-06

    Abstract: 本发明提出一种面向田块尺度作物生长监测的遥感影像时空融合方法,包括以下步骤:步骤1:获取一对准同步中高分辨率卫星影像及一景待融合的中分辨率影像并进行预处理;步骤2:利用二维高斯函数和粒子群优化算法,构建空间尺度匹配滤波函数;步骤3:基于滤波处理后的两景中分辨率影像,以像元为处理单元,计算中分辨率影像获取时间间隔内的光谱变化速率;步骤4:将高分辨率影像逐像元乘以对应的光谱变化速率,生成待融合中分辨率影像对应时间的高分辨率影像。本发明的方法操作步骤简单、运算速度快、融合精度高,适用于农业生产规模小、田块较小的作物种植区,为实现区域性精细田块尺度下的作物动态长势监测提供技术支撑。

    一种基于多源图像融合的自然环境下麦田杂草识别方法

    公开(公告)号:CN109522929A

    公开(公告)日:2019-03-26

    申请号:CN201811200992.7

    申请日:2018-10-16

    Abstract: 本发明提供一种基于多源图像融合的自然环境下麦田杂草识别方法,属于精准农业技术领域。该方法结合深度图像与RGB图像,通过对位置特征、形状特征、纹理特征以及高度特征等多维信息的提取,实现了自然环境下的小麦田间杂草识别。本发明考虑到小麦不同生育期的生长特征以及小麦的施肥时间,将杂草识别分为分蘖期和拔节期进行,有效利用了不同生长特征,大大减少了图像处理的计算量。相比于现有技术中采用的基于二维图像信息或结合多光谱技术等方法,引入的深度信息与不同生育期的特征信息使杂草识别效率有效提高,可以实现杂草的实时识别。

    一种作物氮素营养无损诊断的图像评价指标的建立方法

    公开(公告)号:CN105675821B

    公开(公告)日:2018-11-02

    申请号:CN201610094126.9

    申请日:2016-02-21

    Abstract: 本发明公开了一种作物氮素营养无损诊断的图像评价指标的建立方法,包括:获取小麦冠层图像、叶片氮含量;分割提取小麦冠层图像,计算每幅小麦冠层图像中叶片所有非0像素点R、G、B、H、S、I分量的平均像素值作为基础颜色特征参数r、g、b、h、s、i;计算9个图像特征参数r、g、b、r‑g‑b、r‑g、r‑b、(r‑g‑b)/(r+g+b)、(r‑g)/(r+g+b)、(r‑b)/(r+g+b);构建CMI=(xr‑yg‑zb),与叶片氮含量拟合,确定权重系数x、y、z,对CMI标准化处理,确定NCMI=(xr‑yg‑zb)/(r+g+b)。本发明建立的NCMI为相对适宜的冬小麦氮素营养评价指标,具备准确性和稳定性,可对作物含氮量进行量化评价。

    一种用于作物生长信息监测的光路系统

    公开(公告)号:CN103674855B

    公开(公告)日:2017-05-17

    申请号:CN201310689113.2

    申请日:2013-12-13

    Abstract: 一种用于作物生长信息监测的光路系统,其特征是包括自主光源系统、两路光谱信号采集系统和精确测高系统;所述两路自主光源系统、两路光谱信号采集系统和一套精确测高系统均位于竖直位置,三系统构成直线型结构,所述两路自主光源系统分别产生730nm与810nm两种波段调制光信号照射作物冠层叶片,所述精确测高系统简便、快速、直观的确定监测装置与作物冠层的测量高度。本发明的自主光源系统采用中心波段LED采用均匀混合排列,光源输出光信号均匀性好、监测精度高;光谱信号采集系统采用特征中心波段滤光片去除反射光中的非特征波段光信号,减小外部光信号干扰,提高有效信噪比;光学元件少而简单,加工简单,成本经济。

Patent Agency Ranking