CN108692709B - 一种农田灾情检测方法、系统、无人机和云端服务器 - Google Patents

一种农田灾情检测方法、系统、无人机和云端服务器 Download PDF

Info

Publication number
CN108692709B
CN108692709B CN201810385269.4A CN201810385269A CN108692709B CN 108692709 B CN108692709 B CN 108692709B CN 201810385269 A CN201810385269 A CN 201810385269A CN 108692709 B CN108692709 B CN 108692709B
Authority
CN
China
Prior art keywords
farmland
detection
image information
deep learning
disaster
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.)
Active
Application number
CN201810385269.4A
Other languages
English (en)
Other versions
CN108692709A (zh
Inventor
孙善宝
于治楼
马辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Inspur Science Research Institute Co Ltd
Original Assignee
Inspur Group Co Ltd
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 Inspur Group Co Ltd filed Critical Inspur Group Co Ltd
Priority to CN201810385269.4A priority Critical patent/CN108692709B/zh
Publication of CN108692709A publication Critical patent/CN108692709A/zh
Application granted granted Critical
Publication of CN108692709B publication Critical patent/CN108692709B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/14—Receivers specially adapted for specific applications
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Multimedia (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Agronomy & Crop Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mining & Mineral Resources (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Image Analysis (AREA)
  • Alarm Systems (AREA)

Abstract

本发明提供了一种农田灾情检测方法、系统、无人机和云端服务器，应用于无人机，包括：预先接收外部云端服务器发送的深度学习个性化检测推理模型；接收用户发送的至少一个灾情区域；针对每一个所述灾情区域，根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息；将采集的所述图像信息发送给所述外部云端服务器，以使所述外部云端服务器根据所述图像信息检测所述图像信息对应的灾情区域的农田灾情检测每一个所述灾情区域的农田灾情。本方案能够准确快速的获取农田的图像信息，进而完成受灾农田的灾情检测。

Description

一种农田灾情检测方法、系统、无人机和云端服务器
技术领域
本发明涉及数据处理领域，特别涉及一种农田灾情检测方法、系统、无人机和云端服务器。
背景技术
我国的农业具有地域广阔、对象多样、偏僻分散、远离都市社区等特点，因此，如何快速的获取农田信息已经成为各界关注的重点。
目前，农田布局主要分散在偏远地域，不方便管理，同时地区缺乏科学布局、信息化程度也不高，特别是在农田受灾时，很难及时获取到准确的受灾情况。
通过上述描述可见，在这种情况下，如何准确快速的获取农田的图像信息，进而完成受灾农田的灾情检测已经成为一个亟需解决的问题。
发明内容
本发明实施例提供了一种农田灾情检测方法、系统、无人机和云端服务器，能够准确快速的获取农田的图像信息，进而完成受灾农田的灾情检测。
第一方面，本发明实施例提供了一种农田灾情检测方法，应用于无人机，包括：
预先接收外部云端服务器发送的深度学习个性化检测推理模型，其中，所述深度学习个性化检测推理模型，包括未受灾农田信息、受灾农田信息和农田面积信息；
接收用户发送的至少一个灾情区域；
针对每一个所述灾情区域，根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息；
将采集的所述图像信息发送给所述外部云端服务器，以使所述外部云端服务器根据所述图像信息检测所述图像信息对应的灾情区域的农田灾情检测每一个所述灾情区域的农田灾情。
优选地，所述根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息，包括：
S0：检测当前位置的光照信息；
S1：根据所述深度学习个性化检测推理模型确定所述光照信息是否可以采集图像信息，如果是，执行S2，否则执行S3；
S2：采集所述灾情区域的图像信息；
S3：调整当前位置，执行S0。
优选地，在所述根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息之后，在所述将采集的所述图像信息发送给所述外部云端服务器之前，进一步包括：
T1：根据所述深度学习个性化检测推理模型确定所述图像信息的图像质量；
T2：根据所述深度学习个性化检测推理模型确定所述图像质量是否为最佳图像质量，如果是，执行T3，否则，执行T4；
T3：压缩所述图像信息；
T4：重新采集所述灾情区域的图像信息，执行T1；
所述将采集的所述图像信息发送给所述外部云端服务器，包括：
将压缩的所述图像信息发送给所述外部云端服务器。
第二方面，本发明实施例提供了一种农田灾情检测方法，应用于云端服务器，包括：
预先设置农田相关图像识别检测模型；
接收用户发送的至少一个无人机的性能参数；
针对每一个所述无人机，根据所述无人机的性能参数，对所述农田相关图像识别检测模型进行裁剪优化，形成深度学习个性化检测推理模型；
将所述深度学习个性化检测推理模型发送给外部无人机；
接收所述外部无人机根据所述深度学习个性化检测推理模型发送的至少一个图像信息；
利用所述农田相关图像识别检测模型，检测每一个所述图像信息对应的灾情区域的农田灾情。
优选地，在所述预先设置农田相关图像识别检测模型之前，进一步包括：
接收用户发送的海量农田图像历史数据和通用图像农田相关图像识别检测模型；
所述预先设置农田相关图像识别检测模型，包括：
基于所述通用图像农田相关图像识别检测模型，利用所述海量农田图像历史数据进行模型训练，形成农田相关图像识别检测模型。
第三方面，本发明实施例提供了一种无人机，包括：
接收单元，用于预先接收外部云端服务器发送的深度学习个性化检测推理模型，其中，所述深度学习个性化检测推理模型，包括未受灾农田信息、受灾农田信息和农田面积信息；接收用户发送的至少一个灾情区域；
管理单元，用于针对每一个所述灾情区域，根据所述接收单元接收的所述深度学习个性化检测推理模型，采集所述接收单元接收的所述灾情区域的图像信息；
发送单元，用于将所述管理单元采集的所述图像信息发送给所述外部云端服务器，以使所述外部云端服务器根据所述图像信息检测所述图像信息对应的灾情区域的农田灾情检测每一个所述灾情区域的农田灾情。
优选地，所述管理单元，包括：光照探测器、深度学习计算单元、数码相机和遥感器；
S0：所述光照探测器，用于检测当前位置的光照信息；
S1：所述深度学习计算单元，用于根据所述深度学习个性化检测推理模型确定所述光照探测器检测所述光照信息是否可以采集图像信息，如果是，触发所述数码相机执行S2，否则触发所述遥感器执行S3；
S2：所述数码相机，用于在接收到所述深度学习计算单元的触发时，采集所述灾情区域的图像信息；
S3：所述遥感器，用于在接收到所述深度学习计算单元触发时，调整当前位置，并触发所述光照探测器，执行S0。
优选地，所述管理单元，进一步用于执行：
T1：根据所述深度学习个性化检测推理模型确定所述图像信息的图像质量信息；
T2：根据所述深度学习个性化检测推理模型确定所述图像质量信息是否为最佳图像质量信息，如果是，执行T3，否则，执行T4；
T3：压缩所述图像信息；
T4：重新采集所述灾情区域的图像信息，执行T1；
所述发送单元，用于将压缩的所述图像信息发送给所述外部云端服务器。
第四方面，本发明实施例提供了一种云端服务器，包括：
识别检测模型设置单元，用于预先设置农田相关图像识别检测模型；利用所述农田相关图像识别检测模型，检测通信单元接收的每一个所述图像信息对应的灾情区域的农田灾情；
所述通信单元，用于接收用户发送的至少一个无人机的性能参数；将检测推理模型设置单元设置的所述深度学习个性化检测推理模型发送给外部无人机；接收所述外部无人机根据所述深度学习个性化检测推理模型发送的至少一个图像信息；
所述检测推理模型设置单元，用于根据所述通信单元接收的所述无人机的性能参数，对所述识别检测模型设置单元设置的所述农田相关图像识别检测模型进行裁剪优化，形成深度学习个性化检测推理模型。
第五方面，本发明实施例提供了一种农田灾情检测系统，包括：至少一个第三方面中任一所述的无人机和第四方面所述的云端服务器。
在本发明实施例中，无人机在接收到用户发送的至少一个灾情区域时，需要根据预先接收的深度学习个性化检测推理模型采集灾情区域的图像信息，以使根据深度学习个性化检测推理模型快速地识别出受灾农田，进而采集受灾农田的图像信息。由于利用无人机采集灾情区域的图像信息快于人工采集，因此可以节省采集图像信息的时间，并且可以使得外部云端服务器快速的接收到图像信息，从而实现提高检测受灾农田的灾情时的效率的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种农田灾情检测方法的流程图；
图2是本发明一实施例提供的另一种农田灾情检测方法的流程图；
图3是本发明一实施例提供的一种无人机的结构示意图；
图4是本发明一实施例提供的另一种无人机的结构示意图；
图5是本发明一实施例提供的一种云端服务器的结构示意图；
图6是本发明一实施例提供的一种农田灾情检测系统的结构示意图；
图7是本发明一实施例提供的另一种农田灾情检测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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、完整地描述，显然，所描述的实施例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的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。
如图1所示，本发明实施例提供了一种农田灾情检测方法，应用于无人机，包括：
步骤101：预先接收外部云端服务器发送的深度学习个性化检测推理模型，其中，所述深度学习个性化检测推理模型，包括未受灾农田信息、受灾农田信息和农田面积信息；
步骤102：接收用户发送的至少一个灾情区域；
步骤103：针对每一个所述灾情区域，根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息；
步骤104：将采集的所述图像信息发送给所述外部云端服务器，以使所述外部云端服务器根据所述图像信息检测所述图像信息对应的灾情区域的农田灾情检测每一个所述灾情区域的农田灾情。
在本发明实施例中，无人机在接收到用户发送的至少一个灾情区域时，需要根据预先接收的深度学习个性化检测推理模型快速地识别出受灾农田，再采集受灾农田的图像信息，以使外部云端服务器根据采集的图像信息检测灾情区域的农田灾情。综上可见，在采集农田受灾农田的图像信息时，充分利用了无人机的特点，再通过深度学习个性化检测推理模型，可以完成无人机侧的实时推理，以使能够准确快速的获取农田受灾情况，进而完成受灾农田的检测。
需要说明的是，图像信息可以是图片信息和/或视频信息。
在本发明一实施例中，所述根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息，包括：
S0：检测当前位置的光照信息；
S1：根据所述深度学习个性化检测推理模型确定所述光照信息是否可以采集图像信息，如果是，执行S2，否则执行S3；
S2：采集所述灾情区域的图像信息；
S3：调整当前位置，执行S0。
在本发明实施例中，在接收到用户发送的灾情区域后，不是直接采集灾情区域的图像信息，而是需要先利用光照探测器检测当前位置的光照信息，再根据深度学习个性化检测推理模型确定当前位置的光照信息是否满足拍摄条件，当且仅当当前位置的光照信息满足拍摄条件时，才利用数码相机采集图像信息。而确定当前位置的光照条件可以使得采集的图像信息为最优图像，提高采集受灾农田的图像信息的数据质量，进而提高农田受灾采集数据精度。
需要说明的是，无人机在采集图像信息后，还可以根据GPS位置定位，确定无人机的位置信息，即所采集图像信息所对应的位置信息，并采集该位置信息，以使在将位置信息和图像信息发送给云端服务器后，用户从云端服务器根据位置信息确定图像信息对应的受灾农田所在的位置，或从无人机侧根据位置信息确定图像信息对应的受灾农田所在的位置。
在本发明一实施例中，在所述根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息之后，在所述将采集的所述图像信息发送给所述外部云端服务器之前，进一步包括：
T1：根据所述深度学习个性化检测推理模型确定所述图像信息的图像质量；
T2：根据所述深度学习个性化检测推理模型确定所述图像质量是否为最佳图像质量，如果是，执行T3，否则，执行T4；
T3：压缩所述图像信息；
T4：重新采集所述灾情区域的图像信息，执行T1；
所述将采集的所述图像信息发送给所述外部云端服务器，包括：
将压缩的所述图像信息发送给所述外部云端服务器。
在本发明实施例中，在采集灾情区域的图像信息后，不是直接将图像发送给外部云端服务器，而是先确定图像信息的图像质量是否为最佳图像质量，以使筛选出质量高的图像信息，当确定图像质量为最佳图像质量信息时，即确定无法采集更优的图像信息时压缩图像信息，以使减少图像信息的在无人机中所占的空间。
需要说明的是，在压缩完图像信息后，还可以先存储压缩的图像信息，再通过人工将压缩的图像信息转移给外部移动终端。
如图2所示，本发明实施例提供了一种农田灾情检测方法，应用于云端服务器，包括：
步骤201：预先设置农田相关图像识别检测模型；
步骤202：接收用户发送的至少一个无人机的性能参数；
步骤203：针对每一个所述无人机，根据所述无人机的性能参数，对所述农田相关图像识别检测模型进行裁剪优化，形成深度学习个性化检测推理模型；
步骤204：将所述深度学习个性化检测推理模型发送给外部无人机；
步骤205：接收所述外部无人机根据所述深度学习个性化检测推理模型发送的至少一个图像信息；
步骤206：利用所述农田相关图像识别检测模型，检测每一个所述图像信息对应的灾情区域的农田灾情。
在本发明实施例中，在预先设置的农田相关图像识别检测模型后，需要根据用户发送的外部无人机的性能参数对农田相关图像识别检测模型进行裁剪优化，以使形成深度学习个性化检测推理模型适合用于无人机侧的推理检测，提升无人机的实用效率，以使实现准确快速的获取农田受灾情况的目的，以及根据农田相关图像识别检测模型完成受灾农田的检测工作。
可以理解的是，云端服务器生成的深度学习个性化检测推理模型还可使通过人工手动转移给外部无人机。
在本发明一实施例中，在所述预先设置农田相关图像识别检测模型之前，进一步包括：
接收用户发送的海量农田图像历史数据和通用图像农田相关图像识别检测模型；
所述预先设置农田相关图像识别检测模型，包括：
基于所述通用图像农田相关图像识别检测模型，利用所述海量农田图像历史数据进行模型训练，形成农田相关图像识别检测模型。
在本发明实施例中，云端服务器聚集大量计算资源，基于通用图像农田相关图像识别检测模型，利用海量农田图像历史数据进行模型训练，使得云端服务器可以学习到不同农田对象的信息、不同农田面积的信息、未受灾农田的信息，以及受灾农田的不同受灾信息，形成相应的农田相关图像识别检测模型，进而使得外部无人机利用云端服务器所形成的深度学习个性化检测推理模型快速地分辨出受灾农田，以及准确快速的采集受灾农田的图像信息。
综上可见，本发明是基于深度学习的农田灾情检测方法，针对农田地域分散、对象多样、偏僻分散、信息化程度不高的特点，将无人机增加例如，数码相机、光照探测器、GPS等传感器，用于农田受灾状况数据的采集，充分利用了无人机的特点，通过各类传感器的互联协作，深度学习计算单元将完成无人机侧的实时推理，综合光照、GPS、图像质量等多个因素，粗略筛选有效的农田灾情图像信息，提高采集受灾农田图像信息的数据质量，进而提高农田灾情采集数据精度。利用云端服务器聚集大量计算资源，通过海量农田图片进行农田相关图像识别检测模型训练，并将训练得到的农田相关图像识别检测模型进行裁剪优化，适合用于无人机侧的推理检测，提升了无人机的实用效率；另一方面，通过云端服务器的深度学习服务，并综合农田受灾业务领域，实现无人机采集图像信息的识别、检测、分类，达到精确计算受灾状况，用于指导灾后重建等后续工作。另外，无人机采集的海量图像信息将帮助云端服务器更好的了解农田的状况，持续优化完善深度学习识别、推理计算模型。
如图3所示，本发明实施例提供了一种无人机，包括：
接收单元301，用于预先接收外部云端服务器发送的深度学习个性化检测推理模型，其中，所述深度学习个性化检测推理模型，包括未受灾农田信息、受灾农田信息和农田面积信息；接收用户发送的至少一个灾情区域；
管理单元302，用于针对每一个所述灾情区域，根据所述接收单元301接收的所述深度学习个性化检测推理模型，采集所述接收单元301接收的所述灾情区域的图像信息；
发送单元303，用于将所述管理单元302采集的所述图像信息发送给所述外部云端服务器，以使所述外部云端服务器根据所述图像信息检测所述图像信息对应的灾情区域的农田灾情检测每一个所述灾情区域的农田灾情。
在本发明实施例中，管理单元在接收单元无人机在接收到用户发送的至少一个灾情区域时，需要根据接收单元预先接收的深度学习个性化检测推理模型快速地识别出受灾农田，再采集受灾农田的图像信息，以使外部云端服务器根据发送单元发送的图像信息发送的图像信息，检测灾情区域的农田灾情。综上可见，在采集农田受灾农田的图像信息时，充分利用了无人机的特点，再通过深度学习个性化检测推理模型，可以完成无人机侧的实时推理，以使能够准确快速的获取农田受灾情况，进而完成受灾农田的检测。
基于图3所示一种无人机，在本发明一实施例中，如图4所示，所述管理单元，包括：光照探测器3021、深度学习计算单元3022、数码相机3023和遥感器3024；
S0：所述光照探测器3021，用于检测当前位置的光照信息；
S1：所述深度学习计算单元3022，用于根据所述深度学习个性化检测推理模型确定所述光照探测器3021检测所述光照信息是否可以采集图像信息，如果是，触发所述数码相机3023执行S2，否则触发所述遥感器3024执行S3；
S2：所述数码相机3023，用于在接收到所述深度学习计算单元3022的触发时，采集所述灾情区域的图像信息；
S3：所述遥感器3024，用于在接收到所述深度学习计算单元3022触发时，调整当前位置，并触发所述光照探测器3021，执行S0。
在本发明一实施例中，所述管理单元，进一步用于执行：
T1：根据所述深度学习个性化检测推理模型确定所述图像信息的图像质量信息；
T2：根据所述深度学习个性化检测推理模型确定所述图像质量信息是否为最佳图像质量信息，如果是，执行T3，否则，执行T4；
T3：压缩所述图像信息；
T4：重新采集所述灾情区域的图像信息，执行T1；
所述发送单元，用于将压缩的所述图像信息发送给所述外部云端服务器。
如图5所示，本发明实施例提供了一种云端服务器，包括：
识别检测模型设置单元501，用于预先设置农田相关图像识别检测模型；利用所述农田相关图像识别检测模型，检测通信单元502接收的每一个所述图像信息对应的灾情区域的农田灾情；
所述通信单元502，用于接收用户发送的至少一个无人机的性能参数；将检测推理模型设置单元503设置的所述深度学习个性化检测推理模型发送给外部无人机；接收所述外部无人机根据所述深度学习个性化检测推理模型发送的至少一个图像信息；
所述检测推理模型设置单元503，用于根据所述通信单元502接收的所述无人机的性能参数，对所述识别检测模型设置单元501设置的所述农田相关图像识别检测模型进行裁剪优化，形成深度学习个性化检测推理模型。
在本发明实施例中，在识别检测模型设置单元预先设置农田相关图像识别检测模型后，检测推理模型设置单元需要根据通信单元，接收用户发送的外部无人机的性能参数对农田相关图像识别检测模型进行裁剪优化，以使形成深度学习个性化检测推理模型适合用于无人机侧的推理检测，提升无人机的实用效率，以使实现准确快速的获取农田受灾情况的目的，以及根据农田相关图像识别检测模型完成受灾农田的检测工作。
如图6所示，本发明实施例提供了一种农田灾情检测系统，包括：至少一个图3中任一所述的无人机601和图4所述的云端服务器602。
在本发明实施例中，无人机在接收到用户发送的至少一个灾情区域时，需要根据云端服务器发送的深度学习个性化检测推理模型采集灾情区域的图像信息，以使根据深度学习个性化检测推理模型快速地识别出受灾农田，进而完成采集受灾农田的图像信息的工作。综上可见，通过云端服务器设置的农田相关图像识别检测模型，以及对农田相关图像识别检测模型裁剪优化所形成的深度学习个性化检测推理模型，可以使得无人机在充分利用自身的特点的同时，利用深度学习个性化检测推理模型快速的采集受灾农田的图像信息，以使云端服务器利用农田相关图像识别检测模型完成受灾农田的灾情检测。
为了更加清晰的说明本发明的技术方案及优点，下面以无人机w为例，对本发明实施例提供的一种农田灾情检测系统进行详细描述，如图7所示，具体包括以下步骤：
步骤701：云端服务器基于通用图像农田相关图像识别检测模型，利用海量农田图像历史数据进行模型训练，形成农田相关图像识别检测模型。
具体地，云端服务器聚集了大量的计算资源，通过海量农田图片进行通用图像农田相关图像识别检测模型训练，可以使得云端服务器可以学习到不同农田对象的信息、不同农田面积的信息、未受灾农田的信息，以及受灾农田的不同受灾信息，形成农田相关图像识别检测模型。
举例来说，图像历史数据a为未受灾的玉米地信息和面积信息为50亩，图像历史数据b为受灾的黄豆地信息和面积信息为200亩，通过农田相关图像识别检测模型可以使得云端服务器学习到未受灾的玉米地的图像信息和50亩的玉米地为图像历史数据a所展示的图像，以及受灾的黄豆地和200亩的黄豆地为图像历史数据b所展示的图像，进而生成与图像历史数据a相似的图像信息表征未受灾的玉米地信息，其面积为50亩，以及与图像历史数据b相似的图像信息表征受灾的黄豆地，其面积为200亩的初始模型。
步骤702：云端服务器根据用户发送的无人机w的性能参数裁剪优化农田相关图像识别检测模型，生成深度学习个性化检测推理模型。
具体地，为了无人机w可以更好利用模型采集受灾农田的图像信息，云端服务器需要根据无人机w的性能参数，对农田相关图像识别检测模型进行裁剪优化，以使深度学习个性化检测推理模型适用于无人机w，提升无人机的实用效率。
步骤703：云端服务器将深度学习个性化检测推理模型发送给无人机w。
具体地，云端服务器可以直接将深度学习个性化检测推理模型发送给无人机w，还可以通过人工将深度学习个性化检测推理模型传递给无人机w。
步骤704：无人机w接收云端服务器发送的深度学习个性化检测推理模型，其中，所述深度学习个性化检测推理模型，包括未受灾农田信息、受灾农田信息和农田面积信息和用户发送的至少一个灾情区域。
具体地，无人机w接收用户发送的灾情区域可以得知所要采集的图像信息对应的灾情区域，而采集图像信息则需要根据检查模型采集。
步骤705：针对每一个灾情区域，无人机w检测当前位置的光照信息；
具体地，当无人机w飞到灾情区域的上空时，需要先通过光照探测器检测所在位置的当前光照情况，以使确定是否符合采集条件。
步骤706：无人机w根据深度学习个性化检测推理模型确定光照信息是否可以采集图像信息，如果是，执行步骤708，否则，执行步骤707。
具体地，无人机w在检测到当前位置的光照信息后，需要根据深度学习个性化检测推理模型确定光照信息是否符合采集条件，以使确定是否采集图像信息，还是调整位置。
步骤707：无人机w调整当前位置，执行步骤705。
具体地，当无人机w确定光照信息不符合采集条件时，需要通过遥感器调整采集位置，以使采集出最优的图像信息。
步骤708：无人机w采集灾情区域的图像信息。
具体地，无人机w当确定当前位置的光照信息符合采集条件时，通过数码相机采集灾情区域的图像信息，并将采集的图像信息暂存在无人机w的本地存储中的缓存区。以及，当采集的图像信息的图像质量非最优图像质量时，则需要进行重新采集。
步骤709：无人机w根据深度学习个性化检测推理模型确定图像信息的图像质量是否为最佳图像质量，如果是，执行步骤710，否则执行步骤708。
具体地，无人机w在确定图像信息的图像质量信息后，将最佳图像质量信息的信息输入深度学习个性化检测推理模型中，进行推理评价采集图像信息的图像质量，确定图像信息是否为最优图像，当确定图像信息为最优图像时，压缩图像信息，否则需要重新采集受灾区域的图像信息。
步骤710：压缩图像信息。
具体地，当确定图像信息为最优图像时，执行压缩图像信息并存储到无人机w的本地。
步骤711：无人机w将压缩的图像信息发送给云端服务器。
具体地，无人机w压缩后的图像信息可以是由无人机w发送给云端服务器，还可以是通过人工传递给云端服务器，而将图像信息压缩，可以减少图像信息在无人机w中所占的空间，并且有利于图像信息的传递。
步骤712：云端服务器当接收到无人机w发送的图像信息时，利用农田相关图像识别检测模型检测图像信息对应的灾情区域的农田灾情。
具体地，云端服务器在接收到图像信息时，利用农田相关图像识别检测模型的农田受灾分析服务，精确提取数据，准确计算农田受灾面积、受灾程度等受灾情况。
本发明各个实施例至少具有如下有益效果：
1、在本发明一实施例中，无人机在接收到用户发送的至少一个灾情区域时，需要根据预先接收的深度学习个性化检测推理模型快速地识别出受灾农田，再采集受灾农田的图像信息，以使外部云端服务器根据采集的图像信息检测灾情区域的农田灾情。综上可见，在采集农田受灾农田的图像信息时，充分利用了无人机的特点，再通过深度学习个性化检测推理模型，可以完成无人机侧的实时推理，以使能够准确快速的获取农田受灾情况，进而完成受灾农田的检测。
2、在本发明一实施例中，在接收到用户发送的灾情区域后，不是直接采集灾情区域的图像信息，而是需要先利用光照探测器检测当前位置的光照信息，再根据深度学习个性化检测推理模型确定当前位置的光照信息是否满足拍摄条件，当且仅当当前位置的光照信息满足拍摄条件时，才利用数码相机采集图像信息。而确定当前位置的光照条件可以使得采集的图像信息为最优图像，提高采集受灾农田的图像信息的数据质量，进而提高农田受灾采集数据精度。
3、在本发明一实施例中，在采集灾情区域的图像信息后，不是直接将图像发送给外部云端服务器，而是先确定图像信息的图像质量是否为最佳图像质量，以使筛选出质量高的图像信息，当确定图像质量为最佳图像质量信息时，即确定无法采集更优的图像信息时压缩图像信息，以使减少图像信息的在无人机中所占的空间。
4、在本发明一实施例中，在预先设置的农田相关图像识别检测模型后，需要根据用户发送的外部无人机的性能参数对农田相关图像识别检测模型进行裁剪优化，以使形成深度学习个性化检测推理模型适合用于无人机侧的推理检测，提升无人机的实用效率，以使实现准确快速的获取农田受灾情况的目的，以及根据农田相关图像识别检测模型完成受灾农田的检测工作。
5、在本发明一实施例中，云端服务器聚集大量计算资源，基于通用图像农田相关图像识别检测模型，利用海量农田图像历史数据进行模型训练，使得云端服务器可以学习到不同农田对象的信息、不同农田面积的信息、未受灾农田的信息，以及受灾农田的不同受灾信息，形成相应的农田相关图像识别检测模型，进而使得外部无人机利用云端服务器所形成的深度学习个性化检测推理模型快速地分辨出受灾农田，以及准确快速的采集受灾农田的图像信息。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个······”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同因素。
最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (4)

1.一种农田灾情检测方法，包括应用于无人机的方法和应用于云端服务器的方法，其特征在于，应用于无人机的方法，包括：
预先接收外部云端服务器发送的深度学习个性化检测推理模型，其中，所述深度学习个性化检测推理模型，包括未受灾农田信息、受灾农田信息和农田面积信息；
接收用户发送的至少一个灾情区域；
针对每一个所述灾情区域，根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息，具体为根据所述深度学习个性化检测推理模型快速地识别出受灾农田，进而采集受灾农田的图像信息；将采集的所述图像信息发送给所述外部云端服务器，以使所述外部云端服务器根据所述图像信息检测所述图像信息对应的灾情区域的农田灾情并检测每一个所述灾情区域的农田灾情；
所述根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息，还包括：
S0：检测当前位置的光照信息；
S1：根据所述深度学习个性化检测推理模型确定所述光照信息是否可以采集图像信息，如果是，执行S2，否则执行S3；
S2：采集所述灾情区域的图像信息；
S3：调整当前位置，执行S0；
在所述根据所述深度学习个性化检测推理模型，采集所述灾情区域的图像信息之后，在所述将采集的所述图像信息发送给所述外部云端服务器之前，进一步包括：
T1：根据所述深度学习个性化检测推理模型确定所述图像信息的图像质量；
T2：根据所述深度学习个性化检测推理模型确定所述图像质量是否为最佳图像质量，如果是，执行T3，否则，执行T4；
T3：压缩所述图像信息；
T4：重新采集所述灾情区域的图像信息，执行T1；
所述将采集的所述图像信息发送给所述外部云端服务器，包括：
将压缩的所述图像信息发送给所述外部云端服务器；
应用于云端服务器的方法，包括：
预先设置农田相关图像识别检测模型；
接收用户发送的至少一个无人机的性能参数；
针对每一个所述无人机，根据所述无人机的性能参数，对所述农田相关图像识别检测模型进行裁剪优化，形成深度学习个性化检测推理模型；
将所述深度学习个性化检测推理模型发送给外部无人机；
接收所述外部无人机根据所述深度学习个性化检测推理模型发送的至少一个图像信息；
利用所述农田相关图像识别检测模型，检测每一个所述图像信息对应的灾情区域的农田灾情；
在所述预先设置农田相关图像识别检测模型之前，进一步包括：
接收用户发送的海量农田图像历史数据和通用图像农田相关图像识别检测模型；
所述预先设置农田相关图像识别检测模型，包括：
基于所述通用图像农田相关图像识别检测模型，利用所述海量农田图像历史数据进行模型训练，形成农田相关图像识别检测模型。
2.一种无人机，其特征在于，包括：
接收单元，用于预先接收外部云端服务器发送的深度学习个性化检测推理模型，其中，外部云端服务器基于通用图像农田相关图像识别检测模型，利用海量农田图像历史数据进行模型训练，形成农田相关图像识别检测模型；并根据所述无人机的性能参数，对所述农田相关图像识别检测模型进行裁剪优化，形成深度学习个性化检测推理模型；所述深度学习个性化检测推理模型，包括未受灾农田信息、受灾农田信息和农田面积信息；接收用户发送的至少一个灾情区域；
管理单元，用于针对每一个所述灾情区域，根据所述接收单元接收的所述深度学习个性化检测推理模型，采集所述接收单元接收的所述灾情区域的图像信息，具体为根据所述深度学习个性化检测推理模型快速识别出受灾农田，进而采集受灾农田的图像信息；
发送单元，用于将所述管理单元采集的所述图像信息发送给所述外部云端服务器，以使所述外部云端服务器根据所述图像信息检测所述图像信息对应的灾情区域的农田灾情并检测每一个所述灾情区域的农田灾情；
所述管理单元，包括：光照探测器、深度学习计算单元、数码相机和遥感器；
S0：所述光照探测器，用于检测当前位置的光照信息；
S1：所述深度学习计算单元，用于根据所述深度学习个性化检测推理模型确定所述光照探测器检测所述光照信息是否可以采集图像信息，如果是，触发所述数码相机执行S2，否则触发所述遥感器执行S3；
S2：所述数码相机，用于在接收到所述深度学习计算单元的触发时，采集所述灾情区域的图像信息；
S3：所述遥感器，用于在接收到所述深度学习计算单元触发时，调整当前位置，并触发所述光照探测器，执行S0；
所述管理单元，进一步用于执行：
T1：根据所述深度学习个性化检测推理模型确定所述图像信息的图像质量信息；
T2：根据所述深度学习个性化检测推理模型确定所述图像质量信息是否为最佳图像质量信息，如果是，执行T3，否则，执行T4；
T3：压缩所述图像信息；
T4：重新采集所述灾情区域的图像信息，执行T1；
所述发送单元，用于将压缩的所述图像信息发送给所述外部云端服务器。
3.一种云端服务器，其特征在于，包括：
识别检测模型设置单元，用于预先设置农田相关图像识别检测模型，具体为基于通用图像农田相关图像识别检测模型，利用海量农田图像历史数据进行模型训练，形成农田相关图像识别检测模型；利用所述农田相关图像识别检测模型，检测通信单元接收的每一个图像信息对应的灾情区域的农田灾情；
所述通信单元，用于接收用户发送的至少一个无人机的性能参数；将检测推理模型设置单元设置的深度学习个性化检测推理模型发送给外部无人机；接收所述外部无人机根据所述深度学习个性化检测推理模型发送的至少一个图像信息；
所述检测推理模型设置单元，用于根据所述通信单元接收的所述无人机的性能参数，对所述识别检测模型设置单元设置的所述农田相关图像识别检测模型进行裁剪优化，形成深度学习个性化检测推理模型。
4.一种农田灾情检测系统，其特征在于，包括：至少一个权利要求2所述的无人机和权利要求3所述的云端服务器。
CN201810385269.4A 2018-04-26 2018-04-26 一种农田灾情检测方法、系统、无人机和云端服务器 Active CN108692709B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810385269.4A CN108692709B (zh) 2018-04-26 2018-04-26 一种农田灾情检测方法、系统、无人机和云端服务器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810385269.4A CN108692709B (zh) 2018-04-26 2018-04-26 一种农田灾情检测方法、系统、无人机和云端服务器

Publications (2)

Publication Number Publication Date
CN108692709A CN108692709A (zh) 2018-10-23
CN108692709B true CN108692709B (zh) 2020-11-27

Family

ID=63845778

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810385269.4A Active CN108692709B (zh) 2018-04-26 2018-04-26 一种农田灾情检测方法、系统、无人机和云端服务器

Country Status (1)

Country Link
CN (1) CN108692709B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109977924A (zh) * 2019-04-15 2019-07-05 北京麦飞科技有限公司 针对农作物的无人机机上实时图像处理方法及系统
CN110405540B (zh) * 2019-07-09 2020-07-10 华中科技大学 一种人工智能断刀检测系统及方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104199368B (zh) * 2014-09-20 2016-01-20 南通宏大机电制造有限公司 位于无人机上的田间旱情采集装置
CN104834920A (zh) * 2015-05-25 2015-08-12 成都通甲优博科技有限责任公司 一种无人机多光谱图像的智能林火识别方法及装置
CN105046909A (zh) * 2015-06-17 2015-11-11 中国计量学院 一种基于小型无人机的农业辅助定损方法
CN106168808A (zh) * 2016-08-25 2016-11-30 南京邮电大学 一种基于深度学习的旋翼无人机自动巡航方法及其系统
CN107038450A (zh) * 2016-10-13 2017-08-11 南京邮电大学 基于深度学习的无人机警察系统
CN207147496U (zh) * 2017-06-13 2018-03-27 深圳光启合众科技有限公司 一种室内无人机定位系统

Also Published As

Publication number Publication date
CN108692709A (zh) 2018-10-23

Similar Documents

Publication Publication Date Title
CN109492536B (zh) 一种基于5g架构的人脸识别方法及系统
CN111767802B (zh) 一种对象异常状态的检测方法和装置
CN112784740B (zh) 步态数据的采集与标注方法及应用
CN112183353A (zh) 一种图像数据处理方法、装置和相关设备
CN108692709B (zh) 一种农田灾情检测方法、系统、无人机和云端服务器
CN112749589B (zh) 巡检路径的确定方法、装置以及存储介质
KR20170139849A (ko) 드론을 이용하여 산림의 병해충을 모니터링하는 시스템 및 그의 운영 방법
US11935378B2 (en) Intrusion detection methods and devices
CN114721403B (zh) 基于OpenCV的自动驾驶控制方法、装置及存储介质
CN109523499A (zh) 一种基于众包的多源融合全景建模方法
CN112492297A (zh) 一种对视频的处理方法以及相关设备
CN116320321A (zh) 农业信息传输方法、装置、电子设备及存储介质
CN117238508B (zh) 一种基于人工智能的信息筛选系统
CN118015808A (zh) 一种智能安防监控方法及系统
KR101525915B1 (ko) 대상물 정보제공시스템 및 대상물 정보제공장치와 대상물 정보제공방법
KR100631095B1 (ko) 지아이에스를 이용한 건축 구조물 정보 수집 및 관리 시스템
CN214151721U (zh) 一种基于人脸算法的识别一体机系统
CN108363985B (zh) 目标对象感知系统测试方法、装置及计算机可读存储介质
CN111150402A (zh) 确定家畜形体参数的方法、装置、存储介质及电子装置
CN114448952B (zh) 流媒体数据的传输方法和装置、存储介质及电子设备
US20220415032A1 (en) Model generating apparatus and model generating method
CN115379169B (zh) 巡检监测方法以及系统
CN112418792B (zh) 一种城市精细化信息处理方法、装置及系统
CN108965714A (zh) 图像采集方法、装置以及计算机储存介质
JP7559247B2 (ja) 下水管内異状診断支援システム、下水管内異状診断支援システム用のクライアントマシン、サーバマシン、及び関連する方法

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
TA01 Transfer of patent application right

Effective date of registration: 20201105

Address after: 250100 Ji'nan high tech Zone, Shandong, No. 1036 wave road

Applicant after: INSPUR GROUP Co.,Ltd.

Address before: 250100, Ji'nan province high tech Zone, Sun Village Branch Road, No. 2877, building, floor, building, on the first floor

Applicant before: JINAN INSPUR HIGH-TECH TECHNOLOGY DEVELOPMENT Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230323

Address after: 250000 building S02, No. 1036, Langchao Road, high tech Zone, Jinan City, Shandong Province

Patentee after: Shandong Inspur Scientific Research Institute Co.,Ltd.

Address before: No. 1036, Shandong high tech Zone wave road, Ji'nan, Shandong

Patentee before: INSPUR GROUP Co.,Ltd.

TR01 Transfer of patent right