CN108693119A - 基于无人机高光谱遥感的病虫害智能察打系统 - Google Patents
基于无人机高光谱遥感的病虫害智能察打系统 Download PDFInfo
- Publication number
- CN108693119A CN108693119A CN201810361058.7A CN201810361058A CN108693119A CN 108693119 A CN108693119 A CN 108693119A CN 201810361058 A CN201810361058 A CN 201810361058A CN 108693119 A CN108693119 A CN 108693119A
- Authority
- CN
- China
- Prior art keywords
- module
- vegetation index
- unmanned plane
- sample
- sprinkling
- 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.)
- Granted
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 55
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 55
- 238000001228 spectrum Methods 0.000 title claims abstract description 51
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 47
- 238000010009 beating Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 124
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 28
- 239000003337 fertilizer Substances 0.000 claims abstract description 25
- 239000000575 pesticide Substances 0.000 claims abstract description 20
- 238000005507 spraying Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 33
- 239000007921 spray Substances 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000004611 spectroscopical analysis Methods 0.000 claims description 27
- 230000008635 plant growth Effects 0.000 claims description 21
- 239000007788 liquid Substances 0.000 claims description 20
- 241000238631 Hexapoda Species 0.000 claims description 12
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 10
- 229930002875 chlorophyll Natural products 0.000 claims description 9
- 235000019804 chlorophyll Nutrition 0.000 claims description 9
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 241001237160 Kallima inachus Species 0.000 claims description 6
- 206010039509 Scab Diseases 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 229930014669 anthocyanidin Natural products 0.000 claims description 3
- 150000001452 anthocyanidin derivatives Chemical class 0.000 claims description 3
- 235000008758 anthocyanidins Nutrition 0.000 claims description 3
- 208000012839 conversion disease Diseases 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000000049 pigment Substances 0.000 claims description 3
- 238000011897 real-time detection Methods 0.000 claims description 3
- 230000011514 reflex Effects 0.000 claims description 3
- 230000003902 lesion Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 9
- 239000000523 sample Substances 0.000 description 64
- 238000000034 method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 230000012010 growth Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004720 fertilization Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 2
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 2
- 230000009418 agronomic effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 229910052698 phosphorus Inorganic materials 0.000 description 2
- 239000011574 phosphorus Substances 0.000 description 2
- 239000011591 potassium Substances 0.000 description 2
- 229910052700 potassium Inorganic materials 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002917 insecticide Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于无人机高光谱遥感的病虫害智能察打系统，包括数据监测系统、云控制平台、作业系统和地面控制系统，其中，所述数据监测系统包括：监测无人机机体和搭载于所述监测无人机机体上的监测飞控模块、监测定位模块、高光谱遥感监测仪和数据上传模块，所述云控制平台包括：植被指数计算模块、波段选择模块、喷洒等级计算模块、喷洒量计算模块、变量文件形成模块和变量文件下发模块；所述作业系统包括：施药无人机机体和搭载于所述施药无人机机体上的施药飞控模块、施药定位模块和喷洒系统。该系统可以根据变量航行文件按照预定航线进行精准的施药/施肥，具有精准喷洒、节省农药或肥料的效果。
Description
技术领域
本发明涉及农作物植保技术领域，更具体地，涉及基于无人机高光谱遥感的病虫害智能察打系统。
背景技术
农作物病虫害是农业生产上的重要生物灾害，是制约高产、优质、高效益农业持续发展的主导因素之一。据联合国粮农组织估计，世界粮食生产因虫害常年损失14％，因病害损失10％；棉花因虫害常年损失16％，因病害损失12％。中国是农业大国，每年因病虫害造成的损失与上述统计大致相当。
高光谱遥感技术是目前国际上监测农作物受病虫危害光谱特性变化最先进的手段之一，它具有光谱分辨率高(纳米级)、波段连续性强(在可见光至近红外波段数达上百个)、光谱信息量大等特点。因此，高光谱数据的应用使信息提取更有力。研究作物受病虫危害后的光谱变化；确定不同作物和病虫害监测的敏感波段和敏感时期；将光谱数据融合计算机视觉进行机器学习，是目前高光谱遥感用于农作物病虫害监测的研究热点和关键。
目前，使用无人机进行农业植保越来越常见。但是现有技术中农药的喷洒量往往是一个固定的量，没有针对性的给整块农田都喷洒一样剂量的农药，会造成农药的浪费并给环境带来严重污染。实际上整块田地的作物生长状况不一致，遭受的病虫害的严重程度也不一样，因此亟待发明一种可以针对病虫害程度变量施药的基于无人机的病虫害察打系统。
发明内容
有鉴于此，本发明提供了基于无人机高光谱遥感的病虫害智能察打系统，解决了现有技术中变量施药不准确的技术问题。
一种基于无人机高光谱遥感的病虫害智能察打系统，包括数据监测系统、云控制平台、作业系统和地面控制系统，其中，
所述数据监测系统包括：监测无人机机体和搭载于所述监测无人机机体上的监测飞控模块、监测定位模块、高光谱遥感监测仪和数据上传模块，其中：
所述监测飞控模块用于控制所述监测无人机机体自动起降和飞行过程中的自动驾驶，还用于生成监测文件，所述监测文件包括飞行坐标以及在所述飞行坐标标定位置处获得的高光谱数据；
所述监测定位模块用于定位所述监测无人机机体，以获取所述飞行坐标；
所述高光谱遥感监测仪用于获取农田内植株的所述高光谱数据，所述高光谱数据包括多个波段的光谱数据；
所述数据上传模块用于将所述监测文件上传至所述云控制平台；
所述云控制平台包括：植被指数计算模块、波段选择模块、喷洒等级计算模块、喷洒量计算模块、变量文件形成模块和变量文件下发模块，其中：
所述植被指数计算模块用于根据所述监测文件中的高光谱数据计算预定的第一植被指数组中各植被指数的值，得到第一输入向量；
所述波段选择模块用于从所述监测文件中的高光谱数据选择预定波段的光谱数据，得到第二输入向量；
所述喷洒等级计算模块预置有神经网络喷洒模型，用于将所述第一输入向量和所述第二输入向量输入至所述神经网络喷洒模型，以得到喷洒等级；
所述喷洒量计算模块预置有喷洒量计算模型，用于将所述喷洒等级输入所述喷洒量计算模型，以得到所述喷洒量，所述喷洒量为单位时间内喷头喷出的液体体积；
所述变量文件形成模块用于形成变量航线文件，所述变量航线文件包括所述监测文件中的飞行坐标以及与所述飞行坐标相对应的喷洒量，其中，与所述飞行坐标相对应的喷洒量为根据所述飞行坐标标定位置处获得的高光谱数据计算得到的喷洒量；
所述变量文件下发模块用于将所述变量航线文件下发至所述作业系统；
所述作业系统包括：施药无人机机体和搭载于所述施药无人机机体上的施药飞控模块、施药定位模块和喷洒系统，其中：
所述施药定位模块用于根据所述变量航线文件中的飞行坐标进行导航；
所述喷洒系统包括水泵、储液桶和喷头；
所述施药飞控模块用于控制所述施药无人机机体自动起降和飞行过程中的自动驾驶，还用于根据所述变量航线文件中的喷洒量控制喷洒系统进行喷洒。
进一步的，所述数据监测系统还包括：高清成像仪，其中：
所述高清成像仪用于获取样本农田植株的高清图像，
所述高光谱遥感监测仪还用于获取所述样本农田内植株的高光谱数据，得到样本高光谱数据；
所述监测飞控模块还用于生成样本监测文件，所述样本监测文件包括所述飞行坐标以及在所述飞行坐标标定位置处获得的所述样本高光谱数据和所述高清图像；
所述数据上传模块还用于将所述样本监测文件上传至所述云控制平台；
所述云控制平台还包括图像识别模块、最优植被指数确定模块、敏感波段确定模块和模型构建模块，其中：
所述图像识别模块用于采用支持向量机对所述高清图像进行识别，得到植物生长信息，其中，所述植物生长信息包括病斑面积比、枯叶率、植物叶子形状、植物叶子颜色、植物穗子形状、病斑形状、病斑颜色、植物倒伏信息和/或植物纹理分布规律，所述植物生长信息用于确定所述高清图像对应的样本喷洒等级；
所述植被指数计算模块还用于根据所述样本监测文件中的所述样本高光谱数据计算预定的第二植被指数组中各植被指数的值；
所述最优植被指数确定模块用于采用预设的相关性函数对所述样本喷洒等级与所述第二植被指数组中的各植被指数的值进行相关性分析，得到与所述样本喷洒等级相关性较高的前N种最优植被指数，其中，所述前N种最优植被指数构成所述第一植被指数组，根据所述样本监测文件中的所述样本高光谱数据计算出的所述第一植被指数组中各植被指数的值构成第一样本输入向量，N为大于1的自然数；
所述敏感波段确定模块用于采用遗传_偏最小二乘法对所述样本喷洒等级和所述样本高光谱数据进行计算，以得到与所述样本喷洒等级相关性较高的M个敏感波段的光谱数据，其中，所述M个敏感波段构成所述预定波段，从所述样本监测文件中的所述样本高光谱数据选择所述M个敏感波段的光谱数据构成第二样本输入向量，M为大于1的自然数；
所述模型构建模用于以所述第一样本输入向量和所述第二样本输入向量为输入，以所述样本喷洒等级为输出，对神经网络模型进行训练，得到所述神经网络喷洒模型。
进一步的，所述最优植被指数确定模块在得到与所述样本喷洒等级相关性较高的前N种最优植被指数时，具体执行以下步骤：
对所述第二植被指数组中的各植被指数，分别采用以下公式计算相关系数：
其中，r为所述植被指数对应的所述相关系数，xi为根据第i个飞行坐标标定位置处获得的所述高清图像计算得到的样本喷洒等级，yi为根据所述第i个飞行坐标标定位置处获得的所述样本高光谱数据计算得到的所述植被指数的值，n为所述样本监测文件包括的所述飞行坐标的个数，为根据所有所述高清图像计算得到的样本喷洒等级的平均值，为根据所有所述样本高光谱数据计算得到的所述植被指数的值的平均值；
获取所述第二植被指数组中的各植被指数对应的所述相关系数中，所述绝对值较大的N个所述相关系数对应的植被指数，得到所述前N种最优植被指数。
进一步的，所述神经网络喷洒模型包括作物病虫害模型和作物肥料模型，其中，所述作物病虫害模型的输出向量为农药的喷洒等级，所述作物肥料模型的输出向量为肥料的喷洒等级。
进一步的，所述喷洒量计算模型如下：
Q＝Max*Y，其中，当1<＝X<＝4时，Y＝0.25*(X-1)，当X＝5时，Y＝1，其中，Q为所述喷洒量，X为所述喷洒等级，Y为喷洒比率。
进一步的，所述数据监测系统还包括：
感光模块，用于实时探测光强信息；
所述监测飞控模块还用于当所述光强信息小于预设光强阈值时，开启飞行预警模式，中止所述高光谱遥感监测仪获取数据。
进一步的，所述第二植被指数组包括如下的植被指数：
绿度指数、结构不敏感植被指数、归一化总色素叶绿素指数、修正简单植被指数、氮反射率指数、光化学反射指数、转换型叶绿素指数、植被衰减指数、生理反射指数、花青素反射指数、三角植被指数、红边植被胁迫指数、调节型叶绿素吸收比率指数、抗大气植被指数、差值植被指数、增强型植被指数、绿度归一化植被指数、叶片湿度指数、最优化土壤调节植被指数、归一化差值植被指数、比值植被指数、土壤调节植被指数、特殊叶面积植被指数、可见光抗大气指数、黄度指数和水波段指数。
进一步的，所述高光谱数据包括可见光和近红外的所有波段的光谱数据。
进一步的，所述变量航线文件包括至少两个变量航线子文件；
所述作业系统包括多个施药无人机机体，各个施药无人机机体上自身搭载的所述施药飞控模块用于根据不同的所述变量航线子文件中的喷洒量，控制自身搭载的喷洒系统进行喷洒。
进一步的，所述地面控制系统包括至少两个终端，每个所述终端与一个所述施药无人机机体相对应，所述终端用于从所述云控制平台获取所述变量航线子文件，并传输至对应的所述施药无人机机体上搭载的所述施药飞控模块
与现有技术相比，本发明的基于无人机高光谱遥感的病虫害智能察打系统，实现了如下的有益效果：
1、本系统采用监测无人机采集位置坐标信息以及每个位置坐标所对应的植物生长信息，通过云控制平台对植物生长信息进行分析并计算出对应农药或肥料的喷洒量，通过变量文件形成模块生成变量航行文件，施药无人机可以根据变量航行文件按照预定航线进行精准的施药/施肥，具有精准喷洒、节省农药或肥料的效果；
2、神经网络喷洒模型根据最优植被指数和高光谱数据综合得出喷洒等级，准确性更高。
3、本系统在中的监测无人机在作业之前无需设置作物的品种、生长时期等信息，在监测无人机采集到高光谱数据后可以根据内置算法自动筛选出敏感波段和最优植被指数，节省了人力，操作更加简单方便，同时也可以起到减少系统工作量、提高数据处理速度的效果。
附图说明
图1为本发明实施例1提供的基于无人机高光谱遥感的病虫害智能察打系统的原理框图；
图2为本发明实施例2提供的基于无人机高光谱遥感的病虫害智能察打系统的原理框图。
图中，10、数据监测系统；101、高光谱遥感监测仪；102、监测飞控模块；103、监测定位模块；104、数据上传模块；11、云控制平台；111、植被指数计算模块；112、波段选择模块；113、喷洒等级计算模块；114、喷洒量计算模块；115、变量文件形成模块；116、变量文件下发模块；12、作业系统；121、施药飞控模块；122、施药定位模块；123、喷洒系统；13、地面控制系统；20、数据监测模块；201、高光谱遥感监测仪；202、高清成像仪；203、监测定位模块；204、数据上传模块；205、感光模块；206、监测飞控模块21、云控制平台；211、植被指数计算模块；212、波段选择模块；213、喷洒等级计算模块；214、喷洒量计算模块。215、变量文件形成模块；216、变量文件下发模块；217、图像识别模块；218、最优植被指数确定模块；219、敏感波段确定模块；210、模型构建模块；22、作业系统；221、施药飞控模块；222、施药定位模块；223、喷洒系统；23、地面控制系统。
具体实施方式
现在将参照附图来详细描述本发明的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有例子中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它例子可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
实施例1：
本实施例提供了一种基于无人机高光谱遥感的病虫害智能察打系统，可以利用无人机搭载高光谱探针对田间病虫害进行智能化的实时探测，实时出图，精确度高、易于控制。具体的，如图1所示为基于无人机高光谱遥感的病虫害智能察打系统原理图，该系统包括：数据监测系统10、云控制平台11、作业系统12和地面控制系统13，其中：
数据监测系统10包括：监测无人机机体(图中未示出)和搭载于监测无人机机体上的监测飞控模块102、监测定位模块103、高光谱遥感监测仪101和数据上传模块104，其中：
高光谱遥感监测仪101用于获取农田内植株的高光谱数据，高光谱数据包括多个波段的光谱数据；高光谱遥感监测仪101在采集到多个波段的光谱数据后将光谱数据发送至监测飞控模块102。高光谱遥感监测仪101可采用机载高光谱成像仪，例如SOC710GX机载高光谱成像仪，其体积小、重量轻、安装简单、光学性能和稳定性高，光谱范围覆盖400-1000nm，适于无人机和小型飞行器上安装应用。
监测定位模块103用于定位监测无人机机体，以获取飞行坐标；监测定位模块103内置GPS定位器，在无人机飞行的同时实时定位以获取无人机的实时坐标信息，并将实时的坐标信息发送至监测飞控模块102。
监测飞控模块102用于控制监测无人机机体自动起降和飞行过程中的自动驾驶，同时还用于生成监测文件，监测文件包括飞行坐标以及在飞行坐标标定位置处获得的高光谱数据。
具体的，监测飞控模块102同时接收监测定位模块103发出的实时坐标信息以及高光谱遥感监测仪101发出的高光谱信息，并根据高光谱信息和实时坐标信息在时间上的对应关系，生成用于描述飞行坐标以及在飞行坐标标定位置处获得的高光谱数据的监测文件。
数据上传模块104用于将监测文件上传至云控制平台11；具体的，数据上传模块104内置有通讯单元，通讯单元可以采用2G/3G/4GSIM卡，通过无线网络将监测文件上传至云控制平台11。
云控制平台11包括：植被指数计算模块111、波段选择模块112、喷洒等级计算模块113、喷洒量计算模块114、变量文件形成模块115和变量文件下发模块116，其中：植被指数计算模块111用于根据监测文件中的高光谱数据计算预定的第一植被指数组中各植被指数的值，得到第一输入向量；具体的，表征植物生长信息的植被指数如下表1所示，包括多种类型：
其中，在计算公式一栏中RX表示高光谱数据中第x个波段的光谱数据。为了减少数据的运算量，在该实施例中，从上述植被指数类型中选择出部分植被指数，构成第一植被指数组。第一植被指数组中包括若干个预设的植被指数类型，该第一植被指数组中预设的植被指数类型可以为基于待喷洒农作物的特征信息，根据经验值从上表中各个植被指数类型中选择出的，能够较好的表征植被的健康程度、虫害程度等的若干植被指数作为第一植被指数组，或者也可以采用其他方法确定，总之，第一植被指数组中的植被指数数据能够较好的表征植被的健康程度，作为决定喷洒等级的因素。
波段选择模块112用于从监测文件中的高光谱数据选择预定波段的光谱数据，得到第二输入向量；
具体的，由于监测文件中高光谱数据包括较多波段的高光谱数据，通常情况下可以包括1024个波段的高光谱数据，但是能够反应植物生长情况的高光谱数据只占所有波段中的一部分，因此波段选择模块112将所有波段的高光谱数据中最能反应植物生长信息的波段作为预定波段，将预定波段的光谱数据筛选出来，以减少系统的数据处理量，提高识别效率。其中，预定波段的光谱数据可以通过多种方式得出，其一，可以采用遗传_偏最小二乘法对样本喷洒等级和样本高光谱数据进行计算，以得到与样本喷洒等级相关性较高的M个敏感波段的光谱数据，M个敏感波段的光谱数据形成预定波段的光谱数据；其二，可以通过预先输入待喷洒作物的品种、生长时期信息等预设参数，根据以往高光谱数据的分析经验，得出该品种作物在某一时期内最能体现该品种作物病虫害信息的敏感波段的光谱数据，其中，敏感波段的光谱数据组成预定波段的高光谱数据。或者也可以采用其他方法确定，该实施例对此并不进行限定。
喷洒等级计算模块113预置有神经网络喷洒模型，用于将第一输入向量和第二输入向量输入至神经网络喷洒模型，以得到喷洒等级；
当预定波段的高光谱数据和第一植被指数组中各植被指数的值输入神经网络喷洒模型后，神经网络喷洒模型可以得出对应的喷洒等级，该神经网络喷洒模型采用两种数据信息作为自变量，喷洒等级为因变量，可以更加准确的对作物的生长信息进行分析，精确地得出喷洒等级。具体的，本实施例将作物病虫害程度分为一到五，共五个等级，每个等级分别对应一个喷洒等级，并且每个病虫害等级由低到高所对应的喷洒量逐级增加，将病虫害程度量化，以便于系统根据量化的病虫害程度信息计算喷洒量。
喷洒量计算模块114预置有喷洒量计算模型，用于将喷洒等级输入喷洒量计算模型，以得到喷洒量，喷洒量为单位时间内喷头喷出的液体体积；
具体的，喷洒量计算模型如下：
Q＝Max*Y，其中，当1<＝X<＝4时，Y＝0.25*(X-1)，当X＝5时，Y＝1，其中，Q为喷洒量，X为喷洒等级，Y为喷洒比率。
例如，对于监测无人机监测的某一飞行坐标的数据，云控制平台11根据监测文件中的高光谱数据计算出的第一植被指数组中各植被指数的值以及预定波段的高光谱数据，得出喷洒等级X＝5，即证明该飞行坐标对应区域所对应的植物病虫害等级为五极，通过喷洒量计算模型得出Q＝Max，即最大喷洒量。
变量文件形成模块115用于形成变量航线文件，变量航线文件包括监测文件中的飞行坐标以及与飞行坐标相对应的喷洒量，其中，与飞行坐标相对应的喷洒量为根据飞行坐标标定位置处获得的高光谱数据计算得到的喷洒量；
具体的，对于监测文件中每一个飞行坐标所对应的高光谱数据，云控制平台11都会计算出每个飞行坐标所对应的喷洒量。例如，对于农田某区域连续的飞行坐标集合(X1,Y1)、(X2，Y2)、(X3，Y3)，云控制平台11分别计算出喷洒量为1、2、3，变量文件形成模块115用于将上述飞行坐标点与每个飞行坐标点所对应的喷洒量相匹配形成变量航行文件。当施药无人机作业时，依次经过坐标(X1,Y1)、(X2，Y2)和(X3，Y3)，并按照每个坐标所对应的喷洒量1、2、3进行喷洒。实现精准喷洒，节约农药或肥料。
变量文件下发模块116用于将变量航线文件下发至作业系统12；作业系统12包括：施药无人机机体和搭载于施药无人机机体上的施药飞控模块121、施药定位模块122和喷洒系统123，其中：
施药定位模块122用于根据变量航线文件中的飞行坐标进行导航；使施药无人机可以按照预定航线飞行。
喷洒系统123包括水泵、储液桶和喷头；储液桶固定设置在施药无人机上，储液桶用于储存液态的农药或肥料，水泵的进水端伸入储液桶底部，水泵的出水端连接喷头。当水泵工作时，可以将储液桶内的农药或肥料抽入喷头并通过喷头喷出，达到自动施肥或施药的目的。喷洒系统123在接收到变量文件下发模块116发出的变量航行文件时可以按照变量航行文件执行变量喷洒动作，具体的，可以通过控制水泵工作的功率调整喷洒量，即通过控制水泵的工作电压即可；也可以通过控制水泵的工作时间来控制喷洒量。
施药飞控模块121用于控制施药无人机机体自动起降和飞行过程中的自动驾驶，还用于根据变量航线文件中的喷洒量控制喷洒系统123进行喷洒。施药飞控模块121在控制施药无人机的自动起降及驾驶的同时也作为喷洒系统123的控制端，用于将变量航行文件中的信息发送至喷洒系统123。
通过本实施例，实现了以下效果：
1、本系统采用监测无人机采集位置坐标信息以及每个位置坐标所对应的植物生长信息，通过云控制平台对植物生长信息进行分析并计算出对应农药或肥料的喷洒量，通过变量文件形成模块生成变量航行文件，施药无人机可以根据变量航行文件按照预定航线进行精准的施药/施肥，具有精准喷洒、节省农药或肥料的效果；
2、神经网络喷洒模型根据最优植被指数和高光谱数据综合得出喷洒等级，准确性更高。
实施例2
本实施例在实施例1的基础上，公开了一种优选的基于无人机高光谱遥感的病虫害智能察打系统，实现了精准喷洒、喷洒量计算准确性高的优点。相同之处可以参考实施例1的描述，图1为本发明实施例2提供的基于无人机高光谱遥感的病虫害智能察打系统的原理框，该系统包括：
数据监测系统20、云控制平台21、作业系统22和地面控制系统23，其中：
数据监测系统20包括：监测无人机机体(图中未示出)和搭载于监测无人机机体上的监测飞控模块206、监测定位模块203、高光谱遥感监测仪201、数据上传模块204、高清成像仪202和感光模块205；
云控制平台21包括：植被指数计算模块211、波段选择模块212、喷洒等级计算模块213、喷洒量计算模块214、变量文件形成模块215、变量文件下发模块216、图像识别模块217、最优植被指数确定模块218、敏感波段确定模块219和模型构建模块210；
作业系统22包括：施药无人机机体和搭载于施药无人机机体上的施药飞控模块221、施药定位模块222和喷洒系统223；
地面控制系统23包括终端，该终端通常为手持移动终端，能够与无人机的飞控和云控制平台21通信，能够向无人机的飞控发出起飞、监测或打药等指令，也能够从云控制平台21下载变量航行文件等。
以上为该实施例提供的基于无人机高光谱遥感的病虫害智能察打系统的组成部分说明，以下将基于系统中神经网络喷洒模型的建立过程和具体喷洒过程分别介绍各组成部分的具体功能。
在神经网络喷洒模型的建立过程中：
监测定位模块203用于定位监测无人机机体，以获取飞行坐标，监测定位模块203内置GPS定位器，在无人机飞行的同时实时定位以获取无人机的坐标信息，并将实时的坐标信息发送至监测飞控模块206；高光谱遥感监测仪201用于获取样本农田内植株的高光谱数据，得到样本高光谱数据；高清成像仪202用于获取样本农田植株的高清图像；监测飞控模块206用于控制监测无人机机体自动起降和飞行过程中的自动驾驶，还用于生成样本监测文件，样本监测文件包括飞行坐标以及在飞行坐标标定位置处获得的样本高光谱数据和高清图像，数据上传模块204用于将样本监测文件上传至云控制平台21。
图像识别模块217用于采用支持向量机对高清图像进行识别，得到植物生长信息，高清图像由监测无人机上搭载的高清成像仪202实时获取，具体的，植物生长信息包括病斑面积比、枯叶率、植物叶子形状、植物叶子颜色、植物穗子形状、病斑形状、病斑颜色、植物倒伏信息和/或植物纹理分布规律，植物生长信息用于确定高清图像对应的样本喷洒等级。病斑面积比指的是高清图像表征的单位面积内病斑所占的比例，枯叶率指的是高清图像表征的单位面积内枯叶所占的比例。支持向量机(SVM)算法可以自动检测图像中作物的病斑面积比、枯叶率、叶子穗子形状等植物生长信息，在确定植物生长信息后，根据以往大量的病虫害检测实验和农学专家鉴定得出每张高清图像对应的喷洒等级。
植被指数计算模块211用于根据样本监测文件中的样本高光谱数据计算预定的第二植被指数组中各植被指数的值，具体的，第二植被指数组包括如下的植被指数：绿度指数、结构不敏感植被指数、归一化总色素叶绿素指数、修正简单植被指数、氮反射率指数、光化学反射指数、转换型叶绿素指数、植被衰减指数、生理反射指数、花青素反射指数、三角植被指数、红边植被胁迫指数、调节型叶绿素吸收比率指数、抗大气植被指数、差值植被指数、增强型植被指数、绿度归一化植被指数、叶片湿度指数、最优化土壤调节植被指数、归一化差值植被指数、比值植被指数、土壤调节植被指数、特殊叶面积植被指数、可见光抗大气指数、黄度指数和水波段指数。
最优植被指数确定模块218用于采用预设的相关性函数对样本喷洒等级与第二植被指数组中的各植被指数的值进行相关性分析，得到与样本喷洒等级相关性较高的前N种最优植被指数，其中，前N种最优植被指数构成第一植被指数组，根据样本监测文件中的样本高光谱数据计算出的第一植被指数组中各植被指数的值构成第一样本输入向量，N为大于1的自然数。
具体的，预设的相关性函数为：
其中，r为植被指数对应的相关系数，xi为根据第i个飞行坐标标定位置处获得的高清图像计算得到的样本喷洒等级，yi为根据第i个飞行坐标标定位置处获得的样本高光谱数据计算得到的植被指数的值，n为样本监测文件包括的飞行坐标的个数，为根据所有高清图像计算得到的样本喷洒等级的平均值，为根据所有样本高光谱数据计算得到的植被指数的值的平均值。
根据相关性函数，可得相关系数r的取值范围：-1≤r≤1，当r>0时表示为正相关，当r<0为负相关，当|r|＝0时表示不存在线性关系，当|r|＝1时表示完全线性相关。当0<|r|<1表示存在不同程度线性相关：|r|≤0.3时为不存在线性相关；当0.3<|r|≤0.5时为低度线性相关；当0.5<|r|≤0.8时为显著线性相关，当|r|>0.8时为高度线性相关。
采用相关性函数可以把预设的第二植被指数组中的所有植被指数的与喷洒量之间的相关性进行量化，得到多个相关性数值r，通过对得出的相关性数值r可以反映出预设的第二植被指数组中的每个植被指数与喷洒量的相关程度。并提取前N种植被指数最接近1的植被指数构成第一植被指数组。即在若干个植被指数中选出与喷洒量相关性最高的N个植被指数，去掉与喷洒量相关性低的植被指数，以减轻系统的工作量，提高运算速度和准确度。
敏感波段确定模块219用于采用遗传_偏最小二乘法对样本喷洒等级和样本高光谱数据进行计算，以得到与样本喷洒等级相关性较高的M个敏感波段的光谱数据，其中，M个敏感波段构成预定波段，从样本监测文件中的样本高光谱数据选择M个敏感波段的光谱数据构成第二样本输入向量，M为大于1的自然数。
由于在所有波段的高光谱数据中，可以体现植物生长信息的高光谱数据仅出现在部分波段里，因此存在大量不能敏感体现植物生长信息的光谱数据，敏感波段确定模块219可以选出所有波段的高光谱数据中能够体现植物生长信息的敏感波段的高光谱数据，再通过的波段选择模块212将敏感波段的高光谱数据筛选出来，可以达到减少系统工作量、加快数据处理速度的效果。
模型构建模块210用于以第一样本输入向量和第二样本输入向量为输入，以样本喷洒等级为输出，对神经网络模型进行训练，得到神经网络喷洒模型。模型构建模块210通过样本训练生成神经网络喷洒模型，具体的，神经网络喷洒模型包括作物病虫害模型和作物肥料模型，其中，作物病虫害模型的输出向量为农药的喷洒等级，作物肥料模型的输出向量为肥料的喷洒等级。使该系统不仅可以喷洒农药来治理病虫害，还可以根据植物中微量元素(如氮、磷、钾等)的含量对植物施肥，高光谱遥感监测仪201在获取植物的高光谱数据后，云控制平台21还可以从植物的预定波段的高光谱数据中得出作物中所含的微量元素信息，比如氮、磷、钾等元素，根据以往大量的高光谱数据含肥量检测实验和农学专家鉴定得出对应的喷洒等级，再通过预定的喷洒量转化模型计算出变量施肥的喷洒量信息，功能更加全面。
以上为该系统建立神经网络喷洒模型的过程，以下将详述具体的监测和喷洒过程：
高光谱遥感监测仪201用于获取农田内植株的高光谱数据，高光谱数据包括可见光和近红外的所有波段的光谱数据。高光谱遥感监测仪201在采集到多个波段的光谱数据后将光谱数据发送至监测飞控模块206进行数据处理。监测定位模块203用于定位监测无人机机体，以获取飞行坐标，监测定位模块203内置GPS定位器，在无人机飞行的同时实时定位以获取无人机的实时坐标信息，并将实时的坐标信息发送至监测飞控模块206。
监测飞控模块206用于控制监测无人机机体自动起降和飞行过程中的自动驾驶，同时还用于生成监测文件，监测文件包括飞行坐标以及在飞行坐标标定位置处获得的高光谱数据。具体的，监测飞控模块206同时接收监测定位模块203发出的实时坐标信息以及高光谱遥感监测仪201发出的高光谱信息，并根据高光谱信息和实时坐标信息在时间节点上的对应关系，生成用于描述飞行坐标以及在飞行坐标标定位置处获得的高光谱数据的监测文件。
数据上传模块204用于将监测文件上传至云控制平台21；具体的，数据上传模块204内置有通讯单元，通讯单元可以采用2G/3G/4GSIM卡，通过无线网络将监测文件上传至云控制平台21。
感光模块205用于当光强信息小于预设的光强阈值时，开启飞行预警模式，中止高光谱遥感监测仪201获取数据。
在该实施例中，感光模块205实时对环境的光强信息进行采集，并设定预设的光强阈值与采集到的实时光强信息进行比较，当检测到的光强信息低于预设的光强阈值时证明当前环境无法进行高光谱数据的采集，开启预警模式，并控制高光谱遥感监测仪201停止工作，能够提升监测过程的准确性。
植被指数计算模块211用于根据监测文件中的高光谱数据计算预定的第一植被指数组中各植被指数的值，得到第一输入向量，具体的，第一植被指数组中包括若干个预设的植被指数，该第一植被指数组中包括的植被指数由上述最优植被指数确定模块218确定得出。
波段选择模块212用于从监测文件中的高光谱数据选择预定波段的光谱数据，得到第二输入向量，其中，预定波段由上述敏感波段确定模块219确定得出。
喷洒等级计算模块213预置有神经网络喷洒模型，该神经网络模型通过上述建立神经网络喷洒模型的过程得到，喷洒等级计算模块213将第一输入向量和第二输入向量输入至神经网络喷洒模型，以得到喷洒等级；
当预定波段的高光谱数据和第一植被指数组中各植被指数的值输入神经网络喷洒模型后，神经网络喷洒模型可以得出对应的喷洒等级，该神经网络喷洒模型采用两种数据信息作为自变量，喷洒等级为因变量，可以更加准确的对作物的生长信息进行分析，精确地得出喷洒等级。具体的，本实施例将作物病虫害程度分为一到五，共五个等级，每个等级分别对应一个喷洒等级，并且每个病虫害等级由低到高所对应的喷洒量逐级增，将病虫害程度量化，便于系统根据量化的病虫害程度计算喷洒量。
喷洒量计算模块214预置有喷洒量计算模型，用于将喷洒等级输入喷洒量计算模型，以得到喷洒量，喷洒量为单位时间内喷头喷出的液体体积；
具体的，喷洒量计算模型如下：
Q＝Max*Y，其中，当1<＝X<＝4时，Y＝0.25*(X-1)，当X＝5时，Y＝1，其中，Q为喷洒量，X为喷洒等级，Y为喷洒比率。
例如，当监测无人机飞至某一飞行坐标时，云控制平台21根据监测文件中的高光谱数据计算出的第一植被指数组中各植被指数的值以及预定波段的高光谱数据，得出喷洒等级X＝5，即证明该区域所对应的植物病虫害等级为五极，通过喷洒量计算模型得出Q＝Max，即最大喷洒量。
变量文件形成模块215用于形成变量航线文件，变量航线文件包括监测文件中的飞行坐标以及与飞行坐标相对应的喷洒量，其中，与飞行坐标相对应的喷洒量为根据飞行坐标标定位置处获得的高光谱数据计算得到的喷洒量；
具体的，对于监测文件中每一个飞行坐标所对应的高光谱数据，云控制平台21都会计算出每个飞行坐标所对应的喷洒量。例如，对于农田某区域连续的飞行坐标集合(X1,Y1)、(X2，Y2)、(X3，Y3)，云控制平台21分别计算出喷洒两为1、2、3，变量文件形成模块215用于将上述飞行坐标点与每个飞行坐标点所对应的喷洒量相匹配形成变量航行文件。当施药无人机作业时，可以根据变量航行文件对每一区域喷洒预定量的农药或肥料。实现精准喷洒，节约农药或肥料。
变量文件下发模块216用于将变量航线文件下发至作业系统22；其中，变量航行文件由地面控制系统23下载，变量文件下发模块216用于将变量航线文件经由地面控制系统23下发至作业系统22，并通过地面控制系统23控制作业系统22进行作业。施药定位模块222用于根据变量航线文件中的飞行坐标进行导航；使施药无人机可以按照预定航线飞行。喷洒系统223包括水泵、储液桶和喷头；储液桶固定设置在施药无人机上，储液桶用于储存液态的农药或肥料，水泵的进水端伸入储液桶底部，水泵的出水端连接喷头。当水泵工作时，可以将储液桶内的农药或肥料抽入喷头并通过喷头喷出，达到自动施肥或施药的目的。
施药飞控模块221用于控制施药无人机机体自动起降和飞行过程中的自动驾驶，还用于根据变量航线文件中的喷洒量控制喷洒系统223进行喷洒。施药飞控模块221在控制施药无人机的自动起降及驾驶的同时也作为喷洒系统223的控制端，用于将变量航行文件中的信息发送至喷洒系统223。
通过本实施例，实现了如下效果：
本系统采用监测无人机采集位置坐标信息以及每个位置坐标所对应的植物生长信息，通过云控制平台对植物生长信息进行分析并计算出对应农药或肥料的喷洒量，通过变量文件形成模块生成变量航行文件，施药无人机可以根据变量航行文件按照预定航线进行精准的施药/施肥，具有精准喷洒、节省农药或肥料的效果；本系统在中的监测无人机在作业之前无需设置作物的品种、生长时期等信息，在监测无人机采集到高光谱数据后可以根据内置算法自动筛选出敏感波段和最优植被指数，节省了人力，操作更加简单方便，同时也可以起到减少系统工作量、提高数据处理速度的效果；
实施例3：
本实施例在实施例1和实施例2的基础上，公开了一种优选的基于无人机高光谱遥感的病虫害智能察打系统，优点是在大面积作业时效率更高，其内容与实施例2大致相同，不同之处在于：
变量航线文件包括至少两个变量航线子文件；作业系统包括至少两个施药无人机机体，各个施药无人机机体上自身搭载的施药飞控模块用于根据不同的变量航线子文件中的喷洒量，控制自身搭载的喷洒系统进行喷洒。地面控制系统包括多个终端，每个终端与一个施药无人机机体相对应，终端用于从云控制平台获取变量航线子文件，并传输至对应的施药无人机机体上搭载的施药飞控模块。
在大面积作业时，由于施药无人机的航行里程以及储液桶能够储存的液体体积有限，因此通常采用多架施药无人机同时施药的方法，以加快施药速度。具体的，云控制平台可以同时接收多个监测无人机发出的监测数据，并生成多个变量航行文件，地面控制系统中需要安排多名操作人员通过终端对施药无人机进行控制，每个施药无人机根据不同的变量航行文件进行作业，终端可以为手机或平板电脑上预装的APP，通过无线网络与施药无人机进行信号传输，通过APP可以向施药无人机发送起飞、降落、施药等指令。通过多个施药无人机进行作业可以加快作业速度，缩短作业周期，更加及时的对作物进行施药或施肥。
虽然已经通过例子对本发明的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上例子仅是为了进行说明，而不是为了限制本发明的范围。本领域的技术人员应该理解，可在不脱离本发明的范围和精神的情况下，对以上实施例进行修改。本发明的范围由所附权利要求来限定。
Claims (10)
1.一种基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，包括数据监测系统、云控制平台、作业系统和地面控制系统，其中，
所述数据监测系统包括：监测无人机机体和搭载于所述监测无人机机体上的监测飞控模块、监测定位模块、高光谱遥感监测仪和数据上传模块，其中：
所述监测飞控模块用于控制所述监测无人机机体自动起降和飞行过程中的自动驾驶，还用于生成监测文件，所述监测文件包括飞行坐标以及在所述飞行坐标标定位置处获得的高光谱数据；
所述监测定位模块用于定位所述监测无人机机体，以获取所述飞行坐标；
所述高光谱遥感监测仪用于获取农田内植株的所述高光谱数据，所述高光谱数据包括多个波段的光谱数据；
所述数据上传模块用于将所述监测文件上传至所述云控制平台；
所述云控制平台包括：植被指数计算模块、波段选择模块、喷洒等级计算模块、喷洒量计算模块、变量文件形成模块和变量文件下发模块，其中：
所述植被指数计算模块用于根据所述监测文件中的高光谱数据计算预定的第一植被指数组中各植被指数的值，得到第一输入向量；
所述波段选择模块用于从所述监测文件中的高光谱数据选择预定波段的光谱数据，得到第二输入向量；
所述喷洒等级计算模块预置有神经网络喷洒模型，用于将所述第一输入向量和所述第二输入向量输入至所述神经网络喷洒模型，以得到喷洒等级；
所述喷洒量计算模块预置有喷洒量计算模型，用于将所述喷洒等级输入所述喷洒量计算模型，以得到所述喷洒量，所述喷洒量为单位时间内喷头喷出的液体体积；
所述变量文件形成模块用于形成变量航线文件，所述变量航线文件包括所述监测文件中的飞行坐标以及与所述飞行坐标相对应的喷洒量，其中，与所述飞行坐标相对应的喷洒量为根据所述飞行坐标标定位置处获得的高光谱数据计算得到的喷洒量；
所述变量文件下发模块用于将所述变量航线文件下发至所述作业系统；
所述作业系统包括：施药无人机机体和搭载于所述施药无人机机体上的施药飞控模块、施药定位模块和喷洒系统，其中：
所述施药定位模块用于根据所述变量航线文件中的飞行坐标进行导航；
所述喷洒系统包括水泵、储液桶和喷头；
所述施药飞控模块用于控制所述施药无人机机体自动起降和飞行过程中的自动驾驶，还用于根据所述变量航线文件中的喷洒量控制喷洒系统进行喷洒。
2.根据权利要求1所述的基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，
所述数据监测系统还包括：高清成像仪，其中：
所述高清成像仪用于获取样本农田植株的高清图像，
所述高光谱遥感监测仪还用于获取所述样本农田内植株的高光谱数据，得到样本高光谱数据；
所述监测飞控模块还用于生成样本监测文件，所述样本监测文件包括所述飞行坐标以及在所述飞行坐标标定位置处获得的所述样本高光谱数据和所述高清图像；
所述数据上传模块还用于将所述样本监测文件上传至所述云控制平台；
所述云控制平台还包括图像识别模块、最优植被指数确定模块、敏感波段确定模块和模型构建模块，其中：
所述图像识别模块用于采用支持向量机对所述高清图像进行识别，得到植物生长信息，其中，所述植物生长信息包括病斑面积比、枯叶率、植物叶子形状、植物叶子颜色、植物穗子形状、病斑形状、病斑颜色、植物倒伏信息和/或植物纹理分布规律，所述植物生长信息用于确定所述高清图像对应的样本喷洒等级；
所述植被指数计算模块还用于根据所述样本监测文件中的所述样本高光谱数据计算预定的第二植被指数组中各植被指数的值；
所述最优植被指数确定模块用于采用预设的相关性函数对所述样本喷洒等级与所述第二植被指数组中的各植被指数的值进行相关性分析，得到与所述样本喷洒等级相关性较高的前N种最优植被指数，其中，所述前N种最优植被指数构成所述第一植被指数组，根据所述样本监测文件中的所述样本高光谱数据计算出的所述第一植被指数组中各植被指数的值构成第一样本输入向量，N为大于1的自然数；
所述敏感波段确定模块用于采用遗传_偏最小二乘法对所述样本喷洒等级和所述样本高光谱数据进行计算，以得到与所述样本喷洒等级相关性较高的M个敏感波段的光谱数据，其中，所述M个敏感波段构成所述预定波段，从所述样本监测文件中的所述样本高光谱数据选择所述M个敏感波段的光谱数据构成第二样本输入向量，M为大于1的自然数；
所述模型构建模用于以所述第一样本输入向量和所述第二样本输入向量为输入，以所述样本喷洒等级为输出，对神经网络模型进行训练，得到所述神经网络喷洒模型。
3.根据权利要求2所述的基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，所述最优植被指数确定模块在得到与所述样本喷洒等级相关性较高的前N种最优植被指数时，具体执行以下步骤：
对所述第二植被指数组中的各植被指数，分别采用以下公式计算相关系数：
其中，r为所述植被指数对应的所述相关系数，xi为根据第i个飞行坐标标定位置处获得的所述高清图像计算得到的样本喷洒等级，yi为根据所述第i个飞行坐标标定位置处获得的所述样本高光谱数据计算得到的所述植被指数的值，n为所述样本监测文件包括的所述飞行坐标的个数，为根据所有所述高清图像计算得到的样本喷洒等级的平均值，为根据所有所述样本高光谱数据计算得到的所述植被指数的值的平均值；
获取所述第二植被指数组中的各植被指数对应的所述相关系数中，所述绝对值较大的N个所述相关系数对应的植被指数，得到所述前N种最优植被指数。
4.根据权利要求1所述的基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，
所述神经网络喷洒模型包括作物病虫害模型和作物肥料模型，其中，所述作物病虫害模型的输出向量为农药的喷洒等级，所述作物肥料模型的输出向量为肥料的喷洒等级。
5.根据权利要求1所述的基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，
所述喷洒量计算模型如下：
Q＝Max*Y，其中，当1<＝X<＝4时，Y＝0.25*(X-1)，当X＝5时，Y＝1，其中，Q为所述喷洒量，X为所述喷洒等级，Y为喷洒比率。
6.根据权利要求1所述的基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，所述数据监测系统还包括：
感光模块，用于实时探测光强信息；
所述监测飞控模块还用于当所述光强信息小于预设光强阈值时，开启飞行预警模式，中止所述高光谱遥感监测仪获取数据。
7.根据权利要求1所述的基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，所述第二植被指数组包括如下的植被指数：
绿度指数、结构不敏感植被指数、归一化总色素叶绿素指数、修正简单植被指数、氮反射率指数、光化学反射指数、转换型叶绿素指数、植被衰减指数、生理反射指数、花青素反射指数、三角植被指数、红边植被胁迫指数、调节型叶绿素吸收比率指数、抗大气植被指数、差值植被指数、增强型植被指数、绿度归一化植被指数、叶片湿度指数、最优化土壤调节植被指数、归一化差值植被指数、比值植被指数、土壤调节植被指数、特殊叶面积植被指数、可见光抗大气指数、黄度指数和水波段指数。
8.根据权利要求1所述的基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，
所述高光谱数据包括可见光和近红外的所有波段的光谱数据。
9.根据权利要求1所述的基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，
所述变量航线文件包括至少两个变量航线子文件；
所述作业系统包括多个施药无人机机体，各个施药无人机机体上自身搭载的所述施药飞控模块用于根据不同的所述变量航线子文件中的喷洒量，控制自身搭载的喷洒系统进行喷洒。
10.根据权利要求9所述的基于无人机高光谱遥感的病虫害智能察打系统，其特征在于，
所述地面控制系统包括至少两个终端，每个所述终端与一个所述施药无人机机体相对应，所述终端用于从所述云控制平台获取所述变量航线子文件，并传输至对应的所述施药无人机机体上搭载的所述施药飞控模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810361058.7A CN108693119B (zh) | 2018-04-20 | 2018-04-20 | 基于无人机高光谱遥感的病虫害智能察打系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810361058.7A CN108693119B (zh) | 2018-04-20 | 2018-04-20 | 基于无人机高光谱遥感的病虫害智能察打系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108693119A true CN108693119A (zh) | 2018-10-23 |
| CN108693119B CN108693119B (zh) | 2020-09-25 |
Family
ID=63845197
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810361058.7A Active CN108693119B (zh) | 2018-04-20 | 2018-04-20 | 基于无人机高光谱遥感的病虫害智能察打系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108693119B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446987A (zh) * | 2018-10-29 | 2019-03-08 | 北京麦飞科技有限公司 | 基于pca和pnn算法检测水稻病虫害等级的方法 |
| CN109596533A (zh) * | 2018-12-18 | 2019-04-09 | 北京航天泰坦科技股份有限公司 | 一种基于无人机高光谱数据的马铃薯种植管理方法 |
| CN109613022A (zh) * | 2019-01-25 | 2019-04-12 | 华南农业大学 | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统 |
| CN110210375A (zh) * | 2019-05-29 | 2019-09-06 | 南京信息工程大学 | 自适应农场庄稼缺肥区域检测无人机及检测方法 |
| CN110235882A (zh) * | 2019-06-28 | 2019-09-17 | 南京农业大学 | 一种基于多传感器的精准变量果树施药机器人 |
| CN110361344A (zh) * | 2019-08-30 | 2019-10-22 | 北京麦飞科技有限公司 | 基于高光谱的病害程度诊断方法 |
| CN110487793A (zh) * | 2019-08-29 | 2019-11-22 | 北京麦飞科技有限公司 | 病虫害时间动态分布监测方法及系统 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和系统 |
| CN111506097A (zh) * | 2020-04-30 | 2020-08-07 | 苏州恒井泰信息技术有限公司 | 一种无人机遥感技术在精准农业中的应用系统及方法 |
| CN111582055A (zh) * | 2020-04-17 | 2020-08-25 | 清远市智慧农业研究院 | 一种无人机的航空施药航线生成方法及系统 |
| CN111762086A (zh) * | 2019-12-19 | 2020-10-13 | 广州极飞科技有限公司 | 喷洒控制方法、装置、系统和载具 |
| CN112514874A (zh) * | 2020-11-24 | 2021-03-19 | 张金凤 | 一种喷洒物质材料的修正方法和系统 |
| CN112956461A (zh) * | 2020-12-21 | 2021-06-15 | 开放智能机器（上海）有限公司 | 一种基于图像识别的智能农业杀虫系统 |
| CN112967233A (zh) * | 2021-02-07 | 2021-06-15 | 海南大学 | 一种橡胶树炭疽病识别系统 |
| CN113492981A (zh) * | 2020-04-03 | 2021-10-12 | 广州极飞科技股份有限公司 | 播撒控制方法、装置、终端设备、无人设备及介质 |
| CN113874716A (zh) * | 2020-04-15 | 2021-12-31 | 深圳市大疆创新科技有限公司 | 可移动平台的作业方法、可移动平台以及电子设备 |
| CN114189538A (zh) * | 2021-12-09 | 2022-03-15 | 中科计算技术西部研究院 | 林业数据监测云平台、方法及存储介质 |
| WO2022257139A1 (zh) * | 2021-06-11 | 2022-12-15 | 深圳市大疆创新科技有限公司 | 植物状态确定方法、终端和计算机可读存储介质 |
| CN115909113A (zh) * | 2023-01-09 | 2023-04-04 | 广东博幻生态科技有限公司 | 一种无人机遥感监测调查林业有害生物的方法 |
| WO2023238661A1 (ja) * | 2022-06-06 | 2023-12-14 | ソニーグループ株式会社 | 分光計測装置、および分光計測装置の作動方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6076671A (en) * | 1998-03-18 | 2000-06-20 | The United States Of America As Represented By The Secretary Of The Army | Solid particle aerosol belt and dissemination method |
| CN104050649A (zh) * | 2014-06-13 | 2014-09-17 | 北京农业信息技术研究中心 | 农业遥感系统 |
| CN104730005A (zh) * | 2015-03-27 | 2015-06-24 | 中国农业科学院农业信息研究所 | 地空一体化农业监测系统及方法 |
| CN104977935A (zh) * | 2014-04-04 | 2015-10-14 | 北京中科火冠科技有限公司 | 一种旋翼无人机风场静电喷药装置及方法 |
| CN105173085A (zh) * | 2015-09-18 | 2015-12-23 | 山东农业大学 | 无人机变量施药自动控制系统及方法 |
| CN105547366A (zh) * | 2015-12-30 | 2016-05-04 | 东北农业大学 | 微小型无人机农作物信息获取与施肥灌溉指导装置 |
| CN106564599A (zh) * | 2016-11-22 | 2017-04-19 | 江苏蒲公英无人机有限公司 | 一种基于多光谱遥感的无人机植保作业方法 |
| CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
| CN107347849A (zh) * | 2017-07-18 | 2017-11-17 | 河海大学 | 一种基于高光谱实时探测技术的智能喷洒系统 |
-
2018
- 2018-04-20 CN CN201810361058.7A patent/CN108693119B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6076671A (en) * | 1998-03-18 | 2000-06-20 | The United States Of America As Represented By The Secretary Of The Army | Solid particle aerosol belt and dissemination method |
| CN104977935A (zh) * | 2014-04-04 | 2015-10-14 | 北京中科火冠科技有限公司 | 一种旋翼无人机风场静电喷药装置及方法 |
| CN104050649A (zh) * | 2014-06-13 | 2014-09-17 | 北京农业信息技术研究中心 | 农业遥感系统 |
| CN104730005A (zh) * | 2015-03-27 | 2015-06-24 | 中国农业科学院农业信息研究所 | 地空一体化农业监测系统及方法 |
| CN105173085A (zh) * | 2015-09-18 | 2015-12-23 | 山东农业大学 | 无人机变量施药自动控制系统及方法 |
| CN105547366A (zh) * | 2015-12-30 | 2016-05-04 | 东北农业大学 | 微小型无人机农作物信息获取与施肥灌溉指导装置 |
| CN106564599A (zh) * | 2016-11-22 | 2017-04-19 | 江苏蒲公英无人机有限公司 | 一种基于多光谱遥感的无人机植保作业方法 |
| CN106778888A (zh) * | 2016-12-27 | 2017-05-31 | 浙江大学 | 一种基于无人机遥感的果园病虫害普查系统和方法 |
| CN107347849A (zh) * | 2017-07-18 | 2017-11-17 | 河海大学 | 一种基于高光谱实时探测技术的智能喷洒系统 |
Non-Patent Citations (4)
| Title |
|---|
| FERNANDO VANEGAS 等: "A Novel Methodology for Improving Plant Pest Surveillance in Vineyards and Crops Using UAV-Based Hyperspectral and Spatial Data", 《SENSORS》 * |
| 刘燕德 等: "高光谱成像技术在农产品检测中的应用", 《食品与机械》 * |
| 王静 等: "冬小麦条锈病严重度不同估算方法对比研究", 《光谱学与光谱分析》 * |
| 耿新霞 等: "遥感技术在地质找矿中的应用及发展前景", 《地址找矿论丛》 * |
Cited By (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109446987A (zh) * | 2018-10-29 | 2019-03-08 | 北京麦飞科技有限公司 | 基于pca和pnn算法检测水稻病虫害等级的方法 |
| CN109596533A (zh) * | 2018-12-18 | 2019-04-09 | 北京航天泰坦科技股份有限公司 | 一种基于无人机高光谱数据的马铃薯种植管理方法 |
| CN109613022A (zh) * | 2019-01-25 | 2019-04-12 | 华南农业大学 | 一种低空高光谱遥感检测柑橘黄龙病的方法、装置及系统 |
| CN110210375A (zh) * | 2019-05-29 | 2019-09-06 | 南京信息工程大学 | 自适应农场庄稼缺肥区域检测无人机及检测方法 |
| CN110235882A (zh) * | 2019-06-28 | 2019-09-17 | 南京农业大学 | 一种基于多传感器的精准变量果树施药机器人 |
| CN110235882B (zh) * | 2019-06-28 | 2021-09-14 | 南京农业大学 | 一种基于多传感器的精准变量果树施药机器人 |
| CN110487793A (zh) * | 2019-08-29 | 2019-11-22 | 北京麦飞科技有限公司 | 病虫害时间动态分布监测方法及系统 |
| CN110361344A (zh) * | 2019-08-30 | 2019-10-22 | 北京麦飞科技有限公司 | 基于高光谱的病害程度诊断方法 |
| CN110533595A (zh) * | 2019-09-03 | 2019-12-03 | 北京麦飞科技有限公司 | 一种作物病虫害空间动态分布监测的方法和系统 |
| CN111762086A (zh) * | 2019-12-19 | 2020-10-13 | 广州极飞科技有限公司 | 喷洒控制方法、装置、系统和载具 |
| CN113492981A (zh) * | 2020-04-03 | 2021-10-12 | 广州极飞科技股份有限公司 | 播撒控制方法、装置、终端设备、无人设备及介质 |
| CN113492981B (zh) * | 2020-04-03 | 2024-04-09 | 广州极飞科技股份有限公司 | 播撒控制方法、装置、终端设备、无人设备及介质 |
| CN113874716A (zh) * | 2020-04-15 | 2021-12-31 | 深圳市大疆创新科技有限公司 | 可移动平台的作业方法、可移动平台以及电子设备 |
| CN111582055A (zh) * | 2020-04-17 | 2020-08-25 | 清远市智慧农业研究院 | 一种无人机的航空施药航线生成方法及系统 |
| CN111506097A (zh) * | 2020-04-30 | 2020-08-07 | 苏州恒井泰信息技术有限公司 | 一种无人机遥感技术在精准农业中的应用系统及方法 |
| CN112514874A (zh) * | 2020-11-24 | 2021-03-19 | 张金凤 | 一种喷洒物质材料的修正方法和系统 |
| CN112956461A (zh) * | 2020-12-21 | 2021-06-15 | 开放智能机器（上海）有限公司 | 一种基于图像识别的智能农业杀虫系统 |
| CN112967233A (zh) * | 2021-02-07 | 2021-06-15 | 海南大学 | 一种橡胶树炭疽病识别系统 |
| WO2022257139A1 (zh) * | 2021-06-11 | 2022-12-15 | 深圳市大疆创新科技有限公司 | 植物状态确定方法、终端和计算机可读存储介质 |
| CN114189538A (zh) * | 2021-12-09 | 2022-03-15 | 中科计算技术西部研究院 | 林业数据监测云平台、方法及存储介质 |
| WO2023238661A1 (ja) * | 2022-06-06 | 2023-12-14 | ソニーグループ株式会社 | 分光計測装置、および分光計測装置の作動方法 |
| CN115909113A (zh) * | 2023-01-09 | 2023-04-04 | 广东博幻生态科技有限公司 | 一种无人机遥感监测调查林业有害生物的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108693119B (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108693119A (zh) | 基于无人机高光谱遥感的病虫害智能察打系统 | |
| CN108684282B (zh) | 一种农业察打一体机系统及喷洒控制方法 | |
| US11440659B2 (en) | Precision agriculture implementation method by UAV systems and artificial intelligence image processing technologies | |
| CN111582055B (zh) | 一种无人机的航空施药航线生成方法及系统 | |
| Zhang et al. | Orchard management with small unmanned aerial vehicles: A survey of sensing and analysis approaches | |
| Tian | Development of a sensor-based precision herbicide application system | |
| US9076105B2 (en) | Automated plant problem resolution | |
| CA2740503C (en) | Variable rate sprayer system and method of variably applying agrochemicals | |
| Pedersen et al. | Precision agriculture–from mapping to site-specific application | |
| CN111008733B (zh) | 一种作物生长管控方法和系统 | |
| US20210406538A1 (en) | Apparatus and method for image-guided agriculture | |
| Swain et al. | Computer vision system for wild blueberry fruit yield mapping | |
| JP6765109B2 (ja) | 農業システム | |
| CN112699729A (zh) | 一种无人机察打一体除草方法 | |
| Chen et al. | Determining application volume of unmanned aerial spraying systems for cotton defoliation using remote sensing images | |
| CN112204569A (zh) | 结合多光谱和地表语义的作业规划方法、装置及设备 | |
| CN208095182U (zh) | 一种农业察打一体机系统 | |
| Thongnim et al. | Design and Testing of Spraying Drones on Durian Farms | |
| Ibiev et al. | Unmanned aerial vehicles (UAVs)-One of the digitalization and effective development segments of agricultural production in modern conditions | |
| Kumar et al. | Precision farming in vegetable crops: A review | |
| Mehta et al. | Smart farm mechanization Retrospective and prospective | |
| US20230364630A1 (en) | Systems and methods for real-time measurement and control of sprayed liquid coverage on plant surfaces | |
| Upendar et al. | The Role of Sensing Techniques in Precision Agriculture | |
| US11921493B2 (en) | Systems and methods for real-time measurement and control of sprayed liquid coverage on plant surfaces | |
| Rudd | Data Collection by Unmanned Aircraft Systems (UAS) to Improve Cotton Plant Growth Regulator and Defoliant Application Methods |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240516 Address after: 215217 Su Bei Road (Wujiang Modern Agricultural Industrial Park Management Building), Wujiang Economic and Technological Development Zone (Tongli Town), Suzhou City, Jiangsu Province Patentee after: Suzhou Maiji Digital Technology Co.,Ltd. Country or region after: China Address before: 220702, unit 2, 6 / F, building 6, yard 1, Futong East Street, Chaoyang District, Beijing Patentee before: BEIJING MAIFEI TECHNOLOGY Co.,Ltd. Country or region before: China |