CN109076761A - 一种基于遥感图像变量施肥方法 - Google Patents

Abstract

本发明提供一种基于遥感图像变量施肥方法，包括通过遥感获取作业区域信息，并对作业区域进行划分、分析作业区域的土壤和农作物特性、对作业区域需要变量施肥的区域进行标注；在计算机中创建仿真作业区域环境，获取最佳的变量施肥路径以及将获取的最佳的变量施肥路径信息存储于作业机中，并通过导航设备导航作业机按所述最佳的变量施肥路径完成施肥；采用以上技术方案，通过计算机仿真试验，利用机器学习方法，让系统在成功和失败的经验中自主学习路径规划策略，从而提升农业器械作业效率。

Description

一种基于遥感图像变量施肥方法

技术领域

本发明属于农业作业技术领域，具体涉及一种基于遥感图像变量施肥方法。

背景技术

农业装备的发展正处于一个从传统的机械化向智能化发展的阶段，各种新型技术也层出不穷；现有的农业器械变量施肥方案结构相对复杂，需要人工进行路径规划， 这样导致成本较高、并且效率低。

基于上述农业发展中存在的技术问题，尚未有相关的解决方案；因此迫切需要寻求有效方案以解决上述问题。

发明内容

本发明的目的是针对上述技术中存在的不足之处，提出一种基于遥感图像变量施肥方法，旨在适应当前农业发展的需求，避免现有农业作业机施肥效率低、成本高的 问题。

本发明提供一种基于遥感图像变量施肥方法，包括以下步骤：

S1：通过遥感获取作业区域信息，并对作业区域进行划分、分析作业区域的土壤和农作物特性、对作业区域需要变量施肥的区域进行标注；

S2：在计算机中创建仿真作业区域环境，获取最佳的变量施肥路径；

S3：将获取的最佳的变量施肥路径信息存储于作业机中，并通过导航设备导航作业机按所述最佳的变量施肥路径完成施肥。

本申请方案中，变量施肥过程分为两部分，一部分为通过遥感图像，分析土壤、 作物信息，划分需要变量施肥的区域；另一部分是根据需要变量施肥的区域，选择一 条最优的作业路径，避免重复路径作业，如何设计一条最优路径对作业节约作业成本、 提升作业效率至关重要。

进一步地，S2步骤包括以下步骤：

S21：将作业区域离散化，并创建坐标系，标注起始位置和目标位置的坐标信息；

S22：设计作业机以起始位置至所述目标位置的多条试验路径；

S23：通过计算作业机按试验路径行走的步数或达到目标位置的数量或超出目标区 域的数量来获取最佳的变量施肥路径。

进一步地，S1步骤中，将作业区域划分为N个目标区域；每个目标区域通过目标 位置标注。

进一步地，作业区域离散化划分为L×N个网格；每个目标位置进行标号n；作业 机以通过试验路径累积的增强信号来判断最佳的变量施肥路径。

进一步地，作业机做行走的步数为i；作业机的试验路径的试验次数为K；增强信号包括作业机通过的步数获取的增强信号r_i，以及作业机通过的试验路径获取的增强 信号R_K，其中R_K＝∑r_i。

进一步地，试验路径的次数K为1000次。

进一步地，增强信号还包括作业机通过目标位置获取的增强信号；目标位置获取的增强信号包括通过目标位置获取的增强信号r_i＝+2，以及未达到目标位置获取的增 强信号r＝-0.001。

进一步地，增强信号还包括作业机超出目标区域获取的增强信号；超出目标区域获取的增强信号r_i＝-2。

进一步地，变量施肥方法应用于植保机或无人机上。

采用以上技术方案，根据需要变量施肥的区域，选择一条最优的作业路径，避免重复路径作业，节约作业成本、提升作业效率；本发明提供的基于遥感图像变量施肥 方法较为合理、成本较低，适用于当前农业智能化发展需求。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细的说明。

以下将结合附图对本发明作进一步说明：

图1为本发明基于遥感技术的变量施肥区域划分图；

图2为本发明作业区域离散化方法表示图；

图3为本发明一种基于遥感图像变量施肥方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。

本发明提供一种基于遥感图像变量施肥方法，其主要应用于植保机或无人机上，包括以下步骤：

S1：如图1所示，利用遥感技术获取作业区域信息，完成作业区域信息采集，并 对作业区域进行划分、分析作业区域的土壤和农作物特性、对作业区域需要变量施肥 的区域进行标注；

S2：在计算机中创建仿真作业区域环境，获取最佳的变量施肥路径；具体为：在 计算机中，根据遥感数据，创建仿真环境，标定作业区域的边界，标定需要变量施肥 的目标位置，将作业区域离散化、创建坐标系、标注目标位置坐标信息；本申请方案 通过将作业机按起始位置至目标位置设计1000次独立的试验路径，每次试验路径作业 机均需从固定指定起始点到达所有需要变量施肥的目标位置；作业机行驶过程中，利 用机器学习原理实现最优路径规划；其中包括行驶过程中，作业机根据增强信号反馈 判断转角调节策略的“好”、“坏”；当增强信号值较小时，系统将对错误的行为策略进 行认识和学习(被惩罚，累加扣分)，并试着在以后的决策过程中避免这种错误再次发 生；当增强信号较大时，有效的决策策略将会以奖励的形式被系统记住(被奖励，累 加分数)，在以后决策过程中，相同的情况会被优先考虑；本实施例中，以数值的方式 评判作业机行驶过程中每一次决策的“好”、“坏”，以累积数值的方式评判作业机整个 过程行驶路径的“好”、“坏”，从而确认最佳的变量施肥路径；

S3：将获取的最佳的变量施肥路径信息存储于作业机中，并通过导航设备导航作业机按最佳的变量施肥路径完成施肥；在计算机上完成1000次独立的试验路径后，计 算机系统学会如何选择一条最优路径进行变量施肥，将学习经验储存，通过将计算机 系统装载在作业机上，进而实现实车最优路径导航行驶。

采用上述方案，通过增强信号设定，利用机器学习原理使作业机自主学习最优施肥路径，取代了人为计算方式，提升了作业机作业效率。

优选地，结合上述方案，本实施例中，S2步骤包括以下步骤：

S21：将作业区域离散化，并创建坐标系，标注起始位置和目标位置的坐标信息；

S22：设计作业机以起始位置至目标位置的多条试验路径；

S23：通过计算作业机按试验路径行走的步数或达到目标位置的数量或超出目标区 域的数量来获取最佳的变量施肥路径。

优选地，结合上述方案，本实施例中，S1步骤中，将作业区域划分为N个目标区 域；每个目标区域通过目标位置标注。

优选地，结合上述方案，本实施例中，作业区域离散化划分为L×N个网格；每个 目标位置进行标号n；作业机以通过试验路径累积的增强信号来判断最佳的变量施肥 路径。

优选地，结合上述方案，本实施例中，作业机做行走的步数为i；作业机的试验 路径的试验次数为K，试验路径的次数K为1000次；增强信号包括作业机通过的步数 获取的增强信号r_i，以及作业机通过的试验路径获取的增强信号R_K，其中R_K＝∑r_i。

优选地，结合上述方案，本实施例以图3进行说明：

步骤1：遥感数据采集、分析、区域划分、区域离散化、坐标系建立；具体包括 利用遥感技术对农田进行遥感数据采集及分析，对作业区域进行划分，并将需要施肥 的区域标注；

步骤2：仿真试验参数设定；具体包括基于遥感图像，在计算机中创建仿真环境；创建方法为：将遥感测得的边界作为仿真环境的边界，将作业区域离散化(如图2所 示)，划分为L×N个网格，每个网格均为长宽相同的正方形；创建坐标系，设作业机 起始点为坐标原点(0，0)，将需作业的目标位置标注，并在坐标系中赋予相应的坐标位 置；目标个数记为N，给每个目标进行编号，编号为n(n＝1，2，3，4ΛN)，试验次数记 为K，初始化K＝1，每一次试验中，作业机所走的步数记为i，初始化i＝1，第i步作 业机所获得的增强信号记为r_i，第K次试验作业机所获得的累积增强信号记为R_K，进 行1000次独立仿真试验，固定作业机初始位置，每一次独立试验，作业机初始位置相 同，作业机以恒定速度行驶，可选择的动作为向上、向下、向左、向右；

步骤3：作业机初始位置读取；其中包括作业机位置初始化，起点坐标为(0，0)；

步骤4：作业机的动作选择；包括作业机随机选择一个动作，可选择的动作为向上、向下、向左、向右；其位置将由于动作选择，到达下一状态；

步骤5：判断试验是否结束；判断试验是否结束，判断方法为如果K＞1000，表 示1000次独立试验已完成，程序终止；1000次试验的经验均被储存，从经验中选取 累积增强信号R最大的一次试验路径，作为变量施肥的最优离散路径，选择方式为 R＝maxR_K，进入步骤9；如果K≤1000，表示1000次独立试验未完成，下一步；

步骤6：判断所有目标是否都到达，包括判断所有目标是否都到达，判断方法为，如果N＝0，表明作业机已将环境中所有目标均到达至少一次，则，本次试验结束， 记录本次试验的路径轨迹，并计算所有轨迹形成过程中的累积增强信号R_K，计算方式 为R_K＝∑r_i，将累积增强信号R_K作为第K次试验的成功经验储存，进行下一次试验， K＝K+1，i＝1，重新初始化作业机位置，重复步骤3；如果N≠0，表明仍然存在 着至少一个目标是作业机未达到的，下一步；

步骤7：出界判断；包括判断作业机是否超出了限定作业范围，如果是，则，增 强信号为r_i＝-2，表明这次决策是一次失败的决策，作为惩罚，系统将记住此次决策， 在后续过程中，避免同样的决策出现，重新初始化作业机位置，i＝i+1，重复步骤3； 如果未超出限定作业范围，则，下一步；

步骤8：判断是否到达目标；包括判断作业机是否到达目标，如果到达目标，则 读取目标的编号n，并将该编号n从目标库中去除，目标数目为N＝N-1，增强信号r_i＝+2，i＝i+1，重复步骤4；如果未达到目标，则增强信号r＝-0.001，i＝i+1，重 复步骤4

步骤9：实车路径规划，包括通过1000次独立试验，作业机学会了如何选择最优 离散路径到达所有目标；将经验存储装车，实车作业中，对最优离散路径进行曲线拟 合，作业机将根据拟合的曲线作为作业路径，作业过程按拟合曲线行走。

采用以上技术方案，通过计算机仿真试验，利用机器学习方法，让系统在成功和失败的经验中自主学习路径规划策略，从而提升农业器械作业效率；本发明提供的基 于遥感图像变量施肥方法较为合理、成本较低，适用于当前农业智能化发展需求。

以上所述，仅为本发明的较佳实施例，并非对本发明做任何形式上的限制。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围情况下，都可利用上述所述技 术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施 例。因此，凡是未脱离本发明技术方案的内容，依据本发明的技术对以上实施例所做 的任何改动修改、等同变化及修饰，均属于本技术方案的保护范围。

Claims (9)

1.一种基于遥感图像变量施肥方法，其特征在于，包括以下步骤：

S1：通过遥感获取作业区域信息，并对所述作业区域进行划分、分析所述作业区域的土壤和农作物特性、对所述作业区域需要变量施肥的区域进行标注；

S2：在计算机中创建仿真作业区域环境，获取最佳的变量施肥路径；

S3：将获取的最佳的变量施肥路径信息存储于作业机中，并通过导航设备导航所述作业机按所述最佳的变量施肥路径完成施肥。

2.根据权利要求1所述的基于遥感图像变量施肥方法，其特征在于，所述S2步骤包括以下步骤：

S21：将所述作业区域离散化，并创建坐标系，标注起始位置和目标位置的坐标信息；

S22：设计所述作业机以所述起始位置至所述目标位置的多条试验路径；

S23：通过计算所述作业机按所述试验路径行走的步数或达到目标位置的数量或超出所述目标区域的数量来获取最佳的变量施肥路径。

3.根据权利要求2所述的基于遥感图像变量施肥方法，其特征在于，所述S1步骤中，将所述作业区域划分为N个目标区域；每个所述目标区域通过所述目标位置标注。

4.根据权利要求2所述的基于遥感图像变量施肥方法，其特征在于，所述作业区域离散化划分为L×N个网格；每个所述目标位置进行标号n；所述作业机以通过所述试验路径累积的增强信号来判断最佳的变量施肥路径。

5.根据权利要求4所述的基于遥感图像变量施肥方法，其特征在于，所述作业机做行走的步数为i；所述作业机的试验路径的试验次数为K；所述增强信号包括所述作业机通过的步数获取的增强信号r_i，以及所述作业机通过的试验路径获取的增强信号R_K，其中R_K＝∑r_i。

6.根据权利要求5所述的基于遥感图像变量施肥方法，其特征在于，所述试验路径的次数K为1000次。

7.根据权利要求5所述的基于遥感图像变量施肥方法，其特征在于，所述增强信号还包括所述作业机通过所述目标位置获取的增强信号；所述目标位置获取的增强信号包括通过所述目标位置获取的增强信号r_i＝+2，以及未达到所述目标位置获取的增强信号r＝-0.001。

8.根据权利要求5所述的基于遥感图像变量施肥方法，其特征在于，所述增强信号还包括所述作业机超出所述目标区域获取的增强信号；超出所述目标区域获取的增强信号r_i＝-2。

9.根据权利要求1至8任一项所述的基于遥感图像变量施肥方法，其特征在于，所述变量施肥方法应用于植保机或无人机上。