CN109445457A - 分布信息的确定方法、无人飞行器的控制方法及装置 - Google Patents

分布信息的确定方法、无人飞行器的控制方法及装置 Download PDF

Info

Publication number
CN109445457A
CN109445457A CN201811217967.XA CN201811217967A CN109445457A CN 109445457 A CN109445457 A CN 109445457A CN 201811217967 A CN201811217967 A CN 201811217967A CN 109445457 A CN109445457 A CN 109445457A
Authority
CN
China
Prior art keywords
target object
target
image information
target area
unmanned vehicle
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
Application number
CN201811217967.XA
Other languages
English (en)
Other versions
CN109445457B (zh
Inventor
代双亮
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.)
Guangzhou Xaircraft Technology Co Ltd
Original Assignee
Guangzhou Xaircraft Technology 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 Guangzhou Xaircraft Technology Co Ltd filed Critical Guangzhou Xaircraft Technology Co Ltd
Priority to CN201811217967.XA priority Critical patent/CN109445457B/zh
Publication of CN109445457A publication Critical patent/CN109445457A/zh
Priority to EP19873665.4A priority patent/EP3859479A4/en
Priority to AU2019362430A priority patent/AU2019362430B2/en
Priority to PCT/CN2019/111515 priority patent/WO2020078396A1/zh
Priority to KR1020217014072A priority patent/KR20210071062A/ko
Priority to CA3115564A priority patent/CA3115564A1/en
Priority to US17/309,058 priority patent/US20210357643A1/en
Priority to JP2021520573A priority patent/JP2022502794A/ja
Application granted granted Critical
Publication of CN109445457B publication Critical patent/CN109445457B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/0094—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots involving pointing a payload, e.g. camera, weapon, sensor, towards a fixed or moving target
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/10—Simultaneous control of position or course in three dimensions
    • G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64C—AEROPLANES; HELICOPTERS
    • B64C39/00—Aircraft not otherwise provided for
    • B64C39/02—Aircraft not otherwise provided for characterised by special use
    • B64C39/024—Aircraft not otherwise provided for characterised by special use of the remote controlled vehicle type, i.e. RPV
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D1/00—Dropping, ejecting, releasing, or receiving articles, liquids, or the like, in flight
    • B64D1/16—Dropping or releasing powdered, liquid, or gaseous matter, e.g. for fire-fighting
    • B64D1/18—Dropping or releasing powdered, liquid, or gaseous matter, e.g. for fire-fighting by spraying, e.g. insecticides
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
    • G08G5/003—Flight plan management
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/40—UAVs specially adapted for particular uses or applications for agriculture or forestry operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Pest Control & Pesticides (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Astronomy & Astrophysics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Image Analysis (AREA)
  • Catching Or Destruction (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种分布信息的确定方法、无人飞行器的控制方法及装置。其中，该控制方法包括：获取目标区域的图像信息；将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。本申请解决了相关技术中农作物和杂草难以区分造成药物的浪费和农药残留等的技术问题。

Description

分布信息的确定方法、无人飞行器的控制方法及装置
技术领域
本申请涉及植保领域，具体而言，涉及一种分布信息的确定方法、无人飞行器的控制方法及装置。
背景技术
目前无人机对于除草或者落叶剂，基本上都是采用普遍喷洒的方案，如果采用普洒的话，又会造成大量的农药的浪费和农药残留或部分草害严重的地方打药量不足，造成了很大的经济损失。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种分布信息的确定方法、无人飞行器的控制方法及装置，以至少解决相关技术中农作物和杂草难以区分造成药物的浪费和农药残留等的技术问题。
根据本申请实施例的一个方面，提供了一种无人飞行器的控制方法，包括：获取目标区域的图像信息；将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息，其中，预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；依据分布信息控制无人飞行器对目标对象进行药物喷洒。
可选地，每组数据中的目标区域的样本图像信息通过以下方式获取：对初始图像信息中目标对象的分布信息进行标记，得到标记图像；采用第一卷积网络模型对标记图像进行卷积处理，得到第一卷积图像；采用第二卷积网络模型对标记图像进行卷积处理，得到第二卷积图像，其中，第一卷积图像和第二卷积图像采用的卷积核是不同的；合并第一卷积图像和第二卷积图像，得到合并图像；对合并后的图像进行反卷积处理，得到每组数据中的目标区域的样本图像信息。
可选地，上述样本图像信息包括：目标对象的密度图，该密度图用于反映目标区域中目标对象在各个分布区域的密度大小。
可选地，上述密度图中具有用于指示目标对象的密度大小的标识。
可选地，上述分布信息包括以下至少之一：目标对象在目标区域中各个分布区域内的密度、目标对象所在分布区域的面积；依据分布信息控制无人飞行器对目标对象进行药物喷洒，包括：依据目标对象在分布区域中的密度确定无人飞行器在分布区域的药物喷洒量或喷洒持续时间；和/或依据目标对象所在分布区域的面积确定药物喷洒幅度。
可选地，分布信息还包括：目标对象在目标区域的分布区域；方法还包括：依据目标对象的分布区域所在的位置确定无人飞行器的飞行路线；控制无人飞行器按照飞行路线移动。
可选地，依据分布信息控制无人飞行器对目标对象进行药物喷洒之后，方法还包括：检测目标区域中无人飞行器的剩余分布区域，其中，剩余分布区域为目标区域中未喷洒药物的分布区域；确定剩余分布区域中目标对象的密度，以及剩余分布区域的总面积；依据剩余分布区域中目标对象的密度，以及剩余分布区域的总面积确定剩余分布区域所需的总药量；确定无人飞行器的剩余药量和总药量的差值；比较差值和预设阈值，并依据比较结果调整无人飞行器的飞行路线。
可选地，依据分布信息控制无人飞行器对目标对象进行药物喷洒之前，方法还包括：依据分布信息中目标对象在目标区域的分布区域大小，以及目标对象在分布区域的密度大小确定无人飞行器的目标用药量。
根据本申请实施例的另一方面，提供了一种无人飞行器的控制装置，包括：获取模块，用于获取目标区域的图像信息；分析模块，用于将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息，其中，预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；控制模块，用于依据分布信息控制无人飞行器对目标对象进行药物喷洒。
根据本申请实施例的又一方面，提供了一种无人飞行器，包括：图像采集装置，用于获取目标区域的图像信息；处理器，用于将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息，其中，预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；以及依据分布信息控制无人飞行器对目标对象进行药物喷洒。
根据本申请实施例的再一方面，提供了一种无人飞行器，包括：通信模块，用于接收来自指定设备的目标区域的图像信息，其中，指定设备包括：网络侧服务器或者测绘无人机；处理器，用于将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息，其中，预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；以及依据分布信息控制无人飞行器对目标对象进行药物喷洒。
根据本申请实施例的又一方面，提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以上的分布信息的确定方法。
根据本申请实施例的又一方面，提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行以上的分布信息的确定方法。
根据本申请实施例的又一方面，提供了一种目标对象的分布信息确定方法，包括：获取目标区域的图像信息；将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息，其中，预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签。
可选地，每组数据中的目标区域的样本图像信息通过以下方式获取：对初始图像信息中目标对象的分布信息进行标记，得到标记图像；采用第一卷积网络模型对标记图像进行卷积处理，得到第一卷积图像；采用第二卷积网络模型对标记图像进行卷积处理，得到第二卷积图像，其中，第一卷积图像和第二卷积图像采用的卷积核是不同的；合并第一卷积图像和第二卷积图像，得到合并图像；对合并后的图像进行反卷积处理，得到每组数据中的目标区域的样本图像信息。
可选地，样本图像信息包括：目标对象的密度图，该密度图用于反映目标区域中目标对象在各个分布区域的密度大小。
可选地，密度图中具有用于指示目标对象的密度大小的标识。
可选地，在目标区域为多个且多个目标区域位于不同的销售区域时，依据多个目标区域中目标对象的密度图确定药物的目标销售区域。
可选地，分布信息还包括：目标对象在目标区域的分布区域；上述方法还包括：依据目标对象的分布区域所在的位置确定无人飞行器的飞行路线。
可选地，将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息之后，方法还包括：确定目标对象的种类；依据种类和分布信息确定目标区域中各个子区域的，该施药信息包括目标对象在目标区域的子区域的药物种类和目标喷药量；在目标区域的图像信息中添加用于标识施药信息的标记信息，得到目标区域的处方图。
在本申请实施例中，通过获取目标区域的图像信息；将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息，其中，预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：目标区域的图像信息、用于标识图像信息中目标对象的分布信息的标签；依据分布信息控制无人飞行器对目标对象进行药物喷洒。达到了针对杂草在不同区域的分布密度，针对性控制喷药量的目的，从而实现结合杂草在不同区域的分布密度，设置喷药量，节省农药，提高喷药效率的技术效果，进而解决了相关技术中农作物和杂草难以区分造成药物的浪费和农药残留等的技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种无人飞行器的控制方法的流程示意图；
图2a与图2b是根据本申请实施例的一种目标区域的图像信息的示意图；
图3是根据本申请实施例的一种每组数据中的目标区域的样本图像信息获取方法的流程示意图；
图4为根据本申请实施例的另一种每组数据中的目标区域的样本图像信息获取方法的流程示意图；
图5为根据本申请实施例的一种密度图的示意图；
图6是根据本申请实施例的一种可选的无人飞行器的控制装置的结构示意图；
图7是根据本申请实施例的一种可选的无人飞行器的结构示意图；
图8是根据本申请实施例的另一种可选的无人飞行器的结构示意图；
图9是根据本申请实施例的一种分布信息的确定方法的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例，提供了一种无人飞行器的控制方的法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是是根据本申请实施例的一种无人飞行器的控制方法的流程示意图；如图1所示，该方法包括如下步骤：
步骤S102，获取目标区域的图像信息。
在一个可选的实施例中，可在无人飞行器上设置图像采集装置，对目标区域的图像进行拍摄。目标区域，可以为一片或多片农田。无人飞行器上可设置有定位系统，从而根据定位系统确定当前目标区域的面积信息以及经纬度信息。
在一个可选的实施例,图2a与图2b是根据本申请实施例的一种目标区域的图像信息的示意图；
目标区域的图像信息如图2a所示,图2a中,叉号“x”表示庄稼区,圆圈“Ο”表示杂草区。
步骤S104，将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息。
在一个可选的实施例中，目标对象可以为农田中的杂草。
其中，预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签。
另外，也可以训练用于识别杂草类型的杂草识别模型，所述杂草识别模型为通过多组数据训练得到的，多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的类型的标签。
在一个可选的实施例中，获取目标区域的图像信息之后，将图像信息输入至预设杂草识别模型进行分析，得到目标区域中目标对象的类型，其中目标对象为杂草。
图3是根据本申请实施例的一种每组数据中的目标区域的样本图像信息获取方法的流程示意图。每组数据中的目标区域的样本图像信息通过图3所示的方式实现，具体地：
步骤S302，对初始图像信息中所述目标对象的分布信息进行标记，得到标记图像；
在一个可选的实施例中，初始图像信息对应的图像为RGB图像。
可选的，可通过对样本图像信息中目标对象的分布信息通过文字标签进行标识。标签包括目标对象在目标区域的经纬度分布范围和/或在图片中的像素分布范围。
步骤S304，采用第一卷积网络模型对所述标记图像进行卷积处理，得到第一卷积图像；
步骤S306，采用第二卷积网络模型对所述标记图像进行卷积处理，得到第二卷积图像，其中，所述第一卷积图像和第二卷积图像采用的卷积核是不同的；
在一个可选的实施例中，第一卷积网络模型的卷积核为3*3。
在一个可选的实施例中，初始图像为RGB图像，具有R、G、B三个维度，在采用第一卷积网络模型对所述标记图像进行卷积处理，得到第一卷积图像的过程中，可以进行下采样，设置卷积步长为2。另外，还可以对第一卷积图像的维度进行设定。
在一个可选的实施例中，当采用第一卷积网络模型对所述标记图像进行卷积处理，得到第一卷积图像的过程中，可进行多次卷积，每次卷积时卷积核都为3*3，每次卷积都进行下采样，设置卷积步长为2。每次下采样过后，图像为下采样之前图像的1/2大小，可大量减少数据处理量，提高数据的运算速度。
在一个可选的实施例中，第二卷积网络模型的卷积核为5*5。
初始图像为RGB图像，具有R、G、B三个维度，当采用第二卷积网络模型对所述标记图像进行卷积处理，得到第二卷积图像的过程中，可以进行下采样，设置卷积步长为2。另外，还可以对第二卷积图像的维度进行设定。
在一个可选的实施例中，当采用第二卷积网络模型对所述标记图像进行卷积处理，得到第二卷积图像的过程中，可进行多次卷积，每次卷积时卷积核都为5*5，每次卷积都进行下采样，设置卷积步长为2。每次下采样过后，图像为下采样之前图像的1/2大小，可大量减少数据处理量，提高数据的运算速度。
第一卷积图像与第二卷积图像的图像大小相同。
步骤S308，合并所述第一卷积图像和第二卷积图像，得到合并图像；
步骤S310，对所述合并后的图像进行反卷积处理，得到每组数据中的目标区域的样本图像信息。
在一个可选的实施例中，将第一卷积图像与第二卷积图像合并后，需对合并后的图像进行与上述由初始图像至第一图像的卷积次数相同次数的反卷积，并且，可对反卷积后的图像设置维度。
对合并后的图像进行反卷积时，反卷积核可以为3*3。
对合并后的图像进行反卷积后，图像大小与初始图像的大小相同。
进行过反卷积后的图像信息，作为样本图像信息。其中样本图像信息包括：所述目标对象的密度图，该密度图用于反映所述目标区域中所述目标对象在各个分布区域的密度大小。
图4为根据本申请实施例的另一种每组数据中的目标区域的样本图像信息获取方法的流程示意图；该方法包括以下步骤：
步骤S402，标记图片。
对初始图像信息中所述目标对象的分布信息进行标记，得到标记图像；
在一个可选的实施例中，初始图像信息对应的图像为RGB图像。
可选地，可通过对样本图像信息中目标对象的分布信息通过文字标签进行标识。标签包括目标对象在目标区域的经纬度分布范围和/或在图片中的像素分布范围。
采用第一卷积网络模型对所述标记图像进行卷积处理，得到第一卷积图像；
在一个可选的实施例中，第一卷积网络模型的卷积核为3*3。初始图像信息对应的图像为RGB图像，具有R、G、B三个维度，在采用第一卷积网络模型对所述标记图像进行卷积处理，得到第一卷积图像的过程中，可以进行下采样，设置卷积步长为2。另外，还可以对第一卷积图像的维度进行设定。
如图4中，得到第一卷积图像的过程中，共进行三次卷积，依次为步骤S4042,步骤S4044,步骤S4046,每次卷积都进行下采样，设置卷积步长为2。每次下采样过后，图像为下采样之前图像的1/2大小，可大量减少数据处理量，提高数据的运算速度。
图4中，n1，n2,n3分别是对应每次卷积时对应的设置的维度，该维度用于表示第一卷积图像每一个像素对应的数据向量长度。在一个可选的实施例中，当n1为1时，第一次卷积后的图像的像素对应的维度为1，该像素对应的数据可以为灰度值，当n1为3时，第一次卷积后的图像的像素对应的维度为3，该像素对应的数据可以为RGB值。当采用第一卷积网络模型对所述标记图像进行卷积处理，得到第一卷积图像的过程中，可进行多次卷积，每次卷积时卷积核都为3*3。
并且，采用第二卷积网络模型对所述标记图像进行卷积处理，得到第二卷积图像，其中，所述第一卷积图像和第二卷积图像采用的卷积核是不同的；
在一个可选的实施例中，第二卷积网络模型的卷积核为5*5。初始图像信息对应的图像为RGB图像，具有R、G、B三个维度，在采用第二卷积网络模型对所述标记图像进行卷积处理，得到第二卷积图像的过程中，可以进行下采样，设置卷积步长为2。另外，还可以对第二卷积图像的维度进行设定。
在一个可选的实施例中，当采用第二卷积网络模型对所述标记图像进行卷积处理，得到第二卷积图像的过程中，可进行多次卷积，每次卷积时卷积核都为5*5，每次卷积都进行下采样，设置卷积步长为2。每次下采样过后，图像为下采样之前图像的1/2大小，可大量减少数据处理量，提高数据的运算速度。
如图4中，得到第二卷积图像的过程中，共进行三次卷积，依次为步骤S4062,步骤S4064,步骤S4066,每次卷积都进行下采样，设置卷积步长为2。每次下采样过后，图像为下采样之前的图像的1/2大小，可大量减少数据处理量，提高数据的运算速度。
图4中，m1，m2,m3分别是对应每次卷积时对应的设置的维度，该维度用于表示第二卷积图像每一个像素对应的数据向量长度。在一个可选的实施例中，当m1为1时，第一次卷积后的图像的像素对应的维度为1，该像素对应的数据可以为灰度值，当m1为3时，第一次卷积后的图像的像素对应的维度为3，该像素对应的数据可以为RGB值。当采用第二卷积网络模型对所述标记图像进行卷积处理，得到第二卷积图像的过程中，可进行多次卷积，每次卷积时卷积核都为5*5。
第一卷积图像与第二卷积图像的图像大小相同。
步骤S408，合并图像，合并所述第一卷积图像和第二卷积图像，得到合并图像；
对所述合并后的图像进行反卷积处理。
在一个可选的实施例中，对合并后的图像进行与上述由初始图像至第一图像的卷积次数相同次数的反卷积，并且，可对反卷积后的图像设置维度。对合并后的图像进行三次反卷积，分别为步骤S4102,步骤S4104,步骤S4106,获取密度图，即目标区域的样本图像信息，即步骤S412。
对合并后的图像进行反卷积时，反卷积核可以为3*3。
对合并后的图像进行反卷积后，图像大小与初始图像的大小相同。
进行过反卷积后的图像信息，作为样本图像信息。其中样本图像信息包括：所述目标对象的密度图，该密度图用于反映所述目标区域中所述目标对象在各个分布区域的密度大小。密度图中具有用于指示所述目标对象的密度大小的标识，在一个可选的实施例中，密度图中所述分布区域的颜色越浅，所述分布区域中所述目标对象的密度越大。如图5所示，图5为根据本申请实施例的一中密度图；图5的密度图中，若A区比B区的颜色浅，则A区汇总目标对象的密度大。
在一个可选的实施例中，反卷积后的密度图可以为灰度图。当反卷积为灰度图时，图像中，白色为255，黑色为0，灰度值越大的地方标识目标区域中目标对象的分布越密集。即颜色越浅的地方，杂草的分布越密集。
步骤S106，依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。
分布信息可以为：所述目标对象在所述目标区域中各个分布区域内的密度、所述目标对象所在分布区域的面积；
依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒，可以通过以下方式实现：
依据所述目标对象在分布区域中的密度确定所述无人飞行器在所述分布区域的药物喷洒量或喷洒持续时间；和/或依据所述目标对象所在分布区域的面积确定药物喷洒幅度。
在一个可选的实施例中，目标对象在分布区域中的密度越大，无人飞行器在对应分布区域的药物喷洒量越大，喷洒持续时间越长。目标对象所在分布区域的面积越大，无人飞行器的药物喷洒的幅度越大。将目标对象在分布区域的密度与目标对象在分布区域的面积综合考虑，确定无人飞行器在对应分布区域的药物喷洒量。例如：根据目标对象在分布区域中的密度较小，在对应的分布区域的药物喷洒量较大的确定一种喷药量，根据目标对象在分布区域中的密度较大，在对应的分布区域的药物喷洒量较小的确定一种喷药量。其中，药物喷洒的幅度可以为竖直幅度，也可以为水平幅度。
目标对象的分布信息还包括：所述目标对象在所述目标区域的分布区域，具体的，可根据获取到的目标区域的图像信息，确定图像中分布区域在图像中的像素区域和/或通过定位装置获得目标对象在目标区域内所占用的经纬度范围。
在一个可选的实施例中，无人飞行器可依据所述目标对象的分布区域所在的位置确定所述无人飞行器的飞行路线；控制所述无人飞行器按照所述飞行路线移动。
具体的，无人飞行器可避开没有杂草的区域确定飞行路线，并控制无人飞行器按照飞行路线移动。
依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒之后，无人飞行器还可以：
检测所述目标区域中所述无人飞行器的剩余分布区域，其中，所述剩余分布区域为所述目标区域中未喷洒药物的分布区域；确定所述剩余分布区域中所述目标对象的密度，以及所述剩余分布区域的总面积；依据所述剩余分布区域中所述目标对象的密度，以及所述剩余分布区域的总面积确定所述剩余分布区域所需的总药量；确定所述无人飞行器的剩余药量和所述总药量的差值；比较所述差值和预设阈值，并依据比较结果调整所述无人飞行器的飞行路线。
在一个可选的实施例中，当剩余药量与上述总药量的差值为负值时，无人飞行器将调整飞行路线为返回路线，以重新装载农药。其中，在返回途中，可对返回路线上的农田进行喷药。
在另外一个可选的实施例中，无人飞行器在调整飞行路线为返回路线之前，可根据未喷洒药物的目标对象的区域以及剩余药量，规划返回路线，以在返回途中，对某一整块区域进行喷药。
在一个可选的实施例中，依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒之前，可通过图像采集装置，获取目标区域的图像信息；并将图像信息输入预设模型，确定图像信息中，目标区域中目标对象的分布信息，并根据分布信息中目标对象在目标区域中的分布区域大小，以及所述目标对象在所述分布区域的密度大小确定所述无人飞行器的目标用药量。
在一个可选的实施例中，根据分布信息中目标对象在目标区域中的分布区域较小，以及所述目标对象在所述分布区域的密度较大确定一种目标用药量。根据分布信息中目标对象在目标区域中的分布区域较大，以及所述目标对象在所述分布区域的密度较小确定一种目标用药量。根据分布信息中目标对象在目标区域中的分布区域较小，以及所述目标对象在所述分布区域的密度较小确定一种目标用药量。根据分布信息中目标对象在目标区域中的分布区域较大，以及所述目标对象在所述分布区域的密度较大确定一种目标用药量。确定无人飞行器的目标用药量之后，进行农药装载。
在本申请实施例中，采用预设模型对目标区域的图像信息进行分析，从而得到目标区域中目标对象的分布信息，并基于该分布信息控制无人飞行器对目标对象进行药物喷洒，通过获取目标区域的图像信息；将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：目标区域的图像信息、用于标识图像信息中目标对象的分布信息的标签；依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。达到了针对杂草在不同区域的分布密度，针对性控制喷药量的目的，从而实现结合杂草在不同区域的分布密度，设置喷药量，节省农药，提高喷药效率的技术效果，进而解决了相关技术中农作物和杂草难以区分造成药物的浪费和农药残留等的技术问题。
图6是根据本申请实施例的一种可选的无人飞行器的控制装置的结构示意图。如图6所示，该装置包括：获取模块62；分析模块64，控制模块66。其中，
获取模块62，用于获取目标区域的图像信息；
分析模块64，用于将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；
控制模块66，用于依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。
需要说明的是，图6所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
图7是根据本申请实施例的一种可选的无人飞行器的结构示意图。如图4所示，该装置包括：图像采集装置72；处理器74。其中，
图像采集装置72，用于获取目标区域的图像信息；
处理器74，用于将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；以及依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。
需要说明的是，图7所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
图8是根据本申请实施例的一种可选的无人飞行器的结构示意图。如图4所示，该装置包括：通信模块82；处理器84。其中，
通信模块82，用于接收来自指定设备的目标区域的图像信息，其中，所述指定设备包括：网络侧服务器或者测绘无人机；
处理器84，用于将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；以及依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。
需要说明的是，图8所示实施例的优选实施方式可以参见图1所示实施例的相关描述，此处不再赘述。
图9是根据本申请实施例的一种分布信息的确定方法的流程示意图。如图9所示，该方法包括：
步骤S902，获取目标区域的图像信息；
步骤S904，将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息，其中，预设模型为通过多组数据训练得到的，多组数据中的每组数据均包括：样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签。
在本申请的一些实施例中，每组数据中的目标区域的样本图像信息通过以下方式获取：对初始图像信息中目标对象的分布信息进行标记，得到标记图像；采用第一卷积网络模型对标记图像进行卷积处理，得到第一卷积图像；采用第二卷积网络模型对标记图像进行卷积处理，得到第二卷积图像，其中，第一卷积图像和第二卷积图像采用的卷积核是不同的；合并第一卷积图像和第二卷积图像，得到合并图像；对合并后的图像进行反卷积处理，得到每组数据中的目标区域的样本图像信息。
其中，上述样本图像信息包括：目标对象的密度图，该密度图用于反映目标区域中目标对象在各个分布区域的密度大小。其中，密度图中具有用于指示目标对象的密度大小的标识，该标识可以为不同的颜色或同一种颜色的不同深度或者数字信息等。
在本申请的一些可选实施例中，在目标区域为多个且多个目标区域位于不同的销售区域时，依据多个目标区域中目标对象的密度图确定药物的目标销售区域。例如，对于密度图指示的密度越大的销售区域，所需要的药量越多，从而间接地确定目标销售区域。
上述分布信息还可以包括：目标对象在目标区域的分布区域；此时可以依据目标对象的分布区域所在的位置确定无人飞行器的飞行路线。
在本申请的一些实施例中，在将图像信息输入至预设模型进行分析，得到目标区域中目标对象的分布信息之后，还可以依据分布信息确定目标区域的处方图，该处方图用于展示目标区域的施药信息，具体地：确定目标对象的种类；依据种类和分布信息确定目标区域中各个子区域的施药信息，该施药信息包括目标对象在目标区域的子区域的药物种类和目标喷药量；在目标区域的图像信息中添加用于标识施药信息的标记信息，得到目标区域的处方图。
其中，可以通过机器学习的方式确定目标对象的种类，例如，将目标对象的图像输入至已经训练好的预测模型中，利用该预测模型识别目标对象的种类。
需要说明的是，图9所示实施例的优选实施方式可以参见图1-7所示实施例的相关描述，此处不再赘述。
根据本申请实施例的再一个方面，提供了一种存储介质，该存储介质包括存储的程序，其中，在程序运行时控制存储介质所在设备执行以上所述的无人飞行器的控制方法。
根据本申请实施例的再一个方面，提供了一种处理器，该处理器用于运行程序，其中，程序运行时执行以上所述的无人飞行器的控制方法。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (17)

1.一种分布信息的确定方法，其特征在于，包括：
获取目标区域的图像信息；
将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签。
2.根据权利要求1所述的方法，其特征在于，所述每组数据中的目标区域的样本图像信息通过以下方式获取：
对初始图像信息中所述目标对象的分布信息进行标记，得到标记图像；采用第一卷积网络模型对所述标记图像进行卷积处理，得到第一卷积图像；
采用第二卷积网络模型对所述标记图像进行卷积处理，得到第二卷积图像，其中，所述第一卷积图像和第二卷积图像采用的卷积核是不同的；
合并所述第一卷积图像和第二卷积图像，得到合并图像；
对所述合并后的图像进行反卷积处理，得到所述每组数据中的目标区域的样本图像信息。
3.根据权利要求2所述的方法，其特征在于，所述样本图像信息包括：所述目标对象的密度图，该密度图用于反映所述目标区域中所述目标对象在各个分布区域的密度大小。
4.根据权利要求3所述的方法，其特征在于，所述密度图中具有用于指示所述目标对象的密度大小的标识。
5.根据权利要求1所述的方法，其特征在于，在所述目标区域为多个且多个所述目标区域位于不同的销售区域时，依据多个目标区域中所述目标对象的密度图确定药物的目标销售区域。
6.根据权利要求1所述的方法，其特征在于，
所述分布信息还包括：所述目标对象在所述目标区域的分布区域；
所述方法还包括：依据所述目标对象的分布区域所在的位置确定所述无人飞行器的飞行路线。
7.根据权利要求1至6中任意一项所述的方法，其特征在于，将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息之后，所述方法还包括：
确定所述目标对象的种类；
依据所述种类和所述分布信息确定所述目标区域中各个子区域的，该施药信息包括所述目标对象在所述目标区域的子区域的药物种类和目标喷药量；
在所述目标区域的图像信息中添加用于标识所述施药信息的标记信息，得到所述目标区域的处方图。
8.一种无人飞行器的控制方法，其特征在于，包括：
获取目标区域的图像信息；
将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；
依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。
9.根据权利要求8所述的方法，其特征在于，所述分布信息包括以下至少之一：所述目标对象在所述目标区域中各个分布区域内的密度、所述目标对象所在分布区域的面积；依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒，包括：
依据所述目标对象在分布区域中的密度确定所述无人飞行器在所述分布区域的药物喷洒量或喷洒持续时间；和/或
依据所述目标对象所在分布区域的面积确定药物喷洒幅度。
10.根据权利要求8所述的方法，其特征在于，
所述分布信息还包括：所述目标对象在所述目标区域的分布区域；
所述方法还包括：依据所述目标对象的分布区域所在的位置确定所述无人飞行器的飞行路线；控制所述无人飞行器按照所述飞行路线移动。
11.根据权利要求8所述的方法，其特征在于，依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒之后，所述方法还包括：
检测所述目标区域中所述无人飞行器的剩余分布区域，其中，所述剩余分布区域为所述目标区域中未喷洒药物的分布区域；
确定所述剩余分布区域中所述目标对象的密度，以及所述剩余分布区域的总面积；
依据所述剩余分布区域中所述目标对象的密度，以及所述剩余分布区域的总面积确定所述剩余分布区域所需的总药量；
确定所述无人飞行器的剩余药量和所述总药量的差值；
比较所述差值和预设阈值，并依据比较结果调整所述无人飞行器的飞行路线。
12.根据权利要求8至11中任意一项所述的方法，其特征在于，依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒之前，所述方法还包括：
依据所述分布信息中所述目标对象在所述目标区域的分布区域大小，以及所述目标对象在所述分布区域的密度大小确定所述无人飞行器的目标用药量。
13.一种无人飞行器的控制装置，其特征在于，包括：
获取模块，用于获取目标区域的图像信息；
分析模块，用于将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；
控制模块，用于依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。
14.一种无人飞行器，其特征在于，包括：
图像采集装置，用于获取目标区域的图像信息；
处理器，用于将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；以及依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。
15.一种无人飞行器，其特征在于，包括：
通信模块，用于接收来自指定设备的目标区域的图像信息，其中，所述指定设备包括：网络侧服务器或者测绘无人机；
处理器，用于将所述图像信息输入至预设模型进行分析，得到所述目标区域中目标对象的分布信息，其中，所述预设模型为通过多组数据训练得到的，所述多组数据中的每组数据均包括：目标区域的样本图像信息、用于标识样本图像信息中目标对象的分布信息的标签；以及依据所述分布信息控制所述无人飞行器对所述目标对象进行药物喷洒。
16.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至7中任意一项所述的分布信息的确定方法。
17.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至7中任意一项所述的分布信息的确定方法。
CN201811217967.XA 2018-10-18 2018-10-18 分布信息的确定方法、无人飞行器的控制方法及装置 Active CN109445457B (zh)

Priority Applications (8)

Application Number Priority Date Filing Date Title
CN201811217967.XA CN109445457B (zh) 2018-10-18 2018-10-18 分布信息的确定方法、无人飞行器的控制方法及装置
KR1020217014072A KR20210071062A (ko) 2018-10-18 2019-10-16 분포 정보의 확정 방법, 무인 항공기의 제어 방법 및 장치
AU2019362430A AU2019362430B2 (en) 2018-10-18 2019-10-16 Method for determining distribution information, and control method and device for unmanned aerial vehicle
PCT/CN2019/111515 WO2020078396A1 (zh) 2018-10-18 2019-10-16 分布信息的确定方法、无人飞行器的控制方法及装置
EP19873665.4A EP3859479A4 (en) 2018-10-18 2019-10-16 PROCEDURES FOR DETERMINING DISTRIBUTION INFORMATION AND CONTROL PROCEDURES AND DEVICE FOR UNMANNED AIRCRAFT
CA3115564A CA3115564A1 (en) 2018-10-18 2019-10-16 Method for determining distribution information, and control method and device for unmanned aerial vehicle
US17/309,058 US20210357643A1 (en) 2018-10-18 2019-10-16 Method for determining distribution information, and control method and device for unmanned aerial vehicle
JP2021520573A JP2022502794A (ja) 2018-10-18 2019-10-16 分布情報の確定方法、無人飛行体の制御方法及び装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811217967.XA CN109445457B (zh) 2018-10-18 2018-10-18 分布信息的确定方法、无人飞行器的控制方法及装置

Publications (2)

Publication Number Publication Date
CN109445457A true CN109445457A (zh) 2019-03-08
CN109445457B CN109445457B (zh) 2021-05-14

Family

ID=65546651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811217967.XA Active CN109445457B (zh) 2018-10-18 2018-10-18 分布信息的确定方法、无人飞行器的控制方法及装置

Country Status (8)

Country Link
US (1) US20210357643A1 (zh)
EP (1) EP3859479A4 (zh)
JP (1) JP2022502794A (zh)
KR (1) KR20210071062A (zh)
CN (1) CN109445457B (zh)
AU (1) AU2019362430B2 (zh)
CA (1) CA3115564A1 (zh)
WO (1) WO2020078396A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020078396A1 (zh) * 2018-10-18 2020-04-23 广州极飞科技有限公司 分布信息的确定方法、无人飞行器的控制方法及装置
CN111459183A (zh) * 2020-04-10 2020-07-28 广州极飞科技有限公司 作业参数推荐方法、装置、无人设备及存储介质
US10822085B2 (en) 2019-03-06 2020-11-03 Rantizo, Inc. Automated cartridge replacement system for unmanned aerial vehicle
CN112425328A (zh) * 2020-11-23 2021-03-02 广州极飞科技有限公司 多物料播撒控制方法、装置、终端设备、无人设备及介质
CN112948371A (zh) * 2019-12-10 2021-06-11 广州极飞科技股份有限公司 数据处理方法、装置、存储介质、处理器
CN113011220A (zh) * 2019-12-19 2021-06-22 广州极飞科技股份有限公司 穗数识别方法、装置、存储介质及处理器
CN113011221A (zh) * 2019-12-19 2021-06-22 广州极飞科技股份有限公司 作物分布信息的获取方法、装置及测量系统
CN113973793A (zh) * 2021-09-09 2022-01-28 常州希米智能科技有限公司 一种病虫害区域无人机喷洒处理方法和系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111783549A (zh) * 2020-06-04 2020-10-16 北京海益同展信息科技有限公司 一种分布图生成方法、系统、巡检机器人及控制终端

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150105962A1 (en) * 2013-10-14 2015-04-16 Kinze Manufacturing, Inc. Autonomous systems, methods, and apparatus for ag based operations
CN105159319A (zh) * 2015-09-29 2015-12-16 广州极飞电子科技有限公司 一种无人机的喷药方法及无人机
US20170055433A1 (en) * 2014-06-11 2017-03-02 John Paul Jamison Systems and methods for forming graphical and/or textual elements on land for remote viewing
CN106882380A (zh) * 2017-03-03 2017-06-23 杭州杉林科技有限公司 空地一体农林用植保系统装置及使用方法
CN106910247A (zh) * 2017-03-20 2017-06-30 厦门幻世网络科技有限公司 用于生成三维头像模型的方法和装置
CN106951836A (zh) * 2017-03-05 2017-07-14 北京工业大学 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
CN107274378A (zh) * 2017-07-25 2017-10-20 江西理工大学 一种融合记忆cnn的图像模糊类型识别及参数整定方法
US20180046187A1 (en) * 2016-08-12 2018-02-15 Skydio, Inc. Unmanned aerial image capture platform
CN107703960A (zh) * 2017-11-17 2018-02-16 江西天祥通用航空股份有限公司 农药喷洒直升机的地空跟踪监测装置
CN107728642A (zh) * 2017-10-30 2018-02-23 北京博鹰通航科技有限公司 一种无人机飞行控制系统及其方法
CN107933921A (zh) * 2017-10-30 2018-04-20 广州极飞科技有限公司 飞行器及其喷洒路线生成和执行方法、装置、控制终端
CN108509961A (zh) * 2017-02-27 2018-09-07 北京旷视科技有限公司 图像处理方法和装置
CN108596222A (zh) * 2018-04-11 2018-09-28 西安电子科技大学 基于反卷积神经网络的图像融合方法
CN108594850A (zh) * 2018-04-20 2018-09-28 广州极飞科技有限公司 基于无人机的航线规划及控制无人机作业的方法、装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107148633B (zh) * 2014-08-22 2020-12-01 克莱米特公司 用于使用无人机系统进行农艺和农业监测的方法
US10139279B2 (en) * 2015-05-12 2018-11-27 BioSensing Systems, LLC Apparatuses and methods for bio-sensing using unmanned aerial vehicles
US9618940B1 (en) * 2015-12-31 2017-04-11 Unmanned Innovation, Inc. Unmanned aerial vehicle rooftop inspection system
US10638744B2 (en) * 2016-06-30 2020-05-05 Optim Corporation Application and method for controlling moving vehicle
MX2019002644A (es) * 2016-09-08 2019-06-17 Walmart Apollo Llc Sistemas y metodos para dispensar un insecticida a traves de vehiculos no tripulados para defender un area que contiene cultivo contra plagas.
JP6798854B2 (ja) * 2016-10-25 2020-12-09 株式会社パスコ 目的物個数推定装置、目的物個数推定方法及びプログラム
US10721859B2 (en) * 2017-01-08 2020-07-28 Dolly Y. Wu PLLC Monitoring and control implement for crop improvement
JP6906959B2 (ja) * 2017-01-12 2021-07-21 東光鉄工株式会社 ドローンを使用した肥料散布方法
US10740607B2 (en) * 2017-08-18 2020-08-11 Autel Robotics Co., Ltd. Method for determining target through intelligent following of unmanned aerial vehicle, unmanned aerial vehicle and remote control
CN108154196B (zh) * 2018-01-19 2019-10-22 百度在线网络技术（北京）有限公司 用于输出图像的方法和装置
CN108629289B (zh) * 2018-04-11 2021-07-30 千寻位置网络有限公司 农田的识别方法及系统、应用于农业的无人机
CN108541683A (zh) * 2018-04-18 2018-09-18 济南浪潮高新科技投资发展有限公司 一种基于卷积神经网络芯片的无人机农药喷洒系统
US10660277B2 (en) * 2018-09-11 2020-05-26 Pollen Systems Corporation Vine growing management method and apparatus with autonomous vehicles
CN109445457B (zh) * 2018-10-18 2021-05-14 广州极飞科技股份有限公司 分布信息的确定方法、无人飞行器的控制方法及装置

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150105962A1 (en) * 2013-10-14 2015-04-16 Kinze Manufacturing, Inc. Autonomous systems, methods, and apparatus for ag based operations
US20170055433A1 (en) * 2014-06-11 2017-03-02 John Paul Jamison Systems and methods for forming graphical and/or textual elements on land for remote viewing
CN105159319A (zh) * 2015-09-29 2015-12-16 广州极飞电子科技有限公司 一种无人机的喷药方法及无人机
US20180046187A1 (en) * 2016-08-12 2018-02-15 Skydio, Inc. Unmanned aerial image capture platform
CN108509961A (zh) * 2017-02-27 2018-09-07 北京旷视科技有限公司 图像处理方法和装置
CN106882380A (zh) * 2017-03-03 2017-06-23 杭州杉林科技有限公司 空地一体农林用植保系统装置及使用方法
CN106951836A (zh) * 2017-03-05 2017-07-14 北京工业大学 基于先验阈值优化卷积神经网络的作物覆盖度提取方法
CN106910247A (zh) * 2017-03-20 2017-06-30 厦门幻世网络科技有限公司 用于生成三维头像模型的方法和装置
CN107274378A (zh) * 2017-07-25 2017-10-20 江西理工大学 一种融合记忆cnn的图像模糊类型识别及参数整定方法
CN107728642A (zh) * 2017-10-30 2018-02-23 北京博鹰通航科技有限公司 一种无人机飞行控制系统及其方法
CN107933921A (zh) * 2017-10-30 2018-04-20 广州极飞科技有限公司 飞行器及其喷洒路线生成和执行方法、装置、控制终端
CN107703960A (zh) * 2017-11-17 2018-02-16 江西天祥通用航空股份有限公司 农药喷洒直升机的地空跟踪监测装置
CN108596222A (zh) * 2018-04-11 2018-09-28 西安电子科技大学 基于反卷积神经网络的图像融合方法
CN108594850A (zh) * 2018-04-20 2018-09-28 广州极飞科技有限公司 基于无人机的航线规划及控制无人机作业的方法、装置

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020078396A1 (zh) * 2018-10-18 2020-04-23 广州极飞科技有限公司 分布信息的确定方法、无人飞行器的控制方法及装置
US10822085B2 (en) 2019-03-06 2020-11-03 Rantizo, Inc. Automated cartridge replacement system for unmanned aerial vehicle
CN112948371A (zh) * 2019-12-10 2021-06-11 广州极飞科技股份有限公司 数据处理方法、装置、存储介质、处理器
CN113011220A (zh) * 2019-12-19 2021-06-22 广州极飞科技股份有限公司 穗数识别方法、装置、存储介质及处理器
CN113011221A (zh) * 2019-12-19 2021-06-22 广州极飞科技股份有限公司 作物分布信息的获取方法、装置及测量系统
CN111459183A (zh) * 2020-04-10 2020-07-28 广州极飞科技有限公司 作业参数推荐方法、装置、无人设备及存储介质
CN112425328A (zh) * 2020-11-23 2021-03-02 广州极飞科技有限公司 多物料播撒控制方法、装置、终端设备、无人设备及介质
CN113973793A (zh) * 2021-09-09 2022-01-28 常州希米智能科技有限公司 一种病虫害区域无人机喷洒处理方法和系统
CN113973793B (zh) * 2021-09-09 2023-08-04 常州希米智能科技有限公司 一种病虫害区域无人机喷洒处理方法和系统

Also Published As

Publication number Publication date
CA3115564A1 (en) 2020-04-23
AU2019362430B2 (en) 2022-09-08
US20210357643A1 (en) 2021-11-18
JP2022502794A (ja) 2022-01-11
AU2019362430A1 (en) 2021-05-13
EP3859479A1 (en) 2021-08-04
WO2020078396A1 (zh) 2020-04-23
CN109445457B (zh) 2021-05-14
KR20210071062A (ko) 2021-06-15
EP3859479A4 (en) 2021-11-24

Similar Documents

Publication Publication Date Title
CN109445457A (zh) 分布信息的确定方法、无人飞行器的控制方法及装置
CN106407880B (zh) 使用图像处理的存量、生长和风险预测
Lourenço et al. Assessing the performance of different OBIA software approaches for mapping invasive alien plants along roads with remote sensing data
Castilla et al. Image objects and geographic objects
JP2022546998A (ja) 植物種の識別のためのシステムおよび方法
CN109241903A (zh) 样本数据清洗方法、装置、计算机设备及存储介质
Neal et al. Measuring shape
CN108615046A (zh) 一种储粮害虫检测识别方法及装置
CN108416307A (zh) 一种航拍图像路面裂缝检测方法、装置及设备
CN109271990A (zh) 一种针对rgb-d图像的语义分割方法及装置
CN107092870A (zh) 一种高分辨率影像语意信息提取方法及系统
CN104299006A (zh) 一种基于深度神经网络的车牌识别方法
Jagannathan et al. Deep learning for the prediction and classification of land use and land cover changes using deep convolutional neural network
Binaghi et al. A cognitive pyramid for contextual classification of remote sensing images
CN111626284A (zh) 一种手写字体去除的方法、装置、电子设备和存储介质
Batchelor et al. Interactive image processing for machine vision
Li et al. The outcome of the 2021 IEEE GRSS data fusion contest—Track MSD: Multitemporal semantic change detection
US20230053911A1 (en) Detecting an object in an image using multiband and multidirectional filtering
CN112464766A (zh) 一种农田地头自动识别方法及系统
de Gélis et al. Siamese KPConv: 3D multiple change detection from raw point clouds using deep learning
Mahbub et al. Detect bangladeshi mango leaf diseases using lightweight convolutional neural network
Xu et al. Extraction of cropland field parcels with high resolution remote sensing using multi-task learning
Olsen Improving the accuracy of weed species detection for robotic weed control in complex real-time environments
Pascual et al. Uncertainty gated network for land cover segmentation
CN117274674A (zh) 对靶施药方法、电子设备、存储介质及系统

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
CB02 Change of applicant information

Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province

Applicant after: Guangzhou Jifei Technology Co.,Ltd.

Address before: 510000, No. 1, Cheng Cheng Road, Gaotang Software Park, Guangzhou, Guangdong, Tianhe District, 3A01

Applicant before: Guangzhou Xaircraft Technology Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant