CN109792951A - 用于杂交水稻授粉的无人机航线校正系统及其校正方法 - Google Patents

用于杂交水稻授粉的无人机航线校正系统及其校正方法 Download PDF

Info

Publication number
CN109792951A
CN109792951A CN201910128949.2A CN201910128949A CN109792951A CN 109792951 A CN109792951 A CN 109792951A CN 201910128949 A CN201910128949 A CN 201910128949A CN 109792951 A CN109792951 A CN 109792951A
Authority
CN
China
Prior art keywords
unmanned plane
image
jetson
rice
wireless communication
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
CN201910128949.2A
Other languages
English (en)
Other versions
CN109792951B (zh
Inventor
邓继忠
袁梓文
朱圣
金鑫
刘其得
钟兆基
黄华盛
邓宇森
王小龙
蒋统统
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.)
South China Agricultural University
Original Assignee
South China Agricultural University
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 South China Agricultural University filed Critical South China Agricultural University
Priority to CN201910128949.2A priority Critical patent/CN109792951B/zh
Publication of CN109792951A publication Critical patent/CN109792951A/zh
Application granted granted Critical
Publication of CN109792951B publication Critical patent/CN109792951B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Breeding Of Plants And Reproduction By Means Of Culturing (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种用于杂交水稻授粉的无人机航线校正系统及其校正方法，系统包括无人机和地面控制站；无人机为多旋翼无人机，无人机上设置有基于Jetson TX2的嵌入式板、飞控模块、第一无线通讯模块、图像采集模块和卫星定位设备；飞控模块用于接收、解码并执行来自Jetson TX2的控制命令，控制无人机作业；地面控制站包括无人机地面控制站软件电脑板和第二无线通讯模块；Jetson TX2与地面控制站通过第一无线通讯模块和第二无线通讯模块进行无线通讯连接。本发明通过全卷积神经网络模型分割水稻父本行，计算偏航的角度，计算偏离水稻父本行中心直线的距离，实时调整无人机前进方向与位置，确保无人机沿水稻父本行上方稳定飞行，提高杂交水稻授粉作业效果。

Description

用于杂交水稻授粉的无人机航线校正系统及其校正方法
技术领域
本发明涉及无人机遥感技术的领域，尤其是指一种用于杂交水稻授粉的无人机航线校正系统及其校正方法。
背景技术
水稻不仅花期较短，正常水稻群体盛花期7～10天，花期每天只有1.5～2小时的开花时间，且花粉寿命很短只有4～5分钟，因此必须在有限时间内完成授粉作业。现在的授粉方式主要靠人工辅助授粉和机械式，人工使用绳索振动或竹竿振动、推压父本穗层使花粉向母本厢中散落，但是这些方法对易造成田间花粉分布不均匀，对花粉的利用率较低，授粉速度慢，费工多。机械式有飞手利用无人机旋翼下流气压进行气力式授粉，机械式授粉虽然改善授粉效果，但飞手受视线目距限制，无法精准控制航线高度和位置。
近年来，无人机遥感技术在大规模的农情分析应用上越来越广泛。随着无人机实现了全自主飞行，无人机搭载图像采集模块可以实时获取种植区域内水稻的图像信息，结合计算机图像处理深度学习技术—全卷积神经网络(Fully Convolutional Networks，FCN)对图像进行语义分割，分割出水稻父本与水稻母本的区域。无人机飞行中有效实时识别出水稻父本行位置，实现水稻父本行精准定位，实时纠正因外界环境风力的影响和全球定位系统(Global Positioning System，GPS)有米级以上误差而造成无人机偏航的问题，保持无人机沿父本上空自主飞行。利用无人机沿父本上空飞行由旋翼产生的大风力将花粉从父本柱头上吹散，随着风力均匀散落在母本柱头上，完成授粉。有利于实现杂交水稻父母本大行比相间种植，实现农业制种机械化和精准农业。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提出了一种用于杂交水稻授粉的无人机航线校正系统及其校正方法，由于辅助授粉的田块中的植株进行分行种植，且植株的父本行与母本行相互间隔，父本与母本种植行宽比一般为1：4～5，本系统通过图像分析技术来纠正飞行过程中受自然风力影响和航点定位不准确的问题，通过全卷积神经网络模型分割水稻父本行，计算偏航的角度，计算偏离水稻父本行中心直线的距离，实时调整无人机前进方向与位置，确保无人机沿水稻父本行上方稳定飞行，并利用旋翼产生的风力辅助杂交水稻授粉，从而提高杂交水稻授粉作业效果。
为实现上述目的，本发明所提供的技术方案如下：
用于杂交水稻授粉的无人机航线校正系统，包括无人机和地面控制站；所述无人机为多旋翼无人机，所述无人机上设置有基于Jetson TX2的嵌入式板、飞控模块、第一无线通讯模块、图像采集模块和卫星定位设备；所述飞控模块用于接收、解码并执行来自JetsonTX2的控制命令，控制无人机作业；所述地面控制站包括无人机地面控制站软件电脑板和第二无线通讯模块；所述Jetson TX2与地面控制站通过第一无线通讯模块和第二无线通讯模块进行无线通讯连接。
进一步，所述第一无线通讯模块和第二无线通讯模块均为全双工无线通讯模块E62-TTL-100。
进一步，所述卫星定位设备为GPS。
进一步，所述图像采集模块为运动相机COTUO CS70。
所述的用于杂交水稻授粉的无人机航线校正系统的校正方法，包括以下步骤：
S1、通过无人机对作业区域航拍采集大量样本图像，所述样本图像包含需检测的水稻父本和水稻母本区域；
S2、根据所采集的样本图像，使用全卷积神经网络训练出能够对目标图像中的水稻父本与水稻母本区域进行分割的模型，并将模型移植至Jetson TX2上；
S3、Jetson TX2将已训练好的模型通过parser方式输入到TensorRT中，TensorRT对模型的网络配置进行优化，并生成一个经优化的inference引擎；
S4、地面控制站根据无人机辅助授粉作业区域，标定每行父本的首尾航点，然后自动生成无人机飞行航线，再将所生成的航线信息通过第二无线通讯模块发送至无人机上的第一无线通讯模块；第一无线通讯模块将航线信息发送给Jetson TX2，Jetson TX2对接收到的航线信息进行解码，并制定飞行任务发送给飞控模块，此时无人机进入待飞状态；
S5、地面控制站通过第二无线通讯模块发送起飞指令，第一无线通讯模块接收到起飞指令后发送给Jetson TX2，Jetson TX2对接收到的起飞指令解码并发送给飞控模块，飞控模块接收指令后控制无人机起飞，按照预先规划好的航线飞行；
S6、在无人机按照预定航线飞行过程中，搭载在无人机上的图像采集模块每隔n秒采集一张图像一传给Jetson TX2，n为正数，所述图像一为含有水稻父本和水稻母本的遥感图像；图像一经过预处理后，包括图像滤波和图像校准，转化成一维数组输入到inference引擎，inference引擎对前向推理过程进行加速，输出图像二，所述图像二为水稻父本与水稻母本区域的分割图像；
S7、根据最小二乘法拟合出图像二的父本行的中心直线，计算父本行中心直线与图像二底线的倾斜角α，对倾斜角α设置阈值判断，所述阈值范围为-5°～5°；若α不在阈值范围内，则Jetson TX2将倾斜角α的纠正命令发送给飞控模块，飞控模块接收指令后控制无人机实时调整作业方向与中心直线平行；
S8、若在α阈值范围内，则计算无人机到该父本行中心直线的实际距离d，所述实际距离d为无人机在实时作业过程中偏离父本行的长度；Jetson TX2将该实际距离d的移动指令发送给飞控模块，飞控模块接收指令后控制无人机实时调整位置；
S9：重复步骤S6、S7、S8，保证无人机沿水稻父本上空精准飞行，直至无人机完成预先规划好的航线。
在步骤S3中，所述parser方式为模型解析器，输入一个模型能够解析出其中的网络层及网络层之间的连接关系，然后将其输入到TensorRT中；所述TensorRT是一种高性能神经网络推理引擎，用于在生产环境中部署深度学习应用程序，使用TensorRT对输入的模型进行优化，主要的优化操作包括有对不必要的网络层进行消除和融合相应的网络层，再生成一个经优化的inference引擎，从而提高模型推理的速度。
在步骤S8中，实际距离d＝地面像素分辨率×像素距离，在X-Y直角坐标系中，可知中心直线AB的点A像素坐标(xA,yA)和点B像素坐标(xB,yB)和无人机为点W在图像中的像素坐标为(xW,yW)，在X轴方向的像素距离为dx＝[(xW-xA)+(xW-xB)]/2，X轴方向地面分辨率Gx与图像拍摄高度H之间的关系为：Gx＝0.3892H-0.4503；y轴方向地面分辨率Gy与图像拍摄高度H之间的关系为：Gy＝0.5199H-0.6176；而调整无人机至父本行中心直线主要是X轴方向移动，则实际距离：
本发明与现有技术相比，具有如下优点与有益效果：
1、采用全卷积神经网络更精准地分割图像中的水稻父本行，对比传统目标检测算法，有效提高水稻父本行检测精度和速度。
2、应用Jetson TX2嵌入式开发板，GPU基于NVIDIA Pascal架构的256个CUDA，并行计算的数据处理能力可达到1.5TeraFLOPS。将Jetson TX2设置为MAXP(最高性能)模式，运行TensorRT加速的GoogLeNet、VGG16神经网络模型分别能达到每秒处理280张图片和每秒处理42张图片，对比传统的嵌入式芯片，如现场可编程门阵列(Field-Programmable GateArray，FPGA)、数字信号处理(Digital Signal Processing，DSP)，Jetson TX2拥有强大的图像处理能力，实时高效地适用于无人机二次开发。
3、结合外接摄像头和Jetson TX2实时分析采集到的图像，并回传结果生成控制指令给飞控模块，从而实现无人机杂交水稻授粉作业精准航线飞行，采取计算机视觉、嵌入式开发等多领域交叉学科，确保无人机稳定飞行，提高杂交水稻授粉作业效果。
附图说明
图1为本发明实施例所提供的用于杂交水稻授粉的无人机航线校正的系统结构原理框图。
图2为本发明实例所提供的无人机杂交水稻授粉作业时前进方向偏离水稻父本行的情况示意图。
图3为本发明实例所提供的无人机杂交水稻授粉作业时实际距离位置偏离水稻父本行的情况示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
参见图1所示，本实施例所提供的用于杂交水稻授粉的无人机航线校正系统，包括无人机和地面控制站；所述无人机为多旋翼无人机，所述无人机上设置有基于Jetson TX2的嵌入式板、飞控模块、第一无线通讯模块、图像采集模块和卫星定位设备；所述飞控模块用于接收、解码并执行来自Jetson TX2的控制命令，控制无人机作业；所述第一无线通讯模块为全双工无线通讯模块E62-TTL-100；所述图像采集模块为运动相机COTUO CS70；所述卫星定位设备为GPS；所述地面控制站包括无人机地面控制站软件电脑板和第二无线通讯模块；所述第二无线通讯模块为全双工无线通讯模块E62-TTL-100；所述Jetson TX2与地面控制站通过第一无线通讯模块和第二无线通讯模块进行无线通讯连接。
本实施例上述的用于杂交水稻授粉的无人机航线校正系统的校正方法，包括以下步骤：
S1、通过无人机对作业区域航拍采集大量样本图像，所述样本图像包含本方法需检测的水稻父本和水稻母本区域。
S2、根据所采集的样本图像，使用全卷积神经网络训练出可对目标图像中的水稻父本与水稻母本区域进行分割的模型，并将模型移植至Jetson TX2上；
需要说明的是，使用采集到的样本数据集对模型进行训练，模型通过有效监督学习后，可以对目标区域的水稻父本和水稻母本区域进行分割。
S3、Jetson TX2将已训练好的模型通过parser等方式输入到TensorRT中，TensorRT对模型的网络配置进行优化，并生成一个经优化的inference引擎；
需要说明的是，所述parser方式为模型解析器，输入一个模型可以解析出其中的网络层及网络层之间的连接关系，然后将其输入到TensorRT中；所述TensorRT是英伟达公司提供的一种高性能神经网络推理引擎，用于在生产环境中部署深度学习应用程序，在该步骤中，使用TensorRT对输入的模型进行优化，主要的优化操作包括有对不必要的网络层进行消除和融合相应的网络层，再生成一个经优化的inference引擎，可以提高模型推理的速度。
S4、地面控制站根据无人机辅助授粉作业区域，标定每行父本的首尾航点，然后自动生成无人机飞行航线，再将所生成的航线信息通过第二无线通讯模块发送至无人机上的第一无线通讯模块；第一无线通讯模块将航线信息发送给Jetson TX2，Jetson TX2对接收到的航线信息进行解码，并制定飞行任务发送给飞控模块，此时无人机进入待飞状态。
S5、地面控制站通过第二无线通讯模块发送起飞指令，第一无线通讯模块接收到起飞指令后发送给Jetson TX2，Jetson TX2对接收到的起飞指令解码并发送给飞控模块，飞控模块接收指令后控制无人机起飞，按照预先规划好的航线飞行；
需要说明的是，该辅助授粉作业区域的实景地图是用谷歌地图(Google Map)离线开发包调用地图瓦片显示作业区域，然后使用Qt Creator开发平台和JAVASCRIPT实现地图定位、地图标记等操作。
S6、在无人机按照预定航线飞行过程中，搭载在无人机上的图像采集模块每隔3秒采集一张图像一传给Jetson TX2，所述图像一为含有水稻父本和水稻母本的遥感图像；图像一经过预处理后，包括图像滤波、图像校准等，转化成一维数组输入到inference引擎，inference引擎对前向推理过程进行加速，输出图像二，所述图像二为水稻父本与水稻母本区域的分割图像。
S7、根据最小二乘法拟合出图像二的父本行的中心直线，计算父本行中心直线与图像二底线的倾斜角α，对倾斜角α设置阈值判断，所述阈值范围为-5°～5°；若α不在阈值范围内，则Jetson TX2将倾斜角α的纠正命令发送给飞控模块，飞控模块接收指令后控制无人机实时调整作业方向与中心直线平行；
需要说明的是，采用最小二乘法计算中心线的原理为：从图像二中得知分割后父本区域的边界坐标点(x1,y1),(x2,y2),(x3,y3)....(xn,yn)，将这些数据描绘在X-Y直角坐标系中时，可令这条直线的方程如下：Y＝aX+b，其中a、b是待定常数，根据最小二乘法原理，可得直线方程的待定系数a和b的计算公式：
倾斜角α具体可参照图2，11为父本区域，12为母本区域，W为无人机位置，从图中可知中心直线AB的点A像素坐标(xA,yA)和点B像素坐标(xB,yB)，α可由三角函数求得。
S8、对倾斜角α设置阈值判断，若在阈值范围内，则计算无人机到该父本行中心直线的实际距离d，所述实际距离d为无人机在实时作业过程中偏离父本行的长度；JetsonTX2将该实际距离d的移动指令发送给飞控模块，飞控模块接收指令后控制无人机实时调整位置；
需要说明的是，实际距离＝地面像素分辨率×像素距离，具体可参照图3，在X-Y直角坐标系中，可知中心直线AB的点A像素坐标(xA,yA)和点B像素坐标(xB,yB)和无人机为点W在图像中的像素坐标为(xW,yW)，在X轴方向的像素距离为dx＝[(xW-xA)+(xW-xB)]/2，而有X轴方向地面分辨率Gx(单位mm/pixel)与图像拍摄高度H(单位m)之间的关系为Gx＝0.3892H-0.4503；y轴方向地面分辨率Gy(单位mm/pixel)与图像拍摄高度H(单位m)之间的关系为：Gy＝0.5199H-0.6176。而调整无人机至父本行中心直线主要是X方向移动，则实际距离：
S9：重复步骤S6、S7、S8，保证无人机沿水稻父本上空精准飞行，直至无人机完成预先规划好的航线。
以上所述实施例只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (7)

1.用于杂交水稻授粉的无人机航线校正系统，其特征在于，包括无人机和地面控制站；所述无人机为多旋翼无人机，所述无人机上设置有基于Jetson TX2的嵌入式板、飞控模块、第一无线通讯模块、图像采集模块和卫星定位设备；所述飞控模块用于接收、解码并执行来自Jetson TX2的控制命令，控制无人机作业；所述地面控制站包括无人机地面控制站软件电脑板和第二无线通讯模块；所述Jetson TX2与地面控制站通过第一无线通讯模块和第二无线通讯模块进行无线通讯连接。
2.根据权利要求1所述的用于杂交水稻授粉的无人机航线校正系统，其特征在于：所述第一无线通讯模块和第二无线通讯模块均为全双工无线通讯模块E62-TTL-100。
3.根据权利要求1所述的用于杂交水稻授粉的无人机航线校正系统，其特征在于：所述卫星定位设备为GPS。
4.根据权利要求1所述的用于杂交水稻授粉的无人机航线校正系统，其特征在于：所述图像采集模块为运动相机COTUO CS70。
5.权利要求1至4任何一项所述的用于杂交水稻授粉的无人机航线校正系统的校正方法，其特征在于，包括以下步骤：
S1、通过无人机对作业区域航拍采集大量样本图像，所述样本图像包含需检测的水稻父本和水稻母本区域；
S2、根据所采集的样本图像，使用全卷积神经网络训练出能够对目标图像中的水稻父本与水稻母本区域进行分割的模型，并将模型移植至Jetson TX2上；
S3、Jetson TX2将已训练好的模型通过parser方式输入到TensorRT中，TensorRT对模型的网络配置进行优化，并生成一个经优化的inference引擎；
S4、地面控制站根据无人机辅助授粉作业区域，标定每行父本的首尾航点，然后自动生成无人机飞行航线，再将所生成的航线信息通过第二无线通讯模块发送至无人机上的第一无线通讯模块；第一无线通讯模块将航线信息发送给Jetson TX2，Jetson TX2对接收到的航线信息进行解码，并制定飞行任务发送给飞控模块，此时无人机进入待飞状态；
S5、地面控制站通过第二无线通讯模块发送起飞指令，第一无线通讯模块接收到起飞指令后发送给Jetson TX2，Jetson TX2对接收到的起飞指令解码并发送给飞控模块，飞控模块接收指令后控制无人机起飞，按照预先规划好的航线飞行；
S6、在无人机按照预定航线飞行过程中，搭载在无人机上的图像采集模块每隔n秒采集一张图像一传给Jetson TX2，n为正数，所述图像一为含有水稻父本和水稻母本的遥感图像；图像一经过预处理后，包括图像滤波和图像校准，转化成一维数组输入到inference引擎，inference引擎对前向推理过程进行加速，输出图像二，所述图像二为水稻父本与水稻母本区域的分割图像；
S7、根据最小二乘法拟合出图像二的父本行的中心直线，计算父本行中心直线与图像二底线的倾斜角α，对倾斜角α设置阈值判断，所述阈值范围为-5°～5°；若α不在阈值范围内，则Jetson TX2将倾斜角α的纠正命令发送给飞控模块，飞控模块接收指令后控制无人机实时调整作业方向与中心直线平行；
S8、若在α阈值范围内，则计算无人机到该父本行中心直线的实际距离d，所述实际距离d为无人机在实时作业过程中偏离父本行的长度；Jetson TX2将该实际距离d的移动指令发送给飞控模块，飞控模块接收指令后控制无人机实时调整位置；
S9：重复步骤S6、S7、S8，保证无人机沿水稻父本上空精准飞行，直至无人机完成预先规划好的航线。
6.根据权利要求5所述的用于杂交水稻授粉的无人机航线校正系统的校正方法，其特征在于：在步骤S3中，所述parser方式为模型解析器，输入一个模型能够解析出其中的网络层及网络层之间的连接关系，然后将其输入到TensorRT中；所述TensorRT是一种高性能神经网络推理引擎，用于在生产环境中部署深度学习应用程序，使用TensorRT对输入的模型进行优化，主要的优化操作包括有对不必要的网络层进行消除和融合相应的网络层，再生成一个经优化的inference引擎，从而提高模型推理的速度。
7.根据权利要求5所述的用于杂交水稻授粉的无人机航线校正系统的校正方法，其特征在于：在步骤S8中，实际距离d＝地面像素分辨率×像素距离，在X-Y直角坐标系中，可知中心直线AB的点A像素坐标(xA,yA)和点B像素坐标(xB,yB)和无人机为点W在图像中的像素坐标为(xW,yW)，在X轴方向的像素距离为dx＝[(xW-xA)+(xW-xB)]/2，X轴方向地面分辨率Gx与图像拍摄高度H之间的关系为：Gx＝0.3892H-0.4503；y轴方向地面分辨率Gy与图像拍摄高度H之间的关系为：Gy＝0.5199H-0.6176；而调整无人机至父本行中心直线主要是X轴方向移动，则实际距离：
CN201910128949.2A 2019-02-21 2019-02-21 用于杂交水稻授粉的无人机航线校正系统及其校正方法 Active CN109792951B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910128949.2A CN109792951B (zh) 2019-02-21 2019-02-21 用于杂交水稻授粉的无人机航线校正系统及其校正方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910128949.2A CN109792951B (zh) 2019-02-21 2019-02-21 用于杂交水稻授粉的无人机航线校正系统及其校正方法

Publications (2)

Publication Number Publication Date
CN109792951A true CN109792951A (zh) 2019-05-24
CN109792951B CN109792951B (zh) 2020-07-31

Family

ID=66561130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910128949.2A Active CN109792951B (zh) 2019-02-21 2019-02-21 用于杂交水稻授粉的无人机航线校正系统及其校正方法

Country Status (1)

Country Link
CN (1) CN109792951B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110419443A (zh) * 2019-09-04 2019-11-08 湖南隆平种业有限公司 一种无人机辅助制种授粉作业方法及系统
CN110796242A (zh) * 2019-11-01 2020-02-14 广东三维家信息科技有限公司 神经网络模型推理方法、装置、电子设备及可读介质
CN110968023A (zh) * 2019-10-14 2020-04-07 北京航空航天大学 一种基于plc与工业相机的无人机视觉引导系统及方法
WO2020251477A1 (en) * 2019-06-14 2020-12-17 National University Of Singapore Automated system for crop pollination
CN112433537A (zh) * 2020-11-11 2021-03-02 广西电网有限责任公司电力科学研究院 一种输电线路铁塔组立施工的可视化监督方法及系统
CN113271391A (zh) * 2021-05-13 2021-08-17 中国科学院长春光学精密机械与物理研究所 一种监控显示系统和方法
CN113320691A (zh) * 2021-05-06 2021-08-31 华南农业大学 一种续航时间可延展的多用途授粉无人机及其作业方法
CN114431140A (zh) * 2022-03-09 2022-05-06 张家口市农业科学院(河北省高寒作物研究所) 一种杂交谷子无人机辅助授粉技术
CN117158311A (zh) * 2023-09-27 2023-12-05 四川农业大学 一种自动识别父本和s型路线飞行的大型无人机杂交水稻授粉系统

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597912A (zh) * 2014-12-12 2015-05-06 南京航空航天大学 一种六旋翼无人直升机跟踪飞行控制系统及方法
CN105549619A (zh) * 2016-02-03 2016-05-04 苏州大势智慧信息科技有限公司 一种用于无人机续航能力的多起降点航线规划方法
CN107368108A (zh) * 2017-07-24 2017-11-21 中国科学院测量与地球物理研究所 田沟塘一体化联合调控稻田面源污染的方法
CN107450577A (zh) * 2017-07-25 2017-12-08 天津大学 基于多传感器的无人机智能感知系统和方法
CN107680090A (zh) * 2017-10-11 2018-02-09 电子科技大学 基于改进全卷积神经网络的输电线路绝缘子状态识别方法
CN107909600A (zh) * 2017-11-04 2018-04-13 南京奇蛙智能科技有限公司 一种基于视觉的无人机实时运动目标分类与检测方法
CN107943068A (zh) * 2017-10-24 2018-04-20 浙江大学 一种借助双鱼眼的无人机视觉自体感知集群系统及其控制方法
CN108052111A (zh) * 2017-10-24 2018-05-18 南京奇蛙智能科技有限公司 一种基于双目视觉技术的无人机实时避障方法
US20180158197A1 (en) * 2016-12-01 2018-06-07 Skydio, Inc. Object tracking by an unmanned aerial vehicle using visual sensors
CN108227689A (zh) * 2016-12-14 2018-06-29 哈尔滨派腾农业科技有限公司 一种农业移动机器人自主导航的设计方法
CN108449572A (zh) * 2018-02-05 2018-08-24 华南农业大学 一种基于嵌入式的无人机遥感图像采集方法
CN207835662U (zh) * 2018-02-05 2018-09-07 华南农业大学 一种基于嵌入式的无人机遥感图像采集系统
CN108510504A (zh) * 2018-03-22 2018-09-07 北京航空航天大学 图像分割方法和装置
CN108881825A (zh) * 2018-06-14 2018-11-23 华南农业大学 基于Jetson TK1的水稻杂草无人机监控系统及其监控方法
CN109087312A (zh) * 2018-07-25 2018-12-25 深圳高科新农技术有限公司 一种无人机航线自动规划方法和系统
CN109188933A (zh) * 2018-09-21 2019-01-11 北京大翔航空科技有限公司 一种集群无人机分布式硬件在回路仿真系统
CN208387517U (zh) * 2018-07-02 2019-01-18 周口师范学院 一种小麦授粉培育箱
CN109283937A (zh) * 2018-09-18 2019-01-29 广东省智能制造研究所 一种基于无人机的植保喷施作业的方法及系统
CN109345804A (zh) * 2018-10-11 2019-02-15 天津大学 一种基于移动网络的无人机控制信令和数据传输方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104597912A (zh) * 2014-12-12 2015-05-06 南京航空航天大学 一种六旋翼无人直升机跟踪飞行控制系统及方法
CN105549619A (zh) * 2016-02-03 2016-05-04 苏州大势智慧信息科技有限公司 一种用于无人机续航能力的多起降点航线规划方法
US20180158197A1 (en) * 2016-12-01 2018-06-07 Skydio, Inc. Object tracking by an unmanned aerial vehicle using visual sensors
CN108227689A (zh) * 2016-12-14 2018-06-29 哈尔滨派腾农业科技有限公司 一种农业移动机器人自主导航的设计方法
CN107368108A (zh) * 2017-07-24 2017-11-21 中国科学院测量与地球物理研究所 田沟塘一体化联合调控稻田面源污染的方法
CN107450577A (zh) * 2017-07-25 2017-12-08 天津大学 基于多传感器的无人机智能感知系统和方法
CN107680090A (zh) * 2017-10-11 2018-02-09 电子科技大学 基于改进全卷积神经网络的输电线路绝缘子状态识别方法
CN108052111A (zh) * 2017-10-24 2018-05-18 南京奇蛙智能科技有限公司 一种基于双目视觉技术的无人机实时避障方法
CN107943068A (zh) * 2017-10-24 2018-04-20 浙江大学 一种借助双鱼眼的无人机视觉自体感知集群系统及其控制方法
CN107909600A (zh) * 2017-11-04 2018-04-13 南京奇蛙智能科技有限公司 一种基于视觉的无人机实时运动目标分类与检测方法
CN108449572A (zh) * 2018-02-05 2018-08-24 华南农业大学 一种基于嵌入式的无人机遥感图像采集方法
CN207835662U (zh) * 2018-02-05 2018-09-07 华南农业大学 一种基于嵌入式的无人机遥感图像采集系统
CN108510504A (zh) * 2018-03-22 2018-09-07 北京航空航天大学 图像分割方法和装置
CN108881825A (zh) * 2018-06-14 2018-11-23 华南农业大学 基于Jetson TK1的水稻杂草无人机监控系统及其监控方法
CN208387517U (zh) * 2018-07-02 2019-01-18 周口师范学院 一种小麦授粉培育箱
CN109087312A (zh) * 2018-07-25 2018-12-25 深圳高科新农技术有限公司 一种无人机航线自动规划方法和系统
CN109283937A (zh) * 2018-09-18 2019-01-29 广东省智能制造研究所 一种基于无人机的植保喷施作业的方法及系统
CN109188933A (zh) * 2018-09-21 2019-01-11 北京大翔航空科技有限公司 一种集群无人机分布式硬件在回路仿真系统
CN109345804A (zh) * 2018-10-11 2019-02-15 天津大学 一种基于移动网络的无人机控制信令和数据传输方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
AQING YANG 等: "High-accuracy image segmentation for lactating sows using a fully convolutional network", 《SCIENCEDIRECT》 *
QI YANG 等: "Deep convolutional neural networks for rice grain yield estimation at the ripening stage using UAV-based remotely sensed images", 《FIELD CROPS RESEARCH》 *
刘哲 等: "作物遥感精细识别与自动制图研究进展与展望", 《农业机械学报》 *
陈思锐 等: "基于卷积神经网络的无人机循迹方法", 《长春理工大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020251477A1 (en) * 2019-06-14 2020-12-17 National University Of Singapore Automated system for crop pollination
CN110419443A (zh) * 2019-09-04 2019-11-08 湖南隆平种业有限公司 一种无人机辅助制种授粉作业方法及系统
CN110968023A (zh) * 2019-10-14 2020-04-07 北京航空航天大学 一种基于plc与工业相机的无人机视觉引导系统及方法
CN110796242A (zh) * 2019-11-01 2020-02-14 广东三维家信息科技有限公司 神经网络模型推理方法、装置、电子设备及可读介质
CN112433537A (zh) * 2020-11-11 2021-03-02 广西电网有限责任公司电力科学研究院 一种输电线路铁塔组立施工的可视化监督方法及系统
CN112433537B (zh) * 2020-11-11 2022-09-16 广西电网有限责任公司电力科学研究院 一种输电线路铁塔组立施工的可视化监督方法及系统
CN113320691A (zh) * 2021-05-06 2021-08-31 华南农业大学 一种续航时间可延展的多用途授粉无人机及其作业方法
CN113271391A (zh) * 2021-05-13 2021-08-17 中国科学院长春光学精密机械与物理研究所 一种监控显示系统和方法
CN114431140A (zh) * 2022-03-09 2022-05-06 张家口市农业科学院(河北省高寒作物研究所) 一种杂交谷子无人机辅助授粉技术
CN117158311A (zh) * 2023-09-27 2023-12-05 四川农业大学 一种自动识别父本和s型路线飞行的大型无人机杂交水稻授粉系统

Also Published As

Publication number Publication date
CN109792951B (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN109792951A (zh) 用于杂交水稻授粉的无人机航线校正系统及其校正方法
Luo et al. A survey of intelligent transmission line inspection based on unmanned aerial vehicle
CN103941750B (zh) 基于小型四旋翼无人机的构图装置及方法
CN104015931B (zh) 一种无人机自动加油盲区视觉定位测控方法、系统及实验平台
US20200393593A1 (en) Integrated system for geological and geophysical survey based on unmanned aerial vehicle
CN113885580A (zh) 基于无人机实现自动化巡检风机的路径规划方法及系统
CN112904877A (zh) 一种基于无人机的风机叶片自动巡检系统及方法
CN105094138A (zh) 一种用于旋翼无人机的低空自主导航系统
CN105739512A (zh) 无人机自动巡检系统及方法
CN110097620A (zh) 基于图像和三维激光的高精度地图创建系统
CN109002055A (zh) 一种基于无人机的高精度自动巡检方法及系统
CN109002048B (zh) 多旋翼无人机规模化集中式光伏电站图像数据采集方法
CN109739254A (zh) 一种电力巡检中采用视觉图像定位的无人机及其定位方法
CN113342041A (zh) 一种无人机实现自动化巡检风叶发电设备的方法及系统
CN103294064A (zh) 一种自动驾驶飞行控制系统
CN108901366B (zh) 一种天地一体化柑橘采摘方法
CN109815300A (zh) 一种车辆定位方法
CN112859905A (zh) 架空电力线路无人机巡检航线生成方法、装置及无人机
CN106774374B (zh) 一种无人机自动巡检方法及系统
CN105446351A (zh) 一种能够锁定目标区域瞭望基于自主导航的无人飞艇系统
CN106292126A (zh) 一种智能航测飞行曝光控制方法、无人机控制方法及终端
CN109948484A (zh) 基于无人机影像dsm提取植物高度的系统及方法
CN104061904A (zh) 一种快速精确确定林窗形状和面积的方法
CN109883398A (zh) 基于无人机倾斜摄影的植株绿量提取的系统及方法
CN116048082A (zh) 一种基于无人机识别的名优茶自动采摘控制系统及方法

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
GR01 Patent grant
GR01 Patent grant