CN111028096A - 一种天、空、地一体化数据融合的系统和方法 - Google Patents
一种天、空、地一体化数据融合的系统和方法 Download PDFInfo
- Publication number
- CN111028096A CN111028096A CN201911340103.1A CN201911340103A CN111028096A CN 111028096 A CN111028096 A CN 111028096A CN 201911340103 A CN201911340103 A CN 201911340103A CN 111028096 A CN111028096 A CN 111028096A
- Authority
- CN
- China
- Prior art keywords
- data
- crop
- aerial vehicle
- unmanned aerial
- space
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 184
- 239000002689 soil Substances 0.000 claims abstract description 106
- 238000005516 engineering process Methods 0.000 claims abstract description 40
- 230000004927 fusion Effects 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 70
- 235000015097 nutrients Nutrition 0.000 claims description 49
- 201000010099 disease Diseases 0.000 claims description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 25
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 24
- 241000607479 Yersinia pestis Species 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 24
- 229910001385 heavy metal Inorganic materials 0.000 claims description 24
- 241000238631 Hexapoda Species 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 230000008901 benefit Effects 0.000 claims description 14
- 238000000701 chemical imaging Methods 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010191 image analysis Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003331 infrared imaging Methods 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 12
- 230000003595 spectral effect Effects 0.000 description 7
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 239000002028 Biomass Substances 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 230000002349 favourable effect Effects 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 238000002310 reflectometry Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229910052757 nitrogen Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 2
- 235000019804 chlorophyll Nutrition 0.000 description 2
- 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 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000000049 pigment Substances 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 208000021959 Abnormal metabolism Diseases 0.000 description 1
- 208000005156 Dehydration Diseases 0.000 description 1
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- ZLMJMSJWJFRBEC-UHFFFAOYSA-N Potassium Chemical compound [K] ZLMJMSJWJFRBEC-UHFFFAOYSA-N 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 235000021466 carotenoid Nutrition 0.000 description 1
- 150000001747 carotenoids Chemical class 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 244000038559 crop plants Species 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000006371 metabolic abnormality Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 229910052700 potassium Inorganic materials 0.000 description 1
- 239000011591 potassium Substances 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000004148 unit process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Agronomy & Crop Science (AREA)
- Human Resources & Organizations (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Quality & Reliability (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种天、空、地一体化数据融合的系统和方法,所述系统包括:天基模块、空基模块、地基模块和融合模块,其中:天基模块基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据;空基模块基于空基感知技术,对农作物进行监测,获得第二监测数据;地基模块在地面对农作物进行监测,获得第三监测数据;融合模块用于基于物联网技术,基于同一经纬度信息,按照不同时序对第一监测数据、第二监测数据和第三监测数据进行数据融合,得到天、空、地一体化数据。根据本发明的系统,能够在大尺度数据和小尺度数据之间实现平衡,同时在高分辨率和低分辨率之间实现平衡,有利于快速且准确地分析农作物状况和农作物土壤状况。
Description
技术领域
本发明涉及农业数据处理技术领域,特别涉及一种天、空、地一体化数据融合的系统。
背景技术
农业生产活动是国家社会经济的基础。粮食产量是关系国计民生的重要问题,关系到国家制定的相关社会和经济发展目标与规划,如何确保国家粮食安全,从国家层次对宏观种植情况进行指导和调整等均与粮食产量有重要关系。
传统的农作物类型及种植面积信息获取以统计上报和抽样调查为主,表征农作物状况和农作物土壤状况等特征,但对统计数据过度依赖,存在主观性强、误差大和费力耗时且缺乏空间分布等问题。
发明内容
本发明提供一种天、空、地一体化数据融合的系统和方法,用以实现一体化数据融合。
本发明提供一种天、空、地一体化数据融合的系统,包括:
天基模块、空基模块、地基模块和融合模块,其中:
所述天基模块用于基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据;
所述空基模块用于基于空基感知技术,对所述农作物进行监测,获得第二监测数据;
所述地基模块用于在地面对所述农作物进行监测,获得第三监测数据;
所述融合模块用于基于物联网技术,基于同一经纬度信息,按照不同时序对所述天基模块获得的所述第一监测数据、所述空基模块获得的所述第二监测数据和所述地基模块获得的所述第三监测数据进行数据融合,得到天、空、地一体化数据。
进一步地,所述天基模块基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据执行以下步骤:
步骤S101:通过卫星遥感影像智能化处理平台,自动获取遥感影像;
步骤S102:通过卫星遥感影像智能化处理平台,对获取的所述遥感影像进行自动处理和自动分析,以对农作物土壤养分进行分析,得到第一农作物土壤养分数据、对农作物土壤重金属进行分析,得到第一农作物土壤重金属数据、对农作物长势进行检测,得到第一农作物长势数据、对农作物病虫害进行监测,得到第一农作物病虫害数据,对农作物产量进行估算,得到第一农作物产量估算数据、对农作物养分进行诊断,得到第一农作物养分数据。
进一步地,所述天基模块包括:
获取单元,用于自动获取所述遥感影像以及所述遥感影像所对应的有理多项式系数RPC参数信息;
处理单元,用于对所述遥感影像进行Wallis滤波处理,并利用图形处理器GPU以及所述RPC参数信息,对滤波处理后的所述遥感影像利用投影轨迹法进行核线校正,得到校正图像;
提取单元,用于从所述校正图像中提取农作物图像和农作物土壤图像;
分析单元,用于采用深度学习网络模型,对所述农作物图像和所述农作物土壤图像进行分析,得到所述第一农作物土壤养分数据、所述第一农作物土壤重金属数据、所述第一农作物长势数据、所述第一农作物病虫害数据,所述第一农作物产量估算数据、所述第一农作物养分数据。
进一步地,所述空基模块基于空基感知技术,对所述农作物进行监测,获得第二监测数据执行以下步骤:
步骤S201:通过空基感知设备搭载传感器,自动获取土壤图像以及农作物图像,所述空基感知设备包括无人机;
步骤S202:对获取的所述土壤图像以及农作物图像自动化地进行智能化图像分析,以对农作物土壤养分进行分析,得到第二农作物土壤养分数据、对农作物土壤重金属进行分析,得到第二农作物土壤重金属数据、对农作物长势进行检测,得到第二农作物长势数据、对农作物病虫害进行监测,得到第二农作物病虫害数据,对农作物产量进行估算,得到第二农作物产量估算数据、对农作物养分进行诊断,得到第二农作物养分数据。
进一步地,所述空基模块包括:无人机遥感平台,所述无人机遥感平台包括无人机主体、动力引擎设备、飞行操控系统、定位/定姿系统、传感器、云台、传感器遥控模块、无人机影像分析处理系统,其中,
所述动力引擎设备用于为所述无人机主体提供动力引擎;
所述飞行操控系统用于为所述无人机主体设置飞行参数,并规划航线;
所述定位/定姿系统用于确定所述无人机主体的位置信息及姿势信息;
所述传感器用于在不与农作物直接接触的情况下,低空获取农作物生育期冠层反射的电磁波信息而提取与长势相关的农作物指标参数,并且低空获取农作物土壤层反射的电磁波信息而提取与土壤相关的土壤指标参数;
所述云台用于搭载所述传感器的支持设备;
所述传感器遥控模块用于对所述传感器的行进方向和行进速度进行控制;
所述无人机影像分析处理系统用于对所述农作物指标参数进行分析处理,以得到所述第二农作物长势数据、所述第二农作物病虫害数据、所述第二农作物产量估算数据以及第二农作物养分数据,并对所述土壤指标参数进行分析处理,以得到所述第二农作物土壤养分数据以及所述第二农作物土壤重金属数据,所述分析处理包括对所述农作物指标参数或所述土壤指标参数的影像进行辐射定标、影像拼接、正射校正、几何校正、数据分析计算。
进一步地,所述传感器包括:可见光成像传感器、多光谱成像传感器、高光谱成像传感器、热红外成像传感器或激光雷达传感器中的一种或多种,其中:
所述可见光成像传感器用于获取RGB可见光影像以及无近红外波段的数据;
所述多光谱成像传感器用于获取可见光至近红外波段的数据;
所述高光谱成像传感器用于获取紫外至中红外波段的数据;
所述热红外成像传感器用于接收农作物的红外热辐射信息,将热辐射能以影像的不同颜色栅格来显示不同温度;
所述激光雷达传感器用于通过主动探测目标的散射光特性来获取相关信息。
进一步地,所述地基模块在地面对所述农作物进行监测,获得第三监测数据执行以下步骤:
步骤S301:在地面采用人工抽样方法实地获取土壤数据以及农作物数据;
步骤S302:对获取的所述土壤数据以及农作物数据自动化地进行统计分析,以对农作物土壤养分进行分析,得到第三农作物土壤养分数据、对农作物土壤重金属进行分析,得到第三农作物土壤重金属数据、对农作物长势进行检测,得到第三农作物长势数据、对农作物病虫害进行监测,得到第三农作物病虫害数据,对农作物产量进行估算,得到第三农作物产量估算数据、对农作物养分进行诊断,得到第三农作物养分数据。
进一步地,所述融合模块基于物联网技术,基于同一经纬度信息,按照不同时序对所述天基模块获得的所述第一监测数据、所述空基模块获得的所述第二监测数据和所述地基模块获得的所述第三监测数据进行数据融合,得到天、空、地一体化数据,执行以下步骤:
每隔预设时间,基于同一经纬度信息获取所述第一监测数据、所述第二监测数据和所述第三监测数据;
对当前时刻获得的所述第一监测数据、所述第二监测数据和所述第三监测数据进行特征提取,所述特征提取是指对当前时刻的所有监测数据进行时间校准和空间坐标变换,以形成融合计算所需的统一时间参考点和空间参考点;
对所述天基模块获得的所述第一监测数据进行低分辨率全色波段进行G-S影像变换,得到格拉姆-施密特G-S变换图像,并计算所述G-S变换图像的第一主分量的均值和标准差,对所述空基模块获得的所述第二监测数据进行主成分分析,获得空基影像第一主成分,计算所述空基影像第一主成分的均值和标准差;对所述地基模块获得的所述第三监测数据进行计算,以获得所述第三监测数据的均值和标准差;
根据所述G-S变换图像的第一主分量的均值和标准差、所述空基影像第一主成分的均值和标准差、第三监测数据的均值和标准差,进行直方图匹配,以对所述第一监测数据、所述第二监测数据以及所述第三监测数据进行优势互补,得到互补数据,并通过构建一元线性回归方程对所述互补数据进行有效性验证,得到有效数据,对所述有效数据进行基于时间序列的滤波处理,以得到所述天、空、地一体化数据。
本发明实施例提供的一种天、空、地一体化数据融合的系统,具有以下有益效果:利用融合模块基于物联网技术,基于同一经纬度信息,按照不同时序对第一监测数据、第二监测数据和第三监测数据进行数据融合,得到天、空、地一体化数据,能够在天基模块、空基模块和地基模块之间取长补短,在大尺度数据和小尺度数据之间实现平衡,同时在高分辨率和低分辨率之间实现平衡,有利于快速且准确地分析农作物状况和农作物土壤状况,进而有利于提高农作物产量。
本发明还提供一种天、空、地一体化数据融合的方法,其特征在于,包括:所述方法执行以下步骤:
步骤1:基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据;
步骤2:基于空基感知技术,对所述农作物进行监测,获得第二监测数据;
步骤3:在地面对所述农作物进行监测,获得第三监测数据;
步骤4:基于物联网技术,基于同一经纬度信息,按照不同时序对所述第一监测数据、所述第二监测数据和所述第三监测数据进行数据融合,得到天、空、地一体化数据。
本发明实施例提供的一种天、空、地一体化数据融合的方法,具有以下有益效果:基于物联网技术,基于同一经纬度信息,按照不同时序对第一监测数据、第二监测数据和第三监测数据进行数据融合,得到天、空、地一体化数据,能够在天基模块、空基模块和地基模块之间取长补短,在大尺度数据和小尺度数据之间实现平衡,同时在高分辨率和低分辨率之间实现平衡,有利于快速且准确地分析农作物状况和农作物土壤状况,进而有利于提高农作物产量。
进一步,如权利要求1所述一种天、空、地一体化数据融合的系统和方法,其特征在于:
所述空基模块用于基于空基感知技术,对所述农作物进行监测,获得第二监测数据;还包括根据无人机遥感平台采集无人机主体传感器信号并对信号进行非线性处理,以获取所述无人机主体位置信息,并根据所述无人机主体位置信息进行最小化能量函数迭代处理,以获取最优航向方位角,并根据所述无人机主体位置信息、最优航向方位角与飞行操控系统设定用于为所述无人机主体设置的飞行参数所对应空间位置匹配,以执行获取所述农作物第二监测数据的操作;其具体步骤包括:
步骤A1、根据所述一种天、空、地一体化数据融合的系统和方法,通过所述无人机遥感平台采集所述无人机主体传感器信号;
步骤A2、根据预先建立的传感器信号预处理模型,对所述步骤A1采集无人机主体传感器信号进行降噪及滤波处理,以消除无效信号干扰,同时根据公式(1)对所述无人机主体传感器信号进行非线性处理,以获取所述无人机主体位置信息;
其中,A为所述无人机主体与所述无人机遥感平台的相对位移,t为所述某时刻无人机主体传感器信号时标,x0,y0,z0分别为所述无人机遥感平台的横轴、纵轴、垂直方向预设坐标,xt、yt、zt分别为t时刻,所述无人机主体距离所述无人机遥感平台的横轴、纵轴、垂直方向的相对位移值, 分别为t时刻,所述无人机主体的横轴、纵轴、垂直方向的平移向量值,P(f(x),g(y),h(z))为t时刻,所述无人机主体位置信息;
步骤A3、根据公式(2)对所述步骤A2获取的所述无人机主体位置信息进行最小化能量函数迭代处理,以获取最优航向方位角;
其中,e为自然常数,ln为自然常数e为底数的对数函数,arctan指反正切函数,θ为航向方位角,Δx、Δy、Δz分别为所述无人机主体横轴、纵轴、垂直方向的平移位移最优解,分别横轴、纵轴、垂直方向的为航向方位角偏差值,F'(θ)为最小化能量函数迭代处理后得出的最优航向方位角;
步骤A4、将所述步骤A2获取的所述无人机主体位置信息及所述步骤A3获取的最优航向方位角进行转换,以获取空间位置信息并与所述飞行操控系统设定用于为所述无人机主体设置的飞行参数匹配,通过公式(3)判断所述无人机主体是否按预设航线行进;
其中,i、j、k为t时刻,所述飞行操控系统设定用于为所述无人机主体设置的横轴、纵轴、垂直方向飞行参数,为t时刻,所述无人机主体的空间位置信息,为t时刻,所述飞行操控系统设定用于为所述无人机主体设置的飞行参数所对应的空间位置信息,为所述空间位置向量偏差值,当计算值为0时,则表示t时刻,所述无人机主体空间位置与所述飞行操控系统设定用于为所述无人机主体设置的飞行参数所对应的空间位置一致,所述无人机主体可执行对所述农作物进行监测,获得第二监测数据的操作。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中一种天、空、地一体化数据融合的系统的框图;
图2为本发明实施例中一种天、空、地一体化数据融合的方法的框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
本发明实施例提供了一种天、空、地一体化数据融合的系统,如图1所示,包括:天基模块101、空基模块102、地基模块103和融合模块104,其中:
所述天基模块101用于基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据;
所述空基模块102用于基于空基感知技术,对所述农作物进行监测,获得第二监测数据;
所述地基模块103用于在地面对所述农作物进行监测,获得第三监测数据;
所述融合模块104用于基于物联网技术,基于同一经纬度信息,按照不同时序对所述天基模块获得的所述第一监测数据、所述空基模块获得的所述第二监测数据和所述地基模块获得的所述第三监测数据进行数据融合,得到天、空、地一体化数据。
上述技术方案的工作原理为:天基模块101基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据;空基模块102基于空基感知技术,对农作物进行监测,获得第二监测数据;地基模块103在地面对农作物进行监测,获得第三监测数据;融合模块104基于物联网技术,基于同一经纬度信息,按照不同时序对第一监测数据、第二监测数据和第三监测数据进行数据融合,得到天、空、地一体化数据。
利用天基模块101获得第一监测数据的优势在于能够对大尺度的农作物状况及土壤状况进行分析和评价;其缺点在于受传统卫星遥感影像的分辨率的限制,对小尺度(田块、样地、植株)农作物状况及土壤状况与即时数据获取方面存在明显的不足。
利用空基模块102获得第二监测数据的优势在于可在不与农作物直接接触的情况下,通过传感器低空获取农作物及农作物土壤反射的电磁波信息而提取与农作物及农作物土壤相关的指标参数,再以相应的定量分析方法实现农作物及农作物土壤的分析和评价,空基模块102可提供更高分辨率(空间分辨率、光谱分辨率、时间分辨率)的影像数据,且可在花费较少野外工作量的情况下,获取较大范围的即时、无损、可靠的农作物长势信息,并且因研究的空间尺度较小,能够很好地甄别异质性信息。其缺陷在于影像通常需要实地航拍采集,这可能存在研究区十分偏僻而难以抵达的问题;且航拍过程中存在设备故障、失灵等其他潜在风险而无法如期获取理想数据。
地基模块102获得第三监测数据的优势在于在地面采集数据,可以获取天基模块101以及空基模块102无法直接获取的数据,最能反映农作物及土壤的真实情况,因此可以对第一监测数据以及第二监测数据进行精度评价,其缺点在于获得第三监测数据以统计上报和抽样调查为主,但对统计数据过度依赖,存在主观性强、误差大和费力耗时且缺乏空间分布等问题。
上述技术方案的有益效果为:利用融合模块基于物联网技术,基于同一经纬度信息,按照不同时序对第一监测数据、第二监测数据和第三监测数据进行数据融合,得到天、空、地一体化数据,能够在天基模块、空基模块和地基模块之间取长补短,在大尺度数据和小尺度数据之间实现平衡,同时在高分辨率和低分辨率之间实现平衡,有利于快速且准确地分析农作物状况和农作物土壤状况,进而有利于提高农作物产量。
在一个实施例中,所述天基模块101基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据执行以下步骤:
步骤S101:通过卫星遥感影像智能化处理平台,自动获取遥感影像;
步骤S102:通过卫星遥感影像智能化处理平台,对获取的所述遥感影像进行自动处理和自动分析,以对农作物土壤养分进行分析,得到第一农作物土壤养分数据、对农作物土壤重金属进行分析,得到第一农作物土壤重金属数据、对农作物长势进行检测,得到第一农作物长势数据、对农作物病虫害进行监测,得到第一农作物病虫害数据,对农作物产量进行估算,得到第一农作物产量估算数据、对农作物养分进行诊断,得到第一农作物养分数据。
上述技术方案的工作原理为:卫星遥感影像智能化处理平台获取遥感影像可由卫星遥感影像的相关网站直接下载。而且借助于卫星遥感影像智能化处理平台,可以在卫星地面接收站处理了主要的系统性误差,人为数据预处理工作量较少。
上述技术方案的有益效果为:提供了天基模块获得第一监测数据的具体步骤,借助于卫星遥感影像智能化处理平台,能够实现遥感影像的自动获取、自动处理和自动分析。
在一个实施例中,所述天基模块101包括:
获取单元,用于自动获取所述遥感影像以及所述遥感影像所对应的有理多项式系数RPC参数信息;
处理单元,用于对所述遥感影像进行Wallis滤波处理,并利用图形处理器GPU以及所述RPC参数信息,对滤波处理后的所述遥感影像利用投影轨迹法进行核线校正,得到校正图像;
提取单元,用于从所述校正图像中提取农作物图像和农作物土壤图像;
分析单元,用于采用深度学习网络模型,对所述农作物图像和所述农作物土壤图像进行分析,得到所述第一农作物土壤养分数据、所述第一农作物土壤重金属数据、所述第一农作物长势数据、所述第一农作物病虫害数据,所述第一农作物产量估算数据、所述第一农作物养分数据。
上述技术方案的工作原理为:GPU指的是图形处理器(Graphics ProcessingUnit),RPC参数信息指的是有理多项式系数(rational polynomial coefficient)参数信息。
处理单元通过GPU中Wallis滤波对遥感影像进行处理,可以增强遥感影像的对比度并且降低噪声;示例性地,对遥感影像进行Wallis滤波处理可以通过编写Wallis滤波算子核函数实现。
核线校正的具体步骤包括:将Wallis预处理后的遥感影像从主机端内存拷贝至GPU的全局存储器中,将RPC参数拷贝至GPU的共享存储器中,根据计算机性能参数,动态调整片上缓存;设置GPU线程块大小,确定GPU线程数目;在GPU上利用核线参数答解算子求解核线参数;将求解得到的核线参数从GPU全局存储器中拷贝回主机端内存。
分析单元采用深度学习网络模型,对农作物图像和农作物土壤图像进行分析,可以在提高分析速度的同时提高分析的准确性,满足遥感数据量大、多样、价值大但密度小、要求处理速度快的特点。
上述技术方案的有益效果为:借助于获取单元、处理单元、提取单元和分析单元,可以快速且准确地获得第一监测数据。
在一个实施例中,所述空基模块102基于空基感知技术,对所述农作物进行监测,获得第二监测数据执行以下步骤:
步骤S201:通过空基感知设备搭载传感器,自动获取土壤图像以及农作物图像,所述空基感知设备包括无人机;
步骤S202:对获取的所述土壤图像以及农作物图像自动化地进行智能化图像分析,以对农作物土壤养分进行分析,得到第二农作物土壤养分数据、对农作物土壤重金属进行分析,得到第二农作物土壤重金属数据、对农作物长势进行检测,得到第二农作物长势数据、对农作物病虫害进行监测,得到第二农作物病虫害数据,对农作物产量进行估算,得到第二农作物产量估算数据、对农作物养分进行诊断,得到第二农作物养分数据。
上述技术方案的工作原理为:本发明的无人机是指当前应用较多的轻小型民用低空无人机,例如多旋翼无人机、固定翼无人机、飞艇无人机、直升机无人机等。
上述技术方案的有益效果为:提供了空基模块获得第二监测数据的具体步骤,能够实现土壤图像以及农作物图像的自动获取,以及自动化智能分析。
在一个实施例中,所述空基模块102包括:无人机遥感平台,所述无人机遥感平台包括无人机主体、动力引擎设备、飞行操控系统、定位/定姿系统、传感器、云台、传感器遥控模块、无人机影像分析处理系统,其中,
所述动力引擎设备用于为所述无人机主体提供动力引擎;
所述飞行操控系统用于为所述无人机主体设置飞行参数,并规划航线;
所述定位/定姿系统用于确定所述无人机主体的位置信息及姿势信息;
所述传感器用于在不与农作物直接接触的情况下,低空获取农作物生育期冠层反射的电磁波信息而提取与长势相关的农作物指标参数,并且低空获取农作物土壤层反射的电磁波信息而提取与土壤相关的土壤指标参数;
所述云台用于搭载所述传感器的支持设备;
所述传感器遥控模块用于对所述传感器的行进方向和行进速度进行控制;
所述无人机影像分析处理系统用于对所述农作物指标参数进行分析处理,以得到所述第二农作物长势数据、所述第二农作物病虫害数据、所述第二农作物产量估算数据以及第二农作物养分数据,并对所述土壤指标参数进行分析处理,以得到所述第二农作物土壤养分数据以及所述第二农作物土壤重金属数据,所述分析处理包括对所述农作物指标参数或所述土壤指标参数的影像进行辐射定标、影像拼接、正射校正、几何校正、数据分析计算。
上述技术方案的工作原理为:飞行操控系统为无人机主体设置的飞行参数包括对无人机的飞行高度、飞行速度、飞行轨迹、连续拍摄时间间隔、影像航向及旁向重叠度等参数。无人机飞行高度直接决定了影像的空间分辨率,即高度越高分辨率越低,影像的航向重叠度和旁向重叠度大小会影响影像拼接质量,即重叠度越高拼接效果越好。但高重叠度会造成影像数据量大、拼接费时等问题。高重叠度同时也会造成航拍时间的增加。无人机航拍的轨迹方向也是影响成像质量的重要因素。通常情况下,让航拍轨迹与农作物的种植方向保持一致(平行于垄的方向),可减少农作物航拍影像的几何畸变对数据处理结果的影响。
受云阴影的影响,传感器所获取的地物辐射亮度或光谱反射率会出现不一致及失真的现象。借助于所述无人机影像分析处理系统,可以对无人机遥感影像进行辐射定标处理,将影像DN值转换为绝对辐射亮度值(辐射率)。由于影像在拼接过程中,航拍区域外缘往往存在拼接结果缺损的现象,故航拍时的影像覆盖范围需适当大于研究区范围,避免影像的拼接结果出现边缘缺失的问题。正射校正能够降低地物影像的几何畸变,这对农作物状况及土壤状况的准确提取具有重要作用。
上述技术方案的有益效果为:借助于无人机遥感平台,所述无人机遥感平台包括无人机主体、动力引擎设备、飞行操控系统、定位/定姿系统、传感器、云台、传感器遥控模块,可以机动、灵活地获取农作物指标参数和农作物土壤指标参数,借助于无人机影像分析处理系统,可以快速地获得第二监测数据。
在一个实施例中,所述传感器包括:可见光成像传感器、多光谱成像传感器、高光谱成像传感器、热红外成像传感器或激光雷达传感器中的一种或多种,其中:
所述可见光成像传感器用于获取RGB可见光影像以及无近红外波段的数据;
所述多光谱成像传感器用于获取可见光至近红外波段的数据;
所述高光谱成像传感器用于获取紫外至中红外波段的数据;
所述热红外成像传感器用于接收农作物的红外热辐射信息,将热辐射能以影像的不同颜色栅格来显示不同温度;
所述激光雷达传感器用于通过主动探测目标的散射光特性来获取相关信息。
上述技术方案的工作原理为:可见光成像传感器获取RGB可见光影像以及无近红外波段的数据,由于无人机飞行高度较低,影像清晰,空间分辨率可达厘米级。因此通过对影像的纹理、颜色、空间分布结构等特征进行识别与提取,可得到冠层覆盖度、田块滞水区识别、倒伏状况等信息;通过对田块DSM(digital surface model)参数的提取,可计算农作物株高、倒伏率等信息;通过构建系列可见光植被指数并辅之其他参数,可进行不同生育期特征提取、叶面积指数计算、冠层氮素诊断、蛋白质含量估算、生物量估算等。
多光谱成像传感器获取可见光至近红外波段的数据,由于健康植被在红光区域表现为吸收谷,波长760nm附近反射率急剧上升(“红边”现象),至近红外区域呈现高反射的特点。而这一反射特征与农作物的长势具有明显相关性,且土壤、岩石、水体等背景信息的光谱反射率在红光至近红外波段无此变化特征。故可利用植被在红边附近的光谱反射率特性构建一系列与农作物长势相关的植被指数,再通过引入其他相关参数及地面实测数据,可实现冠层覆盖度提取,叶面积指数计算,作物系数估算,氮、磷、钾等营养元素诊断,病害监测,生物量估算,叶绿素等叶色素含量估算,出苗率与返青率估算等。
高光谱成像传感器用于获取紫外至中红外波段的数据,高光谱(hyperspectral)成像较多光谱成像而言,波段信息丰富,光谱分析更加灵活,可构建的光谱植被指数模型多;其次,高光谱影像各光谱通道窄,分辨率可达纳米级,因而可通过提取农作物反射率的吸收谷、反射峰、红边等移动特征来更好地捕捉并刻画农作物长势及差异信息;此外,由于高光谱波段连续,可利用导数光谱法,削弱土壤背景噪声,以便更好地提取农作物长势参数信息。无人机高光谱数据可进行叶面积指数估算,冠层含水量(水分胁迫)反演,冠层氮素诊断,生物量估算,叶绿素、类胡萝卜素等叶色素含量估算,病害监测等。
热红外成像传感器接收农作物的红外热辐射信息,将热辐射能以影像的不同颜色栅格来显示不同温度,由于冠层温度与植物的蒸腾作用及水分状况密切相关,这可通过叶片气孔导度及叶水势2个重要参数来体现。因此无人机热红外遥感多用在基于叶水势与气孔导度的农作物干旱胁迫方面的预测。另一方面,当植物遭受到病害胁迫时,导致代谢作用异常,亦会造成气孔异质性开闭,水分调节失衡,致使叶表温度改变。因此可利用热红外遥感的手段进行病害方面的识别与监测。
所述激光雷达传感器通过主动探测目标的散射光特性来获取相关信息,可以用于研究农作物长势方面,并且可以基于无人机激光雷达遥感的点云数据反演农作物株高以及反演农作物生物量。
上述技术方案的有益效果为:提供了空基模块的传感器的具体类型。
在一个实施例中,所述地基模块在地面对所述农作物进行监测,获得第三监测数据执行以下步骤:
步骤S301:在地面采用人工抽样方法实地获取土壤数据以及农作物数据;
步骤S302:对获取的所述土壤数据以及农作物数据自动化地进行统计分析,以对农作物土壤养分进行分析,得到第三农作物土壤养分数据、对农作物土壤重金属进行分析,得到第三农作物土壤重金属数据、对农作物长势进行检测,得到第三农作物长势数据、对农作物病虫害进行监测,得到第三农作物病虫害数据,对农作物产量进行估算,得到第三农作物产量估算数据、对农作物养分进行诊断,得到第三农作物养分数据。
上述技术方案的工作原理为:在地面采用人工抽样方法实地获取土壤数据以及农作物数据,按照抽样方式可以分为破坏性采样和非破坏性采样,按照采样手段,可以分为设备自动收集和人工测量,按照采样尺度可以分为叶片、冠层、植株、田块。
上述技术方案的有益效果为:提供了地基模块获得第三监测数据的具体步骤,能够获取天基模块以及空基模块无法直接获取的数据。
在一个实施例中,所述融合模块基于物联网技术,基于同一经纬度信息,按照不同时序对所述天基模块获得的所述第一监测数据、所述空基模块获得的所述第二监测数据和所述地基模块获得的所述第三监测数据进行数据融合,得到天、空、地一体化数据,执行以下步骤:
每隔预设时间,基于同一经纬度信息获取所述第一监测数据、所述第二监测数据和所述第三监测数据;
对当前时刻获得的所述第一监测数据、所述第二监测数据和所述第三监测数据进行特征提取,所述特征提取是指对当前时刻的所有监测数据进行时间校准和空间坐标变换,以形成融合计算所需的统一时间参考点和空间参考点;
对所述天基模块获得的所述第一监测数据进行低分辨率全色波段进行G-S影像变换,得到格拉姆-施密特G-S变换图像,并计算所述G-S变换图像的第一主分量的均值和标准差,对所述空基模块获得的所述第二监测数据进行主成分分析,获得空基影像第一主成分,计算所述空基影像第一主成分的均值和标准差;对所述地基模块获得的所述第三监测数据进行计算,以获得所述第三监测数据的均值和标准差;
根据所述G-S变换图像的第一主分量的均值和标准差、所述空基影像第一主成分的均值和标准差、第三监测数据的均值和标准差,进行直方图匹配,以对所述第一监测数据、所述第二监测数据以及所述第三监测数据进行优势互补,得到互补数据,并通过构建一元线性回归方程对所述互补数据进行有效性验证,得到有效数据,对所述有效数据进行基于时间序列的滤波处理,以得到所述天、空、地一体化数据。
上述技术方案的工作原理为:所述预设时间可以为0.1s-1s,例如可设定为0.2s。在本发明中,每个模块所获得的监测数据都包括数据层信息和特征层信息两方面内容。
Gram-Schmidt变换(G-S变换)是多元统计和线性代数中常用的方法。与主成分变换相似,它可以将多维图像或矩阵通过正交变换,从而消除多光谱数据各波段之间的相关性。Gram-Schmidt变换与主成分变换的区别在于主成分变换后各主成分之间的信息重新分布,尽管变换后的第一主分量包含的信息最多,而其他分量所包含的信息依次减少;但Gram-Schmidt变换后各分量之间只是正交,所包含的信息量相差不大,因此可以改进主成分分析中信息过于集中的问题。Gram-Schmidt变换先用低空间分辨率的多光谱数据模拟出一个全色波段,然后将将模拟出的全色波段作为第一个波段与原始的多光谱数据进行G-S变换,GramSchmidt变换后的第一个波段用高空间分辨率的全色波段替换掉,然后进行Gram-Schmidt反变换运算,得到分辨率增大的融合结果。
根据G-S变换图像的第一主分量的均值和标准差、空基影像第一主成分的均值和标准差、第三监测数据的均值和标准差,依次进行直方图匹配、有效性验证、基于时间序列的滤波处理,得到所述天、空、地一体化数据。
上述技术方案的有益效果为:提供了融合模块进行数据融合的具体步骤,得到天、空、地一体化数据,能够在天基模块、空基模块和地基模块之间取长补短。
本发明还提供一种天、空、地一体化数据融合的方法,其特征在于,包括:所述方法执行以下步骤:
步骤1:基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据;
步骤2:基于空基感知技术,对所述农作物进行监测,获得第二监测数据;
步骤3:在地面对所述农作物进行监测,获得第三监测数据;
步骤4:基于物联网技术,基于同一经纬度信息,按照不同时序对所述第一监测数据、所述第二监测数据和所述第三监测数据进行数据融合,得到天、空、地一体化数据。
上述技术方案的工作原理为:基于卫星遥感影像技术获得第一监测数据的优势在于能够对大尺度的农作物状况及土壤状况进行分析和评价;其缺点在于受传统卫星遥感影像的分辨率的限制,对小尺度(田块、样地、植株)农作物状况及土壤状况与即时数据获取方面存在明显的不足。
基于空基感知技术获得第二监测数据的优势在于可在不与农作物直接接触的情况下,通过传感器低空获取农作物及农作物土壤反射的电磁波信息而提取与农作物及农作物土壤相关的指标参数,再以相应的定量分析方法实现农作物及农作物土壤的分析和评价,基于空基感知技术可提供更高分辨率(空间分辨率、光谱分辨率、时间分辨率)的影像数据,且可在花费较少野外工作量的情况下,获取较大范围的即时、无损、可靠的农作物长势信息,并且因研究的空间尺度较小,能够很好地甄别异质性信息。其缺陷在于影像通常需要实地航拍采集,这可能存在研究区十分偏僻而难以抵达的问题;且航拍过程中存在设备故障、失灵等其他潜在风险而无法如期获取理想数据。
基于地基感知技术获得第三监测数据的优势在于在地面采集数据,最能反映农作物及土壤的真实情况,其缺点在于获得第三监测数据以统计上报和抽样调查为主,但对统计数据过度依赖,存在主观性强、误差大和费力耗时且缺乏空间分布等问题。
上述技术方案的有益效果为:基于物联网技术,基于同一经纬度信息,按照不同时序对第一监测数据、第二监测数据和第三监测数据进行数据融合,得到天、空、地一体化数据,能够在天基模块、空基模块和地基模块之间取长补短,在大尺度数据和小尺度数据之间实现平衡,同时在高分辨率和低分辨率之间实现平衡,有利于快速且准确地分析农作物状况和农作物土壤状况,进而有利于提高农作物产量。
在一实施例中,所述空基模块用于基于空基感知技术,对所述农作物进行监测,获得第二监测数据;还包括根据无人机遥感平台采集无人机主体传感器信号并对信号进行非线性处理,以获取所述无人机主体位置信息,并根据所述无人机主体位置信息进行最小化能量函数迭代处理,以获取最优航向方位角,并根据所述无人机主体位置信息、最优航向方位角与飞行操控系统设定用于为所述无人机主体设置的飞行参数所对应空间位置匹配,以执行获取所述农作物第二监测数据的操作;其具体步骤包括:
步骤A1、根据所述一种天、空、地一体化数据融合的系统和方法,通过所述无人机遥感平台采集所述无人机主体传感器信号;
步骤A2、根据预先建立的传感器信号预处理模型,对所述步骤A1采集无人机主体传感器信号进行降噪及滤波处理,以消除无效信号干扰,同时根据公式(1)对所述无人机主体传感器信号进行非线性处理,以获取所述无人机主体位置信息;
其中,A为所述无人机主体与所述无人机遥感平台的相对位移,t为所述某时刻无人机主体传感器信号时标,x0,y0,z0分别为所述无人机遥感平台的横轴、纵轴、垂直方向预设坐标,xt、yt、zt分别为t时刻,所述无人机主体距离所述无人机遥感平台的横轴、纵轴、垂直方向的相对位移值, 分别为t时刻,所述无人机主体的横轴、纵轴、垂直方向的平移向量值,P(f(x),g(y),h(z))为t时刻,所述无人机主体位置信息;
其中,所述无人机遥感平台的x0横轴是指所述无人机遥感平台所处地球纬度值,y0纵轴是指所述无人机遥感平台所处地球经度值,z0为所述无人机遥感平台与海平面的垂直高度位移值;
步骤A3、根据公式(2)对所述步骤A2获取的所述无人机主体位置信息进行最小化能量函数迭代处理,以获取最优航向方位角;
其中,e为自然常数,ln为自然常数e为底数的对数函数,arctan指反正切函数,θ为航向方位角,Δx、Δy、Δz分别为所述无人机主体横轴、纵轴、垂直方向的平移位移最优解,分别横轴、纵轴、垂直方向的为航向方位角偏差值,F'(θ)为最小化能量函数迭代处理后得出的最优航向方位角;
步骤A4、将所述步骤A2获取的所述无人机主体位置信息及所述步骤A3获取的最优航向方位角进行转换,以获取空间位置信息并与所述飞行操控系统设定用于为所述无人机主体设置的飞行参数匹配,通过公式(3)判断所述无人机主体是否按预设航线行进;
其中,i、j、k为t时刻,所述飞行操控系统设定用于为所述无人机主体设置的横轴、纵轴、垂直方向飞行参数,为t时刻,所述无人机主体的空间位置信息,为t时刻,所述飞行操控系统设定用于为所述无人机主体设置的飞行参数所对应的空间位置信息,为所述空间位置向量偏差值,当计算值为0时,则表示t时刻,所述无人机主体空间位置与所述飞行操控系统设定用于为所述无人机主体设置的飞行参数所对应的空间位置一致,所述无人机主体可执行对所述农作物进行监测,获得第二监测数据的操作。
上述技术方案的有益效果是:该技术方案通过对所述无人机主体传感器数据进行非线性分析,以获取所述无人机主体的位置信息,并通过最小化能量函数迭代处理,获取所述无人机主体最优航向方位角,并与所述飞行操控系统设定用于为所述无人机主体设置的飞行参数匹配,以判断所述无人机主体是否按所述预设航线行进,为操作人员监控无人机工作状态提供了技术支持,本技术方案提高了所述空基模块采集农作物第二监测数据的效率,同时为所述天、空、地一体化数据融合中空基模块采集第二农作物监测数据的准确性提供了有力的保障。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种天、空、地一体化数据融合的系统,其特征在于,包括:天基模块、空基模块、地基模块和融合模块,其中:
所述天基模块用于基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据;
所述空基模块用于基于空基感知技术,对所述农作物进行监测,获得第二监测数据;
所述地基模块用于在地面对所述农作物进行监测,获得第三监测数据;
所述融合模块用于基于物联网技术,基于同一经纬度信息,按照不同时序对所述天基模块获得的所述第一监测数据、所述空基模块获得的所述第二监测数据和所述地基模块获得的所述第三监测数据进行数据融合,得到天、空、地一体化数据。
2.如权利要求1所述的系统,其特征在于,所述天基模块基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据执行以下步骤:
步骤S101:通过卫星遥感影像智能化处理平台,自动获取遥感影像;
步骤S102:通过卫星遥感影像智能化处理平台,对获取的所述遥感影像进行自动处理和自动分析,以对农作物土壤养分进行分析,得到第一农作物土壤养分数据、对农作物土壤重金属进行分析,得到第一农作物土壤重金属数据、对农作物长势进行检测,得到第一农作物长势数据、对农作物病虫害进行监测,得到第一农作物病虫害数据,对农作物产量进行估算,得到第一农作物产量估算数据、对农作物养分进行诊断,得到第一农作物养分数据。
3.如权利要求2所述的系统,其特征在于,所述天基模块包括:
获取单元,用于自动获取所述遥感影像以及所述遥感影像所对应的有理多项式系数RPC参数信息;
处理单元,用于对所述遥感影像进行Wallis滤波处理,并利用图形处理器GPU以及所述RPC参数信息,对滤波处理后的所述遥感影像利用投影轨迹法进行核线校正,得到校正图像;
提取单元,用于从所述校正图像中提取农作物图像和农作物土壤图像;
分析单元,用于采用深度学习网络模型,对所述农作物图像和所述农作物土壤图像进行分析,得到所述第一农作物土壤养分数据、所述第一农作物土壤重金属数据、所述第一农作物长势数据、所述第一农作物病虫害数据,所述第一农作物产量估算数据、所述第一农作物养分数据。
4.如权利要求1所述的系统,其特征在于,所述空基模块基于空基感知技术,对所述农作物进行监测,获得第二监测数据执行以下步骤:
步骤S201:通过空基感知设备搭载传感器,自动获取土壤图像以及农作物图像,所述空基感知设备包括无人机;
步骤S202:对获取的所述土壤图像以及农作物图像自动化地进行智能化图像分析,以对农作物土壤养分进行分析,得到第二农作物土壤养分数据、对农作物土壤重金属进行分析,得到第二农作物土壤重金属数据、对农作物长势进行检测,得到第二农作物长势数据、对农作物病虫害进行监测,得到第二农作物病虫害数据,对农作物产量进行估算,得到第二农作物产量估算数据、对农作物养分进行诊断,得到第二农作物养分数据。
5.如权利要求4所述的系统,其特征在于,所述空基模块包括:无人机遥感平台,所述无人机遥感平台包括无人机主体、动力引擎设备、飞行操控系统、定位/定姿系统、传感器、云台、传感器遥控模块、无人机影像分析处理系统,其中,
所述动力引擎设备用于为所述无人机主体提供动力引擎;
所述飞行操控系统用于为所述无人机主体设置飞行参数,并规划航线;
所述定位/定姿系统用于确定所述无人机主体的位置信息及姿势信息;
所述传感器用于在不与农作物直接接触的情况下,低空获取农作物生育期冠层反射的电磁波信息而提取与长势相关的农作物指标参数,并且低空获取农作物土壤层反射的电磁波信息而提取与土壤相关的土壤指标参数;
所述云台用于搭载所述传感器的支持设备;
所述传感器遥控模块用于对所述传感器的行进方向和行进速度进行控制;
所述无人机影像分析处理系统用于对所述农作物指标参数进行分析处理,以得到所述第二农作物长势数据、所述第二农作物病虫害数据、所述第二农作物产量估算数据以及第二农作物养分数据,并对所述土壤指标参数进行分析处理,以得到所述第二农作物土壤养分数据以及所述第二农作物土壤重金属数据,所述分析处理包括对所述农作物指标参数或所述土壤指标参数的影像进行辐射定标、影像拼接、正射校正、几何校正、数据分析计算。
6.如权利要求4所述的系统,其特征在于,所述传感器包括:可见光成像传感器、多光谱成像传感器、高光谱成像传感器、热红外成像传感器或激光雷达传感器中的一种或多种,其中:
所述可见光成像传感器用于获取RGB可见光影像以及无近红外波段的数据;
所述多光谱成像传感器用于获取可见光至近红外波段的数据;
所述高光谱成像传感器用于获取紫外至中红外波段的数据;
所述热红外成像传感器用于接收农作物的红外热辐射信息,将热辐射能以影像的不同颜色栅格来显示不同温度;
所述激光雷达传感器用于通过主动探测目标的散射光特性来获取相关信息。
7.如权利要求1所述的系统,其特征在于,所述地基模块在地面对所述农作物进行监测,获得第三监测数据执行以下步骤:
步骤S301:在地面采用人工抽样方法实地获取土壤数据以及农作物数据;
步骤S302:对获取的所述土壤数据以及农作物数据自动化地进行统计分析,以对农作物土壤养分进行分析,得到第三农作物土壤养分数据、对农作物土壤重金属进行分析,得到第三农作物土壤重金属数据、对农作物长势进行检测,得到第三农作物长势数据、对农作物病虫害进行监测,得到第三农作物病虫害数据,对农作物产量进行估算,得到第三农作物产量估算数据、对农作物养分进行诊断,得到第三农作物养分数据。
8.如权利要求1所述的系统,其特征在于,所述融合模块基于物联网技术,基于同一经纬度信息,按照不同时序对所述天基模块获得的所述第一监测数据、所述空基模块获得的所述第二监测数据和所述地基模块获得的所述第三监测数据进行数据融合,得到天、空、地一体化数据,执行以下步骤:
每隔预设时间,基于同一经纬度信息获取所述第一监测数据、所述第二监测数据和所述第三监测数据;
对当前时刻获得的所述第一监测数据、所述第二监测数据和所述第三监测数据进行特征提取,所述特征提取是指对当前时刻的所有监测数据进行时间校准和空间坐标变换,以形成融合计算所需的统一时间参考点和空间参考点;
对所述天基模块获得的所述第一监测数据进行低分辨率全色波段进行G-S影像变换,得到格拉姆-施密特G-S变换图像,并计算所述G-S变换图像的第一主分量的均值和标准差,对所述空基模块获得的所述第二监测数据进行主成分分析,获得空基影像第一主成分,计算所述空基影像第一主成分的均值和标准差;对所述地基模块获得的所述第三监测数据进行计算,以获得所述第三监测数据的均值和标准差;
根据所述G-S变换图像的第一主分量的均值和标准差、所述空基影像第一主成分的均值和标准差、第三监测数据的均值和标准差,进行直方图匹配,以对所述第一监测数据、所述第二监测数据以及所述第三监测数据进行优势互补,得到互补数据,并通过构建一元线性回归方程对所述互补数据进行有效性验证,得到有效数据,对所述有效数据进行基于时间序列的滤波处理,以得到所述天、空、地一体化数据。
9.一种天、空、地一体化数据融合的方法,其特征在于,所述方法执行以下步骤:
步骤1:基于卫星遥感影像技术,对农作物进行监测,获得第一监测数据;
步骤2:基于空基感知技术,对所述农作物进行监测,获得第二监测数据;
步骤3:在地面对所述农作物进行监测,获得第三监测数据;
步骤4:基于物联网技术,基于同一经纬度信息,按照不同时序对所述第一监测数据、所述第二监测数据和所述第三监测数据进行数据融合,得到天、空、地一体化数据。
10.如权利要求1所述一种天、空、地一体化数据融合的系统和方法,其特征在于,
所述空基模块用于基于空基感知技术,对所述农作物进行监测,获得第二监测数据;还包括根据无人机遥感平台采集无人机主体传感器信号并对信号进行非线性处理,以获取所述无人机主体位置信息,并根据所述无人机主体位置信息进行最小化能量函数迭代处理,以获取最优航向方位角,并根据所述无人机主体位置信息、最优航向方位角与飞行操控系统设定用于为所述无人机主体设置的飞行参数所对应空间位置匹配,以执行获取所述农作物第二监测数据的操作;其具体步骤包括:
步骤A1、根据所述一种天、空、地一体化数据融合的系统和方法,通过所述无人机遥感平台采集所述无人机主体传感器信号;
步骤A2、根据预先建立的传感器信号预处理模型,对所述步骤A1采集无人机主体传感器信号进行降噪及滤波处理,以消除无效信号干扰,同时根据公式(1)对所述无人机主体传感器信号进行非线性处理,以获取所述无人机主体位置信息;
其中,A为所述无人机主体与所述无人机遥感平台的相对位移,t为所述某时刻无人机主体传感器信号时标,x0,y0,z0分别为所述无人机遥感平台的横轴、纵轴、垂直方向预设坐标,xt、yt、zt分别为t时刻,所述无人机主体距离所述无人机遥感平台的横轴、纵轴、垂直方向的相对位移值, 分别为t时刻,所述无人机主体的横轴、纵轴、垂直方向的平移向量值,P(f(x),g(y),h(z))为t时刻,所述无人机主体位置信息;
步骤A3、根据公式(2)对所述步骤A2获取的所述无人机主体位置信息进行最小化能量函数迭代处理,以获取最优航向方位角;
其中,e为自然常数,ln为自然常数e为底数的对数函数,arctan指反正切函数,θ为航向方位角,Δx、Δy、Δz分别为所述无人机主体横轴、纵轴、垂直方向的平移位移最优解,分别横轴、纵轴、垂直方向的为航向方位角偏差值,F'(θ)为最小化能量函数迭代处理后得出的最优航向方位角;
步骤A4、将所述步骤A2获取的所述无人机主体位置信息及所述步骤A3获取的最优航向方位角进行转换,以获取空间位置信息并与所述飞行操控系统设定用于为所述无人机主体设置的飞行参数匹配,通过公式(3)判断所述无人机主体是否按预设航线行进;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911340103.1A CN111028096A (zh) | 2019-12-23 | 2019-12-23 | 一种天、空、地一体化数据融合的系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911340103.1A CN111028096A (zh) | 2019-12-23 | 2019-12-23 | 一种天、空、地一体化数据融合的系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111028096A true CN111028096A (zh) | 2020-04-17 |
Family
ID=70211711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911340103.1A Pending CN111028096A (zh) | 2019-12-23 | 2019-12-23 | 一种天、空、地一体化数据融合的系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111028096A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN113053085A (zh) * | 2021-02-04 | 2021-06-29 | 北京戴纳实验科技有限公司 | 一种医院冰箱监管系统 |
CN113075251A (zh) * | 2021-03-04 | 2021-07-06 | 山西省农业科学院经济作物研究所 | 一种高粱涝害的检测方法 |
CN113762226A (zh) * | 2021-11-09 | 2021-12-07 | 成都理工大学 | 基于高光谱分辨率调整提升树种识别精度的方法及系统 |
CN113970353A (zh) * | 2021-09-17 | 2022-01-25 | 西安中科西光航天科技有限公司 | 一种用于监测农作物长势的遥感监测系统 |
CN114324826A (zh) * | 2022-03-09 | 2022-04-12 | 中国矿业大学(北京) | 一种煤田火区空-土垂直气体通量的监测系统及监测方法 |
CN114494888A (zh) * | 2022-02-18 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 一种无人机影像中机播小麦苗期断垄自动监测方法 |
CN115713681A (zh) * | 2022-11-22 | 2023-02-24 | 中国农业科学院农业资源与农业区划研究所 | 一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 |
CN117079166A (zh) * | 2023-10-12 | 2023-11-17 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
CN117110242A (zh) * | 2023-10-18 | 2023-11-24 | 北京英视睿达科技股份有限公司 | 一种药肥使用的监测方法、装置及存储介质 |
CN117347974A (zh) * | 2023-12-04 | 2024-01-05 | 中国林业科学研究院资源信息研究所 | 一种灌丛植被地上生物量的估测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN106384332A (zh) * | 2016-09-09 | 2017-02-08 | 中山大学 | 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法 |
US20170301111A1 (en) * | 2015-05-23 | 2017-10-19 | SZ DJI Technology Co., Ltd | Sensor fusion using inertial and image sensors |
CN108287926A (zh) * | 2018-03-02 | 2018-07-17 | 宿州学院 | 一种农业生态多源异构大数据采集、处理与分析架构 |
CN108801350A (zh) * | 2018-06-22 | 2018-11-13 | 江苏省农业科学院 | 一种基于无人机低空遥感技术的果树生长监测系统 |
CN109118527A (zh) * | 2018-07-06 | 2019-01-01 | 航天星图科技(北京)有限公司 | 一种基于gpu的遥感影像dsm快速提取方法及装置 |
CN110020635A (zh) * | 2019-04-15 | 2019-07-16 | 中国农业科学院农业资源与农业区划研究所 | 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统 |
US20190220964A1 (en) * | 2018-01-15 | 2019-07-18 | The Boeing Company | System and method for monitoring crops |
-
2019
- 2019-12-23 CN CN201911340103.1A patent/CN111028096A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20170301111A1 (en) * | 2015-05-23 | 2017-10-19 | SZ DJI Technology Co., Ltd | Sensor fusion using inertial and image sensors |
CN106384332A (zh) * | 2016-09-09 | 2017-02-08 | 中山大学 | 基于Gram‑Schmidt的无人机影像与多光谱影像融合方法 |
US20190220964A1 (en) * | 2018-01-15 | 2019-07-18 | The Boeing Company | System and method for monitoring crops |
CN108287926A (zh) * | 2018-03-02 | 2018-07-17 | 宿州学院 | 一种农业生态多源异构大数据采集、处理与分析架构 |
CN108801350A (zh) * | 2018-06-22 | 2018-11-13 | 江苏省农业科学院 | 一种基于无人机低空遥感技术的果树生长监测系统 |
CN109118527A (zh) * | 2018-07-06 | 2019-01-01 | 航天星图科技(北京)有限公司 | 一种基于gpu的遥感影像dsm快速提取方法及装置 |
CN110020635A (zh) * | 2019-04-15 | 2019-07-16 | 中国农业科学院农业资源与农业区划研究所 | 基于无人机影像与卫星影像的种植区农作物精细分类方法和系统 |
Non-Patent Citations (3)
Title |
---|
SHI YUN 等: "Framework of SAGI Agriculture Remote Sensing and Its Perspectives in Supporting National Food Security", 《JOURNAL OF INTEGRATIVE AGRICULTURE》 * |
李常春等: "天地一体化信息网络数据融合技术研究", 《计算机与网络》 * |
陈仲新等: "农业遥感研究应用进展与展望", 《遥感学报》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111727443B (zh) * | 2020-05-15 | 2023-10-31 | 安徽中科智能感知科技股份有限公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN111727443A (zh) * | 2020-05-15 | 2020-09-29 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
CN113053085B (zh) * | 2021-02-04 | 2022-06-03 | 北京戴纳实验科技有限公司 | 一种医院冰箱监管系统 |
CN113053085A (zh) * | 2021-02-04 | 2021-06-29 | 北京戴纳实验科技有限公司 | 一种医院冰箱监管系统 |
CN113075251A (zh) * | 2021-03-04 | 2021-07-06 | 山西省农业科学院经济作物研究所 | 一种高粱涝害的检测方法 |
CN113970353A (zh) * | 2021-09-17 | 2022-01-25 | 西安中科西光航天科技有限公司 | 一种用于监测农作物长势的遥感监测系统 |
CN113762226B (zh) * | 2021-11-09 | 2022-01-07 | 成都理工大学 | 基于高光谱分辨率调整提升树种识别精度的方法及系统 |
CN113762226A (zh) * | 2021-11-09 | 2021-12-07 | 成都理工大学 | 基于高光谱分辨率调整提升树种识别精度的方法及系统 |
CN114494888A (zh) * | 2022-02-18 | 2022-05-13 | 中国科学院地理科学与资源研究所 | 一种无人机影像中机播小麦苗期断垄自动监测方法 |
CN114324826A (zh) * | 2022-03-09 | 2022-04-12 | 中国矿业大学(北京) | 一种煤田火区空-土垂直气体通量的监测系统及监测方法 |
CN114324826B (zh) * | 2022-03-09 | 2022-06-28 | 中国矿业大学(北京) | 一种煤田火区空-土垂直气体通量的监测系统及监测方法 |
CN115713681A (zh) * | 2022-11-22 | 2023-02-24 | 中国农业科学院农业资源与农业区划研究所 | 一种融合物联网和卫星数据生成时空连续农作物参数的方法和系统 |
CN117079166A (zh) * | 2023-10-12 | 2023-11-17 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
CN117079166B (zh) * | 2023-10-12 | 2024-02-02 | 江苏智绘空天技术研究院有限公司 | 一种基于高空间分辨率遥感图像的边缘提取方法 |
CN117110242A (zh) * | 2023-10-18 | 2023-11-24 | 北京英视睿达科技股份有限公司 | 一种药肥使用的监测方法、装置及存储介质 |
CN117110242B (zh) * | 2023-10-18 | 2024-01-16 | 北京英视睿达科技股份有限公司 | 一种药肥使用的监测方法、装置及存储介质 |
CN117347974A (zh) * | 2023-12-04 | 2024-01-05 | 中国林业科学研究院资源信息研究所 | 一种灌丛植被地上生物量的估测方法及装置 |
CN117347974B (zh) * | 2023-12-04 | 2024-02-13 | 中国林业科学研究院资源信息研究所 | 一种灌丛植被地上生物量的估测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111028096A (zh) | 一种天、空、地一体化数据融合的系统和方法 | |
Zheng et al. | Improved estimation of rice aboveground biomass combining textural and spectral analysis of UAV imagery | |
Malambo et al. | Multitemporal field-based plant height estimation using 3D point clouds generated from small unmanned aerial systems high-resolution imagery | |
Guo et al. | Crop 3D—a LiDAR based platform for 3D high-throughput crop phenotyping | |
Devia et al. | High-throughput biomass estimation in rice crops using UAV multispectral imagery | |
Qiao et al. | Improving estimation of LAI dynamic by fusion of morphological and vegetation indices based on UAV imagery | |
Zhu et al. | Estimating leaf chlorophyll content of crops via optimal unmanned aerial vehicle hyperspectral data at multi-scales | |
Yang et al. | Integration of crop growth model and random forest for winter wheat yield estimation from UAV hyperspectral imagery | |
Raj et al. | Precision agriculture and unmanned aerial Vehicles (UAVs) | |
Moriya et al. | Mapping mosaic virus in sugarcane based on hyperspectral images | |
Sun et al. | Retrieval of rapeseed leaf area index using the PROSAIL model with canopy coverage derived from UAV images as a correction parameter | |
Sharifi | Estimation of biophysical parameters in wheat crops in Golestan province using ultra-high resolution images | |
de Oca et al. | The AgriQ: A low-cost unmanned aerial system for precision agriculture | |
Zhang et al. | Estimating wheat yield by integrating the WheatGrow and PROSAIL models | |
Yue et al. | Method for accurate multi-growth-stage estimation of fractional vegetation cover using unmanned aerial vehicle remote sensing | |
Liu et al. | Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements | |
Jeong et al. | Application of an unmanned aerial system for monitoring paddy productivity using the GRAMI-rice model | |
Zhang et al. | Opportunities of UAVs in orchard management | |
Yuhao et al. | Rice Chlorophyll Content Monitoring using Vegetation Indices from Multispectral Aerial Imagery. | |
CN112434569A (zh) | 一种无人机热成像系统 | |
Alckmin et al. | Perennial ryegrass biomass retrieval through multispectral UAV data | |
Guo et al. | Identifying crop phenology using maize height constructed from multi-sources images | |
Lu et al. | Inversion of chlorophyll content under the stress of leaf mite for jujube based on model PSO-ELM method | |
Sahoo et al. | Drone remote sensing of wheat N using hyperspectral sensor and machine learning | |
Guo et al. | Inversion of maize leaf area index from UAV hyperspectral and multispectral imagery |
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 |