CN111582055A - 一种无人机的航空施药航线生成方法及系统 - Google Patents

一种无人机的航空施药航线生成方法及系统 Download PDF

Info

Publication number
CN111582055A
CN111582055A CN202010307614.XA CN202010307614A CN111582055A CN 111582055 A CN111582055 A CN 111582055A CN 202010307614 A CN202010307614 A CN 202010307614A CN 111582055 A CN111582055 A CN 111582055A
Authority
CN
China
Prior art keywords
pest
data
area
unmanned aerial
aerial 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
CN202010307614.XA
Other languages
English (en)
Other versions
CN111582055B (zh
Inventor
陈立平
徐刚
张瑞瑞
李龙龙
伊铜川
丁晨琛
文瑶
段丹丹
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.)
Agricultural Core Technology Guangzhou Co ltd
Qingyuan Intelligent Agricultural Research Institute
Beijing Research Center of Intelligent Equipment for Agriculture
Original Assignee
Agricultural Core Technology Guangzhou Co ltd
Qingyuan Intelligent Agricultural Research Institute
Beijing Research Center of Intelligent Equipment for Agriculture
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 Agricultural Core Technology Guangzhou Co ltd, Qingyuan Intelligent Agricultural Research Institute, Beijing Research Center of Intelligent Equipment for Agriculture filed Critical Agricultural Core Technology Guangzhou Co ltd
Priority to CN202010307614.XA priority Critical patent/CN111582055B/zh
Publication of CN111582055A publication Critical patent/CN111582055A/zh
Application granted granted Critical
Publication of CN111582055B publication Critical patent/CN111582055B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Abstract

本发明提供的一种无人机的航空施药航线生成方法及系统，包括：采集待施药区域的现场害虫监测及气象数据，遥感采集待施药区域的地面点云和高光谱数据；基于支持向量机融合作物数据、现场害虫监测数据、气象数据、地面点云以及高光谱数据，计算待施药区域中的各子区域内的病虫害类型和病虫害危害等级；根据各子区域内的病虫害类型确定防治方案；根据各子区域内的病虫害危害等级生成施药处方图；结合无人机喷洒系统类型，生成作业航线图。本发明实施例通过获取现场监测数据、点云数据和高光谱数据，利用气象数据和生物量数据，建立多重分类器校正害虫诱捕数据和高光谱数据提升了病虫害识别精度，同时生成无人机实时处方图，实现了航空精准施药。

Description

一种无人机的航空施药航线生成方法及系统
技术领域
本发明实施例涉及农业信息化技术领域，尤其涉及一种无人机的航空施药航线生成方法及系统。
背景技术
近年来，随着机械化程度及配套种植技术的逐步提高，农业机械的发展为农业现代化提供了极大的便利。其中，基于无人机的作业工具为农业现代化提供了高效、便捷的作业方法。
一方面，现有技术中利用无人机针对大面积作物的病虫害进行施药防治，通常是操控者主观上根据受灾情况，进行防治方案、施药处方、作业航行线路的设计。在整个施药过程中，需要多方面人员的参与，例如：需要先关专业人员对实际的受灾区域进行考察，以确定出病虫害类型以及病虫害危害等级；需要农业专家根据病虫害类型等信息主观的制定出防治方案以及施药处方图等。
另一方面，现有技术中利用无人机针对大面积作物的病虫害进行施药防治，一般是根据人工采样获取到的待施药区域内的病虫害特征，统一进行防治，无法针对待施药区域内的各个子区域进行区别化防治。
由于在现有技术中对于防治方案以及施药处方图的确定具有主观性和统一性，往往造成病虫害的防治工作不能做到对症下药，或者在药量的使用上存在较大的偏差，从而错过了病虫害防治的关键窗口期或造成农药的浪费。同时，现有的利用无人机进行施药需要多方面人员的参与，大大的降低了农业自动化的程度，造成了人力、物力的浪费。
发明内容
本发明实施例提供一种无人机的航空施药航线生成方法及系统，用以克服现有技术在无人机的航空施药航线生成方面存在的自动化程度不高、施药方案制定过于主观化、统一化的缺陷。
第一方面，本发明实施例提供一种无人机的航空施药航线生成方法，主要包括：
通过测报设备采集待施药区域害虫种类及数量和田间气象数据；通过无人机采集待施药区域地面点云和高光谱数据；基于支持向量机融合数据，包括：基于田间作物种类、害虫种类及数量和田间气象数据、地面点云以及高光谱数据，计算待施药区域中的各子区域内的病虫害类型和病虫害危害等级；根据各子区域内的病虫害类型确定防治方案；结合各子区域内的病虫害危害等级生成施药处方图；结合无人机喷洒系统类型和作业模式，生成作业航线图。
优选地，上述通过测报设备采集待施药区域害虫种类、数量和田间气象数据，包括：构建由分布于每个子区域内的害虫诱捕测报设备和田间气象测报设备组成的病害虫监测网络；每个害虫诱捕测报设备用于诱捕害虫并分类计数，获取待施药区域害虫种类及数量；田间气象测报设备用于获取子区域的田间气象数据，包括空气温度、空气湿度、风速、风向、气压和降雨量；害虫诱捕测报设备包括3种，按害虫分类计数可信度自低至高分别为：基于光诱的广谱害虫拍照测报设备、基于性诱的害虫无拍照诱捕设备、基于性诱的害虫诱捕拍照设备；将基于性诱的害虫诱捕拍照设备获取的害虫图像输入至病虫害识别神经网络训练集中，并用病虫害识别神经网络训练集完成对病虫害识别神经网络模型的预训练；将基于光诱的广谱害虫拍照测报设备获取的害虫图像输入至已训练完成的病虫害识别神经网络模型中，搜索识别害虫并获取所述害虫种类及数量；将每个子区域内的田间气象数据、测报设备类型、害虫种类及数量进行汇总，获取待施药区域的害虫种类及数量和田间气象数据。
优选地，上述通过无人机采集待施药区域地面点云和高光谱数据，包括：在无人机上挂载激光雷达和高光谱相机；利用激光雷达获取待施药区域的地面点云，地面点云用于计算生物量数据；利用高光谱相机获取待施药区域的高光谱数据，高光谱数据用于识别病虫害带来的植物叶片光谱特征变化，并根据植物叶片光谱特征变化确定所述待施药区域的病虫害数据。
优选地，在将每个子区域内的田间气象数据、测报设备类型、害虫种类及数量进行汇总之前，还包括：利用田间气象测报设备的测量结果与害虫诱捕测报设备的测量结果所得置信度构建支持向量机，并应用AdaBoost算法融合多个向量机输出结果，获取通过第一分类器的害虫分类计数数据，具体为：利用每个子区域内的空气温度、空气湿度、风速、风向、气压和降雨量分别与各害虫种类及数量置信度构建多重支持向量机；
基于AdaBoost算法融合多重所述支持向量机输出结果，构成所述第一分类器的害虫分类计数数据。
优选地，上述基于田间作物种类、害虫种类及数量和田间气象数据、地面点云以及所述高光谱数据，计算待施药区域中的各子区域内的病虫害类型和病虫害危害等级，包括：
基于所述通过第一分类器的害虫分类计数数据和生物量数据构成支持向量机形成第二分类器；利用第二分类器，滤除生物量数据不合理的害虫分类计数数据；基于通过第二分类器的害虫分类计数数据和导致植物叶片特征光谱变化的病虫害数据构成支持向量机，形成第三分类器；利用第三分类器，根据高光谱数据确定的所述待施药区域的病虫害数据，滤除不合理的害虫分类计数数据；根据第三分类器输出的害虫分类计数数据，计算待施药区域中的各子区域内的病虫害类型和病虫害危害等级。
优选地，在根据所述各子区域内的病虫害危害等级确生成动态的施药处方图之后，还包括：使用图像形态学方法以所述施药处方图中的面积较大处方区块侵蚀周边区块，直至消除所述施药处方图中面积小于最小可施药面积的小面积施药区，以完成对施药处方图的优化；最小可施药面积是根据无人机施药响应特性确定。
优选地，上述结合无人机喷洒系统类型，生成作业航线图，具体包括：为加载变量施药系统的无人机生成定航速变量施药航线图，或为加载定量施药系统的无人机生成变航速施药航线图。
第二方面，本发明实施例提供一种无人机的航空施药航线生成系统，主要包括：数据采集单元、病虫害数据提取单元、防治方案确定单元、施药处方图确定单元和作业航线图确定单元，其中：
数据采集单元主要用于获取通过测报设备采集的待施药区域的害虫种类及数量和田间气象数据以及通过无人机遥感采集的待施药区域的地面点云和高光谱数据；
病虫害数据提取单元主要用于基于支持向量机融合数据，包括：基于田间作物种类、害虫种类及数量和田间气象数据、地面点云以及高光谱数据，计算待施药区域中的各子区域内的病虫害类型和病虫害危害等级；
防治方案确定单元主要用于根据各子区域内的病虫害类型确定防治方案；
施药处方图确定单元主要用于根据各子区域内的病虫害危害等级确生成施药处方图；
作业航线图确定单元主要用于结合无人机喷洒系统类型，生成作业航线图。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如第一方面任一所述的无人机的航空施药航线生成方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面任一所述的无人机的航空施药航线生成方法的步骤。
本发明实施例提供的无人机的航空施药航线生成方法及系统，通过获取现场监测数据、点云数据和高光谱数据，利用气象数据和生物量数据，建立基于支持向量机的多重分类器校正害虫诱捕数据和高光谱数据提升了病虫害识别精度，同时自动推荐防治方案并形成可操作处方图和作业航线，实现了航空精准施药，有效的提升了无人机喷洒系统的自动化和智能化作业能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种无人机的航空施药航线生成方法流程示意图；
图2为本发明实施例提供的一种无人机的航空施药航线生成系统的结构示意图；
图3为本发明实施例提供的一种电子设备的实体结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例提供一种无人机的航空施药航线生成方法，如图1所示，包括但不限于以下步骤：
步骤S1：通过测报设备采集待施药区域害虫种类及数量和田间气象数据，通过无人机采集待施药区域地面点云和高光谱数据；
步骤S2：基于支持向量机融合数据，包括：基于田间作物种类、所述害虫种类及数量和田间气象数据、所述地面点云以及所述高光谱数据，计算所述待施药区域中的各子区域内的病虫害类型和病虫害危害等级；
步骤S3：根据所述各子区域内的病虫害类型确定防治方案；
步骤S4：根据所述各子区域内的病虫害危害等级确生成施药处方图；
步骤S5：结合无人机喷洒系统类型，生成作业航线图。
具体地，在步骤S1中，现场害虫监测及气象数据主要包括待施药区域的气象信息、病虫害信息、农作物信息等等。若待施药区域的面积较大时，可以根据实际情况对整个区域进行子区域的划分，并分别获取到每个子区域的现场监测数据。采用上述分区域的方式进行数据的测量，可以有效的提高数据的真实性和准确性，以提高农灌施的精度。
进一步地，还可以按照所处地段的不同，对待施药区域中的每个子区域进行顺序编号，例如按照作物的种类进行字母编号，例如用A-Z对不同农作物区域进行编号。同时，可以对种植有同一农作物的区域进一步进行子区域的划分，例如：划分为A1、A2，…An(n为同一农作物的区域划分子区域的个数)。
与此对应地，在利用无人机对待施药区域内的地面点云和高光谱数据进行遥感测量，主要是获取与所述现场监测数据相对应的每个子区域的地面点云以及高光谱数据。例如，针对子区域A1，可同时获取该区域的现场监测数据、地面点云以及高光谱数据。
其中，地面点云是通过机载激光雷达系统通过发射和接收激光脉冲，以直接快速得到地表密集的高精度三维点坐标图像。该地面点云中的每一个点包含有三维坐标，同时可以含有色彩资讯(R，G，B)或物体反射面强度等信息。根据获取到的地面点云数据进行逆向建模，获取地面的生物量。其中生物量主要是指某一时刻单位面积内实存生活的有机物质的总量，通常用kg/m或t/hm或g/m2表示，在本实施例中则主要是指农作物的植物量。
进一步地，在本发明实施例中，还可以通过对获取地面点云进行分析，获取待施药区域内，各种不同的农作物的生物量在总生物量中所占的比例，为将待施药区域划分为多个子区域提供依据。
其中，上述高光谱数据(图像)，可以是利用搭载在无人机上的高光谱传感器，如成像光谱仪，在电磁波谱的紫外、可见光、近红外和中红外区域，以数十至数百个连续且细分的光谱波段对目标区域同时成像，在获得地表图像信息的同时，也可以获得其光谱信息。
进一步地，在本发明实施例中所使用的高光谱相机的采集光谱范围不少于450-950nm，其波段不少于125个。通过采集到的高光谱数据，可以对目标区域内由病虫害带来的植物叶片光谱特征变化进行识别。
进一步地，在步骤S2中，用于对现场害虫监测(包括害虫种类及个种类对应的数量)及田间气象数据、地面点云以及高光谱数据并结合作物数据进行融合的支持向量机(Support Vector Machine，简称SVM)的关键在于核函数的确定。由于低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但利用这个办法带来的困难就是计算复杂度的增加，而可以利用核函数解决了这一问题。即通过选用适当的核函数，就可以得到高维空间的分类函数。由于，在SVM理论中，采用不同的核函数将导致不同的SVM算法，在本发明实施例中对于核函数的选择不做具体的限定。具体地，能够用于实现对于现场害虫监测及气象数据、地面点云以及高光谱数据的融合，以进一步的确定待施药区域中的各子区域内的病虫害类型和病虫害危害等级均适用本发明实施例提供的方法。
具体地，可以根据在每个不同子区域内获取到的现场害虫监测及气象数据、地面点云、作物数据以及高光谱数据，获取到该子区域内的病虫害类型以及病虫害的危害程度。例如，在获取到A1区域内种植的是水稻，其病虫害主要为稻螟虫病害，并可以根据高光谱数据获取到由稻螟虫病害所植物叶片光谱特征变化量，结合现场监测数据，综合确定出病虫害的危害等级。
其中，病虫害危害等级可以根据不同的作物以及受危害的程度，进行划分，例如：可以划分为轻度、中度以及重度等。
进一步地，在步骤S3中，可以根据获取到的各子区域的病虫害类型，确定出对应的防治方案。例如，对如上所述的A1区域，当确定其病虫害类型为稻螟虫病害后，可以制定以下防治方案：
每亩水稻用30克98％巴丹原粉拌细土25公斤撒施，或者每亩水稻用50％螟怕可湿性粉剂80克兑水45公斤喷雾防治，或者也可以采用每亩水稻25％喹硫磷乳油150毫升兑水45公斤喷雾防治。
进一步地，在步骤S4中，可以结合各子区域内的病虫害危害等级，动态的生成施药处方图，即根据各子区域内的病虫害及危害等级的不同，确定化学农药的喷洒处方图，实现化学农药的变量喷洒，这样能够有效地提高农药在的使用率，并明显地减少农药在施洒区域的沉降。例如，若通过上述分析获知A1区域与A2区域均为稻螟虫病害，但是A1区域的病虫害危害程度大于A2区域内的，此时可以制定对应的施药处方图，相较于A2区域，加大在A1区域内的用药量。
最后，在步骤S5中，综合上述防治方案、施药处方图以及待施药区域内的作物及地理分布形式，制定出相应的作业航线图。
在每次进行无人机喷洒时，首先将所述作业航线图以及施药处方图发送并存储至所述无人机，该无人机可以配置有多个相对独立的储药箱，并在每个储药箱上设置一个流量控制器，每个流量控制器用于控制储药箱中的农药喷洒的开启以及喷洒的快慢。
即无人机在进行具体喷洒时，能够根据自动推荐的防治方案并形成可操作处方图和作业航线，并完成对于不同子区域内进行不同农药以及不同流量的喷洒，在实现对病虫进行靶向治疗的同时，有效的节约了成本，避免过量喷洒的农药在施洒区域的沉降。
本发明实施例提供的无人机的航空施药航线生成方法及系统，通过获取现场害虫监测及气象数据、点云数据和高光谱数据，利用气象数据和生物量数据，建立基于支持向量机的多重分类器校正害虫诱捕数据和高光谱数据提升了病虫害识别精度，同时自动推荐防治方案并形成可操作处方图和作业航线，实现了航空精准施药，有效的提升了无人机喷洒系统的自动化和智能化作业能力。
基于上述实施例的内容，作为一种可选实施例，上述通过测报设备采集待施药区域害虫种类、数量和田间气象数据，可以包括但不限于以下步骤：
构建由分布于每个子区域内的害虫诱捕测报设备和田间气象测报设备组成的病害虫监测网络；每个害虫诱捕测报设备用于诱捕害虫并分类计数，获取待施药区域害虫种类及数量；田间气象测报设备用于获取子区域的田间气象数据，包括空气温度、空气湿度、风速、风向、气压和降雨量；害虫诱捕测报设备包括3种，按害虫分类计数可信度自低至高分别为：基于光诱的广谱害虫拍照测报设备、基于性诱的害虫无拍照诱捕设备、基于性诱的害虫诱捕拍照设备；将基于性诱的害虫诱捕拍照设备获取的害虫图像输入至病虫害识别神经网络训练集中，并用病虫害识别神经网络训练集完成对病虫害识别神经网络模型的预训练；将基于光诱的广谱害虫拍照测报设备获取的害虫图像输入至已训练完成的病虫害识别神经网络模型中，搜索识别害虫并获取害虫种类及数量；将每个子区域内的田间气象数据、测报设备类型、害虫种类及数量进行汇总，获取待施药区域的害虫种类及数量和田间气象数据。
具体地，可以在整个待施药区域内按预设规律部署害虫监控网络，该害虫监测网络主要由害虫诱捕测报设备组成，害虫诱捕测报设备可以诱捕害虫并采集农田环境气象参数，并将采集的农田环境气象数据通过4G通信网络汇总到服务器。
进一步地，在每个子区域内至少设置一个所述害虫诱捕测报设备。
进一步地，害虫诱捕测报设备可以包括：专一性诱杀设备和广谱诱杀设备。其中，专一性诱杀设备可以使用昆虫性诱剂诱杀指定品类害虫并计数；广谱诱杀设备则主要时利用害虫的趋光性和趋色性诱集害虫，再通过拍照获取害虫图像，通过神经网络识别害虫的种类和各种类害虫的诱捕数据。
进一步地，上述病虫害识别神经网络模型可以是普通的卷积神经网络模型，也可以是基于贝叶斯卷积神经网络的害虫图像识别网络，对此本实施例不作具体的限定。
综上所述，在本发明实施例中的待施药区域的现场监测数据由各个子区域的现场监测数据组成，而每个所述子区域的现场监测数据则可以包括空气温度、空气湿度、气压、降雨量、害虫种类和各种类害虫的诱捕数据等。
本发明实施例提供的无人机的航空施药航线生成方法，通过预先设置在作物区域内的病害虫监测网络，随时可以对待施药区域内的现场害虫监测及气象数据进行获取，有效的节约了人力、物力，提高了病虫害治理的时效性；同时，通过综合待喷药区域内的空气温度、空气湿度、气压、降雨量等气象信息对害虫诱捕数据和高光谱数据进行校正，提高了病虫害识别精度，为病虫害的精确治理提供了第一手资料。
基于上述实施例的内容，作为一种可选实施例，上述通过无人机采集待施药区域地面点云和高光谱数据，包括但不限于以下步骤：
在无人机上挂载激光雷达和高光谱相机；利用激光雷达获取待施药区域的地面点云，地面点云用于计算生物量数据；利用高光谱相机获取待施药区域的高光谱数据，高光谱数据用于识别病虫害带来的植物叶片光谱特征变化，并根据植物叶片光谱特征变化确定待施药区域的病虫害数据。
植物病虫害是影响作物最终产量的关键因素之一，利用遥感技术特别是高光谱、卫星技术监测病虫害，具有快速、简便、宏观、无损、客观等优点，可以随时提供信息，迅速、准确的对田间作物生长状况进行监测，以便及时采取措施治理或合理安排计划，是作物病虫害监测的发展方向。
各种物质因结构与组成成分不同，大多数地物又具有BRDF(双向反射分布函数)各向异性的反射特性，所以在光谱反射与辐射特性方面有差异，从而具有该物体诊断意义的光谱特征。据此，不同作物或同一作物在不同生长季节、不同角度和病虫危害及程度下，有其特殊意义的诊断性光谱特征。因此通过光谱分析技术可以探测作物的健康状况以及病虫发生情况。
对单叶，因病虫危害导致叶片细胞结构、色素、水分、氮素含量及外部形状等发生变化，从而引起光谱的变化；对冠层，因病虫危害引起LAI、生物量、覆盖度等的变化，可见光到热红外波谱反射光谱与正常作物有明显差异。在大尺度上，受病虫危害的作物在高光谱扫描记录上会引起灰度值的差异，在空间相、光谱相和时间相上有明显的差异。有鉴于此，本发明实施例通过地面获得的现场监测数据，结合无人机获得的地面点云和高光谱数据监测作物病虫害。
其中，在基于支持向量机对现场害虫监测及气象数据、地面点云以及高光谱数据进行融合后，可以将融合处理(相当于初始化处理)后的数据，综合运动多种技术方法，例如光谱反射率分析、回归模型分析、制备指数分析、光谱微分、基于光谱位置变量分析、遥感影像分析等相结合，确定作物是否有病虫害以及病虫害发生的程度。
本发明实施例提供的无人机的航空施药航线生成方法，利用无人机遥感技术获取待施药区域内的病虫害种类以及病虫害发生的程度，大大提高了自动化的程度，节省了大量的人力、物力。
基于上述实施例的内容，作为一种可选实施例，在将每个子区域内的田间气象数据、测报设备类型、害虫种类及数量进行汇总之前，还包括：
利用所述田间气象测报设备的测量结果与所述害虫诱捕测报设备的测量结果所得置信度构建支持向量机，并应用AdaBoost算法融合多个向量机输出结果，获取通过第一分类器的害虫分类计数数据，具体为：利用每个所述子区域内的空气温度、空气湿度、风速、风向、气压和降雨量分别与各害虫种类及数量置信度构建多重支持向量机；基于AdaBoost算法融合多重支持向量机输出结果，构成第一分类器的害虫分类计数数据。
例如，在本发明实施例中使用空气温度、空气湿度、气压、降雨量分别和诱捕器测报设备计数量的置信度构造分类器，并进一步的使用adaBoost方法融合多重分类器，计算由每个诱捕测报设备的获取的计数的置信度。其中，专一性诱杀设备置信度一般为0.9左右，光诱设备计数置信度一般为0.7左右，色诱设备计数置信度一般0.6左右。当上述阈值设置为0.5时，即最终选择将置信度高于0.5的害虫计数(即生物量数据)输入至步骤S3中的融合计算。
本发明实施例提供的无人机的航空施药航线生成方法，利用气象数据和生物量数据，建立基于支持向量机的Adaboost多重分类器校正害虫诱捕数据和高光谱数据，剔除不实数据的干扰，有效的提升了病虫害识别精度。
基于上述实施例的内容，作为一种可选实施例，上述基于田间作物种类、所述害虫种类及数量和田间气象数据、地面点云以及高光谱数据，计算待施药区域中的各子区域内的病虫害类型和病虫害危害等级，包括：基于通过第一分类器的害虫分类计数数据和生物量数据构成支持向量机形成第二分类器；利用所述第二分类器，滤除生物量数据不合理的害虫分类计数数据；基于通过第二分类器的害虫分类计数数据和导致所述植物叶片特征光谱变化的病虫害数据构成支持向量机，形成第三分类器；利用第三分类器，根据所述高光谱数据确定的所述待施药区域的病虫害数据，滤除不合理的害虫分类计数数据；根据第三分类器输出的害虫分类计数数据，计算所述待施药区域中的各子区域内的病虫害类型和病虫害危害等级。
具体地，在本发明实施例中，一方面，使用支持向量机构成第一分类器，根据生物量数据和害虫识别置信度滤除一部分不合理害虫捕获数量；另一方面，使用支持向量机构成第二分类器，根据生物量数据筛选光谱分析得到的病虫害数据，再次滤除另一部分不合理害虫捕获数据。最后，利用第三分类器对剩余的害虫捕获数据所构成的现场监测数据进行按上述实施例所述的方法进行分析，获取各子区域内的病虫害类型和病虫害危害等级。
本发明实施例提供的无人机的航空施药航线生成方法，利用支持向量机构成二类分类器，结合由地面点云获取的生物量数据、害虫识别置信度、由高光谱数据获取的病虫害数据相结合，对由现场监测数据处理获取的现场害虫监测及气象数据进行去杂处理，有效的提高了病虫害识别精度，实现了精准施药。
基于上述实施例的内容，作为一种可选实施例，在所述根据所述各子区域内的病虫害危害等级确生成动态的施药处方图之后，还可以包括以下步骤：
使用图像形态学方法以所述施药处方图中的面积较大处方区块侵蚀周边区块，直至消除所述施药处方图中面积小于最小可施药面积的小面积施药区，以完成对所述施药处方图的优化；其中，最小可施药面积是根据无人机施药响应特性确定。
具体地，图像形态学方法可以称作数学形态学方法，用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。主要用于从图像中提取对表达和描绘区域形状有意义的图像分量，使后续的识别工作能够抓住目标对象最为本质(最具区分能力－most discriminative)的形状特征，如边界和连通区域等。同时像细化、像素化和修剪毛刺等技术也常应用于图像的预处理和后处理中，成为图像增强技术的有力补充。
在本发明实施例中，则是利用图像形态学方法对获取的由每个子区域所构成的施药处方图进行处理。一方面，由于相邻子区域内的病虫害存在着相似性和关联性；同时，为了避免无人机在施药过程中的过于频繁的喷洒调整上的困难，在本发明实施例中，对施药处方图中的小面积施药区进行相似化处理，以完成对施药处方图的优化。
基于上述实施例的内容，作为一种可选实施例，上述结合无人机喷洒系统类型，生成作业航线图，具体包括但不限于以下步骤：
加载变量施药系统的无人机生成定航速变量施药航线图，或为加载定量施药系统的无人机生成变航速施药航线图。具体地，由于无人机喷洒系统从类型上区分，一般具有匀速喷洒(即定量施药系统)和变速喷洒两种。其中变速喷洒可以根据喷洒量的需要，利用具有变频器控制的喂料器进行操作。
当对目标区域的实际需求的喷洒量固定的，若使用的无人机喷洒系统是匀速喷洒系统时，则可以通过对航速的调整，实现固定喷洒量的药物的喷洒。同理，若使用的无人机喷洒系统是变量施药系统时，则生成与之对应的定航速变量施药航线图。
本发明实施例提供的无人机的航空施药航线生成方法，能根据待施药区域内各子区域所需要的不同施药量的需求，结合无人机喷洒系统的不同控制原理，灵活的制定不同的施药航线图，进一步实现了施药自动化的程度，同时提供了农药喷施的精度。
本发明实施例提供一种无人机的航空施药航线生成系统，如图2所示，包括但不限于以下结构：数据采集单元1、病虫害数据提取单元2、防治方案确定单元3、施药处方图确定单元以及作业航线图确定单元5，其中：
数据采集单元1主要用于获取通过测报设备采集的待施药区域的害虫种类及数量和田间气象数据以及通过无人机遥感采集的所述待施药区域的地面点云和高光谱数据。病虫害数据提取单元2主要用于基于支持向量机融合数据，包括：基于田间作物种类、所述害虫种类及数量和田间气象数据、所述地面点云以及所述高光谱数据，计算所述待施药区域中的各子区域内的病虫害类型和病虫害危害等级。防治方案确定单元3主要用于根据各子区域内的病虫害类型确定防治方案。施药处方图确定单元4主要用于根据各子区域内的病虫害危害等级确生成施药处方图。作业航线图确定单元5主要用于结合无人机喷洒系统类型，生成作业航线图。
需要说明的是，本发明实施例提供的无人机的航空施药航线生成系统，在具体运行时，可用于执行上述任一实施例中所述的无人机的航空施药航线生成方法，再次不作一一赘述。
本发明实施例提供的无人机的航空施药航线生成系统，通过获取现场监测数据、点云数据和高光谱数据，利用气象数据和生物量数据，建立基于支持向量机的多重分类器校正害虫诱捕数据和高光谱数据提升了病虫害识别精度，同时自动推荐防治方案并形成可操作处方图和作业航线，实现了航空精准施药，有效的提升了无人机喷洒系统的自动化和智能化作业能力。
图3示例了一种电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行如下方法：
采通过测报设备采集待施药区域害虫种类及数量和田间气象数据；通过无人机采集待施药区域地面点云和高光谱数据；基于支持向量机融合数据，包括：基于田间作物种类、害虫种类及数量和田间气象数据、地面点云以及高光谱数据，计算待施药区域中的各子区域内的病虫害类型和病虫害危害等级；根据各子区域内的病虫害类型确定防治方案；结合各子区域内的病虫害危害等级生成施药处方图；结合无人机喷洒系统类型和作业模式，生成作业航线图。
此外，上述的存储器330中的逻辑指令可以通过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，本发明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(可以是个人计算机，服务器，或者网络设备等)执行本发明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、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的施药方法，例如包括：
通过测报设备采集待施药区域害虫种类及数量和田间气象数据；通过无人机采集待施药区域地面点云和高光谱数据；基于支持向量机融合数据，包括：基于田间作物种类、害虫种类及数量和田间气象数据、地面点云以及高光谱数据，计算待施药区域中的各子区域内的病虫害类型和病虫害危害等级；根据各子区域内的病虫害类型确定防治方案；结合各子区域内的病虫害危害等级生成施药处方图；结合无人机喷洒系统类型和作业模式，生成作业航线图。
以上所描述的装置实施例仅仅是示意性的，其中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网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种无人机的航空施药航线生成方法，其特征在于，包括：
通过测报设备采集待施药区域害虫种类及数量和田间气象数据；
通过无人机采集待施药区域地面点云和高光谱数据；
基于支持向量机融合数据，包括：基于田间作物种类、所述害虫种类及数量和田间气象数据、所述地面点云以及所述高光谱数据，计算所述待施药区域中的各子区域内的病虫害类型和病虫害危害等级；
根据所述各子区域内的病虫害类型确定防治方案；
结合所述各子区域内的病虫害危害等级生成施药处方图；
结合无人机喷洒系统类型和作业模式，生成作业航线图。
2.根据权利要求1所述的无人机的航空施药航线生成方法，其特征在于，所述通过测报设备采集待施药区域害虫种类、数量和田间气象数据，包括：
构建由分布于每个所述子区域内的害虫诱捕测报设备和田间气象测报设备组成的病害虫监测网络；
每个所述害虫诱捕测报设备用于诱捕害虫并分类计数，获取待施药区域害虫种类及数量；
所述田间气象测报设备用于获取所述子区域的所述田间气象数据，包括空气温度、空气湿度、风速、风向、气压和降雨量；
所述害虫诱捕测报设备包括3种，按害虫分类计数可信度自低至高分别为：基于光诱的广谱害虫拍照测报设备、基于性诱的害虫无拍照诱捕设备、基于性诱的害虫诱捕拍照设备；
将基于性诱的害虫诱捕拍照设备获取的害虫图像输入至病虫害识别神经网络训练集中，并用所述病虫害识别神经网络训练集完成对病虫害识别神经网络模型的预训练；
将基于光诱的广谱害虫拍照测报设备获取的害虫图像输入至已训练完成的所述病虫害识别神经网络模型中，搜索识别害虫并获取所述害虫种类及数量；
将每个所述子区域内的田间气象数据、测报设备类型、害虫种类及数量进行汇总，获取所述待施药区域的害虫种类及数量和田间气象数据。
3.根据权利要求1所述的无人机的航空施药航线生成方法，其特征在于，所述通过无人机采集待施药区域地面点云和高光谱数据，包括：
在无人机上挂载激光雷达和高光谱相机；
利用所述激光雷达获取所述待施药区域的地面点云，所述地面点云用于计算生物量数据；
利用所述高光谱相机获取所述待施药区域的高光谱数据，所述高光谱数据用于识别病虫害带来的植物叶片光谱特征变化，并根据所述植物叶片光谱特征变化确定所述待施药区域的病虫害数据。
4.根据权利要求2无人机的航空施药航线生成方法，其特征在于，在将每个所述子区域内的田间气象数据、测报设备类型、害虫种类及数量进行汇总之前，还包括：
利用所述田间气象测报设备的测量结果与所述害虫诱捕测报设备的测量结果所得置信度构建支持向量机，并应用AdaBoost算法融合多个向量机输出结果，获取通过第一分类器的害虫分类计数数据，具体为：
利用每个所述子区域内的空气温度、空气湿度、风速、风向、气压和降雨量分别与所述各害虫种类及数量置信度构建多重支持向量机；
基于AdaBoost算法融合多重所述支持多重支持向量机输出结果，构成所述第一分类器的害虫分类计数数据。
5.根据权利要求4所述的无人机的航空施药航线生成方法，其特征在于，所述基于田间作物种类、所述害虫种类及数量和田间气象数据、所述地面点云以及所述高光谱数据，计算所述待施药区域中的各子区域内的病虫害类型和病虫害危害等级，包括：
基于所述通过第一分类器的害虫分类计数数据和生物量数据构成支持向量机形成第二分类器；利用所述第二分类器，滤除生物量数据不合理的害虫分类计数数据；
基于通过所述第二分类器的害虫分类计数数据和导致植物叶片特征光谱变化的病虫害数据构成多重支持向量机，形成第三分类器；利用所述第三分类器，根据所述高光谱数据确定的所述待施药区域的病虫害数据，滤除不合理的害虫分类计数数据；
根据第三分类器输出的害虫分类计数数据，计算所述待施药区域中的各子区域内的病虫害类型和病虫害危害等级。
6.根据权利要求1所述的无人机的航空施药航线生成方法，其特征在于，在所述根据所述各子区域内的病虫害危害等级确生成动态的施药处方图之后，还包括：
使用图像形态学方法以所述施药处方图中的面积较大处方区块侵蚀周边区块，直至消除所述施药处方图中面积小于最小可施药面积的小面积施药区，以完成对所述施药处方图的优化；
所述最小可施药面积是根据无人机施药响应特性确定。
7.根据权利要求1所述的无人机的航空施药航线生成方法，其特征在于，所述结合无人机喷洒系统类型，生成作业航线图，具体包括：
为加载变量施药系统的无人机生成定航速变量施药航线图，或为加载定量施药系统的无人机生成变航速施药航线图。
8.一种无人机的航空施药航线生成系统，其特征在于，包括：
数据采集单元，用于获取通过测报设备采集的待施药区域的害虫种类及数量和田间气象数据以及通过无人机遥感采集的所述待施药区域的地面点云和高光谱数据；
病虫害数据提取单元，用于基于支持向量机融合数据，包括：基于田间作物种类、所述害虫种类及数量和田间气象数据、所述地面点云以及所述高光谱数据，计算所述待施药区域中的各子区域内的病虫害类型和病虫害危害等级；
防治方案确定单元，用于根据所述各子区域内的病虫害类型确定防治方案；
施药处方图确定单元，用于根据所述各子区域内的病虫害危害等级确生成施药处方图；
作业航线图确定单元，用于结合无人机喷洒系统类型，生成作业航线图。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述无人机的航空施药航线生成方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述无人机的航空施药航线生成方法的步骤。
CN202010307614.XA 2020-04-17 2020-04-17 一种无人机的航空施药航线生成方法及系统 Active CN111582055B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010307614.XA CN111582055B (zh) 2020-04-17 2020-04-17 一种无人机的航空施药航线生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010307614.XA CN111582055B (zh) 2020-04-17 2020-04-17 一种无人机的航空施药航线生成方法及系统

Publications (2)

Publication Number Publication Date
CN111582055A true CN111582055A (zh) 2020-08-25
CN111582055B CN111582055B (zh) 2023-06-09

Family

ID=72111586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010307614.XA Active CN111582055B (zh) 2020-04-17 2020-04-17 一种无人机的航空施药航线生成方法及系统

Country Status (1)

Country Link
CN (1) CN111582055B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112364691A (zh) * 2020-10-10 2021-02-12 广东省科学院生态环境与土壤研究所 一种烟草病虫害识别方法
CN112439569A (zh) * 2020-11-18 2021-03-05 广东技术师范大学 基于插入式引导荷电技术的荷电喷施方法和装置
CN112883822A (zh) * 2021-01-28 2021-06-01 广东技术师范大学 集预测与预防为一体的病虫害预测位置分析方法和装置
CN112907547A (zh) * 2021-02-26 2021-06-04 海南金垦赛博信息科技有限公司 一种热带农作物病虫害风险评估方法及系统
CN113016758A (zh) * 2021-03-01 2021-06-25 王�华 一种具有区别药物功能的无药自动返航无人机
CN113326952A (zh) * 2021-05-14 2021-08-31 北京百瑞盛田环保科技发展有限公司 一种施药监管方法、装置及系统
CN113326841A (zh) * 2021-05-31 2021-08-31 山东深蓝智谱数字科技有限公司 一种基于高光谱的作物虫害监测方法及设备
CN113317295A (zh) * 2021-05-14 2021-08-31 北京百瑞盛田环保科技发展有限公司 一种施药监管方法、装置及系统
CN113468964A (zh) * 2021-05-31 2021-10-01 山东省邮电工程有限公司 一种基于高光谱的农业病虫害监测方法及设备
CN114255262A (zh) * 2021-12-15 2022-03-29 赣南师范大学 一种害虫消杀系统、方法、电子设备及存储介质
JP2022057201A (ja) * 2020-09-30 2022-04-11 東日本電信電話株式会社 圃場統合管理システム
CN115963857A (zh) * 2023-01-04 2023-04-14 广东博幻生态科技有限公司 一种基于无人机的农药喷洒方法
CN116773464A (zh) * 2023-08-21 2023-09-19 内蒙古师范大学 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法
CN117237820A (zh) * 2023-09-26 2023-12-15 中化现代农业有限公司 害虫危害程度的确定方法、装置、电子设备和存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105173085A (zh) * 2015-09-18 2015-12-23 山东农业大学 无人机变量施药自动控制系统及方法
CN106814745A (zh) * 2017-03-22 2017-06-09 常熟理工学院 无人机智能药物供给喷洒方法和系统
CN107347849A (zh) * 2017-07-18 2017-11-17 河海大学 一种基于高光谱实时探测技术的智能喷洒系统
CN108157343A (zh) * 2018-04-02 2018-06-15 西北农林科技大学 一种基于无人机遥感的矮砧苹果园精准变量施药系统
CN108693119A (zh) * 2018-04-20 2018-10-23 北京麦飞科技有限公司 基于无人机高光谱遥感的病虫害智能察打系统
CN109117785A (zh) * 2018-08-08 2019-01-01 肇庆市高新区甜慕新能源技术有限公司 一种病虫害的监控方法
CN109872025A (zh) * 2018-12-13 2019-06-11 中国科学院遥感与数字地球研究所 作物病虫害分区变量管理方法及装置
CN109871029A (zh) * 2019-02-21 2019-06-11 华南农业大学 一种基于图像处理技术的植保无人机航线规划优化方法
CN109902571A (zh) * 2019-01-23 2019-06-18 中交信息技术国家工程实验室有限公司 一种基于无人机的公路绿化工程养护方法和系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105173085A (zh) * 2015-09-18 2015-12-23 山东农业大学 无人机变量施药自动控制系统及方法
CN106814745A (zh) * 2017-03-22 2017-06-09 常熟理工学院 无人机智能药物供给喷洒方法和系统
CN107347849A (zh) * 2017-07-18 2017-11-17 河海大学 一种基于高光谱实时探测技术的智能喷洒系统
CN108157343A (zh) * 2018-04-02 2018-06-15 西北农林科技大学 一种基于无人机遥感的矮砧苹果园精准变量施药系统
CN108693119A (zh) * 2018-04-20 2018-10-23 北京麦飞科技有限公司 基于无人机高光谱遥感的病虫害智能察打系统
CN109117785A (zh) * 2018-08-08 2019-01-01 肇庆市高新区甜慕新能源技术有限公司 一种病虫害的监控方法
CN109872025A (zh) * 2018-12-13 2019-06-11 中国科学院遥感与数字地球研究所 作物病虫害分区变量管理方法及装置
CN109902571A (zh) * 2019-01-23 2019-06-18 中交信息技术国家工程实验室有限公司 一种基于无人机的公路绿化工程养护方法和系统
CN109871029A (zh) * 2019-02-21 2019-06-11 华南农业大学 一种基于图像处理技术的植保无人机航线规划优化方法

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022057201A (ja) * 2020-09-30 2022-04-11 東日本電信電話株式会社 圃場統合管理システム
JP7065163B2 (ja) 2020-09-30 2022-05-11 東日本電信電話株式会社 圃場統合管理システム
CN112364691A (zh) * 2020-10-10 2021-02-12 广东省科学院生态环境与土壤研究所 一种烟草病虫害识别方法
CN112364691B (zh) * 2020-10-10 2024-02-09 广东省科学院生态环境与土壤研究所 一种烟草病虫害识别方法
CN112439569A (zh) * 2020-11-18 2021-03-05 广东技术师范大学 基于插入式引导荷电技术的荷电喷施方法和装置
CN112439569B (zh) * 2020-11-18 2021-06-29 广东技术师范大学 基于插入式引导荷电技术的荷电喷施方法和装置
CN112883822A (zh) * 2021-01-28 2021-06-01 广东技术师范大学 集预测与预防为一体的病虫害预测位置分析方法和装置
CN112907547A (zh) * 2021-02-26 2021-06-04 海南金垦赛博信息科技有限公司 一种热带农作物病虫害风险评估方法及系统
CN113016758A (zh) * 2021-03-01 2021-06-25 王�华 一种具有区别药物功能的无药自动返航无人机
CN113317295A (zh) * 2021-05-14 2021-08-31 北京百瑞盛田环保科技发展有限公司 一种施药监管方法、装置及系统
CN113326952A (zh) * 2021-05-14 2021-08-31 北京百瑞盛田环保科技发展有限公司 一种施药监管方法、装置及系统
CN113468964A (zh) * 2021-05-31 2021-10-01 山东省邮电工程有限公司 一种基于高光谱的农业病虫害监测方法及设备
CN113326841A (zh) * 2021-05-31 2021-08-31 山东深蓝智谱数字科技有限公司 一种基于高光谱的作物虫害监测方法及设备
CN114255262A (zh) * 2021-12-15 2022-03-29 赣南师范大学 一种害虫消杀系统、方法、电子设备及存储介质
CN115963857A (zh) * 2023-01-04 2023-04-14 广东博幻生态科技有限公司 一种基于无人机的农药喷洒方法
CN115963857B (zh) * 2023-01-04 2023-08-08 广东博幻生态科技有限公司 一种基于无人机的农药喷洒方法
CN116773464A (zh) * 2023-08-21 2023-09-19 内蒙古师范大学 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法
CN116773464B (zh) * 2023-08-21 2023-11-07 内蒙古师范大学 基于无人机高光谱和激光雷达的落叶松毛虫虫害监测方法
CN117237820A (zh) * 2023-09-26 2023-12-15 中化现代农业有限公司 害虫危害程度的确定方法、装置、电子设备和存储介质

Also Published As

Publication number Publication date
CN111582055B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
CN111582055B (zh) 一种无人机的航空施药航线生成方法及系统
AU2018346351B2 (en) Disease recognition from images having a large field of view
Amarasingam et al. A review of UAV platforms, sensors, and applications for monitoring of sugarcane crops
CN108693119B (zh) 基于无人机高光谱遥感的病虫害智能察打系统
CN108684282B (zh) 一种农业察打一体机系统及喷洒控制方法
Shaw Translation of remote sensing data into weed management decisions
US7103451B2 (en) Method and system for spatially variable rate application of agricultural chemicals based on remotely sensed vegetation data
CN107426958A (zh) 农业监控系统和方法
Franco et al. The value of precision for image-based decision support in weed management
KR20190115491A (ko) 센서 기반의 작황상황 빅데이터 분석을 이용하여 농약 살포량을 실시간으로 조절 가능한 농업용 드론 시스템
Iqbal et al. Poppy crop capsule volume estimation using UAS remote sensing and random forest regression
Huang et al. Advancing to the next generation of precision agriculture
Chen et al. Determining application volume of unmanned aerial spraying systems for cotton defoliation using remote sensing images
Khuzaimah et al. Application and potential of drone technology in oil palm plantation: Potential and limitations
WO2011160159A1 (en) A system and a method for generating a spectral image for a plot of land
Pasichnyk et al. Spectral-Spatial Analysis of Data of Images of Plantings for Identification of Stresses of Technological Character
Lakshmi et al. A Review on Developing Tech-Agriculture using Deep Learning Methods by Applying UAVs
Negrete Artificial vision in mexican agriculture for identification of diseases, pests and invasive plants
Pulakkatu‐thodi et al. Evaluation of macadamia felted coccid (Hemiptera: Eriococcidae) damage and cultivar susceptibility using imagery from a small unmanned aerial vehicle (sUAV), combined with ground truthing
Rane et al. REMOTE SENSING (RS), UAV/DRONES, AND MACHINE LEARNING (ML) AS POWERFUL TECHNIQUES FOR PRECISION AGRICULTURE: EFFECTIVE APPLICATIONS IN AGRICULTURE
do Amaral et al. Application of drones in agriculture
ZONGO et al. Drone agrotechnology’s for cotton (Gossypium hirsutum L.) pest and diseases management in Western of Burkina Faso
EP4250250A1 (en) Carbon soil backend
Porter Detection of Sericea Lespedeza (Lespedeza cuneata) Infestations Using Small Unmanned Aerial System (SUAS) Imagery
Al Nuaimi et al. Precision Agriculture Through Unmanned Arial Vehicles: A Case Study at Sultan Qaboos University

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