CN112167212A

CN112167212A - 一种无人机喷药控制系统及方法

Info

Publication number: CN112167212A
Application number: CN201910588899.6A
Authority: CN
Inventors: 郭子源
Original assignee: Shanghai Linshi Information Technology Co ltd
Current assignee: Shanghai Linshi Information Technology Co ltd
Priority date: 2019-07-02
Filing date: 2019-07-02
Publication date: 2021-01-05

Abstract

本发明公开了一种无人机喷药控制系统及方法，涉及无人机技术领域，所述系统包括：多光谱图像采集与预处理单元、离线与在线训练单元、特征提取单元、深度学习网络、控制中心、距离控制单元和喷洒装置；所述多光谱图像采集与预处理单元获取目标区域的多光谱图像，确定需要喷洒的区域；所述离线与在线训练模块，用于对采集到的多光谱图像和/或训练数据进行训练；所述特征提取模块，用于针对背景的差异，在多光谱图像中对目标物的温度、颜色、形状、面积、纹,和轮廓特征进行提取，并对特征进行归一化，为后续深度学习网络提供输入数据；所述深度学习网络，用于对网络的各层次进行批量训练，得到各层次网络的前向与后向权值，以及整个网络的权值；具有智能化程度高、控制方便和喷洒准确的优点。

Description

一种无人机喷药控制系统及方法

技术领域

本发明涉及无人机技术领域，特别是涉及一种无人机喷药控制系统及方法。

背景技术

无人机植保是指利用无人机对农林植物进行保护作业。可以用作植保的无人机，也称作植保无人机，可以使用固定翼、单旋翼、多旋翼无人机作为飞行平台，再安装喷洒机构组成，通过地面遥控或GPS飞控，来实现喷洒作业，可以喷洒药剂、种子、粉剂等。

植保无人机具有作业效率高、单位面积施药液量小、无需专用起降机场，机动性好等优点。而且，植保无人机可以远距离摇控操作，从根本上避免了作业人员暴露在农药中的危险，改良了农业劳动者的工作环境和条件，特别是旋翼植保无人机，其旋翼产生的向下气流有助于增加雾流对作物的穿透性，防治效果好。经过多年的实践，无人机植保在水田作业、高秆作物和应对爆发性病虫害等方面已经表现出突出的优势，而且可以应对农村劳动力日益减少的问题，近几年发展非常迅速，市场空间巨大。

发明内容

鉴于此，本发明的目的是提供一种无人机喷药控制系统及方法，具有智能化程度高、控制方便和喷洒准确的优点。

为了实现上述目的，本发明采用如下技术方案：

一种无人机喷药控制系统，所述系统包括：多光谱图像采集与预处理单元、离线与在线训练单元、特征提取单元、深度学习网络、控制中心、距离控制单元和喷洒装置；所述多光谱图像采集与预处理单元获取目标区域的多光谱图像，确定需要喷洒的区域；所述离线与在线训练模块，用于对采集到的多光谱图像和/或训练数据进行训练；所述特征提取模块，用于针对背景的差异，在多光谱图像中对目标物的温度、颜色、形状、面积、纹,和轮廓特征进行提取，并对特征进行归一化，为后续深度学习网络提供输入数据；所述深度学习网络，用于对网络的各层次进行批量训练，得到各层次网络的前向与后向权值，以及整个网络的权值；同时，每一次在线的识别，都作为有监督训练，并对整个网络进行微调；所述控制中心，用于通过确定的需要喷洒的区域和距离控制单元的结果，控制喷洒装置进行喷洒；所述距离控制单元，确定喷洒点和喷洒距离。

进一步的，所述距离控制单元包括：区域划分单元，用于将喷洒的区域划分为多个等面积的区域；起点位置确定单元，用于获取起点的位置信息、与所述目标无人机距离最近的目标无人机基站的位置信息以及喷药区域中各个定位点的位置信息；距离计算模块，用于将所述目标无人机基站的位置作为中间点，根据电子地图数据计算所述起点与所述中间点之间的第一导航路径。

进一步的，所述特征提取单元包括：初始化单元，用于进行图像初始化；特征网络构建单元，用于构建图像特征网络；特征分类单元，用于训练特征网络，生成分类器；生成单元，用于生成最终结果。

一种无人机喷药控制方法，所述方法执行以下步骤:获取目标区域的多光谱图像，确定需要喷洒的区域；对采集到的多光谱图像和/或训练数据进行训练；针对背景的差异，在多光谱图像中对目标物的温度、颜色、形状、面积、纹,和轮廓特征进行提取，并对特征进行归一化，为后续深度学习网络提供输入数据；对网络的各层次进行批量训练，得到各层次网络的前向与后向权值，以及整个网络的权值；同时，每一次在线的识别，都作为有监督训练，并对整个网络进行微调；通过确定的需要喷洒的区域和距离控制单元的结果，控制喷洒装置进行喷洒；确定喷洒点和喷洒距离。

进一步的，所述针对背景的差异，在多光谱图像中对目标物的温度、颜色、形状、面积、纹,和轮廓特征进行提取，并对特征进行归一化，为后续深度学习网络提供输入数据的方法包括：

步骤1：初始化输入图像尺寸为W*W，卷积核大小为K*K，步长为S，填充大小为P，输出个数为NUM和各层的权重为θi；

步骤2：准备目标图像数据；

步骤3：构建具有46层的深度学习的目标特征提取网络；

步骤4：将准备的目标图像数据输入到步骤3中构建的目标特征提取网络中，训练softmax分类器；

步骤5：启动目标特征提取网络，进行网络训练。

进一步的，所述通过确定的需要喷洒的区域和距离控制单元的结果，控制喷洒装置进行喷洒的方法执行以下步骤：将喷洒的区域划分为多个等面积的区域；获取起点的位置信息、与所述目标无人机距离最近的目标无人机基站的位置信息以及喷药区域中各个定位点的位置信息；将所述目标无人机基站的位置作为中间点，根据电子地图数据计算所述起点与所述中间点之间的第一导航路径。

与现有技术相比，本发明实现的有益效果：无人机并不会一次性计算整条导航路径，而是以无人机基站作为中间点，将整条导航路径拆分为多条导航路径来计算，从而减少了每次计算时的计算量，从而本发明无人机导航运行随时根据路况更新航行路线，从而实现减小飞行定位误差，更准确的抵达目的地，提高施药准确度。

附图说明

以下结合附图和具体实施方式来进一步详细说明本发明：

图1为本发明实施例公开的无人机喷药控制系统的系统结构示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效。

请参阅图1。须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。

实施例1

具体的，假设我们有一个系统S，它有n层(S1,…Sn)，它的输入是I，输出是O，形象地表示为：I＝>S1＝>S2＝>…＝>Sn＝>O，如果输出O等于输入I，即输入I经过这个系统变化之后没有任何的信息损失，设处理a信息得到b，再对b处理得到c，那么可以证明：a和c的互信息不会超过a和b的互信息。这表明信息处理不会增加信息，大部分处理会丢失信息。保持了不变，这意味着输入I经过每一层Si都没有任何的信息损失，即在任何一层Si，它都是原有信息(即输入I)的另外一种表示。现在回到主题Deep Learning，需要自动地学习特征，假设我们有一堆输入I(如一堆图像或者文本)，假设设计了一个系统S(有n层)，通过调整系统中参数，使得它的输出仍然是输入I，那么就可以自动地获取得到输入I的一系列层次特征，即S1,…,Sn。

实施例2

在上一实施例的基础上，所述距离控制单元包括：区域划分单元，用于将喷洒的区域划分为多个等面积的区域；起点位置确定单元，用于获取起点的位置信息、与所述目标无人机距离最近的目标无人机基站的位置信息以及喷药区域中各个定位点的位置信息；距离计算模块，用于将所述目标无人机基站的位置作为中间点，根据电子地图数据计算所述起点与所述中间点之间的第一导航路径。

实施例3

在上一实施例的基础上，所述特征提取单元包括：初始化单元，用于进行图像初始化；特征网络构建单元，用于构建图像特征网络；特征分类单元，用于训练特征网络，生成分类器；生成单元，用于生成最终结果。

实施例4

在上一实施例的基础上，所述喷洒装置包括：喷洒头和容器；所述容器与喷洒头连接。

实施例5

实施例6

在上一实施例的基础上，所述针对背景的差异，在多光谱图像中对目标物的温度、颜色、形状、面积、纹,和轮廓特征进行提取，并对特征进行归一化，为后续深度学习网络提供输入数据的方法包括：

步骤2：准备目标图像数据；

步骤3：构建具有46层的深度学习的目标特征提取网络；

步骤5：启动目标特征提取网络，进行网络训练。

实施例7

在上一实施例的基础上，所述通过确定的需要喷洒的区域和距离控制单元的结果，控制喷洒装置进行喷洒的方法执行以下步骤：将喷洒的区域划分为多个等面积的区域；获取起点的位置信息、与所述目标无人机距离最近的目标无人机基站的位置信息以及喷药区域中各个定位点的位置信息；将所述目标无人机基站的位置作为中间点，根据电子地图数据计算所述起点与所述中间点之间的第一导航路径。

具体的，以目标无人机喷药区域的幅宽为度量标准，将喷药农田划分成多个等宽的矩形区域，并将所述矩形区域短边的中点设定为定位点；

目标无人机获取起点的位置信息、与所述目标无人机距离最近的目标无人机基站的位置信息以及喷药区域中各个定位点的位置信息；

所述目标无人机将所述目标无人机基站的位置作为中间点，根据电子地图数据计算所述起点与所述中间点之间的第一导航路径，并按照所述第一导航路径移动至所述目标无人机基站；

所述目标无人机根据电子地图数据计算所述目标无人机基站与距离所述目标无人机基站最近的第一定位点之间的第二导航路径，并按照计算出的第二导航路径移动至所述第一定位点；

所述目标无人机以所述第一定位点作为起点，根据电子地图数据计算目标无人机依次移动经过全部定位点的第三导航路径，按照计算出的第三导航路径依次移动抵达各个定位点，并在执行第三导航路径时实施喷药作业。

所述的基于无人机的喷药控制方法，其中，所述以目标无人机喷药区域的幅宽为度量标准，将喷药农田划分成多个等宽的矩形区域包括：

获取喷药农田的区域图形，并识别出所述区域图形的矩形边界；

按照目标无人机喷药时其所在高度与喷药区域的幅宽之间的比例关系以及所述矩形边界所构成矩形的宽度，将喷药农田划分成多个等宽的矩形区域。

所述的基于无人机的喷药控制方法，其中，所述目标无人机按照所述第一导航路径移动至所述目标无人机基站包括：

所述目标无人机将所述第一导航路径发送至所述目标无人机基站。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

需要说明的是，上述实施例提供的系统，仅以上述各功能模块的划分进行举例说明，在实际应用中，可以根据需要而将上述功能分配由不同的功能模块来完成，即将本发明实施例中的模块或者步骤再分解或者组合，例如，上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块，以完成以上描述的全部或者部分功能。对于本发明实施例中涉及的模块、步骤的名称，仅仅是为了区分各个模块或者步骤，不视为对本发明的不当限定。

所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的存储装置、处理装置的具体工作过程及有关说明，可以参考前述方法实施例中的对应过程，在此不再赘述。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的模块、方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，软件模块、方法步骤对应的程序可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD～ROM、或技术领域内所公知的任意其它形式的存储介质中。为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

术语“第一”、“第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。

术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims

1.一种无人机喷药控制系统，其特征在于，所述系统包括：多光谱图像采集与预处理单元、离线与在线训练单元、特征提取单元、深度学习网络、控制中心、距离控制单元和喷洒装置；所述多光谱图像采集与预处理单元获取目标区域的多光谱图像，确定需要喷洒的区域；所述离线与在线训练模块，用于对采集到的多光谱图像和/或训练数据进行训练；所述特征提取模块，用于针对背景的差异，在多光谱图像中对目标物的温度、颜色、形状、面积、纹,和轮廓特征进行提取，并对特征进行归一化，为后续深度学习网络提供输入数据；所述深度学习网络，用于对网络的各层次进行批量训练，得到各层次网络的前向与后向权值，以及整个网络的权值；同时，每一次在线的识别，都作为有监督训练，并对整个网络进行微调；所述控制中心，用于通过确定的需要喷洒的区域和距离控制单元的结果，控制喷洒装置进行喷洒；所述距离控制单元，确定喷洒点和喷洒距离。

2.如权利要求1所述的系统，其特征在于，所述距离控制单元包括：区域划分单元，用于将喷洒的区域划分为多个等面积的区域；起点位置确定单元，用于获取起点的位置信息、与目标无人机距离最近的目标无人机基站的位置信息以及喷药区域中各个定位点的位置信息，距离计算模块，用于将所述目标无人机基站的位置作为中间点，根据电子地图数据计算所述起点与所述中间点之间的第一导航路径。

3.如权利要求1所述的系统，其特征在于，所述特征提取单元包括：初始化单元，用于进行图像初始化；特征网络构建单元，用于构建图像特征网络；特征分类单元，用于训练特征网络，生成分类器；生成单元，用于生成最终结果。

4.一种基于权利要求1至3之一所述系统的无人机喷药控制方法，其特征在于，所述方法执行以下步骤：获取目标区域的多光谱图像，确定需要喷洒的区域；对采集到的多光谱图像和/或训练数据进行训练；针对背景的差异，在多光谱图像中对目标物的温度、颜色、形状、面积、纹,和轮廓特征进行提取，并对特征进行归一化，为后续深度学习网络提供输入数据；对网络的各层次进行批量训练，得到各层次网络的前向与后向权值，以及整个网络的权值；同时，每一次在线的识别，都作为有监督训练，并对整个网络进行微调；通过确定的需要喷洒的区域和距离控制单元的结果，控制喷洒装置进行喷洒；确定喷洒点和喷洒距离。

5.如权利要求4所述的方法，其特征在于，所述针对背景的差异，在多光谱图像中对目标物的温度、颜色、形状、面积、纹,和轮廓特征进行提取，并对特征进行归一化，为后续深度学习网络提供输入数据的方法包括：

步骤2：准备目标图像数据；

步骤3：构建具有46层的深度学习的目标特征提取网络；

步骤5：启动目标特征提取网络，进行网络训练。

6.如权利要求4所述的方法，其特征在于，所述通过确定的需要喷洒的区域和距离控制单元的结果，控制喷洒装置进行喷洒的方法执行以下步骤：将喷洒的区域划分为多个等面积的区域；获取起点的位置信息、与所述目标无人机距离最近的目标无人机基站的位置信息以及喷药区域中各个定位点的位置信息；将所述目标无人机基站的位置作为中间点，根据电子地图数据计算所述起点与所述中间点之间的第一导航路径。