CN112835381B - 喷洒物携带分析方法、装置、喷洒作业系统及电子设备 - Google Patents

Abstract

本发明实施例提出一种喷洒物携带分析方法、装置、喷洒作业系统及电子设备，涉及农业自动化技术领域。其中，喷洒物携带分析方法通过利用预设的能耗评估模型，预估所需电量信息；将所需电量信息与作业设备的实际电量信息进行比较；根据所需电量信息与作业设备的实际电量信息的匹配关系，确定实际执行路段；根据实际执行路段确定喷洒物实际携带量。在作业设备的电量与喷洒物携带量之间寻找最优的平衡点的同时确定出每轮作业的作业量，并据此确定喷洒物实际携带量。如此，避免出现单次作业结束后，出现电量或者喷洒物剩余的问题，最大化地提高作业效率。

Description

喷洒物携带分析方法、装置、喷洒作业系统及电子设备

技术领域

本发明涉及农业自动化技术领域，具体而言，涉及一种喷洒物携带分析方法、装置、喷洒作业系统及电子设备。

背景技术

无人作业是一种自动化的作业方式。由于其能够有效降低作业过程中所需的人力成本，目前已广泛应用于各个领域。特别是农业喷洒领域，应用十分广泛，作业形式多样。

作业设备往往需要多次作业才能完成一个喷洒任务。然而，单次作业完成后往往会出现作业设备的电量剩余，或者喷洒物还有剩余的场景。上述场景，存在能耗利用不高的情况，也是造成作业效率不高的原因。

发明内容

有鉴于此，本发明的目的在于提供一种喷洒物携带分析方法、装置、喷洒作业系统及电子设备，用于提高喷洒作业的效率。

为了实现上述目的，本发明实施例采用的技术方案如下：

第一方面，本发明实施例提供一种喷洒物携带分析方法，所述喷洒物携带分析方法包括：依据目标路段执行作业所需的喷洒物量，利用预设的能耗评估模型，预估按照所述目标路段作业并返回补给点的所需电量信息；其中，所述目标路段为从预先规划的作业路径中确定出的路段；将所述所需电量信息与携带喷洒物的作业设备的实际电量信息进行比较；根据所述所需电量信息与所述作业设备的实际电量信息的匹配关系，确定实际执行路段；根据所述实际执行路段确定喷洒物实际携带量。

第二方面，本发明实施例提供一种喷洒物携带分析装置，所述喷洒物携带分析装置包括：

预估模块，用于依据作业设备的电池相关信息及按照目标路段执行作业所需的喷洒物量，利用预设的能耗评估模型，预估按照所述目标路段作业并返回补给点的所需电量信息；其中，所述目标路段为从预先规划的作业路径中确定出的路段；

比较模块，用于将所述所需电量信息与所述作业设备的实际电量信息进行比较；

确定模块，用于根据所述所需电量信息与所述作业设备的实际电量信息的匹配关系，确定实际执行路段；

所述确定模块，还用于根据所述实际执行路段确定喷洒物实际携带量。

第三方面，本发明实施例提供一种喷洒作业系统，所述喷洒作业系统包括作业设备及喷洒物补给站点，所述喷洒物补给站点用于为所述作业设备进行药物补充；所述喷洒物补给站点获取所述作业设备的实际电量信息；根据所述实际电量信息执行前述实施例中的喷洒物携带分析方法，以得到喷洒物实际携带量；所述喷洒物补给站点按照所述喷洒物实际携带量对接入的所述作业设备进行喷洒物补给。

第四方面，本发明实施例提供一种电子设备，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现前述实施方式任一所述的方法。

第五方面，本发明实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前述实施方式中任一项所述的方法。

与现有技术相比，本发明实施例提供的喷洒物携带分析方法首先依据目标路段执行作业所需的喷洒物量，利用预设的能耗评估模型，预估按照目标路段作业并返回补给点的所需电量信息，并将所需电量信息与作业设备的实际电量信息进行比较，根据所需电量信息与所述作业设备的实际电量信息的匹配关系，确定实际执行路段。在作业设备的电量与喷洒物携带量之间寻找最优的平衡点的同时确定出每轮作业的作业量，并据此确定喷洒物实际携带量。如此，避免出现单次作业结束后，出现电量或者喷洒物剩余的问题，提高喷洒作业过程中能耗的利用率。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1示出了本发明实施例提供的电子设备的示意图。

图2示出了本发明实施例提供的喷洒物携带分析方法的步骤流程图之一。

图3示出了本发明实施例提供的训练能耗评估模型的步骤流程图。

图4示出了本发明实施例提供的喷洒物携带分析方法的步骤流程图之二。

图5示出了本发明实施例提供的喷洒物携带分析方法的步骤流程图之三。

图6示出了本发明实施例提供的喷洒物携带分析方法的应用示例图。

图7示出了本发明实施例提供的喷洒物携带分析装置的示意图。

图8示出了本发明实施例提供的喷洒作业系统的示意图。

图标：100-电子设备；101-存储器；102-通信接口；103-处理器；104-总线；500-喷洒物携带分析装置；501-预估模块；502-比较模块；503-确定模块。

具体实施方式

下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意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、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

通常喷洒任务所对应的喷洒范围较大时，作业设备难以一次完成整个范围的喷洒。相关技术中，主要采用测试作业设备满载情况下的作业时间来判断单次作业的返回点。如此，确定便可将喷洒任务划分为多个子任务，由作业设备逐次完成。该方式需要预选针对不同机型进行测试，工作量大，且满载下的续航时间明显小于实际续航实际，降低电路利用率。故，容易出现单次作业完成后作业设备的电量剩余，降低电量使用率，使单次作业量并不饱和。此外，随着电池的使用时长变化，作业时间会出现很大的误差，容易导致电池过放。故，还会把电池剩余量设置在40％就返回，这也降低了电池的利用率和作业设备的工作效率。

另外，单次作业完成后，还可能出现喷洒物剩余的场景。可以理解地，喷洒物的重量影响作业设备的电量消耗速度，也即出现剩余喷洒物的场景不仅会增加能耗，还影响作业设备单次作业的作业量。

为了解决上述问题，本发明实施例提供了一种喷洒物携带分析方法、装置、喷洒作业系统及电子设备。

请参照图1，图1示出了本发明实施例提供的电子设备100的方框示意图。

本发明实施例所提供的喷洒物携带分析方法及装置可以应用于上述电子设备100。在一些实施例中，上述电子设备100可以是与作业设备通信的设备。比如，个人电脑(personal computer，PC)、服务器、分布式部署的计算机。可以理解的是，电子设备100也不限于物理设备，还可以是物理设备上布局的虚拟机、基于云平台上构建的虚拟机等能提供与所述服务器或者虚拟机有相同功能的计算机。

在一些实施例中，上述电子设备100还可以是作业设备本身。

上述电子设备100的操作系统可以是，但不限于，Windows系统、Linux系统等。上述电子设备100包括存储器101、通信接口102、处理器103和总线104，所述存储器101、通信接口102和处理器103通过总线104连接，处理器103用于执行存储器101中存储的可执行模块，例如计算机程序。其中，存储器101可能包含高速随机存取存储器101(RAM：Random AccessMemory)，也可能还包括非不稳定的存储器101(non-volatile memory)，例如至少一个磁盘存储器101。通过至少一个通信接口102(可以是有线或者无线)实现该电子设备100与外部设备之间的通信连接。

总线104可以是ISA总线104、PCI总线104或EISA总线104等。图1中仅用一个双向箭头表示，但并不表示仅有一根总线104或一种类型的总线104。

其中，存储器101用于存储程序，例如图7所示的喷洒物携带分析装置500。该喷洒物携带分析装置500包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中或固化在所述电子设备100的操作系统(operating system，OS)中的软件功能模块。所述处理器103在接收到执行指令后，执行所述程序以实现本发明上述实施例揭示的喷洒物携带分析方法。

处理器103可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器103可以是通用处理器103，包括中央处理器103(Central Processing Unit，简称CPU)、网络处理器103(Network Processor，简称NP)等；还可以是数字信号处理器103(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

应当理解的是，图1所示的结构仅为电子设备100的结构示意图，所述电子设备100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。

第一实施例

请参考图2，图2示出了本发明实施例提供的一种喷洒物携带分析方法。如图2所示，上述喷洒物携带分析方法可以包括以下步骤：

步骤S101，依据目标路段执行作业所需的喷洒物量，利用预设的能耗评估模型，预估按照所述目标路段作业并返回补给点的所需电量信息。

上述目标路段包括从预先规划的作业路径中确定出的多个路段。上述作业路径为规划出的作业范围覆盖整个作业地块的路线。可以理解地，上述作业路径可以被划分为多个路段。

上述作业设备是采用固定补给点方式的设备，上述固定补点给方式可以理解为需要返回指定点进行电能或者喷洒物补给。比如，上述固定补点可以是起点，也可以是用户根据实际情况选择的一个比较方便的位置作为补给点，上述作业设备可以是无人机。

上述喷洒物可以是水、农药、肥料等。上述所需的喷洒物量可以是指完成目标路段所对应的作业区域的喷洒作业所需的喷洒物的量。在一些实施例中，可以根据目标路段中待作业的路线长度、作业设备的喷幅及预设喷洒比例，计算所需的喷洒物量。

在一些实施例中，上述能耗评估模型为预先训练得到的混合模型。上述能耗评估模型可以依据目标路段的关联信息、电池相关信息及所需的喷洒物量，预估作业设备按照目标路段作业并返回补给点时所剩余的电量。

如此，上述步骤S101可以是依据目标路段的关联信息、电池相关信息及所需的喷洒物量，利用预设的能耗评估模型，预估所需电量信息。

可以理解地，电池相关信息影响着作业设备作业过程中电量消耗的速度。上述电池相关信息可以是电池初始容量、电池实际容量、电池携带电量等之一或之间的组合。上述电池初始容量为电池未使用前标定出的电池容量，上述电池实际容量为作业设备的电池使用后电池的真实容量。可以理解地，上述电池实际容量会随着使用时间的增加而减少，也即，在电池使用前期电池实际容量几乎等于电池初始容量，随着使用时间的增长，电池实际容量将小于电池初始容量，而二者之间的差异将逐渐变大。

上述目标路段所对应的关联信息(比如，路段长度、规定通过速度及有效喷洒距离)不仅影响所需的喷洒物的量还决定了电能的消耗量。所需喷洒物的量将增加作业设备的自重，如此，也会影响电能的消耗。故，利用能耗评估模型识别目标路段、电池相关信息、所需的喷洒物量和按照目标路段作业后的剩余电量之间存在的对应关系。并据此得到所需的电量信息，从而，提高对单次作业所需电量信息的预判准确性。

在一些实施例中，可以是利用能耗评估模型处理上述目标路段所对应的关联信息、电池相关信息及所需的喷洒物量，以预估出作业后的剩余电量。再根据作业设备的携带电量和预估出的剩余电量，确定出所需电量信息。

步骤S102，将所需电量信息与作业设备的实际电量信息进行比较。

在一些实施例中，上述实际电量信息可以是作业设备的执行作业前所对应的电池携带电量。

在一些实施例中，上述实际电量信息还可以等于电池实际容量。在该实施例下，则每次作业前将作业设备的电池充满。

在一些实施例中，可以是对所需电量信息和实际电量信息进行数值上的比较分析。

步骤S103，根据所需电量信息与作业设备的实际电量信息的匹配关系，确定实际执行路段。

在一些实施例中，通过分析所需电量信息与实际电量信息之间的数值关系，判定目标路段所对应的所需电量信息与作业设备的实际电量信息之间是否匹配，如果不匹配，对目标路段进行调整，直至调整后的目标路段对应的所需电量信息与实际电量信息匹配，将得到调整后的目标路段确定为实际执行路段。

步骤S104，根据实际执行路段确定喷洒物实际携带量。

在一些实施例中，可以根据实际执行路段中待作业的路线长度、作业设备的喷幅及预设喷洒比例，计算喷洒物实际携带量。

可见，本发明实施例中，通过准确预测按照目标路段进行作业所需消耗的电量，再将所需消耗的电量与作业设备的实际电量进行比较。并在所需消耗的电量超过实际电量的情况下，通过反复迭代调整目标路段的数量，需要说明的是，目标路段决定了所需携带的喷洒物量，故调整目标路段的数量事实上也是在调整所需携带的喷洒物量。也即，通过上述迭代过程实现在喷洒物携带量和实际电量信息之间寻找最优位置点，如此，在充分利用作业设备的实际电量的前提下，尽可能的增加作业范围，避免作业完成后出现大量电量或者喷洒物剩余的情况，提高作业效率。

下面对本发明实施例的实现细节进行描述：

在一些实施例中，上述步骤S101实现准确获取到所需电量信息的关键在于能耗评估模型。同时，上述能耗评估模型需要通过特定的训练得到。故，在一些实施例中，上述喷洒物携带分析方法还可以包括步骤：

依据历史作业数据及预选的混合模型，训练得到能耗评估模型。

上述混合模型由循环神经网络与普通神经网络串联而成。在一些实施例中，上述循环神经网络的输出侧与普通神经网络的输入侧串联。上述循环神经网络可以用于识别序列数据，如此，解决了目标路径所对应的相关数据无法直接由普通神经网络模型处理的问题。在一些实施例中，在tensorflow框架上建立一个层数为a的LSTM神经网络，第一层的隐藏层为a1，第二层为a2，…第a层为an,激活函数为tanh，在另外一些实施例中，也可以选用sigmoid为激活函数。上述属性的选择和层数以及隐藏层的选择都可以根据需求适当修改。

在一些实施例中，上述普通神经网络可以是反向传播(back propagation,BP)神经网络。

上述历史作业数据可以根据作业设备的作业日志中获取到。每条历史作业数据对应着一次作业过程中作业设备的航线信息、电池相关信息及喷洒物相关信息。

上述航线信息也即当次作业过程中位移的轨迹及相关信息。上述位移的轨迹可以被划分为多个位移段，每个位移端都对应着一相关信息。上述相关信息可以包括：位移段长度、位移速度、位移加速度、实现有效喷洒的轨迹所对应长度。

上述电池相关信息可以是电池实际容量、电池初始容量、电池携带电量等之一或之间的组合。

上述洒物相关信息可以是药箱初始药量、药箱末尾药量。

在一些实施例中，如图3所示，上述训练能耗评估模型的步骤包括：

步骤S201-1，对历史作业数据进行筛选。

在一些实施例中，上述步骤S201-1可以是：

S201-1-1，将历史作业数据中各项数据与所对应的常规区间进行比较。

如前所述，历史作业数据包括多项数据，比如，电池实际容量、电池初始容量、电池携带电量、药箱初始药量、药箱末尾药量、位移段长度、位移速度、位移加速度、实现有效喷洒的轨迹所对应长度。各项数据都存在一个常规区间。

上述常规区间可以根据所对应的行业常识设定。比如，电池实际容量所对应的常规区间可以是0与电池初始容量之间取值区间。电池携带电量所对应的常规区间可以是0与电池实际容量之间的取值区间。药箱初始药量所对应的常规区间可以是0与喷洒物最大携带量之间的取值区间。

在一些实施例中，可以分别判断历史作业数据中每项数据是否属于对应的常规区间。比如，通过比较，判断航线信息中的位移段长度是否属于其对应的常规区间、通过比较，判断电池相关信息中的电池实际容量是否属于其对应的常规区间、通过比较，判断洒物相关信息中的药箱初始药量是否属于其对应的常规区间。

S201-1-2，若存在不属于所对应的常规区间的至少一项数据，则将对应的所述历史作业数据删除。可以理解地，若一条历史作业数据中存在至少一项数据不属于所对应的常规区间，表明整条历史作业数据存在异常，不适用于训练，故将其剔除。

S201-1-3，检测历史作业数据中所存在的离群作业数据，并将所述离群作业数据筛除。

在一些实施例中，剔除异常的历史作业数据后，离群点检测算法(比如，局部异常因子算法，孤立森林等)进一步筛除离群数据。

步骤S201-2，从筛选后得到的每条历史作业数据提取表征航线信息的序列数据、对应的作业设备的电池相关信息及喷洒物相关信息。

在一些实施例中，从每条历史作业数据中分别获取航线信息对应的多项数据、电池相关信息对应的多项数据及喷洒物相关信息对应的多项数据。

需要说明的是，上述航线信息所对应的数据项是序列型数据无法直接输入BP神经网络中进行处理。

在一些实施例中，首先，可以根据历史作业数据中各位移段所对应的位移段长度、位移速度、位移加速度、实现有效喷洒的轨迹所对应长度构建4D张量。然后，构建((位移段长度、位移速度、位移加速度、实现有效喷洒的轨迹所对应长度构建4D张量)，n)的2D张量，以作为得到的序列数据。上述2D张量中的n代表该条历史作业数据中所对应的位移段的条数。

在一些实施例中，还可以根据提取到的作业设备的电池相关信息及喷洒物相关信息，构建(电池初始容量、电池实际容量、电池携带电量、药箱初始药量、药箱末尾药量)的5D张量，再基于上述5D张量构建针对该条历史作业数据的((电池初始容量、电池实际容量、电池携带电量、药箱初始药量、药箱末尾药量)，1)2D张量。

步骤S201-3，将序列数据、电池相关信息及喷洒物相关信息从循环神经网络输入混合模型，以便从普通神经网络获取到预测剩余电量。

在一些实施例中，可以将序列数据和上述电池相关信息、喷洒物相关信息所对应的2D张量输入循环神经网络，即，将2D张量((位移段长度、位移速度、位移加速度、实现有效喷洒的轨迹所对应长度构建4D张量)，n)和2D张量((电池初始容量、电池实际容量、电池携带电量、药箱初始药量、药箱末尾药量)，1)输入循环神经网络。

步骤S201-4，根据预测剩余电量和历史作业数据中提取到的实际剩余电量，对所述混合模型的模型参数进行调整，以得到能耗评估模型。

在一些实施例中，根据预测剩余电量和历史作业数据中提取到的实际剩余电量，利用损失函数

对所述混合模型的模型参数进行调整，以得到能耗评估模型。其中，从历史作业数据中获取到的作业后电池剩余电量soc,记为soc_min，y_true为soc_min。y_pred为soc_min预测值，也即，预测剩余电量。

在此基础上，一些实施例中，上述步骤S101可以是包括：首先，根据目标路段所对应的相关信息，构建序列数据。其次，根据作业设备的电池相关信息及按照所述目标路段执行作业所需的喷洒物量构建2D张量((电池初始容量、电池实际容量、电池携带电量、药箱初始药量、药箱末尾药量)，1)，上述药箱初始药量可以设置为所需的喷洒物量、上述药箱末尾药量可以设置为0。再次，将上述序列数据和所构建2D张量((电池初始容量、电池实际容量、电池携带电量、药箱初始药量、药箱末尾药量)，1)，输入能耗评估模型，以得到预测剩余电量。最后将电池携带电量与预测剩余电量之间的差值作为所需电量信息。

在一些实施例中，上述步骤S103可以通过迭代处理的方式实现。如图4所示，上述步骤S103可以包括：

S103-1，若所需电量信息大于实际电量信息，则减少目标路段的数量，以得到新的目标路段。

在一些实施例中，可以从目标路段中筛除一条或者多条路段，并将留下的目标路段作为新的目标路段。可选地，上述筛除的方式可以是随机地从目标路段中选中一条或者多条待筛路段，并将其从目标路段中筛除。在一些实施例中，需选出的待筛路段条数可以预选设定，比如，可以设置为1，那么可以从目标路段中随机筛除一条待筛路段，并筛除，则可以得到新的目标路段。可选地，上述筛除的方式还可以通过一次或多次实现，每次筛除一条目标路段，而筛除的次数根据所需减少的目标路段的数量决定。此外，每一次进行筛除时，先从目标路段中选择一待筛路段，该待筛路段远离补给点且一端未连接其他目标路段。然后，将待筛路段从原目标路径中筛除，从而得到新的目标路段。

S103-2，根据新的目标路段进行迭代处理，直至新的目标路段对应的所需电量信息不超过所述实际电量信息，将所述新的目标路段确定为实际执行路段。

针对迭代处理这个概念，可以理解地，上述迭代处理的触发条件为获得新的目标路段。迭代过程中会获得新的目标路段所对应的所需电量信息，在得到新的所需电量信息后，还会将其与实际电量信息进行比较。上述迭代处理的结束条件是迭代过程中得到的所需电量信息不超过实际电量信息。

在一些实施例中，迭代处理可以包括以下子步骤：

(1)根据新的目标路段，计算执行作业所需的喷洒物量。

在一些实施例中，可以将新的目标路段中待作业的路线长度、作业设备的喷幅及预设喷洒比例之间的乘积作为新的目标路段对应的所需的喷洒物量。上述预设喷洒比例可以是单位喷洒量。

(2)根据所需的喷洒物量，利用能耗评估模型，预估按照新的目标路段进行作业并返回补给点的所需电量信息。

在一些实施例中，上述步骤(2)的原理与步骤S101相同，因此，上述步骤(2)可以是依据作业设备的电池相关信息、新的目标路段及对应的所需的喷洒物量，利用预设的能耗评估模型，预估所需电量信息。

(3)将实际电量信息与所需电量信息进行比较。

在一些实施例中，上述步骤(3)的原理可参考针对步骤S102的描述，在此不再赘述。

(4)若所需电量信息大于实际电量信息，则再次减少目标路段的数量，以得到新的目标路段。同时，伴随着新的目标路段的得到，触发新的一轮迭代，流程再次回到步骤(1)。

(5)若所需电量信息不大于实际电量信息，则结束迭代处理，以得到实际执行路段。

在一些实施例中，将结束迭代处理时所对应的新的目标路段作为实际执行路段。

S103-3，若所需电量信息不超过实际电量信息，则将目标路段确定为实际执行路段，以得到喷洒物实际携带量。

在一些实施例中，得到实际执行路段后，据此得到按照实际执行路段作业所需的喷洒物量，以作为喷洒物实际携带量。基于此，还可以进一步实现无需人工接入的自动喷洒物补给。

在一些实施例中，如图5所示，上述喷洒物携带分析方法还包括以下步骤：

步骤S401，从作业路径对应的待执行路段中选出多条待选路段。

在一些实施例中，上述作业路径可以被划分为多个路段，同时，每一个未进行作业的路段都可以是待执行路段。

在一些实施例中，可以将所有的待执行路段都选为待选路段。

步骤S402，根据待选路段、喷洒幅度及预设喷洒比例，计算所需的喷洒物量。

在一些实施例中，可以先获取待选路段所对应的有效作业长度。根据有效作业长度和喷洒幅度计算喷洒覆盖面积。再根据喷洒覆盖面积与预设喷洒比例，计算出所需的喷洒物量。

可以理解地，基于路段计算喷洒物量的原理都是相同的，故，上述计算待选路段的喷洒物量的方式也适用于计算目标路段所对应的所需的喷洒物量，还适用于计算实际执行路段所对应的喷洒物实际携带量。

步骤S403，若所需的喷洒物量超过作业设备的喷洒物最大携带量，则减少待选路段的数量，以使保留下的待选路段所对应的所需的喷洒物量不超过喷洒物最大携带量，并将保留的待选路段作为目标路段。

在一些实施例中，若得到的所需的喷洒物量超过作业设备的喷洒物最大携带量，那么筛除一条或多条待选路段，直至所留下的待选路段对应的所需的喷洒物量不超过喷洒物最大携带量。

在一些实施例中，每一条待执行路段都应该被作为实际执行路段，然而，由于作业设备作业能力有限，不能一次性完成针对所有待执行路段的喷洒作业，故，每次作业完成之后，上述喷洒物携带分析方法还包括：检查是否存在剩余的待执行路段。如果存在，那么重复从剩余的待执行路段中确定目标路段，并基于目标路段进一步确定实际执行路段及对应的喷洒物实际携带量。

需要说明的是，在上述步骤S103为采用迭代处理的方式实现的情况下，通过上述步骤S401至步骤S403所得到的目标路段是指迭代处理之前输入能耗评估模型的目标路段。

为了方便本领域技术人员理解本发明实施例，下面以无人机进行农药喷洒为例进行描述，可选地，如图6所示，上述喷洒物携带分析方法包括：

S1，获取基于待喷洒地块规划的作业航线。在一些实施例中，还可以把作业航线划分为多个航线段，将航线段中未执行过作业的线段为待执行航线段。

S2，将待执行航线段作为待选航线段。

S3，计算待选航线段所对应的作业区域所需的农药喷洒量。如果农药喷洒量大于无人机药箱的最大总容量，流程进入步骤S4。如果农药喷洒量不大于无人机药箱的最大总容量，流程直接进入步骤S5。

S4，随机筛除一条或多条待选航线段，以使保留下的待选航线段所对应的作业区域所需的农药喷洒量不大于无人机药箱的最大总容量。

S5，将保留下的待选航线段作为目标航线段。

S6，根据作业设备的电池相关信息及目标航线段所对应的作业区域所需的农药喷洒量，利用预设的能耗评估模型，预估进行作业所需电量信息。

S7，将所需电量信息与所述作业设备的实际电量信息进行比较。如果所需电量信息大于实际电量信息，流程进入步骤S8。如果所需电量信息不大于实际电量信息，流程进入步骤S11。

S8，减少目标路段的数量，以得到新的目标路段。

S9，根据新的目标路段，计算执行作业所需的喷洒物量。

S10，根据所需的喷洒物量、作业设备的电池相关信息及新的目标路段，利用能耗评估模型，预估按照新的目标路段进行作业并返回补给点的所需电量信息。然后，流程进入步骤S7。

S11，将保留的目标路段确定为实际执行路段，以得到喷洒物实际携带量。

为了执行上述实施例及各个可能的方式中的相应步骤，下面给出一种喷洒物携带分析装置500的实现方式，可选地，该喷洒物携带分析装置500可以采用上述图1所示的电子设备100的器件结构。进一步地，请参阅图7，图7为本发明实施例提供的一种喷洒物携带分析装置500的功能模块图。需要说明的是，本实施例所提供的喷洒物携带分析装置500，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该喷洒物携带分析装置500包括：预估模块501、比较模块502及确定模块503。

预估模块501，用于依据作业设备的电池相关信息及按照目标路段执行作业所需的喷洒物量，利用预设的能耗评估模型，预估按照所述目标路段作业并返回补给点的所需电量信息；其中，所述目标路段为从预先规划的作业路径中确定出的路段。

比较模块502，用于将所述所需电量信息与所述作业设备的实际电量信息进行比较。

确定模块503，用于根据所述所需电量信息与所述作业设备的实际电量信息的匹配关系，确定实际执行路段。

上述确定模块503，还用于根据所述实际执行路段确定喷洒物实际携带量。在一些实施例中，上述确定模块503具体用于：

若所述所需电量信息大于所述实际电量信息，则减少所述目标路段的数量，以得到新的目标路段；根据所述新的目标路段进行迭代处理，直至所述新的目标路段对应的所需电量信息不超过所述实际电量信息，将所述新的目标路段确定为实际执行路段。

若所述所需电量信息不超过所述实际电量信息，则将所述目标路段确定为实际执行路段，以得到喷洒物实际携带量。

在一些实施例中，上述确定模块503具体用于：根据新的目标路段，计算执行作业所需的喷洒物量；根据所述新的目标路段对应的所需的喷洒物量，利用所述能耗评估模型，预估按照所述新的目标路段进行作业并返回补给点的所需电量信息；将所述所需电量信息与所述实际电量信息进行比较；若所述所需电量信息大于所述实际电量信息，则再次减少目标路段的数量，以得到新的目标路段，并重复上述迭代处理；若所述所需电量信息不大于所述实际电量信息，则结束所述迭代处理，以得到所述实际执行路段。

在一些实施例中，上述喷洒物携带分析装置500还包括：

训练模块，用于依据历史作业数据及预选的混合模型，训练得到所述能耗评估模型；其中，所述混合模型包括循环神经网络和普通神经网络，所述循环神经网络的输出侧与普通神经网络的输入侧串联。

在一些实施例中，上述训练模块包括：

清洗子模块，用于对所述历史作业数据进行筛选；

提取子模块，用于从筛选后得到的每条所述历史作业数据提取出表征航线信息的序列数据、对应的作业设备的电池相关信息及喷洒物相关信息；

输入子模块，用于将所述序列数据、电池相关信息及喷洒物相关信息从所述循环神经网络输入所述混合模型，以便从所述普通神经网络获取到预测剩余电量；

训练子模块，用于根据所述预测剩余电量和所述历史作业数据中提取到的实际剩余电量，对所述混合模型的模型参数进行调整，以得到所述能耗评估模型。

此外，本发明实施例还可以提供了一种喷洒作业系统。如图8所示，上述喷洒作业系统包括作业设备及喷洒物补给站点。上述喷洒物补给站点用于为所述作业设备进行喷洒物补充；所述喷洒物补给站点获取所述作业设备的实际电量信息；根据所述实际电量信息执行前述实施例所提供的喷洒物携带分析方法，以得到喷洒物实际携带量。然后，喷洒物补给站点按照喷洒物实际携带量对作业设备进行喷洒物补给。可选地，上述模块可以软件或固件(Firmware)的形式存储于图1所示的存储器101中或固化于该电子设备100的操作系统(Operating System，OS)中，并可由图1中的处理器103执行。同时，执行上述模块所需的数据、程序的代码等可以存储在存储器101中。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (12)

1.一种喷洒物携带分析方法，其特征在于，所述喷洒物携带分析方法包括：

依据目标路段执行作业所需的喷洒物量，利用预设的能耗评估模型，预估按照所述目标路段作业并返回补给点的所需电量信息；其中，所述目标路段为从预先规划的作业路径中确定出的路段；

将所述所需电量信息与携带喷洒物的作业设备的实际电量信息进行比较；

若所述所需电量信息大于所述实际电量信息，则减少所述目标路段的数量，以得到新的目标路段，将所述新的目标路段确定为实际执行路段；其中，所述新的目标路段对应的所需电量信息不超过所述实际电量信息；

若所述所需电量信息不超过所述实际电量信息，则将所述目标路段确定为实际执行路段，以得到喷洒物实际携带量；

根据所述实际执行路段确定喷洒物实际携带量。

2.根据权利要求1所述的喷洒物携带分析方法，其特征在于，所述根据所述新的目标路段进行迭代处理的步骤，包括：

根据所述新的目标路段，计算执行作业所需的喷洒物量；

根据所述新的目标路段对应的所需的喷洒物量，利用所述能耗评估模型，预估按照所述新的目标路段进行作业并返回补给点的所需电量信息；

将所述所需电量信息与所述实际电量信息进行比较；

若所述所需电量信息大于所述实际电量信息，则再次减少目标路段的数量，以得到新的目标路段，并重复上述迭代处理；

若所述所需电量信息不大于所述实际电量信息，则结束所述迭代处理，以得到所述实际执行路段。

3.根据权利要求1所述的喷洒物携带分析方法，其特征在于，所述喷洒物携带分析方法还包括：

依据历史作业数据及预选的混合模型，训练得到所述能耗评估模型；其中，所述混合模型包括循环神经网络和普通神经网络，所述循环神经网络的输出侧与普通神经网络的输入侧串联。

4.根据权利要求3所述的喷洒物携带分析方法，其特征在于，所述依据历史作业数据及预选的混合模型，训练得到所述能耗评估模型的步骤包括：

对所述历史作业数据进行筛选；

从筛选后得到的每条所述历史作业数据提取出表征航线信息的序列数据、对应的作业设备的电池相关信息及喷洒物相关信息；

将所述序列数据、电池相关信息及喷洒物相关信息从所述循环神经网络输入所述混合模型，以便从所述普通神经网络获取到预测剩余电量；

根据所述预测剩余电量和所述历史作业数据中提取到的实际剩余电量，对所述混合模型的模型参数进行调整，以得到所述能耗评估模型。

5.根据权利要求4所述的喷洒物携带分析方法，其特征在于，所述对所述历史作业数据进行筛选的步骤包括：

将所述历史作业数据中各项数据与所对应的常规区间进行比较；

若存在不属于所对应的常规区间的至少一项数据，则将对应的所述历史作业数据删除；

检测所述历史作业数据中所存在的离群作业数据，并将所述离群作业数据筛除。

6.根据权利要求4所述的喷洒物携带分析方法，其特征在于，依据目标路段执行作业所需的喷洒物量，利用预设的能耗评估模型，预估按照所述目标路段作业并返回补给点的所需电量信息的步骤，包括：

依据作业设备的电池相关信息、所述目标路段及对应的所需的喷洒物量，利用预设的能耗评估模型，预估所需电量信息。

7.根据权利要求1所述的喷洒物携带分析方法，其特征在于，所述喷洒物携带分析方法还包括：

从所述作业路径对应的待执行路段中选出多条待选路段；

根据所述待选路段、喷洒幅度及预设喷洒比例，计算所需的喷洒物量；

若得到的所述所需的喷洒物量超过所述作业设备的喷洒物最大携带量，则减少所述待选路段的数量，以使保留下的所述待选路段对应的所需的喷洒物量不超过所述喷洒物最大携带量；

将保留的所述待选路段作为所述目标路段。

8.一种喷洒物携带分析装置，其特征在于，所述喷洒物携带分析装置包括：

预估模块，用于依据目标路段执行作业所需的喷洒物量，利用预设的能耗评估模型，预估按照所述目标路段作业并返回补给点的所需电量信息；其中，所述目标路段为从预先规划的作业路径中确定出的路段；

比较模块，用于将所述所需电量信息与携带喷洒物的作业设备的实际电量信息进行比较；

确定模块，用于：

若所述所需电量信息大于所述实际电量信息，则减少所述目标路段的数量，以得到新的目标路段，将所述新的目标路段确定为实际执行路段；其中，所述新的目标路段对应的所需电量信息不超过所述实际电量信息；

若所述所需电量信息不超过所述实际电量信息，则将所述目标路段确定为实际执行路段，以得到喷洒物实际携带量；

所述确定模块，还用于根据所述实际执行路段确定喷洒物实际携带量。

9.一种喷洒作业系统，其特征在于，所述喷洒作业系统包括作业设备及喷洒物补给站点，所述喷洒物补给站点用于为所述作业设备进行喷洒物补充；所述喷洒物补给站点获取所述作业设备的实际电量信息；根据所述实际电量信息，执行权利要求1-7任意一项所述的喷洒物携带分析方法，以得到喷洒物实际携带量；所述喷洒物补给站点按照所述喷洒物实际携带量对所述作业设备进行喷洒物补给。

10.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有能够被所述处理器执行的机器可执行指令，所述处理器可执行所述机器可执行指令以实现权利要求1-7任一所述的喷洒物携带分析方法。

11.根据权利要求10所述的电子设备，其特征在于，所述电子设备为作业设备；所述作业设备的处理器可执行所述机器可执行指令以实现所述喷洒物携带分析方法，并得到所述喷洒物实际携带量；将所述喷洒物实际携带量发送给所述作业设备所接入的喷洒物补给站点，以指导所述喷洒物补给站点根据接收到的喷洒物实际携带量进行喷洒物补给。

12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。

Images