CN112836678B - 智慧农业园区智能规划方法 - Google Patents

Abstract

本发明公开了一种智慧农业园区智能规划方法，包括：1：连续采集智慧农业园区的图像，重建智慧农业园区的全景图；2：根据全景图内的每一像素计算植物占比因子，根据植物占比因子进行聚类，形成区块化种植区轮廓；3：利用植物叶面特征识别出区块化种植区轮廓内的农作物种类，重建出不同种类的农作物种植区；4：基于每个农作物种植区中所包括的生产类设备类型及单价、监测类设备类型及单价、土建工程面积及单位面积施工费用、总投资费用和投资预算，建立全局总投资费用线性规划模型；计算全局最优解，实现智慧农业园区的智能规划。本发明能根据投资预算及约束条件求解全局最优情况下的设备数量，从而快速、智能地实现智慧农业园区的合理规划。

Description

智慧农业园区智能规划方法

技术领域

本发明涉及一种智慧农业园区智能规划方法，适用于利用无人机图像，重建智慧农业园区全景图，进而计算获取农作物种植区分布，并采用线性规划算法，实现智慧农业园区的智能规划，属于智慧农业技术领域。

背景技术

智慧农业园区是现代农业的展示窗口，是农业科技成果转化的孵化器，是生态型安全食品的生产基地，是现代农业信息、技术、品种的博览园，是提高农村经济效益和农民收入的必然选择。

智慧农业园区是指利用物联网、大数据、AI等技术，提供包括种养殖生产管理服务、可视化管理服务、数据及信息化支撑服务、产加销一体化服务在内的四大服务体系，可实现园区生产可视化管理、农业大数据管理分析、专家服务、农业知识库、农业资讯、产品溯源、一物一码等多种上层应用，以及水肥一体化、气象站、土壤监测站、虫情监测、可视化监测、环境控制设备等多种前端物联网设施的整合、改造及自动化控制。

目前，在智慧农业园区规划过程中，一方面需考虑整体园区规模、投资预算。另一方面，需对园区内的种植区进行人工勘查、数据核对，并综合考虑生产类设备、监测类设备的部署方案及土建工程费用。所以，在规划过程，需要大量的工作人员参与，并逐一计算、细化每一种植区内的设备部署。其存在着规划时间较长、人力成本较高、时间成本较大、规划不合理等技术问题。因此，如何利用先进的技术手段，快速、科学、智能地实现智慧农业园区的合理规划，是智慧农业园区建设初期所面临的难题之一。

发明内容

本发明的目的在于克服现有技术中存在的上述问题，提供了一种智慧农业园区智能规划方法，本发明所要解决的技术问题是根据投资预算及约束条件求解出全局最优情况下的设备数量及分布，从而快速、科学、智能地实现智慧农业园区的合理规划。

为实现上述目的，本发明采用的技术方案如下：

一种智慧农业园区智能规划方法，其特征在于，包括以下步骤：

步骤1：连续采集智慧农业园区的图像，并根据采集的图像重建智慧农业园区的全景图；

步骤2：根据全景图内的每一像素计算植物占比因子，根据植物占比因子进行聚类，形成区块化种植区轮廓；

步骤3：利用植物叶面特征识别出区块化种植区轮廓内的农作物种类，为区块化种植区轮廓内不同种类的农作物添加上种类标识，重建出不同种类的农作物种植区；

步骤4：基于每个农作物种植区中所包括的生产类设备类型及单价、监测类设备类型及单价、土建工程面积及单位面积施工费用、总投资费用和投资预算，建立全局总投资费用线性规划模型；计算全局最优解，得到生产类设备的数量及分布、监测类设备的数量及分布、土建工程的投资费用，实现智慧农业园区的智能规划。

步骤1中，采用无人机巡航连续拍摄的方式采集智慧农业园区的多幅图像，利用傅里叶变换对采集的图像进行平移、旋转、缩放，使各幅图像的像素点坐标一一对应，然后在同一坐标系中进行图像拼接、融合，重建出智慧农业园区的全景图。

步骤1中，设定采集的图像集合为P，P＝{P_i，i＝1,2...N}，i表示在时间轴上顺序拍摄的图像，N表示采集图像的数量，则智慧农业园区全景图的重建方法如下：

S1：在图像集合P中，选取连续拍摄的两幅图像P_i、P_i+1，图像P_i和图像P_i+1对应的函数分别为f₁(x,y)、f₂(x,y)，(x,y)为像素坐标值，图像P_i+1对于图像P_i的平移量为(x₀,y₀)，旋转角度为ω，缩放因子为k，则图像P_i+1的函数为：

f₂(x,y)＝f₁(kxcosω+kysinω+x₀,-kxsinω+kycosω-y₀) (1)

其中，函数f₁(x,y)、f₂(x,y)的二维傅里叶变换分别为F₁(u,v)、F₂(u,v)，由傅里叶变换的平移不变性可知：

根据式(2)，分别计算如下幅值A₁(u,v)、A₂(u,v)：

A₂(u,v)＝|F₂(u,v)| (4)

将式(2)表达式两边取幅值，利用式(3)和式(4)可得到

进一步将其基于u,v坐标的直角坐标系表达式，转换为基于半径坐标ρ和极角θ的极坐标方程形式，得到如下关系式：

由式(5)可知，在忽略掉

因子的前提下，等式两边函数关系为针对变量 lgρ、θ的平移关系，根据傅里叶变换的平移特性，其互功率谱相位的逆傅里叶变换为一个冲击响应，计算得到冲击响应的峰值点，即为偏移量lgk、ω，从而求解出旋转角度ω及缩放因子k；

S2：将图像P_i+1旋转ω角度，并缩放k倍，可将图像P_i+1转换为图像Q_i+1；

S3：由于图像P_i和图像Q_i+1为只具有平移关系的两幅图像，其互功率谱相位的逆傅里叶变换为一个冲击响应，计算得到冲击响应的峰值点，即为平移量 (x₀,y₀)，从而求解出图像P_i和图像Q_i+1的平移量，将图像Q_i+1按照平移量(x₀,y₀) 进行偏移，可将图像Q_i+1转换为图像R_i+1；至此，图像P_i+1已经转换为图像R_i+1，且图像P_i和图像R_i+1像素点坐标一一对应；

S4：在图像集合P中，从i＝1至i＝N-1，循环步骤S1-S3，依次将图像P₂、P₃...P_N转换为图像R₂、R₃...R_N，形成经坐标转换的图像集合S，S＝{P₁,R₂,R₃...,R_N}，图像集合S内的图像已经全部转换为同一坐标系，且像素点坐标一一对应；

S5：针对图像集合S中的图像进行拼接、融合，重建出智慧农业园区的全景图。

步骤2中，植物占比因子的计算方法为：

式(7)中，ρ为植物占比因子，R、G、B为图像像素的三通道值，α_R、α_G、α_B为三通道的权重值。

步骤2中，根据植物占比因子，采用K均值聚类算法进行聚类形成区块化种植区轮廓PA_k，k＝1,2,...N，N为聚类的区块化种植区轮廓数量。

步骤3中，不同种类的农作物种植区的重建方法为：

(1)采用Closed-form抠图算法提取每个区块化种植区轮廓PA_k内的植物叶面，获取到植物的叶面特征，进而利用K近邻判别分析方法，并结合植物叶面数据库，识别出每个区块化植区轮廓PA_k内的农作物种类PC_k；

(2)设定每种农作物种类PC_k所在区域的面积为S_k，该区域外接矩形的长度和宽度为PRL_k、PRW_k，则重建出不同种类的农作物种植区为：

P_k＝{PA_k，PC_k，S_k，PRL_k，PRW_k} k＝1,2,...N (8)

式(8)中，P_k为不同种类的农作物种植区，包含了农作物种植区的轮廓、农作物种类以及农作物种植区的几何特征。

步骤4中，设定在每一种类的农作物种植区P_k内，采用等距布放的原则布放的生产类设备和监测类设备，每种设备的最大布放距离为Dmax_s，s为设备种类；设定每一种类的农作物种植区P_k的土建工程的单位面积费用为w，满足约束条件Wmin≤w≤Wmax；设定总投资费用为W_k，投资预算为IB，则建立的全局总投资费用线性规划模型为：

其中，

式(9)、(10)中，w_i、w_j分别为生产类设备、监测类设备单台设备的费用；I_i、J_j分别为生产类设备、监测类设备的数量；S_r为土建面积；w_r为土建工程单位面积费用。

采用本发明的优点在于：

1、本发明提供一种智慧农业园区智能规划方法，利用无人机连续拍摄的图像，重建园区全景图，并基于植物占比因子进行农作物种植区分布聚类计算，进一步建立规划模型，并利用线性规划理论，求解全局最优解，从而实现智慧农业园区的智能规划，具有高效性、先进性、实用性、智能化等特点。

2、本发明在智慧农业园区全景图重建中，采用基于傅里叶变换的全景图拼接方法，一方面提高图像处理质量，另一方面也缩短了图像处理时间，实现了图像的实时处理。

3、本发明通过植物占比因子及聚类算法，实现了区块化种植区轮廓的自动计算，并能识别每个区块化种植区轮廓区域内的植物种类，在全景图上，分割出农作物种植区，并计算出农作物种植区的几何参数，为智慧农业园区智能规划打下基础。

4、本发明在智慧农业园区智能规划，首先针对农作物种植区，统一建立线性规划模型，计算种植区的投资费用，进而利用投资预算，计算全局最优解，从而获取生产用设备、监测类设备的数量及分布，以及土建部分的投资费用，实现了规划过程的智能化，大大减少了人力成本和时间成本，是一种科学、适用、迅捷的智慧农业园区智能规划方法。

5、本发明采用无人机图像，自动生成智慧农业园区全景图，并利用图像算法进行农作物种植区的自动重建，进一步建立线性规划模型，计算出设备数量及土建费用，完全替代了传统规划方法中，大量依靠人力、经验的弊病。本发明利用先进的计算机技术及算法，高效、科学地实现智慧农业园区的智能规划，大幅度减少了人力成本，减少了规划时间，提高了规划的准确度。

具体实施方式

本发明提供了一种智慧农业园区智能规划方法，主要是根据投资预算及约束条件求解出全局最优情况下的各类设备的数量及分布，从而快速、科学、智能地实现智慧农业园区的合理规划。其具体包括以下步骤：

步骤1：连续采集智慧农业园区的图像，并根据采集的图像重建智慧农业园区的全景图。

具体的，采用无人机巡航连续拍摄的方式连续采集智慧农业园区的多幅图像，采集完图像后，利用傅里叶变换对采集的图像进行平移、旋转、缩放，使各幅图像的像素点坐标一一对应，然后在同一坐标系中进行图像拼接、融合，重建出智慧农业园区的全景图。

其中，智慧农业园区通常地域覆盖面积较大，通过无人机巡航连续拍摄出的多幅图像，由于摄像头的焦距、视野以及无人机的巡航路线等问题，图像间存平移、旋转、缩放等差异。因此，智慧农业园区的全景图重建过程，需要将多幅图像进行平移、旋转、缩放，并进行图像拼接、融合，才能最终获取到完整的智慧农业园区的全景图。本方案基于傅里叶变换的智慧农业园区全景图拼接方法，一方面提高图像处理质量,另一方面也缩短了图像处理时间,实现了图像的实时处理。

进一步的，设定采集的图像集合为P，P＝{P_i，i＝1,2...N}，i表示在时间轴上顺序拍摄的图像，N表示采集图像的数量，则智慧农业园区全景图的重建方法如下：

S1：先在图像集合P中选取连续拍摄的两幅图像P_i、P_i+1，图像P_i和图像P_i+1对应的函数分别为f₁(x,y)、f₂(x,y)，(x,y)为像素坐标值，图像P_i+1对于图像P_i的平移量为(x₀,y₀)，旋转角度为ω，缩放因子为k，则图像P_i+1的函数为：

f₂(x,y)＝f₁(kxcosω+kysinω+x₀,-kxsinω+kycosω-y₀) (1)

其中，函数f₁(x,y)、f₂(x,y)的二维傅里叶变换分别为F₁(u,v)、F₂(u,v)，由傅里叶变换的平移不变性可知：

根据式(2)，分别计算如下幅值A₁(u,v)、A₂(u,v)：

A₂(u,v)＝|F₂(u,v)| (4)

将式(2)表达式两边取幅值，利用式(3)和式(4)可得到

进一步将其基于u,v坐标的直角坐标系表达式，转换为基于半径坐标ρ和极角θ的极坐标方程形式，得到如下关系式：

由式(5)可知，在忽略掉

因子的前提下，等式两边函数关系为针对变量 lgρ、θ的平移关系，根据傅里叶变换的平移特性，其互功率谱相位的逆傅里叶变换为一个冲击响应，计算得到冲击响应的峰值点，即为偏移量lgk、ω，从而求解出旋转角度ω及缩放因子k。

S2：将图像P_i+1旋转ω角度，并缩放k倍，可将图像P_i+1转换为图像Q_i+1。

S3：由于图像P_i和图像Q_i+1为只具有平移关系的两幅图像，其互功率谱相位的逆傅里叶变换为一个冲击响应，计算得到冲击响应的峰值点，即为平移量 (x₀,y₀)，从而求解出图像P_i和图像Q_i+1的平移量，将图像Q_i+1按照平移量(x₀,y₀) 进行偏移，可将图像Q_i+1转换为图像R_i+1；至此，图像P_i+1已经转换为图像R_i+1，且图像P_i和图像R_i+1像素点坐标一一对应。

S4：在图像集合P中，从i＝1至i＝N-1，循环步骤S1-S3，依次将图像P₂、P₃...P_N转换为图像R₂、R₃...R_N，形成经坐标转换的图像集合S，S＝{P₁,R₂,R₃...,R_N}，转换完成后，图像集合S内的图像已经全部转换为同一坐标系，且像素点坐标一一对应。

S5：针对在同一坐标系且像素点一一对应的图像集合S中的图像进行拼接、融合，重建出智慧农业园区的全景图。

步骤2：根据全景图内的每一像素计算植物占比因子，并根据植物占比因子进行聚类，形成区块化种植区轮廓。

具体的，植物占比因子的计算方法为：

式(7)中，ρ为植物占比因子，R、G、B为图像像素的三通道值，α_R、α_G、α_B为三通道的权重值。其中，权重值的选取，主要利用植物的颜色特征来配置，比如针对绿色植物，其α_G权重较大，α_R、α_B权重较小。

进一步的，根据植物占比因子，采用K均值聚类算法进行聚类形成区块化种植区轮廓PA_k，k＝1,2,...N，N为聚类的区块化种植区轮廓数量。

步骤3：利用植物叶面特征识别出区块化种植区轮廓内的农作物种类，为区块化种植区轮廓内不同种类的农作物添加上种类标识，重建出不同种类的农作物种植区。

具体的，不同种类的农作物种植区的重建方法为：

(1)针对每个区块化种植区轮廓PA_k内的区域，采用Closed-form抠图算法，提取每个区块化种植区轮廓PA_k内的植物叶面，获取到植物的叶面特征，进而利用K近邻判别分析方法，并结合植物叶面数据库进行分析，识别出每个区块化植区轮廓PA_k内的农作物种类PC_k；

(2)设定每种农作物种类PC_k所在区域的面积为S_k，该区域外接矩形的长度和宽度为PRL_k、PRW_k，则重建出不同种类的农作物种植区为：

P_k＝{PA_k，PC_k，S_k，PRL_k，PRW_k} k＝1,2,...N (8)

式(8)中，P_k为不同种类的农作物种植区，包含了农作物种植区的轮廓、农作物种类以及农作物种植区的几何特征，为智慧农业园区智能规划打下了数据基础。

步骤4：基于每个农作物种植区中所包括的生产类设备类型及单价、监测类设备类型及单价、土建工程面积及单位面积施工费用、总投资费用和投资预算，建立全局总投资费用线性规划模型；计算全局最优解，得到生产类设备的数量及分布、监测类设备的数量及分布、土建工程的投资费用，实现智慧农业园区的智能规划。

本步骤中，智慧农业园区在建设初期，需要结合投资预算综合考虑园区总面积、园区内农作物种植区数量、农作物种类、智能化设备、土建工程费用等因素。在农作物种植区内，需要布设各种生产类设备，如灌溉设备、施肥设备、杀虫灯等；也会布设各种监测类设备，如摄像头、气象站、土壤监测站等。同时，在智慧农业园区建设过程中，还包含土建工程部分，如沟道挖掘、电缆布放等。

基于上述内容，全局总投资费用线性规划模型的建立方法为：

设定在每一种类的农作物种植区P_k内，采用等距布放的原则布放的生产类设备和监测类设备，每种设备的最大布放距离为Dmax_s，s为设备种类；

设定每一种类的农作物种植区P_k的土建工程的单位面积费用为w，满足约束条件Wmin≤w≤Wmax，为了简化计算，本发明将每一种类的农作物种植区P_k简化为矩形区域；

设定总投资费用为W_k，投资预算为IB，则建立的全局总投资费用线性规划模型为：

其中，

式(9)、(10)中，w_i、w_j分别为生产类设备、监测类设备单台设备的费用，为已知量，I_i、J_j分别为生产类设备、监测类设备的数量，为待求的未知变量； S_r为土建面积，为已知量，w_r为土建工程单位面积费用。

根据全局总投资费用线性规划模型计算全局最优解计算的目标，是充分利用投资预算IB，在多个约束条件下，使得实际费用最大，即实现目标函数

针对上述全局总投资费用线性规划模型，采用单纯型法进行线性规划方程求解，可获取到最优的I_i、J_j、w_r，即每一农作物种植区内部署的生产类设备、监测设备的数量，以及土建工程单位面积价格，从而实现了智慧农业园区智能规划。

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (1)

1.一种智慧农业园区智能规划方法，其特征在于，包括以下步骤：

步骤1：连续采集智慧农业园区的图像，并根据采集的图像重建智慧农业园区的全景图；

步骤2：根据全景图内的每一像素计算植物占比因子，根据植物占比因子进行聚类，形成区块化种植区轮廓；

步骤3：利用植物叶面特征识别出区块化种植区轮廓内的农作物种类，为区块化种植区轮廓内不同种类的农作物添加上种类标识，重建出不同种类的农作物种植区；

步骤4：基于每个农作物种植区中所包括的生产类设备类型及单价、监测类设备类型及单价、土建工程面积及单位面积施工费用、总投资费用和投资预算，建立全局总投资费用线性规划模型；计算全局最优解，得到生产类设备的数量及分布、监测类设备的数量及分布、土建工程的投资费用，实现智慧农业园区的智能规划；

步骤1中，采用无人机巡航连续拍摄的方式采集智慧农业园区的多幅图像，利用傅里叶变换对采集的图像进行平移、旋转、缩放，使各幅图像的像素点坐标一一对应，然后在同一坐标系中进行图像拼接、融合，重建出智慧农业园区的全景图；

步骤1中，设定采集的图像集合为P，P＝{P_i，i＝1,2,...,N}，i表示在时间轴上顺序拍摄的图像，N表示采集图像的数量，则智慧农业园区全景图的重建方法如下：

S1：在图像集合P中，选取连续拍摄的两幅图像P_i、P_i+1，图像P_i和图像P_i+1对应的函数分别为f₁(x,y)、f₂(x,y)，(x,y)为像素坐标值，图像P_i+1对于图像P_i的平移量为(x₀,y₀)，旋转角度为ω，缩放因子为k，则图像P_i+1的函数为：

f₂(x,y)＝f₁(kxcosω+kysinω+x₀,-kxsinω+kycosω-y₀) (1)

其中，函数f₁(x,y)、f₂(x,y)的二维傅里叶变换分别为F₁(u,v)、F₂(u,v)，由傅里叶变换的平移不变性可知：

根据式(2)，分别计算如下幅值A₁(u,v)、A₂(u,v)：

A₂(u,v)＝|F₂(u,v)| (4)

将式(2)表达式两边取幅值，利用式(3)和式(4)可得到

进一步将其基于u,v坐标的直角坐标系表达式，转换为基于半径坐标ρ和极角θ的极坐标方程形式，得到如下关系式：

由式(5)可知，在忽略掉

因子的前提下，等式两边函数关系为针对变量lgρ、θ的平移关系，根据傅里叶变换的平移特性，其互功率谱相位的逆傅里叶变换为一个冲击响应，计算得到冲击响应的峰值点，即为偏移量lgk、ω，从而求解出旋转角度ω及缩放因子k；

S2：将图像P_i+1旋转ω角度，并缩放k倍，可将图像P_i+1转换为图像Q_i+1；

S3：由于图像P_i和图像Q_i+1为只具有平移关系的两幅图像，其互功率谱相位的逆傅里叶变换为一个冲击响应，计算得到冲击响应的峰值点，即为平移量(x₀,y₀)，从而求解出图像P_i和图像Q_i+1的平移量，将图像Q_i+1按照平移量(x₀,y₀)进行偏移，可将图像Q_i+1转换为图像R_i+1；至此，图像P_i+1已经转换为图像R_i+1，且图像P_i和图像R_i+1像素点坐标一一对应；

S4：在图像集合P中，从i＝1至i＝N-1，循环步骤S1-S3，依次将图像P₂、P₃、...、P_N转换为图像R₂、R₃、...、R_N，形成经坐标转换的图像集合S，S＝{P₁,R₂,R₃,...,R_N}，图像集合S内的图像已经全部转换为同一坐标系，且像素点坐标一一对应；

S5：针对图像集合S中的图像进行拼接、融合，重建出智慧农业园区的全景图；

步骤2中，植物占比因子的计算方法为：

式(7)中，ρ为植物占比因子，R、G、B为图像像素的三通道值，α_R、α_G、α_B为三通道的权重值；

步骤2中，根据植物占比因子，采用K均值聚类算法进行聚类形成区块化种植区轮廓PA_k，k＝1,2,...,N，N为聚类的区块化种植区轮廓数量；

步骤3中，不同种类的农作物种植区的重建方法为：

(1)采用Closed-form抠图算法提取每个区块化种植区轮廓PA_k内的植物叶面，获取到植物的叶面特征，进而利用K近邻判别分析方法，并结合植物叶面数据库，识别出每个区块化植区轮廓PA_k内的农作物种类PC_k；

(2)设定每种农作物种类PC_k所在区域的面积为S_k，该区域外接矩形的长度和宽度为PRL_k、PRW_k，则重建出不同种类的农作物种植区为：

P_k＝{PA_k，PC_k，S_k，PRL_k，PRW_k}，其中k＝1,2,...,N (8)

式(8)中，P_k为不同种类的农作物种植区，包含了农作物种植区的轮廓、农作物种类以及农作物种植区的几何特征；

步骤4中，设定在每一种类的农作物种植区P_k内，采用等距布放的原则布放的生产类设备和监测类设备，每种设备的最大布放距离为Dmax_s，s为设备种类；设定每一种类的农作物种植区P_k的土建工程的单位面积费用为w，满足约束条件Wmin≤w≤Wmax；设定总投资费用为W_k，投资预算为IB，则建立的全局总投资费用线性规划模型为：

其中，

式(9)、(10)中，w_i、w_j分别为生产类设备、监测类设备单台设备的费用；I_i、J_j分别为生产类设备、监测类设备的数量；S_r为土建面积；w_r为土建工程单位面积费用。