CN112837345A - 一种植物冠层药液沉积分布探测方法及系统 - Google Patents
一种植物冠层药液沉积分布探测方法及系统 Download PDFInfo
- Publication number
- CN112837345A CN112837345A CN202110126937.3A CN202110126937A CN112837345A CN 112837345 A CN112837345 A CN 112837345A CN 202110126937 A CN202110126937 A CN 202110126937A CN 112837345 A CN112837345 A CN 112837345A
- Authority
- CN
- China
- Prior art keywords
- deposition
- spraying
- image
- 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
Links
- 230000008021 deposition Effects 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 81
- 239000003814 drug Substances 0.000 title claims abstract description 67
- 239000007788 liquid Substances 0.000 title claims abstract description 56
- 238000005507 spraying Methods 0.000 claims abstract description 151
- 238000001514 detection method Methods 0.000 claims abstract description 68
- 239000000575 pesticide Substances 0.000 claims abstract description 64
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000012549 training Methods 0.000 claims description 34
- 238000013145 classification model Methods 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 23
- 230000004927 fusion Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000011065 in-situ storage Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 13
- 241000196324 Embryophyta Species 0.000 description 70
- 230000000875 corresponding effect Effects 0.000 description 31
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 244000144972 livestock Species 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000000513 principal component analysis Methods 0.000 description 6
- 239000007921 spray Substances 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002189 fluorescence spectrum Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/478—Contour-based spectral representations or scale-space representations, e.g. by Fourier analysis, wavelet analysis or curvature scale-space [CSS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明提供一种植物冠层药液沉积分布探测方法及系统,包括:获取待检测区域内植物冠层的喷药前后图像;对喷药前后图像进行识别分析,获取图像识别结果;根据图像识别结果,调整无人机的工作状态;其中,喷药前后图像包括同步采集的喷药前图像和喷药后图像,图像识别结果为与喷药前后图像对应的雾滴沉积等级。本发明提供的植物冠层药液沉积分布探测方法及系统,通过无人机在施药的过程中同步检测施药雾滴沉积效果,并根据图像识别结果直观反映出的施药雾滴沉积效果,及时对施药作业路径进行调整,实现了对喷洒区域内雾滴沉积分布情况的快速检测,且检测过程快速便捷、准确性高、不易受外界干扰,能有效保障植保无人机的药液喷施作业质量。
Description
技术领域
本发明涉及农业施药技术领域,尤其涉及一种植物冠层药液沉积分布探测方法及系统。
背景技术
近年来,我国航空施药应用规模逐年扩大,尤其植保无人机的保有数量也逐年递增,但由于植保无人机距离靶标作物较远、作业速度高,其施药效果易受自然风等环境因素影响,造成施药不均匀,出现重喷、漏喷区域,严重影响病虫害防治效果。航空与地面农药及液体肥喷施作业或科研试验领域,农药及液体肥(以下简称药液)在植物冠层的雾滴沉积分布检测是农作物药液喷施质量检测评价的重要一环。
当前,植保领域植物冠层雾滴沉积分布的传统检测方法多为试纸图像处理分析法和荧光光谱分析法,这两种方法都需要在检测区域布置多个采集样本(一般为水敏试纸或卡片),药液喷施后回收采集样本,后期使用相关仪器或者软件处理分析得到每个样本上的雾滴沉积量等参数指标,再由多个采集样本上的雾滴沉积量反演出整个测量区域的雾滴沉积分布情况。
上述技术存在繁琐、不直观、易受外界因素等干扰以及检测不准确等问题。
发明内容
针对现有技术存在的检测过程繁琐、不稳定以及准确性不高等问题,本发明提供一种植物冠层药液沉积分布探测方法及系统。
本发明提供一种植物冠层药液沉积分布探测方法,包括:获取待检测区域内植物冠层的喷药前后图像;对喷药前后图像进行识别分析,获取图像识别结果;根据图像识别结果,调整无人机的工作状态;其中,喷药前后图像包括同步采集的喷药前图像和喷药后图像,图像识别结果为与喷药前后图像对应的雾滴沉积等级。
根据本发明提供的一种植物冠层药液沉积分布探测方法,对喷药前后图像进行识别分析,获取图像识别结果,包括:对喷药前后图像进行分区,获取多个子区域图像;基于统计的特征提取技术,获取多个子区域图像中的任一目标子区域图像的统计特征;基于小波分析法,获取目标子区域图像的纹理特征;结合统计特征和纹理特征,获取目标子区域图像的多尺度融合特征;基于主成分分析法,对目标子区域图像的多尺度融合特征进行降维处理,获取目标子区域图像的特征向量;利用雾滴沉积检测分类模型对特征向量进行识别,获取与目标子区域图像对应地子区域图像识别结果;其中,图像识别结果包括每个子区域图像所对应地子区域图像识别结果,雾滴沉积检测分类模型是根据带雾滴沉积等级标签的图像样本进行训练后获得的。
根据本发明提供的一种植物冠层药液沉积分布探测方法,在利用雾滴沉积检测分类模型对特征向量进行识别,获取与目标子区域图像对应地子区域图像识别结果之前,还包括:获取多个植物雾滴沉积图像样本和每个植物雾滴沉积样本对应的雾滴沉积等级标签;将每个植物雾滴沉积样本和每个植物雾滴沉积样本对应的雾滴沉积标签的组合作为一个训练样本,获得多个训练样本,利用多个训练样本对预设神经网络模型进行训练,获取分类精度满足预设要求的预设神经网络模型,作为雾滴沉积检测分类模型。
根据本发明提供的一种植物冠层药液沉积分布探测方法,获取与喷药前后图像对应的图像识别结果,包括:雾滴沉积等级包括雾滴欠沉积、雾滴适量沉积、雾滴过沉积;其中,雾滴欠沉积为药液漏喷,雾滴适量沉积为正常施药量沉积,雾滴过沉积为大于正常施药量沉积。
根据本发明提供的一种植物冠层药液沉积分布探测方法,根据图像识别结果,调整无人机的工作状态,包括:在图像识别结果为雾滴欠沉积的情况下,调整并规划无人机作业路径;在图像识别结果为雾滴适量沉积的情况下,对下一区域进行作业;在图像识别结果为雾滴过沉积的情况下,标定图像识别结果为雾滴过沉积的区域位置,调整并规划无人机作业路径。
根据本发明提供的一种植物冠层药液沉积分布探测方法,获取待检测区域内植物冠层的喷药前后图像,包括:基于时序标定校正方法,对待检测区域进行喷施和图像采集,获取同一区域的喷药前后图像。
根据本发明提供的一种植物冠层药液沉积分布探测方法,在所述获取待检测区域内植物冠层的喷药前后图像之前,还包括:步骤1,根据待检测区域的图像,判断无人机作业路径上是否有障碍物;步骤2,在无障碍物的情况下,根据无人机作业路径对待检测区域进行喷施作业,并实时获取喷药前后图像;在有障碍物的情况下,执行步骤3;步骤3,在需要进入警戒距离的情况下,无人机暂停作业原地待命;在不需要进入警戒距离的情况下,无人机停止喷施,并降低飞行速度;步骤4,迭代执行步骤1至步骤2,直至无人机完成喷施作业。
本发明还提供一种植物冠层药液沉积分布探测系统,包括:图像获取单元,用于获取待检测区域的喷药前后图像;识别分析单元,用于对喷药前后图像进行别分析,获取与喷药前后图像对应的图像识别结果;调整单元,用于根据图像识别结果,调整无人机的工作状态。
本发明还提供一种电子设备,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,处理器执行程序时实现如上述任一种植物冠层药液沉积分布探测方法的步骤。
本发明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如上述任一种植物冠层药液沉积分布探测方法的步骤。
本发明提供的植物冠层药液沉积分布探测方法及系统,通过无人机在施药的过程中同步检测施药沉积效果,并根据图像识别结果直观反映出的施药雾滴沉积效果,及时对施药作业路径进行调整,实现了对喷洒区域内雾滴沉积分布情况的快速检测,且检测过程快速便捷、准确性高、不易受外界干扰,能有效保障植保无人机的药液喷施作业质量。
附图说明
为了更清楚地说明本发明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是本发明提供的植物冠层药液沉积分布探测方法的流程示意图之一;
图2是本发明提供的无人机喷施作业的示意图;
图3是本发明提供的神经网络模型的训练过程示意图;
图4是本发明提供的植物冠层药液沉积分布探测方法的流程示意图之二;
图5是本发明提供的植物冠层药液沉积分布探测系统的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
需要说明的是,在本发明实施例的描述中,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,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1至图6描述本发明实施例所提供的植物冠层药液沉积分布探测方法和系统。
图1是本发明提供的植物冠层药液沉积分布探测方法的流程示意图之一,如图1所示,主要包括但不限于以下步骤:
S1,获取待检测区域内植物冠层的喷药前后图像;
S2,对喷药前后图像进行识别分析,获取图像识别结果;
S3,根据图像识别结果,调整无人机的工作状态;
其中,喷药前后图像包括同步采集的喷药前图像和喷药后图像,图像识别结果为与喷药前后图像对应的雾滴沉积等级。
在一个实施例中,在步骤S1中,利用高精度导航系统控制无人机按照已规划的作业路径行驶,施药设备对待检测区域进行喷施、通过图像获取设备对待检测区域进行同步拍摄,获取包括喷药前图像和喷药后图像的喷药前后图像。
图2是本发明提供的无人机喷施作业的示意图,作为一种可选地实施例,如图2所示,无人机的行驶方向为由右向左,201和202为无人机的施药设备,前端图像获取设备203和后端图像获取设备204通过自稳云台模块固定于无人机底部的前端和后端。其中,前端图像获取设备203用于采集喷药前的植被冠层图像及前方环境图像;后端图像获取设备204用于采集喷药后的植被冠层图像及后方环境图像。
具体地,在无人机行驶中前端图像获取设备203和后端图像获取设备204拍摄植物冠层时的拍摄参数的设置基本相同,所述拍摄参数可以包括拍摄高度、拍摄角度、拍摄距离等。
可选地,高精度导航系统可以是GPS导航系统、北斗系统、GLONASS系统或者伽利略卫星导航系统中的任一种。
可选地,无人机可以是多旋翼植保无人机、共轴植保直升机和单旋翼植保无人机中的任一种。
可选地,施药设备可以是液力式雾化施药设备或离心式雾化施药设备中的任一种。
可选地,图像获取设备可以是多普勒相机、深度相机、热红外探测器、线阵相机或者高光谱相机中的任一种。在本发明后续实施例中均以热红外探测器拍摄的热红外图像为例进行说明,其不视为对本发明保护范围的限定。
进一步地,在步骤S2中,对喷药后图像进行雾滴沉积识别,并对喷药前图像和喷药后图像进行对比分析,以获取该图像中的区域雾滴沉积程度,进而判断该图像中的区域雾滴沉积等级,获取到与该喷药前后图像相对应的图像识别结果。
可选地,对目标图像的识别技术可以是基于神经网络的图像识别技术实现的,也可以采用非线性降维的图像识别技术进行图像处理。
该图像识别结果是指与喷药前后图像对应的待检测区域雾滴沉积等级,雾滴沉积等级是根据该区域雾滴沉积程度确定的。例如,雾滴沉积等级可预先设定为多个等级,如:0级(雾滴欠沉积)、1级(雾滴适量沉积)、2级(雾滴适量沉积)。
进一步地,在步骤S3中,预先根据雾滴沉积等级,设定无人机在每个等级所对应的工作状态。进一步地,根据图像识别结果,调整无人机的工作状态。
可选地,在图像识别结果为0级(雾滴欠沉积)的情况下,调整并规划无人机作业路径;
在图像识别结果为1级(雾滴适量沉积)的情况下,对下一区域进行作业;
在图像识别结果为2级(雾滴过沉积)的情况下,标定图像识别结果为雾滴过沉积的区域位置,调整并规划无人机作业路径。
本发明提供的植物冠层药液沉积分布探测方法,通过无人机在施药的过程中同步检测施药雾滴沉积效果,并根据图像识别结果直观反映出的施药雾滴沉积效果,及时对施药作业路径进行调整,实现了对喷洒区域内雾滴沉积分布情况的快速检测,且检测过程快速便捷、准确性高、不易受外界干扰,能有效保障植保无人机的药液喷施作业质量。
基于上述实施例的内容,作为一种可选实施例,对喷药前后图像进行识别分析,获取图像识别结果,包括:
对喷药前后图像进行分区,获取多个子区域图像;
基于统计的特征提取技术,获取多个子区域图像中的任一目标子区域图像的统计特征;
基于小波分析法,获取目标子区域图像的纹理特征;
结合统计特征和纹理特征,获取目标子区域图像的多尺度融合特征;
基于主成分分析法,对目标子区域图像的多尺度融合特征进行降维处理,获取目标子区域图像的特征向量;
利用雾滴沉积检测分类模型对特征向量进行识别,获取与目标子区域图像对应地子区域图像识别结果;其中,图像识别结果包括每个子区域图像所对应地子区域图像识别结果,雾滴沉积检测分类模型是根据带雾滴沉积等级标签的图像样本进行训练后获得的。
可选地,本发明提供的雾滴沉积检测分类模型可以是基于SVM、NN、决策树、随机森林、Xgboost或GBDT中的任一种分类模型构建的。
作为一种可选地实施例,将喷药前后图像均匀地分为3×3的区域,获取9个大小相同的子区域图像,并将每一个子区域图像单独保存。
基于统计的特征提取技术,将9个子区域图像中的任一目标子区域图像分解为RGB三个颜色通道的图像,从每一个颜色通道获取目标子区域图像的统计特征,包括:平均灰度,灰度极大值,灰度极小值,灰度方差,四分位数。
基于小波分析法,获取目标子区域图像的纹理特征;结合统计特征和纹理特征,获取目标子区域图像的多尺度融合特征;结合目标子区域图像的统计特征和纹理特征,获取目标子区域图像的多尺度融合特征。
可选地,对统计特征和纹理特征的融合可以使用特征级融合方法将特征首尾相接级联。
基于主成分分析法(Principal Component Analysis,PCA),对目标子区域图像的多尺度融合特征进行降维处理,获取目标子区域图像的特征向量。
将目标子区域图像的特征向量输入至雾滴沉积检测分类模型,雾滴沉积检测分类模型对目标子区域图像的雾滴沉积程度进行识别,判断目标子区域图像的雾滴沉积等级,再将目标子区域图像对应的雾滴沉积等级作为结果输出,获取到获取与目标子区域图像对应地子区域图像识别结果。
本实施例基于神经网络构建雾滴沉积检测分类模型,雾滴沉积检测分类模型自动对目标子区域图像进行识别,判断目标子区域的滴沉积等级,实现对目标子区域图像智能化处理,为后续调整无人机的工作状态提供基础。
基于上述实施例的内容,作为一种可选实施例,在利用雾滴沉积检测分类模型对特征向量进行识别,获取与目标子区域图像对应地子区域图像识别结果之前,还包括对神经网络模型的训练,获取雾滴沉积检测分类模型,对神经网络模型的训练过程如图3所示:
获取多个植物雾滴沉积图像样本和每个植物雾滴沉积样本对应的雾滴沉积等级标签;
将每个植物雾滴沉积样本和每个植物雾滴沉积样本对应的雾滴沉积标签的组合作为一个训练样本,获得多个训练样本,利用多个训练样本对预设神经网络模型进行训练,获取分类精度满足预设要求的预设神经网络模型,作为雾滴沉积检测分类模型。
具体地,雾滴沉积检测分类模型是基于温度分布的训练得到,在大田环境、早中晚不同日光强度条件下,针对小麦、玉米等典型作物开展模型训练建模工作。
可选地,预设神经网络模型可以是SVM、NN、决策树、随机森林、Xgboost或者GBDT中的任一种;在本发明后续实施例中均以对SVM神经网络模型的训练为例进行说明,其不视为对本发明保护范围的具体限定。
具体地,训练样本数量根据对神经网络模型的分类精度要求设置,可选地,本实施例的训练样本数量设置为5000张。
可选地,植物雾滴沉积图像样本可以是热红外图像,雾滴沉积等级标签可以有雾滴欠沉积、雾滴适量沉积、雾滴过沉积三种。
具体地,预设要求指的是该神经网络模型分类精度大于分类精度阈值,分类精度阈值按照实际需要进行设置。
可选地,本实施例的分类精度阈值可以设置为0.95。
在一个实施例中,基于统计的特征提取技术,将每个训练样本分解为RGB三个颜色通道的图像,从每一个颜色通道获取训练样本的统计特征,包括:平均灰度,灰度极大值,灰度极小值,灰度方差,四分位数。
基于小波分析法,获取训练样本的纹理特征;
结合训练样本的统计特征和纹理特征,获取训练样本的多尺度融合特征;
其中,对统计特征和纹理特征的融合可以使用基于贝叶斯决策理论的算法、基于稀疏表示理论的算法或基于深度学习理论算法其中一种。
基于主成分分析法(Principal Component Analysis,PCA),对该多尺度融合特征进行降维处理,获取训练样本中累计贡献率超过98%的特征向量;
将训练样本的特征向量输入至神经网络模型,通过有监督的学习,对该神经网络模型的雾滴沉积等级判断能力进行训练,将训练样本的图像识别结果与该训练样本的雾滴沉积等级标签进行比对,获取该神经网络模型的分类精度,直到该神经网络模型分类精度收敛至大于0.95为止,将该分类精度大于0.95的预设神经网络模型作为雾滴沉积检测分类模型。
本实施例通过对预设神经网络模型的训练,所获取的雾滴沉积检测分类模型,具有容错性强、识别率高的特点,能够为后续对目标子区域图像的识别,确定雾滴沉积等级提供基础。
基于上述实施例的内容,作为一种可选实施例,获取与喷药前后图像对应的识别结果,包括:雾滴沉积等级包括雾滴欠沉积、雾滴适量沉积、雾滴过沉积;
其中,雾滴欠沉积为药液漏喷,雾滴适量沉积为正常施药量沉积,雾滴过沉积为大于正常施药量沉积。
具体地,对雾滴沉积等级的判断是通过对比喷施前后的热红外图像中的温度变化,形成喷药沉积分布图,识别是否有重喷、漏喷区域。
本实施例通过雾滴沉积的情况进行定量分级,为后续根据图像识别结果对应的的雾滴沉积等级,调整无人机工作状态提供基础。
基于上述实施例的内容,作为一种可选实施例,根据图像识别结果,调整无人机的工作状态,包括:
在图像识别结果为雾滴欠沉积的情况下,调整并规划无人机作业路径;
在图像识别结果为雾滴适量沉积的情况下,对下一区域进行作业;
在图像识别结果为雾滴过沉积的情况下,标定图像识别结果为雾滴过沉积的区域位置,调整并规划无人机作业路径。
无人机施药沉积效果检测结果存储在智能中控系统的存储区,当无人机本次作业任务或者该区域作业结束后,再根据施药沉积效果检测结果,植保无人机重新规划路径或者飞手手控,现场及时补喷漏喷区域。
本实施例根据对喷药前后图像的图像识别结果,调无人机的工作状态,及时对雾滴欠沉积区域进行补喷,对于雾滴过沉积区域,标定区域位置并及时调整规划作业路径,对喷施区域不同的图像识别结果分类处理,更加灵活快捷。
基于上述实施例的内容,作为一种可选实施例,获取待检测区域内植物冠层的喷药前后图像,包括:
基于时序标定校正方法,对待检测区域进行喷施和图像采集,获取同一区域的喷药前后图像。
前部和后部采集图像的使用时序标定校正方法,通过无人机前端图像获取设备203和后端图像获取设备204对待检测区域进行拍摄,使采集到同一区域喷施植被区域的喷药前后的热红外图像。
在一个实施例中,无人机上装有前端图像获取设备203和后端图像获取设备204,根据无人机的飞行速度v、前端图像获取设备203与后端图像获取设备204的安装距离l以及前端图像获取设备203同步触发时间t0三个参数,结合标定校正前端图像获取设备203和后端图像获取设备204采集图像的时序;具体地,标定过程详细记录如下。
对待检测区域S进行检测时,前端图像获取设备203首先对区域S进行拍摄,其同步触发时间为t0;紧接着,在无人机对区域S进行喷药作业后,后端图像获取设备204对区域S进行拍摄,其同步触发时间为t1;前端图像获取设备203在t0时刻和后端图像获取设备204在t1时刻拍摄到的区域同为区域S;
前后端图像获取设备采集图像的间隔时间的计算公式为:
其中,ts为前后端图像获取设备采集图像的间隔时间,v为无人机平台的飞行速度,l为前端图像获取设备203和后端图像获取设备204的安装距离;
智能中控系统会自动记录前端图像获取设备203同步触发时间t0时刻,该时刻与前后端图像获取设备采集图像的间隔时间ts,以及后端图像获取设备204同步触发时间t1的关系为:
t0+ts=t1;
其中,通过已知的t0和ts,确定后端图像获取设备204拍摄到区域S的时刻t1,最终获得植被区域S喷药前后的图像。
本实施例根据无人机的速度和前端图像获取设备203和后端图像获取设备204的安装距离,设置前后端图像获取设备的时间间隔,使无人机行驶中前端图像获取设备203和后端图像获取设备204拍摄植物冠层时的拍摄高度、拍摄角度以及拍摄距离基本相同,以提高对待检测区域植物冠层雾滴沉积检测的准确性。
基于上述实施例的内容,作为一种可选实施例,在所述获取待检测区域内植物冠层的喷药前后图像之前,之前,还包括对喷施作业路径上的障碍处理:
步骤1,根据待检测区域的图像,判断无人机作业路径上是否有障碍物;
步骤2,在无障碍物的情况下,根据无人机作业路径对待检测区域进行喷施作业,并实时获取喷药前后图像;
在有障碍物的情况下,执行步骤3;
步骤3,在需要进入警戒距离的情况下,无人机暂停作业原地待命;在不需要进入警戒距离的情况下,无人机停止喷施,并降低飞行速度;
步骤4,迭代执行步骤1至步骤2,直至无人机完成喷施作业。
可选地,待检测区域的图像可以是热红外图像。
可选地,对待检测区域的图像的障碍物判断可以是基于SVM神经网络模型对该图像进行分割提取特征,对图像中稀疏光流不满足单一性变化的认为是障碍物边界。
具体地,障碍物包括普通障碍物和人畜。
作为一个可选地实施例,热红外探测成像模块检测发现喷施作业路径前后方存在人畜时,判断是否需要进入警戒距离,在不需要进入警戒距离的情况下,无人机停止喷施,降低飞行速度,避免危害到人畜安全,并采集前后图像进行识别,直到施作业路径前后方没有人畜,可以开始喷施作业;发现喷施路径前后方存在普通障碍物时,在需要进入警戒距离的情况下,无人机暂停喷施作业、并原地悬停待命。
在本实施例中,通过对待检测区域图像的识别,发现喷施路径前后方存在人畜时,无人机喷施系统及时关闭,避免危害到人畜安全;遇到普通障碍物时避免无人机坠毁,保障了本方法实施的安全性。
基于上述实施例的内容,作为一种可选实施例,无人机载有以下结构:
大载荷动力装置,用于为无人机的运作提供动力;
高强度复合机架,用于搭载设备,如施药设备、图像获取设备;
智能变量施药装置,用于进行喷施动作;
高精度导航装置,用于控制无人机按照规划作业路径行驶;
全向避障装置,用于对无人机作业路径图像进行障碍识别,并对无人机作出相应的动作指示;
热红外探测装置,用于对待检测区域进行图像采集,包括自稳云台模块、前后热红外探测成像模块、图像处理传输模块。
具体地,自稳云台模块,用于固定调节前后热红外探测模块。
具体地,前后热红外探测成像模块,用于探测获取植物冠层的红外辐射能量分布。
可选地,前后热红外探测模块分为前部和后部,前部用于采集无人机喷施前的植物冠层红外辐射能量分布及前方环境,后部用于采集无人机喷施后的植物冠层红外辐射能量分布及后方环境。
可选地,自稳云台模块可以选用固定云台或电动云台其中的一种,本实施例选用轻量级三轴动态自稳云台。
具体地,图像处理传输模块,用于对前后热红外探测成像模块获得的初始图像进行一些图像亮度与对比度的控制、实际校正与伪彩色描绘等处理,得到待检测区域的热红外图像。由于前后热红外探测成像模块获取的待检测区域植物冠层各部分的红外辐射的热像分布信号非常弱,需要图像处理传输模块对初始图像进行预处理。
可选地,热红外图像显示的为拍摄区域的温度分布图,可以是彩色图片,也可以是黑白图片,本实施例采用彩色图片。
智能中控系统,用于控制无人机系统飞行、喷施作业,接收前后热红外成像模块实时采集的热红外图像,并对经过图像预处理后的热红外图像数据特征提取、分类处理、喷施药物雾滴沉积分布区域质量判断、决策;内嵌基于温度分布的雾滴沉积检测分类模型。
具体地,雾滴沉积检测分类模型,用于处理识别实时采集的热红外图像。
图4是本发明提供的植物冠层药液沉积分布探测方法的流程示意图之二,作为一种可选实施例,如图4所示,在无人机按作业路径行驶的过程中,基于时序标定校正方法,使用前后热红外探测模块对待检测区域进行拍摄,判断是否有障碍物。
进一步地,在有障碍物的情况下,判断是否在需要进入警戒距离;需要进入警戒距离的情况下,无人机暂停作业原地待命;在不需要进入警戒距离的情况下,无人机停止喷施,并降低飞行速度,重新使用前后热红外探测模块对待检测区域进行拍摄,判断是否有障碍物。
进一步地,在没有障碍物的情况下,使用智能变量施药装置对待检测区域进行喷施作业,基于时序标定校正方法,控制前后热红外探测成像模块对待检测区域喷施作业前后进行同步拍摄,获取同一区域的喷药前后图像。
进一步地,将喷药前后图像均匀地分为3×3的区域,获取9个大小相同的子区域图像,并将每一个子区域图像单独保存;基于统计的特征提取技术,将9个子区域图像中的任一目标子区域图像分解为RGB三个颜色通道的图像,从每一个颜色通道获取目标子区域图像的统计特征,包括:平均灰度,灰度极大值,灰度极小值,灰度方差,四分位数。
进一步地,基于小波分析法,获取目标子区域图像的纹理特征;结合统计特征和纹理特征,获取目标子区域图像的多尺度融合特征;结合目标子区域图像的统计特征和纹理特征,获取目标子区域图像的多尺度融合特征。
进一步地,基于主成分分析法(Principal Component Analysis,PCA),对目标子区域图像的多尺度融合特征进行降维处理,获取目标子区域图像的特征向量。
进一步地,将目标子区域图像的特征向量输入至雾滴沉积检测分类模型,雾滴沉积检测分类模型对目标子区域图像的雾滴沉积程度进行识别,判断目标子区域图像的雾滴沉积等级,再将目标子区域图像对应的雾滴沉积等级作为结果输出,获取到获取与目标子区域图像对应地子区域图像识别结果。
进一步地,在子区域图像识别结果为雾滴欠沉积的情况下,调整并规划无人机作业路径;在子区域图像识别结果为雾滴适量沉积的情况下,对下一区域进行作业;在子区域图像识别结果为雾滴过沉积的情况下,标定图像识别结果为雾滴过沉积的子区域位置,调整并规划无人机作业路径。
本实施例通过无人机对待检测区域障碍物的判断和对喷药前后待检测区域进行拍摄判断,根据自反馈的判断结果,控制无人机及时做出响应。因此,本实施例实现了无人机可边施药边检测施药沉积效果,使植物冠层雾滴沉积分布检测过程更加快速便捷,准确性更高。
图5是本发明提供的植物冠层药液沉积分布探测系统的结构示意图,如图5所示,包括但不限于以下单元:
图像获取单元501,用于获取待检测区域内植物冠层的喷药前后图像;
识别分析单元502,用于对喷药前后图像进行识别分析,获取图像识别结果;
调整单元503,用于根据图像识别结果,调整无人机的工作状态。
具体地,在实际应用中,图像获取单元501获取待检测区域内植物冠层的喷药前后图像,并输出至识别分析单元502;识别分析单元502对图像获取单元501输出的喷药前后图像进行识别分析,获取图像识别结果,并将图像识别结果输出至调整单元503;调整单元503根据识别分析单元502输出的图像识别结果,调整无人机的工作状态。
其中,喷药前后图像包括同步采集的喷药前图像和喷药后图像,图像识别结果为与喷药前后图像对应的雾滴沉积等级。
在一个实施例中,利用高精度导航系统控制无人机按照已规划的作业路径行驶,施药设备对待检测区域进行喷施、通过图像获取单元501对待检测区域进行同步拍摄,获取包括喷药前图像和喷药后图像的喷药前后图像。如图2所示,图像获取单元501包括前端图像获取设备203和后端图像获取设备204,无人机的行驶方向为由右向左,201和202为无人机的施药设备,前端图像获取设备203和后端图像获取设备204通过自稳云台模块固定于无人机底部的前端和后端。其中,前端图像获取设备203用于采集喷药前的植被冠层图像及前方环境图像;后端图像获取设备204用于采集喷药后的植被冠层图像及后方环境图像。
具体地,在无人机行驶中前端图像获取设备203和后端图像获取设备204拍摄植物冠层时的拍摄参数的设置基本相同,所述拍摄参数可以包括拍摄高度、拍摄角度、拍摄距离等。
可选地,高精度导航系统可以是GPS导航系统、北斗系统、GLONASS系统或者伽利略卫星导航系统其中的一种。
可选地,无人机可以是多旋翼植保无人机、共轴植保直升机和单旋翼植保无人机其中的一种。
可选地,施药设备可以是液力式雾化施药设备或离心式雾化施药设备中的任一种。
可选地,图像获取设备可以是多普勒相机、深度相机、热红外探测器、线阵相机或者高光谱相机其中的一种。在本发明后续实施例中均以热红外探测器为例进行说明,其不视为对本发明保护范围的限定。
进一步地,识别分析单元502对喷药后图像进行雾滴沉积识别,并对喷药前图像和喷药后图像进行对比分析,以获取该图像中的区域雾滴沉积程度,进而判断该图像中的区域雾滴沉积等级,获取到与该喷药前后图像相对应的图像识别结果。
可选地,对目标图像的识别技术可以是基于神经网络的图像识别技术实现的,也可以采用非线性降维的图像识别技术进行图像处理。
该图像识别结果是指与喷药前后图像对应的待检测区域雾滴沉积等级,雾滴沉积等级是根据该区域雾滴沉积程度确定的。例如,雾滴沉积等级可预先设定为多个等级,如:0级(雾滴欠沉积)、1级(雾滴适量沉积)、2级(雾滴适量沉积)。
进一步地,预先根据雾滴沉积等级,设定无人机在每个等级所对应的工作状态。进一步地,调整单元503根据图像识别结果,调整无人机的工作状态。
相应的,在图像识别结果为0级(雾滴欠沉积)的情况下,调整并规划无人机作业路径;
在图像识别结果为1级(雾滴适量沉积)的情况下,对下一区域进行作业;
在图像识别结果为2级(雾滴过沉积)的情况下,标定图像识别结果为雾滴过沉积的区域位置,调整并规划无人机作业路径。
本发明提供的植物冠层药液沉积分布探测系统,通过无人机在施药的过程中同步检测施药雾滴沉积效果,并根据图像识别结果直观反映出的施药雾滴沉积效果,及时对施药作业路径进行调整,实现了对喷洒区域内雾滴沉积分布情况的快速检测,且检测过程快速便捷、准确性高、不易受外界干扰,能有效保障植保无人机的药液喷施作业质量。
需要说明的是,本发明实施例提供的植物冠层药液沉积分布探测系统,在具体执行时,可以基于上述任一实施例的植物冠层药液沉积分布探测方法来实现,对此本实施例不作赘述。
图6是本发明提供的电子设备的结构示意图,如图6所示,该电子设备可以包括:处理器(Processor)601、通信接口(Communications Interface)602、存储器(Memory)603和通信总线604,其中,处理器601,通信接口602,存储器603通过通信总线604完成相互间的通信。处理器601可以调用存储器603中的逻辑指令,以执行植物冠层药液沉积分布探测方法,该方法包括:获取待检测区域内植物冠层的喷药前后图像;对喷药前后图像进行识别分析,获取图像识别结果;根据图像识别结果,调整无人机的工作状态;其中,喷药前后图像包括同步采集的喷药前图像和喷药后图像,图像识别结果为与喷药前后图像对应的雾滴沉积等级。
此外,上述的存储器603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,本发明还提供一种计算机程序产品,计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,计算机能够执行上述各方法所提供的植物冠层药液沉积分布探测方法,该方法包括:获取待检测区域内植物冠层的喷药前后图像;对喷药前后图像进行识别分析,获取图像识别结果;根据图像识别结果,调整无人机的工作状态;其中,喷药前后图像包括同步采集的喷药前图像和喷药后图像,图像识别结果为与喷药前后图像对应的雾滴沉积等级。
又一方面,本发明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植物冠层药液沉积分布探测方法,该方法包括:获取待检测区域内植物冠层的喷药前后图像;对喷药前后图像进行识别分析,获取图像识别结果;根据图像识别结果,调整无人机的工作状态;其中,喷药前后图像包括同步采集的喷药前图像和喷药后图像,图像识别结果为与喷药前后图像对应的雾滴沉积等级。
以上所描述的装置实施例仅仅是示意性的,其中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)
1.一种植物冠层药液沉积分布探测方法,其特征在于,包括:
获取待检测区域内植物冠层的喷药前后图像;
对所述喷药前后图像进行识别分析,获取图像识别结果;
根据所述图像识别结果,调整无人机的工作状态;
其中,所述喷药前后图像包括同步采集的喷药前图像和喷药后图像,所述图像识别结果为与所述喷药前后图像对应的雾滴沉积等级。
2.根据权利要求1所述的植物冠层药液沉积分布探测方法,其特征在于,所述对所述喷药前后图像进行识别分析,获取图像识别结果,包括:
对所述喷药前后图像进行分区,获取多个子区域图像;
基于统计的特征提取技术,获取所述多个子区域图像中的任一目标子区域图像的统计特征;
基于小波分析法,获取所述目标子区域图像的纹理特征;
结合所述统计特征和所述纹理特征,获取所述目标子区域图像的多尺度融合特征;
基于主成分分析法,对所述目标子区域图像的多尺度融合特征进行降维处理,获取所述目标子区域图像的特征向量;
利用雾滴沉积检测分类模型对所述特征向量进行识别,获取与所述目标子区域图像对应地子区域图像识别结果;
其中,所述图像识别结果包括每个所述子区域图像所对应地子区域图像识别结果,所述雾滴沉积检测分类模型是根据带雾滴沉积等级标签的图像样本进行训练后获得的。
3.根据权利要求2所述的植物冠层药液沉积分布探测方法,其特征在于,在利用雾滴沉积检测分类模型对所述特征向量进行识别,获取与所述目标子区域图像对应地子区域图像识别结果之前,还包括:
获取多个植物雾滴沉积图像样本和每个植物雾滴沉积样本对应的雾滴沉积等级标签;
将每个植物雾滴沉积样本和每个植物雾滴沉积样本对应的雾滴沉积标签的组合作为一个训练样本,获得多个训练样本,利用所述多个训练样本对预设神经网络模型进行训练,获取分类精度满足预设要求的所述预设神经网络模型,作为所述雾滴沉积检测分类模型。
4.根据权利要求1所述的植物冠层药液沉积分布探测方法,其特征在于,所述获取与所述喷药前后图像对应的图像识别结果,包括:所述雾滴沉积等级包括雾滴欠沉积、雾滴适量沉积、雾滴过沉积;
其中,所述雾滴欠沉积为药液漏喷,所述雾滴适量沉积为正常施药量沉积,所述雾滴过沉积为大于正常施药量沉积。
5.根据权利要求4所述的植物冠层药液沉积分布探测方法,其特征在于,所述根据所述图像识别结果,调整无人机的工作状态,包括:
在所述图像识别结果为所述雾滴欠沉积的情况下,调整并规划无人机作业路径;
在所述图像识别结果为所述雾滴适量沉积的情况下,对下一区域进行作业;
在所述图像识别结果为所述雾滴过沉积的情况下,标定所述图像识别结果为雾滴过沉积的区域位置,调整并规划无人机作业路径。
6.根据权利要求1所述的植物冠层药液沉积分布探测方法,其特征在于,所述获取待检测区域内植物冠层的喷药前后图像,包括:
基于时序标定校正方法,对所述待检测区域进行喷施和图像采集,获取同一区域的所述喷药前后图像。
7.根据权利要求1所述的植物冠层药液沉积分布探测方法,其特征在于,在所述获取待检测区域内植物冠层的喷药前后图像之前,还包括:
步骤1,根据所述待检测区域的图像,判断无人机作业路径上是否有障碍物;
步骤2,在无障碍物的情况下,根据所述无人机作业路径对所述待检测区域进行喷施作业,并实时获取所述喷药前后图像;
在有障碍物的情况下,执行步骤3;
步骤3,在需要进入警戒距离的情况下,无人机暂停作业原地待命;在不需要进入警戒距离的情况下,无人机停止喷施,并降低飞行速度;
步骤4,迭代执行步骤1至步骤2,直至所述无人机完成喷施作业。
8.一种植物冠层药液沉积分布探测系统,其特征在于,包括:
图像获取单元,用于获取待检测区域的喷药前后图像;
识别分析单元,用于对所述喷药前后图像进行别分析,获取与所述喷药前后图像对应的图像识别结果;
调整单元,用于根据所述图像识别结果,调整无人机的工作状态。
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述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计算机程序时实现如权利要求1至7任一项所述植物冠层药液沉积分布探测方法步骤。
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,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述植物冠层药液沉积分布探测方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126937.3A CN112837345B (zh) | 2021-01-29 | 2021-01-29 | 一种植物冠层药液沉积分布探测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110126937.3A CN112837345B (zh) | 2021-01-29 | 2021-01-29 | 一种植物冠层药液沉积分布探测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837345A true CN112837345A (zh) | 2021-05-25 |
CN112837345B CN112837345B (zh) | 2023-12-08 |
Family
ID=75931097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110126937.3A Active CN112837345B (zh) | 2021-01-29 | 2021-01-29 | 一种植物冠层药液沉积分布探测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837345B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034276A (zh) * | 2022-08-15 | 2022-09-09 | 农业农村部南京农业机械化研究所 | 大流量喷头的雾滴分布检测方法、装置及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9856020B1 (en) * | 2016-07-27 | 2018-01-02 | International Business Machines Corporation | Drone-based mosquito amelioration based on risk analysis and pattern classifiers |
CN110689519A (zh) * | 2019-08-21 | 2020-01-14 | 华南农业大学 | 基于yolo网络的雾滴沉积图像检测系统和方法 |
CN110834729A (zh) * | 2019-11-06 | 2020-02-25 | 北京农业智能装备技术研究中心 | 一种基于光谱探测的无人机及喷洒控制方法 |
CN111650101A (zh) * | 2020-08-06 | 2020-09-11 | 农业农村部南京农业机械化研究所 | 树木冠层喷雾采集处理系统以及方法 |
WO2020239015A1 (zh) * | 2019-05-31 | 2020-12-03 | 北京金山云网络技术有限公司 | 一种图像识别、分类方法、装置、电子设备及存储介质 |
-
2021
- 2021-01-29 CN CN202110126937.3A patent/CN112837345B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9856020B1 (en) * | 2016-07-27 | 2018-01-02 | International Business Machines Corporation | Drone-based mosquito amelioration based on risk analysis and pattern classifiers |
WO2020239015A1 (zh) * | 2019-05-31 | 2020-12-03 | 北京金山云网络技术有限公司 | 一种图像识别、分类方法、装置、电子设备及存储介质 |
CN110689519A (zh) * | 2019-08-21 | 2020-01-14 | 华南农业大学 | 基于yolo网络的雾滴沉积图像检测系统和方法 |
CN110834729A (zh) * | 2019-11-06 | 2020-02-25 | 北京农业智能装备技术研究中心 | 一种基于光谱探测的无人机及喷洒控制方法 |
CN111650101A (zh) * | 2020-08-06 | 2020-09-11 | 农业农村部南京农业机械化研究所 | 树木冠层喷雾采集处理系统以及方法 |
Non-Patent Citations (2)
Title |
---|
漆海霞;陈鹏超;兰玉彬;黄晓宇;王国宾;: "不同电动植保无人机稻田雾滴沉积分布试验研究", 农机化研究, no. 09 * |
陈春玲;于丰华;许童羽;: "四旋翼植保无人机喷雾参数对东北粳稻雾滴沉积的影响", 农业工程技术, no. 09 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034276A (zh) * | 2022-08-15 | 2022-09-09 | 农业农村部南京农业机械化研究所 | 大流量喷头的雾滴分布检测方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112837345B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | A comprehensive review on recent applications of unmanned aerial vehicle remote sensing with various sensors for high-throughput plant phenotyping | |
Reza et al. | Rice yield estimation based on K-means clustering with graph-cut segmentation using low-altitude UAV images | |
Fernández‐Quintanilla et al. | Is the current state of the art of weed monitoring suitable for site‐specific weed management in arable crops? | |
CN111582055B (zh) | 一种无人机的航空施药航线生成方法及系统 | |
Di Gennaro et al. | A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard | |
CN108693119B (zh) | 基于无人机高光谱遥感的病虫害智能察打系统 | |
Amarasingam et al. | A review of UAV platforms, sensors, and applications for monitoring of sugarcane crops | |
KR102049938B1 (ko) | 센서 기반의 작황상황 빅데이터 분석을 이용하여 농약 살포량을 실시간으로 조절 가능한 농업용 드론 시스템 | |
CN106915462A (zh) | 基于多源影像信息的林业病虫害智能识别系统 | |
Singh et al. | Unmanned aircraft systems for precision weed detection and management: Prospects and challenges | |
Kazmi et al. | Adaptive surveying and early treatment of crops with a team of autonomous vehicles | |
de Oca et al. | The AgriQ: A low-cost unmanned aerial system for precision agriculture | |
Ghazal et al. | UAV-based remote sensing for vegetation cover estimation using NDVI imagery and level sets method | |
CN111225854A (zh) | 无人机 | |
CN110282135A (zh) | 一种植保无人机农药精准喷施系统及喷施方法 | |
Lum et al. | Multispectral imaging and elevation mapping from an unmanned aerial system for precision agriculture applications | |
CN114255262A (zh) | 一种害虫消杀系统、方法、电子设备及存储介质 | |
Zhang et al. | Opportunities of UAVs in orchard management | |
Gonzalez et al. | Advances in unmanned aerial systems and payload technologies for precision agriculture | |
KR20210143627A (ko) | 드론을 이용한 식생 예찰 시스템, 식생 예찰 장치 및 식생 예찰 방법 | |
Khuzaimah et al. | Application and potential of drone technology in oil palm plantation: Potential and limitations | |
CN112837345B (zh) | 一种植物冠层药液沉积分布探测方法及系统 | |
Maslekar et al. | Application of unmanned aerial vehicles (UAVs) for pest surveillance, monitoring and management | |
KR102563100B1 (ko) | 과실 수량 측정 시스템 및 그 방법 | |
Negrete | Artificial vision in Mexican agriculture, a new techlogy for increase food security |
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 |