CN113239864A - 一种适用于农业调查的无人机的路线规划方法 - Google Patents
一种适用于农业调查的无人机的路线规划方法 Download PDFInfo
- Publication number
- CN113239864A CN113239864A CN202110600055.6A CN202110600055A CN113239864A CN 113239864 A CN113239864 A CN 113239864A CN 202110600055 A CN202110600055 A CN 202110600055A CN 113239864 A CN113239864 A CN 113239864A
- Authority
- CN
- China
- Prior art keywords
- image
- unmanned aerial
- route
- aerial vehicle
- area
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000011835 investigation Methods 0.000 title claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000002347 injection Methods 0.000 claims abstract description 7
- 239000007924 injection Substances 0.000 claims abstract description 7
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000001514 detection method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 230000002776 aggregation Effects 0.000 abstract 1
- 238000004220 aggregation Methods 0.000 abstract 1
- 230000004888 barrier function Effects 0.000 abstract 1
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000009336 multiple cropping Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
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
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明公开了一种适用于农业调查的无人机的路线规划方法,包括:首先,获取整体影像,并获取地面控制点坐标信息,再将高分辨率的卫星遥感数据和高飞待调查区域的无人机航拍照片进行图像几何校正处理,然后,将校正后的无人机航拍照片输入提前训练好的YOLOv3田间障碍物识别模型中,获取该区域的障碍物坐标,其次,运用多尺度组合聚合分割算法实现田块边界自动提取;再利用多边形三角剖分骨架图获取田块中心点,同时,根据无人机拍摄照片覆盖范围,剔除多余的田块中心点,生成初始航线,最终,以障碍物为中心生成一定范围的缓冲区,采用引射线法判断初始航点是否在缓冲区内,剔除缓冲区内的航点后,生成最终航线。
Description
技术领域
本发明涉及无人机路线规划领域,特别是涉及一种适用于农业调查的无人机的路线规划方法。
背景技术
随着我国“智慧农业”的高速发展,农业走向智能化、信息化将成为必然趋势。近年来,国家大力推进农业现代化,无人机凭借其在灵活性、分辨率高、受天气影响小等方面的独特优势,已渗透到农业生产的各个方面。相较于传统的遥感卫星影像数据,无人机可依据不同的农情需求和地形特征,实时开展任务,解决了遥感卫星影像的数据繁杂、尺度敏感等问题。
然而,在实际无人机农情数据采集中,存在如下不足之处:
1、田间环境复杂:农村建筑物分布相对零散,电线杆及电线网络错综复杂,树木高矮不一,河流网络密布,田块大小分布不均,这些特征在一定程度上阻碍了无人机农情影像数据的收集。
2、作物种植复杂多样:我国当前农业总体处于小农种植模式,采用复种、间种、套种等复杂的种植模式,农作物种植还存在空间多样性、动态性、季节多变性等特征,导致基础的无人机路径规划不适用于农情普查工作的开展。
3、典型的避障系统不适用于农田作业:无人机避障技术的原理是,根据无人机搭载的传感器判断障碍物与自身的距离,再通过控制电机输出,从而能避开障碍物。然而,这种方式易受环境干扰,且仅适用于感知短距离的障碍物。在综合考虑农村调查环境及无人机电池续航能力的前提下,检测并避开无人机飞行路径中的障碍物是亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种适用于农业调查的无人机的路线规划方法,用以解决背景技术中描述的技术问题。
为了实现上述目的,本发明提供如下技术方案:
一种适用于农业调查的无人机的路线规划方法,包括如下步骤:
步骤S1、通过无人机获取待调查区域的第一图像以及第二图像,同时获取第一图像对应的地面控制点信息,所述第一图像以及对应的地面控制点信息和第二图像被传输至服务器中;其中,所述第一图像为所述无人机处于距离地面100m~500m的空中时,获取的所述待调查区域的整体图像,所述第二图像为所述无人机处于距离地面15m~20m的空中时,获取的所述待调查区域的部分图像;
步骤S2、选择所述待调查区域相对应的卫星底图,然后再从所述服务器中获取步骤S1中得到的第一图像以及对应的地面控制点信息,并利用地面控制点和选择仿射变换模型对其进行图像几何校正处理,得到校正后的第一图像;
步骤S3、将步骤S2中得到的配准后的第一图像输入预先训练好的YOLOv3障碍物识别模型中进行识别,得到待调查区域中的障碍物分布坐标;
步骤S4、通过MCG分割算法提取所述待调查区域中各个地块的边界,再利用多边形三角剖分骨架图技术获取每个地块的中心点及其坐标,最后结合第二图像的覆盖范围,生成初始航线;
步骤S5、根据步骤S3中获取的障碍物分布坐标,调整所述初始航线,避开障碍物,生成最终航线;
步骤S6、将步骤S5中得到的最终航线上传至无人机,所述无人机根据该最终航线持续获取第二图像。
进一步的,所述无人机具备地形跟随系统且搭载像素值大于或者等于1200万的相机;在所述步骤S1中,通过GNSS手持机在所述待调查区域上的不同区域测得多个控制点坐标信息。
进一步的,所述卫星遥感数据为从覆盖所述待调查区域的卫星中获取的,所述卫星包括Landsat-8和哨兵。
进一步的,所述YOLOv3障碍物识别模型的训练过程包括:
步骤S301、构建数据集,首先通过无人机拍摄和直接从MIT DriveSeg数据集中选取图像这两种方式,获取多尺度的田间障碍物图像,然后对获取到的田间障碍物图像进行数据增强处理,接着使用标注工具对每张图片进行类别标注,生成xml文件,用于存储每张图像中障碍物的位置和类别信息,最后,按照8:1:1的比例生成训练数据集、验证数据集和测试数据集;
步骤S302、将步骤S301中得到的训练数据集输入到DarkNet-53网络中,使用YOLOv3目标检测算法进行迭代训练,直到模型收敛,损失函数达到一个极小值为止,得到YOLOv3障碍物识别模型;
步骤S303、将步骤S301中得到的测试数据集输入到YOLOv3障碍物识别模型中进行测试,通过计算模型的mAP来评价YOLOv3障碍物识别模型的目标检测精度。
进一步的,在所述步骤S4中,所述通过MCG分割算法提取所述待调查区域中各个地块的边界具体包括:通过MCG分割算法对所述第一图像进行轮廓检测和分割,轮廓检测和分割,提取各个地块的边界;所述利用多边形三角剖分骨架图技术获取每个地块的中心点及其坐标具体包括:通过多边形三角剖分骨架图,分析各子地块的拓扑关系和几何特征,获取地块中心点及其坐标;所述结合第二图像的覆盖范围,生成初始航线具体包括:计算所述无人机在任意两个中心点处拍摄的第二图像之间的重叠度,删除重叠度大于0.3对应的两个中心点,保留其他中心点,对其他中心点进行最短路径规划,生成初始航线。
进一步的,所述步骤S5具体包括:以获取的障碍物分布坐标为圆心,10m为半径的圆作为障碍物的缓冲区,采用引射线法判断初始航线中的航点是否在缓冲区内,若某一航点在缓冲区内,则剔除该航点,保留其他的航点,对其他的航点进行最短路径规划,生成最终航线。
进一步的,所述采用引射线法判断初始航线中的航点是否在缓冲区内具体包括:从初始航线中的航点出发引出一条射线,判断该射线与缓冲区所有边的交点个数,若交点个数为奇数,则剔除或移动该航点;反之,则保留。
进一步的,在所述步骤S6中,所述无人机通过传感器进行主动避险。
本发明的有益效果是:
1、本发明将无人机田间自主避障与基于田块划分相结合,设计出一套适用于田间作业的无人机路径规划方法,提高了无人机路径规划在农业领域的普适性。
2、本发明解决了传统无人机避障系统成本高、检测距离有限的问题。
3、本发明提升了使用无人机开展农情调查与监测的工作效率,顺应现代化农业向自动化、智能化方向发展的趋势,对现代农业及智慧农业的发展有重大意义。
附图说明
图1为实施例1中适用于农业调查的无人机的路线规划方法的流程图。
图2为实施例1中障碍物识别结果的示意图。
图3为实施例1中航点示意图。
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做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。
参见图1-图3,本实施例提供一种适用于农业调查的无人机的路线规划方法,包括如下步骤:
步骤S1、通过无人机获取待调查区域的第一图像以及第二图像,同时获取第一图像对应的地面控制点信息,第一图像以及对应的地面控制点信息和第二图像被传输至服务器中;其中,第一图像为无人机处于距离地面100m~500m的空中时,获取的待调查区域的整体图像,第二图像为无人机处于距离地面15m~20m的空中时,获取的待调查区域的部分图像;
具体的说,在本实施例中,无人机具备地形跟随系统且搭载像素值大于或者等于1200万的相机,通过相机获取图像;并且在步骤S1中,多个外业人员通过GNSS手持机,获取该待调查区域的地面控制点信息。
更具体的说,无人机的飞行高度,视调查范围和实际情况而定。
步骤S2、选择所述待调查区域相对应的卫星底图,然后再从所述服务器中获取步骤S1中得到的第一图像以及对应的地面控制点信息,并利用地面控制点和选择仿射变换模型对其进行图像几何校正处理,得到校正后的第一图像;
具体的说,在本实施例中,所述卫星遥感数据为从覆盖所述待调查区域的卫星中获取的,所述卫星包括Landsat-8和哨兵;几何校正处理是根据地面控制点,通过仿射变换模型对第一图像进行几何校正,使其具有对应的几何坐标信息。
步骤S3、将步骤S2中得到的配准后的第一图像输入预先训练好的YOLOv3障碍物识别模型中进行识别,得到待调查区域中的障碍物分布坐标,具体参见图2;
具体的说,在本实施例中,YOLOv3障碍物识别模型的训练过程包括:
步骤S301、构建数据集,首先通过无人机拍摄和直接从MIT DriveSeg数据集中选取图像这两种方式,获取多尺度的田间障碍物图像,然后对获取到的田间障碍物图像进行数据增强处理,数据增强具体包括:重新缩放、图像旋转、随机亮度变换、图像白化等。接着使用标注工具对每张图片进行类别标注,生成xml文件,用于存储每张图像中障碍物的位置和类别信息。最后,按照8:1:1的比例生成训练数据集、验证数据集和测试数据集。
步骤S302、将步骤S301中得到的训练数据集输入到DarkNet-53网络中,使用YOLOv3目标检测算法进行迭代训练,直到模型收敛,损失函数达到一个极小值为止,得到YOLOv3障碍物识别模型;
更具体的说,采用DarkNet-53网络提取特征,再利用得到的特征进行预测,获取目标类别、坐标及置信度。由于预测框会存在相互重叠的状况,需对预测结果进行得分排序与非极大抑制筛选,筛选出一定区域内属于同一种类得分最大的框,得到网络的最终预测。
步骤S303、将步骤S301中得到的测试数据集输入到YOLOv3障碍物识别模型中进行测试,通过计算模型的mAP来评价YOLOv3障碍物识别模型的目标检测精度。
更具体的说,通过绘制各类障碍物的P-R曲线,该曲线下的面积即为该类障碍物的平均精确度AP(Average Precision),最终求得模型的目标检测精度mAP(mean AveragePrecision)。
其中,Precision(精确度)和Recall(召回率)公式如下所示:
式中的TP(True Positive)指预测为正,实际为正;TN(True Negative)指预测为负,实际为负;FP(False Positive)指预测为正,实际为负;FN(False Negative)指预测为负,实际为正。
步骤S4、通过MCG分割算法提取待调查区域中各个地块的边界,再利用多边形三角剖分骨架图技术获取每个地块的中心点及其坐标,最后结合第二图像的覆盖范围,生成初始航线;
具体的说,在本实施例中,在步骤S4中,通过MCG分割算法提取待调查区域中各个地块的边界具体包括:
1、采用双线性插值法对第一图像进行下采样,其中,最优地面采样距离通过对比不同地面采样距离下所获的地块边界准确性而择优确定;其次,采用分块策略,对采样后的影像,切分成相同像素大小的影像瓦片;
2、采用MCG分割算法对经下采样和分块后的第一图像进行轮廓检测和分割处理,并且分析边界提取准确率,选择最优的分割尺度,进行分割;再对经过分割后的第一图像进行二值化处理,形成边界图。
3、利用多边形三角剖分骨架图技术获取每个地块的中心点及其坐标具体包括:通过多边形三角剖分骨架图,分析各子地块的拓扑关系和几何特征,获取地块中心点及其坐标。
4、结合第二图像的覆盖范围,生成初始航线具体包括:计算无人机在任意两个中心点处拍摄的第二图像之间的重叠度,删除重叠度大于0.3对应的两个中心点,保留其他中心点,对其他中心点进行最短路径规划,生成初始航线。
更具体的说,在本实施例中采用的MCG分割算法是一种快速、有效的轮廓检测和图像分割算法。首先该方法基于结构森林边缘检测器快速检测图像边缘,但此时边缘是非闭合的线段;然后通过频谱划分来考虑局部和全局图像尺度上的边缘,使用有向分水岭变换将检测的边缘生成闭合区域,并消除纹理化区域中的无关边缘来识别最初的轮廓;最后通过全局化加权每个边界和区域,将每个像素的大小转换为边界概率,构建一个定义分层分割的超度量等高图。
更具体的说,本实施例基于多边形三角剖分骨架图结构,借鉴图论领域的中心性理论,定义骨架图顶点的中心性度量,进而获得中心性较高的骨架顶点作为面状目标的形状中心。
在图论中,居间中心性是一种基于最短路径的对图中节点的中心性测度,由通过一个顶点的所有最短路径数目来表达。因考虑到视觉特征点之间的骨架路径反映了形状视觉特征部分的连贯性,由此定义骨架图中节点的居间中心性为经过该节点骨架路径的数目。
定义1骨架图节点V的居间中心性:经过V的骨架路径的数目。计算公式如下:
公式(1)中,Cb(V)表示为某一节点V的居间中心性,ps,V,t表示为连接端点s、t并且经过节点V的路径;
图论中邻近中心性是另一种图中节点的中心性测度,通过计算节点到图中其他所有节点的最短路径长度的总和的倒数求得。因考虑骨架点到各个视觉特征点邻近性感受的均衡性,本实施例定义骨架图节点到骨架图端点的骨架枝长度标准差的倒数作为骨架图节点的邻近中心性。
定义2骨架图节点V的邻近中心性:V到各个端点s的骨架枝的带权长度dw(V,s)标准差M的倒数。计算公式如下:
公式(2)中,Cc(V)表示为某一节点V的邻近中心性,dw(V,s)表示为节点V到各个端点s的骨架枝的带权长度,M表示为该带权长度的倒数,骨架枝对应边的权w取长度、宽度或者面积。
通过计算骨架图中结点的中心性得到三角剖分骨架图上各个节点的中心性程度,对其进行排序,得到中心性程度最大的点即可作为区域的形状中心点。
步骤S5、根据步骤S3中获取的障碍物分布坐标,调整初始航线,避开障碍物,生成最终航线。
具体的说,在本实施例中,步骤S5具体包括:以获取的障碍物分布坐标为圆心,10m为半径的圆作为障碍物的缓冲区,采用引射线法判断初始航线中的航点是否在缓冲区内,若某一航点在缓冲区内,则剔除该航点,保留其他的航点,对其他的航点进行最短路径规划,生成最终航线,具体参见图3。
更具体的说,采用引射线法判断初始航线中的航点是否在缓冲区内具体包括:从初始航线中的航点出发引出一条射线,判断该射线与缓冲区所有边的交点个数,若交点个数为奇数,则剔除或移动该航点;反之,则保留。
步骤S6、将步骤S5中得到的最终航线上传至无人机,无人机根据该最终航线持续获取第二图像。具体的说,在本实施例中,无人机基于上传的航线,依次拍摄调查范围内的第二图像。
本发明未详述之处,均为本领域技术人员的公知技术。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (8)
1.一种适用于农业调查的无人机的路线规划方法,其特征在于,包括如下步骤:
步骤S1、通过无人机获取待调查区域的第一图像以及第二图像,同时获取第一图像对应的地面控制点信息,所述第一图像以及对应的地面控制点信息和第二图像被传输至服务器中;其中,所述第一图像为所述无人机处于距离地面100m~500m的空中时,获取的所述待调查区域的整体图像,所述第二图像为所述无人机处于距离地面15m~20m的空中时,获取的所述待调查区域的部分图像;
步骤S2、选择所述待调查区域相对应的卫星底图,然后再从所述服务器中获取步骤S1中得到的第一图像以及对应的地面控制点信息,并利用地面控制点和选择仿射变换模型对其进行图像几何校正处理,得到校正后的第一图像;
步骤S3、将步骤S2中得到的配准后的第一图像输入预先训练好的YOLOv3障碍物识别模型中进行识别,得到待调查区域中的障碍物分布坐标;
步骤S4、通过MCG分割算法提取所述待调查区域中各个地块的边界,再利用多边形三角剖分骨架图技术获取每个地块的中心点及其坐标,最后结合第二图像的覆盖范围,生成初始航线;
步骤S5、根据步骤S3中获取的障碍物分布坐标,调整所述初始航线,避开障碍物,生成最终航线;
步骤S6、将步骤S5中得到的最终航线上传至无人机,所述无人机根据该最终航线持续获取第二图像。
2.根据权利要求1所述的一种适用于农业调查的无人机的路线规划方法,其特征在于,所述无人机具备地形跟随系统且搭载像素值大于或者等于1200万的相机;在所述步骤S1中,通过GNSS手持机在所述待调查区域上的不同区域测得多个控制点坐标信息。
3.根据权利要求2所述的一种适用于农业调查的无人机的路线规划方法,其特征在于,所述卫星遥感数据为从覆盖所述待调查区域的卫星中获取的,所述卫星包括Landsat-8和哨兵。
4.根据权利要求3所述的一种适用于农业调查的无人机的路线规划方法,其特征在于,所述YOLOv3障碍物识别模型的训练过程包括:
步骤S301、构建数据集,首先通过无人机拍摄和直接从MIT DriveSeg数据集中选取图像这两种方式,获取多尺度的田间障碍物图像,然后对获取到的田间障碍物图像进行数据增强处理,接着使用标注工具对每张图片进行类别标注,生成xml文件,用于存储每张图像中障碍物的位置和类别信息,最后,按照8:1:1的比例生成训练数据集、验证数据集和测试数据集;
步骤S302、将步骤S301中得到的训练数据集输入到DarkNet-53网络中,使用YOLOv3目标检测算法进行迭代训练,直到模型收敛,损失函数达到一个极小值为止,得到YOLOv3障碍物识别模型;
步骤S303、将步骤S301中得到的测试数据集输入到YOLOv3障碍物识别模型中进行测试,通过计算模型的mAP来评价YOLOv3障碍物识别模型的目标检测精度。
5.根据权利要求4所述的一种适用于农业调查的无人机的路线规划方法,其特征在于,在所述步骤S4中,所述通过MCG分割算法提取所述待调查区域中各个地块的边界具体包括:通过MCG分割算法对所述第一图像进行轮廓检测和分割,轮廓检测和分割,提取各个地块的边界;所述利用多边形三角剖分骨架图技术获取每个地块的中心点及其坐标具体包括:通过多边形三角剖分骨架图,分析各子地块的拓扑关系和几何特征,获取地块中心点及其坐标;所述结合第二图像的覆盖范围,生成初始航线具体包括:计算所述无人机在任意两个中心点处拍摄的第二图像之间的重叠度,删除重叠度大于0.3对应的两个中心点,保留其他中心点,对其他中心点进行最短路径规划,生成初始航线。
6.根据权利要求5所述的一种适用于农业调查的无人机的路线规划方法,其特征在于,所述步骤S5具体包括:以获取的障碍物分布坐标为圆心,10m为半径的圆作为障碍物的缓冲区,采用引射线法判断初始航线中的航点是否在缓冲区内,若某一航点在缓冲区内,则剔除该航点,保留其他的航点,对其他的航点进行最短路径规划,生成最终航线。
7.根据权利要求6所述的一种适用于农业调查的无人机的路线规划方法,其特征在于,所述采用引射线法判断初始航线中的航点是否在缓冲区内具体包括:从初始航线中的航点出发引出一条射线,判断该射线与缓冲区所有边的交点个数,若交点个数为奇数,则剔除或移动该航点;反之,则保留。
8.根据权利要求7所述的一种适用于农业调查的无人机的路线规划方法,其特征在于,在所述步骤S6中,所述无人机通过传感器进行主动避险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600055.6A CN113239864A (zh) | 2021-05-31 | 2021-05-31 | 一种适用于农业调查的无人机的路线规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110600055.6A CN113239864A (zh) | 2021-05-31 | 2021-05-31 | 一种适用于农业调查的无人机的路线规划方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113239864A true CN113239864A (zh) | 2021-08-10 |
Family
ID=77135992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110600055.6A Pending CN113239864A (zh) | 2021-05-31 | 2021-05-31 | 一种适用于农业调查的无人机的路线规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113239864A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137974A (zh) * | 2021-11-26 | 2022-03-04 | 广州极飞科技股份有限公司 | 中耕控制方法、装置、系统和电子设备 |
CN115981377A (zh) * | 2023-03-21 | 2023-04-18 | 西安羚控电子科技有限公司 | 一种无人机动态避障方法及系统 |
CN116225072A (zh) * | 2023-05-09 | 2023-06-06 | 济宁市兖州区同瑞机械有限公司 | 一种适用于农业运输机的路线实时规划管理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292704A (zh) * | 2016-09-07 | 2017-01-04 | 四川天辰智创科技有限公司 | 规避障碍物的方法及装置 |
CN109087312A (zh) * | 2018-07-25 | 2018-12-25 | 深圳高科新农技术有限公司 | 一种无人机航线自动规划方法和系统 |
CN109343567A (zh) * | 2018-11-06 | 2019-02-15 | 深圳市翔农创新科技有限公司 | 植保无人机精准作业系统及方法 |
CN111272179A (zh) * | 2020-03-20 | 2020-06-12 | 中国电子科技集团公司第五十四研究所 | 一种基于种子搜索的建筑空间无人机航线规划方法 |
CN112508865A (zh) * | 2020-11-23 | 2021-03-16 | 深圳供电局有限公司 | 一种无人机巡检避障方法、装置、计算机设备和存储介质 |
-
2021
- 2021-05-31 CN CN202110600055.6A patent/CN113239864A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106292704A (zh) * | 2016-09-07 | 2017-01-04 | 四川天辰智创科技有限公司 | 规避障碍物的方法及装置 |
CN109087312A (zh) * | 2018-07-25 | 2018-12-25 | 深圳高科新农技术有限公司 | 一种无人机航线自动规划方法和系统 |
CN109343567A (zh) * | 2018-11-06 | 2019-02-15 | 深圳市翔农创新科技有限公司 | 植保无人机精准作业系统及方法 |
CN111272179A (zh) * | 2020-03-20 | 2020-06-12 | 中国电子科技集团公司第五十四研究所 | 一种基于种子搜索的建筑空间无人机航线规划方法 |
CN112508865A (zh) * | 2020-11-23 | 2021-03-16 | 深圳供电局有限公司 | 一种无人机巡检避障方法、装置、计算机设备和存储介质 |
Non-Patent Citations (3)
Title |
---|
卢威: "利用三角剖分骨架图提取简单多边形目标中心点", 武汉大学学报信息科学版, vol. 45, no. 3, pages 337 - 343 * |
吴晗: "面向农业应用的无人机遥感影像地块边界提取", 计算机应用, vol. 39, no. 1, pages 298 - 304 * |
杨娟娟,高晓阳,李红岭,贾尚云: "基于机器视觉的无人机避障系统研究", 中国农机化学报, vol. 41, no. 2, pages 155 - 160 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114137974A (zh) * | 2021-11-26 | 2022-03-04 | 广州极飞科技股份有限公司 | 中耕控制方法、装置、系统和电子设备 |
CN115981377A (zh) * | 2023-03-21 | 2023-04-18 | 西安羚控电子科技有限公司 | 一种无人机动态避障方法及系统 |
CN116225072A (zh) * | 2023-05-09 | 2023-06-06 | 济宁市兖州区同瑞机械有限公司 | 一种适用于农业运输机的路线实时规划管理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4318397A2 (en) | Method of computer vision based localisation and navigation and system for performing the same | |
EP3371671B1 (en) | Method, device and assembly for map generation | |
CN113239864A (zh) | 一种适用于农业调查的无人机的路线规划方法 | |
CN112084869B (zh) | 一种基于紧致四边形表示的建筑物目标检测方法 | |
CN113325868B (zh) | 一种基于无人机的农作物实时识别系统及方法 | |
CN111213155A (zh) | 图像处理方法、设备、可移动平台、无人机及存储介质 | |
CN109815300B (zh) | 一种车辆定位方法 | |
US11238282B2 (en) | Systems and methods for automated detection of changes in extent of structures using imagery | |
US20220004740A1 (en) | Apparatus and Method For Three-Dimensional Object Recognition | |
CN110631588A (zh) | 一种基于rbf网络的无人机视觉导航定位方法 | |
CN115018903B (zh) | 一种堆场料堆体积计算方法及系统 | |
CN114299457A (zh) | 积水深度检测方法及装置 | |
CN115909096A (zh) | 无人机巡航管道隐患分析方法、装置及系统 | |
CN114022760B (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
CN113012215A (zh) | 一种空间定位的方法、系统及设备 | |
CN110636248A (zh) | 目标跟踪方法与装置 | |
Cuartero et al. | Positional accuracy analysis of satellite imagery by circular statistics | |
CN114170499A (zh) | 目标检测方法、跟踪方法、装置、视觉传感器和介质 | |
CN112017213A (zh) | 一种目标对象的位置更新方法及系统 | |
CN117325903A (zh) | 轨道智能探伤的高置信决策系统 | |
CN115019216B (zh) | 实时地物检测和定位计数方法、系统及计算机 | |
CN111723643A (zh) | 一种基于固定区域周期性图像采集的目标检测方法 | |
CN113340307A (zh) | 一种基于田块划分的无人机路径规划方法 | |
CN115187959A (zh) | 一种基于双目视觉的飞行汽车山地着陆方法及系统 | |
US20210200237A1 (en) | Feature coverage analysis |
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 |