CN113645844A - 具有可变施用率的种植物田地的种植物处理方法 - Google Patents

具有可变施用率的种植物田地的种植物处理方法 Download PDF

Info

Publication number
CN113645844A
CN113645844A CN202080025681.0A CN202080025681A CN113645844A CN 113645844 A CN113645844 A CN 113645844A CN 202080025681 A CN202080025681 A CN 202080025681A CN 113645844 A CN113645844 A CN 113645844A
Authority
CN
China
Prior art keywords
field
application rate
data
decision logic
plants
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
Application number
CN202080025681.0A
Other languages
English (en)
Inventor
M·坦普尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
BASF Agro Trademarks GmbH
Original Assignee
BASF Agro Trademarks GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by BASF Agro Trademarks GmbH filed Critical BASF Agro Trademarks GmbH
Publication of CN113645844A publication Critical patent/CN113645844A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/005—Precision agriculture
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01B—SOIL WORKING IN AGRICULTURE OR FORESTRY; PARTS, DETAILS, OR ACCESSORIES OF AGRICULTURAL MACHINES OR IMPLEMENTS, IN GENERAL
    • A01B79/00—Methods for working soil
    • A01B79/02—Methods for working soil combined with other agricultural processing, e.g. fertilising, planting
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C21/00—Methods of fertilising, sowing or planting
    • A01C21/002—Apparatus for sowing fertiliser; Fertiliser drill
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01C—PLANTING; SOWING; FERTILISING
    • A01C21/00—Methods of fertilising, sowing or planting
    • A01C21/007—Determining fertilization requirements
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30188—Vegetation; Agriculture

Landscapes

  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Soil Sciences (AREA)
  • Environmental Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Multimedia (AREA)
  • Wood Science & Technology (AREA)
  • Insects & Arthropods (AREA)
  • Zoology (AREA)
  • Pest Control & Pesticides (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Catching Or Destruction (AREA)
  • Soil Working Implements (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Cultivation Of Plants (AREA)

Abstract

一种用于种植物田地的种植物处理的方法，所述方法包括：基于与所述种植物田地(300)上的预期条件有关的离线田地数据(Doff)确定施用率决策逻辑(10)；拍摄(S20)种植物田地(300)的种植物的图像(20)；识别(S30)所拍摄的图像(20)上的对象(30)；基于所确定的施用率决策逻辑(10)和所识别的对象(30)确定施用率；以及基于所确定的施用率确定(S40)用于控制处理装置(200)的处理布置(270)的控制信号(S)。

Description

具有可变施用率的种植物田地的种植物处理方法
技术领域
本发明涉及用于种植物田地的种植物处理的方法和处理装置，以及用于这样的处理装置和处理系统的田地管理器系统。
背景技术
本发明的总体背景是农田中的种植物的处理。种植物的处理，特别是实际作物的处理，还包括农田中的杂草的处理、农田中的昆虫的处理以及农田中的病原体的处理。
农业机器或自动化处理装置，像智能喷雾器，基于生态和经济规则处理农田中的杂草、昆虫和/或病原体。为了自动检测和标识不同的待处理对象，使用图像识别。
智能喷雾器具有附接的摄像头传感器，以通过区分生物与土壤来检测绿色植物。这使他们能够仅在检测到生物(即杂草)的地方施用除草剂。为此，智能喷雾器在移动穿过田地时会关上和关闭单个喷嘴。
生物检测技术能够提供每个喷嘴通过中的生物覆盖百分比，例如在喷嘴前测量的1平方米中，有2％被生物覆盖。此外，它还能够提供关于每个单独检测对象的几何信息，例如，大小、形状或图案，其汇总了总的百分比值。
仅在需要施用的地方打开和关闭智能喷雾器的喷嘴，可以显着节省作物保护产品。为了实现高杂草控制功效，除草剂或除草剂的桶混合物的施用率必须足够高以能够控制田间存在的最难控制的杂草。对于每个杂草种类、杂草生长阶段、杂草密度以及不同的环境条件，需要不同的施用率以达到农艺可持续的目标功效。
当前的喷雾器以在创建水和除草剂的桶混合物时已预先限定的单一施用量工作。
发明内容
具有一种具有可变施用率的种植物田地的种植物处理的改进方法将是有利的。
本发明的目标利用独立权利要求的主题解决，其中，其他实施例被包含在从属权利要求中。应当注意，本发明的以下所描述的方面和示例还适用于所述方法、所述处理装置和所述田地管理器系统。
根据第一方面，一种用于种植物田地的种植物处理的方法包括：
接收基于与种植物田地上的预期条件相关的离线田地数据的施用率决策逻辑；
拍摄种植物田地的种植物图像；
识别所拍摄图像上的对象；
基于所确定的施用率决策逻辑和所识别的对象确定施用率；
基于所确定的施用率确定用于控制处理装置的处理布置的控制信号；
如本文所使用的，种植物处理优选包括：保护作物，其是种植物田地上的栽培种植物；消灭未栽培并且可能对作物有害的杂草，特别是利用除草剂；杀死作物和/或杂草上的昆虫，特别是利用杀虫剂；以及消灭作物和/或杂草上的任何病原体，像疾病，特别是利用杀菌剂；以及调节植物的生长，特别是利用植物生长调节剂。如本文所使用的，术语“杀虫剂”还涵盖杀线虫剂、杀螨剂、和灭螺剂。此外，安全剂可以与除草剂组合使用。
在一个实施例中，拍摄图像包括实时拍摄与待处理的种植物田地上或现场的特定位置相关联的图像。这样，可以在执行处理时准实时地对田地上的不同情况进行精细调整。此外，可以以非常有针对性的方式施用处理，这导致更高效和可持续的农业。在优选实施例中，处理装置包括多个图像捕获装置，该图像捕获装置被配置为当处理装置穿过种植物田地时拍摄种植物田地的图像。以这样的方式捕获的每个图像可以与位置相关联并且如此提供待处理的种植物田地的位置中的实时情况的快照。为了使能处理装置的实时、位置特定的控制，在处理之前接收的参数包提供了加速处理装置的情况特定的控制的方式。因此，可以在处理装置穿过田地并且捕获待处理的田地位置的位置特定图像时即时做出决策。
优选地，拍摄图像、确定控制信号和可选地向控制单元提供控制信号以发起处理的步骤在处理装置通过田地期间或在田地处理期间实时执行。可选地，控制信号可以提供给处理装置的控制单元以发起种植物田地的处理。
在一个实施例中，接收离线数据，该离线数据包括预期的环境数据，诸如预期的土壤数据、基于预期的天气数据的关于何时喷洒的时间预测和/或农业措施规范，例如，使用的耕作系统；预期的杂草谱；和预期的杂草生长阶段。确定施用率还可基于离线数据，包括预期的环境数据、预期的杂草谱和预期的杂草生长阶段。
如本文所使用的，术语“对象”包括种植物，像杂草或作物、昆虫和/或病原体。对象可以指待由处理装置处理的对象，诸如种植物，像杂草或作物、昆虫和/或病原体。对象可以利用处理产品处理，诸如作物保护产品。对象可以与田地中的位置相关联以允许位置特定处理。
优选地，可以基于所确定的施用率决策逻辑、所识别的对象和在线田地数据来确定用于控制处理装置的控制信号。在一个实施例中，在线田地数据特别地通过种植物处理装置实时收集。收集在线田地数据可以包括从附接到处理装置或放置在种植物田地中的传感器收集传感器数据，特别是在处理装置通过田地时在运行中或实时收集。收集在线田地数据可以包括杂草相对于周围作物的生长阶段；种子繁殖；经由田地中的土壤传感器收集的与土壤特性相关联的土壤数据，土壤特性诸如当前土壤条件，例如养分含量、土壤湿度和/或土壤组成；或经由放置在田地中或田地附近或附接到处理装置的天气传感器收集的并且与当前天气条件相关联的天气数据或经由土壤和天气传感器收集的数据。
种子繁殖涉及位置的指示，在该位置，杂草在过去已经达到种子成熟，其中假设在该位置由于杂草的种子留在地面而预期更高密度的杂草。此外，假设由于在种植物田地工作，杂草种子可能已经扩散。该信息可以在地面杂草种子数据库中收集。因此，每当在某个位置确定种子繁殖时，施用率决策逻辑就会增加施用率。
此处使用的术语“离线田地数据”是指在确定施用率决策逻辑之前生成、收集、处理的任何数据。优选地，离线田地数据是从种植物处理装置外部确定的，或者在使用处理装置之前确定。例如，离线田地数据包括与处理时预期天气条件相关的天气数据；与处理时预期土壤条件相关的预期土壤数据，例如养分含量或土壤水分、和/或土壤组成；与处理时例如杂草或作物的生长阶段相关的生长阶段数据；与处理时作物的病害阶段相关的病害数据；杂草的抗性水平和/或杂草对作物的产量影响。
如本文所使用的术语“空间分辨”指子田地尺度上的任何信息。这样的分辨率可以与种植物田地上的一个以上位置坐标相关联或者与具有子田地尺度上的网格元素的种植物田地的空间网格相关联。特别地，种植物田地上的信息可以与种植物田地上的一个以上位置或网格元素相关联。子田地尺度上的这样的空间分辨率允许种植物田地的更定制和针对性的处理。
术语“种植物田地上的条件”指对种植物的处理具有影响的种植物田地的任何条件或种植物田地中的环境条件。这样的条件可以与土壤或天气条件相关联。土壤条件可以由与土壤的当前或预期条件有关的土壤数据指定。天气条件可以与和天气的当前或预期条件有关的天气数据相关联。生长条件可以与例如作物或杂草的生长阶段相关联。疾病条件可以与和疾病的当前或预期条件有关的疾病数据相关联。
如本文所使用的或也称为控制技术的术语“处理装置”优选包括化学控制技术。化学控制技术优选包括用于施用处理产品、特别是像杀虫剂和/或除草剂和/或植物生长调节剂和/或杀菌剂的作物保护产品的至少一个装置。这样的装置可包括一个或多个喷枪或喷嘴的处理布置，这些喷枪或喷嘴布置在用于操纵通过种植物田地的农业机器、无人机或机器人上。在优选实施例中，处理装置包括一个或多个喷枪和相关联的(一个或多个)图像捕获装置。图像捕获装置可以被布置为使得图像与待由一个或多个喷枪处理的区域相关联。图像捕获装置可以例如被安装为使得在处理装置的行进方向上的图像被拍摄，从而覆盖待由相应(一个或多个)喷嘴处理的区域。每个图像可以与位置相关联并且如此提供在处理之前的种植物田地的实时情况的快照。因此，当处理装置穿过田地时，图像捕获装置可以拍摄种植物田地的特定位置的图像，并且控制信号可以基于拍摄的待处理区域的图像相应地适配。因此，控制信号可以适于在田地的特定位置处理时由图像捕获的情况。
如本文所使用的，术语“识别”包括检测对象的状态，换句话说，知道在某个位置处是对象但不知道对象确切是什么，和标识对象的状态，换句话说，知道已检测到的对象的类型，特别是种植物的种类，像作物或杂草、昆虫和/或病原体。特别地，识别可以基于图像识别和分类算法，诸如卷积神经网络或本领域已知的其他算法。特别地，对象的识别是位置特定的，其取决于处理装置的位置。这样，处理可以实时适于田地中的局部情况。
如本文所使用的，术语“施用率决策逻辑”是指提供给处理装置以用于控制处理种植物的处理装置的一组参数。在一个实施例中，施用率决策逻辑提供取决于预期功效损失降低或增加施用率的逻辑。施用率决策逻辑优选地涉及用于处理装置的配置文件。换句话说，施用率决策逻辑可以是具有一个层或多个层的决策树，其用于取决于可测量的输入变量(例如拍摄的图像和/或在线田地数据)来确定用于控制处理装置的控制信号。施用率决策逻辑可包括与开/关决策有关的一个层和可选地与预期使用的处理产品的组成有关的第二层和进一步可选地与预期使用的处理产品的施用率有关的第三层。以这样的方式，关于处理的情境实时决策基于在处理装置通过田地时收集的实时图像和/或在线田地数据。在执行处理之前提供施用率决策逻辑减少了计算时间，同时使能可靠地确定用于处理的控制信号。施用率决策逻辑或配置文件可包括提供给处理装置的位置特定参数，其可用于确定控制信号。
在一个层中，施用率决策逻辑可以包括与从所拍摄的图像和/或对象识别导出的参数有关的阈值。这样的参数可以涉及从与识别的(一个或多个)对象相关联的图像导出并且对于处理决策是决定性的参数。可以从在线田地数据导出进一步的参数。如果所导出的参数例如低于阈值，则决策是关闭或不处理，对处理决策是决定性的。如果导出参数例如高于阈值，则决策是开启或处理。以这样的方式，控制信号基于施用率决策逻辑和所识别的对象来确定。在杂草的情况下，从图像导出的参数和/或在图像中识别的杂草可以基于表示杂草覆盖率的参数。类似地在病原体的情况下，从图像导出的参数和/或在图像中识别的病原体可以基于表示病原体感染的参数。进一步类似地，在昆虫的情况下，从图像导出的参数和/或在图像中识别的昆虫可以基于表示存在于图像中的昆虫数量的参数。
优选地，处理装置被提供有施用率决策逻辑或配置文件，处理装置基于施用率决策逻辑或配置文件控制处理布置。在进一步的实施例中，配置文件的确定包括要施用的处理产品的施用率水平的确定。施用率决策逻辑可包括关于涉及从图像和/或对象识别导出的参数的处理产品的施用率的层。进一步的参数可以从在线田地数据导出。换句话说，基于配置文件，处理装置被控制，基于种植物田地的实时参数，诸如拍摄的图像和/或在线田地数据，关于应当施加处理产品的哪种施用率。在优选实施例中，施用率决策逻辑包括取决于从图像和/或对象识别导出的一个或多个参数的可变或增量施用率水平。在进一步的优选实施例中，基于所识别的对象确定施用率水平包括确定对象种类、对象生长阶段和/或对象密度。此处，对象密度指某个区域中标识的对象的密度。对象种类、对象生长阶段和/或对象密度可以是从图像和/或对象识别导出的参数，根据这些参数确定可变或增量施用率。通过基于几何对象轮廓的增强对象识别，可以在不损失功效的情况下更稳健地调整施用率，因为在施用率的确定中可以包括对象种类、对象生长阶段、对象密度和/或不同的环境条件。
施用率决策逻辑可包括关于预期使用的处理产品的组成的另一层。在这样的情况下，可以取决于对作物的预期显著产量或质量影响、生态影响和/或处理产品组合物的成本来确定施用率决策逻辑。因此，基于施用率决策逻辑，是否处理田地、应当采用哪种处理产品组合物、以哪种施用率水平处理的决策取得关于效率和/或功效的最佳可能结果。施用率决策逻辑可以包括用于处理装置的处理产品桶系统的桶配方。换句话说，处理产品组合物可以表示在执行处理之前在处理装置的一个或多个桶中提供的处理产品分量。来自形成处理产品的一个或多个桶的混合物可以取决于所确定的处理产品的组成在运行中来控制。处理产品优选包含至少一种活性成分、用于稀释活性成分例如水的稀释剂、用于增加作物对处理产品的抗性的安全剂、用于改善处理产品的混合和处理性能的助剂、微量营养素和/或液体肥料，如尿素硝酸铵，UAN，用于提高处理产品的有效性。
如本文所用，术语“施用率”描述每面积处理产品的量，例如每公顷一升处理产品。另外，每面积活性成分的量由术语“剂量率”描述，例如每公顷0.1升活性成分。因此，确定施用率优选地包括确定剂量率。换句话说，通过改变处理产品的组成，可以在不改变整体施用率的情况下调整剂量率。
术语“效率”是指施加的处理产品量和有效处理种植物田地中的种植物的处理产品量的平衡。处理多么有效地被执行取决于环境因素，诸如天气和土壤。
术语“功效”是指处理产品的正面和负面影响的平衡。换句话说，功效是指有效处理特定种植物需要的处理产品的施用率的最佳值。施用率不应当太高以致于处理产品浪费，这也将增加成本和对环境的负面影响，但是也不太低以致于处理产品未有效处理，这可能导致种植物针对处理产品免疫。处理产品的功效也取决于环境因素，诸如天气和土壤。
如本文所使用的，术语“处理产品”指用于种植物处理的产品，诸如除草剂、杀虫剂、杀菌剂、植物生长调节剂、营养产品和/或其混合物。处理产品可包括不同的组分——包括不同的活性成分——诸如不同的除草剂、不同的杀菌剂、不同的杀虫剂、不同的营养产品、不同的营养素，以及其他组分，诸如安全剂(特别是与除草剂组合使用)、佐剂、肥料、助剂、稳定剂和/或其混合物。术语“处理产品组合物”是包括一种或两种或两种以上处理产品的组合物。因此，存在分别基于不同的活性成分的不同类型的例如除草剂、杀虫剂和/或杀菌剂。由于待被处理产品保护的种植物优选地是作物，因此处理产品可以被称为作物保护产品。处理产品组合物还可包括与处理产品混合的附加物质，像例如水，特别是用于稀释和/或稀薄处理产品；和/或营养液，特别是用于增强处理产品的功效。优选地，营养液是含氮溶液，例如液态尿素硝酸铵(UAN)。
如本文所使用的，术语“营养产品”指对植物营养和/或植物健康有益的任何产品，包括但不限于肥料、常量营养素和微量营养素。
施用率决策逻辑优选用于根据用于种植物处理的处理产品的预期功效损失来增加或降低施用率。
降低处理产品的施用率，也称为施用率，会提高功效，但如果处理产品的施用率不足，也会增加耐药风险。因此，施用率决策逻辑和/或决策因子被相应地验证和调整。
考虑对象种类、对象生长阶段、对象密度和/或不同的环境条件，能够使用可变施用率允许施用率的更高差异化。可以可变地调整施用率以达到目标功效，例如以1％至20％范围内的增量，更优选地以2％至15％范围内的增量，最优选地以5％至10％范围内的增量，更优选以10％的增量。然而，施用率的每一个分辨率都是可能的。因此，处理产品施用的效率显着提高，从而使用更少的处理产品达到相同的目标功效。更优选地，施用率不应超过上限，其中该上限由与处理产品的相应活性成分相关的最大剂量率确定，该最大剂量率根据适用的监管法律和法规在法律上是允许的。因此，优选地，如果施用率将超过该上限，则施用率决策逻辑不增加施用率。
优选地，处理装置设有配置文件，基于该配置文件处理装置控制处理布置。基于配置文件控制处理布置的施用率。
优选地，基于区域知识和/或田地特定信息，特别是来自先前的侦察和/或管理信息，优选地包括土壤信息和/或耕作信息和/或播种信息和/或天气信息，向处理装置提供桶配方。
因此，提供了一种用于具有可变施用率的种植物的种植物处理的改进方法。
在优选实施例中，拍摄种植物田地的种植物图像、识别拍摄的图像上的对象、确定施用率和确定用于控制处理布置的控制信号被执行为实时过程，使得当处理装置在田地的特定位置进行处理时穿过田地时，处理装置基于所拍摄的种植物田地的图像是瞬时可控的。
因此，提供了一种用于具有可变施用率的种植物的种植物处理的改进方法。
在优选实施例中，施用率决策逻辑提供取决于种植物田地中待栽培作物的预期功效损失来确定用于处理种植物的施用率的逻辑。
因此，提供了一种用于具有可变施用率的种植物的种植物处理的改进方法。
在优选实施例中，施用率决策逻辑包括取决于从图像和/或对象识别导出的一个或多个参数的可变施用率。
优选地，离线田地数据包括局部产量预期数据、与种植物对处理产品的抗性可能性有关的抗性数据、预期天气数据、预期种植物生长数据、与例如如基于生物量所确定的种植物田地的不同区域有关的区域信息数据、预期土壤数据和/或法律限制数据。
在进一步的实施例中，预期天气数据指反映预报天气条件的数据。基于这样的数据，增强了用于施用的处理布置的参数包或配置文件的确定，因为对处理产品的功效影响可以包括在激活决策和施用率中。例如，如果高湿度天气存在，可以做出决策以施加处理产品，因为它在这样的情况下非常有效。预期天气数据可以空间分辨以提供种植物田地中的不同区域中或不同位置处的天气条件，其中，将做出处理决策。
在进一步的实施例中，预期天气数据包括各种参数，诸如温度、UV强度、湿度、降雨预报、蒸发、露水。基于这样的数据，增强了用于施用的处理布置的参数包或配置文件的确定，因为对处理产品的功效影响可以包括在激活决策和施用率中。例如，如果高温度和高UV强度存在，则处理产品的施用率可以增加以补偿更快的蒸发。另一方面，如果例如温度和UV强度适中，则植物的新陈代谢更活跃，并且处理产品的施用率可以减少。
在进一步的实施例中，预期土壤数据，例如土壤湿度数据可从外部存储库访问。基于这样的数据，增强了用于施用的处理布置的参数包或配置文件的确定，因为对处理产品的功效影响可以包括在激活决策和施用率中。例如，如果高土壤湿度存在，由于清扫效应，可以采取决策不施用处理产品。预期土壤数据可以空间分辨以提供种植物田地中的不同区域中或不同位置上的土壤湿度特性，其中，将做出处理决策。
在进一步的实施例中，离线田地数据的至少一部分包括历史产量图、历史卫星图像和/或空间独特的作物生长模型。在一个示例中，可以基于历史卫星图像生成性能图，历史卫星图像包括例如针对多个季节的一个季节中的不同点的田地图像。这样的性能图允许例如通过绘制多个季节更肥沃或更不肥沃的区域来标识田地中的肥力的变化。
优选地，离线田地数据的至少一部分由历史产量图、数码功率区域(Zoner PowerZone)和/或空间独特的作物生长模型确定。
优选地，预期种植物生长数据取决于种植物地土壤中仍然可用的水量和/或预期天气数据来确定。
因此，提供了一种用于具有可变施用率的种植物的种植物处理的改进方法。
在优选实施例中，该方法包括：
基于几何对象轮廓识别对象，基于它们的种类和/或它们的生长阶段对植物(例如，杂草)的几何形状进行建模。
如本文所使用的，术语“几何对象轮廓”是指描述对象的几何特征的轮廓，像在种植物、昆虫和/或病原体的特定生长阶段的种植物、昆虫和/或病原体的形状。
如果仅基于所拍摄的图像无法识别对象和/或其生长阶段，则优选地使用几何对象轮廓来近似与识别对象相关的不同对象种类和对象生长阶段。
然后基于所确定的施用率决策逻辑和通过使用几何对象轮廓的近似识别的对象来确定施用率。
因此，可以改进对所拍摄图像上的对象和/或其生长阶段的在线或实时识别。
在优选实施例中，该方法包括：
基于识别的对象确定施用率包括确定对象种类、对象生长阶段和/或对象密度。
优选地，识别对象包括识别种植物，优选种植物类型和/或种植物大小；昆虫，优选昆虫类型和/或昆虫大小；和/或病原体，优选病原体类型和/或病原体大小。
因此，提供一种用于具有可变施用率的种植物的种植物处理的改进方法。
在优选实施例中，方法包括：
通过处理装置确定与种植物田地上的当前条件有关的在线田地数据；以及
取决于所确定的施用率决策逻辑和所确定的识别对象和/或所确定的在线田地数据来确定控制信号。
因此，提供一种用于具有可变施用率的种植物的种植物处理的改进方法。
通过处理装置确定在线田地数据可包括安装在处理装置上或放置在田地中并且由处理装置接收的传感器。
在优选实施例中，方法包括：
在线田地数据涉及当前天气数据、当前种植物生长数据和/或当前土壤数据，例如土壤湿度数据。
在一个实施例中，当前天气数据在飞行中或现场记录。这样的当前天气数据可以由安装在处理装置上的不同类型的天气传感器或放置在田地中或田地附近的一个或多个气象站产生。因此，当前天气数据可以在处理装置在种植物田地上的运动期间测量。当前天气数据指反映种植物田地中的要做出处理决策的位置处的天气条件的数据。天气传感器例如是雨、UV或风传感器。
在进一步的实施例中，当前天气数据包括各种参数，诸如温度、UV强度、湿度、降雨预报、蒸发、露水。基于这样的数据，增强了用于施用的处理装置的配置的确定，因为对处理产品的功效影响可以包括在激活决策和施用率中。例如，如果高温度和高UV强度存在，则处理产品的施用率可以增加以补偿更快的蒸发。
在进一步的实施例中，在线田地数据包括当前土壤数据。这样的数据可以通过放置在田地中的土壤传感器提供，或者其可以从例如存储库访问。在后者的情况下，当前土壤数据可以下载到包括(一个或多个)处理枪的农业机器的存储介质上。基于这样的数据，增强了用于施用的处理布置的配置的确定，因为对处理产品的功效影响可以包括在激活决策和施用率中。例如，如果高土壤湿度存在，则由于清扫效应，可以采取决策不施加处理产品。
在进一步的实施例中，当前或预期的天气数据和/或当前或预期的土壤湿度数据可提供给生长阶段模型以进一步确定种植物、杂草或作物植物的生长阶段。附加地或可替代地，天气数据和土壤数据可以被提供给疾病模型。基于这样的数据，增强了用于施用的处理装置(特别是像单喷嘴的处理布置的部分)的配置的确定，因为对处理产品的功效影响，如例如杂草和作物将在该时间期间以及在施用之后以不同速度生长，可以包括在激活决策和施用率中。因此例如在施用时杂草的大小或病原体的感染阶段(从我们的模型中的感染时间看到的或导出的)可以包括在激活决策和施用率中。
因此，提供一种用于具有可变施用率的种植物的种植物处理的改进方法。
在优选实施例中，方法包括以下步骤：
取决于种植物的处理的性能审查来确定和/或提供验证数据；以及
取决于验证数据来调整施用率决策逻辑。
优选地，性能审查包括施用率决策逻辑的人工控制和/或施用率决策逻辑的自动化控制。例如，人工控制涉及农民观察种植物田地和回答调查问卷。在进一步的示例中，性能审查通过拍摄已经处理的种植物田地的部分的图像和分析所拍摄的图像来执行。换句话说，性能审查在种植物已经处理之后评估处理的效率和/或处理产品的功效。例如，如果已经处理的杂草仍然存在，尽管其已经处理，但是性能审查将包括说明用于该处理的施用率决策逻辑未实现杀死杂草的目标的信息。
因此，提供一种用于具有可变施用率的种植物的种植物处理的改进方法。
在优选实施例中，方法包括：
使用机器学习算法调整施用率决策逻辑。
机器学习算法可包括决策树、朴素贝叶斯分类、最近邻居、神经网络、卷积或递归神经网络、生成对抗网络、支持向量机、线性回归、逻辑回归、随机森林和/或梯度提升算法。优选地，机器学习算法的结果用于调整施用率决策逻辑。
优选地，机器学习算法被组织成将具有高维度的输入处理成具有低得多的维度的输出。这样的机器学习算法被称为“智能”，因为它能够被“训练”。算法可以使用训练数据的记录训练。训练数据的记录包括训练输入数据和对应的训练输出数据。训练数据记录的训练输出数据是由机器学习算法在给定相同训练数据记录的训练输入数据作为输入时预期产生的结果。该预期结果与由算法产生的实际结果之间的偏差借助于“损失函数”来观察和评价。该损失函数被用作用于调整机器学习算法的内部处理链的参数的反馈。例如，可以利用在将所有训练输入数据馈送到机器学习算法中并且将结果与对应的训练输出数据相比较时最小化该结果的损失函数的值的优化目标来调整参数。该训练的结果在于，给定相对少量的训练数据记录作为“地面实况”，使得机器学习算法能够为高出许多数量级的大量输入数据记录很好地执行其工作。
因此，提供一种用于具有可变施用率的种植物的种植物处理的改进方法。
根据进一步的方面，一种用于种植物田地的种植物处理的处理装置的田地管理器系统，包括：离线田地数据接口，其适于接收与种植物田地上的预期条件有关的离线田地数据；机器学习单元，其适于取决于离线田地数据来确定处理装置的施用率决策逻辑；以及决策逻辑接口，其适于向如本文所描述的处理装置提供施用率决策逻辑。
在优选实施例中，田地管理器系统包括验证数据接口，其适于接收验证数据，其中，机器学习单元适于取决于验证数据来调整施用率决策逻辑。
根据进一步的方面，一种用于种植物田地的种植物处理的处理装置，包括：图像捕获装置，其适于拍摄种植物的图像；决策逻辑接口，其适于从如本文所描述的田地管理器系统接收施用率决策逻辑；处理布置，其适于取决于所接收到的施用率决策逻辑来处理种植物；图像识别单元，其适于识别所拍摄的图像上的对象；处理控制单元，其适于取决于所接收到的施用率决策逻辑和所识别的对象来确定用于控制处理布置的控制信号；其中，处理装置的决策逻辑接口可连接到如本文所描述的田地管理器系统的决策逻辑接口，其中，处理装置适于基于处理控制单元的控制信号来激活处理布置。
因此，考虑到杂草种类、杂草生长阶段、杂草密度和/或不同的环境条件，允许更高的施用率差异。可以可变地调整施用率以达到目标功效，例如以1％至20％范围内的增量，更优选地以2％至15％范围内的增量，最优选地以5％至10％范围内的增量，进一步优选以10％的增量。然而，施用率的每种分辨率都是可能的。因此，除草剂施用的效率显着提高，从而使用较少的除草剂达到相同的目标功效。
在优选实施例中，处理装置包括：在线田地数据接口，其适于接收与种植物田地上的当前条件有关的在线田地数据，其中，处理控制单元适于取决于所接收的施用率决策逻辑和所识别的对象和/或在线田地数据来确定用于控制处理布置的控制信号。
因此，提供一种用于具有可变施用率的种植物的种植物处理的改进方法。
在优选实施例中，处理装置被设计为智能喷雾器，其中，处理布置是喷嘴布置。
喷嘴布置优选地包括可以被独立地控制的若干个独立的喷嘴。因此，考虑到杂草种类、杂草生长阶段、杂草密度和/或每个喷嘴处的不同环境条件，允许更高的施用率差异。可以可变地调整每个喷嘴处的施用率以达到目标功效，例如以1％至20％范围内的增量，更优选地以2％至15％范围内的增量，最优选地以5％至10％的范围内的增量，进一步优选以10％的增量。然而，施用率的每种分辨率都是可能的。因此，除草剂施用的效率显着提高，从而使用较少的除草剂达到相同的目标功效。
根据进一步的方面，处理系统包括如本文所描述的田地管理器系统和如本文所描述的处理装置。
有利地，由以上方面中的任一个所提供的益处同样地适用于所有其他方面并且反之亦然。以上方面和范例将从在下文中所描述的实施例而显而易见并且得以阐述。
附图说明
参考以下附图将在以下中描述示例性实施例：
图1示出了种植物处理布置的示意图；
图2示出了种植物处理方法的流程图；
图3示出了种植物田地上的处理装置的示意图；以及
图4示出了具有检测到的对象的图像的示意图。
具体实施方式
图1示出了用于通过由田地管理器系统100控制的至少一个处理装置200处理种植物田地300的种植物的种植物处理系统400。
处理装置200，优选地智能喷雾器，包括处理控制单元210、图像捕获装置220、图像识别单元230和处理布置270以及施用率决策逻辑接口240和在线田地数据接口250。
图像捕获装置220包括至少一个摄像头，其被配置为拍摄种植物田地300的图像20。拍摄的图像20被提供给处理装置200的图像识别单元230。
田地管理器系统100包括机器学习单元110。此外，田地管理器系统100包括离线田地数据接口150、施用率决策逻辑接口140和验证数据接口160。田地管理器系统100可以指数据处理元件，诸如微处理器、微控制器、现场可编程门阵列(FPGA)、中央处理单元(CPU)、数字信号处理器(DSP)，其能够例如经由通用服务总线(USB)、物理电缆、蓝牙、或另一形式的数据连接接收田地数据。可以为每个处理装置200提供田地管理器系统100。可替代地，田地管理器系统可以是用于控制田地300中的多个处理装置200的中央田地管理器系统，例如个人计算机(PC)。
田地管理器系统100被提供有与种植物田地300的预期条件数据有关的离线田地数据Doff。优选地，离线田地数据Doff包括局部产量预期数据、与种植物对处理产品的抗性可能性有关的抗性数据、预期天气条件数据、预期种植物生长数据、与种植物田地的不同区域有关的区域信息数据、预期土壤湿度数据，和/或法律限制数据。
离线田地数据Doff由外部存储库提供。例如，预期的天气条件数据可以由提供天气预报的气象站提供。气象站还可以是设置在种植物田地或处理装置上的当地气象站。可替代地，预期的天气条件数据可以由服务提供商提供，该服务提供商优选使用用于预测天气的卫星数据。另外，预期种植物生长数据例如由存储有不同种植物生长阶段的数据库或从种植物生长阶段模型提供，该模型取决于过往的田地条件数据对作物、杂草和/或病原体的预期生长阶段做出评述。预期种植物生长数据可替代地由基本上是相应种植物的数字孪生的种植物模型提供，并估计种植物的生长阶段，特别是取决于先前的田地数据。进一步地，例如，取决于过去、现在和预期的天气条件数据来确定预期的土壤湿度数据。离线田地数据Doff也可以由外部服务提供商提供。
取决于离线田地数据Doff，机器学习单元110确定施用率决策逻辑10。优选地，机器学习单元110知道种植物的处理的计划时间。例如，农民向田地管理系统100提供他计划在第二天处理特定田地中的种植物的信息。施用率决策逻辑10优选地被表示为提供给田地管理器系统100的施用率决策逻辑接口140的配置文件。理想地，施用率决策逻辑10由机器学习单元110在同一天确定，处理装置200正在使用施用率决策逻辑10。经由施用率决策逻辑接口140，施用率决策逻辑10被提供给处理装置200，特别是处理装置200的施用率决策逻辑接口240。例如，以配置文件的形式的施用率决策逻辑10被更新到处理装置200的存储器中。
当施用率决策逻辑10由处理装置200，特别是处理控制单元210接收时，可以开始对种植物田地300中的种植物的处理。
处理装置200在种植物田地300周围移动并且检测和识别对象30，特别是种植物田地300上的作物、杂草、病原体和/或昆虫。
因此，图像捕获装置200不断地拍摄种植物田地300的图像20。图像20被提供给图像识别单元230，该图像识别单元230对图像20运行图像分析并且检测和/或识别图像20上的对象30。检测的对象30优选地是作物、杂草、病原体和/或昆虫。识别对象包括识别种植物，优选地种植物类型和/或种植物大小；昆虫，优选地昆虫类型和/或昆虫大小；和/或病原体，优选地病原体类型和/或病原体大小。例如，应认识到例如反枝苋和马唐之间、或者蜜蜂与蝗虫之间的差异。对象30被提供给处理控制单元210。
如果图像识别分析检测到对象30，但不能识别对象30和/或其生长阶段，则向图像识别单元230提供与不同种植物的预期几何外观相关的几何对象轮廓。由于像反射、意外天气条件和/或种植物的意外生长阶段的许多不同因素，图像识别单元230可能无法识别对象30和/或其生长阶段。
几何对象轮廓对对象的种类和/或生长阶段的几何形状进行建模。基于拍摄的图像20和几何对象轮廓，图像识别单元230能够识别在没有几何对象轮廓的情况下无法识别的对象30和/或其生长阶段。
处理控制单元210被提供有以配置文件的形式的施用率决策逻辑10。施用率决策逻辑10可以被示出为决策树，其中，基于输入数据，在决策的不同层上决定种植物的处理并且决定处理产品的施用率。例如，在第一步中，检查检测到的杂草的生物量是否超过由施用率决策逻辑10设置的预定阈值。杂草的生物量通常与拍摄图像20中的杂草的覆盖程度有关。例如，如果杂草的生物量低于4％，则决定完全不对杂草进行处理。如果杂草的生物量高于4％，则做出进一步的决策。例如，在第二步中，如果杂草的生物量高于4％，则取决于土壤湿度，决定是否处理杂草。如果土壤湿度超过预定阈值，则仍然决定处理杂草，并且否则决定不处理杂草。这是因为当杂草处于由高土壤湿度引发的生长阶段时用于处理杂草的除草剂是更有效的。施用率决策逻辑10已经包括关于预期土壤湿度的信息。由于过去几天一直在下雨，因此预测土壤湿度高于预定阈值，并且将决定对杂草进行处理。然而，处理控制单元210也由在线田地数据Don提供，在这种情况下从土壤湿度传感器，向处理控制单元210提供附加数据。因此，配置文件的决策树将基于在线田地数据Don来决定。在示例性实施例中，在线田地数据Don包括土壤湿度低于预定阈值的信息。因此，决定不处理杂草。
处理控制单元210基于施用率决策逻辑10、识别的对象和/或在线田地数据Don来产生处理控制信号S。因此，处理控制信号S包含识别的对象20是否应当处理的信息。处理控制单元210然后向处理布置270提供处理控制信号S，该处理布置270基于控制信号S处理种植物。处理布置270特别地包括具有不同喷嘴的化学点喷枪，这使其能够以高精度喷洒除草剂、植物生长调节剂、杀虫剂和/或杀菌剂。
因此，取决于与预期田地条件有关的离线田地数据Doff来提供施用率决策逻辑10。基于施用率决策逻辑10，处理装置200可以仅基于田地中的识别的对象来决定应当处理哪种种植物。因此，可以改进处理的效率和/或处理产品的功效。为了进一步改进处理的效率和/或处理产品的功效，在线田地数据Don可以用于包括种植物田地的当前可测量条件。
所提供的处理布置400附加地能够学习。机器学习单元110取决于给定的启发式来确定施用率决策逻辑10。在基于提供的施用率决策逻辑10的种植物处理之后，验证处理的效率和处理产品的功效是可能的。例如，农民可以向田地管理器系统100提供之前已经基于施用率决策逻辑10处理的种植物田地的一部分的田地数据。该信息被称为验证数据V。验证数据V经由验证数据接口160被提供给田地管理器系统100，从而将验证数据V提供给机器学习单元110。机器学习单元110然后调整施用率决策逻辑10或启发式，该启发式用于根据验证数据V确定施用率决策逻辑10。例如，验证数据V指示已经基于施用率决策逻辑10处理的杂草未被杀死，调整的施用率决策逻辑10降低阈值以处理底层决策树的分支中的一个中的种植物。
作为由外部田地管理器系统100向处理装置200提供的配置文件的形式的施用率决策逻辑10的替代，田地管理器系统100的功能也可以嵌入到处理装置200中。例如，具有相对高计算能力的处理装置能够将田地管理器系统100集成在处理装置200内。可替代地，田地管理器系统100的全部所描述的功能和直到由处理装置200对控制信号S的确定的功能可以在处理装置200的外部(优选在云服务中)计算。因此，处理装置200仅是取决于提供的控制信号S来处理种植物的“哑”装置。
图2示出了种植物处理方法的示例性实施例的流程图，特别地显示了确定施用率的实施方式。
待处理的种植物是种植物田地300的杂草。该杂草将用处理产品、像除草剂处理。本示例中栽植的作物种植物是大豆。本示例中的种植国是巴西。在机器学习单元110中已知的用于施用率决策逻辑20的杂草谱是马唐(酸草)和反枝苋(猪杂草)。
基于降雨事件，针对两种物种，对杂草的最大生长阶段进行建模，并导出几何对象轮廓以区分它们。例如，在处理时，预计马唐比反枝苋小得多。基于这些假设，计算出使用1l/ha的除草剂处理马唐和使用2l/ha的除草剂处理反枝苋的施用率。
向用户提供用于处理装置200的配置文件和对应于预期杂草的桶配方。
在种植物300上，用户用图像识别应用程序，例如xarvio scouting，验证马唐和反枝苋的存在。
用户用配置文件设置处理装置200并根据桶配方填充处理装置200，特别是用水和除草剂的组合。处理装置200包括具有多个独立喷嘴的处理布置270。配置文件将告诉处理装置200如何基于处理控制信号S和特别是GPS位置和来自处理装置200的传感器的在线数据来控制处理装置200的每个喷嘴。
在处理杂草时，执行以下步骤。
在步骤S10中，基于与种植物田地300上的预期条件相关的离线田地数据Doff确定施用率决策逻辑10。在步骤S20中，拍摄种植物田地300的种植物的图像20。在步骤S30中，识别拍摄的图像20上的对象30。
在步骤S40中，基于施用率决策逻辑10和识别对象30确定施用率。
在这种情况下，根据施用率决策逻辑10，检查识别的对象30的生物量是否大于0.2％。该百分比值与被识别对象30覆盖的拍摄图像20的百分比相关。如果识别对象30的生物量低于0.2％，则除草剂的施用率设置为0l/ha，因为识别对象30太小而不能有效处理。如果识别对象30的生物量大于0.2％，则检查识别对象30的种类。识别对象30的生物量百分比直接与对象30的种类和/或生长阶段相关。
如果杂草的种类以及因此识别的对象30是马唐，则除草剂的施用率设置为1l/ha。如果杂草的种类是反枝苋，则除草剂的施用率设置为2l/ha。如果杂草的种类不能被确定并且因此不可检测，则将几何对象轮廓提供给图像识别单元230，特别是由机器学习单元110，并且重新进行步骤S30，在所拍摄的图像20上识别对象30。
之后，杂草的种类很可能被识别，并根据相应的种类设定施用率。替代地，检查杂草的种类是否最有可能是反枝苋，并因此将施用率设置为2l/ha的除草剂。如果杂草种类不太可能是反枝苋，则施用率设置为1l/ha的除草剂。
根据施用率决策逻辑10，现在检查识别的杂草的生物量是否大于4％。如果识别的杂草生物量大于4％，则除草剂的施用率增加10％。否则，除草剂的施用率不变。
根据施用率决策逻辑10，现在检查种植物田地300的环境湿度是否大于50％。如果湿度大于50％，除草剂的施用率增加10％。否则，除草剂的施用率不变。
根据施用率决策逻辑10，现在检查在种植物田地300上是否存在集约耕作系统。在这种情况下，除草剂的施用率降低5％。否则，除草剂的施用率不变。
此外，在步骤S50中，用于控制处理装置200的处理布置50的控制信号S基于所确定的施用率来确定。
图3示出了以飞过包含作物410的种植物田地300的无人驾驶飞行器(UAV)的形式的处理装置200。在作物410之间也存在许多杂草420，杂草420特别地是毒性的，产生许多种子并且可能显著影响作物产量。在包含该作物410的种植物田地300中不应当容忍该杂草420。
UAV 200具有包括一个或多个摄像头的图像捕获装置220，并且当它飞过种植物田地300时，捕获图像。UAV 200还具有GPS和惯性导航系统，这使得能够确定UAV 200的位置并且也能够确定摄像头220的取向。根据该信息，可以确定地面上的图像的印迹，使得可以相对于绝对地理空间坐标定位该图像中的特定部分，诸如作物、杂草、昆虫和/或病原体类型的示例。由图像捕获装置220捕获的图像数据被传送到图像识别单元230。
由图像捕获装置220捕获的图像具有使得能够将一种类型的作物与另一种类型的作物区分的分辨率，以及使得能够将一种类型的杂草与另一种类型的杂草区分的分辨率，以及不仅使得能够检测昆虫而且使得能够将一种类型的昆虫与另一种类型的昆虫区分的分辨率，以及使得能够将一种类型的病原体与另一种类型的病原体区分的分辨率。
图像识别单元230可以在UAV 200的外部，但是UAV 200本身可以具有必要的处理能力来检测和标识作物、杂草、昆虫和/或病原体。图像识别单元120使用机器学习算法、例如基于已经对不同类型的作物、杂草、昆虫和/病原体的许多图像示例进行训练的人工神经网络，来处理图像，以确定存在哪个对象并且还确定对象的类型。
UAV还具有处理布置270，特别是具有不同喷嘴的化学点喷枪，这使其能够以高精度喷洒除草剂、植物生长调节剂、杀虫剂和/或杀菌剂。
如图4所示，图像捕获装置220捕获田地300的图像20。图像识别分析检测四个对象30并识别作物410(三角形)、第一不需要的杂草420、反枝苋(圆圈)和第二不需要的杂草430，马唐(菱形)。然而，除此之外，还检测到未标识的杂草440(交叉)。因此，图像识别单元230使用机器学习单元110提供的几何对象轮廓以便识别杂草。
因此，可提高图像捕获装置220的效率。
参考标记
10 施用率决策逻辑
20 图像
30 图像上的对象
100 田地管理器系统
110 机器学习单元
140 决策逻辑接口
150 离线田地数据接口
160 验证数据接口
200 处理装置(UAV)
210 处理控制单元
220 图像捕获装置
230 图像识别单元
240 决策逻辑接口
250 在线田地数据接口
270 处理布置
300 种植物田地
400 处理系统
410 作物
420 杂草(反枝苋)
430 杂草(马唐)
440 未标识的杂草
S 处理控制信号
Don 在线田地数据
Doff 离线田地数据
V 验证数据
S10 确定施用率决策逻辑
S20 拍摄图像
S30 识别图像上的对象
S40 确定施用率
S50 确定控制信号

Claims (19)

1.一种用于种植物田地的种植物处理的方法，所述方法包括：
基于与所述种植物田地(300)上的预期条件有关的离线田地数据(Doff)确定施用率决策逻辑(10)；
拍摄(S20)种植物田地(300)的种植物的图像(20)；
识别(S30)所拍摄的图像(20)上的对象(30)；
基于所确定的施用率决策逻辑(10)和所识别的对象(30)确定施用率；以及
基于所确定的施用率确定(S40)用于控制处理装置(200)的处理布置(270)的控制信号(S)。
2.根据权利要求1所述的方法，其中，
拍摄(S20)种植物田地(300)的种植物的图像(20)；识别(S30)所拍摄的图像(20)上的对象(30)；确定(S40)施用率和确定(S50)用于控制处理布置(270)的控制信号(S)被执行为实时过程，使得当所述处理装置在所述种植物田地(300)的特定位置进行处理时穿过所述田地时，所述处理装置(200)基于所拍摄的所述种植物田地的图像是瞬时可控的。
3.根据前述权利要求中任一项所述的方法，其中，
所述施用率决策逻辑(10)提供取决于所述种植物田地中待栽植作物的预期功效损失来确定用于处理所述种植物的施用率的逻辑。
4.根据权利要求1至3中任一项所述的方法，其中，所述施用率决策逻辑(10)包括取决于从所述图像和/或对象识别导出的一个或多个参数的可变施用率。
5.根据权利要求1至4中任一项所述的方法，其中，
识别对象(30)基于所拍摄的图像(10)和/或几何对象轮廓，基于其种类和/或其生长阶段对对象的几何形状建模。
6.根据前述权利要求中任一项所述的方法，其中，
基于所识别的对象确定施用率包括确定对象种类、对象生长阶段和/或对象密度。
7.根据前述权利要求中的任一项所述的方法，包括：
通过所述处理装置(200)接收与所述种植物田地(300)上的当前条件有关的在线田地数据(Don)；以及
取决于所确定的施用率决策逻辑(10)和所确定的识别对象(30)和/或所确定的在线田地数据(Don)来确定所述控制信号(S)。
8.根据权利要求7所述的方法，其中，
所述在线田地数据(Don)涉及当前天气条件数据、当前种植物生长数据和/或当前土壤数据。
9.根据前述权利要求中的任一项所述的方法，包括以下步骤：
取决于所述种植物的处理的性能审查来提供验证数据(V)；以及
取决于所述验证数据(V)来调整所述施用率决策逻辑(10)。
10.根据权利要求9所述的方法，包括步骤：
基于所述验证数据(V)调整所述几何对象轮廓。
11.根据前述权利要求中的任一项所述的方法，包括步骤：
使用机器学习算法调整所述施用率决策逻辑(10)。
12.一种用于种植物田地(300)的种植物处理的处理装置(200)的田地管理器系统(100)，包括：
离线田地数据接口(150)，其适于接收与所述种植物田地(300)上的预期条件有关的离线田地数据(Doff)；
机器学习单元(110)，其适于取决于所述离线田地数据(Doff)来确定所述处理装置(200)的施用率决策逻辑(10)；以及
决策逻辑接口(140)，其适于向根据权利要求14至18中任一项所述的处理装置(200)提供所述施用率决策逻辑(10)。
13.根据权利要求12所述的田地管理器系统，包括：
验证数据接口(160)，其适于接收验证数据(V)，其中，
所述机器学习单元(110)适于取决于所述验证数据(V)来调整所述施用率决策逻辑(10)。
14.一种用于植物的种植物处理的处理装置(200)，包括：
图像捕获装置(220)，其适于拍摄种植物的图像(20)；
决策逻辑接口(240)，其适于从根据权利要求10所述的田地管理器系统(100)接收施用率决策逻辑(10)；
处理布置(270)，其适于取决于所接收的施用率决策逻辑(10)来处理所述种植物；
图像识别单元(230)，其适于识别所拍摄的图像(20)上的对象(30)；
处理控制单元(210)，其适于取决于所接收的施用率决策逻辑(10)和所识别的对象(30)来确定用于控制处理布置(270)的控制信号(S)；
其中，所述处理装置(200)的所述决策逻辑接口(240)能连接到根据权利要求10所述的田地管理器系统(100)的决策逻辑接口(140)；以及
其中，所述处理装置(200)适于基于所述处理控制单元(210)的所述控制信号(S)来激活所述处理布置(270)。
15.根据权利要求14所述的处理控制装置，包括：
在线田地数据接口(240)，其适于接收与所述种植物田地(300)上的当前条件有关的在线田地数据(Don)，其中，
所述处理控制单元(210)适于取决于所接收的施用率决策逻辑(10)和所识别的对象(30)和/或所述在线田地数据(Don)来确定用于控制处理布置(270)的控制信号(S)；
16.根据权利要求14或15中的任一项所述的处理装置，
其中，所述图像捕获装置(220)包括一个或多个摄像头，特别是在所述处理装置(200)的悬臂上，其中，所述图像识别单元(230)适于使用红-绿-蓝RGB数据和/或近红外NIR数据识别对象。
17.根据权利要求14至16中的任一项所述的处理装置，
其中，所述处理装置(200)被设计为智能喷雾器，其中，所述处理布置(270)是喷嘴布置。
18.根据权利要求14至17中的任一项所述的处理装置，
其中，所述图像捕获装置(220)包括多个摄像头并且所述处理布置(270)包括多个喷嘴布置，每个喷嘴布置与所述多个摄像头中的一个相关联，使得由所述摄像头捕获的图像与待由相应喷嘴布置处理的区域相关联。
19.一种处理系统，包括根据权利要求12或13中的任一项所述的田地管理器系统和根据权利要求14至18中的任一项所述的处理装置。
CN202080025681.0A 2019-03-29 2020-03-27 具有可变施用率的种植物田地的种植物处理方法 Pending CN113645844A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
EP19166277.4 2019-03-29
EP19166277 2019-03-29
PCT/EP2020/058863 WO2020201163A1 (en) 2019-03-29 2020-03-27 Method for plantation treatment of a plantation field with a variable application rate

Publications (1)

Publication Number Publication Date
CN113645844A true CN113645844A (zh) 2021-11-12

Family

ID=66041277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080025681.0A Pending CN113645844A (zh) 2019-03-29 2020-03-27 具有可变施用率的种植物田地的种植物处理方法

Country Status (8)

Country Link
US (1) US20220167546A1 (zh)
EP (1) EP3945805A1 (zh)
JP (1) JP2022526563A (zh)
CN (1) CN113645844A (zh)
AR (1) AR118526A1 (zh)
BR (1) BR112021017285A2 (zh)
CA (1) CA3135313A1 (zh)
WO (1) WO2020201163A1 (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4228404A1 (en) * 2020-10-14 2023-08-23 BASF Agro Trademarks GmbH Treatment system for weed specific treatment
US11076589B1 (en) * 2020-10-16 2021-08-03 Verdant Robotics, Inc. Autonomous agricultural treatment system using map based targeting of agricultural objects
CA3210768A1 (en) 2021-03-05 2022-09-09 Hubert Schmeer Control file for a treatment system
DE102022129369A1 (de) * 2022-11-07 2024-05-08 Zürn Harvesting Gmbh & Co. Kg Höhenführung für ein Schnittsystem, Schnittsystem und Verfahren zur Höhenführung eines solchen Schnittsystems
WO2024121669A1 (en) * 2022-12-06 2024-06-13 Precision Planting Llc Vision based system and methods for targeted spray actuation

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015013723A2 (en) * 2013-07-26 2015-01-29 Blue River Technology, Inc. System and method for plant treatment
US10568316B2 (en) * 2014-08-15 2020-02-25 Monsanto Technology Llc Apparatus and methods for in-field data collection and sampling
ES2846786T3 (es) * 2015-07-02 2021-07-29 Ecorobotix Sa Vehículo robot y procedimiento que utiliza un robot para un tratamiento automático de organismos vegetales
US10531603B2 (en) * 2017-05-09 2020-01-14 Cnh Industrial America Llc Agricultural system

Also Published As

Publication number Publication date
US20220167546A1 (en) 2022-06-02
BR112021017285A2 (pt) 2021-11-09
WO2020201163A1 (en) 2020-10-08
JP2022526563A (ja) 2022-05-25
CA3135313A1 (en) 2020-10-08
EP3945805A1 (en) 2022-02-09
AR118526A1 (es) 2021-10-20

Similar Documents

Publication Publication Date Title
Gerhards et al. Advances in site‐specific weed management in agriculture—A review
CN113645844A (zh) 具有可变施用率的种植物田地的种植物处理方法
US20220167606A1 (en) Method for plantation treatment of a plantation field
Tona et al. The profitability of precision spraying on specialty crops: a technical–economic analysis of protection equipment at increasing technological levels
US11974567B2 (en) Method for applying a spray onto a field
Esau et al. Machine vision smart sprayer for spot-application of agrochemical in wild blueberry fields
US20220167605A1 (en) Method for plantation treatment of a plantation field
Pedersen et al. Agricultural robots—system analysis and economic feasibility
US20220254155A1 (en) Method for plantation treatment based on image recognition
EP2423860A2 (en) Apparatus for performing horticultural tasks
US20220287290A1 (en) Method for applying a spray agent onto an agricultural area
CN113613493A (zh) 利用化学和机械手段的针对性杂草控制
US20230360150A1 (en) Computer implemented method for providing test design and test instruction data for comparative tests on yield, gross margin, efficacy or vegetation indices for at least two products or different application timings of the same product
Warneke et al. Canopy spray application technology in specialty crops: A slowly evolving landscape
US20240049697A1 (en) Control file for a treatment system
Bangale et al. Robot-Based Weed Identification And Control System
Halder et al. Application of Precision Farming in Horticulture: A Comprehensive Review
US20230360149A1 (en) Computer implemented method for providing test design and test instruction data for comparative tests for yield, gross margin, efficacy and/or effects on vegetation indices on a field for different rates or application modes of one product
US20240000002A1 (en) Reduced residual for smart spray
Joe William Adoption of drone technology for effective farm management and adequate food availability: The prospects and challenges
Esau et al. Smart Sprayer for Spot-Application of Agrochemicals in Wild Blueberry Fields
CN115500334A (zh) 一种喷雾器、植物病虫害识别方法和识别设备
WO2023117868A1 (en) A computer-implemented method for generating a soil property map of an agricultural field

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