CN114206110A - 用于生成用于利用农业设备来处理田地的应用地图的方法 - Google Patents
用于生成用于利用农业设备来处理田地的应用地图的方法 Download PDFInfo
- Publication number
- CN114206110A CN114206110A CN202080051335.XA CN202080051335A CN114206110A CN 114206110 A CN114206110 A CN 114206110A CN 202080051335 A CN202080051335 A CN 202080051335A CN 114206110 A CN114206110 A CN 114206110A
- Authority
- CN
- China
- Prior art keywords
- map
- field
- data
- generating
- control
- 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 69
- 238000012545 processing Methods 0.000 title claims abstract description 42
- 241000196324 Embryophyta Species 0.000 claims abstract description 55
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 46
- 206010061217 Infestation Diseases 0.000 claims abstract description 40
- 238000007635 classification algorithm Methods 0.000 claims abstract description 24
- 210000004027 cell Anatomy 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000010801 machine learning Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 10
- 239000004009 herbicide Substances 0.000 claims description 10
- 239000000575 pesticide Substances 0.000 claims description 10
- 230000002363 herbicidal effect Effects 0.000 claims description 7
- 210000001316 polygonal cell Anatomy 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims 1
- 238000012549 training Methods 0.000 description 20
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- 238000012272 crop production Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000052769 pathogen Species 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
- A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
-
- 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
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
-
- 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
- A01M21/00—Apparatus for the destruction of unwanted vegetation, e.g. weeds
- A01M21/04—Apparatus for destruction by steam, chemicals, burning, or electricity
- A01M21/043—Apparatus for destruction by steam, chemicals, burning, or electricity by chemicals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
- B64U2201/00—UAVs characterised by their flight controls
- B64U2201/10—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS]
- B64U2201/104—UAVs characterised by their flight controls autonomous, i.e. by navigating independently from ground or air stations, e.g. by using inertial navigation systems [INS] using satellite radio beacon positioning systems, e.g. GPS
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Zoology (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Environmental Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Toxicology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Catching Or Destruction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Processing (AREA)
Abstract
一种用于生成用于利用农业设备来处理田地的应用地图(20)的方法，包括以下步骤：提供(S10)待处理的田地的田地地图(10)；通过使用图像分类算法，确定(S20)田地地图(10)中具有杂草和/或害虫侵扰的区域；以及生成(S30)指定用于利用农业设备来处理田地的区域的应用地图(20)，其中，应用地图(20)基于由杂草和/或害虫侵扰所侵扰的所确定的区域；其中，方法还包括提供关于田地的边界数据的步骤。
Description
技术领域
本发明涉及一种用于生成用于利用农业设备处理田地的应用地图的方法，以及在这样的方法中田地地图、应用地图和图像采集路径数据的用途。此外，本发明还涉及由根据本发明的方法提供的控制数据和/或控制地图控制的农业设备。
背景技术
在现有技术中，通常的做法是，大多数作物保护产品应用于整个田地，即使杂草或害虫仅应用于田地的小部分。通常，对于用户来说，对田地执行准确分析以确定田地需要在何处进行精确处理太复杂或耗时。另外，以田地仅在必要的情况下处理这样的方式控制和移动农业设备是困难的。
在这方面中，人们发现还需要提供一种允许用户在田地中应当/必须进行应用的地方尽可能容易和快速地通知的方法。
发明内容
鉴于上述内容，本发明的目的是提供一种用于生成用于利用农业设备来处理田地的应用地图的方法。本发明的另一目的是提供可以最自动地执行并且可以以简单和快速的方式向用户提供用于农业设备的控制数据或控制地图的方法。
在阅读以下描述之后变得显而易见的这些和其他目的通过独立权利要求的主题来解决。从属权利要求涉及本发明的优选实施例。
根据本发明，提供了一种用于生成用于利用农业设备来处理田地的应用地图的方法，包括以下步骤：
提供待处理的田地的田地地图；
通过使用图像分类算法，确定田地地图中的具有杂草和/或害虫侵扰的区域；
生成指定用于利用农业设备处理田地的区域的应用地图，其中，应用地图是基于由杂草和/或害虫侵扰所侵扰的所确定的区域；以及其中，
该方法还包括提供关于田地的边界数据的步骤。
田地地图优选地基于田地的至少一个图像来生成，其中，田地地图优选地基于田地和/或田地的部分的多个图像，其可以通过相应算法缝合在一起以提供田地地图。图像优选地是足以用于相应图像分析的高分辨率图像。如果必要的话，可以将田地划分为适合的段，使得可以提供适合于通过图像分类算法进行分析的相应高分辨率。在该方面中，进一步优选的是，用于生成/提供田地地图的图像由至少一个图像收集装置提供，其中，图像收集装置优选地是飞机装置，并且最优选地是无人机。然而，本发明不限于用于提供田地地图的特定方法，并且也不限于特定图像收集装置。从地理视角来看，田地地图至少覆盖了待处理的田地的区域，该区域可能是“完整”田地或仅田地的一部分。最后，田地地图还可包括若干地理上独立的单独田地。在该上下文中，应当注意，图像可以由用户和/或第三方创建。
显著地，术语农业设备应被广泛理解并且包括任何适合处理田地杂草和/或害虫管理的陆地或空中支持装置/机器。然而，农业设备优选地是喷洒机，利用该喷洒机优选地可以向田地施用除草剂和/或杀虫剂。另外或可替代地，农业设备是用于机械或电气地从田地移除杂草/害虫侵扰的机械/电气设备。
在应用地图中，基于图像分类的结果指定需要由农业设备处理的相应区域。显著地，术语应用地图应被广泛理解并且还包括具有未以视觉形式表示的位置坐标的对应数据集。
换句话说，本发明允许借助于自动可执行的方法向用户提供应用地图，其向用户提供他应该在该田地中执行相应应用的信息，即，用户收到他应当在田地中何处使用除草剂和/或杀虫剂并且在何处不需要这样做的信息。因此，借助于本发明，可以提供作物保护产品的显著减少，以及更可持续、环境友好和经济可行的作物生产。此外，通过减少处理所需要的除草剂/杀虫剂的总体积，本发明还允许更频繁、更有效和潜在更昂贵的除草剂和/或杀虫剂的应用。
优选的是，该方法还包括生成配置用于控制农业设备的控制数据和/或控制地图的步骤。例如，控制数据/控制地图可以作为用于农业设备的控制命令提供，例如，在田地处理之前，可以通过无线通信接口、USB接口等将控制命令读取到农业设备的数据存储器中。在该上下文中，优选的是，控制数据允许或多或少地自动化田地处理，即，例如，喷雾器在相应坐标处自动分配期望的除草剂和/或杀虫剂，而无需用户手动干预。特别优选的是，控制数据还包括用于驶离田地的控制命令。应当理解，本发明不限于控制数据的特定内容，而是可以包括操作农业设备需要的任何数据。
优选地，该方法还包括提供关于田地的边界数据和为至少一个图像收集装置生成图像收集路径数据的步骤，其中，图像收集路径数据优选地包括关于路径位置、位置标记、飞行高度、着陆区和/或图像位置的数据。优选地，分析算法用于优化收集路径，例如，在最小时间内以最小中断次数、着陆次数等的最大覆盖。在该方面中，进一步优选的是，图像收集装置包括通信接口，该通信接口被配置为直接或间接地将所收集的图像发送到计算机装置，其中，计算机装置优选地被配置为执行图像分类算法并生成应用地图。术语计算机装置被广泛理解并包括可在其上执行图像分类算法的所有适当手段，例如，云计算解决方案、集中式或分散式计算机系统、计算机中心等。在示例中，该方法包括提供用于生成/提供田地地图和/或应用地图的边界数据的步骤，即，本示例中的边界数据不进一步用于生成图像收集路径数据，即使这是优选的。
优选的是，使用适当的无线通信接口(例如移动接口、远程WLAN等)，在收集期间，例如经由上传中心或云连接，将图像从图像收集装置自动传送到计算机装置。即使优选的是经由无线通信接口传送收集的图像，也可能的是，图像收集装置包括现场数据传送接口，例如USB接口，可以经由手动传送从其接收所收集的图像，并且然后将其传送到相应的计算机装置用于进一步处理。
进一步优选的是，在通过(一个或多个)计算机装置接收图像之后，触发自动工作流，其包括以下步骤：将图像缝合到田地地图，运行图像分类算法，以及确定田地地图中具有杂草和/或害虫侵扰的区域，生成应用地图和控制数据/控制地图，以及直接或间接地将应用地图和/或控制数据/控制地图传送给农业设备/用户。
优选地，应用地图被划分为单元，优选地划分为多边形单元，其中对于每个单元，优选地提供杂草和/或害虫侵扰值，其中，杂草和/或害虫侵扰值优选地被提供为百分比值。在该方面中，进一步优选的是，控制数据和/或控制地图被划分为与应用地图的单元相对应的单元，并且其中，在生成控制数据和/或控制地图时，对于每个单元应用阈值，以使得杂草和/或害虫侵扰在所述阈值以上的单元的单元被标记用于由农业设备处理。阈值可以由用户确定，或者可能是默认值。而且，根据特定种类的杂草和/或害虫侵扰采用阈值也是可能的。
进一步优选的是，当生成控制数据和/或控制地图时，杂草和/或害虫侵扰在所述阈值以上的单元的相邻单元也被标记用于由农业设备处理。从而，通过还处理杂草和/或害虫侵扰在阈值以上的单元的相邻单元来补偿潜在定位误差(例如GPS误差)提供误差补偿是可能的。
优选地，控制数据和/或控制地图包括相关联的施用量数据和/或推荐的除草剂和/或杀虫剂数据。提供适当的建议可以加快整个过程，因为使用者不必花费大量时间标识他可以使用的适当除草剂/杀虫剂或混合物。
优选的是，图像分类算法是基于机器学习算法的结果，例如神经网络。换句话说，优选的是，将田地地图(例如缝合的图像)馈送到经训练的机器学习算法，以确定田地上的杂草和/或害虫侵扰。机器学习算法优选地包括决策树、随机森林、朴素贝叶斯分类、最近邻居、神经网络、卷积神经网络(优选地完全卷积网络)、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”，以将折中有所有可能输入的输入空间映射到输出空间中的期望输出。算法可以使用训练数据的记录而被训练。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。训练输出数据也被称为标签。可以基于训练输入数据的单独像素、想要对象的边界框、对象实例分割或作为通用分割掩码，来收集训练输入数据和对应标签。训练数据的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的记录的训练输入数据作为输入时，所预期产生的结果。该预期的结果与由算法所产生的实际结果之间的偏差被借助于“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得到的损失函数的值最小化的优化目标，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(groundtruth)”，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的记录而很好地执行其工作。还可以通过主动学习来进一步改进机器学习算法。这包括查看未包含在训练输入数据中的选择输入数据的结果(例如，选择机器学习算法对其预测“信心”最低的输入数据)，校正机器学习算法犯下的所有错误，并将其输入和正确输出包括在新训练数据中，用于机器学习算法的重新训练。这样的训练可能帮助机器学习算法更快地学习。
此外，机器学习算法可以单独训练，或甚至机器学习算法的选择可能在某些条件下不同，例如作物是否已经出现。此外，在作物已经出现时的情况下，确保结果的旋转不变性是有益的。换句话说，机器学习模型应当优选地使用随机旋转增强进行训练，以支持以任何角度播种的作物行，因为训练数据将包括所有可能角度是不可能的。另一方式可包括以确保训练数据中的作物行以及在使用经训练的机器学习算法期间始终处于相同角度的方式，对输入进行预处理。
当输入数据一致时，机器学习算法工作得特别好，因此以一致的方式(例如，一天中的类似时间)遵循数据采集过程可能是有益的。显著地，在示例中，应用了所谓的随机森林方法，或者类似AlexNet的卷积神经网络被实现为完全卷积网络。然而，本公开不限于这样的优选示例。
优选地，一旦完成对田地的处理，则将应用地图/应用数据提供给计算机装置，例如用于文档和分析目的。在该方面中，优选的是，确定所提供的控制地图/控制数据与应用地图/应用数据之间是否发生了不一致，其中，在发生了不一致在预定阈值以上的的情况下，优选地推荐对田地的进一步处理。
本发明还涉及用于生成应用地图的方法中的田地地图的用途，该应用地图用于利用如上文所描述的农业设备来处理田地，用于通过使用图像分类算法，确定田地地图中具有杂草和/或害虫侵染的区域。而且，本发明还涉及用于生成应用地图的方法中的应用地图的用途，该应用地图用于利用如上文所描述的农业设备来处理田地，用于生成配置为用于控制农业设备的控制数据和/或控制地图，其中，农业设备优选地是喷洒机或机械/电气控制装置。另外，本发明涉及用于生成应用地图的方法中的图像收集路径数据的用途，该应用地图用于利用如上文所描述的农业设备来处理田地，其中，图像收集路径数据包括关于路径位置、位置标记、飞行高度、着陆区和/或图像位置的数据。最后，本发明涉及一种农业设备，该农业设备被配置为由控制数据和/或控制地图而控制，其由如上文所描述的用于生成用于利用农业设备来处理田地的应用地图的方法而提供。
而且，本发明还涉及一种用于生成用于利用农业设备来处理田地的应用地图(20)的系统，包括：至少一个处理单元，其被配置为生成和提供待处理的田地的田地地图；至少一个处理单元，其被配置为：通过使用图像分类算法，确定田地地图中具有杂草和/或害虫侵扰的区域；至少一个处理单元，其被配置为生成并提供指定用于利用农业设备来处理田地的区域的应用地图，其中，应用地图是基于由杂草和/或害虫侵扰所侵扰的所确定的区域。
最后，本发明还涉及一种被配置为在适当的设备或系统上执行上文所解释的方法的计算机程序或计算机程序元件。
计算机程序元件可以因此被存储在计算机单元上，其还可以是实施例的一部分。该计算单元可以被配置为执行或诱导执行上文所描述的方法的步骤。而且，其可被配置为操作上文所描述的设备和/或系统的组件。计算单元可以被配置为自动操作和/或执行用户的命令。计算机程序可以加载到数据处理器的工作存储器中。因此，数据处理器可以被配备以执行根据前述实施例之一的方法。
本发明的该示例性实施例覆盖从一开始就使用本发明的计算机程序和通过更新将现有程序更新成使用本发明的程序的计算机程序两者。
更进一步地，计算机程序元件可能能够提供所有必要的步骤来实现如上文所描述的方法的示范性实施例的过程。
根据本发明的另一示例性实施例，呈现了计算机可读介质(诸如CD-ROM、USB棒等)，其中，计算机可读介质具有被存储其上的计算机程序元件，该计算机程序元件由前述章节描述。
计算机程序可以被存储/被分布在适合的介质(诸如连同其他硬件一起或作为其一部分供应的光学存储介质或固态介质)，而且可以以其他形式分布(诸如经由因特网或其他有线或无线电信系统)。
然而，计算机程序也可以通过像万维网的网络呈现，并且可以从这样的网络下载到数据处理器的工作存储器中。根据本发明的另一示例性实施例，提供用于制造可用于下载的计算机程序元件的介质，该计算机程序元件被布置为执行根据本发明的先前地所描述的实施例之一的方法。
在以下中，提供了非限制性示例的非详尽列表。这些示例的任何一个或多个特征可以与本文所描述的另一示例、实施例或方面的任何一个或多个特征组合。
A.一种用于生成用于利用农业设备来处理田地的应用地图(20)的方法，包括以下步骤：
提供(S10)待处理的田地的田地地图(10)；
通过使用图像分类算法，确定(S20)田地地图(10)中具有杂草和/或害虫侵扰的区域；以及
生成(S30)指定用于利用农业设备来处理田地的区域的应用地图(20)，其中，应用地图(20)是基于被杂草和/或害虫侵扰所侵扰的所确定的区域。
B.根据实施例A所述的方法，其中，方法还包括生成(S40)被配置为用于控制农业设备的控制数据和/或控制地图(30)的步骤，其中，农业设备优选地是喷洒机或机械或电气控制装置。
C.根据实施例A或实施例B所述的方法，其中，田地地图(10)被基于田地的至少一个图像来生成，其中，田地地图(10)优选地被基于田地和/或田地的部分的若干图像，其中，若干图像优选地缝合在一起以提供田地地图(10)。
D.根据实施例C所述的方法，其中，至少一个图像或若干图像由至少一个图像收集装置提供，其中，图像收集装置优选地是飞机装置，并且最优选地是无人机。
E.根据实施例D所述的方法，其中，方法还包括提供关于田地的边界数据和对于至少一个图像收集装置来生成图像收集路径数据的步骤，其中，图像收集路径数据优选地包括关于路径位置、位置标记、飞行高度、着陆区和/或图像位置的数据。
F.根据实施例D或实施例E所述的方法，其中，图像收集装置包括通信接口，其被配置为直接或间接地将所收集的图像发送到计算机装置，其中，计算机装置优选地被配置为执行图像分类算法并生成应用地图(20)。
G.根据前述实施例A至F中的任一项所述的方法，其中，应用地图(20)被划分为单元，优选地被划分为多边形单元，并且其中对于每个单元，优选地提供杂草和/或害虫侵扰值，其中，杂草和/或害虫侵扰值优选地被提供为百分比值。
H.根据实施例G所述的方法，其中，控制数据和/或控制地图(30)被划分为与应用地图(20)的单元相对应的单元，并且其中，在生成控制数据和/或控制地图(30)时，对于每个单元应用阈值，使得杂草和/或害虫侵扰在阈值以上的单元由农业设备处理。
I.根据实施例H所述的方法，其中，当生成控制数据和/或控制地图(30)时，杂草和/或害虫侵扰在阈值以上的单元的相邻单元由农业设备处理。
J.根据实施例G至H中的任一项所述的方法，其中，控制数据和/或控制地图(30)包括相关联的施用量数据和/或推荐的除草剂和/或杀虫剂数据。
K.根据前述实施例A至J中的任一项所述的方法，其中，图像分类算法是基于机器学习算法的结果。
L.根据实施例A至K中的任一项所述的方法中的田地地图(10)的用途，用于通过使用图像分类算法来确定田地地图(10)中具有杂草和/或害虫侵扰的区域。
M.根据实施例A至K中的任一项所述的方法中的应用地图(20)的用途，用于生成被配置为用于控制农业设备的控制数据和/或控制地图(30)，其中，农业设备优选地是喷洒机或机械或电气控制装置。
N.根据实施例A至K中的任一项所述的方法中的图像收集路径数据的用途，其中，图像收集路径数据包括关于路径位置、位置标记、飞行高度、着陆区和/或图像位置的数据。
O.一种农业设备，其被配置为由根据实施例A至K中的任一项所述的方法所提供的控制数据和/或控制地图(30)来控制。
P.一种用于生成用于利用农业设备来处理田地的应用地图(20)的系统，包括：
至少一个处理单元，其被配置为生成和提供待处理的田地的田地地图(10)；
至少一个处理单元，其被配置为通过使用图像分类算法来确定田地地图(10)中具有杂草和/或害虫侵扰的区域；
至少一个处理单元，其被配置为生成并提供指定用于利用农业设备来处理田地的区域的应用地图(20)，其中，应用地图(20)是基于被杂草和/或害虫侵扰所侵扰的所确定的区域。
Q.一种计算机程序元件，其在由处理器执行时被配置为执行根据实施例A至K中的任一项所述的实施例的方法。
附图说明
在以下中，参考附图示例性描述本发明，其中：
图1是根据本发明的优选实施例的方法的示意图；
图2是本发明的优选实施例中使用的田地地图的示意图；
图3是本发明的优选实施例中使用的应用地图的示意图；
图4是本发明的优选实施例中使用的控制地图的示意图；以及
图5是获取田地图像的机器人车辆的示意图。
具体实施方式
图1是根据本发明的优选实施例的方法的示意图。在以下中，根据图2所示的田地地图10、图3所示的应用地图20和图4所示的控制地图30来解释根据本发明的优选实施例的步骤的示例性顺序。
在步骤S10中，提供了待处理的田地的田地地图10。在优选实施例中，图像已经由图像收集设备(此处为无人机)而拍摄，。在该方面中，图像收集路径数据已经提供给无人机，包括关于路径位置、位置标记、飞行高度、着陆区和/或图像位置的数据。已经使用优化收集路径的分析算法，基于田地的预定边界，生成图像收集路径数据，即在最小时间内以最小中断次数、着陆次数等提供最大覆盖。这使无人机自动拍摄单独图像而无需用户控制无人机可能。图像已经提供给计算机装置，用于将拍摄的图像缝合在一起并用于提供/生成田地地图10。显著地，单独图像可以在它们被拍摄之后或者在所有图像作为一组拍摄之后，立即被发送。在该方面中，优选的是，图像收集装置包括相应的通信接口，其被配置为直接或间接地将所收集的图像发送到计算机装置，例如，云计算解决方案、集中式或分散式计算机系统、计算机中心等。优选地，使用适当的无线通信接口(例如移动接口、远程WLAN等)，在收集期间(例如经由上传中心或云连接)，将图像从图像收集装置自动传送到计算机装置。即使优选的是经由无线通信接口传送所收集的图像，也可能的是，图像收集装置包括现场数据传送接口，例如USB接口，可以经由手动传送从其接收所收集的图像，并且然后将其传送到相应的计算机装置用于进一步处理。
在步骤S20中，通过使用图像分类算法，确定田地地图中具有杂草和/或害虫侵扰的区域。在该方面中，优选的是，图像分类算法是基于机器学习算法的结果，例如神经网络。换句话说，优选的是，将田地地图10(例如缝合的图像)馈送到经训练的机器学习算法，以确定田地上的杂草和/或害虫侵扰。在步骤S30中，基于指定用于利用农业设备来处理田地的区域的图像分类算法的结果，生成应用地图20。显著地，应用地图20可以划分为单元，优选地划分为多边形单元，其中对于每个单元，可以提供杂草和/或害虫侵扰值，其中，杂草和/或害虫侵扰值优选地被提供为百分比值。
在优选步骤S40中，生成被配置为用于控制农业设备的控制地图30。例如，控制数据/控制地图30可以作为用于农业设备的控制命令提供，例如，在田地的处理之前，可以通过无线通信接口、USB接口等，将控制命令读取到农业设备的数据存储器中。在该上下文中，优选的是，控制数据允许或多或少地自动化田地处理，即，例如，喷雾器在相应坐标处自动分配期望的除草剂和/或杀虫剂，而无需用户手动干预。特别优选的是，控制数据还包括用于驶离田地的控制命令。应当理解，本发明不限于控制数据的特定内容，而是可以包括操作农业设备所需要的任何数据。可能的是，控制地图30被划分为与应用地图20的单元相对应的单元，并且其中，在生成控制地图30时，对于每个单元，应用阈值，使得杂草和/或害虫侵扰在阈值以上的单元被标记用于由农业设备来处理。阈值可以由用户确定，或者可能是默认值。而且，根据特定种类的杂草和/或害虫侵扰采用阈值也是可能的。当生成控制地图30时，杂草和/或害虫侵扰在阈值以上的单元的相邻单元30也可以被标记用于由农业设备来处理。从而，通过还处理杂草和/或害虫侵扰在阈值以上的单元的相邻单元来补偿潜在定位误差(例如GPS误差)，以提供误差补偿是可能的。
显著地，优选的是，可以或多或少自动地提供应用地图20和/或控制数据/控制地图30。在该方面中，优选的是，在通过(一个或多个)计算机装置接收图像之后，触发自动工作流，包括以下步骤：将图像缝合到田地地图10，提供S10田地地图10，运行图像分类算法，以及确定S20田地地图10中具有杂草和/或害虫侵扰的区域，生成S30应用地图20和生成S40控制数据/控制地图30，以及直接或间接地将应用地图20和/或控制数据/控制地图30传送给农业设备/用户。
图5示出了飞过包含作物的田地的无人驾驶飞行器(UAV)，例如无人机，其可用于提供/获取田地图像。在作物中可能存在许多杂草/病菌，其中，两种特定且不同的杂草类型如图5中的示例所示。一种杂草类型，图5所示的较高的杂草，是特别剧毒的，产生大量种子，并且可以显著影响作物产量。在包含该作物的田地中不应当容忍该杂草。然而，在图5中示出为较短的杂草的第二类杂草也可能有益于田地中的作物的总体生物多样性，但前提是每单位面积的该杂草数量密度低于阈值。
无人机具有相机，当它飞过田地时，获取图像。UAV还具有GPS和惯性导航系统，这使得能够确定UAV的位置并且也能够确定相机的取向。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，诸如第一类型的杂草的示例。由相机获取的图像数据优选地被传送到UAV外部的处理单元，用于生成田地地图。然而，也可能的是，在无人机中定位相应程序，以使得田地地图也可以直接由UAV提供。
也结合优选实施例作为示例描述了本发明。然而，通过研究附图、本说明书和权利要求书，本领域的技术人员在实践所要求保护的本发明时可以理解和实现其他变型。显著地，本发明不限于这些步骤的特定顺序。而且，也不要求在某个地方或在一个地方执行不同的步骤，即，可以使用不同的设备/数据处理单元在不同的地方执行每个步骤。在权利要求以及说明书中，词语“包括”不排除其他元件或者步骤，并且量词“一”或“一个”不排除多个。单个元件或其他单元可以实现权利要求中记载的若干实体或项的功能。互不相同的从属权利要求中记载了特定措施的仅有事实并不指示不能在有利的实现方式中使用这些措施的组合。
参考标记
S10提供待处理的田地的田地地图
S20通过使用图像分类算法，确定田地地图中具有杂草和/或害虫侵扰的区域
S30生成指定用于利用农业设备来处理田地的区域的应用地图
S40生成被配置为用于控制农业设备的控制数据和/或控制地图
10待处理的田地的田地地图
20指定用于利用农业设备来处理田地的区域的应用地图
30配置为用于控制农业设备的控制地图
Claims (17)
1.一种用于生成用于利用农业设备来处理田地的应用地图(20)的方法，包括以下步骤：
提供(S10)待处理的田地的田地地图(10)；
通过使用图像分类算法，确定(S20)所述田地地图(10)中具有杂草和/或害虫侵扰的区域；生成(S30)指定用于利用农业设备处理所述田地的区域的应用地图(20)，其中，所述应用地图(20)是基于被杂草和/或害虫侵扰所侵扰的所确定的区域；以及其中，
所述方法还包括提供关于所述田地的边界数据的步骤。
2.根据权利要求1所述的方法，其中，所述方法还包括生成(S40)被配置用于控制农业设备的控制数据和/或控制地图(30)的步骤，其中，所述农业设备优选地是喷洒机或机械/电气控制装置。
3.根据权利要求1或权利要求2所述的方法，其中，所述田地地图(10)是基于所述田地的至少一个图像来生成，其中，所述田地地图(10)优选地基于所述田地和/或所述田地的部分的若干图像，其中，所述若干图像优选地缝合在一起以提供所述田地地图(10)。
4.根据权利要求3所述的方法，其中，所述至少一个图像或所述若干图像由至少一个图像收集装置来提供，其中，所述图像收集装置优选地是飞机装置，并且最优选地是无人机。
5.根据权利要求4所述的方法，其中，所述方法还包括：对于至少一个图像收集装置，生成图像收集路径数据的步骤，其中，所述图像收集路径数据优选地包括关于路径位置、位置标记、飞行高度、着陆区和/或图像位置的数据。
6.根据权利要求4或权利要求5所述的方法，其中，所述图像收集装置包括通信接口，其被配置为直接或间接地将所收集的图像发送到计算机装置，其中，所述计算机装置优选地被配置为执行所述图像分类算法并生成所述应用地图(20)。
7.根据前述权利要求中的任一项所述的方法，其中，所述应用地图(20)被划分为单元，优选地被划分为多边形单元，并且其中对于每个单元，优选地提供杂草和/或害虫侵扰值，其中，所述杂草和/或害虫侵扰值优选地被提供为百分比值。
8.根据权利要求7所述的方法，其中，所述控制数据和/或控制地图(30)被划分为与所述应用地图(20)的单元相对应的单元，并且其中，在生成所述控制数据和/或控制地图(30)时，对于每个单元应用阈值，以使得杂草和/或害虫侵扰在所述阈值以上的单元由所述农业设备处理。
9.根据权利要求8所述的方法，其中，当生成所述控制数据和/或控制地图(30)时，杂草和/或害虫侵扰在所述阈值以上的的单元的相邻单元也由所述农业设备处理。
10.根据权利要求7至9中的任一项所述的方法，其中，所述控制数据和/或控制地图(30)包括相关联的施用量数据和/或推荐的除草剂和/或杀虫剂数据。
11.根据前述权利要求中的任一项所述的方法，其中，所述图像分类算法是基于机器学习算法的结果。
12.根据权利要求1至11中的任一项所述的方法中的田地地图(10)的用途，用于通过使用图像分类算法来确定所述田地地图(10)中具有杂草和/或害虫侵扰的区域。
13.根据权利要求1至11中的任一项所述的方法中的应用地图(20)的用途，用于生成被配置为用于控制农业设备的控制数据和/或控制地图(30)，其中，所述农业设备优选地是喷洒机或机械/电气控制装置。
14.根据权利要求1至11中的任一项所述的方法中的图像收集路径数据的用途，其中，所述图像收集路径数据包括关于路径位置、位置标记、飞行高度、着陆区和/或图像位置的数据。
15.一种农业设备，其被配置为由根据权利要求1至11中的任一项所述的方法所提供的控制数据和/或控制地图(30)来控制。
16.一种用于生成用于利用农业设备来处理田地的应用地图(20)的系统，包括：
至少一个处理单元，其被配置为：生成和提供待处理的田地的田地地图(10)；
至少一个处理单元，其被配置为：通过使用图像分类算法，确定所述田地地图(10)中具有杂草和/或害虫侵扰的区域；
至少一个处理单元，其被配置为：生成并提供指定用于利用农业设备来处理所述田地的区域的应用地图(20)，其中，所述应用地图(20)是基于被杂草和/或害虫侵扰所侵扰的所确定的区域。
17.一种计算机程序元件，其在由处理器执行时被配置为执行根据权利要求1至11中的任一项所述的权利要求的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP19186343.0A EP3766344A1 (en) | 2019-07-15 | 2019-07-15 | Method for generating an application map for treating a field with an agricultural equipment |
| EP19186343.0 | 2019-07-15 | ||
| PCT/EP2020/069786 WO2021009136A1 (en) | 2019-07-15 | 2020-07-13 | Method for generating an application map for treating a field with an agricultural equipment |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114206110A true CN114206110A (zh) | 2022-03-18 |
Family
ID=67303382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080051335.XA Pending CN114206110A (zh) | 2019-07-15 | 2020-07-13 | 用于生成用于利用农业设备来处理田地的应用地图的方法 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US20220256834A1 (zh) |
| EP (2) | EP3766344A1 (zh) |
| JP (1) | JP2022542764A (zh) |
| CN (1) | CN114206110A (zh) |
| AR (1) | AR119396A1 (zh) |
| BR (1) | BR112022000635A2 (zh) |
| CA (1) | CA3146716A1 (zh) |
| WO (1) | WO2021009136A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10936870B2 (en) * | 2018-07-05 | 2021-03-02 | Iron Ox, Inc. | Method for selectively deploying sensors within an agricultural facility |
| US11369055B1 (en) * | 2021-05-21 | 2022-06-28 | Advanced Agrilytics Holdings, Llc | Methods and systems for modeling soil processes and properties |
| CN114511675B (zh) * | 2022-02-14 | 2022-09-02 | 山东志诚地理信息技术有限公司 | 一种基于实景三维数据制作的无人机摄像管控系统 |
| WO2023230730A1 (en) * | 2022-06-03 | 2023-12-07 | Daniel Mccann | System and method for precision application of residual herbicide through inference |
| CN114821375B (zh) * | 2022-06-27 | 2022-09-06 | 江西省地矿测绘有限公司 | 基于多源遥感数据的成图方法、装置、存储介质及设备 |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AUPO370596A0 (en) * | 1996-11-18 | 1996-12-12 | Research Foundation Institute Pty Limited, The | Vegetation recognition system |
| US6529615B2 (en) * | 1997-10-10 | 2003-03-04 | Case Corporation | Method of determining and treating the health of a crop |
| US6216614B1 (en) * | 1999-04-28 | 2001-04-17 | Ag-Chem Equipment Co., Inc. | Boom dispensing point control system |
| HU3056U (en) * | 2005-04-29 | 2006-03-28 | G & G Noevenyvedelmi Es Keresk | Construction for making weed map |
| US10115158B2 (en) * | 2010-10-25 | 2018-10-30 | Trimble Inc. | Generating a crop recommendation |
| US10185896B2 (en) * | 2011-07-05 | 2019-01-22 | Bernard Fryshman | Induction system for mold remediation |
| WO2013069059A1 (en) * | 2011-11-09 | 2013-05-16 | Feugier Francois Gabriel | Pest control system, pest control method and pest control program |
| US10568316B2 (en) * | 2014-08-15 | 2020-02-25 | Monsanto Technology Llc | Apparatus and methods for in-field data collection and sampling |
| US10120543B2 (en) * | 2016-02-09 | 2018-11-06 | Deere & Company | Plant emergence system |
| EP3262934A1 (de) * | 2016-06-28 | 2018-01-03 | Bayer CropScience AG | Verfahren zur unkrautbekämpfung |
| EP3287007A1 (de) * | 2016-08-24 | 2018-02-28 | Bayer CropScience AG | Bekämpfung von schadorganismen auf basis der vorhersage von befallsrisiken |
| US10078890B1 (en) * | 2016-09-29 | 2018-09-18 | CHS North LLC | Anomaly detection |
| US10721859B2 (en) * | 2017-01-08 | 2020-07-28 | Dolly Y. Wu PLLC | Monitoring and control implement for crop improvement |
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| CA3073713A1 (en) * | 2017-08-25 | 2019-02-28 | The Board Of Trustees Of The University Of Illinois | Apparatus and method for agricultural data collection and agricultural operations |
| US20190107521A1 (en) * | 2017-10-06 | 2019-04-11 | AgriSight, Inc. | System and method for field test management |
| BR112020008192B1 (pt) * | 2017-10-27 | 2024-02-15 | Basf Se | Aparelho e método para gerenciamento de plantas |
-
2019
- 2019-07-15 EP EP19186343.0A patent/EP3766344A1/en active Pending
-
2020
- 2020-07-13 WO PCT/EP2020/069786 patent/WO2021009136A1/en unknown
- 2020-07-13 AR ARP200101960A patent/AR119396A1/es unknown
- 2020-07-13 CA CA3146716A patent/CA3146716A1/en active Pending
- 2020-07-13 EP EP20739368.7A patent/EP3998856A1/en active Pending
- 2020-07-13 BR BR112022000635A patent/BR112022000635A2/pt unknown
- 2020-07-13 CN CN202080051335.XA patent/CN114206110A/zh active Pending
- 2020-07-13 JP JP2021574795A patent/JP2022542764A/ja active Pending
- 2020-07-13 US US17/626,694 patent/US20220256834A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| BR112022000635A2 (pt) | 2022-03-22 |
| AR119396A1 (es) | 2021-12-15 |
| EP3998856A1 (en) | 2022-05-25 |
| WO2021009136A1 (en) | 2021-01-21 |
| CA3146716A1 (en) | 2021-01-21 |
| EP3766344A1 (en) | 2021-01-20 |
| US20220256834A1 (en) | 2022-08-18 |
| JP2022542764A (ja) | 2022-10-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114206110A (zh) | 用于生成用于利用农业设备来处理田地的应用地图的方法 | |
| US12026944B2 (en) | Generation of digital cultivation maps | |
| US10827672B2 (en) | Field monitoring, analysis, and treatment system | |
| Zhang et al. | Review of current robotic approaches for precision weed management | |
| US20200146203A1 (en) | Geographic coordinate based setting adjustment for agricultural implements | |
| CN109197278B (zh) | 作业策略的确定方法及装置、药物喷洒策略的确定方法 | |
| US20200244890A1 (en) | Unmanned aerial vehicle | |
| KR102200314B1 (ko) | 드론을 이용한 농작물 모니터링 시스템 | |
| Kirkpatrick | Technologizing agriculture | |
| CN113613493A (zh) | 利用化学和机械手段的针对性杂草控制 | |
| Molin et al. | Precision agriculture and the digital contributions for site-specific management of the fields | |
| EP4230036A1 (en) | Targeted treatment of specific weed species with multiple treatment devices | |
| CA3224125A1 (en) | Targeted treatment of specific weed species with multiple treatment devices | |
| Phade et al. | IoT‐Enabled Unmanned Aerial Vehicle: An Emerging Trend in Precision Farming | |
| US20210084885A1 (en) | Apparatus for spray management | |
| Jibon et al. | Development of an Autonomous UAV for Seed and Fertilizer Distribution in Precision Agriculture | |
| US11183073B2 (en) | Aircraft flight plan systems | |
| EP3554094B1 (en) | Remote control system, remote control method, and program | |
| Kulhandjian et al. | Low-Cost Tree Health Categorization and Localization Using Drones and Machine Learning | |
| US20230169764A1 (en) | Generating synthetic ground-level data based on generator conditioned for particular agricultural area | |
| KR102683902B1 (ko) | 곡물처리 자동조종 시스템, 자동조종 방법 및 자동 식별 방법 | |
| Al Nuaimi et al. | Precision Agriculture Through Unmanned Arial Vehicles: A Case Study at Sultan Qaboos University | |
| Niu et al. | The Unmanned Ground Vehicles (UGVs) for Digital Agriculture | |
| Charitha et al. | Detection of Weed Plants Using Image Processing and Deep Learning Techniques | |
| US20240203119A1 (en) | Remote sensing interpretation |
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 |