CN114371717A - 一种用于茶叶修剪的绿篱机智能控制方法及系统 - Google Patents

一种用于茶叶修剪的绿篱机智能控制方法及系统 Download PDF

Info

Publication number
CN114371717A
CN114371717A CN202210069485.4A CN202210069485A CN114371717A CN 114371717 A CN114371717 A CN 114371717A CN 202210069485 A CN202210069485 A CN 202210069485A CN 114371717 A CN114371717 A CN 114371717A
Authority
CN
China
Prior art keywords
information
tea garden
tea
garden
hedge trimmer
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
Application number
CN202210069485.4A
Other languages
English (en)
Other versions
CN114371717B (zh
Inventor
王刚
黄睿
霍志磊
罗媛媛
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.)
Xiamen University of Technology
Original Assignee
Xiamen University of Technology
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 Xiamen University of Technology filed Critical Xiamen University of Technology
Priority to CN202210069485.4A priority Critical patent/CN114371717B/zh
Publication of CN114371717A publication Critical patent/CN114371717A/zh
Application granted granted Critical
Publication of CN114371717B publication Critical patent/CN114371717B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
    • A01G3/00—Cutting implements specially adapted for horticultural purposes; Delimbing standing trees
    • A01G3/04—Apparatus for trimming hedges, e.g. hedge shears
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

本发明提供了一种用于茶叶修剪的绿篱机智能控制方法及系统，方法包括：获得第一茶圃图像信息；进行特征提取，获得第一特征信息集合，第一特征信息集合包括第一茶圃几何特征信息和第一茶圃拓扑特征信息；根据第一茶圃几何特征信息对第一茶圃进行聚类分析，获得第一茶圃分区结果；根据第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息；将第一茶圃分区结果和第一修剪路径信息输入参数初始化模型，获得第一初始化参数集合；将第一初始化参数集合发送至第一工作人员，获得第一反馈信息，显示允许执行时，根据第一初始化参数集合控制第一绿篱机执行工作。

Description

一种用于茶叶修剪的绿篱机智能控制方法及系统
技术领域
本发明涉及智能制造相关技术领域，具体涉及一种用于茶叶修剪的绿篱机智能控制方法及系统。
背景技术
绿篱机是依靠汽油机驱动，修剪树立灌木、草丛等植株的设备，在日常生活中应用广泛，随着智能制造的不断发展，人工智能和传统工业结合度不断增强，为了绿篱机的工作效率，将人工智能和绿篱机结合是大势所趋。
传统的绿篱机在进行修剪工作之前一般人为设定绿篱机的控制参数，在工作中依据工况进行调整，避免绿篱机产生过载或者损坏，但是此种方式自动化程度不高，且人为依据经验设定的参数具有一定的主观性质，导致设定结果具有较大的不稳定要素。
但本申请在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中由于依赖于人为设定绿篱机工作参数，导致存在参数设定结果不稳定性较强的技术问题。
发明内容
本申请实施例通过提供了一种用于茶叶修剪的绿篱机智能控制方法及系统，解决了现有技术中由于依赖于人为设定绿篱机工作参数，导致存在参数设定结果不稳定性较强的技术问题。通过对待修剪的茶圃图像信息分析提取茶圃几何特征和茶圃拓扑特征；依据茶圃几何特征对茶圃分类，再根据茶圃拓扑特征将分类结果进行排序，得到修剪路径信息，根据分类结果和路径信息结合参数初始化模型对绿篱机的控制参数分析得到初始化数据；将初始化数据反馈至工作人员确定之后，依据初始化数据对绿篱机设定并控制，实现了依据待修剪茶圃信息设定初始参数，相比人为设定客观性更强，达到了对绿篱机的控制更加准确的技术效果。
鉴于上述问题，本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制方法及系统。
第一方面，本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制方法，其中，所述方法应用于一种用于茶叶修剪的绿篱机智能控制系统，所述方法包括：获得第一茶圃图像信息，其中，所述第一茶圃为待修剪的茶圃；对所述第一茶圃图像信息进行特征提取，获得第一特征信息集合，其中，所述第一特征信息集合包括第一茶圃几何特征信息和第一茶圃拓扑特征信息；根据所述第一茶圃几何特征信息对所述第一茶圃进行聚类分析，获得第一茶圃分区结果；根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息；将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型，获得第一初始化参数集合；将所述第一初始化参数集合发送至第一工作人员，获得第一反馈信息；当所述第一反馈信息显示允许执行时，根据所述第一初始化参数集合控制第一绿篱机执行工作。
另一方面，本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于获得第一茶圃图像信息，其中，所述第一茶圃为待修剪的茶圃；第二获得单元，所述第二获得单元用于对所述第一茶圃图像信息进行特征提取，获得第一特征信息集合，其中，所述第一特征信息集合包括第一茶圃几何特征信息和第一茶圃拓扑特征信息；第一处理单元，所述第一处理单元用于根据所述第一茶圃几何特征信息对所述第一茶圃进行聚类分析，获得第一茶圃分区结果；第二处理单元，所述第二处理单元用于根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息；第三处理单元，所述第三处理单元用于将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型，获得第一初始化参数集合；第四处理单元，所述第四处理单元用于将所述第一初始化参数集合发送至第一工作人员，获得第一反馈信息；第一执行单元，所述第一执行单元用于当所述第一反馈信息显示允许执行时，根据所述第一初始化参数集合控制第一绿篱机执行工作。
第三方面，本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制系统，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，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面任一项所述的方法。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
由于采用了获得第一茶圃图像信息，其中，所述第一茶圃为待修剪的茶圃；对所述第一茶圃图像信息进行特征提取，获得第一特征信息集合，其中，所述第一特征信息集合包括第一茶圃几何特征信息和第一茶圃拓扑特征信息；根据所述第一茶圃几何特征信息对所述第一茶圃进行聚类分析，获得第一茶圃分区结果；根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息；将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型，获得第一初始化参数集合；将所述第一初始化参数集合发送至第一工作人员，获得第一反馈信息；当所述第一反馈信息显示允许执行时，根据所述第一初始化参数集合控制第一绿篱机执行工作的技术方案，通过对待修剪的茶圃图像信息分析提取茶圃几何特征和茶圃拓扑特征；依据茶圃几何特征对茶圃分类，再根据茶圃拓扑特征将分类结果进行排序，得到修剪路径信息，根据分类结果和路径信息结合参数初始化模型对绿篱机的控制参数分析得到初始化数据；将初始化数据反馈至工作人员确定之后，依据初始化数据对绿篱机设定并控制，实现了依据待修剪茶圃信息设定初始参数，相比人为设定客观性更强，达到了对绿篱机的控制更加准确的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制方法流程示意图；
图2为本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制方法中的轴承工作温度监测方法流程示意图；
图3为本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制系统结构示意图；
图4为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第二获得单元12，第一处理单元13，第二处理单元14，第三处理单元15，第四处理单元16，第一执行单元17，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请实施例针对现有技术中由于依赖于人为设定绿篱机工作参数，导致存在参数设定结果不稳定性较强的技术问题。拟通过分析提取茶圃几何特征和茶圃拓扑特征；依据茶圃几何特征对茶圃分类，再根据茶圃拓扑特征将分类结果进行排序，得到修剪路径信息，根据分类结果和路径信息结合参数初始化模型对绿篱机的控制参数分析得到初始化数据；将初始化数据反馈至工作人员确定之后，依据初始化数据对绿篱机设定并控制，实现了依据待修剪茶圃信息设定初始参数，相比人为设定客观性更强，达到了对绿篱机的控制更加准确的技术效果。
申请概述
目前技术中对于绿篱机的控制参数需要人为设定，设定完成后再开始工作，自动化程度不高，且人为依据经验设定的参数具有一定的主观性质，导致设定结果具有较大的不稳定要素。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制方法，其中，所述方法应用于一种用于茶叶修剪的绿篱机智能控制系统，所述方法包括：获得第一茶圃图像信息，其中，所述第一茶圃为待修剪的茶圃；对所述第一茶圃图像信息进行特征提取，获得第一特征信息集合，其中，所述第一特征信息集合包括第一茶圃几何特征信息和第一茶圃拓扑特征信息；根据所述第一茶圃几何特征信息对所述第一茶圃进行聚类分析，获得第一茶圃分区结果；根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息；将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型，获得第一初始化参数集合；将所述第一初始化参数集合发送至第一工作人员，获得第一反馈信息；当所述第一反馈信息显示允许执行时，根据所述第一初始化参数集合控制第一绿篱机执行工作。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制方法，所述方法应用于一种用于茶叶修剪的绿篱机智能控制系统，所述方法包括：
S100：获得第一茶圃图像信息，其中，所述第一茶圃为待修剪的茶圃；
具体而言，茶圃指的是人工大面积种植茶叶形成的具有一定规则形状的茶叶植株丛，具体形状包括但不限于：球体、正方体、长方体、梯形等形状，绿篱机内部的刀刃部署可以根据不同需求的茶圃形状进行设置。
所述第一茶圃图像信息指的是使用摄像装置对待修剪的茶圃进行多维度高清图像采集之后得到的图像集合。其中，上述摄像装置优选的使用和绿篱机智能控制系统通信连接的智能摄像装置，智能摄像装置可对采集到的图像信息进行初步的预处理：当图像不满足预设清晰度时对该位置的图像进行重复采集；图像采集完成后对图像进行两两比对，将拍摄位置、拍摄角度和拍摄时间完全相同的图像进行删除，对图像信息完成降维，进而提高数据处理效率。
进一步而言，虽然本申请实施例描述的是茶叶修剪的绿篱机，但是若是其他植株，包括但不限于：树立灌木、草丛、黄杨、冬青等绿篱，使用相同方式控制绿篱机则也在本申请的保护范围之内。
S200：对所述第一茶圃图像信息进行特征提取，获得第一特征信息集合，其中，所述第一特征信息集合包括第一茶圃几何特征信息和第一茶圃拓扑特征信息；
具体而言，针对于不同茶圃绿篱机需要设定不同的工作参数，当第一茶圃图像信息经由和绿篱机智能控制系统通信连接的智能摄像装置上传至系统时，需要对调用特征提取模型对第一茶圃图像信息进行特征提取，而特征提取模型优选的采用常用于机器视觉特征提取的基于卷积神经网络训练的智能化模型，区别仅在于训练数据的不同：通过将多组的茶圃图像信息设为输入训练数据，将多组的茶圃特征信息的标识信息设为输出监督数据，训练特征提取模型，由于茶圃信息易于获得，因此训练出的特征提取模型具有较高的准确性。
所述第一特征信息集合指的是将第一茶圃图像信息输入训练已达收敛的特征提取模型得到的输出信息，具体包括但不限于：表征第一茶圃形状、长宽、高度、面积、叶径朝向的第一茶圃几何特征信息；表征第一茶圃中多个茶圃的领接关系，第一茶圃几何特征信息中的邻接关系的第一茶圃拓扑特征信息等数据。
进一步的，第一茶圃几何特征信息存储形式优选为：
Figure DEST_PATH_IMAGE001
；
…
Figure DEST_PATH_IMAGE002
。其中，
Figure DEST_PATH_IMAGE003
…
Figure DEST_PATH_IMAGE004
表示第一茶圃到第m茶圃，
Figure DEST_PATH_IMAGE005
表示第一茶圃中的每个茶叶植株丛的几何特征，
Figure DEST_PATH_IMAGE006
表示几何特征的具体信息，示例性地如：形状、长宽、高度、面积、叶径朝向等信息。
更进一步的，第一茶圃拓扑特征信息存储形式优选为：
Figure DEST_PATH_IMAGE007
,
Figure DEST_PATH_IMAGE008
,…）；
Figure DEST_PATH_IMAGE009
,
Figure DEST_PATH_IMAGE010
,
Figure DEST_PATH_IMAGE011
)。其中，
Figure DEST_PATH_IMAGE012
表示第一茶圃中的每个茶叶植株丛之间的邻接及排序关系；
Figure DEST_PATH_IMAGE013
表示几何特征的具体信息之间的邻接及排序关系，给出的形式仅为示例，其余m-1个茶圃使用相同形式存储，统一格式便于存储调用。
通过将第一茶圃几何特征信息和第一茶圃拓扑特征信息优选的以如上自定义形式统一格式进行存储便于后步调用，为绿篱机的准确控制提供了全面的数据支持。
S300：根据所述第一茶圃几何特征信息对所述第一茶圃进行聚类分析，获得第一茶圃分区结果；
具体而言，所述第一茶圃分区结果指的是基于第一茶圃几何特征信息对第一茶圃中的所有茶叶植株丛进行聚类分析。聚类方式举不设限制的一例：将第一茶圃中的所有茶叶植株丛的第一茶圃几何特征信息两两进行比对计算差值，将小于预设差值的两个茶叶植株丛聚集为一类；将大于等于预设差值的聚集两类；当某个茶叶植株丛同时属于不同的类别时，则归属于差值更小的一类，其中，预设差值可依据实际工作情况自行设定。遍历第一茶圃，得到表征分类结果的所述第一茶圃分区结果，在每一个区中的所有茶叶植株丛之间的几何特征差值都小于预设差值，则可以使用相同的工作参数控制绿篱机进行工作。基于分区结果可以快速匹配相应的绿篱机工作参数。
S400：根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息；
具体而言，所述第一修剪路径信息指的是依据第一茶圃拓扑特征信息中存储的第一茶圃中各个茶叶植株丛之间的位置及邻接关系、多个茶圃之间的邻接关系对第一茶圃的修剪路径进行排序得到的结果。确定方式举不设限制的一例：确定绿篱机的工作起点及工作终点，将在工作起点及终点之间的茶圃对应的第一茶圃拓扑特征信息全部调用，并依据邻接关系进行排序，直到工作起点及终点之间的全部茶圃遍历完毕后结束，得到第一修剪路径信息。
进一步的，将第一茶圃分区结果和第一修剪路径信息进行匹配，便于后步在依据第一茶圃分区结果确定了绿篱机的工作参数之后也可以随第一修剪路径信息进行排序，在绿篱机处于相应路径位置时，将工作参数切换为和修剪路径匹配的值，提高了绿篱机工作执行的智能性。
S500：将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型，获得第一初始化参数集合；
具体而言，所述参数初始化模型指的是基于绿篱机工作的历史数据构建参数优化空间，再结合神经网络构建的智能化模型。构建方式举不设限制的一例：确定绿篱机的工作控制参数和第一茶圃分区结果对应的几何特征信息之间的映射关系，示例性地：不同高度、长度、宽度、形状对应于不同的工作控制参数（刀片转速、刀片高度、刀片角度、刀片间距、行进速度等），多个分区对应于多个映射关系，基于多个映射关系构建多维优化空间；每一维度优化空间对应于一个弱神经网络处理层，多维对应多个弱神经网络处理层，由于每一个弱神经网络处理层只需要处理一个相应的映射关系，数据偏向结构化且工作量较小，所以模型较容易收敛，每一个弱神经网络处理层使用对应维度优化空间的历史数据进行训练。
进一步的，当所有的弱神经网络处理层都收敛之后，根据第一修剪路径信息对映射关系进行排序，进而将和映射关系对应的多个弱神经网络处理层进行排序，而在实际工作时，每一个弱神经网络处理层的输出数据都是依赖于上一个排序的弱神经网络处理层输出数据进行调整的，进而得到了适用于第一茶圃修剪的绿篱机工作参数的生成强模型，将第一茶圃分区结果和第一修剪路径信息输入参数初始化模型，即可得到较准确的第一初始化参数集合，为绿篱机控制提供参考数据。
S600：将所述第一初始化参数集合发送至第一工作人员，获得第一反馈信息；
S700：当所述第一反馈信息显示允许执行时，根据所述第一初始化参数集合控制第一绿篱机执行工作。
具体而言，所述第一工作人员指的是绿篱机的终端控制人员，当第一初始化参数集合输出完成之后，将第一初始化参数集合发送至第一工作人员进行复核，第一工作人员可以在控制终端对第一初始化参数集合进行调整，一般适用于第一茶圃分区结果中的茶叶植株丛具有特殊修剪要求时，由第一工作人员进行添加。所述第一反馈信息指的是当第一工作人员对第一初始化参数集合进行复核完成之后发出的信息，包括执行时间节点和允许执行的信息；满足执行时间节点时，控制第一绿篱机依据第一初始化参数集合进行工作。通过机器学习生成第一初始化参数集合，相比依据人为经验判断具有更强的客观性及决策效率，达到了提高绿篱机控制的智能性的技术效果。
进一步的，所述方法步骤S200包括：
S210：对所述第一茶圃图像信息进行高度特征提取，获得第一茶圃高度信息；
S220：对所述第一茶圃图像信息进行宽度特征提取，获得第一茶圃宽度信息；
S230：对所述第一茶圃图像信息进行形状特征提取，获得第一茶圃形状特征信息；
S240：对所述第一茶圃图像信息进行叶径朝向特征提取，获得第一茶圃叶径朝向特征信息；
S250：将所述第一茶圃高度信息、所述第一茶圃宽度信息、所述第一茶圃形状特征信息和所述第一茶圃叶径朝向特征信息添加进所述第一茶圃几何特征信息。
具体而言，所述第一茶圃高度信息、所述第一茶圃宽度信息、所述第一茶圃形状特征信息和所述第一茶圃叶径朝向特征信息指的是使用步骤S200中的特征提取模型对第一茶圃图像信息分别进行高度、宽度、形状和叶径朝向特征提取得到的结果，示例性地：若是第一茶圃中包括三个茶叶植株丛分别为长方体，球体，梯形，则第一茶圃高度信息包括：长方体高度信息、球体垂直于地面的圆周到地面的所有高度、梯形垂直于地面的梯形面一周到地面的高度；第一茶圃宽度信息包括：长方体宽度信息、球体垂直于地面的圆周上平行于地面的所有线段长度、梯形垂直于地面的梯形面上平行于地面的所有线段长度；第一茶圃叶径朝向特征：长方体茶圃叶径朝向角度、球体茶圃叶径朝向角度和梯形茶圃叶径朝向角度；第一茶圃形状特征信息：长方体茶圃、球体茶圃、梯形茶圃。
将上述高度、宽度、形状和叶径朝向特征添加进第一茶圃几何特征信息，和第一绿篱机的控制参数相互对应：示例性地：茶叶的叶径长向趋势-刀具角度、茶叶高度-修剪高度、茶叶分布宽度-修剪宽度，在参数初始化模型构建完成后，即可输入第一茶圃几何特征信息即可匹配到适用于第一茶圃几何特征信息的第一绿篱机的控制参数具体值，进而可以依据控制参数具体值对第一绿篱机进行参数初始化，到达了自动化设定绿篱机控制参数的技术效果。
进一步的，所述方法步骤S200包括：
S260：对所述第一茶圃图像信息进行茶圃邻接关系特征提取，获得第一茶圃邻接关系特征信息；
S270：对所述第一茶圃图像信息进行排列顺序特征提取，获得第一茶圃排列顺序特征信息；
S280：将所述第一茶圃邻接关系特征信息和所述第一茶圃排列顺序特征信息添加进所述第一茶圃拓扑特征信息。
具体而言，所述第一茶圃邻接关系特征信息指的是从第一茶圃图像信息中提取的表征第一茶圃中的多个茶叶植株丛之间邻接关系的信息；所述第一茶圃排列顺序特征信息指的是从第一茶圃图像信息中提取的表征多个茶圃之间邻接关系的信息。进一步的，将第一茶圃邻接关系特征信息和第一茶圃排列顺序特征信息添加进第一茶圃拓扑特征信息。
通过第一茶圃拓扑特征信息可以对第一茶圃内部的多个茶叶植株丛的修剪顺序进行排序，多个茶圃之间的修剪顺序进行排序，继而规划修剪路径，更进一步可以将依据第一茶圃几何特征信息匹配的初始化参数集合基于第一茶圃拓扑特征信息排序，进而保障第一绿篱机的控制参数和修剪路径相互对应。
进一步的，所述根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息，步骤S400包括:
S410：根据所述第一茶圃拓扑特征信息对所述第一茶圃分区结果在第一方向上进行排序，获得第一排序结果；
S420：根据所述第一茶圃拓扑特征信息对所述第一分区排序结果在第二方向上进行排序，获得第二排序结果，其中，所述第二方向和所述第一方向互相垂直；
S430：获得第一茶圃修剪起点信息和第一茶圃修剪终点信息；
S440：基于所述第一茶圃修剪起点信息和所述第一茶圃修剪终点信息遍历所述第二排序结果，获得所述第一修剪路径信息。
具体而言，通过选用和第一茶圃平面平行且互相垂直的两个方向分别基于第一茶圃拓扑特征信息对第一茶圃分区结果排序，进而得到将第一茶圃中的所有茶叶植株丛的位置信息数据化，并具有排列顺序；则在确定茶圃修剪起点和茶圃修剪终点的前提下，即可依据排列顺序规划第一修剪路径信息。
所述第一排序结果指的是依据选用的一个方向结合第一茶圃拓扑特征信息对第一茶圃分区结果进行排序得到的结果；所述第二排序结果指的是依据选用的另一个方向结合第一茶圃拓扑特征信息在第一排序结果的基础上进行梳理，得到最终的排序结果。
由于第一茶圃分区结果中可能一个聚类中具有多个不同位置但是第一茶圃几何特征信息相近或者相同的茶叶植株丛，这就导致虽然它们的控制参数相同，但是使用时间不同，因此需要通过第二排序结果规划第一修剪路径信息，便于将不同位置的茶叶植株丛分离开，提高第一绿篱机的控制精准性。换言之：使用第一茶圃分区结果只是为提高参数初始化模型对于初始化参数集合的匹配效率，而在匹配完成后需要依据第一修剪路径信息对初始化参数集合进行调用设定的排序，从而生成第一初始化参数集合用于控制第一绿篱机执行工作，保障了第一绿篱机工作控制的精准性，其它m-1个茶圃处理方式同理，在此不多加赘述。
进一步的，基于所述将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型之前，步骤S500包括：
S510：根据所述第一茶圃分区结果，构建第一N维优化空间，其中，N表征所述第一茶圃分区结果的类别维度，N≥2；
S520：基于历史数据，根据第一控制参数集合和所述第一茶圃几何特征信息，构建第一映射关系；
S530：基于所述第一映射关系和所述第一N维优化空间，构建所述参数初始化模型。
具体而言，所述第一N维优化空间即为基于第一茶圃分区结果构建表征不同类型茶叶植株丛的虚拟空间，每一个维度对应于一个类别的茶叶植株丛，示例性地，若是第一茶圃分区结果具有长方体、球形、梯形三种，则N=3。
所述第一控制参数集合指的是第一绿篱机历史工作数据中使用过的控制参数集合；所述第一映射关系指的是基于第一绿篱机的工作历史数据将不同类型茶叶植株丛对应的第一茶圃几何特征信息和使用过的最优第一控制参数集合进行联立得到的结果，这个影响关系可以为线性的、非线性的，一般而言，由于第一茶圃几何特征信息和控制参数集合都为结构化数据，因此第一映射关系的确定是容易。
更进一步的，在第一N维优化空间中，可以对第一茶圃几何特征信息中历史数据中未出现的值进行扩展，而通过基于历史数据构建的第一映射关系可以确定第一茶圃几何特征信息中历史数据中未出现的值对应的第一控制参数集合的较优值，所以基于第一映射关系和第一N维优化空间构建参数初始化模型的框架，每一个映射关系和一个维度对应于一个弱的神经网络处理层，进而得到N个神经网络处理层，再结合历史数据调用和N个神经网络处理层一一对应的第一茶圃几何特征信息，作为标识信息的第一控制参数集合对N个神经网络处理层进行训练，训练完成后即可针对不同的第一茶圃几何特征信息对第一控制参数集合进行优化，保证了绿篱机控制参数自动设置的精准性。
进一步的，基于所述第一映射关系和所述第一N维优化空间，构建所述参数初始化模型，步骤S500包括：
S540：根据所述第一修剪路径信息对所述第一映射关系进行排序，获得第三排序结果；
S550：基于所述第三排序结果和所述第一N维优化空间，构建所述参数初始化模型。
具体而言，为了将N维的弱神经网络处理层联立集成得到参数初始化模型，在N维的弱神经网络处理层训练完成后，N维的第一映射关系对应于N维的弱神经网络处理层，对应于不同的输出信息；在第一修剪路径信息中可能不同位置的茶叶植株丛需要调用同一个映射关系，但是由于上一个茶叶植株丛无法确定，控制参数的调整基准不同，因此基于第一修剪路径信息对所述第一映射关系进行排序，可以将上一个茶叶植株丛对应映射关系的弱神经网络处理层的输出数据作为下一个茶叶植株丛对应映射关系的弱神经网络处理层的输出数据的调整基准，保障了对第一绿篱机的控制精准性。
通过第三排序结果集成多个N维的弱神经网络处理层，提高了参数初始化模型的数据处理智能性及准确性，且由于弱神经网络处理层的层数较少以及训练数据偏向于结构化数据，训练的效率较高。
进一步的，如图2所示，所述方法还包括步骤S800：
S810：获得所述第一绿篱机的第一工况信息，其中，所述第一工况信息包括第一轴承温度信息和第一刀片转速信息；
S820：当所述第一轴承温度信息不满足于预设温度信息，获得第一调整指令；
S830：通过所述第一调整指令控制所述第一绿篱机调整所述第一刀片转速信息。
具体而言，在第一绿篱机开始工作之后，为了保障第一绿篱机工作稳定进行且提高第一绿篱机的工作寿命，需要对第一绿篱机的工况信息进行监控，优选的以所述第一工况信息中的第一轴承温度信息和第一刀片转速信息进行举例。
第一绿篱机的轴承温度的主导因素便是第一刀片转速信息，当第一刀片转速越快，则轴承温度一般越高；当第一刀片转速越慢，则轴承温度一般越低。所述预设温度信息指的是第一工作人员自定义的第一绿篱机可承受的温度最高阈值，一般低于第一绿篱机的工作额定温度。
将使用温度传感器实时采集的第一轴承温度信息和第一绿篱机的预设温度信息进行比对，若是第一轴承温度信息大于等于预设温度信息，则通过第一调整指令控制第一绿篱机降低第一刀片转速信息，避免造成第一绿篱机过载，保障第一绿篱机的工作安全。
综上所述，本申请实施例所提供的种用于茶叶修剪的绿篱机智能控制方法及系统具有如下技术效果：
1.本申请实施例通过对待修剪的茶圃图像信息分析提取茶圃几何特征和茶圃拓扑特征；依据茶圃几何特征对茶圃分类，再根据茶圃拓扑特征将分类结果进行排序，得到修剪路径信息，根据分类结果和路径信息结合参数初始化模型对绿篱机的控制参数分析得到初始化数据；将初始化数据反馈至工作人员确定之后，依据初始化数据对绿篱机设定并控制，实现了依据待修剪茶圃信息设定初始参数，相比人为设定客观性更强，达到了对绿篱机的控制更加准确的技术效果。
2.通过将使用温度传感器实时采集的第一轴承温度信息和第一绿篱机的预设温度信息进行比对，若是第一轴承温度信息大于等于预设温度信息，则通过第一调整指令控制第一绿篱机降低第一刀片转速信息，避免造成第一绿篱机过载，保障第一绿篱机的工作安全
实施例二
基于与前述实施例中一种用于茶叶修剪的绿篱机智能控制方法相同的发明构思，如图3所示，本申请实施例提供了一种用于茶叶修剪的绿篱机智能控制系统，所述系统包括：
第一获得单元11，所述第一获得单元11用于获得第一茶圃图像信息，其中，所述第一茶圃为待修剪的茶圃；
第二获得单元12，所述第二获得单元12用于对所述第一茶圃图像信息进行特征提取，获得第一特征信息集合，其中，所述第一特征信息集合包括第一茶圃几何特征信息和第一茶圃拓扑特征信息；
第一处理单元13，所述第一处理单元13用于根据所述第一茶圃几何特征信息对所述第一茶圃进行聚类分析，获得第一茶圃分区结果；
第二处理单元14，所述第二处理单元14用于根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息；
第三处理单元15，所述第三处理单元15用于将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型，获得第一初始化参数集合；
第四处理单元16，所述第四处理单元16用于将所述第一初始化参数集合发送至第一工作人员，获得第一反馈信息；
第一执行单元17，所述第一执行单元17用于当所述第一反馈信息显示允许执行时，根据所述第一初始化参数集合控制第一绿篱机执行工作。
进一步的，所述系统还包括：
第三获得单元，所述第三获得单元用于对所述第一茶圃图像信息进行高度特征提取，获得第一茶圃高度信息；
第四获得单元，所述第四获得单元用于对所述第一茶圃图像信息进行宽度特征提取，获得第一茶圃宽度信息；
第五获得单元，所述第五获得单元用于对所述第一茶圃图像信息进行形状特征提取，获得第一茶圃形状特征信息；
第六获得单元，所述第六获得单元用于对所述第一茶圃图像信息进行叶径朝向特征提取，获得第一茶圃叶径朝向特征信息；
第一添加单元，所述第一添加单元用于将所述第一茶圃高度信息、所述第一茶圃宽度信息、所述第一茶圃形状特征信息和所述第一茶圃叶径朝向特征信息添加进所述第一茶圃几何特征信息。
进一步的，所述系统还包括：
第七获得单元，所述第七获得单元用于对所述第一茶圃图像信息进行茶圃邻接关系特征提取，获得第一茶圃邻接关系特征信息；
第八获得单元，所述第八获得单元用于对所述第一茶圃图像信息进行排列顺序特征提取，获得第一茶圃排列顺序特征信息；
第二添加单元，所述第二添加单元用于将所述第一茶圃邻接关系特征信息和所述第一茶圃排列顺序特征信息添加进所述第一茶圃拓扑特征信息。
进一步的，所述系统还包括:
第一排序单元，所述第一排序单元用于根据所述第一茶圃拓扑特征信息对所述第一茶圃分区结果在第一方向上进行排序，获得第一排序结果；
第二排序单元，所述第二排序单元用于根据所述第一茶圃拓扑特征信息对所述第一分区排序结果在第二方向上进行排序，获得第二排序结果，其中，所述第二方向和所述第一方向互相垂直；
第九获得单元，所述第九获得单元用于获得第一茶圃修剪起点信息和第一茶圃修剪终点信息；
第十获得单元，所述第十获得单元用于基于所述第一茶圃修剪起点信息和所述第一茶圃修剪终点信息遍历所述第二排序结果，获得所述第一修剪路径信息。
进一步的，所述系统还包括：
第一构建单元，所述第一构建单元用于根据所述第一茶圃分区结果，构建第一N维优化空间，其中，N表征所述第一茶圃分区结果的类别维度，N≥2；
第二构建单元，所述第二构建单元用于基于历史数据，根据第一控制参数集合和所述第一茶圃几何特征信息，构建第一映射关系；
第三构建单元，所述第三构建单元用于基于所述第一映射关系和所述第一N维优化空间，构建所述参数初始化模型。
进一步的，所述系统还包括：
第三排序单元，所述第三排序单元用于根据所述第一修剪路径信息对所述第一映射关系进行排序，获得第三排序结果；
第四构建单元，所述第四构建单元用于基于所述第三排序结果和所述第一N维优化空间，构建所述参数初始化模型。
进一步的，所述系统还包括：
第十一获得单元，所述第十一获得单元用于获得所述第一绿篱机的第一工况信息，其中，所述第一工况信息包括第一轴承温度信息和第一刀片转速信息；
第十二获得单元，所述第十二获得单元用于当所述第一轴承温度信息不满足于预设温度信息，获得第一调整指令；
第一调整单元，所述第一调整单元用于通过所述第一调整指令控制所述第一绿篱机调整所述第一刀片转速信息。
示例性电子设备
下面参考图4来描述本申请实施例的电子设备，
基于与前述实施例中一种用于茶叶修剪的绿篱机智能控制方法相同的发明构思，本申请实施例还提供了一种用于茶叶修剪的绿篱机智能控制系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的系统，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdisc
read-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种用于茶叶修剪的绿篱机智能控制方法。
本申请实施例提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一任一项所述的方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
本申请实施例通过提供了一种用于茶叶修剪的绿篱机智能控制方法及系统，解决了现有技术中由于依赖于人为设定绿篱机工作参数，导致存在参数设定结果不稳定性较强的技术问题。通过对待修剪的茶圃图像信息分析提取茶圃几何特征和茶圃拓扑特征；依据茶圃几何特征对茶圃分类，再根据茶圃拓扑特征将分类结果进行排序，得到修剪路径信息，根据分类结果和路径信息结合参数初始化模型对绿篱机的控制参数分析得到初始化数据；将初始化数据反馈至工作人员确定之后，依据初始化数据对绿篱机设定并控制，实现了依据待修剪茶圃信息设定初始参数，相比人为设定客观性更强，达到了对绿篱机的控制更加准确的技术效果。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a ,b,c,a -b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指
令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑系统，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (10)

1.一种用于茶叶修剪的绿篱机智能控制方法，其特征在于，所述方法应用于一种用于茶叶修剪的绿篱机智能控制系统，所述方法包括：
获得第一茶圃图像信息，其中，所述第一茶圃为待修剪的茶圃；
对所述第一茶圃图像信息进行特征提取，获得第一特征信息集合，其中，所述第一特征信息集合包括第一茶圃几何特征信息和第一茶圃拓扑特征信息；
根据所述第一茶圃几何特征信息对所述第一茶圃进行聚类分析，获得第一茶圃分区结果；
根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息；
将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型，获得第一初始化参数集合；
将所述第一初始化参数集合发送至第一工作人员，获得第一反馈信息；
当所述第一反馈信息显示允许执行时，根据所述第一初始化参数集合控制第一绿篱机执行工作。
2.如权利要求1所述的方法，其特征在于，所述方法包括：
对所述第一茶圃图像信息进行高度特征提取，获得第一茶圃高度信息；
对所述第一茶圃图像信息进行宽度特征提取，获得第一茶圃宽度信息；
对所述第一茶圃图像信息进行形状特征提取，获得第一茶圃形状特征信息；
对所述第一茶圃图像信息进行叶径朝向特征提取，获得第一茶圃叶径朝向特征信息；
将所述第一茶圃高度信息、所述第一茶圃宽度信息、所述第一茶圃形状特征信息和所述第一茶圃叶径朝向特征信息添加进所述第一茶圃几何特征信息。
3.如权利要求1所述的方法，其特征在于，所述方法包括：
对所述第一茶圃图像信息进行茶圃邻接关系特征提取，获得第一茶圃邻接关系特征信息；
对所述第一茶圃图像信息进行排列顺序特征提取，获得第一茶圃排列顺序特征信息；
将所述第一茶圃邻接关系特征信息和所述第一茶圃排列顺序特征信息添加进所述第一茶圃拓扑特征信息。
4.如权利要求1所述的方法，其特征在于，所述根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息，包括:
根据所述第一茶圃拓扑特征信息对所述第一茶圃分区结果在第一方向上进行排序，获得第一排序结果；
根据所述第一茶圃拓扑特征信息对所述第一分区排序结果在第二方向上进行排序，获得第二排序结果，其中，所述第二方向和所述第一方向互相垂直；
获得第一茶圃修剪起点信息和第一茶圃修剪终点信息；
基于所述第一茶圃修剪起点信息和所述第一茶圃修剪终点信息遍历所述第二排序结果，获得所述第一修剪路径信息。
5.如权利要求1所述的方法，其特征在于，所述将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型之前，包括：
根据所述第一茶圃分区结果，构建第一N维优化空间，其中，N表征所述第一茶圃分区结果的类别维度，N≥2；
基于历史数据，根据第一控制参数集合和所述第一茶圃几何特征信息，构建第一映射关系；
基于所述第一映射关系和所述第一N维优化空间，构建所述参数初始化模型。
6.如权利要求5所述的方法，其特征在于，所述基于所述第一映射关系和所述第一N维优化空间，构建所述参数初始化模型，包括：
根据所述第一修剪路径信息对所述第一映射关系进行排序，获得第三排序结果；
基于所述第三排序结果和所述第一N维优化空间，构建所述参数初始化模型。
7.如权利要求1所述的方法，其特征在于，所述方法还包括：
获得所述第一绿篱机的第一工况信息，其中，所述第一工况信息包括第一轴承温度信息和第一刀片转速信息；
当所述第一轴承温度信息不满足于预设温度信息，获得第一调整指令；
通过所述第一调整指令控制所述第一绿篱机调整所述第一刀片转速信息。
8.一种用于茶叶修剪的绿篱机智能控制系统，其特征在于，所述系统包括：
第一获得单元，所述第一获得单元用于获得第一茶圃图像信息，其中，所述第一茶圃为待修剪的茶圃；
第二获得单元，所述第二获得单元用于对所述第一茶圃图像信息进行特征提取，获得第一特征信息集合，其中，所述第一特征信息集合包括第一茶圃几何特征信息和第一茶圃拓扑特征信息；
第一处理单元，所述第一处理单元用于根据所述第一茶圃几何特征信息对所述第一茶圃进行聚类分析，获得第一茶圃分区结果；
第二处理单元，所述第二处理单元用于根据所述第一茶圃拓扑特征信息对修剪路径进行规划，获得第一修剪路径信息；
第三处理单元，所述第三处理单元用于将所述第一茶圃分区结果和所述第一修剪路径信息输入参数初始化模型，获得第一初始化参数集合；
第四处理单元，所述第四处理单元用于将所述第一初始化参数集合发送至第一工作人员，获得第一反馈信息；
第一执行单元，所述第一执行单元用于当所述第一反馈信息显示允许执行时，根据所述第一初始化参数集合控制第一绿篱机执行工作。
9.一种用于茶叶修剪的绿篱机智能控制系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，其特征在于，当所述程序被所述处理器执行时，使系统以执行如1至7任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1~7中任一项所述的方法。
CN202210069485.4A 2022-01-21 2022-01-21 一种用于茶叶修剪的绿篱机智能控制方法及系统 Active CN114371717B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210069485.4A CN114371717B (zh) 2022-01-21 2022-01-21 一种用于茶叶修剪的绿篱机智能控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210069485.4A CN114371717B (zh) 2022-01-21 2022-01-21 一种用于茶叶修剪的绿篱机智能控制方法及系统

Publications (2)

Publication Number Publication Date
CN114371717A true CN114371717A (zh) 2022-04-19
CN114371717B CN114371717B (zh) 2023-04-25

Family

ID=81146741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210069485.4A Active CN114371717B (zh) 2022-01-21 2022-01-21 一种用于茶叶修剪的绿篱机智能控制方法及系统

Country Status (1)

Country Link
CN (1) CN114371717B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183250A (zh) * 2011-01-14 2011-09-14 湖南农业大学 一种农业机械的田间道路自动导航定位装置及方法
CN106970615A (zh) * 2017-03-21 2017-07-21 西北工业大学 一种深度强化学习的实时在线路径规划方法
US20200229344A1 (en) * 2019-01-21 2020-07-23 Aukey Technology Co., Ltd Visual obstacle avoidance method for robot mower, robot, control device, and storage medium
CN113536958A (zh) * 2021-06-23 2021-10-22 华南农业大学 导航路径提取方法、装置、农业机器人和存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102183250A (zh) * 2011-01-14 2011-09-14 湖南农业大学 一种农业机械的田间道路自动导航定位装置及方法
CN106970615A (zh) * 2017-03-21 2017-07-21 西北工业大学 一种深度强化学习的实时在线路径规划方法
US20200229344A1 (en) * 2019-01-21 2020-07-23 Aukey Technology Co., Ltd Visual obstacle avoidance method for robot mower, robot, control device, and storage medium
CN113536958A (zh) * 2021-06-23 2021-10-22 华南农业大学 导航路径提取方法、装置、农业机器人和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
赵博;朱忠祥;宋正河;谢斌;毛恩荣;: "农用车辆视觉导航路径识别方法" *
郭翰林;林建;张翔;: "基于HSV空间再生稻植株与土壤背景图像分割" *

Also Published As

Publication number Publication date
CN114371717B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN109541997B (zh) 一种面向平面/近似平面工件的喷涂机器人快速智能编程方法
CN110363861B (zh) 基于激光雷达点云的田地作物三维重构方法
CN111256700B (zh) 用于自动驾驶农机作业路径规划的收边规划方法
EP3562298B1 (en) Information processing device, water-supply system, information processing system and program
US20190320580A1 (en) Work machine, control device and control program
CN109166145A (zh) 一种基于聚类分割的果树叶片生长参数提取方法及系统
CN106503741A (zh) 植物种类的识别方法、识别装置和服务器
CN111967441A (zh) 一种基于深度学习的农作物病害分析方法
CN111950589B (zh) 结合K-means聚类的点云区域生长优化分割方法
CN114371717B (zh) 一种用于茶叶修剪的绿篱机智能控制方法及系统
CN111666946A (zh) 基于点云过分割与面片生长的植株点云单叶片分割方法
CN114693855A (zh) 一种点云数据的处理方法和装置
CN107291958A (zh) 航拍数据及位置处理方法、处理系统和无人飞行器
CN106489687A (zh) 灌溉装置的控制方法和控制装置
CN114303581A (zh) 一种智能割草机、行走路径规划方法、装置及存储介质
CN116468102A (zh) 刀具图像分类模型剪枝方法、装置、计算机设备
US11119481B2 (en) Method for setting parameters in an autonomous working device and an autonomous working device
CN108205721B (zh) 基于聚类的样条插值典型日负荷曲线选取装置
CN115311587A (zh) 一种光伏电站巡检航点的智能生成方法
CN117010538A (zh) 一种用于农机服务资源备件预测的方法及系统
CN111191505A (zh) 基于智慧社区的园林自动修整方法及系统
CN109684424B (zh) 基于离散特征线的地貌数据快速生成与优化方法
CN108958240B (zh) 一种收割方法
CN116522183B (zh) 基于种子聚类的子类中心点特征提取方法、系统及设备
CN114313882A (zh) 一种化纤生产自动化运输系统及方法

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