CN114842366B - 一种农业植保无人机稳定性识别方法 - Google Patents

一种农业植保无人机稳定性识别方法 Download PDF

Info

Publication number
CN114842366B
CN114842366B CN202210780545.3A CN202210780545A CN114842366B CN 114842366 B CN114842366 B CN 114842366B CN 202210780545 A CN202210780545 A CN 202210780545A CN 114842366 B CN114842366 B CN 114842366B
Authority
CN
China
Prior art keywords
aerial vehicle
unmanned aerial
image
spectrogram
plant protection
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.)
Active
Application number
CN202210780545.3A
Other languages
English (en)
Other versions
CN114842366A (zh
Inventor
孙群
高靖轩
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.)
Shandong Zhongyu Aviation Technology Development Co ltd
Original Assignee
Shandong Zhongyu Aviation Technology Development Co ltd
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 Shandong Zhongyu Aviation Technology Development Co ltd filed Critical Shandong Zhongyu Aviation Technology Development Co ltd
Priority to CN202210780545.3A priority Critical patent/CN114842366B/zh
Publication of CN114842366A publication Critical patent/CN114842366A/zh
Application granted granted Critical
Publication of CN114842366B publication Critical patent/CN114842366B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种农业植保无人机稳定性识别方法，属于智能识别技术领域；包括以下步骤：通过无人机获取俯视图像，将所述俯视图像灰度化处理获取灰度图；根据灰度图进行傅里叶变换获取频谱图；获取多个二值图像；获取优选度最大的二值图像，即为最优频谱二值图；获取最优频谱二值图中每个像素点的边缘率；根据椭圆的长半轴尺寸和短半轴尺寸获取无人机稳定性指标；根据无人机稳定性指标判断无人机在飞行过程中的稳定性。发明通过在农业植保无人机上搭载相机，拍摄农业植保无人机下方的图像，将图像转换为频谱图，并对图像频谱图进行特征抽取，识别农业植保无人机的稳定性。

Description

一种农业植保无人机稳定性识别方法
技术领域
本发明涉及智能识别技术领域，具体涉及一种农业植保无人机稳定性识别方法。
背景技术
农业植保无人机是用于农林植物保护作业的无人驾驶飞机，通过地面遥控或导航飞控，来实现喷洒作业，可以喷洒药剂、种子、粉剂等。农业植保无人机喷洒农药、种子、粉剂的效率是传统人工的30倍。同时通过农业植保无人机远距离操控施药大大提高了农药喷洒的安全性。
但在农业植保无人机喷洒药剂、种子、粉剂的过程中，若农业植保无人机不稳定，产生晃动，可能会导致药剂、种子、粉剂未喷洒到指定的位置，从而影响农作物的生长，甚至危害环境。因此需要在农业植保无人机出厂投入使用前，需要对农业植保无人机进行稳定性识别。
目前，无人机稳定性可利用无人机搭载相机设备拍摄图像不同方向上模糊程度来识别，图像不同方向的模糊程度可结合频谱中不同方向频率大小识别。但在图像中可能存在周期性纹理对不同方向频率大小识别造成干扰，从而影响图像不同方向上模糊程度的识别结果。
发明内容
本发明提供一种农业植保无人机稳定性识别方法，该方法通过在农业植保无人机上搭载相机，拍摄农业植保无人机下方的图像，将图像转换为频谱图，并对图像频谱图进行特征抽取，识别农业植保无人机的稳定性。
本发明的目的是提供一种农业植保无人机稳定性识别方法，包括以下步骤：
通过无人机获取俯视图像，将所述俯视图像灰度化处理获取灰度图；
根据灰度图进行傅里叶变换获取频谱图；
根据频谱图中不同灰度值作为阈值对频谱图进行阈值分割获取多个二值图像；
根据每个二值图像中所有非孤立像素点的个数获取每个二值图像的优选度，并获取最大优选度对应的二值图像，即为最优频谱二值图；
以最优频谱二值图的中心点为原点，以横向为
Figure 328793DEST_PATH_IMAGE001
轴，以纵向为
Figure 42671DEST_PATH_IMAGE002
轴建立坐标系；
根据最优频谱二值图中每个像素点至原点的距离，及原点到每个像素点方向上的邻域像素点个数，获取最优频谱二值图中每个像素点的边缘率；
获取原点至每个方向上边缘率最大的像素点，依次将每个方向上边缘率最大的像素点作为椭圆边缘点；
利用最小二乘法对椭圆边缘点进行椭圆拟合，获取椭圆方程；根据椭圆方程获取椭圆的长半轴尺寸和短半轴尺寸；根据椭圆的长半轴尺寸和短半轴尺寸获取无人机稳定性指标；
根据无人机稳定性指标判断无人机在飞行过程中的稳定性。
在一实施例中，对频谱图进行阈值分割获取二值图像的过程中，将大于阈值的像素点灰度值置为
Figure 901037DEST_PATH_IMAGE003
，将小于阈值的像素点灰度值置为
Figure 358563DEST_PATH_IMAGE004
。
在一实施例中，所述非孤立像素点是按照以下步骤获取：
通过统计灰度值为1的像素点的八邻域内灰度值为1的像素点的个数，当八邻域内灰度值为1的像素点数量＞2，则判断该像素点是非孤立像素点。
在一实施例中，每个二值图像的优选度计算公式如下：
Figure 100002_DEST_PATH_IMAGE005
式中，
Figure 720405DEST_PATH_IMAGE006
为第
Figure 870764DEST_PATH_IMAGE007
个二值图像的优选度；
Figure 968424DEST_PATH_IMAGE008
为二值图中像素点的个数；
Figure 495221DEST_PATH_IMAGE009
为二值图的面积；
Figure 586936DEST_PATH_IMAGE010
是第
Figure 908196DEST_PATH_IMAGE007
个二值图像上第
Figure 741154DEST_PATH_IMAGE011
个点的函数为：
Figure 743745DEST_PATH_IMAGE012
Figure 100002_DEST_PATH_IMAGE013
为第
Figure 142496DEST_PATH_IMAGE007
个二值图像上第
Figure 385390DEST_PATH_IMAGE011
个灰度值为1的像素点八邻域内灰度值为1的像素点的个数；
Figure 95857DEST_PATH_IMAGE014
为所有非孤立像素点的个数。
在一实施例中，所述建立坐标系中，最优频谱二值图上点的
Figure 184030DEST_PATH_IMAGE001
轴坐标表示
Figure 296342DEST_PATH_IMAGE001
方向上的频谱大小，
Figure 693825DEST_PATH_IMAGE002
轴坐标表示
Figure 495516DEST_PATH_IMAGE002
方向上的频谱大小。
在一实施例中，每个像素点的边缘率计算公式如下：
Figure 902227DEST_PATH_IMAGE015
式中，
Figure 478833DEST_PATH_IMAGE016
为第
Figure 453742DEST_PATH_IMAGE011
个像素点的边缘率；
Figure 100002_DEST_PATH_IMAGE017
为第
Figure 76484DEST_PATH_IMAGE011
个像素点到原点的距离；
Figure 162252DEST_PATH_IMAGE018
为原点到第
Figure 842632DEST_PATH_IMAGE011
个像素点方向上第
Figure 863809DEST_PATH_IMAGE019
个像素点八邻域内像素点的个数；
Figure 629639DEST_PATH_IMAGE020
为第
Figure 253519DEST_PATH_IMAGE011
个像素点八邻域内像素点的个数；
Figure 804717DEST_PATH_IMAGE021
为原点到第
Figure 511642DEST_PATH_IMAGE011
个像素点之间的点的连续度；
Figure 640135DEST_PATH_IMAGE022
用于将
Figure 943071DEST_PATH_IMAGE017
归一化，
Figure 332464DEST_PATH_IMAGE023
为归一化系数，为二值图中所有像素点到原点距离的均值。
在一实施例中，所述无人机稳定性指标计算公式如下：
Figure 492181DEST_PATH_IMAGE024
式中，
Figure 717758DEST_PATH_IMAGE025
为无人机稳定性指标；
Figure 73653DEST_PATH_IMAGE026
为图像大小，
Figure 100002_DEST_PATH_IMAGE027
为椭圆长半轴尺寸，
Figure 328004DEST_PATH_IMAGE028
为椭圆短半轴尺寸；其中，图像大小为
Figure 596306DEST_PATH_IMAGE029
。
在一实施例中，判断无人机在飞行过程中的稳定性过程中，设置阈值
Figure 637074DEST_PATH_IMAGE030
，并取
Figure 265501DEST_PATH_IMAGE031
；
当无人机稳定性指标
Figure 708115DEST_PATH_IMAGE032
时，表示无人机飞行稳定；
当无人机稳定性指标
Figure 271952DEST_PATH_IMAGE033
时，表示无人机在飞行过程中晃动。
在一实施例中，所述频谱图中不同灰度值是按照以下步骤获取：
统计频谱图中所有灰度值及个数，绘制灰度直方图，并对灰度直方图进行平滑处理，采用最小二乘法对灰度直方图进行高斯分布拟合，得到高斯分布的均值
Figure 472120DEST_PATH_IMAGE034
与标准差
Figure 169818DEST_PATH_IMAGE035
参数；
将以
Figure 139042DEST_PATH_IMAGE036
区间内的灰度值作为阈值对频谱图进行阈值分割。
在一实施例中，获取的频谱图还经以下操作：
将频谱图进行中心化操作，使得频率最低的点位于频谱图的中心，频率高的点位于频谱图的四周。
本发明的有益效果是：
本发明提供的一种农业植保无人机稳定性识别方法，该方法通过在农业植保无人机上搭载相机，拍摄农业植保无人机下方的图像，将图像转换为频谱图，并对图像频谱图进行特征抽取，识别农业植保无人机的稳定性。
本发明结合农业植保无人机搭载相机捕获图像识别农业植保无人机的稳定性，与利用相机捕获农业植保无人机飞行视频或利用机关雷达探测方法相比，节省人力物力，效率更高。同时利用图像频谱图抽取出图像不同方向的模糊特征，相比结合图像特征利用常规图像处理的方法，更加简单便捷，且结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的一种农业植保无人机稳定性识别方法的实施例总体步骤的流程示意图。
图2为灰度图经傅里叶变换获取的频谱图。
图3为不同阈值的频谱二值图。
具体实施方式
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，所描述的实施例仅仅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。
本发明针对农业植保无人机在喷洒药剂、种子、粉剂等的过程中，若飞行不稳定，则会造成药剂、种子、粉剂喷洒至其他地方，造成药剂、种子、粉剂的浪费，影响农作物的生长，同时可能会污染环境。因此，在农业植保无人机出厂使用之前，需要进行农业植保无人机稳定性识别。本发明通过在农业植保无人机上搭载相机，拍摄农业植保无人机下方的图像，将图像转换为频谱图，并对图像频谱图进行特征抽取，识别农业植保无人机的稳定性。
本发明结合农业植保无人机搭载相机捕获图像识别农业植保无人机的稳定性，与利用相机捕获农业植保无人机飞行视频或利用机关雷达探测方法相比，节省人力物力，效率更高。同时利用图像频谱图抽取出图像不同方向的模糊特征，相比结合图像特征利用常规图像处理的方法，更加简单便捷，且结果更加准确。
本发明提供的一种农业植保无人机稳定性识别方法，参见图1所示，包括以下步骤：
S1、通过无人机获取俯视图像，将俯视图像灰度化处理获取灰度图；
需要说明的是，农业植保无人机在飞行过程中可能受农业植保无人机本身的大小尺寸、重量、平衡性能、软件算法、外部环境的影响导致农业植保无人机晃动；
在本实施例中，利用无人机自带的相机设备、电子计算设备来识别出无人机的稳定性。在农业植保无人机底部搭载RGB相机设备，在农业植保无人机匀速飞行过程中拍摄农业植保无人机下方的俯视图像，图像大小为
Figure 263993DEST_PATH_IMAGE029
；
无人机搭载的电子计算设备是由嵌入式系统构成，能够读取相机设备的图像数据，通过分析抽取与分析图像方向模糊特征来识别农业植保无人机的稳定性；
为便于分析，电子计算设备将拍摄的RGB图像转换为灰度图，记为图像
Figure 76091DEST_PATH_IMAGE037
。
S2、根据灰度图进行傅里叶变换获取频谱图；获取的频谱图还将频谱图进行中心化操作，使得频率最低的点位于频谱图的中心，频率高的点位于频谱图的四周。
需要说明的是，图像
Figure 328212DEST_PATH_IMAGE037
在农业植保无人机飞行过程中获得，则图像
Figure 666789DEST_PATH_IMAGE037
在农业植保无人机飞行方向上会产生运动模糊；但若农业植保无人机在飞行过程中晃动，则图像
Figure 713374DEST_PATH_IMAGE037
在其他方向也会产生晃动导致的运动模糊；为分析各个方向上的运动模糊情况，可将图像转化为频谱图进行分析。
在本实施例中，通过电子计算设备对图像
Figure 12768DEST_PATH_IMAGE037
进行傅里叶变换，得到频谱图；并将频谱图进行中心化操作，使得频率最低的点位于频谱图的中心，频率高的点位于频谱图的四周，参见图2所示；频谱图大小与图像
Figure 52268DEST_PATH_IMAGE037
的大小一致，均为
Figure 318121DEST_PATH_IMAGE038
大小。
S3、根据频谱图中灰度值作为阈值对频谱图进行阈值分割获取二值图像；依次根据频谱图中不同的灰度值作为阈值获取多个二值图像；对频谱图进行阈值分割获取二值图像的过程中，将大于阈值的像素点灰度值置为
Figure 660241DEST_PATH_IMAGE003
，将小于阈值的像素点灰度值置为
Figure 322298DEST_PATH_IMAGE004
；
根据每个二值图像中所有非孤立像素点的个数获取每个二值图像的优选度，并获取最大优选度对应的二值图像，即为最优频谱二值图；
频谱图上每个像素点的坐标表示该像素点频率的大小，亮度表示该频率参与图像的程度。图像背景或者变化缓慢的区域，灰度值分布较为平坦，此为低频分量；图像边缘、细节部分的像素灰度在空间的变化非常剧烈，此为高频分量。
对于一幅图像，其低频分量最强，频谱图中心最亮；若图像边缘、细节较为清晰，则高频分量参与图像的程度较大，即频谱图中频率较大的地方较亮；若图像较为模糊，边缘、细节不清晰，则高频分量参与图像的程度较小，频谱图中频率较大的地方较暗。对频谱图进行阈值分割，获取参与图像较大程度的频率分量。
统计频谱图中出现的所有灰度值及个数，绘制灰度直方图，对灰度直方图进行平滑处理，采用最小二乘法对灰度直方图进行高斯分布拟合，得到高斯分布的均值
Figure 634330DEST_PATH_IMAGE034
与标准差
Figure 698232DEST_PATH_IMAGE035
参数。高斯分布自变量分布在
Figure 335887DEST_PATH_IMAGE036
范围内的概率为0.68，因此可认为频谱图中大部分灰度值分布在该区间内。处于
Figure 609874DEST_PATH_IMAGE039
区间内的灰度值较小，认为此些灰度值对应的频率参与图像的程度非常小。处于
Figure 741909DEST_PATH_IMAGE040
区间内的灰度值较大，认为此些灰度值对应的频谱参与图像的程度非常大。
Figure 175164DEST_PATH_IMAGE036
区间内灰度值对应的频谱参与图像的程度较
Figure 859086DEST_PATH_IMAGE039
区间大，较
Figure 230156DEST_PATH_IMAGE040
小。
在本实施例中，为获取参与图像较大程度的频率分量，以
Figure 415150DEST_PATH_IMAGE036
区间内每个灰度值作为阈值对频谱图进行阈值分割，将大于阈值的像素点灰度值置为
Figure 188065DEST_PATH_IMAGE003
（白色），将小于阈值的像素点灰度值置为
Figure 42888DEST_PATH_IMAGE004
（黑色），将图像转换为二值图像。将黑色的部分视为二值图的背景，白色的视为二值图上的亮点；参见图3所示，不同阈值的频谱二值图，在本实施例中列举了四种阈值对应的频谱二值图。
每个二值图像的优选度计算公式如下：
Figure 416101DEST_PATH_IMAGE005
式中，
Figure 889939DEST_PATH_IMAGE006
为第
Figure 766628DEST_PATH_IMAGE007
个二值图像的优选度；
Figure 57932DEST_PATH_IMAGE008
为二值图中像素点的个数；
Figure 403594DEST_PATH_IMAGE009
为二值图的面积；
Figure 930390DEST_PATH_IMAGE010
是第
Figure 429896DEST_PATH_IMAGE007
个二值图像上第
Figure 892101DEST_PATH_IMAGE011
个点的函数为：
Figure 974327DEST_PATH_IMAGE012
Figure 524388DEST_PATH_IMAGE013
为第
Figure 375669DEST_PATH_IMAGE007
个二值图像上第
Figure 274355DEST_PATH_IMAGE011
个灰度值为1的像素点八邻域内灰度值为1的像素点的个数；
Figure 329030DEST_PATH_IMAGE014
为所有非孤立像素点的个数，用来表示二值图中亮度集中区域的面积；
Figure 197629DEST_PATH_IMAGE041
用于将
Figure 919728DEST_PATH_IMAGE014
归一化，
Figure 786053DEST_PATH_IMAGE042
为归一化系数；
Figure 328024DEST_PATH_IMAGE043
为孤立点的个数，
Figure 314DEST_PATH_IMAGE044
为孤立点的比例，用来表示二值图像中亮度区域的分散度；
Figure 701554DEST_PATH_IMAGE045
为
Figure 286250DEST_PATH_IMAGE044
的负相关函数，用来表示亮度区域的集中度；当亮度集中区域面积越大，同时亮度越集中，而二值如下分割的效果越好。
需要说明的是，非孤立像素点是按照以下步骤获取：
通过统计灰度值为1的像素点的八邻域内灰度值为1的像素点的个数，当八邻域内灰度值为1的像素点数量＞2，则判断该像素点是非孤立像素点。
同理获取所有二值图像的优选度，以其中优选度最大的二值图像作为最优频谱二值图。
S4、以最优频谱二值图的中心点为原点，以横向为
Figure 830364DEST_PATH_IMAGE001
轴，以纵向为
Figure 791498DEST_PATH_IMAGE002
轴建立坐标系；其中，最优频谱二值图上点的
Figure 612823DEST_PATH_IMAGE001
轴坐标表示
Figure 883268DEST_PATH_IMAGE001
方向上的频谱大小，
Figure 399831DEST_PATH_IMAGE002
轴坐标表示
Figure 23710DEST_PATH_IMAGE002
方向上的频谱大小；
根据最优频谱二值图中每个像素点至原点的距离，及原点到每个像素点方向上的邻域像素点个数，获取最优频谱二值图中每个像素点的边缘率；
获取原点至每个方向上边缘率最大的像素点，依次将每个方向上边缘率最大的像素点作为椭圆边缘点；
在本实施例中，上述获取了最优频谱二值图像，以最优频谱二值图中心点为原点，以横向为
Figure 824176DEST_PATH_IMAGE001
轴，以轴向为
Figure 744815DEST_PATH_IMAGE002
轴建立坐标系。频谱二值图上点的
Figure 997942DEST_PATH_IMAGE001
轴坐标表示
Figure 691092DEST_PATH_IMAGE001
方向上的频谱大小，
Figure 316370DEST_PATH_IMAGE002
轴坐标表示
Figure 663038DEST_PATH_IMAGE002
方向上的频谱大小。
需要说明的是，农业植保无人机在运动方向一定会存在运动模糊，若农业植保无人机稳定，则在与运动方向的垂直方向不存在运动模糊，此时图像在农业植保无人机运动方向上的高频分量较弱，在垂直农业植保无人机运动方向上的高频分量较强。则在此两个方向的共同作用下，频谱二值图大体呈现较扁（长轴与短轴相差较大）的椭圆形状；若农业植保无人机在飞行过程中不稳定，则在与运动方向的垂直方向上也存在运动模糊，但在与运动方向的垂直方向上农业植保无人机的运动幅度小于运动方向的运动幅度，则垂直农业植保无人机运动方向上的高频分量较弱，但较农业植保无人机运动方向上的高频分量强。此时频谱二值图大体呈现较圆（长轴与短轴相差不大）的椭圆形状。
在图像中一些周期性纹理的作用下，最优频谱二值图像椭圆周围有很多分散的点，此些点干扰了对最优频谱二值图像中椭圆的检测，为获取准确的椭圆，首先需获取椭圆可能的边缘点。
计算最优频谱二值图像中每个白色像素点的边缘率，计算公式如下：
Figure 154193DEST_PATH_IMAGE046
式中，
Figure 244509DEST_PATH_IMAGE016
为第
Figure 973562DEST_PATH_IMAGE011
个像素点的边缘率；
Figure 756710DEST_PATH_IMAGE017
为第
Figure 735161DEST_PATH_IMAGE011
个像素点到原点的距离；
Figure 504534DEST_PATH_IMAGE018
为原点到第
Figure 868519DEST_PATH_IMAGE011
个像素点方向上第
Figure 573301DEST_PATH_IMAGE019
个像素点八邻域内像素点的个数；
Figure 22737DEST_PATH_IMAGE020
为第
Figure 934150DEST_PATH_IMAGE011
个像素点八邻域内像素点的个数；
Figure 418220DEST_PATH_IMAGE021
为原点到第
Figure 497166DEST_PATH_IMAGE011
个像素点之间的点的连续度；
Figure 433898DEST_PATH_IMAGE022
用于将
Figure 154860DEST_PATH_IMAGE017
归一化，
Figure 493438DEST_PATH_IMAGE023
为归一化系数，为二值图中所有像素点到原点距离的均值；当第
Figure 540022DEST_PATH_IMAGE011
个像素点为椭圆边缘时，理想情况下，第
Figure 839417DEST_PATH_IMAGE011
个像素点八邻域内像素点的比例为
Figure 613338DEST_PATH_IMAGE047
，因此当
Figure 557154DEST_PATH_IMAGE048
差异越小，且原点到第
Figure 23908DEST_PATH_IMAGE011
个像素点之间像素点均连续，第
Figure 748281DEST_PATH_IMAGE011
个像素点到原点的距离越大，第
Figure 201259DEST_PATH_IMAGE011
个像素点为椭圆边缘的可能性越大。
同理，计算每个点的边缘率。获取原点每个方向上边缘率最大的点，作为椭圆边缘点。
S5、利用最小二乘法对椭圆边缘点进行椭圆拟合，获取椭圆方程；根据椭圆方程获取椭圆的长半轴尺寸和短半轴尺寸；根据椭圆的长半轴尺寸和短半轴尺寸获取无人机稳定性指标；
在本实施例中，上述获取的椭圆边缘点，将椭圆边缘点作为样本点，利用最小二乘法对样本点进行椭圆拟合，得到椭圆方程：
Figure 858637DEST_PATH_IMAGE049
，其中A、B、C、D、E、F均为椭圆参数。
则椭圆长半轴尺寸计算公式为：
Figure 981444DEST_PATH_IMAGE050
椭圆短半轴尺寸计算公式为：
Figure 255431DEST_PATH_IMAGE051
至此，完成了对频谱二值图的椭圆拟合，椭圆长半轴尺寸与短半轴尺寸可以反应图像
Figure 636734DEST_PATH_IMAGE037
在飞行方向与垂直飞行方向的模糊程度；因此将椭圆的长半轴与短半轴作为图像
Figure 549283DEST_PATH_IMAGE037
的方向模糊特征。
至此，完成了方向模糊特征的抽取。
S6、根据无人机稳定性指标判断无人机在飞行过程中的稳定性。
利用无人机的电子计算设备抽取到了方向模糊特征。若农业植保无人机稳定，则得到的不同方向的方向模糊特征差异较大。结合方向模糊特征获取农业植保无人机稳定性指标，计算公式如下：
Figure 357839DEST_PATH_IMAGE024
式中，
Figure 119122DEST_PATH_IMAGE025
为无人机稳定性指标；
Figure 54848DEST_PATH_IMAGE026
为图像大小，
Figure 811451DEST_PATH_IMAGE027
为椭圆长半轴尺寸（无人机垂直飞行方向的方向模糊特征），
Figure 541641DEST_PATH_IMAGE028
为椭圆短半轴尺寸（无人机飞行方向的方向模糊特征）；当垂直飞行方向的方向模糊特征越大，
Figure 790220DEST_PATH_IMAGE052
越小，同时飞行方向与垂直飞行方向的方向模糊特征差异越大时，
Figure 513325DEST_PATH_IMAGE053
越小，
Figure 140747DEST_PATH_IMAGE025
越大。此时意味着与农业植保无人机飞行方向垂直的方向上图像的高频分量越强，图像越清晰，农业植保无人机越稳定。
判断无人机在飞行过程中的稳定性过程中，由人工设置设置阈值
Figure 369734DEST_PATH_IMAGE030
，经验值
Figure 840029DEST_PATH_IMAGE031
；
当无人机稳定性指标
Figure 101246DEST_PATH_IMAGE032
时，表示无人机飞行稳定；
当无人机稳定性指标
Figure 848754DEST_PATH_IMAGE033
时，表示无人机在飞行过程中晃动，稳定性指标越小，晃动程度越大。
综上，本发明提供的一种农业植保无人机稳定性识别方法，该方法通过在农业植保无人机上搭载相机，拍摄农业植保无人机下方的图像，将图像转换为频谱图，并对图像频谱图进行特征抽取，识别农业植保无人机的稳定性。
本发明结合农业植保无人机搭载相机捕获图像识别农业植保无人机的稳定性，与利用相机捕获农业植保无人机飞行视频或利用机关雷达探测方法相比，节省人力物力，效率更高。同时利用图像频谱图抽取出图像不同方向的模糊特征，相比结合图像特征利用常规图像处理的方法，更加简单便捷，且结果更加准确。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种农业植保无人机稳定性识别方法，其特征在于，包括以下步骤：
通过无人机获取俯视图像，将所述俯视图像灰度化处理获取灰度图；
根据灰度图进行傅里叶变换获取频谱图；
根据频谱图中不同灰度值作为阈值对频谱图进行阈值分割获取多个二值图像；
根据每个二值图像中所有非孤立像素点的个数获取每个二值图像的优选度，并获取最大优选度对应的二值图像，即为最优频谱二值图；
以最优频谱二值图的中心点为原点，以横向为
Figure DEST_PATH_IMAGE001
轴，以纵向为
Figure 730894DEST_PATH_IMAGE002
轴建立坐标系；
根据最优频谱二值图中每个像素点至原点的距离，及原点到每个像素点方向上的邻域像素点个数，获取最优频谱二值图中每个像素点的边缘率；
获取原点至每个方向上边缘率最大的像素点，依次将每个方向上边缘率最大的像素点作为椭圆边缘点；
利用最小二乘法对椭圆边缘点进行椭圆拟合，获取椭圆方程；根据椭圆方程获取椭圆的长半轴尺寸和短半轴尺寸；根据椭圆的长半轴尺寸和短半轴尺寸获取无人机稳定性指标；
根据无人机稳定性指标判断无人机在飞行过程中的稳定性；
所述最优频谱二值图中每个像素点的边缘率计算公式如下：
Figure 834504DEST_PATH_IMAGE004
式中，
Figure DEST_PATH_IMAGE005
为第
Figure 358895DEST_PATH_IMAGE006
个像素点的边缘率；
Figure DEST_PATH_IMAGE007
为第
Figure 508424DEST_PATH_IMAGE006
个像素点到原点的距离；
Figure 171486DEST_PATH_IMAGE008
为原点到第
Figure 25042DEST_PATH_IMAGE006
个像素点方向上第
Figure DEST_PATH_IMAGE009
个像素点八邻域内像素点的个数；
Figure 759649DEST_PATH_IMAGE010
为第
Figure 650769DEST_PATH_IMAGE006
个像素点八邻域内像素点的个数；
Figure DEST_PATH_IMAGE011
为原点到第
Figure 484733DEST_PATH_IMAGE006
个像素点之间的点的连续度；
Figure 560005DEST_PATH_IMAGE012
用于将
Figure 629461DEST_PATH_IMAGE007
归一化，
Figure DEST_PATH_IMAGE013
为归一化系数，为二值图中所有像素点到原点距离的均值；
所述无人机稳定性指标计算公式如下：
Figure DEST_PATH_IMAGE015
式中，
Figure 250454DEST_PATH_IMAGE016
为无人机稳定性指标；
Figure DEST_PATH_IMAGE017
为椭圆长半轴尺寸，
Figure 848794DEST_PATH_IMAGE018
为椭圆短半轴尺寸；
Figure DEST_PATH_IMAGE019
为所述俯视图像的长度；其中，所述俯视图像的长度和宽度相等。
2.根据权利要求1所述的农业植保无人机稳定性识别方法，其特征在于，对频谱图进行阈值分割获取二值图像的过程中，将大于阈值的像素点灰度值置为
Figure DEST_PATH_IMAGE021
，将小于阈值的像素点灰度值置为
Figure 863892DEST_PATH_IMAGE022
。
3.根据权利要求2所述的农业植保无人机稳定性识别方法，其特征在于，所述非孤立像素点是按照以下步骤获取：
通过统计灰度值为1的像素点的八邻域内灰度值为1的像素点的个数，当八邻域内灰度值为1的像素点数量＞2，则判断该像素点是非孤立像素点。
4.根据权利要求3所述的农业植保无人机稳定性识别方法，其特征在于，每个二值图像的优选度计算公式如下：
Figure 425455DEST_PATH_IMAGE024
式中，
Figure DEST_PATH_IMAGE025
为第
Figure 884643DEST_PATH_IMAGE026
个二值图像的优选度；
Figure DEST_PATH_IMAGE027
为二值图中像素点的个数；
Figure 670196DEST_PATH_IMAGE028
为二值图的面积；
Figure DEST_PATH_IMAGE029
是第
Figure 454481DEST_PATH_IMAGE026
个二值图像上第
Figure 209948DEST_PATH_IMAGE006
个点的函数为：
Figure DEST_PATH_IMAGE031
Figure 192816DEST_PATH_IMAGE032
为第
Figure 883691DEST_PATH_IMAGE026
个二值图像上第
Figure 748748DEST_PATH_IMAGE006
个灰度值为1的像素点八邻域内灰度值为1的像素点的个数；
Figure DEST_PATH_IMAGE033
为所有非孤立像素点的个数。
5.根据权利要求1所述的农业植保无人机稳定性识别方法，其特征在于，所述建立坐标系中，最优频谱二值图上点的
Figure 714430DEST_PATH_IMAGE001
轴坐标表示
Figure 161592DEST_PATH_IMAGE001
方向上的频谱大小，
Figure 21706DEST_PATH_IMAGE002
轴坐标表示
Figure 124791DEST_PATH_IMAGE002
方向上的频谱大小。
6.根据权利要求1所述的农业植保无人机稳定性识别方法，其特征在于，判断无人机在飞行过程中的稳定性过程中，设置阈值
Figure 222060DEST_PATH_IMAGE034
，并取
Figure DEST_PATH_IMAGE035
；
当无人机稳定性指标
Figure 445100DEST_PATH_IMAGE036
时，表示无人机飞行稳定；
当无人机稳定性指标
Figure DEST_PATH_IMAGE037
时，表示无人机在飞行过程中晃动。
7.根据权利要求1所述的农业植保无人机稳定性识别方法，其特征在于，所述频谱图中不同灰度值是按照以下步骤获取：
统计频谱图中所有灰度值及个数，绘制灰度直方图，并对灰度直方图进行平滑处理，采用最小二乘法对灰度直方图进行高斯分布拟合，得到高斯分布的均值
Figure 664728DEST_PATH_IMAGE038
与标准差
Figure DEST_PATH_IMAGE039
参数；
将以
Figure 989530DEST_PATH_IMAGE040
区间内的灰度值作为阈值对频谱图进行阈值分割。
8.根据权利要求1所述的农业植保无人机稳定性识别方法，其特征在于，获取的频谱图还经以下操作：将频谱图进行中心化操作，使得频率最低的点位于频谱图的中心，频率高的点位于频谱图的四周。
CN202210780545.3A 2022-07-05 2022-07-05 一种农业植保无人机稳定性识别方法 Active CN114842366B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210780545.3A CN114842366B (zh) 2022-07-05 2022-07-05 一种农业植保无人机稳定性识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210780545.3A CN114842366B (zh) 2022-07-05 2022-07-05 一种农业植保无人机稳定性识别方法

Publications (2)

Publication Number Publication Date
CN114842366A CN114842366A (zh) 2022-08-02
CN114842366B true CN114842366B (zh) 2022-09-16

Family

ID=82573816

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210780545.3A Active CN114842366B (zh) 2022-07-05 2022-07-05 一种农业植保无人机稳定性识别方法

Country Status (1)

Country Link
CN (1) CN114842366B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115797473B (zh) * 2023-02-09 2023-04-18 国网山东省电力公司东营供电公司 一种土建工程用混凝土成型评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530281A (zh) * 2016-10-18 2017-03-22 国网山东省电力公司电力科学研究院 基于边缘特征的无人机图像模糊判断方法及系统
CN106856002A (zh) * 2016-11-22 2017-06-16 上海大学 一种无人机拍摄图像质量评价方法
CN108305230A (zh) * 2018-01-31 2018-07-20 上海康斐信息技术有限公司 一种模糊图像综合处理方法和系统
CN108765325A (zh) * 2018-05-17 2018-11-06 中国人民解放军陆军工程大学 一种小型无人机模糊图像复原方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104344882B (zh) * 2013-07-24 2017-08-04 中国国际航空股份有限公司 一种飞机抖动检测系统及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530281A (zh) * 2016-10-18 2017-03-22 国网山东省电力公司电力科学研究院 基于边缘特征的无人机图像模糊判断方法及系统
CN106856002A (zh) * 2016-11-22 2017-06-16 上海大学 一种无人机拍摄图像质量评价方法
CN108305230A (zh) * 2018-01-31 2018-07-20 上海康斐信息技术有限公司 一种模糊图像综合处理方法和系统
CN108765325A (zh) * 2018-05-17 2018-11-06 中国人民解放军陆军工程大学 一种小型无人机模糊图像复原方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
航空光电平台图像稳定技术研究;王洪;《中国优秀博硕士学位论文全文数据库(博士) 信息科技辑》;20120915;全文 *

Also Published As

Publication number Publication date
CN114842366A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
TWI709109B (zh) 偵測航拍影像內物體之非暫態電腦可讀取媒體及系統，以及航拍影像中物體偵測之方法
Millan et al. On-the-go grapevine yield estimation using image analysis and boolean model
US20170177938A1 (en) Automated detection of nitrogen deficiency in crop
EP2449532A1 (en) Visual segmentation of lawn grass
US11455794B2 (en) System and method for orchard recognition on geographic area
Thurrowgood et al. A vision based system for attitude estimation of UAVs
CN114842366B (zh) 一种农业植保无人机稳定性识别方法
CN110443247A (zh) 一种无人机地面运动小目标实时检测系统及方法
CN114067207A (zh) 一种基于深度学习和图像处理的蔬菜苗田杂草检测方法
CN113077486A (zh) 一种山区植被覆盖率监测方法及系统
CN115512238A (zh) 病害区域的确定方法、装置、存储介质及电子装置
Lyu et al. Development of phenotyping system using low altitude UAV imagery and deep learning
Buddha et al. Weed detection and classification in high altitude aerial images for robot-based precision agriculture
Fuentes-Peñailillo et al. Using clustering algorithms to segment UAV-based RGB images
CN112037241B (zh) 一种基于多光谱数据的作物混种区实时识别方法及系统
Liu et al. Development of a proximal machine vision system for off-season weed mapping in broadacre no-tillage fallows
CN113252103A (zh) 一种基于matlab图像识别技术计算物料堆体积及质量的方法
CN110992372A (zh) 物品抓取方法、装置、存储介质及电子装置
CN113989509B (zh) 基于图像识别的农作物虫害检测方法、检测系统及设备
Kaur et al. Automatic crop furrow detection for precision agriculture
de Ocampo et al. Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing.
Bossu et al. Development of methods based on double hough transform or gabor filtering to discriminate between crop and weed in agronomic images
KR20220168875A (ko) 인공지능을 이용하여 벼 도복 피해면적을 산정하는 장치 및 방법
CN114462485A (zh) 一种红枣枣疯病初期防治方法
CN110969210A (zh) 一种小慢目标的识别分类方法、装置、设备及存储介质

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