CN115126686B - 用于植保无人机载隔膜泵控制系统 - Google Patents

用于植保无人机载隔膜泵控制系统 Download PDF

Info

Publication number
CN115126686B
CN115126686B CN202211050305.4A CN202211050305A CN115126686B CN 115126686 B CN115126686 B CN 115126686B CN 202211050305 A CN202211050305 A CN 202211050305A CN 115126686 B CN115126686 B CN 115126686B
Authority
CN
China
Prior art keywords
vegetation
sample
pixel block
meteorological
target
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
CN202211050305.4A
Other languages
English (en)
Other versions
CN115126686A (zh
Inventor
刘忠亮
杜修元
杜茂森
于跃
董娟华
刘永强
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 Zhongju Electric Co ltd
Original Assignee
Shandong Zhongju Electric 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 Zhongju Electric Co ltd filed Critical Shandong Zhongju Electric Co ltd
Priority to CN202211050305.4A priority Critical patent/CN115126686B/zh
Publication of CN115126686A publication Critical patent/CN115126686A/zh
Application granted granted Critical
Publication of CN115126686B publication Critical patent/CN115126686B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/06—Control using electricity
    • 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
    • A01G25/00—Watering gardens, fields, sports grounds or the like
    • A01G25/16—Control of watering
    • 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
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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

Abstract

本发明涉及控制系统技术领域，具体涉及一种用于植保无人机载隔膜泵控制系统，该系统包括数据获取模块和隔膜泵控制模块，通过这两个模块之间的相互配合可以实现以下步骤：对目标植被图像进行超像素块分割；对每个目标超像素块进行绿度提取，确定每个目标超像素块对应的绿度指标；对目标超像素块进行分类；确定目标植被区域所需要的灌溉量、修正权重、修正灌溉量和每个时刻对应的目标出口流量；实时控制目标隔膜泵的出口流量。本发明能够实现对安装在植保无人机上的隔膜泵进行控制，解决了对安装在植保无人机上的隔膜泵进行控制的准确度和效率低下的技术问题，主要应用于对安装在植保无人机上的隔膜泵进行控制。

Description

用于植保无人机载隔膜泵控制系统
技术领域
本发明涉及控制系统技术领域，具体涉及用于植保无人机载隔膜泵控制系统。
背景技术
植被可以包括但不限于：森林、草原和农作物。植被既可以净化大气、保护水土，又可以为人类提供食物。因此，植被是人类生存环境的重要组成部分。由于自然降雨往往不能保证植被生长过程中所需要的水分。因此，为了保证植被正常生长，对植被进行灌溉至关重要。由于植保无人机上往往安装有用于灌溉植被的隔膜泵，所以可以通过控制安装在植保无人机上的隔膜泵，对植被进行灌溉。因此，对安装在植保无人机上的隔膜泵进行控制至关重要。目前，对安装在植保无人机上的隔膜泵进行控制时，通常采用的方式为：首先，通过植保无人机上安装的相机采集待灌溉的植被区域的植被图像。接着，将植被图像输入到预测灌溉量网络，通过预测灌溉量网络，确定所需要的灌溉量。然后，根据所需要的灌溉量和预先设置的出口流量，确定灌溉时长。最后，控制隔膜泵运行时的出口流量为预先设置的出口流量，控制隔膜泵运行的时长等于灌溉时长。其中，预测灌溉量网络可以用于预测灌溉量。
然而，当采用上述方式时，经常会存在如下技术问题：
第一，不对植被图像进行与预测灌溉量相关的特征提取，直接通过植被图像和预测灌溉量网络进行灌溉量预测时，往往需要预测灌溉量网络进行特征提取，而预测灌溉量网络进行特征提取时，往往不会精确的提取与预测灌溉量相关的特征，往往会导致通过预测灌溉量网络确定的灌溉量的准确度低下，从而导致对安装在植保无人机上的隔膜泵进行控制的准确度低下；
第二，预测灌溉量网络进行特征提取时，往往可能会提取一些与预测灌溉量无关的特征，增加了计算量，增加了计算资源的占用，从而导致对安装在植保无人机上的隔膜泵进行控制的效率低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
为了解决对安装在植保无人机上的隔膜泵进行控制的准确度和效率低下的技术问题，本发明提出了用于植保无人机载隔膜泵控制系统。
本发明提供了用于植保无人机载隔膜泵控制系统，该系统包括数据获取模块和隔膜泵控制模块，所述数据获取模块用于获取目标植被区域的目标植被图像，并将获取的目标植被图像发送给所述隔膜泵控制模块，所述隔膜泵控制模块用于接收所述数据获取模块发送的目标植被图像，并实现以下步骤：
对所述目标植被图像进行超像素块分割，得到目标超像素块集合；
对所述目标超像素块集合中的每个目标超像素块进行绿度提取，确定所述目标超像素块对应的绿度指标，得到绿度指标集合；
根据所述绿度指标集合，对所述目标超像素块集合中的目标超像素块进行分类，得到植被像素块集合和地面像素块集合；
根据所述植被像素块集合、所述地面像素块集合、训练完成的叶面卷曲等级网络和灌溉量预测网络，确定所述目标植被区域所需要的灌溉量，作为目标灌溉量；
根据预先获取的气象参数值组集合和训练完成的修正网络，确定修正权重；
将所述修正权重与所述目标灌溉量的乘积，确定为修正灌溉量；
根据预先获取的参考灌溉量、目标灌溉时长和所述修正灌溉量，确定所述目标灌溉时长内每个时刻对应的目标出口流量，得到目标出口流量集合；
根据所述目标出口流量集合，实时控制目标隔膜泵的出口流量。
进一步的，所述对所述目标超像素块集合中的每个目标超像素块进行绿度提取，确定所述目标超像素块对应的绿度指标，包括：
将所述目标超像素块中的像素点对应的红色通道值的均值，确定为所述目标超像素块对应的红度均值；
将所述目标超像素块中的像素点对应的绿色通道值的均值，确定为所述目标超像素块对应的绿度均值；
将所述目标超像素块中的像素点对应的蓝色通道值的均值，确定为所述目标超像素块对应的蓝度均值；
将所述目标超像素块对应的红度均值、绿度均值与蓝度均值相加得到的和，确定为所述目标超像素块对应的颜色均值；
将所述目标超像素块对应的绿度均值和颜色均值的比值，确定为所述目标超像素块对应的绿度指标。
进一步的，所述根据所述绿度指标集合，对所述目标超像素块集合中的目标超像素块进行分类，得到植被像素块集合和地面像素块集合，包括：
当所述目标超像素块集合中的目标超像素块对应的绿度指标大于预先设置的绿度阈值时，将目标超像素块，确定为植被像素块；
当所述目标超像素块集合中的目标超像素块对应的绿度指标小于或等于所述绿度阈值时，将目标超像素块，确定为地面像素块。
进一步的，所述根据所述植被像素块集合、所述地面像素块集合、训练完成的叶面卷曲等级网络和灌溉量预测网络，确定所述目标植被区域所需要的灌溉量，作为目标灌溉量，包括：
对所述植被像素块集合中的每个植被像素块进行切割，得到所述植被像素块对应的植被图像；
将所述植被像素块集合中的每个植被像素块对应的植被图像，输入到叶面卷曲等级网络，通过叶面卷曲等级网络，确定所述植被像素块对应的叶面卷曲等级，得到叶面卷曲等级向量；
对于所述植被像素块集合中的每个植被像素块，将所述植被像素块中的中心像素点与所述植被像素块中的各个像素点之间的欧式距离的均值，确定为所述植被像素块对应的距离均值，其中，中心像素点是中心点处的像素点；
对于所述植被像素块集合中的每个植被像素块，将所述植被像素块对应的距离均值与预先获取的所述植被像素块对应的标准距离均值的差值，确定为所述植被像素块对应的稀疏程度，得到稀疏程度向量；
对所述地面像素块集合中的每个地面像素块进行切割，得到所述地面像素块对应的地面图像；
对所述地面像素块集合中的每个地面像素块对应的地面图像进行灰度化，得到所述地面像素块对应的灰度地面图像；
对于所述地面像素块集合中的每个地面像素块，将所述地面像素块对应的灰度地面图像内的像素点对应的灰度值的均值，确定为所述地面像素块对应的灰度均值，得到灰度均值向量；
将所述叶面卷曲等级向量、所述稀疏程度向量和所述灰度均值向量，组合为目标向量；
将所述目标向量，输入到灌溉量预测网络，通过灌溉量预测网络，确定所述目标灌溉量。
进一步的，所述叶面卷曲等级网络的训练过程，包括：
构建叶面卷曲等级网络；
获取第一样本植被图像集合，其中，所述第一样本植被图像集合中的第一样本植被图像对应的标签为叶面卷曲等级；
利用所述第一样本植被图像集合和所述第一样本植被图像集合中的各个第一样本植被图像对应的标签，对叶面卷曲等级网络进行训练，得到训练完成的叶面卷曲等级网络。
进一步的，所述灌溉量预测网络的训练过程，包括：
构建灌溉量预测网络；
获取第二样本植被图像集合，其中，所述第二样本植被图像集合中的第二样本植被图像对应的标签为灌溉量；
对于所述第二样本植被图像集合中的每个第二样本植被图像，对所述第二样本植被图像进行超像素块分割，得到所述第二样本植被图像对应的样本超像素块集合；
对于所述第二样本植被图像集合中的每个第二样本植被图像，对所述第二样本植被图像对应的样本超像素块集合中的每个样本超像素块进行绿度提取，确定所述样本超像素块对应的样本绿度指标，得到所述第二样本植被图像对应的样本绿度指标集合；
对于所述第二样本植被图像集合中的每个第二样本植被图像，根据所述第二样本植被图像对应的样本绿度指标集合，对所述第二样本植被图像对应的样本超像素块集合中的样本超像素块进行分类，得到所述第二样本植被图像对应的样本植被像素块集合和样本地面像素块集合；
对于所述第二样本植被图像集合中的每个第二样本植被图像，根据所述第二样本植被图像对应的样本植被像素块集合和叶面卷曲等级网络，确定所述第二样本植被图像对应的样本叶面卷曲等级向量；
对于所述第二样本植被图像集合中的每个第二样本植被图像，根据所述第二样本植被图像对应的样本植被像素块集合和预先获取的样本距离均值，确定所述第二样本植被图像对应的样本稀疏程度向量；
对于所述第二样本植被图像集合中的每个第二样本植被图像，根据所述第二样本植被图像对应的样本地面像素块集合，确定所述第二样本植被图像对应的样本灰度均值向量；
对于所述第二样本植被图像集合中的每个第二样本植被图像，将所述第二样本植被图像对应的样本叶面卷曲等级向量、样本稀疏程度向量和样本灰度均值向量，组合为所述第二样本植被图像对应的样本向量；
利用所述第二样本植被图像集合中的第二样本植被图像对应的样本向量和所述第二样本植被图像集合中的各个第二样本植被图像对应的标签，对灌溉量预测网络进行训练，得到训练完成的灌溉量预测网络。
进一步的，所述根据预先获取的气象参数值组集合和训练完成的修正网络，确定修正权重，包括：
对所述气象参数值组集合中的每个气象参数值组进行预设数目等距分割，得到所述气象参数值组对应的子气象参数值组集合；
对于所述气象参数值组集合中的每个气象参数值组，将所述气象参数值组对应的子气象参数值组集合中的每个子气象参数值组中的子气象参数值的均值，确定为所述子气象参数值组对应的气象均值，得到所述气象参数值组对应的气象均值组；
将所述气象参数值组集合中的各个气象参数值组对应的气象均值组中的相同位置的气象均值，组合为气象向量，得到气象向量集合；
将所述气象向量集合，输入到修正网络，通过修正网络，确定所述修正权重。
进一步的，所述预设数目为3，气象均值组中的气象均值的数量为3，气象向量集合中的气象向量的数量为3；
所述将所述气象参数值组集合中的各个气象参数值组对应的气象均值组中的相同位置的气象均值，组合为气象向量，得到气象向量集合，包括：
将所述气象参数值组集合中的第一个气象参数值组对应的气象均值组中的第一个气象均值、第二个气象参数值组对应的气象均值组中的第一个气象均值和第三个气象参数值组对应的气象均值组中的第一个气象均值，组合为所述气象向量集合中的第一个气象向量；
将所述气象参数值组集合中的第一个气象参数值组对应的气象均值组中的第二个气象均值、第二个气象参数值组对应的气象均值组中的第二个气象均值和第三个气象参数值组对应的气象均值组中的第二个气象均值，组合为所述气象向量集合中的第二个气象向量；
将所述气象参数值组集合中的第一个气象参数值组对应的气象均值组中的第三个气象均值、第二个气象参数值组对应的气象均值组中的第三个气象均值和第三个气象参数值组对应的气象均值组中的第三个气象均值，组合为所述气象向量集合中的第三个气象向量。
进一步的，所述修正网络的训练过程，包括：
构建修正网络；
获取多个样本气象参数值组集合，其中，所述多个样本气象参数值组集合中的样本气象参数值组集合对应的标签为样本修正权重；
根据所述多个样本气象参数值组集合中的每个样本气象参数值组集合，确定所述样本气象参数值组集合对应的气象参数值特征向量集合；
利用所述多个样本气象参数值组集合中的样本气象参数值组集合对应的气象参数值特征向量集合和所述多个样本气象参数值组集合中的各个样本气象参数值组集合对应的标签，对修正网络进行训练，得到训练完成的修正网络。
进一步的，所述将所述植被像素块对应的距离均值与预先获取的所述植被像素块对应的标准距离均值的差值，确定为所述植被像素块对应的稀疏程度，包括：
获取所述植被像素块对应的标准植被图像；
将所述植被像素块对应的标准植被图像中的中心像素点与标准植被图像中的各个像素点之间的欧式距离的均值，确定为所述植被像素块对应的标准距离均值；
将所述植被像素块对应的距离均值与标准距离均值的差值，确定为所述植被像素块对应的稀疏程度。
本发明具有如下有益效果：
本发明的用于植保无人机载隔膜泵控制系统，能够实现对安装在植保无人机上的隔膜泵（目标隔膜泵）进行控制，解决了对安装在植保无人机上的隔膜泵进行控制的准确度和效率低下的技术问题，提高了对安装在植保无人机上的隔膜泵进行控制的准确度和效率。用于植保无人机载隔膜泵控制系统可以包括数据获取模块和隔膜泵控制模块。上述数据获取模块用于获取目标植被区域的目标植被图像，并将获取的目标植被图像发送给上述隔膜泵控制模块。上述隔膜泵控制模块用于接收上述数据获取模块发送的目标植被图像，并实现以下步骤：首先，对上述目标植被图像进行超像素块分割，得到目标超像素块集合。实际情况中，目标植被区域内往往包括被植被覆盖的区域和植被之间裸露的地面区域。并且判断被植被覆盖的区域和植被之间裸露的地面区域的干旱程度的方式往往不同。例如，被植被覆盖的区域越干旱，植被的叶面卷曲的往往越严重，从而使植被的叶面不再舒展，往往还会导致植被之间的间距变大。植被之间裸露的地面区域发生干旱时，该地面区域的颜色往往发生变化。例如，可能会变白变亮。所以，对目标植被图像进行超像素块分割，便于将被植被覆盖的区域和植被之间裸露的地面区域对应的像素点，划分到不同的目标超像素块，便于后续精确分析被植被覆盖的区域和植被之间裸露的地面区域的干旱程度，从而确定目标植被区域所需要的灌溉量。接着，对上述目标超像素块集合中的每个目标超像素块进行绿度提取，确定上述目标超像素块对应的绿度指标，得到绿度指标集合。实际情况中，由于水分充足的植被往往是绿色的，所以被植被覆盖的区域往往是绿色的。而裸露的地面区域往往不是绿色的，因此，确定目标超像素块对应的绿度指标，可以便于后续区分被植被覆盖的区域和植被之间裸露的地面区域。然后，根据上述绿度指标集合，对上述目标超像素块集合中的目标超像素块进行分类，得到植被像素块集合和地面像素块集合。由于绿度指标可以代表目标超像素块对应的绿色程度，所以根据绿度指标，将目标超像素块划分为植被像素块或地面像素块，可以提高分类结果的准确度。其次，根据上述植被像素块集合、上述地面像素块集合、训练完成的叶面卷曲等级网络和灌溉量预测网络，确定上述目标植被区域所需要的灌溉量，作为目标灌溉量。综合考虑了植被像素块集合、地面像素块集合、叶面卷曲等级网络和灌溉量预测网络，可以提高目标灌溉量的确定的准确度。其次，考虑了目标植被区域包括的被植被覆盖的区域和植被之间裸露的地面区域，并且考虑了植被的叶面卷曲等级，可以使灌溉量预测网络不需随机的提取多种与确定目标灌溉量无关的特征，从而可以减少计算量，可以减少计算资源的占用，进而可以提高对目标隔膜泵进行控制的效率。继续，根据预先获取的气象参数值组集合和训练完成的修正网络，确定修正权重。之后，将上述修正权重与上述目标灌溉量的乘积，确定为修正灌溉量。实际情况中，对目标植被区域的灌溉量往往与预先的未来时间段内的气象有关。其中，未来时间段可以是以当前时刻为开始时刻的时间段。例如，未来时间段内有降雨，往往需要为目标植被区域灌溉小于目标灌溉量的水分。因此，确定目标灌溉量对应的修正权重和修正灌溉量，可以使对目标植被区域的灌溉更加符合实际情况。而后，根据预先获取的参考灌溉量、目标灌溉时长和上述修正灌溉量，确定上述目标灌溉时长内每个时刻对应的目标出口流量，得到目标出口流量集合。综合考虑了参考灌溉量、目标灌溉时长和修正灌溉量，可以提高目标灌溉时长内每个时刻对应的目标出口流量确定的准确度。最后，根据上述目标出口流量集合，实时控制目标隔膜泵的出口流量。因此，本发明能够实现对目标隔膜泵进行控制，解决了对目标隔膜泵进行控制的准确度和效率低下的技术问题，提高了对目标隔膜泵进行控制的准确度和效率。
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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
图1为本发明的用于植保无人机载隔膜泵控制系统的结构示意图；
图2为本发明的隔膜泵控制模块实现的步骤的流程图；
图3为根据本发明的目标植被区域的示意图；
图4为根据本发明的切割目标植被图像的示意图。
其中，图1中的附图标记包括：数据获取模块101和隔膜泵控制模块102。
图3中的附图标记包括：目标植被区域301、第一植物302和第二植物303。
图4中的附图标记包括：目标植被图像401、植被像素块402和植被图像403。
具体实施方式
参考图1，示出了根据本发明的用于植保无人机载隔膜泵控制系统的一些实施例的结构示意图。该用于植保无人机载隔膜泵控制系统，可以包括数据获取模块101和隔膜泵控制模块102。上述数据获取模块101可以用于获取目标植被区域的目标植被图像，并将获取的目标植被图像发送给上述隔膜泵控制模块102。上述隔膜泵控制模块102可以用于接收上述数据获取模块101发送的目标植被图像。
其中，目标植被区域可以是待灌溉的植被区域内的一个子区域。植被区域可以是覆盖有多个植物的区域。例如，植物可以是农作物。目标植被图像可以是拍摄有目标植被区域的RGB图像。子区域可以是预设大小的矩形。预设大小可以是预先设置的尺寸大小。尺寸大小可以包括长和宽的大小。
作为示例，可以通过安装在目标无人机上的目标相机，获取目标植被图像。目标无人机可以是安装有相机和目标隔膜泵的无人机。目标相机可以是安装在目标无人机上的可以转动视角的相机。目标隔膜泵可以是安装在目标无人机上的用于灌溉植被的隔膜泵。其中，目标无人机的飞行高度、飞行路线、目标相机的角度、视角以及图像采集帧率等均可以是根据实际情况，预先设置的。
实际情况中，待灌溉的植被区域内的各个位置所需要的灌溉量往往不同。因此，如果只预测待灌溉的植被区域整体所需要的灌溉量，往往不能精确的为待灌溉的植被区域内的各个位置补充相应的灌溉量。所以，将待灌溉的植被区域，划分为多个子区域，可以使各个子区域补充相应的灌溉量，从而提高了灌溉的精确度。其中，多个子区域中的子区域的尺寸大小可以相同。实际情况中，子区域越小，灌溉的精确度越高。
参考图2，示出了根据本发明的隔膜泵控制模块实现的步骤的一些实施例的流程图。该隔膜泵控制模块实现如下步骤：
步骤201，对目标植被图像进行超像素块分割，得到目标超像素块集合。
在一些实施例中，可以对上述目标植被图像进行超像素块分割，得到目标超像素块集合。
其中，目标超像素块集合中的目标超像素块可以是由位置相邻且颜色、亮度和纹理等特征相似的像素点组成的区域。
作为示例，可以通过超像素分割算法，对上述目标植被图像进行超像素块分割，得到目标超像素块集合。
步骤202，对目标超像素块集合中的每个目标超像素块进行绿度提取，确定目标超像素块对应的绿度指标，得到绿度指标集合。
在一些实施例中，可以对上述目标超像素块集合中的每个目标超像素块进行绿度提取，确定上述目标超像素块对应的绿度指标，得到绿度指标集合。
其中，绿度指标集合中的绿度指标可以表征目标超像素块的绿色程度。
作为示例，本步骤可以包括以下步骤：
第一步，将上述目标超像素块中的像素点对应的红色通道值的均值，确定为上述目标超像素块对应的红度均值。
其中，红色通道值可以是RGB值中的R值。
第二步，将上述目标超像素块中的像素点对应的绿色通道值的均值，确定为上述目标超像素块对应的绿度均值。
其中，绿色通道值可以是RGB值中的G值。
第三步，将上述目标超像素块中的像素点对应的蓝色通道值的均值，确定为上述目标超像素块对应的蓝度均值。
其中，蓝色通道值可以是RGB值中的B值。
第四步，将上述目标超像素块对应的红度均值、绿度均值与蓝度均值相加得到的和，确定为上述目标超像素块对应的颜色均值。
第五步，将上述目标超像素块对应的绿度均值和颜色均值的比值，确定为上述目标超像素块对应的绿度指标。
例如，确定目标超像素块集合中的目标超像素块对应的绿度指标对应的公式可以为：
Figure 834837DEST_PATH_IMAGE001
其中，
Figure 979510DEST_PATH_IMAGE002
是目标超像素块集合中的第i个目标超像素块对应的绿度指标。
Figure 483173DEST_PATH_IMAGE003
是目标超像素块集合中的第i个目标超像素块对应的绿度均值。
Figure 329775DEST_PATH_IMAGE004
是目标超像素块集合中的第i个目标超像素块对应的红度均值。
Figure 226187DEST_PATH_IMAGE005
是目标超像素块集合中的第i个目标超像素块对应的蓝度均值。
由于第i个目标超像素块对应的红度均值
Figure 209055DEST_PATH_IMAGE006
可以表征第i个目标超像素块的红色通道值的平均水平。第i个目标超像素块对应的绿度均值
Figure 414777DEST_PATH_IMAGE003
可以表征第i个目标超像素块的绿色通道值的平均水平。第i个目标超像素块对应的蓝度均值
Figure 764987DEST_PATH_IMAGE007
可以表征第i个目标超像素块的蓝色通道值的平均水平。
Figure 183199DEST_PATH_IMAGE008
可以表征第i个目标超像素块整体颜色（RGB值）的平均水平。所以，
Figure 286153DEST_PATH_IMAGE009
可以表征第i个目标超像素块的绿色程度（绿度指标）。
步骤203，根据绿度指标集合，对目标超像素块集合中的目标超像素块进行分类，得到植被像素块集合和地面像素块集合。
在一些实施例中，可以根据上述绿度指标集合，对上述目标超像素块集合中的目标超像素块进行分类，得到植被像素块集合和地面像素块集合。
其中，植被像素块集合中的植被像素块可以是目标植被区域内的植物对应的像素块。地面像素块集合中的地面像素块可以是目标植被区域内的地面对应的像素块。例如，如图3所示，目标植被区域301可以包括：第一植物302和第二植物303。第一植物302和第二植物303可以均是植物。目标植被区域301内除了第一植物302和第二植物303之外的区域可以是裸露的地面。
作为示例，本步骤可以包括以下步骤：
第一步，当上述目标超像素块集合中的目标超像素块对应的绿度指标大于预先设置的绿度阈值时，将目标超像素块，确定为植被像素块。
其中，绿度阈值可以是当目标超像素块为目标植被区域内的植物对应的像素块时最小的绿度指标。例如，绿度阈值可以是0.65。
第二步，当上述目标超像素块集合中的目标超像素块对应的绿度指标小于或等于上述绿度阈值时，将目标超像素块，确定为地面像素块。
步骤204，根据植被像素块集合、地面像素块集合、训练完成的叶面卷曲等级网络和灌溉量预测网络，确定目标植被区域所需要的灌溉量，作为目标灌溉量。
在一些实施例中，可以根据上述植被像素块集合、上述地面像素块集合、训练完成的叶面卷曲等级网络和灌溉量预测网络，确定上述目标植被区域所需要的灌溉量，作为目标灌溉量。
其中，叶面卷曲等级网络可以是用于判断植物叶面卷曲等级的网络。灌溉量预测网络可以是用于预测目标植被区域所需要的灌溉量的网络。目标灌溉量可以是目标植被区域所需要的灌溉量。
作为示例，本步骤可以包括以下步骤：
第一步，对上述植被像素块集合中的每个植被像素块进行切割，得到上述植被像素块对应的植被图像。
其中，植被图像可以是植被像素块对应的图像。
例如，如图4所示，目标植被图像401上可以包括植被像素块402。对植被像素块402进行切割，可以得到植被像素块402对应的植被图像403。
第二步，将上述植被像素块集合中的每个植被像素块对应的植被图像，输入到叶面卷曲等级网络，通过叶面卷曲等级网络，确定上述植被像素块对应的叶面卷曲等级，得到叶面卷曲等级向量。
其中，叶面卷曲等级的数量可以等于预先设置的等级数量。例如，等级数量可以是5。叶面卷曲等级可以表征叶面的卷曲程度。叶面卷曲等级越高，叶面卷曲程度往往越严重。例如，二级植被像素块可以比一级植被像素块对应的植物的叶面更卷曲。其中，二级植被像素块可以是叶面卷曲等级为二级的植被像素块。一级植被像素块可以是叶面卷曲等级为一级的植被像素块。叶面卷曲等级向量可以是由叶面卷曲等级组成的向量。
叶面卷曲等级越高，叶面卷曲程度往往越严重。叶面卷曲程度越严重，需要的灌溉量往往越多。
例如，植被像素块集合中可以有6个植被像素块。这6个植被像素块对应的叶面卷曲等级可以分别为5、4、5、1、3和2。叶面卷曲等级向量可以是（5，4，5，1，3，2）。
第三步，对于上述植被像素块集合中的每个植被像素块，将上述植被像素块中的中心像素点与上述植被像素块中的各个像素点之间的欧式距离的均值，确定为上述植被像素块对应的距离均值。
其中，中心像素点是中心点处的像素点。
第四步，对于上述植被像素块集合中的每个植被像素块，将上述植被像素块对应的距离均值与预先获取的上述植被像素块对应的标准距离均值的差值，确定为上述植被像素块对应的稀疏程度，得到稀疏程度向量。
其中，稀疏程度可以表征植被由于卷曲而增大的距离。稀疏程度向量可以是由稀疏程度组成的向量。比如，植被像素块集合中可以有6个植被像素块。这6个植被像素块对应的稀疏程度可以分别为0.05、0.04、0、0.01、0和0.02。稀疏程度向量可以是（0.05，0.04，0，0.01，0，0.02）。
例如，本步骤可以包括以下子步骤：
第一子步骤，获取上述植被像素块对应的标准植被图像。
其中，标准植被图像可以是标准植物区域的图像。标准植物区域可以是与植被像素块对应的植物的种类和种植间距相同的植物所在的区域。并且标准植物区域内的植物可以是灌溉充足的植物。
第二子步骤，将上述植被像素块对应的标准植被图像中的中心像素点与标准植被图像中的各个像素点之间的欧式距离的均值，确定为上述植被像素块对应的标准距离均值。
第三子步骤，将上述植被像素块对应的距离均值与标准距离均值的差值，确定为上述植被像素块对应的稀疏程度。
由于稀疏程度可以表征植被由于卷曲而增大的距离。所以稀疏程度越大，往往代表需要的灌溉量越多。
第五步，对上述地面像素块集合中的每个地面像素块进行切割，得到上述地面像素块对应的地面图像。
其中，地面图像可以是地面像素块对应的图像。
第六步，对上述地面像素块集合中的每个地面像素块对应的地面图像进行灰度化，得到上述地面像素块对应的灰度地面图像。
第七步，对于上述地面像素块集合中的每个地面像素块，将上述地面像素块对应的灰度地面图像内的像素点对应的灰度值的均值，确定为上述地面像素块对应的灰度均值，得到灰度均值向量。
其中，灰度均值向量可以是由灰度均值组成的向量。
由于植被之间裸露的地面区域发生干旱时，该地面区域的颜色往往发生变化。例如，可能会变白变亮。所以，考虑地面像素块对应的灰度地面图像内的像素点对应的灰度值的均值，可以判断地面像素块对应的地面区域的干旱程度，即地面区域需要的灌溉量的情况。
第八步，将上述叶面卷曲等级向量、上述稀疏程度向量和上述灰度均值向量，组合为目标向量。
例如，目标向量的第一个元素可以是叶面卷曲等级向量。目标向量的第二个元素可以是稀疏程度向量。目标向量的第三个元素可以是灰度均值向量。
第九步，将上述目标向量，输入到灌溉量预测网络，通过灌溉量预测网络，确定上述目标灌溉量。
可选地，上述叶面卷曲等级网络的训练过程，可以包括以下步骤：
第一步，构建叶面卷曲等级网络。
其中，叶面卷曲等级网络可以是分类网络。
叶面卷曲等级网络的构建可以通过现有技术实现，在此不再赘述。
第二步，获取第一样本植被图像集合。
其中，上述第一样本植被图像集合中的第一样本植被图像对应的标签可以为叶面卷曲等级。第一样本植被图像集合中的第一样本植被图像可以是已知叶面卷曲等级的RGB图像。
第三步，利用上述第一样本植被图像集合和上述第一样本植被图像集合中的各个第一样本植被图像对应的标签，对叶面卷曲等级网络进行训练，得到训练完成的叶面卷曲等级网络。
本步骤可以通过现有技术实现，在此不再赘述。
可选地，上述灌溉量预测网络的训练过程，可以包括以下步骤：
第一步，构建灌溉量预测网络。
其中，灌溉量预测网络可以是回归网络。灌溉量预测网络的损失函数可以为均方差损失函数。
灌溉量预测网络的构建可以通过现有技术实现，在此不再赘述。
第二步，获取第二样本植被图像集合。
其中，上述第二样本植被图像集合中的第二样本植被图像对应的标签可以为灌溉量。第二样本植被图像集合中的第二样本植被图像可以是已知所需灌溉量的RGB图像。
第三步，对于上述第二样本植被图像集合中的每个第二样本植被图像，对上述第二样本植被图像进行超像素块分割，得到上述第二样本植被图像对应的样本超像素块集合。
其中，样本超像素块集合中的样本超像素块可以是由位置相邻且颜色、亮度和纹理等特征相似的像素点组成的区域。
作为示例，可以通过超像素分割算法，对第二样本植被图像进行超像素块分割，得到第二样本植被图像对应的样本超像素块集合。
第四步，对于上述第二样本植被图像集合中的每个第二样本植被图像，对上述第二样本植被图像对应的样本超像素块集合中的每个样本超像素块进行绿度提取，确定上述样本超像素块对应的样本绿度指标，得到上述第二样本植被图像对应的样本绿度指标集合。
本步骤的具体实现方式可以参考步骤202，可以将样本超像素块集合，作为目标超像素块集合，执行步骤202，得到的绿度指标集合，即为样本绿度指标集合。
第五步，对于上述第二样本植被图像集合中的每个第二样本植被图像，根据上述第二样本植被图像对应的样本绿度指标集合，对上述第二样本植被图像对应的样本超像素块集合中的样本超像素块进行分类，得到上述第二样本植被图像对应的样本植被像素块集合和样本地面像素块集合。
本步骤的具体实现方式可以参考步骤203，可以将样本超像素块集合和样本绿度指标集合，分别作为目标超像素块集合和绿度指标集合，执行步骤203，得到的植被像素块集合和地面像素块集合，即为样本植被像素块集合和样本地面像素块集合。
第六步，对于上述第二样本植被图像集合中的每个第二样本植被图像，根据上述第二样本植被图像对应的样本植被像素块集合和叶面卷曲等级网络，确定上述第二样本植被图像对应的样本叶面卷曲等级向量。
本步骤的具体实现方式可以参考步骤204包括的作为示例中的第一步和第二步，可以将样本植被像素块集合，作为植被像素块集合，执行步骤204包括的作为示例中的第一步和第二步，得到的叶面卷曲等级向量，即为样本叶面卷曲等级向量。
第七步，对于上述第二样本植被图像集合中的每个第二样本植被图像，根据上述第二样本植被图像对应的样本植被像素块集合和预先获取的样本距离均值，确定上述第二样本植被图像对应的样本稀疏程度向量。
本步骤的具体实现方式可以参考步骤204包括的作为示例中的第三步和第四步，可以将样本植被像素块集合和样本距离均值，分别作为植被像素块集合和标准距离均值，执行步骤204包括的作为示例中的第三步和第四步，得到的稀疏程度向量，即为样本稀疏程度向量。
第八步，对于上述第二样本植被图像集合中的每个第二样本植被图像，根据上述第二样本植被图像对应的样本地面像素块集合，确定上述第二样本植被图像对应的样本灰度均值向量。
本步骤的具体实现方式可以参考步骤204包括的作为示例中的第五步至第七步，可以将样本地面像素块集合，作为地面像素块集合，执行步骤204包括的作为示例中的第五步至第七步，得到的灰度均值向量，即为样本灰度均值向量。
第九步，对于上述第二样本植被图像集合中的每个第二样本植被图像，将上述第二样本植被图像对应的样本叶面卷曲等级向量、样本稀疏程度向量和样本灰度均值向量，组合为上述第二样本植被图像对应的样本向量。
本步骤的具体实现方式可以参考步骤204包括的作为示例中的第八步，可以将样本叶面卷曲等级向量、样本稀疏程度向量和样本灰度均值向量，分别作为叶面卷曲等级向量、稀疏程度向量和灰度均值向量，执行步骤204包括的作为示例中的第八步，得到的目标向量，即为样本向量。
第十步，利用上述第二样本植被图像集合中的第二样本植被图像对应的样本向量和上述第二样本植被图像集合中的各个第二样本植被图像对应的标签，对灌溉量预测网络进行训练，得到训练完成的灌溉量预测网络。
本步骤可以通过现有技术实现，在此不再赘述。
步骤205，根据预先获取的气象参数值组集合和训练完成的修正网络，确定修正权重。
在一些实施例中，可以根据预先获取的气象参数值组集合和训练完成的修正网络，确定修正权重。
其中，气象参数值组集合中的气象参数值可以是预测的气象参数对应的值。气象参数可以是与气象相关的参数。例如，气象参数可以是但不限于：温度、湿度、风速和降水量。气象参数值组集合中的气象参数值组可以与气象参数的种类一一对应。温度、湿度、风速和降水量可以代表4种不同种类的气象参数。气象参数值组中的气象参数值可以是预设时间段内的气象参数值。预设时间段可以是预先设置的时间段。预设时间段的开始时刻可以是当前时刻。例如，预设时间段可以是以当前时刻开始，以3天后结束的时间段。气象参数值组集合中的各个气象参数值组中相同位置的气象参数值可以是在相同时刻采集的。气象参数值组中相邻的气象参数值被采集的时刻之间的时间间隔可以相同。修正网络可以是用于确定修正权重的网络。修正权重可以是用于修正目标灌溉量的权重。
作为示例，本步骤可以包括以下步骤：
第一步，对上述气象参数值组集合中的每个气象参数值组进行预设数目等距分割，得到上述气象参数值组对应的子气象参数值组集合。
其中，预设数目可以是预先设置的数目。如，预设数目可以是3。
例如，气象参数值组可以是由3天内采集的气象参数值组成的组。当预设数目为3时，子气象参数值组集合中的第一个子气象参数值组中的子气象参数值可以是第一天采集的气象参数值。子气象参数值组集合中的第二个子气象参数值组中的子气象参数值可以是第二天采集的气象参数值。子气象参数值组集合中的第三个子气象参数值组中的子气象参数值可以是第三天采集的气象参数值。
第二步，对于上述气象参数值组集合中的每个气象参数值组，将上述气象参数值组对应的子气象参数值组集合中的每个子气象参数值组中的子气象参数值的均值，确定为上述子气象参数值组对应的气象均值，得到上述气象参数值组对应的气象均值组。
第三步，将上述气象参数值组集合中的各个气象参数值组对应的气象均值组中的相同位置的气象均值，组合为气象向量，得到气象向量集合。
其中，气象向量集合中的各个气象向量中的相同位置的元素对应的气象参数的种类可以相同。
例如，上述预设数目可以为3。气象均值组中的气象均值的数量可以为3。气象向量集合中的气象向量的数量可以为3。将上述气象参数值组集合中的各个气象参数值组对应的气象均值组中的相同位置的气象均值，组合为气象向量，得到气象向量集合可以包括以下子步骤：
第一子步骤，将上述气象参数值组集合中的第一个气象参数值组对应的气象均值组中的第一个气象均值、第二个气象参数值组对应的气象均值组中的第一个气象均值和第三个气象参数值组对应的气象均值组中的第一个气象均值，组合为上述气象向量集合中的第一个气象向量。
第二子步骤，将上述气象参数值组集合中的第一个气象参数值组对应的气象均值组中的第二个气象均值、第二个气象参数值组对应的气象均值组中的第二个气象均值和第三个气象参数值组对应的气象均值组中的第二个气象均值，组合为上述气象向量集合中的第二个气象向量。
第三子步骤，将上述气象参数值组集合中的第一个气象参数值组对应的气象均值组中的第三个气象均值、第二个气象参数值组对应的气象均值组中的第三个气象均值和第三个气象参数值组对应的气象均值组中的第三个气象均值，组合为上述气象向量集合中的第三个气象向量。
第四步，将上述气象向量集合，输入到修正网络，通过修正网络，确定上述修正权重。
可选地，上述修正网络的训练过程，可以包括以下步骤：
第一步，构建修正网络。
其中，修正网络可以是回归网络。修正网络的损失函数可以为均方差损失函数。
修正网络的构建可以通过现有技术实现，在此不再赘述。
第二步，获取多个样本气象参数值组集合。
其中，上述多个样本气象参数值组集合中的样本气象参数值组集合对应的标签可以为样本修正权重。多个样本气象参数值组集合中的样本气象参数值组集合可以是已知样本修正权重的气象参数值组集合。样本修正权重可以是用于修正灌溉量的权重。
第三步，根据上述多个样本气象参数值组集合中的每个样本气象参数值组集合，确定上述样本气象参数值组集合对应的气象参数值特征向量集合。
本步骤的具体实现方式可以参考步骤205包括的作为示例中的第一步至第三步，可以将样本气象参数值组集合，作为气象参数值组集合，执行步骤205包括的作为示例中的第一步至第三步，得到的气象向量集合，即为气象参数值特征向量集合。
第四步，利用上述多个样本气象参数值组集合中的样本气象参数值组集合对应的气象参数值特征向量集合和上述多个样本气象参数值组集合中的各个样本气象参数值组集合对应的标签，对修正网络进行训练，得到训练完成的修正网络。
本步骤可以通过现有技术实现，在此不再赘述。
步骤206，将修正权重与目标灌溉量的乘积，确定为修正灌溉量。
在一些实施例中，可以将上述修正权重与上述目标灌溉量的乘积，确定为修正灌溉量。
其中，修正灌溉量可以是修正后的灌溉量。
例如，当修正灌溉量大于预先设置的临界灌溉量时，将修正灌溉量更新为临界灌溉量。其中，临界灌溉量可以是目标植被区域所能承受的最大的灌溉量。
步骤207，根据预先获取的参考灌溉量、目标灌溉时长和修正灌溉量，确定目标灌溉时长内每个时刻对应的目标出口流量，得到目标出口流量集合。
在一些实施例中，可以根据预先获取的参考灌溉量、目标灌溉时长和上述修正灌溉量，确定上述目标灌溉时长内每个时刻对应的目标出口流量，得到目标出口流量集合。
其中，参考灌溉量可以是参考植被区域所需要的修正后的灌溉量。参考植被区域可以是待灌溉的植被区域内的目标植被区域的上一个子区域。确定参考植被区域的参考灌溉量的具体实现方式可以参考步骤201至步骤206，可以将预先获取的参考植被区域对应的图像，作为目标植被图像，执行步骤201至步骤206，得到的修正灌溉量，即为参考灌溉量。目标灌溉时长可以是根据实际情况，预先设置的目标植被区域的灌溉时长。例如，目标灌溉时长可以是10分钟。目标出口流量集合中的目标出口流量可以是目标隔膜泵的出口流量。出口流量可以是单位时间内的水的流量。
作为示例，根据预先获取的参考灌溉量、目标灌溉时长和上述修正灌溉量，确定上述目标灌溉时长内每个时刻对应的目标出口流量对应的公式可以为：
Figure 413509DEST_PATH_IMAGE010
Figure 969124DEST_PATH_IMAGE011
Figure 659869DEST_PATH_IMAGE012
其中，
Figure 351750DEST_PATH_IMAGE013
是目标灌溉时长内第t个时刻对应的目标出口流量。
Figure 650007DEST_PATH_IMAGE014
是目标灌溉时长内第t-1个时刻对应的目标出口流量。
Figure 958498DEST_PATH_IMAGE015
是目标灌溉时长内第t个时刻与第t-1个时刻对应的目标出口流量之间的变化量。
Figure 984092DEST_PATH_IMAGE016
是修正灌溉量。
Figure 546791DEST_PATH_IMAGE017
是参考灌溉量。exp( )是以自然常数为底的指数函数。b和k可以是模型参数。b和k可以是通过大量数据拟合得到的。
Figure 265217DEST_PATH_IMAGE018
是目标灌溉时长。
当参考植被区域是待灌溉的植被区域内的第一个子区域时，目标灌溉时长内第一个时刻对应的目标出口流量可以是
Figure 795425DEST_PATH_IMAGE019
。其中，
Figure 641021DEST_PATH_IMAGE020
是预先获取的参考植被区域被灌溉的时长。当目标植被区域是待灌溉的植被区域内的第一个子区域时，目标灌溉时长内每个时刻对应的目标出口流量可以是
Figure 307494DEST_PATH_IMAGE021
。其中，
Figure 196822DEST_PATH_IMAGE020
可以等于
Figure 699478DEST_PATH_IMAGE022
。将目标灌溉时长内的各个时刻对应的目标出口流量累加，得到的和可以等于修正灌溉量
Figure 332454DEST_PATH_IMAGE023
。
由于
Figure 119013DEST_PATH_IMAGE024
，
Figure 929974DEST_PATH_IMAGE013
是目标灌溉时长内第t个时刻对应的目标出口流量。
Figure 434774DEST_PATH_IMAGE025
是目标灌溉时长内第t-1个时刻对应的目标出口流量。
Figure 340282DEST_PATH_IMAGE026
是目标灌溉时长内第t个时刻与第t-1个时刻对应的目标出口流量之间的变化量。可以使
Figure 997659DEST_PATH_IMAGE027
分摊到目标灌溉时长
Figure 228789DEST_PATH_IMAGE028
内的各个时刻，可以使目标隔膜泵的出口流量慢慢调整，可以避免由于出口流量的大幅度变化，导致的压力波动过大，耗电量突增等问题的出现。
例如，当目标出口流量大于预先设置的临界流量时，将目标出口流量更新为临界流量。其中，临界流量可以是目标隔膜泵所允许的最大的出口流量。
步骤208，根据目标出口流量集合，实时控制目标隔膜泵的出口流量。
在一些实施例中，可以根据上述目标出口流量集合，实时控制目标隔膜泵的出口流量。
作为示例，目标出口流量集合可以是[A，B，C]。其中，A可以是目标灌溉时长内的第一分钟对应的目标出口流量。B可以是目标灌溉时长内的第二分钟对应的目标出口流量。C可以是目标灌溉时长内的第三分钟对应的目标出口流量。可以在目标灌溉时长内的第一分钟时，控制目标隔膜泵的出口流量为A。可以在目标灌溉时长内的第二分钟时，控制目标隔膜泵的出口流量为B。可以在目标灌溉时长内的第三分钟时，控制目标隔膜泵的出口流量为C。
对于将待灌溉的植被区域，划分的多个子区域中的每个子区域，均可以执行步骤201至步骤208，可以实现对多个子区域中的每个子区域的灌溉。

Claims (10)

1.一种用于植保无人机载隔膜泵控制系统，其特征在于，包括数据获取模块和隔膜泵控制模块，所述数据获取模块用于获取目标植被区域的目标植被图像，并将获取的目标植被图像发送给所述隔膜泵控制模块，所述隔膜泵控制模块用于接收所述数据获取模块发送的目标植被图像，并实现以下步骤：
对所述目标植被图像进行超像素块分割，得到目标超像素块集合；
对所述目标超像素块集合中的每个目标超像素块进行绿度提取，确定所述目标超像素块对应的绿度指标，得到绿度指标集合；
根据所述绿度指标集合，对所述目标超像素块集合中的目标超像素块进行分类，得到植被像素块集合和地面像素块集合；
根据所述植被像素块集合、所述地面像素块集合、训练完成的叶面卷曲等级网络和灌溉量预测网络，确定所述目标植被区域所需要的灌溉量，作为目标灌溉量；
根据预先获取的气象参数值组集合和训练完成的修正网络，确定修正权重；
将所述修正权重与所述目标灌溉量的乘积，确定为修正灌溉量；
根据预先获取的参考灌溉量、目标灌溉时长和所述修正灌溉量，确定所述目标灌溉时长内每个时刻对应的目标出口流量，得到目标出口流量集合；
根据所述目标出口流量集合，实时控制目标隔膜泵的出口流量。
2.根据权利要求1所述的一种用于植保无人机载隔膜泵控制系统，其特征在于，所述对所述目标超像素块集合中的每个目标超像素块进行绿度提取，确定所述目标超像素块对应的绿度指标，包括：
将所述目标超像素块中的像素点对应的红色通道值的均值，确定为所述目标超像素块对应的红度均值；
将所述目标超像素块中的像素点对应的绿色通道值的均值，确定为所述目标超像素块对应的绿度均值；
将所述目标超像素块中的像素点对应的蓝色通道值的均值，确定为所述目标超像素块对应的蓝度均值；
将所述目标超像素块对应的红度均值、绿度均值与蓝度均值相加得到的和，确定为所述目标超像素块对应的颜色均值；
将所述目标超像素块对应的绿度均值和颜色均值的比值，确定为所述目标超像素块对应的绿度指标。
3.根据权利要求1所述的一种用于植保无人机载隔膜泵控制系统，其特征在于，所述根据所述绿度指标集合，对所述目标超像素块集合中的目标超像素块进行分类，得到植被像素块集合和地面像素块集合，包括：
当所述目标超像素块集合中的目标超像素块对应的绿度指标大于预先设置的绿度阈值时，将目标超像素块，确定为植被像素块；
当所述目标超像素块集合中的目标超像素块对应的绿度指标小于或等于所述绿度阈值时，将目标超像素块，确定为地面像素块。
4.根据权利要求1所述的一种用于植保无人机载隔膜泵控制系统，其特征在于，所述根据所述植被像素块集合、所述地面像素块集合、训练完成的叶面卷曲等级网络和灌溉量预测网络，确定所述目标植被区域所需要的灌溉量，作为目标灌溉量，包括：
对所述植被像素块集合中的每个植被像素块进行切割，得到所述植被像素块对应的植被图像；
将所述植被像素块集合中的每个植被像素块对应的植被图像，输入到叶面卷曲等级网络，通过叶面卷曲等级网络，确定所述植被像素块对应的叶面卷曲等级，得到叶面卷曲等级向量；
对于所述植被像素块集合中的每个植被像素块，将所述植被像素块中的中心像素点与所述植被像素块中的各个像素点之间的欧式距离的均值，确定为所述植被像素块对应的距离均值，其中，中心像素点是中心点处的像素点；
对于所述植被像素块集合中的每个植被像素块，将所述植被像素块对应的距离均值与预先获取的所述植被像素块对应的标准距离均值的差值，确定为所述植被像素块对应的稀疏程度，得到稀疏程度向量；
对所述地面像素块集合中的每个地面像素块进行切割，得到所述地面像素块对应的地面图像；
对所述地面像素块集合中的每个地面像素块对应的地面图像进行灰度化，得到所述地面像素块对应的灰度地面图像；
对于所述地面像素块集合中的每个地面像素块，将所述地面像素块对应的灰度地面图像内的像素点对应的灰度值的均值，确定为所述地面像素块对应的灰度均值，得到灰度均值向量；
将所述叶面卷曲等级向量、所述稀疏程度向量和所述灰度均值向量，组合为目标向量；
将所述目标向量，输入到灌溉量预测网络，通过灌溉量预测网络，确定所述目标灌溉量。
5.根据权利要求4所述的一种用于植保无人机载隔膜泵控制系统，其特征在于，所述叶面卷曲等级网络的训练过程，包括：
构建叶面卷曲等级网络；
获取第一样本植被图像集合，其中，所述第一样本植被图像集合中的第一样本植被图像对应的标签为叶面卷曲等级；
利用所述第一样本植被图像集合和所述第一样本植被图像集合中的各个第一样本植被图像对应的标签，对叶面卷曲等级网络进行训练，得到训练完成的叶面卷曲等级网络。
6.根据权利要求4所述的一种用于植保无人机载隔膜泵控制系统，其特征在于，所述灌溉量预测网络的训练过程，包括：
构建灌溉量预测网络；
获取第二样本植被图像集合，其中，所述第二样本植被图像集合中的第二样本植被图像对应的标签为灌溉量；
对于所述第二样本植被图像集合中的每个第二样本植被图像，对所述第二样本植被图像进行超像素块分割，得到所述第二样本植被图像对应的样本超像素块集合；
对于所述第二样本植被图像集合中的每个第二样本植被图像，对所述第二样本植被图像对应的样本超像素块集合中的每个样本超像素块进行绿度提取，确定所述样本超像素块对应的样本绿度指标，得到所述第二样本植被图像对应的样本绿度指标集合；
对于所述第二样本植被图像集合中的每个第二样本植被图像，根据所述第二样本植被图像对应的样本绿度指标集合，对所述第二样本植被图像对应的样本超像素块集合中的样本超像素块进行分类，得到所述第二样本植被图像对应的样本植被像素块集合和样本地面像素块集合；
对于所述第二样本植被图像集合中的每个第二样本植被图像，根据所述第二样本植被图像对应的样本植被像素块集合和叶面卷曲等级网络，确定所述第二样本植被图像对应的样本叶面卷曲等级向量；
对于所述第二样本植被图像集合中的每个第二样本植被图像，根据所述第二样本植被图像对应的样本植被像素块集合和预先获取的样本距离均值，确定所述第二样本植被图像对应的样本稀疏程度向量；
对于所述第二样本植被图像集合中的每个第二样本植被图像，根据所述第二样本植被图像对应的样本地面像素块集合，确定所述第二样本植被图像对应的样本灰度均值向量；
对于所述第二样本植被图像集合中的每个第二样本植被图像，将所述第二样本植被图像对应的样本叶面卷曲等级向量、样本稀疏程度向量和样本灰度均值向量，组合为所述第二样本植被图像对应的样本向量；
利用所述第二样本植被图像集合中的第二样本植被图像对应的样本向量和所述第二样本植被图像集合中的各个第二样本植被图像对应的标签，对灌溉量预测网络进行训练，得到训练完成的灌溉量预测网络。
7.根据权利要求1所述的一种用于植保无人机载隔膜泵控制系统，其特征在于，所述根据预先获取的气象参数值组集合和训练完成的修正网络，确定修正权重，包括：
对所述气象参数值组集合中的每个气象参数值组进行预设数目等距分割，得到所述气象参数值组对应的子气象参数值组集合；
对于所述气象参数值组集合中的每个气象参数值组，将所述气象参数值组对应的子气象参数值组集合中的每个子气象参数值组中的子气象参数值的均值，确定为所述子气象参数值组对应的气象均值，得到所述气象参数值组对应的气象均值组；
将所述气象参数值组集合中的各个气象参数值组对应的气象均值组中的相同位置的气象均值，组合为气象向量，得到气象向量集合；
将所述气象向量集合，输入到修正网络，通过修正网络，确定所述修正权重。
8.根据权利要求7所述的一种用于植保无人机载隔膜泵控制系统，其特征在于，所述预设数目为3，气象均值组中的气象均值的数量为3，气象向量集合中的气象向量的数量为3；
所述将所述气象参数值组集合中的各个气象参数值组对应的气象均值组中的相同位置的气象均值，组合为气象向量，得到气象向量集合，包括：
将所述气象参数值组集合中的第一个气象参数值组对应的气象均值组中的第一个气象均值、第二个气象参数值组对应的气象均值组中的第一个气象均值和第三个气象参数值组对应的气象均值组中的第一个气象均值，组合为所述气象向量集合中的第一个气象向量；
将所述气象参数值组集合中的第一个气象参数值组对应的气象均值组中的第二个气象均值、第二个气象参数值组对应的气象均值组中的第二个气象均值和第三个气象参数值组对应的气象均值组中的第二个气象均值，组合为所述气象向量集合中的第二个气象向量；
将所述气象参数值组集合中的第一个气象参数值组对应的气象均值组中的第三个气象均值、第二个气象参数值组对应的气象均值组中的第三个气象均值和第三个气象参数值组对应的气象均值组中的第三个气象均值，组合为所述气象向量集合中的第三个气象向量。
9.根据权利要求7所述的一种用于植保无人机载隔膜泵控制系统，其特征在于，所述修正网络的训练过程，包括：
构建修正网络；
获取多个样本气象参数值组集合，其中，所述多个样本气象参数值组集合中的样本气象参数值组集合对应的标签为样本修正权重；
根据所述多个样本气象参数值组集合中的每个样本气象参数值组集合，确定所述样本气象参数值组集合对应的气象参数值特征向量集合；
利用所述多个样本气象参数值组集合中的样本气象参数值组集合对应的气象参数值特征向量集合和所述多个样本气象参数值组集合中的各个样本气象参数值组集合对应的标签，对修正网络进行训练，得到训练完成的修正网络。
10.根据权利要求4所述的一种用于植保无人机载隔膜泵控制系统，其特征在于，所述将所述植被像素块对应的距离均值与预先获取的所述植被像素块对应的标准距离均值的差值，确定为所述植被像素块对应的稀疏程度，包括：
获取所述植被像素块对应的标准植被图像；
将所述植被像素块对应的标准植被图像中的中心像素点与标准植被图像中的各个像素点之间的欧式距离的均值，确定为所述植被像素块对应的标准距离均值；
将所述植被像素块对应的距离均值与标准距离均值的差值，确定为所述植被像素块对应的稀疏程度。
CN202211050305.4A 2022-08-31 2022-08-31 用于植保无人机载隔膜泵控制系统 Active CN115126686B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211050305.4A CN115126686B (zh) 2022-08-31 2022-08-31 用于植保无人机载隔膜泵控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211050305.4A CN115126686B (zh) 2022-08-31 2022-08-31 用于植保无人机载隔膜泵控制系统

Publications (2)

Publication Number Publication Date
CN115126686A CN115126686A (zh) 2022-09-30
CN115126686B true CN115126686B (zh) 2022-11-11

Family

ID=83387980

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211050305.4A Active CN115126686B (zh) 2022-08-31 2022-08-31 用于植保无人机载隔膜泵控制系统

Country Status (1)

Country Link
CN (1) CN115126686B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8488874B2 (en) * 2011-01-31 2013-07-16 Dalhouse University Variable rate sprayer system and method of variably applying agrochemicals
CN110288647B (zh) * 2019-06-25 2021-05-07 中国水利水电科学研究院 一种基于高分辨率卫星数据监测灌区灌溉面积方法
US11440659B2 (en) * 2019-09-12 2022-09-13 National Formosa University Precision agriculture implementation method by UAV systems and artificial intelligence image processing technologies
EP3798899A1 (en) * 2019-09-30 2021-03-31 Basf Se Quantifying plant infestation by estimating the number of insects on leaves, by convolutional neural networks that provide density maps
CN112105461A (zh) * 2019-11-05 2020-12-18 深圳市大疆创新科技有限公司 一种控制方法、控制设备、可移动平台及控制系统
CN113040034B (zh) * 2021-03-26 2023-10-24 西京学院 一种节水灌溉控制系统及控制方法
CN113919615A (zh) * 2021-05-31 2022-01-11 江苏大学 一种基于无人机遥感数据反演的农田智能灌溉决策系统

Also Published As

Publication number Publication date
CN115126686A (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN111369093A (zh) 基于机器学习的灌溉方法和装置
CN112931150B (zh) 一种基于柑橘冠层光谱响应的灌溉系统和方法
CN114331753B (zh) 农事智能化的方法、装置及控制设备
CN114442705B (zh) 一种基于物联网的智慧农业系统及控制方法
CN107122855A (zh) 一种基于机器学习的农田作物蒸散量预测系统
CN112286263A (zh) 一种农作物的调控方法、装置、系统及通信设备
CN114429592A (zh) 一种基于人工智能的自动灌溉方法及设备
KR20190136774A (ko) 작물의 수확시기 예측시스템 및 그 방법
CN111401790B (zh) 地表用水量计算方法、装置、计算机设备和存储介质
KR102363948B1 (ko) 열대성 뇌우 발생 예측 방법
CN109566361A (zh) 一种用于果树灌溉自动化控制系统及方法
CN114120072A (zh) 图像处理方法、计算机可读存储介质以及计算机终端
CN115126686B (zh) 用于植保无人机载隔膜泵控制系统
JP2021073860A (ja) 農作物生育推定装置、農作物生育推定システム、農作物生育推定方法、及びプログラム
CN112990108B (zh) 一种基于卷积神经网络实现堤坝护坡的系统
CN115049112A (zh) 一种迁飞性昆虫空间分布预测方法和装置
CN113435345A (zh) 生长阶段确定方法、装置、农业系统、设备及存储介质
Ambildhuke et al. Transfer Learning Approach-An Efficient Method to Predict Rainfall Based on Ground-Based Cloud Images.
CN110598932B (zh) 基于融合天气特征的输电走廊覆冰预警方法
CN116746463A (zh) 一种基于天气预报和土壤监测的智能浇灌系统
CN113807132A (zh) 植物生长区域的灌水状态的识别方法、装置和存储介质
Zhang et al. Automatic counting of lettuce using an improved YOLOv5s with multiple lightweight strategies
CN112982297B (zh) 一种基于卷积神经网络实现边坡生态防护的系统
CN116399401A (zh) 一种基于人工智能的农业种植系统及方法
CN114325875A (zh) 气象站设备控制方法及设备

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