CN115147542A - 一种用于精准农业的建模方法及系统 - Google Patents
一种用于精准农业的建模方法及系统 Download PDFInfo
- Publication number
- CN115147542A CN115147542A CN202210671917.9A CN202210671917A CN115147542A CN 115147542 A CN115147542 A CN 115147542A CN 202210671917 A CN202210671917 A CN 202210671917A CN 115147542 A CN115147542 A CN 115147542A
- Authority
- CN
- China
- Prior art keywords
- farmland
- model
- fine
- carrying
- modeling
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种用于精准农业的建模方法及系统,该方法包括:基于摄影测量技术获取待测农田图片并进行三维建模,得到农田模型;获取待测农田环境数据并与农田模型进行融合,得到数字化农田模型;基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导。该系统包括:建模模块、融合模块和分析模块。通过使用本发明,能够提高解决农业生产问题的时效性。本发明作为一种用于精准农业的建模方法及系统,可广泛应用于精准农业装备研究领域。
Description
技术领域
本发明涉及精准农业装备研究领域,尤其涉及一种用于精准农业的建模方法及系统。
背景技术
我国是一个农业大国,耕地面积大,随着农业生产过程的不断发展,国家提出了精准农业方面的研究。田间信息的获取与分析是保证农产品质量的重要环节。但现阶段多数农田作业区域管理粗犷,在耕种时一般多数靠农民的经验来判断,遇到疑难问题时也很难快速得专业的解答,单凭经验判断不够精细化,容易产生误差,无法满足大面积田间智能化管理的需求。现有的一些农田管理系统多为展示农田内信息的二维数据,较为刻板不利于数据可视化的分析与表达,而且无分析功能,不利于田间管理人员所使用,智能化程度较低。
发明内容
为了解决上述技术问题,本发明的目的是提供一种用于精准农业的建模方法及系统,能够提高解决农业生产问题的时效性。
本发明所采用的第一技术方案是:一种用于精准农业的建模方法,包括以下步骤:
基于摄影测量技术获取待测农田图片并进行三维建模,得到农田模型;
获取待测农田环境数据并与农田模型进行融合,得到数字化农田模型;
基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导。
进一步,所述基于摄影测量技术获取待测农田图片并进行三维建模,得到农田模型这一步骤,具体包括:
利用无人机群对待测农田进行拍摄测量和模型构建,生成农田粗模;
根据农田粗模规划精细拍摄航线并进行二次拍摄,得到农田精细图片;
基于图像识别算法利用农田精细图片对农田粗模进行重建,得到农田模型。
进一步,所述根据农田粗模规划精细拍摄航线并进行二次拍摄,得到农田精细图片这一步骤,具体包括:
对农田粗模进行渲染和几何重建解算,得到粗模点云;
对粗模点云进行参数提取,得到待测农田参数;
基于待测农田参数对无人机群进行精细拍摄航线规划,得到精细拍摄航线;
基于精细拍摄航线对待测农田进行二次拍摄,得到农田精细图片。
进一步,所述基于图像识别算法利用农田精细图片对农田粗模进行重建,得到农田模型这一步骤,具体包括:
基于图像识别算法对农田精细图片进行匹配,得到特征点图像;
根据特征点图像生成待处理农田模型;
对待处理农田模型进行法线计算和贴图处理,得到农田模型。
进一步,所述获取待测农田环境数据并与农田模型进行融合,得到数字化农田模型这一步骤,具体包括:
利用无人机群对待测农田环境进行测量,得到农田环境数据信息;
所述农田环境数据信息包括农田经纬度、土壤温湿度、空气温湿度、气压、光照和土壤养分信息;
将农田环境数据信息与农田模型进行融合,得到数字化农田模型。
进一步,所述基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导这一步骤,具体包括:
基于数字化农田模型获取耕种信息;
所述耕种信息包括农作物的高度平均值、农田地貌和养料含量平均值;
基于农业专家数据库对耕种信息进行数据分析,生成耕种指导。
本发明所采用的第二技术方案是:一种用于精准农业的建模系统,包括:
建模模块,基于摄影测量技术获取待测农田图片并进行三维建模,得到农田模型;
融合模块,用于获取待测农田环境数据并与农田模型进行融合,得到数字化农田模型;
分析模块,基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导。
本发明方法及系统的有益效果是:本发明首先通过摄影测量技术对待测农田进行拍摄和三维建模,得到农田模型,通过摄影测量技术无需接触物体本身,可以直观真实反映待测目标的几何信息和物理信息,完成常规方法难以实现的测量工作,成图快、效率高;其次将待测农田环境数据与农田模型进行融合,得到数字化农田模型,可以更加清楚直观地反映在不同环境下农田内的农作物的生长状态;最后基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导,能够实时获取耕种意见,增加了农业生产问题快速解决的时效性;使用该方法与系统可以更好的服务精准农业和智慧农业的建设。
附图说明
图1是本发明一种用于精准农业的建模方法的步骤流程图;
图2是本发明一种用于精准农业的建模系统的结构框图;
图3是本发明具体实施例用于精准农业的建模系统工作流程图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图3,本发明提供了一种用于精准农业的建模方法,该方法包括以下步骤:
S1、基于摄影测量技术获取待测农田图片并进行三维建模,得到农田模型;
具体地,摄影测量技术是指将二维照片合成为三维模型的技术。
S1.1、利用无人机群对待测农田进行拍摄测量和模型构建,生成农田粗模;
具体地,无人机群是由多个带有高精度地理信息的无人机组成的群体。
在无人机群进行拍摄前,尽量在光线均匀的情况下拍摄,自动选择合适的快门速度,以防止后期解算失败,尽量缩小光圈来保证足够的景深,保证照片与照片之间保持百分之75以上的重叠度。
首先无人机群对待测农田进行拍摄,获得待测农田的地貌信息(例如,待测农田各位置的高度)、农作物信息(例如,农作物位置、形状、高度和数量等)、相关植物和特征建筑物;然后根据上述信息构建,生成农田粗模。
S1.2、根据农田粗模规划精细拍摄航线并进行二次拍摄,得到农田精细图片;
具体地,所述精细拍摄航线设计内容为将农田粗模进行拆分,把重点的、高耸的农作物或田间特征建筑等进行拆分,作为一个个单体分别进行航线设计,并检查航线航点的安全性以及偏航、俯仰角度是否合理,最后将精细拍摄航线导入启动无人机飞行指令的服务器,进行执飞,为更细致的建模提供数据支撑。
其单体航线规划具体包括,在步骤S1.1中获取粗模数据的基础上,在粗模中寻找宽度与高度大于整体平均数值的高耸农作物和特征建筑物进行标记,使用单架无人机依次对标记点进行软件内的模拟飞行,在模拟飞行中人为观察飞机是否有对周围物体碰撞、是否航迹规划有误、是否围绕标记点进行进行下视、左视、右视、前视和后视多角度拍摄。若无误进行导入航线规划方案,进行实际的执飞。
S1.2.1、对农田粗模进行渲染和几何重建解算,得到粗模点云;
S1.2.2、对粗模点云进行参数提取,得到待测农田参数;
S1.2.3、基于待测农田参数对无人机群进行精细拍摄航线规划,得到精细拍摄航线;
S1.2.4、基于精细拍摄航线对待测农田进行二次拍摄,得到农田精细图片。
具体地,多架无人机同时起飞且每架次无人机上下间隔一定距离,无人机间隔距离依照待测农田内最高建筑物进行自动调节,环绕待测农田进行下视、左视、右视、前视和后视多角度拍摄,为了保证农田模型的高精度性,环绕飞行拍摄结束后无人机将会围绕农田和相关植物进行前后移动拍摄使得照片产生纵深变化;飞机自动判断相关照片重叠度大于百分之75时无人机返航。
S1.3、基于图像识别算法利用农田精细图片对农田粗模进行重建,得到农田模型。
具体地,将农田精细图片导入重建工具,重建工具不限于任何一个平台,可以是Reality Capture等相关重建平台。
S1.3.1、基于图像识别算法对农田精细图片进行匹配,得到特征点图像;
具体地,由于个别图片可能会存在拍摄问题,如复制模型颜色单一,软件找出相同的像素点比较困难,这样就会存在重建的农田模型质量问题,所有这一步使用人工添加控制点来告诉软件哪些是相同的像素点。
S1.3.2、根据特征点图像生成待处理农田模型;
S1.3.3、对待处理农田模型进行法线计算和贴图处理,得到农田模型。
具体地,首先清理待处理农田模型不需要的地区,然后对待处理农田模型进行法线计算和贴图处理,最后的得到农田模型。
其中,法线贴图是指在原物体的凹凸表面的每个点上均作法线,通过RGB颜色通道来标记法线的方向,可以应用到田间作业区数学模型的特殊纹理,不同于以往的纹理只可以用于2D表面。作为凹凸纹理的扩展,它使每个平面的各像素拥有了高度值,包含了许多细节的表面信息,让模型精度更高。
S2、获取待测农田环境数据并与农田模型进行融合,得到数字化农田模型;
S2.1、利用无人机群对待测农田环境进行测量,得到农田环境数据信息;
具体地,无人机内还设有经纬度定位模块、视觉模块和传感器探针;
其中,经纬度定位模块由BDS北斗卫星导航系统提供,用于测定农田的经纬度信息;
视觉模块具有标定传感器探针插入地点,避障,定位,拍摄待测农田农作物照片等动能;
传感器探针内包含5GWIFI无线通讯模块、土壤温湿度传感器、空气温湿度传感器、气压传感器、光照传感器和土壤养分传感器等传感器用于实时获取待测农田内相关信息参数;
故农田环境数据信息包括农田经纬度、土壤温湿度、空气温湿度、气压、光照和土壤养分信息。
无人机群还设有一个压缩空气的桶状机构,压缩空气将传感器探针射入到土壤内,传感器探针开始工作进行待测农田数据收集,并通过无线通信模块将信息发送到服务器内。
S2.2、将农田环境数据信息与农田模型进行融合,得到数字化农田模型。
具体地,首先根据待测农田的所在省市生成含有省市信息的3D农田建模背景图,然后将农田环境数据信息在背景图上以3D可交互的图表形式表述出来,包括但不限于柱形图、折线图、饼图和直方图等。
S3、基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导。
S3.1、基于数字化农田模型获取耕种信息;
具体地,耕种信息包括农作物的高度平均值、农田地貌和养料含量平均值;
其中,农作物的高度平均值是步骤S1.1中无人机群对待测农田进行拍摄得到的农作物信息中获取的,先将每株农作物的高度相加,然后除以农作物总数,便得到了农作物的高度平均值;
农田地貌是通过数字化农田模型获取农田起伏度,根据起伏度来判断农田地貌,农田地貌包括梯田、坝地、平坝田、冲田、圩田、条田、水田、水浇地、旱地和台地;
养料含量平均值通过土壤养分传感器获得的,根据土壤养分传感器测得数据,取其每天检测到的数值,将数值相加并除以检测次数得到其平均值。
S3.2、基于农业专家数据库对耕种信息进行数据分析,生成耕种指导。
具体地,选择步骤S3.1中所生成的耕种信息,将耕种信息上传到云端服务器的农业专家数据库中,由计算机自动生成一套通过分析现有的环境数据所给出科学的耕种指导。
例如,对萌芽前一周,传感器感知土壤pH值在5-8.5范围且土壤含盐量在0.2%以下时,耕种信息直接自动上传到云端服务器的农业专家数据库中生成如下耕种指导,可以施高氮水溶肥按照每亩4-8公斤/亩,腐殖酸或海藻酸类水溶肥0.5-1公斤/亩;判断土壤内水分含量较低时,则根据农业专家数据库自动生成耕种指导,可以适当进行人工灌溉。
进一步作为本方法优选实施例,当病虫害决策为遇到特重大病虫害情况,可以将耕种信息一并传送给在线解答问题的专家进行专业的解答。
如图2所示,一种用于精准农业的建模系统,包括:
建模模块,基于摄影测量技术获取待测农田图片并进行三维建模,得到农田模型;
融合模块,用于获取待测农田环境数据并与农田模型进行融合,得到数字化农田模型;
分析模块,基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明的有益效果具体包括:
1)该系统为智能化田间作业提供了一种农田可视化方案,增加了数据分析观察的直观性。
2)数据的获取采用无人机群的方式获取,提高了数据获取的快速性和准确性。
3)将实时数据进行数据分析提出耕种意见与建议,并对特重大病虫害等特殊情况进行人工线上农业专家指导,增加了农业生产问题快速解决的时效性。
4)通过该方法及系统,可以更好的服务精准农业和智慧农业的建设。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (7)
1.一种用于精准农业的建模方法,其特征在于,包括以下步骤:
基于摄影测量技术获取待测农田图片并进行三维建模,得到农田模型;
获取待测农田环境数据并与农田模型进行融合,得到数字化农田模型;
基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导。
2.根据权利要求1所述一种用于精准农业的建模方法,其特征在于,所述基于摄影测量技术获取待测农田图片并进行三维建模,得到农田模型这一步骤,具体包括:
利用无人机群对待测农田进行拍摄测量和模型构建,生成农田粗模;
根据农田粗模规划精细拍摄航线并进行二次拍摄,得到农田精细图片;
基于图像识别算法利用农田精细图片对农田粗模进行重建,得到农田模型。
3.根据权利要求2所述一种用于精准农业的建模方法,其特征在于,所述根据农田粗模规划精细拍摄航线并进行二次拍摄,得到农田精细图片这一步骤,具体包括:
对农田粗模进行渲染和几何重建解算,得到粗模点云;
对粗模点云进行参数提取,得到待测农田参数;
基于待测农田参数对无人机群进行精细拍摄航线规划,得到精细拍摄航线;
基于精细拍摄航线对待测农田进行二次拍摄,得到农田精细图片。
4.根据权利要求2所述一种用于精准农业的建模方法,其特征在于,所述基于图像识别算法利用农田精细图片对农田粗模进行重建,得到农田模型这一步骤,具体包括:
基于图像识别算法对农田精细图片进行匹配,得到特征点图像;
根据特征点图像生成待处理农田模型;
对待处理农田模型进行法线计算和贴图处理,得到农田模型。
5.根据权利要求1所述一种用于精准农业的建模方法,其特征在于,所述获取待测农田环境数据并与农田模型进行融合,得到数字化农田模型这一步骤,具体包括:
利用无人机群对待测农田环境进行测量,得到农田环境数据信息;
所述农田环境数据信息包括农田经纬度、土壤温湿度、空气温湿度、气压、光照和土壤养分信息;
将农田环境数据信息与农田模型进行融合,得到数字化农田模型。
6.根据权利要求1所述一种用于精准农业的建模系统,其特征在于,所述基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导这一步骤,具体包括:
基于数字化农田模型获取耕种信息;
所述耕种信息包括农作物的高度平均值、农田地貌和养料含量平均值;
基于农业专家数据库对耕种信息进行数据分析,生成耕种指导。
7.一种用于精准农业的建模系统,其特征在于,包括:
建模模块,基于摄影测量技术获取待测农田图片并进行三维建模,得到农田模型;
融合模块,用于获取待测农田环境数据并与农田模型进行融合,得到数字化农田模型;
分析模块,基于农业专家数据库对数字化农田模型进行数据分析,生成耕种指导。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210671917.9A CN115147542A (zh) | 2022-06-14 | 2022-06-14 | 一种用于精准农业的建模方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210671917.9A CN115147542A (zh) | 2022-06-14 | 2022-06-14 | 一种用于精准农业的建模方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147542A true CN115147542A (zh) | 2022-10-04 |
Family
ID=83408225
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210671917.9A Pending CN115147542A (zh) | 2022-06-14 | 2022-06-14 | 一种用于精准农业的建模方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147542A (zh) |
-
2022
- 2022-06-14 CN CN202210671917.9A patent/CN115147542A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiménez-Brenes et al. | Quantifying pruning impacts on olive tree architecture and annual canopy growth by using UAV-based 3D modelling | |
JP7086203B2 (ja) | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム | |
Rovira-Más et al. | Creation of three-dimensional crop maps based on aerial stereoimages | |
CN111553245A (zh) | 基于机器学习算法和多源遥感数据融合的植被分类方法 | |
CN106403904B (zh) | 一种基于无人机的景观尺度植被覆盖度的计算方法及系统 | |
CN108732129A (zh) | 一种用图像表示农田土壤成分的系统及其方法 | |
CN104320607A (zh) | 基于无人机的监控农田作物生长的方法 | |
CN106643529A (zh) | 基于无人机影像的山区农作物生长高度快速测量的方法 | |
CN109883398A (zh) | 基于无人机倾斜摄影的植株绿量提取的系统及方法 | |
CN108007437B (zh) | 一种基于多旋翼飞行器测量农田边界与内部障碍的方法 | |
Santos et al. | Analysis of flight parameters and georeferencing of images with different control points obtained by RPA | |
CN113610040B (zh) | 一种基于改进BiSeNetV2分割网络的水稻田杂草密度实时统计方法 | |
CN111833435A (zh) | 无人机近地遥感成熟作物密度高通量测量方法 | |
CN115406412A (zh) | 一种基于bim无人机测绘装置及测绘方法 | |
CN117557931B (zh) | 一种基于三维场景的表计最优巡检点的规划方法 | |
Calou et al. | Estimation of maize biomass using unmanned aerial vehicles | |
Domazetovic et al. | Assessing the Vertical Accuracy of Worldview-3 Stereo-extracted Digital Surface Model over Olive Groves. | |
Escolà et al. | Mobile terrestrial laser scanner vs. UAV photogrammetry to estimate woody crop canopy parameters–Part 1: Methodology and comparison in vineyards | |
Dong et al. | Drone-based three-dimensional photogrammetry and concave hull by slices algorithm for apple tree volume mapping | |
CN115147542A (zh) | 一种用于精准农业的建模方法及系统 | |
Ouyang et al. | Using UAV technology for basic data collection of Firmiana danxiaensis HH Hsue & HS Kiu, JS (Malvaceae), an important, nationally protected wild plant in Zhanglao Peak, Danxiashan Mountain, South China | |
CN113159644A (zh) | 基于无人机遥感技术及gis数据处理的林业管理系统及方法 | |
Alvarez-Mendoza et al. | Estimation of Nitrogen in the soil of balsa trees in Ecuador using Unmanned aerial vehicles | |
Yusof et al. | Land clearing, preparation and drone monitoring using Red-Green-Blue (RGB) and thermal imagery for Smart Durian Orchard Management project | |
Kaivosoja | Role of spatial data uncertainty in executions of precision farming operations |
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 |