CN115857417B - 基于智能遥感图像识别的无人机农药喷洒控制系统及方法 - Google Patents
基于智能遥感图像识别的无人机农药喷洒控制系统及方法 Download PDFInfo
- Publication number
- CN115857417B CN115857417B CN202310162370.4A CN202310162370A CN115857417B CN 115857417 B CN115857417 B CN 115857417B CN 202310162370 A CN202310162370 A CN 202310162370A CN 115857417 B CN115857417 B CN 115857417B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- remote sensing
- sprayed
- crop
- 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
Links
Images
Landscapes
- Catching Or Destruction (AREA)
Abstract
本发明涉及基于智能遥感图像识别的无人机农药喷洒控制系统及方法，通过无人机进入监控或巡视模式，对共享权限进行开启或关闭；依靠巡检待喷洒范围内的土地遥感图像，获取待喷洒范围内的喷洒作物类型；随机获取土地遥感图像中的作物感兴趣区域，获取作物感兴趣区域的病虫害图像结果和土壤酸碱度，适应性地开启与作物感兴趣区域的土壤酸碱度或病虫害图像结果对应的一个或多个农药喷洒箱；并据其调节无人机的飞行速度和高度，对待喷洒范围内的作物和土壤进行农药喷洒。该发明对作用区域的作物和土壤进行多维度识别与匹配，采用无人机的适用性调整采取最合理的农药喷洒策略，并且允许具有共性农药喷洒需求的用户共享无人机，提升土地农药喷洒效率。
Description
技术领域
本发明涉及一种农业喷药装置，具体是一种基于智能遥感图像识别的无人机农药喷洒控制系统及方法。
背景技术
撒农药无人机又称为植保无人机，又名无人飞行器，顾名思义是用于农林植物保护作业的无人驾驶飞机，该型无人飞机由飞行平台(安装翼、直升机、多轴飞行器)、导航飞控、喷洒机构三部分组成，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，撒农药无人机具有作业高度低，飘移少，可空中悬停，无需专用起降机场，喷洒作业人员避免了暴露于农药的危险，提高了喷洒作业安全性等诸多优点，电动无人直升机喷洒技术采用喷雾喷洒方式至少可以节约50％的农药使用量，节约90％的用水量，这将很大程度的降低资源成本，电动无人机与油动的相比，整体尺寸小，重量轻，折旧率更低、单位作业人工成本不高、易保养。
而由于农用无人机体积小、重量轻、运输方便、可垂直起降、飞行操控灵活，对于不同地域、不同地块、不同作物等具有良好的适应性。因此不管在我国北方还是南方，丘陵还是平原，大地块还是小地块，都有广阔的应用前景。
但当前的采用无人机的农药喷洒装置一般喷洒仅仅依靠无人机配备的药箱，通过控制无人机的飞行速度、高度等数据对土地进行直接喷洒，造成喷洒药物效果差，对农作物和土壤的改善作用低，缺少可以针对性地智能识别喷洒土地情况的自适应性农药喷洒无人机。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于智能遥感图像识别的无人机农药喷洒控制方法和系统。
为了达到上述目的，本发明采用以下技术方案：
根据本发明第一方面，本发明提供了一种基于智能遥感图像识别的无人机农药喷洒控制方法，其特征在于，包括：
无人机判断待喷洒范围的上一次农药喷洒时间与当前时间是否超过第一预设周期，当超过第一预设周期时，无人机进入监控模式，当未超过第一预设周期时，无人机进入巡视模式；
当无人机进入监控模式时，无人机关闭共享权限，开启图像传感器，巡检待喷洒范围内的第一土地遥感图像，获取待喷洒范围内的喷洒作物类型；
当无人机进入巡视模式时，开启共享权限；
基于喷洒作物类型，随机获取第一土地遥感图像中的作物感兴趣区域，获取作物感兴趣区域的病虫害图像结果；
当病虫害图像结果表明作物感兴趣区域已感染病虫害时，无人机获取作物感兴趣区域的土壤酸碱度；
当病虫害图像结果表明作物感兴趣区域未感染病虫害时，无人机进入巡视模式；
当作物感兴趣区域的土壤酸碱度偏离正常值超过第一阈值时，无人机开启复合喷洒模式，开启与作物感兴趣区域的土壤酸碱度和病虫害图像结果对应的多个农药喷洒箱；
当作物感兴趣区域的土壤酸碱度偏离正常值未超过第一阈值时，无人机开启独立喷洒模式，开启与病虫害图像结果对应的农药喷洒箱；
依据对应的农药喷洒箱，调节无人机的飞行速度和高度，对待喷洒范围内的作物和土壤进行农药喷洒。
进一步地，当无人机进入监控模式时，无人机关闭共享权限，开启图像传感器，巡检待喷洒范围内的第一土地遥感图像，获取待喷洒范围内的喷洒作物类型，具体包括：
当无人机进入监控模式时，关闭共享权限，无人机仅允许第一控制终端发出控制指令；
第一控制终端向无人机发出监控指令，无人机根据监控指令开启配置的图像传感器；
无人机巡检待喷洒范围，对待喷洒范围内的土地进行遥感图像拍摄，获取多张第一土地遥感图像；
对第一土地遥感图像中的作物种类进行识别，当第一土地遥感图像中的作物种类数量为1时，确定土地遥感中的作物种类为喷洒作物类型；
当第一土地遥感图像中的作物种类数量不为1时，确定第一土地遥感图像中的各种作物所占百分比比例，将所占比例最高的作物的种类作物喷洒作物类型。
进一步地，基于喷洒作物类型，随机获取第一土地遥感图像中的作物感兴趣区域，获取作物感兴趣区域的病虫害图像结果，还包括：
依据喷洒作物类型，在待喷洒范围中随机选定预设面积的土地区域作为作物感兴趣区域；
无人机使用图像传感器获取作物感兴趣区域的作物的第二土地遥感图像；
依据喷洒作物类型，根据对应的优先级，获取第二土地遥感图像中的不同作物器官；
当第二土地遥感图像与预设病虫害参考图像库匹配时，认定第二土地遥感图像存在病虫害；
当第二土地遥感图像与预设病虫害参考图像库不匹配时，认定第二土地遥感图像不存在病虫害。
进一步地，当病虫害图像结果表明作物感兴趣区域已感染病虫害时，无人机获取作物感兴趣区域的土壤酸碱度；当作物感兴趣区域的土壤酸碱度偏离正常值超过第一阈值时，无人机开启复合喷洒模式，开启与作物感兴趣区域的土壤酸碱度和病虫害图像结果对应的多个农药喷洒箱；当作物感兴趣区域的土壤酸碱度偏离正常值未超过第一阈值时，无人机开启独立喷洒模式，开启与病虫害图像结果对应的农药喷洒箱，包括：
当病虫害图像结果表明作物感兴趣区域已感染病虫害时，无人机开启土壤酸碱度测量器；
无人机获取作物感兴趣区域的土壤酸碱度，将作物感兴趣区域的土壤酸碱度与正常酸碱度进行比对，当比对的结果认定作物感兴趣区域的土壤酸碱度偏离正常酸碱度超过第一阈值时，认定待喷洒范围的土壤异常，否则，认定待喷洒范围的土壤正常；
当认定待喷洒范围的土壤异常时，无人机开启复合喷洒模式，开启与作物感兴趣区域的土壤酸碱度和病虫害图像结果分别对应的至少两个农药喷洒箱；
当认定待喷洒范围的土壤正常时，无人机开启独立喷洒模式，仅开启与病虫害图像结果对应的一个农药喷洒箱。
进一步地，依据对应的农药喷洒箱，调节无人机的飞行速度和高度，对待喷洒范围内的作物和土壤进行农药喷洒，还包括：
当开启至少两个农药喷洒箱时，调节无人机的飞行高度为近地飞行并开启无人机的避障功能，设置无人机的飞行速度为慢速；
控制无人机近地对待喷洒范围的土壤进行对应的农药的喷洒；
调节无人机的飞行高度为高于作物高度飞行，并关闭无人机的避障功能，依据无人机检测的风速，设置无人机的飞行速度为中速或快速；
控制无人机近地对待喷洒范围的作物进行对应的农药的喷洒；
当仅开启一个农药喷洒箱时，调节无人机的飞行高度为高于作物高度飞行，并关闭无人机的避障功能，依据无人机检测的风速，设置无人机的飞行速度为中速或快速；
控制无人机近地对待喷洒范围的作物进行对应的农药的喷洒。
根据本发明第二方面，本发明还请求保护一种基于智能遥感图像识别的无人机农药喷洒控制系统，包括无人机和多个控制终端，无人机至少具有图像传感器、土壤酸碱度测量器、风速传感器、多个农药喷洒箱；
控制终端向无人机发送喷洒指令；
所述无人机农药喷洒控制系统用于执行所述的基于智能遥感图像识别的无人机农药喷洒控制方法。
本发明的基于智能遥感图像识别的无人机农药喷洒控制方法和系统，通过无人机进入监控或巡视模式，对共享权限进行开启或关闭；依靠巡检待喷洒范围内的土地遥感图像，获取待喷洒范围内的喷洒作物类型；随机获取土地遥感图像中的作物感兴趣区域，获取作物感兴趣区域的病虫害图像结果和土壤酸碱度，适应性地开启与作物感兴趣区域的土壤酸碱度或病虫害图像结果对应的一个或多个农药喷洒箱；并依据其调节无人机的飞行速度和高度，对待喷洒范围内的作物和土壤进行农药喷洒。该发明对作用区域的作物和土壤进行多维度识别与匹配，采用无人机的适用性调整采取最合理的农药喷洒策略，并且允许具有共性农药喷洒需求的用户共享无人机，提升土地农药喷洒效率。
附图说明
图1为本发明涉及的基于智能遥感图像识别的无人机农药喷洒控制方法的第一工作流程图；
图2为本发明涉及的基于智能遥感图像识别的无人机农药喷洒控制方法的第二工作流程图；
图3为本发明涉及的基于智能遥感图像识别的无人机农药喷洒控制方法的第三工作流程图；
图4为本发明涉及的基于智能遥感图像识别的无人机农药喷洒控制方法的第四工作流程图；
图5为本发明涉及的基于智能遥感图像识别的无人机农药喷洒控制系统的结构模块图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
根据本发明第一实施例，参照附图1-4，本发明提供了一种基于智能遥感图像识别的无人机农药喷洒控制方法，其特征在于，包括：
无人机判断待喷洒范围的上一次农药喷洒时间与当前时间是否超过第一预设周期，当超过第一预设周期时，无人机进入监控模式，当未超过第一预设周期时，无人机进入巡视模式；
当无人机进入监控模式时，无人机关闭共享权限，开启图像传感器，巡检待喷洒范围内的第一土地遥感图像，获取待喷洒范围内的喷洒作物类型；
当无人机进入巡视模式时，开启共享权限；
基于喷洒作物类型，随机获取第一土地遥感图像中的作物感兴趣区域，获取作物感兴趣区域的病虫害图像结果；
当病虫害图像结果表明作物感兴趣区域已感染病虫害时，无人机获取作物感兴趣区域的土壤酸碱度；
当病虫害图像结果表明作物感兴趣区域未感染病虫害时，无人机进入巡视模式；
当作物感兴趣区域的土壤酸碱度偏离正常值超过第一阈值时，无人机开启复合喷洒模式，开启与作物感兴趣区域的土壤酸碱度和病虫害图像结果对应的多个农药喷洒箱；
当作物感兴趣区域的土壤酸碱度偏离正常值未超过第一阈值时，无人机开启独立喷洒模式，开启与病虫害图像结果对应的农药喷洒箱；
依据对应的农药喷洒箱，调节无人机的飞行速度和高度，对待喷洒范围内的作物和土壤进行农药喷洒。
本发明中所使用的的无人机至少包括驱动结构，驱动结构的侧立面对称安装有多根平衡架，平衡架的外侧端通过平衡轴安装着转动引擎，平衡架内开设有用于连线的走线腔，转动引擎的顶部输出轴上安装着螺旋桨，驱动结构的底面上安装有起落架，驱动结构底面中心安装有用于喷洒农药的喷嘴，驱动结构的顶面上安装有与花洒喷药泵连通的农药喷洒箱，农药喷洒箱的顶面上螺纹密封盖设有加注盖，农药喷洒箱为压实盖压安装在驱动结构的顶面上，农药喷洒箱的内顶部竖直并排安装有多个隔板，平衡架的底面上开设有开口向下的缓冲沟，缓冲沟内通过转动驱动装置转动安装着转动喷头的一端，转动喷头的表面上设有多个用于喷药的喷药孔，转动喷头与内置在驱动结构内部的转动送料装置相连通，转动喷头内部设有用于分隔转动喷头内部的隔离装置，驱动结构的内底部设有缓冲减震装置。
进一步地，当无人机进入监控模式时，无人机关闭共享权限，开启图像传感器，巡检待喷洒范围内的第一土地遥感图像，获取待喷洒范围内的喷洒作物类型，具体包括：
当无人机进入监控模式时，关闭共享权限，无人机仅允许第一控制终端发出控制指令；
第一控制终端向无人机发出监控指令，无人机根据监控指令开启配置的图像传感器；
无人机巡检待喷洒范围，对待喷洒范围内的土地进行遥感图像拍摄，获取多张第一土地遥感图像；
对第一土地遥感图像中的作物种类进行识别，当第一土地遥感图像中的作物种类数量为1时，确定土地遥感中的作物种类为喷洒作物类型；
当第一土地遥感图像中的作物种类数量不为1时，确定第一土地遥感图像中的各种作物所占百分比比例，将所占比例最高的作物的种类作物喷洒作物类型。
对第一土地遥感图像进行预处理，以获得对应的科属种类图像，其中科属种类图像包括至少一个关键特征集。科属种类图像用于区分原第一土地遥感图像中的各部分，例如用于区分其中的有效作物部分和无效杂质部分。其中，至少一个关键特征集，是基于对第一土地遥感图像中的连通区域的关键特征集信息进行分析而获得的。
1)对第一土地遥感图像中的像素执行种类化操作，例如对该图像进行二值化以获得相应的二值化图像，在一些实施例中，二值化图像通过使原图像的像素点矩阵中的每个像素点的灰度值为0(黑色)或者255(白色)；
2)对第一土地遥感图像执行语义分割操作，例如无人机通过摄像头采集到待检测范围的土地的图像后，将该图像输入事先训练好的有效作物部分检测模型，以获得语义分割结果(例如该图像所对应的科属种类图像，或者用于生成该科属种类图像的中间图像)，在一些实施例中该有效作物部分检测模型为语义分割模型，用于对上述图像进行语义分割操作；其中，一幅图像一般由若干个像素(pixel)组成，而语义分割操作则用于将这些像素按照图像中表达语义含义的不同而进行分组或者分割，分组或者分割的操作可通过基于像素聚类的分割方法。
为加快图像预处理的速度以改善有效作物部分识别操作的实时性，辅助控制信息确定设备对第一土地遥感图像进行预处理以获得对应的预处理图像，其中预处理图像的尺寸小于第一土地遥感图像；随后，为了获得与原先的第一土地遥感图像相匹配的科属种类图像，对预处理图像进行插值操作，以获得与第一土地遥感图像尺寸相同的科属种类图像，其中科属种类图像包括至少一个关键特征集。通过将科属种类图像的尺寸还原为原图像尺寸，无人机的测距结果将更准确，且方便后续的算法处理。其中，若采用常用的图像插值方式，在将预处理图像处理为科属种类图像时会引入其他像素值的像素。为了避免引入其他像素值的像素以进一步提高科属种类图像的精度，从而进一步提高有效作物部分检测结果的精度，在一些实施例中，插值操作包括最近邻插值操作。
上述多个第一土地遥感图像的特征点基于多个有效植株坐标点确定，多个有效植株坐标点在地面上的投影呈圆形分布；对于一封闭的有效作物部分关键特征集而言，每个有效植株坐标点将对应于该有效作物部分关键特征集上的两个点。以多个有效植株坐标点之一为例，在有效作物部分关键特征集由点集来表征的情形下，若该有效植株坐标点恰好对应于有效作物部分关键特征集上的一个(或两个)点，则将该一个(或两个)点作为该有效植株坐标点所对应的第一土地遥感图像的特征点；若该有效植株坐标点未恰好对应于有效作物部分关键特征集上的任何点，则确定该有效作物部分关键特征集上的所有点中与该有效植株坐标点在水平方向上的角度差(例如以植株的茎秆的重心为顶点)最小的点为第一土地遥感图像的特征点。其中，在判断该水平方向的角度差的过程中，对于封闭的有效作物部分关键特征集而言，对于同一个有效植株坐标点而言，在一些实施例中可同时确定两个第一土地遥感图像的特征点，该两个第一土地遥感图像的特征点在竖直方向上位于不同高度。
无人机进一步判断第一土地遥感图像的特征点的具体种类(例如小麦、玉米等)，从而确定第一土地遥感图像的特征点的具体种类。在一些实施例中，对某个第一土地遥感图像的特征点的具体种类的判断，可基于该第一土地遥感图像的特征点周围一定的相邻区域内像素所对应的具体种类确定。例如，无人机以该第一土地遥感图像的特征点为中心确定一区域，并以该区域中各种具体种类的像素累积面积中占比最大的像素累积面积的具体种类，作为该第一土地遥感图像的特征点的具体种类，用于后续处理，例如用于判断作物的性质。进一步地，基于喷洒作物类型，随机获取第一土地遥感图像中的作物感兴趣区域，获取作物感兴趣区域的病虫害图像结果，还包括：
依据喷洒作物类型，在待喷洒范围中随机选定预设面积的土地区域作为作物感兴趣区域；
无人机使用图像传感器获取作物感兴趣区域的作物的第二土地遥感图像；
依据喷洒作物类型，根据对应的优先级，获取第二土地遥感图像中的不同作物器官；
当第二土地遥感图像与预设病虫害参考图像库匹配时，认定第二土地遥感图像存在病虫害；
当第二土地遥感图像与预设病虫害参考图像库不匹配时，认定第二土地遥感图像不存在病虫害。
在病虫害匹配过程中，先从每一个类中选取若干个病虫害图像作为病虫害参考图像，把其余的病虫害图像作为测试样本。具体操作是选取每一个类的前n个病虫害图像作为病虫害参考图像，其中n分别取值1到5，相应地其他所有病虫害图像作为测试样本。由于过程用病虫害库中的每一种疾病的病虫害图像总数为5，因此在病虫害库中，每个类的病虫害参考图像数目n为1到4。所有的病虫害参考图像组成病虫害参考图像库，测试样本组成测试样本库。对于测试病虫害库中每一个测试样本，计算它和病虫害参考图像库中的每一个病虫害参考图像的匹配得分。并把和测试样本的匹配得分最小的那个病虫害参考图像的类别信息作为测试样本所属的类。然后将估计的测试样本的类别和真实的类别信息对比，计算相应的病虫害识别错误率。
其中，依据喷洒作物类型，根据对应的优先级，获取第二土地遥感图像中的不同作物器官，具体包括：
预设图像中的器官包括茎秆、叶部、果实，根据作物类型，不同的作物的用于食用或工农业用途的器官不同，设定不同类型作物的不同器官的重要性权重；
当作物为芹菜、竹笋、花菜等茎菜类时，重要性权重设定茎秆为最高权重时，获取第二土地遥感图像中的不同作物器官的优先级为优先获取茎秆器官图像；
当作物为白菜、韭菜、青菜等叶菜类时，重要性权重设定叶为最高权重时，获取第二土地遥感图像中的不同作物器官的优先级为优先获取叶部器官图像；
当作物为茄子、番茄、黄瓜等果菜类时，重要性权重设定果实为最高权重时，获取第二土地遥感图像中的不同作物器官的优先级为优先获取果实器官图像；
在获取作物感兴趣区域的作物的第二土地遥感图像之后，可以相应的调整该病虫害图像的关键特征点的信息。为了不失一般性，待匹配的第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像的关键特征点的信息都是经过旋转和位置平移调整之后的，我们用两个关键特征点向量的形式来表示它们，来自第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像的的关键特征点的向量进行匹配时，如果来自第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像的关键特征点（，）和（，）以及对应来自第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像的关键特征点（，）和（，）在水平方向的连线斜率角和。
满足以下条件就认为它们是匹配的关键特征点。
和
其中，和分别表示两个关键特征点匹配的距离阈值和角度阈值。在本实施例方法中=20，=15。即当两个关键特征点的对应位置差距和角度差小于相应的阈值，就认为两者匹配成功。实际匹配过程中，我们分别求两个细节点特征向量的最小二乘法转换，在最小二乘法变换空间中寻找最佳匹配组合。求得最佳匹配关键特征点之后，就可以求两个病虫害的关键特征点向量之间的匹配得分：
其中，表示匹配上的关键特征点的总数，A和B就代表待匹配的第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像，和表示相应两个病虫害图像的关键特征点的数目。则表示两个病虫害图像的关键特征点的匹配得分。因此两个病虫害图像匹配的细节点数目越多，匹配得分值越大，则待匹配的第二土地遥感图像A与预设病虫害参考图像库的病虫害参考图像和B越相似。
进一步地，当病虫害图像结果表明作物感兴趣区域已感染病虫害时，无人机获取作物感兴趣区域的土壤酸碱度；当作物感兴趣区域的土壤酸碱度偏离正常值超过第一阈值时，无人机开启复合喷洒模式，开启与作物感兴趣区域的土壤酸碱度和病虫害图像结果对应的多个农药喷洒箱；当作物感兴趣区域的土壤酸碱度偏离正常值未超过第一阈值时，无人机开启独立喷洒模式，开启与病虫害图像结果对应的农药喷洒箱，包括：
当病虫害图像结果表明作物感兴趣区域已感染病虫害时，无人机开启土壤酸碱度测量器；
无人机获取作物感兴趣区域的土壤酸碱度，将作物感兴趣区域的土壤酸碱度与正常酸碱度进行比对，当比对的结果认定作物感兴趣区域的土壤酸碱度偏离正常酸碱度超过第一阈值时，认定待喷洒范围的土壤异常，否则，认定待喷洒范围的土壤正常；
当认定待喷洒范围的土壤异常时，无人机开启复合喷洒模式，开启与作物感兴趣区域的土壤酸碱度和病虫害图像结果分别对应的至少两个农药喷洒箱；
当认定待喷洒范围的土壤正常时，无人机开启独立喷洒模式，仅开启与病虫害图像结果对应的一个农药喷洒箱。具体的农药喷洒箱内的农药与对应的病虫害类型参照表1设置。
表1农药与病虫害对应表
| 农药名称 | 针对病虫害 | 农药名称 | 针对病虫害 |
| 马拉硫磷 | 蝗虫害 | 氯溴异氰尿酸 | 白叶枯病 |
| 乙酰甲胺磷 | 蚜虫 | 苯醚甲环唑 | 柑桔疮痂病 |
| 灭蝇胺 | 果蝇 | 甲基硫菌灵 | 葡萄黑痘病 |
| 石硫合剂 | 红蜘蛛 | 吡唑醚菌酯 | 褐斑病 |
进一步地，依据对应的农药喷洒箱，调节无人机的飞行速度和高度，对待喷洒范围内的作物和土壤进行农药喷洒，还包括：
当开启至少两个农药喷洒箱时，调节无人机的飞行高度为近地飞行并开启无人机的避障功能，设置无人机的飞行速度为慢速；
控制无人机近地对待喷洒范围的土壤进行对应的农药的喷洒；
调节无人机的飞行高度为高于作物高度飞行，并关闭无人机的避障功能，依据无人机检测的风速，设置无人机的飞行速度为中速或快速；
控制无人机近地对待喷洒范围的作物进行对应的农药的喷洒；
当仅开启一个农药喷洒箱时，调节无人机的飞行高度为高于作物高度飞行，并关闭无人机的避障功能，依据无人机检测的风速，设置无人机的飞行速度为中速或快速；
控制无人机近地对待喷洒范围的作物进行对应的农药的喷洒。
具体的，当无人机进入巡视模式时，开启共享权限时，允许具有共性农药喷洒需求的用户共享无人机，提升土地农药喷洒效率。
第一控制终端和第二控制终端均安装有可以控制无人机的应用程序，应用程序中绑定无人机和第一控制终端的所属关系；
第一控制终端和第二控制终端在应用程序设置属于第一控制终端和第二控制终端的第一无人机巡视范围和第二无人机巡视范围，并设置属于第一控制终端和第二控制终端的第一作物类型和第二作物类型；
第一控制终端对无人机进行指令控制；
当无人机开启共享权限时，所属无人机开启雷达模块，检测预设面积范围内的潜在控制终端；
当检测到第二控制终端的第二无人机巡视范围位于第一无人机巡视范围预设面积范围内并且第二控制终端的第二作物类型和第一控制终端的第一作物类型相似度满足预设条件时，无人机认定第二控制终端为潜在控制终端，向第二控制终端发出共享邀请信息；
第二控制终端选择是否接受共享邀请信息，当接受共享邀请信息，第二终端向无人机反馈同意邀请信号；
当不接受共享邀请信息，无人机继续检测预设面积范围内的其他的潜在控制终端；
无人机接收到同意邀请信号后，向第一控制终端发送共享请求指令，共享请求指令包括第二控制终端的属性信息和第二无人机巡视范围信息；
第一终端根据共享请求指令设定无人机的共享时间，形成共享同意指令，发送给无人机；
无人机接收到共享请求指令后，无人机前往第二无人机巡视范围信息进行农药喷洒工作。
参照附图5，根据本发明第二实施例，本发明还请求保护一种基于智能遥感图像识别的无人机农药喷洒控制系统，包括无人机和多个控制终端，无人机至少具有图像传感器、土壤酸碱度测量器、风速传感器、多个农药喷洒箱；
控制终端向无人机发送喷洒指令；
无人机依据喷洒指令判断待喷洒范围的上一次农药喷洒时间与当前时间是否超过第一预设周期，当超过第一预设周期时，无人机进入监控模式，当未超过第一预设周期时，无人机进入巡视模式；
当无人机进入监控模式时，无人机关闭共享权限，开启图像传感器，巡检待喷洒范围内的第一土地遥感图像，获取待喷洒范围内的喷洒作物类型；
当无人机进入巡视模式时，开启共享权限；
基于喷洒作物类型，随机获取第一土地遥感图像中的作物感兴趣区域，获取作物感兴趣区域的病虫害图像结果；
当病虫害图像结果表明作物感兴趣区域已感染病虫害时，无人机获取作物感兴趣区域的土壤酸碱度；
当病虫害图像结果表明作物感兴趣区域未感染病虫害时，无人机进入巡视模式；
当作物感兴趣区域的土壤酸碱度偏离正常值超过第一阈值时，无人机开启复合喷洒模式，开启与作物感兴趣区域的土壤酸碱度和病虫害图像结果对应的多个农药喷洒箱；
当作物感兴趣区域的土壤酸碱度偏离正常值未超过第一阈值时，无人机开启独立喷洒模式，开启与病虫害图像结果对应的农药喷洒箱；
依据对应的农药喷洒箱，调节无人机的飞行速度和高度，对待喷洒范围内的作物和土壤进行农药喷洒。
本发明中所使用的的无人机至少包括驱动结构，驱动结构的侧立面对称安装有多根平衡架，平衡架的外侧端通过平衡轴安装着转动引擎，平衡架内开设有用于连线的走线腔，转动引擎的顶部输出轴上安装着螺旋桨，驱动结构的底面上安装有起落架，驱动结构底面中心安装有用于喷洒农药的喷嘴，驱动结构的顶面上安装有与花洒喷药泵连通的农药喷洒箱，农药喷洒箱的顶面上螺纹密封盖设有加注盖，农药喷洒箱为压实盖压安装在驱动结构的顶面上，农药喷洒箱的内顶部竖直并排安装有多个隔板，平衡架的底面上开设有开口向下的缓冲沟，缓冲沟内通过转动驱动装置转动安装着转动喷头的一端，转动喷头的表面上设有多个用于喷药的喷药孔，转动喷头与内置在驱动结构内部的转动送料装置相连通，转动喷头内部设有用于分隔转动喷头内部的隔离装置，驱动结构的内底部设有缓冲减震装置。
进一步地，当无人机进入监控模式时，无人机关闭共享权限，开启图像传感器，巡检待喷洒范围内的第一土地遥感图像，获取待喷洒范围内的喷洒作物类型，具体包括：
当无人机进入监控模式时，关闭共享权限，无人机仅允许第一控制终端发出控制指令；
第一控制终端向无人机发出监控指令，无人机根据监控指令开启配置的图像传感器；
无人机巡检待喷洒范围，对待喷洒范围内的土地进行遥感图像拍摄，获取多张第一土地遥感图像；
对第一土地遥感图像中的作物种类进行识别，当第一土地遥感图像中的作物种类数量为1时，确定土地遥感中的作物种类为喷洒作物类型；
当第一土地遥感图像中的作物种类数量不为1时，确定第一土地遥感图像中的各种作物所占百分比比例，将所占比例最高的作物的种类作物喷洒作物类型。
对第一土地遥感图像进行预处理，以获得对应的科属种类图像，其中科属种类图像包括至少一个关键特征集。科属种类图像用于区分原第一土地遥感图像中的各部分，例如用于区分其中的有效作物部分和无效杂质部分。其中，至少一个关键特征集，是基于对第一土地遥感图像中的连通区域的关键特征集信息进行分析而获得的。
1)对第一土地遥感图像中的像素执行种类化操作，例如对该图像进行二值化以获得相应的二值化图像，在一些实施例中，二值化图像通过使原图像的像素点矩阵中的每个像素点的灰度值为0(黑色)或者255(白色)；
2)对第一土地遥感图像执行语义分割操作，例如无人机通过摄像头采集到待检测范围的土地的图像后，将该图像输入事先训练好的有效作物部分检测模型，以获得语义分割结果(例如该图像所对应的科属种类图像，或者用于生成该科属种类图像的中间图像)，在一些实施例中该有效作物部分检测模型为语义分割模型，用于对上述图像进行语义分割操作；其中，一幅图像一般由若干个像素(pixel)组成，而语义分割操作则用于将这些像素按照图像中表达语义含义的不同而进行分组或者分割，分组或者分割的操作可通过基于像素聚类的分割方法。
为加快图像预处理的速度以改善有效作物部分识别操作的实时性，辅助控制信息确定设备对第一土地遥感图像进行预处理以获得对应的预处理图像，其中预处理图像的尺寸小于第一土地遥感图像；随后，为了获得与原先的第一土地遥感图像相匹配的科属种类图像，对预处理图像进行插值操作，以获得与第一土地遥感图像尺寸相同的科属种类图像，其中科属种类图像包括至少一个关键特征集。通过将科属种类图像的尺寸还原为原图像尺寸，无人机的测距结果将更准确，且方便后续的算法处理。其中，若采用常用的图像插值方式，在将预处理图像处理为科属种类图像时会引入其他像素值的像素。为了避免引入其他像素值的像素以进一步提高科属种类图像的精度，从而进一步提高有效作物部分检测结果的精度，在一些实施例中，插值操作包括最近邻插值操作。
上述多个第一土地遥感图像的特征点基于多个有效植株坐标点确定，多个有效植株坐标点在地面上的投影呈圆形分布；对于一封闭的有效作物部分关键特征集而言，每个有效植株坐标点将对应于该有效作物部分关键特征集上的两个点。以多个有效植株坐标点之一为例，在有效作物部分关键特征集由点集来表征的情形下，若该有效植株坐标点恰好对应于有效作物部分关键特征集上的一个(或两个)点，则将该一个(或两个)点作为该有效植株坐标点所对应的第一土地遥感图像的特征点；若该有效植株坐标点未恰好对应于有效作物部分关键特征集上的任何点，则确定该有效作物部分关键特征集上的所有点中与该有效植株坐标点在水平方向上的角度差(例如以植株的茎秆的重心为顶点)最小的点为第一土地遥感图像的特征点。其中，在判断该水平方向的角度差的过程中，对于封闭的有效作物部分关键特征集而言，对于同一个有效植株坐标点而言，在一些实施例中可同时确定两个第一土地遥感图像的特征点，该两个第一土地遥感图像的特征点在竖直方向上位于不同高度。
无人机进一步判断第一土地遥感图像的特征点的具体种类(例如小麦、玉米等)，从而确定第一土地遥感图像的特征点的具体种类。在一些实施例中，对某个第一土地遥感图像的特征点的具体种类的判断，可基于该第一土地遥感图像的特征点周围一定的相邻区域内像素所对应的具体种类确定。例如，无人机以该第一土地遥感图像的特征点为中心确定一区域，并以该区域中各种具体种类的像素累积面积中占比最大的像素累积面积的具体种类，作为该第一土地遥感图像的特征点的具体种类，用于后续处理，例如用于判断作物的性质。
进一步地，基于喷洒作物类型，随机获取第一土地遥感图像中的作物感兴趣区域，获取作物感兴趣区域的病虫害图像结果，还包括：
依据喷洒作物类型，在待喷洒范围中随机选定预设面积的土地区域作为作物感兴趣区域；
无人机使用图像传感器获取作物感兴趣区域的作物的第二土地遥感图像；
依据喷洒作物类型，根据对应的优先级，获取第二土地遥感图像中的不同作物器官；
当第二土地遥感图像与预设病虫害参考图像库匹配时，认定第二土地遥感图像存在病虫害；
当第二土地遥感图像与预设病虫害参考图像库不匹配时，认定第二土地遥感图像不存在病虫害。
在病虫害匹配过程中，先从每一个类中选取若干个病虫害图像作为病虫害参考图像，把其余的病虫害图像作为测试样本。具体操作是选取每一个类的前n个病虫害图像作为病虫害参考图像，其中n分别取值1到5，相应地其他所有病虫害图像作为测试样本。由于过程用病虫害库中的每一种疾病的病虫害图像总数为5，因此在病虫害库中，每个类的病虫害参考图像数目n为1到4。所有的病虫害参考图像组成病虫害参考图像库，测试样本组成测试样本库。对于测试病虫害库中每一个测试样本，计算它和病虫害参考图像库中的每一个病虫害参考图像的匹配得分。并把和测试样本的匹配得分最小的那个病虫害参考图像的类别信息作为测试样本所属的类。然后将估计的测试样本的类别和真实的类别信息对比，计算相应的病虫害识别错误率。
其中，依据喷洒作物类型，根据对应的优先级，获取第二土地遥感图像中的不同作物器官，具体包括：
预设图像中的器官包括茎秆、叶部、果实，根据作物类型，不同的作物的用于食用或工农业用途的器官不同，设定不同类型作物的不同器官的重要性权重；
当作物为芹菜、竹笋、花菜等茎菜类时，重要性权重设定茎秆为最高权重时，获取第二土地遥感图像中的不同作物器官的优先级为优先获取茎秆器官图像；
当作物为白菜、韭菜、青菜等叶菜类时，重要性权重设定叶为最高权重时，获取第二土地遥感图像中的不同作物器官的优先级为优先获取叶部器官图像；
当作物为茄子、番茄、黄瓜等果菜类时，重要性权重设定果实为最高权重时，获取第二土地遥感图像中的不同作物器官的优先级为优先获取果实器官图像；
在获取作物感兴趣区域的作物的第二土地遥感图像之后，可以相应的调整该病虫害图像的关键特征点的信息。为了不失一般性，待匹配的第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像的关键特征点的信息都是经过旋转和位置平移调整之后的，我们用两个关键特征点向量的形式来表示它们，来自第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像的的关键特征点的向量进行匹配时，如果来自第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像的关键特征点（，）和（，）以及对应来自第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像的关键特征点（，）和（，）的连线斜率角。
满足以下条件就认为它们是匹配的关键特征点。
和
其中，和分别表示两个关键特征点匹配的距离阈值和角度阈值。在本实施例方法中=20，=15。即当两个关键特征点的对应位置差距和角度差小于相应的阈值，就认为两者匹配成功。实际匹配过程中，我们分别求两个细节点特征向量的最小二乘法转换，在最小二乘法变换空间中寻找最佳匹配组合。求得最佳匹配关键特征点之后，就可以求两个病虫害的关键特征点向量之间的匹配得分：
其中，表示匹配上的关键特征点的总数，A和B就代表待匹配的第二土地遥感图像与预设病虫害参考图像库的病虫害参考图像，和表示相应两个病虫害图像的关键特征点的数目。则表示两个病虫害图像的关键特征点的匹配得分。因此两个病虫害图像匹配的细节点数目越多，匹配得分值越大，则待匹配的第二土地遥感图像A与预设病虫害参考图像库的病虫害参考图像和B越相似。
进一步地，当病虫害图像结果表明作物感兴趣区域已感染病虫害时，无人机获取作物感兴趣区域的土壤酸碱度；当作物感兴趣区域的土壤酸碱度偏离正常值超过第一阈值时，无人机开启复合喷洒模式，开启与作物感兴趣区域的土壤酸碱度和病虫害图像结果对应的多个农药喷洒箱；当作物感兴趣区域的土壤酸碱度偏离正常值未超过第一阈值时，无人机开启独立喷洒模式，开启与病虫害图像结果对应的农药喷洒箱，包括：
当病虫害图像结果表明作物感兴趣区域已感染病虫害时，无人机开启土壤酸碱度测量器；
无人机获取作物感兴趣区域的土壤酸碱度，将作物感兴趣区域的土壤酸碱度与正常酸碱度进行比对，当比对的结果认定作物感兴趣区域的土壤酸碱度偏离正常酸碱度超过第一阈值时，认定待喷洒范围的土壤异常，否则，认定待喷洒范围的土壤正常；
当认定待喷洒范围的土壤异常时，无人机开启复合喷洒模式，开启与作物感兴趣区域的土壤酸碱度和病虫害图像结果分别对应的至少两个农药喷洒箱；
当认定待喷洒范围的土壤正常时，无人机开启独立喷洒模式，仅开启与病虫害图像结果对应的一个农药喷洒箱。
进一步地，依据对应的农药喷洒箱，调节无人机的飞行速度和高度，对待喷洒范围内的作物和土壤进行农药喷洒，还包括：
当开启至少两个农药喷洒箱时，调节无人机的飞行高度为近地飞行并开启无人机的避障功能，设置无人机的飞行速度为慢速；
控制无人机近地对待喷洒范围的土壤进行对应的农药的喷洒；
调节无人机的飞行高度为高于作物高度飞行，并关闭无人机的避障功能，依据无人机检测的风速，设置无人机的飞行速度为中速或快速；
控制无人机近地对待喷洒范围的作物进行对应的农药的喷洒；
当仅开启一个农药喷洒箱时，调节无人机的飞行高度为高于作物高度飞行，并关闭无人机的避障功能，依据无人机检测的风速，设置无人机的飞行速度为中速或快速；
控制无人机近地对待喷洒范围的作物进行对应的农药的喷洒。
具体的，当无人机进入巡视模式时，开启共享权限时，允许具有共性农药喷洒需求的用户共享无人机，提升土地农药喷洒效率。
第一控制终端和第二控制终端均安装有可以控制无人机的应用程序，应用程序中绑定无人机和第一控制终端的所属关系；
第一控制终端和第二控制终端在应用程序设置属于第一控制终端和第二控制终端的第一无人机巡视范围和第二无人机巡视范围，并设置属于第一控制终端和第二控制终端的第一作物类型和第二作物类型；
第一控制终端对无人机进行指令控制；
当无人机开启共享权限时，所属无人机开启雷达模块，检测预设面积范围内的潜在控制终端；
当检测到第二控制终端的第二无人机巡视范围位于第一无人机巡视范围预设面积范围内并且第二控制终端的第二作物类型和第一控制终端的第一作物类型相似度满足预设条件时，无人机认定第二控制终端为潜在控制终端，向第二控制终端发出共享邀请信息；
第二控制终端选择是否接受共享邀请信息，当接受共享邀请信息，第二终端向无人机反馈同意邀请信号；
当不接受共享邀请信息，无人机继续检测预设面积范围内的其他的潜在控制终端；
无人机接收到同意邀请信号后，向第一控制终端发送共享请求指令，共享请求指令包括第二控制终端的属性信息和第二无人机巡视范围信息；
第一终端根据共享请求指令设定无人机的共享时间，形成共享同意指令，发送给无人机；
无人机接收到共享请求指令后，无人机前往第二无人机巡视范围信息进行农药喷洒工作。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (6)
1.基于智能遥感图像识别的无人机农药喷洒控制方法，其特征在于，包括：
无人机判断待喷洒范围的上一次农药喷洒时间与当前时间是否超过第一预设周期，当超过所述第一预设周期时，所述无人机进入监控模式，当未超过所述第一预设周期时，所述无人机进入巡视模式；
当所述无人机进入监控模式时，所述无人机关闭共享权限，开启图像传感器，巡检所述待喷洒范围内的第一土地遥感图像，获取所述待喷洒范围内的喷洒作物类型；
当所述无人机进入巡视模式时，开启所述共享权限；
当所述无人机进入监控模式，所述无人机关闭共享权限，开启图像传感器，巡检所述待喷洒范围内的第一土地遥感图像，获取所述待喷洒范围内的喷洒作物类型时，基于所述喷洒作物类型，随机获取所述第一土地遥感图像中的作物感兴趣区域，获取所述作物感兴趣区域的病虫害图像结果；
当所述病虫害图像结果表明所述作物感兴趣区域已感染病虫害时，所述无人机获取所述作物感兴趣区域的土壤酸碱度；
当所述病虫害图像结果表明所述作物感兴趣区域未感染病虫害时，所述无人机进入巡视模式；
当所述作物感兴趣区域的土壤酸碱度偏离正常值超过第一阈值时，所述无人机开启复合喷洒模式，开启与所述作物感兴趣区域的土壤酸碱度和所述病虫害图像结果对应的多个农药喷洒箱；
当所述作物感兴趣区域的土壤酸碱度偏离正常值未超过第一阈值时，所述无人机开启独立喷洒模式，开启与所述病虫害图像结果对应的农药喷洒箱；
依据对应的所述农药喷洒箱，调节所述无人机的飞行速度和高度，对所述待喷洒范围内的作物和土壤进行农药喷洒。
2.如权利要求1所述的基于智能遥感图像识别的无人机农药喷洒控制方法，其特征在于，包括：所述当所述无人机进入监控模式时，所述无人机关闭共享权限，开启图像传感器，巡检所述待喷洒范围内的第一土地遥感图像，获取所述待喷洒范围内的喷洒作物类型，具体包括：
当所述无人机进入监控模式时，关闭共享权限，无人机仅允许第一控制终端发出控制指令；
所述第一控制终端向所述无人机发出监控指令，所述无人机根据所述监控指令开启配置的图像传感器；
所述无人机巡检所述待喷洒范围，对所述待喷洒范围内的土地进行遥感图像拍摄，获取多张第一土地遥感图像；
对所述第一土地遥感图像中的作物种类进行识别，当所述第一土地遥感图像中的作物种类数量为1时，确定所述土地遥感中的作物种类为喷洒作物类型；
当所述第一土地遥感图像中的作物种类数量不为1时，确定所述第一土地遥感图像中的各种作物所占百分比比例，将所占比例最高的作物的种类作物喷洒作物类型。
3.如权利要求1所述的基于智能遥感图像识别的无人机农药喷洒控制方法，其特征在于，包括：
所述基于所述喷洒作物类型，随机获取所述第一土地遥感图像中的作物感兴趣区域，获取所述作物感兴趣区域的病虫害图像结果，还包括：
依据所述喷洒作物类型，在所述待喷洒范围中随机选定预设面积的土地区域作为作物感兴趣区域；
所述无人机使用图像传感器获取所述作物感兴趣区域的作物的第二土地遥感图像；
依据所述喷洒作物类型，根据对应的优先级，获取所述第二土地遥感图像中的不同作物器官；
当所述第二土地遥感图像与预设病虫害参考图像库匹配时，认定所述第二土地遥感图像存在病虫害；
当所述第二土地遥感图像与预设病虫害参考图像库不匹配时，认定所述第二土地遥感图像不存在病虫害。
4.如权利要求1所述的基于智能遥感图像识别的无人机农药喷洒控制方法，其特征在于，包括：
所述当所述病虫害图像结果表明所述作物感兴趣区域已感染病虫害时，所述无人机获取所述作物感兴趣区域的土壤酸碱度；当所述作物感兴趣区域的土壤酸碱度偏离正常值超过第一阈值时，所述无人机开启复合喷洒模式，开启与所述作物感兴趣区域的土壤酸碱度和所述病虫害图像结果对应的多个农药喷洒箱；当所述作物感兴趣区域的土壤酸碱度偏离正常值未超过第一阈值时，所述无人机开启独立喷洒模式，开启与所述病虫害图像结果对应的农药喷洒箱，包括：
当所述病虫害图像结果表明所述作物感兴趣区域已感染病虫害时，所述无人机开启土壤酸碱度测量器；
所述无人机获取所述作物感兴趣区域的土壤酸碱度，将所述作物感兴趣区域的土壤酸碱度与正常酸碱度进行比对，当比对的结果认定所述作物感兴趣区域的土壤酸碱度偏离所述正常酸碱度超过第一阈值时，认定所述待喷洒范围的土壤异常，否则，认定所述待喷洒范围的土壤正常；
当认定所述待喷洒范围的土壤异常时，所述无人机开启复合喷洒模式，开启与所述作物感兴趣区域的土壤酸碱度和所述病虫害图像结果分别对应的至少两个农药喷洒箱；
当认定所述待喷洒范围的土壤正常时，所述无人机开启独立喷洒模式，仅开启与所述病虫害图像结果对应的一个农药喷洒箱。
5.如权利要求4所述的基于智能遥感图像识别的无人机农药喷洒控制方法，其特征在于，包括：
所述依据对应的所述农药喷洒箱，调节所述无人机的飞行速度和高度，对所述待喷洒范围内的作物和土壤进行农药喷洒，还包括：
当开启至少两个农药喷洒箱时，调节所述无人机的飞行高度为近地飞行并开启所述无人机的避障功能，设置所述无人机的飞行速度为慢速；
控制所述无人机近地对所述待喷洒范围的土壤进行对应的农药的喷洒；
调节所述无人机的飞行高度为高于作物高度飞行，并关闭所述无人机的避障功能，依据所述无人机检测的风速，设置所述无人机的飞行速度为中速或快速；
控制所述无人机近地对所述待喷洒范围的作物进行对应的农药的喷洒；
当仅开启一个农药喷洒箱时，调节所述无人机的飞行高度为高于作物高度飞行，并关闭所述无人机的避障功能，依据所述无人机检测的风速，设置所述无人机的飞行速度为中速或快速；
控制所述无人机近地对所述待喷洒范围的作物进行对应的农药的喷洒。
6.基于智能遥感图像识别的无人机农药喷洒控制系统，包括无人机和多个控制终端，其特征在于，所述无人机至少具有图像传感器、土壤酸碱度测量器、风速传感器、多个农药喷洒箱；
所述控制终端向所述无人机发送喷洒指令；
所述无人机农药喷洒控制系统用于执行权利要求1-5任一项所述的基于智能遥感图像识别的无人机农药喷洒控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310162370.4A CN115857417B (zh) | 2023-02-24 | 2023-02-24 | 基于智能遥感图像识别的无人机农药喷洒控制系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310162370.4A CN115857417B (zh) | 2023-02-24 | 2023-02-24 | 基于智能遥感图像识别的无人机农药喷洒控制系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115857417A CN115857417A (zh) | 2023-03-28 |
| CN115857417B true CN115857417B (zh) | 2023-04-28 |
Family
ID=85658881
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310162370.4A Active CN115857417B (zh) | 2023-02-24 | 2023-02-24 | 基于智能遥感图像识别的无人机农药喷洒控制系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115857417B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112314571A (zh) * | 2020-10-30 | 2021-02-05 | 怀化学院 | 一种基于无人机的农药喷洒系统 |
| CN114035607A (zh) * | 2021-11-06 | 2022-02-11 | 溆浦农飞客农业科技有限公司 | 一种无人机喷洒农药的作业方法 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102854881B (zh) * | 2012-09-19 | 2015-09-30 | 苏州工业园区职业技术学院 | 无人机uav自动控制系统 |
| CN104932341B (zh) * | 2014-09-20 | 2017-07-07 | 湖南省农友机械集团有限公司 | 智能化无人机农药喷洒装置 |
| WO2019075179A1 (en) * | 2017-10-13 | 2019-04-18 | Bayer Cropscience Lp | INDIVIDUALIZED AND CUSTOMIZED PLANT MANAGEMENT USING AUTONOMOUS DRINKING DRONES AND ARTIFICIAL INTELLIGENCE |
| CN108648063A (zh) * | 2018-05-29 | 2018-10-12 | 拓攻（南京）机器人有限公司 | 无人机共享方法、装置、服务器、移动终端及存储介质 |
| WO2020087384A1 (zh) * | 2018-10-31 | 2020-05-07 | 深圳市大疆创新科技有限公司 | 控制方法、设备、测绘无人机和喷洒无人机 |
| CN109375645B (zh) * | 2018-11-01 | 2020-05-12 | 中国科学技术大学 | 基于群集智能的多无人机协同区域巡视控制方法 |
| WO2021196062A1 (zh) * | 2020-04-01 | 2021-10-07 | 唐山哈船科技有限公司 | 一种基于无人机的农业除虫装置及方法 |
| CN111990388B (zh) * | 2020-05-27 | 2021-11-16 | 农业农村部南京农业机械化研究所 | 选择性喷洒系统，地空协同施药系统及协作方法 |
| US20220111960A1 (en) * | 2020-10-09 | 2022-04-14 | Bao Tran | Farm drone |
| CN113284370A (zh) * | 2021-05-17 | 2021-08-20 | 湖北沃可智能科技有限公司 | 基于区块链技术的城市共享无人机智能管理系统 |
| CN116848483A (zh) * | 2021-06-30 | 2023-10-03 | 深圳市大疆创新科技有限公司 | 无人机的控制方法、装置及无人机 |
| US20230029566A1 (en) * | 2021-07-27 | 2023-02-02 | Electronics And Telecommunications Research Institute | Method and system for detecting unmanned aerial vehicle using plurality of image sensors |
| CN113815863A (zh) * | 2021-08-03 | 2021-12-21 | 中国农业科学院烟草研究所(中国烟草总公司青州烟草研究所) | 一种烟草病虫害智能喷洒防治装置及其防治方法 |
| CN113925039B (zh) * | 2021-10-12 | 2022-10-11 | 一鼎(福建)生态园林建设有限公司 | 一种基于物联网的园林病虫害智能防护系统及防控方法 |
| CN114488921B (zh) * | 2022-04-14 | 2022-08-16 | 山东省农业机械科学研究院 | 一种智慧果园物联网管控系统 |
| CN114743117A (zh) * | 2022-04-18 | 2022-07-12 | 宋敬洁 | 适用于病虫害监测的遥感图像采集防控方法及系统 |
-
2023
- 2023-02-24 CN CN202310162370.4A patent/CN115857417B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112314571A (zh) * | 2020-10-30 | 2021-02-05 | 怀化学院 | 一种基于无人机的农药喷洒系统 |
| CN114035607A (zh) * | 2021-11-06 | 2022-02-11 | 溆浦农飞客农业科技有限公司 | 一种无人机喷洒农药的作业方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115857417A (zh) | 2023-03-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Di Gennaro et al. | A low-cost and unsupervised image recognition methodology for yield estimation in a vineyard | |
| Bouguettaya et al. | A survey on deep learning-based identification of plant and crop diseases from UAV-based aerial images | |
| López‐Granados | Weed detection for site‐specific weed management: mapping and real‐time approaches | |
| Singh et al. | Unmanned aircraft systems for precision weed detection and management: Prospects and challenges | |
| Bargoti et al. | A pipeline for trunk detection in trellis structured apple orchards | |
| US11783576B2 (en) | Method and system for optical yield measurement of a standing crop in a field | |
| US11741589B2 (en) | Method and system for optical yield measurement of a standing crop in a field | |
| Karatzinis et al. | Towards an integrated low-cost agricultural monitoring system with unmanned aircraft system | |
| Bieganowski et al. | Sensor‐based outdoor monitoring of insects in arable crops for their precise control | |
| Mousavi et al. | A novel enhanced vgg16 model to tackle grapevine leaves diseases with automatic method | |
| CN115857417B (zh) | 基于智能遥感图像识别的无人机农药喷洒控制系统及方法 | |
| CN113569644B (zh) | 一种基于机器视觉的机场鸟类目标检测方法 | |
| Fuentes-Peñailillo et al. | Using clustering algorithms to segment UAV-based RGB images | |
| CN112640870B (zh) | 一种基于植保无人机的病虫害防治系统及方法 | |
| Kazemi et al. | Evaluation of RGB vegetation indices derived from UAV images for rice crop growth monitoring | |
| Moazzam et al. | Crop and weeds classification in aerial imagery of sesame crop fields using a patch-based deep learning model-ensembling method | |
| Koot | Weed detection with Unmanned Aerial Vehicles in agricultural systems | |
| Pallottino et al. | Greenhouse application of light-drone imaging technology for assessing weeds severity occurring on baby-leaf red lettuce beds approaching fresh-cutting | |
| Burr et al. | Estimating waterbird abundance on catfish aquaculture ponds using an unmanned aerial system | |
| Fang et al. | Classification system study of soybean leaf disease based on deep learning | |
| de Ocampo et al. | Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing. | |
| Sanyal et al. | Application of computer science in pineapple cultivation and diagnosis of its diseases-a systematic study | |
| Flores | Classification of organic quinoa crops using multispectral aerial imagery and machine learning techniques | |
| Siavalas et al. | Unmanned aerial vehicles for agricultural automation | |
| Wang et al. | Field-region and plant-level classification of cotton root rot based on UAV remote sensing |
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 |