CN116935235B - 基于采茶无人机的新鲜茶叶识别方法及相关装置 - Google Patents

Abstract

本发明涉及图像识别技术领域，公开了一种基于采茶无人机的新鲜茶叶识别方法及相关装置，用于提高基于采茶无人机的新鲜茶叶识别的准确率。包括：通过茶叶分布信息及形状布局信息进行三维虚拟地图构建，得到三维虚拟地图；对多个采茶无人机进行路径规划，生成目标图像采集路径；对多个采茶无人机进行任务划分，得到图像采集任务；控制每个采茶无人机执行每个采茶无人机的图像采集任务得到茶叶图像集，对茶叶图像集进行茶叶形态分类得到多个茶叶图像子集；对每个茶叶图像子集进行特征提取，得到纹理特征集及HOG特征集；将纹理特征集及HOG特征集输入茶叶识别模型进行新鲜度计算，得到每个茶叶图像子集对应的新鲜度。

Description

基于采茶无人机的新鲜茶叶识别方法及相关装置

技术领域

本发明涉及图像识别技术领域，尤其涉及一种基于采茶无人机的新鲜茶叶识别方法及相关装置。

背景技术

传统的茶叶采摘和生产过程通常依赖于人工劳动，效率低下且容易受到人为因素影响，导致采摘不均匀和品质参差不齐的问题。为了提高茶叶生产的效率和质量，无人机技术和图像处理技术的结合为茶叶采摘带来了新的可能性。利用无人机进行茶叶图像采集和识别，结合图像处理和机器学习算法，可以实现对茶叶新鲜度和形态的自动识别和分类，从而实现茶叶的自动化采摘和质量评估。

尽管无人机技术和图像处理技术在茶叶采摘领域取得了一些进展，但仍存在一些不足之处：目前茶叶形态和新鲜度的识别准确性还不够高，尤其是在复杂多样的茶叶生长环境中，识别结果受到光照、阴影和遮挡等因素的影响，导致识别错误率较高。在无人机集群的路径规划过程中，仅考虑了遗传算法，缺乏对其他优化算法的研究和比较，导致路径规划效果不尽如人意，影响采摘效率。目前对于茶叶质量的评估主要依靠形态分类和新鲜度计算，但对于茶叶品质的其他重要指标，如营养成分和口感特性等，尚未充分考虑。

发明内容

本发明提供了一种基于采茶无人机的新鲜茶叶识别方法及相关装置，用于提高基于采茶无人机的新鲜茶叶识别的准确率。

本发明第一方面提供了一种基于采茶无人机的新鲜茶叶识别方法，所述基于采茶无人机的新鲜茶叶识别方法包括：

对目标茶叶园进行形状提取，得到所述目标茶叶园对应的形状布局信息，同时，对目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息；

通过所述茶叶分布信息以及所述形状布局信息进行三维虚拟地图构建，得到所述目标茶叶园对应的三维虚拟地图；

基于所述三维虚拟地图，对预置的多个采茶无人机进行路径规划，生成每个所述采茶无人机的目标图像采集路径；

基于每个所述采茶无人机的目标图像采集路径，对多个所述采茶无人机进行任务划分，得到每个所述采茶无人机的图像采集任务；

控制每个所述采茶无人机执行每个所述采茶无人机的图像采集任务，得到茶叶图像集，并对所述茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集；

分别对每个所述茶叶图像子集进行纹理特征提取，得到每个所述茶叶图像子集对应的纹理特征集；

分别对每个所述茶叶图像子集进行HOG特征提取，得到每个所述茶叶图像子集对应的HOG特征集；

将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型进行新鲜度计算，得到每个所述茶叶图像子集对应的新鲜度；

通过每个所述茶叶图像子集对应的新鲜度对所述三维虚拟地图进行茶叶质量信息标注，得到茶叶质量分布地图，同时，通过每个所述茶叶图像子集对应的新鲜度生成新鲜茶叶识别报告。

结合第一方面，在本发明第一方面的第一实施方式中，所述对目标茶叶园进行形状提取，得到所述目标茶叶园对应的形状布局信息，同时，对目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息，包括：

通过预置的建筑信息数据库，对所述目标茶叶园进行形状信息提取，得到所述目标茶叶园对应的形状布局信息；

对所述形状布局信息进行区域分割，得到多个茶叶园区域；

对每个所述茶叶园区域进行密度分析，得到每个所述茶叶园区域对应的区域密度；

通过每个所述茶叶园区域对应的区域密度对所述目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息。

结合第一方面，在本发明第一方面的第二实施方式中，所述基于所述三维虚拟地图，对预置的多个采茶无人机进行路径规划，生成每个所述采茶无人机的目标图像采集路径，包括：

对每个所述采茶无人机进行起始位置分析，得到每个所述采茶无人机的起始位置坐标；

对每个所述采茶无人机进行最大飞行距离提取，得到每个所述采茶无人机的最大飞行距离，同时，对每个所述采茶无人机进行采集区域半径分析，得到每个所述采茶无人机的采集区域半径；

通过每个所述采茶无人机的起始位置坐标以及每个所述采茶无人机的采集区域半径对所述三维虚拟地图进行路径生成，得到每个所述采茶无人机对应的初始图像采集路径；

对多个所述采茶无人机进行设备数量分析，得到设备数量，并通过所述设备数量进行遗传算法生成，得到遗传算法参数集；

通过所述遗传算法参数集对预置的初始遗传算法进行参数配置，得到目标遗传算法；

将每个所述采茶无人机对应的初始图像采集路径输入所述目标遗传算法进行适应度计算，得到适应度集合；

将所述适应度集合输入所述目标遗传算法对每个所述采茶无人机对应的初始图像采集路径进行交叉迭代优化，得到每个所述采茶无人机的目标图像采集路径。

结合第一方面的第一实施方式，在本发明第一方面的第三实施方式中，所述基于每个所述采茶无人机的目标图像采集路径，对多个所述采茶无人机进行任务划分，得到每个所述采茶无人机的图像采集任务，包括：

对每个所述采茶无人机的目标图像采集路径进行路径分割，得到每个所述采茶无人机的子采集路径集；

根据每个所述采茶无人机的子采集路径集对多个所述茶叶园区域进行区域匹配，得到每个所述采茶无人机的子采集路径集对应的采集区域集；

根据每个所述采茶无人机的子采集路径集对应的采集区域集对多个所述采茶无人机进行任务划分，得到每个所述采茶无人机的图像采集任务。

结合第一方面，在本发明第一方面的第四实施方式中，所述控制每个所述采茶无人机执行每个所述采茶无人机的图像采集任务，得到茶叶图像集，并对所述茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集，包括：

控制每个所述采茶无人机执行每个所述采茶无人机的图像采集任务，得到茶叶图像集；

对所述茶叶图像集进行茶叶形态轮廓提取，得到所述茶叶图像集中每个所述茶叶图像对应的茶叶形态轮廓；

通过每个所述茶叶图像对应的茶叶形态轮廓对所述茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集。

结合第一方面，在本发明第一方面的第五实施方式中，所述分别对每个所述茶叶图像子集进行HOG特征提取，得到每个所述茶叶图像子集对应的HOG特征集，包括：

分别对每个所述茶叶图像子集进行图像增强处理，得到多个增强图像子集；

对每个所述增强图像子集中的每个增强图像进行局部区域分割，得到每个所述增强图像子集的局部区域集合；

对每个所述增强图像子集的局部区域集合进行边缘方向提取，得到每个所述增强图像子集的边缘方向特征；

对每个所述增强图像子集的局部区域集合进行梯度特征提取，得到每个所述增强图像子集的梯度特征；

通过每个所述增强图像子集的边缘方向特征以及每个所述增强图像子集的梯度特征进行特征向量转换，得到每个所述茶叶图像子集对应的HOG特征集。

结合第一方面，在本发明第一方面的第六实施方式中，所述将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型进行新鲜度计算，得到每个所述茶叶图像子集对应的新鲜度，包括：

将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型，其中，所述茶叶识别模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层以及输出层；

将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入所述输入层进行特征拼接，得到拼接特征集；

将所述拼接特征集输入至所述第一卷积层进行第一次特征点乘并求和，得到第一候选特征集；

将所述候选特征集输入所述第一池化层进行第一次特征最大值提取，得到第二候选特征集；

将所述第二候选特征集输入所述第二卷积层进行第二次特征点乘并求和，得到第三候选特征集；

将所述第三候选特征集输入所述第二池化层进行第二次特征最大值提取，得到第四候选特征集；

将所述第四候选特征集输入所述全连接层进行特征图展平处理，得到待处理长向量，并将所述待处理长向量进行偏置权重分配，得到多个目标向量；

对所述多个目标向量进行归一化处理，得到概率分布数据集合，通过所述概率分布数据集合进行新鲜度计算，得到每个所述茶叶图像子集对应的新鲜度。

本发明第二方面提供了一种基于采茶无人机的新鲜茶叶识别装置，所述基于采茶无人机的新鲜茶叶识别装置包括：

第一提取模块，用于对目标茶叶园进行形状提取，得到所述目标茶叶园对应的形状布局信息，同时，对目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息；

构建模块，用于通过所述茶叶分布信息以及所述形状布局信息进行三维虚拟地图构建，得到所述目标茶叶园对应的三维虚拟地图；

规划模块，用于基于所述三维虚拟地图，对预置的多个采茶无人机进行路径规划，生成每个所述采茶无人机的目标图像采集路径；

划分模块，用于基于每个所述采茶无人机的目标图像采集路径，对多个所述采茶无人机进行任务划分，得到每个所述采茶无人机的图像采集任务；

分类模块，用于控制每个所述采茶无人机执行每个所述采茶无人机的图像采集任务，得到茶叶图像集，并对所述茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集；

第二提取模块，用于分别对每个所述茶叶图像子集进行纹理特征提取，得到每个所述茶叶图像子集对应的纹理特征集；

第三提取模块，用于分别对每个所述茶叶图像子集进行HOG特征提取，得到每个所述茶叶图像子集对应的HOG特征集；

计算模块，用于将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型进行新鲜度计算，得到每个所述茶叶图像子集对应的新鲜度；

标注模块，用于通过每个所述茶叶图像子集对应的新鲜度对所述三维虚拟地图进行茶叶质量信息标注，得到茶叶质量分布地图，同时，通过每个所述茶叶图像子集对应的新鲜度生成新鲜茶叶识别报告。

本发明第三方面提供了一种基于采茶无人机的新鲜茶叶识别设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于采茶无人机的新鲜茶叶识别设备执行上述的基于采茶无人机的新鲜茶叶识别方法。

本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述的基于采茶无人机的新鲜茶叶识别方法。

本发明提供的技术方案中，通过茶叶园的茶叶种植分布信息提取，可以了解茶叶在茶园中的分布情况，有助于优化采摘路径，提高采摘效率。形状布局信息提供了茶叶园的形状信息，有助于规划采摘路径，并优化无人机的飞行轨迹，减少空闲时间和能量消耗。三维虚拟地图提供了茶叶园的立体模型，使得路径规划更加精准和直观。通过三维虚拟地图，可以预先观察地形和障碍物，以便优化无人机路径规划。通过遗传算法对多个采茶无人机进行路径规划，可以最大程度上避免路径冲突和重叠，提高采摘效率。通过三维虚拟地图对无人机进行任务划分，确保每个无人机都有特定的区域负责采摘，降低采摘遗漏的风险。通过多个无人机同时进行图像采集，提高了茶叶采集的速度和覆盖范围，保证了更全面的采集数据。通过无人机采集茶叶图像，并结合图像处理和机器学习算法，实现对茶叶新鲜度的自动识别。这将取代传统的人工判断，消除主观性和人为误差，保证识别结果的客观性和准确性。无人机集群采集图像的同时，利用并行计算的优势，可以快速对大量茶叶图像进行识别。相比传统的人工采摘和评估方式，节省了大量时间和人力资源，大幅提高了识别效率。

附图说明

图1为本发明实施例中基于采茶无人机的新鲜茶叶识别方法的一个实施例示意图；

图2为本发明实施例中对预置的多个采茶无人机进行路径规划的流程图；

图3为本发明实施例中对多个采茶无人机进行任务划分的流程图；

图4为本发明实施例中对茶叶图像集进行茶叶形态分类的流程图；

图5为本发明实施例中基于采茶无人机的新鲜茶叶识别装置的一个实施例示意图；

图6为本发明实施例中基于采茶无人机的新鲜茶叶识别设备的一个实施例示意图。

具体实施方式

本发明实施例提供了一种基于采茶无人机的新鲜茶叶识别方法及相关装置，用于提高基于采茶无人机的新鲜茶叶识别的准确率。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于采茶无人机的新鲜茶叶识别方法的一个实施例包括：

S101、对目标茶叶园进行形状提取，得到目标茶叶园对应的形状布局信息，同时，对目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息；

可以理解的是，本发明的执行主体可以为基于采茶无人机的新鲜茶叶识别装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。

具体的，使用预置的建筑信息数据库，从中提取出目标茶叶园的形状信息。这些形状信息可以包括茶叶园的边界坐标、角度、曲线等几何描述，获得目标茶叶园的整体外形信息，以便后续分析。基于获得的形状信息，进一步对茶叶园进行区域分割。将茶叶园划分为多个小区域，每个小区域代表着茶叶种植的不同区域。区域分割可以采用空间分析技术，将茶叶园的形状划分为多个独立的多边形区域，每个区域代表着一个茶叶园小区域。对每个茶叶园区域进行密度分析。利用无人机拍摄茶叶园的图像，然后通过图像处理技术计算每个小区域内茶叶像素的数量或其他相关指标，从而得出茶叶在每个区域内的分布密度。这有助于了解不同区域内茶叶的生长情况，从而提供茶叶的空间分布特征。根据每个茶叶园区域的茶叶分布密度信息，可以提取茶叶的种植分布信息。可以通过创建热度图、密度图或其他可视化方式来呈现。热度图可以将不同区域的茶叶密度以颜色的深浅表示，从而在地图上显示出茶叶种植的密集程度。例如，考虑一个茶叶园，形状呈不规则的多边形，通过预置的数据库中的形状信息提取茶叶园的布局。将茶叶园划分为中心区、边缘区等多个小区域。无人机在不同区域拍摄图像，通过分析图像，确定中心区的茶叶密度更高，而边缘区的茶叶密度较低。基于图像分析结果，可以生成茶叶分布热度图。在这个图上，中心区域呈现出深色，边缘区域呈现出浅色，这样可以清楚地显示出茶叶的种植分布情况。

S102、通过茶叶分布信息以及形状布局信息进行三维虚拟地图构建，得到目标茶叶园对应的三维虚拟地图；

具体的，服务器采集茶叶园的茶叶分布信息和形状布局信息。茶叶分布信息可以通过无人机拍摄的图像进行分析，确定不同区域内的茶叶密度和分布情况。形状布局信息可以从预置的建筑信息数据库中获得。将获得的茶叶分布信息和形状布局信息进行整合和匹配。这可以通过空间叠加分析，将茶叶分布信息与茶叶园的形状布局信息对应起来。这样，每个区域的茶叶分布信息可以与其在茶叶园中的位置相对应。基于整合后的数据，可以开始构建目标茶叶园的三维虚拟地图。利用计算机图形学中的三维建模技术，通过将茶叶分布信息映射到三维坐标空间中，可以在虚拟环境中准确地模拟茶叶的分布情况。茶叶园的形状布局信息可以用来构建整个园区的三维外形。在三维虚拟地图中，除了茶叶分布，地形和植被也是重要的元素。利用地理数据和图像处理技术，可以对地形进行模拟，包括地势起伏、高度变化等。同时，根据茶叶分布信息，可以在虚拟地图中添加茶叶植被模型。构建好三维虚拟地图后，可以通过计算机图形学技术将其可视化。这意味着服务器在计算机屏幕上或虚拟现实设备中看到茶叶园的三维模型。此外，为了增强交互性，还可以在虚拟地图中添加用户交互功能，比如旋转、缩放和选择不同区域等。例如，假设有一个茶叶园。通过无人机采集了茶叶分布图像和形状信息。茶叶分布图像显示中心区茶叶茂密，边缘区相对稀疏。形状信息表明该茶叶园呈不规则多边形。将这些信息整合后，服务器基于计算机图形学技术创建一个三维虚拟地图。中心区呈现为茂密的茶叶植被，而边缘区显示出相对较少的茶叶分布。地图的外形与茶叶园的形状一致，包括不规则的多边形边界。在可视化过程中，用户可以使用鼠标或虚拟现实控制器进行交互。他们可以旋转地图，缩放到特定区域，以及选择不同的区域来查看茶叶的分布情况。这样，茶叶生产者可以更好地了解茶叶园的布局和茶叶分布，从而做出更明智的决策。

S103、基于三维虚拟地图，对预置的多个采茶无人机进行路径规划，生成每个采茶无人机的目标图像采集路径；

具体的，对每个采茶无人机进行起始位置分析，确定它们的起始位置坐标。同时，从无人机的技术规格中提取最大飞行距离和采集区域半径。最大飞行距离决定了无人机在一次任务中可以覆盖的范围，而采集区域半径则表示无人机在每次采集任务中的有效范围。根据起始位置坐标和采集区域半径，将这些信息应用于三维虚拟地图上，生成每个无人机的初始图像采集路径。需要进行遗传算法参数配置。进行设备数量分析，确定需要多少个采茶无人机。通过遗传算法生成适应于问题的参数集，以优化路径规划。使用生成的遗传算法参数集配置目标遗传算法，将每个无人机的初始图像采集路径输入进去进行适应度计算。适应度计算可以评估路径的优劣，例如，路径的覆盖程度、路径的长度等。目标是使路径在覆盖茶叶园的同时，尽量减少路径长度。通过遗传算法对每个无人机的初始图像采集路径进行交叉迭代优化。遗传算法根据适应度值进行选择、交叉和变异操作，从而生成更优化的路径。这个过程是一个迭代的过程，会不断地进行路径优化，以找到最优的图像采集路径。例如，考虑一个茶叶园，其范围是一个不规则的多边形。服务器有三架采茶无人机，每架无人机的起始位置已确定，同时无人机的最大飞行距离和采集区域半径也已知。根据这些信息，服务器在三维虚拟地图上为每架无人机生成初始图像采集路径。根据设备数量和茶叶分布情况，生成适应于问题的遗传算法参数集。使用这些参数，服务器配置目标遗传算法，将每架无人机的初始路径输入进行适应度计算。例如，无人机A的初始路径在茶叶园的中心区域来回扫描，无人机B在边缘区域进行环形扫描，无人机C在一个特定的区域内进行螺旋扫描。通过遗传算法的迭代优化，每架无人机的路径将被不断优化，以适应茶叶分布和飞行限制，最终找到最佳的图像采集路径。这种路径规划方法可以确保无人机在飞行过程中高效地覆盖整个茶叶园，从而获得更准确的茶叶图像数据，为后续的茶叶质量评估提供有力支持。

S104、基于每个采茶无人机的目标图像采集路径，对多个采茶无人机进行任务划分，得到每个采茶无人机的图像采集任务；

具体的，在任务划分的过程中，对每架采茶无人机的目标图像采集路径进行路径分割，将其划分为多个子采集路径。每个子采集路径代表无人机在图像采集过程中的特定行进路径。目的是将整个采集任务分解为更小的任务单元，便于后续的区域匹配和任务分配。根据每个采茶无人机的子采集路径集，对茶叶园中的不同区域进行区域匹配。将茶叶园划分为若干个区域，每个区域对应一个或多个无人机的子采集路径。区域匹配的过程需要考虑茶叶植被的分布情况、无人机的飞行能力以及图像采集的要求，以实现合理的区域划分。在根据每个无人机的子采集路径集对应的采集区域集的基础上，对多个采茶无人机进行任务划分。任务划分的目标是确保每架无人机能够在其负责的区域内高效地采集图像数据。这一步骤需要综合考虑无人机的飞行能力、图像采集路径和茶叶园的布局，以实现最佳的任务分配。举例来说，考虑一个茶叶园，包括中心区域和周边区域。有三架采茶无人机，分别为无人机A、B和C。无人机A具有较大的飞行能力，无人机B和C的能力逐渐降低。根据路径分割和区域匹配，无人机A的子采集路径集涵盖中心区域的多个行进路径，以获取详细的茶叶图像数据。无人机B负责中心区域的部分采集路径，而无人机C专注于周边区域的图像采集。在任务划分阶段，无人机A被分配中心区域的主要任务，无人机B则分担其中一部分，而无人机C负责周边区域。每架无人机都将根据其子采集路径集的区域匹配信息，在相应的范围内进行图像采集，确保茶叶园各个区域的图像数据都被完整获取。通过这种任务划分方式，多架采茶无人机能够高效协同工作，覆盖茶叶园的各个区域，为新鲜茶叶识别提供了充分的图像数据，提高了识别准确性和可靠性。

S105、控制每个采茶无人机执行每个采茶无人机的图像采集任务，得到茶叶图像集，并对茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集；

具体的，针对每架采茶无人机，需要控制其按照预定的路径和区域执行图像采集任务。每架无人机根据其任务分配和路径规划，在茶叶园的不同区域采集茶叶图像。这些图像将包含茶叶植被的多个角度和视角，以便后续的形态分类。对于每个茶叶图像，需要进行茶叶形态轮廓的提取。茶叶形态轮廓是指从图像中分离出茶叶的形状轮廓，这有助于后续的形态分类和特征提取。轮廓提取可以使用图像处理技术，如边缘检测算法，以获取茶叶的外部轮廓信息。通过每个茶叶图像的形态轮廓，对采集到的茶叶图像进行形态分类。茶叶形态分类是指根据茶叶的形状、大小、结构等特征，将图像进行分类。这个过程可以借助机器学习算法，如卷积神经网络（CNN）等，通过训练模型来自动识别和分类茶叶的不同形态。分类的结果可以将茶叶图像分成多个子集，每个子集包含相似形态特征的茶叶图像。例如，考虑一个茶叶园，分布有不同种类的茶叶植被，包括绿茶和红茶。同时，有两架采茶无人机，分别为无人机A和B。无人机A负责采集绿茶植被的图像，无人机B负责采集红茶植被的图像。对于无人机A，它按照预定的路径在茶叶园的绿茶区域进行图像采集。每个采集到的绿茶图像都将进行茶叶形态轮廓的提取，以获取茶叶的外部形状信息。对于无人机B，它在茶叶园的红茶区域进行图像采集，同样对每个采集到的红茶图像进行形态轮廓的提取。根据每个茶叶图像的形态轮廓，可以使用预先训练好的机器学习模型对茶叶图像进行形态分类。例如，训练好的CNN模型可以将绿茶和红茶的图像分别分类到相应的子集中，从而得到多个茶叶图像子集，每个子集包含相似形态特征的茶叶图像。通过这个过程，不同种类的茶叶图像被正确地分类到不同的子集中，为后续的新鲜茶叶识别和质量评估提供了基础数据。

S106、分别对每个茶叶图像子集进行纹理特征提取，得到每个茶叶图像子集对应的纹理特征集；

具体的，对于每个茶叶图像子集，需要进行预处理，包括调整图像大小、灰度化等操作，以准备图像数据。纹理特征可以通过多种方法提取，如灰度共生矩阵（GLCM）、局部二值模式（LBP）、方向梯度直方图（HOG）等。选择合适的方法取决于图像特点和应用需求。在这里，以灰度共生矩阵（GLCM）为例进行说明。对于每个茶叶图像子集，将图像分割为小的图像块，然后计算每个块内像素之间的灰度变化。基于这些信息，可以构建灰度共生矩阵，记录不同灰度级别之间的像素关系。该矩阵可以反映图像的纹理特征。从灰度共生矩阵中可以提取多种纹理特征，如能量、对比度、熵、相关性等。这些特征可以揭示图像的纹理结构和变化。例如，考虑一个茶叶图像子集，其中包含绿茶的图像。采用灰度共生矩阵（GLCM）方法进行纹理特征提取。对于每张绿茶图像，首先进行预处理，将图像调整为相同的大小并进行灰度化。将图像划分为小的图像块，在每个块内计算像素之间的灰度变化，并构建灰度共生矩阵。从灰度共生矩阵中，可以计算出各种纹理特征，比如能量、对比度、熵和相关性。例如，能量特征可以表征图像的均匀性，对比度特征可以表示图像中的灰度差异，熵特征可以衡量图像的复杂度，相关性特征可以描述像素之间的关联程度。对于绿茶图像子集中的每张图像，都可以通过计算灰度共生矩阵和提取纹理特征，得到一个对应的纹理特征向量。通过这个过程，可以将每个茶叶图像子集映射到一组纹理特征，从而为不同种类的茶叶图像提取出其独特的纹理信息。

S107、分别对每个茶叶图像子集进行HOG特征提取，得到每个茶叶图像子集对应的HOG特征集；

具体的，对每个茶叶图像子集中的图像进行图像增强处理。图像增强有助于提升图像质量，增加特征的鲁棒性。这可以包括调整图像的亮度、对比度，进行直方图均衡化等方法，从而得到多个增强后的图像子集。对每个增强图像子集中的每个图像进行局部区域分割。将图像划分成小的局部区域，以捕捉图像中的局部纹理和边缘信息。在每个局部区域内，计算像素的梯度方向和大小，以获得图像的边缘信息。通过计算像素灰度值的变化，可以获取局部区域的边缘方向性。在每个局部区域内，计算梯度大小和方向的分布，形成梯度直方图。这个直方图将表示局部区域内纹理和边缘信息的分布情况。将每个局部区域的梯度直方图组合成一个特征向量，从而形成每个茶叶图像子集的HOG特征向量。通过将局部区域的特征整合，HOG特征能够更好地描述图像的纹理和边缘信息。例如，假设服务器有一组茶叶图像子集，其中包含不同类型的绿茶图像。服务器对每个图像进行图像增强处理，如调整亮度和对比度，得到增强后的图像子集。随后，对每个增强图像子集中的每个图像进行局部区域分割，将图像划分成小的局部区域。在每个局部区域内，服务器计算梯度的方向和大小，以及边缘方向，这将有助于捕获图像的纹理和边缘信息。接着，服务器计算每个局部区域内梯度大小和方向的分布，形成梯度直方图。将每个局部区域的梯度直方图组合成一个特征向量，构建HOG特征向量。最终，服务器将得到每个茶叶图像子集对应的HOG特征集。这些特征集能够有效地描述每个图像子集中的局部纹理和边缘信息，为后续的茶叶识别和分类任务提供重要的数据支持。

S108、将每个茶叶图像子集对应的纹理特征集以及每个茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型进行新鲜度计算，得到每个茶叶图像子集对应的新鲜度；

具体的，服务器构建一个茶叶识别模型，该模型包括输入层、卷积层、池化层和全连接层等。这个模型将接受来自每个茶叶图像子集的纹理特征集和HOG特征集作为输入，以预测茶叶的新鲜度。在模型的输入层，服务器将纹理特征集和HOG特征集进行特征拼接，得到一个综合的特征向量，以便为模型提供更多信息。服务器将特征向量输入到卷积层中，通过一系列的卷积和激活函数操作，提取图像特征。随后，池化层将对卷积层的输出进行降采样，进一步减少特征维度。这样可以保留重要的信息并降低计算负担。在卷积和池化之后，特征将进入全连接层。全连接层的任务是将高维特征映射到输出层，为每个茶叶图像子集预测新鲜度。在全连接层之前，服务器还会对特征图进行展平处理，并应用偏置权重，以更好地与模型进行连接。服务器对多个目标向量进行归一化处理，将它们转化为概率分布数据集合。这个数据集合将被用于计算每个茶叶图像子集的新鲜度。通过在模型中运用概率分布数据，服务器得出每个茶叶图像子集的新鲜度分数，从而对其进行评估和分类。例如，假设服务器有一个茶叶图像子集，其中包含了来自不同产地的绿茶图像。服务器首先对每个图像提取纹理特征集和HOG特征集，然后将它们输入到预置的茶叶识别模型中。模型会对输入的特征进行卷积、池化、全连接等一系列操作，以捕获图像的抽象特征。在全连接层，模型会将这些特征映射到输出层，计算每个茶叶图像子集的新鲜度概率分布。例如，对于一张绿茶图像，模型会从纹理特征中识别出茶叶的细腻度和光滑度，而从HOG特征中捕捉到茶叶的边缘和纹理方向。通过将这些特征输入到模型中，模型会根据训练数据学习如何将这些特征与新鲜度联系起来。最终，模型将输出一个新鲜度概率分布，指示该茶叶图像子集属于不同新鲜度级别的概率。这样，服务器就能够根据模型的预测来对茶叶图像子集进行分类和评估，从而实现基于采茶无人机的新鲜茶叶识别方法。

S109、通过每个茶叶图像子集对应的新鲜度对三维虚拟地图进行茶叶质量信息标注，得到茶叶质量分布地图，同时，通过每个茶叶图像子集对应的新鲜度生成新鲜茶叶识别报告。

需要说明的是，服务器将已获得的茶叶图像子集的新鲜度信息映射到三维虚拟地图上的对应茶叶园区域。每个茶叶图像子集都对应于特定的地理位置，因此服务器在地图上找到相应的区域。通过将新鲜度信息与地图上的区域关联，服务器在每个区域上标注茶叶的质量信息。例如，考虑一个虚拟地图上的茶叶园，其中分布着多个茶叶区域。假设服务器通过无人机采集了多个茶叶图像子集，并计算出了每个图像子集对应的新鲜度。服务器将这些新鲜度信息映射到地图上的相应茶叶区域，从而在地图上标注出不同区域的茶叶质量信息。其次，服务器通过新鲜度信息生成新鲜茶叶识别报告。针对每个茶叶图像子集，服务器根据其新鲜度得出相应的质量评估。将这些评估汇总，就能生成一个包含茶叶质量、新鲜度和其他相关信息的识别报告。例如，假设服务器在一个茶叶园中采集了一组茶叶图像子集，每个子集都对应着一个特定的区域。通过图像处理和特征提取，服务器计算出了每个图像子集的新鲜度。接着，服务器将这些新鲜度信息映射到三维虚拟地图上的相应区域。在地图上，不同的茶叶区域被标注出不同的颜色，反映出茶叶的质量级别。例如，绿色区域表示高质量的茶叶，黄色区域表示中等质量，红色区域表示较低质量。同时，服务器基于新鲜度信息生成了新鲜茶叶识别报告。例如，对于一张茶叶图像子集，如果新鲜度很高，报告会指出茶叶的颜色鲜艳、叶片完整，质量较好。而如果新鲜度较低，报告会提及叶片的萎缩、颜色不均匀等质量问题。综合地图标注和报告生成，服务器获得一个茶叶质量分布地图，以及每个区域对应的新鲜茶叶识别报告。这种方法使茶农和相关人员能够直观地了解茶园内不同区域的茶叶质量情况，从而更好地管理和决策。通过将新鲜度信息映射到三维虚拟地图上的不同区域，服务器创造了一个空间视觉化效果，可以一目了然地显示茶叶质量的分布情况。这为茶叶产业提供了有效的决策工具。同时，生成的新鲜茶叶识别报告进一步细化了质量评估，为每个茶叶图像子集提供了详细的质量描述和建议。这些报告可以帮助茶农更有针对性地采取措施，优化茶叶种植和管理过程。

本发明实施例中，通过茶叶园的茶叶种植分布信息提取，可以了解茶叶在茶园中的分布情况，有助于优化采摘路径，提高采摘效率。形状布局信息提供了茶叶园的形状信息，有助于规划采摘路径，并优化无人机的飞行轨迹，减少空闲时间和能量消耗。三维虚拟地图提供了茶叶园的立体模型，使得路径规划更加精准和直观。通过三维虚拟地图，可以预先观察地形和障碍物，以便优化无人机路径规划。通过遗传算法对多个采茶无人机进行路径规划，可以最大程度上避免路径冲突和重叠，提高采摘效率。通过三维虚拟地图对无人机进行任务划分，确保每个无人机都有特定的区域负责采摘，降低采摘遗漏的风险。通过多个无人机同时进行图像采集，提高了茶叶采集的速度和覆盖范围，保证了更全面的采集数据。通过无人机采集茶叶图像，并结合图像处理和机器学习算法，实现对茶叶新鲜度的自动识别。这将取代传统的人工判断，消除主观性和人为误差，保证识别结果的客观性和准确性。无人机集群采集图像的同时，利用并行计算的优势，可以快速对大量茶叶图像进行识别。相比传统的人工采摘和评估方式，节省了大量时间和人力资源，大幅提高了识别效率。

在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：

（1）通过预置的建筑信息数据库，对目标茶叶园进行形状信息提取，得到目标茶叶园对应的形状布局信息；

（2）对形状布局信息进行区域分割，得到多个茶叶园区域；

（3）对每个茶叶园区域进行密度分析，得到每个茶叶园区域对应的区域密度；

（4）通过每个茶叶园区域对应的区域密度对目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息。

具体的，服务器建立一个预置的建筑信息数据库，其中包括了目标茶叶园的地理空间信息、边界坐标、地形特征等。利用这些数据，服务器对目标茶叶园进行形状信息提取，得到其形状布局信息。这可以通过地理信息系统（GIS）技术来实现，根据数据库中的坐标数据绘制茶叶园的边界。例如，数据库中存储了目标茶叶园的边界坐标点，服务器通过连接这些点绘制出茶叶园的形状。根据形状布局信息，服务器将茶叶园区域进行区域分割，将茶叶园划分为多个不同的区域。这可以通过图像处理技术，如图像分割算法，来实现。例如，将茶叶园的边界划分为多个小区域，每个小区域表示一个茶叶园的局部区域。在每个茶叶园区域内，服务器进行密度分析，计算该区域的茶叶植被密度。这可以通过在茶叶园区域内随机选择一些采样点，并统计每个采样点范围内的茶叶数量来实现。例如，选取一些区域内的随机采样点，通过图像分析技术检测出每个采样点内茶叶的数量，从而估计茶叶植被密度。将茶叶园区域的植被密度信息与该区域的空间位置关联起来，就可以对目标茶叶园进行茶叶种植分布信息的提取。这意味着在三维虚拟地图上，不同区域的颜色或密度表示了茶叶的分布情况。例如，虚拟地图上颜色较深的区域表示茶叶植被较为密集的区域，而颜色较浅的区域表示茶叶植被较稀疏的区域。

在一具体实施例中，如图2所示，执行步骤S103的过程可以具体包括如下步骤：

S201、对每个采茶无人机进行起始位置分析，得到每个采茶无人机的起始位置坐标；

S202、对每个采茶无人机进行最大飞行距离提取，得到每个采茶无人机的最大飞行距离，同时，对每个采茶无人机进行采集区域半径分析，得到每个采茶无人机的采集区域半径；

S203、通过每个采茶无人机的起始位置坐标以及每个采茶无人机的采集区域半径对三维虚拟地图进行路径生成，得到每个采茶无人机对应的初始图像采集路径；

S204、对多个采茶无人机进行设备数量分析，得到设备数量，并通过设备数量进行遗传算法生成，得到遗传算法参数集；

S205、通过遗传算法参数集对预置的初始遗传算法进行参数配置，得到目标遗传算法；

S206、将每个采茶无人机对应的初始图像采集路径输入目标遗传算法进行适应度计算，得到适应度集合；

S207、将适应度集合输入目标遗传算法对每个采茶无人机对应的初始图像采集路径进行交叉迭代优化，得到每个采茶无人机的目标图像采集路径。

需要说明的是，进行起始位置分析。确定每个采茶无人机的起飞点，以确保它们可以从适当的位置开始执行图像采集任务。通过考虑地理信息、茶叶园布局等因素，可以确定每个无人机的起始位置坐标。同时，进行最大飞行距离提取。确定每个采茶无人机的可飞行范围，以避免因超出范围而导致任务中断。在规划路径时，无人机的飞行距离应该小于其最大飞行距离，以确保其能够安全返回。另外，采集区域半径分析。确定每个采茶无人机的有效采集范围。通过分析无人机的摄像头参数、分辨率等，可以计算出每个无人机在飞行时能够覆盖的茶叶区域半径。这有助于规划图像采集路径，确保茶叶园中的每个区域都能被有效地拍摄。基于起始位置、最大飞行距离和采集区域半径等信息，可以通过算法对三维虚拟地图进行路径生成。在路径生成过程中，需要考虑无人机的飞行范围、避障策略以及图像采集间隔等因素，以生成每个采茶无人机的初始图像采集路径。此外，进行设备数量分析是为了确定所需的采茶无人机数量。通过分析茶叶园的面积、无人机的飞行速度、图像采集时间等因素，可以得出所需的设备数量，确保能够在合理的时间内完成图像采集任务。为了进一步优化路径规划，可以通过遗传算法生成适合的遗传算法参数集。遗传算法是一种优化方法，可以自动调整路径规划参数以获取更优的采集路径。每个采茶无人机的初始图像采集路径会经过多次优化，确保能够高效地覆盖茶叶园，并获取丰富的茶叶图像数据以支持后续的质量评估。例如，假设茶叶园分布在山坡上，通过合理的起始位置、飞行距离和采集区域半径分析，可以生成一条曲线路径，让无人机能够有效地沿着山坡飞行并采集图像。遗传算法的优化能够进一步调整路径，确保每个无人机都能在最短时间内完成任务。这样的规划可以提高采集效率，获得更准确的茶叶图像数据。

在一具体实施例中，如图3所示，执行步骤S104的过程可以具体包括如下步骤：

S301、对每个采茶无人机的目标图像采集路径进行路径分割，得到每个采茶无人机的子采集路径集；

S302、根据每个采茶无人机的子采集路径集对多个茶叶园区域进行区域匹配，得到每个采茶无人机的子采集路径集对应的采集区域集；

S303、根据每个采茶无人机的子采集路径集对应的采集区域集对多个采茶无人机进行任务划分，得到每个采茶无人机的图像采集任务。

需要说明的是，针对每个采茶无人机，对其预定的目标图像采集路径进行路径分割。将长路径分解为一系列相对较短的子采集路径。可以通过将整个路径划分为等间隔的段落或根据地理特征进行划分来实现。分割后的子路径将有助于更好地规划采集任务，使无人机在飞行过程中能够更好地覆盖茶叶园的不同区域。将每个采茶无人机的子采集路径集与茶叶园区域进行匹配，以确定每个子路径所涵盖的具体区域。可以通过使用地理信息系统（GIS）或GPS数据，将每个路径与地图上的相应区域进行关联。匹配后，就能够确定每个子路径对应的茶叶园区域，为后续任务划分做准备。基于每个采茶无人机的子采集路径集对应的茶叶园区域，进行任务划分。在任务划分过程中，需要考虑无人机的飞行能力、飞行时间、传感器性能等因素，以确保每个无人机的任务能够有效地完成。任务划分旨在将茶叶园的不同区域分配给不同的无人机，以实现全面覆盖并最大程度地减少重叠。例如，考虑一个大茶叶园，其中分布着不同质量的茶叶区域。现有两台采茶无人机：无人机A和无人机B。无人机A的预定路径经过茶叶区域1、2和3，无人机B的路径经过茶叶区域2、3和4。对于无人机A，将其预定路径分割成子路径：子路径A1（区域1）、子路径A2（区域2）和子路径A3（区域3）。同样地，对于无人机B，将其路径分割成子路径：子路径B2（区域2）、子路径B3（区域3）和子路径B4（区域4）。将每个子路径集与茶叶园区域进行匹配。例如，子路径A1与区域1匹配，子路径A2与区域2匹配，以此类推。匹配完成后，确定每个子路径集对应的茶叶园区域集。在任务划分阶段，将区域1分配给无人机A，区域2分配给无人机A和无人机B，区域3分配给无人机A和无人机B，区域4分配给无人机B。这样，每台无人机负责一组区域，以实现任务的有效分配和茶叶图像的高质量采集。

在一具体实施例中，如图4所示，执行步骤S105的过程可以具体包括如下步骤：

S401、控制每个采茶无人机执行每个采茶无人机的图像采集任务，得到茶叶图像集；

S402、对茶叶图像集进行茶叶形态轮廓提取，得到茶叶图像集中每个茶叶图像对应的茶叶形态轮廓；

S403、通过每个茶叶图像对应的茶叶形态轮廓对茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集。

针对每个采茶无人机，根据前面所述的路径规划和任务分配，控制无人机按照预定的子采集路径飞行并执行图像采集任务。每个无人机将采集茶叶园中不同区域的图像，涵盖各种茶叶样本。采集到茶叶图像后，需要进行图像处理来提取茶叶的形态轮廓。这可以通过边缘检测算法（如Canny算法）或轮廓检测算法（如OpenCV中的findContours函数）来实现。提取形态轮廓可以让服务器获得茶叶的边界信息，有助于后续的形态分类。通过每个茶叶图像对应的形态轮廓，服务器进行茶叶形态分类。这一步骤旨在将茶叶图像集中的图像分成不同的类别，根据茶叶的形态特征对其进行分类。分类可以使用机器学习算法，如支持向量机（SVM）或深度学习模型，来实现自动化的识别。例如，假设有两台采茶无人机：无人机A和无人机B。它们分别执行了图像采集任务，每个无人机采集了茶叶园中的不同区域。在图像采集后，服务器得到了一系列茶叶图像。对于每个茶叶图像，服务器使用边缘检测算法提取出茶叶的形态轮廓。例如，对一张茶叶图像进行边缘检测后，得到了茶叶的外轮廓。接着，服务器将提取的茶叶形态轮廓用于茶叶形态分类。假设服务器有一个训练好的深度学习模型，能够根据形态轮廓将茶叶图像分类为三个类别：长形叶、圆形叶和椭圆形叶。通过将每个茶叶图像的形态轮廓输入模型，服务器得到每个图像对应的分类结果。最终，服务器将分类后的茶叶图像分成不同的子集，例如：长形叶子子集、圆形叶子子集和椭圆形叶子子集。这些子集将包含具有相似形态特征的茶叶图像，有助于后续的新鲜度计算和质量评估。

在一具体实施例中，执行步骤S107的过程可以具体包括如下步骤：

（1）分别对每个茶叶图像子集进行图像增强处理，得到多个增强图像子集；

（2）对每个增强图像子集中的每个增强图像进行局部区域分割，得到每个增强图像子集的局部区域集合；

（3）对每个增强图像子集的局部区域集合进行边缘方向提取，得到每个增强图像子集的边缘方向特征；

（4）对每个增强图像子集的局部区域集合进行梯度特征提取，得到每个增强图像子集的梯度特征；

（5）通过每个增强图像子集的边缘方向特征以及每个增强图像子集的梯度特征进行特征向量转换，得到每个茶叶图像子集对应的HOG特征集。

对每个茶叶图像子集进行图像增强处理，提升图像的质量和对比度，从而更好地突出茶叶的特征。图像增强技术可以包括对比度增强、直方图均衡化、颜色平衡等。这些处理可以使茶叶图像更加清晰、鲜明。对每个增强图像子集中的每张图像，进行局部区域分割，将图像划分为多个小块。这可以通过图像分割算法（如基于阈值、区域增长等）来实现。每个局部区域将包含茶叶图像的一部分，有助于更精细地提取特征。针对每个局部区域，进行边缘方向提取。边缘方向是指在图像中边缘的方向，它可以帮助服务器捕捉到茶叶的纹理和形状特征。常用的方法是应用Sobel、Prewitt等边缘检测算子，计算每个像素点的梯度和方向。对于每个局部区域，还可以进行梯度特征提取。梯度表示图像中像素值的变化程度，可以帮助服务器捕捉到茶叶的纹理和细节。常用的方法是计算图像中每个像素点的梯度幅值和方向。通过将每个局部区域的边缘方向特征和梯度特征组合在一起，可以得到一个特征向量。这个特征向量就是HOG特征，它用来表示茶叶图像子集的纹理和形状信息。通常，服务器将图像分成一系列小的细胞（cell），在每个细胞中计算边缘方向的直方图，然后将这些直方图组合成一个大的特征向量。例如，假设服务器有一个茶叶图像子集，其中包含多张茶叶图像。对每张图像进行图像增强处理，增强图像的质量。对每张增强图像进行局部区域分割，将图像划分为多个小块，如图像的不同部位或纹理区域。对于每个局部区域，服务器计算边缘方向和梯度特征。例如，在某个局部区域中，服务器计算了不同方向上的边缘响应，并得到了边缘方向图和梯度幅值图。服务器将每个局部区域的边缘方向特征和梯度特征组合成一个特征向量，得到HOG特征。这些HOG特征将用于表示茶叶图像子集的纹理和形状信息，为后续的分类和识别提供有价值的特征。

在一具体实施例中，执行步骤S108的过程可以具体包括如下步骤：

（1）将每个茶叶图像子集对应的纹理特征集以及每个茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型，其中，茶叶识别模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层以及输出层；

（2）将每个茶叶图像子集对应的纹理特征集以及每个茶叶图像子集对应的HOG特征集输入输入层进行特征拼接，得到拼接特征集；

（3）将拼接特征集输入至第一卷积层进行第一次特征点乘并求和，得到第一候选特征集；

（4）将候选特征集输入第一池化层进行第一次特征最大值提取，得到第二候选特征集；

（5）将第二候选特征集输入第二卷积层进行第二次特征点乘并求和，得到第三候选特征集；

（6）将第三候选特征集输入第二池化层进行第二次特征最大值提取，得到第四候选特征集；

（7）将第四候选特征集输入全连接层进行特征图展平处理，得到待处理长向量，并将待处理长向量进行偏置权重分配，得到多个目标向量；

（8）对多个目标向量进行归一化处理，得到概率分布数据集合，通过概率分布数据集合进行新鲜度计算，得到每个茶叶图像子集对应的新鲜度。

具体的，构建一个预置的茶叶识别模型，该模型包括各种层次的神经网络结构，如卷积层、池化层和全连接层。模型的架构通常包括输入层、多个卷积-池化层的组合、全连接层以及输出层。这个模型将用于对特征进行处理和新鲜度估计。将每个茶叶图像子集对应的纹理特征集和HOG特征集进行拼接。可以通过连接两个特征集来实现，得到一个综合的特征向量，用于输入茶叶识别模型。将拼接特征集输入至第一卷积层进行卷积运算和特征提取。卷积层可以识别图像中的局部特征，捕获图像的纹理和形状信息。将卷积层的输出输入至第一池化层进行池化操作，通常使用最大池化或平均池化。池化层有助于减少特征的维度，同时保留关键信息。重复进行卷积和池化操作，使特征逐渐抽象和提取。通常会有多个卷积-池化层的组合，以捕获不同层次的特征。将最后一个池化层的输出输入至全连接层，进行特征图展平处理。全连接层将特征映射到最终的输出维度，然后通过输出层进行新鲜度估计。对全连接层输出进行偏置权重分配，得到多个目标向量。然后对这些目标向量进行归一化处理，得到概率分布数据集合。通过对概率分布数据集合进行分析，可以进行新鲜度计算，从而估计每个茶叶图像子集的新鲜度。例如，假设服务器有一个预置的茶叶识别模型，它具有以下架构：输入层-卷积层-池化层-卷积层-池化层-全连接层-输出层。服务器从每个茶叶图像子集中提取了纹理特征和HOG特征。对于一个特定的茶叶图像子集，服务器将纹理特征和HOG特征进行拼接，得到一个综合的特征向量。将这个特征向量输入至茶叶识别模型。模型将对特征进行卷积、池化、全连接等操作，逐渐抽象和提取茶叶图像的特征。在全连接层输出后，服务器进行偏置权重分配，得到多个目标向量。对这些向量进行归一化处理，得到概率分布数据集合。通过分析概率分布数据集合，服务器计算茶叶图像子集的新鲜度，进而判断茶叶的质量。

上面对本发明实施例中基于采茶无人机的新鲜茶叶识别方法进行了描述，下面对本发明实施例中基于采茶无人机的新鲜茶叶识别装置进行描述，请参阅图5，本发明实施例中基于采茶无人机的新鲜茶叶识别装置一个实施例包括：

第一提取模块501，用于对目标茶叶园进行形状提取，得到所述目标茶叶园对应的形状布局信息，同时，对目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息；

构建模块502，用于通过所述茶叶分布信息以及所述形状布局信息进行三维虚拟地图构建，得到所述目标茶叶园对应的三维虚拟地图；

规划模块503，用于基于所述三维虚拟地图，对预置的多个采茶无人机进行路径规划，生成每个所述采茶无人机的目标图像采集路径；

划分模块504，用于基于每个所述采茶无人机的目标图像采集路径，对多个所述采茶无人机进行任务划分，得到每个所述采茶无人机的图像采集任务；

分类模块505，用于控制每个所述采茶无人机执行每个所述采茶无人机的图像采集任务，得到茶叶图像集，并对所述茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集；

第二提取模块506，用于分别对每个所述茶叶图像子集进行纹理特征提取，得到每个所述茶叶图像子集对应的纹理特征集；

第三提取模块507，用于分别对每个所述茶叶图像子集进行HOG特征提取，得到每个所述茶叶图像子集对应的HOG特征集；

计算模块508，用于将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型进行新鲜度计算，得到每个所述茶叶图像子集对应的新鲜度；

标注模块509，用于通过每个所述茶叶图像子集对应的新鲜度对所述三维虚拟地图进行茶叶质量信息标注，得到茶叶质量分布地图，同时，通过每个所述茶叶图像子集对应的新鲜度生成新鲜茶叶识别报告。

通过上述各个组成部分的协同合作，通过茶叶园的茶叶种植分布信息提取，可以了解茶叶在茶园中的分布情况，有助于优化采摘路径，提高采摘效率。形状布局信息提供了茶叶园的形状信息，有助于规划采摘路径，并优化无人机的飞行轨迹，减少空闲时间和能量消耗。三维虚拟地图提供了茶叶园的立体模型，使得路径规划更加精准和直观。通过三维虚拟地图，可以预先观察地形和障碍物，以便优化无人机路径规划。通过遗传算法对多个采茶无人机进行路径规划，可以最大程度上避免路径冲突和重叠，提高采摘效率。通过三维虚拟地图对无人机进行任务划分，确保每个无人机都有特定的区域负责采摘，降低采摘遗漏的风险。通过多个无人机同时进行图像采集，提高了茶叶采集的速度和覆盖范围，保证了更全面的采集数据。通过无人机采集茶叶图像，并结合图像处理和机器学习算法，实现对茶叶新鲜度的自动识别。这将取代传统的人工判断，消除主观性和人为误差，保证识别结果的客观性和准确性。无人机集群采集图像的同时，利用并行计算的优势，可以快速对大量茶叶图像进行识别。相比传统的人工采摘和评估方式，节省了大量时间和人力资源，大幅提高了识别效率。

上面图5从模块化功能实体的角度对本发明实施例中的基于采茶无人机的新鲜茶叶识别装置进行详细描述，下面从硬件处理的角度对本发明实施例中基于采茶无人机的新鲜茶叶识别设备进行详细描述。

图6是本发明实施例提供的一种基于采茶无人机的新鲜茶叶识别设备的结构示意图，该基于采茶无人机的新鲜茶叶识别设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对基于采茶无人机的新鲜茶叶识别设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在基于采茶无人机的新鲜茶叶识别设备600上执行存储介质630中的一系列指令操作。

基于采茶无人机的新鲜茶叶识别设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的基于采茶无人机的新鲜茶叶识别设备结构并不构成对基于采茶无人机的新鲜茶叶识别设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

本发明还提供一种基于采茶无人机的新鲜茶叶识别设备，所述基于采茶无人机的新鲜茶叶识别设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于采茶无人机的新鲜茶叶识别方法的步骤。

本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于采茶无人机的新鲜茶叶识别方法的步骤。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或通过时，可以存储在一个计算机可读取存储介质中。基于的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory， ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种基于采茶无人机的新鲜茶叶识别方法，其特征在于，方法包括：

对目标茶叶园进行形状提取，得到所述目标茶叶园对应的形状布局信息，同时，对目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息；具体包括：通过预置的建筑信息数据库，对所述目标茶叶园进行形状信息提取，得到所述目标茶叶园对应的形状布局信息；对所述形状布局信息进行区域分割，得到多个茶叶园区域；对每个所述茶叶园区域进行密度分析，得到每个所述茶叶园区域对应的区域密度；通过每个所述茶叶园区域对应的区域密度对所述目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息；其中，使用预置的建筑信息数据库中提取出目标茶叶园的形状信息，形状信息包括茶叶园的边界坐标、角度、曲线几何描述，获得目标茶叶园的整体外形信息；基于获得的形状信息，进一步对茶叶园进行区域分割，将茶叶园划分为多个小区域，每个小区域代表着茶叶种植的不同区域，区域分割采用空间分析技术，将茶叶园的形状划分为多个独立的多边形区域，每个区域代表着一个茶叶园小区域；对每个茶叶园区域进行密度分析，利用无人机拍摄茶叶园的图像，然后通过图像处理技术计算每个小区域内茶叶像素的数量，从而得出茶叶在每个区域内的分布密度，获取不同区域内茶叶的生长情况，从而提供茶叶的空间分布特征；根据每个茶叶园区域的茶叶分布密度信息，提取茶叶的种植分布信息，通过创建热度图来呈现，热度图将不同区域的茶叶密度以颜色的深浅表示，从而在地图上显示出茶叶种植的密集程度；

通过所述茶叶分布信息以及所述形状布局信息进行三维虚拟地图构建，得到所述目标茶叶园对应的三维虚拟地图；

基于所述三维虚拟地图，对预置的多个采茶无人机进行路径规划，生成每个所述采茶无人机的目标图像采集路径；具体包括：对每个所述采茶无人机进行起始位置分析，得到每个所述采茶无人机的起始位置坐标；对每个所述采茶无人机进行最大飞行距离提取，得到每个所述采茶无人机的最大飞行距离，同时，对每个所述采茶无人机进行采集区域半径分析，得到每个所述采茶无人机的采集区域半径；通过每个所述采茶无人机的起始位置坐标以及每个所述采茶无人机的采集区域半径对所述三维虚拟地图进行路径生成，得到每个所述采茶无人机对应的初始图像采集路径；对多个所述采茶无人机进行设备数量分析，得到设备数量，并通过所述设备数量进行遗传算法生成，得到遗传算法参数集；通过所述遗传算法参数集对预置的初始遗传算法进行参数配置，得到目标遗传算法；将每个所述采茶无人机对应的初始图像采集路径输入所述目标遗传算法进行适应度计算，得到适应度集合；将所述适应度集合输入所述目标遗传算法对每个所述采茶无人机对应的初始图像采集路径进行交叉迭代优化，得到每个所述采茶无人机的目标图像采集路径；其中，进行起始位置分析，确定每个采茶无人机的起飞点，以确保采茶无人机开始执行图像采集任务；通过考虑地理信息、茶叶园布局因素，确定每个采茶无人机的起始位置坐标，同时，进行最大飞行距离提取，确定每个采茶无人机的可飞行范围，以避免因超出范围而导致任务中断；在规划路径时，无人机的飞行距离应该小于其最大飞行距离，以确保采茶无人机能够安全返回，采集区域半径分析，确定每个采茶无人机的有效采集范围，通过分析无人机的摄像头参数、分辨率，计算出每个采茶无人机在飞行时能够覆盖的茶叶区域半径；基于起始位置、最大飞行距离和采集区域半径信息，通过算法对三维虚拟地图进行路径生成，在路径生成过程中，需要考虑无人机的飞行范围、避障策略以及图像采集间隔因素，以生成每个采茶无人机的初始图像采集路径；进行设备数量分析是为了确定所需的采茶无人机数量，通过分析茶叶园的面积、无人机的飞行速度、图像采集时间因素，得出所需的设备数量，确保能够在合理的时间内完成图像采集任务；

基于每个所述采茶无人机的目标图像采集路径，对每个所述采茶无人机进行任务划分，得到每个所述采茶无人机的图像采集任务；

控制每个所述采茶无人机执行每个所述采茶无人机的图像采集任务，得到茶叶图像集，并对所述茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集；

分别对每个所述茶叶图像子集进行纹理特征提取，得到每个所述茶叶图像子集对应的纹理特征集；

分别对每个所述茶叶图像子集进行HOG特征提取，得到每个所述茶叶图像子集对应的HOG特征集；

将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型进行新鲜度计算，得到每个所述茶叶图像子集对应的新鲜度；具体包括：将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型，其中，所述茶叶识别模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层以及输出层；将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入所述输入层进行特征拼接，得到拼接特征集；将所述拼接特征集输入至所述第一卷积层进行第一次特征点乘并求和，得到第一候选特征集；将所述第一候选特征集输入所述第一池化层进行第一次特征最大值提取，得到第二候选特征集；将所述第二候选特征集输入所述第二卷积层进行第二次特征点乘并求和，得到第三候选特征集；将所述第三候选特征集输入所述第二池化层进行第二次特征最大值提取，得到第四候选特征集；将所述第四候选特征集输入所述全连接层进行特征图展平处理，得到待处理长向量，并将所述待处理长向量进行偏置权重分配，得到多个目标向量；对所述多个目标向量进行归一化处理，得到概率分布数据集合，通过所述概率分布数据集合进行新鲜度计算，得到每个所述茶叶图像子集对应的新鲜度；

通过每个所述茶叶图像子集对应的新鲜度对所述三维虚拟地图进行茶叶质量信息标注，得到茶叶质量分布地图，同时，通过每个所述茶叶图像子集对应的新鲜度生成新鲜茶叶识别报告。

2.根据权利要求1所述的基于采茶无人机的新鲜茶叶识别方法，其特征在于，所述基于每个所述采茶无人机的目标图像采集路径，对每个所述采茶无人机进行任务划分，得到每个所述采茶无人机的图像采集任务，包括：

对每个所述采茶无人机的目标图像采集路径进行路径分割，得到每个所述采茶无人机的子采集路径集；

根据每个所述采茶无人机的子采集路径集对每个所述茶叶园区域进行区域匹配，得到每个所述采茶无人机的子采集路径集对应的采集区域集；

根据每个所述采茶无人机的子采集路径集对应的采集区域集对每个所述采茶无人机进行任务划分，得到每个所述采茶无人机的图像采集任务。

3.根据权利要求1所述的基于采茶无人机的新鲜茶叶识别方法，其特征在于，所述控制每个所述采茶无人机执行每个所述采茶无人机的图像采集任务，得到茶叶图像集，并对所述茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集，包括：

控制每个所述采茶无人机执行每个所述采茶无人机的图像采集任务，得到茶叶图像集；

对所述茶叶图像集进行茶叶形态轮廓提取，得到所述茶叶图像集中每个茶叶图像对应的茶叶形态轮廓；

通过每个所述茶叶图像对应的茶叶形态轮廓对所述茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集。

4.根据权利要求1所述的基于采茶无人机的新鲜茶叶识别方法，其特征在于，所述分别对每个所述茶叶图像子集进行HOG特征提取，得到每个所述茶叶图像子集对应的HOG特征集，包括：

分别对每个所述茶叶图像子集进行图像增强处理，得到每个增强图像子集；

对每个所述增强图像子集中的每个增强图像进行局部区域分割，得到每个所述增强图像子集的局部区域集合；

对每个所述增强图像子集的局部区域集合进行边缘方向提取，得到每个所述增强图像子集的边缘方向特征；

对每个所述增强图像子集的局部区域集合进行梯度特征提取，得到每个所述增强图像子集的梯度特征；

通过每个所述增强图像子集的边缘方向特征以及每个所述增强图像子集的梯度特征进行特征向量转换，得到每个所述茶叶图像子集对应的HOG特征集。

5.一种基于采茶无人机的新鲜茶叶识别装置，其特征在于，所述基于采茶无人机的新鲜茶叶识别装置包括：

第一提取模块，用于对目标茶叶园进行形状提取，得到所述目标茶叶园对应的形状布局信息，同时，对目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息；具体包括：通过预置的建筑信息数据库，对所述目标茶叶园进行形状信息提取，得到所述目标茶叶园对应的形状布局信息；对所述形状布局信息进行区域分割，得到多个茶叶园区域；对每个所述茶叶园区域进行密度分析，得到每个所述茶叶园区域对应的区域密度；通过每个所述茶叶园区域对应的区域密度对所述目标茶叶园进行茶叶种植分布信息提取，得到茶叶分布信息；其中，使用预置的建筑信息数据库中提取出目标茶叶园的形状信息，形状信息包括茶叶园的边界坐标、角度、曲线几何描述，获得目标茶叶园的整体外形信息；基于获得的形状信息，进一步对茶叶园进行区域分割，将茶叶园划分为多个小区域，每个小区域代表着茶叶种植的不同区域，区域分割采用空间分析技术，将茶叶园的形状划分为多个独立的多边形区域，每个区域代表着一个茶叶园小区域；对每个茶叶园区域进行密度分析，利用无人机拍摄茶叶园的图像，然后通过图像处理技术计算每个小区域内茶叶像素的数量，从而得出茶叶在每个区域内的分布密度，获取不同区域内茶叶的生长情况，从而提供茶叶的空间分布特征；根据每个茶叶园区域的茶叶分布密度信息，提取茶叶的种植分布信息，通过创建热度图来呈现，热度图将不同区域的茶叶密度以颜色的深浅表示，从而在地图上显示出茶叶种植的密集程度；

构建模块，用于通过所述茶叶分布信息以及所述形状布局信息进行三维虚拟地图构建，得到所述目标茶叶园对应的三维虚拟地图；

规划模块，用于基于所述三维虚拟地图，对预置的多个采茶无人机进行路径规划，生成每个所述采茶无人机的目标图像采集路径；具体包括：对每个所述采茶无人机进行起始位置分析，得到每个所述采茶无人机的起始位置坐标；对每个所述采茶无人机进行最大飞行距离提取，得到每个所述采茶无人机的最大飞行距离，同时，对每个所述采茶无人机进行采集区域半径分析，得到每个所述采茶无人机的采集区域半径；通过每个所述采茶无人机的起始位置坐标以及每个所述采茶无人机的采集区域半径对所述三维虚拟地图进行路径生成，得到每个所述采茶无人机对应的初始图像采集路径；对多个所述采茶无人机进行设备数量分析，得到设备数量，并通过所述设备数量进行遗传算法生成，得到遗传算法参数集；通过所述遗传算法参数集对预置的初始遗传算法进行参数配置，得到目标遗传算法；将每个所述采茶无人机对应的初始图像采集路径输入所述目标遗传算法进行适应度计算，得到适应度集合；将所述适应度集合输入所述目标遗传算法对每个所述采茶无人机对应的初始图像采集路径进行交叉迭代优化，得到每个所述采茶无人机的目标图像采集路径；其中，进行起始位置分析，确定每个采茶无人机的起飞点，以确保采茶无人机开始执行图像采集任务；通过考虑地理信息、茶叶园布局因素，确定每个采茶无人机的起始位置坐标，同时，进行最大飞行距离提取，确定每个采茶无人机的可飞行范围，以避免因超出范围而导致任务中断；在规划路径时，无人机的飞行距离应该小于其最大飞行距离，以确保采茶无人机能够安全返回，采集区域半径分析，确定每个采茶无人机的有效采集范围，通过分析无人机的摄像头参数、分辨率，计算出每个采茶无人机在飞行时能够覆盖的茶叶区域半径；基于起始位置、最大飞行距离和采集区域半径信息，通过算法对三维虚拟地图进行路径生成，在路径生成过程中，需要考虑无人机的飞行范围、避障策略以及图像采集间隔因素，以生成每个采茶无人机的初始图像采集路径；进行设备数量分析是为了确定所需的采茶无人机数量，通过分析茶叶园的面积、无人机的飞行速度、图像采集时间因素，得出所需的设备数量，确保能够在合理的时间内完成图像采集任务；

划分模块，用于基于每个所述采茶无人机的目标图像采集路径，对每个所述采茶无人机进行任务划分，得到每个所述采茶无人机的图像采集任务；

分类模块，用于控制每个所述采茶无人机执行每个所述采茶无人机的图像采集任务，得到茶叶图像集，并对所述茶叶图像集进行茶叶形态分类，得到多个茶叶图像子集；

第二提取模块，用于分别对每个所述茶叶图像子集进行纹理特征提取，得到每个所述茶叶图像子集对应的纹理特征集；

第三提取模块，用于分别对每个所述茶叶图像子集进行HOG特征提取，得到每个所述茶叶图像子集对应的HOG特征集；

计算模块，用于将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型进行新鲜度计算，得到每个所述茶叶图像子集对应的新鲜度；具体包括：将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入预置的茶叶识别模型，其中，所述茶叶识别模型包括：输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、全连接层以及输出层；将每个所述茶叶图像子集对应的纹理特征集以及每个所述茶叶图像子集对应的HOG特征集输入所述输入层进行特征拼接，得到拼接特征集；将所述拼接特征集输入至所述第一卷积层进行第一次特征点乘并求和，得到第一候选特征集；将所述第一候选特征集输入所述第一池化层进行第一次特征最大值提取，得到第二候选特征集；将所述第二候选特征集输入所述第二卷积层进行第二次特征点乘并求和，得到第三候选特征集；将所述第三候选特征集输入所述第二池化层进行第二次特征最大值提取，得到第四候选特征集；将所述第四候选特征集输入所述全连接层进行特征图展平处理，得到待处理长向量，并将所述待处理长向量进行偏置权重分配，得到多个目标向量；对所述多个目标向量进行归一化处理，得到概率分布数据集合，通过所述概率分布数据集合进行新鲜度计算，得到每个所述茶叶图像子集对应的新鲜度；

标注模块，用于通过每个所述茶叶图像子集对应的新鲜度对所述三维虚拟地图进行茶叶质量信息标注，得到茶叶质量分布地图，同时，通过每个所述茶叶图像子集对应的新鲜度生成新鲜茶叶识别报告。

6.一种基于采茶无人机的新鲜茶叶识别设备，其特征在于，所述基于采茶无人机的新鲜茶叶识别设备包括：存储器和至少一个处理器，所述存储器中存储有指令；

所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于采茶无人机的新鲜茶叶识别设备执行如权利要求2-4中任一项所述的基于采茶无人机的新鲜茶叶识别方法。

7.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-4中任一项所述的基于采茶无人机的新鲜茶叶识别方法。