CN117036954A - 一种植物区长势识别方法及系统 - Google Patents
一种植物区长势识别方法及系统 Download PDFInfo
- Publication number
- CN117036954A CN117036954A CN202311055223.3A CN202311055223A CN117036954A CN 117036954 A CN117036954 A CN 117036954A CN 202311055223 A CN202311055223 A CN 202311055223A CN 117036954 A CN117036954 A CN 117036954A
- Authority
- CN
- China
- Prior art keywords
- plant area
- aerial vehicle
- unmanned aerial
- plant
- receiving
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000012010 growth Effects 0.000 title claims abstract description 63
- 238000001514 detection method Methods 0.000 claims abstract description 120
- 230000007613 environmental effect Effects 0.000 claims description 27
- 238000005192 partition Methods 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 4
- 230000008635 plant growth Effects 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 6
- 239000001301 oxygen Substances 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010021143 Hypoxia Diseases 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007954 hypoxia Effects 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
Abstract
本发明涉及植物长势判断技术领域,具体公开了一种植物区长势识别方法及系统,所述方法包括接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度;根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送;接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告。本发明通过无人机获取高度数据,创建植物区模型,基于所述植物区模型确定检测路径,使得无人机在检测路径下不断地获取植物图像,再借助现有的神经网络模型对所述植物图像进行识别,输出长势报告,在保证识别准度的前提下,极大地提高了识别效率。
Description
技术领域
本发明涉及植物长势判断技术领域,具体是一种植物区长势识别方法及系统。
背景技术
植物是地球上最重要的生命形式之一,它们为人类提供了食物、氧气、药物、纤维、木材等多种资源和服务。没有植物,人类将无法生存。如果没有植物,人类将面临严重的空气污染和缺氧的危险。大气中的二氧化碳会不断增加,导致温室效应加剧,地球温度升高。同时,大气中的氧气会不断减少,使得人类呼吸困难。因此,人类需要有意识的对植物进行保护。
在现有技术背景下,对植物区域的保护过程一般由工作人员配合无人机主动完成,这一过程的操作主体是工作人员,灵活度高但工作量大,适合全盘检测,但不适合快速检测,如何提供一种便捷度高的快速检测方案是本发明技术方案想要解决的技术问题。
发明内容
本发明的目的在于提供一种植物区长势识别方法及系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种植物区长势识别方法,所述方法包括:
接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度;其中,高度采集过程中,无人机的绝对高度的波动范围小于预设的数据条件;
根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送;
接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告;
根据预设的传感器获取植物区的环境参数,根据所述环境参数修正识别流程。
作为本发明进一步的方案:所述接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度的步骤包括:
接收用户输入的边界坐标,根据所述边界坐标拟合植物区;
获取显示设备的设备参数,根据所述设备参数确定模型精度范围,接收用户的选取信息,基于所述选取信息在所述模型精度范围内确定最终精度;
根据所述最终精度确定检测点位;
向无人机发送指向所述检测点位的工作指令,接收无人机反馈的检测点位的相对高度;其中,所述相对高度由内置于无人机的测距模块获取得到。
作为本发明进一步的方案:所述根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送的步骤包括:
根据边界坐标创建基准三维模型;
基于检测点位的坐标统计所有相对高度,得到三维坐标点;
连接并拟合所述三维坐标点,建立植物区模型;
显示所述植物区模型,接收用户输入的检测路径,向无人机发送。
作为本发明进一步的方案:所述显示所述植物区模型,接收用户输入的检测路径,向无人机发送的步骤包括:
显示所述植物区模型,接收用户输入的区域标记;
基于所述区域标记创建检测路径,接收用户输入的调节信息;
根据所述调节信息确定最终路径,向无人机发送;
其中,所述区域标记至少包括隔断区和必经区;预设的参考物对应其中一个必经区。
作为本发明进一步的方案:所述接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告的步骤包括:
接收无人机在检测路径下获取到的植物图像,根据所述区域标记对植物图像进行分类;
读取参考物对应的植物图像,将所述植物图像与参考物对应的标准图像计算变化图层;所述变化图层中像素点的参数包括色调、饱和度和明度;所述变化图层为所有图像比对过程的均值特征;
基于所述变化图层对非参考物对应的植物图像进行修正,得到修正图像;
将所述修正图像输入训练好的神经网络识别模型中,输出长势报告。
作为本发明进一步的方案:所述根据预设的传感器获取植物区的环境参数,根据所述环境参数修正识别流程的步骤包括:
基于预设的传感器获取植物区的环境参数;
统计所有长势报告,计算长势偏差,根据所述环境参数验证所述长势偏差;所述长势偏差用于表征与标准长势的差距;
根据验证结果修正变化图层和神经网络识别模型。
本发明技术方案还提供了一种植物区长势识别系统,所述系统包括:
高度采集模块,用于接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度;其中,高度采集过程中,无人机的绝对高度的波动范围小于预设的数据条件;
路径发送模块,用于根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送;
图像识别模块,用于接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告;
识别流程修正模块,用于根据预设的传感器获取植物区的环境参数,根据所述环境参数修正识别流程。
作为本发明进一步的方案:所述高度采集模块包括:
接收用户输入的边界坐标,根据所述边界坐标拟合植物区;
获取显示设备的设备参数,根据所述设备参数确定模型精度范围,接收用户的选取信息,基于所述选取信息在所述模型精度范围内确定最终精度;
根据所述最终精度确定检测点位;
向无人机发送指向所述检测点位的工作指令,接收无人机反馈的检测点位的相对高度;其中,所述相对高度由内置于无人机的测距模块获取得到。
作为本发明进一步的方案:所述路径发送模块包括:
基准模型创建单元,用于根据边界坐标创建基准三维模型;
三维点位确定单元,用于基于检测点位的坐标统计所有相对高度,得到三维坐标点;
点位拟合单元,用于连接并拟合所述三维坐标点,建立植物区模型;
路径接收单元,用于显示所述植物区模型,接收用户输入的检测路径,向无人机发送。
作为本发明进一步的方案:所述路径接收单元包括:
标记接收子单元,用于显示所述植物区模型,接收用户输入的区域标记;
调节子单元,用于基于所述区域标记创建检测路径,接收用户输入的调节信息;
选取子单元,用于根据所述调节信息确定最终路径,向无人机发送;
其中,所述区域标记至少包括隔断区和必经区;预设的参考物对应其中一个必经区。
与现有技术相比,本发明的有益效果是:本发明通过无人机获取高度数据,创建植物区模型,基于所述植物区模型确定检测路径,使得无人机在检测路径下不断地获取植物图像,再借助现有的神经网络模型对所述植物图像进行识别,输出长势报告;在此过程中,引入传感器,对识别过程进行修正;在保证识别准度的前提下,极大地提高了识别效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例。
图1为植物区长势识别方法的流程框图。
图2为植物区长势识别方法的第一子流程框图。
图3为植物区长势识别方法的第二子流程框图。
图4为植物区长势识别方法的第三子流程框图。
图5为植物区长势识别方法的第四子流程框图。
图6为植物区长势识别系统的组成结构框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
图1为植物区长势识别方法的流程框图,本发明实施例中,一种植物区长势识别方法,所述方法包括:
步骤S100:接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度;其中,高度采集过程中,无人机的绝对高度的波动范围小于预设的数据条件;
步骤S200:根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送;
步骤S300:接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告;
步骤S400:根据预设的传感器获取植物区的环境参数,根据所述环境参数修正识别流程。
在本发明技术方案的一个实例中,先由无人机对整个植物区进行高度采集,根据采集到的高度可以建立一个植物区模型,所述植物区模型的创建过程可以采用现有的三维建模软件;创建好植物区模型后,在植物区模型中选取检测路径,将所述检测路径向无人机发送,无人机会沿着检测路径采集植物图像,对所述植物图像进行识别,输出长势报告;这一过程可以借用现有的基于神经网络模型的分类器,输入为图像,输出为长势报告。
在此基础上,本发明技术方案还引入了修正过程,由传感器获取环境参数,比如空气中关键组分的含量(含氧量等),根据关键组分的含量计算长势报告的理论情况,根据理论情况对长势报告进行调整,进而更新识别过程。
值得一提的是,无人机的工作高度需要预先确定,并且无人机在运动时,需要一直保持该高度(只允许较小的波动)。
图2为植物区长势识别方法的第一子流程框图,所述接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度的步骤包括:
步骤S101:接收用户输入的边界坐标,根据所述边界坐标拟合植物区;
步骤S102:获取显示设备的设备参数,根据所述设备参数确定模型精度范围,接收用户的选取信息,基于所述选取信息在所述模型精度范围内确定最终精度;
步骤S103:根据所述最终精度确定检测点位;
步骤S104:向无人机发送指向所述检测点位的工作指令,接收无人机反馈的检测点位的相对高度;其中,所述相对高度由内置于无人机的测距模块获取得到。
上述内容对无人机的高度采集过程进行了具体的说明,首先,接收用户输入的边界坐标,确定植物区的范围;然后,获取显示设备的设备参数,所述设备参数主要是CPU的数据处理能力,数据处理能力越强,模型精度范围的上限越高;进一步的,模型精度范围的下限由工作人员确定,不影响工作人员的观感即可;最后,显示模型精度范围,接收用户输入的选取信息,确定最终精度;精度越高,需要的检测点位数量越多,精度与检测点位数量的关系由工作人员预先确定。
图3为植物区长势识别方法的第二子流程框图,所述根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送的步骤包括:
步骤S201:根据边界坐标创建基准三维模型;
步骤S202:基于检测点位的坐标统计所有相对高度,得到三维坐标点;
步骤S203:连接并拟合所述三维坐标点,建立植物区模型;
步骤S204:显示所述植物区模型,接收用户输入的检测路径,向无人机发送。
上述内容对检测路径的生成过程进行了具体的限定,由边界坐标创建基准三维模型的平面范围,然后,在创建的基准三维模型中插入高度信息,得到三维坐标点;连接并拟合所有的三维坐标点,可以建立植物区模型;建立好植物区模型后,向用户展示,接收用户输入的检测路径,向无人机发送;无人机会在此路径下,不断地采集图像。
作为本发明技术方案的一个优选实施例,所述显示所述植物区模型,接收用户输入的检测路径,向无人机发送的步骤包括:
显示所述植物区模型,接收用户输入的区域标记;
基于所述区域标记创建检测路径,接收用户输入的调节信息;
根据所述调节信息确定最终路径,向无人机发送;
其中,所述区域标记至少包括隔断区和必经区;预设的参考物对应其中一个必经区。
上述内容对检测路径的确定过程进行了进一步的限定,在本发明技术方案中,检测路径主要由用户输入,在此基础上,本发明增设了自动生成过程,用于减少工作人员的工作量,具体方案如下:
接收用户输入的区域标记,所述区域标记用于对植物区模型中的各个区域的功能,包括植物区以及和参考物区域,其中,参考物区域作为必经区,也即,生成检测路径时,检测路径必须经过必经区。
进一步的,本发明技术方案还引入了隔断区,隔断区用于调节检测路径,检测路径会自动的避开隔断区。
根据必经区和隔断区创建一些检测路径,所述检测路径的创建目标为,采集区域尽量大,路径长度尽量小。
图4为植物区长势识别方法的第三子流程框图,所述接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告的步骤包括:
步骤S301:接收无人机在检测路径下获取到的植物图像,根据所述区域标记对植物图像进行分类;
步骤S302:读取参考物对应的植物图像,将所述植物图像与参考物对应的标准图像计算变化图层;所述变化图层中像素点的参数包括色调、饱和度和明度;所述变化图层为所有图像比对过程的均值特征;
步骤S303:基于所述变化图层对非参考物对应的植物图像进行修正,得到修正图像;
步骤S304:将所述修正图像输入训练好的神经网络识别模型中,输出长势报告。
上述内容提供了一种具体的长势报告生成过程,其基准方案是根据训练好的神经网络模型将图像转换为长势报告;所述神经网络识别模型由用户创建样本集并训练,样本集中的元素数量越多,神经网络识别模型的能力越强。
在此基础上,根据本申请引入的参考物确定变化图层,变化图层表示了拍摄过程的环境影响状况,将参考物的实际图像与标准图像进行比对,即可得到变化图层;所述变化图层可以理解为滤镜,进而对其他所有图像进行修正。
图5为植物区长势识别方法的第四子流程框图,所述根据预设的传感器获取植物区的环境参数,根据所述环境参数修正识别流程的步骤包括:
步骤S401:基于预设的传感器获取植物区的环境参数;
步骤S402:统计所有长势报告,计算长势偏差,根据所述环境参数验证所述长势偏差;所述长势偏差用于表征与标准长势的差距;
步骤S403:根据验证结果修正变化图层和神经网络识别模型。
环境参数是一个上位概念,用于代指植物区的环境特征,其重点在于,与其他区域不同的特征,温度、湿度和负氧离子含量都可以视为其中一种环境参数;由这些参数可以判断出植物区的整体生长状态,根据所述整体生长状态对长势报告的识别过程进行调整;调整的目标包括变化图层和神经网络识别模型。
图6为植物区长势识别系统的组成结构框图,本发明实施例中,一种植物区长势识别系统,所述系统10包括:
高度采集模块11,用于接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度;其中,高度采集过程中,无人机的绝对高度的波动范围小于预设的数据条件;
路径发送模块12,用于根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送;
图像识别模块13,用于接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告;
识别流程修正模块14,用于根据预设的传感器获取植物区的环境参数,根据所述环境参数修正识别流程。
进一步的,所述高度采集模块11包括:
接收用户输入的边界坐标,根据所述边界坐标拟合植物区;
获取显示设备的设备参数,根据所述设备参数确定模型精度范围,接收用户的选取信息,基于所述选取信息在所述模型精度范围内确定最终精度;
根据所述最终精度确定检测点位;
向无人机发送指向所述检测点位的工作指令,接收无人机反馈的检测点位的相对高度;其中,所述相对高度由内置于无人机的测距模块获取得到。
更进一步的,所述路径发送模块12包括:
基准模型创建单元,用于根据边界坐标创建基准三维模型;
三维点位确定单元,用于基于检测点位的坐标统计所有相对高度,得到三维坐标点;
点位拟合单元,用于连接并拟合所述三维坐标点,建立植物区模型;
路径接收单元,用于显示所述植物区模型,接收用户输入的检测路径,向无人机发送。
具体的,所述路径接收单元包括:
标记接收子单元,用于显示所述植物区模型,接收用户输入的区域标记;
调节子单元,用于基于所述区域标记创建检测路径,接收用户输入的调节信息;
选取子单元,用于根据所述调节信息确定最终路径,向无人机发送;
其中,所述区域标记至少包括隔断区和必经区;预设的参考物对应其中一个必经区。
上述植物区长势识别方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述植物区长势识别方法的功能。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
需要说明的是,在本文中,术语“包括”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种植物区长势识别方法,其特征在于,所述方法包括:
接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度;其中,高度采集过程中,无人机的绝对高度的波动范围小于预设的数据条件;
根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送;
接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告;
根据预设的传感器获取植物区的环境参数,根据所述环境参数修正识别流程。
2.根据权利要求1所述的植物区长势识别方法,其特征在于,所述接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度的步骤包括:
接收用户输入的边界坐标,根据所述边界坐标拟合植物区;
获取显示设备的设备参数,根据所述设备参数确定模型精度范围,接收用户的选取信息,基于所述选取信息在所述模型精度范围内确定最终精度;
根据所述最终精度确定检测点位;
向无人机发送指向所述检测点位的工作指令,接收无人机反馈的检测点位的相对高度;其中,所述相对高度由内置于无人机的测距模块获取得到。
3.根据权利要求2所述的植物区长势识别方法,其特征在于,所述根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送的步骤包括:
根据边界坐标创建基准三维模型;
基于检测点位的坐标统计所有相对高度,得到三维坐标点;
连接并拟合所述三维坐标点,建立植物区模型;
显示所述植物区模型,接收用户输入的检测路径,向无人机发送。
4.根据权利要求3所述的植物区长势识别方法,其特征在于,所述显示所述植物区模型,接收用户输入的检测路径,向无人机发送的步骤包括:
显示所述植物区模型,接收用户输入的区域标记;
基于所述区域标记创建检测路径,接收用户输入的调节信息;
根据所述调节信息确定最终路径,向无人机发送;
其中,所述区域标记至少包括隔断区和必经区;预设的参考物对应其中一个必经区。
5.根据权利要求4所述的植物区长势识别方法,其特征在于,所述接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告的步骤包括:
接收无人机在检测路径下获取到的植物图像,根据所述区域标记对植物图像进行分类;
读取参考物对应的植物图像,将所述植物图像与参考物对应的标准图像计算变化图层;所述变化图层中像素点的参数包括色调、饱和度和明度;所述变化图层为所有图像比对过程的均值特征;
基于所述变化图层对非参考物对应的植物图像进行修正,得到修正图像;
将所述修正图像输入训练好的神经网络识别模型中,输出长势报告。
6.根据权利要求1所述的植物区长势识别方法,其特征在于,所述根据预设的传感器获取植物区的环境参数,根据所述环境参数修正识别流程的步骤包括:
基于预设的传感器获取植物区的环境参数;
统计所有长势报告,计算长势偏差,根据所述环境参数验证所述长势偏差;所述长势偏差用于表征与标准长势的差距;
根据验证结果修正变化图层和神经网络识别模型。
7.一种植物区长势识别系统,其特征在于,所述系统包括:
高度采集模块,用于接收用户输入的植物区,根据所述植物区确定检测点位,通过无人机采集检测点位的相对高度;其中,高度采集过程中,无人机的绝对高度的波动范围小于预设的数据条件;
路径发送模块,用于根据所述相对高度建立植物区模型,在所述植物区模型中确定检测路径,向无人机发送;
图像识别模块,用于接收无人机在检测路径下获取到的植物图像,对所述植物图像进行识别,得到长势报告;
识别流程修正模块,用于根据预设的传感器获取植物区的环境参数,根据所述环境参数修正识别流程。
8.根据权利要求7所述的植物区长势识别系统,其特征在于,所述高度采集模块包括:
接收用户输入的边界坐标,根据所述边界坐标拟合植物区;
获取显示设备的设备参数,根据所述设备参数确定模型精度范围,接收用户的选取信息,基于所述选取信息在所述模型精度范围内确定最终精度;
根据所述最终精度确定检测点位;
向无人机发送指向所述检测点位的工作指令,接收无人机反馈的检测点位的相对高度;其中,所述相对高度由内置于无人机的测距模块获取得到。
9.根据权利要求7所述的植物区长势识别系统,其特征在于,所述路径发送模块包括:
基准模型创建单元,用于根据边界坐标创建基准三维模型;
三维点位确定单元,用于基于检测点位的坐标统计所有相对高度,得到三维坐标点;
点位拟合单元,用于连接并拟合所述三维坐标点,建立植物区模型;
路径接收单元,用于显示所述植物区模型,接收用户输入的检测路径,向无人机发送。
10.根据权利要求9所述的植物区长势识别系统,其特征在于,所述路径接收单元包括:
标记接收子单元,用于显示所述植物区模型,接收用户输入的区域标记;
调节子单元,用于基于所述区域标记创建检测路径,接收用户输入的调节信息;
选取子单元,用于根据所述调节信息确定最终路径,向无人机发送;
其中,所述区域标记至少包括隔断区和必经区;预设的参考物对应其中一个必经区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055223.3A CN117036954B (zh) | 2023-08-22 | 2023-08-22 | 一种植物区长势识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311055223.3A CN117036954B (zh) | 2023-08-22 | 2023-08-22 | 一种植物区长势识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117036954A true CN117036954A (zh) | 2023-11-10 |
CN117036954B CN117036954B (zh) | 2024-04-26 |
Family
ID=88602147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311055223.3A Active CN117036954B (zh) | 2023-08-22 | 2023-08-22 | 一种植物区长势识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117036954B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
CN113807132A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 植物生长区域的灌水状态的识别方法、装置和存储介质 |
CN114581855A (zh) * | 2022-04-29 | 2022-06-03 | 深圳格隆汇信息科技有限公司 | 一种基于大数据的信息收集方法与系统 |
CN115578651A (zh) * | 2022-08-15 | 2023-01-06 | 金华八达集团有限公司 | 一种配网线路无人机智能巡检及动态库存管理系统 |
CN115689795A (zh) * | 2022-10-18 | 2023-02-03 | 华南农业大学 | 基于无人机遥感的山地果园作物长势分析方法及系统 |
-
2023
- 2023-08-22 CN CN202311055223.3A patent/CN117036954B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191074A (zh) * | 2018-08-27 | 2019-01-11 | 宁夏大学 | 智慧果园种植管理系统 |
CN110503253A (zh) * | 2019-08-12 | 2019-11-26 | 北京环丁环保大数据研究院 | 一种种植环境自适应控制方法及装置 |
CN113807132A (zh) * | 2020-06-12 | 2021-12-17 | 广州极飞科技股份有限公司 | 植物生长区域的灌水状态的识别方法、装置和存储介质 |
CN114581855A (zh) * | 2022-04-29 | 2022-06-03 | 深圳格隆汇信息科技有限公司 | 一种基于大数据的信息收集方法与系统 |
CN115578651A (zh) * | 2022-08-15 | 2023-01-06 | 金华八达集团有限公司 | 一种配网线路无人机智能巡检及动态库存管理系统 |
CN115689795A (zh) * | 2022-10-18 | 2023-02-03 | 华南农业大学 | 基于无人机遥感的山地果园作物长势分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
李慧 等: "《农业机械维护技术 大田种植业部分》", 31 January 2018, 中国农业大学出版社, pages: 388 - 389 * |
Also Published As
Publication number | Publication date |
---|---|
CN117036954B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021051767A (ja) | ドローンを用いた作業を支援するシステムおよび方法 | |
CN111222387B (zh) | 对象检测的系统和方法 | |
CN111985724B (zh) | 一种农作物产量预估的方法、装置、设备及存储介质 | |
CN112462756B (zh) | 农林作业任务生成方法、装置、计算机设备和存储介质 | |
CN114442665B (zh) | 基于无人机的风电叶片巡检线路规划方法 | |
CN117036954B (zh) | 一种植物区长势识别方法及系统 | |
CN116843303B (zh) | 一种智慧梁场的生产管控方法及系统 | |
CN112233184B (zh) | 基于图像配准的激光雷达与相机标定参数校正方法及装置 | |
CN114861475A (zh) | 一种基于传感数据的实时海洋模拟方法及系统 | |
CN113643265A (zh) | 基于人工智能的质量等级确定方法、装置、设备及介质 | |
CN114663652A (zh) | 图像处理方法、装置、管理系统、电子设备和存储介质 | |
JP7230716B2 (ja) | 情報処理装置及び指標値算出方法 | |
CN117150785B (zh) | 一种大豆生长全生育期仿真方法及系统 | |
CN117576455A (zh) | 一种大豆种植区目标检测方法及系统 | |
CN113052959B (zh) | 一种基于碳排放的海岛植被资源投放方法及装置 | |
WO2020174095A1 (en) | Automated mobile field scouting sensor data and image classification devices | |
CN111814663A (zh) | 基于互联网的地貌监测管理系统 | |
CN111279284A (zh) | 控制方法和设备 | |
CN116844075B (zh) | 一种耕地环境判定方法及系统 | |
CN115633321B (zh) | 一种无线通信网络监控方法及系统 | |
CN111815772B (zh) | 高原山地土地利用方法、系统、存储介质和计算机设备 | |
KR102570846B1 (ko) | 오염원 관리가 가능한 야적퇴비 탐지 방법 및 시스템 | |
US11250275B2 (en) | Information processing system, program, and information processing method | |
CN113610075B (zh) | 一种轻量级标签文本框检测方法、装置、终端及存储介质 | |
CN116939159B (zh) | 一种农田灾害预警方法及系统 |
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 |