CN117146831B - 基于机器学习和无人机的果树生长状态评估方法及系统 - Google Patents
基于机器学习和无人机的果树生长状态评估方法及系统 Download PDFInfo
- Publication number
- CN117146831B CN117146831B CN202311423521.3A CN202311423521A CN117146831B CN 117146831 B CN117146831 B CN 117146831B CN 202311423521 A CN202311423521 A CN 202311423521A CN 117146831 B CN117146831 B CN 117146831B
- Authority
- CN
- China
- Prior art keywords
- fruit tree
- unmanned aerial
- growth state
- area
- tree growth
- 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
- 235000013399 edible fruits Nutrition 0.000 title claims abstract description 787
- 238000011156 evaluation Methods 0.000 title claims abstract description 170
- 238000010801 machine learning Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000013439 planning Methods 0.000 claims abstract description 55
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 32
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000003860 storage Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 13
- 238000013210 evaluation model Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000013209 evaluation strategy Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 7
- 230000000875 corresponding effect Effects 0.000 description 57
- 239000002420 orchard Substances 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 239000000284 extract Substances 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机器学习领域,公开了一种基于机器学习和无人机的果树生长状态评估方法及系统,用于提高果树生长状态评估的准确率。方法包括:对目标果树生长区域进行区域划分,得到多个第一果树生长区域;对多个无人机进行状态检测任务分配和飞行路径规划,得到第一果树生长区域和第一飞行路径;进行果树图像采集,得到第一果树图像数据并进行果树生长状态评估,得到第一果树生长状态评估指标;进行区域全局规划,生成多个第二果树生长区域并创建第二飞行路径;进行果树图像采集,得到第二果树图像数据;进行果树生长状态评估,得到第二果树生长状态评估指标,并进行均值运算,得到目标果树生长状态评估指标。
Description
技术领域
本发明涉及机器学习领域,尤其涉及一种基于机器学习和无人机的果树生长状态评估方法及系统。
背景技术
在农业领域,果树的生长状态评估对于实现高产高质的农产品产出至关重要。传统的果树生长状态评估方法通常依赖于人工勘察,这种方式费时费力,且容易受主观因素影响,导致评估结果的准确性和一致性存在问题。随着机器学习和无人机技术的发展,将这两者结合起来,可以有效地解决传统评估方法的问题,实现对果树生长状态的自动化、精确化评估。
传统的果树生长状态评估方法常常依赖于人工采集数据和主观判断,存在效率低下、成本高昂、难以覆盖大范围等问题。然而,将机器学习和无人机技术相结合应用于果树生长状态评估领域也面临一些挑战。如何合理划分果树生长区域,以便有效地进行数据采集和评估,是一个关键问题。其次,如何将多个无人机分配到不同区域,并规划飞行路径,使得数据采集高效且平衡负载,也是一个复杂的任务。此外,图像数据的处理、特征提取和模型训练也需要考虑如何在农业环境中得到准确的结果。即,现有方案的准确率低。
发明内容
本发明提供了一种基于机器学习和无人机的果树生长状态评估方法及系统,用于提高果树生长状态评估的准确率。
本发明第一方面提供了一种基于机器学习和无人机的果树生长状态评估方法,所述基于机器学习和无人机的果树生长状态评估方法包括:
对待检测的目标果树生长区域进行区域划分,得到多个第一果树生长区域;
根据所述多个第一果树生长区域对预置的多个无人机进行状态检测任务分配和飞行路径规划,得到每个无人机对应的第一果树生长区域和第一飞行路径;
通过所述多个无人机,根据所述第一飞行路径对所述多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的第一果树图像数据,并对所述第一果树图像数据进行果树生长状态评估,得到每个第一果树生长区域的第一果树生长状态评估指标;
根据所述第一果树生长状态评估指标,对所述多个第一果树生长区域进行区域全局规划,生成每个第一果树生长区域的多个第二果树生长区域,并根据所述多个第二果树生长区域创建所述每个无人机对应的第二飞行路径;
通过所述多个无人机,根据所述第二飞行路径对所述多个第二果树生长区域进行果树图像采集,得到每个第二果树生长区域的第二果树图像数据;
对所述第二果树图像数据进行果树生长状态评估,得到每个第二果树生长区域的第二果树生长状态评估指标,并对所述第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标。
结合第一方面,在本发明第一方面的第一种实现方式中,所述对待检测的目标果树生长区域进行区域划分,得到多个第一果树生长区域,包括:
获取待检测的目标果树生长区域所对应的区域地理数据,并对所述区域地理数据进行坐标信息标注,得到区域坐标信息;
根据所述区域坐标信息计算所述目标果树生长区域对应的区域划分参数;
根据所述区域划分参数对所述目标果树生长区域进行网格划分,得到对应的多个矩形网格;
根据所述区域坐标信息确定所述多个矩形网格的第一地理坐标范围以及第一中心坐标,生成多个第一果树生长区域。
结合第一方面,在本发明第一方面的第二种实现方式中,所述根据所述多个第一果树生长区域对预置的多个无人机进行状态检测任务分配和飞行路径规划,得到每个无人机对应的第一果树生长区域和第一飞行路径,包括:
对预置的多个无人机进行信息分析,得到每个无人机的第一性能参数信息,其中,所述第一性能参数信息包括飞行性能、速度及续航能力;
获取每个第一果树生长区域的第一地理坐标范围以及第一中心坐标,并根据所述第一地理坐标范围以及所述第一中心坐标,对所述多个第一果树生长区域进行顺序排列,得到区域排列列表;
根据所述区域排列列表,分别计算每个第一果树生长区域与每个无人机之间的匹配度数据;
根据所述匹配度数据对预置的多个无人机进行状态检测任务分配,得到每个无人机对应的第一果树生长区域;
根据每个无人机的第一性能参数信息,对每个无人机对应的第一果树生长区域进行飞行路径规划,生成每个无人机对应的第一飞行路径。
结合第一方面,在本发明第一方面的第三种实现方式中,所述通过所述多个无人机,根据所述第一飞行路径对所述多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的第一果树图像数据,并对所述第一果树图像数据进行果树生长状态评估,得到每个第一果树生长区域的第一果树生长状态评估指标,包括:
通过所述多个无人机,根据所述第一飞行路径对所述多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的原始果树图像数据;
对所述原始果树图像数据进行果树中心识别,得到多个果树中心关键点,并根据所述多个果树中心关键点构建初始位置云图;
基于K次近邻算法对所述初始位置云图中的每个果树中心关键点进行临近点识别,得到每个果树中心关键点对应的K个最近邻点;
分别计算所述K个最近邻点与对应的果树中心关键点之间的位置偏移量,并根据所述位置偏移量对所述初始位置云图进行漂移校正,得到目标位置云图;
根据所述目标位置云图生成每个第一果树生长区域的第一果树图像数据;
对所述第一果树图像数据进行果树生长状态特征提取,得到多个第一果树生长状态特征;
对所述多个第一果树生长状态特征进行编码,得到第一特征编码向量,并将所述第一特征编码向量输入预置的果树生长状态评估模型进行果树生长状态评估,得到第一果树生长状态预测值,其中,所述果树生长状态评估模型包括两层门限循环网络以及两层全连接网络;
对所述第一果树生长状态预测值进行状态指标转换,得到每个第一果树生长区域的第一果树生长状态评估指标。
结合第一方面,在本发明第一方面的第四种实现方式中,所述根据所述第一果树生长状态评估指标,对所述多个第一果树生长区域进行区域全局规划,生成每个第一果树生长区域的多个第二果树生长区域,并根据所述多个第二果树生长区域创建所述每个无人机对应的第二飞行路径,包括:
对所述第一果树生长状态评估指标与预设的第一目标指标值A1和第二目标指标值A2进行指标关系分析,其中,所述第一目标指标值A1<所述第二目标指标值A2;
若第一果树生长状态评估指标≤第一目标指标值A1,则根据预设的第一区域分割值B1对所述第一果树生长区域进行区域全局规划,生成所述第一区域分割值B1对应的多个第二果树生长区域;
若第一目标指标值A1<第一果树生长状态评估指标≤第二目标指标值A2,则根据预设的第一区域分割值B2对所述第一果树生长区域进行区域全局规划,生成所述第一区域分割值B2对应的多个第二果树生长区域;
若第二目标指标值A2<第一果树生长状态评估指标,则根据预设的第一区域分割值B3对所述第一果树生长区域进行区域全局规划,生成所述第一区域分割值B3对应的多个第二果树生长区域,其中,第一区域分割值B1>第一区域分割值B2>第一区域分割值B3;
生成每个第一果树生长区域的多个第二果树生长区域,并获取每个第二果树生长区域的第二地理坐标范围以及第二中心坐标;
获取每个无人机的第二性能参数信息以及当前位置信息,并对每个第二果树生长区域的第二地理坐标范围以及第二中心坐标进行飞行路径分析,得到每个无人机对应的第二飞行路径。
结合第一方面,在本发明第一方面的第五种实现方式中,所述对所述第二果树图像数据进行果树生长状态评估,得到每个第二果树生长区域的第二果树生长状态评估指标,并对所述第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标,包括:
对所述第二果树图像数据进行果树生长状态特征提取,得到多个第二果树生长状态特征;
对所述多个第二果树生长状态特征进行编码,得到第二特征编码向量,并将所述第二特征编码向量输入所述果树生长状态评估模型进行果树生长状态评估,得到第二果树生长状态预测值;
对所述第二果树生长状态预测值进行状态指标转换,得到每个第二果树生长区域的第二果树生长状态评估指标;
获取每个第一果树生长区域中多个第二果树生长区域的第二果树生长状态评估指标,并对所述多个第二果树生长区域的第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标。
结合第一方面,在本发明第一方面的第六种实现方式中,所述基于机器学习和无人机的果树生长状态评估方法还包括:
根据每个第一果树生长区域的目标果树生长状态评估指标,对所述目标果树生长区域进行区域划分,得到多个第三果树生长区域;
根据所述目标果树生长状态评估指标计算所述多个第三果树生长区域的状态检测优先级,得到每个第三果树生长区域的状态检测优先级;
根据所述状态检测优先级和所述多个第三果树生长区域生成所述目标果树生长区域的目标果树生长状态评估策略;
根据所述目标果树生长状态评估策略,对所述目标果树生长区域进行下一轮果树生长状态评估。
本发明第二方面提供了一种基于机器学习和无人机的果树生长状态评估装置,所述基于机器学习和无人机的果树生长状态评估装置包括:
划分模块,用于对待检测的目标果树生长区域进行区域划分,得到多个第一果树生长区域;
分配模块,用于根据所述多个第一果树生长区域对预置的多个无人机进行状态检测任务分配和飞行路径规划,得到每个无人机对应的第一果树生长区域和第一飞行路径;
评估模块,用于通过所述多个无人机,根据所述第一飞行路径对所述多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的第一果树图像数据,并对所述第一果树图像数据进行果树生长状态评估,得到每个第一果树生长区域的第一果树生长状态评估指标;
创建模块,用于根据所述第一果树生长状态评估指标,对所述多个第一果树生长区域进行区域全局规划,生成每个第一果树生长区域的多个第二果树生长区域,并根据所述多个第二果树生长区域创建所述每个无人机对应的第二飞行路径;
采集模块,用于通过所述多个无人机,根据所述第二飞行路径对所述多个第二果树生长区域进行果树图像采集,得到每个第二果树生长区域的第二果树图像数据;
运算模块,用于对所述第二果树图像数据进行果树生长状态评估,得到每个第二果树生长区域的第二果树生长状态评估指标,并对所述第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标。
本发明第三方面提供了一种基于机器学习和无人机的果树生长状态评估设备,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,以使得所述基于机器学习和无人机的果树生长状态评估设备执行上述的基于机器学习和无人机的果树生长状态评估方法。
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机器学习和无人机的果树生长状态评估方法。
本发明提供的技术方案中,对目标果树生长区域进行区域划分,得到多个第一果树生长区域;对多个无人机进行状态检测任务分配和飞行路径规划,得到第一果树生长区域和第一飞行路径;进行果树图像采集,得到第一果树图像数据并进行果树生长状态评估,得到第一果树生长状态评估指标;进行区域全局规划,生成多个第二果树生长区域并创建第二飞行路径;进行果树图像采集,得到第二果树图像数据;进行果树生长状态评估,得到第二果树生长状态评估指标,并进行均值运算,得到目标果树生长状态评估指标,本发明采用无人机技术能够在短时间内对大面积果树区域进行高分辨率的图像采集,大幅提高数据采集的效率,同时减少人力成本。基于机器学习的方法能够从大量图像数据中提取关键特征,建立准确的生长状态评估模型。相较于主观的人工评估,机器学习模型能够更客观地分析数据,提供更准确的生长状态评估结果。无人机技术能够覆盖大范围的果树区域,不受地形和障碍物的限制。这意味着无人机可以对平地和山区的果树生长状态进行评估,实现更全面的数据收集。无人机可以定期对果树区域进行监测,捕捉生长状态的变化。基于机器学习的模型能够及时分析数据,发现异常情况,进而提高了果树生长状态评估的准确率。
附图说明
图1为本发明实施例中基于机器学习和无人机的果树生长状态评估方法的一个实施例示意图;
图2为本发明实施例中区域划分的流程图;
图3为本发明实施例中状态检测任务分配和飞行路径规划的流程图;
图4为本发明实施例中均值运算的流程图;
图5为本发明实施例中基于机器学习和无人机的果树生长状态评估装置的一个实施例示意图;
图6为本发明实施例中基于机器学习和无人机的果树生长状态评估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机器学习和无人机的果树生长状态评估方法及系统,用于提高果树生长状态评估的准确率。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机器学习和无人机的果树生长状态评估方法的一个实施例包括:
S101、对待检测的目标果树生长区域进行区域划分,得到多个第一果树生长区域;
可以理解的是,本发明的执行主体可以为基于机器学习和无人机的果树生长状态评估装置,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,服务器针对待检测的果树生长区域,获取该区域的地理数据,如卫星图像或地理信息系统(GIS)数据。这些数据应包含有关该区域的空间坐标信息,例如经度和纬度。基于所获取的区域地理数据,利用适当的算法和方法计算出区域划分参数。这些参数包括网格数量、网格大小等,用于将整个果树生长区域划分为多个矩形网格。利用计算得到的区域划分参数,对果树生长区域进行网格划分。这将把整个区域分割成多个矩形网格,每个网格代表一个小的果树生长区域。于每个划分的矩形网格,根据其在区域中的位置,计算出该网格的地理坐标范围(例如,左上角和右下角的经纬度)以及中心坐标。这些坐标将用于规划无人机的飞行路径和图像采集。结合每个网格的地理坐标范围和中心坐标,生成多个第一果树生长区域。每个第一果树生长区域对应一个网格,这些区域将成为无人机飞行和图像采集的目标区域。例如,假设服务器有一个果园,利用机器学习和无人机来评估果树的生长状态。服务器获取了果园的卫星图像数据,其中包含了果树生长区域的地理信息。服务器从卫星图像中提取果园区域的地理数据,包括每个果树的位置信息(经度和纬度)。基于提取的地理数据,服务器计算出适当的区域划分参数,比如将果园划分为10x10的网格,总共100个小区域。服务器按照计算得出的参数,将果园划分为多个矩形网格,每个网格代表一个小的果树生长区域。对于每个网格,服务器计算出其地理坐标范围和中心坐标。例如,某个网格的左上角经纬度是(30.2,-120.5),右下角经纬度是(30.3,-120.4),中心坐标是(30.25,-120.45)。结合每个网格的地理坐标范围和中心坐标,服务器生成了多个第一果树生长区域。每个第一果树生长区域对应一个网格,这些区域将成为无人机飞行和图像采集的目标。
S102、根据多个第一果树生长区域对预置的多个无人机进行状态检测任务分配和飞行路径规划,得到每个无人机对应的第一果树生长区域和第一飞行路径;
具体的,服务器对预置的多个无人机进行信息分析,以获取它们的第一性能参数信息,包括飞行性能、速度及续航能力等。这些性能参数将有助于确定每个无人机的适用任务范围和限制条件。对于每个第一果树生长区域,服务器获取其第一地理坐标范围以及第一中心坐标。例如,假设服务器有一个果园,其中的一个第一果树生长区域的地理坐标范围是(30.2,-120.5)到(30.3,-120.4),中心坐标是(30.25,-120.45)。根据获取的地理坐标范围和中心坐标,服务器对多个第一果树生长区域进行顺序排列,以得到区域排列列表。这个列表将决定了无人机在任务分配时的参考顺序。基于区域排列列表,服务器为每个第一果树生长区域计算与每个无人机之间的匹配度数据。匹配度数据可以由多种因素组成,如无人机的当前位置与目标区域的距离、无人机的速度是否足够覆盖区域等。这些数据将用于在后续步骤中进行任务分配。借助匹配度数据,服务器根据区域排列列表将预置的多个无人机进行状态检测任务的分配。通过分析匹配度数据,服务器为每个无人机分配最适合其性能参数的第一果树生长区域,从而实现任务分配的优化。对于每个无人机,服务器根据其第一性能参数信息和分配的第一果树生长区域,进行飞行路径规划。这个过程可以利用路径规划算法,考虑无人机的飞行速度、续航能力以及避免障碍物等因素,生成每个无人机对应的第一飞行路径。例如,假设服务器有一个果园,其中有8个待评估的第一果树生长区域,同时有3架无人机用于采集图像。服务器先获取了每架无人机的性能参数:无人机A的速度较快但续航能力较低,无人机B的速度适中且续航能力较好,无人机C的速度较慢但续航能力最佳。对于每个果树生长区域,服务器获取了地理坐标范围和中心坐标。服务器将这些区域进行排序,得到区域排列列表。基于区域排列列表,服务器计算了每个无人机与每个果树生长区域之间的匹配度数据。例如,无人机A更适合较近的区域,而无人机C则适合遥远的区域。通过匹配度数据,服务器进行了任务分配。假设无人机A被分配到了区域1、无人机B被分配到了区域5、无人机C被分配到了区域3。服务器根据无人机的性能参数和分配的区域,为每个无人机生成了第一飞行路径。无人机A选择了更近的区域,无人机C则会选择续航时间较长的区域。
S103、通过多个无人机,根据第一飞行路径对多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的第一果树图像数据,并对第一果树图像数据进行果树生长状态评估,得到每个第一果树生长区域的第一果树生长状态评估指标;
需要说明的是,服务器通过多个无人机,根据预先规划的第一飞行路径,对多个第一果树生长区域进行果树图像采集。这些图像数据将成为后续生长状态评估的基础。对于每个第一果树生长区域的原始果树图像数据,服务器进行果树中心识别。这可以通过图像处理技术,如目标检测算法,来找到图像中果树的中心位置。这些中心关键点的获取将有助于进一步的分析。根据识别出的果树中心关键点,服务器构建初始位置云图。这个云图是一个基于果树中心关键点的空间分布图,显示了果树在区域内的分布情况。基于K次近邻算法,服务器对初始位置云图中的每个果树中心关键点进行临近点识别。这将帮助服务器确定每个果树中心关键点周围的其他果树,从而捕捉到果树的空间分布模式。服务器计算每个果树中心关键点与其K个最近邻点之间的位置偏移量。这些偏移量将帮助服务器对初始位置云图进行漂移校正,从而更准确地反映果树的实际分布。根据经过校正的位置云图,服务器生成每个第一果树生长区域的第一果树图像数据。这些图像数据已经通过识别、校正和分析步骤得到了优化和准确的表示。随后,服务器对第一果树图像数据进行果树生长状态特征提取。这涉及图像处理技术、特征提取算法等,从图像中提取出有关果树生长状态的关键特征。提取出的多个第一果树生长状态特征将被编码,得到第一特征编码向量。这个向量将包含关于每个果树生长区域的丰富信息,为后续的生长状态评估提供输入。将第一特征编码向量输入预置的果树生长状态评估模型中,该模型包括两层门限循环网络和两层全连接网络。这个模型将利用编码后的特征向量来预测果树的生长状态,并输出第一果树生长状态预测值。对第一果树生长状态预测值进行状态指标转换,得到每个第一果树生长区域的第一果树生长状态评估指标。这个转换涉及到阈值设定、标准化等方法,将预测值映射到具体的生长状态评估指标上。例如,假设服务器正在对一个果园中的多个果树进行生长状态评估。服务器使用了4架无人机,按照事先规划的路径飞行,对果园内的6个第一果树生长区域进行图像采集。通过图像处理技术,服务器找到了每个图像中果树的中心关键点。服务器根据关键点构建了初始位置云图,展示了果树在果园中的分布。使用K次近邻算法,服务器找到了每个关键点的临近点,进一步确定了果树的空间分布。根据临近点的信息,服务器计算了每个关键点与其最近的K个临近点之间的位置偏移量。通过应用这些偏移量,服务器对初始位置云图进行了漂移校正,获得了更准确的果树分布图。基于校正后的位置云图,服务器生成了每个第一果树生长区域的第一果树图像数据,这些图像数据已经经过优化和校正,准备用于进一步的生长状态评估。服务器对图像数据进行特征提取,从每个图像中提取出反映果树生长状态的关键特征。这些特征包括果树的叶片密度、树冠形状等。提取出的多个第一果树生长状态特征被编码成一个向量,这个向量将被输入到预置的果树生长状态评估模型中。该模型经过训练,能够根据特征向量预测果树的生长状态。模型输出的生长状态预测值经过状态指标转换,得到每个第一果树生长区域的生长状态评估指标。例如,根据预测值的大小,服务器将其转换为“优良”、“中等”、“较差”等状态指标,以便果树管理人员了解果树的生长状况。
S104、根据第一果树生长状态评估指标,对多个第一果树生长区域进行区域全局规划,生成每个第一果树生长区域的多个第二果树生长区域,并根据多个第二果树生长区域创建每个无人机对应的第二飞行路径;
具体的,服务器根据第一果树生长状态评估指标与预设的第一目标指标值A1和第二目标指标值A2进行指标关系分析。假设A1为0.6,A2为0.8,其中A1<A2。服务器根据分析的结果,制定了区域规划策略。对于不同的评估指标范围,服务器采用不同的区域分割值进行全局规划。如果第一果树生长状态评估指标小于等于A1,服务器使用预设的第一区域分割值B1进行规划;如果大于A1但小于等于A2,服务器使用预设的第一区域分割值B2进行规划;如果大于A2,则使用预设的第一区域分割值B3进行规划,其中B1>B2>B3。服务器基于不同的区域分割值,为每个第一果树生长区域生成多个第二果树生长区域。这些第二果树生长区域将根据分割值在第一果树生长区域内部进行划分,形成更小的子区域。在生成第二果树生长区域后,服务器获取每个第二果树生长区域的第二地理坐标范围和第二中心坐标。这些坐标信息将在后续的飞行路径规划中发挥关键作用。同时,服务器获取每个无人机的第二性能参数信息以及当前位置信息。这些信息将被用于为每个无人机创建第二飞行路径。基于第二性能参数信息、当前位置信息以及第二果树生长区域的地理坐标信息,服务器进行飞行路径分析。这个分析考虑了无人机的速度、续航能力,以及当前位置与目标区域之间的距离等因素,以生成适合无人机飞行的路径。例如,假设服务器有一个果园,其中有10个第一果树生长区域需要进行生长状态评估。服务器设置了两个目标指标值:A1为0.6,A2为0.8。根据指标关系分析,服务器发现评估指标在0到0.6之间被视为“较差”,在0.6到0.8之间被视为“中等”,在0.8以上被视为“优良”。对于不同的评估结果,服务器制定了区域规划策略。如果某个区域的评估指标为0.55,小于A1,服务器使用预设的分割值B1进行规划;如果评估指标为0.75,介于A1和A2之间,服务器使用预设的分割值B2进行规划;如果评估指标为0.85,大于A2,服务器使用预设的分割值B3进行规划,其中B1>B2>B3。假设对于一个区域,评估指标为0.7,属于“中等”范围。根据服务器的策略,服务器使用分割值B2进行规划,将该区域划分为多个第二果树生长区域。服务器获取每个第二果树生长区域的地理坐标范围和中心坐标,以及每个无人机的第二性能参数信息和当前位置信息。基于这些信息,服务器为每个无人机生成了第二飞行路径。路径将考虑无人机性能、当前位置和目标区域的地理位置,以实现高效的飞行和图像采集。
S105、通过多个无人机,根据第二飞行路径对多个第二果树生长区域进行果树图像采集,得到每个第二果树生长区域的第二果树图像数据;
具体的,服务器根据每个无人机的当前位置以及第二果树生长区域的地理坐标范围和中心坐标,规划每个无人机的第二飞行路径。路径规划要考虑到无人机的性能参数,如速度、续航能力,以确保无人机能够顺利完成图像采集任务。在多个无人机同时执行任务时,需要协调它们的飞行任务,以避免碰撞和冲突。这可以通过飞行控制系统和通信网络来实现。每架无人机应具备自主避障功能,能够检测到障碍物并自动调整飞行路径以避免碰撞。此外,无人机之间应保持通信,以共享位置信息和任务进度。一旦飞行路径规划完成,无人机就可以开始图像采集任务。无人机配备了高分辨率摄像头,根据预定的路径在第二果树生长区域内飞行,并连续拍摄图像。这些图像将捕捉到果树的外观、叶片、果实等细节。采集到的图像数据需要及时传输到地面站或云服务器进行处理和分析。无人机通常配备了数据传输模块,可以通过卫星通信或地面网络将数据传输至指定地点。传输的速度和稳定性对于保证数据的实时性非常关键。一旦数据传输完成,图像数据将被存储在服务器上,并进行预处理。这包括图像去噪、校正、裁剪等操作,以确保图像质量。同时,也可以将图像与之前采集的图像进行关联,以建立时间序列数据,便于后续分析。对图像数据进行分析和特征提取。这一步骤可以利用计算机视觉和图像处理技术,自动识别果树的生长状态特征,如叶片颜色、形状、果实数量等。这些特征将为后续的生长状态评估提供依据。采集到的图像数据需要与对应的第二果树生长区域以及无人机的信息进行关联和整合。这可以通过地理坐标信息和时间戳来实现,确保每个图像都能准确地对应到相应的果树区域和无人机。基于图像分析得到的特征,可以进行果树的生长状态评估。这可以包括果树的健康程度、生长速度、果实质量等指标。这些评估结果将有助于果树管理人员做出决策,采取适当的措施来改善果树的生长状况。例如,假设服务器有3架无人机(无人机A、B、C)和一片果园,需要对果园内的15个第二果树生长区域进行图像采集。每架无人机的性能参数已知,包括飞行速度、续航能力等。服务器规划了每架无人机的飞行路径,考虑到它们的性能参数和目标区域的地理信息。通过飞行控制系统协调无人机的任务,确保它们在空中避免碰撞,并按照预定路径进行图像采集。无人机A负责采集第2、5、8、11、14号生长区域的图像,无人机B负责第1、4、7、10、13号,无人机C负责第3、6、9、12、15号。每个无人机按照事先规划的飞行路径在相应的生长区域内进行图像采集。采集到的图像数据通过数据传输模块上传至服务器,并进行预处理和特征提取。利用图像分析技术,服务器提取了每个果树生长区域的叶片面积、果实数量等特征。通过对特征数据的分析,服务器得出每个第二果树生长区域的生长状态评估结果。例如,某个区域的叶片面积较大,果实数量较多,服务器评估其生长状态为良好。这些评估结果为果树管理人员提供了有价值的信息,帮助他们制定相应的养护措施和管理策略。
S106、对第二果树图像数据进行果树生长状态评估,得到每个第二果树生长区域的第二果树生长状态评估指标,并对第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标。
具体的,从每个第二果树图像数据中提取生长状态特征。这些特征可以包括叶片面积、果实数量、叶片颜色等。特征提取的目的是将图像数据转化为数值化的特征,便于后续的评估和分析。提取的生长状态特征将被编码成一个向量,然后输入到果树生长状态评估模型中。这个模型经过机器学习训练,能够根据特征向量预测果树的生长状态。模型的训练使用各种机器学习算法,如深度神经网络、支持向量机等。模型输出的生长状态预测值需要进行状态指标转换,将连续的预测值转换成离散的状态标签。例如,可以将预测值划分为“优良”、“中等”、“较差”等不同的状态。对于每个第二果树生长区域,通过模型预测得到的状态标签,可以计算出相应的生长状态评估指标,例如,某个区域的状态标签为“优良”,则其评估指标可以设定为1;标签为“中等”可以设定为0.5;标签为“较差”可以设定为0。对于每个第一果树生长区域,服务器获取其包含的多个第二果树生长区域的评估指标,并对这些指标进行均值运算,得到该第一果树生长区域的目标果树生长状态评估指标。这个指标反映了该区域内多个果树的综合生长状态。例如,假设服务器有一片果园,分为5个大的区域,每个大区域包含若干个小的果树生长区域。服务器使用无人机采集了每个小区域的第二果树图像数据。对于其中一个小区域,服务器从图像数据中提取了叶片面积、果实数量和叶片颜色等特征。将这些特征编码成一个特征向量,并输入到预训练的果树生长状态评估模型中。模型预测出该小区域的生长状态为“优良”。根据状态指标转换规则,服务器将“优良”状态转换为评估指标值为1。同样的步骤应用于其他小区域,得到各自的评估指标值。对于大区域,假设它包含3个小区域,它们的评估指标分别为0.8、0.7、0.9。通过均值运算,大区域的目标果树生长状态评估指标为(0.8+0.7+0.9)/3=0.8。
其中,基于前一轮的目标果树生长状态评估指标,服务器根据指标值的不同将果树生长区域进行划分,将相似状态的区域放在一组,得到多个第三果树生长区域。划分可以依据一定的阈值,如0.7以上为“优良”区域,0.5~0.7为“中等”区域,0.5以下为“较差”区域。对于每个第三果树生长区域,服务器计算其状态检测优先级。这个优先级可以根据各种因素来确定,如前一轮评估的指标值、区域的面积、位置等。优先级的计算可以使用加权的方式,将不同因素考虑进去,以确定每个区域的重要程度。根据计算得到的状态检测优先级,服务器制定一个评估策略。这个策略确定了在下一轮评估中,应该首先对哪些区域进行图像采集和评估。优先级高的区域是生长状态变化较大、需要重点关注的区域,因此应该在下一轮评估中优先考虑。根据制定的评估策略,进行下一轮的果树生长状态评估。通过无人机采集相应的第三果树区域图像数据,提取特征,使用之前训练好的模型进行状态预测和指标计算。得到第三果树生长区域的新的评估指标。例如,假设服务器的果园中有3个目标果树生长区域,分别是A区、B区和C区。在上一轮评估中,A区的评估指标为0.8(优良)、B区为0.6(中等)、C区为0.4(较差)。根据指标值的不同,服务器将这3个区域划分为不同的第三果树生长区域。假设A区和B区划分为一个“一般”区域,C区划分为“较差”区域。服务器计算每个第三果树生长区域的状态检测优先级。根据不同因素的权重,服务器得到A区和B区的优先级较高,C区的优先级较低。基于优先级计算,服务器制定评估策略:在下一轮评估中,优先对A区和B区进行图像采集和评估,因为它们的生长状态有较大的变化。服务器使用无人机对A区和B区进行图像采集,提取特征,计算新的评估指标。假设A区的新指标为0.7,B区的新指标为0.5。
本发明实施例中,对目标果树生长区域进行区域划分,得到多个第一果树生长区域;对多个无人机进行状态检测任务分配和飞行路径规划,得到第一果树生长区域和第一飞行路径;进行果树图像采集,得到第一果树图像数据并进行果树生长状态评估,得到第一果树生长状态评估指标;进行区域全局规划,生成多个第二果树生长区域并创建第二飞行路径;进行果树图像采集,得到第二果树图像数据;进行果树生长状态评估,得到第二果树生长状态评估指标,并进行均值运算,得到目标果树生长状态评估指标,本发明采用无人机技术能够在短时间内对大面积果树区域进行高分辨率的图像采集,大幅提高数据采集的效率,同时减少人力成本。基于机器学习的方法能够从大量图像数据中提取关键特征,建立准确的生长状态评估模型。相较于主观的人工评估,机器学习模型能够更客观地分析数据,提供更准确的生长状态评估结果。无人机技术能够覆盖大范围的果树区域,不受地形和障碍物的限制。这意味着无人机可以对平地和山区的果树生长状态进行评估,实现更全面的数据收集。无人机可以定期对果树区域进行监测,捕捉生长状态的变化。基于机器学习的模型能够及时分析数据,发现异常情况,进而提高了果树生长状态评估的准确率。
在一具体实施例中,如图2所示,执行步骤S101的过程可以具体包括如下步骤:
S201、获取待检测的目标果树生长区域所对应的区域地理数据,并对区域地理数据进行坐标信息标注,得到区域坐标信息;
S202、根据区域坐标信息计算目标果树生长区域对应的区域划分参数;
S203、根据区域划分参数对目标果树生长区域进行网格划分,得到对应的多个矩形网格;
S204、根据区域坐标信息确定多个矩形网格的第一地理坐标范围以及第一中心坐标,生成多个第一果树生长区域。
具体的,服务器利用地理信息系统(GIS)等技术,获得目标果树生长区域的地理数据。这些数据包括区域的边界坐标、地形、土壤类型等信息。这些数据是评估果树生长状态的基础,能够为后续的分析和操作提供准确的背景信息。将获得的地理数据进行坐标信息标注,确保每个位置都有相应的地理坐标。这将帮助服务器在后续的操作中准确定位每个果树生长区域。基于标注的区域坐标信息,计算区域划分参数。这些参数包括区域的宽度、长度、面积等。计算这些参数有助于确定如何将目标果树生长区域划分为更小的区域,以进行更精细的评估。利用计算得到的区域划分参数,对目标果树生长区域进行网格划分。这意味着将整个区域分割成多个小的矩形网格,每个网格代表一个小的生长区域,也就是所谓的第一果树生长区域。对于每个小的矩形网格,确定其第一地理坐标范围和中心坐标。这将帮助确定无人机的飞行路径,以便在每个小区域内进行图像采集。这样,服务器就生成了多个第一果树生长区域,每个区域都对应一个小的矩形网格,具备独立的地理坐标和边界信息。例如,假设服务器有一个果园,其目标果树生长区域是一个矩形区域,边界坐标为(40.0,-120.0),(40.0,-119.8),(40.2,-119.8),(40.2,-120.0)。服务器将这个区域划分成5个等宽的小矩形网格,每个网格的宽度为0.04度,长度为0.1度。计算得到的区域划分参数为:宽度0.04度,长度0.1度,面积0.004平方度。对于每个小矩形网格,服务器确定其中心坐标和地理范围,例如:第一个网格的中心坐标为(40.02,-119.9),地理范围为(40.01,-119.95)到(40.03,-119.85)。通过这样的划分,服务器生成了多个第一果树生长区域,每个区域都具有独立的地理信息和坐标。这些区域将成为后续无人机飞行和图像采集的基础,帮助服务器对果树的生长状态进行评估。
在一具体实施例中,如图3所示,执行步骤S102的过程可以具体包括如下步骤:
S301、对预置的多个无人机进行信息分析,得到每个无人机的第一性能参数信息,其中,第一性能参数信息包括飞行性能、速度及续航能力;
S302、获取每个第一果树生长区域的第一地理坐标范围以及第一中心坐标,并根据第一地理坐标范围以及第一中心坐标,对多个第一果树生长区域进行顺序排列,得到区域排列列表;
S303、根据区域排列列表,分别计算每个第一果树生长区域与每个无人机之间的匹配度数据;
S304、根据匹配度数据对预置的多个无人机进行状态检测任务分配,得到每个无人机对应的第一果树生长区域;
S305、根据每个无人机的第一性能参数信息,对每个无人机对应的第一果树生长区域进行飞行路径规划,生成每个无人机对应的第一飞行路径。
具体的,服务器对预置的多个无人机进行信息分析,获取每个无人机的第一性能参数信息。这些参数通常包括飞行性能(如最大飞行高度、最大飞行距离)、速度以及续航能力(即无人机可以持续飞行的时间)等。这些参数将有助于确定无人机在果树生长区域中的作业能力。获取每个第一果树生长区域的第一地理坐标范围和第一中心坐标,并根据这些坐标信息对多个第一果树生长区域进行顺序排列,得到区域排列列表。这样,服务器将所有果树生长区域按照一定顺序进行排列,以便后续的匹配和分配。对于每个无人机和每个第一果树生长区域,分别计算它们之间的匹配度数据。这个匹配度可以根据不同因素来计算,如无人机的性能参数、果树生长区域的大小、位置等。匹配度的计算可以采用一定的评分机制,例如,将性能参数映射为权重,并根据位置关系进行加权求和,得到匹配度分数。根据计算得到的匹配度数据,将每个无人机分配到最匹配的第一果树生长区域。优先分配匹配度高的无人机,以确保每个区域都能得到适当的覆盖。根据每个无人机的第一性能参数信息,对其对应的第一果树生长区域进行飞行路径规划,以确保无人机能够高效地覆盖整个区域。例如,假设服务器有两个无人机,分别是无人机A和无人机B。无人机A的飞行性能、速度和续航能力分别为90/100、30km/h和40分钟,无人机B的性能分别为80/100、25km/h和50分钟。服务器有三个第一果树生长区域,它们的坐标信息和大小如下:区域X:中心坐标(40.1,-119.9),面积500平方米;区域Y:中心坐标(40.15,-119.85),面积600平方米;区域Z:中心坐标(40.2,-119.8),面积800平方米。根据性能参数,服务器计算出每个无人机与每个区域的匹配度。例如,无人机A对区域X的匹配度为85,对区域Y的匹配度为70,对区域Z的匹配度为60。无人机B的匹配度也可以类似计算。根据匹配度,服务器分配任务。假设无人机A与区域X匹配度最高,无人机B与区域Y匹配度最高。针对无人机A和区域X,进行飞行路径规划,确保能够高效地覆盖区域X。通过这样的分析、匹配和规划,服务器有效地将多个无人机分配到不同的果树生长区域,以实现高效的图像采集和生长状态评估。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)通过多个无人机,根据第一飞行路径对多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的原始果树图像数据;
(2)对原始果树图像数据进行果树中心识别,得到多个果树中心关键点,并根据多个果树中心关键点构建初始位置云图;
(3)基于K次近邻算法对初始位置云图中的每个果树中心关键点进行临近点识别,得到每个果树中心关键点对应的K个最近邻点;
(4)分别计算K个最近邻点与对应的果树中心关键点之间的位置偏移量,并根据位置偏移量对初始位置云图进行漂移校正,得到目标位置云图;
(5)根据目标位置云图生成每个第一果树生长区域的第一果树图像数据;
(6)对第一果树图像数据进行果树生长状态特征提取,得到多个第一果树生长状态特征;
(7)对多个第一果树生长状态特征进行编码,得到第一特征编码向量,并将第一特征编码向量输入预置的果树生长状态评估模型进行果树生长状态评估,得到第一果树生长状态预测值,其中,果树生长状态评估模型包括两层门限循环网络以及两层全连接网络;
(8)对第一果树生长状态预测值进行状态指标转换,得到每个第一果树生长区域的第一果树生长状态评估指标。
具体的,服务器通过多个无人机,根据第一飞行路径对多个第一果树生长区域进行果树图像采集,获取每个第一果树生长区域的原始果树图像数据。对原始果树图像数据进行处理,利用图像处理技术识别出每个图像中的果树中心关键点。将这些关键点构建成初始位置云图,其中每个点代表一个果树的位置。基于K次近邻算法,对初始位置云图中的每个果树中心关键点进行临近点识别,得到每个关键点对应的K个最近邻点。计算这些最近邻点与对应关键点之间的位置偏移量。通过将这些偏移量应用于初始位置云图,进行漂移校正,得到目标位置云图。根据目标位置云图,生成每个第一果树生长区域的第一果树图像数据。对这些图像数据进行分析,提取果树生长状态所需的特征,例如叶片颜色、叶片密度、树干粗细等。对提取的多个第一果树生长状态特征进行编码,生成第一特征编码向量。将这些编码向量输入预置的果树生长状态评估模型中,这个模型包括两层门限循环网络以及两层全连接网络。模型会根据输入的特征进行预测,得到第一果树生长状态的预测值。根据预测值,将第一果树生长状态预测值转换为相应的状态指标,以便量化描述果树生长状态的好坏程度。例如,假设服务器有两个第一果树生长区域,对应的目标位置云图如下:区域A的目标位置云图:(40.02,-119.9)、区域B的目标位置云图:(40.15,-119.85)。对于这两个区域,服务器采集了相应的果树图像数据,提取了叶片颜色和叶片密度等特征。经过编码,服务器得到区域A的特征编码向量为[0.8,0.6,0.7],区域B的特征编码向量为[0.6,0.7,0.5]。将这些特征编码向量输入生长状态评估模型,服务器得到区域A的生长状态预测值为0.75,区域B的预测值为0.65。根据状态指标转换,服务器得到区域A的生长状态评估指标为"良好",区域B的评估指标为"一般"。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)对第一果树生长状态评估指标与预设的第一目标指标值A1和第二目标指标值A2进行指标关系分析,其中,第一目标指标值A1<第二目标指标值A2;
(2)若第一果树生长状态评估指标≤第一目标指标值A1,则根据预设的第一区域分割值B1对第一果树生长区域进行区域全局规划,生成第一区域分割值B1对应的多个第二果树生长区域;
(3)若第一目标指标值A1<第一果树生长状态评估指标≤第二目标指标值A2,则根据预设的第一区域分割值B2对第一果树生长区域进行区域全局规划,生成第一区域分割值B2对应的多个第二果树生长区域;
(4)若第二目标指标值A2<第一果树生长状态评估指标,则根据预设的第一区域分割值B3对第一果树生长区域进行区域全局规划,生成第一区域分割值B3对应的多个第二果树生长区域,其中,第一区域分割值B1>第一区域分割值B2>第一区域分割值B3;
(5)生成每个第一果树生长区域的多个第二果树生长区域,并获取每个第二果树生长区域的第二地理坐标范围以及第二中心坐标;
(6)获取每个无人机的第二性能参数信息以及当前位置信息,并对每个第二果树生长区域的第二地理坐标范围以及第二中心坐标进行飞行路径分析,得到每个无人机对应的第二飞行路径。
具体的,服务器对第一果树生长状态评估指标与预设的第一目标指标值A1和第二目标指标值A2进行关系分析。确保第一目标指标值A1小于第二目标指标值A2,以确保指标值范围的正确性。根据第一果树生长状态评估指标,根据预设的目标指标值进行区域划分,生成多个第二果树生长区域。具体分为以下几种情况:若第一果树生长状态评估指标≤第一目标指标值A1,则采用第一区域分割值B1对第一果树生长区域进行区域全局规划,生成多个对应的第二果树生长区域;若第一目标指标值A1<第一果树生长状态评估指标≤第二目标指标值A2,则采用第一区域分割值B2对第一果树生长区域进行区域全局规划,生成多个对应的第二果树生长区域;若第二目标指标值A2<第一果树生长状态评估指标,则采用第一区域分割值B3对第一果树生长区域进行区域全局规划,生成多个对应的第二果树生长区域。确保第一区域分割值B1>第一区域分割值B2>第一区域分割值B3,以满足规划的优先级关系。获取每个第二果树生长区域的第二地理坐标范围以及第二中心坐标。同时,获取每个无人机的第二性能参数信息以及当前位置信息。根据这些信息,对每个无人机进行飞行路径分析,以规划适合的第二飞行路径,确保每个无人机能够有效地覆盖相应的第二果树生长区域。例如,假设服务器有三个第一果树生长区域,它们的生长状态评估指标分别为0.6、0.7和0.8。预设的第一目标指标值A1为0.7,第二目标指标值A2为0.8。此时,根据指标关系分析,满足A1<A2。对于区域1,由于0.6≤0.7,采用预设的第一区域分割值B1,生成多个对应的第二果树生长区域;对于区域2,由于0.7<0.8,采用预设的第一区域分割值B2,生成多个对应的第二果树生长区域;对于区域3,由于0.8≤0.8,采用预设的第一区域分割值B3,生成多个对应的第二果树生长区域。对每个第二果树生长区域的第二地理坐标范围和第二中心坐标进行飞行路径分析,确保每个无人机覆盖了相应的区域,从而实现多个无人机的协同工作。
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、对第二果树图像数据进行果树生长状态特征提取,得到多个第二果树生长状态特征;
S402、对多个第二果树生长状态特征进行编码,得到第二特征编码向量,并将第二特征编码向量输入果树生长状态评估模型进行果树生长状态评估,得到第二果树生长状态预测值;
S403、对第二果树生长状态预测值进行状态指标转换,得到每个第二果树生长区域的第二果树生长状态评估指标;
S404、获取每个第一果树生长区域中多个第二果树生长区域的第二果树生长状态评估指标,并对多个第二果树生长区域的第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标。
具体的,服务器针对每个第二果树图像数据,进行果树生长状态特征提取。这包括颜色、纹理、形状等方面的特征,可以使用计算机视觉技术、深度学习模型等方法提取这些特征。提取的结果形成了多个第二果树生长状态特征。对这些多个第二果树生长状态特征进行编码,将它们转化为一个维度较低的向量,这个向量即为第二特征编码向量。编码可以使用降维方法如主成分分析(PCA)、自编码器等。将第二特征编码向量作为输入,构建果树生长状态评估模型。该模型可以是神经网络、支持向量机(SVM)、随机森林等,用于从提取的特征中学习果树的生长状态。将第二特征编码向量输入评估模型,得到第二果树生长状态的预测值。这个预测值是一个连续值,表示果树的生长状态。根据需要将连续的预测值转化为离散的状态标签,例如“健康”、“亚健康”、“不健康”等。获取每个第一果树生长区域中多个第二果树生长区域的第二果树生长状态评估指标,是预测值或状态标签。对这些指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标,该指标可以为连续值或离散状态,用于表示整个果树生长区域的状态。例如,假设服务器有两个第一果树生长区域,每个区域包含两个第二果树生长区域。服务器使用深度学习模型作为评估模型,输入是经过编码的第二特征编码向量。对于第一个第一果树生长区域,服务器获得两个第二果树生长状态评估指标,分别为0.75和0.82。对这两个指标进行均值运算,得到该区域的目标果树生长状态评估指标为0.785。对于第二个第一果树生长区域,服务器获得两个第二果树生长状态评估指标,分别为0.68和0.71。对这两个指标进行均值运算,得到该区域的目标果树生长状态评估指标为0.695。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据每个第一果树生长区域的目标果树生长状态评估指标,对目标果树生长区域进行区域划分,得到多个第三果树生长区域;
(2)根据目标果树生长状态评估指标计算多个第三果树生长区域的状态检测优先级,得到每个第三果树生长区域的状态检测优先级;
(3)根据状态检测优先级和多个第三果树生长区域生成目标果树生长区域的目标果树生长状态评估策略;
(4)根据目标果树生长状态评估策略,对目标果树生长区域进行下一轮果树生长状态评估。
具体的,基于每个第一果树生长区域的目标果树生长状态评估指标,可以对目标果树生长区域进行区域划分,将其划分为多个第三果树生长区域。这种划分可以根据不同的评估指标值范围来实现,从而将果树生长区域划分为不同的子区域。对于每个第三果树生长区域,根据其目标果树生长状态评估指标,计算状态检测的优先级。优先级的计算可以基于指标值的大小,指标值越高,优先级越高,表示该区域的生长状态更需要关注和监测。结合状态检测优先级和多个第三果树生长区域,生成目标果树生长区域的目标果树生长状态评估策略。这个策略可以是一个优先级的排列,也可以是一种具体的调度安排,用于决定无人机如何进行图像采集、状态评估等任务。根据目标果树生长状态评估策略,执行下一轮的果树生长状态评估。这涉及到调度无人机的飞行路径,采集第三果树生长区域的图像数据,提取特征,进行评估预测,甚至可以根据先前的评估结果来调整策略。例如,假设服务器有一个果园,划分为两个第一果树生长区域。每个区域内有不同数量的第三果树生长区域。服务器计算了每个第三果树生长区域的目标果树生长状态评估指标和状态检测优先级,并根据优先级生成了评估策略。对于第一个第一果树生长区域,服务器划分为三个第三果树生长区域,它们分别具有评估指标值为0.75、0.82、0.68。根据优先级计算,优先级高到低的顺序是:第三果树生长区域2、1、3。对于第二个第一果树生长区域,服务器划分为两个第三果树生长区域,它们的评估指标值分别为0.71、0.79。根据优先级计算,优先级高到低的顺序是:第三果树生长区域2、1。基于这些优先级和划分,服务器生成了一个评估策略:对第三果树生长区域2进行图像采集和状态评估;对第三果树生长区域1进行图像采集和状态评估。在下一轮评估时,会根据前一轮的结果进行调整。
上面对本发明实施例中基于机器学习和无人机的果树生长状态评估方法进行了描述,下面对本发明实施例中基于机器学习和无人机的果树生长状态评估装置进行描述,请参阅图5,本发明实施例中基于机器学习和无人机的果树生长状态评估装置一个实施例包括:
划分模块501,用于对待检测的目标果树生长区域进行区域划分,得到多个第一果树生长区域;
分配模块502,用于根据所述多个第一果树生长区域对预置的多个无人机进行状态检测任务分配和飞行路径规划,得到每个无人机对应的第一果树生长区域和第一飞行路径;
评估模块503,用于通过所述多个无人机,根据所述第一飞行路径对所述多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的第一果树图像数据,并对所述第一果树图像数据进行果树生长状态评估,得到每个第一果树生长区域的第一果树生长状态评估指标;
创建模块504,用于根据所述第一果树生长状态评估指标,对所述多个第一果树生长区域进行区域全局规划,生成每个第一果树生长区域的多个第二果树生长区域,并根据所述多个第二果树生长区域创建所述每个无人机对应的第二飞行路径;
采集模块505,用于通过所述多个无人机,根据所述第二飞行路径对所述多个第二果树生长区域进行果树图像采集,得到每个第二果树生长区域的第二果树图像数据;
运算模块506,用于对所述第二果树图像数据进行果树生长状态评估,得到每个第二果树生长区域的第二果树生长状态评估指标,并对所述第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标。
通过上述各个组成部分的协同合作,对目标果树生长区域进行区域划分,得到多个第一果树生长区域;对多个无人机进行状态检测任务分配和飞行路径规划,得到第一果树生长区域和第一飞行路径;进行果树图像采集,得到第一果树图像数据并进行果树生长状态评估,得到第一果树生长状态评估指标;进行区域全局规划,生成多个第二果树生长区域并创建第二飞行路径;进行果树图像采集,得到第二果树图像数据;进行果树生长状态评估,得到第二果树生长状态评估指标,并进行均值运算,得到目标果树生长状态评估指标,本发明采用无人机技术能够在短时间内对大面积果树区域进行高分辨率的图像采集,大幅提高数据采集的效率,同时减少人力成本。基于机器学习的方法能够从大量图像数据中提取关键特征,建立准确的生长状态评估模型。相较于主观的人工评估,机器学习模型能够更客观地分析数据,提供更准确的生长状态评估结果。无人机技术能够覆盖大范围的果树区域,不受地形和障碍物的限制。这意味着无人机可以对平地和山区的果树生长状态进行评估,实现更全面的数据收集。无人机可以定期对果树区域进行监测,捕捉生长状态的变化。基于机器学习的模型能够及时分析数据,发现异常情况,进而提高了果树生长状态评估的准确率。
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机器学习和无人机的果树生长状态评估装置进行详细描述,下面从硬件处理的角度对本发明实施例中基于机器学习和无人机的果树生长状态评估设备进行详细描述。
图6是本发明实施例提供的一种基于机器学习和无人机的果树生长状态评估设备的结构示意图,该基于机器学习和无人机的果树生长状态评估设备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机器学习和无人机的果树生长状态评估设备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,在基于机器学习和无人机的果树生长状态评估设备600上执行存储介质630中的一系列指令操作。
基于机器学习和无人机的果树生长状态评估设备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示出的基于机器学习和无人机的果树生长状态评估设备结构并不构成对基于机器学习和无人机的果树生长状态评估设备的限定,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机器学习和无人机的果树生长状态评估设备,所述基于机器学习和无人机的果树生长状态评估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机器学习和无人机的果树生长状态评估方法的步骤。
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机器学习和无人机的果树生长状态评估方法的步骤。
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使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,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 (10)
1.一种基于机器学习和无人机的果树生长状态评估方法,其特征在于,所述基于机器学习和无人机的果树生长状态评估方法包括:
对待检测的目标果树生长区域进行区域划分,得到多个第一果树生长区域;
根据所述多个第一果树生长区域对预置的多个无人机进行状态检测任务分配和飞行路径规划,得到每个无人机对应的第一果树生长区域和第一飞行路径;
通过所述多个无人机,根据所述第一飞行路径对所述多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的第一果树图像数据,并对所述第一果树图像数据进行果树生长状态评估,得到每个第一果树生长区域的第一果树生长状态评估指标;
根据所述第一果树生长状态评估指标,对所述多个第一果树生长区域进行区域全局规划,生成每个第一果树生长区域的多个第二果树生长区域,并根据所述多个第二果树生长区域创建所述每个无人机对应的第二飞行路径;
通过所述多个无人机,根据所述第二飞行路径对所述多个第二果树生长区域进行果树图像采集,得到每个第二果树生长区域的第二果树图像数据;
对所述第二果树图像数据进行果树生长状态评估,得到每个第二果树生长区域的第二果树生长状态评估指标,并对所述第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标。
2.根据权利要求1所述的基于机器学习和无人机的果树生长状态评估方法,其特征在于,所述对待检测的目标果树生长区域进行区域划分,得到多个第一果树生长区域,包括:
获取待检测的目标果树生长区域所对应的区域地理数据,并对所述区域地理数据进行坐标信息标注,得到区域坐标信息;
根据所述区域坐标信息计算所述目标果树生长区域对应的区域划分参数;
根据所述区域划分参数对所述目标果树生长区域进行网格划分,得到对应的多个矩形网格;
根据所述区域坐标信息确定所述多个矩形网格的第一地理坐标范围以及第一中心坐标,生成多个第一果树生长区域。
3.根据权利要求2所述的基于机器学习和无人机的果树生长状态评估方法,其特征在于,所述根据所述多个第一果树生长区域对预置的多个无人机进行状态检测任务分配和飞行路径规划,得到每个无人机对应的第一果树生长区域和第一飞行路径,包括:
对预置的多个无人机进行信息分析,得到每个无人机的第一性能参数信息,其中,所述第一性能参数信息包括飞行性能、速度及续航能力;
获取每个第一果树生长区域的第一地理坐标范围以及第一中心坐标,并根据所述第一地理坐标范围以及所述第一中心坐标,对所述多个第一果树生长区域进行顺序排列,得到区域排列列表;
根据所述区域排列列表,分别计算每个第一果树生长区域与每个无人机之间的匹配度数据;
根据所述匹配度数据对预置的多个无人机进行状态检测任务分配,得到每个无人机对应的第一果树生长区域;
根据每个无人机的第一性能参数信息,对每个无人机对应的第一果树生长区域进行飞行路径规划,生成每个无人机对应的第一飞行路径。
4.根据权利要求1所述的基于机器学习和无人机的果树生长状态评估方法,其特征在于,所述通过所述多个无人机,根据所述第一飞行路径对所述多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的第一果树图像数据,并对所述第一果树图像数据进行果树生长状态评估,得到每个第一果树生长区域的第一果树生长状态评估指标,包括:
通过所述多个无人机,根据所述第一飞行路径对所述多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的原始果树图像数据;
对所述原始果树图像数据进行果树中心识别,得到多个果树中心关键点,并根据所述多个果树中心关键点构建初始位置云图;
基于K次近邻算法对所述初始位置云图中的每个果树中心关键点进行临近点识别,得到每个果树中心关键点对应的K个最近邻点;
分别计算所述K个最近邻点与对应的果树中心关键点之间的位置偏移量,并根据所述位置偏移量对所述初始位置云图进行漂移校正,得到目标位置云图;
根据所述目标位置云图生成每个第一果树生长区域的第一果树图像数据;
对所述第一果树图像数据进行果树生长状态特征提取,得到多个第一果树生长状态特征;
对所述多个第一果树生长状态特征进行编码,得到第一特征编码向量,并将所述第一特征编码向量输入预置的果树生长状态评估模型进行果树生长状态评估,得到第一果树生长状态预测值,其中,所述果树生长状态评估模型包括两层门限循环网络以及两层全连接网络;
对所述第一果树生长状态预测值进行状态指标转换,得到每个第一果树生长区域的第一果树生长状态评估指标。
5.根据权利要求4所述的基于机器学习和无人机的果树生长状态评估方法,其特征在于,所述根据所述第一果树生长状态评估指标,对所述多个第一果树生长区域进行区域全局规划,生成每个第一果树生长区域的多个第二果树生长区域,并根据所述多个第二果树生长区域创建所述每个无人机对应的第二飞行路径,包括:
对所述第一果树生长状态评估指标与预设的第一目标指标值A1和第二目标指标值A2进行指标关系分析,其中,所述第一目标指标值A1<所述第二目标指标值A2;
若第一果树生长状态评估指标≤第一目标指标值A1,则根据预设的第一区域分割值B1对所述第一果树生长区域进行区域全局规划,生成所述第一区域分割值B1对应的多个第二果树生长区域;
若第一目标指标值A1<第一果树生长状态评估指标≤第二目标指标值A2,则根据预设的第一区域分割值B2对所述第一果树生长区域进行区域全局规划,生成所述第一区域分割值B2对应的多个第二果树生长区域;
若第二目标指标值A2<第一果树生长状态评估指标,则根据预设的第一区域分割值B3对所述第一果树生长区域进行区域全局规划,生成所述第一区域分割值B3对应的多个第二果树生长区域,其中,第一区域分割值B1>第一区域分割值B2>第一区域分割值B3;
生成每个第一果树生长区域的多个第二果树生长区域,并获取每个第二果树生长区域的第二地理坐标范围以及第二中心坐标;
获取每个无人机的第二性能参数信息以及当前位置信息,并对每个第二果树生长区域的第二地理坐标范围以及第二中心坐标进行飞行路径分析,得到每个无人机对应的第二飞行路径。
6.根据权利要求5所述的基于机器学习和无人机的果树生长状态评估方法,其特征在于,所述对所述第二果树图像数据进行果树生长状态评估,得到每个第二果树生长区域的第二果树生长状态评估指标,并对所述第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标,包括:
对所述第二果树图像数据进行果树生长状态特征提取,得到多个第二果树生长状态特征;
对所述多个第二果树生长状态特征进行编码,得到第二特征编码向量,并将所述第二特征编码向量输入所述果树生长状态评估模型进行果树生长状态评估,得到第二果树生长状态预测值;
对所述第二果树生长状态预测值进行状态指标转换,得到每个第二果树生长区域的第二果树生长状态评估指标;
获取每个第一果树生长区域中多个第二果树生长区域的第二果树生长状态评估指标,并对所述多个第二果树生长区域的第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标。
7.根据权利要求6所述的基于机器学习和无人机的果树生长状态评估方法,其特征在于,所述基于机器学习和无人机的果树生长状态评估方法还包括:
根据每个第一果树生长区域的目标果树生长状态评估指标,对所述目标果树生长区域进行区域划分,得到多个第三果树生长区域;
根据所述目标果树生长状态评估指标计算所述多个第三果树生长区域的状态检测优先级,得到每个第三果树生长区域的状态检测优先级;
根据所述状态检测优先级和所述多个第三果树生长区域生成所述目标果树生长区域的目标果树生长状态评估策略;
根据所述目标果树生长状态评估策略,对所述目标果树生长区域进行下一轮果树生长状态评估。
8.一种基于机器学习和无人机的果树生长状态评估装置,其特征在于,所述基于机器学习和无人机的果树生长状态评估装置包括:
划分模块,用于对待检测的目标果树生长区域进行区域划分,得到多个第一果树生长区域;
分配模块,用于根据所述多个第一果树生长区域对预置的多个无人机进行状态检测任务分配和飞行路径规划,得到每个无人机对应的第一果树生长区域和第一飞行路径;
评估模块,用于通过所述多个无人机,根据所述第一飞行路径对所述多个第一果树生长区域进行果树图像采集,得到每个第一果树生长区域的第一果树图像数据,并对所述第一果树图像数据进行果树生长状态评估,得到每个第一果树生长区域的第一果树生长状态评估指标;
创建模块,用于根据所述第一果树生长状态评估指标,对所述多个第一果树生长区域进行区域全局规划,生成每个第一果树生长区域的多个第二果树生长区域,并根据所述多个第二果树生长区域创建所述每个无人机对应的第二飞行路径;
采集模块,用于通过所述多个无人机,根据所述第二飞行路径对所述多个第二果树生长区域进行果树图像采集,得到每个第二果树生长区域的第二果树图像数据;
运算模块,用于对所述第二果树图像数据进行果树生长状态评估,得到每个第二果树生长区域的第二果树生长状态评估指标,并对所述第二果树生长状态评估指标进行均值运算,得到每个第一果树生长区域的目标果树生长状态评估指标。
9.一种基于机器学习和无人机的果树生长状态评估设备,其特征在于,所述基于机器学习和无人机的果树生长状态评估设备包括: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,以使得所述基于机器学习和无人机的果树生长状态评估设备执行如权利要求1-7中任一项所述的基于机器学习和无人机的果树生长状态评估方法。
10.一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1-7中任一项所述的基于机器学习和无人机的果树生长状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423521.3A CN117146831B (zh) | 2023-10-31 | 2023-10-31 | 基于机器学习和无人机的果树生长状态评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311423521.3A CN117146831B (zh) | 2023-10-31 | 2023-10-31 | 基于机器学习和无人机的果树生长状态评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117146831A CN117146831A (zh) | 2023-12-01 |
CN117146831B true CN117146831B (zh) | 2024-01-02 |
Family
ID=88901148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311423521.3A Active CN117146831B (zh) | 2023-10-31 | 2023-10-31 | 基于机器学习和无人机的果树生长状态评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117146831B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107205213A (zh) * | 2017-06-15 | 2017-09-26 | 梧州市兴能农业科技有限公司 | 一种基于无人机的果园监测系统 |
CN112857431A (zh) * | 2019-11-27 | 2021-05-28 | 诺瓦特伦有限公司 | 用于确定机械的位置和方向的方法和定位系统 |
KR20220004491A (ko) * | 2020-07-03 | 2022-01-11 | 국민대학교산학협력단 | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 |
CN114354872A (zh) * | 2021-12-28 | 2022-04-15 | 安徽新宇环保科技股份有限公司 | 一种无人化河长智能巡河系统 |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
WO2022196999A1 (ko) * | 2021-03-16 | 2022-09-22 | 한국광기술원 | 과실 수량 측정 시스템 및 그 방법 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108846325A (zh) * | 2018-05-28 | 2018-11-20 | 广州极飞科技有限公司 | 目标区域作业的规划方法、装置、存储介质及处理器 |
-
2023
- 2023-10-31 CN CN202311423521.3A patent/CN117146831B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107205213A (zh) * | 2017-06-15 | 2017-09-26 | 梧州市兴能农业科技有限公司 | 一种基于无人机的果园监测系统 |
CN112857431A (zh) * | 2019-11-27 | 2021-05-28 | 诺瓦特伦有限公司 | 用于确定机械的位置和方向的方法和定位系统 |
KR20220004491A (ko) * | 2020-07-03 | 2022-01-11 | 국민대학교산학협력단 | 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법 |
WO2022094854A1 (zh) * | 2020-11-05 | 2022-05-12 | 深圳市大疆创新科技有限公司 | 农作物的生长监测方法、设备及存储介质 |
WO2022196999A1 (ko) * | 2021-03-16 | 2022-09-22 | 한국광기술원 | 과실 수량 측정 시스템 및 그 방법 |
CN114354872A (zh) * | 2021-12-28 | 2022-04-15 | 安徽新宇环保科技股份有限公司 | 一种无人化河长智能巡河系统 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN117146831A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10614562B2 (en) | Inventory, growth, and risk prediction using image processing | |
US20210142559A1 (en) | System and method for vegetation modeling using satellite imagery and/or aerial imagery | |
US10795056B2 (en) | Local weather forecast | |
Chamoso et al. | UAVs applied to the counting and monitoring of animals | |
CN110703802A (zh) | 基于多无人机协同作业的桥梁自动检测方法及系统 | |
CN114355985B (zh) | 无人机集群的路径规划方法、装置、控制器及存储介质 | |
CN110363176A (zh) | 一种图像分析方法及装置 | |
JP2018005467A (ja) | 農作業計画支援装置及び農作業計画支援方法 | |
CN115649501A (zh) | 一种无人机夜行照明系统及方法 | |
CN113342029B (zh) | 基于无人机群的最大传感器数据采集路径规划方法及系统 | |
CN117437382B (zh) | 一种数据中心部件的更新方法及系统 | |
CN102646312B (zh) | 一种适于分布式并行处理的森林烟火监测识别方法 | |
CN117146831B (zh) | 基于机器学习和无人机的果树生长状态评估方法及系统 | |
CN109657540A (zh) | 枯死树定位方法及系统 | |
CN115019216B (zh) | 实时地物检测和定位计数方法、系统及计算机 | |
US20220415022A1 (en) | Systems and methods for categorizing image pixels | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
CN114782835B (zh) | 作物倒伏面积比例检测方法及装置 | |
CN116935235B (zh) | 基于采茶无人机的新鲜茶叶识别方法及相关装置 | |
CN113223155A (zh) | 一种距离预测方法、装置、设备及介质 | |
CN117197701B (zh) | 基于图像分析的保护区环境空间特征分析方法及系统 | |
CN115620515B (zh) | 基于无人机视频的互通立交交通量的采集方法及相关装置 | |
US20230368312A1 (en) | Method for automated weed control of agricultural land and associated stand-alone system | |
CN109460700A (zh) | 一种面向作物分类的遥感数据处理方法及装置 | |
CN112859920B (zh) | 基于大数据的智慧城市管理方法 |
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 |