CN117193347B - 无人机飞行高度控制方法、装置、电子设备及存储介质 - Google Patents
无人机飞行高度控制方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117193347B CN117193347B CN202311477495.2A CN202311477495A CN117193347B CN 117193347 B CN117193347 B CN 117193347B CN 202311477495 A CN202311477495 A CN 202311477495A CN 117193347 B CN117193347 B CN 117193347B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- crop
- lodging
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 103
- 230000012010 growth Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000575 pesticide Substances 0.000 abstract description 37
- 230000000694 effects Effects 0.000 abstract description 14
- 241000196324 Embryophyta Species 0.000 description 35
- 241000209140 Triticum Species 0.000 description 21
- 235000021307 Triticum Nutrition 0.000 description 20
- 238000012545 processing Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000001850 reproductive effect Effects 0.000 description 4
- 230000009418 agronomic effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 230000009105 vegetative growth Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明提供一种无人机飞行高度控制方法、装置、电子设备及存储介质，属于农业技术领域，所述方法包括：获取无人机飞行时下方作物倒伏区域的作物倒伏信息；将所述作物倒伏信息输入至无人机飞行高度预测模型，得到所述无人机飞行高度预测模型输出的目标飞行高度；所述无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；控制所述无人机按照所述目标飞行高度进行飞行。本发明可以有效预测出用于高效施药的目标飞行高度，从而控制无人机按照该目标飞行高度进行飞行施药，使作物的倒伏程度始终保持在合理的范围内，达到最佳施药效果，显著提高了植保无人机对作物的施药作业效果，提高了农药利用率。
Description
技术领域
本发明涉及农业技术领域，尤其涉及一种无人机飞行高度控制方法、装置、电子设备及存储介质。
背景技术
植保无人机具有地形适应性广、作业效率高等特点，近年在我国发展迅速，已经成为农林病虫害防控的重要机具。植保无人机飞行高度对施药质量的影响较大，飞行过高，容易导致药液飘失，降低农药利用率，引起农药污染次生灾害；飞行过低，容易因植保无人机下洗气流引起作物冠层破坏。因此，植保无人机作业时的最佳飞行高度决策至关重要。
目前，无人机飞行高度主要是基于飞行安全需求，采用高度计、超声波传感器、激光雷达等方式测量无人机与作物冠层之间的距离。然而，上述现有的高度测量方式只能测量出无人机与作物的相对距离，并不能反映出当前的飞行高度是否合理，导致施药效果并不理想。
因此，在植保无人机施药过程中，如何更好地控制无人机的飞行高度，提升无人机施药效果已经成为业界亟待解决的技术问题。
发明内容
本发明提供一种无人机飞行高度控制方法、装置、电子设备及存储介质，用以在植保无人机施药过程中，更好地控制无人机的飞行高度，提升无人机施药效果。
本发明提供一种无人机飞行高度控制方法，包括：
获取无人机飞行时下方作物倒伏区域的作物倒伏信息；
将所述作物倒伏信息输入至无人机飞行高度预测模型，得到所述无人机飞行高度预测模型输出的目标飞行高度；所述无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；
控制所述无人机按照所述目标飞行高度进行飞行。
根据本发明提供的一种无人机飞行高度控制方法，在所述获取无人机飞行时下方作物倒伏区域的作物倒伏信息之前，所述方法还包括：
对所述无人机飞行时采集的下方作物种植区域的全部帧图像进行拼接，得到目标作物种植区域图像；
对所述目标作物种植区域图像进行空间域滤波，得到作物倒伏区域图像；
从所述作物倒伏区域图像中提取出所述作物倒伏信息。
根据本发明提供的一种无人机飞行高度控制方法，所述从所述作物倒伏区域图像中提取出所述作物倒伏信息，包括：
从所述作物倒伏区域图像中提取各株作物的作物倒伏特征信息；
将所述作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，确定所述作物倒伏区域的作物倒伏角度信息；
基于所述作物倒伏区域的作物倒伏角度信息，确定所述作物倒伏信息。
根据本发明提供的一种无人机飞行高度控制方法，所述将所述作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，确定所述作物倒伏区域的作物倒伏角度信息，包括：
将各株作物的所述作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，得到各株作物的倒伏角度信息；
对所述各株作物的倒伏角度信息求平均，得到所述作物倒伏区域的作物倒伏角度信息。
根据本发明提供的一种无人机飞行高度控制方法，在所述确定所述作物倒伏区域的作物倒伏角度信息之后，所述方法还包括：
获取所述作物倒伏区域中作物的种类信息和生育期信息；
根据所述作物倒伏区域的作物倒伏角度信息、所述作物的种类信息和生育期信息，得到所述作物倒伏信息。
根据本发明提供的一种无人机飞行高度控制方法，在所述将所述作物倒伏信息输入至无人机飞行高度预测模型之前，所述方法还包括：
将所述作物倒伏信息样本及其对应的无人机飞行高度标签作为一组训练样本，获取多组训练样本；
利用所述多组训练样本，对无人机飞行高度预测模型进行训练。
根据本发明提供的一种无人机飞行高度控制方法，所述利用所述多组训练样本，对无人机飞行高度预测模型进行训练，包括：
对于任意一组训练样本，将所述训练样本输入至所述无人机飞行高度预测模型，输出所述训练样本对应的预测概率；
利用预设损失函数，根据所述训练样本对应的预测概率和所述训练样本对应的无人机飞行高度标签，计算损失值；
基于所述损失值，对所述无人机飞行高度预测模型的模型参数进行调整，直至所述损失值小于预设阈值或训练次数达到预设次数；
将所述损失值小于所述预设阈值或训练次数达到所述预设次数时所得到的模型参数作为训练好的无人机飞行高度预测模型的模型参数，则无人机飞行高度预测模型训练完成。
本发明还提供一种无人机飞行高度控制装置，包括：
获取模块，用于获取无人机飞行时下方作物倒伏区域的作物倒伏信息；
预测模块，用于将所述作物倒伏信息输入至无人机飞行高度预测模型，得到所述无人机飞行高度预测模型输出的目标飞行高度；所述无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；
控制模块，用于控制所述无人机按照所述目标飞行高度进行飞行。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述无人机飞行高度控制方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述无人机飞行高度控制方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述无人机飞行高度控制方法。
本发明提供的无人机飞行高度控制方法、装置、电子设备及存储介质，通过充分挖掘无人机飞行高度与作物倒伏信息之间的内在联系，利用大量作物倒伏信息样本及其对应的无人机飞行高度标签进行神经网络模型训练，得到无人机飞行高度预测模型，使得无人机飞行高度预测模型在输入作物倒伏区域的作物倒伏信息时，可以有效预测出用于高效施药的目标飞行高度，从而控制无人机按照该目标飞行高度进行飞行施药，使作物的倒伏程度始终保持在合理的范围内，达到最佳施药效果，显著提高了植保无人机对作物的施药作业效果，提高了农药利用率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的无人机飞行高度控制方法的流程示意图；
图2是本发明提供的无人机飞行高度控制装置的结构示意图；
图3是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图3描述本发明的无人机飞行高度控制方法、装置、电子设备及存储介质。
图1是本发明提供的无人机飞行高度控制方法的流程示意图，如图1所示，包括：步骤110，步骤120和步骤130。
步骤110，获取无人机飞行时下方作物倒伏区域的作物倒伏信息；
步骤120，将作物倒伏信息输入至无人机飞行高度预测模型，得到无人机飞行高度预测模型输出的目标飞行高度；无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；
步骤130，控制无人机按照目标飞行高度进行飞行。
具体地，本发明实施例所描述的作物倒伏区域指的是在植保无人机执行飞行施药作业过程中，由于其下洗气流作用导致下方作物出现倒伏情况的区域。
本发明实施例所描述的作物倒伏信息指的是用于表征作物倒伏程度的特征信息，可以包括倒伏角度信息、倒伏位置信息、倒伏姿态信息等。
本发明实施例所描述的无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签对深度神经网络模型进行训练得到的，用于对不同作物的倒伏信息进行识别，学习不同作物倒伏信息下所需调节至的最佳无人机飞行高度，在该最佳无人机飞行高度下，飞机气流对作物的损坏影响小，并且施药效率高，农药利用率高，从而可以使无人机飞行高度预测模型根据输入的不同作物倒伏信息，预测其对应的最佳无人机飞行高度。
其中，深度神经网络可以采用深度卷积神经网络（Convolutional NeuralNetworks，CNN），深度学习U-Net网络等，还可以为其他用于作物倒伏信息识别及无人机飞行高度控制的神经网络，在本发明中不做具体限定。
需要说明的是，本发明实施例中，无人机飞行高度可以定义为无人机到作物冠层之间的距离。
其中，训练样本是由多组携带有无人机飞行高度标签的作物倒伏信息样本组成的。
本发明实施例所描述的无人机飞行高度标签是根据作物倒伏信息样本预先确定的，并与作物倒伏信息样本是一一对应的。也就是说，训练样本中的每一个作物倒伏信息样本，都预先设定好携带一个与之对应的无人机飞行高度标签。
本发明实施例所描述的目标飞行高度指的是上述描述的可以使无人机下洗气流对作物的损坏影响小，并且施药效率高，农药利用率高所对应的最佳无人机飞行高度。
进一步地，在本发明的实施例中，步骤110中，可以预先在无人机下部搭载遥感图像采集模块，通过该遥感图像采集模块获取无人机飞行时下方作物倒伏区域中的作物倒伏程度、位置、姿态图像等信息。通过在无人机下部搭载合适的云台和影像传感器，连接无人机的地面站或通过预先设定的设置文件对相机进行设置。
其中，遥感图像采集模块主要包括：影像传感器、稳定云台、图像采集控制器、地面站等组成。通过影像传感器采集不同角度和深度的作物倒伏状态的可见光影像。其次将获取的图像信息使用计算机视觉算法模块分析和处理，将处理完成的图像由图像处理模块进一步处理，以识别分析由无人机飞行下洗气流引起的作物倒伏角度、位置、姿态等信息。
需要说明的是，由于植保无人机飞行过程中冠层区域存在滞后现象，需要实时根据飞行速度，使用追踪控制算法，调整影像传感器的角度，完整获取作物冠层的扰动区域即作物倒伏区域的图像。
在本发明的实施例中，步骤120中，进一步将获取到的作物倒伏信息输入至预先训练好的无人机飞行高度预测模型，通过无人机飞行高度预测模型对输入的作物倒伏信息的识别及无人机飞行高度的预测，输出预测到的目标飞行高度。
进一步地在本发明的实施例中，步骤130中，便可以调控无人机的飞行高度，控制无人机按照目标飞行高度进行飞行，以控制无人机对其下方的作物进行施药作业。
本发明实施例的无人机飞行高度控制方法，通过充分挖掘无人机飞行高度与作物倒伏信息之间的内在联系，利用大量作物倒伏信息样本及其对应的无人机飞行高度标签进行神经网络模型训练，得到无人机飞行高度预测模型，使得无人机飞行高度预测模型在输入作物倒伏区域的作物倒伏信息时，可以有效预测出用于高效施药的目标飞行高度，从而控制无人机按照该目标飞行高度进行飞行施药，使作物的倒伏程度始终保持在合理的范围内，达到最佳施药效果，显著提高了植保无人机对作物的施药作业效果，提高了农药利用率。
基于上述实施例的内容，作为一种可选的实施例，在获取无人机飞行时下方作物倒伏区域的作物倒伏信息之前，该方法还包括：
对无人机飞行时采集的下方作物种植区域的全部帧图像进行拼接，得到目标作物种植区域图像；
对目标作物种植区域图像进行空间域滤波，得到作物倒伏区域图像；
从作物倒伏区域图像中提取出作物倒伏信息。
具体地，本发明实施例所描述的目标作物种植区域图像指的是通过无人机悬停拍摄不同角度下的作物种植区域中的倒伏作物，对得到的所有高分数码图像进行拼接后，得到的一幅完整涵盖作物种植区域中不同角度下作物倒伏的影像。
在本发明的实施例中，将影像传感器采集到的作物倒伏图像以 TIFF格式存储，保留了地物红、绿、蓝3种色彩的灰度信息，每种色彩含8位字节信息，数值范围 0～255。进而对采集到的图像进行剪裁与拼接，得到目标作物种植区域图像。进而对目标作物种植区域图像进行预处理，包括去除噪声、校正图像投影、增强对比度等操作，以便后续更好地分析和测量作物倒伏角度。
在本发明的实施例中，为增加作物倒伏和非倒伏区域在图像中的差异，进一步还需对目标作物种植区域图像进行空间域滤波处理，以对图像进行增强，得到作物倒伏区域图像。同时，还可以通过采用二次低通滤波处理，有效抑制图像噪声，降低计算复杂度。
进一步地，在本发明的实施例中，可以使用图像处理算法或人工智能技术，例如斑块检测、边缘检测等，提取出作物倒伏的特征，通过分析提取的特征，计算出作物倒伏的角度等作物倒伏信息。例如，可以使用特征点匹配方法、几何分析方法、机器学习算法或深度学习模型等技术来实现作物倒伏信息的提取。
可选地，还可以将计算得到的作物倒伏角度通过图形化方式进行可视化，例如绘制倒伏方向、以箭头表示倒伏角度等。不同作物受到植保无人机下洗气流冲击时倒伏的程度存在差异，结合作物的农艺性状信息，如生育期信息等，综合评价作物倒伏程度。
本发明实施例的方法，通过对作物种植区域图像进行空间域滤波，增加作物倒伏和非倒伏区域在图像中的差异，确保快速获取到作物倒伏区域图像，可以有效提升从作物倒伏区域图像中提取作物倒伏信息的效率和精度。
基于上述实施例的内容，作为一种可选的实施例，从作物倒伏区域图像中提取出作物倒伏信息，包括：
从作物倒伏区域图像中提取各株作物的作物倒伏特征信息；
将作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，确定作物倒伏区域的作物倒伏角度信息；
基于作物倒伏区域的作物倒伏角度信息，确定作物倒伏信息。
具体地，本发明实施例所描述的预设作物倒伏特征库指的是预先设定好的用于作物倒伏特征匹配的数据库。
在本发明的实施例中，通过从作物倒伏区域图像中提取各株作物的作物倒伏特征信息，提升作物倒伏图像的丰富性。
进而，在本发明的实施例中，可以将作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，从预设作物倒伏特征库中找到与作物倒伏特征信息匹配成功的作物倒伏特征数据，从而可以根据该作物倒伏特征数据确定出对应的作物倒伏状态的信息，得到作物倒伏区域的作物倒伏角度信息，并将该作物倒伏角度信息作为后续输入模型的作物倒伏信息。
本发明实施例的方法，通过采用特征点匹配的方式，将作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，可以有效确定出作物倒伏区域的作物倒伏角度信息，提高了作物倒伏角度信息提取的精度，有利于后续基于作物倒伏信息计算无人机作业飞行高度方式的精度。
基于上述实施例的内容，作为一种可选的实施例，将作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，确定作物倒伏区域的作物倒伏角度信息，包括：
将各株作物的作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，得到各株作物的倒伏角度信息；
对各株作物的倒伏角度信息求平均，得到作物倒伏区域的作物倒伏角度信息。
具体地，在本发明的实施例中，通过将各株作物的作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，经过逐一匹配，可以从预设作物倒伏特征库找到与得到的各株作物的倒伏角度信息相匹配的物倒伏特征。
进一步地，在本发明的实施例中，为了反映出作物倒伏区域的作物倒伏角度信息，通过对各株作物的倒伏角度信息求平均，计算各株作物的倒伏角度，得到作物倒伏区域的作物倒伏角度信息。
进一步地，在本发明的实施例中，通过对各株作物的倒伏角度信息进行求平均，计算出作物倒伏区域中所有作物的平均倒伏角度，并将其作为作物倒伏区域的作物倒伏角度信息。
本发明实施例的方法，通过采用特征点匹配方法确定各株作物的倒伏角度信息，并对各株作物的倒伏角度信息求平均，用来评价作物倒伏区域中作物整体的倒伏程度，可以有效表征作物倒伏区域的作物倒伏角度信息，提高作物倒伏区域倒伏信息计算的精度。
基于上述实施例的内容，作为一种可选的实施例，在确定作物倒伏区域的作物倒伏角度信息之后，该方法还包括：
获取作物倒伏区域中作物的种类信息和生育期信息；
根据作物倒伏区域的作物倒伏角度信息、作物的种类信息和生育期信息，得到作物倒伏信息。
具体地，在本发明的实施例中，无人机飞行高度预测模型是根据作物倒伏角度信息样本、对应的作物的种类信息样本和生育期信息样本，以及对应的无人机飞行高度标签进行训练得到的，通过考虑作物的农艺性状信息，综合评价作物倒伏程度，确定作物倒伏信息，进而通过对作物倒伏信息的识别，来确定对应适宜的无人机作业飞行高度。
需要说明的是，作物的整个生育期可分为以生长根、茎、叶等营养器官为主的营养生长期和以分化形成花、果实、种子等生殖器官为主的生殖生长期。如谷类作物在幼穗分化开始以前属营养生长期；幼穗分化开始到抽穗，属营养生长和生殖生长并进时期；抽穗后纯属生殖生长期。
在本发明的实施例中，在确定作物倒伏区域的作物倒伏角度信息之后，还需进一步获取作物倒伏区域中作物的种类信息及其对应的生育期信息，从而，根据作物倒伏区域的作物倒伏角度信息、作物的种类信息和生育期信息，一同构成作物倒伏信息。
之后，便可以将作物倒伏信息输入至无人机飞行高度预测模型中，得到无人机飞行高度预测模型预测的目标飞行高度，控制无人机作业飞行高度。
本发明实施例的方法，通过综合考虑作物倒伏角度信息、作物的种类信息和生育期信息来构成作物倒伏信息，以通过训练好的无人机飞行高度预测模型对作物的倒伏程度进行综合判断，从而更为精确地测算出无人机作业的最佳飞行高度，进一步提升了模型的预测精度，有利于进一步提高植保无人机对作物的施药作业效果，以及提高农药利用率。
在本发明的一个具体实施例中，首先在植保无人机作业飞行最优高度系统中输入作物的种类为小麦、作物的生长期、作物的农艺性状指标，其次输入经纬度，作业日期与时间。
机载遥感图像采集模块自动调整采集参数，针对小麦调整影像传感器焦距和曝光参数，其次进行相机配置，通过连接无人机的地面站或预先设定的设置文件对相机进行设置。
植保无人机飞到预设的初始飞行高度H1进行飞行作业，通过影像传感器获取小麦高清可见光航拍影像，将小麦的倒伏影像信息传输到地面站图像处理模块，完成航拍小麦倒伏影像的拼接以及预处理等，生成所需的作物表面模型 （Digital surface model，DSM）和数字正射影像（Digital orthophoto map，DOM）。为增大小麦倒伏和非倒伏区域在图像中的差异，需进行空间域滤波处理，对DOM进行图像增强，通过K-means算法、遗传神经网络算法和骨架算法得到小麦植株倒伏区域。为了有效表达纹理信息并降低计算复杂度，对全色波段采用二次低通滤波处理。
通过特征点匹配估算小麦倒伏的角度信息。首先，从小麦倒伏的可见光影像中提取出一些特征点，例如小麦的角点或纹理特征点。然后，通过在不同视角的影像中进行特征点的匹配，可以计算出小麦倒伏的相对角度。通过分析匹配点的偏移量和空间分布，可以进一步估算出小麦倒伏的角度信息。
通过深度学习模块训练飞行高度与小麦倒伏角度相关的模型，对小麦的倒伏程度进行分类为（严重：倒伏角度≤15°；中度：15°<倒伏角度<45°；轻度：45°<倒伏角度<；非倒伏：倒伏角度>70°）。在作业时，实时根据获取的小麦倒伏影像信息进行识别评价小麦的倒伏程度，并实时控制目标飞行高度。当小麦倒伏角度等于70°时，飞行高度决策模块输出当前的飞行高度为临界高度H2。若飞行作业时，小麦倒伏角度小于70°，控制飞机爬升到临界高度，小麦倒伏角度大于70°，控制飞机下降到临界高度。这使得小麦的倒伏程度可以始终保持在合理的范围内，显著提高植保无人机对小麦施药作业效果，增加农药利用率。
基于上述实施例的内容，作为一种可选的实施例，在将作物倒伏信息输入至无人机飞行高度预测模型之前，该方法还包括：
将作物倒伏信息样本及其对应的无人机飞行高度标签作为一组训练样本，获取多组训练样本；
利用多组训练样本，对无人机飞行高度预测模型进行训练。
具体地，在本发明的实施例中，在将作物倒伏信息输入至无人机飞行高度预测模型之前，还需对无人机飞行高度预测模型进行训练，以得到训练好的无人机飞行高度预测模型。
在本发明的实施例中，可以取作物倒伏信息样本总数的15%作为测试集，70%划分为训练集，剩下的15%作为验证集，记录每个作物倒伏信息样本的名字，并在名字后面添加对应的无人机飞行高度标签，保存在csv文件中。
在本发明的实施例中，利用训练集数据对无人机飞行高度预测模型进行训练，具体训练过程如下：
将作物倒伏信息样本及其对应的无人机飞行高度标签作为一组训练样本，针对不同的作物倒伏信息样本，则可以获取到多组训练样本。
在本发明的实施例中，作物倒伏信息样本与其携带的无人机飞行高度标签是一一对应的。
然后，在获得多组训练样本之后，再将多组训练样本依次输入至无人机飞行高度预测模型中，利用多组训练样本对无人机飞行高度预测模型进行训练，即：
将每组训练样本中的作物倒伏信息样本与其携带的无人机飞行高度标签同时输入至无人机飞行高度预测模型中，根据无人机飞行高度预测模型中的每一次输出结果，通过计算损失函数值，对无人机飞行高度预测模型中的模型参数进行调整，在满足预设训练终止条件的情况下，最终完成无人机飞行高度预测模型的整个训练过程，得到训练好的无人机飞行高度预测模型。
本发明实施例的方法，通过将作物倒伏信息样本及其对应的无人机飞行高度标签作为一组训练样本，利用多组训练样本对无人机飞行高度预测模型进行训练，有利于提升训练好的无人机飞行高度预测模型的模型精度。
基于上述实施例的内容，作为一种可选的实施例，利用多组训练样本，对无人机飞行高度预测模型进行训练，包括：
对于任意一组训练样本，将训练样本输入至无人机飞行高度预测模型，输出训练样本对应的预测概率；
利用预设损失函数，根据训练样本对应的预测概率和训练样本对应的无人机飞行高度标签，计算损失值；
基于损失值，对无人机飞行高度预测模型的模型参数进行调整，直至损失值小于预设阈值或训练次数达到预设次数；
将损失值小于预设阈值或训练次数达到预设次数时所得到的模型参数作为训练好的无人机飞行高度预测模型的模型参数，则无人机飞行高度预测模型训练完成。
具体地，本发明实施例所描述的预设损失函数指的是预先设置在无人机飞行高度预测模型里的损失函数，用于进行模型评估；预设阈值指的是模型预先设置的阈值，用于获得最小损失值，完成模型训练；预设次数指的是预先设置的模型迭代训练的最大次数。
在获得多组训练样本之后，对于任意一组训练样本，将每组训练样本中的作物倒伏信息样本及其对应的无人机飞行高度标签同时输入至无人机飞行高度预测模型，输出该训练样本对应的预测概率。
在此基础上，利用预设损失函数，根据该训练样本对应的预测概率和该训练样本对应的无人机飞行高度标签，计算损失值。
进一步地，在计算获得损失值之后，本次训练过程结束。再利用如反向传播（BackPropagation，BP）算法，基于该损失值对无人机飞行高度预测模型的模型参数进行调整，来更新无人机飞行高度预测模型中的模型的各层权重参数，之后再进行下一次训练，如此反复迭代进行模型训练。
在训练的过程中，若针对某组训练样本的训练结果满足预设训练终止条件，如对应计算获得的损失值小于预设阈值，或着当前的迭代次数达到预设次数时，模型的损失值可以控制在收敛范围内，则模型训练结束。此时，可以将所得到的模型参数作为训练好的无人机飞行高度预测模型的模型参数，则无人机飞行高度预测模型训练完成，由此得到训练好的无人机飞行高度预测模型。
本发明实施例的方法，通过利用多组训练样本对无人机飞行高度预测模型进行反复迭代训练，将无人机飞行高度预测模型的损失值控制在收敛范围内，从而有利于提高模型输出结果的准确性，提升基于作物倒伏信息的无人机飞行高度预测的精度。
下面对本发明提供的无人机飞行高度控制装置进行描述，下文描述的无人机飞行高度控制装置与上文描述的无人机飞行高度控制方法可相互对应参照。
图2是本发明提供的无人机飞行高度控制装置的结构示意图，如图2所示，包括：
获取模块210，用于获取无人机飞行时下方作物倒伏区域的作物倒伏信息；
预测模块220，用于将作物倒伏信息输入至无人机飞行高度预测模型，得到无人机飞行高度预测模型输出的目标飞行高度；无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；
控制模块230，用于控制无人机按照目标飞行高度进行飞行。
本实施例所述的无人机飞行高度控制装置可以用于执行上述无人机飞行高度控制方法实施例，其原理和技术效果类似，此处不再赘述。
本发明实施例的无人机飞行高度控制装置，通过充分挖掘无人机飞行高度与作物倒伏信息之间的内在联系，利用大量作物倒伏信息样本及其对应的无人机飞行高度标签进行神经网络模型训练，得到无人机飞行高度预测模型，使得无人机飞行高度预测模型在输入作物倒伏区域的作物倒伏信息时，可以有效预测出用于高效施药的目标飞行高度，从而控制无人机按照该目标飞行高度进行飞行施药，使作物的倒伏程度始终保持在合理的范围内，达到最佳施药效果，显著提高了植保无人机对作物的施药作业效果，提高了农药利用率。
基于上述实施例的内容，作为一种可选的实施例，所述装置还包括：
拼接模块，用于对无人机飞行时采集的下方作物种植区域的全部帧图像进行拼接，得到目标作物种植区域图像；
滤波模块，用于对目标作物种植区域图像进行空间域滤波，得到作物倒伏区域图像；
提取模块，用于从作物倒伏区域图像中提取出作物倒伏信息。
基于上述实施例的内容，作为一种可选的实施例，提取模块还包括：
提取子模块，用于从作物倒伏区域图像中提取各株作物的作物倒伏特征信息；
匹配子模块，用于将作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，确定作物倒伏区域的作物倒伏角度信息；
第一处理子模块，用于基于作物倒伏区域的作物倒伏角度信息，确定作物倒伏信息。
基于上述实施例的内容，作为一种可选的实施例，匹配子模块具体用于：
将各株作物的作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，得到各株作物的倒伏角度信息；
对各株作物的倒伏角度信息求平均，得到作物倒伏区域的作物倒伏角度信息。
基于上述实施例的内容，作为一种可选的实施例，所述装置还包括：
获取子模块，用于获取作物倒伏区域中作物的种类信息和生育期信息；
第二处理子模块，用于根据作物倒伏区域的作物倒伏角度信息、作物的种类信息和生育期信息，得到作物倒伏信息。
基于上述实施例的内容，作为一种可选的实施例，所述装置还包括：
第三处理子模块，用于将作物倒伏信息样本及其对应的无人机飞行高度标签作为一组训练样本，获取多组训练样本；
训练子模块，用于利用多组训练样本，对无人机飞行高度预测模型进行训练。
基于上述实施例的内容，作为一种可选的实施例，训练子模块具体用于：
对于任意一组训练样本，将训练样本输入至无人机飞行高度预测模型，输出训练样本对应的预测概率；
利用预设损失函数，根据训练样本对应的预测概率和训练样本对应的无人机飞行高度标签，计算损失值；
基于损失值，对无人机飞行高度预测模型的模型参数进行调整，直至损失值小于预设阈值或训练次数达到预设次数；
将损失值小于预设阈值或训练次数达到预设次数时所得到的模型参数作为训练好的无人机飞行高度预测模型的模型参数，则无人机飞行高度预测模型训练完成。
图3是本发明提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器（processor）310、通信接口（Communications Interface）320、存储器（memory）330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令，以执行上述各方法所提供的无人机飞行高度控制方法，该方法包括：获取无人机飞行时下方作物倒伏区域的作物倒伏信息；将所述作物倒伏信息输入至无人机飞行高度预测模型，得到所述无人机飞行高度预测模型输出的目标飞行高度；所述无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；控制所述无人机按照所述目标飞行高度进行飞行。
此外，上述的存储器330中的逻辑指令可以通过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（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的无人机飞行高度控制方法，该方法包括：获取无人机飞行时下方作物倒伏区域的作物倒伏信息；将所述作物倒伏信息输入至无人机飞行高度预测模型，得到所述无人机飞行高度预测模型输出的目标飞行高度；所述无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；控制所述无人机按照所述目标飞行高度进行飞行。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的无人机飞行高度控制方法，该方法包括：获取无人机飞行时下方作物倒伏区域的作物倒伏信息；将所述作物倒伏信息输入至无人机飞行高度预测模型，得到所述无人机飞行高度预测模型输出的目标飞行高度；所述无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；控制所述无人机按照所述目标飞行高度进行飞行。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：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 (8)
1.一种无人机飞行高度控制方法，其特征在于，包括：
获取无人机飞行时下方作物倒伏区域的作物倒伏信息；
将所述作物倒伏信息输入至无人机飞行高度预测模型，得到所述无人机飞行高度预测模型输出的目标飞行高度；所述无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；
控制所述无人机按照所述目标飞行高度进行飞行；
其中，在所述获取无人机飞行时下方作物倒伏区域的作物倒伏信息之前，所述方法还包括：
对所述无人机飞行时采集的下方作物种植区域的全部帧图像进行拼接，得到目标作物种植区域图像；
对所述目标作物种植区域图像进行空间域滤波，得到作物倒伏区域图像；
从所述作物倒伏区域图像中提取出所述作物倒伏信息；
其中，所述从所述作物倒伏区域图像中提取出所述作物倒伏信息，包括：
从所述作物倒伏区域图像中提取各株作物的作物倒伏特征信息；
将所述作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，确定所述作物倒伏区域的作物倒伏角度信息；
基于所述作物倒伏区域的作物倒伏角度信息，确定所述作物倒伏信息。
2.根据权利要求1所述的无人机飞行高度控制方法，其特征在于，所述将所述作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，确定所述作物倒伏区域的作物倒伏角度信息，包括：
将各株作物的所述作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，得到各株作物的倒伏角度信息；
对所述各株作物的倒伏角度信息求平均，得到所述作物倒伏区域的作物倒伏角度信息。
3.根据权利要求1所述的无人机飞行高度控制方法，其特征在于，在所述确定所述作物倒伏区域的作物倒伏角度信息之后，所述方法还包括：
获取所述作物倒伏区域中作物的种类信息和生育期信息；
根据所述作物倒伏区域的作物倒伏角度信息、所述作物的种类信息和生育期信息，得到所述作物倒伏信息。
4.根据权利要求1-3任一项所述的无人机飞行高度控制方法，其特征在于，在所述将所述作物倒伏信息输入至无人机飞行高度预测模型之前，所述方法还包括：
将所述作物倒伏信息样本及其对应的无人机飞行高度标签作为一组训练样本，获取多组训练样本；
利用所述多组训练样本，对无人机飞行高度预测模型进行训练。
5.根据权利要求4所述的无人机飞行高度控制方法，其特征在于，所述利用所述多组训练样本，对无人机飞行高度预测模型进行训练，包括：
对于任意一组训练样本，将所述训练样本输入至所述无人机飞行高度预测模型，输出所述训练样本对应的预测概率；
利用预设损失函数，根据所述训练样本对应的预测概率和所述训练样本对应的无人机飞行高度标签，计算损失值；
基于所述损失值，对所述无人机飞行高度预测模型的模型参数进行调整，直至所述损失值小于预设阈值或训练次数达到预设次数；
将所述损失值小于所述预设阈值或训练次数达到所述预设次数时所得到的模型参数作为训练好的无人机飞行高度预测模型的模型参数，则无人机飞行高度预测模型训练完成。
6.一种无人机飞行高度控制装置，其特征在于，包括：
获取模块，用于获取无人机飞行时下方作物倒伏区域的作物倒伏信息；
预测模块，用于将所述作物倒伏信息输入至无人机飞行高度预测模型，得到所述无人机飞行高度预测模型输出的目标飞行高度；所述无人机飞行高度预测模型是根据作物倒伏信息样本及其对应的无人机飞行高度标签进行训练得到的；
控制模块，用于控制所述无人机按照所述目标飞行高度进行飞行；
所述装置还包括：
拼接模块，用于对所述无人机飞行时采集的下方作物种植区域的全部帧图像进行拼接，得到目标作物种植区域图像；
滤波模块，用于对所述目标作物种植区域图像进行空间域滤波，得到作物倒伏区域图像；
提取模块，用于从所述作物倒伏区域图像中提取出所述作物倒伏信息；
其中，所述提取模块具体用于：
从所述作物倒伏区域图像中提取各株作物的作物倒伏特征信息；
将所述作物倒伏特征信息与预设作物倒伏特征库进行特征点匹配，确定所述作物倒伏区域的作物倒伏角度信息；
基于所述作物倒伏区域的作物倒伏角度信息，确定所述作物倒伏信息。
7.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述无人机飞行高度控制方法。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述无人机飞行高度控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477495.2A CN117193347B (zh) | 2023-11-08 | 2023-11-08 | 无人机飞行高度控制方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311477495.2A CN117193347B (zh) | 2023-11-08 | 2023-11-08 | 无人机飞行高度控制方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117193347A CN117193347A (zh) | 2023-12-08 |
| CN117193347B true CN117193347B (zh) | 2024-03-05 |
Family
ID=88998368
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311477495.2A Active CN117193347B (zh) | 2023-11-08 | 2023-11-08 | 无人机飞行高度控制方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117193347B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789067B (zh) * | 2024-02-27 | 2024-05-10 | 山东字节信息科技有限公司 | 一种基于机器学习的无人机农作物监测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114140691A (zh) * | 2021-11-25 | 2022-03-04 | 华中农业大学 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
| CN114581768A (zh) * | 2022-01-19 | 2022-06-03 | 北京市农林科学院信息技术研究中心 | 一种作物倒伏无人机监测方法及装置 |
| CN115223063A (zh) * | 2022-07-13 | 2022-10-21 | 河南省农业科学院农业经济与信息研究所 | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 |
| CN115496891A (zh) * | 2022-10-28 | 2022-12-20 | 河南省农业科学院农业经济与信息研究所 | 一种小麦倒伏程度分级方法和装置 |
| CN115577951A (zh) * | 2022-10-19 | 2023-01-06 | 北京爱科农科技有限公司 | 一种基于玉米生长机理模型的夏玉米倒伏预警算法 |
| 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 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020049456A1 (en) * | 2018-09-04 | 2020-03-12 | Kiss Viliam | Method of identifying and displaying areas of lodged crops |
-
2023
- 2023-11-08 CN CN202311477495.2A patent/CN117193347B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN114140691A (zh) * | 2021-11-25 | 2022-03-04 | 华中农业大学 | 基于无人机可见光图像预测作物倒伏角度和形态的方法 |
| CN114581768A (zh) * | 2022-01-19 | 2022-06-03 | 北京市农林科学院信息技术研究中心 | 一种作物倒伏无人机监测方法及装置 |
| CN115223063A (zh) * | 2022-07-13 | 2022-10-21 | 河南省农业科学院农业经济与信息研究所 | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 |
| CN115577951A (zh) * | 2022-10-19 | 2023-01-06 | 北京爱科农科技有限公司 | 一种基于玉米生长机理模型的夏玉米倒伏预警算法 |
| CN115496891A (zh) * | 2022-10-28 | 2022-12-20 | 河南省农业科学院农业经济与信息研究所 | 一种小麦倒伏程度分级方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117193347A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10002416B2 (en) | Inventory, growth, and risk prediction using image processing | |
| US11137775B2 (en) | Unmanned aerial vehicle | |
| Jiménez-Brenes et al. | Automatic UAV-based detection of Cynodon dactylon for site-specific vineyard management | |
| CN117193347B (zh) | 无人机飞行高度控制方法、装置、电子设备及存储介质 | |
| EP3279831A1 (en) | Recognition of weed in a natural environment using a digital image | |
| CN110832494A (zh) | 一种语义生成方法、设备、飞行器及存储介质 | |
| US11562563B2 (en) | Automatic crop classification system and method | |
| CN109813286A (zh) | 一种基于无人机的倒伏灾害遥感定损方法 | |
| CN111666855A (zh) | 基于无人机的动物三维参数提取方法、系统及电子设备 | |
| CN115453555A (zh) | 一种草地生产力的无人机快速监测方法及系统 | |
| CN115689795A (zh) | 基于无人机遥感的山地果园作物长势分析方法及系统 | |
| CN115909113B (zh) | 一种无人机遥感监测调查林业有害生物的方法 | |
| KR20180096966A (ko) | 형태적 연산과 연결 연산을 이용한 벼 모종 자동 개수 세는 방법 | |
| Christensen et al. | Sensing for weed detection | |
| CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 | |
| CN111339953A (zh) | 一种基于聚类分析的薇甘菊监测方法 | |
| CN113514402B (zh) | 一种冬小麦叶绿素含量的预测系统及方法 | |
| CN115294472A (zh) | 果实产量估计方法、模型训练方法、设备及存储介质 | |
| CN115526927A (zh) | 综合物候和遥感大数据的水稻种植及其面积估算方法 | |
| Bonaria | Grapevine yield estimation using image analysis for the variety Arinto | |
| Tang et al. | sUAS and Machine Learning Integration in Waterfowl Population Surveys | |
| CN116579446B (zh) | 一种利用表型特征估算高精度小麦籽粒产量的方法 | |
| US20230368312A1 (en) | Method for automated weed control of agricultural land and associated stand-alone system | |
| Yuan | Development of a UAV-Based Multi-Dimensional Mapping Framework for Precise Frost Management in Apple Orchards | |
| CN111339954B (zh) | 一种基于图像识别的薇甘菊监测方法 |
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 |