CN117516627B - 一种基于无人机数据的区域植被状态监测系统 - Google Patents

一种基于无人机数据的区域植被状态监测系统 Download PDF

Info

Publication number
CN117516627B
CN117516627B CN202311492804.3A CN202311492804A CN117516627B CN 117516627 B CN117516627 B CN 117516627B CN 202311492804 A CN202311492804 A CN 202311492804A CN 117516627 B CN117516627 B CN 117516627B
Authority
CN
China
Prior art keywords
area
aerial vehicle
unmanned aerial
vegetation
monitoring
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
Application number
CN202311492804.3A
Other languages
English (en)
Other versions
CN117516627A (zh
Inventor
董福军
宋增科
马海兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Juancheng County Natural Resources And Planning Bureau
Original Assignee
Juancheng County Natural Resources And Planning Bureau
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Juancheng County Natural Resources And Planning Bureau filed Critical Juancheng County Natural Resources And Planning Bureau
Priority to CN202311492804.3A priority Critical patent/CN117516627B/zh
Publication of CN117516627A publication Critical patent/CN117516627A/zh
Application granted granted Critical
Publication of CN117516627B publication Critical patent/CN117516627B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U20/00—Constructional aspects of UAVs
    • B64U20/80—Arrangement of on-board electronics, e.g. avionics systems or wiring
    • B64U20/87—Mounting of imaging devices, e.g. mounting of gimbals
    • A—HUMAN NECESSITIES
    • A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
    • A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
    • A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
    • A01M7/0089—Regulating or controlling systems
    • A—HUMAN NECESSITIES
    • A62—LIFE-SAVING; FIRE-FIGHTING
    • A62C—FIRE-FIGHTING
    • A62C3/00—Fire prevention, containment or extinguishing specially adapted for particular objects or places
    • A62C3/02—Fire prevention, containment or extinguishing specially adapted for particular objects or places for area conflagrations, e.g. forest fires, subterranean fires
    • A62C3/0228—Fire prevention, containment or extinguishing specially adapted for particular objects or places for area conflagrations, e.g. forest fires, subterranean fires with delivery of fire extinguishing material by air or aircraft
    • A62C3/0242—Fire prevention, containment or extinguishing specially adapted for particular objects or places for area conflagrations, e.g. forest fires, subterranean fires with delivery of fire extinguishing material by air or aircraft by spraying extinguishants from the aircraft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U10/00—Type of UAV
    • B64U10/10—Rotorcrafts
    • B64U10/13—Flying platforms
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U20/00—Constructional aspects of UAVs
    • B64U20/80—Arrangement of on-board electronics, e.g. avionics systems or wiring
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V10/16—Image acquisition using multiple overlapping images; Image stitching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/10—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths
    • H04N23/11—Cameras or camera modules comprising electronic image sensors; Control thereof for generating image signals from different wavelengths for generating image signals from visible and infrared light wavelengths
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/30—UAVs specially adapted for particular uses or applications for imaging, photography or videography
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/40—UAVs specially adapted for particular uses or applications for agriculture or forestry operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/45—UAVs specially adapted for particular uses or applications for releasing liquids or powders in-flight, e.g. crop-dusting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64U—UNMANNED AERIAL VEHICLES [UAV]; EQUIPMENT THEREFOR
    • B64U2101/00—UAVs specially adapted for particular uses or applications
    • B64U2101/45—UAVs specially adapted for particular uses or applications for releasing liquids or powders in-flight, e.g. crop-dusting
    • B64U2101/47—UAVs specially adapted for particular uses or applications for releasing liquids or powders in-flight, e.g. crop-dusting for fire fighting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Remote Sensing (AREA)
  • Computing Systems (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Insects & Arthropods (AREA)
  • Environmental Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Forests & Forestry (AREA)
  • Public Health (AREA)
  • Wood Science & Technology (AREA)
  • Pest Control & Pesticides (AREA)
  • Ecology (AREA)
  • Signal Processing (AREA)
  • Zoology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Emergency Alarm Devices (AREA)
  • Catching Or Destruction (AREA)

Abstract

本发明涉及区域植被状态监测技术领域，具体公开了一种基于无人机数据的区域植被状态监测系统，系统包括：监测无人机，所述监测无人机上搭载有可见光相机和红外相机，用于对区域植被进行拍摄图像；传感器模块，安装在所述监测无人机上，用于对监测无人机飞行过程中周围环境参数进行监测；控制分析模块，通过对监测无人机拍摄的图像进行处理分析，判断区域植被内可能出现的虫害区域或着火区域并发出警报，并控制大型无人机对对应区域进行喷洒农药或灭火剂；通过对监测无人机飞行过程中周围环境参数进行监测，判断区域植被内出现易燃区域后进行火灾预警，并控制大型无人机对该区域进行浇水。

Description

一种基于无人机数据的区域植被状态监测系统
技术领域
本发明涉及区域植被状态监测技术领域，具体为一种基于无人机数据的区域植被状态监测系统。
背景技术
区域植被状态监测是通过使用遥感技术，结合图像处理和机器学习算法来实时或定期监测特定区域的植被健康状况和变化情况,这项技术可以提供有关植被覆盖度、植被生长状态、植被类型和植被水分含量等方面的信息,在区域植被状态监测中，常用的遥感数据包括高分辨率卫星图像、无人机图像以及空气传感器数据,通过获取这些数据并进行图像处理和分析，可以得出植被指数,等遥感指标，从而评估植被的健康状况和变化情况,区域植被状态监测在环境保护、农业、森林管理和城市规划等领域具有广泛应用,通过区域植被状态监测，可以有效监控和管理植被资源，提高农业和森林管理的效率，实现可持续发展目标。
现有技术中，通过无人机数据对区域植被状态进行监测过程中，多只能通过可见光相机对区域植被内的植被生长状态进行监测，通过红外相机对区域制备内的是否发生火灾进行预警，其监测识别的过程中较为单一，识别结构不够精准，并且还不能对区域植被内较为干燥易燃的区域进行识别并预警。
发明内容
本发明的目的在于提供一种基于无人机数据的区域植被状态监测系统，解决以下技术问题：
如何基于无人机数据对区域植被内区域植被内较为干燥易燃的区域进行识别的问题。
本发明的目的可以通过以下技术方案实现：
一种基于无人机数据的区域植被状态监测系统，所述系统包括：
监测无人机，所述监测无人机上搭载有可见光相机和红外相机，用于对区域植被进行拍摄图像；
传感器模块，安装在所述监测无人机上，用于对监测无人机飞行过程中周围环境参数进行监测；
控制分析模块，通过对监测无人机拍摄的图像进行处理分析，判断区域植被内可能出现的虫害区域或着火区域并发出警报，并控制大型无人机对对应区域进行喷洒农药或灭火剂；通过对监测无人机飞行过程中周围环境参数进行监测，判断区域植被内出现易燃区域后进行火灾预警，并控制大型无人机对该区域进行浇水；
大型无人机，所述大型无人机上安装有大型水箱和喷头，用于对区域植被内进行喷洒农药、灭火剂及浇水。
于一实施例中，对区域植被内可能出现的虫害区域进行防治的过程包括如下步骤：
S1、监测无人机在区域植被上空按照预设路径进行周期性循环飞行，安装在其机身下方的前后两组可见光相机间歇性对监测无人机下方的区域植被进行拍摄图像，并将图像传输至控制分析模块内；
S2、控制分析模块对无人机两组可见光摄像头拍摄的图像进行基于特征点匹配的算法的拼接合成；
S3、控制分析模块通过立体重建算法对两张不同角度拍摄获得的图像进行分析处理获得该区域植被的三维图像；
S4、控制分析模块将该区域植被的三维图像输入至训练完成的识别模型中，识别模型可对该区域植被内的植物种类、密度、高度以及是否发生虫害进行识别输出；
S5、控制分析模块根据识别出的可能发生虫害区域的植物种类，控制大型无人机飞行至对应区域进行喷洒农药，对虫害区域进行防治。
于一实施例中，对区域植被内可能出现的着火区域进行灭火的过程包括：
基于大数据获取各种植被着火时其上空烟尘的的三维图像样本；
将各种三维图像样本作为危险样本进行卷积神经网络学习，获得危险识别样本；
将可见光相机拍摄并生成的三维图像输入危险识别样本内，进行识别，获得该区域植被危险异常区域；
监测无人机飞行监测过程中，红外相机同样对区域植被拍摄生成该区域植被的温度分布图像，结合获得的该区域植被危险异常区域，分析判断危险异常区域内温度是否异常；
若判断温度异常，控制大型无人机飞行至分析获取的温度异常区域进行喷洒灭火剂。
进一步地，对危险异常区域内温度是否异常的分析过程包括：
将危险异常区域内的温度最大值减去该植被区域内温度的平均值，获得该区域植被内离散温度差值；
将危险异常区域内的温度最大值减去预设温度阈值，获得该危险异常区域的温度异常差值；
通过对该区域植被内温度差值和危险异常区域的温度异常差值进行处理分析获得危险异常区域内的温度异常系数；
将温度异常系数和预设的温度异常标准系数进行比对；
若温度异常系数大于预设的温度异常标准系数，说明该危险异常区域内温度异常。
于一实施例中，对区域植被内干燥易燃区域进行浇水的过程包括：
监测无人机对区域植被飞行监测过程中，安装在其上的传感器模块可采集到空气中的湿度、温度、风速及风向信息参数；
根据监测无人机可见光相机拍摄的图像可获得监测无人机距离植被的高度；
通过采集到的空气中湿度和温度信息可获得该区域植被上空环境异常区域；
通过采集到的风速、风向及无人机距离植被的高度信息可获得区域偏差系数；
通过该区域植被上空环境异常区域和区域偏差系数获得该区域植被内的干燥易燃区域；
控制大型无人机飞行至该干燥易燃区域进行喷洒浇水。
进一步地，获得该区域植被上空环境异常区域的过程包括：
根据监测无人机飞行过程中各个采集坐标采集的湿度和温度获得采集坐标上对应的空气状态系数；
将各个空气状态系数与预设异常状态系数进行比对，
若空气状态系数大于预设异常状态系数，则保留该空气状态系数；
若空气状态系数小于等于预设异常状态系数，则删除该空气状态系数；
通过保留的各个控制状态系数可获得该区域植被上空环境异常区域。
更进一步地，获得区域偏差系数的过程包括：
通过监测无人机可见光相机拍摄的图像和无人机飞行速度获得监测无人机距离植被的高度；
通过监测无人机距离植被的高度及风速获得区域偏差系数。
更进一步地，预设异常状态系数的获得过程包括：
通过区域植被内标准易燃区域空气状态系数、区域偏差系数及自然扩散系数获得预设异常状态系数。
本发明的有益效果：
(1)本发明通过控制分析模块控制监测无人机在区域植被上空按照预设路径进行周期性循环飞行，安装在其机身下方的前后两组可见光相机间歇性对监测无人机下方的区域植被进行拍摄图像，并将图像传输至控制分析模块内，通过两张图像从不同视角捕捉的信息来推断计算出三维场景的形状和深度信息，再然后将该区域植被的三维图像输入至训练完成的识别模型中，识别模型可对该区域植被内的植物种类、密度、高度以及是否发生虫害进行识别输出，最后控制分析模块根据识别出的可能发生虫害区域的植物种类，控制大型无人机飞行至对应区域进行喷洒农药，对虫害区域进行防治。
(2)本发明通过基于大数据获取各种植被着火时其上空烟尘的的三维图像样本；然后将各种三维图像样本作为危险样本进行卷积神经网络学习，获得危险识别样本；再将可见光相机拍摄并生成的三维图像输入危险识别样本内，进行识别，获得该区域植被危险异常区域，红外相机同样对区域植被拍摄生成该区域植被的温度分布图像，结合获得的该区域植被危险异常区域，分析判断危险异常区域内温度是否异常；若判断温度异常，控制大型无人机飞行至分析获取的温度异常区域进行喷洒灭火剂。
(3)本发明通过监测无人机对区域植被飞行监测过程中，安装在其上的传感器模块可采集到空气中的湿度、温度、风速及风向信息参数；根据监测无人机可见光相机拍摄的图像可获得监测无人机距离植被的高度；通过采集到的空气中湿度和温度信息可获得该区域植被上空环境异常区域；通过采集到的风速、风向及无人机距离植被的高度信息可获得区域偏差系数；通过该区域植被上空环境异常区域和区域偏差系数获得该区域植被内的干燥易燃区域；控制大型无人机飞行至该干燥易燃区域进行喷洒浇水。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明提成的基于无人机数据的区域植被状态监测系统的概要框图；
图2是本发明提成的基于无人机数据的区域植被状态监测系统虫害防治的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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它实施例，都属于本发明保护的范围。
请参阅图1所示，在一个实施例中，提供了一种基于无人机数据的区域植被状态监测系统，系统包括：
监测无人机，所述监测无人机上搭载有可见光相机和红外相机，用于对区域植被进行拍摄图像；
传感器模块，安装在所述监测无人机上，用于对监测无人机飞行过程中周围环境参数进行监测；
控制分析模块，通过对监测无人机拍摄的图像进行处理分析，判断区域植被内可能出现的虫害区域或着火区域并发出警报，并控制大型无人机对对应区域进行喷洒农药或灭火剂；通过对监测无人机飞行过程中周围环境参数进行监测，判断区域植被内出现易燃区域后进行火灾预警，并控制大型无人机对该区域进行浇水；
大型无人机，所述大型无人机上安装有大型水箱和喷头，用于对区域植被内进行喷洒农药、灭火剂及浇水。
上述技术方案，公开了一种基于无人机数据的区域植被状态监控系统，通过搭载有可见光相机和红外相机的监测无人机对区域植被进行周期性循环飞行监测，对区域植被进行持续性拍摄图像，控制分析模块会对可见光相机拍摄的图片进行处理合成分析获取区域植被内可能出现的虫害区域，控制大型无人机飞行至虫害区域进行喷洒农药；控制分析模块对可见光相机和红外相机拍摄的图片进行处理合成分析获取区域植被能可能出现的着火区域，控制大型无人机飞行至着火区域进行喷洒灭火剂；通过传感器模块对监测无人机飞行过程中周围的环境参数进行监测，控制分析模块对可见光相机、红外相机拍摄的图片结合监测无人机飞行过程中监测到的环境参数进行综合分析，判断区域植被内出现的干燥易燃区域，控制大型无人机飞行至该区域进行喷雾浇水，即可以有效的的对区域植被可能发生的火灾进行预防，又可以及时有效的对该区域植被内植物补充水分。
作为本发明的一种实施方式，对区域植被内可能出现的虫害区域进行防治的过程包括如下步骤：
S1、监测无人机在区域植被上空按照预设路径进行周期性循环飞行，安装在其机身下方的前后两组可见光相机间歇性对监测无人机下方的区域植被进行拍摄图像，并将图像传输至控制分析模块内；
S2、控制分析模块对无人机两组可见光摄像头拍摄的图像进行基于特征点匹配的算法的拼接合成；
S3、控制分析模块通过立体重建算法对两张不同角度拍摄获得的图像进行分析处理获得该区域植被的三维图像；
S4、控制分析模块将该区域植被的三维图像输入至训练完成的识别模型中，识别模型可对该区域植被内的植物种类、密度、高度以及是否发生虫害进行识别输出；
S5、控制分析模块根据识别出的可能发生虫害区域的植物种类，控制大型无人机飞行至对应区域进行喷洒农药，对虫害区域进行防治。
通过上述技术方案，本实施例提供了一种对区域植被内可能出现的虫害区域进行防治的方法，通过控制分析模块控制监测无人机在区域植被上空按照预设路径进行周期性循环飞行，安装在其机身下方的前后两组可见光相机间歇性对监测无人机下方的区域植被进行拍摄图像，并将图像传输至控制分析模块内，其中监测无人机每组可见光相机拍摄的图像前后两张有小区域重合，前后两组可见光相机与机身呈固定夹角且相互对称，如此在监测无人机飞行过程中前后两组的可见光相机可保证对区域植被进行两个角度进行拍摄，然后对无人机两组可见光摄像头拍摄的图像进行基于特征点匹配的算法的拼接合成，具体地，通过匹配不同照片上相投的特征点来确定不同照片之间的对应关系，最终将它们融合在一起，进而形成两张对区域植以不同角度拍摄的图像，然后通过立体重建算法对两张不同角度拍摄获得的图像进行分析处理获得该区域植被的三维图像，具体地，通过两张图像从不同视角捕捉的信息来推断计算出三维场景的形状和深度信息，再然后将该区域植被的三维图像输入至训练完成的识别模型中，识别模型可对该区域植被内的植物种类、密度、高度以及是否发生虫害进行识别输出，最后控制分析模块根据识别出的可能发生虫害区域的植物种类，控制大型无人机飞行至对应区域进行喷洒农药，对虫害区域进行防治；
其中，将识别模型训练完成的过程具体地，对该区域植被内的三维图像划分一定区域并手工对该区域内图像信息进行标注，对该区域内的植被种类、密度、高度以及发生虫害的植被等信息进行标注，然后以该区域植被的三维图像信息作为训练样本进行卷积网络学习，即可获得训练完成后的识别模型。
作为本发明的一种实施方式，对区域植被内可能出现的着火区域进行灭火的过程包括：
基于大数据获取各种植被着火时其上空烟尘的的三维图像样本；
将各种三维图像样本作为危险样本进行卷积神经网络学习，获得危险识别样本；
将可见光相机拍摄并生成的三维图像输入危险识别样本内，进行识别，获得该区域植被危险异常区域；
监测无人机飞行监测过程中，红外相机同样对区域植被拍摄生成该区域植被的温度分布图像，结合获得的该区域植被危险异常区域，分析判断危险异常区域内温度是否异常；
若判断温度异常，控制大型无人机飞行至分析获取的温度异常区域进行喷洒灭火剂。
通过上述技术方案，本实施例提供了一种对区域植被内可能出现的着火区域进行灭火的方法，首先基于大数据获取各种植被着火时其上空烟尘的的三维图像样本；然后将各种三维图像样本作为危险样本进行卷积神经网络学习，获得危险识别样本；再将可见光相机拍摄并生成的三维图像输入危险识别样本内，进行识别，获得该区域植被危险异常区域；
同步的，监测无人机飞行监测过程中，红外相机同样对区域植被拍摄生成该区域植被的温度分布图像，结合获得的该区域植被危险异常区域，分析判断危险异常区域内温度是否异常；
若判断温度异常，控制大型无人机飞行至分析获取的温度异常区域进行喷洒灭火剂。
作为本发明的一种实施方式，对危险异常区域内温度是否异常的分析过程包括：
将危险异常区域内的温度最大值减去该植被区域内温度的平均值，获得该区域植被内离散温度差值；
将危险异常区域内的温度最大值减去预设温度阈值，获得该危险异常区域的温度异常差值；
通过对该区域植被内温度差值和危险异常区域的温度异常差值进行处理分析获得危险异常区域内的温度异常系数；
将温度异常系数和预设的温度异常标准系数进行比对；
若温度异常系数大于预设的温度异常标准系数，说明该危险异常区域内温度异常。
通过上述技术方案，本实施例提供了一种对危险异常区域内温度是否异常的分析方法，具体地，通过将该区域植被的三维图像和温度分布图像进行比对分析，获得该区域植被内对应危险异常区域内的最高温度和区域植被内的平均温度；
将对应危险异常区域内温度的最大值减去该植被区域的温度平均值，获得该危险异常区域的离散温度差值，将该危险异常区域内温度的最大值减去预设的温度阈值，获得该危险异常区域的温度异常差值，再通过离散温度差值和温度异常差值计算获得该危险异常区域内的温度异常系数，其中，该危险异常区域内的温度异常系数Cabn可根据以下分析具体体现：
Cabn＝Tσ*α+Tρ*β
Tρ＝Tmax-Tsth
其中，Tσ为该危险异常区域的离散温度差值，Tρ为该危险异常区域的温度异常差值，α和β均为温度异常权重系数，具体可根据实验数据选择拟合获得，Tmax为对应危险异常区域内最大温度值，可从该危险异常区域对应的温度分布图像上取样，为该区域植被的平均温度值，可对该区域植被对应的温度分布图进行等方型区域多点取样，然后对所有取样数值进行求平均值获得，Tsth为预设的温度阈值，具体可根据实验数据选择拟合设定；
然后将温度异常系数Cabn和预设的温度异常标准系数Csth进行比对；
若Cabn>Csth，则说明该危险异常区域内温度异常。
作为本发明的一种实施方式，对区域植被内干燥易燃区域进行浇水的过程包括：
监测无人机对区域植被飞行监测过程中，安装在其上的传感器模块可采集到空气中的湿度、温度、风速及风向信息参数；
根据监测无人机可见光相机拍摄的图像可获得监测无人机距离植被的高度；
通过采集到的空气中湿度和温度信息可获得该区域植被上空环境异常区域；
通过采集到的风速、风向及无人机距离植被的高度信息可获得区域偏差系数；
通过该区域植被上空环境异常区域和区域偏差系数获得该区域植被内的干燥易燃区域；
控制大型无人机飞行至该干燥易燃区域进行喷洒浇水。
获得该区域植被上空环境异常区域的过程包括：
根据监测无人机飞行过程中各个采集坐标采集的湿度和温度获得采集坐标上对应的空气状态系数；
将各个空气状态系数与预设异常状态系数进行比对，
若空气状态系数大于预设异常状态系数，则保留该空气状态系数；
若空气状态系数小于等于预设异常状态系数，则删除该空气状态系数；
通过保留的各个控制状态系数可获得该区域植被上空环境异常区域。
获得区域偏差系数的过程包括：
通过监测无人机可见光相机拍摄的图像和无人机飞行速度获得监测无人机距离植被的高度；
通过监测无人机距离植被的高度及风速获得区域偏差系数。
预设异常状态系数的获得过程包括：
通过区域植被内标准易燃区域空气状态系数、区域偏差系数及自然扩散系数获得预设异常状态系数。
通过上述技术方案，本实施例提供了一种对区域植被内干燥易燃区域进行浇水的方法，通过监测无人机飞行过程中各个采集坐标上采集到的空气湿度和温度分析获得各个采集坐标上对应的空气状态系数，再对各个空气状态系数和预设异常状态系数进行比对，可获得该区域植被上空的环境异常区域，结合区域偏差系数和自然扩散系数即可分析获得该区域植被内对应干燥易燃区域，控制大型无人机飞行至该干燥易燃区域进行喷洒浇水即可，其中，区域偏差系数可通过监测无人机距离植被的高度及风速分析获得，监测无人机距离植被的高度可通过监测无人机上对称安装的固定夹角的两组可见光相机拍摄的照片和监测无人机飞行的速度分析获得，可根据以下分析具体体现：
Aμ＝Tb*τ1+RHb*τ2
其中，Aμ为区域植被上空的空气状态系数，Tb为对应采集坐标监测无人机采集到的温度，RHb为对应采集坐标监测无人机采集到的湿度，τ1和τ2为状态系数的权重系数，可根据无人机植被监测相关实验获得，Dμ为区域偏差系数，ΔH为监测无人机距离植被的高度，Vμ为对应采集坐标监测无人机采集到的风速，γ为修正系数，θ为监测无人机上安装的可见光相机与水平面的夹角，Vuav为无人机的飞行速度，t为无人机飞行过程中，其朝向前方的可见光相机拍摄图像中心点显示的植被点在其朝向后方的可将光相机拍摄图像中心点位置显示出的时间，Pμ为自然扩散系数，具体可通过多次实验数据拟合获得，Ac为预设异常状态系数，Asth为区域植被内标准易燃区域空气状态系数，具体可对应区域植被内实验分析获得，其与植被内植物种类、高度及密度等相关信息相关，为异常状态转换补正系数，具体可根据多组实验数据获得。
以上对本发明的一个实施例进行了详细说明，但所述内容仅为本发明的较佳实施例，不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等，均应仍归属于本发明的专利涵盖范围之内。

Claims (3)

1.一种基于无人机数据的区域植被状态监测系统，其特征在于，所述系统包括：
监测无人机，所述监测无人机上搭载有可见光相机和红外相机，用于对区域植被进行拍摄图像；
传感器模块，安装在所述监测无人机上，用于对监测无人机飞行过程中周围环境参数进行监测；
控制分析模块，通过对监测无人机拍摄的图像进行处理分析，判断区域植被内可能出现的虫害区域或着火区域并发出警报，并控制大型无人机对对应区域进行喷洒农药或灭火剂；通过对监测无人机飞行过程中周围环境参数进行监测，判断区域植被内出现易燃区域后进行火灾预警，并控制大型无人机对该区域进行浇水；
大型无人机，所述大型无人机上安装有大型水箱和喷头，用于对区域植被内进行喷洒农药、灭火剂及浇水；
对区域植被内可能出现的虫害区域进行防治的过程包括如下步骤：
S1、监测无人机在区域植被上空按照预设路径进行周期性循环飞行，安装在其机身下方的前后两组可见光相机间歇性对监测无人机下方的区域植被进行拍摄图像，并将图像传输至控制分析模块内；
S2、控制分析模块对无人机两组可见光摄像头拍摄的图像进行基于特征点匹配的算法的拼接合成；
S3、控制分析模块通过立体重建算法对两张不同角度拍摄获得的图像进行分析处理获得该区域植被的三维图像；
S4、控制分析模块将该区域植被的三维图像输入至训练完成的识别模型中，识别模型可对该区域植被内的植物种类、密度、高度以及是否发生虫害进行识别输出；
S5、控制分析模块根据识别出的可能发生虫害区域的植物种类，控制大型无人机飞行至对应区域进行喷洒农药，对虫害区域进行防治；
对区域植被内干燥易燃区域进行浇水的过程包括：
监测无人机对区域植被飞行监测过程中，安装在其上的传感器模块可采集到空气中的湿度、温度、风速及风向信息参数；
根据监测无人机可见光相机拍摄的图像可获得监测无人机距离植被的高度；
通过采集到的空气中湿度和温度信息可获得该区域植被上空环境异常区域；
通过采集到的风速、风向及无人机距离植被的高度信息可获得区域偏差系数；
通过该区域植被上空环境异常区域、区域偏差系数及自然扩散系数获得该区域植被内的干燥易燃区域；
控制大型无人机飞行至该干燥易燃区域进行喷洒浇水；
获得该区域植被上空环境异常区域的过程包括：
根据监测无人机飞行过程中各个采集坐标上采集的湿度和温度获得采集坐标上对应的空气状态系数；
将各个空气状态系数与预设异常状态系数进行比对，
若空气状态系数大于预设异常状态系数，则保留该空气状态系数；
若空气状态系数小于等于预设异常状态系数，则删除该空气状态系数；
通过保留的各个空气状态系数可获得该区域植被上空环境异常区域；
获得区域偏差系数的过程包括：
通过监测无人机可见光相机拍摄的图像和无人机飞行速度获得监测无人机距离植被的高度；
通过监测无人机距离植被的高度及风速获得区域偏差系数；
预设异常状态系数的获得过程包括：
通过区域植被内标准易燃区域空气状态系数、区域偏差系数及自然扩散系数获得预设异常状态系数；
所述空气状态系数可通过以下公式联立计算获得：
Aμ＝Tb*τ1+RHb*τ2
其中，Aμ为区域植被上空的空气状态系数，Tb为对应采集坐标监测无人机采集到的温度，RHb为对应采集坐标监测无人机采集到的湿度，τ1和τ2为状态系数的权重系数，Dμ为区域偏差系数，ΔH为监测无人机距离植被的高度，Vμ为对应采集坐标监测无人机采集到的风速，γ为修正系数，θ为监测无人机上安装的可见光相机与水平面的夹角，Vuav为无人机的飞行速度，t为无人机飞行过程中，无人机朝向前方的可见光相机拍摄图像中心点显示植被点与无人机朝向后方的可见光相机拍摄图像中心点显示出同一所述植被点的时间差，Pμ为自然扩散系数，Ac为预设异常状态系数，Asth为区域植被内标准易燃区域空气状态系数，为异常状态转换补正系数。
2.根据权利要求1所述的一种基于无人机数据的区域植被状态监测系统，其特征在于，对区域植被内可能出现的着火区域进行灭火的过程包括：
基于大数据获取各种植被着火时其上空烟尘的的三维图像样本；
将各种三维图像样本作为危险样本进行卷积神经网络学习，获得危险识别样本；
将可见光相机拍摄并生成的三维图像输入危险识别样本内，进行识别，获得该区域植被危险异常区域；
监测无人机飞行监测过程中，红外相机同样对区域植被拍摄生成该区域植被的温度分布图像，结合获得的该区域植被危险异常区域，分析判断危险异常区域内温度是否异常；
若判断温度异常，控制大型无人机飞行至分析获取的温度异常区域进行喷洒灭火剂。
3.根据权利要求2所述的一种基于无人机数据的区域植被状态监测系统，其特征在于，
对危险异常区域内温度是否异常的分析过程包括：
将危险异常区域内的温度最大值减去该植被区域内温度的平均值，获得该区域植被内离散温度差值；
将危险异常区域内的温度最大值减去预设温度阈值，获得该危险异常区域的温度异常差值；
通过对该区域植被内温度差值和危险异常区域的温度异常差值进行处理分析获得危险异常区域内的温度异常系数；
将温度异常系数和预设的温度异常标准系数进行比对；
若温度异常系数大于预设的温度异常标准系数，说明该危险异常区域内温度异常。
CN202311492804.3A 2023-11-10 2023-11-10 一种基于无人机数据的区域植被状态监测系统 Active CN117516627B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311492804.3A CN117516627B (zh) 2023-11-10 2023-11-10 一种基于无人机数据的区域植被状态监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311492804.3A CN117516627B (zh) 2023-11-10 2023-11-10 一种基于无人机数据的区域植被状态监测系统

Publications (2)

Publication Number Publication Date
CN117516627A CN117516627A (zh) 2024-02-06
CN117516627B true CN117516627B (zh) 2024-05-07

Family

ID=89765763

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311492804.3A Active CN117516627B (zh) 2023-11-10 2023-11-10 一种基于无人机数据的区域植被状态监测系统

Country Status (1)

Country Link
CN (1) CN117516627B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108700470A (zh) * 2015-12-09 2018-10-23 菲力尔系统公司 基于无人机系统的热成像和聚合系统和方法
CN110335434A (zh) * 2019-08-14 2019-10-15 安徽智立通科技股份有限公司 一种林业防火用监测系统
CN111711480A (zh) * 2020-07-17 2020-09-25 蒋晨璐 一种林区防火治害无人机组联动系统
CN112581710A (zh) * 2020-11-30 2021-03-30 南京林业大学 一种基于大数据的森林防火报警系统及方法
KR20210097500A (ko) * 2020-01-30 2021-08-09 주식회사 소이넷 화재감지장치 및 이를 포함하는 화재감지시스템
KR20210143627A (ko) * 2020-05-20 2021-11-29 주식회사 유에프오에스트로넛 드론을 이용한 식생 예찰 시스템, 식생 예찰 장치 및 식생 예찰 방법
CN114067545A (zh) * 2021-11-15 2022-02-18 浙江时空智子大数据有限公司 一种基于遥感大数据的森林火灾监测方法及系统
WO2022085870A1 (ko) * 2020-10-23 2022-04-28 대한민국(산림청 국립산림과학원장) 산불 위험 지수 제공 장치 및 방법
CN115424151A (zh) * 2022-09-16 2022-12-02 西京学院 一种基于图像处理的农业智能平台
CN116778406A (zh) * 2023-05-16 2023-09-19 浪潮软件集团有限公司 基于国产cpu和os的多图像融合下的火灾监测方法及系统
CN116820128A (zh) * 2023-06-27 2023-09-29 深圳市慧明捷科技有限公司 一种实现大片森林的自动巡防系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108700470A (zh) * 2015-12-09 2018-10-23 菲力尔系统公司 基于无人机系统的热成像和聚合系统和方法
CN110335434A (zh) * 2019-08-14 2019-10-15 安徽智立通科技股份有限公司 一种林业防火用监测系统
KR20210097500A (ko) * 2020-01-30 2021-08-09 주식회사 소이넷 화재감지장치 및 이를 포함하는 화재감지시스템
KR20210143627A (ko) * 2020-05-20 2021-11-29 주식회사 유에프오에스트로넛 드론을 이용한 식생 예찰 시스템, 식생 예찰 장치 및 식생 예찰 방법
CN111711480A (zh) * 2020-07-17 2020-09-25 蒋晨璐 一种林区防火治害无人机组联动系统
WO2022085870A1 (ko) * 2020-10-23 2022-04-28 대한민국(산림청 국립산림과학원장) 산불 위험 지수 제공 장치 및 방법
CN112581710A (zh) * 2020-11-30 2021-03-30 南京林业大学 一种基于大数据的森林防火报警系统及方法
CN114067545A (zh) * 2021-11-15 2022-02-18 浙江时空智子大数据有限公司 一种基于遥感大数据的森林火灾监测方法及系统
CN115424151A (zh) * 2022-09-16 2022-12-02 西京学院 一种基于图像处理的农业智能平台
CN116778406A (zh) * 2023-05-16 2023-09-19 浪潮软件集团有限公司 基于国产cpu和os的多图像融合下的火灾监测方法及系统
CN116820128A (zh) * 2023-06-27 2023-09-29 深圳市慧明捷科技有限公司 一种实现大片森林的自动巡防系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
无人机搭载普通相机林火识别技术研究;何诚;张明远;杨光;张思玉;周涧青;林业机械与木工设备;20150430;第43卷(第04期);27-30+36 *

Also Published As

Publication number Publication date
CN117516627A (zh) 2024-02-06

Similar Documents

Publication Publication Date Title
US10147177B2 (en) Object image recognition and instant active response with enhanced application and utility
US10937147B2 (en) Object image recognition and instant active response with enhanced application and utility
Reinecke et al. The influence of drone monitoring on crop health and harvest size
US9811764B2 (en) Object image recognition and instant active response with enhanced application and utility
US10026165B1 (en) Object image recognition and instant active response
CN106054928B (zh) 一种基于无人机网络的全地域火灾发生测定方法
Dutta et al. Application of drone in agriculture: A review
CN106710128A (zh) 火警预警无人机
US20210209352A1 (en) Insect and other small object image recognition and instant active response with enhanced application and utility
CN111225854A (zh) 无人机
CN113920474A (zh) 一种智能监管柑橘种植态势的物联网系统及方法
CN114898238A (zh) 一种野生动物遥感识别方法及装置
EP3455827A1 (en) Object image recognition and instant active response with enhanced application and utility
Zhang et al. Pyramid attention based early forest fire detection using UAV imagery
CN117516627B (zh) 一种基于无人机数据的区域植被状态监测系统
Taj et al. Monitoring of historical structures using drones
de Ocampo et al. Integrated Weed Estimation and Pest Damage Detection in Solanum melongena Plantation via Aerial Vision-based Proximal Sensing.
KR20230094918A (ko) 드론을 이용한 자동화 방제 관리 시스템 및 그 방법
CN113055646A (zh) 一种自动智能虫情测报装置
CN207321442U (zh) 基于无人机的图像采集系统及遥感监控系统
Ramanathan et al. Real Time Detection of Plant Disease
TWI754916B (zh) 結合人工智慧之游牧式養蜂地圖安全監控方法與系統
Naji The Drones' Impact On Precision Agriculture
Lin et al. Autonomous wildfire hotspot detection using a fixed wing UAV
Huang UAV Applications in Agriculture

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