CN110309933A - 植株种植数据测量方法、作业路线规划方法及装置、*** - Google Patents
植株种植数据测量方法、作业路线规划方法及装置、*** Download PDFInfo
- Publication number
- CN110309933A CN110309933A CN201810247447.7A CN201810247447A CN110309933A CN 110309933 A CN110309933 A CN 110309933A CN 201810247447 A CN201810247447 A CN 201810247447A CN 110309933 A CN110309933 A CN 110309933A
- Authority
- CN
- China
- Prior art keywords
- plant
- information
- history
- data
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 241000196324 Embryophyta Species 0.000 claims description 598
- 230000000694 effects Effects 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 31
- 238000003709 image segmentation Methods 0.000 claims description 27
- 238000013507 mapping Methods 0.000 claims description 22
- 230000012010 growth Effects 0.000 claims description 11
- 239000003550 marker Substances 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 230000000007 visual effect Effects 0.000 claims description 11
- BSYNRYMUTXBXSQ-UHFFFAOYSA-N Aspirin Chemical compound CC(=O)OC1=CC=CC=C1C(O)=O BSYNRYMUTXBXSQ-UHFFFAOYSA-N 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims 2
- 239000010931 gold Substances 0.000 claims 2
- 229910052737 gold Inorganic materials 0.000 claims 2
- 230000011218 segmentation Effects 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000000691 measurement method Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 13
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000001276 controlling effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012876 topography Methods 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000007921 spray Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000002917 insecticide Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008635 plant growth Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000036642 wellbeing Effects 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241001248610 Ophiocordyceps sinensis Species 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000035784 germination Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009333 weeding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01C—PLANTING; SOWING; FERTILISING
- A01C21/00—Methods of fertilising, sowing or planting
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D43/00—Arrangements or adaptations of instruments
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V20/188—Vegetation
-
- 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
- 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
- B64U2101/32—UAVs specially adapted for particular uses or applications for imaging, photography or videography for cartography or topography
-
- 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
-
- 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
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
Abstract
本发明公开一种植株种植数据测量方法、作业路线规划方法及装置、***,涉及植保技术领域,简化植株种植数据的统计过程,从而提高植株种植数据的统计效率,使得路线规划更为准确。所述测量方法包括接收种植区域的图像信息;利用预设识别模型对种植区域的图像信息进行处理,获得植株种植数据。所述作业路线规划方法利用上述测量方法获得的植株种植数据规划作业路线。本发明提供的植株种植数据测量方法、作业路线规划方法及装置、***用于植株种植数据测量中。
Description
技术领域
本发明涉及植保技术领域,尤其涉及一种植株种植数据测量方法、作业路线规划方法及装置、***。
背景技术
在农业生产过程中,农产品产量长期受到人们的关注,其直接决定了农业管理人员的收入,因此,农业管理人员往往通过计算农产品产量,估算农产品的经济收益。
目前,影响农产品产量的因素主要包括种植数量、植株大小等植株种植数据,这些植株种植数据对于农业管理人员预测农产品的经济收益非常重要,经常采用人工统计的方式获得,这使得植株种植数据的统计效率比较低,尤其是对于一些种植面积较大的农作物,植株种植数据的统计将会变得十分繁杂。
发明内容
本发明的目的在于提供一种植株种植数据测量方法、作业路线规划方法及装置、***,以简化植株种植数据的统计过程,从而提高植株种植数据的统计效率,使得路线规划更为准确。
为了实现上述目的,本发明提供如下技术方案:
第一方面,本发明提供了一种植株种植数据测量方法,该植株种植数据测量方法包括:
接收种植区域的图像信息;
利用预设识别模型对所述种植区域的图像信息进行处理,获得植株种植数据。
与现有技术相比,本发明提供的植株种植数据测量方法中,利用预设识别模型对测绘设备传送的种植区域的图像信息进行处理,获得植株种植数据,以简化了植株种植数据的统计过程,从而提高植株种植数据的统计效率,使得路线规划更为准确,避免了人工统计种植区域的植株种植数据所导致的统计效率低下,以及统计过程繁复的问题。
第二方面,本发明还提供了一种植株种植数据测量装置,该植株种植数据测量装置包括:
接收模块,用于接收种植区域的图像信息;
处理模块,用于利用预设识别模型对所述种植区域的图像信息进行处理,获得植株种植数据。
与现有技术相比,本发明提供的植株种植数据测量装置的有益效果与上述技术方案提供的植株种植数据测量装置的有益效果相同,在此不做赘述。
第三方面,本发明还提供了一种植株种植数据测量***,该植株种植数据测量***包括测绘设备以及上述技术方案所述的植株种植数据测量装置;所述测绘装置的输出端与所述植株种植数据测量装置所包括的接收模块连接。
与现有技术相比,本发明提供的植株种植数据测量***的有益效果与上述技术方案提供的植株种植数据测量方法的有益效果相同,在此不做赘述。
第四方面,本发明还提供了一种作业路线规划方法,该作业路线规划方法包括:
根据上述技术方案所述的植株种植数据测量方法,从用于作业路线规划的作业区域图像中获取作业区域的植株种植数据;
根据所述作业区域的植株种植数据,规划可移动设备在作业区域的作业路线。
与现有技术相比,本发明提供的作业路线规划方法的有益效果与上述技术方案提供的植株种植数据测量方法的方案相同,在此不做赘述。同时,利用所测量的植株种植数据规划作业路线,能够使得作业路线更加准确,提高工作效率和作业执行准确度。
第五方面,本发明还提供了一种作业路线规划***,该作业路线规划***包括:
上述技术方案所述的植株种植数据测量装置,用于根据上述技术方案提供的所述的植株种植数据测量方法,从所述作业路线规划的作业区域图像获取作业区域的植株种植数据;
规划模块,用于根据所述作业区域的植株种植数据,规划可移动设备在作业区域的作业路线。
与现有技术相比,本发明提供的作业路线规划装置的有益效果与上述技术方案提供的作业路线规划方法的有益效果相同,在此不做赘述。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例提供的作业路线规划方法的流程框图;
图2为本发明实施例中对植株种植数据进行选取操作的流程图;
图3为本发明实施例中规划可移动设备在作业区域的作业路线流程图一;
图4为本发明实施例中规划可移动设备在作业区域的作业路线流程图二;
图5为本发明实施例提供的作业路线规划***结构示意图;
图6为本发明实施例提供的植株种植数据测量方法流程图;
图7为本发明实施例中利用种植区域历史信息对深度网络模型进行训练学习的流程图;
图8为本发明实施例中深度网络模型的结构原理图;
图9为本发明实施例中利用深度网络模型对种植区域的图像信息进行处理的流程图;
图10为本发明实施例提供的植株种植数据测量装置结构框图;
图11为本发明实施例中处理模块的结构框图;
图12为本发明实施例提供的植株种植数据测量***的信息交互示意图。
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他实施例,都属于本发明保护的范围。
针对人工统计植株种植数据,导致的植株种植数据统计效率低,尤其是对于一些种植面积较大的农作物,植株种植数据的统计将会变得十分繁杂的问题,本发明实施例提供了一种植株种植数据测量方法、作业路线规划方法及装置、***,以解决问题,其可用于图像可识别的作物种植数据的测量,且不受种植面积影响,方便快捷的获得植株种植数据,而且,本发明实施例所测量的植株种植数据不仅可以用于预测植株产量,而且还可以对植株的成长状况进行观察,并在需要对植株进行作业时,利用植株种植数据规划作业路线。
实施例一
本发明实施例提供了一种作业路线规划方法,如图1所示,该作业路线规划方法包括:
步骤S110:采用植株种植数据测量方法从用于作业路线规划的作业区域图像中获取作业区域的植株种植数据;
步骤S130:根据作业区域的植株种植数据,规划可移动设备在作业区域的作业路线。
其中,植株种植数据测量方法是基于训练学习等图像识别技术测量植株种植数据;图像识别技术可以是深度网络学习技术或其他图像识别技术;例如:可利用简单的颜色识别,形状识别,图像分割,边缘识别算方法等从作业区域图像中分离出所需的植株种植数据。通过这些图像识别技术可以快速从作业区域图像中分离出所需的作业区域的植株种植数据,并按照作业区域的植株种植数据规划可移动设备在作业区域的作业路线,从而提高作业执行准确性,避免盲目作业的现象出现,提高测绘效率。
本发明实施例中可移动设备包括无人机、飞行器、拖拉机、耕种机、收割机和智能机器人等,所述的无人机可以用于在待作业区域喷洒农药、化肥、种子等,所述拖拉机、耕种机、收割机可以用于对农田进行耕种、收割等,所述智能机器人可以对待作业区域进行自动采摘、棉花打尖、激光除草除虫等。
需要说明的是,本发明实施例所规划的作业路线可以包括弓形路线、螺旋路线、同心圆路线、折线形路线、原地旋转路线的一种或多种。在本发明的其中一个实施例中,所述弓形路线是首先确定在待作业区域作业的若干条平行作业路线,并将这些作业路线首尾连接成连贯的作业路线;螺旋航线是从作业中心点逐渐向外旋转,类似于海螺一样向外螺旋的作业路线;所述同心圆路线包括若干个以作业中心为中心的同心圆路线;所述折线形路线用于将必要的作业点依次相连,而形成的折线形路线,在本发明一个实施例中,折线形路线可灵活设置成自由路线;在本发明一个实施例中,原地旋转路线用于表征作业机器原地旋转,例如无人机对果树喷洒药液时,可通过原地旋转的方式进行均匀喷洒。
为了使得本发明实施例提供的作业规划方法人性化,获取作业区域的植株种植数据后,规划可移动设备在作业区域的作业路线前,本发明实施例提供的作业路线规划方法还包括:如图2所示的步骤S120:对植株种植数据进行选取操作,具体包括如下步骤:
步骤S121:将作业区域的植株种植数据进行可视化标记,以使得用户能够方便和快速的法线植株种植数据;
步骤S122:根据用户的选择指令,从可视化标记的作业区域的植株种植数据中获取待作业植株区域的植株种植数据;
应用时,可以将可视化标记的作业区域的植株种植数据显示在手机、平板电脑等终端设备上,用户在终端设备上看到可视化标记的作业区域的植株种植数据,根据实际需要输出选择指令,终端设备根据用户的选择指令,从可视化标记的作业区域的植株种植数据中获取待作业植株区域的植株种植数据;也就是说,本发明实施例中选取操作的功能,可以集成在终端设备上,当然也可以与规划线路的方法所具有的功能集成在处理器上。
其中,根据作业区域的植株种植数据,规划可移动设备在作业区域的作业路线包括:
根据待作业植株区域的植株种植数据,规划可移动设备在作业植株区域的作业路线。
示例性的,如果作业区域的地形地貌比较平坦,且植株半径较大的区域,可对单个植株的作业路径进行规划。例如:当植株种植数据包括植株边缘信息和植株位置信息,如图3所示,上述根据作业区域的植株种植数据,规划可移动设备在作业区域的作业路线包括:
步骤S131a:根据作业区域的植株位置信息,确定各个植株的作业中心点;根据作业区域的植株边缘信息,确定各个植株的作业半径;每个植株的作业中心点实质上为该植株的几何中心位置;
步骤S132a:根据各个植株的作业中心点、各个植株的作业半径,以及所述可移动设备的作业宽度生成植株作业路线,植株作业路线用于控制可移动设备在作业区域内的作业路线。
具体的,根据每个植株的作业半径和作业中心点,以及可移动设备的作业宽度,生成每个植株的作业路径,换句话说,所生成的植株作业路线实质上是由每棵植株的作业路径组合而成的。
而如果作业区域的地形地貌呈现阶梯状,尤其是作业区域内的单个植株尺寸较小,对于单个植株的作业方式进行限定就不切实际,可考虑逐级对阶梯状区域进行作业路线规划;基于此,当植株种植数据包括植株边缘信息和植株位置信息,如图4所示,上述根据作业区域的植株种植数据,规划可移动设备在作业区域的作业路线包括:
步骤S131b:根据植株位置信息确定至少一条作业中心线;根据植株边缘信息确定至少一条作业中心线对应的植株宽度;具体地,每个植株的宽度方向所在直线垂直于对应作业中心线;
具体的,此处的作业中心线是指每一级阶梯区域的所有植株的作业中心点所形成的连线,可以为曲线、直线或波浪线;每条作业中心线都对应有植株宽度,植株宽度可以为该作业中心线对应的所有植株的平均宽度,也可以是该作业中心线对应的所有植株中宽度最大的一个植株的宽度。
步骤S132b:根据可移动设备的作业宽度、每条作业中心线以及对应植株宽度,生成植株作业路线,植株作业路线用于控制所述可移动设备在所述作业区域内的作业路线。具体的,在本发明一个实施例中,植株作业路线实质上是各级阶梯区域上植株作业路径的总和。
需要说明的是,本发明实施例中的“作业”可以是对作业区域的植株喷洒杀虫药剂、营养药剂或执行监测任务等操作,在此不一一列举。而对于“作业”的最终目的,则应当以对每个植株的各个部分完成作业为最佳目标,至于如何达到最佳目标,可通过可移动设备按照所生成的植株作业路线进行反复作业进行检测,当然也不排除其他可实现的检测方式。
实施例二
本发明实施例还提供了一种植株种植数据测量方法,其可以用于上述作业路线规划获取作业区域的植株种植数据,当然也可以用于分析植株生长状况,如图5和图6所示,该植株种植数据测量方法包括以下步骤:
步骤S220:接收种植区域的图像信息;种植区域的图像信息可以由测绘设备、照相机等图像采集设备提供,图像信息包括测绘图像信息、地图信息、图片信息中的一种或多种,不仅限于此。
步骤S230:利用预设识别模型对种植区域的图像信息进行处理,获得植株种植数据。
可以理解的是,本发明实施例提供的植株种植数据测量方法还可以根据实际需要输出,若需要输出时,还包括步骤S240:根据实际需要将植株种植数据输出,以供进行进一步的应用。
由上可见,本发明实施例提供的植株种植数据测量方法中,利用预设识别模型对种植区域的图像信息进行处理,获得植株种植数据,以简化了植株种植数据的统计过程,从而提高植株种植数据的统计效率,使得路线规划更为准确,避免了人工统计种植区域的植株种植数据所导致的统计效率低下,以及统计过程繁复的问题。
可以理解的是,本发明实施例中利用预设识别模型对种植区域的图像信息进行处理时,预设识别模型是具有图像识别功能的模型,也可以是具有色彩识别的一些算法,只要能够从图像中识别出植株数据即可。
而为了使得所识别出的结果比较准确,本发明实施例中预设识别模型为深度网络模型,但是深度网络模型需要进行训练学习,才能对种植区域的图像信息进行高效识别。也就是说,如图5~图7所示,接收种植区域的图像信息前,本发明实施例提供的植株种植数据测量方法包括:
步骤S210:利用种植区域历史信息对深度网络模型进行训练学习,其具体包括以下步骤;
步骤S211:接收种植区域历史信息;种类区域历史信息包括历史图像信息以及历史图像信息对应的历史植株标定信息;
步骤S212:从历史图像信息提取历史植株图形特征,具体可以通过如图3所示的卷积神经网络模型CNN实现,当然也可以通过其他图像识别模型识别。
步骤S213:采用深度学习方式对历史植株图形特征和历史植株标定信息进行处理,获得深度网络模型损失值;
步骤S214:利用历史植株标定信息对深度网络模型损失值进行优化,获得深度网络模型,使得利用深度网络模型对种植区域的图像信息进行处理的结果比较准确,深度网络模型包括优化后的植株种植数据的识别策略;
具体的,优化方法可采用反向传递优化方法实现,当然也可以选择其他优化方法。
为了方便后续应用深度网络模型进行图像识别,如图6所示,本发明实施例提供的植株种植数据测量方法还包括步骤S250:保存深度网络模型,深度网络模型可保存在具有存储功能的存储模块130或存储器内。
示例性的,本发明实施例提供的历史植株标定信息包括历史植株边缘标定信息和/或历史植株种类标定信息。如图8所示,此时采用深度学习方式对历史植株图形特征和历史植株标定信息进行处理,获得深度网络模型损失值包括:
采用特征金字塔模型FPN对历史植株图形特征进行图像分割,获得植株历史图像分割结果;植株历史图像分割结果实质是一系列植株边缘轨迹点预测信息,这些植株边缘轨迹点预测信息所形成的植株边缘为不规则的边缘。
为了验证植株历史图像分割结果与实际的植株边缘标定信息之间的误差,还包括:根据植株历史图像分割结果和历史植株边缘标定信息,获得历史植株图像分割损失值Lmask;
和/或,
采用区域推荐网络模型RPN对历史植株图形特征进行处理,获得目标植株区域结果;目标植株区域结果实质是一些列植株边缘轨迹点预测信息,但与植株历史图像分割结果不同之处在于:这些植株边缘轨迹点预测信息所形成的植株边缘为规则的圆形,以进一步利用这些植株边缘轨迹点预测信息获得植株位置预测信息;
为了根据验证目标植株区域结果所获得的植株位置预测信息与实际的植株边缘标定信息之间的误差,还包括:根据目标植株区域结果和历史植株边缘标定信息,获得目标植株区域回归损失值Lbox;
和/或,
采用区域推荐网络模型RPN对历史植株图形特征进行处理,获得目标植株种类信息;根据目标植株种类信息和历史植株种类标定信息,获得目标植株种类回归损失值Lcls;
根据历史植株图像分割损失值Lmask、目标植株区域回归损失值Lbox、目标植株种类回归损失值Lcls中的一种或多种,获得深度网络模型损失值。
其中,历史植株图像分割损失值Lmask、目标植株区域回归损失值Lbox、目标植株种类回归损失值Lcls实质是一标量,根据历史植株图像分割损失值Lmask、目标植株区域回归损失值Lbox、目标植株种类回归损失值Lcls中的一种或多种,获得深度网络模型损失值的过程相当于将历史植株图像分割损失值Lmask、目标植株区域回归损失值Lbox、目标植株种类回归损失值Lcls中的一种或多种进行加和获得的,此时利用所述历史植株标定信息对对深度网络模型损失值进行优化,能够使得植株种植数据的识别策略更加准确。
进一步,如图8和图9所示,利用深度网络模型对种植区域的图像信息进行处理,获得植株种植数据包括:
步骤S231:根据深度网络模型控制从种植区域的图像信息提取待测植株图形特征;
步骤S232:根据深度网络模型控制对待测植株图形特征进行处理,获得植株种植数据;
其中,根据深度网络模型控制对待测植株图形特征进行处理,获得植株种植数据包括:
根据深度网络模型,控制特征金字塔模型FPN对待测植株图形特征进行图像分割,获得植株边缘信息;植株边缘信息包括植株树冠形状,植株大小等。
和/或,
根据深度网络模型,控制特征金字塔模型对待测植株图形特征进行处理,获得植株生长信息;也可以是根据植株边缘信息确定植株生长状况。植株生长信息用于表征植株的生长状况,包括植株是否发芽、植株发芽率、植株开花情况、植株授粉情况、植株遭受虫草害情况以及植株成熟情况等,在一个实施例中,通过深度识别模型自动识别植株病虫害,通过标定所述的种植区域的历史图像信息中的虫害、草害等受害图片,通过深度识别模型可以自动将植株病虫害识别出来,从而用于监测植株健康情况,生成植株生长信息。
和/或,
根据深度网络模型,控制区域推荐网络模型RPN对待测植株图形特征进行处理,获得植株位置信息;
根据深度网络模型,结合种植区域的图像信息即可以获得植株的稀疏程度,植株的位置,植株的分布等信息。例如种植区域的图像信息来自于地理坐标北纬23度06分32秒,东经113度15分53秒,则根据图像采样地理位置,及图像中植株的相对位置确定植株的地理位置。
和/或,
根据深度网络模型,控制区域推荐网络模型对所述待测植株图形特征进行处理,获得植株数量信息;当然植株数量信息也可以通过植株位置信息获得。
和/或,
根据深度网络模型,控制区域推荐网络模型RPN对历史植株图形特征进行处理,获得植株种类信息。
如果需要输出植株种植数据,则利用深度网络模型对种植区域的图像信息进行处理,获得植株种植数据后,本发明实施例提供的植株种植数据测量方法还包括:
将植株边缘信息、植株位置信息、植株生长信息、植株数量信息、植株种类信息中的一个或多个作为植株种植数据输出。示例性的,表1列出了所输出的植株边缘信息和植株位置信息。
表1本发明实施例提供的植株种植数据测量方法所测量的植株种植数据
从表1所列出的植株种植数据可以发现,本发明实施例提供的植株种植数据测量方法所列出的植株种植数据包括植株中心点位置和植株半径,植株半径是植株边缘信息和植株生长信息的一种表现形式,植株中心点位置是植株数量信息和植株位置信息的一种表现形式。
实施例三
本发明实施例还提供了一种作业路线规划***,如图1和图5所示,该作业路线规划***包括:
植株种植数据测量装置100,用于根据上述实施例二提供的植株种植数据测量方法,从所述作业路线规划的作业区域图像获取作业区域的植株种植数据;
规划模块400,用于根据作业区域的植株种植数据,规划可移动设备在作业区域的作业路线。
与现有技术相比,本发明实施例提供的作业路线规划***的有益效果与上述实施例一提供的作业路线规划方法的有益效果相同,在此不做赘述。
其中,作业路线包括弓形路线、螺旋路线、同心圆路线、折线形路线、原地旋转路线的一种或多种,但不仅限于此。
可选的,如图2和图5所示,本发明实施例提供的作业路线规划***还包括:
数据标记模块200,用于获取作业区域的植株种植数据后,规划可移动设备在作业区域的作业路线前,将所述作业区域的植株种植数据进行可视化标记;
选取控制模块300,用于根据用户发送的选取指令,从可视化标记的作业区域的植株种植数据中获取待作业植株区域的植株种植数据;
规划模块400具体用于根据所述待作业植株区域的植株种植数据,规划可移动设备在带作业植株区域的作业路线。
作为一种可实现的方式,在地势较为平坦的区域,且植株较大时,若植株种植数据包括植株边缘信息和植株位置信息,本发明实施例中规划模块400具体用于:根据作业区域的植株位置信息,确定各个植株的作业中心点;根据作业区域的植株边缘信息,确定各个植株的作业半径;
根据各个植株的作业中心点、各个植株的作业半径,以及可移动设备的作业宽度生成植株作业路线,植株作业路线用于控制可移动设备在所述作业区域内的作业路线。
作为另一种可实现的方式,在地势为较为陡峭的阶梯状,且植株较小,若植株种植数据包括植株边缘信息和植株位置信息,本发明实施例中规划模块400具体用于:根据所述植株位置信息确定至少一条作业中心线;根据植株边缘信息确定至少一条作业中心线对应的植株宽度;每个植株的宽度方向所在直线垂直于对应作业中心线;根据所述可移动设备的作业宽度、每条所述作业中心线以及对应植株宽度,生成植株作业路线,所述植株作业路线用于控制所述可移动设备在所述作业区域内的作业路线。
实施例四
本发明实施例提供了一种植株种植数据测量装置100,可作为上述实施例三提供的作业路线规划***所包括的植株种植数据测量装置100;如图6和图10所示,该植株种植数据测量装置100包括:
接收模块110,用于接收种植区域的图像信息;
处理模块120,用于利用预设识别模型对种植区域的图像信息进行处理,获得植株种植数据;
与现有技术相比,本发明实施例提供的植株种植数据测量装置的有益效果与上述实施例二提供的植株种植数据测量方法的有益效果相同,在此不做赘述。
其中,上述图像信息包括测绘图像信息、地图信息、图片信息中的一种或多种,当然还可以是其他形式的图像信息,如红外图等,在此不一一列举。
具体的,如图7和图10所示,当预设识别模型为深度网络模型,本发明实施例提供的植株种植数据测量装置100还包括存储模块130,用于存储深度网络模型;
上述接收模块110还用于接收种植区域的图像信息前,接收种植区域历史信息;种类区域历史信息包括历史图像信息以及历史图像信息对应的历史植株标定信息;
如图7~图11所示,处理模块120包括特征提取单元121,用于接收种植区域的图像信息前,从历史图像信息提取历史植株图形特征;以及接收种植区域的图像信息后,根据深度网络模型,控制从种植区域的图像信息提取待测植株图形特征;具体而言,对于信息识别单元122来说,其作用实质是用于从历史图像信息提取历史植株图形特征,具体可以采用卷积神经网络模型CNN等具有图像识别功能的模型提取历史植株图形特征。
信息识别单元122,用于接收种植区域的图像信息前,采用深度学习方式对历史植株图形特征和历史植株标定信息进行处理,获得深度网络模型损失值;以及接收种植区域的图像信息后,根据深度网络模型,控制对待测植株图形特征进行处理,获得植株种植数据。
模型优化单元123,用于接收种植区域的图像信息前,接收种植区域的图像信息前,利用历史植株标定信息对深度网络模型损失值进行优化(优化方法可以为反向传递优化方法),获得深度网络模型,深度网络模型包括优化后的植株种植数据的识别策略。
进一步,本发明实施例中历史植株标定信息包括历史植株边缘标定信息和/或历史植株种类标定信息。
如图7和图11所示,信息识别单元122包括第一识别单元122a,用于接收种植区域的图像信息前,采用特征金字塔模型FPN对历史植株图形特征进行图像分割,获得植株历史图像分割结果;根据植株历史图像分割结果和所述历史植株边缘标定信息,获得历史植株图像分割损失值Lmask;以及,
接收种植区域的图像信息后,根据深度网络模型,采用特征金字塔模型FPN对所述待测植株图形特征进行图像分割,获得植株边缘信息;和/或,根据深度网络模型,控制特征金字塔模型对所述待测植株图形特征进行处理,获得植株生长信息;
第二识别单元122b用于接收种植区域的图像信息前,采用区域推荐网络模型RPN对历史植株图形特征进行处理,获得目标植株区域结果;根据所述目标植株区域结果和所述历史植株边缘标定信息,获得目标植株区域回归损失值Lbox;以及,
根据所述深度网络模型,以及接收种植区域的图像信息后,根据深度网络模型,采用区域推荐网络模型RPN对所述待测植株图形特征进行处理,获得植株位置信息;和/或,根据深度网络模型,控制区域推荐网络模型对所述待测植株图形特征进行处理,获得植株数量信息;
和/或,
接收种植区域的图像信息前,采用区域推荐网络模型RPN对所述历史植株图形特征进行处理,获得目标植株种类信息;根据所述目标植株种类信息和所述历史植株种类标定信息,获得目标植株种类回归损失值Lcls;以及接收测种植区域的图像信息后,根据深度网络模型,采用区域推荐网络模型RPN对所述历史植株图形特征进行处理,获得植株种类信息;
信息计算单元,用于接收种植区域的图像信息前,根据历史植株图像分割损失值Lmask、目标植株区域回归损失值Lbox、目标植株种类回归损失值Lcls中的一种或多种,获得深度网络模型损失值;
如果需要输出植株种植数据,如图10所示,本发明实施例还包括植株种植数据测量装置100还包括发送模块140,用于将植株边缘信息、植株位置信息、植株数量信息、植株生长信息、植株种类信息中的一个或多个作为植株种植数据输出。
实施例五
本发明实施例还提供了一种植株种植数据测量***,如图10和图12所示,该植株种植数据测量***包括图像采集设备001以及上述实施例提供的存储器302;图像采集设备001的输出端与植株种植数据测量装置100所包括的接收模块110连接。
图像采集设备001可以采集种植区域历史信息所包括的历史图像信息或当前种植区域的图像信息,并传递给植株种植数据测量装置100,使得植株种植数据测量装置100能够根据测绘种植区域历史信息所包括的历史图像信息,结合测绘种类区域历史信息所包括的历史植株标定信息,实现深度网络模型的优化;以便在接收当前种植区域的图像信息,能够快速调用深度网络模型完成植株种植数据的测量。
与现有技术相比,本发明实施例提供的植株种植数据测量装置100的有益效果与上述技术方案提供的植株种植数据测量方法的有益效果相同,在此不做赘述。
具体的,如图12所示,本发明实施例提供的植株种植数据测量***中,图像采集设备001一般为测绘飞行器,当然也可以是其他摄像机等拍摄设备。
如图6和图9所示,在高空对种植区域进行摄影,而植株种植数据测量装置100可以以服务器的形式设在地面,测绘飞行器所采集的种植区域的图像信息通过无线传输的方式传送给服务器。
当然,也可以将植株种植数据测量装置100设在测绘飞行器中,使得植株种植数据测量装置100能够实时处理测绘飞行器所采集的种植区域的图像信息。当植株种植数据测量装置100设在测绘飞行器时,测绘飞行器包括测绘模块和飞行控制模块,本发明实施例提供的植株种植数据测量装置100设在飞行控制模块中,且测绘模块与接收模块110连接。
进一步的,本发明实施例中图像采集设备至少包括定位单元和图像采集单元;定位单元可用于定位植株位置信息;图像采集单元用于采集图像信息;定位单元与图像采集单元分别与接收模块连接,接收模块与发送模块连接。这样当图像采集设备采集种植区域的图像信息时,每采集一个植株的图像信息,就可以对该植株进行定位,使得该植株的位置在图像采集阶段即可获得,后期只要对所采集的图像信息进行边缘轮廓的分析即可,在其他实施例中,所述测绘飞行器的位置可以用于对植株位置确定的参考,从而通过测绘飞行器的位置信息间接确定出植株的位置。当然为了更为精确的定位植株的中心位置,有必要对植株的中心点位置进行分析。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (23)
1.一种植株种植数据测量方法,其特征在于,包括:
接收种植区域的图像信息;
利用预设识别模型对所述种植区域的图像信息进行处理,获得植株种植数据。
2.根据权利要求1所述的植株种植数据测量方法,其特征在于,所述图像信息包括测绘图像信息、地图信息、图片信息中的一种或多种。
3.根据权利要求1所述的植株种植数据测量方法,其特征在于,所述预设识别模型为深度网络模型,所述接收种植区域的图像信息前,所述植株种植数据测量方法包括:
接收种植区域历史信息;所述种植区域历史信息包括历史图像信息以及历史图像信息对应的历史植株标定信息;
从所述历史图像信息提取历史植株图形特征;
采用深度学习方式对所述历史植株图形特征和所述历史植株标定信息进行处理,获得深度网络模型损失值;
利用所述历史植株标定信息对所述深度网络模型损失值进行优化,获得深度网络模型,所述深度网络模型包括优化后的植株种植数据的识别策略;
保存所述深度网络模型。
4.根据权利要求3所述的植株种植数据测量方法,其特征在于,所述历史植株标定信息包括历史植株边缘标定信息和/或历史植株种类标定信息;
所述采用深度学习方式对历史植株图形特征和历史植株标定信息进行处理,获得深度网络模型损失值包括:
采用特征金字塔模型对所述历史植株图形特征进行图像分割,获得植株历史图像分割结果;根据所述植株历史图像分割结果和所述历史植株边缘标定信息,获得历史植株图像分割损失值;
和/或,
采用区域推荐网络模型对所述历史植株图形特征进行处理,获得目标植株区域结果;根据所述目标植株区域结果和所述历史植株边缘标定信息,获得目标植株区域回归损失值;
和/或,
采用区域推荐网络模型对所述历史植株图形特征进行处理,获得目标植株种类信息;根据所述目标植株种类信息和所述历史植株种类标定信息,获得目标植株种类回归损失值;
根据所述历史植株图像分割损失值、所述目标植株区域回归损失值、所述目标植株种类回归损失值中的一种或多种,获得深度网络模型损失值。
5.根据权利要求1~4任一项所述的植株种植数据测量方法,其特征在于,所述利用预设识别模型对所述种植区域的图像信息进行处理,获得植株种植数据包括:
根据所述预设识别模型控制从所述种植区域的图像信息提取待测植株图形特征;
根据所述预设识别模型控制对所述待测植株图形特征进行处理,获得植株种植数据。
6.根据权利要求1~4任一项所述的植株种植数据测量方法,其特征在于,所述根据所述预设识别模型控制对所述待测植株图形特征进行处理,获得植株种植数据包括:
根据所述深度网络模型,控制特征金字塔模型对所述待测植株图形特征进行图像分割,获得植株边缘信息;
和/或,
根据所述深度网络模型,控制区域推荐网络模型对所述待测植株图形特征进行处理,获得植株位置信息;
和/或,
根据所述深度网络模型,控制区域推荐网络模型对所述待测植株图形特征进行处理,获得植株数量信息;
和/或,
根据所述深度网络模型,控制特征金字塔模型对所述待测植株图形特征进行处理,获得植株生长信息;
和/或,
根据所述深度网络模型,控制区域推荐网络模型对所述历史植株图形特征进行处理,获得植株种类信息。
7.一种植株种植数据测量装置,其特征在于,包括:
接收模块,用于接收种植区域的图像信息;
处理模块,用于利用预设识别模型对所述种植区域的图像信息进行处理,获得植株种植数据。
8.根据权利要求7所述的植株种植数据测量装置,其特征在于,所述图像信息包括测绘图像信息、地图信息、图片信息中的一种或多种。
9.根据权利要求7所述的植株种植数据测量装置,其特征在于,所述预设识别模型为深度网络模型,所述植株种植数据测量装置还包括存储模块,用于存储深度网络模型;
所述接收模块还用于接收种植区域的图像信息前,接收种植区域历史信息;所述植株种类区域历史信息包括历史图像信息以及历史图像信息对应的历史植株标定信息;
所述处理模块包括特征提取单元,用于接收种植区域的图像信息前,从所述历史图像信息提取历史植株图形特征;以及接收种植区域的图像信息后,根据所述深度网络模型,控制从所述种植区域的图像信息提取待测植株图形特征;
信息识别单元,用于接收种植区域的图像信息前,采用深度学习方式对历史植株图形特征和历史植株标定信息进行处理,获得深度网络模型损失值;以及接收种植区域的图像信息后,根据所述深度网络模型,控制对所述待测植株图形特征进行处理,获得植株种植数据;
模型优化单元,用于接收种植区域的图像信息前,利用所述历史植株标定信息对所述深度网络模型损失值进行优化,获得深度网络模型,所述深度网络模型包括优化后的植株种植数据的识别策略。
10.根据权利要求9所述的植株种植数据测量装置,其特征在于,所述历史植株标定信息包括历史植株边缘标定信息和/或历史植株种类标定信息;
所述信息识别单元包括第一识别单元,用于接收种植区域的图像信息前,采用特征金字塔模型对所述历史植株图形特征进行图像分割,获得植株历史图像分割结果;根据所述植株历史图像分割结果和所述历史植株边缘标定信息,获得历史植株图像分割损失值;以及,
接收种植区域的图像信息后,根据深度网络模型,采用特征金字塔模型对所述待测植株图形特征进行图像分割,获得植株边缘信息;和/或,根据所述深度网络模型,控制特征金字塔模型对所述待测植株图形特征进行处理,获得植株生长信息;
第二识别单元用于接收种植区域的图像信息前,采用区域推荐网络模型对所述历史植株图形特征进行处理,获得目标植株区域结果;根据所述目标植株区域结果和所述历史植株边缘标定信息,获得目标植株区域回归损失值;以及,
接收种植区域的图像信息后,根据所述深度网络模型,采用区域推荐网络模型对所述待测植株图形特征进行处理,获得植株位置信息;和/或,根据所述深度网络模型,控制区域推荐网络模型对所述待测植株图形特征进行处理,获得植株数量信息;
和/或,
接收种植区域的图像信息前,采用区域推荐网络模型对所述历史植株图形特征进行处理,获得目标植株种类信息;根据所述目标植株种类信息和所述历史植株种类标定信息,获得目标植株种类回归损失值;以及接收测绘设备传送的种植区域的图像信息后,根据深度网络模型,采用区域推荐网络模型对所述历史植株图形特征进行处理,获得植株种类信息;
信息计算单元,用于接收种植区域的图像信息前,根据所述历史植株图像分割损失值、所述目标植株区域回归损失值、所述目标植株种类回归损失值中的一种或多种,获得深度网络模型损失值;
所述植株种植数据测量装置还包括发送模块,用于将所述植株边缘信息、所述植株位置信息、所述植株种类信息、植株数量信息、植株生长信息中的一个或多个作为植株种植数据输出。
11.一种植株种植数据测量***,其特征在于,包括图像采集设备以及权利要求7~10任一项所述的植株种植数据测量装置;所述图像采集设备的输出端与所述植株种植数据测量装置所包括的接收模块连接。
12.根据权利要求11所述的植株种植数据测量***,其特征在于,若所述图像采集设备为测绘飞行器,所述测绘飞行器包括测绘模块和飞行控制模块,所述植株种植数据测量装置设在所述飞行控制模块中,所述测绘模块与所述接收模块连接。
13.根据权利要求11所述的植株种植数据测量***,其特征在于,所述图像采集设备至少包括定位单元和图像采集单元;所述定位单元用于定位植株位置信息;所述图像采集单元用于采集图像信息;所述定位单元与所述图像采集单元分别与所述接收模块连接。
14.一种作业路线规划方法,其特征在于,包括:
根据权利要求1~6任一项所述的植株种植数据测量方法,从用于作业路线规划的作业区域图像中获取作业区域的植株种植数据;
根据所述作业区域的植株种植数据,规划可移动设备在作业区域的作业路线。
15.根据权利要求14所述的作业路线规划方法,其特征在于,当所述植株种植数据包括植株边缘信息和植株位置信息,所述根据所述作业区域的植株种植数据,规划可移动设备在作业区域的作业路线包括:
根据所述作业区域的植株位置信息,确定各个植株的作业中心点;
根据所述作业区域的植株边缘信息,确定各个植株的作业半径;
根据各个植株的作业中心点、各个植株的作业半径,以及所述可移动设备的作业宽度生成植株作业路线,所述植株作业路线用于控制所述可移动设备在所述作业区域内的作业路线。
16.根据权利要求14所述的作业路线规划方法,其特征在于,当所述植株种植数据包括植株边缘信息和植株位置信息,所述根据所述作业区域的植株种植数据,规划可移动设备在作业区域的作业路线包括:
根据所述植株位置信息确定至少一条作业中心线;
根据植株边缘信息确定至少一条作业中心线对应的植株宽度;
根据所述可移动设备的作业宽度、每条所述作业中心线以及对应植株宽度,生成植株作业路线,所述植株作业路线用于控制所述可移动设备在所述作业区域内的作业路线。
17.根据权利要求14所述的作业路线规划方法,其特征在于,所述作业路线包括弓形路线、螺旋路线、同心圆路线、折线形路线、原地旋转路线的一种或多种。
18.根据权利要求14所述的作业路线规划方法,其特征在于,所述获取作业区域的植株种植数据后,规划可移动设备在作业区域的作业路线前,所述作业路线规划方法还包括:
将所述作业区域的植株种植数据进行可视化标记;
根据所述用户的选择指令,从可视化标记的所述作业区域的植株种植数据中获取待作业植株区域的植株种植数据;
所述根据所述作业区域的植株种植数据,规划可移动设备在作业区域的作业路线包括:
根据所述待作业植株区域的植株种植数据,规划可移动设备在带作业植株区域的作业路线。
19.一种作业路线规划***,其特征在于,包括:
权利要求7~10任一项所述的植株种植数据测量装置,用于根据权利要求1~6任一项所述的植株种植数据测量方法,从所述作业路线规划的作业区域图像获取作业区域的植株种植数据;
规划模块,用于根据所述作业区域的植株种植数据,规划可移动设备在作业区域的作业路线。
20.根据权利要求19所述的作业路线规划***,其特征在于,当所述植株种植数据包括植株边缘信息和植株位置信息,所述规划模块具体用于:根据所述作业区域的植株位置信息,确定各个植株的作业中心点;根据所述作业区域的植株边缘信息,确定各个植株的作业半径;根据各个植株的作业中心点、各个植株的作业半径,以及所述可移动设备的作业宽度生成植株作业路线,所述植株作业路线用于控制所述可移动设备在所述作业区域内的作业路线。
21.根据权利要求19所述的作业路线规划***,其特征在于,当所述植株种植数据包括植株边缘信息和植株位置信息,所述规划模块具体用于:根据所述植株位置信息确定至少一条作业中心线;
根据植株边缘信息确定至少一条作业中心线对应的植株宽度;
根据所述可移动设备的作业宽度、每条所述作业中心线以及对应植株宽度,生成植株作业路线,所述植株作业路线用于控制所述可移动设备在所述作业区域内的作业路线。
22.根据权利要求19所述的作业路线规划***,其特征在于,所述作业路线包括弓形路线、螺旋路线、同心圆路线、折线形路线、原地旋转路线的一种或多种。
23.根据权利要求19所述的作业路线规划***,其特征在于,所述作业路线规划***还包括:
数据标记模块,用于获取作业区域的植株种植数据后,规划可移动设备在作业区域的作业路线前,将所述作业区域的植株种植数据进行可视化标记;
选取控制模块,用于根据用户发送的选取指令,从可视化标记的所述作业区域的植株种植数据中获取待作业植株区域的植株种植数据;
所述规划模块具体用于根据所述待作业植株区域的植株种植数据,规划可移动设备在带作业植株区域的作业路线。
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810247447.7A CN110309933A (zh) | 2018-03-23 | 2018-03-23 | 植株种植数据测量方法、作业路线规划方法及装置、*** |
PCT/CN2019/075457 WO2019179270A1 (zh) | 2018-03-23 | 2019-02-19 | 植株种植数据测量方法、作业路线规划方法及装置、*** |
EP19771748.1A EP3770830A4 (en) | 2018-03-23 | 2019-02-19 | METHOD OF MEASURING PLANTING DATA, METHOD OF PLANNING WORK ROUTE, DEVICE AND SYSTEM |
US16/976,891 US11321942B2 (en) | 2018-03-23 | 2019-02-19 | Method for measuring plant planting data, device and system |
JP2020548944A JP7086203B2 (ja) | 2018-03-23 | 2019-02-19 | 植物体耕作データ測定方法、作業経路計画方法及び装置、システム |
AU2019238712A AU2019238712B2 (en) | 2018-03-23 | 2019-02-19 | Plant planting data measuring method, working route planning method, device and system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810247447.7A CN110309933A (zh) | 2018-03-23 | 2018-03-23 | 植株种植数据测量方法、作业路线规划方法及装置、*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110309933A true CN110309933A (zh) | 2019-10-08 |
Family
ID=67988117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810247447.7A Pending CN110309933A (zh) | 2018-03-23 | 2018-03-23 | 植株种植数据测量方法、作业路线规划方法及装置、*** |
Country Status (6)
Country | Link |
---|---|
US (1) | US11321942B2 (zh) |
EP (1) | EP3770830A4 (zh) |
JP (1) | JP7086203B2 (zh) |
CN (1) | CN110309933A (zh) |
AU (1) | AU2019238712B2 (zh) |
WO (1) | WO2019179270A1 (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860626A (zh) * | 2020-07-04 | 2020-10-30 | 广东粤源工程咨询有限公司 | 基于无人机遥感和面向对象分类的水土保持监测方法及*** |
CN112068572A (zh) * | 2020-10-09 | 2020-12-11 | 四川长虹电器股份有限公司 | 一种无人收割***及方法 |
CN112183329A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 植株的补种信息识别方法、装置、计算机设备和存储介质 |
CN112487936A (zh) * | 2020-11-26 | 2021-03-12 | 郑州数农通大数据科技有限公司 | 一种基于机器视觉技术的玉米田间管理机器人 |
CN112987779A (zh) * | 2021-02-03 | 2021-06-18 | 湖南祥柏生态环保科技有限公司 | 基于环形作业的种植区 |
CN113074740A (zh) * | 2021-04-29 | 2021-07-06 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
CN113778110A (zh) * | 2021-11-11 | 2021-12-10 | 山东中天宇信信息技术有限公司 | 一种基于机器学习的智能农机控制方法及*** |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580729B2 (en) * | 2019-11-22 | 2023-02-14 | Intelinair, Inc. | Agricultural pattern analysis system |
IT201900025831A1 (it) * | 2019-12-31 | 2021-07-01 | Twicky S R L | Metodo per la pianificazione del percorso di movimentazione di un oggetto all'interno di un’area urbana e programma informatico atto ad implementare tale metodo |
CN113407755A (zh) * | 2020-03-17 | 2021-09-17 | 北京百度网讯科技有限公司 | 植物生长状况信息获取方法、装置及电子设备 |
US11656624B2 (en) * | 2020-03-25 | 2023-05-23 | Iunu, Inc. | Horticulture aided by autonomous systems |
US11730089B2 (en) | 2020-03-25 | 2023-08-22 | Iunu, Inc. | Horticulture aided by autonomous systems |
CN115299245B (zh) * | 2022-09-13 | 2023-07-14 | 南昌工程学院 | 一种智能水果采摘机器人的控制方法及控制*** |
CN116222547B (zh) * | 2023-05-10 | 2023-08-01 | 北京市农林科学院智能装备技术研究中心 | 适用于等高种植的农机导航方法、装置及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040264763A1 (en) * | 2003-04-30 | 2004-12-30 | Deere & Company | System and method for detecting and analyzing features in an agricultural field for vehicle guidance |
CN103017753A (zh) * | 2012-11-01 | 2013-04-03 | 中国兵器科学研究院 | 一种无人机航路规划方法及装置 |
CN104461318A (zh) * | 2013-12-10 | 2015-03-25 | 苏州梦想人软件科技有限公司 | 基于增强现实技术的点读方法及*** |
CN104807457A (zh) * | 2015-04-29 | 2015-07-29 | 广州快飞计算机科技有限公司 | 飞行器航线的生成方法、装置及终端设备 |
CN104866970A (zh) * | 2015-05-26 | 2015-08-26 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
CN105116911A (zh) * | 2015-07-20 | 2015-12-02 | 广州极飞电子科技有限公司 | 无人机喷药方法 |
CN105159319A (zh) * | 2015-09-29 | 2015-12-16 | 广州极飞电子科技有限公司 | 一种无人机的喷药方法及无人机 |
CN106382933A (zh) * | 2016-11-04 | 2017-02-08 | 北京农业智能装备技术研究中心 | 一种用于航空植保飞行器的作业航线获取方法及*** |
US20170219711A1 (en) * | 2013-03-07 | 2017-08-03 | Blue River Technology Inc. | Plant Treatment Based on Morphological and Physiological Measurements |
CN107315529A (zh) * | 2017-06-19 | 2017-11-03 | 维沃移动通信有限公司 | 一种拍照方法及移动终端 |
CN107633202A (zh) * | 2017-08-11 | 2018-01-26 | 合肥嘉浓航空科技有限公司 | 一种基于农田图像特征识别的植保无人机飞控方法和*** |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2837552T3 (es) * | 2010-03-13 | 2021-06-30 | Univ Carnegie Mellon | Método para reconocer y clasificar una planta de raíz desnuda |
US20130173321A1 (en) * | 2011-12-30 | 2013-07-04 | Jerome Dale Johnson | Methods, apparatus and systems for generating, updating and executing a crop-harvesting plan |
CN102749290B (zh) | 2012-07-02 | 2014-12-03 | 浙江大学 | 一种樱桃树冠层树枝生长状态的检测方法 |
CN103336517B (zh) | 2013-07-02 | 2015-06-24 | 周庆芬 | 一种智能农业综合管理*** |
US20170161560A1 (en) | 2014-11-24 | 2017-06-08 | Prospera Technologies, Ltd. | System and method for harvest yield prediction |
IL236606B (en) * | 2015-01-11 | 2020-09-30 | Gornik Amihay | Standards and methods for agricultural monitoring |
SG10201506012SA (en) * | 2015-07-31 | 2017-02-27 | Accenture Global Services Ltd | Inventory, growth, and risk prediction using image processing |
CN107209854A (zh) * | 2015-09-15 | 2017-09-26 | 深圳市大疆创新科技有限公司 | 用于支持顺畅的目标跟随的***和方法 |
US10491879B2 (en) * | 2016-01-15 | 2019-11-26 | Blue River Technology Inc. | Plant feature detection using captured images |
CN106846334A (zh) | 2017-01-19 | 2017-06-13 | 江南大学 | 基于支持向量数据描述的田间玉米植株识别方法 |
US10699185B2 (en) * | 2017-01-26 | 2020-06-30 | The Climate Corporation | Crop yield estimation using agronomic neural network |
CN106993167A (zh) | 2017-04-28 | 2017-07-28 | 深圳前海弘稼科技有限公司 | 一种植株的监控方法及监控*** |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN107808375B (zh) | 2017-09-28 | 2019-07-16 | 中国科学院合肥物质科学研究院 | 融合多种上下文深度学习模型的水稻病害图像检测方法 |
-
2018
- 2018-03-23 CN CN201810247447.7A patent/CN110309933A/zh active Pending
-
2019
- 2019-02-19 US US16/976,891 patent/US11321942B2/en active Active
- 2019-02-19 EP EP19771748.1A patent/EP3770830A4/en not_active Withdrawn
- 2019-02-19 WO PCT/CN2019/075457 patent/WO2019179270A1/zh active Application Filing
- 2019-02-19 JP JP2020548944A patent/JP7086203B2/ja active Active
- 2019-02-19 AU AU2019238712A patent/AU2019238712B2/en not_active Ceased
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040264763A1 (en) * | 2003-04-30 | 2004-12-30 | Deere & Company | System and method for detecting and analyzing features in an agricultural field for vehicle guidance |
CN103017753A (zh) * | 2012-11-01 | 2013-04-03 | 中国兵器科学研究院 | 一种无人机航路规划方法及装置 |
US20170219711A1 (en) * | 2013-03-07 | 2017-08-03 | Blue River Technology Inc. | Plant Treatment Based on Morphological and Physiological Measurements |
CN104461318A (zh) * | 2013-12-10 | 2015-03-25 | 苏州梦想人软件科技有限公司 | 基于增强现实技术的点读方法及*** |
CN104807457A (zh) * | 2015-04-29 | 2015-07-29 | 广州快飞计算机科技有限公司 | 飞行器航线的生成方法、装置及终端设备 |
CN104866970A (zh) * | 2015-05-26 | 2015-08-26 | 徐吉祥 | 智能种植管理方法和智能种植设备 |
CN105116911A (zh) * | 2015-07-20 | 2015-12-02 | 广州极飞电子科技有限公司 | 无人机喷药方法 |
CN105159319A (zh) * | 2015-09-29 | 2015-12-16 | 广州极飞电子科技有限公司 | 一种无人机的喷药方法及无人机 |
CN106382933A (zh) * | 2016-11-04 | 2017-02-08 | 北京农业智能装备技术研究中心 | 一种用于航空植保飞行器的作业航线获取方法及*** |
CN107315529A (zh) * | 2017-06-19 | 2017-11-03 | 维沃移动通信有限公司 | 一种拍照方法及移动终端 |
CN107633202A (zh) * | 2017-08-11 | 2018-01-26 | 合肥嘉浓航空科技有限公司 | 一种基于农田图像特征识别的植保无人机飞控方法和*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111860626A (zh) * | 2020-07-04 | 2020-10-30 | 广东粤源工程咨询有限公司 | 基于无人机遥感和面向对象分类的水土保持监测方法及*** |
CN111860626B (zh) * | 2020-07-04 | 2023-08-29 | 广东粤源工程咨询有限公司 | 基于无人机遥感和面向对象分类的水土保持监测方法及*** |
CN112183329A (zh) * | 2020-09-27 | 2021-01-05 | 广州极飞科技有限公司 | 植株的补种信息识别方法、装置、计算机设备和存储介质 |
CN112068572A (zh) * | 2020-10-09 | 2020-12-11 | 四川长虹电器股份有限公司 | 一种无人收割***及方法 |
CN112487936A (zh) * | 2020-11-26 | 2021-03-12 | 郑州数农通大数据科技有限公司 | 一种基于机器视觉技术的玉米田间管理机器人 |
CN112987779A (zh) * | 2021-02-03 | 2021-06-18 | 湖南祥柏生态环保科技有限公司 | 基于环形作业的种植区 |
CN113074740A (zh) * | 2021-04-29 | 2021-07-06 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
CN113074740B (zh) * | 2021-04-29 | 2023-11-17 | 广州极飞科技股份有限公司 | 一种作业区域内的航线规划方法、装置、设备及介质 |
CN113778110A (zh) * | 2021-11-11 | 2021-12-10 | 山东中天宇信信息技术有限公司 | 一种基于机器学习的智能农机控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
JP2021516060A (ja) | 2021-07-01 |
WO2019179270A1 (zh) | 2019-09-26 |
US11321942B2 (en) | 2022-05-03 |
AU2019238712A1 (en) | 2020-09-24 |
AU2019238712B2 (en) | 2022-07-21 |
US20210004594A1 (en) | 2021-01-07 |
EP3770830A1 (en) | 2021-01-27 |
EP3770830A4 (en) | 2021-12-08 |
JP7086203B2 (ja) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110309933A (zh) | 植株种植数据测量方法、作业路线规划方法及装置、*** | |
Moysiadis et al. | Smart farming in Europe | |
Aravind et al. | Task-based agricultural mobile robots in arable farming: A review | |
Krishna | Push button agriculture: Robotics, drones, satellite-guided soil and crop management | |
Krishnan et al. | Robotics, IoT, and AI in the automation of agricultural industry: a review | |
CN110347127A (zh) | 基于云服务的农作物种植托管***及方法 | |
US20170270446A1 (en) | Agronomic systems, methods and apparatuses for determining yield limits | |
CN109191074A (zh) | 智慧果园种植管理*** | |
US11716985B2 (en) | Method for remediating developmentally delayed plants | |
JP6616378B2 (ja) | 情報処理システム及びプログラム | |
CN109661979A (zh) | 一种基于精准控制作物位置的信息化种植方法 | |
EP3422280B1 (en) | A method for forecasting the parameters of a phenomenon or the activities of an object, particularly animate, in a given geographic area | |
KR20220034166A (ko) | 자동화 식물 모니터링 시스템 및 그 방법 | |
CN106354184A (zh) | 农业生产高效智能化管控*** | |
Raman et al. | Robotic Weed Control and Biodiversity Preservation: IoT Solutions for Sustainable Farming | |
CN110198352A (zh) | 一种农田机器人的物联管理*** | |
CN113920474A (zh) | 一种智能监管柑橘种植态势的物联网***及方法 | |
Singh et al. | Usage of Internet of Things based devices in smart agriculture for monitoring the field and pest control | |
CN110119901A (zh) | 一种芦笋种植综合管理平台及其管理办法 | |
WO2021198731A1 (en) | An artificial-intelligence-based method of agricultural and horticultural plants' physical characteristics and health diagnosing and development assessment. | |
WO2020011318A1 (en) | A system for use when performing a weeding operation in an agricultural field | |
McLellan | Smart farming: How IoT, robotics, and AI are tackling one of the biggest problems of the century | |
CN106713414A (zh) | 一种生命周期模型解决种植问题的服务*** | |
Bakar et al. | A review of mechanization and automation in malaysia’s pineapple production | |
CN115903855A (zh) | 一种基于卫星遥感的林场喷药路径规划方法、装置及设备 |
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 | ||
CB02 | Change of applicant information |
Address after: 510000 Block C, 115 Gaopu Road, Tianhe District, Guangzhou City, Guangdong Province Applicant after: XAG Co., Ltd. Address before: 510000 No. 1, Si Cheng Road, Gaotang Software Park, Tianhe District, Guangzhou, Guangdong 3A01 Applicant before: Guangzhou Xaircraft Technology Co.,Ltd. |
|
CB02 | Change of applicant information | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191008 |
|
RJ01 | Rejection of invention patent application after publication |