CN111225855A - 无人机 - Google Patents
无人机 Download PDFInfo
- Publication number
- CN111225855A CN111225855A CN201880067113.XA CN201880067113A CN111225855A CN 111225855 A CN111225855 A CN 111225855A CN 201880067113 A CN201880067113 A CN 201880067113A CN 111225855 A CN111225855 A CN 111225855A
- Authority
- CN
- China
- Prior art keywords
- drone
- camera
- crop
- location
- image
- 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
- 238000012545 processing Methods 0.000 claims description 77
- 241000196324 Embryophyta Species 0.000 claims description 62
- 241000238631 Hexapoda Species 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 35
- 201000010099 disease Diseases 0.000 claims description 28
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 28
- 241000607479 Yersinia pestis Species 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 16
- 208000002720 Malnutrition Diseases 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 235000000112 undernutrition Nutrition 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 7
- 238000010191 image analysis Methods 0.000 description 7
- 235000018343 nutrient deficiency Nutrition 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000003032 molecular docking Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003936 working memory Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229920000049 Carbon (fiber) Polymers 0.000 description 1
- 206010061217 Infestation Diseases 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000004917 carbon fiber Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 208000019180 nutritional disease Diseases 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000017260 vegetative to reproductive phase transition of meristem Effects 0.000 description 1
Images
Classifications
-
- 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
- A01M31/00—Hunting appliances
- A01M31/002—Detecting animals in a given area
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0094—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots involving pointing a payload, e.g. camera, weapon, sensor, towards a fixed or moving target
-
- 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
- H04N23/60—Control of cameras or camera modules
- H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G7/00—Botany in general
-
- 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
-
- 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
- B64U60/00—Undercarriages
- B64U60/50—Undercarriages with landing legs
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Signal Processing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Insects & Arthropods (AREA)
- Pest Control & Pesticides (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Catching Or Destruction (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于农田评估的无人机。描述了将无人机飞行(210)到田地中的包含作物的一个位置。将无人机的主体在该位置处以基本静止的姿态定位(220)在作物上方。无人机的照相机相对于无人机的主体在第一位置和第二位置之间垂直移动(230),其中,第一位置比第二位置更靠近无人机的主体。当照相机不在第一位置时,由照相机获取(240)与作物有关的至少一个图像。
Description
技术领域
本发明涉及一种用于农田评估的无人机(unmanned aerial vehicle)、一种用于农田评估的方法以及一种计算机程序单元。
背景技术
本发明的总体背景是关于杂草、疾病和害虫评估田地状况,以及通过例如确定叶面积指数(LAI)来评估生态生理(ecophysiology)。目前,遥感和无人机(诸如无人驾驶飞机(drone))无法以所需的分辨率和质量获取图像以便执行所需的图像诊断。另外,对于农场主来说,进入田地并获取必要的图像数据非常耗时。
发明内容
具有改进的用于农田评估的手段将是有利的。
本发明的目的通过独立权利要求的主题解决,其中,在从属权利要求中并入了进一步的实施例。应当注意,本发明的以下描述的方面和示例也适用于用于农田评估的无人机、用于农田评估的方法以及计算机程序单元。
根据第一方面,提供了一种用于农田评估的无人机,包括:
-控制单元;以及
-照相机。
照相机被配置为相对于无人机的主体在第一位置和第二位置之间垂直移动。第一位置比第二位置更靠近无人机的主体。控制单元被配置为将无人机飞行到田地中包含农作物的位置。控制单元还被配置为将无人机的主体在该位置处以基本静止的姿态定位在作物上方。当无人机的主体在该位置处以基本静止的姿态在作物上方时,控制单元还被配置为垂直移动照相机。当无人机的主体在该位置处以基本静止的姿态在作物上方时,控制单元还被配置为当照相机不在第一位置时控制照相机以获取与作物有关的至少一个图像。
换句话说,无人机(UAV)(例如无人驾驶飞机)会飞到田地的部分中,例如通过着陆于附着在主体上的腿上或悬停在作物上方的静止位置将其主体定位于作物上方的停止位置(resting position),然后将照相机朝着作物降下并可以降下到作物中。在被降下和/或升高的同时,包括当照相机不移动时,照相机可以拍摄与作物有关的图片。然后可以对这些图片进行适当的分析,以确定在该田地的该部分是否存在杂草、疾病、害虫、昆虫或与作物有关的其他问题。同样,这些图片可以提供有关叶冠层面积和高度的信息,这样就可以确定该位置作物的叶面积指数(LAI)。以可再现的方式自动获取然后可以分析的图像数据,从而可以在该位置准确确定例如LAI的结果,并将其与作物中其他部分(或位置)处计算出的值进行比较。此外,通过将照相机降低到作物中,可以获取各种高度(包括在地面上和冠层上方)的图像,以及再次相对于LAI,可以缓解冠层中导致确定的LAI的降低的非随机性(例如,叶子位于其他的顶部),这是因为可以在各种高度上获取数据。通过将照相机降下到作物中,即使仅在作物中的某些位置(例如靠近地面或作物中中部高度处)才明显,也可以确定正在发生疾病、害虫、昆虫损害。因此,可以根据所获取的图像来确定不能通过航空检查来确定的问题。
UAV可以围绕田地获取数据,例如以类似20m x 20m图案的正方形,并且着陆在这些位置并获取数据。UAV还可以根据图像处理自己确定何处定位自身以获取数据,或者可以由用户将其定向到一个位置。
因此,除了获取可用于确定LAI的图像外,还可将这些图像用于确定杂草、疾病、害虫、昆虫和昆虫损害,使得能够采取补救措施。与使用遥感或来自无人驾驶飞机的航空图像或要求人类操作员进入田地并手动获取所需的相关数据的当前技术相比,以这种方式,可以更快、更准确地并且以更高的精度来获取该数据。
在一个示例中,与作物有关的至少一个图像包括当照相机在作物的冠层内时获取的至少一个图像。
以这种方式,可以基于所获取图像的图像处理来更有效地检测杂草、疾病、害虫、昆虫和/或昆虫损害,并且更准确地确定和识别杂草。而且,通过获取冠层内的图像,还可以从所获取的图像中确定叶面积指数(LAI)。
在一个示例中,至少一个图像包括多个图像,并且其中,控制单元被配置为控制照相机以在不是第一位置的多个不同位置处获取对应的多个图像。
因此,通过获取不同高度的图像,可以基于这样的图像检测例如在作物的特定植株内的局部疾病、害虫、昆虫和/或昆虫损害。同样,可以更准确地确定叶面积指数,因为它可以基于来自不同高度的作物中位置的一个以上的图像,并且可以缓解(会导致低估LAI值的)诸如叶重叠的影响。
在一个示例中,控制单元被配置为当照相机处于第二位置时控制照相机获取与作物有关的至少一个图像中的至少一个图像。
换句话说,当照相机移动到远离UAV(无人驾驶飞机)的主体的最远位置时,可以获取图像。
在一个示例中,第二位置包括地面。
换句话说,UAV会将照相机降到作物中并一直到地面上,并可以从该地面位置获取图像。以这种方式,不仅可以从作物上方一直到地面在作物内的所有点处获取图像,而且还可以通过从地面获取图像,可以参考地面确定该图像以及所有其他图像的参考高度。换句话说,可以确定地面上所有图像的高度。因此,可以确定作物的高度并且可以确定疾病和/或昆虫损害的高度。同样,可以确定所获取的用于LAI测量的图像的高度,以提供更准确的LAI值确定。
在一个示例中,控制单元被配置为当照相机处于第一位置时,控制照相机以获取与作物有关的至少一个图像。
以这种方式,可以获取来自作物上方的图像以提供用于确定LAI值的参考值。当照相机已经从第一位置移开时,也可以获取LAI测量的参考值。同样,当UAV正常飞行时,可以作为UAV正常飞行的一部分使用照相机并获取图像,图像例如可用于确定田地中的位置,UAV将以基本静止的姿态将自身定位在该位置上。作物上方的图像还可用于确定是否存在杂草、疾病、害虫和昆虫/或对植被的昆虫损害。
在一个示例中,处理单元被配置为分析至少一个图像以确定作物的叶面积指数。
在一个示例中,处理单元被配置为分析至少一个图像以确定至少一种杂草、和/或确定至少一种疾病、和/或确定至少一种害虫和/或确定至少一种昆虫、和/或确定至少一种营养不足。
在一个示例中,无人机包括处理单元和/或处理单元。
在一个示例中,无人机包括至少一个腿。控制单元被配置为在该位置处将无人机着陆在该至少一个腿上,以将无人机的主体在该位置处以基本静止的姿态定位在作物上方。
以这种方式,当UAV停止或顺桨(feathering)或以其他方式减少了下降气流(downdraught)时,就可以获取作物的图像,并且因此不会发生叶片的气流吹动,而且图像可用于更准确地确定疾病、杂草、害虫、昆虫、昆虫损害和LAI值等。
在一个示例中,无人机被配置为以悬停模式操作。控制单元被配置为将无人机悬停在该位置处,以将无人机的主体在该位置处以基本静止的姿态定位在作物上方。
因此,无人机无需着陆来获取图像,而是可以悬停在该位置上方。
在一个示例中,照相机在第一位置时被配置为获取与田地有关的至少一个图像和/或无人机的第二照相机被配置为获取与田地有关的至少一个图像。处理单元被配置为分析与田地有关的至少一个图像以确定在田地中的位置。处理单元可以是确定LAI的处理单元和/或从所获取的图像确定杂草、疾病、害虫、昆虫和昆虫损害等的处理单元。处理单元可以在UAV外部或容纳在UAV内,并且处理单元可以是控制单元。
以这种方式,在飞行到位置之前,无人机可以获取田地的图像,并且可以确定飞行到何处以便将无人机定位在作物上方并获取图像。这可以通过将图像发送到UAV外部的处理单元来进行,该处理单元处理图像来确定位置,然后将该位置发送回UAV。或者,UAV可以具有所需的处理能力来分析图像以确定位置。这样,UAV可以以半自主或完全自主的方式操作。
在一个示例中,无人机包括位置确定装置。
根据第二方面,提供了一种用于农田评估的方法,包括:
a)将无人机飞行到田地中的包含作物的位置;
b)将无人机的主体在该位置处以基本静止的姿态定位在作物上方;
c)相对于无人机的主体在第一位置和第二位置之间垂直移动无人机的照相机,其中第一位置比第二位置更靠近无人机的主体;以及
d)当照相机不在第一位置时,由照相机获取与作物有关的至少一个图像。
根据另一方面,提供了一种用于控制第一方面的UAV的计算机程序单元,其在由处理器执行时被配置为执行第二方面的方法。
有利地,由以上任何方面提供的益处同样适用于所有其他方面,反之亦然。
参考下文描述的实施例,上述方面和示例将变得明显,并且将被阐明。
附图说明
下面将参考以下附图描述示例性实施例:
图1示出了用于农田评估的无人机的示例的示意图;
图2示出了用于农田评估的方法;
图3示出了田地中位置的示意表示;
图4示出图1的无人机的详细示例的示意表示;
图5示出图1的无人机的详细示例的示意表示。
具体实施方式
图1示出了用于农田评估的无人机10的示例,其中,实线框表示基本特征,虚线框表示可选特征。无人机10包括控制单元20和照相机30。照相机30被配置为相对于无人机10的主体40在第一位置和第二位置之间垂直移动。第一位置比第二位置更靠近无人机10的主体40。控制单元20被配置为将无人机10飞行到田地中的包含作物的位置。控制单元20还被配置为将无人机10的主体40在该位置处以基本静止的姿态定位在作物上方。当无人机10的主体40在该位置处以基本静止的姿态位于作物上方时,控制单元20被配置为使照相机30垂直移动。同样,当无人机10的主体40在该位置处以基本静止的姿态位于作物上方时,控制单元20被配置为当照相机30不处于第一位置时控制照相机30获取与作物有关的至少一个图像。
在一个示例中,照相机是360度全景照相机,或者是可以基本上360度成像的照相机。
在一个示例中,照相机包括鱼眼光学传感器,该鱼眼光学传感器可用于使得能够根据图像计算出叶面积指数(LAI)。在一个示例中,照相机以多个不同角度获取图像数据,从而能够以那些多个不同角度确定冠层光截获(canopy light interception),由此可以计算出LAI。
在一个示例中,照相机包括普通成像传感器,该普通成像传感器可用于以使得能够进行图像处理以确定疾病、杂草、昆虫损害或昆虫本身的分辨率对枝叶进行成像。普通成像传感器也可用于确定LAI。
在一个示例中,照相机包括鱼眼光学传感器和普通成像传感器两者,并且以此方式,照相机被优化用于获取图像以确定LAI以及用于获取图像以同时确定杂草、疾病、昆虫损害等。
在一个示例中,照相机被配置为获取低于500nm的数据,并且以此方式可以从图像中更准确地确定LAI。
在一个示例中,照相机被配置为在可见波长范围上操作。在一个示例中,照相机被配置为在近红外范围内操作。在一个示例中,照相机是单色的。在一个示例中,照相机被配置为获取诸如RGB的颜色信息。在一个示例中,照相机被配置为获取高光谱(hyperspectral)信息。这样,可以改善对图像的分析以自动检测疾病、害虫、土壤养分、产量因子(籽粒大小、穗数、玉米谷穗数)、杂草、昆虫损害和昆虫。
在一个示例中,控制单元被配置为确定照相机已经从第一位置移开的距离。这可以通过降下照相机时布放的电缆长度来确定,或者通过检测照相机被降下时照相机与UAV的主体之间的距离的声学传感器。可以使用其他距离移动技术,例如使用雷达或激光传感器。这使得能够确定当获取图像时照相机远离无人机的主体的位置。
根据一个示例,与作物有关的至少一个图像包括当照相机在作物的冠层内时获取的至少一个图像。
根据一个示例,至少一个图像包括多个图像。控制单元被配置为控制照相机以在不是第一位置的多个不同位置处获取对应的多个图像。
根据一个示例,控制单元被配置为当照相机处于第二位置时,控制照相机以获取与作物有关的至少一个图像中的至少一个图像。
根据一个示例,第二位置包括地面。
根据一个示例,控制单元被配置为当照相机处于第一位置时控制照相机以获取与作物有关的至少一个图像。
根据一个示例,处理单元50被配置为分析至少一个图像以确定作物的叶面积指数。关于叶面积指数的确定的信息可以在例如N.J.Breda的“叶面积指数的基于地面的测量:方法、仪器和当前争议的综述”(《实验植物学杂志》,第54卷第392期第2403-2417页(2003年))(“Ground-based measurements of the leaf area index:a review ofmethods,instruments and current controversies,Journal of Experimental Botany,Vol.54,No.392,pages 2403-2417(2003))以及以下网站www.licor.com/env/products/leaf_area中找到。
根据一个示例,处理单元60被配置为分析至少一个图像以确定至少一种杂草、和/或确定至少一种疾病、和/或确定至少一种害虫、和/或确定至少一种昆虫和/或确定至少一种营养不足。
在一个示例中,处理单元50是处理单元60。换句话说,同一处理单元可用于从获取的图像中确定LAI,并确定是否存在杂草或疾病或害虫或昆虫或昆虫引起的损害或营养不足。
在一个示例中,处理单元被配置为分析至少一个图像以确定至少一个类型的杂草、和/或确定至少一个类型的疾病、和/或确定至少一个类型的害虫、和/或确定至少一个类型的昆虫、和/或确定至少一个类型的营养不足。
因此,诸如无人驾驶飞机的无人机可以在田地周围飞行,变得静止,降下照相机并获取图像。基于那些图像的图像处理,可以确定存在杂草以及杂草的类型。这同样适用于确定存在害虫、疾病、昆虫、营养不足等。此外,基于所获取图像的图像处理,可以确定与该位置处的作物相关联的LAI。
在一个示例中,对至少一个图像的分析包括利用机器学习算法。这适用于图像处理,以确定至少一种杂草,和/或确定至少一种疾病,和/或确定至少一种害虫,和/或确定至少一种昆虫,和/或确定至少一种营养不足。
在一个示例中,机器学习算法包括决策树算法。
在一个示例中,机器学习算法包括人工神经网络。
在一个示例中,机器学习算法包括人工神经网络。在一个示例中,已经基于多个图像来教导机器学习算法。在一个示例中,已经基于包含至少一个类型的杂草和/或至少一个类型的患有一种或多种疾病的植株和/或至少一个类型的遭受来自一种或多种昆虫的昆虫侵染的植株和/或至少一个类型的昆虫(当图像具有足够的分辨率时)和/或至少一个类型的患有一种或多种害虫的植株和/或至少一个类型的患有一种或多种营养不足的植株的图像的多个图像来教导机器学习算法。在一个示例中,已经基于包含此类图像的多个图像来教导机器学习算法。
照相机30获取的图像具有使得能够将一种类型的杂草与另一种类型的杂草区别开的分辨率。图像可以具有使得能够确定害虫或昆虫侵染的作物的分辨率,基于作物本身的图像或基于例如昆虫本身的获取。UAV(无人驾驶飞机)可以具有全球定位***(GPS),这使得能够确定获取的图像的位置。无人驾驶飞机还可以具有例如基于激光陀螺仪的惯性导航***。惯性导航***可以单独运行,而无需GPS,以通过确定远离一个或多个已知位置(如充电站)的移动来确定获取图像的无人驾驶飞机的位置。照相机将获取的图像传递到处理单元。图像分析软件在处理单元上运行。图像分析软件可以使用特征提取(例如边缘检测)和对象检测分析,其例如可以识别诸如田地之内和周围的结构,诸如建筑物、道路、围墙、树篱等。因此,基于这些对象的已知位置,处理单元可以修补所获取的图像,以有效地创建环境的合成表示,该合成表示可以有效地覆盖在环境的地理地图上。因此,可以确定每个图像的地理位置,并且不需要与所获取的图像相关联的基于GPS和/或惯性导航的信息。换句话说,可以使用基于图像的定位***来定位无人驾驶飞机10。但是,如果有GPS和/或惯性导航信息可用,则不要求可以仅基于图像将特定图像放置在特定地理位置上的这种图像分析。尽管如此,如果基于GPS和/或惯性导航的信息可用,则可以使用此类图像分析来增强与图像相关联的地理位置。
因此,处理单元运行图像处理软件,该图像处理软件包括机器学习分析器。获取特定杂草的图像,并使用与杂草大小有关的信息。可以在图像上标记与发现这种杂草的世界中的地理位置有关的信息以及与发现该杂草的在一年中的时间有关的信息,包括开花的时间等。杂草的名称也可以标记杂草的图像。然后基于该地面真实获取的图像训练可以基于人工神经网络或决策树分析器的机器学习分析器。这样,当将新的植被图像提供给该分析器时,其中该图像可以具有标记在其上的相关联的时间戳(例如一年中的时间)和地理位置(例如德国或南非),分析器通过将新图像中发现的杂草的图像与其经过训练的不同杂草的图像进行比较来确定图像中的杂草的特定类型,其中还可以考虑杂草的大小以及生长的地点和时间。因此,可以确定该杂草类型在环境内的地面上的具***置及其大小。
处理单元可以访问包含不同杂草类型的数据库。该数据库是根据实验确定的数据编译而成的。
使用机器学习算法的图像处理软件还被教导识别昆虫、被昆虫侵染的植株、患有害虫的植株以及患有营养不足和疾病的植株。通过基于先前获取的图像进行训练,以与上述相同的方式完成此操作。
根据一个示例,无人机包括处理单元50和/或处理单元60。换句话说,在一个或多个示例中,UAV 10获取图像,该图像被发送到UAV外部的一个或多个处理器,并且在那里进行图像分析。但是,在此特定示例中,UAV本身具有执行此图像分析所需的处理能力。
在示例中,控制单元与处理单元50和/或处理单元60是相同的单元。因此,中央处理器负责控制UAV及其照相机,并负责执行图像分析。
根据一个示例,无人机包括至少一个腿70。控制单元被配置为在该位置处将无人机着陆在至少一个腿上,以在该位置处将无人机的主体以基本静止的姿态定位在作物上方。
在一个示例中,至少一个腿包括三个腿。在一个示例中,腿可由轻质碳棒制成。在一个示例中,腿可以是1m长,也可以是其他长度,使得当UAV着陆时UAV的主体可以位于作物的冠层的上方。可以使用不同长度的腿,并且相对于被检查的不同作物,它们可以具有不同的长度。
根据一个示例,该无人机被配置为以悬停模式操作。控制单元被配置为将无人机悬停在该位置处,以将无人机的主体以基本静止的姿态定位在该位置处的作物上方。
根据一个示例,当照相机处于第一位置时,其被配置为获取与该田地有关的至少一个图像,和/或该无人机的第二照相机80被配置为获取与该田地有关的至少一个图像。处理单元被配置为分析与田地有关的至少一个图像以确定田地中的该位置。
在一个示例中,UAV可以获取图像,并且可以对该图像进行分析以确定规则网格,或例如20m乘20m,然后UAV飞行到与该网格相关联的位置处并在该处获取图像。
在一个示例中,UAV可以获取图像,并且可以对该图像进行分析以确定例如可能遭受疾病或昆虫损害或在该位置存在杂草的区域。然后,UAV可以飞到该位置,并获取可以进行分析的图像,以提供有关是否存在疾病、昆虫损害或杂草的准确确定。通过这种方式,可以获取表明田地中的部分作物变色或生长受阻或看起来异常的图像,并且可以分析田地的图像以确定UAV应将自身定位在作物异常的位置处。
根据一个示例,无人机包括位置确定装置90。
在一个示例中,位置确定装置被配置为在获取与作物有关的至少一个图像时向控制单元提供与照相机相关联的至少一个位置。
该位置可以是相对于地面上精确位置的地理位置,或者可以是参考地面上另一个或多个位置(例如田地的边界或无人驾驶飞机对接站或充电站的位置)的地面上的位置。换句话说,可以利用绝对地理位置,或者可以使用不需要以绝对意义已知而是参考已知位置的地面上的位置。
在一个示例中,该位置是绝对地理位置。
在一个示例中,该位置是参考一个或多个已知位置确定的位置。
换句话说,可以确定图像与地面上的特定位置相关联,这是在不知道图像的确切地理位置的情况下,而是通过知道相对于地面上的已知位置获取图像的位置,其中可以记录获取图像的位置。换句话说,可以提供UAV已经获取了作物的图像的绝对GPS导出位置,和/或可以提供相对于已知位置(例如田地边界或用于UAV的充电站的位置)的获取了图像的位置,这又使农场主能够确定获取图像的确切位置,因为他们会知道田地边界或充电站的绝对位置。
在一个示例中,GPS单元92用于确定和/或用于在确定位置(诸如当获取特定图像时的照相机的位置)中使用。
在一个示例中,惯性导航单元94被单独使用或与GPS单元结合使用以确定位置,诸如当获取特定图像时照相机的位置。因此,例如,包括例如一个或多个激光陀螺仪的惯性导航单元在已知位置(例如无人机对接站或充电站)被校准或归零,并且当随着至少一个照相机移动时,可以在x、y和z坐标中确定其远离已知位置的移动,从中可以确定获取图像时至少一个照相机的位置。
图2以其基础步骤示出了用于农田评估的方法200,其中,实线框表示基本步骤,虚线框表示可选步骤。方法200包括:
在飞行步骤210(也称为步骤c))中,将无人机飞行到田地中的包含作物的一个位置;
在定位步骤220(也称为步骤d))中,将无人机的主体在该位置处以基本静止的姿态定位在作物上方;
在移动步骤230(也称为步骤e))中,在第一位置和第二位置之间相对于无人机的主体垂直移动无人机的照相机,其中,第一位置比第二位置更靠近无人机的主体;以及
在获取步骤240(也称为步骤f))中,当照相机不在第一位置时,照相机获取与作物有关的至少一个图像。
在一个示例中,无人机的控制单元被配置为控制无人机执行步骤c)。
在一个示例中,无人机的控制单元被配置为控制无人机执行步骤d)。
在一个示例中,无人机的控制单元被配置为控制无人机执行步骤e)。
在一个示例中,无人机的控制单元被配置为控制无人机执行步骤f)。
在一个示例中,无人机的相同控制单元被配置为控制UAV执行步骤c)、d)、e)和f)。
在示例性步骤f)中包括:当照相机在作物的冠层内时,获取242至少一个图像中的一个或多个图像。
在一个示例中,在步骤f)中,至少一个图像包括多个图像,并且其中,步骤f)包括:在不是第一位置的对应的多个不同位置处获取244多个图像。
在一个示例中,步骤f)包括:当照相机处于第二位置时,获取246与作物有关的至少一个图像中的一个或多个图像。在一个示例中,第二位置包括地面。
在一个示例中,步骤f)包括:当照相机处于第一位置时,获取248与作物有关的至少一个图像中的一个或多个图像。
在一个示例中,该方法包括步骤a):当照相机位于第一位置时获取250与田地有关的至少一个图像和/或由无人机的第二照相机获取与田地有关的至少一个图像。
在一个示例中,无人机的控制单元被配置为控制无人机执行步骤a)。
在一个示例中,在步骤a)之后,该方法包括步骤b):由处理单元分析260与田地有关的至少一个图像,以确定田地中的一个位置,UAV将自身定位在该位置上方。
在一个示例中,UAV包括处理单元。在一个示例中,处理单元是UAV的控制单元。
在一个示例中,处理单元在UAV外部,并且步骤b)包括由UAV的发射机向处理单元发送262至少一个图像,以及通过与处理单元相关联的发射机从处理单元向UAV发送264确定的位置,用于由UAV用来执行步骤c)。
在一个示例中,该方法包括步骤g):由处理单元分析270至少一个图像以确定作物的叶面积指数。
在一个示例中,UAV包括处理单元。在一个示例中,处理单元是UAV的控制单元。
在一个示例中,处理单元在UAV的外部,并且步骤g)包括:通过UAV的发射机向处理单元发送272至少一个图像。
在一个示例中,该方法包括步骤h):由处理单元分析280至少一个图像以确定至少一种杂草、和/或确定至少一种疾病、和/或确定至少一种害虫、和/或确定至少一种昆虫、和/或确定至少一种营养不足。
在一个示例中,UAV包括处理单元。在一个示例中,处理单元是UAV的控制单元。在一个示例中,处理单元是可以从图像确定LAI的处理单元。
在一个示例中,处理单元在UAV的外部,并且步骤h)包括:通过UAV的发射机向处理单元发送282至少一个图像。
在一个示例中,步骤d)包括将无人机在该位置处着陆222在无人机的至少一个腿上。
在一个示例中,步骤d)包括将无人机悬停224在该位置处。在该方法的示例中,无人机包括位置确定装置。
现在参考图3-5描述用于农田评估的无人机和用于农田评估的方法,图3-5涉及具有全面功能的UAV的实施例,但并非所有功能都是必不可少的。
图3示出了具有作物(未示出)的矩形田地的示意表示,其中图4示出了UAV飞越作物并获取图像。所示出的是由实心点组成的网格,实心点指示UAV将飞行到的位置,在该位置之上将其自身以基本静止的姿态定位,降低其照相机并获取图像。图3所示的示意“地图”是由UAV本身通过对获取的图像进行处理而生成的,其中该图像是在图4中正在获取的。该处理使用了边缘检测来确定田地的边界,如果与田地边界的位置有关的信息已例如作为一系列GPS坐标上载到UAV,则这不是必要的。该特定的UAV着陆以便获取图像,并且UAV的控制(处理)单元控制着它的飞行和照相机,还处理图像。处理单元基于所获取的图像来确定着陆的网格。在此示例中,网格已被确定为20m x 20m。处理单元对获取的图像进行图像处理,并确定田地的一部分的作物不正常。作物的颜色与其余作物的颜色不同,以及田地这一部分的植株略有发育不良。因此,处理单元确定UAV应该以更高的保真度水平着陆,以在田地的这一部分以5m x 5m的网格间距获取图像。UAV可以首先飞越田地并确定着陆位置,或者可以从田地的一个部分开始,然后基于图像处理以适当的保真度逐渐飞越并着陆。但是,可以通过遥感方法例如基于卫星图像或基于另一UAV或无人驾驶飞机获取的图像来确定着陆的网格,或者农场主可以向UAV输入应在其中获取图像数据的网格的保真度(20m x 20m或15m x 15m或20m x15m等)。
图5示出了已经着陆到位置之一的UAV。UAV着陆在三个碳纤维腿上,图中仅示出了两个。腿长为1m,这使得UAV的主体能够坐落在作物的冠层上方。关于图3-4讨论的获取图像的照相机实际上附接到UAV的主体的底部。照相机外壳具有被设计为是“无钩”的结构,使得它可被降低到作物中,而不会钩住作物的植株。因此,它具有最小的拐角(corner),并且顶部具有轻微的类似屋顶的结构,顶部的中心有一个顶点,使得当在作物中升高时,照相机不会钩住。通信和控制电缆附接到照相机上,并且放出以降下照相机。电缆的出线长度是已知的,并且照相机具有惯性传感器以检测移动。因此,处理单元可以确定照相机与UAV的主体的距离,并且考虑到腿的长度可以确定照相机在地面上方的高度。另外,当照相机未垂直向下移动且电缆仍在布放中时,处理单元可以确定照相机已到达地面。这基于腿的长度证实了确定地面位置,并且还可以考虑到UAV着陆在作物上并且因此在地面之上1m以上,或着陆在软地面上并且由于腿沉入地面在地面上略小于1m的情况。处理单元还可以确定照相机正卡在该位置的植被上,因为照相机明显位于地面上方1m以上,但在电缆被放出时而没有向下移动。如果在该位置未获取足够的图像,则处理单元可能会中止,UAV起飞,然后再次着陆到之前着陆的一侧。UAV具有GPS,使得能够与在一个位置获取的图像相关联地记录UAV的位置。UAV还具有基于激光陀螺仪的惯性导航传感器,这些惯性导航传感器用于增强GPS导出位置的准确性。当UAV位于其对接/充电站时,惯性导航传感器将归零,并且可以确定从该位置的相对移动。然而,UAV可以仅具有GPS或惯性导航***,并且实际上可以处理图像以呈现合成景观,从中可以在没有到GPS或惯性导航***的资源的情况下确定其位置。
照相机具有数个图像传感器。
照相机具有可以聚焦在3-50m处的图像传感器,并且这用于获取以上关于图3-4所讨论的田地的图像,以确定着陆位置。
照相机还具有向上看的“鱼眼”传感器。该传感器位于照相机的顶部,并获取可用于确定LAI的图像。传感器不是必须装在照相机的顶部,而可以在照相机的侧面的一侧。实际上,可能有不止一个成像传感器正在采集图像。传感器基本上在360度(以垂直方向为中心)上,并在多个角度上获取图像,用于确定LAI。当传感器位于照相机侧面时,可以使用多个不同的传感器来获取此图像。角度的数量可以是3、4、5、6、7等。为了简单起见,在图5中,示出了照相机在3组角度上并且仅在一个位置处获取图像。但是,如上所述,照相机实际上是在5组角度和大致360度以上获取图像,并且因此,图5中所示的这些角度组实际上是围绕垂直线旋转以提供与垂直线不同角度的一系列立体角(solid angle),在这些立体角上获取图像。传感器获取小于500nm波长的图像,因为植被在这些波长上的透射率最小,并且该图像最适合用于确定LAI。但是,传感器可以在不同的波长下工作。照相机在进入作物冠层之前先获取图像,并获取不同高度的图像(包括在地面上的图像),然后可以从该图像中确定在该位置的作物的LAI。并非所有此类图像都需要获取。上面已经参考了关于LAI的计算的文档和网站,并且技术人员可以参考与LAI确定有关的这种或其他现有技术材料,以便处理所获取的图像。
该照相机还具有4个侧视的“普通”成像传感器,其中,在图5中,仅示出了一个照相机对照相机左侧的植被成像。传感器在该照相机周围以90度间隔成角度地间隔开,并使照相机周围的所有作物都能够被成像。但是,仅需要一个、两个或三个传感器。传感器可以聚焦在相对较短的距离5cm–100cm内。传感器获取植被的高分辨率图像,这也使得昆虫能够被成像然后被识别。传感器在可见光波长范围上操作并进入近红外区域,并提供高光谱图像,其中可以区分不同波长范围内的数据,并且以此方式在可见光范围上,传感器实际上提供RGB数据。然后,在该(定义的)波长范围上且处于该分辨率下的该图像数据适合通过图像处理算法进行处理,以确定植株是否为杂草、和/或作物是否患有疾病、害虫、昆虫损害和/或存在什么昆虫。
在图5中所示的UAV中,图像处理由同样控制其飞行和照相机的UAV的处理器执行。以这种方式,提供了完全自主的***。当UAV飞回对接站进行充电时,与田地有关的数据将被下载并提供给农场主。但是,UAV可以将分析后的数据实时发送给农场主,以便在无人驾驶飞机刚刚着陆的位置上立即针对该位置向农场主提供诸如LAI,以及是否有杂草、昆虫损害、疾病、害虫的信息。UAV还可以向远程处理器发送获取的图像,该处理器执行图像分析以确定LAI以及是否存在杂草、昆虫损害、疾病、害虫,这样,UAV不必那么复杂并且不那么昂贵并且功耗少,并且减少了机载处理和功耗,尽管通过数据发送会使用功率。
在上面的详细示例中,描述了照相机的三组成像传感器:i)用于对田地进行成像;ii)用于获取可用于确定LAI的图像数据,以及iii)用于获取可用于确定是否存在杂草、疾病、害虫、昆虫、昆虫损害的图像数据。但是,相同的传感器可用于ii)和iii),并且实际上,如果需要,例如在使用可变聚焦功能时,相同的传感器可用于i)、ii)和iii)。
进行图像处理以使得能够进行分析以确定杂草类型
现在描述如何处理图像并确定适合图像处理以便可以确定杂草类型的特定示例:
1.捕获杂草的数字图像,特别是彩色图像。
2.在数字图像内在边界轮廓内绘制具有预定义颜色和纹理的区域的轮廓。通常,人们可能会从一个杂草植株中获得一个轮廓区域。但是,也可能有不止一个轮廓区域,这些轮廓区域来自不同的可能未连接的叶子,来自两个杂草植株,或者其它。这种检测或确定过程检测数字图像的绿色区域的边界。在这一过程中,可以建立至少一个轮廓区域,例如一个或多个叶子,以及一或多个杂草植株,该轮廓区域包括与边界轮廓内的杂草有关的像素。但是,也可能数字图像捕获了不止一个叶子和/或茎。因此,可以确定不止一个轮廓区域。
3.确定边界轮廓是否覆盖足够大的区域,并确定边界轮廓内的图像数据的清晰度(例如聚焦度)。这首先确保将存在足够的图像数据,可以在这些图像数据上确定杂草的类型,其次确定为了做出杂草的类型,将满足数字图像的最低质量。
4.如果满足3)中的两个标准,则数字图像,特别是边界轮廓内的数字图像被发送到处理单元,以通过人工神经网络进行图像分析,以确定如上所述的杂草类型。
在另一个示例性实施例中,提供了一种计算机程序或计算机程序单元,其特征在于被配置为在适当的***上执行根据前述实施例之一的方法的方法步骤。
因此,计算机程序单元可以存储在计算机单元上,该计算机单元也可以是实施例的一部分。该计算单元可以被配置为执行或促使执行上述方法的步骤。而且,它可以被配置为操作上述装置和/或***的组件。计算单元可以被配置为自动操作和/或执行用户的命令。可以将计算机程序加载到数据处理器的工作存储器中。数据处理器因此可以被装备为执行根据前述实施例之一的方法。
本发明的该示例性实施例既涵盖从一开始就使用本发明的计算机程序,又涵盖通过更新将现有程序转变为使用本发明的程序的计算机程序。
此外,计算机程序单元可能能够提供所有必要的步骤,以实现如上所述的方法的示例性实施例的过程。
根据本发明的另一示例性实施例,提出了一种计算机可读介质,例如CD-ROM、USB棒等,其中,该计算机可读介质具有存储在其上的计算机程序单元,该计算机程序单元通过之前的部分描述。
计算机程序可以被存储和/或分布在合适的介质上,例如与其他硬件一起提供或作为其一部分提供的光学存储介质或固态介质,但是也可以以其他形式分布,例如通过互联网或其他有线或无线电信***。
但是,计算机程序也可以通过类似万维网的网络来呈现,并且可以从这样的网络下载到数据处理器的工作存储器中。根据本发明的另一示例性实施例,提供了一种用于使计算机程序单元可供下载的介质,该计算机程序单元被布置为执行根据本发明的前述实施例之一的方法。
必须注意,参考不同的主题描述了本发明的实施例。特别地,参考方法类型权利要求描述了一些实施例,而参***类型权利要求描述了其他实施例。然而,本领域技术人员将从以上和以下描述中得出,除非另行通知,否则除了属于一种类型的主题的特征的任何组合之外,与不同主题有关的特征之间的任何组合也被认为是在本申请中公开的。但是,可以组合所有特征以提供多于这些特征的简单叠加的协同效果。
尽管已经在附图和前面的描述中详细地图示和描述了本发明,但是这样的图示和描述应被认为是说明性或示例性的而不是限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求,本领域技术人员在实践要求保护的发明时可以理解和实现所公开的实施例的其他变型。
在权利要求中,词语“包括”不排除其他元件或步骤,并且“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中列举的若干项的功能。在相互不同的从属权利要求中引用某些措施的这一事实,并不表示不能利用这些措施的组合来获得好处。权利要求中的任何附图标记都不应被解释为限制范围。
Claims (15)
1.一种用于农田评估的无人机(10),包括:
-控制单元(20);以及
-照相机(30);
其中,所述照相机被配置为相对于所述无人机的主体(40)在第一位置和第二位置之间垂直移动,其中,所述第一位置比所述第二位置更靠近所述无人机的所述主体;
其中,所述控制单元被配置为将所述无人机飞行到田地中包含作物的位置;
其中,所述控制单元被配置为将所述无人机的所述主体在所述位置处以基本静止的姿态定位在所述作物上方;
其中,当所述无人机的所述主体在所述位置处以所述基本静止的姿态在所述作物上方时,所述控制单元被配置为使所述照相机垂直移动;以及
其中,当所述无人机的所述主体在所述位置处以所述基本静止的姿态在所述作物上方时,所述控制单元被配置为当所述照相机不在所述第一位置时控制所述照相机获取与所述作物有关的至少一个图像。
2.根据权利要求1所述的无人机,其中,与所述作物有关的所述至少一个图像包括当所述照相机在所述作物的冠层内时获取的至少一个图像。
3.根据权利要求1-2中的任一项所述的无人机,其中,所述至少一个图像包括多个图像,并且其中,所述控制单元被配置为控制所述照相机在不是所述第一位置的多个不同位置处获取对应的所述多个图像。
4.根据权利要求1-3中的任一项所述的无人机,其中,所述控制单元被配置为当所述照相机处于所述第二位置时控制所述照相机获取与所述作物有关的所述至少一个图像中的至少一个图像。
5.根据权利要求3所述的无人机,其中,所述第二位置包括地面。
6.根据权利要求1-5中的任一项所述的无人机,其中,所述控制单元被配置为当所述照相机处于所述第一位置时控制所述照相机获取与所述作物有关的至少一个图像。
7.根据权利要求1-6中的任一项所述的无人机,其中,处理单元(50)被配置为分析所述至少一个图像以确定所述作物的叶面积指数。
8.根据权利要求1-7中的任一项所述的无人机,其中,处理单元(60)被配置为分析所述至少一个图像以确定至少一种杂草、和/或确定至少一种疾病、和/或确定至少一种害虫、和/或确定至少一种昆虫、和/或确定至少一种营养不足。
9.根据权利要求7-8中的任一项所述的无人机,其中,所述无人机包括所述处理单元(50)和/或所述处理单元(60)。
10.根据权利要求1-9中的任一项所述的无人机,其中,所述无人机包括至少一条腿(70),并且其中,所述控制单元被配置为在所述位置将所述无人机着陆在所述至少一条腿上,以将所述无人机的所述主体在所述位置处以基本静止的姿态定位在所述作物上方。
11.根据权利要求1-10中的任一项所述的无人机,其中,所述无人机被配置为以悬停模式操作,并且其中,所述控制单元被配置为将所述无人机悬停在所述位置处,以将所述无人机的所述主体在所述位置处以基本静止的姿态定位在所述作物上方。
12.根据权利要求7-11中的任一项所述的无人机,其中,所述照相机当在所述第一位置时被配置为获取与所述田地有关的至少一个图像,和/或所述无人机的第二照相机(80)被配置为获取与所述田地有关的所述至少一个图像,并且其中,所述处理单元被配置为分析与所述田地有关的所述至少一个图像以确定在所述田地中的所述位置。
13.根据权利要求1-12中的任一项所述的无人机,其中,所述无人机包括位置确定装置(90)。
14.一种用于农田评估的方法(200),包括:
a)将无人机飞行(210)到田地中包含作物的位置;
b)将所述无人机的主体在所述位置处以基本静止的姿态定位(220)在所述作物上方;
c)相对于所述无人机的所述主体在第一位置和第二位置之间垂直移动(230)所述无人机的照相机,其中,所述第一位置比所述第二位置更靠近所述无人机的所述主体;以及
d)当所述照相机不在所述第一位置时,由所述照相机获取(240)与所述作物有关的至少一个图像。
15.一种用于控制根据权利要求1-13中的任一项所述的无人机的计算机程序单元,所述计算机程序单元在由处理器执行时被配置为执行根据权利要求14所述的方法。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17196818.3 | 2017-10-17 | ||
EP17196819.1 | 2017-10-17 | ||
EP17196819 | 2017-10-17 | ||
EP17196818 | 2017-10-17 | ||
PCT/EP2018/077901 WO2019076759A1 (en) | 2017-10-17 | 2018-10-12 | AERIAL VEHICLE WITHOUT PILOT |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111225855A true CN111225855A (zh) | 2020-06-02 |
Family
ID=63834041
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880067091.7A Pending CN111225854A (zh) | 2017-10-17 | 2018-10-12 | 无人机 |
CN201880067113.XA Pending CN111225855A (zh) | 2017-10-17 | 2018-10-12 | 无人机 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880067091.7A Pending CN111225854A (zh) | 2017-10-17 | 2018-10-12 | 无人机 |
Country Status (6)
Country | Link |
---|---|
US (2) | US11137775B2 (zh) |
EP (2) | EP3697686B1 (zh) |
CN (2) | CN111225854A (zh) |
ES (1) | ES2898892T3 (zh) |
PL (1) | PL3697686T3 (zh) |
WO (2) | WO2019076759A1 (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11442144B2 (en) * | 2017-09-29 | 2022-09-13 | Biotique Systems, Inc. | System and method for automatically determining crop characteristics using unmanned aerial vehicle (UAV) |
EP3697686B1 (en) * | 2017-10-17 | 2021-08-25 | Basf Se | Unmanned aerial vehicle for agricultural field assessment |
US20200359550A1 (en) * | 2019-05-13 | 2020-11-19 | Bao Tran | Farm ecosystem |
US11443644B2 (en) * | 2019-10-11 | 2022-09-13 | Wipro Limited | System and method of guiding a plurality of agents for complete coverage of an inspection area |
US11580389B2 (en) * | 2020-01-14 | 2023-02-14 | International Business Machines Corporation | System and method for predicting fall armyworm using weather and spatial dynamics |
US11507113B2 (en) * | 2020-01-23 | 2022-11-22 | Ford Global Technologies, Llc | Aerial vehicle sensor calibration systems and methods |
EP3878741A1 (en) | 2020-03-12 | 2021-09-15 | Bayer AG | Unmanned aerial vehicle |
EP4117989A1 (en) * | 2020-03-12 | 2023-01-18 | Bayer Aktiengesellschaft | Unmanned aerial vehicle |
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 |
US11804038B1 (en) * | 2021-06-22 | 2023-10-31 | Amazon Technologies, Inc. | Aerial array surveying of surfaces and subsurfaces |
CN114402995B (zh) * | 2022-01-19 | 2023-03-24 | 北京市农林科学院智能装备技术研究中心 | 空地协同的玉米去雄方法、***及空中无人去雄机 |
CN114946805B (zh) * | 2022-06-14 | 2023-04-18 | 清华大学 | 一种激光光纤除草除虫*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1000540A1 (en) * | 1998-11-16 | 2000-05-17 | McLoughlin, Daniel | Image processing |
CN101832771A (zh) * | 2010-05-13 | 2010-09-15 | 北京航景创新科技有限公司 | 一种无人机航测用小型高速定位云台 |
US20140163781A1 (en) * | 2012-12-12 | 2014-06-12 | The Boeing Company | Tree Metrology System |
WO2014106814A2 (en) * | 2014-04-14 | 2014-07-10 | Wasfi Alshdaifat | A reporter drone |
US20170075351A1 (en) * | 2015-09-11 | 2017-03-16 | SZ DJI Technology Co., Ltd | Carrier for unmanned aerial vehicle |
US20170073070A1 (en) * | 2013-02-06 | 2017-03-16 | Zhou Tian Xing | Amphibious vertical takeoff and landing unmanned device with artificial intelligence (AI) and method and system for managing a crisis environment and controlling one or more targets |
CN106564599A (zh) * | 2016-11-22 | 2017-04-19 | 江苏蒲公英无人机有限公司 | 一种基于多光谱遥感的无人机植保作业方法 |
CN107148633A (zh) * | 2014-08-22 | 2017-09-08 | 克莱米特公司 | 用于使用无人机***进行农艺和农业监测的方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU5423096A (en) * | 1996-03-15 | 1997-10-01 | Alfred Y. Wong | High-altitude lighter-than-air stationary platforms including ion engines |
US6811113B1 (en) * | 2000-03-10 | 2004-11-02 | Sky Calypso, Inc. | Internet linked environmental data collection system and method |
US10234439B2 (en) * | 2012-11-07 | 2019-03-19 | Airscout Inc. | Methods and systems for analyzing a field |
ITMI20130185A1 (it) * | 2013-02-08 | 2014-08-09 | Univ Degli Studi Milano | Metodo ed apparecchiatura elettronica per la determinazione di indice area fogliare |
US10568316B2 (en) * | 2014-08-15 | 2020-02-25 | Monsanto Technology Llc | Apparatus and methods for in-field data collection and sampling |
CN104330410B (zh) * | 2014-11-04 | 2015-11-25 | 南通宏大机电制造有限公司 | 位于无人机上的作物病虫害检测*** |
WO2016123201A1 (en) * | 2015-01-27 | 2016-08-04 | The Trustees Of The University Of Pennsylvania | Systems, devices, and methods for robotic remote sensing for precision agriculture |
JP6214613B2 (ja) * | 2015-10-26 | 2017-10-18 | 株式会社プロドローン | 水中撮影装置 |
US20170231213A1 (en) | 2016-02-17 | 2017-08-17 | International Business Machines Corporation | Pest abatement utilizing an aerial drone |
CN109997116A (zh) * | 2016-09-09 | 2019-07-09 | 沃尔玛阿波罗有限责任公司 | 用于监视现场的装置和方法 |
US10627386B2 (en) * | 2016-10-12 | 2020-04-21 | Aker Technologies, Inc. | System for monitoring crops and soil conditions |
KR20180111065A (ko) * | 2017-03-31 | 2018-10-11 | 삼성전자주식회사 | 무인 항공기 및 이를 제어하는 방법 |
EP3697686B1 (en) * | 2017-10-17 | 2021-08-25 | Basf Se | Unmanned aerial vehicle for agricultural field assessment |
GB201717137D0 (en) * | 2017-10-18 | 2017-12-06 | Haybeesee Ltd | Device for remote monitoring and activity |
EP3695720A1 (en) * | 2019-02-12 | 2020-08-19 | Bayer AG | Unmanned aerial vehicle |
-
2018
- 2018-10-12 EP EP18785623.2A patent/EP3697686B1/en active Active
- 2018-10-12 ES ES18785623T patent/ES2898892T3/es active Active
- 2018-10-12 CN CN201880067091.7A patent/CN111225854A/zh active Pending
- 2018-10-12 US US16/755,913 patent/US11137775B2/en active Active
- 2018-10-12 WO PCT/EP2018/077901 patent/WO2019076759A1/en active Search and Examination
- 2018-10-12 PL PL18785623T patent/PL3697686T3/pl unknown
- 2018-10-12 WO PCT/EP2018/077899 patent/WO2019076758A1/en active Search and Examination
- 2018-10-12 EP EP18785622.4A patent/EP3697685A1/en not_active Withdrawn
- 2018-10-12 US US16/755,273 patent/US20200241568A1/en not_active Abandoned
- 2018-10-12 CN CN201880067113.XA patent/CN111225855A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1000540A1 (en) * | 1998-11-16 | 2000-05-17 | McLoughlin, Daniel | Image processing |
CN101832771A (zh) * | 2010-05-13 | 2010-09-15 | 北京航景创新科技有限公司 | 一种无人机航测用小型高速定位云台 |
US20140163781A1 (en) * | 2012-12-12 | 2014-06-12 | The Boeing Company | Tree Metrology System |
US20170073070A1 (en) * | 2013-02-06 | 2017-03-16 | Zhou Tian Xing | Amphibious vertical takeoff and landing unmanned device with artificial intelligence (AI) and method and system for managing a crisis environment and controlling one or more targets |
WO2014106814A2 (en) * | 2014-04-14 | 2014-07-10 | Wasfi Alshdaifat | A reporter drone |
CN107148633A (zh) * | 2014-08-22 | 2017-09-08 | 克莱米特公司 | 用于使用无人机***进行农艺和农业监测的方法 |
US20170075351A1 (en) * | 2015-09-11 | 2017-03-16 | SZ DJI Technology Co., Ltd | Carrier for unmanned aerial vehicle |
CN106564599A (zh) * | 2016-11-22 | 2017-04-19 | 江苏蒲公英无人机有限公司 | 一种基于多光谱遥感的无人机植保作业方法 |
Also Published As
Publication number | Publication date |
---|---|
PL3697686T3 (pl) | 2021-12-27 |
US20200244890A1 (en) | 2020-07-30 |
WO2019076758A1 (en) | 2019-04-25 |
ES2898892T3 (es) | 2022-03-09 |
US11137775B2 (en) | 2021-10-05 |
WO2019076759A1 (en) | 2019-04-25 |
US20200241568A1 (en) | 2020-07-30 |
EP3697686B1 (en) | 2021-08-25 |
EP3697686A1 (en) | 2020-08-26 |
CN111225854A (zh) | 2020-06-02 |
EP3697685A1 (en) | 2020-08-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11137775B2 (en) | Unmanned aerial vehicle | |
US11651478B2 (en) | Methods for agronomic and agricultural monitoring using unmanned aerial systems | |
US11050979B2 (en) | Systems and methods for agricultural monitoring | |
Jin et al. | Estimates of plant density of wheat crops at emergence from very low altitude UAV imagery | |
KR20190115491A (ko) | 센서 기반의 작황상황 빅데이터 분석을 이용하여 농약 살포량을 실시간으로 조절 가능한 농업용 드론 시스템 | |
US20180348760A1 (en) | Automatic Change Detection System | |
Cevallos et al. | A NDVI analysis contrasting different spectrum data methodologies applied in pasture crops previous grazing–a case study from Ecuador | |
Hung et al. | Using robotic aircraft and intelligent surveillance systems for orange hawkweed detection | |
Bellia et al. | A preliminary assessment of the efficiency of using drones in land cover mapping | |
Rojo et al. | Estimating photosynthetically active radiation intercepted by almond and walnut trees using uav-captured aerial images and solar zenith angle | |
Madsen et al. | RoboWeedSupport-Semi-Automated Unmanned Aerial System for Cost Efficient High Resolution in Sub-Millimeter Scale Acquisition of Weed Images | |
dos Santos et al. | Supervised classification and NDVI calculation from remote piloted aircraft images for coffee plantations applications | |
Gao et al. | Computer Vision and Less Complex Image Analyses to Monitor Potato Traits in Fields | |
FERTU et al. | THE IMPACT OF MONITORING THE STATE OF VEGETATION OF LAVENDER CROPS USING ANALYSIS DRONES. | |
Ibrahim et al. | Survey of irrigation area using micro unmanned aerial vehicle (micro-uav) in gumbasa irrigation area | |
Huang | UAV Applications in Agriculture | |
Ferraz et al. | Monitoring of Coffee Tree Growth Through Crop Surface Models and MGRVI with Images Obtained with RPA | |
Chaudhary et al. | Introduction to Drone Technology for Natural Resource Management in Agriculture | |
Ivošević et al. | A drone view for agriculture | |
JP2023177352A (ja) | 方法、プログラム及び情報処理装置 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200602 |