CN112129757A - 一种植物病虫害自适应检测***和方法 - Google Patents
一种植物病虫害自适应检测***和方法 Download PDFInfo
- Publication number
- CN112129757A CN112129757A CN202011100551.7A CN202011100551A CN112129757A CN 112129757 A CN112129757 A CN 112129757A CN 202011100551 A CN202011100551 A CN 202011100551A CN 112129757 A CN112129757 A CN 112129757A
- Authority
- CN
- China
- Prior art keywords
- mode
- acquisition
- threshold value
- aerial vehicle
- unmanned aerial
- 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
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 94
- 201000010099 disease Diseases 0.000 title claims abstract description 68
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 68
- 241000238631 Hexapoda Species 0.000 title claims abstract description 60
- 238000001514 detection method Methods 0.000 title claims description 29
- 238000000034 method Methods 0.000 title abstract description 13
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000003044 adaptive effect Effects 0.000 claims description 16
- 238000004891 communication Methods 0.000 claims description 14
- 230000000750 progressive effect Effects 0.000 claims description 10
- 230000007547 defect Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000000877 morphologic effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical group C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000005507 spraying Methods 0.000 abstract 1
- 238000012271 agricultural production Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C39/00—Aircraft not otherwise provided for
- B64C39/02—Aircraft not otherwise provided for characterised by special use
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Catching Or Destruction (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种用于精准农业中病虫害监测数据的采集***及方法,***主要包括由数据解算单元、高速信息收发单元、决策控制单元组成的地面监控中心和执行常规/精细作业的图像采集无人机数据平台;地面监控中心与图像采集无人机数据平台通过5G等高速无线技术通讯,实时数据传输和控制;图像采集无人机平台采集的数据经监控分析解算并依自适应转换模式阀值,切换图像采集无人机在常规和精细模式下作业,进一步结合有效判断条件深化作业模式;该方法大幅减少采集数据量、保证关键数据的采集,快速准确的进行病虫害检测。本***和方法适于野外作业,特别是精准农业和智慧农业,为精准喷施、农业决策和管理等提供可靠数据支承。
Description
技术领域
本发明涉及精准农业中的病虫害检测技术领域,具体为一种植物病虫害自适应检测***和方法。
背景技术
我国虽然是个农业大国,但绝非农业强国,我国农业生产仍然以传统生产模式为主,凭经验施肥灌溉杀虫灭害,不仅浪费大量的人力物力,也对环境保护与水土保持构成严重威胁,更对农业可持续性发展带来严峻挑战,已严重不符合生态文明的社会发展需要。国外先进的农业生产,基本推行了精细化农业生产,不仅能够大幅提高了农业生产效益,更能增强农作物的抗灾能力。在精准农业方面,我国还有很大的差距。
精准农业将大数据技术运用到传统农业中去,运用传感器和软件通过移动平台或者电脑平台对农业生产进行控制,使传统农业更“精准”。通常对植物病虫害的检测方法为利用植保无人机监测作物病虫害,一般通过无人机的机载图像采集***,采集照片用来分析病虫害的状况;无人机匀速飞行以期能够稳定的采集图像,受无人机承载能力限制,笨重的后台分析***不能搭载在无人机上,从而图像采集无人机不能直接判断植物的病虫害状况,需要将采集到的图像信息传回后台分析***,由后台分析***据无人机传回数据分析再得出作物的病虫害状况。这种方式不分重点使得数据采集周期长、没有层次导致了图像数据量巨大,不仅严重影响了病虫害分析效率,也极为严重影响着精准农业的作业效益。
发明内容
本发明要解决的技术问题是:提供一种克服现有技术不足能够及时准确检测的自适应植物病虫害检测方法。
本发明是一种能够依病虫害严重程度自适应调整植物信息采集模式进行检测的***和方法,图1为本***的主要组成部分示意图,本***主要包括地面监控中心和图像采集无人机;地面监控中心由数据解算单元、高速通讯单元a、决策控制单元、载体平台组成;图像采集无人机由飞控单元、监控单元、高速通信单元b、图像采集单元组成;执行常规/精细作业的图像采集无人机;
进一步,所述的植物病虫害自适应检测***通过自适应转换模式阀值切换常规作业模式和精细作业模式;
进一步,所述的精细作业模式分多个递进层级;
进一步,所述的地面监控中心通过有效判断条件控制精细作业子模式层级的递进实施
进一步,所述的自适应转换模式阀值包含了颜色阀值、形态阀值、残缺阀值;
进一步,所述的颜色阀值为采集图像颜色信息与颜色标准值色差的比值,所述的颜色标准值为无病虫害作物的明度、色调和彩度这三种颜色的平均属性值,所述的色差阀值为15-50%;
进一步,所述的形态阀值为采集图像形态信息与形态标准值的比值,所述的形态标准值为无病虫害作物的大小、高低和形状这三种形态的平均属性值,所述的形态阀值设定为15-50%;
进一步,所述的残缺阀值为采集图像叶片信息与叶片标准值的比值,所述的叶片标准值为无病虫害作物的完整的叶片状态,所述的残缺阀值设定为15-50%;
进一步,所述地面监控中心与图像采集无人机通过5G等高速无线通讯装置(下简5G),实时数据传输和控制;
进一步,所述图像采集无人机平台采集的数据经地面监控分析解算后,依自适应切换策略规则,地面监控中心控制图像采集无人机由常规作业模式转换为精细作业模式;
进一步,所述***在有效判断条件后递进实施精细作业子模式;
进一步,所述常规作业模式为定速、定高、定角度(垂直俯视)图像采集;
进一步,所述精细作业子模式主要有:低速采集、悬停采集、低位采集、重复采集、高清采集、多角度采集、动态采集;
进一步,所述低速采集速度为常规作业速度的1/3-1/2;
进一步,所述悬停采集为定点凝视采集;
进一步,所述低位采集时图像采集无人机飞行调试为常规作业高度的1/50-1/2;
进一步,所述重复采集为对同一区域多次采集;
进一步,所述高清采集时采用更高的物理像素;
进一步,所述多角度采集对异常点多角度采集;
进一步,所述动态采集对异常点进行连续图像采集。
本发明的一种植物病虫害自适应检测方法,按照以下步骤进的:
Ⅰ地面监控中心据作业区域、植物特点、生长期、病虫害情况等进行作业方案规划;
Ⅱ进一步的作业方案经5G传送到无人机,图像采集无人机按作业方案中的首区进行常规图像采集;
Ⅲ进一步的首区常规图像经监控分析常规图像与相关病虫害数据库,若超过自适应模式转换阀值则转入精细作业模式,未超过时继续下区常规图像采集;
Ⅳ进一步的自适应模式转换阀值包括有颜色阀值、形态阀值、残缺阀值等;
Ⅴ进一步的颜色阀值以无病虫害作物的明度、色调和彩度这三种颜色属性为标准值,采集图像信息与标准值色差对比,色差阀值为15-50%(取值与清晰度成反比,与虫害类型等因素相关;
Ⅵ进一步的形态阀值以无病虫害作物的大小、高低和形状这三种形态属性为标准值,采集图像信息与标准值对比,形态阀值为15-50%(取值与清晰度成反比,与虫害类型等因素相关;
Ⅶ进一步的残缺阀值以无病虫害作物的叶片完整度为标准值,采集图像信息与标准值对比,残缺阀值为15-50%(取值与清晰度成反比,与虫害类型等因素相关;
Ⅷ进一步的图像采集无人机经自适应转换模式进入精细作业模式,先按低速模式对该区采集作业,数据实时回传地面监控中心,低速模式飞行速度为常规模式速度的1/3-1/2,和植物属性及病虫害相关,据经验取值;
Ⅸ进一步的地面监控中心据低速模式采集数据分析,能够对病虫害做出有效判断则控制图像采集无人机进行下区的图像采集常规作业;未能做出有效判断,则进入下一层级——悬停收集;有效判断是据已收集数据、结合病虫害相关数据库,***能够准确判断病虫害情况;
Ⅹ进一步的地面监控中心继续分析实时接收的数据,按有效判断规则递进执行相应的精细作业子模式操作;
ⅩⅠ进一步的精细作业各子模式均不能做出有效判断时,对该区标记异常,转由人工判定或专检;
ⅩⅡ进一步的与作业方案比对,若没有完成作业方案,进入下区数据采集,若完成作业方案,则本区域图像采集工作结束,对应区域病虫害数据也分析完成,从而快速支持精准农业、智慧农业等应用。
本发明的有益技术效果是:
1、本发明中一种植物病虫害自适应检测***和方法,解决了现有技术不分重点使得数据采集周期长、没有层次导致了图像数据量巨大而引起的效率低下的问题;2、本***和方法通过5G进行数据实时传输,据病虫害情况自适应的切换到精细模式作业,实出重点,保证了采集质量,保证的病虫害检测的准确性;3、精细模式的层级采集设计,有效判断规则的引用,避免了不必要的采集项次和数据,节约采集时间,提高了分析效率;4、重复采集和层级采集两种技术不仅在采集时间上等到有效控制,更重要的是对采集数据总量大幅减小,从而减轻地面监控中心的分析压力,相应的控制中心的处理设备成本也会减少,整个病虫害检测***的综合成本也相应得以降低;5、本发明的自适应切换策略能够区分常规采集作业和精细采集作业模式的适用,避免了常规区域下精细采集作业的可能,减少了浪费;6、递进式精细作业模式通过确定病虫害即区域完成采集杜绝了不必要的精细采集的使用,更进一步的提升了效率;7、相对常规采集作业有着更高的精准性更利于病虫害的精确判定,更好的支持精准农业的实施。
本发明是针对植物病虫害的快速检测***和方法,是匹配于精准农业、智慧农业数据采集及分析***;并且服务于精准农业、智慧农业,为农业决策、农业生产、农业管理等提供可靠的数据支持,以不断提升我国的农业现代化水平。
附图说明
图1本发明的***构成图。
图2为图像采集无人机构成图。
图3为地面控制中心构成图。
图4为本发明方法流程图。
图5为本发明中自适应模式转换阀值框图。
图6为叶片残缺示意。
图7为常规作业模式示意。
图8为精细作业模式多角度采集示意。
图中:1-地面监控中心,11-高速通讯单元a,12-决策控制单元,13-数据解算单元,14-载体平台;2-图像采集无人机,21-飞控单元,22-监控单元,23-高速通讯单元b,24-搭载平台,25-图像采集单元。
具体实施方式
下面结合具体实施实例对本发明进行详细说明。以下实施实例有助于此领域的技术人员进一步理解本发明,但不以任何形式限制本发明。
实施例一
如图所示,本发明是一种能够依病虫害严重程度自适应调整植物信息采集模式进行检测的***和方法,本***主要包括地面监控中心1和图像采集无人机1;所述地面监控中心1由数据解算单元13、高速通讯单元a11、决策控制单元12、载体平台14组成;所述图像采集无人机2由飞控单元21、监控单元22、高速通信单元b23、搭载平台24、图像采集单元25组成,图像采集无人机2可以执行常规作业模式和精细作业模式;
进一步,所述的植物病虫害自适应检测***通过自适应转换模式阀值切换常规作业模式和精细作业模式;
进一步,所述的精细作业模式分多个递进层级;
进一步,所述的地面监控中心1通过有效判断条件控制精细作业子模式层级的递进实施
进一步,所述的自适应转换模式阀值包含了颜色阀值、形态阀值、残缺阀值;
进一步,所述的颜色阀值为采集图像颜色信息与颜色标准值色差的比值,所述的颜色标准值为无病虫害作物的明度、色调和彩度这三种颜色的平均属性值,所述的色差阀值为15-50%;
进一步,所述的形态阀值为采集图像形态信息与形态标准值的比值,所述的形态标准值为无病虫害作物的大小、高低和形状这三种形态的平均属性值,所述的形态阀值设定为15-50%;
进一步,所述的残缺阀值为采集图像叶片信息与叶片标准值的比值,所述的叶片标准值为无病虫害作物的完整的叶片状态,所述的残缺阀值设定为15-50%;
进一步,所述地面监控中心1与图像采集无人机2通过5G等高速无线通讯装置(下简5G),实时数据传输和控制,基于不明显增加图像采集无人机2机载***复杂度的要求,对应在图像采集无人机2上加载5G,将数据实时回传给地面控制中心1;
进一步,所述图像采集无人机2采集的数据经地面监控分析解算后,依自适应切换策略规则,地面监控中心1控制图像采集无人机2由常规作业模式转换为精细作业模式,;
进一步,所述***在有效判断条件后由常规作业模式递进实施精细作业子模式,对重点区域进行精细化的图像数据采集;
进一步,所述常规作业模式为定速、定高、定角度(垂直俯视)图像采集,对普通的区域进行图像的采集;
进一步,所述精细作业子模式主要有:低速采集、悬停采集、低位采集、重复采集、高清采集、多角度采集、动态采集,图像采集无人机2起到对重点区域进一步细化和针对性的图像采集;
进一步,所述低速采集速度为常规作业速度的1/3-1/2,图像采集无人机2降低飞行速度更加细致进行图像采集;
进一步,所述悬停采集为定点凝视采集,图像采集无人机2在同一位置进行不间断的图像采集;
进一步,所述低位采集时图像采集无人机2飞行调试为常规作业高度的1/50-1/2,起到降低高低拉紧距离,提高清晰度的作用;
进一步,所述重复采集为对同一区域多次采集,反复多次的图像采集;
进一步,所述高清采集时采用更高的物理像素,提高图像的清晰度,有利于图像的辨别;
进一步,所述多角度采集对异常点多角度采集,起到全方位反映异常点的情况;
进一步,所述动态采集对异常点进行连续图像采集。
本发明的一种植物病虫害自适应检测方法,按照以下步骤进的:
Ⅰ地面监控中心1据作业区域、植物特点、生长期、病虫害情况等进行作业方案规划;
Ⅱ进一步的作业方案经5G传送到图像采集无人机2,图像采集无人机2按作业方案中的首区进行常规图像采集;
Ⅲ进一步的首区常规图像经监控分析常规图像与相关病虫害数据库,若超过自适应模式转换阀值则转入精细作业模式,未超过时继续下区常规图像采集;
Ⅳ进一步的自适应模式转换阀值包括有颜色阀值、形态阀值、残缺阀值等;
Ⅴ进一步的颜色阀值以无病虫害作物的明度、色调和彩度这三种颜色属性为标准值,采集图像信息与标准值色差对比,色差阀值为15-50%(取值与清晰度成反比,与虫害类型等因素相关);
Ⅵ进一步的形态阀值以无病虫害作物的大小、高低和形状这三种形态属性为标准值,采集图像信息与标准值对比,形态阀值为15-50%(取值与清晰度成反比,与虫害类型等因素相关;
Ⅶ进一步的残缺阀值以无病虫害作物的叶片完整度为标准值,采集图像信息与标准值对比,残缺阀值为15-50%(取值与清晰度成反比,与虫害类型等因素相关;
Ⅷ进一步的图像采集无人机2经自适应转换模式进入精细作业模式,先按低速模式对该区采集作业,数据实时回传地面监控中心1,低速模式飞行速度为常规模式速度的1/3-1/2,和植物属性及病虫害相关,据经验取值;
Ⅸ进一步的地面监控中心1据低速模式采集数据分析,能够对病虫害做出有效判断则控制图像采集无人机2进行下区的图像采集常规作业;未能做出有效判断,则进入下一层级——悬停收集;有效判断是据已收集数据、结合病虫害相关数据库,***能够准确判断病虫害情况;
Ⅹ进一步的地面监控中心1继续分析实时接收的数据,按有效判断规则递进执行相应的精细作业子模式操作,精细作业子模式的递进层级可根据植物情况、作业区域、作业实时环境等因素进行调整,以更利于数据的采集;
ⅩⅠ进一步的精细作业各子模式均不能做出有效判断时,对该区标记异常,转由人工判定或专检;
ⅩⅡ进一步的与作业方案比对,若没有完成作业方案,进入下区数据采集,若完成作业方案,则本区域图像采集工作结束,对应区域病虫害数据也分析完成,从而快速支持精准农业、智慧农业等应用。
实施例二
本发明的一种植物病虫害自适应检测方法,按照以下步骤进的:
Ⅰ地面监控中心1据作业区域、植物特点、生长期、病虫害情况等进行作业方案规划;
Ⅱ规划好的作业方案经5G传送到多旋翼无人机,多旋翼无人机按作业方案中的首区进行常规图像采集;
Ⅲ首区常规图像采集由多旋翼无人机经5G实时传送到地面监控中心1;
Ⅳ由地面监控中心1将常规图像与自身的病虫害数据库分析,如超过自适应模式转换阀值则转入精细作业模式,未超过则继续下区常规图像采集;
Ⅴ多旋翼无人机转入精细作业模式,先按低速模式对该区采集作业,数据实时回传地面监控中心;地面监控中心1据低速模式采集数据分析,能够对病虫害做出有效判断则控制无人机进行下区的图像采集常规作业;
Ⅵ未能做出有效判断,则进入下一层级——悬停收集;若精细作业各子模式均不能做出有效判断时,对该区标记异常,将由人工判定;多旋翼无人机接着与作业方案比对,若没有完成作业方案,进入下区数据采集,完成作业方案,则本区域图像采集工作结束,对应区域病虫害数据也分析完成。
图像采集无人机2采用固定翼或单旋翼无人机时,可机载初步分析***,直接由图像采集无人机2实时性进行自适应阀值判断,减少数据传输,提高作业效率。
图像采集无人机2的图像采集单元可搭载多光谱、红外或高光谱等相机,以拓宽检测手段,提高检测精度和效率。
地面监控中心1与图像采集无人机2的高速通信单元a11采用无线频域多通道技术,减少图像数据量大对传输的压力,提高作业效率。
以上所述的本发明实施方式,并不构成对本发明保护范围的限定,任何在本发明的精神和原则之内所做的修改、等同替换和改进等,均应包含在本发明的权利要求保护范围之内。
Claims (10)
1.一种植物病虫害自适应检测***,包括地面监控中心(1)和图像采集无人机(2),其特征在于:所述的地面监控中心(1)由数据解算单元(13)、高速通讯单元a(11)、决策控制单元(12)、载体平台(14)组成;所述的图像采集无人机(2)由飞控单元(21)、监控单元(22)、高速通信单元b(23)、搭载平台(24)、图像采集单元(25)组成,进行常规作业模式和精细作业模式;所述的植物病虫害自适应检测***通过自适应转换模式阀值切换常规作业模式和精细作业模式;所述的精细作业模式分多个递进层级;所述的地面监控中心(1)通过有效判断条件控制精细作业子模式层级的递进实施。
2.根据权利要求1所述的植物病虫害自适应检测***,其特征在于:所述的自适应转换模式阀值包含了颜色阀值、形态阀值、残缺阀值;
所述的颜色阀值为采集图像颜色信息与颜色标准值色差的比值,所述的颜色标准值为无病虫害作物的明度、色调和彩度这三种颜色的平均属性值,所述的色差阀值为15-50%;
所述的形态阀值为采集图像形态信息与形态标准值的比值,所述的形态标准值为无病虫害作物的大小、高低和形状这三种形态的平均属性值,所述的形态阀值设定为15-50%;
所述的残缺阀值为采集图像叶片信息与叶片标准值的比值,所述的叶片标准值为无病虫害作物的完整的叶片状态,所述的残缺阀值设定为15-50%。
3.根据权利要求1所述的植物病虫害自适应检测***,其特征在于:所述的精细作业模式包含了低速采集、悬停采集、低位采集、重复采集、高清采集、多角度采集、动态采集精细作业的子模式,所述的精细作业的子模式按顺序递进采取。
4.根据权利要求1所述的植物病虫害自适应检测***,其特征在于:所述的有效判断条件是据已收集数据、结合病虫害相关数据库,***能够准确判断病虫害情况。
5.根据权利要求1-4任一权利要求所述的植物病虫害自适应检测***,其特征在于:所述的自适应转换由地面监控中心(1)依实时采集数据和自适应转换模式阀值比对分析,发讯控制图像采集无人机(2)进行常规采集作业切换为精细采集作业模式。
6.根据权利要求1-4任一权利要求所述的植物病虫害自适应检测***,其特征在于:所述的自适应转换由图像采集无人机(2)依实时数据和自适应转换模式阀值分析比对,控制图像采集无人机(2)进行常规采集作业切换为精细采集作业模式。
7.根据权利要求1所述的植物病虫害自适应检测***,其特征在于:所述的高速通信单元a(11)和高速通信单元b(23)为采用无线频域多通道模式或5G高速通信模式。
8.根据权利要求1所述的植物病虫害自适应检测***,其特征在于:所述的图像采集无人机(2)为多旋翼无人机、单旋翼无人机或固定翼无人机。
9.一种植物病虫害自适应检测方法,其特征在于:自适应检测方法按照以下步骤进行的:
Ⅰ地面监控中心(1)据作业区域、植物特点、生长期、病虫害情况等进行作业方案规划;
Ⅱ进一步的作业方案经5G传送到图像采集无人机无人机(2),图像采集无人机(2)按作业方案中的首区进行常规图像采集;
Ⅲ进一步的首区常规图像经监控分析常规图像与相关病虫害数据库,若超过自适应模式转换阀值则转入精细作业模式,未超过时继续下区常规图像采集;
Ⅳ进一步的自适应模式转换阀值包括有颜色阀值、形态阀值、残缺阀值等;
Ⅴ进一步的颜色阀值以无病虫害作物的明度、色调和彩度这三种颜色属性为标准值,采集图像信息与标准值色差对比,色差阀值为15-50%(取值与清晰度成反比,与虫害类型等因素相关);
Ⅵ进一步的形态阀值以无病虫害作物的大小、高低和形状这三种形态属性为标准值,采集图像信息与标准值对比,形态阀值为15-50%(取值与清晰度成反比,与虫害类型等因素相关);
Ⅶ进一步的残缺阀值以无病虫害作物的叶片完整度为标准值,采集图像信息与标准值对比,残缺阀值为15-50%(取值与清晰度成反比,与虫害类型等因素相关);
Ⅷ进一步的图像采集无人机(2)经自适应转换模式进入精细作业模式,先按低速模式对该区采集作业,数据实时回传地面监控中心(2),低速模式飞行速度为常规模式速度的1/3-1/2,(和植物属性及病虫害相关,据经验取值);
Ⅸ进一步的地面监控中心1据低速模式采集数据分析,能够对病虫害做出有效判断则控制图像采集无人机(2)进行下区的图像采集常规作业;未能做出有效判断,则进入下一层级——悬停收集;有效判断是据已收集数据、结合病虫害相关数据库,***能够准确判断病虫害情况;
Ⅹ进一步的地面监控中心(1)继续分析实时接收的数据,按有效判断规则递进执行相应的精细作业子模式操作;
ⅩⅠ进一步的精细作业各子模式均不能做出有效判断时,对该区标记异常,转由人工判定或专检;
ⅩⅡ进一步的与作业方案比对,若没有完成作业方案,进入下区数据采集,若完成作业方案,则本区域图像采集工作结束,对应区域病虫害数据也分析完成。
10.根据权利要求9所述的一种植物病虫害自适应检测方法,其特征在于:所述的精细作业子模式的递进层级顺序可调整。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011100551.7A CN112129757A (zh) | 2020-10-15 | 2020-10-15 | 一种植物病虫害自适应检测***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011100551.7A CN112129757A (zh) | 2020-10-15 | 2020-10-15 | 一种植物病虫害自适应检测***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112129757A true CN112129757A (zh) | 2020-12-25 |
Family
ID=73854107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011100551.7A Pending CN112129757A (zh) | 2020-10-15 | 2020-10-15 | 一种植物病虫害自适应检测***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112129757A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325872A (zh) * | 2021-06-10 | 2021-08-31 | 广州极飞科技股份有限公司 | 植物的巡查方法及装置、***、飞行器 |
CN117876906A (zh) * | 2024-02-02 | 2024-04-12 | 山东欣梦农业发展有限公司 | 基于云计算的智慧农业信息管理平台 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202042825U (zh) * | 2011-03-09 | 2011-11-16 | 南京航空航天大学 | 基于多旋翼无人飞行器的输电线路巡检*** |
CN105510242A (zh) * | 2015-12-28 | 2016-04-20 | 南京农业大学 | 一种基于多旋翼无人机平台的作物生长监测方法及装置 |
CN106200683A (zh) * | 2016-07-04 | 2016-12-07 | 广东天米教育科技有限公司 | 无人机植保***及植保方法 |
CN107315381A (zh) * | 2017-08-02 | 2017-11-03 | 宿松县玖索科技信息有限公司 | 一种农作物病虫害的监测方法 |
US20170374323A1 (en) * | 2015-01-11 | 2017-12-28 | A.A.A Taranis Visual Ltd | Systems and methods for agricultural monitoring |
CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治*** |
CN109901624A (zh) * | 2019-04-11 | 2019-06-18 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN110050619A (zh) * | 2019-05-10 | 2019-07-26 | 广西润桂科技有限公司 | 基于精准气象保障技术的无人机甘蔗病虫害防治喷药方法 |
CN110286091A (zh) * | 2019-06-11 | 2019-09-27 | 华南农业大学 | 一种基于无人机的近地遥感图像采集方法 |
WO2020040063A1 (ja) * | 2018-08-20 | 2020-02-27 | 株式会社ナイルワークス | 圃場作物撮影方法および撮影用ドローン |
CN111543413A (zh) * | 2020-05-28 | 2020-08-18 | 中国农业大学 | 一种空地协同的农业机器人精准施药方法及*** |
-
2020
- 2020-10-15 CN CN202011100551.7A patent/CN112129757A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202042825U (zh) * | 2011-03-09 | 2011-11-16 | 南京航空航天大学 | 基于多旋翼无人飞行器的输电线路巡检*** |
US20170374323A1 (en) * | 2015-01-11 | 2017-12-28 | A.A.A Taranis Visual Ltd | Systems and methods for agricultural monitoring |
CN105510242A (zh) * | 2015-12-28 | 2016-04-20 | 南京农业大学 | 一种基于多旋翼无人机平台的作物生长监测方法及装置 |
CN106200683A (zh) * | 2016-07-04 | 2016-12-07 | 广东天米教育科技有限公司 | 无人机植保***及植保方法 |
CN107315381A (zh) * | 2017-08-02 | 2017-11-03 | 宿松县玖索科技信息有限公司 | 一种农作物病虫害的监测方法 |
CN107783522A (zh) * | 2017-10-18 | 2018-03-09 | 来安县威光绿园生态农业专业合作社 | 一种基于物联网的农作物病虫害智能防治*** |
WO2020040063A1 (ja) * | 2018-08-20 | 2020-02-27 | 株式会社ナイルワークス | 圃場作物撮影方法および撮影用ドローン |
CN109901624A (zh) * | 2019-04-11 | 2019-06-18 | 株洲时代电子技术有限公司 | 一种桥梁巡检方法 |
CN110050619A (zh) * | 2019-05-10 | 2019-07-26 | 广西润桂科技有限公司 | 基于精准气象保障技术的无人机甘蔗病虫害防治喷药方法 |
CN110286091A (zh) * | 2019-06-11 | 2019-09-27 | 华南农业大学 | 一种基于无人机的近地遥感图像采集方法 |
CN111543413A (zh) * | 2020-05-28 | 2020-08-18 | 中国农业大学 | 一种空地协同的农业机器人精准施药方法及*** |
Non-Patent Citations (1)
Title |
---|
顾军林: "大数据在农业无人机上的应用研究", pages 213 - 217 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113325872A (zh) * | 2021-06-10 | 2021-08-31 | 广州极飞科技股份有限公司 | 植物的巡查方法及装置、***、飞行器 |
CN117876906A (zh) * | 2024-02-02 | 2024-04-12 | 山东欣梦农业发展有限公司 | 基于云计算的智慧农业信息管理平台 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112129757A (zh) | 一种植物病虫害自适应检测***和方法 | |
CN111339921A (zh) | 基于轻量级卷积神经网络的病虫害检测无人机及检测方法 | |
CN109220226A (zh) | 果实自动识别分类及采摘的果园智能化*** | |
CN102131101A (zh) | 智能视频图像质量自动分析***及其分析方法 | |
CN112166911B (zh) | 一种快速病虫害精准检测施药***和方法 | |
CN109991911A (zh) | 一种基于物联网的果园综合监控*** | |
CN104680524A (zh) | 一种叶类蔬菜病害诊断方法 | |
CN110070526A (zh) | 基于深度神经网络热度图预测的缺陷检测方法 | |
CN104764533A (zh) | 基于无人机图像采集和红外热像仪的智能农业*** | |
CN103090946B (zh) | 果树单树产量测量的方法和*** | |
CN113408087A (zh) | 一种基于云边***和视频智能分析的变电站巡视方法 | |
CN102208099A (zh) | 一种抗光照变化的作物彩色图像分割方法 | |
CN114926778A (zh) | 一种生产环境下的安全帽与人员身份识别*** | |
CN115660288A (zh) | 一种基于互联网大数据的分析管理*** | |
CN106909898A (zh) | 秸秆还田监测中的图像智能分析终端及方法 | |
CN102608349B (zh) | 基于嵌入式双相机平台的智能温室油桃果实生长速率无线监测*** | |
CN114627505A (zh) | 一种奶牛清洁度自动评分方法、***、存储介质及设备 | |
WO2024066720A1 (zh) | 指标阈值的确定方法、装置、存储介质及电子装置 | |
CN103226709A (zh) | 一种美国白蛾幼虫网幕图像识别方法 | |
CN117331802A (zh) | 一种基于工业互联网的中台数据监测分析*** | |
CN205179252U (zh) | 一种基于物联网的视屏采集处理*** | |
CN114202720A (zh) | 一种基于目标识别的实时检测鸡蛋数量的***及方法 | |
Hong et al. | Adaptive target spray system based on machine vision for plant protection UAV | |
CN108762290A (zh) | 无人机植保作业***及方法 | |
CN103198325A (zh) | 蓝藻水华监测*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201225 |
|
RJ01 | Rejection of invention patent application after publication |