CN112464688A - 一种无人机飞防及病虫害智能识别*** - Google Patents
一种无人机飞防及病虫害智能识别*** Download PDFInfo
- Publication number
- CN112464688A CN112464688A CN201910840918.XA CN201910840918A CN112464688A CN 112464688 A CN112464688 A CN 112464688A CN 201910840918 A CN201910840918 A CN 201910840918A CN 112464688 A CN112464688 A CN 112464688A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- pest
- module
- disease
- 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
- 201000010099 disease Diseases 0.000 title claims abstract description 113
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 113
- 241000607479 Yersinia pestis Species 0.000 title claims abstract description 112
- 241000238631 Hexapoda Species 0.000 claims abstract description 36
- 238000004891 communication Methods 0.000 claims abstract description 27
- 239000000575 pesticide Substances 0.000 claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims abstract description 14
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 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 abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000002265 prevention Effects 0.000 claims abstract description 7
- 230000007123 defense Effects 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 10
- 238000013500 data storage Methods 0.000 claims description 7
- 230000003993 interaction Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000002452 interceptive effect Effects 0.000 abstract 1
- 239000003337 fertilizer Substances 0.000 description 12
- 238000012549 training Methods 0.000 description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 239000012452 mother liquor Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005507 spraying Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000000889 atomisation Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
- G06F16/90335—Query processing
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Library & Information Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Agronomy & Crop Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computational Linguistics (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种无人机飞防及病虫害智能识别***,包括移动控制终端、无线通讯模块、无人机主控装置、云数据处理中心。移动控制终端用于设置飞防参数,查看无人机采集的数据;无线通讯模块用于***中子模块的数据交互传输;无人机主控装置用于控制无人机的飞行、施药和影像采集;云数据处理中心用于分析无人机采集的影像数据,通过卷积神经网络识别无人机采集的病虫害影像,分析得出病虫害识别结果和防效数据,通过无线通讯模块传输到移动控制终端进行查看。本发明将无人机飞防与航拍进行融合,在飞防的同时进行田间影像航拍,利用卷积神经网络技术进行病虫害智能识别判断,在飞防的同时进行虫害拍摄并智能识别,充分利用了无人机资源。
Description
技术领域
本发明属于植保无人机领域,特别是涉及一种无人机飞防及病虫害智能识别***。
背景技术
植保无人机机身小、重量轻,可在田间地头自由起降,不受海拔、地形地貌限制;植保无人机可远距离操控,能够避免农药喷施人员直接接触农药,提高了农药喷施人员的安全性;植保无人机喷洒装置具有良好的雾化效果,提高了农药喷施的效果,可减少50%的农药用量,节约90%的施药用水量,在很大程度上降低了资源成本;植保无人机每天作业可达300亩,作业效率是人工作业效率的30~50倍,显著降低了单位面积作业的人工成本。
目前,无人机的功能较为单一,植保无人机仅用于飞防,航拍无人机仅用于航拍,尚未将无人机的优势充分的发掘利用;因此,将植保无人机与航拍无人机的功能进行融合,在飞防的同时进行田间影像航拍,通过人工神经网络对病虫害图像进行识别,进而直到病虫害防治,可将无人机的优势充分的发掘利用。
发明内容
本发明的目的是提供一种无人机飞防及病虫害智能识别***,将植保无人机与航拍无人机的功能进行融合,在飞防的同时进行田间影像航拍,再通过影像处理技术进行图片分析,实现病虫害智能识别与作物长势实时监测的目的。
为实现上述目的,本发明一种无人机飞防及病虫害智能识别***是通过如下技术方案来实现的。
一种无人机飞防及病虫害智能识别***,其结构包括移动控制终端、无线通讯模块、无人机主控装置、云数据处理中心。
所述移动控制终端包括参数设置模块、实景观看模块、数据查看模块;所述参数设置模块包括无人机飞行区域地理信息、飞行参数、施药参数设定功能;所述实景观看模块用于用户实时观看无人机影像采集模块拍摄的作物长势、病害影像、虫害影像;数据查看模块用于查看云数据处理中心病虫害输出模块传输的病虫害数据。
所述无线通讯模块分别与移动控制终端、无人机主控装置、云数据处理中心连接;用于移动控制终端与无人机主控装置和云数据处理中心的数据交互传输。
所述无人机主控装置包括无人机控制模块、无人机影像采集模块。
所述无人机控制模块包括数据接收模块、数据解析模块、飞行施药模块;所述无人机控制模块与无线通讯模块连接,用于对无人机移动控制终端传输的数据进行接收、解析,控制无人机的飞行和施药。
所述无人机影像采集模块包括影像采集模块、实时影像存储模块、实时影像传输模块;所述无人机实时影像传输模块与无线通讯模块连接,通过无线通讯模块将实时影像传输至移动控制终端所属的实景观看模块和云数据处理中心所属的影像数据接收模块。
所述云数据处理中心包括影像数据接收模块、影像数据存储模块、病虫害影像抓取模块、病虫害分析对比模块、病害识别数据库、虫害识别数据库、病害识别结果数据库、病害防效数据库、虫害识别结果数据库、虫害防效数据库、病虫害数据输出模块。
所述云数据处理中心与无线通讯模块连接;所述影像数据接收模块用于接收无人机影像采集模块传输的实时影像数据;所述影像数据存储模块用于存储影像数据接收模块接收到的实时影像数据;所述病虫害影像抓取模块用于扫描影像数据中病虫害图像,并将病虫害图像切割成独立图像;所述病虫害影像抓取模块抓取的病虫害独立图像与病害识别数据库比对分析得出病害识别结果数据,与虫害识别数据库比对分析得出虫害识别数据,病害识别结果数据存储到病害识别结果数据库,虫害识别结果存储到虫害识别结果数据库;通过比对前后两次病害识别结果数据,得出病害防效数据,病害防效数据存储在病害防效数据库;通过比对前后两次虫害识别结果数据,得出虫害防效数据,虫害防效数据存储在虫害防效数据库;病虫害数据输出模块通过无线通讯模块将病害识别结果数据、虫害识别结果数据、病害防效数据、虫害防效数据传输到移动控制终端所属的数据查看模块。
本发明所述的病虫害智能识别主要是通过Lenet卷积神经网络(CNN)图像识别方法,能够对作物病虫害进行高效准确的识别。
基于Lenet卷积神经网络的病虫害图像智能识别方法,包括以下步骤:
收集采样的原始病虫害图像并进行预处理,构成训练集;
构造深度卷积神经网络,训练病虫害模型;
输入无人机采集的病虫害图像数据;
卷积层初步提取特征;
池化层(也称下采样层)提取主要特征;
全连接层将各部分特征汇总;
产生分类器,进行病虫害预测识别。
卷积层的功能是对输入图像数据进行特征提取,其内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量,类似于一个前馈神经网络的神经元。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连,区域的大小取决于卷积核的大小。卷积核在工作时,会有规律地扫过输入特征,在卷积核区域内对输入特征做矩阵元素乘法求和并叠加偏差量。
卷积核的尺寸与数量对于卷积神经网络(CNN)的性能至关重要。输入图像通过j个不同的卷积核卷积,生成j个不同的特征图,卷积层算法公式如下所示:
式中
f()表示激活函数;
Mj代表输入图像的特征量,
下采样层对输入进行抽样如下所示:
本发明所提出的图像处理方法能够精确获取图像中的目标,构成有效的训练集。所述的卷积神经网络结构层数多,能够对图像进行高效的表达。卷积滤波器数目多,能够包含到病虫害在不同症状、不同姿态、巨大种间变化情况下的特征,同时结合髙效的训练集,可获取到最优的网络权重,故具有高度的精确性。
本发明一种无人机飞防及病虫害智能识别***的有益效果:将植保无人机与航拍无人机的功能进行融合,在飞防的同时进行田间影像航拍,再通过影像处理技术进行分析,实现病虫害智能识别与作物长势实时监测的目的,能够提高作物病虫害识别与防治的效率,通过防治效果的分析,能够为飞防药剂选择和飞防参数优化提供数据支持。
附图说明
图1~4为本发明的结构示意图。
其中,1.环境数据采集单元、2.智能数据分析***、3.远程控制终端、4.水肥一体化灌溉***、5.田间管道***、6.通讯模块B、7.土壤墒情监测仪、8.土壤养分监测仪、9. 气象监测站、10.摄像头、11、通讯模块A、12.数据存储模块、13.水分需求数据库、14.养 分需求数据库、15.病虫防治药剂库、16.气象监测数据库、17.土壤监测数据库、18.病虫监 测数据库、19.数据分析模块、20.灌溉方案、21.施肥方案、22.施药方案、23.水肥一体化方 案、24.水肥药一体化方案、25.方案输出模块、26.通讯模块C、27.控制台、28.水池、29. 水泵、30.N肥母液罐、31.P肥母液罐、32.K肥母液罐、33.微肥母液罐、34.药剂母液罐、 35.施肥机、36.过滤***、T1~T14为管道***上的阀门***、26~36之间连接的实线为管 道***、虚线为电线电缆。
具体实施方式
为了对本发明的技术特征、功能和有益效果有更清晰的理解,现对照附图对本发明的具体实施方式进行说明。
如图1所示,一种无人机飞防及病虫害智能识别***,包括移动控制终端1、无线通讯模块2、无人机主控装置3、云数据处理中心4。
所述移动控制终端1包括参数设置模块5、实景观看模块9、数据查看模块13;所述参数设置模块5用于各项参数的设置,设置参数包括地理信息6、飞行参数7、施药参数8;所述实景观看模块9用于实时观看无人机影像采集模块15拍摄的作物长势10、病害影像11、虫害影像12;数据查看模块13用于查看云数据处理中心4所属的病虫害输出模块32传输的病虫害数据28~31。
所述无线通讯模块2分别位于移动控制终端1、无人机主控装置3、云数据处理中心4三个模块上,分别与移动控制终端1、无人机主控装置3、云数据处理中心4数据输入与输出模块连接,用于移动控制终端1与无人机主控装置3和云数据处理中心4的数据交互传输。
所述无人机主控装置3包括无人机控制模块14、无人机影像采集模块15,用于飞行控制和飞防施药过程中的影像采集。
所述无人机控制模块14包括数据接收模块16、数据解析模块17、飞行施药模块18;所述数据接收模块16与无线通讯模块2连接,用于接收移动控制终端1所属的参数设置模块5传输的数据;所述数据解析模块17用于解析数据接收模块16接收到的数据;所述飞行施药模块18用于控制无人机飞行和施药。
所述无人机影像采集模块15包括影像采集模块19、实时影像存储模块20、实时影像传输模块21;所述影像采集模块19的影像采集由高分辨率宽动态摄像头完成,所述影像存储模块20的影像存储由Micro SD卡完成,所述影像传输模块21的影像传输通过无线通讯模块2完成。
所述云数据处理中心4包括:影像数据接收模块22、影像数据存储模块23、病虫害影像抓取模块24、病虫害分析对比模块25、病害识别数据库26、虫害识别数据库27、病虫害识别结果数据库28、病害防效数据库29、虫害识别结果数据库30、虫害防效数据库31、病虫害数据输出模块32。
所述影像数据接收模块22通过无线通讯模块2与无人机影像采集模块15所属的实时影像传输模块21连接,用于接收无人机影像采集模块传输的实时影像数据;所述影像数据存储模块23用于存储影像数据接收模块22接收到的实时影像数据;所述病虫害影像抓取模块24用于扫描影像数据中病虫害图像,并将病虫害图像切割成独立图像;所述病虫害影像抓取模块24抓取的病害独立图像与病害识别数据库26中病害识别数据进行比对分析得出病害识别结果数据,病害识别结果数据存储到病害识别结果数据库28;通过比对前后两次病害识别结果数据,得出病害防效数据,病害防效数据存储到病害防效数据库29;所述病虫害影像抓取模块24抓取的虫害独立图像与虫害识别数据库27中虫害识别数据进行比对分析得出虫害识别结果数据,虫害识别结果数据存储到虫害识别结果数据库30;通过比对前后两次虫害识别结果数据,得出虫害防效数据,虫害防效数据存储到虫害防效数据库31;病虫害数据输出模块32通过无线通讯模块2将病害识别结果数据、虫害识别结果数据、病害防效数据、虫害防效数据传输到移动控制终端所属的数据查看模块13。
病虫害智能识别实现步骤:
1.对病虫害的图像训练集进行分类并作相应预处理,使图像符合网络训练的要求;
2.对1中图像进行随机采样,获得适量的数据集,初始化数据结构得到初始化滤波器的权值;
3.将2的滤波器与第一步的训练集图像卷积,获得预定数量的特征图,引入批次规则化(batch normalization,BN)法对数据进行处理;
4.将3中获得的特征图通过式与2进行最大化采样,得到泛化后的图像;
5.分别利用上边3和4的方法对4中输出的特征图进行二次卷积,二次批量归一化处理,二次下采样,获得所需的特征图;
6.用同样的方法对5中输出的特征图进行三次卷积,三次批量归一化处理;
7.将6中的所有特征图转化为一个列向量,作为全连接层的输入,计算识别结果和期望值的差异,通过反向传播算法自顶向下调节更新网络参数,当误差等于或小于我们的期望值时,结束网络模型训练;
8.输入处理后的无人机拍摄病虫害图像,利用训练得到的网络模型对测试图像进行分类识别,通过Soft max分类器,并结合多尺度滑动窗算法显示识别结果。
将识别结果与病虫害防效数据库比对,获取最优防效方案传输到移动控制终端所属的数据查看模块。
本发明所述的一种无人机飞防及病虫害智能识别***实施方式不限于以上列举的例子。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说,在不脱离本发明构思的前提下,还可以做出若干推演或替换,都应当视为属于本发明的保护范围。
Claims (9)
1.一种无人机飞防及病虫害智能识别***,其结构包括移动控制终端、无线通讯模块、无人机主控装置、云数据处理中心。
2.根据权利要求1所述的一种无人机飞防及病虫害智能识别***,其特征在于,所述移动控制终端包括参数设置模块、实景观看模块、数据查看模块;所述参数设置模块包括无人机飞行区域地理信息、飞行参数、施药参数设定功能;所述实景观看模块用于用户实时观看无人机影像采集模块拍摄的作物长势、病害影像、虫害影像;数据查看模块用于查看云数据处理中心病虫害输出模块传输的病虫害数据。
3.根据权利要求1所述的一种无人机飞防及病虫害智能识别***,其特征在于,所述无线通讯模块分别与移动控制终端、无人机主控装置、云数据处理中心连接;用于移动控制终端与无人机主控装置和云数据处理中心的数据交互传输。
4.根据权利要求1所述的一种无人机飞防及病虫害智能识别***,其特征在于,所述无人机主控装置包括无人机控制模块、无人机影像采集模块。
5.根据权利要求1所述的一种无人机飞防及病虫害智能识别***,其特征在于,所述无人机控制模块包括数据接收模块、数据解析模块、飞行施药模块;所述无人机控制模块与无线通讯模块连接,用于对无人机移动控制终端传输的数据进行接收、解析,控制无人机的飞行和施药。
6.根据权利要求1所述的一种无人机飞防及病虫害智能识别***,其特征在于,所述无人机影像采集模块包括影像采集模块、实时影像存储模块、实时影像传输模块;所述无人机实时影像传输模块与无线通讯模块连接,通过无线通讯模块将实时影像传输至移动控制终端所属的实景观看模块和云数据处理中心所属的影像数据接收模块。
7.根据权利要求1所述的一种无人机飞防及病虫害智能识别***,其特征在于,所述云数据处理中心包括影像数据接收模块、影像数据存储模块、病虫害影像抓取模块、病虫害分析对比模块、病害识别数据库、虫害识别数据库、病害识别结果数据库、病害防效数据库、虫害识别结果数据库、虫害防效数据库、病虫害数据输出模块。
8.根据权利要求1所述的一种无人机飞防及病虫害智能识别***,其特征在于,所述云数据处理中心与无线通讯模块连接;所述影像数据接收模块用于接收无人机影像采集模块传输的实时影像数据;所述影像数据存储模块用于存储影像数据接收模块接收到的实时影像数据;所述病虫害影像抓取模块用于扫描影像数据中病虫害图像,并将病虫害图像切割成独立图像;所述病虫害影像抓取模块抓取的病虫害独立图像与病害识别数据库比对分析得出病害识别结果数据,与虫害识别数据库比对分析得出虫害识别数据,病害识别结果数据存储到病害识别结果数据库,虫害识别结果存储到虫害识别结果数据库;通过比对前后两次病害识别结果数据,得出病害防效数据,病害防效数据存储在病害防效数据库;通过比对前后两次虫害识别结果数据,得出虫害防效数据,虫害防效数据存储在虫害防效数据库;病虫害数据输出模块通过无线通讯模块将病害识别结果数据、虫害识别结果数据、病害防效数据、虫害防效数据传输到移动控制终端所属的数据查看模块。
9.根据权利要求1所述的一种无人机飞防及病虫害智能识别***,其特征在于,所述的病虫害智能识别主要是通过Lenet卷积神经网络(CNN)图像识别方法,可以实现无人机航拍图像中的病虫害的高效准确识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840918.XA CN112464688A (zh) | 2019-09-09 | 2019-09-09 | 一种无人机飞防及病虫害智能识别*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910840918.XA CN112464688A (zh) | 2019-09-09 | 2019-09-09 | 一种无人机飞防及病虫害智能识别*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112464688A true CN112464688A (zh) | 2021-03-09 |
Family
ID=74806904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910840918.XA Pending CN112464688A (zh) | 2019-09-09 | 2019-09-09 | 一种无人机飞防及病虫害智能识别*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112464688A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118266360A (zh) * | 2024-05-30 | 2024-07-02 | 安徽农业大学 | 基于生物信息学的果树害虫治理方法及*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202904667U (zh) * | 2012-03-29 | 2013-04-24 | 宁夏大学 | 基于移动终端的作物病害识别*** |
CN106645147A (zh) * | 2016-11-16 | 2017-05-10 | 王金鹏 | 一种病虫害监测方法 |
CN108541683A (zh) * | 2018-04-18 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络芯片的无人机农药喷洒*** |
CN110162087A (zh) * | 2019-05-17 | 2019-08-23 | 安徽舒州农业科技有限责任公司 | 一种植保无人机自动识别农作物病害的方法及装置 |
-
2019
- 2019-09-09 CN CN201910840918.XA patent/CN112464688A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202904667U (zh) * | 2012-03-29 | 2013-04-24 | 宁夏大学 | 基于移动终端的作物病害识别*** |
CN106645147A (zh) * | 2016-11-16 | 2017-05-10 | 王金鹏 | 一种病虫害监测方法 |
CN108541683A (zh) * | 2018-04-18 | 2018-09-18 | 济南浪潮高新科技投资发展有限公司 | 一种基于卷积神经网络芯片的无人机农药喷洒*** |
CN110162087A (zh) * | 2019-05-17 | 2019-08-23 | 安徽舒州农业科技有限责任公司 | 一种植保无人机自动识别农作物病害的方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118266360A (zh) * | 2024-05-30 | 2024-07-02 | 安徽农业大学 | 基于生物信息学的果树害虫治理方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111406261B (zh) | 一种从大视野图像中检测被感染对象的计算机实现的方法 | |
CN111582055B (zh) | 一种无人机的航空施药航线生成方法及*** | |
Olson et al. | Review on unmanned aerial vehicles, remote sensors, imagery processing, and their applications in agriculture | |
Su et al. | AI meets UAVs: A survey on AI empowered UAV perception systems for precision agriculture | |
KR102300799B1 (ko) | 작물 상태 판단 장치 및 이를 포함하는 작물 재배 정보 서비스 플랫폼 | |
Pilli et al. | eAGROBOT—A robot for early crop disease detection using image processing | |
KR102049938B1 (ko) | 센서 기반의 작황상황 빅데이터 분석을 이용하여 농약 살포량을 실시간으로 조절 가능한 농업용 드론 시스템 | |
CN113920474B (zh) | 一种智能监管柑橘种植态势的物联网***及方法 | |
CN112990262A (zh) | 一种草原生态数据监测与智能决策一体化解决*** | |
WO2020103109A1 (zh) | 一种地图生成方法、设备、飞行器及存储介质 | |
Qu et al. | Uav swarms in smart agriculture: Experiences and opportunities | |
CN112528912A (zh) | 基于边缘计算的作物生长监测嵌入式***及方法 | |
Der Yang et al. | Real-time crop classification using edge computing and deep learning | |
CN112711900A (zh) | 一种农作物数字孪生建模方法 | |
CN115187943A (zh) | 一种空地一体化植物生长状态智能感知***及方法 | |
CN111352404A (zh) | 无人机与地面移动机器人协同的农情获取方法、***、介质和设备 | |
CN110472596A (zh) | 一种农业精细化种植及灾害预防控制*** | |
CN112464688A (zh) | 一种无人机飞防及病虫害智能识别*** | |
Zhang et al. | Automatic counting of lettuce using an improved YOLOv5s with multiple lightweight strategies | |
Moazzam et al. | Crop and weeds classification in aerial imagery of sesame crop fields using a patch-based deep learning model-ensembling method | |
Rajamohan | Image processing and artificial intelligence for precision agriculture | |
Treboux et al. | Towards retraining of machine learning algorithms: an efficiency analysis applied to smart agriculture | |
KR20230094918A (ko) | 드론을 이용한 자동화 방제 관리 시스템 및 그 방법 | |
CN114954948A (zh) | 一种植保无人飞机智能施药***及控制方法 | |
Li et al. | UAVs-Based Smart Agriculture IoT Systems: An Application-Oriented Design |
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 |