CN115316172A - 一种基于植保无人机的纳米农药施药方法及*** - Google Patents
一种基于植保无人机的纳米农药施药方法及*** Download PDFInfo
- Publication number
- CN115316172A CN115316172A CN202211247468.1A CN202211247468A CN115316172A CN 115316172 A CN115316172 A CN 115316172A CN 202211247468 A CN202211247468 A CN 202211247468A CN 115316172 A CN115316172 A CN 115316172A
- Authority
- CN
- China
- Prior art keywords
- information
- pesticide
- data information
- route
- area
- 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.)
- Granted
Links
- 239000000575 pesticide Substances 0.000 title claims abstract description 308
- 238000000034 method Methods 0.000 title claims abstract description 73
- 230000008021 deposition Effects 0.000 claims abstract description 117
- 238000011156 evaluation Methods 0.000 claims abstract description 115
- 238000009826 distribution Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims description 27
- 238000012795 verification Methods 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 14
- 239000002689 soil Substances 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 18
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 241000196324 Embryophyta Species 0.000 description 51
- 239000003814 drug Substances 0.000 description 16
- 239000007788 liquid Substances 0.000 description 12
- 238000003860 storage Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000003016 pheromone Substances 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 229920000742 Cotton Polymers 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 241000257303 Hymenoptera Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 244000126002 Ziziphus vulgaris Species 0.000 description 1
- 235000008529 Ziziphus vulgaris Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Images
Classifications
-
- 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
- A01G13/00—Protecting plants
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01M—CATCHING, TRAPPING OR SCARING OF ANIMALS; APPARATUS FOR THE DESTRUCTION OF NOXIOUS ANIMALS OR NOXIOUS PLANTS
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0089—Regulating or controlling systems
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Environmental Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Zoology (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Wood Science & Technology (AREA)
- Pest Control & Pesticides (AREA)
- Insects & Arthropods (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Mining & Mineral Resources (AREA)
- Marine Sciences & Fisheries (AREA)
- Animal Husbandry (AREA)
- Entrepreneurship & Innovation (AREA)
- Agronomy & Crop Science (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
Abstract
本发明涉及一种基于植保无人机的纳米农药施药方法及***，属于植保无人机施药技术领域，包括：对实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息；根据当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，并将所述调整信息传输至植保无人机远程控制终端。本发明通过对植保无人机的施药过程进行自动监测，能够避免植保人机在施药过程中污染地下井、水源等场景类型；另一方面本发明实现根据实际的场景类型来调整施药过程中的施药航线，为植保无人机作业工况进行改进以及优化。
Description
技术领域
本发明涉及植保无人机技术领域，尤其涉及一种基于植保无人机的纳米农药施药方法及***。
背景技术
当前，为适应现代高效农业的发展趋势，农业农村部积极响应号召，正大力加快高标准农田建设步伐，紧紧围绕实施乡村振兴战略，推动藏粮于地、藏粮于技，以提升粮食产能为首要目标。这预示着农田分布将从零星散落向规整集中方向发展， 农业植保将面临规模化作业需求，只有通过现代农机装备才能有效解决，这给以无人机为代表的航空植保创造了广大的应用空间。植保无人机因可悬停以及可随时起降等特点，在农业植保领域扮演着重要的角色，也将成为新型智能农机装备的发展方向。目前，植保无人机以及旋翼无人机已经广泛应用于水稻、棉花、枣树等农作物的病虫害防治工作，但究其“能喷”到“喷好”尚且有一个较长的过渡阶段，其中依据航线的自动或自主飞行作业是提高农业植保效率的有效途径之一。而现如今，植保无人机在施药过程中不够智能，无法智能识别其中相应的场景类型，如地下水井、养殖场等，从而在相应的场景类型中仍然进行施药，施药过程中药液容易发生漂移，从而污染相应类型的场景。
发明内容
本发明克服了现有技术的不足，提供了一种基于植保无人机的纳米农药施药方法及***。
为达上述目的，本发明采用的技术方案为：
进一步地，本发明的一个较佳实施例中，
本发明第一方面提供了一种基于植保无人机的纳米农药施药方法，包括以下步骤：
获取当前待施药的农作物面积区域，并根据所述当前待施药的农作物面积区域建立植保无人机的施药航行路线，生成一次航线信息；
构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息；
获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息；
根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，并将所述调整信息传输至植保无人机远程控制终端。
进一步地，本发明的一个较佳实施例中，获取当前待施药的农作物面积区域，并根据所述当前待施药的农作物面积区域建立植保无人机的施药航行路线，生成一次航线信息，具体包括以下步骤：
获取当前待施药的农作物面积区域，并将所述当前待施药的农作物面积区域分割为多个子区域；
获取每个子区域的农作物面积区域图像信息，并对所述农作物面积区域图像信息进行去噪以及滤波处理，得到处理后的图像信息；
对所述处理后的图像信息进行分割处理，得到实际的农作物面积区域信息；
通过蚁群算法对所述实际的农作物面积进行航线规划，生成一次航线信息。
进一步地，本发明的一个较佳实施例中，构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息，具体包括以下步骤：
通过LBM法构建纳米农药沉积偏移预测模型，并获取实时的环境信息，并将所述实时的环境信息输入至纳米农药沉积偏移预测模型中，得到实时的纳米农药沉积偏移数据信息；
根据所述实时的纳米农药沉积偏移数据信息得到当前子区域每个待施药位置的纳米农药偏移量数据信息；
将所述纳米农药偏移量数据信息与预设纳米农药偏移量数据信息进行对比，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，若所述偏差率大于预设偏差率阈值，则将当前子区域的航线信息作为异常航线，并将所述异常航线作为一次评价信息，根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息。
进一步地，本发明的一个较佳实施例中，获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息，具体包括以下步骤：
获取当前待施药的农作物的地理位置信息，并基于神经网络建立识别模型，将预先训练好的数据信息分为训练集以及验证集；
将所述训练集输入到所述识别模型中进行训练，直至训练至模型参数平稳，保存模型参数，并将验证集输入到识别模型中进行验证，直至符合预设要求，模型训练完成；
通过大数据网络获取所述待施药的农作物的地理位置信息所对应的场景类型信息，并将所述场景类型信息输入至所述识别模型中进行识别，得到识别结果；
建立空间分布数据信息，若识别结果中存在预设识别结果，则将所述识别结果输入至所述空间分布数据信息中，得到当前地理位置的空间分布数据信息。
进一步地，本发明的一个较佳实施例中，根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，具体为：
获取一次评价信息所在航线对应的施药范围信息，并判断所述当前地理位置的空间分布数据信息是否在所述一次评价信息所在航线对应的施药范围信息之内；
若所述当前地理位置的空间分布数据信息在所述一次评价信息所在航线对应的施药范围信息之内，则获取当前地理位置的空间分布数据信息所占的区域面积；
根据所述当前地理位置的空间分布数据信息所占的区域面积得到当前所占的区域面积的边缘区域，基于当前所占的区域面积的边缘区域以及所述一次评价信息所在航线对应的施药范围信息计算出施药所涉及的区域面积；
根据所述施药所涉及的区域面积对所述二次航线信息进行调整，并生成调整信息。
进一步地，本发明的一个较佳实施例中，所述的一种基于植保无人机的纳米农药施药方法，还包括以下步骤：
获取当前施药区域的农作物类型，并通过大数据网络获取当前农作物类型在各种施药量之下的作物冠层农药历史沉积数据信息；
基于神经网络建立作物冠层沉积量预测模型，并将所述作物冠层农药历史沉积数据信息输入到所述作物冠层沉积量预测模型中训练，得到训练完成的作物冠层沉积量预测模型；
获取当前施药区域的纳米农药施药量，并将所述当前施药区域的纳米农药施药量输入到所述作物冠层沉积量预测模型中，以得到当前施药区域的作物冠层农药沉积数据信息；
若所述当前施药区域的作物冠层农药沉积数据信息大于预设作物冠层农药沉积数据信息时，生成当前施药区域的土壤改良方案以及修正当前施药区域的施药量。
本发明第二方面提供了一种基于植保无人机的纳米农药施药***，所述***包括存储器以及处理器，所述存储器包含基于植保无人机的纳米农药施药方法程序，所述基于植保无人机的纳米农药施药方法程序被所述处理器执行时，实现如下步骤：
获取当前待施药的农作物面积区域，并根据所述当前待施药的农作物面积区域建立植保无人机的施药航行路线，生成一次航线信息；
构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息；
获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息；
根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，并将所述调整信息传输至植保无人机远程控制终端。
在本实施例中，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息，具体包括以下步骤：
通过LBM法构建纳米农药沉积偏移预测模型，并获取实时的环境信息，并将所述实时的环境信息输入至纳米农药沉积偏移预测模型中，得到实时的纳米农药沉积偏移数据信息；
根据所述实时的纳米农药沉积偏移数据信息得到当前子区域每个待施药位置的纳米农药偏移量数据信息；
将所述纳米农药偏移量数据信息与预设纳米农药偏移量数据信息进行对比，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，若所述偏差率大于预设偏差率阈值，则将当前子区域的航线信息作为异常航线，并将所述异常航线作为一次评价信息，根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息。
在本实施例中，获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息，具体包括以下步骤：
获取当前待施药的农作物的地理位置信息，并基于神经网络建立识别模型，将预先训练好的数据信息分为训练集以及验证集；
将所述训练集输入到所述识别模型中进行训练，直至训练至模型参数平稳，保存模型参数，并将验证集输入到识别模型中进行验证，直至符合预设要求，模型训练完成；
通过大数据网络获取所述待施药的农作物的地理位置信息所对应的场景类型信息，并将所述场景类型信息输入至所述识别模型中进行识别，得到识别结果；
建立空间分布数据信息，若识别结果中存在预设识别结果，则将所述识别结果输入至所述空间分布数据信息中，得到当前地理位置的空间分布数据信息。
在本实施例中，根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，具体为：
获取一次评价信息所在航线对应的施药范围信息，并判断所述当前地理位置的空间分布数据信息是否在所述一次评价信息所在航线对应的施药范围信息之内；
若所述当前地理位置的空间分布数据信息在所述一次评价信息所在航线对应的施药范围信息之内，则获取当前地理位置的空间分布数据信息所占的区域面积；
根据所述当前地理位置的空间分布数据信息所占的区域面积得到当前所占的区域面积的边缘区域，基于当前所占的区域面积的边缘区域以及所述一次评价信息所在航线对应的施药范围信息计算出施药所涉及的区域面积；
根据所述施药所涉及的区域面积对所述二次航线信息进行调整，并生成调整信息。
本发明解决了背景技术中存在的缺陷，本发明具备以下有益效果：
本发明通过对植保无人机的施药过程进行自动监测，能够避免植保人机在施药过程中污染地下井、水源等场景类型，通过LBM方法建立纳米农药沉积偏移预测模型，进而对施药过程中的药液的运动轨迹，实现了对药液沉积以及漂移区域的精准研判，相比于现有技术，有效地提升了模型实现效率。另一方面本发明实现根据实际的场景类型来调整施药过程中的施药航线，为植保无人机作业工况进行改进以及优化。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。
图1示出了一种基于植保无人机的纳米农药施药方法的整体方法流程图；
图2示出了生成二次航线的方法流程图；
图3示出了生成调整信息的方法流程图；
图4示出了一种基于植保无人机的纳米农药施药***的***框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明第一方面提供了一种基于植保无人机的纳米农药施药方法，包括以下步骤：
S102:获取当前待施药的农作物面积区域，并根据所述当前待施药的农作物面积区域建立植保无人机的施药航行路线，生成一次航线信息；
S104:构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息；
S106:获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息；
S108:根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，并将所述调整信息传输至植保无人机远程控制终端。
需要说明的是，本发明通过对植保无人机的施药过程进行自动监测，能够避免植保人机在施药过程中污染地下井、水源等场景类型，通过LBM方法建立纳米农药沉积偏移预测模型，进而对施药过程中的药液的运动轨迹，实现了对药液沉积以及漂移区域的精准研判，相比于现有技术，有效地提升了模型实现效率。从而实现根据实际的场景类型来调整施药过程中的施药航线，为植保无人机作业工况进行改进以及优化。
进一步地，本发明的一个较佳实施例中，获取当前待施药的农作物面积区域，并根据所述当前待施药的农作物面积区域建立植保无人机的施药航行路线，生成一次航线信息，具体包括以下步骤：
获取当前待施药的农作物面积区域，并将所述当前待施药的农作物面积区域分割为多个子区域；
获取每个子区域的农作物面积区域图像信息，并对所述农作物面积区域图像信息进行去噪以及滤波处理，得到处理后的图像信息；
对所述处理后的图像信息进行分割处理，得到实际的农作物面积区域信息；
通过蚁群算法对所述实际的农作物面积进行航线规划，生成一次航线信息。
需要说明的是，通过AR遥感技术或者无人机遥感技术来获取每个子区域的农作物面积区域图像信息，蚁群算法是使用一定数量的智能体（称为蚂蚁）反复构造对优化问题的可行解，每次构造的结果都会留下一些信息素，可行解的质量越高，积累的信息素的浓度也就越高，最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。蚁群算法具有良好的鲁棒性和并行性，对最优解得搜索性能较好。通过蚁群算法对当前实际的农作物面积进行航线规划，从而生成一次航线信息，其一次航线信息为植保无人机初次预定航行路线。
进一步地，本发明的一个较佳实施例中，构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息，具体包括以下步骤：
S202:通过LBM法构建纳米农药沉积偏移预测模型，并获取实时的环境信息，并将所述实时的环境信息输入至纳米农药沉积偏移预测模型中，得到实时的纳米农药沉积偏移数据信息；
S204:根据所述实时的纳米农药沉积偏移数据信息得到当前子区域每个待施药位置的纳米农药偏移量数据信息；
S206:将所述纳米农药偏移量数据信息与预设纳米农药偏移量数据信息进行对比，得到偏差率；
S208:判断所述偏差率是否大于预设偏差率阈值，若所述偏差率大于预设偏差率阈值，则将当前子区域的航线信息作为异常航线，并将所述异常航线作为一次评价信息，根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息。
需要说明的是，LBM法为一种笛卡尔坐标下离散点对应速度在格子节点空间分布的粒子化方法，在计算具有复杂边界条件和非平稳运动物体的三维流场问题中具有优势，避免了传统的网格划分过程，计算效率和模拟准确率较传统方法均有很大提升。LBM模型方法基于晶格离散化的时间步长模型和传播碰撞模型，主要用于求解流体力学控制等非线性双曲守恒律方程组。该方法模拟粒子运动的位置始终强制限于晶格位置，每个晶格位置存储了27 个概率分布函数，最终通过概率统计重新获得宏观变量结果。进而通过LBM方法能够进一步预测出植保无人机在环境因素之下的施药偏移范围区域。其中环境信息可以是风向信息、风力信息、纳米农药雾滴的颗粒大小信息等，实时的纳米农药沉积偏移数据信息可以为在植保无人机的纳米农药施药过程的施药范围数据、在预定施药范围内的施药量。当偏差率大于预设偏差率阈值时，说明远程控制终端判定出当前区域施药产生了超出预定施药范围的偏移，进而根据偏移的情况来调整当前植保无人机的飞行航线，以生成二次航线信息。
进一步地，本发明的一个较佳实施例中，获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息，具体包括以下步骤：
获取当前待施药的农作物的地理位置信息，并基于神经网络建立识别模型，将预先训练好的数据信息分为训练集以及验证集；
将所述训练集输入到所述识别模型中进行训练，直至训练至模型参数平稳，保存模型参数，并将验证集输入到识别模型中进行验证，直至符合预设要求，模型训练完成；
通过大数据网络获取所述待施药的农作物的地理位置信息所对应的场景类型信息，并将所述场景类型信息输入至所述识别模型中进行识别，得到识别结果；
建立空间分布数据信息，若识别结果中存在预设识别结果，则将所述识别结果输入至所述空间分布数据信息中，得到当前地理位置的空间分布数据信息。
需要说明的是，其中预先训练好的数据信息可以为地下水井的场景类型信息、水源场景类型信息、养殖场景类型信息等，其中场景类型信息可以是图像数据信息、视频帧数据信息、符号类型图像数据信息等，从而通过本方法能够快速地识别出该施药区域是否存在地下水井的场景类型信息、水源场景类型信息、养殖场景类型信息等与人类或者动物相关的活动场景，当该施药区域存在该类场景信息时，通过判断当前施药范围是否危及当前该类场景中。
进一步地，本发明的一个较佳实施例中，根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，具体为：
S302:获取一次评价信息所在航线对应的施药范围信息，并判断所述当前地理位置的空间分布数据信息是否在所述一次评价信息所在航线对应的施药范围信息之内；
S304:若所述当前地理位置的空间分布数据信息在所述一次评价信息所在航线对应的施药范围信息之内，则获取当前地理位置的空间分布数据信息所占的区域面积；
S306:根据所述当前地理位置的空间分布数据信息所占的区域面积得到当前所占的区域面积的边缘区域，基于当前所占的区域面积的边缘区域以及所述一次评价信息所在航线对应的施药范围信息计算出施药所涉及的区域面积；
S308:根据所述施药所涉及的区域面积对所述二次航线信息进行调整，并生成调整信息。
需要说明的是，当当前施药范围危及到地下水井的场景类型信息、水源场景类型信息、养殖场景类型信息等场景类型信息时，此时通过基于当前所占的区域面积的边缘区域以及所述一次评价信息所在航线对应的施药范围信息计算出施药所涉及的区域面积，从而根据施药所涉及的区域面积（施药过程所涉及到预设场景类型的区域面积）来对二次航线信息进行重新调整，从而使得在施药的过程中不危及预设场景类型，避免农药危及人体的健康。
进一步地，本发明的一个较佳实施例中，所述的一种基于植保无人机的纳米农药施药方法，还包括以下步骤：
获取当前施药区域的农作物类型，并通过大数据网络获取当前农作物类型在各种施药量之下的作物冠层农药历史沉积数据信息；
基于神经网络建立作物冠层沉积量预测模型，并将所述作物冠层农药历史沉积数据信息输入到所述作物冠层沉积量预测模型中训练，得到训练完成的作物冠层沉积量预测模型；
获取当前施药区域的纳米农药施药量，并将所述当前施药区域的纳米农药施药量输入到所述作物冠层沉积量预测模型中，以得到当前施药区域的作物冠层农药沉积数据信息；
若所述当前施药区域的作物冠层农药沉积数据信息大于预设作物冠层农药沉积数据信息时，生成当前施药区域的土壤改良方案以及修正当前施药区域的施药量。
需要说明的是，由于施药过程中农作物的冠层上沉积农药就会影响土壤的质量，进而污染土壤，通过本方法能够对预测出当前施药区域的作物冠层农药沉积数据信息，从而来对已造成污染的施药区域提出土壤改良方案以及修正当前施药区域的施药量。
此外，本方法还可以包括以下步骤：
获取当前农作物施药区域内的污染数据文本信息，并通过对所述污染数据文本信息进行特征提取，得到预设类型的文本数据信息；
获取预设农作物施药区域在预设时间内的植保无人机施药数据信息，并通过对所述植保无人机施药数据信息进行特征提取，得到在预设的植保无人机施药文本信息；
通过对所述预设类型的文本数据信息以及在预设的植保无人机施药文本信息进行一次关联度计算，得到一次关联度信息；
若所述一次关联度信息大于预设关联度信息，则获取预设农作物施药区域的地域空间分布信息以及污染源的地域空间分布信息，通过对所述预设农作物施药区域的地域空间分布信息以及污染源的地域空间分布信息进行二次关联，得到二次关联度，当所述二次关联度大于预设二次关联度时，将所述植保无人机施药数据信息作为最大可能性污染源。
需要说明的是，其中一次关联信息可以是两种数据文本的相似程度，当一次关联度信息大于预设关联度信息，说明该地区的污染源可能与本次施药同源，从而进行对所述预设农作物施药区域的地域空间分布信息以及污染源的地域空间分布信息进行二次关联，如下游地区农药污染严重，当预设农作物施药区域的地域空间分布信息处于上游时，再如施药区域中的某一地下水井受到污染，而该地下水井处在施药的区域之中，此时双重判断，将植保无人机施药数据信息作为最大可能性污染源，从而对植保无人机的施药过程进行溯源，有利于相关部门的追责。
此外，其中，若所述当前施药区域的作物冠层农药沉积数据信息大于预设作物冠层农药沉积数据信息时，生成当前施药区域的土壤改良方案，包括以下步骤：
获取当前施药区域的作物冠层农药沉积数据信息，并根据所述当前施药区域的作物冠层农药沉积数据信息建立施药效果示意图；
通过GIS空间数据匹配算法计算以及分析所述施药效果示意图的作业质量以及各个区域的药液沉积数据信息；
根据所述作业质量以及各个区域的药液沉积数据得到当前各个施药区域的药液沉积区域，并获取各个药液沉积区域的土壤类型；
获取当前药液沉积区域的污染物类型，根据各个药液沉积区域的土壤类型以及当前药液沉积区域的污染物类型通过大数据网络检索相应的土壤改良方案，生成各个药液沉积区域的土壤改良方案。
值得一提的是，通过本方法能够快速地对当前施药区域的作物冠层农药沉积数据信息进行数据分析，从而根据土壤的类型以及当前药液沉积区域的污染物类型通过大数据网络检索相应的土壤改良方案，及时对污染区域的土壤进行修复。
本发明第二方面提供了一种基于植保无人机的纳米农药施药***，所述***包括存储器41以及处理器62，所述存储器41包含基于植保无人机的纳米农药施药方法程序，所述基于植保无人机的纳米农药施药方法程序被所述处理器62执行时，实现如下步骤：
获取当前待施药的农作物面积区域，并根据所述当前待施药的农作物面积区域建立植保无人机的施药航行路线，生成一次航线信息；
构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息；
获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息；
根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，并将所述调整信息传输至植保无人机远程控制终端。
在本实施例中，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息，具体包括以下步骤：
通过LBM法构建纳米农药沉积偏移预测模型，并获取实时的环境信息，并将所述实时的环境信息输入至纳米农药沉积偏移预测模型中，得到实时的纳米农药沉积偏移数据信息；
根据所述实时的纳米农药沉积偏移数据信息得到当前子区域每个待施药位置的纳米农药偏移量数据信息；
将所述纳米农药偏移量数据信息与预设纳米农药偏移量数据信息进行对比，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，若所述偏差率大于预设偏差率阈值，则将当前子区域的航线信息作为异常航线，并将所述异常航线作为一次评价信息，根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息。
在本实施例中，获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息，具体包括以下步骤：
获取当前待施药的农作物的地理位置信息，并基于神经网络建立识别模型，将预先训练好的数据信息分为训练集以及验证集；
将所述训练集输入到所述识别模型中进行训练，直至训练至模型参数平稳，保存模型参数，并将验证集输入到识别模型中进行验证，直至符合预设要求，模型训练完成；
通过大数据网络获取所述待施药的农作物的地理位置信息所对应的场景类型信息，并将所述场景类型信息输入至所述识别模型中进行识别，得到识别结果；
建立空间分布数据信息，若识别结果中存在预设识别结果，则将所述识别结果输入至所述空间分布数据信息中，得到当前地理位置的空间分布数据信息。
在本实施例中，根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，具体为：
获取一次评价信息所在航线对应的施药范围信息，并判断所述当前地理位置的空间分布数据信息是否在所述一次评价信息所在航线对应的施药范围信息之内；
若所述当前地理位置的空间分布数据信息在所述一次评价信息所在航线对应的施药范围信息之内，则获取当前地理位置的空间分布数据信息所占的区域面积；
根据所述当前地理位置的空间分布数据信息所占的区域面积得到当前所占的区域面积的边缘区域，基于当前所占的区域面积的边缘区域以及所述一次评价信息所在航线对应的施药范围信息计算出施药所涉及的区域面积；
根据所述施药所涉及的区域面积对所述二次航线信息进行调整，并生成调整信息。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，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权利要求的保护范围为准。
Claims (10)
1.一种基于植保无人机的纳米农药施药方法，其特征在于，包括以下步骤：
获取当前待施药的农作物面积区域，并根据所述当前待施药的农作物面积区域建立植保无人机的施药航行路线，生成一次航线信息；
构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息；
获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息；
根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，并将所述调整信息传输至植保无人机远程控制终端。
2.根据权利要求1所述的一种基于植保无人机的纳米农药施药方法，其特征在于，获取当前待施药的农作物面积区域，并根据所述当前待施药的农作物面积区域建立植保无人机的施药航行路线，生成一次航线信息，具体包括以下步骤：
获取当前待施药的农作物面积区域，并将所述当前待施药的农作物面积区域分割为多个子区域；
获取每个子区域的农作物面积区域图像信息，并对所述农作物面积区域图像信息进行去噪以及滤波处理，得到处理后的图像信息；
对所述处理后的图像信息进行分割处理，得到实际的农作物面积区域信息；
通过蚁群算法对所述实际的农作物面积进行航线规划，生成一次航线信息。
3.根据权利要求1所述的一种基于植保无人机的纳米农药施药方法，其特征在于，构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息，具体包括以下步骤：
通过LBM法构建纳米农药沉积偏移预测模型，并获取实时的环境信息，并将所述实时的环境信息输入至纳米农药沉积偏移预测模型中，得到实时的纳米农药沉积偏移数据信息；
根据所述实时的纳米农药沉积偏移数据信息得到当前子区域每个待施药位置的纳米农药偏移量数据信息；
将所述纳米农药偏移量数据信息与预设纳米农药偏移量数据信息进行对比，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，若所述偏差率大于预设偏差率阈值，则将当前子区域的航线信息作为异常航线，并将所述异常航线作为一次评价信息，根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息。
4.根据权利要求1所述的一种基于植保无人机的纳米农药施药方法，其特征在于，获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息，具体包括以下步骤：
获取当前待施药的农作物的地理位置信息，并基于神经网络建立识别模型，将预先训练好的数据信息分为训练集以及验证集；
将所述训练集输入到所述识别模型中进行训练，直至训练至模型参数平稳，保存模型参数，并将验证集输入到识别模型中进行验证，直至符合预设要求，模型训练完成；
通过大数据网络获取所述待施药的农作物的地理位置信息所对应的场景类型信息，并将所述场景类型信息输入至所述识别模型中进行识别，得到识别结果；
建立空间分布数据信息，若识别结果中存在预设识别结果，则将所述识别结果输入至所述空间分布数据信息中，得到当前地理位置的空间分布数据信息。
5.根据权利要求1所述的一种基于植保无人机的纳米农药施药方法，其特征在于，根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，具体为：
获取一次评价信息所在航线对应的施药范围信息，并判断所述当前地理位置的空间分布数据信息是否在所述一次评价信息所在航线对应的施药范围信息之内；
若所述当前地理位置的空间分布数据信息在所述一次评价信息所在航线对应的施药范围信息之内，则获取当前地理位置的空间分布数据信息所占的区域面积；
根据所述当前地理位置的空间分布数据信息所占的区域面积得到当前所占的区域面积的边缘区域，基于当前所占的区域面积的边缘区域以及所述一次评价信息所在航线对应的施药范围信息计算出施药所涉及的区域面积；
根据所述施药所涉及的区域面积对所述二次航线信息进行调整，并生成调整信息。
6.根据权利要求1所述的一种基于植保无人机的纳米农药施药方法，其特征在于，还包括以下步骤：
获取当前施药区域的农作物类型，并通过大数据网络获取当前农作物类型在各种施药量之下的作物冠层农药历史沉积数据信息；
基于神经网络建立作物冠层沉积量预测模型，并将所述作物冠层农药历史沉积数据信息输入到所述作物冠层沉积量预测模型中训练，得到训练完成的作物冠层沉积量预测模型；
获取当前施药区域的纳米农药施药量，并将所述当前施药区域的纳米农药施药量输入到所述作物冠层沉积量预测模型中，以得到当前施药区域的作物冠层农药沉积数据信息；
若所述当前施药区域的作物冠层农药沉积数据信息大于预设作物冠层农药沉积数据信息时，生成当前施药区域的土壤改良方案以及修正当前施药区域的施药量。
7.一种基于植保无人机的纳米农药施药***，其特征在于，所述***包括存储器以及处理器，所述存储器包含基于植保无人机的纳米农药施药方法程序，所述基于植保无人机的纳米农药施药方法程序被所述处理器执行时，实现如下步骤：
获取当前待施药的农作物面积区域，并根据所述当前待施药的农作物面积区域建立植保无人机的施药航行路线，生成一次航线信息；
构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息；
获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息；
根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，并将所述调整信息传输至植保无人机远程控制终端。
8.根据权利要求7所述的一种基于植保无人机的纳米农药施药***，其特征在于，构建纳米农药沉积偏移预测模型，基于所述纳米农药沉积偏移预测模型得到实时的纳米农药沉积偏移数据信息，并对所述实时的纳米农药沉积偏移数据信息进行一次评价，得到一次评价信息，并根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息，具体包括以下步骤：
通过LBM法构建纳米农药沉积偏移预测模型，并获取实时的环境信息，并将所述实时的环境信息输入至纳米农药沉积偏移预测模型中，得到实时的纳米农药沉积偏移数据信息；
根据所述实时的纳米农药沉积偏移数据信息得到当前子区域每个待施药位置的纳米农药偏移量数据信息；
将所述纳米农药偏移量数据信息与预设纳米农药偏移量数据信息进行对比，得到偏差率；
判断所述偏差率是否大于预设偏差率阈值，若所述偏差率大于预设偏差率阈值，则将当前子区域的航线信息作为异常航线，并将所述异常航线作为一次评价信息，根据所述一次评价信息进行调整所述一次航线信息，得到二次航线信息。
9.根据权利要求7所述的一种基于植保无人机的纳米农药施药***，其特征在于，获取当前待施药的农作物的地理位置信息，基于所述当前待施药的农作物的地理位置信息得到当前地理位置的空间分布数据信息，具体包括以下步骤：
获取当前待施药的农作物的地理位置信息，并基于神经网络建立识别模型，将预先训练好的数据信息分为训练集以及验证集；
将所述训练集输入到所述识别模型中进行训练，直至训练至模型参数平稳，保存模型参数，并将验证集输入到识别模型中进行验证，直至符合预设要求，模型训练完成；
通过大数据网络获取所述待施药的农作物的地理位置信息所对应的场景类型信息，并将所述场景类型信息输入至所述识别模型中进行识别，得到识别结果；
建立空间分布数据信息，若识别结果中存在预设识别结果，则将所述识别结果输入至所述空间分布数据信息中，得到当前地理位置的空间分布数据信息。
10.根据权利要求7所述的一种基于植保无人机的纳米农药施药***，其特征在于，根据所述当前地理位置的空间分布数据信息进行二次评价，得到二次评价信息，并根据所述二次评价信息以及二次航线信息进行调整，生成调整信息，具体为：
获取一次评价信息所在航线对应的施药范围信息，并判断所述当前地理位置的空间分布数据信息是否在所述一次评价信息所在航线对应的施药范围信息之内；
若所述当前地理位置的空间分布数据信息在所述一次评价信息所在航线对应的施药范围信息之内，则获取当前地理位置的空间分布数据信息所占的区域面积；
根据所述当前地理位置的空间分布数据信息所占的区域面积得到当前所占的区域面积的边缘区域，基于当前所占的区域面积的边缘区域以及所述一次评价信息所在航线对应的施药范围信息计算出施药所涉及的区域面积；
根据所述施药所涉及的区域面积对所述二次航线信息进行调整，并生成调整信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247468.1A CN115316172B (zh) | 2022-10-12 | 2022-10-12 | 一种基于植保无人机的纳米农药施药方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247468.1A CN115316172B (zh) | 2022-10-12 | 2022-10-12 | 一种基于植保无人机的纳米农药施药方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115316172A true CN115316172A (zh) | 2022-11-11 |
| CN115316172B CN115316172B (zh) | 2022-12-16 |
Family
ID=83914943
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211247468.1A Active CN115316172B (zh) | 2022-10-12 | 2022-10-12 | 一种基于植保无人机的纳米农药施药方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115316172B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107272726A (zh) * | 2017-08-11 | 2017-10-20 | 上海拓攻机器人有限公司 | 基于无人机植保作业的作业区域确定方法及装置 |
| CN109845715A (zh) * | 2019-03-06 | 2019-06-07 | 广州极飞科技有限公司 | 农药喷洒控制方法、装置、设备以及存储介质 |
| CN111488016A (zh) * | 2020-04-17 | 2020-08-04 | 北京派得伟业科技发展有限公司 | 植保无人机精准定量作业方法及装置 |
| CN111982097A (zh) * | 2019-05-23 | 2020-11-24 | 广州极飞科技有限公司 | 无人作业设备的目标航线的生成方法及装置、植保*** |
| WO2021008264A1 (zh) * | 2019-07-18 | 2021-01-21 | 南京嘉谷初成通信科技有限公司 | 一种无人机的植保喷洒方法、无人机及存储介质 |
| CN113887085A (zh) * | 2021-10-28 | 2022-01-04 | 河北农业大学 | 基于雾滴沉积模型的植保无人机喷洒质量评价方法 |
| CN114586760A (zh) * | 2022-03-29 | 2022-06-07 | 广东省农业科学院植物保护研究所 | 一种基于大数据的农药喷淋方法，***及可读存储介质 |
| CN115079713A (zh) * | 2022-07-13 | 2022-09-20 | 南京理工大学 | 一种基于航迹优化的无人机精准施药作业方法 |
-
2022
- 2022-10-12 CN CN202211247468.1A patent/CN115316172B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107272726A (zh) * | 2017-08-11 | 2017-10-20 | 上海拓攻机器人有限公司 | 基于无人机植保作业的作业区域确定方法及装置 |
| CN109845715A (zh) * | 2019-03-06 | 2019-06-07 | 广州极飞科技有限公司 | 农药喷洒控制方法、装置、设备以及存储介质 |
| CN111982097A (zh) * | 2019-05-23 | 2020-11-24 | 广州极飞科技有限公司 | 无人作业设备的目标航线的生成方法及装置、植保*** |
| WO2021008264A1 (zh) * | 2019-07-18 | 2021-01-21 | 南京嘉谷初成通信科技有限公司 | 一种无人机的植保喷洒方法、无人机及存储介质 |
| CN111488016A (zh) * | 2020-04-17 | 2020-08-04 | 北京派得伟业科技发展有限公司 | 植保无人机精准定量作业方法及装置 |
| CN113887085A (zh) * | 2021-10-28 | 2022-01-04 | 河北农业大学 | 基于雾滴沉积模型的植保无人机喷洒质量评价方法 |
| CN114586760A (zh) * | 2022-03-29 | 2022-06-07 | 广东省农业科学院植物保护研究所 | 一种基于大数据的农药喷淋方法，***及可读存储介质 |
| CN115079713A (zh) * | 2022-07-13 | 2022-09-20 | 南京理工大学 | 一种基于航迹优化的无人机精准施药作业方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张瑞瑞等: "《植保无人机施药沉积飘移监测***设计与应用》", 《植物保护学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115316172B (zh) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3932199A1 (en) | Pesticide spraying control method, apparatus, and device, and storage medium | |
| CN114418040B (zh) | 一种园林绿化养护监测及预警的方法与*** | |
| CN109886155B (zh) | 基于深度学习的单株水稻检测定位方法、***、设备及介质 | |
| CN108197566A (zh) | 一种基于多路神经网络的监控视频行为检测方法 | |
| WO2022079172A1 (en) | Treatment system for plant specific treatment | |
| CN116686814A (zh) | 一种植保无人机的施药控制方法、***及介质 | |
| CN117173400B (zh) | 一种荔枝虫害的低碳治理方案推荐方法及*** | |
| CN107392398A (zh) | 一种农业管理方法、雾计算平台及*** | |
| CN115316172B (zh) | 一种基于植保无人机的纳米农药施药方法及*** | |
| CN116171962B (zh) | 一种植保无人机的高效对靶喷雾调控方法及*** | |
| CN117350883A (zh) | 一种基于数字孪生的智慧农业设施管理方法及*** | |
| Toskova et al. | Recognition of Wheat Pests | |
| CN114967761B (zh) | 一种植保无人机作业的智能控制方法及*** | |
| CN115204500B (zh) | 面向虫害监测的多检测机器人数字孪生管理***及方法 | |
| CN114879746A (zh) | 一种农业植保无人机飞行路线优化方法 | |
| CN114971212A (zh) | 一种基于农业物联网的元宇宙交互***及其方法 | |
| EP4228404A1 (en) | Treatment system for weed specific treatment | |
| CN113359700A (zh) | 基于5g的无人驾驶拖拉机智能作业*** | |
| Jesus et al. | Fuzzy logic and geographic information systems for pest control in olive culture | |
| Khan et al. | Deep learning improved YOLOv8 algorithm: Real-time precise instance segmentation of crown region orchard canopies in natural environment | |
| Wang et al. | Path planning model of mobile robots in the context of crowds | |
| Liu et al. | Research on prediction about fruit tree diseases and insect pests based on neural network | |
| CN117873126A (zh) | 一种无人热雾机的智能控制方法、***及存储介质 | |
| CN117151354B (zh) | 一种农田修复与改良管理方法及*** | |
| CN118092290A (zh) | 基于路径规划的多种植车辆协同控制*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |