CN116686814A - 一种植保无人机的施药控制方法、***及介质 - Google Patents
一种植保无人机的施药控制方法、***及介质 Download PDFInfo
- Publication number
- CN116686814A CN116686814A CN202310928867.2A CN202310928867A CN116686814A CN 116686814 A CN116686814 A CN 116686814A CN 202310928867 A CN202310928867 A CN 202310928867A CN 116686814 A CN116686814 A CN 116686814A
- Authority
- CN
- China
- Prior art keywords
- pesticide application
- pest
- information
- natural enemy
- plant protection
- 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
- 239000000575 pesticide Substances 0.000 title claims abstract description 288
- 238000000034 method Methods 0.000 title claims abstract description 43
- 241000607479 Yersinia pestis Species 0.000 claims abstract description 245
- 241000238631 Hexapoda Species 0.000 claims abstract description 130
- 230000000694 effects Effects 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 230000008859 change Effects 0.000 claims description 36
- 230000009467 reduction Effects 0.000 claims description 36
- 230000006698 induction Effects 0.000 claims description 34
- 230000003287 optical effect Effects 0.000 claims description 34
- 238000005286 illumination Methods 0.000 claims description 22
- 230000033001 locomotion Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 16
- 230000001276 controlling effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 230000001939 inductive effect Effects 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 230000002319 phototactic effect Effects 0.000 claims description 8
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 9
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000010354 integration Effects 0.000 abstract description 3
- 230000036541 health Effects 0.000 description 24
- 239000002689 soil Substances 0.000 description 20
- 230000007613 environmental effect Effects 0.000 description 16
- 238000013210 evaluation model Methods 0.000 description 8
- 230000008021 deposition Effects 0.000 description 6
- 230000004083 survival effect Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000005507 spraying Methods 0.000 description 4
- 238000012271 agricultural production Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000010914 pesticide waste Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- A01M7/00—Special adaptations or arrangements of liquid-spraying apparatus for purposes covered by this subclass
- A01M7/0025—Mechanical sprayers
- A01M7/0032—Pressure sprayers
- A01M7/0042—Field sprayers, e.g. self-propelled, drawn or tractor-mounted
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D1/00—Dropping, ejecting, releasing, or receiving articles, liquids, or the like, in flight
- B64D1/16—Dropping or releasing powdered, liquid, or gaseous matter, e.g. for fire-fighting
- B64D1/18—Dropping or releasing powdered, liquid, or gaseous matter, e.g. for fire-fighting by spraying, e.g. insecticides
-
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Pest Control & Pesticides (AREA)
- Insects & Arthropods (AREA)
- Wood Science & Technology (AREA)
- Zoology (AREA)
- Environmental Sciences (AREA)
- Mechanical Engineering (AREA)
- Aviation & Aerospace Engineering (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种植保无人机的施药控制方法、***及介质，旨在提供一种高效精准的农作物施药方案。该方法包括以下步骤：首先，获取目标农田的基本信息。其次，利用图像识别技术判断害虫的富集情况，生成害虫富集报告。然后，根据历史施药剂量以及害虫富集报告生成虫害防治方案。根据虫害防治方案，确定植保无人机的最佳施药时间段。接着，在最佳施药时间段内，对农作物进行施药操作。最后，对施药操作后的农作物进行效果判断，以评估施药效果。本发明实现了农田信息获取、虫害监测、施药时间确定和施药效果评估的一体化，提高了植保无人机施药的效率和准确性。
Description
技术领域
本发明涉及农业施药技术领域，特别涉及一种植保无人机的施药控制方法、***及介质。
背景技术
目前，农业生产中普遍存在着虫害对农作物的危害问题，因此植保施药是保障农作物健康生长的重要手段之一。传统的施药方式主要依靠人工操作或机械设备，但这些方法存在着效率低、施药不均匀、过量用药和环境污染等问题，且缺乏精准施药的能力。植保无人机作为一种新兴的农业施药工具，具有灵活、高效、快速等优势，能够实现精准施药，降低农药的使用量，减少环境污染，提高农作物产量和质量。然而，目前大部分植保无人机的施药方式仍然采用传统的定时定量施药，未能根据具体农田的实际情况进行个性化施药。缺乏针对虫害信息的监测与分析，导致施药效果不佳。因此，急需一种能够综合农田信息、监测虫害、智能判断最佳施药时间，并进行施药效果评估的植保无人机施药控制方法。该方法应当基于先进的图像识别技术和数据分析方法，能够实现农作物施药的个性化，提高施药效率和精确度，达到科学、环保、可持续的农业生产目标。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种植保无人机的施药控制方法、***及介质。
本发明第一方面提供了一种植保无人机的施药控制方法，包括：
获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息；
基于图像识别技术判断害虫富集情况，生成害虫富集报告；
获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案；
根据虫害防治方案，确定植保无人机的最佳施药时间段；
基于虫害防治方案和最佳施药时间段，对农作物进行施药操作；
对施药操作后的农作物判断施药效果。
本方案中，所述获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息，具体为：
基于GPS定位设备，获取目标农田位置信息，所述位置信息包括经、纬度数据，构建地图模型，将所述目标农田位置信息导入地图模型中，生成目标农田地图模型，并在预设显示器中进行显示；
根据农田种植信息，获取农作物种类信息，所述农作物种类信息包括农作物名称、生长高度；
根据农田调查数据，获取农田中的虫害信息，所述虫害信息包括害虫名称、害虫特征。
本方案中，所述基于图像识别技术判断害虫富集情况，生成害虫富集报告，具体为：
获取预设区域内对害虫进行富集操作过程中的视频数据,提取所述视频数据的视频帧图像，得到视频帧图像集；
提取所述视频帧图像集的每一帧图像的像素信息；
根据所述像素信息计算视频帧图像集的像素协方差矩阵，根据所述像素协方差矩阵计算视频帧图像集的特征向量和特征值；
将特征值由大到小进行排序，并选择第一个特征值作为特征向量的主成分，将原始的像素信息投影到所述主成分上，得到一次降维的视频帧图像集数据；
计算一次降维的视频帧图像集数据的相似度矩阵，利用相似度矩阵计算数据点与数据点之间的条件概率，得到概率分布图；
初始化二次降维的数据点位置，根据概率分布图，计算二次降维后的数据点之间的条件概率；
根据概率分布图和二次降维的数据点之间的条件概率计算KL散度值，循环对二次降维的数据点位置进行调整，直到KL散度值达到预设散度值，得到二次降维视频帧图像集；
基于图像识别技术构建图像处理模型；
将所述二次降维视频帧图像集的每一帧视频帧图像导入图像处理模型中，对每个害虫的位置进行以圆点进行标记，得到标记图像；
根据标记图像，判断害虫的富集程度，生成害虫富集报告，所述害虫富集报告包括害虫在目标农田中的数量。
本方案中，所述获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案，具体为：
获取目标区域中各农作物种植区域的历史施药剂量，判断历史施药剂量是否达到污染标准，若未达到污染标准，则生成植保无人机施药防治方案；
若达到污染标准，则获取目标农田中的害虫的天敌昆虫的趋光性信息，并设定天敌昆虫的数量阈值；
在预设时间段内，初始化预设数量的天敌昆虫光照诱导设备，对天敌昆虫进行诱导至目标农田中；
通过红外检测装置实时观测害虫的天敌昆虫的数量变化信息，并实时将所述数量变化信息绘制成数量-时间变化图；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量不大于数量阈值，根据所述预设数量的天敌昆虫光照诱导设备，设置天敌昆虫诱导网络；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量大于数量阈值，均匀减少天敌昆虫光照诱导设备，并对天敌昆虫进行引流，直至诱导后的目标农田中的天敌昆虫数量不大于数量阈值。
本方案中，所述根据虫害防治方案，确定植保无人机的最佳施药时间段，具体为：
获取所述视频帧图像的时间戳信息；
根据害虫富集报告和视频帧图像的时间戳信息，绘制基于时间变化的害虫数量变化的数量-时间曲线；
根据数量-时间曲线的变化信息，确定害虫富集数量最多的时间段；
根据所述时间段，确定植保无人机的最佳施药时间段。
本方案中，所述基于害虫富集报告和最佳施药时间段，对农作物进行施药操作，具体为：
将目标农田以网格的方式划分为N个小区域，并将划分的小区域在所述目标农田地图模型中进行显示；
在最佳施药时间段内，基于植保无人机的摄像装置获取每个小区域的图像信息；
根据所述图像信息对图像进行特征提取，将提取的特征与害虫特征进行对比，得到图片中的害虫，并对所述害虫进行统计，得到每个小区域的害虫数量信息；
若害虫数量大于预设数量，将该小区域标记为待施药区域，并获取待施药区域的位置信息，并在目标农田地图模型中进行标记；
基于待施药区域的位置信息，设置植保无人机施药路线的起点与终点；
基于Dijkstra算法对待施药区域的位置信息进行搜索，得到植保无人机施药的最短路径，形成施药路线；
根据害虫的数量信息、待施药区域的位置信息、农作物种类信息，实时调控植保无人机在不同位置的施药量。
本方案中，所述对施药操作后的农作物判断施药效果，具体为：
选择预设百分比的施药操作后区域的预设时间内的施药后视频数据，并提取施药后视频帧数据；
对施药后视频帧数据进行光流向量计算，得到光流场；
对光流场进行运动过滤，得到害虫运动的光流信息；
基于光流信息，对光流场进行阈值化处理，将相连的像素点组成害虫运动轨迹；
对害虫运动轨迹进行计数，得到施药后害虫数量；
将施药后害虫数量与害虫富集数量进行对比，判断施药效果。
本发明第二方面还提供了一种植保无人机的施药控制***，该***包括：存储器、处理器，所述存储器中包括植保无人机的施药控制方法程序，所述植保无人机的施药控制方法程序被所述处理器执行时，实现如下步骤：
获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息；
基于图像识别技术判断害虫富集情况，生成害虫富集报告；
获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案；
根据虫害防治方案，确定植保无人机的最佳施药时间段；
基于虫害防治方案和最佳施药时间段，对农作物进行施药操作；
对施药操作后的农作物判断施药效果。
本方案中，所述获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案，具体为：
获取目标区域中各农作物种植区域的历史施药剂量，判断历史施药剂量是否达到污染标准，若未达到污染标准，则生成植保无人机施药防治方案；
若达到污染标准，则获取目标农田中的害虫的天敌昆虫的趋光性信息，并设定天敌昆虫的数量阈值；
在预设时间段内，初始化预设数量的天敌昆虫光照诱导设备，对天敌昆虫进行诱导至目标农田中；
通过红外检测装置实时观测害虫的天敌昆虫的数量变化信息，并实时将所述数量变化信息绘制成数量-时间变化图；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量不大于数量阈值，根据所述预设数量的天敌昆虫光照诱导设备，设置天敌昆虫诱导网络；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量大于数量阈值，均匀减少天敌昆虫光照诱导设备，并对天敌昆虫进行引流，直至诱导后的目标农田中的天敌昆虫数量不大于数量阈值。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质包括植保无人机的施药控制方法程序，所述植保无人机的施药控制方法程序被处理器执行时，实现如上述任一项所述的植保无人机的施药控制方法的步骤。
本发明公开了一种植保无人机的施药控制方法、***及介质，旨在提供一种高效精准的农作物施药方案。该方法包括以下步骤：首先，获取目标农田的基本信息。其次，利用图像识别技术判断害虫的富集情况，生成害虫富集报告。然后，根据历史施药剂量以及害虫富集报告生成虫害防治方案。根据虫害防治方案，确定植保无人机的最佳施药时间段。接着，在最佳施药时间段内，对农作物进行施药操作。最后，对施药操作后的农作物进行效果判断，以评估施药效果。本发明实现了农田信息获取、虫害监测、施药时间确定和施药效果评估的一体化，提高了植保无人机施药的效率和准确性。
附图说明
图1示出了本发明一种植保无人机的施药控制方法的流程图；
图2示出了本发明生成虫害防治方案流程图；
图3示出了本发明对农作物进行施药操作流程图；
图4示出了本发明一种植保无人机的施药控制***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。
图1示出了本发明一种植保无人机的施药控制方法的流程图。
如图1所示，本发明第一方面提供了一种植保无人机的施药控制方法，包括：
S102，获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息；
S104，基于图像识别技术判断害虫富集情况，生成害虫富集报告；
S106，获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案；
S108，根据虫害防治方案，确定植保无人机的最佳施药时间段；
S110，基于虫害防治方案和最佳施药时间段，对农作物进行施药操作；
S112，对施药操作后的农作物判断施药效果。
根据本发明实施例，所述获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息，具体为：
基于GPS定位设备，获取目标农田位置信息，所述位置信息包括经、纬度数据，构建地图模型，将所述目标农田位置信息导入地图模型中，生成目标农田地图模型，并在预设显示器中进行显示；
根据农田种植信息，获取农作物种类信息，所述农作物种类信息包括农作物名称、生长高度；
根据农田调查数据，获取农田中的虫害信息，所述虫害信息包括害虫名称、害虫特征。
根据本发明实施例，所述基于图像识别技术判断害虫富集情况，生成害虫富集报告，具体为：
获取预设区域内对害虫进行富集操作过程中的视频数据,提取所述视频数据的视频帧图像，得到视频帧图像集；
提取所述视频帧图像集的每一帧图像的像素信息；
根据所述像素信息计算视频帧图像集的像素协方差矩阵，根据所述像素协方差矩阵计算视频帧图像集的特征向量和特征值；
将特征值由大到小进行排序，并选择第一个特征值作为特征向量的主成分，将原始的像素信息投影到所述主成分上，得到一次降维的视频帧图像集数据；
计算一次降维的视频帧图像集数据的相似度矩阵，利用相似度矩阵计算数据点与数据点之间的条件概率，得到概率分布图；
初始化二次降维的数据点位置，根据概率分布图，计算二次降维后的数据点之间的条件概率；
根据概率分布图和二次降维的数据点之间的条件概率计算KL散度值，循环对二次降维的数据点位置进行调整，直到KL散度值达到预设散度值，得到二次降维视频帧图像集；
基于图像识别技术构建图像处理模型；
将所述二次降维视频帧图像集的每一帧视频帧图像导入图像处理模型中，对每个害虫的位置进行以圆点进行标记，得到标记图像；
根据标记图像，判断害虫的富集程度，生成害虫富集报告，所述害虫富集报告包括害虫在目标农田中的数量。
需要说明的是，在本发明实施例中，由于视频帧图像集的数据量庞大，首先通过PCA对视频帧图像集进行一次降维处理，然后使用t-sne对视频帧图像集进行二次降维，最终得到有用的视频帧数据，对视频帧数据中的冗余数据进行剔除，提高了***的数据处理效率，进一步提升了植保无人机因数据处理带来的数据接收延迟现象，提高了植保无人机的施药精准度。
图2示出了本发明生成虫害防治方案流程图。
根据本发明实施例，所述获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案，具体为：
S202，获取目标区域中各农作物种植区域的历史施药剂量，判断历史施药剂量是否达到污染标准，若未达到污染标准，则生成植保无人机施药防治方案；
S204，若达到污染标准，则获取目标农田中的害虫的天敌昆虫的趋光性信息，并设定天敌昆虫的数量阈值；
S206，在预设时间段内，初始化预设数量的天敌昆虫光照诱导设备，对天敌昆虫进行诱导至目标农田中；
S208，通过红外检测装置实时观测害虫的天敌昆虫的数量变化信息，并实时将所述数量变化信息绘制成数量-时间变化图；
S210，若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量不大于数量阈值，根据所述预设数量的天敌昆虫光照诱导设备，设置天敌昆虫诱导网络；
S212，若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量大于数量阈值，均匀减少天敌昆虫光照诱导设备，并对天敌昆虫进行引流，直至诱导后的目标农田中的天敌昆虫数量不大于数量阈值。
需要说明的是，在本发明实施例中，首先判断历史施药剂量是否达到了污染标准，若达到污染标准，则通过诱导害虫的天敌昆虫至目标农田中对害虫进行捕食，避免了再次施药对环境造成进一步的污染，实现了环境保护和害虫无害化杀灭的效果，并实时监控天敌昆虫的数量，避免天敌昆虫的数量过多，对农作物造成危害；所述天敌昆虫的数量阈值是对目标农田的农作物不会造成危害的最大天敌昆虫数量；所述预设时间段是指黑夜的情况下，避免了太阳光照对光照设备的影响，导致天敌昆虫诱导效果不佳。
根据本发明实施例，所述根据害虫富集报告，确定植保无人机的最佳施药时间段，具体为：
获取所述视频帧图像的时间戳信息；
根据害虫富集报告和视频帧图像的时间戳信息，绘制基于时间变化的害虫数量变化的数量-时间曲线；
根据数量-时间曲线的变化信息，确定害虫富集数量最多的时间段；
根据所述时间段，确定植保无人机的最佳施药时间段。
需要说明的是，通过对视频帧图像的时间戳信息进行分析，并结合害虫富集报告中的害虫在目标农田中的数量信息，绘制了数量-时间曲线。这个曲线能够清晰地展示害虫数量随时间的变化情况，使得农田管理者能够直观地了解害虫富集情况的动态变化；根据数量-时间曲线的变化信息，***能够准确地确定害虫富集数量最多的时间段，因此是最佳的植保施药时间段，在该时间段内，使用植保无人机进行施药，可以有效地针对害虫群体，减少农药的使用量，并最大程度地提高植保效果，达到高效、节能、环保的目的。
图3示出了本发明对农作物进行施药操作流程图。
根据本发明实施例，所述基于害虫富集报告和最佳施药时间段，对农作物进行施药操作，具体为：
S302，将目标农田以网格的方式划分为N个小区域，并将划分的小区域在所述目标农田地图模型中进行显示；
S304，在最佳施药时间段内，基于植保无人机的摄像装置获取每个小区域的图像信息；
S306，根据所述图像信息对图像进行特征提取，将提取的特征与害虫特征进行对比，得到图片中的害虫，并对所述害虫进行统计，得到每个小区域的害虫数量信息；
S308，若害虫数量大于预设数量，将该小区域标记为待施药区域，并获取待施药区域的位置信息，并在目标农田地图模型中进行标记；
S310，基于待施药区域的位置信息，设置植保无人机施药路线的起点与终点；
S312，基于Dijkstra算法对待施药区域的位置信息进行搜索，得到植保无人机施药的最短路径，形成施药路线；
S314，根据害虫的数量信息、待施药区域的位置信息、农作物种类信息，实时调控植保无人机在不同位置的施药量。
需要说明的是，所述将目标农田以网格的方式划分为N个小区域，以便更加精细地对农田进行管理和施药操作；所述预设数量为农田管理者设定的害虫在农作物中且对农作物不造成危害的数量最大值；所述Dijkstra算法是一种用于求解图中最短路径的算法，可以帮助植保无人机规划最优的施药路线，从而节约时间和资源；在本发明实施例中，实时调控植保无人机在不同位置的施药量，使植保无人机能够根据实际情况进行灵活调整，将农药用于害虫密度较高的区域，减少了农药的浪费，同时又确保了农作物充分受到保护。
根据本发明实施例，所述对施药操作后的农作物判断施药效果，具体为：
选择预设百分比的施药操作后区域的预设时间内的施药后视频数据，并提取施药后视频帧数据；
对施药后视频帧数据进行光流向量计算，得到光流场；
对光流场进行运动过滤，得到害虫运动的光流信息；
基于光流信息，对光流场进行阈值化处理，将相连的像素点组成害虫运动轨迹；
对害虫运动轨迹进行计数，得到施药后害虫数量；
将施药后害虫数量与害虫富集数量进行对比，判断施药效果。
需要说明的是，所述选择预设百分比的施药操作后区域，进行获取视频数据对施药效果进行判断，可减少数据处理量；所述光流向量是指在连续图像中像素点在时间上的位移，光流场则是由所有像素点的光流向量组成的图像。通过计算光流场，可以了解图像中各个像素点的运动情况；将施药后害虫数量与害虫富集数量进行对比，能够客观地评估施药操作的效果，如果施药后害虫数量明显减少，且与害虫富集数量相比较小，则说明施药操作取得了较好的效果，成功地控制了害虫的数量，反之，若施药后害虫数量仍较多，则可能需要进一步优化施药方案，以提高施药效果。
根据本发明实施例，还包括：
获取不同健康状态的农作物的多光谱训练数据，所述健康状态包括健康、亚健康、不健康；
建立植物健康评估模型，将多光谱训练数据导入植物健康评估模型中进行训练；
通过多光谱传感器获取目标农田的农作物的多光谱数据；
将多光谱数据进行预处理，所述预处理包括辐射校正、去除噪声；
将预处理后的多光谱数据导入植物健康评估模型中进行植物健康评估，判断植物的健康状态；
根据植物的健康状态，控制植保无人机的启动时间和施药时间。
需要说明的是，在本发明实施例中，通过建立植物健康评估模型，对植物的健康状态进行评估，减少了人力资源对农作物的健康状态的监测；提高农作物的管理效率。
此外，所述获取目标区域中各农作物种植区域的历史施药剂量，判断历史施药剂量是否达到污染标准，具体包括以下步骤：
通过农田施药数据获取目标区域中各农作物种植区域的历史施药剂量、施药农药在土壤中的降解周期、农药喷洒土壤残留量；
根据环保准则，确定土壤中农药成分的污染标准；
根据历史施药剂量、施药农药在土壤中的降解周期、农药喷洒土壤残留量进行计算，预测土壤农药沉积度；
通过污染标准对土壤农药沉积度进行判断，若农药沉积度超过污染标准，判定历史施药剂量达到污染标准。
需要说明的是，通过获取历史施药剂量对土壤农药沉积度进行预测，根据土壤农药的沉积度进行判断农田是否达到污染标准，节省了对农田土壤的检测，有效节省了时间，提高了污染评判效率。
根据本发明实施例，还包括：
获取目标农田中农作物的生长周期信息、种植时间信息、历史环境数据；
根据农作物的生长周期信息、种植时间信息、历史环境数据预测农作物在预设生长周期时的环境数据，环境数据包括气温、湿度、风速、降雨量；
获取农作物历史生长周期中，不同生长阶段出现的害虫种类信息；
根据害虫种类信息获取害虫的天敌昆虫种类信息，并检索所述天敌昆虫的适宜生存的环境数据；
根据农作物在预设生长周期时的环境数据与天敌昆虫的适宜生存的环境数据进行对比，得到在预设生长周期时适生的天敌昆虫种类；
获取所述适生的天敌昆虫种类的趋光性信息，对适生的天敌昆虫种类在农作物预设生长周期进行诱导至目标农田中。
需要说明的是，在农作物不同的生长阶段中，害虫的种类也不尽相同，所以需要吸引至农田中对害虫进行捕食的天敌昆虫种类也会有所不同，由于不同天敌昆虫的适宜生存环境不同，为了避免对天敌昆虫的诱导效率不佳，在本发明实施例中可根据预测农作物在不同生长周期时的环境数据，对在该环境数据适宜生存的天敌昆虫进行诱导，提高天敌昆虫的诱导效率。
图4示出了本发明一种植保无人机的施药控制***的框图。
本发明第二方面还提供了一种植保无人机的施药控制***4，该***包括：存储器41、处理器42，所述存储器中包括植保无人机的施药控制方法程序，所述植保无人机的施药控制方法程序被所述处理器执行时，实现如下步骤：
获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息；
基于图像识别技术判断害虫富集情况，生成害虫富集报告；
获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案；
根据虫害防治方案，确定植保无人机的最佳施药时间段；
基于虫害防治方案和最佳施药时间段，对农作物进行施药操作；
对施药操作后的农作物判断施药效果。
根据本发明实施例，所述获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息，具体为：
基于GPS定位设备，获取目标农田位置信息，所述位置信息包括经、纬度数据，构建地图模型，将所述目标农田位置信息导入地图模型中，生成目标农田地图模型，并在预设显示器中进行显示；
根据农田种植信息，获取农作物种类信息，所述农作物种类信息包括农作物名称、生长高度；
根据农田调查数据，获取农田中的虫害信息，所述虫害信息包括害虫名称、害虫特征。
根据本发明实施例，所述基于图像识别技术判断害虫富集情况，生成害虫富集报告，具体为：
获取预设区域内对害虫进行富集操作过程中的视频数据,提取所述视频数据的视频帧图像，得到视频帧图像集；
提取所述视频帧图像集的每一帧图像的像素信息；
根据所述像素信息计算视频帧图像集的像素协方差矩阵，根据所述像素协方差矩阵计算视频帧图像集的特征向量和特征值；
将特征值由大到小进行排序，并选择第一个特征值作为特征向量的主成分，将原始的像素信息投影到所述主成分上，得到一次降维的视频帧图像集数据；
计算一次降维的视频帧图像集数据的相似度矩阵，利用相似度矩阵计算数据点与数据点之间的条件概率，得到概率分布图；
初始化二次降维的数据点位置，根据概率分布图，计算二次降维后的数据点之间的条件概率；
根据概率分布图和二次降维的数据点之间的条件概率计算KL散度值，循环对二次降维的数据点位置进行调整，直到KL散度值达到预设散度值，得到二次降维视频帧图像集；
基于图像识别技术构建图像处理模型；
将所述二次降维视频帧图像集的每一帧视频帧图像导入图像处理模型中，对每个害虫的位置进行以圆点进行标记，得到标记图像；
根据标记图像，判断害虫的富集程度，生成害虫富集报告，所述害虫富集报告包括害虫在目标农田中的数量。
需要说明的是，在本发明实施例中，由于视频帧图像集的数据量庞大，首先通过PCA对视频帧图像集进行一次降维处理，然后使用t-sne对视频帧图像集进行二次降维，最终得到有用的视频帧数据，对视频帧数据中的冗余数据进行剔除，提高了***的数据处理效率，进一步提升了植保无人机因数据处理带来的数据接收延迟现象，提高了植保无人机的施药精准度。
根据本发明实施例，所述获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案，具体为：
获取目标区域中各农作物种植区域的历史施药剂量，判断历史施药剂量是否达到污染标准，若未达到污染标准，则生成植保无人机施药防治方案；
若达到污染标准，则获取目标农田中的害虫的天敌昆虫的趋光性信息，并设定天敌昆虫的数量阈值；
在预设时间段内，初始化预设数量的天敌昆虫光照诱导设备，对天敌昆虫进行诱导至目标农田中；
通过红外检测装置实时观测害虫的天敌昆虫的数量变化信息，并实时将所述数量变化信息绘制成数量-时间变化图；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量不大于数量阈值，根据所述预设数量的天敌昆虫光照诱导设备，设置天敌昆虫诱导网络；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量大于数量阈值，均匀减少天敌昆虫光照诱导设备，并对天敌昆虫进行引流，直至诱导后的目标农田中的天敌昆虫数量不大于数量阈值。
需要说明的是，在本发明实施例中，首先判断历史施药剂量是否达到了污染标准，若达到污染标准，则通过诱导害虫的天敌昆虫至目标农田中对害虫进行捕食，避免了再次施药对环境造成进一步的污染，实现了环境保护和害虫无害化杀灭的效果，并实时监控天敌昆虫的数量，避免天敌昆虫的数量过多，对农作物造成危害；所述天敌昆虫的数量阈值是对目标农田的农作物不会造成危害的最大天敌昆虫数量；所述预设时间段是指黑夜的情况下，避免了太阳光照对光照设备的影响，导致天敌昆虫诱导效果不佳。
根据本发明实施例，所述根据害虫富集报告，确定植保无人机的最佳施药时间段，具体为：
获取所述视频帧图像的时间戳信息；
根据害虫富集报告和视频帧图像的时间戳信息，绘制基于时间变化的害虫数量变化的数量-时间曲线；
根据数量-时间曲线的变化信息，确定害虫富集数量最多的时间段；
根据所述时间段，确定植保无人机的最佳施药时间段。
需要说明的是，通过对视频帧图像的时间戳信息进行分析，并结合害虫富集报告中的害虫在目标农田中的数量信息，绘制了数量-时间曲线。这个曲线能够清晰地展示害虫数量随时间的变化情况，使得农田管理者能够直观地了解害虫富集情况的动态变化；根据数量-时间曲线的变化信息，***能够准确地确定害虫富集数量最多的时间段，因此是最佳的植保施药时间段，在该时间段内，使用植保无人机进行施药，可以有效地针对害虫群体，减少农药的使用量，并最大程度地提高植保效果，达到高效、节能、环保的目的。
根据本发明实施例，所述基于害虫富集报告和最佳施药时间段，对农作物进行施药操作，具体为：
将目标农田以网格的方式划分为N个小区域，并将划分的小区域在所述目标农田地图模型中进行显示；
在最佳施药时间段内，基于植保无人机的摄像装置获取每个小区域的图像信息；
根据所述图像信息对图像进行特征提取，将提取的特征与害虫特征进行对比，得到图片中的害虫，并对所述害虫进行统计，得到每个小区域的害虫数量信息；
若害虫数量大于预设数量，将该小区域标记为待施药区域，并获取待施药区域的位置信息，并在目标农田地图模型中进行标记；
基于待施药区域的位置信息，设置植保无人机施药路线的起点与终点；
基于Dijkstra算法对待施药区域的位置信息进行搜索，得到植保无人机施药的最短路径，形成施药路线；
根据害虫的数量信息、待施药区域的位置信息、农作物种类信息，实时调控植保无人机在不同位置的施药量。
需要说明的是，所述将目标农田以网格的方式划分为N个小区域，以便更加精细地对农田进行管理和施药操作；所述预设数量为农田管理者设定的害虫在农作物中且对农作物不造成危害的数量最大值；所述Dijkstra算法是一种用于求解图中最短路径的算法，可以帮助植保无人机规划最优的施药路线，从而节约时间和资源；在本发明实施例中，实时调控植保无人机在不同位置的施药量，使植保无人机能够根据实际情况进行灵活调整，将农药用于害虫密度较高的区域，减少了农药的浪费，同时又确保了农作物充分受到保护。
根据本发明实施例，所述对施药操作后的农作物判断施药效果，具体为：
选择预设百分比的施药操作后区域的预设时间内的施药后视频数据，并提取施药后视频帧数据；
对施药后视频帧数据进行光流向量计算，得到光流场；
对光流场进行运动过滤，得到害虫运动的光流信息；
基于光流信息，对光流场进行阈值化处理，将相连的像素点组成害虫运动轨迹；
对害虫运动轨迹进行计数，得到施药后害虫数量；
将施药后害虫数量与害虫富集数量进行对比，判断施药效果。
需要说明的是，所述选择预设百分比的施药操作后区域，进行获取视频数据对施药效果进行判断，可减少数据处理量；所述光流向量是指在连续图像中像素点在时间上的位移，光流场则是由所有像素点的光流向量组成的图像。通过计算光流场，可以了解图像中各个像素点的运动情况；将施药后害虫数量与害虫富集数量进行对比，能够客观地评估施药操作的效果，如果施药后害虫数量明显减少，且与害虫富集数量相比较小，则说明施药操作取得了较好的效果，成功地控制了害虫的数量，反之，若施药后害虫数量仍较多，则可能需要进一步优化施药方案，以提高施药效果。
根据本发明实施例，还包括：
获取不同健康状态的农作物的多光谱训练数据，所述健康状态包括健康、亚健康、不健康；
建立植物健康评估模型，将多光谱训练数据导入植物健康评估模型中进行训练；
通过多光谱传感器获取目标农田的农作物的多光谱数据；
将多光谱数据进行预处理，所述预处理包括辐射校正、去除噪声；
将预处理后的多光谱数据导入植物健康评估模型中进行植物健康评估，判断植物的健康状态；
根据植物的健康状态，控制植保无人机的启动时间和施药时间。
需要说明的是，在本发明实施例中，通过建立植物健康评估模型，对植物的健康状态进行评估，减少了人力资源对农作物的健康状态的监测；提高农作物的管理效率。
此外，所述获取目标区域中各农作物种植区域的历史施药剂量，判断历史施药剂量是否达到污染标准，具体包括以下步骤：
通过农田施药数据获取目标区域中各农作物种植区域的历史施药剂量、施药农药在土壤中的降解周期、农药喷洒土壤残留量；
根据环保准则，确定土壤中农药成分的污染标准；
根据历史施药剂量、施药农药在土壤中的降解周期、农药喷洒土壤残留量进行计算，预测土壤农药沉积度；
通过污染标准对土壤农药沉积度进行判断，若农药沉积度超过污染标准，判定历史施药剂量达到污染标准。
需要说明的是，通过获取历史施药剂量对土壤农药沉积度进行预测，根据土壤农药的沉积度进行判断农田是否达到污染标准，节省了对农田土壤的检测，有效节省了时间，提高了污染评判效率。
根据本发明实施例，还包括：
获取目标农田中农作物的生长周期信息、种植时间信息、历史环境数据；
根据农作物的生长周期信息、种植时间信息、历史环境数据预测农作物在预设生长周期时的环境数据，环境数据包括气温、湿度、风速、降雨量；
获取农作物历史生长周期中，不同生长阶段出现的害虫种类信息；
根据害虫种类信息获取害虫的天敌昆虫种类信息，并检索所述天敌昆虫的适宜生存的环境数据；
根据农作物在预设生长周期时的环境数据与天敌昆虫的适宜生存的环境数据进行对比，得到在预设生长周期时适生的天敌昆虫种类；
获取所述适生的天敌昆虫种类的趋光性信息，对适生的天敌昆虫种类在农作物预设生长周期进行诱导至目标农田中。
需要说明的是，在农作物不同的生长阶段中，害虫的种类也不尽相同，所以需要吸引至农田中对害虫进行捕食的天敌昆虫种类也会有所不同，由于不同天敌昆虫的适宜生存环境不同，为了避免对天敌昆虫的诱导效率不佳，在本发明实施例中可根据预测农作物在不同生长周期时的环境数据，对在该环境数据适宜生存的天敌昆虫进行诱导，提高天敌昆虫的诱导效率。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括植保无人机的施药控制方法程序，所述植保无人机的施药控制方法程序被处理器执行时，实现如上述任一项所述的植保无人机的施药控制方法的步骤。
本发明公开了一种植保无人机的施药控制方法、***及介质，旨在提供一种高效精准的农作物施药方案。该方法包括以下步骤：首先，获取目标农田的基本信息。其次，利用图像识别技术判断害虫的富集情况，生成害虫富集报告。然后，根据历史施药剂量以及害虫富集报告生成虫害防治方案。根据虫害防治方案，确定植保无人机的最佳施药时间段。接着，在最佳施药时间段内，对农作物进行施药操作。最后，对施药操作后的农作物进行效果判断，以评估施药效果。本发明实现了农田信息获取、虫害监测、施药时间确定和施药效果评估的一体化，提高了植保无人机施药的效率和准确性。
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所述方法的全部或部分。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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种植保无人机的施药控制方法，其特征在于，包括以下步骤：
获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息；
基于图像识别技术判断害虫富集情况，生成害虫富集报告；
获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案；
根据虫害防治方案，确定植保无人机的最佳施药时间段；
基于虫害防治方案和最佳施药时间段，对农作物进行施药操作；
对施药操作后的农作物判断施药效果。
2.根据权利要求1所述的一种植保无人机的施药控制方法，其特征在于，所述获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息，具体为：
基于GPS定位设备，获取目标农田位置信息，所述位置信息包括经、纬度数据，构建地图模型，将所述目标农田位置信息导入地图模型中，生成目标农田地图模型，并在预设显示器中进行显示；
根据农田种植信息，获取农作物种类信息，所述农作物种类信息包括农作物名称、生长高度；
根据农田调查数据，获取农田中的虫害信息，所述虫害信息包括害虫名称、害虫特征。
3.根据权利要求1所述的一种植保无人机的施药控制方法，其特征在于，所述基于图像识别技术判断害虫富集情况，生成害虫富集报告，具体为：
获取预设区域内对害虫进行富集操作过程中的视频数据,提取所述视频数据的视频帧图像，得到视频帧图像集；
提取所述视频帧图像集的每一帧图像的像素信息；
根据所述像素信息计算视频帧图像集的像素协方差矩阵，根据所述像素协方差矩阵计算视频帧图像集的特征向量和特征值；
将特征值由大到小进行排序，并选择第一个特征值作为特征向量的主成分，将原始的像素信息投影到所述主成分上，得到一次降维的视频帧图像集数据；
计算一次降维的视频帧图像集数据的相似度矩阵，利用相似度矩阵计算数据点与数据点之间的条件概率，得到概率分布图；
初始化二次降维的数据点位置，根据概率分布图，计算二次降维后的数据点之间的条件概率；
根据概率分布图和二次降维的数据点之间的条件概率计算KL散度值，循环对二次降维的数据点位置进行调整，直到KL散度值达到预设散度值，得到二次降维视频帧图像集；
基于图像识别技术构建图像处理模型；
将所述二次降维视频帧图像集的每一帧视频帧图像导入图像处理模型中，对每个害虫的位置进行以圆点进行标记，得到标记图像；
根据标记图像，判断害虫的富集程度，生成害虫富集报告，所述害虫富集报告包括害虫在目标农田中的数量。
4.根据权利要求1所述的一种植保无人机的施药控制方法，其特征在于，所述获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案，具体为：
获取目标区域中各农作物种植区域的历史施药剂量，判断历史施药剂量是否达到污染标准，若未达到污染标准，则生成植保无人机施药防治方案；
若达到污染标准，则获取目标农田中的害虫的天敌昆虫的趋光性信息，并设定天敌昆虫的数量阈值；
在预设时间段内，初始化预设数量的天敌昆虫光照诱导设备，对天敌昆虫进行诱导至目标农田中；
通过红外检测装置实时观测害虫的天敌昆虫的数量变化信息，并实时将所述数量变化信息绘制成数量-时间变化图；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量不大于数量阈值，根据所述预设数量的天敌昆虫光照诱导设备，设置天敌昆虫诱导网络；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量大于数量阈值，均匀减少天敌昆虫光照诱导设备，并对天敌昆虫进行引流，直至诱导后的目标农田中的天敌昆虫数量不大于数量阈值。
5.根据权利要求3所述的一种植保无人机的施药控制方法，其特征在于，所述根据虫害防治方案，确定植保无人机的最佳施药时间段，具体为：
获取所述视频帧图像的时间戳信息；
根据害虫富集报告和视频帧图像的时间戳信息，绘制基于时间变化的害虫数量变化的数量-时间曲线；
根据数量-时间曲线的变化信息，确定害虫富集数量最多的时间段；
根据所述时间段，确定植保无人机的最佳施药时间段。
6.根据权利要求1所述的一种植保无人机的施药控制方法，其特征在于，所述基于害虫富集报告和最佳施药时间段，对农作物进行施药操作，具体为：
将目标农田以网格的方式划分为N个小区域，并将划分的小区域在所述目标农田地图模型中进行显示；
在最佳施药时间段内，基于植保无人机的摄像装置获取每个小区域的图像信息；
根据所述图像信息对图像进行特征提取，将提取的特征与害虫特征进行对比，得到图片中的害虫，并对所述害虫进行统计，得到每个小区域的害虫数量信息；
若害虫数量大于预设数量，将该小区域标记为待施药区域，并获取待施药区域的位置信息，并在目标农田地图模型中进行标记；
基于待施药区域的位置信息，设置植保无人机施药路线的起点与终点；
基于Dijkstra算法对待施药区域的位置信息进行搜索，得到植保无人机施药的最短路径，形成施药路线；
根据害虫的数量信息、待施药区域的位置信息、农作物种类信息，实时调控植保无人机在不同位置的施药量。
7.根据权利要求1所述的一种植保无人机的施药控制方法，其特征在于，所述对施药操作后的农作物判断施药效果，具体为：
选择预设百分比的施药操作后区域的预设时间内的施药后视频数据，并提取施药后视频帧数据；
对施药后视频帧数据进行光流向量计算，得到光流场；
对光流场进行运动过滤，得到害虫运动的光流信息；
基于光流信息，对光流场进行阈值化处理，将相连的像素点组成害虫运动轨迹；
对害虫运动轨迹进行计数，得到施药后害虫数量；
将施药后害虫数量与害虫富集数量进行对比，判断施药效果。
8.一种植保无人机的施药控制***，其特征在于，所述植保无人机的施药控制***包括储存器以及处理器，所述储存器包括植保无人机的施药控制方法程序，所述植保无人机的施药控制方法程序被所述处理器执行时，实现如下步骤：
获取目标农田基本信息，所述农田基本信息包括目标农田位置信息、农作物种类信息、虫害信息；
基于图像识别技术判断害虫富集情况，生成害虫富集报告；
获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案；
根据虫害防治方案，确定植保无人机的最佳施药时间段；
基于虫害防治方案和最佳施药时间段，对农作物进行施药操作；
对施药操作后的农作物判断施药效果。
9.根据权利要求8所述的一种植保无人机的施药控制***，其特征在于，所述获取目标区域中各农作物种植区域的历史施药剂量，根据历史施药剂量以及害虫富集报告生成虫害防治方案，具体为：
获取目标区域中各农作物种植区域的历史施药剂量，判断历史施药剂量是否达到污染标准，若未达到污染标准，则生成植保无人机施药防治方案；
若达到污染标准，则获取目标农田中的害虫的天敌昆虫的趋光性信息，并设定天敌昆虫的数量阈值；
在预设时间段内，初始化预设数量的天敌昆虫光照诱导设备，对天敌昆虫进行诱导至目标农田中；
通过红外检测装置实时观测害虫的天敌昆虫的数量变化信息，并实时将所述数量变化信息绘制成数量-时间变化图；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量不大于数量阈值，根据所述预设数量的天敌昆虫光照诱导设备，设置天敌昆虫诱导网络；
若对天敌昆虫进行诱导后，目标农田中的天敌昆虫数量大于数量阈值，均匀减少天敌昆虫光照诱导设备，并对天敌昆虫进行引流，直至诱导后的目标农田中的天敌昆虫数量不大于数量阈值。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括植保无人机的施药控制方法程序，所述植保无人机的施药控制方法程序被处理器执行时，实现如权利要求1-7任一项所述的植保无人机的施药控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310928867.2A CN116686814A (zh) | 2023-07-27 | 2023-07-27 | 一种植保无人机的施药控制方法、***及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310928867.2A CN116686814A (zh) | 2023-07-27 | 2023-07-27 | 一种植保无人机的施药控制方法、***及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116686814A true CN116686814A (zh) | 2023-09-05 |
Family
ID=87841765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310928867.2A Pending CN116686814A (zh) | 2023-07-27 | 2023-07-27 | 一种植保无人机的施药控制方法、***及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116686814A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151353A (zh) * | 2023-11-01 | 2023-12-01 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害智能识别与生态调控方法、***及介质 |
| CN118124838A (zh) * | 2024-05-08 | 2024-06-04 | 杭州而墨农业技术有限公司 | 一种苗情和病虫害预警巡逻无人机及方法 |
| CN118278593A (zh) * | 2024-05-30 | 2024-07-02 | 安徽省农业科学院植物保护与农产品质量安全研究所 | 基于植保无人机的害虫治理路线规划方法及*** |
-
2023
- 2023-07-27 CN CN202310928867.2A patent/CN116686814A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117151353A (zh) * | 2023-11-01 | 2023-12-01 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害智能识别与生态调控方法、***及介质 |
| CN117151353B (zh) * | 2023-11-01 | 2024-04-26 | 广东省农业科学院植物保护研究所 | 一种荔枝虫害智能识别与生态调控方法、***及介质 |
| CN118124838A (zh) * | 2024-05-08 | 2024-06-04 | 杭州而墨农业技术有限公司 | 一种苗情和病虫害预警巡逻无人机及方法 |
| CN118278593A (zh) * | 2024-05-30 | 2024-07-02 | 安徽省农业科学院植物保护与农产品质量安全研究所 | 基于植保无人机的害虫治理路线规划方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116686814A (zh) | 一种植保无人机的施药控制方法、***及介质 | |
| Campos et al. | Development of canopy vigour maps using UAV for site-specific management during vineyard spraying process | |
| EP3741214A1 (en) | Method for plantation treatment based on image recognition | |
| CN109409275B (zh) | 目标对象的识别方法及装置、施药信息的确定方法 | |
| KR102200314B1 (ko) | 드론을 이용한 농작물 모니터링 시스템 | |
| EP3701449A1 (de) | Ertragsabschätzung beim anbau von kulturpflanzen | |
| CN114550108B (zh) | 一种草地贪夜蛾的识别预警方法及*** | |
| CN115879773B (zh) | 一种基于物联网的病虫害智能预警方法及*** | |
| CN116882637B (zh) | 一种农田碳排放分析方法及*** | |
| CN115631421A (zh) | 耕地智慧保护方法及保护*** | |
| EP3422280A1 (en) | A method for forecasting the parameters of a phenomenon or the activities of an object, particularly animate, in a given geographic area | |
| EP3673425A1 (de) | Ertragsabschätzung beim anbau von kulturpflanzen | |
| CN111832448A (zh) | 一种用于葡萄果园的病害识别方法及*** | |
| CN112906734A (zh) | 牲畜智能选种方法、装置、计算机设备和存储介质 | |
| CN117173400B (zh) | 一种荔枝虫害的低碳治理方案推荐方法及*** | |
| CN116523182B (zh) | 一种生态果园的构建和生产管理方法、***及存储介质 | |
| Zhang et al. | Variable rate air‐assisted spray based on real‐time disease spot identification | |
| CN109492541B (zh) | 目标对象类型的确定方法及装置、植保方法、植保*** | |
| CN116740645A (zh) | 基于物联网的实蝇监测与综合防控方法、***及存储介质 | |
| CN117522365A (zh) | 一种城市园林智能管养*** | |
| CN115511158B (zh) | 一种基于大数据的农作物智能选育分析方法及*** | |
| Hamidi et al. | Grid grazing: a case study on the potential of combining virtual fencing and remote sensing for innovative grazing management on a grid base | |
| CN114903022A (zh) | 一种基于农药喷洒机的智能喷药控制方法及*** | |
| CA3195619A1 (en) | Treatment system for weed specific treatment | |
| CN117837366B (zh) | 一种基于农业物联网的农业监管平台 |
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 |