基于深度学习的无人机遥感图像农作物病虫害监测系统技术方案

本发明专利技术公开了基于深度学习的无人机遥感图像农作物病虫害监测系统，包括图像采集模块，用于获取疫情区域内的农作物图像信息以及训练用的数据集；地面站，用于接收采集到的信息和对信息进行处理分析；移动站，用于为图像收集用的飞行平台提供定位服务；计算平台，用于对采集的数据进行处理分析；疫情监测模块，用于对试验田宁作物病虫害进行监测；解决方案分析模块，用于对监测出的病虫害进行分析并给出解决方案；以及深度学习模块，用于对疫情监测模块的目标检测模型进行训练，提高检测的准确率和速度

【技术实现步骤摘要】
基于深度学习的无人机遥感图像农作物病虫害监测系统


[0001]本专利技术涉及农作物病虫害监测
，尤其涉及基于深度学习的无人机遥感图像农作物病虫害监测系统
。

技术介绍

[0002]近年来，国内无人机技术
、
人工智能技术快速发展，无人机遥感
、
目标检测模型等新概念监测方法被广泛应用到农业生产中来
。
通过无人机机载相机获取疫情区域内的农作物图像信息，由计算终端利用图像识别技术判别图像内是否存在农业病虫害，进而实现利用无人机和图像识别技术进行农作物疫情的普查监测，该方法可有效降低普查监测成本
、
提高普查监测效率
。
相较于高空遥感技术，该方法拍摄时间自由，飞行成本低廉，大大提高农作物病虫害的识别效率，促进我国农业种植作物病虫害科学监测增产促收具有重要意义
。
[0003]目前，利用目标检测技术检测识别农作物及经济作物的方法相对较多，大多都比较集中在对于单叶片的采集及识别，且存在采集效率低问题
。
如何有效提取图像的特征一直都是目标检测模型需要解决的问题
。
在图像目标检测领域中，尽可能提取检测目标的特征是提高检测性能的关键，基于深度学习的目标检测模型凭借优秀的特征提取能力可以提取到更深层次的图像特征，为快速
、
高精度目标监测任务提供了技术支持
。
而且目前普遍采用单纯由无人机进行光谱图像采集，不能及时进行病虫害疫情的发现及采取措施
。
因此，提出的基于深度学习的无人机遥感图像农作物病虫害监测系统
。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在采集效率低和不能及时进行病虫害疫情的发现及采取措施的缺点，而提出的基于深度学习的无人机遥感图像农作物病虫害监测系统
。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]基于深度学习的无人机遥感图像农作物病虫害监测系统，包括图像采集模块，用于获取疫情区域内的农作物图像信息以及训练用的数据集；地面站，用于接收采集到的信息和对信息进行处理分析；移动站，用于为图像收集用的飞行平台提供定位服务；计算平台，用于对采集的数据进行处理分析；疫情监测模块，用于对试验田宁作物病虫害进行监测；解决方案分析模块，用于对监测出的病虫害进行分析并给出解决方案；以及深度学习模块，用于对疫情监测模块的目标检测模型进行训练，提高检测的准确率和速度；所述图像数据采集模块将采集到的数据传输到地面站和移动站，所述地面站和移动站将获取的数据传输到计算平台，所述计算平台对数据进行计算处理分析后将其传输到疫情监测模块，所述疫情监测模块将数据传输到解决方案分析模块获取解决办法，所述深度学习模块设计图像数据采集模块和疫情检测模块，从图像数据采集模块获取数据集，所述深度学习模块对疫情监测模块进行机器学习的训练
。
[0007]本专利技术的技术方案中，所述图像采集模块在完成任务后分别从地面站
、
移动站和地面站软件下载飞行记录数据
。
[0008]上述技术方案进一步包括：
[0009]所述地面站和移动站将数据传输到疫情分类模块，所述疫情分类模块将数据传输到图像传输模块，所述图像传输模块将图像数据传输到计算平台，所述疫情分类模块用于对农作物病虫害疫情进行分类，所述图像数据传输模块用于提供图像数据传输服务
。
[0010]所述图像采集模块包括复合翼无人机
、
遥感成像设备和定位模块，所述复合翼无人机设置有遥感成像设备，所述遥感成像设备包括索尼
RXO
可见光摄像机和微信五通道多光谱摄像机，所述复合翼无人机与定位模块连接，所述定位模块与移动站连接，所述复合翼无人机作为飞行平台，所述遥感成像设备用于获取农作物的高分辨率遥感图像，所述定位模块用于实时提供指定坐标系中测量地点的三维定位结果，为后续图像拼接提供良好的定位依据，所述索尼
RXO
可见光摄像机用于采集高分辨率的图像信息，所述微信五通道多光谱摄像机用于同时收集红
、
绿
、
蓝
、
红边
、
近红外五个不连续的光谱波段，在不利条件下仍能获取高分辨率的图像数据，所述索尼
RXO
可见光摄像机与微信五通道多光谱摄像机共同配合，使图像数据采集可应用于大部分场景，排除天气等环境因素带来的影响
。
[0011]所述定位模块应用有
RTK/PPK
定位技术，所述
RTK
技术为实时动态定位，主要包括基准站，数据链，流动站
(
包括
RTK
数据结算软件
)
，关键点是载波整周模糊度的在航计算，一般算法为：首先在未知点的近似坐标和协方差的基础上确定整周模糊度的搜索空间，在搜索空间内计算所有可能的模糊度解，然后通过比较最小方差选择最可能的解，最后比较最优解和次优解，决定最后模糊度；所述
PPK
技术为动态测量后处理，包括基站和流动站，需要基站实时记录自己的观测数据，应用
PPK
时，流动站必须进行初始化以求解整周模糊度，并在动态中快速初始化，求得整周模糊度的固定解不到
1min
，所述
RTK/PPK
定位技术结合两种技术，定位更加精准
。
[0012]所述深度学习模块包括数据集采集模块
、
模型训练模块和模型改进模块，所述数据集获取模块将获取的数据集传输到模型训练模块，所述模型训练模块对训练的模型分析并将其传输到模型改进模块，所述数据集获取模块用于获取农作物的健康植株的图片
、
生病植株的图片
、
虫害植株的图片以及土壤背景下的植株图片作为深度学习训练用的数据集，所述模型训练模块用于将大量样本数据集放入模型中进行训练，所述模型改进模块用于对模型进行进行调优和改进
。
[0013]所述数据集获取模块将数据集传输到数据增广模块，所述数据增广模块将数据传输到预处理模块，所述预处理模块将数据传输到数据分类模块，所述数据分类模块将数据集分为训练集和验证集，所述训练集将数据传输到模型训练模块，所述数据增广模块对收集到的数据集进行翻转变换
、
上下左右平移变换
、
随机裁切几种方式的增广，扩展数据集数量，所述预处理模块对增广后的数据集进行预处理，所述数据分类模块将数据集进行分类，所述训练集用于对模型进行训练，所述验证集用于对训练结果进行测试
。
[0014]所述训练集还需要进过图片裁剪模块的处理，所述图片裁剪模块对原图片进行了裁剪，将其裁剪成小块作为训练集，所述图片裁剪模块在进行裁剪的过程中尽量保存原有数据，不破坏图像中所体现的农作物特征，对图像进行特征提取并进行拆分
。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于深度学习的无人机遥感图像农作物病虫害监测系统，包括图像采集模块，用于获取疫情区域内的农作物图像信息以及训练用的数据集；地面站，用于接收采集到的信息和对信息进行处理分析；移动站，用于为图像收集用的飞行平台提供定位服务；计算平台，用于对采集的数据进行处理分析；疫情监测模块，用于对试验田宁作物病虫害进行监测；解决方案分析模块，用于对监测出的病虫害进行分析并给出解决方案；以及深度学习模块，用于对疫情监测模块的目标检测模型进行训练，提高检测的准确率和速度；其特征在于，所述图像数据采集模块将采集到的数据传输到地面站和移动站，所述地面站和移动站将获取的数据传输到计算平台，所述计算平台对数据进行计算处理分析后将其传输到疫情监测模块，所述疫情监测模块将数据传输到解决方案分析模块获取解决办法，所述深度学习模块设计图像数据采集模块和疫情检测模块，从图像数据采集模块获取数据集，所述深度学习模块对疫情监测模块进行机器学习的训练
。2.
根据权利要求1所述的基于深度学习的无人机遥感图像农作物病虫害监测系统，其特征在于，所述地面站和移动站将数据传输到疫情分类模块，所述疫情分类模块将数据传输到图像传输模块，所述图像传输模块将图像数据传输到计算平台，所述疫情分类模块用于对农作物病虫害疫情进行分类，所述图像数据传输模块用于提供图像数据传输服务
。3.
根据权利要求1所述的基于深度学习的无人机遥感图像农作物病虫害监测系统，其特征在于，所述图像采集模块包括复合翼无人机
、
遥感成像设备和定位模块，所述复合翼无人机设置有遥感成像设备，所述遥感成像设备包括索尼
RXO
可见光摄像机和微信五通道多光谱摄像机，所述复合翼无人机与定位模块连接，所述定位模块与移动站连接，所述复合翼无人机作为飞行平台，所述遥感成像设备用于获取农作物的高分辨率遥感图像，所述定位模块用于实时提供指定坐标系中测量地点的三维定位结果，为后续图像拼接提供良好的定位依据，所述索尼
RXO
可见光摄像机用于采集高分辨率的图像信息，所述微信五通道多光谱摄像机用于同时收集红
、
绿
、
蓝
、
红边
、
近红外五个不连续的光谱波段，在不利条件下仍能获取高分辨率的图像数据，所述索尼
RXO
可见光摄像机与微信五通道多光谱摄像机共同配合，使图像数据采集可应用于大部分场景，排除天气等环境因素带来的影响
。4.
根据权利要求3所述的基于深度学习的无人机遥感图像农作物病虫害监测系统，其特征在于，所述定位模块应用有
RTK/PPK
定位技术，所述
RTK
技术为实时动态定位，主要包括基准站，数据链，流动站
(
包括
RTK
数据结算软件
)...

【专利技术属性】
技术研发人员：柳智鑫，苏波宁，
申请(专利权)人：内蒙古电子信息职业技术学院，
类型：发明
国别省市：