【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
。 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。