【技术实现步骤摘要】
本专利技术属于植保作业，涉及一种大面积杂草分布检测方法。
技术介绍
1、随着计算机技术的发展，人工智能技术开始运用到农业生产各个环节，包括草害的识别与检测。现有技术通过对高空遥感影像数据的分析进行识别和检测，但由于高空遥感影像包含的信息有限，只能大致确定草害发生区域和严重程度，由此得到的杂草分布情况准确性不高。这造成传统的图像识别技术局限性非常大，识别结果不具备普适性，不能作为决策依据。而如果对区域内均通过低空或近景图像进行数据采集，则成本过高，因此现在对于杂草检测还需要更具备科学的、识别准确率更高的一种综合宏观和微观的检测方法，提升检测的有效性，同时降低平均检测成本。
技术实现思路
1、本专利技术的目的是提供一种大面积杂草分布检测方法，用于解决现有技术中无法结合远距离遥感数据和近距离高清数据两种图像数据对杂草分布情况进行高准确性识别检测的技术问题。
2、所述的一种大面积杂草分布检测方法，包括下列步骤：
3、s 1、通过无人机进行遥感影像数据采集并进行影像拼接；
4、s2、对拼接后的影响数据进行植被指数分析与处理，对杂草区域进行识别分割；
5、s3、基于上一步的分析结果确定巡查轨迹并由无人机低空采集杂草图像；
6、s4、对低空采集的杂草图像进行处理和杂草识别，识别得到杂草特征；
7、s5、将遥感影像数据网格化并与杂草图像的识别结果进行融合计算，从而生成大面积杂草分布图。
8、优选的，所述步骤s1采用
9、优选的，所述步骤s2中，首先对多波段拼接的遥感影像进行栅格化和归一化操作，对栅格计算所得的栅格数据中的所有植被指数进行区间分类，从而区分作物和杂草的植被类型，最终只保留植被指数处于杂草区间范围的栅格数据，直观的反映杂草大致分布情况。
10、优选的，所述步骤s2包括下列步骤：
11、s2.1、波段计算：将多波段各个像素灰度值加和，并且在保留仿射参数和投影信息情况下生成单波段图像；
12、s2.2、噪点过滤：通过中值滤波算法对二值图像进行降噪；
13、s2.2、植被指数计算：计算植被指数ndvi，设定植被指数数值的阈值范围用于区分杂草区域和非杂草区域，只保留处于杂草区间范围的栅格数据，得到直观的杂草大致分布图。
14、优选的，所述步骤s3通过上一步产生的杂草大致分布图，获取了杂草区域的具体位置信息和草害严重程度，由此确定飞行目标和巡查轨迹，并自动生成相应采集任务下发给联网的无人机设备，利用无人机低飞再次采集对应杂草区域的杂草图像。
15、优选的，所述步骤s4包括下列步骤：
16、s4.1、图像处理：首先对杂草图像进行图像增强，即对杂草图像的数据集进行扩充；这里通过对获取到的杂草图像进行旋转、分割、几何变化、边缘特征提取、高斯模糊、亮度调节来扩充数据集，提高模型的泛化能力；
17、s4.2、图像识别：对处理过后的数据集进行模型训练和模型调用，对处理后的杂草图像数据进行识别并输出识别结果，识别结果包含杂草的类型、叶龄这些杂草特征。
18、优选的，上述图像识别所用的算法是基于回归方法的深度学习目标检测算法yolov8，其bounding box损失函数计算公式如下所示：
19、
20、该损失函数用于衡量真实检测框和模型预测输出框的吻合程度，用于反向传播优化模型，消除多余检测框，提高预测输出效率。
21、优选的，所述步骤s5包括：
22、s5.1、网格化处理：将需要检测杂草的目标区域进行空间矢量化，输出目标区域的边界框bounding box，对bounding box进行网格化采样，生成区域网格方阵，利用区域网格方阵对ndvi处理后的栅格数据进行裁剪，输出网格分布图，同时使用均值计算对每个网格内的栅格数据进行密度提取，给网格赋值，输出携带杂草密度值的网格分布图；
23、s5.2、基于识别结果融合计算：将yolov8算法的识别结果叠加到杂草图像所属区域的网格中进行融合计算。
24、优选的，所述步骤s5.2中的叠加计算方法采用ahp层次分析法，先用专家经验判断指标相对重要程度，再计算权重，经过多次验证得到分析结果，指标包括杂草的类型、叶龄和杂草密度；采用上述分析结果，对每个网格的值进行进一步计算，计算式为：
25、
26、上式中，xn表示相应指标的特征向量，wn表示相应指标的权重，w0表示常数项系数，将上述计算结果叠加到网格分布图的对应网格中，最终得到整个目标区域的杂草分布情况。
27、本专利技术还提供了一种大面积杂草分布检测系统，采用如上所述的一种大面积杂草分布检测方法，大面积杂草分布检测系统，包括：
28、无人机图像采集模块，用于控制多光谱无人机进行高空飞行，对监控区域进行遥感影像数据的采集；
29、影像拼接模块，用于将采集到的遥感影像数据进行影像拼接；
30、ndvi指数分析模块，用于将遥感影像进行栅格化和归一化操作，对所得的栅格数据中的所有植被指数进行区间分类，获取杂草大致分布图；
31、杂草图像采集模块，用于根据杂草大致分布图确定巡查轨迹并控制无人机低空采集杂草图像；
32、杂草图像处理模块，用于对杂草图像进行图像增强并识别出杂草特征；
33、融合计算模块，用于网格化处理遥感影像，将识别结果叠加到所属区域网格进行融合计算，得到整个目标区域的杂草分布情况。
34、本专利技术具有以下优点：
35、1、本专利技术中，采用多光谱无人机进行高飞采集携带地理信息的大田种植环境的植物自然生长高清的高清图片，保证了数据集的真实性，与实际获取的环境高度一致，最大可能排除了其他因素对于数据集质量的干扰，提升数据质量。
36、2、本专利技术通过自然区间间断算法对栅格化的影像进行区间分类，目的是更好的区分作物和杂草的植被类型，只保留植被指数处于杂草区间范围的栅格数据，初步的确定了杂草分布位置，作为进一步精细化分析杂草分布的依据。
37、3、本专利技术通过杂草的分布位置，对近距离杂草生长图片的采集，从而进一步分析杂草分布情况，对采集的数据进行数据扩充处理，增加识别模型的泛化能力。
38、4、本专利技术结合了远距离植被指数计算与近距离杂草识别两种检测方式，提高了大面积杂草检测的计算准确性，利用矢量方格裁剪栅格数据，生成杂草密度网格图，非常直观的反应了大面积杂草分布情况，所得结果也更加准确。
本文档来自技高网...【技术保护点】
1.一种大面积杂草分布检测方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的一种大面积杂草分布检测方法，其特征在于：所述步骤S1采用多光谱无人机进行高空飞行，对监控区域进行遥感影像数据的采集，由此采集大田种植环境中植物自然生长的高清图片，且高清图片携带地理信息；之后，将采集到的遥感影像数据进行影像拼接。
3.根据权利要求1所述的一种大面积杂草分布检测方法，其特征在于：所述步骤S2中，首先对多波段拼接的遥感影像进行栅格化和归一化操作，对栅格计算所得的栅格数据中的所有植被指数进行区间分类，从而区分作物和杂草的植被类型，最终只保留植被指数处于杂草区间范围的栅格数据，直观的反映杂草大致分布情况。
4.根据权利要求3所述的一种大面积杂草分布检测方法，其特征在于：所述步骤S2包括下列步骤：
5.根据权利要求1所述的一种大面积杂草分布检测方法，其特征在于：所述步骤S3通过上一步产生的杂草大致分布图，获取了杂草区域的具体位置信息和草害严重程度，由此确定飞行目标和巡查轨迹，并自动生成相应采集任务下发给联网的无人机设备，利用无人机低飞再次采集对
6.根据权利要求1所述的一种大面积杂草分布检测方法，其特征在于：所述步骤S4包括下列步骤：
7.根据权利要求6所述的一种大面积杂草分布检测方法，其特征在于：上述图像识别所用的算法是基于回归方法的深度学习目标检测算法YOLOv8，其Bounding Box损失函数计算公式如下所示：
8.根据权利要求1所述的一种大面积杂草分布检测方法，其特征在于：所述步骤S5包括：
9.根据权利要求8所述的一种大面积杂草分布检测方法，其特征在于：所述步骤S5.2中的叠加计算方法采用AHP层次分析法，先用专家经验判断指标相对重要程度，再计算权重，经过多次验证得到分析结果，指标包括杂草的类型、叶龄和杂草密度；采用上述分析结果，对每个网格的值进行进一步计算，计算式为：
10.一种大面积杂草分布检测系统，其特征在于，采用如权利要求1-9中任一所述的一种大面积杂草分布检测方法，大面积杂草分布检测系统，包括：
...【技术特征摘要】
1.一种大面积杂草分布检测方法，其特征在于：包括下列步骤：
2.根据权利要求1所述的一种大面积杂草分布检测方法，其特征在于：所述步骤s1采用多光谱无人机进行高空飞行，对监控区域进行遥感影像数据的采集，由此采集大田种植环境中植物自然生长的高清图片，且高清图片携带地理信息；之后，将采集到的遥感影像数据进行影像拼接。
3.根据权利要求1所述的一种大面积杂草分布检测方法，其特征在于：所述步骤s2中，首先对多波段拼接的遥感影像进行栅格化和归一化操作，对栅格计算所得的栅格数据中的所有植被指数进行区间分类，从而区分作物和杂草的植被类型，最终只保留植被指数处于杂草区间范围的栅格数据，直观的反映杂草大致分布情况。
4.根据权利要求3所述的一种大面积杂草分布检测方法，其特征在于：所述步骤s2包括下列步骤：
5.根据权利要求1所述的一种大面积杂草分布检测方法，其特征在于：所述步骤s3通过上一步产生的杂草大致分布图，获取了杂草区域的具体位置信息和草害严重程度，由此确定飞行目标和巡查轨迹，并自动生成...
【专利技术属性】
技术研发人员：孙友强，俞鹏飞，黄河，周青，
申请(专利权)人：安徽中科智能感知科技股份有限公司，
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。