【技术实现步骤摘要】
本专利技术涉及机器视觉与除草，具体涉及一种基于机器视觉的双模式除草方法及除草机器人。
技术介绍
1、随着林地管理的重要性日益凸显，林地除草作为维护森林生态平衡和促进林木生长的关键环节，对于提高林业经济效益和维护生态系统平衡至关重要。杂草争夺阳光、水分、养分等资源，同时还占据了植被的生长空间，可能成为病虫害的温床，威胁森林生态系统的稳定。每年都需要投入大量人力和物力进行林地杂草的预防和清理。传统的人工除草方式因耗时长、效率低，劳动力成本高而不适用。化学除草虽然快速、高效，但长期使用会破坏森林环境，污染土壤，同时导致杂草产生抗草性；生物除草方式受限制较大。当前市场上存在一些专注于草坪和农田的智能除草机器人，但这些机器人并未充分考虑林地独特的环境和植被特征。林地中的复杂地形、丰富的植被种类以及与农田有所不同的土壤特性，使得现有技术在林地除草方面并不尽如人意。
2、当前技术面临的主要问题包括：适应性差，现有的机器人未能有效适应林地多样化的环境，难以在森林密集植被中精准辨识树苗与杂草。无法进行实时数据分析，传统机器人可能无法进行实时的图像数据分析和处理，导致除草效果受到限制。林地中存在着多种不同类型的杂草，它们具有不同的生长习性、高度和结构。传统的除草机器人采用的机械除草方式过于单一，缺乏对不同杂草进行处理的能力。
技术实现思路
1、为解决上述问题，本专利技术提出一种基于机器视觉的双模式除草方法，该方法可应用于除草机器人上，针对复杂的林地环境，采用机器视觉进行杂草的识别，分辨出树
2、为实现上述目的，本专利技术采用的技术方案是：
3、在第一个技术方案中，一种基于机器视觉的双模式除草方法，包括如下步骤，
4、步骤1、获取图像数据，将获取的图像数据上传到云端；
5、步骤2、在云端判断图像数据中是否存在障碍物，如有障碍物则判断障碍物的位置信息和高度信息，并将障碍物的位置信息和高度信息回传；如无障碍物，则判断图像数据中是否有杂草；
6、步骤3、当判断图像数据中有杂草时，判断杂草的类别数量以及所处地形；当判断图像数据中无杂草时，调整获取获取图像数据设备的角度，重新获取图像数据；
7、步骤4、当判断杂草的类别数量以及所处地形为大量杂草或平整地形时，使用第一种除草策略；当判断杂草的类别数量以及所处地形为少量杂草或地形不规则时，使用第二种除草策略。
8、在第一个技术方案中，作为优选的，所述第一种除草策略为电机割草，第二种除草策略为机械臂拔草。
9、在第一个技术方案中，作为优选的，在云端对获取的图像数据进行分析包括：使用可边形卷积校正原始的特征图，以改进算法在杂草检测中的适应性，包括：
10、步骤11、偏移量学习：可变形卷积会学习一组包括可学习的参数的偏移量；偏移量的数量与卷积核的尺寸和通道数相关联，每个位置和通道都有一个对应的偏移量；
11、步骤12、偏移量应用：在进行卷积操作之前，可变形卷积利用学习到的偏移量来调整卷积核的采样位置；
12、步骤13、采样点插值：可变形卷积对于调整后的采样位置利用插值技术来获取对应位置的特征值；
13、步骤14、卷积操作：对调整后的特征图进行标准的卷积操作，在卷积操作中，采样点的特征值与卷积核中对应位置的权重进行相乘，并求和得到最终的输出特征值。
14、在第一个技术方案中，作为优选的，在步骤12中，对于每个卷积核中的采样点，根据对应位置的偏移量对其进行调整，从而使得卷积核能够在特定区域更加准确地捕捉特征。
15、在第一个技术方案中，作为优选的，在步骤12中，采用双线性插值或者三线性插值来进行插值操作，以获得更精确的特征值。
16、在第一个技术方案中，作为优选的，在云端对获取的图像数据进行分析包括：
17、根据网络学习到的目标特征的分布情况，动态调整不同尺度特征图之间的融合权重，使得网络能够更好地适应不同的数据集和场景，包括
18、步骤21、特征金字塔网络构建：首先，构建特征金字塔网络，使用一种基础网络作为主干网络，在网络中添加横向连接，将底层网络的高分辨率特征图与顶层网络的语义信息相结合，生成多尺度的特征金字塔；
19、步骤22、目标特征分布学习：在训练阶段，使用反向传播算法和损失函数来优化网络参数，同时监督网络学习目标特征的分布情况，网络学习到了每个特征图中目标特征的分布情况，不同尺度下目标的重要性和分布密度；
20、步骤23、自适应特征融合：在生成特征金字塔的每个阶段，通过学习到的目标特征分布情况，动态调整不同尺度特征图之间的融合权重，该权重为标量值或向量，用于调整每个通道的权重；调整过程引入可学习的参数如注意力机制；在特征融合的过程中，不同尺度特征图的贡献将根据目标特征的分布情况动态调整，使得网络能够更好地捕捉目标的特征；
21、步骤24、训练和优化：经过自适应特征融合后的网络结构进行训练和优化，在训练过程中，使用反向传播算法和优化器更新网络参数，使得网络的预测结果与真实标签更加接近；
22、步骤25、推理阶段：通过经过训练和优化的模型，对输入图像进行目标检测或语义分割，使用训练过程中学习到的自适应特征融合权重来动态调整特征图的融合，从而得到最终的检测结果。
23、在第一个技术方案中，作为优选的，在云端对获取的图像数据进行分析包括：
24、使用目标检测算法yolov5，包括：
25、模型并行计算：yolov5中的目标检测任务可以分解为多个小任务，在不同的处理单元上并行执行；通过模型并行计算，将模型的不同部分分配给不同的处理单元，并行地进行目标检测；
26、数据并行计算：将数据分成多个批次，每个批次在不同的处理单元上并行处理；
27、流水线并行计算：将图像处理任务划分为多个阶段，并使用流水线技术来并行执行这些阶段，在yolov5中，可以将图像预处理、特征提取、目标检测等任务分别进行处理，并在流水线上依次执行，以提高整体处理速度。
28、在第二个技术方案中，一种基于机器视觉的双模式除草机器人，包括
29、车辆；
30、电机割草组件，设置在车辆行走方向的前部；
31、拔草机械臂，设置在车辆行走的后部。
32、在第二个技术方案中，作为优选的，所述车辆包括下底板和上底板，所述下底板和上底板间隔设置，所述电动割草组件安装车辆前部并位于上底板和下底板之间；
33、所述摆臂悬挂设置在上底板和下底板的四个之间且位于边角处，每一所述悬挂上均安装麦克纳姆轮，每一所述麦克纳姆轮均安装有驱动电机。
34、在第二个技术方案中，作为优选的，所述拔草机械臂包括可转动基座，所述可转动基座上设置有4个可转动本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的双模式除草方法，其特征在于：包括如下步骤，
2.根据权利要求1所述的基于机器视觉的双模式除草方法，其特征在于：所述第一种除草策略为电机割草，第二种除草策略为机械臂拔草。
3.根据权利要求1所述的基于机器视觉的双模式除草方法，其特征在于：在云端对获取的图像数据进行分析包括：使用可边形卷积校正原始的特征图，以改进算法在杂草检测中的适应性，包括：
4.根据权利要求3所述的基于机器视觉的双模式除草方法，其特征在于：在步骤12中，对于每个卷积核中的采样点，根据对应位置的偏移量对其进行调整，从而使得卷积核能够在特定区域更加准确地捕捉特征。
5.根据权利要求3所述的基于机器视觉的双模式除草方法，其特征在于：在步骤12中，采用双线性插值或者三线性插值来进行插值操作，以获得更精确的特征值。
6.根据权利要求1所述的基于机器视觉的双模式除草方法，其特征在于：在云端对获取的图像数据进行分析包括：
7.根据权利要求1所述的基于机器视觉的双模式除草方法，其特征在于：在云端对获取的图像数据进行分析包括：
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。