[發(fā)明專利]一種用于農(nóng)作物病蟲害檢測的無人機(jī)

在審

• 申請?zhí)枺?/td>: 202011145538.3
• 申請日: 2020-10-23
• 公開（公告）號: CN112380917A
• 公開（公告）日: 2021-02-19
• 發(fā)明（設(shè)計）人: 劉建虢;尹曉雪
• 申請（專利權(quán)）人: 西安科銳盛創(chuàng)新科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06K9/62;G06T7/00;G06T7/11;G06T7/13;G05D1/08;G05D1/10;G06N3/04;G06N3/08;G06N5/02
• 代理公司: 西安嘉思特知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61230
• 代理人: 王海棟

本發(fā)明公開了一種用于農(nóng)作物病蟲害檢測的無人機(jī)，包括：動力模塊，為無人機(jī)飛行提供動力；飛行控制模塊，與動力模塊連接，且飛行控制模塊中預(yù)裝有農(nóng)作物病蟲害檢測方法的程序，根據(jù)方法確定病蟲害的區(qū)域以及病蟲害類型；高度自適應(yīng)模塊，用于自適應(yīng)地調(diào)節(jié)無人機(jī)的位置和飛行高度；圖像采集模塊，采集農(nóng)作物圖像，并將農(nóng)作物圖像輸出給飛行控制模塊，以用作農(nóng)作物病蟲害檢測方法的程序的輸入檢測；姿態(tài)測量模塊，將測得的飛行姿態(tài)數(shù)據(jù)發(fā)送給飛行控制模塊；位置測量模塊，將測得的飛行位置數(shù)據(jù)發(fā)送給飛行控制模塊；無線模塊，將飛行控制模塊測得的病蟲害區(qū)域位置及病蟲害類型傳輸給地面。本發(fā)明的無人機(jī)，能夠快速、精準(zhǔn)地確定農(nóng)作物病蟲害的區(qū)域以及病蟲害類型。

技術(shù)領(lǐng)域

本發(fā)明屬于無人機(jī)技術(shù)領(lǐng)域，具體涉及一種用于農(nóng)作物病蟲害檢測的無人機(jī)。

背景技術(shù)

病蟲害防治是作物生產(chǎn)管理中的一個重要任務(wù)，而防治的前提是及時檢測到病蟲害發(fā)生。傳統(tǒng)的農(nóng)作物檢測病蟲害方式通常為人工作業(yè)，但是隨著當(dāng)今農(nóng)業(yè)的發(fā)展，農(nóng)場化的種植方式越來越被普及，在耕地面積增長的情況下，再采用人工作業(yè)難免暴露出勞作時間長、成本高、效率低等缺陷。

基于機(jī)器學(xué)習(xí)的作物葉部病蟲害自動檢測是從葉片圖像中檢測病蟲害發(fā)生和判斷其發(fā)展趨勢一種高效的檢查方法。雖然現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的作物病蟲害檢測方法取得了較高的檢測精度，但該方法的存儲開銷較大、且計算效率較低，檢測速度較慢。

發(fā)明內(nèi)容

為了解決上述技術(shù)問題，本發(fā)明實施例提供了一種用于農(nóng)作物病蟲害檢測的無人機(jī)。本發(fā)明要解決的技術(shù)問題通過以下技術(shù)方案實現(xiàn)：

一種用于農(nóng)作物病蟲害檢測的無人機(jī)，包括：

動力模塊，為無人機(jī)飛行提供動力；

飛行控制模塊，與所述動力模塊連接，且所述飛行控制模塊中預(yù)裝有農(nóng)作物病蟲害檢測方法的程序，根據(jù)所述方法確定病蟲害的區(qū)域以及病蟲害類型；

高度自適應(yīng)模塊，與所述飛行控制模塊連接，用于自適應(yīng)地調(diào)節(jié)無人機(jī)的位置和飛行高度；

圖像采集模塊，采集農(nóng)作物圖像，并將所述農(nóng)作物圖像輸出給所述飛行控制模塊，以用作所述農(nóng)作物病蟲害檢測方法的程序的輸入檢測；

姿態(tài)測量模塊，將測得的飛行姿態(tài)數(shù)據(jù)發(fā)送給所述飛行控制模塊，以用于所述飛行控制模塊調(diào)整飛行姿態(tài)；

位置測量模塊，將測得的飛行位置數(shù)據(jù)發(fā)送給所述飛行控制模塊，以用于所述飛行控制模塊調(diào)整無人機(jī)的位置；

無線模塊，將所述飛行控制模塊測得的病蟲害區(qū)域位置及病蟲害類型傳輸給地面。

在本發(fā)明的一個實施例中，所述農(nóng)作物病蟲害檢測方法，包括：

采集農(nóng)作物圖像；

對所述農(nóng)作物圖像進(jìn)行預(yù)處理；

將預(yù)處理后的圖像輸入預(yù)先訓(xùn)練得到的改進(jìn)型YOLOv3網(wǎng)絡(luò)中進(jìn)行分析，判斷農(nóng)作物是否患有某種病癥或出現(xiàn)蟲害現(xiàn)象；

其中，所述改進(jìn)型YOLOv3網(wǎng)絡(luò)是基于YOLOv3網(wǎng)絡(luò)的主干網(wǎng)絡(luò)中殘差模塊更換為密集連接模塊，YOLOv3網(wǎng)絡(luò)的橫向連接的FPN網(wǎng)絡(luò)替換為密集連接的FPN網(wǎng)絡(luò)后，并經(jīng)過層級和通道級剪枝，再結(jié)合知識蒸餾引導(dǎo)網(wǎng)絡(luò)恢復(fù)后形成的；所述改進(jìn)型YOLOv3網(wǎng)絡(luò)是根據(jù)農(nóng)作物病蟲害葉片和害蟲圖像，以及所述樣本農(nóng)作物病蟲害葉片和害蟲圖像對應(yīng)的屬性信息訓(xùn)練得到的。

在本發(fā)明的一個實施例中，所述對所述農(nóng)作物圖像進(jìn)行預(yù)處理，包括：

對采集的農(nóng)作物圖像利用領(lǐng)域增強(qiáng)算法對進(jìn)行銳化處理，突出葉片的邊緣輪廓，便于目標(biāo)識別；

對進(jìn)行銳化處理的圖像使用scikit-image庫中的SLIC超像素分割算法，將所述農(nóng)作物圖像進(jìn)行分割；