申请/专利权人：淮阴工学院

申请日：2023-06-12

公开（公告）日：2024-06-28

公开（公告）号：CN116784075B

主分类号：A01C21/00

分类号：A01C21/00;A01C15/00;G01N21/25;G06V20/17;G06V20/10;G06V10/54;G06V10/58;G06V10/80;G06V10/764;G06V10/762;G06V10/26;G06V20/70;G06Q50/02;B64U20/87;B64D1/16;B64U101/40

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2023.10.13#实质审查的生效;2023.09.22#公开

摘要：本发明涉及农业智能化、无人机技术领域，公开了一种基于ROS的多光谱无人机智能定点施肥方法及施肥装置，采集目标范围内的种植区多光谱图像，对图像进行预处理；选择多光谱图像中的显像特征波段，对单个像素进行聚类，生成内容敏感超像素，将超像素进行分类处理，以形成区块，得到光谱图像采集区内的多光谱分布图；按照像素进行分割，提取相同色块，找出颜色边缘并标记，得到多光谱分割图；确定作物长势良好的波段范围以及该范围在多光谱分割图中对应的显示色块，筛选剔除多光谱分割图中长势良好的区块，得到施肥区域；提取施肥区坐标，并根据施肥区坐标利用无人机自动化施肥。与现有技术相比，本发明更准确地提取施肥区域，具有更好的可靠性。

主权项：1.一种基于ROS的多光谱无人机智能定点施肥方法，其特征在于，包括如下步骤：S1：采集目标范围内的种植区氮、磷、钾多光谱俯视信息图像，对图像进行预处理，去噪、矫正图像畸变、调整图像对比度；S2：选择氮、磷、钾在多光谱图像中的显像特征波段，利用改进的SLIC算法对单个像素进行聚类，生成内容敏感超像素，将超像素进行分类处理，以形成区块，得到光谱图像采集区内的氮素、磷素、钾素多光谱分布图；所述改进的SLIC算法融合二维流形，将多光谱图像映射到二维流形中进行计算，在图像纹理提取方面，融合ILNRBP算法，将8邻域降至对角4邻域，综合计算多光谱图的纹理特征；利用改进的SLIC算法获取氮素、磷素、钾素多光谱分布图的具体操作为：S2.1：获取预处理后的多光谱遥感图像，设定所述多光谱遥感图像的总像素点为M、光谱波段为α条，生成目标超像素为k个，同时也是种像素的个数，定义种像素为z，最大迭代次数为maxi；S2.2：初始化各项参数，在k个种像素之间设定相同间距将种像素设定为3×3单位矩阵对角区域内梯度最低点的位置；设置其它非种像素p的初始标签为bp＝-1，初始距离jp＝∞，初始迭代次数ci＝0；S2.3：用ILNRBP算法计算每个像素的对角邻域纹理特征ILNRBPd,n,R,Tp： 式中： 其中：T为阈值，Xc为中心像素点p在欧氏空间中的坐标，d表示从中心像素点到邻域点像素的距离，l用来标记邻域像素点所在的位置，Xd,n,l表示在以中心像素p为中心，以d为半径的圆上等角度等间隔的均匀分布着n个像素点，n＝4；YXd,n,l,R表示以邻域像素Xd,n,l为中心，以R为半径的圆形邻域上等角等间隔的4个邻域像素值的均值： 其中：表示以Xd,n,l中心，以R为半径的圆周上第m个邻域像素的像素值，同样的，邻域数量为4，计数从0开始，即m＝0，且第0个邻域像素的像素值与中心像素点p即Xc的连线会经过Xd,n,l；S2.4：计算单位正方形在二维流形中的面积： 其中：Dp表示以像素p为中心的单位正方形，和表示单位正方形沿对角切割出的三角形，Φ表示在二维流形中；为每个像素计算SΦDp，计算二维流形中的局部搜索区域R： S2.5：在以种像素zi为中心的2L×2L区域Ωzi中计算SΦΩzi与分割范围参数λi： S2.6：当ci＞0且分割范围参数λi小于分割阈值τ，则分割该超像素；S2.7：超像素相似度计算：选取图像中的两个给定的像素点p1、p2，根据多特征融合的像素距离计算公式： 其中，m和β分别为两个超参数，m是控制空间和光谱特征之间相对重要性的参数，β是调节纹理特征的权重参数，Jp1,p2值越小，超像素间相似度越高，js为像素间的欧氏空间距离：js＝||p1-p2||22＝x1-x22+y1-y22其中，像素点p1、p2的坐标分别为x1,y1和x2,y2，jc为像素间的光谱距离： 其中，Gp表示图像像素中光谱通道有α条，即光谱波段的条数，Ti表示像素的第i条光谱通道强度；jt为像素间的纹理特征差异：jt＝ILNRBPd,n,R,Tp1-ILNRBPd,n,R,Tp22对以zi为中心的2λiL×2λiL区域中的每个像素p，计算其与种像素zi的聚类距离J＝Jzi,p，当J＜jp，则设置该像素p的距离jp＝J，并设置其标记bp＝i；S2.8：将邻近的超像素块分类合并，并更新种像素S2.9：若迭代次数ci≥maxi，则结束迭代，输出超像素分割的结果，S2.10：若迭代次数ci＜maxi，则返回S2.4，同时迭代次数ci＝ci+1；S3：按照像素进行分割，提取相同色块，找出颜色边缘并标记，得到多光谱分割图；S4：将多光谱分割图中的区域与种植区实际场景下的生长态势进行比对，确定作物长势良好的氮含量、磷含量、钾含量波段范围，以及该范围在多光谱分割图中对应的显示色块，筛选并标记出多光谱分割图中长势良好的区块；S5：将长势良好的分割区域进行排除，最后得到氮素、磷素、钾素的施肥区域；S6：提取施肥区坐标，并根据施肥区坐标利用无人机自动化施肥。

全文数据：

权利要求：

百度查询： 淮阴工学院 一种基于ROS的多光谱无人机智能定点施肥方法及施肥装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD