详情

原文传递一种基于无人机多光谱的柑橘黄龙病监测方法及系统

专利名称：	一种基于无人机多光谱的柑橘黄龙病监测方法及系统
摘要：	本发明公开了一种基于无人机多光谱的柑橘黄龙病监测方法及系统，系统包括便携式多光谱相机、无人机和地面监测平台；无人机飞行器搭载所述便携式多光谱相机，用于拍摄待监测柑橘园的地面多光谱图像，无人机地面控制平台控制所述飞行器按预定轨迹和离地面固定高度低空匀速飞行，并接收所述地面多光谱图像，发送至所述地面监测平台；监测方法是通过构建多通道深度卷积神经网络模型智能识别柑橘黄龙病染病树并生成所述柑橘黄龙病分布可视化图。监测系统结构简单，成本低、灵活性强，不易受云层干扰；提供多光谱信息，扩展了数据维度；保留图像空间信息的同时，提供更多光谱信息，基于深度卷积神经网络的识别算法能更快速、更准确识别柑橘黄龙病染病树。
专利类型：	发明专利
申请人：	仲恺农业工程学院;中国农业科学院农业基因组研究所;中国农业科学院深圳农业基因组研究所
发明人：	吴仲真;乔曦;刘博;黄江华;刘聪辉;万方浩;钱万强
专利状态：	有效
申请日期：	2023-07-21T00:00:00+0800
发布日期：	2023-11-03T00:00:00+0800
申请号：	CN202310901508.8
公开号：	CN116990242A
代理机构：	东台金诚石专利代理事务所(特殊普通合伙)
代理人：	蔡浩
分类号：	G01N21/25;G06V20/17;G06V10/10;G06V10/774;G06N3/0464;G06V10/82;B64U20/87;G01N21/84;G01N21/01;B64U101/31;B64U101/40;G;B;G01;G06;B64;G01N;G06V;G06N;B64U;G01N21;G06V20;G06V10;G06N3;B64U20;B64U101;G01N21/25;G06V20/17;G06V10/10;G06V10/774;G06N3/0464;G06V10/82;B64U20/87;G01N21/84;G01N21/01;B64U101/31
申请人地址：	510000 广东省广州市海珠区纺织路东沙街24号大院;;
主权项：	1.一种基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，包括如下步骤：步骤1构建柑橘黄龙病多通道深度卷积神经网络模型： (1)随机挑选柑橘园中黄龙病染病树、健康树和缺素树各一样数量，确定其对应的多光谱图像和背景多光谱图像； (2)所述的多光谱图像按固定尺寸大小裁剪成更小方块多光谱图像，以保证较多的所述小方块多光谱图像只包含一种目标，把所述小方块多光谱图像标注黄龙病染病树、健康树、缺素树和背景，然后按一定比例把标注好的所述小方块多光谱图像分成训练集和测试集，构建与所述小方块多光谱图像尺寸相对应的多通道深度卷积神经网络模型，输入所述训练集训练所述多通道深度卷积神经网络模型，然后用测试集测试训练好的所述多通道深度卷积神经网络的识别速度和准确性，如未达到预期标准则调整多通道深度卷积神经网络结构，重新训练测试直至达到预期目标，确定识别速度和准确性达到预期目标的多通道深度卷积神经网络结构，为最终的多通道深度卷积神经网络模型；步骤2基于多通道深度卷积神经网络模型的图像智能识别 (1)获取监测待监测柑橘园的无人机多光谱图像，并拼接成柑橘园完整多光谱图像； (2)对所述的柑橘园完整多光谱图像按照所述多通道深度卷积神经网络模型的图像输入尺寸进行裁剪并按顺序命名进行预处理； (3)将所述的预处理后的所述柑橘园完整多光谱图像输入到柑橘黄龙病多通道深度卷积神经网络模型，进行智能识别，标识出黄龙病染病树、健康树、缺素树和背景，并拼接，从而实现柑橘园中黄龙病树的快速精准识别。 2.根据权利要求1所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，步骤1所述小方块多光谱图像尺寸一般能被2整除很多次，常用尺寸32,64,96,128，224,384和512。 3.根据权利要求1所述的基于无人机多光谱的柑橘黄龙病监测方法，其特征在于，所述的多通道深度卷积神经网络模型结构为：输入层：InputLayer，输入是尺寸6×224×224的多光谱通道图像；第二层：卷积层Conv2dLayer，函数尺寸3×3，24通道，步长2，填充1；第三层：2层Fused-MBConv1，函数尺寸3×3，24通道，步长1；无填充；第四层：4层Fused-MBConv4，函数尺寸3×3，48通道，步长2，填充1；第五层：4层Fused-MBConv4，函数尺寸3×3，64通道，步长2，填充1；第六层：6层MBConv4，函数尺寸3×3，SE0.25，128通道，步长2，填充1；第七层：9层MBConv6，函数尺寸3×3，SE0.25，160通道，步长1，无填充；第八层：15层MBConv6，函数尺寸3×3，SE0.25，256通道，步长2，填充1；第九层：卷积层Conv2d，函数尺寸1×1，1280通道，步长1，无填充；第十层：池化层Pooling，函数尺寸7×7，1280通道；第十一层：分类层FC；输出层：classificationLayer；训练参数为：学习率衰减因子为0.5，学习率衰减周期为100，初始学习率为0.001，训练循环最高次数为150，随机抽取的样本数为800。 4.一种基于无人机的柑橘黄龙病监测系统，其特征在于，包括便携式多光谱相机、无人机和地面监测平台；所述便携式多光谱相机，用于拍摄待监测柑橘园的地面多光谱图像；所述无人机包括飞行器和地面控制平台，所述飞行器用于搭载所述便携式多光谱相机，所述地面控制平台控制所述飞行器按预定轨迹和离地面固定高度低空匀速飞行，并接收所述地面多光谱图像，发送至所述地面监测平台；所述地面监测平台，用于处理所述多光谱图像，基于所述基于无人机多光谱的柑橘黄龙病监测方法自动识别柑橘黄龙病染病树并生成所述柑橘黄龙病分布可视化图。 5.根据权利要求4所述的基于无人机的柑橘黄龙病监测系统，其特征在于：所述便携式多光谱相机通过云台与所述飞行器连接。 6.根据权利要求4所述的基于无人机的柑橘黄龙病监测系统，其特征在于：所述飞行器通过WiFi与所述地面控制平台连接，所述地面监测平台通过USB口与所述地面控制平台连接。