[发明专利]一种无人机察打一体除草方法

权利要求书

1.一种无人机察打一体除草方法，其特征在于：所述无人机察打一体除草方法包括如下步骤：

(1)田间生境数据获取，获取目标作业区域的作业规划信息，确定察打一体除草区域，并确定察打一体无人机航线，通过使用察打一体无人机获取光谱数据，将获取的光谱数据进行存储，备用；

(2)数据预处理，对采集到的数据进行几何校正和辐射定标，数据的DN值转变为反射率；

(3)使用语义分割精准识别田间杂草，采用图像语义分割结构，通过Unet网络结合底层和高层的信息，而UNet两大特点是U型结构和跳跃连接，通过U型结构对应编码和解码，编码进行下采样，解码进行上采样，也就是将编码得到的高级语义特征图恢复到原图片的分辨率；编码后底层信息是低分辨率信息，提供分割目标在整个图像中上下文语义信息，细化得到分割的轮廓，在解码中使用到跳跃连接，补充信息的作用，为分割提供更加精细的特征，针对目标与背景分布不平衡、分类难度差异不同，进而损失函数使用FocalLoss，进而确定田间杂草；

(4)根据田间杂草长势情况变量喷洒除草药剂，根据语义分割精准识别出田间杂草，监测当前田块是否有草，然后确定是否施药；在施药策略上有草的地方施药，无草的地方分两种方法施药；其一，无草的地方不打药；其二，由于无人机监测的是植株冠层，可能会遮挡到底部的杂草，为保险起见，无草的地方打一定比例的药剂。

2.根据权利要求1所述的一种无人机察打一体除草方法，其特征在于：所述步骤(1)中察打一体无人机选用的喷头雾化要适度，避免雾滴过大或者过小，雾滴过大，叶面布展着不好，且易滚落，雾滴过小，蒸发作用明显，导致药效不佳。

3.根据权利要求1所述的一种无人机察打一体除草方法，其特征在于：所述步骤(1)中除草区域确定后需要制定目标航线，确定目标航向方便控制无人作业设备按照目标航线进行待播草种的植草作业。

4.根据权利要求1所述的一种无人机察打一体除草方法，其特征在于：所述步骤(2)中DN值是遥感影像像元亮度值，记录的地物的灰度值；无单位，是一个整数值，值大小与传感器的辐射分辨率、地物发射率、大气透过率和散射率等有关。

5.根据权利要求1所述的一种无人机察打一体除草方法，其特征在于：所述步骤(3)中的损失函数是标准交叉熵损失的升级改进版，它可以通过减少易分类样本的权重，使得模型在训练时更专注于难分类的样本；FocalLoss这个损失函数有gamma和alpha两个参数，gamma这个参数用来解决简单样本与困难样本的问题，alpha这个参数是平衡因子，用来解决数据集样本不均的问题；网络训练时gamma和alpha两个参数需合理调参。

6.根据权利要求1所述的一种无人机察打一体除草方法，其特征在于：所述步骤(3)中图像分割是计算机视觉研究的关键，亦是理解图像内容的基石技术，其发展历程从基于边缘检测、基于阈值、基于区域等方法的传统图像分割，逐渐发展到当今主流的基于深度神经网络的图像语义分割，在技术水平上取得了巨大的进步；传统的图像分割受计算机算力的限制，只能提取图像的纹理信息、颜色、形状等低层特征对图像进行分割，且需要人工设计特征，因而分割准度不高；而随着计算机软硬件的更新换代、深度学习技术的日益强大，语义分割也进入新的发展时期；许多研究学者将深度学习引入图像语义分割领域，利用深度神经网络从输入数据中自动学习特征，能够提取图像的低层、中层和高层特征，实现对图像目标端到端的像素级分类，极大地提高了语义分割的精度和效率。

7.根据权利要求1所述的一种无人机察打一体除草方法，其特征在于：所述步骤(3)在中损失函数FocalLoss是标准交叉熵损失的升级改进版，它可以通过减少易分类样本的权重，使得模型在训练时更专注于难分类的样本，损失函数FocalLoss有gamma和alpha两个参数，gamma这个参数用来解决简单样本与困难样本的问题，alpha这个参数是平衡因子，用来解决数据集样本不均的问题，网络训练时gamma和alpha两个参数需合理调参。