一种基于深度学习算法的多无人机协同农田喷淋方法技术

本发明专利技术提出了一种基于深度学习算法的多无人机协同农田喷淋方法，其步骤为：首先，将农田均匀分成大小相同的N个小型区域，并利用勘探机上的摄像头采集每个小型区域内的作物图像；其次，将作物图像输入勘探机上的智能控制器内的神经网络模型中，输出每个小型区域内作物的类别；然后，勘探机将相同类别对应的小型区域分为一组，并根据每组小型区域的坐标利用遗传算法规划出最优路径，并发送至目标机；最后，目标机按照类别对应的操作按最优路径进行实施，同时，目标机之间相互协作，并通过通信协议实时将坐标信息返回至勘探机。本发明专利技术利用无人机协同控制的方法进行农药的喷洒，提高了条理性和效率，节约了资源。

A method of multi UAV cooperative field spray based on deep learning algorithm

【技术实现步骤摘要】
一种基于深度学习算法的多无人机协同农田喷淋方法
本专利技术涉及人工智能控制
，特别是指一种基于深度学习算法的多无人机协同农田喷淋方法。
技术介绍
近几年，随着国家自动化技术的不断发展，国内掀起了一股农用无人机的热潮。迎着这股热潮，无人机技术也开始走进平常人的生活。许多人都考虑到让无人机代替人去执行农田喷洒，因此目前已经有了许多种类的农用无人机喷洒方法。现阶段，无人机也更加智能，可实现更加丰富的功能，如自主飞行，自主避障等，这给了更加优秀的无人机喷洒方法实现的可能。现阶段我国农业智能化发展仍然非常滞后，虽然出现了类似农用植保无人机这一类高科技农用喷洒方法，如遥控多旋翼农用无人机、升降翼喷洒无人机等，但是依然不成熟，存在许多不足，比如喷洒缺少目的性，造成了资源的浪费；喷洒缺少对农田环境的整体把控，不能对植物状况做出合理的分析预测。现有的喷洒无人机大都采用单机作业模式，有些兼顾图像识别、路径规划以及无人机喷洒的农用植保无人机的模式思路冗杂，缺少条理性，且鲁棒性差等。现存的无人机喷洒方法中，大部分判断一片农田是否需要喷洒药物都需要人亲自去判断，且在同一片试验田中，不同的作物生长状况及需求是不一样的，比如存在不同作物需要不同种类的药物的可能性。而现阶段，不管是人力还是无人机喷洒方法大都选择对农田统一喷洒。假设现在农田中部分作物得了黑斑病，若对农田中全部作物统一施药，对于一些不需要施此种药的作物来说，对其施药对于它来说是有一定程度的损害的，而且这种方法无疑浪费的，无法实现资源的余量化及人力资源的最大程度的解放。r>
技术实现思路
针对上述
技术介绍
中存在的不足，本专利技术提出了一种基于深度学习算法的多无人机协同农田喷淋方法，解决了现有无人机药物喷洒技术效率低、资源利用率不足的技术问题。本专利技术的技术方案是这样实现的：一种基于深度学习算法的多无人机协同农田喷淋方法，其步骤如下：S1、将农田均匀分成大小相同的N个小型区域，并利用勘探机上的摄像头采集每个小型区域内的作物图像；S2、将作物图像输入勘探机上的智能控制器内的神经网络模型中，输出每个小型区域内作物的类别；S3、将相同类别对应的小型区域分为一组，并根据每组小型区域的坐标利用遗传算法规划出最优路径；S4、勘探机通过通信协议与多个目标机相连接，每个目标机接收一组小型区域的最优路径和类别；S5、目标机按照类别对应的操作按最优路径进行实施，同时，目标机之间相互协作，并通过通信协议实时将坐标信息返回至勘探机。所述步骤S2中神经网络模型的训练方法为：S21、从大田作物病害识别研究图像数据集上获取病害图像，利用图像变换对病害图像进行预处理，并将预处理后的病害图像进行分类和标注类别标签获得数据集，其中，数据集包括训练集和测试集，图像变换包括图像去噪、图像平移、图像反转和图像裁剪；S22、构造神经网络函数；S22.1、利用TensorFlow中的nn.conv2d函数构造卷积层的生成函数；S22.2、利用TensorFlow中的nn.max_pool函数构造池化层的生成函数；S22.3、构造神经网络函数：利用卷积层和池化层的生成函数产生第一层卷积层和池化层，再次利用卷积层和池化层的生成函数产生第二层卷积层和池化层，然后建立第一层全连接层和第二层全连接层，将经过第一层池化层后的参数进行扁平化处理后通过激活函数获得第一层全连接层的输出，将第一层全连接层的输出输入第二层全连接中获得输出参数；S23、设置神经网络函数的参数，参数包括数据的类别数、图像大小、第一层卷积层和第二层卷积层的卷积核尺寸、Dropout的概率、图片通道数；S24、将训练集及标签输入神经网络函数中，获得预测参数；S25、计算预测参数的损失函数；S26、利用梯度优化将预测参数的损失函数的值最小化，获得神经网络模型；S27、将测试集中的数据输入神经网络模型中，输出预测率；S28、判断预测率是否符合预期标准，即作物病害识别的正确率达到90％及以上，若是，获得识别作物病害的神经网络模型，否则，返回步骤S23。所述根据每组小型区域的坐标利用遗传算法规划出最优路径的方法为：S31、取停机坪位置为目标机飞行的起始点，与停机坪距离最近的点作为目标点；S32、利用改进的双向快速遍历随机树算法生成从起始点到目标点的所有路径的初始种群，设置最大迭代次数Tmax，初始迭代次数为T＝0；S32.1、初始化双向快速遍历随机树，分别设置起始点和目标点为双向快速遍历随机树中的两棵子树的根节点；S32.2、双向快速遍历随机树在栅格化平面空间中自由生长，双向快速遍历随机树的一棵子树自由生长，选择一个点Prand作为生长方向，计算该子树的所有树节点与点Prand之间的欧氏距离，将欧式距离最小的树节点作为树节点P1st，该子树从树节点P1st开始以生长因子v沿着点Prand生长出新的树节点Pnew，将新的树节点Pnew连接到子树中，沿着点Prand生长方向一直生长，直到遇到障碍物；新的树节点Pnew连接到子树中的方法为：计算新的树节点Pnew与子树所有节点之间的欧式距离，选择前w个欧式距离最小的树节点P1st，p2nd，…，pwth，判断树节点P1st，p2nd，…，pwth与新的树节点Pnew之间是否存在障碍物，若是，舍弃新的树节点Pnew，否则，将树节点P1st，p2nd，…，pwth与新的树节点Pnew连接；S32.3、双向快速遍历随机树在栅格化平面空间中相向生长，双向快速遍历随机树中的一棵子树以另一棵子树自由生长的树节点Pnew为生长方向，根据步骤32.2中的自由生长过程生长出新的树节点P’new，并将新的树节点P’new连接到子树中；S32.4、判断双向快速遍历随机树是否在起始点和目标点之间建立足够数量的连接，如果是则停止生长，进入步骤32.5，否则，返回步骤32.2继续生长；S32.5、使用回溯法生成初始种群，选取双向快速遍历随机树中两棵子树的公共树节点为连接点，每次回溯均以双向快速遍历随机树的连接点作为回溯初始点，朝着双向快速遍历随机树的根节点进行回溯，直到回溯到根节点，回溯经历的树节点与边构成无碰撞路径，多次回溯产生的无碰撞路径组成初始种群；S33、利用选择、交叉、变异遗传算子对初始种群进行进化，并计算种群中每个个体的适应度函数值f(pop)；其中，n为路径pop上关键点的个数，(xi,yi)为关键点i的坐标，(xi+1,yi+1)为关键点i+1的坐标，penalty为惩罚项；S34、迭代次数T＝T+1，判断迭代次数T是否达到最大迭代次数Tmax，若是，保留当前种群，得到中间最优路径，否则，返回步骤S32；S35、将中间最优路径的关键点作为控制点，通过二次B样条曲线方法对中间最优路径进行平滑处理，得到目标机的最优路径；二次B样条曲线的矩阵为P0.2(t)：其中，P0、P1、P2为二次B样条曲线的控制点，本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，其步骤如下：/nS1、将农田均匀分成大小相同的N个小型区域，并利用勘探机上的摄像头采集每个小型区域内的作物图像；/nS2、将作物图像输入勘探机上的智能控制器内的神经网络模型中，输出每个小型区域内作物的类别；/nS3、将相同类别对应的小型区域分为一组，并根据每组小型区域的坐标利用遗传算法规划出最优路径；/nS4、勘探机通过通信协议与多个目标机相连接，每个目标机接收一组小型区域的最优路径和类别；/nS5、目标机按照类别对应的操作按最优路径进行实施，同时，目标机之间相互协作，并通过通信协议实时将坐标信息返回至勘探机。/n

【技术特征摘要】
1.一种基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，其步骤如下：
S1、将农田均匀分成大小相同的N个小型区域，并利用勘探机上的摄像头采集每个小型区域内的作物图像；
S2、将作物图像输入勘探机上的智能控制器内的神经网络模型中，输出每个小型区域内作物的类别；
S3、将相同类别对应的小型区域分为一组，并根据每组小型区域的坐标利用遗传算法规划出最优路径；
S4、勘探机通过通信协议与多个目标机相连接，每个目标机接收一组小型区域的最优路径和类别；
S5、目标机按照类别对应的操作按最优路径进行实施，同时，目标机之间相互协作，并通过通信协议实时将坐标信息返回至勘探机。


2.根据权利要求1所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述步骤S2中神经网络模型的训练方法为：
S21、从大田作物病害识别研究图像数据集上获取病害图像，利用图像变换对病害图像进行预处理，并将预处理后的病害图像进行分类和标注类别标签获得数据集，其中，数据集包括训练集和测试集，图像变换包括图像去噪、图像平移、图像反转和图像裁剪；
S22、构造神经网络函数；
S22.1、利用TensorFlow中的nn.conv2d函数构造卷积层的生成函数；
S22.2、利用TensorFlow中的nn.max_pool函数构造池化层的生成函数；
S22.3、构造神经网络函数：利用卷积层和池化层的生成函数产生第一层卷积层和池化层，再次利用卷积层和池化层的生成函数产生第二层卷积层和池化层，然后建立第一层全连接层和第二层全连接层，将经过第一层池化层后的参数进行扁平化处理后通过激活函数获得第一层全连接层的输出，将第一层全连接层的输出输入第二层全连接中获得输出参数；
S23、设置神经网络函数的参数，参数包括数据的类别数、图像大小、第一层卷积层和第二层卷积层的卷积核尺寸、Dropout的概率、图片通道数；
S24、将训练集及标签输入神经网络函数中，获得预测参数；
S25、计算预测参数的损失函数；
S26、利用梯度优化将预测参数的损失函数的值最小化，获得神经网络模型；
S27、将测试集中的数据输入神经网络模型中，输出预测率；
S28、判断预测率是否符合预期标准，即作物病害识别的正确率达到90％及以上，若是，获得识别作物病害的神经网络模型，否则，返回步骤S23。


3.根据权利要求1所述的基于深度学习算法的多无人机协同农田喷淋方法，其特征在于，所述根据每组小型区域的坐标利用遗传算法规划出最优路径的方法为：
S31、取停机坪位置为目标机飞行的起始点，与停机坪距离最近的点作为目标点；
S32、利用改进的双向快速遍历随机树算法生成从起始点到目标点的所有路径的初始种群，设置最大迭代次数Tmax，初始迭代次数为T＝0；
S32.1、初始化双向快速遍历随机树，分别设置起始点和目标点为双向快速遍历随机树中的两棵子树的根节点；
S32.2、双向快速遍历随机树在栅格化平面空间中自由生长，双向快速遍历随机树的一棵子树自由生长，选择一个点Prand作为生长方向，计算该子树的所有树节点与点Prand之间的欧氏距离，将欧式距离最小的树节点作为树节点P1st，该子树从树节点P1st开始以生长因子v沿着点Prand生长出新的树节点Pnew，将新的树节点Pnew连接到子树中，沿着点Prand生长方向一直生长，直到遇到障碍物；新的树节点Pnew连接到子树中的方法为：计算新的树节点Pnew与子树所有节点之间的欧式距离，选择前w个欧式距离最小的树节点P1st，p2nd，…，pwth，判断树节点P1st，p2nd，…，pwth与新的树节点Pnew之间是否存在障碍物，若是，舍弃新的树节点Pnew，否则，将树节点P1st，p2nd，…，pwth与新的树节点Pnew连接；
S32.3、双向快速遍历随机树在栅格化平面空间中相向生长，双向快速遍历随机树中的一棵子树以另一棵子树自由生长的树节点Pnew为生长方向，根据步骤32.2中的自由生长过程生长出新的树节点P’new，并将新的树节点P’new连接到子树中；
S32.4、判断双向快速遍历随机树是否在起始点和目标点之间建立足够数量的连接，如果是则停止生长，进入步骤32.5，否则，返...

【专利技术属性】
技术研发人员：张德华，高瑜珑，汪辉，张腾龙，王安，欧伟杰，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41