【技术实现步骤摘要】
本专利技术属于农业检测和智慧农业，具体的说是一种基于无人机的农作物产量估测方法。
技术介绍
1、在快速发展的现代农业中，对于农作物产量的精确评估已经成为提升农业生产效率和制定决策的关键一步。
2、现有的技术手段主要依赖于费时费力的人工取样以及主观判断，但是这些方法在效率同准确性上均难以满足现代农业的需求。因此在本领域已经开始探索通过无人机技术与先进算法的集成应用来实现更高效和精确的监测。尽管无人机凭借灵活性和广泛的监测范围，展现出在农业监测中的潜力，但是由于该项技术还在不断发展更新中，因此在作物识别精度和数据采集的全面性方面仍有所不足。
3、尤其是在目标检测算法方面，尽管yolov10算法以其快速和准确的识别能力在图像处理领域获得了广泛应用，但在农业产量估测领域，尤其是在动态监测和农作物识别的实时性与准确性方面，仍面临着进一步优化的需求。此外，虽然黑翅鸢优化算法在路径规划中展现出了其模拟自然捕食行为的优势，但其在无人机飞行路径优化方面的应用仍处于探索阶段。同样，多目标跟踪技术虽然对于动态监测作物生长至关重要，但在农业监测领域的实际应用仍然有限。
技术实现思路
1、为了解决上述无人机在动态监测和农作物识别的技术问题，本专利技术的目的是提供一种基于无人机的农作物产量估测方法，通过运用无人机技术、目标检测算法yolov10、路径优化的黑翅鸢算法，以及多目标跟踪技术，达到智能规划无人机的飞行路径，构建全面的数据集，精准识别与追踪农作物成熟果实，提升检测作业的准确度与
2、本专利技术为实现上述技术目的所采用的技术方案为：
3、步骤一：通过无人机空中扫描捕捉目标农业区域的地理特征，构建区域地图；
4、步骤二：通过步骤一中的区域地图数据结合黑翅鸢优化算法智能规划出无人机的飞行路径，以此实现对农业区域的无缝覆盖；
5、步骤三：运用步骤一中无人机采集的高清晰度图像与视频资料，构建农作物静态形态与生长动态的数据集；
6、步骤四：选择yolov10n算法与bot-sort算法，比较yolov10n模型与bot-sort算法的性能，选定yolov10n作为目标检测模型，选择bot-sort算法作为多目标跟踪的基础模型，通过将yolov10n模型与bot-sort算法融合，进行训练流程，根据算法特点初始化模型参数，并针对数据集特性调整模型配置，并使用梯度下降算法及其变体进行模型优化，以便最小化损失函数；
7、步骤五：通过将步骤四中的算法训练与验证的模型部署到高性能服务器和便携式移动设备中，实现对步骤三中构建的数据集的即时处理与智能分析；
8、步骤六：通过对步骤五进行成本效益分析，评估所采用技术方案的经济可行性和资源配置的优化程度。
9、进一步优化，所述步骤一中，包含以下步骤：
10、步骤一(a)：根据目标农业区域作物的高度、地形的起伏变化及预期地图的精度要求对飞行参数进行优化，计算并调整无人机的飞行高度与速度；
11、步骤一(b)：利用自动化智能软件，或者通过手动设置，为无人机规划航线，制定飞行路径；
12、步骤一(c)：在执行飞行任务前，对无人机搭载的高精度传感器进行校准；
13、步骤一(d)：操作无人机沿预定航线执行飞行任务，对区域地图数据进行实时监控与采集；
14、步骤一(e)：对无人机收集的原始数据进行实时或近实时的处理，包括数据的同步、初步校正和有效的存储管理；
15、步骤一(f)：运用摄影测量和遥感软件技术，将采集的影像数据进行拼接，生成正射影像图，并根据具体需求，创建数字高程模型(dem)和数字表面模型(dsm)；
16、步骤一(g)：通过与地面控制点或已知的地图数据进行细致比较，对生成的区域地图进行精度和可靠性验证；
17、步骤一(h)：针对农作物产量估测的具体需求，对区域地图执行优化处理，强化特定地形特征或农作物区域的显示，并将地图输出为适合进一步分析和应用的格式；
18、步骤一(i)：将经过优化的地形图与其它地理信息系统(gis)数据层进行数据集成。
19、进一步优化，所述步骤二中，包含以下步骤：
20、步骤二(a)：根据地形图所呈现的农业区域地理特征及监测目标，设定无人机的飞行高度、速度和传感器配置的参数；
21、步骤二(b)：依托步骤一中的无人机飞行参数和地形图，通过算法生成飞行路径，并形成初始种群，初始化过程通过下列公式实现：
22、bkij＝bklb+rand×(bkub-bklb)，
23、其中bkij是第i只黑翅鸢在第j维的位置，bklb和bkub分别为第j维的下界和上界，rand是一个在[0，1]范围内的随机数；
24、步骤二(c)：对每条初始路径进行适应度评估，量化其对监测目标全面覆盖的符合度；
25、步骤二(d)：运用黑翅鸢优化算法，通过迭代过程不断优化飞行路径，每次迭代包括以下两个主要部分：攻击行为和迁移行为；
26、步骤二(e)：在经过多轮优化的路径中，选择适应度最高的路径作为执行方案；
27、步骤二(f)：在路径规划中融入实时避障策略；
28、步骤二(g)：通过模拟飞行或现场测试，对选定的最优飞行路径进行验证。
29、进一步优化，所述步骤二(d)中，攻击行为的表示如下公式：
30、
31、其中n是一个根据迭代次数t和总迭代次数t变化的系数，r是一个在[0，1]范围内的随机数，p是常数0.9；
32、其中迁移行为的表示如下公式：
33、
34、其中xleaderpos是当前领导者的位置，cauchy是柯西变异，m是一个根据随机数r计算得到的系数。
35、进一步优化，所述步骤三中，包含以下步骤：
36、步骤三(a)：明确化数据集构建的目标，确立收集多样化农作物的果实图像和视频，覆盖从结果到成熟的关键生长阶段；
37、步骤三(b)：精选数据来源，优先考虑无人机直接采集的原始图像和视频资料，同时整合现有农业数据库和地面传感器数据；
38、步骤三(c)：优化配置数据采集工具与设备；
39、步骤三(d)：无人机根据步骤二中规划的路径执行飞行任务，系统化地收集农作物数据，并根据品种、生长阶段和采集条件进行细致的组织和存储；
40、步骤三(e)：对采集的图像和视频进行详尽标注，记录农作物品种、生长阶段和健康状况等关键信息，并添加时间戳、地点等元数据；
41、步骤三(f)：将数据集划分为训练集、测试集和验证集；
42、步骤三(g)：运用多种图像处理技术将数据增强，模拟多变的生长条件和采集环境，提高模型对不同环境的泛化能力；<本文档来自技高网...
【技术保护点】
1.一种基于无人机的农作物产量估测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤一中，包含以下步骤：
3.根据权利要求2所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤二中，包含以下步骤：
4.根据权利要求3所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤二(d)中，攻击行为的表示如下公式：
5.根据权利要求1所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤三中，包含以下步骤：
6.根据权利要求1所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤四中，包含以下步骤：
7.根据权利要求6所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤四(c)中，目标边框的类别和位置的计算如下公式：
8.根据权利要求6所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤四(d)中，在BOT-SORT算法对目标跟踪过程中，目标匹配如下公式：
9.根据权利要求1所述
10.根据权利要求1所述的基于无人机的农作物产量估测方法，其特征在于，所述步骤六的成本效益分析包括以下步骤：
...【技术特征摘要】
1.一种基于无人机的农作物产量估测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤一中，包含以下步骤：
3.根据权利要求2所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤二中，包含以下步骤：
4.根据权利要求3所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤二(d)中，攻击行为的表示如下公式：
5.根据权利要求1所述的一种基于无人机的农作物产量估测方法，其特征在于：所述步骤三中，包含以下步骤：
6.根据权利要求1所述的一种基于无人机的农作物...
【专利技术属性】
技术研发人员：邱兆美，卿顺浩，王菲，王薇丽，金鑫，师翊，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。