本發(fā)明涉及智能控制，更具體的，涉及一種基于多源傳感器空間感知的林業(yè)智能噴灑系統(tǒng)及噴灑方法。

背景技術(shù)：

1、在林業(yè)生產(chǎn)中，無(wú)人機(jī)噴灑技術(shù)已廣泛應(yīng)用于授粉、病蟲害防治及營(yíng)養(yǎng)補(bǔ)充等作業(yè)。傳統(tǒng)無(wú)人機(jī)噴灑主要依靠旋翼產(chǎn)生的下行氣流將藥劑或花粉噴灑至樹木冠層頂部，但由于森林冠層結(jié)構(gòu)復(fù)雜，枝葉茂密，藥液霧滴難以穿透上層枝葉，導(dǎo)致樹體中下層及側(cè)枝的覆蓋率不足，嚴(yán)重影響防治或授粉效果。此外，傳統(tǒng)無(wú)人機(jī)作業(yè)通常依賴預(yù)設(shè)航線或人工操控，缺乏對(duì)林分空間結(jié)構(gòu)的實(shí)時(shí)感知能力，難以根據(jù)林木冠層形態(tài)動(dòng)態(tài)調(diào)整噴灑策略，造成藥劑浪費(fèi)或漏噴問(wèn)題。

2、目前，已有研究嘗試通過(guò)優(yōu)化無(wú)人機(jī)飛行參數(shù)（如飛行高度、速度）或改進(jìn)噴頭設(shè)計(jì)（如增加霧化壓力、調(diào)整噴角）來(lái)提升霧滴穿透性，但受限于冠層遮擋效應(yīng)，單純依靠機(jī)械調(diào)整難以實(shí)現(xiàn)精準(zhǔn)、均勻的立體噴灑。此外，部分林業(yè)無(wú)人機(jī)配備了激光雷達(dá)（lidar）或可見(jiàn)光相機(jī)進(jìn)行冠層識(shí)別，但單一傳感器在復(fù)雜光照條件下的適應(yīng)性有限，難以精確重建樹冠三維結(jié)構(gòu)并識(shí)別內(nèi)部噴灑盲區(qū)。

3、因此，亟需開發(fā)一種基于多源傳感器融合的林業(yè)智能噴灑系統(tǒng)，通過(guò)結(jié)合激光雷達(dá)、多光譜成像及毫米波雷達(dá)等傳感技術(shù)，實(shí)現(xiàn)對(duì)林木冠層空間形態(tài)的高精度感知，并利用智能算法動(dòng)態(tài)規(guī)劃噴灑路徑與參數(shù)，確保藥劑或花粉在樹體各層均勻分布，從而提升林業(yè)作業(yè)效率與生態(tài)效益。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)問(wèn)題，本發(fā)明提出了一種基于多源傳感器空間感知的林業(yè)智能噴灑系統(tǒng)及噴灑方法，能夠顯著提升林業(yè)噴灑效率，減少藥劑浪費(fèi)，并實(shí)現(xiàn)針對(duì)不同樹體結(jié)構(gòu)的智能化、精準(zhǔn)化作業(yè)。

2、本發(fā)明第一方面提供了一種基于多源傳感器空間感知的林業(yè)智能噴灑系統(tǒng)，包括多源傳感器感知模塊、環(huán)境建模與地圖構(gòu)建模塊、樹體識(shí)別與冠層分析模塊、病蟲害識(shí)別與智能配藥模塊、自主路徑規(guī)劃與避障模塊及精準(zhǔn)噴灑控制模塊；

3、所述多源傳感器感知模塊負(fù)責(zé)通過(guò)預(yù)設(shè)傳感器采集多源感知數(shù)據(jù)，并將采集的多源感知數(shù)據(jù)進(jìn)行預(yù)處理；

4、所述環(huán)境建模與地圖構(gòu)建模塊結(jié)合lidar、視覺(jué)和gps數(shù)據(jù)生成三維林業(yè)地圖，并識(shí)別障礙物信息在所述三維林業(yè)地圖中進(jìn)行標(biāo)注；

5、所述樹體識(shí)別與冠層分析模塊構(gòu)建樹體識(shí)別模型識(shí)別單株樹木，并計(jì)算高度和冠層范圍，評(píng)估樹冠的枝葉疏密程度，分析生成霧滴穿透策略；

6、所述病蟲害識(shí)別與智能配藥模塊利用多光譜成像結(jié)合深度學(xué)習(xí)識(shí)別病蟲害，根據(jù)病蟲害類型和嚴(yán)重程度進(jìn)行藥劑配比決策及變量噴灑控制；

7、所述自主路徑規(guī)劃與避障模塊基于三維林業(yè)地圖進(jìn)行飛行路徑的全局規(guī)劃及局部動(dòng)態(tài)避障，根據(jù)樹高動(dòng)態(tài)調(diào)整無(wú)人機(jī)高度；

8、所述精準(zhǔn)噴灑控制模塊根據(jù)環(huán)境感知數(shù)據(jù)動(dòng)態(tài)調(diào)整噴頭參數(shù)，并存儲(chǔ)每棵樹的噴灑數(shù)據(jù)。

9、本方案中，在環(huán)境建模與地圖構(gòu)建模塊中，結(jié)合lidar、視覺(jué)和gps數(shù)據(jù)生成三維林業(yè)地圖，并識(shí)別障礙物信息在所述三維林業(yè)地圖中進(jìn)行標(biāo)注，具體為：

10、獲取預(yù)處理后的lidar點(diǎn)云數(shù)據(jù)、視覺(jué)數(shù)據(jù)及gps數(shù)據(jù)，從lidar點(diǎn)云數(shù)據(jù)中提取邊緣點(diǎn)及平面點(diǎn)，并基于曲率分析選取特征點(diǎn)，根據(jù)所述特征點(diǎn)匹配相鄰幀，將當(dāng)前幀的特征點(diǎn)與上一幀的特征點(diǎn)建立關(guān)聯(lián)關(guān)系；

11、通過(guò)正態(tài)分布變換計(jì)算相鄰幀之間的相對(duì)位姿，并利用imu數(shù)據(jù)進(jìn)行位姿合理性檢驗(yàn)，獲取局部點(diǎn)云地圖作為匹配基準(zhǔn)；

12、從視覺(jué)數(shù)據(jù)中提取關(guān)鍵點(diǎn)，為每個(gè)關(guān)鍵點(diǎn)計(jì)算描述子，使用描述子匹配進(jìn)行相鄰幀匹配，并與局部點(diǎn)云地圖中的特征點(diǎn)進(jìn)行重投影匹配，根據(jù)匹配點(diǎn)結(jié)合imu數(shù)據(jù)進(jìn)行位姿優(yōu)化；

13、獲取無(wú)人機(jī)位姿信息作為節(jié)點(diǎn)，將傳感器觀測(cè)約束作為邊構(gòu)建位姿圖，通過(guò)視覺(jué)詞袋及l(fā)idar點(diǎn)云匹配歷史場(chǎng)景，進(jìn)行閉環(huán)檢測(cè)，采用最小二乘法優(yōu)化所述位姿圖，當(dāng)gps數(shù)據(jù)可用時(shí)，則使用gps位置進(jìn)行全局校正，獲取校正后的位姿圖；

14、將所述位姿圖中每個(gè)位姿節(jié)點(diǎn)與對(duì)應(yīng)傳感器數(shù)據(jù)時(shí)間對(duì)齊，對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行坐標(biāo)變換，生成稠密三維點(diǎn)云并將點(diǎn)云轉(zhuǎn)換為八叉樹結(jié)構(gòu)，構(gòu)建三維林業(yè)地圖；

15、使用3d?cnn網(wǎng)絡(luò)識(shí)別障礙物信息，使用所述障礙物信息進(jìn)行目標(biāo)標(biāo)注，將所述三維林業(yè)地圖中的三維點(diǎn)云投影至二維平面，生成占據(jù)格柵地圖，標(biāo)識(shí)可飛行區(qū)域。

16、本方案中，在樹體識(shí)別與冠層分析模塊中，構(gòu)建樹體識(shí)別模型識(shí)別單株樹木，具體為：

17、同步預(yù)處理后的lidar點(diǎn)云數(shù)據(jù)及多光譜圖像數(shù)據(jù)，構(gòu)建樹體識(shí)別模型，采用pointnet++網(wǎng)絡(luò)設(shè)置點(diǎn)云特征提取分支，在所述設(shè)置4個(gè)sa模塊進(jìn)行點(diǎn)云特征提取，并通過(guò)插值實(shí)現(xiàn)特征上采樣，逐級(jí)融合不同尺度的點(diǎn)云特征；

18、采用mobilenetv3網(wǎng)絡(luò)設(shè)置圖像特征投影分支，獲取多光譜圖像對(duì)應(yīng)的全局特征向量作為圖像特征，將所述圖像特征投影到點(diǎn)云空間，與點(diǎn)云特征拼接進(jìn)行特征關(guān)聯(lián)；

19、在所述樹體識(shí)別模型中引入注意力機(jī)制進(jìn)行雙模態(tài)特征融合，將關(guān)聯(lián)后的點(diǎn)云特征及圖像特征進(jìn)行加權(quán)融合，根據(jù)融合特征篩選種子點(diǎn)，自適應(yīng)調(diào)整預(yù)設(shè)多尺度錨框，對(duì)每個(gè)種子點(diǎn)的鄰域特征進(jìn)行編碼，預(yù)測(cè)生成錨框及錨框類別；

20、獲取錨框內(nèi)各三維點(diǎn)的幾何特征及光譜特征作為點(diǎn)特征，對(duì)每個(gè)點(diǎn)特征計(jì)算協(xié)方差矩陣，根據(jù)所述協(xié)方差矩陣計(jì)算與對(duì)應(yīng)類別樹木點(diǎn)云實(shí)例的馬氏距離，使用softmax進(jìn)行歸一化處理實(shí)現(xiàn)概率轉(zhuǎn)換；

21、獲取符合概率閾值標(biāo)準(zhǔn)的三維點(diǎn)進(jìn)行確定性分配，標(biāo)記為樹木實(shí)例成員，獲取不符合概率閾值標(biāo)準(zhǔn)的三維點(diǎn)，利用點(diǎn)特征獲取進(jìn)行樹木分類的分類得分，若所述分類得分大于預(yù)設(shè)閾值，則標(biāo)記為樹木實(shí)例成員；

22、使用樹木實(shí)例成員集對(duì)錨框內(nèi)樹木進(jìn)行分割，輸出單株樹木的分割結(jié)果。

23、本方案中，計(jì)算高度和冠層范圍，評(píng)估樹冠的枝葉疏密程度，分析生成霧滴穿透策略，具體為：

24、根據(jù)單株樹木的識(shí)別分割結(jié)果選取點(diǎn)云定位根基點(diǎn)，基于所述根基點(diǎn)進(jìn)行樹高測(cè)定，對(duì)單株樹木對(duì)應(yīng)的點(diǎn)云進(jìn)行聚類分析，根據(jù)點(diǎn)云分布結(jié)合樹木點(diǎn)云實(shí)例選取初始聚類中心；

25、計(jì)算單株樹木對(duì)應(yīng)點(diǎn)云中各點(diǎn)云到所述初始聚類中心的歐式距離，將各點(diǎn)云分配到距離最近的初始聚類中心生成聚類類簇，通過(guò)迭代聚類及更新聚類中心，選取最后一次聚類的聚類類簇作為聚類結(jié)果；

26、根據(jù)聚類結(jié)果獲取冠層類簇中涉及的點(diǎn)云進(jìn)行標(biāo)記，根據(jù)水平投影及垂直分層提取標(biāo)記點(diǎn)云的點(diǎn)云分布獲取冠層范圍；

27、將冠層范圍對(duì)應(yīng)的點(diǎn)云進(jìn)行三維網(wǎng)格劃分，在各網(wǎng)格中計(jì)算點(diǎn)云密度量化枝葉空間分布特征，根據(jù)冠層范圍內(nèi)點(diǎn)云密度分布結(jié)合預(yù)設(shè)密度等級(jí)劃分標(biāo)準(zhǔn)評(píng)估枝葉疏密程度；

28、根據(jù)所述枝葉疏密程度區(qū)域不同的冠層類型，基于所述冠層類型匹配噴灑實(shí)例，通過(guò)匹配結(jié)果統(tǒng)計(jì)噴灑實(shí)例中使用頻率符合預(yù)設(shè)標(biāo)準(zhǔn)的霧滴粒徑區(qū)間，將所述霧滴粒徑區(qū)間作為推薦粒徑生成霧滴穿透策略。

29、本方案中，在病蟲害識(shí)別與智能配藥模塊中，利用多光譜成像結(jié)合深度學(xué)習(xí)識(shí)別病蟲害，具體為：

30、基于預(yù)處理后的多光譜數(shù)據(jù)提取光譜特征，使用改進(jìn)的遺傳算法進(jìn)行光譜特征組合尋優(yōu)，利用識(shí)別分類精度評(píng)估特征組合的重要度并根據(jù)皮爾遜相關(guān)系數(shù)評(píng)估特征組合的冗余度；

31、以重要度最大化及冗余度最小化為目標(biāo)計(jì)算適應(yīng)度，選取適應(yīng)度最高的光譜特征組合進(jìn)行復(fù)制確定搜索方向，并通過(guò)交叉重組進(jìn)行特征重新組合加快優(yōu)化選擇過(guò)程，當(dāng)滿足終止條件時(shí)根據(jù)最優(yōu)解獲取最佳光譜特征組合；

32、基于efficientdet-lite模型構(gòu)建輕量化的病蟲害識(shí)別模型，將所述最佳光譜特征組合作為病蟲害識(shí)別模型的輸入，采用efficientnet-b3作為主干網(wǎng)絡(luò)并引入輕量化通道注意力獲取多光譜特征；

33、將bifpn層數(shù)縮減至4層，利用所述多光譜特征生成病斑的錨框適配，通過(guò)預(yù)訓(xùn)練的分類頭預(yù)測(cè)錨框?qū)?yīng)的病蟲害類型及為害階段。

34、本方案中，根據(jù)病蟲害類型和嚴(yán)重程度進(jìn)行藥劑配比決策及變量噴灑控制，具體為：

35、根據(jù)預(yù)測(cè)錨框提取對(duì)應(yīng)的病斑區(qū)域，對(duì)所述病斑區(qū)域的光譜特征及圖像特征采用t-sne降維算法投影到低維空間生成特征散點(diǎn)圖；

36、利用病蟲害類型及為害階段檢索獲取帶有嚴(yán)重程度標(biāo)簽標(biāo)注的病蟲害實(shí)例，使用wasserstein距離量化預(yù)測(cè)錨框與病蟲害實(shí)例對(duì)應(yīng)特征散點(diǎn)圖的分布差異，獲取分布差異符合預(yù)設(shè)差異閾值的病蟲害實(shí)例，根據(jù)篩選的病蟲害實(shí)例確定嚴(yán)重程度；

37、通過(guò)病蟲害類型、嚴(yán)重程度結(jié)合環(huán)境特征構(gòu)建病蟲害畫像，將所述病蟲害畫像進(jìn)行特征嵌入編碼，生成對(duì)應(yīng)的病蟲害節(jié)點(diǎn)、嚴(yán)重程度節(jié)點(diǎn)及環(huán)境特征節(jié)點(diǎn)，根據(jù)病斑鄰接及病斑狀態(tài)轉(zhuǎn)移獲取對(duì)應(yīng)的時(shí)空關(guān)聯(lián)，使用節(jié)點(diǎn)及時(shí)空關(guān)聯(lián)構(gòu)建拓?fù)潢P(guān)系圖；

38、使用圖卷積網(wǎng)絡(luò)對(duì)所述拓?fù)潢P(guān)系圖進(jìn)行表示學(xué)習(xí)，使用消息傳遞及鄰居聚合機(jī)制獲取對(duì)應(yīng)的圖嵌入向量，通過(guò)所述圖嵌入向量在領(lǐng)域知識(shí)圖譜中進(jìn)行knn搜索，獲取預(yù)設(shè)數(shù)量的有效案例；

39、將預(yù)設(shè)數(shù)量的有效案例輸入預(yù)訓(xùn)練的多任務(wù)學(xué)習(xí)頭，獲取藥劑類別概率分布及劑量預(yù)測(cè)值生成藥劑配比決策結(jié)果，基于霧滴穿透策略確定霧滴粒徑分類結(jié)果及噴頭角度回歸結(jié)果生成變量噴灑控制策略。

40、本方案中，在精準(zhǔn)噴灑控制模塊中，根據(jù)環(huán)境感知數(shù)據(jù)動(dòng)態(tài)調(diào)整噴頭參數(shù)，并存儲(chǔ)每棵樹的噴灑數(shù)據(jù)，具體為：

41、獲取無(wú)人機(jī)噴灑過(guò)程中的多源環(huán)境感知數(shù)據(jù)及噴灑質(zhì)量參數(shù)，基于神經(jīng)網(wǎng)絡(luò)構(gòu)建多源環(huán)境感知數(shù)據(jù)及噴灑質(zhì)量參數(shù)的映射關(guān)系，訓(xùn)練正常噴灑質(zhì)量下的數(shù)據(jù)映射模型；

42、將實(shí)時(shí)多源環(huán)境感知數(shù)據(jù)導(dǎo)入正常噴灑質(zhì)量下的數(shù)據(jù)映射模型進(jìn)行預(yù)估，計(jì)算預(yù)估多源環(huán)境感知數(shù)據(jù)與實(shí)時(shí)多源環(huán)境感知數(shù)據(jù)的殘差，當(dāng)所述殘差大于預(yù)設(shè)殘差閾值時(shí)，則重新獲取變量噴灑控制策略，動(dòng)態(tài)調(diào)整噴頭參數(shù)；

43、將單木基礎(chǔ)數(shù)據(jù)、噴灑狀態(tài)數(shù)據(jù)及多源環(huán)境感知數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后存儲(chǔ)到數(shù)據(jù)庫(kù)，使用數(shù)據(jù)庫(kù)對(duì)變量噴灑控制策略的生成進(jìn)行優(yōu)化，并對(duì)無(wú)人機(jī)噴灑裝置的部件進(jìn)行故障監(jiān)測(cè)。

44、本發(fā)明第二方面提供了一種基于多源傳感器空間感知的林業(yè)智能噴灑方法，包括以下步驟：

45、通過(guò)無(wú)人機(jī)搭載的激光雷達(dá)及視覺(jué)傳感器掃描目標(biāo)林區(qū)，構(gòu)造三維林區(qū)地圖，使用樹體識(shí)別模型識(shí)別定位單株樹木，分析冠層結(jié)構(gòu)，評(píng)估冠層的樹葉疏密程度；

46、利用多光譜成像結(jié)合深度學(xué)習(xí)識(shí)別病蟲害，根據(jù)病蟲害類型及病蟲害嚴(yán)重程度進(jìn)行藥劑配比決策；

47、基于所述三維林業(yè)地圖進(jìn)行飛行路徑的全局規(guī)劃及局部動(dòng)態(tài)避障，生成無(wú)人機(jī)噴灑的最優(yōu)飛行路徑；

48、根據(jù)冠層的樹葉疏密程度及病蟲害嚴(yán)重程度調(diào)整噴頭參數(shù)，進(jìn)行變量噴灑，并存儲(chǔ)無(wú)人機(jī)噴灑作業(yè)參數(shù)。

49、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

50、本發(fā)明通過(guò)融合多源傳感器數(shù)據(jù)、人工智能算法和精準(zhǔn)控制技術(shù)，實(shí)現(xiàn)了從環(huán)境感知到變量噴灑的全流程智能化作業(yè)。通過(guò)lidar與多光譜成像的協(xié)同感知，系統(tǒng)可實(shí)現(xiàn)單株樹木的厘米級(jí)定位，確保噴灑目標(biāo)無(wú)遺漏；基于三維冠層密度分析的自適應(yīng)霧滴調(diào)控，使藥劑在樹冠上、中、下層的沉積均勻性提升，針對(duì)病斑分布動(dòng)態(tài)調(diào)整藥劑量，顯著提升防治效果并減少藥劑浪費(fèi)。

51、從病蟲害識(shí)別、配藥決策到噴灑控制，實(shí)現(xiàn)無(wú)人化閉環(huán)操作，并支持單木級(jí)作業(yè)檔案支持區(qū)塊鏈存證，滿足有機(jī)林業(yè)認(rèn)證要求。另外本發(fā)明大大減少了人工參與，高危作業(yè)（如陡坡、毒害環(huán)境）完全由無(wú)人機(jī)替代，提升經(jīng)濟(jì)效益和社會(huì)價(jià)值。