基于人工智能的农业无人机作物精准营养系统及方法与流程

本发明属于智慧农业管理技术领域，尤其涉及一种基于人工智能的农业无人机作物精准营养系统及方法。

背景技术：

传统农业生产无法高效率地对大面积种植区域中的作物进行监测，也无法针对具有不同土壤墒情、作物苗情的地块实施针对性的营养供给，在大量消耗人力成本的同时，可能导致农作物营养失衡，降低农业生产效率和农产品质量，甚至引起耕地板结、土壤酸化等环境问题。

如现有技术中专利号为cn201610024995和cn201910298983的中国发明专利所记载的，农业无人机现已广泛应用于农业自动化领域的农情数据采集、实时图像处理、种植环境监测等工作。现有的技术方案中，农业无人机通常包括机载传感器、图像采集装置及可见光/近红外光扫描装置，以实现种植环境参数、农作物图像的实时采集与农作物健康状况的追踪。通过比较采集数据与系统后台预存的、反映农作物理想营养状态的标准数据进行比较，由此决定后续营养供给方案。

然而采用农业无人机进行精准营养供给存在如下缺陷：

首先，现有的农业无人机数据采集及分析的对象是整个农业种植区，缺乏重点区域的精准采集、分析与针对性农情处理。这可能导致农情分析以偏概全，导致面向种植区整体的农业操作大量浪费了农业资源；其次，受限于种植环境的差异性，系统预设的后台标准数据难以始终保证其专业性、准确性、地域适用性，加之标准数据制定者能力参差不齐，标准数据可能无法提供有效的数据参考；第三，为了获取能够准确反映农情的数据及图像，需要综合考虑飞行时间、飞行半径、飞行高度、采集精度、数据分析能力等一系列专业问题，可能需要农业专家、无人机操作员在整个作物生长周期内进行多次飞行方案调整，使人力成本不降反升；此外，无人机极易受到气候条件的影响，不可预知的天气状况可能导致飞行风险和维护成本增加；且受限于载重能力，农业无人机作为空中营养作业工具，在实际应用中的能力相当有限。因此，对于长期的农情智能检测与智能农化服务工作而言，若仅仅采用农业无人机系统作为技术支持，其数据精准性、方案有效性及成本可控性均难以保证。

技术实现要素：

针对现有技术存在的上述缺陷，本发明提供了一种基于人工智能的农业无人机作物精准营养系统及方法。

为实现上述目的，本申请的具体方案为：

一种基于人工智能的农业无人机作物精准营养系统，包括中心工作站、智能用户端及分别与二者信号相连的云端系统；

其中，中心工作站的服务范围覆盖整个农业种植区，向农业种植区提供包括但不限于农业信息采集、数据传输与营养供给的农业服务；农业种植区包括由至少一名用户负责的多个分区；所述农业信息采集是由农业无人机实现的、面向农业种植区进行的整体性数据采集。

智能用户端用于展示信息，拍摄异常苗情，并向用户提供购买营养供给服务的渠道；其中，拍摄异常苗情是面向出现异常苗情的问题分区进行的针对性数据采集。

云端系统对上传自中心工作站及智能用户端的信息进行处理分析，生成农情初诊报告、营养供给方案及其他农业操作建议，并实现数据管理。

进一步地，中心工作站、智能用户端及云端系统通过无线通信技术实现信号连接；再进一步地，实现中心工作站、智能用户端及云端系统信号连接的无线通信技术选自5g网络、4g网络、wifi网络、蓝牙技术的一种或多种。

进一步地，农业种植区的面积为3000-10000亩，各个分区的面积为30-50亩。

中心工作站包括农业无人机、农作物营养中心及分别与二者信号相连的数据传输中心；

农业无人机设有用于可见光和/或不可见光光谱图像采集的机载探测器，以及高精度地理定位系统；农业无人机根据预设的飞行计划对农业种植区进行整体巡视；巡视过程中，机载探测器对农业种植区进行可见光和/或不可见光的光谱图像的实时采集；其中，在农业无人机的首次整体巡视过程中，高精度地理定位系统获取农业种植区及其中各个分区的地理信息，根据地理信息构建农业种植区的农田地图，标定各个分区在农田地图中的空间分布；

数据传输中心用于将农田地图及光谱图像上传至云端系统，接收由云端系统发送的实施营养供给服务的信号、由云端系统制定的营养供给方案、以及由用户自定义的作物营养方案；

在接收到云端系统发送的实施营养供给服务的信号后，农作物营养中心根据由云端系统制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，完成营养供给服务。

进一步地，机载探测器包括多光谱相机和高光谱相机。光谱图像包括多光谱图像和高光谱图像；

进一步地，农作物营养中心包括智能营养调配系统及自动滴灌控制系统，营养供给服务包括由智能营养调配系统自动完成营养元素调配，并由自动滴灌控制系统控制完成营养滴灌作业。

进一步地，智能用户端包括显示模块、拍摄模块、商城模块及分别与三者信号相连的数据传输模块；

数据传输模块接收由云端系统传送至智能用户端的农情初诊报告、营养供给方案及其他农业操作建议，并传输至显示模块，向用户进行信息展示；

针对农情初诊报告记载的问题分区内的异常苗情，用户可采用拍摄模块进行问题分区内异常苗情图像的实地采集，异常苗情图像经数据传输模块上传云端系统进行后续智能化精准分析；

用户通过商城模块购买营养供给服务；其中，营养供给服务基于：由云端系统制定的、针对问题分区的营养供给方案，和/或由用户根据个人经验，在商城模块中自定义的作物营养方案；完成购买后的支付信息通过数据传输模块上传云端系统。

可选择地，智能用户端选自智能手机、平板电脑，及其它兼具拍摄、支付、显示与数据传输功能的终端设备的一种或多种。

进一步地，云端系统包括农情初诊模块、精准分析模块及分别与二者信号相连的信息管理模块；

农情初诊模块根据中心工作站上传的光谱图像，分析得出农业种植区中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，并将多个农情初诊报告输出至信息管理模块。其中，异常苗情包括农作物营养异常。

进一步地，农作物营养异常指针对氮、磷、钾、钙等多种农作物必须营养元素的作物缺素症状和作物养分过量症状。

进一步地，农情初诊模块包括信号相连的光谱分析模块及定位模块；针对中心工作站上传至云端系统的农业种植区的光谱图像，光谱分析模块提取光谱图像中代表农作物营养异常的多个光谱特征，根据光谱特征分析农业种植区内出现的各项农作物营养异常情况的具体类型及严重程度，并将分析结果输出至定位模块；

定位模块存储农业无人机首次整体巡视后上传云端系统的农田地图；针对光谱分析模块分析得出的各项农作物营养异常情况，定位模块从光谱图像中获取出现该农作物营养异常情况的地理信息，利用地理信息实现农作物营养异常情况在农业种植区中的位置标注；定位模块将出现农作物营养异常情况的分区定义为问题分区，由此生成针对不同问题分区的多个农情初诊报告，输出至信息管理模块。

精准分析模块包括人工神经网络模型，用于对智能用户端上传的问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并输出至信息管理模块。

信息管理模块作为云端系统的数据交互中心，接收由中心工作站上传的农田地图及光谱图像，接收由智能用户端上传的异常苗情图像；向智能用户端发送农情初诊报告、营养供给方案及其他农业操作建议，并在接收智能用户端的支付信息后，向中心工作站发送实施营养供给服务的信号；

信息管理模块预存有农业种植区中各个分区的基本信息。

对于农情初诊模块生成的、针对各个问题分区的农情初诊报告，信息管理模块根据预存的分区基本信息，获取问题分区的用户信息，将农情初诊报告发送至对应问题分区的用户的智能用户端。

进一步地，分区基本信息包括但不限于分区农作物类型、用户姓名、用户联系方式等，对于同一用户负责的多个分区而言，分区基本信息还包括该用户自主设定的分区编号。

本发明还提供了一种基于人工智能的农业无人机作物精准营养系统的实现方法，方法包括如下步骤：

s1.农业无人机对包含多个分区的农业种植区进行首次整体巡视，设置于农业无人机的高精度地理定位系统获取农业种植区及其中各个分区的地理信息，根据地理信息构建农业种植区的农田地图，标定各个分区在农田地图中的空间分布，农田地图被上传至云端系统；

s2.农业无人机根据预设的飞行计划对农业种植区进行整体巡视，设置于农业无人机的机载探测器对农业种植区进行实时光谱图像采集，光谱图像被上传至云端系统；

s3.云端系统根据光谱图像，分析得出农业种植区中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，云端系统将多个农情初诊报告分别发送至对应问题分区的用户的智能用户端；

s4.用户通过智能用户端查看农情初诊报告记载的问题分区内的异常苗情，继而使用智能用户端，对问题分区内的异常苗情图像进行实地采集，并上传异常苗情图像至云端系统；

s5.云端系统人工智能模型对问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并发送至对应问题分区的用户的智能用户端。

进一步地，步骤s3包括：

s31.提取光谱图像中代表农作物营养异常的多个光谱特征，根据光谱特征分析农业种植区内出现的各项农作物营养异常情况的具体类型及严重程度；

s32.获取光谱图像中出现各项农作物营养异常情况的地理信息，实现各项农作物营养异常情况在农业种植区中的位置标注，出现农作物营养异常情况的分区被定义为问题分区，由此生成针对不同问题分区的多个农情初诊报告。

进一步地，当用户选择购买营养供给服务时，基于人工智能的农业无人机作物精准营养系统的实现方法还包括如下后续步骤：

s6.用户通过智能用户端购买营养供给服务并完成支付，云端系统根据智能用户端上传的支付信息，向中心工作站发送实施营养供给服务的信号；农作物营养中心根据由云端系统制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，进行营养元素调配，并控制完成营养滴灌作业。

本申请的优点在于：

与现有技术相比，本发明公开的一种基于人工智能的农业无人机作物精准营养系统及方法，实现了中心工作站与智能用户端、云端系统的信息互联，提供了从光谱图像采集到异常苗情图像采集的流程化农情采样手段。在系统的整个实践流程中，数据采集范围由“农业种植区”缩小为“问题分区”，使得数据分析获取的农作物营养供给方案的针对性与精准性逐渐提升。

具体而言，在本申请技术方案涉及的两个数据采集-分析阶段中，无人机光谱图像采集是针对大规模农业种植区的整体性数据采集操作；云端系统基于光谱图像与农田地图，将农情异常精准定位到农业种植区中的具体问题分区，生成对应问题分区的农情初诊报告；获取农情初诊报告后，农户拍摄异常苗情图像是针对问题分区进行的针对性数据采集操作。作为小采集范围、高采集精度的异常苗情图像的分析工具，经训练的人工智能模型能够一定程度上达到农资专家的专业性水平，其输出的高度经验性的结果具有专业性、准确性，由此实现化肥等农作物营养元素的精准施用，在提高利用率的同时有效保护农业生态环境。此外，通过智能用户端提供的农资服务购买渠道，用户能够基于云端系统定制或自定义的方案实施营养供给。本发明贯通了作物精准营养服务中，从分析问题到解决问题的全部环节，实现了智慧农业的应用落地。附图说明

图1为本发明实施例提供的一种基于人工智能的农业无人机作物精准营养系统的系统设置分布实例图。

图2为本发明实施例提供的一种基于人工智能的农业无人机作物精准营养系统的系统结构图。

具体实施方式

快速无损且高度准确地获取农作物信息是精准农业技术的关键步骤。随着光谱分析技术和数字图像处理技术的日益成熟，将光谱技术介入传统农业监测，在保证数据精准度的同时，能够有效降低人力成本，且相较于肉眼观察，光谱技术能够发掘出更为初期的农作物生长异常情况，如营养元素失衡、作物病虫害等症状。

多光谱成像技术在可见光图像的基础上向红外光和紫外光两个方向扩展一系列离散的成像波段。根据农作物不同生长状态的光谱反射特征，获取拍摄目标在不同光谱带中的图像特征，由此进行农作物长势判断与作物营养缺素分析，为合理高效施用肥料提供指导依据；高光谱成像技术获取的图像由大量连续的波段组成。较多光谱图像而言，高光谱图像的光谱分辨率更高，能够更完整地获取农作物生长信息，能以更高的精准度实现农情监测。

在本发明公开的一种基于人工智能的农业无人机作物精准营养系统及方法中，系统基于光谱图像分析获取农情初诊报告，用户根据农情初诊报告前往问题分区进行异常苗情实地采集，云端系统人工智能模型对异常苗情图像进行分析处理，对农作物营养缺素、营养失衡等问题进行经验性判断，智能制定能够改善现有问题的营养供给方案。农作物营养中心根据营养供给方案自动完成营养元素调配与营养滴灌作业控制。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

实施例1

一种基于人工智能的农业无人机作物精准营养系统，包括中心工作站1、智能用户端2及分别与二者信号相连的云端系统3；

其中，中心工作站1的服务范围覆盖整个农业种植区s，向农业种植区s提供包括但不限于农业信息采集、数据传输与营养供给的农业服务；农业种植区s包括由至少一名用户负责的多个分区s1-sn；所述农业信息采集是由农业无人机11实现的、面向农业种植区s进行的整体性数据采集。

智能用户端2用于展示信息，拍摄异常苗情，并向用户提供购买营养供给服务的渠道；其中，拍摄异常苗情是面向出现异常苗情的问题分区进行的针对性数据采集。

云端系统3对上传自中心工作站1及智能用户端2的信息进行处理分析，生成农情初诊报告、营养供给方案及其他农业操作建议，并实现数据管理。

进一步地，中心工作站1、智能用户端2及云端系统3通过无线通信技术实现信号连接；再进一步地，实现中心工作站1、智能用户端2及云端系统3信号连接的无线通信技术选自5g网络、4g网络、wifi网络、蓝牙技术的一种或多种。

进一步地，农业种植区s的面积为3000-10000亩，各个分区s1-sn的面积为30-50亩。

中心工作站包括农业无人机11、农作物营养中心12及分别与二者信号相连的数据传输中心13；

农业无人机11设有用于可见光和/或不可见光光谱图像采集的机载探测器，以及高精度地理定位系统；农业无人机11根据预设的飞行计划对农业种植区s进行整体巡视；巡视过程中，机载探测器对农业种植区s进行可见光和/或不可见光的光谱图像的实时采集；其中，在农业无人机11的首次整体巡视过程中，高精度地理定位系统获取农业种植区s及其中各个分区s1-sn的地理信息，根据地理信息构建农业种植区s的农田地图，标定各个分区s1-sn在农田地图中的空间分布；

数据传输中心13用于将农田地图及光谱图像上传至云端系统3，接收由云端系统3发送的实施营养供给服务的信号、由云端系统3制定的营养供给方案、以及由用户自定义的作物营养方案；

在接收到云端系统3发送的实施营养供给服务的信号后，农作物营养中心12根据由云端系统3制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，完成营养供给服务。

进一步地，机载探测器包括多光谱相机和高光谱相机，光谱图像包括多光谱图像和高光谱图像；

进一步地，农作物营养12中心包括智能营养调配系统及自动滴灌控制系统，营养供给服务包括由智能营养调配系统自动完成营养元素调配，并由自动滴灌控制系统控制完成营养滴灌作业。

智能用户端2包括显示模块21、拍摄模块22、商城模块23及分别与三者信号相连的数据传输模块24；

数据传输模块24接收由云端系统3传送至智能用户端2的农情初诊报告、营养供给方案及其他农业操作建议，并传输至显示模块21，向用户进行信息展示；

针对农情初诊报告记载的问题分区内的异常苗情，用户可采用拍摄模块22进行问题分区内异常苗情图像的实地采集，异常苗情图像经数据传输模块24上传云端系统3进行后续智能化精准分析；

用户通过商城模块23购买营养供给服务；其中，营养供给服务基于：由云端系统3制定的、针对问题分区的营养供给方案，和/或由用户根据个人经验，在商城模块23中自定义的作物营养方案；完成购买后的支付信息通过数据传输模块24上传云端系统3。

可选择地，智能用户端2选自智能手机、平板电脑，及其它兼具拍摄、支付、显示与数据传输功能的终端设备的一种或多种。

进一步地，云端系统3包括农情初诊模块31、精准分析模块32及分别与二者信号相连的信息管理模块33；

农情初诊模块31根据中心工作站1上传的光谱图像，分析得出农业种植区s中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，并将多个农情初诊报告输出至信息管理模块33。其中，异常苗情包括农作物营养异常。

进一步地，农作物营养异常指针对氮、磷、钾、钙等多种农作物必须营养元素的作物缺素症状和作物养分过量症状。

进一步地，农情初诊模块31包括信号相连的光谱分析模块及定位模块；针对中心工作站1上传至云端系统3的农业种植区s的光谱图像，光谱分析模块提取光谱图像中代表农作物营养异常的多个光谱特征，根据光谱特征分析农业种植区s内出现的各项农作物营养异常情况的具体类型及严重程度，并将分析结果输出至定位模块；

定位模块存储农业无人机11首次整体巡视后上传云端系统3的农田地图；针对光谱分析模块分析得出的各项农作物营养异常情况，定位模块从光谱图像中获取出现该农作物营养异常情况的地理信息，利用地理信息实现农作物营养异常情况在农业种植区s中的位置标注；定位模块将出现农作物营养异常情况的分区定义为问题分区，由此生成针对不同问题分区的多个农情初诊报告，输出至信息管理模块。

精准分析模块32包括人工神经网络模型，用于对智能用户端2上传的问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并输出至信息管理模块33。

信息管理模块33作为云端系统3的数据交互中心，接收由中心工作站1上传的农田地图及光谱图像，接收由智能用户端2上传的异常苗情图像；向智能用户端2发送农情初诊报告、营养供给方案及其他农业操作建议，并在接收智能用户端2的支付信息后，向中心工作站1发送实施营养供给服务的信号；

信息管理模块33预存有农业种植区s中各个分区s1-sn的基本信息。对于农情初诊模块31生成的、针对各个问题分区的农情初诊报告，信息管理模块33根据预存的分区基本信息，获取问题分区的用户信息，将农情初诊报告发送至对应问题分区的用户的智能用户端2。

进一步地，分区基本信息包括但不限于分区农作物类型、用户姓名、用户联系方式等，对于同一用户负责的多个分区而言，分区基本信息还包括该用户自主设定的分区编号。

本发明还提供了一种基于人工智能的农业无人机作物精准营养系统的实现方法，方法包括如下步骤：

s1.农业无人机11对包含多个分区s1-sn的农业种植区s进行首次整体巡视，设置于农业无人机11的高精度地理定位系统获取农业种植区s及其中各个分区s1-sn的地理信息，根据地理信息构建农业种植区s的农田地图，标定各个分区s1-sn在农田地图中的空间分布，农田地图被上传至云端系统3；

s2.农业无人机11根据预设的飞行计划对农业种植区s进行整体巡视，设置于农业无人机11的机载探测器对农业种植区s进行实时光谱图像采集，光谱图像被上传至云端系统3；

s3.云端系统3根据光谱图像，分析得出农业种植区s中出现的异常苗情，将出现异常苗情的分区定义为问题分区，将各项异常苗情分别关联至对应的问题分区，由此生成针对不同问题分区的多个农情初诊报告，云端系统3将多个农情初诊报告分别发送至对应问题分区的用户的智能用户端2；

s4.用户通过智能用户端2查看农情初诊报告记载的问题分区内的异常苗情，继而使用智能用户端2，对问题分区内的异常苗情图像进行实地采集，并上传异常苗情图像至云端系统3；

s5.云端系统3人工智能模型对问题分区的异常苗情图像进行智能运算；在训练阶段，人工神经网络模型通过正向网络计算与逆向误差传播计算实现人工神经网络模型的训练；在训练完成的使用阶段，人工神经网络模型通过正向网络计算准确分析出异常苗情的具体症状，基于具体症状提出针对问题分区的营养供给方案及其他农业操作建议，并发送至对应问题分区的用户的智能用户端2。

进一步地，步骤s3包括：

s31.提取光谱图像中代表农作物营养异常的多个光谱特征，根据光谱特征分析农业种植区s内出现的各项农作物营养异常情况的具体类型及严重程度；

s32.获取光谱图像中出现各项农作物营养异常情况的地理信息，实现各项农作物营养异常情况在农业种植区s中的位置标注，出现农作物营养异常情况的分区被定义为问题分区，由此生成针对不同问题分区的多个农情初诊报告。

进一步地，当用户选择购买营养供给服务时，基于人工智能的农业无人机作物精准营养系统的实现方法还包括如下后续步骤：

s6.用户通过智能用户端2购买营养供给服务并完成支付，云端系统3根据智能用户端2上传的支付信息，向中心工作站1发送实施营养供给服务的信号；农作物营养中心12根据由云端系统3制定的、针对问题分区的营养供给方案，和/或由用户自定义的作物营养方案，进行营养元素调配，并控制完成营养滴灌作业。

以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求所界定的保护范围为准。