基于植保无人机的病虫害监测系统

本申请涉及病虫害监测领域，且更为具体地，涉及一种基于植保无人机的病虫害监测系统。

背景技术：

1、在农业生产中，病虫害是影响农作物健康生长和产量的关键因素之一。随着农业现代化的推进，农业生产中的病虫害防治变得越来越重要。传统的病虫害监测方法主要依赖于人工巡查和取样分析，这种方法不仅效率低下、耗费大量人力物力，而且难以实现大面积农田的实时监测。此外，由于作物生长周期不同以及病虫害发生的时间和地点具有随机性，传统方法往往不能及时准确地发现病虫害的发生，导致错过最佳防治时期，造成农作物产量和质量的下降。

2、近年来，无人机（uav）技术的发展为农业监测提供了新的解决方案。植保无人机以其机动灵活、作业范围广、成本相对较低等优点，在农业领域得到了广泛的应用。特别是配备了高清摄像头和其他传感器的植保无人机，能够快速获取大面积农田的高分辨率图像，为作物健康状况的监测提供了丰富的数据来源。

3、然而，农作物病虫害在图像上的表现复杂多样，既存在局部病变（如叶片上的病斑、虫洞），也涉及整体生长状况（如植株的高度、颜色变化）。而传统的图像分析方法通常基于手工设计的特征提取算法，如颜色直方图、纹理特征（例如灰度共生矩阵）、形状特征等，来描述图像中的目标对象或异常情况。这些方法在处理简单、规则的目标时效果较好，但在面对农作物病虫害监测这一复杂任务时，通常难以全面捕捉病虫害在图像中的复杂表现。导致监测准确率不高。

4、因此，期待一种优化的基于植保无人机的病虫害监测系统。

技术实现思路

1、为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于植保无人机的病虫害监测系统，其利用植保无人机采集农作物图像，并在后端服务器引入基于深度学习的图像处理技术，通过对采集的农作物图像进行局部特征和全局特征的多尺度分析，以同时捕获农作物的局部病变和整体生长状况，进而，通过对农作物图像的多尺度状态特征进行交互融合分析，以实现对农作物病虫害状态的准确理解和智能识别。通过这种方式，可以有效提高病虫害监测的准确性和效率，从而为农业生产提供有力的技术支持。

2、相应地，根据本申请的一个方面，提供了一种基于植保无人机的病虫害监测系统，其包括：

3、农作物图像采集模块，用于控制配置有摄像头的植保无人机按照预定路线飞行并利用所述摄像头采集农作物图像；

4、图像导入模块，用于将所述农作物图像导入至后端病虫害监测服务器；

5、农作物图像多尺度特征检测模块，用于在所述后端病虫害监测服务器，对所述农作物图像进行多尺度特征检测以得到作物图像局部特征编码向量和作物图像全局语义编码向量；

6、多尺度特征交互融合模块，用于对所述作物图像全局语义编码向量和所述作物图像局部特征编码向量进行基于隐性协同特征引导的注意力交互融合以得到作物图像特征多尺度融合编码向量；

7、监测结果生成模块，用于基于所述作物图像特征多尺度融合编码向量，确定病虫害的监测结果。

8、与现有技术相比，本申请提供的基于植保无人机的病虫害监测系统，其利用植保无人机采集农作物图像，并在后端服务器引入基于深度学习的图像处理技术，通过对采集的农作物图像进行局部特征和全局特征的多尺度分析，以同时捕获农作物的局部病变和整体生长状况，进而，通过对农作物图像的多尺度状态特征进行交互融合分析，以实现对农作物病虫害状态的准确理解和智能识别。通过这种方式，可以有效提高病虫害监测的准确性和效率，从而为农业生产提供有力的技术支持。

技术特征：

1.一种基于植保无人机的病虫害监测系统，其特征在于，包括：

2.根据权利要求1所述的基于植保无人机的病虫害监测系统，其特征在于，所述农作物图像多尺度特征检测模块，包括：

3.根据权利要求2所述的基于植保无人机的病虫害监测系统，其特征在于，所述局部特征检测模块使用sift算法或hog算法作为局部特征检测算法。

4.根据权利要求3所述的基于植保无人机的病虫害监测系统，其特征在于，所述全局特征检测模块使用vit模型对所述增强农作物图像进行全局特征检测。

5.根据权利要求4所述的基于植保无人机的病虫害监测系统，其特征在于，所述多尺度特征交互融合模块，包括：

6.根据权利要求5所述的基于植保无人机的病虫害监测系统，其特征在于，所述协同特征提取网络包括三个并行的特征交互层、特征级联层、点卷积层和基于leaky relu函数的激活层。

7.根据权利要求6所述的基于植保无人机的病虫害监测系统，其特征在于，所述特征调制优化单元，用于：

8.根据权利要求7所述的基于植保无人机的病虫害监测系统，其特征在于，所述多尺度特征融合单元，用于：

9.根据权利要求8所述的基于植保无人机的病虫害监测系统，其特征在于，所述监测结果生成模块，用于：

技术总结
本申请涉及病虫害监测领域，其具体地公开了一种基于植保无人机的病虫害监测系统，其利用植保无人机采集农作物图像，并在后端服务器引入基于深度学习的图像处理技术，通过对采集的农作物图像进行局部特征和全局特征的多尺度分析，以同时捕获农作物的局部病变和整体生长状况，进而，通过对农作物图像的多尺度状态特征进行交互融合分析，以实现对农作物病虫害状态的准确理解和智能识别。通过这种方式，可以有效提高病虫害监测的准确性和效率，从而为农业生产提供有力的技术支持。

技术研发人员：张玲,张婷,任杰,邙光伟,李平,郑然,刘剑平
受保护的技术使用者：承德市农林科学院
技术研发日：
技术公布日：2025/3/16