一种基于ROS的多光谱无人机智能定点施肥方法及施肥装置

一种基于ros的多光谱无人机智能定点施肥方法及施肥装置
技术领域
1.本发明涉及农业智能化、无人机技术领域，具体涉及一种基于ros的多光谱无人机智能定点施肥方法及施肥装置。


背景技术：

2.土壤肥力是影响农作物生长的一个重要因素。在农作物的生长过程中，施肥贯穿了农作物的整个生长周期，其对农作物的生长状况和产量具有直接影响。目前，在智慧农业技术领域中，传统的农业施肥管理主要依赖于人工经验和机械设备，施肥时普遍存在着施肥剂分布不均的问题。其中，利用无人机进行农业施肥已成为智慧农业技术创新的热点之一，且逐渐在我国的农业生产中得到广泛应用。传统的无人机施肥在农业生产中的施肥管理主要分为大面积无人机抛洒施肥和人工手动定点施肥，大面积无人机抛洒施肥方法涉及到的范围太大，没有针对性，容易造成肥料的浪费。采用人工手动定点控制无人机施肥的方式，存在耗时长和施肥效率低等问题，难以满足大规模生产的需求。
3.之后随着多光谱技术的发展，出现了搭载多光谱相机的智能化无人机监测方式。该方式可以实现高效率、低成本、高精度的农作物监测，并给出精准的施肥建议，但此种方法仅仅只用于监测，目前对于同时兼顾无人机监测和施肥的研究相对较少。
4.在搭载了多光谱的无人机进行农业施肥的相关技术中，有公开号为cn103425102a的发明专利提供了一种基于低空遥感、多光谱精准识别的智能施肥系统。该发明采用多光谱的遥感方式，分别计算出氮磷钾肥料的含量水平，智能化的计算出大面积作物的长势情况并且给出精确的作物施肥数据，然后结合地理信息系统(gis)的农作物空间分布进行数字化处理。该专利是一种智能化农业管理的方法和系统，由小型无人机系统、地面控制系统、数据处理与分析系统、施肥模型系统、gis系统等不同部分组成，可以全面监测和分析农田内各个作物的生长状况和所需营养元素，实现精准施肥计划，通过无人机和多光谱相机结合，使施肥更加精准和定点。然而，该专利将施肥过程的监测和操作分离，导致该方法相对复杂，施肥过程只能单独另行实施。此外，该方法中多光谱图像波段采集和数据分析方面的应用存在局限性，只利用了多光谱图像的光谱特征，未能引入其他图像特征进行综合分析；且无人机的操作也具有一定的难度，需要应用者具有较高的技能水平。同时，子系统间的数据传输速度较慢，延时性较大。因此，需要进一步完善技术方案以解决这些缺陷。


技术实现要素：

5.发明目的：针对现有技术中存在的问题，本发明提供一种基于ros的多光谱无人机智能定点施肥方法及施肥装置，利用ros系统和多光谱设备相结合，利用改进的slic算法智能提取施肥点进行智能定点施肥。
6.技术方案：本发明提供了一种基于ros的多光谱无人机智能定点施肥方法，包括如下步骤：
7.s1：采集目标范围内的种植区氮、磷、钾多光谱俯视信息图像，对图像进行预处理，
去噪、矫正图像畸变、调整图像对比度；
8.s2：选择氮、磷、钾在多光谱图像中的显像特征波段，利用改进的slic算法对单个像素进行聚类，生成内容敏感超像素，将超像素进行分类处理，以形成区块，得到光谱图像采集区内的氮素、磷素、钾素多光谱分布图；所述改进的slic算法融合二维流形，将多光谱图像映射到二维流形中进行计算，在图像纹理提取方面，融合ilnrbp算法，将8邻域降至对角4邻域，综合计算多光谱图的纹理特征；
9.s3：按照像素进行分割，提取相同色块，找出颜色边缘并标记，得到多光谱分割图；
10.s4：将多光谱分割图中的区域与种植区实际场景下的生长态势进行比对，确定作物长势良好的氮含量、磷含量、钾含量波段范围，以及该范围在多光谱分割图中对应的显示色块，筛选并标记出多光谱分割图中长势良好的区块；
11.s5：将长势良好的分割区域进行排除，最后得到氮素、磷素、钾素的施肥区域；
12.s6：提取施肥区坐标，并根据施肥区坐标利用无人机自动化施肥。
13.进一步地，所述步骤1中采集目标范围内的种植区氮、磷、钾多光谱俯视图信息图像具体为：
14.利用北斗定位技术获取无人机的实时位置信息，记录起始点坐标，控制无人机到种植区上空，分别采集目标范围内的种植区氮、磷、钾多光谱俯视图信息，记录采集成像的坐标位置，起始点坐标、采集成像的坐标用于多光谱分布图与地图的融合；同时利用激光雷达扫描得到当前地形数据，用于配合地图坐标规划自动施肥路径。
15.进一步地，所述步骤1中氮、磷、钾光谱图像信息的显像特征波段分别为：480nm～560nm特征波段、630nm～790nm特征波段、810nm～950nm特征波段。
16.进一步地，所述步骤2中利用改进的slic算法获取氮素、磷素、钾素多光谱分布图的具体操作为：
17.s2.1：获取预处理后的多光谱遥感图像，设定所述图像的总像素点为m、光谱波段为α条，生成目标超像素为k个，同时也是种像素的个数，定义种像素为z，最大迭代次数为maxi；
18.s2.2：初始化各项参数，在k个种像素之间设定相同间距将种像素设定为3
×
3单位矩阵对角区域内梯度最低点的位置；设置其它非种像素p的初始标签为b(p)＝-1，初始距离j(p)＝∞，初始迭代次数ci＝0；
19.s2.3：用ilnrbp算法计算每个像素的对角邻域纹理特征ilnrbp
d,n,r,t
(p)：
[0020][0021]
式中：
[0022][0023]
其中：t为阈值，xc为中心像素点p在欧氏空间中的坐标，d表示从中心像素点到邻域点像素的距离，l用来标记邻域像素点所在的位置，x
d,n,l
表示在以中心像素p为中心，以d为半径的圆上等角度等间隔的均匀分布着n个像素点，n＝4；y(x
d,n,l
,r)表示以邻域像素
[0043]
对以zi为中心的2λil
×
2λil区域中的每个像素p，计算其与种像素zi的聚类距离j＝j(zi,p)，如果j＜j(p)，则设置该像素的距离j(p)＝j，并设置其标记b(p)＝i；
[0044]
s2.8：将邻近的超像素块分类合并，并更新种像素
[0045]
s2.9：若迭代次数ci≥maxi，则结束迭代，输出超像素分割的结果，
[0046]
s2.10：若迭代次数ci＜maxi，则返回s2.4，同时迭代次数ci＝ci+1。
[0047]
进一步地，所述步骤6中提取施肥区坐标的具体操作为：
[0048]
将在步骤s1的数据采集时候记录的起始点坐标、采集成像的坐标在地图中定位，两个坐标点保证了多光谱图像投影到地图中的的角度、方向，以地图中的两个坐标为参照，将地图等比缩放，直到与多光谱中标记的对应坐标点重合，此时多光谱中已标记的施肥区便可投影到地图中，在地图中记录标记的坐标范围，即可实施施肥路径规划。
[0049]
本发明还公开一种基于上述基于ros的多光谱无人机智能定点施肥方法的定点施肥装置，包括无人机、ros操作地面控制台；
[0050]
所述无人机上设置有数据采集模块和数据接收模块，所述数据采集模块包括北斗定位、多光谱相机以及激光雷达，所述北斗定位用于获取无人机的实时位置信息，所述多光谱相机用于采集目标范围内的种植区氮、磷、钾多光谱俯视信息图像，所述激光雷达用于扫描得到当前地形数据，用于配合地图坐标规划自动施肥路径；所述数据接收模块用于接收无人机飞行、施肥路径指令；
[0051]
所述ros操作地面控制台上设置有数据分析模块、飞行控制模块和施肥控制模块，所述数据分析模块用于执行s2至s5的步骤，利用改进的超像素分割算法对种植区的氮、磷、钾多光谱图像进行分析计算，实现对多光谱图像数据的分割提取；所述飞行控制模块用于根据数据分析模块结果控制无人机的起飞、飞行路径和降落；所述施肥控制模块通过数据分析模块输出结果计算出施肥的位置。
[0052]
有益效果：
[0053]
1、本发明在多光谱相机采集到种植区的多光谱图像数据后，将图像数据传输到地面控制终端进行图像处理并分析，利用改进的超像素分割算法对种植区的氮、磷、钾多光谱图像进行分析计算，实现对多光谱图像数据的分割提取，以得到在大面积种植区内的小范围施肥点。用户只需划定种植区域，无人机便可自动控制飞往指定区域，然后利用无人机搭载的多光谱相机采集种植区俯视图，并将图像数据通过5g网络发送至地面控制端，地面控制端对图像数据进行算法分析划定施肥区域，自动规划种植区的施肥坐标路径及施肥方法，随后地面控制端发送指令控制无人机飞往施肥区进行精准施肥。
[0054]
2、本发明利用改进的超像素分割算法即改进的简单线性迭代聚类算法，在slic的基础上引入了二维流形的概念，将多光谱图映射到二维流形中进行超像素的分割计算，将光谱信息进行综合利用，生成超像素，以此快速计算出内容敏感的超像素块，并且可以根据初始参数的选择以及图像中邻近的像素内容，如像素的颜色变化程度，自适应的调整内容敏感超像素的数量与尺寸，适合多光谱图像这种内容复杂的分割场景。该算法支持任意数量波段的光谱图分割，因此能够更准确地提取施肥区域，具有更好的可靠性。超像素分割是将原始图像中的像素聚类成具有连续性和相似性的小块，这些小块称为“超像素”。通过超像素分割，可以将图像分割成具有语义意义的区域，更易进行后续的图像分析和处理。
附图说明
[0055]
图1为本发明基于ros系统的模块功能设计框图；
[0056]
图2为本发明完整的施肥流程图；
[0057]
图3为本发明数据采集流程图；
[0058]
图4为本发明单位矩阵对角区域示意图；
[0059]
图5为本发明各参数关系示意图；
[0060]
图6为本发明实施例的分割结果对比图；
[0061]
图7为本发明施肥区坐标提取流程。
具体实施方式
[0062]
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
[0063]
本发明公开了一种基于ros的多光谱无人机智能定点施肥方法及施肥装置，参见图1，施肥装置主要由无人机和ros操作地面控制台组成，整套施肥装置设计主要由无人机和搭载了ros操作系统的地面控制台组成，在无人机部分，包含数据采集模块和数据接收模块，数据采集模块包含北斗定位、多光谱相机、激光雷达，北斗定位用于获取无人机的实时位置信息，多光谱相机用于采集目标范围内的种植区氮、磷、钾多光谱俯视信息图像，激光雷达用于扫描得到当前地形数据，用于配合地图坐标规划自动施肥路径。数据接收模块用于接收无人机飞行、施肥路径指令，通过这一模块，无人机可以准确执行地面控制台发送的指令。两个模块之间通过5g技术进行数据传输，可以极大的提高系统的响应度。
[0064]
在地面控制台上，主要由数据分析、飞行控制和施肥控制三个重要模块组成。数据分析模块是整个系统的核心，数据分析模块利用改进的超像素分割算法对种植区的氮、磷、钾多光谱图像进行分析计算，实现对多光谱图像数据的分割提取。飞行控制模块用于控制无人机的起飞、飞行路径和降落，以保证飞行的安全性和稳定性。施肥控制模块通过数据分析模块计算出施肥的位置。所有的信息最终转化成控制指令，并将其发送到无人机的数据接收模块，从而实现整个自动化施肥控制系统的闭环。
[0065]
本发明公开的一种基于ros的多光谱无人机智能定点施肥方法具体流程图参见图2，具体包括如下步骤：
[0066]
步骤1：数据的采集
[0067]
利用北斗定位技术获取无人机的实时位置信息，记录起始点坐标，控制无人机到种植区上空，分别采集目标范围内的种植区氮、磷、钾多光谱俯视图信息，记录采集成像的坐标位置，两个关键的坐标点将用于后面多光谱分布图与地图的融合；同时利用激光雷达扫描得到地形数据，用于配合地图坐标规划自动施肥路径，以及有效避障。
[0068]
假设在进行氮素施肥时，采集480nm～560nm特征波段下的光谱图像信息，假设在进行磷素施肥时，采集630nm～790nm特征波段下的光谱图像信息，假设在进行钾素施肥时，采集810nm～950nm特征波段下的光谱图像信息。
[0069]
步骤2：种植区多光谱图像分割提取施肥区
[0070]
控制端接收到光谱图像数据后，利用图像处理系统进行施肥区的提取工作。具体而言，算法会选择氮、磷、钾在多光谱图像中的显像特征波段，调整对应的参数后实现对图
像的有针对性计算分割。
[0071]
以分割提取氮的施肥区为例：
[0072]
首先，采集的叶片氮指数的波段范围在480nm～560nm，最终成像效果反映在多光谱图像的颜色变化上，利用该特征，采用改进的slic算法进行超像素分割，分割出不同的颜色区域后，接着确定作物长势良好的氮含量波段范围，以及该范围在多光谱图像中对应的显示色块，排除长势良好的区域对应的色块。
[0073]
具体步骤如下：
[0074]
s1：对图像进行预处理，去噪、矫正图像畸变、调整图像对比度。
[0075]
s2：利用改进的slic算法对单个像素进行聚类，生成内容敏感超像素，将超像素进行分类处理，以形成区块，这些区块便是光谱图像采集区内的氮素分布图。
[0076]
s2.1：获取预处理后的多光谱遥感图像，设定所述图像的总像素点为m、光谱波段为α条，生成目标超像素为k个，同时也是种像素的个数，定义种像素为z，最大迭代次数为maxi。
[0077]
s2.2：初始化各项参数，在k个种像素之间设定相同间距为了避免种像素被分到梯度大的边界上影响聚类效果，将种像素设定为3
×
3单位矩阵对角区域内梯度最低点的位置，示意图如下图4阴影部分，对比传统的8邻域梯度的计算，只计算对角线上的区域可以提升纹理特征提取时的计算速度，优化分割效果。设置其它非种像素p的初始标签为b(p)＝-1，初始距离j(p)＝∞，初始迭代次数ci＝0。
[0078]
s2.3：用ilnrbp算法计算每个像素的对角邻域纹理特征ilnrbp
d,n,r,t
(p)：
[0079][0080]
式中：
[0081][0082]
其中：t为阈值，xc为中心像素点p在欧氏空间中的坐标，d表示从中心像素点到邻域点像素的距离，l用来标记邻域像素点所在的位置，x
d,n,l
表示在以中心像素p为中心，以d为半径的圆上等角度等间隔的均匀分布着n个像素点，n＝4；y(x
d,n,l
,r)表示以邻域像素x
d,n,l
为中心，以r为半径的圆形邻域上等角等间隔的4个邻域像素值的均值：
[0083][0084]
其中：表示以x
d,n,l
中心，以r为半径的圆周上第m个邻域像素的像素值，同样的，邻域数量为4，计数从0开始，即m＝0，且第0个邻域像素的像素值与中心像素点p即xc的连线会经过x
d,n,l
，所有参数关系参照下图5。
[0085]
s2.4：计算单位正方形在二维流形中的面积：
[0086]
s(φ(d
p
))＝s(φ(δ
p1p2p3
))+s(φ(δ
p1p4p3
))
[0087][0088]
其中：d
p
表示以像素p为中心的单位正方形，δ
p1p2p3
和δ
p1p4p3
表示单位正方形沿对角切割出的三角形，φ表示在二维流形中；为每个像素计算s(φ(d
p
))，计算二维流形中的局部搜索区域r：
[0089][0090]
s2.5：在以种像素zi为中心的2l
×
2l区域ω(zi)中计算s(φ(ω(zi)))与分割范围参数λi：
[0091][0092]
s2.6：如果ci＞0且分割范围参数λi小于分割阈值τ，则分割该超像素。
[0093]
s2.7：超像素相似度计算：选取图像中的两个给定的像素点p1、p2，根据多特征融合的像素距离计算公式：
[0094][0095]
其中，m和β分别为两个超参数，m是控制空间和光谱特征之间相对重要性的参数，β是调节纹理特征的权重参数，j(p1,p2)值越小，超像素间相似度越高，js为像素间的欧氏空间距离：
[0096]js
＝(||p
1-p2||2)2[0097]
ꢀꢀ
＝(x
1-x2)2+(y
1-y2)2[0098]
其中，像素点p1、p2的坐标分别为(x1,y1)和(x2,y2)，jc为像素间的光谱距离：
[0099][0100]
其中，g
p
表示图像像素中光谱通道有α条，即光谱波段的条数，ti表示像素的第i条光谱通道强度；j
t
为像素间的纹理特征差异：
[0101][0102]
对以zi为中心的2λil
×
2λil区域中的每个像素p，计算其与种像素zi的聚类距离j＝j(zi,p)，如果j＜j(p)，则设置该像素的距离j(p)＝j，并设置其标记b(p)＝i。
[0103]
s2.8：将邻近的超像素块分类合并，并更新种像素
[0104]
s2.9：若迭代次数ci≥maxi，则结束迭代，输出超像素分割的结果。
[0105]
s2.10：若迭代次数ci＜maxi，则返回s2.4，同时迭代次数ci＝ci+1。
[0106]
本分割算法将多光谱图像映射到二维流形中进行计算，相比传统的slic图像分割算法，该算法可以计算更多的光谱波段，最大限度的分析光谱信息，提升分割精度，且在图像纹理提取方面，融合了ilnrbp算法，综合计算多光谱图的纹理特征，最终的分割效果对比
如图6所示，在对比图标记的区域中可以发现改进后的算法分割精度更高，误差更小。
[0107]
s3：按照像素进行分割，提取相同色块，找出颜色边缘并标记。
[0108]
s4：将光谱图中的区域与种植区实际场景下的生长态势进行比对，通过观察筛选并标记出多光谱分割图中长势良好的区块。
[0109]
s5：将长势良好的分割区域进行排除，最后得到氮素的施肥区域。
[0110]
步骤3：施肥区坐标的提取
[0111]
将在数据采集时候记录的两个坐标在地图中定位，两个坐标点保证了多光谱图像投影到地图中的的角度、方向，以地图中的两个坐标为参照，将地图等比缩放，直到与多光谱中标记的对应坐标点重合，此时多光谱中已标记的施肥区便可投影到地图中，在地图中记录标记的坐标范围，即可实施施肥路径规划。
[0112]
步骤4：无人机自动化施肥控制。
[0113]
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于ros的多光谱无人机智能定点施肥方法，其特征在于，包括如下步骤：s1：采集目标范围内的种植区氮、磷、钾多光谱俯视信息图像，对图像进行预处理，去噪、矫正图像畸变、调整图像对比度；s2：选择氮、磷、钾在多光谱图像中的显像特征波段，利用改进的slic算法对单个像素进行聚类，生成内容敏感超像素，将超像素进行分类处理，以形成区块，得到光谱图像采集区内的氮素、磷素、钾素多光谱分布图；所述改进的slic算法融合二维流形，将多光谱图像映射到二维流形中进行计算，在图像纹理提取方面，融合ilnrbp算法，将8邻域降至对角4邻域，综合计算多光谱图的纹理特征；s3：按照像素进行分割，提取相同色块，找出颜色边缘并标记，得到多光谱分割图；s4：将多光谱分割图中的区域与种植区实际场景下的生长态势进行比对，确定作物长势良好的氮含量、磷含量、钾含量波段范围，以及该范围在多光谱分割图中对应的显示色块，筛选并标记出多光谱分割图中长势良好的区块；s5：将长势良好的分割区域进行排除，最后得到氮素、磷素、钾素的施肥区域；s6：提取施肥区坐标，并根据施肥区坐标利用无人机自动化施肥。2.根据权利要求1所述的基于ros的多光谱无人机智能定点施肥方法，其特征在于，所述步骤1中采集目标范围内的种植区氮、磷、钾多光谱俯视图信息图像具体为：利用北斗定位技术获取无人机的实时位置信息，记录起始点坐标，控制无人机到种植区上空，分别采集目标范围内的种植区氮、磷、钾多光谱俯视图信息，记录采集成像的坐标位置，起始点坐标、采集成像的坐标用于多光谱分布图与地图的融合；同时利用激光雷达扫描得到当前地形数据，用于配合地图坐标规划自动施肥路径。3.根据权利要求1所述的基于ros的多光谱无人机智能定点施肥方法，其特征在于，所述步骤1中氮、磷、钾光谱图像信息的显像特征波段分别为：480nm～560nm特征波段、630nm～790nm特征波段、810nm～950nm特征波段。4.根据权利要求1所述的基于ros的多光谱无人机智能定点施肥方法，其特征在于，所述步骤2中利用改进的slic算法获取氮素、磷素、钾素多光谱分布图的具体操作为：s2.1：获取预处理后的多光谱遥感图像，设定所述图像的总像素点为m、光谱波段为α条，生成目标超像素为k个，同时也是种像素的个数，定义种像素为z，最大迭代次数为max i；s2.2：初始化各项参数，在k个种像素之间设定相同间距将种像素设定为3
×
3单位矩阵对角区域内梯度最低点的位置；设置其它非种像素p的初始标签为b(p)＝-1，初始距离j(p)＝∞，初始迭代次数ci＝0；s2.3：用ilnrbp算法计算每个像素的对角邻域纹理特征ilnrbp
d,n,r,t
(p)：式中：
其中：t为阈值，x
c
为中心像素点p在欧氏空间中的坐标，d表示从中心像素点到邻域点像素的距离，l用来标记邻域像素点所在的位置，x
d,n,l
表示在以中心像素p为中心，以d为半径的圆上等角度等间隔的均匀分布着n个像素点，n＝4；y(x
d,n,l
,r)表示以邻域像素x
d,n,l
为中心，以r为半径的圆形邻域上等角等间隔的4个邻域像素值的均值：其中：表示以x
d,n,l
中心，以r为半径的圆周上第m个邻域像素的像素值，同样的，邻域数量为4，计数从0开始，即m＝0，且第0个邻域像素的像素值与中心像素点p即x
c
的连线会经过x
d,n,l
；s2.4：计算单位正方形在二维流形中的面积：s2.4：计算单位正方形在二维流形中的面积：其中：d
p
表示以像素p为中心的单位正方形，和表示单位正方形沿对角切割出的三角形，φ表示在二维流形中；为每个像素计算s(φ(d
p
))，计算二维流形中的局部搜索区域r：s2.5：在以种像素z
i
为中心的2l
×
2l区域ω(z
i
)中计算s(φ(ω(z
i
)))与分割范围参数λ
i
：s2.6：如果ci＞0且分割范围参数λ
i
小于分割阈值τ，则分割该超像素；s2.7：超像素相似度计算：选取图像中的两个给定的像素点p1、p2，根据多特征融合的像素距离计算公式：其中，m和β分别为两个超参数，m是控制空间和光谱特征之间相对重要性的参数，β是调节纹理特征的权重参数，j(p1,p2)值越小，超像素间相似度越高，j
s
为像素间的欧氏空间距离：j
s
＝(||p
1-p2||2)2＝(x
1-x2)2+(y
1-y2)2其中，像素点p1、p2的坐标分别为(x1,y1)和(x2,y2)，j
c
为像素间的光谱距离：
其中，g
p
表示图像像素中光谱通道有α条，即光谱波段的条数，t
i
表示像素的第i条光谱通道强度；j
t
为像素间的纹理特征差异：j
t
＝(ilnrbp
d,n,r,t
(p1)-ilnrbp
d,n,r,t
(p2))2对以z
i
为中心的2λ
i
l
×
2λ
i
l区域中的每个像素p，计算其与种像素z
i
的聚类距离j＝j(z
i
,p)，如果j＜j(p)，则设置该像素的距离j(p)＝j，并设置其标记b(p)＝i；s2.8：将邻近的超像素块分类合并，并更新种像素s2.9：若迭代次数ci≥maxi，则结束迭代，输出超像素分割的结果，s2.10：若迭代次数ci＜maxi，则返回s2.4，同时迭代次数ci＝ci+1。5.根据权利要求2所述的基于ros的多光谱无人机智能定点施肥方法，其特征在于，所述步骤6中提取施肥区坐标的具体操作为：将在步骤s1的数据采集时候记录的起始点坐标、采集成像的坐标在地图中定位，两个坐标点保证了多光谱图像投影到地图中的的角度、方向，以地图中的两个坐标为参照，将地图等比缩放，直到与多光谱中标记的对应坐标点重合，此时多光谱中已标记的施肥区便可投影到地图中，在地图中记录标记的坐标范围，即可实施施肥路径规划。6.一种基于权利要求1至5任一所述的基于ros的多光谱无人机智能定点施肥方法的定点施肥装置，其特征在于，包括无人机、ros操作地面控制台；所述无人机上设置有数据采集模块和数据接收模块，所述数据采集模块包括北斗定位、多光谱相机以及激光雷达，所述北斗定位用于获取无人机的实时位置信息，所述多光谱相机用于采集目标范围内的种植区氮、磷、钾多光谱俯视信息图像，所述激光雷达用于扫描得到当前地形数据，用于配合地图坐标规划自动施肥路径；所述数据接收模块用于接收无人机飞行、施肥路径指令；所述ros操作地面控制台上设置有数据分析模块、飞行控制模块和施肥控制模块，所述数据分析模块用于执行权利要求1的s2至s5的步骤，利用改进的超像素分割算法对种植区的氮、磷、钾多光谱图像进行分析计算，实现对多光谱图像数据的分割提取；所述飞行控制模块用于根据数据分析模块结果控制无人机的起飞、飞行路径和降落；所述施肥控制模块通过数据分析模块输出结果计算出施肥的位置。

技术总结
本发明涉及农业智能化、无人机技术领域，公开了一种基于ROS的多光谱无人机智能定点施肥方法及施肥装置，采集目标范围内的种植区多光谱图像，对图像进行预处理；选择多光谱图像中的显像特征波段，对单个像素进行聚类，生成内容敏感超像素，将超像素进行分类处理，以形成区块，得到光谱图像采集区内的多光谱分布图；按照像素进行分割，提取相同色块，找出颜色边缘并标记，得到多光谱分割图；确定作物长势良好的波段范围以及该范围在多光谱分割图中对应的显示色块，筛选剔除多光谱分割图中长势良好的区块，得到施肥区域；提取施肥区坐标，并根据施肥区坐标利用无人机自动化施肥。与现有技术相比，本发明更准确地提取施肥区域，具有更好的可靠性。更好的可靠性。更好的可靠性。


技术研发人员：张青春 文张源 张洪源 张恩浦 宁建峰
受保护的技术使用者：淮阴工学院
技术研发日：2023.06.12
技术公布日：2023/9/23