一种基于遥感图像识别的农田病虫害无人机巡检方法与流程

本发明涉及图像处理，具体涉及一种基于遥感图像识别的农田病虫害无人机巡检方法。

背景技术：

1、近年来，随着无人机技术与人工智能的飞速发展，利用植保无人机搭载多光谱或高清相机进行农田病虫害巡检已成为智慧农业的重要发展方向。无人机巡检能够快速获取大面积农田的高分辨率遥感图像，通过深度学习模型自动识别图像中的病害斑点或害虫位置，从而指导后续的精准施药作业，对降低农药使用量、提高农作物产量具有重要意义。

2、然而，现有基于遥感图像的病虫害识别方法仍存在以下主要问题：高分辨率遥感图像尺寸巨大（通常达到数亿像素），直接输入深度学习模型进行推理受限于gpu显存与计算资源，难以在实际巡检场景中高效部署；同时，现有方法在图像切分推理后，往往缺乏有效的坐标映射机制，无法准确地将局部检测结果还原至全局图像坐标系，更难以进一步转换为真实地理坐标以生成病虫害空间分布图。

技术实现思路

1、本发明针对现有技术存在的上述不足，提供一种基于遥感图像识别的农田病虫害无人机巡检方法。

2、为实现上述目的，本发明提供如下技术方案：第一方面，本发明提供了一种基于遥感图像识别的农田病虫害无人机巡检方法，包括：步骤一：无人机航线规划、多模态高分辨率遥感图像采集以及无人机飞行姿态获取；

3、步骤二：利用多线程异步切分机制，将获取的高分辨率遥感图像划分为多个切分子图，并计算出每个切分子图在多模态高分辨率遥感图像中的绝对像素锚点坐标；

4、步骤三：将切分子图输入至预先训练好的轻量化病虫害数智识别模型中进行推理，以得到结构化预测结果集，其中，结构化预测结果集包括病虫害类别、各病虫害类别对应的预测置信度以及在切分子图坐标系下的局部边界框坐标；

5、步骤四：通过全域坐标聚合模块将结构化预测结果集与每个切分子图在多模态高分辨率遥感图像中的绝对像素锚点坐标进行矩阵聚合运算，重构并识别出的病虫害在多模态高分辨率遥感图像中的全局边界框坐标，并在全局坐标系下将全局边界框像素坐标转换为真实地理坐标，并结合对应的病虫害类别生成并输出病虫害空间分布数据。

6、进一步地，所述步骤二包括：

7、基于预设的滑动窗口重叠率和滑动窗口尺寸计算动态计算滑动窗口在水平方向和垂直方向上的切分步长；其中，滑动窗口尺寸包括窗口长度和窗口高度；

8、将获取的多模态高分辨率遥感图像按照按照预设的滑动窗口重叠率以及计算出的步长划分为多个切分子图。

9、进一步地，所述步骤三包括：

10、对切分子图执行归一化操作，并根据无人机边缘计算平台的缓存大小将归一化的切分值图堆叠为批次数据，以得到标准化浮点型三维数据张量；

11、从标准化浮点型三维数据张量中提取几何边缘与语义特征，以得到多个不同尺度的基准特征图；

12、对多个不同尺度的重标定基准特征图进行适应性重塑与跨尺度融合，以得到多层级融合特征图金字塔；

13、将多层级融合特征图金字塔按尺度进行分流，并将每个分流进行独立解码为具体的病害类别和空间坐标，以得到不同尺度下的精准预测张量；

14、对不同尺度下的精准预测张量进行空间坐标系映射与非极大值抑制处理，以得到结构化预测结果集，其中，结构化预测结果集包括病虫害类别、各病虫害类别对应的预测置信度以及在切分子图坐标系下的局部边界框坐标。

15、进一步地，所述步骤四包括：

16、从结构化预测结果提取每个被识别出的病虫害的病虫害类别、该病虫害类别对应的预测可信度、以及在切分子图坐标系下的局部边界框坐标，将切分子图坐标系下的局部边界框坐与其对应的切分子图在多模态高分辨率遥感图像中的绝对像素锚点坐标进行矩阵加法聚合运算，以得到识别出的病虫害在多模态高分辨率遥感图像全局像素坐标系下的全局边界框坐标；

17、在全局像素坐标系下，将识别出的病虫害的全局边界框，按照该病虫害对应的病虫害类别的预测置信度进行降序排列；并计算相互交叠的全局边界框之间的交并比，将交并比大于预设抑制阈值的冗余全局边界框剔除，以得到去重后的全局边界框集合；

18、基于无人机飞行姿态构建空间仿射变换矩阵，利用空间仿射变换矩阵，对去重后的全局边界框集合中每个全局边界框的中心点像素坐标进行坐标系投影转换，以得到真实地理坐标；并将真实地理坐标与该病虫害类别进行关联封装，生成并输出结构化的病虫害空间分布数据。

19、进一步地，所述将获取的高分辨率遥感图像按照按照预设的滑动窗口重叠率以及计算出的步长划分为多个切分子图包括：

20、构建滑动窗口内的水平方向索引变量和垂直方向索引变量，以在高分辨率遥感图像的像素坐标系中进行滑动遍历；

21、通过边界自适应截断机制，计算每个切分子图在多模态高分辨率遥感图像中的绝对像素锚点坐标；

22、以计算出的每一个绝对像素锚点坐标为截取起点，以窗口长度和窗口高度 为固定截取范围，在高分辨率遥感图像中执行局部切片操作，以得到切分子图。

23、进一步地，所述基于多层次自蒸馏的轻量化模型包括：数据处理模块、主干网络、颈部网络和解耦检测头以及输出端。

24、进一步地，所述通过主干网络从标准化浮点型三维数据张量中提取几何边缘与语义特征，以得到多个不同尺度的基准特征图包括：

25、对标准化浮点型三维数据张量进行通道升维、空间滑动提取以及线性降维压缩，以得到多模态高分辨率遥感图像的具有基础轮廓与纹理的的几何特征，并对几何特征进行逐级抽象，以得到多层级信息的初级特征图；

26、通过双向坐标注意力模块分别沿垂直y轴和水平x轴对初级特征图执行一维全局平均池化，并将池化后的方向特征进行拼接降维以生成空间注意力权重矩阵，然后通过逐元素相乘的方式将空间注意力权重矩阵作用于初级特征图进行特征融合，以得到重标定特征图；

27、提取预设的多个特定下采样深度节点的重标定特征图，并将提取的重标定特征图组织为独立并行的多尺度特征平行集合，然后通过多个独立的并行数据线向后级网络分发，以作为多个不同尺度的重标定基准特征图。

28、进一步地，所述对多个不同尺度的重标定基准特征图进行适应性重塑与跨尺度融合，以得到多层级融合特征图金字塔包括：

29、通过可变形卷积模块对多个不同尺度的重标定基准特征图进行并行空间二维偏移量计算，基于计算出的空间二维偏移量对多个不同尺度的重标定基准特征图进行处理，以得到不同尺度变形特征图；

30、对不同尺度变形特征图进行卷积以生成不同尺度固有特征图，随后对不同尺度固有特征图分别施加线性变换，以生成不同尺度“幻影”副本，并将不同尺度固有特征图与不同尺度“幻影”副本进行通道拼接，以得到在不损失特征丰富度的前提下参数量与计算量减半的不同尺度轻量化特征图；

31、建自顶向下与自底向上的双向特征传递路径，并引入可学习权重对不同尺度的轻量化特征图进行跨尺度加权拼接，以得到融合了深层强语义与浅层高分辨率细节的多层级融合特征图金字塔。

32、第二方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现了以上所述的基于遥感图像识别的农田病虫害无人机巡检方法的步骤。

33、与现有技术相比，本发明的有益效果是：

34、1、本发明引入了多线程异步切分机制，将遥感图像高效划分为多个切分子图，并结合预先训练好的轻量化病虫害数智识别模型进行独立推理，极大地降低了单次前向推理对gpu显存及计算资源的峰值占用需求，使得复杂的遥感图像病虫害识别任务能够在资源受限的实际巡检设备上实现高效部署与流畅运行。

35、2、本发明在推理后将结构化预测结果集中的局部边界框坐标与所述锚点坐标直接进行矩阵聚合运算，即可快速重构出病虫害在原始高分辨率遥感图像中的全局边界框坐标。该方案利用纯数值张量的矩阵运算，彻底替代了传统方案中耗时且极耗内存的像素级图像拼接操作，在零图像拼接负担的情况下，实现了局部检测结果向全局图像坐标系的高效、无损还原。

36、3、本发明在重构出全局边界框坐标的基础上，进一步在全局坐标系下将毫无物理意义的二维像素坐标转换为真实地理坐标，并与对应的病虫害类别、预测置信度进行结构化绑定。最终生成的病虫害空间分布数据，不仅明确了“是什么病害”，更精确锁定了“在地球上的哪个经纬度”，为后续植保无人机执行精准的靶向变量喷洒作业提供了直接、可靠的数据支撑，真正实现了从“视觉感知”到“农业精准作业”的业务闭环。