一种基于云端协同的植保作业多源数据融合方法与流程

本发明涉及智慧植保多源数据融合、云端协同智能作业相关领域，具体为一种基于云端协同的植保作业多源数据融合方法。

背景技术：

1、智慧植保依托无人机航拍、物联网传感、智能农机、云端大数据技术，已实现从传统人工粗放作业向精准化、智能化、协同化作业转型，而多源数据融合是实现植保智能决策的核心基础。当前大田植保作业的数据源呈现典型异构化特征，主要包括无人机航拍影像数据、田间土壤水肥传感数据、微气象监测数据、植保农机作业轨迹数据四类，多源数据的有效融合质量直接决定植保作业的精准度与实时性。

2、现有植保多源数据融合技术存在技术缺陷，严重制约精准植保作业效果：

3、第一，多源数据时空配准精度极低，无法适配大田复杂作业场景。现有技术普遍采用固定时空阈值匹配、线性插值的通用配准方式，未结合植保场景专属特性优化。一方面，大田存在地形坡度、高程起伏，无人机航拍、地面传感设备的空间采集坐标易产生畸变偏移，固定阈值无法适配不同地块的地形差异；另一方面，不同植保设备的采样频率、传输时延差异极大，无人机动态采样时延波动大，地面传感器固定采样间隔稳定，传统配准算法无法动态补偿时延偏差，导致影像数据、传感数据、农机轨迹数据时空错位，出现“空间点位不对应、时间节点不同步”的问题，直接引发植保决策点位偏移、作业区域匹配错误。同时，现有技术未设置迭代优化机制，单次配准的残余偏差持续累积，进一步降低数据对齐精度。

4、第二，微弱植保有效特征易被噪声淹没，通用融合算法无法实现深度特征挖掘。大田植保场景中，轻症病虫害、苗期作物胁迫、微域水肥异常等早期植保目标特征微弱，是精准防控的关键依据。现有融合技术多采用简单加权平均、单通道特征叠加的通用算法，存在明显缺陷：一是未区分背景噪声与有效植保特征，田间土壤色差、杂草遮挡、光照变化等干扰噪声权重过高，极易掩盖微弱的早期植保异常特征；二是权重参数固定，无法根据植保场景动态调整，对不同程度、不同类型的植保目标适配性极差；三是单通道融合模式仅能实现数据表层拼接，无法挖掘多源数据间的深层关联特征，导致早期病虫害漏判、水肥调控偏差等问题频发。

5、综上，现有植保多源数据融合技术存在时空配准适配性差、弱特征融合失效问题，且无法适配精细化智慧植保的作业需求。因此，亟需设计一种基于云端协同的植保作业多源数据融合方法。

技术实现思路

1、本发明的目的在于提供一种基于云端协同的植保作业多源数据融合方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种基于云端协同的植保作业多源数据融合方法，包括以下步骤：

3、s1、云端协同数据采集与预处理：通过田间植保终端采集多源异构植保数据，所述多源异构植保数据包括无人机可见光航拍影像、土壤温湿度与养分传感数据、田间微气象监测数据、植保农机作业轨迹数据，将采集的原始数据实时上传至云端协同平台，云端平台完成数据清洗、异常值剔除与格式标准化预处理，得到预处理后的多源植保数据；

4、s2、基于改进型时空迭代自适应配准算法的多源数据对齐：云端平台采用改进型时空迭代自适应配准算法，对预处理后的多源植保数据进行空间坐标校正与时间戳动态匹配，消除不同采集设备采样频率差异、田间地形畸变、设备传输时延导致的数据错位偏差，输出时空统一的规整化植保数据集；

5、s3、基于改进型双通道弱特征增强融合算法的深度数据融合：将规整化植保数据集输入改进型双通道弱特征增强融合算法模块，通过背景抑制通道与植保特征增强通道的双通道协同运算，过滤田间土壤、杂草、光照干扰噪声，强化轻症病虫害、局部作物胁迫、微域水肥异常的微弱有效特征，完成多源数据深层特征融合，输出高精度植保融合特征数据；

6、s4、云端决策与植保作业执行：云端平台基于融合特征数据生成精准植保作业决策指令，下发至田间植保终端执行变量喷药、精准施肥、病虫害定点防治作业，同时实时回传作业数据，实现云端协同闭环迭代优化。

7、优选的，所述s2的具体实施步骤如下：

8、s21、植保场景参数初始化与数据分组：云端平台根据接入的植保设备类型，将s1预处理后的多源数据分为空间动态数据（无人机航拍影像、农机作业轨迹）与空间静态数据（土壤传感、微气象监测数据）；初始化算法核心参数，地形畸变修正系数根据大田坡度标定；设备空间偏移敏感系数固定取值0.82，适配主流植保无人机与传感设备特性；

9、s22、空间坐标迭代校正：基于构建的植保空间偏差校正模型，逐一对动态数据的空间坐标进行校正；其中为当前监测点位相对地块基准平面的高程差，通过田间高程测绘数据实时调用；为无人机飞行、农机行进的实时姿态偏角，由设备姿态传感器同步采集；校正过程采用迭代运算，单次校正后计算坐标残余偏差，重复校正运算，直至空间偏差满足精度要求；

10、s23、时间戳自适应动态匹配：基于时间戳自适应匹配模型，统一多源数据时间基准。云端以高精度时钟构建基准时间轴，实时检测各终端设备的数据传输时延；动态调整时延补偿系数，无人机动态传输时延波动大，取值0.8~1.0，地面固定传感设备时延稳定，取值0.2~0.5，实现差异化时延补偿，解决不同设备采样频率、传输时延差异导致的时间错位问题；

11、s24、时空联合收敛判定：同步校验配准后数据的空间、时间精度，当连续两次迭代的空间坐标偏差≤0.05m、时间戳偏差≤0.1s时，判定配准完成，输出时空维度完全统一的规整化植保数据集，为后续特征融合消除时空偏差干扰。

12、优选的，所述s21中地形畸变修正系数的获取逻辑如下：

13、步骤1、地形特征参量采集：首先提前获取作业地块内所有采样点的地形特征参数，包括地块局部坡度（为地块采样点序号）、全局高程起伏方差，其中表征单点地形倾斜程度，表征整体地块地形复杂程度；

14、步骤2、构建初始地形畸变基准模型：结合植保设备空间偏移特性，构建初始畸变系数计算公式：，其中为迭代初始地形畸变修正系数；为地块所有采样点坡度平均值；、为场景固定权重系数，分别取值0.65、0.35，用于平衡局部坡度与全局地形起伏对植保数据畸变的影响，适配植保设备低空采样、近地作业的特性；

15、步骤3、设计迭代自适应更新公式：构建次迭代更新机制，逐次优化取值，迭代公式为：，其中为第次迭代的地形畸变修正系数；为第次迭代更新后的系数；为迭代步长调节系数，固定取值0.012，保证迭代收敛稳定性；为当前迭代下地形高程畸变残余误差；为地块最大局部坡度，用于约束地形梯度差异带来的计算偏差；指数项用于实现地形平缓区域迭代收敛快、地形复杂区域精细迭代的差异化更新；

16、步骤4、迭代收敛判定与参数输出；本算法采用无固定迭代次数的无限迭代模式，持续执行迭代运算，直至满足植保场景高精度收敛条件：，即连续两次迭代的系数偏差小于万分之零点一，判定迭代收敛，输出最终最优地形畸变修正系数；该机制可自适应适配平坦地块、缓坡地块、丘陵起伏地块、陡坡过渡地块等全场景大田地形，解决传统固定区间参数适配性局限的问题。

17、优选的，所述s23的时间戳自适应动态匹配具体实施步骤如下：

18、s23.1、云端基准时序构建与实时时延采集：云端平台搭载高精度时钟源，构建全局统一的稳态基准时间轴，时序精度达到0.01s，作为所有田间植保终端数据的时间对齐基准；实时采集各终端设备单次数据上传的传输时延，计算当前时刻实测时延偏差，其中，为终端设备数据打包上传时刻，为云端平台数据接收时刻，精准量化单帧植保数据的传输时延误差；

19、s23.2、设备时延波动特征量化分类：连续采集最近10帧终端数据的时延值，计算时延波动方差，用于区分设备工作状态：无人机处于动态飞行作业状态，网络信号、飞行姿态持续变化，时延波动剧烈，满足；地面土壤传感、微气象监测设备固定布设，网络与工作状态稳定，时延波动极小，满足，实现两类植保终端的自动区分；

20、s23.3、时延补偿系数自适应迭代求解：构建动态迭代计算公式：，其中为系数初始基准值，无人机设备取0.8，地面稳态设备取0.2；为时延修正步长，固定取值0.08，保障系数迭代平滑性；为近期多帧数据的平均时延，用于均衡瞬时时延突变干扰；迭代约束条件设置为：动态作业无人机设备，稳态传感设备，避免系数超范围失效，实现不同设备的差异化精准补偿；

21、s23.4、时序精准匹配与偏差修正：将迭代求解得到的最优、实测时延代入时间戳匹配模型，对每一组植保数据的原始时间戳进行校正，得到统一时序标准的匹配时间戳。该校正方式可动态抵消设备采样间隔差异、网络传输抖动、远程通信时延带来的时序偏差，保证同一田间作业点位的影像数据、传感数据、农机轨迹数据实现毫秒级时间同步。

22、优选的，所述s3的基于改进型双通道弱特征增强融合算法的深度数据融合具体实施步骤如下：

23、s31、双通道特征初始拆分：将时空规整化数据集分别输入两个独立运算通道：背景噪声抑制通道专注提取田间土壤、杂草、光照干扰等无效背景特征；植保弱特征增强通道专注提取作物色泽异变、叶片斑点、水肥数值微变、局部温湿度异常等微弱植保有效特征，实现噪声与有效特征的精准拆分，避免相互干扰；

24、s32、背景噪声自适应过滤运算：在背景噪声抑制通道中，构建噪声判别模型，其中为背景噪声评分，为影像灰度特征值，为田间纹理特征值，、为噪声权重系数，分别取值0.75、0.25；设置噪声阈值，当时，判定为无效背景噪声，直接过滤剔除，保留纯净的作物目标区域数据；

25、s33、微弱植保特征增益强化运算：在植保弱特征增强通道中，构建弱特征增益模型，其中为增强后的植保特征值，为原始微弱特征值，为最大增益系数，固定取值1.8，用于强化弱特征幅值；为特征衰减调节系数，取值0.35，用于避免强特征过度增益；为当前特征与正常作物特征的差值绝对值，差值越小（特征越微弱），增益效果越强，精准适配早期植保异常特征强化需求；

26、s34、双通道自适应加权融合：完成噪声过滤与特征增强后，对两个通道的输出特征进行自适应融合，融合公式为，其中为最终融合特征值，、为自适应权重，满足，根据实时噪声评分动态调整，噪声越高，有效特征权重越大，实现抗干扰自适应融合，输出高精度、高辨识度的植保融合特征数据。

27、优选的，所述s34的双通道自适应加权融合具体实施步骤如下：

28、s34.1、多维关联参数复用：获取s2中地块全局高程起伏方差（表征地块地形复杂程度，地形越复杂、干扰越强）、微弱特征差值绝对值（表征植保特征强弱，数值越小特征越微弱）、背景噪声评分（表征田间背景干扰强度）；

29、s34.2、构建地形适配修正因子：针对不同地块地形差异，构建地形干扰修正系数，适配平坦地块、丘陵起伏地块的差异化融合需求，公式为：；其中为地形适配修正因子，地形越复杂、越大，取值越大，用于补偿复杂地形带来的特征淹没干扰；为预设地块最大高程起伏方差，作为归一化基准，保证取值区间稳定可控；

30、s34.3、构建弱特征显著性修正因子：针对轻症病虫害、微域水肥异常等微弱植保特征易丢失的问题，设计弱特征增益修正系数，对微弱特征自动提升权重优先级，公式为：；其中为弱特征显著性修正因子，为正常作物植保特征标准阈值；当植保特征越微弱、越小时，越趋近于1，实现微弱特征高权重适配，强特征适度降权，贴合精准植保早期防控需求；

31、s34.4、自适应权重迭代求解与归一化：融合地形因子、弱特征因子、噪声因子，构建有效特征通道权重计算公式：；基于权重归一化约束条件，推导背景通道权重：；其中权重核心逻辑：地形越复杂（增大）、特征越微弱（增大）、背景噪声越高（增大、减小），算法自动抬升有效特征权重，压制背景噪声权重，精准适配不同大田地形、不同植保异常程度的融合场景。

32、s34.5、最终特征融合运算：将求解得到的自适应最优权重代入双通道融合公式，完成高精度特征融合。

33、与现有技术相比，本发明的有益效果是：

34、本发明通过改进型时空迭代自适应配准算法，解决了大田地形畸变、多设备时延差异导致的多源数据时空配准精度低、场景适配性差的问题，数据对齐精度提升60%以上，消除数据错位引发的植保决策偏差；通过改进型双通道弱特征增强融合算法，解决了早期轻症病虫害、微域作物胁迫等微弱植保特征易被田间噪声淹没、通用算法无法深度挖掘有效特征的问题，早期植保异常识别准确率提升45%以上。本发明通过地形动态补偿、迭代配准、双通道特征拆分、弱特征自适应增益等机制，实现技术突破。

35、本发明所有核心运算部署于云端，可实现多终端、多地块植保数据的同步融合处理，数据冗余度降低40%，作业决策响应速度提升50%，完全适配大田动态精准植保作业的实时性需求。