1.本发明涉及深度学习和路径规划领域，具体涉及一种基于遥感图像和深度学习的智能农机路径规划方法及装置。
背景技术：
2.随着自动导航技术的飞速发展，机器人、无人农机和无人机在农业生产中得到广泛应用。农业机器人已经逐步代替人类从事农业生产活动，如耕作、喷药、施肥和收获等。无人驾驶农机其应用带来了显著的优势，如减轻劳动强度、提高作业效率和质量，以及减少能源消耗。因此，合理的农机路径规划算法尤为重要，合理的路径规划算法将为解决农村劳动力老龄化与短缺问题，满足农业生产的需求，实现农业现代化迈进重要一步。
3.现有的路径规划算法多是基于传统的经验或数学模型，对于真实农田作物分布情况适用性不强，容易损伤作物，特别是在作物行倾斜或者缺苗等情况下，传统算法的表现往往不尽如人意。因此，有必要研发一种更加智能化的适应真实农田作物分布的农机路径规划算法，以适应不同的作业环境，提高农田作业的效率和质量。
技术实现要素：
4.有鉴于此，本发明的目的在于提出一种基于遥感图像和深度学习的智能农机路径规划方法及装置，利用遥感图像获取农田的实时信息，结合深度学习技术来识别作物的位置和分布情况，进而生成合理的农机作业路径。通过引入深度学习目标检测网络，算法可以更准确地识别作物的位置，并在路径规划过程中考虑作物行倾斜和缺苗等因素，从而减少损伤并提高农田作业的覆盖率和效率。在真实农田路径规划时，可以很好克服因作物行倾斜、缺苗导致的苗带识别效果不理想的情况，同时避免压苗，进一步提高农田作业覆盖率及无人作业的高效性。
5.基于上述目的，第一方面，本发明提供了一种基于遥感图像和深度学习的智能农机路径规划方法，包括以下步骤：s1：通过无人机进行航拍，获取农田区域的遥感图像；s2、使用基于深度学习的目标检测网络，在所述遥感图像中识别和定位作物位置；s3、基于检测到的所述作物位置，确定作物行起点坐标，并在所述作物行起点坐标周围设定一预定义的注意力范围，以限定候选点的选择范围；s4、在每个起点的注意力范围内，基于欧氏距离计算，选择与初始点距离最小的点作为下一个初始点，重复此步骤以生成苗带；s5、通过贝塞尔曲线拟合初始点集合，生成平滑且符合农田形状的农机作业路径。
6.作为本发明的进一步方案，所述基于遥感图像和深度学习的智能农机路径规划方法还包括以下步骤：根据农机的转弯半径和挂载机具的幅宽，以最小化能耗和最小作业时间为优化目标，对生成的苗带进行全局路径规划；
设置农机作业路径间隔距离，基于作业幅宽选择选择最优的转弯策略，以确保作业的均匀覆盖和高效完成；将贝塞尔曲线的控制点与生成的苗带中的初始点集合一一对应，确定农机的行走路径，确保农田作业的准确性和高效性。
7.作为本发明的进一步方案，所述目标检测网络为经过预训练的yolov5模型，并经过修改检测层代码以适应农田作物特点，用于在所述遥感图像中精确识别和定位作物位置。
8.作为本发明的进一步方案，步骤s3中，在s2检测到的作物位置后的输出图像上标记作物行起点坐标为初始点坐标，根据s2检测出的无序作物位置点，在初始点注意力范围内找出与初始点欧氏距离最小的点，将距离最小点更新为初始点，使用贝塞尔曲线拟合初始点集合形成苗带，重复此步骤直至将所有苗带全部找出。
9.作为本发明的进一步方案，步骤s1使用的是深度学习结合航拍图进行的路径规划，所述深度学习结合航拍图的路径规划方法包括以下步骤：收集并准备包含航拍图玉米苗图像和标注框的数据集，确保数据集以yolo格式的标注文件(.txt)为基础；基于所述数据集，创建一个用于目标检测的深度学习网络模型，所述深度学习网络模型为具有注意力机制，以强化对玉米苗主要特征的提取的yolov5模型，所述yolov5模型为基于yolov5框架构建的用于目标检测的基本模型；使用预训练的权重进行迁移学习，在yolov5模型的结构中集成通道注意力机制（channel attention module, cam）和空间注意力机制（spatial attention module, sam），加快模型收敛速度和提高性能，以提升模型对玉米苗主要特征的抽取能力，同时减少对其他无关特征的响应，从而增强目标检测模型的准确性；通过迁移学习，使用预训练的权重对yolov5模型进行微调，在农田遥感图像上运行训练好的模型，以精确识别和定位玉米苗的位置。
10.作为本发明的进一步方案，步骤s2使用的是修改了检测层代码的yolov5，在此基础上，当航拍图分辨率过大时，所述基于遥感图像和深度学习的智能农机路径规划方法包括以下步骤：将农田遥感图像分解为多个重叠的小图像块，每个小图像块涵盖一个合适的区域；将每个小图像块送入修改后的yolov5网络中进行目标检测，得到各个小图像块中的作物位置信息；从各小图像块的检测结果中回收作物位置信息，并计算相对于原图像的坐标值；对所有小图像块中检测到的作物位置进行非极大值抑制，去除重复的检测结果，从而提高检测效果；使用相对坐标值和经过非极大值抑制的检测结果，得到准确的农田作物位置信息，为后续路径规划提供输入。
11.本发明的路径规划方法中使用深度学习和注意力机制的步骤，以及在图像分辨率较大情况下的处理方法，以提高目标检测的准确性和效率。
12.作为本发明的进一步方案，基于检测到的所述作物位置，确定作物行起点坐标，包
括以下步骤：基于步骤s2检测出的作物坐标，形成无序作物位置点集合，以标记的作物行起点为第一个初始点，设置一个注意力范围，以注意力范围限定的横纵坐标信息，找出在位置点集合中注意力范围内的点 ，再中通过欧式距离计算公式，找出与欧氏距离最小的点，并将点更新为新的初始点，重复以上步骤，直至找出初始点集合。
13.作为本发明的进一步方案，通过贝塞尔曲线拟合初始点集合，生成平滑且符合农田形状的农机作业路径时，包括以下步骤：在农田苗带生成中，将贝塞尔曲线的控制点与每条苗带的初始点集合相对应 ，生成光滑且符合农田形状的苗带；设置有个控制点，其中是贝塞尔曲线的阶数,贝塞尔曲线的参数方程定义如下：，从0到
14.其中，是取值范围在的参数，，是第个控制点，是曲线的阶数, 值的计算方式为：。
15.作为本发明的进一步方案，所述于遥感图像和深度学习的智能农机路径规划方法，还包括：根据农机的转弯半径r，农机末端挂载机具的幅宽w，以最小能耗和最少作业时间为优化总目标；设置农机作业路径间隔距离，根据作业幅宽选取型或型最优转弯策略；其中，全局的路径规划是基于生成苗带，当农机末端挂载机具的幅宽为w时，根据w/2，通过平移苗带确定农机的行走路径，使农机达到最小能耗和最少作业时间，之后再通过当r《w/2时，优先采用型转弯方式，当r》w/2时，优先采用选取转弯策略来衔接其行走路径。
16.第二方面，本发明提供了一种基于遥感图像和深度学习的智能农机路径规划装置，包括：图像获取模块，用于通过无人机进行航拍，获取农田区域的遥感图像；目标检测模块，使用经过预训练的yolov5模型，并经过修改检测层代码以适应农田作物特点，在所述遥感图像中精确识别和定位作物位置；初始点确定模块，基于检测到的作物位置，确定作物行起点坐标，并在所述作物行起点坐标周围设定一个预定义的注意力范围，以限定候选点的选择范围；路径生成模块，对于每个起点的注意力范围内，基于欧氏距离计算，选择与初始点距离最小的点作为下一个初始点，重复此步骤以生成苗带；路径优化模块，根据农机的转弯半径和挂载机具的幅宽，以最小化能耗和最小作业时间为优化目标，对生成的苗带进行全局路径规划；转弯策略模块，设置农机作业路径间隔距离，基于作业幅宽选择最优的转弯策略，
以确保作业的均匀覆盖和高效完成；贝塞尔曲线拟合模块，将贝塞尔曲线的控制点与生成的苗带中的初始点集合一一对应，确定农机的行走路径，确保农田作业的准确性和高效性。
17.作为本发明的进一步方案，所述目标检测模块使用了加入注意力机制的经过预训练的yolov5模型。
18.作为本发明的进一步方案，所述目标检测模块在处理高分辨率航拍图时，将图像分解为多个重叠的小图像块，对每个小图像块进行目标检测并进行非极大值抑制，以提高目标检测的准确性和效率。
19.作为本发明的进一步方案，所述路径生成模块通过欧氏距离计算和贝塞尔曲线拟合，生成平滑且符合农田形状的农机作业路径。
20.作为本发明的进一步方案，所述路径生成模块根据初始点集合和转弯半径，确定农机行走路径，以最小化能耗和最小作业时间为优化目标，实现农机路径的智能规划。
21.本发明的又一方面，还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该计算机程序被处理器执行时执行上述任一项根据本发明的基于遥感图像和深度学习的智能农机路径规划方法。
22.本发明的再一方面，还提供了一种计算机可读存储介质，存储有计算机程序指令，该计算机程序指令被执行时实现上述任一项根据本发明的基于遥感图像和深度学习的智能农机路径规划方法。
23.与现有技术相比较而言，本发明提出的一种基于遥感图像和深度学习的智能农机路径规划方法及装置，具有以下有益效果：1.高效准确的作物位置识别：通过使用经过预训练的yolov5模型，并加入注意力机制，能够在遥感图像中高效准确地识别和定位作物位置，提供了路径规划的关键输入数据。
24.2.适应高分辨率图像：对于高分辨率的航拍图，通过将图像分解为小块，利用修改后的yolov5网络进行目标检测，并进行非极大值抑制，能够有效应对图像复杂性和计算开销，提高作物检测的精度和速度。
25.3.智能路径规划：通过计算欧氏距离并利用贝塞尔曲线拟合，生成平滑且符合农田形状的农机作业路径。结合全局路径规划和转弯策略优化，能够最小化能耗和最小作业时间，实现智能化的路径规划，提高农机作业效率和质量。
26.4.适应农机实际需求：根据农机的转弯半径和挂载机具的幅宽，灵活调整路径规划，确保作业路径的均匀覆盖和高效完成，提高农业生产效益。
27.5.减少能耗与损耗：智能路径规划可以有效减少农机在作业过程中的来回移动，降低能源消耗，并避免不必要的损耗和损害，从而提升农业生产的可持续性。
28.综上所述，基于遥感图像和深度学习的智能农机路径规划方法及装置通过结合遥感图像和深度学习技术，利用注意力机制的目标检测网络进行作物位置识别，进而基于欧氏距离计算和贝塞尔曲线拟合生成农机作业路径。同时，针对高分辨率航拍图，通过将图像分解为小块，经过yolov5网络检测并对检测结果进行非极大值抑制，以提高目标检测的准确性和效率。这些步骤的结合使得农机在农田作业时能够更精准地规划路径，提高作业效率和质量，同时减少能耗，在农业生产中具有重要的应用价值，能够有效提升农机作业效
率、减少资源消耗，为农业现代化提供了切实可行的j9九游会真人的解决方案。
29.本技术的这些方面或其他方面在以下实施例的描述中会更加简明易懂。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。
附图说明
30.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例。
31.在图中：图1为本发明实施例的基于遥感图像和深度学习的智能农机路径规划方法的流程图。
32.图2为本发明实施例的基于遥感图像和深度学习的智能农机路径规划方法中作物识别图。
33.图3为本发明实施例的基于遥感图像和深度学习的智能农机路径规划方法中苗带识别图。
34.图4为本发明实施例的基于遥感图像和深度学习的智能农机路径规划方法中型转弯图。
35.图5为本发明实施例的基于遥感图像和深度学习的智能农机路径规划方法中型转弯图。
36.图6为本发明实施例的基于遥感图像和深度学习的智能农机路径规划方法中型转弯策略路径规划图。
37.图7为本发明实施例的基于遥感图像和深度学习的智能农机路径规划方法中型转弯策略路径规划图。
实施方式
38.下面，结合附图以及具体实施方式，对本技术做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
39.为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明实施例进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
40.需要说明的是，本发明实施例中所有使用“第一”和“第二”的表述均是为了区分两个相同名称的非相同的实体或者非相同的参量，可见“第一”“第二”仅为了表述的方便，不应理解为对本发明实施例的限定。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备固有的其他步骤或单元。
41.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本申
请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
42.附图中所示的流程图仅是示例说明，不是必须包括所有的内容和操作/步骤，也不是必须按所描述的顺序执行。例如，有的操作/步骤还可以分解、组合或部分合并，因此实际执行的顺序有可能根据实际情况改变。
43.下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。
44.针对现有的路径规划方法对于真实农田作物分布情况适用性不强，容易损伤作物的问题，本发明提出了一种基于遥感图像和深度学习的智能农机路径规划方法，在真实农田路径规划时，可以很好克服因作物行倾斜、缺苗导致的苗带识别效果不理想的情况，同时避免压苗，进一步提高农田作业覆盖率及无人作业的高效性。
45.参见图1所示，本发明的实施例提供了一种基于遥感图像和深度学习的智能农机路径规划方法，旨在有效解决农田作业中的路径规划问题，提高农机作业的效率和质量。该方法包括以下步骤：s1、利用无人机航拍图对深度学习目标检测网络进行预训练；s2、使用迁移学习网络与修改检测层代码的yolov5检测作物位置；s3、在s2检测后的输出图像上标记作物行起点坐标为初始点坐标，根据s2检测出的无序作物位置点，在初始点注意力范围内找出与初始点欧氏距离最小的点，将距离最小点更新为初始点，使用贝塞尔曲线拟合初始点集合形成苗带，重复此步骤直至将所有苗带全部找出；s4、基于s3进行全局路径规划。
46.因此，在进行农机路径规划时，首先通过无人机进行航拍，获取农田区域的高分辨率遥感图像，这些图像将作为输入数据用于后续的目标检测和路径规划过程。接下来，在步骤s2中，采用基于深度学习的目标检测网络，即经过预训练并加入注意力机制的yolov5模型，来识别和定位农田中的作物位置。为了适应不同农田环境和作物分布特点，在航拍图分辨率较大的情况下，还通过修改检测层代码，将目标图像分解为多个重叠的小图像块，送入yolov5网络中进行检测，并利用非极大值抑制等方法提高检测效果。随后，在步骤s3中，基于检测到的作物位置，确定作物行起点坐标，并设定一个预定义的注意力范围，以限定候选点的选择范围。通过计算欧氏距离并选择与初始点距离最小的点作为下一个初始点，重复此步骤以生成苗带。然后，利用贝塞尔曲线拟合初始点集合，形成平滑且符合农田形状的农机作业路径。
47.最后，在步骤s4中，基于已生成的苗带进行全局路径规划。根据农机的转弯半径和挂载机具的幅宽，以最小化能耗和最小作业时间为优化目标，优化路径规划方案。同时，还设置农机作业路径间隔距离，选择最优的转弯策略，以确保作业的均匀覆盖和高效完成。
48.其中，步骤s1使用的是深度学习结合航拍图进行的路径规划，且是加入注意力机制的目标检测网络，具体包含以下步骤：准备数据集：收集并准备包含航拍图玉米苗图像和标注框的数据集,确保数据集以 yolo 格式的标注文件(.txt)为基础;创建yolov5模型：使用yolov5框架，创建用于目标检测的基本模型;
添加cbam注意力机制：在yolov5的模型结构中添加cbam注意力机制模块，加强模型对特征图中玉米苗主要特征的提取，减弱对其他无关特征的关注，以此来提高目标检测模型的准确性;迁移学习：使用预训练的权重进行迁移学习，加快模型收敛速度和提高性能。
49.其中，步骤s2使用的是基于s1迁移学习的网络并修改了检测层代码的yolov5,在航拍图分辨率太大的情况下，将目标图像分解为数个图像送入yolov5网络中做检测，再回收所有图像，计算坐标的相对值，集体进行非极大值抑制，达到更好的检测效果。
50.其中，步骤s3具体为；（1）基于步骤s2检测出的作物坐标，形成无序作物位置点集合，以标记的作物行起点为第一个初始点，设置一个注意力范围，以注意力范围限定的横纵坐标信息，找出在位置点集合中注意力范围内的点 ，再中通过欧式距离计算公式，找出与欧氏距离最小的点，并将点更新为新的初始点，重复以上步骤，直至找出初始点集合。
51.作为本发明的进一步方案，通过贝塞尔曲线拟合初始点集合，生成平滑且符合农田形状的农机作业路径时，包括以下步骤：在农田苗带生成中，将贝塞尔曲线的控制点与每条苗带的初始点集合相对应 ，生成光滑且符合农田形状的苗带；设置有个控制点，其中是贝塞尔曲线的阶数,贝塞尔曲线的参数方程定义如下：，从0到
52.其中，是取值范围在的参数，，是第个控制点，是曲线的阶数, 值的计算方式为：。
53.根据农机的转弯半径r，农机末端挂载机具的幅宽w，以最小能耗和最少作业时间为优化总目标；设置农机作业路径间隔距离，根据作业幅宽选取型型最优转弯策略;其中，本发明全局的路径规划是基于s3找出的苗带，当农机末端挂载机具的幅宽为w时，本发明根据w/2，通过平移苗带确定农机的行走路径，使其达到最小能耗和最少作业时间，之后再通过当r《w/2时，优先采用型转弯方式，当r》w/2时，优先采用选取转弯策略来衔接其行走路径。
54.本发明的基于遥感图像和深度学习的智能农机路径规划方法充分利用了先进的图像处理和深度学习技术，能够准确识别作物位置，生成高效的作业路径，并在不同农田环境下适应性强。它有望为农业生产提供先进的智能化j9九游会真人的解决方案，推动农业现代化的发展。同时，该方法还可以通过减少能源消耗和损耗，降低生产成本，促进农业可持续发展，具有广泛的应用前景。
55.其中，该基于遥感图像和深度学习的智能农机路径规划方法在进行农机路径规划时，参见图1至图7所示，具体包括以下步骤：
s10：通过无人机进行航拍，获取农田区域的遥感图像。
56.在这一步骤中，利用无人机进行航拍，获取农田区域的遥感图像。这些图像可以捕捉到农田的实际情况，包括作物分布、土地形状和障碍物位置等信息。遥感图像作为输入数据，为后续的路径规划提供了基础数据。
57.s20：使用基于深度学习的目标检测网络，在所述遥感图像中识别和定位作物位置。
58.在这一步骤中，采用基于深度学习的目标检测网络，在遥感图像中进行作物位置的识别和定位。这一步骤的关键是选择适合农田作物特点的目标检测模型，并使用预训练的yolov5模型作为基础，在农田图像中精确识别和定位作物的位置。
59.s30：基于检测到的所述作物位置，确定作物行起点坐标，并在所述作物行起点坐标周围设定一预定义的注意力范围，以限定候选点的选择范围。
60.在这一步骤中，根据检测到的作物位置，确定作物行起点坐标，并在其周围设定预定义的注意力范围。这个范围将限制后续候选点的选择范围，以便在有限的范围内进行路径规划，从而减少计算量，提高路径规划的效率。
61.s40：在每个起点的注意力范围内，基于欧氏距离计算，选择与初始点距离最小的点作为下一个初始点，重复此步骤以生成苗带。
62.在这一步骤中，针对每个起点的注意力范围内，基于欧氏距离计算，选择与初始点距离最小的点作为下一个初始点。这一步骤的目的是生成苗带，确保农机作业的连续性和高效性。通过重复此步骤，逐渐形成一条连接各个初始点的苗带，为后续的路径规划做准备。
63.s50：通过贝塞尔曲线拟合初始点集合，生成平滑且符合农田形状的农机作业路径。
64.在这一步骤中，通过贝塞尔曲线拟合初始点集合，生成平滑且符合农田形状的农机作业路径。贝塞尔曲线的使用可以确保路径的平滑性，使农机能够流畅地进行作业，减少农田形状对路径规划的影响，提高作业质量。
65.在一些实施例中，进一步增加了以下步骤以优化路径规划：（1）全局路径规划和能耗优化：针对农机的转弯半径和挂载机具的幅宽，优化路径规划目标，包括最小化能耗和最小作业时间。通过全局路径规划，对生成的苗带进行优化，使作业过程更加高效，减少能源消耗。
66.（2）转弯策略和作业均匀覆盖：设置农机作业路径间隔距离，选择最优的转弯策略，以确保作业的均匀覆盖和高效完成。通过合理的转弯策略，避免重复作业和漏作业，提高作业效率。
67.（3）路径控制点与农机行走路径对应：将贝塞尔曲线的控制点与生成的苗带中的初始点集合一一对应，确保农机的行走路径与规划路径相符，保证农田作业的准确性和高效性。
68.在本实施例中，所述目标检测网络为经过预训练的yolov5模型，并经过修改检测层代码以适应农田作物特点，用于在所述遥感图像中精确识别和定位作物位置。
69.在本实施例中，步骤s30中，在s20检测到的作物位置后的输出图像上标记作物行
起点坐标为初始点坐标，根据s20检测出的无序作物位置点，在初始点注意力范围内找出与初始点欧氏距离最小的点，将距离最小点更新为初始点，使用贝塞尔曲线拟合初始点集合形成苗带，重复此步骤直至将所有苗带全部找出。
70.在本实施例中，步骤s10使用的是深度学习结合航拍图进行的路径规划，所述深度学习结合航拍图的路径规划方法包括以下步骤：收集并准备包含航拍图玉米苗图像和标注框的数据集，确保数据集以yolo格式的标注文件(.txt)为基础；基于所述数据集，创建一个用于目标检测的深度学习网络模型，所述深度学习网络模型为具有注意力机制，以强化对玉米苗主要特征的提取的yolov5模型，所述yolov5模型为基于yolov5框架构建的用于目标检测的基本模型；使用预训练的权重进行迁移学习，在yolov5模型的结构中集成通道注意力机制（channel attention module, cam）和空间注意力机制（spatial attention module, sam），加快模型收敛速度和提高性能，以提升模型对玉米苗主要特征的抽取能力，同时减少对其他无关特征的响应，从而增强目标检测模型的准确性；通过迁移学习，使用预训练的权重对yolov5模型进行微调，在农田遥感图像上运行训练好的模型，以精确识别和定位玉米苗的位置。
71.在本实施例中，步骤s20使用的是修改了检测层代码的yolov5，在此基础上，当航拍图分辨率过大时，所述基于遥感图像和深度学习的智能农机路径规划方法包括以下步骤：将农田遥感图像分解为多个重叠的小图像块，每个小图像块涵盖一个合适的区域；将每个小图像块送入修改后的yolov5网络中进行目标检测，得到各个小图像块中的作物位置信息；从各小图像块的检测结果中回收作物位置信息，并计算相对于原图像的坐标值；对所有小图像块中检测到的作物位置进行非极大值抑制，去除重复的检测结果，从而提高检测效果；使用相对坐标值和经过非极大值抑制的检测结果，得到准确的农田作物位置信息，为后续路径规划提供输入。
72.本发明的路径规划方法中使用深度学习和注意力机制的步骤，以及在图像分辨率较大情况下的处理方法，以提高目标检测的准确性和效率。
73.在本实施例中，所述于遥感图像和深度学习的智能农机路径规划方法，还包括：根据农机的转弯半径r，农机末端挂载机具的幅宽w，以最小能耗和最少作业时间为优化总目标；设置农机作业路径间隔距离，根据作业幅宽选取型或型最优转弯策略；其中，全局的路径规划是基于生成苗带，当农机末端挂载机具的幅宽为w时，根据w/2，通过平移苗带确定农机的行走路径，使农机达到最小能耗和最少作业时间，之后再通过当r《w/2时，优先采用型转弯方式，当r》w/2时，优先采用选取转弯策略来衔接其行走路径。
74.综上所述，本发明的基于遥感图像和深度学习的智能农机路径规划方法通过有效
的作物定位、路径规划和优化策略，能够实现农机作业的高效性、准确性和可持续性，为现代农业生产提供了有力的j9九游会真人的技术支持。
75.需要注意的是，上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
76.应该理解的是，上述虽然是按照某一顺序描述的，但是这些步骤并不是必然按照上述顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，本实施例的一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
77.本发明实施例的第二个方面，本发明还提供了一种基于遥感图像和深度学习的智能农机路径规划装置，包括：图像获取模块，用于通过无人机进行航拍，获取农田区域的遥感图像；获取的遥感图像作为输入数据，为后续的路径规划提供了实际农田情况的基础信息。
78.目标检测模块，使用经过预训练的yolov5模型，并经过修改检测层代码以适应农田作物特点，在所述遥感图像中精确识别和定位作物位置；初始点确定模块，基于检测到的作物位置，确定作物行起点坐标，并在所述作物行起点坐标周围设定一个预定义的注意力范围，以限定候选点的选择范围；路径生成模块，对于每个起点的注意力范围内，基于欧氏距离计算，选择与初始点距离最小的点作为下一个初始点，重复此步骤以生成苗带；路径优化模块，根据农机的转弯半径和挂载机具的幅宽，以最小化能耗和最小作业时间为优化目标，对生成的苗带进行全局路径规划；转弯策略模块，设置农机作业路径间隔距离，基于作业幅宽选择最优的转弯策略，以确保作业的均匀覆盖和高效完成；贝塞尔曲线拟合模块，将贝塞尔曲线的控制点与生成的苗带中的初始点集合一一对应，确定农机的行走路径，确保农田作业的准确性和高效性。
79.在本实施例中，所述目标检测模块使用了加入注意力机制的经过预训练的yolov5模型。
80.示例性的，参见图2至图7所示，假设该基于遥感图像和深度学习的智能农机路径规划装置应用于一个小麦田的智能农机路径规划；无人机进行航拍，获取小麦田的遥感图像，目标检测模块利用经过预训练的yolov5模型对小麦作物位置进行识别和定位；根据检测到的小麦位置，初始点确定模块确定了小麦行的起点，并设置了注意力范围；路径生成模块基于欧氏距离计算，生成了连接各个起点的苗带；接着，路径优化模块进行全局路径规划，以最小化能耗和最小作业时间为目标，优化苗带路径；转弯策略模块设置了作业路径间隔距离，选择最优的转弯策略；最后，贝塞尔曲线拟合模块将生成的苗带与贝塞尔曲线的控制点对应，生成了平滑且符合农田形状的农机作业路径。
81.在本实施例中，所述目标检测模块在处理高分辨率航拍图时，将图像分解为多个重叠的小图像块，对每个小图像块进行目标检测并进行非极大值抑制，以提高目标检测的
准确性和效率。
82.在本实施例中，所述路径生成模块通过欧氏距离计算和贝塞尔曲线拟合，生成平滑且符合农田形状的农机作业路径。
83.在本实施例中，所述路径生成模块根据初始点集合和转弯半径，确定农机行走路径，以最小化能耗和最小作业时间为优化目标，实现农机路径的智能规划。
84.本发明的基于遥感图像和深度学习的智能农机路径规划装置将遥感图像和深度学习技术相结合，通过目标检测、路径生成、路径优化等步骤，实现了智能农机路径的规划。具体工作流程如下：（1）图像获取和目标检测：首先，利用无人机进行航拍，获取农田区域的遥感图像。然后，通过经过预训练的yolov5模型以及修改后的检测层代码，在遥感图像中识别和定位作物的位置。这一步骤利用深度学习技术，实现了对作物位置的准确检测。
85.（2）初始点确定和路径生成：基于检测到的作物位置，确定作物行起点坐标，并在其周围设定一个预定义的注意力范围，以限定候选点的选择范围。在每个起点的注意力范围内，根据欧氏距离计算，选择与初始点距离最小的点作为下一个初始点，重复此步骤以生成苗带。这一阶段实现了苗带的生成，为后续路径优化提供了基础。
86.（3）路径优化和转弯策略：利用农机的转弯半径和挂载机具的幅宽作为参数，以最小化能耗和最小作业时间为优化目标，对生成的苗带进行全局路径规划。设置农机作业路径间隔距离，并基于作业幅宽选择最优的转弯策略，以确保作业的均匀覆盖和高效完成。这一阶段通过综合考虑转弯和间隔等因素，优化了整体路径规划，提高了农机作业的效率和质量。
87.（4）贝塞尔曲线拟合和路径确定：将贝塞尔曲线的控制点与生成的苗带中的初始点集合一一对应，确定农机的行走路径，确保农田作业的准确性和高效性。这一步骤实现了农机作业路径的平滑性和符合农田形状的特点。
88.通过上述步骤，本发明的基于遥感图像和深度学习的智能农机路径规划装置通过深度学习目标检测技术获取农田作物位置，结合路径生成、优化和拟合技术，实现了智能农机路径规划。装置综合考虑了农机作业效率、能耗和作业质量等因素，为农田作业提供了智能化的路径规划方案。
89.综上所述，本发明的基于遥感图像和深度学习的智能农机路径规划方法及装置结合了现代遥感技术和深度学习算法，实现了农机作业路径的智能化规划和优化。通过图像获取、目标检测、路径生成、路径优化、转弯策略以及贝塞尔曲线拟合等一系列步骤，使得农机在农田作业过程中能够高效、准确地行驶，从而提高了农机作业的效率和作业质量。本发明不仅有助于减少农业生产中的人力成本和资源浪费，同时也为农田作业的智能化提供了一种创新的j9九游会真人的解决方案。
90.本发明实施例的第三个方面，还提供了一种计算机设备，包括存储器和处理器，该存储器中存储有计算机程序，该计算机程序被该处理器执行时实现上述任意一项实施例的方法。
91.在该计算机设备中包括一个处理器以及一个存储器，并还可以包括：输入装置和输出装置。处理器、存储器、输入装置和输出装置可以通过总线或者其他方式连接，输入装置可接收输入的数字或字符信息，以及产生与基于遥感图像和深度学习的智能农机路径规
划的迁移有关的信号输入。输出装置可包括显示屏等显示设备。
92.存储器作为一种非易失性计算机可读存储介质，可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块，如本技术实施例中的基于遥感图像和深度学习的智能农机路径规划方法对应的程序指令/模块。存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储基于遥感图像和深度学习的智能农机路径规划方法的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至本地模块。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
93.处理器在一些实施例中可以是中央处理器(central processing unit，cpu)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据。本实施例计算机设备的多个计算机设备的处理器通过运行存储在存储器中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例的基于遥感图像和深度学习的智能农机路径规划方法的步骤。
94.应当理解，在相互不冲突的情况下，以上针对根据本发明的基于遥感图像和深度学习的智能农机路径规划方法阐述的所有实施方式、特征和优势同样地适用于根据本发明的基于遥感图像和深度学习的智能农机路径规划和存储介质。
95.本领域技术人员还将明白的是，结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性，已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个装置的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能，但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
96.最后需要说明的是，本文的计算机可读存储介质（例如，存储器）可以是易失性存储器或非易失性存储器，或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的，非易失性存储器可以包括只读存储器（rom）、可编程rom（prom）、电可编程rom（eprom）、电可擦写可编程rom（eeprom）或快闪存储器。易失性存储器可以包括随机存取存储器（ram），该ram可以充当外部高速缓存存储器。作为例子而非限制性的，ram 可以以多种形式获得，比如同步ram（dram）、动态ram（dram）、同步dram（sdram）、双数据速率sdram（ddr sdram）、增强sdram（esdram）、同步链路dram（sldram）、以及直接rambus ram（drram）。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
97.结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行：通用处理器、数字信号处理器（dsp）、专用集成电路（asic）、现场可编程门阵列（fpga）或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器，但是可替换地，处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合，例如，dsp和微处理器的组合、多个微处理器、一个或多个微处理器结合dsp和/或任何其
它这种配置。
98.以上是本发明公开的示例性实施例，但是应当注意，在不背离权利要求限定的本发明实施例公开的范围的前提下，可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外，尽管本发明实施例公开的元素可以以个体形式描述或要求，但除非明确限制为单数，也可以理解为多个。
99.应当理解的是，在本文中使用的，除非上下文清楚地支持例外情况，单数形式“一个”旨在也包括复数形式。还应当理解的是，在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。上述本发明实施例公开实施例序号仅仅为了描述，不代表实施例的优劣。
100.所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明实施例公开的范围（包括权利要求）被限于这些例子；在本发明实施例的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，并存在如上的本发明实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。因此，凡在本发明实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。