一种基于无人机的农药喷洒方法

技术领域

本发明属于智慧植保技术领域，具体是一种基于无人机的农药喷洒方法。

背景技术

无人机机植保作业正在大规模推广应用中，现有的无人机农药喷洒的作业路径规划及喷洒控制，都是根据无人机自身携带的航线规划软件、像控点布设软件人工进行规划，但是这样农药的多喷、漏喷问题比较多，使农药浪费严重、部分区域可能并未被农药覆盖，使得覆盖面并不能达到最好的效果。

在现有的无人机的农药喷洒方法中，公开号CN115145307A的中国专利于2022年10月4日公开了一种基于无人机的农药喷洒控制系统及方法，通过获取泵工作期间的实时液位变化信息，并据此获取药箱内的实时液位与喷洒出的药量之间的关系；同时通过实时监测无人机的GPS位置信息获取无人机的喷洒轨迹，将该喷洒轨迹叠加到液位与药量的关系曲线上，然后结合无人机的经纬度及高度信息，得到喷洒过的目标田地的喷洒药量分布图，从而获取目标田地的药量分布，实现对无人机农药喷洒路径及喷洒量的实时监控，解决了农田多喷与漏喷现象的发生；同时，根据目标田地的多光谱卫星影像得到对应的药量需求图，将药量分布图与药量需求图进行对比，实现对目标田地喷洒效果的有效评价。上述专利申请虽然可以评估作业效果，能够确定需要喷洒农药的田块是否喷洒到了足够的药物浓度，但是由于无人机是“Z”字型空中作业，无人机在根据药量需求图进行喷洒作业时，需实时的减速或变速，并且该方案并未对人工设置的航线规划有所改变，当喷洒作业的地块不是规则地块时(例如不是圆形、矩形等区域)，无人机并不能保证能够完全覆盖作业区域，并且只是在飞行的过程中实时动态调整药量的变化，因此并不能根据虫害/杂草等情况进行适应性调整喷洒路径。

发明内容

本发明的目的在于提出一种基于无人机的农药喷洒方法，以解决现有技术中所存在的一个或多个技术问题，至少提供一种有益的选择或创造条件。

为了实现上述目的，本发明提出一种基于无人机的农药喷洒方法，具体包括以下步骤：

S1：获取待喷洒作业的地块的电子地图作为无人机作业区域，获取无人机作业区域的高光谱遥感影像；

S2：设置无人机作业区域中的起点、终点以及障碍物位置信息；在无人机作业区域中设置从起点到终点之间的航线路径；

S3：通过RX算法中识别出高光谱遥感影像在无人机作业区域中对应位置的病虫害区域；

S4：通过病虫害区域对航线路径进行优化获得优化路径。

优选地，还包括步骤S5：无人机按照优化路径飞行并且同时进行农药喷洒作业。

进一步地，无人机装载的农药为2％噻虫啉微囊悬浮剂、3％噻虫啉微囊悬浮剂、8％高效氯氰菊酯微囊悬浮剂、25％灭幼脲悬浮剂、0.5％甲维盐乳油、30％阿维灭幼脲、25％甲维盐灭幼脲悬浮剂、苏云金杆菌、3.2％阿维菌素等。

进一步地，在S1中，待喷洒作业的地块包括林地、菜地、旱地、水浇地、望天田或者灌溉水田中的任意一种(待喷洒作业的地块中种植有松树、桉树、竹子、杉木、梧桐树、沉香、杨树、油茶、柑橘、柚子、苹果、梨、荔枝、龙眼、菠萝、稻谷、高粱、玉米、小麦中的任意一种)。

进一步地，在S1中，所述电子地图是通过卫星、无人机获取的一定坐标系统内具有确定的坐标和属性的地面要素和现象的离散数据。

进一步地，在S1中，获取无人机作业区域的高光谱遥感影像为通过机载的全谱段多模态成像光谱仪获取，或者通过高光谱遥感卫星获取的高光谱遥感影像。

进一步地，在S2中，设置从起点到终点之间的航线路径的方法包括:A*算法、基于K-最短路径算法、Dijkstra算法、APF算法(APF：Artificial Potential Field，人工势场算法)和SAA算法(SAA:Simulated Annealing Algorithm，模拟退火算法)中的任意一种。

进一步地，在S2中，所述无人机为农用无人机或者植保无人机，设置无人机的初始参数：每亩用量(1～3L/亩，优选为1.65L/亩)、雾化颗粒(50～100μm，优选为80μm)、航线间距(8～15m)、飞行高度(8～15m)、飞行速度(3～10m/s)、边界安全距离(2～5m)、障碍物安全距离(2～5m)；

进一步地，在S3中，通过RX算法中识别出高光谱遥感影像在无人机作业区域中对应位置的病虫害区域的方法为：将高光谱遥感影像中各个像素点的光谱反射率输入到RX算法(Reed-Xiaoli高光谱目标检测算法)中识别出无人机作业区域中对应位置的病虫害区域。

高光谱遥感监测病虫害是通过测量植物中叶绿素含量的变化进行判断，叶绿素的光谱反射率有其显著的特征，并且会随着波长的变化而变化。植物的叶绿素的光谱反射率在0.5～0.7μm处很低，在近红外波段，在0.7～0.9μm处明显增加，这是因为绿色植物可以吸收该波段的辐射能量。由于病虫害的植物体内的叶绿素会逐渐减少，吸收光的能力也随之减弱，可见光的反射率会明显提高，红外区域的反射率会显著降低，尤其是近红外波段。

优选地，通过RX算法中识别出高光谱遥感影像在无人机作业区域中对应位置的病虫害区域的方法为：通过专利公开号为CN107347849A中公开的方法获取病虫害信息无人机作业区域中对应位置的病虫害区域。

其中，病虫害区域为病虫害像素点组成的区域，或者由病虫害像素点组成的边缘线的内部区域；其中，病虫害像素点是可见光反射率高于高光谱遥感影像中各个像素点的可见光反射率的平均值的高光谱遥感影像中对应的像素点，或者，病虫害像素点是近红外波段光谱反射率低于高光谱遥感影像中各个像素点的近红外波段光谱反射率的平均值的高光谱遥感影像中对应的像素点。

进一步地，在S4中，通过病虫害区域对航线路径进行优化获得优化路径的方法包括以下步骤：

设航线间距(8～15m)为MG，从起点开始，在航线路径上每间隔MG取一个点作为识别点，以各个识别点为圆心、0.5×MG为半径，获得多个圆形的识别分区；按照从起点开始到终点的方向，依次将各个识别点构成的识别分区组成的序列作为识别分区序列RLocal，RLocal＝{RL(i)},i是识别分区的序号，i∈[1,N1]，N1为识别分区的数量，RL(i)是序列RLocal中第i个识别分区；

在i的取值范围内，以RL(i)对应的识别点为P1(i)，计算RL(i)内部的各个病虫害区域的几何重心点到P1(i)之间的欧氏距离，则RL(i)内部的所有所述的欧氏距离的均值为RLMean(i)；选择RL(i)中的各个病虫害区域的几何重心点与P1(i)的距离值最大的所述几何重心点记为远心点P2(i)，选择RL(i)中的各个病虫害区域的几何重心点与P1(i)的距离值最小的所述几何重心点记为近心点P3(i)，从识别分区序列RLocal中筛选出所有的识别点到P2(i)的距离小于RLMean(i)的识别分区构成集合记为RL(i)的优化候选集合RLSUB(i)；以N2为RLSUB(i)中的元素的数量，RLSUB(i,j)是RLSUB(i)中第j个识别分区的识别点,j是RLSUB(i)中识别分区的识别点的序号，j∈[1,N2]；

如果N2＝0，则将RL(i)记为无需优化的识别分区；如果N2＞0时，在i的取值范围内对航线路径的RL(i)进行优化。

以上方案能识别出虫害区域和无人机航线上识别点的偏移位置，能够识别虫害区域准确的相对位置，保证虫害位置坐标的相对精度。

进一步地，在i的取值范围内对航线路径的RL(i)进行优化的方法包括以下步骤：

在j的取值范围内，计算远心点P2(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离的均值记为远心距离AD；计算近心点P3(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离的均值记为近心距离BD；记远心点P2(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离最短的识别点RLSUB(i,j)为PF；记近心点P3(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离最短的识别点RLSUB(i,j)为PN；

当AD≥BD时，以远心点P2(i)到PF的方向为调整方向，将航线路径上的识别点P1(i)朝调整方向移动远心距离AD；

当AD＜BD时，以近心点P3(i)到PN的方向为调整方向，将航线路径上的识别点P1(i)朝调整方向移动近心距离BD。

优选地，按照调整后的所有识别点以曲线拟合方法或者直接互相连接重新获得导航路径，即优化路径。

优选地，将与移动前的识别点P1(i)连接的导航路径重新和移动后的识别点P1(i)连接，即优化路径。

以上技术方案生成的优化路径能在无人机高速飞行的情况下，根据实际的病虫害区域与导航路径之间的距离关系稳定的覆盖农药喷洒范围，使导航路径覆盖区域上的病虫害区域的重复喷洒覆盖区域的情况较少发生，优化路径能够在贴合病虫害区域的前提下，充分的利用了无人机路径之间相近的位置互相的覆盖性，并且算法效率较高，能够极大的提高了路径生成速度。但是，以上的技术方案依然无法避免部分非病虫害区域的重复喷洒，并且转折点较多，需要无人机减速或变速，影响喷洒效率，所以本发明提出了以下优选地方案：

优选地，在i的取值范围内对航线路径的RL(i)进行优化的方法包括以下步骤：

计算RL(i)的病虫害位置偏离指数dev(i)，具体方法为：

/>

其中，偏离程度函数

|P2(i)-RLSUB(i,j)|为远心点P2(i)到RLSUB(i)中第j个识别分区的识别点的距离；

|P3(i)-RLSUB(i,j)|为近心点P3(i)到RLSUB(i)中第j个识别分区的识别点的距离；

在i的取值范围内计算出所有RL(i)的病虫害位置偏离指数dev(i)，计算所有dev(i)的平均值为meandev，标记所有dev(i)≥meandev的识别分区RL(i)为待优化识别分区；

当RL(i)为待优化识别分区时，在j的取值范围内，计算远心点P2(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离的均值记为远心距离AD；计算近心点P3(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离的均值记为近心距离BD；记远心点P2(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离最短的识别点RLSUB(i,j)为PF；记近心点P3(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离最短的识别点RLSUB(i,j)为PN；

当AD≥BD时，以远心点P2(i)到PF的方向为调整方向，将航线路径上的识别点P1(i)朝调整方向移动远心距离AD；

当AD＜BD时，以近心点P3(i)到PN的方向为调整方向，将航线路径上的识别点P1(i)朝调整方向移动近心距离BD。

优选地，按照调整后的所有识别点以曲线拟合方法或者直接互相连接重新获得导航路径，即优化路径。

优选地，将与移动前的识别点P1(i)连接的导航路径重新和移动后的识别点P1(i)连接，即优化路径。

根据该优选的方案，其中的病虫害位置偏离指数是判断出病虫害位置的远心点和近心点与导航路径上的识别点之间的偏离程度，从而均衡的判断出非病虫害区域和病虫害区域的位置之间的差异性，并且能够智能的避免部分非病虫害区域的重复喷洒，极大的减少飞行的转折点，减少了无人机飞行中的减速或变速，提高了无人机的喷洒作业速度。

本发明还提供了一种基于无人机的农药喷洒系统，所述一种基于无人机的农药喷洒系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种基于无人机的农药喷洒方法中的步骤，所述一种基于无人机的农药喷洒系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群，所述处理器执行所述计算机程序运行在以下系统的单元中：

遥感区域获取单元，用于获取待喷洒作业的地块的电子地图作为无人机作业区域，获取无人机作业区域的高光谱遥感影像；

无人机初始化单元，用于设置无人机作业区域中的起点、终点以及障碍物位置信息；在无人机作业区域中设置从起点到终点之间的航线路径；

病虫害区域识别单元，用于通过RX算法中识别出高光谱遥感影像在无人机作业区域中对应位置的病虫害区域；

路径优化单元，用于通过病虫害区域对航线路径进行优化获得优化路径。

本发明的有益效果为：本发明通过提供一种基于无人机的农药喷洒方法，根据实际的病虫害区域与导航路径之间的距离关系稳定的覆盖农药喷洒范围，使导航路径覆盖区域上的病虫害区域的重复喷洒覆盖区域的情况较少发生，优化路径能够在贴合病虫害区域的前提下，充分的利用了无人机路径之间相近的位置互相的覆盖性，并且算法效率较高，能够极大的提高了路径生成速度。并且能避免部分非病虫害区域的重复喷洒，均衡的判断出非病虫害区域和病虫害区域的位置之间的差异性，并且能够智能的避免部分非病虫害区域的重复喷洒，极大的减少飞行的转折点，减少了无人机飞行中的减速或变速，提高了无人机的喷洒作业速度。

附图说明

通过对结合附图所示出的实施方式进行详细说明，本发明的上述以及其他特征将更加明显，本发明附图中相同的参考标号表示相同或相似的元素，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附图，在附图中：

图1为一种基于无人机的农药喷洒方法的流程图；

图2为一种基于无人机的农药喷洒系统的结构图。

具体实施方式

以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本发明的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。附图中各处使用的相同的附图标记指示相同或相似的部分。

如图1所示为根据本发明的一种基于无人机的农药喷洒方法的流程图，根据图1来阐述根据本发明的实施方式的一种基于无人机的农药喷洒方法，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

S1：获取待喷洒作业的地块的电子地图作为无人机作业区域，获取无人机作业区域的高光谱遥感影像；

S2：设置无人机作业区域中的起点、终点以及障碍物位置信息；在无人机作业区域中设置从起点到终点之间的航线路径；

S3：通过RX算法中识别出高光谱遥感影像在无人机作业区域中对应位置的病虫害区域；

S4：通过病虫害区域对航线路径进行优化获得优化路径。

优选地，还包括步骤S5：无人机按照电子地图上的优化路径在待喷洒作业的地块中飞行并按照设置的参数(每亩用量(1～3L/亩，优选为1.65L/亩)、雾化颗粒(50～100μm，优选为80μm)、航线间距(8～15m)、飞行高度(8～15m)、飞行速度(3～10m/s)、边界安全距离(2～5m)、障碍物安全距离(2～5m))进行农药喷洒作业。

进一步地，在S1中，待喷洒作业的地块包括林地、菜地、旱地、水浇地、望天田或者灌溉水田中的任意一种。

进一步地，在S1中，所述电子地图是通过卫星、无人机获取的一定坐标系统内具有确定的坐标和属性的地面要素和现象的离散数据。

其中，起点是无人机在无人机作业区域中起飞的位置(一般是当前位置)，终点分别是无人机在无人机作业区域中飞行的终点位置，障碍物位置信息是无人机作业区域中障碍物位置，无人机需与障碍物位置保持预设的障碍物安全距离(2～5m)。

其中，航线路径是电子地图上的一组连续变化的位置坐标数据，无人机根据航线路径在电子地图上航线路径在无人机作业区域中航线路径对应位置坐标数据进行飞行移动。

进一步地，在S2中，设置从起点到终点之间的航线路径是在待喷洒作业的地块的电子地图的选定区域内进行路径规划得到。

进一步地，在S2中，设置从起点到终点之间的航线路径的方法包括:A*算法、基于K-最短路径算法、Dijkstra算法、APF算法(APF：Artificial Potential Field，人工势场算法)和SAA算法(SAA:Simulated Annealing Algorithm，模拟退火算法)中的任意一种。

进一步地，在S2中，所述无人机为农用无人机或者植保无人机，设置无人机的初始参数：每亩用量(1～3L/亩，优选为1.65L/亩)、雾化颗粒(50～100μm，优选为80μm)、航线间距(8～15m)、飞行高度(8～15m)、飞行速度(3～10m/s)、边界安全距离(2～5m)、障碍物安全距离(2～5m)；

进一步地，在S3中，通过RX算法中识别出高光谱遥感影像在无人机作业区域中对应位置的病虫害区域的方法为：将高光谱遥感影像中各个像素点的光谱反射率输入到RX算法(Reed-Xiaoli高光谱目标检测算法)中识别出无人机作业区域中对应位置的病虫害区域。

高光谱遥感监测病虫害是通过测量植物中叶绿素含量的变化进行判断，叶绿素的光谱反射率有其显著的特征，并且会随着波长的变化而变化。植物的叶绿素的光谱反射率在0.5～0.7μm处很低，在近红外波段，在0.7～0.9μm处明显增加，这是因为绿色植物可以吸收该波段的辐射能量。由于病虫害的植物体内的叶绿素会逐渐减少，吸收光的能力也随之减弱，可见光的反射率会明显提高，红外区域的反射率会显著降低，尤其是近红外波段。

优选地，通过RX算法中识别出高光谱遥感影像在无人机作业区域中对应位置的病虫害区域的方法为：通过专利公开号为CN107347849A中公开的方法获取病虫害信息无人机作业区域中对应位置的病虫害区域(RX异常探测方法)。

其中，病虫害区域为病虫害像素点组成的区域，或者由病虫害像素点组成的边缘线的内部区域；其中，病虫害像素点是可见光反射率高于高光谱遥感影像中各个像素点的可见光反射率的平均值的高光谱遥感影像中对应的像素点，或者，病虫害像素点是近红外波段光谱反射率低于高光谱遥感影像中各个像素点的近红外波段光谱反射率的平均值的高光谱遥感影像中对应的像素点。

进一步地，在S4中，通过病虫害区域对航线路径进行优化获得优化路径的方法包括以下步骤：

设航线间距(8～15m)为MG，从起点开始，在航线路径上每间隔MG取一个点作为识别点，以各个识别点为圆心、0.5×MG为半径，获得多个圆形的识别分区；按照从起点开始到终点的方向，依次将各个识别点构成的识别分区组成的序列作为识别分区序列RLocal，RLocal＝{RL(i)},i是识别分区的序号，i∈[1,N1]，N1为识别分区的数量，RL(i)是序列RLocal中第i个识别分区；

在i的取值范围内，以RL(i)对应的识别点为P1(i)，计算RL(i)内部的各个病虫害区域的几何重心点到P1(i)之间的欧氏距离，则RL(i)内部的所有所述的欧氏距离的均值为RLMean(i)；选择RL(i)中的各个病虫害区域的几何重心点与P1(i)的距离值最大的所述几何重心点记为远心点P2(i)，选择RL(i)中的各个病虫害区域的几何重心点与P1(i)的距离值最小的所述几何重心点记为近心点P3(i)，从识别分区序列RLocal中筛选出所有的识别点到P2(i)的距离小于RLMean(i)的识别分区构成集合记为RL(i)的优化候选集合RLSUB(i)；以N2为RLSUB(i)中的元素的数量，RLSUB(i,j)是RLSUB(i)中第j个识别分区的识别点,j是RLSUB(i)中识别分区的识别点的序号，j∈[1,N2]；

如果N2＝0，则将RL(i)记为无需优化的识别分区；如果N2＞0时，在i的取值范围内对航线路径的RL(i)进行优化。

进一步地，在i的取值范围内对航线路径的RL(i)进行优化的方法包括以下步骤：

在j的取值范围内，计算远心点P2(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离的均值记为远心距离AD；计算近心点P3(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离的均值记为近心距离BD；记远心点P2(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离最短的识别点RLSUB(i,j)为PF；记近心点P3(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离最短的识别点RLSUB(i,j)为PN；

当AD≥BD时，以远心点P2(i)到PF的方向为调整方向，将航线路径上的识别点P1(i)朝调整方向移动远心距离AD；

当AD＜BD时，以近心点P3(i)到PN的方向为调整方向，将航线路径上的识别点P1(i)朝调整方向移动近心距离BD。

优选地，按照调整后的所有识别点以曲线拟合方法或者直接互相连接重新获得导航路径，即优化路径。

优选地，将与移动前的识别点P1(i)连接的导航路径重新和移动后的识别点P1(i)连接，即优化路径。

以上技术方案生成的优化路径能在无人机高速飞行的情况下，根据实际的病虫害区域与导航路径之间的距离关系稳定的覆盖农药喷洒范围，使导航路径覆盖区域上的病虫害区域的重复喷洒覆盖区域的情况较少发生，优化路径能够在贴合病虫害区域的前提下，充分的利用了无人机路径之间相近的位置互相的覆盖性，并且算法效率较高，能够极大的提高了路径生成速度。但是，以上的技术方案依然无法避免部分非病虫害区域的重复喷洒，并且转折点较多，需要无人机减速或变速，影响喷洒效率，所以本发明提出了以下优选地方案：

优选地，在i的取值范围内对航线路径的RL(i)进行优化的方法包括以下步骤：

计算RL(i)的病虫害位置偏离指数dev(i)，具体方法为：

其中，偏离程度函数

|P2(i)-RLSUB(i,j)|为远心点P2(i)到RLSUB(i)中第j个识别分区的识别点的距离；

|P3(i)-RLSUB(i,j)|为近心点P3(i)到RLSUB(i)中第j个识别分区的识别点的距离；

在i的取值范围内计算出所有RL(i)的病虫害位置偏离指数dev(i)，计算所有dev(i)的平均值为meandev，标记所有dev(i)≥meandev的识别分区RL(i)为待优化识别分区；

当RL(i)为待优化识别分区时，在j的取值范围内，计算远心点P2(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离的均值记为远心距离AD；计算近心点P3(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离的均值记为近心距离BD；记远心点P2(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离最短的识别点RLSUB(i,j)为PF；记近心点P3(i)与RLSUB(i)中各个识别点RLSUB(i,j)之间的距离最短的识别点RLSUB(i,j)为PN；

当AD≥BD时，以远心点P2(i)到PF的方向为调整方向，将航线路径上的识别点P1(i)朝调整方向移动远心距离AD；

当AD＜BD时，以近心点P3(i)到PN的方向为调整方向，将航线路径上的识别点P1(i)朝调整方向移动近心距离BD。

优选地，(删除航线路径后)按照调整后的所有识别点以曲线拟合方法或者直接互相连接重新获得导航路径，即优化路径。

优选地，将与移动前的识别点P1(i)连接的导航路径重新和移动后的识别点P1(i)连接，即优化路径。

根据该优选的方案，其中的病虫害位置偏离指数是判断出病虫害位置的远心点和近心点与导航路径上的识别点之间的偏离程度，从而均衡的判断出非病虫害区域和病虫害区域的位置之间的差异性，并且能够智能的避免部分非病虫害区域的重复喷洒，极大的减少飞行的转折点，减少了无人机飞行中的减速或变速，提高了无人机的喷洒作业速度。

本发明的实施例提供的一种基于无人机的农药喷洒系统，如图2所示，该实施例的一种基于无人机的农药喷洒系统包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于无人机的农药喷洒方法实施例中的步骤，所述处理器执行所述计算机程序运行在以下系统的单元中：

遥感区域获取单元，用于获取待喷洒作业的地块的电子地图作为无人机作业区域，获取无人机作业区域的高光谱遥感影像；

无人机初始化单元，用于设置无人机作业区域中的起点、终点以及障碍物位置信息；在无人机作业区域中设置从起点到终点之间的航线路径；

病虫害区域识别单元，用于通过RX算法中识别出高光谱遥感影像在无人机作业区域中对应位置的病虫害区域；

路径优化单元，用于通过病虫害区域对航线路径进行优化获得优化路径。

所述一种基于无人机的农药喷洒系统包括：处理器、存储器及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种基于无人机的农药喷洒方法实施例中的步骤，所述一种基于无人机的农药喷洒系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中，可运行的系统可包括，但不仅限于，处理器、存储器、服务器集群。

所述一种基于无人机的农药喷洒系统可以运行于桌上型计算机、笔记本电脑、掌上电脑及云端数据中心等计算设备中。所述一种基于无人机的农药喷洒系统包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，所述例子仅仅是一种基于无人机的农药喷洒方法的示例，并不构成对一种基于无人机的农药喷洒方法的限定，可以包括比例子更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种基于无人机的农药喷洒系统还可以包括输入输出设备、网络接入设备、总线等。

所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立元器件门电路或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述一种基于无人机的农药喷洒系统的控制中心，利用各种接口和线路连接整个一种基于无人机的农药喷洒系统的各个分区域。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述一种基于无人机的农药喷洒方法的各种功能。所述存储器可主要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系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)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，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

尽管本发明的描述已经相当详尽且特别对几个所述实施例进行了描述，但其并非旨在局限于任何这些细节或实施例或任何特殊实施例，从而有效地涵盖本发明的预定范围。此外，上文以发明人可预见的实施例对本发明进行描述，其目的是为了提供有用的描述，而那些目前尚未预见的对本发明的非实质性改动仍可代表本发明的等效改动。