本发明涉及用于植物管理的设备、用于植物管理的系统、以及用于植物管理的方法以及计算机程序单元。
背景技术：
本发明的总体背景是农田中植物的管理。植物(特别是实际作物)的管理还包括农田中杂草的管理以及农田中昆虫的管理。
综合杂草管理规定要求农民在没有幸存者耐受的地方消灭杂草，以减少田地中杂草基因型中积累的抗性。但是，这与减少田地中的总体化学用量或支持生物多样性的希望不符。
另外，农民希望鼓励有益的昆虫，例如作物田地中的蜜蜂，同时控制对作物有害的害虫。当用杀虫剂喷洒作物时，这些要求可能是矛盾的，并且还有一个复杂的因素，就是希望减少田地中的总体化学用量。
技术实现要素：
具有改进的用于管理农田中的植物的手段将是有利的。
本发明的目的通过独立权利要求的主题解决，其中，进一步实施例并入在从属权利要求中。应当注意，本发明的以下描述的方面和示例也适用于用于植物管理的设备、用于植物管理的系统、以及用于植物管理的方法，并且还适用于计算机程序单元和计算机可读介质。
根据第一方面，提供了一种用于植物管理的设备，包括：
-输入单元；
-处理单元；以及
-输出单元。
输入单元被配置为向处理单元提供田地的至少一个图像。处理单元被配置为分析至少一个图像以确定与存在的植物有关的信息。处理单元还被配置为基于与植物有关的信息来确定是否要通过植物控制技术来控制植物或者不控制植物。如果确定要通过植物控制技术来控制植物，则输出单元被配置为输出可用于激活植物控制技术的信息。
本文所使用的植物控制技术优选地包括化学、机械和/或电气控制技术。化学控制技术优选包括至少一种用于施用杀虫剂和/或除草剂的装置，特别是喷枪。机械控制技术优选地包括用于抽吸、拉动和/或冲压植物和/或昆虫的装置。电气控制技术包括用于控制植物和/或昆虫的基于zasso和/或辐射(尤其是激光)的装置。
优选地，上文和下文中所使用的植物控制技术包括杂草控制技术以及昆虫控制技术，其中，杂草控制技术包括被配置用于防治杂草的任何植物控制技术，并且其中，昆虫控制技术包括被配置用于防治昆虫的任何植物控制技术。
优选地，植物管理包括特别是利用植物控制技术维持或去除农田中的杂草的杂草管理以及维持或去除农田中的昆虫的昆虫管理。
换句话说，可获取田地的图像并检测杂草。然后可做出决定来控制检测到的杂草中的一些杂草，而不是控制其他检测到的杂草。
这样，如果用作杂草控制和/或减少使用其他杂草控制技术(例如机械植物去除)，则可维持/改善生物多样性，并减少使用化学品。由于不是对所有检测到的杂草进行控制，因此随着减少田地除草时间，这可以节省成本并提高效率。
此外，通过这种方式，更多的田地可用于作物，因为农民由于杂草可以以可控的方式整合到作物本身中而无需添加花条或休耕地，并且因此更有可能接受社会上的现代耕作方式。
换句话说，包含能够确定是否应控制(例如，杀死或摧毁)检测到的杂草的机器人植物管理被用于降低成本，同时以可控方式提供与增加生物多样性有关的积极作用。具有适当空间分辨率的图像的图像处理用于检测杂草并确定应摧毁(控制)或不摧毁(控制)哪些杂草。
这样，许多天然出现的杂草不被控制，使得不造成相关的产量损失，同时又增加了生物多样性，并且其中，例如如果特定类型的杂草特别成问题并且会对产量产生负面影响，则可摧毁该特定类型的所有杂草。
换句话说，可获取田地的图像，然后可基于与植物有关的图像分析做出控制植物的决定。这样，如果确定一种植物是作物以外的植物(即，杂草)，但该植物吸引了有益的昆虫，则可做出该植物不应受到控制而应允许在田地中生长的确定。
以这种方式，如果确定一种植物是作物以外的植物(即，杂草)，但是即使该植物吸引了有益的昆虫，但杂草本身可能会对作物的产量产生负面影响，则可做出应通过杂草控制技术来控制该植物的确定。
这使得如果确定一种植物是作物以外的植物，但是该植物吸引了有害于作物的昆虫，则可做出该植物应通过要杀死该植物的植物控制技术以及可能地采用要杀死此类害虫的昆虫控制技术加以控制的确定。
以此方式，如果检测到作物的植物并且在作物植物上检测到有益昆虫，则可做出不控制作物的决定。以这种方式，如果检测到作物的植物并且在作物植物上检测到有害于作物的昆虫，则可做出使用昆虫控制技术控制作物的决定。
换句话说，做出是否必须保护植物免受昆虫的侵害以及是否应该摧毁吸引有害昆虫的特定植物并杀死该植物上的昆虫的决定。因此，例如，通过通过昆虫控制技术控制小麦植物来杀死蚜虫，但是当蜜蜂在花蜜上觅食时，可不毁坏并且不通过杂草控制技术或昆虫控制技术控制养活蜜蜂的玉米花。但是，如果在开花前玉米花有蚜虫或者一年中蚜虫盛行但蜜蜂没有以玉米花为食，则可通过昆虫控制技术控制玉米花，因为预计不会摧毁有益昆虫。但是，如果存在会吸引蚜虫但不吸引诸如蜜蜂之类的有益昆虫的杂草，则可在未检测到蚜虫的情况下通过要杀死植物的杂草控制技术来控制该植物以便杀死该植物，或者即使没有检测到蚜虫但是预计它们很快就会到达，也可通过昆虫控制技术来控制该植物。这可能是杂草控制技术的补充或替代。如果在植物上检测到蚜虫(或其他有害昆虫)，则如果是作物植物，则可通过昆虫控制技术进行控制，如果是不吸引有益昆虫的杂草，则可通过杂草控制技术和昆虫控制技术进行控制。同样，如果检测到植物存在有害和有益昆虫，例如植物上的蚜虫和蜜蜂，那么如果有益昆虫的比例足够高到减轻蚜虫的有害结果，则可做出不毁坏该植物的决定，并且类似地，如果只存在少量蜜蜂但有很多蚜虫，则可控制该植物以杀死所有昆虫，但同时也可能杀死该植物。
以这种方式，可保持和鼓励有益昆虫，同时通过减少化学品的使用来控制有害昆虫(害虫)。这也节省了成本并提高了效率，因为并非必须通过昆虫控制技术和/或杂草控制技术来控制作物的所有植物，也不是必须控制所有杂草。
另外，通过这种方式，由于控制了有害昆虫同时又不毁坏和鼓励了有益昆虫，对现代耕作方式的社会认识得到了增强，这也更可能导致社会对现代耕作方式的接受。
换句话说，包含能够确定是否应通过植物控制技术控制植物或植物的真正部分以便管理和控制昆虫的机器人昆虫管理被用于降低成本、节省时间、减少化学品的使用，同时以可控方式提供与增加生物多样性和增强作物授粉有关的积极作用。具有适当空间分辨率的图像的图像处理用于检测和识别植物是作物植物还是杂草，以确定该杂草是否对错误类型的昆虫有吸引力并受植物控制技术的控制以管理昆虫。同样，具有适当空间分辨率的图像的图像处理用于检测和识别杂草上或作物植物上的昆虫以确定该杂草或作物植物是否应通过昆虫控制技术来控制以管理昆虫。
因此，图像处理与可以是精密控制技术(特别是喷洒器)甚至是超精密控制技术(特别是喷洒器)的植物控制技术(特别是喷洒器)一起使用，以使某些植物(无论是作物植物还是杂草)能够在必要时通过植物控制技术来控制以管理田地中的昆虫，既鼓励有益昆虫又控制有害昆虫，并通过减少化学用量来做到这一点。控制或不控制的决定可基于植物对有益昆虫作为食物来源的吸引力与植物对有害昆虫的吸引力之间的权衡而定，并且还可考虑植物上是否存在昆虫(无论是有益还是有害)而做出此类决定。因此，例如，可鼓励田地中存在有益昆虫(诸如主要以花蜜为食并帮助授粉的蜜蜂，这是农民想要的)，而诸如蚜虫等通过吮吸树液或吃树叶或产卵对作物造成损害的害虫都受到控制。
优选地，处理单元被配置为分析至少一个图像以确定存在杂草，其中处理单元被配置为确定是否通过杂草控制技术控制杂草，并且其中，如果做出将通过杂草控制技术控制杂草的确定，则输出单元被配置为输出可用于激活杂草控制技术的信息。
优选地，处理单元被配置为分析至少一个图像以确定与存在的植物有关的信息，其中，处理单元被配置为基于与植物有关的信息确定植物是否要被喷洒杀虫剂和/或除草剂，并且其中，如果做出要向植物喷洒杀虫剂和/或除草剂的确定，则输出单元被配置为输出可用于激活至少一个喷枪的信息。
在一个示例中，确定是否要通过植物控制技术来控制植物包括应用至少一个生物多样性设置和/或至少一个农艺规则。换句话说，至少一个生物多样性设置和/或至少一个农艺规则可用来决定允许幸存的杂草和需要控制哪些杂草。另外，至少一个生物多样性设置和/或至少一个农艺规则可用来决定允许幸存的昆虫和需要控制哪些昆虫。
生物多样性设置包括昆虫和杂草，它们对田间地面有利，并因此减少了因水和风造成的侵蚀。确定是否应采用控制技术的阈值包括确定植物的大小和生长阶段。处理单元被配置为在分析图像时确定图像中植物的大小和生长阶段。优选地，处理单元被配置为应用生长阶段模型来确定植物具有的大小或植物处于的生长阶段。
因此，处理单元根据以下因素中的至少一个来分析图像：杂草的杂草类型、杂草的数量、作物相对于田地中的杂草的环境、昆虫、昆虫类型、昆虫的数量和作物相对于田地中的昆虫的环境。
为了确定是否要控制植物，考虑到生物多样性设置，处理单元优选地权衡各种确定的因素，以在田地中提供最佳的生物多样性和最大的产量。
在一个示例中，处理单元被配置为分析至少一个图像以识别植物。与植物有关的信息然后可包括植物的标识。
在一个示例中，处理单元被配置为分析至少一个图像，以确定植物是在田地中生长的作物的标本还是植物为杂草。与植物有关的信息然后可包括对属于该作物的植物的确定或该植物是杂草的确定。
在一个示例中，如果做出植物是杂草的确定，则处理单元被配置为分析至少一个图像以确定植物的杂草的类型。与植物有关的信息然后可包括所确定的杂草类型。
换句话说，可确定植物是作物植物还是杂草，并且该信息用于确定是否应控制该植物。此外，如果将该植物识别为杂草，则处理单元可具有杂草及其与不同昆虫以及在每年的不同时间的相关联吸引力的列表。因此，如果杂草对有害昆虫有吸引力，则该信息可用于确定是否应通过昆虫控制技术来控制该杂草。同样，如果杂草对作物的产量造成破坏，但对有益昆虫具有吸引力，则可做出通过杂草控制技术控制杂草以杀死杂草但不杀死昆虫的决定，昆虫然后将移动到不同的植物。但是，也可通过昆虫控制技术以及还可通过杂草控制技术来控制对有害昆虫也具有吸引力的破坏性杂草。
在一个示例中，处理单元被配置为分析至少一个图像以确定在田地的面积中的杂草的数量，特别是该类型的杂草的数量。然后，与植物有关的信息可包括确定该类型的杂草的数量除以面积是否超过每单位面积的该类型的杂草的阈值数量。
在示例性实施例中，至少一个生物多样性设置和/或至少一个农艺规则包括每单位面积的杂草的阈值数量。
换句话说，允许每单位面积的杂草密度，以支持田地中的生物多样性，例如土壤生物(edaphone)的连续根生长、田地中开花的时间要比作物本身开花的时间更长以例如喂养有益昆虫。
换句话说，允许每单位面积的特定类型的杂草密度，从而在低于阈值时允许对昆虫有益的特定杂草类型，从而提供田地中开花的时间要比作物本身开花的时间更长以例如喂养有益昆虫的益处。因此，即使有益昆虫现在不对作物植物进行授粉，也可鼓励和支持有益昆虫的种群，以便在该季节晚些时候，或者甚至在下一年该作物或不同作物需要授粉时，在田地中及周围将存在管理的有益昆虫种群。
换句话说，即使对田地有益的那些杂草的数量密度过高，也可对其进行控制，以确保生物多样性的积极作用。以这种方式，如果杂草的数量过高，例如通过收获物的污染而对农作物造成破坏，也可能对诸如蜜蜂之类的昆虫有益，并且因此可以以足够低的数量密度被允许，但是该植物的某些个体当其数量密度高于允许的阈值数量密度时可通过杂草控制技术来控制。
在一个示例中，至少一个生物多样性设置和/或至少农艺规则包括将被控制的至少一种杂草的列表和/或将不被控制的至少一种杂草的列表。当杂草的类型在将不被控制的杂草的列表中时，当该类型的杂草的数量除以面积超过每单位面积该类型杂草的阈值数量时，该类型的杂草受到控制。
因此，处理单元具有应被控制的杂草的列表，该杂草可能是例如特别有毒害(virulent)或有毒性(toxic)的杂草或对田地中生长的作物特别有破坏性的杂草。如果检测到杂草是列表中的杂草之一，则可对其进行控制(杀死或摧毁或者以对其施加的其他方式以抑制或杀死)。
以这种方式，处理单元具有作物中允许的杂草的列表，并且如果检测到，这种杂草可被允许存在于田地中。
在一个示例中，处理单元被配置为分析至少一个图像以检测植物上的至少一种昆虫。与植物有关的信息然后可包括对至少一种昆虫的检测。
以这种方式，可基于是否存在昆虫做出控制田地中的作物植物或杂草的决定。例如，可能是在一年中植物没有开花并且因此不可能存在有益的授粉植物(诸如蜜蜂)的时候，但可能存在树液吮吸昆虫。因此，当在作物植物或杂草上检测到昆虫时，可做出通过昆虫控制技术来控制植物的决定，并且必要时还可使用除草剂来控制植物，而不必识别昆虫的具体类型。因此，不需要识别昆虫，而是可使用其他信息(诸如一年中的时间、位置、作物的生长阶段以及昆虫所在的植物的标识等)来预测检测到的昆虫可能是什么昆虫，并可做出是否要进行控制的决定，这取决于它们是被预测为害虫还是有益昆虫，或者与害虫相比被预测为有益昆虫的比例足够高从而最好不要通过昆虫控制技术来控制。因此，昆虫可被预测是害虫，并且可通过昆虫控制技术控制植物，并且如果确定植物为有害杂草，则也可通过杂草控制技术来控制该植物。同样，如果昆虫被预测是害虫和有益昆虫的混合，而有益昆虫的百分含量很低，则可通过昆虫控制技术再次控制植物，而有害杂草也可通过杂草控制技术来控制。
在一个示例中，处理单元被配置为分析至少一个图像，以确定所检测的至少一种昆虫中的一种昆虫的昆虫类型。与植物有关的信息然后可包括昆虫的类型。处理单元被配置为分析至少一个图像，以确定植物上该类型的昆虫的数量。与植物有关的信息然后可包括超过阈值数量的所确定的植物上该类型的昆虫的数量。处理单元被配置为分析至少一个图像，以确定田地的面积中具有该类型的昆虫的植物的数量。与植物有关的信息然后可包括确定在该面积中具有该类型昆虫的植物的数量除以该面积是否超过阈值数量。
换句话说，除了基于杂草对不同昆虫的吸引力(包括从杂草对有益昆虫的吸引力而不受控制到杂草对有益和有害昆虫的吸引力到杂草对有害昆虫的吸引力)来控制田地中的杂草外，决定是否控制可考虑是否确实存在任何昆虫以及确实考虑存在不同种类的昆虫。因此，作物植物可在其上具有许多有害昆虫并可通过昆虫控制技术来控制，或者作物植物可在其上具有许多有益昆虫而不受控制。因此，被认为对有益昆虫具有吸引力而对有害昆虫不具有吸引力的杂草实际上可能充满了有害昆虫并加以控制。同样，被认为对有害昆虫具有吸引力而对有益昆虫不具有吸引力的杂草实际上可能充满了有益昆虫并且不加以控制。而且，对昆虫或实际上特定类型的昆虫既没有特别吸引力也没有特别不吸引力的普通杂草可取决于杂草上或杂草周围的特定类型的昆虫来加以控制或不控制。
以此方式，如果在植物上发现了大量有益昆虫，则即使也存在有害昆虫也可做出不通过昆虫控制技术来控制植物的决定。而且，如果在植物上只发现了几种有害昆虫，则可做出不通过昆虫控制技术来控制植物的决定，以减少杀虫剂的使用量。
因此，杂草可能通过例如污染而对作物产量产生潜在的负面影响，但会吸引有益昆虫。然后，如果要发现大量带有有益昆虫的这种类型的植物，则可做出通过杂草控制技术来控制许多这类植物的决定，从而保持有益昆虫但减轻了杂草的影响。而且，如果田地的面积中的许多植物具有大量有害昆虫，则可做出通过昆虫控制技术来控制该面积内的所有植物的决定，从而控制昆虫侵染。
优选地，处理单元被配置为分析至少一个图像，以确定植物尤其是杂草在至少一个图像中的位置。
以这种方式，图像可在地面上和/或在水平空间范围内具有区域(areal)足迹(footprint)。通过定位图像中的植物，可确定植物的实际位置，其精度要优于图像的总足迹。因此，可精确地使用植物控制技术来控制植物，例如，由获取和处理图像的车辆(vehicle)携带的化学喷洒或机械操纵器。而且，通过准确地知道植物的位置，与获取和处理图像的车辆不同的车辆可通过田地并使用其植物控制技术在其位置处控制植物。
在一个示例中，至少一个图像是由至少一个相机获取的，并且输入单元可被配置为在获取至少一个图像时向处理单元提供与至少一个相机相关联的至少一个地理位置。
在一个示例中，位置确定装置被配置为在获取与作物有关的至少一个图像时向处理单元提供与相机相关联的至少一个位置。
该位置可以是相对于地面上精确位置的地理位置，或可以是参考地面上另一个或多个位置的地面上的位置，例如田地的边界或无人机对接站或充电站的位置。换句话说，可利用绝对地理位置，或者可使用地面上不需要以绝对术语已知而是参考已知位置的位置。
在一个示例中，位置是绝对地理位置。
在一个示例中，位置是参考一个或多个已知位置确定的位置。
换句话说，可在不知道其精确地理位置而是通过相对于地面上的已知位置知道获取图像时的位置的情况下确定图像与地面上的特定位置相关联，可记录获取图像时的位置。换句话说，可提供车辆(例如，uav或机器人陆地车辆)已经获取图像的绝对gps导出位置，和/或可提供相对于已知位置(诸如田地边界或用于uav的充电站的位置)而获取图像的位置，这又使得能够确定获取图像的确切位置，因为已知田地边界或充电站的绝对位置。
在一个示例中，gps单元用于确定位置和/或在确定位置中使用，诸如当获取特定图像时的相机的位置。
在一个示例中，惯性导航单元被单独使用，或者与gps单元结合使用，以确定位置，例如当获取特定图像时相机的位置。因此，例如，包括例如一个或多个激光陀螺仪的惯性导航单元在已知位置(例如对接站或充电站)被校准或归零，并且随着惯性导航单元与至少一个相机一起移动，可确定x、y和z坐标中远离该已知位置的移动，从中可确定至少一个相机在获取图像时的位置。
因此，可通过一个平台获取图像，该平台可对其进行分析以检测杂草并确定要控制的杂草，以及确定要控制的杂草的位置。例如，uav可在田地周围飞行(或机器人陆地车辆在田地周围移动)并获取和分析图像。然后，第二平台(例如到达杂草的位置并例如通过在该位置施加化学喷洒或机械抽取杂草对其进行控制的机器人陆地车辆)可使用杂草的位置的信息。
因此，通过将图像与获取图像的地理位置相关联，可将杂草控制技术准确地应用于该位置。
因此，可通过一个平台来获取图像，该平台可对其进行分析以确定要控制的植物，并可确定这些植物的位置。例如，uav可在田地周围飞行，获取并分析图像。然后，第二平台(例如到达杂草的位置并对其进行控制的机器人陆地车辆)可使用要控制的植物的位置的信息。
因此，通过将图像与获取图像的地理位置相关联，可在该位置精确激活植物控制技术。
在一个示例中，对至少一个图像的分析包括利用机器学习算法。
优选地，该设备被配置为通过生成该田地的生物多样性指数来测量该田地的生物多样性。在优选实施例中，处理单元被配置为在分析图像时确定从图像生成生物多样性的参数。
根据第二方面，提供了一种用于植物管理的系统，包括：
-至少一个相机；
-根据第一方面和任何相关联示例的用于植物管理的设备；以及
-至少一种植物控制技术。
该至少一个相机被配置为获取该田地的至少一个图像。该至少一种植物控制技术，特别是喷枪，被安装在车辆上。该设备被配置为，如果做出要通过该植物控制技术来控制植物的确定，则在该植物的位置处激活该至少一种植物控制技术。
这样，车辆可按需要四处移动并管理植物。以这种方式，可通过一个平台来获取图像，例如，一个或多个在田地上飞行的无人机。该信息被发送到可能在办公室中的设备。该设备确定应控制哪些植物以及它们在田地中的位置。该信息可在植物地图(特别是喷洒地图或杂草地图)中提供，该植物地图被提供给在该环境中移动并且在田地的特定部分激活其植物控制技术的车辆。
在一个示例中，该设备被安装在车辆上。在一个示例中，至少一个相机被安装在车辆上。
以这种方式，该系统可实时或准实时地运行，其中，车辆获取图像，对其进行分析以确定哪些植物将被控制而哪些植物将不被控制，然后车辆本身可激活其植物控制技术来控制需要被控制的植物。这可立即完成。
根据第三方面，提供了一种用于植物管理的方法，包括：
a)向处理单元提供田地的至少一个图像；
c)通过处理单元分析该至少一个图像以确定与存在的植物有关的信息；
d)通过处理单元基于与植物有关的信息来确定是否要通过植物控制技术来控制植物；以及
e)如果做出要控制植物的确定，则通过输出单元输出可用于激活至少一种植物控制技术的信息。
根据另一方面，提供了一种用于控制第一方面的设备和/或根据第二方面的系统的计算机程序单元，其在由处理器执行时被配置为执行第三方面的方法。
根据另一方面，提供了一种已经存储了计算机程序单元的计算机可读介质。
有利地，由以上任何方面提供的益处同样适用于所有其他方面，反之亦然。参考下文描述的实施例，上述方面和示例将变得显而易见，并且将被阐明。
附图说明
下面将参考以下附图描述示例性实施例：
图1示出了用于植物管理的设备的示例的示意性设置；
图2示出了用于植物管理的系统的示例的示意性设置；
图3示出了用于植物管理的方法；
图4示出了获取田地的图像的机器人车辆的示意图；
图5示出了具有作物和杂草的田地的示意图，其中，该田地的一部分尚未由机器人车辆进行植物管理；
图6示出了用于植物管理的另一种方法；
图7示出了获取田地的图像的机器人车辆的示意图；以及
图8示出了具有杂草的田地的示意图，其中，田地的一部分尚未被机器人车辆进行控制。
具体实施方式
图1示出了用于植物管理特别是昆虫管理的设备10的示例。设备10包括输入单元20、处理单元30和输出单元40。输入单元20被配置为向处理单元30提供田地的至少一个图像。
在该实施例中，昆虫控制技术是杀虫剂，以及杂草控制技术是除草剂。而且，植物控制技术被配置为喷洒。
处理单元30被配置为分析至少一个图像以确定与存在的植物有关的信息。处理单元30还被配置为基于与植物有关的信息来确定是否要向植物喷洒杀虫剂和/或除草剂。如果确定要向植物喷洒杀虫剂和/或除草剂，则输出单元被配置为输出可用于激活至少一个喷枪的信息。
在一个示例中，该设备实时操作，其中，获取图像并对其立即进行处理，并立即做出是否喷洒植物的决定，如果要喷洒植物，则立即使用喷枪来喷洒植物，如果不喷洒植物，则不激活喷枪。因此，例如，车辆可获取其环境的图像并且对该图像进行处理以确定是否要喷洒植物。因此，例如，uav可在田地周围飞行并获取图像，以及确定是否应该通过位于uav上的喷枪对植物进行喷洒。因此，例如，机器人陆地车辆可在田地周围移动并获取图像，以及确定是否应该通过位于机器人陆地车辆上的喷枪对植物进行喷洒。
在一个示例中，该设备准实时操作，其中，获取田地的图像并对其立即进行处理以确定是否应该对植物进行喷洒。稍后，该信息可由在田地内行进并使用其喷枪喷洒一些植物而不予处理其他植物的一个或多个适当系统使用。因此，例如，配备有一个或多个相机的第一车辆(诸如无人飞行器(uav)或无人机)可在田地内行进并获取图像。可立即处理该图像，以确定应喷洒哪些植物(无论是作物植物还是杂草)，而其他作物植物和杂草则不予处理。因此，实际上产生了“喷洒图”，其详细描述了需要喷洒杀虫剂和/或除草剂的作物植物和杂草的位置。随后，配备有可喷洒杀虫剂和/或除草剂的一个或几个喷枪的车辆可在田地内行进，并喷洒先前确定需要喷洒的作物植物和杂草。因此，例如，带有化学喷枪的uav随后飞到需要控制的杂草的位置并喷洒杂草，或者机器人陆地车辆在田地内行进并使用其化学喷枪并向已确定需要喷洒的植物施用除草剂和/或杀虫剂。
在一个示例中，该设备以离线模式操作。因此，先前获取的图像稍后被提供给设备。然后，该设备对图像进行图像处理，并确定应对田地中的哪些植物(无论是作物植物还是杂草)喷洒杀虫剂和/或除草剂，以有效生成特定植物的喷洒图及其需要喷洒的位置。然后，喷洒图随后由一个或多个车辆使用，一个或多个车辆随后在田地内行进并使用喷洒图在需要喷洒的植物的位置激活其喷枪，以管理田地中的昆虫。
在一个示例中，输出单元输出可直接用于激活一个或多个喷枪的信号。
根据一个示例，处理单元被配置为分析至少一个图像以识别植物。与植物有关的信息可包括植物的标识。
根据一个示例，处理单元被配置为分析至少一个图像，以确定植物是在田地中生长的作物的标本还是该植物为杂草。与植物有关的信息然后可包括对属于该作物的植物的确定或该植物是杂草的确定。
根据一个示例，如果做出植物是杂草的确定，则处理单元被配置为分析至少一个图像以确定针对该植物的杂草的类型。与植物有关的信息然后可包括所确定的杂草的类型。
根据一个示例，处理单元被配置为分析至少一个图像，以确定在田地的面积中该类型的杂草的数量。然后，与植物有关的信息可包括确定该类型的杂草的数量除以面积是否超过每单位面积的该类型的杂草的阈值数量。
在一个示例中，处理单元被配置为分析至少一个图像，以确定植物在至少一个图像中的位置。换句话说，图像将在地面上具有足迹，并且通过在图像中定位作物植物或杂草，可确定作物植物或杂草在地面上的实际位置，其精度要优于图像的总足迹。因此，由获取并处理图像的车辆携带的化学喷枪可准确地用于喷洒作物植物或杂草，以便更有效地和高效地管理田地中的昆虫。另外，通过准确地了解作物植物或杂草的位置，与获取和处理图像的车辆不同的车辆可通过田地，并使用其喷枪在其位置喷洒所需的作物植物和杂草。
根据一个示例，处理单元被配置为分析至少一个图像，以检测植物上的至少一种昆虫。与植物有关的信息然后可包括对至少一种昆虫的检测。
根据一个示例，处理单元被配置为分析至少一个图像，以确定所检测的至少一种昆虫中的一种昆虫的昆虫类型。与植物有关的信息然后可包括该昆虫类型。
根据一个示例，处理单元被配置为分析至少一个图像，以确定植物上该类型的昆虫的数量。与植物有关的信息然后可包括所确定的植物上超过阈值数量的该类型的昆虫的数量。
根据一个示例，处理单元被配置为分析至少一个图像，以确定田地的面积中具有该类型的昆虫的植物的数量。与植物有关的信息然后可包括确定在该面积中具有该类型的昆虫的植物的数量除以该面积是否超过阈值数量。
在一个示例中，处理单元被配置为分析至少一个图像，以确定至少一种昆虫在至少一个图像中的一个或多个位置。
以此方式，不需要使用例如高精度或超高精度化学喷洒器来喷洒所有植物或植物周围的面积，而是仅在一种或多种昆虫的位置处进行喷洒。
根据一个示例，至少一个图像是由至少一个相机获取的。输入单元然后可被配置为：在获取至少一个图像时，向处理单元提供与至少一个相机相关联的至少一个地理位置。
在一个示例中，gps单元用于确定至少一个相机在获取特定图像时的位置。
在一个示例中，惯性导航单元被单独使用，或者与gps单元结合使用，以确定至少一个相机在获取特定图像时的位置。因此，例如，包括例如一个或多个激光陀螺仪的惯性导航单元在已知位置(诸如对接站或充电站)被校准或归零，并且随着惯性导航单元与至少一个相机一起移动，可确定x、y和z坐标中远离该已知位置的移动，从中可确定至少一个相机在获取图像时的位置。
在一个示例中，所获取的图像的图像处理被单独使用，或者与gps单元结合使用，或者与gps单元和惯性导航单元结合使用，以确定至少一个相机在获取特定图像时的位置。因此，视觉标记可单独使用，或者与gps单元和/或惯性导航单元结合使用，以确定至少一个相机在获取特定图像时的位置。
根据一个示例，对至少一个图像的分析包括利用机器学习算法。
在一个示例中，机器学习算法包括决策树算法。
决策树算法至少考虑以下因素之一：地面上昆虫的生物多样性、植物上的昆虫、杂草、取决于种子数量的杂草的脆弱潜力、田地中相对于作物植物的竞争状况(其定义了作物植物是否已经比杂草大并且无论如何都会倾覆杂草)、以及在用于害虫(例如与培养(culture)相关的疾病或害虫)的寄主植物意义上的绿色桥梁。
在一个示例中，机器学习算法包括人工神经网络。
在一个示例中，已经基于多个图像教导机器学习算法。在一个示例中，已经基于包含至少一种杂草类型的图像的多个图像来教导机器学习算法。在一个示例中，已经基于包含多个杂草的图像的多个图像来教导机器学习算法。在一个示例中，已经基于包含至少一种类型的作物植物的图像的多个图像来教导机器学习算法。在一个示例中，已经基于包含多个作物植物的图像的多个图像来教导机器学习算法。在一个示例中，已经基于包含至少一种类型的昆虫的图像的多个图像来教导机器学习算法。在一个示例中，已经基于包含多个昆虫的图像的多个图像来教导机器学习算法。
相机获取的图像具有使得能够将一种类型的杂草与另一种类型的杂草区分开的分辨率，以及使得能够将一种类型的作物植物与另一种类型的作物植物区分开的分辨率，以及不仅使得能够检测昆虫还使得能够将一种类型的昆虫与另一种类型的昆虫区分开的分辨率。因此，带有相机的车辆(诸如uav)可在田地周围飞行并获取图像。uav(无人机)可具有全球定位系统(gps)，并且这使得能够确定获取的图像的位置。无人机还可具有例如基于激光陀螺仪的惯性导航系统。惯性导航系统可单独运行，而无需gps，通过确定远离一个或多个已知位置(诸如充电站)的移动来确定无人机获取图像时的位置。相机将获取的图像传递到处理单元。
图像分析软件在处理单元上运行。图像分析软件可使用特征提取(诸如边缘检测)，并且对象检测分析例如可识别诸如建筑物、道路、围墙、树篱等田地之内和周围的结构。因此，基于这些对象的已知位置，处理单元可修补所获取的图像，以有效地创建环境的合成表示，该合成表示可有效地覆盖在该环境的地理地图上。因此，可确定每个图像的地理位置，并且不需要与获取的图像相关联的基于相关联的gps和/或惯性导航的信息。换句话说，可使用基于图像的位置系统来定位无人机。但是，如果有可用的gps和/或惯性导航信息，则不需要仅可基于图像将特定图像放置在特定地理位置的图像分析。虽然，如果基于gps和/或惯性导航的信息可用，则可使用此类图像分析来增强与图像相关联的地理位置。
处理单元因此运行包括机器学习分析器的图像处理软件。获取特定杂草的图像，并使用与杂草的大小有关的信息。可在图像上标记与要在其中发现这种杂草的世界地理位置有关的信息以及与要在一年中发现该杂草的时间有关的信息，包括何时开花的时间等。杂草的名称也可用杂草的图像进行标记。然后基于该地面真实获取的图像训练可基于人工神经网络或决策树分析器的机器学习分析器。这样，当将新的植被图像提供给分析器时(其中这样的图像可具有相关联的时间戳(诸如一年中的时间)和标记到其上的地理位置(诸如德国或南非))，分析器通过将新图像中发现的杂草的图像与经过训练的不同杂草的图像进行比较确定图像中的特定类型的杂草，其中，还可考虑杂草的大小以及它们生长的地点和时间。因此，可确定该杂草类型在环境中地面上的具体位置及其大小。类似地训练在处理单元上运行的机器学习算法或另一种机器学习算法，以基于上述关于杂草的地面真相图像来识别作物植物并检测昆虫并识别昆虫类型。
因此，uav可在田地周围飞行并获取图像，从中可做出是否喷洒植物的决定。该信息然后将由另一辆车辆使用，该车辆具有一个或多个喷枪，进入田地并喷洒已确定需要喷洒的植物，同时不予处理其他植物。类似地，图像获取、处理和喷洒可通过同一平台完成，例如，具有相机、处理单元和喷枪的uav，或具有相机、处理单元和喷枪的陆地机器人。
以此方式，车辆可实时操作以获取图像并喷洒一些植物，同时当车辆检查田地时允许不喷洒其他植物(可能是大多数)。
处理单元可访问包含不同杂草类型、不同类型的作物植物和不同类型的昆虫的数据库。该数据库是根据实验确定的数据编译而成的。
该车辆可以是机器人陆地车辆，图2示出了用于昆虫管理的系统100的示例。系统100包括至少一个相机110，以及如关于与任何一个或多个示例有关的图1所描述的用于昆虫管理的设备10。系统100还包括至少一个喷枪120。至少一个相机110被配置为获取田地的至少一个图像。至少一个喷枪120安装在车辆130上。至少一个喷枪120被配置为喷洒杀虫剂和/或除草剂。设备10被配置为：如果做出要向植物喷洒杀虫剂和/或除草剂的确定，则在植物的位置处激活至少一个喷枪。
根据一个示例，该设备被安装在车辆上，并且至少一个相机被安装在车辆上。
在一个示例中，车辆是机器人陆地车辆。在一个示例中，车辆是uav。
因此，该系统可用于识别杂草(诸如玉米花)并且通常不喷洒杂草，因为已知它将吸引许多蜜蜂(因为它具有花蜜)。但是，如果它处于开花前的生长阶段，但预计在田地中已经存在蚜虫，或者确实在植物上检测到蚜虫，那么如果已知杀虫剂的功效将降低到当玉米花开花并吸引蜜蜂时这些蜜蜂不会被杀死的程度，该植物可用杀虫剂喷洒以杀死蚜虫。而且，可考虑已经超过开花期因此不会吸引授粉者并且然后可用包括系统性杀虫剂的杀虫剂喷洒的杂草。要注意的是，喷洒可在没有授粉者在周围的夜晚进行，但是该系统使得能够在白天进行喷洒，因为可确定识别存在的昆虫。在某些情况下，生物多样性农艺设置可能使杀虫剂仅应用于前哨(sentinel)/牺牲性(sacrificial)植物。
因此，可利用有效的生物多样性和/或农艺设置在田地中对昆虫进行管理，以鼓励有益昆虫(诸如蜜蜂、瓢虫)，同时控制害虫(诸如蚜虫和玉米螟)，并同时鼓励有益植物，该有益植物：为有益昆虫提供饲用价值还在主要作物开花后或开花前为有益昆虫确保食物供应；相对于某些植物/杂草提供持续的根生长，即全年供养土壤生物(土壤寿命)；相对于某些植物/杂草提供深根生长，即松土并在季节晚些时候将多余的水分排入心土；吸引线虫活动，例如以便它们产卵，但随后不供养卵，从而有助于降低下个季节的线虫压力；在季节晚些时候提供地面覆盖(groundcover)，这可减少杂草以及减少风和水侵蚀，并可帮助土壤升温，但不会与作物(天然的种子(underseed))竞争；鼓励风障碍(obstacle)，即例如减少幼龄甜菜的叶子的风侵蚀，这可能特别适用于条状耕作(striptill)。
除了本文档中其他地方描述的内容以外，至少一个生物多样性设置和/或至少一个农艺规则可包括以下一项或多项：
·对有益昆虫的饲用价值－还在主要作物开花后或开花前为有益昆虫确保食物供应；
·相对于某些植物/杂草的持续根生长－全年供养土壤生物(土壤寿命)；
·相对于某些植物/杂草的深根生长－松土并在季节晚些时候将多余的水分排入心土；
·吸引线虫活动，例如以便它们产卵，但随后不供养它们。这可帮助降低下个季节的线虫压力；
·在季节晚些时候地面覆盖，这可减少杂草以及减少风和水侵蚀，并可帮助土壤升温，但不会与作物(天然的种子)竞争。
·鼓励障碍－例如减少幼龄甜菜的叶子的风侵蚀，这可能特别适用于条状耕作。
图3在其基本步骤中示出了用于植物管理特别是昆虫管理的方法200，其中虚线框表示可选步骤。方法200包括：
在提供步骤210(也称为步骤a))中，向处理单元提供田地的至少一个图像；
在分析步骤220(也称为步骤c))中，通过处理单元分析至少一个图像以确定与存在的植物有关的信息；
在确定步骤230(也称为步骤d))中，通过处理单元基于与植物有关的信息确定是否要向植物喷洒杀虫剂和/或除草剂；以及
在输出步骤240(也称为步骤e))中，如果做出要向植物喷洒杀虫剂和/或除草剂的确定，则通过输出单元输出可用于激活至少一个喷枪的信息。
在一个示例中，步骤c)包括步骤c1)分析221至少一个图像以识别植物，并且其中在步骤d)中，与植物有关的信息包括植物的标识。
在一个示例中，步骤c)包括步骤c2)分析222至少一个图像以确定该植物是在田地中生长的作物的标本还是该植物为杂草，并且其中，在步骤d)中，与植物有关的信息包括该植物属于作物的确定或该植物是杂草的确定。
在一个示例中，在步骤c2)中，如果做出植物是杂草的确定，则步骤c2)包括步骤c2a)分析223至少一个图像以确定针对该植物的杂草类型，并且其中，在步骤d)中，与植物有关的信息包括确定的杂草类型。
在一个示例中，在步骤c2a)之后，该方法包括步骤c3)分析224至少一个图像以确定田地的面积中该类型的杂草的数量，并且其中在步骤d)中，与植物有关的信息包括该类型的杂草的数量除以该面积是否超过每单位面积该类型的杂草的阈值数量的确定。
在一个示例中，步骤c)包括步骤c4)分析225至少一个图像以检测植物上的至少一种昆虫，并且其中在步骤d)中，与植物有关的信息包括至少一种昆虫的检测。
在一个示例中，步骤c4)包括步骤c4a)分析226至少一个图像以确定所检测的至少一种昆虫中的一种昆虫的昆虫类型，并且其中在步骤d)中，与植物有关的信息包括该昆虫类型。
在一个示例中，在步骤c4a)之后，该方法包括步骤c5)分析227至少一个图像以确定植物上该类型的昆虫的数量，并且其中在步骤d)中，与植物有关的信息包括所确定的植物上该类型昆虫的数量超过阈值数量。
在一个示例中，在步骤c4a)和/或步骤c5)之后，该方法包括步骤c6)分析228至少一个图像以确定在该田地的面积中具有该类型昆虫的植物的数量，并且其中，在步骤d)中，与植物有关的信息包括确定该面积内具有该类型昆虫的植物的数量除以该面积是否超过阈值数量。
在一个示例中，至少一个图像是由至少一个相机获取的，并且其中，方法包括步骤b)提供250与至少一个相机相关联的在获取至少一个图像时的至少一个地理位置，并且其中，在步骤d)中，与植物有关的信息包括至少一个地理位置。
在该方法的示例中，对至少一个图像的分析包括利用机器学习算法。
现在参考图4和图5更详细地描述用于昆虫管理的设备、系统和方法。
图4示出了在包含作物的田地上飞行的无人飞行器(uav)。作物中也有很多杂草，具有图4中所示的三种特定且不同的杂草类型。一种杂草类型，图4所示的较短的杂草特别有毒，产生大量种子，并可显著影响作物产量并且还吸引蚜虫。含有该作物的田地不应容忍这种杂草。该杂草上有许多蚜虫，如空心椭圆形(openellipse)所示。应控制蚜虫，因为它们会对作物有害，同时应在田地中鼓励蜜蜂。实际上，图4中还示出了第二种杂草类型，即较高的杂草，它可有益于田地中作物的整体生物多样性，并且可吸引蜜蜂，如实心椭圆形所示，其上蚜虫数量较少。该杂草是有益的，前提是每单位面积的该杂草的数量密度低于阈值。第三种杂草类型，其是中等高度，在生长季节后期吸引瓢虫，瓢虫早于蚜虫，此时该植物上有少量蚜虫，但没有瓢虫。还示出该作物的植物为高大的瘦小植物，其中一种植物被蚜虫覆盖，一种植物上有蜜蜂以及，以及一种上有蜜蜂并且其上还有大量的蚜虫。蜜蜂之所以有益，是因为它们可在这个时候以及该季节晚些时候为下一季作物授粉。
uav具有相机，并且当它飞越田地时，获取图像。uav还具有gps和惯性导航系统，这使得既能够确定uav的位置也能够确定相机的朝向(orientation)。根据该信息，可确定图像在地面上的足迹，从而可相对于绝对地理空间坐标来定位该图像中的特定部分(诸如第一杂草类型的示例)，并且可定位昆虫在植物上的位置。由于相机具有非常大的ccd元件，或者使用了图像放大功能或靠近单个植物飞行，因此还以一个分辨率获取图像，该分辨率使得能够在植物的叶子上发现昆虫，甚至能够识别昆虫的类型。由相机获取的图像数据被传送到uav外部的处理单元。处理单元图像使用基于人工神经网络的机器学习算法对图像进行处理，其已在不同类型的杂草、作物植物和昆虫的大量图像示例上进行了训练，以确定所成像的植物是否是作物植物、是否是杂草，以及如果是杂草则确定杂草的类型，以及植物上是否有昆虫以及存在哪些昆虫。然后，处理单元针对世界上该地区的这种作物，在播种和收获之间的生长阶段，利用生物多样性设置和昆虫管理设置，以确定是否应向该植物喷洒杀虫剂和/或除草剂。处理单元使用生物多样性设置和昆虫管理设置来确定是否应向带有特定昆虫的作物植物喷洒杀虫剂、是否应向带有昆虫的杂草喷洒杀虫剂和/或除草剂。还可考虑任何相关联条件(诸如每单位面积的阈值数量密度)来做出是否喷洒植物的决定。
参考关于图4所示和讨论的特定杂草，处理单元确定应向具有很多蚜虫的作物植物喷洒杀虫剂，并向具有很多蚜虫的短而有害的植物喷洒杀虫剂以杀死蚜虫以及喷洒除草剂以杀死植物，以阻止在本季节晚些时候将蚜虫吸引到植物上，还阻止杂草污染收获物。已经确定上面有很多蚜虫和一只蜜蜂的作物植物需要喷洒杀虫剂，因为基于昆虫管理设置，蜜蜂的好处被蚜虫的有害作用所抵消。如果植物上的蚜虫较少，则决定不对植物进行喷洒。有益的高杂草上有很多蜜蜂，而且蚜虫较少，则确定不需要喷洒任何化学品。但是，如果杂草特别有害，污染了收获物，则将做出只用除草剂喷洒植物的决定，杀死杂草但不予处理蜜蜂和蚜虫。对于后来吸引瓢虫但现在有蚜虫的杂草，处理单元根据已知数据评估预期瓢虫何时将抵达作物，并将其与杀虫剂的持效期进行比较，确定现在用杀虫剂喷洒杂草以杀死蚜虫。如果预计瓢虫会更早到达，那么可能还没有做出喷洒该植物的决定。虽然，喷洒的概率随杂草上蚜虫的数量而变化。
如上所述，某些杂草(如果存在的话)可现在和将来帮助供养有益的昆虫，但是也可能杂草的量足够大到污染收获物和/或其每单位的数量密度使得它们对于这种有益昆虫构成太大的食物来源。因此，在每单位面积的特定数量密度(其在不同类型的杂草之间会有所不同)的杂草上，杂草不再对昆虫管理有益，而是对于昆虫管理具有有害价值，并且这种昆虫如何管理与最终收获物有关。因此，处理单元在检测到对有益昆虫有益的特定类型的杂草时，会记录杂草的类型及其位置，并对所有有益的杂草都这样做。但是，如果特定类型杂草的数量密度超过有益效果开始变得有害的每单位面积的该杂草的阈值数量密度，则处理单元确定需要用除草剂喷洒其中一些杂草以杀死这些杂草，作为整个昆虫管理策略的一部分。特定类型的杂草的阈值数量密度可为每平方米0.1(使得在10平方米的作物中允许这种类型的一个(或更少)杂草)、每平方米0.02(使得在25平方米的作物中允许这种类型的一个(或更少)杂草)。可使用杂草的其他阈值数量密度，诸如每平方米5、1、0.5、0.05、0.005、0.001，阈值可高于或低于这些数字。
因此，处理单元考虑是否存在作物植物或杂草以及这些杂草是否存在害虫或有益昆虫，并考虑杂草的类型以及与目前收割的时间有关的信息以及杂草如何在现在和将来对昆虫有益，来生成植物的位置的喷洒图。然后，第二机器人陆地车辆进入该田地，并使用其自身的gps和惯性导航系统移动到需要喷洒的作物植物和杂草的位置，并使用第一喷枪向某些作物植物和某些杂草喷洒杀虫剂。机器人陆地车辆还使用第二喷枪向已经喷洒过杀虫剂的杂草中的一些喷洒除草剂，并向甚至未喷洒杀虫剂的其他杂草喷洒除草剂，作为昆虫管理处理的一部分。
在uav的另一个示例(其可以是图4所示的uav)中，uav本身具有检测和识别作物植物、杂草和昆虫所必要的处理能力，并基于生物多样性设置和昆虫管理设置来确定哪些植物应喷洒杀虫剂和/或除草剂。图4所示的uav则具有使其能够在杂草上喷洒除草剂的化学点喷枪，还具有使其能够在作物植物或杂草上喷洒杀虫剂的化学点喷枪。可将杀虫剂仅喷洒在昆虫所在位置的植物部分上。然后，uav不需要生成喷洒图，但是基于做出的决定，可根据需要立即使用其杀虫剂喷枪和/或除草剂喷枪来喷洒植物。如关于图5更详细地讨论的，在另一个示例中，不需要使用uav，并且机器人陆地车辆可自主地操作以获取并处理图像以向植物喷洒除草剂和/或杀虫剂，包括必要时仅喷洒植物的一部分。
图5示出了带有作物的田地的平面图。未示出大多数作物植物，但仅示出了一些示例以及许多杂草，其中示出了一些作物植物和一些杂草上的昆虫。带有相机和处理单元以及与各自的化学储备链接的除草剂喷枪和杀虫剂喷枪的机器人陆地车辆，在作物田地周围移动。机器人陆地车辆正在执行昆虫管理。它已经完成了大约四分之三的田地，现在正在向该田地的右上四分之一处移动以进行昆虫管理。将要喷洒除草剂的杂草被示出为被大的实心三角形包围，而将要喷洒杀虫剂的植物(无论是作物植物还是杂草)被虚线圆圈包围。田地的右上角示出以下内容：许多作物植物(以实心椭圆形表示)主要具有蜜蜂且不喷洒；许多作物(以空心椭圆形表示)主要是蚜虫，且将要喷洒杀虫剂；有益的杂草(以实心小三角形表示)主要具有蜜蜂，且通常不喷洒，但是这种杂草的数量密度过高，并且这些杂草的一些要喷洒除草剂，以降低其数量密度低于阈值数量密度；在本季节晚些时候吸引掠食性昆虫的有益杂草(示出为空心三角形)上面有很多蚜虫，且通常要喷洒杀虫剂，但是这种杂草的数量密度又太高，其中一种杂草还要喷洒除草剂，以使其数量密度降低到该杂草的阈值以下，该阈值不同于先前杂草的阈值；在本季节晚些时候吸引掠食性昆虫的另一种有益杂草(示出为空心正方形)上面只有几只蚜虫，且不喷洒，以最小化化学品使用；有害杂草(示出为实心正方形)上有许多蚜虫，要喷洒杀虫剂和除草剂；以及一种供养蜜蜂的有益杂草(示出为星型)目前没有昆虫，且不将喷洒。
上面已经针对蚜虫、蜜蜂和瓢虫进行了描述，然而，可基于图像处理，通过有针对性地使用杀虫剂和/或除草剂，以上述方式管理其他害虫和有益昆虫。
进行图像处理以进行分析以确定杂草类型。
现在描述图像如何被处理并被确定为适合图像处理以便可确定杂草类型的特定示例：
1.捕获杂草的数字图像(特别是彩色图像)。
2.在边界轮廓内绘制数字图像内具有预定义颜色和纹理的区域的轮廓。通常，人们可能会从一个杂草植物中获得一个轮廓区域。但是，也可能有不止一个轮廓区域，这些轮廓区域来自不同的(可能未连接的叶子)的两个杂草植物等的。这种检测或确定过程检测数字图像的绿色区域的边界。在这一过程中，可以建立至少一个轮廓区域，例如一个或多个叶子，以及一或多个杂草植物，该轮廓区域包括与边界轮廓内的杂草有关的像素。但是，也可能数字图像捕获了不止一个叶子和/或茎。因此，可以确定不止一个轮廓区域。
3.确定边界轮廓是否覆盖足够大的区域，并确定边界轮廓内的图像数据的清晰度(例如，聚焦度)。这首先确保将存在足够的图像数据，可以基于这些图像数据确定杂草的类型，其次确定为了确保杂草类型，将满足数字图像的最低质量。
4.如果满足3)中的两个标准，则数字图像，特别是边界轮廓内的数字图像被发送到处理单元，以通过人工神经网络进行图像分析，以确定如上所述的杂草类型。
5.类似的图像处理步骤用于从另一种作物植物中确定一种作物植物，并用于检测昆虫和识别昆虫的类型。
在另一个示例性实施例中，提供了一种计算机程序或计算机程序单元，其特征在于被配置为在适当的设备或系统上执行根据前述实施例之一的方法的方法步骤。
因此，计算机程序单元可以存储在计算机单元上，其也可以是实施例的一部分。该计算单元可以被配置为执行或促使执行上述方法的步骤。而且，它可以被配置为操作上述设备和/或系统的组件。计算单元可以被配置为自动操作和/或执行用户的命令。可以将计算机程序加载到数据处理器的工作存储器中。数据处理器因此可以被装备为执行根据前述实施例之一的方法。
本发明的该示例性实施例既涵盖从一开始就使用本发明的计算机程序，又涵盖通过更新将现有程序转变为使用本发明的程序的计算机程序。
此外，计算机程序单元可能能够提供所有必要的步骤，以实现如上所述的方法的示例性实施例的过程。
根据本发明的另一示例性实施例，提出了一种计算机可读介质，诸如cd-rom、usb棒等，其中，该计算机可读介质具有存储在其上的计算机程序单元，该计算机程序单元通过上一节描述。
计算机程序可以被存储和/或分布在合适的介质上，诸如与其他硬件一起提供或作为其一部分提供的光学存储介质或固态介质，但是也可以以其他形式分布，诸如通过互联网或其他有线或无线电通信系统。
但是，计算机程序也可以通过类似万维网的网络来呈现，并且可以从这样的网络下载到数据处理器的工作存储器中。根据本发明的另一示例性实施例，提供了一种用于使计算机程序单元可供下载的介质，该计算机程序单元被布置为执行根据本发明的前述实施例之一的方法。
图6在其基本步骤中示出了用于植物管理特别是杂草管理的方法200，其中实心方框表示必要步骤，而虚线方框表示可选步骤。方法200包括：
在提供步骤210(也称为步骤a))中，向处理单元提供田地的至少一个图像；
在分析步骤220(也称为步骤b)中，通过处理单元分析至少一个图像以确定存在杂草；
在确定步骤230(也称为步骤g))中，通过处理单元确定是否要通过杂草控制技术来控制杂草；以及
在输出步骤240(也称为步骤h))中，如果做出要通过杂草控制技术控制杂草的确定，则通过输出单元输出可用于激活杂草控制技术的信息。
在一个示例中，步骤g)包括步骤g1)应用232至少一个生物多样性设置和/或至少一个农艺规则。
在一个示例中，该方法包括步骤c)为所存在的杂草确定250杂草类型，并且其中，在步骤g1)中，至少一个生物多样性设置和/或至少农艺规则包括将被控制的至少一种杂草的列表，和/或其中，在步骤g1)中，至少一个生物多样性设置和/或至少农艺规则包括将不被控制的至少一种杂草的列表。
在一个示例中，该方法包括步骤d)分析260至少一个图像以确定面积中存在的杂草的数量，并且其中，在步骤g1)中，至少一个生物多样性设置和/或至少一个农艺规则包括每单位面积的杂草的阈值数量，并且其中，在步骤g)中，要控制的杂草的确定包括杂草的数量除以该面积超过每单位面积的杂草的阈值数量。
在一个示例中，步骤d)包括分析262至少一个图像以确定面积中存在特定类型的杂草的数量，并且其中，在步骤g1)中，至少一个生物多样性设置和/或至少一个农艺规则包括每单位面积该类型杂草的阈值数量，并且其中，在步骤g)中，要控制的杂草的确定包括特定类型的杂草的数量除以该面积超过每单位面积的该类型的杂草的阈值数量。
在该方法的示例中，当该类型杂草在将不被控制的杂草的列表中时，当该类型杂草的数量除以该面积超过每单位面积该类型杂草的阈值数量时，该类型杂草受到控制。
在一个示例中，该方法包括步骤e)分析270至少一个图像以确定杂草在至少一个图像中的位置。
在一个示例中，至少一个图像是由至少一个相机获取的，并且其中，该方法包括步骤f)提供280与至少一个相机相关联的在获取至少一个图像时的至少一个地理位置。
在该方法的示例中，对至少一个图像的分析包括利用机器学习算法。
现在参考图4和图5更详细地描述用于杂草管理的设备、系统和方法。
图7示出了在包含作物的田地上飞行的无人飞行器(uav)。作物中也有很多杂草，具有图7中所示的两种特定且不同的杂草类型。一种杂草类型，图7所示的较高的杂草是特别有毒的，产生大量种子，并可显著影响作物产量。含有该作物的田地不应容忍这种杂草。但是，图7中示出了第二种杂草类型，即较短的杂草，它可有益于田地中作物的整体生物多样性，前提是每单位面积的该杂草的数量密度低于阈值。还有第三种杂草类型，在图7中未示出，也可容忍这种杂草类型，但是每单位面积的数量密度不同于第二杂草类型。
uav具有相机，并且当它飞越田地时，获取图像。uav还具有gps和惯性导航系统，其使得既能够确定uav的位置也能够确定相机的朝向。根据该信息，可确定图像在地面上的足迹，从而可相对于绝对地理空间坐标来定位该图像中的特定部分(诸如第一杂草类型的示例)。由相机获取的图像数据被传送到uav外部的处理单元。处理单元图像使用基于人工神经网络的机器学习算法对图像进行处理，其已在不同类型的杂草的大量图像示例上进行了训练，以确定是否存在杂草并确定杂草类型。然后，处理单元针对世界上该地区的这种作物，在播种和收获之间的生长阶段，利用生物多样性设置。处理单元使用生物多样性设置来确定是否不能容忍特定的杂草或者是否能容忍其他特定的杂草，以及如果是，是否存在任何相关联条件，例如每单位面积的阈值数量密度。参考关于图4所示和讨论的特定杂草，处理单元确定需要摧毁所有检测到的第一杂草类型的示例。处理单元确定可以允许第二杂草类型以低于每平方米0.1的数量密度(使得在10平方米的作物中允许这种类型的一个(或更少)杂草)。处理确定可以允许第三杂草类型以低于每平方米0.02的数量密度(使得在25平方米的作物中允许这种类型的一个(或更少)杂草)。可使用杂草的其他阈值数量密度，诸如每平方米5、1、0.5、0.05、0.005、0.001，并且阈值可高于或低于这些数字。处理单元生成需要摧毁的杂草的位置的杂草图。然后，第二机器人陆地车辆进入田地，并使用其自己的gps和惯性导航系统移动到需要摧毁的杂草的位置，并使用机械工具从地面上抽取杂草。
在uav的另一个示例(其可以是图7所示的uav)中，uav本身具有检测和识别杂草所必要的处理能力，并基于生物多样性设置来确定应摧毁哪些杂草。图4所示的uav则具有使其能够在杂草上喷洒除草剂的化学点喷枪。然后，uav不需要生成杂草图，但是基于检测到的杂草类型(诸如第一杂草类型)，立即降落到杂草上并向其喷洒除草剂。然而，对于第二和第三类型的杂草，由于数量密度低于相应的阈值，因此，uav会记录已确定可幸存的这种类型的杂草的位置。因此，当它检测并识别出第二或第三杂草类型的新示例时，它可使用先前检测到且未被摧毁的示例的存储位置来确定杂草的新示例是否会将局部数量密度推至阈值之上，在其上无人机降落并喷洒杂草，或者可幸存，在这种情况下，它记录其位置并进行询问和杂草管理田地。要注意的是，机器人陆地车辆还可具有相机和处理单元，并且以与针对uav所述的类似的方式执行实时杂草控制。
在另一个示例中，uav只是将杂草检测为不是作物植物的植物，并摧毁了除这些杂草之外的所有杂草，以在作物中每单位面积上或者在田地中留有一定数量的杂草。例如，可确定摧毁检测出的每十个杂草中的九个(或100个中的99个)，以留有田地中原始杂草的十分之一(或1％)，而与杂草无关，或留有田地中每平方米0.1杂草。因此，以这种方式，不需要识别杂草的类型或使用生物多样性设置。
图8示出了带有作物的田地的平面图。作物本身未示出。在作物中，第一杂草类型示出为正方形，这是不允许的。第二杂草类型示出为椭圆形，第三杂草类型示出为三角形。示出了机器人陆地车辆，该车辆在田地周围逐渐移动，获取作物和杂草的图像，进行检测和识别，并基于生物多样性设置正在消灭杂草或允许某些的示例杂草得以幸存。机器人陆地车辆以与上述针对uav描述的类似方式实时执行该杂草管理，并在必要时向杂草喷洒除草剂以杀死它们。机器人陆地车辆已经在农田的四分之三以上管理了杂草。它摧毁了第一杂草类型的所有示例，但是让一定数量的第一和第二杂草类型得以幸存，这些都示出在该田地的“杂草管理”部分。在该田地的右上角，示出了尚未进行杂草管理的部分作物。在田地的该部分中，存在第一、第二和第三杂草类型的示例。当机器人陆地车辆进入田地的该部分时，它会对杂草进行成像、检测和识别，并基于生物多样性设置是否向其喷洒除草剂。虚线所示为将要检测、识别和允许幸存的杂草的具体示例。对田地进行杂草管理后，剩余的杂草不会对作物的产量产生负面影响，但是会通过例如吸引昆虫、在其根部固定有益化学品、由于在田地边缘需要花带而增加作物大小等方式提供有益的生物多样性作用，导致除草剂用量的减少，并通常为公众提供积极的农业耕作。
必须注意，参考不同的主题描述了本发明的实施例。特别地，参考方法类型权利要求描述了一些实施例，而参考设备类型权利要求描述了其他实施例。然而，本领域技术人员将从以上和以下描述中得出，除非另行通知，否则除了属于一种类型的主题的特征的任何组合之外，与不同主题有关的特征之间的任何组合也被认为是在本申请中公开的。但是，可以组合所有特征以提供协同效果，而不仅仅是这些特征的简单求和。
尽管已经在附图和前面的描述中详细地图示和描述了本发明，但是这样的图示和描述应被认为是说明性或示例性的而不是限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求，本领域技术人员在实践要求保护的发明时可以理解和实现所公开的实施例的其他变型。
在权利要求中，词语“包括”不排除其他元素或步骤，并且不定冠词“一”或“一个”不排除多个。单个处理器或其他单元可以实现权利要求中列举的若干项的功能。在相互不同的从属权利要求中引用某些措施这一事实，并不表示不能利用这些措施的组合来获得好处。权利要求中的任何附图标记都不应被解释为限制范围。
1.一种用于植物管理的设备(10)，包括：
输入单元(20)；
处理单元(30)；以及
输出单元(40)；
其中，所述输入单元被配置为向所述处理单元提供田地的至少一个图像；
其中，所述处理单元被配置为分析所述至少一个图像，以确定与存在的植物有关的信息；
其中，所述处理单元被配置为基于与所述植物有关的所述信息来确定是否要通过植物控制技术来控制所述植物；以及
其中，如果确定要通过所述植物控制技术来控制所述植物，则所述输出单元被配置为输出可用于激活所述植物控制技术的信息。
2.根据权利要求1所述的设备，
其中，确定是否要控制所述植物包括：应用至少一个生物多样性设置和/或至少一个农艺规则。
3.根据权利要求1-2中的任一项所述的设备，
其中，所述处理单元被配置为分析所述至少一个图像以识别所述植物，并且其中，与所述植物有关的所述信息包括所述植物的标识。
4.根据权利要求1-3中的任一项所述的设备，
其中，所述处理单元被配置为分析所述至少一个图像以确定所述植物是在所述田地中生长的作物的标本还是所述植物是杂草；以及
其中，与所述植物有关的所述信息包括：所述植物属于所述作物的确定或所述植物是杂草的确定。
5.根据权利要求4所述的设备，
其中，如果确定所述植物是杂草，则所述处理单元被配置为分析所述至少一个图像以针对所述植物确定杂草类型；以及
其中，与所述植物有关的所述信息包括所确定的杂草类型。
6.根据权利要求5所述的设备，
其中，所述处理单元被配置为分析所述至少一个图像以确定在所述田地的面积中的杂草数量，特别是该类型的杂草的数量；以及
其中，与所述植物有关的所述信息包括：确定该类型的杂草的数量除以所述面积是否超过每单位面积的该类型的杂草的阈值数量。
7.根据权利要求2-6中的任一项所述的设备，
其中，所述至少一个生物多样性设置和/或至少一个农艺规则包括将要被控制的至少一种杂草的列表和/或将不被控制的至少一种杂草的列表；以及
其中，当所述杂草类型在所述将不被控制的杂草的列表上时，当该类型的杂草的数量除以所述面积超过每单位面积的该类型的杂草的所述阈值数量时，控制所述杂草类型。
8.根据权利要求1-7中的任一项所述的设备，
其中，所述处理单元被配置为分析所述至少一个图像以检测所述植物上的至少一种昆虫；以及
其中，与所述植物有关的所述信息包括对所述至少一种昆虫的检测。
9.根据权利要求8所述的设备，
其中，所述处理单元被配置为分析所述至少一个图像以确定所检测的至少一种昆虫中的昆虫的昆虫类型；
其中，与所述植物有关的所述信息包括所述昆虫类型，
其中，特别地，所述处理单元被配置为分析所述至少一个图像以确定所述植物上该类型的昆虫的数量，并且与所述植物有关的所述信息包括所确定的所述植物上该类型的昆虫的数量超过阈值数量，以及
其中，进一步特别地，所述处理单元被配置为分析所述至少一个图像以确定在所述田地的面积中具有该昆虫类型的植物的数量，并且与所述植物有关的所述信息包括：确定在该面积中具有该昆虫类型的植物的所述数量除以所述面积是否超过阈值数量。
10.根据权利要求1-9中的任一项所述的设备，
其中，所述至少一个图像是由至少一个相机获取的；以及
其中，所述输入单元被配置为向所述处理单元提供在获取所述至少一个图像时与所述至少一个相机相关联的至少一个地理位置。
11.根据权利要求1-10中任一项所述的设备，
其中，分析所述至少一个图像包括利用机器学习算法。
12.一种用于植物管理的系统(100)，包括：
至少一个相机(110)；
根据权利要求1-11中的任一项所述的用于植物管理的设备(10)；以及
至少一种植物控制技术(120)；
其中，所述至少一个相机被配置为获取所述田地的所述至少一个图像；
其中，所述至少一种植物控制技术被安装在车辆(130)上；以及
其中，所述设备被配置为如果确定要控制所述植物，则在所述植物的位置处激活所述至少一种植物控制技术。
13.根据权利要求12所述的系统，
其中，所述设备被安装在所述车辆上；并且其中，所述至少一个相机被安装在所述车辆上。
14.一种用于植物管理的方法(200)，包括：
a)向处理单元提供(210)田地的至少一个图像；
b)由所述处理单元分析(220)所述至少一个图像，以确定与存在的植物有关的信息。
c)由所述处理单元基于与所述植物有关的所述信息确定(230)是否要通过植物控制技术来控制所述植物；以及
d)如果确定要控制所述植物，则由输出单元输出(240)可用于激活所述植物控制技术的信息。
15.一种用于控制根据权利要求1-11中的任一项所述的设备和/或根据权利要求12-13中的任一项所述的系统的计算机程序单元，其在由处理器执行时被配置为执行根据权利要求14所述的方法。
技术总结