本发明属于植被监测与分析，具体涉及一种基于轻量级ai模型的无人机实时植被分类系统及其方法。特别是一种能够在有限计算资源条件下，实现植被类型、密度和健康状况实时分析，并具有自适应飞行路径调整和资源优化能力的技术方案。
背景技术：
1、植被监测是生态环境调查、农业管理和自然资源保护的重要环节。近年来，随着无人机技术的发展，基于无人机的植被监测方法日益受到关注。相比传统方法，无人机具有机动灵活、成本适中、高分辨率成像等优势，能够在云层下方飞行，不受天气条件限制，适合进行局部区域的精细化植被监测。目前，无人机植被监测主要采用以下几种技术路线：
2、一是基于后处理的方法，即无人机仅负责数据采集，将获取的影像数据传回地面后再进行处理分析。这种方法虽然可以利用地面强大的计算资源进行复杂分析，但无法实现实时反馈和智能决策，植被状况异常区域无法得到及时关注，效率较低。
3、二是基于简单指标的实时分析方法，即在无人机上集成简单的植被指数计算模块，实时生成如ndvi等指标的分布图。这种方法虽然能够提供一定的实时信息，但分析深度有限，难以识别具体的植被类型和健康状况。
4、三是利用高性能计算平台的复杂分析方法，即在无人机上搭载高性能计算设备如gpu，运行复杂的分析算法。这种方法虽然分析能力强，但设备成本高、功耗大、续航时间短，限制了其实际应用范围。
5、随着边缘计算和深度学习技术的发展，在无人机上部署轻量级ai模型进行实时植被分析成为可能。然而，现有技术仍面临以下挑战：
6、1.计算资源受限：无人机平台空间、重量和功耗限制，难以搭载高性能计算设备；依赖云端计算处理，受限于网络连接质量，难以实现真正的实时响应。
7、2.深度学习模型体积大：常规深度学习模型计算复杂度高、存储需求大，难以在边缘设备上高效运行。
8、3.数据处理效率低：专注于固定飞行路径的数据收集，未能根据识别结果动态调整采样策略，实时影像数据处理流程优化不足，难以满足实时分析需求。现有的轻量级算法实现主要针对特定植物种类的识别，缺乏综合分类系统。
9、4.飞行路径规划静态化：预设飞行路径难以根据实时发现的植被状况进行智能调整。
10、5.能源管理低效：无法根据电池状态和任务优先级动态优化数据采集策略。
11、目前尚未有基于无人机现有处理能力，将实时植被分类与自适应飞行路径调整相结合的系统，这种结合可以在不增加硬件成本的前提下，显著提高数据采集效率，优化资源利用，并提高分类准确性。因此，亟需一种能够在有限计算资源条件下实现高效植被分析，并具备智能决策能力的无人机系统。
技术实现思路
1、本发明的目的在于克服现有技术中的缺陷，并提供一种基于轻量级ai模型的无人机实时植被分类系统及其方法。本发明通过边缘计算与优化的深度学习模型相结合，实现在资源受限条件下的高效植被分析，并具备自适应飞行路径规划与资源优化能力，在不依赖额外边缘计算硬件的情况下，解决现有技术中存在的问题，实现高效率、高精度的植被分类和数据采集。本发明能够克服传统植被调查方法效率低下的问题，优化数据采集过程，提高植被分类的精确度和覆盖效率，同时减少不必要的飞行时间和能源消耗，适用于农业监测、林业管理和生态保护等多个领域。
2、本发明所采用的具体技术方案如下：
3、第一方面，本发明提供了一种基于轻量级ai模型的无人机实时植被分类系统，包括：
4、系统配置与初始化模块，用于选择无人机平台或集成伴生设备，配置相机传感器，设置初始路径参数，加载优化的轻量级ai模型，通过sdk与飞控系统建立连接；
5、轻量级ai模型开发模块，用于设计模型，采用8位整数量化减少计算需求，应用剪枝技术移除低贡献神经元，优化编译，通过迁移学习微调预训练模型；
6、实时数据处理模块，用于获取图像数据流并进行预处理，应用光照校正算法，输入模型推理生成植被类型、密度和健康状况分类结果，计算置信度分布；
7、植被特征体系模块，用于提取植被特征，标准化处理消除量纲影响，结合gps建立地理空间数据库；
8、特征优化选择模块，用于应用递归特征消除算法评估重要性，构建候选特征子集，通过交叉验证测试不同组合性能，选择最优特征子集提高推理速度；
9、模型训练评估模块，用于按分层随机抽样划分数据集，基于优选特征训练轻量级ai模型，使用指标评估性能，通过交叉验证优化参数平衡性能和速度；
10、自适应飞行调整模块，用于制定基于所述分类结果的决策规则以动态调整飞行参数，根据区域价值程度优化采样密度，执行边界跟踪模式，基于电池状态优化采集策略；
11、系统性能监控模块，用于监测推理延迟、帧率和内存占用，根据处理延迟自动调整参数或分辨率，监控温度调节频率，记录低置信度样本用于后期改进；
12、结果映射生成模块，用于实时更新植被分布地图，进行空间聚类生成分布边界，创建健康状况热图，标记异常区域计算范围，生成综合分析报告；
13、电池优化管理模块，用于监控电量以确定区域扫描顺序，动态调整任务优先级和采样密度，建立价值评分机制最大化数据采集价值，保留安全返航电量，提供任务中断恢复机制。
14、作为优选，所述轻量级ai模型开发模块具体如下：
15、基于选自mobilenet系列、efficientnet系列、shufflenet系列和squeezenet系列中的一种或多种轻量级卷积神经网络架构，并通过将32位浮点数权重转换为8位整数的模型量化技术降低至少50％的计算复杂度和内存占用；通过基于敏感度分析的模型剪枝技术，移除对分类精度贡献率低于预定阈值的神经元连接；采用tensorflow lite、pytorchmobile或onnx runtime移动端推理框架进行计算图优化；实施算子融合以减少中间数据传输开销；针对arm架构处理器进行指令集优化，实现simd并行计算；应用计算缓存机制，减少重复计算。
16、作为优选，所述实时数据处理模块中，图像预处理包括：
17、将获取的原始图像按保持宽高比的方式缩放至模型输入尺寸；执行基于滑动窗口或网格划分的图像分区采样；采用均值归一化或z-score标准化方法进行像素值归一化；应用基于直方图均衡化的光照不均匀校正算法；以及执行阴影检测与补偿处理。
18、作为优选，所述植被特征体系模块中，植被特征包括：
19、光谱特征子集包括归一化差值植被指数、增强型植被指数、红边位置指数、光化学反射指数和绿度指数；纹理特征子集包括灰度共生矩阵导出的能量、对比度、相关性和熵，边缘密度分布，以及局部二值模式特征；形态特征子集包括冠幅尺寸参数、形状复杂度指数、边界不规则性、分形维数及其生长模式特征；时空特征子集包括多时相变化率和空间连续性指标。
20、作为优选，所述特征优化选择模块具体如下：
21、应用基于xgboost的递归特征消除算法评估各特征对植被分类的重要性贡献，通过特征重要性计算公式评定各特征的贡献度，该公式为
22、importance(i)＝∑jgain(j,i)/∑j∑kgain(j,k)，
23、其中importance(i)为特征i的重要性得分，gain(j,i)为特征i在决策树j中的增益贡献；基于特征重要性的降序排列，逐步构建候选特征子集f_k＝{f_1,f_2,...,f_k}，其中k为子集特征数量；采用五折交叉验证方法，系统性测试不同特征组合在验证集上的分类性能与计算效率；选择在验证集上f1分数最高且维度最低的特征子集f_opt，以简化模型复杂度、减少计算量并提高实时推理速度；以及维护特征重要性动态更新机制，定期基于新采集的样本重新评估特征贡献度，适应植被季节性变化特征。
24、作为优选，所述模型训练评估模块具体如下：
25、将收集的公开数据集和自采集数据集中的植被样本数据集按照8:2的比例进行分层随机抽样，确保训练集与验证集中各类植被样本的分布比例一致；基于特征优化选择模块筛选的最优特征子集f_opt，训练轻量级分类模型；应用focal loss损失函数处理样本类别不平衡问题，损失函数表达式为：
26、fl(pt)＝-αt(1-pt)^γlog(pt)
27、其中fl(pt)为focal loss损失值，pt为类别t的预测概率，αt为类别t的权重因子，γ为聚焦参数；
28、采用包括混淆矩阵、精确率p、召回率r和f1分数在内的指标全面评估模型性能，其中：
29、p＝tp/(tp+fp)，p为精确率，tp为真阳性，fp为假阳性；
30、r＝tp/(tp+fn)，r为召回率，tp为真阳性，fn为假阴性；
31、f1＝2·p·r/(p+r)，f1为f1分数，p为精确率，r为召回率；
32、以及使用adam优化器进行模型训练，初始学习率设为0.001，并采用余弦退火策略动态调整学习率，其调整公式为：
33、η_t＝η_min+0.5(η_max-η_min)(1+cos(t·π/t))，
34、其中η_t为第t轮迭代的学习率，η_min为最小学习率，η_max为最大学习率，t为总迭代轮数，通过交叉验证优化模型参数，在预测精度与推理速度之间取得最佳平衡。
35、作为优选，所述自适应飞行调整模块具体如下：
36、基于植被类型重要性评分和健康状况异常度，计算当前扫描区域的综合价值系数；针对价值系数超过第一预设阈值的高价值区域，通过无人机控制接口将飞行高度降低至15-30米范围，将飞行速度降低至2-5米/秒范围，并将图像采样间隔减小至标准间隔的30％-50％；针对价值系数低于第二预设阈值的低价值区域，将飞行高度提升至50-80米范围，将飞行速度提高至8-12米/秒范围，并将图像采样间隔增大至标准间隔的150％-200％；当系统检测到植被类型边界转换概率超过预设阈值时，触发边界跟踪模式，执行沿边界走向的s型或z型扫描路径；以及根据电池剩余容量百分比、剩余任务区域面积和区域价值分布，动态规划最优化的剩余飞行路径。
37、作为优选，所述系统性能监控模块具体如下：
38、构建包含模型推理延迟、图像处理帧率、cpu/gpu利用率、内存占用率和功耗数据的实时性能监测模块；当连续检测到处理延迟超过预设阈值的持续时间达到预定周期时，自动触发自适应降级策略，包括降低图像采集分辨率、降低处理帧率或切换至更轻量级的备用模型；实施基于温度阈值的动态频率调节机制，当系统核心温度超过第一安全阈值时降低处理器时钟频率，当超过第二安全阈值时暂停非关键计算任务；自动记录分类置信度低于60％的图像样本及其对应的地理位置和环境参数，用于后期模型改进；以及根据环境光照条件、温度变化和任务类型，从预配置的模型库中动态选择最优模型配置。
39、作为优选，所述结果映射生成模块具体如下：
40、基于地理定位数据和分类结果数据构建地理信息系统兼容的矢量数据层；应用空间聚类算法，包括基于密度的dbscan或基于网格的sting算法，对分类结果进行空间聚合，生成具有明确边界定义的植被类型分布多边形；
41、根据健康状况分类结果和严重程度评分，构建采用标准化色谱的植被健康状况热图，其中不同颜色代表不同的健康等级；应用空间异常检测算法标记并量化偏离正常分布范围的异常区域，计算其精确地理范围和面积；以及生成包含植被类型空间分布图、物种多样性指数分布图、健康状况评估热图和基于规则引擎的管理建议在内的多层次综合报告。
42、作为优选，所述电池优化管理模块具体如下：
43、通过电池管理系统接口实时监控电池电量、放电率和剩余可用时间，并在电量低于30％的预设阈值时触发优先级重排序机制；采用动态规划算法，基于剩余电量、区域价值分布和预估功耗模型，实时计算并更新最优化的剩余任务执行序列；实施基于多因素加权的区域价值评分机制，综合考虑植被类型稀有度、健康状况异常程度、空间分布特征和用户预定义的优先级；在算法上保证至少20％的剩余电量用于安全返航，并根据当前风速、飞行高度和距离动态调整这一安全阈值；以及构建断点续飞机制，记录任务中断时的精确位置、剩余区域边界和已完成区域的质量评估，并在任务恢复时自动生成优化的续飞路径，确保数据采集的完整性和连续性。
44、第二方面，本发明提供了一种利用第一方面任一项所述无人机实时植被分类系统的自适应飞行路径调整方法，具体如下：
45、基于所述系统配置与初始化模块，选择具备arm架构处理器的计算平台，安装分辨率不低于1080p的多光谱相机或rgb相机，建立与飞行控制系统的通信接口，以配置无人机系统；
46、基于所述轻量级ai模型开发模块，训练和优化的轻量级ai模型；该模型采用量化压缩和结构剪枝处理，以适应边缘计算环境的资源约束；
47、基于所述轻量级ai模型开发模块，通过相机以预定帧率采集实时图像数据流；对所采集的图像数据执行预处理操作，预处理操作包括空间分辨率调整、几何校正、辐射校正和特征增强处理；将预处理后的图像数据输入所述轻量级ai模型，执行前向推理计算，生成包含植被类型识别结果、覆盖密度估计和健康状况评级的多维分类输出；
48、基于所述自适应飞行调整模块和所述电池优化管理模块，根据分类输出和预定义的决策规则，计算当前区域的价值评分，并据此通过无人机控制协议动态调整包括飞行高度、速度、航向和采样间隔在内的参数；
49、基于所述结果映射生成模块，整合分类结果数据与地理坐标信息，构建具有空间参考系统的植被分布地图，并生成包含定量分析结果和管理建议的综合性报告；
50、系统配置与初始化模块作为整个系统的起点，通过加载优化的轻量级ai模型与轻量级ai模型开发模块建立直接联系，同时通过sdk接口连接飞控系统为自适应飞行调整模块提供基础；实时数据处理模块接收配置好的相机传感器数据流，将预处理后的图像输入ai模型进行推理，生成的分类结果同时流向植被特征体系模块和自适应飞行调整模块；植被特征体系模块提取的标准化特征被特征优化选择模块评估筛选，形成最优特征子集，这些最优特征子集又被模型训练评估模块用于改进ai模型性能；自适应飞行调整模块根据分类结果动态调整飞行参数，与电池优化管理模块协同工作确保采样效率和电池利用最大化；系统性能监控模块持续评估各组件运行状态，向实时数据处理模块和自适应飞行调整模块提供反馈以优化系统参数；结果映射生成模块利用来自实时数据处理和植被特征体系的信息，创建并更新植被分布地图，同时向自适应飞行调整模块提供区域重要性评估；整个系统形成了一个闭环反馈机制，各模块相互支持、协同运作，实现了植被监测系统的高效、智能和自适应运行。
51、本发明相对于现有技术而言，具有以下有益效果：
52、(1)实现了轻量级深度学习模型在资源受限的无人机平台上的高效部署，通过模型量化和剪枝技术显著降低了计算复杂度和存储需求，使复杂植被分析成为可能；轻量级ai模型优化，充分利用现有无人机处理器资源，无需额外边缘计算设备，降低成本和重量；
53、(2)建立了从原始图像到植被分类结果的完整实时处理流程，优化了图像预处理、特征提取、模型推理等环节的效率，实现了植被类型、密度和健康状况的实时分析；通过针对高价值区域的详细检查，获取更高质量的数据，提高植被分类的准确性；
54、(3)创新性地实现了基于分类结果的自适应飞行路径调整，针对不同价值区域动态调整飞行参数，提高了数据采集效率和关注度；基于实时植被分类结果动态调整飞行参数，优化数据采集策略，减少不必要的飞行时间；
55、(4)设计了完善的系统性能监控与优化机制，实现了对计算资源的智能管理，确保系统在各种条件下的稳定运行；智能调整飞行路径，减少总飞行距离和低价值区域的详细扫描，延长有效工作时间；
56、(5)开发了电池优化与任务管理策略，通过区域价值评分和动态规划算法，在有限电量条件下最大化数据采集价值，同时确保飞行安全；
57、(6)构建了植被分布映射与结果生成流程，提供了直观的空间分布可视化和管理建议，便于最终用户理解和决策；
58、(7)系统可应用于农业监测、林业管理、生态保护等多个领域，通过不同模型的部署满足各种植被分类需求；轻量级模型设计支持在不同性能等级的无人机平台上部署，从商用高端无人机到低成本diy方案均可实现；
59、本发明适用于生态调查、精准农业、林业管理、自然保护区监测等领域，能够提供高效、精准的植被分析服务，具有广阔的应用前景。