简介这份资源是一套基于Python实现的无人机病虫害智能识别与精准施药系统面向计算机、人工智能、农业工程等专业的学生与开发者可用于毕业设计、课程设计或项目开发练手帮助解决农田病虫害自动检测与变量施药的实际问题。压缩包共25个文件约4.74MB以15个py源码文件为核心辅以6个pyc编译文件、2个txt说明、1份pdf项目文档和1份license涵盖模型定义、数据集加载、训练引擎、采样器与分类推理等模块目录结构清晰便于按功能定位代码。资源描述显示源码已通过严格测试可放心参考并在此基础上延伸使用项目文档对系统整体方案做了说明。目前已有61人学习关注。读者可从中获得完整的识别与施药流程实现、可复用的训练与推理脚本、模型与数据处理代码以及项目文档带来的方案梳理适合作为二次开发与论文撰写的参考起点。1. 从一张叶片照片到一次变量喷洒这套系统到底在解决什么植保飞防的痛点从来不是“飞不起来”而是“飞了但打错药、打错量”。我见过太多团队把无人机当成会飞的喷雾器起飞前拍几张照片落地后人工翻图判断有没有病斑再凭经验决定喷多少。这套流程在几十亩地里还能凑合一旦上到几百亩连片种植人工判图的速度根本追不上病虫害扩散的速度更别提“精准施药”这四个字了。基于 Python 实现的无人机病虫害智能识别与精准施药系统本质是把三件事串成一条闭环机载或航拍影像里的病斑被模型识别出来识别结果被换算成田块级的处方图处方图再驱动变量喷洒机构按需下药。它适合做毕业设计、课程设计的学生也适合想给现有飞防队加一层“视觉大脑”的工程团队。Python 在这里不是噱头而是因为它把 OpenCV、PyTorch、GDAL、pymavlink 这些库粘在一起最省事从读图到出喷洒指令一条脚本链路就能跑通。下面我按“数据怎么来、模型怎么训、处方图怎么生成、喷洒怎么联动”这条线把能复现的细节摊开讲。2. 影像采集与数据集构建别让第一帧就埋雷2.1 无人机影像的采集参数怎么定病虫害识别模型的上限在快门按下的那一刻就决定了。我一般会按下面的参数表来设这套参数在玉米、小麦、柑橘上都跑过泛化性还算稳。参数项推荐值说明飞行高度38 m低于 3 m 效率太低高于 8 m 单株病斑像素不足重叠率航向 75%、旁向 65%保证拼接后无空洞病斑不被裁断光照条件10:0014:00 晴天阴影少颜色阈值稳定相机设置快门优先 1/800s 以上防止运动模糊模糊图直接废分辨率单张 ≥ 2000 万像素病斑在图上至少占 30×30 像素采集时最容易翻车的是“只拍病株不拍健康株”。模型没见过健康叶片上线后会把所有绿色都判成病。我的做法是每个田块按“病、健、疑似”三类各采 200 张以上疑似样本专门用来磨模型的决策边界。2.2 用 Python 做数据清洗与增强原始影像里混着模糊、过曝、重复帧直接拿去标注就是给后面埋雷。下面这段脚本做三件事拉普拉斯方差筛模糊、直方图均衡化、随机旋转裁剪增强。import cv2 import numpy as np import os import random def is_blurry(image, threshold100): 拉普拉斯方差小于阈值判定为模糊 gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) return cv2.Laplacian(gray, cv2.CV_64F).var() threshold def clean_and_augment(src_dir, dst_dir, target_size(640, 640)): os.makedirs(dst_dir, exist_okTrue) for fname in os.listdir(src_dir): img cv2.imread(os.path.join(src_dir, fname)) if img is None or is_blurry(img): continue # 模糊图直接丢弃 # 直方图均衡化缓解逆光导致的对比度不足 img_yuv cv2.cvtColor(img, cv2.COLOR_BGR2YUV) img_yuv[:, :, 0] cv2.equalizeHist(img_yuv[:, :, 0]) img cv2.cvtColor(img_yuv, cv2.COLOR_YUV2BGR) # 随机旋转 ±15 度 中心裁剪 angle random.uniform(-15, 15) h, w img.shape[:2] M cv2.getRotationMatrix2D((w // 2, h // 2), angle, 1.0) img cv2.warpAffine(img, M, (w, h), borderModecv2.BORDER_REFLECT) img cv2.resize(img, target_size) cv2.imwrite(os.path.join(dst_dir, fname), img) clean_and_augment(./raw_images, ./clean_images)逻辑说明is_blurry用拉普拉斯算子响应方差衡量清晰度阈值 100 是经验值低于它说明高频细节丢失病斑边缘会糊成一团。直方图均衡化只对 YUV 的亮度通道做避免色相偏移把病斑颜色改掉。旋转用BORDER_REFLECT填充边缘比补零更接近真实背景。参数上target_size设成 640×640 是为了对齐 YOLO 系列的输入如果你用 Faster R-CNN 可以改成 800×1333。注意增强后的图必须和原图分开存标注时只标原图增强图继承标注文件否则同一张病斑会被重复计数。2.3 标注格式与类别体系类别体系别贪多。我见过有人把“早期斑、中期斑、晚期斑、疑似斑”分成四类结果每类样本不到 50 张模型直接学废。常见做法是按“病害类型 严重度”两级来分比如rust_mild、rust_severe、healthy严重度只分轻中重三档。标注用 LabelImg 出 YOLO 格式的 txt每行class_id x_center y_center width height坐标全部归一化到 01。标完抽查 10% 的框重点看有没有把叶脉阴影框成病斑这种误标对模型的伤害比漏标还大。3. 病虫害识别模型从 YOLOv8 训练到边缘部署3.1 为什么选 YOLOv8 而不是分类网络病虫害识别有两个任务层次一是“这张图有没有病”二是“病斑在哪、多大”。分类网络只能回答第一个而精准施药需要病斑的位置和面积来算药量所以必须用检测网络。YOLOv8 在速度和精度上比较平衡n 版本在 Jetson Nano 上能跑到 15 FPS 左右够无人机实时处理。如果你用两阶段检测器精度可能高 23 个点但推理速度掉一半机载端扛不住。3.2 训练脚本与关键参数from ultralytics import YOLO # 加载预训练权重n 版本适合边缘设备 model YOLO(yolov8n.pt) results model.train( datapest_data.yaml, # 数据集配置文件 epochs150, imgsz640, batch16, lr00.01, # 初始学习率 lrf0.01, # 最终学习率 lr0 * lrf momentum0.937, weight_decay0.0005, warmup_epochs3, # 前 3 轮预热防止早期震荡 augmentTrue, # 开启 mosaic、mixup 增强 device0, # 用 GPU 0 patience30 # 30 轮无提升则早停 )逻辑说明lr00.01配合lrf0.01做余弦退火前期快速下降后期微调。warmup_epochs3很关键病虫害数据集通常只有几千张不加预热前几轮 loss 会炸。patience30是后悔药防止过拟合后还在傻跑。pest_data.yaml里要写清train、val路径和names类别名路径用绝对路径相对路径在服务器上经常找不到。3.3 训练过程怎么判断有没有学歪看三个信号box_loss和cls_loss是否同步下降如果 cls 降但 box 不降说明分类学明白了但定位没学会多半是标注框太松mAP50在 20 轮内没到 0.5检查类别是否失衡验证集 loss 开始上升而训练集还在降立刻停这是过拟合的典型曲线。我一般会在第 50、100、150 轮各导一次权重最后挑验证集 mAP 最高的那个而不是最后一个。3.4 导出 ONNX 并在边缘端推理from ultralytics import YOLO model YOLO(runs/detect/train/weights/best.pt) model.export(formatonnx, imgsz640, simplifyTrue, opset12)导出后可以用 onnxruntime 在机载计算机上跑也可以转 TensorRT 进一步加速。simplifyTrue会做图优化去掉冗余算子推理能快 10%15%。opset12兼容性最好别盲目上 17。推理时把置信度阈值设到 0.4IOU 设 0.5低于 0.4 的框大多是叶脉阴影误检宁漏勿误因为误检会导致多喷药。4. 从识别结果到处方图坐标换算与变量喷洒决策4.1 像素坐标转地理坐标模型输出的是像素框喷洒需要的是经纬度。这一步靠无人机影像的 POS 数据和地面分辨率GSD来换算。假设飞行高度 5 m相机焦距 8 mm传感器宽度 13.2 mm则 GSD (5 × 13.2) / (8 × 5472) ≈ 0.0015 m/像素。每个像素框的中心点加上影像左上角的经纬度再乘以 GSD就能得到病斑的地理位置。def pixel_to_geo(px, py, img_left_top_lon, img_left_top_lat, gsd, img_width): 像素坐标转经纬度简化平面换算 lon img_left_top_lon (px * gsd) / (111320 * np.cos(np.radians(img_left_top_lat))) lat img_left_top_lat - (py * gsd) / 110540 return lon, lat逻辑说明经度方向要乘cos(lat)做纬度校正否则高纬度地区误差能到几十米。111320和110540分别是赤道处每度经度和纬度的米数。这个换算是平面的田块小于 1 平方公里时误差可忽略再大就得上投影坐标系。4.2 生成处方图的栅格化方法把每个病斑框按严重度赋一个喷洒等级然后栅格化成 5 m × 5 m 的网格。轻症喷 30% 药量中症 60%重症 100%健康区 0%。用 GDAL 写 GeoTIFF每个像素值代表喷洒比例。from osgeo import gdal, osr import numpy as np def create_prescription_map(width, height, geo_transform, spots, output_path): spots: [(lon, lat, severity), ...] severity 0-1 driver gdal.GetDriverByName(GTiff) ds driver.Create(output_path, width, height, 1, gdal.GDT_Float32) ds.SetGeoTransform(geo_transform) srs osr.SpatialReference() srs.ImportFromEPSG(4326) ds.SetProjection(srs.ExportToWkt()) band ds.GetRasterBand(1) arr np.zeros((height, width), dtypenp.float32) for lon, lat, sev in spots: # 经纬度转回像素行列 col int((lon - geo_transform[0]) / geo_transform[1]) row int((lat - geo_transform[3]) / geo_transform[5]) if 0 row height and 0 col width: arr[row, col] max(arr[row, col], sev) band.WriteArray(arr) ds None create_prescription_map(1000, 800, (116.0, 0.00005, 0, 39.0, 0, -0.00005), [(116.01, 38.99, 0.6)], prescription.tif)逻辑说明geo_transform是 GDAL 的六元组(左上角经度, 经度分辨率, 0, 左上角纬度, 0, 负纬度分辨率)。arr[row, col] max(...)保证同一网格有多个病斑时取最严重的等级避免漏喷。输出 Float32 是为了保留小数比例后面驱动 PWM 时直接乘最大流量。4.3 处方图到喷洒指令的映射处方图是栅格喷洒是连续动作中间要过一个“查表 插值”的环节。我一般把 01 的喷洒比例映射成 0100% 的 PWM 占空比再按飞行速度做前馈补偿速度越快单位面积停留时间越短占空比要相应提高。这个补偿系数靠实测标定公式是duty base_duty * (v_ref / v_actual)v_ref取 3 m/sv_actual从飞控实时读。5. 避坑与排查那些让我返工三次的细节5.1 模型在实验室 mAP 0.9到田里全是误检现象验证集指标漂亮实际飞行时把土壤反光、枯叶、水管都框成病斑。原因训练集全是近距离叶片特写没有背景负样本。解决往训练集里塞 20% 的纯背景图土壤、天空、田埂类别标成background让模型学会“什么都不检”。5.2 处方图和实际田块对不上喷到隔壁地里现象按处方图喷药边缘区域偏移了十几米。原因POS 数据的经纬度是相机中心而病斑框在图像边缘没做视场角偏移补偿。解决换算时把像素坐标先减去图像中心再按焦距和高度算实际偏移量加到 POS 坐标上。5.3 变量喷洒响应延迟起步和停止处药量堆积现象每趟开始和结束的地方药液明显偏多。原因PWM 从 0 升到目标占空比有 200300 ms 延迟飞行速度 3 m/s 时对应 0.60.9 m 的堆积。解决在处方图前后各留 1 m 的过渡带占空比线性爬升同时把喷头开关提前 200 ms 触发。5.4 模型推理占用 CPU 过高飞控线程被拖死现象开启识别后无人机姿态控制出现卡顿。原因识别和飞控跑在同一进程Python GIL 导致线程争抢。解决识别单独跑一个进程通过共享内存或 UDP 把结果发给飞控进程飞控进程只做轻量级解析。5.5 训练到一半 loss 变 NaN现象第 80 轮左右 loss 突然变成 nan。原因学习率太高加上某批数据里有异常框宽高为 0。解决训练前用脚本过滤掉宽或高小于 2 像素的框同时把lr0降到 0.005加ampFalse关掉混合精度混合精度在异常数据下容易溢出。6. 进阶技巧用 TensorRT 加速并把整套流程塞进 Jetson6.1 TensorRT 量化与推理提速ONNX 在 Jetson 上跑 YOLOv8n 大概 810 FPS转成 TensorRT FP16 能到 25 FPS 以上INT8 还能再快一倍但精度掉 35 个点病虫害识别对精度敏感我一般用 FP16。转换命令如下trtexec --onnxbest.onnx --saveEnginebest_fp16.engine --fp16 --workspace2048--workspace2048给 2 GB 显存做优化空间Jetson Nano 只有 4 GB 内存别设太大。转换完用trtexec --loadEnginebest_fp16.engine --shapesimages:1x3x640x640测一下延迟正常应该在 40 ms 以内。6.2 用多进程把识别和喷洒解耦Jetson 上跑整套流程最稳的架构是三个进程采集进程读相机帧写共享内存识别进程读共享内存跑 TensorRT 写结果队列控制进程读结果队列算 PWM 并写串口。进程间用multiprocessing.Queue通信队列长度设 2满了就丢旧帧保证实时性。下面是一个简化的骨架import multiprocessing as mp import numpy as np def capture_worker(shared_arr, lock): while True: frame read_camera() # 伪代码实际用 cv2.VideoCapture with lock: shared_arr[:] frame def infer_worker(shared_arr, lock, result_queue): while True: with lock: frame shared_arr.copy() detections trt_infer(frame) # TensorRT 推理 if result_queue.full(): result_queue.get() # 丢旧结果 result_queue.put(detections) if __name__ __main__: shared_arr mp.Array(f, 640 * 640 * 3) lock mp.Lock() result_queue mp.Queue(maxsize2) mp.Process(targetcapture_worker, args(shared_arr, lock)).start() mp.Process(targetinfer_worker, args(shared_arr, lock, result_queue)).start()逻辑说明mp.Array是共享内存避免帧数据在进程间拷贝。lock保证读写不冲突。result_queue设 maxsize2识别慢于采集时自动丢帧防止延迟累积。控制进程从队列取结果按第 4 章的映射逻辑算 PWM通过 pymavlink 或串口发给喷洒控制器。6.3 验证整套系统是否真的“精准”别只看模型 mAP要看最终喷洒效果。我的验证方法是在田里铺 10 张水敏纸按处方图喷一遍看纸上的雾滴覆盖密度是否和处方等级一致。轻症区雾滴密度应该是重症区的 30% 左右偏差超过 15% 就说明映射环节有问题。这个测试比任何离线指标都实在毕竟药打没打对叶子知道。这套系统我从零搭到能飞前后返工了三次最大的教训是别在模型精度上死磕先把坐标换算和喷洒延迟这两个工程问题解决掉模型差 5 个点对最终效果的影响远小于喷错位置。如果你也在做类似的方向建议先把第 4 章的坐标换算和第 5 章的延迟补偿跑通再回头调模型。希望帮到你。本文还有配套的精品资源点击获取