本发明涉及智慧农业领域，具体涉及一种面向无人机的毫米波雷达点云与图像融合决策聚类方法。
背景技术：
1、随着农业现代化的推进，无人机技术在农业中崭露头角。采用无人机对作物进行农药喷洒技术成为了提高生产效益和减少环境污染的热门研究方向。传统喷洒方式存在喷洒不均匀和药剂浪费等问题，通过定位和智能控制系统，无人机实现了精准农药投放，提高了作物的产量。毫米波雷达和视觉传感器作为先进感知技术已经被广泛应用于不同领域。
2、其中4d毫米波雷达具有高精度、全天候性能、长距离探测、高速度处理、抗干扰能力强和多目标跟踪等优势，而视觉传感器能够精确的检测出目标，将这两种传感器融合应用于无人机农药喷洒，可提高无人机进行作物农药喷洒的全天候性和精准性。单一传感器难以实现无人机进行作物农药喷洒的准确环境感知，并且融合技术仍面临数据集成处理和智能化飞行控制系统等挑战。并且在融合数据过程中，聚类方法对离群点和噪声点敏感，一些过大的异常值会带来很大影响。
技术实现思路
1、本发明的实施目的在于提供一种面向无人机的毫米波雷达点云与图像融合决策聚类方法，旨在提高无人机相对于作物自适应调整的喷洒高度和角度。
2、为了实现上述目的，本发明采取了如下技术方案：
3、一种面向无人机的毫米波雷达点云与图像融合决策聚类方法，具体包括以下步骤：
4、对相机和毫米波雷达进行联合标定；
5、使用毫米波雷达获取目标农作物点云数据，将点云数据合并为聚合帧点云并排除背景噪声点；
6、对经过背景噪声点排除的点云数据进行聚类；
7、对聚类完成的点云数据使用基于目标作物的目标id特征进行优化；
8、使用视觉传感器获取目标作物的图像数据，并使用训练好的yolov7网络对图像中的目标作物进行检测；
9、计算得到目标作物边界框的中心坐标，并将中心坐标投影到雷达坐标上获取目标作物的高程信息，完成图像和毫米波雷达点云的决策融合。
10、进一步地，将点云数据合并为聚合帧并排除背景噪声点，具体包括以下步骤：
11、将原始点云帧具体定义为：
12、pij(i＝1,2,3,…,n,j＝1,2,3,…,mi) (3)
13、其中，n表示点云帧的总数，mi表示第i帧中通过预处理得到点的总数，pij表示第i帧中的第j个点；
14、并且将每五个原始点云帧中处理得到的点进行合并形成聚合帧点云，聚合帧点云具体定义为：
15、
16、其中，表示聚合帧索引；
17、通过设定反射强度阈值t排除背景噪声点，具体公式为：
18、a′k＝{p∈ak∣rp>t} (5)
19、其中，a'k表示经过反射强度过滤后的聚合帧，p表示ak中的点，rp表示点p的反射强度。
20、进一步地，对经过背景噪声点排除的点云数据进行聚类，具体包括以下步骤：
21、将经过背景噪声点排除的雷达点云数据a'k中点的坐标(x',y',z')利用改进的距离公式计算点与点之间的距离，其中改进的距离公式为：
22、
23、其中，pi和pj分别表示空间内两个不同的点，α和β分别表示垂直方向与水平方向距离的权重值，dij表示点pi和点pj之间的距离；
24、基于点与点之间的距离dij建立点与点之间的距离矩阵mk，具体公式为：
25、
26、其中，n表示点的个数；
27、使用高斯核函数将将点与点之间的距离映射到一个更大的相似度空间并得到相似度矩阵ms，具体公式为：
28、
29、其中，σ表示mk的标准差，相似度矩阵ms具体公式为：
30、
31、其中，sij表示pi和点pj之间的相似度；
32、根据相似度矩阵ms计算簇内部边的权重之和σin，具体公式为：
33、σin＝∑i,j∈c sij (10)
34、其中，c表示当前节点所在的簇，并且初始时该点本身属于一个簇；
35、计算不同簇之间边的权重之和σtot，具体公式为：
36、
37、根据模块性增益将数据点进行聚类，模块性增益的具体计算公式为：
38、
39、其中，m表示点云数据中心簇的所有边总权重之和；
40、依次将每个点与之相邻点合并在一起，计算它们最大的模块度增益，并且判断是否大于0，如果大于0，将该点放入模块度增量最大的相邻结点所在的簇，持续迭代直至所属的簇不再变化。
41、进一步地，其特征在于，对聚类完成的点云数据使用基于目标作物的目标id特征进行优化，具体包括以下步骤：
42、给每个经过聚类的点分配id，并且给每一个目标点增加关联对象，具体公式为：
43、p＝(x,y,ao,id)t (13)
44、其中，x和y表示目标点p的坐标，ao表示该点点p关联的点的id；
45、将相同关联对象的点组成簇，簇的具体表达为：
46、cn,m＝{pi},i∈m (14)
47、其中，n表示经过聚类的聚合帧索引，m表示该聚合帧中簇的数量，寻找每个簇中最频繁关联的对象并将这些点的位置记录在列表中；
48、计算属于该关联对象的簇的所有点的平均x坐标的差异，具体计算公式为：
49、
50、其中，cn1,m和cn2,m是具有相同关联对象的簇，k1表示cn1,m中点的数量，k2表示cn2,m中点的数量；
51、如果|δx|<1，则将两个簇之间的位置关系合并。
52、进一步地，计算得到目标作物边界框的中心坐标，并将中心坐标投影到雷达坐标上获取目标作物的高程信息，具体包括以下步骤：
53、目标作物的边界框坐标为(x1,x2,y1,y2)，其中(x1,y1)是边界框左上角的坐标，(x2,y2)是边界框右下角的坐标，根据边界框坐标计算得到目标作物的中心坐标(xc,yc)，具体公式为：
54、
55、将目标作物的中心坐标(xc,yc)投影到目标作物雷达点云数据中得到中心坐标在目标作物点云中的坐标(xr,yr,zr)，根据(xr,yr,zr)坐标确定点所在的聚类簇cn，并计算该簇中所有点的坐标平均值(xp,yp,zp)，具体公式为：
56、
57、其中，m表示簇cn中的点的数量，基于zp的值估计目标作物的生长高度，使得无人机根据生长高度进行自适应调整。
58、根据本发明的一个方面，提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行上述任一项所述的面向无人机的毫米波雷达点云与图像融合决策聚类方法。
59、根据本发明的另一个方面，提供一种电子设备，包括处理器和上述的存储介质，所述处理器执行所述存储介质中的指令。
60、相比于现有技术，本发明的有益效果如下：
61、1、本发明运用了多传感器决策融合技术，可以根据作物的生长特征自适应调整无人机农药喷洒的方式，提高了农药的利用率和无人机进行农药喷洒的效率。
62、2、本发明通过使用基于目标作物的点云数据的目标id特征的检测增强方法，解决了过聚类和欠聚类问题。
63、3、本发明中提出改进距离公式，并基于模块性增益将数据点进行聚类，能更好地捕捉数据点之间的实际关系，减少噪声的影响。
1.一种面向无人机的毫米波雷达点云与图像融合决策聚类方法，其特征在于，具体包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，将点云数据合并为聚合帧并排除背景噪声点，具体包括以下步骤：
3.根据权利要求2所述的方法，其特征在于，对经过背景噪声点排除的点云数据进行聚类，具体包括以下步骤：
4.根据权利要求3所述的方法，其特征在于，对聚类完成的点云数据使用基于目标作物的目标id特征进行优化，具体包括以下步骤：
5.根据权利要求4所述的方法，其特征在于，计算得到目标作物边界框的中心坐标，并将中心坐标投影到雷达坐标上获取目标作物的高程信息，具体包括以下步骤：
6.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1-5中任一项所述的面向无人机的毫米波雷达点云与图像融合决策聚类方法。
7.一种电子设备，其特征在于，包括处理器和权利要求6所述的存储介质，所述处理器执行所述存储介质中的指令。
