涉毒植物的检测方法、装置、设备及存储介质与流程

1.本技术涉及涉毒植物检测技术领域，尤其涉及一种涉毒植物的检测方法、装置、设备及存储介质。

背景技术：

2.目前社会上仍存在不法分子私自种植等涉毒植物的情况。对于大面积种植行为，公安部门容易发现并予以捣毁，但对农民在自家住宅分散性、散落种植的情况，只能通过巡检的方式来发现并捣毁。
3.针对分散性种植的涉毒植物的巡检，通常采用无人机进行巡检，但目前的巡检方法是通过操作无人机飞行，同时通过无人机将采集到的图像传回地面站，地面站操作人员进行观察，判断是否有涉毒植物。这种方法的检测效率较低，且容易漏掉目标物体，导致检测的准确率较低。

技术实现要素：

4.本技术提供一种涉毒植物的检测方法、装置、设备及存储介质，能够提高涉毒植物检测的准确率。
5.为达到上述目的，本技术采用如下技术方案：本技术实施例第一方面，提供一种涉毒植物的检测方法，该方法包括：实时获取巡检过程中无人机采集的rgb图像和多光谱图像；对rgb图像进行目标检测，得到第一检测结果，若第一检测结果中包括涉毒植物信息，则将rgb图像确定为目标rgb图像；根据目标rgb图像的采集时间，确定目标rgb图像对应的目标多光谱图像，并对目标多光谱图像进行目标检测，得到第二检测结果；若第一检测结果和第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。
6.在一个实施例中，确定检测到涉毒植物之后，方法还包括：获取涉毒植物在目标rgb图像中的目标检测框；获取目标rgb图像的采集时间下无人机的位置信息和俯仰角信息；根据目标检测框、位置信息和俯仰角信息，确定涉毒植物的位置信息。
7.在一个实施例中，确定涉毒植物的位置信息后，方法还包括：将目标rgb图像和涉毒植物的位置信息发送至云服务器，以使云服务器根据涉毒植物的位置信息将目标rgb图像和涉毒植物的位置信息发送至目标终端设备。
8.在一个实施例中，对rgb图像进行目标检测，得到第一检测结果，包括：利用预设的基于上下文的目标检测模型对rgb图像进行目标检测，得到第一检测结果。
9.在一个实施例中，对目标多光谱图像进行目标检测，得到第二检测结果，包括：
利用预设的基于深度学习的目标检测模型对目标多光谱图像进行目标检测，得到第二检测结果。
10.在一个实施例中，实时获取巡检过程中无人机采集的rgb图像和多光谱图像，包括：根据无人机的巡检路径，实时获取巡检过程中无人机采集的rgb图像和多光谱图像。
11.在一个实施例中，根据目标rgb图像的采集时间确定目标rgb图像对应的目标多光谱图像，包括：确定各多光谱图像的采集时间与目标rgb图像的采集时间的时间差值的绝对值；将绝对值小于预设阈值的多光谱图像确定为目标多光谱图像。
12.本技术实施例第二方面，提供一种涉毒植物的检测装置，该装置包括：获取模块，用于实时获取巡检过程中无人机采集的rgb图像和多光谱图像；第一检测模块，用于对rgb图像进行目标检测，得到第一检测结果，若第一检测结果中包括涉毒植物信息，则将rgb图像确定为目标rgb图像；第二检测模块，用于根据目标rgb图像的采集时间，确定目标rgb图像对应的目标多光谱图像，并对目标多光谱图像进行目标检测，得到第二检测结果；确定模块，用于若第一检测结果和第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。
13.本技术实施例第三方面，提供一种服务器，该服务器包括存储器和处理器，该存储器中存储有计算机程序，计算机程序被处理器执行时实现本技术实施例第一方面中的涉毒植物的检测方法。
14.本技术实施例第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本技术实施例第一方面中的涉毒植物的检测方法。
15.本技术实施例提供的技术方案带来的有益效果至少包括：本技术实施例提供的涉毒植物的检测方法，通过实时获取巡检过程中无人机采集的rgb图像和多光谱图像，对rgb图像进行目标检测，得到第一检测结果，若第一检测结果中包括涉毒植物信息，则将rgb图像确定为目标rgb图像，根据目标rgb图像的采集时间，确定目标rgb图像对应的目标多光谱图像，并对目标多光谱图像进行目标检测，得到第二检测结果，若第一检测结果和第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。本技术实施例提供的涉毒植物的检测方法，通过实时获取无人机采集的rgb图像和多光谱图像，分别对rgb图像和多光谱图像进行目标检测得到涉毒植物信息。这样通过目标检测可以提高涉毒植物检测的准确率，且能提高检测效率。同时，在第一检测结果和第二检测结果中均包括涉毒植物信息才确定检测到涉毒植物，这样可以进一步的提高检测准确率。
附图说明
16.图1为本技术实施例提供的一种涉毒植物的检测系统的示意图；图2为本技术实施例提供的一种电子设备的内部结构示意图；图3为本技术实施例提供的一种涉毒植物的检测方法的流程图；图4为本技术实施例提供的一种rgb图像目标检测过程的示意图；
图5为本技术实施例提供的一种涉毒植物的检测装置的结构图。
具体实施方式
17.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
18.以下，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
19.另外，“基于”或“根据”的使用意味着开放和包容性，因为“基于”或“根据”一个或多个条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出的值。
20.目前社会上仍存在不法分子私自种植等涉毒植物的情况。对于大面积种植行为，公安部门容易发现并予以捣毁，但对农民在自家住宅分散性、散落种植的情况，只能通过巡检的方式来发现并捣毁。
21.针对分散性种植的涉毒植物的巡检，目前的缉毒无人机系统，基本是无人机平台加吊舱或光谱相机进行巡查，系统包括无人机平台、吊舱和光谱相机载荷、地面站等。通过操作人员操作无人机飞行，同时通过机载吊舱将采集到的图像传回地面站，地面站操作人员进行实时观察，判断是否是巡查目标。
22.基于操作人员看传回来的视频来判断是否为目标物，一是长时间人眼看容易疲劳，容易漏掉目标，二是这样效率比较低下，第三不能给出目标坐标，给执法带来一定困扰。这种方法的检测效率较低，且容易漏掉目标物体，导致检测的准确率较低。
23.为了解决上述问题，本技术实施例提供的涉毒植物的检测方法，通过实时获取巡检过程中无人机采集的rgb图像和多光谱图像，对rgb图像进行目标检测，得到第一检测结果，若第一检测结果中包括涉毒植物信息，则将rgb图像确定为目标rgb图像，根据目标rgb图像的采集时间，确定目标rgb图像对应的目标多光谱图像，并对目标多光谱图像进行目标检测，得到第二检测结果，若第一检测结果和第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。本技术实施例提供的涉毒植物的检测方法，通过实时获取无人机采集的rgb图像和多光谱图像，分别对rgb图像和多光谱图像进行目标检测得到涉毒植物信息。这样通过目标检测可以提高涉毒植物检测的准确率，且能提高检测效率。同时，在第一检测结果和第二检测结果中均包括涉毒植物信息才确定检测到涉毒植物，这样可以进一步的提高检测准确率。
24.图1为本技术实施例提供的一种涉毒植物的检测系统的示意图，该系统包括：无人机、地面的电子设备，云服务器和客户端。其中，无人机在图1中以无人机巡查系统示出，地面的电子设备在图1中以地面实时处理系统示出，云服务器在图1中以云端数据管理系统示出，客户端在图1中以执法人员客户端示出。其中，无人机上搭载有采集设备用于拍摄检测区域的图片，并将拍摄到的图片发送给地面的电子设备进行图像识别处理，并将处理结果发送给云服务器，云服务器将处理结果推送至相应的执法人员的手机客户端上。
25.本技术实施例提供的涉毒植物的检测方法的执行主体可以为地面的电子设备，该电子设备可以为终端设备或者服务器，其中，终端设备可以为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备等，本技术对比不作具体限定。
26.图2为本技术实施例提供的一种电子设备的内部结构示意图。如图2所示，该电子设备包括通过系统总线连接的处理器和存储器。其中，该处理器用于提供计算和控制能力。存储器可包括非易失性存储介质及内存储器。非易失性存储介质存储有操作系统和计算机程序。该计算机程序可被处理器所执行，以用于实现以上各个实施例提供的一种涉毒植物的检测方法的步骤。内存储器为非易失性存储介质中的操作系统和计算机程序提供高速缓存的运行环境。
27.本领域技术人员可以理解，图2中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
28.基于上述执行主体，本技术实施例提供一种涉毒植物的检测方法。如图3所示，该方法包括以下步骤：步骤301、实时获取巡检过程中无人机采集的rgb图像和多光谱图像。
29.可选的，无人机上包括可见光吊舱和多光谱吊舱，其中，可见光吊舱中装载有rgb相机用于拍摄rgb图像，多光谱吊舱中装载有多光谱相机用于拍摄多光谱图像。
30.具体的，无人机中的rgb相机将拍摄到的rgb图像传输至无人机的任务计算机中，无人机的多光谱相机将拍摄到的多光谱图像传输至无人机的任务计算机中，然后由无人机的任务计算机将rgb图像和多光谱图像通过与地面电子设备的数据链路传输至地面电子设备中。
31.其中，无人机巡查系统基于多旋翼的无人机飞行平台。包括机体，机体最上部为一体化电池仓，电池仓和机身通过卡扣连接，密封防水，机身内部为航电系统，包括飞控计算机、任务计算机、电源管理系统、数据链路、总线控制器。机身和机壁通过折叠机构连接，机壁末端为电机和桨，桨叶朝下安装，两个180度方向电机座上方安装卫星天线。系统的任务载荷挂载到机腹，分别是光电吊舱和多光谱相机，任务载荷和机腹通过专用接口实现快速拆接。机腹有专门的插接孔，起落架插入插接孔中，和机腹连接在一起。机载航电系统飞控计算机、任务计算机、电源系统、数据链路部署在机腹内部。
32.需要说明的是，上述图像采集和图像传输是实时进行的，由此地面电子设备可以实时的接收到无人机采集的rgb图像和多光谱图像。
33.步骤302、对rgb图像进行目标检测，得到第一检测结果，若第一检测结果中包括涉毒植物信息，则将rgb图像确定为目标rgb图像。
34.其中，该涉毒植物是指或其他有毒植物。
35.步骤303、根据目标rgb图像的采集时间，确定目标rgb图像对应的目标多光谱图像，并对目标多光谱图像进行目标检测，得到第二检测结果。
36.可选的，可以通过确定各多光谱图像的采集时间与目标rgb图像的采集时间的时间差值的绝对值，将绝对值小于预设阈值的多光谱图像确定为目标多光谱图像。其中，预设阈值为0.5秒。
37.也就是说，根据多光谱图像的采集时间确定与目标rgb图像的采集时间差不多为
相同时刻下的多光谱图像，并将该多光谱图像确定为目标多光谱图像。
38.步骤304、若第一检测结果和第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。
39.也就是说，从rgb图像和对应的多光谱图像中均检测到涉毒植物，才能确定检测到涉毒植物。
40.本技术实施例提供的涉毒植物的检测方法，通过实时获取巡检过程中无人机采集的rgb图像和多光谱图像，对rgb图像进行目标检测，得到第一检测结果，若第一检测结果中包括涉毒植物信息，则将rgb图像确定为目标rgb图像，根据目标rgb图像的采集时间，确定目标rgb图像对应的目标多光谱图像，并对目标多光谱图像进行目标检测，得到第二检测结果，若第一检测结果和第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。本技术实施例提供的涉毒植物的检测方法，通过实时获取无人机采集的rgb图像和多光谱图像，分别对rgb图像和多光谱图像进行目标检测得到涉毒植物信息。这样通过目标检测可以提高涉毒植物检测的准确率，且能提高检测效率。同时，在第一检测结果和第二检测结果中均包括涉毒植物信息才确定检测到涉毒植物，这样可以进一步的提高检测准确率。
41.可选的，确定检测到涉毒植物之后方法还包括：获取涉毒植物在目标rgb图像中的目标检测框，然后获取目标rgb图像的采集时间下无人机的位置信息和俯仰角信息，最后根据目标检测框、位置信息和俯仰角信息，确定涉毒植物的位置信息。
42.需要说明的是，检测到的涉毒植物的具体位置信息与无人机的拍摄位置，无人机的俯仰角以及该涉毒植物的目标检测框在图像中的位置信息相关，因此，通过目标检测框、位置信息和俯仰角信息，进行位置解算才能确定涉毒植物的位置信息。
43.可选的，确定涉毒植物的位置信息后，方法还包括：将目标rgb图像和涉毒植物的位置信息发送至云服务器，以使云服务器根据涉毒植物的位置信息将目标rgb图像和涉毒植物的位置信息发送至目标终端设备。
44.其中，云服务器是数据云存储中心。其对无人机采集的图像以及地面的电子设备针对采集图像的处理结果进行集中记录和处理。此外，云服务器还与执法人员客户端通信，可以将目标rgb图像和涉毒植物的位置信息发送至目标终端设备。
45.其中，执法人员手机客户端中包括一个基于android操作系统开发的app，其可与云服务器进行通信，并获取相应片区的执法信息，包括：涉毒植物图片、坐标、识别信息、置信概率等。这样可以使目标终端设备的执法人员根据目标rgb图像和涉毒植物的位置信息进行涉毒植物的处理工作。此外，执法人员接到该信息后对现场进行走访执法，并在app上记录执法的结果和现场照片，并上传至云服务器中存档保存。
46.可选的，上述步骤302中，对rgb图像进行目标检测，得到第一检测结果，包括：利用预设的基于上下文的目标检测模型对rgb图像进行目标检测，得到第一检测结果。
47.在实际执行过程中，可以采用分层的深度学习模型，通过设定特定意义的分层方法建立目标语义表征及上下文约束表征，对大量样本进行采样学习，以实现高精度目标识别。本技术采用了神经网络相似的分层结构，系统由包括输入层、隐层(多层)、输出层组成的多层网络，只有相邻层节点之间有连接，同一层以及跨层节点之间相互无连接。区别于传统的浅层学习，深度学习的不同在于:强调了模型结构的深度，通常有5层、6层，甚至10多层
的隐层节点；明确突出了特征学习的重要性，也就是说，通过逐层特征变换，将样本在原空间的特征表示变换到一个新特征空间，从而使分类或预测更加容易。与人工规则构造特征的方法相比，利用大数据来学习特征，更能够刻画数据的丰富内在信息。为了进一步提高深度学习的表达能力，本技术对网络的每一层都赋予一定的意义，最终建立精确的语义表征，特征学习的过程中，每层之间学习在设定的规则下学习，比无监督的学习更加有效，并为进一步语义的表征提供基础。
48.同时，本技术利用上下文信息调整深度网络得到图像表达后，利用目标标记、目标上下文、场景上下文信息对深度网络权值进行调整，通过上下文交互增强深度网络的判别能力，提高目标检测性能。上下文信息主要有两个作用，即消除不确定性或歧义性，以及减少处理时间。因此上下文信息正好适合解决基于局部特征方法的问题。
49.此外，此模型在第五个池化层后，可以利用1*1卷积核的卷积层获得预测结果，但是此输出结果的分辨率是非常低的，被缩小了32倍。于是反采样层提升第五池化层输出的特征图的分辨率，再与第四个池化层的输出结果进行求平均，就可以得到一个扩大后的特征图。此时如果对其进行分类，就可以得到分辨率被提升过的神经网络分类结果。假设这里的池化核始终是2*2，而步长也是2，那么此时的输出结果相比于原图便只降低了16倍。此时，再对此扩大后的特征图进行反采样，并与第三个池化层输出的特征图进行融合，便可以进一步将神经网络的输出结果提升至原图的八分之一。
50.示例的，rgb图像的目标检测过程如图4所示，通过搭建样本标记、训练、检测为一体的深度学习平台，实现自动进行植株检测。进行卷积层重新组合设计，使用单个神经网络将图像分成区域，同时预测每个区域的边界框和概率，并且对这些边界框进行预测概率加权，这样可以将整个图像由神经网络进行评估，提高检测准确率及效率。
51.可选的，对目标多光谱图像进行目标检测，得到第二检测结果，包括：利用预设的基于深度学习的目标检测模型对目标多光谱图像进行目标检测，得到第二检测结果。
52.可选的，实时获取巡检过程中无人机采集的rgb图像和多光谱图像，包括：根据无人机的巡检路径，实时获取巡检过程中无人机采集的rgb图像和多光谱图像。
53.在实际执行过程中，通过提前设定好巡检路径，并加载至无人机，无人机自检起飞，然后根据设置好的巡查路径进行飞行，同时采集rgb图像数据与多光谱图像。
54.本技术提供的涉毒植物的检测方法，是一套针对缉毒场景的完整的无人机解决方案，实现无人机自主起飞降落，根据预定巡检路径进行飞行采集照片图像光谱数据，采集到的数据实时传送到地面站服务器，地面站服务器进行智能识别。整个巡查过程操作人员只需规划航线，然后系统自动完成剩下的巡检任务，当识别到可疑目标物时，系统自动实时解算识别到的目标物的位置坐标，巡检完成后输出巡检报告。为了提高巡检的效率，减少巡检过程中的人为参与提高准确率，给后续执法提供更可靠的数据支持，通过智能识别模块的加入，使得整个巡检过程自动化，效率大大提升，加入位置解算定位，使得执法人员可以直接根据结果到目标位置，使得整个巡检的过程闭环。
55.如图5所示，本技术实施例提供了一种涉毒植物的检测装置，该装置包括：获取模块11，用于实时获取巡检过程中无人机采集的rgb图像和多光谱图像；第一检测模块12，用于对rgb图像进行目标检测，得到第一检测结果，若第一检测
结果中包括涉毒植物信息，则将rgb图像确定为目标rgb图像；第二检测模块13，用于根据目标rgb图像的采集时间，确定目标rgb图像对应的目标多光谱图像，并对目标多光谱图像进行目标检测，得到第二检测结果；确定模块14，用于若第一检测结果和第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。
56.在一个实施例中，获取模块11，还用于获取涉毒植物在目标rgb图像中的目标检测框；获取目标rgb图像的采集时间下无人机的位置信息和俯仰角信息；确定模块14，还用于根据目标检测框、位置信息和俯仰角信息，确定涉毒植物的位置信息。
57.在一个实施例中，该装置还包括发送模块15，用于将目标rgb图像和涉毒植物的位置信息发送至云服务器，以使云服务器根据涉毒植物的位置信息将目标rgb图像和涉毒植物的位置信息发送至目标终端设备。
58.在一个实施例中，第一检测模块12具体用于：利用预设的基于上下文的目标检测模型对rgb图像进行目标检测，得到第一检测结果。
59.在一个实施例中，第二检测模块13具体用于：利用预设的基于深度学习的目标检测模型对目标多光谱图像进行目标检测，得到第二检测结果。
60.在一个实施例中，获取模块11具体用于：根据无人机的巡检路径，实时获取巡检过程中无人机采集的rgb图像和多光谱图像。
61.在一个实施例中，第二检测模块13具体用于：确定各多光谱图像的采集时间与目标rgb图像的采集时间的时间差值的绝对值；将绝对值小于预设阈值的多光谱图像确定为目标多光谱图像。
62.本实施例提供的涉毒植物的检测装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再多加赘述。
63.关于涉毒植物的检测装置的具体限定可以参见上文中对于涉毒植物的检测方法的限定，在此不再赘述。上述涉毒植物的检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于服务器中的处理器中，也可以以软件形式存储于服务器中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
64.本技术的另一实施例中，还提供一种服务器，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现如本技术实施例的涉毒植物的检测方法的步骤。
65.本技术另一实施例中，还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如本技术实施例的涉毒植物的检测方法的步骤。
66.本技术另一实施例中，还提供一种计算机程序产品，该计算机程序产品包括计算机指令，当计算机指令在涉毒植物的检测装置上运行时，使得涉毒植物的检测装置执行上述方法实施例所示的方法流程中涉毒植物的检测方法执行的各个步骤。
67.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时，全部或部分地产生按照本技术实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线（例如同轴电缆、光纤、数字用户线（digital subscriber line，dsl））或无线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质（例如，软盘、硬盘、磁带），光介质（例如，dvd）、或者半导体介质（例如固态硬盘（solid state disk，ssd））等。
68.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
69.以上实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：

1.一种涉毒植物的检测方法，其特征在于，所述方法包括：实时获取巡检过程中无人机采集的rgb图像和多光谱图像；对所述rgb图像进行目标检测，得到第一检测结果，若所述第一检测结果中包括涉毒植物信息，则将所述rgb图像确定为目标rgb图像；根据所述目标rgb图像的采集时间，确定所述目标rgb图像对应的目标多光谱图像，并对所述目标多光谱图像进行目标检测，得到第二检测结果；若所述第一检测结果和所述第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。2.根据权利要求1所述的方法，其特征在于，所述确定检测到涉毒植物之后，所述方法还包括：获取所述涉毒植物在所述目标rgb图像中的目标检测框；获取所述目标rgb图像的采集时间下所述无人机的位置信息和俯仰角信息；根据所述目标检测框、所述位置信息和所述俯仰角信息，确定所述涉毒植物的位置信息。3.根据权利要求2所述的方法，其特征在于，所述确定所述涉毒植物的位置信息后，所述方法还包括：将所述目标rgb图像和所述涉毒植物的位置信息发送至云服务器，以使所述云服务器根据所述涉毒植物的位置信息将所述目标rgb图像和所述涉毒植物的位置信息发送至目标终端设备。4.根据权利要求1所述的方法，其特征在于，所述对所述rgb图像进行目标检测，得到第一检测结果，包括：利用预设的基于上下文的目标检测模型对所述rgb图像进行目标检测，得到第一检测结果。5.根据权利要求1所述的方法，其特征在于，所述对所述目标多光谱图像进行目标检测，得到第二检测结果，包括：利用预设的基于深度学习的目标检测模型对所述目标多光谱图像进行目标检测，得到第二检测结果。6.根据权利要求1所述的方法，其特征在于，所述实时获取巡检过程中无人机采集的rgb图像和多光谱图像，包括：根据所述无人机的巡检路径，实时获取巡检过程中无人机采集的rgb图像和多光谱图像。7.根据权利要求1所述的方法，其特征在于，所述根据所述目标rgb图像的采集时间，确定所述目标rgb图像对应的目标多光谱图像，包括：确定各所述多光谱图像的采集时间与所述目标rgb图像的采集时间的时间差值的绝对值；将所述绝对值小于预设阈值的多光谱图像确定为所述目标多光谱图像。8.一种涉毒植物的检测装置，其特征在于，所述装置包括：获取模块，用于实时获取巡检过程中无人机采集的rgb图像和多光谱图像；第一检测模块，用于对所述rgb图像进行目标检测，得到第一检测结果，若所述第一检
测结果中包括涉毒植物信息，则将所述rgb图像确定为目标rgb图像；第二检测模块，用于根据所述目标rgb图像的采集时间，确定所述目标rgb图像对应的目标多光谱图像，并对所述目标多光谱图像进行目标检测，得到第二检测结果；确定模块，用于若所述第一检测结果和所述第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-7任一项所述的涉毒植物的检测方法。10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任一项所述的涉毒植物的检测方法。

技术总结

本申请公开一种涉毒植物的检测方法、装置、设备及存储介质，涉及涉毒植物检测技术领域，能够提高涉毒植物检测的准确率。具体方案包括：实时获取巡检过程中无人机采集的RGB图像和多光谱图像；对RGB图像进行目标检测，得到第一检测结果，若第一检测结果中包括涉毒植物信息，则将RGB图像确定为目标RGB图像；根据目标RGB图像的采集时间，确定目标RGB图像对应的目标多光谱图像，并对目标多光谱图像进行目标检测，得到第二检测结果；若第一检测结果和第二检测结果中均包括涉毒植物信息，则确定检测到涉毒植物。到涉毒植物。到涉毒植物。