产品优势

产品特点

• 01

  悬停内置推扫技术：采用自主研发的悬停内置推扫成像方式，有效还原目标真实的空间位置与光谱信息，确保数据真实可靠。

• 02

  无人机平台深度集成：基于华测X500、大疆M400 无人机进行深度开发，实现飞控与采集系统一体化界面控制，大幅降低操作难度，提升作业效率。

• 03

   实时高清辅助取景：配备高清辅助摄像头，支持实时高清图传，用户可通过遥控器同步观察测量区域，实现精准取景与目标定位。

• 04

   一体化快装结构：采用卡扣式一体化安装设计，无需复杂调试，户外场景下三分钟即可完成起飞前准备工作，响应迅速。

• 05

  自主软硬件协同优化：系统软硬件均为自主研发搭建，软硬深度协同，极大降低软件故障概率，提升整体运行稳定性与数据采集可靠性。

• 06

  大区域高精度拼接：支持平方公里级高精度正射影像拼接，研究范围不再受限，满足区域尺度遥感监测与科研应用需求。

应用案例

• 

  水体多参数水质反演

  基于无人机（UAV）高光谱影像的深度学习框架TL-Net，估算总氮（TN）、溶解氧（DO）、总悬浮固体（TSS）和叶绿素a（Chla）四个水质参数，并生成它们的空间分布图。TL-Net 模型对总氮（TN）的R² 值为0.9938，对溶解氧（DO）的平均绝对误差（MAE）为0.0728，对总悬浮固体（TSS）的均方根误差（RMSE）为0.3881，对叶绿素a（Chla）的平均绝对百分比误差（MAPE）低至0.2568%。TLNet显著提高了多参数水质预测的准确性，能够捕捉精细尺度的空间变异性，并为内陆水生生态系统监测提供了一种稳健且可扩展的解决方案。

  图：不同水生环境预测水质参数可视化：（a–d）京泗湖的预测 TN、DO、TSS 和 Chla；（e–h）鱼塘的预测 TN、DO、TSS 和 Chla；（i–l）蟹塘的预测 TN、DO、TSS 和 Chla。

  Li H, Wang N, Du Z, et al. Multi-Parameter water quality inversion in heterogeneous inland waters using UAV-Based hyperspectral data and deep learning methods[J].
  Remote Sensing, 2025, 17(13): 2191.

• 

  小麦氮素含量预测

  将N-PROSAIL 辐射传输模型与深度迁移学习相结合，实现了在不同生长阶段冬小麦冠层氮密度的高精度估算（R² = 0.81，RMSE = 0.14）。证实了将物理先验知识与深度迁移学习相结合在克服农业遥感数据异质性、增强模型迁移性方面具有巨大潜力，为作物氮素营养的精准监测提供了一种可解释且高效的技术方法。

  图 ：无人机数据反演的散点图和图像图（图 a、c、e 和 g 分别代表第二年拔节期、抽穗期、开花期和灌浆期的测量 CND。图 b、d、f 和 h 分别代表相应生长阶段的估计 CND）。
  Yang B, Zhou L, Yang G, et al. Integrating hyperspectral radiation transfer modeling and deep transfer learning to estimate nitrogen density in winter wheat canocies[J]. ArtificialIntelligence in Agriculture, 2026.

• 

  土壤特性和作物性状预测

  利用无人机高光谱影像同时预测多种土壤性质和作物性状，开发了一种土壤早期预警框架，将种植前的土壤条件与作物性状联系起来，以便及早发现潜在的生长限制，从而实现主动管理，为土壤和作物管理提供了一种稳健的解决方案。通过优化土壤条件和促进可持续土地利用方式，为精准农业做出了贡献，凸显了深度学习在农业应用中的价值。

  图 ：使用最小二乘回归预测的预警空间分布显示了四种作物性状：CC、PH、AGB 和LAI，分别位于 (a) 田地 1（使用田地 2 作为训练集）和 (b) 田地 2（使用田地 1 作为训练集）。不同颜色代表不同级别的警告：白色表示无警告，绿色、橙色和红色分别对应一级、二级和三级警告。 （为了解释该图例中对颜色的引用，读者可以参考本文的网络版本。）
  Sun G, Zhang W, Lou Y, et al. Soil knowledge-guided multi-task transformer model for predicting soil properties and crop traits with early warning alerts[J]. Artificial Intelligence
  in Agriculture, 2026.

• 

  图像分类

  利用精简的二维卷积神经网络（2D-CNN）模型，并采用改进的深度可分离卷积方法对荒漠草原植物进行分类。该模型在整体分类准确率、Kappa 系数和内存占用方面均优于其他模型，分别达到99.216%、98.735% 和16.3 MB。该模型能够有效地对荒漠草原物种进行分类。该方法为监测草原生态系统退化提供了一种新途径。

  分类可视化结果比较。( a ) 原始图像；( b ) SL-CNN；( c ) LGFEN；( d ) GDIF-3D-CNN；( e ) DIS-O；以及 ( f ) RGB。
  Wang S, Bi Y, Du J, et al. The unmanned aerial vehicle (UAV)-based hyperspectral classification of desert grassland plants in Inner Mongolia, China[J]. Applied Sciences,2023, 13(22): 12245.

应用方向

精准农业

草场监测

地质地矿

环境监测

湿地生态