尾座式无人机续航时间估算模型

为研究尾座式无人机翼展长、翼根弦长、翼梢弦长、机翼后掠角、小翼翼梢长、小翼展长、小翼高、小翼后掠角、小翼厚度和小翼脚长等10个结构参数对无人机续航时间的影响,利用CATIA和ANSYS建立了尾座式无人机及其外流场的三维实体模型,采用SST k-ω模型在ANSYS CFX中模拟无人机在130种不同结构参数组合下的气动特性,利用方差分析确定气动系数的特征因子为翼展长、后掠角、小翼厚度和小翼脚长,建立了4个特征因子与气动系数的多元回归模型;结合质量系数方程,最终建立了结构参数与续航时间的关系模型,精度达0. 97。采用风洞试验的方法对数值模拟结果进行验证,测量4架样机在巡航状态下的气动系数,相对误差小于14%,数值模拟方法可靠。采用定高定点盘旋的方法进行样机试飞试验,对续航时间模型进行验证,连续记录不同剩余电量时的飞行时间,结果相对误差小于15%,模型可靠。     

基于CRUISE的设施农业电动拖拉机仿真分析

利用CRUISE软件建立面向设施农业的电动拖拉机仿真模型并对仿真模型各组成部分进行参数设置。设置电动拖拉机最大牵引力、最大爬坡度、最高车速及加速时间仿真任务,并通过分析电动拖拉机仿真工况绘制电池组SOC曲线计算整车续航时间。仿真结果对项目后期样车生产具有理论指导作用,对设计的电动拖拉机进行了参数匹配,证明其具有可行性,并通过对电动拖拉机仿真结果的分析可以看出所设计的整车参数及各部件的参数匹配均合理正确,达到设计要求。     

多旋翼农用无人机功率能耗模型构建与试验验证

续航时间是无人机的重要性能指标之一,在此构建多旋翼农用无人机功率能耗模型,进行续航时间的计算,并通过试验验证模型的准确性。构建了针对多旋翼农用无人机功率能耗计算的理论模型,搭建无人机测试平台,通过改变无人机质量与作业速度,对测试无人机进行试验。6组试验结果表明:悬停状态下,测试无人机续航时间为理论续航时间的89%～93%,作业飞行状态下测试无人机续航时间为理论续航时间的80%～83%。构建的理论模型可以用于多旋翼农用无人机续航时间的计算和预测,具有一定的应用价值。     

增程式电动拖拉机驱动系统设计

使用单一能量系统的电动拖拉机驱动系统存在续航里程较低及难以适应较大功率段拖拉机作业的问题。为此,通过论证增程式电动拖拉机结构方案,研究了增程式电动拖拉机驱动系统设计方法。以东方红132.3k W拖拉机为实例,计算了主要动力参数,并基于AVL-Cruise平台,采用发动机启停+定点能量管理策略,对其动力性和经济性进行了仿真分析。结果表明:与传统拖拉机相比,增程式电动拖拉机最大爬坡度提高了6.1 2%,最大牵引力提高了4.3%,综合油耗降低了5.3 7%。该研究可为设计较大功率段电动拖拉机提供一定的理论参考。     

基于作业工况和退役锂离子电池的电动拖拉机电源系统优化

针对电动拖拉机制造成本高的问题,提出一种基于作业工况和退役锂离子电池的电动拖拉机电源系统优化方法.采用分选后的退役锂离子电池单体对电动拖拉机电源系统进行参数匹配,对电池PNGV等效电路模型进行参数辨识后,基于作业工况和退役锂离子电池,以电动拖拉机经济性最优为目标设计目标函数,以电动拖拉机功率需求与续航时间要求制定约束条...     

基于CFD的无人机机身压力分布分析

以某型飞翼式布局无人侦察机为基础,利用SoliDWorks软件绘制无人机的三维实体模型,通过CFD软件对几何模型进行网格划分,最后将划分成功的网格导入FLUENT进行流场的仿真计算,得到通过改变某一参数对本方案无人机气动特性的影响。仿真计算的结果验证了该无人侦察机可行性并对之后的研究分析提供了理论参考。     

基于Cruise的1.5吨纯电动汽车动力系统设计

为了使微型纯电动轿车具有最佳性能,对动力系统参数进行设计分析。结合实际需求在Cruise软件中建立整车仿真模型,设定任务并完成仿真计算,为1.5t轻型纯电动轿车配备合理适宜的传动系统。所阐述的理论研究方法对纯电动轿车基本配置的设计与分析提供了一条新路径。     

农业遥感研究现状与展望

遥感技术具有覆盖面积大、重访周期短、获取成本相对低等优势,对大面积露天农业生产的调查、评价、监测和管理具有独特的作用。从20世纪70年代出现民用资源卫星后,农业成为遥感技术最先投入应用和收益显著的领域。特别是随着高空间、高光谱和高时间分辨率遥感数据的出现,农业遥感技术在长时间序列作物长势动态监测、农作物种类细分、田间精细农业信息获取等关键技术方面得到了突破。但是农业生产的分散性、时空变异性等特点,对当前农业遥感技术的应用还存在诸多挑战。本文简要回顾了农业遥感发展历程以及其应用的理论基础;再从农作物估产、农业资源调查、农业灾害监测和精准农业管理4个领域阐述了国内外相关研究和应用情况。最后提出农业遥感应加强与地面农业观测网技术的结合,推动新一代低空无人机遥感平台的发展,强化多源传感器融合以及农业过程模型与遥感数据同化的研究。     

无人机农业遥感在农作物病虫草害诊断应用研究进展

农田作物信息的快速获取与解析是开展精准农业实践的前提和基础。根据农作物病虫草害的实际程度进行变量喷施和作业管理,可减少农业生产成本、优化作物栽培、提高农作物产量和品质,从而实现农业精准管理。近年来,随着无人机产业的快速发展,无人机农业遥感技术因其空间分辨率高、时效性强和成本低等特点,在农作物病虫草害监测应用中发挥了重要作用。本文首先介绍了精准农业航空的基本思想与系统组成和无人机遥感在精准农业航空的地位。接着探讨了无人机农业遥感系统常见的成像方式和遥感影像解析方法,并阐述了国内外无人机农业遥感技术在农作物病虫草害检测研究的最新进展。最后总结了无人机农业遥感技术发展至今面临的挑战并展望了未来的发展方向。本文将为开展无人机农业遥感技术在精准农业航空领域的研究提供理论参考和技术支撑。     

基于CFD的分段翼型控制研究

为提升流体机械在非设计工况下的性能,借鉴飞行器起飞阶段通过调节前缘缝翼来提高升阻比的思想,设计了一个可调前缘缝翼的分段翼型.利用稳态CFD模拟建立输入变量（前缘缝翼的偏转角度、重叠量和缝道宽度参数）与输出变量（翼型升阻比）之间的数值模型,通过遗传算法以不同攻角下最高升阻比为目标对各个参数进行寻优,建立了来流攻角与最优缝翼位置间的对应关系,从而为实现流动的主动控制提供理论依据.对分段翼型的研究表明：应用遗传算法优化缝翼参数能提高计算效率,其计算次数仅为全部计算的40%左右.优化的缝翼参数有效地改善了翼型的气动性能,与原始翼型相比通过调整前缘缝翼位置提高了其在大攻角下的升阻比,可为设计多工况高效流体机械提供参考思路.     

无人机遥感监测作物病虫害胁迫方法与最新研究进展

病虫害是作物生产面临的主要胁迫之一.近年来,随着无人机产业的快速发展,无人机农业遥感因其图像空间分辨率高、数据获取时效性强和成本低等特点,在作物病虫害胁迫监测应用中发挥了重要作用.本文首先介绍了利用无人机遥感监测作物病虫害胁迫的相关背景;其次对目前无人机遥感监测作物病虫害胁迫中的常用方法进行了概述,主要探讨无人机遥感监...     

基于无人机高光谱的荒漠草原地物精简学习分类模型

荒漠草原植被稀疏、裸土细碎化分布对遥感数据空间分辨率和光谱分辨率的指标精度提出更高要求,目前应用于遥感场景的深度学习模型隐藏层较多、模型结构复杂,且采用经典深度学习模型未考虑遥感数据内在特点,导致模型训练普遍存在计算过度、耗时增加等问题。本文利用低空无人机（Unmanned aerial vehicle,UAV）遥感平台搭载高光谱成像光谱仪采集荒漠草原地物高光谱数据,发挥高空间分辨率与高光谱分辨率相结合的优势,并基于三维卷积神经网络（Three-dimensional convolutional network,3D-CNN）方法提出一种适合荒漠草原地物植被、裸土、标记物识别的精简学习分类模型,进行参数组合调优,在调整学习率、批量规模、卷积核尺寸及数量后,最高总体分类精度（Overall accuracy,OA）可达到99.746%。研究结果表明,精简学习分类模型的优化建立在超参数选择基础上,为获得精度高、耗时短、性能稳定的最优模型,需不断调整超参数并对比不同组合分类效果。基于无人机高光谱技术的精简学习分类模型在荒漠草原地物的分类识别应用中具有较大优势。     

无人机遥感技术在精量灌溉中应用的研究进展

以提高农业用水效率为目标的精量灌溉是未来农业灌溉的主要模式,精量灌溉的前提条件是对作物缺水的精准诊断和科学的灌溉决策。用于作物缺水诊断和灌溉决策定量指标的信息获取技术主要基于田间定点监测、地面车载移动监测及卫星遥感。无人机从根本上解决了卫星遥感由于时空分辨率低而导致的瞬时拓延、空间尺度转换、遥感参数与模型参数定量对应等技术难题,也克服了地面监测效率低、成本高、影响田间作业等问题。近几年的研究结果表明,无人机遥感系统可以高通量地获取多个地块的高时空分辨率图像,使精准分析农业气象条件、土壤条件、作物表型等参数的空间变异性及其相互关系成为可能,为大面积农田范围内快速感知作物缺水空间变异性提供了新手段,在精量灌溉技术应用中具有明显的优势和广阔的前景。无人机遥感系统已经应用在作物覆盖度、株高、倒伏面积、生物量、叶面积指数、冠层温度等农情信息的监测方面,但在作物缺水诊断和灌溉决策定量指标监测方面的研究才刚刚起步,目前主要集中在作物水分胁迫指数(CWSI)、作物系数、冠层结构相关指数、土壤含水率、叶黄素相关指数(PRI)等参数估算的研究,有些指标已经成功应用于监测多种作物的水分胁迫状况,但对于大多数作物和指标,模型的普适性还有待进一步研究。给出了无人机遥感在精准灌溉技术中应用的技术体系,并指出,为满足不同尺度的高效率监测和实现农业用水精准动态管理的需求,今后无人机遥感需要结合卫星遥感和地面监测系统,其中天空地一体化农业水信息监测网络优化布局方法与智能组网技术、多源信息时空融合与同化技术、作物缺水多指标综合诊断模型、农业灌溉大数据等将是未来重点研究内容。     

农用多旋翼无人机作业能耗白盒模型构建与试验

为了减少因能量有限而导致无人机飞行时间有限的问题，研究农用无人机在飞行时的作业能耗是十分必要的。本研究以农用多旋翼无人机为研究对象，采用白盒建模的方法，依照动力系统各部件原理，构建了农用无人机的飞行总效率模型，再根据农用无人机的飞行特点，建立了一种针对农用无人机的作业能耗模型，并通过对农用无人机的速度、载荷和航程这3个动态参数分组试验得到的数据进行了验证。结果表明，模型具有较高的精度，最大平均误差约为6.582%,最大绝对误差中位数约为7.654%。最后对模型的各个参数进行分析，引入模型修正系数对模型进行修正，修正后的模型精度相比修正前的最大平均误差减少约3.092个百分点，误差中位数减少约3.612个百分点，修正后效果显著。本研究构建的理论模型可以用于农用无人机作业能耗的计算和预测，在规划无人机任务前就可以得到相应的作业能耗并进行优化，也可以适配不同控制器的其他旋翼机型，具有一定的应用价值。     

基于超像素暗通道和改进导向滤波的农业图像去雾方法

针对传统暗通道先验算法运算速度慢以及适用性差的问题,提出了一种基于超像素级暗通道先验和自适应容差机制改进导向滤波算法的农业图像去雾方法。首先利用超像素分割获得具有一致颜色和亮度属性的超像素块并估计不规则区域块的透射率,引入导向滤波算法并利用自适应平滑参数细化透射率得到更为细致的边缘信息,加入自适应容差机制,使其能够根据图像明亮区域的变化和雾霾的浓度对透射率进行自适应补偿修正,得到最优透射率。最后对局部大气光估计和适应性调整,根据大气散射模型得到质量更高的复原图像。试验以6幅农业场景图像为例进行去雾研究,采用主观和客观评价指标评价去雾结果,与传统去雾算法相比,本文方法恢复的图像色彩更真实,细节更丰富,并且在一定像素范围内具有较高的实时性,可为农情信息解析提供研究基础。     

农业生态经济系统结构优化方法研究

开发了基于地理信息系统和遥感技术的流域农业生态经济系统结构优化的方法。该方法运用遥感数据 ,并以地理信息系统软件为平台集成了水库营养盐负荷浓度响应关系模型、农业非点源污染模拟模型和线性规划模型。运用该方法能够实现对全流域的土地利用现状进行评价 ,并以流域农业土地利用系统的经济产出为目标 ,以流域的生态环境为约束 ,对流域土地资源进行优化配置 ,使农业草地的结构更加合理 ,从而改善生态环境 ,实现经济和环境协调发展。     

基于无人机多光谱遥感的玉米FPAR估算

为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。     

基于深度学习的作物长势监测和产量估测研究进展

作物长势是粮食产量估测与预测的主要信息源,随着高时空分辨率遥感数据的不断出现,遥感数据已呈现出明显的大数据特征,以深度学习为基础的作物长势监测和产量估测已成为指导农业生产的重要手段之一。本文通过总结深度学习模型样本以及模型结构的发展历程,概括了深度学习在区域尺度的研究现状,其中从样本构建和样本扩充两方面概述了模型样本,从卷积神经网络(CNN)、循环神经网络(RNN)及其优化结构和模型可解释性总结了深度学习模型结构的进展;随后从无人机平台和卫星平台两方面阐述了田块尺度国内外作物长势监测和产量估测研究的最新进展;最后指出了目前存在的问题和未来拟重点加强的研究任务,主要包括通过基于区域和参数的迁移学习以改善小样本的限制;深度学习模型和作物生长模型有机结合,以提高模型的可解释性;无人机平台与卫星平台相结合,确保时空融合过程中尺度转换的精度;深入探索深度学习在作物长势监测方面的应用潜力。