植保无人机飞控系统与航线规划研究进展分析

应用无人机开展植保作业是有效防治病虫害的重要途径。本文对植保无人机行业发展和相关应用研究进行了综述,分别从植保无人机飞控系统、单机作业航线规划、多机作业调度场景及优化方法 3个角度进行了阐述,以增强植保无人机作业效果与提高作业效率为目标,分析了植保无人机飞行控制系统及航线规划与调度的研究现状。针对植保无人机因作业精度要求高而导致其飞控系统制造成本高的问题,提出应研发低成本、高精度、可适应植保无人机作业需求的测姿器件,开发相应的姿态估计算法;针对植保无人机航线规划、优化调度模型与实际作业需求不匹配的情况,总结了单机作业航线规划与多机调度优化场景、约束条件与优化方法。最后,提出应研发植保无人机自动补给平台,构建基于多机协同的作业管理与调度优化模型,以增强植保无人机在复杂作业环境中的作业效果,提高作业效率。     

看准项目不放手 普通鸡蛋变金蛋

异想天开,鸡蛋也能烤着吃,土法上马,走的是没有人走过的路. 做生意失手,欠下13万元的外债,翻身无望,催债的不离门,七尺男儿羞于见人,指望做小本生意还还债,到处寻找致富项目,看着别人火暴的小吃生意,想起了儿时的烤鸡蛋.     

基于光子传输模拟的苹果品质高光谱检测源探位置研究

光谱无损的检测方法是质检测最常用的方法之一。传统的光谱仪光源探头位置和源探距离相对固定,导致品质检测精度受限。为解决这个问题,提出基于蒙特卡洛的苹果多层组织的光子传输模拟,分析了光子入射最佳位置和源探距离,并用点光源高光谱仪实际拍摄红富士苹果进行验证。分析表明,光子在苹果赤道位置入射,具有73.12%概率到达更深的深度。源探距离与苹果的光学参数有关,形状为圆环,源探距离内外半径为1.5～10.15 mm。点光源高光谱仪采集红富士苹果的光谱信息,光子入射位置为赤道,源探距离为距离光源点半径2.7～11.7mm的圆环,与模拟数据分析结果基本一致。蒙特卡洛光子传输模拟方法为研究高光谱苹果品质无损检测开辟了新思路,分析结果可以为研究高光谱品质检测试验设计和苹果便携式品质检测光学仪器设计提供理论基础。     

基于模型迁移的苹果光学特征参数反演

针对现有水果组织光学特征参数反演方法耗时费力、普适性较差的问题，提出了一种基于模型迁移的光学特征参数反演方法。以苹果为例，构造仿真双层生物组织模型；基于蒙特卡洛(Monte Carlo)原理进行光子传输模拟，生成150万光亮度分布图，将光亮度分布图作为数据集输入构造好的8层卷积神经网络(CNN)上进行训练，得到预训练模型；再将训练好的模型迁移到实际测得的含有4000幅苹果高光谱点光源图像的数据集上进行微调，从而完成对光学参数的反演。将本文方法与其他几种算法的反演结果进行分析比较，结果表明，在实测数据集较小的情况下，该方法对苹果光学特征参数的反演结果为果皮吸收系数87.26%、果肉吸收系数90.53%、果皮散射系数86.66%、果肉散射系数87.57%，反演准确率高于其他算法，预训练模型基于大量仿真模型的光亮度分布图经由训练而得到，具有良好的普适性。本研究为解决水果光学特征参数反演中建模数据量不足问题提供了方法参考。     

基于计算机视觉的甘蓝生长过程导航线提取算法

为改善甘蓝施药、收获机械视觉导航效果不稳定的现状,提出适应甘蓝施药、收获机械自动导航场景的视觉导航线提取算法,采用过红灰度法(2R-G-B)对图像进行灰度化,大津阈值法对灰度图像进行分割,Hough变换方法确定甘蓝双侧导航线,使用扫描法确定甘蓝导航跟踪中心线;本文试验图像采集自中国农业科学院寿光蔬菜研发中心甘蓝示范基地,分别在甘蓝生产初期和结球采集,应用Matlab计算平台进行算法验证,使用本研究算法平均每张图片的左右导航线与中心导航线的规划时间为分别为0.086 s、0.42 s,角度平均差分别为5.71°、8.30°和3.26°;使用本文方法规划的导航线在精度上优于传统方法。     

基于颜色特征的小麦抽穗扬花期麦穗识别计数*

识别小麦抽穗扬花期抽穗情况,可用于指导后期水肥管理、病害防治和产量预测等。为实现准确、自动地麦穗计数,提出一种基于颜色特征的麦穗计数方法。抽穗扬花期小麦麦穗与叶片、茎秆颜色非常接近,常见颜色特征并不能有效分割麦穗,通过彩色直方图均衡化和红绿归一化差异指数对麦穗进行有效提取。针对图像中麦穗粘连问题,利用改进Harris角点检测算法分别对垂直拍摄和45°夹角拍摄的小麦图像进行验证。通过样本图像进行计数试验,准确率分别为96.06%和94.74%。结果表明,经均衡化处理后麦穗、叶片和茎秆出现明显颜色色差,可以利用颜色特征提取大田环境下抽穗扬花期麦穗图像;麦穗细化后进行骨架交点检测,可用于粘连麦穗的准确计数。     

基于归一化植被指数的农田边界识别方法

农田边界识别对智能农机装备作业具有重要的指导性作用，为实现农田边界的精准识别，提出一种基于归一化植被指数的农田识别方法。由于农田图像地物信息复杂，普通RGB图像处理结果受环境影响较大，模型鲁棒性差，为解决这一问题，通过测绘无人机获取农田多光谱数据，基于不同区域归一化植被指数(NDVI)的差异，利用大津阈值分割法实现农田的有效分割。针对杂草和树木等过分割问题，通过计算联通区域的大小与长宽比的方法，在保证农田识别精度的情况下，减少其他因素干扰，最后通过Canny边缘检测算法提取农田边界。通过验证，本研究方法对农田的识别准确率达95%以上，可以为智能农机装备提供作业环境数据。