基于高度融合的植保无人机仿地飞行方法研究

多旋翼植保无人机在坡地作业过程中一般作业于作物上方1.5~3 m的近地空中,需要保持稳定的仿地飞行才能保障无人机的安全飞行和喷洒均匀性。提出了一种仿地飞行方法,通过前置毫米波雷达进行坡度判断,在坡度起伏较小时,将差分GPS高度与对地毫米波雷达高度进行卡尔曼滤波融合以提高精度,在坡度变化超出阈值时,将前置毫米波雷达与对地毫米波雷达的高度进行多雷达高度信息融合以提高响应速度,最后采用模糊PID控制算法控制无人机高度。通过仿真和实地飞行测试,实现了植保无人机坡地仿地飞行高度误差小于40 cm的目的,保证了无人机的环境适应能力和喷洒均匀性,为植保无人机在不同地形下的全自动作业奠定了基础。     

无人机飞行控制方法研究现状与发展

近年来,无人机凭借着体积小、适应能力强、隐蔽性好、可代替人的替代性以及可重复使用等优势逐渐在军事、民用和科技等领域被使用,成为国内外研究的热点。无人机分为旋翼式无人飞行器和固定式无人飞行器,本文将针对微小型旋翼式无人飞行器——四旋翼进行探讨,分析其控制方法、研究现状及未来发展。     

基于语义信息的SLAM特征提取方法研究

视觉SLAM技术是无人驾驶技术中的关键一环,可以为无人车提供环境地图信息以及精确的位置信息。直接使用传统的特征提取算法而不加改进,不利于视觉SLAM系统的位姿解算。基于语义分割对视觉SLAM技术中特征提取的环节进行了优化,使其特征点分布更加均匀,有利于无人车进行更加准确的位姿估计,并设计实验对方法的有效性进行了验证。实验结果表明：采用改进的方法有利于视觉SLAM系统进行更准确的定位和地图构建。     

基于多传感器融合的无人机精准自主飞行控制方法

为解决我国植保无人机实际作业过程中普遍存在的由空间位置定位精度不足和飞行参数不稳定造成的雾滴分布不均匀、重喷、漏喷等问题,以多旋翼无人机系统为平台,基于ROS(Robot operating system)和MAVROS构建了由协同计算机与开源飞行控制器组成的二级控制系统,结合基于RTK-GPS的绝对位置测量和基于激光雷达的相对距离探测方法,融合外部传感器与飞行控制器板载传感器数据对无人机状态估计进行修正,提高了无人机飞行参数和飞行轨迹的稳定性。为进一步提高植保无人机自主作业性能,基于ROS设计了飞行任务管理系统,实现了无人机精准自主任务点之间的直线飞行。真实飞行试验结果表明：无人机自主飞行过程中水平方向平均定位误差为0.145m,垂直方向平均定位误差为0.053m。     

基于多速率卡尔曼滤波的植保无人机仿地飞行方法

针对四旋翼植保无人机坡地适应性差、作业时定高精度低的问题,提出了一种融合立体视觉、气压计及惯性测量单元(IMU)的多速率卡尔曼滤波估计无人机高度的仿地飞行方法。首先基于无人机实时高度、姿态与最佳视觉检测区域之间的关系,提出了视觉检测区域自适应算法;然后融合多传感器信息建立多速率卡尔曼滤波模型用以估计无人机对地高度;最后通过自主飞行实验对无人机高度估计算法与仿地飞行方法进行验证。实验结果表明,当飞行高度为2 m,飞行速度为1、2、3 m/s时,植保无人机在平坦地面与15°缓坡区域均可实现高度估计平均绝对误差小于20 mm,高度估计标准差小于30 mm;高度控制平均绝对误差小于30 mm,高度控制标准差小于30 mm;本文验证了植保无人机在地形变化场景下仿地飞行的有效性,为植保无人机在复杂地形自动化作业奠定了基础。     

植保无人机飞行作业参数对玉米施药作业效果影响研究

为了研究植保无人机在玉米病虫害防治及叶面肥喷洒中的作业效果,以无人机的飞行高度和飞行速度为试验因素进行正交试验,分析植保无人机在不同的作业参数下,玉米上、中、下3个层级的雾滴沉积密度和雾滴沉积均匀度,并结合极差和方差分析选择最优作业参数。试验结果表明：无人机在飞行高度为2.5 m、飞行速度为5 m/s时,无人机施药作业效果较好,上、中、下层的雾滴沉积密度分别为10.89、4.18、2.65个/cm²,雾滴沉积均匀度分别为25.06%、27.40%、48.56%。同时,考虑无人机作业参数受作业地点限制,无人机在不同飞行高度下的最优飞行速度参数分别为：高度2 m时速度为5 m/s、高度2.5 m时速度为5 m/s、高度3 m时速度为5 m/s。     

基于深度学习的马铃薯叶片病害检测方法#br# #br#

植物病害对食品安全具有灾难性的影响,它可以直接导致农作物的质量和产量显著下降,因此对植物病害的早期鉴定非常重要。传统的农作物病害诊断需要非常高的专业知识,不仅费时费力,还效率低下。针对这些问题,利用深度学习的方法,以马铃薯叶片为研究样本,基于TensorFlow开发Faster R-CNN网络模型。采用本地增强的方式对带有早疫病、晚疫病和健康的马铃薯叶片进行图像扩充,应用COCO初始权重进行迁移学习,探究了数据类别对模型检测结果的影响。结果表明,随着训练数据类别的增多模型性能会有略微的降低。同时还训练YOLOv3,YOLOv4网络与该模型进行对比,测试结果表明,所提出的Fater R-CNN模型优于其他网络模型。经检测该模型最佳精度达到99.5%,该研究为马铃薯病害检测提供了技术支持。     

小型无人机飞行控制的实现研究

小型无人机作为一项新型的技术形式,在地形勘测、电影拍摄、气象、灾害监测等许多行业都有着广泛的应用。本文对小型无人机飞行控制实现的相关内容,展开了分析和阐述,供读者参考。     

#br# 基于数据驱动的虚拟场景搭建及#br# 模型检索优化方法#br#

为更科学、高效地搭建虚拟场景渲染平台,解决大量虚拟场景模型的存储与检索的难度问题,运用虚拟仿真技术对使用先进的农业装备和合理规划的果园进行评估、对大量的虚拟场景模型特征信息进行提取及参数化建模,存储到数据库中,建立哈希索引列加速检索。以Unity3D为场景的开发平台,结合典型开源关系型数据库MySQL为虚拟场景模型特征信息参数存储载体,并建立哈希索引列。在数据驱动下,快速构建出符合需求的三维模型,实现了大量三维模型的快速检索调用。以果园场景为例,将天气系统仿真场景数据、多种类果树模型数据、实景扫描地形数据导入数据库中,构建果园场景数据库,快速创建虚拟果园场景仿真平台。仿真结果表明,该方法构建的数据库可以较好地支持场景平台的虚拟设计与仿真,且提升三维模型的检索效率,缩短了农业虚拟场景渲染平台的开发周期,为虚拟场景渲染平台的设计及搭建提供技术借鉴。     

基于改进Bi-LSTM-CRF的农业问答系统研究#br# #br#

针对农业领域问答系统面临的实体识别困难的问题,提出一种基于改进Bi-LSTM-CRF的实体识别方法。首先通过BERT预训练模型的预处理,生成基于上下文信息的词向量,然后将训练出的词向量输入Bi-LSTM-CRF做进一步的训练处理,最后,利用Python的Django框架设计农业领域的实体识别、实体查询、农知问答等子系统。经过试验对比,所提出的改进的Bi-LSTM-CRF在农业信息领域具有更好的实体识别能力,在农业信息语料库上的精确率、召回率和F1值分别为93.23%、91.08%和92.16%。实现农业领域实体识别和农业信息问答的知识图谱网站演示,对农业信息化的发展具有重要意义。     

基于Scan Context与NDT-ICP相融合的果园建图方法研究

由于果园环境复杂、树冠特征单一,且叶片会引起光线漫反射等因素,导致果园环境的地图构建过程中出现误匹配,增大建图的累计误差。针对以上问题提出一种基于Scan Context与NDT-ICP相融合的果园环境导航地图构建方法。该方法首先对Ring key进行快速地上层搜索,得到候选帧,并对候选帧与当前帧进行相似度评分,通过两阶段搜索算法来有效地检测回环以减少果园环境地图中的误匹配。同时使用基于正态分布变换粗配准与迭代最近点精确配准融合的点云配准方法降低果园环境地图的累计误差。试验结果表明,在KITTI数据集中使用半径搜索回环检测的回环数为42,使用Scan Context回环检测的回环数为51,回环数提高21.4%。NDT-ICP匹配算法的均方根误差为12.86 m,ICP匹配算法的均方根误差为15.11 m。在真实果园环境中使用半径搜索回环检测的回环数为196,使用Scan Context回环检测的回环数为261,回环数提高33.2%。该研究算法有效地降低果园环境地图构建过程中的误匹配、累计误差大的影响,满足果园环境下的高精度环境建图需求,为推进果园环境的无人化作业提供技术支撑。     

移动机器人RGB-D视觉SLAM算法

针对移动机器人视觉同步定位以及地图构建(Simultaneous localization and mapping,SLAM)研究中存在精确度较低、实时性较差等问题,提出了一种用于移动机器人的RGB-D视觉SLAM算法。首先利用定向二进制简单描述符(Oriented fast and rotated brief,ORB)算法提取RGB图像的特征点,通过基于快速近似最邻近(Fast library for approximate nearest neighbors,FLANN)的双向邻近(K-nearest neighbor,KNN)特征匹配方法得到匹配点对集合,利用改进后的随机抽样一致性(Re-estimate random sample consensus,RE-RANSAC)算法剔除误匹配点,估计得到相邻图像间的6D运动变换模型,然后利用广义迭代最近点(Generalized iterative closest point,GICP)算法得到优化后的运动变换模型,进而求解得到相机位姿。为提高定位精度,引入随机闭环检测环节,减少了机器人定位过程中的累积误差,并采用全局图优化(General graph optimization,G2O)方法对相机位姿图进行优化,得到全局最优相机位姿和相机运动轨迹;最终通过点云拼接生成全局彩色稠密点云地图。针对所测试的FR1数据集,本文算法的最小定位误差为0.011 m,平均定位误差为0.024 5 m,每帧数据平均处理时间为0.032 s,满足移动机器人快速定位建图的需求。     

基于激光点云的三维虚拟果园构建方法

针对果园管理数字化程度低、构建方法较为单一等问题,本研究提出了一种基于激光点云的三维虚拟果园构建方法。首先采用手持式三维点云采集设备（3D-BOX）结合即时定位与地图构建-激光测距与测绘（Simultaneous Localization and Mapping-Lidar Odometry and Mapping,SLAM-LOAM）算法获取果园点云数据集;然后通过统计滤波算法完成点云数据离群点与噪声点的去除,并结合布料模拟算法（Cloth Simulation Filtering,CSF）与DBSCAN（Density-Based Spatial Clustering of Applications with Noise）聚类算法,实现地面去除与果树聚类分割,进而使用VoxelGrid滤波器降采样;最后利用Unity3D引擎,构建虚拟果园漫游场景,将作业机械的实时GPS（Global Positioning System）数据从WGS-84坐标系转换为高斯投影平面坐标系,并通过LineRenderer显示实时轨迹,实现作业机械运动轨迹控制与作业轨迹的可视化展示。为验证虚拟果园构建方法的有效性,在海棠果园与芒果园开展果园构建方法测试。结果表明,所提出的点云数据处理方法对海棠果树与芒果树聚类分割的准确率分别达到了95.3%与98.2%;通过与实际芒果园的果树行距、株距对比,虚拟芒果园的平均行间误差约为3.5%,平均株间误差约为6.6%。并且将Unity3D构建出的虚拟果园与实际果园相比,该方法能够有效复现果园三维实际情况,得到了较好的可视化效果,为果园的数字化建模与管理提供了一种技术方案。     

果园机器人LiDAR/IMU紧耦合实时定位与建图方法

针对果园环境中GNSS定位信号易丢失和传统SLAM算法鲁棒性较差的问题,本文提出一种基于LiDAR/IMU紧耦合框架的全局无偏状态估计果园机器人定位与建图方法。LiDAR/IMU紧耦合框架基于因子图进行多源约束的IMU里程计构建,实时输出高频位姿信息,IMU里程计因子和预积分因子优化LiDAR里程计并提供位姿先验约束IMU零偏。引入局部点云地图参与特征点云粗匹配和非特征点云递进式匹配进一步稠密化源点云,改善LiDAR里程计的性能。融合GPS信号与LiDAR/IMU紧耦合框架的地图构建,能够得到准确且高频连续的位姿信息,提高点云地图的复用率。在果园和苗木等场景验证了该算法的性能,实验结果表明,与LIO-SAM等算法相比,定位精度维持在0.05 m左右,均方根误差为0.016 2 m。本文算法使机器人具有更高的精度、实时性和鲁棒性,有效降低了系统累积误差,保证了所构建地图的全局一致性。     

基于变尺度格网索引与机器学习的行道树靶标点云识别

针对行道树连续喷雾施药方式严重污染环境,果园对靶施药技术难以推广至复杂城区环境等问题,应用车载2D LiDAR获取街道三维点云数据,研究行道树靶标识别方法。构建变尺度格网点云索引结构,实现邻域快速搜索及点云在线处理;提取高程、深度、密度、协方差矩阵等11个点云球域特征,分析特征分布特性,采用基于径向基核函数的支持向量机算法融合特征,学习树冠点云分类器;采用FIFO缓冲区保存点云帧序列,实现行道树靶标在线识别。实验结果表明,该方法能够实现行道树靶标精确识别,在测试集上的分类错误率小于0.8%,检出率大于99.4%,虚警率小于0.9%,鉴别力最强的4个特征从高到低依次是高程均值、深度均值、高程范围和高程方差。     

基于逆向工程的饲料搅拌机刀片三维造型设计

针对TMR饲料搅拌机梅花刀刀刃曲线复杂,不易找出曲线方程进行正向设计的问题,利用逆向工程技术得到梅花刀的三维模型。利用非接触式激光扫描仪对梅花刀片表面进行三维扫描,并获取三维点云数据,研究曝光率对扫描结果的影响;利用Geomagic Studio软件对点云数据进行优化处理;利用Geomagic Design软件对刀片曲面进行重构;利用Geomagic Control将重建后的三维几何模型与原始点云数据进行误差对比分析,完成逆向工程技术在梅花刀片结构设计中的应用初步研究。     

利用多时序激光点云数据提取棉花表型参数方法

当前,能够实现作物表型参数高效、准确的测量和作物生育期表型参数的动态量化研究是表型研究和育种中亟待解决的问题之一。本研究以棉花为研究对象,采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据,针对棉花植株主干的几何特性,利用随机抽样一致算法（RANSAC）结合直线模型完成主干提取,并对剩余的点云进行区域增长聚类,实现各叶片的分割;在此基础上,完成植株体积、株高、叶长、叶宽等性状参数的估计。针对多时序棉花激光点云数据,采用匈牙利算法完成相邻时序作物点云数据的对齐、叶片器官对应关系的建立。同时,对各植株表型参数动态变化过程进行了量化。本研究针对3株棉花的4个生长点的点云数据,分别完成了主干提取、叶片分割,以及表型参数测量和动态量化。试验结果表明,本研究所采用的主干提取及叶片分割方法能够实现棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时,本研究实现了棉花表型参数的动态量化过程,为三维表型技术的实现提供了一种有效的方法。     

基于改进SURF算法无人机影像特征匹配的研究

由于无人机受相机广角和飞行高度的限制,单张影像无法拍摄整个农田形状,导致无法准确测量农田实际面积。为此,基于图像特征匹配技术,提出改进SURF算法,用于无人机影像拼接。该算法针对传统SURF算法初始特征点选取精度不足的问题提出改进方案,优化高斯模糊的过程,进而形成新的尺度空间生成方式。通过在实验基地试验得出:本研究提出的改进SURF算法比传统SURF算法特征点在卷积核尺寸为3×3时,70 m、120 m高空的匹配率分别提升4.7%和5.3%;在卷积核尺寸为5×5时,70 m、120 m高空的匹配率分别提升4.0%和4.3%。本研究将改进后的SURF算法用于后期图像拼接中,经试验对比发现:改进的SURF算法在图片拼接处衔接程度明显提升,得到匹配精度更优的拼接图像。     

基于单目视觉的动态环境同步定位与多地图构建算法

针对传统V-SLAM算法是在假设场景刚性不变的条件下进行建图,导致无法实现动态环境建图,以及传统算法无法克服因环境特征不明显或机器人被“绑架劫持”而导致场景跟丢的问题,提出一种在动态环境下同步定位与多地图构建(DE-SLAMM)算法。该算法首先引入一种多地图构建思想,当跟踪失败时会自适应生成一个新的局部地图,并在回环时将该地图与之前地图融合,解决算法跟丢后无法建图的问题。其次,结合深度学习和多视图几何技术实现对环境中的动态物体进行实时检测,并利用多帧融合技术对动态对象遮挡的部分进行背景修复,有效解决动态环境下跟踪建图问题。最后将该算法应用于实际场景进行测试,结果表明,相比经典的V-SLAM算法(ORB-SLAM2、ORBSLAMM和DynaSLAM),当发生跟踪丢失时,本文算法在很短时间内快速重建地图并实现继续跟踪和新地图融合,而ORB-SLAM2和DynaSLAM跟丢后进入重定位模式,无法继续建图;ORBSLAMM跟丢后虽然可以继续建图,但其建立的地图不能实现多地图融合,无法构建整体地图;进一步通过动态环境测试实验发现,只有本文算法可实现所有动态目标(先验和移动目标)的实时检测及背景...     

果树冠层三维点云颜色矫正方法研究

针对地面三维激光扫描仪在室外环境下获取果树冠层三维点云信息的复杂性,以及三维点云的颜色和真实颜色存在较大色差问题,提出了一种三维点云颜色矫正方法。通过计算Pearson系数和Spearman相关系数,确定扫描点的 R、G、B 分别与太阳辐射值、TCCR24标准颜色测试板与地面夹角 θ 、TCCR24标准颜色测试板不同色块颜色、扫描质量、光线方向变量之间均存在相关关系。利用统计学方法,在置信度为95%时,建立 R、G、B 分量的双重筛选逐步回归模型。利用建立的回归模型,矫正三维点云颜色。采用该方法对室外果树冠层三维点云进行颜色矫正实验,结果表明,利用建立的颜色矫正回归模型,三维点云颜色 R、G、B 与真实颜色 R、G、B 的相关度由矫正前的低于0.69提高到0.90以上,颜色矫正后的标准差明显由矫正前的高于50%降到低于13%。该方法可为地面三维扫描仪获取较准确的三维点云的彩色信息提供理论依据。