小型无人机振动特性对超声波传感器的影响

【目的】安全避障是目前无人机(Unmanned aerial vehicle,UAV)领域迫切需要解决的一个难题,利用超声波传感器是无人机避障的重要手段之一,针对无人机飞行过程中机械振动的特性以及对超声波测距传感器的影响进行了研究,以提高超声波测距传感器的精准度,改善无人机作业稳定性。【方法】通过采集无人机不同油门开度的振动数据,进行多信号分析,得到无人机振动强度的空间和频域分布,并根据振动强度的空间分布,测定无人机振动对于超声波测距传感器的误差影响。【结果】随着离无人机中心距离的增加,无人机机臂上振动强度的空间分布存在减弱和加强交替出现的现象,离无人机中心最远处出现最大振动强度;振动幅度随着频率的增加而降低;无人机在载桨运行过程中对于机载超声波测距传感器水平测距影响最大,最大误差达到0.69 m,垂直方向的误差最大为0.20 m。【结论】随着离无人机中心距离和油门的增大,振动强度增大;调整传感器的振动频率可以减少无人机振动对传感器的影响。本研究结果为超声波传感器在农业无人机安全避障方面的应用提供了参考。     

基于可见光波段的无人机超低空遥感图像处理

【目的】探讨低成本的可见光超低空农业遥感平台提取与分析农情信息的可行性,为农用无人机精准施药与农情监测提供技术支持。【方法】以仅包含红光、蓝光和绿光的超低空可见光农田遥感图像为研究对象:首先利用张氏校正法获取相机的畸变矩阵,并校正图像;然后提取与分析图像的可见光植被指数;最后通过分析超低空可见光农田图像中植被与非植被的光谱特性,对可见光超低空遥感图像进行植被信息提取。【结果】获得的农田植被提取图像很好地区分了植被与非植被。【结论】基于可见光的超低空遥感农业信息获取系统应用具有可行性,可为构造低成本的可见光低空遥感监测系统提供参考。     

基于无人机可见光影像和面向对象的树种分类研究

针对目前林业部门人工调查树种存在效率低、成本高等问题,采用无人机遥感技术进行树种分类识别,提高树种调查效率,辅助林业管理部门进行林木种植结构分析、病虫害防治等工作。利用无人机获取矮冬青、三球悬铃木、马尾松和紫叶李的冠层红绿蓝（red-green-blue,RGB）可见光影像,进行数字表面模型（digital surface model,DSM）特征图像提取,通过色彩空间转换提高树种间颜色差异;应用最优尺度分割,以纹理特征、颜色特征及几何特征为分类特征参数,优选最佳分类特征集,以期实现无人机可见光影像的树种分类。结果表明,DSM与RGB特征融合图像提取树种的精度较高,可见光影像分类总精度为91.58%,Kappa系数为0.89;特征融合图像分类总精度为98.27%,Kappa系数为0.98。研究提出的特征融合图像结合面向对象分类方法实现了可见光影像的树种分类,为实现树种计数、统计、分类提供数据参考。     

航空喷施与人工喷施方式对水稻施药效果比较

【目的】找出小型无人直升机航空喷施雾滴在水稻植株的沉积分布规律,并比较农用无人机航空喷施方式和人工喷施方式的不同。【方法】通过喷施试验研究了市场上主流的2种不同型号无人机(油动单旋翼和电动单旋翼小型无人直升机)、不同作业参数对水稻冠层雾滴沉积分布结果的影响,并比较了不同农用无人机航空喷施方式和人工喷施方式的效果和效率。【结果】航空喷施方式下的作业参数对雾滴沉积量和穿透性均有着相同的影响趋势,均表现出作业速度越慢,雾滴在植株间的沉积量越多,穿透性越好;作业高度越低,沉积量越多,但穿透性较差。但由于不同类型无人机旋翼风场强度的不同,油动单旋翼小型无人直升机喷施作业时作业高度对雾滴的沉积均匀性影响明显,而电动单旋翼小型无人直升机喷施作业时作业速度对雾滴的沉积均匀性影响明显。人工喷施作业的雾滴在水稻植株上、中、下3层的沉积均匀性最差,且雾滴在水稻植株间的穿透性也最差,为110.42%,人工喷施雾滴大部分都沉积在植株上层,只有3.27%的药液量到达植株的底部,而航空喷施作业有10%~30%的药液量能到达植株的底部。【结论】从不同喷施作业方式的效果和效益来看,航空喷施雾滴沉积效果优于人工喷施雾滴沉积效果,作业效率约为人工喷施方式的10倍,且成本低,效益高。     

抗稻瘟病水稻光温敏核不育系华1037S的选育

华1037S是以光温敏核不育水稻C815S为轮回亲本,以携带Pi2基因的抗稻瘟病材料VE6219为供体亲本,通过杂交、回交和分子标记辅助选择,并结合低温筛选和人工气候箱鉴定选育的抗稻瘟病中籼型光温敏核不育系,具有株叶形态好、中抗稻瘟病、育性稳定、育性转换临界温度低、配合力与C815S相当等优点,2013年8月通过湖北省科技厅鉴定。     

多光谱低空遥感图像光照辐射度校正

为了提高受云层阴影影响的遥感图像的信息提取准确度,该文以水稻小区试验过程中为进行氮素水平检测而采集的低空机载高分辨率多光谱遥感图像为对象,对受云层阴影影响的高光谱图像进行光谱校正,从而提高氮素水平检测的精度。试验中采用机载的双摄像机同步采集可见光和近红外的水稻遥感图像,并将两摄像机的图像进行几何校正后合成得到彩红外(color infrared,CIR)光谱图像;同时在图像采集区域布置3块不同反射率的1.2 m×1.2 m标定靶,利用便携式光谱仪测定标定靶的反射光谱曲线,并统计标定靶在图像中各通道的亮度均值。以标定靶在晴天无云和有云图像中的亮度值为节点,对G、R和近红外(near infrared,NIR)通道分别建立分段的线性变换模型进行校正。为验证校正精度,在遥感图像中分别选择大田水稻、小区试验田块和裸地3个不同区域的图像的G、R和NIR通道像素亮度均值及归一化植被指数(normalized differential vegetation index,NDVI)作为评价指标。试验结果表明,和传统的整体线性变换相比,采用分段线性变换校正具有较高精度,G、R和NIR通道校正后的平均误差为8.6%,9.1%和11.7%,NDVI平均误差为11.5%,有效提高了阴影条件下的遥感图像的信息提取精度,提高了受云层影响遥感图像的利用率。研究为低空遥感的图像校正提供了参考。     

基于多元振荡黏菌算法的田路分割模型参数优化方法

田路分割是农机轨迹语义分割模型的重要任务之一,其目的是将轨迹自动分割为田间作业轨迹和道路行驶轨迹。该文选用基于方向分布的田路分割模型（Field-Road Trajectory Segmentation Based On Direction Distribution,BDFRTS）,田路分割模型的参数是影响其分割准确性及精度的关键因素,传统的参数选择方法效率较低且难以获得较好的方案,限制了模型的分割性能。因此,该文尝试从参数优化的角度研究模型的性能提升,提出的方法主要包括两个方面,首先建立了一种基于元启发式算法（Metaheuristic Algorithms,MA）的田路分割模型参数优化解决方案;其次,在黏菌算法（Slime Mould Algorithm,SMA）的基础上提出了一种改进的多元振荡黏菌算法（Multiplex Oscillation Slime Mould Algorithm,MOSMA）求解参数优化方案以更好地提高模型的分割性能。MOSMA分别提出一种动态引导策略与多元振荡策略强化了黏菌的振荡收缩反应及细胞质的流动过程,进而增强了算法的优化能力。为验证所提参数优化方法的有效性,将博创联动提供的中国农机在2021年9月底-10月中下旬进行水稻收割的作业轨迹作为数据集开展试验。试验结果表明,该文所提方法有效地提升了田路分割模型的准确性和性能。MOSMA-BDFRTS分割模型在10组高密度轨迹中的平均准确率相比网格搜索田路分割模型,粒子群田路分割模型分别提高了25和28个百分点;在10组低密度轨迹中分割的平均准确率分别提高了17和14个百分点。该研究可为田路分割技术提供合理的性能优化方案,也为农业机械运动轨迹分割技术的效率研究提供参考依据。     

基于无人机可见光影像的免耕种植夏玉米苗数估算

为了快速估算免耕种植夏玉米出苗数,提高大田夏玉米种植管理的精准性,本研究利用无人机搭载可见光相机获取夏玉米田块高分辨率可见光影像,计算8种植被指数并结合最大类间方差法分割植被与非植被,经分析,选择红色植被指数(RI)二值化图像对可见光影像掩膜;然后统计夏玉米和杂草的24项纹理特征,比较杂草特征的变异系数及其与夏玉米的相对差异系数,选择红色方差提取夏玉米苗的特征,使用时序交点阈值法确定的阈值去除杂草干扰;提取夏玉米苗形态学特征参数作为样本,采用支持向量机(SVM)、BP神经网络、K近邻和决策树4种算法构建夏玉米苗数预测模型。结果表明,SVM和决策树算法的整体效果较好,决定系数均超过0.8且平均绝对误差(MAE)小于0.3,尤以决策树模型的精度最高,可达94.1%。本研究结果可为大面积夏玉米出苗率估测提供技术支持。     

基于图像识别的无人机精准喷雾控制系统的研究

【目的】针对传统的植保无人机喷雾作业时化肥农药浪费大,利用率低,造成环境污染的问题,研制一种基于图像识别的无人机精准喷雾控制系统。【方法】利用中值滤波算法对田间航拍图像进行去噪,采用分层K_means硬聚类算法实现对农田航拍图像的分割,提取非作物区域的颜色、纹理特征空间的22个特征参数,设计支持向量机分类器进行分类识别。根据优选的17个特征参数,利用以径向基函数作为核函数的支持向量机对非作物区域图像进行识别,并根据识别结果控制喷头,实现精准喷雾。【结果】测试样本的识别率可达为76.56%,在无干扰风场情况下,当P_阀为10%时,减施率可达32.7%。【结论】本系统为农业航空精准喷雾控制技术的应用提供了参考方向和决策支持。     

基于DCP和OCE的无人机航拍图像混合去雾算法

针对无人机在雨雾天气下的农田航拍图像退化问题,考虑无人机自身特性,提出了一种基于DCP和OCE的无人机航拍图像混合去雾算法。首先判断原始图像天空区域的存在,利用Canny边缘检测算法对带天空区域的原始图像进行分割并做高斯羽化处理,再采用膨胀和腐蚀等形态学操作进行二值化区域填充,去除非天空区域中对应亮度低的区域,提取天空区域和非天空区域。非天空区域图像采用基于导向滤波的暗通道先验算法去雾。天空区域图像采用基于代价函数的优化对比度算法去雾。本试验分别从主观视觉性和无参考量化评测两方面对100幅航拍图像去雾结果作出评价,试验结果表明,所提算法在对带雾图像去雾后,出现Halo现象的概率相较于DCP算法降低了95%,其综合评测均值指数提高了26%,去雾效果明显,色彩还原度高,没有明显的过渡区域和偏色现象,处理速度可达33帧/s,平均速度相较于DCP算法提高了32%,能满足实时性要求。