物联网  >   智能农业  >  正文

智慧化无人机植保解决方案

  来源:《中国人工智能学会通讯》2018年第4期

  智能农业专题

  CAAI 2018年 第8卷 第4期 陈立平,张瑞瑞

  智慧化无人机植保解决方案

  ——人工智能语境下的全新农事体验

  航空技术作为近一个世纪以来发展最迅速、对人类社会影响最大的科学技术之一,近年在农业领域迅猛发展。农业航空应用是现代农业的重要组成部分,也是反映农业现代化水平的重要标志。农业与航空技术的结合带来农业生产方式的全面革新,在未来必将发挥更为重要的作用。

  植保无人机利用无人机平台搭载施药装置对作物进行遥感信息获取和定量定点精准施药,具有复杂地形适应性强、作业效率高等优势。无人机可集成智能飞控系统、复合光电吊舱、精准变量喷施设备等多种新型任务载荷,从而为农业植保提供全方位支持。2014 年,美国麻省理工学院发布的《MIT 技术评论》中,将农业无人机技术作为第一位,与脑图技术、基因编辑技术、神经形态芯片等列为年度十大突破性科技创新技术。特别是在我国,随着农村从业劳动力的快速下降和无人机技术的日趋成熟,无人机植保在我国得到比全球其他任何国家都更加快速的发展。

  当前,受益于人工智能技术、并行计算技术,以及智能硬件等方面取得的突破,无人机植保技术向着智能化、系统化、精准化方向发展。未来,具有作业区域自动识别与定位、作业路径自主规划、全自动无人飞行、全程作业可视可溯的智慧型植保无人机将极大提高农业作业效率,改善农业从业人员劳动环境。智慧化无人机植保也将成为我国智慧植保、绿色植保、科学植保的核心实践技术,对我国农业现代化、智能化的技术升级转型和革命起到核心推动作用,为新时代下的农业从业人员带来全新的农事体验。

  1 智慧化无人机植保核心技术组成

  1.1 基于机器学习的无人机遥感作物信息识别与提取技术

  近年来,基于微小型无人机的遥感信息获取技术,广泛应用在农业领域。微小型无人机搭载多种光电载荷,可快速获取农田作物信息。相比卫星遥感技术,其具有运行成本低、灵活方便、局部数据精度高的特点。在作物长势估计、农田设施调查、作物表型信息获取等方面有着无可比拟的优势。随着基于深度学习的模式识别技术逐渐应用于农业智能遥感信息处理领域,以无人机作为搭载多传感器的遥感平台,可快速提取作业地表特征并进行作业目标分类识别,从而为智能植保作业提供基础。在作物分类识别研究领域,学者们将传统随机森林分类算法和基于卷积神经网络的深度学习方法用于遥感影像图片处理,发现在存在图像背景干扰情况下,深度学习方法对玉米、大豆等作物分类识别能力远高于传统随机森林方法 [1-2];在作业地表特征研究领域,根据含水田间毛渠和无水、少水田间毛渠在光谱、几何、空间关系等特征参量中表现出的与其他地物的特异性 ,采用基于特征组合分层分类提取方法,快速获得田间毛渠分布信息 [3]。图 1 示出了基于深度学习的作物卫星遥感影像处理过程。

  基于机器学习的无人机遥感技术还在作物株高、叶绿素含量、叶面积指数、病害易感性、干旱胁迫敏感性、含氮量和产量等信息的解析方面有着广泛应用。例如,采用光谱辐射仪和成像光谱仪在冬小麦试验田进行空地联合试验,可基于获取的孕穗期、开花期,以及灌浆期地面数据和无人机高光谱遥感数据,估测冬小麦叶面积指数分布 [4]。

  

 

  图 1 基于深度学习的作物卫星遥感影像处理过程

  1.2 田间作业环境智能感知技术

  在田间作业处方图的基础上,对环境中的作业对象和其他障碍物进行智能动态感知,采用模式识别方法,获得障碍物基本尺度特征、类型属性等关键信息,由此进行动态作业控制。随着人工智能技术和传感器技术的飞速发展,无人系统控制技术正在从过去的既定条件下的自动驾驶,到非既定条件下对环境的实时感知、实时自主决策,进而自主完成作业任务。面向田间作业环境的感知技术,已成为农业无人机自主作业的必要条件 [5]。而基于机器视觉和多传感器融合的智能模式识别方法,为此类应用需求提供了有效的解决途径。如图 2 所示。采用扫描式激光雷达传感器对环境进行 SLAM 构建是目前最常用环境感知方式,结合惯性测量数据信息生成周围环境的稀疏点云数据,可获得障碍物与机体的相对距离、方向;再通过对稀疏点云数据加密的处理,进一步获得精细化的环境感知信息。由于激光雷达体积较大,且后期数据计算量大,不利于实时应用场合,因此基于图像传感器的机器视觉 SLAM 智能感知方法开始成为热点。对环境和物体视觉特征信息进行提取,运用模式识别算法,通过坐标变换,对机体本身的位置、相对速度进行滤波估计,为系统提供作业环境导航的观测量。在此基础上可利用多个传感器的视觉图像对物体进行空间三维建模和运动状态估计;再将多个传感器获得的环境信息进行融合、增强、扩展;然后通过通信链路进行分发,使多个无人机可同时获取这些环境信息,提高无人机系统作业效率和安全性 [6]。无人机田间作业环境感知技术,可使无人机在田间复杂环境中实现安全高效的飞行,以及精确对靶作业。

  

 

  图 2 激光雷达环境建模过程

  1.3 复杂大田区域环境下的作业路径智能规划技术

  由于无人机载荷能力和续航时间有限,同时作业区域多为分散的小面积不规则区域,因此合理的作业路径规划,可以减少农业无人机无效的非作业飞行时间。如图 3所示,国内外农业无人机作业路径规划方法主要为全覆盖算法 (complete coverage path planning),即规划路径必须对作业空间实现完全的覆盖,在此条件下采用单元分解方式,应用 A*、TSP、GA 等优化搜索算法,最终使作业路径最短或作业能耗最小 [17]。植保无人机作业路径规划方法,目前主要围绕单一区域多架次作业和多个非连接区域作业调度两个方面开展研究工作。在单一区域中,植保无人机作业通常采用规则往复的“牛耕法”,当药剂用完时再返回加药点补充药剂继续作业,这种方式在多架次往返加药条件下,会因为返航点的不同而导致非作业飞行的路径和能耗加大。为了便于将计算智能引入作业路径中,栅格法被用于构建作业环境描述模型,一方面可对作业区域进行精细到作业幅宽的数值化描述;另一方面有利于和 GIS 系统进行坐标转化。在此基础上,可根据实际的作业区域规模、形状等环境信息和无人机航向,为相应栅格赋予作业概率,无人机路径优先选择概率高的栅格行进。同时以往返飞行、电池更换、药剂装填等非植保作业耗费时间最短为目标函数,通过采用引力搜索算法等智能搜索方法,实现对返航点数量与位置的寻优 [8]。面对多个非连接区域作业问题时,先对单个作业区域进行局部作业路径规划,获得按作业工艺参数优化的作业路径;再将作业顺序进行编码,采用遗传算法等空间搜索算法进行多个区域间飞行作业任务优化调度,从而最终优化全过程作业路径,提高无人机作业效率[9]。目前仿真和示范作业已证明此类方法的有效性,但相对于其他应用领域,对于引入障碍物和多机协同避碰的智能植保作业路径规划方法的研究还十分欠缺,目前尚无法满足蓬勃发展的无人机植保应用需求。

  

 

  图 3 全覆盖无人机作业路径规划方法流程

  1.4 施药过程雾滴运动建模及精准喷施控制技术

  不同于地面机械作业,无人机植保效果受环境风场、飞行高度和飞行速度等多种因素影响 [10]。根据当前环境风场和作业参数预测雾滴飘移沉积区域,从而实时调整作业参数,是无人机植保实现精准化的手段和目标。

  目前传统研究手段主要集中在对实验数据的定量统计方面。通过航空喷洒雾滴沉积和飘移试验,对各型无人机田间作业雾滴沉积效果进行评价,并研究雾滴沉积受飞行高度、雾滴粒径谱、喷头配置和天气状况的影响 [11-12]。但由于受环境、作业条件重复性差等因素的制约,尚缺乏通用性的分析模型。我们预计未来基于非接触式光学测量方法的田间飞行喷洒实验及全尺寸室内风洞实验结果,将为无人机植保作业过程中的雾滴运动模拟方法提供标定依据。

  在雾滴飘移模拟研究方面,美国在1979 年就已开发出基于固定翼有人机尾涡运动模型及高斯分布方法的雾滴飘移预测软件 AGDISP[13]。但由于无人机旋翼下洗风场的复杂性,针对无人机的雾滴沉积飘移预测模型仍在开发中。近年来,随着计算机技术的发展,尤其是多核 CPU 并行计算,以及 GPU 并行算法的发展,使得直接基于 CFD 数值模拟雾滴运动规律逐渐成为可能 [14]。北京农业智能装备技术研究中心目前已基于 CFD 模拟获得了固定翼有人机在不同作业条件下的雾滴沉积飘移结果 [15-16]。CFD 模拟展示雾滴运动规律如图 4 所示,高精度格式 CFD 模拟旋翼翼尖涡与实验结果对比如图 5 所示。

  

 

  图 4 CFD 模拟展示雾滴运动规律 [16]

  

 

  图 5 高精度格式 CFD 模拟旋翼翼尖涡与实验结果对比 [17]

  无人机风场模拟方面,目前高精度瞬态算法还主要应用于基础研究领域,不涉及雾滴运动模拟及近地面巡航作业 [17];行业研究则以定常流平均场模拟为主,注重对实际作业条件及雾滴运动的模拟 [18]。从目前研究结果看,针对农用无人机面临的近地面复杂流场环境,要获得较为真实的涡管三维运动仍需大量 CPU 机时(以双方程 RANS 模型为例,5×106 网格,计算 5 万步所需开销为 1×103 Core*Day)。我们预测未来行业主流的 CFD 模拟方法依然会是基于 RANS 湍流模型数值求解 N-S 方程,并通过优化自适应网格和并行算法,平衡计算精度与计算开销。另外,由于高精度计算格式短期还难以应用于行业研究,CFD模拟精度相距真实作业情况仍将存在差距。

  在喷雾模型构建方面,目前仍以非接触式测量方法为主,通过激光衍射和高速粒子图像测速等手段,对特定喷头、助剂和喷施参数下的雾滴粒径及速度的空间分布进行测量,获得可用于无人机施药作业的喷雾模型;再将其分布参数直接基于每个雾滴数字化,或整体基于 Rosin-Rammler 分布模型简化后,与无人机风场模型进行耦合,求解离散相雾滴的运动轨迹,从而实现雾滴沉积飘移规律的预测。雾滴沉积飘移预测结果将被整合到作业导航控制系统,能够实时判定当前雾滴沉积区域,从而动态调整作业路径及喷洒参数。目前该方案在固定翼有人机上已进入商用阶段,但在无人机植保领域仍处于研究阶段。

  可变量机载喷施设备方面,喷施剂量的精准可控性主要取决于变量喷洒控制系统的流量精准检测、流量输出控制和喷头雾化控制三方面。其中,流量检测方法的发展主要是开发高响应速度和高精度的小型流量计,为反馈控制提供基础;流量控制仍以传统的功率调节或 PWM 流量控制为主,逐渐开始研究针对单一喷头的独立控制方法;喷头雾化控制主要依靠电动旋转雾化器转速调节,该技术目前已进入商用阶段。喷施效果的精确控制则须通过与机体姿态、高程、位置信息的融合,并依托地面站提供的相关环境信息,共同建立精准的机载喷施控制系统。针对喷施效果的控制研究,目前还处在模拟仿真和初步的田间实验阶段 [19]。

  1.5 植保效果的综合智能评估体系与评估技术

  作物上药液的雾滴分布特性重要评价指标包括均匀性和沉降量等,其中,雾滴的沉降量是检验药液防治效果的直接指标;沉降药液的覆盖率和均匀性是优化航空施药设备和施药技术方案的重要指导 [20]。

  传统的雾滴沉积分布评价方法利用聚乙烯软管、聚乙烯板、雾滴采集卡、水敏纸和棉线等采集农药雾滴分布,通过相关软件分析雾滴覆盖率和雾滴密度;通过示踪剂估测农药沉积量,可获得药液覆盖范围、雾滴粒径大小等雾滴沉积分布特性 [21]。

  遥感影像也是评估施药药效的重要手段。例如,地面植被指数可用来评估大尺度农田的农用航空药液喷施效果;高光谱成像技术获取的叶片区域光谱信息,可用于分析叶片施药后的药效;对获取的药物云团探测区域雾滴分布的红外成像光谱进行特征分析,能够反演药物云团浓度分布 [22]。

  随着信息技术的发展,地面药效评估将逐渐从单纯的作业后效果评价向作业中决策指导转变。实时化的药效评估结果将纳入无人植保反馈体系,为智能作业决策提供依据,从而提高作业效率和精准度。北京农业智能装备技术研究中心目前已基于可变介电常数电容器原理设计开发了一款多节点雾滴沉积传感器及检测系统,实现了航空施药雾滴沉积量的快速获取。该系统能够获取雾滴从沉积到蒸发随时间变化的全过程并将数据实时回传,已初步具备了实现智能药效评估的基础 [23]。

  1.6 基于云数据管理技术的作业过程可溯、可控、可视化技术

  无人机植保作业在我国目前还属于监管难点,亟需采用信息化、智能化的手段,对无人机作业全过程进行有效的监管。我们预计基于数据挖掘,将单一的管控模式转换为以大数据为依据,以信息服务为手段的智能作业监管模式将是未来的发展方向。目前投入使用的无人机智能监管系统,均采用“机载终端 + 网络云服务器”的应用模式。机载数据采集终端包括多种关键作业状态信息传感器和移动数据通信模块,所采集的作业高度、流量和飞行速度等信息,可直接通过公共数据网络上传至数据服务器。运用智能数据处理方法,可获得区域总作业量、病虫害类型、基本作业效果和药剂使用量估计等宏观信息,同时对农作物长势、病虫害爆发趋势、药剂使用综合效果、种植面积变化趋势和区域产量等信息进行动态预测,为农业生产者和主管部门应对农业相关产品市场变化提供信息支撑。目前,北京农业智能装备技术研究中心的航空植保作业监管与自动计量系统已上线运行,累计完成作业面积超过4 500 余万亩,可对有人机和无人机作业全程进行实时远程监控,并可依据位置、要求、作业评价等信息,为用户提供智能作业任务分配服务,提高作业服务决策的智能化水平 [24]。

  2 结论

  人工智能技术以前所未有的发展速度引领着时代,必将对农业无人机的生产、研发、应用造成深远的影响。

  (1)人工智能技术的引入将无人机遥感技术的发展从信息获取的初级阶段推向信息挖掘、融合、再生的新阶段,在深度学习技术和海量数据的支撑下,各种异构信息之间的反演将为我们呈现出作物生长过程的细节和本质规律。

  (2)无人机田间作业模式将从人在回路的控制模式走向基于田间环境感知的自主控制方式,对作业过程的控制不再依赖人的经验和临场判断,而是基于多源信息融合后的智能决策,保证全作业过程控制具有可靠的数据支撑。

  (3)随着作业经验的积累和智能规划方法的引入,无人机作业将先以模拟仿真的形式进行过程优化和快速数字推演,大部分过程状态变量在实际作业之前就已经被准确估计出来,同时引入障碍物和多机协同避碰的智能植保作业路径规划方法将成为下一步研究的热点。

  (4)基于计算流体力学模拟的无人机施药雾滴运动模型将被整合到无人机飞行控制系统,并在可变量机载喷施设备的支持下,实现作业路径动态调节,以及基于实时环境作业参数的精准变量喷施。

  (5)作业过程关键的状态信息将被精确的量化记录下来,在大数据技术的支撑下,整个作业流程变得透明化,所有环节变得可控可溯,对作业效果的模型化、数据化评价体系将最终建立。

  可以期待,未来以农用无人机为应用核心的植保智慧解决方案将给人们带来一种全新的农事体验。

  参考文献

  [1] Kussul N, Lavreniuk M, Skakun S, et al. Deep learning classification of land cover and crop types using remote sensing data[J]. IEEE Geoscience & Remote Sensing Letters, 2017(99):1-5.

  [2] Chen S W, Skandan S S, Dcunha S, et al. Counting apples and oranges with deep learning: a data driven approach[J]. IEEE Robotics & Automation Letters, 2017(99):1-1.

  [3] 韩文霆 , 张立元 , 张海鑫 , 等 . 基于无人机遥感与面向对象法的田间渠系分布信息提取 [J]. 农业机械学报 , 2017, 48(3):205-214.

  [4] 高林 , 杨贵军 , 于海洋 , 等 . 基于无人机高光谱遥感的冬小麦叶面积指数反演 [J]. 农业工程学报 , 2016, 32(22):113-120.

  [5] Zhu H, Yuen K V, Mihaylova L, et al. Overview of environment perception for intelligent vehicles[J]. IEEE Transactions on Intelligent Transportation Systems, 2017, 18(10):2584-2601.

  [6] Gee T, James J, Mark W V D, et al. Lidar guided stereo simultaneous localization and mapping (SLAM) for UAV outdoor 3-D scene reconstruction[C]//International Conference on Image and Vision Computing New Zealand. IEEE, 2017:1-6.

  [7] Pham T H, Bestaoui Y, Mammar S. Aerial robot coverage path planning approach with concave obstacles in precision agriculture[C]//The Workshop on Research. 2017:43-48.

  [8] 徐博 , 陈立平 , 谭彧 , 等 . 基于无人机航向的不规则区域作业航线规划算法与验证 [J]. 农业工程学报 , 2015(23):173-178.

  [9] 徐博 . 植保无人机航线规划方法研究 [D]. 北京 : 中国农业大学 ,2017.

  [10] Hewitt A J, Johnson D R, Fish J D, et al. Development of the Spray Drift Task Force database for aerial applications[J]. Environmental Toxicology & Chemistry, 2002, 21(3):648-658.

  [11] Zhang S, Xue X, Sun Z, et al. Downwash distribution of single-rotor unmanned agricultural helicopter on hovering state[J]. International Journal of Agricultural & Biological Engineering, 2017, 10(5):14-24.

  [12] Chen S D, Lan Y B, Li J Y, et al. Effect of wind field below unmanned helicopter on droplet deposition distribution of aerial spraying[J]. International Journal of Agricultural & Biological Engineering, 2017, 10(3):67-77.

  [13] Teske M E, Thistle H W, Schou W C, et al. A review of computer models for pesticide deposition prediction[J]. Transactions of the Asabe, 2011, 54(3):789-801.

  [14] Ryan S D, Gerber A G,Holloway A. A computational study on spray dispersal in the wake of an aircraft[J]. Transactions of the ASABE, 2013,56(3): 847-868.

  [15] Zhang B, Tang Q, Chen L P, et al. Numerical simulation of spray drift and deposition from a crop spraying aircraft using a CFD approach[J]. Biosystems Engineering, 2018, 166:184-199.

  [16] Zhang B, Tang Q, Chen L P, et al. Numerical simulation of wake vortices of crop spraying aircraft close to the ground[J]. Biosystems Engineering, 2016, 145:52-64.

  [17] Lakshminarayan V K, Kalra T S, Baeder J D. Detailed computational investigation of a hovering microscale rotor in ground effect[J]. AIAA Journal, 2013, 51(4):893-909.

  [18] Yang F B, Xue X Y, Zhang L, et al. Numerical simulation and experimental verification on downwash air flow of six\u0002rotor agricultural unmanned aerial vehicle in hover[J]. International Journal of Agricultural & Biological Engineering, 2017, 10(4):41-53.

  [19] Faial B S, Freitas H, Gomes P H, et al. An adaptive approach for UAV-based pesticide spraying in dynamic environments[J]. Computers & Electronics in Agriculture, 2017, 138(C):210-223.

  [20] Franz E, Bouse L F, Carlton J B, et al. Aerial spray deposit relations with plant canopy and weather parameters[J]. Transactions of the Asae, 1998, 41(4):959-966.

  [21] 张瑞瑞 , 文瑶 , 伊铜川 , 等 . 航空施药雾滴沉积特性光谱分析检测系统研发与应用 [J]. 农业工程学报 , 2017, 33(24):80-87.

  [22] 张东彦 , 兰玉彬 , 王秀 , 等 . 基于中分辨卫星影像的农用航空喷药效果评估 [J]. 光谱学与光谱分析 ,2016,36 (6):1971-1977.

  [23] 张瑞瑞 , 陈立平 , 兰玉彬 , 等 . 航空施药中雾滴沉积传感器系统设计与实验 [J]. 农业机械学报 , 2014, 45(8):123-127.

  [24] 吴超琼 , 赵利 , 梁钢 , 等 . 基于北斗导航系统的无人机飞行监管系统设计 [J]. 测控技术 , 2017, 36(8):66-69.

  作者介绍:陈立平

  

 

  博士,国家农业智能装备工程技术研究中心主任,研究员,博士生导师。国际农业工程学会 (CIGR) 农业航空应用委员会成员,美国农业和生物工程师学会 (ASABE) 药液喷洒应用委员会成员,中国农业工程学会农业航空分会副主任委员,中国农业机械学会农业航空分会副主任委员。《农业工程学报》、《农业机械学报》、International Journal of Agricultural and Biological Engineering 等学术期刊编委;入选国家“万人计划”领军人才、国家百千万人才工程、科技部中青年科技创新人才计划,国务院政府特殊津贴专家。作为负责人建立的“中美农业航空联合技术中心”是我国第一个国家农业航空应用技术国际联合研究中心。发表学术论文 91 篇 (SCI/EI 收录 56 篇 ),主编专著 2 部,参编专著 6 部,获 26 项发明专利、27 项实用新型专利和 39 项软件著作权。主要从事农业智能装备技术研究、应用与示范应用工作。

  作者介绍:张瑞瑞

  

 

  博士,国家农业智能装备工程技术研究中心农业航空技术研究团队负责人,副研究员。发表农业航空应用技术相关学术论文 32 篇 ( 其中 SCI/EI22 篇 ),其中 1 篇获得中国农业工程学会“特别优秀论文”;获得国家发明专利授权 16项、国家软件著作权登记 41项。研发完成的航空施药雾滴沉积监测与分析系统、航空施药作业监管与自动计量系统、飞机机载施药作业导航与管理系统、飞机机载变量施药精准控制器等在行业内得到推广应用和产业化。主要从事农业航空精准施药控制技术及喷雾质量分析检测技术研究。

上一篇:智能农业环境下机器人作业信息感知

下一篇:「深农智能」承办农业物联网区域试验工程项目实施方案研