CN110456820B - 基于超带宽无线定位的农药喷施系统及控制方法 - Google Patents
基于超带宽无线定位的农药喷施系统及控制方法 Download PDFInfo
- Publication number
- CN110456820B CN110456820B CN201910778617.9A CN201910778617A CN110456820B CN 110456820 B CN110456820 B CN 110456820B CN 201910778617 A CN201910778617 A CN 201910778617A CN 110456820 B CN110456820 B CN 110456820B
- Authority
- CN
- China
- Prior art keywords
- spraying
- area
- unmanned aerial
- aerial vehicle
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005507 spraying Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 40
- 239000000575 pesticide Substances 0.000 title claims abstract description 36
- 238000005516 engineering process Methods 0.000 claims abstract description 10
- 230000035772 mutation Effects 0.000 claims description 50
- 241000607479 Yersinia pestis Species 0.000 claims description 42
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 35
- 201000010099 disease Diseases 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 15
- 241000238631 Hexapoda Species 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000009402 cross-breeding Methods 0.000 claims description 10
- 239000007921 spray Substances 0.000 claims description 10
- 210000003128 head Anatomy 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 6
- 206010064571 Gene mutation Diseases 0.000 claims description 4
- 230000002572 peristaltic effect Effects 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 230000000717 retained effect Effects 0.000 claims 1
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 3
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000010808 liquid waste Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了一种基于超带宽无线定位的农药喷施系统及控制方法，所述方法采用超宽带无线定位技术对无人机的农药喷施作业过程进行精确定位与路线规划，在农药精准喷施前利用地面标准参考位置将喷施区域自动分割成若干个子矩形区域，并通过超宽带无线定位对图像采集无人机进行图像采集自动飞行轨迹控制，无人机通过WIFI将图像信息实时传递到地面控制主站，合并成整体喷施图后按单次喷施区域对图像进行分割，地面人员通过地面控制主站浏览分割后的图像，对该区域农药喷施进行喷施等级进行人工标定，植保无人机在超宽带无线定位技术的精确导航下按标定后的喷施等级进行自动飞行轨迹控制和农药自动喷施。
Description
技术领域
本发明涉及植保喷施及无线定位技术领域，具体涉及一种基于超带宽无线定位的农药喷施系统及控制方法。
背景技术
植保无人机喷施农药时多采用均匀喷施进行作业，药液喷施控制以开环控制为主，即按照规划好的路线进行连续不间断地均匀喷施，喷施方法单一，这种喷施方法依赖人工操作经验，并且无法按喷施对象的实际虫害状况进行喷施，如需要喷施效果较好，多采用过量喷施，极易造成药液浪费和环境污染。
发明内容
发明目的：针对现有技术的问题，本发明提出一种基于超带宽无线定位的农药喷施系统及控制方法，能根据病虫害的发展程度进行精确药量分级喷施，从而实现精准喷施。
技术方案：根据本发明的第一方面，提供一种基于超带宽无线定位的农药喷施系统，包括：植保无人机、图像采集无人机、定位基站、地面控制主站、定位标签，其中定位标签用于布置在喷施作业区域的外轮廓上，形成地面标准参考位置；定位基站用于加载在植保无人机和图像采集无人机上，通过接收定位标签的距离信息，并联合无人机自身的飞行高度，根据超带宽无线定位技术确定无人机的空间坐标；图像采集无人机用于采集作物图片并传递至地面控制主站；地面控制主站用于根据采集图片的质心坐标合成喷施区域图片，按单次喷施区域对图像进行分割，确定每个分割区域的喷施等级并将喷施参数下发至植保无人机；植保无人机上设有喷洒机构，用于按照标定后的喷施等级进行自动飞行轨迹控制和农药自动喷施。
根据本发明的第二方面，提供一种基于超带宽无线定位的农药喷施系统的控制方法，包括以下步骤：
S10、对喷施区域进行病虫害采样并确定病虫害等级分类；
S20、利用定位标签A1～An对喷施区域进行矩形区域标定，根据超带宽定位技术确定定位标签的坐标；
S30、按单次喷施的面积将A1～An构成的矩形域图分割成矩形域网格图；
S40、根据喷施网格图规划无人机的飞行路径；
S50、将定位基站加载在图像采集无人机上，图像采集无人机按规划的路径采集作物图片并传递到地面控制主站，合并成整体喷施图后按单次喷施区域对图像进行分割；
S60、将分割后喷施区域图片按相对相似度区分程度类别，确认每一个区域的病虫害程度；
S70、根据病虫害程度等级设置对应的喷施量，再将飞行参数及喷施参数下载至植保无人机；
S80、将定位基站加载在植保无人机上，植保无人机按规划的路径飞行并实时计算坐标，在每个喷施初始点位置按预定下载的数据改变农药的喷施量。
有益效果：本发明实现了根据植保无人机飞行的高度、飞行的速度自动调整农药的喷施量，采用分级喷施策略可以大幅度降低农药的喷施量，尤其是在病虫害早期可实现精准喷施。本方案通过简单的相似度比较，提供用户基础的分类信息，避免用户分类过程中出现无序和无参比对象的缺陷，提高分类的可靠性。植保无人机飞行过程中采用先识别地面矩形区域辨识标签图形坐标的方式来确定植保无人机的飞行坐标，为了提高飞行坐标识别的精度，采用遗传算法求取全局最优点方式求解植保无人机的飞行坐标。
附图说明
图1是根据本发明实施例的基于超带宽无线定位的农药喷施系统配置图；
图2是根据本发明实施例的进行精准农药喷施的控制方法流程图；
图3是根据本发明实施例的矩形域标签设置示意图；
图4是根据本发明实施例的喷施区域分割示意图；
图5是根据本发明实施例的喷施路径规划示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。应当了解，以下提供的实施例仅是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的技术构思，本发明还可以用许多不同的形式来实施，并且不局限于此处描述的实施例。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
为了解决现有喷施方案中药液浪费和环境污染问题，本发明提出一种基于超带宽无线定位的农药喷施系统，如图1所示，在一个实施例中，系统配置有一台可机载定位基站的植保无人机、一台可机载定位基站的图像采集无人机、一个地面控制主站、一个定位基站、多个矩形域定位标签。多台无人机协同作业和多基站定位可以在本发明基础上加以扩展，其涉及的技术为成熟的多基站协同定位和多机协同作业。其中定位标签用于布置在喷施作业区域的外轮廓上，形成地面标准参考位置，它与定位基站之间通过无线通信传递距离信息。定位基站用于加载在植保无人机和图像采集无人机上，通过接收定位标签的距离信息，并联合无人机自身的飞行高度，根据超带宽无线定位技术确定无人机的空间坐标。定位基站按实际面积和喷施的直视距离选取型号，直视距离理论为400m，非直视距离理论为45m。实施例中使用的标签和基站的核心芯片采用DecaWave公司的 DW1000芯片，DW1000的最远直视传输距离为450米，非直视距离为45米，满足中小型植保无人机的一次精确喷施范围。植保无人机和图像采集无人机上配置一个超宽带 (Ultra Wide Band,UWB)基站接口和安装位置，用于加载定位基站，在飞行过程中通过定位基站获取至少三个定位标签的距离，联合无人机的高度信息，获得无人机的空间坐标。图像采集无人机用于采集作物图片并通过WiFi传递至地面控制主站。地面控制主站用于根据采集图片的质心坐标合成喷施区域图片，按单次喷施区域对图像进行分割，确定每个分割区域的喷施等级并将喷施参数下发至植保无人机。植保无人机采用中心控制器对飞行旋转电机进行PWM(Pulse WidthModulation)精确调速，控制其飞行方向、飞行高度以及飞行速度，从而控制其飞行轨迹。植保无人机上设有喷洒机构，用于按照标定后的喷施等级进行自动飞行轨迹控制和农药自动喷施。
参照图2，在一实施例中，进行精准农药喷施的控制方法包括以下步骤：
步骤S10，对喷施区域进行病虫害采样，形成无病虫害、一级病虫害、二级病虫害、三级病虫害四个分类，分别定义为程度0，1，2，3。
步骤S20，利用定位标签A1～An对喷施区域进行矩形区域标定，根据超带宽定位技术确定定位标签的坐标。
具体包括以下步骤：
步骤S21，根据喷施作业区的形状和超宽带无线定位的理论直视距离(分直视距离和非直视距离两种情形)，布置矩形域定位标签分别标定为A1～An，A1～An均位于喷施作业区外轮廓上。布置定位标签时要确保无人机在飞行中，机载基站至少可以访问其中 3个定位标签，两个定位标签两两之间的距离建议小于200m，以便基站获取更加实时和准确的测距信息。取其中一点A1作为基准点(0,0,0)建立图像坐标的原点，地面的矩形域定位标签的Z轴高度均标记为0。参照图3，实施例中布置9个标签A1～A9，A1 点在喷施作业区的最西侧，A2点在A1点的东侧，横向距离相对较长，A3点在A2点的北侧，三个点须在400m的区域内，实际应用建议在200m范围内，测控会更加精确与实时；在利用机载基站标定A4点及其他标签时，要确保机载基站至少可以访问其中 3个定位标签；取喷施轮廓的最西侧其中一点A1作为基准点(0,0,0)建立图像坐标的原点，地面的矩形域定位标签的Z轴高度均标记为0。
步骤S22，手动移动定位基站至A2点，通过定位标签获得与A1点的距离d，A2 标签点坐标可以标定为(d,0,0)，从而建立起坐标系。
步骤S23，将定位基站移动至下一个矩形域定位标签A3点，设其坐标为(x,y,0)，选择A3时其位置特征有x>0,y>0，根据计算公式(1)，可以标定A3的位置。
x2+y2＝d12
(x-d)2+y2＝d22 (1)
其中d1、d2分别为A3到A1、A2的距离，由A1、A2处的定位标签反馈到基站的控制器所得基站的测距数据。
步骤S24，依次将基站移动至下一个矩形域定位标签Ai，此时基站至少获得已定位的临近三个矩形域定位标签，分别将其标签记为B1,B2,…,Bk(k≥3)。将Ai坐标设为(x,y,0)， B1,B2,…,Bk坐标分为(x1,y1,0)、(x2,y2,0)、…、(xk,yk,0)，与Ai的距离分别记为d1，d2，…,dk。对于x,y建立最优化模型fi(x,y)如下：
其中dj为d1，d2，…,dk的1～k点其中任意一个值。
步骤S25，求解(x,y,0)。x,y的值的求解为minfi(x,y)的最优化过程。由于在实际定位中采用传统的牛顿法、线性规划等梯度算法容易陷入局部寻优，优选采用遗传算法对minfi(x,y)进行寻优计算。其算法的实现方法如下。
S25-1：按d1，d2，…,dk的距离从小到大进行排序，形成新的d1，d2，…,dk序列。并将其标记为新的坐标序列B1,B2,…,Bk，坐标分为(x1,y1,0)、(x2,y2,0)、…、(xk,yk,0)。取 (x1,y1,0)、(x2,y2,0)、d1、d2建立坐标求解方程。方程有两个解，分别为(x1,y1,0)、(x2,y2,0)。
(x-x1)2+(y-y1)2+H2＝d12
(x-x2)2+(y-y2)2+H2＝d22 (3)
S25-2：采用计算公式(2)分别对点(x1,y1,H)、(x2,y2,H)求fi(x1,y1)、fi(x2,y2)，选择二者之间最小的坐标值作为初始值，将其标记为(xn,yn,H)，此处H＝0，即(xn,yn,0)。
S25-3：以(xn,yn)为基础，采用遗传算法进行最优解求解。首先进行优化修正值(xm,ym) 的编码，将xm(-dn,+dn)的区间进行随机均匀二进制编码，ym(-dn,+dn)的区间进行单位区间为dn/Rd的随机均匀二进制编码，编码的基础位置为(xn,yn)，(xm,ym)为修正值。dn为编码区间，Rd为定位基站直视距离。实施例中dn取值为5m，Rd为400m。由于基站扫描矩形域的理论精度为0.1m，则采用16进制有符号数表达二进制，最高位为符号位，0 代表+，1代表-，后15代表数据位，数据位是原始数据×10，即如果数据为4.1，编码则用41进行二进制编码。则初始种群x具有800个样本，y具有800个样本。将x,y进行混合编码，编码的原则是随机配对，形成800个(xm,ym)混合样本群。则基站优化坐标可以描述为(xn+xm/10,yn+ym/10,0)。
样本群包含原始编码信息(xn,yn)，也就是优化修正值(xm,ym)为(0,0)，进入二进制编码。
S25-4：对800个(x,y)混合样本群进行适应度计算，并进行排序。如S25-3，标记第m个样本的x的优化修正值二进制编码数为xm，y的优化修正值二进制编码数为ym，则该样本的适应度为fm(x,y)：
S25-5：交叉繁衍。采用随机编号法分别将x样本和y样本进行自然繁衍，如果繁衍的后代超出(-dn,+dn)的限制，则重新进行交叉繁衍，如果超过指定次数繁衍不成功，例如超过10次，则对种群进行变异，直到繁衍出新的后代。产生400个新后代样本。并按fm(x,y)的表达方式计算400个新后代样本进行适应度计算。
S25-6：种群淘汰。对1200个样本群采用排序方式对种群进行淘汰，只留下800个fm(x,y)最小的样本。
S25-7：种群变异。采用进化变异法对种群进行变异。在种群末尾100的群体中按10的区域间隔随机选择10个样本进行其中一个有效位随机变异，有效位是指编码(xm,ym)在[-50,50]区间。变异的方式是基因突变，即将该位置的位进行取反运算。如种群末尾 100群体中按10的间隔区间为701-710，711-720，…,791-800，每个区间随机选择一个样本，共选择10个样本。依次对每个样本16位中的有效位中的1位进行随机0～1变异，变异的方式是将该位置的位进行取反运算，变异后的样本进行适应度计算；如-51，1000 0000 00110011，有效位是第16位符号位和第1到第6位数据位，一共7位，如果第16 位变异，则为00000000 0011 0011。变异后数据范围在[-63,63]区间，越限后重新选择其它位进行变异，直到变异数据进入[-50,50]区间。变异后的样本进行适应度fm(x,y)计算，如果适应度小于变异前的样本，则变异结束，进行下一个样本变异。如果适应度大于变异前的样本，继续进行随机变异。如果10次变异结束后均未获得好的变异结果，则保留原样本。变异结束，进行下一个被选中样本的变异。
10个被选中的种群末尾样本变异结束后进行种群头部样本群的样本变异操作。在种群头部100的群体中按10的区域间隔随机选择10个样本进行16位中的有效位中的1 位进行随机0～1变异，变异的方式是基因突变，即将该位置的位进行取反运算。如种群头部100的群体中按10的区域间隔为01-10，11-20，…,91-100,每个区间随机选择一个样本，共选择10个样本；依次对每个样本16位中的有效7位中的1位进行随机0～1变异，变异的方式是将该位置的位进行取反运算。变异后数据范围在[-63,63]区间，越限后重新选择其它位进行变异，直到变异数据进入[-50,50]区间。变异后的样本进行适应度计算，如果适应度fm(x,y)小于变异前的样本，则变异结束，进行下一个样本变异。如果适应度大于变异前的样本，继续进行随机变异。如果10次变异结束后均未获得好的变异结果，则保留原样本。变异结束，进行下一个样本变异。10个被选中的种群头部样本变异结束后进行下一步操作。
S25-8：如果交叉繁衍代数不足预设值，继续回到S25-5，进行下一次交叉繁衍。实施例中预设代数为10000代，如果代数达到10000代，结束交叉繁衍。标记繁衍最优结果为：
(x,y,0)＝(xn+xm/10,yn+ym/10,0) (5)
步骤S30，按单次喷施的面积将A1～An构成的矩形域图分割成矩形域网格图。
具体地，根据喷药的种类、作物的高低、风速等因素确定植保无人机的飞行高度H和飞行速度v，实时采集过程中标记为H(t)和v(t)。将喷施间隔时间定义为△T，则单位喷施区域为D＝2R(t)＝2Rb*H(t)/H(b)，L＝v(t)*ΔT，其中D为宽度，代表喷施半径， L为长度，代表单位时间的通过距离，根据(D,L)可确定单次喷施的面积，R(t)为无人机的实时喷施半径，H(b)为无人机计算理论喷施量的标准高度，将喷施区域以(D,L)为单位区域的填充方式分割成喷施网格图，如图4所示。
步骤S40，根据喷施网格图规划无人机的飞行路径。
如图5所示，按从左至右、从上到下再从右向左的方式进行规划。计算每个矩形域i的起始边的中心坐标(xi0,yi0,H)，则(xi0,yi0,H)按每一个前邻域构建的行进轨迹就是无人机的预定飞行轨迹。前邻域的构建规则是平行飞行，优先上方向邻域，如上方向没有邻域，则判断无人机飞行的下方向有无邻域，如有则可掉头，飞行至下方向飞行方向的最后一个邻域，形成轨迹，然后掉头作为后续轨迹起始点，周而复始形成飞行轨迹。其中上方向针对飞行方向的I,II象限，下方向针对飞行方向的III，IV象限。参照图5，在框架的最北侧平行线的最西侧找到起始喷施点，无人机向东平行飞行，前方无邻域则飞行至南侧邻域最东侧的喷施点，掉头进行喷施，向西飞行，前方无邻域则飞行至南侧邻域最西侧的喷施点，掉头向东飞行，如此周而复始完成所有的喷施任务，南侧邻域是指与当前飞行轨迹最近的南侧矩形区域。
步骤S50，图像采集无人机按规划的路径采集作物图片并传递到地面控制主站，合并成整体喷施图后按单次喷施区域对图像进行分割。
将基站加载在图像采集无人机上，采用S40规划的路线飞行，实时计算坐标进行飞行轨迹控制，同时图像采集无人机采集每块矩形区域的作物图片并传递至地面控制主站。地面控制主站根据采集图片的质心坐标合成喷施区域图片。并按矩形域的重要拐点信息，将合并后的喷施区域图片和A1～A9构成的矩形域图实现区域重叠，即可按预先分割的矩形域如图4所示将合成的图像进行分割。
图像采集无人机的实时坐标计算方法如下：
步骤S51：图像采集无人机按预定轨迹飞行，基站至少获得已定位的临近三个矩形域定位标签，分别将其标签记为B1,B2,…,Bk(k≥3)；图像采集无人机坐标记为(x,y,0)，B1,B2,…,Bk坐标分别标记为为(x1,y1,0)、(x2,y2,0)、…、(xk,yk,0)，与图像采集无人机的距离分别记为d1，d2，…,dk；对于x,y建立最优化模型fi(x,y，H),求解(x,y,H)；H为机载基站的安装高度，即图像采集无人机飞行高度：
步骤S52，x,y的值的求解为minfi(x,y，H)的最优化过程，H的值是实时采集信息；采用遗传算法对minfi(x,y，H)进行寻优计算，其算法的实现方法如下：
S52-1：按d1，d2，…,dk的距离从小到大进行排序，形成新的d1，d2，…,dk序列；并将其标记为新的坐标序列B1,B2,…,Bk，坐标分为(x1,y1,H)、(x2,y2,H)、…、(xk,yk,H)；取(x1,y1,H)、(x2,y2,H)、d1、d2建立坐标求解方程，方程有两个解，分别为(x1,y1,H)、(x2,y2,H)，这两个点关于直线B1,B2对称：
(x-x1)2+(y-y1)2+H2＝d12
(x-x2)2+(y-y2)2+H2＝d22 (7)
S52-2：采用计算公式(7)分别对点(x1,y1,H)、(x2,y2,H)求fi(x1,y1，H)、 fi(x2,y2，H)，采用与其他点的最短距离法进一步筛选两个可选方案，选择fi(x1,y1，H)、 fi(x2,y2，H)二者之间最小的那个(x,y,H)坐标值作为初始值，将其标记为(xn,yn,H)；
S52-3：以(xn,yn,H)为基础，采用遗传算法进行最优解求解；首先进行优化修正值(xm,ym)的编码，将xm(-dn,+dn)的区间进行随机均匀二进制编码，ym(-dn,+dn)的区间进行单位区间为dn/Rd的随机均匀二进制编码，dn为编码区间，Rd为定位基站直视距离。实施例中dn取值为5m，Rd为400m，编码的基础位置为(xn,yn,H)，(xm,ym,H)为修正值；由于基站扫描矩形域的理论精度为0.1m，则采用16进制有符号数表达二进制，最高位为符号位，0代表+，1代表-，后15代表数据位，数据位是原始数据×10，即如果数据为4.1，编码则用41进行二进制编码；则初始种群x具有800个样本，y具有800个样本；将x,y进行混合编码，编码的原则是随机配对，形成800个(x,y)混合样本群。
则图像无人机优化坐标可以描述为(xn+xm/10,yn+ym/10,0)。样本群包含原始编码信息 (xn,yn),也就是优化修正值(xm,ym)为(0,0),进入二进制编码。
S52-4：对800个(x,y)混合样本群进行适应度计算，并进行排序；如S52-3标记第m个样本的优化修正值的二进制编码数为xm，y的优化修正值二进制编码数为ym，则该样本的适应度为fm(x,y)：
S52-5：交叉繁衍：采用随机编号法分别将x样本和y样本进行自然繁衍，如果繁衍的后代超出(-5,+5)的限制，则重新进行交叉繁衍，如果10次繁衍不成功，则对种群进行变异，直到繁衍出新的后代；产生400个新后代样本；并按fm(x,y)的表达方式计算400个新后代样本进行适应度计算；
S52-6：种群淘汰：对1200个样本群采用排序方式对种群进行淘汰，只留下800个fm(x,y)最小的样本；并按fm(x,y)从小到大的顺序进行排序。
S52-7：种群变异：采用进化变异法对种群进行变异，在种群末尾100的群体中按10的区域间隔，如701-710，711-720，…,791-800,每个区间随机选择一个样本，共选择 10个样本。依次对每个样本16位中的有效7位中的1位进行随机0～1变异，变异的方式是将该位置的位进行取反运算，变异后数据范围在[-63,63]区间，越限后重新选择其它位进行变异，直到变异数据进入[-50,50]区间。变异后的样本进行适应度计算。如果适应度fm(x,y)小于变异前的样本，则变异结束，进行下一个被选中的样本进行变异；如果适应度大于变异前的样本，继续进行随机变异；如果10次变异结束后均未获得好的变异结果，则保留原样本；变异结束，进行下一个被选中的样本进行变异；10个被选中的种群末尾样本变异结束后进行种群头部样本群的样本变异操作；
采用进化变异法对种群进行变异，在种群头部100的群体中按10的区域间隔，如01-10，11-20，…,91-100,每个区间随机选择一个样本，共选择10个样本。依次对每个样本16位中的有效7位中的1位进行随机0～1变异，变异的方式是将该位置的位进行取反运算，变异后数据范围在[-63,63]区间，越限后重新选择其它位进行变异，直到变异数据进入[-50,50]区间。变异后的样本进行适应度计算，如果适应度fm(x,y)小于变异前的样本，则变异结束，进行下一个样本变异；如果适应度大于变异前的样本，继续进行随机变异；如果10次变异结束后均未获得好的变异结果，则保留原样本，变异结束，进行下一个样本变异；10个被选中的种群头部样本变异结束后进行下一步操作；
S52-8：如果交叉繁衍代数不足1000(迭代繁衍次数可以设置)，继续回到步骤S52-5，进行下一次交叉繁衍；如果代数达到1000代(迭代繁衍次数可以设置)，结束交叉繁衍；最优繁衍结果即为无人机实时计算飞行坐标，标记繁衍最优结果为：
(x,y,H)＝(xn+xm/10,yn+ym/10,H) (9)。
H为图像采集无人机飞行高度。按预定轨迹和高度飞控是很成熟的技术，本发明不加以赘述。
步骤S60，将分割后喷施区域图片按相对相似度区分程度类别，确认每一个区域的病虫害程度。
将分割好的喷施区域图像依次载入颜色直方图特征自动提取算法，每张区域图像的颜色直方图特征自动提取，然后将喷施区域按相似度分成16个类别，并以预先判断和对比型式提供给用户进行确认。图像初步分类时采用带权重的HSI颜色直方图，将颜色空间压缩成160个空间信息，在充分保障病虫害程度识别的基础上，减少了图像相似度计算的计算量，计算开销小。具体步骤如下。
步骤S61，人工浏览分割好的喷施区域图像，任意选择一个病虫害特征显著的图像，按该图像的1/100面积或其它人工设置的面积分割出一个病虫害特征显著区域；
步骤S62：按照公式(9)、(10)、(11)将病虫害特征显著区域RGB颜色空间转换到HSI颜色空间。
S＝MAX(R,G,B)-MIN(R,G,B) (10)
R、G、B分别为图像区域的Red、Green、Blue颜色通道值，H、S、I分别表示色相值、饱和度值、亮度值。
步骤S63，按人眼对色彩的敏感度，将H空间分为10个非等分区域，S分为4个非等分区域，I分为4个非等分区域，则整个HIS颜色空间被映射GK为160个区间。一维空间采用式(12)进行计算。
GK＝α1H+α2S+α3I，α1+α2+α3＝1 (12)
其中H空间、S空间、I空间的空间划分通过上位机软件进行设置，α1、α2、α3的分别为H、S、I的权重，其值也可以通过上位机软件进行设置。系统可以设置4类H空间、 S空间、I空间的空间划分，4类α1、α2、α3的权重设置。
步骤S64，以一个初始区域为典型病虫害的图片为分类模板，定为GTm(k)。对该病虫害特征显著区域m的某一个特征值k按式(13)GTm(k)进行直方图统计分析。
该值定义为相似度比较基准值，在公式(13)中k代表每个区域图像的特征取值，L是特征可取值个数，如在步骤S63中L为160。nk是图像中具有特征值为k的像素的个数，N是图像像素的总数。
步骤S65，将需要提取颜色特征的喷施区域图像分割成20ⅹ20个区域，区域数目也可以根据实际情况进行设置；将每个再次分割后子区域定义为A(i,j)，i表示第几个喷施区域图像，j表示该图像的第几个再次分割区域；将A(i,j)按照公式(9)、(10)、(11)从 RGB颜色空间转换到HSI颜色空间。
步骤S66，按人眼对色彩的敏感度，将H空间分为10个非等分区域，S分为4个非等分区域，I分为4个非等分区域，则整个HIS颜色空间被映射为160个区间；一维空间仍采用式(12)进行计算。
步骤S67，对A(i,j)的值Gij(k)按式(14)进行直方图统计分析，其定义参考式(13)；
步骤S68，相似度计算，分别比较Gij(k)与GTm(k)的相似度P(i→m，j)：
步骤S69，将需要提取颜色特征的喷施区域第i块分割图像的所有P(i→m，j)进行相应排序，选择最大值MAX[P(i→m,j)]作为需要提取颜色特征的喷施区域图像的特征值P(i→m)，其中i代表第几个需要提取颜色特征的喷施区域图像，j表示该图像的第几个再次分割区域；
P(i→m)＝MAX[P(i→m,j)] (16)
步骤S6A，将所有喷施区域所有分割图像的P(i→m)进行排序，并计算P(i→m)的相对相似度值，计算公式为(17)：
其中MAX[P(i→m)]、MIN[P(i→m)]分别为P(i→m)序列的最大值和最小值。
步骤S6B，将分割后的区域图片按P(i→m)排序进行相应分类显示。实施例中按0～25％(0级)；25％～50％(1级)；50％～75％(2级)；75％～100％(3级)四个类别，分别显示步骤S50分割好的喷施区域图像，平均分成4类，每类展示最多4张图片。图像展示分4排4列，每一排代表一个预判的程度等级，每一列代表该程度等级的一类初始判断类别。
每类四张图片，依次一次性显示这四类中的相对应序列16张图片，分类是系统通过式(17)粗筛进行病虫害程度分类。
步骤S6C，人工第二次细分。将每一副喷施图进行病虫害程度分类人工确认或者修正。用户根据图像对比信息进行二次确认，确认每一个区域的病虫害程度。
步骤S70，根据病虫害程度等级设置对应的喷施量，再将飞行参数及喷施参数下载至植保无人机。
飞行参数包括：飞行轨迹、飞行高度、飞行速度、病虫害区域分割起始坐标、实时坐标优化计算迭代次数，喷施参数包括：每一个喷施区域的病虫害程度数据、每一个区域的初始坐标数据、起始喷施坐标点、喷施轨迹、病虫害程度所对应的喷施药量、标准喷施半径、标准喷施高度，这些数据下载进植保无人机的主控器。
步骤S80，将定位基站加载在植保无人机上，飞行控制采用实时坐标计算并反馈，植保无人机在每个喷施初始点位置按预定下载的数据改变农药的喷施量。
植保无人机实时坐标计算方法同步骤S50中图像采集无人机的实时坐标计算方法，此处不再赘述。
单位时间内的喷施量根据植保无人机的标准飞行速度Vb和标准喷施半径Rb分别设定为Q0,Q1,Q2,Q3，分别对应于0-3级病虫害，将根据病虫害程度选择的标准喷施量记为Q(i)，则通过流量型蠕动泵可以对施药过程进行精确喷施。
其中在蠕动泵工作压力给定的情况下，喷头布置给定情况下，喷施半径与植保无人机实际飞行高度成正比。H(t)表示实际飞行高度，Hb计算理论喷施量的标准高度。
按预定轨迹和高度飞控是很成熟的技术，本发明不加以赘述。
Claims (8)
1.一种基于超带宽无线定位的农药喷施系统的控制方法，其特征在于，所述农药喷施系统包括植保无人机、图像采集无人机、定位基站、地面控制主站、定位标签，其中定位标签用于布置在喷施作业区域的外轮廓上，形成地面标准参考位置；定位基站用于加载在植保无人机和图像采集无人机上，通过接收定位标签的距离信息，并联合无人机自身的飞行高度，根据超带宽无线定位技术确定无人机的空间坐标；图像采集无人机用于采集作物图片并传递至地面控制主站；地面控制主站用于根据采集图片的质心坐标合成喷施区域图片，按单次喷施区域对图像进行分割，确定每个分割区域的喷施等级并将喷施参数下发至植保无人机；植保无人机上设有喷洒机构，用于按照标定后的喷施等级进行自动飞行轨迹控制和农药自动喷施；
所述控制方法包括以下步骤：
S10、对喷施区域进行病虫害采样并确定病虫害等级分类；
S20、利用定位标签A1～An对喷施区域进行矩形区域标定，根据超带宽定位技术确定定位标签的坐标；
S30、按单次喷施的面积将A1～An构成的矩形域图分割成矩形域网格图；
S40、根据喷施网格图规划无人机的飞行路径；
S50、将定位基站加载在图像采集无人机上，图像采集无人机按规划的路径采集作物图片并传递到地面控制主站，合并成整体喷施图后按单次喷施区域对图像进行分割；
S60、将分割后喷施区域图片按相对相似度区分程度类别，确认每一个区域的病虫害程度；
S70、根据病虫害程度等级设置对应的喷施量，再将飞行参数及喷施参数下载至植保无人机；
S80、将定位基站加载在植保无人机上，植保无人机按规划的路径飞行并实时计算坐标，在每个喷施初始点位置按预定下载的数据改变农药的喷施量；
其中所述步骤S20包括：
S21、根据喷施作业区的形状和超宽带无线定位的理论距离，布置矩形域定位标签分别标定为A1～An，A1～An均位于喷施作业区外轮廓上，取其中一点A1作为基准点(0,0,0)建立图像坐标的原点，地面的矩形域定位标签的Z轴高度均标记为0；
S22、将定位基站移动至与A1横向相距一定距离的点A2，通过定位标签获得与A1点的距离d，A2标签点坐标标定为(d,0,0)；
S23、将定位基站移动至下一个矩形域定位标签A3点，设其坐标为(x,y,0)，选择A3时其位置特征有x>0,y>0，根据下式标定A3的位置：
x2+y2＝d12
(x-d)2+y2＝d22 (1)
其中d1、d2分别为A3到A1、A2的距离；
S24、依次将基站移动至下一个矩形域定位标签Ai，此时基站至少获得已定位的临近三个矩形域定位标签，分别将其标签记为B1,B2,…,Bk(k≥3)，将Ai坐标设为(x,y,0)，B1,B2,…,Bk坐标分为(x1,y1,0)、(x2,y2,0)、…、(xk,yk,0)，与Ai的距离分别记为d1，d2，…,dk，对于x,y建立最优化模型fi(x,y)如下：
其中dj为d1，d2，…,dk的1～k点其中任意一个值；
S25、采用遗传算法对minfi(x,y)进行寻优计算，得到(x,y,0)。
2.根据权利要求1所述的基于超带宽无线定位的农药喷施系统的控制方法，其特征在于，所述步骤S25包括：
S25-1：按d1，d2，…,dk的距离从小到大进行排序，形成新的d1，d2，…,dk序列，并将其标记为新的坐标序列B1,B2,…,Bk，坐标分为(x1,y1,0)、(x2,y2,0)、…、(xk,yk,0)，取(x1,y1,0)、(x2,y2,0)、d1、d2建立坐标求解方程，方程有两个解，分别为(x1,y1,0)、(x2,y2,0)：
(x-x1)2+(y-y1)2+H2＝d12
(x-x2)2+(y-y2)2+H2＝d22 (3)
S25-2：采用计算公式(2)分别对点(x1,y1,H)、(x2,y2,H)求fi(x1,y1)、fi(x2,y2)，选择二者之间最小的坐标值作为初始值，将其标记为(xn,yn,H)，此处H＝0，即(xn,yn,0)；
S25-3：以(xn,yn)为基础，采用遗传算法进行最优解求解：首先进行优化修正值(xm,ym)的编码，将xm(-dn,+dn)的区间进行随机均匀二进制编码，ym(-dn,+dn)的区间进行单位区间为dn/Rd的随机均匀二进制编码，编码的基础位置为(xn,yn)，(xm,ym)为修正值，dn为编码区间，Rd为定位基站直视距离，由于基站扫描矩形域的理论精度为0.1m，则采用16进制有符号数表达二进制，最高位为符号位，0代表+，1代表-，后15代表数据位，数据位是原始数据×10，则初始种群x具有800个样本，y具有800个样本，将x,y进行混合编码，编码的原则是随机配对，形成800个(xm,ym)混合样本群，则基站优化坐标可以描述为(xn+xm/10,yn+ym/10,0)；
样本群包含原始编码信息(xn,yn)，也就是优化修正值(xm,ym)为(0,0)，进入二进制编码；
S25-4：对800个(x,y)混合样本群进行适应度计算，并进行排序，标记第m个样本的x的优化修正值二进制编码数为xm，y的优化修正值二进制编码数为ym，则该样本的适应度为fm(x,y)：
S25-5：交叉繁衍：采用随机编号法分别将x样本和y样本进行自然繁衍，如果繁衍的后代超出(-dn,+dn)的限制，则重新进行交叉繁衍，如果超过指定次数繁衍不成功，则对种群进行变异，直到繁衍出新的后代，产生400个新后代样本，并按fm(x,y)的表达方式计算400个新后代样本进行适应度计算；
S25-6：种群淘汰：对1200个样本群采用排序方式对种群进行淘汰，只留下800个fm(x,y)最小的样本；
S25-7：种群变异：采用进化变异法对种群进行变异，在种群末尾100的群体中按10的区域间隔随机选择10个样本进行其中一个有效位随机变异，有效位是指编码(xm,ym)在[-50,50]区间，变异的方式是基因突变，即将该位置的位进行取反运算，变异后的样本进行适应度fm(x,y)计算，如果适应度小于变异前的样本，则变异结束，进行下一个样本变异；如果适应度大于变异前的样本，继续进行随机变异；如果10次变异结束后均未获得好的变异结果，则保留原样本，变异结束，进行下一个被选中样本的变异；
10个被选中的种群末尾样本变异结束后进行种群头部样本群的样本变异操作，在种群头部100的群体中按10的区域间隔随机选择10个样本进行其中一个有效位的随机变异，变异的方式是基因突变，即将该位置的位进行取反运算，变异后的样本进行适应度计算，如果适应度fm(x,y)小于变异前的样本，则变异结束，进行下一个样本变异；如果适应度大于变异前的样本，继续进行随机变异；如果10次变异结束后均未获得好的变异结果，则保留原样本，变异结束，进行下一个样本变异，10个被选中的种群头部样本变异结束后进行下一步操作；
S25-8：如果交叉繁衍代数不足预设值，继续回到S25-5，进行下一次交叉繁衍；如果代数达到预设值，结束交叉繁衍，标记繁衍最优结果为：
(x,y,0)＝(xn+xm/10,yn+ym/10,0) (5)。
3.根据权利要求1所述的基于超带宽无线定位的农药喷施系统的控制方法，其特征在于，所述步骤S30包括：根据喷药的种类、作物的高低、风速确定植保无人机的飞行高度H和飞行速度v，实时采集过程中标记为H(t)和v(t)，将喷施间隔时间定义为△T，则单位喷施区域为D＝2R(t)＝2Rb*H(t)/H(b)，L＝v(t)*ΔT，其中D为宽度，代表喷施半径，L为长度，代表单位时间的通过距离，根据(D,L)能够确定单次喷施的面积，R(t)为无人机的实时喷施半径，H(b)为无人机计算理论喷施量的标准高度，将喷施区域以(D,L)为单位区域的填充方式分割成喷施网格图。
4.根据权利要求1所述的基于超带宽无线定位的农药喷施系统的控制方法，其特征在于，所述步骤S40包括：计算每个矩形域i的起始边的中心坐标(xi0,yi0,H)，H为无人机的飞行高度，则(xi0,yi0,H)按每一个前邻域构建的行进轨迹就是植保无人机的预定飞行轨迹，所述前邻域的构建规则平行飞行，优先上方向邻域，如上方向没有邻域，则判断无人机飞行的下方向有无邻域，如有则可掉头，飞行至下方向飞行方向的最后一个邻域，形成轨迹，然后掉头作为后续轨迹起始点，周而复始形成飞行轨迹，其中上方向针对飞行方向的I,II象限，下方向针对飞行方向的III,IV象限。
5.根据权利要求1所述的基于超带宽无线定位的农药喷施系统的控制方法，其特征在于，所述步骤S50包括：将基站加载在图像采集无人机上，采用步骤S40规划的路线飞行，实时计算坐标进行飞行轨迹控制，同时图像采集无人机采集每块矩形区域的作物图片并传递至地面控制主站，地面控制主站根据采集图片的质心坐标合成喷施区域图片，并按矩形域的重要拐点信息，将合并后的喷施区域图片和A1～An构成的矩形域图实现区域重叠，即可按预先分割的矩形域将合成的图像进行分割。
6.根据权利要求1所述的基于超带宽无线定位的农药喷施系统的控制方法，其特征在于，所述步骤S60包括：
步骤S61，人工浏览分割好的喷施区域图像，任意选择一个病虫害特征显著的图像，按该图像的一部分面积分割出一个病虫害特征显著区域；
步骤S62：按照公式(9)、(10)、(11)将病虫害特征显著区域RGB颜色空间转换到HSI颜色空间：
S＝MAX(R,G,B)-MIN(R,G,B) (10)
R、G、B分别为图像区域的Red、Green、Blue颜色通道值，H、S、I分别表示色相值、饱和度值、亮度值；
步骤S63，按人眼对色彩的敏感度，将H空间分为10个非等分区域，S分为4个非等分区域，I分为4个非等分区域，则整个HIS颜色空间被映射GK为160个区间，一维空间采用式(12)进行计算：
GK＝α1H+α2S+α3I，α1+α2+α3＝1 (12)
α1、α2、α3分别为H、S、I的权重；
步骤S64，以一个初始区域为典型病虫害的图片为分类模板，定为GTm(k)，对该病虫害特征显著区域m的某一个特征值k按式(13)进行直方图统计分析：
将GTm(k)值定义为相似度比较基准值，在公式(13)中k代表每个区域图像的特征取值，L是特征可取值个数，nk是图像中具有特征值为k的像素的个数，N是图像像素的总数；
步骤S65，将需要提取颜色特征的喷施区域图像分割成MxM个区域，将每个再次分割后子区域定义为A(i,j)，i表示第几个喷施区域图像，j表示该图像的第几个再次分割区域；将A(i,j)按照公式(9)、(10)、(11)从RGB颜色空间转换到HSI颜色空间；
步骤S66，按人眼对色彩的敏感度，将H空间分为10个非等分区域，S分为4个非等分区域，I分为4个非等分区域，则整个HIS颜色空间被映射为160个区间；一维空间仍采用式(12)进行计算；
步骤S67，对A(i,j)的值Gij(k)按式(14)进行直方图统计分析，其定义参考式(13)；
步骤S68，相似度计算，分别比较Gij(k)与GTm(k)的相似度P(i→m，j)：
步骤S69，将需要提取颜色特征的喷施区域第i块分割图像的所有P(i→m，j)进行相应排序，选择最大值MAX[P(i→m,j)]作为需要提取颜色特征的喷施区域图像的特征值P(i→m)，其中i代表第几个需要提取颜色特征的喷施区域图像，j表示该图像的第几个再次分割区域；
P(i→m)＝MAX[P(i→m,j)] (16)
步骤S6A，将所有喷施区域所有分割图像的P(i→m)进行排序，并计算P(i→m)的相对相似度值，计算公式为(17)：
其中MAX[P(i→m)]、MIN[P(i→m)]分别为P(i→m)序列的最大值和最小值；
步骤S6B，将分割后的区域图片按P(i→m)排序进行相应分类显示；
步骤S6C，用户根据图像对比信息进行二次确认，确认每一个区域的病虫害程度。
7.根据权利要求1所述的基于超带宽无线定位的农药喷施系统的控制方法，其特征在于，所述步骤S70中飞行参数包括：飞行轨迹、飞行高度、飞行速度、病虫害区域分割起始坐标、实时坐标优化计算迭代次数，喷施参数包括：每一个喷施区域的病虫害程度数据、每一个区域的初始坐标数据、起始喷施坐标点、喷施轨迹、病虫害程度所对应的喷施药量、标准喷施半径、标准喷施高度。
8.根据权利要求1所述的基于超带宽无线定位的农药喷施系统的控制方法，其特征在于，所述步骤S80中自动调节喷施量的方法如下：将根据病虫害程度选择的标准喷施量记为Q(i)，则流量型蠕动泵的实际喷施量通过下式得到：
Q(t)＝Q(i)*(R(t)/Rb)*(V(t)/Vb)
＝Q(i)*(H(t)/Hb)*(V(t)/Vb)
其中在蠕动泵工作压力给定的情况下，喷头布置给定情况下，喷施半径与植保无人机实际飞行高度成正比，H(t)表示实际飞行高度，Hb为计算理论喷施量的标准高度，Vb为标准飞行速度，Rb为标准喷施半径，R(t)为实时喷施半径，从而实现对施药过程进行精确喷施。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778617.9A CN110456820B (zh) | 2019-08-22 | 2019-08-22 | 基于超带宽无线定位的农药喷施系统及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910778617.9A CN110456820B (zh) | 2019-08-22 | 2019-08-22 | 基于超带宽无线定位的农药喷施系统及控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110456820A CN110456820A (zh) | 2019-11-15 |
| CN110456820B true CN110456820B (zh) | 2021-07-27 |
Family
ID=68488588
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910778617.9A Active CN110456820B (zh) | 2019-08-22 | 2019-08-22 | 基于超带宽无线定位的农药喷施系统及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110456820B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114089739B (zh) * | 2020-05-21 | 2024-06-18 | 深圳市海柔创新科技有限公司 | 导航方法及导航装置 |
| CN112492523B (zh) * | 2020-11-05 | 2021-09-14 | 南京大学 | 一种基于超宽带实时定位的轨迹约束方法 |
| CN112859920B (zh) * | 2021-01-19 | 2022-04-15 | 济南市政公用资产管理运营有限公司 | 基于大数据的智慧城市管理方法 |
| CN116449289A (zh) * | 2023-06-15 | 2023-07-18 | 北京智芯微电子科技有限公司 | 基础设施定位方法及系统 |
| CN117109583B (zh) * | 2023-08-11 | 2024-06-11 | 淮阴工学院 | 一种用于农业运输设备的定位导航方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108255194A (zh) * | 2018-01-08 | 2018-07-06 | 江苏工程职业技术学院 | 一种基于uwb的农用植保无人机精准定位喷药控制方法 |
| CN109871029A (zh) * | 2019-02-21 | 2019-06-11 | 华南农业大学 | 一种基于图像处理技术的植保无人机航线规划优化方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7340283B1 (en) * | 1999-10-12 | 2008-03-04 | Lightwaves Systems, Inc. | Globally referenced positioning in a shielded environment |
| US20130240673A1 (en) * | 2012-03-01 | 2013-09-19 | Kevin Schlosser | Enabling multiple autonomous cargo deliveries in a single mission |
| CN103950540B (zh) * | 2014-04-01 | 2016-02-03 | 东北农业大学 | 一种基于无线传感器网络的植保无人机喷施作业方法 |
| US9671790B2 (en) * | 2014-05-20 | 2017-06-06 | Verizon Patent And Licensing Inc. | Scheduling of unmanned aerial vehicles for mission performance |
| CN105197243B (zh) * | 2015-09-22 | 2017-05-17 | 北京农业信息技术研究中心 | 一种农用无人机机载变量施药系统及方法 |
| CN106054917A (zh) * | 2016-05-27 | 2016-10-26 | 广州极飞电子科技有限公司 | 一种无人飞行器的飞行控制方法、装置和遥控器 |
| CN107065869A (zh) * | 2017-03-31 | 2017-08-18 | 柳州易农科技有限公司 | 一种农业无人机控制方法 |
| CN107264806B (zh) * | 2017-06-28 | 2020-05-12 | 苏州极目机器人科技有限公司 | 一种无人机的植保喷洒方法 |
| CN107390715A (zh) * | 2017-07-07 | 2017-11-24 | 深圳市华琥技术有限公司 | 一种基于无人机的喷药控制方法 |
| CN107966993A (zh) * | 2017-11-22 | 2018-04-27 | 陕西玉航电子有限公司 | 无人机航线规划系统 |
-
2019
- 2019-08-22 CN CN201910778617.9A patent/CN110456820B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108255194A (zh) * | 2018-01-08 | 2018-07-06 | 江苏工程职业技术学院 | 一种基于uwb的农用植保无人机精准定位喷药控制方法 |
| CN109871029A (zh) * | 2019-02-21 | 2019-06-11 | 华南农业大学 | 一种基于图像处理技术的植保无人机航线规划优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110456820A (zh) | 2019-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110456820B (zh) | 基于超带宽无线定位的农药喷施系统及控制方法 | |
| CN102147250B (zh) | 一种数字线划图测图方法 | |
| CN110297483A (zh) | 待作业区域边界获取方法、装置，作业航线规划方法 | |
| CN109845715A (zh) | 农药喷洒控制方法、装置、设备以及存储介质 | |
| CN110148196A (zh) | 一种图像处理方法、装置以及相关设备 | |
| CN109087312A (zh) | 一种无人机航线自动规划方法和系统 | |
| CN109871029A (zh) | 一种基于图像处理技术的植保无人机航线规划优化方法 | |
| CN110254722A (zh) | 一种飞行器系统及其方法、具有计算机程序的产品 | |
| CN103954970B (zh) | 一种地形要素采集方法 | |
| CN109829476B (zh) | 基于yolo的端到端三维物体检测方法 | |
| CN107633202A (zh) | 一种基于农田图像特征识别的植保无人机飞控方法和系统 | |
| CN114066842A (zh) | 穗头数统计方法、系统、装置及存储介质 | |
| CN110081873A (zh) | 区域打点识别方法和农机打点识别系统 | |
| CN108717301A (zh) | 一种基于gis的无人机植保系统及方法 | |
| CN112308928B (zh) | 一种无标定装置的相机与激光雷达自动标定方法 | |
| CN109766824A (zh) | 基于模糊证据理论的主被动遥感数据融合分类方法 | |
| CN107610172A (zh) | 一种基于图像识别的大宗作物株高测量方法 | |
| CN113325872A (zh) | 植物的巡查方法及装置、系统、飞行器 | |
| CN113065562A (zh) | 一种基于语义分割网络的作物垄行提取及主导航线选取方法 | |
| CN112204569A (zh) | 结合多光谱和地表语义的作业规划方法、装置及设备 | |
| CN114730437A (zh) | 信息处理设备、信息处理方法和程序 | |
| CN117268399B (zh) | 基于同向路径规划的无人机彩绘植物播种方法及系统 | |
| CN113807128B (zh) | 一种缺苗标记方法、装置、计算机设备和存储介质 | |
| CN116171962B (zh) | 一种植保无人机的高效对靶喷雾调控方法及系统 | |
| CN117132891A (zh) | 一种玉米苗情苗势获取方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |