CN111736629B - 基于wsn的植保无人机防雾滴飘移路径微调系统及方法 - Google Patents
基于wsn的植保无人机防雾滴飘移路径微调系统及方法 Download PDFInfo
- Publication number
- CN111736629B CN111736629B CN202010620463.3A CN202010620463A CN111736629B CN 111736629 B CN111736629 B CN 111736629B CN 202010620463 A CN202010620463 A CN 202010620463A CN 111736629 B CN111736629 B CN 111736629B
- Authority
- CN
- China
- Prior art keywords
- aerial vehicle
- unmanned aerial
- plant protection
- protection unmanned
- wind speed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002265 prevention Effects 0.000 title abstract description 4
- 239000000575 pesticide Substances 0.000 claims abstract description 63
- 230000008569 process Effects 0.000 claims abstract description 11
- 241000196324 Embryophyta Species 0.000 claims description 101
- 238000004891 communication Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000002245 particle Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 18
- 238000013135 deep learning Methods 0.000 claims description 14
- 240000007651 Rubus glaucus Species 0.000 claims description 13
- 235000011034 Rubus glaucus Nutrition 0.000 claims description 13
- 235000009122 Rubus idaeus Nutrition 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013500 data storage Methods 0.000 claims description 8
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims 1
- 230000004044 response Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 7
- 238000005507 spraying Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008021 deposition Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000000447 pesticide residue Substances 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D1/00—Dropping, ejecting, releasing, or receiving articles, liquids, or the like, in flight
- B64D1/16—Dropping or releasing powdered, liquid, or gaseous matter, e.g. for fire-fighting
- B64D1/18—Dropping or releasing powdered, liquid, or gaseous matter, e.g. for fire-fighting by spraying, e.g. insecticides
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Pest Control & Pesticides (AREA)
- Catching Or Destruction (AREA)
Abstract
本发明公开了基于WSN的植保无人机防雾滴飘移路径微调系统,该系统包括:地面WSN端和植保无人机端;所述地面WSN端将多个无线传感网络节点的GPS位置信息、风速风向数据、温湿度数据传输给所述植保无人机端;所述植保无人机端根据多个无线传感网络节点的GPS位置信息、风速风向数据、温湿度数据实时调整施药路径,以减轻由自然风导致的农药雾滴飘移。该系统响应速度快,布置方便、灵活、可靠、高效;可根据风速微调施药路径,能够在较短的运算时间内快速计算得到全局最优解,以满足植保无人机施药过程的实时性要求;从而指导无人机精准施药,减少农药飘移,提高农药利用率。
Description
技术领域
本发明涉及无人机路径微调系统技术领域,特别涉及一种基于WSN的植保无人机防雾滴飘移路径微调系统及方法。
背景技术
农业航空植保产业发展迅速,采用植保无人机喷洒农药被认为是减少农药用量,降低农药残留,提升农药防效的有力手段。但相比地面喷雾设备,无人机飞行速度快,雾滴释放位点较高,极易发生飘移。气象条件对雾滴的沉降和飘移影响较大,比如对于100微米直径的雾滴,风速为5m/s时的飘移距离大约是无风时的5倍。尤其侧风对雾滴产生的飘失作用是影响航空喷雾效果的主要因素,其影响程度超过飞行高度及雾滴粒径等。雾滴在自然风因素的影响下离开目标区域、迁移到非靶标区的飘移减少了农药的有效应用剂量,不仅影响防治效果、降低农药的利用率,而且严重影响非靶标区敏感作物的生长,污染生态环境,甚至引发人畜中毒。
目前行业的做法是,喷施前根据气象站的数据对是否适合进行航空施药进行评估,利用GPS预先规划喷施路径;但导致施药时机受气候限制,且规划的路径实时性较差,低空风切变、突发阵风等因素使预先的规划不能较好避免飘移,造成对非靶标区的农药污染。因而需要在整个喷施进行中对喷洒区域的气象条件进行实时在线监测;机载气象传感器系统能实时监测作业区域的气象变化,但风速风向传感器还受到无人机本身产生的下旋气流影响,导致数据不准确。
近年来,农业物联网在农情监测、施肥灌溉等精准农业领域得到了大力发展,随着各种农业传感器成本的进一步下降和传感器节点在广大农田区域的广泛铺设,利用无线传感器网络的实时监测功能,可实时采集并将作业区的气象数据发送给无人机,无人机可根据突发气象情况进行侧风修正、航线调整以控制飘移。
发明内容
鉴于上述问题,本发明提供一种能解决上述部分技术问题的基于WSN的植保无人机防雾滴飘移路径微调系统,该系统可根据实时风速和风向进行路径微调,实现实时精准施药的目的。
本发明实施例提供基于WSN的植保无人机防雾滴飘移路径微调系统,包括:地面WSN端和植保无人机端;所述地面WSN端通过无线通讯方式与植保无人机端实现数据传输;
所述地面WSN端用于将多个无线传感器网络节点的GPS位置信息、风速风向数据、温湿度数据,传输给所述植保无人机端;
所述植保无人机端根据多个无线传感器网络节点的GPS位置信息、风速风向数据、温湿度数据,实时调整施药路径。
进一步地,所述WSN端包括若干无线传感器网络节点;每一个所述无线传感器网络节点包括:GPS位置信息获取模块、风速风向传感器、温湿度传感器、处理模块和地面通信模块;
所述处理模块分别与所述GPS位置信息获取模块、风速风向传感器、温湿度传感器和地面通信模块连接。
进一步地,所述植保无人机端包括:无人机本体以及设置在所述无人机本体上的处理装置、机载通信模块和数据存储模块;
所述处理装置分别与所述机载通信模块和数据存储模块连接。
进一步地,所述处理装置包括:作业区域路径规划模型、基于深度学习的短期风速风向预测模型、雾滴飘移中心简化计算模型和基于粒子群算法的路径微调模型;
所述作业区域路径规划模型,根据获取到的多个无线传感网络节点的GPS位置信息,用于确认施药区域的作业面积及其作业路径;
所述基于深度学习的短期风速风向预测模型,根据获取到的多个无线传感网络节点的风速风向数据、温湿度数据,输出未来预设时长内的风速风向预测值;
所述雾滴飘移中心简化计算模型,根据所述作业路径、风速风向预测值,计算得到作业路径上每一秒植保无人机施药时所产生的雾滴飘移中心点;
所述基于粒子群算法的路径微调模型,根据所述作业路径、雾滴飘移中心点,生成植保无人机施药的最佳位置,称为第一位置;所述植保无人机实际所在的位置称为第二位置;根据所述第一位置和第二位置,生成微调路径;
将所述微调路径传输给所述无人机本体,实现实时调整施药路径。
进一步地,所述雾滴飘移中心简化计算模型为:
x=0.167Xw×cos(θw-2θf)-0.12sinθf-0.797cosθf
y=0.167Xw×sinθw-0.12cosθf-0.797sinθf
其中,Xw表示风速;θw表示风向与正东方向的夹角;θf表示植保无人机飞行方向与正东方向的夹角;x,y分别表示雾滴中心沿正东方向和正北方向飘移的距离。
进一步地,所述基于深度学习的短期风速风向预测模型,以LSTM网络为基准模型,由输入层、三个隐藏层、输出层构成。
进一步地,所述处理装置为4B+树莓派。
进一步地,所述地面通讯模块为CC2530型Zigbee通讯模块。
进一步地,所述机载通信模块为CC2530型Zigbee通讯模块。
第二方面,本发明实施例提供基于WSN的植保无人机防雾滴飘移路径微调方法,使用如上述任一项所述的系统,该方法包括以下步骤:
(1)植保无人机处于准备作业阶段,地面WSN端获取每个无线传感器网络节点的地理位置信息,发送到作业区域路径规划模型,获得施药区域的作业面积及其作业路径;
(2)植保无人机处于准备作业阶段,植保无人机前往第一条工作路径的起点,并接收地面WSN端中距离自身最近的节点每隔S秒发送的风速风向数据,当储存的风速风向数据的数量达到N个,植保无人机进入工作阶段;
(3)将N个风速风向数据传输给短期风向风速预测模型,获得未来预设时长内的N个风速风向预测值;
(4)将N个风速风向预测值,传输给雾滴飘移中心简化计算模型,计算得到在作业路径上N个时刻植保无人机施药后产生的雾滴飘移中心位置;
(5)将N个雾滴飘移中心位置发送给路径微调模型,根据N个雾滴飘移中心位置微调植保无人机的飞行路径,使施药过程中由于自然风产生的靶标区域外的雾滴飘移最小。
本发明实施例提供的基于WSN的植保无人机防雾滴飘移路径微调系统,包括:地面WSN端和植保无人机端;所述地面WSN端将多个无线传感器网络节点的GPS位置信息、风速风向数据、温湿度数据传输给所述植保无人机端;所述植保无人机端根据多个无线传感器网络节点的GPS位置信息、风速风向数据、温湿度数据,实时调整施药路径。该系统响应速度快、布置方便、灵活、可靠、高效;可根据风速微调施药路径,能够在较短的运算时间内快速计算得到全局最优解,以满足植保无人机施药过程的实时性要求;从而指导植保无人机精准施药,减少农药飘移,提高农药利用率。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例提供的基于WSN的植保无人机防雾滴飘移路径微调系统的结构框图;
图2为本发明实施例提供的基于深度学习的短期风速风向预测模型的深度网络结构图;
图3为本发明实施例提供的雾滴中心相对植保无人机机身飘移距离几何图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
参照图1所示,本发明实施例提供的一种基于WSN的植保无人机防雾滴飘移路径微调系统,包括:地面WSN端和植保无人机端;地面WSN端通过无线通讯方式与植保无人机端实现数据传输;
地面WSN端用于将多个无线传感网络节点的GPS位置信息、风速风向数据、温湿度数据传输给植保无人机端;植保无人机端根据多个无线传感网络节点的GPS位置信息、风速风向数据、温湿度数据,实时调整施药路径。
具体地,如图1所示,地面WSN端包括若干无线传感器网络节点,分别为:地面传感器节点1、地面传感器节点2、…地面传感器节点n;每个节点由GPS位置信息获取模块、风速风向传感器、温湿度传感器、处理模块和地面通信模块组成;其中,地面通信模块可为CC2530型Zigbee通讯模块,处理模块可为STM32系列的单片机。STM32系列的单片机分别分别与GPS位置信息获取模块、风速风向传感器、温湿度传感器和CC2530型Zigbee通讯模块连接。当地面传感器节点数量较多时,也可以设置汇聚节点和中继节点;最终实现将节点的GPS位置信息、风速风向数据、温湿度数据,传输给植保无人机端。另外,该节点也可以设有存储器,安装大容量外接电源,实现对环境数据的自动采集。
如图1所示,植保无人机端,包括:无人机本体、处理装置、机载通信模块和数据存储模块;优先地,比如,无人机本体可以为M234-AT型植保无人机、HY-B-15L无人机、TTA天途M8A植保无人机等;本公开实施例对无人机本体的型号不作限定。
该处理装置可选用4B+树莓派、机载通信模块选择与地面通信模块相同,比如均为CC2530型Zigbee通讯模块。数据存储模块用于存储作业路径、节点的GPS位置信息、风速风向数据、温湿度数据、以及无人机本体的相关数据。另外,还可以存储一些特定地区在一定时期内连续的风速风向、温度湿度数据、雾滴飘移数据等的样本数据。该样本数据包括用来预训练的训练数据和用来验证深度学习的神经网络模型学习效果的测试数据。
进一步地,可在4B+树莓派内置四个模型,分别为:作业区域路径规划模型、基于深度学习的短期风速风向预测模型、雾滴飘移中心简化计算模型和基于粒子群算法的路径微调模型。
其中,比如基于深度学习的短期风速风向预测模型,可使用风速风向样本数据中正常的风速风向温度湿度数据进行训练并得到最优模型。将预测结果中与实际风速风向基本一致的数据用于微调基于深度学习的短期风速风向预测模型,从而适应不同地区短期风向风速的变化规律,增加该短期风速风向预测模型的广泛适用性和鲁棒性。
该基于深度学习的短期风速风向预测模型以LSTM网络为基准模型,参照图2所示,输入层由10行4列的矩阵组成,第一隐藏层由4行16列的权值矩阵和16行的偏置矩阵组成,第二隐藏层由16行32列的权值矩阵和32行的偏置矩阵组成,第三隐藏层由32行2列的权值矩阵和2行的偏置矩阵组成,输出层由10行2列的矩阵组成。其融合了正则化和数据自标准化机制;并根据训练集的预测结果,对预测模型进行结构上的微调,使得网络在预测结果准确的情况下尽可能地小;根据验证集对连接分类器的上两层进行超参数训练,得到最优的模型。
上述雾滴飘移中心简化计算模型,根据风洞实验数据进行建模并根据不同算法进行优化,使用样本数据中的雾滴飘移数据进行训练,从而得到最优雾滴飘移中心简化计算模型。
上述基于粒子群算法的路径微调模型,根据作业路径、雾滴飘移中心点,生成植保无人机施药的最佳位置,称为第一位置;植保无人机实际所在的位置称为第二位置;根据第一位置和第二位置,生成微调路径;将微调路径传输给无人机本体,最终实现实时调整施药路径。从而能够在较短的运算时间内快速计算得到全局最优解,以满足植保无人机施药过程的实时性要求。
具体地,该植保无人机端的CC2530型Zigbee通讯模块将接收到的节点GPS位置信息和风速风向数据、温湿度数据传输给4B+树莓派,分别通过作业区域路径规划模型、基于深度学习的短期风速风向预测模型、雾滴飘移中心简化计算模型、基于粒子群算法的路径微调模型,对数据进行分析计算得到:作业路径、未来预设时长内每秒风速风向、未来预设时长内每秒时刻雾滴飘移中心、植保无人机微调路径,从而指导植保无人机精准施药,减少农药飘移,提高农药利用率。预设时长比如可以是5秒、10秒或20秒均可。
本实施例中,植保无人机端通过4B+树莓派内置的作业区域路径规划模型计算得到作业路径,植保无人机端向地面WSN端发送数据请求,地面WSN端距离植保无人机端最近的节点向植保无人机端发送风速、风向、温湿度数据;植保无人机端将接收到的数据传输给4B+树莓派,4B+树莓派通过基于深度学习的短期风速风向预测模型计算得到预测风速风向;然后基于粒子群算法的路径微调模型,根据预测风速风向结合雾滴飘移中心简化计算模型,得到微调后的优化路径,从而指导植保无人机精准施药。
进一步的,雾滴飘移中心参照Hang Zhu等人的期刊论文(PerformanceCharacterization of the UAV Chemical Application Based on CFD Simulation)中对雾滴飘移中心的定义;风洞实验对象使用多旋翼植保无人机,确保多旋翼产生的下压风场与实际作业过程中的相似;实验过程仅对最佳飞行高度及常用最佳施药飞行速度进行实验,简化模型从而更快得到计算结果以满足作业过程的实时性;风洞实验数据采用专业设备进行分析处理,使得所得结果准确可靠。
根据雾滴沉积中心飘移距离的回归方程:
Y=0.167Xw+0.085Xp+0.308Xh-0.667
其中,Xw表示风速、Xp表示喷嘴压力、Xh表示喷雾高度、Y表示雾滴中心飘移距离。
并结合无人机机身后部的飘移量与机身后部距离的关系式如下:
y=41.34-22.22×log(x)
其中,y表示雾滴飘移量,x表示雾滴与机身后部的距离。
以无人机位置为原点,以东方向为x轴的正方向,北方向为y轴的正方向,建立直角坐标系,可参照图3所示。对风速进行正交分解,并根据最佳飞行参数,得到如下关系式:
Hx=0.167Xw×sin(θw-θf)-0.12
Hy=0.167Xw×cos(θw-θf)-0.797
其中,Hx表示与无人机飞行方向垂直的雾滴中心飘移的位移;Hy表示与无人机飞行方向平行的雾滴中心飘移的位移;Xw表示风速;θw表示风与正东方向的夹角;θf表示植保无人机飞行方向与正东方向的夹角。
结合上述关系式,得到雾滴飘移中心简化计算模型如下:
x=0.167Xw×cos(θw-2θf)-0.12sinθf-0.797cosθf
y=0.167Xw×sinθw-0.12cosθf-0.797sinθf
其中,Xw表示风速;θw表示风向与正西方向的夹角;θf表示植保无人机飞行方向与正西方向的夹角;x,y分别表示雾滴中心沿正东方向和正北方向飘移的距离。
进一步的,结合基于深度学习的短期风速风向预测模型与雾滴飘移中心简化计算模型,可得出植保无人机作业过程中每隔一秒时刻位置的雾滴飘移数据,利用该数据,也可以代替使用地面叶面湿度传感器获取的实时值,极大地减少了传感器数量的使用,较传统植保无人机施药路径微调系统设置大大降低了成本。
进一步的,基于粒子群算法的路径微调算法,假设植保无人机调整路径后的施药位置为Q″t以及根据雾滴飘移中心简化计算模型得到的植保无人机的目标施药位置Q′t。每次调整后ΔQt=‖Q″t-Q′t‖的值的总和越小,则调整路径越优,建立优化函数如下:
其中,N表示植保无人机一次施药作业所需的时间;Δvf表示植保无人机飞行速度的增量,Δθf表示植保无人机在飞行方向上的微调角度;t0表示植保无人机微调持续时间;G(vf,θf,t)表示速度为vf,方向为θf的植保无人机在t时间内的位移;H(vt,θt,θf)表示雾滴漂移中心在植保无人机的飞行角度为θf,风速为vt,风向为θt的位移。
初始化粒子群,比如,粒子个数设置为25,最高迭代次数为100次。粒子的维度d=0,1,2分别对应Δvf,Δθf,t0,将粒子当前的位置保存为粒子的个体最优,根据f(N,Δvf,Δθf,t0)对每个粒子计算适值,再将所有粒子的适值进行排序,将适值最小的粒子保存为种群最优。完成初始化后,对每一个粒子更新位置和速度。
本发明提供的基于WSN的植保无人机防雾滴飘移路径微调系统,工作原理如下:
在准备作业阶段,植保无人机收集地面各个节点的GPS位置信息并传输给处理装置,比如4B+树莓派。接下来作业区域路径规划模型将施药区域进行规则化,根据植保无人机单次施药作业的作业面积对施药区域进行划分,计算得到无风时的最佳施药路径并保存在无人机数据存储模块中。
各个地面传感器节点每隔1秒将风速风向数据传输给无人机,数据存储模块将之前10s的风速风向数据以及温度湿度传输给4B+树莓派,若风速风向的变化不大,则使用当前的风速风向当做未来十秒的风速风向;若风速风向的变化较大,则4B+树莓派通过风速风向预测模型计算得到未来十秒每一秒的十个预测值。根据未来风速风向数据,4B+树莓派通过雾滴飘移中心简化计算模型,预测得到在预定作业路径上未来十秒中每一秒植保无人机施药的雾滴飘移中心点。根据十个预测的雾滴飘移中心点,4B+树莓派通过粒子群算法路径微调模型,计算未来十秒植保无人机的最佳施药位置;路径微调方案的目标是最小化目标施药路径上未来十秒每一秒植保无人机的位置与最佳施药位置的距离和,从而得出目标施药路径,即路径微调方案,植保无人机根据微调方案进行作业。
本发明通过采集大量环境数据、通过实验获得雾滴飘移实验数据建立样本数据,并对风速风向预测、雾滴飘移中心计算进行建模,得到能够预测短期风速风向、能够计算雾滴飘移中心的最优模型,将使用传感器间接获取风对雾滴造成的影响替换为使用风速风向预测模型结合雾滴飘移中心简化计算模型直接计算风对雾滴飘移的影响,因此,也减少了地面无线传感器节点的硬件成本、电源消耗及安装复杂度。
基于同一发明构思,本发明实施例还提供了基于WSN的植保无人机防雾滴飘移路径微调方法,由于该方法所解决问题的原理与基于WSN的植保无人机防雾滴飘移路径微调系统相似,因此该方法的实施可以参见前述系统的实施,重复之处不再赘述。
第二方面,本发明实施例还提供一种基于WSN的植保无人机防雾滴飘移路径微调方法,包括:
(1)植保无人机处于准备作业阶段,收集地面无线传感器网络节点的地理位置信息,发送到作业区域路径规划模型,获得施药区域的作业面积及其作业路径。
(2)植保无人机前往第一条工作路径的起点,接收地面WSN中距离自身最近的节点每隔S秒(比如1s)发送的风速风向数据,当储存的风速风向数据的数量达到N个,植保无人机进入工作阶段;为了便于计算,N可取10。
(3)将N个风速风向数据传输给短期风向风速预测模型,获得未来预设时长内的N个风速风向预测值。比如:将10个风速风向数据传输给短期风向风速预测模型,获得下10s内的10个风速风向预测值。
(4)将N个风速风向预测值,传输给雾滴飘移中心简化计算模型,预测得到在原规划路径上未来N个时刻植保无人机施药后产生的雾滴飘移中心位置;
(5)将预测的N个雾滴飘移中心位置发送给路径微调模型,根据N个雾滴飘移中心位置微调植保无人机的飞行路径,使施药过程中由于风速风向产生雾滴飘移情况最小。
举例来说:当获取的风速依次为2.1、3.5、2.1、2.7、2.7、4.9、7.5、6.5、5.5、4.7m/s、风向为正北、西北、西北、西北、正北、正北、东北、东北、东北、东北方向时,植保无人机的飞行参数由原来沿正东方向飞行、飞行速度为6m/s调整为沿东偏南2°飞行、飞行速度5.9m/s并维持该参数前进5s,随后在到达点上继续沿正东方向飞行。不作调整时,这10秒间的10个雾滴沉积中心位置与靶标区域中心的距离和为5.763,调整后10个雾滴沉积中心与靶标区域中心的距离和为3.637,雾滴飘移量减少了36.86%。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.基于WSN的植保无人机防雾滴飘移路径微调系统,其特征在于,包括:地面WSN端和植保无人机端;所述地面WSN端通过无线通讯方式与植保无人机端实现数据传输;
所述地面WSN端用于将多个无线传感网络节点的GPS位置信息、风速风向数据、温湿度数据传输给所述植保无人机端;
所述植保无人机端根据多个无线传感网络节点的GPS位置信息、风速风向数据、温湿度数据,实时调整施药路径;
所述植保无人机端包括:无人机本体以及设置在所述无人机本体上的处理装置、机载通信模块和数据存储模块;
所述处理装置分别与所述机载通信模块和数据存储模块连接;
所述处理装置包括:作业区域路径规划模型、基于深度学习的短期风速风向预测模型、雾滴飘移中心简化计算模型和基于粒子群算法的路径微调模型;
所述作业区域路径规划模型,根据获取到的多个无线传感器网络节点的GPS位置信息,用于确认施药区域的作业面积及其作业路径;
所述基于深度学习的短期风速风向预测模型,根据获取到的多个无线传感器网络节点的风速风向数据、温湿度数据,输出未来预设时长内的风速风向预测值;
所述雾滴飘移中心简化计算模型,根据所述作业路径、风速风向预测值,计算得到作业路径上每一秒植保无人机施药时所产生的雾滴飘移中心点;
所述基于粒子群算法的路径微调模型,根据所述作业路径、雾滴飘移中心点,生成植保无人机施药的最佳位置,称为第一位置;所述植保无人机实际所在的位置称为第二位置;根据所述第一位置和第二位置,生成微调路径;
将所述微调路径传输给所述无人机本体,实现实时调整施药路径;
所述雾滴飘移中心简化计算模型为:
x=0.167Xw×cos(θw-2θf)-0.12sinθf-0.797cosθf
y=0.167Xw×sinθw-0.12cosθf-0.797sinθf
其中,Xw表示风速;θw表示风向与正东方向的夹角;θf表示植保无人机飞行方向与正东方向的夹角;x,y分别表示雾滴中心沿正东方向和正北方向飘移的距离。
2.如权利要求1所述的系统,其特征在于,所述WSN端包括若干无线传感器网络节点;每一个所述无线传感器网络节点包括:GPS位置信息获取模块、风速风向传感器、温湿度传感器、处理模块和地面通信模块;
所述处理模块分别与所述GPS位置信息获取模块、风速风向传感器、温湿度传感器和地面通信模块连接。
3.如权利要求1所述的系统,其特征在于,所述基于深度学习的短期风速风向预测模型,以LSTM网络为基准模型,由输入层、三个隐藏层、输出层构成。
4.如权利要求1所述的系统,其特征在于,所述处理装置为4B+树莓派。
5.如权利要求2所述的系统,其特征在于,所述地面通信模块为CC2530型Zigbee通讯模块。
6.如权利要求1所述的系统,其特征在于,所述机载通信模块为CC2530型Zigbee通讯模块。
7.基于WSN的植保无人机防雾滴飘移路径微调方法,其特征在于,使用如权利要求1-6任一项所述的系统,该方法包括以下步骤:
(1)植保无人机处于准备作业阶段,地面WSN端获取每个无线传感器网络节点的地理位置信息,发送到作业区域路径规划模型,获得施药区域的作业面积及其作业路径;
(2)植保无人机处于准备作业阶段,植保无人机前往第一条工作路径的起点,并接收地面WSN端中距离自身最近的节点每隔S秒发送的风速风向数据,当储存的风速风向数据的数量达到N个,植保无人机进入工作阶段;
(3)将N个风速风向数据传输给短期风向风速预测模型,获得未来预设时长内的N个风速风向预测值;
(4)将N个风速风向预测值,传输给雾滴飘移中心简化计算模型,计算得到在作业路径上N个时刻植保无人机施药后产生的雾滴飘移中心位置;
(5)将N个雾滴飘移中心位置发送给路径微调模型,根据N个雾滴飘移中心位置微调植保无人机的飞行路径,使施药过程中由于自然风产生的靶标区域外的雾滴飘移最小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620463.3A CN111736629B (zh) | 2020-06-30 | 2020-06-30 | 基于wsn的植保无人机防雾滴飘移路径微调系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010620463.3A CN111736629B (zh) | 2020-06-30 | 2020-06-30 | 基于wsn的植保无人机防雾滴飘移路径微调系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111736629A CN111736629A (zh) | 2020-10-02 |
CN111736629B true CN111736629B (zh) | 2021-04-27 |
Family
ID=72653955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010620463.3A Active CN111736629B (zh) | 2020-06-30 | 2020-06-30 | 基于wsn的植保无人机防雾滴飘移路径微调系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111736629B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113589846B (zh) * | 2021-08-27 | 2022-05-17 | 河北农业大学 | 一种基于无人机喷药的风场监控下的雾滴控制系统及方法 |
EP4227714A1 (en) * | 2022-02-10 | 2023-08-16 | TotalEnergies One Tech | A method for forecasting wind parameters in an area of interest |
CN115167520B (zh) * | 2022-08-08 | 2023-05-16 | 山东曙光照信息技术有限公司 | 一种基于无线传感网的无人机农药精准喷施作业系统 |
CN115630770B (zh) * | 2022-12-07 | 2023-03-10 | 广东省农业科学院植物保护研究所 | 一种基于植保无人机的作业效果评价方法、系统及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5320282A (en) * | 1993-03-12 | 1994-06-14 | Ramerth Frederick J | Aerial sprayer |
CN105197243A (zh) * | 2015-09-22 | 2015-12-30 | 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 |
CN205098480U (zh) * | 2015-11-13 | 2016-03-23 | 南京衡创天伟无人机技术有限公司 | 一种多旋翼无人机喷洒系统 |
CN105539851A (zh) * | 2015-12-09 | 2016-05-04 | 华南农业大学 | 基于无线传感网的无人机农药精准喷施作业系统及方法 |
CN106167098A (zh) * | 2016-09-07 | 2016-11-30 | 南京林业大学 | 一种基于立体测量的旋翼无人机自动施药系统与方法 |
CN108482676A (zh) * | 2018-03-19 | 2018-09-04 | 中国农业大学 | 一种多旋翼植保无人机自适应喷幅调控装置及方法 |
CN109144093A (zh) * | 2017-06-28 | 2019-01-04 | 广州极飞科技有限公司 | 无人机喷洒装置的调整方法及无人机 |
CN109383805A (zh) * | 2017-08-08 | 2019-02-26 | 迪尔公司 | 用于农业喷洒的移动漂移传感器 |
CN110515393A (zh) * | 2019-10-24 | 2019-11-29 | 南京国器智能装备有限公司 | 无人机农林喷洒实时防漂移修正的方法、装置和系统 |
CN110598892A (zh) * | 2019-07-11 | 2019-12-20 | 华南理工大学 | 一种基于卷积混合密度神经网络的短期风速预测方法 |
CN110647171A (zh) * | 2019-11-06 | 2020-01-03 | 江苏蒲公英无人机有限公司 | 一种植保无人机可自主调整飞行航线的方法 |
CN110889535A (zh) * | 2019-10-28 | 2020-03-17 | 国网江西省电力有限公司电力科学研究院 | 一种基于卷积循环神经网络的风电场内多点位风速预测方法 |
CN110901921A (zh) * | 2019-12-03 | 2020-03-24 | 华南农业大学 | 一种植保无人机的风幕式喷雾防飘移装置及方法 |
CN110991690A (zh) * | 2019-10-17 | 2020-04-10 | 宁波大学 | 一种基于深度卷积神经网络的多时次风速预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190226815A1 (en) * | 2018-01-24 | 2019-07-25 | Dennis L Matter | Method for Low-Cost Wide-Area Passive Interdiction of Civil Class Airborne Drone Devices |
-
2020
- 2020-06-30 CN CN202010620463.3A patent/CN111736629B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5320282A (en) * | 1993-03-12 | 1994-06-14 | Ramerth Frederick J | Aerial sprayer |
CN105197243A (zh) * | 2015-09-22 | 2015-12-30 | 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 |
CN205098480U (zh) * | 2015-11-13 | 2016-03-23 | 南京衡创天伟无人机技术有限公司 | 一种多旋翼无人机喷洒系统 |
CN105539851A (zh) * | 2015-12-09 | 2016-05-04 | 华南农业大学 | 基于无线传感网的无人机农药精准喷施作业系统及方法 |
CN106167098A (zh) * | 2016-09-07 | 2016-11-30 | 南京林业大学 | 一种基于立体测量的旋翼无人机自动施药系统与方法 |
CN109144093A (zh) * | 2017-06-28 | 2019-01-04 | 广州极飞科技有限公司 | 无人机喷洒装置的调整方法及无人机 |
CN109383805A (zh) * | 2017-08-08 | 2019-02-26 | 迪尔公司 | 用于农业喷洒的移动漂移传感器 |
CN108482676A (zh) * | 2018-03-19 | 2018-09-04 | 中国农业大学 | 一种多旋翼植保无人机自适应喷幅调控装置及方法 |
CN110598892A (zh) * | 2019-07-11 | 2019-12-20 | 华南理工大学 | 一种基于卷积混合密度神经网络的短期风速预测方法 |
CN110991690A (zh) * | 2019-10-17 | 2020-04-10 | 宁波大学 | 一种基于深度卷积神经网络的多时次风速预测方法 |
CN110515393A (zh) * | 2019-10-24 | 2019-11-29 | 南京国器智能装备有限公司 | 无人机农林喷洒实时防漂移修正的方法、装置和系统 |
CN110889535A (zh) * | 2019-10-28 | 2020-03-17 | 国网江西省电力有限公司电力科学研究院 | 一种基于卷积循环神经网络的风电场内多点位风速预测方法 |
CN110647171A (zh) * | 2019-11-06 | 2020-01-03 | 江苏蒲公英无人机有限公司 | 一种植保无人机可自主调整飞行航线的方法 |
CN110901921A (zh) * | 2019-12-03 | 2020-03-24 | 华南农业大学 | 一种植保无人机的风幕式喷雾防飘移装置及方法 |
Non-Patent Citations (1)
Title |
---|
Performance Characterization of the UAV Chemical Application Based on CFD Simulation;Zhu, Hang等;《Remote Sensing Applications for Agriculture and Crop Modelling》;20190630;第9卷(第6期);第1-15页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111736629A (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111736629B (zh) | 基于wsn的植保无人机防雾滴飘移路径微调系统及方法 | |
CN108594850B (zh) | 基于无人机的航线规划及控制无人机作业的方法、装置 | |
Kim et al. | Unmanned aerial vehicles in agriculture: A review of perspective of platform, control, and applications | |
CN108549407B (zh) | 一种多无人机协同编队避障的控制算法 | |
Tisdale et al. | Autonomous UAV path planning and estimation | |
US10017271B2 (en) | Methods of three dimensional (3D) airflow sensing and analysis | |
CN111831008B (zh) | 一种基于分布式架构的无人机编队协同控制系统及其方法 | |
CN112925335A (zh) | 无人机通讯方法、装置、计算机可读存储介质和设备 | |
CN108519775A (zh) | 一种精准喷洒的无人机系统及其控制方法 | |
CN106403948A (zh) | 用于输电线路巡检无人机的三维航迹规划方法 | |
KR20140076481A (ko) | 항공 산림 재고조사 시스템 | |
CN105867397A (zh) | 一种基于图像处理和模糊控制的无人机精确位置降落方法 | |
Cai et al. | Path planning for UAV tracking target based on improved A-star algorithm | |
CN102375150A (zh) | 一种航空喷药机gps短时自差分导航方法及装置 | |
Kapoor et al. | Airplanes aloft as a sensor network for wind forecasting | |
Shi et al. | Study on UAV remote sensing technology in irrigation district informationization construction and application | |
CN110515393B (zh) | 无人机农林喷洒实时防漂移修正的方法、装置和系统 | |
Li et al. | Employing intelligent aerial data aggregators for the internet of things: Challenges and solutions | |
Verdu et al. | Flight patterns for clouds exploration with a fleet of UAVs | |
CN115079713B (zh) | 一种基于航迹优化的无人机精准施药作业方法 | |
Uche et al. | UAV for agrochemical application: a review | |
EP3430487A1 (en) | Systems, methods, and apparatus for airflow sensing and close formation flight | |
Cao et al. | Quadrotor swarm flight experimentation inspired by pigeon flock topology | |
Simon et al. | Navigation and applicability of hexa rotor drones in greenhouse environment | |
Brito et al. | A comparative approach on the use of unmanned aerial vehicles kind of fixed-wing and rotative wing applied to the precision agriculture scenario |
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 |