基于四旋翼无人机的机耕农场监察装置

刘一航，钟继康，李瀚

基于四旋翼无人机的机耕农场监察装置

刘一航，钟继康，李瀚

（武汉理工大学 机电学院，湖北 武汉 430070）

农作物在每一个生长周期内的外部形状相对不同，并且大多数具有明显的外部特征，因此可以较好区分农作物的生长周期。在现有较为先进的无人机航拍技术基础上，完全可以依靠无人机对大型农场进行普查并结合图像处理技术判断生长阶段对应性进行耕作。基于此背景，拟研究一套基于四旋翼无人机的机耕农场管理系统，依靠四旋翼无人机对农场进行航拍，对航拍获得的图像进行处理，从而判断生长周期，并且判断具体属于哪一块土地，有针对性地进行耕作。

无人机；机耕农场；监察；视觉识别

1 硬件部分

拟采用大疆无人机的大疆御Air无人机，该款无人机航程30 min，运行速度约为30 km/h（最高运行速度可达60 km/h）。航拍稳定极高，像素可达3 200万，并且拍照广角为180°，方便采集信息。

无人机最大作用距离为4 km（即最大巡航路径为25 km），并且拥有在4 km内传输720 p的实时图传能力，理论上在不对农场环境做大幅度改造的情况下仅依靠2.4/5.8 GHz信号传输的最大半径可达4 km，面积可达50 km2的区域的图像拍摄。并且大疆御Air可以依靠Wi-Fi信号传输进行控制，因此在中间增加中继增强信号增大其工作范围。

2 软件部分

软件部分采用大疆公司的外部开发SDK为基础进行开发，将原有的RGB数学模型转化为较为方便处理的HSV数学模型，最终采用HSV数学模型得到的数值对所得到的图片进行比对分析。

直接拍照得到的照片是基于RGB模型的像素点的图形，每一点都由RGB三个数值存储，信息存储量大，处理三维数组运算相对较慢。并且RGB颜色空间是不均匀的颜色空间，两个颜色之间的知觉差异与空间中两点间的欧氏距离不成线性比例，而且RGB值之间的相关性很高。同一颜色属性在不同条件下RGB值很分散，识别某种特别颜色时，很难确定其阈值和其在颜色传统的颜色相似度计算方法空间中的分布范围，不利于目标物体的识别，因此将其转化为较为简单的HSV模型。程序运行过程如图1所示。

后期对农场图像进行识别时，选择最为明显的小麦成熟为例子讲述其识别过程。小麦成熟前为青色，其RGB值为0，255，255，转化为HSV数学模型后为180，1，255。小麦成熟后为黄色，其RGB值为255，255，0，转化为HSV数学模型后为60，1，255。其识别仅计算灰度即可，黄色与青色在HSV模型下为互补色，识别起来相对快。

图1 程序运行过程

在确认了黄色色块后，软件将进行形状识别。图片所拍摄的画面承载的土地大小一定，在得到灰度图后灰度接近60的部分采用画圆的方法简单画出成熟小麦的外框区域。得到其大致成熟区域的外形后，根据图片比例与图形比例计算出成熟区域占据整体区域的比例，计算出比例后将会将数据上传给上位机。使用者根据上位机所显示的数据判断是否应该采摘。

在实际使用中可能由于光线原因导致地面的棕色土地展现出与金黄色类似的颜色状态，因此为了操作者在上位机可以根据该片区土地的实际情况（是否存在大面积撂荒）选择是否对该块土地进行反复调查。选择无人机的自我路径规划可以在一个正方形的四个角对一块土地进行反复校准，对该块土地的识别采用相对较为简单的识别方式，减少识别工作量提升辨别速度。

3 工作方式

以一个300 hm2（3 km2）的农场为基础进行计算，无人机每架次巡航15 km，巡航半径4 km。大型农场土地相对较为平整，土地相对较为完整。假设其为一个长2 km、宽1.5 km的土地，操作者可以在任意一点释放无人机，无人机的定位系统将会在该点建立起坐标系，并且无人机接入网络依靠地图导航确定无人机位置，并在坐标系上建立一个动态的运动模型。

在人工确认作业区域全部在信号作用范围内与航程路线规划内情况下，无人机会随之建立起一个动态的运动模型确定其所处的位置，对应性地根据需要选择需要探测的土地（不同种类作物成熟期不相同）。

工人在上位机规划好对应的行程，上位机把对应的探测区域展示给使用者，并且使用者需要确认行程上无大块土地撂荒。如果存在土地撂荒，使用者将需要在规划行程时将撂荒区域标明。工作流程如图2所示。

图2 工作流程

无人机飞行过程中不断进行图像获取，图像处理软件根据对应的RGB转HSV算法确定黄色色块比例以及是否撂荒。无人机将自身的位置信息与图片黄色色块比例上传给上位机，工人根据实际情况判断是否采摘。

4 项目的创新之处

项目的创新之处有以下几方面：①采用无人机高速对农场进行巡回监察并且适应性强；②采用图像处理技术根据航拍结果判断生长周期并且确定自身位置；③多点位多照片提升其图像识别精确度。

5 项目的研究基础和可行性分析

5.1 技术分析

采用图像处理技术判断其生长周期，现在较为通用的大疆无人机可运行30 min，行程15 km，在合理规划路径的基础上，每台无人机可以在单个班次内的监察范围为3～4 km2。在存在电池扩容的情况下，理论上可以满足一个家庭农场所需的监察管理需求。还可利用图像处理技术判断农作物相对较为明显的生长特征（例如小麦生长期为绿色，成熟期为黄色），并传输数据给农场工人。

5.2 效益分析

国家统计局数据显示，中国现有耕地20.24亿亩（约为135万平方千米），加拿大的农场与中国的国有农场相比，中国未来约有15万～20万个家庭农场。每一个家庭农场使用一套这样的系统就可以满足其的使用需求。

这套系统搭建起来需要8 000元，可以代替人工对附近的土地进行监察。无人机工作时间30 min，充电需要54 min，因此每天可飞行6～8架次，合计监控监察面积为20 km2每架每日。

按照加拿大一个独立农场3 km2土地计算，一台联合收割机每日可以完成0.267～0.333 km2土地的收割，即在10～15个工作日就可以完成对农场的采收（实际工作时间可能更长），在这段时间内需要人工对可以采收的区域不断进行确定（此工作需每日进行一次）。每名农业工人如果人工判断是否可以采摘，判断量单日约为0.667 km2土地，该系统相当于4～5名人力，4～5名人力（重体力劳动）半个月的工作时间工资约为10 000～13 000元。由此可得该系统在一年内就将会收回成本，并且极大提升了农业自动化程度，减少对人力的需求，同时减少这项工作可能对人的伤害。同时该系统还可提高对生长周期的判断能力，节约更多的人力。

［1］程嘉晖.基于深度卷积神经网络的飞行器图像识别算法研究［D］.杭州：浙江大学，2017.

［2］吴笛.基于图像识别水稻虫害预警系统的研究［D］.长沙：湖南农业大学，2015.

［3］李妍.玉米大豆水稻图像识别方法研究［D］.大庆：黑龙江八一农垦大学，2017.

［4］胡直峰.植物图像识别方法研究及实现［D］.杭州：浙江大学，2017.

［5］陈玉辉.基于图像识别的工业机器人轨迹规划研究与应用［D］.杭州：浙江大学，2017.

［6］张鹏.基于图像特征提取的算法设计与应用［D］.成都：电子科技大学，2011.

［7］赖勇.出入口人数统计系统的设计与实现［D］.成都：电子科技大学，2010.

TP391.41

A

10.15913/j.cnki.kjycx.2019.15.052

2095－6835（2019）15－0127－02

〔编辑：严丽琴〕