基于无人机影像与启发式算法的甘蔗垄向精准估计方法及其在智慧农业中的应用

本研究针对GNSS导航在甘蔗机械化收割中精度不足导致作物碾压损失的问题，开发了一种基于无人机影像的甘蔗垄向估计算法。研究团队通过专家标注与卡尔曼滤波融合生成高可靠性地面真值，结合ExG植被指数与Savitzky-Golay滤波技术，在嵌入式平台实现0.9°中值角度误差和5.97W低功耗性能，为精准农业提供了实时垄向校正解决方案。

　　

随着全球人口增长对粮食和可再生能源需求的不断提升，甘蔗作为重要的食品和生物燃料作物，其种植效率与可持续性面临严峻挑战。在机械化收割过程中，全球导航卫星系统(GNSS)由于存在近5厘米的定位误差，导致收割机轮胎碾压甘蔗植株，造成高达5%的产量损失，同时重型机械引起的土壤压实问题还会导致约21%的减产。特别是在南大西洋磁异常区(SAMA)影响的南半球地区，GNSS信号误差可超过9米，使得基于卫星导航的精准农业技术难以有效实施。

为应对这一挑战，来自巴西圣卡洛斯联邦大学的研究团队在《Smart Agricultural Technology》上发表了一项创新研究，提出利用无人机(UAV)搭载的视觉系统实时估计甘蔗垄向角度，为自动驾驶收割机提供高精度导航校正。该研究通过构建专家标注数据集、开发轻量级图像处理算法并在嵌入式平台实现系统集成，为精准农业提供了切实可行的技术方案。

研究采用多学科交叉方法，主要技术路线包括：首先使用商用无人机(FIMI X8 XE)在20-50米高度采集巴西甘蔗种植区的高清影像(2716×1524像素)；其次通过三名专家独立标注垄向角度，并采用静态卡尔曼滤波(Static Kalman Filter)融合专家数据生成概率化地面真值；在算法层面，研究团队开发了基于过量绿色植被指数(Excess Green Vegetation Index, ExG)的图像分割流程，结合奥苏阈值(Otsu thresholding)和形态学滤波突出植被特征，最后通过旋转投影与萨维茨基-戈莱滤波器(Savitzky-Golay filter)精准提取垄向角度。

在系统实现方面，研究选用Xilinx ZCU104嵌入式平台(ARM Quadcore Cortex-A53 @ 667 MHz)进行算法部署，全面评估了处理精度、耗时与能耗指标。通过因子实验设计，团队测试了不同萨维茨基-戈莱滤波器窗口大小(7/15/23像素)、角度分辨率(0.1°/1°)和图像缩放比例(1/4和1/2分辨率)对系统性能的影响。

研究结果显示：

3.3.2 作物垄向定位

通过垂直投影算法与旋转扫描策略，系统在最佳配置(1/4分辨率、1°角度步长、15像素滤波窗口)下实现0.9°的中值角度误差，四分位距(IQR)为1.5°。该方法对种植缺陷和杂草干扰表现出良好鲁棒性，但在存在道路等非作物线性特征时会出现识别偏差。

4.2 嵌入式性能

在ARMv8嵌入式平台上的实测表明，单图像处理平均耗时2.82秒，其中图像旋转占35.5%，垂直投影占62.6%，图像分割仅占1.8%。系统功耗仅为5.97W，符合无人机平台的能耗约束。以周期/像素为衡量标准，算法效率达293周期/像素，与现有文献报道的先进方案相当。

与现有技术的对比分析表明，本研究在保持91.7%检测精度的同时，首次提供了完整的能耗指标(5.97W)，解决了以往研究忽视能效的问题。相比基于深度学习的方案(如YOLOv11n需要38.15周期/像素和GPU支持)，本文提出的启发式算法更适合资源受限的嵌入式环境。

研究结论表明，无人机辅助的垄向估计技术可有效弥补GNSS系统在甘蔗收割中的精度缺陷，通过2.82秒的实时处理能力和0.9°的角度精度，能将收割机横向位移误差控制在20厘米以内，显著降低植株碾压损失。该研究不仅提供了经过验证的算法框架和专家融合数据集，更展示了嵌入式实时解决方案的实际可行性，为精准农业的可持续发展提供了技术支撑。

未来研究方向包括：开发基于FPGA的硬件加速方案以进一步提升处理速度；扩展数据集涵盖更多土壤类型和生长阶段；集成深度学习技术消除道路等干扰特征；以及建立与农业机械的实时通信协议实现全自动作业校正。这项技术不仅适用于甘蔗种植，其方法论也可推广到玉米、水稻等行栽作物的机械化管理领域，具有广阔的农业应用前景。