一种信息驱动的空地协同框架,用于基于无人机的耕地缺陷识别与复耕路径优化
《Computers and Electronics in Agriculture》:An information-driven air–ground collaborative framework for UAV-based tillage defect identification and re-tillage path optimization
【字体:
大
中
小
】
时间:2026年09月19日
来源:Computers and Electronics in Agriculture 10.3
编辑推荐:
基于无人机的框架实现智能耕作缺陷识别。
BiSeNetV2在返耕区域分割中实现了93.01%的平均交并比。
优化路径与参考路径的平均偏差达到0.162米。
返耕规划获得0.982的覆盖率,同时减少土壤扰动。
引言
随着农业机械化与精准农业的持续发展,耕作质量的稳定性已成为
基于无人机的框架实现智能耕作缺陷识别。BiSeNetV2在返耕区域分割中实现了93.01%的平均交并比。优化路径与参考路径的平均偏差达到0.162米。返耕规划获得0.982的覆盖率,同时减少土壤扰动。引言随着农业机械化与精准农业的持续发展,耕作质量的稳定性已成为影响作物产量形成和土地资源利用效率的关键因素。据联合国粮农组织(FAO)数据,未来几十年全球粮食产量需大幅增加,以满足人口增长带来的需求增长,这对农业生产系统的效率和可持续性提出了更高要求。同时,大规模机械化耕作的扩展增加了田间作业的复杂性,使得对耕作质量的准确监测和管理变得愈发重要。然而,在实际旋耕作业中,由于作业控制精度、地形条件和工况变化等多种因素,田间普遍存在漏耕和耕作质量不均等问题(Derpsch等,2024;Gao等,2024;Thakur和Singh,2025;Yuan等,2025)。传统返耕方法通常依赖拖拉机对同一地块进行重复作业。这种方式不仅增加燃料消耗和作业成本,还可能对土壤结构产生不利影响,难以满足精准农业对高效低扰动作业的要求。例如,在一个仅有10%缺陷区域的1公顷地块中,常规全田返耕可能在旋耕作业中引入约4–5公里的非必要行驶距离,并额外消耗柴油燃料。同时,基于车载传感器(如视觉和激光雷达)的检测方法在一定程度上实现了作业状态感知(He等,2025;Li等,2024a;Pallottino等,2019)。然而,其感知能力受限于传感器视场和安装位置,难以获取耕作质量的全域分布信息。因此,这一局限性限制了返耕决策的整体有效性和准确性。与车载感知方法相比,无人机获取的正射影像具有覆盖范围广、空间分辨率高和全局视角等优势,能够全面表征田间尺度的耕作状况(Liu等,2018)。近年来,无人机遥感技术已广泛应用于农田监测、作物生长评估以及病虫害检测,为农业信息采集提供了高效手段(Gano等,2024;Zhang等,2025a;Zhu等,2024)。近期语义分割网络的发展,包括基于卷积神经网络的编码器-解码器架构和基于Transformer的模型,显著提升了复杂农业环境的像素级理解能力(Joshi等,2024;Pavithra等,2023)。在此基础上,无人机遥感与深度学习技术的结合实现了农田目标的快速识别与信息采集,为精准农业提供了及时、准确、全面的数据支持,促进了资源的优化配置和精细化管理(Székely等,2024;Wang等,2024)。例如,无人机在目标检测和表型监测方面的应用已逐步成熟。改进的检测模型能够实现农田对象的自动识别和计数,显著提高数据采集效率,替代传统的人工测量方法(Lyu等,2024)。除信息采集外,近期研究日益探索利用无人机获取的信息支持农业决策和路径规划。通过将无人机获取的全局信息纳入考虑,可将农田的空间分布特征嵌入路径生成过程,从而提高路径规划的适应性和作业效率。例如,部分研究将杂草或作物分布信息整合到路径规划中,实现作业负载变化的自适应调整(Zhang等,2025b);其他研究结合语义分割方法构建三维农田模型,在复杂地形条件下实现全局路径生成,从而克服了传统二维规划方法在环境表征方面的局限性(Li等,2024b;Li等,2023a)。此外,空地协同框架逐渐成为研究热点。通过利用无人机提供全局高分辨率信息并结合地面设备执行路径,这些方法可显著提高大规模农田作业的效率与可扩展性(Feng等,2025;Zhang等,2025c)。尽管智能路径规划方法在农业作业中已取得显著进展,但现有研究大多针对收获、喷施或导航任务设计,其作业目标通常是预先定义的。然而,对于返耕作业,主要挑战不仅在于生成高效轨迹,还在于如何基于空间分布的耕作质量信息确定返耕的位置和方式。因此,现有研究仍缺乏将耕作缺陷精确识别与自动化返耕规划相结合的一体化框架。Ranjbar等(2023)。然而,现有研究主要关注作物信息提取、农田状况监测或单一作业任务的优化,对耕作质量缺陷的细粒度识别(尤其是漏耕区域)及其与自主农业机械的返耕执行集成关注较少。特别是,耕作质量评估与返耕路径规划的集成建模研究仍显不足,这在一定程度上制约了精准农业中智能返耕作业的进一步发展。为了解决上述问题,满足耕作缺陷识别与返耕决策的协同需求,本文提出了一种信息驱动的空地协同框架。与主要关注农业信息采集、作物监测或单一任务优化的现有研究不同,所提出的框架建立了从田间感知到作业执行的信息驱动感知—规划—执行体系。在该框架中,基于无人机的感知提供田间尺度、高分辨率且地理配准的正射影像,克服了车载感知空间覆盖有限的问题,为后续分析提供全局环境信息。语义分割将无人机影像转化为具有空间明确性的返耕任务图,通过识别与漏耕和视觉质量差区域相关的表面异常。这些任务图作为返耕路径优化的直接输入,其中区域几何和空间分布与机械约束(包括农具工作宽度和转弯半径)相结合,生成可执行的作业轨迹。最后,优化后的路径被传输至地面农业机械进行自主返耕执行,从而形成从全局感知和缺陷识别到作业决策和田间执行的信息处理链。通过引入区域划分和拓扑路径连接的概念,所提出的方法可在满足作业宽度和转弯约束的同时,最大限度减少已耕区域的重复碾压,从而提高返耕作业的精度和智能化水平。本文的主要贡献如下:(1) 建立了一个集成田间尺度无人机感知、轻量化语义分割和面向机械的返耕路径规划的信息驱动空地协同框架,形成了智能返耕作业的完整感知—规划—执行流程。(2) 提出了一种返耕区域细粒度识别方法,能够在复杂农田条件下准确提取漏耕区域和质量差区域,为后续路径规划提供可靠输入。(3) 设计了一种结合区域划分和拓扑连接的返耕路径规划策略。在作业宽度和转弯半径约束下,该策略实现了返耕区域的高效覆盖,同时尽可能减少已耕区域的重复碾压。章节摘要材料与方法所提出的方法包含五个主要阶段,如图1所示,形成了基于无人机和配备车载硬件的农业车辆的耕作缺陷识别与返耕作业的空地协同系统。首先,由无人机拍摄作业区域的正射影像。图像数据随后被传输至基站进行数据集构建和图像拼接,拼接后的图像可表征局部和全局特征。结果与讨论为验证所提出的方法,进行了实验以评估基于无人机的数据集采集和数据传输质量、返耕区域分割性能,以及路径规划精度和执行性能。结论本研究提出了一种信息驱动的空地协同框架,用于精准农业中的耕作缺陷识别和返耕路径优化。所提出的框架集成了基于无人机的田间尺度感知、基于深度学习的语义识别和智能路径规划,建立了用于耕作状况监测、作业决策和返耕执行的信息驱动感知—规划—执行框架。(1) 所提出的框架CRediT作者贡献声明谢辰烁:撰写—初稿,可视化,软件,方法论,概念化。朱亚军:撰写—审阅与编辑,获取资金。李东方:撰写—审阅与编辑。肖茂华:撰写—审阅与编辑,指导,获取资金。杨乐:验证,正式分析。万宇轩:撰写—审阅与编辑。魏玮华:撰写—审阅与编辑。王明峰:撰写—审阅与编辑。利益冲突声明作者声明,他们不存在已知的会影响本文报告工作的竞争经济利益或个人关系。致谢本研究由国家重点研发计划(项目编号:2022YFD2001805)、国家自然科学基金(项目编号:52375251)、国家自然科学基金(项目编号:32572220)和江苏省现代农机装备与技术示范推广项目(项目编号:NJ2025-14)提供资金支持。作者声明不存在利益冲突。我们声明不存在经济利益冲突和个人关系。谢辰烁|朱亚军|李东方|肖茂华|杨乐|万宇轩|魏玮华|王明峰
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号