基于植被覆盖率的自适应无人机大豆点喷控制系统研发

《Smart Agricultural Technology》：Development of an Adaptive Sprayer Control System for UAV-Based Spot Spraying in Soybean

　　

本研究开发了一套集成无人机的自适应喷雾控制系统，该系统将冠层感知与基于阈值的点喷技术相连接。研究人员利用大豆单独覆盖度作为局部杂草斑块检测的基准基线。室内与田间估算结果的R2值分别为0.91和0.69。在播种后24天，采用25%的阈值可将潜在误喷激活率限制在4.8%。室内测试中，自动喷雾执行准确率达到97.3%。

基于植被覆盖率的自适应无人机点喷控制系统在大豆田中的应用研究解读

一、研究背景与意义

全球人口预计在2050年超过97亿，对农业生产力的提升提出了迫切需求。大豆是全球重要的蛋白质、油脂和饲料来源，年产量超3.9亿吨。然而，杂草管理是大豆生产中的关键农艺挑战，杂草可导致超过30%的产量损失，全球年经济损失达330亿美元。传统杂草管理方式如人工除草劳动强度大、效率低；机械耕作会造成土壤扰动、压实和侵蚀风险增加；而广播式喷洒除草剂虽然减少了劳动力需求，但往往在无草区域也进行喷洒，导致不必要的成本、除草剂抗性以及环境污染。

杂草侵扰通常以零星斑块或孤立区域的形式出现，此时杂草压力可能不足以证明全田喷洒的成本。精准农业技术，特别是基于无人机的喷洒系统，为解决这一问题提供了新途径。无人机喷洒避免了与土壤的直接接触，减少了土壤压实和作物损伤的风险，提高了关键除草窗口期的操作灵活性，尤其适用于地面设备难以进入的湿滑地块、丘陵地带或形状不规则的田地。然而，现有方法多依赖于需要大量标注数据的深度学习模型进行作物-杂草分类，这限制了其在机载平台上的快速部署。因此，开发一种轻量级、无需训练的植被分割工作流，以支持快速的斑块级植被评估和点喷决策，具有重要的实践意义。

二、研究目的与方法

本研究的目的是开发一套自适应点喷无人机系统，该系统利用基于图像的植被覆盖率来支持局部喷洒决策。研究假设，一种无需训练的植被分割工作流与无人机喷洒控制逻辑相结合，能够识别植被覆盖率超出大豆单独覆盖度参考值的图像足迹，并将这一超标情况转化为局部喷洒决策。

研究采用的主要关键技术方法包括：

1. 1.
   基于HSV的图像分割架构：采用色调、饱和度和明度色彩空间进行图像分割，这是一种无需训练的方法，能够将植被从土壤或背景中分离出来，无需标注数据集或模型重新训练。
2. 2.
   植被覆盖率量化与杂草压力估算：通过计算图像足迹内被分类为植被的像素比例得到总植被覆盖率。大豆作物植被覆盖率则独立地从同一生长阶段的无草大豆参考图像中获得。由于分割方法不区分大豆和杂草像素，超出作物植被覆盖率的植被被解释为局部杂草压力的估计值。
3. 3.
   阈值决策与喷雾执行逻辑：当计算出的杂草压力超过预设的喷雾决策阈值时，控制算法会生成一个脉宽调制信号，通过电子调速器调节直流无刷泵，从而驱动喷嘴进行定点喷洒。
4. 4.
   硬件系统集成：将自适应喷洒子系统集成到一架大疆MG-1S无人机上，搭载英伟达Jetson Orin Nano开发套件作为机载处理单元，用于实时图像推理和决策。

实验于2024年夏季在美国阿肯色大学农业研究与推广中心进行，共设置了20个大豆小区，其中5个为无草参考小区，15个为自然杂草发生小区。图像采集使用MAPIR Survey3N多光谱相机，在固定高度1米处获取冠层图像。

三、研究结果

3.1 无草大豆的植被覆盖率特征

在播种后14天，无草小区的平均植被覆盖率为3.6%，标准差为1.6%；在播种后24天，平均植被覆盖率增至14.2%，标准差为6.9%。即使在无草条件下，不同小区间的植被覆盖率也存在显著差异，这表明基于总体均值的触发阈值可能过低，导致频繁误喷。因此，研究提出采用无草小区最高植被覆盖率值的平均值作为更保守的阈值设定基础。

3.2 无草与有草条件下大豆植被覆盖率的比较

在播种后14天，无草与有草小区的植被覆盖率重叠较大，主要集中在3%至6%之间，表明仅靠植被覆盖率难以完全区分两种情况。而在播种后24天，两者之间的分离度明显提高，有草小区的植被覆盖率中位数普遍在30%至45%，而无草小区最高约为30%，这使得基于阈值的喷雾决策更加可靠。

3.3 喷雾决策的阈值敏感性分析

阈值选择对喷雾决策影响显著。在播种后24天，当阈值设为15%时，无草小区的潜在误喷率为48.9%，而有草小区的喷雾触发率达99.4%；当阈值升至25%时，潜在误喷率降至4.8%，同时有草小区的喷雾触发率仍保持在88.3%，潜在处理面积减少32.6%。这表明25%是一个较为理想的平衡点。

3.4 系统运行性能评估

3.4.1 喷雾泵流量对控制信号的响应

泵的流量在脉宽低于1800微秒时随脉冲宽度增加而上升，但在1900至2500微秒范围内趋于稳定，无显著变化。手动测量与流量计读数之间存在系统性差异，通过线性校正模型进行了校准。

3.4.2 室内测试系统性能

在室内受控条件下，系统能够正确响应三种模拟场景：裸土和仅有模拟作物时，泵保持关闭；当加入模拟杂草标记物使总植被覆盖率从4.82%升至14.03%时，系统成功触发喷雾。系统估算的杂草压力与基于标记物的参考值相比，R2为0.91，平均绝对误差为8.4个百分点。

3.4.3 田间测试系统性能

在田间固定平台上进行的测试显示，系统估算的植被覆盖率与实际参考值相比，R2为0.69，平均绝对误差为2.2个百分点，均方根误差为2.9个百分点。系统估算值略低于实际值。

3.4.4 喷雾执行性能

在147次室内观测中，系统的喷雾执行准确率达到97.3%，精确度为99.1%，召回率为97.5%，特异性为96.6%，F1分数为98.3%。仅出现1次假阳性和3次假阴性。

四、讨论与结论

讨论部分指出，即使在无草条件下，大豆冠层发育的空间异质性也是客观存在的，这与先前的研究一致。因此，采用基于无草小区最高植被覆盖率均值加上安全余量的阈值设定策略，比使用总体均值更为合理。研究提出的方法避开了复杂的物种级杂草分类，而是将超出作物参考值的植被视为杂草压力的代理指标，这大大简化了机载计算负担。在播种后24天，25%的阈值表现出了良好的权衡效果，既能有效触发对有草区域的喷洒，又能将误喷率控制在较低水平。室内测试的高准确率验证了从感知到执行整个闭环的有效性。田间测试的R2值为0.69，表明在复杂光照和背景条件下，HSV分割的精度仍有提升空间。

研究结论总结如下：本研究开发并验证了一套集成的自适应点喷无人机系统，该系统通过基于HSV的植被分割、大豆单独覆盖度参考值和阈值决策逻辑，实现了从冠层成像到喷雾执行的闭环控制。该系统不依赖作物-杂草分类模型，而是通过量化总植被覆盖率并与大豆参考值进行比较来估算局部杂草压力。研究结果表明，该方法在受控环境下表现良好，并在田间条件下展示了可行性，为未来开发低成本、低算力需求的精准杂草管理方案提供了新的思路。