比易双飞——基于农用无人机的智能施肥喷药系统

目前，我国耕地面积12786.19万公顷，约合19.17亿亩，大型收割与种植设备已经逐渐普及，合理的施肥与喷洒农药将成为种植户获得经济效益的重要保障。由于耕地面积庞大，人工施肥喷药劳动力消耗过大，大型设备使用成本过高，农用无人机逐渐成为种植户的首选，其低成本、高效率、省时省力的优点得到了越来越多农户的认可。农业无人机特别适合于水田、高秆作物和丘陵山地等人工和地面机械难以下地的场景。在以大米为主食的亚洲东南部地区，由于农业无人机适合水稻田播撒，病虫害防治作业，可贯穿整个作物生长周期。据联合国粮农组织(FAO)统计，化肥在对农作物增产的总份额中约占40％～60％。据研究表明，通过测土配方施肥，使养分利用率由原来的40%提高到60%以上，减少了30%-40%左右的化肥用量，既可以提高产量，又具有较高的经济效益，因此正确的施肥方法和高效的施肥配方成为促进农业生产的重要方式。

随着农业的发展，诸多新型的农产品雨后春笋般涌现出来，数字农业的发展更是高歌猛进，对农作物施肥与喷药也将逐渐走向智能化和机械化。市场现有的有关施肥喷药的智能化无人机系统正处于研发阶段，整个体系发展尚不完善，至今还没有一款智能化系统，可以实现光谱分析技术与智能化施肥喷药技术相结合。本项目致力于设计智能化光谱采集施肥喷药无人机系统，在农用无人机上搭载了多光谱相机，通过采集农作物反射出的特征光谱分析出拍摄区域里的土壤的养分和农作物的生长情况，实现智能化适量施肥喷药。

比人工、大型设备、直接使用农用无人机进行大面积作业，本项目具有两个优势：

（1）采用农用无人机进行作业，一方面可以节省人工，缓解了短时用工紧张的问题，另一方面增加了作业效率的同时减少了使用成本。

（2）通过搭载多光谱相机，对施肥与喷药的区域智能决策，一方面提高了农作物的产量增加了农民的收益，另一方面减轻了肥料和农药对环境的污染，增加了土地的使用寿命。

本项目致力于搭建农田光谱信息采集与智能化施肥喷药一体化系统。在农用无人机上搭载多光谱相机和近红外光谱仪，捕获植物反射特征谱，后续进行对所有数据进行处理、分析和判断，最终决定施肥喷药方案。电磁式喷洒系统根据主控CPU发来的指令，精准地喷洒肥料和农药，避免了过度使用肥料和农药的问题。此外，将数据存储在云端，并进行分析处理，可以对农业产业链上下游的参与者提供丰富的数据支持。同时，这些数据可以帮助优化施肥喷药方案，实现更加智能化的农业生产。

具体研究内容如下：

1）农田光谱信息采集与分析技术的研究

通过利用无人机搭载的多光谱相机与近红外光谱仪对农田农作物的光谱进行采集，并将光谱图像信息通过5G数据传输网络上传到云端智能识别系统，对光谱信息进行识别分析，得到农作物生长状况及土壤的重要化学指标数据，通过智能识别系统得到不同区域的最佳施肥方案，并将信息传回下位无人机，无人机根据智能识别系统数据分析实现不同区域的变量施肥喷药操作。

2）无人机电磁式喷药系统的研究

电磁式喷药系统是以多光谱相机返回的数据作为依据，去让电磁阀开关一定角度，喷出大小不一的量的农药或化肥。它主要由电磁阀、喷嘴、主控系统和供电系统等组成。电磁阀是电磁式喷药系统的核心部件，它通过电磁力控制药液的流动。当电磁阀通电时，电磁力作用于阀芯，使阀芯打开，药液从喷嘴喷出。当电磁阀断电时，阀芯关闭，停止药液的流动。喷嘴是药液喷出的出口，其结构和形状可以根据不同的喷药需求进行设计。喷嘴的选用和调整直接影响到喷药的效果。控制器是电磁式喷药系统的控制中心，通过根据上位机智能识别系统回传的数据信息进而控制电磁阀的通断来控制药液的喷射。控制器可以根据不同的喷药需求，调整喷药的时间、频率和药液的流量等参数。

1）光谱信息采集与分析技术国内外研究现状

①国外研究现状

国外在光谱信息分析技术方面有着深远的研究，光谱分析技术运用于各行各业。利用遥感技术获取农田的光谱信息，可以实现大范围的农作物监测。通过卫星或无人机等载体获取农田的高光谱遥感图像，可以对农田的植被覆盖、植物健康状况等进行监测和分析。光谱信息采集技术被应用于农作物品种识别。通过测量不同农作物的光谱特征，建立光谱库和模型，可以实现对农田中不同作物品种的自动识别和分类。光谱信息采集技术可以用于农田土壤的水分监测。通过测量土壤的光谱吸收特征，可以推断土壤中的水分含量，从而指导农田的灌溉管理。

②国内研究现状

光谱信息采集与分析技术是指通过测量物质在不同波长下的光谱信息，并对光谱数据进行处理和分析，以获取物质的特征信息的技术。以下是光谱信息采集与分析技术在国内的研究现状：

光谱信息采集与分析技术在农业领域得到广泛应用。例如，通过光谱信息采集和分析可以实现对作物生长状态、营养状况、病虫害情况的监测和预测。此外，还可以通过光谱技术来检测土壤的养分含量和质地等信息，为农田施肥和土壤改良提供指导。2021年，^[1]田雪、刘刚、车前、严伟敏、欧全宏、时有明在利用红外光谱测定谷子种子活力的研究中，将傅里叶变换红外光谱(FT-IR)、二维相关红外光谱(2 D-IR)与曲线拟合、主成分分析(PCA)相结合，研究人工老化谷子种子，以探寻种子贮藏物质动员情况及活力变化情况，说明红外光谱结合统计分析方法，可以作为研究人工老化后种子活力变化的快速有效方法。光谱信息采集与分析技术在环境监测领域也有广泛应用。例如，通过测量大气、水体或土壤中的光谱信息，可以实现对空气污染、水质污染和土壤污染等环境问题的监测和评估。2022年，^[2]金崇君、王强、梁家乐在“原子吸收光谱法在土壤环境监测中的应用”研究中，以原子吸收光谱法在土壤环境监测中的应用作为切入点，对重金属含量检测、重金属元素形态分析、重金属污染评价以及干扰消除四方面进行了研究分析。^[3]彭晓在“气相分子吸收光谱仪在环境无机物检测中的应用”研究中，利用气相分子吸收光谱法(GPMAS)在水质环境监测中的应用,为基层环境监测相关项目的方法选择上提供了依据。光谱信息采集与分析技术在食品安全领域也得到了应用。通过光谱技术可以检测食品中的农药残留、重金属污染、食品质量等关键指标，为食品安全监测和质量控制提供技术支持。光谱信息采集与分析技术在医学领域也有研究和应用。例如，通过红外光谱技术可以检测人体组织和生物体内的分子变化，从而实现疾病的早期诊断和治疗监测。^[4]王玉玲、王婧茹、刘红、秦令祥、高愿军、周海旭、李波、何鸿举，近红外光谱技术在食用菌品质检测方面的应用研究进展，近红外光谱（near-infrared spectroscopy， NIRS）技术因其快捷、无损、多组分同时检测、绿色无污染等优点，被广泛应用于食用菌品质检测研究。Qqi其归纳综述了近5年来NIRS技术结合化学计量学方法在食用菌理化组分、活性成分、品种鉴别、产地溯源、病原菌污染、掺假识别等及其他方面的研究及应用进展，同时提出了NIRS技术在食用菌品质检测应用方面的发展策略，以期为完善NIRS技术检测食用菌理论、研发专用食用菌检测设备提供方法参考和思路借鉴。

总体来说，农田光谱采集技术在国内外的研究中得到了广泛应用，涉及农作物生长监测、病虫害检测、土壤养分分析等多个方面。随着技术的不断进步和应用需求的增加，但国内外学者对于光谱采集分析作物生长状况的研究较为局限，故农田光谱采集技术在农业领域的研究和应用仍然具有巨大潜力。

主要参考文献：

[1]      田雪,刘刚,车前,严伟敏,欧全宏,时有明.利用红外光谱测定谷子种子活力的研究[J].种子,2021,40(12):9-18+31

[2]      金崇君,王强,梁家乐.原子吸收光谱法在土壤环境监测中的应用研究[J].皮革制作与环保科技,2022,3(09):67-69.

[3]      彭晓.气相分子吸收光谱仪在环境无机物检测中的应用[J].化学工程与装备,2020,(09):233+230.

王玉玲,王婧茹,刘红,秦令祥,高愿军,周海旭,李波,何鸿举.近红外光谱技术在食用菌品质检测方面的应用研究进展[J].食品工业科技:1-15.

本项目是在现有农用无人机的基础上与光谱识别相结合的最新产物，针对现有农作物施肥喷药存在的实际痛点问题，提出了基于农用无人机的智能施肥喷药系统，通过理论与实践的紧密结合，有力的推动数字农业的发展，为现代化农业奠定基础。项目的创新点与特色如下：

1）本项目提出了一种高效可靠的施肥喷药方法，通过在无人机上搭载多光谱相机作为外界信息采集设备，去控制电磁喷洒系统的工作情况，将人工精细作业和无人机高效作业相结合，弥补了人工作业的低效和无人机作业的粗犷。

2）优化了对农作物光谱数据处理的算法，在现有多光谱相机采集农作物光谱数据的基础上，将采集回来的五个波段（Red、RedEdge、NIR、GREEN）数据利用Arcgis软件进行计算,得到4种植被指数:NDVI、NDVI705、RVI、DVI,其中NDVI为归一化植被指数用于监测作物的生长状态和植被分布的情况，利用mmdetection工具库训练模型，去构建农作物长势模型。

技术路线

①        搭建农用无人机设备

以目前市面上的农用无人机的结构为参考，去搭建配备多光谱摄像头和电磁阀系统的可控农用无人机，自行设计硬件控制电路，采用两颗MCU分别完成对图像信息的处理和飞行过程中电磁阀的控制。

②        采集常见农作物不同长势的波段数据

主要针对水稻、玉米、小麦这三种常见农作物进行不同长势阶段的数据采集，在学校的试验田里架设多光谱相机对农作物进行采集并分析，构建基础的数据库，这一个环节是贯穿整个项目发展过程。

③        构建农作物长势模型

利用已构建的数据库使用mmdetection进行神经网络训练，以NDVI为重要参数构建农作物长势分析模型，不断地优化模型，不断地进行仿真调试。

④        整体实际调试

将训练好的模型移植到负责图像信息处理的MCU中，在试验田中去调试设备，不断地修改参数，旨在让设备达到预期效果，更换不同的地块去验证设备的鲁棒性，将每次的调试信息进行记录，不断优化程序和改进硬件。

拟解决的问题

①        已搭建基本农用无人机构架，能够负载5KG的重量作为实验无人机。

②        使用多光谱相机已完成对基本农作物的波段采集。

预期结果

①完成基于农用无人机的智能施肥喷药的研究，建立相应农作物生长模型；

②撰写项目研究报告1份；

③发表相关研究论文1-2篇或软件著作权1-2项；

2023.06-2023.07：深入调研，确定整体方案，进行项目设计与具体分工。

2023.08-2023.09：自制农用无人机和农作物光谱图像数据获取。

2023.10-2023.12：对采集回来的数据进行处理建立基本训练模型，撰写论文1-2篇或软件著作权1-2项。

2024.01-2024.02：继续采集农作物的光谱数据，到实验田现场应用与测试，不断完善农作物生长模型。

2024.03-2024.04：整合设备进行实地调试。

2024.05-2024.06：整理项目研究材料，撰写结题报告。