测土测产测苗无人机行为控制通用平台开发及决策系统构建

研究目的和意义

① 据联合国粮农组织(FAO)统计，化肥在对农作物增产的贡献总份额中约占40％～60％。测土配方施肥使化肥利用率由原来的40%提高到60%以上，减少了30%-40%左右的化肥用量，提高产量同时降低了农业投入。

         图1-1 化肥使用量统计图    

传统测土配方施肥包括4个环节：*人工取土*单一指标分析（大于50分钟；50元左右费用）*专家配方*农机施肥。

图1-2 传统测土配方

通过对苗情监测的判断可以了解农作物的生长情况，结合土壤特征，可以合理的进行区域规划为农业生产提供更具针对性的工作，制定合理、可行的田间管理技术并及时发布，提高农业生产的水平。农作物苗情监测包括株高、叶绿素、株距、叶数等参数获取，均是使用人工方法测量。

产量预估的目的在于在作物收获以前及早提供产量信息，作为制订收获、仓储、运销、加工等计划的依据。图1-3展示了传统测苗、测产工作方式。

图1-3 传统测苗、测产方式

传统的测土、测苗、测产的方式存在诸多问题，例如操作程序复杂、测量成本较高、工作效率低、工作周期长、需要人工经验等。且市场现有的有关测土、测苗、测产的开发系统正处于研发阶段，整个体系发展尚不完善，至今还没有一款系统平台，可以实现通用性、全方位的对农田信息的检测。市场现存正在使用设备功能单一，仅限于少数企业使用，且不同设备采用的光谱原理不同（近红外光谱、拉曼光谱、多光谱），急需一个进行统一智能分析处理的标准化智能识别系统。

本项目突破当前传统测土、测苗、测产方式的局限，打造通用型高效、智能农田信息监测与分析体系，实现三测一施同步（测土、施肥、测苗和测产），从而切实推动农业生产朝着更加科学、精准、可持续的方向迈进。具有研究意义：

① 助推测土配方大面积推广：受限于测土配方的成本(步行采土，实验室分析，数据反馈)，我国尤其是我省仅有极少部分农田采用测土配方种植;

②提供病虫害和苗情评估:为农药和化肥喷施提供实时处方图;

③为国家进出口宏观调控提供决策依据:通过产量预测,为我国农产品进出口政策、以及产业调整提供决策依据;

④节本增效:通过变量施肥降低化肥的使用量，保守估计每亩可以节约化肥成本100元,全国耕地面积红线为18亿亩，全国每年可节约化肥成本1440亿元。

图1-4无人机数据采集

图1-5 上位机APP操作图

研究内容

研究内容包括四个方面：

★ 硬件系统设计：四旋翼无人机控制系统由主控制器模块、GPS定位模块、数据传输模块的模块构成，此外搭载近红外光谱仪和多光谱相机。主要实现无人机自主控制与光谱图像采集上传的功能。

★ 软件系统设计：软件程序分为以下步骤：一是光谱图像数据自主采集与传输程序；二是读取转换GPS定位采集数据，实现无人机自主控制程序；三是识别读取上位机指令，实现远程控制。

★ 图谱分析技术研究：研究近红外光谱、多光谱分析与决策系统，结合使用多元计量学方法和人工智能算法，识别近红外光谱和多光谱信息，实现土壤状态、苗情评价和产量评估。

★ 智能云端服务构造：建立云存储服务用于数据存储与分析、部署智能决策模型、通过API接口、Web界面等形式输出决策结果。

研究内容详细如下：

①硬件系统设计

对四旋翼自主控制系统进行研究，本项目采用了STM32F10系列单片机作为主控芯片，配合无线通信模块、GPS定位模块、姿态采集模块以及无刷驱动模块等关键组件，构建了一套完整的四旋翼无人机自主控制系统。系统的核心设计思路是实现两种主要飞行模式：自主飞行和遥控飞行。在自主飞行模式下，利用手机APP进行预先规划GPS路线，通过无线通信模块将经纬度信息传输给无人机。无人机接收到这些数据进行存储，自动沿着规划好的航迹进行飞行，实现完全自主的飞行操作以及定点或定时的光谱图像采集。在遥控模式状态下，通过手机APP可以实时控制无人机的各种状态。操作员可以使用手机APP来精确控制无人机的飞行动作，包括起飞、降落、前进、转向以及光谱图像采集等。整体系统设计如图3-1所示。

图3-1.整体系统设计图

在STM32中配置串口与BD1202 GPS模块通信的波特率、数据位、停止位和校验位，并初始化串口接收中断以异步接收和处理GPS模块发送的NMEA消息。一旦接收到完整的NMEA消息，使用字符串操作函数如strstr、sscanf提取经纬度信息，并转换为浮点数格式，以便进行后续的数学计算和导航算法。使用集成气压计MS5611传感器数据，用于高度测量和大气压力校正，以提升导航系统的精度和可靠性。对IMU963RA传感器获取的原始数值进行四元数解算出欧拉角，将其集成到导航系统中，以提供准确的姿态信息。经度和纬度信息需转换为十进制度数值格式，以便于使用球面三角法或其他地理信息处理算法计算位置、距离、航向角和方位角，实现实时位置更新和路径规划飞行。

②软件系统设计

项目程序控制流程为初始化无人机所需要的传感器和芯片外设，其中包括初始化系统所用到的所有参数、初始化蜂鸣器控制引脚、初始化IMU963RA姿态传感器并采集校准值、初始化磁力计传感器并采集校准值、初始化气压计传感器并采集校准值、初始化ADC电压采集功能、初始化蓝牙串口、初始化射频模块、初始化热红外传感器、初始化定位模块、初始化PWM功能并设定电调控制量程、初始化20 ms定时器。本程序分为两个循环控制流程，一个为主循环中对GPS目标点判断并处理分析的控制，另一个为20 ms定时器的无人机飞行姿态处理的控制循环。20 ms的定时器循环中还分为为多个扫描循环，其中包括20 ms内环姿态控制、40 ms外环姿态处理、100 ms与外界进行信息交互控制、1000 ms对电压检测的控制，具体控制流程如图3-2所示。

图3-2程序控制流程

③图谱分析技术研究

A.借助近红外光谱技术对土壤光谱予以采集，并实施精准的预处理及特征提取操作，如此可获取土壤中氮、磷、钾等关键化学指标的相关信息。经由对光谱数据所呈现的各类化学指标进行分析，能够切实地制定出施肥和农药使用策略，从而达成实现精准测土配方施肥、节约成本以及提升农产品质量的目标。

B.运用近红外多光谱技术针对农作物的光谱展开采集与处理，通过预处理和特征提取过程，提炼出能够反映植物健康状态、生长速率以及养分吸收状况的关键特征，进而全面评估植物的生长状态并对产量进行预测。这些信息对于农业生产决策、优化种植管理以及应对环境变化而言具有重大意义。

C.针对大量数据进行预处理和特征提取，通过诸如去除噪声、波长校正、数据标准化以及特征选择等方法进一步对光谱图像数据加以优化处理。构建卷积神经网络决策模型，借助深度学习算法，能够学习复杂的非线性关系，进一步优化决策模型，提高测土、测苗、测产的精度以及决策模型的稳定性。

④智能云端服务构造

以Quectel的5G RM50OU-CN模块作为光谱图像传输的5G通信模块，通过此模块将光谱图像数据传输到云端服务器。5G RM50OU-CN模块在光谱图像传输中的优势显著，能够实现超高速数据传输和低延迟特性，确保复杂的光谱图像数据能够实时、准确地传输至远程分析系统。其广泛支持Sub-6GHz和毫米波频段，使其在全球范围内的5G网络中都能稳定运行，保证了不同环境下的高效连接。5G RM50OU-CN具备了高速数据传输和可靠连接所需的特性。为了确保传输的高效性和数据的完整性，本项目实现了图像数据的压缩和优化算法，将采集的图像数据经过处理后发送到5G通信模块，通过5G通信模块，将光谱图像数据传输到云端服务器。目基于决策模型来搭建云端服务器，达成对光谱图像信息的智能识别与分析。借助经过训练库预处理后的决策信息，实现对光谱图像的智能分析处理，进而获取产量数据、苗情信息以及土壤的关键化学指标。同时对相关信息进行智能分析决策，推导出最佳决策方案，并反馈至手机 APP。

国内外研究现状和发展动态

1. 国外现状：

21世纪以来，国外在美国、以色列、欧洲一些地区关于无人机光谱农业的研究较为完善，许多学者对无人机技术应用结合光谱分析综合运用进行了深入的研究。Sourav Bhadra 等提出了一种基于迁移学习的双流神经网络（DSNN），称为 PROSAIL-Net，利用 PROSAIL 模拟获得的知识，提高了从无人机载高光谱图像估计玉米 LCC 和 ALA 的能力[1]。Renjun Wang 等使用配备多光谱相机的无人机拍摄核桃树冠层图像，提取了 17 个光谱指数、8 个纹理指数和 5 个结构指数，应用 Boruta 算法选择最佳光谱、纹理和结构指数，以及它们的组合，使用决策树回归（DTR）、随机森林回归（RFR）和极端梯度提升（XGBoost）方法建立了核桃叶片 SPAD（土壤和植物分析仪开发）值估计模型[2]。Tunca Emre 等进行了一项田间试验，设置了四种灌溉处理，以在两年内获得广泛的 LAI 值。在整个生长季节，通过多光谱和热 UAV 图像以及破坏性 LAI 测量来获取数据[3]。Rezaldi Muhammad Yudhi 等介绍了可用于农业行业重金属追踪的现有无人机平台的最新技术。最近的应用主要集中在高光谱传感和摄影测量技术上[4]。Sinan Demir 等在 2019-2020 年植被期进行，以确定参数对伊斯帕塔油玫瑰（Rosa Damascena Mill.）种植区产量的影响，并通过将其与光谱测量相结合来开发产量预测模型[5]。

2. 国内现状：

近年以来国内学者在无人机、光谱在农业中的应用研究有了一定的理论成果。李翠翠等人研究出一种无人机光谱遥感技术，从而可以有效地监测农作物的长势[6]；宋恩泽等人研发了一种基于无人机多光谱遥感的农业园区地物分类系统，利用 TensorFlow 训练深度学习算法对最适分类模型的分类结果进行进一步优化[7]。同时，张智森的团队还设计了一种光谱分频农业光伏系统，可以对农作物的产量进行预测[8]。·张芳毓、谭永毅等人在《无人机多光谱在农业中的应用》中，综述了无人机多光谱技术应用现状并探讨了其与农业的深度结合[9]。戚亚丽在研究中对围绕低空高光谱遥感技术在农业方面的应用展开研究，结果表明，运用无人机低空高光谱遥感技术，能够更为方便和快捷地收集农作物信息数据，掌握各种农作物的生长情况，能够减少实际成本，有效克服传统航天技术存在的相应问题，极大地促进了现代农业的发展[12]。王亚利曾研究旋翼无人机与高光谱遥感技术，深入分析了旋翼无人机与高光谱遥感技术的应用，在此基础上提出了基于旋翼无人机的农业低空高光谱遥感技术[10]。无人机多光谱技术在智慧农业中的农情监测等方面发挥作用，通过收集数据分析为农作物成长提供保障，多光谱无人机在农业遥感中的应用越来越广泛[11]，通过不同光谱组合得到植被指数来反映植被特征，为农业发展带来便利。

虽然上述系统在农业生产中发挥了重要作用，但对于中小型农户来说，他们没有充足的经费引进国外先进设备。国产设备虽然价格相对较低，市场现存正在使用设备功能单一，仅限于少数企业使用，且不同设备采用的光谱原理不同（近红外光谱、拉曼光谱、多光谱），急需一个进行统一智能分析处理的标准化智能识别系统。我们团队根据市场需求开发了一套具有测土、测产、侧苗全方位功能的无人机行为APP系统，且具有可对多类光谱有效分析云服务器智能识别系统。

本项目开发的测土、测产、测苗无人机行为控制APP系统通过近红外光谱对农田土壤进行光谱采集，利用多光谱相机进行测产测苗的光谱采集，并通过云服务端智能决策系统对光谱图像进行智能分析与智能决策，得到产量数据、苗情信息以及土壤的重要化学指标。并将结果数据传输到手机APP，通过上述建立起从光谱图像采集到通用性光谱信息分析的综合功能的标准化平台APP系统，具有高效率、高精确、高智能、低成本的特点。

参考文献： 

[1] Sourav Bhadra，Vasit Sagan，Supria Sarkar，Maxwell Braud，Todd C. Mockler，Andrea L. Eveland。PROSAIL-Net：基于迁移学习的双流神经网络，用于从无人机高光谱图像估计作物叶片叶绿素和叶角[J]。ISPRS 摄影测量与遥感杂志，2024，210.

[2] Renjun Wang，Nigela Tuerxun，Jianghua Zheng。结合无人机多光谱图像的光谱、纹理和结构信息改进核桃叶片 SPAD 值的估计[J]。园艺学，2024，328.

[3] Tunca Emre，K?ksal Eyüp Selim，?ztürk Elif，Akay Hasan，Taner Sakine ?etin。利用高分辨率无人机数据和机器学习模型准确估计高粱叶面积指数[J]。地球物理学与化学，2024，133.

[4] Rezaldi Muhammad Yudhi，Yoganingrum Ambar，Prasetyadi Abdurrakhman，Sutyawan Aang Gunawan，Febriandirza Arafat，Trianggoro Cahyo，Suhud Ridwan。无人机辅助油棕种植园重金属追踪：当前应用和未来前景[J]。遥感快报，2024，15（1）.

[5] Sinan Demir，Mert Dedeo?lu，Levent Ba?ayi?it。农业无人机（UAV）图像和机器学习算法在有机油玫瑰种植中的产量预测模型[J]。遥感应用：社会与环境，2024，33.

[6] 李翠翠,虞国强,贾秋霜,苑光刚.无人机光谱遥感技术在现代农业中的应用[J].农业机械,2024,(03):86-89.

[7] 宋恩泽,张颖,邵光成,刘杰,王羿,朱雪颖.基于无人机多光谱遥感的农业园区地物分类研究[J].江苏农业学报,2023,39(09):1862-1871.

[8] 张智森.光谱分频提高光合作用效率及其农业光伏应用[D].导师：刘文.中国科学技术大学,2023.

[9] 张芳毓,谭永毅,聂婧,云俊文,孙甲玲,牛向丽.无人机多光谱在农业中的应用[J].智慧农业导刊,2022,2(24):11-13.

[10] 王亚利.基于旋翼无人机的农业低空高光谱遥感技术分析[J].南方农机,2022,53(14):81-83.

[11] 张伟.高光谱技术在农业遥感中应用的研究进展[J].农业技术与装备,2022,(05):91-93.

[12] 戚亚丽.基于旋翼无人机的农业低空高光谱遥感技术研究[J].南方农机,2022,53(20):66-68.

创新点与项目特色

创新点：

l 本项目首次开发了具有测量和决策功能的无人机操控通用平台，平台融入了多种技术，包括人工智能识别、大数据、5G无线通信、电子信息技术等。

l 基于项目中开发通用操控平台，首次实现了无人机测量与决策的同步操作，即探索性实现了无人机测土和施肥同步、测苗和喷药同步。

图4-1 云服务器

市场现有的无人机用途主要是施肥与喷洒农药。

至今尚未见测土、测苗、测产全功能控制系统。一款通用性智能分析和决策平台，对于充分利用无人机，最大化硬件价值，具有实用价值和巨大需求空间。

图4-2 无人机应用市场占比

具体项目具有以下特色：

l 光谱分析技术：通过先进的光谱传感器和多光谱相机，项目实现了对农田光谱的精确采集和分析。利用云服务器智能分析决策系统，能够快速识别不同波段的光谱图像，从而有效检测土壤质地、植被健康状况等关键信息，使农民能够更精准地制定施肥、灌溉和病虫害防治方案。

l 云服务端智能决策系统：构建了高效的云服务平台，实现了从多个无人机采集的大量数据的智能接收和回传。整合光谱分析技术，系统不仅能够对多种光谱波段进行智能识别和分析，还能够提供个性化的农业管理建议，大大提高了农田管理的效率和决策的准确性。

l 5G通信网络技术：采用5G网络技术，本项目实现了对大量光谱数据的高速传输和处理。5G网络的高速和低延迟特性，确保了无人机与云服务器之间数据传输的快速响应，从而使光谱分析处理更加高效和实时，有助于提升农业生产监控的实时性和准确性。

l 无人机自主控制技术：基于先进的GPS定位技术，项目实现了无人机在复杂农田环境中的精确定位和自主导航能力。无人机能够自主进行农田区域的光谱分析和数据上传，从而支持精细化的农业管理决策。自主控制技术不仅可以提升作业效率，还能够保证数据采集和分析的准确性和可靠性。

技术路线

本项目以STM32系列单片机为主控芯片，根据四旋翼无人机的设计思路，实现无人机硬件系统搭建与软件系统设计，实现无人机的自主控制系统，建立无人机与上位机的数据传输系统；构建云服务器智能决策系统，通过对近红外光谱与多光谱的图像处理分析，建立智能决策模型，实现对光谱的智能识别系统设计。对整体功能进行测试，近一步完善功能，使得功能达到预期实现效果。整体设计图如图5-1所示。

图5-1 技术路线图

拟解决的问题及预期成果

1. 拟解决的问题

本项目融合多种前沿技术，开发出用于测土、测苗、测产的无人机行为控制 APP系统，以推动智能化农业作业。以下是拟解决的主要问题：

l 精准测土、测苗与测产：通过无人机搭载的相关设备和技术采集光谱图像，利用 5G 通信技术上传至云端智能决策系统，对土壤的各项指标、作物苗情以及产量预估等信息进行精确分析。它能及时洞察土壤和作物生长过程中的问题，为后续决策提供准确依据。

l 智能化作业决策：本项目基于云端智能决策系统分析出的测土、测苗、测产数据，结合种植者设定的目标，自动生成科学合理的作业决策，如施肥、喷药的具体方案等，并将其反馈给用户APP。它能依据实际情况灵活调整决策内容，有效提升农业作业的科学性和效益。

l 土壤状况实时掌控：借助云端智能决策系统获取包括氮、磷、钾、PH 值、有机质等重要土壤指标信息。并对土壤状况进行智能化分析决策，提供针对性改善建议。

l 作物生长动态监测与分析：利用持续监测到的苗情等数据，通过云端智能决策系统对作物生长状态进行智能分析和预测。这有利于种植者提前应对可能出现的生长问题，保障作物的良好生长态势。

l 数据安全与传输稳定：确保测土、测苗、测产过程中数据在采集、传输和存储等环节的安全性，避免数据丢失或泄露。同时保障 5G 通信传输的稳定性，使种植者能及时获取准确信息。

l 远程操作与管理便捷性：本项目的四旋翼无人机自主控制系统，可通过手机 APP 实现便捷的远程操作与管理。在自主飞行模式下，能利用 APP 规划 GPS 路线并传给无人机，使其按轨迹飞行和采集光谱图像；在遥控模式下，借助 APP 能实时精确控制无人机的各种动作，如起飞、降落、进退、转向及光谱图像采集等，操作简单方便。

2. 预期成果

u 设计可以实现测土、测产、测苗无人机行为控制APP系统一套，施肥决策系统一套。

u 撰写论文1-2篇或申请软件著作权1-2项。

u 依托本大创项目建设《自动控制原理》课程，融合建设PID控制模块的案例式教学内容。

项目研究进度安排

  2024.05-2024.06：深入调研，确定整体方案，进行项目设计与具体分工。

  2024.07-2024.08：购买所需器件，完成模型设计。

2024.09-2024.12：完成硬件部分的焊接和电路的组装，以及软件部分的设计，并完成初步调试。撰写论文1-2篇或软件著作权1-2项。

2025.01-2025.02：模型现场应用与测试，进一步修改、完善。

2025.03-2025.05：整理项目研究材料，撰写结题报告。