基于數(shù)據(jù)融合的果園農(nóng)情檢測矢量無人機(jī)應(yīng)用

李彥沛，蒲巖巖，趙鵬飛，李坤建，徐一珍

(佳木斯大學(xué) 機(jī)械工程學(xué)院，黑龍江 佳木斯 154007)

0 引言

當(dāng)前，多旋翼無人機(jī)在植保飛防領(lǐng)域已經(jīng)有了長足的發(fā)展，但在一些復(fù)雜特殊場景下的應(yīng)用還十分局限。同時，因為多旋翼無人機(jī)屬于欠驅(qū)動型機(jī)構(gòu)，在狹小場景下的飛行安全難以保障。針對農(nóng)業(yè)作業(yè)場景下，機(jī)身需要攜帶大容量藥箱及液體農(nóng)藥，在機(jī)動動作時藥液在藥箱內(nèi)的相對運(yùn)動導(dǎo)致無人機(jī)自身姿態(tài)受到干擾。針對以上問題設(shè)計了一種使用舵機(jī)控制電機(jī)姿態(tài)的模型，通過控制電機(jī)方向?qū)αΦ淖饔梦恢眉罢w姿態(tài)進(jìn)行解耦，實(shí)現(xiàn)了在保持主體水平情況下的多角度機(jī)動，使得靈活性大幅度提升。在此基礎(chǔ)上利用數(shù)字波束形成雷達(dá)、多傳感器數(shù)據(jù)融合，實(shí)現(xiàn)了對當(dāng)前作業(yè)區(qū)域內(nèi)果樹的農(nóng)情監(jiān)測，并根據(jù)相關(guān)數(shù)據(jù)實(shí)現(xiàn)變量霧噴、仿形彌霧、噴霧授粉等作業(yè)功能。

1 機(jī)體結(jié)構(gòu)

1.1 機(jī)構(gòu)設(shè)計

本文在對滑環(huán)式全矢量無人機(jī)建模的過程中遵循整機(jī)質(zhì)心與幾何中心重合，各部分與質(zhì)心完全對稱且螺旋槳在飛行過程中保持槳型不發(fā)生形變的原則，通過對大地坐標(biāo)系解算確立自身姿態(tài)變化。

滑環(huán)式全矢量無人機(jī)系統(tǒng)模型采用圓形滑環(huán)設(shè)計如圖1所示，在兩個滑環(huán)的中部均有舵機(jī)對整體姿態(tài)進(jìn)行控制。滑環(huán)的設(shè)計使得動力電機(jī)提供的動力能夠更加穩(wěn)定地傳遞給機(jī)身，使得機(jī)構(gòu)穩(wěn)定性得到保障。兩個滑環(huán)相互作用，實(shí)現(xiàn)了電機(jī)作用力的全矢量移動。常規(guī)多旋翼植保無人機(jī)利用的是強(qiáng)耦合的非線性系統(tǒng)，這種欠驅(qū)動系統(tǒng)使得在對于機(jī)身姿態(tài)的控制上呈現(xiàn)明顯的模糊性，即只能通過機(jī)身整體的側(cè)傾實(shí)現(xiàn)移動，控制精度極低。該模型所提出的結(jié)構(gòu)將明顯改善多旋翼無人機(jī)小范圍機(jī)動條件下移動精度低的問題。

圖1 機(jī)構(gòu)設(shè)計

1.2 動力模型

滑環(huán)式全矢量無人機(jī)的動力是由無刷電機(jī)帶動螺旋槳轉(zhuǎn)動產(chǎn)生的，系統(tǒng)所產(chǎn)生的推力是伴隨電機(jī)的轉(zhuǎn)速變化而變化的。以懸停為例，此時無人機(jī)處于平衡狀態(tài)且周圍氣流速度可視為0，則推力與扭矩可以定義為[1]

(1)

(2)

式中Ti—推螺旋槳推力，N；

Qi—空氣流速，m·s-1；

ωi—螺旋槳轉(zhuǎn)速，r·min-1；

ρ—空氣密度，kg·m-3；

R—槳葉半徑，m；

A—槳葉面積，m2，A=πR2；

CT—拉力系數(shù)；

CQ—扭矩系數(shù)。

2 控制系統(tǒng)

2.1 控制方案

為了彌補(bǔ)普通多旋翼無人機(jī)欠驅(qū)動的特性，同時實(shí)現(xiàn)位置運(yùn)動與姿態(tài)角的解耦，該方案在電機(jī)的每個作用點(diǎn)上增加了兩個舵機(jī)的控制量，同時使用滑環(huán)式設(shè)計實(shí)現(xiàn)了全矢量控制。滑環(huán)的設(shè)計使得電機(jī)動力能夠更加穩(wěn)定地傳遞給機(jī)身，使機(jī)構(gòu)穩(wěn)定性得到保障。兩個滑環(huán)相互作用，使每個電機(jī)都能夠獨(dú)立繞各自機(jī)臂的俯仰軸與橫滾軸順時針或逆時針旋轉(zhuǎn)。經(jīng)過該機(jī)構(gòu)的解耦作用，電機(jī)可以在保證一個傾角的狀態(tài)下朝任意方向移動。

控制系統(tǒng)的整體結(jié)構(gòu)及數(shù)據(jù)處理流程如圖2所示，其包括傳感器采集的原始數(shù)據(jù)與處理后解析得到的位置與姿態(tài)，通過機(jī)載運(yùn)算設(shè)備進(jìn)行姿態(tài)解算，并對上位機(jī)及遙控器數(shù)據(jù)進(jìn)行判斷與融合后計算出期望位置和姿態(tài)角，系統(tǒng)將數(shù)據(jù)解算為姿態(tài)與位置后分別由傾角補(bǔ)償算法和姿態(tài)轉(zhuǎn)換算法根據(jù)當(dāng)前系統(tǒng)狀態(tài)進(jìn)行解算與補(bǔ)償，最后控制分配算法將兩者數(shù)據(jù)融合并輸出當(dāng)前無人機(jī)模型的姿態(tài)。位置控制和姿態(tài)控制的計算流程是基于PID控制設(shè)計的。

圖2 算法流程

2.2 動力系統(tǒng)模型

根據(jù)基爾霍夫定律，直流無刷電機(jī)電樞回路的電動勢平衡方程為

(3)

式中ua—電樞電壓，V；

La—電樞電感，H；

ia—電樞電流，A；

Ra—電樞電阻，Ω；

ωe—電機(jī)轉(zhuǎn)速，r·min-1；

Ce—電機(jī)常數(shù)。

電動機(jī)的電磁轉(zhuǎn)矩Me可以表示為

Me=Cmia

(4)

式中Cm—電機(jī)轉(zhuǎn)矩系數(shù)。

電機(jī)軸上動力學(xué)方程可以表示為

(5)

式中Jm—電機(jī)轉(zhuǎn)動慣量，kg·m-2；

Mc—負(fù)載扭矩，N·m。

電樞電感很小，將其忽略可得

ia=(ua-Ceωe)/R

(6)

控制信號與輸出轉(zhuǎn)速的關(guān)系式[2]

(7)

式中n—阻力系數(shù)。

3 農(nóng)情檢測

在實(shí)際飛行中使用毫米波雷達(dá)向地面發(fā)出毫米波信號，通過返回的數(shù)據(jù)計算出與地面相對高度，將數(shù)據(jù)傳回飛控系統(tǒng)從而操控?zé)o人機(jī)保持與地面相對穩(wěn)定的飛行高度。通過數(shù)字成像雷達(dá)對正在飛行中的植保無人機(jī)下方進(jìn)行扇形掃描并收集返回的數(shù)據(jù)，最終生成點(diǎn)云圖像并提供給數(shù)據(jù)融合系統(tǒng)。通過多光譜相機(jī)對正在飛行中的植保無人機(jī)下方進(jìn)行拍照分析，生成不同區(qū)間的可見光圖像并提供給數(shù)據(jù)融合系統(tǒng)。數(shù)據(jù)融合系統(tǒng)根據(jù)點(diǎn)云圖像和多光譜圖像進(jìn)行數(shù)據(jù)融合，評估出農(nóng)作物的疏密分布情況并交給執(zhí)行機(jī)構(gòu)實(shí)時調(diào)整農(nóng)藥的噴灑用量，實(shí)現(xiàn)實(shí)時變量噴灑。

在實(shí)際作業(yè)中作業(yè)效果易受地勢起伏影響，故在農(nóng)情檢測中使用毫米波雷達(dá)對地觀測，實(shí)現(xiàn)無人機(jī)與作物之間的相對高度保持統(tǒng)一；在果園等易受果樹冠層厚度及個體差異影響的場景，使用成像雷達(dá)通過反饋的點(diǎn)云圖實(shí)現(xiàn)對植株的定位及對個體大小的評估，從而更好地匹配合適的藥液用量；在普通田地中使用多光譜相機(jī)能夠判斷當(dāng)前作業(yè)區(qū)域的植株疏密程度，實(shí)現(xiàn)全面的農(nóng)情檢測。農(nóng)情檢測算法流程如圖3所示。

圖3 農(nóng)情檢測算法流程圖

4 多尺度圖像融合

針對農(nóng)田及農(nóng)作物作業(yè)特征，使用數(shù)據(jù)融合技術(shù)對采集到的圖像進(jìn)行綜合判斷。基于農(nóng)田的多尺度圖像融合主要包括圖像融合技術(shù)與坐標(biāo)融合算法。即將飛行器在農(nóng)田中實(shí)時采集到的不同波段的光譜相機(jī)在同一角度下拍攝的多幅圖像進(jìn)行實(shí)時處理，根據(jù)算法得到關(guān)于當(dāng)前農(nóng)田作業(yè)區(qū)域全面和準(zhǔn)確描述的圖像的處理過程。針對所處理的多光譜圖像及點(diǎn)云圖像的特點(diǎn)根據(jù)多尺度圖像融合算法采用像素級的融合并得到融合的圖像數(shù)據(jù)。融合后的圖像包含了植物枝干的分布情況(來自點(diǎn)云圖)和植物葉片的密度信息[3]。

在農(nóng)田作業(yè)中使用多尺度圖像融合技術(shù)是圖像計算領(lǐng)域一大難點(diǎn)，農(nóng)田場景因地勢起伏、植被長勢、植株特點(diǎn)及植物光譜等特點(diǎn)具有算法選擇難、閾值設(shè)置多變等特點(diǎn)。多尺度圖像融合采取視覺由“粗”到“細(xì)”感知方式從不同波段中分解出目標(biāo)信息，再將目標(biāo)信息結(jié)合特殊圖像處理算法進(jìn)行深度處理從而提取出農(nóng)作物對應(yīng)的特征信息。多尺度分解方法在圖像邊緣細(xì)節(jié)與全局近似信息分離獲得了計算上的便利和可靠性。多尺度分析的圖像融合算法流程如圖4所示。

該研究使用的圖像融合方法為基于多尺度分解的融合方法，將輸入圖像A進(jìn)行尺度分解，再將輸入圖像B進(jìn)行尺度分解，最終運(yùn)用多尺度反變換對融合后的分解系數(shù)反向重構(gòu)融合圖像，融合后的圖像是多個傳感器圖像的信息在一個圖像框架內(nèi)進(jìn)行顯示，其包含了植物的疏密程度及葉片的分布情況。圖像融合算法生成的融合圖像如圖5所示。

圖4 多尺度分析的圖像融合算法流程圖

圖5 圖像融合算法融合圖

5 結(jié)論

針對特殊復(fù)雜場景下狹小區(qū)域內(nèi)多旋翼無人機(jī)機(jī)動不靈活的特點(diǎn)設(shè)計的滑環(huán)式全矢量無人機(jī)通過建立傾轉(zhuǎn)全矢量方案，解決了由于耦合作用導(dǎo)致不能兼顧運(yùn)動與姿態(tài)精度的問題，通過建立滑環(huán)式全矢量模型對植保作業(yè)中無人機(jī)的單姿態(tài)解耦模型，有效拓展了多旋翼無人機(jī)在農(nóng)情檢測中的應(yīng)用范圍，實(shí)現(xiàn)了植保作業(yè)效率提升。為了解決實(shí)際農(nóng)田中因地勢起伏、植被疏密程度所帶來的實(shí)際作業(yè)效果的影響而引入農(nóng)情監(jiān)測系統(tǒng)，使用數(shù)字成像雷達(dá)、多光譜相機(jī)和毫米波雷達(dá)對作業(yè)區(qū)域進(jìn)行實(shí)時檢測，在保障作業(yè)安全的同時使用多尺度分析的圖像融合算法實(shí)時產(chǎn)生當(dāng)前作業(yè)區(qū)域的農(nóng)田處方圖，使得作業(yè)模塊可以按照農(nóng)情檢測系統(tǒng)得出的結(jié)果實(shí)時調(diào)整作業(yè)方案及藥液用量，實(shí)現(xiàn)了精準(zhǔn)農(nóng)業(yè)與綠色農(nóng)業(yè)。

(05)