Research status and prospect of crop information monitoring technology in field
-
摘要:
利用田间监测技术采集作物信息，可以实时获取田间作物的生长情况，并做出相应决策，对提高作物的产量和品质有重要作用。针对依赖于人工采样测量的传统作物田间监测方法存在效率低下、主观性强、特征单一等缺点，田间作物的快速监测、信息获取及分析技术成为了当下的研究热点。本文从采集目标、监测平台以及不同数据(信息)分析方法3个方面分析了国内外田间作物监测技术的研究现状，总结了目前我国田间作物监测中存在的问题，并对今后在监测技术创新、信息解析技术、数据(信息)标准化与共享化，以及基础设施及推广方面的发展提出了建议，以期为我国田间作物监测技术的创新和产业发展提供参考。
Abstract:Using field monitoring technology to collect crop information, we can obtain the growth of field crops in real time and make corresponding decisions, which is important for improving the yield and quality of crops. The rapid monitoring, information acquisition and analysis of field crops have become a hot topic of research today because traditional crop field monitoring methods rely on manual sampling and measurement, which have some shortcomings of low efficiency, strong subjectivity and single characteristic. This paper analyzed the current research status of field crop monitoring technology at home and abroad in terms of three aspects of acquisition targets, monitoring platforms and different data (information) analysis methods, summarized the current problems of field crop monitoring in China. Finally, some suggestions of the future development were put forward in terms of monitoring technology innovation, information analysis technology, data (information) standardization and sharing, infrastructure and extension, with the aim of providing a reference for innovation and industrialization of field crop monitoring technology in China.
-
如今水产养殖规模持续扩大，养殖过程中用工成本高、劳动力短缺等问题日渐尖锐，养殖设备机械化、自动化的要求越来越高，水产养殖业正逐步向智能化、现代化和协同化的方向转变[1]。河蟹等“惰性”生物在养殖过程中，传统的人工遍历式饵料投喂方式，常常存在局部点投喂不足的问题。为解决这一问题，同时提高河蟹养殖自动化程度，采用无人艇对多目标点进行全局路径规划自动投饵，实现精准作业的同时避免水体富营养化，提高投料效率和养殖收益。
路径规划技术借助搭载丰富的传感器，获取实时位姿信息以及作业环境，并在预设环境模型下利用合适的寻优算法规划出最优路径轨迹[2]。学者们针对静态问题的全局规划研究包含A*算法[3-5]、蚁群算法(Ant colony optimization, ACO)[6-8]和粒子群算法(Particle swarm optimization, PSO)[9-11]等。Votion等[12]在A*算法的基础上增加惩罚激励机制以此来提高多目标路径轨迹的安全性与多样性。Chen等[13]提出一种基于混沌的混合粒子群优化蚁群路径规划算法，利用切比雪夫混沌序列生成随机因子更新公式，优化调整粒子群算法参数，引入全局异步特性和精英策略，改进信息素更新方式，算法搜索速度快，但缺少自适应调整参数。杨立炜等[14]提出初始信息素阶梯分配原则和运用动态切点调整法平滑路径，解决了目标单一无法应对复杂多变的实际问题。陈劲峰等[15]通过设置节点之间的属性关系，减小搜索范围，缩小运算时间，改进一种自适应不同复杂环境的蚁群算法。董翔宇等[16]将蚁群算法的单向搜索变为双向搜索，把人工势场思想引入到启发因子中，对转移概率做了改进，证明了改进算法的优越性。张天瑞等[17]对于路径转角过大、收敛慢的问题，把转角启发函数加到节点转移概率中，提高路径选择的适应性，降低局部最小值概率，并利用遗传交叉环节进行二次优化，保证了寻优速度和路径质量。何少佳等[18]对于存在的搜寻效率低和路径不平衡等问题，利用粒子群算法的全局搜寻优点，快速得到初始信息素，方便下一步蚁群算法的路径规划，过程中对每个点进行遍历，对可行路径进行惯性优化。简而言之，启发式算法具有各自相对较好的优点，但也存在其不足。学者们通过对算法参数因子的改进、目标函数的调整和融合其他算法，提高算法的先进性与适应性。
经典规划算法易实现，但搜索效果一般；启发式算法寻优能力强，但存在其弊端。因此，为解决单一算法寻优不足，提出一种多目标粒子群−蚁群(PSO-ACO)的无人艇路径规划算法。首先建立静态水深栅格环境模型和目标函数，利用改进粒子群算法搜索路径调整蚁群算法的初始信息素，然后采用改进蚁群算法进行多目标点全局路径寻优，最后在不同环境投饵策略下仿真，验证算法的优良性。
1. 问题描述与环境建模
可视图空间法、拓扑法、栅格法和Voronoi图法等几何法是当下建立环境模型的常用办法[19]。在全局路径规划下的环境建模过程中，选用恰当的建模方法有利于改善路径算法的精度与效率[20]。
1.1 一般栅格模型
最先由学者Howden[21]提出的栅格法应用得较为普遍且易于实现，其思想是将环境信息划分成一个个单元格，并对其每个单元格进行序号表示，亦可用坐标点表示。序号与坐标点能互相代替。栅格法的2种表示，如图1所示。
![]()
图 1 栅格法的2种表示M表示栅格横向单位长度；$N$表示栅格纵向单位长度；白色表示自由网格；黑色表示障碍栅格Figure 1. Two representations of grid methodM is the horizontal unit length of the grid; $N$ is the vertical unit length of the grid; White represents free grid; black represents obstacle grid栅格划分越多，环境描述越精确，但信息计算存储量也越大；反之，环境描述越模糊，计算速度越快。所以，栅格的长度选取尤为重要，一般取决于环境信息与运动对象的大小。矩阵表示为0(白色自由栅格)和1(黑色障碍栅格)。假设平面存在一点
$ \left( {{x_i},{y_i}} \right) $ ，则其对应栅格点$ \left( {{x_a},{y_a}} \right) $ 在直角坐标可表示为公式(1)：$$\left\{ \begin{array}{l} {{ x}}_{a}=\dfrac{{x}_{i}-{x}_{0}}{M}+1\\ {{ y}}_{a}=\dfrac{{y}_{i}-{y}_{0}}{N}+1\end{array} \right. ，$$ (1) M和
$N$ 分别表示每个栅格横向和纵向的单位长度。1.2 基于蟹塘环境的水深栅格模型
螃蟹养殖周期内，养殖规律和季节变化影响蟹塘水位深度。在春季养殖初期，为了促进水生物的生长，保证充足的日照和提高水温，水深一般控制在0.5~0.8 m；夏季光照充足，为保证螃蟹生长环境的舒适度，水深则保持在1.0~1.5 m。水位的高低影响航行的路径轨迹，因此引入
$ {x_a} $ 和$ {y_a} $ 表征栅格位置信息；$H$ 表示栅格的静态水深。通过采用样条函数的计算方法，预估每个栅格静态水深，建立静态水深栅格模型[22]：$$ \left\{ \begin{array}{l} H\left( {{x_a},{y_a}} \right) = {a_0} + {a_1}{x_a} + {a_2}{y_a} + \displaystyle\sum\limits_N^{k = 1} {R\left( D \right)} \\ R\left( {{D_k}} \right) = \dfrac{{{\lambda _k}}}{{2{\text{π}} }}\Bigg\{ \dfrac{{D_k^2}}{4}\left[ {\ln \left( {\dfrac{{{D_k}}}{{2\tau }}} \right) + c - 1} \right] + \\ \quad\quad {\tau ^2}\left[ {{K_{\rm{O}}}\left( {\dfrac{{{D_k}}}{\tau }} \right) + c + \ln \left( {\dfrac{{{D_{{k}}}}}{{2{\text{π}} }}} \right)} \right] \Bigg\} \end{array} \right.，$$ (2) 式中，
$ H\left( {{x_a},{y_a}} \right) $ 表示$a$ 点栅格的水位；$ {a_i} $ 、$ {\lambda _k} $ 为通过求解线性方程组获取的系数；$ R({D_k}) $ 为规则样条插值法的函数；${D_k}$ 表示$a$ 点到第$k$ 个输入点的距离；c=0.5172175；$K_{\rm{O}}$ 表示修正贝塞尔函数；τ表示权重系数。在蟹塘栅格模型中，对其不规则形状进行膨化处理，使占满整个单元栅格。蟹塘中央水位越高，栅格颜色越深。建立适合的环境模型，对无人艇的全局路径规划有着重要意义。蟹塘环境优化模型如图2所示。
![]()
图 2 蟹塘环境优化模型示意图图2b中，蓝色单元的深浅度表征动态水深变化，灰色单元表征投料装置、增氧泵等设备，即障碍物区Figure 2. Schematic diagram of crab pond environment optimization modelIn Fig. 2b，the color depth of blue cells characterizes dynamic water depth changes，and the gray units represent the obstacle area including feeding device, oxygen pump and other equipment1.3 目标评估函数建立
对于空间所有存在的可行解，必须建立一个目标函数来评估路径的好坏。本文结合无人艇的实际作业要求，考虑路径长度、平滑性和安全性因素，建立目标评估函数。
1.3.1 路径长度
路径长度(L)是每一段路径的长度总和。路径长度越小越好，经济性越高。其中，
$ \left( {{x_i},{y_i}} \right) $ 是路径点$ {d_i} $ 的坐标，每一段的路径长度$ {L_i} $ 计算公式为：$$ {L_i} = \left| {{d_i}{d_{i + 1}}} \right| = \sqrt {{{\left( {{x_{i + 1}} - {x_i}} \right)}^2} + {{\left( {{y_{i + 1}} - {y_i}} \right)}^2}}， $$ (3) 路径长度总和
$L$ 的计算公式为：$$ L = \displaystyle\sum \limits_{i = 0}^{{n}} {d_i}。 $$ (4) 1.3.2 路径平滑性
为保证规划期望轨迹应尽可能保证平滑，减少不必要的拐角。选取轨迹上的3个点。路径平滑性(艏向角的变化)(
$R$ )计算公式为：$$ R = \displaystyle\sum \limits_{i = 1}^{{n}} \cos \dfrac{{\overrightarrow {{R_{i - 1}}{R_i}} \cdot \overrightarrow {{R_i}{R_{i + 1}}} }}{{\left| {{R_{i - 1}}{R_i}} \right|\left| {{R_i}{R_{i + 1}}} \right|}}， $$ (5) 式中，
$ \overrightarrow {{R_{i - 1}}{R_i}} $ 表示点$ {R_{i - 1}} $ 到点$ {R_i} $ 的向量，$ \overrightarrow {{R_i}{R_{i + 1}}} $ 表示路径点$ {R_i} $ 到点$ {R_{i + 1}} $ 的向量。1.3.3 路径安全性
为满足无人艇到障碍物的最小距离(
$ {S_i} $ )大于实际船体尺寸，$ {S_i} $ 的计算方法为：$$ {S_i} = \min \left\{ {{L_{{S_t}{S_1}}}, \cdots ,{L_{{S_t}{S_i}}}} \right\}， $$ (6) 式中，
$ {L_{{S_t}{S_i}}} $ 表示无人艇到第$i$ 个障碍物的距离。2. 基于多目标PSO-ACO融合算法的路径规划
水面无人艇的路径规划实质上就是满足在一定约束条件下的最优化问题，规划算法多需要考虑环境的复杂性、无人艇自身的约束性以及优化指标的多样性。针对无人艇路径规划算法收敛慢、精度低的问题，对粒子群算法和蚁群算法的参数因子优化改进，提出一种多目标PSO-ACO的无人艇路径规划融合算法。
2.1 粒子群−蚁群融合算法
本文首先利用改进的粒子群算法对路径进行初始全局规划，根据粒子群算法求得的最优解，调整蚁群算法的初始信息素分布，提高算法的搜索效率；同时蚁群算法具有较好的反馈机制与搜索精度，利用改进蚁群算法进行多目标的全局路径规划。PSO-ACO融合算法流程如图3所示。
2.2 改进粒子群算法
1995年，Eberhart等[23]通过对自然界中鸟群觅食活动行为的思考，率先提出了粒子群的群智能算法。粒子群算法参数流程简单，易于实现。速度与位置代表了粒子的全部特征，其中，速度表征粒子的运动速率，位置表征粒子的方向变化。粒子在空间解运动中，不断地迭代更新自己的速度与位置，具体如式(7)所示：
$$ \left\{ \begin{gathered} {\boldsymbol{v}}_j^{{{k}} + 1} = \omega {\boldsymbol{v}}_j^k + {c_1}{r_1}\left( {{p_{{\text{pBest}}}} - {\boldsymbol{x}}_j^k} \right) + {c_2}{r_2}\left( {{p_{{\text{gBest}}}} - {\boldsymbol{x}}_j^k} \right) \\ {\boldsymbol{x}}_{{j}}^{k + 1} = {\boldsymbol{x}}_{{j}}^k + {\boldsymbol{v}}_{{j}}^{k + 1} \\ \end{gathered} \right. ，$$ (7) 式中，惯性权重
$ (\omega )$ 影响着算法的寻优效率；$ {\boldsymbol{v}}_j^{{k}} $ 为粒子$ j $ 第$ k $ 次迭代的速度矢量；$ {c_1} $ 为个体学习因子；$ {p_{{\rm{pBest}}}} $ 为最优个体极值；$ {c_2} $ 是群体学习因子；$ {p_{{\rm{gBest}}}} $ 为群体最优极值；$ {\boldsymbol{x}}_j^k $ 为粒子$ j $ 第$ k $ 次迭代的位置矢量；$ {r_1} $ 和$ {r_2} $ 是在$ [0,1] $ 中分别随机取1个值。粒子群算法全局寻优好，但算法早熟收敛现象严重。惯性权重和学习因子的取值影响着算法搜索的精度，因此需对算法参数做适当的改进。2.2.1 惯性权重的非线性自适应调整
惯性权重的取值影响着算法的寻优性能。
$ \omega $ 过大时全局搜索影响较大，搜索精度较低；反之，$ \omega $ 较小时局部搜索能力较强，容易陷入局部最优。$ \omega $ 的调整多采用线性、非线性和自适应调整3种策略。为保证粒子前期搜索效率高，文献[24]采用余弦函数调整惯性权重系数的方法，并仿真对比分析了多种函数，得出凹函数优于线性函数优于凸函数，改善了迭代后期的不足。针对粒子搜索速率慢和迭代过程易陷入局部最优的问题，本文提出采用非线性自适应调整的策略，选用非线性与自适应相结合策略，对ω进行调整。在正切函数调整ω的算法中，引入迭代系数因子(
$ \sigma $ )，ω取值随迭代次数的实时变化相应调整。正切函数图像随时间呈现非线性递增的趋势，起初其递增速率较慢，保证ω取较大值，便于粒子搜索全局最优解；随着迭代次数的进行，正切函数随$ \sigma $ 增大而增大，使得ω取值较小，同时函数变化速率较为平缓，有利于稳定的寻优。第$k$ 次迭代$ {\omega _{{k}}} $ 表达式为：$$ {\omega _{{k}}} = {\omega _{\text{s}}} - \left( {{\omega _{\text{s}}} - {\omega _{\text{e}}}} \right)\tan \sigma， $$ (8) 式中，
$ {\omega _{\text{s}}} $ 为惯性权重最初(大)值，$ {\omega _{\text{e}}} $ 为惯性权重最终(小)值，迭代系数因子$ \sigma = k{\text{/}}{k_{\max }} $ ，$ {k_{\max }} $ 是最大迭代次数。2.2.2 异步学习因子的自适应改进
在标准粒子群算法中，学习因子一般取
$ {c_1} = {c_2} = 2 $ 。初始搜索阶段，为了提高算法的全局搜索性能，$ {c_1} $ 尽可能取较大值，$ {c_2} $ 取较小值；后期迭代过程中，提高群体学习因子的影响，提高算法的收敛精度。在满足$ {c_1} + {c_2} = 4 $ 的情况下，文献[25]提出2种区间变化。从算法的平均适应度和整体寻优效果考虑，得出$ {c_1} $ 落在区间[2.25,3]和$ {c_2} $ 落在[1,1.75]的时候，算法的整体寻优效果较佳。本文针对学习因子对算法性能的影响，提出一种非线性自适应变化的方法,提高异步学习因子的适应性，实时计算出异步学习因子的具体值。动态调整异步学习因子，提高算法粒子的全局搜索效率和后期的寻优精度，如公式(9)所示：$$ \left\{ \begin{gathered} {c_1} = 3 - 0.75\tan \sigma \\ {c_2} = 1 + 0.75\tan \sigma \end{gathered} \right.。 $$ (9) 2.3 改进蚁群算法
在实际生活中，蚂蚁寻找食物会在经过的途中，留下自身的位置信息作为标记，每经过一次路径点就会累积，并将累积的信息反馈给其他蚂蚁。在观察蚂蚁觅食行为活动中，Dorigo[26]得到启示并率先提出蚁群算法。ACO算法具有全局搜索范围广，精度高等优点。路径留下的信息素密度决定了节点到节点之间的转移状态，状态转移概率
$ p_{ij}^k(t) $ 的计算公式为：$$ p_{ij}^k(t) = \left\{ \begin{array}{l} \dfrac{{\tau _{ij}^\alpha (t)\eta _{ij}^\beta (t)}}{{ \displaystyle\sum \limits_{s \in {\rm{allowe}}{{\rm{d}}_k}} \tau _{is}^\alpha (t)\eta _{is}^\beta (t)}},j \in {\rm{allowe}}{{\rm{d}}_k} \\ 0,{\rm{otherwise}} \end{array} \right.，$$ (10) 式中，信息启发式因子
$ (\alpha) $ 代表路径中累积信息素的相对重要程度；期望启发式因子$ (\beta) $ 反映节点间可见度的相对重要程度，$ {\rm{allowe}}{{\rm{d}}_k} $ 表示蚂蚁$ k $ 下一个可允许选择的所有节点，$ \tau _{ij}^{}(t) $ 表示$t$ 时刻位置$i$ 到$j$ 的信息素，$ \eta _{ij}^{}(t) $ 是关于$t$ 时刻$i$ 到$j$ 的期望转移函数，其表达式如下：$$ {\eta _{ij}}(t) = \dfrac{1}{{{d_{ij}}}}， $$ (11) 当
$i$ 到$j$ 之间的距离$ {d_{ij}} $ 越短，则蚂蚁选择路径$ij$ 的概率也就越大。当蚂蚁走过$ n $ 个指定位置后，产生多条较高密度的信息素，干扰后续蚂蚁的选择，所以采取一定的策略对更新信息素是必要的。在$ t + 1 $ 时刻路径信息素更新公式为：$$ {\tau _{ij}}(t + 1) = (1 - \rho ) {\tau _{ij}}(t) + \displaystyle\sum \limits_{k = 1}^{{m}} \Delta \tau _{ij}^k(t) ，$$ (12) 式中，
$ \rho $ 为挥发因子，$ \rho \in (0,1) $ ；$\displaystyle\sum \limits_{k = 1}^{{m}} \Delta \tau _{ij}^k(t)$ 表示所有蚂蚁遍历完路径点的信息素总和。蚁群算法寻优精度高，但存在初始信息素缺失、效率低的问题。信息素挥发因子和启发期望函数的调整影响着算法搜索的效率，因此需对算法参数做适当的优化，从而提高ACO算法寻优能力。2.3.1 信息素挥发因子的优化
初始信息素挥发因子要保证足够大，降低路径过程中的信息素密度，提高蚂蚁路径选择的多样性；后期迭代过程中，挥发因子随着迭代次数的增加而逐步减小，路径过程中的信息素密度逐渐增加。为了能够使蚁群算法全局寻优过程中，提高全局收敛速率和后期搜索精度，本文引入基本最小量，提出非线性地调整信息素挥发因子，提高算法搜索效率。信息素挥发因子的表达式为：
$$ \rho = 0.2 + 0.6{{\rm{e}}^{\frac{{{i_{\max }} - i}}{{{i_{\max }}}}}} ，$$ (13) 式中，
$ {{{i}}_{\max }} $ 表示最大迭代次数，$ {{i}} $ 为当前迭代次数。2.3.2 启发期望函数的优化
为降低算法陷入局部最值的可能，本文引入A*算法的估价思想，利用节点之间的关系建立估价函数，改进启发期望函数
$ \eta _{ij}^{}(t) $ 。距离$ {d_{i{{m}}}} $ 可以用节点$ i $ 到节点$ j $ 的距离$ {d_{ij}} $ 和节点$ j $ 的距离到目标点$ {{m}} $ 的距离$ {d_{{{jm}}}} $ 的权重来表示。欧几里得度量计算节点间距离，具体表达式如下：$$ {\eta _{ij}}(t) = \dfrac{1}{{\lambda {d_{ij}} + (1 - \lambda ){d_{j{{m}}}}}}。 $$ (14) 3. 仿真案例分析
为验证融合算法的优良性，在2.4GHz PC，i5-1135G7，16GB RAM操作系统上运行仿真软件Matlab R2018b。
3.1 改进粒子群算法仿真分析
首先使用改进粒子群算法对多投喂点全局路径规划问题进行仿真求解。设定粒子数量1000，最大迭代次数50，投喂点位置数目14。标准粒子群算法
$\omega = 0.9$ ，${c_1} = {c_2} = 2$ 。分别从平均运行时间、路径距离和迭代次数考虑算法的优良性，仿真结果如表1所示。表 1 2种粒子群算法仿真对比Table 1. Simulation comparison of two algorithms算法 Algorithm 平均运行时间/s Average running time 平均路径距离/cm Average path distance 最优迭代次数 Optimal iteration times 标准PSO Standard PSO 2.36 31.23 26 改进PSO Improved PSO 1.68 30.88 21 算法仿真图结果对比如图4和图5所示。仿真结果表明：改进PSO算法的全局收敛速度更快，适应度值更小，全局路径长度更短，算法的效率较好。
3.2 简单环境单投喂点环境仿真分析
为提高算法结果的普遍性，对简单环境下单投喂点的无人艇全局路径规划问题进行了多次仿真。设置算法初始参数，栅格尺寸选用20×20，设定蚂蚁个数50，迭代次数50，单个投喂点数目为1。如表2所示，在简单环境单投喂点路径规划中，相比较于标准ACO与改进ACO，融合算法不具有路径长度的优势，但迭代次数和拐点数目均较低，整体轨迹效果较好。
表 2 简单环境单投喂点的算法仿真结果对比Table 2. Comparison of algorithm simulation results of single feeding point in simple environment算法 Algorithm 运行时间/s Running time 最短路径距离/cm Minimum path distance 最优迭代次数 Optimal iteration times 路径拐点数目 Number of path inflection points 标准ACO Standard ACO 4.78 28.63 23 10 改进ACO Improved ACO 3.68 28.04 21 6 PSO-ACO 3.39 28.04 19 3 图6和图7分别表示路径算法轨迹对比图和算法收敛曲线对比图。仿真结果表明：相较于标准ACO算法，PSO-ACO融合算法轨迹的平滑性更佳，收敛速度快，路径长度较短。
![]()
图 6 简单路径算法轨迹对比图灰色单元表示投料装置、增氧泵等设备，即障碍物区Figure 6. Trajectory comparison of simple path algorithmThe gray unit represents the feeding device, oxygen pump and other equipment, i.e. the obstacle area3.3 复杂环境多投喂点环境仿真分析
为了验证融合算法在复杂环境的适应性，对复杂环境下多投喂点的无人艇全局路径规划问题进行了仿真。栅格尺寸选用20×20，设定蚂蚁个数80，迭代次数200，投喂点数目为4。如表3所示，在复杂环境多投喂点路径规划中，融合算法各参数指标优势更加明显。
表 3 复杂环境多投喂点的算法仿真结果对比Table 3. Comparison of algorithm simulation results of multiple feeding points in complex environment算法 Algorithm 运行时间/s Running time 最短路径距离/cm Minimum path distance 最优迭代次数 Optimal iteration times 路径拐点数目 Number of path inflection 标准ACO Standard ACO 106.73 74.12 264 36 改进ACO Improved ACO 81.17 68.28 126 24 PSO-ACO 72.58 66.87 98 20 图8和图9分别表示路径算法轨迹对比图和过程点收敛曲线图。融合算法路径平滑性远优于改进蚁群算法，且无危险碰撞。仿真结果显示：PSO-ACO融合算法的轨迹平滑性好，收敛速度快，适应度值更小，路径距离更短。
![]()
图 8 复杂路径算法轨迹对比图灰色单元表示投料装置、增氧泵等设备，即障碍物区Figure 8. Trajectory comparison of complex path algorithmThe gray unit represents the feeding device, oxygen pump and other equipment, that is, the obstacle area![]()
图 9 复杂路径算法过程点收敛曲线图Figure 9. Process point convergence curve of complex path algorithm3.4 基于栅格静态水深仿真分析
鉴于河蟹养殖规律及季节环境等因素，蟹塘的水位会发生变化。水位在春季养殖初期最浅，因此只需考虑春季养殖初期水位与无人艇吃水深度的关系，当栅格的水深低于无人艇的吃水深度，则默认此栅格为浅滩区。设定某一区域栅格静态水深低于无人艇的吃水深度，并在复杂环境下对多投喂点进行全局规划。仿真结果如图10所示。融合算法不仅具有较优的规划能力，而且能够较好地规避障碍区与浅水区。
![]()
图 10 静态水深下的全局规划灰色单元表示投料装置、增氧泵等设备，即障碍物区；褐色单元表示浅滩区；红色实线代表PSO-ACO融合算法Figure 10. Global planning under static water depthThe gray unit represents the feeding device, oxygen pump and other equipment, that is, the obstacle area; The brown unit represents the shoal area; The red solid line represents the PSO-ACO fusion algorithm4. 结论
针对河蟹养殖过程中，蟹塘水位环境变化以及无人艇路径规划算法收敛慢、精度低的问题，基于静态水深栅格环境模型，提出一种多目标PSO-ACO融合算法的无人艇路径规划算法。针对粒子群算法寻优精度低和蚁群算法寻优速度慢的问题，融合算法通过对自身参数的适应性调整，解决了单一算法寻优不足的弊端。在不同环境投饵策略下仿真表明，改进融合算法在对多目标路径寻优时，不仅环境适应性好，而且提高了寻优效率和精度。
-
![]()
图 2 地面监测平台示意图
a：固定式车载监测平台；b：固定式高地隙检测平台；c：可调节式高地隙监测平台；d：高地隙自走式监测平台；e：履带型自走式监测平台；f：挪威生命科学大学Thorvald II；g：PhenoWatch-GF门架式植物表型成像系统；h：Scanalyzer Field门架式平台
Figure 2. The diagrams of ground monitoring platforms
a: Fixed vehicle-mounted monitoring platform; b: Fixed highland detection platform; c: Adjustable highland monitoring platform; d: Highland self-propelled monitoring platform; e: Tracked self-propelled monitoring platform; f: Thorvald II, Norwegian University of Life Sciences; g: PhenoWatch-GF gantry plant phenotype imaging system; h: Scanalyzer Field gantry platform
表 1 遥感传感器的优缺点及应用场景
Table 1 Advantages and disadvantages of remote sensing sensors and application scenarios
传感器类型 Sensor type 优点 Advantage 缺点 Disadvantage 应用场景 Application Scenario 可见光相机 RGB camera 体积小、成本低、数据量小、数据结构简单且直观 受天气影响大，波段少 产量预估、作物分类、氮素含量估算等[56-57] 多光谱成像仪 Multispectral camera 光谱范围较大、波段较多、光谱分辨率较高 无法提供连续的高光谱分辨率频谱信息 作物表型反演、病虫草害监测， 水分胁迫监测等[34, 58] 高光谱成像仪 Hyperspectral camera 可提供完整且连续的光谱曲线 操作困难、成本高昂、数据过于复杂 叶面积指数、叶绿素含量监测、氮素含量估算等[59-60] 热成像相机 Thermal imaging camera 可将红外辐射图转化为可视的热量图 受环境影响大，获得信息较单一 作物表层温度、水分胁迫监测等[61-63] 激光雷达 Lidar 采集信息速度快、精度高 成本高，作用范围较小 作物点云信息采集等[64] 
下载: 导出CSV
表 2 不同类型田间作物监测平台优点和缺点
Table 2 Advantages and disadvantages of different types of field crop monitoring platforms
平台 Platform 类型 Type 优点 Advantage 缺点 Disadvantage 天基平台 Space-based platform 卫星 可进行大面积监测 成本高，精度相对较低 空基平台 Air-based platform 有人驾驶飞机 载荷能力高，可进行较大面积监测 需要专业飞行操作人员，成本较高 无人机 成本较低，可搭载多种传感器，可进行固定面积的快速监测 续航时间短，飞行高度低，载荷量低 飞艇 相较于有人驾驶飞机等成本更低，可进行较大面积监测 不能进行精确移动，飞行速度较慢 地基平台 Ground-based platform 车载式平台 可搭载多种传感器，操作简单 对田间行距有要求，需满足机械作业条件 自走式平台 可搭载多种传感器，适应性强，相较于车载式更灵活 造价高，智能程度低，仍没有商业化普及 门架式和悬索式固定平台 可进行连续作业，测量精度高 造价较高，监测区域有限 分布式无线网络平台 成本低，可根据需求进行动态配置 覆盖面积小，只能监测个体作物情况
下载: 导出CSV
表 3 不同信息分析方法的优缺点
Table 3 Advantages and disadvantages of different information analysis methods
方法 Method 优点 Advantage 缺点 Disadvantage 经典统计分析方法 Classical statistical analysis 简单易行，对计算机设备性能要求相对较低 只能概括基本规律及趋势，难以进行深层次挖掘 经典图像处理与计算机视觉技术 Traditional Image Processing and Computer Vision 图像传感器应用广泛，可以对数据进行多角度处理 图像易受环境因素的影响 机器学习方法 Machine Learning 从现有的数据中归纳出趋势，减少人工操作 样本数据量较大，而且训练样本的品质对最终的识别结果影响较大，硬件性能要求高 大数据分析方法 Big data 计算资源丰富，处理速度快 系统结构和数据分析方法不完善，运营成本高
下载: 导出CSV
-
[1] 岳学军, 蔡雨霖, 王林惠, 等. 农情信息智能感知及解析的研究进展[J]. 华南农业大学学报, 2020, 41(6): 14-28. doi: 10.7671/j.issn.1001-411X.202008044 [2] 张泽, 吕新, 侯彤瑜. 浅析中国农业信息化技术发展现状及存在的问题[J]. 教育教学论坛, 2019(14): 267-268. [3] TESTER M, LANGRIDGE P. Breeding technologies to increase crop production in a changing world[J]. Science, 2010, 327(5967): 818-822. doi: 10.1126/science.1183700
[4] FURBANK R T. Plant phenomics: From gene to form and function[J]. Functional Plant Biology, 2009, 36(10/11): 5-6.
[5] 姜玉英, 刘万才, 黄冲, 等. 2020年全国农作物重大病虫害发生趋势预报[J]. 中国植保导刊, 2020, 40(2): 37-39. [6] 刘杰, 姜玉英, 黄冲, 等. 2021年全国粮食作物重大病虫害发生趋势预报[J]. 中国植保导刊, 2021, 41(1): 37-39. [7] 2022年全国农作物重大病虫害发生趋势预报[J]. 中国植保导刊, 2022, 42(4): 107-108. [8] 赵春江. 智慧农业的发展现状与未来展望[J]. 华南农业大学学报, 2021, 42(6): 1-7. [9] ADAMCHUK V I, PERK R L, SCHEPERS J S. Applications of remote sensing in site-specific management[M]. Nebraska : University of Nebraska, 2003: 693-702.
[10] BAO Y, NAKAMI A, TANG L. Development of a field robotic phenotyping system for sorghum biomass yield component traits characterization[C]//2014 ASABE Annual International Meeting. American Society of Agricultural and Biological Engineers (ASABE), 2014.
[11] BAO Y, TANG L. Field-based robotic phenotyping for sorghum biomass yield component traits characterization using stereo vision[J]. IFA-PapersOnLine, 2016, 49(16): 265-270. doi: 10.1016/j.ifacol.2016.10.049
[12] ZHU J M, INGRAM P A, BENFEY P N, et al. From lab to field, new approaches to phenotyping root system architecture[J]. Current Opinion in Plant Biology, 2011, 14(3): 310-317. doi: 10.1016/j.pbi.2011.03.020
[13] AMATO M, BITELLA G, ROSSI R, et al. Multi-electrode 3D resistivity imaging of alfalfa root zone[J]. European Journal of Agronomy, 2009, 31(4): 213-222. doi: 10.1016/j.eja.2009.08.005
[14] FETTER K C, EBERHARDT S, BARCLAY R S, et al. StomataCounter: A neural network for automatic stomata identification and counting[J]. New Phytologist, 2019, 223(3): 1671-1681. doi: 10.1111/nph.15892
[15] LIU X X, FU X, YU S, et al. Convolutional recurrent neural networks for observation-centered plant identification[J]. Journal of Electrical and Computer Engineering, 2018, 2018: 1-7.
[16] ZHU H Y, HUANG X Y, ZHANG S P, et al. Plant identification via multipath sparse coding[J]. Multimedia Tools and Applications, 2017, 76(3): 4599-4615. doi: 10.1007/s11042-016-3538-4
[17] 蔡坤, 徐兴, 俞龙, 等. 基于LVDS传输线延时检测技术的土壤含水率传感器[J]. 农业机械学报, 2016, 47(12): 315-322. doi: 10.6041/j.issn.1000-1298.2016.12.039 [18] 蔡坤, 岳学军, 洪添胜, 等. 基于RC网络相频特性的土壤含水率传感器设计[J]. 农业工程学报, 2013, 29(7): 36-43. [19] BENEDET L, ACUÑA-GUZMAN S F, FARIA W M, et al. Rapid soil fertility prediction using X-ray fluorescence data and machine learning algorithms[J]. Catena, 2021, 197: 105003. doi: 10.1016/j.catena.2020.105003
[20] 董彭赓. 新型自动气象站在农业气象观测中的应用分析[J]. 农业灾害研究, 2021, 11(11): 83-84. doi: 10.3969/j.issn.2095-3305.2021.11.037 [21] 李轩, 吴门新, 侯英雨, 等. 农业气象大数据共享平台设计与实现[J]. 中国农业气象, 2022, 43(8): 657-669. doi: 10.3969/j.issn.1000-6362.2022.08.006 [22] 欧善国, 彭晓丹, 凌洋. 广州智慧农业气象服务平台设计与实现[J]. 气象科学, 2022, 42(2): 270-278. [23] 翟肇裕, 曹益飞, 徐焕良, 等. 农作物病虫害识别关键技术研究综述[J]. 农业机械学报, 2021, 52(7): 1-18. doi: 10.6041/j.issn.1000-1298.2021.07.001 [24] 管泽鑫, 姚青, 杨保军, 等. 数字图像处理技术在农作物病虫草识别中的应用[J]. 中国农业科学, 2009, 42(7): 2349-2358. doi: 10.3864/j.issn.0578-1752.2009.07.012 [25] 张竞成, 袁琳, 王纪华, 等. 作物病虫害遥感监测研究进展[J]. 农业工程学报, 2012, 28(20): 1-11. [26] DELWICHE S R, KIM M S. Hyperspectral imaging for detection of scab in wheat[M]//Biological quality and precision agriculture II. Massachusetts State: SPIE, 2000: 13-20.
[27] HUANG W, LAMB D W, NIU Z, et al. Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J]. Precision Agriculture, 2007, 8(4/5): 187-197.
[28] GRIFFEL L M, DELPARTE D, EDWARDS J. Using support vector machines classification to differentiate spectral signatures of potato plants infected with potato virus Y[J]. Computers and Electronics in Agriculture, 2018, 153: 318-324. doi: 10.1016/j.compag.2018.08.027
[29] KAUR R, KANG S S. An enhancement in classifier support vector machine to improve plant disease detection[C]//2015 IEEE 3rd International Conference on MOOCs, Innovation and Technology in Education (MITE). IEEE, 2015: 135-140.
[30] TURKOGLU M, HANBAY D. Plant disease and pest detection using deep learning-based features[J]. Turkish Journal of Electrical Engineering and Computer Sciences, 2019, 27(3): 1636-1651. doi: 10.3906/elk-1809-181
[31] LOUARGANT M, JONES G, FAROUX R, et al. Unsupervised classification algorithm for early weed detection in row-crops by combining spatial and spectral information[J]. Remote Sensing, 2018, 10(671): 1-18.
[32] HALL D, DAYOUB F, PEREZ T, et al. A rapidly deployable classification system using visual data for the application of precision weed management[J]. Computers and Electronics in Agriculture, 2018, 148: 107-120. doi: 10.1016/j.compag.2018.02.023
[33] 余小东, 杨孟辑, 张海清, 等. 基于迁移学习的农作物病虫害检测方法研究与应用[J]. 农业机械学报, 2020, 51(10): 252-258. doi: 10.6041/j.issn.1000-1298.2020.10.028 [34] 赵静, 李志铭, 鲁力群, 等. 基于无人机多光谱遥感图像的玉米田间杂草识别[J]. 中国农业科学, 2020, 53(8): 1545-1555. [35] 彭文, 兰玉彬, 岳学军, 等. 基于深度卷积神经网络的水稻田杂草识别研究[J]. 华南农业大学学报, 2020, 41(6): 75-81. [36] LEHOTAY S J, SON K A, KWON H, et al. Comparison of QuEChERS sample preparation methods for the analysis of pesticide residues in fruits and vegetables[J]. Journal of Chromatography A, 2010, 1217(16): 2548-2560. doi: 10.1016/j.chroma.2010.01.044
[37] 刘美辰. 石墨炉原子吸收光谱法和胶体金快速定量法测定粮食中铅的对比研究[J]. 食品研究与开发, 2019, 40(9): 149-153. doi: 10.3969/j.issn.1005-6521.2019.09.025 [38] JIN M, LIU X N, WU L, et al. An improved assimilation method with stress factors incorporated in the WOFOST model for the efficient assessment of heavy metal stress levels in rice[J]. International Journal of Applied Earth Observation and Geoinformation, 2015, 41: 118-129. doi: 10.1016/j.jag.2015.04.023
[39] ZHOU X, ZHENG H B, XU X Q, et al. Predicting grain yield in rice using multi-temporal vegetation indices from UAV-based multispectral and digital imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 246-255. doi: 10.1016/j.isprsjprs.2017.05.003
[40] OLSON D, CHATTERJEE A, FRANZEN D W, et al. Relationship of drone-based vegetation indices with corn and sugarbeet yields[J]. Agronomy Journal, 2019, 111(5): 2545-2557. doi: 10.2134/agronj2019.04.0260
[41] DUAN B, FANG S, ZHU R, et al. Remote estimation of rice yield with unmanned aerial vehicle (UAV) data and spectral mixture analysis[J]. Frontiers in Plant Science, 2019, 10: 1-14.
[42] IHUOMA S O, MADRAMOOTOO C A. Recent advances in crop water stress detection[J]. Computers and Electronics in Agriculture, 2017, 141: 267-275. doi: 10.1016/j.compag.2017.07.026
[43] ROMERO M, LUO Y C, SU B F, et al. Vineyard water status estimation using multispectral imagery from an UAV platform and machine learning algorithms for irrigation scheduling management[J]. Computers and Electronics in Agriculture, 2018, 147: 109-117. doi: 10.1016/j.compag.2018.02.013
[44] 甘平, 董燕生, 孙林, 等. 基于无人机载LiDAR数据的玉米涝灾灾情评估[J]. 中国农业科学, 2017, 50(15): 2983-2992. [45] 董锦绘, 杨小冬, 高林, 等. 基于无人机遥感影像的冬小麦倒伏面积信息提取[J]. 黑龙江农业科学, 2016(10): 147-152. [46] HAULE J, MICHAEL K. Deployment of wireless sensor networks (WSN) in automated irrigation management and scheduling systems: A review[C]//Proceedings of the 2nd Pan African International Conference On Science, Computing and Telecommunications (PACT 2014). IEEE, 2014: 86-91.
[47] 王林惠, 兰玉彬, 刘志壮, 等. 便携式柑橘虫害实时检测系统的研制与试验[J]. 农业工程学报, 2021, 37(9): 282-288. [48] 岳学军, 刘永鑫, 洪添胜, 等. 基于土壤墒情的自动灌溉控制系统设计与试验[J]. 农业机械学报, 2013, 44(S2): 241-246. [49] 徐兴, 岳学军, 林涛. 基于ZigBee网络的水环境无线监测系统设计[J]. 华南农业大学学报, 2013, 34(4): 593-597. [50] AZFAR S, NADEEM A, BASIT A. Pest detection and control techniques using wireless sensor network: A review[J]. Journal of Entomology and Zoology Studies, 2015, 3(2): 92-99.
[51] HE J L, WANG J L, HE D X, et al. The design and implementation of an integrated optimal fertilization decision support system[J]. Mathematical and Computer Modelling, 2011, 54(3/4): 1167-1174.
[52] KOLOKOTSA D, SARIDAKIS G, DALAMAGKIDIS K, et al. Development of an intelligent indoor environment and energy management system for greenhouses[J]. Energy Conversion and Management, 2010, 51(1): 155-168. doi: 10.1016/j.enconman.2009.09.007
[53] XIANG H, TIAN L. Development of autonomous unmanned helicopter based agricultural remote sensing system[C]//2006 ASAE Annual International Meeting. Portland: American Society of Agricultural and Biological Engineers, 2006.
[54] 程曼, 袁洪波, 蔡振江, 等. 田间作物高通量表型信息获取与分析技术研究进展[J]. 农业机械学报, 2020, 51(S1): 314-324. doi: 10.6041/j.issn.1000-1298.2020.S1.037 [55] 张保辉, 查燕, 史云. 智慧农业装备依赖进口情况、潜在风险及对策建议[J]. 中国农业信息, 2019, 31(4): 113-120. doi: 10.12105/j.issn.1672-0423.20190412 [56] 李红军, 李佳珍, 雷玉平, 等. 无人机搭载数码相机航拍进行小麦、玉米氮素营养诊断研究[J]. 中国生态农业学报, 2017, 25(12): 1832-1841. doi: 10.13930/j.cnki.cjea.170996 [57] 周元琦, 王敦亮, 陈晨, 等. 基于无人机RGB图像颜色及纹理特征指数的小麦产量预测[J]. 扬州大学学报(农业与生命科学版), 2021, 42(3): 110-116. doi: 10.16872/j.cnki.1671-4652.2021.03.017 [58] 田婷, 张青, 张海东. 无人机遥感在作物监测中的应用研究进展[J]. 作物杂志, 2020(5): 1-8. [59] 束美艳, 陈向阳, 王喜庆, 等. 基于高光谱数据的玉米叶面积指数和生物量评估[J]. 智慧农业(中英文), 2021, 3(1): 29-39. [60] 冯伟, 姚霞, 朱艳, 等. 基于高光谱遥感的小麦叶片含氮量监测模型研究[J]. 麦类作物学报, 2008, 28(5): 851-860. [61] 李真, 史智兴, 王成, 等. 红外热成像技术在作物胁迫检测方面的应用[J]. 农机化研究, 2016, 38(1): 232-237. [62] 魏嘉呈, 刘俊岩, 何林, 等. 红外热成像无损检测技术研究发展现状[J]. 哈尔滨理工大学学报, 2020, 25(2): 64-72. [63] 甘海明, 岳学军, 洪添胜, 等. 基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型[J]. 华南农业大学学报, 2018, 39(3): 102-110. doi: 10.7671/j.issn.1001-411X.2018.03.016 [64] 张漫, 苗艳龙, 仇瑞承, 等. 基于车载三维激光雷达的玉米点云数据滤波算法[J]. 农业机械学报, 2019, 50(4): 170-178. doi: 10.6041/j.issn.1000-1298.2019.04.019 [65] HOFFER R M. Biological and physical considerations in applying computer-aided analysis techniques to remote sensor data[M]//SWAIN P H, DAVIS S M. Remote sensing: The quantitative approach. New York: McGraw-Hill Book Company, 1978: 227-289.
[66] FU Y Y, YANG G J, WANG J H, et al. Winter wheat biomass estimation based on spectral indices, band depth analysis and partial least squares regression using hyperspectral measurements[J]. Computers and Electronics in Agriculture, 2014, 100: 51-59. doi: 10.1016/j.compag.2013.10.010
[67] 庄东英, 李卫国, 武立权. 冬小麦生物量卫星遥感估测研究[J]. 干旱区资源与环境, 2013, 27(10): 158-162. doi: 10.13448/j.cnki.jalre.2013.10.018 [68] HUNT E R, DORAISWAMY P C, MCMURTREY J E, et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 21: 103-112. doi: 10.1016/j.jag.2012.07.020
[69] 李卫国, 王纪华, 赵春江, 等. 冬小麦抽穗期长势遥感监测的初步研究[J]. 江苏农业学报, 2007(5): 499-500. doi: 10.3969/j.issn.1000-4440.2007.05.026 [70] 赵春江. 农业遥感研究与应用进展[J]. 农业机械学报, 2014, 45(12): 277-293. doi: 10.6041/j.issn.1000-1298.2014.12.041 [71] 邢素丽, 张广录. 我国农业遥感的应用现状与展望[J]. 农业工程学报, 2003(6): 174-178. doi: 10.3321/j.issn:1002-6819.2003.06.041 [72] 吴志峰, 骆剑承, 孙营伟, 等. 时空协同的精准农业遥感研究[J]. 地球信息科学学报, 2020, 22(4): 731-742. doi: 10.12082/dqxxkx.2020.190726 [73] 张传波, 李卫国, 张宏, 等. 遥感光谱指标和神经网络结合的冬小麦地上部生物量估测[J]. 麦类作物学报, 2022, 42(5): 631-639. doi: 10.7606/j.issn.1009-1041.2022.05.14 [74] 张晓春, 刘海若, 严忆辉, 等. 基于物候特征的农田土壤表层含水率遥感反演[J]. 灌溉排水学报, 2021, 40(10): 1-9. doi: 10.13522/j.cnki.ggps.2021195 [75] DEERY D M, REBETZKE G J, JIMENEZ-BERNI J A, et al. Evaluation of the phenotypic repeatability of canopy temperature in wheat using continuous-terrestrial and airborne measurements[J]. Frontiers in Plant Science, 2019, 10: 875-893. doi: 10.3389/fpls.2019.00875
[76] REJEB A, ABDOLLAHI A, REJEB K, et al. Drones in agriculture: A review and bibliometric analysis[J]. Computers and Electronics in Agriculture, 2022, 198: 107017. doi: 10.1016/j.compag.2022.107017
[77] 郭亚东. 无人机低空遥感技术应用研究[J]. 产业与科技论坛, 2022, 21(3): 37-38. doi: 10.3969/j.issn.1673-5641.2022.03.015 [78] 樊湘鹏, 周建平, 许燕. 无人机低空遥感监测农情信息研究进展[J]. 新疆大学学报(自然科学版)(中英文), 2021, 38(5): 623-631. [79] 岳学军, 王林惠, 兰玉彬, 等. 基于DCP和OCE的无人机航拍图像混合去雾算法[J]. 农业机械学报, 2016, 47(S1): 419-425. [80] WANG L H, YUE X J, WANG H H, et al. Dynamic inversion of inland aquaculture water quality based on UAVs-WSN spectral analysis[J]. Remote Sensing, 2020, 12(3): 1-18. doi: 10.3390/rs12030402
[81] 岳学军, 全东平, 洪添胜, 等. 不同生长期柑橘叶片磷含量的高光谱预测模型[J]. 农业工程学报, 2015, 31(8): 207-213. [82] 黄双萍, 岳学军, 洪添胜, 等. 不同物候期柑橘叶片钾素水平预测建模[J]. 江苏大学学报(自然科学版), 2013, 34(5): 529-535. [83] 岳学军, 全东平, 洪添胜, 等. 柑橘叶片叶绿素含量高光谱无损检测模型[J]. 农业工程学报, 2015, 31(1): 294-302. doi: 10.3969/j.issn.1002-6819.2015.01.039 [84] 岳学军, 全东平, 洪添胜, 等. 基于流形学习算法的柑橘叶片氮含量光谱估测模型[J]. 农业机械学报, 2015, 46(6): 244-250. doi: 10.6041/j.issn.1000-1298.2015.06.035 [85] 张宏鸣, 谭紫薇, 韩文霆, 等. 基于无人机遥感的玉米株高提取方法[J]. 农业机械学报, 2019, 50(5): 241-250. [86] 樊鸿叶, 李姚姚, 卢宪菊, 等. 基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究[J]. 中国农业科技导报, 2021, 23(9): 112-120. [87] 陈志超, 蒋贵印, 张正, 等. 基于无人机高光谱遥感的春玉米氮营养指数反演[J]. 河南理工大学学报(自然科学版), 2022, 41(3): 81-89. [88] 史东旭, 高德民, 薛卫, 等. 基于物联网和大数据驱动的农业病虫害监测技术[J]. 南京农业大学学报, 2019, 42(5): 967-974. doi: 10.7685/jnau.201812026 [89] 袁培森, 薛铭家, 熊迎军, 等. 基于无人机高通量植物表型大数据分析及应用研究综述[J]. 农业大数据学报, 2021, 3(3): 62-75. doi: 10.19788/j.issn.2096-6369.210307 [90] 谢芳. 基于物联网和人工智能的农业无人机路径规划系统[J]. 农机化研究, 2023, 45(6): 30-33. doi: 10.13427/j.cnki.njyi.2023.06.029 [91] 黄进良徐新刚吴炳方. 农情遥感信息与其他农情信息的对比分析[J]. 遥感学报, 2004, 8(6): 655-663. doi: 10.11834/jrs.20040616 [92] 罗锡文, 廖娟, 胡炼, 等. 我国智能农机的研究进展与无人农场的实践[J]. 华南农业大学学报, 2021, 42(6): 8-17. doi: 10.7671/j.issn.1001-411X.202108040 [93] THOMPSON A L, THORP K R, CONLEY M M, et al. Comparing nadir and multi-angle view sensor technologies for measuring in-field plant height of upland cotton[J]. Remote Sensing, 2019, 11(6): 1-19. doi: 10.3390/rs11060700
[94] 唐政, 余越, 刘羽飞, 等. 田间作物表型获取无人车平台主体结构设计与优化[J/OL]. 浙江大学学报(农业与生命科学版), (2022-05-19) [2022-09-28]. https://kns.cnki.net/kcms/detail/33.1247.S.20220518.2107.002.html. [95] 卢少志, 杨蒙, 杨万能, 等. 田间作物表型检测平台设计与试验[J]. 华中农业大学学报, 2021, 40(4): 209-218. doi: 10.13300/j.cnki.hnlkxb.2021.04.025 [96] 康凯, 袁洪波, 肖雪朋, 等. 自走式表型平台及在线自整定PID速度控制研究[J]. 农机化研究, 2022, 44(4): 19-25. doi: 10.3969/j.issn.1003-188X.2022.04.004 [97] YOUNG S N, KAYACAN E, PESCHEL J M. Design and field evaluation of a ground robot for high-throughput phenotyping of energy sorghum[J]. Precision Agriculture, 2019, 20(4): 697-722. doi: 10.1007/s11119-018-9601-6
[98] GRIMSTAD L, FROM P J. Software components of the Thorvald II modular robot[J]. Modeling Identification and Control, 2018, 39(3): 157-165. doi: 10.4173/mic.2018.3.2
[99] KIRCHGESSNER N, LIEBISCH F, YU K, et al. The ETH field phenotyping platform FIP: A cable-suspended multi-sensor system[J]. Functional Plant Biology, 2017, 44(1): 154-168. doi: 10.1071/FP16165
[100] BAI G, GE Y F, SCOBY D, et al. NU-Spidercam: A large-scale, cable-driven, integrated sensing and robotic system for advanced phenotyping, remote sensing, and agronomic research[J]. Computers and Electronics in Agriculture, 2019, 160: 71-81. doi: 10.1016/j.compag.2019.03.009
[101] GARCIA-SANCHEZ A J, GARCIA-SANCHEZ F, GARCIA-HARO J. Wireless sensor network deployment for integrating video-surveillance and data-monitoring in precision agriculture over distributed crops[J]. Computers and Electronics in Agriculture, 2011, 75(2): 288-303. doi: 10.1016/j.compag.2010.12.005
[102] DIAZ S E, PEREZ J C, MATEOS A C, et al. A novel methodology for the monitoring of the agricultural production process based on wireless sensor networks[J]. Computers and Electronics in Agriculture, 2011, 76(2): 252-265. doi: 10.1016/j.compag.2011.02.004
[103] ZHU B Q, HAN W T, WANG Y, et al. Development and evaluation of a wireless sensor network monitoring system in various agricultural environments[J]. Journal of Microwave Power and Electromagnetic Energy, 2014, 48(3): 170-183. doi: 10.1080/08327823.2014.11689881
[104] GEORGIEVA T, PASKOVA N, GAAZI B, et al. Design of wireless sensor network for monitoring of soil quality parameters[J]. Agriculture & Agricultural Science Procedia, 2016, 10: 431-437.
[105] 兰玉彬, 邓小玲, 曾国亮. 无人机农业遥感在农作物病虫草害诊断应用研究进展[J]. 智慧农业, 2019, 1(2): 1-19. [106] TAHIR M N, NAQVI S, LAN Y, et al. Real time monitoring chlorophyll content based on vegetation indices derived from multispectral UAVs in the kinnow orchard[J]. International Journal of Precision Agricultural Aviation, 2018, 1(1): 24-32.
[107] 王超, 王建明, 冯美臣, 等. 基于多变量统计分析的冬小麦长势高光谱估算研究[J]. 光谱学与光谱分析, 2018, 38(5): 1520-1525. [108] FU P, MEACHAM-HENSOLD K, GUAN K, et al. Estimating photosynthetic traits from reflectance spectra: a synthesis of spectral indices, numerical inversion, and partial least square regression[J]. Plant Cell & Environment, 2020, 43(5): 1241-1258.
[109] TARDIEU F, CABRERA-BOSQUET L, PRIDMORE T, et al. Plant phenomics, from sensors to knowledge[J]. Current Biology, 2017, 27(15): 770-783. doi: 10.1016/j.cub.2017.05.055
[110] 周济, TARDIEU F, PRIDMORE T, 等. 植物表型组学: 发展、现状与挑战[J]. 南京农业大学学报, 2018, 41(4): 580-588. doi: 10.7685/jnau.201805100 [111] 杨涛, 李晓晓. 机器视觉技术在现代农业生产中的研究进展[J]. 中国农机化学报, 2021, 42(3): 171-181. doi: 10.13733/j.jcam.issn.2095-5553.2021.03.024 [112] ZHANG C, SI Y, LAMKEY J, et al. High-throughput phenotyping of seed/seedling evaluation using digital image analysis[J]. Agronomy, 2018, 8(5): 63. doi: 10.3390/agronomy8050063
[113] YAO Q, XIAN D X, LIU Q J, et al. Automated counting of rice planthoppers in paddy fields based on image processing[J]. Journal of Integrative Agriculture, 2014, 13(8): 1736-1745. doi: 10.1016/S2095-3119(14)60799-1
[114] 刁智华, 袁万宾, 罗雅雯, 等. 基于图像处理的小麦白粉病病斑生长模型构建[J]. 中国农机化学报, 2019, 40(6): 158-161. doi: 10.13733/j.jcam.issn.2095-5553.2019.06.30 [115] 苗中华, 余孝有, 徐美红, 等. 基于图像处理多算法融合的杂草检测方法及试验[J]. 智慧农业(中英文), 2020, 2(4): 103-115. [116] 任全会, 杨保海. 图像处理技术在田间杂草识别中应用研究[J]. 中国农机化学报, 2020, 41(6): 154-158. [117] 刘丹, 诸叶平, 刘海龙, 等. 植物三维可视化研究进展[J]. 中国农业科技导报, 2015, 17(1): 23-31. doi: 10.13304/j.nykjdb.2014.579 [118] 季富华, 刘佳, 王利民. 农作物类型遥感识别算法及国产高分卫星应用示例[J]. 中国农业资源与区划, 2021, 42(7): 254-268. [119] 马怡茹, 吕新, 易翔, 等. 基于机器学习的棉花叶面积指数监测[J]. 农业工程学报, 2021, 37(13): 152-162. doi: 10.11975/j.issn.1002-6819.2021.13.018 [120] 杨明欣, 高鹏, 陈文彬, 等. 基于机器学习的油青菜心水分胁迫研究[J]. 华南农业大学学报, 2021, 42(5): 117-126. [121] BAEK I, KIM M S, CHO B K, et al. Selection of optimal hyperspectral wavebands for detection of discolored, diseased rice seeds[J]. Applied Sciences, 2019, 9(5): 1027. doi: 10.3390/app9051027
[122] 郭祥云, 台海江. 深度学习在大田种植中的应用及展望[J]. 中国农业大学学报, 2019, 24(1): 119-129. doi: 10.11841/j.issn.1007-4333.2019.01.16 [123] GRINBLAT G L, UZAL L C, LARESE M G, et al. Deep learning for plant identification using vein morphological patterns[J]. Computers and Electronics in Agriculture, 2016, 127: 418-424. doi: 10.1016/j.compag.2016.07.003
[124] 卢涵宇, 胡超, 张涛, 等. 基于深度学习的高分辨率遥感影像分类研究[J]. 广西大学学报(自然科学版), 2020, 45(2): 328-335. [125] SLADOJEVIC S, ARSENOVIC M, ANDERLA A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J/OL]. Computational Intelligence and Neuroscience, (2016-05-29)[2022-09-28]. http://dx. doi.org/10.1155/2016/3289801.
[126] 朱允君. 大数据在智慧农业中研究与应用展望[J]. 中国新通信, 2020, 22(16): 108. doi: 10.3969/j.issn.1673-4866.2020.16.099 [127] BHAT S A, HUANG N F. Big data and AI revolution in precision agriculture: Survey and challenges[J]. IEEE Access, 2021, 9: 110209-110222. doi: 10.1109/ACCESS.2021.3102227
[128] 孙九林, 李灯华, 许世卫, 等. 农业大数据与信息化基础设施发展战略研究[J]. 中国工程科学, 2021, 23(4): 10-18. [129] 陈桂芬, 李静, 陈航, 等. 大数据时代人工智能技术在农业领域的研究进展[J]. 吉林农业大学学报, 2018, 40(4): 502-510. [130] 何清, 李宁, 罗文娟, 等. 大数据下的机器学习算法综述[J]. 模式识别与人工智能, 2014, 27(4): 327-336. doi: 10.3969/j.issn.1003-6059.2014.04.007 [131] 贾继增, 高丽锋, 赵光耀, 等. 作物基因组学与作物科学革命[J]. 中国农业科学, 2015, 48(17): 3316-3347. [132] WU F, LI A, HE S, et al. Research on measurement and control system of common parameters of agricultural equipment based on wireless transmission[J]. International Journal of Agricultural and Environmental Information Systems, 2021, 12(2): 73-86.
[133] ROUKH A, FOTE F N, MAHMOUDI S A, et al. Big data processing architecture for smart farming[J]. Procedia Computer Science, 2020, 177: 78-85. doi: 10.1016/j.procs.2020.10.014
[134] TUMMERS J, KASSAHUN A, TEKINERDOGAN B. Reference architecture design for farm management information systems: A multi-case study approach[J]. Precision Agriculture, 2021, 22(1): 22-50. doi: 10.1007/s11119-020-09728-0
[135] 江顺, 陈荣宇, 林伟君, 等. 基于大数据的智能农业云服务平台设计与实现[J]. 安徽农业科学, 2022, 50(16): 190-197. -
期刊类型引用(6)
1. 张亚莉，莫振杰，田昊鑫，兰玉彬，王林琳. 基于改进APF-FMT~*的农业机器人路径规划算法. 华南农业大学学报. 2024(03): 408-415 . 
本站查看
2. 岳光，任琳，郭靖宇，潘玉田，雷欢，葛林. 基于神经网络算法的水陆两栖无人艇控制系统研究. 兵器装备工程学报. 2024(05): 231-238 . 百度学术
3. 白晓兰，袁铮，周文全，张振朋. 移动机器人路径规划算法研究综述. 机械工程师. 2024(08): 24-28+33 . 百度学术
4. 黄淼，郝真鸣，冉宁，戴少石，郝晋渊. 配电室巡检机器人多目标点路径规划算法. 电子测量技术. 2024(16): 49-57 . 百度学术
5. 崔溦，吕鸿贤，李志竑，陈阳. 冰期渠道防结冰曝气装置运行方式多目标智能优化. 水资源与水工程学报. 2024(06): 131-138 . 百度学术
6. 白晓兰，袁铮，周文全，张振朋. 混合遗传算法在机器人路径规划中的应用. 组合机床与自动化加工技术. 2023(11): 15-19 . 百度学术
其他类型引用(9)
计量
- 文章访问数:
- HTML全文浏览量: 0
- PDF下载量:
- 被引次数: 15
