利用低空无人机获取农田信息,具有实时以及灵活性高、成本低等优势。为快速、精确监测大田规模化种植作物的生长发育状况,以四旋翼无人机为平台,结合数字图像技术,建立快速获取大田烟株中前期图像的方法。结果表明,在天空辐射条件较稳定的条件下,采用较低的飞行高度(如20m)航拍获取田块图像,能够得到清晰的拼接图像和三维重建效果;采用基于决策树的植被分割算法将烟草和非植被部分分割后,得到较高精度的大田植株图像。在此基础上进行大田烟草缺苗数估测,所估算的缺苗数与实测值吻合较好。

在农业院校及相关科研生产单位中，无人机被广泛应用于果园的农情信息获取，但现有消费级无人机通常只装配RGB相机，常规的定高飞行随着距离增加可能出现不稳现象，导致数据偏差，影响后续计算分析。该文基于自行开发的无人机平台，装配Nvidia开发板搭载RGB-D相机，设计果园多参数获取实验。该无人机平台能够完成果园RGB-D数据的实时监测、多个参数数据获取及存储等功能，学生可通过参数获取实验中的实际操作实现相关基础知识和理论学习，同时，该无人机平台各部件易拆装且留有开源端口，便于学生进行自主研发。经大量测试及优化后，结合RGB-D技术的无人机平台精度满足教学科研要求，结合深度学习方法开展果园中苹果树的多参数估测实验案例研究（包括果树树高、冠幅长和冠幅宽），以期为本科、研究生的教学科研工作的开展提供支撑。

针对四旋翼无人机编队变换能耗优化仿真教学，该文以多无人机编队切换应用中存在无人机能耗不平衡的案例作为典型教学内容，提出了基于无人机编队能耗优化的仿真教学模式，设计了无人机集群编队队形变化能耗最优仿真教学总体方案，阐明各个无人机无碰撞地驶向目标点的实现思路。搭建的仿真教学实例有效地解决了无人机编队飞行时间短的问题。此设计已经用于研究生“无人机控制技术”的课程教学，可激发学生在传统算法上进行优化的创新思维。

随着无人机航空摄影测量技术的成熟和发展,改变了传统森林调查的手段,加快了森林调查的数字化、智能化发展。为提高单木因子的采集效率和精度,降低外业的工作强度,基于倾斜摄影测量技术,以多旋翼无人机为数据采集平台,实现了孤立单木的三维点云模型重建。在此基础上,建立了单木三维信息量测算法,提出切割法和投影法两种提取树冠投影面积的方法,并提取树高、树干任意处直径、树冠投影面积、冠幅、树冠表面积、树冠体积6项测树因子参数。结果表明:1)树木的总高度和第一枝下高的提取精度分别为96.28%和95.61%,胸径和上部直径的提取精度分别为96.24%和93.78%;2)利用切割法和投影法提取树冠投影面积的精度分别为96.28%和98.24%,提取冠幅的精度分别为89.65%和91.50%,提取树冠表面积的精度分别为96.78%和97.58%,提取树冠体积的精度分别为94.29%和96.14%;3)实践证明,该技术可很好地应用到古树名木的保护工作中,并可对森林调查的方式提供新的技术参考,具有较高的现实意义和实际应用价值。

植被盖度是反映植被基本情况的客观指标和重要参数。本研究在对比8种常用的可见光植被指数计算草地盖度精度的基础上，发现这些植被指数对荒漠草地的植被盖度估测效果较差，因此提出一种适用于荒漠草地植被盖度估测的荒漠植被指数(DVI)，并评价了不同植被指数对不同草地类型的植被盖度估测效果，分析了不同草地类型阈值取值的变化情况。结果表明：1)所选植被指数对草甸草地和典型草地的盖度估测效果均较好，精度较高(准确率>90%,F1得分> 0.9)。草甸草地中超绿指数(Ex G)的盖度估测效果最好(准确率> 93%,F1得分> 0.95)，典型草地中各植被指数无明显差异，但对荒漠草地植被盖度估测效果较差，精度较低(F1得分≤0.6)。2) DVI对荒漠草地植被盖度估测精度较高(准确度> 93%,F1得分达到0.71)，能够有效弥补上述植被指数的缺陷。3)绿叶指数(GLI)和植被颜色指数(CIVE)的阈值对草地类型敏感性最弱；Ex G、超绿超红差分指数(Ex GR)、植被因子指数(VEG)、Woebbecke指数(WI)等植被指数的阈值对草甸草地和典型草地的敏感性较弱，但对荒漠草地的敏感性较强；组合指数(COM)和Lab指数(Lab)对草地类型的敏感性最强。

针对无人机培训教学的需求,研制了一款适用于无人机教学的全尺寸四旋翼无人机教学平台,并开发了配套的课程。该平台实现了将无人机带入课堂,并真实飞行,增加了无人机操作的安全性和便捷性。配套课程能够通过与无人机互动实现相关基础知识和理论的学习。该平台建立了逼真的飞行操作环境,具备教学和实时显示功能,可完成无人机的各种训练操作程序,既满足培训要求,又节约费用、降低风险,可以大大提高无人机培训效率,缩短培训时间。

随着无人机作业工况复杂性的提升，对其控制精度提出了更高要求，需结合多种因素对无人机控制系统和结构特性进行建模并开展改进研究。该文章提出了基于虚拟力分析的全柔性共轴旋翼无人机路径跟踪方法：首先，基于旋翼柔性变形的受力形变模型构建全柔性共轴旋翼无人机动力学模型；然后，依据虚拟力分析方法制定虚拟力反馈控制律，并利用长短时记忆网络实现基于虚拟力反馈无人机路径跟踪；最后，开展模型特性分析及仿真实验，验证了所提方法在抵抗外界干扰方面具有有效性和鲁棒性。

【目的】氮素的精准监测和合理施用对小麦健康生长、产量及品质提升、减少农田环境污染与资源浪费尤为重要。为精准监测小麦生长关键生育期植株氮含量，探索机器学习方法构建的植株氮含量预测模型的迁移能力。【方法】小区试验于2020—2022年在河南省商水县开展，在冬小麦拔节期、孕穗期、开花期和灌浆期，采用M600大疆无人机搭载K6多光谱成像仪获取5波段（Red、Green、Blue、Rededge、Nir）多光谱影像。基于5个波段冠层反射率提取20种植被指数和40种纹理特征，采用相关分析从65个影像特征中筛选冬小麦植株氮含量敏感特征。基于筛选出的敏感特征，采用BP神经网络（BP）、随机森林（RF）、Adaboost、支持向量机（SVR)4种机器学习回归方法构建植株氮含量预测模型，并对模型预测效果和在不同水处理条件下模型的迁移预测能力进行分析。【结果】（1）植株氮含量与影像特征的相关系数通过0.01极显著水平检验的包括22个光谱特征和29个纹理特征。（2)4种机器学习回归方法构建的冬小麦植株氮含量预测模型存在差异，RF和Adaboost方法预测植株氮含量集中于95%的置信区间，多分布于1:1直线附近，而BP和SVR方法预测的植株氮含量分布相对较为分散；RF方法构建的预测模型R ~2最大，RMSE最小，MAE中等，分别为0.81、0.42%和0.29%;SVR方法构建的预测模型R ~2最小，RMSE和MAE较大，分别为0.66、0.54%和0.40%。（3）以W1处理（按需灌溉）实测植株氮含量为训练集，采用BP、RF、Adaboost和SVR方法构建的模型对W0处理冬小麦植株氮含量迁移预测R ~2分别为0.75、0.72、0.72和0.66；以W0处理（自然状态）实测植株氮含量为训练集，BP、RF、Adaboost和SVR方法构建的模型对W1处理冬小麦植株氮含量迁移预测R ~2分别为0.51、0.69、0.61和0.45。【结论】4种机器学习方法构建的冬小麦植株氮含量预测模型均表现出了较强的迁移预测能力，尤以RF和Adaboost方法构建的模型预测效果和迁移能力为好。

针对四旋翼无人机飞行过程中遇到信号干扰时姿态控制性能变差的问题,设计了基于串联模糊自整定PID控制器。系统采用串级PID控制算法,在内环角速度控制器中加入了模糊自整定PID参数控制器,提高了系统稳定性和抗干扰能力。在无人机飞行控制实验过程中响应速度快,振荡幅度小,缩短了系统稳定的调整时间。在该实验系统的基础上开设了本科生开放创新实验——四旋翼无人机控制系统设计,有效提高了学生专业知识运用能力和创新能力。

无人机林地航拍图像具有的分辨率高、数据量大、边缘丰富的特点,造成了特征点配准中误匹配率的增加,因此本文提出了一种新的无人机林地航拍图像序列拼接方法。分形中的间隙度可用于描述图像区域纹理的粗糙程度,本文首先利用间隙度特征选取图像中局部图像块作为候选区域查找特征点,减少了待配准的特征点数量,提高了特征点配准正确率;其次,采用全局拼接技术变换图像,减少传统拼接中矩阵连乘产生的误差的积累和传播。实验中选取了不同拍摄高度的两组图像序列,将本方法与传统的全局SURF特征方法和降采样图像拼接方法进行了对比,结果显示本方

为解决中华绒螯蟹(Eriocheir sinensis)质量依靠人工测量时工作量大、应激反应强及测量精度不高等问题,提出了一种基于无人机图像的中华绒螯蟹质量估算方法。利用无人机拍摄中华绒螯蟹图像,通过图像处理技术提取中华绒螯蟹甲壳特征,计算甲壳面积,将甲壳面积和中华绒螯蟹质量作为参数,利用数据拟合的方法建立质量估算模型。实验结果表明,幂函数回归模型更满足中华绒螯蟹质量估算的要求,模型决定系数R~2为0.9678(P<0.01),在测试样本中的平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(R)分别为14.4722、17.6186、0.9465,精度满足估算要求。基于无人机图像的中华绒螯蟹质量估算方法,可以为中华绒螯蟹的投喂、分级捕获和养殖密度调控等提供良好的指导意义。

主要研究了利用无人机进行无线图像传输中的几种信道衰落问题,提出了运用空时编码技术抵抗信道衰落、提高信道容量的一种新编码方式。试验表明,它可以使频率的利用率显著提高,有效解决广域空间实验过程中无线图像传输的质量问题。

【目的】采用无人机遥感技术对作物进行分类识别,为及时获取农田信息、制定农田管理策略及产量估测提供技术支持。【方法】采用无人机遥感平台,获取试验区域玉米、桃树、菜花、大豆的可见光正射影像;利用HSV色彩空间转换和纹理滤波,获取不同地物的24项纹理特征与3项色彩特征。分别通过ReliefF算法及基于支持向量机的递归特征消除算法(support vector machine-recursive feature elimination,SVM-RFE)进行特征选择与分类,建立6种监督分类模型,利用得到的特征子集对其进行训练,对各模型分类效果进行精度评价。【结果】由SVM-RFE特征子集训练的6种监督分类模型测试集的分类精度均高于80%,分类精度平均提高5.023%,优于ReliefF特征子集训练的监督分类模型,其中SVM-RFE特征子集与支持向量机模型组合对作物的监督分类效果最佳,总体精度达83.417%,Kappa系数为78.60。【结论】基于无人机遥感技术的作物分类识别是可行的。

为高效、精准、及时地获取农作物的空间分布及其面积,建立了基于无人机平台和图像分析的大田作物检测方法:采用小型四旋翼无人机搭载高性能数码相机获取作物图像后,通过图元分割和目视解译获得目标样本,提取其21维颜色特征和3维纹理特征,采用BP神经网络分类器和像素累加法进行作物种类识别和面积测量。试验结果表明,系统对小麦、油菜、蚕豆和大蒜的平均识别率达86%,面积测量的平均相对误差约为9.62%。