数据驱动的蛭石为无人机精密害虫管理分布建模

1介绍

与无人机(uav)驱动的例子包括水和空气样本集合(西方和金柏,2015年;Koparan et al ., 2018),以及在农业、无人机驱动包括农药喷雾应用程序(垫片et al ., 2009;吉尔和计费,2015年;雪et al ., 2016;Xiongkui et al ., 2017;Yallappa et al ., 2017;Yun et al ., 2017;Ukaegbu et al ., 2021)和分布的生物控制剂(Spoorthi et al ., 2017;Iost球场et al ., 2020;詹et al ., 2021)。有两个基本原因无人机驱动解决方案正在开发和商业化农业应用程序:1)减少运营成本,因为无人机驱动可能取代劳动密集型程序,和2)作为推广精准农业的一部分,更高的可能性precision-delivery杀虫剂和/或生物控制剂与新兴害虫爆发within-field热点图1)。precision-delivery增加农药和/或生物防治制剂可能导致减少运营成本,减少风险的农业实践在周围不良环境和健康影响非农业环境和城市地区。几个重要的和多方面的因素似乎支持这样的观点:无人机驱动将在21世纪发挥重大作用的许多方面农业:1)无人机技术继续改善飞行性能,硬件耐久性、电池和飞行时间和最大载荷,2)有增加获得必要的培训和认证的方法,3)立法和许可飞无人机正变得更清晰,更容易遵守,和4)成本的无人机系统停滞或下降。

尽管上述理由支持普遍承认的承诺和潜在的无人机驱动,同样重要的是强调当前的挑战和不足。在农药应用和分布的生物控制剂,主要挑战之一是直接联系1)无人机飞行之间复杂的相互作用(速度、方向和高度),2)风(速度和方向相对于无人机飞行路径),和3)驱动对象(喷雾液滴的大小、形状和密度和/或生物防治剂)。在一系列的研究中,秦et al。(秦et al ., 2014,2016年)收集的数据的总体分布均匀的液滴内作物的树冠,然后使用风速、风向,无人机高度,无人机的速度和解释性变量液滴分布的均匀性。他们的模型能够成功地描述累积分布的液体农药,但他们的模型没有空间液滴分布的特点。泰斯科等。Teske et al ., 2019)开发和测试一个模型来描述一维(垂直飞行路径)蛭石的分布函数的风速和风向,无人机高度和前进速度。使用这些解释变量,模型验证了一般化误差为12.8%,平均均方根误差。优化无人机驱动可能依赖于现有的这些复杂交互建模,也面临类似的挑战当无人机用于交付和减少供应在抢险救灾任务(时候伸出,2015;古普塔et al ., 2020森林大火)和阻燃剂的分布(Ausonio et al ., 2021)。

在这项研究中,我们研究了一种低密度材料的二维分布的假设,蛭石¹从盘旋的无人机可以准确建模基于以下解释变量:无人机高度、风速、风向和分发器设置(孔径大小和流量)。蛭石被选为模型药物,因为它是一个轻量级(低密度)矿物,因此极易受到飞行参数和环境条件。此外,蛭石无人机分布通常是用作载体的生物控制剂。虽然在这个研究焦点是蛭石,我们认为该模型框架提出了具有广泛的关联其他无人机驱动应用程序涉及低密度材料。

2材料和方法

在本节中,我们将描述一系列的实验进行了系统地收集数据,可以充分描述蛭石分布之间的关系和独立因素/变量的集合,例如,无人机高度、风速和风向,蛭石分发器设置。

2.1实验硬件和软件

在这项研究中使用的无人机是一个收翅膀S1000 + Octocopter蔓延。这是加装PIXHAWK2无人机自动驾驶仪飞行控制器a +车辆GPS探测器模块和一个遥测模块。一个FrSky X8R ACCST遥测接收机也安装在无人机的无人机也可以手动控制与手持无线电控制(RC)发射机。

一个专门设计的蛭石调剂机制称为“Bugbot”无人机(见下面图2)“Bugbot”,专门为无人机提供捕食螨(Phytoseiulus persimilis)目标位置,包括三个主要组件:蛭石容器,内部混合机制,3 d打印分发机制。这是我们之前设计的更新版本(Teske et al ., 2019)以下四个改进:1)容器被改变从3.5升多面体与多个棱角12-liter水平旋转对称容器,2)新材料制成的容器是不容易产生静电,使蛭石顺畅流动。3)分发器是由一个电机驱动的恒速桨轮装置和电机驱动的滑块,这不仅可以打开任意角度通过wi - fi控制容易分配不同的卷,但也完全消除旧的设计,蛭石的问题被困期间和停止桨轮操作。4)混合机制是一个初次设计,不存在旧版本,它可以把蛭石和捕食性螨更穿制服的分配器的分配。虽然流量只有从原来的5.67 g / s改为5.95 m / s,这似乎是一个小进步,但我们的新Bugbot设计提供了一个更大的容器体积,更均匀的分配流量和体积改变分配的能力。图3显示了计算机辅助设计(CAD)模型Bugbot。

两个对称锥形的部分连接在一起,在周长3 d印刷部分形成Bugbot容器的身体。围上厚厚的丙烯酸基山是用来把Bugbot无人机。蛭石可重新装填通过限制打开的容器。调剂机制由一个亚克力板,可以揭示一个矩形孔旋转到第二个亚克力板,连接到容器的底部。覆盖的数量,从全开到完全关闭,由伺服电机和齿轮控制减少移动的压克力板。电机控制由Arduino Nano AT32连接到覆盆子π,都安装在无人机,通过命令来旋转压克力板预定义的开口大小为预定义的开放时间通过一个本地无线网络发送。这样,蛭石体积分配可以由不同的组合控制开放时间的开放领域。

一旦添加到容器与蛭石混合物,捕食螨可能移动和聚合,从而导致非线性相关性配药蛭石和掠夺性螨虫。静电容器内可能会加剧这一问题。因此,不断搅拌的蛭石是必需的。因此,旋转机制设计内部容器用钢杆穿过容器水平的中心,和一个连续的360度30公斤评级的伺服电机的中间杆可旋转杆以恒定速度。两组钢鳍被附加到这个不断旋转杆,一组容器的两侧,帮助把蛭石。这种混合机制提供了两个好处:1)一个更统一的分配流量和2)运动的蛭石,确保捕食螨是均匀分布在飞行和调剂。

2.2现场数据收集

字段数据在戴维斯从9月到2021年10月,加州。风速和风向数据记录使用一个年轻的91000型ResponseONE超声波风速计、采样频率为20 Hz。风速计是安装在一个可伸缩天线推高桅和放置在同一高度的无人机的飞行高度实验。对于精度的目的,风速计是放置在一个短的距离无人机的飞行路径和其高度保持不变在野外数据收集事件。气象数据包括风速(w)数据在m / s和风向(α度)数据。他们可以很容易地转换为风速组件w_E和w_N在东部和北部的方向:w_E=−wsin(α),w_N=−海关组织(α)。实验设计不符合南北方向:积极的一面y董事会的方向,正如2.2节中提到的,λ= 157度。风使收集的数据更直观,数据转换为两个组件沿x和y轴:w_x=w_E因为(λ)−w_N罪(λ),w_y=w_E罪(λ)+w_N因为(λ)。

在实验期间分发事件,无人机是不停地盘旋。悬停位置自动控制的路径点设置在一个软件叫做任务规划者在Windows。因为风力条件变化影响的稳定性无人机盘旋时,确保路标的准确性无人机时分发蛭石,无人机的PID控制器的参数调整与风在所有实验的存在。此外,实时运动学地面站GPS (RTK)能力+成立在三脚架上的固定位置有足够的天空覆盖在实验领域获得良好的卫星信号,实时生成精确位置估计在厘米。为了收集地面分布数据的蛭石的无人机,室外实验进行图4显示了试验田站点和设备安装。每个分发事件期间,无人机任务规划控制的悬浮在一个路标上面相同的偏航角飞行试验。RTK GPS校准每个飞行事件之前确保无人机的盘旋路点的准确性。wi - fi路由器成立计算机软件领域的VNC查看器与Bugbot和发送调剂通信命令。图5展示了我们的数据采集系统。

胶合板的董事会0.6米的正方形,每0.15米的差距从对方,方便放置和标识,被放置在一个5 5网格上的25煤渣块tarp。离地面高程的董事会进行减少交叉污染泥土或草或累积蛭石在地上。为了使分发轻量级蛭石呆在在董事会和防止被风吹走或无人机螺旋桨的漩涡,每个董事会地毯覆盖保护胶带,胶面朝上,获得与粘合剂剪辑。每个蛭石分发事件之后,一个0.6米的正方形新闻纸是放置在每个25胶带覆盖和保护蛭石收集。

在每个分发事件,无人机徘徊在董事会的矮胖的网格的中心,并为3 s分发蛭石。我们实验的自变量:1)无人机的海拔h2)分发器的开放领域年代和3)风速w和方向α。我们测试了两种不同的无人机高度:3.5和4 m和两个不同的分发器开放面积:100和75%。高度被选为这些值,这样他们既不太高,风会吹的大部分蛭石板面积,也不能太靠近板,收集到的数据将影响涡由无人机的螺旋桨。分发器开放地区的选择基于测量蛭石大众摒弃不同开口(3 s)。100年和75%开放地区的群众分发17.85和7.56 g,分别为我们的分析目的是合适的值。每个无人机高度和分发器开放区域进行多次与不同的风力条件好几天。共有22个蛭石配制试验进行。实验设置和数据收集过程的一段视频在YouTube上:https://youtu.be/st_apuEBtJg。

2.3图像分析和数据校准

蛭石的字段数据分布胶粘纸基于图像分析进行了分析。此外,每一个0.6米的平方平方数据文件分为四个象限,每个象限内0.2米的广场是lightboard成像。每个象限贴上了行,列,试验数量,和方向信息字段,可以映射到它的位置的网格板。lightboard可以照亮周围的空白蛭石,蛭石的出现在黑暗与背景(见图6)。图像使用一个叫做ImageJ软件进行分析,在图像分析过程在每个图像自动进行以下分析:1)把它转换成一个二进制图像(见图6 b)、2)作物和暗粒子区域(见3)计数图6 c)。ImageJ粒子分析,选择循环值为0.30 - -1.00,消除工件,如皱纹,和污染,如昆虫或纸草。粒子数的大小被设置为0 - 10000平方像素,代表中等年级蛭石的粒度范围使用。

为了与蛭石质量在每个象限ImageJ探测到的像素区域,进行了标定实验。创建校准样品使用相同的地毯保护胶带用于实验和覆盖着相同的新闻纸胶粘剂。三个重复校准与蛭石象限内0.2米的正方形区域是每个10个不同的蛭石的质量:0,0.010,0.020,0.040,0.080,0.160,0.320,0.640,1.280,和2.560 g。这些值是根据像素的分布地区在所有户外实验数据,分析的论文有较小的像素区域和更少的与更大的像素区域。测量最小的考虑是没有蛭石对噪声像素区域从纸张的不均匀的材料。最大的质量被选中,这样它的像素面积比的最大值在所有户外实验象限。平衡精度为0.001 g是用来测量中使用的大量的蛭石标定实验。

一个线性校准曲线斜率年代_c是6.3249×10⁵g / m²的平方值0.9996)表明,图像analusis可以用来准确地估计蛭石密度g / m²每个图像的像素区域(见图7)。

3数据驱动的蛭石分布的建模方法和结果

基于风速和风向,无人机高度,和分发器开放区域作为解释变量,(即二维分布。蛭石分散的空间密度函数)模型由一个盘旋的无人机。首先,我们配合实验现场数据(22飞行任务和数据从25董事会每个事件)高斯函数;其次,标准机器学习部署优化模型参数。

3.1高斯分布拟合

图8显示了两个具有代表性的蛭石分布的情节。1所示图8 c, D展品只有一个峰值,而另一方面,所示图8 a, B展品两座山峰,一个比另一个更明显。所有22个试验,18日只有一个峰值,4有两个高峰,没有超过两个峰值。此外,第二个峰值的大小,如果他们存在,总是不到30%的相应的第一个高峰。最后,多个山峰的存在可能引起的风特性,在试验期间主要风向和风速的变化,如蛭石从无人机。因此,对于四个试验有两个高峰,我们只保留和研究他们的主要山峰。我们将调用数据集删除第二个高峰”进行后期处理。

所有字段数据进行后期处理22套蛭石密度具有bi-variate高斯分布的特点,以下哪一个指数函数可以表示为:

在这里d蛭石的密度在g / m²。x和y(每个高度的函数h(m))是相对的x和y坐标的董事会由5网格。积极的y方向是λ= 157度向北方向。μ_x和μ_y的平均值吗x和y,分别。σ_x和σ_y的标准推导吗x和y,分别。ρ之间的相关性x和y。一个表示在像素区域峰值。最后,年代_c校准曲线的斜率是2.3节中提到的。

两岸的自然对数情商。生成一个ln的线性方程d(x,y)和变量x,y,xy,x²,y²(郭,2011):

因此,高斯分布函数的参数一个,μ_x,μ_y,σ_x,σ_y,ρ在情商。以下与系数的关系吗一个_我(我= 0,1,2,3,4,5)的多项式函数情商。:

一个主要的优势情商。是线性的,结束了情商。非线性,是前者,允许我们用标准线性最小二乘回归确定系数 ${\mathrm{一个}}_{我}^{\prime }\mathrm{年代}$ 。重要的是,一个_我值不同飞行事件不同,由于独立变量的不同组合,如无人机高度和分发器设置。确定个人一个_我每个字段的值的数据集,每个样例象限(蛭石的位置x,yln)和蛭石的自然对数密度d(x,y)在每个象限中使用的最小二乘回归。此外,bi-variate高斯分布可以由每个分配试验转换lnd(x,y)回d(x,y)。图9显示了所有的平方值的回归结果,试验。所有R²值高于0.9,表明 ${\mathrm{一个}}_{我}^{\prime }\mathrm{年代}$ 由线性回归,足够精确代表原始数据的最大峰值分布。图10显示了蛭石一个代表场的分布数据集及其对应的高斯分布。

3.2分布系数的学习

一个_我值确定形状bi-variate高斯分布对不同领域的数据集。他们受到以下因素的影响(独立变量):1)无人机高度(h),2)风速x和y方向(w_x和w_y),3)Bugbot分发器开区(年代)。考虑到这些输入向量 ${\mathbf{X}}_{我}≔{(c,h,w_x,w_y,\mathrm{年代}]}^{\prime }$ 和相应的输出向量 ${\mathbf{Y}}_{我}≔{({\mathrm{一个}}_0,\dots ,{\mathrm{一个}}_5]}^{\prime }$ (一对输入-输出一个试验),一个函数f减少一个预定义的成本函数,比如均方根(RMS)的功能 $C({\mathbf{X}}_{我},{\mathbf{Y}}_{我})≔{\sum }_{我=1}^N{({\mathbf{Y}}_{我}-\mathbf{f}({\mathbf{X}}_{我}))}^2$ 使用,N是试验的数量(在我们的例子中22日)。

在哪里C是一个未知矩阵需要确定。可能会增加预测的准确性这个矩阵添加第三和高阶术语h,w_x,w_y,年代特征向量 ${\bar{\mathbf{X}}}_{我}$ (弗里德曼et al ., 2001)。但这将使模型更昂贵的在线计算。此外,我们将展示后,模型的二阶特性是足够准确的精度害虫管理应用程序。

与一个_我价值观决定在3.1节中,线性最小二乘回归与交叉验证用于15条款的所有可能的组合 ${\bar{\mathbf{X}}}_{我}$ (有 ${\sum }_{n=1}^{15}{C}_{15}^n=\mathrm{32767年}$ 在总组合)。分析随机选择20日进行交叉验证试验。剩下的2场数据集用于测试(见4.1节)。为每个分析(在我们的例子中20倍)交叉验证,19场数据集被用来训练模型,和其余字段数据集被用来选择特性的组合 $C_{15}^{n_{我}}$ )最好的验证性能。学习函数,即Eq。9,如下:

4讨论

4.1模型验证

学习了数据驱动模型,即情商。表现良好,验证:之间的均方根 ${\mathrm{一个}}_{我}^{\prime }\mathrm{年代}$ 从实验和获得这些预测的模型仅为13.91%(见图11)。进一步评估我们的学习模型的鲁棒性,我们测试了其预测性能基于测试数据(不包括2试验模型训练)。图12显示结果为这两个字段的数据集(数字12 a, B第一集和数字12 c, D在第二个),表1显示了第二组的实验和预测参数值(第一组)的性能是相似的。图12显示位置和形状的预测分布与实际实验场数据保持一致。因此,学习模型提供准确的预测从盘旋的无人机蛭石的密度分布。

4.2限制和提出解决方案

在模型训练过程中,只有最大峰值的领域数据集使用。因此,在一些航班(删除了两个或两个以上的山峰),实际分发卷略不同于那些用于分析。此外,我们注意到,在相对较高的风速,少量蛭石被地区的董事会网格(我们试图缓解这一问题通过移动网格板进一步顺风)。最后,董事会差距为简单起见,标签董事会。然而,这种设置了蛭石dis-continuous分布数据。未来的研究可能是一个更好的实验设置:1)利用连续板覆盖面积较大的反风的变化,2)使用较短的自动售货机操作期间减少风力条件变化的影响在蛭石分布,3)将收集到的样本划分为更多的碎片,而不是目前的象限,提供更多的数据点,这可能会导致平滑轮廓和更好的模型(有数据)。

本研究只关注风速和风向的影响。然而,蛭石配药,至少部分,受温度和环境湿度的影响。因此在未来的研究中,这些非生物变量的建模和参数化应该添加到实验设计。

本研究是基于实验数据收集与无人机。未来的实验研究需要,飞行速度和方向与风向都考虑进去。

4.3未来控制器设计和相关应用程序

我们的学习模式,由于其预测能力和简单的分析形式,可以很容易地适应其他无人机驱动的目的。即precision-delivery无人机的材料不仅是重要的农业害虫管理和限制。此外,无人机的原型包裹递送系统被开发和测试(罗梅罗et al ., 2016)。支持救援的紧急行动和灾难管理(时候伸出,2015),使用无人机提供血液、药物和其他保健产品位置访问的道路或水的方式。同样,创新skyport可以部署无人机交付预期的位置(古普塔et al ., 2020)。另一个流行的交货使用无人机是降低阻燃剂或传播灭火液体火灾面前,这需要建模的风速和风向,负载由无人机,以及无人机的时间到达火前,为了使材料达到发布的消防灭火前最好地址与无人机目标(Ausonio et al ., 2021)。在其他情况下核事故、危险物质泄漏,洪水和地震(时候伸出,2015),它是困难的和危险的对人类的积极参与,不仅可以使用无人机监控动态情况下,他们还可以提供有用的材料来抑制和降低风险。进一步改善这些和类似的无人机驱动的应用程序,精度交货是需要解决的最重要的挑战之一,和准确建模的风速和风向是这类研究的基础工作。

5的结论

配制的轻质材料,如蛭石,从飞行或盘旋无人机(即不可避免受到无人机飞行设置。、速度和高度)和被风参数(如速度和方向与无人机fliht路径方向)。没有准确建模的材料分布作为这些解释变量的功能缺失,precision-delivery明显受损的可能性。基于实验场数据,数据驱动的蛭石分布模型与机器学习技术的开发和优化。结果证实,2 d蛭石分布从盘旋的无人机可以准确地预测。模型可以用来优化无人机的控制害虫管理、蛭石的分布可以用该模型预测实时和无人机自动控制器可以使用这些信息来提供所需的农药量目标的位置。

数据可用性声明

原始数据支持了本文的结论将由作者提供,没有过度的预订。

作者的贡献

海里,是,CN和ZK构思这个概念。点,GB,美联社,SY Bugbot分配器的设计和制造。所有设计实验和参与了数据收集。海里,GB,美联社,SY进行图像分析和数据校准。纳米、CN和ZK开发了数据驱动的建模方法和模型。所有参与写作手稿。

资金

支持的工作是加州农药监管部门(批准号:18-PML-R004)。

确认

我们要感谢彭,Ziquan邓,Taek马律,和Prabhash Ragbir户外数据收集他们的帮助。

的利益冲突

作者声明,这项研究是在没有进行任何商业或财务关系可能被视为一个潜在的利益冲突。

出版商的注意

本文表达的所有索赔仅代表作者,不一定代表的附属组织,或出版商、编辑和审稿人。任何产品,可以评估在这篇文章中,或声称,可能是由其制造商,不保证或认可的出版商。

脚注

¹捕食螨,如persimilis,活着,一种矿物介质,称为蛭石,用来装。

引用