一种植保无人机喷洒作业控制系统和方法与流程

1.本技术涉及无人机技术领域，具体涉及一种植保无人机喷洒作业控制系统和方法。


背景技术：

2.近年来，我国农业航空产业发展迅速，植保无人机航空施药作业作为国内新型植保作业方式被广泛应用于现代农业生产中，使农民更轻松地管理农田、喷洒药物。
3.在无人机植保作业过程中，为了保证喷洒作业的控制进度和植保作业均匀度，传统的喷洒控制系统高度依赖于流量计的测量精度。然而在实际应用中不管是叶轮式还是电磁式流量计都有各自的不足，如温度、导电率、流体粘度、强磁场、磨损老化等的影响都有可能导致测量精度下降，进而影响无人机正常的植保作业过程。
4.因此，如何避免流量计精度不足对植保作业的不利影响，成为需要解决的技术问题。


技术实现要素：

5.本技术提供一种植保无人机喷洒作业控制系统和方法，本技术通过引入测量药液的质量，并建立药液流量预测模型，将根据用户设置的药液亩用量和初始药液质量确定的第一喷洒面积，以及根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积输入上述药液流量预测模型，可以确定预测时段内药液的喷洒流量，进而可以提高药液喷洒作业的均匀度。
6.第一方面，本技术提供了一种植保无人机喷洒作业控制系统。本技术实施例提供的植保无人机喷洒作业控制系统包括主控单元、称重单元和喷洒单元。其中，称重单元用于获取药液质量，喷洒单元用于控制药液的喷洒流量。主控单元连接称重单元和喷洒单元，主控单元用于，根据历史喷洒数据确定药液流量预测模型。根据用户设置的药液亩用量和初始药液质量确定第一喷洒面积。根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积。将第一喷洒面积和第二喷洒面积输入药液流量预测模型确定预测时段内药液的喷洒流量。根据预测时段内药液的喷洒流量确定喷洒控制信号。
7.本实施例提供的植保无人机喷洒作业控制系统，通过建立药液流量预测模型，并结合测量药液的质量，将根据用户设置的药液亩用量和初始药液质量确定的第一喷洒面积，以及根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积输入上述药液流量预测模型，可以确定预测时段内药液的喷洒流量，进而可以提高药液喷洒作业的均匀度。
8.结合第一方面，在第一方面的某些实现方式中，历史喷洒数据包括历史作业的药液质量、喷洒流量、喷洒面积和速度信息。进一步地，根据历史喷洒数据确定药液流量预测模型，包括，使用遗传算法训练喷洒流量预测值公式，
，其中，为k+1时刻的喷洒流量预测值，a，b，c为辨识参数，u(k)为k时刻的药液质量，q(k)为k时刻的已喷洒面积，y(k)为k时刻的喷洒流量。
9.结合第一方面，在第一方面的某些实现方式中，在药液流量预测模型的基础上，建立代价函数j(k)，进一步地，将第一喷洒面积和第二喷洒面积输入药液流量预测模型确定预测时段内药液的喷洒流量，包括，根据第一喷洒面积和第二喷洒面积确定代价函数j(k)的最小值，输出预测时段内药液的喷洒流量，其中，， n为植保无人机喷洒作业的预测时域内的时间步长，m为植保无人机喷洒作业的预测时域内的整数， q为实时预测的喷洒面积的误差权重系数。
10.结合第一方面，在第一方面的某些实现方式中，本技术实施例提供的植保无人机喷洒作业控制系统还包括导控单元，导控单元连接主控单元，导控单元用于确定无人机状态信息，无人机状态信息包括速度信息、加速度信息和姿态信息。主控单元用于，获取无人机状态信息，根据无人机状态信息和预测时段内药液的喷洒流量确定喷洒控制信号。
11.在上述技术方案中，通过结合无人机的状态信息和预测时段内药液的喷洒流量确定喷洒控制信号可以进一步提高药液喷洒作业的准确度，改善喷洒效果。
12.结合第一方面，在第一方面的某些实现方式中，根据预测时段内药液的喷洒流量确定喷洒控制信号，包括，获取当前时刻的药液流量。根据当前时刻的药液流量与预测时段内药液的喷洒流量的差值确定喷洒控制信号。
13.结合第一方面，在第一方面的某些实现方式中，主控单元包括模型控制模块、流量控制模块和数据采集模块。数据采集模块用于采集称重单元的药液质量信号和喷洒单元的喷洒流量信号。模型控制模块用于根据第一喷洒面积和第二喷洒面积确定预测时段内药液的喷洒流量。流量控制模块用于确定喷洒单元控制信号。
14.第二方面，本技术提供了一种植保无人机喷洒作业控制方法。本技术实施例提供的植保无人机喷洒作业控制方法包括，根据历史喷洒数据确定药液流量预测模型。根据用户设置的药液亩用量和初始药液质量确定第一喷洒面积。根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积。将第一喷洒面积和第二喷洒面积输入药液流量预测模型确定预测时段内药液的喷洒流量。根据预测时段内药液的喷洒流量确定喷洒控制信号。
15.结合第二方面，在第二方面的某些实现方式中，历史喷洒数据包括历史作业的药液质量、喷洒流量、喷洒面积和速度信息。进一步地，根据历史喷洒数据确定药液流量预测模型，包括，使用遗传算法训练喷洒流量预测值公式，，其中，为k+1时刻的喷洒流量预测值，a，b，c为辨识参数，u(k)为k时刻的药液质量，q(k)为k时刻的已喷洒面积，y(k)为k时刻的喷洒流量。
16.结合第二方面，在第二方面的某些实现方式中，在药液流量预测模型的基础上，建立代价函数j(k)，进一步地，将第一喷洒面积和第二喷洒面积输入药液流量预测模型确定预测时段内药液的喷洒流量，包括，根据第一喷洒面积和第二喷洒面积确定代价函数j(k)的最小值，输出预测时段内药液的喷洒流量，其中，
， n为植保无人机喷洒作业的预测时域内的时间步长，m为植保无人机喷洒作业的预测时域内的整数， q为实时预测的喷洒面积的误差权重系数。
17.结合第二方面，在第二方面的某些实现方式中，获取无人机状态信息，根据无人机状态信息和预测时段内药液的喷洒流量确定喷洒控制信号。
18.结合第二方面，在第二方面的某些实现方式中，获取当前时刻的药液流量。根据当前时刻的药液流量与预测时段内药液的喷洒流量的差值确定喷洒控制信号。
19.第三方面，本技术提供了一种植保无人机，包括上述第一方面及第一方面中任意实现方式的植保无人机喷洒作业控制系统。
20.第四方面，本技术提供了一种计算机可读介质，其上储存有计算机程序，该程序被计算机执行时，计算机执行上述第二方面及第二方面中任意实现方式的植保无人机喷洒作业控制方法。
21.上述第二方面、第三方面和第四方面可以达到的技术效果，可以参照上述第一方面中的技术效果描述，此处不再赘述。
附图说明
22.图1是本技术实施例提供的一种植保无人机喷洒作业控制系统的示意图。
23.图2为本技术实施例提供的一种药液流量预测模型的逻辑示意图。
24.图3是本技术实施例提供的一种植保无人机喷洒作业控制方法。
25.图4是本技术实施例提供的一种无人机的示意图。
26.图5是本技术实施例提供的一种药液流量预测模型的控制过程示意图。
具体实施方式
27.下面将结合附图，对本技术中的技术方案进行描述。
28.在本技术实施例的描述中，除非另有说明，“/”表示或的意思，例如，a/b可以表示a或b；本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。在附图中，相同或相似的标号表示相同或相似的元件或具有相同或相似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本技术，而不能理解为对本技术的限制。
29.本技术中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。下文各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。例如，本技术实施例中，“110”、“210”、“220”等字样仅为了描述方便作出的标识，并不是对系统进行限定。
30.在本说明书中描述的参考“一些实施例”等意味着在本技术的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是
所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
31.在本公开实施例使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开实施例。在本公开实施例和所附权利要求书中所使用的单数形式的“一种”、“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
32.首先介绍本技术的应用场景。
33.近年来，我国农业航空产业发展迅速，植保无人机航空施药作业作为国内新型植保作业方式被广泛应用于现代农业生产中。植保无人机是一种专门用于农业植保作业的无人机，具有操作简便、效率高、成本低等优点，可以有效地替代传统的人工喷药和地面机械喷药方式，提高农业生产效率，降低农药使用量，减少对环境的污染，使农民更轻松地管理农田，节省人力和时间成本。在无人机植保作业过程中，为了保证喷洒作业的控制进度和植保作业均匀度，传统的喷洒控制系统高度依赖于流量计的测量精度。然而在实际应用中不管是叶轮式还是电磁式流量计都有各自的不足，如温度、导电率、流体粘度、强磁场、磨损老化等的影响都有可能导致测量精度下降，进而影响无人机正常的植保作业过程。
34.鉴于此，本技术实施例提供了一种植保无人机喷洒作业控制系统和方法，本技术通过建立药液流量预测模型，并结合测量药液的质量，即将根据用户设置的药液亩用量和初始药液质量确定的第一喷洒面积，以及根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积输入上述药液流量预测模型，可以确定预测时段内药液的喷洒流量，进而可以提高药液喷洒作业的均匀度。
35.为使本技术解决的技术问题、采用的技术方案和达到的技术效果更加清楚，下面将结合附图对本技术实施例的技术方案作进一步的详细描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。
36.此外，本技术实施例描述的植保无人机喷洒作业控制系统为了更加清楚的说明本技术实施例的技术方案，并不构成对于本技术实施例提供的技术方案的限定，本领域普通技术人员可知，本技术实施例提供的技术方案对于类似的技术问题，同样适用。
37.还应理解，本说明书中描述的各种实施方式，既可以单独实施，也可以组合实施，本技术实施例对此并不限定。
38.本技术实施例提供的植保无人机喷洒作业控制系统包括主控单元、称重单元和喷洒单元。其中，称重单元用于获取药液质量，喷洒单元用于控制药液的喷洒流量。主控单元连接称重单元和喷洒单元，主控单元用于，根据历史喷洒数据确定药液流量预测模型。根据用户设置的药液亩用量和初始药液质量确定第一喷洒面积。根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积。将第一喷洒面积和第二喷洒面积输入药液流量预测模型确定预测时段内药液的喷洒流量。根据预测时段内药液的喷洒流量确定喷洒控制信号。
39.图1是本技术实施例提供的一种植保无人机喷洒作业控制系统的示意图。
40.如图1所示，系统100包括主控单元110、称重单元120和喷洒单元130。其中，称重单元120用于获取药液质量，喷洒单元130用于控制药液的喷洒流量。主控单元110连接称重单元120和喷洒单元130，主控单元110用于，根据历史喷洒数据确定药液流量预测模型。根据
用户设置的药液亩用量和初始药液质量确定第一喷洒面积。根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积。将第一喷洒面积和第二喷洒面积输入药液流量预测模型确定预测时段内药液的喷洒流量。根据预测时段内药液的喷洒流量确定喷洒控制信号。其中，主控单元110包括模型控制模块111、流量控制模块112和数据采集模块113。数据采集模块113用于采集称重单元的药液质量信号和喷洒单元的喷洒流量信号。模型控制模块111用于根据第一喷洒面积和第二喷洒面积确定预测时段内药液的喷洒流量。流量控制模块112用于确定喷洒单元控制信号。
41.在一些实施例中，系统100还包括导控单元140，导控单元140连接主控单元110，导控单元140用于确定无人机状态信息，无人机状态信息包括速度信息、加速度信息和姿态信息。主控单元用于，获取无人机状态信息，根据无人机状态信息和预测时段内药液的喷洒流量确定喷洒控制信号。
42.在一些实施例中，历史喷洒数据包括历史作业的药液质量、喷洒流量、喷洒面积和速度信息。具体地，主控单元110通过收集作业控制系统历史喷洒数据，包括历史作业的药液质量、喷洒流量、喷洒面积和速度信息。
43.本技术实施例中，主控单元110采用模型预测控制(model predictive control，mpc)算法对植保无人机喷洒作业控制系统进行控制， mpc算法利用数学模型的预测来驱动决策，被广泛应用于工业和制造业，以及机器人控制、能源管理、交通控制等领域。其基本思路是利用数学模型预测未来一段时间内的系统动态行为（包括输入变量和输出变量），以此来生成最优控制策略。在每个时刻，mpc都会重新预测未来的行为，并定期更新控制策略。
44.具体地，根据药液质量、喷洒流量计算理论喷洒面积，最终与对应时刻的药液流量形成训练样本数据，使用遗传算法训练喷洒流量预测值公式。
45.，其中，为k+1时刻的喷洒流量预测值，a，b，c为辨识参数，u(k)为k时刻的药液质量，q(k)为k时刻的已喷洒面积，y(k)为k时刻的喷洒流量。
46.最终该实施例训练后的预测模型如下：，其中，c1代表初始药液质量，c2代表药液亩用量，
△
t代表控制步长，例如5分钟，代表预测药液流量，y代表实时药液流量，m为植保无人机喷洒作业的预测时域内的整数，m＝0，1，
…
，n-1。
47.图2为本技术实施例所提供的一种药液流量预测模型的逻辑示意图，在确定药液流量预测模型的基础上，收集植保无人机喷洒作业信息，主要是药液质量、药液的喷洒流量。进一步地，还包括无人机状态信息，例如速度信息、加速度信息和姿态信息。当结合速度信息时，无人机速度越快，计算的喷洒面积越大，同时药液的喷洒流量越大。通过结合无人机状态信息可以进一步提高模型精度。
48.进一步地，在药液流量预测模型的基础上，建立带有约束的代价函数j(k)，通过结合实时预测的喷洒面积，使该函数在预测时域内最小来尽可能优化药液的喷洒流量以达到理论喷洒面积。
49.代价函数为：，其中，n为植保无人机喷洒作业的预测时域内的时间步长，示例性的，n＝60，即植保无人机喷洒作业的预测时域的时间步长为60分钟，m为植保无人机喷洒作业的预测时域内的整数， y为喷洒流量，q为实时预测的喷洒面积的误差权重系数。约束为：u
min
≤u(k+m)≤u
max
，m＝0，1，
…
，n-1。其中u
min
和u
max
为分别药液质量的最小值和最大值。
50.在初始状态下，主控单元110在确定药液流量预测模型后，根据用户设置的药液亩用量和初始药液质量确定第一喷洒面积。应理解，初始状态是指植保无人机进行喷洒作业之前的状态，初始药液质量是指植保无人机进行喷洒作业之前的药液质量。即第一喷洒面积为根据用户设置的药液亩用量和初始药液质量计算的理论喷洒面积。
51.在进行喷洒作业时，主控单元110根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积。应理解，根据药液亩用量、当前药液质量可以实时确定剩余可喷洒面积，通过计算该剩余可喷洒面积和药液已喷洒面积之和，确定第二喷洒面积。第二喷洒面积为上述实时预测的喷洒面积。主控单元110将第一喷洒面积和第二喷洒面积作为药液流量预测模型的输入，之后输出预测药液流量，并根据预测药液流量确定喷洒控制信号。而喷洒单元130则将喷洒控制信号作为输入，然后转换成水泵输出功率的大小或药液输出口的开度，从而实现流量控制的目的。
52.在一些实施例中，主控单元110获取当前时刻的药液流量。并根据当前时刻的药液流量与预测时段内药液的喷洒流量的差值确定喷洒控制信号，从而对喷洒单元130进行进一步的调节。
53.在每个控制周期内，对药液流量进行预测和滚动优化，使预测时域内代价函数j(k)最小，进行预测输出。主控单元110根据该预测输出对药液流量进行行优化控制。
54.当下一时刻开始时，采集药液流量信息进行反馈校正，纠正预测模型的偏差，再次滚动优化，如此循环往复，保证了预测结果准确性和控制系统稳定性。
55.基于图1和图2所示的植保无人机喷洒作业控制系统和药液流量预测模型，本技术提供了一种植保无人机喷洒作业控制方法，如图3所示。
56.图3是本技术实施例提供的一种植保无人机喷洒作业控制方法的示意性流程图。应理解，该方法可以应用于植保无人机及其系统。
57.s311，根据历史喷洒数据确定药液流量预测模型。
58.其中，历史喷洒数据包括历史作业的药液质量、喷洒流量、喷洒面积和速度信息。
59.在一些实施例中，使用遗传算法训练喷洒流量预测值公式，，其中，为k+1时刻的喷洒流量预测值，a，b，c为辨识参数，u(k)为k时刻的药液质量，q(k)为k时刻的已喷洒面积，y(k)为k时刻的喷洒流量。
60.s312，根据用户设置的药液亩用量和初始药液质量确定第一喷洒面积。
61.s313,根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积。
62.s314,将第一喷洒面积和第二喷洒面积输入药液流量预测模型确定预测时段内药液的喷洒流量。
63.在一些实施例中，在药液流量预测模型的基础上，建立代价函数j(k)，根据第一喷
洒面积和第二喷洒面积确定代价函数j(k)的最小值，输出预测时段内药液的喷洒流量，其中，， n为植保无人机喷洒作业的预测时域内的时间步长，m为植保无人机喷洒作业的预测时域内的整数， q为实时预测的喷洒面积的误差权重系数。
64.s315，根据预测时段内药液的喷洒流量确定喷洒控制信号。
65.在一些实施例中，获取当前时刻的药液流量。根据当前时刻的药液流量与预测时段内药液的喷洒流量的差值确定喷洒控制信号。
66.根据如图3所示的实施例，通过建立药液流量预测模型，并结合测量药液的质量，将根据用户设置的药液亩用量和初始药液质量确定的第一喷洒面积，以及根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积输入上述药液流量预测模型，可以确定预测时段内药液的喷洒流量，进而可以提高药液喷洒作业的均匀度和动态响应性能。
67.在一些实施例中，该方法还包括，获取无人机状态信息，根据无人机状态信息和预测时段内药液的喷洒流量确定喷洒控制信号。
68.图4是本技术实施例提供的一种无人机的示意图。
69.如图4所示，该无人机包括上述图1中的系统100，其中，称重单元用于获取药箱内的药液质量，喷洒单元130用于控制药液的喷洒流量。主控单元连接称重单元和喷洒单元，具体实施方式可以参考图1至图3中的描述，在此不再赘述。
70.图5是本技术实施例提供的一种药液流量预测模型的控制过程示意图。
71.如图5所示，植保无人机喷洒作业控制系统在经过药液流量预测模型对药液流量的控制调节以后，控制精度更高，提升了药液喷洒作业的均匀度，使得最终的实际喷洒面积与预测面积相一致，喷洒作业效果更优。
72.本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图3所示实施例的方法。
73.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
74.在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
75.作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
76.另外，在本技术各个实施例中的各功能模块可以集成在一个处理装置中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个装置中。
77.功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器（read-only memory，rom）、随机存取存储器（random access memory，ram）、磁碟或者光盘等各种可以存储程序代码的介质。
78.以上，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种植保无人机喷洒作业控制系统，其特征在于，包括主控单元、称重单元和喷洒单元；其中，所述称重单元用于获取药液质量，所述喷洒单元用于控制药液的喷洒流量；所述主控单元连接所述称重单元和所述喷洒单元，所述主控单元用于，根据历史喷洒数据确定药液流量预测模型；根据用户设置的药液亩用量和初始药液质量确定第一喷洒面积；根据所述药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积；将所述第一喷洒面积和所述第二喷洒面积输入所述药液流量预测模型确定预测时段内药液的喷洒流量；根据所述预测时段内药液的喷洒流量确定喷洒控制信号。2.如权利要求1所述的植保无人机喷洒作业控制系统，其特征在于，所述历史喷洒数据包括历史作业的药液质量、喷洒流量、喷洒面积和速度信息，所述根据历史喷洒数据确定药液流量预测模型，包括：使用遗传算法训练喷洒流量预测值公式，，其中，为k+1时刻的喷洒流量预测值，a，b，c为辨识参数，u(k)为k时刻的药液质量，q(k)为k时刻的已喷洒面积，y(k)为k时刻的喷洒流量。3.如权利要求2所述的植保无人机喷洒作业控制系统，其特征在于，在所述药液流量预测模型的基础上，建立代价函数j(k)，所述将所述第一喷洒面积和所述第二喷洒面积输入所述药液流量预测模型确定预测时段内药液的喷洒流量，包括：根据所述第一喷洒面积和所述第二喷洒面积确定所述代价函数j(k)的最小值，输出预测时段内药液的喷洒流量，其中，，n为植保无人机喷洒作业的预测时域内的时间步长，m为植保无人机喷洒作业的预测时域内的整数， q为实时预测的喷洒面积的误差权重系数。4.如权利要求1-3中任一项所述的植保无人机喷洒作业控制系统，其特征在于，所述系统还包括导控单元，所述导控单元连接所述主控单元，所述导控单元用于确定无人机状态信息，所述无人机状态信息包括速度信息、加速度信息和姿态信息，所述主控单元用于，获取无人机状态信息，根据所述无人机状态信息和所述预测时段内药液的喷洒流量确定所述喷洒控制信号。5.如权利要求1-3中任一项所述的植保无人机喷洒作业控制系统，其特征在于，所述根据所述预测时段内药液的喷洒流量确定喷洒控制信号，包括：获取当前时刻的药液流量；根据所述当前时刻的药液流量与所述预测时段内药液的喷洒流量的差值确定所述喷洒控制信号。6.如权利要求1-3中任一项所述的植保无人机喷洒作业控制系统，其特征在于，所述主控单元包括模型控制模块、流量控制模块和数据采集模块，所述数据采集模块用于采集所述称重单元的药液质量信号和所述喷洒单元的喷洒流量信号，所述模型控制模块用于根据
所述第一喷洒面积和所述第二喷洒面积确定所述预测时段内药液的喷洒流量，所述流量控制模块用于确定所述喷洒单元控制信号。7.一种植保无人机喷洒作业控制方法，其特征在于，所述方法包括：根据历史喷洒数据确定药液流量预测模型；根据用户设置的药液亩用量和初始药液质量确定第一喷洒面积；根据所述药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积；将所述第一喷洒面积和所述第二喷洒面积输入所述药液流量预测模型确定预测时段内药液的喷洒流量；根据所述预测时段内药液的喷洒流量确定喷洒控制信号。8.如权利要求7所述的植保无人机喷洒作业控制方法，其特征在于，所述历史喷洒数据包括历史作业的药液质量、喷洒流量、喷洒面积和速度信息，所述根据历史喷洒数据确定药液流量预测模型，包括：使用遗传算法训练喷洒流量预测值公式，，其中，为k+1时刻的喷洒流量预测值，a，b，c为辨识参数，u(k)为k时刻的药液质量，q(k)为k时刻的已喷洒面积，y(k)为k时刻的喷洒流量。9.如权利要求8所述的植保无人机喷洒作业控制方法，其特征在于，所述方法还包括：在所述药液流量预测模型的基础上，建立代价函数j(k)，所述将所述第一喷洒面积和所述第二喷洒面积输入所述药液流量预测模型确定预测时段内药液的喷洒流量，包括：根据所述第一喷洒面积和所述第二喷洒面积确定所述代价函数j(k)的最小值，输出预测时段内药液的喷洒流量，其中，， n为植保无人机喷洒作业的预测时域内的时间步长，m为植保无人机喷洒作业的预测时域内的整数， q为实时预测的喷洒面积的误差权重系数。10.如权利要求7-9中任一项所述的喷洒作业控制方法，其特征在于，所述方法还包括：获取无人机状态信息，根据所述无人机状态信息和所述预测时段内药液的喷洒流量确定所述喷洒控制信号。11.如权利要求7-9中任一项所述的喷洒作业控制方法，其特征在于，所述根据所述预测时段内药液的喷洒流量确定喷洒控制信号，包括：获取当前时刻的药液流量；根据所述当前时刻的药液流量与所述预测时段内药液的喷洒流量的差值确定所述喷洒控制信号。12.一种植保无人机，其特征在于，包括：如权利要求1-6中任一项所述的植保无人机喷洒作业控制系统。13.一种计算机可读介质，其上储存有计算机程序，其特征在于，该程序被计算机执行时，所述计算机执行如权利要求7-11中任一项所述的植保无人机喷洒作业控制方法。

技术总结
本申请提供了一种植保无人机喷洒作业控制系统和方法，涉及无人机技术领域，以缓解植保无人机流量计精度不足对植保作业的不利影响。该系统包括主控单元、称重单元和喷洒单元。其中，称重单元用于获取药液质量，喷洒单元用于控制药液的喷洒流量。主控单元用于，根据历史喷洒数据确定药液流量预测模型。根据用户设置的药液亩用量和初始药液质量确定第一喷洒面积。根据药液亩用量、当前药液质量和药液已喷洒面积确定第二喷洒面积。将第一喷洒面积和第二喷洒面积输入药液流量预测模型确定预测时段内药液的喷洒流量。根据预测时段内药液的喷洒流量确定喷洒控制信号。本申请通过结合药液质量的测量以及使用药液流量预测模型可以提高药液喷洒的均匀度。提高药液喷洒的均匀度。提高药液喷洒的均匀度。


技术研发人员：杜志 陈启东
受保护的技术使用者：黑龙江惠达科技股份有限公司
技术研发日：2023.07.20
技术公布日：2023/8/21