综述:无人喷施系统雾滴监测可视化技术研究进展

《Agronomy》:Visualization Techniques for Spray Monitoring in Unmanned Aerial Spraying Systems: A Review

【字体: 大 中 小 】 时间:2026年01月05日 来源:Agronomy 3.4

编辑推荐:

  这篇综述系统梳理了无人喷施系统(UASS)雾滴可视化监测技术,聚焦“雾滴-气流-靶标”耦合机制,涵盖了从喷嘴雾化(PDPA/PDIA)、旋翼诱导流场(PIV)到三维飘移(LiDAR)的多尺度监测方法,并展望了基于智能分析(如CNN)的图像识别、多模态数据融合及闭环控制等未来方向,为优化UASS喷施性能、降低飘移风险提供了重要参考。

  

喷雾过程的物理基础:雾滴与旋翼诱导流场

无人喷施系统(UASS)的喷雾过程是一个典型的多相流耦合系统。从喷嘴喷射出的雾滴,其形成、输运和沉积受到喷嘴雾化、旋翼诱导流场以及外部环境的共同影响。喷嘴的类型(如液压式喷嘴、离心式喷嘴)和操作压力共同决定了雾滴的初始粒径分布(如Dv0.5)、初始速度和喷雾角。液膜的破碎机制(如瑞利-普拉托不稳定性、气动破碎)受韦伯数(Weber number)等无量纲数控制,直接影响雾滴谱的宽窄。
旋翼高速旋转产生的下洗气流是UASS喷雾的核心特征。这股气流包含主下洗流、叶尖涡和地面效应调制流等结构,对雾滴的轨迹产生显著影响。雾滴在流场中的运动可以用斯托克斯数(St)来表征,高St数的大雾滴惯性大,易于沉积,而低St数的小雾滴则更容易跟随气流运动,导致飘移风险增加。旋翼转速、飞行高度和前进速度共同决定了流场的强度与形态。
雾滴与流场的耦合关系构成了UASS喷雾动力学的基础。喷嘴的安装位置决定了初始喷雾羽流与旋翼覆盖区的空间重叠程度,进而影响雾滴进入下洗流区域后的动力学响应。研究表明,沉积热点区域往往与旋翼诱导的涡核或高剪切区在空间上吻合。这种高度依赖性的耦合结构是UASS喷雾区别于地面喷杆和风送式喷雾的关键动力学特征。

喷雾过程可视化监测技术框架

UASS喷雾可视化监测技术主要分为非侵入式光学诊断方法,其技术框架可概括为光学成像、激光散射与体积重建以及多源融合可视化。
光学成像技术包括基于散射的诊断(如相位多普勒粒子分析PDPA)、直接成像技术(如粒子/雾滴图像分析PDIA、高速成像HSI、粒子图像测速PIV)和波前重建技术(如数字同轴全息DIH)。PDPA能同时高精度测量雾滴尺寸和速度,是喷嘴近场雾化的标准测量方法。PDIA和HSI能够直接捕捉液膜破碎、韧带形成等瞬态过程,并对非球形雾滴有更好的表征能力。DIH等技术则能实现雾滴场的三维定量重建。
激光散射与体积重建技术则侧重于更大空间尺度的雾滴群或羽流定量表征。激光衍射系统(LDS)基于米氏散射原理,可快速获得体积雾滴谱,但存在系统偏差。激光成像和光片技术可通过图像特征(如灰度质心)回归出飘移指数(DIX)等指标。激光雷达(LiDAR)及其三维重建技术能够非接触、实时地记录喷雾云的三维动态演变,如云团最大高度、质心轨迹等,是田间飘移监测的核心工具。
由于不同测量技术的原理各异,它们在雾滴谱和流场观测中存在不可忽视的系统偏差。例如,在细雾条件下,LDS可能会高估小雾滴的体积分数,而PDPA在非球形雾滴测量中可能存在偏差。因此,建立跨方法的标准化和对齐框架,通过标准喷嘴和参考雾滴谱进行校准,构建多模态特征系统,是实现“多源一致、跨平台可比”数据链的重要趋势。

UASS喷雾可视化实践与应用

在实验平台验证方面,风洞和受控环境平台为复杂的雾滴-气流耦合过程提供了可控、可重复的实验边界条件。在喷嘴近场尺度,风洞结合PDPA、LDS、PDIA等技术,可以统一雾滴初始尺寸、速度等边界条件。在中远场尺度,大截面风洞可引入侧风、旋翼下洗流和人工冠层,系统阐明喷嘴、流场和冠层之间的耦合机制。基于线激光成像的飘移量化评估,其光学特征与飘移率等指标相关性系数可超过0.9,为未来喷嘴-参数组合的高通量筛选系统提供了技术基础。然而,风洞平台在重现田间非平稳湍流和三维相互作用方面存在局限,更适合作为机理验证和模型校准的工具。
在田间尺度可视化方面,其核心任务是回答在真实作业条件下喷雾的去向,并为缓冲区设计提供依据。固定或移动式LiDAR系统已成为田间飘移观测的核心工具,能够连续记录喷雾云的三维结构。但LiDAR对AIN或大雾滴、低密度喷雾的信号响应较弱,可能系统性地低估飘移风险。因此,常采用“LiDAR + 沉积采样器”的两层验证链,将LiDAR记录的云团特征高度、峰值强度等映射到沉积曲线上。对于靶标后方的冠层“盲区”,X射线成像等高穿透性技术能够定量表征冠层穿透率和冠后飘移风险。
旋翼与冠层相互作用产生的涡旋结构是决定雾滴沉积模式的关键动力学机制。粒子图像测速(PIV)、热成像等技术证实,当旋翼下洗流撞击冠层顶部时,会产生具有明确边界、时间稳定性强的锥形或环形涡旋结构。在明显的涡旋(OV)状态下,沉积量可比无涡旋(NV)状态下高出数倍。沉积热点区域与涡核位置表现出强烈的空间一致性。因此,研究重点正从“完全流场重建”转向基于涡旋代理变量(如涡核位置、涡旋强度)的等效流表示方法,这些参数更易于获取,且对沉积模式具有更高的解释力。
可视化技术的快速发展正推动研究从“能够看见”向“能够计算”转变,即系统地将可视化结果嵌入到喷雾动力学和风险评估模型中。在近场尺度,可视化结果揭示了雾滴尺寸分布与初始速度的耦合关系,为CFD模型提供了更真实的边界条件。在中远场尺度,LiDAR等提供的云团几何结构变量将飘移预测从“一维距离估计”扩展到“结构化云团建模”。多模态融合模型通过将雾滴统计、气流特征、云团形态等变量共同输入机器学习模型,来预测沉积均匀性和空中飘移,但面临着特征共线性、过拟合和泛化能力不足等挑战。

可视化数据的智能处理与分析

随着机器学习和深度学习的发展,UASS喷雾研究正快速从“物理观测”转向“可计算特征-预测建模-参数决策”的管道。
在图像层面,基于卷积神经网络(CNN)的检测框架(如YOLO、Mask R-CNN)已应用于PDIA、HSI和DIH图像的雾滴识别,即使在多分散雾滴谱、复杂光照条件下也能保持高精度。对于流场可视化,AI方法被用于从PIV矢量场和烟流图像中自动识别涡旋、回流区等结构特征,并与明显的涡旋(OV)、轻微涡旋(SV)和无涡旋(NV)等物理上有意义的分类标签相结合。
构建多模态融合框架是从“可视化现象”到“可计算规律”的关键一步。融合通常在数据、特征和模型三个层面进行。在数据层面,通过几何校准和时间同步将不同传感器输出映射到统一坐标系。在特征层面,使用主成分分析(PCA)、偏最小二乘(PLS)等方法将液膜破裂角、涡旋指标、云团宽度等高维描述符压缩成低维可解释变量。在模型层面,将雾滴谱参数、气动特征、空间结构指标等共同输入人工神经网络(ANN)或多模态融合网络,以预测沉积均匀性和飘移。
智能预测的最终目标是将结构化变量转化为可支持喷施决策的预测模型。在飘移建模中,多元线性回归、支持向量机(SVR)、随机森林等被用于拟合云团特征高度、风速等变量与飘移响应之间的关系。对于控制和优化,灰狼优化算法-人工神经网络(GWO-ANN)等被用于自动搜索网络结构和超参数,以飞行高度、速度等预测沉积指标。更具解释性的工作则尝试直接从高速喷雾视频构建雾滴谱预测模型,显示出在少样本场景下的优势。然而,当前模型普遍存在泛化能力有限、缺乏显式物理约束、难以实现闭环控制等瓶颈。

结论与展望

UASS喷雾可视化研究正经历从“二维雾滴谱”到“多维雾滴场”,从“实验表征”到“智能决策支持”的转变。未来研究可聚焦于三个方向:基于统一特征系统的多尺度模型交叉验证与标准化,建立跨平台可共享的核心特征集;面向涡旋-冠层相互作用的风-雾-靶标耦合建模,发展以涡旋结构参数化为核心的可解释模型;以及由嵌入式多模态传感驱动的智能闭环控制,实现雾滴谱识别、云团跟踪与喷施参数自适应调节的实时闭环,最终推动UASS实现从“可观”到“精准可控”的跨越。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号