摘要:大数据是无法在一定时间内用普通软件分析管理的数据集合，具有规模性、多样性和高速性的特点，其在相应的需求下产生，已经应用到社会生产和科学研究中的多个领域。无人机在飞行和作业中产生大量数据，普通设备难以完成这些数据的分析处理。为此，研究了大数据在农业无人机上的应用。工作时，由硬件设备采集巨量数据，Hadoop大数据分析技术运行相应算法，经过一系列处理获得有用的信息。利用无人机对油菜地和山茶园的信息进行采集，其大数据分析处理功能在航线规划、飞行控制和图像处理的测试中取得了理想效果。此研究可以推动大数据与无人机的结合，为无人机性能升级提供技术支撑。
关键词:无人机;大数据;航线规划;飞行控制;图像处理
0引言
随着科学技术的发展，人类在生产生活和科学研究中产生的数据呈指数倍增长，促进了大数据概念的形成。大数据在21世纪开始引起人们的关注，《Nature》和《Science》杂志都用专刊对其进行了论述。美国对此率先启动了“大数据研究与开发计划”，旨在收集处理庞大的数据信息，提高对知识的洞察能力，从而推动科学技术的创新进程[1]。
大数据的含义有多种，维基百科将其定义为无法在一定时间内用普通软件工具进行捕获和管理的数据集合。大数据具有规模性、多样性和高速性的3大特点，即“3V”特性。规模是大数据的主要特点，其数据量非常庞大，一般可以达到1PB。其类型的多样性主要体现在大数据不仅包括结构化的数据形式，还有半结构化和非结构化的数据形式。高速性是数据处理速度要足够快，从而满足对庞大数据量的实时分析要求。大数据是在相应的需求下应运而生的，诞生之初应用于商业和金融，后来逐渐扩展到其它的领域，如科学研究中的地球空间信息学[2]、物流服务[3]、经济发展状况[4-5]和智能电网[6]等。
大数据的应用也面临一些问题和挑战，其对公民个人信息的获取和传播都很便捷，由此产生了隐私安全问题。不法分子在互联网上利用大数据对他人进行“人肉搜索”，不仅侵犯公民的个人权利，还使人们对大数据的社会影响产生疑惑[7]。即便如此，大数据仍然具有划时代的意义，其不仅促进社会进步，还推动科学研究层次的深入，具有广阔的发展空间和应用潜力[8]。与大数据一样，无人机也是一种在信息科学和计算机科学基础上兴起的现代技术。无人机是无人驾驶航空飞行器的简称，虽然早在1914年就已经诞生，但是直到20世纪下半叶才取得较大的发展。无人机可分为固定翼无人机和旋翼无人机，它们均是由飞行器、遥控站及通讯设备等部件组成的系统[9]。
我国的无人机研制技术世界领先，形成了以“大疆”系列为代表的多种类型产品，应用范围也极为广泛。在民用方面以旋翼无人机为主，工业和农业均有涉及，未来的市场效益超过千亿。无人机在飞行和作业过程中会产生大量数据，普通的设备和方法难以完成这些庞大数据的实时分析和存储。若将这些数据按照大数据的方式进行处理，则可以从中提取出有价值的信息，为无人机的功能发挥提供技术支持。将大数据与无人机结合，既可以拓宽大数据的应用范围，又能够提高无人机的性能和使用效率。
测绘是无人机的一个重要应用内容。通过搭载的各种传感器和摄像机拍摄获得地面高清图像，再辅以强大的传输能力，可以产生实时性和准确性极高的测绘信息;但是，测绘获得的数据量巨大，还须通过分析处理提取有用的信息，才能真正实现无人机测绘的目的。对大量数据的实时分析处理，正是大数据技术的优势所在。受传统计算机硬件的限制，图像处理技术在数据存储、传输速度和数据流安全等方面都存在一些局限;而在大数据背景下，计算机网络被云计算网络代替，针对具体的需求可以直接从测绘信号中快速提取有用的信息，以合适的图像形式反映出来[10]。
鲁昱昊为解决摄影和遥感的庞大数据管理问题，设计了HADOOP海量数据分布式处理平台，展现出良好的可维护性和扩展性[11]。电力领域已经开始利用无人机巡视线路，可以解决人工巡视不能保证电网安全运行的问题。大数据的加入赋予了无人机在野外电网巡视中两个新的功能，即故障预测和健康管理[12]。另外，现代无人机的结构和机载设备越来越复杂，信息化程度越来越高，测试的需求也发生了深刻变革，导致飞行数据产生了从海量到巨量的飞跃。在大数据的背景下，无人机飞行数据出现结构化和非结构化并存的局面，数据的处理速度加快，提供的信息价值也不断提高[13]。
齐婵颖等提出了一种基于大数据的通道复用方案，解决海量数据的实时测量问题，实现了对无人机飞行荷载数据的实时测量[14]。本文对大数据在农业无人机上的应用进行研究，介绍了无人机航线规划、飞行控制和图像处理3个功能的大数据从获取至存储的过程，以期推动大数据与无人机结合，为无人机性能升级提供技术支撑。
1硬件设备
研究的硬件设备包括无人机平台、无线传输装置和地面站3部分。无人机平台为大疆精灵Phantom4Pro型专业智能无人机，最大飞行时间30min，具有红外避障能力。无人机采用GPS/GLONASS双模式定位，无线传输方式的速度可达Class10，通讯距离7km。数据采集装置为各种传感器，包括XV-8000CB型角速度传感器、CZ3-X-Y型加速度传感器、BA5803型气压高度传感器和中科能慧NHFS47型风速风向传感器。
飞行控制装置为方向舵、副翼舵和升降舵，舵面偏转改变无人机的飞行方向和姿态，实现对航线的控制。图像采集设备为下方搭载的1英寸CMOS影像传感器，2000万有效像素。无人机采用WiFi无线通讯方式，信息传输容量大，实时性好。通讯装置通过PID控制方法和通讯接口将数据实时传送地面站，JPEG格式图像由天创UB570型图像采集卡转换为数字信号后进行分析处理。
大数据分析需要PB级数据的读取和写入，大型的建模和运算必不可少。地面站的大数据分析硬件为x86架构的PCServer型服务器，配置锐龙AMDRyzen7型2路8核CPU，DDR4型128GB内存和IntelI350T2型千兆网卡，可以满足运算速度、存储空间和分析结果展示的要求。
2处理流程
大数据是来自于各种数据源的巨量数据，蕴含的有用信息是大数据的价值所在，信息获取是通过一系列的处理过程来完成。无人机搭载的各种传感器、摄像机和其它设备采集数据，经过网络和传输协议进入交换机;交换机网络连接数据采集器，实现数据交换和汇聚功能，同时执行IEEE1588时间同步协议，缩小交换延时，提高数据的实时性和准确性。
受搭载设备性能的限制，无人机平台无法对采集的大数据进行分析处理，需要交给地面站完成，无线传输是无人机与地面站之间的联系纽带。在传统数据的基础上，大数据传输向着高频率、高速率和高效率的方向发展，以通讯链路的形式，采用数字化调制宽带将数据传输给地面站。地面站接受到数据后，首先按照特定的规范记录数据，然后根据实际需求对录入的数据快速重放，以便开展后续的分析处理。
大数据的分析处理又可以细分为预处理、数据分析、信息挖掘和结果展现，实现了从以往的以服务器为中心到以数据为中心的模式转变。在方式上，针对大数据的半结构和非结构化特点，采用并行处理技术来提高处理的速度。在数据记录的同时，还对大数据进行综合监测，即将数据实时分类，按照各自类型将数据下发至相应的应用系统;另一方面，根据专业化的知识库辅助决策，作为信息挖掘的依据;最后，综合监测和分析处理的结果一起汇聚到存储管理模块中，组成应用功能的数据库。
3软件和算法
本研究进行大数据分析的是Hadoop技术，是一种基于Java的分布式大数据分析处理的软件框架。Hadoop框架包括通用模块、分布式文件系统等组件，集群文件存储在分布式文件系统中，在特定的节点上构建分布式文件架构。Hadoop技术可以运行简洁的并行计算模型，具有很强的容错性和扩展性，适合于大规模数据的分析处理。航线规划采用方格区域路径算法，理论基础是路径的不合理性来源于对作业区域方格的重复造访。为减少这一情况，按照优先原则规划初等路径，即优先选择同一行的方格作为下一个规划方格，直到涵盖所有的方格。
飞行控制通过二维跟随算法完成，首先构建二维坐标系计算飞行方向上的角速度，获得无人机投影的航线。在规划的航线中，实际航向角等于理论航向角，按照这一原则不断地调整无人机航向逼近规划的航向，当二者差异为零时则沿着规划的航线飞行。图像处理是利用颜色特征对图像各组成部分进行识别，在HIS颜色空间中将I分量做最大类间方差分析后再进行二值化，获得最大阈值，经过阈值分割区分目标和背景区域。
4功能测试
将无人机用于油菜地和山茶园的信息采集，并对航线规划、飞行控制和图像处理的大数据分析处理功能进行测试。与普通的航线规划方法相比，在作业质量一致的前提下，通过大数据分析规划的航线覆盖率和均匀性都更好，无人机的转弯次数较少，完成作业所需的时间减少了20%。在飞行期间，每隔100s记录无人机飞行航线偏离规划航线的距离。
两种作业环境下，基于大数据分析的无人机航线偏差都在10m之内，并且能够快速地回归到规划的航线上来，随后一直保持较高的飞行控制精确度。利用无人机采集油菜的种植面积和山茶的杂草信息。经过大数据分析，准确快速地识别出油菜及杂草与背景的颜色差异，并将识别目标在结果中用黑色区域展现出来。
5结论
无人机在飞行和作业中产生大量的数据，普通的设备难以完成这些数据的分析处理。本文对大数据在农业无人机上的应用进行研究，硬件设备包括无人机平台、无线传输装置和地面站，采集巨量数据后通过一系列的处理过程来获得有用的信息。基于Hadoop的大数据分析技术，对不同的功能采用相应的算法。将无人机用于油菜地和山茶园的信息采集，并对航线规划、飞行控制和图像处理的大数据分析处理功能进行测试，取得了理想的效果。本研究可以推动大数据与无人机的结合，为无人机性能升级提供技术支撑。
参考文献:
[1]孟小峰，慈祥.大数据管理:概念、技术与挑战[J].计算机研究与发展，2013，50(1):146-169.
[2]李德仁.展望大数据时代的地球空间信息学[J].测绘学报，2016，45(4):379-384.
[3]刘艳秋，王浩，张颖，等.大数据背景下物流服务订单分配[J].沈阳工业大学学报，2016，38(2):190-195.
[4]高见，周涛.大数据揭示经济发展状况[J].电子科技大学学报，2016，45(4):625-633.
[5]刘强，秦泗钊.过程工业大数据建模研究展望[J].自动化学报，2016，42(2):161-171.
[6]张东霞，苗新，刘丽平，等.智能电网大数据技术发展研究[J].中国电机工程学报，2015，35(1):2-12.
[7]刘雅辉，张铁赢，靳小龙，等.大数据时代的个人隐私保护[J].计算机研究与发展，2015，52(1):229-247.
[8]张引，陈敏，廖小飞.大数据应用的现状与展望[J].计算机研究与发展，2013，50(S1):216-233.
相关刊物推荐：《计算机研究与发展》杂志级别：北大核心 科技统计源核心 CSCD，主办单位：中国航天科工防御技术研究院中国宇航学会中国系统工程学会，周期： 双月，国内统一刊号：11-2422/TN，国际标准刊号：1001-506X。复合影响因子为2.205，综合影响因子为1.103。
