植保无人机精准喷施方法研究综述

孙鹏 冯俊青 邱林江

摘要 作为一种新兴农业技术，植保无人机以其高效、精准、灵活等特点在农作物疾病和虫害防治中具有重要意义。综述了植保无人机精准喷施方法的关键技术，包括植保无人机发展现状、路径规划算法、喷施器研究和漂移控制。通过对相关文献的分析和整理，总结了植保无人机路径规划算法的特点和应用情况，重点介绍了经典路归算法、遗传算法以及蚁群优化等元启发算法的优点和不足，以及喷施器研究和漂移控制研究的进展和挑战。最后，提出了未来研究的方向和建议，包括改进算法性能、优化路径规划策略、提高喷施器的精度和稳定性、优化漂移控制算法等。旨在为相关研究者提供全面的研究概览，推动植保无人机精准喷施技术的进一步发展和应用。

关键词 无人机；植保；路径规划；混药装置；漂移控制

中图分类号 S252  文献标识码 A  文章编号 0517-6611（2024）10-0001-05

doi：10.3969/j.issn.0517-6611.2024.10.001

Review of Precision Spraying Methods Using Unmanned Aerial Vehicles in Plant Protection

SUN Peng，FENG Jun-qing，QIU Lin-jiang

（School of Electrical Engineering，Yancheng Institute of Technology，Yancheng，Jiangsu 224002）

Abstract As an emerging agricultural technology， agricultural drones play a crucial role in disease and pest control due to their efficiency， precision， and flexibility. The review provides a detailed overview of key technologies in precision spraying， including the development status of agricultural drones， path planning algorithms， sprayer design， and drift control. Through analysis and synthesis of relevant literature， the review summarizes the characteristics and applications of path planning algorithms for agricultural drones， with a focus on classical algorithms， genetic algorithms， ant colony optimization， and other metaheuristic algorithms， highlighting their strengths and limitations. It also explores the progress and challenges in sprayer design and drift control research. Finally， the review proposes future research directions and suggestions， such as improving algorithm performance， optimizing path planning strategies， enhancing sprayer accuracy and stability， and refining drift control algorithms. The aim of this review is to provide a comprehensive research overview for scholars in the field， facilitating the further development and application of precision spraying technology in agricultural drones.

Key words UAV;Plant protection;Route planning;Mixing device;Drift control

基金項目 江苏省研究生创新实践计划校级重点项目（SJCX22_XZ011）。

作者简介 孙鹏（1999—），男，江苏盐城人，硕士研究生，研究方向：植保无人机、路径规划。*通信作者，讲师，博士，硕士生导师，从事深度学习、无人机以及混药装置研究。

收稿日期 2023-06-26

根据“2050年农业项目”的预测，到2050年，全球人口预计将达到约100亿。因此，为满足日益增长的人口需求，粮食生产必须提高70%［1］。然而，随着气候变化和农田生态条件的变迁，农业景观中害虫暴发的频率与日俱增，给作物生产带来了越来越大的威胁。目前，农药防治是现代农业不可分割的一部分，据估计，农药化学防治可以减少世界粮食供应45%的损失［2］。但在传统背包喷雾器的施药过程中，经常出现农药利用率低下的现象，导致药效流失至非靶向区域，造成沉积浪费且污染环境。同时，根据世界卫生组织（WHO）统计，在人工种植的作物中喷洒杀虫剂会造成100万例不良反应。为了降低对人类和环境的危害，并应对劳动力短缺的问题，喷洒作业的机械化已势在必行。此外，与地面植保机械相比，植保无人机可以覆盖大片农田，而不会破坏土壤及作物物理结构。

我國大部分农村地区田地环境较为复杂，普遍存在树木、灌木丛、电线杆等障碍物［3］或者混合种植不易喷洒，甚至会有飞鸟的干扰，极有可能引发坠机事故［4］，这种作业环境给植保无人机带来了极大的不便。为了实现对国内复杂作业环境的精准喷施，提高农作物的产量和质量，该研究通过探讨路径规划算法和喷雾技术的研究现状和存在的问题，提出发展建议。

旨在深入了解植保无人机精准喷施方法的研究进展，为农业生产提供科学的技术支持，促进我国农业的持续发展。

1 植保无人机发展现状

随着科技的不断发展，植保无人机技术已经逐渐成为现代农业生产的重要组成部分。植保无人机是指通过遥控或自主飞行的方式，利用高精度的遥感和农业信息化技术，实现对农田、果园等农作物的精准喷施和监测。相比传统的喷洒方式，植保无人机具有喷施量小、喷施精度高、喷施速度快、操作灵活等优点，可以有效降低农药的使用量，提高作物产量和品质。

最初，无人机是由飞行员在地面操作的无线电控制设备，然而，现代无人机是基于GPS的自动驾驶飞行器。其基本构成包括飞行控制系统、遥感控制系统、数据处理系统等，设备类型的使用则取决于无人机的应用。无人机平台的3种主要类型是固定翼、直升机和多旋翼［5］。

1.1 固定翼无人机

靠螺旋桨或者涡轮发动机产生的推力作为飞机向前飞行的动力，主要的升力来自机翼与空气的相对运动。因此，固定翼无人机必须要有一定的无空气的相对速度才会有升力来飞行，如图1（a）。

1.2 直升机

拥有一组水平旋转的桨叶，并附有一根中央桅杆，用于产生升力和推力。这种类型的无人机如图1（b）所示。直升机具备垂直起降、前进飞行、后退飞行和悬停在特定位置的能力。这些特点使得直升机能够在拥挤和偏远地区进行飞行，而固定翼飞机则无法胜任。

1.3 多旋翼无人机

多旋翼飞行器通过依靠多个旋翼产生升力以平衡飞行器的重力，从而实现飞行。通过调节各旋翼的转速，可以控制飞行器的平稳性和姿态。多旋翼飞行器具备悬停能力，并且能够在特定速度范围内以任意速度飞行，但速度比较慢，续航时间短，如图1（c）所示。

2010—2020年，无人机市场一直由固定翼和直升机占据主导地位。然而，目前的趋势是小型无人机在精准农业中的应用重心已经转向多旋翼机。据统计，多旋翼机已经覆盖了近50%的可用无人机模型［6］。固定翼无人机、直升机和多旋翼飞行器的优缺点和在植保领域的应用见表1。

多旋翼植保无人机作为一种新型的农业植保技术，近年来在农业生产中得到广泛应用，主要体现在以下几个方面［7］：

首先，植保无人机具备高效精准的喷洒能力。通过先进的传感器和喷洒设备，植保无人机能够实现对农田的精准喷洒，从而有效控制害虫和病害的发生。此外，植保无人机能够快速覆盖大面积的农田，极大地提升了喷洒效率。

其次，植保无人机的运用能够有效减少对人工劳动力的需求。传统的农业植保方法依赖大量的人力投入，而植保无人机通过自主飞行和自动喷洒的方式，降低了对人工劳动力的需求，进而降低了人力成本［8］。

此外，植保无人机的运用还能够提升农业生产的质量和产量。通过植保无人机的精准喷洒，可有效减少过量喷洒和漏喷的问题，确保植保药剂的有效利用。同时，考虑到国内混合种植的土地情形（图2～4），植保无人机可以进行有效的植物识别，从而做到分类喷施。且植保无人机能够及时发现和控制农作物的病虫害，有效避免病虫害对农作物的损害，从而提高农作物的产量和质量［9］。

最后，植保无人机有助于降低农业生产对环境的影响。传统的农业植保方法常导致土壤和水源的污染，而植保无人机能实现精准喷洒，减少植保药剂的浪费和污染，从而保护环境的可持续发展。

综上所述，植保无人机在农业中的应用具有广泛的优势和前景，将成为未来农业生产的重要技术手段之一［10］。

2 植保无人机路径规划算法

2020—2023年用于植保无人机定点喷施的路径规划算法使用率见图5。遗传算法（GA）是最常见的算法，占21%。蚁群优化（ACO）和人工神经网络（ANN）作为较流行的智能算法，分别以16%和15%的比例位居第2和第3，其次是基于学习的方法（由于深度学习技术的进步，越来越多的机器学习算法被用于无人机路径规划）、粒子群优化（PSO）和模糊逻辑算法。

2.1 经典路归算法

经典路径规划算法是植保无人机路径规划算法中的重要部分，包括最短路径算法、最优路径算法等。其中，最短路径算法是最为常见的一种，其通过计算节点间的距离或代价来确定最短路径，具有简单易行、计算速度快等优点。常见的最短路径算法包括Dijkstra算法、Bellman-Ford算法、Floyd算法等。

此外，最优路径算法是指在满足一定约束条件的情况下，寻找最优路径的算法，常见的最优路径算法包括A*算法、D*算法、RRT算法等。过去的方法，很难确保无人机在飞行中的安全和遇到障碍物时的自动避障，并且往往需要进行大量的数据处理。为了提高避障能力和效率，Huang等［11］提出了一种基于A*算法的改进避障方法，通过毫米波雷达和单目相机的融合，建立了时空融合模型并实现了障碍物坐标的提取。该算法优化的过程中使用了动态启发式函数、搜索点优化和拐点优化的方法，与传统A*算法对比减少了数据处理时间达68.4%、网格搜索次数达74.9%、转弯点数达20.7%，同时路径长度也略有增加，并且实现了精确定位和高效避障，在农业机械化作业中具有很大的应用前景。但该项目的改进设备成本过高，且预计轨迹与实际轨迹仍有较大差距。为使植保无人机减少过量喷施的覆盖率的问题，Tian等［12］提出将改进的A*算法和重力搜索算法相结合，以优化全覆盖往返旋转路径规划并基于最小的非保障作业时间规划返回点。通过使用基于网格方法来划分工作区域来建立环境模型。该项目提出的创新方法相比较传统路径规划方法，将非喷洒距离分别减少了23.18%和5.83%，将农药喷洒的过量覆盖率减少了64.47%。为农业植保路径规划问题提供了一个合理、可行且有用的解决方案。

綜上所述，经典路径规划算法是植保无人机路径规划算法的重要组成部分，不同的算法适用于不同的场景和问题，研究人员可以根据实际情况选择合适的算法进行路径规划［13］。

2.2 遗传算法

遗传算法（genetic algorithm，GA）是一种基于生物进化原理的搜索算法，可用于解决优化问题。遗传算法的基本思想是将问题的解表示为某种编码形式，如二进制编码，将其称为染色体，然后通过模拟自然选择、交叉和变异等进化操作，不断更新种群中的个体，最终找到最优解。在植保无人机路径规划中，遗传算法常用于寻找最短路径或最优路径。可以通过对路径进行编码，如二进制编码或实数编码，将路径表示为染色体，并通过选择、交叉和变异等操作，不断更新种群中的路径，最终找到最优路径。

Xu等［14］提出一种混合算法，使用多目标跳蛙算法（MOSFLA）和遗传算法（GA），用于多无人机集群任务分配和排序优化。为显著减少非操作飞行距离和总操作时间，并且可以解决多个UAVs植保操作中的多约束优化问题，该研究使用MOSFLA进行多UAVs操作优化任务分配，并使用GA进行领域操作排序优化，以缩短总操作时间。该研究对多约束优化问题具有很好的处理效果，但在动态时间约束下的多约束优化问题仍有待改进。

Liu等［15］为了解决多区域调度路线规划问题，提出了一种无人机（UAV）多茶园植物保护路线规划算法，并将其与单一区域的全覆盖喷洒路线方法相结合，该算法结合了动态遗传算法和蚂蚁群二进制迭代算法。新算法相比其他仿生算法具有优越的性能和准确性，并可以缩短设备的飞行范围，从而降低了利用无人机进行植保的成本。此外，该算法还可以为复杂山地地区茶叶田的精准种植和保护提供理论支持和实际工具。然而，该算法依旧无法保持多区域茶叶田的精准种植和植保的效率和准确性。

综上所述，遗传算法是一种有效的优化算法，可用于解决植保无人机路径规划问题。但在实际应用中，需要根据具体问题的特点进行参数设置和优化算法的选择，以获得更好的优化效果［16］。

2.3 蚁群优化

蚁群优化（ant colony optimization，ACO）是一种基于启发式搜索的优化算法，模拟了蚂蚁在寻找食物时的行为。其核心思想是通过模拟蚂蚁在路径选择过程中的信息素沉积和挥发，从而实现全局最优解的搜索。为优化农药分布同时最小化能源消耗和农药残留，Gao等［17］提出了一种自适应和快速动态蚁群优化（AFD-ACO）算法，将农田区域细分成网格，并利用ACO的信息素强度指导UAV寻找优化路径。为了解决果园种树较多导致ACO算法出现局部最优解的情况，Tian等［18］提出了对其启发式函数的改进以及多源ACO（MS-ACO）方法，结合角度代价和距离代价对ACO算法的启发式函数进行改进，利用MS-ACO进行多源优化处理，在优化航迹过程中引入排序优化机制。与传统ACO算法相比，其在减少拐角代价、节点数量、能耗和飞行时间等方面表现更为出色，提高了操作效率，但对于植保喷雾在果园中的运用，缺乏适应性且拥有较低的效率，且未考虑不同地形和障碍对方法的影响。

由此可见，蚁群优化算法也存在一些问题，例如易陷入局部最优解、收敛速度较慢等。因此，在实际应用中需要根据具体情况进行调整和优化，通过不断的改进，可以进一步提高算法的效率和准确性，实现植保无人机的精准喷施，从而提高农业生产的效益［19］。

2.4 其他元启发算法

除了经典路径规划算法、遗传算法和蚁群优化以外，还有一些元启发算法也可以用于植保无人机路径规划。这些算法通常是基于自然现象或者生物行为的模拟，具有一定的随机性和全局搜索能力。

其中，模拟退火算法是一种基于随机化的全局优化算法，能够在搜索过程中接受一定概率的劣解，从而避免陷入局部最优解。该算法可以用于植保无人机路径规划中，通过不断调整路径，逐步降低路径长度，得到最优路径［20］。

蜜蜂算法是一种基于蜜蜂的觅食行为的优化算法，主要模拟了蜜蜂在寻找花蜜时的选择和跟随行为。该算法可以用于植保无人机路径规划中，通过模拟蜜蜂的选择和跟随行为，得到最优路径［21］。

以上算法都具有一定的优点和局限性，需要根据实际情况选择合适的算法进行应用。同时，这些算法也可以结合使用，形成混合算法，以提高路径规划的效率和精度。

总之，其他元启发算法为植保无人机路径规划提供了更多的选择，可以根据实际情况选择合适的算法进行应用，以提高植保无人机的喷施效率和精度。

3 植保无人机喷雾技术研究

3.1 喷施器研究

喷施器是植保无人机的核心部件，其喷施效果直接关系到农作物的产量。因此，喷施器的研究一直是植保无人机研究的热点之一［22］。

现有的喷施器主要分为两类：喷雾式和流量式。喷雾式喷施器通过高速喷射形成细小的液滴，液滴大小和均匀度决定了喷施效果；流量式喷施器则通过调节流量来实现精准喷施。目前，喷雾式喷施器在植保无人机中应用较为广泛，但其存在喷洒不均匀、漂移等问题，影响了喷施效果［23］。

为了解决这些问题，相关研究者提出了改进措施。Gong等［24］详细介绍了液压喷嘴和旋转雾化喷嘴，全面比较两者的喷雾颗粒大小、稳定性和可调性。该研究证明了旋转雾化喷嘴在未来的农业精准喷洒系统中具有广泛的应用，可以在实时调节的基础上进行精准和可变的喷洒。与传统的液压喷嘴相比，旋转雾化喷嘴在喷雾粒径和稳定性方面具有很大优势。可以迅速适应风速等环境因素的变化，并监测喷雾状态和环境参数，以实现精确和可变的喷洒。但该研究仍然需要提高喷雾器设计、液滴大小测量和效力评估方法，以实现更好的喷洒效果。周乐等［25］使用在线混合技术分离杀虫剂和水箱并仅在使用时将2种液体混合，使用水流或液压泵在线实时混合，采用无人机作为应用载体，配备智能变量应用系统设备，根据操作需要连续调节杀虫剂流量，同时在线自动混合杀虫剂和水以实现实时监测杀虫剂液体的化学浓度，并确保喷洒量的一致性。该技术不仅可以实现高效和超低用量的杀虫剂使用，还可以为大规模的植物保护和控制提供技术支持，实现现代农业的精准操作。何勇等［26］为解决手动混合农药存在安全风险和环境污染的问题，提出了一种实时在线混合喷雾系统的设计方案。使用螺旋多孔混合器和圆盘式混合器实现水和农药的实时混合，并利用精确柱塞泵将农药注入喷雾系统。与人工混合获得的浓度进行对比，HPLC系统测量系统能够良好地混合，精确地控制水和农药的流量。

除了以上的喷头及喷施器设计之外，还有一些新型喷施器正在研发，如超声波喷施器、电磁波喷施器等，这些喷施器能够更好地控制液滴大小和均匀度，提高喷施效果。

综上所述，喷施器是植保无人机的重要组成部分，其喷施效果直接关系农作物的生长和产量。当前，喷施技术仍存在一些问题，需要进一步研究和改进。同时，对于喷施器的使用和维护也需要进行规范和培训，以确保其正常运行和使用寿命。

3.2 漂移控制研究

植保无人机在喷施农药时，需要精准控制位置和速度，以确保喷雾的均匀性和覆盖率。然而，由于气流和风的影响，无人机在飞行时容易发生漂移，导致喷雾效果不佳。因此，漂移控制技术成为植保无人机研究中的重要方向之一［27］。

漂移控制技术主要包括2个方面：漂移检测和漂移校正。漂移检测是指通过传感器或算法检测无人机的漂移情况，以便进行校正。常用的漂移检测方法包括GPS、惯性导航系统、视觉传感器等。漂移校正是指根据漂移检测结果，采取相应的措施来校正无人机的位置和速度。常用的漂移校正方法包括PID控制、模糊控制、自适应控制等。

除了技术手段的不断改进，漂移控制的实际效果也需要在试验中进行验证。一些研究者利用田间试验来测试漂移控制技术的精度和效率，以便更好地优化漂移控制算法和方法。

孙道宗等［28］为探究风速和喷嘴倾斜角对农业喷洒过程中水滴漂移的影响，通过试验和仿真的手段，探讨了风速和喷嘴倾斜角对农业喷洒过程中水滴飘移的影响及控制方法。得出了在不同风速下优化喷嘴倾斜角度的方案，使得喷洒效果和漂移控制达到一个较好的平衡。Hu等［29］提出了一种利用无人机（UAV）经由无线传感器网络（WSN）辅助调整飞行轨迹的方案，用于在精密农业中控制农药飘移。该系统通过从地面无线传感器网络收集数据来自主地根据风速和风向调整 UAV 的飞行轨迹，利用深度强化学习和粒子群优化2种优化算法生成修改后的飞行路线。该方案还开发了一个简化的农药液滴飘移模型（包括风速和风向作为参数），并进行模拟和计算飘移距离。使用基于长短时记忆网络（LSTM）的风速预测模型和基于递归神经网络（RNN）的风向预测模型来解决通信延迟或缺少与地面节点连接引起的问题。结果表明，WSN辅助的UAV轨迹调整系统能够为UAV提供实时农药喷雾的准确覆盖。Chen等［30］研究了航空喷雾领域中喷雾粒子大小对喷洒效果的影响，较之前的研究，更突出地分析了喷雾粒子的大小对于喷雾效果的影响，并验证了喷雾粒子大小对于喷洒效果的重要性，推荐农业从业者避免使用小于160 μm的喷雾粒子，避免药害漂移，但农药的药害漂移问题依然存在，需要寻求更加合理的喷施方案。

总之，漂移控制技术是植保无人机研究中的一个重要方向，对提高植保无人机的喷施效率和精度具有重要意义。未来，漂移控制技术还需要不断地完善和优化，以满足不同环境下的植保需求。

4 存在问题和发展建议

4.1 植保无人机的局限性

植保无人机是一种新兴的农业技术，可以在农业生产中发挥重要作用。然而，植保无人机目前还存在一些局限性［31］。

首先，植保无人机的作业范围有限。由于无人机的电池容量和航程限制，其作业范围通常在数十公顷以内，而且需要在较短时间内完成作业，使得植保无人机难以满足大规模农田的植保需求。

其次，植保无人机的精度有待提高。虽然植保无人机可以通过遥感技术获取农田信息，但是在实际操作中，其精度受到多种因素的影响，如风速、风向、湿度、温度等。这些因素的变化会导致喷施量和喷施位置的误差，从而影响植保效果［32］。

此外，植保无人机的成本较高。由于植保无人机需要配备高精度的传感器和喷施器，以及复杂的导航和控制系统，其成本较传统植保设备高出很多，使得植保无人机在一定程度上限制了其应用范围。

综上所述，植保无人机在应用过程中还存在一些局限性。未来研究应该致力于解决这些问题，以进一步发挥植保无人机的作用，推动农业的可持续发展。

4.2 发展建议

首先，需要进一步提高植保无人机的精准喷施能力。目前，植保无人机的喷施精度还需要进一步提高，特别是在混合种植农田环境中，如何准确地将农药喷洒到作物上仍然是一个难题。因此，需要加强对植保无人机喷施技术的研究，探索更加精准的喷施方法，提高喷施效率和效果。

其次，需要加强植保无人机的智能化和自主化。目前，植保无人机的控制系统还比较简单，大多数需要人工操控。为此，需要加强对植保无人机智能化和自主化技术的研究，实现无人机自主规划路径、自主识别作物和病虫害等功能。

最后，需要加强植保无人机的安全性和可靠性。植保无人机在高空飞行，如果出现故障或者失控，可能会对人和环境造成严重的危害。因此，需要加强对植保无人机的安全性和可靠性研究，确保无人机的飞行安全和喷施效果。

总之，植保无人機技术是未来农业发展的重要方向之一，需要加强相关技术的研究，提高植保无人机的工作效率和喷施精度，确保其安全性和可靠性，促进农业的可持续发展。

5 展望

植保无人机精准喷施方法是当前农业生产中的热点研究方向，其应用前景广阔。然而，目前的研究仍存在一些问题和不足之处，需要进一步深入研究和改进。

首先，目前植保无人机在作物生长过程中的特殊要求方面仍需加强。在作物生长过程中，不同作物的生长环境和生长周期是不同的，因此需要针对不同的作物进行适度调整。目前，这一问题还没有得到有效解决。

其次，植保无人机在实际操作中仍存在一定的技术难题。例如，喷施过程中的漂移控制和喷施器的设计等，需要进一步研究和改进。

此外，在植保无人机的路径规划算法方面，目前的算法仍有很大的提升空间。例如，可以结合机器学习和深度学习等技术，提高路径规划的准确性和效率。

综上所述，未来应该针对植保无人机在作物生长过程中的特殊要求进行更深入的研究，同时加强对喷施过程中的技术难题的探究，以及结合新兴技术提高路径规划的准确性和效率。这些研究将有助于推动植保无人机技术的发展，为农业生产提供更为高效、精准的服务。

参考文献

［1］ HUNTER M C，SMITH R G，SCHIPANSKI M E，et al.Agriculture in 2050：Recalibrating targets for sustainable intensification［J］.BioScience，2017，67（4）：386-391.

［2］ OERKE E C.Crop losses to pests［J］.The journal of agricultural science，2006，144（1）：31-43.

［3］ 王文杰.基于结构光视觉的植保无人机避障技术研究［D］.杭州：杭州电子科技大学，2018.

［4］ 包志鹏，李梓锴，李梓菲，等.多旋翼无人机自主巡检关键技术研究［J］.机电信息，2020（18）：85，87.

［5］ HAFEEZ A，HUSAIN M A，SINGH S P，et al.Implementation of drone technology for farm monitoring & pesticide spraying：A review［J］.Information processing in agriculture，2023，10（2）：192-203.

［6］ MARINELLO F，PEZZUOLO A，CHIUMENTI A，et al.Technical analysis of unmanned aerial vehicles（drones）for agricultural applications［J］.Engineering for rural development，2016，15（2）：870-875.

［7］ 歐阳安.我国农用无人机产业发展现状及建议［J］.农业工程，2022，12（5）：5-9.

［8］ 陈洪军.苹果病害监测与模型构建及精准喷施应用技术分析［J］.现代农业科技，2022（5）：74-76.

［9］ 何雄奎.高效植保机械与精准施药技术进展［J］.植物保护学报，2022，49（1）：389-397.

［10］ 邓巍，陈立平，张瑞瑞，等.无人机精准施药关键技术综述［J］.农业工程，2020，10（4）：1-10.

［11］ HUANG X，DONG X Y，MA J，et al.The improved A* obstacle avoidance algorithm for the plant protection UAV with millimeter wave radar and monocular camera data fusion［J］.Remote Sensing，2021，13（17）：1-22.

［12］ TIAN R，CAO M Y，MA F Y，et al.Agricultural UAV path planning based on improved A* and gravity search mixed algorithm［J］.Journal of physics：Conference series，2020，1631：1-9.

［13］ 何雄奎.中国精准施药技术和装备研究现状及发展建议［J］.智慧农业，2020，2（1）：133-146.

［14］ XU Y，SUN Z，XUE X Y，et al.A hybrid algorithm based on MOSFLA and GA for multi-UAVs plant protection task assignment and sequencing optimization［J］.Applied soft computing，2020，96：1-12.

［15］ LIU Y Y，ZHANG P Y，RU Y，et al.A scheduling route planning algorithm based on the dynamic genetic algorithm with ant colony binary iterative optimization for unmanned aerial vehicle spraying in multiple tea fields［J］.Frontiers in plant science，2022，13：1-15.

［16］ 周婷婷，肖庆刚，杜睿，等.我国棉花脱叶催熟技术研究进展［J］.棉花学报，2020，32（2）：170-184.

［17］ GAO Z K，ZHU J，HUANG H P，et al.Ant colony optimization for UAV-based intelligent pesticide irrigation system［C］//Proceedings of the 2021 IEEE 24th international conference on computer supported cooperative work in design（CSCWD）.Dalian，China：IEEE，2021.

［18］ TIAN H X，MO Z J，MA C Y，et al.Design and validation of a multi-objective waypoint planning algorithm for UAV spraying in orchards based on improved ant colony algorithm［J］.Frontiers in plant science，2023，14：1-14.

［19］ 赵静，龙腾，兰玉彬，等.多旋翼无人机近地遥感光谱成像装置研制［J］.农业工程学报，2020，36（3）：78-85.

［20］ 马锐.多旋翼无人机在农业生产病虫害防治的作用及趋势［J］.农机使用与维修，2019（10）：98.

［21］ 徐燕.植保无人机发展现状及未来展望［J］.南方农业，2019，13（18）：158，163.

［22］ 宋修鹏，宋奇琦，张小秋，等.植保无人机的发展历程及应用现状［J］.广西糖业，2019（3）：48-52.

［23］ 劉向尧，杨登红，詹家礼.国内植保机行业的研究现状与展望［J］.贵州农机化，2019（1）：11-18，51.

［24］ GONG J Q，FAN W Q，PENG J.Application analysis of hydraulic nozzle and rotary atomization sprayer on plant protection UAV［J］.International journal of precision agricultural aviation，2019，2（1）：26-30.

［25］ 周乐，李廷，周永新.在线混药技术在植保无人机应用系统设计［J］.机械工程师，2019（6）：7-9.

［26］ 何勇，肖舒裴，方慧，等.植保无人机施药喷嘴的发展现状及其施药决策［J］.农业工程学报，2018，34（13）：113-124.

［27］ 蔡银杰，孙娟，丁晓辉，等.我国植保无人机发展现状与展望［J］.世界农药，2018，40（6）：15-18，36.

［28］ 孙道宗，占旭锐，刘伟康，等.侧风影响下喷头倾斜角度对雾滴飘移补偿［J］.农业工程学报，2021，37（21）：80-89.

［29］ HU J，WANG T，YANG J，et al.WSN-assisted UAV trajectory adjustment for pesticide drift control［J］.Sensors，2020，20（19）：1-27.

［30］ CHEN S D，LAN Y B，ZHOU Z Y，et al.Effect of droplet size parameters on droplet deposition and drift of aerial spraying by using plant protection UAV［J］.Agronomy，2020，10（2）：1-15.

［31］ 袁会珠，薛新宇，闫晓静，等.植保无人飞机低空低容量喷雾技术应用与展望［J］.植物保护，2018，44（5）：152-158，180.

［32］ 陈盛德.植保无人机在水稻喷施中的雾滴沉积机理及作业参数研究［D］.广州：华南农业大学，2018.