In recent years, Unmanned Aerial Vehicles (UAVs) are widely utilized in precision agriculture, such as tree plantations. Due to limited intelligence, these UAVs can only operate at high altitudes, leading to the use of expensive and heavy sensors for obtaining important health information of the plants. To fly at low altitudes, these UAVs must possess the capability of obstacle avoidance to prevent crashes. However, most current obstacle avoidance systems with active sensors are not applicable to small aerial vehicles due to the cost, weight, and power consumption constraints. To this end, this paper presents a novel approach to the autonomous navigation of a small UAV in tree plantations only using a single camera. As the monocular vision does not provide depth information, a machine learning model, Faster Region-based Convolutional Neural Network (Faster R-CNN), was trained for the tree trunk detection. A control strategy was implemented to avoid the collision with trees. The detection model uses image heights of detected trees to indicate their distances from the UAV and image widths between trees to find the widest obstacle-free space. The control strategy allows the UAV to navigate until any approaching obstacle is detected and to turn to the safest area before continuing its flight. This paper demonstrates the feasibility and performance of the proposed algorithms by carrying out 11 flight tests in real tree plantation environments at two different locations, one of which is a new place. All the successful results indicate that the proposed method is accurate and robust for autonomous navigation in tree plantations.

近年来，无人飞行器（UAV）广泛用于树木种植等精密农业。由于情报有限，这些无人机只能在高空运行，导致需要使用昂贵且笨重的传感器来获取植物的重要健康信息。为了在低空飞行，这些无人机必须具备避障能力以防止坠毁。但是，由于成本，重量和功耗的限制，当前大多数具有主动传感器的避障系统均不适用于小型飞机。为此，本文提出了一种新颖的方法，仅使用一台摄像机即可在树木种植园中对小型无人机进行自主导航。由于单眼视觉无法提供深度信息，因此需要使用机器学习模型，基于快速区域的卷积神经网络（Faster R-CNN）被训练用于树干检测。实施了控制策略以避免与树木的碰撞。该检测模型使用检测到的树木的图像高度来指示其距无人机的距离以及树木之间的图像宽度，以找到最宽的无障碍空间。该控制策略允许无人机导航直到检测到任何接近的障碍物，然后在继续飞行之前转向最安全的区域。本文通过在两个不同地点的真实植树环境中进行11次飞行测试，论证了该算法的可行性和性能。其中一个是新地点。所有成功的结果表明，所提出的方法对于人工林中的自主导航是准确和鲁棒的。接受了树干检测方面的培训。实施了控制策略以避免与树木的碰撞。该检测模型使用检测到的树木的图像高度来指示其距无人机的距离以及树木之间的图像宽度，以找到最宽的无障碍空间。该控制策略允许无人机导航直到检测到任何接近的障碍物，然后在继续飞行之前转向最安全的区域。本文通过在两个不同地点的真实植树环境中进行11次飞行测试，论证了该算法的可行性和性能。其中一个是新地点。所有成功的结果表明，所提出的方法对于人工林中的自主导航是准确和鲁棒的。接受了树干检测方面的培训。实施了控制策略以避免与树木的碰撞。该检测模型使用检测到的树木的图像高度来指示其距无人机的距离以及树木之间的图像宽度，以找到最宽的无障碍空间。该控制策略允许无人机导航直到检测到任何接近的障碍物，然后在继续飞行之前转向最安全的区域。本文通过在两个不同地点的真实植树环境中进行11次飞行测试，论证了该算法的可行性和性能。其中一个是新地点。所有成功的结果表明，所提出的方法对于人工林中的自主导航是准确和鲁棒的。实施了控制策略以避免与树木的碰撞。该检测模型使用检测到的树木的图像高度来指示其距无人机的距离以及树木之间的图像宽度，以找到最宽的无障碍空间。该控制策略允许无人机导航直到检测到任何接近的障碍物，然后在继续飞行之前转向最安全的区域。本文通过在两个不同地点的真实植树环境中进行11次飞行测试，论证了该算法的可行性和性能。其中一个是新地点。所有成功的结果表明，所提出的方法对于人工林中的自主导航是准确和鲁棒的。实施了控制策略以避免与树木的碰撞。该检测模型使用检测到的树木的图像高度来指示其距无人机的距离以及树木之间的图像宽度，以找到最宽的无障碍空间。该控制策略允许无人机导航直到检测到任何接近的障碍物，然后在继续飞行之前转向最安全的区域。本文通过在两个不同地点的真实植树环境中进行11次飞行测试，论证了该算法的可行性和性能。其中一个是新地点。所有成功的结果表明，所提出的方法对于人工林中的自主导航是准确而可靠的。该检测模型使用检测到的树木的图像高度来指示其距无人机的距离以及树木之间的图像宽度，以找到最宽的无障碍空间。该控制策略允许无人机导航直到检测到任何接近的障碍物，然后在继续飞行之前转向最安全的区域。本文通过在两个不同地点的真实植树环境中进行11次飞行测试，论证了该算法的可行性和性能。其中一个是新地点。所有成功的结果表明，所提出的方法对于人工林中的自主导航是准确和鲁棒的。该检测模型使用检测到的树木的图像高度来指示其距无人机的距离以及树木之间的图像宽度，以找到最宽的无障碍空间。该控制策略允许无人机导航直到检测到任何接近的障碍物，然后在继续飞行之前转向最安全的区域。本文通过在两个不同地点的真实植树环境中进行11次飞行测试，论证了该算法的可行性和性能。其中一个是新地点。所有成功的结果表明，所提出的方法对于人工林中的自主导航是准确和鲁棒的。该控制策略允许无人机导航直到检测到任何接近的障碍物，然后在继续飞行之前转向最安全的区域。本文通过在两个不同地点的真实植树环境中进行11次飞行测试，论证了该算法的可行性和性能。其中一个是新地点。所有成功的结果表明，所提出的方法对于人工林中的自主导航是准确和鲁棒的。该控制策略允许无人机导航直到检测到任何接近的障碍物，然后在继续飞行之前转向最安全的区域。本文通过在两个不同地点的真实植树环境中进行11次飞行测试，论证了该算法的可行性和性能。其中一个是新地点。所有成功的结果表明，所提出的方法对于人工林中的自主导航是准确和鲁棒的。