基于自适应无迹卡尔曼滤波的采摘机械手视觉伺服控制方法

为解决未知统计特性下的系统噪声对图像雅克比矩阵估计精度的影响问题,提高视觉伺服定位精度,在卡尔曼滤波(lalman filter, KF)法以及无迹卡尔曼滤波(unscented kalman filter, UKF)法的基础上,引入自适应噪声统计估计器,提出自适应无迹卡尔曼滤波(adaptive unscented kalman Filter, AUKF)法估计图像雅克比矩阵,并构造了视觉伺服控制系统。仿真试验结果表明,基于自适应无迹卡尔曼滤波法估计图像雅克比矩阵的视觉伺服控制系统的图像特征最大误差值为10.2像素,机械手末端与目标点三维坐标最大误差值为4.19 mm,响应时间为1.2 s。搭建了七自由度采摘机械手视觉伺服试验平台进行采摘试验,试验结果表明,基于AUKF法估计图像雅克比矩阵的视觉伺服系统对静态目标的采摘成功率为90%,对动态目标的采摘成功率为83%,相比于KF法与UKF法,采摘静态目标试验成功率分别提高了17与10个百分点,动态采摘试验成功率分别提高了16%与10%。基于AUKF法估计图像雅克比矩阵的视觉伺服系统对静态与动态目标的采摘平均时间分别为18和22 s,相比于KF法与UKF法,静态采摘用时分别减少了10和6 s,动态采摘用时分别减少了12和8 s。AUKF法与KF法以及UKF法估计的图像雅克比矩阵相比,AUKF法估计的图像雅克比矩阵减小了采摘机械手视觉伺服控制系统过程噪声的干扰,使采摘机械手视觉伺服控制系统过程噪声适应视觉伺服系统的变化,采摘机械手视觉伺服控制系统定位精度更高。     

温室环境温度预测自适应机理模型参数在线识别方法

温室小气候模型具有非线性、强干扰、时变等特性,常用的线性化模型或离线辨识模型无法有效预测温室环境动态变化规律,模型精度不高直接影响温室环境控制性能。针对模型的这种复杂特性,该文以温度模型为例,提出利用连续-离散递推预测误差算法,对非线性模型参数和状态进行在线估计,以提高模型精度。首先,考虑加热和通风2种控制输入,建立了温室温度模型。然后,论述了该算法的原理和优势,算法通过引入并调整增益矩阵,对系统噪声进行在线更新,减少了系统噪声初始化偏差对参数估计收敛性的影响。最后,基于试验温室实测数据,对温室温度模型进行了在线辨识仿真,结果表明,利用连续-离散递推预测误差算法辨识模型拟合度为93.7%,扩展卡尔曼滤波器拟合度为89.5%,该文提出的算法在预测温室温度方面更为有效。     

基于无人机航向的不规则区域作业航线规划算法与验证

为尽可能地减少飞行总距离和多余覆盖面积,节省无人机的能耗和药液消耗,研究了一种基于作业方向的不规则区域作业航线规划算法。该算法根据指定的作业方向,可快速规划出较优的作业航线,也可在未指定作业方向的情况下,给出某一推荐的作业方向与航线,使整个作业过程能耗和药耗最优。仿真结果表明,在一块面积为983.125 m2的不规则凸五边形作业区域内,采用该算法进行航线规划,无人机作业的多余覆盖率最低可达到11.5%,而且作业面积越大,优化效果越明显,在同样的地块进行田间试验,得到最低多余覆盖率为2.8%,证明了该算法的可行性。该研究可为自主作业无人机的航线规划算法提供参考。     

基于深度学习与目标跟踪的苹果检测与视频计数方法

基于机器视觉技术自动检测苹果树上的果实并进行计数是实现果园产量测量和智慧果园生产管理的关键。该研究基于现代种植模式下的富士苹果视频,提出基于轻量级目标检测网络YOLOv4-tiny和卡尔曼滤波跟踪算法的苹果检测与视频计数方法。使用YOLOv4-tiny检测视频中的苹果,对检测到的果实采用卡尔曼滤波算法进行预测跟踪,基于欧氏距离和重叠度匹配改进匈牙利算法对跟踪目标进行最优匹配。分别对算法的检测性能、跟踪性能和计数效果进行试验,结果表明：YOLOv4-tiny模型的平均检测精度达到94.47%,在果园视频中的检测准确度达到96.15%;基于改进的计数算法分别达到69.14%和79.60%的多目标跟踪准确度和精度,较改进前算法分别提高了26.86和20.78个百分点;改进后算法的平均计数精度达到81.94%。该研究方法可有效帮助果农掌握园中苹果数量,为现代化苹果园的测产研究提供技术参考,为果园的智慧管理提供科学决策依据。     

方差补偿自适应卡尔曼滤波在GPS滑坡监测中的应用研究

卡尔曼滤波是目前处理滑坡监测数据的主要方法。针对传统卡尔曼滤波中动态噪声不准或不容易确定而导致滤波发散的现象,提出用动态噪声的方差阵补偿法对滤波中的方差-协方差误差进行修正,结合三峡实测数据处理,证明该方法能有效地克服滑坡监测数据处理中滤波模型发散的问题。     

ARIMA模型在大凌河支流流域降水量的预测应用研究

以大凌河支流叶柏寿水文站以上区域为研究区域,基于ARIMA模型预测了该区域2000—2013年降水量,并和区域内实测的降水量进行对比分析ARIMA模型在大凌河支流降水量预测的适用性和预测精度。研究结果表明:ARIMA模型在大凌河支流降水量预测中具有较好的精度,可用于区域降水量的预测,预测的降水量年值和实测降水量年值之间的相对误差小于20%,相关系数达到0.706 7。研究成果对于区域降水量预测和水资源配置规划具有参考价值。     

基于时间序列分析的卡尔曼滤波组合导航算法

GPS广泛用于农业机械导航研究中,其定位误差信号一般存在明显的自相关性,不能满足组合导航中常用的卡尔曼滤波算法观测噪声为高斯白噪声的要求。为此,建立了GPS定位误差AR模型,结合卡尔曼估计结果来预测和修正GPS定位误差,再将修正后的GPS定位信息应用于组合导航中的卡尔曼滤波过程。试验结果表明,无论GPS接收机是在静止还是在运动条件下,处理后的定位误差信号自相关性都明显降低,近似为白噪声;目标路径直线时的最大跟踪误差约为0.15 m,为曲线时,最大跟踪误差约为0.3 m。该方法为低精度GPS应用于农业机械导航提供了可行途径。     

基于改进YOLOv7的毛虾捕捞渔船作业目标检测与计数方法

渔船捕捞信息量化是开展限额捕捞精细化管理的前提,为解决中国毛虾限额捕捞目标识别和信息统计量化问题,研究了在中国毛虾限额捕捞渔船上安装电子监控（electronic monitoring,EM）设备,并基于YOLOv7提出一种改进的目标检测算法（YOLOv7-MO）和目标计数算法（YOLOv7-MO-SORT）。YOLOv7-MO目标检测算法采用MobileOne作为主干网络,在输出端head部分加入C3模块,并完成剪枝操作;YOLOv7-MO-SORT目标计数算法将SORT（simple online and realtime tracking）算法中的Fast R-CNN替换为YOLOv7-MO,用于检测捕捞作业中抛出的锚和装有毛虾的筐。采用卡尔曼滤波和匈牙利匹配算法对检测到的目标进行跟踪预测,设置碰撞检测线、时间戳、阈值和计数器,实现对捕捞作业过程中渔获毛虾筐数和下网数量计数。结果表明：1）改进后的YOLOv7-MO在测试集上的平均检测精度、召回率、F1得分分别达到了97.3%,96.0%,96.6%,相比YOLOv7模型分别提升了2.0、1.1和1.5个百分点。2）改进后的YOLOv7-MO模型大小、参数量和浮点运算数分别为64.0 MB、32.6 M、39.7 G,相比YOLOv7模型分别缩小了10.2%、10.6%和61.6%。3）以YOLOv7-MO为检测器的SORT算法毛虾捕捞作业计数准确率在统计毛虾筐数和下网数量上分别达到80.0%和95.8%。YOLOv7-MO在提高检测精度的同时减轻了模型量级,提高了检测效率。结果表明,该研究能够为实现渔船捕捞作业信息记录自动化和智能化提供方法,为毛虾限额捕捞管理提供决策参考依据。     

基于抽样调查地块实测数据的省级水稻单产遥感估算

利用统计局抽样调查地块实割实测标准单位面积产量数据及空间位置信息,在研究水稻种植区MOD09GA、MYD09GA EVI （enhanced vegetation index）数据结合使用可行性分析的基础上,进行湖南省省级水稻单产遥感估算。结果表明：在水稻种植区,水稻生长期间有超过50%、85%、95%的MOD09GA与MYD09GA EVI偏差绝对值分别小于0.03、0.08、0.1。水稻遥感估产模型以二次非线性模型或回归模型精度较高,且时相集中在水稻生长的孕穗期到抽穗期。在省级水平上,与实测值相比,基于统计局统计抽样调查地块实割实测标准单位面积产量数据的水稻单产遥感拟合结果相对误差小于2%,预测结果的相对误差接近5%,且实测值与模拟值集中分布在1∶1线附近,说明预测结果与统计值在空间分布上具有较好的一致性。     

采用双目视觉和自适应Kalman滤波的作物行识别与跟踪

针对传统作物行识别方法在相邻图像间的识别结果偏差较大,作物行的定位精度和稳定性低等问题,该研究提出一种基于双目视觉和自适应Kalman滤波技术的作物行识别与跟踪方法。对于作物行识别,首先建立图像预处理算法,基于改进的超绿-超红模型和最大类间方差法分割植被灰度特征;建立作物行特征提取算法,基于特征点检测技术和双目视差测距方法计算植被角点特征的三维坐标,根据三维阈值提取作物行特征点,进而建立作物行中心线检测算法,建立基于主成分分析的直线拟合模型,根据作物行特征点的频数统计规律检测作物行冠层中心线。对于作物行跟踪,建立跟踪目标规划模型,提取位于图像中央区域的作物行作为跟踪目标;建立目标状态方程,基于自适应Kalman滤波技术构建作物行中心线跟踪模型。以棉花图像开展试验研究,图像数据包括阴影、杂草、地头等田间场景。试验结果表明,该研究方法的作物行识别准确度、精度和速度均较高,识别正确率约为92.36%,平均航向偏差为0.31°、标准差为2.55°,平均识别速度约80.25 ms/帧;经目标跟踪后,航向角和横向位置估计的标准差分别为2.62°和0.043 m、较无跟踪状态分别减小22.94%和10.42%,作物行中心线的方位估计精度进一步提高。研究成果可为导航系统提供连续、稳定的作物行导引参数。     

基于拖拉机作业轨迹的农田面积测量

为了精确测量拖拉机在农田作业时的作业面积,以评价拖拉机的作业效率。该文选用双星定位(GPS卫星和伽利略卫星)接收机采集定位数据,采用自适应卡尔曼滤波算法提高接收机单点定位精度,利用高斯投影算法将GPS接收机采集经纬度转化成平面坐标来计算面积。选用回耕法、梭形耕法、套耕法3种方法旋耕地块,利用安装拖拉机上的GPS识别出作业轨迹,利用图像处理计算3种方法的有效作业面积、实际作业面积和重漏耕面积。试验表明:卡尔曼滤波提高了GPS单点定位精度;面积测量相对误差为2.09%;地块1(回耕法)漏耕率为14.29%,重耕率为6.19%,地块2(梭形耕法)漏耕率为10.72%,重耕率为5.54%,地块3(套耕法)漏耕率为1.80%,重耕率为6.82%。随测量面积增加,测量精度越高;套耕法效率最高,梭形耕法其次;回耕法的漏耕率最大,作业效率最低。     

农用车辆自动导航定位方法

农用车辆自动导航技术可有效提高作业精度、实现农田规模化生产。该文以电瓶车为试验平台,使用 RTK DGPS、RTD GPS 和电子罗盘分别采集电瓶车的位置信息和航向角度信息,对农用车辆的导航定位方法进行了研究。试验时,以 RTK DGPS 采集的数据作为标准轨迹。在对试验数据进行空间配准后,采用 Kalman 滤波技术对 RTD GPS 和电子罗盘的数据进行了融合;通过计算综合权重值,对单 GPS 系统和融合系统的性能进行测试与评估,其值分别为 0.006、0.002。由此可知,采用 Kalman 滤波的电子罗盘和 RTD GPS 的组合导航系统,定位精度相对较高,稳定性较好,整体性能优于单 GPS 系统。     

拖拉机驱动轮滑转率估算法与验证

拖拉机作业环境恶劣,测量信号容易受到噪声干扰,其滑转率的计算过程对于输入信号的相对误差有极强的放大作用,因而造成其滑转率难以精确测量。该文提出带噪声观测器的变结构并行自适应数据融合算法,对轮速传感器、角加速传感器、车身加速度计和全球定位系统的信号进行融合,在不需要先验误差统计规律的前提下实现了对拖拉机驱动轮滑转率的在线精确估计。仿真测试结果证明:采用信息融合方法求得的驱动轮滑转率信号几乎与理论值曲线重合且鲁棒性好,平均误差为中值滤波的1/10左右,为卡尔曼滤波的1/5;算法的噪声观测器能够实时估算测量信号的白噪声方差,求得的稳态平均方差与已知精确先验误差的卡尔曼数据融合算法无明显差异;在从动轮速度信号受到有色随机噪声干扰的特殊工况下,算法的信息融合机制能够补偿大部分由有色噪声干扰造成的误差。实测试验证明:在拖拉机稳定工作工况,在线求得的测量信号噪声方差均值在5%的范围内波动,采用数据融合算法求得的驱动轮滑转率误差均值为0.012,误差绝对值最大值为0.027,与离线拟合得到的参考值非常接近。该研究为拖拉机实现精确控制提供了参考,其在线测量信号方差统计方法为拖拉机总线网络的传感器信息共享提供了技术基础。     

基于GPS和机器视觉的组合导航定位方法

准确、可靠的位置信息是进行农业机械自动导航的前提。该文构建了一个基于GPS和机器视觉的多传感器组合导航定位系统。在此系统中,采用GPS获取导航车的绝对位置信息、航向角度和行驶速度;机器视觉通过图像处理获取导航基准线,并得到代表作物行特征的点;UKF（unscented kalman filter,无迹卡尔曼滤波）滤波器用来对上述传感器获取的信息进行滤波,并以电瓶车为平台,对滤波前后的定位效果进行对比。试验结果表明,使用UKF滤波后的定位精度和稳定性得到了改善,X方向和Y方向标准偏差分别为2.43、0.07 m,定位曲线得到了平滑,克服了使用单一传感器进行定位的弊端,能够满足自动导航系统的要求。     

基于物联网的病死猪无害化处理山区运输监控系统设计

目前,大多数无害化处置运输车辆使用全球定位系统(global positioning system,GPS)来确定病死猪的消毒站位置和运输路线。然而,当车辆在偏远山区运行时,定位信息传递不连续和不完整。为了解决这个问题,设计了一套病死猪无害化处理监控系统,系统结合北斗导航系统、全球定位系统、无线射频识别技术(radio frequency identification,RFID)、通用分组无线服务技术和地理信息系统等技术。利用北斗/GPS双模用户机双模定位和双向通信的功能,一方面,它可以解决单一定位时出现的定位信息不稳定的问题;另一方面,当BDS导航定位系统数据似乎显示出偏差,将WGS-84坐标系的GPS定位数据转换为BDS定位系统的CGCS2000坐标系,以提高运输车辆位置信息采集精度的目的。利用GAMIT软件计算观测点的三维坐标,并对组合导航和单导航的定位精度进行分析。采用Floyd算法对运输路线进行优化,寻找最短的运输距离。利用北斗卫星的信息通信功能代替全球移动通信系统(global system for mobile communications,GSM),短消息业务,实现无害化运输车辆与控制中心之间的信息远程传输。控制中心通过对接收到的数据进行分析,得到病死猪收运车的运输路线和定点消毒监测信息。系统试验表明:采集的数据能够准确及时地传输到控制中心,北斗/GPS双模接收机定位精度比北斗卫星定位精度高55.13%,比GPS卫星定位精度高52.71%。北斗通信的网络丢包率为0.26%,消毒点的车辆定点识别误差率0.97%,结果表明,满足病死猪无害化处理监控管理的要求,系统运行可靠、稳定。该系统的构建与应用,为其他病死动物无害化处理的综合管理与监控提供参考。     

农业机械导航中的航向角度估计算法

研究农业机械航向角度的动态测量与估计方法,对其导航定位和导航控制具有重要意义.该文以日本久保田插秧机为研究对象,采用HMR3000电子罗盘和ADXRS300微机械陀螺仪组合进行农业机械航向角度动态测试的研究.提出了基于协方差函数的加窗估计算法,用于在线估计电子罗盘和微机械陀螺的测量方差.在此基础上,提出利用自适应加权融合算法,融合电子罗盘和微机械陀螺信息,实现农业机械航向角度的动态测试与精确估计.试验结果表明,所提出的自适应加权融合估计算法适用于农业机械动态条件下的航向角度测试,具有良好的抗干扰能力,可以平滑和滤除测试噪声,为导航控制提供更为精确和可靠的航向角度估计数据且经济性较好.     

基于卡尔曼滤波的车辆侧偏角软测量

针对车辆稳定性控制过程中难以在线测得车辆侧偏角的问题,该文基于参数软测量理论和离散信号滤波理论,并结合卡尔曼滤波和驾驶员—车辆闭环系统模型建立车辆侧偏角软测量模型。该方法通过易测变量横摆角速度和侧向加速度估算车辆侧偏角,以实现车辆侧偏角的状态估计。基于预瞄最优曲率控制理论和预测—跟随理论所建立的二自由度驾驶员—车辆闭环系统建立了软测量模型,并建立其状态方程和观测方程。为进行状态估计,对模型的状态方程和观测方程进行连续系统离散化,得到以横摆角速度和侧向加速度为观测量的系统离散观测方程。通过双移线试验与蛇形试验进行场地试验获取纵向速度、侧向速度、横摆角速度、侧向加速度及车辆侧偏角等试验数据。估计值和试验值比较显示,两者变化趋势一致,误差均值在试验值幅值的10%以内,试验表明,软测量算法能准确估算出车辆侧偏角是可行的。研究结果可为软测量技术在车辆稳定性控制系统上的应用提供参考。     

基于Kalman过滤器的实时拖拉机位置确定系统

该文提出了一个实时拖拉机位置确定系统,该系统由一个六轴惯性测量单元(IMU)和一个Garmin全球定位系统(GPS)组成。在系统中,设计了一个Kalman过滤器来综合两个传感器的信号,以滤去GPS信号中的噪音,融合冗余信息,最后得到一个有较高更新速度的输出信号。此外该系统还能够补偿IMU的偏移误差。通过使用该系统,低价的GPS可以替代高价的GPS,并且保持良好的精确性。试验和融合结果表明该系统确定的拖拉机位置误差比单一使用GPS的系统的误差要大大减小:当拖拉机速度约为1.34m/s时,该系统东向轴的平均偏差为0.48m,而GPS的平均偏差为1.28m;北向轴的偏差从1.48m降为0.32m。系统的更新频率则从原有GPS的1Hz增加到9Hz     

基于噪声类型及强度估计的狭叶锦鸡儿叶切片图像盲去噪

狭叶锦鸡儿叶切片显微图像在获取过程中不可避免的受到噪声污染,会对后续处理造成不良影响。针对现有噪声类型未知,去噪算法存在速度慢、效果不理想等问题,该文提出图像噪声类型估计-强度估计-去噪这一处理过程,实现对狭叶锦鸡儿叶切片显微图像降噪目的。首先采用平滑区直方图重构和拟合法确定噪声类型;然后在此基础上,应用基于图像块的SVD(singular valuable decomposition,SVD)域图像噪声强度估计法对噪声标准差进行估计;最后在确定噪声类型和强度基础上,采用几何均值滤波(geometric mean filtering,GMF)和三维块匹配滤波(block-matching and 3-D filtering,BM3D)对图像进行联合去噪。试验结果表明:该文噪声类型估计法估计出切片图像噪声类型为加性高斯噪声,高斯函数对随机选取的15幅狭叶锦鸡儿叶切片图像平滑区域直方图数据点拟合优度2R均值为0.996,平均均方根误差RMSE(root mean squared error,RMSE)为0.144 6;采用该文噪声强度估计法估计出的切片图像噪声标准差???[2.5,4.0],处理标准差较小噪声,该文算法处理精度、运行速度和稳定性等方面存在明显优势;GMF-BM3D算法在较好去除图像噪声同时,极大的保留了图像纹理、边缘和细节等信息,同时极大的提高了算法运行速度,处理后的图像BRISQUE(blind/referenceless image spatial quality evaluator,BRISQUE)值为10左右,相当于原图BRISQUE值的1/2左右。与传统BM3D算法相比,去噪效果相当,但耗时约相当于传统BM3D算法的1/9。与小波去噪算法(wavelet threshold,WT)算法相比,虽速度相对较慢,但去噪后图像BRISQUE值比使用WT法低4左右。因此,该算法较好实现了对狭叶锦鸡儿叶切片图像准确降噪,为其后续处理提供了可靠技术支持。