基于视觉的玉米苗期作物识别与定位方法研究

基于视觉的苗期作物目标识别技术逐渐成熟,对作物进行准确识别和精准定位,是实现株间除草的技术关键和难点。本文以苗期玉米为研究对象,提出了一种苗期作物的识别与定位方法,通过作业车辆的图像采集装置来实时获取田间作物的苗期图像,基于HSV色彩空间对输入图像进行预处理,根据作物与土壤背景颜色差异,选取固定取值范围的三通道阈值,通过二值化处理去除土壤背景,再通过深度开运算来去除杂草噪声,对得到的苗期作物提取轮廓信息,经过骨架提取算法后得到作物骨架,并以此确定作物茎秆位置坐标,从而实现对作物的精准定位。作物图像中幼苗的识别率为98.3%,定位误差距离在10 mm以内的定位精准度为85.9%,基本可以满足智能除草机器人实时除草作业要求。     

智能化作物株间机械除草技术分析与研究

非化学除草方式是生产有机农产品的前提,传统的机械中耕除草技术可有效去除行间杂草,但株间杂草密集度大且分布区域不连续,目前以人工除草为主,效率低且劳动成本高。机械除草作为化学除草的有效替代,除草高效且无化学药剂残留,符合绿色精准农业的发展要求,引起国内外众多学者的关注。为此,介绍了传统除草技术及株间除草技术的现状,重点介绍了国内外株间除草装置的关键部件与智能化系统,并分析比较了各种除草技术的优势与不足,最后对智能化作物株间机械除草技术作了总结和展望。     

果园株间机械除草技术研究进展与分析

传统的果园除草机主要进行行间除草,但果树株间为非连续区域,株间机械除草难度较大。果园株间除草机可对果树行间和株间同时进行除草,作业效率高,除草彻底。为此,主要对近年来国内外株间除草机研究现状进行介绍,对避障装置、除草装置、驱动方式、工作速度等几个关键技术进行分析和比对,强调高效稳定的避障装置是果园株间除草机的核心。在此基础上,提出了果园农机、农艺与信息技术深度融合发展,研究了高效稳定的避障装置。结果表明:小型化模块化设计将是果园株间除草机的未来发展趋势,适应稳定作业要求的株间避障技术和高速、高效的机械除草技术,是我国果园株间机械除草的研究重点。     

智能田间除草机器人发展现状研究

智能田间除草机器人是当代农业发展现代化、精细化、智能化的重要体现,对国家社会发展、环境保护等方面有着重要意义。为明确智能除草机器人关键技术与装备当前研究现状,从除草方式、苗草识别定位和智能导航方式等方面,总结梳理典型除草机器人的研究现状及作业方式;综述智能导航、苗草识别、除草执行系统关键技术的重要意义及研究进展;结合除草机器人具有作业环境复杂多变性、作业对象娇嫩性、使用对象特殊性、作业季节性的研究特点,指出当前关键技术的现存问题并阐释组合导航技术、复杂田间环境图像处理技术及杂草分类、株间除草末端执行机构研发及机械结构优化是未来发展趋势。     

双弧形水稻株间除草部件设计及切土轨迹研究

稻田机械除草技术是影响稻米质量的一项关键性生产技术,利用除草机械在播种不同时期对稻田进行除草,既能杀除田中的杂草,又减少了对环境的污染。目前,国内的稻田除草机械主要针对行间杂草去除,而株间除草技术成为科研人员研究的重点。为此,设计了一种双弧形的株间除草部件,并对部件切土轨迹进行室内土槽试验分析,得到了较好的分析效果。     

基于骨架提取算法的作物茎秆识别与定位方法

针对农作物禾苗和杂草辨识和定位不精确,会造成除草机器人除草不净、伤害禾苗、影响产量等问题,提出了一种基于骨架提取算法的作物茎秆中心识别与定位的多级图像识别方法。该方法通过不同图像处理算法的多级式递进融合,实现对农作物茎秆的精确识别与中心定位。首先将采集到的彩色图像转换到HSV颜色空间进行背景分割。然后采用腐蚀算法对图像进行腐蚀操作,腐蚀掉杂草图像信息得到仅含作物的图像信息,最后用Zhang-Suen细化算法对作物图像进行骨架提取操作,并对骨架交叉点进行计算分析,识别与定位作物茎秆中心,实现作物精准辨识和定位。对采集的100幅苗期图像进行实验测试,结果表明农作物禾苗茎秆中心识别和定位精度误差小于12mm。本文方法能实时精准辨识禾苗和杂草,并对禾苗进行精准定位,为实现田间机械化除草提供了一种精准可靠的作物识别和定位方法。     

稻田株间除草弹齿齿形及安装方式分析与试验

水田机械除草技术是提高稻米品质的一项重要生产技术,在水稻生长过程中进行机械除草作业,既去除杂草同时又实现了稻田的中耕管理,降低了长期以来化学除草带来的负面环境影响。目前,稻田机械除草技术在对行间杂草去除方面的研究较为成熟,株间杂草去除成为重点的研究方向。为此,设计了一种株间除草关键部件(即除草盘),并对除草盘上弹齿齿形进行了选型,对弹齿安装方式进行分析。按照确定的结构制造了除草盘,进行了室内土槽试验,表明该种形式的除草盘具有较好的除草效果。     

基于视觉的苗期作物株间除草关键技术研究现状

基于视觉的苗期作物和杂草的图像分割技术逐渐成熟,通过视觉技术对苗期作物进行精准识别和定位,是实现株间除草的关键技术和难点。作物的精准识别首先需要利用颜色特征将图像中的作物、杂草和土壤背景进行分割;其次利用实际识别对象的位置特征,形状特征,纹理特征,光谱特征等构造新的特征向量,结合成熟的分类算法对作物和杂草进行特征分类识别。针对棉苗和大豆苗,主要提取位置特征、形状特征,多采用支持向量机为主分类算法;针对玉米,主要提取位置特征、纹理特征,多采用人工神经网络为主的分类算法;针对部分蔬菜苗,主要提取形状特征、光谱特征,多采用算法结合的优化算法,具体实现时需要根据离线样本学习的结果来平衡苗期作物的识别准确率与实时性。在目前的算法中,主要存在三方面的问题:作物特征提取效果易受到遮挡、光照等干扰;分类算法目前还不能得到非常令人满意的准确性和实时性;目前算法一般是针对某种时段的作物,不具有通用性。这些都是后续算法研究中需要进一步解决的问题。     

八爪除草机构的设计与实验-基于虚拟样机技术

为了实现田间株间精确机械除草,设计了一种八爪式智能除草机构,并重点研究了在实现不同株距株间除草时所需的前进速度和转速,进行了ADAMS动力学仿真实验和土槽中的物理样机实验.仿真和实验结果表明:该结构的设计能使工作爪端的割刀伸入株间进行除草,仿真实验中的割刀中心轨迹能够有效完成株间除草,并在样机试验中得到了验证.     

基于图像处理多算法融合的杂草检测方法及试验

自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题，针对上述问题，本研究提出了基于图像处理多算法融合的田间杂草检测方法，设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式，综合权衡上述三种方法，实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究，结果表明，使用融合多图像处理算法的投票方法进行作物和杂草识别定位，杂草识别平均错误率为1.79%，识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法，基于投票权重识别杂草的精度平均提升5.71%。同时，针对复杂多变的农业场景，进行了存在雨滴和阴影干扰的鲁棒性测试，实现了90%以上的作物识别结果，表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。