基于信息融合的农业自主车辆障碍物检测方法

针对单一传感器在智能车辆环境感知中的局限性,提出一种基于摄像机与激光雷达信息融合的农业自主车辆前方障碍物检测方法。对单目摄像机获取的图像进行基于Ft（Frequency-tuned）算法的显著性检测,并生成显著图。同时对激光雷达反射点进行基于数据关联性评估的聚类分析,确定障碍物数量、边界与位置等先验信息。然后以激光雷达坐标相对应的图像像素坐标为种子点,由种子点激活经过处理的显著图,基于受限区域生长实现障碍物区域分割。试验结果表明,基于Ft算法的图像显著性检测具有更好的边缘检测效果,基于种子点的受限区域生长法可以有效地进行障碍物分割。在机器视觉的基础上融入激光雷达数据,可以更好地排除非障碍物的干扰,实现了障碍物的完整检出。     

基于视觉与激光雷达融合的棚内农业机器人定位和检测研究分析

【目的】探究视觉与激光雷达融合在棚内农业机器人中的应用,解决复杂环境下机器人自主导航的关键问题,提高机器人的感知能力和环境适应性。【方法】首先,采用高精度的视觉传感器捕捉棚内农业场景,通过图像处理技术提取关键特征,建立视觉地图以支持机器人的定位。同时,引入激光雷达传感器获取场景的三维点云数据,从而实现对环境深度和形状的准确感知。视觉与激光雷达信息的融合构建了综合感知系统,为机器人提供了更全面、可靠的定位信息。其次,针对棚内农业作业中常见的障碍物,设计了基于深度学习的障碍物检测算法。通过训练神经网络,机器人能够在实时环境中快速而准确地识别障碍物,并进行相应的避障决策。【结果】本研究提出的基于视觉与激光雷达融合的农业机器人定位和障碍物检测系统在不同棚内环境中表现出卓越的性能。【结论】机器人能够实现高精度的定位,并对障碍物做出及时准确的响应,为棚内农业的自动化精准作业奠定了坚实的技术基础。     

基于Q-学习的果园机器人避障算法研究

针对果园环境复杂、自动化程度低的问题,提出了基于Q-学习的果园机器人避障算法。该果园机器人搭载了激光雷达传感器。为了降低激光雷达数据的冗余度,首先对激光雷达数据进行截取,保留了机器人前进方向上一定角度内的数据,再将激光雷达的数据栅格化,采用数据差的方式标记出障碍物,将所有障碍物补齐为规定的正方形;然后,建立果园机器人的差速模型,对Q-学习的R值表、动作空间和动作选择策略进行建模,使得果园机器人能在果园路径规划过程中所获奖赏最大。MatLab仿真结果表明:该方法能够规划出一条较优路径。室内试验表明:机器人能平稳地避开所设障碍物,到达指定终点。     

无人车2.5D激光雷达行人检测

行人检测作为智能汽车环境感知的一个重要部分,必须具备很好的精度和实时性。2.5D四线激光雷达能够返回比较充足的障碍物信息,相对于三维激光雷达实时性更好,可以实现高性能的行人检测。针对行人难以检测的问题提出由13个特征构成的特征集,提出基于2.5D激光雷达的行人检测方法。实验结果表明该方法对户外行人检测有很高的精度和鲁棒性。     

基于欧氏聚类的三维激光点云田间障碍物检测方法

为满足目前农业机械(简称农机)自动驾驶中农田障碍物检测的需求,提出了一种使用三维激光雷达检测田间障碍物的方法.该方法首先对采集的环境点云进行预处理,采用体素栅格下采样滤波,将稠密的点云在不损失特征信息的情况下进行减量;采用三维长方体对角点划定感兴趣区域以便快速计算;采用随机采样一致性(RANSAC)算法检测出农田地面点...     

基于单线激光雷达的割草机器人建图方法研究

针对单线激光雷达无法感知形状不规则的花丛问题,提出一种基于单线激光雷达的3D-SLAM方法,解决单线激光雷达不能实现多平面感知的问题。设计一个自动升降激光雷达高度装置,该装置主要由丝杆滑台、步进电机、雷达架、单线激光雷达等组成,通过丝杆滑台滑块的水平进给,控制激光雷达竖直运动。割草机器人在工作时,通过激光SLAM（同步建图与定位）技术检测障碍物信息,ROS（机器人操作系统）系统根据不规则障碍物的高度做出相应对策。通过对不同状态的建图效果进行量化和对比分析,试验结果表明：改进后与改进前相比,相对误差率降低1.04%;漏检率降低为0;避障率提高93.33%。本研究为割草机器人的准确定位与避障提供理论依据。     

基于激光雷达的作物收获导航线实时提取方法研究

为提高联合收获机无人驾驶导航路径的精度,本文提出一种基于激光雷达的作物收获导航线实时提取方法。搭建点云数据采集系统,利用平面拟合法确定激光雷达安装高度和安装角度。利用三维激光雷达扫描收获机前方作物的点云数据,结合IMU惯性传感器反馈的姿态信息,实现作物点云数据从激光雷达坐标系到车体坐标系的变换。基于激光雷达扫描视场角、安装高度和安装角度获取感兴趣区域（ROI）的坐标,并对感兴趣区域进行直通滤波和统计滤波,去除灰尘、秸秆粉末等噪声的影响,以实现点云数据无效点和离群点的剔除。提出一种基于栅格八邻域高程差的作物收获导航线快速识别算法,以点云栅格化后在Z轴方向上的坐标值作为检测依据,定义某一栅格与其8个相邻栅格在Z轴坐标上的差值为高程差,遍历栅格并根据设定阈值进行比较判断,实现收获边界点的有效提取。采用最小二乘算法进行收获边界点的拟合,实现田间作业过程中作物收获导航线动态提取。田间试验表明,该方法具有较好的鲁棒性,能在作物稀缺、杂草较多等情况下保持较高的准确性,其中前进方向偏差角平均值为0.872°,割台横向偏差为0.104m,收获导航线准确率为93.5%,可为联合收获机工作提供辅助导航,提高无人驾驶的准确率。     

基于机载激光雷达点云的飞行障碍物提取方法研究

无人机搭载激光雷达扫描仪以获取机载点云已成为农作物冠层结构信息提取的理想数据源，基于机载激光雷达点云提取树木、电力塔、电力线等飞行障碍物，为无人机安全飞行提供可靠数据。首先，使用TerraSolid软件对点云进行滤波，分离地面点，提取植被树木、电力塔、电力线等障碍物，根据地物分布进行点云分幅。利用PCL点云库中随机采样一致性及稳健的特征值法构建平面模型，实现分幅后的点云非地面点及飞行障碍物提取。最后，以人工滤波结果和分类结果为参考点云，分别建立基于TIN算法的滤波结果和PCL分割结果的精度验证混淆矩阵，从而对滤波及分割提取障碍物的结果进行精度评价。研究结果表明，TerraSolid软件处理分幅点云效率优于整幅点云数据，TerraSolid及PCL两者对于处理相同分幅点云结果较为相近，其中PCL操作快捷高效，可视性较差。在提取飞行障碍物的过程中，可结合二者优势。     

基于冠层信息的马铃薯喷雾机喷杆高度控制系统研究

为解决喷杆式喷雾机在对马铃薯等茄科茄属作物进行喷施作业时喷杆相对作物冠层距离精确测量与控制问题，设计了一套马铃薯喷雾机喷杆高度控制系统。该系统采用二维激光雷达扫描田间马铃薯的植株冠层，根据种植模式对田间马铃薯植株进行冠层单元分割，通过融合姿态传感器的数据对雷达输出数据矫正，并基于中值滤波算法、移动最小二乘曲线拟合方法处理冠层点云数据，实时解算出喷杆相对冠层顶部的垂直距离信息，同时融合油缸位移传感器数据设计了双阈值喷杆高度调控策略，实现喷杆相对马铃薯冠层距离的精准调控。系统应用于3WP-1500型喷雾机，通过高度检测精度试验和高度调节试验测试了系统性能。试验结果表明，通过激光雷达检测作物冠层高度的最大相对误差为7.16%，平均相对误差为3.95%。高度调节试验表明，通过确定最优的调节阈值，可以有效降低喷杆高度调节误差，提高系统稳定性，测试高度调节标准偏差为21.81mm，平均相对误差为3.08%，系统运行平稳，满足喷杆相对冠层距离自动控制需求。     

基于北斗和激光雷达的机器人导航控制方法研究

为解决传统机器人导航控制易受到距离和空间等限制的问题,提出一种基于北斗数据和激光雷达数据组合的导航控制方法,该方法通过北斗输出的高精度定位数据构建全局地图并采用PID控制技术进行全局导航,通过激光雷达探测的局部数据构建局部地图,并由数据聚类和分段拟合等算法增强对探测到的障碍物边缘的描述,由人工势场实现机器人的避障路径规划。实测及仿真数据试验结果表明,采用分段拟合并取距离阈值为10,类别剔除阈值为3时,障碍物边缘更加清晰,轮廓更明确,有利于机器人自动避障;通过全局和局部地图的优势互补,导航控制方法在5 cm步进栅格化的数据下取得较好地避障性能;与已有算法相比,所提方法在与改进人工势场方法取得相近的最优路径情况下,运行时间减少43%,有效提高机器人的导航控制效率。     

基于小波多分辨率分解的农田障碍物检测

针对基于颜色或高度信息的农田障碍物检测方法仅能实现部分障碍物检测的缺点,提出了基于频率信息的检测方法.采用小波多分辨率分解,利用田间作物产生主频信息的总量优势及作物行分布规律确定作物所在频率层.在作物层上利用图像旋转投影法校正图像的同时,获得航位偏差和航向偏差;依据频率分布特性的改变,检测出发生行遮挡的疑似障碍物位置;依据非杂草类障碍物频率变化比较缓慢,在小波多分辨率分解的最高频率层上实现不发生作物行遮挡的疑似障碍物的检测;最后采用立体视觉匹配及频率信息的先验知识判定检测到的是否为障碍物.实验表明算法能检测出包括长满草的土堆、田头等各类障碍物,并能有效去除断垄干扰,单帧图像处理时间平均为79 ms.     

基于单目摄像头的车辆前方障碍物的检测研究

针对车辆前方障碍物准确检测的需求,提出了一种基于单目摄像头的车辆前方障碍物的检测系统.通过单目摄像头对视频进行采集,获取单帧图像信息.通过在ROI区域内对道路上的障碍物进行检测,能够最大程度缩小检测范围,加快了运算效率.通过基于遗传算法的二维最大熵分割法分理出背景和障碍物,形态学算法去除其区域内的干扰物以及孤立点,最后...     

基于激光雷达的枣树轮廓测量平台的设计与试验

针对枣树的三维轮廓信息重建,搭建了一种基于激光雷达的果树轮廓测量平台。通过在平台上的滑轨移动激光雷达获取果树的三维点云信息,采用MatLab软件对点云数据进行提取与处理。为了降低外部环境对点云数据处理的影响,采用高度统计直方图进行地面滤波实现地面点云的滤除,通过icp算法实现双侧点云的配准,应用欧氏聚类算法分割获取枣树点云数据。为验证研究方法的准确性,从点云轮廓数据中获取果树的冠幅数据与手工测量数据进行线性模型拟合对比,二者的相关系数R=0.91,均方根误差RMSE=0.06,相对误差RE=4.08%,拟合效果较好,说明此方法具有一定的可行性。     

基于机器视觉的农业机械避障导航算法研究

【目的】机器视觉技术已经成为一种重要的农业机械导航线路提取技术,但农业机械避障导航的自动提取容易受到自然条件的影响,其实时性要求还需进一步改进。【方法】笔者提出了一种基于机器视觉的农业机械避障导航算法,首先,利用改进之后的避障导航算法对CCD提取的彩色农田图像进行灰度化处理,呈现出图像信息;其次,利用改进之后的Otsu算法对避障系统获取的图像信息进行分割,得出新的图像,再利用滤波、腐蚀、膨胀等算法模式去除避障中的不良信息;最后,在避障信息的基础上提取出针对性的骨架,再对导航进行模拟,计算得出最后的偏差,并采用速度分别为0.5 m/s、1.0m/s的慢速实验对田间农作物中的障碍物进行检测。【结果】仿真结果表明,笔者提出的障碍物探测方法能够在不同的车速情况下,对障碍物的方向和形状进行精确识别,具有很好的适用性。【结论】1）基于机器视觉的农业机械避障导航算法能够较好地克服农业种植过程中出现的障碍物干扰,准确地提取出农田中的作物行驶方向和距离,并为以后的处理打下了良好的基础。2）目前对于障碍物的检测只考虑了静态障碍物和离航向最近的障碍物为有效障碍物的情况,在后续的研究中应对田间多障碍、动态障碍...     

基于三维激光雷达与优化DBSCAN算法的果树定位方法

为提高果园喷雾机器人在果园行间行走的自主性和安全性,提出一种基于三维激光雷达与优化DBSCAN算法的果树定位方法。首先,采用三维激光雷达获取果园的环境信息,通过感兴趣区域提取、地面点云分割和体素滤波降采样对原始点云数据进行预处理;然后,对DBSCAN算法进行优化,构建KD树索引有序化实时点云数据,并使用KD树最近邻搜索替代传统DBSCAN算法的遍历搜索方式,最后根据数据点到激光雷达的距离自适应确定聚类密度阈值,实现行间不同距离的果树检测;最后,以果树聚类结果的冠层边缘点为果树的定位参考点,得到果树定位参考点的坐标,计算果园喷雾机器人与果树的相对位置。试验结果表明：优化的DBSCAN算法相较于传统DBSCAN算法检测的准确性和实时性均有明显提升,果树的横向定位平均误差为2.6%,纵向定位平均误差为1.6%。该方法能够满足果园喷雾机器人在行间果树定位的准确性和实时性要求,为精准农业装备在林果园环境下的自主导航和作业提供有效参考。     

基于农业搬运机器人的障碍物视觉识别技术研究

【目的】随着农业自动化水平不断提升,研究农业搬运机器人如何优化搬运目标信息、定位及图像检索等功能具有重要现实意义。【方法】课题组提出了一种基于机器视觉的内容图像检索视觉识别技术,采用特征提取方法将图像纹理作为机器视觉障碍物特征识别的重要信息,通过实时更新障碍物信息,利用相似度距离计算,将采集的图像数据与数据库中的图像距离进行对比,并利用MATLAB仿真平台验证了CBIR系统对搬运机器人障碍物识别的精确度。【结果】利用小波滤波器优化的CBIR系统的对比结果优于其他方法的平均检索率,且前20张图像的检索率均能保持在98%以上。【结论】该方法有效提升了CBIR系统的障碍物检测性能及识别系统的精确度,可为系统数据库中障碍物图像特征对比提供高质量图像数据。     

面向自动导航拖拉机的农田障碍物识别研究

实现农田障碍物的精确识别与有效避让是提高自动导航拖拉机智能化、保障作业安全的关键技术。为此,论述了基于激光测距传感器的自动导航拖拉机行进前方障碍物检测与识别方法。在自动导航拖拉机上加装LMS2 0 0激光测距传感器,构建避障测试平台,通过对激光数据解析、坐标系转换及障碍物边缘拟合,实现了障碍物方位、距离、宽度等特征信息的有效识别。针对典型农田障碍物—树木和障碍拖拉机,进行了障碍物检测试验。采用RTK-GPS接收机的定位数据标定障碍物,并进行了识别精度检验。树木的方位、距离和宽度的识别精度分别为0.5°、0.03m、0.03m。障碍拖拉机的方位、距离和宽度的识别精度分别为1.88°、0.13m、0.39m。试验结果表明:避障测试平台能够有效地识别自动导航拖拉机前方的障碍物。     

柑橘采摘机器人障碍物识别技

根据柑橘采摘机器人遇到树枝等障碍物的特点,通过提取和处理障碍物图像的骨架恢复障碍物的三维信息.首先采用图像分割、形态学处理、区域细线化等步骤提取障碍物骨架,并进行骨架修剪、恢复遮挡骨架等处理;然后找出骨架中端点、分支点等特征点并记录其连接关系;最后通过对特征点的立体匹配恢复障碍物的三维信息,试验表明障碍物的正确识别率为67.3%.     

障碍物分类识别的果园机器人避障方法研究

针对果园环境复杂,障碍物种类繁多,传统动力无法有效进入作业的情况,提出一种基于障碍物分类识别的果园机器人自主避障方法。首先对果园中存在的障碍物进行识别分类,然后针对不同种类的障碍物采用不同的避障方法来完成避障动作。通过搭建基于ROS的避障试验台,对果园机器人上搭载的视觉传感器和激光雷达传感器进行标定,在ROS功能包中植入避障算法,然后进行验证。试验结果表明:在同等条件下,相比传统的避障方法,本文的方法避绕圆形障碍物时用时少1.7 s,所用路程少0.31 m,具有一定的优势;而在避绕不规则障碍物时,本文的方法虽然所用时间和路程比传统方法分别多1.7 s和0.41 m,但机器人能够更加贴近障碍物进行避障,对林下中耕施肥和除草等作业有很大帮助,具有很好的实际应用价值。     

大数据分析在智能采摘机器人路径规划中的应用

为了实现机器人在果园中的自主运动,基于大数据融合,对激光测距传感器、CCD摄像机和电子罗盘等传感器采集的数据进行分析,确定当前机器人位置与航向。在果园中预先设定机器人行走路线,安装数码管地标牌,地标牌坐标已知;电子罗盘用于确定机器人航向角;CCD摄像头拍摄地标牌图像,采用图像灰度化、图像分割、图像腐蚀及图像细化的方法提取表示牌上数码管图像数据。采用模糊控制方法识别地标牌上数码管数字,CCD摄像头同时扫描行进前方是否有障碍物。激光测距传感器完成两个任务:①检测距离地标牌距离和方向角,通过标识牌坐标计算机器人当前位置与航向角;②检测与障碍物间距离,当小于1m时启动避障系统。实际测试表明:系统依托多种传感器,对果园环境感知能力强,具有较高的路径规划能力。