温室环境视觉导航路径的识别

为实现视觉导航的精确性和鲁棒性,研究了温室复杂环境机器人视觉导航路径的识别方法。以温室内西红柿苗垄为研究对象,在地膜、光线和阴影等复杂环境对植物识别的影响下,用Lab色彩空间将绿色植物从背景中分离出来;用基于权重因子的阈值分割算法代替常用的阈值分割算法;用改进的Hough变换的导航线提取方法处理有杂草干扰的作物垄。试验证明,该方法对复杂温室环境下作物垄导航线的提取有较好的适应性,而且算法简单,能够满足实时性的要求。     

基于RANSAC算法的植保机器人导航路径检测

为可靠地检测垄行，实现植保机器人精准自主导航，提出一种基于RANSAC算法的视觉导航路径检测方法。首先采用超绿灰度化法和最大类间方差法进行图像分割；继而结合形态学操作与动态面积阈值滤波算法滤除干扰；最后在垄行的边缘中，根据均值法计算特征点，采用RANSAC算法剔除离群点后由最小二乘法直线拟合，以提高导航路径的检测精度。实验结果表明，与Hough变换相比，本文的垄行中心线检测方法具有更好的检测性能，导航路径的检测率可达93.8％。     

基于RANSAC算法的植保机器人导航路径检测

为实现植保机器人精准自主导航和提高路径检测的精度、可靠性,提出一种基于RANSAC算法的视觉导航路径检测方法。首先,采用超绿灰度化法和最大类间方差法进行图像分割;继而结合形态学操作与动态面积阈值滤波算法滤除干扰;最后,在垄行的边缘中,根据均值法提取特征点,采用RANSAC算法剔除离群点后由最小二乘法进行直线拟合,以提高导航路径的检测精度。实验表明,与Hough变换相比,本文垄行中心线检测方法具有更高的检测精度,导航路径的检测率可达93.8%,比未使用RANSAC算法提高了18.8个百分点。     

除草机器人田间机器视觉导航

建立了除草机器人模型,利用VC 开发了基于机器视觉的除草机器人杂草识别和导航系统应用软件,引导除草机器人沿农作物行自动行走.提出新的图像分割算法,在RGB空间直接将农作物分割出来,再利用优化的Hough变换检测出农作物行中心线,根据摄像头姿态和透视变换原理确定除草机器人位姿.试验表明,分割一幅真彩色图像(分辨率:1 536×1 152)只需450 ms,并能够适应自然光线变化.优化的Hough变换算法使运算时间减少了1/2,导航距和导航角平均误差分别为-0.6 mm和0°,证明了此导航方案的可行性.     

基于光照色彩稳定性分析的温室机器人导航信息获取

针对温室环境下视觉导航存在光照波动影响问题,从应用可行性角度,研究了一种基于光照色彩稳定性的导航信息获取方法.分析了温室导航线图像在颜色空间的色彩特征分布,建立了光照分析模型,以提高不同光照条件下的导航线提取适应性.提出g、Cr、Cb色彩分量组合的导航线分割方法,实现了导航信息有效快速识别.采用基于导航参考点的改进Hough变换拟合导航路径,通过几何关系获得导航侧向位移和角度偏差作为导航参数.温室环境下随机拍摄150幅不同光照导航图像进行识别算法验证,导航线平均识别率为93.9％.导航实验结果表明,导航线获取方法平均耗时约95 ms,在运行速度低于1.5 m/s时最大路径跟踪误差小于6 cm,满足视觉导航实时性和准确性的要求.     

农林环境机器视觉导航路径生成算法及应

提出两种自然环境中的路径导航线生成算法:对于矮小作物规则分布的农田场景,在标准Hough变换的基础上,预先检测共线点峰值的限定偏角阈值,以迅速检测关键信息;对于林地环境及类林地环境的高大作物农田场景,寻找树干与地面的交点,形成机器人行走的左右边界,再求两边交点的中值产生一列点簇.对该列点簇进行Hough变换检测直线作为导航线,或应用最小二乘法拟合左右边界,求其中线作为路径导航线.Matlab对比仿真表明,几种算法对各自适用的场景具有可靠稳定的路径辨识能力,可对图像进行有效的批量处理.     

基于图像边界提取的果园作业机器人自主导航系统

针对果园中农业移动机器人的自主导航问题,提出了一种基于图像边界提取的自主导航系统。首先,通过摄像机采集果园场景图像,并利用均值偏移算法对图像中的像素点进行聚类;然后,采用基于图论的图像分割算法,根据预定义类别对图像进行分割;接着,提取出所需类的图像区域,并利用Canny算子对该区域图像的边缘进行检测和滤波;最后,利用Hough变换提取出该区域的边界线,从而获得机器人的行进路线。实验结果表明:该方案在不需要先验知识的情况下,能够快速、有效地获得最优路径。     

基于最小二乘法的温室番茄垄间视觉导航路径检测

针对温室非结构作业环境和复杂背景下作业机器人路径识别检测问题开展研究。在HSI颜色空间分析番茄垄间道路图像在各分量的分布特性,提出了基于机器视觉的垄间加热管敏感区域提取方法,依据I分量直方图采用最大类间方差法进行图像自适应阈值分割,对分割后二值图像利用目标区域的边缘提取算法获得导航离散点簇。根据最小二乘法原理对导航离散点簇拟合得到2条加热管边缘线,在此基础上给出中心导航基准线检测算法,并针对光照不均和作物遮挡对导航路径检测进行了实验。实验表明,与Hough变换算法相比,该算法简单快速,对光照不均具有良好的鲁棒性,能够准确提取目标敏感区域的边缘信息,对不同遮盖率番茄垄间导航路径提取正确率达91.67%。     

基于Otsu阈值与形态学处理的车道线检测

为了提高车道线检测的识别能力和可靠性,提出了一种在对图像进行Hough变换前进行预处理的方法。该方法采用直方图均衡化、拉普拉斯滤波器图像增强,进而引用Otsu阈值分割处理转化为二值图像;再对该二值图像形态学处理消除物体边界点和微小结构像素,减少后期Hough变换的投票像素点;采用Canny算子对图像进行边缘检测以及Hough变换检测出车道线。     

水稻插秧机路径追踪设计——基于SOPC嵌入式视觉导航

针对水稻插秧机路径追踪问题,利用SOPC嵌入式和视觉导航技术,以FPGA为硬件核心,利用3×3窗口模块、中值滤波、Sobel边缘检测和Hough变换进行移动路径图像信息处理,并结合齐次变换法将图像位姿信息转换到空间坐标系中,为插秧机进行路径导航。同时,通过人工设置标志线对水稻插秧机进行路径导航和追踪试验,结果表明:该系统在一定干扰环境下,水稻插秧机移动路径最大偏差为18cm,平均偏差为6.9m,基本达到预期目标,实现了路径追踪功能,而且可以根据偏差自动进行调整,具有精准度高、灵活性强等优点,应用前景非常广阔。     

基于无人机遥感影像的多生育期冬小麦种植行检测方法

大田环境下小麦种植行的识别与定位对农机田间喷药和除草等任务的导航作业具有重要意义。以分蘖期和拔节期的冬小麦无人机可见光遥感影像为研究数据，结合深度语义分割和霍夫变换直线检测，提出了一种多生育期小麦种植行检测方法。采用SegNet深度语义分割提取小麦种植区域，克服传统检测方法对光照敏感的同时提高检测精度。基于霍夫变换的小麦种植行预检测结果，提出采用二分k均值聚类进一步提炼检测结果，以识别出小麦种植行区域的中心线。实验结果表明，对于分蘖期和拔节期的冬小麦图像，种植行直线平均位置偏差的绝对值分别为0.55、0.11 cm;平均角度偏差的绝对值分别为0.001 1、0.000 37 rad,检测精度与直线漏检率等指标都显著优于传统方法。研究结果为智能农机导航作业中的作物种植行检测提供了方法支持。     

基于改进遗传算法的农机具视觉导航线检测

针对机器视觉导航系统现有导航线提取算法检测速度慢、抗干扰性差等不足,提出一种基于改进遗传算法(IGA)的导航线检测方法。图像中作物行走向近似为一条直线,从图像顶边和底边分别随机选一个点进行染色体编码,通过遗传进化选择适应度最高的个体作为作物行直线编码,进而得到导航线。改进遗传算法采用概率保留法和最优保存策略相结合的方法作为选择算子,提高了算法的搜索效率和精度;通过自适应调整交叉概率和变异概率,提高了算法的收敛速度和全局搜索能力。动态导航跟踪试验表明,改进的遗传算法与标准霍夫变换、标准遗传算法(GA)在导航线提取性能上相比,具有抗干扰性强、检测速度快等优点。当导航速度为0.6m/s时,横向偏差最大值不超过76 mm,平均值小于33.1 mm,较好地满足了导航作业要求。     

基于机器视觉的果园导航中线提取算法研究

为实现果园作业自动化,对基于机器视觉的果园自然情况下的导航路径拟合方法进行了研究。针对果园环境特点,基于HSV色彩模型和最大类间方差法对果园果树树行特征进行了增强。同时,使用Hough变换对果树树行线进行了拟合,并最终获得了相邻两树行的中线作为导航路径。最终试验结果表明:该方法能有效克服行间生草、光照阴影和修剪枯枝的干扰,可提取果园果树树行线并拟合出果园导航中线。     

农田非结构特征视觉导航研

研究了农田非结构环境下,通过机器视觉提取导航线的处理算法.首先,根据农作物的特点提出了使用聚类的方法检测作业区域终点;其次,为避免噪声干扰,利用移动窗口检测二值图像白色像素的个数,确定导航路径区域;最后,使用改进的Hough变换提取导航线.实验表明,该算法可以准确提取绿色植物的行信息,处理一帧分辨率为320×240像素的彩色图像平均需要57.404ms,正确识别率达99%.     

基于机器视觉的谷物联合收获机行走目标直线检测

针对谷物联合收获机视觉导航,提出基于改进Hough变换(HT)的谷物联合收获机行走目标直线检测算法.通过改进一维最大熵阈值分割方法,提高了阈值分割的速度;对二值图像通过行扫描和列扫描,确定了行走目标直线的终点位置以及直线方向上的候选点;以候选点为点集,利用最小二乘直线拟合和直线终点位置确定了待检测直线上已知一点;利用改进HT完成直线检测,与传统的HT相比,将二元映射转换为一元映射,加快了算法速度、减少了空间占用和提高了抗干扰能力.经过对多幅图片的处理,证明算法能够有效地检测出直线参数,且处理时间在100 ms左右.     

基于边缘检测与扫描滤波的农机导航基准线提取方法

为了实时、准确地提取作物行基准线,提出了一种将边缘检测和扫描滤波(Boundary detection and scan filter, BDSF)相结合的基准线提取方法。首先对RGB颜色空间采用G-R颜色特征因子进行图像灰度化,再采用最大类间方差法（OSTU）对灰度图像进行分割,得到二值化图像,获取较好的作物信息。然后分别对图像的底端和顶端部分进行垂直投影,获取作物行的位置,形成一个包含作物行直线的条形框;在这个条形框内,再用等面积的小条形框对图像进行扫描并统计有效点的个数。最后根据扫描的结果来提取导航线。试验结果表明,对比Hough算法和最小二乘法(Least square method, LSM),BDSF算法处理一幅分辨率为640像素×480像素的图像,平均耗时为67ms,与LSM算法耗时相当,精度接近Hough算法;并且在杂草和株数稀缺情况下具有良好的适应性,能够快速准确地提取作物行基准线。     

棉花铺膜播种机导航路线图像检测方法

研究了棉花铺膜播种机田间作业时导航路线和田端的图像检测算法。针对自然环境下的棉花播种作业图像,采用Daubechies小波变换对处理区域进行平滑滤波;针对第1帧图像,寻找图像处理区域的垂直累计直方图的波谷,以此为基础,通过寻找局部窗口累计直方图波谷的方法,从图像底端逐行向上寻找各行候补点;对于非第1帧图像,采用当前帧与前帧导航路线相关联的方法分段寻找候补点群;最后基于过已知点Hough变换拟合出导航路线。实验证明,采用的算法可以快速、准确地检测出棉花铺膜播种作业时的导航路线及棉田田端,平均每帧图像处理时间为72.02 ms,满足铺膜播种机实际播种作业的需求。