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。     

自动导航技术在农业工程中的应用研究进展

分析了GPS技术、机器视觉和多传感器融合技术在自动导航中的应用研究进展。GPS 技术具有较高精度，机器视觉能够采集丰富的环境信息，而多传感器融合技术能够结合GPS技术和机器视觉等导航模式的优点，用不同的传感器可组合出高精度、高可靠性的导航策略。但GPS精度和可靠性容易受到环境因素的影响，机器视觉导航应用中的图像处理受自然光线等条件的干扰很大，图像处理算法的速度不够快，多传感器融合技术在传感器精度、信息获取和处理速度以及抗干扰能力方面存在一些问题。因此解决这些存在的问题，有利于自动导航技术在农业工程中的广泛应用。     

基于达芬奇技术的收割机视觉导航图像处理算法试验系统

为缩短收割机视觉导航系统研发周期、降低确定图像处理算法的试验成本,该文阐述了达芬奇技术软件框架,分析了H.264视频编解码算法工作原理,研制了基于达芬奇技术的收割机视觉导航图像处理算法试验系统。该系统以双核数字视频处理器DM6446为核心,在达芬奇平台上实现了田间试验视频图像编码采集和室内视频图像解码与处理的功能模块。经试验验证,编码后的视频压缩率可达47～103倍,解码后视频帧率30帧/s,系统实时性高、工作稳定可靠,同时可进行多种图像处理算法试验。该试验系统对于收割机视觉导航图像处理算法研究提供了有效的分析手段。     

基于垄线平行特征的视觉导航多垄线识别

为有效快速地识别农田多条垄线以实现农业机器人视觉导航与定位,提出一种基于机器视觉的田间多垄线识别与定位方法。使用VC++ 6.0开发了农业机器人视觉导航定位图像处理软件。该方法通过图像预处理获得各垄行所在区域,使用垂直投影法提取出导航定位点。根据摄像机标定原理与透视变换原理,计算出各导航定位点世界坐标。然后结合垄线基本平行的特征,使用改进的基于Hough变换的农田多垄线识别算法,实现多垄线的识别与定位。使用多幅农田图像进行试验并在室内进行了模拟试验。处理一幅320×240的农田图像约耗时219.4 ms,室内试验各垄线导航距与导航角的平均误差分别为2.33 mm与0.3°。结果表明,该方法能有效识别与定位农田的多条垄线,同时算法的实时性也能满足 要求。     

基于全方位视觉传感器的农业机械定位系统

利用全方位视觉传感器能提供传感器周围360°范围内信息的图像,通过全方位图像可准确获取物体方向角,基于该特点研发一种可以实现农业机械自动导航的定位系统。该系统硬件主要由全方位视觉传感器、人工标识、PC、PC软件和作业车构成。该计算算法首先通过全方位视觉系统的校正,得出相机的成像投影中心;通过图像处理提取人工标识的位置,估算出标识相对于相机的方向角,然后根据圆周角定理和几何关系计算出相机的位置来完成农业机械的定位。在面积为5×3 m2的水泥地面和白炽灯光的实验室中进行试验,平均选取10个位置进行试验,试验结果显示估算点和选取点间距离的平均误差小于3 cm。研究证明该定位系统是可行的。     

农业机械自动导航技术研究进展

农业机械自动导航是精准农业技术体系中的一项核心关键技术,广泛应用于耕作、播种、施肥、喷药、收获等农业生产过程。农机位置测量方法、农机模型与导航路径跟踪控制方法是农业机械自动导航技术的研究重点,受到国内外科研人员的广泛关注。农机位置测量主要有相对测量和绝对测量二类方法,前者以基于机器视觉的测量方法为代表,主要利用图像处理技术识别作物行,进而确定导航基准线,实现农机与作物的相对位置与航向信息的测量;后者则以基于全球导航卫星系统的测量方法为代表,利用卫星定位技术实现农机位置的高精度测量,在农业生产中应用最为广泛;而面对复杂的田间环境变化,在位置测量中应用多传感器数据融合技术通常可以得到更好的测量结果。导航路径跟踪控制通常以农机运动学模型或动力学模型为核心,多采用最优控制、最优估计、自适应控制、人工神经网络、模糊控制、鲁棒控制等现代控制理论与方法;而无模型控制方法则可以避免建模不准确或者模型参数剧烈变化对农机路径跟踪控制性能所产生的负面影响。该文从上述2个方面综述分析了农业机械自动导航技术的研究现状及存在的问题,并对未来农机导航技术的发展做出了展望,指出采用卫星导航技术,开展农机地头自动转向控制、障碍物探测及主动避障、多机协同导航等高级导航技术研究,以及引入先进的物联网技术,是现代农机自动导航技术发展的主要趋势。     

除草机器人机械臂的逆向求解与控制

设计了一种基于机器视觉导航和杂草识别的除草机器人模型,该机器人能沿作物行间自主行走并能准确地识别和“清除”杂草。设计了除草机器人的机械臂除草执行系统,求取了机械臂运动学逆解,用VC++开发了控制程序。试验显示,图像处理算法所需时间少,能够适应户外自然光线在一定范围的变化,机械臂能够平稳动作并精确定位杂草目标。     

用动态图层融合与纹理-灰度梯度能量模型的果树行识别

为解决果园机器视觉导航中果树行识别易受果园复杂环境干扰的问题,该研究提出一种采用动态选取融合因子对彩色图像与深度图像进行图层融合并采用纹理-灰度梯度能量模型进行图像分割的果树行视觉识别算法。首先,通过搭建立体视觉系统获取果园彩色图像与对应的深度图像,并基于饱和度（S）通道图像的灰度值选取动态融合因子,实现对果园彩色图像与深度图像的图层融合;然后,分别计算融合图像的纹理特征图像与灰度梯度特征图像,并建立纹理-灰度梯度结合的能量模型,基于模型能量最小原则进行树干与背景的分割;最后,以树干与地面交点为果树行特征点进果树行直线拟合,完成果树行角度的识别。并对上述算法分别进行果树行识别试验与移动作业平台视觉对行导航试验。果树行识别试验结果表明,该研究算法果树行角度识别平均偏差为2.81°,与基于纹理、灰度梯度特征的果树行识别算法相比识别平均偏差分别降低2.37°和1.25°。移动作业平台视觉导航试验结果表明,在作业平台速度为0.6 m/s时,对行行驶最大偏差为12.2 cm,平均偏差为5.94 cm。该研究提出的视觉导航算法可以满足果园移动作业平台视觉对行导航需求,研究成果将为基于机器视觉的果园自动导航系统的研究与优化奠定基础。     

机器视觉技术在农作物种子质量检验中的应用研究进展

我国农作物种子资源丰富，随着图像处理技术的专业化与计算机硬件成本的下降和速度的提高，利用机器视觉技术进行种子质量检验评价成为可能。该文概述了农作物种子的特性及其对质量检验技术的要求，介绍了机器视觉技术的基本理论和发展现状，从算法、硬件、研究进展几个方面综述了机器视觉技术在农作物种子质量检验中的应用，认为用机器视觉代替人的视觉进行农作物种子质量检验前景广阔。     

基于K-means算法的温室移动机器人导航路径识别

针对温室移动机器人机器视觉导航路径识别实时性差、受光照干扰影响严重等问题,首先,将HSI颜色空间3个分量进行分离,选取与光照信息无关且可以有效抑制噪声影响的色调分量H进行后续图像处理,以削弱光照对机器人视觉导航的不良影响;针对温室环境图像特有的颜色特征信息,引入K-means算法对图像进行聚类分割,将垄间道路信息与绿色作物信息各自聚类,再通过形态学腐蚀方法去除聚类后图像中存在的冗余、干扰信息,以获得完整的道路信息,与常用阈值分割方法相比,可降低因分割信息不明确而导致后续Hough变换进行直线拟合时需占据大量内存且计算量较大的问题,进而提高移动机器人路径识别的快速性,并适应温室作业机器人自主导航的高实时性要求。试验结果表明,该文方法在复杂背景与变光照条件下的温室作业环境中可大幅降低光照对机器人导航的影响,对于光照不均具有良好的鲁棒性,道路信息提取率可达95%。同时,其平均单幅图像处理时耗降低53.26%,可显著提高路径识别速度。该研究可为解决温室移动机器人机器视觉导航路径识别的鲁棒性及实时性问题提供参考。     

基于虚拟现实的拖拉机双目视觉导航试验

针对农机导航系统的传统田间试验方式受作物生长状态的约束性较强,错过适当的作物生长时期将直接导致开发周期延长、成本增加等问题,该文提出了一种基于虚拟现实技术的拖拉机双目视觉导航试验方法。该方法以拖拉机为作业机械,苗期棉花为目标作物,在虚拟现实环境下建立田间作物行场景的三维几何模型,用于模拟田间试验场景;建立虚拟现实环境下的拖拉机物理引擎,根据实车参数及试验场景信息快速、准确地解算拖拉机的动力学参数,并且根据解算所得的状态参数在虚拟试验场景中实时渲染拖拉机的位姿状态;设计路径跟踪控制器,以经过双目视觉方法识别的田间路径为目标路径,根据拖拉机当前行驶路径与目标路径的相对位置关系解算并控制拖拉机前轮转向角度。以某型拖拉机参数为实车参数,采用大小行距方式布置5行曲线形态的苗期棉花作物行场景开展虚拟导航试验。拖拉机以不大于2 m/s的车速跟踪作物行时,平均位置偏差的绝对值不大于0.072 m、位置偏差的标准差不大于0.141 m;平均航向偏差的绝对值不大于2.622°、航向偏差的标准差不大于4.462°。结果表明:该文设计的拖拉机虚拟试验系统能够在虚拟现实环境下,模拟田间作物行环境开展基于双目视觉的导航试验,可为导航控制系统的测试及改进提供理论依据和试验数据。     

典型猪舍光环境下机器视觉图像量化评价及筛选

随着数字化农业进程的发展,利用机器视觉技术进行生猪养殖方面研究已成为许多研究人员关注的热点之一。机器视觉中外界光环境对采集图像的质量具有较大影响,但是较多猪体质量监测方面研究的焦点集中在图像算法方面,忽视外界光环境的重要性,缺乏量化评价机器视觉光环境优劣的方法。该文基于猪体质量检测平台,利用LabVIEW软件编程分析实际光环境条件下拍摄图像质量。经现场试验分析,理想图像、曝光过度图像、自然光图像、阴阳图像4类图像在曝光参数和照度均匀度参数有明显区别:理想图像和曝光过度图像的照度均匀度参数均满足照明工程标准要求,理想图像曝光正常比率较高;自然光图像和阴影图像的照度均匀度参数不满足照明工程标准要求,且曝光正常率偏低。该文采用曝光正常,最小照度与最大照度比值U10.7和最小照度与平均照度比值U20.8判断实现理想图像筛选,便于研究者前期图像预处理工作。     

基于机器视觉的猪胴体背膘厚度在线检测技术

为了能在线精准测量猪胴体背膘厚度,解决人工测量过程中效率低、人为因素影响大及结缔组织易被误测量为背膘的问题。该文基于机器视觉及图像处理技术提出一种图像采集并自动测量背膘厚度的算法。在双边滤波、大律法、形态学变换的基础上,通过轮廓面积分割提取出背膘区域及其边缘轮廓,利用拟合线对轮廓边框进行拟合,判断是否包含结缔组织。若包含则针对原始图像目标测量区域像素点特征进行具体分析,去除结缔组织。然后通过直线映射,确定背膘厚度检测线,测量猪胴体背膘厚度。测试结果表明:检测方法能适应在线检测速度需求,检测正确率为93.5%,平均检测时间为0.3 s。研究结果为生猪屠宰生产线上准确、快速测量背膘厚度提供参考。     

Fall Armyworm Damaged Maize Plant Identification using Digital Images

The objectives of precision agriculture are profit maximisation, agricultural input rationalisation and environmental damage reduction, by adjusting the agricultural practices to the site demands. The fall armyworm (Spodoptera frugiperda) is one of the most important maize pests in Brazil and the use of insecticide is the main control method. It is believed that site-specific control can be implemented by using a machine vision system. The objective of this work was to develop and evaluate an algorithm at simplified lighting conditions for identifying damaged maize plants by the fall armyworm using digital colour images. Images of damaged and non-damaged maize plants were taken in eight different stages and in three different light intensities. The proposed algorithm had two stages: the processing and the image analysis. During the first stage, the images were processed to create binary images where the leaves were segmented from the other pixels. At the second stage, the images were subdivided into blocks and classified as ‘damaged’ or ‘non-damaged’ depending on the number of objects found in each block. The algorithm correctly classified 94·72% of 720 images.     

丘陵山区田间道路自主行驶转运车及其视觉导航系统研制

自然条件的限制使得丘陵山区农产品和物资的田间转运难以实现高安全性的机械化作业。为此,该文研制了一种在丘陵山区田间道路上自主行驶的转运车及其视觉导航系统。该系统采用RTK-GNSS(real-timekinematic-global navigationsatellitesystem,实时动态-全球卫星导航系统)进行路网信息采集、实时定位和路径规划,利用机器视觉进行田间道路识别并提取路径跟踪线;田间道路非路口区域由机器视觉系统进行导航,路口区域采用RTK-GNSS实时定位进行导航。全局路径规划中对A*算法估价函数进行改进,将路口节点处的道路曲率及道路起伏信息引入代价函数。图像处理中强化道路上的阴影处理和信息融合,实现道路与背景的准确分割;然后将道路区域分块求取形心点,拟合后生成道路的虚拟中线作为局部路径的导航线。路径规划仿真表明,改进的A*算法能融合丘陵山地道路起伏变化的特征,规划的路径更合理。转运车自主行驶测试表明,在直线路径、多曲率复杂路径以及地形起伏路径3种工况下,自主行驶轨迹与实际道路中线的平均偏差分别为0.031、0.069和0.092 m,最大偏差分别为0.133、0.195和0.212 m;转运车沿道路中线自主行驶的平均相对误差分别为5.16%、11.5%和15.3%,满足田间道路转运车自主行驶的安全要求。     

机器视觉技术在黄花梨尺寸和果面缺陷检测中的应用

为提高出口水果品质,对黄花梨进行了机器视觉技术检测外形尺寸与表现状况的试验研究。通过确定图像处理窗口、利用Ｓｏｂｅｌ算子和Ｈｉｌｄｉｔｃｈ细化边缘;确定形心点找出代表果径,试验检测结果表明,预测果径值与实际尺寸的相关系数可达０．９６。对检测果面缺陷,提出利用红（Ｒ）、绿（Ｇ）色彩分量在坏损与非坏损交界处的突变,求出可疑点,再经区域增长定出整个受损面,试验对比表明该算法是精确的     

移动式采摘机器人研究现状与进展

采摘机器人是21世纪精准农业的重要装备之一，是未来智能农业机械的发展方向。移动式采摘机器人由机械手、末端执行器、移动机构、机器视觉系统以及控制系统等构成。机械手的结构形式和自由度直接影响采摘机器人智能控制的复杂性、作业的灵活性和精度。移动机构的自主导航和机器视觉系统解决采摘机器人的自主行走和目标定位，是整个机器人系统的核心和关键。该文对移动式采摘机器人的研究现状进行综合，提出目前采摘机器人技术发展中面临的技术难题及相应的对策，包括采用开放式控制系统。