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.     

基于机器视觉的耕作机器人行走目标直线检测

针对农田耕作机器人,提出了基于机器视觉的机器人行走目标——犁沟线斜率的检测算法。将摄像机安装在拖拉机前方,在耕作过程中采集农田场景图像。根据已耕作区域、未耕作区域和非农田区域的不同颜色特征,判断出田端和犁沟线的位置以及计算斜率用的方向候补点群,使用基于一点的改进哈夫变换算法计算出犁沟线的斜率。经过对多幅实际耕作现场图片的处理,验证了本犁沟线检测算法具有速度快、抗干扰、准确性高等优点。     

基于双目视觉的作物苗期障碍物三维信息检测方法

农业智能装备在实际农田环境中行进或作业的过程中需要感知多变环境下的各种障碍物。为此,基于双目视觉,开展了作物苗期农田障碍物三维信息检测方法研究,提出了一种基于特征的障碍物检测算法。首先,利用边缘检测算法去除天空背景,提取出障碍物潜在区域的上边界线,利用超绿特征颜色变换去除绿色作物苗期农田背景,提取下边界线;然后,通过阈值分割算法提取障碍物目标区域;最后,通过重心特征点立体匹配来获取视差值,结合MatLab标定获取的相机内外参数进行三维重建,计算障碍物的距离、宽度和高度三维信息。田间试验结果表明:该算法可以正确提取出障碍物目标区域,障碍物距离、宽度和高度检测的平均相对误差分别为4.7%、5.79%和1.78%,能够满足农业智能装备田间障碍物检测的需求,具有较好的可靠性。     

自动导航拖拉机田间作业路径规划与应用试验

为了实现自动导航拖拉机田间作业的全区域覆盖路径规划,提出基于全排列算法获得转弯耗时最短的路径规划方案。为此,将农田地块划分为直线作业区域和地头转弯区域,在地头转弯区域内建立了拖拉机沿弓形和鱼尾形转弯路径行驶的轨迹解析模型,计算得到地头转弯区域所需的最小宽度及转弯所消耗的时间。在直线作业区域内,根据转弯次数最少来确定直线作业路径在田间的相对方向,生成相应的直线路径簇。根据对两块典型农田地块田间作业路径规划试验,得到了直线作业路径遍历顺序的一般规律。试验表明:这两块农田的路径规划方案中转弯路径的耗时较梭形行走、离心行走及向心行走方式至少减少了51%。     

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.     

免耕环境中视觉导航机器人行走路径的检测

针对免耕环境下农田作业机器人的视觉导航,提出了一种导航路径-梨沟线的检测算法,以提高图像处理速度。同时,介绍了图像采集设备,描述了农田免耕作业环境和农田作业机器人的工作流程。在此基础上,以彩色图像中的R分量为处理对象,分别判断作业区域终点和犁沟线出现位置,确定犁沟线上的候选点,并采用基于一点的Hough变换方法,获得犁沟线的直线斜率。试验表明,提出的算法具有速度快、抗干扰、准确性高等优点。     

基于立体视觉下联合收获机边缘检测技术的研究

智能联合收割机是目前作物收获的发展热点与研究重点技术之一，而确定田间地块边缘、未收割作物边缘、联合收获机直线行驶和在作物地头转向是实现全田间自动收获的基础。为此，设计了一种基于立体视觉下多种作物收获边缘快速检测方法，保持作物收获边缘在检测目标区域内，并提出了一种基于HSV(色调、饱和度和值)空间扫描的动态感兴趣区域提取算法，利用Ostu算法获得作物未收获面积，实现未收获作物边缘和作物末端边缘的同时检测，并根据作物收获末端边缘自动转向到下一个收割路径。田间验证试验表明：水稻检测准确率高于98%,玉米的检测准确率高于94%,平均处理速度为49frame/ms。研究结果表明：提出的基于立体视觉下联合收获机边缘检测及精准转向系统具有较高的工作精度和效率，可为提高作物收获性能提供技术参考与借鉴。     

基于模式识别的农田目标定位线检测

根据农田图像的特点,采用K-means模式识别算法,实现农作物与背景的分离.通过对二值图像进行水平扫描.检测定位区域和定位点,利用定位点的坐标信息确定聚类判别函数,实现农田目标定位线的检测.多幅农田图像实验表明,定位线能够正确提取出来.该算法处理640×480像素的彩色图像蒂要0,12 s,在自动导航系统中是一种有效、快速的图像处理算法.     

基于视觉识别的小麦收获作业线快速获取方法

针对小麦生长分布不均等情况下激光作业线检测系统精度偏低的问题,提出了基于视觉的小麦收获作业线快速获取的方法。通过对成熟期麦田的彩色图像进行对比度增强和降低亮度的处理,将其转换为灰度图像,利用阈值分割方法分离已收获与待收获区域,对二值图像采用互相关函数法检测已收获与待收获区域的分界点,利用Hough变换法拟合目标直线。所提方法在激光作业线识别系统的基础上扩大了视野范围,并限制了图像处理的范围,试验结果表明该方法对小麦收获作业线的检测结果平均偏差为2.35 cm,标准差为3.26,能够满足小麦收获导航线识别的要求,是一种有效的检测算法。     

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。     

玉米青贮收获机多参数检测系统设计与试验

针对当前玉米青贮收获机作业参数人工检测效率低、自动检测手段匮乏、检测参数间相互独立、难以支撑关联分析等问题,设计了基于CAN总线和虚拟仪器的玉米青贮收获机田间多参数检测系统。该检测系统由作业质量检测装置、机械部件工况检测装置、液压部件工况检测装置和上位机监测软件构成,可以实现发动机输出转速与扭矩、割茬高度、收获生产率、割台工作转速与扭矩、切碎辊工作转速与扭矩、抛送风机工作转速与扭矩、行走部件转速与扭矩、喂入部液压泵输出流量与压力等多种参数的系统性测量与综合分析,并结合现行标准用于玉米青贮收获作业的整机合格性评价。田间试验结果表明,多参数检测系统能够实现玉米青贮收获机作业参数的全面、动态、连续和稳定测量。其中,扭矩参数静态测量的最大相对误差在±0.5%范围内,空载工况下的试验组间均值差异性不大于0.75 N·m,试验组内重复性测量最大极差为1.28 N·m,最大变异系数为0.012;收获工况下的检测数据与实际工况始终保持一致,可以准确获取不同机器参数下的整机转速与扭矩动态变化趋势;液压流量参数测量的最大相对误差为1.13%,额定作业工况下的相对误差为0.53%;收获生产率参数测量的模型回...     

基于改进YOLOX的自然环境中火龙果检测方法

自然环境下果实的精准检测是火龙果采摘机器人执行采摘作业的先决条件。为提高自然环境下果实识别的精确性、鲁棒性和检测效率,本研究对YOLOX（You Only Look Once X）网络进行改进,提出了一种含有注意力模块的目标检测方法。为便于在嵌入式设备上部署,本方法以YOLOX-Nano网络为基准,将卷积注意力模块（Convolutional Block Attention Module,CBAM）添加到YOLOX-Nano的主干特征提取网络中,通过为主干网络提取到不同尺度的特征层分配权重系数来学习不同通道间特征的相关性,加强网络深层信息的传递,降低自然环境背景下对火龙果识别的干扰。对该方法进行性能评估和对比试验,经过训练后,该火龙果目标检测网络在测试集的AP_0.5值为98.9%,AP_0.5:0.95的值为72.4%。在相同试验条件下对比其它YOLO网络模型,该方法平均检测精度分别超越YOLOv3、YOLOv4-Tiny和YOLOv5-S模型26.2%、9.8%和7.9%。最后对不同分辨率的火龙果果园自然环境下采集的视频进行实时测试。试验结果表明,本研究提出的改进YOLOX-Nano目标检测方法,每帧平均检测时间为21.72 ms,F₁值为0.99,模型大小仅3.76 MB,检测速度、检测精度和模型大小满足自然环境下火龙果采摘的技术要求。     

基于改进U-Net模型的小麦收获含杂率在线检测方法

含杂率是小麦机械化收获重要指标之一,但现阶段我国小麦收获过程含杂率在线检测难以实现。为了实现小麦机械化收获过程含杂率在线检测,本文提出基于结合注意力的改进U-Net模型的小麦机收含杂率在线检测方法。以机收小麦样本图像为基础,采用Labelme手工标注图像,并通过随机旋转、缩放、剪切、水平镜像对图像进行增强,构建基础图像数据集;设计了结合注意力的改进U-Net模型分类识别模型,并在torch 1.2.0深度学习框架下实现模型的离线训练;将最优的离线模型移植到Nvidia jetson tx2开发套件上,设计了基于图像信息的含杂率量化模型,从而实现小麦机械化收获含杂率在线检测。试验结果表明：针对不同模型的训练结果,结合注意力的改进U-Net模型籽粒和杂质分割识别F1值分别为76.64%和85.70%,比标准U-Net高10.33个百分点和2.86个百分点,比DeepLabV3提高10.22个百分点和11.62个百分点,比PSPNet提高18.40个百分点和14.67个百分点,结合注意力的改进U-Net模型对小麦籽粒和杂质的识别效果最好;在台架试验和田间试验中,装置在线检测含杂率均值分别为1...     

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。     

基于改进YOLACT++的成熟芦笋检测-判别-定位方法

为解决芦笋采收机器人选择性采收过程中成熟芦笋的判别和采摘手准确定位难题，提出了一种改进YOLACT++(You only look at coefficients)算法，利用该方法对成熟芦笋进行检测判别并定位采收切割。通过引入CBAM(Convolutional block attention module)注意力机制以及SPP(Spatial pyramid pooling)结构改进传统的YOLACT++主干网络，提高了特征提取的有效性；设计了适用于芦笋目标检测的锚框长宽比以保证覆盖到不同姿态的芦笋，以提高网络检测速度和准确率。利用生成的芦笋掩膜分段计算芦笋长度和基部直径，来判定成熟芦笋，并通过空间位姿向量计算成熟芦笋基部区域切割点位置。采收机器人田间试验结果表明，经过训练的改进YOLACT++模型的检测准确率为95.22%,掩膜平均准确率为95.60%,640像素×480像素图像检测耗时53.65 ms,成熟芦笋判别准确率为95.24%,在X、Y、Z方向的切割点定位误差小于2.89 mm,滚转角和俯仰角误差最大为7.17°;与Mask R-CNN、SOLO和YOLACT++模型相比...     

基于PIE-Engine的甘蔗榨季砍收进度监测

为了及时获得甘蔗砍收进度信息，提高甘蔗榨季砍收进程的信息化管理水平。基于国产遥感云计算平台PIE-Engine，以广西来宾市兴宾区2020/2021榨季为例，使用甘蔗砍收前三个关键时点的Sentinel-2多光谱影像合成NDVI时序数据集，根据当地主要作物NDVI走势差异，采用非监督分类提取甘蔗种植区域。在此基础上，利用Sentinel-1 双极化SAR数据的重访周期短和全天候的特点，合成雷达植被指数（RVI）时序数据集，经变化检测获取不同甘蔗种植区域的近似砍收日期。在PIE-Engine平台上开发了县域甘蔗榨季砍收进度信息遥感在线监测程序。使用该方法提取的2020年兴宾区甘蔗种植面积接近多年稳定的种植面积，实现了兴宾区2020/2021榨季甘蔗砍收进度的全区与按乡镇统计分析和展示。研究表明基于国产遥感云计算平台的甘蔗砍收监测方法切实可行。     

基于改进YOLO v4的单环刺螠洞口识别方法

针对养殖池塘内单环刺螠自动采捕和产量预测应用需求，提出一种基于深度学习的单环刺螠洞口识别方法，以适用于自动采捕船的嵌入式设备。该方法通过将YOLO v4的主干网络CSPDarkNet53替换为轻量型网络Mobilenet v2，降低网络参数量，提升检测速度，并在此基础上使用深度可分离卷积块代替原网络中Neck和Detection Head部分的普通卷积块，进一步降低模型参数量；选取带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration，MSRCR)增强算法进行图像增强；利用K-means++算法对数据集进行重新聚类，对获得的新锚点框尺寸进行线性缩放优化，以提高目标检测效果。在嵌入式设备Jetson AGX Xavier上部署训练好的模型，对水下单环刺螠洞口检测的平均精度均值（Mean average precision，mAP）可达92.26%，检测速度为36f/s，模型内存占用量仅为22.2MB。实验结果表明，该方法实现了检测速度和精度的平衡，可满足实际应用场景下模型部署在单环刺螠采捕船嵌入式设备的需求。     

自走式小麦联合收割机电气控制线路优化

为提升自走式小麦联合收割机的收割效率,在收割机结构组成与工作原理的基础上,对收割机的电气控制系统及相关线路展开优化分析。通过分析行走系统与收割装置等关键部件的工作特性,得出其传递函数及实现双闭环控制与调节的条件;采取行进速度智能精确控制,加入PID核心算法控制、辅助电气线路改进与控制、加入实时监测与准确报警装备等措施,实现整机的控制线路优化并通过试验进行验证。结果表明:经优化后的收割机主要性能指标均得到明显改善,尤其收割效率较优化前提高13%左右。电气控制线路优化具有一定的可行性,能够为小麦联合收割机的其他结构优化与改善提供参考。     

履带自走式全喂入联合收割机结构设计的改进

综合论述了履带自走式全喂入联合收割机在作物切割、分离清选、转向制动、液压驱动和行走操纵等方面的结构改进设计以及为套种小麦收割而进行的变型设计，为完善该型联合收割机的整体设计提供了依据。