玉米中耕除草复合导航系统设计与试验

为了实现玉米中耕除草过程中的自动导航作业,提高自动除草的效率和准确性,设计了一种玉米中耕除草复合导航系统。系统由基于GNSS的农机自动导航部分和基于机器视觉的农具自动导航部分组成,可通过GNSS位置信息进行农机自动导航,同时根据摄像头获取的玉米作物行信息控制农具铲刀进行行间除草。对农机的转向控制部分和前轮转角检测部分进行了机械改装,以PLC和步进电机驱动器为基础设计了农机转向控制电路和农具液压控制电路;以横向偏差和横向偏差变化率作为模糊控制的输入变量设计了自适应模糊控制方法;采用摄像头获取玉米作物行,通过扫描滤波方法进行作物行检测。农机独立导航除草试验和农机具复合导航试验结果表明：在车速为0.6 m/s时,农机自动导航最大横向偏差为10.04 cm,平均偏差为4.62 cm;农机具复合导航时的最大偏差为6.35 cm,平均偏差为2.73 cm;农机具复合导航系统能较好地满足玉米中耕除草的要求。     

自然光照下基于粒子群算法的农业机械导航路径识别

针对农业机械视觉导航线提取易受光照变化影响及常规导航线识别算法实时性低、抗干扰能力差等问题,对自然光照条件下基于机器视觉的农业机械导航路径识别技术进行了研究。首先,在YCr Cb颜色模型的基础上构建与光照无关的Cg分量,选择2Cg-Cr-Cb特征因子对图像进行灰度化处理,以降低光照变化对图像分割的影响;然后,采用改进K-means聚类方法进行图像分割,将绿色作物信息从土壤背景中分离出来,并通过形态学滤波方法滤除二值图像中存在的杂草干扰信息;最后,根据图像中作物行的特点建立作物行直线方程约束模型,利用粒子群算法对作物行直线进行寻优求解,进而得到导航线。实验结果表明,不同光照条件下对2Cg-Cr-Cb灰度图像进行图像分割,可以清晰完整地将作物从土壤背景中分离出来,分割图像受光照变化影响较小并且不会引入背景噪声;基于粒子群算法的导航线检测方法可以快速准确地提取出导航路径,对于不同农田作物和作物不同生长阶段具有较高的适应性,相比于常规导航线识别算法具有实时性高、鲁棒性好等优点。     

基于车载三维激光雷达的玉米点云数据滤波算法

为支持表型参数测量和数字植物相关研究,对车载三维激光雷达获取的玉米点云数据进行分析处理,提出了一种基于统计分析的两次滤波算法。以大喇叭口期的京农科728和农大84玉米为研究对象,使用VLP-16型三维激光雷达采集田间玉米点云数据;对点云数据进行直通滤波预处理,去除无关点后,进行第1次点云数据滤波处理,设置精确率和召回率阈值,选取参数组合;再对点云进行第2次滤波处理,确定精确率和召回率最优组合(110,0. 9)、(6,1. 2),边际组合(100,1. 0)、(6,1. 2)和(110,0. 8)、(5,0. 9),共3组参数组合;以3组验证集数据进行测试,结果表明:最优组合性能最优,可在京农科728和农大84玉米点云数据滤波中通用。     

基于改进粒子群优化模糊控制的农业车辆导航系统

以采用机器视觉导航的农业车辆为研究对象,提出了一种基于改进粒子群优化自适应模糊控制的农机导航控制方法。建立了车辆2自由度转向模型和视觉预瞄模型,对车辆横向控制进行状态描述。对粒子群算法进行了改进,提高了粒子群算法的收敛速度,降低了算法计算时间。构建了自适应模糊控制器,在模糊控制器中引入加权因子,以横向偏差和航向偏差时间误差绝对值积分(ITAE)之和作为系统目标函数,通过粒子群算法计算得到最优加权因子,进而调整控制规则实现导航车辆的自适应控制。仿真和导航试验结果表明,提出的控制方法可以迅速消除横向误差,具有超调量小、响应速度快等特点,既保留了模糊控制算法的优点,又提高了系统控制品质。在相同参数条件下,与常规模糊控制相比,改进模糊控制算法导航精度显著提高。当车速为0.8/s时,直线路径跟踪最大横向偏差不超过4.2 cm,曲线路径跟踪最大横向偏差不超过5.9 cm,能够较好地满足农业车辆导航作业要求。     

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。     

作物表型组学测量方法综述

随着世界人口的增长,粮食安全问题变得日益严峻,培育新的作物品种是解决粮食危机的一种有效途径。传统的作物表型测量人工成本高,工作效率低,不能为育种学家提供充足的数据,阻碍了育种的发展,因此改进表型测量方法是十分迫切的。育种学家多关注作物的形态学参数和生理学参数,多种传感器已经被应用于作物的参数测量。本文对一些表型参数测量方法进行了分析与比较,包括作物高度、叶片参数、株间距、叶绿素含量、水分胁迫指数、生物量等。同时,也对一些可用于多种参数测量的复合测量平台进行了总结。此外,本文指出了表型测量中的不足,应该改进当前的一些测量方法,以降低表型测量的成本,提高测量效率。     

基于DSP和MCU的农机具视觉导航终端设计

农机具导航可以提高作业的精度和适应性。针对当前导航终端多基于工控机开发,成本相对较高,不利于在农业生产中大规模推广等问题,设计了一种基于DSP和MCU的农机具视觉导航终端,用于玉米中耕锄草自动导航作业。其中,DSP作为核心处理器,负责农作物的图像采集、作物行检测和导航线提取;MCU负责作业流程的管理、GNSS位置信息的接收、存储和转发以及向执行单元发送控制指令等。针对导航终端中所涉及的串口、网络以及CAN总线之间的通信问题,制定了相应的协议规范;按照系统集成优化设计方法,构建了农机具视觉导航终端系统,保证了系统运行稳定性;对图像进行预处理后,采用基于边缘检测和扫描滤波的导航线检测算法提高了农机具导航线检测的精度和处理效率;针对农田玉米中耕锄草试验,设计了导航线算法适应性试验、偏移量测试试验和系统对比试验。结果表明：系统能够较好地适应有杂草和株数稀疏等农田环境下的测试工作;对偏移量检测的平均误差为1.29 cm,最大误差为4.1 cm;对比PC端和ARM端的导航算法运行速度,系统具有较好的实用性和经济可行性。     

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。     

基于线性回归的玉米生物量预测模型及验证

玉米生物量是评估玉米长势的重要参数,为了实现玉米生物量的快速测量,该文拟以玉米株高H、茎粗长轴L、茎粗短轴S为输入,建立玉米生物量鲜质量FW和干质量DW的预测模型。采用多元回归和逐步回归方法对平展型和紧凑型玉米的小喇叭口期生物量数据进行线性回归分析。结果表明,玉米茎粗长轴和茎粗短轴与玉米鲜质量和干质量的相关性高于玉米株高,多元回归模型H+L+S、L×S和逐步回归模型具有较高的拟合精度,其对玉米鲜质量、干质量的决定系数高于0.874和0.877,均方根误差分别小于7.363和0.801 g,且单因素方差分析表明,3个模型之间没有明显差异,模型交叉验证结果表明,3个模型都具有较好的稳定性和预测能力。应用上述3个模型对玉米大喇叭口期的生物量进行预测,预测结果表明,模型对平展型玉米的预测精度优于紧凑型玉米。对平展型玉米生物量的预测中,逐步回归模型预测效果最优,其对玉米鲜质量、干质量的决定系数分别为0.866、0.875,均方根误差分别为30.790和2.752 g,相对均方根误差分别为13.53%、11.41%。该研究表明,利用玉米株高、茎粗长轴、茎粗短轴可实现对玉米生物量的估测,且对平展型玉米具有较好的预测效果。     

基于RGB-D相机的玉米茎粗测量方法

为实现田间玉米茎粗的快速测量,提出了一种基于RGB-D(RGB-Depth)相机的玉米茎粗参数提取方法。以小喇叭口期玉米为观测对象,利用RGB-D相机获取田间玉米的彩色图像和深度图像。首先,根据玉米与背景的颜色差异,对图像进行自动阈值分割,提取图像中感兴趣区域内的信息;利用形态学"开"操作剔除图像中的噪声,得到玉米茎杆的主干。其次,对茎杆主干进行骨架化操作,检测骨架的交叉点和末端点,确定茎杆的待测量部位。然后,对该部位的点云数据进行去噪、聚类、椭圆拟合操作,得到椭圆的长轴和短轴,获得玉米的茎粗。对20株玉米进行测试,结果表明:茎粗长轴的平均测量误差为3.31 mm,标准差为3.01 mm,平均测量相对误差为10.27%,茎粗短轴的平均测量误差为3.33 mm,标准差为2.39 mm,平均测量相对误差为12.71%。该研究可为作物表型参数的快速获取提供参考。