果园自动避障割草机前架设计与仿真

为了解决现有果园割草机自动避障性能较差、避障多为接触式机械避障的问题,为未来非接触式避障割草机整体的研制而设计出1种割草机前架机械平台。基于ADAMS仿真软件对前架进行虚拟样机仿真,采用响应曲面的优化设计方法对前架中以割盘、摆臂和套筒组成的装配体进行优化前后静力学分析对比,通过ANSYS Workbench对优化后装配体进行模态分析。结果表明,割盘所受最大应力降为0.822 7 MPa,优化率为39.82%;摆臂所受最大应力降为14.150 0 MPa,优化率为39.03%;套筒所受最大应力降为15.669 0 MPa,优化率为17.89%。优化后低阶频率为297.72 Hz,符合设计要求。     

基于点云图的农业导航中障碍物检测方法

为满足智能农业机器人路径规划中障碍物检测的需求,针对传统双目视觉中用于障碍物检测算法的局限性,提出基于点云图的障碍物距离与尺寸的检测方法。该方法以双目视觉中以立体匹配得到的点云图为对象,通过设置有效空间,对不同区域处点云密度的统计,找到点云密度随距离的衰减曲线。远距离障碍物由于相机分辨率的不足,点云密度会随距离下降,通过密度补偿算法进行补偿,经二次设置有效空间后锁定障碍物位置,将目标点云分别投影于俯视栅格图和正视图中,获得其距离和尺寸信息。试验表明:该方法能有效还原障碍物信息,最大测距范围为28 m,平均误差为2.43%;最大尺寸检测范围为10 m,长度和高度平均误差均小于3%。该文基于点云图的栅格化表示和密度补偿算法,通过设置有效空间将点云投影得到障碍物距离和尺寸,不同环境下的精度测试和距离检测验证了可靠性和鲁棒性。     

基于稳定抓取力学模型的末端执行器控制器设计

以苹果采摘机器人末端执行器稳定抓取为目标,建立了二指末端执行器抓取苹果的力学模型,提出了利用加速度传感器反馈进行优化控制的方法并设计基于BP神经网络和PID控制的自适应控制器。     

基于分层结构的智能农业车辆导航数据采集与处理系统

为了满足智能农业车辆导航数据多传感器采集的需要,提出了基于分层结构的数据采集与处理系统设计方案.该方案将系统分为设备层、采集层、通讯层、数据层和数据处理层5个层次.各层独立设计,且为相邻层提供接口.首次提出归一化综合距离理论,用于数据处理过程中的异常数据剔除,采用均值滤波抑制噪声.试验表明:系统能够实时、正确地对导航数据进行采集,各传感器工作正常,CAN协议合理,分层结构的设计方案可行.同时,采用归一化综合距离法和均值滤波能够正确剔除异常数据,有效抑制噪声数据.     

基于东方红-SG250拖拉机的自动转向控制系统设计

以东方红SG-250型拖拉机为平台,通过比例方向阀和电控单元对拖拉机原有油路进行改造,构建了自动转向控制系统,并为该系统设计了PD控制器,以实现精准控制.通过试凑法确定了PD算法的参数,试验结果表明:自动转向控制系统能够正常工作,通过试凑法确定的PD参数使自动转向控制系统具有良好的响应特性,可以满足转向系统的性能要求.     

农用开放式智能移动平台研制

研制了一种作为农田智能化作业前提和基础的农用履带式智能移动平台。该平台主要包括机械系统和控制系统。移动平台能够实现田间自主导航,且具有一定的开放性,可满足农田多种智能化作业的要求。用VC++6.0编写了自主导航控制程序,开发了人机交互界面。样机在江苏省丰县果园进行了导航实验。结果表明:在组合导航模式下,该智能移动平台自主导航性能稳定,直线路径最大跟踪误差为0.05 m,曲线路径最大跟踪误差为0.11 m。     

基于全景视觉的智能农业车辆运动障碍目标检测

为了满足智能农业车辆安全正常作业,提出了基于全景视觉的运动障碍目标检测。与传统的单目和双目视觉相比,全景视觉具有360°无盲区检测的优点。首先系统使用多线程技术采集多目视觉图像,并用改进RANSAC-SIFT算法进行特征点提取与匹配,进而拼接全景视觉图像;其次采用改进的CLG光流法处理全景图像,检测运动障碍目标。试验表明：基于多线程技术和改进RANSAC-SIFT的全景拼接算法,与传统SIFT算法相比,平均提高特征点匹配准确度25.6%,加快运算速度25.0%;采用改进CLG光流法进行运动障碍检测,平均检测时间为1.55 s,检测成功率为95.0%。     

自然场景下苹果图像FSLIC超像素分割方法

应用Cauchy-Schwarz不等式,推导出一个聚类搜索过程中剥离不必要计算的条件,早期预估后舍掉符合预设条件的候选聚类,提出了基于自然场景的快速简单线性迭代聚类算法(FSLIC算法)。对包含极端恶劣条件下的500幅苹果图像进行了边界召回率检验和运行速度测试;统计了极端恶劣条件下的30幅苹果图像的全局错误率GCE、假阳性率FPR和假阴性率FNR。试验表明,提出的FSLIC算法减小了后续迭代过程中的冗余误差,边界召回率较GB超像素分割算法平均提高了21.7%,速度是GB超像素分割算法的1.83倍;整个图像分割过程中基于超像素的分割算法(GB、FSLIC)的GCE值较常规分割算法(BP、WT、SVM)平均减小了13%,较常规算法的GCE值减小了19%。     

农业车辆双目视觉障碍物感知系统设计与试验

为保证智能化农业机械在自主导航过程中的安全可靠性,该研究将嵌入式AI计算机Jetson TX2作为运算核心,设计一套基于双目视觉的农业机械障碍物感知系统。使用深度卷积神经网络对作业环境中的障碍物进行识别,并提出一种基于改进YOLOv3的深度估计方法。将双目相机抓取的左右图像分别输入至改进的YOLOv3模型中进行障碍物检测,并将输出的目标检测框信息进行目标匹配和视差计算,完成对障碍物的识别、定位和深度估计。试验结果表明,该系统能够对障碍物进行准确识别,平均准确率和召回率分别达到89.54%和90.18%;改进YOLOv3模型的深度估计误差均值、误差比均值较原始YOLOv3模型分别降低25.69%、25.65%,比Hog+SVM方法分别降低41.9%、41.73%;动态场景下系统对障碍物深度估计的平均误差比为4.66%,平均耗时0.573s,系统在深度预警时能够及时开启电控液压转向模块进行安全避障。研究结果可为农业机械的自主导航提供有效的环境感知依据。     

自主导航农业机械避障路径规划

【目的】实现自主导航农业机械作业时静态障碍物避障功能。【方法】在已知工作环境条件下提出2种避障路径规划算法。以农机运动规律为基础,依据障碍物位置和尺寸信息提出单障碍物避障算法。在单障碍物避障算法基础上,依据安全行驶区域大小,参考左右双向避障策略提出双/多障碍物避障算法。【结果】单障碍物位于不同位置、农机行驶速度为0.3 m·s~(-1)时,行驶路径分别比L算法减少35%、26%,行驶路径累计误差减少53%、82%,方差减少64%、66%;行驶速度为0.5 m·s~(-1)时,行驶路径减少38%、22%,行驶路径累计误差减少66%、62%,方差减少41%、71%。多障碍物路况,农机行驶速度为0.3、0.5 m·s~(-1)时,行驶路径累积误差分别为9.99、4.13 m,方差分别为0.022 1、0.027 0 m2。【结论】本文算法在行驶路径、行驶路径累计误差、规划路径跟踪稳定性和路况适应性上均体现出一定优势。