智能高效株间锄草机器人研究进展与分析

非化学方式除草是摒弃除草剂、生产有机农产品的前提,传统的中耕锄草机主要解决行间锄草,由于株间苗草集聚,机械锄草难度较大,目前主要依靠人工,劳动成本高且效率低。智能株间锄草机器人是一种能够实时识别作物行和苗草信息,并能控制株间锄草刀高速作业的自动锄草装备,具有智能、高效、环保等特点,可大大减少劳动力,提高锄草效率,降低锄草成本。该文主要对近年来国外研究较为成熟的株间锄草机器人进行介绍,概述了中国该方面的研究进展,对苗草信息获取、对行、锄草装置、驱动方式、时速等几个技术点进行分析和比对,提出了如何提高信息获取速度,增强系统实时性,以及如何改进机器视觉标定方法,提高苗草定位准确性是苗草信息获取技术存在的关键问题,强调了锄草装置在系统中的重要性;针对不同形态作物、不同土质土壤研制针对性强、锄草效果好的锄草装置是锄草机器人的基础,同时由于系统集成性及动力系统与速度匹配仍无法满足田间高负载、高速的锄草作业要求,因此加强该方面研究力度,研制使用性强、效率高的株间锄草机器人仍是中国的研究重点和方向。最后,提出多传感器融合、模块化、小型化的株间锄草机器人将是未来发展趋势,是实现中国农业有机、精准、高效生产的重要依据。     

苗间锄草机器人信息获取方法的研究

该文以移栽类蔬菜用苗间锄草机器人信息获取方法为研究对象,根据锄草机器人对实时性的要求,研究了以最小耗时和最大包容准确度为目标的信息获取方法。在RGB空间内利用植物G分量值的优势去除土壤等背景干扰,根据机器人前进方向上蔬菜苗株次序排列及苗株与杂草在形态特征和分布规律上的差异,设计了图像行像素直方图的参数组合方法,确定了苗株中心沿机器人前进方向的一维坐标。试验表明,锄草机器人前进速度在0～3km/h时,苗株一维坐标检测平均误差为±5mm,算法平均耗时小于20ms。该方法能够满足系统实时检测的技术要求,为锄草机器人田间作业奠定了基础。     

基于机器视觉的株间机械除草装置的作物识别与定位方法

株间机械除草技术可进一步减少化学除草剂的使用,有利于环境保护和农业可持续发展.为实现智能化的株间机械除草装置自主避让作物并进入株间区域,该研究提出了一种株间机械除草装置的作物识别与定位方法.利用2G-R-B方法将作物RGB彩色图像进行灰度化,再选用Ostu法二值化、连续腐蚀和连续膨胀等方法对图像进行了初步处理.根据行像素累加曲线和曲线的标准偏差扫描线获得作物行区域信息,以作物行区域为处理对象,利用列像素累加曲线、曲线标准偏差和正弦波曲线拟合识别出作物,并结合二值图像中绿色植物连通域的质心获得作物位置信息.试验结果表明,该方法可以正确识别出作物并提供准确的定位信息,能适应不同天气状况、不同种类的作物,棉苗正确识别率为95.8%,生菜苗正确识别率为100%,该方法为株间机械除草装置避苗和除草自动控制提供了基本条件.     

基于数据融合的玉米种子内部机械裂纹检测方法

为深入研究玉米种子脱粒和输送等环节中产生的内部裂纹机理和检测技术,该文在体视显微检测基础上提出了基于融合技术的边缘检测方法。该方法采用改进的数学形态学方法和传统Sobel边缘检测算子对损伤玉米种子图像进行边缘检测,建立相应的融合规则,将2种方法检测出来的图像边缘进行基于小波变换的融合处理,并从新图像中提取玉米种子内部机械损伤的特征信息。结果表明,该检测方法结合了2种边缘检测方法的优点,有效提高了边缘检测准确性,在准确提取玉米种子内部裂纹特征同时能有效降低噪声,较单一边缘检测算法有更好的效果。     

基于视觉里程计和自然信标融合的移动机器人定位算法

针对未知室内环境下移动机器人的定位问题,提出了一种基于单目视觉和自然信标融合的移动机器人定位算法。该方法采用普通摄像头和全景摄像头结合的方式进行定位。采用普通摄像头提取天花板特征,进行视觉里程计定位。全景普通摄像头提取周边环境及天花板信息,采用Harris-SIFT构建自然信标库,并且进行自然信标检测与识别。在两者的基础上,移动机器人进行实时定位。利用自然信标定位时,提出方向滤波器结合视觉里程计和惯导系统估计旋转角度,利用自然信标求取定位特征点,两者结合进行定位。该方法有效地结合了相对定位的快速性和绝对定位的准确性。在室内环境进行试验,其中自然信标定位在x,y方向的平均误差分别为38.66和31.54 mm。相比视觉里程计而言,结合自然信标定位的平均误差分别减小了32.53%和68.68%。融合视觉里程计的自然信标定位运算速度相比仅靠自然信标定位而言提高了约6倍左右,同时与视觉里程计定位处于同一数量级。试验结果表明相对于视觉里程计而言,所提算法大大提高了定位精度,同时不影响算法的实时性。     

基于多源机器视觉信息融合的番茄目标匹配

在番茄自然生长条件下利用计算机双目视觉获取的二维图像其处理必然会涉及到特征匹配不确定问题。该文利用近红外光谱和可见光谱各自有效的生物信息,在双目匹配搜索中,提取多源视觉融合图像的番茄有效形心点,采用极线约束和唯一性约束进行区域相关双向匹配。试验结果表明,基于此匹配方法可以实现果实的唯一匹配,准确率较高。     

基于机器视觉的蘑菇单体检测定位算法及其边界描述

介绍的算法是以单体蘑菇为研究对象,通过该算法的研究将为蘑菇采摘机器人图像处理方法的实现奠定理论基础。研究内容包括,蘑菇图像的数字特征;提取边界的算法;对蘑菇边界进行离散傅立叶变化。提出仅需利用蘑菇的边界信息求蘑菇形心坐标的新方法,而且傅立叶描述可以进行蘑菇边界的平移、旋转和缩放操作,具有很强的边界形状重建功能。最后通过对获取的蘑菇图像进行分析,表明该算法和边界描述是非常有效的。     

基于数据融合策略的红茶发酵程度判别

发酵是红茶加工过程中关键的一道工序,对红茶的品质形成有着重要影响。该研究以大叶种英德红茶中的英红九号为研究对象,试验收集了204份不同发酵时间的红茶样品并使用便携式近红外光谱仪和工业相机获取红茶发酵中的信息,基于近红外光谱数据、图像数据和数据融合策略分别建立了红茶发酵程度判别模型。通过分析茶多酚和儿茶素类含量的变化,将红茶的发酵划分为3个阶段,即发酵不足、发酵适度和发酵过度。采用Savitzky-Golay光滑对原始光谱进行预处理,利用竞争自适应重加权采样（Competitive Adaptive Reweighted Sampling, CARS）、连续投影算法（Successive Projections Algorithm, SPA）和主成分分析（Principal Components Analysis, PCA）对近红外光谱变量进行降维处理;相应地,图像进行去阴影后提取了9个颜色特征变量,采用皮尔森（Pearson）相关分析和主成分分析进行特征变量提取。最后采用线性判别分析（Linear Discriminant Analysis, LDA）和支持向量机（Support Vector Machine, SVM）分别建立了基于近红外、图像和两者数据融合的分类模型。结果表明,在建模数据相同的条件下,非线性的支持向量机模型性能优于线性判别分析模型。单一传感器数据建模效果不佳,近红外光谱和图像判别模型的预测集最大准确率仅为83.82%和73.53%。低层次数据融合建模效果较单一传感器数据建模无明显提升,而中层次的数据融合建模效果比单一数据建模均有显著提高,其中SPA提取光谱变量结合Pearson提取图像变量建立的判别模型效果较佳,校正集和预测集准确率分别达到了97.06%和95.59%。研究表明,近红外光谱和视觉结合的中层次融合策略可以作为一种快速判别红茶发酵程度的方法,研究结果为红茶发酵程度构建等级模型与判别奠定了一定的理论基础,为红茶发酵的自动化检测提供了重要依据。     

红外传感器与机器视觉融合的果树害虫识别及计数方法

为了解决果园环境中单一的害虫监测技术存在的缺陷,该研究将红外传感器和机器视觉识别技术进行融合,从两个角度对目标害虫进行识别计数。选取梨小食心虫、苹小卷叶蛾、桃蛀螟、干扰物进行试验,通过实验室人工随机散落试验样本,获得其红外传感器以及机器视觉图像的识别结果,构造融合计数计算公式,通过计算得到害虫计数结果。结果显示:梨小食心虫、苹小卷叶蛾、桃蛀螟、干扰物的红外分类阈值分别为2.25、9.06、17.88、28.38,其红外识别范围分别为(0,5]、(5,13]、(13,23]、(23,32];梨小食心虫、苹小卷叶蛾、桃蛀螟、干扰物的红外识别准确率分别为92%、78%、80%、88%,图像识别准确率分别为92%、88%、92%、90%,融合计数精度分别为98%、92%、94%、96%。可见,将红外传感器和图像识别技术相融合能够提高果树性诱害虫的识别准确率,为果园害虫的合理防治提供参考。     

基于多学科技术融合的智能农机控制平台研究综述

农业机械的自动化和智能化包含内容广泛,有农机定位与导航,动态路径规划,机器视觉和远程监控等,牵涉到大量的工程技术学科,包括导航、图像、模型与策略、执行器以及数据链等。农机定位与导航一般采用基于农机运动学模型结合GPS(global positioning system)/IMU(inertial measurement unit)组合导航信息,在导航路径规划算法指引下实现农机轨迹跟踪的方法。建立的农机运动学模型精度,GPS数据的连续性以及惯导器件误差系数漂移等因素都会影响该方法的有效性。路径跟踪通常采用各种现代控制理论与方法,而面对复杂的田间作业环境变化,农机的自主避障以及动态路径规划能力也会影响轨迹跟踪精度。机器视觉的稳定性和目标特征信息分离度影响着农机环境感知能力,目前目标识别主要采用hough变换,hough变换的全局检测特性决定了该算法运算量较大,需要探究改进特征提取算法。远程监控农机作业是智能农机发展的一个方向,构建无线导航,控制和视频数据传输网络有助于提高农机的智能化水平,可以采用分布式哈希表(distributed hash table)来研究网络覆盖和互联技术。该文融合多个学科,从高精度定位与导航技术、复杂环境及工况下农机运动精确自主控制技术、稳定清晰的机器视觉感知技术和基于4G网络和新一代物联网的高覆盖数据传输技术几个方面,论述了智能农机在光机电液多个学科领域内的研究现状,并指出采用北斗地基增强网络和网络RTK(real-time kinematic)技术、惯导定位误差精确建模与补偿、环境感知与自主避障、立体结构自组网技术以及多机协作是现代农业机械的发展方向。以期为现代化智能农业机械的设计提供参考。     

基于多源信息融合技术的马铃薯痂疮病无损检测方法

为了提高马铃薯痂疮病无损检测识别精度,基于机器视觉和近红外光谱的多源信息融合技术,该文提出DS（dempster shafer）证据理论结合支持向量机的马铃薯痂疮病无损检测方法。试验以360个马铃薯为研究对象,在图像特征分割时,确定了差影法结合马尔可夫随机场模型法为最佳分割方法;在光谱特征提取时,确定主成分分析方法为最佳降维方法。采用支持向量机识别方法分别建立机器视觉和近红外光谱的马铃薯痂疮病识别模型,模型对测试集马铃薯识别率分别为89.17%、91.67%。采用DS证据理论与支持向量机相结合的方法对获取的图像特征和光谱特征进行融合,建立了基于机器视觉和近红外光谱技术的多源信息融合马铃薯痂疮病检测模型,该模型对测试集马铃薯识别率为95.83%。试验结果表明,该技术对马铃薯痂疮病进行检测是可行的,融合模型比单一的机器视觉模型或近红外光谱模型识别率高。     

基于高光谱图像和光谱信息融合的马铃薯多指标检测方法

针对随机放置的马铃薯缺陷多项指标难以同时检测的问题,提出了一种基于高光谱信息融合的流形学习降维算法与极限学习机(extreme learning machine,ELM)相结合的方法,该方法可同时识别马铃薯的多项缺陷指标。分别采集发芽、绿皮、黑心和合格马铃薯的反射高光谱数据(390~1 040 nm),在光谱维,提取马铃薯样本感兴趣区域(region of interest,ROI)的平均光谱,分别采用扩散映射(diffusion maps,DM)、局部线性嵌入(locally linear embedding,LLE)和海森局部线性嵌入(hessian locally linear embedding,HLLE)3种流形学习降维算法对光谱数据进行降维;在图像维,对马铃薯伪彩色图像进行形态学处理,获取基于灰度共生矩阵(gray level co-occurrence matrix,GLCM)的图像纹理信息,采用连续投影算法(successive projections algorithm,SPA)优选图像纹理特征;融合光谱维信息和图像维信息,分别建立基于极限学习机(ELM)与支持向量机(support vector machine,SVM)的马铃薯多分类识别模型。结果表明,扩散映射结合极限学习机(DM-ELM)模型的预测结果较优,该模型对发芽、绿皮、黑心和合格马铃薯样本的单一识别率分别为97.30%、93.55%、94.44%和100%,混合识别率达到96.58%,时间为0.11 s,可知高光谱信息融合技术结合流形学习降维算法可同时识别随机放置马铃薯的多种缺陷指标。     

基于近红外光谱和机器视觉的多信息融合技术评判茶叶品质

首次提出利用近红外光谱和机器视觉的多传感信息融合技术评判茶叶品质.试验以4个等级的炒青绿茶为试验对象,对获取的图像特征信息和光谱特征信息,通过主成分分析提取相应的主成分得分向量构成模式识别的输入.利用BP神经网络方法建立茶叶综合品质评判模型.在模型的建立过程中,对各个信息的主成分因子数进行了优化.从试验的结果看,在图像信息主成分因子数等于6,光谱信息主成分因子数等于3时,建立的模型最佳,模型训练时的回判率为99%,预测时的识别率为89%.研究结果表明基于近红外光谱和机器视觉技术的多传感信息融合技术评判茶叶综合品质的方法是可行的,评判结果的准确性和稳定性都较单个信息模型有所提高.     

基于图像特征融合的苹果在线分级方法

苹果在线分级是提升苹果商品化价值的重要环节,需要同时满足分级准确度和速度要求。为进一步提高苹果在线分级效率,该文借助机器视觉技术动态采集苹果传输过程中的实时图像,提出改进的三层Canny边缘检测算法来提取苹果轮廓以克服采集图像中的光线噪声影响,通过分析苹果分级指标,采用判别树对苹果的果径、缺陷面积、色泽等特征进行初步分级判断,并采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级,最后,通过将两种分级判断结果进行决策融合来实现样本精确分级。同时,采取图像压缩和特征降维方法提高实时性。试验结果表明,基于图像特征决策融合的苹果分级准确率可达到95%,平均分级速率可达到4个/s。研究结果为水果的在线分级提供参考。     

基于RF-DS图谱信息融合的孵化早期鸡胚蛋性别无损检测

针对图像或光谱单一信息检测孵化早期胚蛋性别识别率不高的问题,该研究提出一种随机森林（Random Forest,RF）和证据理论（Dempster-Shafer,D-S）的图谱信息融合的无损检测方法。利用机器视觉和光谱仪分别采集孵化期第4天水平横放的胚蛋信息,在对胚蛋图像和光谱预处理的基础上,提取图像纹理特征和光谱特征,再分别以2类单特征的RF分类结果作为独立证据构造基本概率分配函数,运用D-S证据理论进行决策级融合,根据分类判决门限得出最终的识别结果。试验结果表明,图像和光谱单特征RF模型识别准确率最高分别达78.00%和82.67%,多特征决策融合识别法准确率达到88.00%,其中雌雄识别率分别达到90.00%和86.25%,单个鸡蛋的平均判别用时为2.843 s。结果表明,该光谱-图像信息融合方法可以提高孵化早期胚蛋雌雄识别准确率。