基于激光雷达的果园割草机避障方法研究

针对果园割草机在山地丘陵果园工作过程中面临障碍物阻碍前进路线的问题,设计了基于激光雷达的果园割草机避障方法。以激光雷达测距为基础,首先将矢量场直方图算法(VFH)改进阈值,确定割草机的可行进方向;当割草机遇到障碍物时,使用动态窗口法(DWA)进行避障,确保割草机行驶的安全性和高效性,两种算法的融合保证割草机完成避障作业。MatLab仿真和田间试验表明：所采用方法提高了割草机的运行效率,降低了割草机的漏割率,设计方法合理,满足割草机在山地丘陵果园的避障需求。     

基于卷积算法的自动割草机目标检测应用研究

为进一步提高我国自动割草机的目标检测准确度与整机作业效率,采用卷积算法理论针对其检测系统展开设计应用研究.在整机结构组成及作业原理基础上,根据卷积算法执行规则流程,建立目标函数与检测核心模型,并针对检测系统进行软件设计与硬件平台搭建,并进行自动割草机目标检测作业试验.结果表明:经卷积算法应用,自动收割机检测系统可实现目...     

太阳能自动割草机

本文介绍了一种新型割草机,通过太阳能电池板提供能量,达到快速割草的目的,从而节约能源,减少人类工作时间,也间接对人类的身体产生极大的利处。     

基于信息融合的农业自主车辆障碍物检测方法

针对单一传感器在智能车辆环境感知中的局限性,提出一种基于摄像机与激光雷达信息融合的农业自主车辆前方障碍物检测方法。对单目摄像机获取的图像进行基于Ft（Frequency-tuned）算法的显著性检测,并生成显著图。同时对激光雷达反射点进行基于数据关联性评估的聚类分析,确定障碍物数量、边界与位置等先验信息。然后以激光雷达坐标相对应的图像像素坐标为种子点,由种子点激活经过处理的显著图,基于受限区域生长实现障碍物区域分割。试验结果表明,基于Ft算法的图像显著性检测具有更好的边缘检测效果,基于种子点的受限区域生长法可以有效地进行障碍物分割。在机器视觉的基础上融入激光雷达数据,可以更好地排除非障碍物的干扰,实现了障碍物的完整检出。     

一种适用于堤坝的履带式割草机设计

简述了一种适用于堤坝的往复式割草机的结构设计,确定了结构参数;在往复式割草机上最先采用了履带式行走机构,不但减小了接地压力、保护了植被,而且解决了斜坡割草难度大的问题;同时,对切割器割刀运.动、功率消耗和切割器的阻力进行了分析.试验表明,该机设计合理、可靠,具有操作方便、仿形好的优点,符合堤坡割草的使用特点.     

机器人自动割草机的研究

自动机器人的主要目标是用最少的人为控制可靠地完成指定的任务。为了解决传统割草机工作效率低、消耗大量人力且安全性能不够稳定的问题,进行了机器人自动割草机的研究,用于花园或草地工作的机器人自动割草机,通过多传感系统和以单片机为主体的控制系统来满足要求。     

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...     

基于机载激光雷达点云的飞行障碍物提取方法研究

无人机搭载激光雷达扫描仪以获取机载点云已成为农作物冠层结构信息提取的理想数据源,基于机载激光雷达点云提取树木、电力塔、电力线等飞行障碍物,为无人机安全飞行提供可靠数据。首先,使用TerraSolid软件对点云进行滤波,分离地面点,提取植被树木、电力塔、电力线等障碍物,根据地物分布进行点云分幅。利用PCL点云库中随机采样一致性及稳健的特征值法构建平面模型,实现分幅后的点云非地面点及飞行障碍物提取。最后,以人工滤波结果和分类结果为参考点云,分别建立基于TIN算法的滤波结果和PCL分割结果的精度验证混淆矩阵,从而对滤波及分割提取障碍物的结果进行精度评价。研究结果表明,TerraSolid软件处理分幅点云效率优于整幅点云数据,TerraSolid及PCL两者对于处理相同分幅点云结果较为相近,其中PCL操作快捷高效,可视性较差。在提取飞行障碍物的过程中,可结合二者优势。     

基于激光雷达的稻麦收获边界检测与自动对齐系统研究

针对稻麦收获无人作业的需求,提出了一种使用激光雷达检测稻麦收获边界的算法,并连接无人控制系统实现收获边界的自动对齐。该算法首先对采集的收获轮廓点云划定感兴趣角度范围,根据雷达的安装高度和位置将测量数据由极坐标转换为三维直角坐标,融合陀螺仪测量的激光雷达安装姿态数据对测量点云进行校正;通过中值滤波和Z向阈值滤波将点云中的噪点和非稻麦轮廓点滤除;对比了K-means聚类和Z向中心差分法检测稻麦收获边界的精度,并进行了误差分析;开发了感知系统并制定了感知与控制的CAN通信协议,采用预瞄点追踪方法对实时检测的边界点进行对齐控制;分析研究了稻麦收获边界自动对齐精度检测方法。2022年6月在北京小汤山国家精准农业示范基地进行了收获边界检测与自动对齐控制系统试验,分别采用数据标注和GPS打点的方式进行了数据采集与分析,试验结果表明,基于K-means聚类的收获边界检测横向偏差平均值为22.24 cm,基于Z向中心差分法的收获边界检测横向偏差平均值为1.48 cm,Z向中心差分法的收获边界检测优于基于K-means聚类的检测方法,故采用Z向中心差分法进行自动对齐控制试验,整体控制系统自动对齐横向偏差平...     

一种自动割草机控制系统设计

自动割草机控制系统可以实现割草过程的自动化,该控制系统基于运动控制器,分析系统的组成,进行模块化设计,分析研究工作流程,并对工作路径规划进行分析。     

基于激光雷达的果园行间车辆自动导航控制

针对果园自主导航过程中车辆偏航、植株缺失等问题,设计了一款基于激光雷达的果园行间履带式车辆自动导航控制系统,并模拟标准化果园环境进行试验以验证系统性能。首先,采用二维激光雷达(Light Detection and Ranging, LiDAR)获取树干点云数据,对点云数据进行坐标变换;其次,通过识别树干边界起始点进行树干定位;再次,提出两步树行分割法将树行分割为左右两行,利用最小二乘法分别对两侧定位点进行直线拟合,将树行中心线作为导航路径;最后,将电机期望转速作为比例微分(Proportion Differentiation, PD)控制器的输入,使车辆沿树行中心线自动行驶。树行分割试验表明：当感兴趣区域内植株无缺失、单株缺失、双株缺失且无航向偏差、无横向偏移时,树行分割正确率均为100%;双株缺失存在横向偏差和航向偏差、三株缺失不存在横向偏差和航向偏差时,树行分割准确率为96.4%;三株缺失存在横向偏差或航向偏差时,树行分割准确率92.9%。电机控制试验表明：电机调速系统具有快速响应的优点,且稳定性良好。导航控制试验表明：当车辆以0.8m/s速度行驶且存在0.5m的初始横向偏移时,...     

基于小波多分辨率分解的农田障碍物检测

针对基于颜色或高度信息的农田障碍物检测方法仅能实现部分障碍物检测的缺点,提出了基于频率信息的检测方法.采用小波多分辨率分解,利用田间作物产生主频信息的总量优势及作物行分布规律确定作物所在频率层.在作物层上利用图像旋转投影法校正图像的同时,获得航位偏差和航向偏差;依据频率分布特性的改变,检测出发生行遮挡的疑似障碍物位置;依据非杂草类障碍物频率变化比较缓慢,在小波多分辨率分解的最高频率层上实现不发生作物行遮挡的疑似障碍物的检测;最后采用立体视觉匹配及频率信息的先验知识判定检测到的是否为障碍物.实验表明算法能检测出包括长满草的土堆、田头等各类障碍物,并能有效去除断垄干扰,单帧图像处理时间平均为79 ms.     

基于单目摄像头的车辆前方障碍物的检测研究

针对车辆前方障碍物准确检测的需求,提出了一种基于单目摄像头的车辆前方障碍物的检测系统.通过单目摄像头对视频进行采集,获取单帧图像信息.通过在ROI区域内对道路上的障碍物进行检测,能够最大程度缩小检测范围,加快了运算效率.通过基于遗传算法的二维最大熵分割法分理出背景和障碍物,形态学算法去除其区域内的干扰物以及孤立点,最后...     

基于立体视觉技术的多种农田障碍物检测方法

从摄像机标定、图像获取、双目校正、立体匹配、深度计算等方面研究多种农田障碍物检测方法,分别用Bouguet算法进行立体校正、用区域匹配方法获取视差图、用三角测量方法计算障碍物的深度,获取了不同环境下的5种障碍物及其位置信息,并使用计算机视觉函数库OpenCV,提高了算法的实时性。试验表明:障碍物与摄像机的距离小于2 000 mm时,准确识别率在96%以上,深度的绝对误差在±30 mm内(即相对误差在1.5%以下),且完成一次障碍物检测的时间小于100 ms。     

基于激光雷达的农业机器人果园树干检测算法

针对丘陵山区果园中的斜坡及杂草影响果树检测精度的问题,提出了一种基于激光雷达的树干检测算法。首先,利用单线激光雷达获取环境信息,通过数据预处理滤除噪声点及无法利用的数据点,以树干为目标设定聚类半径,根据数据点到激光雷达的距离自适应设定聚类阈值,完成初步聚类;然后,利用初步聚类结果及地面类内数据点量大、且大致呈一条直线的特征,将数据点超过一定数量的类进行二次曲线拟合,将拟合半径大于一定阈值的类视为地面干扰,并将其剔除;最后,利用杂草枝叶类中数据点之间距离不连续的特征,将存在一定数量的相邻数据点距离较大的类视为杂草枝叶类,并将其剔除,从而完成对果园中果树树干的检测。结果表明：在无干扰情况下,对树干的误检率为0.76%、漏检率为1.90%,平均正确率为97.3%;在只存在地面干扰的情况下,树干检测平均正确率为96.1%;在只存在杂草干扰的情况下,树干检测平均正确率为91.4%;在同时存在地面和杂草干扰的情况下,树干检测平均正确率为91.9%,综合以上各种情况的树干检测平均正确率为95.5%,该方法可用于丘陵山区树干较明显的乔化果园中的树干检测,为精准农业装备在丘陵山区果园中的导航应用提供参考。     

基于深度学习的模糊农田图像中障碍物检测技术

针对图像实时采集时,由于镜头缺陷、相机抖动、目标运动等原因造成的模糊图像输入,导致训练完成的深度学习模型检测准确率下降问题,本文提出一种基于改进Faster R-CNN和SSRN-DeblurNet的两阶段检测方法,用于农田环境模糊图像中的障碍物检测.第1阶段进行锐度评价和去模糊处理,利用简化尺度循环网络(Simpli...     

基于无效目标滤除的毫米波雷达农田障碍物检测方法

农田障碍物检测是农机自动驾驶的前提,针对毫米波雷达的农田障碍物检测,本文提出一种无效目标滤除的算法。首先对毫米波雷达所输出的目标信息进行解析并提取农田目标障碍物信息,然后使用无效目标滤除算法对解析后的空目标、伪目标、非威胁数据进行滤除。对雷达数据中目标距离为零的空目标直接滤除;对因雷达工作性能或回波信号不稳定而产生的伪目标通过雷达有效目标生命周期法进行过滤;对超出横向距离阈值和纵向距离阈值的非威胁目标直接滤除。试验结果表明,所提算法在静止状态,平均滤除率达到85%以上。当速度为3 km/h时,未作业状态的平均滤除率为85.24%,旋耕为84.23%;当速度为5 km/h时,未作业为84.22%,旋耕为84.18%;当速度为7 km/h时,未作业为84.19%,旋耕为84.16%。尽管在行驶状态下,随着速度的提升或悬挂旋耕机,滤除率有一定的下降,但本文所提算法在各种状态下的平均滤除率均可达到84%以上。     

履带式拖拉机自动跑偏的原因及故障分析

履带式拖拉机在正常行驶中,在不拉动左右操纵杆时,出现自动偏离行驶方向(向左或向右),一般称为自动跑偏.