共查询到16条相似文献,搜索用时 171 毫秒
1.
玉米除草机器人视觉导航系统设计与试验 总被引:1,自引:1,他引:0
玉米苗带准确检测与精准跟踪是玉米除草机器人实现自主作业的重要基础。针对玉米除草机器人苗带检测,该研究提出了基于感兴趣区域更新的玉米苗带实时识别及导航线提取方法,首先利用单目相机采集机器人前向玉米苗带,将苗带图像进行归一化和超绿处理,采用改进自适应响应阈值SUSAN(small univalue segment assimilating nucleus)角点法以及冗余离群特征点剔除法获得玉米苗特征点,以改进的顺序聚类算法对视频帧进行玉米苗带聚类处理,再利用最小二乘法拟合出各玉米苗带,最后基于机器人航向偏差和其相对玉米苗带的横向偏差实时调整感兴趣区域和更新导航线;同时,针对除草机器人苗带行线跟踪,提出以运动学为模型的PID(proportion integration differentiation)转向角决策方法,建立了导航跟踪控制模型;并在Visual Studio平台下,利用OpenCV库开发了导航控制系统。试验结果表明,玉米除草机器人导航线提取准确率为96.8%,每帧图像平均处理时间为87.39 ms,具有较好的实时性和抗干扰性;在模拟环境下,玉米苗带直线和曲线跟踪平均误差≤1.42 cm,标准误差≤0.41 cm;在农田环境下,不同速度导航跟踪平均误差≤1.51 cm,标准误差≤0.44 cm。研究结果可为玉米除草机器人田间自主作业提供关键技术支撑。 相似文献
2.
针对笼养鸡舍环境下光照强度弱、作业通道内狭小导致机器人巡检时通道中心线检测困难的问题,该研究利用3D激光雷达对鸡舍通道中心线进行获取。首先通过机器人搭载的3D激光雷达对鸡舍作业通道信息进行采集,利用直通滤波、地面点滤波、体素滤波、统计滤波和平面投影对获取的3D激光雷达点云数据进行预处理,获取XOY平面上的点云数据。通过改变K-means聚类初始点选择方式和聚类函数对预处理后的点云数据进行数据分类。利用改进RANSAC算法对分类后的数据进行处理,提取通道中心线。试验结果表明该研究提出的改进K-means聚类算法平均耗时6.98 ms,相较于传统的K-means聚类算法平均耗时减少了29.40 ms,准确率提高了82.41%。该研究提出的改进RANSAC算法中心线提取准确率为93.66%、平均误差角为0.89°、平均耗时为3.94 ms,比LSM算法得到的平均误差角高0.14°,平均耗时减少6.15 ms。表明该研究提出的鸡舍通道中心线检测方法基本满足笼养鸡舍环境实时自主导航的需求,为巡检机器人在鸡舍作业通道内进行激光雷达导航提供了技术支撑。 相似文献
3.
针对高地隙底盘悬挂机具田间作业存在车轮压苗严重的现象,该研究以甘蔗为研究对象,提出一种基于固态激光雷达的作物行垄间导航线实时提取方法。首先通过三维激光雷达(Light Detection And Ranging,LiDAR)实时获取高地隙底盘正前方甘蔗行点云,利用点云变换、直通滤波和半径滤波对点云进行预处理,获取作物行点云数据;然后提出基于感兴趣区域(Region Of Interest,ROI)的导航线实时提取算法,对预处理后的首帧点云进行处理,标定ROI;最后在ROI中进行作物行识别和导航线提取。田间试验表明,该算法有很好的鲁棒性,能够适应甘蔗垄间低遮挡与高遮挡环境,且在断垄的情况下依然可以提取导航线,高地隙底盘速度为0.5和1.0 m/s的工况下,该算法与人工提取的导航线平均误差不超过1.213°,导航线提取总体准确率不低于93.2%,处理一帧10 m′5 m的点云平均耗时不超过22.5 ms。该算法能够为田间管理机械垄间对行行走提供可靠、实时的导航路径。通过与机器视觉算法对比,证明了该算法的优越性。该算法相比于机器视觉算法提取导航线的平均误差角降低2.832°,准确率提高44.7个百分点,平均耗时减少175.9 ms,该算法在导航线提取平均误差角、准确率和处理时间上均优于机器视觉算法。 相似文献
4.
玉米行间导航线实时提取 总被引:10,自引:7,他引:3
针对高地隙植保机底盘玉米田间植保作业压苗严重的现象,该研究提出了基于车轮正前方可行走动态感兴趣区域(Region of Interest,ROI)的玉米行导航线实时提取算法。首先将获取的玉米苗带图像进行像素归一化,采用过绿算法和最大类间方差法分割玉米与背景,并通过形态学处理对图像进行增强和去噪;然后对视频第1帧图像应用垂直投影法确定静态ROI区域,并在静态ROI区域内利用特征点聚类算法拟合作物行识别线,基于已识别的玉米行识别线更新和优化动态ROI区域,实现动态ROI区域的动态迁移;最后在动态ROI区域内采用最小二乘法获取高地隙植保机底盘玉米行间导航线。试验表明,该算法具有较好的抗干扰性能,能够很好地适应较为复杂的田间环境,导航线提取准确率为96%,处理一帧分辨率为1 920像素×1 080像素图像平均耗时97.56 ms,该研究提出的算法能够为高地隙植保机车轮沿玉米垄间行走提供可靠、实时的导航路径。 相似文献
5.
基于梯度下降和角点检测的玉米根茎定位导航线提取方法 总被引:1,自引:1,他引:0
针对玉米根茎图像信息,提出一种在拔节期后玉米大田环境下快速、精准提取导航基准线的新方法。首先利用2G-B-R和最大类间方差法分割图像,并利用形态学处理提高图像质量,对去噪图像像素按列累加获取垂直投影。传统峰值点法在寻找特征点时需要设定阈值,耗时长且伪特征点多,因此提出一种基于梯度下降的特征点寻找方法,利用某点沿梯度下降的方向求解极小值从而求得特征点。根据角点检测原理,利用特征点像素各个方向梯度变化不同剔除伪特征点,解决了传统算法异常点过多、错误剔除玉米根茎定位点等问题,最终采用随机采样一致算法拟合导航线。试验结果表明,与传统算法相比该算法能够很好的适应复杂环境,实时性强,即使在缺苗、杂草等情况下仍具有很强的鲁棒性,平均处理准确率为92.2%,处理一帧分辨率为1 280像素×720像素的图像平均耗时为215.7 ms,该算法为智能农业化机械在玉米田间行走提供了可靠的、实时的导航路径。 相似文献
6.
基于自动Hough变换累加阈值的蔬菜作物行提取方法研究 总被引:10,自引:8,他引:2
为解决机器视觉对生菜和绿甘蓝两种作物在整个生长时期内多环境变量对作物行识别影响的问题,同时提高机器视觉作物行识别算法的有效性,该文提出了一种基于自动Hough变换累加阈值的多作物行提取算法。首先,选用Lab颜色空间中与光照无关a分量对绿色作物进行提取,通过最优自适应阈值进行图像分割,并采用先闭后开形态学运算对杂草和作物边缘进行滤波。其次,采用双阈值分段垂直投影法对作物行特征点进行提取,通过对亮度投影视图中的目标像素占比阈值和噪声判断阈值设置,实现特征点位置判断和杂草噪声过滤,并对相邻特征点进行优化,剔除部分干扰特征。最后,采用Hough变化对特征点进行直线拟合,将不同Hough变换累加阈值获得的拟合直线映射到累加平面上,通过K-means聚类将累加平面数据聚类为与作物行数相同的类数,根据相机成像的透视原理提出基于聚类质心距离差和组内方差的最优累加阈值获取方法,将最优累加阈值下累加平面中的聚类质心作为识别出的真实作物行线。温室和田间试验表明,针对不同生长时期的生菜和绿甘蓝作物,该文算法均可有效识别出作物行线,最优阈值算法耗时小于1.5 s,作物行提取平均耗时为0.2 s,在田间和温室中作物行的平均识别准确率分别为94.6%、97.1%,识别准确率为100%的占比分别为86.7%和93.3%。研究结果为解决多环境变量影响因素下的算法鲁棒性和适用性问题提供依据。 相似文献
7.
机器视觉导航是智慧农业的重要部分,无作物田垄的导航线检测是旱地移栽导航的关键。针对无作物田垄颜色信息相近、纹理差距小,传统图像处理方法适用性差、准确率低,语义分割算法检测速度慢、实时性差的问题,该研究提出一种基于改进DeepLabV3+的田垄分割模型。首先对传统DeepLabV3+网络进行轻量化设计,用MobileNetV2网络代替主干网络Xception,以提高算法的检测速度和实时性;接着引入CBAM(convolutional block attention module,CBAM)注意力机制,使模型能够更好地处理垄面边界信息;然后利用垄面边界信息获得导航特征点,对于断垄情况,导航特征点会出现偏差,因此利用四分位数对导航特征点异常值进行筛选,并采用最小二乘法进行导航线拟合。模型评估结果显示,改进后模型的平均像素精确度和平均交并比分别为96.27%和93.18%,平均检测帧率为84.21帧/s,优于PSPNet、U-Net、HRNet、Segformer以及DeepLabV3+网络。在不同田垄环境下,最大角度误差为1.2°,最大像素误差为9,能够有效从不同场景中获取导航线。研究结果可为农业机器人的无作物田垄导航提供参考。 相似文献
8.
基于垄线平行特征的视觉导航多垄线识别 总被引:11,自引:10,他引:1
为有效快速地识别农田多条垄线以实现农业机器人视觉导航与定位,提出一种基于机器视觉的田间多垄线识别与定位方法。使用VC++ 6.0开发了农业机器人视觉导航定位图像处理软件。该方法通过图像预处理获得各垄行所在区域,使用垂直投影法提取出导航定位点。根据摄像机标定原理与透视变换原理,计算出各导航定位点世界坐标。然后结合垄线基本平行的特征,使用改进的基于Hough变换的农田多垄线识别算法,实现多垄线的识别与定位。使用多幅农田图像进行试验并在室内进行了模拟试验。处理一幅320×240的农田图像约耗时219.4 ms,室内试验各垄线导航距与导航角的平均误差分别为2.33 mm与0.3°。结果表明,该方法能有效识别与定位农田的多条垄线,同时算法的实时性也能满足 要求。 相似文献
9.
红枣收获机视觉导航路径检测 总被引:7,自引:6,他引:1
针对新疆地区骏枣与灰枣枣园的收获作业,该研究提出一种红枣收获机枣树行视觉导航路径检测算法。通过枣园图像固定区域中B分量垂直累计直方图的标准差d与最小值f的关系对枣园种类进行自动判断。针对灰枣枣园,首先采用色差法与OTSU法对图像进行灰度化与二值化处理,然后进行面积去噪与补洞处理,在处理区域内从上向下逐行扫描,将每行像素上像素值为0的像素点坐标平均值作为该行候补点的坐标,并将所有候补点坐标的平均值作为Hough变换的已知点坐标,最后基于过已知点的Hough变换拟合导航路径;针对骏枣枣园,在处理区域内通过垂直累计R分量的方法确定扫描区间,然后在扫描区间内从上到下逐行扫描,将每行像素上R分量值最小的像素点作为该行的候补点,并将所有候补点的坐标平均值作为Hough变换的已知点,最后使用过已知点的Hough变换拟合导航路径。试验结果表明:对于灰枣枣园与骏枣枣园,该算法的路径检测准确率平均值分别为94%和93%,处理1帧图像平均耗时分别为0.042和0.046 s,检测准确性与实时性满足红枣收获机作业要求,能够自动判别枣园种类进行作业,可为实现红枣收获机自动驾驶提供理论依据。 相似文献
10.
针对基于机器视觉的自动导航系统现有导航线提取算法易受外界环境干扰和处理速度较慢等问题,该文提出一种基于图像扫描滤波的导航线提取方法。首先获取不同农作物的彩色图像,使用2G-R-B算法对彩色图片进行灰度化处理,得到作物行和土壤背景对比性良好的图片。使用Otsu方法对图像进行分割,得到二值化的图像后,再采用腐蚀-中值滤波-膨胀的滤波方法对图像进行去噪处理。然后使用该文提出的扫描滤波导航线提取算法,将图像分成左右两部分,使用等面积三角形对两部分分别进行扫描后,再对扫描的结果进行滤波,从而提取作物行,得到导航线。试验结果表明,采用该方法处理一幅640×320像素的图像只需要76ms,可满足农机具实时导航的要求;与传统导航线提取算法相比,该算法计算速度快,适应能力强。 相似文献
11.
基于光照无关图的农业机器人视觉导航算法 总被引:8,自引:6,他引:2
完成沿作物行的行走作业是农业机器人视觉导航系统的一个基础功能,但是由于田间环境的复杂性,比如阴影的存在和天气的恶劣变化等外界因素的影响使导航参数的提取变得困难。该研究针对农业机器人视觉导航中存在的阴影干扰问题,采用基于光照无关图的方法去除导航图像中的阴影,然后采用增强的最大类间方差法进行图像分割和优化的Hough变换提取作物行中心线,最终通过坐标转换获得导航参数。最后,通过作物行跟踪试验表明,基于光照无关图的阴影去除方法不仅满足了导航实时性的要求,而且使农业机器人在光照变化的情况下导航参数提取的鲁棒性有了更大的提高。 相似文献
12.
基于区域生长均值漂移聚类的苗期作物行提取方法 总被引:4,自引:4,他引:0
为解决传统机器视觉方法检测苗期作物行时不同作物种类、不同生长背景和不同作物行数导致的作物行提取精度低的问题,该研究提出一种基于区域生长和均值漂移聚类的苗期作物行提取方法。首先,通过Lab颜色空间中a、b双颜色分量最大熵法选取最优阈值进行图像分割;其次,通过垂直投影获取均值漂移的聚类窗口带宽,均值漂移时以聚类窗口边缘为种子点进行区域生长来归类和标记每一行作物,之后遍历所有作物行获取聚类中心点;最后,通过最小二乘法拟合聚类中心点得到作物行直线。试验结果表明,该方法对大蒜、玉米、油菜、水稻和小麦5种作物的苗期作物行提取精度较高,5种作物的平均行识别率为98.18%,平均误差角度为1.21°,每张图片的平均处理时间为0.48 s。该方法的作物行提取性能明显优于Hough变换方法,为田间环境多因素影响下的苗期作物行提取提供了一种更具鲁棒性的方法。 相似文献
13.
基于机器视觉的玉米精准施药系统作物行识别算法及系统实现 总被引:5,自引:9,他引:5
识别作物行中心线并实现喷药喷头的自动对准是精准施药系统实现的关键技术。为克服作物行识别算法的单一性和适应性不强的缺点,该文以生长早中期的玉米图像为研究对象,利用改进的过绿特征法和改进的中值滤波算法分割出作物行,减少处理时间和去除噪声;然后在行提取时只保留包含作物行信息的中间作物行,通过随机Hough变换检测出作物行中心线,并根据世界坐标与图像坐标的转换和相对距离得到偏差信息:最后实现了系统的硬件搭建并给出了实际运行效果。不同图像的试验和处理结果表明,该算法在背景分割、作物行提取和偏差信息获取方面具有一定的优势,可适用于不同作物及不同视野图像的作物行算法识别,对精准施药的研究具有一定的参考价值。 相似文献
14.
针对基于双目视觉技术的作物行识别算法在复杂农田环境下,立体匹配精度低、图像处理速度慢等问题,该文提出了一种基于Census变换的作物行识别算法。该方法运用改进的超绿-超红方法灰度化图像,以提取绿色作物行特征;采用最小核值相似算子检测作物行特征角点,以准确描述作物行轮廓信息;运用基于Census变换的立体匹配方法计算角点对应的最优视差,并根据平行双目视觉定位原理计算角点的空间坐标;根据作物行生长高度及种植规律,通过高程及宽度阈值提取有效的作物行特征点并检测作物行数量;运用主成分分析法拟合作物行中心线。采用无干扰、阴影、杂草及地头环境下的棉田视频对算法进行对比试验。试验结果表明,对于该文算法,在非地头环境下,作物行中心线的正确识别率不小于92.58%,平均偏差角度的绝对值不大于1.166°、偏差角度的标准差不大于2.628°;图像处理时间的平均值不大于0.293 s、标准差不大于0.025 s,能够满足田间导航作业的定位精度及实时性要求。 相似文献
15.
针对传统作物行识别方法在相邻图像间的识别结果偏差较大,作物行的定位精度和稳定性低等问题,该研究提出一种基于双目视觉和自适应Kalman滤波技术的作物行识别与跟踪方法。对于作物行识别,首先建立图像预处理算法,基于改进的超绿-超红模型和最大类间方差法分割植被灰度特征;建立作物行特征提取算法,基于特征点检测技术和双目视差测距方法计算植被角点特征的三维坐标,根据三维阈值提取作物行特征点,进而建立作物行中心线检测算法,建立基于主成分分析的直线拟合模型,根据作物行特征点的频数统计规律检测作物行冠层中心线。对于作物行跟踪,建立跟踪目标规划模型,提取位于图像中央区域的作物行作为跟踪目标;建立目标状态方程,基于自适应Kalman滤波技术构建作物行中心线跟踪模型。以棉花图像开展试验研究,图像数据包括阴影、杂草、地头等田间场景。试验结果表明,该研究方法的作物行识别准确度、精度和速度均较高,识别正确率约为92.36%,平均航向偏差为0.31°、标准差为2.55°,平均识别速度约80.25 ms/帧;经目标跟踪后,航向角和横向位置估计的标准差分别为2.62°和0.043 m、较无跟踪状态分别减小22.94%和10.42%,作物行中心线的方位估计精度进一步提高。研究成果可为导航系统提供连续、稳定的作物行导引参数。 相似文献
16.
为了满足现代农业精准施药技术中导航路径识别的需要,该文提出一种基于最大正方形的玉米作物行骨架提取算法。首先对采集到的田间玉米作物行图像进行灰度变换,采用改进的过绿灰度化算法使作物行与背景明显分割开来;然后通过滤波、阈值分割得到二值图像;而后对经过预处理后的二值图像进行形态学中的闭运算操作,得到玉米作物行的轮廓;最后利用最大正方形准则提取玉米作物行骨架。为了验证该算法的准确度,对提取的玉米作物行骨架进行直线拟合操作,利用拟合出的中央作物行线与实际导航线偏差的大小来判断骨架提取的精准度。试验结果表明,该算法能保持骨架像素的单一性,对边缘噪声具有很强的抗干扰能力,提取骨架的误差小于5 mm,能够满足玉米对行精准施药的需求。 相似文献